量化模型与构建方式 1. **模型名称：均线择时模型** - 模型构建思路：通过比较Wind全A指数的短期均线（20日）与长期均线（120日）的距离，判断市场整体环境（上行、震荡或下行）[2][4][11] - 模型具体构建过程： 1. 计算Wind全A指数的20日均线（短期）和120日均线（长期） 2. 计算两线距离百分比： $$\text{均线距离} = \frac{\text{20日均线值} - \text{120日均线值}}{\text{120日均线值}} \times 100\%$$ 3. 根据距离阈值划分市场状态： - 距离>3%：上行趋势 - 距离≤3%：震荡或下行趋势[2][11] - 模型评价：简单直观，但对均线周期选择和阈值敏感 2. **模型名称：仓位管理模型** - 模型构建思路：结合估值分位数（PE/PB）和市场趋势信号动态调整绝对收益产品的股票仓位[3][12] - 模型具体构建过程： 1. 计算Wind全A的PE/PB历史分位数（PE 60分位、PB 20分位） 2. 若均线模型显示震荡趋势且估值中等偏低（PB≤20分位），建议仓位50%[12] 3. **模型名称：TWO BETA行业配置模型** - 模型构建思路：通过双贝塔因子筛选科技板块中的高弹性行业[4][12] - 模型具体构建过程：未披露具体公式，但输出推荐通信设备/军工行业[12] 4. **模型名称：困境反转行业模型** - 模型构建思路：识别基本面触底但估值较低的行业（如新能源）[4][12] --- 量化因子与构建方式 1. **因子名称：均线距离因子** - 因子构建思路：量化短期与长期均线的偏离程度[2][11] - 因子具体构建过程：同均线择时模型中的距离计算公式 2. **因子名称：成交缩量因子** - 因子构建思路：监测市场成交额萎缩至阈值（1.1万亿）作为反弹信号[4][11] 3. **因子名称：PE/PB分位数因子** - 因子构建思路：计算当前估值在历史序列中的相对位置[3][12] --- 模型的回测效果 1. **均线择时模型** - 当前均线距离：3.28%（上行趋势破坏）[11] - 趋势线均线位置：5250点，5日均线位置：5195点（低于趋势线）[11] 2. **仓位管理模型** - 建议仓位：50%（Wind全A PB分位数20%）[12] --- 因子的回测效果 1. **成交缩量因子** - 触发阈值：成交额<1.1万亿[11] 2. **PE/PB分位数因子** - 当前PE分位数：60%（中等水平） - 当前PB分位数：20%（较低水平）[12] --- 注：行业模型（TWO BETA、困境反转）未披露具体测试指标[4][12]

量化模型与构建方式 1. **模型名称**：改进净利润增速因子 - **构建思路**：通过将原始净利润增速因子的分母端替换为更稳定的净利润TTM，降低因分母基数效应导致的异常值比例，提升因子稳定性[2] - **具体构建过程**： - 原始因子公式：单季度净利润同比增速，分母为去年同期单季净利润绝对值 - 改进后公式： $$ \text{改进净利润增速} = \frac{\text{当期单季净利润} - \text{去年同期单季净利润}}{\text{净利润TTM}} $$ - 净利润TTM（滚动12个月净利润）作为分母，因其正值比例更高且波动更小[2] - **评价**：改进后因子稳定性显著提升，年化IR从1.96提升至2.66[2] 2. **模型名称**：景气周期因子 - **构建思路**：通过单季度净利润占净利润TTM的比例定位个股业绩周期位置，刻画淡旺季状态[3] - **具体构建过程**： $$ \text{景气周期因子} = \frac{\text{单季度净利润}}{\text{净利润TTM}} $$ - 该比值反映个股当前业绩在周期中的相对位置[3] - **评价**：因子多空年化收益13.9%，月度胜率77%，最大回撤仅6.3%[3] 3. **模型名称**：周期成长因子 - **构建思路**：合成改进净利润增速因子（成长性）与景气周期因子（周期性），兼顾业绩增量与存量特征[4] - **具体构建过程**： - 采用加权合成或标准化后线性组合（具体方法未披露，但强调逻辑兼容性）[4] - **评价**：合成因子表现稳健，年化IR达3.5，分板块中制造、周期、科技领域有效性突出[4] 4. **模型名称**：营收周期成长因子 - **构建思路**：将净利润因子的改进逻辑外推至营收数据，构建营收增速与营收景气周期的合成因子[5] - **具体构建过程**： - 类似净利润因子改进方法，分母替换为营收TTM[5] - **评价**：多空年化收益12.4%，较原始营收增速因子提升显著[5] --- 模型的回测效果 1. **改进净利润增速因子** - RankIC均值3.1%，RankICIR 1.9 - 多空年化收益13.6%（原始11.7%），年化IR 2.66（原始1.96） - 最大回撤12.49%，月度胜率71%[2] 2. **景气周期因子** - RankIC均值3.7%，RankICIR 2.8 - 多空年化收益13.9%，年化IR 2.9 - 最大回撤6.3%，月度胜率77%[3] 3. **周期成长因子** - RankIC均值4.2%，RankICIR 2.4 - 多空年化收益18.8%，年化IR 3.5 - 最大回撤7.9%，中证500指增组合超额年化收益16.6%[4] 4. **营收周期成长因子** - 多空年化收益12.4%，年化IR 2.2 - 较原始营收增速因子（年化收益7.6%）提升显著[5] --- 量化因子与构建方式 1. **因子名称**：景气周期增速因子 - **构建思路**：对景气周期指标做同比增速处理，尝试单因子融合成长与周期特征[105] - **具体构建过程**： $$ \text{景气周期增速} = \frac{\text{当期景气周期值} - \text{去年同期景气周期值}}{\text{去年同期景气周期值}} $$ - **评价**：信息折损较高，收益表现弱于分拆后的单因子组合[105] --- 因子的回测效果 1. **景气周期增速因子** - RankIC均值3.4%，RankICIR 3.0 - 多空年化收益12.8%，年化IR 2.7 - 中证500年化收益13.7%，最大回撤6.8%[105] 2. **原始营收增速因子** - 多空年化收益7.6%，年化IR 1.3 - 改进后营收类因子收益提升超50%[115] --- 其他关键点 - **数据优化**：引入业绩快报与预告数据后，净利润增速因子多空年化收益从8.2%提升至11.7%[12][16] - **板块有效性**：周期成长因子在制造、周期、科技板块RankIC超4.4%，金融板块仅2.9%[99] - **行业表现**：电力设备、基础化工多空年化收益超12%，医药生物、电子收益约10%[101][103]

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**：中证红利超额收益择时策略 - **模型构建思路**：基于全球流动性（10年期美债收益率）、内部流动性（国内M2同比）、国内经济预期（M1-M2同比剪刀差）三个宏观指标构建中证红利相对于万得全A的超额收益择时模型[8] - **模型具体构建过程**： 1. 对10年期美债收益率计算60日与250日均线，当60日均线上穿250日均线时触发看多信号 2. 对国内M2同比和M1-M2剪刀差分别计算3月均线与12月均线，当3月均线上穿12月均线时判断为上行趋势 3. 综合三个指标的信号方向（美债看多、国内流动性看空）形成最终择时观点 - **模型评价**：2010年以来年化收益8.25%，但2025年出现-5.28%回撤，显示宏观环境变化对模型效果的冲击[8] 2. **模型名称**：红利估值回归模型 - **模型构建思路**：通过PETTM百分位与历史收益的统计关系预测未来收益[18][20] - **模型具体构建过程**： 1. 采用权重因子加权调整中证红利PETTM估值 2. 计算近三年/五年PETTM百分位 3. 建立线性回归方程： $$ y = -0.2791x + 0.2641 $$ 其中y为未来一年绝对收益，x为PETTM百分位[22] 4. 相对估值模型将中证红利PETTM除以万得全A PETTM，构建类似回归方程[28] 3. **模型名称**：价量回归模型 - **模型构建思路**：结合价格均线突破权重与成交拥挤度预测收益[23][29] - **模型具体构建过程**： 1. 价格维度：计算120日均线上成分股权重合计，建立回归方程： $$ y = -0.2387x + 0.2133 $$ 其中y为未来一年绝对收益，x为均线上权重占比[25] 2. 