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. **量能择时模型** - 模型构建思路：通过监测宽基指数的交易量能变化来判断市场趋势[23] - 模型具体构建过程： 1) 实时跟踪上证指数、上证50等7大宽基指数的成交量 2) 当量能指标突破阈值时生成看多信号，反之则为谨慎信号 3) 当前所有宽基指数均触发空头信号[23][24] 2. **沪深300上涨家数占比情绪指标** - 模型构建思路：利用成分股上涨比例捕捉市场情绪拐点[25][28] - 模型具体构建过程： 1) 计算N日（默认230日）内沪深300成分股收益为正的比例 2) 对指标进行双平滑处理： - 快线：35日移动平均 - 慢线：50日移动平均 3) 当快线>慢线且指标值>64%时看多[28] - 模型评价：对上涨行情敏感但易错失持续上涨机会，当前快线低于慢线呈谨慎状态[25][29] 3. **均线情绪指标** - 模型构建思路：通过8条均线（8/13/21/34/55/89/144/233日）判断趋势强度[34] - 模型具体构建过程： 1) 计算沪深300收盘价与各均线的关系 2) 统计收盘价高于均线的数量 3) 当超过5条均线被突破时看多[34] - 模型评价：当前处于情绪景气区间[36] 量化因子与构建方式 1. **横截面波动率因子** - 因子构建思路：衡量成分股间收益离散度，反映Alpha机会[39][41] - 因子具体构建过程： 1) 每日计算个股收益率与指数收益率的偏离度 2) 加权计算截面标准差： $$ \sigma_{cross} = \sqrt{\frac{\sum w_i(r_i - r_{index})^2}{\sum w_i}} $$ 3) 当前沪深300截面波动率1.66%（近半年66.11%分位）[41] 2. **时间序列波动率因子** - 因子构建思路：捕捉个股历史波动特征[42][44] - 因子具体构建过程： 1) 计算20日滚动年化波动率： $$ \sigma_{time} = \sqrt{252} \times std(\ln(P_t/P_{t-1})) $$ 2) 当前沪深300时序波动率0.53%（近半年65.49%分位）[44] 模型的回测效果 1. **量能择时模型** - 当前信号：7大宽基指数均为空头信号[24] 2. **沪深300情绪指标** - 快线位置：低于慢线[29] - 上涨家数占比：64%[25] 3. **均线情绪指标** - 突破均线数量：5条[36] 因子的回测效果 1. **横截面波动率因子** - 沪深300：1.66%（近半年66.11%分位）[41] - 中证500：1.94%（近半年39.68%分位）[41] - 中证1000：2.32%（近半年54.58%分位）[41] 2. **时间序列波动率因子** - 沪深300：0.53%（近半年65.49%分位）[44] - 中证500：0.41%（近半年57.14%分位）[44] - 中证1000：0.25%（近半年54.98%分位）[44] 其他量化指标 1. **抱团基金分离度指标** - 构建方法：计算抱团基金组合截面收益标准差[84] - 当前状态：分离度环比下降，抱团股超额收益上升[84]

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，结合历史非重仓股持仓数据，模拟补全基金的全部股票持仓[8][9] - **模型具体构建过程**： 1. 从基金季报（T期）获取前十大重仓股和证监会行业配置数据[9] 2. 结合上市公司1/3季度十大股东信息，补充重仓股细节[9] 3. 假设非重仓股持仓在行业内的持股种类不变，仅权重按比例变化，根据T-1期（半年报/年报）非重仓股持仓按行业比例放缩权重，生成T期模拟持仓[10] 4. 将模拟持仓拆分为大、小盘组合，利用基金日收益率和大/小盘指数日收益率，通过加权最小二乘法估计每日仓位配置[12] - **模型评价**：解决了基金持仓披露不全和滞后性问题，但依赖历史非重仓股结构不变的假设，可能低估行业调仓行为[12] 2. **模型名称**：基金风格监控模型 - **模型构建思路**：通过估计的基金仓位数据，从大小盘配置、市值暴露、行业配置三个维度分析风格变化[12] - **模型具体构建过程**： 1. 基于模拟持仓计算大/小盘组合权重（大盘组合：市值前30%股票；小盘组合：后70%）[11] 2. 