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：宽基轮动策略** - **模型构建思路**：基于不同宽基指数（沪深300、中证500、中证1000、中证2000及"其他"组）的热度变化率MA2构建轮动策略，选择周度热度变化率最高的宽基指数进行投资[13][16] - **模型具体构建过程**： 1. 计算各宽基组内成分股的总热度指标（浏览、自选与点击次数之和的归一化值）[7] 2. 计算周度热度变化率并取MA2平滑处理[11] 3. 每周最后一个交易日买入总热度变化率MA2最大的宽基指数，若为"其他"组则空仓[13] - **模型评价**：策略2017年来年化收益率8.74%，最大回撤23.5%，2025年来收益8.32%[16] 2. **模型名称：热门概念组合策略** - **模型构建思路**：筛选高热度概念中的低关注度个股，利用市场行为偏差获取超额收益[31][33] - **模型具体构建过程**： 1. 每周选出热度变化率最大的5个概念[31] 2. 排除概念成分股中流通市值最小的20%股票[31] 3. 构建两个组合： - TOP组合：每个概念中总热度排名前10的个股等权持有 - BOTTOM组合：每个概念中总热度排名最后10的个股等权持有[31] - **模型评价**：BOTTOM组合年化收益15.71%，最大回撤28.89%，2025年收益18%[33] 模型的回测效果 1. **宽基轮动策略**：年化收益率8.74%，最大回撤23.5%，2025年收益8.32%[16] 2. **热门概念BOTTOM组合**：年化收益15.71%，最大回撤28.89%，2025年收益18%[33] 量化因子与构建方式 1. **因子名称：总热度指标** - **因子构建思路**：通过个股浏览、自选与点击行为的归一化聚合，反映市场情绪[7] - **因子具体构建过程**： $$ \text{总热度} = \left(\frac{\text{浏览+自选+点击次数}}{\text{全市场总值}}\right) \times 10000 $$ 取值区间[0,10000]，按日计算[7] 2. **因子名称：热度变化率MA2** - **因子构建思路**：捕捉宽基/行业/概念层面的关注度边际变化[11][20] - **因子具体构建过程**： 1. 计算周度热度变化率：$$\frac{H_t - H_{t-1}}{H_{t-1}}$$ 2. 取2周移动平均（MA2）平滑处理[11][20] 3. **因子名称：估值历史分位数** - **因子构建思路**：监控宽基/行业估值相对于历史水平的区位[40][43] - **因子具体构建过程**： 1. 宽基采用滚动5年PE/TTM分位数[40] 2. 行业采用2015年至今的PE/TTM分位数[43] 因子的回测效果 1. **总热度指标**：国防军工本周热度变化率+90.2%（正向最大），房地产-33.4%（负向最大）[27] 2. **宽基估值分位数**：沪深300（56%）、中证500（85%）、中证1000（76%）[41] 3. **行业估值分位数**： - 80%以上：电力设备、计算机、国防军工等[42] - 20%以下：家用电器、农林牧渔、公用事业等[42] 关键数据取值 1. **宽基热度变化率MA2**： - 沪深300 +2.96%（本周最高） - 中证2000 -1.84%（本周最低）[18] 2. **概念热度TOP5**：航运概念（+221.1%）、自由贸易港（+136.1%）、中韩自贸区（+129.9%）、工业大麻（+109.6%）、C2M概念（+77.6%）[35][37] 3. **二级行业热度变化TOP5**：航运港口、航空装备Ⅱ、地面兵装Ⅱ、纺织制造、军工电子Ⅱ[27]

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**：公募基金仓位估计模型 - **模型构建思路**：通过整合基金季报披露的前十大重仓股、上市公司十大股东信息及行业配置数据，模拟补全基金的全部股票持仓[7][8] - **模型具体构建过程**： 1. 利用基金季报（T期）的行业配置信息和T-1期半年报/年报的非重仓股持仓，假设非重仓股在各行业下持股种类不变，仅按比例调整权重，生成T期模拟持仓[9] 2. 