量化模型与构建方式 **注：** 本报告主要对现有因子和组合进行跟踪，未详细阐述各因子或模型的构建公式与具体过程。以下根据报告提及内容进行总结。 量化因子与构建方式 1. **因子名称：** Beta因子[1] * **因子构建思路：** 衡量股票相对于市场整体波动的敏感性，即系统性风险暴露[1]。 2. **因子名称：** 动量因子[1] * **因子构建思路：** 基于股票过去一段时间（如1个月）的价格表现，认为过去表现好的股票在未来短期内将继续表现好[1][23]。 3. **因子名称：** 流动性因子[1] * **因子构建思路：** 衡量股票的交易活跃程度和变现能力，通常与交易量、换手率等指标相关[1][22]。 4. **因子名称：** 成长性因子[1] * **因子构建思路：** 衡量公司盈利、收入或资产等财务指标的增长率，反映公司的成长潜力[1]。 5. **因子名称：** 残差波动率因子[1] * **因子构建思路：** 衡量股票收益率中不能被市场因子解释的部分（即残差）的波动性，代表公司的特质风险[1][22]。 6. **因子名称：** 市值因子[1] * **因子构建思路：** 通常指对数市值因子，衡量公司规模大小，是市场中最经典的风格因子之一[1][13][15][17]。 7. **因子名称：** 非线性市值因子[1] * **因子构建思路：** 捕捉市值因子与收益率之间可能存在的非线性关系[1]。 8. **因子名称：** 总资产增长率[12][14][16] * **因子构建思路：** 衡量公司总资产的扩张速度，属于成长类因子[12][14][16]。 9. **因子名称：** 标准化预期外盈利[12] * **因子构建思路：** 衡量公司实际公布的盈利与市场预期之间的差异，经过标准化处理，属于盈余惊喜类因子[12]。 10. **因子名称：** 单季度ROA同比[12][16] * **因子构建思路：** 衡量公司单季度总资产收益率相对于去年同期的变化率，属于盈利改善类因子[12][16]。 11. **因子名称：** 单季度净利润同比增长率[14][16] * **因子构建思路：** 衡量公司单季度净利润相对于去年同期的增长率，属于成长类因子[14][16]。 12. **因子名称：** 单季度营业利润同比增长率[14][16] * **因子构建思路：** 衡量公司单季度营业利润相对于去年同期的增长率，属于成长类因子[14][16]。 13. **因子名称：** 早盘收益因子[16] * **因子构建思路：** 基于股票在早盘时段的收益表现构建的因子，可能与市场情绪或隔夜信息消化有关[16]。 14. **因子名称：** 下行波动率占比[12][14][16] * **因子构建思路：** 衡量下行波动率在总波动率中的比例，反映股价下跌风险的结构[12][14][16]。 15. **因子名称：** 市盈率因子[12][14][16] * **因子构建思路：** 基于市盈率或其倒数构建的估值类因子，衡量股价相对于每股收益的水平[12][14][16]。 16. **因子名称：** 5日成交量的标准差[12] * **因子构建思路：** 衡量最近5个交易日成交量波动程度的因子，可能与交易行为的稳定性或异动有关[12]。 17. **因子名称：** 每股净资产因子[22] * **因子构建思路：** 衡量公司每股对应的净资产价值，属于基本面价值类因子[22]。 18. **因子名称：** 每股经营利润TTM因子[22] * **因子构建思路：** 衡量公司过去十二个月每股经营利润，属于基本面盈利类因子[22]。 19. **因子名称：** BP因子[22] * **因子构建思路：** 市净率（P/B）的倒数，即账面市值比，属于估值类因子[22]。 20. **因子名称：** EP因子[22] * **因子构建思路：** 市盈率（P/E）的倒数，即盈利收益率，属于估值类因子[22]。 21. **因子名称：** 大宗交易成交金额比率[30] * **因子构建思路：** 衡量大宗交易成交金额的相对水平，是构建大宗交易组合的关键指标之一[30]。 22. **因子名称：** 6日成交金额波动率[30] * **因子构建思路：** 衡量最近6个交易日成交金额的波动程度，是构建大宗交易组合的关键指标之一[30]。 量化模型与构建方式 1. **模型名称：** PB-ROE-50组合[2][24] * **模型构建思路：** 结合市净率（PB）和净资产收益率（ROE）两个核心指标进行选股，旨在寻找估值合理且盈利能力强的公司[2][24]。 2. **模型名称：** 机构调研组合[3][26] * **模型构建思路：** 基于机构调研行为构建选股策略，包括公募调研选股策略和私募调研跟踪策略，认为机构调研行为蕴含了未来的信息优势[3][26]。 3. **模型名称：** 大宗交易组合[3][30] * **模型构建思路：** 根据“高成交、低波动”原则，即选择“大宗交易成交金额比率”高且“6日成交金额波动率”低的股票，通过月频调仓构建组合，以挖掘大宗交易背后的超额信息[30]。 4. **模型名称：** 定向增发组合[3][36] * **模型构建思路：** 以定向增发的股东大会公告日为事件节点，综合考虑市值、调仓周期和仓位控制等因素，构建事件驱动选股组合，捕捉定向增发事件带来的投资机会[36]。 