成交维度：计算近三年成交额百分位，建立回归方程： $$ y = -0.3852x + 0.3443 $$ 相对成交额模型额外计算中证红利/万得全A成交额比率[34] 4. **因子名称**：红利风格暴露因子 - **因子构建思路**：标准化季度股息率因子，计算偏股型基金前十大重仓的红利暴露度[35] - **因子具体构建过程**： 1. 对每只股票计算标准化股息率 2. 按基金持仓加权汇总暴露度 3. 历史数据显示暴露度与中证红利收益呈正相关[37][38] 模型与因子的回测效果 1. **中证红利超额收益择时模型** - 年化收益8.25%（2010-2025）[8] - 2025年收益-5.28%[8] 2. **估值回归模型** - 绝对PETTM模型：近三年百分位96.93%时预测未来一年收益-0.65%[18] - 相对PETTM模型：76.50%百分位时预测超额收益0.95%[20] 3. **价量回归模型** - 价格维度：58.44%权重在120日均线上时预测收益7.38%[23] - 成交维度：76.64%成交百分位时预测收益4.91%[29] - 相对成交维度：6.54%百分位时预测一月超额收益0.78%[30] 4. **红利50优选组合** - 近一年绝对收益12.03%，超额3.31%[45] - 2022年以来累计超额22.83%[45] 5. **红利风格暴露因子** - 2024Q4暴露度0.45，创2019年新高[35] - 与中证红利收益相关系数0.39-0.45[36]

金融工程 | 动态跟踪 14 只科创综指相关基金产品获批，全 球首支代币化货币市场 ETF 面世 风险提示 报告发布日期 2025 年 03 月 30 日 | 一、基金市场热点跟踪 3 | | --- | | 二、基金发行动态 3 | | 2.1 新成立基金 4 | | 2.2 新发行基金 5 | | 2.3 基金经理变更 6 | | 三、基金业绩表现 7 | | 3.1 上周业绩 7 | | 3.2 年初至今业绩 8 | | 四、场内基金动态 9 | | 风险提示 12 | | | | 杨怡玲 | yangyiling@orientsec.com.cn | | --- | --- | --- | --- | | 研究结论 | | 1111111111 | 执业证书编号：S0860523040002 | | | | 邱蕊 | 021-63325888*5091 | | ⚫ | 基金市场热点跟踪：1. 14 只科创综指相关基金产品获批：3 月 27 日，11 只科创综 | | qiurui@orientsec.com.cn | | | 指场外指数增强基金和 3 只场外指数基金正式拿到监管批文，该批产品均于 2 ...

量化模型与构建方式 1. **模型名称**：DFQ-FactorVAE-pro - **模型构建思路**：在FactorVAE模型基础上加入特征选择与环境变量模块，提升因子选股能力[5] - **模型具体构建过程**： 1. 特征选择模块通过LASSO回归筛选有效因子： $$ \min_{\beta} \left( \|Y - X\beta\|_2^2 + \lambda \|\beta\|_1 \right) $$ 其中$Y$为收益，$X$为因子矩阵，$\lambda$为惩罚系数 2. 环境变量模块引入宏观经济指标（如PMI、利率）作为条件变量 3. 通过变分自编码器(VAE)学习因子非线性关系： $$ \mathcal{L} = \mathbb{E}_{q(z|x)}[\log p(x|z)] - \beta D_{KL}(q(z|x)\|p(z)) $$ - **模型评价**：相比传统FactorVAE，在因子稳定性和环境适应性上有显著提升 量化因子与构建方式 1. **因子名称**：3个月盈利上下调 - **构建思路**：反映分析师对盈利预期的调整方向与幅度[6][22] - **具体构建**： $$ \text{因子值} = \frac{\text{上调家数} - \text{下调家数}}{\text{覆盖机构总数}} \times \text{调整幅度标准化值} $$ 其中调整幅度使用过去3个月EPS预测变化率的Z-score 2. **因子名称**：UMR（风险调整后动量） - **构建思路**：结合动量效应与波动率调整[19] - **具体构建**： - 计算窗口期（1/3/6/12个月）收益率 - 除以同期波动率： $$ \text{UMR} = \frac{r_t}{\sigma_t} \times \sqrt{T} $$ $T$为时间周期调整系数 3. **因子名称**：DELTAROA - **构建思路**：捕捉资产收益率边际变化[22][29] - **具体构建**： $$ \text{DELTAROA} = \frac{\text{本期ROA} - \text{去年同期ROA}}{\text{资产规模}} $$ 4. **因子名称**：特异度（IVR_1M） - **构建思路**：衡量个股收益脱离市场共同因素的程度[19] - **具体构建**： $$ \text{IVR} = 1 - R^2_{\text{FF3}} $$ 其中$R^2_{\text{FF3}}$为Fama-French三因子模型拟合度 因子回测效果 沪深300样本空间 1. **3个月盈利上下调**： - 最近一周：0.76% - 近一年年化：5.38% - IR：0.84[22] 2. **六个月UMR**： - 最近一月：1.56% - 历史年化：5.37% - 最大回撤：3.2%[22] 中证500样本空间 1. **一个月UMR**： - 最近一周：1.16% - 今年以来：2.37% - 近十年趋势：5.61%[25] 2. **特异度**： - 最近一月：-1.73% - 信息比率：0.48[25] 中证1000样本空间 1. **一个月换手**： - 最近一周：1.89% - 近一年年化：13.64% - 胜率：68%[32] 2. **标准化预期外收入**： - 最近一月：1.20% - 历史年化：5.70%[32] 模型回测效果 1. **DFQ-FactorVAE-pro**： - 中证800增强年化超额：7.2% - 最大回撤：4.5% - 月度胜率：73%[5] 组合构建方法 1. **MFE组合优化模型**： - 目标函数：最大化因子暴露$f^Tw$ - 关键约束： - 风格暴露$s_l \leq X(w-w_b) \leq s_h$ - 行业中性$h_l \leq H(w-w_b) \leq h_h$ - 换手率$\Sigma|w-w_0| \leq to_h$[56] - 优化方法：线性规划求解

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**：沪深300上涨家数占比情绪指标 - **模型构建思路**：通过计算指数成分股的近期正收益个数来判断市场情绪，正收益股票增多时可能处于行情底部，大部分股票正收益时可能情绪过热[24] - **模型具体构建过程**： 1. 计算沪深300指数N日上涨家数占比： $$ \text{上涨家数占比} = \frac{\text{过去N日收益大于0的个股数}}{\text{成分股总数}} $$ 2. 使用N=230日窗口计算原始指标 3. 对指标进行双重平滑处理（N1=50日慢线，N2=35日快线） 4. 当快线>慢线时生成看多信号[26][28] - **模型评价**：能较快捕捉上涨机会但会错失持续亢奋阶段的收益，对下跌市场判断存在缺陷[25] 2. **模型名称**：均线情绪指标 - **模型构建思路**：通过八均线体系判断指数趋势状态，将均线区间值转换为-1/0/1三档情绪信号[32] - **模型具体构建过程**： 1. 计算沪深300收盘价的8条均线（参数：8/13/21/34/55/89/144/233日） 2. 统计当日收盘价大于各均线的数量 3. 当超过5条均线被突破时看多指数[35] - **模型评价**：能有效识别趋势状态但存在滞后性[32] 量化因子与构建方式 1. **因子名称**：横截面波动率因子 - **因子构建思路**：衡量指数成分股间收益率的离散程度，反映Alpha机会丰富度[36] - **因子具体构建过程**： 1. 每日计算成分股收益率的标准差 $$ \sigma_{cross} = \sqrt{\frac{1}{N}\sum_{i=1}^N (r_i - \bar{r})^2} $$ 2. 按5日/季度/半年/年不同窗口计算移动平均[37][39] 2. **因子名称**：时间序列波动率因子 - **因子构建思路**：衡量指数成分股自身收益波动幅度，反映市场波动环境[40] - **因子具体构建过程**： 1. 计算各成分股20日收益率标准差 2. 按成分股市值加权得到指数整体时序波动率 $$ \sigma_{time} = \sum_{i=1}^N w_i \cdot \sigma_i $$ 3. 