量化因子与构建方式 1. **因子名称**：新价量相关性RPV因子[6] **因子构建思路**：对日内与隔夜信息叠加，通过划分价量四象限，利用月度IC均值有效甄别出价量相关性因子的反转效应和动量效应，在"动量因子切割"研究的基础上，以相关性的形式加入"成交量"的信息，分别为日内、隔夜的价量相关性找到最佳代表，并完成信息叠加[1][6] **因子具体构建过程**： - 从基准因子CCV（日频CPV）中发现换手率序列可以增强收盘价序列的反转效应[6] - 分别为日内价量相关性和隔夜价量相关性找到了最佳代表——CCOIV和COV[6] - 日内价量相互配合，加强了反转效应；隔夜价量关系蕴藏在时间维度上的"错配"之中，"昨日量"加强了隔夜收益的动量效应[6] - 将日内价量相关性因子和隔夜价量相关性因子协调一致，使各自的信息叠加起来，得到新价量相关性RPV选股因子[6] **因子评价**：该因子既新颖又"能打"[1] 2. **因子名称**：聪明版日频价量相关性SRV因子[1] **因子构建思路**：将日内涨跌拆分为上午涨跌和下午涨跌，并计算分钟"聪明"指标，识别知情交易最集中的"聪明"时段，改进隔夜价量相关性的计算方式，并将效果更好的日内和隔夜价量相关性因子结合[1] **因子具体构建过程**： - 将日内涨跌拆分为上午涨跌和下午涨跌，并计算分钟"聪明"指标[1] - 将当日下午"聪明"指标最大的各20%（24分钟）作为知情交易最集中的"聪明"时段[1] - 使用下午"聪明"换手率与下午涨跌的相关系数作为日内价量相关性的改进[1] - 对隔夜价量相关性，将换手率替换为知情交易比例更高的昨天最后半小时换手率[1] - 将效果更好的日内价量相关性因子和隔夜价量相关性因子结合，合成SRV因子[1] **因子评价**：SRV因子的效果要好于RPV因子[1] 因子的回测效果 1. **新价量相关性RPV因子**[1][7][10] **年化收益率**：14.29% **年化波动率**：7.66% **信息比率(IR)**：1.87 **月度胜率**：72.54% **最大回撤率**：10.63% 2. **聪明版日频价量相关性SRV因子**[1][7][10] **年化收益率**：17.03% **年化波动率**：6.47% **信息比率(IR)**：2.63 **月度胜率**：74.65% **最大回撤率**：3.93% 11月份因子收益统计 1. **新价量相关性RPV因子**[10] **10分组多头组合收益率**：-0.23% **10分组空头组合收益率**：-0.47% **10分组多空对冲收益率**：0.24% 2. **聪明版日频价量相关性SRV因子**[10] **10分组多头组合收益率**：0.19% **10分组空头组合收益率**：-0.44% **10分组多空对冲收益率**：0.63%

量化模型与构建方式 1. **模型名称**：重拾自信选股模型[6] **模型构建思路**：基于行为金融学中的投资者过度自信预期偏差，通过计算利好超涨和股价回调的时间点差距构造代理变量，并进一步考虑过度自信后的过度修正，将第一代因子与日内收益正交得到第二代因子[6] **模型具体构建过程**： - 首先，根据DHS模型，从“投资者过度自信的程度影响股价”的逻辑出发，用“股价快速上涨和快速下跌的时间差”作为代理变量，构造了过度自信因子CP[6] - 接着，考虑投资者在股价回调时可能出现的过度悲观导致回调幅度过大，但由于利好消息的存在，这类股票之后会补涨[6] - 在此基础上，将第一代过度自信因子CP和日内收益进行正交化处理，将得到的残差项作为第二代重拾自信因子RCP[6] - 在2.0版本中，使用标准化因子代替排序值以尽量保留因子信息，使因子纯净化[7] 量化因子与构建方式 1. **因子名称**：过度自信因子CP[6] **因子的构建思路**：基于行为金融学的过度自信理论，用股价快速上涨和快速下跌的时间差作为投资者过度自信程度的代理变量[6] 2. **因子名称**：重拾自信因子RCP[6] **因子的构建思路**：在第一代过度自信因子CP的基础上，考虑过度自信后可能出现的过度修正，通过将CP因子与日内收益正交化得到，以捕捉回调后的补涨效应[6] 3. **因子名称**：重拾自信因子2.0 RCP[7] **因子的构建思路**：对重拾自信因子RCP进行改进，使用标准化因子代替排序值以尽量保留因子信息，实现因子的纯净化[7] 模型的回测效果 1. 