量化模型与构建方式 1. **模型名称：短期量化择时模型** - **模型构建思路**：基于估值面、流动性、基本面、情绪面四个维度的指标综合判断市场短期走势[15][16][17] - **模型具体构建过程**： 1. **基本面指标**： - 制造业PMI分位数（5年窗口）低于阈值时触发谨慎信号 - 人民币中长期贷款余额同比增速分位数（5年窗口）低于阈值时触发谨慎信号 - M1同比增速（HP滤波去趋势）分位数高于阈值时触发乐观信号 $$ \text{HP滤波}：y_t = \tau_t + c_t \quad \text{其中} \quad \tau_t \text{为趋势项}, c_t \text{为周期项} $$ 2. **估值面指标**： - A股整体PE中位数分位数（5年窗口）高于阈值时触发中性信号 - A股整体PB中位数分位数（5年窗口）低于阈值时触发乐观信号 3. **情绪面指标**： - Beta离散度分位数（5年窗口）中性 - 量能情绪得分（60日成交量与换手率布林带合成指标）分位数低于阈值时触发谨慎信号 $$ \text{布林带}：\text{上轨}=MA_{20} + 2\sigma_{20}, \text{下轨}=MA_{20} - 2\sigma_{20} $$ 4. **流动性指标**： - 货币利率指标分位数（5年窗口）低于阈值时触发乐观信号 - 汇率预期指标分位数（5年窗口）高于阈值时触发谨慎信号 - 沪深净融资额5日均值分位数中性[15][16][17] 2. **模型名称：成长价值轮动模型** - **模型构建思路**：结合盈利周期、利率周期、信贷周期及估值/情绪差判断成长与价值风格占优区间[29] - **模型具体构建过程**： 1. **基本面信号**： - 盈利周期斜率（量化经济中周期框架）大于阈值时利好成长 - 利率综合周期水平高于阈值时利好价值 - 信贷综合周期变化低于阈值时利好价值 2. **估值面信号**： - 成长价值PE差分位数（5年窗口）均值回归上行时利好成长 - 成长价值PB差分位数（5年窗口）均值回归上行时利好成长 3. **情绪面信号**： - 换手差分位数（5年窗口）低于阈值时利好价值 - 波动差分位数（5年窗口）中性时均衡配置[29] 3. **模型名称：小盘大盘轮动模型** - **模型构建思路**：与成长价值轮动逻辑类似，但针对市值风格差异调整阈值[33][34] - **模型具体构建过程**： 1. **基本面信号**：盈利周期斜率利好小盘，利率/信贷周期利好大盘 2. **估值面信号**：小盘大盘PE/PB差分位数（5年窗口）均值回归下行时利好大盘 3. **情绪面信号**：换手差中性时均衡配置，波动差下行时利好大盘[33][34] 4. **模型名称：四风格轮动模型** - **模型构建思路**：整合成长价值与小盘大盘模型输出，生成四风格配置比例[37][38] - **模型具体构建过程**： - 小盘成长/价值与大盘成长/价值的权重由前两模型信号加权合成[37][38] --- 模型的回测效果 1. **短期量化择时模型** - 年化收益率：16.25%（基准4.09%） - 年化超额收益率：12.16% - 最大回撤：27.70%（基准31.41%） - 夏普比率：0.9595（基准0.2299）[18][23] 2. **成长价值轮动模型** - 年化收益率：11.33%（基准6.53%） - 年化超额收益率：4.80% - 最大回撤：43.07%（基准44.13%）[30][32] 3. **小盘大盘轮动模型** - 年化收益率：12.05%（基准6.54%） - 年化超额收益率：5.51% - 最大回撤：50.65%（基准53.70%）[34][36] 4. **四风格轮动模型** - 年化收益率：12.93%（基准7.00%） - 年化超额收益率：5.94% - 最大回撤：47.91%（基准49.07%）[38][39] --- 量化因子与构建方式 1. **因子名称：量能情绪因子** - **因子构建思路**：结合成交量和换手率的布林带指标合成市场情绪指标[12][17] - **因子具体构建过程**： 1. 计算60日成交量与换手率的布林带上下轨 2. 标准化后等权合成综合得分 3. 取5年分位数作为择时信号阈值[12][17] 2. **因子名称：盈利周期斜率因子** - **因子构建思路**：量化经济中周期框架下的盈利增长加速度[29][33] - **因子具体构建过程**： - 基于宏观数据拟合二阶导数，斜率大于阈值时标记为上行周期[29][33] --- 因子的回测效果 1. **量能情绪因子** - 分位数低于23.41%时对应市场情绪偏弱[12][17] 2. **盈利周期斜率因子** - 当前斜率8.33，处于利好成长风格区间[29][33]

