量化因子与构建方式 1. 因子名称："重拾自信 2.0"RCP因子 - **因子的构建思路**：基于行为金融学中投资者的过度自信偏差，利用股价快速上涨和快速下跌的时间差作为代理变量，构造第一代过度自信因子CP；进一步考虑过度自信后可能出现的过度修正，将第一代因子CP与日内收益正交化，残差项即为第二代因子RCP[6][7] - **因子具体构建过程**： 1. 通过高频分钟序列号数据，计算利好超涨和股价回调的时间点差距，构造过度自信因子CP[6] 2. 将CP因子剔除日内收益的影响，得到残差项，作为第二代因子RCP[6] 3. 使用标准化因子代替排序值，进一步纯净化RCP因子[7] - **因子评价**：RCP因子在回测中表现优异，显著优于传统组合方式[6] --- 因子的回测效果 1. "重拾自信 2.0"RCP因子 - **年化收益率**：19.13%[1][7][12] - **年化波动率**：7.71%[1][7][12] - **信息比率（IR）**：2.48[1][7][12] - **月度胜率**：79.69%[1][7][12] - **最大回撤率**：5.97%[1][7][12] - **9月多头组合收益率**：24.33%[1][11] - **9月空头组合收益率**：22.42%[1][11] - **9月多空对冲收益率**：1.92%[1][11]

量化因子与构建方式 1. 因子名称：成交不平衡因子 - **因子的构建思路**：通过计算股票过去一段时间内主动买入单与主动卖出单的数量差异，衡量买方的主动成交优势，进而预测股票未来收益[12][48] - **因子具体构建过程**： 1. 每个交易日，统计每只股票当日所有逐笔成交中主动买入和主动卖出的成交单数，计算公式为： $$ \text{成交单不平衡指标} = \frac{\text{主买成交单数} - \text{主卖成交单数}}{\text{主买成交单数} + \text{主卖成交单数}} $$ 该指标用于衡量当日的净买单强弱程度[12][16] 2. 月底回看过去20个交易日，计算20日成交单不平衡指标的平均值，并进行横截面市值中性化处理，得到成交不平衡因子[12] - **因子评价**：因子具有一定的选股效果，但整体表现一般，尤其是最近几年波动和回撤较大[13][48] 2. 因子名称：反转残差成交不平衡因子 - **因子的构建思路**：剔除同期涨跌幅对成交不平衡因子的影响，以提升因子的稳定性和预测能力[15][16] - **因子具体构建过程**： 1. 计算每日成交单不平衡指标，方法同成交不平衡因子[16] 2. 月底回看过去20个交易日，计算20日成交单不平衡指标的平均值，并进行横截面市值中性化处理[16] 3. 将成交不平衡因子对过去20个交易日的累计涨跌幅进行正交化处理，得到反转残差成交不平衡因子[16] - **因子评价**：剔除同期涨跌幅后，因子的稳定性显著提升，选股效果更为显著[17][48] 3. 因子名称：孤立成交不平衡因子与非孤立成交不平衡因子 - **因子的构建思路**：通过对逐笔成交数据进行划分，将成交单分为孤立成交和非孤立成交，分别计算其不平衡指标，提取更具信息含量的非孤立成交数据[20][23] - **因子具体构建过程**： 1. 定义孤立成交与非孤立成交： - 若某笔成交单在其成交时间点 $t$ 的邻域 $(t-\delta, t+\delta)$ 内不存在其他成交单，则为孤立成交 - 若邻域内存在其他成交单，则为非孤立成交[20][21] 2. 每个交易日，将所有成交单划分为孤立成交和非孤立成交，计算各自的成交单不平衡指标，公式同成交不平衡因子[23] 3. 月底回看过去20个交易日，分别计算20日孤立和非孤立成交不平衡指标的平均值，并进行横截面市值中性化处理，得到孤立成交不平衡因子和非孤立成交不平衡因子[23] - **因子评价**：孤立成交不平衡因子信息含量较少，选股效果较弱；非孤立成交不平衡因子表现更好，稳定性与整体成交不平衡因子相当[24][27] 4. 因子名称：反转残差非孤立成交不平衡因子 - **因子的构建思路**：在非孤立成交不平衡因子的基础上，剔除同期涨跌幅的影响，进一步提升因子的稳定性和选股效果[29][30] - **因子具体构建过程**： 1. 计算非孤立成交不平衡因子，方法同上[29] 2. 