使用加权最小二乘法回归基金日收益率与大/小盘指数收益率，系数即为仓位估计值 $$ r_{fund,t} = \alpha + \beta_{large} \cdot r_{large,t} + \beta_{small} \cdot r_{small,t} + \epsilon_t $$ 其中$\beta_{large}$和$\beta_{small}$分别代表大盘和小盘仓位暴露[12] 3. 按中信一级行业分类统计行业配置权重及历史分位点[19][20] --- 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：87.27%（2025-06-06），周环比下降0.12%[14] - 偏股混合型基金仓位中位数：84.02%（2025-06-06），周环比上升0.26%[14] - 大盘仓位变动：普通股票型下降1.10%，偏股混合型下降0.41%[15] - 小盘仓位变动：普通股票型上升0.97%，偏股混合型上升0.67%[15] 2. **基金风格监控模型** - 当前仓位历史分位点：普通股票型31.56%，偏股混合型38.73%（2016年以来）[15] - 行业配置权重最高：电子（普通股票型15.16%）、医药（10.58%）、电力设备（9.17%）[19] - 行业仓位周变动：电子/计算机/传媒/通信仓位上升，医药/食品饮料/机械仓位下降[21] --- 量化因子与构建方式 1. **因子名称**：大小盘暴露因子 - **因子构建思路**：通过基金收益率对大/小盘指数收益率的回归系数，衡量基金风格偏向[12] - **因子具体构建过程**： 1. 构建大盘指数（市值前30%股票组合）和小盘指数（后70%组合）[11] 2. 滚动60日窗口回归基金日收益率，提取$\beta_{large}$和$\beta_{small}$系数作为因子值 $$ \text{暴露因子} = \beta_{small} - \beta_{large} $$ 正值表示小盘暴露更高[12] 2. **因子名称**：行业配置因子 - **因子构建思路**：统计基金在中信一级行业的权重分布，识别超配/低配行业[19] - **因子具体构建过程**： 1. 按模拟持仓计算各行业权重$w_{i,t}$ 2. 计算历史分位点： $$ \text{分位点}_i = \frac{\text{排名}(w_{i,t})}{\text{样本总数}} \times 100\% $$ 分位点越高代表当前配置比例处于历史高位[20] --- 因子的回测效果 1. **大小盘暴露因子** - 普通股票型基金小盘仓位：44.2%（2025-06-06），大盘仓位：43.1%[14] - 偏股混合型基金小盘仓位：47.6%（2025-06-06），大盘仓位：36.4%[14] 2. **行业配置因子** - 电子行业配置分位点：普通股票型77.74%，偏股混合型86.86%（历史高位）[20] - 医药行业配置分位点：普通股票型10.95%，偏股混合型16.79%（历史低位）[20]

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. **模型名称**：中证A500指数增强模型 **模型构建思路**：通过多因子选股模型对中证A500指数成分股进行增强，旨在获取超越基准的超额收益[12][15][19] **模型具体构建过程**： - 因子筛选：包括价值、成长、质量、动量等风格因子 - 权重优化：采用风险模型控制跟踪误差 - 组合构建：通过优化算法确定最优权重 **模型评价**：该模型在控制跟踪误差的同时能够稳定获取超额收益[19] 2. **模型名称**：沪深300指数增强模型 **模型构建思路**：基于沪深300指数成分股，通过量化选股获取稳定超额收益[17][30] **模型具体构建过程**： - 因子库构建：包含财务、量价、分析师预期等因子 - 因子合成：采用加权平均方法合成综合因子 - 组合优化：在跟踪误差约束下最大化预期收益[30] 3. **模型名称**：中证1000指数增强模型 **模型构建思路**：针对小盘股特征优化的多因子模型[20][31] **模型具体构建过程**： - 特殊因子加入：加入小盘股特有因子如流动性因子 - 非线性建模：采用机器学习方法处理因子非线性关系[31] 模型的回测效果 1. 中证A500指数增强模型： - 年化超额收益：12.00%[27] - 信息比率(IR)：1.88[24] - 最大回撤：8.76%[27] 2. 沪深300指数增强模型： - 年化超额收益：10.91%[27] - 信息比率(IR)：1.14[24] - 最大回撤：7.23%[27] 3. 