- 风格轮动型基金优选组合策略基于成长价值与大小盘两个维度，根据基金在两个报告期的股票持仓，构建基金绝对主动轮动指标，对基金是否为风格轮动型基金或风格稳定型基金进行了识别[3][28] - 基于基金特征和基金能力的综合选基策略从基金规模、持有人结构、基金业绩动量、选股能力、隐形交易能力、含金量等多个维度构建了选基因子，并进行等权重合成[4][35] - 基于交易动机因子及股票价差收益因子的选基策略结合基金利润表中的股票价差收益因子，构造了二者相结合的选基策略，旨在筛选出股票价差收益较高，拥有主动交易动机并且业绩粉饰可能性较低的基金[5][45] - 基金经理持股网络中交易独特性选基策略根据基金经理持股、交易的明细构建网络并由此构建了客户基金经理交易独特性的指标，构建了选基策略[6][50] 模型的回测效果 - 风格轮动型基金优选组合策略在2024年12月份取得0.10%的收益率，相对于万得偏股混合型基金指数的超额收益率为1.14%，2024年该策略获得3.67%的超额收益率[3][29] - 基于基金特征和基金能力的综合选基策略在2024年12月份取得0.68%的收益率，相对万得偏股混合型基金指数的超额收益率为1.55%[4][35] - 基于交易动机因子及股票价差收益因子的选基策略在2024年12月份获得-0.77%的收益率，相对万得偏股混合型基金指数的超额收益率为0.19%[5][45] - 基金经理持股网络中交易独特性选基策略在2024年12月份取得0.05%的收益率，相对于万得偏股混合型基金指数的超额收益率为1.13%[6][50] 因子的回测效果 - 风格轮动型基金优选组合策略的年化收益率为8.99%，年化波动率为19.03%，Sharpe比率为0.47，最大回撤率为0.37%，年化超额收益率为3.99%，超额最大回撤率为9.49%，信息比率为0.74[3][32][33] - 基于基金特征和基金能力的综合选基策略的年化收益率为13.31%，年化波动率为21.69%，Sharpe比率为0.61，最大回撤率为44.27%，年化超额收益率为5.46%，超额最大回撤率为7.96%，信息比率为1.13[4][41] - 基于交易动机因子及股票价差收益因子的选基策略的年化收益率为9.12%，年化波动率为21.72%，Sharpe比率为0.42，最大回撤率为48.39%，年化超额收益率为3.65%，超额最大回撤率为13.04%，信息比率为0.65[5][49] - 基金经理持股网络中交易独特性选基策略的年化收益率为10.13%，年化波动率为19.57%，Sharpe比率为0.52，最大回撤率为37.26%，年化超额收益率为5.37%，超额最大回撤率为6.30%，信息比率为1.12[6][54][56]

量化因子与构建方式 1. 因子名称：盈利因子 - **因子的构建思路**：基于公司实际披露的业绩数据，衡量行业的盈利能力[14][16] - **因子具体构建过程**：通过公司公告的营业收入、净利润等指标，计算行业整体盈利水平，作为因子值[14][16] - **因子评价**：盈利因子在IC均值和收益表现上较为稳定，能够为行业配置提供正向收益[16] 2. 因子名称：质量因子 - **因子的构建思路**：基于公司财务数据，衡量行业的财务健康状况[14][16] - **因子具体构建过程**：通过财务指标如资产负债率、现金流等，计算行业整体质量水平，作为因子值[14][16] - **因子评价**：质量因子表现一般，IC均值和收益贡献较低[16] 3. 因子名称：估值动量因子 - **因子的构建思路**：基于行业估值水平的变化趋势，捕捉行业的估值动量效应[14][16] - **因子具体构建过程**：通过市盈率（PE）、市净率（PB）等估值指标的变化，计算行业估值动量，作为因子值[14][16] - **因子评价**：估值动量因子表现较差，IC均值和收益均为负[16] 4. 因子名称：分析师预期因子 - **因子的构建思路**：基于分析师对行业未来业绩的预期，衡量市场对行业的信心[14][16] - **因子具体构建过程**：通过分析师对行业的盈利预测数据，计算行业整体预期水平，作为因子值[14][16] - **因子评价**：分析师预期因子表现较好，能够为行业配置提供正向收益[16] 5. 因子名称：超预期因子 - **因子的构建思路**：基于公司公告的实际业绩与市场一致预期的差异，衡量行业的超预期表现[14][16] - **因子具体构建过程**：通过公司公告的营业收入、净利润等指标与市场一致预期的差异，计算行业整体超预期水平，作为因子值[14][16] - **因子评价**：超预期因子表现显著，能够从不同维度解释行业收益[16][21] 6. 因子名称：调研活动因子 - **因子的构建思路**：基于机构调研数据，衡量行业的调研热度与广度[15][16] - **因子具体构建过程**：调研热度通过行业内公司调研活动的平均数计算，调研广度通过行业调研覆盖程度计算[15][16] - **因子评价**：调研活动因子表现较好，能够为行业配置提供稳定的收益[16][21] --- 因子的回测效果 1. 