量化模型与构建方式 1. 模型名称：分红调整基差模型 - **模型构建思路**：通过剔除股指期货合约存续期内成分股分红的影响，计算分红调整后的基差，并对其进行年化处理，以更准确地反映基差的真实波动情况[16] - **模型具体构建过程**： 1. 定义基差为合约收盘价与标的指数收盘价的差值 2. 分红调整后的基差公式为： $ 预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红 $ 3. 年化基差公式为： $ 年化基差 = (实际基差 + (预期)分红点位) / 指数价格 × 360 / 合约剩余天数 $ 其中，"实际基差"为当前合约基差，"预期分红点位"为存续期内预计的分红点位，"指数价格"为标的指数当前点位，"合约剩余天数"为合约到期前的剩余天数[16] 2. 模型名称：期现对冲策略 - **模型构建思路**：通过持有现货多头和期货空头的组合，利用基差收敛的特性实现对冲收益[40][41] - **模型具体构建过程**： 1. 现货端：持有与标的指数对应的ETF（如510500ETF、510300ETF等）多头 2. 期货端：做空与现货端金额相同名义本金的股指期货合约 3. 调仓规则： - 连续持有季月/当月合约，直至合约到期剩余不足2日时平仓，并同时开仓下一季月/当月合约 - 调仓价格均以当日收盘价计算 4. 不考虑交易手续费、冲击成本及期货合约不可无限细分的影响[41] 3. 模型名称：最低贴水策略 - **模型构建思路**：通过选择年化基差贴水幅度最小的期货合约进行开仓，优化对冲收益[42] - **模型具体构建过程**： 1. 对当日所有可交易期货合约的年化基差进行计算 2. 选择年化基差贴水幅度最小的合约进行开仓 3. 同一合约持有8个交易日后或到期剩余不足2日时，重新选择新合约 4. 每次选择后，即使结果为持有原合约不变，仍继续持有8个交易日[42] 4. 模型名称：跨期套利策略 - **模型构建思路**：通过同时持有基差贴水幅度最小的期货合约空头和基差贴水幅度最大的期货合约多头，捕捉基差收敛的收益[43] - **模型具体构建过程**： 1. 对当日所有可交易期货合约的年化基差进行计算 2. 选择年化基差贴水幅度最小的合约进行开空仓，同时选择基差贴水幅度最大的合约进行开多仓 3. 同一合约持有8个交易日后或到期剩余不足2日时，重新选择新合约 4. 每次选择后，即使结果为持有原合约不变，仍继续持有8个交易日[43] --- 模型的回测效果 1. 分红调整基差模型 - **IC合约**：当前基差贴水5.66%，低于2022年以来中位数[17] - **IF合约**：当前基差贴水1.00%，低于2022年以来中位数[20] - **IH合约**：当前基差贴水0.28%，低于2022年以来中位数[27] - **IM合约**：当前基差贴水9.93%，低于2022年以来中位数[33] 2. 期现对冲策略 - **IC合约**： - 年化收益：当月连续对冲-2.94%，季月连续对冲-2.42% - 波动率：当月连续对冲1.75%，季月连续对冲2.27% - 最大回撤：当月连续对冲-18.08%，季月连续对冲-15.85% - 净值：当月连续对冲0.8218，季月连续对冲0.8510[48] - **IF合约**： - 年化收益：当月连续对冲-0.71%，季月连续对冲-0.20% - 波动率：当月连续对冲1.48%，季月连续对冲1.91% - 最大回撤：当月连续对冲-6.75%，季月连续对冲-4.78% - 净值：当月连续对冲0.9540，季月连续对冲0.9866[50] - **IH合约**： - 年化收益：当月连续对冲-0.19%，季月连续对冲0.37% - 波动率：当月连续对冲1.46%，季月连续对冲1.89% - 最大回撤：当月连续对冲-4.64%，季月连续对冲-3.85% - 净值：当月连续对冲0.9874，季月连续对冲1.0249[55] - **IM合约**： - 年化收益：当月连续对冲-2.86%，季月连续对冲-2.60% - 波动率：当月连续对冲1.76%，季月连续对冲2.60% - 最大回撤：当月连续对冲-5.84%，季月连续对冲-5.53% - 净值：当月连续对冲0.9424，季月连续对冲0.9474[58] 3. 最低贴水策略 - **IC合约**：年化收益-1.50%，波动率2.23%，最大回撤-10.30%，净值0.9052[48] - **IF合约**：年化收益0.40%，波动率1.90%，最大回撤-2.55%，净值1.0265[50] - **IH合约**：年化收益0.69%，波动率1.86%，最大回撤-2.50%，净值1.0462[55] - **IM合约**：年化收益-1.94%，波动率2.53%，最大回撤-4.23%，净值0.9606[58] 4. 跨期套利策略 - **IC合约**：年化收益3.48%，波动率2.26%，最大回撤-2.26%，净值1.2522[48] - **IF合约**：年化收益2.61%，波动率1.93%，最大回撤-1.98%，净值1.1845[50] - **IH合约**：年化收益1.65%，波动率2.09%，最大回撤-1.87%，净值1.1136[55] - **IM合约**：年化收益3.02%，波动率2.45%，最大回撤-1.85%，净值1.0628[58]

