- 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 因子名称：MarketOrder_ratio - **因子的构建思路**：基于市价订单占比的统计，衡量市价订单在市场中的相对比例[9][38][50] - **因子具体构建过程**：通过Level 2逐笔订单数据统计市价订单的比例，采用5日滚动均值并以20日换仓进行选股[38][50][63] - **因子评价**：分档组合收益呈现较好的单调性，具有一定的选股能力[50][52][63] 因子名称：MarketOrder_LimitOrder_ratio - **因子的构建思路**：比较市价订单与限价订单的比例，反映市场中市价订单的活跃程度[9][38][58] - **因子具体构建过程**：通过Level 2逐笔订单数据计算市价订单与限价订单的比例，采用5日滚动均值并以20日换仓进行选股[38][58][63] - **因子评价**：分档组合收益呈现较好的单调性，具有一定的选股能力[58][59][63] 因子名称：MarketBuyOrder_MarketOrder_ratio - **因子的构建思路**：衡量市价买单在市价订单中的比例，反映买方力量的强弱[9][38][67] - **因子具体构建过程**：通过Level 2逐笔订单数据计算市价买单占市价订单的比例，采用5日滚动均值并以20日换仓进行选股[38][67][73] - **因子评价**：分档组合收益呈现两头高、中间低的走势，说明买卖订单失衡时个股未来上涨可能性更大[67][68][73] 因子名称：MarketBuyOrder_LimitBuyOrder_ratio - **因子的构建思路**：比较市价买单与限价买单的比例，反映买方的交易意愿[9][38][76] - **因子具体构建过程**：通过Level 2逐笔订单数据计算市价买单与限价买单的比例，采用5日滚动均值并以20日换仓进行选股[38][76][81] - **因子评价**：分档组合收益呈现较好的单调性，具有较强的选股能力[76][77][81] 因子名称：MarketBuyOrder_LimitSellOrder_ratio - **因子的构建思路**：衡量市价买单与限价卖单的比例，反映买方力量与卖方力量的对比[9][38][85] - **因子具体构建过程**：通过Level 2逐笔订单数据计算市价买单与限价卖单的比例，采用5日滚动均值并以20日换仓进行选股[38][85][90] - **因子评价**：分档组合收益呈现较好的单调性，具有较强的选股能力[85][86][90] 因子名称：MarketSellOrder_LimitBuyOrder_ratio - **因子的构建思路**：衡量市价卖单与限价买单的比例，反映卖方力量与买方力量的对比[9][38][94] - **因子具体构建过程**：通过Level 2逐笔订单数据计算市价卖单与限价买单的比例，采用5日滚动均值并以20日换仓进行选股[38][94][99] - **因子评价**：分档组合收益呈现较好的单调性，具有较强的选股能力[94][95][99] 因子名称：MarketSellOrder_LimitSellOrder_ratio - **因子的构建思路**：衡量市价卖单与限价卖单的比例，反映卖方的交易意愿[9][38][103] - **因子具体构建过程**：通过Level 2逐笔订单数据计算市价卖单与限价卖单的比例，采用5日滚动均值并以20日换仓进行选股[38][103][108] - **因子评价**：分档组合收益呈现较好的单调性，具有较强的选股能力[103][104][108] 因子名称：LimitBuyOrder_LimitOrder_ratio - **因子的构建思路**：衡量限价买单与限价订单的比例，反映限价买单的活跃程度[9][38][112] - **因子具体构建过程**：通过Level 2逐笔订单数据计算限价买单与限价订单的比例，采用5日滚动均值并以20日换仓进行选股[38][112][118] - **因子评价**：分档组合收益无明显规律，因子无效[112][113][118] --- 因子的回测效果 MarketOrder_ratio因子 - **年化收益率**：5.91%[50][63][54] - **最大回撤率**：34.91%[50][63][54] - **夏普比率**：0.18[50][63][54] - **信息比率**：0.31[50][63][54] MarketOrder_LimitOrder_ratio因子 - **年化收益率**：5.91%[58][63][63] - **最大回撤率**：34.92%[58][63][63] - **夏普比率**：0.18[58][63][63] - **信息比率**：0.31[58][63][63] MarketBuyOrder_MarketOrder_ratio因子 - **年化收益率**：3.92%[67][73][73] - **最大回撤率**：37.79%[67][73][73] - **夏普比率**：0.07[67][73][73] - **信息比率**：0.21[67][73][73] MarketBuyOrder_LimitBuyOrder_ratio因子 - **年化收益率**：6.51%[76][81][81] - **最大回撤率**：33.11%[76][81][81] - **夏普比率**：0.21[76][81][81] - **信息比率**：0.33[76][81][81] MarketBuyOrder_LimitSellOrder_ratio因子 - **年化收益率**：6.09%[85][90][90] - **最大回撤率**：33.16%[85][90][90] - **夏普比率**：0.18[85][90][90] - **信息比率**：0.31[85][90][90] MarketSellOrder_LimitBuyOrder_ratio因子 - **年化收益率**：7.50%[94][99][99] - **最大回撤率**：32.45%[94][99][99] - **夏普比率**：0.25[94][99][99] - **信息比率**：0.38[94][99][99] MarketSellOrder_LimitSellOrder_ratio因子 - **年化收益率**：7.57%[103][108][108] - **最大回撤率**：32.33%[103][108][108] - **夏普比率**：0.26[103][108][108] - **信息比率**：0.39[103][108][108] LimitBuyOrder_LimitOrder_ratio因子 - **年化收益率**：-0.18%[112][118][118] - **最大回撤率**：42.53%[112][118][118] - **夏普比率**：-0.14[112][118][118] - **信息比率**：-0.01[112][118][118]

根据提供的文档内容，没有涉及量化模型或量化因子的相关内容，因此无法按照任务要求进行总结

量化模型与构建方式 1. 模型名称：可转债赎回概率调整定价模型（CCBA模型） - **模型构建思路**：通过调整可转债的赎回概率，计算其理论定价，并进一步分析定价偏离度以衡量转债的期权估值水平[6][8] - **模型具体构建过程**： - 使用CCBA模型计算转债的理论定价 - 定价偏离度公式为： $ 定价偏离度 = 转债价格 / CCBA模型定价 - 1 $ 其中，转债价格为市场实际价格，CCBA模型定价为理论价格[8] - **模型评价**：该模型能够较好地反映转债的期权估值水平，尤其在市场极端情况下具有较高的参考价值[8] 2. 模型名称：转债&国债择时策略 - **模型构建思路**：基于转债市场的赔率指标（YTM差值与CCBA定价偏离度），通过择时综合打分构建转债与国债的动态配置策略[9][10] - **模型具体构建过程**： - 计算YTM差值： $ YTM差值 = 3年期AA级信用债YTM - 转债YTM $ 当该值处于历史低位时，表明转债价格较低[8] - 计算CCBA定价偏离度（公式同上） - 将上述两个指标标准化为zscore后综合打分，按月调整转债与国债的配置权重[10] - **模型评价**：策略表现稳定，能够显著降低波动与回撤，同时实现较高的年化收益[10] 3. 