盈利因子 - **IC均值**：上月49.90%，今年以来5.36%[16][18] - **因子多空收益**：上月5.81%，今年以来0.24%[16][18] - **因子多头超额收益**：上月1.90%，今年以来-0.21%[16][18] 2. 质量因子 - **IC均值**：上月4.48%，今年以来-2.34%[16][18] - **因子多空收益**：上月-0.64%，今年以来-0.27%[16][18] - **因子多头超额收益**：上月-1.19%，今年以来-0.77%[16][18] 3. 估值动量因子 - **IC均值**：上月-1.53%，今年以来-1.58%[16][18] - **因子多空收益**：上月-3.03%，今年以来-15.04%[16][18] - **因子多头超额收益**：上月-4.15%，今年以来-12.45%[16][18] 4. 分析师预期因子 - **IC均值**：上月22.27%，今年以来0.84%[16][18] - **因子多空收益**：上月5.35%，今年以来6.57%[16][18] - **因子多头超额收益**：上月1.24%，今年以来3.63%[16][18] 5. 超预期因子 - **IC均值**：上月8.23%，今年以来8.20%[16][18] - **因子多空收益**：上月0.12%，今年以来9.29%[16][18] - **因子多头超额收益**：上月2.45%，今年以来6.95%[16][18] 6. 调研活动因子 - **IC均值**：上月2.41%，今年以来-3.52%[16][18] - **因子多空收益**：上月2.52%，今年以来-9.96%[16][18] - **因子多头超额收益**：上月0.92%，今年以来-12.04%[16][18] --- 量化模型与构建方式 1. 模型名称：超预期增强行业轮动策略 - **模型构建思路**：以基本面为核心，叠加估值面和资金面，重点引入超预期因子[14] - **模型具体构建过程**：每月初选取超预期因子排名前1/6的行业（5个行业），以等权方式构建行业轮动组合，按照月度调仓，手续费取千分之三[30] - **模型评价**：超预期增强策略在行业预测方面具有显著效果，能够带来较高的年化收益率和夏普比率[30] 2. 模型名称：景气度估值行业轮动策略 - **模型构建思路**：基于估值动量、盈利与质量因子，衡量行业景气度[15] - **模型具体构建过程**：每月初选取景气度估值因子排名前1/6的行业（5个行业），以等权方式构建行业轮动组合，按照月度调仓，手续费取千分之三[30] - **模型评价**：景气度估值策略表现不及超预期增强策略，但仍具有一定的行业预测能力[30] 3. 模型名称：调研行业精选策略 - **模型构建思路**：基于调研热度与广度因子，捕捉机构投资者对行业的关注度[15] - **模型具体构建过程**：每月初选取调研活动因子排名前5的行业，以等权方式构建行业轮动组合，按照月度调仓，手续费取千分之二[35] - **模型评价**：调研行业精选策略在行业预测方面具有一定优势，但换手率较高[35] --- 模型的回测效果 1. 超预期增强行业轮动策略 - **年化收益率**：10.65%[34] - **年化波动率**：25.46%[34] - **夏普比率**：0.418[34] - **最大回撤率**：54.44%[34] - **12月份收益率**：-3.46%[34] - **2024年收益率**：7.78%[34] 2. 景气度估值行业轮动策略 - **年化收益率**：8.86%[34] - **年化波动率**：26.28%[34] - **夏普比率**：0.337[34] - **最大回撤率**：56.24%[34] - **12月份收益率**：-4.75%[34] - **2024年收益率**：15.33%[34] 3. 调研行业精选策略 - **年化收益率**：4.06%[36] - **年化波动率**：20.25%[36] - **夏普比率**：0.200[36] - **最大回撤率**：40.18%[40] - **12月份收益率**：-4.13%[40] - **2024年收益率**：-9.45%[40]

量化模型与构建方式 1. 模型名称：Cinda-VIX - **模型构建思路**：借鉴海外经验，结合我国场内期权市场的实际情况，开发能够准确反映市场波动性的波动率指数[57] - **模型具体构建过程**：基于信达金工衍生品研究报告系列四《挖掘期权市场中隐含的市场情绪》的算法，Cinda-VIX通过期权市场数据反映投资者对标的资产未来波动的预期，并具有期限结构，能够反映投资者对同一标的资产在不同期限内的波动预期[57] - **模型评价**：Cinda-VIX能够有效捕捉市场波动预期，具有较高的分析价值[56][57] 2. 