根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **特异度因子模型** - 构建思路：通过捕捉个股与市场整体表现的偏离程度来识别特异度高的股票[4] - 具体构建过程： 1. 计算个股日收益率与基准指数（如沪深300）的残差： $$特异度 = \sqrt{\frac{\sum_{t=1}^n (r_{i,t} - r_{m,t})^2}{n}}$$ 其中$r_{i,t}$为个股收益率，$r_{m,t}$为市场收益率，n为时间窗口 2. 标准化处理后进行行业中性化调整 - 模型评价：在震荡市中表现优异，但对风格切换敏感[4] 2. **科创板块量化选股模型** - 构建思路：结合财务质量与动量效应筛选科创企业[4] - 具体构建过程： 1. 财务因子：研发费用占比、专利数量、营收增速 2. 动量因子：20日超额收益率 3. 通过主成分分析合成综合得分 模型的回测效果 1. 特异度因子模型： - 年化超额收益9.2%[4] - 信息比率(IR)1.85[4] - 最大回撤4.3%[4] 2. 科创板块选股模型： - 相对科创50指数周超额0.48%[4] - 本年累计超额15.6%[4] 量化因子与构建方式 1. **自由现金流因子** - 构建思路：筛选企业自由现金流(FCF)持续改善的标的[48] - 具体构建过程： $$FCF因子 = \frac{经营性现金流净额 - 资本支出}{总资产}$$ 采用3年移动平均标准化 2. **港股通高股息因子** - 构建思路：结合股息率与盈利稳定性[52] - 具体构建过程： 1. 计算动态股息率：近12月分红/市值 2. 叠加ROE波动率调整 因子的回测效果 1. 自由现金流因子： - 中证800内年化alpha 7.3%[48] - 月胜率68%[48] 2. 港股通高股息因子： - 相对恒生指数年化超额6.9%[52] - 下行捕获率82%[52] 注：部分模型细节引用自关联研究报告《多因子选股周报》和《主动量化策略周报》[4]

量化模型与构建方式 1. **模型名称：分红预测模型** - **模型构建思路**：基于上市公司已公布的分红预案、年报数据及历史分红规律，预测指数成分股的分红对股指期货合约的影响[19][21] - **模型具体构建过程**： 1. **预估净利润**：以年报公布的净利润为准[23] 2. **计算税前分红总额**： - 已公布预案的公司直接采用其税前分红总额[26] - 未公布的公司按分红率（分红金额/净利润）不变假设计算，并调整A股股本占比[26] 3. **计算分红对指数的影响**： - 股息率 = 税后分红总额 / 最新市值 - 股息点 = 股票权重 × 股息率 - 权重调整公式： $$\mathrm{w_{it}={\frac{w_{i0}\times\mathrm{\(\1+R\)}}{\sum_{1}^{n}w_{i0}\times\mathrm{\(\1+R\)}}}}$$ 其中 \( w_{i0} \) 为初始权重，\( R \) 为涨跌幅[24] 4. **预测分红对各合约的影响值**： - 除权除息日预测：已公布日期的直接采用；未公布的参考历史分红时间中位数[27][28] - 合约影响值 = 交割日前所有分红点数之和[28] - **模型评价**：依赖历史分红规律和假设，若市场分红率突变可能导致预测偏差[29] 2. **模型名称：股指期货理论定价模型** - **模型构建思路**：基于无套利原理，考虑分红现值和无风险利率，推导期货理论价格[30][31] - **模型具体构建过程**： - **离散红利分配**： $$F_t = (S_t - D)(1 + r)$$ 其中 \( D = \sum_{i=1}^m D_i / (1 + \phi) \)，\( \phi \) 为无风险利率，\( r = (1 + R)^{(T-t)/360} - 1 \) [30] - **连续红利分配**： $$F_t = S_t e^{(r - d)(T - t)}$$ 其中 \( d \) 为年化红利率，\( r \) 为无风险利率[31] --- 量化因子与构建方式 1. **因子名称：年化对冲成本因子** - **因子构建思路**：反映持有股指期货合约至到期的对冲成本，剔除分红影响[7][12] - **因子具体构建过程**： - 年化对冲成本 = （实际价差 - 分红点数） / 现货价格 × 年化系数（365或243天）[12][13][14][15] --- 模型的回测效果 1. **分红预测模型**： - 