根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **封板率模型** - 模型构建思路：通过统计涨停股票的持续涨停情况来反映市场情绪[16] - 模型具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 计算时筛选上市满3个月以上的股票，统计当日最高价与收盘价均涨停的股票占比[16] - 模型评价：高频指标能有效捕捉短期资金博弈强度 2. **连板率模型** - 模型构建思路：衡量涨停股票的连续性以观察市场热点持续性[16] - 模型具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 需排除新股和ST股票的影响[16] - 模型评价：对题材炒作周期有领先指示作用 量化因子与构建方式 1. **股指期货贴水率因子** - 因子构建思路：通过期货与现货价差反映市场预期[27] - 因子具体构建过程： $$年化贴水率=\frac{基差}{指数价格}×\frac{250}{合约剩余交易日数}$$ 分别计算上证50、沪深300、中证500、中证1000主力合约的贴水率[27] - 因子评价：贴水扩大通常预示市场避险情绪升温 2. **大宗交易折价率因子** - 因子构建思路：监测大资金交易溢价水平[25] - 因子具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计近半年日均折价率及单日异常值[25] - 因子评价：极端折价可能预示机构调仓行为 模型的回测效果 1. 封板率模型： - 当日取值62%（较前日下降5%）[16] - 近一月波动区间55%-70%[16] 2. 连板率模型： - 当日取值26%（较前日提升3%）[16] - 近一月波动区间20%-35%[16] 因子的回测效果 1. 股指期货贴水率因子： - 上证50年化贴水率0.16%（47%分位）[27] - 沪深300年化贴水率3.41%（36%分位）[27] - 中证500年化贴水率14.94%（7%分位）[27] - 中证1000年化贴水率14.72%（28%分位）[27] 2. 大宗交易折价率因子： - 当日折价率7.18%（近半年均值5.43%）[25] - 近半年日均成交金额16亿元[25]

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]

根据提供的研报内容，以下是量化模型和因子的总结： 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情况[3] - **模型具体构建过程**： 1. 每日计算各行业的拥挤度指标 2. 根据拥挤度指标对行业进行排序 3. 识别拥挤度较高和较低的行业 4. 监测单日拥挤度变动较大的行业 - **模型评价**：该模型能有效识别市场热点行业和潜在机会[3] 2. **模型名称：溢价率Z-score模型** - **模型构建思路**：通过滚动测算ETF产品的溢价率Z-score，筛选存在潜在套利机会的标的[4] - **模型具体构建过程**： 1. 计算ETF产品的溢价率 2. 计算溢价率的Z-score值 3. 根据Z-score值判断套利机会 - **模型评价**：该模型能有效识别ETF产品的套利机会，但需警惕标的回调风险[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**：通过计算主力资金净流入额，反映资金对行业的偏好[12] - **因子具体构建过程**： 1. 计算各行业单日主力资金净流入额 2. 计算近3个交易日主力资金净流入合计 3. 根据资金流向判断行业热度 2. **因子名称：ETF资金流向因子** - **因子构建思路**：通过监测ETF产品的资金净流入情况，反映市场偏好[6][7] - **因子具体构建过程**： 1. 计算各类ETF单日资金净流入额 2. 识别资金净流入和净流出的TOP3产品 3. 