量化模型与构建方式 1. 模型名称：价值 Smart beta 组合；模型构建思路：基于历史相关性低的价值风格，构建高 beta 弹性和长期稳健超额收益的组合[9]；模型具体构建过程：选取价值风格的股票，构建价值 50 组合和价值均衡 50 组合，分别追求高 beta 弹性和长期稳健超额收益[9] 2. 模型名称：成长 Smart beta 组合；模型构建思路：基于历史相关性低的成长风格，构建高 beta 弹性和长期稳健超额收益的组合[9]；模型具体构建过程：选取成长风格的股票，构建成长 50 组合和成长均衡 50 组合，分别追求高 beta 弹性和长期稳健超额收益[9] 3. 模型名称：小盘 Smart beta 组合；模型构建思路：基于历史相关性低的小盘风格，构建高 beta 弹性和长期稳健超额收益的组合[9]；模型具体构建过程：选取小盘风格的股票，构建小盘 50 组合和小盘均衡 50 组合，分别追求高 beta 弹性和长期稳健超额收益[9] 模型的回测效果 1. 价值 50 组合，周收益率 0.54%，月收益率 -0.81%，年收益率 -1.35%，超额收益率 -0.76%，最大相对回撤 1.87%[10] 2. 价值均衡 50 组合，周收益率 -1.09%，月收益率 -1.92%，年收益率 -2.91%，超额收益率 -2.39%，最大相对回撤 3.40%[10] 3. 成长 50 组合，周收益率 1.20%，月收益率 4.24%，年收益率 4.38%，超额收益率 0.41%，最大相对回撤 2.49%[10] 4. 成长均衡 50 组合，周收益率 -0.30%，月收益率 3.70%，年收益率 8.12%，超额收益率 -1.10%，最大相对回撤 1.77%[10] 5. 小盘 50 组合，周收益率 1.34%，月收益率 6.61%，年收益率 5.35%，超额收益率 -0.64%，最大相对回撤 4.67%[10] 6. 小盘均衡 50 组合，周收益率 0.02%，月收益率 4.66%，年收益率 5.26%，超额收益率 -1.95%，最大相对回撤 3.15%[10]

量化模型与构建方式 1. 模型名称：理性预期均衡（REE）模型 - **模型构建思路**：通过构建多资产的理性预期均衡模型，分析因子投资的驱动因素、市场均衡动态及其内生上限[13][14] - **模型具体构建过程**： 1. **资产设置**：假设市场包含无风险资产和多个风险资产，风险资产的收益由系统性风险和异质性风险构成，公式为： $$v = (v_1, v_2, ..., v_l), \quad v_i = S + \epsilon_i$$ 其中，\(S\) 表示系统性风险，\(\epsilon_i\) 表示异质性风险[15] 2. **市场参与者设置**：市场中个人投资者分为三类：直接投资者、因子投资者和基本面投资者，比例满足： $$\lambda_h + \lambda_b + \lambda_a = 1$$ 基金经理分为技能型和隐性指数型，个人投资者通过支付搜索成本 \(c\) 识别基金经理的技能水平[17][19] 3. **管理费与效用函数**：因子投资和基本面投资的管理费分别为： $$\alpha_b = \frac{\eta_I}{\gamma}, \quad \alpha_a = \frac{\eta_I}{\gamma} + k$$ 其中，\(\eta_I\) 为价格无效系数，\(\gamma\) 为风险厌恶系数，\(k\) 为基本面信息成本[22] 4. **均衡条件**：在均衡条件下，因子投资、基本面投资和直接投资的比例由以下公式决定： - 内部均衡： $$\frac{\lambda_b}{\lambda_a} = \frac{\gamma k + \eta_t}{\gamma k \mu + \eta_t} > 1$$[27] - 委托投资主导： $$\lambda_b \in \left(\frac{1}{2}, \frac{1}{\mu + 1}\right]$$[29] - 基本面投资主导： $$\lambda_a \in \left(\frac{1}{\mu + 1}, 1\right]$$[32] 5. **因子投资上限**：因子投资的资本比例存在上限，公式为： $$\lambda_b \leq \frac{1}{1 + \mu}$$ 其中，\(\mu\) 为技能型基金经理的比例[34] - **模型评价**：该模型首次将个人投资者金融行为纳入均衡经济模型，揭示了因子投资的内生上限及其对市场稳定性的影响[50][51] --- 模型的回测效果 1. 