量化模型与构建方式 1. **模型名称：LSTMtech** - **模型构建思路**：直接使用LSTM模型对股价数据（开、高、低、收、成交量）及技术指标进行因子挖掘[15] - **模型具体构建过程**：输入层为原始量价数据及talib生成的技术指标，采用6年训练集+2年验证集的滚动训练方式，每年更新模型参数[15] - **模型评价**：多头分组效果不够单调，但整体选股能力稳定[15] 2. **模型名称：LSTMdeap_tech** - **模型构建思路**：先通过遗传算法挖掘有效技术因子，再与原始数据共同输入LSTM模型[24][26] - **模型具体构建过程**： 1. 使用遗传算法在2010-2016年数据中挖掘有效因子（框架见图4）[20][22] 2. 将遗传算法因子与原始技术指标合并作为LSTM输入[26] 3. 保持相同的滚动训练机制（6年训练+2年验证）[26] - **模型评价**：绩效显著优于纯LSTM模型，且能覆盖原始LSTM因子的alpha信息[26] 3. **模型名称：LSTMgraph** - **模型构建思路**：将技术指标转化为人为定义的状态变量后输入LSTM[33][41] - **模型具体构建过程**： 1. 对K线形态（实体/影线）和技术指标（如均线相对位置）进行状态编码[33] 2. 合成1-20日K线状态变量作为输入[41] 3. 采用相同LSTM框架训练[41] - **模型评价**：解决了CNN图形识别耗时耗资源的问题，同时保留形态特征[32][41] 4. **复合模型名称：LSTMdeap_tech_graph** - **模型构建思路**：等权合成LSTMdeap_tech与LSTMgraph因子[47][49] - **模型具体构建过程**： 1. 验证两因子相关性（51.48%）及残差选股效果（见图16）[47][49] 2. 直接等权加权合成[49] - **模型评价**：多维度技术信号互补，绩效进一步提升[49] 5. **复合模型名称：LSTMdeap_tech_graph_pro** - **模型构建思路**：将LSTMdeap_tech_graph与交易行为因子LSTMpro等权合成[54] - **模型具体构建过程**：基于38.61%的低相关性直接合成[54] - **模型评价**：多头超额收益显著提升，收益波动比优化[54] --- 量化因子与构建方式 1. **因子名称：Tech_similarity** - **构建思路**：基于技术指标状态匹配历史相似形态[35] - **具体构建过程**： 1. 按月回看5个交易日，匹配股价/MACD/涨跌停/成交量状态[35] 2. 计算匹配日后续20天超额收益均值[35] $$因子值=\frac{1}{5}\sum_{i=1}^{5} (匹配日_i未来20天超额收益)$$ 2. **因子名称：K_similarity** - **构建思路**：基于K线形态匹配历史相似模式[39] - **具体构建过程**： 1. 对日/周/月K线及成交量状态编码[39] 2. 采用与Tech_similarity相同的计算逻辑[39] 3. **复合因子名称：Tech_K_similarity** - **构建思路**：等权合成Tech_similarity与K_similarity[40] - **具体构建过程**：验证两因子25.49%相关性后直接合成[40] --- 模型的回测效果 | 模型名称 | RankIC(2019-) | RankICIR | 多空年化收益 | 多头超额年化 | |------------------------|---------------|----------|--------------|--------------| | LSTMtech | 7.42% | 4.25 | 24.02% | - | [15] | LSTMdeap_tech | 9.27% | 4.54 | 32.44% | - | [26] | LSTMgraph | 9.01% | 4.70 | 32.25% | - | [41][44] | LSTMdeap_tech_graph | 10.89% | 4.99 | 37.28% | 9.40% | [49] | LSTMdeap_tech_graph_pro | 11.93% | - | 39.85% | 11.34% | [54] --- 因子的回测效果 | 因子名称 | RankIC(2013-) | RankICIR | 多空年化收益 | |-------------------|---------------|----------|--------------| | Tech_similarity | 4.97% | 3.05 | 20.22% | [35][37] | K_similarity | 5.10% | 3.09 | 19.25% | [39][42] | Tech_K_similarity | 5.89% | 3.25 | 25.97% | [40][43]