模型的回测效果 1. **PB-ROE-50组合** * 本周超越基准收益率（中证500）：-0.15%[24][25] * 本周超越基准收益率（中证800）：2.05%[24][25] * 本周超越基准收益率（全市场）：3.43%[24][25] * 本周绝对收益率（中证500）：5.60%[25] * 本周绝对收益率（中证800）：6.94%[25] * 本周绝对收益率（全市场）：8.76%[25] * 今年以来超额收益率（中证500）：1.29%[25] * 今年以来超额收益率（中证800）：7.00%[25] * 今年以来超额收益率（全市场）：6.23%[25] * 今年以来绝对收益率（中证500）：8.12%[25] * 今年以来绝对收益率（中证800）：9.07%[25] * 今年以来绝对收益率（全市场）：9.30%[25] 2. **机构调研组合（公募调研选股）** * 本周超越基准收益率（中证800）：2.22%[26][27] * 本周绝对收益率：7.12%[27] * 今年以来超额收益率（中证800）：-4.06%[27] * 今年以来绝对收益率：-2.20%[27] 3. **机构调研组合（私募调研跟踪）** * 本周超越基准收益率（中证800）：3.36%[26][27] * 本周绝对收益率：8.31%[27] * 今年以来超额收益率（中证800）：6.82%[27] * 今年以来绝对收益率：8.88%[27] 4. **大宗交易组合** * 本周超越基准收益率（中证全指）：-1.20%[3][31] * 本周绝对收益率：3.89%[31] * 今年以来超额收益率（中证全指）：7.63%[31] * 今年以来绝对收益率：10.73%[31] 5. **定向增发组合** * 本周超越基准收益率（中证全指）：-0.83%[3][37] * 本周绝对收益率：4.28%[37] * 今年以来超额收益率（中证全指）：4.19%[37] * 今年以来绝对收益率：7.20%[37] 因子的回测效果 **注：** 以下因子表现数据均为“最近1周”在对应股票池中的收益，收益为剔除行业与市值影响后多头组合相对于基准指数的超额收益[12]。 1. **总资产增长率** * 沪深300股票池收益：3.14%[12][13] * 中证500股票池收益：0.46%[14][15] * 流动性1500股票池收益：1.98%[16][17] 2. **标准化预期外盈利** * 沪深300股票池收益：2.36%[12][13] * 中证500股票池收益：-0.23%[14][15] * 流动性1500股票池收益：1.12%[16][17] 3. **单季度ROA同比** * 沪深300股票池收益：2.34%[12][13] * 中证500股票池收益：0.17%[14][15] * 流动性1500股票池收益：1.57%[16][17] 4. **单季度净利润同比增长率** * 沪深300股票池收益：2.07%[12][13] * 中证500股票池收益：1.20%[14][15] * 流动性1500股票池收益：1.44%[16][17] 5. **单季度营业利润同比增长率** * 沪深300股票池收益：1.81%[12][13] * 中证500股票池收益：0.58%[14][15] * 流动性1500股票池收益：1.25%[16][17] 6. **早盘收益因子** * 沪深300股票池收益：0.89%[12][13] * 中证500股票池收益：-0.47%[14][15] * 流动性1500股票池收益：1.59%[16][17] 7. **下行波动率占比** * 沪深300股票池收益：-2.95%[12][13] * 中证500股票池收益：-2.78%[14][15] * 流动性1500股票池收益：-2.23%[16][17] 8. **市盈率因子** * 沪深300股票池收益：-2.87%[12][13] * 中证500股票池收益：-2.48%[14][15] * 流动性1500股票池收益：-2.76%[16][17] 9. **5日成交量的标准差** * 沪深300股票池收益：-3.76%[12][13] * 中证500股票池收益：-0.84%[14][15] * 流动性1500股票池收益：-1.12%[16][17] 10. **市盈率TTM倒数** * 沪深300股票池收益：-1.97%[12][13] * 中证500股票池收益：-2.89%[14][15] * 流动性1500股票池收益：-2.54%[16][17] 11. **总资产毛利率TTM** * 沪深300股票池收益：-0.24%[12][13] * 中证500股票池收益：-2.60%[14][15] * 流动性1500股票池收益：0.33%[16][17]

量化模型与构建方式 1. **模型/因子名称**：封板率[16] **构建思路**：用于衡量涨停股票的封板质量，即最高价涨停的股票中，有多少能够将涨停板维持到收盘[16] **具体构建过程**：统计满足条件的股票数量进行计算[16] 公式为： $$封板率=最高价涨停且收盘涨停的股票数/最高价涨停的股票数$$[16] 2. **模型/因子名称**：连板率[16] **构建思路**：用于衡量涨停股票的持续性，即昨日涨停的股票中，有多少能够连续第二日涨停[16] **具体构建过程**：统计满足条件的股票数量进行计算[16] 公式为： $$连板率=连续两日收盘涨停的股票数/昨日收盘涨停的股票数$$[16] 3. **模型/因子名称**：大宗交易折价率[25] **构建思路**：通过大宗交易成交价与市场价格的差异，反映大资金的投资偏好和市场情绪[25] **具体构建过程**：计算大宗交易总成交金额与当日成交份额总市值的比值，并减去1[25] 公式为： $$折价率=大宗交易总成交金额/当日成交份额的总市值-1$$[25] 4. **模型/因子名称**：股指期货年化贴水率[27] **构建思路**：将股指期货基差（期货价格与现货指数价格之差）年化，以衡量市场对未来预期及股指对冲成本[27] **具体构建过程**：计算基差与指数价格的比值，再乘以年化因子（250/合约剩余交易日数）[27] 公式为： $$年化贴水率=基差/指数价格*(250/合约剩余交易日数)$$[27] 模型的回测效果 （注：本报告为市场数据日报，未提供量化模型的回测效果指标。） 量化因子与构建方式 （注：本报告未构建独立的量化选股因子，所提及的“封板率”、“连板率”、“大宗交易折价率”、“年化贴水率”等更偏向于市场情绪或状态的指标模型，已在上方“量化模型与构建方式”部分列出。） 因子的回测效果 （注：本报告为市场数据日报，未提供量化因子的回测效果指标。）

