量化模型与构建方式 1. **模型名称：分析师50组合** - **模型构建思路**：基于券商金股中新进金股表现更优和业绩超预期在新进金股中选股效果优异的结论，构建对标中证500的组合[25] - **模型具体构建过程**： 1. 在每个月券商十大金股池中，按照相对上个月是否重复，选出新进金股池[25] 2. 计算新进金股池每只股票的业绩超预期指标（SUE），选出业绩超预期靠前的50只个股，按照券商推荐数量加权得到初始权重[25] 3. 基于最新中证500指数行业权重分布，等比例调整上述组合的行业权重，并对各行业内的个股权重进行等比例调整[25] - **模型评价**：能够追踪市场风格最新动向，动态捕捉高弹性个股[34] 模型的回测效果 1. **分析师50组合** - 年化收益率：14.9%[27] - 年化超额收益（相对中证500）：15.6%[27] - 2025年（截至6月底）超额收益：10.2%[27] - 持仓占比均值：沪深300（28.7%）、中证500（26.8%）、中证1000（29.3%）、其他（15.3%）[34] 量化因子与构建方式 1. **因子名称：业绩超预期指标（SUE）** - **因子构建思路**：衡量个股财报实际值相对分析师预测值的超预期程度[22] - **因子具体构建过程**： $$S U E={\frac{R_{t}-E_{t}}{\sigma(R_{t}-E_{t})}}$$ 其中： - \(R_t\)为财报实际值 - \(E_t\)为分析师预测值 - \(\sigma(R_{t}-E_{t})\)为预测误差的标准差[22] 构建步骤： 1. 将分析师预期数据由累计值转化为单季度值[26] 2. 使用单季度预测值和单季度实际值进行对比[26] 3. 融合业绩预告、业绩快报和定期报告，财报真空期因子值前向填充[23] - **因子评价**：在新进金股中选股效果明显优于重复金股[23] 因子的回测效果 1. **业绩超预期指标（SUE）** - **新进金股**：多头组合年化收益显著高于空头组合（净值曲线分离明显）[24] - **重复金股**：多头组合年化收益略高于空头组合（净值曲线分离较弱）[24] 其他关键数据 1. **券商金股分年度收益**（2017-2025年）[16][20]： - 全部金股年化收益率：11.2% - 新进金股年化收益率：14.1% - 重复金股年化收益率：8.8% 2. **新进金股与重复金股风险指标对比**： - 新进金股最大回撤：38.5% - 重复金股最大回撤：45.0%[20]

量化因子与构建方式 估值类因子 1. **因子名称**：bp - **构建思路**：衡量公司净资产与市值的相对关系[13] - **构建过程**：$$ bp = \frac{当前净资产}{当前总市值} $$ - **评价**：传统估值指标，反映市场对净资产的定价效率 2. **因子名称**：bp三年分位数 - **构建思路**：评估当前bp在历史区间的位置[13] - **构建过程**：计算股票当前bp在最近三年的分位数 3. **因子名称**：季度ep - **构建思路**：衡量净利润与净资产的关系[13] - **构建过程**：$$ 季度ep = \frac{季度净利润}{净资产} $$ 4. **因子名称**：季度sp - **构建思路**：衡量营业收入与净资产的关系[13] - **构建过程**：$$ 季度sp = \frac{季度营业收入}{净资产} $$ 盈利类因子 1. **因子名称**：季度roa - **构建思路**：评估资产盈利能力[13] - **构建过程**：$$ 季度roa = \frac{季度净利润}{总资产} $$ 2. **因子名称**：季度roe - **构建思路**：评估净资产盈利能力[13] - **构建过程**：$$ 季度roe = \frac{季度净利润}{净资产} $$ 成长类因子 1. **因子名称**：标准化预期外盈利 - **构建思路**：量化盈利超预期程度[13] - **构建过程**：$$ \frac{当前季度净利润 - (去年同期单季净利润 + 过去8个季度单季净利润同比增长均值)}{过去8个季度的单季度净利润同比增长值的标准差} $$ - **评价**：对短期市场反应敏感 2. **因子名称**：季度净利润同比增长 - **构建思路**：衡量净利润增长趋势[13] - **构建过程**：直接计算季度净利润同比增长率 波动率类因子 1. **因子名称**：Fama-French三因子1月残差波动率 - **构建思路**：衡量未被三因子解释的收益波动[13] - **构建过程**：对过去20个交易日日收益进行Fama-French三因子回归，计算残差标准差 反转类因子 1. **因子名称**：1个月反转 - **构建思路**：捕捉短期价格反转效应[13] - **构建过程**：累加过去20个交易日收益率 因子回测效果 IC表现 1. **bp因子**：最近一周IC 7.22%，最近一月IC均值3.46%，最近一年IC均值1.87%[9] 2. **标准化预期外盈利因子**：最近一周IC 7.52%，最近一月IC均值3.04%，最近一年IC均值0.60%[9] 3. **小市值因子**：最近一年IC均值4.00%，历史IC均值2.22%[9] 多头组合表现 1. **季度净利润同比增长因子**：最近一年超额收益9.60%，历史累计超额36.36%[11] 2. **小市值因子**：最近一年超额收益19.71%，历史累计超额66.81%[11] 3. **1个月换手率波动因子**：最近一年超额收益14.76%，历史累计超额32.41%[11] 数据处理说明 - 因子值经行业内排序分位数转换，并对市值、bp与行业进行中性化处理（规模与bp因子除外）[7] - 季度数据优先级：业绩预告 < 业绩快报 < 正式财报[14]

量化模型与构建方式 1. S1 高景气行业轮动策略（周度） - **模型构建思路**：通过分析师一致预期数据构建盈利景气度追踪模型，从三个维度描述盈利景气度变化趋势[16] - **模型具体构建过程**： 1. 构建三大类因子： - 净利润预期同比与预期ROE相关指标（3-5年赛道概念） - 景气度变化因子（季度变化，反映中短期景气度变化） - 短期情绪因子（月度变化，反映景气度变化斜率） 2. 以"单因子年化超额>3%"筛选备选因子 3. 通过"分层聚类法"将备选因子分为8类，优选每类中超额收益最高的因子 4. 进行rank等权复合形成复合因子 5. 剔除估值过高行业后，每周选取因子值最高的3个行业等权持有[16] 2. S2 隐含情绪动量追踪策略（周度） - **模型构建思路**：通过剥离"预期内情绪"获取"未证伪情绪"，构建动量策略[19] - **模型具体构建过程**： 1. 将行业日度收益率对日度换手率变化率进行截面回归，残差即为"未证伪情绪" 2. 逐日计算各行业"未证伪情绪收益率"得到累计净值 3. 构建半个月和12个月动量因子 4. 将两者等权rank复合得到复合因子 5. 剔除估值过高行业后，每周选取因子值最高的3个行业等权持有[20] 3. S3 宏观风格轮动策略（月度） - **模型构建思路**：通过宏观指标与行业风格相关性预判风格多空，再映射至行业[22] - **模型具体构建过程**： 1. 从"经济增长"等5个维度优选宏观指标 2. 从三个维度刻画宏观指标：历史中枢定位、超预期、边际变动 3. 计算行业在基本面、估值等维度的因子暴露 4. 通过截面回归估算风格因子预期多空收益率 5. 筛选出估值、Beta、波动率、动量四个风格因子 6. 构建等权投票打分器预测风格多空 7. 将风格多空预测乘以行业暴露度得到行业得分 8. 每月选取总分最高的6个行业等权持有[23] 4. S4 中长期困境反转策略（月度） - **模型构建思路**：基于行业2年内动量效应和3年以上反转效应特征构建复合策略[27] - **模型具体构建过程**： 1. 构建三个因子： - "1年动量"因子（剔除最近1个月收益） - "2-3年反转"因子 - 旬度截面低换手率因子 2. 将三因子等权rank复合 3. 每月选取最优的5个行业等权配置[28] 5. S5 基于资金流的行业轮动策略（月度） - **模型构建思路**：从主力资金流向和尾盘资金流向两个维度构建策略[29] - **模型具体构建过程**： 1. 计算"机构单净买入金额"3个月移动平均与绝对值移动平均的比值 2. 统计尾盘资金流入的市值占比和成交额占比 3. 计算两个比例的月度差分并等权rank复合 4. 每月选取资金流入强度最高的5个行业等权配置[30] 6. S6 财报因子失效反转行业轮动策略（月度） - **模型构建思路**：基于因子有效性均值回复理论构建策略[34] - **模型具体构建过程**： 1. 筛选年化超额超过5.5%的"长期有效因子" 2. 从中筛选连续4个月跑输基准的"短期失效因子" 3. 按大类筛选窗口内年化超额最高的因子等权zscore复合 4. 若无满足条件的因子，则放宽至连续3个月跑输基准 5. 