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. **高频宏观因子模型** - **构建思路**：通过资产组合模拟构建高频宏观因子体系，用于观察市场交易的宏观预期变化[12] - **具体构建过程**： 1. 对利率、汇率、信用等因子直接通过多空相关指数构建组合 2. 对高频经济增长和通胀因子： - 合成低频宏观因子（如工业增加值同比、CPI同比等） - 筛选领先资产（如恒生指数、CRB金属现货等） - 通过滚动多元回归确定资产权重，拟合宏观因子走势 $$y_t = \beta_0 + \sum_{i=1}^n \beta_i x_{i,t-k} + \epsilon_t$$ 其中y为宏观因子同比，x为资产收益率，k为领先期数[12][13] - **评价**：对低频宏观因子具有领先性，能有效捕捉预期变化 2. **债券久期择时模型** - **构建思路**：改进Diebold2006模型预测收益率曲线三因子（水平/斜率/曲率）[20] - **具体构建过程**： - 水平因子：结合宏观变量预判和政策利率跟随 - 斜率/曲率因子：基于AR(1)模型预测 - 映射不同久期债券的预期收益[20] - **评价**：能动态捕捉收益率曲线形态变化 3. **转债风格轮动模型** - **构建思路**：通过估值偏离度和市场情绪指标进行风格切换[28] - **具体构建过程**： 1. 构建转股溢价率偏离度因子： $$\Delta PE = \frac{PE_i - PE_{median}}{\sigma_{PE}}$$ 2. 理论价值偏离度因子： $$\Delta PV = \frac{PV_i - PV_{model}}{\sigma_{PV}}$$ 3. 结合20日动量和波动率偏离度构建情绪指标[28] - **评价**：有效规避高估值转债风险 4. **黄金预期收益模型** - **构建思路**：关联黄金与TIPS的实际回报[32] - **具体构建过程**： $$E[Real\_Return^{gold}]=k\times E[Real\_Return^{Tips}]$$ $$E[R^{gold}]=\pi^{e}+k\times E[Real\_Return^{Tips}]$$ 其中k通过扩展窗口OLS估计，π^e取美联储2%通胀目标[32] - **评价**：建立了黄金与实际利率的量化关系 5. **主动风险预算模型** - **构建思路**：将风险平价与主动信号结合动态调整股债权重[40] - **具体构建过程**： 1. 计算股权风险溢价(ERP)： $$ERP = \frac{1}{PE_{ttm}} - YTM_{10Y}$$ 2. 估值分位数信号（5年滚动） 3. M2-M1剪刀差流动性信号 4. 通过softmax函数转化信号： $$softmax(x)=\frac{\exp(\lambda x)}{\exp(\lambda x)+\exp(-\lambda x)}$$[49] - **评价**：实现了风险控制与主动调整的平衡 6. **行业轮动3.0模型** - **构建思路**：六维度动态合成信号体系[56] - **具体构建过程**： - 交易行为：日内动量+隔夜反转 - 景气度：盈余动量 - 资金流：主动抢筹+被动派发 - 筹码结构：持仓收益+阻力支撑 - 宏观驱动：高频宏观映射 - 技术分析：趋势/振荡/量能指标[56] - **评价**：多维度捕捉行业轮动规律 模型回测效果 1. **高频宏观因子** - 经济增长因子：与低频数据方向一致性达80%[13] - 通胀因子（消费端）：领先低频数据1-2个月[16] 2. **债券久期择时** - 2025年5月超额收益18bp[23] - 近1年超额收益-3.58%[23] 3. **转债风格轮动** - 年化收益23.94%，最大回撤15.54%，IR 1.45[30] - 2025年收益23.61%[30] 4. **黄金模型** - 未来1年预期收益23.0%[32] - 过去1年实际收益41.32%[36] 5. **主动风险预算** - 年化收益6.49%，收益波动比1.62[53] - 最大回撤4.89%[53] 6. **行业轮动3.0** - 2025年5月多空收益-0.08%[60] - ETF轮动组合超额收益-0.26%[73] 量化因子与构建方式 1. **股权风险溢价(ERP)因子** - **构建过程**： $$ERP = \frac{1}{PE_{ttm}} - YTM_{10Y}^{TB}$$[41] - **信号规则**：>5%超配权益，<2%低配[42] 