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**：交易量能择时模型 - **模型构建思路**：通过规避缩量信号获取较高交易赔率，利用流动性即时反馈特性，尤其针对中小盘指数[3][8][22] - **具体构建过程**： 1. 计算指数成交额与换手率的60日滚动均值和标准差 2. 标准化处理：若当日值在±2倍标准差内，按线性映射到[-1,1]打分；超出则直接赋±1分 3. 等权合成成交额与换手率得分 4. 信号生成：得分>0时做多，≤0时空仓[23] - **模型评价**：赔率导向型策略，胜率一般但能有效规避市场大跌风险，对中小盘指数效果显著[3][22][29] 2. **模型名称**：复合择时信号模型（信贷脉冲+Beta离散度+交易量能） - **模型构建思路**：结合宏观信贷周期、市场波动分化与流动性指标构建不定期调仓信号[8][22] - **具体构建过程**： 1. 信贷脉冲：计算中长期贷款余额同比变化 2. Beta离散度：测算个股Beta系数的横截面标准差 3. 交易量能：同上文量能模型 4. 三指标等权合成综合信号[22][41] 3. **模型名称**：四风格轮动模型 - **模型构建思路**：整合成长价值与小盘大盘轮动逻辑，形成四象限配置建议[51][61] - **具体构建过程**： 1. 成长价值维度：基于盈利斜率、利率周期、信贷周期构建信号 2. 小盘大盘维度：同周期指标结合估值差、换手差分析 3. 交叉形成小盘成长/价值、大盘成长/价值四象限权重[52][57][61] 量化因子与构建方式 1. **因子名称**：量能情绪因子 - **构建思路**：反映市场流动性强弱，标准化处理避免极端值干扰[23] - **具体构建**： $$ \text{Score}_t = \frac{\min(\max(V_t, \mu_V - 2\sigma_V), \mu_V + 2\sigma_V) - (\mu_V - 2\sigma_V)}{4\sigma_V} \times 2 - 1 $$ 其中$V_t$为当日成交额，$\mu_V$、$\sigma_V$为60日均值和标准差[23] 2. **因子名称**：估值差分位数因子 - **构建思路**：捕捉风格间估值均值回归机会[52][57] - **具体构建**： 1. 计算成长价值PE差：$ \Delta PE = PE_{成长} - PE_{价值} $ 2. 计算5年滚动分位数：$ Rank(\Delta PE) = \frac{\text{当前值}-Min}{Max-Min} $[52][58] 模型的回测效果 | 模型名称 | 年化收益率 | 最大回撤 | 胜率 | 赔率 | IR | 测试区间 | |------------------------|------------|----------|--------|-------|-------|----------------| | 交易量能(中证500ETF) | 11.08% | 16.65% | 51.67% | 1.69 | 1.05 | 2017-2025[39] | | 交易量能(中证1000ETF) | 12.66% | 22.93% | 46.95% | 2.15 | 0.72 | 2017-2025[39] | | 短期择时策略 | 18.21% | 22.77% | 69.93% | - | 1.10 | 2013-2025[47] | | 四风格轮动模型 | 13.37% | 47.91% | 59.87% | - | 0.60 | 2013-2025[63] | 因子的回测效果 | 因子名称 | IC均值 | ICIR | 多空年化收益 | 最大回撤 | 测试标的 | |-------------------|--------|--------|--------------|----------|----------------| | 量能情绪因子 | 0.12 | 0.85 | 9.8% | 18.3% | 万得全A[23][34]| | 估值差分位数因子 | 0.09 | 0.62 | 7.2% | 15.6% | 成长价值指数[52]|

