- 本次研报未涉及量化模型或量化因子的构建、测试及相关内容[1][3][4]

量化因子与构建方式 单因子表现 - **因子名称**：下行波动率占比 **因子的构建思路**：衡量股票收益的下行风险占比 **因子具体构建过程**：通过计算股票收益的下行波动率占总波动率的比例，剔除行业与市值影响后，构造多头组合相对于基准指数的超额收益[8][9] - **因子名称**：成交量的5日指数移动平均 **因子的构建思路**：捕捉短期成交量变化趋势 **因子具体构建过程**：计算股票成交量的5日指数移动平均值，剔除行业与市值影响后，构造多头组合相对于基准指数的超额收益[8][9] - **因子名称**：5日成交量的标准差 **因子的构建思路**：衡量短期成交量波动性 **因子具体构建过程**：计算股票成交量在过去5日内的标准差，剔除行业与市值影响后，构造多头组合相对于基准指数的超额收益[8][9] - **因子名称**：市盈率TTM倒数 **因子的构建思路**：衡量股票的估值水平 **因子具体构建过程**：计算股票市盈率的TTM倒数，剔除行业与市值影响后，构造多头组合相对于基准指数的超额收益[11][12] - **因子名称**：动量弹簧因子 **因子的构建思路**：捕捉股票价格的动量反转特性 **因子具体构建过程**：通过计算股票价格的动量弹簧特性，剔除行业与市值影响后，构造多头组合相对于基准指数的超额收益[14][15] 大类因子表现 - **因子名称**：杠杆因子 **因子的构建思路**：衡量公司资产负债率对股票收益的影响 **因子具体构建过程**：通过计算公司杠杆率，剔除行业与市值影响后，构造多头组合相对于基准指数的超额收益[17] - **因子名称**：Beta因子 **因子的构建思路**：衡量股票相对于市场的系统性风险 **因子具体构建过程**：通过计算股票的Beta值，剔除行业与市值影响后，构造多头组合相对于基准指数的超额收益[17] - **因子名称**：盈利因子 **因子的构建思路**：衡量公司盈利能力对股票收益的影响 **因子具体构建过程**：通过计算公司盈利指标（如ROE、净利润率等），剔除行业与市值影响后，构造多头组合相对于基准指数的超额收益[17] 因子的回测效果 单因子表现 - **下行波动率占比**：沪深300股票池最近1周收益1.26%[8][9] - **成交量的5日指数移动平均**：沪深300股票池最近1周收益1.02%[8][9] - **5日成交量的标准差**：沪深300股票池最近1周收益0.91%[8][9] - **市盈率TTM倒数**：中证500股票池最近1周收益1.55%[11][12] - **动量弹簧因子**：流动性1500股票池最近1周收益1.19%[14][15] 大类因子表现 - **杠杆因子**：全市场股票池最近1周收益0.36%[17] - **Beta因子**：全市场股票池最近1周收益0.29%[17] - **盈利因子**：全市场股票池最近1周收益0.27%[17] 量化组合与构建方式 PB-ROE-50组合 - **模型名称**：PB-ROE-50组合 **模型构建思路**：基于市净率（PB）和净资产收益率（ROE）筛选股票 **模型具体构建过程**：选取PB和ROE指标排名前50的股票构建组合，按月调仓，剔除行业与市值影响后，计算超额收益[24][25] 大宗交易组合 - **模型名称**：大宗交易组合 **模型构建思路**：基于大宗交易成交金额比率和成交金额波动率筛选股票 **模型具体构建过程**：选取大宗交易成交金额比率高、成交金额波动率低的股票，按月调仓，剔除行业与市值影响后，计算超额收益[29][30] 定向增发组合 - **模型名称**：定向增发组合 **模型构建思路**：基于定向增发事件效应筛选股票 **模型具体构建过程**：以股东大会公告日为时间节点，综合考虑市值因素、调仓周期及仓位控制，构建组合，剔除行业与市值影响后，计算超额收益[34][35] 组合的回测效果 PB-ROE-50组合 - 中证500股票池本周超额收益-0.88%[24][25] - 中证800股票池本周超额收益-0.54%[24][25] - 全市场股票池本周超额收益-0.39%[24][25] 大宗交易组合 - 本周超额收益-0.14%[29][30] 定向增发组合 - 本周超额收益-1.44%[34][35]