将模拟持仓拆分为大、小盘组合，基于基金日收益率与对应指数收益率，采用加权最小二乘法估计每日仓位配置： $$ \text{基金日收益率} = \alpha + \beta_{\text{大盘}} \cdot R_{\text{大盘}} + \beta_{\text{小盘}} \cdot R_{\text{小盘}} + \epsilon $$ 其中$\beta_{\text{大盘}}$和$\beta_{\text{小盘}}$分别代表大盘和小盘组合的配置权重[11] - **模型评价**：解决了基金持仓披露滞后性问题，实现了日度仓位监控，但依赖历史持仓比例假设可能引入误差[11] 2. **模型名称**：基金风格监控模型 - **模型构建思路**：基于仓位估计结果，从大小盘配置、市值暴露、行业配置三个维度分析基金风格[11] - **模型具体构建过程**： 1. 根据中信一级行业分类计算行业配置权重[18] 2. 结合市值分组（大/小盘）计算风格暴露值，通过历史分位点评估当前配置水平[19] --- 模型的回测效果 1. **公募基金仓位估计模型** - 普通股票型基金仓位中位数：86.31%（2025-05-16），周环比下降1.99%[13] - 偏股混合型基金仓位中位数：82.48%，周环比下降2.79%[13] - 大盘组合仓位变动：普通股票型下降1.07%，偏股混合型下降1.74%[14] - 小盘组合仓位变动：普通股票型下降0.91%，偏股混合型下降1.06%[14] 2. **基金风格监控模型** - 行业配置权重：电子（14.36%普通股票型）、医药（10.79%）、电力设备（9.31%）[18] - 行业分位点：机械（94.1%偏股混合型）、汽车（99.26%）、医药（12.18%普通股票型）[19] --- 量化因子与构建方式 1. **因子名称**：市值暴露因子 - **因子构建思路**：通过基金持仓的大/小盘组合权重差异捕捉市值风格偏好[11] - **因子具体构建过程**： $$ \text{市值暴露} = \frac{\text{小盘组合权重} - \text{大盘组合权重}}{\text{总股票仓位}} $$ 结果标准化为历史分位点（如普通股票型小盘仓位分位点19.38%）[14][16] 2. **因子名称**：行业动量因子 - **因子构建思路**：跟踪基金行业配置周度变动方向[20][21] - **因子具体构建过程**：计算各行业仓位周度变化百分比（如电子行业仓位下降，医药行业上升）[21] --- 因子的回测效果 1. **市值暴露因子** - 普通股票型小盘仓位分位点：19.38%（2016年以来）[14] - 偏股混合型小盘仓位分位点：25.36%[14] 2. **行业动量因子** - 周度增仓行业：非银行金融（+0.5%）、医药（+0.3%）[21] - 周度减仓行业：电子（-1.0%）、计算机（-0.8%）[21]

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：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，识别行业当前的市场热度与潜在风险[3] - **模型具体构建过程**： 1. 计算各行业指数的历史分位数（近30个交易日），反映当前值相对于历史水平的相对位置 2. 结合主力资金流动数据（如净流入额）辅助判断市场情绪 3. 输出拥挤度热力图，标注高拥挤（如交通运输、纺织服饰、美容护理）与低拥挤行业（如传媒、社会服务、房地产）[3][11] - **模型评价**：能够动态捕捉行业短期过热或低估状态，但需结合资金流向数据增强信号有效性[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，筛选存在套利机会的标的[4] - **模型具体构建过程**： 1. 计算ETF的IOPV（参考净值）溢价率：$$ \text{溢价率} = \frac{\text{市价} - \text{IOPV}}{\text{IOPV}} \times 100\% $$ 2. 滚动计算溢价率的均值（μ）与标准差（σ），生成Z-score：$$ Z = \frac{\text{当前溢价率} - μ}{σ} $$ 3. 设定阈值（如Z>2为高溢价信号，Z<-2为低溢价信号）[4][13] - **模型评价**：适用于捕捉短期套利机会，但需警惕市场流动性风险导致的模型失效[4] --- 模型的回测效果 1. **行业拥挤度监测模型**： - 高拥挤行业（交通运输、纺织服饰）历史分位数达90%以上，低拥挤行业（传媒、电子）分位数低于30%[11] - 主力资金近3日净流入医药生物（+2.7亿元）、美容护理（+8.02亿元），流出电子（-141.3亿元）、计算机（-141.03亿元）[12] 2. **溢价率 Z-score 模型**： - 标普油气ETF（159518.SZ）、电池ETF（159755.SZ）等因Z-score信号被列为建议关注标的[13] --- 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**：通过监测主力资金净流入额，判断行业或ETF的资金动向[3][12] - **因子具体构建过程**： 1. 