量化模型与构建方式 模型名称：被动资金流动模型 - 模型构建思路：通过ETF资金流动来分析个股和行业的表现 - 模型具体构建过程： 1. 计算个股的日涨跌幅[25] 2. 计算个股层面被动持股市值的日变化率（截面5 MAD缩尾处理）[25] 3. 对每只个股计算过去20个交易日内日涨跌幅相对资金流日变化率的Beta[25] 4. 公式：$ \beta = \frac{Cov(R_i, F_i)}{Var(F_i)} $，其中$ R_i $为个股的日涨跌幅，$ F_i $为资金流日变化率[25] - 模型评价：该模型能够较好地反映个股涨跌幅与资金流变动之间的同步关系[25] 模型名称：被动资金斜率模型 - 模型构建思路：通过计算个股被动持股市值的斜率来预测个股的上涨机会 - 模型具体构建过程： 1. 计算个股的日度被动持股市值[169] 2. 对每只个股计算过去20、40和60个交易日内日被动持股市值相对时间的斜率[169] 3. 公式：$ Slope = \frac{\sum_{i=1}^{n}(t_i - \bar{t})(y_i - \bar{y})}{\sum_{i=1}^{n}(t_i - \bar{t})^2} $，其中$ t_i $为时间，$ y_i $为被动持股市值[169] - 模型评价：该模型在多头端的表现明显强于传统反转因子，具有更强的多头选股能力和稳定性[169] 模型的回测效果 - 被动资金流动模型，Rank IC为-2.22%，IC胜率为72.9%，多头年化收益为13.1%，年化超额收益为4.7%[147][148] - 被动资金斜率模型，Rank IC为-2.01%，IC胜率为59.3%，多头年化收益为11.3%，年化超额收益为2.9%[170] 量化因子与构建方式 因子名称：被动持股市值变化率因子（mv_passive_chg） - 因子的构建思路：通过被动持股市值的变化率来预测个股的未来表现 - 因子具体构建过程： 1. 计算区间内被动持股市值的变动与期初被动持股市值的比值[48] 2. 公式：$ mv\_passive\_chg = \frac{MV_{end} - MV_{start}}{MV_{start}} $，其中$ MV_{end} $为期末被动持股市值，$ MV_{start} $为期初被动持股市值[48] - 因子评价：该因子在2024年表现出正向预测能力，与2020-2023年的预测方向相反[43] 因子名称：被动持股占比时序变动因子（w_passvie_zs） - 因子的构建思路：通过被动持股占比的时序变动来预测个股的未来表现 - 因子具体构建过程： 1. 通过z-score标准化方式衡量被动持股占比的时序变动[48] 2. 公式：$ w\_passvie\_zs = \frac{w\_passvie - \mu}{\sigma} $，其中$ w\_passvie $为被动持股占比，$ \mu $为均值，$ \sigma $为标准差[48] - 因子评价：该因子在所有年份中基本没有显著区分度，但其相对稳定的年度超额收益值得关注[43] 因子的回测效果 - 被动持股市值变化率因子（mv_passive_chg），Rank IC为-2.05%，多头年化超额收益为2.2%[43][45] - 被动持股占比时序变动因子（w_passvie_zs），Rank IC为-0.05%，多头年化超额收益为2.2%[45]