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**：行业拥挤度模型 **模型构建思路**：通过马氏距离衡量行业指数价格与成交金额变动的偏离程度，识别短期交易拥挤的行业[14] **模型具体构建过程**： - 计算行业指数最近一周价格变动和成交金额变动的马氏距离 - 将结果绘制在二维坐标系中，第1象限为价量齐升，第3象限为价量齐跌 - 椭圆外的点表示价格与成交金额偏离度置信水平超过99%的行业，第1象限椭圆外的点代表短期显著拥挤的行业[14] **模型评价**：能够有效识别短期交易过热或过冷的行业，对市场回调风险有预警作用[14] 量化因子与构建方式 1. **因子名称**：行业PE分位数因子 **因子构建思路**：统计行业当前PE在历史（2019年起）的分位数水平，识别估值极端行业[12] **因子具体构建过程**： - 计算各行业当前PE值 - 排序后计算历史分位数，公式为： $$分位数 = \frac{排名位置}{总样本数} \times 100\%$$ - 当前房地产、煤炭、建筑材料行业PE分位数最高（97%、86%、73%），建筑装饰、纺织服饰、食品饮料最低（约1%）[12] 2. **因子名称**：北上资金净流入因子 **因子构建思路**：跟踪北上资金行业流向，捕捉外资偏好变化[16] **因子具体构建过程**： - 统计上周各行业北上资金净流入/流出规模（单位：亿元） - 食品饮料（+10.5亿）、医药生物（+9.4亿）为流入前二，家用电器（-24.2亿）、电力设备（-20.7亿）为流出前二[16] 模型的回测效果 1. **行业拥挤度模型**： - 上周成功预警社会服务行业拥挤，此前预警的国防军工、交通运输行业次周分别下跌4.49%和超市场均值[14] 因子的回测效果 1. **行业PE分位数因子**： - 高PE分位数行业（房地产97%）与低分位数行业（建筑装饰1%）年初至今收益差达12.58个百分点[12] 2. **北上资金净流入因子**： - 上周净流入前二的食品饮料（+3.10%）、医药生物（+1.82%）行业表现均跑赢沪深300（-1.56%）[16]

量化模型与构建方式 1. 模型名称：单因子MFE组合 - **模型构建思路**：通过组合优化的方式，在控制行业暴露、风格暴露、成分股内权重占比、组合换手率等约束条件下，最大化单因子暴露，以检验因子在实际约束条件下的收益预测效果[38][39] - **模型具体构建过程**： 1. 目标函数为最大化单因子暴露，公式如下： $ \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，$w$为待求解的股票权重向量，$X$为风格因子暴露矩阵，$H$为行业暴露矩阵，$B_b$为成分股权重向量，$s_l$、$s_h$为风格因子暴露上下限，$h_l$、$h_h$为行业偏离上下限，$w_l$、$w_h$为个股偏离上下限，$b_l$、$b_h$为成分股权重上下限[38][39][40] 2. 约束条件包括： - 风格因子暴露限制 - 行业偏离限制 - 个股权重偏离限制 - 成分股内权重占比限制 - 禁止卖空及个股权重上限限制 - 权重和为1，确保组合满仓运作[40][41] 3. 每月末根据约束条件构建单因子MFE组合，并在回测期内换仓，计算组合历史收益及相对基准的收益风险统计指标[43] 2. 模型名称：公募重仓指数 - **模型构建思路**：基于公募基金的持仓信息，构建一个反映公募基金持仓风格的指数，以测试因子在“机构风格”下的有效性[41][42] - **模型具体构建过程**： 1. 选样空间为普通股票型基金及偏股混合型基金，剔除规模小于5000万且上市不足半年的基金[42] 2. 根据基金定期报告获取持仓信息，若为半年报或年报则使用全部持仓，若为季报则结合前期半年报或年报信息[42] 3. 将符合条件基金的持仓股票权重平均，按权重降序排序，选取累计权重达到90%的股票作为成分股[42] --- 模型的回测效果 1. 单因子MFE组合 - **沪深300样本空间**： - 最近一周：非流动性冲击（0.61%）、EPTTM一年分位点（0.58%）、单季ROA（0.47%）等因子表现较好[18][19] - 最近一月：一个月反转（2.30%）、三个月波动（2.27%）、一个月波动（2.13%）等因子表现较好[18][19] - 今年以来：预期BP（7.53%）、BP（7.38%）、一年动量（6.86%）等因子表现较好[18][19] - **中证500样本空间**： - 最近一周：单季ROE（1.06%）、预期BP（0.75%）、单季EP（0.71%）等因子表现较好[21][22] - 最近一月：三个月波动（3.23%）、一个月波动（3.18%）、预期BP（1.84%）等因子表现较好[21][22] - 今年以来：一个月波动（10.32%）、三个月波动（10.03%）、单季EP（9.87%）等因子表现较好[21][22] - **中证1000样本空间**： - 最近一周：一个月波动（1.65%）、三个月波动（1.39%）、一个月换手（1.31%）等因子表现较好[24][25] - 最近一月：三个月波动（3.83%）、一个月波动（3.58%）、三个月换手（2.90%）等因子表现较好[24][25] - 今年以来：EPTTM（12.58%）、单季EP（12.55%）、三个月波动（11.71%）等因子表现较好[24][25] - **公募重仓指数样本空间**： - 最近一周：一个月换手、三个月反转、三个月换手等因子表现较好[27] - 最近一月：三个月反转、BP、预期BP等因子表现较好[27] - 今年以来：一个月波动、三个月波动、预期BP等因子表现较好[27] 2. 公募基金指数增强产品 - **沪深300指数增强产品**： - 最近一周：超额收益最高1.67%，最低-0.50%，中位数0.09% - 最近一月：超额收益最高2.02%，最低-2.29%，中位数-0.09% - 最近一季：超额收益最高3.75%，最低-1.96%，中位数1.12% - 今年以来：超额收益最高10.83%，最低-6.75%，中位数2.56%[32] - **中证500指数增强产品**： - 最近一周：超额收益最高2.58%，最低-0.61%，中位数0.17% - 最近一月：超额收益最高2.50%，最低-3.09%，中位数-0.67% - 最近一季：超额收益最高5.69%，最低-1.81%，中位数1.40% - 今年以来：超额收益最高9.23%，最低-2.88%，中位数3.92%[34] - **中证1000指数增强产品**： - 最近一周：超额收益最高1.12%，最低-0.30%，中位数0.38% - 最近一月：超额收益最高1.33%，最低-2.76%，中位数-0.51% - 最近一季：超额收益最高3.80%，最低-1.33%，中位数1.33% - 今年以来：超额收益最高9.00%，最低-2.35%，中位数3.10%[37] --- 量化因子与构建方式 1. 