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. **优秀基金业绩增强组合** - 模型构建思路：从对标宽基指数转向对标主动股基，借鉴优秀基金持仓并采用量化方法增强[4][48] - 模型具体构建过程： 1. 对基金收益类因子进行分层中性化处理，优选基金组合 2. 根据优选基金持仓构建组合，控制与优选基金在个股、行业及风格上的偏离 3. 采用组合优化方法增强，年化跟踪误差4.68%[48][49] - 模型评价：历史表现稳定，大部分年度排名股基前30%[50] 2. **超预期精选组合** - 模型构建思路：筛选超预期事件股票池，结合基本面和技术面双重精选[5][55] - 模型具体构建过程： 1. 以研报标题超预期和净利润上调为条件筛选股票池 2. 对股票池进行基本面（如财务指标）和技术面（如动量指标）打分 3. 构建等权组合[5][55] 3. **券商金股业绩增强组合** - 模型构建思路：以券商金股股票池为基准，控制个股和风格偏离[6][60] - 模型具体构建过程： 1. 以券商金股为选股空间，约束组合与基准的个股、风格偏离 2. 以公募基金行业分布为行业配置基准[60] 4. **成长稳健组合** - 模型构建思路：采用“先时序、后截面”的二维评价体系，捕捉成长股超额收益黄金期[7][65] - 模型具体构建过程： 1. 以超预期和业绩预增事件筛选股票池 2. 按距离财报披露日天数分档，优先选择临近披露日的股票 3. 引入多因子打分（如估值、成长性）和风险控制机制（如缓冲机制）[7][65] --- 模型的回测效果 1. **优秀基金业绩增强组合** - 全样本年化收益20.50%，超额偏股混合型基金指数12.36%[50] - 2025年超额收益-2.75%，排名股基51.60%分位点[14][23] 2. **超预期精选组合** - 全样本年化收益28.53%，超额偏股混合型基金指数23.02%[56] - 2025年超额收益9.48%，排名股基10.93%分位点[14][31] 3. **券商金股业绩增强组合** - 全样本年化收益19.01%，超额偏股混合型基金指数14.87%[61] - 2025年超额收益2.90%，排名股基25.02%分位点[14][38] 4. **成长稳健组合** - 全样本年化收益34.74%，超额偏股混合型基金指数26.43%[66] - 2025年超额收益13.98%，排名股基6.54%分位点[14][43] --- 关键指标对比 - **2025年超额收益**：成长稳健组合（13.98%）> 超预期精选组合（9.48%）> 券商金股组合（2.90%）> 优秀基金组合（-2.75%）[14] - **排名分位点**：成长稳健组合（6.54%）最优，超预期精选组合（10.93%）次之[14][31][43] 注：所有数据均基于偏股混合型基金指数（885001.WI）为基准，组合仓位按90%计算[18][24][32][39]

根据提供的金融工程日报内容，以下是量化模型与因子的结构化总结： --- 量化因子与构建方式 1. **因子名称：封板率因子** - 构建思路：通过监测涨停股盘中封板稳定性反映市场情绪强度[15] - 具体构建： $$封板率=\frac{最高价涨停且收盘涨停股票数}{最高价涨停股票数}$$ 筛选上市满3个月的股票，统计日内最高价与收盘价均涨停的股票占比[15] - 因子评价：高频因子对短线情绪捕捉敏感 2. **因子名称：连板率因子** - 构建思路：衡量涨停股持续性强弱，反映市场追涨动能[15] - 具体构建： $$连板率=\frac{连续两日收盘涨停股票数}{昨日收盘涨停股票数}$$ 需排除新股上市前3个月数据[15] - 因子评价：对题材炒作持续性有前瞻性 3. **因子名称：大宗交易折价率因子** - 构建思路：通过大宗交易价格偏离度观测机构资金动向[25] - 具体构建： $$折价率=\frac{大宗交易总成交金额}{当日成交份额总市值}-1$$ 统计单日所有大宗交易成交额与市值的加权偏离度[25] - 因子评价：反映大资金对标的的折让要求 4. **因子名称：股指期货贴水率因子** - 构建思路：利用期现价差捕捉市场预期变化[27] - 具体构建： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 计算主力合约基差并年化处理，覆盖上证50/沪深300/中证500/中证1000指数[27] --- 因子回测效果 1. **封板率因子** - 