量化模型与构建方式 常青低波基金组合 - **模型名称**：常青低波基金组合 - **模型构建思路**：通过基金历史净值回撤和波动水平，结合基金估值水平，优选低波动特征的主动权益基金组合[23][21] - **模型具体构建过程**： 1. 选择具有长期稳定收益特征的基金，关注基金经理的投资风格和风险控制能力[23] 2. 在净值表现和持仓特征两个维度下优选低波基金[23] 3. 构建具有低波动特征的主动权益基金组合[23] - **模型评价**：在高权益仓位主动管理的基金中，常青低波基金组合能够在市场波动中保持较低的回撤水平，同时在防守特性下兼具进攻性[32][66] 股基增强基金组合 - **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挖掘能力的基金经理进行配置，基于基金收益率指标研究，拆分基金收益来源，构建组合策略[45] - **模型具体构建过程**： 1. 分析基金收益率指标，深入分析基金收益的来源[45] 2. 对基金的配置行业收益和选股超额能力进行拆分，剔除行业Beta收益后剩余的Alpha收益[45] 3. 基于Alpha收益的显著延续性，构建股基增强基金组合策略[45] - **模型评价**：在回测区间表现出优秀的持有期胜率，配置于强选股能力的基金经理有望带来超额表现[45][34] 现金增利基金组合 - **模型名称**：现金增利基金组合 - **模型构建思路**：基于货币基金多维特征因子，构建货币基金筛选体系，优选收益表现更优秀的货币基金[22] - **模型具体构建过程**： 1. 综合管理费率、托管费率、销售服务费率、久期水平、杠杆水平等因素[47] 2. 关注机构持仓占比及偏离度等风险指标，减少收益波动风险[47] 3. 构建货币基金优选体系，帮助投资者获取更高收益水平[47] - **模型评价**：能够在全市场货币基金中优选出收益表现更优秀的货币基金，帮助投资者更好地进行现金管理[22][47] 海外权益配置基金组合 - **模型名称**：海外权益配置基金组合 - **模型构建思路**：基于海外国家或地区的权益市场指数，结合长期动量和短期反转因子，选择上涨趋势且上升动能较好的指数作为配置标的[27] - **模型具体构建过程**： 1. 剔除涨势过高、出现超买的指数[27] 2. 选择处于上涨趋势且上升动能较好的指数[27] 3. 构建海外权益配置基金组合，拓展全球化投资的辅助工具[27] - **模型评价**：在人工智能科技带动下，全球化投资具有较强的分散化配置价值，能够在短期波动中提供布局机会[29][10] 模型的回测效果 常青低波基金组合 - **本周收益**：-0.427%[28] - **近一个月收益**：0.583%[52] - **今年以来收益**：12.311%[52] - **策略运行以来收益**：7.079%[52] 股基增强基金组合 - **本周收益**：-0.820%[28] - **近一个月收益**：-0.169%[52] - **今年以来收益**：7.606%[52] - **策略运行以来收益**：7.606%[52] 现金增利基金组合 - **本周收益**：0.034%[50] - **近一个月收益**：0.150%[52] - **今年以来收益**：1.912%[52] - **策略运行以来收益**：2.819%[52] 海外权益配置基金组合 - **本周收益**：-2.949%[29] - **近一个月收益**：1.494%[52] - **今年以来收益**：17.731%[52] - **策略运行以来收益**：23.902%[52]

清盘基金数量再创新高，互认基金再 迎重磅利好 金融工程 | 动态跟踪 研究结论 ⚫ 基金市场热点跟踪：1.清盘基金数量再创新高：2024 年，公募行业优胜劣汰形势仍 在延续，截止 2024 年 12 月 18 日，年初至今已有超 $$2 7 0$$ 只基金挥别市场。2024 年 清盘数量 272 只，创近 5 年新高。产品类型的分布来看，2024 年的清盘情况呈现出 一些显著的特点。与去年相比，股票型基金增加了 16 只，FOF 增加了 10 只，这表 明权益类基金在市场中的竞争愈发激烈。然而，债券型基金和 QDII 基金的清盘数量 分别减少了 3 只和 4 只。2.互认基金再迎重磅利好：随着中国内地资本市场的持续对 外开放，互认基金作为具有全球配置潜力的投资工具，正逐渐进入投资者的视野。 截至 2024 年 9 月底，国家外汇管理局的数据显示，香港互认基金市场共有 42 只产 品，总规模约 366 亿元人民币，产品投资市场集中于亚太地区，投资策略的多元化 程度仍有很大发展空间。为更好发挥两地基金互认机制的积极作用，12 月 20 日中国 证监会修订发布《香港互认基金管理规定》（以下简称《管理规定》），并自 ...

