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]

量化因子与构建方式 1. 因子名称：Vega因子 - **因子的构建思路**： Vega因子用于衡量转债对隐含波动率变化的敏感度。隐含波动率上升时，Vega因子推动转债估值上升；隐含波动率下降时，Vega因子压低转债估值[1][7][13] - **因子具体构建过程**： 1. 将转债视为股票的看涨期权，设定转股期权的执行价格为100，转股期权标的价格为转债的转换价值[7] 2. 使用转债隐含波动率替代正股波动率，计算Vega因子[7] 3. Vega值的历史分布显示，大多数转债的Vega值在0.1-0.3之间，隐含波动率提升1%时，转债收益提升约0.1%-0.3%[8] 4. 公式： $ Vega = S \cdot \sqrt{T} \cdot N'(d_1) $ 其中，$ S $为标的资产价格，$ T $为到期时间，$ N'(d_1) $为标准正态分布的概率密度函数[7] - **因子评价**： 长期来看，低Vega转债相较高Vega转债具有明显的超额收益，且与隐含波动率具有较强正相关性[13][16] --- 因子的回测效果 1. Vega因子IC测试结果 - **月度IC**：+1月为-0.11，+6月为-0.22，表现出Vega因子越低，未来转债收益越高的特性[16][17] - **ICIR**：+1月为-0.48，+6月为-1.46，随着投资期延长，IC表现逐步提升[16][17] - **IC>0比例**：+1月为32.5%，+6月为9.3%[16][17] 2. 低Vega策略表现 - **整体年化收益率**：7.57%[20][21] - **年化波动率**：11.69%[20][21] - **最大回撤**：19.48%[20][21] - **夏普比率**：0.519[20][21] - **卡玛比率**：0.311[20][21] 3. 小余额低Vega策略表现 - **整体年化收益率**：10.10%[22][25] - **年化波动率**：12.58%[22][25] - **最大回撤**：19.70%[22][25] - **夏普比率**：0.684[22][25] - **卡玛比率**：0.437[22][25] 4. 策略对比表现 - **与双低策略对比**：2022年以来，低Vega策略在大部分时间内均有持续稳定的正超额收益[27][29] - **与低价策略对比**：2022年至2024年中旬，低Vega策略持续跑赢低价策略，尤其在2024年上半年表现明显[27][29] - **与隐波相关性**：2020年以来，低Vega策略超额收益与转债隐波中位数相关系数为55%，小余额低Vega策略相关性更高[29][30] --- 低Vega策略的独特性 - **估值环境适应性**：低Vega转债在估值下行或高估值持续的环境下，均能提供alpha收益[32] - **择券建议**：在分组收益中，剔除Vega最低的前20%转债后，策略表现更优[17][18] - **当前性价比**：在当前高估值环境下，低Vega策略仍具有一定左侧价值[32]

量化模型与构建方式 1. 模型名称：行业风格轮动模型 - **模型构建思路**：通过资金流、情绪类、技术面因子等多维度因子，结合行业得分环比变化，捕捉行业轮动机会[2][4][33] - **模型具体构建过程**： 1. **因子选择**：引入资金流、情绪类、技术面因子，创新性地使用海外ETF资金流数据作为北向因子的高频替代[4][42] 2. **因子衍生**：采用1、2、3阶暴力衍生方式，丰富因子池[45] 3. **因子筛选**：剥离因子轮动风险，偏好无明显牛熊特征的因子，筛选出中长期稳定有效的因子[45] 4. **逐步复合**：通过逐步回归思想，精简因子名单并提升复合因子效果[45] 5. **加权及持仓**：采用“大类等权、小类等权”的加权方式，持仓组合同样采用基金等权方式[45] 6. **宏观因子融合**：通过时序回归方式，将宏观因子与微观因子融合在多因子打分框架内[45] 7. **轮动池构建**：基于申万1.5级行业分类，确认行业映射关系，提升模型可落地性[45] - **模型评价**：模型立足于稳健低敏需求，注重胜率指标，贯彻“小胜积累为大胜”的思想，具有较高的可落地性[42][45] 2. 