当日值：61%（较前日下降8%）[15] - 近一月波动区间：55%-70%[15] 2. **连板率因子** - 当日值：21%（较前日提升4%）[15] - 近一月波动区间：15%-25%[15] 3. **大宗交易折价率因子** - 当日值：7.46%（近半年均值5.54%）[25] - 分位点：处于近半年85%高位[25] 4. **股指期货贴水率因子** - 上证50：14.18%（近一年13%分位）[27] - 沪深300：11.99%（近一年13%分位）[27] - 中证500：15.91%（近一年19%分位）[27] - 中证1000：21.39%（近一年13%分位）[27] --- 注：报告中未涉及量化模型的具体构建，故仅总结可量化的市场行为因子。所有因子数据均来自20250606最新统计[15][25][27]

量化因子与构建方式 1. **因子名称**：250日新高距离 **因子构建思路**：通过计算当前收盘价与过去250日最高价的相对距离，衡量股票创新高的程度[11] **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个交易日收盘价的最大值 若最新收盘价创出新高，则因子值为0；若较新高回落，则因子值为正，表示回落幅度[11] **因子评价**：该因子能有效捕捉动量效应，符合趋势跟踪策略的逻辑基础[11] 2. **因子名称**：平稳创新高筛选因子（复合因子） **因子构建思路**：结合分析师关注度、股价路径平稳性等多维度筛选具有持续动量的股票[23][26] **因子具体构建过程**： - **分析师关注度**：过去3个月买入/增持评级的研报≥5份[26] - **股价相对强弱**：过去250日涨跌幅位于全市场前20%[26] - **股价平稳性**（双重筛选）： 1. 位移路程比 = \(\frac{过去120日涨跌幅绝对值}{过去120日日涨跌幅绝对值加总}\)[23] 2. 创新高持续性 = 过去120日的250日新高距离时间序列均值[26] - **趋势延续性**：过去5日的250日新高距离时间序列均值[26] 最终取综合排名前50的股票[26] **因子评价**：该复合因子能过滤跳跃型动量，捕捉更可持续的趋势信号[23][26] --- 因子回测效果 1. **250日新高距离因子** - 上证指数取值：2.99%[12] - 深证成指取值：11.41%[12] - 沪深300取值：8.98%[12] - 中证500取值：8.98%[12] - 中证1000取值：6.94%[12] - 中证2000取值：4.25%[12] - 创业板指取值：20.03%[12] - 科创50取值：12.00%[12] 2. **平稳创新高筛选因子** - 筛选结果示例（部分股票）： - 三生国健（医药）：250日涨幅174%，新高距离2.9%[30] - 万辰集团（农林牧渔）：250日涨幅610%，新高距离5.9%[30] - 仕佳光子（通信）：250日涨幅249%，新高距离0%[30] - 板块分布： - 制造板块入选11只（机械行业最多）[27] - 消费板块入选8只（食品饮料行业最多）[27] --- 补充说明 - **行业/概念应用**： - 银行行业250日新高距离最低（0.37%），煤炭行业最高[13] - 万得微盘股等权概念指数表现最优（新高距离最小）[15] - **创新高股票分布**： - 全市场777只股票创250日新高，基础化工（106只）、机械（93只）、医药（91只）数量最多[19] - 中证2000指数创新高占比最高（14.85%）[20] （注：原文未提供IR等量化指标，故未列出）

量化模型与构建方式 国企基本面因子选股策略 1. **模型名称**：国企基本面因子选股多头策略 - **模型构建思路**：基于中证国企指数成分股及北交所符合条件的国企股票构建样本池，根据行业分类（红利型、成长型）选择通用因子和行业特色因子，通过加权打分选股[3][4][5]。 - **模型具体构建过程**： 1. **样本池定义**：中证国企指数成分股+北交所上市满6个月的央/地方国企股票[3]。 2. **行业分类**：将ZX三级行业划分为红利型（资源品、公用事业等6类）和成长型（先进制造、软件服务等3类）[4]。 3. **因子选择**： - **通用因子**：股息率（TTM）、ROE（TTM）、营业现金比率等，权重根据行业类型调整（红利型股息率权重4，成长型为2）[5][6]。 - **行业特色因子**：如资源品的ROIC环比增量、房地产的存货周转率等[7][8]。 4. **得分计算**：通用因子得分（30%）+行业特色因子得分（70%）加权，归一化为百分制总分[9]。 5. **权重分配**：前50名个股按得分立方加权，公式为： $$w_{i}={\frac{s c o r e_{i}^{3}}{\sum_{i=1}^{N}s c o r e_{i}^{3}}}$$ [10]。 - **模型评价**：突出国企红利特征，兼顾行业差异，因子权重设计体现不同行业逻辑[5][9]。 科技主题基本面因子选股策略 1. **模型名称**：科技主题基本面因子选股多头策略 - **模型构建思路**：从符合科技定义的行业（电子、计算机等）中筛选高研发投入股票，按企业生命周期（引入期、成长期、成熟期）分域选股[17][19][21]。 - **模型具体构建过程**： 1. **样本池定义**：SW三级行业属于科技领域且研发费用占比>5%或研发人员占比>10%的股票[17][18]。 2. **生命周期划分**：根据现金流正负将企业分为引入期、成长期等阶段，剔除震荡期和衰退期股票[19][20]。 3. **因子选择**： - **通用因子**：毛利率环比增量、独立发明专利数量等[22]。 - **特色因子**：成长期关注资产负债率（正向），成熟期关注PB-ROE（正向）[22][28]。 4. **得分计算**： - 单因子分位数打分后，按公式调节总分均衡性： $${\hat{\mathbb{E}}}_{i}^{s}\nearrow\ ={\frac{1}{5}}M e a n(S_{i})+{\frac{M e a n(S_{i})}{S t d(S_{i})}}$$ [23]。 - 研发费用乘数调整总分： $$研发费用乘数 = 0.9 + 0.2 × Normalization\left(\frac{Mean_{industry}(研发费用/总市值)}{Mean_{Astock}(研发费用/总市值)}\right)$$ [25][26]。 5. **权重分配**：前50名个股按得分线性加权，公式为： $$w e i g h t_{i}={\frac{s c o r e_{i}}{\sum_{i=1}^{50}s c o r e_{i}}}$$ [27]。 - **模型评价**：强调研发投入和高成长性，生命周期分域增强因子有效性[21][22]。 --- 模型的回测效果 国企基本面因子选股多头策略 - **年化收益率**：23.09% - **年化超额收益**：21.01%（vs 中证国企指数） - **Sharpe比率**：1.0648 - **Calmar比率**：0.9799 - **最大回撤**：-23.56% - **超额收益Sharpe比率**：1.7000[11][12]。 科技主题基本面因子选股多头策略 - **年化收益率**：25.25% - **年化超额收益**：10.62%（vs 科技股样本池） - **Sharpe比率**：0.9404 - **Calmar比率**：0.7476 - **最大回撤**：-33.78% - **超额收益Sharpe比率**：1.4755[29][30]。 --- 量化因子与构建方式 国企基本面因子 1. **通用因子**： - **股息率（TTM）**：反映国企分红稳定性[6]。 - **ROE（TTM）**：央企业绩考核指标，衡量盈利能力[6]。 - **营业现金比率**：经营现金流/营业总收入，考核销售质量[6]。 2. **行业特色因子**： - **资源品**：ROIC环比增量（盈利+营运效率）[7]。 - **房地产**：存货周转率（销售效率）[8]。 - **银行**：资本充足率（抗风险能力）[8]。 科技主题基本面因子 1. **通用因子**： - **毛利率环比增量**：反映利润空间[22]。 - **独立发明专利数量**：衡量技术水平[22]。 2. **特色因子**： - **成长期**：资产负债率（正向，支持扩张）[22][28]。 - **成熟期**：PB-ROE（低估值高ROE）[22][28]。 --- 因子的回测效果 （注：报告中未单独列出因子级回测指标，仅展示模型综合效果）