量化模型与构建方式 **1. 模型名称：国证港股通互联网指数** * **模型构建思路**：为反映港股通范围内互联网领域相关上市公司的运行特征，构建一个被动指数化投资工具[4][10]。 * **模型具体构建过程**： 1. **选样空间**：香港交易所上市，且具备互联互通标的资格的股票[71]。 2. **筛选条件**：剔除最近一年日均成交金额低于1000万港元或月均换手率不足0.15%的股票[71]。 3. **行业筛选**：选取涉及互联网零售、互联网文娱、互联网软件、互联网服务等相关领域的公司[71]。 4. **财务与合规筛选**：剔除最近一年有重大违规、财务报告有重大问题、经营异常、有重大亏损以及股价有异常波动的公司[71]。 5. **成分股选择**：从通过上述筛选的股票中，选取最近一年日均总市值排名最高的30只股票构成指数样本股[71]。 6. **指数计算**：指数是对应成分股在调整市值的基础上按相应的指数编制规则计算出来的[4][10]。基日为2014年12月31日，基点为1000点[67]。 * **模型评价**：该指数成分股主要集中在互联网与传媒相关行业，权重分布较为集中，能够把握互联网与传媒属性[10][76]。指数成分股在大市值区间较为集中，在中小市值区间分布均衡，整体兼备龙头与均衡属性[79]。长期来看，相较恒生综指和恒生指数，该指数在部分行情中弹性更大，并具备一定的超额收益[10][96]。 模型的回测效果 1. **国证港股通互联网指数**，基日以来（截至2026年3月27日）累计收益**26.09%**[97]；同期恒生综指累计收益**15.12%**，累计超额收益**10.97%**[97]；同期恒生指数累计收益**5.71%**，累计超额收益**20.39%**[97]。 2. **国证港股通互联网指数**，截至2026年3月27日，PE(TTM)值为**23.08**，小于指数发布以来（2021年11月18日至2026年3月27日）**70.24%**的时间点[99]。 3. **国证港股通互联网指数**，前十大成分股加权平均Wind一致预期未来2年净利润增速为**87.00%**，加权PE(TTM)为**15.36**，加权PB(MQR)为**3.03**[83]。 4. **国证港股通互联网指数**，2021年1月1日至2025年12月31日期间，加权回购金额约为**449.20亿港元**，远高于全部港股平均值（2.71亿港元）[95]。 量化因子与构建方式 **1. 因子名称：回购金额因子** * **因子构建思路**：通过分析上市公司回购股票的行为和金额，衡量公司管理层对企业未来发展的信心[90]。 * **因子具体构建过程**：统计特定时间段内（如2021年1月1日至2025年12月31日）指数成分股或全部港股的回购总金额[90][95]。对于指数，可以计算成分股在区间内的加权回购金额[95]。 * **因子评价**：回购金额较高的公司，通常表明管理层认为公司价值被低估，对未来发展有信心，是衡量企业信心和潜在价值的有效指标[90][95]。 **2. 因子名称：一致预期净利润增速因子** * **因子构建思路**：利用市场分析师对公司未来盈利的一致预期，衡量指数或成分股的成长性[83]。 * **因子具体构建过程**：收集指数成分股（如前十大成分股）的Wind一致预期未来2年净利润增速数据[84]。对于指数整体，可采用加权平均法计算，权重为各成分股在指数中的权重[83]。 * **因子评价**：该因子反映了市场对公司未来盈利增长的集体判断，是评估指数成长属性的重要前瞻性指标[83]。 因子的回测效果 1. **回购金额因子**，国证港股通互联网指数成分股中，2021年1月1日至2025年12月31日期间，有**4家**公司回购金额超100亿港元[90]；其中腾讯控股区间内总回购金额约为**2778.65亿港元**，为全部港股中最高[90]。 2. **一致预期净利润增速因子**，国证港股通互联网指数前十大成分股加权平均Wind一致预期未来2年净利润增速为**87.00%**[83]。