因子库 - **因子类别及计算方式**： - **估值因子**：如BP（净资产/总市值）、单季EP（单季度归母净利润/总市值）、EPTTM（归母净利润TTM/总市值）等[15] - **反转因子**：如一个月反转（过去20个交易日涨跌幅）、三个月反转（过去60个交易日涨跌幅）等[15] - **成长因子**：如单季净利同比增速、单季营收同比增速等[15] - **盈利因子**：如单季ROE、单季ROA、DELTAROE等[15] - **流动性因子**：如一个月换手、三个月换手、非流动性冲击等[15] - **波动因子**：如一个月波动、三个月波动等[15] - **公司治理因子**：如高管薪酬等[15] - **分析师因子**：如预期PEG、三个月盈利上下调等[15]

量化模型与构建方式 1. 优秀基金业绩增强组合 - **模型名称**：优秀基金业绩增强组合 - **模型构建思路**：从传统地对标宽基指数，转变为对标主动股基，在借鉴优秀基金持仓的基础上，采用量化方法进行增强，达到优中选优的目的[4][15][38] - **模型具体构建过程**： 1. 对基金进行优选，考虑对收益类因子进行分层中性化处理 2. 根据优选基金持仓构建优选基金持仓组合 3. 采用组合优化的方法控制组合与优选基金持仓在个股偏离、行业偏离及风格上的偏离[4][15][38] - **模型评价**：该组合表现优异，能够稳定战胜主动股基中位数[39] 2. 超预期精选组合 - **模型名称**：超预期精选组合 - **模型构建思路**：以研报标题超预期与分析师全线上调净利润为条件筛选超预期事件股票池，对超预期股票池进行基本面和技术面两个维度的精选，挑选出同时具备基本面支撑和技术面共振的超预期股票[5][20][43] - **模型具体构建过程**： 1. 筛选超预期事件股票池 2. 对超预期股票池中的股票进行基本面和技术面两个维度的精选 3. 构建超预期精选股票组合[5][20][43] - **模型评价**：该组合在超预期事件发生前后具有持续显著的超额收益[43] 3. 券商金股业绩增强组合 - **模型名称**：券商金股业绩增强组合 - **模型构建思路**：以券商金股股票池为选股空间和约束基准，采用组合优化的方式控制组合与券商金股股票池在个股、风格上的偏离[6][24][49] - **模型具体构建过程**： 1. 以券商金股股票池为选股空间和约束基准 2. 采用组合优化的方式控制组合与券商金股股票池在个股、风格上的偏离 3. 以全体公募基金的行业分布为行业配置基准，构建券商金股业绩增强组合[6][24][49] - **模型评价**：该组合能够较好地跟踪偏股混合型基金指数的表现，并获得稳定战胜偏股混合型基金指数的表现[49] 4. 成长稳健组合 - **模型名称**：成长稳健组合 - **模型构建思路**：采用"先时序、后截面"的方式，构建成长股二维评价体系，以研报标题超预期及业绩大增为条件筛选成长股股票池[7][29][53] - **模型具体构建过程**： 1. 根据距离正式财报预约披露日的间隔天数对成长股股票池进行分档 2. 优先选择距离财报预约披露日较近的股票 3. 当样本数量较多时，采用多因子打分精选优质个股 4. 引入弱平衡机制、跃迁机制、缓冲机制和风险规避机制，构建成长稳健组合[7][29][53] - **模型评价**：该组合能够高效地在利好事件超额收益释放最强烈的阶段获取超越市场平均的表现[53] 模型的回测效果 优秀基金业绩增强组合 - **本周表现**：绝对收益-1.78%，相对偏股混合型基金指数超额收益-0.53%[2][19] - **本年表现**：绝对收益-5.68%，相对偏股混合型基金指数超额收益4.54%[2][19] - **历史表现**：年化收益20.95%，相较偏股混合型基金指数年化超额13.24%[40][42] 超预期精选组合 - **本周表现**：绝对收益-2.99%，相对偏股混合型基金指数超额收益-1.74%[2][23] - **本年表现**：绝对收益-1.20%，相对偏股混合型基金指数超额收益9.02%[2][23] - **历史表现**：年化收益28.42%，相较偏股混合型基金指数年化超额23.38%[44][47] 券商金股业绩增强组合 - **本周表现**：绝对收益-1.55%，相对偏股混合型基金指数超额收益-0.30%[2][28] - **本年表现**：绝对收益-5.31%，相对偏股混合型基金指数超额收益4.91%[2][28] - **历史表现**：年化收益17.59%，相较偏股混合型基金指数年化超额14.59%[50][52] 成长稳健组合 - **本周表现**：绝对收益-1.85%，相对偏股混合型基金指数超额收益-0.61%[3][33] - **本年表现**：绝对收益-10.02%，相对偏股混合型基金指数超额收益0.20%[3][33] - **历史表现**：年化收益34.45%，相较偏股混合型基金指数年化超额26.58%[54][56]