计算单日主力资金净流入额：$$ \text{净流入额} = \text{主力买入额} - \text{主力卖出额} $$ 2. 滚动统计3日/5日累计净流入额，识别持续流入或流出的趋势[12] - **因子评价**：对短期市场情绪敏感，但需结合其他因子（如拥挤度）避免噪声干扰[3] 2. **因子名称：ETF溢价率因子** - **因子构建思路**：捕捉ETF市价与净值偏离带来的套利机会[4][13] - **因子具体构建过程**：同溢价率 Z-score 模型中的溢价率计算步骤[4] --- 因子的回测效果 1. **主力资金净流入因子**： - 近3日净流入靠前行业：医药生物（+2.7亿元）、煤炭（+1.33亿元）[12] - 净流出靠前行业：电子（-141.3亿元）、计算机（-141.03亿元）[12] 2. **ETF溢价率因子**： - 标普油气ETF（513350.SH）等因溢价率异常触发Z-score信号[13] --- 以上总结严格基于研报中提及的模型、因子及数据，未包含免责声明等非核心内容[3][4][11][12][13]

根据提供的研报内容，以下是军工板块资金行为监测中涉及的量化模型与因子总结： --- 量化模型与构建方式 1. **公募基金实时持仓测算模型** - 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，动态跟踪公募基金对军工板块的配置仓位[16] - 具体构建过程： 1. 整合基金净值数据与定期持仓披露信息 2. 结合调研行为数据（如机构调研频次）作为辅助信号 3. 通过回归模型估算实时仓位变化，公式为： $$ \text{仓位}_t = \alpha + \beta \cdot \text{净值波动}_t + \gamma \cdot \text{调研强度}_t + \epsilon_t $$ 其中，$\alpha$为基准仓位，$\beta$和$\gamma$为因子权重[16] - 模型评价：能够捕捉短期资金动向，但对非公开信息（如未披露调研）敏感度较低 2. **ETF资金持仓动态模型** - 构建思路：通过ETF规模与成分股市值占比变化，监测被动资金流向[19] - 具体构建过程： 1. 计算军工ETF持仓占板块流通市值的比例： $$ \text{ETF占比}_t = \frac{\sum \text{ETF持有军工股市值}_t}{\text{军工板块流通市值}_t} $$ 2. 采用5日移动平均（MA5）平滑噪声[20] - 模型评价：反映长期资金配置趋势，但滞后于主动交易行为 3. **主力资金代理变量模型** - 构建思路：以大单（20-100万元）和超大单（>100万元）交易额之和作为主力资金代理[30] - 具体构建过程： 1. 筛选符合金额阈值的委托单 2. 按交易日聚合净流入金额： $$ \text{主力净流入}_t = \sum \text{超大单买入}_t + \sum \text{大单买入}_t - \sum \text{卖出}_t $$[33] 4. **高频股东户数风险预警模型** - 构建思路：股东户数增幅与股价潜在风险负相关[35] - 具体构建过程： 1. 计算相邻披露期股东户数变动比例： $$ \text{变动比例} = \frac{\text{户数}_{t} - \text{户数}_{t-1}}{\text{户数}_{t-1}} $$ 2. 设定阈值（如30%）触发预警信号[36] --- 模型的回测效果 1. **公募基金实时持仓模型** - 2025年以来军工板块仓位下降0.8%[18] 2. **ETF资金持仓模型** - 2024年以来持仓占比上升至4.7%（MA5）[21] 3. **主力资金代理变量模型** - 5月1日后主力净流入Top3个股：宗申动力（2.17亿）、中航沈飞（1.72亿）、联创光电（1.38亿）[33] 4. **高频股东户数模型** - 预警案例：航锦科技股东户数增幅131.98%（2025年4-5月）[36] --- 其他监测指标（非模型/因子） - **两融余额动向**：融资余额9月25日后反弹，融券余额维持低位[24] - **龙虎榜热点**：中航成飞营业部净流入9.0亿（20250512）[32] - **雪球大V关注度**：中航成飞获117次讨论（5月1日以来）[27][29] 注：研报未提供IR或夏普比率等量化指标，故未列出相关测试结果。

