2025 年 04 月 06 日 模型提示情绪继续走低、价值占优 ——量化择时周报 20250403 证券分析师 王小心 A0230524100006 wangxx2@swsresearch.com 邓虎 A0230520070003 denghu@swsresearch.com 沈思逸 A0230521070001 shensy@swsresearch.com 联系人 王小心 (8621)23297818× wangxx2@swsresearch.com 益 量 化 研 究 证 券 研 究 报 告 请务必仔细阅读正文之后的各项信息披露与声明 本研究报告仅通过邮件提供给 中庚基金 使用。1 权 指 数 研 究 ⚫ 市场情绪在 3 月的第 3 个交易日向上突破 2，此后市场整体保持向上抬升，但速度有所 减缓，近两周加速下行。截至 2025/4/3，市场情绪结构指标数值为 1，数值较上周五 (3/28)下降 0.6，模型维持看空观点。 ⚫ 市场缩量，资金风险偏好下降、观点不确定性增强是近期市场情绪持续调整的主要原因。 当前市场大盘继续保持弱趋势，从行业交易波动率提高、价量一致性得分下降至低位可以 看出资金观点切换 ...

量化模型与构建方式 1. **模型名称：利率价量多周期择时策略** - **模型构建思路**：通过核回归算法捕捉利率趋势形态，识别不同周期下的支撑线和阻力线，根据突破情况生成交易信号[11] - **模型具体构建过程**： 1. **周期划分**：长周期（月度切换）、中周期（双周切换）、短周期（周度切换）[11] 2. **信号规则**： - 至少2个周期向下突破支撑线且趋势非向上→满配长久期债券 - 至少2个周期向下突破但趋势向上→配置50%中久期+50%长久期 - 至少2个周期向上突破阻力线且趋势非向下→满配短久期债券 - 至少2个周期向上突破但趋势向下→配置50%中久期+50%短久期 - 其他情况→等权配置短、中、长久期债券[23] 3. **止损规则**：单日超额收益<-0.5%时切换为等权配置[23] - **模型评价**：通过多周期共振增强信号稳定性，历史胜率高 2. **模型名称：公募债基久期测算模型** - **模型构建思路**：改进回归模型动态跟踪公募基金久期及分歧水平[13] - **模型具体构建过程**： 1. **数据输入**：全市场中长期纯债基金持仓数据（含杠杆） 2. **输出指标**： - 久期中位数（3.13年）、4周移动平均（3.19年） - 久期截面标准差（2.03年）[13][14] 3. **分位数计算**：基于5年历史数据计算当前分位数（如久期处于91.51%分位）[6] --- 量化因子与构建方式 1. **因子名称：利率水平结构因子** - **因子构建思路**：将1-10年国债YTM转化为水平结构指标，衡量绝对利率位置[7][10] - **因子具体构建过程**： - 当前读数1.59%，计算滚动3/5/10年分位数（7%/4%/2%）[10] 2. **因子名称：利率期限结构因子** - **因子构建思路**：捕捉收益率曲线斜率变化[7][10] - **因子具体构建过程**： - 当前读数0.24%，分位数接近历史低位（3/5/10年分位数均为0%）[10] 3. **因子名称：利率凸性结构因子** - **因子构建思路**：量化收益率曲线凸性特征[7][10] - **因子具体构建过程**： - 当前读数-0.08%，分位数处于极端低位（3/5/10年分位数≤2%）[10] --- 模型的回测效果 1. **利率价量多周期择时策略** - 长期年化收益率：6.3% - 最大回撤：1.55% - 收益回撤比：2.0 - 超额收益率（vs久期等权基准）：1.78%[24][27] - 短期（2023年底以来）年化收益率：8.05%，最大回撤1.62%[4] 2. **公募债基久期测算模型** - 当前久期分位数：91.51%（5年历史） - 久期分歧分位数：98.46%（5年历史）[6][14] --- 因子的回测效果 1. **利率水平结构因子** - 当前值：1.59% - 3/5/10年分位数：7%/4%/2%[10] 2. **利率期限结构因子** - 当前值：0.24% - 3/5/10年分位数：0%/0%/5%[10] 3. **利率凸性结构因子** - 当前值：-0.08% - 3/5/10年分位数：2%/1%/2%[10]

2025 年 04 月 05 日 金融工程研究团队 魏建榕（首席分析师） 证书编号：S0790519120001 张 翔（分析师） 证书编号：S0790520110001 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 苏 良（分析师） 证书编号：S0790523060004 何申昊（分析师） 证书编号：S0790524070009 陈 威（研究员） 证书编号：S0790123070027 蒋 韬（研究员） 证书编号：S0790123070037 傅开波（分析师） 证书编号：S0790520090003 相关研究报告 《开源量化评论（49）-对近期北向持 续撤离，南下持续抄底的几点思考》 -2022.3.15 开源量化评论（50）-港股优选：技术 面、资金面、基本面》-2022.3.22 《开源量化评论（96）-公募港股投资 变化及港股通优选组合构建》 -2024.7.1 ...