量化模型与构建方式 1. 模型名称：国内双因子定价模型 - **模型构建思路**：基于国内股票宽基指数、行业指数、债券指数和商品指数等资产，构建统一的市场因子和风格因子，形成双因子定价模型，用于资产定价和跨资产配置[1][2][9] - **模型具体构建过程**： 1. **市场因子**：通过主成分分析（PCA），提取各类资产的第一主成分，反映国内金融市场的统一周期驱动因素[2][28] 2. **风格因子**：提取各类资产的第二主成分，表征资产内部的风格特征，如股票宽基指数的风格因子反映小盘股和大盘股的多空组合，行业指数的风格因子与产业链上下游逻辑匹配，债券指数的风格因子反映市场风险偏好，商品指数的风格因子体现市场景气特征[2][28][50] 3. **模型公式**： $$ Y = \beta_{0} + \beta_{1}X_{market} + \beta_{2}X_{style} + \varepsilon $$ 其中，$X_{market}$为市场因子，$X_{style}$为风格因子，$\varepsilon$为残差[85] 4. **残差动量**：残差部分反映资产的特异性，利用残差动量信号捕捉资产的特定规律[86][87] - **模型评价**：模型在稳定性和有效性上表现良好，市场因子和风格因子在时序上较为稳健，且对资产收益的波动具有较高的解释力度[3][65][78] --- 量化因子与构建方式 1. 因子名称：市场因子 - **因子的构建思路**：通过主成分分析提取各类资产的第一主成分，反映国内金融市场的统一周期驱动因素[2][28] - **因子具体构建过程**： 1. 对国内股票宽基指数、行业指数、债券指数和商品指数的价格取对数同比序列[28] 2. 利用PCA提取第一主成分，作为市场因子[28][30] 3. 将各类资产的市场因子等权组合，构建统一的市场因子[59] - **因子评价**：市场因子在时序上较为稳健，滚动窗口与全样本结果一致性较高，且具有显著的周期特征[65][78] 2. 因子名称：风格因子 - **因子的构建思路**：通过主成分分析提取各类资产的第二主成分，表征资产内部的风格特征[2][28] - **因子具体构建过程**： 1. 对各类资产的价格取对数同比序列[28] 2. 利用PCA提取第二主成分，作为风格因子[28][30] 3. 不同资产的风格因子含义： - 宽基指数：小盘股与大盘股的多空组合[30] - 行业指数：产业链上下游的多空组合[38] - 债券指数：风险偏好的多空组合[43] - 商品指数：多贵金属空能源的组合[50] - **因子评价**：风格因子在时序上较为稳健，滚动窗口权重分布相关性较高，且对资产收益的解释度较高[66][78] --- 模型的回测效果 1. 双因子定价模型 - **规范相关系数（ρ值）**： - 宽基指数：均值0.925 - 行业指数：均值0.921 - 债券指数：均值0.957 - 商品指数：均值0.938[79] - **因子t值均值**： - 市场因子：宽基指数16.75，行业指数31.05，债券指数9.45，商品指数16.84 - 风格因子：宽基指数3.32，行业指数9.80，债券指数1.65，商品指数1.64[82] --- 因子的回测效果 1. 市场因子 - **规范相关系数（ρ值）**：均值0.995，最小值0.987[75] - **t值绝对值均值**：宽基指数3.21，行业指数3.45，债券指数3.16，商品指数4.12[83] 2. 风格因子 - **规范相关系数（ρ值）**：宽基指数0.993，行业指数0.935，债券指数0.980，商品指数0.926[75] - **t值绝对值均值**：宽基指数3.19，行业指数3.78，债券指数3.99，商品指数4.07[83] --- 策略的回测效果 1. 行业指数多空组合 - **风格趋势信号**： - 年化收益率：10.18% - 夏普比率：0.63 - Calmar比率：0.40[93] - **残差动量信号**： - 年化收益率：10.10% - 夏普比率：0.82 - Calmar比率：0.40[93] 2. 大类资产多空组合 - **风格趋势信号**： - 宽基指数：年化收益率19.41%，夏普比率1.31，Calmar比率1.02 - 商品指数：年化收益率14.06%，夏普比率0.67，Calmar比率0.61 - 债券指数：年化收益率0.24%，夏普比率0.09，Calmar比率0.03[97] - **残差动量信号**： - 宽基指数：年化收益率8.53%，夏普比率0.88，Calmar比率0.49 - 商品指数：年化收益率11.89%，夏普比率0.67，Calmar比率0.60 - 债券指数：年化收益率1.29%，夏普比率1.06，Calmar比率0.42[97] 3. 跨资产组合策略 - **基准策略**：年化收益率5.57%，夏普比率1.47，Calmar比率1.19 - **单残差动量信号**：年化收益率6.69%，夏普比率2.02，Calmar比率2.06 - **单风格趋势信号**：年化收益率6.27%，夏普比率1.97，Calmar比率1.51 - **三类信号融合策略**：年化收益率7.78%，夏普比率2.15，Calmar比率1.43[107][111]

量化模型与构建方式 估值及基金重仓股配置计算方法 1. **模型名称**：整体法和中位数法 - **模型构建思路**：通过对市场主要指数和基金重仓股的估值进行计算，评估其相对历史值的分位数水平 - **模型具体构建过程**： - **整体法**：对指数，将所有成分股的指标分子值之和除以所有成分股的指标分母值之和 - **中值法**：取指数成分股指标值的中位数 - **基金重仓股对行业的配置比例**：基金对单个行业的重仓股市值除以基金对所有行业的重仓股市值之和，即 $$ Position_{i,t}=\frac{MV_{i,t}}{\sum_{i}MV_{i,t}} $$ 其中，i为行业，t为时间[9][10] - **基金重仓股对指数的配置比例**：基金对单个指数的重仓股市值除以基金对各主要市场指数的重仓股市值之和，即 $$ Position_{i,t}=\frac{MV_{i,t}}{\sum_{i}MV_{i,t}} $$ 