量化模型与构建方式 1. 模型名称：戴维斯双击策略 - **模型构建思路**：以较低的市盈率（PE）买入具有成长潜力的股票，待成长性显现、市盈率相应提高后卖出，获得EPS和PE的“双击”收益[1][7] - **模型具体构建过程**：通过PEG指标评估股票定价的合理性，筛选盈利增速加速增长的标的，理论上这些标的的PE向下空间能得到有效控制[7] - **模型评价**：策略在2010-2017年回测期内表现稳定，7个完整年度的超额收益均超过11%，具有较好的稳定性[8] 2. 模型名称：净利润断层策略 - **模型构建思路**：结合基本面与技术面，通过“净利润惊喜”和“盈余公告后股价跳空”两个核心点，筛选出市场认可度高的股票[2][11] - **模型具体构建过程**：每期筛选过去两个月内业绩预告和正式财报中满足超预期事件的股票样本，按照盈余公告日跳空幅度排序，选取前50只股票等权构建组合[11] - **模型评价**：策略在2010年至今表现优异，年化收益率和超额收益率均较高，且收益回撤比表现良好[14] 3. 模型名称：沪深300增强组合 - **模型构建思路**：基于投资者偏好因子（GARP型、成长型、价值型）构建组合，分别通过PBROE因子和PEG因子筛选估值低且盈利能力强或成长潜力稳定的股票[3][16] - **模型具体构建过程**： - **PBROE因子**：以PB与ROE的分位数之差构建，筛选估值低且盈利能力强的股票[16] - **PEG因子**：以PE与增速的分位数之差构建，筛选价值被低估且成长潜力可靠的股票[16] - **成长型因子**：通过营业收入、毛利润、净利润增速筛选高速成长的股票[16] - **价值型因子**：筛选具有长期稳定高ROE的公司[16] - **模型评价**：历史回测显示超额收益稳定，适合长期投资[20] --- 模型的回测效果 1. 戴维斯双击策略 - 年化收益率：26.45%[8] - 年化超额收益率：21.08%[8] - 2025年累计绝对收益：7.15%[8] - 2025年累计超额收益：4.80%[8] - 全样本超额收益：21.57%[10] - 收益回撤比：1.07[10] 2. 净利润断层策略 - 年化收益率：28.60%[14] - 年化超额收益率：26.80%[14] - 2025年累计绝对收益：9.39%[14] - 2025年累计超额收益：7.05%[14] - 全样本超额收益：26.80%[13] - 收益回撤比：0.72[13] 3. 沪深300增强组合 - 年化收益率：8.99%[18] - 年化超额收益率：8.42%[18] - 2025年累计绝对收益：-0.98%[18] - 2025年累计超额收益：0.16%[20] - 全样本超额收益：8.42%[18] - 收益回撤比：0.92[18]

量化模型与构建方式 1. **模型名称**：主动量化模型 **模型构建思路**：通过多因子选股策略，结合市场动态调整因子权重，以实现超额收益[21] **模型具体构建过程**：模型基于历史数据，选取多个量化因子（如动量、价值、质量等），通过线性回归或机器学习方法计算因子权重，最终构建投资组合。公式为： $$R_p = \sum_{i=1}^{n} w_i \cdot F_i$$ 其中，$R_p$ 为组合收益，$w_i$ 为因子权重，$F_i$ 为因子收益 **模型评价**：该模型在市场波动较大时表现较为稳健，但在极端市场环境下可能存在失效风险[42] 2. **模型名称**：量化对冲模型 **模型构建思路**：通过构建多空组合，对冲市场系统性风险，获取绝对收益[21] **模型具体构建过程**：模型通过选取相关性较低的多空头寸，利用统计套利策略进行对冲。公式为： $$R_{hedge} = R_{long} - R_{short}$$ 其中，$R_{hedge}$ 为对冲收益，$R_{long}$ 为多头收益，$R_{short}$ 为空头收益 **模型评价**：该模型在市场波动较小时表现优异，但在市场趋势明显时可能表现不佳[42] 模型的回测效果 1. **主动量化模型**，上周平均收益为-2.10%，年初至今平均收益为2.49%[21][25] 2. **量化对冲模型**，上周平均收益为0.08%，年初至今平均收益为-0.11%[21][25] 量化因子与构建方式 1. **因子名称**：动量因子 **因子构建思路**：通过计算股票过去一段时间的收益率，捕捉市场趋势[21] **因子具体构建过程**：动量因子计算公式为： $$Momentum = \frac{P_t - P_{t-n}}{P_{t-n}}$$ 其中，$P_t$ 为当前价格，$P_{t-n}$ 为n天前的价格 **因子评价**：动量因子在趋势明显的市场中表现较好，但在市场反转时可能失效[42] 2. **因子名称**：价值因子 **因子构建思路**：通过计算股票的估值指标（如市盈率、市净率等），捕捉低估股票的投资机会[21] **因子具体构建过程**：价值因子计算公式为： $$Value = \frac{Earnings}{Price}$$ 其中，$Earnings$ 为每股收益，$Price$ 为股票价格 **因子评价**：价值因子在长期投资中表现较好，但在市场情绪高涨时可能表现不佳[42] 因子的回测效果 1. **动量因子**，上周平均收益为-2.22%，年初至今平均收益为2.34%[22][26] 2. **价值因子**，上周平均收益为-3.26%，年初至今平均收益为5.25%[22][26]