量化模型与因子总结 量化模型与构建方式 1. **模型名称：平稳创新高股票筛选模型**[3][25][27] * **模型构建思路**：从近期创出250日新高的股票池中，通过多维度条件筛选出具有“平稳创新高”特征的股票。该模型结合了分析师观点、股价动量强度、价格路径的平滑性以及创新高趋势的持续性，旨在筛选出动量效应可能更强、更具持续性的标的[25][27]。 * **模型具体构建过程**：模型分步骤进行筛选，具体步骤如下： 1. **初选股票池**：筛选出过去20个交易日创出过250日新高的股票[19][25]。 2. **分析师关注度筛选**：要求过去3个月内，获得“买入”或“增持”评级的分析师研报不少于5份[27]。 3. **股价相对强弱筛选**：要求过去250日涨跌幅位于全市场前20%[27]。 4. **股价平稳性与创新高持续性综合筛选**：在满足上述条件的股票中，使用以下两个指标综合打分，并选取排名在前50%的股票[27]： * **价格路径平滑性**：使用股价“位移路程比”指标衡量，公式如下： $$价格路径平滑性 = \frac{过去120日涨跌幅的绝对值}{过去120日日涨跌幅绝对值加总}$$ 该指标值越接近1，表明价格路径越平滑（趋势性强），越接近0则表明路径波动大（噪音多）[25][27]。 * **创新高持续性**：使用过去120日的“250日新高距离”在时间序列上的均值来衡量。该值越小，表明股票在近期持续接近或创出新高，创新高状态越持续[27]。 5. **趋势延续性筛选**：对经过上述筛选的股票，计算其过去5日的“250日新高距离”在时间序列上的均值，并选取该值排序靠前的50只股票作为最终的“平稳创新高股票”[27]。 量化因子与构建方式 1. **因子名称：250日新高距离**[11] * **因子构建思路**：该因子用于量化当前价格相对于过去一段时间内最高价格的偏离程度，是衡量股价是否处于强势趋势或接近突破状态的关键指标。其理论基础源于股价在接近52周（约250日）最高价时未来收益更优的发现[11]。 * **因子具体构建过程**：对于给定股票在时间t的收盘价，计算其250日新高距离的公式为： $$250日新高距离 = 1 - \frac{Close_t}{ts\_max(Close, 250)}$$ 其中，$Close_t$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[11]。 * 若最新收盘价创出新高，则因子值为0。 * 若最新收盘价较历史最高价有所回落，则因子值为正，表示回落幅度[11]。 * **因子评价**：该因子是趋势跟踪和动量策略的核心指标之一，能够有效识别处于强势上涨通道或突破临界点的股票[11]。 模型的回测效果 *（注：报告未提供平稳创新高股票筛选模型的回溯测试绩效指标，如年化收益率、夏普比率、最大回撤、信息比率(IR)等定量结果。）* 因子的回测效果 *（注：报告未提供“250日新高距离”因子在选股中的独立测试绩效指标，如因子IC值、IR、多空组合收益等定量结果。）*

量化模型与构建方式 1. **模型名称：GFlowNet (Generative Flow Networks， 生成流网络)** [1][12][22] * **模型构建思路：** 将因子表达式的生成过程建模为有向无环图（DAG）中的“水流”过程，训练目标是让网络中的流量分布满足守恒定律，最终实现生成某个因子表达式的概率与其对应的奖励（Reward）成正比，即 $P(x) \propto R(x)$ [13][22][27] * **模型具体构建过程：** * **状态与动作：** 状态（State）代表生成过程中的中间表达式，动作（Action）代表添加一个算子、窗口或特征等操作[22][25] * **训练目标：** 采用 Trajectory Balance (TB) 损失函数进行训练，该目标要求整条生成轨迹的前向概率、总流量估计与最终奖励之间保持平衡[31] * **TB损失函数公式：** $${\mathcal{L}}_{T B}=\left(\log{\frac{Z\prod_{t=1}^{n}P_{F}(s_{t}|s_{t-1})}{R(x)\prod_{t=1}^{n}P_{B}(s_{t-1}|s_{t})}}\right)^{2}$$ [31] 其中，$Z$ 是可学习的标量参数，代表总流量；$P_F$ 是前向策略（需要学习的神经网络），代表在状态 $s_{t-1}$ 下选择动作前往状态 $s_t$ 的概率；$P_B$ 是后向策略；$R(x)$ 是终止状态（即完整因子表达式）的奖励[31] * **训练流程：** 用当前前向策略 $P_F$ 采样一条生成轨迹；计算该轨迹对应因子表达式的奖励 $R(x)$；计算 TB 损失并反向传播更新 $P_F$ 和 $Z$ 的参数；重复此过程[34] * **模型评价：** 相比传统方法，GFlowNet 以生成多样化、低相关性的优秀因子集合为核心目标，通过结构化学习实现有策略的高效探索，能有效避免模式崩溃，生成因子相关性低[1][13][17][45] 2. **模型名称：基于Transformer Actor-Critic结构的PPO强化学习（RL）模型** [2][39] * **模型构建思路：** 将因子构建过程建模为序贯决策问题，智能体根据当前状态采取动作（如选择算子、特征），环境根据回测结果给出奖励，通过PPO算法优化策略以最大化长期预期奖励[12][39] * **模型具体构建过程：** * **网络架构：** 采用基于Transformer的Actor-Critic结构。Actor（策略网络）是一个多层感知机（MLP），输出选择各个动作的概率分布；Critic（价值网络）是一个平行的MLP，输出一个标量值，用于评估当前已构建公式的潜在收益[39] * **核心算法：** 使用PPO（Proximal Policy Optimization）算法。