上证50（IH）8月合约分红点数2.43，年化对冲成本-1.56%[12] - 沪深300（IF）8月合约分红点数4.81，年化对冲成本-0.19%[13] - 中证500（IC）8月合约分红点数7.39，年化对冲成本8.55%[14] - 中证1000（IM）8月合约分红点数4.54，年化对冲成本8.78%[15] 2. **股指期货理论定价模型**： - 实际价差与理论价差对比显示IH升水、IC/IM贴水，与模型预期一致[10][11] --- 因子的回测效果 1. **年化对冲成本因子**： - IH2508：-1.56%（365天）、-1.46%（243天）[12] - IF2508：-0.19%（365天）、-0.18%（243天）[13] - IC2508：8.55%（365天）、7.97%（243天）[14] - IM2508：8.78%（365天）、8.18%（243天）[15]

量化模型与因子分析总结 量化因子与构建方式 风格类因子 1. **Trend因子** 构建思路：衡量股票价格趋势强度[16] 具体构建： - Trend_120 = EWMA(halflife=20)/EWMA(halflife=120) - Trend_240 = EWMA(halflife=20)/EWMA(halflife=240) 评价：本周表现最佳，市场对趋势策略偏好增强[11][13] 2. **Volatility因子** 构建思路：衡量股票价格波动性[16] 具体构建： - Stdvol：过去243天的标准波动率 - Ivff：过去243天的FF3特质波动率 - Range：过去243天的最高价/最低价-1 - MaxRet_6/MinRet_6：过去243天收益最高/最低六天的收益率平均值 评价：本周表现最差，市场对高波动资产需求减弱[11][13] 3. **Size因子** 构建思路：基于总市值对数的规模因子[16] 评价：小盘股关注度持续减弱[11][13] 基础因子库 1. **特异度(IVR_1M)** 构建思路：衡量个股收益与市场收益的偏离程度[20] 具体构建：1-过去20日Fama-French三因子回归拟合度 评价：在沪深300和中证800样本中表现最佳[23][31] 2. **三个月机构覆盖(ORGAN_NUM_3M)** 构建思路：过去3个月撰写研报的机构数量[20] 评价：在中证1000、国证2000和中证全指样本中表现最佳[35][39][47] 3. **BP因子** 构建思路：账面市值比(净资产/总市值)[20] 评价：在创业板指样本中表现最佳[43] 4. **三个月波动(ATR_3M)** 构建思路：过去60个交易日日内真实波幅均值[20] 评价：在中证500样本中表现最佳[27] 因子回测效果 风格因子表现 | 因子名称 | 近一周 | 近一月 | 今年以来 | 近一年年化 | 历史年化 | |---------|-------|-------|---------|-----------|---------| | Trend | 2.39% | 5.57% | -0.70% | 24.36% | 14.25% | | Value | 1.24% | 0.81% | -10.75% | -26.98% | 7.12% | | Volatility | -1.75% | -3.95% | 4.10% | 24.26% | -13.16% | [13] 沪深300样本因子表现 | 因子名称 | 近一周 | 近一月 | 今年以来 | |---------|-------|-------|---------| | 特异度 | 1.30% | 2.11% | 4.32% | | EPTTM一年分位点 | 0.62% | 1.45% | 5.81% | | 一个月UMR | -0.86% | -1.46% | 2.36% | [23] 中证500样本因子表现 | 因子名称 | 近一周 | 近一月 | 今年以来 | |---------|-------|-------|---------| | 三个月波动 | 1.39% | 0.69% | -1.29% | | 预期BP | 0.99% | 1.53% | -0.17% | | 3个月盈利上下调 | -1.39% | -1.26% | 1.52% | [27] 中证800样本因子表现 | 因子名称 | 近一周 | 近一月 | 今年以来 | |---------|-------|-------|---------| | 特异度 | 1.03% | 2.27% | 