量化模型与构建方式 1 **模型名称**：行业拥挤度监测模型 - **模型构建思路**：通过监测申万一级行业指数的拥挤度，识别当前市场热点行业及潜在机会行业[3] - **模型具体构建过程**： 1 计算各行业指数的历史滚动窗口（如30日）内价格、成交量、波动率等指标的标准化值 2 综合多个指标（如价格偏离度、换手率分位数）构建拥挤度得分，公式示例： $$ \text{Crowding Score} = w_1 \cdot \text{Price Z-score} + w_2 \cdot \text{Turnover Rank} $$ 其中权重$w_1$、$w_2$根据历史回测优化确定 3 按得分排序，划分高/低拥挤度行业[3][9] - **模型评价**：能够有效捕捉市场情绪极端状态，但需结合资金流向数据验证[3] 2 **模型名称**：溢价率Z-score模型 - **模型构建思路**：通过ETF溢价率的统计特征筛选套利机会标的[4] - **模型具体构建过程**： 1 计算ETF溢价率的滚动窗口（如20日）Z-score： $$ Z = \frac{P_{\text{溢价率}} - \mu_{\text{溢价率}}}{\sigma_{\text{溢价率}}} $$ 2 设定阈值（如|Z|>2）生成交易信号[4][14] - **模型评价**：对短期套利有指导意义，但需警惕市场流动性风险[4] --- 模型的回测效果 1 **行业拥挤度监测模型**： - 高拥挤度行业（如建材、军工）近3日主力资金净流出超100亿元[12] - 低拥挤度行业（煤炭、石油石化）资金流出规模较小（<3亿元）[12] 2 **溢价率Z-score模型**： - 筛选标的示例：电池龙头ETF（159767 SZ）规模1.13亿元，跟踪新能电池指数[14] --- 量化因子与构建方式 1 **因子名称**：主力资金净流入因子 - **因子构建思路**：监测行业主力资金流向判断资金偏好[12] - **因子具体构建过程**： 1 按申万一级行业分类计算单日主力净流入额 2 滚动3日求和得到短期资金动向[12] 2 **因子名称**：ETF资金流动因子 - **因子构建思路**：跟踪各类ETF资金净流动捕捉市场风格切换[5] - **因子具体构建过程**： 1 分类统计宽基/行业/跨境ETF单日净流入额 2 计算资金流动排名（如TOP3净流入/流出）[5] --- 因子的回测效果 1 **主力资金净流入因子**： - 银行、非银金融近3日净流入分别为6.94亿、21.99亿元[12] - 军工、机械设备净流出超100亿元[12] 2 **ETF资金流动因子**： - 宽基ETF单日净流出109.69亿元（科创50ETF流出35.12亿）[5] - 跨境ETF净流入26.68亿元（港股通互联网ETF流入8.16亿）[5]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **因子名称：250日新高距离** - **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，衡量股票或指数接近历史高点的程度，用于捕捉市场趋势和动量效应[11] - **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日收盘价最大值 当收盘价等于250日最高价时，因子值为0；若回落则显示正百分比[11] - **因子评价**：基于行为金融学中的动量效应理论，适用于趋势跟踪策略 2. **因子名称：平稳创新高筛选因子** - **构建思路**：结合多维度条件筛选具有持续动量且价格路径平滑的股票，包括分析师关注度、股价强度、路径平稳性等[26][29] - **具体构建过程**： - **分析师关注度**：过去3个月买入/增持评级研报≥5份 - **股价相对强弱**：过去250日涨跌幅全市场前20% - **股价平稳性**： 1. 位移路程比（平滑性指标）：$$ \frac{过去120日涨跌幅绝对值}{过去120日日涨跌幅绝对值加总} $$ 2. 