其中，i为指数，t为时间[10][11] - **模型评价**：通过整体法和中位数法计算的估值能够较好地反映市场和基金重仓股的配置情况 模型的回测效果 1. **沪深300指数** - PE估值：整体法11.46，中位数法19.21，分位数水平分别为14.54%、6.18% - PB估值：整体法1.11，中位数法1.93，分位数水平分别为1.99%、12.35% - 预测PEG：1.19，分位数水平为63.71% - 基金重仓股配置比例：54.59%，分位数水平为33.33%[2] 2. **上证50指数** - PE估值：整体法10.12，中位数法14.84，分位数水平分别为45.82%、31.27% - PB估值：整体法0.98，中位数法1.77，分位数水平分别为1.79%、49.80% - 预测PEG：1.69，分位数水平为66.60% - 基金重仓股配置比例：16.31%，分位数水平为33.33%[2] 3. **中证500指数** - PE估值：整体法20.16，中位数法23.67，分位数水平分别为7.97%、8.37% - PB估值：整体法1.43，中位数法1.75，分位数水平分别为0.40%、9.76% - 预测PEG：0.84，分位数水平为29.48% - 基金重仓股配置比例：15.87%，分位数水平为70.18%[3] 4. **创业板指数** - PE估值：整体法23.31，中位数法27.05，分位数水平均为0.20% - PB估值：整体法3.20，中位数法2.94，分位数水平分别为0.40%、0.60% - 预测PEG：0.81，分位数水平为1.03% - 基金重仓股配置比例：13.23%，分位数水平为59.65%[3] 量化因子与构建方式 行业估值及基金重仓股配置比例 1. **因子名称**：行业PE估值 - **因子的构建思路**：通过计算各行业的PE估值，评估其相对历史值的分位数水平 - **因子具体构建过程**：使用Wind数据库的市值数据和基本面数据，计算各行业的PE估值，并与历史数据进行对比，得出分位数水平[4][7][8] - **因子评价**：能够较好地反映各行业的估值水平及其历史位置 2. **因子名称**：行业PB估值 - **因子的构建思路**：通过计算各行业的PB估值，评估其相对历史值的分位数水平 - **因子具体构建过程**：使用Wind数据库的市值数据和基本面数据，计算各行业的PB估值，并与历史数据进行对比，得出分位数水平[4][7][8] - **因子评价**：能够较好地反映各行业的估值水平及其历史位置 3. **因子名称**：行业PEG估值 - **因子的构建思路**：通过计算各行业的PEG估值，评估其相对历史值的分位数水平 - **因子具体构建过程**：使用Wind数据库的市值数据和基本面数据，计算各行业的PEG估值，并与历史数据进行对比，得出分位数水平[4][7][8] - **因子评价**：能够较好地反映各行业的估值水平及其历史位置 因子的回测效果 1. **纺织服装行业** - PE估值：21.69，分位数水平为4.29% - PB估值：1.71，分位数水平为0.13%[4] 2. **轻工制造行业** - PE估值：23.06，分位数水平为4.83% - PB估值：1.05，分位数水平为0.13%[4] 3. **建筑行业** - PE估值：8.48，分位数水平为5.23% - PB估值：0.85，分位数水平为0.27%[4] 4. **农林牧渔行业** - PE估值：83.47，分位数水平为71.72% - PB估值：1.44，分位数水平为55.23%[4] 5. **商贸零售行业** - PE估值：45.44，分位数水平为63.67% - PB估值：1.26，分位数水平为45.44%[4] 6. **基础化工行业** - PE估值：21.69，分位数水平为4.29% - PB估值：1.71，分位数水平为0.13%[4] 7. **非银行金融行业** - PE估值：23.06，分位数水平为4.83% - PB估值：1.05，分位数水平为0.13%[4] 8. **钢铁行业** - PE估值：8.48，分位数水平为5.23% - PB估值：0.85，分位数水平为0.27%[4] 9. **煤炭行业** - PE估值：83.47，分位数水平为71.72% - PB估值：1.44，分位数水平为55.23%[4] 10. **石油石化行业** - PE估值：45.44，分位数水平为63.67% - PB估值：1.26，分位数水平为45.44%[4] 11. **食品饮料行业** - PE估值：83.47，分位数水平为71.72% - PB估值：4.43，分位数水平为24.13%[4]

量化因子与构建方式 1. **因子名称：bp** - **因子的构建思路**：衡量股票的估值水平 - **因子具体构建过程**：当前净资产/当前总市值[14] 2. **因子名称：bp三年分位数** - **因子的构建思路**：衡量股票在过去三年内的估值水平 - **因子具体构建过程**：股票当前bp在最近三年的分位数[14] 3. **因子名称：季度ep** - **因子的构建思路**：衡量股票的盈利能力 - **因子具体构建过程**：季度净利润/净资产[14] 4. **因子名称：季度ep一年分位数** - **因子的构建思路**：衡量股票在过去一年内的盈利能力 - **因子具体构建过程**：股票当前的季度ep在最近一年的分位数[14] 5. **因子名称：季度sp** - **因子的构建思路**：衡量股票的营业收入 - **因子具体构建过程**：季度营业收入/净资产[14] 6. **因子名称：季度sp一年分位数** - **因子的构建思路**：衡量股票在过去一年内的营业收入 - **因子具体构建过程**：股票当前的季度sp在最近一年的分位数[14] 