分析资金流向趋势 模型的回测效果 1. **行业拥挤度监测模型** - 识别出钢铁、环保、机械设备拥挤度靠前[3] - 识别出食品饮料、房地产、建筑材料拥挤度较低[3] - 监测到银行、医药生物、汽车单日拥挤度变动较大[3] 2. **溢价率Z-score模型** - 筛选出集成电路ETF、物联网沪港深ETF、工程机械ETF、东南亚科技ETF、医疗ETF易方达等建议关注的产品[13] 因子的回测效果 1. **主力资金净流入因子** - 主力资金流入公用事业、钢铁、石油石化[3] - 主力资金流出机械设备、电力设备、电子[3] - 近3个交易日主力资金大幅减配机械设备、电力设备、电子、计算机[3] 2. **ETF资金流向因子** - 宽基ETF单日净流入48.14亿元，其中A500指数ETF、中证1000ETF净流入较多[6] - 行业主题ETF单日净流入28.22亿元，其中证券ETF、券商ETF净流入较多[6] - 风格策略ETF单日净流入3.26亿元，其中自由现金流ETF、红利低波ETF净流入较多[6] - 跨境ETF单日净流入20.28亿元，其中港股通互联网ETF、港股通科技30ETF净流入较多[6]

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**：PB-ROE-50策略 - **模型构建思路**：基于Wilcox（1984）的PB-ROE定价模型，寻找市场中的预期差，叠加超预期因子（如SUE、ROE同比增长）增强收益[31] - **模型具体构建过程**： 1. 通过PB-ROE模型筛选预期差股票池 2. 使用SUE（标准化意外收益）和ROE同比增长因子进一步精选50只股票 3. 组合权重采用等权或因子加权方式（未明确说明） - **模型评价**：策略在中证500、中证800及全市场股票池中均表现稳定，超额收益显著[31][36] 2. **模型名称**：机构调研策略（含公募/私募子策略） - **模型构建思路**：通过机构调研数据挖掘超额alpha，公募策略侧重调研次数，私募策略跟踪知名私募调研动向[40] - **模型具体构建过程**： 1. 公募调研选股：筛选被公募频繁调研且调研前相对基准涨幅适中的股票 2. 私募调研跟踪：选择被知名私募调研的标的，结合价格动量过滤[40][42] - **模型评价**：私募策略超额收益更高，可能与私募调研信息含金量相关[40][42] 3. **模型名称**：市场情绪指标体系 - **模型构建思路**：通过量价数据构建情绪代理变量，包括上涨家数占比、动量情绪、均线情绪三类指标[11][12] - **模型具体构建过程**： - **上涨家数占比**： $$ N日上涨家数占比 = \frac{沪深300成分股过去N日收益>0的个股数}{成分股总数} $$ 平滑处理：快线（35日MA）>慢线（50日MA）时看多[12][15] - **均线情绪**：计算收盘价对8条均线（参数：8/13/21/34/55/89/144/233）的突破数量，超过5条看多[19][26] - **模型评价**：上涨家数指标对上涨市场敏感，但易错过持续亢奋阶段；均线指标对趋势判断更稳健[12][19] 4. **因子名称**：有息负债率（传统/严苛/宽松口径） - **因子构建思路**：识别高偿债压力公司，宽松口径增加其他流动负债等科目以增强空头收益[45] - **因子具体构建过程**： - 传统口径：$$ \frac{短期借款+长期借款+应付债券}{总资产} $$ - 宽松口径：增加租赁负债、其他流动负债等科目[45] - **因子评价**：宽松口径在回测中表现更优，对财务风险预警更敏感[45] 5. **因子名称**：财务成本负担率 - **因子构建思路**：通过利息费用与EBIT的比值衡量企业还息压力[49] - **因子具体构建过程**： $$ 财务成本负担率 = \frac{利息费用}{息税前利润} $$ - **因子评价**：对利润表流量数据更敏感，能捕捉资产负债表未反映的风险[49] --- 模型的回测效果 1. **PB-ROE-50模型** - 中证500：今年以来超额收益3.28%，上月2.45%[36] - 中证800：今年以来超额收益3.82%，上月2.01%[36] - 全市场：今年以来超额收益6.58%，上月3.17%[36] 2. **机构调研模型** - 公募调研：今年以来超额收益1.21%，上月1.30%[42] - 私募调研：今年以来超额收益6.88%，上月2.96%[42] 3. **市场情绪模型** - 动量情绪指标：快线下穿慢线时策略净值回撤0.3[17] - 均线情绪指标：非景气区间内沪深300净值下跌15%[20] --- 因子的回测效果 1. **有息负债率因子** - 宽松口径Top30股票平均跑输基准12.5%[45][46] 2. **财务成本负担率因子** - 数值>10倍的股票平均跑输基准18.7%[49][50] 注：所有测试结果均基于2025年1-3月数据[36][42][45][49]

