量化因子与构建方式 1. **因子名称**：换手率变化率的稳定GTR因子 **因子构建思路**：通过捕捉换手率波动率高的股票中稳定增长或下降的趋势，构建描述换手率变化率稳定性的指标[6] **因子具体构建过程**：基于换手率变化率的加速度意义，结合稳定性特征，构造新因子GTR。具体步骤包括计算换手率变化率的时间序列稳定性，并通过统计方法筛选具有持续趋势的股票[6] **因子评价**：与东吴金工全系列换手率因子相关性低（<0.1），且对其他换手率因子具有增强作用[6] 2. **因子名称**：纯净优加TPS_Turbo因子 **因子构建思路**：将GTR因子与Turn20因子通过纯净优加法合成，增强选股能力[6] **因子具体构建过程**：采用纯净优加法对GTR和Turn20因子进行加权合成，具体权重未披露[6] 3. **因子名称**：纯净优加SPS_Turbo因子 **因子构建思路**：将GTR因子与STR因子通过纯净优加法合成，提升因子稳定性[6] **因子具体构建过程**：类似TPS_Turbo，使用纯净优加法合成GTR和STR因子[6] --- 因子的回测效果 1. **换手率变化率的稳定GTR因子** - 年化收益率：13.20% - 年化波动率：10.32% - 信息比率（IR）：1.28 - 月度胜率：66.81% - 月度最大回撤：10.81% - 3月多空对冲收益：2.58%（多头1.39%，空头-1.19%）[7][14] 2. **纯净优加TPS_Turbo因子** - 年化收益率：36.00% - 年化波动率：13.28% - 信息比率（IR）：2.71 - 月度胜率：78.17% - 月度最大回撤：9.86% - 3月多空对冲收益：7.58%（多头2.37%，空头-5.21%）[7][15] 3. **纯净优加SPS_Turbo因子** - 年化收益率：37.32% - 年化波动率：10.96% - 信息比率（IR）：3.41 - 月度胜率：81.22% - 月度最大回撤：7.22% - 3月多空对冲收益：5.85%（多头1.43%，空头-4.42%）[7][18] --- 关键引用说明 - 因子构建逻辑及评价引用自文档[6] - 长期绩效数据（2006/01-2025/03）引用自文档[7] - 3月短期绩效数据引用自文档[14][15][18]

2025年04月03日 金融工程研究团队 魏建榕（首席分析师） 证书编号：S0790519120001 张 翔（分析师） 证书编号：S0790520110001 傅开波（分析师） 证书编号：S0790520090003 高 鹏（分析师） 证书编号：S0790520090002 苏俊豪（分析师） 证书编号：S0790522020001 胡亮勇（分析师） 证书编号：S0790522030001 王志豪（分析师） 证书编号：S0790522070003 盛少成（分析师） 证书编号：S0790523060003 苏 良（分析师） 证书编号：S0790523060004 何申昊（分析师） 证书编号：S0790524070009 陈 威（研究员） 证书编号：S0790123070027 蒋 韬（研究员） 证书编号：S0790123070037 相关研究报告 《公募基金持仓参考价值再思考—开 源量化评论（97）》-2024.7.19 公募基金定价权与调仓行为分析 ——基金研究系列（33） weijianrong@kysec.cn 证书编号：S0790519120001 魏建榕（分析师） 蒋韬（联系人） jiangtao@k ...