量化模型与构建方式 1. **模型名称：利率价量多周期择时策略** - **模型构建思路**：通过核回归算法捕捉利率趋势形态，识别支撑线和阻力线，结合长、中、短周期下的突破信号生成综合择时观点[10] - **模型具体构建过程**： 1. **周期划分**：长周期（月度切换）、中周期（双周度切换）、短周期（周度切换）[10] 2. **信号生成规则**： - 若至少2个周期出现向下突破支撑线且趋势非向上，则满配长久期债券 - 若至少2个周期出现向下突破但趋势向上，则配置50%中久期+50%长久期 - 若至少2个周期出现向上突破阻力线且趋势非向下，则满配短久期债券 - 若至少2个周期出现向上突破但趋势向下，则配置50%中久期+50%短久期 - 其他情况等权配置短、中、长久期债券[23] 3. **止损机制**：单日超额收益<-0.5%时切换为等权配置[23] - **模型评价**：策略通过多周期共振增强信号稳定性，结合趋势过滤降低误判风险 2. **模型名称：公募债基久期测算模型** - **模型构建思路**：基于改进的回归模型动态跟踪中长期纯债基金的久期及分歧水平[13] - **模型具体构建过程**： 1. **数据输入**：全市场纯债基金持仓数据（含杠杆调整） 2. **核心指标**： - 久期中位数：$$ \text{Median}(D_i) $$，其中$D_i$为第$i$只基金久期 - 久期分歧：截面标准差$$ \sigma_D = \sqrt{\frac{1}{N}\sum_{i=1}^N (D_i - \bar{D})^2} $$ - 4周移动平均：对中位数和均值进行平滑处理[13][14] 3. **历史分位数计算**：基于5年滚动窗口标准化[14] --- 量化因子与构建方式 1. **因子名称：利率水平结构因子** - **因子构建思路**：提取1-10年期国债YTM的水平项成分，反映利率绝对高低[7][9] - **因子具体构建过程**： 1. 对期限结构曲线进行三次样条插值 2. 分解为水平、斜率、曲率三因子： $$ \text{YTM}(t) = L_t + S_t \cdot \frac{t}{\tau} + C_t \cdot \left(\frac{t^2}{\tau^2} - \frac{t}{\tau}\right) $$ 其中$L_t$为水平因子，$\tau$为期限标准化参数[7] 3. 计算历史分位数（3/5/10年滚动窗口）[9] 2. **因子名称：利率期限利差因子** - **因子构建思路**：捕捉长短端利差变化，反映市场对远期经济的预期[7][9] - **因子具体构建过程**： 1. 计算10年期与1年期国债YTM差值： $$ \text{TS}_t = \text{YTM}_{10Y} - \text{YTM}_{1Y} $$ 2. 标准化处理并计算分位数[9] 3. **因子名称：利率凸性结构因子** - **因子构建思路**：量化收益率曲线曲率变化，识别凸性交易机会[7][9] - **因子具体构建过程**： 1. 计算2×5年期与(1年期+10年期)利差： $$ \text{CS}_t = 2 \cdot \text{YTM}_{5Y} - (\text{YTM}_{1Y} + \text{YTM}_{10Y}) $$ 2. 