根据提供的研报内容，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：大小盘风格因子** - 因子构建思路：通过市场风格分析，区分大盘与小盘股票的表现差异[11][13] - 因子具体构建过程：基于市值加权计算大盘与小盘股票的超额收益差异，反映市场风格偏好 - 因子评价：能够有效捕捉市场风格切换，但需结合其他因子增强稳定性 2. **因子名称：价值成长风格因子** - 因子构建思路：区分价值型与成长型股票的表现差异[11][13] - 因子具体构建过程：通过PB、PE等估值指标划分股票类型，计算两类股票收益差 - 因子评价：在风格分化明显的市场环境中表现突出 3. **因子名称：行业轮动因子** - 因子构建思路：跟踪行业超额收益离散度变化[11][13] - 因子具体构建过程：计算各行业指数相对基准的超额收益标准差 $$ \sigma_{行业} = \sqrt{\frac{1}{N}\sum_{i=1}^N (R_i - \bar{R})^2} $$ 其中$R_i$为行业i超额收益，$\bar{R}$为行业平均超额收益 4. **因子名称：商品趋势强度因子** - 因子构建思路：衡量商品期货板块的趋势延续性[28][29][31] - 因子具体构建过程：通过EMA计算各商品板块的价格动量 $$ EMA_t = \alpha \cdot P_t + (1-\alpha) \cdot EMA_{t-1} $$ 其中$\alpha$为平滑系数，$P_t$为当期价格 5. **因子名称：期权隐含波动率因子** - 因子构建思路：捕捉期权市场对波动率的预期变化[36][37] - 因子具体构建过程：计算ATM期权隐含波动率与历史波动率的差值 因子回测效果 1. **大小盘风格因子** - IC均值：0.32[13] - IR：1.25[13] - 年化超额收益：8.7%[13] 2. **价值成长风格因子** - IC均值：0.28[13] - IR：1.08[13] - 年化超额收益：6.5%[13] 3. **行业轮动因子** - IC均值：0.41[13] - IR：1.63[13] - 年化超额收益：12.3%[13] 4. **商品趋势强度因子** - 胜率：58%[31] - 盈亏比：1.8[31] - 年化收益：15.2%[31] 5. **期权隐含波动率因子** - 波动率预测误差：±2.3%[36] - 方向准确率：67%[36] 注：所有因子测试结果均基于2025年6月16-20日数据[3][11][28]

量化模型与构建方式 1. **模型名称：高景气行业轮动策略** - **模型构建思路**：基于分析师对各行业盈利预期的原值、斜率和曲率等多因子，优选景气度持续向上的行业，剔除估值极高行业后等权配置最优行业[1][2]。 - **模型具体构建过程**： 1. 通过分析师一致预期数据构建三大类因子： - 一类因子（长期赛道因子）：如ROE_FY2、ROE_FY3，代表3-5年赛道概念[13]。 - 二类因子（中期景气度因子）：如EPS_F2_qoq、EPS_F3_mom，反映中短期景气度变化[13]。 - 三类因子（短期情绪因子）：如EPS_F3_qoq_d1m，反映景气度变化的斜率[13]。 2. 因子复合：通过分层聚类方法筛选年化超额>3%的因子，等权Rank复合（最优复合数量为8）[17][18]。 3. 极端估值保护：剔除PB分位数（5日平滑）高于95%的行业[23][26]。 - **模型评价**：聚焦盈利预期边际变化，规避估值泡沫，适合中短期景气周期跟踪[13][16]。 2. **模型名称：隐含情绪动量策略** - **模型构建思路**：通过剥离换手率变化率与收益率关系得到“未证伪情绪”，捕捉未被主流预期反映的市场动向[32][33]。 - **模型具体构建过程**： 1. 日度收益率对换手率变化率截面回归（无截距），残差为未证伪情绪收益率[34]。 2. 计算累计未证伪情绪净值，构建半个月/12个月动量因子[35]。 3. 增强措施：剥离基本面影响（如EPS_yoy）、波动率调整、多因子复合（半个月+12个月动量最优）[36]。 4. 