量化模型与构建方式 1. **模型名称**：虚拟指数（Virtual Index）构建模型 - **模型构建思路**：通过拟合指数增强基金的持仓，重构基准指数的成分股权重，生成与原始指数权重分布近似但集中度更低的虚拟指数[3][12] - **模型具体构建过程**： 1. **季报持仓补全**：最小化拟合持仓收益率与基金真实收益率的偏差，约束条件包括固定十大重仓股权重、限制剩余个股权重小于第十大重仓股、行业配置比例约束、股票持仓占比约束（80%-95%）及成分股占比约束（≥80%）[31] $$ \min\sum_{t=1}^{20}\sum_{i=1}^{n}(w_{i}r_{i,t}-f_{t}) $$ $$ s.t.\quad w_{i}=w_{i}^{r},i=1,2,...,10 $$ $$ 0<w_{i}<w_{10},i>10 $$ $$ Hw=w_{ind} $$ $$ \sum_{i=1}^{n}w_{i}=w^{r} $$ $$ \sum_{i=1}^{m}w_{i}\geq w^{r}*0.8 $$ 2. **高频持仓监测**：在季报补全基础上，添加惩罚项约束权重偏离，避免短期变化过大[35] $$ \min\sum_{t=1}^{20}\sum_{i=1}^{n}(w_{i}r_{i,t}-f_{t})+\lambda||w_{b}-w||_{2} $$ $$ s.t.\quad 0<w_{i}\leq0.1 $$ $$ 0.8\leq\sum_{i=1}^{n}w_{i}\leq0.95 $$ $$ \sum_{i=1}^{m}w_{i}\geq w^{r}*0.8 $$ - **模型评价**：虚拟指数权重分布与原始指数近似（JS散度低），行业集中度更低（HHI更低），有利于增强策略表现[45][50] 2. **模型名称**：指数增强组合对比模型 - **模型构建思路**：基于虚拟指数权重与原始指数权重，分别构建多因子增强组合，对比超额收益[57] - **模型具体构建过程**： 1. 参照组使用原始指数真实权重，测试组使用虚拟指数拟合权重 2. 同一多因子框架下（相同因子和约束条件）进行增强测试[57] --- 量化因子与构建方式 1. **因子名称**：RankIC因子 - **因子构建思路**：衡量细分因子在虚拟指数成分股与原始指数成分股中的预测能力和稳定性[62] - **因子具体构建过程**： 1. 计算单因子在虚拟指数成分股和原始指数成分股中的RankIC值 2. 计算RankICIR（信息比率）评估因子稳定性[62] - **因子评价**：大部分因子在虚拟指数成分股中RankIC和RankICIR更高，预测效果更优[62] --- 模型的回测效果 1. **虚拟指数构建模型**： - 沪深300虚拟指数：累计超额收益22%，跟踪误差2.51%[37] - 中证500虚拟指数：累计超额收益30%，跟踪误差3.23%[38] - 中证1000虚拟指数：累计超额收益49%，跟踪误差3.57%[38] 2. **指数增强组合对比模型**： - 沪深300增强组合：测试组累计净值4.35 vs 参照组3.25[57] - 中证500增强组合：测试组累计超额净值5.38 vs 参照组4.02[59] --- 因子的回测效果 1. **RankIC因子**： - 虚拟指数成分股中RankIC均值更高（如0.08 vs 0.05），RankICIR更稳定（如2.5 vs 2.0）[62]

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：四轮驱动模型** - **模型构建思路**：通过多维度信号捕捉行业交易机会，结合技术面与基本面分析[17] - **模型具体构建过程**： 1. 信号触发：基于行业指数的技术形态（如均线多头排列、放量突破、底背离等）生成交易信号[17] 2. 信号分类：分为“交易机会”和“出场信号”，例如： - 银行板块的C浪下跌后底背离企稳信号[17] - 创新药板块的均线回踩重启信号[17] 3. ETF映射：将信号对应到具体行业ETF（如512800.SH对应银行ETF）[17] - **模型评价**：综合性强，但依赖技术形态的主观判断 2. **模型名称：风险溢价模型** - **模型构建思路**：通过股债收益差（股息率减国债收益率）判断市场风险偏好[8][11] - **模型具体构建过程**： 1. 计算股债收益差： $$ \text{股债收益差} = \text{股息率} - \text{10年期国债收益率} $$ 2. 布林带分析：采用3年滚动窗口计算中轨及上下轨，当前值突破中轨时预警[8] - **模型评价**：历史规律有效，但需结合其他指标验证 3. **模型名称：波浪理论周期模型** - **模型构建思路**：识别三浪上涨结构以判断趋势持续性[8][10] - **模型具体构建过程**： 1. 划分波浪：将4月以来的上涨划分为两浪，观察第三浪是否启动[8] 2. 结合成交量验证浪型有效性[10] --- 量化因子与构建方式 1. **因子名称：行业拥挤度因子** - **因子构建思路**：通过成交金额占比衡量板块过热风险[8][15] - **因子具体构建过程**： 1. 计算行业成交额占全市场比例： $$ \text{拥挤度} = \frac{\text{行业成交额}}{\text{全市场成交额}} $$ 2. 设定阈值：科技/成长板块占比超过历史80%分位数时预警[8] - **因子评价**：对短期回调敏感，但需结合趋势强度 2. **因子名称：底背离因子** - **因子构建思路**：捕捉价格新低但技术指标（如MACD）未新低的反转信号[17] - **因子具体构建过程**： 1. 价格序列与指标序列的背离检测 2. 应用于银行板块的C浪调整分析[17] --- 模型的回测效果 1. **四轮驱动模型**： - 胜率：68%（近1年信号）[17] - 平均持仓周期：15个交易日[17] 2. **风险溢价模型**： - 布林带中轨突破后的3个月胜率：72%[8] 3. **波浪理论周期模型**： - 第三浪识别准确率：65%（历史10年数据）[10] 因子的回测效果 1. **行业拥挤度因子**： - 阈值触发后的20日回调概率：58%[8][15] 2. **底背离因子**： - 银行板块底背离后的10日超额收益：3.2%[17] 注：所有测试结果基于2025年8月16日前数据[8][10][11][15][17]

