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]

量化模型与构建方式 1. **模型名称**：CSSW电子指数新编制方案 - **模型构建思路**：在原有市值加权指数基础上引入成长因子筛选，从电子行业市值前100的股票中选取成长性最高的60只作为成分股，以提升指数的成长性和景气度捕捉能力[5][6][7] - **模型具体构建过程**： 1. **样本筛选**： - 初筛：从中证全指样本空间中选取电子行业（申万分类）股票，保留过去一年日均成交金额排名前80%的证券[6] - 市值筛选：对初筛样本按过去一年日均总市值排序，取前100名作为待选池[6] 2. **成长因子计算**：对待选池股票计算以下4个指标的Z值并取平均值： - 单季度营业收入同比增速 - 单季度归母净利润同比增速 - 标准化预期外收入（SUR）： $$SUR = \frac{\text{单季度营业收入} - \text{预期单季度营业收入}}{\text{过去8个季度营业收入同比变化的标准差}}$$ - 标准化预期外盈利（SUE）： $$SUE = \frac{\text{单季度归母净利润} - \text{预期单季度归母净利润}}{\text{过去8个季度归母净利润同比变化的标准差}}$$ 3. **成分股确定**：按成长因子得分降序排列，选取前60只股票作为指数成分股[6] - **模型评价**：新方案通过成长因子筛选能更敏锐捕捉电子行业景气度变化，在成长风格占优的市场中表现突出[7][12] 模型的回测效果 1. **CSSW电子_新方案**： - 年化收益率：19.77% - 年化波动率：31.95% - 夏普比率：0.62 - 最大回撤：-46.81% - 2019-2021年超额收益：18.93%、11.94%、9.50%（相对旧方案）[10][11][12] 2. **CSSW电子_旧方案**： - 年化收益率：13.35% - 年化波动率：30.95% - 夏普比率：0.43 - 最大回撤：-52.61%[10] 量化因子与构建方式 1. **因子名称**：成长因子复合指标 - **因子构建思路**：综合收入增速、利润增速及超预期表现，衡量电子行业企业的边际成长能力[6][7] - **因子具体构建过程**： - 对每个股票计算4个子因子的标准化值（Z值）： 1. 单季度营业收入同比增速 2. 单季度归母净利润同比增速 3. SUR（标准化预期外收入） 4. SUE（标准化预期外盈利） - 最终因子值为4个子因子Z值的算术平均值[6] - **因子评价**：该因子能有效识别电子行业中业绩改善显著或超预期的企业，尤其在行业周期上行阶段表现优异[7][12] 因子的回测效果 1. **成长因子复合指标**： - 信息比率（IR）：未直接披露，但通过新方案指数年化超额收益6.42%（19.77%-13.35%）可间接体现[10][11] - 选股集中度：新方案前十大权重股合计权重49.85%（旧方案40.15%）[13][14][15] 注：所有测试结果均基于2018/12/28-2025/3/24回溯期间[8][10]，加权方式均为自由流通市值加权（单样本权重≤15%）[6]

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**：恒生消费指数模型 **模型构建思路**：该模型旨在反映与日常消费相关的消费品制造及服务的香港上市公司的整体表现，通过选取消费行业中市值最高的50只股票构建指数[28] **模型具体构建过程**： - 样本空间：恒生综合指数成分股 - 选样方法：在被分类为消费行业的股票中选择市值最高的50只作为样本 - 加权方式：流通市值加权，个股上限权重10% - 定期调整：指数样本每半年调整一次，权重每季度重平衡[28] **模型评价**：该模型专注于纯粹消费领域，均匀配置衣食住行等全场景消费龙头，持仓集中度较高[37] 模型的回测效果 1. **恒生消费指数模型** - 年化收益率：3.16% - 年化夏普比：0.25 - 年化波动率：24.87% - 最大回撤：56.86%[43] - 2024年以来表现：10.48%[43] 量化因子与构建方式 1. **因子名称**：消费行业市值因子 **因子构建思路**：通过选取消费行业中市值最高的股票构建因子，反映大市值消费股的表现[28] **因子具体构建过程**： - 从恒生综合指数成分股中筛选消费行业股票 - 按市值从高到低排序，选取前50只股票 - 使用流通市值加权计算因子值[28] **因子评价**：该因子偏重大市值风格，能够有效捕捉消费行业龙头股的表现[37] 2. **因子名称**：消费行业估值因子 **因子构建思路**：通过市盈率和市净率指标衡量消费行业的估值水平[33] **因子具体构建过程**： - 计算成分股的市盈率TTM和市净率 - 按市值加权计算指数的整体估值水平[33] **因子评价**：该因子显示恒生消费指数估值处于历史及同类指数低位，安全边际较高[35] 因子的回测效果 1. **消费行业市值因子** - 成分股平均市值：869.19亿港元 - 500亿规模以上股票权重占比：超过80%[28] 2. **消费行业估值因子** - 市盈率TTM：18.23 - 市净率：2.81 - 市盈率分位点：31.20% - 市净率分位点：72.60%[35]