3.24% | | 三个月波动 | 0.96% | 0.11% | 0.86% | | 标准化预期外收入 | -0.94% | 1.64% | 2.99% | [31] 中证1000样本因子表现 | 因子名称 | 近一周 | 近一月 | 今年以来 | |---------|-------|-------|---------| | 三个月机构覆盖 | 1.25% | 0.91% | 3.03% | | 三个月反转 | 1.10% | 2.13% | 2.53% | | 一年动量 | -1.54% | -0.85% | -0.37% | [35] 国证2000样本因子表现 | 因子名称 | 近一周 | 近一月 | 今年以来 | |---------|-------|-------|---------| | 三个月机构覆盖 | 1.21% | 1.37% | 3.10% | | 预期BP | 1.01% | 0.45% | -3.64% | | 一年动量 | -1.65% | -2.31% | 1.33% | [39] 创业板指样本因子表现 | 因子名称 | 近一周 | 近一月 | 今年以来 | |---------|-------|-------|---------| | BP | 0.68% | 0.06% | -4.33% | | 预期BP | 0.59% | -0.36% | -3.75% | | 单季ROA | -0.61% | -0.29% | 12.94% | [43] 中证全指样本因子表现 | 因子名称 | 近一周 | 近一月 | 今年以来 | |---------|-------|-------|---------| | 三个月机构覆盖 | 1.70% | 1.29% | 4.96% | | 三个月反转 | 1.46% | 1.97% | 4.94% | | 一年动量 | -1.17% | -1.59% | -6.99% | [47] MFE组合构建方法 构建思路：在控制行业和风格暴露约束下最大化单因子暴露[64] 优化模型： $$ \begin{array}{ll} max & f^{T}w \\ s.t. & s_{l}\leq X(w-w_{b})\leq s_{h} \\ & h_{l}\leq H(w-w_{b})\leq h_{h} \\ & w_{l}\leq w-w_{b}\leq w_{h} \\ & b_{l}\leq B_{b}w\leq b_{h} \\ & 0\leq w\leq l \\ & 1^{T}w=1 \\ & \Sigma|w-w_{0}|\leq to_{h} \end{array} $$ 约束条件包括风格偏离、行业偏离、个股权重限制和换手率控制[64][67]

量化模型与构建方式 1 模型名称：利率价量多周期择时策略 模型构建思路：通过核回归算法捕捉利率趋势形态，识别不同周期下的支撑线和阻力线突破信号，结合多周期共振原理生成交易信号[10] 模型具体构建过程： - 划分长周期（月度切换）、中周期（双周切换）、短周期（周度切换）三个时间维度 - 采用核回归算法拟合利率曲线的支撑线和阻力线 - 信号生成规则： a) 当至少2个周期出现向下突破支撑线且趋势非向上时，满配长久期债券 b) 当至少2个周期出现向下突破支撑线但趋势向上时，配置50%中久期+50%长久期 c) 当至少2个周期出现向上突破阻力线且趋势非向下时，满配短久期债券 d) 当至少2个周期出现向上突破阻力线但趋势向下时，配置50%中久期+50%短久期 e) 其他情况等权配置短/中/长久期债券[22] - 设置止损机制：单日超额收益<-0.5%时自动切换为等权配置[22] 模型评价：通过多周期信号过滤有效降低噪声干扰，结合趋势判断可规避假突破风险[10] 2 模型名称：公募债基久期测算模型 模型构建思路：采用改进的回归模型估计基金组合久期，通过截面数据分析机构行为[13] 模型具体构建过程： - 输入变量：全市场中长期纯债基金持仓数据 - 计算杠杆调整后的组合久期： $$久期_{调整}=久期_{原始}×(1+杠杆率)$$ - 输出中位数久期（4.06年）、4周移动平均久期（3.73年）、截面标准差（1.71年）[13][14] 模型评价：能有效捕捉机构久期调整行为，分歧指标可反映市场预期分化程度[14] 量化因子与构建方式 1 因子名称：利率水平结构因子 因子构建思路：将1-10年期国债YTM转化为水平结构指标，衡量绝对利率位置[7] 因子具体构建过程： - 取1年期国债YTM作为水平结构代理变量 - 计算当前值（1.6%）相对3/5/10年历史分位数（17%/10%/5%）[9] 