理性预期均衡（REE）模型 - **因子投资比例**：在内部均衡下，因子投资比例高于基本面投资比例[27][28] - **因子投资上限**：因子投资的资本占比不能超过市场总份额的 \(\frac{1}{1 + \mu}\)，当 \(\mu = 1\) 时，因子投资最多占据市场份额的一半[34][35] --- 量化因子与构建方式 1. 因子名称：因子投资比例因子 - **因子的构建思路**：通过分析因子投资的驱动因素，揭示其需求变化的动态特征[39][41] - **因子具体构建过程**： 1. **搜索成本的影响**：因子投资需求与搜索成本呈“驼峰型”关系，初期搜索成本降低会减少隐性指数基金数量并压缩管理费，但过度降低会使资金转向基本面投资[39][40] 2. **基本面信息成本的影响**：因子投资需求随着基本面信息成本的增加而减少[41] 3. **风险厌恶水平的影响**：因子投资需求随着风险厌恶程度的变化先增加后减少，中等风险厌恶水平下因子投资需求达到峰值[41][46] 4. **特质风险和供给不确定性的影响**：因子投资需求随着特质风险和供给不确定性的增加而增加[44][47] 5. **财富不平等的影响**：财富和认知能力的不平等会影响因子投资需求，财富差距扩大和认知能力差异加剧均会增加因子投资的吸引力[48][49] - **因子评价**：因子投资比例因子能够有效捕捉因子投资需求的动态变化，揭示了因子投资的驱动机制[50] --- 因子的回测效果 1. 因子投资比例因子 - **搜索成本的影响**：因子投资需求在搜索成本降低的初期增加，但当搜索成本趋近于零时，因子投资需求下降[39][40] - **风险厌恶水平的影响**：中等风险厌恶水平下，因子投资需求达到峰值[41][46] - **特质风险和供给不确定性的影响**：高特质风险和高供给不确定性均会增加因子投资需求[44][47] - **财富不平等的影响**：财富差距扩大和认知能力差异加剧均会提升因子投资需求[48][49]

量化模型与构建方式 1. **模型名称**：深度学习高频因子（改进 GRU(50,2)+NN(10)） **模型构建思路**：基于改进的GRU（门控循环单元）和神经网络（NN）构建，用于捕捉高频数据中的非线性关系[11] **模型具体构建过程**：模型采用GRU(50,2)作为基础结构，结合NN(10)进行特征提取和预测，具体公式为： $$h_t = GRU(x_t, h_{t-1})$$ $$y_t = NN(h_t)$$ 其中，$h_t$为GRU的隐藏状态，$y_t$为预测输出[11] **模型评价**：该模型在高频数据中表现稳定，能够有效捕捉市场短期波动[11] 2. **模型名称**：深度学习高频因子（残差注意力 LSTM(48,2)+NN(10)） **模型构建思路**：基于残差注意力机制和LSTM（长短期记忆网络）构建，用于增强模型对长期依赖关系的捕捉能力[12] **模型具体构建过程**：模型采用LSTM(48,2)作为基础结构，结合残差注意力机制和NN(10)进行特征提取和预测，具体公式为： $$h_t = LSTM(x_t, h_{t-1})$$ $$y_t = NN(h_t + Attention(h_t))$$ 其中，$Attention(h_t)$为残差注意力机制的输出[12] **模型评价**：该模型在捕捉长期依赖关系方面表现优异，适合处理复杂的高频数据[12] 3. **模型名称**：深度学习因子（多颗粒度模型-5 日标签） **模型构建思路**：基于双向AGRU（注意力门控循环单元）构建，用于捕捉不同时间颗粒度下的市场特征[13] **模型具体构建过程**：模型采用双向AGRU进行训练，具体公式为： $$h_t = AGRU(x_t, h_{t-1})$$ $$y_t = NN(h_t)$$ 其中，$h_t$为AGRU的隐藏状态，$y_t$为预测输出[13] **模型评价**：该模型在多颗粒度数据中表现良好，能够有效捕捉不同时间尺度的市场变化[13] 4. **模型名称**：深度学习因子（多颗粒度模型-10 日标签） **模型构建思路**：基于双向AGRU构建，用于捕捉更长周期的市场特征[14] **模型具体构建过程**：模型采用双向AGRU进行训练，具体公式为： $$h_t = AGRU(x_t, h_{t-1})$$ $$y_t = NN(h_t)$$ 