重拾自信选股模型（基于RCP因子），在全体A股（剔除北交所股票）中，10分组多空对冲的年化收益为17.68%，年化波动为7.83%，信息比率（IR）为2.26，月度胜率为77.46%，月度最大回撤为7.46%[7][12] 2. 重拾自信选股模型（基于RCP因子），在回测期2014/01/01-2022/08/31内，以全体A股为研究样本，新因子IC均值为0.04，年化ICIR为3.27，10分组多空对冲的年化收益率为20.69%，信息比率为2.91，月度胜率高达81.55%[1] 因子的回测效果 1. 重拾自信2.0 RCP因子，在全体A股（剔除北交所股票）中，10分组多空对冲的年化收益为17.68%，年化波动为7.83%，信息比率（IR）为2.26，月度胜率为77.46%，月度最大回撤为7.46%[7][12] 2. 重拾自信2.0 RCP因子，2025年11月份，在全体A股（剔除北交所股票）中，10分组多头组合的收益率为1.62%，10分组空头组合的收益率为-1.07%，10分组多空对冲的收益率为2.69%[1][10]

量化因子与构建方式 1. **因子名称**：“日与夜的殊途同归”新动量因子[7] **因子的构建思路**：基于价量关系理论，将交易时段切割为日内与隔夜，分别探索各自的价量关系以改进传统动量因子，再重新合成新的动量因子[7][6] **因子具体构建过程**：首先，基于投资者交易行为的逻辑，将动量因子切割为日内因子和隔夜因子；其次，分别对日内因子和隔夜因子加入成交量信息进行修正和改进；最后，将改进后的日内因子和隔夜因子重新合成为一个新的动量因子[7][6] **因子评价**：选股能力显著优于传统动量因子，稳定性较好[1][6] 因子的回测效果 1. **“日与夜的殊途同归”新动量因子**（回测期：2014年2月至2025年11月，全市场A股剔除北交所股票，10分组多空对冲）[1][13] * 年化收益率：18.04%[1][13] * 年化波动率：8.66%[13]（注：报告要点中为8.68%[1]） * 信息比率(IR)：2.08[1][13] * 月度胜率：78.17%[1][13] * 月度最大回撤率：9.07%[1][13] 2. **“日与夜的殊途同归”新动量因子**（回测期：2014年1月1日至2022年7月31日，全体A股）[1] * IC均值：-0.045[1] * 年化ICIR：-2.59[1] * 10分组多空对冲年化收益率：22.64%[1] * 10分组多空对冲信息比率：2.85[1] * 月度胜率：83.33%[1] * 最大回撤率：5.79%[1] 3. **“日与夜的殊途同归”新动量因子**（2025年11月份，全体A股剔除北交所股票，10分组）[1][10] * 多头组合收益率：-0.24%[1][10] * 空头组合收益率：-0.55%[1][10] * 多空对冲收益率：0.31%[1][10]

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：港股精选组合模型**[13][14] * **模型构建思路**：该模型旨在对分析师推荐股票池进行基本面和技术面的双层优选，挑选出同时具备基本面支撑和技术面共振的超预期股票[13][14]。 * **模型具体构建过程**：模型构建分为两个主要步骤： 1. **构建分析师推荐股票池**：以分析师上调盈利预测、分析师首次关注、分析师研报标题超预期事件作为分析师推荐事件，构建初始股票池[14]。 2. **双层优选**：对分析师推荐股票池中的股票，从基本面和技术面两个维度进行精选，具体筛选标准未在提供内容中详细展开[13][14]。 2. **因子/筛选方法名称：平稳创新高股票筛选方法**[19][21][22] * **因子构建思路**：基于动量效应和趋势跟踪策略的有效性，从创出250日新高的股票中，根据分析师关注度、股价相对强弱、股价路径平稳性、创新高连续性等角度筛选出趋势更为稳健的股票[19][21][22]。 * **因子具体构建过程**：筛选过程包含多个步骤和因子： 1. **确定基础股票池**：样本池为全部港股，但需剔除成立时间不超过15个月的股票。在此基础上，筛选出过去20个交易日内曾创出250日新高的股票[21][22]。 