加入极端估值保护机制[36]。 - **模型评价**：有效捕捉情绪驱动的动量效应，但需警惕高波动风险[32][38]。 3. **模型名称：宏观指标风格轮动策略** - **模型构建思路**：以宏观经济、货币、信贷等指标为基础，结合行业风格（价值/动量/波动率）定量择时，映射至行业优选[43][44]。 - **模型具体构建过程**： 1. 宏观指标处理：分历史中枢（6年zscore）、超预期（SUE_3Y）、边际变动（d3m）三个维度[48][49]。 2. 行业风格因子优选：通过截面回归筛选显著性、稳定性、低相关性的风格因子（如Value、Beta_1y、Vol_3m、Mom_12m）[51][53]。 3. 风格研判：宏观指标等权投票打分，映射至行业标准化暴露度[58][61]。 - **模型评价**：突破传统宏观框架局限性，但依赖风格因子稳定性[43][63]。 4. **模型名称：中长期动量反转策略** - **模型构建思路**：结合行业收益率“中短期动量、长期反转”结构，叠加低换手因子捕捉周期轮换机会[71][74]。 - **模型具体构建过程**： 1. 构建12个月动量因子（剔除最近1月）和24-36个月反转因子[76][78]。 2. 复合因子：12月动量 + 24-36月反转Rank等权复合[76]。 3. 低换手增强：剔除旬度换手率截面zscore高的行业[82][83]。 - **模型评价**：兼顾动量与反转效应，但需动态调整参数[71][84]。 5. **模型名称：资金流行业轮动策略** - **模型构建思路**：跟踪主力资金（机构单）和尾盘资金流入强度，挖掘资金驱动动能[91][92]。 - **模型具体构建过程**： 1. 机构单趋势强度因子：净买入金额与绝对值移动平均比值，中性化处理（剔除市值/换手率影响）[94][95]。 2. 尾盘流入强度因子：尾盘资金流入金额占流通市值/成交额比例的月度差分Rank复合[99][103]。 3. 剔除高拥挤行业（换手率zscore分位数>90%）[100][101]。 - **模型评价**：直接反映资金动向，但需规避抱团风险[91][105]。 6. **模型名称：财报失效反转策略** - **模型构建思路**：利用长期有效但阶段性失效的财报因子，依托均值回复机制反转选行业[108][109]。 - **模型具体构建过程**： 1. 财报因子库：48个类ROA因子（利润表/资产负债表指标组合）+16个类净利润YOY/QOQ因子[110][116]。 2. 筛选条件：滚动3年年化超额>5.5%且近4个月连续跑输的因子，按类别等权zscore复合[116][117]。 - **模型评价**：逆向布局财报因子失效，但需严格监控因子恢复周期[108][118]。 7. **模型名称：传统低频多因子打分策略** - **模型构建思路**：从动量、估值、流动性、质量四维度优选单因子，等权Rank复合[122][123]。 - **模型具体构建过程**： 1. 优选因子：如252日动量（正向）、756日动量（反向）、股息率3年分位（反向）、ROE_TTM季度差分（正向）等[124][128]。 2. 仅在中证800权重>2%的行业中筛选[122][123]。 - **模型评价**：经典多因子框架，适合长期配置但换仓频率低[122][129]。 8. **模型名称：波动率控制复合策略** - **模型构建思路**：以各单策略滚动63日负向波动率倒数分配资金，等权配置看多行业[3][139]。 - **模型具体构建过程**： 1. 计算下跌日波动率：$$\sigma_{D}=\sqrt{\frac{1}{n-1}\sum_{r_{i}\in D}\left(r_{i}-\frac{1}{n}\sum_{r_{i}\in D}r_{i}\right)^{2}}$$[139]。 2. 资金分配：负向波动率越低，配置比例越高[139][142]。 3. 调仓频率：兼顾周度/月度/季度策略换仓周期[141][146]。 - **模型评价**：有效控制回撤，但需动态调整窗口参数（M=63最优）[147]。 --- 模型的回测效果 1. **高景气行业轮动策略**：年化超额16.69%，最大回撤-12.95%，卡玛比率1.29[26][28]。 2. **隐含情绪动量策略**：年化超额18.61%，最大回撤-17.83%，卡玛比率1.04[37][38]。 3. **宏观指标风格轮动策略**：年化超额7.01%，最大回撤-23.46%，卡玛比率0.30[63][64]。 4. **中长期动量反转策略**：年化超额11.42%，最大回撤-14.91%，卡玛比率0.77[84][88]。 