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：EP(TTM)因子** - **构建思路**：衡量企业净利润与市值的比率，作为价值因子的代表[23] - **构建过程**： 1. 对中证国企指数成分股计算EP(TTM) = 净利润(TTM)/总市值 2. 进行市值中性化处理以消除风格偏差 3. 每月初按因子值排序，前20%作为多头组合，后20%作为空头组合[23] - **评价**：历史表现稳定，2021年后RankIC持续提升[31] 2. **因子名称：BP(LF)因子** - **构建思路**：采用账面市值比衡量企业净资产价值[23] - **构建过程**： 1. 计算BP(LF) = 净资产(LF)/总市值 2. 同样进行市值中性化处理 3. 分组方式与EP因子相同[27] - **评价**：在2014年、2017年等市场环境下表现突出[27] 3. **因子名称：股息率(TTM)因子** - **构建思路**：反映企业分红能力的高股息策略因子[23] - **构建过程**： 1. 计算股息率(TTM) = 近12个月现金分红/当前股价 2. 对异常值处理（如>7%的股息率需重新验证） 3. 采用相同的分组回测方法[28] - **评价**：防御性特征显著，2018年市场下行期多空收益达18.17%[28] 因子回测效果 | 因子名称 | 多空收益率 | RankIC | 夏普比率 | 测试区间 | |----------------|------------|----------|----------|------------------------| | EP(TTM)因子 | 9.14% | 5.56% | 1.19 | 2012-2025[26] | | BP(LF)因子 | 11.41% | 6.80% | 1.37 | 2012-2025[27] | | 股息率(TTM)因子| 8.96% | 5.81% | 1.37 | 2012-2025[28] | 关键指标说明 1. **恒生港股通央企红利指数**采用净股息率加权： $$净股息率=\frac{除税后每股派息}{收盘价}$$ 且对>7%的股息率进行二次验证[40] 2. 因子中性化处理采用市值调整方法，确保风格纯粹性[23] 3. 回测采用月度调仓，以月初开盘价交易[23]

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，识别当前市场过热或过冷的行业[3] - **模型具体构建过程**： 1. 计算行业指数的短期价格波动与长期趋势偏离度 2. 结合成交量、资金流向等指标综合评估拥挤程度 3. 输出每日行业拥挤度排名及变动情况[3] - **模型评价**：能够有效捕捉行业短期过热风险，但对极端市场环境适应性有限[3] 2. **模型名称**：溢价率Z-score模型 - **模型构建思路**：通过滚动计算ETF溢价率的Z-score，识别存在套利机会的标的[4] - **模型具体构建过程**： 1. 计算ETF当前溢价率：$$溢价率 = (市价 - IOPV)/IOPV$$ 2. 滚动计算过去N个交易日的溢价率均值μ和标准差σ 3. 计算Z-score：$$Z = (当前溢价率 - μ)/σ$$ 4. 设定阈值触发关注信号（如Z>2或Z<-2）[4] - **模型评价**：对短期套利机会敏感，但需结合流动性风险综合判断[4] --- 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**：监测主力资金在行业/ETF中的净流入方向[3][6] - **因子具体构建过程**： 1. 按交易日统计申万一级行业或ETF的主力资金净额 2. 计算3日滚动累计净流入：$$净流入_{T-2→T} = \sum_{i=T-2}^{T}净流入_i$$[14] - **因子评价**：对短期资金动向反应灵敏，但需区分主力资金性质[14] 2. **因子名称**：行业拥挤度因子 - **因子构建思路**：量化行业交易过热程度的复合指标[3] - **因子具体构建过程**： 1. 标准化处理价格波动率、换手率、资金集中度等子指标 2. 