2 因子名称：利率期限结构因子 因子构建思路：通过期限利差反映收益率曲线斜率[7] 因子具体构建过程： - 计算10年期与1年期YTM差值（0.35%） - 评估当前值相对3/5/10年历史分位数（18%/11%/14%）[9] 3 因子名称：利率凸性结构因子 因子构建思路：捕捉收益率曲线弯曲度变化[7] 因子具体构建过程： - 采用二次项拟合1-10年期YTM曲线的凸性程度（0.09%） - 计算当前值相对3/5/10年历史分位数（32%/21%/21%）[9] 模型的回测效果 1 利率价量多周期择时策略： - 长期年化收益率6.15%[23] - 最大回撤1.52%[23] - 收益回撤比2.25（长期）/5.94（短期）[23] - 超额收益率1.66%（长期）/2.2%（短期）[23] - 逐年胜率100%（绝对收益&超额收益）[23] 2 公募债基久期测算模型： - 久期中位数处于5年100%分位[13] - 久期分歧处于5年82.63%分位[14] 因子的回测效果 1 利率水平结构因子： - 当前值1.6%[9] - 3/5/10年分位数17%/10%/5%[9] 2 利率期限结构因子： - 当前值0.35%[9] - 3/5/10年分位数18%/11%/14%[9] 3 利率凸性结构因子： - 当前值0.09%[9] - 3/5/10年分位数32%/21%/21%[9]

量化模型与构建方式 1. **模型名称：三维择时框架** - **模型构建思路**：通过分歧度、流动性、景气度三个维度综合判断市场趋势，动态调整仓位[7][11][12] - **模型具体构建过程**： 1. **分歧度指标**：计算市场观点分歧指数（如卖方分析师预测离散度）[16] 2. **流动性指标**：跟踪市场成交额、资金净流入等数据构建指数[19] 3. **景气度指标**：结合行业盈利增速、宏观经济数据合成A股景气度指数2.0[23] 4. 综合三项指标方向（上行/下行）决定仓位，三项均上行时满仓[7] - **模型评价**：历史回测显示对市场拐点捕捉能力较强，但需警惕极端市场环境下的失效风险[14] 2. **模型名称：资金流共振策略** - **模型构建思路**：结合融资融券资金与主动大单资金流向，筛选两类资金共同看好的行业[31] - **模型具体构建过程**： 1. **融资融券因子**： $$ \text{融资因子} = \text{Barra市值中性化后的（融资净买入-融券净卖出）} $$ 取50日均值后计算两周环比变化率[31] 2. **主动大单因子**： 对行业年成交量时序中性化后的净流入排序，取10日均值[31] 3. 策略组合：在主动大单因子头部行业中剔除融资因子多头极端行业[31] - **模型评价**：相比单一资金流策略回撤更小，2018年以来年化超额收益13.5%，IR 1.7[31] --- 量化因子与构建方式 1. **因子名称：风格因子（Barra体系）** - **因子构建思路**：通过市值、波动率、流动性等风格维度解释股票收益差异[35][36] - **因子具体构建过程**： - **Size因子**：$$ \ln(\text{市值}) $$ 行业中性化处理[37] - **Volatility因子**：过去252日收益波动率[36] - **Liquidity因子**：换手率标准差[36] 2. **因子名称：Alpha因子** - **因子构建思路**：通过多维度因子挖掘超额收益来源[38][40] - **代表性因子构建过程**： - **mom_1y**：$$ \text{1年收益率} = \frac{P_t}{P_{t-252}} - 1 $$ [40] - **turnover_stdrate_3m**：3个月换手率标准差变化率[40] - **pe_g**：市盈率排名与预期净利润增长排名的差值[42] --- 模型的回测效果 1. **三维择时框架**： - 历史年化超额收益：未披露具体数值（图表显示显著跑赢基准）[14] - 当前信号：满仓（分歧度↓、流动性↑、景气度↑）[7] 2. **资金流共振策略**： - 年化超额收益：13.5% - 信息比率（IR）：1.7 - 上周超额收益：0.2%（相对行业等权）[31] --- 因子的回测效果 1. **风格因子（近一周）**： - Size因子收益：-0.21% - Volatility因子收益：-2.38% - Liquidity因子收益：-2.23% - Value因子收益：+0.92% [36] 2. **Alpha因子（近一周多头超额）**： - mom_1y：+1.58% - turnover_stdrate_3m：+1.56% - pe_g（沪深300内）：+4.97% - sue1（沪深300内）：+4.09% [40][42] 3. **分指数因子表现**： - **沪深300最佳因子**：turnover_stdrate_1m（+6.99%） - **中证500最佳因子**：pe_g（+5.60%） - **国证2000最佳因子**：gaexp_sales（+2.35%）[42]

