根据提供的研报内容，该报告主要分析了应收账款类资产证券化市场的情况，并未涉及量化模型或量化因子的构建与分析。因此，无法按照要求总结量化模型或量化因子的相关内容。以下是报告的核心内容概述： 市场概况 1. **发行规模**：2024年应收账款类证券化产品发行571单，规模4,385.82亿元，占企业ABS和ABN总规模的25.53%[3][6] 2. **级别分布**：AAAsf级占比87.52%，AA+sf级占比8.95%[5][6] 3. **发行利率**：加权平均发行利率2.45%，最低1.79%，最高4.79%[6][9] 4. **发行期限**：62.04%为1年期及以内产品[10][11] 5. **增信方式**：无增信产品占比62.64%，增信产品以差额支付承诺为主（35.59%）[11] 市场创新 1. **工程机械类应收账款ABS**：首单嵌入先进制造领域资产的保险ABS产品，规模2.59亿元[17] 2. **分离式保函资产转让ABS**：首单通过保函增信提升流动性的产品，规模2.135亿元[18] 3. **外币计价境外资产ABN**：首单境外资产入池产品，规模39.26亿元[20] 信用表现 1. **评级调整**：2024年无级别下调情况[21] 2. **违约展期**：集中于房地产行业相关产品[21][22] 市场展望 1. 建筑类央企仍将是市场主要推动力，无增信产品规模将进一步扩大[23] 2. 境外资产证券化产品探索将深化[23] 3. 需警惕房地产行业风险传导[23] 报告未包含任何量化模型或量化因子的构建、测试及分析内容，主要聚焦于市场数据统计和案例分析[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25]

量化因子与构建方式 1. **因子名称：估值偏离EPD因子** - **构建思路**：结合布林带均值回复策略与基本面估值修复逻辑，利用PE指标的均值回复特性构建[7][12] - **具体构建过程**： 1. 计算个股PE的滚动均值与标准差，构建布林带上下轨 2. 定义估值偏离度为当前PE与均值的标准化差异： $$EPD = \frac{PE_t - \mu_{PE}}{\sigma_{PE}}$$ 其中$\mu_{PE}$为滚动窗口内PE均值，$\sigma_{PE}$为标准差[7] 2. **因子名称：缓慢偏离EPDS因子** - **构建思路**：在EPD基础上剔除估值逻辑发生变化的个股（通过个股信息比率代理概率）[7][12] - **具体构建过程**： 1. 计算个股历史收益率的信息比率IR 2. 对EPD因子进行截面调整： $$EPDS = EPD \times (1 - P_{IR})$$ $P_{IR}$为基于IR计算的估值逻辑改变概率[7] 3. **因子名称：估值异常EPA因子** - **构建思路**：在EPDS基础上剔除Beta、成长与价值风格的影响[7][12] - **具体构建过程**： 1. 对EPDS因子进行多元线性回归，控制市场Beta、价值因子（BP）、成长因子（EGR） 2. 取回归残差作为最终因子： $$EPA = EPDS - (\beta_1 \cdot Beta + \beta_2 \cdot BP + \beta_3 \cdot EGR)$$[7] - **因子评价**：通过多阶段优化显著提升稳定性，兼具估值回归与风格中性特点[7][12] --- 因子回测效果（2010/02-2025/05全市场） | 因子 | 年化收益率 | 年化波动率 | IR | 月度胜率 | 最大回撤 | |-----------------|------------|------------|------|----------|----------| | 估值偏离EPD | 17.52% | 10.00% | 1.75 | 70.65% | 8.93% | | 缓慢偏离EPDS | 16.25% | 5.72% | 2.84 | 78.80% | 3.10% | | 估值异常EPA | 17.23% | 5.11% | 3.37 | 80.98% | 3.12% |[8][12] **2025年5月单月表现**： - EPA因子多头组合收益3.88%，空头组合收益3.27%，多空对冲收益0.61%[15][17] --- 补充说明 - **测试范围**：全体A股（剔除北交所），5分组多空对冲[8][12] - **历史表现**：EPA因子在2010-2022年测试中RankIC均值0.061，RankICIR达4.75[7]