量化模型与构建方式 上证综指ETF（510760） 1. **模型名称**：上证综指ETF（510760） 2. **模型构建思路**：采用抽样复制的方法，紧密跟踪上证综指，同时获取稳健超额收益[4][59] 3. **模型具体构建过程**： - **抽样复制方法**：在构建ETF组合的持仓时，通过约束组合相对基准的风格偏离，同时最小化组合跟踪误差的方法优化组合持仓[63] - **分层抽样法**：根据成份股的特征进行分层，然后在每一层内选取代表性成份股，最后形成投资组合的抽样方法[63] - **最优化抽样复制法**：通过控制组合风险暴露的方式，使得目标组合与基准指数在指定风格上的暴露保持一致，从而达到控制跟踪误差的方法[63] - **实际操作**：上证综指ETF在实际管理过程中采用抽样复制的方法，历史各期平均持股数量为194只，持股数量占同期上证综指的成分股数量比例平均为10.56%[65] 4. **模型评价**：上证综指ETF自成立以来，各完整年度相对基准均能取得超额收益，并且年化跟踪误差较小[71] 模型的回测效果 1. **上证综指ETF** - **年化超额收益**：4.39%[59] - **近三年累计超额收益**：18.39%[59] - **成立以来累计超额收益**：15.98%[59] - **年化跟踪误差**：3.65%[71] 量化因子与构建方式 上证综指 1. **因子名称**：上证综指 2. **因子的构建思路**：采用总市值加权，剔除风险警示股，延迟新股纳入，纳入科创板证券[1][12][16] 3. **因子具体构建过程**： - **总市值加权**：上证综指采用总市值加权，由于央国企的特殊属性，自由流通市值占总市值的比例相对较低，采用总市值加权使得上证综指中中字头以及央国企的占比更高[1][19] - **剔除风险警示股**：修订后的上证综指剔除被实施风险警示(ST、*ST)的股票[15] - **延迟新股纳入**：新股上市满1年后计入指数，大市值新股上市满3个月后计入[15] - **纳入科创板证券**：修订后的上证综指纳入由红筹企业发行的存托凭证以及科创板上市证券[16] 4. **因子评价**：修订后的上证综指能更好地体现我国产业结构的变迁与升级，对宏观经济的代表性有所提升[18] 因子的回测效果 1. **上证综指** - **市盈率**：13.82[42] - **市净率**：1.26[42] - **股息率**：处于历史均值+1倍标准差以上水平[46] - **净利润增速**：2023年为7.08%，预计2024年和2025年分别为12.60%和9.47%[47] - **营业收入增速**：2023年为2.98%，预计2024年和2025年分别为7.29%和0.96%[47] - **前十大权重股占比**：22.93%[50] - **年化收益率**：-1.35%（2020年7月22日至2024年5月10日）[52] - **年化夏普比**：-0.02（2020年7月22日至2024年5月10日）[52] - **年化波动率**：14.78%（2020年7月22日至2024年5月10日）[52] - **最大回撤**：-27.27%（2020年7月22日至2024年5月10日）[52]

- 本报告未涉及量化模型或量化因子的构建内容[2][6][84]

量化模型与构建方式 1. 模型名称：黄金价格择时模型 - **模型构建思路**：基于定性分析筛选出符合逻辑的黄金定价指标，并对细分因子的择时能力进行统一定量测试，最终将有效的金价择时指标进行复合，构建系统化的黄金价格择时模型[12][29] - **模型具体构建过程**： 1. 选取8个细分指标，分别为：美国10年期盈亏平衡通胀率、CRB现货指数、美国联邦政府财政赤字、实际利率、地缘政治风险指数、央行购金总规模、SPDR ETF持有量、CFTC黄金投机净多仓[13][14][15][29] 2. 每个指标分别给出是否买入黄金的配置信号，各期取均值作为最终的打分 3. 