量化模型与构建方式 1. 分红预测模型 **模型名称**：分红预测模型 **模型构建思路**：基于上市公司已公布的分红信息，结合历史分红率和净利润预测，构建分红点数预测模型[7][9] **模型具体构建过程**： 1. 预估成分股净利润：采用年报>快报>预警>三季报净利润TTM>分析师盈利预测的优先顺序进行预估[21] 2. 计算税前分红总额： - 已公布分红预案的直接采用公布值 - 未公布预案但去年有分红的，假设分红率不变 - 去年未分红或净利润为负的设分红率为0[26] 3. 计算分红对指数影响： - 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： $$\mathrm{w_{it}={\frac{w_{i0}\times\mathrm{\scriptsize{\boldmath~(~1+R~)}~}}{\sum_{1}^{n}w_{i0}\times\mathrm{\scriptsize{\boldmath~(~1+R~)}~}}}}$$[24] 4. 预测分红对各合约影响： - 已公布除权除息日的直接采用 - 未公布的参考最近一次分红年度的除息日 - 调整预测除息日早于股东大会日的情况[27][28] 2. 股指期货定价模型 **模型名称**：股指期货理论定价模型 **模型构建思路**：基于无套利原理，考虑分红现值和资金成本构建期货定价模型[30] **模型具体构建过程**： 1. 离散红利分配情况： - 红利现值D计算公式： $$\mathbf{D}=\sum_{\mathrm{i=1}}^{\mathrm{m}}\mathbf{D}_{\mathrm{i}}\,/(1+\phi)$$ - 期货定价公式： $$F_t = (S_t - D)(1 + r)$$[30] 2. 连续红利分配情况： - 期货定价公式： $$F_t = S_t e^{(r-d)(T-t)}$$[31] 量化因子与构建方式 1. 分红影响因子 **因子名称**：分红点数因子 **因子构建思路**：量化分红对股指期货合约价格的影响程度[7][10] **因子具体构建过程**： 1. 收集各成分股分红数据（实施、股东大会通过、董事会预案等状态）[9] 2. 按合约到期日累计预测分红金额 3. 计算分红点数=累计分红金额/指数乘数[11][12] 4. 计算含分红价差=实际价差+分红点数[2][3] 2. 对冲成本因子 **因子名称**：年化对冲成本因子 **因子构建思路**：衡量持有期货合约至到期的对冲成本[10][11] **因子具体构建过程**： 1. 计算剔除分红后的实际价差 2. 年化对冲成本公式： - 按365天计算：实际价差/收盘价×365/剩余天数 - 按243天计算：实际价差/收盘价×243/剩余天数[11][12] 模型的回测效果 1. 分红预测模型 - IH2506合约：分红点数18.48，剩余影响0.68%[11] - IF2506合约：分红点数23.58，剩余影响0.61%[12] - IC2506合约：分红点数44.47，剩余影响0.78%[12] - IM2506合约：分红点数36.22，剩余影响0.60%[12] 2. 对冲成本模型 - IH2506合约：年化对冲成本1.14%（365天），1.11%（243天）[11] - IF2506合约：年化对冲成本5.23%（365天），5.08%（243天）[12] - IC2506合约：年化对冲成本12.69%（365天），12.32%（243天）[12] - IM2506合约：年化对冲成本16.86%（365天），16.37%（243天）[12] 因子的回测效果 1. 分红点数因子 - IH2506合约：分红点数18.48，含分红价差-2.98[11] - IF2506合约：分红点数23.58，含分红价差-19.50[12] - IC2506合约：分红点数44.47，含分红价差-69.58[12] - IM2506合约：分红点数36.22，含分红价差-98.09[12] 2. 实际价差因子 - IH2506合约：实际价差-21.46[11] - IF2506合约：实际价差-43.09[12] - IC2506合约：实际价差-114.05[12] - IM2506合约：实际价差-134.32[12]