根据提供的研报内容，以下是关于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：国信金工指数增强模型 **模型构建思路**：以多因子选股为核心，通过收益预测、风险控制和组合优化三个步骤，构建对标不同宽基指数的增强组合，目标是稳定战胜各自基准[11][12] **模型具体构建过程**： 1. **收益预测**：基于多因子模型进行股票收益预测[12] 2. **风险控制**：控制组合相对于基准指数的风险暴露[12] 3. **组合优化**：在风险约束下进行组合权重优化，以最大化预期收益[12] 该模型分别针对沪深300、中证500、中证1000及中证A500指数构建增强组合[11][12] 2. 模型名称：单因子MFE组合模型 **模型构建思路**：采用组合优化的方式来检验在控制各种实际约束（如行业、风格暴露）后，单因子的有效性，通过构建最大化单因子暴露组合（MFE组合）来评估因子表现[41] **模型具体构建过程**： 使用如下组合优化模型构建MFE组合： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ 其中： - $f$ 为因子取值向量，$f^{T}w$ 为组合在单因子上的加权暴露[41][42] - $w$ 为待求解的股票权重向量，$w_b$ 为基准指数成分股权重向量[41][42] - $X$ 为股票对风格因子的暴露矩阵，$s_l$, $s_h$ 为风格因子相对暴露的上下限[42] - $H$ 为股票的行业暴露矩阵，$h_l$, $h_h$ 为组合行业偏离的上下限[42] - $w_l$, $w_h$ 为个股相对于基准指数成分股权重偏离的上下限[42] - $B_b$ 为个股是否属于基准指数成分股的0-1向量，$b_l$, $b_h$ 为成分股内权重的上下限[42] - $l$ 为个股权重上限，约束条件 $\mathbf{0}\leq w\leq l$ 限制卖空并控制个股权重上限[42] - 约束条件 $\mathbf{1}^{T}\ w=1$ 确保组合满仓运作[42] 具体构建流程包括： 1. 设定MFE组合的约束条件（如控制行业暴露为0、市值风格暴露为0、个股最大偏离权重0.5%-1%、成分股内权重占比100%）[45] 2. 在每个月末，根据约束条件为每个单因子构建MFE组合[45] 3. 在回测期内根据MFE组合换仓，计算历史收益并扣除交易费用（双边0.3%），最后计算相对于基准的收益风险指标[45] 量化因子与构建方式 研报从估值、反转、成长、盈利、流动性、公司治理、分析师等多个维度构建了30余个常见因子[16][17]。以下是各因子的名称和简要计算方式： **估值类因子**： 1. **因子名称**：BP **因子构建思路**：衡量市净率的倒数 **因子具体构建过程**：净资产 / 总市值[17] 2. **因子名称**：单季EP **因子构建思路**：衡量单季度盈利与市值的比率 **因子具体构建过程**：单季度归母净利润 / 总市值[17] 3. **因子名称**：单季SP **因子构建思路**：衡量单季度营收与市值的比率 **因子具体构建过程**：单季度营业收入 / 总市值[17] 4. **因子名称**：EPTTM **因子构建思路**：衡量滚动盈利与市值的比率 **因子具体构建过程**：归母净利润TTM / 总市值[17] 5. **因子名称**：SPTTM **因子构建思路**：衡量滚动营收与市值的比率 **因子具体构建过程**：营业收入TTM / 总市值[17] 6. **因子名称**：EPTTM一年分位点 **因子构建思路**：衡量当前EPTTM在过去一年中的相对位置 **因子具体构建过程**：EPTTM在过去一年中的分位点[17] 7. **因子名称**：股息率 **因子构建思路**：衡量分红收益 **因子具体构建过程**：最近四个季度预案分红金额 / 总市值[17] **反转类因子**： 8. **因子名称**：一个月反转 **因子构建思路**：衡量短期价格反转效应 **因子具体构建过程**：过去20个交易日涨跌幅[17] 9. **因子名称**：三个月反转 **因子构建思路**：衡量中期价格反转效应 **因子具体构建过程**：过去60个交易日涨跌幅[17] 10. **因子名称**：一年动量 **因子构建思路**：衡量长期价格动量效应（排除近期） **因子具体构建过程**：近一年除近一月后动量[17] **成长类因子**： 11. **因子名称**：单季净利同比增速 **因子构建思路**：衡量单季度净利润增长率 **因子具体构建过程**：单季度净利润同比增长率[17] 12. **因子名称**：单季营收同比增速 **因子构建思路**：衡量单季度营业收入增长率 **因子具体构建过程**：单季度营业收入同比增长率[17] 13. **因子名称**：单季营利同比增速 **因子构建思路**：衡量单季度营业利润增长率 **因子具体构建过程**：单季度营业利润同比增长率[17] 14. **因子名称**：SUE (标准化预期外盈利) **因子构建思路**：衡量盈利超预期程度（标准化） **因子具体构建过程**：(单季度实际净利润 - 预期净利润) / 预期净利润标准差[17] 15. **因子名称**：SUR (标准化预期外收入) **因子构建思路**：衡量收入超预期程度（标准化） **因子具体构建过程**：(单季度实际营业收入 - 预期营业收入) / 预期营业收入标准差[17] 16. **因子名称**：单季超预期幅度 **因子构建思路**：衡量盈利超预期幅度 **因子具体构建过程**：预期单季度净利润 / 财报单季度净利润[17] **盈利类因子**： 17. **因子名称**：单季ROE **因子构建思路**：衡量单季度净资产收益率 **因子具体构建过程**：(单季度归母净利润 * 2) / (期初归母净资产 + 期末归母净资产)[17] 18. **因子名称**：单季ROA **因子构建思路**：衡量单季度总资产收益率 **因子具体构建过程**：(单季度归母净利润 * 2) / (期初归母总资产 + 期末归母总资产)[17] 19. **因子名称**：DELTAROE **因子构建思路**：衡量净资产收益率的变化 **因子具体构建过程**：单季度净资产收益率 - 去年同期单季度净资产收益率[17] 20. **因子名称**：DELTAROA **因子构建思路**：衡量总资产收益率的变化 **因子具体构建过程**：单季度总资产收益率 - 去年同期单季度总资产收益率[17] **流动性类因子**： 21. **因子名称**：非流动性冲击 **因子构建思路**：衡量价格冲击成本 **因子具体构建过程**：过去20个交易日的日涨跌幅绝对值 / 成交额的均值[17] 22. **因子名称**：一个月换手 **因子构建思路**：衡量短期换手率 **因子具体构建过程**：过去20个交易日换手率均值[17] 23. **因子名称**：三个月换手 **因子构建思路**：衡量中期换手率 **因子具体构建过程**：过去60个交易日换手率均值[17] **波动类因子**： 24. **因子名称**：特异度 **因子构建思路**：衡量特异性风险 **因子具体构建过程**：1 - 过去20个交易日Fama-French三因子回归的拟合度[17] 25. **因子名称**：一个月波动 **因子构建思路**：衡量短期波动率 **因子具体构建过程**：过去20个交易日日内真实波幅均值[17] 26. **因子名称**：三个月波动 **因子构建思路**：衡量中期波动率 **因子具体构建过程**：过去60个交易日日内真实波幅均值[17] **公司治理类因子**： 27. **因子名称**：高管薪酬 **因子构建思路**：衡量高管激励水平 **因子具体构建过程**：前三高管报酬总额取对数[17] **分析师类因子**： 28. **因子名称**：预期EPTTM **因子构建思路**：基于分析师一致预期的滚动EP **因子具体构建过程**：一致预期滚动EP[17] 29. **因子名称**：预期BP **因子构建思路**：基于分析师一致预期的滚动PB倒数 **因子具体构建过程**：一致预期滚动PB[17] 30. **因子名称**：预期PEG **因子构建思路**：基于分析师一致预期的PEG比率 **因子具体构建过程**：一致预期PEG[17] 31. **因子名称**：预期净利润环比 **因子构建思路**：衡量分析师预期净利润的变化 **因子具体构建过程**：一致预期净利润 / 3个月前一致预期净利润[17] 32. **因子名称**：三个月盈利上下调 **因子构建思路**：衡量分析师盈利预测调整情绪 **因子具体构建过程**：过去3个月内分析师(上调家数 - 下调家数) / 总家数[17] 33. **因子名称**：三个月机构覆盖 **因子构建思路**：衡量机构关注度 **因子具体构建过程**：过去3个月内机构覆盖数量[17] 模型的回测效果 1. **国信金工沪深300指数增强模型**，本周超额收益0.93%，本年超额收益12.11%[5][14] 2. **国信金工中证500指数增强模型**，本周超额收益-0.58%，本年超额收益10.97%[5] 3. **国信金工中证1000指数增强模型**，本周超额收益-1.56%，本年超额收益14.33%[5] 4. **国信金工中证A500指数增强模型**，本周超额收益-0.15%，本年超额收益11.56%[5] 因子的回测效果 (以沪深300样本空间为例) 1. **单季ROA因子**，最近一周1.52%，最近一月2.85%，今年以来8.45%，历史年化3.76%[19] 2. **标准化预期外收入(SUR)因子**，最近一周1.38%，最近一月1.68%，今年以来6.55%，历史年化4.60%[19] 3. **标准化预期外盈利(SUE)因子**，最近一周1.37%，最近一月2.30%，今年以来8.52%，历史年化4.16%[19] 4. **单季ROE因子**，最近一周1.30%，最近一月2.45%，今年以来9.29%，历史年化4.52%[19] 5. **单季营收同比增速因子**，最近一周1.17%，最近一月2.52%，今年以来10.14%，历史年化4.31%[19] 6. **DELTAROE因子**，最近一周1.15%，最近一月2.26%，今年以来9.52%，历史年化3.98%[19] 7. **一年动量因子**，最近一周0.96%，最近一月0.29%，今年以来-2.40%，历史年化1.88%[19] 8. **DELTAROA因子**，最近一周0.88%，最近一月2.03%，今年以来8.24%，历史年化4.34%[19] 9. **单季净利同比增速因子**，最近一周0.87%，最近一月2.55%，今年以来8.74%，历史年化3.46%[19] 10. **单季营利同比增速因子**，最近一周0.70%，最近一月1.90%，今年以来9.01%，历史年化3.18%[19] 11. **三个月盈利上下调因子**，最近一周0.65%，最近一月0.50%，今年以来4.75%，历史年化5.25%[19] 12. **三个月机构覆盖因子**，最近一周0.39%，最近一月1.25%，今年以来6.92%，历史年化2.91%[19] 13. **单季超预期幅度因子**，最近一周0.23%，最近一月1.90%，今年以来6.06%，历史年化3.61%[19] 14. **高管薪酬因子**，最近一周0.15%，最近一月1.24%，今年以来4.67%，历史年化3.45%[19] 15. **预期净利润环比因子**，最近一周0.09%，最近一月0.49%，今年以来2.46%，历史年化1.58%[19] 16. **预期PEG因子**，最近一周0.01%，最近一月1.09%，今年以来7.39%，历史年化3.34%[19] 17. **EPTTM因子**，最近一周-0.23%，最近一月0.61%，今年以来4.24%，历史年化4.41%[19] 18. **三个月反转因子**，最近一周-0.25%，最近一月-0.79%，今年以来3.14%，历史年化1.00%[19] 19. **股息率因子**，最近一周-0.28%，最近一月0.87%，今年以来2.20%，历史年化3.88%[19] 20. **单季EP因子**，最近一周-0.30%，最近一月0.40%，今年以来5.61%，历史年化5.31%[19] 21. **EPTTM一年分位点因子**，最近一周-0.32%，最近一月0.82%，今年以来5.98%，历史年化2.55%[19] 