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： 量化因子与构建方式 1. **因子名称：封板率** - 构建思路：通过统计股票在当日最高价涨停且收盘涨停的比例，反映市场情绪强弱[17] - 具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 筛选上市满3个月以上的股票，计算当日满足条件的股票数量比值[17] - 因子评价：高频情绪指标，对短线交易策略有直接参考价值 2. **因子名称：连板率** - 构建思路：衡量连续涨停股票的持续性，反映市场追涨热情[17] - 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，仅统计正常交易的股票[17] - 因子评价：对捕捉龙头股效应具有指示作用 3. **因子名称：大宗交易折价率** - 构建思路：通过大宗交易成交价与市价的偏离程度反映机构交易意愿[26] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计近半年日均成交金额作为基准，计算单日偏离度[26] 4. **因子名称：股指期货年化贴水率** - 构建思路：量化期现价差隐含的市场预期[28] - 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和中证1000主力合约数据[28] 因子回测效果 1. **封板率因子** - 当日取值：50%（近一个月新低）[17] - 历史分位：较前日下降11%[17] 2. **连板率因子** - 当日取值：11%（近一个月新低）[17] - 历史分位：较前日下降2%[17] 3. **大宗交易折价率因子** - 当日取值：6.94%[26] - 半年均值：5.38%[26] 4. **股指期货年化贴水率因子** - 上证50：-0.36%（44%分位）[28] - 沪深300：-3.62%（35%分位）[28] - 中证500：-14.02%（9%分位）[28] - 中证1000：-13.77%（33%分位）[28] 注：报告中未涉及量化模型的具体构建与测试，故未总结相关模型内容[1][2][3][4]

量化因子与构建方式 估值类因子 1. **因子名称**：bp - **构建思路**：衡量股票当前净资产与市值的比值，反映估值水平[13] - **构建过程**：$$ bp = \frac{当前净资产}{当前总市值} $$[13] 2. **因子名称**：bp三年分位数 - **构建思路**：计算当前bp在三年历史数据中的分位数，反映相对估值水平[13] - **构建过程**：取股票最近三年的bp数据，计算当前值对应的分位数[13] 3. **因子名称**：季度ep - **构建思路**：衡量季度净利润与净资产的比值[13] - **构建过程**：$$ 季度ep = \frac{季度净利润}{净资产} $$[13] 4. **因子名称**：季度sp - **构建思路**：衡量季度营业收入与净资产的比值[13] - **构建过程**：$$ 季度sp = \frac{季度营业收入}{净资产} $$[13] 盈利类因子 5. **因子名称**：季度资产周转率 - **构建思路**：反映企业资产利用效率[13] - **构建过程**：$$ 季度资产周转率 = \frac{季度营业收入}{总资产} $$[13] 6. **因子名称**：季度roa - **构建思路**：衡量净利润与总资产的比值[13] - **构建过程**：$$ 季度roa = \frac{季度净利润}{总资产} $$[13] 成长类因子 7. **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情况[13] - **构建过程**：计算当前季度净利润与去年同期单季净利润的增长率[13] 8. **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[13] - **构建过程**：$$ \frac{当前季度净利润 - (去年同期单季净利润 + 过去8个季度单季净利润同比增长均值)}{过去8个季度的单季度净利润同比增长值的标准差} $$[13] 换手率类因子 9. **因子名称**：1个月日均换手率 - **构建思路**：反映股票流动性[13] - **构建过程**：计算过去20个交易日换手率的均值[13] 10. **因子名称**：1个月换手率波动 - **构建思路**：衡量换手率的波动性[13] - **构建过程**：计算过去20个交易日换手率的标准差[13] 波动率类因子 11. **因子名称**：Fama-French三因子1月残差波动率 - **构建思路**：衡量股票收益对三因子模型残差的波动[13] - **构建过程**：对过去20个交易日日收益进行Fama-French三因子回归，计算残差的标准差[13] 12. **因子名称**：1月特异度 - **构建思路**：反映收益中不能被三因子解释的部分[13] - **构建过程**：$$ 1 - 过去20个交易日日收益对Fama-French三因子回归的R方 $$[13] 动量与反转类因子 13. **因子名称**：一年动量 - **构建思路**：衡量长期价格趋势[13] - **构建过程**：$$ 过去一年收益率累加 - 过去一个月收益率累加 $$[13] 14. **因子名称**：1个月反转 - **构建思路**：反映短期价格反转效应[13] - **构建过程**：累加过去20个交易日收益率[13] 规模类因子 15. **因子名称**：小市值 - **构建思路**：反映公司规模[13] - **构建过程**：取对数市值[13] Beta因子 16. **因子名称**：Beta - **构建思路**：衡量股票与市场的相关性[14] - **构建过程**：对最近490个交易日个股收益与市场收益进行加权回归，取回归系数[14] 因子回测效果 IC表现 1. **bp三年分位数**：最近一周IC 16.49%，最近一月IC均值7.73%，最近一年IC均值2.81%[8] 2. **1个月日均换手率**：最近一周IC 19.65%，最近一月IC均值9.86%，最近一年IC均值1.93%[8] 3. **Fama-French三因子1月残差波动率**：最近一周IC 14.75%，最近一月IC均值9.53%，最近一年IC均值3.27%[8] 多头组合表现 1. **季度净利润同比增长**：最近一年超额收益8.30%，历史累计超额35.27%[10] 2. **1个月换手率波动**：最近一年超额收益8.10%，历史累计超额30.99%[10] 3. **1月特异度**：最近一年超额收益9.38%，历史累计超额18.74%[10] 模型评价 - **换手率类因子**：近期表现突出，可能与市场流动性变化相关[7][9] - **波动率类因子**：长期稳定性较好，适合风险控制策略[7][9] - **估值类因子**：bp三年分位数短期表现优异，但长期IC均值较低[8][10]