其中，$h_t$为AGRU的隐藏状态，$y_t$为预测输出[14] **模型评价**：该模型在长周期数据中表现稳定，适合捕捉市场的中长期趋势[14] 5. **模型名称**：周度调仓的中证 500 AI 增强组合 **模型构建思路**：基于深度学习因子（多颗粒度模型-10 日标签）构建，目标是通过优化组合权重最大化预期收益[15] **模型具体构建过程**：模型的目标函数为： $$m a x\sum\mu_{i}w_{i}$$ 其中，$w_i$为组合中股票$i$的权重，$\mu_i$为股票$i$的预期超额收益[15] **模型评价**：该组合在风险控制和收益优化方面表现良好，适合中证500指数的增强策略[15] 6. **模型名称**：周度调仓的中证 1000 AI 增强组合 **模型构建思路**：基于深度学习因子（多颗粒度模型-10 日标签）构建，目标是通过优化组合权重最大化预期收益[15] **模型具体构建过程**：模型的目标函数为： $$m a x\sum\mu_{i}w_{i}$$ 其中，$w_i$为组合中股票$i$的权重，$\mu_i$为股票$i$的预期超额收益[15] **模型评价**：该组合在风险控制和收益优化方面表现良好，适合中证1000指数的增强策略[15] 模型的回测效果 1. **深度学习高频因子（改进 GRU(50,2)+NN(10)）**，本周多空收益率0.10%，2月多空收益率0.22%，2025年多空收益率0.54%[11] 2. **深度学习高频因子（残差注意力 LSTM(48,2)+NN(10)）**，本周多空收益率0.18%，2月多空收益率0.30%，2025年多空收益率0.89%[12] 3. **深度学习因子（多颗粒度模型-5 日标签）**，本周多空收益率-0.20%，2月多空收益率-0.21%，2025年多空收益率1.14%[13] 4. **深度学习因子（多颗粒度模型-10 日标签）**，本周多空收益率-0.27%，2月多空收益率-0.38%，2025年多空收益率0.90%[14] 5. **周度调仓的中证 500 AI 增强组合**，本周多空收益率-0.66%，2月多空收益率-2.39%，2025年多空收益率-1.94%[15] 6. **周度调仓的中证 1000 AI 增强组合**，本周多空收益率-0.56%，2月多空收益率-1.45%，2025年多空收益率-0.37%[15] 量化因子与构建方式 1. **因子名称**：高频偏度因子 **因子构建思路**：通过计算股票收益分布的偏度，捕捉市场中的极端波动[6] **因子具体构建过程**：因子计算方式参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[6] **因子评价**：该因子在捕捉市场极端波动方面表现良好[6] 2. **因子名称**：下行波动占比因子 **因子构建思路**：通过计算下行波动在总波动中的占比，捕捉市场中的下行风险[7] **因子具体构建过程**：因子计算方式参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[7] **因子评价**：该因子在捕捉下行风险方面表现稳定[7] 3. **因子名称**：开盘后买入意愿占比因子 **因子构建思路**：通过计算开盘后买入意愿在总交易中的占比，捕捉市场中的短期情绪[8] **因子具体构建过程**：因子计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[8] **因子评价**：该因子在捕捉短期市场情绪方面表现良好[8] 4. **因子名称**：开盘后买入意愿强度因子 **因子构建思路**：通过计算开盘后买入意愿的强度，捕捉市场中的短期情绪强度[9] **因子具体构建过程**：因子计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[9] **因子评价**：该因子在捕捉短期情绪强度方面表现稳定[9] 5. **因子名称**：开盘后大单净买入占比因子 **因子构建思路**：通过计算开盘后大单净买入在总交易中的占比，捕捉市场中的大单交易行为[10] **因子具体构建过程**：因子计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[10] **因子评价**：该因子在捕捉大单交易行为方面表现良好[10] 6. **因子名称**：开盘后大单净买入强度因子 **因子构建思路**：通过计算开盘后大单净买入的强度，捕捉市场中的大单交易强度[10] **因子具体构建过程**：因子计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[10] **因子评价**：该因子在捕捉大单交易强度方面表现稳定[10] 7. **因子名称**：改进反转因子 **因子构建思路**：通过改进传统反转因子，捕捉市场中的反转效应[11] **因子具体构建过程**：因子计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[11] **因子评价**：该因子在捕捉市场反转效应方面表现良好[11] 8. **因子名称**：尾盘成交占比因子 **因子构建思路**：通过计算尾盘成交在总交易中的占比，捕捉市场中的尾盘交易行为[12] **因子具体构建过程**：因子计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[12] **因子评价**：该因子在捕捉尾盘交易行为方面表现稳定[12] 9. **因子名称**：平均单笔流出金额占比因子 **因子构建思路**：通过计算平均单笔流出金额在总交易中的占比，捕捉市场中的资金流出行为[13] **因子具体构建过程**：因子计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[13] **因子评价**：该因子在捕捉资金流出行为方面表现良好[13] 10. **因子名称**：大单推动涨幅因子 **因子构建思路**：通过计算大单交易对股价涨幅的推动力，捕捉市场中的大单影响力[14] **因子具体构建过程**：因子计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[14] **因子评价**：该因子在捕捉大单影响力方面表现稳定[14] 因子的回测效果 1. **高频偏度因子**，本周多空收益率-0.14%，2月多空收益率0.02%，2025年多空收益率2.88%[6] 2. **下行波动占比因子**，本周多空收益率0.11%，2月多空收益率0.45%，2025年多空收益率2.82%[7] 3. **开盘后买入意愿占比因子**，本周多空收益率-0.07%，2月多空收益率-0.50%，2025年多空收益率0.71%[8] 4. **开盘后买入意愿强度因子**，本周多空收益率-0.28%，2月多空收益率-0.67%，2025年多空收益率0.44%[9] 5. **开盘后大单净买入占比因子**，本周多空收益率0.27%，2月多空收益率0.26%，2025年多空收益率0.96%[10] 6. **开盘后大单净买入强度因子**，本周多空收益率0.26%，2月多空收益率0.01%，2025年多空收益率0.71%[10] 7. **改进反转因子**，本周多空收益率0.17%，2月多空收益率0.03%，2025年多空收益率0.33%[11] 8. **尾盘成交占比因子**，本周多空收益率-0.05%，2月多空收益率0.25%，2025年多空收益率1.05%[12] 9. **平均单笔流出金额占比因子**，本周多空收益率-0.01%，2月多空收益率0.03%，2025年多空收益率0.45%[13] 10. **大单推动涨幅因子**，本周多空收益率0.13%，2月多空收益率0.04%，2025年多空收益率0.82%[14]

根据提供的文档内容，未发现与量化模型或量化因子相关的具体内容，因此无法提取相关信息进行总结

- 本次研报未涉及量化模型或量化因子的构建、测试及相关内容[1][2][3]

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，从而获得EPS和PE的“双击”收益[1][7] - **模型具体构建过程**：通过PEG指标评估股票定价的合理性，筛选出业绩增速加速增长的标的，理论上这些标的的PE向下空间能得到有效控制[7] - **模型评价**：策略在回测期内表现出较高的稳定性，7个完整年度的超额收益均超过11%[9] 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”两个核心点，筛选出市场认可度高的股票[2][12] - **模型具体构建过程**：每期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样本，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**：策略表现出较高的收益能力，年化超额收益显著[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因子筛选估值低且盈利能力强或成长潜力稳定的股票[3][17] - **模型具体构建过程**： - **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 - **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 - **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 - **价值型因子**：筛选具有长期稳定高ROE的公司[17] - **模型评价**：历史回测显示超额收益稳定[19] --- 模型的回测效果 1. 戴维斯双击策略 - 年化收益：26.45%[9] - 年化超额收益：21.08%[9] - 全样本超额收益：21.34%[9] - 最大相对回撤：-20.14%[9] - 收益回撤比：1.06[9] 2. 净利润断层策略 - 年化收益：28.35%[15] - 年化超额收益：26.44%[15] - 全样本超额收益：26.44%[13] - 最大相对回撤：-37.12%[13] - 收益回撤比：0.71[13] 3. 沪深300增强组合 - 年化收益：9.02%[19] - 年化超额收益：8.36%[19] - 全样本超额收益：8.36%[19] - 最大相对回撤：-9.18%[19] - 收益回撤比：0.91[19]

量化模型与构建方式 量化组合模型 - **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**：在不同宽基指数（如沪深300、中证500、中证1000）内，根据研报覆盖度区分两种域，并运用各自适用性因子进行增强，以提升选股效果[38] - **模型具体构建过程**： 1. 将宽基指数内的股票根据研报覆盖度划分为高覆盖度域和低覆盖度域[38] 2. 针对不同域分别选用适配的因子进行增强，优化选股效果[38] 3. 通过回测验证模型在不同指数中的表现[38] - **模型评价**：该模型通过因子适配性调整，提升了选股的精准性和收益稳定性[38] 资金流共振策略模型 - **模型名称**：融资-主动大单资金流共振策略 - **模型构建思路**：结合融资融券资金流因子和主动大单资金流因子，剔除极端行业后构建多头策略，提升策略稳定性[26] - **模型具体构建过程**： 1. 定义融资融券资金因子：对融资净买入-融券净买入进行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[26] 2. 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[26] 3. 剔除主动大单因子中的极端多头行业，并在头部打分中剔除融资融券因子表现较差的行业[26] 4. 进一步剔除大金融板块，优化策略稳定性[26] - **模型评价**：该策略通过因子剔除和优化，显著降低了回撤，提升了收益的稳定性[26] --- 模型的回测效果 基于研报覆盖度调整的指数增强模型 - 沪深300增强组合：上周绝对收益1.43%，超额收益0.24%；本月超额收益0.81%；本年超额收益3.39%[38] - 中证500增强组合：上周绝对收益0.95%，超额收益-1.01%；本月超额收益-2.82%；本年超额收益-2.39%[38] - 中证1000增强组合：上周绝对收益-0.90%，超额收益-1.77%；本月超额收益-3.23%；本年超额收益-3.46%[38] 融资-主动大单资金流共振策略 - 策略2018年以来费后年化超额收益13.5%，信息比率1.7[26] - 上周策略实现绝对收益2.0%，超额收益0.3%[26] --- 量化因子与构建方式 研发因子 - **因子名称**：研发销售收入占比（tot_rd_ttm_to_sales）、研发总资产占比（tot_rd_ttm_to_assets） - **因子构建思路**：通过研发投入与企业财务指标的比值衡量企业研发能力[35][36] - **因子具体构建过程**： 1. 研发销售收入占比：计算公式为 $ \text{研发费用TTM} / \text{销售收入TTM} $[35] 2. 