7. **因子名称：季度资产周转率** - **因子的构建思路**：衡量公司资产的使用效率 - **因子具体构建过程**：季度营业收入/总资产[14] 8. **因子名称：季度毛利率** - **因子的构建思路**：衡量公司的盈利能力 - **因子具体构建过程**：季度毛利润/季度销售收入[14] 9. **因子名称：季度roa** - **因子的构建思路**：衡量公司的资产回报率 - **因子具体构建过程**：季度净利润/总资产[14] 10. **因子名称：季度roe** - **因子的构建思路**：衡量公司的股东权益回报率 - **因子具体构建过程**：季度净利润/净资产[14] 11. **因子名称：季度净利润同比增长** - **因子的构建思路**：衡量公司的盈利增长 - **因子具体构建过程**：季度净利润同比增长率[14] 12. **因子名称：季度营收同比增长** - **因子的构建思路**：衡量公司的收入增长 - **因子具体构建过程**：季度营收同比增长率[14] 13. **因子名称：季度roe同比** - **因子的构建思路**：衡量公司的股东权益回报率增长 - **因子具体构建过程**：季度roe同比[14] 14. **因子名称：标准化预期外盈利** - **因子的构建思路**：衡量公司的盈利超预期程度 - **因子具体构建过程**：公式为 $$ \frac{当前季度净利润 - (去年同期单季净利润 + 过去8个季度单季净利润同比增长均值)}{过去8个季度的单季度净利润同比增长值的标准差} $$[14] 15. **因子名称：标准化预期外收入** - **因子的构建思路**：衡量公司的收入超预期程度 - **因子具体构建过程**：公式为 $$ \frac{当前季度营收 - (去年同期单季营收 + 过去8个季度单季营收同比增长均值)}{过去8个季度的单季度营收同比增长值的标准差} $$[14] 16. **因子名称：股息率** - **因子的构建思路**：衡量公司的分红能力 - **因子具体构建过程**：最近年度分红/当前市值[14] 17. **因子名称：业绩预告精确度** - **因子的构建思路**：衡量公司业绩预告的准确性 - **因子具体构建过程**：公式为 $$ \frac{单季度业绩预告上限 - 单季度业绩预告下限}{\left(\frac{单季度业绩预告上限 + 单季度业绩预告下限}{2}\right)} \times (-1) $$[14] 18. **因子名称：高管平均薪酬** - **因子的构建思路**：衡量公司高管的薪酬水平 - **因子具体构建过程**：高管团队薪酬和/高管团队人数[14] 19. **因子名称：前五大股东持股比例合计** - **因子的构建思路**：衡量公司股东的集中度 - **因子具体构建过程**：前五大股东持股比例平方和[14] 20. **因子名称：90天分析师覆盖度** - **因子的构建思路**：衡量公司在分析师中的关注度 - **因子具体构建过程**：过去90天分析师覆盖度[14] 21. **因子名称：一致预期净利润复合增速** - **因子的构建思路**：衡量公司未来净利润的增长预期 - **因子具体构建过程**：一致预期净利润三年复合增长率[14] 22. **因子名称：一致预期EPS变动** - **因子的构建思路**：衡量公司每股收益的预期变化 - **因子具体构建过程**：一致预期eps/最近120日一致预期eps均值[14] 23. **因子名称：90天净上调预期占比** - **因子的构建思路**：衡量分析师对公司盈利预期的调整情况 - **因子具体构建过程**：90天内上调盈利预测的分析师占比 - 90天内下调盈利预测的分析师占比[14] 24. **因子名称：90天内预期调整均值** - **因子的构建思路**：衡量分析师对公司盈利预期的调整幅度 - **因子具体构建过程**：90天内分析师盈利调整幅度均值[14] 25. **因子名称：财报超研报预期程度** - **因子的构建思路**：衡量公司财报超出分析师预期的程度 - **因子具体构建过程**：财报公布5天内超研报预期程度[14] 26. **因子名称：基于一致预期的标准化预期外盈利** - **因子的构建思路**：衡量公司盈利超出一致预期的程度 - **因子具体构建过程**：公式为 $$ \frac{季度净利润 - 季度一致预期净利润}{预期净利润分歧度} $$[14] 27. **因子名称：1个月换手率与均价的相关性** - **因子的构建思路**：衡量股票换手率与均价的相关性 - **因子具体构建过程**：过去20个交易日股票换手率与均价的相关系数[14] 28. **因子名称：1个月日均换手** - **因子的构建思路**：衡量股票的流动性 - **因子具体构建过程**：过去20个交易日换手率均值[14] 29. **因子名称：1个月换手率波动** - **因子的构建思路**：衡量股票换手率的波动性 - **因子具体构建过程**：过去20个交易日换手率标准差[14] 30. **因子名称：1个月非流动性冲击** - **因子的构建思路**：衡量股票的非流动性 - **因子具体构建过程**：过去20个交易日日收益率绝对值与日成交量之比的均值[14] 31. **因子名称：Fama-French三因子1月残差波动率** - **因子的构建思路**：衡量股票的波动性 - **因子具体构建过程**：过去20个交易日的日收益对Fama-French三因子回归的残差的标准差[14] 32. **因子名称：1月特异度** - **因子的构建思路**：衡量股票的