量化模型与构建方式 1. **模型名称**：k-means++聚类模型 **模型构建思路**：通过概率化选择初始质心，确保质心之间尽量分散，覆盖不同数据分布区域，从而优化聚类效果[38]。 **模型具体构建过程**： - 随机选择一个数据点作为第一个质心[39]。 - 对每个新质心的选择，计算所有数据点到已有质心的最短距离，以这些距离的平方值作为权重按概率分布选择下一个质心，距离越远的点被选中的概率越高[39]。 - 重复上述操作，直到选出k个质心，后续流程与传统k-means一致，即迭代更新质心并分配数据点[39]。 **模型评价**：k-means++通过优化初始质心选择，减少了局部最优风险，加速了收敛，效果优于传统k-means[38]。 2. **模型名称**：支撑阻力因子模型 **模型构建思路**：通过最高价与最低价的形态变化，判断ETF的趋势强度，构建支撑阻力因子，选择趋势更强的ETF[59]。 **模型具体构建过程**： - 计算最近20个交易日ETF最高价的斜率ℎ和最低价的斜率[62]。 - 支撑阻力因子= abs(ℎ/)[62]。 - 选择最高价和最低价均上涨的ETF，根据支撑阻力因子排序，取因子值最高的前20%[63]。 **模型评价**：该模型能够有效捕捉ETF的趋势变化，支撑阻力因子的构建有助于识别上行空间较大的ETF[59]。 模型的回测效果 1. **k-means++聚类模型**：聚类结果基本符合投资概念或板块的相似度要求，能够有效降低ETF选择的复杂度[42]。 2. **支撑阻力因子模型**：2016年以来年化收益14.46%，年化波动14.44%，年化夏普1.0，相对于沪深300指数的年化超额12.56%[63]。 量化因子与构建方式 1. **因子名称**：支撑阻力因子 **因子的构建思路**：通过最高价与最低价的斜率变化，判断ETF的支撑与阻力强度，选择趋势更强的ETF[62]。 **因子具体构建过程**： - 计算最近20个交易日ETF最高价的斜率ℎ和最低价的斜率[62]。 - 支撑阻力因子= abs(ℎ/)[62]。 **因子评价**：该因子能够有效识别ETF的趋势强度，支撑阻力因子的构建有助于选择上行空间较大的ETF[62]。 2. **因子名称**：换手率因子 **因子的构建思路**：通过近5日换手率与近20日换手率的比值，判断ETF的短期市场关注度[63]。 **因子具体构建过程**： - 计算近5日换手率与近20日换手率的比值[63]。 - 选择比值最高的ETF，构建组合[63]。 **因子评价**：该因子能够有效捕捉ETF的短期市场关注度，有助于选择短期内市场热度较高的ETF[63]。 因子的回测效果 1. **支撑阻力因子**：2016年以来年化收益14.46%，年化波动14.44%，年化夏普1.0，相对于沪深300指数的年化超额12.56%[63]。 2. **换手率因子**：2016年以来年化收益14.46%，年化波动14.44%，年化夏普1.0，相对于沪深300指数的年化超额12.56%[63]。