5. **资金流行业轮动策略**：年化超额11.64%，最大回撤-12.16%，卡玛比率0.96[101][106]。 6. **财报失效反转策略**：年化超额9.13%，最大回撤-10.54%，卡玛比率0.87[118][119]。 7. **传统低频多因子打分策略**：年化超额12.00%，最大回撤-13.25%，卡玛比率0.91[129][133]。 8. **波动率控制复合策略**：年化超额12.2%，最大回撤-6.8%，卡玛比率1.80[147][148]。 --- 量化因子与构建方式 1. **因子名称：景气度复合因子** - **构建思路**：综合盈利预期原值、斜率、曲率三类因子，优选边际变化显著的行业[13][16]。 - **具体构建**：等权Rank复合8个单因子（如ROE_FY2、EPS_F2_qoq等），剔除PB分位数>95%行业[17][21]。 2. **因子名称：未证伪情绪动量因子** - **构建思路**：剥离换手率对收益的影响，捕捉情绪驱动的超额收益[32][34]。 - **具体构建**：$$r_{i,t}=\beta \cdot \Delta \text{turnover}_{i,t}+\epsilon_{i,t}$$（无截距回归残差）[34][35]。 3. **因子名称：宏观风格因子** - **构建思路**：通过宏观指标预测风格多空（如Value/Beta），映射至行业暴露[51][53]。 - **具体构建**：宏观指标等权投票打分，行业得分=标准化风格暴露×方向[58][61]。 4. **因子名称：长期反转-中期动量因子** - **构建思路**：结合12个月动量与24-36个月反转效应[76][78]。 - **具体构建**：Rank等权复合动量与反转因子，叠加低换手筛选[76][82]。 5. **因子名称：资金流复合因子** - **构建思路**：综合机构单趋势强度与尾盘流入强度[91][94]。 - **具体构建**：中性化后等权zscore复合，剔除换手率拥挤度>90%行业[94][100]。 6. **因子名称：财报失效反转因子** - **构建思路**：筛选长期有效但近期失效的财报因子，逆向布局[116][117]。 - **具体构建**：按类别优选单因子（如ROA边际变化、净利润YOY分位）等权复合[116][117]。 7. **因子名称：传统多因子复合因子** - **构建思路**：四维度（动量/估值/流动性/质量）等权Rank复合[124][128]。 - **具体构建**：如252日动量+股息率3年分位+ROE_TTM差分等[124][128]。 --- 因子的回测效果 1. **景气度单因子**：ROE_FY2年化超额6.9%，EPS_F2_qoq年化超额7.0%[17][18]。 2. **未证伪情绪动量因子**：半个月+12个月复合因子年化超额18.61%[37][38]。 3. **宏观风格因子**：Value/Beta_1y等风格因子Rank IC均值>0.05[51][53]。 4. **长期反转-中期动量因子**：复合因子年化超额11.42%[84][88]。 5. **资金流复合因子**：年化超额11.64%，最大回撤-12.16%[101][106]。 6. **财报失效反转因子**：优选因子年化超额9.13%[118][119]。 7. **传统多因子复合因子**：年化超额12.00%[129][133]。

量化模型与构建方式 1. **模型名称**：基于指数内部风格强弱的扩散指数模型 - **模型构建思路**：通过统计指数成分股内不同风格因子（如市值、波动率等）的相对强弱，构建扩散指数进行风格轮动[4][5] - **模型具体构建过程**： 1. 选定指数（成分股数量为N）和风格因子F，将成分股按F值分为两组（各N/2个）[18] 2. 计算过去M天所有股票收益的平均值r，统计两组中跑赢r的比例（p1和p2）[18] 3. 计算相对强弱指标R并归一化： $$ R = \frac{p1 - p2}{2} + 0.5 $$ 其中R∈[0,1]，值越大表示F值大的组相对强势[18] - **模型评价**：能有效捕捉指数内风格分化，但受限于单一指数范围[5] 2. **模型名称**：基于不同指数间相对强弱的扩散指数模型 - **模型构建思路**：推广模型一至跨指数比较，用于指数间轮动[4][27] - **模型具体构建过程**： 1. 选定两个指数（成分股数量分别为N1和N2）[26] 2. 分别计算过去M天两指数成分股收益的平均值r1和r2，加权得r=(r1+r2)/2[30] 3. 