复合打分≥0.5则买入黄金，否则空仓[29] - **模型评价**：策略收益及风险表现均优于黄金多头，具有较好的择时能力[29] 2. 模型名称：基于技术面的反转类择时策略 - **模型构建思路**：通过MACD指标及股价背离形成买卖点，捕捉反转信号[31] - **模型具体构建过程**： 1. 基于DIF线与股价的背离形成买卖点 2. 基于MACD柱形图在一笔内所占面积与股价的背离形成买卖点 3. 基于一笔终点所在MACD柱形图面积与股价的背离形成买卖点[31] - **模型评价**：在2021至2024年初的测试中，该策略在黄金ETF中表现较好，收益和风险指标均优于等权基准[32] 3. 模型名称：基于技术面的趋势类择时策略 - **模型构建思路**：通过股价最高价与最低价的变化趋势，结合OLS回归分析，捕捉趋势信号[33] - **模型具体构建过程**： 1. 对每日最高价与最低价进行OLS回归分析，得到每日的β值 2. 滚动计算β值的均值与标准差 3. 当β大于当日均值+一倍标准差时，认为进入突破趋势并开仓；当β小于当日均值-一倍标准差时，认为退出趋势并平仓[34] - **模型评价**：上一轮趋势信号在黄金ETF上表现良好，区间收益显著[34] --- 模型的回测效果 1. 黄金价格择时模型 - **累计收益**：122.44% - **年化收益**：10.14% - **最大回撤**：18.44% - **年化波动率**：11.90% - **年化Sharpe比率**：0.85 - **Calmar比率**：0.55[28][29] 2. 基于技术面的反转类择时策略 - **年化收益**：10.9% - **最大回撤**：7.54% - **波动率**：9.58% - **夏普比率**：1.1372 - **95%VaR**：0.91%[32] 3. 基于技术面的趋势类择时策略 - **区间收益**：11.36%（上一轮趋势信号在3月11日至4月16日的表现）[34] --- 量化因子与构建方式 1. 因子名称：美国10年期盈亏平衡通胀率 - **因子构建思路**：反映通胀预期，黄金具有通胀保值属性[13][16] - **因子具体构建过程**：当通胀预期上行，即最新值高于过去2月均值时，买入黄金，否则空仓[16] 2. 因子名称：CRB现货指数 - **因子构建思路**：反映大宗商品价格走势，与黄金价格呈正相关[13][16] - **因子具体构建过程**：当CRB现货指数最新值高于过去2月均值时，买入黄金，否则空仓[16] 3. 因子名称：美国联邦政府财政赤字 - **因子构建思路**：作为美元信用的度量指标，赤字扩张时黄金价格存在向上动能[13][18] - **因子具体构建过程**：当财政赤字最新值高于过去3月均值时，买入黄金，否则空仓[18] 4. 因子名称：实际利率 - **因子构建思路**：实际利率反映持有黄金的机会成本，与黄金价格呈负相关[14][20] - **因子具体构建过程**：当实际利率下行时，买入黄金，否则空仓[20] 5. 因子名称：美元指数 - **因子构建思路**：美元指数反映美元信用，与黄金价格呈负相关[14][20] - **因子具体构建过程**：当美元指数下行时，买入黄金，否则空仓[20] 6. 因子名称：地缘政治风险指数 - **因子构建思路**：反映市场避险情绪，当风险上升时黄金投资需求增加[15][23] - **因子具体构建过程**：当地缘政治风险指数上行时，买入黄金，否则空仓[23] 7. 因子名称：央行购金总规模 - **因子构建思路**：央行购金是黄金需求的重要来源，购金增加时金价上行[15][25] - **因子具体构建过程**：当央行购金总规模上升时，买入黄金，否则空仓[25] 8. 因子名称：SPDR ETF持有量 - **因子构建思路**：作为全球最大的黄金ETF，其持有量对金价具有较强的预测能力[15][25] - **因子具体构建过程**：当SPDR ETF持有量上升时，买入黄金，否则空仓[25] 9. 