中证1000指数增强模型： - 年化超额收益：10.18%[27] - 信息比率(IR)：1.07[24] - 最大回撤：9.45%[27] 量化因子与构建方式 1. **因子名称**：价值因子 **因子构建思路**：衡量股票估值水平[19][30] **因子具体构建过程**： $$价值因子 = \frac{EBITDA}{企业价值}$$ 其中EBITDA为息税折旧摊销前利润，企业价值为市值+净债务[30] 2. **因子名称**：动量因子 **因子构建思路**：捕捉股票价格趋势[19][31] **因子具体构建过程**： $$动量因子 = \frac{过去12个月收益率}{过去12个月波动率}$$ 采用经波动率调整的收益率衡量动量[31] 3. **因子名称**：质量因子 **因子构建思路**：评估上市公司财务质量[19][30] **因子具体构建过程**： $$质量因子 = 0.4 \times ROE + 0.3 \times 毛利率 + 0.3 \times 资产负债率$$ 采用主成分分析法确定各财务指标权重[30] 因子的回测效果 1. 价值因子： - IC均值：0.08[24] - IR：0.75[24] - 多空收益：年化15.2%[27] 2. 动量因子： - IC均值：0.06[24] - IR：0.62[24] - 多空收益：年化12.8%[27] 3. 质量因子： - IC均值：0.07[24] - IR：0.68[24] - 多空收益：年化13.5%[27]

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. **模型名称**：成交量模型 - **构建思路**：基于市场成交量变化判断短期市场趋势[10] - **具体构建**：监测宽基指数成交量周度变化，结合历史分位数划分中性/多空信号[10] - **评价**：对流动性敏感但易受噪声干扰 2. **模型名称**：低波动率模型 - **构建思路**：利用波动率均值回归特性捕捉市场反转[10] - **具体构建**：计算指数20日波动率Z-score，阈值±1.5触发信号[10] 3. **模型名称**：特征龙虎榜机构模型 - **构建思路**：跟踪机构席位买卖净额判断资金动向[10] - **具体构建**：统计龙虎榜机构净买入占比，超5%看多、低-3%看空[10] 4. **模型名称**：智能沪深300/中证500模型 - **构建思路**：融合量价与技术指标的多因子决策树模型[10] - **具体构建**：输入变量包括RSI(14)、MACD(12,26)、布林带宽度，采用随机森林分类[10] 5. **模型名称**：涨跌停模型 - **构建思路**：通过涨停板数量反映市场情绪[11] - **具体构建**：全市场涨停家数占比超8%看多，跌停超5%看空[11] 6. **模型名称**：长期动量模型 - **构建思路**：跟踪指数250日收益率判断趋势延续性[12] - **具体构建**：$$ Momentum_{250} = \frac{P_t}{P_{t-250}} -1 $$ 超15%看多[12] 7. **模型名称**：成交额倒波幅模型（港股） - **构建思路**：量价背离识别港股趋势转折[14] - **具体构建**：$$ \frac{Volume_{10D}}{ATR_{10D}} $$ 突破2倍标准差看多[14] 8. **模型名称**：形态识别模型（杯柄/双底） - **构建思路**：技术形态突破策略[37] - **具体构建**： - 杯柄形态：A点回撤>30%，B点反弹<50%，C点突破颈线[40] - 双底形态：两低点间隔>8周，突破颈线幅度>3%[43] 模型的回测效果 | 模型名称 | 年化收益 | 最大回撤 | IR | 胜率 | |------------------------|----------|----------|------|-------| | 成交量模型 | 12.3% | 22.1% | 0.82 | 58.7% | | 低波动率模型 | 9.8% | 18.5% | 0.65 | 61.2% | | 杯柄形态组合 | 39.98% | 15.2% | 1.21 | 67.4% | | 双底形态组合 | 28.21% | 19.8% | 0.97 | 63.1% | 量化因子与构建方式 1. **因子名称**：机构仓位因子 - **构建思路**：基金超配行业反映机构偏好[26] - **具体构建**：$$ OW_{it} = \frac{W_{it}}{MktCap_{it}} - \frac{\sum W_{it}}{\sum MktCap_{it}} $$ [26] 2. **因子名称**：分析师预期因子 - **构建思路**：盈利预测上调比例驱动超额收益[18] - **具体构建**：计算行业上调/下调评级个股占比差值[18] 因子的回测效果 | 因子名称 | IC均值 | IR | 多空收益差 | |------------------|--------|------|------------| | 机构仓位因子 | 0.15 | 2.1 | 8.7% | | 分析师预期因子 | 0.12 | 1.8 | 6.2% |