22. **特异度因子**，最近一周-0.33%，最近一月0.01%，今年以来2.87%，历史年化0.35%[19] 23. **单季SP因子**，最近一周-0.49%，最近一月-0.62%，今年以来0.18%，历史年化2.90%[19] 24. **SPTTM因子**，最近一周-0.55%，最近一月-0.74%，今年以来-1.15%，历史年化2.12%[19] 25. **预期EPTTM因子**，最近一周-0.65%，最近一月0.43%，今年以来4.54%，历史年化4.03%[19] 26. **BP因子**，最近一周-0.73%，最近一月-0.07%，今年以来0.15%，历史年化2.74%[19] 27. **预期BP因子**，最近一周-0.76%，最近一月0.31%，今年以来1.36%，历史年化3.40%[19] 28. **一个月换手因子**，最近一周-0.96%，最近一月-0.21%，今年以来-2.27%，历史年化1.65%[19] 29. **三个月换手因子**，最近一周-0.97%，最近一月-0.19%，今年以来-1.81%，历史年化2.77%[19] 30. **一个月反转因子**，最近一周-1.07%，最近一月-0.84%，今年以来3.10%，历史年化-0.20%[19] 31. **非流动性冲击因子**，最近一周-1.16%，最近一月-1.30%，今年以来-0.76%，历史年化0.30%[19] 32. **三个月波动因子**，最近一周-1.37%，最近一月-1.49%，今年以来-1.55%，历史年化2.06%[19] 33. **一个月波动因子**，最近一周-1.40%，最近一月-1.85%，今年以来-1.35%，历史年化1.19%[19] *(注：其他样本空间如中证500、中证1000、中证A500、公募重仓指数的因子表现详见原文图表，此处不逐一列举)[20][21][22][23][24][25][26][27]*

量化因子与构建方式 1. **因子名称**：单季度总资产毛利率 - **因子构建思路**：衡量公司单季度的总资产毛利率，反映公司盈利能力[12] - **因子具体构建过程**：计算单季度毛利与总资产的比值 $$单季度总资产毛利率 = \frac{单季度毛利}{总资产}$$ - **因子评价**：正向因子，盈利能力强的公司表现更佳[13] 2. **因子名称**：单季度ROE - **因子构建思路**：衡量公司单季度的净资产收益率，反映股东权益的收益水平[12] - **因子具体构建过程**：计算单季度净利润与净资产的比值 $$单季度ROE = \frac{单季度净利润}{净资产}$$ - **因子评价**：正向因子，高ROE公司表现更优[13] 3. **因子名称**：总资产增长率 - **因子构建思路**：衡量公司总资产的增长情况，反映公司扩张能力[12] - **因子具体构建过程**：计算总资产的环比增长率 $$总资产增长率 = \frac{本期总资产 - 上期总资产}{上期总资产}$$ - **因子评价**：正向因子，资产增长快的公司表现更好[13] 4. **因子名称**：市净率因子 - **因子构建思路**：衡量公司市净率，反映估值水平[12] - **因子具体构建过程**：计算市值与净资产的比值 $$市净率因子 = \frac{市值}{净资产}$$ - **因子评价**：正向因子，但近期表现较差[13] 5. **因子名称**：下行波动率占比 - **因子构建思路**：衡量股价下行波动率占总波动率的比例，反映风险水平[12] - **因子具体构建过程**：计算下行波动率与总波动率的比值 $$下行波动率占比 = \frac{下行波动率}{总波动率}$$ - **因子评价**：负向因子，高下行波动率公司表现较差[13] 6. **因子名称**：beta因子 - **因子构建思路**：衡量股票与市场的相关性，反映系统性风险[20] - **因子具体构建过程**：通过回归计算股票收益率与市场收益率的beta值 $$beta = \frac{Cov(r_i, r_m)}{Var(r_m)}$$ - **因子评价**：正向因子，近期表现较好[20] 7. **因子名称**：规模因子 - **因子构建思路**：衡量公司市值大小，反映规模效应[20] - **因子具体构建过程**：计算公司市值的对数 $$规模因子 = log(市值)$$ - **因子评价**：正向因子，大市值公司近期表现突出[20] 8. **因子名称**：BP因子 - **因子构建思路**：衡量公司市净率的倒数，反映估值水平[20] - **因子具体构建过程**：计算净资产与市值的比值 $$BP因子 = \frac{净资产}{市值}$$ - **因子评价**：负向因子，近期表现较差[20] 9. **因子名称**：净资产增长率因子 - **因子构建思路**：衡量公司净资产的增长情况，反映股东权益的扩张能力[22] - **因子具体构建过程**：计算净资产的环比增长率 $$净资产增长率因子 = \frac{本期净资产 - 上期净资产}{上期净资产}$$ - **因子评价**：正向因子，在通信、建筑材料行业表现突出[22] 10. **因子名称**：净利润增长率因子 - **因子构建思路**：衡量公司净利润的增长情况，反映盈利能力的提升[22] - **因子具体构建过程**：计算净利润的环比增长率 $$净利润增长率因子 = \frac{本期净利润 - 上期净利润}{上期净利润}$$ - **因子评价**：正向因子，在通信行业表现较好[22] 11. **因子名称**：每股净资产因子 - **因子构建思路**：衡量公司每股净资产，反映股东权益的账面价值[22] - **因子具体构建过程**：计算净资产与总股本的比值 $$每股净资产因子 = \frac{净资产}{总股本}$$ - **因子评价**：正向因子，在电气设备行业表现较好[22] 12. **因子名称**：每股经营利润TTM因子 - **因子构建思路**：衡量公司每股经营利润，反映经营效率[22] - **因子具体构建过程**：计算过去12个月经营利润与总股本的比值 $$每股经营利润TTM因子 = \frac{过去12个月经营利润}{总股本}$$ - **因子评价**：正向因子，在通信、电气设备行业表现较好[22] 13. **因子名称**：5日动量因子 - **因子构建思路**：衡量股票5日内的价格动量，反映短期趋势[22] - **因子具体构建过程**：计算5日收益率 $$5日动量因子 = \frac{当前价格 - 5日前价格}{5日前价格}$$ - **因子评价**：动量效应在家用电器、房地产行业明显[22] 14. **因子名称**：1月动量因子 - **因子构建思路**：衡量股票1月内的价格动量，反映中期趋势[22] - **因子具体构建过程**：计算1月收益率 $$1月动量因子 = \frac{当前价格 - 1月前价格}{1月前价格}$$ - **因子评价**：动量效应在建筑材料、房地产、家用电器行业明显[22] 15. **因子名称**：对数市值因子 - **因子构建思路**：衡量公司市值大小，反映规模效应[22] - **因子具体构建过程**：计算公司市值的对数 $$对数市值因子 = log(市值)$$ - **因子评价**：负向因子，在建筑材料、通信、综合、电气设备行业表现较好[22] 16. **因子名称**：残差波动率因子 - **因子构建思路**：衡量股票残差波动率，反映特异性风险[22] - **因子具体构建过程**：通过回归计算股票残差的标准差 $$残差波动率因子 = \sqrt{\frac{\sum (r_i - \hat{r_i})^2}{n-1}}$$ - **因子评价**：负向因子，在家用电器行业表现较好[22] 17. **因子名称**：流动性因子 - **因子构建思路**：衡量股票流动性，反映交易活跃度[22] - **因子具体构建过程**：计算股票日均换手率 $$流动性因子 = \frac{日均成交量}{流通股本}$$ - **因子评价**：正向因子，在通信、计算机行业表现较好[22] 量化模型与构建方式 1. **模型名称**：PB-ROE-50组合 - **模型构建思路**：结合市净率(PB)和净资产收益率(ROE)选股，筛选估值合理且盈利能力强的公司[24] - **模型具体构建过程**： 1) 计算所有股票的PB和ROE 2) 按照PB和ROE进行排序 3) 选取PB较低且ROE较高的50只股票构建组合 4) 定期调仓（如月频）[24] - **模型评价**：长期表现稳定，近期在中证800和全市场股票池中超额收益明显[24] 2. **模型名称**：机构调研组合 - **模型构建思路**：跟踪机构调研行为，筛选被频繁调研的股票[27] - **模型具体构建过程**： 1) 统计公募和私募调研数据 2) 选取被调研频率较高的股票 3) 构建组合并定期调仓[27] - **模型评价**：近期表现欠佳，获取负超额收益[27] 3. **模型名称**：大宗交易组合 - **模型构建思路**：通过分析大宗交易数据，筛选具有超额收益潜力的股票[31] - **模型具体构建过程**： 1) 计算"大宗交易成交金额比率"和"6日成交金额波动率" 2) 按照"高成交、低波动"原则选股 3) 月频调仓构建组合[31] - **模型评价**：近期表现较好，超额收益显著[31] 4. **模型名称**：定向增发组合 - **模型构建思路**：利用定向增发事件效应，筛选具有投资价值的股票[37] - **模型具体构建过程**： 1) 以股东大会公告日为时间节点 2) 综合考虑市值因素和调仓周期 3) 构建组合并控制仓位[37] - **模型评价**：近期表现不佳，超额收益回撤[37] 因子的回测效果 1. **单季度总资产毛利率因子** - 最近1周收益：3.79% - 最近1个月收益：6.44% - 最近1年收益：7.94% - 最近10年收益：3.29%[13] 2. **单季度ROE因子** - 最近1周收益：3.44% - 最近1个月收益：5.70% - 最近1年收益：20.26% - 最近10年收益：60.00%[13] 3. **总资产增长率因子** - 最近1周收益：3.29% - 最近1个月收益：4.66% - 最近1年收益：19.30% - 最近10年收益：-6.55%[13] 4. **市净率因子** - 最近1周收益：-1.16% - 最近1个月收益：0.05% - 最近1年收益：-1.14% - 最近10年收益：34.84%[13] 5. **下行波动率占比因子** - 最近1周收益：-1.50% - 最近1个月收益：0.24% - 最近1年收益：-1.75% - 最近10年收益：40.54%[13] 6. **beta因子** - 最近1周收益：1.35%[20] 7. **规模因子** - 最近1周收益：1.34%[20] 8. **BP因子** - 最近1周收益：-0.16%[20] 模型的回测效果 1. **PB-ROE-50组合** - 中证500股票池： - 本周超越基准收益率：-0.44% - 今年以来超额收益率：2.74% - 本周绝对收益率：3.42% - 今年以来绝对收益率：17.87%[25] - 中证800股票池： - 本周超越基准收益率：1.12% - 今年以来超额收益率：11.48% - 本周绝对收益率：3.92% - 今年以来绝对收益率：21.31%[25] - 全市场股票池： - 本周超越基准收益率：1.23% - 今年以来超额收益率：13.13% - 本周绝对收益率：4.18% - 今年以来绝对收益率：28.87%[25] 2. **机构调研组合** - 公募调研选股策略： - 本周超越基准收益率：-2.45% - 今年以来超额收益率：7.37% - 本周绝对收益率：0.25% - 今年以来绝对收益率：16.83%[28] - 私募调研跟踪策略： - 本周超越基准收益率：-1.50% - 今年以来超额收益率：16.23% - 本周绝对收益率：1.23% - 今年以来绝对收益率：26.47%[28] 3. **大宗交易组合** - 本周超越基准收益率：1.69% - 今年以来超额收益率：35.82% - 本周绝对收益率：4.65% - 今年以来绝对收益率：54.72%[32] 4. **定向增发组合** - 本周超越基准收益率：-3.21% - 今年以来超额收益率：6.33% - 本周绝对收益率：-0.39% - 今年以来绝对收益率：21.13%[38]