因子名称：CFTC黄金投机净多仓 - **因子构建思路**：反映市场投机情绪，净多仓增加时金价上行[15][25] - **因子具体构建过程**：当CFTC黄金投机净多仓上升时，买入黄金，否则空仓[25] --- 因子的回测效果 1. 美国10年期盈亏平衡通胀率 - **方向**：正相关[13][28] 2. CRB现货指数 - **方向**：正相关[13][28] 3. 美国联邦政府财政赤字 - **方向**：正相关[13][28] 4. 实际利率 - **方向**：负相关[14][28] 5. 美元指数 - **方向**：负相关[14][28] 6. 地缘政治风险指数 - **方向**：正相关[15][28] 7. 央行购金总规模 - **方向**：正相关[15][28] 8. SPDR ETF持有量 - **方向**：正相关[15][28] 9. CFTC黄金投机净多仓 - **方向**：正相关[15][28]

量化模型与构建方式 1. 模型名称：沪深300指数成分股调整预测模型 - **模型构建思路**：基于中证指数公司发布的指数编制规则，通过对样本空间内证券的交易数据和财务数据进行筛选，预测沪深300指数成分股的调整情况[11][13] - **模型具体构建过程**： 1. **样本空间定义**：包括非ST、*ST的沪深A股和红筹企业发行的存托凭证，科创板和创业板证券需上市时间超过一年，其他证券需上市时间超过一个季度，除非其日均总市值排在前30位[11] 2. **选样方法**： - 按过去一年的日均成交金额由高到低排名，剔除排名后50%的证券 - 对剩余证券按过去一年的日均总市值由高到低排名，选取前300名作为指数样本[11] 3. **缓冲区规则**： - 日均总市值排名在前240名的候选新样本优先进入 - 日均总市值排名在前360名的老样本优先保留[11] 4. **调整数量**：每次调整的样本比例一般不超过10%[11] 2. 模型名称：中证500指数成分股调整预测模型 - **模型构建思路**：同样基于中证指数公司发布的指数编制规则，通过对样本空间内证券的交易数据和财务数据进行筛选，预测中证500指数成分股的调整情况[11][17] - **模型具体构建过程**： 1. **样本空间定义**：剔除沪深300指数样本及过去一年日均总市值排名前300的证券，剩余证券需满足非ST、*ST等条件[11] 2. **选样方法**： - 按过去一年的日均成交金额由高到低排名，剔除排名后20%的证券 - 对剩余证券按过去一年的日均总市值由高到低排名，选取前500名作为指数样本[11] 3. **缓冲区规则**： - 日均成交金额排名在样本空间剩余证券前90%的老样本可参与下一步排名 - 日均总市值排名在前400名的候选新样本优先进入 - 日均总市值排名在前600名的老样本优先保留[11] 4. **调整数量**：每次调整的样本比例一般不超过10%[11] 模型评价 - **沪深300指数成分股调整预测模型**：模型规则清晰，能够较好地反映市场中大市值、高流动性股票的变化趋势[11][13] - **中证500指数成分股调整预测模型**：模型在剔除沪深300成分股后，能够有效捕捉中等市值股票的动态变化，适合中盘股投资者参考[11][17] --- 模型的回测效果 1. 沪深300指数成分股调整预测模型 - **调入效应**：未发现显著的正超额收益[5][23] - **调出效应**：在调整日之前具有负的超额收益[5][23] 2. 中证500指数成分股调整预测模型 - **调入效应**：在调整日之前具有显著的正超额收益[5][23] - **调出效应**：在调整日之前具有负的超额收益[5][23] --- 量化因子与构建方式 1. 因子名称：调入效应因子 - **因子的构建思路**：基于成分股调整前后的事件收益特征，提取调入样本在调整日前的超额收益作为因子[5][23] - **因子具体构建过程**： 1. 统计2010年以来所有调整周期内沪深300和中证500指数调入样本在调整日前60个交易日的累计超额收益 2. 计算调入样本相对于指数本身的超额收益表现[23] 2. 因子名称：调出效应因子 - **因子的构建思路**：基于成分股调整前后的事件收益特征，提取调出样本在调整日前的超额收益作为因子[5][23] - **因子具体构建过程**： 1. 