量化模型与构建方式 1. **模型名称**：时点风险因子 - **构建思路**：针对外部风险事件的突发性，通过监测中证全指指数的振幅与成交额突破阈值（5日均值+1倍标准差）的突变时点，以个股当日涨跌幅构建风险因子，利用风险的短期集聚效应实现风险脱敏[4][9]。 - **具体构建过程**： 1. **振幅突变**：当日中证全指的振幅突破过去5日均值+1倍标准差时，以个股当日涨跌幅作为因子取值： $$f_{\_}tr_{t}=\begin{cases}re_{t}&if\,tr_{zxqz,t}>ts\_mean\big{(}tr_{zxqz,t-1},5\big{)}+ts\_std\big{(}tr_{zxqz,t-1},5\big{)},\\ f_{t-1}&else.\end{cases}$$ 2. **成交额突变**：当日中证全指的成交额突破阈值时，类似公式构造[32]。 3. **价量均突变**：同时满足振幅和成交额突破阈值时，以当日涨跌幅为因子取值： $$time\_risk_{t}=\begin{cases}ret_{t}&if\;tv_{xuzx,t}>ts\_mean\big{(}tr_{xuzx,t-1},5\big{)}+ts\_std\big{(}tr_{xuzx,t-1},5\big{)}\\ &and\;amt_{xuzx,t}>ts\_mean\big{(}amt_{xuzx,t-1},5\big{)}+ts\_std\big{(}amt_{xuzx,t-1},5\big{)},\\ f_{t-1}&else.\end{cases}$$ - **评价**：因子通过非参数化方式捕捉隐式风险，有效应对突发性市场冲击[4][32]。 2. **模型名称**：价格类风险因子（复合因子） - **构建思路**：通过多维度价格指标（如244日前高距离、Beta、波动率等）构建结构化风险因子，增强风险模型解释力[78][80]。 - **具体构建过程**： - **244日前高距离**：$$/_(_ (, 244) , 1)$$ - **Beta**：沿用Barra的Beta因子[80]。 - **波动率**：Barra的Volatility因子[80]。 - **评价**：覆盖全维度风险，与Barra模型结合后显著提升风险解释力（周度R2从7.88%提升至10.18%）[83]。 --- 模型的回测效果 1. **时点风险因子（中证500增强）**： - 超额收益：从4.67%提升至8.59%（20241031）[5][48]。 - 相对最大回撤：从-8.64%降至-4.65%[48]。 - 信息比（IR）：从0.63提升至1.6[48]。 - 跟踪误差：从7.22%降至5.63%[48]。 2. **价格类风险因子（中证500增强）**： - 超额收益：14.26%（全样本期）[87]。 - 相对最大回撤：-4.32%[87]。 - 信息比（IR）：3.74[87]。 --- 量化因子与构建方式 1. **因子名称**：振幅突变因子 - **构建过程**：同上述时点风险因子中的振幅突变部分[32]。 2. **因子名称**：成交额突变因子 - **构建过程**：同上述时点风险因子中的成交额突变部分[32]。 3. **因子名称**：价量均突变因子 - **构建过程**：综合振幅与成交额突变条件[32]。 --- 因子的回测效果 1. **振幅突变因子**： - IC均值：-0.009，IC绝对值均值：0.098，年化ICIR：-0.498[44]。 - 周度自相关系数：0.30[44]。 2. **价量均突变因子**： - IC均值：-0.012，IC绝对值均值：0.100，年化ICIR：-0.646[44]。 - 周度自相关系数：0.61[44]。 3. **价格类风险因子（如244日前高距离）**： - IC均值：-0.019，IC绝对值均值：0.125，年化ICIR：-0.82[78]。 --- 关键结论 - **时点风险因子**：显著改善突发风险下的组合表现，尤其适用于事件驱动型市场[5][48]。 - **价格类风险因子**：通过多维度覆盖提升风险模型稳健性，与Barra模型互补[83][87]。

M1-M2 同比剪刀差维持上行趋势，红利相对成交额逐步走高 —— 红利风格投资价值跟踪（2025W16） [Table_ReportTime] 2025 年 4 月 19 日 [于明明 Table_ First 金融工程与金融产品首席 Author] 分析师 执业编号：S1500521070001 联系电话：+86 18616021459 邮 箱：yumingming@cindasc.com 周金铭 金融工程与金融产品分析师 执业编号：S1500523050003 联系电话：+86 18511558803 邮 箱：zhoujinming@cindasc.com 请阅读最后一页免责声明及信息披露 http://www.cindasc.com 1 证券研究报告 金工研究 [TableReportType] 金工专题报告 [Table_A 于明明 uthor 金融工程与金融产品 ] 首席分析师 执业编号：S1500521070001 联系电话：+86 18616021459 邮 箱：yumingming@cindasc.com 周金铭 金融工程与金融产品 分析师 执业编号：S1500523050003 联系电话：+ ...

