证券研究报告：金融工程报告 2025 年 2 月 22 日 《扩散指数有高位回调风险 ——微盘 股指数周报 20250216》 - 2025.02.17 《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，微盘股高胜率月份即 将到来 — — 微 盘 股 指 数 周 报 20250126》 - 2025.01.26 《基金 Q4 加仓非银商贸银行，减仓有 色医药电子——公募基金 2024Q4 季报 点评》 - 2025.01.24 《"春节效应"将至，市场即将企稳回升 ——微盘股指数周报 20250119》 ...

量化模型与构建方式 1. **模型名称**：GRU模型（包括open1d/close1d/barra1d/barra5d） - **模型构建思路**：基于门控循环单元（GRU）神经网络构建，用于捕捉股票价格序列的时序特征，生成多空信号[7][33] - **模型具体构建过程**： 1. 输入层：股票的历史价格序列（如开盘价、收盘价或Barra风格因子数据） 2. GRU层：通过门控机制学习时序依赖关系，公式为： $$r_t = \sigma(W_r \cdot [h_{t-1}, x_t])$$ $$z_t = \sigma(W_z \cdot [h_{t-1}, x_t])$$ $$\tilde{h}_t = \tanh(W \cdot [r_t \odot h_{t-1}, x_t])$$ $$h_t = (1-z_t) \odot h_{t-1} + z_t \odot \tilde{h}_t$$ 3. 输出层：生成未来1日或5日的价格预测信号[33] - **模型评价**：对市场风格切换敏感，close1d模型在中证1000股池表现较稳定[7][33] 2. **模型名称**：多因子模型 - **模型构建思路**：结合基本面与技术面因子，通过加权合成选股信号[33] - **模型具体构建过程**： 1. 因子标准化：对估值、动量等因子进行Z-score标准化 2. 行业中性化：对因子值进行行业市值加权调整 3. 组合优化：约束行业偏离≤0.01、风格偏离≤0.5标准差，个股权重上限0.2%[33] 量化因子与构建方式 1. **因子名称**：Barra风格因子（Beta/市值/动量/波动/估值等） - **因子构建思路**：基于经典Barra框架，捕捉市场风险溢价来源[12][13] - **因子具体构建过程**： - **动量因子**：计算历史超额收益率序列均值 - **波动因子**：复合计算方式 $$0.74 \times \text{历史超额收益波动率} + 0.16 \times \text{累积超额收益离差} + 0.1 \times \text{残差收益波动率}$$ - **流动性因子**：换手率加权组合 $$0.35 \times \text{月换手} + 0.35 \times \text{季换手} + 0.3 \times \text{年换手}$$[13] - **因子评价**：Beta和动量因子近期多空收益显著，市值因子持续负向[16] 2. **因子名称**：技术类因子（20日/60日/120日动量/波动） - **因子构建思路**：通过不同时间窗口捕捉价格波动特征[20][23][27] - **因子具体构建过程**： - **动量类**：计算过去N日收益率（20/60/120日） - **波动类**：计算过去N日收益率标准差[23][27] 3. **因子名称**：基本面因子（ROA/ROE/营业利润率等） - **因子构建思路**：基于财务指标分析企业盈利能力[20][26] - **因子具体构建过程**： - **超预期增长因子**：分析师预测与实际增长的差值标准化[20] - **静态财务因子**：采用TTM方式计算财务比率[17] 模型的回测效果 1. **GRU模型**： - 近一周超额收益：close1d（0.91%）、barra1d（-0.22%） - 今年以来IR：close1d（2.24%）、多因子（-2.30%）[35] 2. **多因子模型**： - 近六月超额收益：-2.04%（中证1000基准）[35] 因子的回测效果 1. **Barra风格因子**： - Beta因子：近一周多空收益6.99%，三年年化17.54%[16] - 市值因子：近一月收益-49.96%，五年年化-32.12%[16] 2. **技术类因子**： - 中证1000股池：20日波动因子近一周收益5.57%，五年年化-17.30%[32] - 沪深300股池：120日动量因子三年年化-6.23%[23] 3. **基本面因子**： - 全市场：营业利润超预期增长因子近一周收益40.43%[20] - 中证500：ROA增长因子五年年化2.58%[27]