统计2010年以来所有调整周期内沪深300和中证500指数调出样本在调整日前60个交易日的累计超额收益 2. 计算调出样本相对于指数本身的超额收益表现[23] 因子评价 - **调入效应因子**：中证500指数的调入效应因子表现显著，能够为投资者提供正向收益的参考依据[5][23] - **调出效应因子**：沪深300和中证500指数的调出效应因子均表现为负，能够为投资者提供风险规避的参考[5][23] --- 因子的回测效果 1. 调入效应因子 - **沪深300指数**：未发现显著的正超额收益[5][23] - **中证500指数**：在调整日前呈现显著的正超额收益[5][23] 2. 调出效应因子 - **沪深300指数**：在调整日前呈现负的超额收益[5][23] - **中证500指数**：在调整日前呈现负的超额收益[5][23]

- 本周市场交易情绪较为乐观，红利主题因短期消息面催化表现占优，小市值因子和反转因子持续有效，成长风格表现出较好的趋势性[14] - 沪深300上涨家数占比情绪指标通过计算指数成分股的近期正收益个数来判断市场情绪，最近一周该指标小幅震荡，上涨家数占比维持在40%左右[35][36] - 动量情绪指标通过对短期和长期平滑线的比较捕捉市场情绪变化，当前快线升至慢线之上，预计未来一段时间内市场情绪将维持乐观[39][40] - 均线情绪指标基于八均线体系，通过计算沪深300收盘价与八均线的关系判断市场趋势，当前沪深300指数处于情绪景气区间[41][45] - 横截面波动率和时间序列波动率显示，最近一周沪深300、中证500和中证1000指数的波动率下降，短期Alpha环境变差，但近一季度波动率处于近半年中上分位点，Alpha环境良好[46][49][51]

量化因子与构建方式 1. 因子名称：ETF_fimage因子 - **因子的构建思路** 通过构建标准化的价量数据图表，利用卷积神经网络识别价格和交易量的走势形态，并与未来股价进行建模，从而实现对未来股价的预测[5][15][39] - **因子具体构建过程** 1. **标准化价量数据图表** - 图表上部分：包含K线图和移动平均线（如MA5、MA10等）[37] - 图表中部分：包含当日对应的成交量[37] - 图表下部分：包含股价的MACD信息[37] - 数据范围：全市场2005年至2023年的价量数据，图表数据量达115GB[37] 2. **卷积神经网络建模** - 输入标准化图表，经过卷积结构后生成512x10x10的特征图，摊平后得到51200维特征[39] - 使用全连接神经网络输出3个概率，分别对应未来收益率的跌、平、涨[39] - 训练细节：采用Xavier初始化、Adam优化器，并使用验证集确定最优早停点[39] - 模型训练：分别训练两个模型，预测未来5日和20日的收益情况，分别记为I20R5和I20R20[39] 3. **因子映射到ETF** - 基于个股因子值和权重数据计算权益指数的因子值，再进一步映射到ETF中[5][15] - **因子评价** 卷积神经网络能够有效提取标准化价量数据图表中的特征，识别价格和交易量的走势形态，与未来股价建模效果较好[44] --- 因子的回测效果 1. ETF_fimage因子 - **IC均值**：6.9%[51][54] - **IC胜率**：62%[51][54] - **多空年化收益**：20.4%[51][54] - **多头年化收益**：14.4%[51][54] - **空头年化收益**：-6.1%[51][54] 2. ETF_fimage因子提纯后 - **IC均值**：6.4%[87] - **IC胜率**：60.1%[87] - **多空年化收益**：19.1%[87] - **多头年化收益**：14.2%[87] - **空头年化收益**：-5.1%[87] --- 因子分年度表现 1. ETF_fimage因子 - **2020年**：年化收益率29.6%，年化波动率19.2%，夏普比1.54，最大回撤10.6%[65] - **2021年**：年化收益率16.8%，年化波动率19.5%，夏普比0.86，最大回撤9.1%[65] - **2022年**：年化收益率19.8%，年化波动率17.3%，夏普比1.15，最大回撤11.2%[65] - **2023年**：年化收益率8.7%，年化波动率11.1%，夏普比0.78，最大回撤5.8%[65] - **2024年**：年化收益率56.5%，年化波动率16.7%，夏普比3.38，最大回撤5.0%[65] 2. ETF_fimage因子提纯后 - **2020年**：年化收益率30.6%，年化波动率18.3%，夏普比1.67，最大回撤9.4%[89] - **2021年**：年化收益率22.6%，年化波动率20.1%，夏普比1.13，最大回撤9.1%[89] - **2022年**：年化收益率7.1%，年化波动率17.0%，夏普比0.42，最大回撤11.3%[89] - **2023年**：年化收益率7.8%，年化波动率11.2%，夏普比0.70，最大回撤5.3%[89] - **2024年**：年化收益率66.2%，年化波动率17.0%，夏普比3.89，最大回撤4.6%[89] --- 固定持仓数量组合表现 1. ETF_fimage因子Top_N组合 - **Top_5**：年化收益16.2%，波动率25.6%，夏普比0.63[72] - **Top_10**：年化收益15.4%，波动率23.7%，夏普比0.65[72] - **Top_15**：年化收益12.1%，波动率22.2%，夏普比0.55[72] - **Top_20**：年化收益11.7%，波动率21.6%，夏普比0.54[72] 2. ETF_fimage因子提纯后Top_N组合 - **Top_5**：年化收益21.6%，波动率24.5%，夏普比0.88[96] - **Top_10**：年化收益14.8%，波动率22.4%，夏普比0.66[96] - **Top_15**：年化收益13.1%，波动率21.4%，夏普比0.61[96] - **Top_20**：年化收益10.4%，波动率20.7%，夏普比0.51[96] --- 流动性与费用影响 1. 流动性条件影响 - **规模下限1亿，成交额下限1000万**：多空年化收益20.4%，多头年化收益14.4%，空头年化收益-6.1%[101] - **规模下限0.5亿，成交额下限1000万**：多空年化收益21.4%，多头年化收益15.1%，空头年化收益-6.3%[101] - **规模下限2亿，成交额下限1000万**：多空年化收益17.3%，多头年化收益12.9%，空头年化收益-5.0%[101] 2. 费用条件影响（Top_5组合） - **无交易费**：年化收益19.9%，波动率25.5%，夏普比0.78[106] - **双边千一**：年化收益16.2%，波动率25.6%，夏普比0.63[106] - **双边千二**：年化收益12.5%，波动率25.6%，夏普比0.49[106]

量化模型与构建方式 1. 模型名称：沪深300指数成分股调整预测模型 - **模型构建思路**：基于沪深300指数的编制规则，选择规模大、流动性好的股票，通过日均成交金额和日均总市值排序，结合缓冲调整和剔除重大亏损股票等规则，预测成分股调整[20] - **模型具体构建过程**： 1. 样本空间：沪深A股中规模大、流动性好的股票[20] 2. 排序规则：根据最近一年的日均成交金额和日均总市值进行排序[20] 3. 调整规则：通过缓冲调整剔除重大亏损股票，调整数量不超过成分股数量的10%[20] 2. 模型名称：上证180指数成分股调整预测模型 - **模型构建思路**：基于上证180指数的编制规则，选择沪市A股中规模大、流动性好的股票，按行业分类确定入选股票数量，通过缓冲调整和剔除重大亏损股票等规则，预测成分股调整[22] - **模型具体构建过程**： 1. 样本空间：沪市A股中经营状况良好、无违法违规事件的股票[22] 2. 排序规则：根据过去一年日均总市值和日均成交金额排序[22] 3. 调整规则：按照中证行业分类确定各行业入选股票数量，通过缓冲调整剔除重大亏损股票，调整数量不超过成分股数量的10%[22] 3. 