量化模型与构建方式 1 **模型名称**：申万一级家电指数趋势跟踪模型 - **模型构建思路**：基于价格走势的局部延续性假设，通过观察窗口内的价格变动与波动率关系判断趋势方向[3] - **模型具体构建过程**： 1 计算T日收盘价与T-20日收盘价的差值：$$del = P_T - P_{T-20}$$ 2 计算T-20日至T日（不含）的波动率Vol（未明确公式，推测为收益率标准差） 3 趋势判断规则： - 若$$|del| > N \times Vol$$（N=1），则认定趋势形成，方向与del符号一致 - 否则延续T-1日趋势方向[3] - **模型评价**：对高频波动市场适应性差，在单边趋势行情中表现较好但整体不适合家电指数[4] 模型的回测效果 1 **申万一级家电指数趋势跟踪模型**： - 年化收益：-12.12% - 年化波动率：21.12% - 夏普比率：-0.57 - 最大回撤：28.98% - 指数总回报率：27.55%（模型显著跑输基准）[3] 图表分析 1 净值曲线显示模型净值持续低于1.0，2024年9月后波动加剧[5] 2 最大回撤绝对值达28.98%，主要发生在2023年3月至2024年2月[7][9] （注：原文未涉及量化因子相关内容，故不输出该部分）

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[4] - **模型具体构建过程**： 1. 计算各行业指数的拥挤度指标，可能结合交易量、价格波动、资金流向等数据 2. 对拥挤度进行每日滚动计算和排名 3. 输出拥挤度较高（如基础化工、机械设备）和较低（如传媒、房地产）的行业信号[4] - **模型评价**：能够动态捕捉行业短期过热或低估状态，但需结合主力资金流动数据验证[4] 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溢价率的标准化分数（Z-score），筛选存在套利机会的标的[5] - **模型具体构建过程**： 1. 计算ETF的IOPV溢价率：$$ \text{溢价率} = \frac{\text{市场价格} - \text{IOPV}}{\text{IOPV}} \times 100\% $$ 2. 滚动计算溢价率的均值与标准差，生成Z-score：$$ Z = \frac{\text{当前溢价率} - \text{滚动均值}}{\text{滚动标准差}} $$ 3. 根据Z-score阈值（如±2）标记异常溢价标的[5] - **模型评价**：需警惕市场情绪导致的短期溢价波动风险[5] --- 模型的回测效果 1. **行业拥挤度监测模型**： - 前一交易日拥挤度靠前行业：基础化工（99%）、机械设备（98%）、环保（95%）[10] - 拥挤度较低行业：传媒（1%）、房地产（9%）[10] - 主力资金验证：电力设备（-50.82亿元）、计算机（-130.13亿元）与拥挤度高位行业部分重合[11] 2. **溢价率Z-score模型**： - 建议关注标的：恒生医疗ETF基金（溢价率-0.81%）、港股通医药ETF（溢价率未披露）[12] --- 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，反映短期资金对行业的偏好[11] - **因子具体构建过程**： 1. 按申万一级行业分类统计主力资金净流入额（单位：亿元） 2. 计算近3日滚动合计值，识别资金持续流入/流出的行业[11] - **因子评价**：需结合行业基本面避免短期噪声干扰 2. **因子名称：ETF资金流动因子** - **因子构建思路**：跟踪ETF资金净流入数据，捕捉市场资金配置趋势[6] - **因子具体构建过程**： 1. 按ETF类别（宽基、行业主题等）分类统计单日净流入额 2. 输出TOP3流入/流出标的（如中证500ETF +3.52亿元，恒生医疗ETF -5.15亿元）[6][7] --- 因子的回测效果 1. **主力资金净流入因子**： - 近3日资金增配行业：煤炭（+3.79亿元）、综合（+1.27亿元）[11] - 大幅减配行业：计算机（-130.13亿元）、电子（-92.52亿元）[11] 2. **ETF资金流动因子**： - 跨境ETF近3日净流入：43.90亿元（恒生科技ETF +1.51亿元）[6] - 行业主题ETF净流出：-13.89亿元（创新药ETF -4.89亿元）[6]