量化模型与构建方式 1. 模型名称：指数风控模型 - **模型构建思路**：通过构建指数层面的风控模型，控制主动风险的偏离，最大化信息比，提升超额收益的稳定性[3][42][55] - **模型具体构建过程**： 1. 确定纳入模型的指数列表，筛选在给定交易日前发布的指数，且成分均为A股，并可获取成分列表及权重数据[53] 2. 合成指数层面数据，将个股行业/风格得分按权重加总，得到指数敞口数据[53] 3. 模型公式： $ r = c f_c + \sum_{i} f_i + \sum_{s} f_s + u $ 其中，$ r $为标的超额收益，$ f_c $为市场因子，$ f_i $为行业因子，$ f_s $为风格因子，$ u $为残差[52] 4. 通过对指数持仓穿透至个股，降低大市值股票权重，提升权重均衡性[53][54] - **模型评价**：指数风控模型的有效性显著高于个股风控模型，行业因子贡献大幅提升，风格因子中市值、动量、盈余等贡献增加，贝塔和流动性贡献降低[55][56] 2. 模型名称：指数配置组合优化模型 - **模型构建思路**：通过优化组合信号得分，同时对行业和风格偏离进行约束，最大化组合的阿尔法信号值[72][73] - **模型具体构建过程**： 1. 非组合优化：对指数打分，选择TOP50指数进行等权配置[72] 2. 组合优化：目标函数为最大化组合信号得分，同时对行业和风格偏离进行约束，基准为中证全指，月频调仓[72] 3. 优化后，最大回撤显著降低，信息比和Calmar比均得到改善[72][73] - **模型评价**：组合优化模型在控制风险的同时，提升了超额收益的稳定性，信息比和Calmar比均优于非组合优化[72][73] --- 模型的回测效果 1. 指数风控模型 - 年化超额：未提供具体值 - 超额波动率：未提供具体值 - 信息比：未提供具体值 - 最大回撤：未提供具体值 - Calmar比：未提供具体值 2. 指数配置组合优化模型 - **非组合优化**： - 年化超额：13.29% - 超额波动率：7.42% - 信息比：1.79 - 最大回撤：8.30% - Calmar比：1.60[73] - **组合优化**： - 年化超额：9.41% - 超额波动率：4.93% - 信息比：1.91 - 最大回撤：4.55% - Calmar比：2.07[73] --- 量化因子与构建方式 1. 因子名称：市值因子 - **因子构建思路**：通过市值因子捕捉规模效应，评估其对指数收益的贡献[55][56] - **因子具体构建过程**：基于指数成分股的市值数据，按权重加总得到指数层面的市值因子暴露值[53][55] - **因子评价**：市值因子在指数层面表现出较高的解释度贡献，对主动风险的影响较大[55][56] 2. 因子名称：动量因子 - **因子构建思路**：利用动量效应，评估其在指数层面的表现[55][56] - **因子具体构建过程**：基于成分股的动量信号，按权重加总得到指数层面的动量因子暴露值[53][55] - **因子评价**：动量因子在指数层面效应更强，解释度贡献显著提升[55][56] 3. 因子名称：分红因子 - **因子构建思路**：通过分红因子捕捉高分红股票的收益特征[55][56] - **因子具体构建过程**：基于成分股的分红数据，按权重加总得到指数层面的分红因子暴露值[53][55] - **因子评价**：分红因子在指数层面表现更好，解释度贡献较高[55][56] --- 因子的回测效果 1. 市值因子 - 年化超额：未提供具体值 - 超额波动率：未提供具体值 - 信息比：未提供具体值 - 最大回撤：未提供具体值 - Calmar比：未提供具体值 2. 动量因子 - 年化超额：未提供具体值 - 超额波动率：未提供具体值 - 信息比：未提供具体值 - 最大回撤：未提供具体值 - Calmar比：未提供具体值 3. 分红因子 - 年化超额：未提供具体值 - 超额波动率：未提供具体值 - 信息比：未提供具体值 - 最大回撤：未提供具体值 - Calmar比：未提供具体值