加权合成综合拥挤度得分：$$拥挤度 = \sum_{i=1}^{n}w_i \cdot 标准化(子指标_i)$$[3] --- 模型的回测效果 1. **行业拥挤度监测模型**： - 有效识别医药生物、环保等高拥挤行业（拥挤度>85%分位数）[3] - 通信、传媒拥挤度处于历史20%分位数以下[3] 2. **溢价率Z-score模型**： - 触发关注信号的ETF包括黄金ETF（Z=2.3）、房地产ETF基金（Z=-2.1）[16] --- 因子的回测效果 1. **主力资金净流入因子**： - 近3日净流入TOP3行业：公用事业（+4.55亿元）、医药生物（-0.92亿元）、石油石化（-2.72亿元）[14] - 净流出TOP3行业：计算机（-111.96亿元）、机械设备（-106.29亿元）、电力设备（-98.95亿元）[14] 2. **行业拥挤度因子**： - 钢铁、医药生物拥挤度单日变动幅度超15%[3] - 通信、传媒拥挤度持续低于阈值（<30%）[3]

根据提供的金融工程日报内容，以下是量化模型与因子的结构化总结： --- 量化因子与构建方式 1. **封板率因子** - 构建思路：通过涨停股盘中表现衡量市场情绪强度[15] - 具体构建： $$封板率=\frac{\text{最高价涨停且收盘涨停股票数}}{\text{最高价涨停股票数}}$$ 筛选上市满3个月的股票，统计日内涨停后维持涨停的比例[15] - 因子评价：反映短期资金封板意愿的稳定性 2. **连板率因子** - 构建思路：捕捉连续涨停股的市场动量效应[15] - 具体构建： $$连板率=\frac{\text{连续两日收盘涨停股票数}}{\text{昨日收盘涨停股票数}}$$ 需满足上市时间>3个月且前一日涨停的条件[15] - 因子评价：衡量市场极端情绪延续性 3. **股指期货贴水率因子** - 构建思路：利用期现价差反映市场预期[26] - 具体构建： $$年化贴水率=\frac{\text{基差}}{\text{指数价格}} \times \frac{250}{\text{合约剩余交易日数}}$$ 分别计算上证50/沪深300/中证500/中证1000主力合约贴水率[26] - 因子评价：体现对冲成本与市场分歧程度 4. **大宗交易折价率因子** - 构建思路：跟踪大额资金交易溢价水平[24] - 具体构建： $$折价率=\frac{\text{大宗交易总成交金额}}{\text{当日成交份额总市值}}-1$$ 统计近半年日均折价率与单日偏离值[24] - 因子评价：反映机构投资者交易偏好 --- 因子回测效果 1. **封板率因子** - 当日值：62%（较前日下降0%）[15] - 近一月分位数：未披露具体分位 2. **连板率因子** - 当日值：12%（较前日下降14%）[15] - 近一月分位数：未披露具体分位 3. **股指期货贴水率因子** - 上证50年化贴水率：-0.44%（44%分位）[26] - 沪深300年化贴水率：-3.32%（38%分位）[26] - 中证500年化贴水率：-11.75%（20%分位）[26] - 中证1000年化贴水率：-13.58%（34%分位）[26] 4. **大宗交易折价率因子** - 当日值：4.29%（近半年均值5.41%）[24] - 近半年分位数：未披露具体分位 --- 关键说明 - 所有因子均基于Wind数据源构建[21][26][15] - 股指期货贴水率计算采用主力合约数据[26] - 大宗交易统计包含单笔成交金额≥100万元的交易[24] （注：报告中未涉及量化模型的具体构建，故仅总结因子相关内容）

量化因子与构建方式 1. **因子名称：理想反转因子** - **构建思路**：通过识别大单成交日来捕捉A股反转效应，切割出反转属性最强的交易日[5][16] - **具体构建过程**： 1. 回溯股票过去20日数据，计算每日平均单笔成交金额（成交金额/成交笔数）[46] 2. 选取单笔成交金额最高的10个交易日，加总其涨跌幅记为M_high；选取最低的10个交易日，加总涨跌幅记为M_low[46] 3. 计算因子值：$$M = M_{\text{high}} - M_{\text{low}}$$[46] - **因子评价**：逻辑清晰，有效捕捉反转效应[5] 2. **因子名称：聪明钱因子** - **构建思路**：从分钟价量数据中识别机构交易行为，跟踪聪明钱的参与价位[5][16] - **具体构建过程**： 1. 回溯股票过去10日分钟数据，计算指标$$S_t = |R_t| / V_t^{0.25}$$（R_t为分钟涨跌幅，V_t为分钟成交量）[44] 2. 按S_t排序，取成交量累积占比前20%的分钟作为聪明钱交易[44] 3. 