量化模型与构建方式 1. **模型名称**： 股债风险平价策略 * **模型构建思路**： 该策略旨在构建一个投资组合，使得股票和债券两类资产对组合整体风险的贡献度相等，从而实现更优的风险分散效果[82]。 * **模型具体构建过程**： 报告未详细描述该风险平价策略的具体数学构建过程、权重计算公式及回测参数设置。其构建是通过向OpenClaw下达自然语言指令完成的，OpenClaw自主设计了合适的工作流，匹配底层数据并生成了完整的策略代码与结果文件[82]。 * **模型评价**： 报告未对该模型进行定性评价。 量化因子与构建方式 1. **因子名称**： 基于调研的情绪分析与未来股价预期打分 * **因子构建思路**： 通过定期自动读取基金经理调研纪要等文本资料，分析其中的市场情绪，并对未来股价走势进行预期打分[86]。 * **因子具体构建过程**： 报告未提供该情绪因子的具体计算方法和量化公式。其构建是通过OpenClaw的定时任务功能实现的，设定AI每周自动读取指定路径下的调研资料，基于内容完成情绪分析与未来股价预期打分[86]。 模型的回测效果 （报告未提供任何量化模型的回测效果指标数据，如年化收益率、夏普比率、最大回撤等。） 因子的回测效果 （报告未提供任何量化因子的测试结果数据，如IC值、IR、多空收益等。）

量化模型与构建方式 1. **模型名称**： 股债风险平价策略模型 * **模型构建思路**： 该模型旨在通过风险平价（Risk Parity）方法构建一个投资组合，其核心思想是让组合中不同资产（如股票和债券）对整体组合风险的贡献度相等，而非简单地按市值或资金等权重分配[82]。 * **模型具体构建过程**： 1. **数据获取**： 模型需要获取股票和债券的历史价格数据作为输入[82]。 2. **风险度量**： 计算各资产的历史波动率（通常用标准差表示）作为其风险度量。 3. **风险权重计算**： 根据风险平价原理，计算使各资产风险贡献相等的权重。对于包含N个资产的组合，目标是最小化各资产风险贡献的方差。一种简化的计算方法是，资产i的权重 $$w_i$$ 与其波动率 $$σ_i$$ 成反比，即 $$w_i ∝ 1/σ_i$$，然后进行归一化处理使得所有权重之和为1。 4. **组合构建**： 按照计算出的风险平价权重配置资产。 5. **回测执行**： 在历史数据上模拟该策略的运作，计算其收益、风险等指标[82]。 * **模型评价**： 该模型是经典的资产配置模型，旨在通过风险均衡来构建更加稳健的投资组合，降低对单一资产类别风险的暴露[82]。 模型的回测效果 *（报告中未提供该风险平价策略模型的具体回测数值结果，如年化收益率、夏普比率、最大回撤等指标。）* 量化因子与构建方式 *（报告中未涉及传统意义上的量化因子（如价值、动量、质量等因子）的构建与测试。）* 因子的回测效果 *（报告中未涉及量化因子的具体测试结果，如IC值、IR、多空收益等指标。）*

量化模型与因子总结 根据所提供的研报内容，该报告主要介绍了一个名为“OpenClaw”的AI智能体框架在投研领域的部署与应用，其核心是构建一个能够自动化处理投研任务的智能体系统，而非传统意义上的量化交易模型或选股因子。报告中没有涉及具体的量化交易策略模型（如多因子选股模型、CTA策略等）或用于量化选股的因子（如价值、动量、质量等因子）的构建、测试与回测结果。 报告的核心内容可以总结为以下两个部分： 一、 智能体框架与技能 (Skills) **1. 框架名称：OpenClaw AI 智能体框架** * **构建思路**：构建一个集成了大语言模型（LLM）理解能力、金融数据接口和自动化工具链的开源AI智能体框架，实现“认知、执行、记忆”的闭环，旨在将投研人员从重复性流程工作中解放出来，提升效率并增强复杂决策能力[1]。 * **具体构建过程**：该框架的部署是一个软件安装与配置过程，而非数学模型构建。主要步骤包括： 1. **运行环境准备**：在目标操作系统（Windows或MacOS）上安装Node.js（版本需>22）、Git等必要软件[11][12][13]。 2. **安装OpenClaw**：通过包管理器npm执行全局安装命令 `npm install -g openclaw@latest`[26]。 3. **启动与配置**：执行 `openclaw onboard` 命令启动配置向导，依次选择或输入以下配置[27]： * 同意用户协议和风险提示[28]。 * 选择快速启动（QuickStart）模式[28]。 * 选择大模型提供商（如Moonshot AI）并输入对应的API Key[28][31][32]。 * 选择默认使用的大模型[33]。 * 暂时跳过对话通道和Hooks的配置[37][38]。 * 选择需要安装的Skill（技能）[39]。 * 保存生成的Web UI访问链接（Gateway链接）[40][41]。 4. **配置通讯工具**：报告以飞书为例，详细说明了如何创建企业自建应用、获取凭证、配置权限、启用飞书插件并将其添加为OpenClaw的对话通道[45][46][47][48]。 * **框架评价**：OpenClaw标志着投研工作范式从“人力驱动型”向“智能体驱动型”的跃迁，能够作为“数字投研团队”7×24小时自主运行，重构信息处理、研究生产与决策支持的价值链条[1]。它降低了AI应用的门槛，无需深厚编程基础即可通过自然语言配置任务[3]。 **2. 技能 (Skill) 名称：研报分析器 (Research Report Analyzer)** * **构建思路**：创建一个能够自动分析中英文研究报告，并提取关键信息生成结构化总结的智能体技能[48]。 * **具体构建过程**：该技能通过自然语言描述其功能、触发条件和执行流程来定义[48]： 1. **触发条件**：当用户上传文件名包含“研报”、“report”、“research”的PDF/DOCX文件，或用户指令包含“分析研报”、“总结报告”时激活。 2. **执行流程**： a. 使用 `pdf_parser` 工具提取文档全文。 b. 使用大语言模型 (`llm`) 分析内容结构，识别投资评级、目标价、核心逻辑、财务预测、风险提示等，并区分中英文研报风格。 c. 使用 `table_generator` 工具整理数据对比表。 d. 