根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **封板率模型** - 构建思路：通过统计涨停股票的数量与最高价涨停股票数量的比值，反映市场情绪[16] - 具体构建过程： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月以上的股票，计算当日封板率[16] - 模型评价：能有效捕捉短期市场情绪波动，但对极端行情敏感度较低 2. **连板率模型** - 构建思路：衡量连续涨停股票的持续性[16] - 具体构建过程： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 同样基于上市满3个月的股票样本[16] - 模型评价：对市场热点延续性有较好指示作用 模型的回测效果 1. 封板率模型： - 当日封板率69%[16] - 近一个月封板率分位数：前日提升6%[16] 2. 连板率模型： - 当日连板率17%[16] - 近一个月连板率分位数：较前日下降13%[16] 量化因子与构建方式 1. **股指期货贴水因子** - 构建思路：通过主力合约年化贴水率反映市场预期[27] - 具体构建过程： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 计算上证50/沪深300/中证500/中证1000主力合约数据[27] - 因子评价：对市场风险偏好和套利成本有显著解释力 2. **大宗交易折价因子** - 构建思路：通过大宗交易折价率反映大资金动向[25] - 具体构建过程： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ 统计近半年日均折价率[25] - 因子评价：对机构资金流向有前瞻性指示作用 因子的回测效果 1. 股指期货贴水因子： - 上证50年化贴水率15.30%（近一年11%分位）[27] - 沪深300年化贴水率14.98%（近一年9%分位）[27] - 中证500年化贴水率18.26%（近一年12%分位）[27] - 中证1000年化贴水率24.11%（近一年7%分位）[27] 2. 大宗交易折价因子： - 近半年平均折价率5.51%[25] - 当日折价率3.15%[25]

量化模型与构建方式 1. **模型名称**：宏观+量价大小盘双驱轮动策略 **模型构建思路**：结合宏观经济层面和微观量价层面的因子，驱动大小盘风格轮动[6] **模型具体构建过程**： - 从宏观经济层面选取PMI季均差分、社融加权同比、货币流动性、中美利差等因子 - 从微观量价层面选取宏观调整动量、狭义风格拥挤度、广义大盘拥挤度等因子 - 各因子发出大盘信号时设为1，小盘信号时设为-1，无信号时设为0 - 综合分数大于0时全仓配置沪深300指数，小于0时全仓配置中证1000指数，等于0时等权配置沪深300和中证1000指数[7] **模型评价**：截至2025Q1，策略回测胜率为82.22%，模型有效性较高[6] 2. **模型名称**：宏观量价双驱价值成长风格轮动模型 **模型构建思路**：整合宏观经济和微观量价因子，驱动价值成长风格轮动[12] **模型具体构建过程**： - 宏观经济因子包括PMI新订单季均差分、PPI-CPI加权环比、1Y国债、3M美债水平等 - 微观量价因子包括宏观调整动量、风格拥挤度、市场情绪等 - 各因子发出价值信号时设为1，成长信号时设为-1，无信号时设为0 - 综合分数大于0时全仓配置国证价值指数，小于0时全仓配置国证成长指数，等于0时等权配置国证价值和国证成长指数[13] **模型评价**：截至2025Q1，策略回测胜率为77.78%，模型有效性较好[12] 3. **模型名称**：行业轮动复合因子策略 **模型构建思路**：基于行业历史基本面、预期基本面、情绪面、量价技术面、宏观经济等多维度因子构建复合策略[18] **模型具体构建过程**： - 对中信一级30个行业进行打分 - 选择排名前5的行业等权构建多头组合 - 相对等权基准计算超额收益[20] 4. **模型名称**：行业轮动单因子多策略 **模型构建思路**：基于单一因子多策略组合进行行业轮动[18] **模型具体构建过程**： - 对中信一级30个行业进行打分 - 选择排名靠前的行业等权构建多头组合 - 相对等权基准计算超额收益[20] 模型的回测效果 1. **宏观+量价大小盘双驱轮动策略** - 区间收益：-2.41% - 年化收益：-5.83% - 年化波动：17.17% - 最大回撤：10.49% - 夏普比率：-0.34 - 卡玛比率：-0.56[11] 2. **宏观量价双驱价值成长风格轮动模型** - 区间收益：1.79% - 年化收益：4.48% - 年化波动：18.06% - 最大回撤：10.36% - 夏普比率：0.25 - 卡玛比率：0.43[17] 3. **行业轮动复合因子策略** - 上个月绝对收益：2.43% - 上个月超额收益：-0.64% - 2025年绝对收益：4.81% - 2025年超额收益：3.98%[20] 4. **行业轮动单因子多策略** - 上个月绝对收益：3.31% - 上个月超额收益：0.33% - 2025年绝对收益：4.56% - 2025年超额收益：3.83%[20] 量化因子与构建方式 1. **因子名称**：大小盘风格轮动因子 **因子构建思路**：结合宏观经济和微观量价因子驱动大小盘风格轮动[6] **因子具体构建过程**： - 宏观经济因子：PMI季均差分、社融加权同比、货币流动性、中美利差 - 微观量价因子：宏观调整动量、狭义风格拥挤度、广义大盘拥挤度 - 各因子信号值为1（大盘）、-1（小盘）或0（无信号）[7] 2. **因子名称**：价值成长风格轮动因子 **因子构建思路**：结合宏观经济和微观量价因子驱动价值成长风格轮动[12] **因子具体构建过程**： - 宏观经济因子：PMI新订单季均差分、PPI-CPI加权环比、1Y国债、3M美债水平 - 微观量价因子：宏观调整动量、风格拥挤度、市场情绪 - 各因子信号值为1（价值）、-1（成长）或0（无信号）[13] 3. **因子名称**：行业轮动复合因子 **因子构建思路**：整合多维度因子对行业进行打分[18] **因子具体构建过程**： - 行业历史基本面、预期基本面、情绪面、量价技术面、宏观经济等维度因子 - 对中信一级30个行业进行综合打分[20] 4. **因子名称**：行业轮动单因子 **因子构建思路**：基于单一因子对行业进行打分[18] **因子具体构建过程**： - 对中信一级30个行业进行单一因子打分 - 选择排名靠前的行业构建组合[20] 因子的回测效果 1. **大小盘风格轮动因子** - 2025Q2综合分数：3（大盘信号）[6] - 2025Q1综合分数：3（大盘信号）[6] 2. **价值成长风格轮动因子** - 2025Q2综合分数：3（价值信号）[12] - 2025Q1综合分数：-5（成长信号）[12] 3. **行业轮动复合因子** - 6月推荐行业：非银行金融、医药、建材、基础化工、钢铁[20] 4. **行业轮动单因子** - 6月推荐行业：非银行金融、电子、银行[20]

根据研报内容，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. **模型名称：日行情GRU模型** - 构建思路：基于股票过去240个交易日的量价信息预测次月收益率[15] - 具体构建过程： - 输入数据：开盘价、最高价、最低价、收盘价、成交量、成交额、换手率（7个字段） - 数据标准化：对每个字段的240个值进行z-score标准化[16] - 预测目标：截面标准化的次月收益率（月初开盘价至月末收盘价） - 训练方式：滚动6年样本，按4:1划分训练集/验证集，连续10轮早停训练[16] - 模型评价：超额收益稳定，但2024年后表现有所减弱[19] 2. **模型名称：日行情+基本面GRU模型** - 构建思路：在日行情模型基础上拼接20个财务指标TTM值[25] - 具体构建过程： - 财务数据处理：直接使用最新季报TTM值拼接至量价矩阵[26] - 输入矩阵标准化后输入GRU网络[26] - 模型评价：2022年前表现与基准相近，2023年后显著弱于纯量价模型[34] 3. **模型名称：日行情+调整基本面GRU模型** - 构建思路：对财务指标进行日频化处理以解决数据频率不匹配问题[35] - 具体构建过程： - 调整公式： $$\mathrm{DFTTM}_{\mathrm{q1}}={\frac{\mathrm{FactorTTM}_{\mathrm{q1}}-\mathrm{FactorTTM}_{\mathrm{q0}}}{a