模型名称：风格轮动模型 - **模型构建思路**：通过宏观因子与微观因子的结合，捕捉市场风格轮动特征，优选宽基指数[3][37] - **模型具体构建过程**： 1. **因子选择**：结合宏观因子（如CPI、货币供应、固定资产投资等）与微观因子（如质量因子、动量因子）[3][37] 2. **因子融合**：通过时序回归方式，将宏观因子转化为截面上具有区分度的因子，与微观因子融合[45] 3. **轮动池构建**：采用灰度轮动框架，基于6个常见宽基指数（如中证1000、沪深300等），实现对市场风格的精细刻画[45] - **模型评价**：模型从中小盘成长逐步转向大盘均衡风格，预测收益率与实际涨跌幅排序高度一致，具有较高的稳定性和胜率[43][45] --- 模型的回测效果 行业风格轮动模型 - **超额收益**：2024年跑赢全部基准指数，相对沪深300指数超额收益为4.6%[4][43] - **胜率**：月胜率为91.67%，近3年胜率为66.67%，近5年胜率为73.33%[4][43] - **换手率**：受宏观因子低波性影响，整体呈现低换手特征[43] 风格轮动模型 - **超额收益**：2024年相对于偏股混合基金指数超额收益为11.2%[43] - **胜率**：近1年胜率为75.00%，近3年胜率为72.22%，近5年胜率为73.33%[43] - **稳定性**：2024年4月后基本稳定在大盘风格，预测收益率与实际涨跌幅排序高度一致[43] --- 量化因子与构建方式 1. 因子名称：资金流因子 - **因子构建思路**：通过资金流数据捕捉市场资金动向，反映市场情绪和行业热度[4][33] - **因子具体构建过程**： 1. 引入海外ETF资金流数据作为北向因子的高频替代[4] 2. 结合国内ETF资金流数据，分析行业和宽基指数的资金流入/流出情况[24][30] - **因子评价**：资金流因子在弱增量博弈型市场环境下显得尤为重要，与市场走势具有较高一致性[4][42] 2. 因子名称：情绪类因子 - **因子构建思路**：通过市场情绪指标捕捉投资者行为特征，反映市场预期[2][33] - **因子具体构建过程**： 1. 结合技术面因子，分析行业得分环比变化[2][33] 2. 通过情绪类因子贡献，捕捉超跌反弹和利空出尽的行业机会[33] - **因子评价**：情绪类因子在医药行业的超跌反弹中贡献较高，表现出较强的前瞻性[33] 3. 因子名称：技术面因子 - **因子构建思路**：通过技术指标捕捉市场趋势和行业动量特征[2][33] - **因子具体构建过程**： 1. 结合行业得分环比变化，分析技术面因子对行业得分的贡献[2][33] 2. 通过技术面因子，筛选出技术面得分较高的行业（如科技制造）[33] - **因子评价**：技术面因子在科技行业中表现亮眼，与资金流和情绪类因子共振，推动行业得分上行[33] --- 因子的回测效果 资金流因子 - **表现**：海外ETF资金流出78.49亿元，主要集中在沪深300和中证A500指数，与行业轮动模型结果一致[4][30] 情绪类因子 - **表现**：近三月预期类因子呈现持续性边际回暖，未来有望通过该因子把握AI板块投资机会[4][43] 技术面因子 - **表现**：技术面因子在科技制造行业得分较高，推动行业得分环比提升[33]

量化模型与构建方式 1. 模型名称：主动量化增强模型 - **模型构建思路**：通过主动调仓和量化因子增强策略，超越偏股混合型基金的表现[10] - **模型具体构建过程**： 1. 选择基准指数和样本股票池 2. 构建量化因子，包括基本面因子、技术面因子和情绪因子 3. 使用多因子模型进行因子加权，计算每只股票的综合得分 4. 根据综合得分进行股票筛选和权重分配 5. 定期调仓，优化组合 - **模型评价**：该模型通过多因子策略和主动调仓，能够在一定程度上提升投资组合的收益率和风险调整后收益[10] 模型的回测效果 主动量化增强模型 - **年化收益率**：15.2%[10] - **最大回撤**：8.5%[10] - **信息比率（IR）**：1.25[10] 量化因子与构建方式 1. 因子名称：基本面因子 - **因子的构建思路**：通过分析公司的财务数据，评估其基本面状况[10] - **因子具体构建过程**： 1. 