量化模型与构建方式 1. **模型名称：逆周期配置模型** - **模型构建思路**：通过信用利差和期限利差预测未来宏观环境（Growth、Inflation、Slowdown），并选择不同环境下表现最优的资产构建绝对收益组合[8] - **模型具体构建过程**： 1. 使用信用利差预测经济增长方向，期限利差预测通货膨胀方向 2. 将宏观环境划分为Growth、Inflation、Slowdown三个阶段 3. 根据不同阶段配置资产： - Growth环境：超配股票资产10%（沪深300，30%） - Inflation环境：维持股票基准配置比例（沪深300，20%），并配置南华商品30% - Slowdown环境：低配股票资产10%（国证2000，10%）[9] 2. **模型名称：宏观动量模型** - **模型构建思路**：通过经济增长、通货膨胀、汇率、利率、风险情绪等大类因子对股票、债券、黄金等资产进行月度择时[12] - **模型具体构建过程**： 1. 对每类资产设置多个大类因子（如经济增长、通货膨胀等） 2. 每个大类因子下包含多个小类因子（如PMI、PPI等） 3. 根据小类因子的最新变化和影响方向计算分项信号 4. 汇总分项信号得到大类因子信号，最终汇总为总信号[13][14][16] 3. **模型名称：行业复合趋势因子模型** - **模型构建思路**：从行业维度构建指标作为市场行情启动信号，因子绝对值超过阈值后触发多空信号[16] - **模型具体构建过程**： 1. 计算行业维度的趋势指标 2. 因子绝对值超过一定水平后触发买入信号，绝对值突降时触发空仓信号[16] 量化因子与构建方式 1. **因子名称：行业复合趋势因子** - **因子构建思路**：通过行业维度指标捕捉市场趋势变化[16] - **因子评价**：能够有效识别市场行情启动和顶部信号[16] 2. **因子名称：经济增长因子** - **因子构建思路**：包含PMI、财新PMI等小类因子，用于预测经济增长方向[13] 3. **因子名称：通货膨胀因子** - **因子构建思路**：包含PPI当月同比、PPI预期误差等小类因子，用于预测通货膨胀方向[13] 4. **因子名称：汇率因子** - **因子构建思路**：包含CFETS人民币汇率指数、美元中间价等小类因子，用于预测汇率变化[13] 5. **因子名称：利率因子** - **因子构建思路**：包含中债企业债到期收益率、中债国开债到期收益率等小类因子，用于预测利率变化[13] 6. **因子名称：风险情绪因子** - **因子构建思路**：包含Wind全A前一个月收益率、波动率变化等小类因子，用于预测市场风险情绪[13] 模型的回测效果 1. **逆周期配置模型** - 2025Q1累计净值表现：沪深300（-1.21%）、国证2000（6.03%）、南华商品（1.52%）、中债国债总财富指数（-0.90%）[8] - 长期表现：以股债20-80为基准的逆周期策略累计净值显著优于基准[11] 2. **行业复合趋势因子模型** - 累积收益（2015.1-2025.3）：79.47% - 超额收益（2015.1-2025.3）：39.0% - 最新信号（2025.3）：因子值为0.09，维持正向信号[17] 因子的回测效果 1. **行业复合趋势因子** - 2025年3月信号：正向 - Wind全A当月收益率：-0.004%[17] 2. **经济增长因子** - 2025年4月信号：正向（汇总信号为1）[13] 3. **通货膨胀因子** - 2025年4月信号：中性（汇总信号为0）[13] 4. **汇率因子** - 2025年4月信号：负向（汇总信号为-1）[13] 5. **利率因子** - 2025年4月信号：正向（汇总信号为1）[13] 6. **风险情绪因子** - 2025年4月信号：负向（汇总信号为-1）[13]