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. **模型名称**：沪深300指数增强模型 - **模型构建思路**：通过多因子选股模型在沪深300成分股内进行超额收益增强[15] - **模型具体构建过程**： 1. 基准组合构建：完全复制沪深300指数成分股权重 2. 因子暴露调整：基于价值、动量、质量等因子对成分股进行加权调整 3. 风险控制：限制跟踪误差不超过3% 4. 组合优化：通过二次规划求解最优权重 $$ w^* = \argmin_w (w-w_b)^T\Sigma(w-w_b) \quad s.t.\quad w^T\alpha \geq \alpha_0 $$ 其中$w_b$为基准权重，$\Sigma$为协方差矩阵，$\alpha$为预期超额收益[15] 2. **模型名称**：中证500指数增强模型 - **模型构建思路**：结合基本面因子与量价因子在中证500成分股中获取超额收益[17] - **模型具体构建过程**： 1. 因子库构建：包含ROE、营收增长率、波动率等20个因子 2. 因子合成：采用等权加权方式生成综合得分 3. 行业中性化处理：控制行业暴露偏差不超过1% 4. 组合再平衡：月度调仓[17] 3. **模型名称**：中证1000指数增强模型 - **模型构建思路**：利用高频量价数据捕捉小盘股超额收益[19] - **模型具体构建过程**： 1. 数据预处理：对分钟级交易数据进行异常值清洗 2. 信号生成：计算隔夜跳空、成交量突增等8类事件驱动信号 3. 组合优化：采用风险预算模型控制回撤 $$ \max \frac{E(R_p)-R_f}{\sigma_p} \quad s.t.\quad MDD \leq 5\% $$ 其中$MDD$为最大回撤约束[19] 模型的回测效果 1. **沪深300指数增强模型** - 近一年超额收益率：1.98% - 年化跟踪误差：3.38% - 信息比率(IR)：0.59 - 最大回撤：-13.99%[15] 2. **中证500指数增强模型** - 近一年超额收益率：1.57% - 年化跟踪误差：3.65% - 信息比率(IR)：0.43 - 最大回撤：-13.99%[17] 3. **中证1000指数增强模型** - 近一年超额收益率：6.56% - 年化跟踪误差：4.94% - 信息比率(IR)：1.33 - 最大回撤：-15.30%[19] 量化因子与构建方式 1. **因子名称**：动量因子 - **因子构建思路**：捕捉股票价格趋势效应[19] - **因子具体构建过程**： $$ Momentum_{t} = \frac{P_t}{P_{t-21}} - 1 $$ 其中$P_t$为当日收盘价，$P_{t-21}$为21个交易日前的收盘价[19] 2. **因子名称**：波动率因子 - **因子构建思路**：衡量股票价格波动风险[17] - **因子具体构建过程**： $$ Volatility_{t} = \sqrt{\frac{1}{20}\sum_{i=t-20}^t (r_i - \bar{r})^2} $$ 其中$r_i$为日收益率，$\bar{r}$为20日平均收益率[17] 因子的回测效果 1. **动量因子** - IC均值：0.12 - IR比率：1.8 - 多空组合年化收益：15.6%[19] 2. **波动率因子** - IC均值：-0.08 - IR比率：1.2 - 多空组合年化收益：9.3%[17] 注：所有测试结果均基于2023年6月至2025年6月的回溯测试数据[15][17][19]

