量化模型与构建方式 1. **模型名称**：择时雷达六面图 - **模型构建思路**：从流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取21个指标，综合生成[-1,1]区间的择时分数，反映市场中性偏多或偏空信号[1][6] - **模型具体构建过程**： 1. **指标分类**：将指标概括为四大类——"估值性价比"（如席勒ERP、PB）、"宏观基本面"（如PMI、通胀）、"资金&趋势"（如两融增量、外资CDS利差）、"拥挤度&反转"（如期权VIX、可转债偏离度）[1][6] 2. **分数标准化**：对单指标计算zscore或分位数，截尾后标准化到±1区间，例如： - 估值类指标：$$ \text{席勒ERP分数} = \frac{\text{ERP} - \mu_{3年}}{\sigma_{3年}} $$，截尾1.5倍标准差[31][32] - 技术面指标：价格趋势分数=0.5×(方向分数+强度分数)，方向分数由均线距离(ma120/ma240-1)符号决定[53][54] 3. **综合打分**：加权汇总各维度分数，生成最终择时信号[6][8] 2. **因子名称**：货币方向因子 - **因子构建思路**：通过货币政策利率与短端市场利率的变化方向判断货币宽松/收紧[10] - **因子具体构建过程**：计算央行政策利率与短端利率（如DR007）90天平均变化方向，若>0为宽松（分数=1），<0为收紧（分数=-1）[10] 3. **因子名称**：货币强度因子 - **因子构建思路**：量化短端利率偏离政策利率的程度[13] - **因子具体构建过程**： $$ \text{偏离度} = \frac{\text{DR007}}{7\text{天逆回购利率}} - 1 $$ 平滑后计算zscore，若<-1.5σ则未来120日分数=1，>1.5σ则=-1[13][16] 4. **因子名称**：信用强度因子 - **因子构建思路**：捕捉信贷数据超预期程度[18] - **因子具体构建过程**： $$ \text{信用强度因子} = \frac{\text{新增人民币贷款} - \text{预期中位数}}{\text{预期标准差}} $$ 若>1.5σ则未来60日分数=1，<-1.5σ则=-1[18][19] 5. **因子名称**：新高新低因子 - **因子构建思路**：通过成分股价格极值捕捉反转信号[56] - **因子具体构建过程**：计算中证800成分股过去一年新高数-新低数的20日均值，若>0则分数=1，<0则=-1[56][57] 模型的回测效果 1. **择时雷达六面图模型**： - 当前综合打分：0.23（中性偏多）[6][8] - 分维度打分： - 流动性：-0.50（看空）[8][10] - 经济面：0.75（看多）[8][20] - 估值面：0.46（看多）[8][37] - 资金面：-0.75（看空）[8][48] - 技术面：0.75（看多）[8][55] - 拥挤度：0.78（看多）[8][59] 量化因子与构建方式 （部分因子已合并至模型部分，以下补充其他关键因子） 6. **因子名称**：期权隐含升贴水因子 - **因子构建思路**：通过期权定价反推市场情绪[59] - **因子具体构建过程**：若50ETF近5日收益率<0且分位数<30%，则未来20日分数=1；若收益率>0且分位数>70%，则=-1[59][63] 7. **因子名称**：可转债定价偏离度因子 - **因子构建思路**：衡量可转债估值泡沫[66] - **因子具体构建过程**： $$ \text{偏离度} = \frac{\text{转债价格}}{\text{模型定价}} - 1 $$ 计算过去3年zscore并取负值，分数范围±1[66][67] 因子的回测效果 1. **货币方向因子**：当前分数=-1[10][12] 2. **货币强度因子**：当前分数=-1[13][16] 3. **信用强度因子**：当前分数=1[18][19] 4. **新高新低因子**：当前分数=1[56][58] 5. **期权VIX因子**：当前分数=1[60][62] 6. **可转债偏离度因子**：当前分数=0.12[66][67]