价值损失（Value Loss）使用均方误差（MSE）衡量Critic预测的状态价值 $V(s)$ 与实际回报的差距；策略优化部分引入熵奖励（Entropy Bonus） $-\sum_a \pi_a \log \pi_a$ 鼓励早期探索[39][40][45] * **模型评价：** 训练初期收敛速度较快，但容易发生模式崩溃（Mode Collapse），导致生成的因子高度同质化，相关性急剧上升至接近1，失去多样性[2][17][43] 量化因子与构建方式 1. **因子构建框架：GFlowNet因子挖掘系统** [2][32] * **构建思路：** 设计一个允许程序自动组合数学算子、时间窗口和基础特征，以系统化生成和筛选有效因子的框架[1][32] * **具体构建过程：** * **状态表示：** 由两部分构成：一是对由operator/window/feature构成的表达式历史序列进行Transformer编码；二是3个手工状态特征：当前深度、已用算子比例、已用节点比例[32] * **动作空间：** 定义为包含三类操作的扁平离散空间：1) operator（算子），共51个，涵盖一元、时序一元、二元、时序二元及截面算子；2) window（窗口），给时序算子选择窗口，共5个可选值；3) feature（叶子特征），数量根据具体设计变化[32][35] * **表达式组织：** 以ExprNode树结构组织生成的表达式，并应用交换律排序、双重neg折叠等简化方法，使等价表达式归一为同一字符串，降低缓存重复[33] * **语法约束：** 每一步仅允许执行“语法合法+不超复杂度上限”的动作。初始步强制选择算子（op）；若当前节点等待窗口，则只能选择window；其他情况下可选择feature，且在不超限时可继续选择op[32] 2. **基础特征集（日频）** [2][36] * **特征名称：原始OHLCV特征** [2][36] * **构建思路：** 直接使用后复权的开盘价（Open）、最高价（High）、最低价（Low）、收盘价（Close）、成交量（Volume）数据作为基础特征输入[2][36] * **特征名称：无量纲相对特征** [2][36] * **构建思路：** 对原始OHLCV数据进行处理，生成一系列无量纲的相对变化或比率特征，以降低价格和成交量水平以及拆分复权带来的尺度差异干扰[2][36] * **具体构建过程（部分举例）：** * `ret_gap = open / pre_close - 1` （隔夜跳空幅度）[37] * `ret_cc1 = close / pre_close - 1` （日收益）[37] * `ret_co = close / open - 1` （日内涨跌）[37] * `ret_hl = high / low - 1` （日内振幅比率）[37] * `ret_range = (high - low) / pre_close` （归一化振幅）[37] * `ret_vol_chg1 = volume / delay(volume,1) - 1` （成交量日变化率）[37] 3. **基础特征集（分钟频）** [4][68] * **特征名称：基于分钟量价数据构造的日频特征** [4][68] * **构建思路：** 首先从日内分钟数据中计算约40个刻画价格动量、波动、价位关系、成交量分布等信息的指标，然后将这些日内指标降维聚合为日频特征，再输入到日频挖掘框架中进行因子搜索[4][65][68] * **具体构建过程（部分举例）：** * `amihud_intraday`：日内Amihud非流动性（收益/成交额）[69] * `close_position = (close - low)/(high - low)`：收盘价在当日高低区间的位置[69] * `intraday_trend`：日内趋势斜率（回归slope）[69] * `realized_vol`：日内实现波动率[69] * `ret_first30`：开盘后30分钟收益[69] * `ret_last15`：收盘前15分钟收益[69] * `vwap_close_dev`：收盘价相对VWAP偏离[69] 4. **奖励函数设计** [2][37] * **构建思路：** 为避免生成的因子过度暴露于小市值风格，对因子进行市值中性化处理后再计算其预测能力作为奖励[37] * **具体构建过程：** 奖励（Reward）设定为因子经过市值中性化后的绝对值信息系数（abs(IC)）[2][37] 5. **复合因子：等权合成因子** [4][76] * **构建思路：** 将GFlowNet挖掘出的多个单因子，按照各自的因子方向（正负号）进行等权加权合成，形成一个综合因子[4][76] * **具体构建过程：** 报告中将基于不同基础特征集（原始OHLCV、相对特征、分钟频特征）挖掘出的因子分别进行等权合成[76][77] 6. **复合模型：GRU+Mamba+GFlowNet集成模型** [5][90] * **构建思路：** 在已有的基于GRU和Mamba2模型的深度学习选股框架中，额外加入GFlownet挖掘出的150个因子作为特征输入，以提升模型表现[5][90] 模型的回测效果 1. **GFlowNet模型**（对比RL） * **Batch内因子相关性中位数：** 低于 0.04 [2][43] 2. **PPO强化学习（RL）模型**（对比GFlowNet） * **Batch内因子相关性中位数：** 上升至 1 [2][43] 因子的回测效果 （测试区间：2018-2025年，全A市场，10日调仓）[38] 1. **基于原始OHLCV挖掘的单因子** [3][47] * **IC均值中位数：** 4.54% [3][47] * **IC均值最大值：** 8.56% [3][47] * **多头超额收益中位数：** 3.47% [3][47] * **截面相关性均值：** 15.73% [54] * **时序相关性均值：** 19.24% [54] * **表达式平均长度（复杂度）：** 