证券研究报告：金融工程报告 2025 年 2 月 24 日 研究所 分析师:肖承志 SAC 登记编号:S1340524090001 Email:xiaochengzhi@cnpsec.com 研究助理:冯昱文 SAC 登记编号:S1340124100011 Email:fengyuwen@cnpsec.com 近期研究报告 《聚焦 AI 主线，GRU 行业轮动 2020 年 后首次配置半仓成长——行业轮动周 报 20250223》 - 2025.02.24 《基本面回撤，高波风格持续——中 邮因子周报 20250209》 - 2025.02.10 《各资金持续流入机器人，短期注意 回调风险，行业轮动开始超配成长— —行业轮动周报 20250209》 - 2025.02.10 《全面牛市正在到来，微盘有望修复 前高 ——微盘股指数周报 20250209》 - 2025.02.10 《基本面表现强势，风格切换加速— —中邮因子周报 20250126》 - 2025.01.27 《节前融资资金大幅净流出，ETF 资金 聚焦机器人以及红利——行业轮动周 报 20250126》 - 2025.01.26 《信号全部翻多 ...

证券研究报告 金工点评报告 刘飞彤 分析师 执业证书编号:S0530522070001 liufeitong@hnchasing.com 相关报告 金工三维情绪模型更新（20250220）： 2025 年 02 月 21 日 上证 50-沪深 300-中证 500 走势图 -13% -3% 7% 17% 27% 上证50 沪深300 中证500 指数估值 | 指数名称 | PE中位数 | PB 中位数 | | --- | --- | --- | | 上证 50 | 1.99 | 14.85 | | 沪深 300 | 2.03 | 19.17 | | 中证 500 | 2.14 | 22.37 | 沪深 300 股指期货升贴水率= 沪深 300 股指期货主力价格− 沪深 300 指数价格 沪深 300 指数价格 $${\hat{\mathbb{R}}}\times{\hat{\mathbb{R}}}\times{\hat{\mathbb{R}}}={\frac{{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}\oplus{\ha ...

证券研究报告 金工 黄金：资产配置中的长期压舱石 华泰研究 2025 年 2 月 21 日│中国内地 专题研究 全球金价创历史新高，建议关注黄金 ETF 联接基金等配置工具 近期，全球黄金市场交易情绪持续升温，黄金价格上行趋势相对坚挺。截至 2025 年 2 月 20 日，上海黄金交易所 AU9999 黄金现货价格录得 689.18 元 /克，再创历史新高，今年以来收益率录得 12.10%。本次黄金量价齐升的直 接诱因，或是特朗普关税政策的不确定性带来的事件冲击。长期来看，我们 认为，受美国债务可持续性减弱等因素影响，具有高信用价值和避险保值属 性的黄金，其配置价值相对其它资产可能仍长期占优。在国内各类黄金的投 资方式中，黄金 ETF 的投资简便性高于实物黄金和黄金期货，而在投资黄 金 ETF 的两种方式中，场内直接投资可以享受到较低的成本费率和 T+0 的 灵活赎回机制，而对应的联接基金则具有起投价格低、销售渠道广等特点。 建议计划布局黄金资产的投资者，持续关注相关配置工具。 美国债务可持续性减弱等因素，或长期支撑黄金上行趋势 我们认为长期视角下，以下因素或可支撑黄金上行趋势：1）自 2022 年开 始，美 ...