量化模型与构建方式 1. 模型名称：基于技术指标的指数仓位调整模型；模型构建思路：以量价数据为基础，通过技术指标信号进行仓位调整获取超额收益[8]；模型具体构建过程：构建了27个技术指标，测试在沪深300、中证500和中证1000等指数上的表现，采用直接信号合成法和滚动搜索法将多个技术指标结合使用[8] 2. 模型名称：滚动稳健策略；模型构建思路：采用后置买卖(先合并后处理)方法，适合风险偏好低的投资者[8]；模型具体构建过程：通过降低调仓频率至T+10，使策略平均超额年化收益率达3.99%[3] 3. 模型名称：滚动追涨策略；模型构建思路：采用前置买卖(先处理后合并)方法，具有更强的追涨能力，适合风险偏好高的投资者[8]；模型具体构建过程：策略波动性略高于稳健策略，能有效减少踏空情况[3] 量化因子与构建方式 1. 因子名称：量价背离技术指标；因子构建思路：基于量价"背离"概念设计的技术指标[3]；因子评价：在34个指数上的平均超额年化收益率达3.75%，表现优异[3] 模型的回测效果 1. 滚动追涨策略，沪深300超额收益3.23%，中证500超额收益1.90%，中证1000超额收益0.00%[9] 2. 滚动稳健策略，沪深300超额收益3.49%，中证500超额收益4.25%，中证1000超额收益5.11%[14] 3. 优选单信号策略，沪深300超额收益3.01%，中证500超额收益4.27%，中证1000超额收益4.81%[10] 4. 5信号结合策略，沪深300超额收益3.24%，中证500超额收益1.61%，中证1000超额收益-4.20%[10] 5. 7信号结合策略，沪深300超额收益3.24%，中证500超额收益4.25%，中证1000超额收益-1.76%[10] 因子的回测效果 1. 量价背离技术指标，34个指数平均超额年化收益率3.75%[3]

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**：DeepSeek-V3-0324大模型 **模型构建思路**：利用大模型的总结能力对分析师行业报告进行智能总结和整合，提炼核心观点和关键信息[5] **模型具体构建过程**： - 从Wind数据库获取行业研报，入库时间截至2025年5月5日24点，共计517篇报告[5] - 将同一个一级行业内的所有摘要合并，与提示词拼接后调用DeepSeek-V3大模型[5] - 提示词要求总结为不超过200个汉字的简明摘要，需准确反映研报的主要事实、观点和结论，避免包含风险提示和个人意见[6] **模型评价**：该模型能够高效处理大量研报，提炼核心信息，但可能存在模型的误读或对信息的二次加工，导致信息失真[6] 2. **模型名称**：行业景气度衡量模型 **模型构建思路**：利用大模型对行业研报进行打分，衡量行业景气度和超预期程度[14] **模型具体构建过程**： - 构造提示词提取行业研报所涉中信一级、二级行业名称及对应行业景气度和超预期程度[14] - 使用DeepSeek-V3模型，将提示词和摘要拼接作为输入，得到每篇报告涉及的行业及景气度、超预期程度[20] - 按照中信二级行业计算“景气度”、“超预期程度”的均值，并保留报告数目大于2的行业[20] 模型的回测效果 1. **DeepSeek-V3-0324大模型**：总结结果如表1至表4所示，涵盖石油石化、煤炭、有色金属、电力及公用事业等多个行业的核心观点[7][8][9][10][11][12][13] 2. **行业景气度衡量模型**： - 通信设备行业景气度为8.75，超预期程度为7.50，报告数目为4.00[21] - 发电及电网行业景气度为8.50，超预期程度为7.38，报告数目为16.00[21] - 半导体行业景气度为8.50，超预期程度为7.63，报告数目为24.00[21] - 房地产服务行业景气度为5.50，超预期程度为4.40，报告数目为10.00[22] - 结构材料行业景气度为5.00，超预期程度为4.00，报告数目为3.00[22] 量化因子与构建方式 1. **因子名称**：行业景气度 **因子构建思路**：通过大模型对行业研报进行打分，衡量行业的景气程度[14] **因子具体构建过程**： - 使用DeepSeek-V3模型，将提示词和摘要拼接作为输入，得到每篇报告的行业景气度[20] - 按照中信二级行业计算景气度的均值[20] 2. **因子名称**：超预期程度 **因子构建思路**：通过大模型对行业研报进行打分，衡量行业的超预期程度[14] **因子具体构建过程**： - 使用DeepSeek-V3模型，将提示词和摘要拼接作为输入，得到每篇报告的超预期程度[20] - 按照中信二级行业计算超预期程度的均值[20] 因子的回测效果 1. **行业景气度因子**： - 通信设备行业景气度为8.75[21] - 发电及电网行业景气度为8.50[21] - 半导体行业景气度为8.50[21] - 房地产服务行业景气度为5.50[22] - 结构材料行业景气度为5.00[22] 2. **超预期程度因子**： - 通信设备行业超预期程度为7.50[21] - 发电及电网行业超预期程度为7.38[21] - 半导体行业超预期程度为7.63[21] - 房地产服务行业超预期程度为4.40[22] - 结构材料行业超预期程度为4.00[22] 其他说明 - 最新结果显示，通信设备、发电及电网行业景气度较高，且边际变化明显提升；房地产服务、结构材料行业景气度较低[23] - 模型和因子的测试结果基于2025年4月28日至2025年5月5日的行业研报计算[21][22]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **鑫选ETF绝对收益策略** - 模型构建思路：通过"抽屉法"在场内权益ETF池中进行测试，目标是跑出绝对收益和相对A股权益的长周期相对收益[11] - 模型具体构建过程： - 选择ETF池包括黄金ETF、食品饮料ETF、医疗ETF等8只标的 - 采用等权重配置（每只10%）[12] - 结合技术面量化指标进行动态调整 - 模型评价：样本外表现优异，风险收益比突出 2. **全天候多资产多策略ETF风险平价策略** - 模型构建思路：结合行业轮动、风格轮动等权益策略，使用风险平价策略降低组合波动[16] - 模型具体构建过程： - 资产类别配置：商品（黄金ETF）、美股（标普500ETF）、国内权益（行业/风格轮动）、国内债（国债ETF） - 风险平价权重分配：10年期国债ETF（21.42%）、30年期国债ETF（17.25%）等[17] 3. **中美核心资产组合** - 模型构建思路：纳入白酒、红利、黄金、纳指四种强趋势标的，结合RSRS择时策略与技术面反转策略[20] - 模型评价：长期年化回报优异，最大回撤控制良好 4. **高景气/红利轮动策略** - 模型构建思路：构建高景气成长与红利策略的轮动模型[23] - 模型具体构建过程： - 高景气信号时配置创业板ETF和科创50ETF（各50%） - 红利信号时配置红利低波ETF与央企红利50ETF - 模型评价：风格切换效果显著 5. **双债LOF增强策略** - 模型构建思路：通过波动率倒数归一化调整债券与其他资产的配置权重[26] - 模型具体构建过程： $$ w_i = \frac{1/\sigma_i}{\sum_{j=1}^n 1/\sigma_j} $$ 其中$\sigma_i$为资产组波动率 6. **结构化风险平价策略(QDII)** - 模型构建思路：以国内债券ETF为主，QDII权益产品增强[27][29] - 资产配置：黄金ETF（4.52%）、纳指ETF（3.59%）、H股ETF等 模型的回测效果 | 策略名称 | 总收益率 | 年化收益率 | 最大回撤 | 波动率 | 夏普比率 | |---------|---------|------------|---------|--------|----------| | 鑫选技术面量化策略 | 31.19% | 23.63% | -6.30% | 17.90% | 1.16 | | 高景气红利轮动策略 | 43.68% | 32.73% | -22.04% | 35.50% | 0.91 | | 中美核心资产组合 | 55.80% | 41.40% | -10.86% | 17.39% | 1.96 | | 双债增强 | 8.54% | 6.61% | -2.26% | 3.47% | 1.29 | | 结构化风险平价策略(QDII) | 23.41% | 17.86% | -2.38% | 4.92% | 2.96 | | 全天候多资产风险平价策略 | 18.89% | 14.47% | -3.62% | 4.49% | 2.59 | [32] 量化因子与构建方式 （注：报告中未明确提及独立因子构建，主要为复合策略模型） 因子回测效果 （注：报告中未提供独立因子测试数据） 关键公式说明 风险平价权重计算公式： $$ w_i = \frac{1/\sigma_i}{\sum_{j=1}^n 1/\sigma_j} $$ 其中$\sigma_i$代表第i类资产的波动率[26]

根据提供的研报内容，以下是量化模型与因子的总结： 资金流向分析模型 1. **模型名称**：主动权益基金资金流向监测模型 **构建思路**：通过跟踪主动权益基金的规模、份额变化及净申购数据，分析市场资金偏好与基金经理行为[7][9][11][16] **具体构建过程**： - 计算加权份额变化：$$\Delta S = \frac{S_{t}-S_{t-1}}{S_{t-1}}$$，其中$S_t$为当期份额[7] - 净申购规模计算：$$NetInflow = AUM_t - AUM_{t-1} \times (1+R_t)$$，$R_t$为基金收益率[11][18] - 分类统计普通股票型、偏股混合型等细分类型的份额变动[9] **评价**：能有效捕捉市场热点与资金轮动，但对北交所等新兴板块覆盖不足[14][33] **测试结果**： - 2025Q1加权份额减少1.93%，规模回升至3.47万亿元[9] - 收益前10基金净申购233亿元，头部基金占比77.6%[11][14] --- 行业配置因子 1. **因子名称**：行业主动调仓因子 **构建思路**：基于基金重仓行业占比变化识别主动加减仓行为[26][27] **具体构建过程**： - 计算行业配置偏离度：$$ActiveWeight_{i,t} = W_{i,t} - W_{i,t-1} \times \frac{1+R_{i,t}}{1+R_{m,t}}$$ 其中$W_{i,t}$为行业i在t期配置权重，$R_{i,t}$为行业收益率[26] - 机械/金属/汽车行业加仓幅度最大（+0.70%/+0.69%/+0.62%）[27] **评价**：对周期板块轮动敏感，但需结合行业基本面验证[27] **测试结果**： - 电新/电信业务减仓最显著（-1.35%/-1.19%）[27] --- 港股持仓因子 1. **因子名称**：港股板块暴露因子 **构建思路**：通过恒生指数成分股持仓分析跨境配置偏好[35][36] **具体构建过程**： - 定义子板块权重：$$W_{HSIII} = \frac{\sum H_{tech}}{\sum H_{total}}$$，$H_{tech}$为恒生互联网科技持仓[36] - 历史回溯采用当前成分股静态测算[32][36] **评价**：能反映机构对港股弹性板块的博弈行为[35] **测试结果**： - 恒生互联网科技持仓从3.65%升至5.67%[36] - 港股总持仓占比创14.63%新高[36][40] --- 热点板块因子 1. **因子名称**：主题投资集中度因子 **构建思路**：统计人形机器人/创新药等主题在重仓股中的占比[32][33] **具体构建过程**： - 计算主题暴露度：$$ThematicExposure = \frac{\sum P_{theme}}{\sum P_{top10}}$$ $P_{theme}$为属于该主题的重仓股市值[33] **评价**：对短期主题炒作捕捉能力有限[33] **测试结果**： - 人形机器人持仓占比1.37%，较上期下降0.17pp[33] - 北交所持仓占比0.22%[33]