7.22 [59] 2. **基于相对特征挖掘的单因子** [3][61] * **IC均值中位数：** 6.17% [3][61] * **IC均值最大值：** 9.40% [3][61] * **多头超额收益中位数：** 4.75% [61][62] * **ICIR中位数：** 0.58 [62] * **多空收益中位数：** 33.90% [62] * **多空夏普比率中位数：** 2.42 [62] 3. **基于分钟频构造特征挖掘的单因子** [4][70] * **IC均值中位数：** 5.83% [4][70] * **IC均值最大值：** 9.46% [4][70] * **多头超额收益中位数：** 7.43% [4][70] * **ICIR中位数：** 0.57 [71] * **多头夏普比率中位数：** 0.74 [71] * **多空收益中位数：** 36.34% [71] * **多空夏普比率中位数：** 2.77 [71] 4. **等权合成因子** [76][77] * **基于原始OHLCV特征合成：** * **RankIC：** 10.83% [77] * **ICIR：** 0.81 [77] * **多头年化超额收益率：** 17.35% [77] * **多头信息比率：** 2.05 [77] * **多空年化收益率：** 88.67% [77] * **多空夏普比率：** 5.16 [77] * **基于相对特征合成：** * **RankIC：** 11.64% [77] * **ICIR：** 0.82 [77] * **多头年化超额收益率：** 10.22% [77] * **多头信息比率：** 1.15 [77] * **多空年化收益率：** 84.51% [77] * **多空夏普比率：** 3.91 [77] * **基于分钟频特征合成：** * **RankIC：** 12.25% [77] * **ICIR：** 0.85 [77] * **多头年化超额收益率：** 16.08% [77] * **多头信息比率：** 1.85 [77] * **多空年化收益率：** 109.12% [77] * **多空夏普比率：** 5.84 [77] 5. **GRU+Mamba+GFlowNet集成模型** [90][94] * **RankIC：** 13.67% [94] * **ICIR：** 1.27 [94] * **多头年化超额收益率：** 32.88% [94] * **多头信息比率：** 3.87 [94] * **多头超额最大回撤：** 7.83% [94] * **多空年化收益率：** 166.31% [94] * **多空夏普比率：** 10.21 [94]

量化模型与构建方式 1. **模型名称：多资产择时模型**[1][2][3][6][7][8] **模型构建思路：** 该模型旨在对多种资产（包括不同期限的国债、信用债、股票指数及大宗商品）的未来短期走势进行概率化预测，并基于预测概率生成“看多”、“调整”（看空）或“震荡”的定性观点[2][3][6][7][8]。 **模型具体构建过程：** 1. **信号生成：** 模型每日计算并输出一个“原始信号”或“单日择时信号”，该信号是一个百分比数值，代表模型对未来短期内资产价格（对于股指）或收益率（对于债券）上行的概率估计[8]。 2. **信号平滑：** 对原始信号进行5日移动平均（MA5）处理，得到平滑后的信号值，以降低噪声[2][6][7][8]。 3. **观点生成规则：** 根据资产类型和信号阈值，将概率信号转化为多空观点[8]。 * **对于利率债（国债）和信用债（中短票）：** 当原始信号大于60%时，模型观点为“调整”（看空收益率下行）；当原始信号小于40%时，模型观点为“看多”（看多收益率上行）；信号在40%至60%之间时，观点为“震荡”[8]。 * **对于股指（如万得全A、恒生科技等）：** 当原始信号大于60%时，模型观点为“调整”（看空）；当原始信号小于40%时，模型观点为“看多”；信号在40%至60%之间时，观点为“震荡”[8]。 * **对于大宗商品（如黄金、原油、铜、焦煤）：** 报告未明确其具体阈值规则，但同样输出“调整”、“看多”或“震荡”观点[2][6][7][8]。 模型的回测效果 （注：报告未提供模型整体的历史回测绩效指标，如年化收益率、夏普比率、最大回撤等。仅提供了特定日期各资产模型的信号输出值及据此生成的观点。） 1. **多资产择时模型**，在**2026-04-09**的测试结果如下[2][6][7][8]： * **30年国债**：原始信号61.52%，MA5信号79.16%，模型观点为【调整】 * **3年AAA中短票**：原始信号6.00%，MA5信号7.07%，模型观点为【看多】 * **5年国债**：原始信号21.60%，MA5信号61.96%，模型观点为【调整】 * **2年国债**：原始信号13.61%，MA5信号13.92%，模型观点为【看多】 * **万得全A指数**：原始信号64.97%，MA5信号64.85%，模型观点为【调整】 * **中证红利全收益指数**：原始信号50.61%，MA5信号70.08%，模型观点为【调整】 * **恒生科技指数**：原始信号77.84%，MA5信号75.23%，模型观点为【调整】 * **科创50指数**：原始信号61.00%，MA5信号64.91%，模型观点为【调整】 * **万得微盘指数**：原始信号72.42%，MA5信号67.24%，模型观点为【调整】 * **国证2000指数**：原始信号68.51%，MA5信号70.17%，模型观点为【调整】 * **COMEX黄金**：原始信号25.87%，MA5信号51.78%，模型观点为【震荡】 * **IPE布油**：原始信号65.88%，MA5信号41.62%，模型观点为【震荡】 * **COMEX铜**：原始信号71.88%，MA5信号85.75%，模型观点为【调整】 * **焦煤**：原始信号91.07%，MA5信号82.65%，模型观点为【调整】 （报告未涉及量化因子的构建与分析内容。）