量化模型与构建方式 1. **模型名称：常青低波基金组合** - **模型构建思路**：在高权益仓位主动管理的基金中，挑选具有长期稳定收益特征的基金，寻找主动权益基金中的业绩“常青树”[13] - **模型具体构建过程**：基于基金历史较长时间下的净值回撤和波动水平，反映基金经理的投资风格及风险控制能力，增加基金估值水平的限制，从净值表现和持仓特征两个维度优选低波基金，构建低波动特征的主动权益基金组合[13] - **模型评价**：组合波动率与最大回撤显著优于中证主动式股票基金指数，在减小净值波动的同时保持不错的收益水平，兼具防守与进攻性[20][21] 2. **模型名称：股基增强基金组合** - **模型构建思路**：在主动管理权益基金中，挖掘具有更强Alpha挖掘能力的基金经理进行配置，构建风险波动等级较高且兼具进攻性的组合[14] - **模型具体构建过程**：分析基金收益来源，对基金配置行业收益和选股超额能力进行拆分，剔除所配置行业的Beta收益后，基于剩余Alpha收益构建组合[14] - **模型评价**：组合在回测区间表现出优秀的持有期胜率，有望在市场环境改善后展现更强弹性[23] 3. **模型名称：现金增利基金组合** - **模型构建思路**：基于货币基金多维特征因子，构建货币基金筛选体系，优选出收益表现更优秀的货币基金，帮助投资者优化短期闲置资金收益水平[16] - **模型具体构建过程**：综合考虑管理费率、托管费率、销售服务费率、久期水平、杠杆水平、机构持仓占比及偏离度等风险指标，构建货币基金优选体系[16] - **模型评价**：组合持续跑赢比较基准，超额收益累计叠加，为现金管理提供有效参考[25] 4. **模型名称：海外权益配置基金组合** - **模型构建思路**：基于海外国家或地区的权益市场指数，根据长期动量和短期反转因子，剔除涨势过高、出现超买的指数，选择处于上涨趋势且上升动能较好的指数作为配置标的[17] - **模型具体构建过程**：综合长期动量和短期反转因子，筛选指数并构建海外权益配置基金组合[17] - **模型评价**：组合在美联储降息通道及人工智能科技带动下累积了较高水平的超额收益，全球化配置为权益投资组合带来收益增厚[26] 模型的回测效果 1. **常青低波基金组合** - 本周收益：0.126%[18] - 近一个月收益：2.314%[18] - 今年以来收益：0.531%[18] - 策略运行以来收益：8.380%[18] 2. **股基增强基金组合** - 本周收益：0.435%[18] - 近一个月收益：2.841%[18] - 今年以来收益：1.719%[18] - 策略运行以来收益：9.387%[18] 3. **现金增利基金组合** - 本周收益：0.031%[18] - 近一个月收益：0.152%[18] - 今年以来收益：0.245%[18] - 策略运行以来收益：3.126%[18] 4. **海外权益配置基金组合** - 本周收益：-0.321%[18] - 近一个月收益：3.282%[18] - 今年以来收益：4.151%[18] - 策略运行以来收益：29.636%[18]

- 永安新加坡成为新交所衍生品市场交易和清算会员[1] - 永安期货自2006年开始布局国际市场，先后进入中国香港和新加坡市场，并在境外开展大宗商品、股指期货及外汇衍生品等业务[2] - 永安期货在境外的净资产合计超过2.37亿美元，拥有期货、证券、资管、清算等全牌照[2] - 永安期货通过香港、新加坡等地的地理与资源优势，积极拓展产业链上下游业务，近5年业务规模超过7亿美元[2] - 永安期货在境外财富管理方面，帮助多家中国百亿元级私募机构设立境外办公室并发行私募产品[3] - 永安期货获得新交所衍生品市场交易和清算会员资格，是继2019年获得新加坡金融管理局CMS期货牌照后的又一重要进展[4] - 永安期货致力于构建支持实体企业海外发展的金融服务网络，为跨境贸易、投资、并购提供全链条金融联动产品和服务[4]

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称**：自选基金组合FOF模型 - **模型构建思路**：通过筛选成立年限、规模、基金经理能力、风险调整后收益等指标，构建由30只基金组成的FOF组合，并按季度调仓[56] - **模型具体构建过程**： 1. 筛选标准包括基金成立年限、规模（剔除规模过小或过大的基金） 2. 评估基金经理的选股择时能力（通过Alpha、Beta等指标） 3. 计算风险调整后收益（夏普比率、卡玛比率等） 4. 等权重配置30只符合条件的基金，每季度再平衡 - **模型评价**：组合注重分散化和风险控制，但回测显示区间超额收益为负（-7.34%），可能受市场风格切换影响[58][59] 模型的回测效果 1. **自选基金组合FOF模型** - 区间绝对收益率：0.46% - 区间年化收益率：3.75% - 区间最大回撤：3.94% - 区间年化波动率：10.36% - 区间下行风险：7.73% - 区间年化夏普比率：0.27 - 区间卡玛比率：0.95 - 区间累计超额收益：-7.34%[59] 量化因子与构建方式 （注：研报中未明确提及具体量化因子构建，仅描述市场表现和基金筛选逻辑，故本部分跳过） 因子的回测效果 （注：研报中未涉及因子测试结果，故本部分跳过） --- **说明**： - 研报核心内容为市场数据综述和FOF组合回测，未涉及传统量化因子（如价值、动量等）的构建与测试[5][56][58] - 模型回测结果中，超额收益为负可能与2025年2月市场波动（如港股科技板块大涨10.34%）导致基准（偏股混合型基金指数）表现强劲有关[9][59]