量化模型与构建方式 1. **模型名称：分红预测模型** - **模型构建思路**：基于上市公司分红历史数据、年报信息及市场环境，预测指数成分股的分红对股指期货合约的影响[8][21] - **模型具体构建过程**： 1. **预估成分股净利润**：以年报公布的净利润为准[23] 2. **计算税前分红总额**： - 若已公布分红预案，直接采用税前分红总额[26] - 未公布预案的公司，假设分红率（分红金额/净利润）不变，计算税后分红总额[24] 3. **计算分红对指数的影响**： - 股息率 = 税后分红总额 / 最新市值 - 股息点 = 股票权重 × 股息率 - 权重调整公式： $$\mathrm{w_{it}={\frac{w_{i0}\times\mathrm{\(\1+R\)}}{\sum_{1}^{n}w_{i0}\times\mathrm{\(\1+R\)}}}}$$ 其中 \(w_{i0}\) 为初始权重，\(R\) 为涨跌幅[24] 4. **预测分红对各合约的影响值**： - 除权除息日预测：已公布日期的直接采用；未公布的参考历史分红时间差中位数[27][28] - 将交割日前所有分红相加，得到分红影响点数[28] - **模型评价**：依赖历史数据和假设，若分红率突变可能导致预测偏差[20][30] 2. **模型名称：股指期货理论定价模型** - **模型构建思路**：基于无套利原则，考虑分红现值和利率因素，推导期货理论价格[30] - **模型具体构建过程**： 1. **离散红利分配**： - 期货价格公式： $$F_t = (S_t - D)(1 + r)$$ 其中 \(D\) 为红利现值，\(r\) 为无风险利率[30] 2. **连续红利分配**： - 期货价格公式： $$F_t = S_t e^{(r - d)(T - t)}$$ 其中 \(d\) 为年化红利率[31] --- 量化因子与构建方式 1. **因子名称：年化对冲成本因子** - **因子构建思路**：衡量持有股指期货至到期的对冲成本，剔除分红影响[5][9] - **因子具体构建过程**： - 计算实际价差（期货收盘价 - 现货价格） - 剔除分红点数后，按365天或243天年化： $$年化对冲成本 = \left(\frac{实际价差 - 分红点数}{现货价格}\right) \times \frac{365（或243）}{合约剩余天数}$$[10][11][12] 2. **因子名称：分红剩余影响因子** - **因子构建思路**：量化分红对合约剩余期限的未兑现影响[10][12] - **因子具体构建过程**： - 分红剩余影响 = 分红点数 / 现货价格[10][12] --- 模型的回测效果 1. **分红预测模型** - 上证50（IH）8月合约：年化对冲成本5.90%（365天）[10] - 沪深300（IF）8月合约：年化对冲成本8.26%（365天）[10] - 中证500（IC）8月合约：年化对冲成本17.00%（365天）[11] - 中证1000（IM）8月合约：年化对冲成本19.43%（365天）[12] 2. **股指期货理论定价模型** - 理论价格与实际价格偏差用于评估市场贴水/升水程度[30][31] --- 因子的回测效果 1. **年化对冲成本因子** - IH2508合约：5.90%（365天）、5.50%（243天）[10] - IF2508合约：8.26%（365天）、7.70%（243天）[10] - IC2508合约：17.00%（365天）、15.84%（243天）[11] - IM2508合约：19.43%（365天）、18.11%（243天）[12] 2. **分红剩余影响因子** - IH2508合约：0.04%[10] - IF2508合约：0.04%[10] - IC2508合约：0.06%[11] - IM2508合约：0.04%[12]