b s\big(\mathrm{FactorTTM}_{\mathrm{q0}}\big)}}$$ $$Factort = FactorTTMq + abs(FactorTTMq ) ( 90 1)$$[36] - 按财报期增速每日调整TTM值[36] - 模型评价：2022年前表现显著增强，2023年后仍弱于基准[42] 4. **模型名称：barra5d+日行情+精简基本面GRU模型** - 构建思路：混频模型结合长期预测（日行情）与短期预测（分钟数据）能力[65] - 具体构建过程： - 分钟数据模型输入：日内240分钟数据预测未来5日收益率[56] - 精简基本面：仅保留净利润TTM和市值因子[45] - 模型叠加：相关性较低的两类GRU模型输出加权组合[65] - 模型评价：解决单一模型周期性问题，年度超额分布更均匀[80] 模型的回测效果 1. **日行情GRU模型** - 年化超额收益：8.75% - 信息比率(IR)：2.25 - 最大回撤：4.71%[23] 2. **日行情+基本面GRU模型** - 年化超额收益：6.86% - 信息比率(IR)：1.46 - 最大回撤：6.14%[33] 3. **日行情+调整基本面GRU模型** - 年化超额收益：7.76% - 信息比率(IR)：1.65 - 最大回撤：5.40%[44] 4. **barra5d+日行情+精简基本面GRU模型** - 中证1000增强组合： - 年化超额收益：11.82% - 信息比率(IR)：2.39 - 最大回撤：5.70%[78] - 其他指数增强表现： - 沪深300年化超额：5.70%[82] - 中证500年化超额：6.46%[86] - 科创综指年化超额：6.28%[88] 关键创新点 - 财务数据日频化处理通过增速平滑实现[36] - 混频模型有效结合不同时间尺度预测能力（分钟级+日级）[65] - 精简基本面因子可提升模型稳定性（净利润TTM+市值）[45]

量化模型与构建方式 1. GRU基准模型 - **模型名称**：日行情GRU因子[3] - **构建思路**：基于股票过去240个交易日的量价信息（开盘价、最高价、最低价、收盘价、成交量、成交额、换手率）预测次月收益率[15][16] - **具体构建过程**： 1. 输入数据标准化：对每个字段的240个历史值进行z-score标准化[16] 2. 预测目标：截面标准化的次月收益率（月初开盘价至月末收盘价）[16] 3. 训练方式：滚动6年样本，按4:1划分训练集/验证集，早停机制（连续10轮损失未下降）[16] 4. 组合构建参数：中证1000成分股80%、个股权重偏离1%、行业偏离1%、月频调仓[18] - **模型评价**：量价信息挖掘能力稳定，但财务信息融合需优化[14] 2. 财务信息增强模型 - **模型名称**：日行情+基本面GRU因子[26] - **构建思路**：在基准模型基础上拼接20个财务指标TTM值（如净利润、营业收入等）[24][25] - **具体构建过程**： 1. 财务数据日频化调整公式： $$\mathrm{DFTTM}_{\mathrm{q1}}={\frac{\mathrm{FactorTTM}_{\mathrm{q1}}-\mathrm{FactorTTM}_{\mathrm{q0}}}{a b s\big(\mathrm{FactorTTM}_{\mathrm{q0}}\big)}}$$ $$\mathrm{Factort} = \mathrm{FactorTTMq} + \mathrm{abs}(\mathrm{FactorTTMq}) \times \left(\frac{\mathrm{DFTTM}_{\mathrm{q1}}}{90}\right)$$[36] 2. 精简后保留核心指标：净利润TTM+市值因子[45] - **模型评价**：2022年前财务信息提升显著，2023年后量价因子主导[44][45] 3. 混频融合模型 - **模型名称**：barra5d+日行情+精简基本面GRU[55][73] - **构建思路**：结合分钟级barra5d模型（预测未来5日收益）与日行情GRU模型[56][65] - **具体构建过程**： 1. barra5d模型：基于240分钟数据预测风格中性化后的5日收益率[56] 2. 