将非孤立成交不平衡因子对过去20个交易日的累计涨跌幅进行正交化处理，得到反转残差非孤立成交不平衡因子[29] - **因子评价**：因子表现显著优于其他因子，选股效果强，稳定性高[30][33] 5. 因子名称：纯净反转残差非孤立成交不平衡因子 - **因子的构建思路**：剔除市场常用风格因子和行业因子的干扰，进一步提纯反转残差非孤立成交不平衡因子[36] - **因子具体构建过程**： 1. 每月月底将反转残差非孤立成交不平衡因子对Barra风格因子和中信一级行业虚拟变量进行回归，取残差作为纯净因子[36] - **因子评价**：因子与市场常用风格因子的相关性较低，选股效果进一步提升[35][36] --- 因子的回测效果 1. 成交不平衡因子 - 月度IC均值：0.029[19] - 年化ICIR：1.46[19] - 信息比率：1.56[19] - 年化收益率：14.16%[19] - 年化波动率：9.07%[19] - 月度胜率：75.56%[19] - 最大回撤率：7.06%[19] 2. 反转残差成交不平衡因子 - 月度IC均值：0.035[19] - 年化ICIR：2.13[19] - 信息比率：2.04[19] - 年化收益率：15.71%[19] - 年化波动率：7.69%[19] - 月度胜率：75.56%[19] - 最大回撤率：5.69%[19] 3. 孤立成交不平衡因子 - 月度IC均值：-0.005[27] - 年化ICIR：-0.34[27] - 信息比率：0.13[27] - 年化收益率：0.84%[27] - 年化波动率：6.30%[27] - 月度胜率：51.11%[27] - 最大回撤率：13.28%[27] 4. 非孤立成交不平衡因子 - 月度IC均值：0.032[27] - 年化ICIR：1.40[27] - 信息比率：1.57[27] - 年化收益率：15.88%[27] - 年化波动率：10.12%[27] - 月度胜率：72.22%[27] - 最大回撤率：8.06%[27] 5. 反转残差非孤立成交不平衡因子 - 月度IC均值：0.048[33] - 年化ICIR：2.71[33] - 信息比率：2.71[33] - 年化收益率：21.54%[33] - 年化波动率：7.94%[33] - 月度胜率：81.11%[33] - 最大回撤率：6.88%[33] 6. 纯净反转残差非孤立成交不平衡因子 - 月度IC均值：0.036[46] - 年化ICIR：3.26[46] - 信息比率：3.05[46] - 年化收益率：15.26%[46] - 年化波动率：5.00%[46] - 月度胜率：77.78%[46] - 最大回撤率：2.60%[46]

量化因子与构建方式 单因子 1. **因子名称**：5日交易金额/波动率 **因子的构建思路**：通过短期交易金额与波动率的比值，衡量市场活跃度与风险调整后的交易强度 **因子具体构建过程**：计算过去5日的交易金额总和，并除以同期的波动率，公式为： $ 因子值 = \frac{\text{过去5日交易金额总和}}{\text{过去5日波动率}} $ **因子评价**：该因子在多个指数中表现较好，具有一定的超额收益能力[14] 2. **因子名称**：分析师覆盖度 **因子的构建思路**：通过分析师覆盖的广度，反映市场对个股的关注度和信息透明度 **因子具体构建过程**：统计每只股票被分析师覆盖的数量，作为因子值[14] **因子评价**：该因子在多个指数中表现较好，尤其在中证2000指数中表现突出[14] 3. **因子名称**：分析师预测营收增长率-FY3 **因子的构建思路**：通过分析师对未来三年营收增长率的预测，衡量公司成长性 **因子具体构建过程**：收集分析师对未来三年营收增长率的预测值，作为因子值[14] **因子评价**：该因子在沪深300、中证500、中证1000、中证全指等多个指数中均表现较好[14] 4. **因子名称**：分析师预测ROE-FY3的120日变动 **因子的构建思路**：通过分析师对未来三年ROE预测的120日变化，捕捉市场对公司盈利能力的动态预期 **因子具体构建过程**：计算分析师对未来三年ROE预测值在过去120日内的变化幅度，作为因子值[14] **因子评价**：该因子在中证1000指数中表现较好[14] 