2. **计算250日新高距离**：该指标用于量化股价接近新高的程度，计算公式为： $$250\ 日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，`Closet` 为最新收盘价，`ts_max(Close, 250)` 为过去250个交易日收盘价的最大值。若最新收盘价创出新高，则该值为0；若股价回落，则为正值，表示回落幅度[21]。 3. **多维度筛选**： * **分析师关注度**：过去6个月买入或增持评级的分析师研报不少于5份[22]。 * **股价相对强弱**：过去250日涨跌幅位于样本池前20%[22]。 * **股价平稳性**：在满足上述条件的股票池内，使用以下两个指标综合打分，取排名在前50%的股票（最少取50只）： * **价格路径平滑性（股价位移路程比）**：具体计算公式未提供[22]。 * **创新高持续性**：过去120日的250日新高距离在时间序列上的均值[22]。 * **趋势延续性**：过去5日的250日新高距离在时间序列上的均值，取排序靠前的50只股票[22]。 模型的回测效果 1. **港股精选组合模型**[14][16][18] * 回测区间：2010年1月1日 - 2025年6月30日[14] * 年化收益：19.11%[14][18] * 相对恒生指数超额收益：18.48%[14][18] * 信息比率 (IR)：1.22[18] * 跟踪误差：14.55%[18] * 最大回撤：23.73%[18] * 收益回撤比：0.78[18] * 近期表现（2025年1月2日 - 2025年11月28日）： * 绝对收益：60.69%[16] * 相对恒生指数超额收益：31.78%[16] 量化因子与构建方式 1. **因子名称：250日新高距离**[21] * **因子构建思路**：量化当前股价相对于过去一段时间最高点的位置，用于识别创出新高的股票以及衡量股价趋势的强度[21]。 * **因子具体构建过程**：计算最新收盘价与过去250个交易日最高收盘价的相对距离。公式如下： $$250\ 日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，`Closet` 为最新收盘价，`ts_max(Close, 250)` 为过去250个交易日收盘价的最大值[21]。 因子的回测效果 （报告中未提供“250日新高距离”因子独立的回测绩效指标，如IC值、IR值等）

根据提供的金融工程日报内容，该报告主要描述了市场表现、情绪、资金流向等市场数据监测和指标计算，并未涉及任何具体的量化投资模型或量化因子的构建、测试与评价。报告内容属于市场日常数据统计与描述范畴[2][3][4][6][7][10][13][14][17][19][22][23][26][28][30][33][36][37]。 因此，本总结中关于量化模型和量化因子的相关内容无。

量化模型与构建方式 1. **模型名称：PB-ROE-50 组合** [25] **模型构建思路：** 基于市净率（PB）和净资产收益率（ROE）这两个核心估值与盈利能力指标进行选股 [25] **模型具体构建过程：** 模型的具体构建过程未在提供的报告内容中详细描述 [25] 2. **模型名称：机构调研组合** [28] **模型构建思路：** 利用公募基金和私募基金的调研活动信息作为选股信号 [28] **模型具体构建过程：** 报告提及了公募调研选股策略和私募调研跟踪策略，但具体的组合构建细节（如如何根据调研信息筛选股票、权重分配等）未在提供的报告内容中详细说明 [28] 3. **模型名称：大宗交易组合** [32] **模型构建思路：** 基于“高成交、低波动”原则，从发生大宗交易的股票中筛选后续表现更佳的股票 [32] **模型具体构建过程：** 经过测算，选择“大宗交易成交金额比率”越高、“6 日成交金额波动率”越低的股票，通过月频调仓方式构造组合 [32] 4. **模型名称：定向增发组合** [38] **模型构建思路：** 以定向增发的股东大会公告日为事件节点，进行事件驱动选股 [38] **模型具体构建过程：** 以股东大会公告日为时间节点，综合考虑市值因素、调仓周期以及对仓位的控制来构造组合，具体构建方法可参考其专题报告 [38] 模型的回测效果 1. **PB-ROE-50 组合** [26] **本周超越基准收益率（中证500）：** 0.47% **今年以来超额收益率（中证500）：** 