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**：REITs估值模型 **模型构建思路**：采用收益法和市场比较法对商业地产进行估值，结合折现现金流分析和可比REITs的估值指标[4][5] **模型具体构建过程**： - 收益法：使用7%的折现率计算未来现金流现值 $$PV = \sum_{t=1}^n \frac{CF_t}{(1+r)^t}$$ 其中CF_t为第t期现金流，r为折现率[14] - 市场比较法：选取已上市的5只购物中心类REITs作为可比标的，比较P/FFO、资本化率等指标[14][15] **模型评价**：该方法综合考虑了项目自身现金流特性和市场估值水平，但折现率假设对结果影响较大[14] 2. **模型名称**：现金流分派率预测模型 **模型构建思路**：基于历史运营数据和未来租赁计划预测可供分配金额[13] **模型具体构建过程**： - 计算2025/26年预计可供分配金额7573/7643万元 - 分派率=可供分配金额/募集资金规模 $$分派率 = \frac{可供分配金额}{募集规模} \times 100\%$$ 以15.3亿元募资规模测算[13] 模型的回测效果 1. **REITs估值模型**： - 评估价值15.3亿元，较账面价值减值3.38%[14] - P/FFO倍数22.7-27.74倍，与行业均值24.12倍相当[14] - 资本化率6.09%(2025年)，接近华夏大悦城REIT(6.34%)[15] 2. **现金流分派率模型**： - 2025年预测分派率4.95%，显著高于行业均值3.65%[13] - 2026年预测分派率5.00%，维持较高水平[13] 量化因子与构建方式 1. **因子名称**：出租率因子 **因子构建思路**：反映物业租赁情况的稳定性指标[10] **因子具体构建过程**： - 计算当期出租面积占比 $$出租率 = \frac{已出租面积}{可租赁面积} \times 100\%$$ 2022-24年分别为93.04%/95.17%/95.64%[10] 2. **因子名称**：租金坪效因子 **因子构建思路**：衡量单位面积租金产出能力[12] **因子具体构建过程**： - 月租金坪效=月均租金收入/可租赁面积 2022-24年分别为65/100/105元/平方米/月[12] 3. **因子名称**：租约结构因子 **因子构建思路**：评估租金收入的稳定性[12] **因子具体构建过程**： - 统计"两者取高"租约占比（固定租金与销售额扣点取高） 2024年占比提升至44%[12] - 分析租约期限分布：5年以上租约占比46.17%[11] 因子的回测效果 1. **出租率因子**： - 2024年95.64%，低于可比REITs均值97.86%[10] - 历史收缴率100%，稳定性强[10] 2. **租金坪效因子**： - 2024年105元/平方米/月，处于周边竞品中游水平[12][13] - 三年复合增长率17.3%，增长显著[12] 3. **租约结构因子**： - 前五大租户收入占比13.34%，分散度良好[11] - 2025年到期面积中76.3%已确定续约意向[11]

根据提供的研报内容，未发现涉及具体量化模型或量化因子的构建、测试及评价相关内容[1][2][3][4][5][6]。文档主要聚焦于市场数据跟踪（如指数增强策略收益、行业涨跌幅、基差变化）和机构销售信息，未披露模型/因子的构建细节或实证结果。

根据提供的量化因子周报内容，以下是结构化总结： --- 量化因子与构建方式 1. **Beta因子** - 构建思路：衡量个股相对于市场的系统性风险[15] - 构建过程： $$BETA = \text{半衰期63天的加权回归系数（个股252日收益率 vs 中证全指）}$$ [15] - 评价：反映市场风险偏好，高Beta股票近期表现突出[15][18] 2. **规模因子（LNCAP）** - 构建思路：捕捉市值对收益的影响[15] - 构建过程： $$LNCAP = \ln(\text{总市值})$$ [15] - 评价：小市值效应持续强化，近一月多空收益-8.87%[15][18] 3. **估值因子（BP）** - 构建思路：通过市净率筛选低估股票[15] - 构建过程： $$BP = \text{归属母公司股东权益/总市值}$$ [15] - 评价：近期表现较弱，多空收益-1.67%[18] 4. **动量因子（RSTR）** - 构建思路：捕捉历史收益率的延续性[15] - 构建过程： $$RSTR = \text{过去504日（排除最近21日）半衰加权累计收益率}$$ [15] - 评价：近一周多空收益0.58%，表现平稳[18] 5. **非线性市值因子（NLSIZE）** - 构建思路：识别市值极端值的非线性效应[15] - 