混频叠加：通过低相关性组合提升稳定性（日行情GRU与barra5d相关性0.23）[55][65] - **模型评价**：解决单一频率模型周期局限性，2024年后表现显著改善[73][79] --- 模型回测效果 1. 日行情GRU因子 - 年化超额收益：8.75% - 信息比率(IR)：2.25 - 最大回撤：4.71% - 分年度超额收益：2020年7.88%、2021年7.54%、2022年12.35%[20][23] 2. 日行情+调整基本面GRU因子 - 年化超额收益：7.76% - 信息比率(IR)：1.65 - 最大回撤：5.40% - 分年度超额收益：2020年14.69%、2021年7.59%[42][44] 3. barra5d+日行情+精简基本面GRU - 年化超额收益：11.82%（中证1000） - 信息比率(IR)：2.39 - 最大回撤：5.70% - 其他指数增强表现： - 沪深300增强年化超额5.70%[82] - 中证500增强年化超额6.46%[86] - 科创综指增强年化超额6.28%[88]

根据提供的研报内容，以下是量化模型和因子的总结： 量化因子与构建方式 1. **因子名称：RSI相对强弱指标** - 因子构建思路：用于衡量市场超买或超卖状态[3] - 因子具体构建过程： $$RSI = 100 - \frac{100}{1 + RS}$$ 其中，RS为一定周期（12天）内平均涨幅与平均跌幅的比值。RSI>70为超买状态，RSI<30为超卖状态[3] 2. **因子名称：日内行情趋势** - 因子构建思路：基于5分钟级别的日内成交价分析短期趋势[3] - 因子具体构建过程：采用红点标记当日最高价和最低价，形成趋势图（注：部分分时数据可能存在缺失）[3] 3. **因子名称：净申购金额** - 因子构建思路：反映资金流入流出动态[3] - 因子具体构建过程： $$NETBUY(T) = NAV(T) - NAV(T-1) \times (1+R(T))$$ 其中NAV为ETF净值，R(T)为收益率[3] 因子回测效果 （注：原文未提供具体的因子测试指标值，仅展示原始数据取值） 1. **RSI因子** - 华泰柏瑞沪深300ETF取值53.64[5] - 南方中证500ETF取值55.99[5] - 华夏上证科创板50ETF取值47.08[5] 2. **净申购因子** - 华泰柏瑞沪深300ETF取值-2.29亿元[5] - 易方达创业板ETF取值-6.80亿元[5] - 嘉实上证科创板芯片ETF取值4.96亿元[5] 其他量化指标 1. **机构持仓占比** - 华夏沪深300ETF取值91.03%[5] - 华泰柏瑞中证光伏产业ETF取值35.29%[5] - 易方达中证海外互联ETF取值19.00%[5] 2. **管理费率** - 宽基ETF普遍为0.15%-0.50%[5] - 美股相关ETF较高（如博时标普500ETF为0.60%）[5] 注：研报中未提及完整的量化模型构建及评价内容，主要展示ETF跟踪数据与基础因子应用[3][5]

量化模型与构建方式 1. **模型名称：股指分红点位测算模型** - **模型构建思路**：通过精细化处理指数成分股的分红数据，准确预测股指期货合约的升贴水情况[11][36] - **模型具体构建过程**： 1. **成分股权重计算**：采用中证指数公司每日披露的日度收盘权重数据，确保权重准确性[44] 2. **分红金额预测**：若公司已公布分红金额，直接采用；否则通过净利润×股息支付率估算[45] $$分红金额 = 净利润 \times 股息支付率$$ 3. **净利润预测**： - 已公布年报/快报/业绩预告的公司，直接采用数据[47] - 未披露的公司，基于历史净利润分布动态预测（分稳定/不稳定两类）[48] 4. **股息支付率预测**： - 去年分红则沿用去年值；去年不分红则取近3年平均；从未分红则默认不分红[51] 5. **除息日预测**： - 已公布则直接采用；未公布则根据预案/决案阶段历史间隔天数线性外推或默认日期（7月31日/8月31日/9月30日）[54] 6. **分红点数计算**： $$分红点数 = \sum_{n=1}^{N} \left( \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价 \right)$$ 要求除息日满足 \( t < \text{除息日} \leq T \)（期货合约到期日）[36] - **模型评价**：对上证50和沪深300指数预测准确度高（误差约5点），中证500稍大（约10点）[59] 2. **模型名称：股指期货升贴水监控模型** - **模型构建思路**：跟踪扣除分红影响后的期货合约基差，反映市场情绪与风险偏好[11] - **模型具体构建过程**： 1. **含分红价差计算**： $$含分红价差 = 合约收盘价 - 指数收盘价 + 分红点数$$ 2. **年化升贴水计算**： $$年化升贴水 = \left( \frac{含分红价差}{指数收盘价} \right) \times \left( \frac{365}{到期天数} \right) \times 100\%$$ 示例：IH2506合约年化升水1.28%，IM2506合约年化贴水19.26%[12] --- 量化因子与构建方式 1. **因子名称：股息率因子** - **因子构建思路**：通过行业股息率比较，识别高分红板块[2][14] - **因子具体构建过程**： $$股息率 = \frac{预案分红金额}{当前总市值} \times 100\%$$ 统计各行业已公布分红预案股票的股息率中位数，煤炭、银行、钢铁行业排名前三[14] 2. **因子名称：剩余股息率因子** - **因子构建思路**：衡量指数未来潜在分红收益[3][16] - **因子具体构建过程**： $$剩余股息率 = \sum_{未分红公司} \left( \frac{预测分红金额}{总市值} \times 权重 \right)$$ 截至2025年6月4日，上证50剩余股息率2.17%，中证1000为0.69%[16] --- 模型的回测效果 1. **股指分红点位测算模型** - **预测误差**：上证50/沪深300误差约5点，中证500约10点[59] - **历史分位点**：IH主力合约基差处于历史52%分位，IM主力合约处于11%分位[27] 2. **股指期货升贴水监控模型** - **年化升贴水值**： - IH2506：1.28%升水 - IF2506：-3.75%贴水 - IC2506：-10.85%贴水 - IM2506：-19.26%贴水[12] --- 因子的回测效果 1. **股息率因子** - **行业排名**：煤炭（6.2%）、银行（5.8%）、钢铁（4.5%）股息率中位数最高[14] 2. **剩余股息率因子** - **指数取值**： - 上证50：2.17% - 沪深300：1.69% - 中证500：0.99% - 中证1000：0.69%[16]

根据提供的金融工程日报内容，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：封板率因子** - 构建思路：通过统计涨停股票的封板情况来反映市场情绪强度[16] - 具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 筛选上市满3个月的股票，计算当日最高价涨停且收盘仍涨停的比例[16] - 因子评价：高频情绪指标，对短期动量策略有参考价值 2. **因子名称：连板率因子** - 构建思路：衡量涨停股票的持续性[16] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 需满足上市满3个月条件，计算连续涨停比例[16] - 因子评价：反映市场投机热度，需结合其他风控指标使用 3. **因子名称：股指期货贴水率因子** - 构建思路：利用期货与现货价差捕捉市场预期[28] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格}×\frac{250}{合约剩余交易日数}$$ 分别计算上证50、沪深300、中证500、中证1000主力合约年化贴水率[28] - 因子评价：对冲成本指标，极端值隐含市场反转信号 4. **因子名称：大宗交易折价率因子** - 构建思路：通过大额交易折价水平反映机构情绪[26] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额总市值}-1$$ 统计单日所有大宗交易成交价与市价的加权偏离度[26] 因子回测效果 1. **封板率因子** - 当日取值：64%（较前日下降7%）[16] - 近一月分位数：未披露具体分位 2. **连板率因子** - 当日取值：30%（较前日下降2%）[16] - 近一月分位数：未披露具体分位 3. **股指期货贴水率因子** - 上证50：年化贴水率13.34%（近一年13%分位）[28] - 沪深300：年化贴水率14.19%（近一年9%分位）[28] - 中证500：年化贴水率18.23%（近一年13%分位）[28] - 中证1000：年化贴水率23.53%（近一年8%分位）[28] 4. **大宗交易折价率因子** - 当日取值：7.33%[26] - 近半年均值：5.54%[26] 注：报告中未涉及量化模型的构建与测试，仅包含市场监测类因子。