量化模型与构建方式 1. **模型名称：扩散指数模型** - **模型构建思路**：通过监测微盘股指数成分股的扩散指数变化，判断市场趋势，给出交易信号[7] - **模型具体构建过程**：扩散指数的计算基于微盘股指数成分股的股价变化，横轴代表未来N天股价相对现在的折价幅度，纵轴代表回顾过去窗口期的长度T天或未来N天。扩散指数的值通过以下公式计算： $$扩散指数 = \frac{上涨股票数量}{总股票数量}$$ 当扩散指数触顶回落时，模型给出空仓信号[40] - **模型评价**：该模型能够有效捕捉市场趋势变化，但需注意成分股每日更新对扩散指数的影响[40] 2. **模型名称：首次阈值法（左侧交易）** - **模型构建思路**：通过设定阈值，当扩散指数达到特定值时，触发交易信号[44] - **模型具体构建过程**：首次阈值法于2025年2月10日收盘收0.925触发空仓信号[44] 3. **模型名称：延迟阈值法（右侧交易）** - **模型构建思路**：在首次阈值法的基础上，延迟触发交易信号，以减少误判[49] - **模型具体构建过程**：延迟阈值法于2025年2月19日收盘给予空仓信号[49] 4. **模型名称：双均线法（自适应交易）** - **模型构建思路**：通过双均线的交叉判断市场趋势，自适应调整交易策略[50] - **模型具体构建过程**：双均线法于2025年1月24日收盘给予开仓信号[50] 模型的回测效果 1. **扩散指数模型**，扩散指数当前值0.828[40] 2. **首次阈值法**，触发空仓信号阈值0.925[44] 3. **延迟阈值法**，触发空仓信号阈值0.925[49] 4. **双均线法**，触发开仓信号[50] 量化因子与构建方式 1. **因子名称：未复权股价因子** - **因子构建思路**：通过未复权股价的变化，捕捉股票的价格波动[6] - **因子具体构建过程**：未复权股价因子本周rankic为0.261，历史平均为-0.015[6] 2. **因子名称：贝塔因子** - **因子构建思路**：通过贝塔值衡量股票相对于市场的波动性[6] - **因子具体构建过程**：贝塔因子本周rankic为0.26，历史平均为0.007[6] 3. **因子名称：非流动性因子** - **因子构建思路**：通过非流动性指标衡量股票的流动性风险[6] - **因子具体构建过程**：非流动性因子本周rankic为0.213，历史平均为0.039[6] 4. **因子名称：pe_ttm倒数因子** - **因子构建思路**：通过市盈率的倒数衡量股票的估值水平[6] - **因子具体构建过程**：pe_ttm倒数因子本周rankic为0.113，历史平均为0.018[6] 5. **因子名称：成长因子** - **因子构建思路**：通过成长性指标衡量股票的成长潜力[6] - **因子具体构建过程**：成长因子本周rankic为0.111，历史平均为-0.004[6] 6. **因子名称：自由流通比例因子** - **因子构建思路**：通过自由流通比例衡量股票的流通性[6] - **因子具体构建过程**：自由流通比例因子本周rankic为-0.172，历史平均为-0.012[6] 7. **因子名称：流动性因子** - **因子构建思路**：通过流动性指标衡量股票的流动性[6] - **因子具体构建过程**：流动性因子本周rankic为-0.12，历史平均为-0.038[6] 8. **因子名称：成交额因子** - **因子构建思路**：通过成交额衡量股票的交易活跃度[6] - **因子具体构建过程**：成交额因子本周rankic为-0.114，历史平均为-0.081[6] 9. **因子名称：标准化预期盈利因子** - **因子构建思路**：通过标准化预期盈利衡量股票的盈利预期[6] - **因子具体构建过程**：标准化预期盈利因子本周rankic为-0.107，历史平均为0.014[6] 