量化模型与构建方式 1. **模型名称**：宽基形态择时策略 - **模型构建思路**：基于宽基指数成分股的多空信号比率构建择时策略，通过统计看多/看空信号的数量变化判断市场趋势[13] - **模型具体构建过程**： 1. 计算每日成分股的看多信号数量（正面信号）和看空信号数量（负面信号） 2. 计算多空剪刀差比率： $$ \text{多空比率} = \frac{\text{看多信号数} - \text{看空信号数}}{\text{总成分股数}} $$ 3. 当多空比率超过阈值时生成看多信号，否则为中性[13] - **模型评价**：策略在宽基指数上表现稳定，年化收益显著高于基准指数[11] 2. **模型名称**：行业形态择时策略 - **模型构建思路**：基于中信一级行业成分股的形态信号构建行业多空剪刀差，判断行业趋势[13] - **模型具体构建过程**： 1. 统计行业成分股中每日看多/看空信号数量，若当日无信号则计为0 2. 计算行业多空剪刀差比率： $$ \text{行业多空比率} = \frac{\text{行业看多信号数} - \text{行业看空信号数}}{\text{行业成分股总数}} $$ 3. 比率大于0时生成看多信号[13] - **模型评价**：历史回溯中100%跑赢行业指数，胜率较高[13] 3. **模型名称**：隐含波动率恐慌指数 - **模型构建思路**：采用Heston模型计算近月平值期权的隐含波动率，反映市场恐慌情绪[6] - **模型具体构建过程**： 1. 选取近月平值期权合约 2. 通过Heston模型反推波动率： $$ \sigma_{IV} = \sqrt{\frac{1}{T} \int_0^T \sigma_t^2 dt} $$ 其中$\sigma_{IV}$为隐含波动率，$T$为期权期限[6] - **模型评价**：能有效捕捉市场短期风险预期变化[8] --- 量化因子与构建方式 1. **因子名称**：连续看多信号因子 - **因子构建思路**：统计个股连续出现看多形态信号的次数，反映短期趋势强度[16] - **因子具体构建过程**： 1. 定义单日看多信号为满足特定K线形态（如阳线、放量等） 2. 统计连续4日或5日出现看多信号的股票[17][19] - **因子评价**：连续信号胜率高达68.64%，具有较强预测性[10] 2. **因子名称**：特殊K线形态因子 - **因子构建思路**：识别六种特定K线形态（如金针探底、火箭发射等），捕捉反转或加速信号[20] - **因子具体构建过程**： 1. **金针探底**：长下影线且振幅>5%，收盘价位于20日低位 2. **火箭发射**：大阳线突破近期高点且成交量放大30%[20] - **因子评价**：正向形态（金针探底等）胜率显著高于负面形态[20] 3. **因子名称**：券商金股增强因子 - **因子构建思路**：结合券商月度金股推荐与形态信号，筛选基本面与技术面共振标的[25] - **因子具体构建过程**： 1. 选取券商当月金股名单 2. 叠加形态学买点信号（如长蜡烛、捉腰带线等） 3. 持有至月底计算超额收益[25] - **因子评价**：可提升金股组合收益率并降低回撤[25] --- 模型的回测效果 1. **宽基形态择时策略**： - 年化收益：11.6%（沪深300）至47.13%（万得微盘股） - 最大回撤：-19.1%（中证2000）至-41.52%（Wind全A）[11] 2. **行业形态择时策略**： - 年化收益：15.36%（石油石化）至33.39%（国防军工） - 最大回撤：-13.18%（综合金融）至-53.53%（消费者服务）[14][15] --- 因子的回测效果 1. **连续看多信号因子**： - 5日连续信号胜率：68.64%[10] - 持有1个月胜率：80%以上[25] 2. **特殊K线形态因子**： - 金针探底形态平均收益：正向收益概率73.86%[10] 3. **券商金股增强因子**： - 70%胜率看多信号股票：亚钾国际、紫光国微等[25] - 组合超额收益：显著高于单纯金股持仓[26]

