证券研究报告：金融工程报告 研究所 分析师:黄子崟 SAC 登记编号:S1340523090002 Email:huangziyin@cnpsec.com 研究助理:金晓杰 SAC 登记编号:S1340124100010 Email:jinxiaojie@cnpsec.com 近期研究报告 《微盘股新高，成交占比快速回升— —微盘股指数周报 20251024》 - 2025.10.27 《微盘股触发看多信号，看好微盘 10 月 后 续 表 现 — — 微 盘 股 指 数 周 报 20251017》 - 2025.10.22 《双创涨速明显提升，ETF 资金配置思 路 偏 补 涨 — — 行 业 轮 动 周 报 20250831》 - 2025.09.01 《指数上行重返十年高位，涨幅超 10% 芯片相关 ETF 净流出较多——行业轮动 周报 20250824》 – 2025.08.25 《非银爆发虹吸红利防御资金，指数料 将保持上行趋势持续挑战新高——行 业轮动周报 20250817》 – 2025.08.18 《融资余额新高，创新药光通信调整， 指数预期仍将震荡上行挑战前高—— 行 业 轮 动 周 报 20 ...

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：券商金股业绩增强组合**[39][42] * **模型构建思路**：基于券商金股股票池能够较好地跟踪偏股混合型基金指数表现的特征，通过多因子模型在该股票池中进行优选，旨在构建一个能够稳定战胜偏股混合型基金指数的投资组合[12][42] * **模型具体构建过程**：模型以券商金股股票池为选股空间和约束基准，采用组合优化的方式控制组合与券商金股股票池在个股、风格上的偏离，并以全体公募基金的行业分布为行业配置基准，进行组合构建[42] 模型的回测效果 1. **券商金股业绩增强组合**：全样本区间（2018.1.2-2025.6.30）年化收益为19.34%，相对偏股混合型基金指数年化超额收益为14.38%[46]；2025年本月（20251009-20251031）绝对收益-0.77%，相对偏股混合型基金指数超额收益1.37%[5][41]；2025年本年（20250102-20251031）绝对收益35.08%，相对偏股混合型基金指数超额收益2.61%[5][41] 量化因子与构建方式 1. **因子名称：总市值**[3][29] * **因子表现**：最近一个月及今年以来在券商金股股票池中表现较好[3][29] 2. **因子名称：单季度超预期幅度**[3][29] * **因子表现**：最近一个月在券商金股股票池中表现较好[3][29] 3. **因子名称：波动率**[3][29] * **因子表现**：最近一个月在券商金股股票池中表现较好，但今年以来表现较差[3][29] 4. **因子名称：剥离涨停动量**[3][29] * **因子表现**：最近一个月在券商金股股票池中表现较差[3][29] 5. **因子名称：单季度ROE**[3][29] * **因子表现**：最近一个月在券商金股股票池中表现较差[3][29] 6. **因子名称：EPTTM**[3][29] * **因子表现**：最近一个月及今年以来在券商金股股票池中表现较差[3][29] 7. **因子名称：单季度营收增速**[3][29] * **因子表现**：今年以来在券商金股股票池中表现较好[3][29] 8. **因子名称：分析师净上调幅度**[3][29] * **因子表现**：今年以来在券商金股股票池中表现较好[3][29] 9. **因子名称：预期股息率**[3][29] * **因子表现**：今年以来在券商金股股票池中表现较差[3][29] 因子的回测效果 （报告中未提供具体因子分组的回测指标数值，仅提供了定性表现排序）

根据研报内容，以下是关于量化模型和因子的详细总结： 量化模型与构建方式 1. 大小盘轮动模型 **模型构建思路**：从赔率和胜率两个视角，基于多层次数据形成大小盘轮动的量化配置方案[1][4] **模型具体构建过程**： 1. **赔率部分构建**： - 赔率定义：一段收益率序列的赔率等于平均正收益/平均负收益的绝对值 - 赔率计算公式：$$\mathbb{R}_{\mathbb{B}}^{\pm}\,\mathbb{R}=-\frac{\sum_{i=1}^{n}return_{i}\,/n}{\sum_{j=1}^{m}return_{j}\,/m}$$[30] - 估值差计算：$$diff_{t}=\sum_{i}^{m}BP_{i,t}\,/m-\sum_{i}^{n}BP_{i},t\,/n$$[32] - 相对估值水平：$$diff'=\frac{diff_{t}}{\sum_{i}^{z}BP_{i,t}\,/z}$$[32] - 历史分位数：$$Q=\frac{rank\,\,\,(\,diff'\,\,)}{T}$$[32] 2. **胜率部分构建**：采用多指标打分法，从经济面、市场面、微观面和日历效应四个层次构建轮动指标[4][40] 3. **配置权重计算**：利用凯利公式结合赔率和胜率，计算最优配置权重[77] - 资金增长率公式：$$R(x)=(1+x*b)^{n p}(1-x)^{n(1-p)}$$[77] - 最优配置解：$$x =\frac{p*b-(1-p)}{b}$$[77] 2. 