10. **因子名称：杠杆因子** - **因子构建思路**：通过杠杆指标衡量股票的财务风险[6] - **因子具体构建过程**：杠杆因子本周rankic为-0.102，历史平均为-0.007[6] 因子的回测效果 1. **未复权股价因子**，本周rankic为0.261，历史平均为-0.015[6] 2. **贝塔因子**，本周rankic为0.26，历史平均为0.007[6] 3. **非流动性因子**，本周rankic为0.213，历史平均为0.039[6] 4. **pe_ttm倒数因子**，本周rankic为0.113，历史平均为0.018[6] 5. **成长因子**，本周rankic为0.111，历史平均为-0.004[6] 6. **自由流通比例因子**，本周rankic为-0.172，历史平均为-0.012[6] 7. **流动性因子**，本周rankic为-0.12，历史平均为-0.038[6] 8. **成交额因子**，本周rankic为-0.114，历史平均为-0.081[6] 9. **标准化预期盈利因子**，本周rankic为-0.107，历史平均为0.014[6] 10. **杠杆因子**，本周rankic为-0.102，历史平均为-0.007[6]

联系人：黄雯瑜 邮箱：huangwenyu@gyzq.com.cn 电话：021-51097188 2025年2月24日 金融工程与基金研究 证券研究报告 A股外资流出压力减小，南向资金净流入超500亿港元 ——(2025.2.17-2025.2.23)微观流动性观察 分析师: 朱定豪 SAC执业资格证书编码: S0020521120002 邮箱：zhudinghao@gyzq.com.cn 资金观测体系 报告要点 交易印花税 融资成本 产业资本 IPO 可转债 再融资 资金供给 股市 资金需求 散户资金 杠杆资金 私募基金 公募资金 保险资金 资管类产品 外资 情绪面 01 02 03 请务必阅读正文之后的免责条款部分 3 1 市场情绪观察 请务必阅读正文之后的免责条款部分 4 1.1 市场活跃度与估值分位数 市场情绪观察 请务必阅读正文之后的免责条款部分 2 风险提示：市场结构及交易行为不确定性；股市资金面超预期变化；微观流动性对股价变动预测能力有限；本文基于客观数据分析，不构成投资建议 1. 本周整体市场估值继续边际回升，沪深300、创业板相对估值较低。 2. 本周市场交易活跃度持续上升，全A日均成交额 ...

量化因子与构建方式 1. 因子名称：市场同质化指标 - **因子的构建思路**：用于衡量一段时间内各板块在日频的不同周期上是否存在同涨同跌的趋势，反映市场同向变动的风险[26] - **因子具体构建过程**： 1. 通过对各板块的日频数据进行分析，计算其在不同周期内的同涨同跌趋势 2. 将结果标准化为一个风险类指标，数值越大表示市场同向变动风险越高 3. 该指标用于指导投资者控制仓位的整体净杠杆，避免单方向上过多单边暴露[26] - **因子评价**：该因子能够有效反映市场的同向变动风险，具有较强的风险预警功能[26] 2. 因子名称：趋势度（Efficiency Ratio, ER） - **因子的构建思路**：基于一段时间的价格变动和期间的总价格波动数值，计算趋势强度，数值范围为0~100，数值越大表示趋势越明显[27] - **因子具体构建过程**： 1. 收集一段时间内的价格数据 2. 计算期间的价格变动总量和总波动量 3. 使用Efficiency Ratio公式进行标准化处理，得出趋势度指标[27] - **因子评价**：该因子能够直观反映市场趋势的强弱，适合用于趋势分析和择时决策[27] 3. 因子名称：波动率指标（基于Yang-Zhang算法） - **因子的构建思路**：综合考虑日收盘价变化、开盘跳空和日内价格范围的信息，提供更准确和全面的波动率估计[47] - **因子具体构建过程**： 1. 收集日内价格数据，包括开盘价、收盘价、最高价和最低价 2. 使用Yang-Zhang波动率算法，结合开盘跳空和日内价格范围，计算波动率 3. 将结果用于波动率锥的绘制，分析不同周期下的波动率水平[47][50] - **因子评价**：相比传统的close-to-close波动率，该因子更全面，能够更好地捕捉市场波动特征[47] --- 因子的回测效果 1. 