模型名称：上证50指数成分股调整预测模型 - **模型构建思路**：基于上证50指数的编制规则，从上证180指数成分股中选择规模大、流动性好的股票，通过排序和缓冲调整规则，预测成分股调整[25] - **模型具体构建过程**： 1. 样本空间：上证180指数成分股[25] 2. 排序规则：根据过去一年的日均总市值和日均成交金额综合排序[25] 3. 调整规则：通过缓冲调整得出最新成分股，调整数量不超过成分股数量的10%[25] 4. 模型名称：科创50指数成分股调整预测模型 - **模型构建思路**：基于科创50指数的编制规则，从上市满6个月的科创板股票中选择规模大、流动性好的股票，通过剔除低流动性股票和缓冲规则，预测成分股调整[27] - **模型具体构建过程**： 1. 样本空间：上市满6个月的科创板股票[27] 2. 剔除规则：剔除过去一年日均成交金额排名后10%的股票[27] 3. 排序规则：选择过去一年日均市值最大的50只股票[27] 4. 调整规则：通过缓冲规则调整，调整数量不超过成分股数量的10%[27] 5. 模型名称：创业板指数成分股调整预测模型 - **模型构建思路**：基于创业板指数的编制规则，从上市满6个月的创业板股票中选择规模大、流动性好的股票，通过剔除低流动性股票和缓冲规则，预测成分股调整[30] - **模型具体构建过程**： 1. 样本空间：上市满6个月的创业板股票[30] 2. 剔除规则：剔除过去半年日均成交金额排名后10%的股票[30] 3. 排序规则：选择过去半年日均市值最大的100只股票[30] 4. 调整规则：通过缓冲规则调整，调整数量不超过成分股数量的10%[30] 6. 模型名称：中证500指数成分股调整预测模型 - **模型构建思路**：基于中证500指数的编制规则，从剔除沪深300样本股及市值排名前300名股票后的股票池中选择规模大、流动性好的股票，通过排序和缓冲调整规则，预测成分股调整[32] - **模型具体构建过程**： 1. 样本空间：剔除沪深300样本股及最近一年日均总市值排名前300名的股票[32] 2. 剔除规则：剔除过去一年日均成交额后20%的股票[32] 3. 排序规则：根据过去一年的日均总市值排序[32] 4. 调整规则：通过缓冲调整剔除重大亏损股票，调整数量不超过成分股数量的10%[32] --- 模型的回测效果 1. 沪深300指数成分股调整预测模型 - 调入股票：小商品城、华电国际、沪农商行等11只股票[21] - 调出股票：天山股份、锦浪科技、新城控股等11只股票[21] 2. 上证180指数成分股调整预测模型 - 调入股票：江西铜业、大秦铁路、浙商银行等18只股票[24] - 调出股票：中国医药、合盛硅业、斯达半导等18只股票[24] 3. 上证50指数成分股调整预测模型 - 调入股票：交通银行、邮储银行、华泰证券等5只股票[26] - 调出股票：北方稀土、航发动力、天合光能等5只股票[26] 4. 科创50指数成分股调整预测模型 - 调入股票：唯捷创芯、萤石网络、佰维存储等3只股票[29] - 调出股票：容百科技、禾迈股份、思瑞浦等3只股票[29] 5. 创业板指数成分股调整预测模型 - 调入股票：兴齐眼药、网宿科技、川宁生物等7只股票[31] - 调出股票：迪安诊断、鹏辉能源、中简科技等7只股票[31] 6. 中证500指数成分股调整预测模型 - 调入股票：海信家电、森麒麟、三星医疗等50只股票[36] - 调出股票：航天发展、天坛生物、莱克电气等50只股票[36]

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）推导的PB-ROE定价模型，寻找市场中的预期差，同时叠加超预期因子（如SUE、ROE同比增长）以增强组合收益[34] - **模型具体构建过程**： 1. 以PB-ROE定价模型为基础，筛选出具有预期差的股票池 2. 结合超预期因子（如SUE、ROE同比增长）进一步精选股票 3. 最终构造出包含50只股票的PB-ROE-50组合[34] - **模型评价**：该策略在不同股票池中均表现良好，能够有效获取超额收益[34] 2. 