量化模型与构建方式 1. **模型名称**：宏观+量价大小盘双驱轮动策略 **模型构建思路**：从宏观经济和微观量价层面分析驱动大小盘风格轮动的因素，整合有效因子形成综合策略[6] **模型具体构建过程**： - 单因子信号值：1表示大盘信号，-1表示小盘信号，0表示无信号[7] - 综合分数计算：各因子信号值加权求和，若>0全仓沪深300，<0全仓中证1000，=0等权配置[7] **模型评价**：回测胜率达82.22%，但2025Q1区间收益为-1.21%，存在短期波动风险[6][10] 2. **模型名称**：宏观量价双驱价值成长风格轮动模型 **模型构建思路**：结合宏观经济和量价因子预测价值/成长风格切换[11] **模型具体构建过程**： - 单因子信号值：1表示价值信号，-1表示成长信号，0表示无信号[12] - 综合分数应用：>0全仓国证价值指数，<0全仓国证成长指数，=0等权配置[12] **模型评价**：回测胜率77.78%，2025Q2信号转向价值风格[11][16] 3. **模型名称**：行业轮动复合因子策略 **模型构建思路**：整合历史基本面、预期基本面、情绪面、量价技术面、宏观经济五类因子[17] **模型具体构建过程**： - 因子标准化：对30个中信一级行业的多维度因子进行Z-score标准化 - 组合构建：选取标准化总分前5行业等权配置[20] 4. **模型名称**：行业轮动单因子多策略 **模型构建思路**：独立运行多类单因子策略并等权合成[17] **模型具体构建过程**： - 单因子筛选：每类因子选取IC最高的代表性指标 - 信号合成：各单因子策略信号等权加权[20] 模型的回测效果 1. **宏观+量价大小盘双驱轮动策略** - 区间收益：-1.21% - 年化收益：-4.92% - 年化波动：14.80% - 最大回撤：5.40% - 夏普比率：-0.33 - 卡玛比率：-0.91[10] 2. **宏观量价双驱价值成长风格轮动模型** - 区间收益：0.46% - 年化收益：1.94% - 年化波动：17.51% - 最大回撤：5.23% - 夏普比率：0.11 - 卡玛比率：0.37[16] 3. **行业轮动复合因子策略** - 上月超额收益：1.45% - 2025年超额收益：5.94%[20] 4. **行业轮动单因子多策略** - 上月超额收益：2.52% - 2025年超额收益：4.05%[20] 量化因子与构建方式 1. **因子名称**：大小盘轮动宏观因子组 **因子构建思路**：包含货币流动差分、PMI季均、社融加权同比等7个宏观指标[7] **因子具体构建过程**： - 信号标准化：对原始指标进行3个月移动平均处理 - 方向判定：突破阈值时发出1/-1信号[7] 2. **因子名称**：价值成长轮动量价因子组 **因子构建思路**：涵盖风格拥挤度、市场情绪等微观指标[12] **因子具体构建过程**： - 情绪指标：基于换手率波动率构建 - 拥挤度计算：$$ Crowding = \frac{Price - MA_{20}}{σ_{20}} $$[12] 因子的回测效果 1. **大小盘轮动宏观因子组** - 2025Q2信号强度：货币流动差分(-1)、PMI季均(1)、社融加权同比(1)[7] 2. **价值成长轮动量价因子组** - 2025Q2信号强度：风格拥挤度(1)、市场情绪(-1)[12] 最新配置信号 1. **大小盘风格**：2025Q2综合分数3，推荐大盘风格[6] 2. **价值成长风格**：2025Q2综合分数3，推荐价值风格[11] 3. **行业配置**： - 单因子多策略推荐：有色金属、建材、银行、非银行金融[20] - 复合因子策略推荐：汽车、有色金属、非银行金融、建材、基础化工[20]

量化因子与构建方式 1. **因子名称：估值偏离EPD因子** - **构建思路**：结合布林带均值回复策略与基本面估值修复逻辑，利用PE指标的均值回复特性构建[7][12] - **具体构建过程**： 1. 计算个股PE相对于其历史均值的偏离程度 2. 通过布林带上下轨确定偏离阈值，捕捉异常估值 3. 公式：$$EPD = \frac{PE_t - \mu_{PE}}{\sigma_{PE}}$$，其中$\mu_{PE}$为滚动窗口PE均值，$\sigma_{PE}$为滚动标准差[7] - **因子评价**：对短期估值偏离敏感，但易受个股估值逻辑突变影响 2. **因子名称：缓慢偏离EPDS因子** - **构建思路**：在EPD基础上剔除估值逻辑突变的个股（用信息比率代理逻辑稳定性）[7][12] - **具体构建过程**： 1. 计算个股信息比率IR，衡量其估值逻辑稳定性 2. 对EPD因子加权调整：$$EPDS = EPD \times (1 - w_{IR})$$，$w_{IR}$为IR的归一化权重[7] - **因子评价**：降低噪声但保留核心均值回复特性 3. **因子名称：估值异常EPA因子** - **构建思路**：在EPDS基础上剔除Beta、成长/价值风格的影响[7][12] - **具体构建过程**： 1. 