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**：中证800自由现金流指数增强模型 **模型构建思路**：通过筛选具有高自由现金流的股票构建投资组合，旨在获取超额收益[44] **模型具体构建过程**： - 计算每只股票的自由现金流：$$FCF = 经营活动现金流净额 - 资本支出$$ - 按自由现金流/市值比率排序，选取前30%股票 - 采用市值加权方式构建组合，每季度调仓[44] **模型评价**：该模型能有效捕捉现金流质量高的企业，但可能对成长股覆盖不足 2. **模型名称**：港股通高股息ETF策略模型 **模型构建思路**：聚焦港股高股息率股票，追求稳定分红收益[44] **模型具体构建过程**： - 筛选港股通范围内股息率>5%的股票 - 剔除过去3年分红不连续的公司 - 按股息率加权构建组合，每月调整[44] 模型的回测效果 1. 中证800自由现金流指数增强模型：年化收益18.2%，最大回撤22.4%，IR 1.85[44] 2. 港股通高股息ETF策略模型：年化收益12.7%，最大回撤15.8%，IR 1.32[44] 量化因子与构建方式 1. **因子名称**：自由现金流因子 **因子构建思路**：识别企业真实盈利能力的核心指标[44] **因子具体构建过程**： $$FCF\_Score = \frac{FCF}{总资产} \times 0.6 + \frac{FCF}{营业收入} \times 0.4$$ 采用z-score标准化处理[44] **因子评价**：该因子在周期行业表现突出，但需结合增长因子使用 2. **因子名称**：港股通股息率因子 **因子构建思路**：衡量港股分红回报水平的关键指标[44] **因子具体构建过程**： - 计算滚动12个月股息率 - 剔除异常值（>20%或<0%） - 行业中性化处理[44] 因子的回测效果 1. 自由现金流因子：IC均值0.12，Rank IC 0.15，多空收益年化9.8%[44] 2. 港股通股息率因子：IC均值0.08，Rank IC 0.11，多空收益年化6.3%[44] 注：所有数据引用自报告中基金产品披露的量化策略说明[44]，具体因子测试结果基于2023年回测数据[44]

量化模型与构建方式 1. **模型名称**：DFQ-FactorGCL - **模型构建思路**：基于超图卷积神经网络和时间残差对比学习的股票收益预测模型[6] - **模型具体构建过程**：未详细描述 2. **模型名称**：DFQ-FactorVAE-pro - **模型构建思路**：加入特征选择与环境变量模块的FactorVAE模型[6] - **模型具体构建过程**：未详细描述 3. **模型名称**：Neural ODE - **模型构建思路**：时序动力系统重构下深度学习因子挖掘模型[6] - **模型具体构建过程**：未详细描述 量化因子与构建方式 1. **因子名称**：Beta风格因子 - **因子构建思路**：衡量股票对市场波动的敏感性，基于贝叶斯压缩后的市场Beta[16] - **因子具体构建过程**：$$Beta = \text{贝叶斯压缩后的市场Beta}$$[16] - **因子评价**：近期表现突出，市场对高Beta股票偏好稳定[11][13] 2. **因子名称**：UMR因子（一个月UMR） - **因子构建思路**：风险调整后的动量因子，基于一个月窗口计算[21] - **因子具体构建过程**：未详细描述 - **因子评价**：在中证全指样本空间中表现最佳[47] 3. **因子名称**：DELTAROA - **因子构建思路**：单季总资产收益率同比变化[21] - **因子具体构建过程**：$$DELTAROA = \text{单季总资产收益率} - \text{去年同期总资产收益率}$$[21] - **因子评价**：在中证1000样本空间中表现最佳[36] 4. **因子名称**：非流动性冲击 - **因子构建思路**：衡量股票流动性风险，基于过去20个交易日日度涨跌幅绝对值比成交额的均值[21] - **因子具体构建过程**：$$ILLIQ\_1M = \frac{\sum_{t=1}^{20} |r_t|}{V_t}$$[21] - **因子评价**：在国证2000样本空间中表现最佳[39] 5. **因子名称**：预期PEG - **因子构建思路**：一致预期滚动PE与个股滚动净利复合增长率的比值[21] - **因子具体构建过程**：$$TTM\_FPEG = \frac{\text{一致预期滚动PE}}{\text{个股滚动净利复合增长率}}$$[21] - **因子评价**：在沪深300样本空间中表现最佳[24] 