量化因子与构建方式 估值类因子 1. **因子名称**：bp - **构建思路**：衡量净资产与市值的相对关系[14] - **具体构建**：$$ bp = \frac{当前净资产}{当前总市值} $$ 2. **因子名称**：bp三年分位数 - **构建思路**：反映当前bp在三年历史中的分位水平[14] - **具体构建**：计算股票当前bp在最近三年数据中的分位数 3. **因子名称**：季度ep - **构建思路**：衡量季度净利润与净资产的关系[14] - **具体构建**：$$ 季度ep = \frac{季度净利润}{净资产} $$ 4. **因子名称**：季度sp - **构建思路**：衡量季度营收与净资产的关系[14] - **具体构建**：$$ 季度sp = \frac{季度营业收入}{净资产} $$ 盈利类因子 1. **因子名称**：季度资产周转率 - **构建思路**：反映营业收入与总资产的效率关系[14] - **具体构建**：$$ 季度资产周转率 = \frac{季度营业收入}{总资产} $$ 2. **因子名称**：季度毛利率 - **构建思路**：衡量毛利润与销售收入的比例[14] - **具体构建**：$$ 季度毛利率 = \frac{季度毛利润}{季度销售收入} $$ 3. **因子名称**：季度roa - **构建思路**：衡量净利润与总资产的效率[14] - **具体构建**：$$ 季度roa = \frac{季度净利润}{总资产} $$ 成长类因子 1. **因子名称**：季度净利润同比增长 - **构建思路**：反映净利润的同比增长率[14] - **具体构建**：计算当前季度净利润与去年同期单季净利润的增长率 2. **因子名称**：标准化预期外盈利 - **构建思路**：衡量实际盈利与预期盈利的偏离程度[14] - **具体构建**：$$ \frac{当前季度净利润 - (去年同期单季净利润 + 过去8个季度单季净利润同比增长均值)}{过去8个季度单季净利润同比增长值的标准差} $$ 分析师类因子 1. **因子名称**：90天分析师覆盖度 - **构建思路**：反映过去90天内分析师的覆盖情况[14] 2. **因子名称**：一致预期EPS变动 - **构建思路**：衡量一致预期EPS的相对变化[14] - **具体构建**：$$ \frac{一致预期eps}{最近120日一致预期eps均值} $$ 换手率类因子 1. **因子名称**：1个月换手率波动 - **构建思路**：反映过去20个交易日换手率的波动性[14] - **具体构建**：计算过去20个交易日换手率的标准差 波动率类因子 1. **因子名称**：Fama-French三因子1月残差波动率 - **构建思路**：衡量日收益对Fama-French三因子回归的残差波动[14] - **具体构建**：计算过去20个交易日日收益对三因子回归的残差标准差 2. **因子名称**：1月特异度 - **构建思路**：反映收益中未被三因子解释的部分[14] - **具体构建**：$$ 1 - R^2 \quad (R^2为Fama-French三因子回归的拟合优度) $$ 规模类因子 1. **因子名称**：小市值 - **构建思路**：反映公司市值大小的反向指标[15] - **具体构建**：对数市值 --- 因子回测效果 IC表现 1. **小市值因子**：最近一周IC表现较好[8] 2. **90天分析师覆盖度因子**：最近一月IC表现较好[8] 3. **1月特异度因子**：最近一年IC表现较好[8] 多头组合表现 1. **小市值因子**： - 最近一周超额：1.03% - 最近一月超额：3.94% - 最近一年超额：13.73%[11] 2. **季度资产周转率因子**： - 最近一周超额：0.55% - 最近一月超额：1.39% - 最近一年超额：2.78%[11] 3. **1个月反转因子**： - 最近一月超额：1.90%[11] 4. **Fama-French三因子1月残差波动率因子**： - 最近一年超额：7.33%[11] --- 因子评价 - **小市值因子**：长期表现稳定，近期超额收益显著[8][11] - **季度资产周转率因子**：盈利类因子中表现突出，反映经营效率[11] - **1月特异度因子**：波动率类因子中IC稳定性较高[8]

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）双因子筛选股票，选取估值合理且盈利能力强的标的[24] - **模型具体构建过程**： 1. 在全市场股票池中计算PB和ROE指标 2. 对PB升序排序（低估值优先），ROE降序排序（高盈利优先） 3. 综合排名后选取前50只股票构成组合 4. 月频调仓 2. **模型名称**：大宗交易组合 - **模型构建思路**：根据大宗交易数据中的"成交金额比率"和"波动率"因子筛选标的，遵循"高成交、低波动"原则[30] - **模型具体构建过程**： 1. 计算个股大宗交易成交金额占日均成交额比率 2. 计算6日成交金额波动率 3. 选择成交比率高且波动率低的股票 4. 