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，识别不同周期（长、中、短）下的支撑线和阻力线，结合突破信号生成多周期复合择时观点[10][12] - **模型具体构建过程**： 1. **信号生成**： - 长周期（月度）、中周期（双周）、短周期（周度）分别计算利率的支撑线和阻力线 - 判断利率是否突破支撑线（下行）或阻力线（上行） - 综合规则： - 至少2个周期同向突破且趋势非反向时，满配对应久期（如长久期或短久期） - 突破但趋势反向时，配置中久期与目标久期等权组合 - 其他情况等权配置三种久期[22] 2. **止损机制**：单日超额收益<-0.5%时切换为等权配置[22] - **模型评价**：策略通过多周期共振增强信号稳定性，长期胜率高 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公募基金的久期及分歧水平[13][16] - **模型具体构建过程**： 1. **数据输入**：全市场中长期纯债基金的持仓数据（含杠杆调整） 2. **计算指标**： - 久期中位数：$$ \text{Median}(D_i) $$，其中$D_i$为第$i$只基金的久期 - 久期分歧：截面标准差 $$ \sigma_D = \sqrt{\frac{1}{N}\sum_{i=1}^N (D_i - \bar{D})^2} $$ - 平滑处理：4周移动平均[13][14] - **模型评价**：有效捕捉机构行为变化，分位数指标提供历史参考 --- 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**：反映利率绝对水平偏离历史均值的程度[7][9] - **因子具体构建过程**： 1. 计算1-10年期国债到期收益率（YTM）的均值 $$ \text{Level} = \frac{1}{10}\sum_{t=1}^{10} \text{YTM}_t $$ 2. 标准化为分位数：滚动3/5/10年窗口计算历史分位[9] 2. **因子名称**：利率期限结构因子 - **因子构建思路**：刻画长短期利差特征[7][9] - **因子具体构建过程**： 1. 计算期限利差 $$ \text{Slope} = \text{YTM}_{10} - \text{YTM}_1 $$ 2. 分位数标准化同水平结构[9] 3. **因子名称**：利率凸性结构因子 - **因子构建思路**：衡量收益率曲线凸性变化[7][9] - **因子具体构建过程**： 1. 计算凸性值 $$ \text{Convexity} = \text{YTM}_5 - \frac{\text{YTM}_1 + \text{YTM}_{10}}{2} $$ 2. 分位数标准化[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：6.22% - 最大回撤：1.53% - 收益回撤比：2.27 - 超额收益率（vs久期等权基准）：1.69%[23][26] - 逐年胜率（绝对收益>0）：100%[4] 2. **公募债基久期测算模型** - 当前久期中位数：3.03年（历史5年分位数82.63%） - 久期分歧：1.48年（历史5年分位数54.44%）[14] --- 因子的回测效果 1. **利率水平结构因子** - 当前读数：1.54%（3/5/10年分位数：7%/4%/2%）[9] 2. **利率期限结构因子** - 当前读数：0.22%（3/5/10年分位数：1%/0%/4%）[9] 3. **利率凸性结构因子** - 当前读数：-0.07%（3/5/10年分位数：4%/2%/2%）[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：股指期货分红点位预测模型** - **构建思路**：基于历史数据和成分股分红信息，预测股指期货合约存续期内标的指数的分红点位[9] - **具体构建过程**： 1. 对中证500、沪深300、上证50、中证1000指数未来一年分红点位进行预测 2. 按合约存续期（当月/次月/当季/下季）拆分预测结果 3. 计算公式： $$分红占比 = \frac{下季合约存续期内分红点位}{未来一年总分红点位} \times 100\%$$ 示例：中证500下季合约IC2509分红占比1.51%[9] 2. **模型名称：基差修正模型** - **构建思路**：剔除分红影响后计算年化基差，反映期货合约真实定价偏差[22] - **具体构建过程**： 1. 