量化模型与因子总结 量化因子与构建方式 1. **因子名称：风格相对拥挤度**[122] * **因子构建思路**：通过比较两种风格指数（如成长与红利）的换手率活跃度差异，来衡量某一风格相对于另一风格的交易拥挤程度。拥挤度越高，表明该风格交易过热，未来回调风险可能越大[67]。 * **因子具体构建过程**： 1. 对于风格A指数和风格B指数，分别计算其近252个交易日（约一年）的平均换手率。 2. 将每个指数的平均换手率序列，在从2005年1月1日至今的整个历史时间序列上进行Z-score标准化，得到Z-score_A和Z-score_B。 3. 计算两个标准化值的差值：差值 = Z-score_A - Z-score_B。 4. 计算该差值序列在过去6年滚动窗口内的历史分位数（若历史数据不足6年但满1年，则使用全部历史数据计算）。这个分位数即为风格A相对于风格B的“相对拥挤度”[122]。 2. **因子名称：风格累计超额净值**[123] * **因子构建思路**：计算某一风格指数相对于市场基准（万得全A）的长期累计超额收益，用于评估该风格的长期表现和趋势。 * **因子具体构建过程**： 1. 以2020年1月4日为基准日，将风格指数和万得全A指数的每日收盘价除以各自在基准日的收盘价，分别得到各自的累计净值序列。 2. 将风格指数的累计净值除以同一交易日的万得全A指数累计净值，得到该风格指数相对于万得全A的累计超额净值序列[123]。 3. **因子名称：机构调研活跃度**[124] * **因子构建思路**：通过计算板块、指数或行业在一段时间内接受机构调研的频繁程度，并将其与市场整体水平进行比较，来衡量市场关注度的变化。 * **因子具体构建过程**： 1. 对于目标板块（指数、行业），计算其近n个交易日的“日均机构调研次数”。 2. 将该日均值在滚动y年的历史时间序列上进行z-score标准化。 3. 对万得全A进行同样的计算，得到其标准化值。 4. 将目标板块的标准化值减去万得全A的标准化值，得到“机构调研活跃度”。 5. 最后，计算该“机构调研活跃度”值在滚动y年历史窗口内的分位数[124]。 * **参数设置**： * 长期口径：n=126（近半年），滚动窗口y=6年（数据不足6年但满3年时用全部历史数据）[124]。 * 短期口径：n=63（近一季度），滚动窗口y=3年（数据不足3年但满1年时用全部历史数据）[124]。 4. **因子名称：风险溢价 (ERP)**[48] * **因子构建思路**：衡量股票市场相对于无风险利率的预期超额回报，用于评估股市的估值吸引力或“股债性价比”。 * **因子具体构建过程**： 1. 计算指数的市盈率倒数（盈利收益率）：1 / 指数PE_TTM。 2. 减去当前10年期中债国债到期收益率。 * **公式**： $$指数ERP = \frac{1}{指数PE\_TTM} – 10年期中债国债到期收益率$$[48] 5. **因子名称：成交热度**[25] * **因子构建思路**：使用换手率的历史分位值来衡量当前市场的交易活跃程度。 * **因子具体构建过程**：对于核心指数、板块或行业，计算其“周度日均自由流通换手率”在从2005年1月1日至今的历史时间序列中所处的百分位值[25]。 6. **因子名称：动量因子（长江动量指数构建）**[59] * **因子构建思路**：捕捉股票价格中期延续上涨或下跌趋势的效应。 * **因子具体构建过程**：以最近一年股票收益率减去最近一个月股票收益率（剔除涨停板影响）作为动量指标，在A股市场中综合选择动量特征强且流动性相对较高的前100只股票作为指数成分股[59]。 7. **因子名称：反转因子（长江反转指数构建）**[60] * **因子构建思路**：捕捉股票价格短期出现反向修正的效应。 * **因子具体构建过程**：以最近一个月股票收益率作为筛选指标，在A股市场中综合选择反转效应强、流动性较好的前100只股票作为指数成分股，并采用成分股近三个月日均成交量进行加权[60]。 因子的回测效果 1. **风格相对拥挤度因子**，成长vs红利相对拥挤度历史分位：70%[67]，小盘vs大盘相对拥挤度历史分位：6%[67]，微盘股vs中证800相对拥挤度历史分位：61%[67] 2. **风格累计超额净值因子**，成长较红利超额收益（近一周）：4.2%[58]，小盘较大盘超额收益（近一周）：2.4%[58]，微盘股较基金重仓超额收益（近一周）：-2.1%[58]，动量较反转超额收益（近一周）：5.8%[58] 3. **风险溢价 (ERP) 因子**，万得全A指数ERP历史分位：55%[57]，沪深300指数ERP历史分位：61%[57]，创业板指数ERP历史分位：86%[57] 4. **成交热度因子**，万得全A指数成交热度历史分位：81%[31]，创业板指数成交热度历史分位：88%[31]，医药板块成交热度历史分位：91%[25]，金融板块成交热度历史分位：57%[25]