模型名称：收益分解模型 - **模型构建思路**：将转债收益分解为债底收益、股票拉动收益和转债估值收益，以分析转债市场的收益来源[27][28] - **模型具体构建过程**： - 债底收益：基于CCB模型计算转债的债底价值 - 股票拉动收益：通过正股价格变化对转债价格的影响进行量化 - 转债估值收益：通过转债价格与债底价值的差异计算[27][28] - **模型评价**：该模型能够清晰地分解转债收益来源，为投资者提供更直观的收益分析[27] --- 模型的回测效果 1. 可转债赎回概率调整定价模型（CCBA模型） - **YTM差值**：当前为-2.38%，位于2018年以来4.27%的分位数[8] - **CCBA定价偏离度**：当前为-7.42%，为2018年以来的新低[8] 2. 转债&国债择时策略 - **年化收益**：8.99%（2008年至今），3.80%（2022年至今）[10][13] - **年化波动**：6.91%（2008年至今）[13] - **最大回撤**：11.79%（2008年至今）[13] 3. 收益分解模型 - **近一个月收益分解**： - 债底收益：-0.22% - 股票拉动收益：2.88% - 转债估值收益：0.73%[32][33] --- 量化因子与构建方式 1. 因子名称：CCBA定价偏离度 - **因子构建思路**：通过CCBA模型计算转债的理论定价，衡量转债的期权估值水平[8] - **因子具体构建过程**： - 定价偏离度公式： $ 定价偏离度 = 转债价格 / CCBA模型定价 - 1 $ 其中，转债价格为市场实际价格，CCBA模型定价为理论价格[8] - **因子评价**：能够有效捕捉转债的估值水平，尤其在市场极端情况下具有较高的参考价值[8] 2. 因子名称：YTM差值 - **因子构建思路**：通过信用债与转债的YTM差值，衡量转债的绝对价格水平[8] - **因子具体构建过程**： - YTM差值公式： $ YTM差值 = 3年期AA级信用债YTM - 转债YTM $ 当该值较低时，表明转债价格较低，具有较高的赔率[8] - **因子评价**：能够较好地反映转债的价格水平，为择时提供重要参考[8] 3. 因子名称：正股动量因子 - **因子构建思路**：通过正股过去1、3、6个月的涨跌幅，衡量正股的动量特征[20][22] - **因子具体构建过程**： - 动量因子公式： $ 动量因子 = 正股过去1个月涨跌幅 + 正股过去3个月涨跌幅 + 正股过去6个月涨跌幅 $ 通过等权打分构建[20][22] - **因子评价**：能够有效提升策略的弹性，降低尾部风险[20] 4. 因子名称：转债换手率因子 - **因子构建思路**：通过转债的换手率衡量市场的交易活跃度[48][56] - **因子具体构建过程**： - 换手率因子公式： $ 换手率因子 = 转债换手率（5日、21日） + 转债与股票换手率比率（5日、21日） $ 在低估转债池中选择换手率较高的转债[48][56] - **因子评价**：能够捕捉市场热点，提高策略的收益稳定性[48] --- 因子的回测效果 1. CCBA定价偏离度 - **当前值**：-7.42%，为2018年以来的新低[8] 2. YTM差值 - **当前值**：-2.38%，位于2018年以来4.27%的分位数[8] 3. 正股动量因子 - **低估值+强动量策略**： - **年化收益**：22.8%（2018年至今）[45] - **信息比率（IR）**：2.37（2018年至今）[45] 4. 转债换手率因子 - **低估值+高换手策略**： - **年化收益**：22.7%（2018年至今）[49] - **信息比率（IR）**：2.25（2018年至今）[49]

- 量化因子：财报预期因子 - 因子的构建思路：代表投资者观点变动的因子 - 因子具体构建过程：基于市场上有影响力的投资者对高频行业数据的响应，捕捉财报预期的变化 - 因子评价：该因子能够反映市场对行业基本面逻辑变化的认可程度[29][30] - 量化因子：与鲸同游复合资金流因子 - 因子的构建思路：代表聪明钱交易行为的因子 - 因子具体构建过程：通过追踪市场上有影响力的投资者的资金流动，构建复合资金流因子 - 因子评价：该因子能够捕捉到聪明钱的交易行为，反映市场对行业或个股的资金流入情况[29][30] - 因子的回测效果 - 财报预期因子，因子周超额收益：5%，因子月累计超额收益：10%，因子年初至今累计超额收益：15%[40][41] - 与鲸同游复合资金流因子，因子周超额收益：1%，因子月累计超额收益：2%，因子年初至今累计超额收益：3%[40][41]