细分风格轮动模型 **模型构建思路**：结合大小盘模型信号和成长价值模型信号，构建细分风格轮动策略[1][87] **模型具体构建过程**： - 当大小盘模型指向大盘，成长价值模型指向成长时，发出大盘成长占优信号[87] - 形成大盘成长、大盘价值、小盘成长、小盘价值四个象限的轮动配置[88] 量化因子与构建方式 1. Shibor因子 **因子构建思路**：流动性宽松时小盘股受益，紧缩时大盘股防御性更强[42] **因子具体构建过程**：计算最新Shibor利率在过去一年以来的历史分位数，当分位数大于50%时指向大盘股，反之指向小盘股[42] 2. 短期期限利差因子 **因子构建思路**：期限利差扩大说明未来货币政策可能收紧，不利于中小市值企业[47] **因子具体构建过程**：期限利差=1年期中短期票据收益率-7天中短期票据收益率，计算20日利差均值-250日利差均值，若大于0发出大盘占优信号[47] 3. 市场趋势因子 **因子构建思路**：市场活跃时小盘风格收益弹性更高，市场低迷时大盘风格更具配置价值[51] **因子具体构建过程**：当中证全指5日均线大于20日均线且近20日成交量大于近250日成交量时，发出小盘占优信号；反之发出大盘占优信号[51] 4. 市场波动因子 **因子构建思路**：窄幅调整期间小盘股缺少收益波动空间，大盘股通过分红形成稳健回报[54] **因子具体构建过程**：市场波动率=近20日中证全指收益率标准差，当最近20日市场波动率小于近3年波动率均值时，发出大盘占优信号[54] 5. 风格动量因子 **因子构建思路**：风格收益率呈现出"动量效应"，强者恒强[57] **因子具体构建过程**：比较沪深300和中证2000指数过去四周的收益率，收益率更高的风格发出占优信号[57] 6. 风格拥挤度因子 **因子构建思路**：风格交易拥挤可能导致收益崩溃，需要警惕过热风险[60] **因子具体构建过程**：计算市值最大20%个股近20日成交量在过去三年历史分位数作为大盘拥挤指标，大于0.75时发出小盘占优；计算市值最小20%个股相应指标，大于0.75时发出大盘占优[60] 7. 月历效应因子 **因子构建思路**：周期性事件驱动形成的月度风格效应，如财报季、春节效应等[63] **因子具体构建过程**：计算次周所在自然月在历史年份中沪深300战胜中证2000的胜率，当胜率大于50%时发出大盘占优信号[66] 8. 复合胜率信号因子 **因子构建思路**：将多个明细指标结果合成为相对稳健有效的胜率信号[72] **因子具体构建过程**：当明细指标指向大盘时记1分，指向小盘时记0分，不明确时记0.5分，取得分均值作为复合胜率信号[72] 模型的回测效果 1. 大小盘轮动策略（完全切换） - 年化收益：23.70%[79] - 年化超额收益：20.57%[79] - 年化波动：23.03%[79] - 最大回撤：25.25%[79] - 夏普比率：1.03[79] - 信息比率(IR)：2.27[79] - 收益回撤比：0.94[79] 2. 大小盘加权策略（权重调整） - 年化收益：13.69%[84] - 年化超额收益：10.94%[84] - 年化波动：22.02%[84] - 最大回撤：29.17%[84] - 夏普比率：0.62[84] - 信息比率(IR)：2.47[84] - 收益回撤比：0.47[84] 3. 细分风格轮动模型 - 年化收益：35.91%[92] - 年化超额收益：32.86%[92] - 年化波动：23.97%[92] - 最大回撤：23.37%[92] - 夏普比率：1.50[92] - 信息比率(IR)：3.11[92] - 收益回撤比：1.54[92] 因子的回测效果 1. Shibor因子 - 年化超额收益：11.46%[43] - 最大回撤：35.26%[43] - 夏普比率：0.59[43] 2. 短期期限利差因子 - 年化超额收益：7.41%[48] - 最大回撤：43.45%[48] - 夏普比率：0.42[48] 3. 市场趋势因子 - 年化超额收益：3.52%[52] - 最大回撤：39.86%[52] - 夏普比率：0.28[52] 4. 市场波动因子 - 年化超额收益：13.18%[55] - 最大回撤：30.28%[55] - 夏普比率：0.67[55] 5. 风格动量因子 - 年化超额收益：8.16%[58] - 最大回撤：31.31%[58] - 夏普比率：0.50[58] 6. 风格拥挤度因子 - 年化超额收益：6.63%[61] - 最大回撤：38.66%[61] - 夏普比率：0.40[61] 7. 月历效应因子 - 年化超额收益：4.73%[67] - 最大回撤：45.83%[67] - 夏普比率：0.29[67] 8. 复合胜率信号因子 - 年化超额收益：19.72%[73] - 最大回撤：28.65%[73] - 夏普比率：0.98[73] - 信息比率(IR)：2.17[73]