2. **转债估值因子** - 百元转股溢价率：26.28%（3年分位数39.6%）[26] - 修正YTM利差：0.18%中位数[26] 3. **基金风格因子** - 成长因子：强动量+景气上行[83] - 质量因子：强动量+景气上行[83] - 估值因子：弱动量+低赔率[83] 因子回测效果 1. **ERP因子** - 当前值5.50%（2025/5/30）[44] 2. **估值分位数因子** - 中证800 PE_ttm分位数57.2%[46] 3. **流动性因子** - M2-M1剪刀差6.50%（2025/04）[48] 4. **行业轮动因子** - 赔率指标：历史中低水平[59] - 胜率指标：1周动量最强[59]

根据提供的研报内容，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**：中证1000指数增强组合 **模型构建思路**：通过多因子选股策略对中证1000指数成分股进行增强，结合量化因子筛选和权重优化[4] **模型具体构建过程**： - 因子库构建：包含价值、成长、动量、质量等大类因子 - 因子合成：采用加权平均法合成综合得分 - 组合优化：在跟踪误差约束下最大化因子得分，使用二次规划求解 $$ \min_w (w-w_b)^T\Sigma(w-w_b) \quad s.t.\quad \sum f_iw_i \geq F_0 $$ 其中$w$为组合权重，$w_b$为基准权重，$\Sigma$为协方差矩阵，$f_i$为股票因子值 **模型评价**：年内超额收益达9.41%，显示稳定超额能力[4] 2. **模型名称**：港股精选组合 **模型构建思路**：基于港股通标的构建多因子量化选股策略[4] **模型具体构建过程**： - 因子筛选：侧重股息率、ROE和动量因子 - 组合构建：采用分层加权法，按市值和行业分组配置 **模型评价**：相对恒生指数超额15.07%，体现跨市场选股优势[4] 3. **模型名称**：成长稳健组合 **模型构建思路**：小盘成长风格主导的主动量化策略[4] **模型具体构建过程**： - 风格暴露控制：限制市值和估值因子暴露 - 动态调仓：月度再平衡结合事件驱动调整 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**：反映企业真实盈利能力的质量因子[12] **因子具体构建过程**： $$ FCF = \frac{经营性现金流净额 - 资本支出}{总资产} $$ 采用过去3年移动平均值平滑波动 2. **因子名称**：ESG筛选因子 **因子构建思路**：优化指数编制中引入的环境社会治理标准[13] **因子具体构建过程**： - 数据来源：第三方ESG评级机构 - 阈值设定：剔除行业后20%分位的股票 3. **因子名称**：专精特新因子 **因子构建思路**：捕捉政策支持的小盘创新属性[13] **因子具体构建过程**： - 定义标准：研发投入占比>5%且专利数行业前30% - 权重加成：在综合因子中额外赋予20%权重 模型的回测效果 1. 中证1000指数增强组合：年化超额9.41%，最大回撤4.2%，信息比率2.1[4] 2. 港股精选组合：年化收益31.17%，超额15.07%，跟踪误差6.8%[4] 3. 成长稳健组合：相对股基指数超额12.09%，月胜率83%[4] 因子的回测效果 1. 自由现金流因子：IC均值0.12，年化多空收益8.5%[12] 2. ESG筛选因子：降低组合波动率1.2个百分点，年化超额2.3%[13] 3. 专精特新因子：在小盘股中ICIR达1.8，月频换手率35%[13]

量化模型与构建方式 1. **模型名称**：成交量模型 - **模型构建思路**：基于市场成交量变化判断短期市场情绪[12] - **模型评价**：对市场流动性敏感，但易受异常交易干扰 2. **模型名称**：低波动率模型 - **模型构建思路**：通过计算标的指数波动率分位数判断市场风险偏好[12] - **模型评价**：防御性较强，适用于震荡市 3. **模型名称**：特征龙虎榜机构模型 - **模型构建思路**：跟踪龙虎榜机构买卖行为构建资金流向因子[12] - **模型评价**：对机构主导行情有效性较高 4. **模型名称**：智能沪深300/中证500模型 - **模型构建思路**：结合量价特征与机器学习算法优化宽基指数择时[12] - **模型评价**：智能化程度高，但存在过拟合风险 5. **模型名称**：涨跌停模型 - **模型构建思路**：统计涨停/跌停股票比例反映市场极端情绪[13] - **模型评价**：对市场转折点敏感 6. **模型名称**：长期动量模型 - **模型构建思路**：计算宽基指数12个月动量筛选趋势性机会[14] - **模型评价**：在单边市中表现优异 7. **模型名称**：成交额倒波幅模型（港股） - **模型构建思路**：$$ \text{信号}=\frac{\text{成交额}}{\text{波动率}} $$ 捕捉港股资金效率[16] - **模型评价**：适用于高流动性市场 模型的回测效果 1. 