2.06% **本周绝对收益率（中证500）：** 3.63% **今年以来绝对收益率（中证500）：** 25.34% **本周超越基准收益率（中证800）：** 1.54% **今年以来超额收益率（中证800）：** 15.14% **本周绝对收益率（中证800）：** 3.61% **今年以来绝对收益率（中证800）：** 34.74% **本周超越基准收益率（全市场）：** 1.59% **今年以来超额收益率（全市场）：** 18.32% **本周绝对收益率（全市场）：** 4.45% **今年以来绝对收益率（全市场）：** 42.79% 2. **机构调研组合** [29] **公募调研选股策略本周超越基准收益率（中证800）：** 3.63% **公募调研选股策略今年以来超额收益率（中证800）：** 16.50% **公募调研选股策略本周绝对收益率：** 5.74% **公募调研选股策略今年以来绝对收益率：** 36.32% **私募调研跟踪策略本周超越基准收益率（中证800）：** 3.32% **私募调研跟踪策略今年以来超额收益率（中证800）：** 15.79% **私募调研跟踪策略本周绝对收益率：** 5.43% **私募调研跟踪策略今年以来绝对收益率：** 35.49% 3. **大宗交易组合** [33] **本周超越基准收益率（中证全指）：** 2.93% **今年以来超额收益率（中证全指）：** 39.24% **本周绝对收益率：** 5.83% **今年以来绝对收益率：** 68.03% 4. **定向增发组合** [39] **本周超越基准收益率（中证全指）：** -0.01% **今年以来超额收益率（中证全指）：** -3.70% **本周绝对收益率：** 2.81% **今年以来绝对收益率：** 16.21% 量化因子与构建方式 1. **因子名称：动量弹簧因子** [12][14][18] **因子构建思路：** 未在提供的报告内容中详细说明 **因子具体构建过程：** 未在提供的报告内容中详细说明 **因子评价：** 本周在多个股票池中表现优异 [12][14][18] 2. **因子名称：早盘后收益因子** [12][14][18] **因子构建思路：** 未在提供的报告内容中详细说明 **因子具体构建过程：** 未在提供的报告内容中详细说明 **因子评价：** 本周在多个股票池中表现优异 [12][14][18] 3. **因子名称：单季度ROA** [12] **因子构建思路：** 未在提供的报告内容中详细说明 **因子具体构建过程：** 未在提供的报告内容中详细说明 **因子评价：** 本周在沪深300股票池中表现较好 [12] 4. **因子名称：5日反转** [14][18] **因子构建思路：** 未在提供的报告内容中详细说明 **因子具体构建过程：** 未在提供的报告内容中详细说明 **因子评价：** 本周在中证500和流动性1500股票池中表现较好 [14][18] 5. **因子名称：单季度营业收入同比增长率** [18] **因子构建思路：** 未在提供的报告内容中详细说明 **因子具体构建过程：** 未在提供的报告内容中详细说明 **因子评价：** 本周在流动性1500股票池中表现较好 [18] 6. **因子名称：beta 因子** [20] **因子构建思路：** 未在提供的报告内容中详细说明 **因子具体构建过程：** 未在提供的报告内容中详细说明 **因子评价：** 本周在全市场股票池中获得正收益，显示市场动量效应显著 [20] 7. **因子名称：残差波动率因子** [20] **因子构建思路：** 未在提供的报告内容中详细说明 **因子具体构建过程：** 未在提供的报告内容中详细说明 **因子评价：** 本周在全市场股票池中获得正收益，且在多数行业内表现较好 [20][23] 8. **因子名称：动量因子** [20] **因子构建思路：** 未在提供的报告内容中详细说明 **因子具体构建过程：** 未在提供的报告内容中详细说明 **因子评价：** 本周在全市场股票池中获得正收益，显示市场动量效应显著 [20] 9. **因子名称：规模因子** [20] **因子构建思路：** 未在提供的报告内容中详细说明 **因子具体构建过程：** 未在提供的报告内容中详细说明 **因子评价：** 