研发总资产占比：计算公式为 $ \text{研发费用TTM} / \text{总资产} $[35] - **因子评价**：研发因子在不同时间维度和宽基指数中表现较好，尤其在小市值股票中超额收益更高[35][36] 成长因子 - **因子名称**：净利润波动率（np_ttm_growth_std）、营业收入同比增速（yoy_or） - **因子构建思路**：通过企业盈利能力和收入增长的稳定性衡量成长性[36][37] - **因子具体构建过程**： 1. 净利润波动率：计算公式为 $ (\text{净利润TTM} - \text{过去八个季度净利润TTM均值}) / \text{过去八个季度净利润TTM标准差} $[37] 2. 营业收入同比增速：计算公式为 $ (\text{当期营业收入} - \text{去年同期营业收入}) / \text{去年同期营业收入} $[37] - **因子评价**：成长因子在大小市值股票中均表现良好，尤其在小市值股票中超额收益更高[36][37] --- 因子的回测效果 研发因子 - 研发销售收入占比：近一周多头超额收益3.52%，近一个月6.55%，近一年25.14%[36] - 研发总资产占比：近一周多头超额收益3.18%，近一个月5.04%，近一年24.39%[36] 成长因子 - 净利润波动率：在沪深300中多头超额收益1.48%，中证500中3.42%，中证1000中2.33%，国证2000中2.55%[37] - 营业收入同比增速：在沪深300中多头超额收益2.03%，中证500中2.41%，中证1000中2.76%，国证2000中2.19%[37]

量化模型与构建方式 1. 模型名称：可转债指数抽样复制模型 - **模型构建思路**：通过分组抽样方法，控制组合的股债性、行业及市值暴露，选取部分标的构建组合，以实现对基准指数的有效跟踪[1][12][13] - **模型具体构建过程**： 1. **样本池初筛**：从沪深交易所上市的公募可转债中，筛选上市日期超过10个工作日且债券余额大于等于3000万元的标的[19] 2. **股债性分类**：根据平底溢价率（转股价值/纯债价值-1）将转债分为三类： - 偏债型：平底溢价率小于-20% - 平衡型：平底溢价率在-20%至20%之间 - 偏股型：平底溢价率大于20%[13][19] 3. **分组**：从平底溢价率和所属申万一级行业两个维度，将样本划分为3×31=93个小组合[19] 4. **抽样**：在每个小组合中，按照正股市值排序，选取正股市值位于中位数上下各10%的个券（即中位数附近20%的个券），具体抽样个数按四舍五入规则确定[19] 5. **持仓调整**：每季度末调整持仓，等权持有抽样得到的转债标的，并扣除双边千二的交易费用[20] - **模型评价**： - 简洁易行，避免了优化算法的高计算复杂度[18] - 通过控制股债性、行业及市值分布，能够有效对齐基准指数特征[13][19] - 随着转债数量增长，模型的跟踪误差逐步降低，复制效果较优[20] --- 模型的回测效果 1. 可转债指数抽样复制模型 - **年化跟踪误差**：2023年下半年起，年化跟踪误差基本控制在2%附近[2][20] - **抽样比例与误差关系**：2022年以来，抽样比例为40%时，年化跟踪误差仅为1.5%[25][27] - **实际抽样比例**：每期实际持有标的占比在18%-20%区间波动[26] - **组合流动性**：2020年以来，抽样组合日均成交额占基准指数成交额的比例均值为17%，能够保证一定的交易活跃度[32] --- 量化因子与构建方式 1. 因子名称：平底溢价率因子 - **因子的构建思路**：衡量转债的股债性，反映转债价格受正股波动的影响程度[13] - **因子具体构建过程**： - 公式：$ \text{平底溢价率} = \frac{\text{转股价值}}{\text{纯债价值}} - 1 $ - 参数说明： - 转股价值：转债按当前正股价格计算的价值 - 纯债价值：转债剔除转股权后的债券价值[13] - 分类标准： - 偏债型：平底溢价率小于-20% - 平衡型：平底溢价率在-20%至20%之间 - 偏股型：平底溢价率大于20%[13] - **因子评价**：能够有效区分转债的风险收益特征，为分组抽样提供依据[13] --- 因子的回测效果 1. 平底溢价率因子 - **偏债型转债指数**： - 年化收益：9.6% - 年化波动率：8.7% - 最大回撤：12.1% - 夏普比率：1.10[15] - **平衡型转债指数**： - 年化收益：9.1% - 年化波动率：12.9% - 最大回撤：20.2% - 夏普比率：0.74[15] - **偏股型转债指数**： - 年化收益：11.5% - 年化波动率：21.7% - 最大回撤：38.3% - 夏普比率：0.61[15]