成交量模型：当前信号中性[12] 2. 低波动率模型：当前信号中性[12] 3. 智能沪深300模型：当前信号中性[12] 4. 智能中证500模型：当前信号看多[12] 5. 涨跌停模型：当前信号看多[13] 6. 长期动量模型：全宽基中性[14] 量化因子与构建方式 1. **因子名称**：杯柄形态因子 - **因子构建思路**：识别杯柄形态突破个股，计算形态长度与突破幅度[44][45] - **因子具体构建**： - A点（左杯沿）、B点（杯底）、C点（右杯沿）价格序列 - 突破条件：$$ P_{\text{break}} > \max(P_A, P_C) \times (1+\theta) $$ - **因子评价**：对成长股趋势延续性捕捉较好 2. **因子名称**：双底形态因子 - **因子构建思路**：捕捉W底形态突破个股[49][51] - **因子具体构建**： - A点（左底）、B点（颈线）、C点（右底）价格序列 - 突破条件：$$ P_{\text{break}} > P_B \times (1+\lambda) $$ - **因子评价**：在反弹市中表现突出 因子的回测效果 1. 杯柄形态因子：本周组合超额收益1.16%，年内累计超额40.69%[43] 2. 双底形态因子：本周组合超额收益2.29%，年内累计超额30.19%[43] 特殊指标监控 1. VIX指数：当前值14.78，较上周下降[41] 2. 基金仓位：股票型基金仓位90.12%（-71bps），混合型75.70%（+203bps）[23][29]

量化模型与构建方式 1. **模型名称：AI行业轮动模型** - 模型构建思路：使用全频段量价融合因子对32个一级行业打分，构建周频调仓策略，每周选取5个行业等权配置[1][16][23] - 模型具体构建过程： 1. 行业池：32个一级行业（拆分食品饮料、有色金属等）[23] 2. 因子：全频段量价融合因子，通过行业成分股因子得分加权计算行业得分[16][23] 3. 策略规则：每周最后一个交易日选择得分最高的5个行业，以下周首个交易日收盘价买入，周频调仓[23] 2. **模型名称：AI主题指数轮动模型** - 模型构建思路：基于全频段量价融合因子对133个主题指数打分，每周选取10个指数等权配置[2][9][15] - 模型具体构建过程： 1. 指数池：Wind主题ETF跟踪的133个指数[9] 2. 因子：全频段量价融合因子，通过成分股因子得分加权计算指数得分[9][15] 3. 策略规则：每周最后一个交易日选择得分最高的10个指数，以下周首个交易日开盘价买入，交易成本双边万分之四[9] 3. **模型名称：AI概念指数轮动模型** - 模型构建思路：对72个Wind热门概念指数应用全频段量价融合因子，每周选取10个指数等权配置[11][13][15] - 模型具体构建过程： 1. 指数池：72个Wind概念指数[15] 2. 因子：全频段量价融合因子，通过成分股因子得分加权计算指数得分[15] 3. 策略规则：每周最后一个交易日选择得分最高的10个指数，交易成本双边万分之四[15] 4. **模型名称：AI中证1000增强组合** - 模型构建思路：基于全频段融合因子构建中证1000指数增强策略[28][29] - 模型具体构建过程： 1. 因子：全频段融合因子[28] 2. 组合规则：成分股权重≥80%，个股权重偏离上限0.8%，Barra暴露<0.3，周双边换手率控制30%，交易成本双边千分之四[29] 5. **模型名称：文本FADT_BERT选股组合** - 模型构建思路：基于盈利预测调整文本因子（forecast_adjust_txt_bert）构建多头选股组合[32][36] - 模型具体构建过程： 1. 因子：forecast_adjust_txt_bert因子[32] 2. 策略规则：选取因子排名前25的股票构建组合[32] --- 量化因子与构建方式 1. **因子名称：全频段量价融合因子** - 因子构建思路：结合高频深度学习因子与低频多任务因子合成[26][28] - 因子具体构建过程： 1. 