模型名称：Cinda-SKEW - **模型构建思路**：通过捕捉不同行权价格期权隐含波动率的偏斜特征，衡量市场对标的资产未来收益分布的预期[65] - **模型具体构建过程**：SKEW指数通过分析期权隐含波动率的偏斜程度，反映市场对极端事件的预期。当市场对下跌的担忧超过对上涨的预期时，波动率偏斜呈负值；反之则为正值[65] - **模型评价**：SKEW指数被称为“黑天鹅指数”，能够捕捉市场对极端负面事件的预期，为期权交易和风险管理提供有价值的信息[66] 3. 模型名称：期现对冲策略模型 - **模型构建思路**：基于股指期货基差收敛的研究，优化对冲策略，通过连续对冲和最低贴水策略实现收益[35][36][37] - **模型具体构建过程**： - **连续对冲策略**：持有标的指数的全收益指数，期货端做空相同名义本金的股指期货合约，调仓规则为持有季月/当月合约，直至到期不足2日时平仓并卖空下一合约[36] - **最低贴水策略**：调仓时选择年化基差贴水幅度最小的合约，持有8个交易日后或到期不足2日时重新选择合约[37] - **模型评价**：策略通过基差收敛优化对冲效果，具有一定的收益稳定性[35][36][37] --- 模型的回测效果 1. Cinda-VIX模型 - **上证50VIX**：30日值为22.90[57] - **沪深300VIX**：30日值为22.19[57] - **中证500VIX**：30日值为33.01[57] - **中证1000VIX**：30日值为32.98[57] 2. Cinda-SKEW模型 - **上证50SKEW**：96.85[66] - **沪深300SKEW**：97.20[66] - **中证500SKEW**：97.97[66] - **中证1000SKEW**：96.29[66] 3. 期现对冲策略模型 - **中证500对冲策略**： - 年化收益：当月连续对冲-1.95%，季月连续对冲-2.02%，最低贴水策略-0.93%[39] - 波动率：当月连续对冲4.10%，季月连续对冲5.03%，最低贴水策略4.94%[39] - 最大回撤：当月连续对冲-7.51%，季月连续对冲-8.34%，最低贴水策略-7.97%[39] - 净值：当月连续对冲0.9531，季月连续对冲0.9514，最低贴水策略0.9774[39] - **沪深300对冲策略**： - 年化收益：当月连续对冲0.89%，季月连续对冲0.76%，最低贴水策略1.34%[44] - 波动率：当月连续对冲2.92%，季月连续对冲3.30%，最低贴水策略3.08%[44] - 最大回撤：当月连续对冲-3.95%，季月连续对冲-4.03%，最低贴水策略-4.06%[44] - 净值：当月连续对冲1.0220，季月连续对冲1.0187，最低贴水策略1.0330[44] - **上证50对冲策略**： - 年化收益：当月连续对冲1.29%，季月连续对冲2.04%，最低贴水策略1.71%[49] - 波动率：当月连续对冲3.18%，季月连续对冲3.57%，最低贴水策略3.11%[49] - 最大回撤：当月连续对冲-4.22%，季月连续对冲-3.75%，最低贴水策略-3.91%[49] - 净值：当月连续对冲1.0318，季月连续对冲1.0506，最低贴水策略1.0422[49] - **中证1000对冲策略**： - 年化收益：当月连续对冲-4.88%，季月连续对冲-4.36%，最低贴水策略-3.77%[54] - 波动率：当月连续对冲4.27%，季月连续对冲5.34%，最低贴水策略5.20%[54] - 最大回撤：当月连续对冲-13.84%，季月连续对冲-12.63%，最低贴水策略-11.11%[54] - 净值：当月连续对冲0.8849，季月连续对冲0.8968，最低贴水策略0.9104[54]

量化模型与构建方式 1. 模型名称：量化大势研判框架 - **模型构建思路**：从产业周期出发，将股票资产划分为五种风格阶段（外延成长、质量成长、质量红利、价值红利、破产价值），通过全局比较优势资产的特征属性，识别未来市场的主流风格[5][6] - **模型具体构建过程**： 1. 依据产业生命周期，将资产划分为五种风格阶段 2. 通过g>ROE>D的基本优先级，分析资产的成长性、盈利能力和股息率，判断“有没有好资产”和“好资产贵不贵”[5][6] 3. 采用资产优势差（类似因子择时中的Spread）刻画头部资产的趋势变化，计算方式为：在截面上对所有行业进行排名并五等分，取第一组和第五组的中位数相减[15] 4. 根据主流资产（实际增速资产、预期增速资产、盈利资产）的优势差变化，判断市场资金配置方向[7][15] 5. 在主流资产无机会时，切换到次级资产（质量红利、价值红利、破产价值），次级资产优先级由拥挤度决定[7] - **模型评价**：该框架自2009年以来年化收益率达26.62%，对A股风格轮动具有较好的解释能力，但在部分年份（如2011、2012、2014、2016年）效果有限[11][12] --- 量化因子与构建方式 1. 因子名称：实际成长因子 - **因子的构建思路**：通过超预期/△g因子，捕捉行业的业绩动量和成长性[25] - **因子具体构建过程**： 1. 