月频调仓 3. **模型名称**：定向增发组合 - **模型构建思路**：以股东大会公告日为节点，结合市值因素和仓位控制构建事件驱动策略[35] - **模型具体构建过程**： 1. 跟踪定向增发预案公告事件 2. 筛选市值适中的标的 3. 控制单行业暴露不超过20% 4. 动态调整持仓周期 模型的回测效果 1. **PB-ROE-50组合**： - 中证500超额收益0.88%（本周），1.02%（年初至今）[25] - 中证800超额收益0.43%（本周），1.66%（年初至今）[25] 2. **大宗交易组合**： - 相对中证全指超额收益0.36%（本周），24.12%（年初至今）[31] 3. **定向增发组合**： - 相对中证全指超额收益0.48%（本周），1.16%（年初至今）[36] 量化因子与构建方式 1. **因子名称**：早盘后收益因子 - **因子方向**：负向（流动性1500股票池）[16] - **因子构建思路**：捕捉开盘后特定时间窗口的收益异常现象 - **因子评价**：在中小盘股票中表现突出 2. **因子名称**：动量弹簧因子 - **因子方向**：正向（全市场）[13] - **因子构建思路**：结合动量效应与均值回复特性 - **因子评价**：在波动市场中具有较强适应性 3. **因子名称**：EPTTM分位点 - **因子方向**：正向（中证500）[14] - **因子构建思路**：计算盈利价格比在行业内的相对位置 因子的回测效果 1. **早盘后收益因子**： - 流动性1500股票池周收益2.27%，年化收益19.60%[17] 2. **动量弹簧因子**： - 沪深300股票池周收益0.59%，年化收益11.11%[13] - 流动性1500股票池周收益1.43%，年化收益22.03%[17] 3. **EPTTM分位点**： - 中证500股票池周收益1.30%，年化收益13.19%[14] 大类因子表现 1. **残差波动率因子**：全市场周收益0.55%[18] 2. **盈利因子**：全市场周收益0.26%[18] 3. **市值因子**：全市场周收益-0.48%[18] 4. **动量因子**：全市场周收益-0.32%[18]

量化模型与构建方式 1. **模型名称：股指期货分红点位预测模型** - **模型构建思路**：基于历史分红数据和指数成分股信息，预测股指期货合约存续期内标的指数的分红点位[9][11][16][18] - **模型具体构建过程**： 1. 收集标的指数（如中证500、沪深300等）成分股的历史分红数据 2. 根据合约存续期（次月、当季、下季）划分预测区间 3. 对每个区间内的预期分红点位进行加权汇总，公式为： $$ \text{分红点位} = \sum_{i=1}^{n} w_i \cdot d_i $$ 其中 \( w_i \) 为成分股权重，\( d_i \) 为预期分红金额[9][11][16][18] - **模型评价**：能够有效修正基差计算中的分红影响，提升对冲策略的准确性 2. **模型名称：期现对冲策略优化模型** - **模型构建思路**：通过动态调整期货合约选择规则（如连续持有或最低贴水），优化对冲组合的收益风险比[49][52][57][61] - **模型具体构建过程**： 1. **连续对冲策略**：持有季月/当月合约至到期前2日，滚动调仓[49] 2. **最低贴水策略**：每日计算所有可交易合约的年化基差，选择贴水幅度最小的合约，持有8个交易日或至到期前2日[49] 3. 现货端与期货端资金分配比例为70%:30%，净值动态再平衡[49] 3. **模型名称：信达波动率指数（Cinda-VIX）** - **模型构建思路**：基于期权市场价格反推标的资产未来波动率预期，反映市场情绪[65][69][71][73] - **模型具体构建过程**： 1. 选取不同期限（30/60/90/120日）的平值及虚值期权合约 2. 通过期权定价模型计算隐含波动率（IV），加权合成VIX值 3. 期限结构展示不同时间维度的波动率预期[65][69][71][73] 4. **模型名称：信达偏斜指数（Cinda-SKEW）** - **模型构建思路**：捕捉期权隐含波动率的偏斜特征，衡量市场对极端尾部风险的预期[74][75][77] - **模型具体构建过程**： 1. 计算不同行权价期权的IV偏斜度 2. 标准化处理得到SKEW值，阈值100为分界线（>100表示担忧下跌风险）[75][77] --- 量化因子与构建方式 1. **因子名称：分红调整年化基差因子** - **因子构建思路**：剔除分红影响后，衡量期货合约价格与标的指数的偏离程度[20][27][32][38][40] - **因子具体构建过程**： 1. 