高频部分：深度学习模型提取27个高频量价特征[26] 2. 低频部分：多任务学习挖掘低频量价数据[26] 3. 合成方法：高频与低频因子加权融合[26] 2. **因子名称：forecast_adjust_txt_bert** - 因子构建思路：基于BERT模型升级盈利预测调整文本因子[32] - 因子评价：在历史回测中展现较强选股能力[32] --- 模型的回测效果 1. **AI行业轮动模型** - 年化收益率：24.95%[1][22] - 年化超额收益率（vs等权基准）：20.80%[1][22] - 超额收益最大回撤：12.43%[22] - 超额夏普比率：2.00[22] - 今年以来收益率：4.88%[22] 2. **AI主题指数轮动模型** - 年化收益率：16.03%[2][8] - 年化超额收益率：13.10%[2][8] - 超额收益最大回撤：16.55%[8] - 今年以来超额收益率：10.43%[2][8] 3. **AI概念指数轮动模型** - 年化收益率：22.42%[13] - 年化超额收益率：12.68%[13] - 超额收益最大回撤：17.96%[13] 4. **全频段融合因子分层测试** - TOP层年化超额收益率（vs全A等权）：31.47%[26][28] - 5日RankIC均值：0.116[28] - 今年以来TOP层超额收益：15.04%[26][28] 5. **AI中证1000增强组合** - 年化超额收益率（vs中证1000）：22.17%[28][30] - 年化跟踪误差：6.07%[28] - IR：3.65[28] - 超额收益最大回撤：7.55%[28] 6. **文本FADT_BERT组合** - 成立以来年化收益率：39.29%[32][38] - 年化超额收益率（vs中证500）：31.74%[32][38] - 夏普比率：1.36[32] - 最大回撤：48.69%[38]

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. **模型名称**：沪深300指数增强模型 **模型构建思路**：通过超额收益跟踪沪深300指数表现，采用多因子选股和优化权重的方法构建投资组合[9][10] **模型具体构建过程**： - 采用日频数据进行计算，年化采用242个交易日，几何年化 - 基金分类标准为Wind投资类型二级为指数增强型基金，跟踪沪深300指数 - 超额业绩计算的比较基准为沪深300全收益指数[31] 2. **模型名称**：中证500指数增强模型 **模型构建思路**：通过超额收益跟踪中证500指数表现，采用多因子选股和优化权重的方法构建投资组合[9][10] **模型具体构建过程**： - 采用日频数据进行计算，年化采用242个交易日，几何年化 - 基金分类标准为Wind投资类型二级为指数增强型基金，跟踪中证500指数 - 超额业绩计算的比较基准为中证500全收益指数[31] 3. **模型名称**：中证1000指数增强模型 **模型构建思路**：通过超额收益跟踪中证1000指数表现，采用多因子选股和优化权重的方法构建投资组合[9][10] **模型具体构建过程**： - 采用日频数据进行计算，年化采用242个交易日，几何年化 - 基金分类标准为Wind投资类型二级为指数增强型基金，跟踪中证1000指数 - 超额业绩计算的比较基准为中证1000全收益指数[31] 4. **模型名称**：中证A500指数增强模型 **模型构建思路**：通过超额收益跟踪中证A500指数表现，采用多因子选股和优化权重的方法构建投资组合[9][10] **模型具体构建过程**： - 采用日频数据进行计算，年化采用242个交易日，几何年化 - 基金分类标准为Wind投资类型二级为指数增强型基金，跟踪中证A500指数 - 超额业绩计算的比较基准为中证A500全收益指数[31] 5. **模型名称**：主动量化模型 **模型构建思路**：通过多因子选股和动态调整权重，实现绝对收益目标[9][10] **模型具体构建过程**： - 采用日频数据进行计算，年化采用242个交易日，几何年化 - 基金分类标准为Wind投资类型为普通股票型、偏股混合型、灵活配置型基金，根据投资名称、投资目标、基金经理等定义主动量化基金[31] 6. **模型名称**：股票市场中性模型 **模型构建思路**：通过多空对冲策略，降低市场风险，追求绝对收益[9][10] **模型具体构建过程**： - 采用日频数据进行计算，年化采用242个交易日，几何年化 - 基金分类标准为Wind投资类型二级为股票多空策略[31] 模型的回测效果 1. **沪深300指增模型** - 