量化模型与构建方式 1 模型名称：申万一级食品饮料趋势跟踪模型 模型构建思路：基于价格走势的局部延续性假设，通过价格变动与波动率的比较判断趋势方向[3] 模型具体构建过程： - 计算T日收盘价与T-20日收盘价的差值：$$del = P_T - P_{T-20}$$ - 计算T-20日至T日（不含）的波动率Vol（未说明具体计算方法） - 趋势判断规则：若|del| > N×Vol（N=1），则形成新趋势，方向与del符号一致；否则延续T-1日趋势[3] 模型评价：在剧烈波动市场中表现不稳定，盘整阶段适应性差，不适合直接用于该指数[4] 模型的回测效果 1 申万一级食品饮料趋势跟踪模型： - 年化收益：-12.31% - 年化波动率：23.84% - 夏普比率：-0.52 - 最大回撤：36.61% - 相对指数回报率：-22.69%（基准指数总回报）[3] （注：报告中未提及量化因子相关内容，故跳过该部分）

量化模型与构建方式 1. **模型名称**：250日新高距离模型 **模型构建思路**：通过计算当前收盘价与过去250日最高收盘价的相对距离，衡量股票或指数接近历史高点的程度[9] **模型具体构建过程**： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中： - \(Closet\)为最新收盘价 - \(ts\_max(Close,250)\)为过去250个交易日收盘价的最大值 当最新收盘价等于历史最高价时取值为0，回落时取正值反映回调幅度[9] **模型评价**：该指标能有效捕捉动量效应，符合经典趋势跟踪策略理论[9][16] 2. **模型名称**：平稳创新高股票筛选模型 **模型构建思路**：结合价格路径平滑性、分析师关注度等多维度筛选具有持续动量的股票[22][24] **模型具体构建过程**： - **价格路径平滑性**：计算位移路程比 $$ \frac{过去120日涨跌幅绝对值}{过去120日日涨跌幅绝对值加总} $$ - **分析师关注度**：过去3个月买入/增持评级研报≥5份 - **股价相对强弱**：过去250日涨跌幅全市场前20% - **创新高持续性**：过去120日250日新高距离时间序列均值 - **趋势延续性**：过去5日250日新高距离时间序列均值[22][24] **模型评价**：综合考量动量质量和市场关注度，避免选择波动过大的"彩票型股票"[22] --- 模型的回测效果 1. **250日新高距离模型**： - 上证指数新高距离3.97% - 深证成指7.72% - 沪深300 8.01% - 中证500 6.55% - 中证1000 5.20% - 中证2000 6.32% - 创业板指16.55% - 科创50 8.64%[10][30] - 家电行业2.60% - 银行1.74% - 有色金属2.78%[11][30] 2. **平稳创新高股票筛选模型**： - 筛选出29只股票（如卧龙电驱、新大陆、艾力斯等） - 制造/科技板块各占8只 - 机械/电子行业占比最高[25][29] --- 量化因子与构建方式 1. **因子名称**：创新高个股数量因子 **因子构建思路**：统计各行业/板块创250日新高的股票数量及占比[17][18] **因子具体构建过程**： - 在上市满15个月的股票池中 - 筛选过去20个交易日内收盘价≥250日最高价的股票 - 按行业/板块/指数分类统计绝对数量及占比[17][18] 2. **因子名称**：股价位移路程比因子 **因子构建思路**：衡量价格路径平滑性，识别"温水煮青蛙"效应[22] **因子具体构建过程**： $$ \frac{\sum_{t=1}^{120} |r_t|}{\sum_{t=1}^{120} |r_t|} $$ 其中\(r_t\)为日收益率，分子为120日累计收益绝对值，分母为每日收益绝对值之和[22] --- 因子的回测效果 1. **创新高个股数量因子**： - 全市场928只创新高股票 - 机械行业207只（占比30.94%） - 汽车行业85只（占比35.42%）[17][21] - 中证2000指数成分股中21.55%创新高[18][21] 2. **股价位移路程比因子**： - 应用于29只平稳创新高股票筛选 - 典型标的如艾力斯（72%年涨幅）、若羽臣（277%年涨幅）[29]