量化模型与构建方式 模型名称：仓位管理模型 - **模型构建思路**：根据市场估值水平和短期趋势判断，调整股票配置主体的仓位比例[10][20] - **模型具体构建过程**： 1. 计算市场整体估值水平，使用PE和PB指标 2. 根据估值水平和短期趋势判断，调整仓位比例 3. 当前以wind全A为股票配置主体的绝对收益产品建议仓位至70%[10][20] - **模型评价**：该模型通过结合市场估值和趋势信号，提供了一个动态调整仓位的策略，有助于在不同市场环境下优化投资组合[10][20] 模型名称：行业配置模型 - **模型构建思路**：根据市场环境和行业表现，推荐不同的行业配置方向[14][15][18] - **模型具体构建过程**： 1. 分析市场整体环境和趋势信号 2. 根据市场环境推荐困境反转型板块，如地产/新能源等相关行业 3. 使用TWOBETA模型推荐科技板块，并中期关注机器人主题[14][15][18] - **模型评价**：该模型通过结合市场环境和行业表现，提供了一个灵活的行业配置策略，有助于在不同市场环境下捕捉行业轮动机会[14][15][18] 模型的回测效果 1. **仓位管理模型**： - 当前仓位建议：70%[10][20] 2. **行业配置模型**： - 推荐行业：地产/新能源、科技板块、机器人主题[14][15][18] 量化因子与构建方式 因子名称：均线距离因子 - **因子的构建思路**：通过计算市场指数的短期均线和长期均线的距离，判断市场趋势[14][15][19] - **因子具体构建过程**： 1. 计算市场指数的20日均线和120日均线 2. 计算均线距离：$ \text{均线距离} = \frac{\text{20日均线} - \text{120日均线}}{\text{120日均线}} $ 3. 当前均线距离为13.7%，绝对距离继续大于3%[14][15][19] - **因子评价**：该因子通过均线距离的变化，提供了一个简单有效的市场趋势判断工具，有助于捕捉市场的中短期趋势[14][15][19] 因子的回测效果 1. **均线距离因子**： - 当前均线距离：13.7%[14][15][19] - 绝对距离：大于3%[14][15][19]