负值表示曲线凹陷，正值表示凸起[9] --- 模型的回测效果 1. **利率价量多周期择时策略** - 长期年化收益率：6.19% - 最大回撤：1.53% - 收益回撤比：2.26 - 超额收益率（vs久期等权基准）：1.67% - 逐年胜率（绝对收益>0）：100%[24][27] - 短期表现（2023年底起）： - 年化收益率：7.5% - 最大回撤：1.61% - 收益回撤比：6.43[4] 2. **公募债基久期测算模型** - 当前久期中位数：3.09年（历史5年分位数82.24%）[6][13] - 久期分歧：1.56年（历史5年分位数62.93%）[14] --- 因子的回测效果 1. **利率水平结构因子** - 当前值：1.58% - 分位数：3年10%/5年6%/10年3%[9] 2. **利率期限利差因子** - 当前值：0.27% - 分位数：3年7%/5年4%/10年8%[9] 3. **利率凸性结构因子** - 当前值：-0.04% - 分位数：3年8%/5年5%/10年5%[9]

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**：沪深300上涨家数占比情绪指标 **模型构建思路**：通过计算指数成分股近期正收益的个数来判断市场情绪，正收益股票增多可能预示行情底部，大部分股票正收益可能预示过热风险[23] **模型具体构建过程**： - 计算沪深300指数成分股过去N日收益大于0的个股数占比 - 公式：$$ \text{上涨家数占比} = \frac{\sum_{i=1}^{300} I(r_i > 0)}{300} $$ 其中$r_i$为第i只成分股N日收益率，$I(\cdot)$为指示函数[23] **模型评价**：能较快捕捉上涨机会，但对下跌市场判断存在缺陷[24] 2. **模型名称**：动量情绪指标择时策略 **模型构建思路**：通过对上涨家数占比指标进行不同窗口期的平滑处理来捕捉情绪变动趋势[26] **模型具体构建过程**： - 对上涨家数占比进行N1=50和N2=35日的移动平均（慢线和快线） - 当快线>慢线时看多市场，反之持中性态度[26] 3. **模型名称**：均线情绪指标 **模型构建思路**：利用八均线体系判断指数趋势状态，通过价格与均线的关系划分情绪区间[31][32] **模型具体构建过程**： - 计算沪深300收盘价的8条均线（参数：8,13,21,34,55,89,144,233） - 统计收盘价大于各均线的数量，超过5时看多[31][32] 量化因子与构建方式 1. **因子名称**：横截面波动率 **因子构建思路**：衡量指数成分股间收益离散程度，反映Alpha机会丰富程度[35] **因子具体构建过程**： - 计算指数成分股日收益率的横截面标准差 - 公式：$$ \sigma_{cross} = \sqrt{\frac{1}{N}\sum_{i=1}^{N}(r_i - \bar{r})^2} $$ 其中$r_i$为个股日收益率，$\bar{r}$为截面均值[35] 2. **因子名称**：时间序列波动率 **因子构建思路**：衡量个股收益波动幅度，反映市场风险水平[38] **因子具体构建过程**： - 计算个股滚动N日收益率的标准差 - 对指数成分股进行市值加权平均[38] 模型的回测效果 1. **动量情绪指标**： - 当前快线回落至慢线之下，维持谨慎态度[26] - 近期上涨家数占比震荡在56%水平[24] 2. **均线情绪指标**： - 短期内沪深300处于情绪景气区间[34] 因子的回测效果 1. **横截面波动率**： - 沪深300近一季度值1.75%，处于近两年46.27%分位[38] - 中证1000近一季度值2.41%，处于近半年63.75%分位[38] 2. **时间序列波动率**： - 沪深300近一季度值0.56%，年化波动率54.15%分位[41] - 中证500近一季度值0.44%，年化波动率57.94%分位[41] 3. **抱团基金分离度**： - 近期分离度环比下降，抱团程度上升[78] - 抱团组合超额收益近期回升[78]