选取行业的sue（标准化意外收益）、sur（意外收益率）、jor（盈利修正）因子[25] 2. 计算△g（净利润增速的变化），并筛选△g最高的行业进行配置[15][25] - **因子评价**：策略长期超额收益显著，尤其在成长风格占优的环境下表现更优[25] 2. 因子名称：预期成长因子 - **因子的构建思路**：基于分析师预期增速，选择预期增速最高的行业[24] - **因子具体构建过程**： 1. 选取分析师预期净利润增速（g_fttm）因子 2. 对行业进行排名，选择预期增速最高的行业进行配置[24] - **因子评价**：策略在2019年以来超额显著，2014-2015年期间同样表现较好[24] 3. 因子名称：盈利能力因子 - **因子的构建思路**：通过PB-ROE框架，选择高ROE且估值较低的行业[27] - **因子具体构建过程**： 1. 计算PB-ROE回归残差 2. 筛选高ROE且估值较低的行业进行配置[27] - **因子评价**：2016-2020年超额显著，但2021年以来表现较弱[27] 4. 因子名称：质量红利因子 - **因子的构建思路**：通过DP+ROE打分，选择高股息率且高ROE的行业[30] - **因子具体构建过程**： 1. 计算行业的dp（股息率）和roe（净资产收益率） 2. 对行业进行打分，选择得分最高的行业进行配置[30] - **因子评价**：策略在2016年、2017年和2023年超额显著[30] 5. 因子名称：价值红利因子 - **因子的构建思路**：通过DP+BP打分，选择高股息率且低市净率的行业[32] - **因子具体构建过程**： 1. 计算行业的dp（股息率）和bp（市净率倒数） 2. 对行业进行打分，选择得分最高的行业进行配置[32] - **因子评价**：策略在2009年、2017年和2021-2023年超额显著[32] 6. 因子名称：破产价值因子 - **因子的构建思路**：通过PB+SIZE打分，选择低PB且小市值的行业[34] - **因子具体构建过程**： 1. 计算行业的pb（市净率）和size（市值） 2. 对行业进行打分，选择得分最低的行业进行配置[34] - **因子评价**：策略在2015-2016年和2021-2023年超额显著[34] --- 模型的回测效果 - **量化大势研判框架**： - 年化收益率：26.62%[11] - 各年超额收益：2017年27%，2020年44%，2022年62%，2024年52%等[12] --- 因子的回测效果 - **实际成长因子**： - 近3月表现：网络接配及塔设27.13%，增值服务Ⅲ67.30%，金属制品Ⅲ28.95%，消费电子19.83%，印染化学品23.34%[26] - **预期成长因子**： - 近3月表现：塑料加工机械24.52%，非乳饮料22.05%，玻璃纤维19.46%，锅炉设备120.36%，中药饮片30.90%[24] - **盈利能力因子**： - 近3月表现：啤酒15.34%，白酒11.28%，调味品25.77%，教育48.43%，非乳饮料22.05%[27] - **质量红利因子**： - 近3月表现：镍钴锡锑31.11%，宠物食品42.10%，专用汽车29.43%，非乳饮料22.05%，油服工程7.44%[30] - **价值红利因子**： - 近3月表现：非乳饮料22.05%，专用汽车29.43%，安防17.22%，日用化学品17.63%，宠物食品42.10%[32] - **破产价值因子**： - 近3月表现：其他电子零组件Ⅲ36.60%，动物疫苗及兽药25.37%，其他结构材料37.71%，塑料加工机械24.52%，印染21.92%[34]

量化因子与构建方式 1. 因子名称：理想反转因子 - **因子的构建思路**：A股反转之力的微观来源是大单成交，通过每日平均单笔成交金额的大小，可以切割出反转属性最强的交易日[5][12] - **因子具体构建过程**： 1. 对选定股票，回溯取其过去20日的数据 2. 计算该股票每日的平均单笔成交金额（成交金额/成交笔数） 3. 单笔成交金额高的10个交易日，涨跌幅加总，记作M_high 4. 单笔成交金额低的10个交易日，涨跌幅加总，记作M_low 5. 理想反转因子M = M_high - M_low 6. 对所有股票，都进行以上操作，计算各自的理想反转因子M[35][37] - **因子评价**：该因子通过大单成交的微观视角捕捉反转属性，具有一定的创新性[5] 2. 因子名称：聪明钱因子 - **因子的构建思路**：从分钟行情数据的价量信息中，可以识别出机构参与交易的多寡，进而构造出跟踪聪明钱的因子[5][12] - **因子具体构建过程**： 1. 对选定股票，回溯取其过去10日的分钟行情数据 2. 构造指标 $St = \frac{|R_t|}{V_t^{0.25}}$，其中 $R_t$ 为第t分钟涨跌幅，$V_t$ 为第t分钟成交量 3. 将分钟数据按照指标 $St$ 从大到小进行排序，取成交量累积占比前20%的分钟，视为聪明钱交易 4. 