构建过程： $$NLSIZE = \text{对数市值三次方回归残差}$$ [15] - 评价：中市值股票暴露较低，近一周收益0.34%[18] --- 因子回测效果 1. **Beta因子** - 近一周多空收益：2.61%[18] - 近一月多空收益：-1.82%[18] 2. **规模因子（LNCAP）** - 近一周多空收益：-2.11%[18] - 近一月多空收益：-8.87%[18] 3. **单季度ROE同比（成长类）** - 沪深300近一周超额收益：0.35%[23] - 中证1000近一周超额收益：1.56%[36] 4. **20日反转（技术类）** - 全市场Rank IC：11.86%（近一周）[44] - 中证500近一周超额收益：0.80%[27] 5. **对数市值（规模类）** - 全市场Rank IC：18.67%（近一周）[44] - 沪深300ESG近一周超额收益：0.79%[38] --- 其他关键模型 1. **中性约束下最大化因子暴露组合** - 构建思路：在行业/风格中性约束下优化因子暴露[21] - 构建过程： 1. 因子中性化处理 2. 对称正交化 3. 基于Rank ICIR加权复合因子 4. 约束优化最大化暴露[21][52] - 测试结果： - 沪深300近一周超额收益0.35%[4] - 中证1000近一周超额收益0.25%[4] --- 数据说明 - 股票池：中证全指（风格因子）、各宽基指数（选股因子）[15][21] - 调仓频率：周度[15] - 因子中性化：消除行业/风格相关性[44] 注：未提及的模型/因子（如杠杆因子、波动性因子）因缺乏详细构建过程或评价未展开[15][18]

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. **模型名称：港股精选组合策略** - **模型构建思路**：基于分析师推荐事件（盈利预测上调、首次关注、研报标题超预期）构建股票池，再通过基本面和技术面双重筛选选出超预期股票[13][15] - **模型具体构建过程**： 1. 事件筛选：捕捉分析师上调盈利预测、首次覆盖、标题含"超预期"的研报事件 2. 基本面筛选：要求过去6个月至少有5份买入/增持评级研报 3. 技术面筛选：过去250日涨跌幅位于全市场前20%，并通过位移路程比、新高距离均值等指标评估股价平稳性[15][21] - **模型评价**：结合了分析师预期与市场行为，兼顾基本面质量与动量效应[15] 2. **因子名称：平稳创新高股票筛选因子** - **因子构建思路**：通过250日新高距离、分析师关注度、股价平稳性等维度筛选具备持续动量的股票[19][21] - **因子具体构建过程**： 1. 基础筛选：剔除上市不足15个月的股票，要求过去6个月至少有5份买入/增持评级研报[22] 2. 动量筛选：过去250日涨跌幅前20%，计算公式： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中$Closet$为最新收盘价，$ts\_max(Close, 250)$为过去250日最高价[21] 3. 平稳性筛选： - 位移路程比 = 过去120日涨跌幅绝对值 / 过去120日日涨跌幅绝对值加总 - 创新高持续性 = 过去120日250日新高距离的时间序列均值[22] - **因子评价**：有效捕捉港股市场的动量效应，规避短期波动较大的伪突破股票[19] 模型的回测效果 1. **港股精选组合策略** - 全样本期（2010-2024）：年化收益17.02%，超额收益17.60%，IR 1.19，最大回撤23.73%[18] - 2024年：绝对收益24.35%，超额收益6.68%，IR 0.48[18] 2. **平稳创新高因子** - 入选股票平均250日涨跌幅：消费板块582.8%（泡泡玛特）、医药板块175.9%（诺诚健华）[27] - 创新高股票行业分布：消费（12只）、医药（11只）、大金融（10只）[21][27] 量化因子与构建方式 1. **因子名称：250日新高距离因子** - **因子构建思路**：量化股价接近历史高点的程度，识别趋势延续性[21] - **因子具体构建过程**： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 当$Closet$创250日新高时取值为0，回落时为正[21] 2. **因子名称：股价位移路程比** - **因子构建思路**：衡量价格路径的平滑程度，过滤波动过大的股票[22] - **因子具体构建过程**： $$位移路程比 = \frac{|过去120日涨跌幅|}{Σ|日涨跌幅|}$$ 比值越低表明价格路径越平滑[22] 因子的回测效果 1. **250日新高距离因子** - 创新高股票平均20日涨跌幅：传媒板块93.9%（阿里影业）、医药板块39.6%（信达生物）[27] 2. **股价位移路程比因子** - 筛选出的平稳创新高股票平均120日涨跌幅：医药板块122.5%（先声药业）、消费板块217.2%（中国东方教育）[27]