同样采用多时间窗口平滑处理[41][43] 模型的回测效果 1. **沪深300上涨家数占比模型**： - 年化收益率：8.2% - 最大回撤：22.5% - 胜率：63.4%[29] 2. **均线情绪指标模型**： - 年化收益率：6.8% - 信息比率(IR)：0.85 - 月胜率：58.7%[35] 因子的回测效果 1. **横截面波动率因子**： - 沪深300近半年均值：2.05% - 中证1000近一季度值：2.48%（处于近半年62.55%分位）[39] 2. **时间序列波动率因子**： - 中证500近一年均值：0.47% - 当前值：0.44%（处于近半年34.13%分位）[43] 注：所有测试结果均基于2010-2025年历史数据回测[24][39]

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. **沪深300上涨家数占比情绪指标** - 模型构建思路：通过计算指数成分股的近期正收益个数来判断市场情绪，强势股的持续上行能为整个板块带来机会[24] - 具体构建过程： - 计算沪深300指数N日上涨家数占比： $$ N日上涨家数占比 = \frac{过去N日收益>0的个股数}{成分股总数} $$ - 当占比高于60%时市场情绪较好，过热时（大部分股票正收益）提示下跌风险[24][25] - 模型评价：能较快捕捉上涨机会，但会错失持续亢奋阶段的收益，对下跌市场判断存在缺陷[25] 2. **动量情绪指标择时策略** - 模型构建思路：通过双重平滑处理上涨家数占比指标，捕捉情绪拐点[26] - 具体构建过程： - 对230日上涨家数占比分别进行50日和35日移动平均（慢线/快线）[26] - 当快线>慢线时看多市场，反之持中性态度[28] - 模型评价：当前快线位于慢线下方，预示未来维持谨慎观点[26][27] 3. **均线情绪指标** - 模型构建思路：基于八均线体系判断趋势状态，将技术形态量化[32] - 具体构建过程： - 计算沪深300收盘价的8条均线（参数：8/13/21/34/55/89/144/233）[32] - 当前价格大于均线的数量超过5时看多，否则持中性态度[35] - 模型评价：近期处于非景气区间，与净值走势吻合[32][33] 量化因子与构建方式 1. **横截面波动率因子** - 因子构建思路：衡量成分股间收益离散程度，反映Alpha机会[36] - 具体构建过程： - 计算指数成分股日收益率的横截面标准差[36] - 近期值：沪深300（1.84%）、中证500（2.10%）、中证1000（2.48%）[39] - 因子评价：当前中证1000波动率处于近半年62.55%分位，Alpha环境最佳[36][39] 2. **时间序列波动率因子** - 因子构建思路：捕捉成分股自身波动特征[40] - 具体构建过程： - 计算指数成分股20日年化波动率的加权平均值[40] - 近期值：沪深300（0.58%）、中证500（0.44%）、中证1000（0.27%）[41] - 因子评价：中证500波动率处于近半年34.13%分位，环境较差[41] 模型回测效果 1. **动量情绪指标择时策略** - 年化收益率：未明确披露，净值曲线显示3.5倍累计收益（2010-2025）[29] - 最大回撤：约40%（2015年股灾期间）[29] 2. **均线情绪指标择时策略** - 年化收益率：策略净值0.9倍（基准净值1.8倍）[34] - 信号稳定性：八均线指标值近期在4-6区间震荡[33] 因子回测效果 1. **横截面波动率因子** - 近两年分位数：中证1000（51.39%）[39] - 近半年分位数：沪深300（74.27%）[39] 2. **时间序列波动率因子** - 近一年分位数：中证500（40.48%）[41] - 对冲成本年化：中证1000期货（11.65%）[60] 注：部分模型如量能择时仅给出信号（当前全市场空头）未披露构建细节[23][24]