量化模型与构建方式 1 **模型名称**：行业拥挤度监测模型 - **模型构建思路**：通过监测申万一级行业指数的拥挤度，识别当前市场热点行业及潜在机会行业[3] - **模型具体构建过程**： 1 计算各行业指数的历史滚动窗口（如30日）内价格、成交量、波动率等指标的标准化值 2 综合多个指标（如价格偏离度、换手率分位数）构建拥挤度得分，公式示例： $$ \text{Crowding Score} = w_1 \cdot \text{Price Z-score} + w_2 \cdot \text{Turnover Rank} $$ 其中权重$w_1$、$w_2$根据历史回测优化确定 3 按得分排序，划分高/低拥挤度行业[3][9] - **模型评价**：能够有效捕捉市场情绪极端状态，但需结合资金流向数据验证[3] 2 **模型名称**：溢价率Z-score模型 - **模型构建思路**：通过ETF溢价率的统计特征筛选套利机会标的[4] - **模型具体构建过程**： 1 计算ETF溢价率的滚动窗口（如20日）Z-score： $$ Z = \frac{P_{\text{溢价率}} - \mu_{\text{溢价率}}}{\sigma_{\text{溢价率}}} $$ 2 设定阈值（如|Z|>2）生成交易信号[4][14] - **模型评价**：对短期套利有指导意义，但需警惕市场流动性风险[4] --- 模型的回测效果 1 **行业拥挤度监测模型**： - 高拥挤度行业（如建材、军工）近3日主力资金净流出超100亿元[12] - 低拥挤度行业（煤炭、石油石化）资金流出规模较小（<3亿元）[12] 2 **溢价率Z-score模型**： - 筛选标的示例：电池龙头ETF（159767 SZ）规模1.13亿元，跟踪新能电池指数[14] --- 量化因子与构建方式 1 **因子名称**：主力资金净流入因子 - **因子构建思路**：监测行业主力资金流向判断资金偏好[12] - **因子具体构建过程**： 1 按申万一级行业分类计算单日主力净流入额 2 滚动3日求和得到短期资金动向[12] 2 **因子名称**：ETF资金流动因子 - **因子构建思路**：跟踪各类ETF资金净流动捕捉市场风格切换[5] - **因子具体构建过程**： 1 分类统计宽基/行业/跨境ETF单日净流入额 2 计算资金流动排名（如TOP3净流入/流出）[5] --- 因子的回测效果 1 **主力资金净流入因子**： - 银行、非银金融近3日净流入分别为6.94亿、21.99亿元[12] - 军工、机械设备净流出超100亿元[12] 2 **ETF资金流动因子**： - 宽基ETF单日净流出109.69亿元（科创50ETF流出35.12亿）[5] - 跨境ETF净流入26.68亿元（港股通互联网ETF流入8.16亿）[5]

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日最高价的相对距离，衡量股票或指数接近历史高点的程度，用于捕捉市场趋势和动量效应[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 当收盘价等于250日最高价时，因子值为0；若回落则显示正百分比[11] - **因子评价**：基于行为金融学中的动量效应理论，适用于趋势跟踪策略 2. **因子名称：平稳创新高筛选因子** - **构建思路**：结合多维度条件筛选具有持续动量且价格路径平滑的股票，包括分析师关注度、股价强度、路径平稳性等[26][29] - **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 - **股价相对强弱**：过去250日涨跌幅全市场前20% - **股价平稳性**： 1. 位移路程比（平滑性指标）：$$ \frac{过去120日涨跌幅绝对值}{过去120日日涨跌幅绝对值加总} $$ 2. 创新高持续性：过去120日250日新高距离的时间序列均值 - **趋势延续性**：过去5日250日新高距离均值排序前50%[26][29] - **因子评价**：综合了截面动量和时间序列特性，避免彩票型股票的高波动风险 --- 因子回测效果 1. **250日新高距离因子** - **指数应用**： - 上证指数/深证成指/中证500/中证1000/中证2000：0.00% - 沪深300：1.26% - 创业板指：0.63% - 科创50：2.27%[12] - **行业应用**： - 医药/有色金属/基础化工/电子/轻工制造：0.00% - 食品饮料/煤炭/房地产/消费者服务/银行：较高回落幅度[13] 2. **平稳创新高因子** - **筛选结果**：全市场1480只创新高股票中选出50只，其中： - 制造板块占比31.46%（16只） - 科技板块占比23.24%（15只） - 周期板块占比30.12%（10只）[21][30] - **典型个股表现**： - 胜宏科技（电子）：过去250日涨幅628% - 博瑞医药（医药）：过去250日涨幅340% - 华光环能（电力设备）：过去250日涨幅160%[32] --- 关键数据补充 - **创新高股票分布**： - 机械/医药/基础化工行业数量最多（230/218/156只） - 钢铁/国防军工/有色金属行业占比最高（56.60%/48.74%/48.39%）[20] - **指数成分股创新高比例**： - 中证2000：27.55% - 中证1000：23.50% - 沪深300：18.67%[21]

量化模型与构建方式 1. **模型名称**：港股风险模型（基于Barra框架） - **模型构建思路**：针对港股通、高流动性港股和全市场三个股票池分别构建风险模型，通过10个大类风格因子和行业因子解释市场收益来源[3] - **模型具体构建过程**： 1. **底层数据处理**：清洗港股市场数据，剔除仙股等异常标的[3] 2. **因子构建**：包含贝塔、动量、流动性、BP（账面市值比）、盈利、市值、成长、非线性市值、波动率、杠杆等10类风格因子[3] 3. **行业因子**：采用恒生行业分类标准，覆盖金融、资讯科技等主要板块[3] 4. **模型拟合**：通过横截面回归计算因子暴露和收益贡献，2014年以来港股通池内模型平均R²为36.7%[3] - **模型评价**：有效捕捉港股市场异质性，但全市场模型受低流动性股票影响较大[3] 量化因子与构建方式 1. **因子名称**：贝塔因子 - **因子构建思路**：衡量个股对市场整体波动的敏感性[3] - **因子具体构建过程**： - 