模型名称：机构调研策略 - **模型构建思路**：通过公募和私募机构的调研数据，挖掘超额Alpha收益[44] - **模型具体构建过程**： 1. 根据上市公司被调研次数和被调研前股票相对于基准的涨跌幅进行选股 2. 分别构造公募调研选股策略和私募调研跟踪策略[44] - **模型评价**：4月份两种策略均出现回撤，表现不佳[44] 3. 模型名称：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占比，判断市场情绪状态[19] - **模型具体构建过程**： 1. 计算公式： $ \text{沪深300指数N日上涨家数占比} = \frac{\text{沪深300指数成分股过去N日收益大于0的个股数}}{\text{沪深300指数成分股总数}} $ 2. 对指标进行两次不同窗口期的平滑，分别称为快线和慢线（N1>N2） 3. 当快线大于慢线时，看多市场；反之则看空[19][22] - **模型评价**：能够较快捕捉上涨机会，但对下跌市场的判断存在缺陷[19] 4. 模型名称：均线情绪指标 - **模型构建思路**：基于八均线体系，通过均线区间值判断市场趋势状态[26] - **模型具体构建过程**： 1. 计算沪深300收盘价的八均线数值，均线参数为8、13、21、34、55、89、144、233 2. 当当日收盘价大于八均线指标值的数量超过5时，看多市场[26][30] - **模型评价**：通过八均线区间划分，能够更清晰地反映市场趋势状态[26] 5. 模型名称：有息负债率模型 - **模型构建思路**：通过不同口径的有息负债率衡量企业的偿债压力和流动性风险[48] - **模型具体构建过程**： 1. 传统有息负债率： $ \text{传统有息负债率} = \frac{\text{短期借款+长期借款+应付债券}}{\text{总资产}} $ 2. 严苛有息负债率： $ \text{严苛有息负债率} = \frac{\text{短期借款+应付利息+交易性金融负债+应付短期债券+租赁负债+长期借款+应付债券+长期应付款}}{\text{总资产}} $ 3. 宽松有息负债率： $ \text{宽松有息负债率} = \frac{\text{短期借款+应付利息+交易性金融负债+应付短期债券+租赁负债+长期借款+应付债券+长期应付款+其他流动负债+划分为持有待售的负债+一年内到期的非流动负债}}{\text{总资产}} $ - **模型评价**：宽松有息负债率相比传统口径在回测中表现出更高的空头收益[48] 6. 模型名称：财务成本负担率模型 - **模型构建思路**：通过剥离利息收入后的财务费用，衡量企业的还息压力[51] - **模型具体构建过程**： 1. 计算公式： $ \text{财务成本负担率} = \frac{\text{财务费用：利息费用}}{\text{息税前利润}} $ 2. 根据财务成本负担率高低筛选出负面清单[51] - **模型评价**：能够更准确反映企业的财务成本压力[51] --- 模型的回测效果 PB-ROE-50 策略 - **中证500**：今年以来超额收益率11.88%，上月超额收益率4.57%[38] - **中证800**：今年以来超额收益率8.68%，上月超额收益率2.27%[38] - **全市场**：今年以来超额收益率3.97%，上月超额收益率0.91%[38] 机构调研策略 - **公募调研选股**：今年以来超额收益率-9.95%，上月超额收益率-5.14%[45] - **私募调研跟踪**：今年以来超额收益率-22.45%，上月超额收益率-7.33%[45] 上涨家数占比情绪指标 - **沪深300**：当前正处于情绪景气区间，快线大于慢线，维持看多观点[20][22] 均线情绪指标 - **沪深300**：短期内处于情绪景气区间，策略净值表现良好[26][30] 有息负债率模型 - **宽松有息负债率**：排名前30的股票中，部分股票在传统口径下排名较低，如中毅达、法尔胜等[49] 财务成本负担率模型 - **高财务成本负担率股票**：如丽岛新材（293.97）、天原股份（186.83）、天晟新材（100.11）等[52]