以下是按照要求总结的量化模型与因子内容： 量化因子与构建方式 资产类因子 1. **因子名称**：F1（流动性金融资产占比） **构建思路**：衡量流动资产中金融资产的占比[22] **构建过程**： $$F1 = \frac{流动性金融资产}{流动性金融资产 + 流动性经营资产}$$ 其中流动性金融资产包括货币资金、交易性金融资产等科目，流动性经营资产包括应收账款、存货等科目[19][22] 2. **因子名称**：F2（非流动性金融资产占比） **构建思路**：衡量非流动资产中金融资产的占比[22] **构建过程**： $$F2 = \frac{非流动性金融资产}{非流动性金融资产 + 非流动性经营资产}$$ 非流动性金融资产包括可供出售金融资产、长期股权投资等[19][22] 3. **因子名称**：F3（全部金融资产占比） **构建思路**：衡量总资产中金融资产的综合占比[22] **构建过程**： $$F3 = \frac{流动性金融资产 + 非流动性金融资产}{总资产}$$ 总资产为四类资产科目之和[19][22] 负债类因子 4. **因子名称**：F4（流动性金融负债占比） **构建思路**：衡量流动负债中金融负债的占比[39] **构建过程**： $$F4 = \frac{流动性金融负债}{流动性金融负债 + 流动性经营负债}$$ 流动性金融负债包括短期借款、应付票据等[19][39] 5. **因子名称**：F5（非流动性金融负债占比） **构建思路**：衡量非流动负债中金融负债的占比[39] **构建过程**： $$F5 = \frac{非流动性金融负债}{非流动性金融负债 + 非流动性经营负债}$$ 非流动性金融负债包括长期借款、应付债券等[19][39] 6. **因子名称**：F6（全部金融负债占比） **构建思路**：衡量总负债中金融负债的综合占比[39] **构建过程**： $$F6 = \frac{流动性金融负债 + 非流动性金融负债}{总负债}$$ 总负债为四类负债科目之和[19][39] 金融类因子 7. **因子名称**：F7（流动性金融资产/负债比率） **构建思路**：衡量流动性金融资产与负债的匹配程度[56] **构建过程**： $$F7 = \frac{流动性金融资产}{流动性金融资产 + 流动性金融负债}$$ 反映企业短期金融结构的稳健性[19][56] 8. **因子名称**：F8（非流动性金融资产/负债比率） **构建思路**：衡量非流动性金融资产与负债的匹配程度[56] **构建过程**： $$F8 = \frac{非流动性金融资产}{非流动性金融资产 + 非流动性金融负债}$$ 反映长期金融资源配置效率[19][56] 9. **因子名称**：F9（全部金融资产/负债比率） **构建思路**：综合衡量金融资产与负债的整体结构[56] **构建过程**： $$F9 = \frac{流动性金融资产 + 非流动性金融资产}{金融资产总额 + 金融负债总额}$$ 体现企业整体金融风险敞口[19][56] 经营类因子 10. **因子名称**：F10（流动性经营资产/负债比率） **构建思路**：衡量流动性经营资产与负债的匹配度[72] **构建过程**： $$F10 = \frac{流动性经营资产}{流动性经营资产 + 流动性经营负债}$$ 反映短期经营资金周转能力[19][72] 11. **因子名称**：F11（非流动性经营资产/负债比率） **构建思路**：衡量非流动性经营资产与负债的匹配度[72] **构建过程**： $$F11 = \frac{非流动性经营资产}{非流动性经营资产 + 非流动性经营负债}$$ 体现长期经营资源配置效率[19][72] 12. **因子名称**：F12（全部经营资产/负债比率） **构建思路**：综合衡量经营资产与负债的整体结构[72] **构建过程**： $$F12 = \frac{流动性经营资产 + 非流动性经营资产}{经营资产总额 + 经营负债总额}$$ 反映企业核心经营活动的健康度[19][72] 因子回测效果 资产类因子 1. **F1因子**： - 因子收益：0.108% - IC：-0.002 - ICIR：-0.041[38] 2. **F2因子**： - 因子收益：-0.275% - IC：0.010 - ICIR：0.200[38] 3. **F3因子**： - 因子收益：-0.141% - IC：-0.004 - ICIR：-0.077[38] 负债类因子 4. **F4因子**： - 因子收益：0.234% - IC：-0.010 - ICIR：-0.284[58] 5. **F5因子**： - 因子收益：-0.261% - IC：0.003 - ICIR：0.068[58] 6. **F6因子**： - 因子收益：0.188% - IC：-0.0065 - ICIR：-0.1974[58] 金融类因子 