量化模型与构建方式 1. **模型名称：宏观资金面信号择时策略**[66][67] * **模型构建思路**：通过监测外部宏观与资金信号，构建一个综合择时模型，用于判断市场整体环境并指导投资决策[66]。 * **模型具体构建过程**： 1. **信号源与指标**：模型主要依赖两个外部信号源：美国长期利率和人民币汇率[66]。 2. **美债收益率信号（长期宏观信号）**：计算10年期美债收益率的18个月均值，将当前收益率与均值比较。若当前收益率高于均值，则发出偏空信号（-1）；若低于均值，则发出偏多信号（+1）[72]。 3. **汇率信号（短期资金信号）**：计算USDCNY汇率的4周涨跌幅。若涨跌幅为负（人民币升值），则发出偏多信号（+1）；若涨跌幅为正（人民币贬值），则发出偏空信号（-1）[73]。 4. **信号综合**：将美债收益率信号和汇率信号进行综合。报告指出，当利率信号偏空而汇率信号偏多时，两者方向相反，综合信号为中性[74]。 量化因子与构建方式 1. **因子名称：基差比例**[16][18] * **因子构建思路**：通过计算股指期货价格与其对应现货指数价格的差异比例，来反映市场情绪和套利空间[24]。 * **因子具体构建过程**：使用股指期货次月合约的结算价和对应现货指数的收盘价进行计算。公式为： $$基差比例 = \frac{期货价格}{对应指数价格} - 1$$[22] 计算结果为负值表示期货贴水，正值表示期货升水[24]。 2. **因子名称：期权持仓量PCR**[58] * **因子构建思路**：通过计算看跌期权与看涨期权的持仓量比值，来衡量市场情绪。PCR上升通常代表市场情绪相对谨慎或悲观[58]。 * **因子具体构建过程**：分别计算特定标的（如50ETF、300ETF）期权所有合约的看跌期权总持仓量与看涨期权总持仓量，然后求比值。 $$PCR = \frac{看跌期权总持仓量}{看涨期权总持仓量}$$[58] 3. **因子名称：VIX指数**[50] * **因子构建思路**：通过期权市场价格反推得出的波动率指数，反映市场对未来30天股市波动性的预期[50]。 * **因子具体构建过程**：该因子通常由交易所或数据供应商根据期权市场价格模型（如Black-Scholes模型）计算得出，代表市场隐含波动率。报告中直接引用了华泰柏瑞300ETF、华夏50ETF等主要期权的VIX数据[52][53]。 模型的回测效果 1. **宏观资金面信号择时策略**[77] * 收益：7.91% * 最大回撤：36.49% * 年化波动率：11.42% * 胜率：51.12% * 卡尔玛比率：0.22 * 夏普比率：0.41 因子的回测效果 *(注：报告未提供单个因子的独立回测绩效指标，仅展示了其历史数值和定性分析。)*

量化模型与构建方式 1. **模型名称：Sharpe模型** [40] * **模型构建思路**：该模型用于对基金经理的投资组合进行业绩归因，分析其收益来源，特别是识别其投资风格（如大盘/小盘、成长/价值）的长期暴露情况[40]。 * **模型具体构建过程**：报告未详细说明Sharpe模型的具体构建步骤和公式，仅提及使用该模型对基金进行业绩归因，并分析了基金在巨潮小盘指数、成长因子、价值因子等风格维度上的暴露度[40]。 量化因子与构建方式 1. **因子名称：小盘因子** * **因子构建思路**：通过衡量基金持仓对代表小盘股风格指数的暴露程度，来刻画基金经理是否偏好投资小市值公司[40]。 * **因子具体构建过程**：报告未提供该因子的具体计算公式。分析中使用了巨潮小盘指数作为小盘风格的代表，通过Sharpe模型计算基金相对于该指数的暴露度，数值越高代表小盘风格暴露越强[40]。 2. **因子名称：成长因子** * **因子构建思路**：通过衡量基金持仓对成长风格的暴露程度，来刻画基金经理是否偏好投资具有高增长潜力的公司[40]。 * **因子具体构建过程**：报告未提供该因子的具体计算公式。分析中通过Sharpe模型计算基金的成长因子暴露度，并与价值因子暴露度进行比较，以判断其风格倾向[40]。 3. **因子名称：价值因子** * **因子构建思路**：通过衡量基金持仓对价值风格的暴露程度，来刻画基金经理是否偏好投资估值相对较低的公司[40]。 * **因子具体构建过程**：报告未提供该因子的具体计算公式。分析中通过Sharpe模型计算基金的价值因子暴露度，并与成长因子暴露度进行对比[40]。 模型的回测效果 1. **Sharpe模型**，分析显示华商研究精选A基金在2019年至2024年间，对小盘风格的暴露度长期维持在60%-90%区间；对成长风格的暴露度长期高于价值风格；2025年下半年起，风格配置趋于均衡，在保持小盘成长核心的同时，适度增配了大盘价值板块[40]。 因子的回测效果 1. **小盘因子**，分析显示华商研究精选A基金在2019年至2024年间，对该因子的暴露度长期维持在60%-90%的高区间[40]。 2. **成长因子**，分析显示华商研究精选A基金对该因子的暴露度长期高于价值因子，成长风格贯穿始终[40]。 3. **价值因子**，分析显示华商研究精选A基金在多数时期对该因子的暴露度低于成长因子；2025年下半年起，价值因子暴露度有所提升，风格趋于均衡[40]。

量化模型与构建方式 本报告主要介绍AI Agent工具Hermes，并未涉及具体的量化投资模型或量化因子的构建、测试与评价[7]。报告内容聚焦于该工具的功能、架构及其在金融工程领域的潜在应用场景[1][39]。 量化因子与构建方式 本报告未涉及具体的量化因子构建。 模型的回测效果 本报告未提供任何量化模型的回测效果数据。 因子的回测效果 本报告未提供任何量化因子的回测效果数据。