根据提供的研报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：长江动量指数** - **因子构建思路**：以最近一年股票收益率减去最近一个月股票收益率（剔除涨停板）作为动量指标，选择A股市场中动量特征强且流动性高的前100只股票作为成分股[26] - **因子具体构建过程**： 1. 计算每只股票最近一年收益率（R12）和最近一个月收益率（R1） 2. 剔除涨停板股票 3. 动量值 = R12 - R1 4. 按动量值排序，选取前100名股票 5. 采用等权重或流动性加权构建指数 2. **因子名称：长江反转指数** - **因子构建思路**：以最近一个月股票收益率作为筛选指标，选择A股市场中反转效应强、流动性好的前100只股票[27] - **因子具体构建过程**： 1. 计算每只股票最近一个月收益率（R1） 2. 按R1升序排序（低收益率优先） 3. 选取前100名股票 4. 采用近三个月日均成交量加权构建指数 3. **因子名称：风格拥挤度因子** - **因子构建思路**：通过换手率标准化差值衡量风格交易拥挤程度[128] - **因子具体构建过程**： 1. 计算风格指数近63个交易日日均换手率（S） 2. 计算万得全A同期日均换手率（M） 3. 标准化处理：$$Z_{score} = \frac{S - \mu_S}{\sigma_S} - \frac{M - \mu_M}{\sigma_M}$$ 4. 计算6年滚动分位值 4. **因子名称：机构调研活跃度因子** - **因子构建思路**：通过机构调研次数标准化差值反映市场关注度[130] - **因子具体构建过程**： 1. 统计板块/行业近126日（长期）或63日（短期）日均调研次数 2. 与万得全A基准作差 3. 计算滚动历史分位数（长期6年窗口/短期3年窗口） 因子回测效果 1. **长江动量指数** - 近一周收益率：1.9% - 近一月收益率：7.2% - 年初至今收益率：18.2%[26] 2. **长江反转指数** - 近一周收益率：3.4% - 近一月收益率：7.2% - 年初至今收益率：4.8%[26] 3. **风格拥挤度因子** - 当前分位值： - 成长风格：10% - 红利风格：36% - 小盘风格：7% - 微盘股：55%[36] 4. **机构调研活跃度因子** - 长期口径分位值： - 房地产：93% - 商贸零售：91% - 银行：9%[112] - 短期口径分位值： - 通信：99% - 基础化工：99% - 机械：4%[112] 模型评价 - **动量/反转因子**：显示A股市场存在明显的风格轮动特征，动量因子在长期表现优异但短期波动较大[26][27] - **拥挤度因子**：有效预警风格极端状态，如当前成长/小盘风格拥挤度处于历史极低位（<10%）[36] - **机构调研因子**：对板块热度有领先指示作用，但需结合长期/短期口径综合判断[112] 注：所有因子构建参数（如63日窗口、6年回溯期等）均来自研报原始定义[128][130]

量化模型与构建方式 1. **模型名称**：中证500增强组合 - **模型构建思路**：通过量化选股策略构建中证500指数的增强组合，旨在跑赢基准指数[48] - **模型具体构建过程**： 1. 基于多因子模型筛选股票，因子包括市值、Beta、动量、残差波动率等[60] 2. 对股票进行加权配置，持仓权重根据因子暴露和优化算法确定[52] 3. 组合定期调整，保持与基准指数的风格一致性[48] - **模型评价**：长期超额收益显著，但近期表现略逊于基准[48] 2. **模型名称**：沪深300增强组合 - **模型构建思路**：采用量化方法构建沪深300指数的增强组合[55] - **模型具体构建过程**： 1. 使用BARRA风格因子（如市值、Beta、盈利等）进行选股[60] 2. 通过风险模型控制组合跟踪误差[55] 3. 动态调整持仓权重，优化组合表现[58] - **模型评价**：历史超额收益稳定，但近期跑输基准[55] 3. **模型名称**：A股情绪指数系统 - **模型构建思路**：基于市场波动率和成交额变化构建情绪择时模型[38] - **模型具体构建过程**： 1. 将市场划分为四个象限：波动上-成交下（显著负收益）、其他（显著正收益）[38] 2. 构建见底预警指数（价）和见顶预警指数（量）[42] 3. 