市场资金流向：截至 20250217 两融余额为 18696 亿元，其中融资余额 18584 亿元，融券余额 112 亿元。两融余额占流通市值比重为 2.4%，两融交易占市 场成交额比重为 10.3%。 折溢价：20250217 当日 ETF 溢价较多的是成渝经济圈 ETF，ETF 折价较多的 是沪港深科技 ETF。近半年以来大宗交易日均成交金额达到 15 亿元， 20250217 当日大宗交易成交金额为 10 亿元，近半年以来平均折价率 4.97%， 当日折价率为 6.33%。近一年以来上证 50 股指期货主力合约年化升水率中位 数为 0.08%，近一年以来沪深 300 股指期货主力合约年化贴水率中位数为 1.29%，近一年以来中证 500 股指期货主力合约年化贴水率中位数为 5.45%， 近一年以来中证 1000 股指期货主力合约年化贴水率中位数为 9.29%，当日上 证 50 股指期货主力合约年化升水率为 1.59%，处于近一年来 62%分位点，当 日沪深 300 股指期货主力合约年化升水率为 1.50%，处于近一年来 80%分位 点；当日中证 500 股指期货主力合约年化贴水率为 3.37%，处于近一 ...

量化模型与构建方式 1. 模型名称：三角验证体系 - **模型构建思路**：通过思维链推理（COT）、对比分析和反事实推理三种方法，形成多维度验证闭环，提升模型的逻辑一致性和事实准确性[23][24][71] - **模型具体构建过程**： 1. **思维链推理（COT）**：逐步分解问题，显式化模型决策路径，确保逻辑链条的严密性。例如，从"锂价下跌→成本改善→毛利率提升"的因果链中定位逻辑断裂点[24][72][73] 2. **对比分析**：横向对比同行数据（如毛利率变动差异），纵向回溯历史规律（如技术突破对净利润的边际影响），验证预测的合理性[24][77][81] 3. **反事实推理**：假设条件变化（如延迟量产），评估结论的敏感性和稳健性，识别潜在风险[24][83][84] - **模型评价**：三角验证体系显著优化了模型输出的稳定性，修正了单纯COT的评分偏差，提升了逻辑透明度和预测准确性[24][144][145] 2. 模型名称：StockGPT - **模型构建思路**：通过LoRA微调技术，将基本面文本数据与市场时序数据（OHLC）联合建模，增强模型对行情数据与收益率关系的理解[118][125][145] - **模型具体构建过程**： 1. **数据准备**： - 基本面文本数据：通过三角验证体系提取关键信号[125][126] - 时序数据：提取前15个交易日的OHLC数据，归一化处理后生成时间序列Token[125][126] 2. **LoRA微调**： - 引入低秩矩阵A和B，将原始权重矩阵W分解为$W + A \cdot B$，仅优化A和B，冻结W[119][120][121] - 参数设置：学习率乘数为1，批量大小为32，训练轮数为5，最大序列长度为8192，LoRA秩为16[130] 3. **模型训练**：基于2014-2018年的历史数据进行训练，以次月收益组别（0-10）作为标签[129][130] - **模型评价**：StockGPT在捕捉复杂市场关系方面表现出一定潜力，但仍受限于数据噪声和金融因果链复杂性[145][146] --- 模型的回测效果 1. 三角验证体系 - **年化收益**：17.2% - **超额收益**：较基准指数超额收益12.56% - **风格暴露**：显著偏向成长与流动性驱动[144][145] 2. StockGPT - **年化收益**：18.8% - **超额收益**：较中证800超额收益18.31% - **信息比率（IR）**：2.18 - **最大回撤**：-19.47% - **风格暴露**：偏向中小市值、高流动性资产，规避低估值、高杠杆股票[137][138][139] --- 量化因子与构建方式 1. 因子名称：一致预测因子 - **因子构建思路**：基于分析师一致预测数据，提取盈利预测变化、目标价变化等特征[29][30] - **因子具体构建过程**： 1. 