收集公司的财务报表数据，包括收入、利润、资产负债等 2. 计算关键财务指标，如市盈率（P/E）、市净率（P/B）、净资产收益率（ROE）等 3. 对各财务指标进行标准化处理，得到基本面因子得分 - **因子评价**：基本面因子能够较好地反映公司的内在价值，有助于筛选出具有投资价值的股票[10] 2. 因子名称：技术面因子 - **因子的构建思路**：通过分析股票的历史价格和交易量数据，评估其技术面状况[10] - **因子具体构建过程**： 1. 收集股票的历史价格和交易量数据 2. 计算技术指标，如移动平均线（MA）、相对强弱指数（RSI）、成交量变化率（VROC）等 3. 对各技术指标进行标准化处理，得到技术面因子得分 - **因子评价**：技术面因子能够捕捉股票的价格趋势和市场情绪，有助于把握短期投资机会[10] 因子的回测效果 基本面因子 - **年化收益率**：12.8%[10] - **最大回撤**：7.2%[10] - **信息比率（IR）**：1.10[10] 技术面因子 - **年化收益率**：13.5%[10] - **最大回撤**：7.8%[10] - **信息比率（IR）**：1.15[10]

量化模型与构建方式 1. 模型名称：风格轮动型基金优选策略 - **模型构建思路**：基于成长价值与大小盘两个维度，通过基金持仓数据构建绝对主动轮动指标，识别风格轮动型基金，并结合主动轮动收益因子刻画风格轮动效果[36] - **模型具体构建过程**： - 构建绝对主动轮动指标：剔除基金报告期之间风格变化中的被动部分，仅保留基金经理主动调整的部分[36][64] - 构建主动轮动收益因子：根据区间风格主动变化及区间风格因子收益计算，体现基金风格轮动的结果[64] - 策略采用半年频调仓，每年3月末和8月末进行调仓，选基范围为偏股混合型基金及普通股票型基金，并扣除交易成本[36] - **模型评价**：该策略能够有效识别风格轮动型基金，并在优选组合中体现出较好的超额收益能力[36] 2. 模型名称：基于基金特征和基金能力的综合选基策略 - **模型构建思路**：从基金规模、持有人结构、基金业绩动量、选股能力、隐形交易能力、含金量等多个维度构建选基因子，并进行等权重合成[41] - **模型具体构建过程**： - 构建选基因子：包括基金规模类因子、持有人结构类因子、基金业绩动量类因子、选股能力因子、隐形交易能力因子、含金量因子等[64] - 策略采用季频调仓，每年1月、4月、7月、10月末进行调仓，并扣除交易成本[41] - **模型评价**：策略通过多维度因子综合评估基金特征和能力，能够在一定程度上实现超额收益[41] 3. 模型名称：基于交易动机因子及股票价差收益因子的选基策略 - **模型构建思路**：结合基金交易动机因子和股票价差收益因子，筛选出股票价差收益较高、主动交易动机强且业绩粉饰可能性较低的基金[49] - **模型具体构建过程**： - 构建交易动机因子：由估值/流动性动机因子和业绩粉饰动机因子等权合成[64] - 构建股票价差收益因子：由基金利润表中股票价差收入（股票投资收益科目）计算得出[64] - 策略采用半年频调仓，每年3月末和8月末进行调仓，从主动权益型基金中进行筛选，并扣除交易成本[49] - **模型评价**：策略长期表现优于基准，但在短期内可能存在一定波动[49] 4. 模型名称：基金经理持股网络中交易独特性选基策略 - **模型构建思路**：通过基金经理持股和交易数据构建网络，计算基金经理交易独特性指标，用于筛选基金[57] - **模型具体构建过程**： - 构建基金经理网络：基于基金经理持股和交易数据，构建基金经理之间的关联网络[64] - 计算交易独特性因子：基于网络计算每个基金经理与其相关联基金经理在交易方面的差异[64] - 策略采用半年频调仓，每年4月初和8月初进行调仓，选基范围为偏股混合型基金、普通股票型基金、灵活配置型基金，并扣除交易成本[57] - **模型评价**：策略能够捕捉基金经理交易行为的独特性，但短期表现可能受市场环境影响[57] --- 模型的回测效果 风格轮动型基金优选策略 - **1月份收益率**：1.01%[38] - **年化收益率**：9.03%[38] - **年化波动率**：19.03%[38] - **Sharpe比率**：0.47[38] - **最大回撤率**：37.30%[38] - **年化超额收益率**：4.07%[38] - **超额最大回撤率**：9.49%[38] - **信息比率（IR）**：0.76[38] 基于基金特征和基金能力的综合选基策略 - **1月份收益率**：0.91%[46] - **年化收益率**：13.31%[46] - **年化波动率**：21.69%[46] - **Sharpe比率**：0.61[46] - **最大回撤率**：44.27%[46] - **年化超额收益率**：5.49%[46] - **超额最大回撤率**：7.96%[46] - **信息比率（IR）**：1.13[46] 基于交易动机因子及股票价差收益因子的选基策略 - **1月份收益率**：-0.06%[53] - **年化收益率**：8.89%[53] - **年化波动率**：21.70%[53] - **Sharpe比率**：0.41[53] - **最大回撤率**：48.39%[53] - **年化超额收益率**：3.41%[53] - **超额最大回撤率**：14.81%[53] - **信息比率（IR）**：0.6[53] 基金经理持股网络中交易独特性选基策略 - **1月份收益率**：-0.21%[60] - **年化收益率**：10.00%[60] - **年化波动率**：19.55%[60] - **Sharpe比率**：0.51[60] - **最大回撤率**：37.26%[60] - **年化超额收益率**：5.27%[60] - **超额最大回撤率**：6.30%[60] - **信息比率（IR）**：1.1[60]

根据提供的内容，没有发现与量化模型或量化因子相关的内容

量化模型与构建方式 1. 模型名称：常青低波基金组合 - **模型构建思路**：通过量化方法优选具有低波动特征的主动权益基金，满足在高风险市场环境下的防御需求，同时适合追求稳定收益的投资者[11][13] - **模型具体构建过程**： - 以高权益仓位主动管理的基金为基础，挑选具有长期稳定收益特征的基金 - 结合基金的历史净值回撤和波动水平，评估基金经理的投资风格和风险控制能力 - 增加基金估值水平的限制，从净值表现和持仓特征两个维度优选低波基金 - 构建具有低波动特征的主动权益基金组合[13][20] - **模型评价**：该模型在减小组合净值波动的同时，保持了较好的收益水平，低波动和小回撤特性在市场波动中得到了验证[20][21] 2. 模型名称：股基增强基金组合 - **模型构建思路**：挖掘具有更强Alpha收益能力的基金经理，构建风险波动等级较高且兼具进攻性的基金组合，满足高风险偏好投资者的需求[11][14] - **模型具体构建过程**： - 在主动管理权益基金中，分析基金收益率指标，拆分收益来源 - 剔除配置行业的Beta收益，提取剩余的Alpha收益 - 基于Alpha收益的显著延续性，优选强选股能力的基金经理 - 构建基金组合，并在回测中验证其持有期胜率[14] - **模型评价**：该模型在市场环境改善后有望展现更强弹性，同时在较弱市场环境下保持与基准相近的表现[23] 3. 模型名称：现金增利基金组合 - **模型构建思路**：基于货币基金的多维特征因子，优选收益表现更佳的货币基金，优化短期闲置资金收益水平[12][16] - **模型具体构建过程**： - 综合管理费率、托管费率、销售服务费率、久期水平、杠杆水平等指标 - 关注机构持仓占比和偏离度等风险指标，避免收益率波动 - 构建货币基金优选体系，筛选出收益更高且波动风险较低的货币基金[16] - **模型评价**：该模型能够有效帮助投资者在现金管理中获取更高收益，同时减少收益波动风险[26] 4. 模型名称：海外权益配置基金组合 - **模型构建思路**：基于海外市场指数的长期动量和短期反转因子，优选上涨趋势且动能较好的指数，构建全球化投资的辅助工具[12][17] - **模型具体构建过程**： - 根据长期动量因子和短期反转因子，剔除涨势过高、超买的指数 - 选择处于上涨趋势且动能较好的指数作为配置标的 - 构建海外权益配置基金组合，满足投资者全球化配置需求[17] - **模型评价**：该模型在全球化配置中展现了较高的收益增厚能力，适合作为A股权益市场的补充工具[27] --- 模型的回测效果 1. 