市场同质化指标 - **近期表现**：本周市场同质化变动指数明显回升，表明市场同向变动风险增加[20][26] 2. 趋势度（Efficiency Ratio, ER） - **近期表现**： - 本周市场整体趋势度大幅降低，农产品、有色和贵金属板块的趋势度跌幅最大，均超过-40 - 黑色和金属板块的趋势度最低，接近0，为历史低值水平[13][28] 3. 波动率指标（基于Yang-Zhang算法） - **近期表现**： - 本周市场整体中短期波动率降幅明显，各板块波动率均下降约-2% - 当前市场整体波动水平维持在历史低位[15][49]

根据提供的文档内容，没有涉及到量化模型或量化因子的具体构建、公式、测试结果等相关内容，因此无法提取出符合任务要求的总结内容

量化模型与构建方式 量化因子与构建方式 1. **因子名称**：成长因子 **因子的构建思路**：通过衡量企业成长性指标（如净利润、营业收入等）来捕捉高成长性股票的超额收益[32][33] **因子具体构建过程**： - 选取成长性相关指标，如单季度ROA同比差值（$roa\_q\_delta\_report$）、单季度净利润同比增速（$yoy\_np\_q$）、营业收入同比增速（$yoy\_or$）等[33][34] - 对因子进行市值、行业中性化处理，剔除规模和行业的影响[32][33] - 计算因子多头组合的超额收益，验证因子有效性[33][34] **因子评价**：成长因子在不同市值范围内均表现较好，尤其在小市值股票中超额收益更高[32][34] 2. **因子名称**：分析师一致预测因子 **因子的构建思路**：利用分析师对企业未来盈利的预测数据，捕捉市场预期变化带来的超额收益[32][33] **因子具体构建过程**： - 选取一致预期净利润增速（$yoy\_est\_np$）、一致预测净利润FY3增长率（$np\_growth\_fy3$）等指标[33][34] - 对因子进行市值、行业中性化处理[32][33] - 计算因子多头组合的超额收益，验证因子有效性[33][34] **因子评价**：分析师一致预测因子在不同宽基指数中均表现较好，尤其在小市值股票中超额收益更高[32][34] 3. **因子名称**：资金流因子 **因子的构建思路**：通过监控市场中北向资金、大单资金等资金流动情况，捕捉资金流入流出的行业和个股的超额收益[22][25] **因子具体构建过程**： - 定义融资融券资金因子：对融资净买入-融券净卖出进行Barra市值因子中性化处理，取最近50日均值后的两周环比变化率[25] - 定义主动大单资金因子：对行业最近一年成交量时序中性化后的净流入排序，取最近10日均值[25] - 将主动大单因子与融资融券因子结合，剔除极端多头行业和大金融板块，构建资金流共振策略[25] **因子评价**：资金流因子表现稳定，北向-大单共振策略年化超额收益16.8%，信息比率1.7[22][25] --- 因子的回测效果 1. **成长因子** - 单季度ROA同比差值（$roa\_q\_delta\_report$）：近一周多头超额收益1.22%，近一年多头超额收益15.09%[33] - 单季度净利润同比增速（$yoy\_np\_q$）：近一周多头超额收益1.18%，近一年多头超额收益14.82%[33] - 营业收入同比增速（$yoy\_or$）：在沪深300、中证500、中证1000、国证2000中的多头超额收益分别为2.03%、2.41%、2.76%、2.19%[35] 2. **分析师一致预测因子** - 一致预期净利润增速（$yoy\_est\_np$）：近一周多头超额收益1.06%，近一年多头超额收益11.68%[33] - 一致预测净利润FY3增长率（$np\_growth\_fy3$）：在沪深300、中证500、中证1000、国证2000中的多头超额收益分别为2.71%、2.78%、0.35%、0.02%[35] 3. **资金流因子** - 北向-大单共振策略：2018年以来年化超额收益16.8%，信息比率1.7[22][25] - 融资-主动大单共振策略：2018年以来年化超额收益13.5%，信息比率1.7[25] --- 量化组合与构建方式 1. **模型名称**：基于研报覆盖度调整的指数增强模型 **模型构建思路**：根据研报覆盖度的高低，分别选用适配因子进行指数增强[36] **模型具体构建过程**： - 将沪深300、中证500、中证1000宽基指数按研报覆盖度划分为高覆盖度域和低覆盖度域[36] - 在高覆盖度域内选用分析师一致预测因子，在低覆盖度域内选用成长因子[36] - 构建增强组合并进行回测[36] **模型评价**：模型在不同宽基指数中表现分化，沪深300增强组合表现较好，中证500和中证1000增强组合表现相对较弱[36] --- 模型的回测效果 1. **基于研报覆盖度调整的指数增强模型** - 沪深300增强组合：上周超额收益-0.40%，本年超额收益3.01%，超额年化收益率11.39%，超额Sharpe 2.02[36] - 中证500增强组合：上周超额收益0.01%，本年超额收益-3.45%，超额年化收益率12.62%，超额Sharpe 2.61[36] - 中证1000增强组合：上周超额收益1.09%，本年超额收益-3.52%，超额年化收益率13.56%，超额Sharpe 2.17[36]

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，从而通过EPS和PE的“双击”效应获取收益[1][7] - **模型具体构建过程**： 1. 选取盈利持续增长的股票，重点关注业绩增速加速增长的标的 2. 使用PEG指标评估股票定价的合理性，确保盈利增速较高的公司享受更高估值 3. 在低PE时买入，待成长性显现后卖出[7] - **模型评价**：该策略在回测期内表现出较高的稳定性，每个年度的超额收益均超过11%，具有较强的收益能力和稳定性[8] 2. 模型名称：净利润断层策略 - **模型构建思路**：结合基本面和技术面，通过“净利润惊喜”和“盈余公告后股价跳空”两个核心特征筛选股票[2][12] - **模型具体构建过程**： 1. 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 2. 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[12] - **模型评价**：该策略通过基本面与技术面的共振，能够有效捕捉市场对盈余报告的认可程度，表现出较高的收益能力[15] 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因子筛选股票[3][17] - **模型具体构建过程**： 1. **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 2. **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 3. **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 4. **价值型因子**：筛选具有长期稳定高ROE的公司[17] - **模型评价**：该策略基于多因子构建，历史回测显示超额收益稳定，能够较好地捕捉投资者偏好[18] --- 模型的回测效果 1. 戴维斯双击策略 - 年化收益：26.45%[8] - 年化超额收益：21.08%[8] - 今年累计绝对收益：11.50%[8] - 今年超额收益：5.71%[8] - 本周超额收益：4.58%[8] - 全样本IR：1.08[9] 2. 净利润断层策略 - 年化收益：28.66%[15] - 年化超额收益：26.63%[15] - 今年累计绝对收益：9.59%[15] - 今年超额收益：3.80%[15] - 本周超额收益：2.28%[15] - 全样本IR：0.72[14] 3. 沪深300增强组合 - 年化收益：9.03%[18] - 年化超额收益：8.30%[18] - 今年累计绝对收益：-0.70%[18] - 今年超额收益：-1.81%[18] - 本月超额收益：-4.52%[18] - 全样本IR：0.90[18]