根据提供的量化择时周报内容，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：市场情绪结构指标模型** - **模型构建思路**：通过多个细分指标综合评估市场情绪，采用打分法合成整体情绪指标[7][8] - **具体构建过程**： 1. 选取9个分项指标（如行业间交易波动率、主力买入力量等），每个指标根据布林轨道位置打分（-1/0/1）[8] 2. 指标方向定义：正向指标（如价量一致性）得分越高情绪越乐观，负向指标（如行业交易拥挤度）反之[8] 3. 合成公式：对全部分项指标等权求和后取20日均线，最终指标范围[-6,6][8] - **模型评价**：能有效捕捉历史情绪拐点，如2024年10月突破2分后市场回暖[9] 2. **模型名称：MASS均线排列打分模型** - **模型构建思路**：通过均线排列关系判断行业趋势强弱[18] - **具体构建过程**： 1. 对N日均线（长期N=360，短期N=60）计算相邻均线相对位置得分：短均线在上得1分，否则0分[18] 2. 标准化得分至0-100区间并求平均，得到趋势得分[18] 3. 通过长短趋势得分均线的交叉信号（100/20日均线）生成多空观点[18] 3. **模型名称：RSI风格择时模型** - **模型构建思路**：利用相对强弱指标判断风格轮动[22] - **具体构建过程**： 1. 计算风格指数净值比值的RSI： $$RSI = 100 - \frac{100}{1 + \frac{Gain}{Loss}}$$ 其中Gain为N日内上涨日均值，Loss为下跌日均值[22] 2. 通过20日与60日RSI的相对位置判断风格占优方向（20日>60日则分子端风格占优）[22] 量化因子与构建方式 1. **因子名称：主力买入力量** - **构建思路**：反映主力资金净流入水平[8] - **具体构建**：通过主力资金净流入数据标准化后结合布林轨道位置打分[8] 2. **因子名称：科创50成交占比** - **构建思路**：衡量资金风险偏好[8] - **具体构建**：计算科创50成交量占全A比例，突破布林上轨得1分，跌破下轨得-1分[8][14] 3. **因子名称：价量一致性** - **构建思路**：评估资金情绪稳定性[8] - **具体构建**：结合价格趋势与成交量变化方向的一致性程度打分[8] 模型的回测效果 1. **市场情绪结构指标模型** - 当前数值：0.8（2025/4/30）[9] - 分项指标得分变化：主力买入力量从4/18的-1升至4/30的+1[12] 2. **MASS均线排列模型** - 看多行业得分：美容护理（72.88）、银行（74.58）[19] - 看空行业得分：房地产（20.34）、商贸零售（27.12）[19] 3. **RSI风格模型** - 价值风格占优：国证成长/价值RSI=51.60（20日）vs 48.92（60日）[25] - 大盘风格占优：申万小盘/大盘RSI=48.84（20日）[25] 因子的回测效果 1. **主力买入力量因子** - 4月30日得分：+1（较4/18低点显著回升）[12] 2. **科创50成交占比因子** - 4月30日得分：-1（持续低于布林下轨）[12][14] 3. **价量一致性因子** - 4月30日得分：0（从前期-1回升至中性）[12]

量化模型与构建方式 1. **模型名称：均线距离择时模型** - **模型构建思路**：通过计算wind全A指数的短期均线（20日）与长期均线（120日）的距离，判断市场趋势（上行/下行）[2][9] - **模型具体构建过程**： 1. 计算20日均线（短期）和120日均线（长期）的数值： $$ \text{20日均线} = 4908, \text{120日均线} = 5092.8 $$ 2. 计算两线距离百分比： $$ \text{均线距离} = \frac{\text{20日均线} - \text{120日均线}}{\text{120日均线}} \times 100\% = -3.63\% $$ 3. 