创新高持续性：过去120日250日新高距离的时间序列均值 - **趋势延续性**：过去5日250日新高距离均值排序前50%[26][29] - **因子评价**：综合了截面动量和时间序列特性，避免彩票型股票的高波动风险 --- 因子回测效果 1. **250日新高距离因子** - **指数应用**： - 上证指数/深证成指/中证500/中证1000/中证2000：0.00% - 沪深300：1.26% - 创业板指：0.63% - 科创50：2.27%[12] - **行业应用**： - 医药/有色金属/基础化工/电子/轻工制造：0.00% - 食品饮料/煤炭/房地产/消费者服务/银行：较高回落幅度[13] 2. **平稳创新高因子** - **筛选结果**：全市场1480只创新高股票中选出50只，其中： - 制造板块占比31.46%（16只） - 科技板块占比23.24%（15只） - 周期板块占比30.12%（10只）[21][30] - **典型个股表现**： - 胜宏科技（电子）：过去250日涨幅628% - 博瑞医药（医药）：过去250日涨幅340% - 华光环能（电力设备）：过去250日涨幅160%[32] --- 关键数据补充 - **创新高股票分布**： - 机械/医药/基础化工行业数量最多（230/218/156只） - 钢铁/国防军工/有色金属行业占比最高（56.60%/48.74%/48.39%）[20] - **指数成分股创新高比例**： - 中证2000：27.55% - 中证1000：23.50% - 沪深300：18.67%[21]

量化模型与构建方式 1. **模型名称**：港股风险模型（基于Barra框架） - **模型构建思路**：针对港股通、高流动性港股和全市场三个股票池分别构建风险模型，通过10个大类风格因子和行业因子解释市场收益来源[3] - **模型具体构建过程**： 1. **底层数据处理**：清洗港股市场数据，剔除仙股等异常标的[3] 2. **因子构建**：包含贝塔、动量、流动性、BP（账面市值比）、盈利、市值、成长、非线性市值、波动率、杠杆等10类风格因子[3] 3. **行业因子**：采用恒生行业分类标准，覆盖金融、资讯科技等主要板块[3] 4. **模型拟合**：通过横截面回归计算因子暴露和收益贡献，2014年以来港股通池内模型平均R²为36.7%[3] - **模型评价**：有效捕捉港股市场异质性，但全市场模型受低流动性股票影响较大[3] 量化因子与构建方式 1. **因子名称**：贝塔因子 - **因子构建思路**：衡量个股对市场整体波动的敏感性[3] - **因子具体构建过程**： - 计算个股日收益率与恒生指数收益率的协方差，除以市场方差： $$\beta_i = \frac{Cov(r_i,r_m)}{Var(r_m)}$$ - 滚动60个交易日估计，港股通池内因子累计收益为正[3] 2. **因子名称**：动量因子 - **因子构建思路**：捕捉股票价格趋势效应[3] - **因子具体构建过程**： - 过去12个月收益率剔除最近1个月（11M-1M策略）[3] - 标准化处理后在港股通池内表现显著 3. **因子名称**：流动性因子 - **因子构建思路**：反映股票交易活跃度差异[3] - **因子具体构建过程**： - 计算过去20个交易日日均换手率对数： $$Liquidity_i = \ln(\frac{1}{20}\sum_{t=1}^{20}Turnover_{it})$$ - 港股通池内因子收益为正，全市场因子受仙股干扰[3] 4. **因子名称**：BP因子（账面市值比） - **因子构建思路**：衡量价值效应[3] - **因子具体构建过程**： - 使用最新财报股东权益除以市值： $$BP_i = \frac{Book\ Equity_i}{Market\ Cap_i}$$ - 需调整港股会计准则差异（如IFRS与CAS处理差异）[2][3] 5. **因子名称**：波动率因子 - **因子构建思路**：识别个股特异性风险[3] - **因子具体构建过程**： - 计算过去60个交易日残差收益率标准差： $$\sigma_i = \sqrt{\frac{1}{59}\sum_{t=1}^{60}(r_{it}-\hat{r}_i)^2}$$ - 全市场池内累计收益为正，与A股表现分化[3] 模型与因子回测效果 1. **港股通池内因子表现**： - 贝塔因子：年化IR 0.85[3] - 动量因子：年化IR 1.12[3] - 流动性因子：年化IR 0.73[3] - BP因子：年化IR 0.68[3] 2. **全市场因子表现**： - 波动率因子：年化IR 0.92（剔除仙股后降至0.45）[3] - 杠杆因子：年化IR 0.57（与A股负相关）[3] 3. **行业因子解释力**： - 金融行业因子：年化收益贡献4.2%[3] - 资讯科技因子：年化收益贡献3.8%[3] 注：所有测试结果基于2014-2025年历史数据，港股通池采用550只标的股票[3][27]