所有因子数据均基于20250604时点最新值[16][26][28]

量化模型与构建方式 1. **模型名称**：大小盘轮动模型 - **模型构建思路**：基于宏观经济、市场状态和微观特征三个维度构建多层次的风格轮动框架，通过事件驱动法和统计后验筛选宏观因子，结合市场情绪和微观交易信号判断大小盘风格偏好[33][36] - **模型具体构建过程**： 1. **宏观经济维度**：从经济增长、消费、货币、利率、汇率和地产六个维度选取宏观因子（如固定资产投资完成额累计同比、PMI、信用利差等），定义5种事件模式（历史高低位、边际变化、超预期、创新高/新低），通过事件研究法筛选有效信号[36] 2. **市场状态维度**：计算中证全指的月涨跌幅、换手率、波动率、ERP/BP/DRP等指标，结合中证红利月超额收益，分析市场情绪与风格关系[36] 3. **微观特征维度**：从业绩变化（如未预期毛利）、资金趋向（大单买入强度）和交易情绪（改进反转、换手率）构建动量类因子，通过相对位置比较生成信号[36] - **模型评价**：逻辑清晰且可量化，历史表现稳定，但需警惕市场风格突变风险[36] 2. **模型名称**：价值成长轮动模型 - **模型构建思路**：与大小盘模型框架一致，但在因子选取上侧重价值/成长风格的分化驱动因素（如PPI-CPI剪刀差、M1/M2同比、国债收益率等）[32][36] - **模型具体构建过程**： 1. **宏观经济维度**：选取PPI-CPI剪刀差、M1/M2同比、国债收益率等指标，通过事件模式判断价值/成长偏好（如PPI-CPI低位指向成长风格）[32] 2. **市场状态维度**：使用中证全指换手率、波动率及中证红利超额收益等指标，结合均衡估值信号判断风格切换[32] 3. **微观特征维度**：通过换手率标准差、月涨跌幅等交易类因子捕捉资金流向[32] --- 模型的回测效果 1. **大小盘轮动模型** - 年化超额收益：11.08%（汇总）[18] - IR：1.40（汇总）[18] - 超额月胜率：64.43%（汇总）[18] - 分年度表现（示例）： - 2015年超额收益62.95%，IR 4.60[18] - 2024年超额收益-20.37%，IR -1.60[18] 2. **价值成长轮动模型** - 年化超额收益：18.73%（汇总）[23] - IR：2.02（汇总）[23] - 超额月胜率：70.47%（汇总）[23] - 分年度表现（示例）： - 2021年超额收益47.65%，IR 3.96[23] - 2018年超额收益18.34%，IR 2.51[23] --- 量化因子与构建方式 1. **因子名称**：宏观经济事件因子（如PPI-CPI剪刀差） - **因子构建思路**：通过宏观指标的事件模式（如创新低、边际改善）生成风格信号[36] - **因子具体构建过程**： - 定义事件阈值（如历史分位数、环比变化），触发事件后统计未来一个月风格收益显著性[36] 2. **因子名称**：市场状态因子（如中证全指月换手率） - **因子构建思路**：捕捉市场情绪对风格的短期影响[36] - **因子具体构建过程**： - 计算标准化换手率$$ \text{Turnover}_t = \frac{\text{Volume}_t}{\text{MarketCap}_t} $$，结合历史分位数判断交易热度[36] 3. **因子名称**：微观动量因子（如20日改进反转） - **因子构建思路**：利用价格和交易量动量效应预测风格延续性[29][36] - **因子具体构建过程**： - 改进反转公式：$$ R_{t-20,t} = \frac{P_t}{P_{t-20}} - 1 $$，结合波动率调整权重[29] --- 因子的回测效果 （注：报告中未单独列出因子级回测指标，仅展示模型综合效果）