量化因子与构建方式 1 因子名称：DTW预期收益率因子 因子构建思路：通过动态时间规整（DTW）算法计算收益率序列相似度，选取相似度高的历史序列的未来收益率作为预期收益，替代传统动量因子[31][32] 因子具体构建过程： - 取当前资产过去20天的收益率序列s[33] - 在截面所有资产中，回溯5～120天的20天收益率序列，计算与s的DTW距离[33] - 选取DTW距离最小的10%序列，计算其后5天收益率均值作为因子值[33] - 回溯窗口限制为5～120天以避免市场风格切换或样本不足[33] 涉及公式： DTW距离计算： $$X=[x_{1},x_{2},\ldots,x_{n}]$$ $$Y=[y_{1},y_{2},\ldots,y_{m}]$$ $$\operatorname{cost}(i,j)=d(i,j)+\operatorname*{min}{\begin{cases}\operatorname{cost}(i-1,j)\\ \operatorname{cost}(i,j-1)\\ \operatorname{cost}(i-1,j-1)\end{cases}}$$ 因子评价：相比传统动量因子能更有效捕捉短期趋势，但需配合择时策略控制回撤[43] 因子的回测效果 1 DTW预期收益率因子 - ETF轮动组合（25个行业ETF）：IC均值0.034，ICIR 0.128，多空最大回撤16.2%，多头换手率73%[35] - 科创50成分股：IC均值0.053，ICIR 0.251，多空最大回撤51.0%，多头换手率72%[40] 其他序列相似度算法（对比基准） 1 欧氏距离： $$d(\mathbf{A},\mathbf{B})={\sqrt{\sum_{i=1}^{n}(A_{i}-B_{i})^{2}}}$$[8] 2 余弦相似度： $${\mathrm{similarity}}=\cos(\theta)={\frac{\mathbf{A}\cdot\mathbf{B}}{\|\mathbf{A}\|\|\mathbf{B}\|}}$$ $$||\mathbf{A}||={\sqrt{\sum_{i=1}^{n}A_{i}^{2}}},\quad||\mathbf{B}||={\sqrt{\sum_{i=1}^{n}B_{i}^{2}}}$$[11][12]

2025 年 5 月 24 日 总量研究 小市值风格占优，私募调研跟踪策略超额明显 ——量化组合跟踪周报 20250524 要点 量化市场跟踪 大类因子表现：本周（2025.05.19-2025.05.23，下同）动量因子和成长性因子 获得正收益（0.12%和 0.04%）；流动性因子、beta 因子和规模因子取得明显 负收益（-0.56%、-0.52%和-0.40%），市场动量效应占优，小市值风格仍较为 显著。 单因子表现：沪深 300 股票池中，本周表现较好的因子有净利润断层(1.30%)、 成交量的 5 日指数移动平均(1.15%)、总资产毛利率 TTM(1.02%)。表现较差的 因子有对数市值因子(-1.02%)、动量弹簧因子(-1.12%)、早盘后收益因子 (-1.29%)。 中证 500 股票池中，本周表现较好的因子有毛利率 TTM(1.65%)、单季度 ROA(1.40%)、单季度总资产毛利率(1.26%)，表现较差的因子有单季度净利润同 比增长率(-0.42%)、5 日反转(-0.49%)、早盘后收益因子(-0.64%)。 流动性 1500 股票池中，本周表现较好的因子有 5 日平均换手率(0 ...

截至周一收盘，标普500指数较6144.15点的历史收盘高点仅低3%。诚然，引领市场反弹逼近历史高点 的大盘科技股近期可能失去动能。 DataTrek Research联合创始人杰西卡・拉贝（Jessica Rabe）指出，iShares MSCI美国动量因子ETF （MTUM）今年以来表现超过标普500指数10个百分点。从历史来看，在经历如此强劲的上涨后，动量 因子通常会跑输大盘指数。 美国银行指出，其全球股票风险偏好指标已从4月初的"深度恐慌"反弹至中性水平。 该行策略师里特什・萨马迪亚（Ritesh Samadhiya）指出，这一指标在过去38年中已32次从恐慌转向中 性。他补充称，在这些案例中，只有四次市场情绪回落至恐慌水平，"而在所有其他情况下，情绪进一 步上升至乐观水平"。 萨马迪亚表示："在货币宽松背景下，恐慌情绪彻底宣泄后市场广度显著改善，这在历史上通常与新一 轮牛市的延续或形成相关。尽管历史并非完美的指引，但大量证据表明市场可能继续攀升。" 目前来看，美股似乎势不可挡。标普500指数周一小幅收涨，逆转了穆迪下调美债评级引发的跌势，将 连胜纪录延长至六个交易日。这一涨势进一步巩固了该基准指数自 ...