7. **F7因子**： - 因子收益：0.193% - IC：-0.003 - ICIR：-0.045[71] 8. **F8因子**： - 因子收益：-0.057% - IC：0.006 - ICIR：0.125[71] 9. **F9因子**： - 因子收益：0.233% - IC：-0.003 - ICIR：-0.053[71] 经营类因子 10. **F10因子**： - 因子收益：0.414% - IC：-0.015 - ICIR：-0.347[91] 11. **F11因子**： - 因子收益：0.033% - IC：0.0002 - ICIR：0.006[91] 12. **F12因子**： - 因子收益：0.396% - IC：-0.011 - ICIR：-0.307[91] 关键结论 - **最优因子**：经营类因子（F10/F12）在收益和ICIR上表现突出，其中F10月度收益达0.414%[91] - **相关性特征**：资产类与金融类因子高度相关（ρ>0.7），负债类与经营类因子高度相关[94] - **细分维度**：非流动性因子（F2/F8）的ICIR普遍高于流动性因子[38][71] （注：所有因子均经过市值和行业中性化处理，测试周期为月度调仓[21]）

根据提供的华福证券研报内容，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：期权PCR择时策略** - **模型构建思路**：利用期权持仓量PCR（Put/Call Ratio）作为市场情绪指标，采用顺趋势（PCR上升时做多）和反趋势（PCR低位时反转）的逻辑构建择时策略[4][79] - **模型具体构建过程**： 1. 计算每日期权持仓量PCR值：$$ PCR = \frac{Put持仓量}{Call持仓量} $$ 2. 设定阈值触发信号： - 当PCR持续上行且超过历史分位数（如80%分位）时，生成多头信号 - 当PCR低于历史分位数（如20%分位）时，生成空头或平仓信号[79][80] 3. 结合标的指数（上证50/沪深300）价格走势验证信号有效性 - **模型评价**：策略在极端市场情绪下捕捉反转效果较好，但对阈值敏感且依赖历史分位数校准[4][90] --- 模型的回测效果 1. **期权PCR策略（上证50）** - 2025年收益率：3.07% - 最大回撤：6.51% - 年化波动率：14.61% - 胜率：55.10% - 夏普比率：1.0[83] 2. **期权PCR策略（沪深300）** - 2025年收益率：0.97% - 最大回撤：9.44% - 年化波动率：16.55% - 胜率：54.08% - 夏普比率：0.6[86] --- 量化因子与构建方式 1. **因子名称：股指期货基差比例因子** - **因子构建思路**：通过期货合约与现货指数的基差比例反映市场情绪和流动性溢价[23][26] - **因子具体构建过程**： 1. 计算次月合约基差比例：$$ 基差比例 = \left(\frac{期货价格}{现货指数} - 1\right) \times 100\% $$ 2. 分合约期限（近月/远月）统计基差比例变化[26][33] - **因子评价**：深度贴水（如中证1000远月贴水-3.5%）显示市场对中小盘避险需求强烈[31][38] 2. **因子名称：国债期货隐含收益率因子** - **因子构建思路**：通过国债期货价格反推隐含收益率，反映市场对利率走势的预期[47][49] - **因子具体构建过程**： 1. 根据国债期货价格和久期模型计算隐含收益率 2. 对比现货收益率生成溢价信号（如隐含收益率1.66% vs 现货1.68%）[49] - **因子评价**：远月合约升水结构预示投资者对宽松政策的预期[56] --- 因子的回测效果 1. **股指期货基差比例因子（中证1000次季合约）** - 2025年5月贴水幅度：-3.63%（峰值）[26][31] 2. **国债期货隐含收益率因子（10年期）** - 2025年5月隐含收益率：1.66%[49] --- 注：以上内容严格基于研报中提及的模型、因子及数据，未包含风险提示等非核心信息。