综合信号生成多空观点[40] - **模型评价**：对市场拐点有较好的预警作用[38] 模型的回测效果 1. **中证500增强组合**： - 本周收益3.04%，跑输基准0.24%[48] - 2020年至今超额收益49.91%，最大回撤-4.99%[48] 2. **沪深300增强组合**： - 本周收益1.33%，跑输基准0.36%[55] - 2020年至今超额收益33.78%，最大回撤-5.86%[55] 3. **A股情绪指数系统**： - 当前综合信号为"多"[42] - 历史择时表现见图表19[47] 量化因子与构建方式 1. **因子名称**：BARRA十大类风格因子 - **因子构建思路**：参照BARRA模型构建A股市场风格因子[60] - **因子具体构建过程**： 1. 包括市值（SIZE）、Beta、动量（MOM）、残差波动率（RESVOL）等十大类因子[60] 2. 通过个股风险暴露计算因子收益[61] 3. 因子相关性分析见图表25[63] 2. **因子名称**：行业纯因子 - **因子构建思路**：衡量行业相对市场市值加权组合的超额收益[61] - **因子具体构建过程**： 1. 按中信一级行业分类构建行业因子[61] 2. 计算行业纯因子收益率[67] 因子的回测效果 1. **风格因子表现**： - 本周Beta因子超额收益较高，残差波动率呈负向超额收益[61] - 近期高Beta股表现优异，流动性、盈利因子表现不佳[61] 2. **行业因子表现**： - 本周煤炭、有色金属、钢铁行业因子超额收益较高[61] - 银行、电力及公用事业行业因子回撤较多[61] 3. **指数收益归因**： - 中证500、创业板指在Beta因子上暴露较大，表现较好[69] - 上证综指、上证50在Beta因子上暴露较小，表现不佳[69]

量化模型与构建方式 1. **模型名称：商品融合策略** - 模型构建思路：通过等权整合期限结构、时序动量和截面仓单三个子策略，捕捉商品市场的基本面、carry和动量风险溢价[49] - 模型具体构建过程： 1. **期限结构子策略**：基于展期收益率因子动态做多高展期收益品种，做空低展期收益品种[51] 2. **时序动量子策略**：通过技术指标（如布林带、均线）识别趋势，做多上涨资产，做空下跌资产[51] 3. **截面仓单子策略**：根据仓单变化做多仓单下降资产，做空仓单增长资产[51] - 模型评价：多因子复合策略分散风险，但子策略相关性需动态监控 2. **模型名称：商品期限结构模拟组合** - 模型构建思路：利用展期收益率因子反映商品升贴水状态，构建多空组合[51] - 模型具体构建过程： - 计算各品种展期收益率：$$展期收益率 = \frac{近月合约价格 - 远月合约价格}{远月合约价格} \times 100\%$$ - 按收益率排序，前30%做多，后30%做空，月度调仓[51] 3. **模型名称：商品时序动量模拟组合** - 模型构建思路：结合布林带、MACD等技术指标捕捉中长期趋势[51] - 模型具体构建过程： - 布林带突破信号：价格突破上轨做多，跌破下轨做空[9][10] - MACD指标：DIF上穿DEA做多，反之作空[9][10] 4. **模型名称：商品截面仓单模拟组合** - 模型构建思路：通过仓单变化率反映供需基本面，构建多空组合[51] - 模型具体构建过程： - 计算仓单环比变化率：$$\Delta仓单 = \frac{本周仓单量 - 上周仓单量}{上周仓单量} \times 100\%$$ - 做多仓单下降最快的前20%品种，做空增长最快的后20%品种[51] --- 模型的回测效果 1. **商品融合策略** - 近两周收益：0.12%[49] - 年化收益：1.14%[49] - 最大回撤：-3.0%（2025年）[52] 2. **商品期限结构模拟组合** - 近两周收益：-1.39%[56] - 年化收益：1.38%[56] - 信息比率（IR）：0.85（2010-2025）[59] 3. **商品时序动量模拟组合** - 近两周收益：1.99%[61] - 年化收益：-1.97%[61] - 胜率：58.3%（2020-2025）[65] 4. **商品截面仓单模拟组合** - 近两周收益：-0.26%[68] - 年化收益：4.00%[68] - 夏普比率：1.22（2010-2025）[72] --- 量化因子与构建方式 1. **因子名称：展期收益率因子** - 因子构建思路：反映商品期货合约间的升贴水结构[51] - 因子具体构建过程： $$展期收益率 = \frac{P_{近月} - P_{远月}}{P_{远月}} \times 100\%$$ 其中$P_{近月}$和$P_{远月}$分别为近月与远月合约价格[51] 2. **因子名称：仓单变化因子** - 因子构建思路：捕捉库存变动对价格的边际影响[51] - 因子具体构建过程： - 原始仓单数据标准化：$$Z = \frac{X - \mu}{\sigma}$$ - 计算5日移动平均变化率[51] 3. **因子名称：趋势动量因子** - 因子构建思路：结合布林带宽度与MACD判断趋势强度[9][10] - 因子具体构建过程： - 布林带宽度：$$\text{带宽} = \frac{\text{上轨} - \text{下轨}}{\text{中轨}} \times 100\%$$ - MACD信号：$$DIF = EMA_{12} - EMA_{26}$$[9][10] --- 因子的回测效果 1. **展期收益率因子** - 多空收益差：年化4.76%（2010-2025）[59] - IC均值：0.15[59] 2. **仓单变化因子** - 多空收益差：年化5.86%（2021-2025）[72] - 月度胜率：63.2%[72] 3. **趋势动量因子** - 20日均线策略年化收益：8.32%（2017-2025）[65] - 突破布林带上轨信号胜率：61.5%[9][10]

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 1. **模型名称**：央企创新指数选样模型 **模型构建思路**：从国资委下属央企上市公司中，综合评估企业创新和盈利质量，选取具有代表性的100只证券作为指数样本[9] **模型具体构建过程**： - 样本空间筛选：从中证全指中剔除过去一年日均成交金额后20%的证券[9] - 央企筛选：选取国务院国资委及其下属央企集团实际控股的上市公司[9] - 财务质量过滤：剔除过去一年经营活动现金净流量为负且过去两年扣非净利润为负的证券[9] - 创新得分计算： - 非金融企业：研发支出占比(40%)、研发人员占比(10%)、专利质量(40%)、参与制定技术标准数量(10%)[9] - 金融企业：营业收入(40%)、净利润(10%)、专利质量(40%)、参与制定技术标准数量(10%)[9] - 质量得分计算： - 非金融企业：ROE(30%)、净利润增速(35%)、盈利质量(25%)、财务杠杆(10%)[9] - 金融企业：ROE(50%)、净利润增速(50%)[9] - 综合得分：规模得分(80%) + 质量得分(20%)，按排名选取前100只证券[9] **模型评价**：通过多维度量化筛选，兼顾创新能力和财务质量，具有系统性和可操作性 模型的回测效果 1. **央企创新指数模型**： - 基期以来(2012-2025)累计收益率138.08%[10] - 近5年(2020-2025)累计收益率33.70%[10] - 年化超额收益：相对沪深300为79.25%，相对中证500为54.40%[14] - 股息率3.26%（过去12个月）[37] - PE(TTM)13.92倍（截至20250716）[35] 量化因子与构建方式 1. **因子名称**：创新得分因子 **因子构建思路**：量化企业创新投入和产出水平[9] **因子具体构建过程**： - 非金融企业： $$创新得分 = 0.4×研发支出占比 + 0.1×研发人员占比 + 0.4×专利质量 + 0.1×技术标准数量$$ - 金融企业： $$创新得分 = 0.4×营收 + 0.1×净利润 + 0.4×专利质量 + 0.1×技术标准数量$$ **因子评价**：创新导向明显，但金融与非金融企业采用差异化权重 2. **因子名称**：质量得分因子 **因子构建思路**：评估企业盈利能力和财务健康度[9] **因子具体构建过程**： - 非金融企业： $$质量得分 = 0.3×ROE + 0.35×净利润增速 + 0.25×盈利质量 + 0.1×财务杠杆$$ - 金融企业： $$质量得分 = 0.5×ROE + 0.5×净利润增速$$ 因子的回测效果 1. **创新得分因子**： - 前十大成分股平均PE 18.45倍（20250716）[20] - 研发强度前30%成分股年化超额收益4.2pp[14] 2. **质量得分因子**： - 高ROE组(>15%)成分股平均股息率3.52%[37] - 盈利质量前30%成分股年化波动率低2.3pp[14] 注：所有因子测试窗口期为2019-2025年，调仓频率为半年[9]