量化模型与构建方式 1. **模型名称：戴维斯双击策略** - **模型构建思路**：以较低市盈率买入具有成长潜力的股票，待成长性显现后卖出，实现EPS和PE的双重增长收益[8] - **模型具体构建过程**： 1. 筛选低PE且盈利增速加速增长的标的 2. 通过PEG指标评估估值合理性（PEG = PE / 盈利增速） 3. 动态跟踪EPS和PE变化，触发阈值后调仓[8][12] - **模型评价**：历史超额收益稳定，年化超额基准21.08%，但需警惕高估值环境下双击效应弱化风险[11][12] 2. **模型名称：净利润断层策略** - **模型构建思路**：结合基本面业绩超预期（净利润惊喜）与技术面股价跳空缺口，捕捉市场认可度高的标的[13] - **模型具体构建过程**： 1. 筛选过去两个月内业绩超预期的股票 2. 按公告日次日跳空幅度排序 3. 等权重配置前50名股票[13][17] - **模型评价**：年化收益28.51%，超额基准26.74%，但对市场情绪敏感，需严格止损[15][17] 3. **模型名称：沪深300增强组合** - **模型构建思路**：基于GARP/成长/价值三类投资者偏好，构建PBROE和PEG复合因子[18] - **模型具体构建过程**： 1. **PBROE因子**：$$ PBROE = Rank(PB分位数) - Rank(ROE分位数) $$ 2. **PEG因子**：$$ PEG = Rank(PE分位数) - Rank(盈利增速分位数) $$ 3. 综合因子加权选股，约束行业偏离[18][19] - **模型评价**：年化超额8.66%，风格稳健但依赖ROE稳定性[19] --- 模型的回测效果 1. **戴维斯双击策略** - 年化收益：26.45%[11] - 年化超额基准：21.08%[11] - 最大相对回撤：-20.14%[11] - 收益回撤比：1.07[11] 2. **净利润断层策略** - 年化收益：28.51%[15] - 年化超额基准：26.74%[15] - 最大相对回撤：-37.12%[15] - 收益回撤比：0.72[15] 3. **沪深300增强组合** - 年化超额收益：8.66%[19] - 最大相对回撤：-9.18%[19] - 收益回撤比：0.94[19] --- 量化因子与构建方式 1. **因子名称：PBROE因子** - **因子构建思路**：衡量估值与盈利能力的错配，寻找低PB高ROE标的[18] - **因子具体构建过程**： $$ PBROE = Rank(PB分位数) - Rank(ROE分位数) $$ 分位数计算采用过去3年滚动窗口[18] 2. **因子名称：PEG因子** - **因子构建思路**：结合估值与成长性，筛选低PE高增速股票[18] - **因子具体构建过程**： $$ PEG = Rank(PE分位数) - Rank(盈利增速分位数) $$ 盈利增速采用未来1年预测值[18] --- 因子的回测效果 （注：报告中未单独披露因子IC或分层测试结果，故跳过此部分）