根据提供的金融工程日报内容，该报告主要涉及市场表现、情绪指标和资金流向的统计分析，但未提及具体的量化模型或因子构建方法。以下是可提取的核心指标分类整理： 市场情绪指标 1. **封板率** 构建思路：反映涨停股的封板稳定性[16] 计算公式： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 测试结果：当日值69%（较前日+6%）[16] 2. **连板率** 构建思路：衡量涨停股的连续性[16] 计算公式： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 测试结果：当日值17%（较前日-13%，近一月新低）[16] 资金流向指标 1. **两融交易占比** 构建思路：监控杠杆资金活跃度[21] 计算方式： $$两融交易占比=\frac{融资买入额+融券卖出额}{市场总成交额}$$ 测试结果：当日值8.4%（近一年均值8.8%）[21] 2. **大宗交易折价率** 构建思路：反映机构交易溢价水平[25] 计算公式： $$折价率=\frac{大宗交易总成交金额}{当日成交份额总市值}-1$$ 测试结果：当日值3.15%（近半年均值5.51%）[25] 3. **股指期货年化贴水率** 构建思路：衡量期货市场预期[27] 计算公式： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 测试结果： - 中证1000贴水率24.11%（近一年7%分位）[27] - 中证500贴水率18.26%（近一年12%分位）[27] 其他监测指标 - **涨跌停家数**：收盘涨停76家/跌停13家[12] - **昨日涨跌停股收益**：涨停股次日收益0.56%，跌停股次日收益-5.27%[13] 注：报告未涉及量化因子或模型的构建过程与评价，仅提供市场监测指标的实时数据[1][2][3][4]

量化因子与构建方式 1. **因子名称**：新价量相关性RPV因子 - **构建思路**：通过划分价量四象限，利用月度IC均值甄别价量相关性因子的反转效应和动量效应，结合日内与隔夜信息叠加，以相关性形式加入成交量信息[6] - **具体构建过程**： 1. 日内价量相关性：使用CCOIV（日内收盘价与成交量相关性）代表，增强反转效应 2. 隔夜价量相关性：使用COV（隔夜收益与昨日成交量相关性）代表，体现动量效应 3. 信息叠加：将两类相关性因子加权合成RPV因子，公式为加权线性组合（未给出具体权重）[6] - **因子评价**：因子在A股市场中表现稳健，兼具反转与动量特性[6] 2. **因子名称**：聪明版日频价量相关性SRV因子 - **构建思路**：改进RPV因子，通过拆分日内涨跌时段并识别"聪明"交易时段（知情交易集中时段），优化价量相关性计算[6] - **具体构建过程**： 1. 日内部分：将下午交易时段中"聪明"指标（分钟级指标）最大的20%时段（24分钟）作为知情交易时段，计算下午涨跌与"聪明"换手率的相关系数 2. 隔夜部分：将换手率替换为昨日最后半小时换手率（知情交易比例更高） 3. 合成：结合优化后的日内与隔夜价量相关性因子，生成SRV因子[6] - **因子评价**：相比RPV因子，SRV因子在信息比率、最大回撤等指标上表现更优[6] --- 因子的回测效果 1. **RPV因子**（2014/01-2025/05全市场测试）： - 年化收益率：14.69% - 年化波动率：7.75% - 信息比率（IR）：1.90 - 月度胜率：72.79% - 最大回撤：10.63%[7][10] 2. **SRV因子**（2014/01-2025/05全市场测试）： - 年化收益率：17.48% - 年化波动率：6.50% - 信息比率（IR）：2.69 - 月度胜率：75.74% - 最大回撤：3.74%[7][10] 3. **2025年5月单月表现**： - RPV因子：多头收益3.99%，空头收益5.73%，多空对冲收益-1.74% - SRV因子：多头收益3.59%，空头收益5.68%，多空对冲收益-2.09%[10] --- 补充说明 - RPV因子在2014/01-2023/08回测期内年化收益16.29%，IR 2.41[6] - SRV因子在同期的RankICIR为-4.26，年化收益18.91%，IR 3.07，最大回撤仅3.11%[6]

