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. **沪深300指数增强模型** - 模型构建思路：通过多因子选股模型在沪深300成分股内进行增强配置[16] - 具体构建过程：未披露具体因子构成，但采用超额收益率作为核心评价指标，跟踪误差控制在1.5%以内[16] - 模型评价：超额收益稳定性较强，近一年IR达1.82[16] 2. **中证500指数增强模型** - 模型构建思路：结合基本面因子与量价因子进行动态加权[17] - 具体构建过程：包含价值、动量、波动率三类因子，采用分层加权方式： $$ w_i = \frac{Value_i \times 0.4 + Momentum_i \times 0.3 + Volatility_i \times 0.3}{\sum_{i=1}^n (Value_i + Momentum_i + Volatility_i)} $$ 其中$Value_i$为标准化后的估值因子[17] - 模型评价：在小盘股行情中表现突出，近三月超额达3.32%[17] 3. **中证1000指数增强模型** - 模型构建思路：侧重高频量价因子与另类数据融合[18] - 具体构建过程：采用分钟级行情构建买卖压力指标： $$ BP_t = \frac{\sum_{i=1}^n (P_{i,t} \times V_{i,t} \times I_{buy})}{\sum_{i=1}^n (P_{i,t} \times V_{i,t})} $$ 其中$I_{buy}$为买单标识变量[18] - 模型评价：超额收益离散度较高（年化4.22%），适合风险承受能力强的投资者[18] 模型的回测效果 1. **沪深300指数增强模型** - 近一年超额收益率：1.82% - 最大回撤：-14.07% - IR：1.48[16] 2. **中证500指数增强模型** - 近一年超额收益率：1.82% - 最大回撤：-15.36% - IR：2.06[17] 3. **中证1000指数增强模型** - 近一年超额收益率：6.35% - 最大回撤：-16.50% - IR：3.87[18] 量化因子与构建方式 1. **医药卫生行业因子** - 构建思路：捕捉医药板块超额收益机会[36] - 具体构建：采用研发投入占比（R&D/Sales）与管线进度加权： $$ PharmaScore = 0.6 \times \frac{RD}{Sales} + 0.4 \times \sum_{j=1}^m Phase_j \times w_j $$ 其中$Phase_j$为临床阶段权重[36] - 因子评价：在集采政策缓和期表现优异[36] 2. **科创板动量因子** - 构建思路：结合科创板高弹性特征[36] - 具体构建：20日自适应动量： $$ Mom_{20} = \frac{P_t}{P_{t-20}} - \beta \times (Index_t/Index_{t-20}) $$ 其中$\beta$为个股对科创板100指数的敏感度[36] 因子的回测效果 1. **医药卫生因子** - 近一年超额收益：1.75% - 年化波动率：4.08%[36] 2. **科创板动量因子** - 近一年超额收益：2.27% - 最大回撤：-1.80%[36]

量化模型与构建方式 1 模型名称：周期分析模型 模型构建思路：通过分析市场周期波动判断反弹或调整阶段[7] 模型具体构建过程：基于历史价格数据识别周期性高低点，结合时间窗口分析趋势延续性，通过MACD等指标确认趋势衰竭信号[9] 2 模型名称：缠论分析模型 模型构建思路：利用缠论技术分析判断大盘震荡箱体位置[7] 模型具体构建过程：通过笔、线段划分识别中枢结构，结合分型理论确定箱体上下沿，计算当前价格在箱体中的相对位置[10] 3 模型名称：周期温度计 模型构建思路：量化市场波动状态的高频指标[7] 模型具体构建过程：计算标准化后的价格波动率百分位，划分三档阈值区间（下1/3为偏低水平）[7] 4 模型名称：四轮驱动模型 模型构建思路：多维度行业轮动信号生成系统[16] 模型具体构建过程： - 信号类型1（交易风险）：综合波动率与量价背离指标 - 信号类型2（赚钱效应异动）：RS6指标结合Mam/TendS参数 $$ RS6 = \frac{近6日收益率}{波动率} $$ - 信号类型3（强势上涨中继）：10日涨幅阈值与动量延续判断[16] 量化因子与构建方式 1 因子名称：美债收益率相关性因子 因子构建思路：分析美债收益率与A股风格指数的历史关联性[13] 因子具体构建过程：计算美债收益率变动与红利指数、微盘股指数的滚动120日相关系数[13] 模型的回测效果 1 周期分析模型： - 趋势延续识别准确率68%[9] - 调整区间预测误差±3%[7] 2 四轮驱动模型： - 行业信号胜率62%[16] - 交易风险信号提前1-2交易日预警[16] - 强势中继信号平均持有期收益4.2%[16] 因子的回测效果 1 美债收益率相关性因子： - 与红利指数120日相关系数0.18[13] - 与微盘股指数120日相关系数-0.12[13]