计算聪明钱交易的VWAP（成交量加权均价）和全体交易的VWAP，因子值：$$Q = \text{VWAP}_{\text{smart}} / \text{VWAP}_{\text{all}}$$[44][47] - **因子评价**：机构行为跟踪能力强[5] 3. **因子名称：APM因子** - **构建思路**：分析日内不同时段（隔夜/下午）交易行为差异导致的残差反转效应[5][16] - **具体构建过程**： 1. 回溯20日数据，分离隔夜与下午的股票收益率（r）和指数收益率（R）[48] 2. 回归$$r = \alpha + \beta R + \epsilon$$，得到残差序列$$\epsilon_t$$[48] 3. 计算隔夜与下午残差差异：$$\delta_t = \epsilon_{\text{隔夜},t} - \epsilon_{\text{下午},t}$$[48] 4. 构造统计量：$$\mathrm{stat} = \frac{\mu(\delta_t)}{\sigma(\delta_t)/\sqrt{N}}$$[48] 5. 对动量因子横截面回归取残差作为APM因子[49] - **因子评价**：日内时段切割提升反转效果[5] 4. **因子名称：理想振幅因子** - **构建思路**：基于股价高低状态切割振幅信息，捕捉结构性差异[5][16] - **具体构建过程**： 1. 计算过去20日每日振幅（最高价/最低价-1）[51] 2. 按收盘价分位数选取高价态（前25%）和低价态（后25%）交易日，分别计算振幅均值V_high和V_low[51] 3. 因子值：$$V = V_{\text{high}} - V_{\text{low}}$$[51] - **因子评价**：价态分层增强信息含量[5] 5. **因子名称：交易行为合成因子** - **构建思路**：加权整合四个交易行为因子，提升稳定性[34] - **具体构建过程**： 1. 对单因子进行行业内去极值与标准化[34] 2. 滚动12期ICIR加权计算合成因子值[34] - **因子评价**：综合效果优于单因子[34] --- 因子回测效果 | 因子名称 | IC均值 | rankIC均值 | IR | 多空对冲月度胜率 | 3月多空收益 | 近12月胜率 | |------------------|----------|------------|-------|------------------|-------------|------------| | 理想反转因子 | -0.051 | -0.061 | 2.55 | 78.3% | 1.85% | 66.7% | [6][17] | 聪明钱因子 | -0.038 | -0.062 | 2.78 | 82.4% | 4.10% | 100.0% | [6][22] | APM因子 | 0.030 | 0.035 | 2.34 | 78.2% | 1.88% | 83.3% | [6][26] | 理想振幅因子 | -0.054 | -0.073 | 3.02 | 83.8% | 4.18% | 83.3% | [6][30] | 交易行为合成因子 | 0.069 | 0.093 | 3.37 | 82.0% | 4.73% | 83.3% | [6][34] **补充说明**：合成因子在中小盘（国证2000/中证1000）中IR达3.02/3.01，显著优于中证800的1.31[37]

核心观点 金融工程日报 市场表现：今日(20250401) 规模指数中中证 2000 指数表现较好，板块指数 中科创 100 指数表现较好，风格指数中中证 500 价值指数表现较好。医药、 国防军工、电力公用事业、煤炭、钢铁行业表现较好，家电、汽车、计算机、 综合金融、银行行业表现较差。动物保健精选、独家药、单克隆抗体、创新 药、阿尔兹海默等概念表现较好，炒股软件、智谱 AI、东数西算、金融科技、 边缘计算等概念表现较差。 证券研究报告 | 2025年04月01日 金融工程日报 A 股震荡反弹，医药板块爆发 市场情绪：今日收盘时有 64 只股票涨停，有 21 只股票跌停。昨日涨停股票 今日收盘收益为 2.16%，昨日跌停股票今日收盘收益为-2.90%。今日封板率 62%，较前日下降 5%，连板率 26%，较前日提升 3%。 折溢价：20250331 当日 ETF 溢价较多的是摩根 MSCIAETF，ETF 折价较多的是 工程机械 ETF。近半年以来大宗交易日均成交金额达到 16 亿元，20250331 当日大宗交易成交金额为 8 亿元，近半年以来平均折价率 5.43%，当日折价 率为 7.18%。近一年以来上 ...