仍无则从"长期有效因子"中按大类选取最高超额因子复合 6. 每月选取因子值最高的5个行业等权配置[36] 7. S7 多因子打分复合行业轮动策略（季度） - **模型构建思路**：从动量、流动性、估值和质量四个维度优选因子构建策略[39] - **模型具体构建过程**： 1. 剔除中证800权重低于2%的行业 2. 从四个维度中各优选2个因子： - 动量：1年和3年收益率动量 - 流动性：自由流通股本换手率及其季度变化 - 估值：股息率3年排名百分位和PB边际变化 - 质量：ROE季度变化和明年预期ROE 3. 进行等权rank复合 4. 每季度选取因子值最高的5个行业等权配置[40] 8. 中银波动率控制复合模型 - **模型构建思路**：使用"单策略负向波动率倒数"进行资金分配[42] - **模型具体构建过程**： 1. 计算策略日度收益率下跌交易日的波动率： $$D=\{r_{i}|r_{i}<0,i=1,2,\ldots,T\}$$ $$\sigma_{D}={\sqrt{{\frac{1}{n-1}}\sum_{r_{i}\in D}\left(r_{i}-{\frac{1}{n}}\sum_{r_{i}\in D}r_{i}\right)^{2}}}$$ 2. 计算负向波动率的倒数并归一化得到资金配置比例 3. 按不同频率调仓： - 季度：对所有7个策略调仓 - 月度：对6个周月频策略调仓 - 周度：对2个周频策略调仓[46] 4. 将策略权重映射至行业权重[49] 模型的回测效果 1. S1 高景气轮动策略 - 近一周绝对收益：3.1%，超额：1.8% - 近一月绝对收益：5.2%，超额：1.8% - 年初至今绝对收益：6.4%，超额：-1.8%[65] 2. S2 隐含情绪动量策略 - 近一周绝对收益：-1.1%，超额：-2.4% - 近一月绝对收益：7.6%，超额：4.2% - 年初至今绝对收益：13.8%，超额：5.6%[65] 3. S3 宏观风格轮动策略 - 近一周绝对收益：0.0%，超额：-1.3% - 近一月绝对收益：5.9%，超额：2.5% - 年初至今绝对收益：10.8%，超额：2.7%[65] 4. S4 中长期困境反转策略 - 近一周绝对收益：2.0%，超额：0.7% - 近一月绝对收益：5.5%，超额：2.1% - 年初至今绝对收益：12.9%，超额：4.8%[65] 5. S5 资金流策略 - 近一周绝对收益：0.4%，超额：-0.9% - 近一月绝对收益：4.1%，超额：0.7% - 年初至今绝对收益：7.9%，超额：-0.2%[65] 6. S6 财报因子失效反转策略 - 近一周绝对收益：0.7%，超额：-0.6% - 近一月绝对收益：0.8%，超额：-2.6% - 年初至今绝对收益：8.7%，超额：0.6%[65] 7. S7 传统多因子打分策略 - 近一周绝对收益：3.0%，超额：1.7% - 近一月绝对收益：8.2%，超额：4.8% - 年初至今绝对收益：12.0%，超额：3.9%[65] 8. 波动率控制复合策略 - 近一周绝对收益：1.4%，超额：0.1% - 近一月绝对收益：5.3%，超额：1.9% - 年初至今绝对收益：10.1%，超额：2.0%[65] - 当前策略权重： - S1：14.3% - S2：10.5% - S3：8.1% - S4：21.0% - S5：15.0% - S6：12.2% - S7：18.9%[58]

根据提供的量化分析报告内容，以下是全面详细的总结： 量化模型与构建方式 1. **模型名称**：基于CDS评分的恒生科技择时策略 **模型构建思路**：利用中国主权CDS指标的水平（滚动4年zscore）和方向（近20日差分）对港股进行评分和仓位配置[1][7][10] **模型具体构建过程**： - 当CDS下行且处于低位时，配置100%恒生科技 - 当CDS下行且处于高位时，配置75%恒生科技 - 当CDS上行且处于低位时，配置25%恒生科技 - 当CDS上行且处于高位时，配置0%恒生科技[11] **模型评价**：策略通过动态调整仓位有效降低风险并提升收益弹性 2. **模型名称**：美联储流动性指数 **模型构建思路**：结合数量维度和价格维度构建流动性指数，划分宽松/收紧区间[12] **模型具体构建过程**： - 通过净流动性、联储信用支持、预期引导等子指标综合计算[13] **模型评价**：能有效反映资金面环境对科技股的影响 3. **模型名称**：中国经济六周期模型 **模型构建思路**：根据货币-信用-增长三因子方向划分6个宏观阶段[14] **模型具体构建过程**： - 阶段1（信用扩张）：恒生科技表现最优[19] - 阶段6（货币扩张）：防御型资产占优[17] **模型评价**：为宏观情境下的资产配置提供框架 模型的回测效果 1. **基于CDS评分的择时策略**： - 年化超额收益：9.8% - 年化波动率：20.4% - 最大回撤：34.3% - 夏普比率：0.80[10][16] 2. **恒生科技指数基准**： - 年化收益：6.4% - 年化波动：34.6% - 最大回撤：74.1% - 夏普比率：0.19[16] 量化因子与构建方式 1. **因子名称**：CDS水平因子 **因子构建思路**：中国主权CDS的4年滚动zscore标准化处理[10] **因子具体构建过程**： $$ zscore = \frac{CDS_t - \mu_{4y}}{\sigma_{4y}} $$ **因子评价**：反映海外对中国基本面的长期风险溢价 2. **因子名称**：CDS方向因子 **因子构建思路**：CDS近20日差分值[10] **因子具体构建过程**： $$ \Delta CDS = CDS_t - CDS_{t-20} $$ **因子评价**：捕捉短期市场情绪变化 3. **因子名称**：AI纯度因子 **因子构建思路**：计算成分股中AI概念股的权重占比[31] **因子具体构建过程**： - 通过港股人工智能概念股票名单匹配[33] **因子评价**：有效识别科技属性强度 因子的回测效果 1. **CDS复合因子**： - 年化IR：1.21 - 多空收益差：15.6%[10] 2. **AI纯度因子**： - 恒生科技指数AI纯度：72.3%（vs恒生指数21.5%）[33] 补充说明 - 所有公式严格采用$$公式$$格式呈现 - 估值因子显示恒生科技PE 20.04倍（历史分位数18%），PB 2.88倍（历史分位数25%）[40][41] - 盈利预期因子显示2025年EPS增速43%[43]

量化模型与构建方式 1. **模型名称**：250日新高距离模型 - **模型构建思路**：通过计算当前收盘价与过去250日最高价的相对距离，衡量股票或指数的趋势强度[10] - **模型具体构建过程**： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，\(Closet\)为最新收盘价，\(ts\_max(Close, 250)\)为过去250日收盘价最大值。若收盘价创250日新高，则值为0；否则为正值，表示回落幅度[10] - **模型评价**：直观反映价格趋势强度，适用于动量策略筛选 2. **模型名称**：平稳创新高股票筛选模型 - **模型构建思路**：结合分析师关注度、股价路径平稳性、趋势延续性等维度，筛选具有持续动量的股票[23][26] - **模型具体构建过程**： - **价格路径平滑性**：计算位移路程比（过去120日涨跌幅绝对值 / 过去120日日涨跌幅绝对值加总）[23] - **分析师关注度**：过去3个月买入/增持评级研报≥5份[26] - **股价相对强弱**：过去250日涨跌幅位于全市场前20%[26] - **创新高持续性**：过去120日250日新高距离的时间序列均值[26] - **趋势延续性**：过去5日250日新高距离的时间序列均值[26] - **模型评价**：综合多维指标，避免单纯依赖价格波动，增强策略稳健性 --- 模型的回测效果 1. **250日新高距离模型**： - 上证指数、深证成指、沪深300等主要指数250日新高距离分别为0.50%、8.58%、6.44%[11] - 银行、电力及公用事业等行业250日新高距离为0.00%（创历史新高）[12] 2. **平稳创新高股票筛选模型**： - 筛选出的33只股票中，胜宏科技、京北方等过去250日涨跌幅最高达392%、224%[30] - 科技板块（如电子行业）和制造板块（如机械行业）占比最高[27] --- 量化因子与构建方式 1. **因子名称**：股价位移路程比因子 - **因子构建思路**：衡量股价路径的平滑性，避免跳跃式波动[23] - **因子具体构建过程**： $$位移路程比 = \frac{|过去120日涨跌幅|}{Σ|过去120日日涨跌幅|}$$ 比值越高表明路径越平滑[23] 2. **因子名称**：创新高持续性因子 - **因子构建思路**：量化股票创新高的时间序列稳定性[26] - **因子具体构建过程**：计算过去120日250日新高距离的均值[26] --- 因子的回测效果 1. **股价位移路程比因子**： - 应用于平稳创新高股票筛选，如再升科技、巨人网络等位移路程比表现优异[30] 2. **创新高持续性因子**： - 药明康德、皓元医药等因子值较低（接近0），显示持续创新高能力[30] --- 指标取值汇总 | **模型/因子** | **指标** | **取值** | |------------------------|------------------------|-----------------------------------| | 250日新高距离模型 | 上证指数250日新高距离 | 0.50% [11] | | | 深证成指250日新高距离 | 8.58% [11] | | 平稳创新高股票筛选模型 | 胜宏科技过去250日涨跌幅| 392% [30] | | | 京北方过去250日涨跌幅 | 224% [30] |

量化模型与构建方式 1. **模型名称**：高景气成长与红利策略轮动择时模型 - **模型构建思路**：通过选取宏观经济和市场资金面的有效信号，动态配置高景气成长或红利策略[9] - **模型具体构建过程**： 1. 每月底选取五个单因子信号：期限利差、社融增速、CPI与PPI四象限、美债利率、资金博弈（ETF/险资/外资）[9] 2. 每个指标独立生成买入高景气或红利的信号（1或0），取均值作为综合打分[9] 3. 打分>0.5时配置红利策略，否则配置高景气成长[18] - **模型评价**：具备"进可攻、退可守"特性，在宏观冲击与政策博弈中表现稳健[9] 2. **因子名称**：期限利差因子 - **因子构建思路**：反映市场对经济潜在增速预期，利差走阔利好成长风格[13] - **因子具体构建过程**： $$ 期限利差 = 10Y国债收益率 - 1Y国债收益率 $$ 最新值0.31（上月0.22）[13] 3. **因子名称**：社融增速因子 - **因子构建思路**：作为宏观经济领先指标，增速提升支撑成长风格[13] - **因子具体构建过程**：直接采用社会融资规模存量同比（2025年5月为8.7%）[13] 4. **因子名称**：CPI与PPI四象限因子 - **因子构建思路**：同步上行时（尤其CPI>PPI）反映需求旺盛，利好成长[16] - **因子具体构建过程**： 1. 划分CPI/PPI同比变化方向（+/−）形成四象限 2. 当前处于CPI（-0.1%）与PPI（-3.3%）同步下行象限[16] 5. **因子名称**：资金博弈复合因子 - **因子构建思路**：通过外资流入意愿+ETF申赎+险资持仓判断资金偏好[17][18] - **因子具体构建过程**： 1. 外资流入意愿指数=美元指数+RMB汇率+CDS利差[17] 2. 结合红利ETF净申赎（0/1）、险资持仓（0/1）、外资倾向（0/1）生成0-1打分[18] 3. 2025年6月得分为0.33（上月0.67）[18] 模型的回测效果 1. **轮动策略**： - 累计收益259.92%（基准28.78%）[6] - 年化收益14.91%（基准2.78%）[6] - 最大回撤27.08%（基准35.22%）[6] - 年化Sharpe 0.64（基准0.13）[6] 2. **中证红利**： - 2025年6月绝对收益-0.65%[21] - 月度胜率54.55%（2015-2025）[21] 3. **创业板指**： - 2025年6月绝对收益8.02%[21] - 相对中证红利超额收益-8.67%[21] 因子的回测效果 1. **期限利差因子**： - 2025年6月数值0.31（前值0.22）[13] 2. **社融增速因子**： - 2025年5月数值8.7%（前值8.7%）[13] 3. **资金博弈因子**： - 2025年6月得分0.33（前值0.67）[18]

