Workflow
金融工程日报:A股震荡走低,机器人、算力领跌,新消费题材逆势走强-20250527
国信证券· 2025-05-27 20:59
根据提供的金融工程日报内容,该报告主要聚焦市场表现和情绪指标,未涉及具体的量化模型或因子构建。以下是可提取的核心量化指标: 1. 市场情绪指标 - 封板率计算方式:最高价涨停且收盘涨停的股票数/最高价涨停的股票数[16] - 连板率计算方式:连续两日收盘涨停的股票数/昨日收盘涨停的股票数[16] - 当日封板率74%(较前日+2%),连板率41%(较前日+9%)[16] 2. 资金流向指标 - 两融余额占比:两融余额/流通市值=2.3%[21] - 两融交易占比:(融资买入额+融券卖出额)/市场成交额=8.2%[21] 3. 折溢价指标 - ETF折溢价:创50ETF富国溢价2.01%,沪港深300ETF折价0.48%[22] - 大宗交易折价率公式:大宗交易总成交金额/当日成交份额总市值-1[25] - 近半年平均折价率5.48%,当日折价率4.03%[25] 4. 股指期货指标 - 年化贴水率公式:基差/指数价格*(250/合约剩余交易日数)[28] - 当日贴水率分位数: • 上证50:9.14%(16%分位)[28] • 沪深300:11.57%(13%分位)[28] • 中证500:19.29%(10%分位)[28] • 中证1000:22.87%(11%分位)[28] 注:报告未包含量化模型或因子构建的具体方法论,主要为市场监测类指标的实时数据展示。所有计算公式和数据取值均来自原文标注的章节。
因子选股系列之一一六:NeuralODE:时序动力系统重构下深度学习因子挖掘模型
东方证券· 2025-05-27 16:43
量化模型与构建方式 1. **模型名称**:RNN+Neural ODE+MLP融合模型 **模型构建思路**:通过RNN进行时序数据压缩和降维,利用Neural ODE学习时序演化规律重构数据,最后通过MLP捕捉alpha信息以提升选股鲁棒性[3][6]。 **模型具体构建过程**: - **Encoder层(RNN)**:对时序数据降维和特征提取。 - **Decoder层(Neural Jump SDE)**:拟合时序数据的微分动力系统,重构数据。公式: $$\left\{\begin{array}{l}dx(t)=v(x(t),t)dt+\sigma(x(t),t)dB(t),t\in[0,T]\\ \hat{y}=F(x(T))\\ x(0)=\hat{x}\end{array}\right.$$ 其中$v$和$\sigma$为全连接层加激活函数构成[22][26]。 - **MLP层**:对重构数据提取特征预测收益率。损失函数包括重构损失、KL散度和MSE损失: $$\alpha\log(p(x|\theta))+\beta\operatorname{KL}(N(\mu,e x p(\sigma/2))||N(0,\delta I))+(\hat{\sigma}-y)^{2}$$[31][32] **模型评价**:通过数据重构降低噪声影响,提升样本外泛化能力[3][34]。 2. **模型名称**:Baseline模型(ABCM模型) **模型构建思路**:基于神经网络的alpha和beta因子协同挖掘,生成选股因子[37]。 **模型评价**:作为对比基准,新模型在多头超额和抗风险能力上显著优于Baseline[39][43]。 3. **衍生模型**: - **Model1**:Neural ODE生成因子与Baseline因子等权组合[42]。 - **Model2**:Neural SDE生成因子与Baseline因子等权组合[42]。 - **Model3**:Model1因子剥离短期风险后的残差因子[42]。 --- 量化因子与构建方式 1. **因子名称**:Model1因子 **因子构建思路**:基于RNN+Neural ODE+MLP模型生成的alpha因子,通过数据重构增强稳定性[6][26]。 **因子评价**:多头超额显著提升,换手率降低,抗极端市场能力更强[39][43]。 2. **因子名称**:行业轮动因子 **因子构建思路**:将选股因子按行业流通市值加权聚合,生成行业得分[50][51]。 **因子评价**:Model1因子行业RankIC达12.55%,Top组年化超额25.27%,优于Baseline[52][53]。 --- 模型的回测效果 1. **RNN+Neural ODE+MLP模型(Model1)**: - **RankIC均值**:16.33%(中证全指)[39] - **Top组年化超额**:54.54%[39] - **最大回撤**:-6.63%(2024年)[43] - **换手率**:59.73%(较Baseline下降)[39] 2. **Baseline模型**: - **RankIC均值**:16.39%[39] - **Top组年化超额**:52.63%[39] - **最大回撤**:-5.25%[43] 3. **行业轮动表现**: - **Model1因子**:RankIC 12.55%,Top组超额25.27%[52] - **Baseline因子**:RankIC 12.20%,Top组超额23.05%[52] --- 因子的回测效果 1. **指数增强策略**: - **沪深300指增**:Model1年化超额16.67%,夏普比率3.14[65]。 - **中证500指增**:Model1年化超额21.37%,夏普比率3.21[72]。 - **中证1000指增**:Model1年化超额32.41%,夏普比率4.37[80]。 2. **Top组合绝对收益**: - **Model1**:年化收益43.80%,最大回撤-40.84%[59]。 - **Baseline**:年化收益40.15%,最大回撤-42.41%[59]。 --- 关键公式总结 1. **Neural SDE前向传播**: $$\left\{\begin{array}{l}dx(t)=v(x(t),t)dt+\sigma(x(t),t)dB(t)\\ \hat{y}=F(x(T))\\ x(0)=\hat{x}\end{array}\right.$$[22] 2. **总损失函数**: $$\alpha\log(p(x|\theta))+\beta\operatorname{KL}(N(\mu,e x p(\sigma/2))||N(0,\delta I))+(\hat{\sigma}-y)^{2}$$[32]
指数基金投资+:华鑫量化全天候刷新历史新高
华鑫证券· 2025-05-27 16:23
证 券 研 究 报 告 金融工程周报 华鑫量化全天候刷新历史新高 ——指数基金投资+ 目 录 2. 指数基金新发市场追踪 2025年5月27日 n 分析师:吕思江 n SAC编号:S1050522030001 n 联系人:武文静 n SAC编号:S1050123070007 市场观点和ETF交易机会 PAGE 2 诚信、专业、稳健、高效 请阅读最后一页重要免责声明 p 【国内市场跟踪】上周市场日均成交仅1.17万亿,风险偏好明显回落,中证红利录得+0.15%领涨,中证 2000和北证50跌幅靠前。小微盘调整未出现实质性如政策面或基本面上的利空,核心原因在于交易过热 板块波动率放大,中证2000指数拥挤度全周处于历史极值,参考历史上极值区间,如去年1月份,建议短 期规避交易过热的小微盘。红利风格虽然最近一段时间持续走强,但是日历效应来看,6、7月中期分红落 地后整体板块会有一定的止盈压力,不追高。 p 【港股市场周观点】美债和日债收益率上行至关键水平,以及关税博弈预期再起,利好黄金等避险资产, 对风险资产偏利空。大类资产中我们止盈了日股,并增加黄金的短期交易仓位。"东稳西落"交易下可能 带来港股的配置机会。港股 ...