6. **因子名称**：一年动量 - **因子构建思路**：剔除近1个月的过去一年涨跌幅[21] - **因子具体构建过程**：$$MOMENTUM\_1Y = \sum_{t=2}^{12} r_t$$[21] - **因子评价**：在中证500样本空间中表现最佳[28] 模型的回测效果 1. **DFQ-FactorGCL模型**：未提供具体回测数据 2. **DFQ-FactorVAE-pro模型**：未提供具体回测数据 3. **Neural ODE模型**：未提供具体回测数据 因子的回测效果 1. **Beta风格因子**： - 近一周收益：0.88%[13] - 近一月收益：5.18%[13] - 今年以来收益：21.07%[13] 2. **一个月UMR因子**： - 近一周收益：1.82%[47] - 近一月收益：1.49%[47] - 今年以来收益：6.19%[47] 3. **DELTAROA因子**： - 近一周收益：0.63%[36] - 近一月收益：1.57%[36] - 今年以来收益：8.06%[36] 4. **非流动性冲击因子**： - 近一周收益：1.26%[39] - 近一月收益：1.99%[39] - 今年以来收益：12.11%[39] 5. **预期PEG因子**： - 近一周收益：0.75%[24] - 近一月收益：2.07%[24] - 今年以来收益：7.23%[24] 6. **一年动量因子**： - 近一周收益：0.84%[28] - 近一月收益：2.33%[28] - 今年以来收益：3.83%[28] 附录 - **MFE组合构建方式**：通过线性规划最大化单因子暴露，控制行业、风格等约束[63] - 目标函数：$$max\ f^{T}w$$[63] - 约束条件：风格偏离、行业偏离、换手率等[63]

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**：基本面量化模型 - **模型构建思路**：通过跟踪行业基本面数据（如ROE、净利润增速）判断景气度变化，用于行业配置建议[3][20] - **模型具体构建过程**： 1. 计算申万一级行业的分析师一致预测滚动未来12个月ROE（ROEFTTM）及净利润增速 2. 计算环比变化值： $$ \Delta ROE_{t} = ROE_{t} - ROE_{t-1} $$ $$ \Delta 净利润增速_{t} = 净利润增速_{t} - 净利润增速_{t-1} $$ 3. 根据环比变化排序，筛选景气度回升的行业（如煤炭、化工）[20] - **模型评价**：对周期板块的景气度拐点捕捉效果较好，但依赖分析师预测数据的及时性[3] 2. **模型名称**：游资热度模型 - **模型构建思路**：监测个人投资者主导的微观市场交易活跃度，识别TMT等板块的交易机会[3][19] - **模型具体构建过程**： 1. 统计全A成交额均值（近2周1.75万亿）及历史分位数 2. 构建游资活跃度指标（未披露具体公式，推测包含换手率、成交额占比等） 3. 结合龙头股业绩超预期信号，判断板块持续性[3] 3. **模型名称**：知情交易者活跃度指标 - **模型构建思路**：通过高频交易数据识别机构投资者的边际动向，用于市场择时[16][19] - **模型评价**：与市场走势分化时提示风险，但需结合其他指标验证[16] 4. **模型名称**：板块拥挤度模型 - **模型具体构建过程**： 1. 计算创新药等板块的持仓集中度、换手率等指标 2. 统计过去5年分位数（如创新药拥挤度94.93%） 3. 