根据研报内容，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：RSI相对强弱指标** - 因子构建思路：通过计算一定周期内平均涨幅和平均跌幅的比值，判断市场超买或超卖状态[2] - 因子具体构建过程： $$RSI = 100 - \frac{100}{1 + RS}$$ 其中RS为12天内平均涨幅与平均跌幅的比值，RSI>70为超买，RSI<30为超卖[2] - 因子评价：经典动量指标，适用于短期趋势判断 2. **因子名称：净申购金额** - 因子构建思路：通过ETF净值变化计算资金流动情况[2] - 因子具体构建过程： $$NETBUY(T) = NAV(T) - NAV(T-1) \times (1+R(T))$$ 其中NAV为ETF净值，R(T)为跟踪指数收益率[2] 3. **因子名称：日内行情趋势** - 因子构建思路：基于5分钟级别成交价捕捉日内价格波动特征[2] - 因子具体构建过程：使用最高价/最低价标记极端价格点，形成趋势图[2] 因子回测效果 （注：报告中未提供具体因子测试指标值，此部分无数据） 其他量化指标 1. **机构持仓占比**：剔除联接基金后的机构持仓比例，反映资金结构特征[3] 2. **成交额**：日频流动性指标，单位为亿元[4] 3. **管理费率**：年化费用比例，影响长期持有成本[4] 数据说明 - 数据频率：日频[2] - 基金分类：宽基/主题两大类别，宽基包括沪深300、中证500等主流指数[2] - 处理规则：新上市基金及未披露数据作空值处理[3] （注：报告中未涉及完整量化模型描述及复合因子构建）

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称**：行业轮动型投顾模型 **模型构建思路**：通过跟踪不同行业的市场表现，动态调整行业配置以获取超额收益[11] **模型具体构建过程**： - 基于股票型投顾产品的行业配置数据，计算各行业配置比例变化 - 选择增配比例最高的行业（如有色金属+1.29%、医药生物+1.16%）作为重点配置方向[35] - 减配表现较差的行业（如房地产-1.22%、电子-0.40%）[35] **模型评价**：6月行业轮动策略表现突出，收益达4.41%，优于其他策略类型[13] 2. **模型名称**：红利因子配置模型 **模型构建思路**：通过增加红利类基金的配置比例，获取稳定收益[37] **模型具体构建过程**： - 监控红利基金配置比例变化（6月从5.17%增至5.38%）[37] - 结合宏观经济判断（如国内复苏预期）调整配置权重[37] **模型评价**：具有防御性特征，在市场波动时表现稳定 模型的回测效果 1. **行业轮动型投顾模型**： - 6月绝对收益4.41%[13] - 近1年收益率未明确披露（需参考图3）[17] 2. **红利因子配置模型**： - 6月配置比例增长0.21个百分点（5.17%→5.38%）[37] - 近1年超额收益未明确披露（需参考图6）[40] 量化因子与构建方式 1. **因子名称**：微盘股因子 **因子构建思路**：捕捉小市值股票的超额收益机会[41] **因子具体构建过程**： - 统计底层资产中微盘股配置比例（6月从5.48%提升至5.52%）[41] - 结合市场流动性环境调整因子暴露 2. **因子名称**：港股配置因子 **因子构建思路**：通过港股与A股的溢价差异获取套利机会[49] **因子具体构建过程**： - 跟踪恒生沪深港通AH股溢价指数[52] - 调整港股配置比例（6月从8.39%增至9.37%）[49] 因子的回测效果 1. **微盘股因子**： - 6月配置比例上升0.04个百分点[41] - 近6月收益未明确披露（需参考图8）[42] 2. **港股配置因子**： - 6月配置比例增长0.98个百分点[49] - 近1年QDII港股类基金收益45.3%（但6月减配5.3%）[54] 注：部分指标取值需结合图表数据补充，研报中未明确披露所有回测细节[17][40][42]

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：衡量涨停股票中能够维持涨停至收盘的比例，反映市场情绪强度[17] - 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，计算当日最高价涨停且收盘仍涨停的股票占比[17] - 因子评价：高频情绪指标，对短期市场动量有较强解释力 2. **因子名称：连板率** - 构建思路：捕捉连续涨停股票的比例，反映市场投机热度[17] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 筛选昨日涨停股票中今日继续涨停的比例[17] - 因子评价：极端市场环境下有效性显著 3. **因子名称：大宗交易折价率** - 构建思路：通过大宗交易价格与市价的偏离度反映机构交易意愿[26] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 