使用 `doc_generator` 工具输出总结报告（Markdown/PDF格式）。 3. **输出内容**：包括研报标题、作者、日期、投资评级与目标价、核心观点摘要（3-5条）、财务预测对比表、风险提示、与上一期报告的观点差异等[48][51]。 4. **工具依赖**：该技能需要调用 `pdf_parser`, `table_generator`, `doc_generator`, `web_search` 等其他工具或技能[51]。 二、 投研应用场景与工作流 报告展示了OpenClaw框架在三个典型投研场景下的自动化应用方案，这些方案本质上是预定义或可配置的智能体工作流。 **1. 应用场景名称：公告摘报自动化工作流** * **构建思路**：将公告信息的抓取、分类、关键信息抽取与格式化输出整合为标准自动化流程，以替代传统人工处理方式[52]。 * **具体构建过程**： 1. **数据获取**：自动调用Wind等金融数据API或通过浏览器自动化抓取交易所公告[53]。 2. **分类与处理**：利用AI（NLP）自动对公告进行分类（如业绩快报、业绩预告、风险提示等），并提取摘要、关键数据和影响评估[53]。 3. **格式化输出**：自动生成结构化的Markdown、Excel或PDF文档[53]。 4. **推送**：通过定时任务将结果推送至飞书、钉钉、企业微信等协作平台[53]。 * **应用评价**：相比人工，该工作流在时效性（7×24小时监控、秒级响应）、覆盖面（全市场监控）和输出标准化方面具有显著优势[53]。 **2. 应用场景名称：大事简报自动化工作流** * **构建思路**：实现对多信源（如彭博、路透、财新、交易所公告、社交媒体）金融事件的实时监控、影响评估与关键信息推送，以解决传统人工监控存在的信息时差问题[56]。 * **具体构建过程**： 1. **跨信源监控**：7×24小时实时监控多个信息源[57]。 2. **事件评估**：AI自动评估监控到的事件的影响等级[57]。 3. **信息推送**：将筛选出的关键信息进行秒级推送[57]。 * **应用评价**：针对金融市场对重大事件反应迅速的特点，该工作流能有效解决信源割裂、信息过载和反应滞后等传统痛点[56]。 **3. 应用场景名称：研报精读自动化工作流** * **构建思路**：利用大语言模型对大量券商研报进行批量处理，实现结构化提取核心观点、论据，并生成知识图谱，以应对研报数量过载、质量参差和知识分散的挑战[61][62]。 * **具体构建过程**： 1. **批量处理**：自动批量读取研报PDF文件[62]。 2. **分析与解构**：对研报内容进行质量评分和结构化解构，提取逻辑链条[62]。 3. **知识整合**：生成观点图谱，并可能进行关联推荐[62]。 * **应用评价**：此工作流特别适用于知识密度高、深度文本分析任务重的研报精读环节，能显著提升研究效率和信息提取的深度[61]。 三、 模型/因子的回测效果 **本报告未提供任何量化模型或量化因子的历史回测数据，如年化收益率、夏普比率、最大回撤、信息比率（IR）、因子IC值、多空收益等指标。** 报告内容聚焦于AI智能体框架的部署方法及其在投研信息处理流程自动化中的应用潜力，属于金融科技与工作流效率工具范畴，而非展示具体的量化投资策略或选股因子的实证绩效。

量化模型与构建方式 1. **模型名称**：华鑫市场情绪温度指标[6][10][21] * **模型构建思路**：通过整合多个维度的市场数据，构建一个能够综合反映市场情绪状态的量化指标，用于判断市场处于过冷、较冷、中性、较热或过热的阶段[21]。 * **模型具体构建过程**：该指标是一个复合摆荡指标，通过对过去5年的历史数据进行统计和回测，从以下6个维度搭建而成[21]： 1. 指数涨跌幅 2. 成交量 3. 涨跌家数 4. KDJ指标 5. 北向资金数据 6. 融资融券数据 这些维度的原始数据经过特定的算法处理（报告中未给出具体公式）后，综合计算出一个0-100之间的评分[21]。 * **模型评价**：该指标属于摆荡指标，类似于RSI，主要适用于震荡市，提供高抛低吸的参考信号；在趋势市中可能出现钝化现象，即指标长时间维持在极端高位（如80以上）或低位（如20以下），此时指标的适用性需要重新判断[21]。 2. **因子名称**：融资净买入[21] * **因子构建思路**：通过计算融资买入额与融资偿还额的差值，反映投资者通过融资杠杆买入股票的意愿和强度，通常被视为市场或个股乐观情绪的指标[21]。 * **因子具体构建过程**：融资净买入额 = 融资买入额 - 融资偿还额[21]。报告中展示了按证券和按行业统计的融资净买入额前十排名[15][19]。 3. **因子名称**：融券净卖出[21] * **因子构建思路**：通过计算融券卖出量与融券偿还量的差值（以金额表示），反映投资者通过融券做空股票的意愿和强度，通常被视为市场或个股悲观情绪的指标[21]。 * **因子具体构建过程**：融券净卖出额 = 融券卖出额 - 融券偿还额[21]。报告中展示了按证券和按行业统计的融券净卖出额前十排名[14][19]。 4. **因子名称**：期间净买入额[21] * **因子构建思路**：综合融资（看多）和融券（看空）两方面的力量，计算两者的净差额，以更全面地衡量市场多空力量的对比[21]。 * **因子具体构建过程**：期间净买入额 = 融资净买入额 - 融券净卖出额[21]。 5. **因子名称**：主力资金净流入/流出[12][13] * **因子构建思路**：通过监控大额资金的流向（通常指机构或大户资金），判断资金对特定证券或行业的偏好程度，净流入表示资金看好，净流出表示资金看空。 * **因子具体构建过程**：主力资金净流入额 = 主力资金流入额 - 主力资金流出额。报告中展示了按证券和按行业统计的主力资金净流入和净流出前十排名[12][13][16][17][18]。 模型的回测效果 1. 华鑫市场情绪温度模型，综合评分49分，市场情绪状态为“中性”[2][6][10]。 因子的回测效果 （注：报告未提供因子在统一口径下的历史回测指标（如IC、IR、多空收益等），仅提供了特定交易日（前一日）的因子截面数据排名。因此，此处不列出“指标值”，仅说明报告展示的数据形式。） 1. 融资净买入因子，报告展示了前一交易日该因子值排名前十的证券及具体净买入额[15]，以及排名前十的行业及具体净买入额[19]。 2. 融券净卖出因子，报告展示了前一交易日该因子值排名前十的证券及具体净卖出额[14]，以及排名前十的行业及具体净卖出额[19]。 3. 主力资金净流入因子，报告展示了前一交易日该因子值排名前十的证券及具体净流入额[12]，以及排名前十的行业及具体净流入额[16][17]。 4. 主力资金净流出因子，报告展示了前一交易日该因子值排名前十的证券及具体净流出额[13]，以及排名前十的行业及具体净流出额[18]。