计算实际基差：合约收盘价 - 标的指数收盘价 2. 调整预期分红： $$调整后基差 = 实际基差 + 存续期内未实现预期分红$$ 3. 年化处理： $$年化基差 = \frac{调整后基差}{指数价格} \times \frac{360}{合约剩余天数}$$ 示例：IC2506合约年化基差-11.21%[23] 3. **模型名称：期现对冲策略** - **构建思路**：通过做空股指期货对冲现货风险，包含连续对冲和最低贴水两种策略[46][48] - **具体构建过程**： - **连续对冲策略**： 1. 持有季月/当月合约至到期前2日平仓 2. 同步开仓下一季月/当月合约 - **最低贴水策略**： 1. 每日计算所有可交易合约的年化基差 2. 选择贴水幅度最小的合约开仓 3. 持有8个交易日或至到期前2日 量化因子与构建方式 1. **因子名称：Cinda-VIX波动率指数** - **构建思路**：反映期权市场对标的资产未来波动率的预期[64] - **具体构建过程**： 1. 基于不同期限（30/60/90/120日）期权隐含波动率计算 2. 示例：中证1000VIX_30取值为28.63[64] 2. **因子名称：Cinda-SKEW偏斜指数** - **构建思路**：衡量期权市场对极端风险的定价，>100预示市场担忧下跌风险[70] - **具体构建过程**： 1. 分析虚值看涨/看跌期权隐含波动率差异 2. 示例：沪深300SKEW取值为102.42[71] 模型的回测效果 | 策略类型 | 年化收益 | 波动率 | 最大回撤 | 净值 | 年换手次数 | |------------------|----------|--------|----------|--------|------------| | IC季月连续对冲 | -1.68% | 4.89% | -8.34% | 0.9549 | 4 | | IC最低贴水策略 | -0.77% | 4.80% | -7.97% | 0.9791 | 18.01 | | IF季月连续对冲 | 1.06% | 3.45% | -4.03% | 1.0290 | 4 | | IF最低贴水策略 | 1.65% | 3.24% | -4.06% | 1.0454 | 15.43 | | IH季月连续对冲 | 2.20% | 3.66% | -3.75% | 1.0609 | 4 | | IM最低贴水策略 | -3.40% | 5.35% | -11.11% | 0.9102 | 16.54 | [50][55][59][61] 因子的回测效果 | 因子名称 | 当前值 | |------------------|----------| | 上证50VIX_30 | 19.27 | | 沪深300VIX_30 | 20.0 | | 中证500VIX_30 | 32.09 | | 中证1000VIX_30 | 28.63 | | 上证50SKEW | 101.91 | | 沪深300SKEW | 102.42 | | 中证1000SKEW | 102.36 | [64][71] 模型评价 - **分红预测模型**：有效捕捉成分股分红对期货定价的影响，但依赖历史分红数据的稳定性[9] - **最低贴水策略**：在多数指数上表现优于连续对冲策略，但换手成本较高[50][55][59] - **Cinda-VIX**：能灵敏反映市场波动预期变化，尤其对中小盘波动预警效果显著[64]

量化模型与因子分析总结 量化因子与构建方式 1. **估值因子** - 构建思路：衡量股票账面价值与市场价值的比率[17] - 具体构建：BP = 归母股东权益/总市值[17] - 评价：反映市场对低估值资产的偏好 2. **成长因子** - 构建思路：综合衡量营业收入和净利润增长[17] - 具体构建：成长因子 = (SGRO + EGRO)/2 - SGRO：过去五个财年年报的每股营业收入回归系数除以均值[17] - EGRO：过去五个财年年报的每股归母净利润回归系数除以均值[17] 3. **盈利因子** - 构建思路：衡量公司盈利能力[17] - 具体构建：盈利因子 = (ETOP + CETOP)/2 - ETOP = 归母净利润TTM/总市值[17] - CETOP = 