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。以下是可提取的核心结构化信息： 市场情绪指标构建方式 1. **封板率因子** 构建思路：反映涨停股的封板稳定性[17] 具体构建： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 评价：高频交易中可捕捉短期资金情绪 2. **连板率因子** 构建思路：衡量涨停股的连续性[17] 具体构建： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 评价：对游资主导行情有较强解释力 资金流向指标构建方式 1. **大宗交易折价率因子** 构建思路：反映机构大宗交易的溢价水平[26] 具体构建： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 评价：大资金交易成本的重要参考 2. **股指期货年化贴水率因子** 构建思路：量化期现套利空间[28] 具体构建： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 评价：对冲成本与市场预期的综合指标 指标测试结果 1. **封板率因子** 当日值：58%（较前日下降16%）[17] 近一月趋势：震荡下行 2. **连板率因子** 当日值：19%（较前日下降26%）[17] 近一月趋势：快速回落 3. **大宗交易折价率因子** 当日值：8.42%（近半年均值5.86%）[26] 分位水平：处于异常高位 4. **股指期货贴水率因子** 当日值： - 上证50：年化升水0.04%（58%分位）[28] - 沪深300：年化贴水2.19%（54%分位）[28] - 中证500：年化贴水7.42%（59%分位）[28] - 中证1000：年化贴水6.52%（76%分位）[28] 注：报告未涉及多因子模型或复合因子构建，主要展示基础市场指标的计算逻辑与实时数据跟踪[17][26][28]

量化模型与构建方式 1. **模型名称**：南向资金行业轮动模型 - **模型构建思路**：基于南向资金净买入额及其分位数数据，结合行业市值调整，构建港股行业轮动策略[4][46] - **模型具体构建过程**： 1. **数据整合**：计算各行业成分股的南向资金净买入额 $$S_{i,t}=(N_{i,t}-N_{i,t-1})*P_{i,t}$$ $$Ind_{t}=\sum S_{i,t}$$ 其中，$N_{i,t}$为成分股$i$在$t$日的持股量，$P_{i,t}$为均价，$S_{i,t}$为净买入额，$Ind_t$为行业累计净买入额[36][37] 2. **因子处理**： - 原始南向资金净买入额 - 行业市值调整：将净买入额除以行业市值以消除规模偏差[40] - 近三年分位处理：计算净买入额在近三年历史数据中的分位数[40][46] 3. **策略规则**：每月选择净买入额或分位数最高的行业，分位数相同时选择净买入额更大的行业[46] - **模型评价**：行业市值调整和分位处理能有效提升策略稳定性，但分位数策略在极端市场环境下可能失效[40][46] 2. **模型名称**：南向资金有效性测试模型 - **模型构建思路**：通过Rank IC检验南向资金净买入额对行业轮动的预测能力[40] - **模型具体构建过程**： 1. 计算南向资金月度净买入额与行业下期收益的Rank IC 2. 测试不同因子（原始值、市值调整、三年/五年分位）的Rank IC均值和显著性[40][41] - **模型评价**：Rank IC均值均为正，显示南向资金对行业轮动具有持续有效性[40] --- 模型的回测效果 1. **南向资金月度净买入额模型**： - 年化收益率：4.73% - 超额收益率：3.22% - 最大回撤：56.01% - 夏普比率：0.3130 - IR：0.3864 - 对恒生指数胜率：59.59% - 对基准胜率：57.58%[52] 2. **行业市值调整南向资金模型**： - 年化收益率：5.40% - 超额收益率：3.89% - 最大回撤：50.24% - 夏普比率：0.3384 - IR：0.3901 - 对恒生指数胜率：53.54% - 对基准胜率：54.55%[52] 3. **南向资金三年分位模型**： - 年化收益率：3.61% - 超额收益率：-2.05% - 最大回撤：54.33% - 夏普比率：0.2704 - IR：0.1498 - 对恒生指数胜率：51.56% - 对基准胜率：50.00%[52] 4. **行业市值调整南向资金三年分位模型**： - 年化收益率：7.99% - 超额收益率：2.33% - 最大回撤：45.84% - 夏普比率：0.4350 - IR：0.4713 - 对恒生指数胜率：57.81% - 对基准胜率：53.12%[52] --- 量化因子与构建方式 1. **因子名称**：南向资金净买入额 - **因子构建思路**：直接反映南向资金对行业的偏好[36] - **因子具体构建过程**： - 按成分股计算每日净买入额并汇总至行业 $$S_{i,t}=(N_{i,t}-N_{i,t-1})*P_{i,t}$$ $$Ind_{t}=\sum S_{i,t}$$[36][37] 2. **因子名称**：行业市值调整南向资金 - **因子构建思路**：消除行业规模对净买入额的影响[40] - **因子具体构建过程**： - 将行业净买入额除以行业总市值[40] 3. **因子名称**：南向资金三年分位 - **因子构建思路**：捕捉资金流向的极端分位数信号[40] - **因子具体构建过程**： - 计算净买入额在近三年历史数据中的分位数[40] --- 因子的回测效果 1. **南向资金净买入额因子**： - Rank IC均值：7.72% - Rank IC t值：24.31%[41] 2. **行业市值调整南向资金因子**： - Rank IC均值：5.15% - Rank IC t值：15.66%[41] 3. **南向资金三年分位因子**： - Rank IC均值：4.13% - Rank IC t值：12.75%[41] 4. **行业市值调整南向资金三年分位因子**： - Rank IC均值：4.55% - Rank IC t值：14.82%[41]

根据研报内容，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. **因子协方差矩阵模型** - **构建思路**：通过降维和结构化方法解决高维协方差矩阵估计问题，捕捉因子间动态协变关系[14][16] - **具体构建过程**： 1. **EM算法**：填充因子收益率缺失值，假设服从多元正态分布，迭代计算条件期望和协方差矩阵[20][21][22] $$E[f_{mis}|f_{obs}]=\mu_{mis}+\Sigma_{mis,obs}\Sigma_{obs,obs}^{-1}(f_{obs}-\mu_{obs})$$ $$L(\mu,\Sigma)=-\frac{T}{2}(D\ln(2\pi)+\ln(\det(\Sigma)))-\frac{1}{2}\sum_{t=1}^{T}(f_t-\mu)'\Sigma^{-1}(f_t-\mu)$$ 2. **半衰加权**：设定半衰期$h$，权重$w_t=\theta^t$，提升对非平稳数据的实时刻画能力[26] 3. **Newey-West调整**：修正异方差和自相关性，构建HAC协方差矩阵[26][28][29] $$\Sigma_{NW}=\Sigma_0+\sum_{i=1}^{L}w_i(\Sigma_i+\Sigma_i')$$ 4. **特征因子调整**：通过蒙特卡洛模拟解决低风险组合风险低估问题，调整特征值[34][35][36][37] $$\widetilde{\Lambda}_0=\gamma^2\Lambda_0$$ 5. **波动率机制调整(VRA)**：根据截面偏差统计量统一校准波动率[51][52][53] $$\tilde{\sigma}_k=\lambda_F\sigma_k$$ - **评价**：显著降低风格特征组合的预测偏差，但对宽基指数组合优化有限[89][90] 2. **特异性波动率模型** - **构建思路**：处理数据缺失和分布异常，避免单股票噪声放大[60][61] - **具体构建过程**： 1. **结构化模型**：基于因子暴露相似性填充缺失波动率，计算调和系数$\gamma_n$[62][63][64][67] $$\tilde{\sigma}_\epsilon=(1/1.35)(Q_3-Q_1)$$ $$\sigma_n^{STR}=E_0\cdot\exp(\sum_k x_{nk}b_k)$$ 2. **贝叶斯收缩**：向市值分组均值收缩，缓解均值回归效应[72] $$\sigma_n^{SH}=v_n\bar{\sigma}(g_n)+(1-v_n)\hat{\sigma}_n$$ 3. **VRA调整**：类似因子协方差矩阵的波动率校准[78][79][80] $$\tilde{\sigma}_n=\lambda_S\sigma_n^{SH}$$ - **评价**：大市值股票数据质量显著优于小市值股票[66][69][70] --- 模型回测效果 1. **因子协方差矩阵** - 随机组合偏差统计量：1.04→1.06（经VRA调整后）[91] - 沪深300组合Q统计量：2.95→2.97[91] - 风格组合（如size因子）偏差统计量：1.50→1.30[95] 2. **特异性波动率** - 随机组合偏差统计量：1.07→1.06（经VRA调整后）[93] - 上证50组合Q统计量：2.83→2.82[93] - 风格组合（如value因子）偏差统计量：1.31→1.19[96] --- 关键应用 - **组合优化**：最小方差组合、风险平价策略等需依赖协方差矩阵输入[97][98] - **风险控制**：跟踪误差约束$\sqrt{(W-W_b)'\Sigma(W-W_b)}\leq TE_{upper}$[98] （注：部分测试结果取值直接引用自原文表格[91][93][95][96]，未重复列出公式）