大类因子 1. **因子名称**：市值因子 **因子的构建思路**：通过市值大小衡量公司规模，捕捉规模效应 **因子具体构建过程**：直接使用股票的总市值作为因子值[14] **因子评价**：市值因子在沪深300、中证500、中证1000、中证2000、中证全指等多个指数中均表现较好[14] 2. **因子名称**：成长因子 **因子的构建思路**：通过成长性指标（如营收增长率）衡量公司未来增长潜力 **因子具体构建过程**：使用分析师预测的营收增长率等成长性指标作为因子值[14] **因子评价**：成长因子在中证500、中证1000、中证2000、中证全指等多个指数中表现较好[14] 3. **因子名称**：盈利因子 **因子的构建思路**：通过盈利能力指标（如ROE）衡量公司盈利水平 **因子具体构建过程**：使用分析师预测的ROE等盈利能力指标作为因子值[14] **因子评价**：盈利因子在沪深300、中证500等指数中表现较好[14] 4. **因子名称**：超预期因子 **因子的构建思路**：通过分析师对公司业绩的超预期调整，捕捉市场对公司未来表现的乐观预期 **因子具体构建过程**：统计分析师对公司业绩的超预期调整幅度，作为因子值[14] **因子评价**：超预期因子在沪深300、中证2000、中证全指等指数中表现较好[14] --- 因子的回测效果 1. **5日交易金额/波动率因子** - 沪深300：超额收益较好 - 中证500：超额收益较好 - 中证1000：超额收益较好 - 中证2000：超额收益较好 - 中证全指：超额收益较好[14] 2. **分析师覆盖度因子** - 沪深300：超额收益较好 - 中证2000：超额收益较好[14] 3. **分析师预测营收增长率-FY3因子** - 沪深300：超额收益较好 - 中证500：超额收益较好 - 中证1000：超额收益较好 - 中证全指：超额收益较好[14] 4. **分析师预测ROE-FY3的120日变动因子** - 中证1000：超额收益较好[14] 5. **市值因子** - 沪深300：超额收益较好 - 中证500：超额收益较好 - 中证1000：超额收益较好 - 中证2000：超额收益较好 - 中证全指：超额收益较好[14] 6. **成长因子** - 中证500：超额收益较好 - 中证1000：超额收益较好 - 中证2000：超额收益较好 - 中证全指：超额收益较好[14] 7. **盈利因子** - 沪深300：超额收益较好 - 中证500：超额收益较好[14] 8. **超预期因子** - 沪深300：超额收益较好 - 中证2000：超额收益较好 - 中证全指：超额收益较好[14]

量化模型与构建方式 模型名称：封板率与连板率模型 - 模型构建思路：通过计算封板率和连板率来反映市场情绪和股票的强势程度 - 模型具体构建过程： - 封板率的计算方式为： $$ 封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数} $$ - 连板率的计算方式为： $$ 连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数} $$ - 模型评价：封板率和连板率可以有效反映市场情绪的高涨程度和股票的强势程度[17] 模型的回测效果 - 封板率模型，今日封板率32%，较前日下降39%，创近一个月新低[17] - 连板率模型，今日连板率48%，较前日下降32%[17] 量化因子与构建方式 因子名称：股指期货升贴水因子 - 因子的构建思路：通过计算股指期货主力合约的年化升贴水率来反映市场对未来预期的表现 - 因子具体构建过程： - 年化贴水率的计算方式为： $$ 年化贴水率 = \frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right) $$ - 因子评价：股指期货升贴水因子可以反映市场对于未来预期的表现，基差的变化一定程度上能反映市场情绪[28] 因子的回测效果 - 上证50股指期货主力合约年化贴水率为4.75%，处于近一年来27%分位点[28] - 沪深300股指期货主力合约年化升水率为3.75%，处于近一年来80%分位点[28] - 中证500股指期货主力合约年化贴水率为29.13%，处于近一年来4%分位点[28] - 中证1000股指期货主力合约年化升水率为8.98%，处于近一年来96%分位点[28]