收集分析师一致预测数据（如EPS、NP、REV等） 2. 计算当前预测值与1个月前、3个月前预测值的变化率 3. 提取目标价变化、评级上调等特征[30] - **因子评价**：一致预测因子在选股中表现出较高的胜率和信息比率，但部分因子（如净利润增速）表现较弱[30] 2. 因子名称：基于LLM的研报文本因子 - **因子构建思路**：利用大语言模型（LLM）对研报文本进行分析，提取隐含的投资逻辑和观点[33][39] - **因子具体构建过程**： 1. 使用LLM对研报文本进行分步推理，提取长期逻辑、中期信号和短期驱动[33][44] 2. 基于提取的逻辑链条，生成选股因子[33][39] - **因子评价**：LLM因子具有一定的选股效果，但预测收益率分布较为集中，信息整合依赖性强[39][40][43] --- 因子的回测效果 1. 一致预测因子 - **Rank IC**：1.20%-3.47% - **IR**：0.87-1.59 - **胜率**：0.49-0.71[30] 2. 基于LLM的研报文本因子 - **年化收益**：9.2% - **超额收益**：相对于中证全指超额收益7% - **分布特性**：预测收益率集中在5%-10%之间[39][40]

从整体表现来看，上周四大期指全线收涨，中证 500 期指涨幅最大，幅度达 2.55%，沪深 300 期指涨幅最小，幅度为 1.69%。上周 IF 主力合约的升水幅度扩大，IH 主力合约的升水幅度缩小，IC 主力合约的贴水幅度收窄，IM 主力合约 的贴水幅度加深。IF 和 IH 期指为升水状态，IC 和 IM 期指为贴水状态。 全部合约角度看，较上周而言，四大期指当月、下月、当季和下季合约的平均成交量均下降，其中 IH 下降幅度最大， 为-16.57%，IM 下降幅度最小，为-12.76%。四大期指上周五的合计持仓量均下降，其中 IH 下降幅度最大，为-9.92%， IF 下降幅度最小，为-4.26%。 qqqqqqqqqqqqqqqqqqq 股指期货市场概况 基差水平方面，截至上周五收盘，IF、IC、IM 和 IH 当季合约的年化基差率分别为-0.86%、-6.26%、-8.40%和 0.68%， 较上周最后一个交易日，IF、IC、IM 期指贴水幅度均有所扩大，IH 期指升水幅度有所缩小。指数分红影响已被定价 较为充分，关注基差结构变化展示的交易情绪指引。 在本次周报上，我们也汇总了 2 月 10 日至 2 ...

根据研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **因子名称**：转股溢价率偏离度 **因子构建思路**：衡量转股溢价率相对于拟合值的偏离度，不同平价可比[17] **因子具体构建过程**： $$转股溢价率偏离度 = 转股溢价率 - 拟合转股溢价率$$ 其中拟合转股溢价率通过截面数据拟合得到，公式为： $$y_{i}=\alpha_{0}+\,\alpha_{1}\cdot\,{\frac{1}{x_{i}}}+\epsilon_{i}$$ （$x_i$为转股价值，$y_i$为转股溢价率）[42] **因子评价**：用于识别转债估值与理论值的偏差，拟合质量取决于样本数量[17] 2. **因子名称**：理论价值偏离度（蒙特卡洛模型） **因子构建思路**：通过蒙特卡洛模拟计算转债理论价值，衡量市场价格与理论价值的偏离[17] **因子具体构建过程**： $$理论价值偏离度 = \frac{转债收盘价}{理论价值} - 1$$ 理论价值通过模拟10000条路径计算，考虑转股、赎回、下修、回售条款，以同信用同期限利率贴现[17] **因子评价**：全面覆盖转债条款，但计算复杂度较高[17] 3. **因子名称**：转债综合估值因子 **因子构建思路**：融合转股溢价率偏离度和理论价值偏离度，提升因子稳定性[17] **因子具体构建过程**： $$转债综合估值因子 = Rank（转股溢价率偏离度） + Rank（理论价值偏离度）$$ **因子评价**：在平衡型和偏债型转债中表现更优[16] 4. **因子名称**：修正YTM - 信用债YTM **因子构建思路**：剥离转股条款影响，比较偏债转债与信用债的收益率差异[12] **因子具体构建过程**： $$修正YTM = 转债YTM \times (1-转股概率) + 预期转股年化收益 \times 转股概率$$ 转股概率通过BS模型计算，最终取截面中位数[44] **因子评价**：反映偏债转债相对信用债的配置性价比[12] 5. **因子名称**：转债市场情绪捕捉指标 **因子构建思路**：结合动量和波动率识别市场情绪[24] **因子具体构建过程**： $$市场情绪指标 = Rank（20日动量） + Rank（波动率偏离度）$$ **因子评价**：用于风格轮动的信号生成[24] --- 量化模型与构建方式 1. **模型名称**：转债低估指数构建模型 **模型构建思路**：通过估值因子筛选低估转债，分风格构建指数[17] **模型具体构建过程**： - 划分标准：平底溢价率>15%为偏股型，<-15%为偏债型，其余为平衡型[15] - 筛选条件：正股市值>5亿、非ST、评级≥AA-、剩余规模≥2亿、剩余期限>30天等[18] - 偏股型采用理论价值偏离度前1/3，其他采用综合估值因子前1/3，成分券上限30只[17] 2. **模型名称**：转债风格轮动模型 **模型构建思路**：根据市场情绪指标动态配置低估指数[24] **模型具体构建过程**： - 计算各低估指数的动量与波动率偏离度排名之和[25] - 选择排名最低的风格配置，若并列则等权或优先平衡型[15] - 双周频调仓，回测区间2018-2025[24] --- 回测效果 1. **低估指数表现**（2018-2025回测）： - 偏股转债低估指数：年化收益23.53%，波动率19.99%，IR 1.18[20] - 平衡转债低估指数：年化收益14.18%，波动率11.82%，IR 1.20[20] - 偏债转债低估指数：年化收益12.32%，波动率9.49%，IR 1.30[20] 2. **风格轮动模型表现**： - 年化收益23.10%，波动率16.20%，IR 1.43，月度胜率65.48%[30] - 2025年以来收益11.31%，近4周收益7.12%[26] 3. **近期增强效果**（2025年2月）： - 偏股/平衡/偏债低估指数超额分别为0.28%、0.17%、0.06%[19] --- 附录公式 1. **百元转股溢价率计算**： $$y_{i}=\alpha_{0}+\,\alpha_{1}\cdot\,{\frac{1}{x_{i}}}+\epsilon_{i}$$ （$x_i$=转股价值，$y_i$=转股溢价率）[42] 2. **修正YTM计算**： $$修正YTM = 转债YTM \times (1-N(d2)) + 预期转股收益 \times N(d2)$$ （$N(d2)$为BS模型转股概率）[44]

证券研究报告 | 2025年02月17日 金融工程日报 沪指震荡收涨，AI 应用持续火爆 核心观点 金融工程日报 市场表现：今日(20250217) 大部分指数处于上涨状态，规模指数中中证 2000 指数表现较好，板块指数中北证 50 指数表现较好，风格指数中沪深 300 成 长指数表现较好。通信、消费者服务、机械、电子、电力公用事业行业表现 较好，有色金属、煤炭、传媒、银行、家电行业表现较差。宇树机器人、光 模块(CPO)、猴痘、高速铜连接、基站等概念表现较好，影视、黄金精选、 锂电负极、动漫、锂电电解液等概念表现较差。 市场情绪：今日市场情绪较为高涨，收盘时有 112 只股票涨停，有 8 只股票 跌停。昨日涨停股票今日收盘收益为 3.81%，昨日跌停股票今日收盘收益为 -0.47%。今日封板率 61%，较前日下降 7%，连板率 29%，较前日提升 6%。 市场资金流向：截至 20250214 两融余额为 18533 亿元，其中融资余额 18423 亿元，融券余额 109 亿元。两融余额占流通市值比重为 2.3%，两融交易占市 场成交额比重为 9.8%。 折溢价：20250214 当日 ETF 溢价较多的是 ...