量化模型与构建方式 1. **模型名称**：港股 CCASS 优选 20 组合模型[4][36] **模型构建思路**：利用港交所CCASS数据，通过“先选经纪商，再选个股”的两步筛选法，构建一个由绩优经纪商持仓驱动的股票组合[4][36] **模型具体构建过程**： 1. **数据基础**：使用港交所CCASS数据，对单一经纪商在港股上的持仓进行月度持仓复制跟踪[36] 2. **筛选绩优经纪商池**：以月末为截面，对全部经纪商按两个指标分别进行标准化处理，然后等权合成综合得分，选取得分靠前的N家经纪商[36] * 指标一：超额夏普比率 * 指标二：月度胜率 * 综合得分计算公式：综合得分 = 标准化(超额夏普比率) + 标准化(月度胜率)[36] 3. **构建股票组合**：将资金等权分配至筛选出的N家经纪商，汇总它们的最新持仓，按汇总后的持仓权重由高到低排序，保留前M只股票，并对这M只股票进行等权配置[36] 4. **参数设定**：在报告中，设定经纪商数量 N = 10，股票数量 M = 20[36] 模型的回测效果 1. **港股 CCASS 优选 20 组合模型**，2026年2月单月收益率为-3.36%[4]，同期恒生指数收益率为-2.76%[4]，单月超额收益率为-0.60%[4] 2. **港股 CCASS 优选 20 组合模型**，全区间（2020年1月至2026年2月）年化超额收益率为17.0%[38]，超额夏普比率(IR)为2.23[38] 3. **港股 CCASS 优选 20 组合模型**，分年度回测效果如下表所示[39]： | 年份 | 年化超额收益率 | 年化波动率 | 夏普比率 | 最大回撤 | 月度胜率 | | :--- | :--- | :--- | :--- | :--- | :--- | | 2020年 | 22.6% | 9.7% | 2.33 | -4.9% | 66.7% | | 2021年 | 13.8% | 8.0% | 1.72 | -4.1% | 75.0% | | 2022年 | 11.4% | 8.4% | 1.35 | -5.6% | 66.7% | | 2023年 | 19.6% | 6.9% | 2.85 | -3.3% | 75.0% | | 2024年 | 21.6% | 7.1% | 3.04 | -3.8% | 91.7% | | 2025年 | 18.1% | 5.3% | 3.41 | -2.6% | 83.3% | | 2026年以来 | -8.3% | 5.1% | -1.64 | -1.8% | 0.0% | | 全区间 | 17.0% | 7.6% | 2.23 | -7.3% | 74.3% | 量化因子与构建方式 1. **因子名称**：经纪商综合得分因子[36] **因子构建思路**：通过标准化处理经纪商的超额夏普比率和月度胜率两个绩效指标，并将其等权合成，得到一个用于评价和筛选绩优经纪商的综合分数[36] **因子具体构建过程**： 1. **计算基础指标**：对于每个经纪商，计算其历史持仓复制策略的**超额夏普比率**和**月度胜率**[36] 2. **指标标准化**：在月末截面上，对所有经纪商的超额夏普比率和月度胜率分别进行标准化处理（例如Z-Score），以消除量纲影响[36] 3. **合成综合得分**：将标准化后的超额夏普比率与标准化后的月度胜率进行等权相加，得到每个经纪商的综合得分[36] $$综合得分 = 标准化(超额夏普比率) + 标准化(月度胜率)$$ 公式说明：该公式通过对两个标准化后的绩效指标进行简单加总，构建一个用于横向比较经纪商综合能力的因子[36] 因子的回测效果 1. **经纪商综合得分因子**，基于该因子筛选出的部分绩优经纪商（N=10）的历史绩效如下表所示[37]： | 经纪商名称 | 年化超额收益率 | 年化超额波动率 | 超额夏普比率 | 最大回撤 | 月度胜率 | 周度胜率 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 辉立证券(香港) | 10.4% | 6.0% | 1.73 | -3.8% | 73.61% | 64.17% | | 加福证券 | 12.9% | 10.0% | 1.29 | -10.9% | 79.17% | 55.70% | | 巨亨证券 | 18.1% | 11.0% | 1.65 | -12.0% | 73.61% | 60.26% | | 奕丰证券(香港) | 8.6% | 5.5% | 1.57 | -4.1% | 70.83% | 59.61% | | 中润证券 | 14.1% | 8.7% | 1.62 | -9.1% | 69.44% | 57.65% | | 宝盛证券(香港) | 9.8% | 7.1% | 1.38 | -5.9% | 72.22% | 57.98% | | 沪市港股通 | 9.8% | 6.6% | 1.48 | -7.2% | 70.83% | 57.65% | | 银河—联昌证券(香港) | 9.6% | 5.9% | 1.64 | -4.4% | 66.67% | 60.59% | | 盈透证券香港 | 12.3% | 8.8% | 1.40 | -10.3% | 69.44% | 57.65% | | 新基立证券 | 11.4% | 9.1% | 1.26 | -8.6% | 70.83% | 57.33% |

量化模型与构建方式 根据提供的研报内容，该报告为一份融资融券周报，主要描述市场两融数据、行业特征及个股/ETF表现，并未涉及量化模型的构建、回测或因子挖掘。报告内容以数据统计和描述为主[1][10][13]。 量化因子与构建方式 报告未涉及量化因子的构建思路、具体过程或评价。报告中的“融资买入额占成交额比例”、“融资净买入额”等为市场观测指标，并非用于预测的量化因子[30][35]。 模型的回测效果 报告未涉及任何量化模型，因此无模型回测效果。 因子的回测效果 报告未涉及任何量化因子，因此无因子回测效果。