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 1. **模型名称**：多元资产配置模型 - **模型构建思路**：通过80%稳健资产+20%风险资产的长期战略配置中枢，引入多类低相关性资产分散化风险，并根据资产间性价比进行战术性超低配[9] - **模型具体构建过程**： - 稳健资产配置：中长期纯债型基金、被动指数型债券基金、债券型QDII基金、货币市场型基金[17] - 风险资产配置：偏股基金（6%）、美股（6%）、红利低波（6%）、黄金（2%）[17] - 战术调整：基于信用利差、期限利差、美债性价比等调整稳健资产内部比例[17] - **模型评价**：通过充分分散化降低组合波动率，提升风险收益比[9] 2. **模型名称**：基金优选模型 - **模型构建思路**：采用“定量+定性”方式优选个基，通过分类体系和量化指标筛选有效基金[9] - **模型具体构建过程**： - 基金分类：按风险等级（权益型、平衡型、固收型等）、投资市场（A股、港股、美股等）、投资主题（行业/风格）分层[24][25] - 量化筛选：在各子类中测试选基指标（如选股能力、回撤控制能力）[9] - 定性调研：对基金经理进行尽职调查，形成画像报告[29] - **模型评价**：结合主动Alpha和被动Beta机会，增强FOF收益[24] 模型的回测效果 1. **多元资产配置模型**： - 年化收益率：5.68% - 年化波动率：3.51% - 最大回撤率：10.30% - 年化收益波动比：1.62 - 年化卡玛比率：0.55[21] 2. **基金优选模型**： - 个基选择超额收益：累计1.85%（分类型：被动指数型1.02%、纯债型0.07%、固收+0.33%、主动权益型0.43%）[57] 量化因子与构建方式 1. **因子名称**：选股能力因子 - **因子构建思路**：通过量化指标评估基金经理的选股能力[9] - **因子具体构建过程**：未明确公式，但基于历史回测验证有效性[9] 2. **因子名称**：回撤控制能力因子 - **因子构建思路**：评估基金经理在极端市场下的风险控制能力[9] - **因子具体构建过程**：未明确公式，但结合定量筛选和定性调研[29] 因子的回测效果 1. **选股能力因子**： - 主动权益型基金超额收益贡献：0.43%[57] 2. **回撤控制能力因子**： - 多元资产配置模型最大回撤率：10.30%（2008年极端情景）[21]

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：股指分红点位测算模型** - **模型构建思路**：通过精细化处理成分股分红数据，准确预测股指期货合约的升贴水情况，需考虑成分股权重、分红金额、除息日等核心指标[13][38][39] - **模型具体构建过程**： 1. **成分股权重修正**：基于最近公布权重和个股涨跌幅动态调整权重： $$W_{n,t}={\frac{w_{i0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{n})}}$$ 其中 \(w_{i0}\) 为初始权重，\(r_n\) 为个股涨跌幅[45] 2. **分红金额预测**： - 若公司已公布分红金额，直接采用；否则通过净利润 × 股息支付率估算： - **净利润预测**：分稳定/不稳定两类，稳定公司按历史分布预测，不稳定公司采用上年同期值[50] - **股息支付率预测**：优先采用去年值，若无则取3年平均，从未分红则默认不分红[53] 3. **除息日预测**： - 已公布则直接采用；否则根据预案/决案阶段历史间隔天数线性外推，或默认7-9月末日期[56] 4. **分红点数计算**： $$分红点数=\sum_{n=1}^{N}\left(\frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价\right)$$ 要求除息日在当前日期至合约到期日之间[38] - **模型评价**：对上证50和沪深300预测误差较小（约5点），中证500误差稍大（约10点），整体准确性较高[61] 2. **模型名称：股指期货升贴水跟踪模型** - **模型构建思路**：扣除分红影响后跟踪期货合约基差、期限结构及历史分位点[13][14] - **模型具体构建过程**： 