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**：通过分析市场成交量变化判断短期市场情绪[11] - **模型具体构建过程**：监测宽基指数成交量与历史均值的偏离度，结合波动率阈值生成信号。当成交量突破上轨且波动率低于阈值时看多，反之看空[11] 2. **模型名称**：低波动率模型 - **模型构建思路**：利用市场波动率均值回归特性捕捉反转机会[11] - **模型具体构建过程**：计算指数20日波动率，当波动率低于历史25%分位数且价格处于均线上方时看多，高于75%分位数时看空[11] 3. **模型名称**：特征龙虎榜机构模型 - **模型构建思路**：跟踪机构席位买卖净额判断资金动向[11] - **模型具体构建过程**：统计龙虎榜机构净买入金额占流通市值比例，结合行业资金流生成综合评分[11] 4. **模型名称**：智能沪深300模型 - **模型构建思路**：融合量价与基本面因子的多因子择时模型[11] - **模型具体构建过程**： $$ Score = 0.3 \times Momentum_{20} + 0.2 \times Volume\_Ratio + 0.5 \times PE\_Zscore $$ 其中动量因子取20日收益率，成交量比率为当日/5日均值，PE_Zscore为估值偏离度[11] 5. **模型名称**：成交额倒波幅模型（港股） - **模型构建思路**：结合成交额与波动率捕捉港股中期趋势[15] - **模型具体构建过程**：计算恒指成交额10日均值与波动率倒数的乘积，突破布林带上轨看多[15] 模型的回测效果 1. 成交量模型：上证50信号中性，沪深300信号中性[11] 2. 低波动率模型：全A指数信号中性[11] 3. 智能沪深300模型：看多信号，本周超额收益0.18%[11] 4. 成交额倒波幅模型：恒生指数看多信号，本周超额收益1.10%[15] 量化因子与构建方式 1. **因子名称**：动量因子 - **因子构建思路**：捕捉资产价格趋势延续性[13] - **因子具体构建过程**：计算标的指数20日/60日收益率，标准化后分层回测[13] 2. **因子名称**：涨跌停因子 - **因子构建思路**：通过极端价格行为反映市场情绪[12] - **因子具体构建过程**：统计全市场涨停板数量占比，5日均线上穿20日均线看多[12] 因子的回测效果 1. 动量因子：宽基指数中性信号，年化IC 0.12[13] 2. 涨跌停因子：全A指数中性信号，月胜率58%[12] 复合模型与衍生模型 1. **模型名称**：A股综合兵器V3模型 - **模型构建思路**：集成短期量价与中期基本面信号的复合模型[14] - **模型具体构建过程**：对成交量、波动率、动量等6个子模型等权加权，阈值触发看空信号[14] 2. **模型名称**：杯柄形态识别模型 - **模型构建思路**：技术形态突破策略[43] - **模型具体构建过程**： - 定义杯体部分回撤幅度30-50% - 柄部回撤幅度8-12% - 突破颈线位时触发买入信号[43] - **模型评价**：2020年以来累计超额收益39.13%[43] 形态学模型测试结果 1. 杯柄形态组合：本周超额收益0.19%，累计超额39.13%[43] 2. 双底形态组合：本周跑输基准0.83%，累计超额22.48%[43]

量化模型与构建方式 1. **模型名称：公募基金仓位估计模型** - **模型构建思路**：基于公募基金季报披露的前十大重仓股、上市公司十大股东信息及行业配置信息，模拟补全基金的全部股票持仓，并通过加权最小二乘法估计基金在大、小盘组合上的配置仓位[9][11][13] - **模型具体构建过程**： 1. **非重仓股模拟**：假设基金非重仓股持仓在行业层面持股种类不变，仅持股权重按比例变化，利用T-1期（半年报/年报）非重仓股持仓按比例放缩得到T期模拟持仓[11] 2. **仓位估计**：将基金持仓拆分为大、小盘两部分，使用基金日收益率与对应指数收益率，通过加权最小二乘法求解仓位权重。