量化模型与构建方式 1. 模型名称：国联行业轮动策略2.0 - **模型构建思路**：通过信用及企业盈利构建经济四象限，并在每个象限中对多维度行业风格因子进行有效性检验，最终基于因子轮动配置高预期收益行业[20] - **模型具体构建过程**： 1. **经济四象限构建**：基于企业盈利和信用两个维度，划分为四个象限： - 企业盈利上行，信用上行 - 企业盈利上行，信用下行 - 企业盈利下行，信用上行 - 企业盈利下行，信用下行 2. **因子构建**：在每个象限中，构建并测试以下行业风格因子： - 一致预期景气 - 超越预期盈利 - 龙头效应 - 行业估值泡沫 - 反转因子 - 动量因子 - 拥挤度 - 通胀beta 3. **策略构建**：基于上述因子在四个象限中的表现，进行因子轮动并配置高预期收益行业[20] - **模型评价**：该模型通过多维度因子结合经济象限，能够较好地捕捉行业轮动机会，具有一定的实用性[20] --- 模型的回测效果 1. 无剔除版因子轮动策略 - **年化超额收益**：9.49%[23] - **分年度绩效**： - 2017年：超额收益14.23%，IR为2.09，波动率14.02%[27] - 2018年：超额收益11.45%，IR为2.18，波动率22.35%[27] - 2019年：超额收益-4.32%，IR为-0.42，波动率21.07%[27] - 2020年：超额收益0.85%，IR为0.10，波动率24.86%[27] - 2021年：超额收益2.98%，IR为0.29，波动率21.17%[27] - 2022年：超额收益8.48%，IR为1.09，波动率22.41%[27] - 2023年：超额收益11.93%，IR为0.93，波动率21.04%[27] - 2024年：超额收益6.38%，IR为1.13，波动率19.43%[27] - 全部：超额收益8.05%，IR为0.81，波动率21.28%[27] 2. 双剔除版因子轮动策略 - **年化超额收益**：11.82%[23] - **分年度绩效**： - 2017年：超额收益16.39%，IR为1.77，波动率15.37%[31] - 2018年：超额收益31.24%，IR为1.63，波动率30.62%[31] - 2019年：超额收益6.24%，IR为0.44，波动率21.37%[31] - 2020年：超额收益2.61%，IR为0.24，波动率23.31%[31] - 2021年：超额收益4.25%，IR为0.38，波动率17.66%[31] - 2022年：超额收益7.90%，IR为0.80，波动率23.19%[31] - 2023年：超额收益13.95%，IR为1.14，波动率18.94%[31] - 2024年：超额收益2.74%，IR为0.51，波动率17.86%[31] - 全部：超额收益12.63%，IR为0.94，波动率21.87%[31] 3. 当月和当年组合绩效 - **2024年7月**： - 基准收益率：-3.37% - 无剔除版收益：-3.43%，超额收益-0.06% - 双剔除版收益：-5.83%，超额收益-2.47%[33] - **2023年以来**： - 基准收益率：-19.47% - 无剔除版收益：-2.71%，超额收益16.76% - 双剔除版收益：-7.88%，超额收益11.59%[33] --- 量化因子与构建方式 1. 因子名称：一致预期景气因子 - **因子构建思路**：衡量市场对行业未来景气度的一致预期[20] - **因子具体构建过程**：基于分析师一致预期数据，提取行业未来景气度的预期值，作为因子得分[20] 2. 因子名称：超越预期盈利因子 - **因子构建思路**：衡量行业实际盈利是否超越市场预期[20] - **因子具体构建过程**：对比行业实际盈利数据与分析师一致预期，计算超越预期的幅度，作为因子得分[20] 3. 因子名称：龙头效应因子 - **因子构建思路**：衡量行业内龙头企业的表现对行业整体的影响[20] - **因子具体构建过程**：提取行业内市值排名前列企业的盈利和估值数据，计算其对行业整体的贡献度，作为因子得分[20] 4. 因子名称：行业估值泡沫因子 - **因子构建思路**：衡量行业估值是否存在泡沫化倾向[20] - **因子具体构建过程**：基于行业市盈率、市净率等估值指标，计算其相对历史均值的偏离程度，作为因子得分[20] 5. 因子名称：反转因子 - **因子构建思路**：捕捉行业内短期超跌后的反弹机会[20] - **因子具体构建过程**：基于行业过去一段时间的收益率，计算其反转幅度，作为因子得分[20] 6. 因子名称：动量因子 - **因子构建思路**：捕捉行业内持续上涨的趋势[20] - **因子具体构建过程**：基于行业过去一段时间的收益率，计算其动量强度，作为因子得分[20] 7. 因子名称：拥挤度因子 - **因子构建思路**：衡量行业内资金流动的集中程度[20] - **因子具体构建过程**：基于行业内资金流入流出数据，计算其集中度，作为因子得分[20] 8. 因子名称：通胀beta因子 - **因子构建思路**：衡量行业对通胀变化的敏感性[20] - **因子具体构建过程**：基于行业收益率与通胀率的历史相关性，计算其beta值，作为因子得分[20] --- 因子的回测效果 1. 因子轮动策略整体表现 - **无剔除版年化超额收益**：9.49%[23] - **双剔除版年化超额收益**：11.82%[23] 2. 分年度因子轮动策略表现 - **无剔除版**： - 2017年：超额收益14.23%，IR为2.09[27] - 2023年：超额收益11.93%，IR为0.93[27] - **双剔除版**： - 2018年：超额收益31.24%，IR为1.63[31] - 2023年：超额收益13.95%，IR为1.14[31]