量化信用策略 截至 5 月 16 日，城投短端下沉防御属性凸显。中长端策略方面，城投仓位为组合提供一定保护空间，使对应重仓策 略上周的超额收益均在 2bp 以上，而城投短端下沉基本跑赢其余策略。从近四周表现来看，尽管金融债重仓组合上周 普遍呈现负项超额收益，但券商债策略表现维稳，累计超额持续领先；二永债久期策略累计读数则受到单周拖累，整 体落后于短债下沉策略。 品种久期跟踪 城投债、产业债、二级资本债成交久期处于历史高位。截至 5 月 16 日，城投债、产业债成交期限分别加权于 2.21 年、 2.72 年，均处于 2021 年 3 月以来 90%以上分位数水平，商业银行债中，二级资本债、银行永续债以及一般商金债加 权平均成交期限分别为 4.09 年、3.52 年、2.21 年；从其余金融债来看，证券公司债、证券次级债、保险公司债、租 赁公司债久期分别为 1.64 年、2.33 年、3.51 年、1.50 年，其中证券公司债、证券次级债位于较低历史分位，保险公 司债、租赁公司债位于较高历史分位。 票息资产热度图谱 截至 2025 年 5 月 19 日，与上周相比，非金融非地产类产业债、城投债收益率普遍下行；地 ...

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** - 模型构建思路：通过统计涨停股票在收盘时仍保持涨停的比例，反映市场情绪强度[17] - 模型具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月以上的股票，计算当日最高价涨停且收盘仍涨停的股票占比[17] - 模型评价：高频指标，能有效捕捉短期市场情绪变化 2. **连板率模型** - 模型构建思路：衡量涨停股票的持续性，反映市场热点延续性[17] - 模型具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 基于前一日涨停股票池，计算次日仍涨停的比例[17] 模型的回测效果 1. 封板率模型：20250523封板率59%（较前日+4%）[17] 2. 连板率模型：20250523连板率27%（较前日+5%）[17] 量化因子与构建方式 1. **股指期货年化贴水率因子** - 因子构建思路：通过基差计算市场对未来预期的风险溢价[28] - 因子具体构建过程： $$年化贴水率=\frac{基差}{指数价格}×\frac{250}{合约剩余交易日数}$$ 分别计算上证50、沪深300、中证500、中证1000主力合约的贴水率[28] - 因子评价：反映市场情绪分化，小盘股贴水率显著高于大盘股 2. **大宗交易折价率因子** - 因子构建思路：监测大资金交易偏好[26] - 因子具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计近半年日均折价率5.42%，20250522当日折价率7.12%[26] 因子的回测效果 1. 股指期货年化贴水率因子（20250523）： - 上证50：9.15%（近一年16%分位）[28] - 沪深300：12.23%（近一年11%分位）[28] - 中证500：21.24%（近一年8%分位）[28] - 中证1000：25.85%（近一年5%分位）[28] 2. 大宗交易折价率因子：近半年均值5.42%，当日值7.12%[26] 其他市场指标 1. 两融余额因子：截至20250523为9138亿元（融资余额9055亿，融券余额84亿）[19] 2. ETF折溢价因子：科创板新能源ETF溢价2.15%，创新药沪深港ETF折价0.66%[23]