公式为： $$ R_{fund,t} = w_{large} \cdot R_{large,t} + w_{small} \cdot R_{small,t} + \epsilon_t $$ 其中，$w_{large}$和$w_{small}$分别代表大盘和小盘仓位权重[13] - **模型评价**：实现了对基金仓位的日度监控，但依赖历史持仓假设，可能存在行业配置变化时的估计偏差[13] 2. **模型名称：基金风格配置监控模型** - **模型构建思路**：基于仓位估计结果，从大小盘配置、市值暴露、行业配置三个维度分析基金风格变化[13] - **模型具体构建过程**： 1. **大小盘配置**：直接使用仓位估计模型输出的大、小盘权重[13] 2. **行业配置**：根据中信一级行业分类，统计基金在各行业的权重分布及历史分位点[19][20] --- 模型的回测效果 1. **公募基金仓位估计模型** - 普通股票型基金仓位中位数：87.29%（周环比+0.98%）[15] - 偏股混合型基金仓位中位数：83.94%（周环比+1.46%）[15] - 大盘仓位周变动：普通股票型+1.39%，偏股混合型+2.86%[15] - 小盘仓位周变动：普通股票型-0.42%，偏股混合型-1.40%[15] - 历史分位点：普通股票型32.30%，偏股混合型37.24%（2016年以来）[15] 2. **基金风格配置监控模型** - 行业配置权重：电子（13.88%）、医药（10.98%）、电力设备（9.36%）为普通股票型基金前三大行业[19] - 行业分位点：汽车行业配置分位点最高（普通股票型98.16%，偏股混合型99.63%）[20] --- 量化因子与构建方式 1. **因子名称：基金行业配置因子** - **因子构建思路**：统计基金在中信一级行业的持仓权重，反映机构资金偏好[19][20] - **因子具体构建过程**： 1. 根据模拟持仓计算各行业持仓占比 2. 标准化为历史分位点（2016年以来）[20] 2. **因子名称：大小盘仓位变动因子** - **因子构建思路**：捕捉基金在大、小盘风格上的动态调整[13][15] - **因子具体构建过程**： 1. 计算基金大盘仓位与小盘仓位的差值或比率 2. 统计周度变动幅度[15][17] --- 因子的回测效果 1. **基金行业配置因子** - 电子行业权重：普通股票型13.88%（分位点63.24%），偏股混合型16.13%（分位点77.94%）[19][20] - 医药行业权重：普通股票型10.98%（分位点13.60%），偏股混合型9.25%（分位点23.16%）[19][20] 2. **大小盘仓位变动因子** - 本周大盘仓位增幅：偏股混合型+2.86%（显著高于普通股票型+1.39%）[15] - 小盘仓位降幅：偏股混合型-1.40%（高于普通股票型-0.42%）[15]

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**：通过监测市场成交量变化判断短期市场情绪[10] - **模型评价**：信号偏中性，适用于宽基指数短期择时[10] 2. **模型名称**：低波动率模型 - **模型构建思路**：基于历史波动率筛选低风险资产[10] - **模型评价**：防御性策略，当前信号中性[10] 3. **模型名称**：特征龙虎榜机构模型 - **模型构建思路**：追踪机构资金在龙虎榜的买卖行为[10] - **模型评价**：反映机构动向，当前信号中性[10] 4. **模型名称**：智能沪深300/中证500模型 - **模型构建思路**：结合量价与机器学习对特定指数择时[10] - **模型评价**：沪深300看多，中证500看空，分化明显[10] 5. **模型名称**：涨跌停模型 - **模型构建思路**：统计涨跌停股票数量判断市场热度[11] - **模型评价**：中期信号中性[11] 6. **模型名称**：长期动量模型 - **模型构建思路**：计算宽基指数长期趋势强度[12] - **模型评价**：全市场宽基指数信号中性[12] 7. **模型名称**：A股综合兵器V3/国证2000模型 - **模型构建思路**：多因子耦合的复合择时模型[13] - **模型评价**：当前均看空，风险偏好较低[13] 8. **模型名称**：成交额倒波幅模型（港股） - **模型构建思路**：结合成交额与波动率反转信号[14] - **模型评价**：中期看多恒生指数[14] 模型的回测效果 （注：报告中未提供具体回测指标如IR、胜率等，仅展示信号方向） 