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：人工智能全球大类资产配置模型** - **构建思路**：应用机器学习模型进行大类资产配置，基于因子投资思路对各资产进行打分排序，构建月频量化等权配置策略[35] - **具体构建过程**： 1. 输入层：整合经济增长、通胀、货币政策等宏观指标作为特征变量 2. 模型层：采用监督学习算法（未明确具体算法）对历史资产表现与宏观因子关系进行训练 3. 输出层：生成资产打分排序并分配权重，6月配置建议为国债指数(68.18%)、ICE布油(13.35%)、日经225(11.60%)、纳斯达克指数(6.87%)[35][38] - **模型评价**：在控制回撤方面表现优异，超额收益稳定性强[35] 2. **模型名称：动态宏观事件因子的股债轮动策略** - **构建思路**：通过宏观择时模块（经济增长/货币流动性维度）结合风险预算模型，输出不同风险偏好配置方案[40] - **具体构建过程**： 1. 信号生成：10个细分指标（如PPI同比、M1-M2剪刀差等）通过动态事件因子体系合成信号强度[43] 2. 权重分配：6月进取型/稳健型/保守型股票权重分别为45%/13.92%/0%[40][42] 3. 风险预算：根据波动率约束调整股债配置比例[40] - **模型评价**：长期显著跑赢股债64基准，风险调整收益优异[47] 3. **模型名称：红利风格择时配置模型** - **构建思路**：基于经济增长和货币流动性10个指标构建动态事件因子体系，对中证红利指数进行仓位择时[48] - **具体构建过程**： 1. 指标标准化：包括PPI同比、国债利差10Y-3M等指标归一化处理[52] 2. 信号合成：5月经济增长维度信号强度50%，货币流动性40%，最终合成100%仓位信号[48] 3. 仓位控制：全仓/半仓/空仓三档阈值控制[48] 模型的回测效果 1. **人工智能全球大类资产配置模型** - 年化收益率6.54% vs 基准5.05% - 最大回撤-6.66% vs 基准-12.67% - 夏普比率0.75 vs 基准0.54[35][39] 2. **动态宏观事件因子股债轮动策略** - 进取型年化收益率19.90%（夏普1.28） - 稳健型年化收益率10.97%（夏普1.18） - 保守型年化收益率6.04%（夏普1.51）[47] 3. **红利风格择时模型** - 年化收益率15.74% vs 中证红利11.26% - 最大回撤-21.70% vs 基准-36.80% - 夏普比率0.89 vs 基准0.56[51] 量化因子与构建方式 1. **因子名称：经济增长维度因子** - **构建思路**：反映实体经济景气度的领先指标组合[43] - **具体构建过程**： - 包含工业增加值同比、PPI同比等指标 - 采用3个月移动平均处理季节性波动 - 信号阈值：$$ Signal_{growth} = \sum_{i=1}^{n} w_i \cdot I(Indicator_i > Threshold_i) $$[43] 2. **因子名称：货币流动性因子** - **构建思路**：刻画市场资金面松紧程度[43] - **具体构建过程**： - 包含M1-M2剪刀差、R007_MA20等指标 - 动态权重调整：$$ w_t = \frac{1}{\sigma_t} \cdot e^{-\lambda t} $$[43] 因子的回测效果 1. **经济增长维度因子** - 5月信号强度50%（工业增加值同比发出看多信号）[42] - 近12个月IC均值0.32[43] 2. **货币流动性因子** - 5月信号强度40%（中美国债利差10Y发出看多信号）[42] - 近12个月IC均值0.25[43]

应收账款类资产证券化市场分析报告 目 录 | 一、市场概况 | 2 | | --- | --- | | 二、市场创新 | 5 | | 全国首单工程机械类应收账款 ABS | 5 | | 全国首单分离式保函资产转让 ABS | 5 | | 全国首单外币计价境外资产 ABN | 6 | | 三、评级调整、违约及展期 | 6 | | 四、总结与展望 | 6 | 分析师 裘季维 010-67413459 结构融资部 行业组长 qiujiwei@dagongcredit.com 魏 莱 010-67413527 结构融资部 分析师 weilai@dagongcredit.com 专题研究 资产证券化 专题研究 |资产证券化 客户服务 电话：010-67413300 客服：4008-84-4008 Email：research@dagongcredit.com 2025 年 4 月 11 日 2024 年，应收账款类证券化产品在各类 基础资产类型中占据市场主流地位，建筑类央 企为主要发行主体，政策背景下无增信产品发 行规模继续提升，优先级发行利率水平较低。 同时，产品创新持续涌现，产品结构进一步优 化和丰富，从而充分发挥 ...