量化模型与构建方式 1. 模型名称：基本面量化模型 - **模型构建思路**：通过行业景气度信号，结合拥挤度指标，筛选景气上行或持平且拥挤度较低的行业，进行行业配置[9][37] - **模型具体构建过程**： 1. 计算各行业的景气度指标，分为“景气上行”、“景气持平”和“景气下行”三类[10] 2. 监测行业拥挤度，剔除拥挤度较高的行业（如达到滚动3年的95%分位阈值以上）[33] 3. 在每月调仓时，优先配置景气上行行业，并将景气持平行业的权重设置为景气上行行业的一半[37] 4. 最终形成综合配置策略[37] - **模型评价**：模型通过结合景气度和拥挤度信号，能够动态调整行业配置，适应市场变化[37] --- 模型的回测效果 1. 基本面量化模型 - **最近1个月（2024/9/9-2024/9/30）**：收益27.1%，相对行业等权指数和中证800的超额收益分别为0.3%和2.2%[37][40] - **最近3个月（2024/7/8-2024/9/30）**：收益21.4%，相对行业等权指数和中证800的超额收益分别为1.3%和2.8%[40] - **最近6个月（2024/4/8-2024/9/30）**：收益16.7%，相对行业等权指数和中证800的超额收益分别为5.3%和4.4%[40] --- 量化因子与构建方式 1. 因子名称：景气度因子 - **因子的构建思路**：通过行业的基本面数据，提取反映行业景气变化的指标，判断行业景气趋势[9][10] - **因子具体构建过程**： 1. 收集行业相关的基本面数据，如出口量增速、营收增速、价格指数等[14][24][27] 2. 计算综合景气度指标，反映行业的整体景气变化趋势[15][24][32] 3. 根据景气度指标的变化，将行业划分为“景气上行”、“景气持平”和“景气下行”三类[10][20][24] - **因子评价**：景气度因子能够较好地捕捉行业基本面变化趋势，为行业配置提供有效参考[9][10] 2. 因子名称：拥挤度因子 - **因子的构建思路**：通过监测行业资金流入情况，判断行业是否存在过度拥挤的风险[33] - **因子具体构建过程**： 1. 计算行业的拥挤度指标，基于过去3年的滚动分位值进行分位数划分[33] 2. 当拥挤度达到95%分位阈值以上时，触发拥挤信号[33] 3. 剔除拥挤度较高的行业，降低配置风险[33] - **因子评价**：拥挤度因子能够有效识别行业的资金拥挤情况，避免潜在的回撤风险[33] --- 因子的回测效果 1. 景气度因子 - **券商行业**：景气度指标显著上行，市场活跃度大幅提升[11] - **光伏行业**：景气度指标边际上行，太阳能电池出口量增速达47%，逆变器出口量增速达32%[14][15] - **家电行业**：景气度指标小幅回落，主要受PPI向0轴回归影响[17][19] - **建材行业**：景气度指标边际上行，水泥价格逐渐回升[20][21] - **半导体行业**：景气度指标边际上行，台积电营收增速等核心指标维持高位[24][28] - **通信行业**：景气度指标大幅上行，服务器相关企业营收增速显著改善[27][30] - **农林牧渔行业**：景气度指标边际上行，猪周期步入右侧，生猪屠宰量增速维持低位[31][35] 2. 拥挤度因子 - **家电、银行、交通运输、非银金融**：拥挤度达到滚动3年的95%分位阈值以上，但在增量市场中预警效果减弱[33][36] --- 总结 本报告通过基本面量化模型，结合景气度因子和拥挤度因子，动态调整行业配置策略。模型在回测中表现出较好的收益能力，尤其在景气上行行业中具有显著的超额收益。同时，拥挤度因子有效规避了部分行业的潜在风险，为投资者提供了更为稳健的配置参考。