对EPDS因子进行横截面回归，剥离市场Beta、估值（BP）、成长（GP）等风格因子 2. 取残差作为EPA因子：$$EPA = EPDS - (\beta \cdot MKT + \gamma_1 \cdot BP + \gamma_2 \cdot GP)$$[7] - **因子评价**：纯净的估值异常捕捉能力，逻辑鲁棒性显著提升 --- 因子回测效果 （2010/02-2025/03全市场测试，5分组多空对冲）[8][12] | 因子 | 年化收益 | 年化波动 | IR | 月度胜率 | 最大回撤 | |-------------|----------|----------|------|----------|----------| | EPD | 17.83% | 10.02% | 1.78 | 71.43% | 8.93% | | EPDS | 16.38% | 5.73% | 2.86 | 79.12% | 3.10% | | EPA | 17.40% | 5.11% | 3.40 | 81.32% | 3.12% | **2025年3月单月表现**：EPA因子多头收益1.52%，空头收益-1.26%，多空收益2.78%[15] --- 补充说明 - **历史回测差异**：2010/01-2022/05测试中EPA因子IR达3.76，胜率86.99%，显示近期波动略有增大[7] - **因子层级关系**：EPA为EPDS的纯净版，EPDS为EPD的稳定版，形成递进优化链条[7][12]

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**：开源金工优选金股组合 **模型构建思路**：基于新进金股样本，结合业绩超预期因子（SUE因子）进行选股，构建优选金股组合[24] **模型具体构建过程**： - 筛选新进金股作为初始样本 - 计算业绩超预期因子（SUE因子）得分： $$SUE = \frac{实际EPS - 预期EPS}{预期EPS的标准差}$$ 其中实际EPS为最新财报公布的每股收益，预期EPS为市场一致预期[24] - 选取SUE因子得分前30的金股 - 按券商推荐家数进行加权配置[24] **模型评价**：该模型在新进金股中表现出优异的选股能力，历史回测显示能持续跑赢基准[24] 2. **模型名称**：券商金股基础组合 **模型构建思路**：基于全市场券商推荐的金股，按推荐次数加权构建组合[18] **模型具体构建过程**： - 收集全市场39家券商发布的十大金股 - 去重后保留250只个股 - 按券商推荐次数计算个股权重 - 分为全样本组合、新进金股组合和重复金股组合三类[18] 模型的回测效果 1. **开源金工优选金股组合** - 3月收益率：1.2%[25] - 2025年收益率：12.8%[25] - 年化收益率：20.9%[25] - 年化波动率：25.5%[25] - 收益波动比：0.82[25] - 最大回撤：24.6%[25] 2. **券商金股基础组合** - 全样本组合： - 3月收益率：-0.2%[20] - 2025年收益率：4.5%[20] - 年化收益率：11.1%[20] - 年化波动率：23.7%[20] - 收益波动比：0.47[20] - 最大回撤：42.6%[20] - 新进金股组合： - 3月收益率：-1.1%[20] - 2025年收益率：8.2%[20] - 年化收益率：14.0%[20] - 年化波动率：24.5%[20] - 收益波动比：0.57[20] - 最大回撤：38.5%[20] - 重复金股组合： - 3月收益率：0.7%[20] - 2025年收益率：1.7%[20] - 年化收益率：8.6%[20] - 年化波动率：23.7%[20] - 收益波动比：0.36[20] - 最大回撤：45.0%[20] 量化因子与构建方式 1. **因子名称**：业绩超预期因子（SUE因子） **因子构建思路**：捕捉上市公司业绩超出市场预期的选股能力[24] **因子具体构建过程**： - 获取个股最新财报公布的EPS - 获取市场一致预期的EPS - 计算历史预期EPS的标准差 - 按公式计算SUE值： $$SUE = \frac{实际EPS - 预期EPS}{预期EPS的标准差}$$[24] **因子评价**：在新进金股样本中具有显著的选股能力[24] 因子的回测效果 1. **业绩超预期因子（SUE因子）** - 在优选金股组合中年化超额收益达9.8%（相对中证500）[24] - 信息比率（IR）：1.25[24]