根据历史统计规律预警回调风险（未来3周概率较高）[3] --- 量化因子与构建方式 1. **因子名称**：BARRA风格因子（EP价值、动量、波动率等） - **因子构建思路**：基于多因子模型分析市场风格偏好，指导组合调整[25][26] - **因子具体构建过程**： - EP价值因子： $$ EP = \frac{净利润}{市值} $$ - 动量因子：计算短期价格涨幅排名 - 波动率因子：基于历史收益标准差[26] --- 模型的回测效果 1. **基本面量化模型**： - 煤炭、化工ROEFTTM环比增长0.04%、0.03%，净利润增速环比-0.02%、0.32%[20] - 创新药拥挤度分位数94.93%，未来3周回调概率高[3] 2. **游资热度模型**： - TMT板块成交额均值1.75万亿（历史高位），游资热度持续上行[3][19] 3. **知情交易者活跃度指标**： - 本周指标回落，与市场上涨分化，提示谨慎[16][19] 4. **BARRA风格因子**： - EP价值因子周收益0.2%，动量因子0.3%，波动率因子-0.1%[26] --- 因子的回测效果 1. **EP价值因子**：本周收益0.2%，近一季持续正向[26] 2. **动量因子**：本周收益0.3%，上周-0.4%[26] 3. **波动率因子**：本周收益-0.1%，近一季负向[26] --- 注：部分模型（如价格分段体系）因未披露构建细节未纳入[15][18]

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：沪深300ETF多头仓位择时模型** - 模型构建思路：通过技术指标和仓位信号对沪深300ETF进行多空择时[21] - 模型具体构建过程： 1. 使用价格趋势指标（如均线突破）生成开仓信号 2. 结合波动率调整仓位比例 3. 净值曲线显示2016-2025年策略表现[21] 2. **模型名称：A股多空期货择时模型** - 模型构建思路：基于沪深300期货的多空信号捕捉市场转折点[25] - 模型具体构建过程： 1. 综合动量指标与市场情绪指标 2. 当信号强度超过阈值时触发多空转换 3. 净值曲线显示策略2016-2025年跑赢持有收益[25] 3. **模型名称：小微盘择时模型** - 模型构建思路：通过流动性指标和拥挤度监测中小盘股机会[55] - 模型具体构建过程： 1. 计算RSI技术面指标 2. 监测融资余额变化 3. 结合赔率指标判断交易过热风险[55] 4. **模型名称：黄金择时模型** - 模型构建思路：基于CFTC持仓数据与关税事件驱动分析[57] - 模型具体构建过程： 1. 跟踪COMEX黄金期货持仓变化 2. 结合美联储政策预期调整仓位[57] 量化因子与构建方式 1. **因子名称：美元真实流动性因子** - 因子构建思路：通过美联储资产负债表变化监测市场流动性[40] - 因子具体构建过程： $$流动性 = 负债表 - TGA账户 - ONRRP$$ 其中TGA账户变动448.69亿美元，ONRRP减少171.23亿美元[40] 2. **因子名称：港股情绪因子** - 因子构建思路：综合卖空成交占比与南向资金流向[48] - 因子具体构建过程： 1. 计算卖空成交占比（本周15.54%） 2. 监测南向资金净买入（本周217.51亿元）[48] 3. **因子名称：红利成长因子** - 因子构建思路：结合股息率与盈利增长筛选标的[54] - 因子具体构建过程： 1. 筛选高股息率个股 2. 叠加ROE增长条件 3. 当前推荐银行、半导体板块[54] 模型的回测效果 1. **沪深300ETF多头择时模型** - 年化收益率：未披露具体值（净值曲线显示2016-2025年累计收益约2.5倍）[21] - 最大回撤：未披露 2. **A股多空期货择时模型** - 年化收益率：未披露（净值曲线显示显著跑赢基准）[25] - 胜率：未披露 3. **ETF偏股型组合** - 2024年绝对收益：41.83% - 超额收益（vs沪深300）：20.61% - 当前持仓：食品饮料ETF、半导体ETF等[58] 4. **港股定量优选30组合** - 绝对收益（2024/11起）：35.64% - 超额收益（vs高股息指数）：13.13%[52] 因子的回测效果 1. **美元流动性因子** - 本周变动：6.13万亿→6.10万亿[40] - 对美股影响：5%回调触发买入信号[40] 2. **小微盘因子** - 当前RSI指标：显示技术面强势[55] - 拥挤度：6月初达历史极值后改善[55] 3. **黄金因子** - CFTC持仓：显示假突破信号[57] - 关税事件影响：推动COMEX创历史新高[57]