量化因子与构建方式 1 估值类因子 1. **因子名称**：bp - **构建思路**：衡量股票当前净资产与市值的比值，反映估值水平[12] - **具体构建**：$$ bp = \frac{当前净资产}{当前总市值} $$[12] 2. **因子名称**：bp三年分位数 - **构建思路**：计算当前bp在近三年的分位数，反映历史估值相对位置[12] - **具体构建**：取股票当前bp值在最近三年数据中的分位数[12] 3. **因子名称**：季度ep - **构建思路**：衡量季度净利润与净资产的关系[12] - **具体构建**：$$ 季度ep = \frac{季度净利润}{净资产} $$[12] 4. **因子名称**：季度sp - **构建思路**：衡量季度营业收入与净资产的关系[12] - **具体构建**：$$ 季度sp = \frac{季度营业收入}{净资产} $$[12] 2 盈利类因子 1. **因子名称**：季度资产周转率 - **构建思路**：反映企业资产利用效率[12] - **具体构建**：$$ 季度资产周转率 = \frac{季度营业收入}{总资产} $$[12] 2. **因子名称**：季度毛利率 - **构建思路**：衡量企业盈利能力[12] - **具体构建**：$$ 季度毛利率 = \frac{季度毛利润}{季度销售收入} $$[12] 3 成长类因子 1. **因子名称**：季度净利润同比增长 - **构建思路**：反映企业净利润增长能力[12] - **具体构建**：直接计算季度净利润同比增长率[12] 2. **因子名称**：标准化预期外盈利 - **构建思路**：衡量实际盈利与预期的偏离程度[12] - **具体构建**：$$ \frac{当前季度净利润 - (去年同期单季净利润 + 过去8个季度单季净利润同比增长均值)}{过去8个季度的单季度净利润同比增长值的标准差} $$[12] 4 换手率类因子 1. **因子名称**：1个月日均换手率 - **构建思路**：反映股票流动性[12] - **具体构建**：取过去20个交易日换手率的均值[12] 2. **因子名称**：1个月非流动性冲击 - **构建思路**：衡量交易对价格的冲击[12] - **具体构建**：计算过去20个交易日日收益率绝对值与日成交量之比的均值[12] 5 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**：衡量股票特异性风险[12] - **具体构建**：对过去20个交易日日收益进行Fama-French三因子回归，取残差标准差[12] 2. **因子名称**：1月特异度 - **构建思路**：反映收益中不可被因子解释的部分[12] - **具体构建**：$$ 1 - R^2 $$（Fama-French三因子回归的R方）[12] 6 其他因子 1. **因子名称**：一年动量 - **构建思路**：反映长期价格趋势[12] - **具体构建**：$$ 过去一年收益率累加 - 过去一个月收益率累加 $$[12] 2. **因子名称**：小市值 - **构建思路**：捕捉市值效应[12] - **具体构建**：取对数市值[12] --- 因子回测效果 IC表现 1. **1个月日均换手率**：最近一周IC=12.54%，最近一月IC=14.06%，历史IC均值=2.15%[8] 2. **季度毛利率**：最近一周IC=5.61%，最近一月IC=3.29%，历史IC均值=0.67%[8] 3. **Fama-French三因子1月残差波动率**：最近一年IC均值=3.32%，历史IC均值=2.50%[8] 多头组合表现 1. **季度毛利率**：最近一周超额=0.68%，最近一年超额=4.64%，历史累计超额=16.54%[10] 2. **1个月换手率波动**：最近一年超额=9.61%，历史累计超额=30.28%[10] 3. **小市值**：最近一年超额=16.32%，历史累计超额=55.19%[10] --- 数据处理方法 - 因子值转为行业内排序分位数，并对市值、bp与行业进行中性化处理（规模类和bp类因子除外）[6] - 多头组合构建：选择因子排名前10%的股票，采用根号下流通市值加权[9]