判断规则：若距离绝对值>3%且短期均线低于长期均线，则为下行趋势[2][9] 2. **模型名称：TWO BETA行业配置模型** - **模型构建思路**：结合市场Beta和行业Beta特性，筛选具有超额收益潜力的行业板块[4][10] - **模型具体构建过程**： 1. 计算科技板块（如信创、AI芯片）与市场整体的Beta相关性 2. 结合国产替代政策导向，赋予科技板块更高权重[4][10] 3. **模型名称：仓位管理模型** - **模型构建思路**：综合估值分位数（PE/PB）和趋势信号动态调整仓位[3][10] - **模型具体构建过程**： 1. 估值分位数判断： - PE位于50分位（中等） - PB位于20分位（较低） 2. 结合均线距离模型的下行趋势信号，输出仓位建议[3][10] --- 模型的回测效果 1. **均线距离择时模型**： - 当前均线距离：-3.63%[2][9] - 市场状态：下行趋势[2][9] 2. **TWO BETA模型**： - 推荐行业：科技板块（信创、AI芯片）[4][10] 3. **仓位管理模型**： - 建议仓位：50%[3][10] --- 量化因子与构建方式 1. **因子名称：估值分位数因子** - **因子构建思路**：通过PE/PB历史分位数判断市场估值水平[3][7] - **因子具体构建过程**： 1. 计算wind全A指数PE/PB的10年历史分位数（2014-2025） 2. 当前取值： - PE分位数：50% - PB分位数：20%[3][7] 2. **因子名称：赚钱效应因子** - **因子构建思路**：监测市场赚钱效应是否转正以判断趋势反转[2][10] - **因子具体构建过程**： 1. 定义赚钱效应为近期市场收益率的滚动均值 2. 当前取值：-1%[2][10] --- 因子的回测效果 1. **估值分位数因子**： - PE分位数：50%[3][7] - PB分位数：20%[3][7] 2. **赚钱效应因子**： - 当前值：-1%[2][10]

量化模型与构建方式 1. **模型名称**：公募基金仓位估计模型 - **模型构建思路**：基于基金季报披露的前十大重仓股、上市公司十大股东信息及行业配置，结合半年报/年报的全部持仓数据，模拟补全基金的非重仓股持仓，进而估计基金的整体股票仓位[9][10][11] - **模型具体构建过程**： 1. 从基金季报获取前十大重仓股（T期），结合上市公司十大股东信息补充重仓股细节[10] 2. 利用最近一期（T-1期）半年报/年报的全部持仓数据，提取非重仓股行业分布[11] 3. 假设非重仓股在各行业内的持股种类不变，仅按比例调整权重，根据T-1期非重仓股持仓按行业比例放缩得到T期模拟持仓[11] 4. 将模拟持仓拆分为大、小盘组合，通过加权最小二乘法拟合基金日收益率与大盘/小盘指数日收益率，估计每日仓位配置[13] - **模型评价**：解决了基金持仓披露不全和滞后性问题，实现了对基金仓位的日度监控[13] 2. **模型名称**：基金风格分析模型 - **模型构建思路**：基于仓位估计结果，从大小盘配置、市值暴露、行业配置三个维度刻画基金风格[13] - **模型具体构建过程**： 1. 计算基金在大盘组合（如沪深300）和小盘组合（如中证1000）的仓位占比[15] 2. 按中信一级行业分类统计行业配置权重，计算行业配置变动[20][21] 3. 结合历史分位点评估当前配置的极端程度[16][19] --- 模型的回测效果 1. **公募基金仓位估计模型** - 普通股票型基金仓位中位数：89.45%（2025-04-30），较前周上升0.06%[16] - 偏股混合型基金仓位中位数：87.07%（2025-04-30），较前周下降0.49%[16] - 大盘仓位变动：普通股票型+0.64%，偏股混合型+2.20%[16] - 小盘仓位变动：普通股票型-0.57%，偏股混合型-2.69%[16] 2. **基金风格分析模型** - 行业配置权重：电子（14.96%普通股票型/17.17%偏股混合型）、电力设备（9.28%/8.37%）、医药（10.93%/9.20%）[20] - 行业配置分位点：汽车（97.77%/99.26%）、电子元器件（74.72%/85.87%）、医药（12.27%/21.93%）[20] --- 