经营活动产生的现金流量净额TTM/总资产[17] 4. **规模因子** - 构建思路：衡量公司市值大小[17] - 具体构建：LNCAP = 总市值的对数[17] 5. **动量因子** - 构建思路：衡量股票价格趋势[17] - 具体构建：RSTR = 过去504个交易日个股累计收益率(不含最近21日)，使用半衰指数加权[17] 6. **流动性因子** - 构建思路：衡量股票交易活跃度[17] - 具体构建：流动性因子 = (STOM + STOQ + STOA)/3 - STOM = 个股过去1个月换手率加总的对数[17] - STOQ = 过去3个月STOM的均值[17] - STOA = 过去12个月STOM的均值[17] 7. **非线性市值因子** - 构建思路：捕捉市值非线性效应[17] - 具体构建：NLSIZE = 总市值对数的三次方与对数市值进行加权最小二乘回归的残差[17] 因子回测效果 风格因子表现 | 因子名称 | 近一周多空收益 | 近一月多空收益 | |---------|--------------|--------------| | 估值因子 | 2.06%[19] | 10.18%[19] | | 规模因子 | -2.87%[19] | -1.08%[19] | | 非线性市值因子 | -0.89%[19] | 0.92%[19] | | 杠杆因子 | 0.48%[19] | 2.63%[19] | | 盈利因子 | 0.46%[19] | 7.77%[19] | 沪深300股票池因子表现 | 因子名称 | 最近一周超额收益 | 最近一月超额收益 | |---------|----------------|----------------| | 120日成交量比率 | 0.59%[27] | 0.00%[27] | | 单季度ROA同比 | 0.40%[27] | 0.88%[27] | | BP因子 | 0.36%[27] | -0.36%[27] | | 盈余公告次日开盘跳空超额 | 0.33%[27] | 1.28%[27] | | 前五大股东持股比例 | 0.30%[27] | 1.84%[27] | 中证500股票池因子表现 | 因子名称 | 最近一周超额收益 | 最近一月超额收益 | |---------|----------------|----------------| | 标准化预期外盈利 | 0.90%[29] | 1.46%[29] | | 流动比率 | 0.84%[29] | 1.84%[29] | | 单季度营业收入同比增速 | 0.82%[29] | 1.04%[29] | | 标准化预期外收入 | 0.82%[29] | 0.07%[29] | | 单季度毛利率 | 0.49%[29] | 0.56%[29] | 全市场股票池因子表现 | 因子名称 | 近一周Rank IC | 近一月Rank IC均值 | |---------|--------------|------------------| | 对数市值 | 23.24%[44] | 2.09%[44] | | EP_TTM | 12.35%[44] | 9.41%[44] | | 单季度EP | 11.98%[44] | 8.61%[44] | | BP | 10.22%[44] | 4.02%[44] | | 60日收益率标准差 | 10.18%[44] | 10.42%[44] | 量化基金表现 指数增强型基金 | 基准指数 | 近一周平均超额收益 | 近一月平均超额收益 | |---------|------------------|------------------| | 沪深300 | 0.16%[49] | -0.12%[49] | | 中证500 | 0.43%[49] | 1.01%[49] | | 中证1000 | 0.54%[49] | 1.73%[49] | 主动量化基金 - 汇安多策略A近一周绝对收益2.82%[52] - 诺安多策略A近一周绝对收益2.70%[52] - 九泰久盛量化先锋A近一周绝对收益2.44%[52] 对冲型基金 - 工银绝对收益A近一周绝对收益0.76%[52] - 富国量化对冲策略三个月持有A近一周绝对收益0.36%[52]