量化模型与构建方式 1. 模型名称：公募基金实时持仓测算模型 - **模型构建思路**：基于基金净值、持仓披露、调研行为等市场公开信息，实时测算公募基金对创新药板块的持仓情况[17] - **模型具体构建过程**： 1. 收集基金净值数据，作为基金整体规模的基础指标 2. 整理基金持仓披露信息，提取创新药板块相关股票的持仓比例 3. 结合基金调研行为，动态调整持仓权重，反映基金对创新药板块的关注度 4. 综合以上数据，构建实时持仓测算模型，输出创新药板块的持仓动态[17] - **模型评价**：该模型能够较为准确地反映公募基金对创新药板块的配置态势，具有较高的市场参考价值[17] 2. 模型名称：北上资金行为监测模型 - **模型构建思路**：通过托管机构划分北上资金为配置型外资和交易型外资，分别监测其资金流向[19] - **模型具体构建过程**： 1. 按托管机构分类：以外资银行为代表的配置型外资，以外资券商为代表的交易型外资 2. 收集每日北上资金流入流出数据，按分类汇总 3. 计算各类资金的净流入金额，分析其对创新药板块的影响[19] - **模型评价**：模型能够有效区分不同类型外资的行为特征，为市场资金流向分析提供了重要依据[19] 3. 模型名称：ETF资金持仓动态监测模型 - **模型构建思路**：通过监测ETF资金持仓占比，分析市场对创新药板块的资金配置趋势[24] - **模型具体构建过程**： 1. 收集ETF基金的持仓数据，提取创新药板块相关股票的持仓比例 2. 计算ETF资金持仓占创新药板块流通市值的比重 3. 动态跟踪持仓占比变化，分析资金流入流出的趋势[24] - **模型评价**：模型能够直观反映ETF资金对创新药板块的配置变化，是观察市场资金动态的重要工具[24] 4. 模型名称：两融余额动向监测模型 - **模型构建思路**：通过融资余额和融券余额的变化，分析市场对创新药板块的多空情绪[28] - **模型具体构建过程**： 1. 收集融资余额和融券余额数据 2. 计算融资余额的增减幅度，分析市场看多情绪 3. 监测融券余额的变化，评估市场看空情绪[28] - **模型评价**：模型能够较好地捕捉市场情绪变化，为投资者提供多空参考[28] --- 模型的回测效果 1. 公募基金实时持仓测算模型 - 仓位动态：近三个月仓位维持底部震荡[17][19] 2. 北上资金行为监测模型 - 2024年7月以来北上资金净买入金额达到21亿元，其中配置型外资加仓更为明显[19][21] 3. ETF资金持仓动态监测模型 - 2024年3月以来，ETF资金持仓占创新药板块流通市值比例持续上升，达到6.16%[24][26] 4. 两融余额动向监测模型 - 融资余额自2024年5月以来有所下滑，融券余额处于较低水平[28][30] --- 量化因子与构建方式 1. 因子名称：主力资金净流入因子 - **因子的构建思路**：通过大单与超大单的交易金额，衡量主力资金对创新药板块的关注度[36] - **因子具体构建过程**： 1. 定义大单（20-100万元）与超大单（>100万元）交易金额 2. 汇总大单与超大单的净流入金额，作为主力资金的代理变量 3. 计算创新药板块相关股票的主力资金净流入金额[36] - **因子评价**：因子能够有效捕捉主力资金的交易行为，为市场热点分析提供支持[36] 2. 因子名称：股东户数增幅因子 - **因子的构建思路**：通过股东户数的变化，分析市场对创新药板块的关注度和潜在风险[42] - **因子具体构建过程**： 1. 收集创新药板块相关股票的股东户数数据 2. 计算最新两期股东户数的增幅 3. 将增幅较大的股票标记为高关注度或高风险标的[42] - **因子评价**：因子能够揭示市场对个股的关注度变化，但需结合其他指标综合分析[42] --- 因子的回测效果 1. 主力资金净流入因子 - 香雪制药净流入12373.3万元，昭衍新药净流入5061.5万元，上海医药净流入4017.7万元[36][37] 2. 股东户数增幅因子 - 药康生物股东户数增幅26.31%，华东医药增幅21.62%，海创药业-U增幅21.04%[42][43]

量化模型与构建方式 1. 模型名称：DTW择时模型 - **模型构建思路**：基于相似性思路，考察当下指数行情与历史行情的相似度，筛选出相似度较高的若干历史行情片段作为参照，计算这些片段的未来加权平均涨跌幅和加权标准差，依据结果生成交易信号[6][12] - **模型具体构建过程**： 1. 使用DTW（动态时间弯曲）算法作为相似性度量标准，替代传统的欧氏距离。DTW算法能够解决时间序列间的错配问题，更适用于时间序列分析[14] 2. 筛选出与当前行情相似度较高的历史行情片段 3. 计算这些片段未来5日或1日的加权平均涨跌幅和加权标准差，权重为距离的倒数 4. 根据未来涨跌幅的平均值和标准差生成交易信号[12][14] - **模型评价**：DTW算法相比欧氏距离更适合时间序列分析，能够有效解决时间序列错配问题，模型效果优于其他方法[14] 2. 模型名称：外资择时模型 - **模型构建思路**：基于4个反映外资动向的指标，构建对A股整体的择时信号[6] - **模型具体构建过程**：具体细节未在本报告中披露，可参考相关研究报告[6] 3. 模型名称：鳄鱼线择时模型 - **模型构建思路**：基于海外经典的鳄鱼线指标，构建择时信号[6] - **模型具体构建过程**：具体细节未在本报告中披露，可参考相关研究报告[6] --- 模型的回测效果 1. DTW择时模型 - **绝对收益**：11.49%（2022年11月以来样本外表现）[6][11] - **相对沪深300超额收益**：23.05%（2022年11月以来样本外表现）[6][11] - **最大回撤**：20.07%（2022年11月以来样本外表现）[6][11] - **样本外胜率**：超过60%（2022年11月以来）；今年以来胜率接近80%[6] - **模型稳定性**：在一般市场环境下，超额收益较为稳定，但在2023年三季度因宏观政策突发性变化（如降印花税、降准降息等）导致一定回撤[11] --- 量化因子与构建方式 本报告未涉及具体量化因子的构建内容 --- 因子的回测效果 本报告未涉及具体量化因子的回测效果