计算个股日收益率与恒生指数收益率的协方差，除以市场方差： $$\beta_i = \frac{Cov(r_i,r_m)}{Var(r_m)}$$ - 滚动60个交易日估计，港股通池内因子累计收益为正[3] 2. **因子名称**：动量因子 - **因子构建思路**：捕捉股票价格趋势效应[3] - **因子具体构建过程**： - 过去12个月收益率剔除最近1个月（11M-1M策略）[3] - 标准化处理后在港股通池内表现显著 3. **因子名称**：流动性因子 - **因子构建思路**：反映股票交易活跃度差异[3] - **因子具体构建过程**： - 计算过去20个交易日日均换手率对数： $$Liquidity_i = \ln(\frac{1}{20}\sum_{t=1}^{20}Turnover_{it})$$ - 港股通池内因子收益为正，全市场因子受仙股干扰[3] 4. **因子名称**：BP因子（账面市值比） - **因子构建思路**：衡量价值效应[3] - **因子具体构建过程**： - 使用最新财报股东权益除以市值： $$BP_i = \frac{Book\ Equity_i}{Market\ Cap_i}$$ - 需调整港股会计准则差异（如IFRS与CAS处理差异）[2][3] 5. **因子名称**：波动率因子 - **因子构建思路**：识别个股特异性风险[3] - **因子具体构建过程**： - 计算过去60个交易日残差收益率标准差： $$\sigma_i = \sqrt{\frac{1}{59}\sum_{t=1}^{60}(r_{it}-\hat{r}_i)^2}$$ - 全市场池内累计收益为正，与A股表现分化[3] 模型与因子回测效果 1. **港股通池内因子表现**： - 贝塔因子：年化IR 0.85[3] - 动量因子：年化IR 1.12[3] - 流动性因子：年化IR 0.73[3] - BP因子：年化IR 0.68[3] 2. **全市场因子表现**： - 波动率因子：年化IR 0.92（剔除仙股后降至0.45）[3] - 杠杆因子：年化IR 0.57（与A股负相关）[3] 3. **行业因子解释力**： - 金融行业因子：年化收益贡献4.2%[3] - 资讯科技因子：年化收益贡献3.8%[3] 注：所有测试结果基于2014-2025年历史数据，港股通池采用550只标的股票[3][27]

根据提供的金融工程日报内容，该报告主要涉及市场表现、情绪指标和资金流向的统计分析，但未提及具体的量化模型或因子构建。以下是可提取的核心结构化信息： 市场情绪指标构建方式 1. **封板率因子** 构建思路：反映涨停股的封板稳定性[17] 具体构建： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 评价：高频交易中可捕捉短期资金情绪 2. **连板率因子** 构建思路：衡量涨停股的连续性[17] 具体构建： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 评价：对游资主导行情有较强解释力 资金流向指标构建方式 1. **大宗交易折价率因子** 构建思路：反映机构大宗交易的溢价水平[26] 具体构建： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 评价：大资金交易成本的重要参考 2. **股指期货年化贴水率因子** 构建思路：量化期现套利空间[28] 具体构建： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 评价：对冲成本与市场预期的综合指标 指标测试结果 1. **封板率因子** 当日值：58%（较前日下降16%）[17] 近一月趋势：震荡下行 2. **连板率因子** 当日值：19%（较前日下降26%）[17] 近一月趋势：快速回落 3. **大宗交易折价率因子** 当日值：8.42%（近半年均值5.86%）[26] 分位水平：处于异常高位 4. **股指期货贴水率因子** 当日值： - 上证50：年化升水0.04%（58%分位）[28] - 沪深300：年化贴水2.19%（54%分位）[28] - 中证500：年化贴水7.42%（59%分位）[28] - 中证1000：年化贴水6.52%（76%分位）[28] 注：报告未涉及多因子模型或复合因子构建，主要展示基础市场指标的计算逻辑与实时数据跟踪[17][26][28]

量化模型与构建方式 1. **模型名称**：南向资金行业轮动模型 - **模型构建思路**：基于南向资金净买入额及其分位数数据，结合行业市值调整，构建港股行业轮动策略[4][46] - **模型具体构建过程**： 1. **数据整合**：计算各行业成分股的南向资金净买入额 $$S_{i,t}=(N_{i,t}-N_{i,t-1})*P_{i,t}$$ $$Ind_{t}=\sum S_{i,t}$$ 其中，$N_{i,t}$为成分股$i$在$t$日的持股量，$P_{i,t}$为均价，$S_{i,t}$为净买入额，$Ind_t$为行业累计净买入额[36][37] 2. **因子处理**： - 原始南向资金净买入额 - 行业市值调整：将净买入额除以行业市值以消除规模偏差[40] - 近三年分位处理：计算净买入额在近三年历史数据中的分位数[40][46] 3. **策略规则**：每月选择净买入额或分位数最高的行业，分位数相同时选择净买入额更大的行业[46] - **模型评价**：行业市值调整和分位处理能有效提升策略稳定性，但分位数策略在极端市场环境下可能失效[40][46] 2. **模型名称**：南向资金有效性测试模型 - **模型构建思路**：通过Rank IC检验南向资金净买入额对行业轮动的预测能力[40] - **模型具体构建过程**： 1. 计算南向资金月度净买入额与行业下期收益的Rank IC 2. 