1. **年化升贴水计算**：基于合约价差、分红点数及到期天数，公式为： $$年化升贴水=\left(\frac{含分红价差}{指数收盘价}\right) \times \frac{365}{到期天数}$$ 其中含分红价差=当前价差+分红点数[14] 2. **历史分位点分析**：比较当前升贴水幅度与历史分布[28] --- 量化因子与构建方式 1. **因子名称：股息率因子** - **因子构建思路**：反映成分股分红收益，用于行业比较和指数分红进度分析[3][16] - **因子具体构建过程**： - **已实现股息率**：已分红金额总和 / 成分股总市值[18] - **剩余股息率**：待分红金额总和 / 成分股总市值[18] - **因子评价**：煤炭、银行、钢铁行业股息率最高[16] 2. **因子名称：分红进度因子** - **因子构建思路**：跟踪成分股分红阶段（预案、决案、实施、已分红）[2][15] --- 模型的回测效果 1. **股指分红点位测算模型** - **上证50**：2023年预测误差≤5点[61] - **沪深300**：2024年预测误差≤5点[61] - **中证500**：2023-2024年预测误差约10点[61] 2. **股指期货升贴水跟踪模型** - **IH主力合约**：年化升水3.05%，历史分位点79%[14][28] - **IF主力合约**：年化贴水0.09%，历史分位点79%[14][28] - **IC主力合约**：年化贴水8.05%，历史分位点77%[14][28] - **IM主力合约**：年化贴水8.43%，历史分位点77%[14][28] --- 因子的回测效果 1. **股息率因子** - **上证50**：已实现股息率2.13%，剩余0.13%[18] - **沪深300**：已实现股息率1.70%，剩余0.17%[18] - **中证500**：已实现股息率1.14%，剩余0.06%[18] - **中证1000**：已实现股息率0.87%，剩余0.04%[18] 2. **分红进度因子** - **上证50**：41家已分红，3家不分红[15] - **沪深300**：243家已分红，25家不分红[15] --- 注：以上总结未包含风险提示、免责声明等非核心内容。

根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：封板率** - **构建思路**：衡量涨停股票的稳定性，反映市场情绪强度[18] - **具体构建过程**： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月以上的股票，计算当日同时满足盘中最高价涨停和收盘涨停的股票占比[18] - **因子评价**：高封板率表明市场追涨情绪强烈，涨停股次日延续概率较高[18] 2. **因子名称：连板率** - **构建思路**：捕捉连续涨停效应，反映市场动量持续性[18] - **具体构建过程**： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 基于前一日涨停股票池，计算当日仍能维持涨停的比例[18] - **因子评价**：连板率提升通常预示短线赚钱效应扩散[18] 3. **因子名称：大宗交易折价率** - **构建思路**：通过大宗交易价格偏离度监测大资金动向[27] - **具体构建过程**： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 计算成交价相对市价的偏离幅度，负值表示折价[27] - **因子评价**：异常高折价可能预示机构调仓或流动性风险[27] 4. **因子名称：股指期货年化贴水率** - **构建思路**：量化期现价差隐含的市场预期[29] - **具体构建过程**： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 对上证50/沪深300/中证500/中证1000主力合约分别计算[29] - **因子评价**：贴水率扩大反映对冲需求增加或悲观预期[29] 因子回测效果 1. **封板率因子** - 当日取值74%，较前日提升13个百分点[18] - 近一月分位数处于80%以上高位[18] 2. **连板率因子** - 当日取值45%，较前日提升21个百分点[18] - 近一月分位数超过75%分位[18] 3. **大宗交易折价率因子** - 当日取值11.23%，显著高于近半年均值5.84%[27] - 处于近一年90%分位以上极端区间[27] 4. **股指期货贴水率因子** - 上证50升水1.92%（79%分位）[29] - 沪深300贴水1.28%（61%分位）[29] - 中证500贴水8.01%（57%分位）[29] - 中证1000贴水8.20%（66%分位）[29]