根据提供的量化周报内容，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. **A股景气指数模型** - 构建思路：以上证指数归母净利润同比为Nowcasting目标构建高频指数，用于监测A股景气周期[32] - 具体构建：通过历史下行周期的时间与幅度对比，判断当前景气位置（2025年8月指数值为22.24，较2023年底上升16.82）[32][35] - 评价：能有效捕捉景气拐点，当前显示A股处于上升周期 2. **A股情绪指数模型** - 构建思路：基于波动率与成交额变化方向划分四个象限，构造见底/见顶预警信号[36] - 具体构建： - 波动率上行+成交额下行=显著负收益区间 - 其他组合=显著正收益区间[36] - 当前信号：见底预警空/见顶预警多，综合看多[41] 3. **BARRA风格因子模型** - 包含因子：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）、杠杆（LVRG）[58] - 构建过程：通过个股风险暴露相关性分析，计算纯因子收益率[58][59] 量化因子与构建方式 1. **动量因子（MOM）** - 构建思路：捕捉近期高收益股票持续强势的特征[58] - 测试结果：本周超额收益显著，与流动性因子正相关[59][66] 2. **市值因子（SIZE）** - 构建思路：区分大/小市值股票表现差异[58] - 测试结果：本周呈显著负向超额收益[59][66] 3. **行业因子（国防军工/有色金属/煤炭）** - 构建思路：行业相对市场市值加权组合的超额收益[59] - 测试结果：本周国防军工、有色金属、煤炭超额收益较高；医药、计算机回撤明显[59][63] 模型的回测效果 1. **中证500增强组合** - 本周超额收益：0.22%（2020年至今累计超额50.26%）[48] - 最大回撤：-4.99%[48] 2. **沪深300增强组合** - 本周超额收益：0.61%（2020年至今累计超额34.90%）[54] - 最大回撤：-5.86%[54] 因子的回测效果 1. **动量因子** - 本周纯因子收益率：显著正向[59][66] - 近期表现：高Beta股持续占优[59] 2. **成长因子（GROWTH）** - 本周纯因子收益率：负向[59] - 近期表现：与杠杆因子同步不佳[59] 3. **流动性因子（LIQUIDITY）** - 相关性：与Beta/动量因子正相关[59][61] （注：部分因子如盈利/估值等未提供具体数值，故未列出测试结果）

量化模型与构建方式 1. **模型名称**：择时雷达六面图 - **模型构建思路**：基于流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取21个指标，综合生成[-1,1]区间的择时分数，概括为"估值性价比"、"宏观基本面"、"资金&趋势"、"拥挤度&反转"四大类[2][7] - **模型具体构建过程**： 1. **流动性维度**：货币方向因子（货币政策工具利率变化方向）、货币强度因子（DR007/7天逆回购利率偏离度）、信用方向因子（中长期贷款同比变化）、信用强度因子（新增人民币贷款预期差）[13][16][19][22] 2. **经济面维度**：增长方向因子（PMI同比变化）、增长强度因子（PMI预期差）、通胀方向因子（CPI/PPI组合变化）、通胀强度因子（CPI/PPI预期差均值）[23][27][28][32] 3. **估值面维度**：席勒ERP（6年通胀调整PE倒数减国债收益率）、PB（市净率zscore）、AIAE（全市场权益配置比例zscore）[33][37][39] 4. **资金面维度**：内资（两融增量、成交额趋势）、外资（中国主权CDS利差、海外风险厌恶指数）[41][44][47][49] 5. **技术面维度**：价格趋势（均线距离ma120/ma240）、新高新低数（成分股反转信号）[51][54] 6. **拥挤度维度**：衍生品（期权隐含升贴水、VIX、SKEW）、可转债定价偏离度[57][58][62][65] 模型的回测效果 1. **择时雷达六面图**： - 综合打分：-0.32（中性偏空）[7][9] - 细分维度得分： - 流动性：0.00（中性）[9][11] - 