- 贵金属市场在高位调整，伦敦金窄幅波动，当前交投于2911关口附近，伦敦银则交投于32.2美元附近[3] - 沪金主力合约收涨0.46%，报684.56元/克，沪银主力合约收涨1.33%，报8028元/千克[3] - 美元指数走低，当前交投于107.7附近[4] - 10年期美债收益率回吐昨日部分涨幅，当前回到4.6%附近[5] - 人民币兑美元汇率走强，当前交投于7.2955附近[6] - 美国1月CPI数据全线超预期，未季调CPI年率为3%，季调后CPI月率为0.5%[7][8] - 美联储3月维持利率不变的概率为97.5%，降息25个基点的概率为2.5%[9] - 市场对未来通胀和经济走向的担忧增加，对贵金属形成支撑[10] - 当前多头仍然是顺势，关注美国关税政策落地后市场的边际变化[11] - 沪金库存和沪银库存分别为750千克和9300千克[40][41] - 沪金成交量和沪银成交量分别为750手和9300手[43][46] - 沪金持仓量和沪银持仓量分别为750手和9300手[45] - 黄金TD递延费和白银TD递延费分别为0和1[48][49] - 美国10年期国债收益率为4.6%，盈亏平衡通胀率为2.5%[52][53]

量化模型与构建方式 宏观择时策略模型 - **模型名称**：宏观择时策略模型 - **模型构建思路**：基于动态宏观事件因子的股债轮动策略 - **模型具体构建过程**： - 该模型通过对经济增长和货币流动性两个层面的信号强度进行评估，来决定股票仓位的配置 - 经济增长层面信号强度为100%，货币流动性层面信号强度为0%[27] - 模型对2月份的权益推荐仓位为50%[27] - **模型评价**：模型在2025年年初至今的收益率为-1.16%，同期Wind全A收益率为-2.32%[27] 微盘股指数择时模型 - **模型名称**：微盘股指数择时模型 - **模型构建思路**：通过监控微盘股茅指数的轮动信号和市场交易情绪的波动率拥挤度指标来进行择时 - **模型具体构建过程**： - 微盘股茅指数相对净值在10月14日触发上穿年线的信号[31] - 微盘股与茅指数的20日收盘价斜率均为正值[31] - 使用两个中期风险预警指标：十年国债利率同比指标和波动率拥挤度同比指标[31] - 在10月15日，波动率拥挤度指标回落到阈值以下，触发波动率拥挤度风险预警信号解除[31] - 利率同比指标数值为-20.45%，未触发利率风控阈值0.3[31] - **模型评价**：目前微盘择时模型未触发风控，建议长期持有微盘股风格的投资者继续持有[31] 模型的回测效果 - **宏观择时策略模型**： - 收益率：-1.16%[27] - Wind全A收益率：-2.32%[27] 量化因子与构建方式 市值因子 - **因子名称**：市值因子 - **因子的构建思路**：基于股票的市值大小进行选股 - **因子具体构建过程**： - 使用流通市值的对数作为因子值[48] - 公式：$ \text{LN\_MktCap} = \log(\text{流通市值}) $[48] - **因子评价**：市值因子在过去一周表现良好[39] 反转因子 - **因子名称**：反转因子 - **因子的构建思路**：基于股票价格的反转效应进行选股 - **因子具体构建过程**： - 使用不同时间窗口的收益率作为因子值，如20日、40日、60日、120日收益率[49] - 公式：$ \text{Price\_Chg20D} = \frac{P_{t} - P_{t-20}}{P_{t-20}} $[49] - **因子评价**：反转因子在过去一周表现较好[39] 因子的回测效果 - **市值因子**： - 全部A股：IC均值18.82%，多空收益6.42%[40] - 沪深300：IC均值23.99%，多空收益0.55%[40] - 中证500：IC均值16.29%，多空收益-0.14%[40] - 中证1000：IC均值9.37%，多空收益-0.13%[40] - **反转因子**： - 全部A股：IC均值14.24%，多空收益7.69%[40] - 沪深300：IC均值21.64%，多空收益2.94%[40] - 中证500：IC均值21.63%，多空收益3.83%[40] - 中证1000：IC均值17.05%，多空收益5.47%[40]