计算聪明钱交易的成交量加权平均价VWAP_smart 5. 计算所有交易的成交量加权平均价VWAP_all 6. 聪明钱因子 $Q = \frac{VWAP_smart}{VWAP_all}$[36][38] - **因子评价**：因子通过分钟级别数据捕捉机构交易行为，能够较好地反映聪明资金的动向[5] 3. 因子名称：APM因子 - **因子的构建思路**：在日内的不同时段，交易者的行为模式不同，反转强度也相应有所不同[5][12] - **因子具体构建过程**： 1. 对选定股票，回溯取其过去20日数据，记逐日隔夜的股票收益率为$r$，隔夜的指数收益率为$R$；逐日下午的股票收益率为$r_a$，下午的指数收益率为$R_a$ 2. 将得到的40组隔夜与下午$(r, R)$的收益率数据进行回归：$r = \alpha + \beta R + \epsilon$，得到残差项$\epsilon$ 3. 以上得到的40个残差中，隔夜残差记为$\epsilon_o$，下午残差记为$\epsilon_a$，进一步计算每日隔夜与下午残差的差值$\delta_t = \epsilon_o - \epsilon_a$ 4. 构造统计量 $stat = \frac{\mu(\delta_t)}{\sigma(\delta_t)/\sqrt{N}}$，其中$\mu$为均值，$\sigma$为标准差，$N$为样本数量[39] 5. 为了消除动量因子影响，将统计量stat对动量因子进行横截面回归：$stat = \gamma Ret20 + \epsilon$，其中$Ret20$为股票过去20日的收益率，代表动量因子 6. 将回归得到的残差值$\epsilon$作为APM因子[37][40] - **因子评价**：因子通过捕捉日内交易行为的时间差异，能够反映市场微观结构的变化[5] 4. 因子名称：理想振幅因子 - **因子的构建思路**：基于股价维度可以对振幅进行切割，不同价态下振幅因子所蕴含的信息存在结构性差异[5][12] - **因子具体构建过程**： 1. 对选定股票，回溯取其最近20个交易日数据，计算股票每日振幅（最高价/最低价-1） 2. 选择收盘价较高的25%有效交易日，计算振幅均值得到高价振幅因子V_high 3. 选择收盘价较低的25%有效交易日，计算振幅均值得到低价振幅因子V_low 4. 将高价振幅因子V_high与低价振幅因子V_low作差，得到理想振幅因子 $V = V_high - V_low$[42] - **因子评价**：因子通过高低价态的振幅差异，揭示了股价波动的结构性特征[5] 5. 因子名称：交易行为合成因子 - **因子的构建思路**：将上述交易行为因子进行合成，以捕捉更全面的交易行为特征[28] - **因子具体构建过程**： 1. 对上述交易行为因子在行业内进行因子去极值与因子标准化 2. 滚动选取过去12期因子ICIR值作为权重，加权形成交易行为合成因子[28] - **因子评价**：合成因子通过多因子融合，提升了因子稳定性和表现力[28] --- 因子的回测效果 1. 理想反转因子 - IC均值：-0.051 - rankIC均值：-0.061 - 信息比率（IR）：2.54 - 多空对冲月度胜率：78.0% - 12月多空对冲收益：4.47% - 近12个月多空对冲月度胜率：66.7%[6][7][13] 2. 聪明钱因子 - IC均值：-0.038 - rankIC均值：-0.060 - 信息比率（IR）：2.74 - 多空对冲月度胜率：82.0% - 12月多空对冲收益：1.48% - 近12个月多空对冲月度胜率：91.7%[6][7][16] 3. APM因子 - IC均值：0.030 - rankIC均值：0.035 - 信息比率（IR）：2.35 - 多空对冲月度胜率：78.4% - 12月多空对冲收益：1.47% - 近12个月多空对冲月度胜率：66.7%[6][7][20] 4. 理想振幅因子 - IC均值：-0.055 - rankIC均值：-0.072 - 信息比率（IR）：3.05 - 多空对冲月度胜率：84.1% - 12月多空对冲收益：2.55% - 近12个月多空对冲月度胜率：91.7%[6][7][26] 5. 交易行为合成因子 - IC均值：0.069 - rankIC均值：0.092 - 信息比率（IR）：3.36 - 多空对冲月度胜率：82.4% - 12月多空对冲收益：3.25% - 近12个月多空对冲月度胜率：83.3%[6][7][28]

- 本次报告未涉及量化模型或量化因子的构建、测试及相关内容[1][2][3]