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**：识别价格走势中的杯柄形态突破[42][56] - **因子具体构建过程**： - 定义A点（左杯沿）、B点（杯底）、C点（右杯沿） - 突破条件：价格突破C点且成交量放大[56] - **因子评价**：2020年12月以来超额收益达39.13%[42] 2. **因子名称**：双底形态因子 - **因子构建思路**：捕捉W形底部反转信号[49][54] - **因子具体构建过程**： - 定义A点（第一底）、B点（颈线）、C点（第二底） - 突破条件：价格突破颈线位[54] - **因子评价**：2020年12月以来超额收益22.48%[42] 因子的回测效果 1. **杯柄形态因子**： - 本周超额收益0.19%（相对上证指数）[42] - 历史累计超额收益35.54%[42] 2. **双底形态因子**： - 本周超额收益-0.83%（相对上证指数）[42] - 历史累计超额收益16.9%[42] 其他量化工具 1. **VIX指数**： - 构建方法：复现中证指数公司VIX计算，相关系数99.2%[40] - 当前值：16.12（50ETF期权）[41] 2. **大师策略监控**： - 覆盖33个经典量化选股策略（价值型19/成长型6/综合型8）[37]

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]

量化模型与构建方式 1. **模型名称**：城投短端下沉策略 - **模型构建思路**：通过配置短期限城投债，利用其防御属性获取稳定收益[2] - **模型具体构建过程**：基准组合配置20%的10年国债、64%的3年AA+城投债及16%的10年AA+产业债，短端下沉策略在此基础上调整久期至更短区间[14] - **模型评价**：防御性强，近四周超额收益表现优于其他策略[2] 2. **模型名称**：二永债久期策略 - **模型构建思路**：通过拉长久期配置二级资本债和银行永续债，捕捉利率波动收益[2] - **模型评价**：受单周市场拖累表现较弱，但长期累计超额收益仍具竞争力[2] 3. **模型名称**：券商债策略 - **模型构建思路**：重仓证券公司债，利用其低久期特性对冲市场波动[2] - **模型评价**：累计超额收益持续领先，稳定性突出[2] --- 模型的回测效果 1. **城投短端下沉策略**：近四周超额收益20bp（基准为3年城投子弹型）[13] 2. **二永债久期策略**：近四周超额收益受拖累，累计读数落后短端策略[13] 3. **券商债策略**：近四周累计超额收益领先其他金融债策略[13] --- 量化因子与构建方式 1. **因子名称**：信用债久期因子 - **因子构建思路**：统计各券种加权平均成交期限，反映市场久期偏好[15] - **因子具体构建过程**：计算城投债（2.21年）、产业债（2.72年）、二级资本债（4.09年）等券种的期限加权值，并对比历史分位数[15] - **因子评价**：城投债、产业债久期处于历史90%分位以上，显示市场风险偏好较高[15] 2. **因子名称**：收益率变动因子 - **因子构建思路**：跟踪不同期限信用债收益率周度变化[18] - **因子具体构建过程**：按券种（如城投债、产业债）和期限（1年内、1-2年）分组统计收益率变动，例如1年内国企地产债收益率下行10bp[18] - **因子评价**：金融债中租赁债表现最优，银行次级债分化明显[18] --- 因子的回测效果 1. **信用债久期因子**： - 城投债久期历史分位数95.8%[16] - 二级资本债久期历史分位数91.2%[16] 2. **收益率变动因子**： - 1年内国企地产债收益率下行10bp[18] - 租赁债收益率下行幅度居金融债首位[18] --- 其他关键指标 1. **超长信用债表现**：10年以上AA+信用债指数周跌幅0.13%，跌幅小于国债[22] 2. **地方债换手率**：10年以上品种周换手率突破1%，成交量达3500亿元[25][26]

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]