量化模型与构建方式 1. **模型名称**：国信金工指数增强组合 - **模型构建思路**：以多因子选股为主体，分别构建对标沪深300、中证500及中证1000指数的增强组合，通过收益预测、风险控制和组合优化三部分实现稳定超额收益[11][12] - **模型具体构建过程**： 1. **收益预测**：基于估值、成长、盈利等30余个因子构建因子库（见表1）[17] 2. **风险控制**：控制行业暴露、风格暴露、个股权重偏离等约束条件[35] 3. **组合优化**：采用最大化单因子暴露组合（MFE）优化模型，目标函数为最大化因子暴露，约束条件包括风格中性、行业中性等[35][36] - **优化模型公式**： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ - **模型评价**：通过MFE组合检验因子在实际约束下的有效性，提升组合稳健性[35] 模型的回测效果 1. **国信金工指数增强组合**： - 沪深300增强：本周超额0.79%，本年超额2.38%[14] - 中证500增强：本周超额0.58%，本年超额2.73%[14] - 中证1000增强：本周超额1.17%，本年超额4.33%[14] --- 量化因子与构建方式 1. **因子库概述**：涵盖估值、反转、成长、盈利等7大类30余个因子（见表1）[17] - **代表性因子构建过程**： - **BP因子**：净资产/总市值[17] - **单季EP因子**：单季度归母净利润/总市值[17] - **非流动性冲击因子**：过去20个交易日日涨跌幅绝对值/成交额均值[17] - **三个月换手因子**：过去60个交易日换手率均值[17] 2. **MFE组合构建**： - **构建方式**：每月末基于优化模型构建单因子MFE组合，控制行业/风格中性，个股偏离权重0.5%-1%[35][39] - **测试维度**：在沪深300、中证500、中证1000及公募重仓指数样本空间中检验因子表现[15] --- 因子的回测效果 沪深300样本空间因子表现[18][19] 1. **近期表现优异因子**： - 预期BP（本周0.62%，年化3.59%） - 预期净利润环比（本周0.62%，年化1.64%） - BP（本周0.59%，年化2.99%） 2. **近期表现较差因子**： - 特异度（本周-0.30%，年化1.55%） - 标准化预期外收入（本周-0.25%，年化4.12%） 中证500样本空间因子表现[20][21] 1. **近期表现优异因子**： - 单季净利同比增速（本周0.86%，年化7.14%） - 标准化预期外盈利（本周0.81%，年化8.46%） 2. **近期表现较差因子**： - 三个月反转（本周-0.76%，年化0.14%） - 一个月反转（本周-0.46%，年化0.00%） 中证1000样本空间因子表现[22][23] 1. **近期表现优异因子**： - 预期PEG（本周1.41%，年化3.59%） - 标准化预期外收入（本周1.17%，年化6.31%） 2. **近期表现较差因子**： - 一个月反转（本周-0.72%，年化-2.10%） - DELTAROA（本周-0.35%，年化7.62%） 公募重仓指数样本空间因子表现[24][25] 1. **近期表现优异因子**： - 预期净利润环比（本周0.62%） - 标准化预期外盈利（本周0.81%） 2. **近期表现较差因子**： - 三个月反转（本周-0.76%） - 高管薪酬（本周-0.61%） --- 附录 1. **公募重仓指数构建**： - **选样空间**：普通股票型及偏股混合型基金（规模≥5000万且成立半年以上）[37] - **构建方式**：按基金持仓权重降序选取累计权重90%的股票作为成分股[38]

量化模型与构建方式 1. **模型名称**：分红预测模型 - **模型构建思路**：基于上市公司分红信息（年报、快报、预警等）和合理假设，预测指数成分股分红对股指期货合约的影响[7][9][22] - **模型具体构建过程**： 1. **预估成分股净利润**：优先采用年报数据，其次为快报、预警、三季报TTM或分析师预测均值[25][26] 2. **计算税前分红总额**： - 已公布分红预案的公司直接采用其数据 - 未公布预案的公司，若历史分红率>0，则假设分红率不变，公式： $$\text{预估分红总额} = \text{预估净利润} \times \text{历史分红率}$$ - 净利润为负或历史不分红的公司，分红率设为0[29] 3. **计算分红对指数的影响**： - 股息率 = 税后分红总额 / 最新市值 - 