根据提供的金融工程市场跟踪周报，以下是关于报告中涉及的量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：量能择时模型**[24] * **模型构建思路**：通过分析市场交易量能的变化来判断市场未来的多空方向[24] * **模型具体构建过程**：报告未详细描述该模型的具体构建步骤和公式，仅给出了基于该模型的择时信号观点[24] 2. **模型名称：沪深300上涨家数占比情绪指标**[25] * **模型构建思路**：通过计算指数成分股中近期取得正收益的股票数量占比，来捕捉市场情绪的变化，认为正收益股票增多可能预示行情见底，而大部分股票为正收益时则可能情绪过热[25] * **模型具体构建过程**： 指标计算公式为： $$沪深300指数N日上涨家数占比 = \frac{沪深300指数成分股过去N日收益大于0的个股数}{沪深300指数成分股总数} \times 100\%$$ [25] 其中，N为设定的回顾期窗口[25] 3. **模型名称：动量情绪指标择时模型**[28] * **模型构建思路**：对“沪深300上涨家数占比情绪指标”进行不同窗口期的平滑处理，通过比较快慢线的相对位置来判断市场情绪的动向并生成交易信号[28] * **模型具体构建过程**： 1. 计算沪深300指数N日上涨家数占比[28] 2. 分别对该指标进行窗口期为N1和N2的移动平均，得到慢线和快线，其中N1 > N2（报告中示例参数N1=50, N2=35）[28] 3. 当快线大于慢线时，认为市场情绪上行，生成看多信号；当快线小于慢线时，认为市场情绪下行，对市场持中性态度[28] 4. **模型名称：均线情绪指标**[32] * **模型构建思路**：利用一组均线系统（八均线）来判断沪深300指数的趋势状态，并将趋势状态量化为情绪指标值，进而用于择时[32] * **模型具体构建过程**： 1. 计算沪深300指数收盘价的八条移动平均线，参数分别为8, 13, 21, 34, 55, 89, 144, 233[32] 2. 统计当日沪深300指数收盘价位于这八条均线之上的数量[32] 3. 根据该数量赋值情绪指标：当数量超过5时，看多沪深300指数[32] 5. **因子名称：横截面波动率**[34] * **因子构建思路**：计算特定指数（如沪深300、中证500、中证1000）成分股在横截面上的收益率标准差，用以衡量市场分化程度和选股Alpha机会[34] * **因子具体构建过程**：报告未提供具体的计算公式，但指出该因子用于观察市场赚钱效应和Alpha环境[34] 6. **因子名称：时间序列波动率**[42] * **因子构建思路**：计算指数成分股收益率在时间序列上的波动率，用以评估市场的整体波动水平和Alpha环境[42] * **因子具体构建过程**：报告未提供具体的计算公式，但将其作为观察市场赚钱效应的另一个维度[42] 7. **因子名称：基金抱团分离度**[85] * **因子构建思路**：通过计算抱团基金组合截面收益率的标准差，来度量基金抱团的程度，标准差小表示抱团度高，反之则表示抱团瓦解[85] * **因子具体构建过程**：报告描述了思路，即抱团基金截面收益的标准差作为代理变量，但未给出具体的构建公式[85] 模型的回测效果 （报告中未提供上述量化模型的明确回测绩效指标，如年化收益率、夏普比率等） 因子的回测效果 1. **横截面波动率因子**[42][45] * **近两年平均值**：沪深300为1.90%，中证500为2.08%，中证1000为2.28%[42] * **近一年平均值**：沪深300为1.91%，中证500为2.16%，中证1000为2.44%[42] * **近半年平均值**：沪深300为1.92%，中证500为2.10%，中证1000为2.34%[42] * **近一季度平均值**：沪深300为2.21%，中证500为2.40%，中证1000为2.58%[42] * **近一季度平均值占近两年分位**：沪深300为80.33%，中证500为75.40%，中证1000为76.10%[42] * **近一季度平均值占近一年分位**：沪深300为79.09%，中证500为74.60%，中证1000为70.12%[42] * **近一季度平均值占近半年分位**：沪深300为77.64%，中证500为78.57%，中证1000为66.93%[42] 