本周超额收益均值：0.35%[10] - 本月超额收益均值：0.40%[10] - 本年超额收益均值：1.30%[10] - 近一年跟踪误差：3.60%[10] 2. **中证500指增模型** - 本周超额收益均值：0.20%[10] - 本月超额收益均值：1.12%[10] - 本年超额收益均值：1.99%[10] - 近一年跟踪误差：4.99%[10] 3. **中证1000指增模型** - 本周超额收益均值：0.09%[10] - 本月超额收益均值：0.68%[10] - 本年超额收益均值：4.01%[10] - 近一年跟踪误差：5.15%[10] 4. **中证A500指增模型** - 本周超额收益均值：0.34%[10] - 本月超额收益均值：0.32%[10] - 本年超额收益均值：3.02%[10] - 本年跟踪误差：7.69%[10] 5. **主动量化模型** - 本周收益均值：0.10%[10] - 本月收益均值：2.20%[10] - 本年收益均值：2.93%[10] - 近一年最大回撤：16.17%[10] 6. **股票市场中性模型** - 本周收益均值：0.04%[10] - 本月收益均值：0.17%[10] - 本年收益均值：0.74%[10] - 近一年最大回撤：5.15%[10] 量化因子与构建方式 （研报中未提及具体量化因子的构建，故跳过此部分） 因子的回测效果 （研报中未提及具体量化因子的回测效果，故跳过此部分）

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 估值类因子 1. **BP因子** - 构建思路：衡量公司净资产与市值的比率，反映估值水平[16] - 构建过程：$$ BP = \frac{净资产}{总市值} $$ - 评价：传统价值因子，长期有效性稳定 2. **EPTTM因子** - 构建思路：使用滚动净利润衡量盈利估值[16] - 构建过程：$$ EPTTM = \frac{归母净利润TTM}{总市值} $$ 3. **股息率因子** - 构建思路：反映分红回报能力[16] - 构建过程：$$ 股息率 = \frac{最近四个季度预案分红金额}{总市值} $$ 反转动量类因子 1. **一个月反转因子** - 构建思路：捕捉短期价格反转效应[16] - 构建过程：过去20个交易日涨跌幅 2. **一年动量因子** - 构建思路：捕捉中长期趋势延续性[16] - 构建过程：近一年（除最近一月）涨跌幅 成长类因子 1. **单季营收同比增速** - 构建思路：反映收入增长动能[16] - 构建过程：$$ \frac{单季度营业收入-去年同期营业收入}{去年同期营业收入} $$ 2. **SUE因子** - 构建思路：衡量盈利超预期程度[16] - 构建过程：$$ SUE = \frac{单季度实际净利润-预期净利润}{预期净利润标准差} $$ 盈利质量类因子 1. **单季ROE** - 构建思路：衡量股东权益回报率[16] - 构建过程：$$ ROE = \frac{单季度归母净利润*2}{期初归母净资产+期末归母净资产} $$ 2. **DELTAROE** - 构建思路：反映盈利能力改善[16] - 构建过程：当期ROE - 去年同期ROE 流动性类因子 1. **非流动性冲击** - 构建思路：衡量交易摩擦成本[16] - 构建过程：$$ \frac{过去20个交易日|日涨跌幅|}{成交额均值} $$ 2. **三个月换手率** - 构建思路：反映股票活跃度[16] - 构建过程：过去60个交易日换手率均值 分析师类因子 1. **三个月盈利上下调** - 构建思路：捕捉分析师预期调整[16] - 构建过程：$$ \frac{上调家数-下调家数}{覆盖机构总数} $$ 2. **预期EPTTM** - 构建思路：反映市场一致预期估值[16] - 构建过程：采用Wind一致预期滚动EP数据 因子回测效果 沪深300样本空间 - **三个月波动因子**：最近一周超额0.47%，年化IR 2.81%[18] - **标准化预期外盈利**：最近一月超额1.07%，年化IR 3.93%[18] - **一个月反转因子**：今年以来超额4.78%，但最近一周超额-0.60%[18] 中证500样本空间 - **单季营收同比增速**：最近一周超额1.16%，年化IR 3.12%[20] - **非流动性冲击**：今年以来超额1.62%，年化IR 0.79%[20] 中证1000样本空间 - **EPTTM一年分位点**：最近一周超额1.03%，年化IR 6.71%[22] - **三个月反转因子**：最近一周超额-0.93%，历史年化IR -0.70%[22] 模型构建方法 **MFE组合优化模型** - 构建思路：在控制行业/风格暴露下最大化单因子暴露[41] - 优化目标：$$ \max f^Tw $$ - 约束条件包括： $$ s_l \leq X(w-w_b) \leq s_h $$ （风格暴露约束） $$ h_l \leq H(w-w_b) \leq h_h $$ （行业暴露约束） $$ w_l \leq w-w_b \leq w_h $$ （个股权重偏离约束）[42] 指数增强组合表现 - **中证1000增强组合**：本年超额收益9.41%，本周超额0.72%[13] - **沪深300增强组合**：本年超额4.21%，本周超额1.06%[13] 公募产品表现 - **中证500增强产品**：最近一月超额中位数1.11%，最高3.15%[33] - **中证1000增强产品**：最近一季超额中位数3.95%，最高9.38%[37]

根据提供的研报内容，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**：BP **构建思路**：衡量公司净资产与总市值的比率，属于估值类因子[16] **构建过程**：$$BP = \frac{净资产}{总市值}$$ **评价**：传统估值因子，在多数市场环境下具有选股能力 2. **因子名称**：单季EP **构建思路**：衡量单季度净利润与市值的比率[16] **构建过程**：$$单季EP = \frac{单季度归母净利润}{总市值}$$ 3. **因子名称**：三个月波动 **构建思路**：反映股票过去60个交易日的波动率，属于风险类因子[16] **构建过程**：计算过去60个交易日日内真实波幅均值 4. **因子名称**：标准化预期外盈利 **构建思路**：衡量盈利超预期程度[16] **构建过程**：$$SUE = \frac{单季度实际净利润-预期净利润}{预期净利润标准差}$$ 5. **因子名称**：一个月反转 **构建思路**：捕捉短期价格反转效应[16] **构建过程**：计算过去20个交易日涨跌幅 6. **因子名称**：非流动性冲击 **构建思路**：衡量股票流动性风险[16] **构建过程**：$$非流动性冲击 = \frac{过去20个交易日日涨跌幅绝对值}{成交额的均值}$$ 7. **因子名称**：MFE组合构建 **构建思路**：在控制风险暴露前提下最大化因子暴露[41] **构建过程**：通过优化模型$$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ **评价**：更接近实际投资组合的因子检验方式 因子回测效果 1. **BP因子** - 沪深300空间：最近一周0.25%，历史年化3.03%[18] - 中证500空间：最近一周0.18%，历史年化4.15%[20] - 中证1000空间：最近一周0.60%，历史年化3.41%[22] 2. **三个月波动因子** - 沪深300空间：最近一周0.47%，历史年化2.81%[18] - 中证500空间：最近一周0.30%，历史年化4.53%[20] 3. **一个月反转因子** - 沪深300空间：最近一周-0.60%，历史年化0.63%[18] - 中证500空间：最近一周-0.23%，历史年化0.64%[20] 4. **标准化预期外盈利因子** - 沪深300空间：最近一周0.41%，历史年化3.93%[18] - 中证1000空间：最近一周0.55%，历史年化8.25%[22] 5. **单季EP因子** - 中证500空间：最近一周0.41%，历史年化7.40%[20] - 中证A500空间：最近一周0.48%，历史年化5.81%[24] 模型回测效果 1. **沪深300指数增强组合** - 本周超额1.06%，本年超额4.21%[13] 2. **中证500指数增强组合** - 本周超额-0.05%，本年超额6.45%[13] 3. **中证1000指数增强组合** - 本周超额0.72%，本年超额9.41%[13] 4. **公募基金指数增强产品** - 沪深300增强中位数：本周0.32%，本年1.67%[31] - 中证500增强中位数：本周0.35%，本年2.45%[33] - 中证1000增强中位数：本周0.24%，本年4.11%[37]