股息点 = 股票权重 × 股息率 - 权重调整公式（考虑涨跌幅R）： $$\mathrm{w_{it}={\frac{w_{i0}\times\ (\ 1+R\ )}{\sum_{1}^{n}w_{i0}\times\ (\ 1+R\ )}}}$$[27] 4. **预测分红对各合约的影响值**： - 除权除息日预测：参考公司历史分红时间差中位数，结合股东大会日期推算[30][31] - 合约影响值 = 交割日前所有分红点的累计[31] - **模型评价**：依赖历史分红率和时间分布的假设，对未公告分红公司预测存在不确定性[7][34] 2. **模型名称**：股指期货理论定价模型 - **模型构建思路**：基于无套利原理，考虑分红现值和无风险利率，推导期货理论价格[34][35] - **模型具体构建过程**： 1. **离散红利分配**： - 期货定价公式： $$F_t = (S_t - D)(1 + r)$$ 其中，$D$为红利现值，$r$为无风险利率[34] 2. **连续红利分配**： - 期货定价公式： $$F_t = S_t e^{(r - d)(T - t)}$$ 其中，$d$为年化红利率[35] 模型的回测效果 1. **分红预测模型**： - 上证50（IH2505）：分红点数0.00，年化对冲成本6.79%（365天）[10] - 沪深300（IF2505）：分红点数7.65，年化对冲成本9.63%（365天）[11] - 中证500（IC2505）：分红点数4.13，年化对冲成本17.67%（365天）[11] - 中证1000（IM2505）：分红点数8.13，年化对冲成本19.08%（365天）[12] 2. **股指期货理论定价模型**： - 未提供具体回测数据，仅作为理论参考[34][35] 量化因子与构建方式 1. **因子名称**：分红点数因子 - **因子构建思路**：反映分红对股指期货合约价格的实际影响[7][10] - **因子具体构建过程**： - 计算合约交割日前所有成分股分红的累计点数[31] - 结合权重调整公式（见分红预测模型步骤3）[27] 2. **因子名称**：含分红价差因子 - **因子构建思路**：衡量实际价差与分红调整后价差的差异[10][11] - **因子具体构建过程**： - 含分红价差 = 实际价差 + 分红点数[10] - 示例（IH2506）：实际价差-24.24，分红点数18.38 → 含分红价差-5.86[10] 因子的回测效果 1. **分红点数因子**： - IH2506：18.38点[10] - IF2509：76.00点[11] - IC2509：80.41点[11] - IM2509：68.42点[12] 2. **含分红价差因子**： - IH2509：0.69点（实际价差-58.04）[10] - IF2509：-42.33点（实际价差-118.32）[11] - IC2509：-208.11点（实际价差-288.52）[11] - IM2509：-286.26点（实际价差-354.69）[12]

量化模型与构建方式 1. **模型名称**：港股精选组合策略 - **模型构建思路**：基于分析师推荐事件（如盈利预测上调、首次关注、研报标题超预期）构建股票池，再通过基本面和技术面双重筛选选出优质股票[15][17] - **模型具体构建过程**： 1. **事件筛选**：选取分析师上调盈利预测、首次覆盖或标题含“超预期”的研报标的 2. **基本面筛选**：要求过去6个月至少有5份买入/增持评级研报 3. **技术面筛选**：过去250日涨跌幅位于全市场前20%，且通过股价位移路程比、创新高连续性等指标综合打分[24] 4. **组合构建**：等权重配置通过筛选的股票，满仓运行并考虑交易成本[17] - **模型评价**：长期表现稳健，年化超额收益显著，但短期可能受市场波动影响[17][20] 2. **因子名称**：平稳创新高股票筛选因子 - **因子构建思路**：结合动量效应与股价路径平滑性，筛选具有持续创新高能力的股票[21][23] - **因子具体构建过程**： 1. **初筛条件**： - 样本池：上市超过15个月的港股 - 分析师关注度：过去6个月≥5份买入/增持评级研报 - 股价强度：过去250日涨跌幅前20%[24] 2. **核心指标计算**： - **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日最高价[23] - **股价平稳性**： - 