- 本报告中提到的量化模型包括GDPNOW模型，该模型用于预测宏观经济指标如GDP增速[18][98] - GDPNOW模型的构建思路是通过高频经济数据的实时更新，利用统计和机器学习方法对未来的GDP增速进行预测[18][98] - GDPNOW模型的具体构建过程包括收集高频经济数据，使用深度神经网络进行训练和预测，公式为： $$ GDP_{预测} = f(高频经济数据) $$ 其中，$f$表示深度神经网络模型，$高频经济数据$包括工业生产、零售销售等指标[18][98] - 对GDPNOW模型的评价是其能够较为准确地反映短期内宏观经济的边际变化，具有较高的预测精度和实时性[18][98] - 本报告中提到的量化因子包括风格因子和行业因子[109][110] - 风格因子的构建思路是通过对股票的基本面、技术面和市场情绪等多维度数据进行分析，提取出能够解释股票收益的关键因子[109][110] - 风格因子的具体构建过程包括： 1. 收集股票的基本面数据（如市盈率、市净率等）、技术面数据（如动量、波动率等）和市场情绪数据（如换手率等） 2. 使用多因子模型对这些数据进行回归分析，提取出显著的因子 3. 对因子进行标准化处理，公式为： $$ 因子值 = \frac{股票的因子特征值 - 因子特征值的均值}{因子特征值的标准差} $$ 其中，$因子特征值$表示某一股票在某一因子上的取值[109][110] - 对风格因子的评价是其能够较好地解释股票收益的来源，具有较高的解释力和稳定性[109][110] - 本报告中提到的行业因子包括ROE和净利润增速因子[76][102] - 行业因子的构建思路是通过对行业的财务数据进行分析，提取出能够反映行业盈利能力和增长潜力的关键因子[76][102] - 行业因子的具体构建过程包括： 1. 收集行业的财务数据（如ROE、净利润增速等） 2. 使用统计方法对这些数据进行分析，提取出显著的因子 3. 对因子进行标准化处理，公式为： $$ 因子值 = \frac{行业的因子特征值 - 因子特征值的均值}{因子特征值的标准差} $$ 其中，$因子特征值$表示某一行业在某一因子上的取值[76][102] - 对行业因子的评价是其能够较好地反映行业的盈利能力和增长潜力，具有较高的解释力和稳定性[76][102] 模型的回测效果 - GDPNOW模型，最新预测值为4.6%[18][98] 因子的回测效果 - 风格因子，换手率因子本周收益为-0.6%，上周为0.5%[110] - 风格因子，财务杠杆因子本周收益为-0.2%，上周为-0.1%[110] - 风格因子，盈利波动因子本周收益为-0.39%，上周为-0.1%[110] - 风格因子，盈利质量因子本周收益为0.1%，上周为0.0%[110] - 风格因子，盈利能力因子本周收益为0.2%，上周为0.1%[110] - 风格因子，投资质量因子本周收益为-0.3%，上周为0.1%[110] - 风格因子，长期反转因子本周收益为-0.1%，上周为0.0%[110] - 风格因子，EP价值因子本周收益为0.2%，上周为0.2%[110] - 风格因子，BP价值因子本周收益为-0.3%，上周为-0.4%[110] - 风格因子，成长因子本周收益为-0.2%，上周为-0.3%[110] - 风格因子，动量因子本周收益为0.3%，上周为-0.8%[110] - 风格因子，非线性市值因子本周收益为0.3%，上周为0.1%[110] - 风格因子，市值因子本周收益为0.3%，上周为-0.5%[110] - 风格因子，波动率因子本周收益为-0.5%，上周为-0.29%[110] - 风格因子，贝塔因子本周收益为0.0%，上周为-1.0%[110] - 风格因子，股息率因子本周收益为0.2%，上周为-0.3%[110] - 行业因子，商贸零售行业ROE环比增长0.21%，净利润增速环比增长0.03%[102] - 行业因子，汽车行业ROE环比增长0.17%，净利润增速环比下降0.40%[102] - 行业因子，计算机行业ROE环比增长0.14%，净利润增速环比增长0.36%[102] - 行业因子，房地产行业ROE环比增长0.10%，净利润增速环比增长0.14%[102] - 行业因子，国防军工行业ROE环比增长0.09%，净利润增速环比持平[102] - 行业因子，基础化工行业ROE环比增长0.09%，净利润增速环比下降0.04%[102] - 行业因子，纺织服饰行业ROE环比增长0.07%，净利润增速环比下降0.02%[102] - 行业因子，电力设备行业ROE环比增长0.07%，净利润增速环比增长0.35%[102] - 行业因子，传媒行业ROE环比增长0.07%，净利润增速环比增长0.19%[102] - 行业因子，轻工制造行业ROE环比增长0.06%，净利润增速环比下降0.14%[102] - 行业因子，建筑材料行业ROE环比增长0.05%，净利润增速环比增长0.03%[102] - 行业因子，社会服务行业ROE环比增长0.05%，净利润增速环比下降0.05%[102] - 行业因子，煤炭行业ROE环比增长0.04%，净利润增速环比增长0.14%[102] - 行业因子，机械设备行业ROE环比增长0.04%，净利润增速环比下降0.01%[102] - 行业因子，家用电器行业ROE环比增长0.04%，净利润增速环比下降0.04%[102] - 行业因子，农林牧渔行业ROE环比增长0.04%，净利润增速环比下降1.48%[102] - 行业因子，公用事业行业ROE环比增长0.03%，净利润增速环比下降0.13%[102] - 行业因子，美容护理行业ROE环比增长0.03%，净利润增速环比增长0.15%[102] - 行业因子，石油石化行业ROE环比增长0.02%，净利润增速环比持平[102] - 行业因子，电子行业ROE环比增长0.01%，净利润增速环比增长0.06%[102] - 行业因子，交通运输行业ROE环比持平，净利润增速环比下降0.46%[102] - 行业因子，建筑装饰行业ROE环比持平，净利润增速环比下降0.17%[102] - 行业因子，钢铁行业ROE环比持平，净利润增速环比下降0.06%[102] - 行业因子，有色金属行业ROE环比持平，净利润增速环比增长0.21%[102] - 行业因子，通信行业ROE环比持平，净利润增速环比下降0.05%[102] - 行业因子，银行行业ROE环比下降0.01%，净利润增速

量化周报 市场年底或平稳收官 2024 年 12 月 22 日 | --- | --- | |--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- ...

- 戴维斯双击策略是一种通过以较低市盈率买入具有成长潜力的股票，并在成长性显现后市盈率提高时卖出，以获得EPS和PE的"双击"收益的策略[7][10] - 净利润断层策略结合基本面与技术面，通过筛选出净利润超预期且盈余公告后股价跳空的股票，构建组合[22] - 沪深300增强组合基于投资者偏好因子构建，使用PBROE因子和PEG因子来选择估值低且盈利能力强的股票[24] - 戴维斯双击策略在2010-2017年回测期内实现了26.45%的年化收益，超额基准21.08%[15] - 净利润断层策略在2010年至今取得了年化28.69%的收益，年化超额基准26.80%[23] - 沪深300增强组合在本年相对沪深300指数的超额收益为4.67%[32]