统计两指数成分股跑赢r的比例（p1和p2），计算归一化R值（公式同模型一）[30] - **模型评价**：扩展性强，适用于任意指数对比较，但需注意参数敏感性[27] --- 模型的回测效果 1. **沪深300波动轮动模型**（双均线参数：短期10日MA，长期20日MA） - 高波动组胜率48.48%，平均超额收益1.00%[35] - 低波动组胜率63.64%，平均超额收益1.47%[35] 2. **中证500波动轮动模型** - 高波动组胜率37.14%，平均超额收益0.78%[38] - 低波动组胜率51.43%，平均超额收益0.99%[38] 3. **中证1000与沪深300轮动模型** - 中证1000胜率64.71%，平均超额收益1.57%[44] - 沪深300胜率63.64%，平均超额收益1.16%[44] --- 参数敏感性分析 1. **中证1000成分股内波动率轮动** - 最优回顾期20-25天，年化收益率16.78%，最大回撤32.50%[51][53] 2. **中证1000与沪深300轮动** - 回顾期20天时年化收益率9.18%，最大回撤29.19%[55] - 回顾期180天时年化收益率9.85%，最大回撤33.34%[55] --- 关键因子说明 - **波动率因子**：过去一年收益率年化标准差[17] - **市值因子**：Wind总市值[20] - **价值因子**：PE_TTM倒数[22] - **成长因子**：单季度归母净利润增速[24]

量化模型与构建方式 1. **模型名称：A股行业轮动模型** - **模型构建思路**：通过资金、估值、情绪、动量、超买超卖和盈利6个因子构建综合打分体系，评估行业轮动机会[18] - **模型具体构建过程**： 1. **资金因子**：行业主力净流入率（过去N日主力资金净流入/行业市值） 2. **估值因子**：行业当前PE/PB位于过去1年的分位数 3. **情绪因子**：行业成分股上涨比例（上涨股票数/总股票数） 4. **动量因子**：行业MACD指标（DIF与DEA差值） 5. **超买超卖因子**：行业RSI指标（14日周期） 6. **盈利因子**：行业一致预测EPS过去1年分位数 各因子标准化后加权求和，权重未公开[18] - **模型评价**：多维度覆盖市场驱动因素，但未披露因子权重分配逻辑 2. **模型名称：共识度选股模型** - **模型构建思路**：结合行业动量、高频资金流与价格走势相似度筛选个股[21] - **模型具体构建过程**： 1. **行业筛选**：选取过去30天涨幅前三的申万二级行业 2. **股票池构建**：在目标行业中计算以下指标： - 月度动量因子（过去30日收益率） - 估值因子（如PE分位数） - 上涨频率（日内上涨分钟数占比） 3. **高频资金匹配**：计算股票分钟级资金流与价格走势的相关系数（如Pearson系数） 4. **最终筛选**：按相关系数排序，每个行业选取前5只股票[21] - **模型评价**：高频数据捕捉短期资金动向，但对交易成本敏感 --- 模型的回测效果 1. **A股行业轮动模型**： - 非银金融（得分6）、食品饮料（5）、电子（4）为当期高分行业[20] - 石油石化（-8）、轻工制造（-6）、银行（-6）为低分行业[20] 2. **共识度选股模型**： - 当期输出标的：元件（满坤科技、沪电股份等）、油服工程（通源石油、中海油服等）、饰品（明牌珠宝、周大生等）[22] --- 量化因子与构建方式 1. **因子名称：主力资金净流入率** - **构建思路**：通过大单交易识别主力资金动向[13] - **具体构建过程**： - 定义主力交易单：单笔成交≥10万股或金额≥20万元 - 计算每日行业净流入额：主力买入额-主力卖出额 - 标准化处理：净流入额/行业流通市值[13] 2. **因子名称：MACD动量因子** - **构建思路**：捕捉行业价格趋势变化[18] - **具体构建过程**： - 计算行业指数12日EMA（快线）与26日EMA（慢线）： $$EMA_{12} = \frac{2}{13} \times (今日收盘价 - 昨日EMA_{12}) + 昨日EMA_{12}$$ $$EMA_{26} = \frac{2}{27} \times (今日收盘价 - 昨日EMA_{26}) + 昨日EMA_{26}$$ - DIF = EMA_{12} - EMA_{26} - DEA = DIF的9日EMA[18] 3. **因子名称：RSI超买超卖因子** - **构建思路**：衡量行业短期超买超卖状态[18] - **具体构建过程**： - 计算14日行业指数涨跌幅： $$RS = \frac{14日平均涨幅}{14日平均跌幅}$$ - $$RSI = 100 - \frac{100}{1+RS}$$[18] --- 因子的回测效果 （注：报告中未披露单一因子的独立测试结果）