量化模型与构建方式 1. **模型名称：分红预测模型** - **模型构建思路**：基于上市公司已公布的分红信息及历史数据，预测未来分红对股指期货合约的影响[9][11] - **模型具体构建过程**： 1. **预估成分股净利润**：优先采用年报、快报、预警、三季报TTM或分析师预测数据[27][28] 2. **计算税前分红总额**： - 已公布预案的直接采用 - 未公布的按历史分红率推算（若净利润为负则设分红率为0）[32] - 公式：$$\mathrm{预估分红总额} = \mathrm{预估净利润} \times \mathrm{历史分红率}$$ 3. **计算分红对指数的影响**： - 股息点公式：$$\mathrm{单股票分红影响\%} = \mathrm{股票权重} \times \mathrm{股息率}$$ - 动态权重调整：$$\mathrm{w_{it}={\frac{w_{i0}\times\mathrm{\scriptsize{\left(\mathrm{\scriptsize{\normalsize1+R\mathrm{\scriptsize{\normalsize1}}}\right)}}}{\sum_{1}^{n}w_{i0}\times\mathrm{\scriptsize{\left(\mathrm{\scriptsize{\normalsize1+R\mathrm{\scriptsize{\normalsize1}}}\right)}}}}}}$$[29] 4. **预测合约影响值**：根据历史除息日规律推算未来分红时间，累加交割日前所有分红点数[34][35] - **模型评价**：依赖历史分红率假设，若市场环境突变（如分红率大幅变化）可能影响预测准确性[36] 2. **模型名称：股指期货定价模型** - **模型构建思路**：基于无套利原理，考虑分红现值和利率因素，计算期货理论价格[36] - **模型具体构建过程**： - **离散红利定价公式**：$$F_t = (S_t - D)(1 + r)$$，其中$D$为红利现值，$r$为无风险利率[36] - **连续红利定价公式**：$$F_t = S_t e^{(r-d)(T-t)}$$，$d$为年化红利率[37] --- 量化因子与构建方式 1. **因子名称：分红点数因子** - **因子构建思路**：量化分红对期货合约价差的直接影响[12][13][14][15] - **因子具体构建过程**： - 计算各合约的**含分红价差**：$$\mathrm{含分红价差} = \mathrm{实际价差} + \mathrm{分红点数}$$[12] - 示例：IH2504合约含分红价差=2.15（实际价差）+0.00（分红点数）=2.15[12] 2. **因子名称：年化对冲成本因子** - **因子构建思路**：剔除分红影响后，反映持有期货至到期的对冲成本[9][12] - **因子具体构建过程**： - 按365天或243天年化计算，公式：$$\mathrm{年化对冲成本\%} = \left(\frac{\mathrm{实际价差}}{\mathrm{收盘价}} \times \frac{365}{\mathrm{剩余天数}}\right) \times 100$$ - 示例：IH2504合约年化对冲成本为-1.96%（365天口径）[12] --- 模型的回测效果 1. **分红预测模型** - **上证50期货**： - IH2504分红点数0.00，剩余影响0.00%[12] - IH2509分红点数60.33，剩余影响2.27%[12] - **沪深300期货**： - IF2504分红点数0.26，剩余影响0.01%[13] - IF2509分红点数78.19，剩余影响2.02%[13] 2. **股指期货定价模型** - **理论价差与实际价差对比**： - IC2504实际价差-23.10 vs 含分红价差-22.81[14] - IM2504实际价差-34.86 vs 含分红价差-34.66[15] --- 因子的回测效果 1. **分红点数因子** - **中证500期货**： - IC2504分红点数0.30，含分红价差-22.81[14] - IC2509分红点数80.69，含分红价差-180.41[14] - **中证1000期货**： - IM2504分红点数0.19，含分红价差-34.66[15] 2. **年化对冲成本因子** - **上证50期货**：IH2504年化成本-1.96%（365天）[12] - **中证1000期货**：IM2504年化成本13.60%（365天）[15]

量化模型与构建方式 1 **模型名称**：轻工制造指数趋势跟踪模型 - **模型构建思路**：基于价格趋势延续性假设，通过观察窗口内的价格变动与波动率关系判断趋势方向[3] - **模型具体构建过程**： 1. 计算T日收盘价与T-20日收盘价的差值：$$del = P_T - P_{T-20}$$ 2. 计算T-20日至T日（不含）的波动率Vol（未说明具体计算方法，默认标准差） 3. 趋势判断规则： - 若$$|del| > N \times Vol$$（取N=1），则形成新趋势，方向与del符号一致 - 否则延续T-1日趋势方向[3] - **模型评价**：在剧烈波动行情中能捕捉短期趋势，但前期回撤较大，不适合直接用于轻工制造指数[4] --- 模型的回测效果 1 **轻工制造指数趋势跟踪模型**： - 年化收益：17.68% - 年化波动率：24.10% - 夏普比率：0.73 - 最大回撤：24.90% - 指数同期总回报：-16.46%（相对超额显著）[3] --- 补充说明 - **数据预处理**：直接使用申万轻工制造指数原始收盘价[3] - **跟踪区间**：2023年3月7日-2025年3月18日（实际图表显示测试截至2024年6月）[3][5] - **策略表现阶段**： - 2023年3月-2024年1月：净值小幅波动无显著收益 - 2024年1月-6月：急涨急跌 - 后期回归正收益通道[4]

根据提供的文档内容，未发现涉及量化模型或量化因子的具体构建方法、公式或测试结果。文档主要包含以下市场数据和分析： 1 市场表现数据 - 北证50与沪深300指数涨跌幅对比图表[2] - 北交所成交金额和换手率趋势图（2025年1-4月）[6][7] - 北交所与A股各行业当日涨跌幅对比（2025年4月3日）[8][9] - 北交所涨幅前十和跌幅前十个股的财务数据（2024Q3）[11][12] 2 估值分析 - 北交所与双创板块市盈率变化趋势图（截至2025年4月3日）[13][14] - 分行业市盈率(PE-TTM)与市净率(PB)对比图[15][16] 3 其他内容 - 分析师承诺与免责声明[18][19][20] - 公司评级标准说明[21] - 联系方式等补充信息[22] 注：文档中未出现需要总结的量化模型或因子相关内容，故无法按模板要求提供详细构建方法和测试结果。所有引用数据均为市场行情展示性质[2][6][7][8][9][11][12][13][14][15][16]