华鑫量化全天候刷新历史新高
华鑫证券· 2025-05-27 15:34
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. **鑫选ETF绝对收益策略** - 模型构建思路:通过"抽屉法"在场内权益ETF池中进行测试,目标是跑出绝对收益和相对A股权益的长周期相对收益[11] - 具体构建过程: 1. 筛选鑫选ETF池中的标的(如黄金ETF、食品饮料ETF等) 2. 采用技术面量化方法进行组合优化 3. 动态调整持仓权重(各标的权重10%)[12] - 模型评价:样本外表现优异,风险收益比突出 2. **全天候多资产多策略ETF风险平价策略** - 模型构建思路:结合行业轮动、风格轮动等权益策略,使用风险平价方法分散资产和策略风险[17] - 具体构建过程: 1. 配置多资产类别(商品/美股/国内权益/债券) 2. 采用风险贡献均衡的权重分配方法 3. 具体持仓包括国债ETF(21.05%)、黄金ETF(9.12%)等[18] 3. **中美核心资产组合** - 模型构建思路:纳入白酒、红利、黄金、纳指四种强趋势标的,结合RSRS择时策略[21] - 具体构建过程: 1. 对每类资产应用RSRS趋势判断 2. 根据技术面反转信号调整仓位 3. 当前持仓为中证红利ETF和黄金ETF 4. **高景气/红利轮动策略** - 模型构建思路:构建高景气成长与红利策略的轮动模型[24] - 具体构建过程: 1. 信号为高景气时配置创业板ETF和科创50ETF(各50%) 2. 信号为红利时配置红利低波ETF与央企红利50ETF 3. 2024年2月后调整红利组合结构 5. **双债LOF增强策略** - 模型构建思路:通过波动率倒数归一化方法提升债券配置权重[27] - 具体构建过程: 1. 将标的分为双债LOF与其他三类资产 2. 计算各组收益率波动率 3. 按波动率倒数分配权重 6. **结构化风险平价(QDII)** - 模型构建思路:以国内债券ETF为主,QDII产品增强收益[30] - 具体构建过程: 1. 配置QDII权益(纳指ETF等)、黄金、国内红利ETF 2. 采用风险平价方法优化组合 模型的回测效果 | 策略名称 | 总收益率 | 年化收益率 | 最大回撤 | 波动率 | 夏普比率 | |---------|---------|-----------|---------|--------|----------| | 鑫选技术面量化策略 | 33.49% | 24.14% | -6.30% | 17.58% | 1.20 | [33] | 高景气红利轮动策略 | 48.99% | 34.78% | -22.04% | 34.79% | 0.96 | [33] | 中美核心资产组合 | 59.80% | 42.03% | -10.86% | 17.16% | 2.02 | [33] | 双债LOF增强 | 9.08% | 6.73% | -2.26% | 3.41% | 1.34 | [33] | 结构化风险平价(QDII) | 23.59% | 17.18% | -2.38% | 4.92% | 2.84 | [33] | 全天候多资产策略 | 19.69% | 14.40% | -3.62% | 4.48% | 2.58 | [15][33] 量化因子与构建方式 1. **红利因子** - 构建思路:通过股息率和低波动特征筛选标的[24] - 具体构建: 1. 计算标的股息率($$ Dividend\ Yield = \frac{DPS}{Price} $$) 2. 结合波动率指标筛选 3. 应用于红利低波ETF等产品 2. **质量因子** - 构建思路:筛选自由现金流稳定的标的[24] - 具体构建: 1. 计算企业自由现金流($$ FCF = CFO - CapEx $$) 2. 标准化处理后加权 3. **趋势因子(RSRS)** - 构建思路:捕捉资产价格趋势[21] - 具体构建: 1. 计算标的RSRS斜率 2. 设定阈值触发交易信号 因子的回测效果 | 因子类型 | 代表ETF | 年化超额收益 | IR | |---------|--------|-------------|----| | 红利因子 | 红利低波ETF | 2.31% | 0.88 | [59] | 质量因子 | 自由现金流ETF | 1.67% | 0.21 | [48] | 趋势因子 | 黄金ETF | 25.74% | 3.86 | [59] 注:所有策略测试结果均为2024年初至今数据[33],因子表现取自周涨幅TOP35ETF数据[59]