量化模型与构建方式 1. **模型名称：市场情绪温度计** **模型构建思路**：基于融资资金活跃度指标及其他多个量化指标，通过算法计算市场情绪得分，反映市场情绪的热度[5] **模型具体构建过程**：市场情绪温度计模型结合了两个融资资金活跃度指标（融资余额占流通市值占比、当日融资买入额占全市场成交额占比）以及其他量化指标（全市场量能指标、区间换手率、历史波动率、上涨家数占比、股票期权持仓量多空比指标等），通过算法计算得出市场情绪得分，取值范围为0-100分，分数越高表示市场情绪越热[5][11] **模型评价**：该模型能够有效反映市场情绪的热度，帮助投资者判断市场情绪状态[5] 2. **模型名称：基于两融的市场风格分析** **模型构建思路**：通过分析沪深300指数与中证1000指数的收盘价及其融资余额的变化，判断市场的大小盘风格特征[23] **模型具体构建过程**：计算沪深300指数与中证1000指数的收盘价比价（沪深300指数收盘价除以中证1000指数收盘价）以及中证1000指数与沪深300指数的融资余额比价（中证1000指数融资余额除以沪深300指数融资余额），通过历史分位数判断市场风格[23][24] **模型评价**：该模型能够有效反映市场的大小盘风格特征，帮助投资者判断市场风格[23] 模型的回测效果 1. **市场情绪温度计模型**，当前市场情绪得分为77分，市场情绪状态为较热[5][12] 2. **基于两融的市场风格分析模型**，沪深300指数与中证1000指数的收盘价比价处于历史45%分位数，中证1000指数与沪深300指数的融资余额比价处于历史95%分位数[23][24] 量化因子与构建方式 1. **因子名称：融资余额占流通市值占比** **因子构建思路**：衡量存量的、偏长线交易的融资资金占全市场资金的比重[5][7] **因子具体构建过程**：计算融资余额占流通市值的比例，通过历史分位数判断其相对水平[5][7] **因子评价**：该因子能够反映长线融资资金的活跃度[5] 2. **因子名称：当日融资买入额占全市场成交额占比** **因子构建思路**：衡量偏短线交易的融资资金占全市场的比重[5][7] **因子具体构建过程**：计算当日融资买入额占全市场成交额的比例，通过历史分位数判断其相对水平[5][7] **因子评价**：该因子能够反映短线融资资金的活跃度[5] 因子的回测效果 1. **融资余额占流通市值占比因子**，当前数值处于70%历史分位数[5][7] 2. **当日融资买入额占全市场成交额占比因子**，上周日均值处于85%历史分位数[5][7]

量化模型与构建方式 1. **模型名称**：均线比较模型 **模型构建思路**：通过比较各宽基指数与其5日、10日、20日及60日均线的位置，判断指数的短期和中期趋势[8] **模型具体构建过程**：计算各宽基指数的收盘价与不同周期均线（MA5、MA10、MA20、MA60）的比值，判断指数是否位于均线之上或之下[8] **模型评价**：该模型能够有效反映指数的短期和中期趋势，适用于趋势跟踪策略[8] 2. **模型名称**：风险溢价模型 **模型构建思路**：以十年期国债即期收益率为无风险利率，计算各宽基指数的风险溢价，衡量其相对投资价值[15] **模型具体构建过程**：风险溢价 = 指数收益率 - 十年期国债即期收益率，并计算其近1年和近5年的分位值[15] **模型评价**：该模型能够有效衡量指数的相对投资价值，适用于价值投资策略[15] 3. **模型名称**：PE-TTM模型 **模型构建思路**：通过计算各宽基指数的PE-TTM（滚动市盈率），衡量其估值水平[21] **模型具体构建过程**：计算各指数的PE-TTM值，并分析其近1年和近5年的分位值[21] **模型评价**：该模型能够有效反映指数的估值水平，适用于估值投资策略[21] 模型的回测效果 1. **均线比较模型**：上证50、沪深300、中证500、中证1000、中证全指、创业板指均位于5日、10日、20日及60日均线之上，中证2000跌破5日均线[8] 2. **风险溢价模型**：创业板指（86.19%）和沪深300（80.48%）风险溢价近5年分位值较高，中证1000（66.19%）和中证2000（41.35%）较低[15] 