常青低波基金组合 - 本周收益：0.264%[18] - 近一个月收益：1.526%[18] - 今年以来收益：-0.922%[18] - 策略运行以来收益：6.814%[18] 2. 股基增强基金组合 - 本周收益：0.946%[18] - 近一个月收益：3.351%[18] - 今年以来收益：0.297%[18] - 策略运行以来收益：7.858%[18] 3. 现金增利基金组合 - 本周收益：0.054%[18] - 近一个月收益：0.154%[18] - 今年以来收益：0.181%[18] - 策略运行以来收益：3.061%[18] 4. 海外权益配置基金组合 - 本周收益：0.224%[18] - 近一个月收益：3.150%[18] - 今年以来收益：3.086%[18] - 策略运行以来收益：28.311%[18]

- 公募量化基金的主赛道为指数增强型基金，其中沪深300和中证500增强基金合计规模占比接近50%[4][5] - 2025年新发方向主要集中在中证A500增强基金，目前有3只中证A500增强基金正在发行，另有26只在申报进程中[4][5] - 历史经验表明，单纯提高交易频率和降低成分股占比无法显著提高超额收益，传统成分股内的低频交易策略仍具有优势[4][5]

量化模型与构建方式 1. 模型名称：综合配置策略模型 - **模型构建思路**：根据各个细分行业的景气度信号，配置景气上行及景气持平、且拥挤度较低的行业[2][28] - **模型具体构建过程**： - 每月更新时，根据各个细分行业的景气度信号，配置景气上行及景气持平、且拥挤度较低的行业 - 景气持平行业的权重设置为景气上行行业的一半 - 最终形成综合配置策略[2][28] - **模型评价**：该模型通过动态调整行业配置，旨在捕捉景气度上行的行业机会，同时规避拥挤度较高的行业风险[2][28] 模型的回测效果 - 综合配置策略模型，最近1个月收益0.3%，相对行业等权指数及中证800的超额收益分别为-1.1%和-1.1%[2][28] - 综合配置策略模型，最近3个月收益-9.2%，相对行业等权指数及中证800的超额收益分别为-2.4%和-2.8%[30] - 综合配置策略模型，最近6个月收益18.4%，相对行业等权指数及中证800的超额收益分别为1.4%和3.7%[30] - 综合配置策略模型，2025年以来收益-3.5%，相对行业等权指数及中证800的超额收益分别为-0.6%和-0.4%[30] 量化因子与构建方式 1. 因子名称：行业景气度因子 - **因子的构建思路**：通过分析各行业的景气度信号，判断行业的景气上行、持平或下行状态[6][7] - **因子具体构建过程**： - 收集各行业的景气度数据 - 根据景气度数据，判断行业的景气状态（上行、持平、下行） - 将景气持平行业的权重设置为景气上行行业的一半[6][7] - **因子评价**：该因子通过景气度信号的分析，能够较好地反映行业的景气状态，为行业配置提供依据[6][7] 因子的回测效果 - 行业景气度因子，汽车行业景气度指标边际上行[9][11] - 行业景气度因子，光伏行业综合景气指标边际上行[18][21] - 行业景气度因子，消费电子综合景气指标边际上行[24][25]

量化模型与构建方式 1. 模型名称：基差修正模型 - **模型构建思路**：通过调整股指期货基差中的分红影响，剔除成分股分红对基差的干扰，以更准确地反映期货合约的真实基差水平[16] - **模型具体构建过程**： - 基差定义为合约收盘价与标的指数收盘价的差值 - 分红影响提前反映在期货合约价格中，因此需要剔除分红的影响 - 调整公式为： $ 预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红 $[16] - 年化基差计算公式为： $ 年化基差 = (实际基差 + (预期)分红点位)/指数价格 × 360/合约剩余天数 $[16] - **模型评价**：通过剔除分红影响，模型能够更准确地反映期货合约的真实基差水平[16] 2. 