量化因子与构建方式 1. **因子名称**：单季度ROE - **因子的构建思路**：通过单季度的净资产收益率来衡量公司的盈利能力 - **因子具体构建过程**：计算公式为 $ \text{ROE} = \frac{\text{净利润}}{\text{股东权益}} $，其中净利润和股东权益分别取自公司的财务报表 - **因子评价**：表现较好[3][26] 2. **因子名称**：总市值 - **因子的构建思路**：通过公司的总市值来衡量其市场规模 - **因子具体构建过程**：计算公式为 $ \text{总市值} = \text{股价} \times \text{总股本} $，其中股价和总股本分别取自市场数据 - **因子评价**：表现较好[3][26] 3. **因子名称**：单季度净利润增速 - **因子的构建思路**：通过单季度净利润的增长速度来衡量公司的盈利增长能力 - **因子具体构建过程**：计算公式为 $ \text{净利润增速} = \frac{\text{本季度净利润} - \text{上季度净利润}}{\text{上季度净利润}} $，其中净利润数据取自公司的财务报表 - **因子评价**：表现较好[3][26] 4. **因子名称**：剥离涨停动量 - **因子的构建思路**：通过剥离涨停后的动量来衡量股票的持续上涨能力 - **因子具体构建过程**：计算公式为 $ \text{剥离涨停动量} = \text{剔除涨停日后的动量} $，具体数据取自市场交易数据 - **因子评价**：表现较差[3][26] 5. **因子名称**：波动率 - **因子的构建思路**：通过股票价格的波动率来衡量其风险水平 - **因子具体构建过程**：计算公式为 $ \text{波动率} = \sqrt{\frac{1}{N-1} \sum_{i=1}^{N} (R_i - \bar{R})^2} $，其中 $ R_i $ 为每日收益率， $ \bar{R} $ 为平均收益率， $ N $ 为天数 - **因子评价**：表现较差[3][26] 6. **因子名称**：预期股息率 - **因子的构建思路**：通过预期股息率来衡量股票的收益性 - **因子具体构建过程**：计算公式为 $ \text{预期股息率} = \frac{\text{预期股息}}{\text{股价}} $，其中预期股息和股价分别取自市场数据 - **因子评价**：表现较差[3][26] 因子的回测效果 1. **单季度ROE因子** - **最近一个月表现**：较好[3][26] - **今年以来表现**：未提及 2. **总市值因子** - **最近一个月表现**：较好[3][26] - **今年以来表现**：较差[3][26] 3. **单季度净利润增速因子** - **最近一个月表现**：较好[3][26] - **今年以来表现**：较好[3][26] 4. **剥离涨停动量因子** - **最近一个月表现**：较差[3][26] - **今年以来表现**：未提及 5. **波动率因子** - **最近一个月表现**：较差[3][26] - **今年以来表现**：未提及 6. **预期股息率因子** - **最近一个月表现**：较差[3][26] - **今年以来表现**：未提及

量化模型与构建方式 1. 模型名称：港股多因子模型 - **模型构建思路**：基于技术面、资金面、基本面和分析师预期四大类因子，构建多因子模型以筛选港股通成分股[27][28] - **模型具体构建过程**： 1. 从港股通成分股中提取四大类因子： - 技术面因子：如动量、波动率等 - 资金面因子：如资金流入流出占比等 - 基本面因子：如市盈率（PE）、市净率（PB）等 - 分析师预期因子：如盈利预测调整等 2. 对因子进行标准化处理，消除量纲差异 3. 根据因子得分加权计算综合得分，选取得分最高的前20只个股构建组合[27][29] - **模型评价**：模型通过多因子筛选，能够较好地捕捉超额收益机会[27][29] 2. 模型名称：港股优选20组合 - **模型构建思路**：基于港股多因子模型的得分结果，按照等权方式构建组合，并以港股综合指数(HKD)为基准[29] - **模型具体构建过程**： 1. 每月底从港股通成分股中选取多因子得分最高的前20只个股 2. 按等权方式分配权重 3. 