本周在全市场股票池中获得负收益，显示市场小市值风格占优 [20] 10. **因子名称：非线性市值因子** [20] **因子构建思路：** 未在提供的报告内容中详细说明 **因子具体构建过程：** 未在提供的报告内容中详细说明 **因子评价：** 本周在全市场股票池中获得负收益 [20] 11. **因子名称：净资产增长率因子** [23] **因子构建思路：** 未在提供的报告内容中详细说明 **因子具体构建过程：** 未在提供的报告内容中详细说明 **因子评价：** 本周在综合、通信行业表现较好 [23] 12. **因子名称：净利润增长率因子** [23] **因子构建思路：** 未在提供的报告内容中详细说明 **因子具体构建过程：** 未在提供的报告内容中详细说明 **因子评价：** 本周在美容护理、轻工制造、通信行业表现较好 [23] 13. **因子名称：5日动量因子** [23] **因子构建思路：** 未在提供的报告内容中详细说明 **因子具体构建过程：** 未在提供的报告内容中详细说明 **因子评价：** 本周在多数行业表现为反转效应，在农林牧渔、纺织服装行业反转效应明显 [23] 14. **因子名称：1月动量因子** [23] **因子构建思路：** 未在提供的报告内容中详细说明 **因子具体构建过程：** 未在提供的报告内容中详细说明 **因子评价：** 本周在美容护理、食品饮料行业表现为动量效应，在综合、纺织服装、农林牧渔、建筑材料行业反转效应显著 [23] 15. **因子名称：每股净资产因子** [23] **因子构建思路：** 未在提供的报告内容中详细说明 **因子具体构建过程：** 未在提供的报告内容中详细说明 **因子评价：** 本周在计算机行业表现较好 [23] 16. **因子名称：每股经营利润 TTM 因子** [23] **因子构建思路：** 未在提供的报告内容中详细说明 **因子具体构建过程：** 未在提供的报告内容中详细说明 **因子评价：** 本周在通信行业表现较好 [23] 17. **因子名称：BP 因子** [23] **因子构建思路：** 未在提供的报告内容中详细说明 **因子具体构建过程：** 未在提供的报告内容中详细说明 **因子评价：** 本周在商业贸易行业表现较好 [23] 18. **因子名称：EP 因子** [23] **因子构建思路：** 未在提供的报告内容中详细说明 **因子具体构建过程：** 未在提供的报告内容中详细说明 **因子评价：** 本周在综合行业表现较好 [23] 19. **因子名称：对数市值因子** [23] **因子构建思路：** 未在提供的报告内容中详细说明 **因子具体构建过程：** 未在提供的报告内容中详细说明 **因子评价：** 本周在通信、综合行业表现较好 [23] 20. **因子名称：流动性因子** [23] **因子构建思路：** 未在提供的报告内容中详细说明 **因子具体构建过程：** 未在提供的报告内容中详细说明 **因子评价：** 本周在多数行业表现较好 [23] 因子的回测效果 *（注：报告提供了多个股票池下众多因子在“最近1周”、“最近1个月”、“最近1年”、“最近10年”等多个时间窗口的表现数据 [13][15][19]。由于因子数量众多且指标窗口期不完全统一，此处不逐一列出，具体数值请参考报告中对应的图表 [13][15][19]。）*

根据提供的研报内容，总结如下： 量化模型与构建方式 1. **模型名称：行业拥挤度监测模型**[3] * **模型构建思路**：通过构建模型对申万一级行业指数的拥挤度进行每日监测，以识别交易过热或过冷的行业[3] * **模型具体构建过程**：报告未提供该模型的具体构建过程和公式 2. **模型名称：溢价率 Z-score 模型**[4] * **模型构建思路**：通过滚动测算ETF的溢价率Z-score，搭建ETF产品筛选信号模型，以识别存在潜在套利机会的标的[4] * **模型具体构建过程**：报告未提供该模型的具体构建过程和公式，但提及核心指标为“溢价率 Z-score”[4] 量化因子与构建方式 1. **因子名称：行业拥挤度**[3] * **因子构建思路**：用于衡量特定行业交易的热度或拥挤程度[3] * **因子具体构建过程**：报告未提供该因子的具体构建过程和公式 2. **因子名称：溢价率 Z-score**[4] * **因子构建思路**：基于ETF的IOPV溢价率计算其Z-score，用于判断当前溢价率在历史序列中的相对位置，识别异常值[4] * **因子具体构建过程**：报告未提供该因子的具体计算公式，但提及其为标准化后的溢价率指标[4] 模型的回测效果 （报告未提供相关模型的量化回测效果指标，如年化收益率、夏普比率、最大回撤等） 因子的回测效果 （报告未提供相关因子的量化测试效果指标，如IC值、IR、因子收益率等）