量化因子与构建方式 1. 因子名称：股息率（TTM） - **因子的构建思路**：衡量公司分红能力，股息率越高的国企下期收益率越高[7][8] - **因子具体构建过程**：公式为 $ 股息率（TTM） = \frac{\text{过去12个月每股现金分红}}{\text{股票价格}} $ 其中，分子为过去12个月的每股现金分红，分母为当前股票价格[7] - **因子评价**：股息率与国企下期收益率正相关，组间差异明显且单调性良好[8] 2. 因子名称：市盈率（TTM） - **因子的构建思路**：衡量公司估值水平，估值越低的国企下期收益率越高[7] - **因子具体构建过程**：公式为 $ 市盈率（TTM） = \frac{\text{总市值}}{\text{归属母公司股东的净利润（TTM）}} $ 其中，分子为公司总市值，分母为归属母公司股东的净利润[7] 3. 因子名称：波动率 - **因子的构建思路**：衡量股票收益率的波动性，波动率越低的国企下期收益率越高[7] - **因子具体构建过程**：公式为 $ 波动率 = \text{过去24个月股票月收益率的标准差} $ 其中，计算过去24个月的月收益率并求其标准差[7] 4. 因子名称：成交量 - **因子的构建思路**：衡量市场情绪，成交量越低的国企下期收益率越高[7] - **因子具体构建过程**：过去一个月的成交量数据[7] 5. 因子名称：净利润同比增长率 - **因子的构建思路**：衡量公司业绩成长性，净利润增长越高的国企下期收益率越高[7] - **因子具体构建过程**：公式为 $ 净利润同比增长率 = \frac{\text{本期净利润} - \text{上年同期净利润}}{\text{ABS上年同期净利润}} \times 100\% $ 其中，分子为本期净利润与上年同期净利润的差值，分母为上年同期净利润的绝对值[7] 6. 因子名称：现金流量比率 - **因子的构建思路**：衡量公司短期偿债能力，现金流量比率越高的国企下期收益率越高[7] - **因子具体构建过程**：公式为 $ 现金流量比率 = \frac{\text{经营活动产生的现金流量净额}}{\text{流动负债}} $ 其中，分子为经营活动产生的现金流量净额，分母为流动负债[7] 7. 因子名称：已获利息倍数 - **因子的构建思路**：衡量公司长期偿债能力，已获利息倍数越高的国企下期收益率越高[7] - **因子具体构建过程**：公式为 $ 已获利息倍数 = \frac{\text{息税前利润}}{\text{利息费用}} $ 其中，分子为息税前利润，分母为利息费用[7] 8. 因子名称：ESG综合得分 - **因子的构建思路**：衡量公司在环境、社会和治理方面的综合表现，ESG得分越高的国企下期收益率越高[7] - **因子具体构建过程**：基于万得ESG综合评分数据[7] --- 因子的回测效果 1. 股息率 - **IC均值**：0.061 - **IC标准差**：0.18 - **T统计量**：3.21 - **IC胜率**：61.36% - **IR**：0.34 - **IC>0.02占比**：95.45%[9] 2. 市盈率 - **IC均值**：-0.069 - **IC标准差**：0.19 - **T统计量**：-3.43 - **IC胜率**：65.91% - **IR**：-0.37 - **IC>0.02占比**：93.18%[9] 3. 波动率 - **IC均值**：-0.073 - **IC标准差**：0.15 - **T统计量**：-4.61 - **IC胜率**：68.18% - **IR**：-0.49 - **IC>0.02占比**：89.77%[9] 4. 成交量 - **IC均值**：-0.063 - **IC标准差**：0.16 - **T统计量**：-3.79 - **IC胜率**：61.36% - **IR**：-0.40 - **IC>0.02占比**：87.50%[9] 5. 净利润同比增长率 - **IC均值**：0.023 - **IC标准差**：0.10 - **T统计量**：2.03 - **IC胜率**：58.82% - **IR**：0.22 - **IC>0.02占比**：82.35%[9] 6. 现金流量比率 - **IC均值**：0.023 - **IC标准差**：0.09 - **T统计量**：2.48 - **IC胜率**：67.42% - **IR**：0.26 - **IC>0.02占比**：79.78%[9] 7. 已获利息倍数 - **IC均值**：0.025 - **IC标准差**：0.11 - **T统计量**：2.07 - **IC胜率**：57.30% - **IR**：0.22 - **IC>0.02占比**：86.52%[9]