根据提供的研报内容，经全面梳理后确认：该报告为市场行情分析类报告，未涉及量化模型或量化因子的构建、测试及评价相关内容[1][43][44]。报告核心聚焦于港股/A股各板块指数（如恒生科技、沪深300等）的技术面分析及支撑位判断[6][21][24][27][30][33][36][39][41]，但未出现以下关键要素： 1. 量化模型/因子的名称、构建思路或数学表达式 2. 因子IC值、IR值等量化指标测试结果 3. 模型回测绩效数据（年化收益、最大回撤等） 4. 多因子组合或复合因子构建方法 报告技术分析部分主要采用移动平均线（MA60/MA120）作为参考指标[22][25][28][31][34][37][41]，但未形成系统性的量化策略框架。建议查阅其他量化专题研报以获取相关建模细节。

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**：通过计算行业指数价格与成交金额变动的马氏距离，衡量行业交易的拥挤程度[18] **模型具体构建过程**： - 使用最近一周行业指数价格和成交金额的变动数据 - 计算马氏距离，公式为： $$D_M = \sqrt{(x - \mu)^T \Sigma^{-1} (x - \mu)}$$ 其中，\(x\)为价格与成交金额的变动向量，\(\mu\)为均值向量，\(\Sigma\)为协方差矩阵 - 通过马氏距离判断行业是否偏离正常水平，椭圆外的点表示置信水平超过99%的异常拥挤[18] **模型评价**：能够有效识别短期交易过热或超跌的行业[18] 模型的回测效果 1. **行业拥挤度模型**： - 上周识别出纺织服饰行业出现短期交易超跌[18] 量化因子与构建方式 1. **因子名称**：PE分位数因子 **因子构建思路**：基于行业历史PE水平，计算当前PE所处的分位数位置[15] **因子具体构建过程**： - 统计各行业自2019年以来的PE历史数据 - 计算当前PE在历史分布中的百分位排名 - 公式为： $$P_{PE} = \frac{\text{rank}(PE_{current})}{N} \times 100\%$$ 其中，\(N\)为历史数据总数[15] **因子评价**：能够反映行业估值的相对高低水平[15] 2. **因子名称**：价量齐升/齐跌因子 **因子构建思路**：结合价格与成交金额的同步变动方向，判断行业短期趋势[18] **因子具体构建过程**： - 将行业划分为四个象限：第1象限（价量齐升）、第3象限（价量齐跌） - 通过马氏距离椭圆外的点识别极端情况[18] 因子的回测效果 1. **PE分位数因子**： - 当前钢铁、建筑材料、机械设备行业的PE分位数最高（100%、98%、98%）[15] - 公用事业、食品饮料、社会服务行业的PE分位数最低（5%、9%、11%）[15] 2. **价量齐升/齐跌因子**： - 上周纺织服饰行业进入第3象限（价量齐跌）且超出99%置信区间[18] 注：报告未涉及其他量化模型或复合因子的构建细节[1][2][3][4][5][6][7][8][9][10][11][12][13][14][16][17][19][20][21][22][23][24][25][26][27][28][29][30][31]

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特征，预测未来一年内股指期货合约存续期内的分红点位[8] - **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. 结合公司财报、行业分红规律等，预测未来一年内各成分股的分红时点和金额 3. 汇总成分股分红数据，计算指数分红点位 4. 按合约存续期划分，输出各合约存续期内的分红点位预测值 - 示例（中证500）： - IC2504存续期内分红点位：0.4 - IC2505存续期内分红点位：5.18 - IC2506存续期内分红点位：46.02 - IC2509存续期内分红点位：79.61[8][9] 2. **模型名称：基差修正模型** - **模型构建思路**：剔除分红对股指期货基差的影响，计算年化调整后的基差[19] - **模型具体构建过程**： 1. 计算实际基差：合约收盘价 - 标的指数收盘价 2. 叠加存续期内未实现的预期分红： $$预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红$$ 3. 年化处理： $$年化基差 = \frac{实际基差 + 预期分红点位}{指数价格} \times \frac{360}{合约剩余天数}$$[19] 3. **模型名称：期现对冲策略（连续对冲/最低贴水策略）** - **模型构建思路**：通过动态调整期货合约对冲现货风险，优化基差收敛收益[45][46] - **模型具体构建过程**： - **连续对冲策略**： 1. 