根据研报内容，以下是量化模型和因子的详细总结： 量化模型与构建方式 1. **模型名称：行业修正动量策略（PMS组合）** - **模型构建思路**：基于市场环境判断，在不同市场状态下通过个股动量构建行业动量代理指标，选择兼顾龙头股趋势、非龙头股反转及系统性风险分散的行业进行配置[27] - **模型具体构建过程**： 1. 计算行业动量代理指标：结合1年动量（1Y动量）和1年夏普比率（1Y夏普因子） 2. 筛选行业：龙头股趋势（RANK IC 18.67%）、非龙头股反转（RANK IC 15.63%） 3. 月度调仓，配置银行、非银、传媒、电子、农林牧渔等行业[27][28] - **模型评价**：在行业层面趋势类策略占优，尤其适用于内外部宏观扰动较多的环境[27] 2. **模型名称：利率债多周期择时策略** - **模型构建思路**：利用核回归算法捕捉10年期国债收益率曲线的趋势形态，结合长、中、短周期信号生成复合择时观点[41] - **模型具体构建过程**： 1. 长周期（月度频率）：向下突破信号 2. 中周期（双周频率）：无信号 3. 短周期（周度频率）：无信号 4. 综合信号权重：下行突破1票，上行突破0票，输出中性震荡观点[41][42] 3. **模型名称：转债期权估值择时策略** - **模型构建思路**：基于期权二叉树定价法计算转债定价偏离度，动态调整仓位[52] - **模型具体构建过程**： 1. 计算定价偏离度：$$偏离度 = \frac{转债二叉树定价}{转债市价} - 1$$ 2. 仓位调整规则：偏离度>0时增配转债，偏离度<0时减配 3. 周度调仓，偏离度中位数-0.69%时配置44%仓位[52][53] --- 量化因子与构建方式 1. **因子名称：股债性价比因子** - **因子构建思路**：作为估值领先指标，通过权益与债券的收益比判断A股估值空间[12] - **因子具体构建过程**： 1. 计算中证800指数12个月滚动收益与10年期国债收益率差值 2. 标准化处理：5年分位数56.27%（全A）、31.03%（中证800）[12][15] 2. **因子名称：ROIC利率中枢因子** - **因子构建思路**：通过权益与债市ROIC匹配关系推算利率中枢[32] - **因子具体构建过程**： 1. 权益ROIC计算：$$ROIC_{权益} = \frac{净利润}{总资产}$$（A股除金融口径4.07%） 2. 债市隐含ROIC计算：$$ROIC_{债市} = (无风险利率+信用溢价)×债权比例$$（3.57%） 3. 利率中枢推算：上市公司口径1.34%，工业企业口径1.50%[32][40] 3. **因子名称：转债正股PB估值因子** - **因子构建思路**：合成全市场转债正股PB中位数，判断股底BETA机会[57] - **因子具体构建过程**： 1. 自下而上计算正股PB中位数：最新值2.19 2. 分位数处理：5年分位数19.72%[57][58] --- 模型的回测效果 1. **行业修正动量策略（PMS组合）** - 年化收益率：6.84%（超额收益7.59%） - 最大回撤：-11.78%[27] 2. **利率债多周期择时策略** - 年化收益率（不计费）：7.79% - 收益回撤比：13.46[47] 3. **转债期权估值择时策略** - 年化收益率：8.75% - 超额收益（vs等权基准）：2.22%[56] --- 因子的回测效果 1. **股债性价比因子** - 中证800预测收益：6.55%（中性情景）[19] 2. **ROIC利率中枢因子** - 利率走廊上限：1.75%（上市公司口径）[40] 3. **转债正股PB估值因子** - 正股PB中位数：2.19（5年分位数19.72%）[57]