根据提供的金融工程日报内容，以下是量化模型与因子的结构化总结： --- 量化因子与构建方式 1. **封板率因子** - 构建思路：通过监测涨停股的封板稳定性反映市场情绪强度[18] - 构建过程： $$封板率=\frac{\text{最高价涨停且收盘涨停股票数}}{\text{最高价涨停股票数}}$$ 统计上市满3个月的股票，计算当日同时满足盘中最高价涨停与收盘涨停的股票占比[18] - 因子评价：高频指标能有效捕捉短线资金情绪 2. **连板率因子** - 构建思路：衡量涨停股的持续性效应[18] - 构建过程： $$连板率=\frac{\text{连续两日收盘涨停股票数}}{\text{昨日收盘涨停股票数}}$$ 筛选上市满3个月的股票，计算连续涨停比例[18] - 因子评价：反映市场投机热度与龙头股接力效应 3. **大宗交易折价率因子** - 构建思路：通过大宗交易价格偏离度观测机构资金动向[27] - 构建过程： $$折价率=\frac{\text{大宗交易总成交金额}}{\text{当日成交份额总市值}}-1$$ 统计近半年日均折价率与单日偏离值[27] - 因子评价：大额资金交易的成本偏好指标 4. **股指期货年化贴水率因子** - 构建思路：利用期现价差度量市场预期[29] - 构建过程： $$年化贴水率=\frac{\text{基差}}{\text{指数价格}} \times \frac{250}{\text{合约剩余交易日数}}$$ 分别计算上证50/沪深300/中证500/中证1000主力合约的贴水率及历史分位数[29] - 因子评价：对冲成本与市场情绪的综合指标 --- 因子回测效果 1. **封板率因子** - 当日值：74%（较前日提升12%）[18] - 近一月动态范围：62%-78%[18] 2. **连板率因子** - 当日值：19%（较前日提升6%）[18] - 近一月动态范围：13%-22%[18] 3. **大宗交易折价率因子** - 当日值：7.68%（近半年均值5.40%）[27] - 近半年分位数：处于85%高位[27] 4. **股指期货年化贴水率因子** - 上证50：-0.78%（近一年中位数0.06%，42%分位）[29] - 沪深300：-3.11%（近一年中位数-1.50%，41%分位）[29] - 中证500：-9.88%（近一年中位数-6.60%，30%分位）[29] - 中证1000：-13.55%（近一年中位数-10.91%，34%分位）[29] --- 注：报告中未提及量化模型相关内容，故仅总结量化因子部分。市场表现、资金流向等描述性数据未纳入因子范畴[6][7][20][23]

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日最高价的偏离程度，衡量股票趋势强度[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 若收盘价创250日新高，则值为0；否则为正值，表示回落幅度[11] - **因子评价**：有效捕捉动量效应，符合经典趋势跟踪理论[11] 2. **因子名称**：平稳创新高筛选因子（复合因子） - **构建思路**：结合分析师关注度、股价路径平稳性等多维度筛选具备持续动量的股票[24][26] - **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[26] - **股价相对强弱**：过去250日涨跌幅全市场前20%[26] - **股价平稳性**： 1. **位移路程比**：$$ \frac{\text{过去120日涨跌幅绝对值}}{\text{过去120日日涨跌幅绝对值加总}} $$[24] 2. **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] - **因子评价**：综合反映动量持续性和市场关注度，避免短期波动干扰[24] --- 因子的回测效果 1. **250日新高距离因子**： - **上证指数**：4.23%[12] - **深证成指**：9.82%[12] - **沪深300**：9.27%[12] - **中证500**：7.66%[12] - **银行行业**：0.87%（中信一级行业中最低）[13] 2. **平稳创新高股票筛选结果**： - **筛选数量**：40只（如新大陆、火炬电子等）[27] - **板块分布**：周期板块11只（交通运输为主）、大金融板块10只（银行为主）[27] - **典型个股表现**： - 艾力斯（医药）：250日涨跌幅92%，新高距离1.0%[29] - 盐津铺子（食品饮料）：250日涨跌幅60%，新高距离0.0%[29] --- 补充说明 - **行业/板块应用**：机械、汽车、银行行业创新高个股占比最高（分别29.40%、35.83%、42.86%）[19][22] - **指数层面**：中证2000指数创新高个股占比达20.65%，显示小盘股动量效应显著[20][23] （注：原文未提供模型IR或年化收益等量化指标，故未列出）