一、本周指数增强组合表现 沪深300指数增强组合本周超额收益-1.26%，本年超额收益1.88%。 中证500指数增强组合本周超额收益-0.50%，本年超额收益3.40%。 中证1000指数增强组合本周超额收益-0.78%，本年超额收益4.40%。 中证A500指数增强组合本周超额收益-0.22%，本年超额收益4.88%。 二、本周选股因子表现跟踪 沪深300成分股中一年动量、一个月反转、DELTAROE等因子表现较好。 中证500成分股中一个月反转、SPTTM、高管薪酬等因子表现较好。 中证1000成分股中非流动性冲击、3个月盈利上下调、预期净利润环比等因 子表现较好。 中证A500成分股中一个月反转、一年动量、高管薪酬等因子表现较好。 公募基金重仓股中一年动量、DELTAROA、特异度等因子表现较好。 三、本周公募基金指数增强产品表现跟踪 沪深300指数增强产品本周超额收益最高0.44%，最低-0.66%，中位 数-0.06%。 中证500指数增强产品本周超额收益最高0.48%，最低-1.30%，中位 数-0.35%。 中证1000指数增强产品本周超额收益最高1.09%，最低-0.82%，中位 数-0.0 ...

根据提供的量化研报内容，以下是结构化总结： --- 量化因子与构建方式 1. **风格因子（BARRA模型）** - **构建思路**：参考BARRA模型构建10大类风格因子，用于捕捉A股市场风格变化[16] - **具体构建**： - **估值因子**：BP = 归属母公司股东权益 / 总市值 - **成长因子**：SGRO（营收增长率）和EGRO（净利润增长率）的均值，通过时间序列回归计算[17] - **盈利因子**：ETOP（净利润TTM/市值）和CETOP（现金流TTM/总资产）的均值 - **Beta因子**：个股252日收益率与中证全指的半衰加权回归系数（半衰期63日） - **动量因子**：RSTR = 过去504日累计收益率（排除最近21日，半衰加权126日） - **公式**： $$ \text{EGRO} = \frac{\text{每股净利润回归斜率}}{\text{每股净利润均值}} $$ $$ \text{BETA} = \text{半衰加权回归系数} $$ - **评价**：Beta因子和波动性因子近期表现突出，反映市场对高波动资产的偏好[17][18] 2. **选股因子（53个）** - **构建思路**：覆盖估值、成长、质量、技术等11个类别，中性化处理后最大化因子暴露[20][22] - **代表性因子**： - **20日反转**：过去20日收益率（负向） - **60日动量**：过去60日收益率（排除近20日，正向） - **单季度毛利率**：（营收-成本）/营收（正向） - **公式**： $$ \text{特异度} = \text{Fama-French三因子回归残差波动率} $$ - **评价**：反转和动量因子在不同股票池中表现分化，如中证1000中60日动量表现最佳[24][28][35] --- 因子回测效果 1. **风格因子多空收益** - **Beta因子**：近一周多空收益3.76%，近一月1.00%[18] - **波动性因子**：近一周2.88%，近一月-1.48%[18] - **盈利因子**：近一周-2.83%，近一月-0.18%[18] 2. **选股因子超额收益（沪深300股票池）** - **20日反转**：近一周0.46%，近一年8.15%[24] - **60日动量**：近一周0.40%，近一年-1.44%[24] - **单季度毛利率**：近一周0.31%，近一年4.85%[24] 3. **全市场Rank IC** - **20日成交量比率**：近一周Rank IC 13.33%，近十年4.28%[44] - **单季度ROE**：近一周Rank IC -11.26%，近十年2.87%[44] --- 模型与组合表现 1. **中性约束组合构建** - **方法**：在行业和风格中性约束下最大化目标因子暴露[22] - **应用**：沪深300、中证500等股票池中测试因子组合超额收益[23][27][34] 2. **指数增强基金表现** - **沪深300增强**：近一周平均超额-0.09%，中位数-0.06%[47][49] - **中证1000增强**：近一周平均超额-0.01%，最高1.09%[47][49] --- 关键结论 - **近期有效因子**：Beta、波动性、反转因子表现强势，盈利因子持续弱势[18][24][44] - **市场分化**：小市值股票（中证1000）中动量因子显著，大市值（沪深300）中质量因子占优[28][35] （注：风险提示、免责声明等内容已按需省略）