量化模型与构建方式 动量分解模型 1. **模型名称**：动量分解模型 2. **模型构建思路**：将标准动量按该时期的最高价进行拆分，分解为HTP和PTH两部分[8] 3. **模型具体构建过程**： - 将标准动量按该时期的最高价进行拆分，公式如下： $$ HTP = \ln \left( \frac{h_t}{h_0} \right) $$ $$ PTH = \ln \left( \frac{1}{h_t} \right) $$ 其中，$h_t$表示该时期的最高价，$h_0$表示初始价格[8] 4. **模型评价**：基于HTP的多空策略由于没有将市场低迷期的极端亏损股票分配到其空头头寸，避免了崩盘。与标准动量策略相比，基于HTP的多空收益具有更高的夏普比率，呈正偏态，且不依赖于市场状态[8] 小波分解模型 1. **模型名称**：小波分解模型 2. **模型构建思路**：利用小波分解技术，将波动率分解为不同频率的成分，研究技术指标和宏观经济预测指标在预测波动率时的不同频率特性[9] 3. **模型具体构建过程**： - 使用小波分解技术，将已实现波动率（RV）分解为不同频率的成分 - 研究技术指标和宏观经济预测指标在不同频率下对RV的预测表现 - 组合来自不同频率成分的信息以提高预测的准确性 - 采用经济动机约束的组合预测方法[9] 4. **模型评价**：技术指标捕获了RV的短期信息，宏观经济预测指标捕获了长期信息，两者具有互补性。组合预测表现优于单一预测方法[9] 分析师一致预期目标价离散度模型 1. **模型名称**：分析师一致预期目标价离散度模型 2. **模型构建思路**：研究一致预期目标价的离散度如何影响一致预期目前价对未来收益的预测[11] 3. **模型具体构建过程**： - 分析一致预期目标价的离散度 - 研究离散度较低和较高情况下，一致预期目标价的预测收益率与实际收益率的关系 - 进一步分析离散度不同的影响来源，特别是部分分析师在坏消息传出后的滞后调整[11] 4. **模型评价**：离散度较低时，一致预期目标价的预测收益率与实际收益率呈正相关；离散度较高时，两者负相关。高离散度股票中，一致预期目标价预测收益与实际收益负相关的关系主要存在于散户关注度高的股票中[11] 模型的回测效果 1. **动量分解模型**： - 84%的动量收益归因于HTP，PTH仅占16%[8] - 基于HTP的多空策略具有更高的夏普比率，呈正偏态，且不依赖于市场状态[8] 2. **小波分解模型**： - 组合预测表现优于单一预测方法[9] 3. **分析师一致预期目标价离散度模型**： - 持有离散度最低（最高）的股票的多头（空头）对冲策略年收益率超过11%[11]

量化模型与构建方式 1. 模型名称：中证人工智能主题指数（930713.CSI） - **模型构建思路**：通过选取人工智能领域的核心企业，反映人工智能主题上市公司证券的整体表现，具有高收益弹性特征[18][19] - **模型具体构建过程**： 1. **样本空间**：基于中证全指指数的样本空间，筛选符合可投资性条件的证券[19] 2. **待选样本筛选**：从样本空间中选取业务涉及大数据、云计算、云存储、机器学习、机器视觉、人脸识别、语音语义识别、智能芯片等领域的上市公司证券[19] 3. **样本选取**：按照过去一年日均总市值由高到低排名，选取排名前50的证券作为指数样本[19] 4. **加权方法**：采用自由流通市值加权分级靠档算法[19] 5. **指数计算公式**： $ 报告期指数 = \frac{\text{报告期样本的调整市值}}{\text{除数}} \times 1000 $ 其中，调整市值 = Σ(证券价格 × 调整股本数 × 权重因子)[19] 6. **指数调整**： - 定期调整：每半年调整一次，调整时间为每年6月和12月的第二个星期五的下一交易日[19] - 临时调整：样本退市或涉及收购、合并、分拆时进行临时调整[19] - **模型评价**：中证人工智能主题指数覆盖面广，成分股涵盖沪深两市主板、创业板和科创板，具有较高的收益弹性和代表性[18][20] --- 模型的回测效果 1. 中证人工智能主题指数 - **年化收益率**：20.59%[26][27] - **年化波动率**：35.55%[26][27] - **最大回撤**：-44.99%[27] - **夏普比率**：0.78[27] --- 量化因子与构建方式 本报告未涉及具体量化因子构建内容 --- 因子的回测效果 本报告未涉及具体量化因子的回测效果 --- 总结 本报告主要围绕中证人工智能主题指数的构建方法及其回测效果展开，未涉及具体量化因子的构建与测试