量化模型与构建方式 1. **模型名称：沪深300指数增强组合（基础模型）** - **模型构建思路**：基于线性优化框架，结合收益预测模型和风险控制模块构建指数增强组合[9] - **模型具体构建过程**： 1. **收益预测模块**：全A股范围内的线性多因子模型，包含风格、量价、基本面、一致预期等因子，因子权重基于过去12个月因子ICIR确定 2. **风险控制模块**：约束条件包括成分股权重（80%）、个股偏离（1%）、行业偏离（3%）、风险敞口约束（市值/估值0.3）[9] - **模型评价**：成分股内部分超额收益稳定但幅度较小，成分股外部分收益弹性高但风险较大[9][10] 2. **模型名称：域内多因子模型** - **模型构建思路**：针对沪深300成分股特性，侧重基本面和动量因子以提升选股稳定性[16] - **模型具体构建过程**： 1. **因子选择**：基本面因子包括ROE、ROE同比、SUE、预期净利润调整、现金流占比、价值（股息率和BP复合）；价格趋势因子包括动量、开盘后买入意愿强度、大单推动涨幅 2. **因子复合**：等权打分构建复合因子得分[16] - **模型评价**：在成分股内IC和RankIC信息比（1.67和2.00）优于全A多因子模型（1.48和1.50）[17] 3. **模型名称：小市值高增长组合** - **模型构建思路**：通过小市值和高增长因子构建高弹性卫星策略[35] - **模型具体构建过程**： 1. **因子选择**：SUE、EAV、预期净利润调整、累计研发投入、PB_INT、小市值、尾盘成交占比、开盘后大单净买入金额占比 2. **组合构建**：8个因子等权打分，选取前50只股票等权配置[35] - **模型评价**：年化超额收益24.4%，但跟踪误差较大（20.3%）[36] 4. **模型名称：GARP策略组合** - **模型构建思路**：平衡成长与估值，筛选价值合理的成长股[39] - **模型具体构建过程**： 1. **初筛**：剔除价值因子最低20%和高换手率20%个股 2. **因子构建**：价值因子（PB+股息率等权）、增长因子（ROE/SUE/EAV等5指标等权） 3. **组合构建**：选取价值与增长复合得分前20只股票等权配置[41] - **模型评价**：年化超额收益20.3%，风险低于小市值组合[42] --- 模型的回测效果 1. **沪深300指数增强组合（基础模型）** - 年化超额收益：9.4% - 跟踪误差：4.7% - 信息比（IR）：1.97 - 相对回撤：6.9%[9][18] 2. **域内多因子模型（输入端调整）** - 年化超额收益：10.4% - 跟踪误差：4.5% - 信息比（IR）：2.27 - 相对回撤：7.1%[18] 3. **小市值高增长组合** - 年化超额收益：24.4% - 跟踪误差：20.3% - 信息比（IR）：1.21 - 相对回撤：39.6%[36] 4. **GARP20组合** - 年化超额收益：20.3% - 跟踪误差：15.8% - 信息比（IR）：1.26 - 相对回撤：36.0%[42] 5. **复合策略（域内20%+域外10%）** - 年化超额收益：11.7% - 跟踪误差：5.0% - 信息比（IR）：2.35 - 相对回撤：6.2%[45][48] --- 量化因子与构建方式 1. **因子名称：基本面因子（域内模型）** - **构建思路**：强化ROE、盈利增长等财务指标在成分股内的选股效果[16] - **具体构建**：包括ROE、ROE同比、SUE、预期净利润调整、现金流占比等指标等权复合[16] 2. **因子名称：价格动量因子（域内模型）** - **构建思路**：利用成分股内动量延续性更强的特征[16] - **具体构建**：动量、开盘后买入意愿强度、大单推动涨幅等指标复合[16] 3. **因子名称：小市值因子（小市值高增长组合）** - **构建思路**：捕捉小盘股超额收益[35] - **具体构建**：市值排序加权，结合高增长因子筛选[35] 4. **因子名称：GARP复合因子** - **构建思路**：平衡成长与估值[39] - **具体构建**：价值因子（PB+股息率）与增长因子（ROE/SUE等）等权复合[41] --- 因子的回测效果 1. **基本面因子（域内模型）** - 月均RankIC：7.53% - 月胜率：72.2% - 年化ICIR：2.00[17] 2. **小市值因子（成分股外）** - 多空年化收益：51.2%（成分股外） - 月胜率：84.2%[14] 3. **GARP价值因子** - 年化超额收益：20.3%（GARP20组合） - 跟踪误差：15.8%[42]