钢铁相对指数趋势跟踪模型效果点评
太平洋证券· 2025-05-26 23:35
量化模型与构建方式 1. **模型名称**:钢铁相对指数趋势跟踪模型 - **模型构建思路**:基于标的价格走势的局部延续性假设,通过观察窗口内的价格变动与波动率的关系判断趋势方向[3] - **模型具体构建过程**: 1. 计算T日收盘价与T-20日收盘价的差值:$$del = P_T - P_{T-20}$$ 2. 计算T-20日至T日(不含)的波动率Vol(未明确计算方法,默认标准差或ATR) 3. 趋势信号生成规则: - 若$$|del| > N \times Vol$$(N=1),则判定为趋势形成,方向与del符号一致 - 若$$|del| \leq N \times Vol$$,则延续T-1日的趋势方向[3] - **模型评价**:在下降趋势中表现不佳,年化收益低于指数总回报,回撤持续较大,不适用于当前标的[4] 模型的回测效果 1. **钢铁相对指数趋势跟踪模型**: - 年化收益:-15.42% - 波动率(年化):15.00% - 夏普比率:-1.03 - 最大回撤:34.62% - 指数期间总回报率:-9.08%[3] 量化因子与构建方式 (报告中未提及具体量化因子) 因子的回测效果 (报告中未提及因子测试结果) --- 注:模型效果图表(净值、回撤等)未提供具体数值,仅展示趋势[5][7][9]
基础化工相对指数趋势跟踪模型效果点评
太平洋证券· 2025-05-26 23:30
量化模型与构建方式 1. **模型名称**:基础化工相对指数趋势跟踪模型 - **模型构建思路**:模型假设标的价格走势具有局部延续性,价格处于某一趋势中,反转行情持续时间较短。通过观察窗口内的价格变动方向判断趋势,排除随机波动影响[4] - **模型具体构建过程**: 1. 计算T日收盘价与T-20日收盘价的差值:$$del = P_T - P_{T-20}$$ 2. 计算T-20日至T日(不含)的波动率Vol(标准差) 3. 趋势判断规则: - 若$$|del| > N \times Vol$$,则认为形成新趋势,方向与del符号一致(N=1) - 否则延续T-1日的趋势方向[4] - **模型评价**:模型在趋势延续阶段表现良好,但在盘整或反转阶段净值下降明显,不适合直接用于基础化工指数相对值[5] 模型的回测效果 1. **基础化工相对指数趋势跟踪模型**: - 年化收益:4.65% - 年化波动率:13.39% - 夏普比率:0.35 - 最大回撤:14.51% - 指数期间总回报率:-18.74%[4] (注:报告中未提及量化因子相关内容,故跳过该部分)
有色金属相对指数趋势跟踪模型效果点评
太平洋证券· 2025-05-26 23:30
量化模型与构建方式 1 模型名称:有色金属相对指数趋势跟踪模型 模型构建思路:基于价格走势的局部延续性假设,通过观察窗口内的价格变动与波动率关系判断趋势方向[3] 模型具体构建过程: - 计算T日收盘价与T-20日收盘价的差值del - 计算T-20日至T日(不含)的波动率Vol - 趋势判断规则: $$ del = Price_T - Price_{T-20} $$ $$ Vol = \sqrt{\frac{1}{19}\sum_{i=T-19}^{T-1}(Price_i - \overline{Price})^2} $$ 当|del| > 1×Vol时判定为趋势突破(N=1),方向与del符号一致;否则延续前一日趋势方向[3] 模型评价:在剧烈波动的市场环境中易产生连续错误信号,导致长时间回撤[4] 模型的回测效果 1 有色金属相对指数趋势跟踪模型: - 年化收益:-28.19% - 波动率(年化):17.43% - 夏普率:-1.62 - 最大回撤:51.80% - 指数期间总回报率:0.99%[3] (注:报告中未涉及量化因子相关内容,故不输出该部分)
大成深证基准做市信用债ETF投资价值分析:兼具流动性与稳健性的配置工具
华创证券· 2025-05-26 22:03