量化模型与构建方式 模型名称：基于宏观风险因子的大类资产轮动模型 - **模型构建思路**：利用宏观风险因子体系，通过投资时钟规律和相位判断法，构建大类资产轮动模型[4][5][6] - **模型具体构建过程**： 1. **宏观风险因子体系**：构建包括经济增长、通胀、利率、汇率、信用、期限利差六个因子的宏观风险模型[4] - 经济增长因子：使用工业增加值同比、PMI、社会消费品零售总额同比等指标，采用HP滤波处理，波动率倒数加权合成[4] - 通胀因子：使用PPI同比、CPI同比等指标，采用HP滤波处理，波动率倒数加权合成[4] - 利率因子：使用中债-国债总财富指数、中证货币基金指数等指标，等权构造投资组合，计算净值同比收益率[4] - 汇率因子：使用上海金、伦敦金现等指标，构造等权多空投资组合，计算净值同比收益率[4] - 信用因子：使用中债-企业债AAA指数、中债-国债总指数等指标，构造久期中性的投资组合，计算净值同比收益率[4] - 期限利差因子：使用中债-中短期债券财富指数、中债-长期债券财富指数等指标，构造久期中性的投资组合，计算净值同比收益率[4] 2. **大类资产投资时钟规律**：引入“美林时钟（增长—通胀时钟）”和“利率—信用时钟”模型，统计各类资产在不同时钟状态下的表现[5][6][8] 3. **相位判断法改善拐点**：使用因子动量法识别宏观风险因子的上/下行状态，定义相位判断法来判断宏观风险因子的状态[12][13][16][17] - 因子动量法公式： $$ Momentum_{t}=X_{t}-\frac{1}{3}(X_{t-1}+X_{t-2}+X_{t-3}) $$ - 相位判断法：用38个月为周期构造正弦波，滚动拟合宏观因子，判断当前所属相位[16][17] 4. **“时钟+拐点改善法”大类资产轮动模型**：假设下个月各个因子均延续本月状态，根据各个宏观风险因子所处的状态，计算截面上各个资产的总得分，引入风险预算模型进行调整[18][19][20] - **模型评价**：该模型在控制高风险资产仓位的情况下，取得了近10%的年化收益，收益、风险、回撤控制方面表现都非常优秀[23] 模型的回测效果 - **基于宏观风险因子的大类资产轮动模型** - 总收益率：242.45%[23] - 年化收益率：9.93%[23] - 年化波动率：6.83%[23] - 年化夏普比率：1.45[23] - 最大回撤率：6.31%[23] - 胜率：73.08%[23] 量化因子与构建方式 因子名称：宏观风险因子 - **因子的构建思路**：利用宏观数据和资产组合构建经济增长、通胀、利率、汇率、信用、期限利差六个因子，全面刻画宏观经济的多个方面[4] - **因子具体构建过程**： - 经济增长因子：使用工业增加值同比、PMI、社会消费品零售总额同比等指标，采用HP滤波处理，波动率倒数加权合成[4] - 通胀因子：使用PPI同比、CPI同比等指标，采用HP滤波处理，波动率倒数加权合成[4] - 利率因子：使用中债-国债总财富指数、中证货币基金指数等指标，等权构造投资组合，计算净值同比收益率[4] - 汇率因子：使用上海金、伦敦金现等指标，构造等权多空投资组合，计算净值同比收益率[4] - 信用因子：使用中债-企业债AAA指数、中债-国债总指数等指标，构造久期中性的投资组合，计算净值同比收益率[4] - 期限利差因子：使用中债-中短期债券财富指数、中债-长期债券财富指数等指标，构造久期中性的投资组合，计算净值同比收益率[4] 因子的回测效果 - **宏观风险因子** - 经济增长因子：上行[34] - 通胀因子：下行[34] - 利率因子：上行[34] - 信用因子：下行[34] - 汇率因子：下行[34] - 期限利差因子：上行[34]

量化因子与构建方式 1. 因子名称：剥离涨停动量 - **因子的构建思路**：通过剥离涨停股票的动量效应，捕捉市场中短期价格趋势的延续性[3][25] - **因子具体构建过程**：未提供详细构建过程，仅提到该因子表现较好[3][25] 2. 因子名称：经营性现金净流量 - **因子的构建思路**：基于企业经营活动产生的现金流量，衡量企业的盈利质量和财务健康状况[3][25] - **因子具体构建过程**：未提供详细构建过程，仅提到该因子表现较好[3][25] 3. 因子名称：分析师净上调幅度 - **因子的构建思路**：通过分析师对股票盈利预测的上调幅度，反映市场对公司未来业绩的乐观预期[3][25] - **因子具体构建过程**：未提供详细构建过程，仅提到该因子表现较好[3][25] 4. 因子名称：单季度营收增速 - **因子的构建思路**：基于公司单季度收入的同比增长率，衡量公司短期经营增长能力[3][25] - **因子具体构建过程**：未提供详细构建过程，仅提到该因子表现较差[3][25] 5. 因子名称：总市值 - **因子的构建思路**：以公司总市值为指标，反映公司规模对股票表现的影响[3][25] - **因子具体构建过程**：未提供详细构建过程，仅提到该因子表现较差[3][25] 6. 因子名称：BP（账面市值比） - **因子的构建思路**：通过账面价值与市值的比值，衡量股票的估值水平[3][25] - **因子具体构建过程**：未提供详细构建过程，仅提到该因子表现较差[3][25] --- 因子的回测效果 最近一个月表现 - **剥离涨停动量**：表现较好[3][25] - **经营性现金净流量**：表现较好[3][25] - **分析师净上调幅度**：表现较好[3][25] - **单季度营收增速**：表现较差[3][25] - **总市值**：表现较差[3][25] - **BP**：表现较差[3][25] 今年以来表现 - **分析师净上调幅度**：表现较好[3][25] - **单季度净利润增速**：表现较好[3][25] - **单季度超预期幅度**：表现较好[3][25] - **总市值**：表现较差[3][25] - **BP**：表现较差[3][25] - **分析师净上调比例**：表现较差[3][25] --- 量化模型与构建方式 1. 