2. **时间序列波动率因子**[45] * **近两年平均值**：沪深300为0.65%，中证500为0.47%，中证1000为0.26%[45] * **近一年平均值**：沪深300为0.63%，中证500为0.46%，中证1000为0.26%[45] * **近半年平均值**：沪深300为0.60%，中证500为0.44%，中证1000为0.24%[45] * **近一季度平均值**：沪深300为0.72%，中证500为0.52%，中证1000为0.27%[45] * **近一季度平均值占近两年分位**：沪深300为74.95%，中证500为80.16%，中证1000为76.89%[45] * **近一季度平均值占近一年分位**：沪深300为73.91%，中证500为76.19%，中证1000为71.31%[45] * **近一季度平均值占近半年分位**：沪深300为68.32%，中证500为77.78%，中证1000为64.94%[45] 对模型或因子的评价 1. **沪深300上涨家数占比情绪指标**：该指标可以较快捕捉上涨机会；但在市场过热阶段提前止盈离场，会错失持续亢奋阶段的上涨收益；对下跌市场的判断存在缺陷，难以有效规避下跌风险[26]

证券研究报告 | 2025年11月03日 金融工程月报 券商金股 2025 年 11 月投资月报 核心观点 金融工程月报 券商金股股票池上月回顾 2025 年 10 月，国盾量子、荣信文化、江波龙等券商金股股票的月度上涨幅 度靠前。 2025 年 10 月，西部证券、长城证券、国元证券收益排名前三，月度收益分 别为 5.84%、5.43%、4.03%，同期偏股混合型基金指数收益-2.14%，沪深 300 指数收益-0.00%。 2025 年以来，东北证券、华鑫证券、国元证券收益排名前三，年度收益分 别为 86.32%、77.80%、76.51%，同期偏股混合型基金指数收益 32.47%， 沪深 300 指数收益 17.94%。 券商金股股票池中选股因子表现 最近一个月，总市值、单季度超预期幅度、波动率表现较好，剥离涨停动量、 单季度 ROE、EPTTM 表现较差； 今年以来，总市值、单季度营收增速、分析师净上调幅度表现较好，EPTTM、 预期股息率、波动率表现较差。 券商金股股票池本月特征 截至 2025 年 11 月 3 日，共有 41 家券商发布本月金股。在对券商金股股票 池进行去重后，总共有 275 只 ...

根据提供的行业景气度月报，以下是其中涉及的量化模型和因子的总结： 量化因子与构建方式 1.煤炭行业利润增速预测因子 **因子构建思路**：通过价格因子和产能因子的同比变化来逐月估计煤炭行业的营收增速和利润增速[10] **因子具体构建过程**：由于动力煤长协机制约定根据每个月最后一期价格指数决定下一个月的销售价格，因此可以提前确定下个月的动力煤销售价格，结合产能因子同比变化进行利润预测[10] 2.生猪供需缺口预测因子 **因子构建思路**：利用生猪从出生到育肥出栏的6个月周期关系，通过能繁母猪存栏数据预测未来6个月的生猪供需情况[15] **因子具体构建过程**： - 出栏系数计算公式：$$出栏系数=单季度生猪出栏/能繁母猪存栏 lag6m$$[15] - 6个月后单季潜在产能计算公式：$$6个月后单季潜在产能= t月能繁母猪存栏*（t+6月上年同期出栏系数）$$[16] - 6个月后生猪潜在需求：$$6个月后生猪潜在需求=t+6月上年同期单季度生猪出栏$$[16] 3.普钢行业利润预测因子 **因子构建思路**：利用普通钢材综合售价和成本指标（铁矿石、焦炭、喷吹煤、废钢等）实现对普钢行业月度利润增速的预测和单吨盈利测算[18] 4.玻璃行业盈利跟踪因子 **因子构建思路**：根据价格指标和成本指标跟踪玻璃制造行业的盈利变化，并基于盈利变化设计配置信号[25] 5.水泥行业利润预测因子 **因子构建思路**：根据价格指标和成本指标跟踪水泥制造行业的盈利变化[25] 6.燃料型炼化利润预测因子 **因子构建思路**：利用成品油燃料价格变化和原油价格变化测算行业利润增速和裂解价差[27] 7.建筑装饰行业景气判断因子 **因子构建思路**：基于制造业PMI景气度和商品房销售情况，分析经济数据引发投资者对于基建托底发力的预期的可能性[25] 因子的回测效果 1.出栏系数法供需缺口因子 **测试结果**：历史经验来看，出栏系数法测算供需缺口能够有效识别生猪价格上行周期[16] 2.行业配置信号因子 **测试结果**：各行业配置信号的历史回测结果显示，基于利润景气度预测的配置信号在不同行业均有相应的超额收益表现[11][14][20][23][28][32][33][35][37]