量化模型与构建方式 1. **模型名称**:代表性分层抽样复制策略 **模型构建思路**:通过分层抽样方法构建与标的指数特征相似的债券投资组合,以最小化跟踪误差[5] **模型具体构建过程**: - 首先对标的指数成分券按久期、剩余期限和到期收益率等特征进行分层 - 然后在每层中选取具有代表性的债券 - 对于无法直接投资的成分券,选择非成分券作为替代,确保组合整体特征与指数相似 - 最终构建的投资组合需满足:债券资产比例≥80%,指数成分券及备选成分券≥90%[5] **模型评价**:该方法在保证跟踪精度的同时提高了操作灵活性,适合流动性受限的信用债市场[5] 量化因子与构建方式 1. **因子名称**:深证基准做市信用债指数 **因子构建思路**:选取深交所流动性最优、信用等级最高的公司债构建分散化指数[3] **因子具体构建过程**: - 备选范围:深交所上市流通的信用债 - 样本筛选标准: * 必须进入深交所基准做市债券清单 * 主体或债项评级AAA * 存续规模≥10亿元[3] - 权重设置:单券平均权重0.47%,最大权重0.88%[3] **因子评价**:权重分散有效降低了信用风险,成分券高流动性保障了指数的可投资性[3] 2. **因子名称**:沪做市公司债指数 **因子构建思路**:构建与深做市信用债指数对应的上交所版本,提供市场间比较基准[28] **因子具体构建过程**: - 样本选取标准与深做市信用债指数类似 - 但久期更长(3.95年vs3.14年),静态收益率略高(2.06%vs2.04%)[28] **因子评价**:与深市指数形成互补,但波动率和回撤相对较大[28] 模型的回测效果 1. **代表性分层抽样复制策略** - 年化跟踪误差:≤2%[5] - 日均偏离度:≤0.2%[5] - 实际表现:大成深证基准做市信用债ETF年化收益率1.9%,最大回撤0.75%[4] 因子的回测效果 1. **深证基准做市信用债指数** - 年化收益率:2023年4.11%,2024年5.24%,2025年0.46%[25] - 年化波动率:2023年0.40%,2024年0.46%[28] - 最大回撤:2023年-0.20%,2024年-0.42%[25] - 卡玛比率:2023年20.79,2024年12.53[28] - 久期:3.14年[28] 2. **沪做市公司债指数** - 年化收益率:2023年4.25%,2024年5.72%[28] - 年化波动率:2023年0.46%,2024年1.20%[28] - 最大回撤:2023年-0.39%,2024年-1.30%[28] - 卡玛比率:2023年10.80,2024年4.40[28] - 久期:3.95年[28] 3. **万得中长期纯债型指数** - 年化收益率:2023年3.61%,2024年4.59%[25] - 最大回撤:2023年-0.32%,2024年-0.67%[25]
基金市场与ESG产品周报:医药主题基金表现亮眼,被动资金加仓科技赛道-20250526
光大证券· 2025-05-26 17:14
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. **主动偏股基金仓位高频估测模型** - 构建思路:通过基金每日净值序列与基准资产序列的多元回归模型,估算股票仓位变动趋势[63] - 具体构建: $$ \text{基金净值} = \alpha + \beta_1 \times \text{基准指数1} + \beta_2 \times \text{基准指数2} + \epsilon $$ 采用带约束条件的回归,结合模拟组合提升准确性[63] - 模型评价:能有效捕捉行业配置动向,但对短期异动敏感 2. **REITs指数构建模型** - 构建思路:分级靠档法确保份额稳定,除数修正法维持指数连续性[45] - 具体构建: - 价格指数:$$ I_t = I_{t-1} \times \frac{\sum (P_t \times S_{adj})}{\sum (P_{t-1} \times S_{adj})} $$ - 全收益指数:包含分红再投资[45] - 模型评价:兼顾流动性与分红特性,适合长期资产配置 量化因子与构建方式 1. **行业主题因子** - 构建思路:基于近4期持仓数据划分医药/TMT/新能源等9类主题标签[34] - 具体构建: - 行业集中度:$$ \text{HHI} = \sum_{i=1}^n (w_i \times 100)^2 $$ - 主题得分:持仓与主题基准的相关系数[34] 2. **ESG整合因子** - 构建思路:结合环境(E)、社会(S)、治理(G)三维度筛选标的[77] - 具体构建: - 负面筛选:剔除高污染行业 - 正面筛选:加权ESG评分(MSCI/Wind数据)[77] 模型的回测效果 1. **主动偏股基金模型** - 本周仓位变动:-0.22pcts[63] - 行业配置:增持有色金属(+0.38pct)、减持电子(-0.25pct)[63] 2. **REITs指数模型** - 综合指数年化收益:1.05%,夏普比率-0.04[47] - 能源基建子指数年化收益达9.87%,夏普0.82[47] 因子的回测效果 1. **行业主题因子** - 医药主题周收益:4.57%,TMT主题-1.84%[34] - 医药因子近1月IR:0.68,TMT因子IR-0.42[34] 2. **ESG因子** - 健康环保主题周收益:3.58%,低碳经济2.16%[81] - ESG整合因子年化超额收益:2.3%,信息比率0.91[77]