量化模型与构建方式 1. **模型名称：港股精选组合** - **模型构建思路**：基于分析师推荐事件（盈利预测上调/首次关注/研报超预期）构建股票池，再通过基本面和技术面双重筛选[16] - **模型具体构建过程**： 1. **事件筛选**：选取分析师上调盈利预测、首次关注或标题含"超预期"的港股 2. **基本面筛选**：要求过去6个月至少有5份买入/增持评级研报 3. **技术面筛选**： - 过去250日涨幅位于全市场前20% - 股价路径平滑性指标：$$ \text{位移路程比} = \frac{\text{期间涨跌幅}}{\sum|\text{日涨跌幅}|} $$ - 创新高持续性：过去120日250日新高距离的时序均值[23] - **模型评价**：结合分析师预期与市场行为，兼顾价值与动量效应 2. **模型名称：平稳创新高股票筛选模型** - **模型构建思路**：在创250日新高的股票中筛选具备持续动能的标的[20] - **模型具体构建过程**： 1. **基础池**：过去20个交易日创250日新高的港股（剔除上市<15个月股票） 2. **量化指标**： - 250日新高距离：$$ 1-\frac{\text{Closet}}{\text{ts\_max(Close,250)}} $$[22] - 相对强度：过去250日涨幅前20% - 路径平稳性：位移路程比+新高距离时序均值 3. **分层筛选**：按分析师关注度（≥5份研报）、价格平稳性（前50%）加权排序[23] 量化因子与构建方式 1. **因子名称：250日新高距离因子** - **因子构建思路**：量化股价接近历史高点的程度[22] - **因子计算公式**：$$ \text{新高距离} = 1-\frac{\text{当日收盘价}}{\text{过去250日最高收盘价}} $$ - **因子评价**：有效捕捉趋势延续性，港股市场显示显著动量效应 2. **因子名称：股价位移路程比因子** - **因子构建思路**：衡量价格变动的平滑程度[23] - **因子计算公式**：$$ \frac{\text{期间净涨跌幅}}{\sum|\text{单日涨跌幅}|} $$ - **因子评价**：高比值表明趋势稳健，低比值反映波动剧烈 模型的回测效果 1. **港股精选组合**（2010-2024）： - 年化收益：17.02% - 超额收益（vs恒指）：17.60% - 最大回撤：23.73% - IR：1.19 - 跟踪误差：14.45%[19] 2. **平稳创新高模型**（2025年案例）： - 医药板块创新高股票占比最高（13只） - 筛选标的平均250日涨幅：47.3%-500.2%[28] 因子的回测效果 1. **250日新高距离因子**： - 创新高股票后续20日平均涨幅：2.3%-56.6%[28] - 零距离（刚创新高）股票超额收益显著[22] 2. **股价位移路程比因子**： - 前50%分组年化超额收益：9.8%（2019-2024）[23] （注：部分指标引用自组合绩效表[19]及创新高股票列表[28]）

VIX 低位调整，SKEW 急涨预警极端风险 [Table_ReportTime] 2025 年 5 月 24 日 请阅读最后一页免责声明及信息披露 http://www.cindasc.com 1 [Table_FirstAuthor] 于明明 金融工程与金融产品首席分析师 执业编号：S1500521070001 联系电话：+86 18616021459 邮 箱：yumingming@cindasc.com 证券研究报告 金工研究 [T金工ableReportType] 点评报告 于明明 金融工程与金融产品 首席分析师 执业编号：S1500521070001 联系电话：+86 18616021459 邮 箱：yumingming@cindasc.com 崔诗笛 金融工程与金融产品 金融工程分析师 执业编号：S1500523080001 联系电话：+86 18516560686 邮 箱：cuishidi@cindasc.com 孙石 金融工程与金融产品 金融工程分析师 执业编号：S1500523080010 联系电话：+86 18817366228 邮 箱：sunshi@cindasc.com [Table_ ...

美债收益率走高，中证红利估值达历史高位 —— 红利风格投资价值跟踪（2025W21） [Table_ReportTime] 2025 年 5 月 24 日 [于明明 Table_ First 金融工程与金融产品首席 Author] 分析师 执业编号：S1500521070001 联系电话：+86 18616021459 邮 箱：yumingming@cindasc.com 周金铭 金融工程与金融产品分析师 执业编号：S1500523050003 联系电话：+86 18511558803 邮 箱：zhoujinming@cindasc.com 请阅读最后一页免责声明及信息披露 http://www.cindasc.com 1 证券研究报告 金工研究 [TableReportType] 金工专题报告 [Table_A 于明明 uthor 金融工程与金融产品 ] 首席分析师 执业编号：S1500521070001 联系电话：+86 18616021459 邮 箱：yumingming@cindasc.com 周金铭 金融工程与金融产品 分析师 执业编号：S1500523050003 联系电话：+86 1851155 ...

金融工程 | 动态跟踪 分红对期指的影响 20250523 研究结论 | | 收盘价 | 分红点数 | 实际价差 | 含分红价差 | | --- | --- | --- | --- | --- | | IH2506 | 2693.00 | 17.28 | -18.85 | -1.58 | | IH2507 | 2664.80 | 54.43 | -47.05 | 7.38 | | IH2509 | 2655.60 | 58.77 | -56.25 | 2.52 | | IH2512 | 2653.80 | 58.77 | -58.05 | 0.72 | 沪深 300 股指期货: | | 收盘价 | 分红点数 | 实际价差 | 含分红价差 | | --- | --- | --- | --- | --- | | IF2506 | 3846.20 | 20.75 | -36.07 | -15.32 | | IF2507 | 3808.80 | 55.62 | -73.47 | -17.86 | | IF2509 | 3777.80 | 66.11 | -104.47 | -38.37 | | IF2512 | 37 ...