量化因子与构建方式 1. **因子名称**：大小盘仓位因子 - **因子构建思路**：反映基金在大盘与小盘股票上的配置偏好[13] - **因子具体构建过程**： $$ \text{大盘仓位} = \frac{\sum \text{大盘股持仓市值}}{\sum \text{全部股票持仓市值}} $$ $$ \text{小盘仓位} = 1 - \text{大盘仓位} $$ 通过加权最小二乘法回归基金日收益与大盘/小盘指数收益，估计系数作为仓位值[13] 2. **因子名称**：行业配置因子 - **因子构建思路**：衡量基金在特定行业的超配或低配程度[20] - **因子具体构建过程**： $$ \text{行业权重} = \frac{\sum \text{行业持仓市值}}{\sum \text{全部股票持仓市值}} $$ 结合历史分位点计算行业配置的极端值[20] --- 因子的回测效果 1. **大小盘仓位因子** - 普通股票型基金：大盘仓位42.1%，小盘仓位47.4%（2025-04-30）[15] - 偏股混合型基金：大盘仓位36.4%，小盘仓位50.7%（2025-04-30）[15] 2. **行业配置因子** - 电子行业：普通股票型配置分位点74.72%，偏股混合型85.87%[20] - 汽车行业：普通股票型配置分位点97.77%，偏股混合型99.26%[20]

量化因子与构建方式 1.估值类因子 1) **bp因子** - 构建思路：衡量股票当前市净率水平[13] - 具体构建：$$ bp = \frac{当前净资产}{当前总市值} $$[13] 2) **bp三年分位数因子** - 构建思路：评估当前市净率在近三年的相对位置[13] - 具体构建：计算股票当前bp在最近三年的分位数[13] 3) **季度ep因子** - 构建思路：反映季度净利润与净资产的关系[13] - 具体构建：$$ 季度ep = \frac{季度净利润}{净资产} $$[13] 4) **季度sp因子** - 构建思路：衡量季度营业收入与净资产的关系[13] - 具体构建：$$ 季度sp = \frac{季度营业收入}{净资产} $$[13] 2.盈利类因子 1) **季度roa因子** - 构建思路：评估季度净利润与总资产的比率[13] - 具体构建：$$ 季度roa = \frac{季度净利润}{总资产} $$[13] 2) **季度roe因子** - 构建思路：衡量季度净利润与净资产的比率[13] - 具体构建：$$ 季度roe = \frac{季度净利润}{净资产} $$[13] 3.成长类因子 1) **季度净利润同比增长因子** - 构建思路：反映季度净利润的同比增长情况[13] - 具体构建：直接计算季度净利润同比增长率[13] 2) **标准化预期外盈利因子** - 构建思路：衡量实际盈利与预期盈利的偏离程度[13] - 具体构建： $$ \frac{当前季度净利润 - (去年同期单季净利润 + 过去8个季度单季净利润同比增长均值)}{过去8个季度的单季度净利润同比增长值的标准差} $$[13] 4.换手率类因子 1) **1个月换手率与均价的相关性因子** - 构建思路：评估换手率与股价的相关性[13] - 具体构建：计算过去20个交易日换手率与均价的相关系数[13] 2) **1个月换手率波动因子** - 构建思路：衡量换手率的波动性[13] - 具体构建：计算过去20个交易日换手率的标准差[13] 5.波动率类因子 1) **Fama-French三因子1月残差波动率因子** - 构建思路：衡量股票收益对三因子模型的残差波动[13] - 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[13] 2) **1月特异度因子** - 构建思路：评估股票收益中未被三因子解释的部分[13] - 具体构建：$$ 1 - R^2 \ (Fama-French三因子回归的R方) $$[13] 6.