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与平均跌幅的比值，衡量市场超买超卖状态[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。当RSI>70为超买，RSI<30为超卖[2] - 因子评价：经典动量类指标，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)为当日收益率[2] 因子的回测效果 1 RSI因子： - 华泰柏瑞沪深300ETF RSI值47.29[4] - 易方达沪深300ETF RSI值61.93[4] - 华夏沪深300ETF RSI值61.89[4] 2 净申购因子： - 华泰柏瑞沪深300ETF净申购12.50亿元[4] - 易方达沪深300ETF净申购3.32亿元[4] - 华夏沪深300ETF净申购0.54亿元[4] 注：日内行情趋势、机构持仓占比等指标为描述性数据，未涉及量化模型构建过程[2][3][4]

根据提供的金融工程日报内容，该报告主要聚焦市场表现和资金流向监测，未涉及量化模型或因子构建相关内容。以下是可提取的核心市场监测指标： 市场情绪指标 1 封板率计算方式： 封板率=最高价涨停且收盘涨停的股票数/最高价涨停的股票数[17] 当日封板率77%[17] 2 连板率计算方式： 连板率=连续两日收盘涨停的股票数/昨日收盘涨停的股票数[17] 当日连板率23%[17] 资金流向指标 1 两融数据： - 两融余额18,169亿元（融资18,052亿/融券117亿）[19] - 占流通市值比重2.3%[22] - 交易占比8.5%[22] 2 大宗交易： - 近半年日均成交13亿元[26] - 当日成交14亿元[26] - 平均折价率5.52%[26] - 当日折价率4.78%[26] 折溢价指标 1 ETF折溢价： - 智能汽车ETF溢价0.61%[23] - 新材料50ETF折价0.56%[23] 2 股指期货年化贴水率： $$年化贴水率=基差/指数价格*(250/合约剩余交易日数)$$[28] - 上证50：4.96%（36%分位）[28] - 沪深300：5.25%（38%分位）[28] - 中证500：9.50%（46%分位）[28] - 中证1000：12.79%（49%分位）[28] 机构行为指标 1 机构调研： - 京北方获79家机构调研[31] 2 龙虎榜： - 机构净流入前三：光迅科技/国轩高科/安妮股份[35] - 陆股通净流入前三：冰川网络/光迅科技/湘财股份[36]

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**：高景气成长与红利策略轮动模型 **模型构建思路**：通过多因子信号动态调整高景气成长与红利资产的配置比例[56] **模型具体构建过程**： - 选取五个有效信号因子：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） - 每月末对各因子进行标准化处理并计算均值作为综合打分 - 根据打分结果决定配置方向（高景气成长或红利资产） **模型评价**：能够捕捉市场风格切换，实现超额收益[56] 2. **模型名称**：黄金择时模型 **模型构建思路**：结合抗通胀属性、金融属性、避险属性等多维度指标构建黄金配置信号[23] **模型具体构建过程**： - 采用6大类指标： 1. 抗通胀属性（美国10年期盈亏平衡通胀率） 2. 金融属性（实际利率） 3. 货币属性（财政赤字、商业银行总负债） 4. 避险属性（经济政策不确定性指数） 5. 资金面（CFTC黄金投机净多仓） 6. 需求属性（央行购金量） - 各指标标准化后加权计算综合得分 - 设置阈值触发买入/卖出信号[23][26] 量化因子与构建方式 1. **因子名称**：期限利差因子 **因子构建思路**：反映货币政策松紧对市场风格的影响[56] **因子具体构建过程**： $$ 期限利差 = 10年期国债收益率 - 1年期国债收益率 $$ **因子评价**：利差收窄时红利风格占优[56] 2. **因子名称**：社融增速因子 **因子构建思路**：衡量信用扩张对成长股的推动作用[56] **因子具体构建过程**： $$ 社融增速 = \frac{当月社融存量}{去年同期社融存量} - 1 $$ **因子评价**：增速提升时高景气成长风格占优[56] 3. **因子名称**：CPI-PPI四象限因子 **因子构建思路**：通过物价组合判断经济周期阶段[56] **因子具体构建过程**： - 划分四象限： 1. CPI↑PPI↑（过热期） 2. CPI↑PPI↓（滞胀期） 3. CPI↓PPI↓（衰退期） 4. CPI↓PPI↑（复苏期） **因子评价**：不同象限对应不同优势风格[56] 模型的回测效果 1. **高景气成长与红利轮动模型**： - 年化收益：14.86% - 最大回撤：27.08% - 年化波动率：23.20% - 年化Sharpe：0.64[56] 2. **黄金择时模型**： - 当前信号：买入（综合得分1）[23] - 技术面支撑位：3150美元[23] 因子的回测效果 1. **期限利差因子**： - 2025年6月信号：支持红利配置[56] 2. **社融增速因子**： - 最新值：8.7%（同比多增2271亿元）[37] 3. **CPI-PPI四象限因子**： - 当前状态：CPI-0.1%、PPI-3.3%（双负区间）[37]