量化模型与构建方式 1. 模型名称：单因子波动率管理组合 * **模型构建思路**：针对单个因子，通过其历史波动率的倒数对因子收益进行缩放，构建一个波动率管理版本的因子，然后将原始因子与其管理版本进行均值-方差优化，形成最终组合[30][31]。 * **模型具体构建过程**： 1. 对于第k个因子，计算其在t月的已实现方差 $\sigma_{k,t}^{2}$，通过该月内因子日度收益的样本方差估算得到[30]。 2. 构建第k个因子的波动率管理版本收益 $r_{k,t+1}^{\sigma}$，公式为： $$r_{k,t+1}^{\sigma}=\frac{c}{\sigma_{k,t}^{2}}r_{k,t+1}$$ 其中，$r_{k,t+1}$ 是第k个未管理因子在t+1月的收益，$c$ 是缩放参数，目的是使管理后因子的波动率与未管理因子保持一致[30][31]。 3. 将未管理因子 $r_{k,t+1}$ 与其波动率管理版本 $r_{k,t+1}^{\sigma}$ 进行组合，通过最大化均值-方差效用（假设投资者风险厌恶系数 $\gamma = 5$）来确定两者的最优权重，从而得到单因子波动率管理组合[49]。 2. 模型名称：条件固定权重多因子投资组合 (CFW) * **模型构建思路**：先构建一个无条件均值-方差多因子组合，然后根据该组合上月收益方差的倒数进行整体缩放，得到一个波动率管理版本，最后将无条件组合与其管理版本进行均值-方差优化[32]。 * **模型具体构建过程**： 1. 首先，使用所有K个因子，通过最大化扣费前的均值-方差效用，构建一个无条件多因子投资组合（UMV）[32]。 2. 将该无条件组合的整体权重按其上月收益方差的倒数进行缩放，得到该组合的波动率管理版本[32]。 3. 将原始的无条件多因子组合与其波动率管理版本进行均值-方差优化，形成最终的条件固定权重组合。该组合对所有因子的相对权重与原始无条件组合完全一致[32]。 3. 模型名称：条件均值-方差多因子投资组合 (CMV) * **模型构建思路**：构建一个多因子组合，其中每个因子的权重是市场波动率倒数的仿射函数，允许不同因子的权重随市场波动率进行差异化调整。组合权重通过最大化扣减交易成本后的均值-方差效用来优化[4][32][33]。 * **模型具体构建过程**： 1. **定义因子权重**：设第k个因子在t期的权重为 $\theta_{k,t}$，将其参数化为市场波动率倒数的仿射函数： $$\theta_{k,t}=a_{k}+b_{k}\frac{1}{\sigma_{t}}$$ 其中，$\sigma_{t}$ 是t月的已实现市场波动率（由该月市场日度收益的样本波动率估算），$a_k$ 和 $b_k$ 为待估参数。$b_k > 0$ 意味着当市场波动率升高时，组合会降低对第k个因子的暴露[33][38]。 2. **定义组合收益**：条件多因子组合在t+1期的收益 $r_{p,t+1}(\theta_{t})$ 为各因子收益与其权重的加权和： $$r_{p,t+1}(\theta_{t})=\sum_{k=1}^{K}r_{k,t+1}\theta_{k,t}=\sum_{k=1}^{K}r_{k,t+1}\left(a_{k}+b_{k}\,\frac{1}{\sigma_{t}}\right)$$ 其中，$r_{k,t+1}$ 是第k个因子在t+1期的收益[34]。 3. **构建优化问题**：通过定义扩展因子收益向量和权重向量，将组合构建转化为一个优化问题。目标是找到扩展因子权重向量 $\eta$（包含所有 $a_k$ 和 $b_k$ 参数），以最大化扣减交易成本后的样本均值-方差效用[37]： $$\max_{\eta\geq0}\widehat{\mu_{\rm ext}}\eta-{\rm TC}(\eta)-\frac{\gamma}{2}\eta^{\prime}\widehat{\Sigma_{\rm ext}}\eta$$ 其中，$\widehat{\mu_{\rm ext}}$ 和 $\widehat{\Sigma_{\rm ext}}$ 分别是扩展因子收益向量的样本均值和样本协方差矩阵，${\rm TC}(\eta)$ 是该组合的样本交易成本，$\gamma$ 是风险厌恶系数[37]。优化施加约束 $a_k \geq 0$ 和 $b_k \geq 0$，确保对未管理因子的暴露为正，且在波动率高时降低暴露[38]。 4. 模型名称：无条件均值-方差多因子投资组合 (UMV) * **模型构建思路**：在条件均值-方差多因子组合（CMV）的优化框架下，施加额外约束 $b_k = 0$（即因子权重不随市场波动率变化），从而得到一个静态权重的多因子最优组合[56]。 * **模型具体构建过程**：与CMV组合的构建过程相同，但在求解优化问题(6)时，对所有因子k施加约束 $b_k = 0$，这意味着因子权重 $\theta_{k,t} = a_k$ 为常数，不随时间变化[56]。 5. 因子名称：九大基础因子 * **因子构建思路**：采用文献中常用的多空组合构建方法，代表不同的风险溢价来源[28]。 * **因子具体构建过程**：从相关作者网站获取九个因子的超额收益数据。除市场因子（MKT）和押注低贝塔因子（BAB）外，每个因子都是一个多空股票投资组合的收益，多头和空头头寸各为一美元。MKT和BAB因子也是零成本投资组合[28]。具体因子包括： * 市场因子（MKT） * 小市值减大市值因子（SMB） * 高账面市值比减低账面市值比因子（HML） * 稳健型减激进型因子（RMW） * 保守型减激进型因子（CMA） * 动量因子（UMD） * 盈利性因子（ROE） * 投资因子（IA） * 押注低贝塔因子（BAB）[28] 6. 因子名称：波动率管理因子 * **因子构建思路**：对每个基础因子，根据其自身历史波动率进行缩放，以生成一个波动率管理版本的因子收益序列[30]。 * **因子具体构建过程**：对于第k个基础因子，其波动率管理版本的收益 $r_{k,t+1}^{\sigma}$ 按以下公式计算： $$r_{k,t+1}^{\sigma}=\frac{c}{\sigma_{k,t}^{2}}r_{k,t+1}$$ 其中，$r_{k,t+1}$ 是基础因子收益，$\sigma_{k,t}^{2}$ 是该因子在t月的已实现方差，$c$ 为缩放常数[30]。 7. 模型/因子评价 * **单因子波动率管理组合**：在样本内且不考虑交易成本时能提升夏普比率，但样本外表现受估计误差和交易成本严重侵蚀，考虑交易分散化仅能部分缓解，通常无法显著跑赢未管理因子[50][51][53][55]。 * **条件均值-方差多因子组合 (CMV)**：表现优异，其优势源于三个驱动因素：1) 跨因子交易轧差带来的交易分散化效应显著降低了高成本的管理型因子交易损耗；2) 在优化中直接纳入了交易成本模型；3) 允许因子权重随市场波动率差异化调整，能够积极择时并盘活某些低效因子[5][18][71][80][86]。 * **因子风险-收益权衡**：研究发现，所有九个因子的风险-收益权衡关系均随市场波动率上升而减弱，这与传统理论预期相悖，挑战了“风险-收益对应”的基本前提[3][19][92][103]。 模型的回测效果 （以下结果均基于样本外区间：1977年1月至2020年12月，且为扣除交易成本后的表现，除非特别说明） 1. 单因子波动率管理组合 * **测试场景**：样本外，扣除交易成本，并考虑交易分散化（对应图表4面板E）[52][54] * **MKT因子**：夏普比率(SR) 0.433[54] * **SMB因子**：夏普比率(SR) 0.035[54] * **HML因子**：夏普比率(SR) 0.089[54] * **RMW因子**：夏普比率(SR) 0.226[54] * **CMA因子**：夏普比率(SR) 0.153[54] * **UMD因子**：夏普比率(SR) 0.209[54] * **ROE因子**：夏普比率(SR) 0.324[54] * **IA因子**：夏普比率(SR) 0.193[54] * **BAB因子**：夏普比率(SR) 0.746[54] 2. 条件均值-方差多因子投资组合 (CMV) * **测试场景**：样本外，扣除交易成本，并考虑交易分散化，且优化时已计入交易成本（对应图表6和图表8面板D第(6)列）[61][73] * **年化收益率均值**：0.477[61] * **年化标准差**：0.449[61] * **夏普比率(SR)**：1.062[61] * **年化阿尔法(α)**：0.066[61] * **阿尔法t统计量**：3.637[61] * **年化交易成本(TC)**：0.213[61] 3. 无条件均值-方差多因子投资组合 (UMV) * **测试场景**：样本外，扣除交易成本，并考虑交易分散化，且优化时已计入交易成本（对应图表6和图表8面板D第(4)列）[61][73] * **年化收益率均值**：0.430[61] * **年化标准差**：0.458[61] * **夏普比率(SR)**：0.940[61] * **年化交易成本(TC)**：0.163[61] 4. 条件固定权重多因子投资组合 (CFW) * **测试场景**：样本外，扣除交易成本，并考虑交易分散化，且优化时已计入交易成本（对应图表8面板D第(5)列）[73] * **夏普比率(SR)**：1.026[73] * **年化阿尔法(α)**：0.046[73] * **阿尔法t统计量**：3.407[73] * **年化交易成本(TC)**：0.169[73]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：五维成长价值轮动模型** * **模型构建思路**：从动态宏观、估值回归、短期动量、风格广度和风格拥挤度五个维度构建综合信号，用于判断成长与价值风格的轮动时机[18]。 * **模型具体构建过程**： 1. **动态宏观信号**：基于多个宏观经济指标（如中长期信贷脉冲、M0/M1增速、通胀剪刀差、财政支出、美国利率等）的历史胜率，判断当前宏观环境对成长或价值风格更有利[18]。 2. **估值回归信号**：比较成长与价值风格的PE和PB估值比，判断其相对估值水平是否偏离历史中枢，从而产生均值回归信号[20]。 3. **短期动量信号**：分析成长与价值风格的价格趋势、量能趋势和内部估值分布，判断其中短期动量强弱[19]。 4. **风格广度信号**：观察成长与价值风格内部个股的上涨广度，判断趋势的可持续性。 5. **风格拥挤信号**：通过比较成长与价值风格指数成交额占A股比重的短期分位数，判断交易拥挤度[19]。 6. **综合信号生成**：将上述五个维度的信号进行综合，生成最终的风格配置建议（如100%价值或100%成长仓位）[21]。 2. **模型名称：行业中周期轮动模型** * **模型构建思路**：通过傅里叶变换刻画行业的价格、营收周期，构建行业中周期因子，并结合相同宏观周期状态下的行业动量因子，进行二维筛选以构建行业轮动策略[30]。 * **模型具体构建过程**： 1. **周期刻画**：使用与行业相关的高频数据，通过傅里叶变换确定行业的周期长度，刻画行业所处的价格或营收周期[30]。 2. **因子构建**：为每个行业构建“行业中周期因子”，该因子值反映了行业当前所处的周期强度（排名越小，周期越强）[30][33]。 3. **宏观状态匹配**：根据历史宏观周期的强弱划分，确定当前所处的宏观周期状态[30]。 4. **动量因子叠加**：在相同的宏观周期状态下，计算行业的动量因子[30]。 5. **行业筛选**：结合行业中周期因子和动量因子，每个月对行业进行二维筛选，优选周期强且动量佳的行业，构建轮动组合[30]。 3. **模型名称：利率ROIC定价模型** * **模型构建思路**：从资本回报率（ROIC）视角出发，通过结合权益市场的盈利预期，来间接推断债券市场的利率中枢点位[36]。 * **模型具体构建过程**： 1. **计算权益ROIC**：在A股上市公司（除金融）口径下，根据个股的利润和总资产数据，自下而上汇总计算全市场权益ROIC值。或在规模以上工业企业口径下进行计算[36][38]。 2. **计算债市隐含ROIC**：根据公式计算债市隐含的ROIC水平。