市场情绪监控周报(20250519-20250523):本周热度变化最大行业为综合、交通运输-20250526
华创证券· 2025-05-26 13:44
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:宽基轮动策略** - **模型构建思路**:基于不同宽基指数(沪深300、中证500、中证1000、中证2000及"其他"组)的热度变化率MA2,选择周度热度变化率最大的宽基进行轮动投资,若最大变化率为"其他"组则空仓[8][9][12][14][16] - **模型具体构建过程**: 1. 计算各宽基成分股的总热度指标(个股浏览、自选、点击次数之和,归一化为全市场占比后乘以10000)[8] 2. 按宽基分组汇总热度,计算周度变化率并取MA2平滑[12] 3. 每周末选择MA2变化率最大的宽基作为下一周持仓标的[14] - **模型评价**:策略通过捕捉市场情绪异常变化实现轮动收益,2017年以来年化收益率8.74%,但最大回撤达23.5%[16] 2. **模型名称:热门概念组合策略** - **模型构建思路**:筛选高热度变化概念中的低关注度个股,利用行为金融学中的"反应不足"效应获取超额收益[30][32] - **模型具体构建过程**: 1. 每周选出热度变化率最大的5个概念,排除流通市值最小的20%股票[32] 2. 构建两个组合: - **TOP组合**:每个概念中总热度排名前10的个股等权持有 - **BOTTOM组合**:每个概念中总热度排名后10的个股等权持有 - **模型评价**:BOTTOM组合历史年化收益15.71%,显著优于TOP组合,验证了低关注度个股的滞后收益效应[32] 量化因子与构建方式 1. **因子名称:总热度指标** - **因子构建思路**:通过个股的浏览、自选、点击行为量化市场关注度,反映有限注意力导致的定价偏差[8] - **因子具体构建过程**: $$总热度 = \left(\frac{当日浏览+自选+点击次数}{全市场总行为次数}\right) \times 10000$$ 指标取值范围[0,10000],数值越高代表关注度越集中[8] 2. **因子名称:热度变化率MA2** - **因子构建思路**:捕捉宽基/行业/概念层面的情绪波动,采用2周移动平均平滑噪声[12][19][23] - **因子具体构建过程**: 1. 计算周度热度环比变化率 2. 取最近两周的算术平均值: $$MA2 = \frac{本周变化率 + 上周变化率}{2}$$ 模型的回测效果 1. **宽基轮动策略** - 年化收益率:8.74% - 最大回撤:23.5% - 2025年收益:8.13%[16] 2. **热门概念组合策略** - BOTTOM组合: - 年化收益:15.71% - 最大回撤:28.89% - 2025年收益:18.35%[32] - TOP组合: - 年化收益:显著低于BOTTOM组合(未披露具体值) 因子的回测效果 1. **总热度指标** - 应用案例: - "其他"组股票热度占比异常上升时,往往预示市场情绪转折[12] - 申万一级行业热度变化率MA2前五(综合+80.2%、交通运输等)与后五(计算机-23.8%、钢铁等)存在显著收益分化[27] 2. **热度变化率MA2** - 典型取值: - 宽基指数:中证500周变化率-13.72%(最低),"其他"组+5.25%(最高)[17][19] - 概念板块:兵装重组概念变化率+124.9%,两轮车+121.1%[33] 其他量化指标 1. **估值分位数因子** - 构建方法:滚动5年/10年历史PE分位数[35][36] - 典型结果: - 宽基:中证500当前分位数82%(高估),沪深300为55%(中性)[35] - 行业:电力设备/计算机分位数>80%,家用电器/钢铁<20%[36][38] (注:部分内容如股权激励、增减持事件等未涉及量化模型/因子,故未纳入总结)