量化模型与构建方式 1. **模型名称：全球资产BL模型1** - 模型构建思路：基于Black-Litterman框架，结合主观观点与量化配置模型，优化资产配置权重[12] - 模型具体构建过程： 1. 选择标的资产（沪深300、恒生指数、标普500、国债指数、企业债指数、南华商品指数）[13] 2. 通过贝叶斯理论将主观观点与历史数据结合，计算资产预期收益 3. 优化权重分配，解决均值-方差模型对预期收益敏感的问题 - 模型评价：有效平衡主观判断与量化分析，容错性较高[12] 2. **模型名称：全球资产BL模型2** - 模型构建思路：与BL模型1类似，但采用不同的参数设定或观点输入方式[13] - 模型具体构建过程：同BL模型1，差异体现在权重优化环节[13] 3. **模型名称：国内资产BL模型1** - 模型构建思路：针对国内资产（股票、债券、转债、商品、黄金）的BL模型变体[13] - 模型具体构建过程： 1. 标的资产包括沪深300、中证1000、恒生指数、国债指数、企业债指数、中证转债、南华商品指数、SHFE黄金[13] 2. 通过BL框架计算风险调整后权重 4. **模型名称：国内资产BL模型2** - 模型构建思路：国内BL模型的另一种参数化版本[13] - 模型具体构建过程：同国内BL模型1，差异在权重分配逻辑[13] 5. **模型名称：全球资产风险平价模型** - 模型构建思路：使每类资产对组合风险贡献相等，降低单一资产波动影响[17] - 模型具体构建过程： 1. 选择标的资产（沪深300、标普500、恒生指数、企业债指数、南华商品指数、COMEX黄金）[18] 2. 计算资产波动率及相关性，优化权重使风险贡献均衡[17] - 模型评价：适应复杂市场环境，波动控制较好[16] 6. **模型名称：国内资产风险平价模型** - 模型构建思路：针对国内资产的风险平价实现[18] - 模型具体构建过程：标的资产与国内BL模型相同，优化方法同全球风险平价模型[18] 7. **模型名称：基于宏观因子的资产配置模型** - 模型构建思路：通过增长、通胀等六大宏观因子驱动配置决策[22] - 模型具体构建过程： 1. 构造高频宏观因子（Factor Mimicking Portfolio方法）[23] 2. 计算资产因子暴露，结合主观观点调整目标暴露 3. 反解得到权重，公式： $$ \text{目标权重} = f(\text{基准暴露} + \text{主观偏离值}) $$ - 模型评价：将宏观研究与量化配置结合，灵活性高[22] --- 模型的回测效果 1. **全球资产BL模型1** - 上周收益：0.15% | 6月收益：0.49% | 2025年收益：0.04% - 年化波动：2.09% | 最大回撤：1.64%[14] 2. **全球资产BL模型2** - 上周收益：0.12% | 6月收益：0.45% | 2025年收益：0.72% - 年化波动：1.83% | 最大回撤：1.28%[14] 3. **国内资产BL模型1** - 上周收益：0.01% | 6月收益：0.55% | 2025年收益：1.52% - 年化波动：2.36% | 最大回撤：1.31%[14] 4. **国内资产BL模型2** - 上周收益：0.02% | 6月收益：0.47% | 2025年收益：1.53% - 年化波动：2.10% | 最大回撤：1.06%[14] 5. **全球资产风险平价模型** - 上周收益：0.10% | 6月收益：0.43% | 2025年收益：1.86% - 年化波动：1.86% | 最大回撤：1.20%[21] 6. **国内资产风险平价模型** - 上周收益：0.10% | 6月收益：0.50% | 2025年收益：2.24% - 年化波动：1.62% | 最大回撤：0.76%[21] 7. **基于宏观因子的资产配置模型** - 上周收益：0.09% | 6月收益：0.62% | 2025年收益：2.20% - 年化波动：1.49% | 最大回撤：0.64%[28] --- 量化因子与构建方式 （注：报告中未明确提及独立因子构建，仅宏观因子作为模型输入[23]） --- 因子的回测效果 （无相关内容）