公式为： $$ROIC = (无风险利率 + 股票风险溢价) \times 股权比例 + (无风险利率 + 信用风险溢价) \times 债权比例$$ 其中，无风险利率为30年国债到期收益率，信用风险溢价为AAA级企业债信用利差，股权占比参考A股（除金融）数据进行合成[36]。 3. **推导利率中枢**：结合对A股未来盈利增速的预测，调整权益ROIC预期，进而通过股债ROIC的均衡关系，推导出10年期国债等利率品种的预期中枢及上下界（利率走廊）[40][41][43]。 4. **模型名称：利率短期价量趋势模型** * **模型构建思路**：从日度价量数据所形成的利率形态入手，捕捉市场短期交易情绪的趋势突破信号，用于利率债的短期择时[45]。 * **模型具体构建过程**： 1. **形态识别**：对5年、10年、30年期国债到期收益率（YTM）的时序数据，应用形态识别算法[45]。 2. **多周期分析**：分别在长、中、短三个不同周期视野下，识别利率走势的向上或向下突破信号[45][46]。 3. **综合评分**：汇总不同期限、不同周期下的突破信号票数，形成综合评分结果（如中性震荡、中性偏空等），作为短期交易观点[45]。 5. **模型名称：利率宏观基本面择时模型** * **模型构建思路**：围绕经济增速预期、通胀预期、流动性变化和风险偏好四大类核心驱动因素，构建领先指标，并利用“三分位点算法”检验指标对利率变化的预测能力，进而构建择时策略[50][56]。 * **模型具体构建过程**： 1. **指标筛选与处理**：为四类驱动因素筛选代表性宏观指标（如PMI、固定资产投资、PPI、M2-M1剪刀差、国债收益率曲线、标普500指数等）。对原始数据进行差分处理以关注边际变化，对多指标类别进行主成分分析（PCA）降维，并对部分存在披露滞后的指标进行滞后处理[53][56]。 2. **预测能力检验**：使用“三分位点算法”定量评价指标对下一期利率变化的预测能力。将全样本按指标值分为三组，计算前1/3组与后1/3组下一期利率变化均值的T统计值，公式为： $$T = \frac{\bar{F}_1 - \bar{F}_3}{\sqrt{\frac{(n_1 - 1)S_1^2 + (n_3 - 1)S_3^2}{n_1 + n_3 - 2}(\frac{1}{n_1} + \frac{1}{n_3})}}$$ 其中，$\bar{F}_i$和$S_i$代表分组i下利率下一期变化的均值和标准差，$n_i$代表分组i的样本数量[57][58]。 3. **策略构建**：对于每个通过检验的指标，当其处于历史前1/3分位时，若指标与利率同向变动则配置短久期债，若反向则配置长久期债；处于后1/3分位时则反向操作；处于中间1/3时则配置50%短久期债+50%长久期债。月度调仓[59][60]。 6. **模型名称：可转债定价与估值模型** * **模型构建思路**：以期权二叉树定价法为基础，结合转债条款、正股退市风险等因素对可转债进行理论定价，并与市场价格比较以评估估值高低；同时合成全市场正股PB中位数以判断股底估值周期[76][81]。 * **模型具体构建过程**： 1. **期权定价**：使用二叉树模型为每只可转债进行理论定价，充分考虑转股、赎回、回售、下修等条款[76]。 2. **计算定价偏离度**：计算转债市场价格相对理论定价的折溢价率，即“定价偏离度”。公式为：定价偏离度 = 转债二叉树定价 / 转债市价 - 1。该值中位数或余额加权值可代表市场整体估值水平[76]。 3. **正股估值合成**：自下而上计算全市场可转债对应正股的PB中位数，作为转债市场股底估值的代理指标[81]。 7. **模型名称：固收多资产配置模型** * **模型构建思路**：结合可转债和利率债的择时指标，在保持长期结构与基准接近的基础上，动态调整可转债、长久期利率债、中短久期利率债和信用债的配置比例，以获取稳定超额收益[84]。 * **模型具体构建过程**： 1. **可转债仓位分配**：根据“可转债正股PB中位数”指标所处的运行周期（通过其5年分位数判断），分配0%、2.5%或5%三档转债仓位[84][85]。同时，根据“转债定价偏离度”指标的运动周期，分配另一组0%、2.5%或5%的转债仓位，两组权重相加为最终转债仓位[85]。 2. **利率债仓位分配**：剩余仓位配置纯债。首先根据债券市场利率债占比分配利率债总仓位。然后，参考“利率债长周期价量择时指标”，在利率债内部分配0%、50%或100%三档长久期利率债仓位，其余配置中短久期利率债[85]。 3. **信用债仓位填充**：所有剩余仓位配置信用债[85]。 4. **调仓**：基础频率为月度，利率债仓位可根据实时监控调整[84]。 模型的回测效果 1. **五维成长价值轮动模型**（综合信号2_5D平均仓位_国证成长价值，回测期2010/05/31-2026/02/27）[21]： * 累计收益：584.11% * 年化收益：14.62% * 年化波动率：40.08% * 最大回撤：44.11% * 夏普比率：0.36 * 年化超额收益（相对国证成长价值等权）：7.91% * 月度超额胜率：66.14% * 年化跟踪误差：5.88% * 年化信息比率（IR）：1.34 2. **利率宏观基本面单因子择时模型**（各指标策略回测，截至2026/02/27）[71]： * **pmi_prin策略**（2011/01/31起）：年化收益5.07%，年化波动率1.35%，最大回撤2.67%，夏普比率3.74，超额收益（相对等权基准）1.15%。 * **inv_prin策略**（2011/03/31起）：年化收益4.60%，年化波动率1.28%，最大回撤2.53%，夏普比率3.60，超额收益0.66%。 * **real_prin策略**（2016/08/31起）：年化收益4.23%，年化波动率1.13%，最大回撤3.18%，夏普比率3.75，超额收益0.77%。 * **commodity_global策略**（2003/12/31起）：年化收益4.46%，年化波动率2.74%，最大回撤5.52%，夏普比率1.63，超额收益0.81%。 * **ppcp_prin策略**（2003/12/31起）：年化收益4.25%，年化波动率1.95%，最大回撤3.66%，夏普比率2.18，超额收益0.60%。 * **m2_m1策略**（2003/12/31起）：年化收益4.67%，年化波动率1.89%，最大回撤3.40%，夏普比率2.47，超额收益1.03%。 * **cgb_level策略**（2007/12/28起）：年化收益5.24%，年化波动率1.63%，最大回撤2.45%，夏普比率3.21，超额收益1.26%。 * **stock_global策略**（2003/12/31起）：年化收益4.05%，年化波动率2.16%，最大回撤6.98%，夏普比率1.88，超额收益0.41%。 * **等权基准**（2003/12/31起）：年化收益3.65%，年化波动率1.70%，最大回撤3.40%，夏普比率2.14。 3. **固收多资产配置模型**（回测期2016/12/31-至今）[88]： * 年化收益率：5.28% * 最大回撤：2.21% * 收益回撤比：2.39 * 持有1年滚动收益率均值：约6% * 持有满1年绝对收益胜率：100% * 近年表现：2024年收益8.49%（超额0.86%），2025年收益2.05%（超额1.40%），2026年初至今收益0.57%（超额0.01%）[88]。 量化因子与构建方式 1. **因子名称：行业中周期因子** * **因子构建思路**：通过傅里叶变换分析行业高频数据，识别行业所处的价格或营收周期位置，构建反映行业周期强度的因子[30]。 * **因子具体构建过程**：收集与行业相关的高频数据（如价格、营收等），运用傅里叶变换方法确定数据序列的主要周期长度，进而刻画当前时点行业在周期中所处的相位和强度，最终合成一个表征行业周期强弱的因子值，值越小表示周期越强[30][33]。 2. **因子名称：通胀剪刀差 (CPI-PPI)** * **因子构建思路**：作为宏观分析因子，用于观察下游需求与上游价格之间的关系，历史上被用于分析对周期风格的影响[27]。 * **因子具体构建过程**：直接计算消费者价格指数（CPI）同比增速与生产者价格指数（PPI）同比增速的差值[27]。 3. **因子名称：PPI同比增速** * **因子构建思路**：作为核心宏观因子，用于预判周期风格的走势，历史数据显示其上行对周期股超额收益有正面影响[29]。 * **因子具体构建过程**：直接采用国家统计局发布的PPI全部工业品同比增速数据[29]。 4. **因子名称：美元指数** * **因子构建思路**：作为影响国际大宗商品定价的宏观因子，其变化对有色金属等周期行业有一定前瞻性指引作用[29]。 * **因子具体构建过程**：直接采用美元指数数据[29]。 5. **因子名称：定价偏离度 (转债)** * **因子构建思路**：衡量可转债市场定价偏离理论价值的程度，作为判断转债估值高低（ALPHA机会）的因子[76]。 * **因子具体构建过程**：首先利用二叉树模型计算每只可转债的理论价格，然后计算其市场价格与理论价格的比率减1，即：定价偏离度 = 理论价格 / 市价 - 1。取全市场该值的中位数或余额加权值作为市场整体因子值[76]。 6. **因子名称：正股PB中位数 (转债)** * **因子构建思路**：合成反映可转债市场整体股底估值水平的因子，用于判断转债的BETA机会和估值周期[81]。 * **因子具体构建过程**：计算全市场所有可转债对应正股的市净率（PB），然后取这些PB值的中位数，作为该因子的取值[81]。 因子的回测效果 1. **PPI同比增速因子**（用于预判周期风格未来3个月超额收益，统计期2005年至今）[29]： * 当上月PPI增速上行时，未来3个月周期风格平均超额收益（较中证800）：1.17%。 * 当上月PPI增速下行时，未来3个月周期风格平均超额收益（较中证800）：-0.06%。 2. **CPI-PPI剪刀差因子**（用于预判周期风格未来3个月超额收益，统计期2005年至今）[30]： * 当剪刀差上行时，未来3个月周期风格平均超额收益（较中证800）：0.61%。 * 当剪刀差下行时，未来3个月周期风格平均超额收益（较中证800）：0.57%。 3. **美元指数因子**（用于预判周期风格未来3个月超额收益，统计期2005年至今）[30]： * 当美元指数上行时，未来3个月周期风格平均超额收益（较中证800）：0.41%。 * 当美元指数下行时，未来3个月周期风格平均超额收益（较中证800）：0.81%。

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：封板率与连板率计算模型[16] * **模型构建思路**：通过统计特定时间段内股票涨停的封板与连板情况，来量化市场短线炒作情绪和赚钱效应[16]。 * **模型具体构建过程**： 1. 筛选样本：选取上市满3个月以上的股票[16]。 2. 计算封板率：统计当日最高价涨停的股票中，收盘价也涨停的股票比例[16]。 * 公式：$$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[16] 3. 计算连板率：统计昨日收盘涨停的股票中，今日收盘也涨停的股票比例[16]。 * 公式：$$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[16] 2. **模型名称**：大宗交易折价率计算模型[26] * **模型构建思路**：通过计算大宗交易成交价相对于市场价格的折扣率，来反映大额资金的交易情绪和偏好[26]。 * **模型具体构建过程**： 1. 数据获取：获取当日大宗交易的总成交金额，以及按当日市价计算的对应成交份额的总市值[26]。 2. 计算折价率：使用总成交金额与总市值的比值减去1，得到整体折价率[26]。 * 公式：$$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[26] 3. **模型名称**：股指期货年化贴水率计算模型[29] * **模型构建思路**：通过计算股指期货主力合约相对于现货指数的年化基差，来反映市场对未来走势的预期和对冲成本[29]。 * **模型具体构建过程**： 1. 计算基差：基差 = 股指期货价格 - 现货指数价格[29]。 2. 计算年化贴水率：将基差除以现货指数价格，再乘以年化因子（以250个交易日为基准，除以合约剩余交易日数）[29]。 * 公式：$$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[29] 模型的回测效果 *本报告为市场监测日报，未提供模型的历史回测效果指标（如年化收益率、夏普比率、最大回撤、信息比率IR等）。报告主要展示了模型在特定日期的计算结果及近期历史分位点[29]。* 量化因子与构建方式 *本报告为市场监测日报，未涉及用于选股或资产定价的量化因子（如价值、成长、动量、质量等因子）的构建。* 因子的回测效果 *本报告为市场监测日报，未涉及量化因子的测试与回测效果。*