模型名称：券商金股业绩增强组合 - **模型构建思路**：以券商金股股票池为选股空间，通过多因子模型优选股票，并采用组合优化方法控制个股和风格偏离，最终构建业绩增强组合[12][36][39] - **模型具体构建过程**： 1. 以券商金股股票池为选股空间和约束基准[12][36] 2. 采用多因子模型对股票进行优选，具体因子未详细列出[12][36] 3. 以全体公募基金的行业分布为行业配置基准[39] 4. 通过组合优化方法控制组合与券商金股股票池在个股、风格上的偏离[39] 5. 以偏股混合型基金指数作为对标基准[36] 6. 考虑仓位及交易费用的影响[40] --- 模型的回测效果 本月表现（20241201-20241231） - **绝对收益**：2.67%[5][38] - **相对偏股混合型基金指数超额收益**：3.54%[5][38] 今年以来表现（20240102-20241231） - **绝对收益**：19.45%[5][38] - **相对偏股混合型基金指数超额收益**：16.00%[5][38] - **在主动股基中排名**：6.79%分位点（226/3326）[5][38] 历史表现（2018-2024） - **年化收益**：19.01%[40][43] - **相对偏股混合型基金指数年化超额收益**：14.87%[40][43] - **每年业绩排名**：均排在主动股基前30%[40][43]

量化模型与构建方式 1. 模型名称：开源金工优选金股组合 - **模型构建思路**：基于新进金股的收益表现优于重复金股的特性，结合业绩超预期因子（SUE因子）的选股能力，构建优选金股组合[22] - **模型具体构建过程**： 1. 以新进金股作为样本[22] 2. 选择业绩超预期的前30只金股[22] 3. 按照券商推荐数量加权构建组合[22] - **模型评价**：优选金股组合收益表现显著优于全部金股组合和基准指数[22][24] --- 模型的回测效果 1. 开源金工优选金股组合 - **12月收益率**：1.4%[25] - **2024年收益率**：15.4%[25] - **年化收益率**：20.2%[25] - **年化波动率**：25.8%[25] - **收益波动比**：0.78[25] - **最大回撤**：24.6%[25] 2. 全部金股组合 - **12月收益率**：-1.5%[20] - **2024年收益率**：5.7%[20] - **年化收益率**：11.1%[20] - **年化波动率**：24.1%[20] - **收益波动比**：0.46[20] - **最大回撤**：42.6%[20] 3. 新进金股组合 - **12月收益率**：-2.6%[20] - **2024年收益率**：1.7%[20] - **年化收益率**：13.7%[20] - **年化波动率**：24.8%[20] - **收益波动比**：0.55[20] - **最大回撤**：38.5%[20] 4. 重复金股组合 - **12月收益率**：-0.3%[20] - **2024年收益率**：9.5%[20] - **年化收益率**：8.9%[20] - **年化波动率**：24.0%[20] - **收益波动比**：0.37[20] - **最大回撤**：45.0%[20] 5. 基准指数（沪深300） - **12月收益率**：0.5%[20] - **2024年收益率**：14.7%[20] - **年化收益率**：2.1%[20] - **年化波动率**：21.9%[20] - **收益波动比**：0.10[20] - **最大回撤**：40.6%[20] 6. 基准指数（中证500） - **12月收益率**：-2.2%[20] - **2024年收益率**：5.5%[20] - **年化收益率**：-0.7%[20] - **年化波动率**：24.3%[20] - **收益波动比**：-0.03[20] - **最大回撤**：37.5%[20] --- 量化因子与构建方式 1. 因子名称：业绩超预期因子（SUE因子） - **因子构建思路**：通过捕捉公司业绩超预期的特性，筛选出具有更高收益潜力的股票[22] - **因子具体构建过程**： 1. 计算公司实际业绩与市场预期的差异 2. 根据差异值对股票进行排序，选取业绩超预期的股票[22] - **因子评价**：在新进金股组合中表现出优异的选股能力[22] --- 因子的回测效果 1. 业绩超预期因子（SUE因子） - **表现**：在新进金股组合中具有优异的选股能力[22]