3. **PE-TTM模型**：中证500（86.78%）和中证全指（74.71%）分位值较高，中证2000（47.93%）和创业板指（36.53%）分位值较低[21] 量化因子与构建方式 1. **因子名称**：换手率因子 **因子构建思路**：通过计算各宽基指数的换手率，衡量其流动性[9] **因子具体构建过程**：换手率 = Σ(成分股流通股本 * 成分股换手率) / Σ(成分股流通股本)[9] **因子评价**：该因子能够有效反映指数的流动性，适用于流动性分析[9] 2. **因子名称**：股息率因子 **因子构建思路**：通过计算各宽基指数的股息率，衡量其现金分红回报率[25] **因子具体构建过程**：股息率 = 年度现金分红 / 指数价格[25] **因子评价**：该因子能够有效反映指数的现金分红回报率，适用于红利投资策略[25] 3. **因子名称**：破净率因子 **因子构建思路**：通过计算各宽基指数的破净率，衡量其估值水平[30] **因子具体构建过程**：破净率 = 破净个股数 / 总个股数[30] **因子评价**：该因子能够有效反映指数的估值水平，适用于价值投资策略[30] 因子的回测效果 1. **换手率因子**：中证2000（4.31）、创业板指（3.5）、中证1000（3.07）、中证500（1.9）、中证全指（1.88）、沪深300（0.54）、上证50（0.34）[9] 2. **股息率因子**：沪深300（98.76%）和中证全指（94.05%）近5年历史分位值较高，中证2000（82.31%）和中证500（53.22%）较低[25] 3. **破净率因子**：上证50（24.0%）、沪深300（17.06%）、中证500（14.2%）、中证1000（10.5%）、中证2000（5.2%）、创业板指（1.0%）、中证全指（8.58%）[30]

量化模型与构建方式 1. **模型名称**：Heston模型 **模型构建思路**：用于计算近月平值期权的隐含波动率，作为市场的恐慌指数，反映市场参与者对未来波动性的预期[8] **模型具体构建过程**：通过期权定价模型计算隐含波动率，公式为： $$ \sigma_{imp} = \sqrt{\frac{2\pi}{T}} \frac{C}{S} $$ 其中，$\sigma_{imp}$为隐含波动率，$T$为期权到期时间，$C$为期权价格，$S$为标的资产价格[8] **模型评价**：Heston模型能够有效捕捉市场对未来波动性的预期，适用于恐慌指数的构建[8] 量化因子与构建方式 1. **因子名称**：多空形态剪刀差 **因子构建思路**：基于行业指数成分股的多空信号，构建多空形态剪刀差，用于行业择时策略[14] **因子具体构建过程**： - 如果当日没有看多形态的成分股，则看多形态的成分股数量为0 - 如果当日没有看空形态的成分股，则看空形态的成分股数量为0 - 如果当日看多形态和看空形态的成分股数量都为0，则多空形态剪刀差为0 - 多空形态剪刀差比率为： $$ \text{剪刀差比率} = \frac{\text{看多形态成分股数量} - \text{看空形态成分股数量}}{\text{总成分股数量}} $$[14] **因子评价**：该因子能够有效捕捉行业指数的多空信号，择时模型表现优秀[14] 模型的回测效果 1. **Heston模型**，上证50隐含波动率14.9%，沪深300隐含波动率15.76%，中证1000隐含波动率21.87%[9] 2. **多空形态剪刀差择时模型**，中信一级行业择时模型跑赢行业指数比率为100%[14] 因子的回测效果 1. **多空形态剪刀差因子**，商贸零售行业策略年化收益18.96%，建材行业策略年化收益25.59%，汽车行业策略年化收益27.35%[15]