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. **动量情绪指标择时模型** - 构建思路：通过计算沪深300指数成分股的上涨家数占比，结合不同窗口期的移动平均线捕捉市场情绪变化[26][27] - 具体构建过程： 1. 计算沪深300指数N日上涨家数占比： $$ \text{上涨家数占比} = \frac{\text{过去N日收益>0的个股数}}{\text{成分股总数}} $$ 2. 对指标进行双重平滑（快线窗口N2=35日，慢线窗口N1=50日） 3. 当快线>慢线时生成看多信号[27][29] - 模型评价：能快速捕捉上涨机会，但对下跌市场判断存在滞后性[26] 2. **均线情绪指标模型** - 构建思路：基于8条均线（参数为8/13/21/34/55/89/144/233日）的突破状态判断趋势[33][37] - 具体构建过程： 1. 计算沪深300收盘价与各均线的位置关系 2. 统计收盘价高于均线的数量 3. 当超过5条均线被突破时看多[37] - 模型评价：对趋势性行情敏感，但震荡市中易产生假信号[33] 量化因子与构建方式 1. **横截面波动率因子** - 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[38][39] - 具体构建过程： $$ \sigma_{cross} = \sqrt{\frac{1}{N}\sum_{i=1}^N (r_i - \bar{r})^2} $$ 其中$r_i$为个股收益率，$\bar{r}$为成分股平均收益率[39] - 因子评价：波动率上升通常预示超额收益机会增加[38] 2. **时间序列波动率因子** - 构建思路：捕捉指数成分股历史波动率变化[42][43] - 具体构建过程： $$ \sigma_{time} = \sqrt{\frac{1}{T}\sum_{t=1}^T (r_t - \mu)^2} $$ 采用20日滚动窗口计算[43] - 因子评价：可作为风险管理和择时辅助指标[42] 模型的回测效果 1. **动量情绪指标模型** - 年化收益率：4.5% - 最大回撤：22.3% - IR：0.89[31] 2. **均线情绪指标模型** - 年化收益率：6.2% - 胜率：58.7% - 盈亏比：1.35[35] 因子的回测效果 1. **横截面波动率因子** - 沪深300近一年均值：1.92% - 中证1000近半年分位数：66.53%[39][41] 2. **时间序列波动率因子** - 沪深300近一季度值：0.61% - 中证500近半年分位数：60.32%[43]

1. 美国 ETF创新产品： 数字货币Solana期货ETF发行 上周美国共10只新发产品，发行速度略有放缓： 贝莱德上周发行一只市政债指数产品，投资剩余期限在12年以上的投资级美国市政债，今年以来美国投资者对免税市 政债的需求较大。 个股杠杆产品近期发行热度较高，Defiance、Leverage Shares上周共发行4只2倍杠杆产品，挂钩金融服务平台 ROBINHOOD、网络安全提供商Palo Alto Networks和技术公司ADOBE。 上周美国股票整体表现企稳，国内股票产品大幅流入超过600亿美元，其余各类资产也都有一定流入： Fortuna上周发行一只比特币策略产品，主要投资比特币期货，并通过包括Covered Call在内的期权策略来提供一定的 安全垫，管理人将通过主动管理灵活决定期权的具体使用。 动量因子是美股2024年表现最好的因子，上周MarketDesk发行一只高集中度动量产品，主要使用质量、动量因子筛 选股票。在动量因子上，除了要求过去6个月涨幅靠前，还要求月度之间分布尽可能均匀、动量的持续性较强。 景顺上周发行一只期货策略产品，投资的品种包括股指期货、债券期货、外汇等，目前在股票 ...