模型名称：期现对冲策略模型 - **模型构建思路**：基于股指期货基差收敛的特性，通过对冲优化策略实现风险管理和收益提升[40] - **模型具体构建过程**： - **连续对冲策略**： - 现货端持有标的指数的全收益指数，期货端做空对应股指期货合约 - 现货端使用70%资金，期货端使用30%资金 - 调仓规则：持有季月/当月合约，直至合约到期前2日平仓并换仓下一合约[41] - **最低贴水策略**： - 选择年化基差贴水幅度最小的合约进行开仓 - 同一合约持有8个交易日或到期前2日换仓[42] - **模型评价**：通过优化调仓规则和基差选择，策略能够在一定程度上降低波动率和回撤[40][41][42] 3. 模型名称：信达波动率指数（Cinda-VIX） - **模型构建思路**：借鉴海外经验，结合我国场内期权市场实际情况，开发反映市场波动性的指数[58] - **模型具体构建过程**： - 基于期权市场隐含波动率，计算投资者对标的资产未来波动的预期 - 指数具有期限结构，反映不同期限内的波动预期[58] - **模型评价**：能够准确反映市场波动性，为投资者提供重要的市场情绪参考[58] 4. 模型名称：信达波动率偏斜指数（Cinda-SKEW） - **模型构建思路**：通过捕捉不同行权价格期权隐含波动率的偏斜特征，衡量市场对标的资产未来收益分布的预期[64] - **模型具体构建过程**： - 计算不同行权价格期权的隐含波动率 - 分析波动率偏斜程度，得出SKEW指数 - SKEW指数高于100时，表明市场对极端负面事件的担忧加剧[64][65] - **模型评价**：能够捕捉市场对尾部风险的预期，为风险管理提供有价值的信息[64][65] --- 模型的回测效果 1. 基差修正模型 - 无具体回测效果数据 2. 期现对冲策略模型 - **中证500（IC）**： - 年化收益：当月连续对冲-1.96%，季月连续对冲-2.01%，最低贴水策略-1.02%，指数表现-2.94% - 波动率：当月连续对冲4.06%，季月连续对冲4.98%，最低贴水策略4.88%，指数表现21.36% - 最大回撤：当月连续对冲-7.51%，季月连续对冲-8.34%，最低贴水策略-7.97%，指数表现-31.46% - 净值：当月连续对冲0.9513，季月连续对冲0.9501，最低贴水策略0.9746，指数表现0.9276[44] - **沪深300（IF）**： - 年化收益：当月连续对冲0.93%，季月连续对冲0.76%，最低贴水策略1.29%，指数表现-3.32% - 波动率：当月连续对冲2.90%，季月连续对冲3.28%，最低贴水策略3.07%，指数表现17.60% - 最大回撤：当月连续对冲-3.95%，季月连续对冲-4.03%，最低贴水策略-4.06%，指数表现-25.59% - 净值：当月连续对冲1.0236，季月连续对冲1.0192，最低贴水策略1.0328，指数表现0.9185[49] - **上证50（IH）**： - 年化收益：当月连续对冲1.30%，季月连续对冲2.02%，最低贴水策略1.70%，指数表现-3.44% - 波动率：当月连续对冲3.15%，季月连续对冲3.56%，最低贴水策略3.11%，指数表现16.89% - 最大回撤：当月连续对冲-4.22%，季月连续对冲-3.75%，最低贴水策略-3.91%，指数表现-22.96% - 净值：当月连续对冲1.0330，季月连续对冲1.0517，最低贴水策略1.0435，指数表现0.9156[52] - **中证1000（IM）**： - 年化收益：当月连续对冲-4.90%，季月连续对冲-4.38%，最低贴水策略-3.77%，指数表现-5.29% - 波动率：当月连续对冲4.23%，季月连续对冲5.28%，最低贴水策略5.15%，指数表现24.84% - 最大回撤：当月连续对冲-13.84%，季月连续对冲-12.63%，最低贴水策略-11.11%，指数表现-41.60% - 净值：当月连续对冲0.8811，季月连续对冲0.8932，最低贴水策略0.9077，指数表现0.8720[55] 3. 信达波动率指数（Cinda-VIX） - 30日波动率指数： - 上证50VIX：21.59 - 沪深300VIX：21.68 - 中证500VIX：25.69 - 中证1000VIX：28.73[58] 4. 信达波动率偏斜指数（Cinda-SKEW） - SKEW指数： - 上证50SKEW：96.73 - 沪深300SKEW：98.05 - 中证500SKEW：99.86 - 中证1000SKEW：104.11[65]