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. **股指期货分红点位预测模型** - 模型构建思路：基于历史数据和成分股分红信息预测股指期货合约存续期内的分红点位[11] - 具体构建过程： 1) 收集标的指数（中证500/沪深300/上证50/中证1000）成分股的分红数据 2) 按合约存续期（当月/次月/当季/下季）分段汇总预期分红点位 3) 计算公式： $$分红占比 = \frac{存续期内分红点位}{指数价格} \times 100\%$$ 例如中证500下季合约IC2512分红占比0.95%[11] 2. **基差修正模型** - 模型构建思路：剔除分红影响后计算真实基差水平[22] - 具体构建过程： 1) 计算实际基差：期货价格 - 指数价格 2) 加入预期分红调整： $$调整后基差 = 实际基差 + 存续期内未实现分红$$ 3) 年化处理： $$年化基差 = \frac{调整后基差}{指数价格} \times \frac{360}{合约剩余天数}$$ 例如IM当季合约年化基差-15.19%[22][41] 3. **期现对冲策略模型** - 模型构建思路：通过期货空头对冲现货多头风险[45][47] - 具体构建过程： - **连续对冲策略**：持有季月/当月合约至到期前2日调仓[46] - **最低贴水策略**：选择年化基差贴水最小的合约，持有8天后调仓[47] - 资金分配：70%配置现货全收益指数，30%用于期货保证金[46] 4. **Cinda-VIX/SKEW指数模型** - 模型构建思路：反映期权市场对波动率和尾部风险的预期[63][68] - 具体构建过程： 1) VIX计算不同期限（30/60/90/120日）隐含波动率 2) SKEW通过虚值期权IV偏斜程度衡量市场恐慌情绪[68] 例如中证1000SKEW达106.38显示尾部风险担忧[69] 模型回测效果 | 策略类型 | 年化收益 | 波动率 | 最大回撤 | 净值 | 换手(次/年) | |------------------|----------|--------|----------|---------|-------------| | **IC季月对冲** | -1.77% | 4.81% | -8.34% | 0.9504 | 4 | [49] | **IF最低贴水** | 1.46% | 3.19% | -4.06% | 1.0421 | 15.10 | [54] | **IH季月对冲** | 2.11% | 3.59% | -3.75% | 1.0613 | 4 | [58] | **IM当月对冲** | -5.86% | 4.75% | -14.00% | 0.8528 | 12 | [60] 量化因子与构建方式 1. **年化基差因子** - 构建思路：反映期货市场贴水/升水程度[22] - 测试结果：IC/IF/IH/IM当季合约分别为-10.13%/-2.52%/0.21%/-15.19%[3][41] 2. **VIX期限结构因子** - 构建思路：不同期限隐含波动率的斜率变化[63] - 测试结果：上证50VIX期限结构从"近高远低"转为正向倾斜[4] 3. **SKEW因子** - 构建思路：衡量市场对极端风险的定价[68] - 测试结果：中证1000SKEW达106.38处于80%分位以上[69] 因子回测效果 | 因子类型 | 当期值 | 历史分位 | |----------------|-------------|------------| | **IC年化基差** | -10.13% | 5.00% | [3] | **沪深300VIX** | 16.45点 | 30%分位 | [63] | **上证50SKEW** | 97.52 | 42%分位 | [69] 注：所有模型测试区间为2022年7月22日至2025年6月6日[46][60]，VIX/SKEW数据截至2025年6月6日[63][69]