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. **均线比较模型** - 构建思路：通过比较指数价格与不同周期均线（5日/10日/20日/60日/120日/250日）的关系，判断市场趋势强弱[14][15] - 具体构建：计算各指数收盘价与MA5/MA10/MA20/MA60/MA120/MA250的偏离百分比，公式为： $$偏离百分比 = \frac{收盘价-均线值}{均线值} \times 100\%$$ 同时对比近250交易日高低位，计算当前价格相对历史区间的分位[15] 2. **风险溢价模型** - 构建思路：以十年期国债即期收益率为基准，计算股票指数超额收益[26][27] - 具体构建： $$风险溢价 = 指数收益率 - 十年期国债收益率$$ 统计近1年/5年分位值、均值及±1/2倍标准差区间，分析当前溢价所处历史位置[28][29] 3. **股债性价比模型** - 构建思路：通过PE-TTM倒数与国债收益率的差值衡量股债相对吸引力[42] - 具体构建： $$股债性价比 = \frac{1}{PE-TTM} - 国债收益率$$ 设置80%分位为机会值，20%分位为危险值[42] 量化因子与构建方式 1. **换手率因子** - 构建思路：反映市场交易活跃度[17] - 具体构建： $$换手率 = \frac{\sum(成分股流通股本 \times 个股换手率)}{\sum(成分股流通股本)}$$ 2. **峰度/偏度因子** - 构建思路：刻画收益率分布形态特征[23][24] - 具体构建： - 峰度：计算日收益率分布的尖峰程度（已减3） - 偏度：衡量收益率分布的不对称性 3. **破净率因子** - 构建思路：反映市场估值极端情况[51] - 具体构建： $$破净率 = \frac{市净率<1的股票数量}{总股票数量} \times 100\%$$ 模型回测效果 1. **均线比较模型** - 当前偏离：中证2000相对MA20偏离-4.58%，创业板指相对MA120偏离-3.71%[15] - 极端偏离：创业板指距250日均线历史高位偏离-17.51%[15] 2. **风险溢价模型** - 当前溢价：上证50风险溢价-0.53%（近5年分位28.41%），中证500风险溢价-0.99%（分位17.46%）[29] - 波动特征：中证2000近1年波动率2.15%，显著高于上证50的1.16%[29] 3. **股债性价比模型** - 当前值：中证1000/创业板指高于80%分位机会值，无指数低于20%危险值[42] 因子回测效果 1. **换手率因子** - 当前值：中证2000换手率3.61，上证50换手率0.29[17] 2. **峰度/偏度因子** - 创业板指峰度4.88（近5年偏离+4.76），偏度2.42（偏离+1.17）[24] - 中证2000峰度1.10（偏离-1.11），偏度1.57（偏离-0.31）[24] 3. **破净率因子** - 当前值：沪深300破净率16.67%，中证2000破净率5.3%[51] （注：原文未提及模型评价部分，故未包含定性评价内容）

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**：华宝指数产品轮动组合模型 **模型构建思路**：通过综合历史业绩、一致预期和微观交易结构三个维度对标的指数进行打分，选择得分靠前的指数对应的基金产品构建组合[7][8] **模型具体构建过程**： - **历史业绩维度**：计算标的指数的ROE_TTM环比变动、营业利润TTM环比增长率、归母净利润TTM环比增长率，加权合成历史业绩得分[9] - **一致预期维度**：对指数成分股的一致预期净利润和ROE按流通市值加权合成，计算环比变化反映预期景气度边际变化[10] - **微观交易结构维度**：在夏普比率基础上剥离区间最大涨幅，计算最近6个月和12个月的动量延续性因子[11] **模型评价**：该模型通过多维度综合打分，能够有效捕捉指数的景气变化和动量特征，历史表现优异[14] 量化因子与构建方式 1. **因子名称**：历史业绩因子 **因子构建思路**：通过财务指标的环比变化反映指数的历史盈利能力[9] **因子具体构建过程**： - ROE_TTM环比变动：$$ \Delta ROE = ROE_{t} - ROE_{t-1} $$ - 营业利润TTM环比增长率：$$ Growth_{OP} = \frac{OP_{t} - OP_{t-1}}{OP_{t-1}} $$ - 归母净利润TTM环比增长率：$$ Growth_{NP} = \frac{NP_{t} - NP_{t-1}}{NP_{t-1}} $$ 2. **因子名称**：一致预期因子 **因子构建思路**：通过分析师预期数据合成指数层面的景气度指标[10] **因子具体构建过程**： - 对成分股的一致预期净利润和ROE按流通市值加权：$$ E_{index} = \sum (w_i \cdot E_{i}) $$，其中$w_i$为成分股市值权重 - 计算环比变化：$$ \Delta E = \frac{E_{t} - E_{t-1}}{E_{t-1}} $$ 3. **因子名称**：动量延续性因子 **因子构建思路**：改进夏普比率以剔除极端涨幅的影响，刻画动量的持续性[11] **因子具体构建过程**： - 计算区间收益率$R$和最大涨幅$MaxUp$ - 调整后夏普比率：$$ AdjSharpe = \frac{R - R_f}{\sigma} \cdot (1 - \frac{MaxUp}{R}) $$ 模型的回测效果 1. **华宝指数产品轮动组合模型** - 2025年前3个月收益率：-1.55% - 相对创业板指超额收益：正超额[14] - 最新推荐组合：科创人工智能ETF、养老ETF、券商ETF等[15][17] 因子的回测效果 1. **历史业绩因子** - 在标的指数间区分能力显著[9] 2. **一致预期因子** - 对预期景气度边际变化敏感[10] 3. **动量延续性因子** - 6个月和12个月因子长期区分能力突出[11] 注：报告中未提供具体的因子IC、IR等统计指标，故未列出相关数值[7][11][14]

根据提供的研报内容，以下是关于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**：社融自下而上预测框架 **模型构建思路**：通过拆分社融各子项，结合经济逻辑、高频数据和季节性特征进行预测[7] **模型具体构建过程**： - **人民币贷款（企业贷款+居民短贷）**：以PMI与唐山钢厂产能利用率为自变量，对信贷大月和小月分别进行滚动回归预测[8] - **居民中长贷**：根据商品房销售代理指标与居民中长贷的三阶段特点进行预测[8] - **企业票据融资**：以转贴现利率为外生变量，使用5年窗口的滚动自回归进行预测[8] - **政府债券**：通过高频跟踪发行到期数据，调整口径差异（月末新发债券计入下月）[8] - **企业债券**：使用5年窗口的滚动回归重新配权，降低口径差异[8] - **外币贷款**：采用过去3个月均值平滑预测[8] - **信托贷款**：跟踪集合信托与单一信托的披露数据近似预测[8] - **委托贷款**：使用过去12个月均值预测，基建相关增量额外判断[8] - **未贴现银行承兑汇票**：因高频数据停更，采用过去三年同期平均值估计[8] - **非金融企业股票融资**：扣除金融企业部分后，汇总IPO、增发等月频净融资数据[8] - **贷款核销**：直接采用去年同期值（季末效应显著）[8] - **存款类金融机构资产支持证券**：改用信贷ABS净融资高频跟踪（2023年12月起）[8] **模型评价**：自下而上的拆分方法能更精准捕捉社融总量与结构变化，但对高频数据口径差异较敏感[7][8] 模型的回测效果 1. **社融预测模型**： - 2025年3月新增社融预测值5.68万亿元（实际同比+0.85万亿元）[16] - 社融TTM环比预测2.42%，存量同比增速8.37%[16] - 人民币贷款预测3.78万亿元（企业贷款+居民短贷3.37万亿元，居民中长贷0.34万亿元）[16] - 政府债券净融资预测1.53万亿元（同比+1.06万亿元）[16] 量化因子与构建方式 （注：报告中未明确提及独立因子构建，仅模型内涉及部分代理变量如PMI、转贴现利率等，故本部分跳过） 关键数据引用来源 - 模型框架与构建逻辑[7][8] - 预测结果与历史对比数据[16]