计算实际基差：$$ \text{基差} = \text{期货价格} - \text{指数价格} $$ 2. 叠加预期分红调整：$$ \text{调整后基差} = \text{基差} + \text{存续期内未实现分红} $$ 3. 年化处理：$$ \text{年化基差} = \frac{\text{调整后基差}}{\text{指数价格}} \times \frac{360}{\text{合约剩余天数}} $$[20] 2. **因子名称：波动率期限结构因子** - **因子构建思路**：通过不同期限VIX的比值（如近端/远端）反映市场波动预期变化[65][69][71][73] - **因子具体构建过程**： 1. 计算30日与120日VIX的比值：$$ \text{期限结构斜率} = \frac{\text{VIX}_{30}}{\text{VIX}_{120}} $$ 2. 比值>1表示近端波动预期更高（"近端陡峭化"）[4][65] --- 模型的回测效果 1. **IC对冲策略（2022/7/22-2025/5/16）** - 年化收益：最低贴水策略-0.66%，季月连续-1.66%，当月连续-2.45% - 波动率：最低贴水策略4.76%，季月连续4.85% - 最大回撤：最低贴水策略-7.97%，季月连续-8.34%[51] 2. **IF对冲策略（同区间）** - 年化收益：最低贴水策略1.59%，季月连续1.01% - 波动率：最低贴水策略3.21%，季月连续3.42% - 最大回撤：最低贴水策略-4.06%，季月连续-4.03%[56] 3. **Cinda-VIX指数（2025/5/16取值）** - 上证50VIX_30：19.24 - 中证1000VIX_30：26.89[65][73] --- 因子的回测效果 1. **分红调整年化基差因子（2025/5/16）** - IC当季合约：-10.17%（前值-9.05%） - IH当季合约：0.42%（前值1.25%）[20][27][32][38] 2. **SKEW因子（2025/5/16）** - 中证1000SKEW：107.96（反映尾部风险担忧） - 上证50SKEW：100.71（接近中性）[75][77]

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：宏观择时模型** - **模型构建思路**：基于动态宏观事件因子构建股债轮动策略，通过经济增长和货币流动性两个维度生成权益配置信号[26][27] - **模型具体构建过程**： 1. 经济增长信号：综合中采/财新PMI、工业增加值等指标，计算标准化得分 2. 货币流动性信号：结合SHIBOR、国债收益率、M1同比等数据，通过阈值判断生成强度信号 3. 权益仓位计算：$$仓位\% = 50\% \times (经济增长信号 + 货币流动性信号)$$ - **模型评价**：中期配置工具，对政策变化敏感[26] 2. **模型名称：微盘股择时模型** - **模型构建思路**：结合交易情绪与基本面指标监控微盘股风险[30][35] - **模型具体构建过程**： 1. 波动率拥挤度指标：计算市场波动率分位数与历史阈值比较 2. 十年国债利率同比：$$利率同比 = \frac{当期利率 - 上年同期利率}{上年同期利率}$$ 3. 风险预警：当波动率拥挤度>阈值或利率同比>0.3%时触发风控[30] 模型的回测效果 1. **宏观择时模型** - 2025年初至今收益率：1.06%（Wind全A基准1.90%）[26] - 4月权益仓位建议：25%（货币流动性信号强度50%）[26][27] 2. **微盘股择时模型** - 波动率拥挤度同比：-50.09%（未触发阈值）[31] - 十年国债利率同比：-28.69%（未触发0.3%阈值）[31] 量化因子与构建方式 1. **因子分类体系**（八大类）[51]： - **市值因子**：LN_MktCap（流通市值对数） - **价值因子**：BP_LR（账面净资产/市值）、EP_FTTM（预期净利润/市值） - **成长因子**：NetIncome_SQ_Chg1Y（单季度净利润同比） - **质量因子**：ROE_FTTM（预期ROE）、OCF2CurrentDebt（经营现金流/流动负债） - **一致预期因子**：EPS_FTTM_Chg3M（预期EPS变化率） - **技术因子**：Volume_Mean_20D_240D（成交量比率） - **波动率因子**：IV_CAPM（CAPM残差波动率） - **反转因子**：Price_Chg60D（60日收益率） 2. **转债因子构建**： - 正股成长因子：基于正股净利润增速 - 转债估值因子：平价底价溢价率[45] 因子的回测效果 1. **选股因子IC均值（上周）**[41]： | 因子类型 | 全部A股 | 沪深300 | 中证500 | 中证1000 | |---|---|---|---|---| | 市值因子 | 35.37% | -9.73% | 13.63% | 17.13% | | 反转因子 | 11.17% | 17.06% | 30.80% | 31.65% | | 波动率因子 | 2.14% | 5.04% | 16.85% | 15.33% | 2. **多空收益表现**[41][47]： - 市值因子（全部A股）：周度多空收益8.09% - 波动率因子（中证1000）：年内多空收益9.34% - 转债正股成长因子：上周多空收益显著[45] 关键公式说明 - 利率同比计算：$$利率同比 = \frac{r_t - r_{t-12}}{r_{t-12}}$$[35] - CAPM残差波动率：$$IV\_CAPM = \sqrt{\frac{\sum(\epsilon_i^2)}{n}}$$，其中$$\epsilon_i = r_i - (\alpha + \beta \cdot r_m)$$[51]

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**：沪深300指数增强模型 **模型构建思路**：通过跟踪沪深300指数并进行超额收益增强[1][2][3] **模型具体构建过程**：基于沪深300成分股，通过多因子选股和优化权重分配实现超额收益，具体公式为： $$R_{enhanced} = R_{index} + \alpha_{factor}$$ 其中，$R_{index}$为指数收益，$\alpha_{factor}$为因子超额收益[4] 2. **模型名称**：中证500指数增强模型 **模型构建思路**：跟踪中证500指数并增强收益[1][2][3] **模型具体构建过程**：采用动态因子暴露和风险控制模型，公式为： $$R_{enhanced} = R_{index} + \sum_{i=1}^{n} w_i \cdot f_i$$ 其中，$w_i$为因子权重，$f_i$为因子收益[4] 3. **模型名称**：中证1000指数增强模型 **模型构建思路**：跟踪中证1000指数并实现超额收益[1][3] **模型具体构建过程**：结合动量因子和波动率控制，公式为： $$R_{enhanced} = R_{index} + \beta \cdot MOM$$ 其中，$\beta$为动量因子暴露，$MOM$为动量因子收益[4] 4. **模型名称**：多因子主动量化模型 **模型构建思路**：综合多因子选股和主动管理[1][6] **模型具体构建过程**：集成价值、质量、动量等因子，公式为： $$Score = \sum_{i=1}^{k} \lambda_i \cdot F_i$$ 其中，$\lambda_i$为因子权重，$F_i$为因子标准化值[13] 模型的回测效果 1. **沪深300指数增强模型** - 本周超额收益中位数：-0.04%[3][4] - 本年度超额收益中位数：1.22%[3][4] 2. **中证500指数增强模型** - 本周超额收益中位数：0.16%[3][4] - 本年度超额收益中位数：1.29%[3][4] 3. **中证1000指数增强模型** - 本周超额收益中位数：0.12%[3][4] - 本年度超额收益中位数：3.36%[3][4] 4. **多因子主动量化模型** - 本周收益中位数：2.20%[13][19] - 本年度收益中位数：6.28%[13][19] 量化因子与构建方式 1. **因子名称**：动量因子（MOM） **因子构建思路**：捕捉股票价格趋势[13] **因子具体构建过程**：计算过去12个月收益率剔除最近1个月，公式为： $$MOM = \frac{P_{t-1}}{P_{t-12}} - 1$$ **因子评价**：在中小盘股中表现显著[13] 2. **因子名称**：价值因子（Value） **因子构建思路**：衡量股票估值水平[13] **因子具体构建过程**：结合PE、PB、PS指标，公式为： $$Value = \frac{1}{3}(PE_{norm} + PB_{norm} + PS_{norm})$$ 因子的回测效果 1. **动量因子（MOM）** - 信息比率（IR）：0.85[13] 2. **价值因子（Value）** - 信息比率（IR）：0.72[13] 注：部分模型和因子的具体构建细节未在研报中完整披露，已根据公开内容最大化还原[1][3][4][13][19]