根据提供的内容，没有涉及量化模型或量化因子的相关内容，因此无法按照任务要求进行总结

- 本周量化市场追踪报告未涉及具体的量化模型或因子的构建、测试及评价内容[1][2][3] - 报告主要聚焦于市场资金流向、ETF净流入、行业轮动及公募基金仓位变化等方面的分析[4][5][6] - 相关内容未包含量化模型或因子相关的技术细节、公式或回测结果[7][8][9]

- 本周量能择时信号显示，各大宽基指数均为看多观点[28][29] - 沪深300上涨家数占比情绪指标通过计算指数成分股过去N日收益大于0的个股数占比来判断市场情绪，最近一周该指标震荡向下，上涨家数占比约为57%[29][30] - 动量情绪指标通过对沪深300上涨家数占比进行两次不同窗口期的平滑处理，当短期平滑线大于长期平滑线时看多市场，当前快线回升至慢线之上，预计未来一段时间内维持乐观态度[31][33] - 均线情绪指标基于八均线体系，通过计算沪深300收盘价与八均线的关系来判断市场趋势，当价格大于八均线指标值的数量超过5时，看多沪深300指数[33][34] - 横截面波动率显示，最近一周沪深300、中证500和中证1000指数成分股横截面波动率上升，短期Alpha环境变好，近一季度横截面波动率处于近半年中上分位点[37][40] - 时间序列波动率显示，沪深300、中证500和中证1000指数成分股时间序列波动率上升，Alpha环境较好，近一季度波动率处于近半年中上分位点[40][42]

- 2024年10月11日市场全线下跌，规模指数中上证50指数表现较好，下跌2.14%[6] - 板块指数中上证综指表现较好，下跌2.55%[6] - 风格指数中沪深300价值指数表现较好，下跌1.87%[6] - 行业指数全线下跌，综合金融、房地产、非银、银行、石油石化行业表现较好，收益分别为-0.21%、-0.24%、-0.72%、-1.10%、-1.57%[7] - 电子、国防军工、电新、传媒、机械行业表现较差，收益分别为-5.61%、-5.60%、-4.83%、-4.80%、-4.72%[7] - 乳业、黄金精选、快递、金融开放、跨境支付等概念表现较好，收益分别为1.01%、0.74%、0.28%、0.14%、0.11%[9] - 高送转、ETC、长江存储、半导体硅片、第三代半导体等概念表现较差，收益分别为-8.50%、-7.22%、-7.13%、-7.12%、-6.76%[9] - 2024年10月10日两融余额为15884亿元，其中融资余额15795亿元，融券余额89亿元[19] - 两融余额占流通市值比重为2.1%，两融交易占市场成交额比重为9.8%[22] - 2024年10月10日ETF溢价较多的是中证A100ETF基金，溢价8.74%，折价较多的是2000增强ETF，折价1.50%[23] - 近半年以来大宗交易日均成交金额达到11亿元，2024年10月10日大宗交易成交金额为25亿元，近半年以来平均折价率4.17%，当日折价率为3.58%[26] - 近一年以来上证50股指期货主力合约年化升水率中位数为0.33%，近一年以来沪深300股指期货主力合约年化贴水率中位数为1.37%，近一年以来中证500股指期货主力合约年化贴水率中位数为6.22%，近一年以来中证1000股指期货主力合约年化贴水率中位数为11.20%[28] - 2024年10月11日上证50股指期货主力合约年化升水率为16.06%，处于近一年来96%分位点，沪深300股指期货主力合约年化升水率为22.17%，处于近一年来98%分位点，中证500股指期货主力合约年化升水率为12.97%，处于近一年来95%分位点，中证1000股指期货主力合约年化升水率为5.76%，处于近一年来94%分位点[28] - 近一周内调研机构较多的股票是万马科技、萤石网络、亨通光电、隆基绿能、东亚机械、安琪酵母、绿通科技、中科创达等，万马科技被44家机构调研[30] - 2024年10月11日披露龙虎榜数据中，机构专用席位净流入较多的股票是科蓝软件、中粮资本、青龙管业、西部牧业、新柴股份、京北方、开勒股份、无线传媒、可川科技、众鑫股份等，机构专用席位净流出较多的股票是鸣志电器、珂玛科技、恒为科技、顶点软件、中油资本、四方精创、宏德股份、海能达、华海诚科、C强邦等[35]