量化模型与构建方式 1. 风格轮动模型 **模型名称**：基于微观的择时+打分风格轮动模型[4][9] **模型构建思路**：从基础风格因子（估值、市值、波动率、动量）出发，通过微观个股层面构造特征，使用随机森林模型进行风格择时和打分，最终构建月频风格轮动框架[4][9] **模型具体构建过程**： 1. 优选80个底层微观因子作为原始特征[9] 2. 基于80个基础微观指标，构造640个微观特征[4][9] 3. 通过常用指数作为风格股票池取代风格因子的绝对比例划分，构造新的风格收益作为标签[4][9] 4. 使用随机森林模型对单个风格进行择时，并得到每种风格的当期得分[4][9] 5. 通过滚动训练随机森林模型，有效规避过拟合风险，优选特征并得到风格推荐[9] 6. 根据择时结果与打分结果，综合构造月频风格轮动模型[4] 模型的回测效果 1. 风格轮动模型 **回测区间**：2017/01/01-2025/10/31[4][10] **年化收益率**：16.18%[4][10][11] **年化波动率**：20.28%[4][10][11] **信息比率(IR)**：0.80[4][10][11] **月度胜率**：59.43%[4][10][11] **最大回撤**：25.20%[11] 2. 策略对冲市场基准 **回测区间**：2017/01/01-2025/10/31[4][10] **年化收益率**：10.36%[4][10][11] **年化波动率**：10.85%[4][10][11] **信息比率(IR)**：0.95[4][10][11] **月度胜率**：54.72%[4][10][11] **历史最大回撤**：8.53%[4][10][11] 量化因子与构建方式 1. 基础风格因子 **因子名称**：估值、市值、波动率、动量[4][9] **因子的构建思路**：从微观个股层面出发，作为风格轮动模型的基础风格因子[9] 因子的回测效果 1. 2025年风格因子实际收益率（多空对冲） **动量因子收益率**：图中显示在2025年1月至10月期间有正有负，具体数值需从图表中读取[13] **波动率因子收益率**：图中显示在2025年1月至10月期间有正有负，具体数值需从图表中读取[13] **估值因子收益率**：图中显示在2025年1月至10月期间有正有负，具体数值需从图表中读取[13] **市值因子收益率**：图中显示在2025年1月至10月期间有正有负，具体数值需从图表中读取[13] 2. 2025年风格因子择时后收益率（多空对冲） **动量因子收益率**：图中显示在2025年1月至10月期间有正有负，具体数值需从图表中读取[18] **波动率因子收益率**：图中显示在2025年1月至10月期间有正有负，具体数值需从图表中读取[18] **估值因子收益率**：图中显示在2025年1月至10月期间有正有负，具体数值需从图表中读取[18] **市值因子收益率**：图中显示在2025年1月至10月期间有正有负，具体数值需从图表中读取[18]

量化模型与构建方式 1. 五维行业轮动模型 **模型名称**：五维行业轮动模型[8] **模型构建思路**：基于行业内部普遍存在的风格差异，利用风格指标对行业内部股票进行划分，通过构建行业内部离散指标与行业内部牵引指标合成行业最终因子[8] **模型具体构建过程**：以东吴金工特色选股多因子体系为基础，从微观个股层面出发构造模型[8] 根据东吴金工特色多因子划分标准对微观因子进行种类划分，将微观因子划分为五大类：波动率、基本面、成交量、情绪、动量[8] 以大类选股因子的风格偏好为参照，构建行业内部离散指标与行业内部牵引指标，最终得到五类合成行业因子[8] 构建了包含波动率、基本面、成交量、情绪、动量的五维行业轮动模型[8] **模型评价**：该模型从微观个股层面出发，能够捕捉行业内部的风格差异，具有较强的行业轮动能力[8] 量化因子与构建方式 1. 波动率因子 **因子名称**：波动率因子[8][17] **因子构建思路**：作为五维行业轮动模型的五大基础因子之一，用于衡量行业的波动特性[8] **因子具体构建过程**：基于行业内部股票的风格差异，利用波动率相关的风格指标对行业内部股票进行划分，构建行业内部离散指标与行业内部牵引指标，最终合成波动率行业因子[8] 2. 基本面因子 **因子名称**：基本面因子[8][17] **因子构建思路**：作为五维行业轮动模型的五大基础因子之一，用于衡量行业的基本面状况[8] **因子具体构建过程**：基于行业内部股票的风格差异，利用基本面相关的风格指标对行业内部股票进行划分，构建行业内部离散指标与行业内部牵引指标，最终合成基本面行业因子[8] 3. 成交量因子 **因子名称**：成交量因子[8][17] **因子构建思路**：作为五维行业轮动模型的五大基础因子之一，用于衡量行业的成交量特征[8] **因子具体构建过程**：基于行业内部股票的风格差异，利用成交量相关的风格指标对行业内部股票进行划分，构建行业内部离散指标与行业内部牵引指标，最终合成成交量行业因子[8] 4. 