每月末进行再平衡，更新持仓[29] - **模型评价**：组合在长期回测中表现出较高的超额收益率和稳定性[29][31] --- 模型的回测效果 港股多因子模型 - **超额年化收益率**：14.4%（2015.1~2024.9）[31] - **超额收益波动比**：1.1（2015.1~2024.9）[31] - **超额最大回撤**：15.0%（2015.1~2024.9）[31] 港股优选20组合 - **2024年9月收益率**：18.47% - **基准收益率**：17.56% - **超额收益率**：0.91%[29] - **全区间表现（2015.1~2024.9）**： - 超额年化收益率：14.4% - 超额收益波动比：1.1 - 超额最大回撤：15.0%[31] --- 量化因子与构建方式 1. 因子名称：技术面因子 - **因子构建思路**：通过动量、波动率等指标捕捉市场趋势和价格变化特征[27] - **因子具体构建过程**： 1. 计算个股的历史收益率和波动率 2. 对因子值进行标准化处理 3. 根据因子得分排序，筛选表现优异的个股[27] 2. 因子名称：资金面因子 - **因子构建思路**：通过资金流入流出占比，衡量市场资金偏好[27] - **因子具体构建过程**： 1. 统计个股的资金流入流出数据 2. 归一化处理资金流数据 3. 根据资金流入占比排序，选取资金流入占比高的个股[27] 3. 因子名称：基本面因子 - **因子构建思路**：通过市盈率（PE）、市净率（PB）等指标衡量个股的估值水平[27] - **因子具体构建过程**： 1. 提取个股的PE、PB等基本面数据 2. 对数据进行标准化处理 3. 根据因子得分排序，筛选估值合理的个股[27] 4. 因子名称：分析师预期因子 - **因子构建思路**：通过盈利预测调整等指标，捕捉分析师对个股未来表现的预期变化[27] - **因子具体构建过程**： 1. 收集分析师对个股的盈利预测数据 2. 计算预测调整幅度 3. 对因子值进行标准化处理，筛选预期向好的个股[27] --- 因子的回测效果 技术面因子 - **超额年化收益率**：14.4%（2015.1~2024.9）[31] - **超额收益波动比**：1.1（2015.1~2024.9）[31] - **超额最大回撤**：15.0%（2015.1~2024.9）[31] 资金面因子 - **超额年化收益率**：14.4%（2015.1~2024.9）[31] - **超额收益波动比**：1.1（2015.1~2024.9）[31] - **超额最大回撤**：15.0%（2015.1~2024.9）[31] 基本面因子 - **超额年化收益率**：14.4%（2015.1~2024.9）[31] - **超额收益波动比**：1.1（2015.1~2024.9）[31] - **超额最大回撤**：15.0%（2015.1~2024.9）[31] 分析师预期因子 - **超额年化收益率**：14.4%（2015.1~2024.9）[31] - **超额收益波动比**：1.1（2015.1~2024.9）[31] - **超额最大回撤**：15.0%（2015.1~2024.9）[31]

- 本报告未涉及量化模型或量化因子的构建、测试及评价内容

- 非银板块在2024年9月以来上涨19.22%[3][12][14] - 公募基金持仓测算显示近期仓位未见回升[4][15][16] - ETF资金持仓占非银板块股票市值比例在2024年以来持续上升，占比达到4.56%[4][16][18] - 融资余额在9月20号之后反弹向上[4][19][22] - 招商证券、中信证券、广发证券等机构调研次数最多[5][20][21] - 天风证券、东方财富、中国平安等雪球大V关注度最高[5][24][26] - 东方财富、天风证券、太平洋等主力资金买入最多[5][27][28] - 天茂集团、国海证券、中油资本等曾出现在龙虎榜[5][30][32] - 华铁应急、首创证券、浙商证券等股东户数增幅最高[5][31][32]

- 本周市场复盘：政策组合助力预期扭转，增量市可期[8][9] - 宽基指数表现回顾：A股权益类资产实现快速普涨，成长风格反弹速度较快[9] - 行业指数表现回顾：消费、券商、地产涨幅领先[12] - 公募基金仓位测算："固收+"基金测算仓位明显提升[18] - 主动权益产品风格动向：中盘成长仓位下调，小盘成长提升[25] - 主动权益产品行业动向：地产链暴露提升，银行仓位持续下调[29] - ETF市场跟踪：宽基ETF周度净流入额超500亿元[31] - 新成立基金：本周主动权益型基金新发总规模约为2.70亿元[35]