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 1. **因子名称：250日新高距离**[11] * **因子构建思路**：该因子用于衡量当前股价相对于过去250个交易日最高价的回落幅度，数值越小代表股价越接近历史高点，通常与动量效应和趋势跟踪策略相关[11] * **因子具体构建过程**：计算步骤如下 * 首先，计算过去250个交易日的收盘价最大值：`ts_max(Close, 250)` * 然后，使用最新收盘价 `Closet` 与上述最大值进行比较，计算公式为： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ * 若最新收盘价创出新高，则因子值为0；若股价从高点回落，则因子值为正，代表回落幅度[11] 2. **因子/模型名称：平稳创新高股票筛选模型**[23][26] * **模型构建思路**：该模型旨在从近期创250日新高的股票中，进一步筛选出价格路径相对平滑、趋势延续性好的股票，其理论基础在于研究表明平滑的动量效应可能更强[23] * **模型具体构建过程**：这是一个多步骤的筛选流程，具体条件如下[23][26] * **初选股票池**：过去20个交易日内曾创出250日新高的股票[23] * **分析师关注度**：过去3个月内，获得“买入”或“增持”评级的分析师研报数量不少于5份[26] * **股价相对强弱**：过去250日涨跌幅位于全市场前20%[26] * **股价平稳性与创新高持续性筛选**：在满足以上条件的股票池内，使用以下两个指标综合打分，并选取排名在前50%的股票 * **价格路径平滑性**：使用股价位移路程比衡量，计算公式为 `过去120日涨跌幅的绝对值 / 过去120日日涨跌幅绝对值加总`[23][26] * **创新高持续性**：过去120日内的250日新高距离在时间序列上的均值[26] * **趋势延续性筛选**：计算过去5日的250日新高距离在时间序列上的均值，并最终选取该指标排序最靠前的50只股票[26] 模型/因子的回测效果 （注：研报中未提供模型或因子在历史数据上的系统化回测指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）及其具体数值，仅展示了特定时点的筛选结果和部分描述性统计，因此本部分无具体指标取值可总结。）

量化模型与构建方式 1. **模型名称：攻守兼备红利策略（原策略）**[18] * **模型构建思路**：采用类指数分层选股的方式，旨在通过多维度合成防御性和进攻性得分，在稳健组合内选择进攻性好的股票组合来战胜中证红利全收益指数[18] * **模型具体构建过程**： 1. **股票池筛选**：在中证全指成份股中筛选出连续分红的高股息股票池，筛选标准包括：过去一年日均总市值和日均成交额均在前80%；过去三年连续现金分红且每年税后现金股息率均大于0；过去一年股息支付率剔除前5%和负值；过去两年现金股息均实现正增长[18][21] 2. **防御性筛选**：在高股息股票池中，使用3年平均股息率TTM、480个交易日下行波动率、3年扣非ROE均值/标准差合成防御性得分，降序排序保留前30%个股，形成高股息防御股票池[18] 3. **进攻性筛选**：在高股息防御股票池中，使用预测股息率、相对动量240_20、单季度扣非净利润同比合成进攻性得分，降序排序保留前30或50只个股[18] 4. **组合构建**：对最终选出的股票采用股息率TTM加权，并控制银行个股数量占比上限在20%，形成月频或季频调仓策略[18] 2. **模型名称：轮动增强后的攻守兼备红利策略**[11][74] * **模型构建思路**：保留原策略分层选股的第一步防御性筛选，在第二步筛选时根据宏观预期修正信号，动态调整防御性得分和进攻性得分的权重，以进行风格轮动，提升组合表现，特别是回撤控制能力[3][11][74] * **模型具体构建过程**： 