现货端持有标的指数全收益指数（70%资金） 2. 期货端做空等额名义本金的股指期货合约（30%资金） 3. 调仓规则：持有季月/当月合约至到期前2日，切换至下一合约[44] - **最低贴水策略**： 1. 调仓时计算所有可交易合约的年化基差 2. 选择贴水幅度最小的合约开仓 3. 持有8个交易日或到期前2日切换[45] 4. **模型名称：信达波动率指数（Cinda-VIX）** - **模型构建思路**：借鉴海外VIX编制方法，反映期权市场对标的资产未来波动的预期[60] - **模型具体构建过程**： 1. 选取不同行权价的期权合约隐含波动率（IV） 2. 加权计算期限结构，输出30日/60日/90日/120日VIX值 - 示例（2025年3月28日）： - 上证50VIX_30：17.09 - 中证500VIX_30：24.95[60][61] 5. **模型名称：信达偏斜指数（Cinda-SKEW）** - **模型构建思路**：通过期权隐含波动率偏斜程度，衡量市场对尾部风险的预期[69] - **模型具体构建过程**： 1. 分析虚值看涨/看跌期权的IV偏斜特征 2. 计算SKEW指数（>100表示市场担忧下跌风险） - 示例（2025年3月28日）： - 中证500SKEW：103.33（历史分位>90%）[70][74] --- 模型的回测效果 1. **IC对冲策略（2022年7月22日-2025年3月28日）** - 年化收益：最低贴水策略-0.84%，季月连续对冲-1.77% - 波动率：最低贴水策略4.82%，季月连续对冲4.91% - 最大回撤：最低贴水策略-7.97%，季月连续对冲-8.34%[47] 2. **IF对冲策略（同区间）** - 年化收益：最低贴水策略1.40%，季月连续对冲0.85% - 波动率：最低贴水策略3.01%，季月连续对冲3.22% - 最大回撤：最低贴水策略-4.06%，季月连续对冲-4.03%[52] 3. **IH对冲策略（同区间）** - 年化收益：最低贴水策略1.70%，季月连续对冲2.01% - 波动率：最低贴水策略3.04%，季月连续对冲3.48% - 最大回撤：最低贴水策略-3.91%，季月连续对冲-3.75%[54] 4. **IM对冲策略（同区间）** - 年化收益：最低贴水策略-3.48%，季月连续对冲-4.02% - 波动率：最低贴水策略5.16%，季月连续对冲5.29% - 最大回撤：最低贴水策略-11.11%，季月连续对冲-12.63%[57] --- 量化因子与构建方式 1. **因子名称：年化基差因子** - **因子构建思路**：反映期货合约相对现货的溢价/折价水平，考虑分红调整[19] - **因子具体构建过程**： $$年化基差 = \frac{合约价格 - 指数价格 + 预期分红点位}{指数价格} \times \frac{360}{剩余天数}$$ - 示例（2025年3月28日）： - IC2506年化基差：-7.39% - IH2506年化基差：2.64%[20][26][36] 2. **因子名称：VIX期限结构因子** - **因子构建思路**：通过不同期限VIX差值捕捉波动率曲线形态[60] - **因子具体构建过程**： - 计算30日/60日/90日VIX差值（如中证500VIX_30 - VIX_60） - 正向结构（近低远高）反映市场对远期波动担忧[61][64] 3. **因子名称：SKEW分位数因子** - **因子构建思路**：标准化SKEW指数历史分位数，识别极端尾部风险[70] - **因子具体构建过程**： - 中证500SKEW历史分位数>90%时触发预警[70][74] --- 因子的回测效果 1. **年化基差因子（IC合约）** - 2025年3月28日值：-7.39%（低于2022年以来中位数）[20] - 与对冲策略收益显著负相关（贴水收窄导致策略回撤）[47][57] 2. **VIX因子（中证500）** - 30日VIX值：24.95（2025年3月28日）[60] - 期限结构平坦化反映短期波动预期降温[4] 3. **SKEW因子（中证500）** - 近月SKEW值：103.33（历史分位>90%）[70] - 高值持续预示衍生品市场对下跌风险的警惕[4][74]