位移路程比 = 过去120日涨跌幅绝对值 / 过去120日日涨跌幅绝对值加总 - 创新高持续性 = 过去120日250日新高距离的时序均值[23][24] 3. **最终筛选**：综合排序选取前50只股票，优先创新高距离趋近0且路径平滑的标的[24] - **因子评价**：有效捕捉港股动量效应，但需警惕市场风格切换风险[21][23] --- 模型的回测效果 1. **港股精选组合策略**： - 年化收益：17.02% - 超额收益（vs恒生指数）：17.60% - 信息比率（IR）：1.19 - 最大回撤：23.73%[20] 2. **平稳创新高因子**（以2025年4月筛选结果为例）： - 入选股票平均250日涨跌幅：94.7%~450.5% - 创新高距离中位数：0.1%~9.8% - 板块分布：消费（6只）、医药（6只）、大金融（5只）[23][29] --- 其他量化指标 - **南向资金监控因子**： - 本周净流入232亿港元，年内累计净流入6045亿港元[35][37] - 资金偏好：阿里巴巴-W（+48.6亿港元）、腾讯控股（+29.1亿港元）[38] - **ETF申赎因子**： - 规模前三港股ETF：富国港股通互联网ETF（432.7亿元）、华夏恒生科技指数ETF（259.4亿元）[48]

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 1. **因子名称：行业拥挤度因子** - **因子构建思路**：通过计算行业指数最近一周价格和成交金额变动的马氏距离，衡量行业的交易拥挤程度[17] - **因子具体构建过程**： 1. 使用行业指数价格和成交金额的变动数据 2. 计算价格与成交金额变动的马氏距离，公式为： $$D = \sqrt{(x - \mu)^T \Sigma^{-1} (x - \mu)}$$ 其中，\(x\)为价格和成交金额的变动向量，\(\mu\)为均值向量，\(\Sigma\)为协方差矩阵 3. 将结果划分为四个象限，第1象限为价量齐升，第3象限为价量齐跌 4. 椭圆之外的行业表示价格与成交金额偏离度置信水平超过99%，即显著拥挤的行业[17] - **因子评价**：该因子能够有效识别短期交易过热或过冷的行业，但需结合其他指标综合判断 因子的回测效果 1. **行业拥挤度因子** - 上周无行业出现交易拥挤[17] 其他量化相关数据 1. **宽基指数表现** - 上证综指近1周上涨1.19%，上证50上涨1.45%，创业板指下跌0.64%，科创50下跌0.31%[9] - 今年以来中证2000上涨0.45%，科创50上涨1.99%[9] 2. **行业指数表现** - 上周银行上涨4.04%，房地产上涨3.40%，国防军工下跌2.55%，农林牧渔下跌2.15%[13] - 今年以来有色金属上涨5.89%，银行上涨3.51%[13] 3. **估值分位数** - 钢铁PE分位数99%，建筑材料97%，房地产93%[14] - 公用事业PE分位数7%，食品饮料11%，农林牧渔12%[14] 注：研报中未提及具体的量化模型，仅包含行业拥挤度因子的构建方法和市场表现数据[17][9][13][14]

金融工程 | 金工定期报告 金融工程 证券研究报告 因子跟踪周报： 小市值、成长因子表现较好 - 20250419 因子 IC 跟踪 IC 方面，最近一周，小市值、bp、1 个月非流动性冲击等因子表现较好， Beta、一致预期净利润复合增速、高管平均薪酬等因子表现较差；最近一 月，1 个月日均换手率、1 个月换手率波动、1 个月非流动性冲击等因子 表现较好，Beta、小市值、90 天分析师覆盖度等因子表现较差；最近一 年，Fama-French 三因子 1 月残差波动率、1 月特异度、1 个月超额收益 率波动等因子表现较好，一年动量、一致预期净利润复合增速、业绩预告 精确度等因子表现较差。 因子多头组合跟踪 多头组合方面，最近一周，前五大股东持股比例合计、季度资产周转率、 季度净利润同比增长等因子表现较好，1 个月反转、bp 三年分位数、Beta 等因子表现较差；最近一月，基于一致预期的标准化预期外盈利、前五大 股东持股比例合计、财报超研报预期程度等因子表现较好，Beta、小市 值、1 个月反转等因子表现较差；最近一年，小市值、业绩预告精确度、 季度净利润同比增长等因子表现较好，一年动量、90 天净上调预期占 ...