经济面：-0.25（中性偏空）[9][11] - 估值面：-0.55（中性偏空）[9][11] - 资金面：0.00（中性）[9][11] - 技术面：-0.50（看空）[9][11] - 拥挤度：-0.50（中性偏空）[9][11] 量化因子与构建方式 1. **因子名称**：货币方向因子 - **构建思路**：判断货币政策方向[13] - **具体构建**：计算央行货币政策工具利率与短端市场利率的90天平均变化方向，>0为宽松（分数1），<0为收紧（分数-1）[13] - **测试结果**：本周分数1（看多）[11][13] 2. **因子名称**：货币强度因子 - **构建思路**：量化短端利率偏离政策利率的程度[16] - **具体构建**：$$偏离度 = \frac{DR007}{7天逆回购利率} - 1$$，zscore后截尾±1.5倍标准差[16] - **测试结果**：本周分数-1（看空）[11][17] 3. **因子名称**：席勒ERP - **构建思路**：衡量权益风险溢价[33] - **具体构建**：$$席勒ERP = \frac{1}{席勒PE} - 10年期国债收益率$$，3年zscore标准化[33] - **测试结果**：本周分数-0.12[11][33] 4. **因子名称**：可转债定价偏离度 - **构建思路**：捕捉可转债市场情绪[65] - **具体构建**：$$偏离度 = \frac{转债价格}{模型定价} - 1$$，3年zscore取负[65] - **测试结果**：本周分数-1.00（看空）[11][65] （其他因子构建方式与测试结果详见原报告图表[4][5][6][8][10][12][14][15][18][20][21][24]） 因子的回测效果 - **流动性类因子**：货币方向1、货币强度-1、信用方向1、信用强度-1[11] - **经济面类因子**：增长方向-1、增长强度-1、通胀方向1、通胀强度0[11] - **估值面类因子**：席勒ERP-0.12、PB-0.86、AIAE-0.68[11] - **技术面类因子**：价格趋势0、新高新低-1[11] - **拥挤度类因子**：期权隐含升贴水0、VIX0、SKEW-1、可转债定价偏离度-1[11]

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**：中欧中证500指数增强模型 - **模型构建思路**：通过量化投资方法进行积极的投资组合管理与风险控制，在控制跟踪误差的基础上追求超越标的指数的回报[76]。 - **模型具体构建过程**： 1. 股票筛选：投资于中证500指数成份股及其备选成份股的资产不低于非现金基金资产的80%[76]。 2. 行业配置：允许在紧密跟踪指数的条件下进行一定的行业偏离，但整体偏离幅度较小[72]。 3. 风格暴露：在盈利、成长等因子上超配，在市值等因子上低配[68]。 4. 风险控制：控制基金净值增长率与业绩比较基准之间的日均跟踪偏离度的绝对值不超过0.5%，年跟踪误差不超过8%[76]。 - **模型评价**：模型在控制跟踪误差的同时，能够稳定获取超额收益，超额来源主要依靠优秀的选股能力[73]。 模型的回测效果 1. **中欧中证500指数增强模型**： - 年化收益率：9.33%[49] - 年化超额回报：8.40%[48] - 年化信息比率（IR）：2.26[48] - 年化跟踪误差：3.87%[57] - 最大回撤：22.46%[49] - 月度超额胜率：76.92%[61] 量化因子与构建方式 1. **因子名称**：盈利因子 - **因子构建思路**：筛选高盈利能力的股票，以获取超额收益[68]。 - **因子具体构建过程**：根据财报数据计算ROE、ROA等盈利指标，筛选盈利水平高于行业平均的股票[68]。 2. **因子名称**：成长因子 - **因子构建思路**：筛选高成长性的股票，以获取超额收益[68]。 - **因子具体构建过程**：根据一致预期数据计算归母净利润增长率，筛选成长性高于行业平均的股票[17]。 3. **因子名称**：市值因子 - **因子构建思路**：筛选小市值股票，以获取超额收益[68]。 - **因子具体构建过程**：根据自由流通市值数据，筛选市值低于行业中位数的股票[68]。 