量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[13][44] * **模型构建思路**：为了准确计算股指期货的升贴水幅度，需要精确估计指数成分股在期货合约存续期内将进行的分红对指数点位的累计影响，从而从价格指数中剥离分红效应[13][44]。 * **模型具体构建过程**：模型的核心是预测从当前时刻 `t` 到期货合约到期日 `T` 之间，所有指数成分股的累计分红点数。具体流程如下[44][45][47]： 1. **获取成分股及权重**：采用中证指数公司每日披露的日度收盘权重数据，确保权重准确性[51]。若使用估算方法，则公式为： $$W_{n,t}={\frac{w_{i0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{n})}}$$ 其中，`W_{n,t}` 为股票 `n` 在 `t` 日的估算权重，`w_{i0}` 为最近一次公布（`t_0` 日）的股票 `i` 的权重，`r_n` 为股票 `n` 从 `t_0` 到 `t` 的非复权涨跌幅[50]。 2. **预测个股分红金额**：对于每只成分股，若已公布分红金额则直接采用；若未公布，则需预测。分红金额由净利润与股息支付率的乘积得到[52]。 * **净利润预测**：采用“基于历史净利润分布的动态预测法”。若公司已公布年报、快报或业绩预告，则直接采用（业绩预告取上下限均值）；若未披露，则根据其历史季度盈利分布是否稳定进行分类预测[54]。 * **股息支付率预测**： * 若公司去年分红，则以去年股息支付率作为今年预测值。 * 若公司去年不分红，则以最近3年股息支付率平均值作为预测值。 * 若公司过去从未分红，则默认今年不分红。 * 当预期股息支付率大于100%时，进行截尾处理[58]。 3. **预测个股除息日**：采用“基于历史间隔天数稳定性的线性外推法”[56]。流程如下[61]： * 若公司已公布除息日，则直接采用。 * 若未公布，则判断公司是否已公布分红预案。 * 若未公布预案，则参考去年或前年分红日期（需满足合理性条件，如不在当前时点之前、距离当前不少于10天、不在今年股东大会召开日之前）。 * 若已公布预案，则根据其所处分红阶段（预案或决案），判断历史从该阶段公告日到除息日的间隔天数是否稳定。若稳定，则用历史平均间隔天数与今年对应公告日进行线性外推；若不稳定，则参考历史分红日期。 * 若通过上述方法无法得到合理日期，或公司过去两年未分红，则采用默认日期（根据预测时间点，设置为7月31日、8月31日或9月30日）[61]。 4. **计算指数分红点数**：将所有满足条件（除息日大于当前日期 `t` 且小于等于合约到期日 `T`）的成分股的分红影响加总，公式为： 分红点数 = $$\sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$$[44] * **模型评价**：该模型通过精细化处理成分股权重、分红金额和除息日预测，旨在提高股指分红点位预测的准确性[13][44]。模型对以上证50、沪深300为代表的大盘指数预测准确度较高，对中证500、中证1000等指数的预测误差稍大但基本稳定[66]。 量化因子与构建方式 1. **因子名称：已实现股息率**[18] * **因子构建思路**：衡量指数成分股中，在计算时点之前已经完成现金分红的公司，其分红对指数股息率的实际贡献[18]。 * **因子具体构建过程**：计算指数中所有 **今年已现金分红** 的成分股，其分红金额与当前总市值之比，按指数权重加权求和[18]。 公式为：已实现股息率 = $$\sum_{i=1}^{N_1} \frac{个股已分红金额}{个股总市值} \times 个股权重$$ 其中，`N_1` 表示指数成分股中今年已现金分红的公司数量[18]。 2. **因子名称：剩余股息率**[18] * **因子构建思路**：衡量指数成分股中，在计算时点之后预计还将进行现金分红的公司，其待分红金额对指数股息率的潜在贡献[18]。 * **因子具体构建过程**：计算指数中所有 **尚未现金分红** 的成分股，其待分红金额（预测值）与当前总市值之比，按指数权重加权求和[18]。 公式为：剩余股息率 = $$\sum_{i=1}^{N_2} \frac{个股待分红金额}{个股总市值} \times 个股权重$$ 其中，`N_2` 表示指数成分股中尚未现金分红的公司数量[18]。 模型的回测效果 1. **股指分红点位测算模型**： * **预测误差（2024年）**：对上证50和沪深300指数的预测误差基本在5个点左右；对中证500和中证1000指数的预测误差基本在10个点左右[66]。 * **预测误差（2025年）**：对上证50和沪深300指数的预测误差基本在5个点左右；对中证500和中证1000指数的预测误差基本在10个点左右[66]。 * **股指期货股息点预测效果（2024、2025年）**：对上证50、沪深300、中证500及中证1000股指期货当月主力合约的预测股息点与实际股息点对比显示，模型具有较好的预测准确性[66]。 因子的回测效果 1. **已实现股息率因子（截至2026年3月4日）**： * **上证50指数**：0.00%[4][18] * **沪深300指数**：0.00%[4][18] * **中证500指数**：0.00%[4][18] * **中证1000指数**：0.00%[4][18] 2. **剩余股息率因子（截至2026年3月4日）**： * **上证50指数**：2.80%[4][18] * **沪深300指数**：2.14%[4][18] * **中证500指数**：1.14%[4][18] * **中证1000指数**：0.89%[4][18]