量化模型与构建方式 模型名称：动量情绪指标 - 模型构建思路：通过对沪深300指数成分股上涨家数占比进行移动平均，捕捉市场情绪变化[56] - 模型具体构建过程： 1. 计算沪深300指数N日上涨家数占比，即沪深300指数成分股过去N日收益大于0的个股数占比[87] 2. 对N日上涨家数占比进行窗口期为N1和N2的移动平均，分别称之为慢线和快线，其中N1>N2[56] 3. 当快线大于慢线时，看多沪深300指数[110] - 模型评价：该指标可以较快捕捉上涨机会，但在市场过热阶段可能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[138] 模型名称：均线情绪指标 - 模型构建思路：通过计算沪深300指数收盘价大于八均线指标值的数量，判断市场情绪[16] - 模型具体构建过程： 1. 计算沪深300指数收盘价八均线数值，均线参数为8，13，21，34，55，89，144，233[91] 2. 计算当日沪深300指数收盘价大于八均线指标值的数量[114] 3. 当数量超过5时，看多沪深300指数[16] - 模型评价：近期沪深300指数处于情绪非景气区间[92] 模型的回测效果 - 动量情绪指标，沪深300指数成分股上涨家数占比高于70%，预计未来对沪深300指数保持看多观点[138] - 均线情绪指标，近期沪深300指数处于情绪非景气区间[92] 量化因子与构建方式 因子名称：时间序列波动率 - 因子的构建思路：通过计算指数成分股的时间序列波动率，判断Alpha环境的变化[4] - 因子具体构建过程： 1. 计算沪深300、中证500、中证1000指数成分股的时间序列波动率[4] 2. 统计近两年、近一年、近半年和近一季度的平均值，并计算其分位点[21] - 因子评价：近一个季度看，沪深300、中证500、中证1000指数波动率处于近半年中上分位点，Alpha环境较好[19] 因子名称：横截面波动率 - 因子的构建思路：通过计算指数成分股的横截面波动率，判断短期Alpha环境的变化[57] - 因子具体构建过程： 1. 计算沪深300、中证500、中证1000指数成分股的横截面波动率[57] 2. 统计近两年、近一年、近半年和近一季度的平均值，并计算其分位点[116] - 因子评价：近一个季度看，沪深300、中证500和中证1000指数横截面波动率处于近半年中上分位点，Alpha环境较好[114] 因子的回测效果 - 时间序列波动率，近一季度平均值：沪深300为0.88%，中证500为0.66%，中证1000为0.40%[21] - 横截面波动率，近一季度平均值：沪深300为2.27%，中证500为2.46%，中证1000为2.82%[116]

- 近一年以来上证50股指期货主力合约年化升水率中位数为0.08%，近一年以来沪深300股指期货主力合约年化贴水率中位数为1.88%，近一年以来中证500股指期货主力合约年化贴水率中位数为6.33%，近一年以来中证1000股指期货主力合约年化贴水率中位数为11.13%[69] - 20241220当日上证50股指期货主力合约年化升水率为0.96%，处于近一年来54%分位点，当日沪深300股指期货主力合约年化升水率为0.91%，处于近一年来66%分位点；当日中证500股指期货主力合约年化贴水率为4.80%，处于近一年来60%分位点；当日中证1000股指期货主力合约年化贴水率为8.97%，处于近一年来58%分位点[69][54] - 近一年上证50、沪深300、中证500和中证1000主力合约年化升贴水率如下图所示[69]

中信期货研究|⾦融衍⽣品策略⽇报 关注⽌盈机会 | --- | --- | --- | |----------|------------------------------------------------------------------------------|-------| | | | | | 报告要点 | | | | | 股指期货：进⼊阶段⽌盈期 股指期权：备兑防御为主 国债期货：债市多头情绪仍较⾼ | | | | | | | | | | 摘要 股指期货方面，周一沪指震荡下跌，全天成交额缩量至1.7万亿元，进入阶段止盈 期。低波优于高beta，社服、商贸零售、公用事业、煤炭等板块领涨，零售板块再现批 量涨停。结合早盘公布的经济数据看，11月社零增速同比放缓，受"双十一"网购启动 时间提前影响。相比于消费数据，市场热点在提振消费的政策，且12月中下旬有日历和 节日效应的影响，历史上消费板块超额多有回升，但当前市场流动性充裕、机构追求超 额收益，年底切向防御属性板块的必要性不高。另外，30年期国债利率下破2%，10年期 接近1.7%，但我们认为不会触发大规模的股市资金流入债市。利率日内下行的驱动力有 ...