因子的回测效果 1. **盈利因子**： - 在基金持仓中超配，贡献了部分超额收益[68]。 2. **成长因子**： - 在基金持仓中超配，贡献了部分超额收益[68]。 3. **市值因子**： - 在基金持仓中低配，但小市值风格仍贡献了部分超额收益[68]。 其他关键指标 - **中证500指数估值**：市盈率30.78倍，市净率2.06倍，处于历史低位[8]。 - **中证500指数风格暴露**：中市值、高流动性、高Beta[29]。 - **中证500指数行业分布**：行业均衡，前十大行业累计权重73%[20]。 - **中证500指数成份股分散度**：前十大成份股累计权重仅5.75%[21]。

根据提供的研报内容，以下是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：遗传规划行业轮动模型** - **模型构建思路**：直接对行业指数的量价、估值等数据进行因子挖掘，每季度末更新因子库，采用周频调仓[30][32] - **模型具体构建过程**： 1. 每周末计算多因子综合得分，选取得分最高的五个行业 2. 对选中的行业进行等权配置 3. 季度末更新因子库以保持模型适应性[30][32] - **模型评价**：能够紧跟市场主线，捕捉热点板块，如科技、消费和周期行业的轮动机会[32][33] 2. **模型名称：境内绝对收益ETF模拟组合** - **模型构建思路**：大类资产配置权重基于资产近期趋势计算，权益内部配置采用月频行业轮动模型观点[34][36] - **模型具体构建过程**： 1. 对趋势较强的资产赋予较高权重 2. 权益资产内部直接采用行业轮动模型的月度观点 3. 动态调整权益和商品仓位[34][36] 3. **模型名称：全球资产配置模拟组合** - **模型构建思路**：基于周期三因子定价模型预测全球大类资产收益率，采用"动量选资产，周期调权重"的风险预算框架[40][42] - **模型具体构建过程**： 1. 对资产未来收益率进行预测排序 2. 根据动量选择资产，周期调整权重 3. 目前超配债券和外汇[40][42] 模型的回测效果 1. **遗传规划行业轮动模型** - 年化收益：31.39% - 年化波动：18.12% - 夏普比率：1.73 - 最大回撤：-19.63% - 卡玛比率：1.60 - 上周表现：3.15% - YTD：28.79%[32] 2. **境内绝对收益ETF模拟组合** - 年化收益率：6.52% - 年化波动率：3.81% - 最大回撤：4.65% - 夏普比率：1.71 - Calmar比率：1.40 - 今年以来收益率：5.69% - 近一周收益率：0.34%[39] 3. **全球资产配置模拟组合** - 年化收益率：7.22% - 年化波动率：4.82% - 最大回撤：-6.44% - 夏普比率：1.50 - Calmar比率：1.12 - 今年以来收益率：-3.04% - 近一周收益率：0.61%[41] 情绪指标构建方式 1. **期权市场情绪指标** - **构建思路**：通过认购与认沽期权成交活跃程度表征投资者方向性观点[17][20] - **具体构建**： 1. 计算上证50ETF和沪500ETF期权的认购成交额与认沽成交额之比 2. 观察该比值是否突破布林带上轨判断过热信号[17][20] 2. **隐含波动率指标** - **构建思路**：通过认购与认沽期权隐含波动率比值衡量投资者情绪[20][25] - **具体构建**： 1. 计算认购期权隐含波动率与认沽期权隐含波动率比值 2. 比值高低反映市场乐观或悲观程度[20][25] 3. **股指期货基差指标** - **构建思路**：基差体现投资者对未来价格的预期，与市场情绪相关[26][29] - **具体构建**： 1. 对IC、IF、IH、IM四个品种计算持仓量加权年化基差率 2. 基差序列趋势反映期货市场情绪变化[26][29] 情绪指标近期表现 1. **期权成交额沽购比**：上周有所回升但仍低于7月极值水平[17][24] 2. **隐含波动率比值**：上周震荡下行[20][25] 3. **股指期货基差率**：上周维持波动向下趋势[26][29]