结果如下： 8, manus g 方正证券动量因子回测与对比分析 智录 Manus 的电脑 2-1 F在执行命令 cd /home/ubuntu/factor replication && python data collection.p Manus 正在伊田终地 正在执行命令 - 正在执行命令 cd /home/ubuntu/factor replication && python shellt 数据收集遇到API响应问题,需要考虑替代数据源或使用模拟数据继续因子实现 ubuntu@sandbox :~ /factor replication $ cd /home/ubuntu && cd /home/ubur tu/factor replication && pvthon3 data collection.py ® Manus 28 分钟前 获取股票列表 ... 获取日频数据 .. 我在尝试获取数据时遇到了一些问题。Yahoo Finance APl似乎对中国A股市场的支持有限,无法正确获取所 | 0/40 [00:00 0% | 需的数据。考虑到研报复现的目的,我将采用以下替代方案: _ 正在执行命令 ...

核心观点 - 300红利低波指数在不同时间区间表现优于沪深300和300红利指数，显示因子策略的有效性[2][3] - 投资因子是驱动资产收益差异的关键变量，包括红利、低波动、价值、成长等8类因子[3][4] - 因子组合策略可提升超额收益，但需避免相互冲突的因子结合[18][19] 八个常用投资因子 市值因子 - 聚焦股票市值对收益的影响，大盘股稳定性高但弹性低，小盘股成长空间大但风险高[5] - 沪深300（大盘）2017-2020年跑赢中证2000（小盘），2021-2023年小盘股占优[6] - 万得微盘股指数通过小市值因子+每日调仓策略实现长期超额收益[7] 价值因子 - 寻找市场价格低于内在价值的股票，利用估值修复获利[5][8] - 2022年"中特估"政策推动央企/国企估值回归，相关股票表现强劲[8] 成长因子 - 关注盈利增长潜力，高估值伴随高波动，经济向好时表现更优[5][9] - 全指成长指数在上涨行情中弹性高于全指价值，但调整期抗跌性较弱[9][10] 低波动因子 - 选择股价稳健的股票，下行市场抗跌性强，长期复利效应显著[5][11] 红利因子 - 筛选高股息率股票，具备避险属性但牛市弹性不足[5][12] - 300红利低波指数结合红利与低波动因子，2021年以来跑赢沪深300及300红利指数[12][13] 质量因子 - 基于财务质量选股，经济不确定性时期表现更优，但可能因估值过高受限[13] 动量因子 - 捕捉趋势延续效应，短期有效但在震荡市中易失效[14] 反转因子 - 利用价格过度下跌后的反弹机会，与动量因子负相关[15] 因子应用策略 - 根据风险偏好选择因子：稳健型适合价值/红利/低波动，进取型适合成长因子[17] - 多因子组合需考虑协同性，如红利+低波动因子互补，避免成长+价值因子冲突[18] - 需动态调整因子权重，因子有效性随市场环境变化[19]

在此背景下，高盛交易员兼合伙人Michael Wilson撰文并配上了8张图表，尝试帮助投资者对当下市场进行梳理。 值得一提的是，Wilson不仅将 科技板块ETF的关键支撑位称为自己关注的"头号图表" ，还关注到欧洲市场的复苏动能和中国创新企业的潜力。 以下为Michael Wilson原文编译，enjoy~ 在某些时期，价格走势比基本面透露的信息更多。本周三，英伟达发布了意义重大的财报，尽管其报告堪称完美，增长势头强劲且基数日益庞大，但 当日股价仍下跌8%。市场最热门的领域持续承压：过去两周，我们的"零售宠儿"股票篮子下跌10%，"迷因股"下跌13%，"比特币相关股"下跌13%。 近几周，全球市场愈发复杂，市场难度显著上升，科技股的疲软、消费者情绪的剧烈起伏以及政策不确定性的阴影正深刻影响着投资者的决策。 无需赘言，近几周市场的难度系数显著上升。没有什么比"Magnificent 7"（七大科技巨头）今年迄今下跌8%，而标普493（标普500中其余493家公 司）上涨4%的表现更能清晰地体现这一点。 如果仅此而已，问题尚可简单划分，但当前局势远不止于此：增长预期迅速重置、对消费者信心的担忧、通胀预期的突然 ...