1. **股票池与防御性筛选**：与原策略相同，先筛选高股息股票池，然后计算防御性得分并保留前30%个股[11][74] 2. **轮动规则**：根据宏观预期修正信号（EWMA）决定第二步筛选的得分合成方式[11][74] * 当宏观预期上修时：仍仅使用进攻性得分筛选个股（即权重为100%进攻性得分）[74] * 当宏观预期下修时：使用综合得分筛选个股，综合得分 = 0.5 × 进攻性得分 + 0.5 × 防御性得分[74] 3. **最终筛选与组合构建**：根据上述轮动规则得到的得分，降序排序保留前30只个股，保留银行股数量占比不超过20%的要求，采用月频调仓，股息率TTM加权[74] * **模型评价**：轮动增强后的方案，回撤控制角度提升较明显[3][11] 模型的回测效果 1. **攻守兼备红利策略（原策略）**[25][30] * 年度收益（全区间年化）：14.88%[83] * 最大回撤（全区间）：27.88%[83] * 年化波动（全区间）：18.00%[83] * 胜率（全区间）：未直接提供，分年数据见原文表1、表2[25][30] * 夏普比（全区间）：未直接提供，分年数据见原文表1、表2[25][30] * 超额收益（相对中证红利全收益，全区间年化）：未直接提供，分年数据见原文表1、表2[25][30] * 信息比率（IR）（全区间）：未直接提供，分年数据见原文表1、表2[25][30] 2. **轮动增强后的攻守兼备红利策略**[80][83] * 年度收益（全区间年化）：15.32%[80][83] * 最大回撤（全区间）：24.37%[80][83] * 年化波动（全区间）：17.66%[80][83] * 胜率（全区间）：66.39%[80] * 夏普比（全区间）：0.89[80] * 超额收益（相对中证红利全收益，全区间年化）：6.12%[80] * 信息比率（IR）（全区间）：0.88[80] 量化因子与构建方式 1. **因子名称：防御性得分**[18][75] * **因子构建思路**：综合衡量股票在分红稳定性、风险控制和盈利质量方面的防御属性[18] * **因子具体构建过程**：防御性得分由以下三个因子按指定权重合成，每个指标先进行排序分位化处理（除下行波动率降序排序外，均升序排序）[75] * 3年平均股息率TTM：权重 0.5 * 480个交易日下行波动率：权重 0.3 * 3年扣非ROE均值/标准差：权重 0.2 2. **因子名称：进攻性得分**[18][75] * **因子构建思路**：综合衡量股票在未来分红潜力、价格趋势和盈利增长方面的进攻属性[18] * **因子具体构建过程**：进攻性得分由以下三个因子按指定权重合成，每个指标先进行排序分位化处理后升序排序[75] * 预测股息率：权重 0.5 * 相对动量_240_20：权重 0.3 * 单季度扣非净利润同比：权重 0.2 3. **因子名称：预测股息率**[49] * **因子构建思路**：使用过去平均股息支付率和分析师预测净利润来估算未来的股息率[49] * **因子具体构建过程**：预测股息率 = 过去三年股息支付率均值 * 分析师一致预测净利润 / 最新总市值[49] 4. **因子名称：三年平均股息率TTM**[49] * **因子构建思路**：使用近三年的股息率TTM数据进行平滑，以反映更稳定的分红水平[49] * **因子具体构建过程**：三年平均股息率TTM = (当前股息率TTM + 12个月前股息率TTM + 24个月前股息率TTM) / 3[49] 5. **因子名称：扣非净利润Q同比**[49] * **因子构建思路**：衡量公司最新单季度的扣非净利润同比增长情况[49] * **因子具体构建过程**：扣非净利润Q同比 = (最新单季度扣非净利润 - 去年同比期单季度扣非净利润) / abs(去年同比期单季度扣非净利润)[49] 6. **因子名称：3年扣非ROE均值/标准差**[49] * **因子构建思路**：衡量公司近三年扣非ROE的稳定性，比值越高说明盈利越稳定[49] * **因子具体构建过程**：3年扣非ROE均值/标准差 = 最近三年年报扣非净利润均值 / 最近三年年报扣非净利润标准差[49] 7. **因子名称：相对动量_240_20**[49] * **因子构建思路**：衡量股票当前价格相对于过去一段时间（剔除近期）最高点的位置，反映趋势强度[49] * **因子具体构建过程**：相对动量_240_20 = 当前股价 / (最近240交易日至最近20交易日之间的220个交易日收盘价最大值 - 最近240交易日至最近20交易日之间的220个交易日收盘价最小值)[49] 公式为：$$相对动量\_240\_20 = \frac{当前股价}{Max(Close_{t-240}, ..., Close_{t-20}) - Min(Close_{t-240}, ..., Close_{t-20})}$$ 8. **因子名称：480日下行波动**[49] * **因子构建思路**：衡量股票在过去480个交易日中下跌日的波动率，反映下行风险[49] * **因子具体构建过程**：计算过去480个交易日中日跌幅数据的标准差[49] 因子的回测效果 *（注：报告中对单个因子的回测效果主要体现在多空组合的分析师预期检验和收益检验中，并未提供类似模型的综合回测指标（如年化收益、最大回撤等）。检验结果以回归系数和P值形式呈现，表明因子在不同宏观预期下的有效性，具体数值详见原文表5至表14。）*

根据提供的研报内容，以下是关于量化模型和因子的总结。 量化因子与构建方式 1. **因子名称：250日新高距离**[11] * **因子构建思路**：该因子用于衡量当前股价相对于过去250个交易日最高价的回落幅度，数值越小表示股价越接近历史高点，通常与动量效应和趋势跟踪策略相关[11] * **因子具体构建过程**：计算步骤如下 * 首先，计算过去250个交易日的收盘价最大值：`ts_max(Close, 250)` * 然后，使用最新收盘价 `Closet` 与上述最大值进行比较，计算公式为： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ * 若最新收盘价创出新高，则因子值为0；若股价从高点回落，则因子值为正，代表回落幅度[11] 2. **因子名称：平稳创新高股票筛选因子（复合因子）**[23][26] * **因子构建思路**：该复合因子旨在从创新高的股票中，进一步筛选出那些价格路径平稳、趋势延续性好的股票，其理论基础在于平滑的动量效应可能更强[23] * **因子具体构建过程**：这是一个多步骤的筛选流程，具体条件如下 * **初选股票池**：筛选出过去20个交易日内创过250日新高的股票[19] * **分析师关注度**：过去3个月内，获得“买入”或“增持”评级的分析师研究报告不少于5份[26] * **股价相对强弱**：过去250日涨跌幅位于全市场前20%[26] * **股价平稳性与创新高持续性**：在满足以上条件的股票池内，使用以下两个指标综合打分，并选取排名在前50%的股票 * **价格路径平滑性**：使用股价位移路程比衡量，计算公式为 `过去120日涨跌幅的绝对值 / 过去120日日涨跌幅绝对值加总`[23][26] * **创新高持续性**：过去120日的250日新高距离在时间序列上的均值[26] * **趋势延续性**：过去5日的250日新高距离在时间序列上的均值，最终选取此指标排序最靠前的50只股票[26] 因子回测效果 *注：研报中未提供针对单个因子的历史回测绩效指标（如IC值、IR值、多空收益等），而是展示了基于特定因子（250日新高距离）和筛选方法（平稳创新高股票筛选）在特定时点（2025年11月28日）的截面数据结果。因此，此处列出的是筛选结果的统计值，而非传统意义上的因子回测绩效。* 1. **250日新高距离因子** * 截至2025年11月28日，主要指数该因子取值：上证指数3.50%，深证成指5.40%，沪深300指数4.66%，中证500指数6.85%，中证1000指数4.10%，中证2000指数2.78%，创业板指8.17%，科创50指数13.77%[12] * 截至2025年11月28日，中信一级行业中该因子取值较小的行业（距离新高较近）：家电行业0.92%，纺织服装行业2.88%，轻工制造行业1.45%，基础化工行业6.39%，通信行业5.48%[13] 2. **平稳创新高股票筛选因子** * 应用该复合因子筛选方法，在截至2025年11月28日的时点，从全市场1043只创新高股票中最终筛选出26只平稳创新高股票[27] * 这26只股票的板块分布为：周期板块10只，制造板块8只，科技板块、医药板块、消费板块、大金融板块均有股票入选[27]