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**：基于PB（市净率）和ROE（净资产收益率）两个指标，筛选出具有较高投资价值的股票，构建组合[22][23] - **模型具体构建过程**： 1. 以PB和ROE为核心指标，筛选全市场股票池中的前50只股票 2. 通过多因子模型对股票进行打分，结合市值因素和调仓周期优化组合 3. 每月调仓一次，剔除不符合条件的股票并加入新的符合条件的股票[22][23] - **模型评价**：本周在全市场股票池中表现出明显的超额收益，具有较好的选股能力[22][23] 2. 模型名称：大宗交易组合 - **模型构建思路**：基于“大宗交易成交金额比率”和“6日成交金额波动率”两个指标，筛选出高成交、低波动的股票，构建组合[27] - **模型具体构建过程**： 1. 统计大宗交易股票的成交金额比率和成交金额波动率 2. 按照“高成交、低波动”原则筛选股票 3. 采用月频调仓方式，动态调整组合[27] - **模型评价**：通过提炼大宗交易背后的信息，组合表现稳定，具有一定的超额收益能力[27] 3. 模型名称：定向增发组合 - **模型构建思路**：基于定向增发事件效应，结合市值因素、调仓周期和仓位控制，构建事件驱动型选股组合[31] - **模型具体构建过程**： 1. 以股东大会公告日为时间节点，筛选涉及定向增发的股票 2. 综合考虑市值因素和调仓周期，优化组合 3. 定期调仓，剔除不符合条件的股票[31] - **模型评价**：尽管本周出现回撤，但长期来看，定向增发事件效应仍具有一定的投资价值[31] --- 模型的回测效果 1. PB-ROE-50组合 - **中证500股票池**：本周超额收益0.27%[23] - **中证800股票池**：本周超额收益0.69%[23] - **全市场股票池**：本周超额收益1.39%[23] 2. 大宗交易组合 - **相对中证全指**：本周超额收益0.26%[28] 3. 定向增发组合 - **相对中证全指**：本周超额收益-0.16%[32] --- 量化因子与构建方式 1. 因子名称：动量弹簧因子 - **因子构建思路**：基于动量效应，捕捉股票价格在短期内的弹性变化[12][13] - **因子具体构建过程**： 1. 计算股票在一定时间窗口内的收益率变化 2. 对收益率进行标准化处理，剔除行业和市值影响 3. 构造多头组合，获取超额收益[12][13] - **因子评价**：在中证500和流动性1500股票池中表现较好，动量效应显著[12][15] 2. 因子名称：标准化预期外盈利 - **因子构建思路**：基于盈利预期差异，捕捉市场对盈利超预期的反应[12][15] - **因子具体构建过程**： 1. 计算实际盈利与市场预期盈利的差值 2. 对差值进行标准化处理，剔除行业和市值影响 3. 构造多头组合，获取超额收益[12][15] - **因子评价**：在中证500和流动性1500股票池中表现较好，盈利预期差异显著[12][15] 3. 因子名称：ROIC增强因子 - **因子构建思路**：基于ROIC（投入资本回报率），优化因子权重，增强选股能力[12][15] - **因子具体构建过程**： 1. 计算ROIC指标，剔除行业和市值影响 2. 对ROIC进行增强处理，优化因子权重 3. 构造多头组合，获取超额收益[12][15] - **因子评价**：在中证500和流动性1500股票池中表现较好，选股能力较强[12][15] --- 因子的回测效果 1. 动量弹簧因子 - **中证500股票池**：本周收益2.93%[12][13] - **流动性1500股票池**：本周收益3.20%[15][16] 2. 标准化预期外盈利 - **中证500股票池**：本周收益1.95%[12][13] - **流动性1500股票池**：本周收益2.92%[15][16] 3. ROIC增强因子 - **中证500股票池**：本周收益1.66%[12][13] - **流动性1500股票池**：本周收益3.14%[15][16]