测试不同因子（原始值、市值调整、三年/五年分位）的Rank IC均值和显著性[40][41] - **模型评价**：Rank IC均值均为正，显示南向资金对行业轮动具有持续有效性[40] --- 模型的回测效果 1. **南向资金月度净买入额模型**： - 年化收益率：4.73% - 超额收益率：3.22% - 最大回撤：56.01% - 夏普比率：0.3130 - IR：0.3864 - 对恒生指数胜率：59.59% - 对基准胜率：57.58%[52] 2. **行业市值调整南向资金模型**： - 年化收益率：5.40% - 超额收益率：3.89% - 最大回撤：50.24% - 夏普比率：0.3384 - IR：0.3901 - 对恒生指数胜率：53.54% - 对基准胜率：54.55%[52] 3. **南向资金三年分位模型**： - 年化收益率：3.61% - 超额收益率：-2.05% - 最大回撤：54.33% - 夏普比率：0.2704 - IR：0.1498 - 对恒生指数胜率：51.56% - 对基准胜率：50.00%[52] 4. **行业市值调整南向资金三年分位模型**： - 年化收益率：7.99% - 超额收益率：2.33% - 最大回撤：45.84% - 夏普比率：0.4350 - IR：0.4713 - 对恒生指数胜率：57.81% - 对基准胜率：53.12%[52] --- 量化因子与构建方式 1. **因子名称**：南向资金净买入额 - **因子构建思路**：直接反映南向资金对行业的偏好[36] - **因子具体构建过程**： - 按成分股计算每日净买入额并汇总至行业 $$S_{i,t}=(N_{i,t}-N_{i,t-1})*P_{i,t}$$ $$Ind_{t}=\sum S_{i,t}$$[36][37] 2. **因子名称**：行业市值调整南向资金 - **因子构建思路**：消除行业规模对净买入额的影响[40] - **因子具体构建过程**： - 将行业净买入额除以行业总市值[40] 3. **因子名称**：南向资金三年分位 - **因子构建思路**：捕捉资金流向的极端分位数信号[40] - **因子具体构建过程**： - 计算净买入额在近三年历史数据中的分位数[40] --- 因子的回测效果 1. **南向资金净买入额因子**： - Rank IC均值：7.72% - Rank IC t值：24.31%[41] 2. **行业市值调整南向资金因子**： - Rank IC均值：5.15% - Rank IC t值：15.66%[41] 3. **南向资金三年分位因子**： - Rank IC均值：4.13% - Rank IC t值：12.75%[41] 4. **行业市值调整南向资金三年分位因子**： - Rank IC均值：4.55% - Rank IC t值：14.82%[41]

根据研报内容，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. **因子协方差矩阵模型** - **构建思路**：通过降维和结构化方法解决高维协方差矩阵估计问题，捕捉因子间动态协变关系[14][16] - **具体构建过程**： 1. **EM算法**：填充因子收益率缺失值，假设服从多元正态分布，迭代计算条件期望和协方差矩阵[20][21][22] $$E[f_{mis}|f_{obs}]=\mu_{mis}+\Sigma_{mis,obs}\Sigma_{obs,obs}^{-1}(f_{obs}-\mu_{obs})$$ $$L(\mu,\Sigma)=-\frac{T}{2}(D\ln(2\pi)+\ln(\det(\Sigma)))-\frac{1}{2}\sum_{t=1}^{T}(f_t-\mu)'\Sigma^{-1}(f_t-\mu)$$ 2. **半衰加权**：设定半衰期$h$，权重$w_t=\theta^t$，提升对非平稳数据的实时刻画能力[26] 3. **Newey-West调整**：修正异方差和自相关性，构建HAC协方差矩阵[26][28][29] $$\Sigma_{NW}=\Sigma_0+\sum_{i=1}^{L}w_i(\Sigma_i+\Sigma_i')$$ 4. **特征因子调整**：通过蒙特卡洛模拟解决低风险组合风险低估问题，调整特征值[34][35][36][37] $$\widetilde{\Lambda}_0=\gamma^2\Lambda_0$$ 5. **波动率机制调整(VRA)**：根据截面偏差统计量统一校准波动率[51][52][53] $$\tilde{\sigma}_k=\lambda_F\sigma_k$$ - **评价**：显著降低风格特征组合的预测偏差，但对宽基指数组合优化有限[89][90] 2. **特异性波动率模型** - **构建思路**：处理数据缺失和分布异常，避免单股票噪声放大[60][61] - **具体构建过程**： 1. **结构化模型**：基于因子暴露相似性填充缺失波动率，计算调和系数$\gamma_n$[62][63][64][67] $$\tilde{\sigma}_\epsilon=(1/1.35)(Q_3-Q_1)$$ $$\sigma_n^{STR}=E_0\cdot\exp(\sum_k x_{nk}b_k)$$ 2. **贝叶斯收缩**：向市值分组均值收缩，缓解均值回归效应[72] $$\sigma_n^{SH}=v_n\bar{\sigma}(g_n)+(1-v_n)\hat{\sigma}_n$$ 3. **VRA调整**：类似因子协方差矩阵的波动率校准[78][79][80] $$\tilde{\sigma}_n=\lambda_S\sigma_n^{SH}$$ - **评价**：大市值股票数据质量显著优于小市值股票[66][69][70] --- 模型回测效果 1. **因子协方差矩阵** - 随机组合偏差统计量：1.04→1.06（经VRA调整后）[91] - 沪深300组合Q统计量：2.95→2.97[91] - 风格组合（如size因子）偏差统计量：1.50→1.30[95] 2. **特异性波动率** - 随机组合偏差统计量：1.07→1.06（经VRA调整后）[93] - 上证50组合Q统计量：2.83→2.82[93] - 风格组合（如value因子）偏差统计量：1.31→1.19[96] --- 关键应用 - **组合优化**：最小方差组合、风险平价策略等需依赖协方差矩阵输入[97][98] - **风险控制**：跟踪误差约束$\sqrt{(W-W_b)'\Sigma(W-W_b)}\leq TE_{upper}$[98] （注：部分测试结果取值直接引用自原文表格[91][93][95][96]，未重复列出公式）