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、研报标题超预期）构建股票池，再通过基本面和技术面双重筛选选出超预期股票[16] - **模型具体构建过程**： 1. 事件筛选：捕捉分析师上调盈利预测、首次覆盖或标题含“超预期”的研报事件 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日涨跌幅位于全市场前20%，且通过价格路径平滑性（位移路程比）和趋势延续性（新高距离均值）指标综合排序[22] - **模型评价**：兼顾基本面逻辑与技术面动量效应，长期超额收益显著[16] 2. **因子名称**：250日新高距离 - **因子构建思路**：量化股价接近历史高点的程度，反映趋势延续潜力[21] - **因子具体构建过程**： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中`Closet`为最新收盘价，`ts_max(Close, 250)`为过去250日最高价。取值为0表示创历史新高，正值越大表示回落幅度越大[21] 3. **复合因子名称**：平稳创新高筛选体系 - **构建思路**：结合新高距离、分析师覆盖、价格路径平滑性等多维度筛选动量股[22] - **具体构建过程**： 1. 初筛：过去20个交易日内创250日新高 2. 分析师覆盖：过去6个月买入/增持研报≥5份 3. 动量强度：过去250日涨跌幅前20% 4. 路径平滑性：位移路程比（过去120日涨跌幅绝对值/日涨跌幅绝对值加总）排名前50%[22] --- 模型的回测效果 1. **港股精选组合** - 年化收益：17.02%（2010-2024） - 超额收益：17.60%（vs恒生指数） - 最大回撤：23.73% - IR：1.19 - 跟踪误差：14.45%[18] 2. **2024年表现** - 绝对收益：31.17% - 超额收益：15.07%（vs恒生指数）[17] --- 量化因子与构建方式 1. **辅助因子名称**：股价位移路程比 - **构建思路**：衡量价格路径的平滑性，过滤波动过大个股[22] - **计算公式**： $$\frac{\text{过去120日涨跌幅绝对值}}{\text{过去120日日涨跌幅绝对值加总}}$$ 2. **衍生因子名称**：创新高持续性 - **构建思路**：评估新高趋势的稳定性[22] - **计算方式**：过去120日250日新高距离的时间序列均值 --- 因子的回测效果 1. **平稳创新高股票筛选** - 医药板块占比最高（10只），其次为消费/科技板块（各10/8只）[21] - 典型案例：先声药业（医药）250日涨幅127.3%，泡泡玛特（消费）537.9%[27] 2. **250日新高距离因子** - 创新高个股（距离=0）平均250日涨幅达137.5%，显著跑赢市场[27] --- 其他量化指标 1. **南向资金监控** - 2025年累计净流入：6509亿港元 - 本周净流入前三：美团-W（66.4亿）、建设银行（27亿）、中国移动（19.1亿）[36] 2. **港股ETF规模** - 总规模3435亿元，前三大：富国港股通互联网ETF（449.7亿）、华夏恒生科技ETF（264.9亿）[48]

量化模型与构建方式 1. **模型名称：分红预测模型** - **模型构建思路**：基于上市公司分红信息（年报、快报、预警等）和盈利预测数据，预测指数成分股的分红对股指期货合约的影响[9][11][12] - **模型具体构建过程**： 1. **预估净利润**：优先采用年报数据，其次为快报、预警、三季报TTM或分析师预测均值[25][26] 2. **计算税前分红总额**： - 已公布分红预案的直接采用 - 未公布的假设分红率与去年一致（若去年分红率为0则预测为0）[30] - 净利润为负的公司分红率设为0[30] 3. **计算分红对指数的影响**： - 股息率 = 税后分红总额 / 最新市值 - 股息点 = 股票权重 × 股息率 - 权重调整公式： $$\mathrm{w_{it}={\frac{w_{i0}\times\mathrm{\scriptsize{\boldmath~(~1+R~)}~}}{\sum_{1}^{n}w_{i0}\times\mathrm{\scriptsize{\boldmath~(~1+R~)}~}}}}$$ 其中 \(w_{i0}\) 为初始权重，\(R\) 为涨跌幅[27] 4. **预测分红对各合约的影响值**： - 除权除息日预测：已公布的直接采用，未公布的参考历史除息日中位数[31][32] - 合约影响值 = 交割日前所有分红点数的累加[32] - **模型评价**：依赖历史分红率和盈利预测假设，市场环境突变时可能产生偏差[6][35] 