计算当日所有大宗交易成交价相对于市价的加权平均折价幅度[26] - 因子评价：对大盘股未来走势有一定预测能力 4. **因子名称：股指期货年化贴水率** - 构建思路：量化期货市场对现货指数的预期偏差[28] - 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[28] - 因子评价：反映市场风险偏好与对冲成本 因子回测效果 1. **封板率因子** - 当日值：74%（较前日提升5%）[17] - 近一月波动范围：未披露具体区间 2. **连板率因子** - 当日值：24%（较前日提升6%）[17] - 近一月波动范围：未披露具体区间 3. **大宗交易折价率因子** - 当日值：9.32%[26] - 近半年均值：5.78%[26] 4. **股指期货年化贴水率因子** - 上证50：3.73%（41%分位）[28] - 沪深300：5.63%（35%分位）[28] - 中证500：18.67%（13%分位）[28] - 中证1000：14.56%（40%分位）[28] 注：报告中未涉及量化模型的具体构建，仅包含市场监测类因子[17][26][28]

量化模型与构建方式 1. **模型名称**："时钟+拐点改善法"大类资产轮动模型 **模型构建思路**：结合宏观风险因子状态（经济增长、通胀、利率、信用、汇率、期限利差）与投资时钟规律，通过相位判断法优化拐点识别，动态调整资产配置[8][9][12][16][24] **模型具体构建过程**： - **宏观因子构建**： - 经济增长因子：工业增加值同比、PMI、社会消费品零售总额同比，经HP滤波处理后波动率倒数加权合成[8] - 通胀因子：PPI同比、CPI同比，HP滤波后波动率倒数加权[8] - 利率因子：中债-国债总财富指数与中证货币基金指数等权组合，计算净值同比收益率[8] - 汇率因子：上海金与伦敦金现多空组合净值同比收益率[8] - 信用因子：中债-企业债AAA指数与中债-国债总指数久期中性组合净值同比收益率[8] - 期限利差因子：中短期债券与长期债券久期中性组合净值同比收益率[8] - **状态判断规则**： - 因子动量法：$$Momentum_{t}=X_{t}-\frac{1}{3}(X_{t-1}+X_{t-2}+X_{t-3})$$，连续两期同向判定状态[16] - 相位判断法：38个月周期正弦波拟合，划分上行/下行/顶部/底部区域，结合动量法优化拐点识别[21][22] - **资产配置规则**： - 初始风险配比1:1:1:0.5:0.5（大盘股:小盘股:债券:商品:黄金），根据宏观因子得分调整（正分翻倍，负分减半）[24] **模型评价**：融合多维度宏观因子与周期规律，在控制风险前提下实现稳定收益[26][27] 2. **因子名称**：宏观风险因子体系（经济增长、通胀、利率、信用、汇率、期限利差） **因子构建思路**：通过宏观经济指标与资产组合构建多维度风险因子[8] **因子具体构建过程**： - **合成方法**： - 经济增长/通胀因子：HP滤波后波动率倒数加权[8] - 利率/信用/汇率/期限利差因子：构造多空或中性组合计算净值同比收益率[8] **因子评价**：全面刻画宏观经济状态，为资产配置提供量化依据[8][12] --- 模型的回测效果 1. **"时钟+拐点改善法"模型**： - 总收益率242.45%，年化收益率9.93%，年化波动率6.83%[27] - 夏普比率1.45，最大回撤6.31%，胜率73.08%[27] - 2025年6月收益率0.72%（基准2.76%），配置比例债券88.54%、黄金5.81%[31][32] --- 量化因子与构建方式 1. **因子名称**：投资时钟状态得分因子 **因子构建思路**：根据增长-通胀时钟、利率-信用时钟等宏观状态对资产打分（-2至2分）[14][15] **因子具体构建过程**： - 复苏期：大盘股+2、小盘股+2、债券-2、商品+2、黄金+1[15] - 紧利率宽信用：大盘股+2、小盘股+2、债券-2、商品+2、黄金+2[15] **因子评价**：量化历史规律，指导资产配置方向[12][15] --- 因子的回测效果 1. **宏观风险因子状态（2025年6月）**： - 经济增长↑、通胀↓、利率↓、信用↓、汇率↓、期限利差↓[36] - 对应配置观点：看多债券/黄金，谨慎权益/商品[33]