情绪因子 **因子名称**：情绪因子[8][17] **因子构建思路**：作为五维行业轮动模型的五大基础因子之一，用于衡量市场的情绪面变化[8] **因子具体构建过程**：基于行业内部股票的风格差异，利用情绪相关的风格指标对行业内部股票进行划分，构建行业内部离散指标与行业内部牵引指标，最终合成情绪行业因子[8] 5. 动量因子 **因子名称**：动量因子[8][17] **因子构建思路**：作为五维行业轮动模型的五大基础因子之一，用于捕捉行业的动量效应[8] **因子具体构建过程**：基于行业内部股票的风格差异，利用动量相关的风格指标对行业内部股票进行划分，构建行业内部离散指标与行业内部牵引指标，最终合成动量行业因子[8] 6. 合成因子 **因子名称**：合成因子[17] **因子构建思路**：将五个维度的因子进行综合，构建最终的行业轮动评分[17] **因子具体构建过程**：通过将波动率、基本面、成交量、情绪、动量五个维度的因子进行加权合成，得到每个行业的综合评分，用于行业轮动决策[17] 模型的回测效果 1. 五维行业轮动模型（多空对冲） **年化收益率**：21.41%[3][17] **年化波动率**：10.83%[3][17] **信息比率**：1.98[3][17] **月度胜率**：72.58%[3][17] **历史最大回撤**：13.30%[3][17] 2. 五维行业轮动模型（多头超额） **年化收益率**：10.50%[3][18] **年化波动率**：6.56%[3][18] **信息比率**：1.60[3][18] **月度胜率**：70.16%[3][18] **历史最大回撤**：9.36%[3][18] 因子的回测效果 1. 波动率因子 **年化收益率**：10.64%[17] **波动率**：10.38%[17] **信息比率**：1.02[17] **胜率**：59.69%[17] **最大回撤**：14.81%[17] **IC**：-0.08[17] **ICIR**：-1.36[17] **RankIC**：-0.06[17] **RankICIR**：-1.01[17] 2. 基本面因子 **年化收益率**：7.31%[17] **波动率**：12.10%[17] **信息比率**：0.60[17] **胜率**：56.59%[17] **最大回撤**：26.32%[17] **IC**：0.15[17] **ICIR**：3.25[17] **RankIC**：0.04[17] **RankICIR**：0.72[17] 3. 成交量因子 **年化收益率**：8.20%[17] **波动率**：11.74%[17] **信息比率**：0.70[17] **胜率**：59.69%[17] **最大回撤**：18.40%[17] **IC**：-0.06[17] **ICIR**：-0.99[17] **RankIC**：-0.07[17] **RankICIR**：-0.95[17] 4. 情绪因子 **年化收益率**：7.93%[17] **波动率**：12.78%[17] **信息比率**：0.62[17] **胜率**：64.34%[17] **最大回撤**：14.79%[17] **IC**：0.03[17] **ICIR**：0.51[17] **RankIC**：0.03[17] **RankICIR**：0.49[17] 5. 动量因子 **年化收益率**：11.26%[17] **波动率**：10.56%[17] **信息比率**：1.07[17] **胜率**：60.16%[17] **最大回撤**：13.52%[17] **IC**：0.02[17] **ICIR**：0.40[17] **RankIC**：0.05[17] **RankICIR**：0.74[17] 6. 合成因子 **年化收益率**：21.41%[17] **波动率**：10.83%[17] **信息比率**：1.98[17] **胜率**：72.58%[17] **最大回撤**：13.30%[17] **IC**：-0.03[17] **ICIR**：-0.63[17] **RankIC**：-0.10[17] **RankICIR**：-1.59[17]

根据研报内容，现对其中涉及的量化模型与因子进行总结如下： 量化模型与构建方式 1. 模型名称：CPPI + 风险预算基础模型 - **模型构建思路**：该模型旨在解决传统风险平价模型在备选资产波动率差异大时，过于集中配置低风险资产导致组合弹性不足的问题。其核心思路是首先利用固定比例保本策略（CPPI）对高波动的风险资产（权益资产和黄金）进行风险优化，平抑其波动率与回撤，然后将处理后的CPPI组合视为新的资产，再应用风险预算模型进行资产配置[10][35][68]。 - **模型具体构建过程**： 1. **CPPI组合构建**：对7个权益资产和1个黄金资产分别构建CPPI组合[35][42][45]。 - **参数设置**： - 保本周期：1个自然年度[52]。 - 保本比例（λ）：[60%, 70%, 80%][52][93]。 - 风险乘数（m）：[2, 3][52][93]。 - 风险资产上限（b）：[70%, 80%, 90%][52][93]。 - 无风险资产：使用货币基金，其预期年化收益率为保本期前一个自然年度的货基真实收益率[52]。 - 换仓频率：月度换仓（每月最后一个交易日收盘价计算比例，下月第一个交易日调仓）[39][64]。 - **计算步骤**： 1. 计算保本期末的保本金额：$$F_{T} = V_{0} \times \lambda$$，其中 $$V_{0}$$ 为保本周期初组合初始净值，$$\lambda$$ 为保本比例[35][41]。 2. 计算当前时点（t）为实现保本目标应投资于无风险资产的最低金额（$$F_{t}$$，即保本金额的折现值）：$$F_{t}=F_{T}\times e^{-r(T-t)}$$，其中r为无风险资产年化预期收益率，T为保本期末[35]。 3. 计算安全垫（Cushion）：$$C_{t}=V_{t}-F_{t}$$，其中 $$V_{t}$$ 为t时刻组合总价值[36]。 4. 计算可投资于风险资产的金额（$$E_{t}$$）：$$E_{t}=max\{min\{m \times C_{t}, b \times V_{t}\}, 0\}$$，其中m为风险乘数，b为风险资产上限[37][38]。 5. 投资于无风险资产的金额为：$$B_{t}=V_{t}-E_{t}$$[38]。 2. **风险预算模型构建**：将各风险资产的CPPI组合与债券资产（中债0-3年国开债）、货币基金共同作为风险预算模型的备选资产池[68]。 - **最优化问题**：目标是使各资产的实际风险贡献（RC）与预设的风险预算（RB）偏差平方和最小。目标函数为：$$Objective\,function=\sum_{i=1}^{n}(RC_{i}-RB_{i})^{2}$$[68]。 - **优化算法**：使用scipy库的minimize函数，方法为SLSQP，最大循环次数（maxiter）为500，梯度范数容差阈值（gtol）为1e-5。为避免局部最优，分别使用等权和上期权重作为初始猜测，选择目标函数更小的结果[68][69][73]。 - **风险预算比例分配方式**（即因子构建）： - **波动率排名**：根据各CPPI组合在过去J个交易日的日度收益率波动率进行排名，波动率越高，分配的风险预算比例越高[70][72]。 - **上行波动率排名**：根据各CPPI组合在过去J个交易日的日度收益率的上行波动率（仅计算正收益日的波动率）进行排名，上行波动率越高，分配的风险预算比例越高[70][72]。 - **收益率排名（动量）**：根据各CPPI组合在过去J个交易日的收益率进行排名，收益率越高，分配的风险预算比例越高[70][72]。 - 参数J（窗口长度）的遍历范围为[21, 63, 126, 252]个交易日[74][93]。 - **资产仓位限制**： - 外股（美股+日股）CPPI组合总持仓不超过20%[2][67]。 - 黄金CPPI组合持仓不超过20%[2][67]。 - 货币基金持仓介于5%-10%之间。在得到风险预算权重后，计算货基配置比例，若低于5%则用债券补足，若超过10%则将超出部分分配给债券[2][67]。 - **换仓频率**：月度换仓[64]。 2. 模型名称：日度净值监控机制 - **模型构建思路**：为解决基础模型受月度换仓频率限制，难以应对市场短期剧烈波动导致大幅回撤的问题，在基础模型之上增加一个日度监控层。该机制通过每日监控基础模型的净值，在检测到短期大幅回撤风险时，主动将组合仓位切换至防御状态（95%债券+5%货基），以止损并控制回撤；当市场企稳后，再切换回基础模型的配置比例[2][78][79]。 - **模型具体构建过程**： 1. **监控标的**：基于"CPPI + 风险预算"基础模型的日度净值[79]。 2. **触发预警条件（进入防御状态）**：当基础模型净值满足以下两个条件时触发： - 近期最大回撤超过阈值θ：计算基础模型净值滚动N日的最大回撤，若该值超过阈值θ[80][89]。 - 净值低于均线：基础模型净值低于其M日移动平均线[80][89]。 3. **退出预警条件（恢复正常配置）**：当基础模型净值自下而上穿越其M日移动平均线时退出预警状态[80][81]。 4. **调仓规则**：T日产生信号，T+1日执行调仓[81]。 5. **信号处理细节**： - 连续触发预警信号仅首次有效，以避免信号干扰[84][85]。 - 未退出预警状态前，忽略其他进入预警的信号[86][87]。 6. **参数设置**： - 滚动最大回撤窗口（N）：[2, 3, 5, 10]个交易日[89][93]。 - 最大回撤阈值（θ）：从-0.5%到-5.0%，共11个备选值[89][93]。 - 退出预警上穿均线（M）：[2, 3, 5, 10, 15]个交易日[89][93]。 