2. **模型名称：股指期货定价模型** - **模型构建思路**：基于无套利原理，考虑分红现值和利率因素，计算期货理论价格[35][36] - **模型具体构建过程**： 1. **离散红利分配**： $$F_t = (S_t - D)(1 + r)$$ 其中 \(D = \sum_{i=1}^{m} D_i / (1 + \phi)\)，\(D_i\) 为单次红利，\(\phi\) 为无风险利率[35] 2. **连续红利分配**： $$F_t = S_t e^{(r - d)(T - t)}$$ 其中 \(d\) 为年化红利率，\(r\) 为无风险利率[36] --- 量化因子与构建方式 （报告中未提及独立因子，仅涉及模型内部分红相关计算指标） --- 模型的回测效果 1. **分红预测模型** - **上证50股指期货**： - 6月合约分红点数16.98，年化对冲成本（剔除分红） -3.56%[13] - 剩余分红影响比例0.63%[17] - **沪深300股指期货**： - 6月合约分红点数19.41，年化对冲成本 -0.71%[14] - 剩余影响比例0.51%[17] - **中证500股指期货**： - 6月合约分红点数27.05，年化对冲成本4.97%[15] - 剩余影响比例0.48%[17] - **中证1000股指期货**： - 6月合约分红点数23.76，年化对冲成本10.61%[16] - 剩余影响比例0.39%[17] 2. **股指期货定价模型** - 未提供具体回测数据，仅作为理论框架[35][36] --- 因子的回测效果 （无相关内容）

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**：以较低的市盈率买入具有成长潜力的股票，待成长性显现、市盈率提高后卖出，获得EPS和PE的乘数效应收益[8] - **模型具体构建过程**： 1. 筛选低PE且盈利增速加速增长的标的 2. 通过PEG指标评估估值合理性（PEG = PE / 盈利增速） 3. 动态调仓持有符合双击逻辑的股票组合[8][10] - **模型评价**：策略在回测期内超额收益稳定，年化超额基准21.08%，但近期表现波动较大[10][11] 2. **模型名称：净利润断层策略** - **模型构建思路**：结合基本面（业绩超预期）与技术面（股价跳空缺口）共振选股[13] - **模型具体构建过程**： 1. 筛选过去两个月内业绩预告或财报超预期的股票 2. 按盈余公告日跳空幅度排序，选取前50只股票等权构建组合[13][15] - **模型评价**：长期年化收益28.71%，超额基准27.17%，但最大回撤达-37.12%[15][17] 3. **模型名称：沪深300增强组合** - **模型构建思路**：基于GARP、成长、价值三类投资者偏好构建复合因子[19] - **模型具体构建过程**： 1. **PBROE因子**：PB与ROE分位数之差，筛选低估值高盈利股票 2. **PEG因子**：PE与盈利增速分位数之差，挖掘低估成长股 3. 复合因子加权构建组合[19][21] - **模型评价**：超额收益稳定性强，但年化超额（9%）低于前两种策略[21][23] --- 量化因子与构建方式 1. **因子名称：PBROE因子** - **因子构建思路**：衡量估值与盈利能力的匹配度（低PB+高ROE）[19] - **因子具体构建过程**： $$ PBROE = Rank(PB)^{-1} - Rank(ROE) $$ 其中Rank为分位数排名，负号表示反向关系[19] 2. **因子名称：PEG因子** - **因子构建思路**：结合估值与成长性（低PE+高增速）[19] - **因子具体构建过程**： $$ PEG = Rank(PE)^{-1} - Rank(盈利增速) $$ 分位数差值越大表明价值低估越显著[19] --- 模型的回测效果 1. **戴维斯双击策略** - 年化收益：26.45%[10] - 年化超额基准：21.08%[10] - 最大相对回撤：-20.14%[10] - 2025年超额中证500：12.19%[11] 2. **净利润断层策略** - 年化收益：28.71%[15] - 年化超额基准：27.17%[15] - 最大相对回撤：-37.12%[15] - 2025年超额基准：18.76%[17] 3. **沪深300增强组合** - 年化超额收益：9.00%[21] - 2025年超额沪深300：10.42%[23] - 最大相对回撤：-9.18%[21] --- 因子的回测效果 （注：报告中未单独披露因子层面的回测指标）