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和资金热度[17] - 具体构建过程： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 计算范围限定于上市满3个月以上的股票，动态跟踪每日数据[17] - 因子评价：高频指标，对短期市场情绪敏感，但易受极端值影响 2. **因子名称：连板率因子** - 构建思路：衡量涨停股的持续性，反映市场投机强度[17] - 具体构建过程： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 需排除ST股等特殊标的[17] - 因子评价：对游资活跃度有较强指示作用 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反映市场预期[28] - 具体构建过程： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 跟踪四大股指期货主力合约（上证50/沪深300/中证500/中证1000）[28] - 因子评价：对冲成本指标，极端贴水预示市场恐慌 4. **因子名称：大宗交易折价率因子** - 构建思路：通过大宗交易溢价水平观测机构动向[26] - 具体构建过程： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ 采用半年滚动窗口计算均值[26] 因子回测效果 1. **封板率因子** - 当日取值：59%（较前日+4%）[17] - 历史分位：未提供 2. **连板率因子** - 当日取值：27%（较前日+5%）[17] - 历史分位：未提供 3. **股指期货贴水率因子** - 上证50：年化贴水率9.15%（16%分位）[28] - 沪深300：年化贴水率12.23%（11%分位）[28] - 中证500：年化贴水率21.24%（8%分位）[28] - 中证1000：年化贴水率25.85%（5%分位）[28] 4. **大宗交易折价率因子** - 当日取值：7.12%[26] - 半年均值：5.42%[26] 注：报告中未涉及量化模型构建内容，故未总结相关模型[1][2][3][4]

量化因子与构建方式 估值类因子 1. **因子名称**：bp - **构建思路**：衡量净资产与市值的相对关系[13] - **构建过程**：$$ bp = \frac{当前净资产}{当前总市值} $$[13] 2. **因子名称**：bp三年分位数 - **构建思路**：反映当前bp在近三年的分位水平[13] - **构建过程**：计算股票当前bp在最近三年的分位数[13] 3. **因子名称**：季度ep - **构建思路**：衡量季度净利润与净资产的关系[13] - **构建过程**：$$ 季度ep = \frac{季度净利润}{净资产} $$[13] 4. **因子名称**：季度sp - **构建思路**：衡量季度营收与净资产的关系[13] - **构建过程**：$$ 季度sp = \frac{季度营业收入}{净资产} $$[13] 盈利类因子 5. **因子名称**：季度roa - **构建思路**：反映净利润与总资产的效率关系[13] - **构建过程**：$$ 季度roa = \frac{季度净利润}{总资产} $$[13] 6. **因子名称**：季度roe - **构建思路**：衡量净利润与净资产的效率关系[13] - **构建过程**：$$ 季度roe = \frac{季度净利润}{净资产} $$[13] 成长类因子 7. **因子名称**：标准化预期外盈利 - **构建思路**：量化实际盈利与预期盈利的偏离程度[13] - **构建过程**：$$ \frac{当前季度净利润 - (去年同期单季净利润 + 过去8个季度单季净利润同比增长均值)}{过去8个季度单季净利润同比增长值的标准差} $$[13] 换手率类因子 8. **因子名称**：1个月非流动性冲击 - **构建思路**：衡量收益率绝对值与成交量的关系[13] - **构建过程**：过去20个交易日日收益率绝对值与日成交量之比的均值[13] 9. **因子名称**：1个月换手率波动 - **构建思路**：反映换手率的波动性[13] - **构建过程**：过去20个交易日换手率的标准差[13] 波动率类因子 10. **因子名称**：Fama-French三因子1月残差波动率 - **构建思路**：衡量个股收益对三因子模型残差的波动[13] - **构建过程**：过去20个交易日日收益对Fama-French三因子回归的残差标准差[13] 动量与反转类因子 11. **因子名称**：1个月反转 - **构建思路**：捕捉短期反转效应[13] - **构建过程**：过去20个交易日收益率累加[13] 因子回测效果 IC表现 1. **bp因子**：最近一周IC 0.60%，最近一月IC均值-0.14%，最近一年IC均值1.68%[9] 2. **1个月非流动性冲击因子**：最近一周IC 8.83%，最近一月IC均值4.44%，最近一年IC均值0.85%[9] 3. **小市值因子**：最近一月IC均值10.11%，最近一年IC均值3.66%[9] 多头组合表现 1. **1个月非流动性冲击因子**：最近一周超额收益显著[10] 2. **小市值因子**：最近一月超额收益10.11%[10] 3. **1个月换手率波动因子**：最近一年超额收益2.77%[10] 因子评价 - **小市值因子**：长期表现稳定，但易受市场风格切换影响[9][10] - **换手率类因子**：短期有效性高，但需注意流动性风险[9][10] - **标准化预期外盈利因子**：对盈利惊喜敏感，但受分析师预期分歧干扰[13] （注：部分因子未提及具体评价，故未列出）