动量与反转类因子 1) **一年动量因子** - 构建思路：捕捉长期动量效应[13] - 具体构建：$$ 过去一年收益率累加 - 过去一个月收益率累加 $$[13] 2) **1个月反转因子** - 构建思路：捕捉短期反转效应[13] - 具体构建：累加过去20个交易日收益率[13] 7.规模类因子 1) **小市值因子** - 构建思路：衡量公司规模对收益的影响[13] - 具体构建：对数市值[13] 8.Beta因子 1) **Beta因子** - 构建思路：衡量股票与市场的系统性风险关联[14] - 具体构建：最近490个交易日个股收益与市场收益加权回归的系数[14] --- 因子回测效果 1.IC表现 - **bp因子**：最近一周IC -6.07%，最近一月IC均值 -0.91%，历史IC均值 2.07%[9] - **1个月换手率与均价的相关性因子**：最近一周IC 11.30%，最近一月IC均值 7.07%，历史IC均值 1.70%[9] - **1个月反转因子**：最近一周IC 11.08%，最近一月IC均值 4.52%，历史IC均值 2.15%[9] 2.多头组合表现 - **小市值因子**：最近一年超额收益 10.84%，历史累计超额 59.20%[11] - **1个月换手率波动因子**：最近一年超额收益 10.68%，历史累计超额 32.01%[11] - **Beta因子**：最近一周超额 1.08%，最近一年超额 6.46%[11] --- 数据处理方法 - 因子值基于最近五年周频数据，先转为行业内排序分位数，并对市值、bp和行业进行中性化处理（规模类和bp因子除外）[7] - 多头组合构建：每期选择因子排名前10%的股票，采用根号下流通市值加权[10]

量化因子与构建方式 1 因子名称：二阶动量 因子构建思路：通过计算价格与移动平均的偏离程度来捕捉动量效应[6] 因子具体构建过程： $$𝐶𝑙𝑜𝑠𝑒𝑡 𝐸𝑊𝑀𝐴(− 𝑚𝑒𝑎𝑛(𝐶𝑙𝑜𝑠𝑒𝑡−window1:𝑡)) / 𝑚𝑒𝑎𝑛(𝐶𝑙𝑜𝑠𝑒𝑡−window1:𝑡)$$ 其中EWMA表示指数加权移动平均，window1为回溯窗口[7] 2 因子名称：动量期限差 因子构建思路：通过不同期限价格变化率的差异捕捉动量持续性[6] 因子具体构建过程： $$(𝐶𝑙𝑜𝑠𝑒𝑡−𝐶𝑙𝑜𝑠𝑒𝑡−𝑤𝑖𝑛𝑑𝑜𝑤1)/𝐶𝑙𝑜𝑠𝑒𝑡−𝑤𝑖𝑛𝑑𝑜𝑤1 − (𝐶𝑙𝑜𝑠𝑒𝑡−𝐶𝑙𝑜𝑠𝑒𝑡−𝑤𝑖𝑛𝑑𝑜𝑤2)/𝐶𝑙𝑜𝑠𝑒𝑡−𝑤𝑖𝑛𝑑𝑜𝑤2$$ window1和window2代表不同期限的回溯窗口[7] 3 因子名称：成交金额波动 因子构建思路：通过成交金额的波动性反映市场活跃度变化[6] 因子具体构建过程： $$−𝑆𝑇𝐷(𝐴𝑚𝑜𝑢𝑛𝑡)$$ STD表示标准差计算[7] 4 因子名称：多空对比总量 因子构建思路：通过累计多空力量对比判断资金流向[6] 因子具体构建过程： $$\sum_{i=t-window}^{t} \frac{𝐶𝑙𝑜𝑠𝑒𝑖−𝐿𝑜𝑤𝑖}{𝐻𝑖𝑔ℎ𝑖−𝐶𝑙𝑜𝑠𝑒𝑖}$$ window为回溯周期[7] 5 因子名称：量价背离协方差 因子构建思路：通过价格与成交量排名的协方差捕捉背离现象[6] 因子具体构建过程： $$𝑟𝑎𝑛𝑘{𝑐𝑜𝑣𝑎𝑟𝑖𝑎𝑛𝑐𝑒[𝑟𝑎𝑛𝑘(𝐶𝑙𝑜𝑠𝑒), −𝑟𝑎𝑛𝑘(𝑉𝑜𝑙𝑢𝑚𝑒), 𝑤𝑖𝑛𝑑𝑜𝑤]}$$ rank表示截面排序[7] 6 因子名称：量幅同向 因子构建思路：通过成交量变化与价格振幅的相关性捕捉趋势强度[6] 因子具体构建过程： $$𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛[ 𝑅𝑎𝑛𝑘(\frac{𝑉𝑜𝑙𝑢𝑚𝑒𝑖}{𝑉𝑜𝑙𝑢𝑚𝑒𝑖−1}),𝑅𝑎𝑛𝑘(\frac{𝐻𝑖𝑔ℎ𝑖}{𝐿𝑜𝑤𝑖}−1),𝑤𝑖𝑛𝑑𝑜𝑤]$$ window为滚动计算窗口[7] 复合因子构建方式 模型名称：量价行业轮动组合 模型构建思路：综合11个量价因子构建行业轮动策略[6] 模型具体构建过程：每月末对中信一级行业（剔除综合和综合金融）计算复合因子值，选取排名前五的行业，因子等权加权，行业间等权配置[7] 模型的回测效果 1 量价行业轮动组合，累计收益694.50%[9] 2 量价行业轮动组合，累计超额收益605.20%（vs行业等权基准）[9] 3 量价行业轮动组合，2025年4月超额收益0.81%[9]