模型的回测效果 以下展示在不同最大回撤约束条件下，通过参数遍历优选出的最佳组合的回测表现。回测区间为2012年1月4日至2025年8月5日[64]。 | 风险偏好类别 | 优选风险预算方式 | 年化收益 | 最大回撤 | 年化波动率 | 夏普比率 | 卡玛比率 | 年化预警次数 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 低风险偏好（最大回撤≤3%） | 上行波动率排名 | 6.82%[95][96] | -2.91%[95][96] | 3.09%[96] | 2.207[96] | 2.344[96] | 2.9[96] | | 中风险偏好（最大回撤≤5%） | 上行波动率排名 | 7.66%[95][108] | -4.97%[95][108] | 3.81%[108] | 2.010[108] | 1.541[108] | 0.9[108] | | 高风险偏好（无最大回撤限制） | 波动率排名 | 8.15%[95][121] | -6.36%[95][121] | 5.02%[121] | 1.622[121] | 1.281[121] | 1.0[121] | 量化因子与构建方式 本报告的核心在于资产配置模型的构建，其风险预算分配方式依赖于以下三类因子来确定各资产的风险预算比例： 1. 因子名称：波动率排名因子 - **因子构建思路**：基于风险平价思想，认为波动率越高的资产，其风险贡献应越大，因此应分配更高的风险预算比例，以期各资产对组合的风险贡献相对均衡[70]。 - **因子具体构建过程**：对于每个备选资产（CPPI处理后的组合），计算其在过去J个交易日的日度收益率的年化波动率。然后根据计算出的波动率数值对所有备选资产进行排名，波动率最高者排名第一。最终的风险预算比例根据此排名分配，排名越靠前（波动率越高），分配的比例越高[70][72]。参数J的遍历取值为21, 63, 126, 252个交易日[74][93]。 2. 因子名称：上行波动率排名因子 - **因子构建思路**：在波动率因子的基础上进行改进，只考虑资产上涨时的波动（上行波动率），旨在更侧重资产带来正收益的能力，而非总体风险[70]。 - **因子具体构建过程**：对于每个备选资产，首先筛选出在过去J个交易日中日度收益率为正的数据点。然后计算这些正收益数据的年化波动率，即上行波动率。根据计算出的上行波动率数值对所有备选资产进行排名，上行波动率最高者排名第一。最终的风险预算比例根据此排名分配[70][72]。参数J的遍历取值为21, 63, 126, 252个交易日[74][93]。 3. 因子名称：收益率排名因子（动量因子） - **因子构建思路**：基于动量效应，认为近期表现好的资产在未来短期内更有可能延续强势表现，因此应分配更高的风险预算比例以捕捉趋势[70]。 - **因子具体构建过程**：对于每个备选资产，计算其在过去J个交易日的总收益率。然后根据计算出的收益率数值对所有备选资产进行排名，收益率最高者排名第一。最终的风险预算比例根据此排名分配[70][72]。参数J的遍历取值为21, 63, 126, 252个交易日[74][93]。 因子的回测效果 报告中未单独提供上述因子在选股或截面上的传统IC、IR等测试结果。这些因子的效果最终体现在其驱动的风险预算模型所构建的资产组合的整体表现中，具体回测效果详见上文“模型的回测效果”部分。作为方法对比，报告展示了不经过CPPI处理，直接使用原始资产并应用这三种风险预算分配方式的结果，其表现（如最大回撤、卡玛比率等）均逊于“CPPI+日度监控”的完整模型，从而间接证明了CPPI风险优化环节以及日度监控机制的有效性[139][140]。

金融工程研究团队 魏建榕（首席分析师） 证书编号：S0790519120001 2025 年 11 月 03 日 傅开波（分析师） 证书编号：S0790520090003 高 鹏（分析师） 证书编号：S0790520090002 苏俊豪（分析师） 证书编号：S0790522020001 胡亮勇（分析师） 证书编号：S0790522030001 王志豪（分析师） 证书编号：S0790522070003 盛少成（分析师） 证书编号：S0790523060003 何申昊（分析师） 证书编号：S0790524070009 蒋 韬（分析师） 证书编号：S0790525070001 相关研究报告 《开源量化评论（23）-"金股+"组 合的量化方案》-2021.4.26 《开源量化评论（32）-券商金股的内 部收益结构》-2021.8.29 券商金股解析月报（2025 年 11 月） ——金融工程定期 魏建榕（分析师） 高鹏（分析师） weijianrong@kysec.cn 证书编号：S0790519120001 gaopeng@kysec.cn 证书编号：S0790520090002 11 月份券商金股特征解析 11 ...