量化模型与构建方式 1. **模型名称**：鹏华沪深 300 指数量化增强模型 **模型构建思路**：该模型旨在通过量化方法增强沪深 300 指数的表现，利用多因子选股和优化组合构建策略[10] **模型具体构建过程**：首先，选取多个有效因子，包括价值因子、动量因子、质量因子等，通过因子打分和加权构建股票池。然后，使用优化算法（如均值方差优化）构建组合，以最大化风险调整后的收益。公式如下： $$ \text{组合收益} = \sum_{i=1}^{n} w_i \cdot R_i $$ 其中，$w_i$ 为第 $i$ 只股票的权重，$R_i$ 为第 $i$ 只股票的预期收益[10] **模型评价**：该模型在历史回测中表现优异，能够显著提升沪深 300 指数的收益风险比[10] 2. **模型名称**：招商中证 A50 指数增强模型 **模型构建思路**：该模型通过量化方法增强中证 A50 指数的表现，结合基本面因子和技术面因子进行选股和组合优化[10] **模型具体构建过程**：首先，选取基本面因子（如 ROE、净利润增长率）和技术面因子（如动量、波动率），通过因子打分和加权构建股票池。然后，使用风险预算模型优化组合权重，以控制组合风险并提升收益。公式如下： $$ \text{风险预算} = \sum_{i=1}^{n} w_i \cdot \sigma_i $$ 其中，$w_i$ 为第 $i$ 只股票的权重，$\sigma_i$ 为第 $i$ 只股票的风险[10] **模型评价**：该模型在历史回测中表现稳定，能够有效提升中证 A50 指数的收益[10] 模型的回测效果 1. **鹏华沪深 300 指数量化增强模型**，年化收益率 12.5%，最大回撤 8.7%，信息比率（IR）1.8[10] 2. **招商中证 A50 指数增强模型**，年化收益率 10.8%，最大回撤 7.2%，信息比率（IR）1.5[10] 量化因子与构建方式 1. **因子名称**：自由现金流因子 **因子构建思路**：该因子通过衡量公司的自由现金流水平，评估其盈利能力和财务健康状况[1] **因子具体构建过程**：计算自由现金流因子时，使用以下公式： $$ \text{自由现金流} = \text{经营活动现金流} - \text{资本支出} $$ 然后，将自由现金流标准化为 Z 分数，用于因子打分[1] **因子评价**：该因子在历史回测中表现稳定，能够有效区分高收益和低收益股票[1] 2. **因子名称**：动量因子 **因子构建思路**：该因子通过衡量股票过去一段时间的价格变化，捕捉其趋势性[10] **因子具体构建过程**：计算动量因子时，使用以下公式： $$ \text{动量} = \frac{P_t}{P_{t-n}} - 1 $$ 其中，$P_t$ 为当前价格，$P_{t-n}$ 为 $n$ 期前的价格[10] **因子评价**：该因子在历史回测中表现优异，能够有效捕捉股票的趋势性收益[10] 因子的回测效果 1. **自由现金流因子**，年化收益率 8.6%，最大回撤 6.3%，信息比率（IR）1.2[1] 2. **动量因子**，年化收益率 9.4%，最大回撤 7.8%，信息比率（IR）1.3[10]

量化模型与构建方式 1. **模型名称**：主动偏股基金仓位高频估测模型 **模型构建思路**：通过基金每日披露的净值序列，利用带约束条件的多元回归模型，估算基金仓位[59] **模型具体构建过程**：以基金净值序列为因变量，基准或其他资产序列为自变量，通过多元回归模型寻找最优仓位估计结果。具体步骤包括： 1. 构建模拟组合，提升估算准确性 2. 使用除数修正法保证指数连续性 3. 衡量整体仓位变动趋势及行业投向偏好[59] **模型评价**：该方法能够相对高频地跟踪基金仓位变化，但估算结果与实际仓位可能存在差异[59] 量化因子与构建方式 1. **因子名称**：REITs 指数系列 **因子构建思路**：通过构建 REITs 系列指数，反映不同底层资产和项目类型的表现，提供价格指数和全收益指数[49] **因子具体构建过程**： 1. 采用分级靠档方法确保指数份额稳定 2. 使用除数修正法处理非交易因素变动（如新发、扩募等） 3. 计算价格指数和全收益指数，综合反映市场表现[49] **因子评价**：该因子能够有效衡量 REITs 市场的整体表现，适合长期投资者关注[49] 模型的回测效果 1. **主动偏股基金仓位高频估测模型**，本周仓位下降 0.16pcts[59] 2. **REITs 指数系列**，本周 REITs 综合指数上涨 1.43%，仓储物流 REITs 指数上涨 3.99%[49] 因子的回测效果 1. **REITs 指数系列**，产权类 REITs 指数本周收益 1.39%，特许经营权类 REITs 指数本周收益 1.48%[49] 2. **REITs 指数系列**，仓储物流 REITs 指数本周收益 3.99%，能源基础设施 REITs 指数本周收益 0.63%[49]