量化模型与构建方式 1. **模型名称：GRU模型** - **模型构建思路**：结合基本面和量价特征的时序预测模型，用于股票多空组合构建[3][4][5][6] - **模型具体构建过程**： 1. 输入数据包括量价特征（如开盘价、收盘价）和Barra风格因子（如市值、波动率）[15][17] 2. 通过GRU神经网络对时序特征进行训练，生成股票评分 3. 每月末按评分排序，构建多空组合（前10%做多，后10%做空）[17] - **模型评价**：在不同市场环境下表现分化，对量价特征捕捉能力较强但稳定性待提升[3][4][6] 2. **模型名称：多因子模型** - **模型构建思路**：综合基本面与技术面因子构建复合评分[7][30] - **模型具体构建过程**： 1. 因子标准化与行业中性化处理[17] 2. 动态加权组合财务因子（如市盈率、营收增长率）和技术因子（如动量、波动率）[15][28] 3. 约束条件包括行业偏离≤0.01、风格偏离≤0.5σ[29] --- 量化因子与构建方式 1. **因子名称：Barra风格因子** - **因子构建思路**：基于经典风险模型拆解市场风格收益来源[15] - **因子具体构建过程**： - **市值因子**：总市值自然对数 $$ \text{Size} = \ln(\text{MarketCap}) $$ - **波动因子**：复合波动率计算 $$ \text{Volatility} = 0.74\sigma_{ret} + 0.16|\text{CAR}| + 0.1\sigma_{residual} $$ - **流动性因子**：多期换手率加权 $$ \text{Liquidity} = 0.35\text{Turnover}_{1M} + 0.35\text{Turnover}_{3M} + 0.3\text{Turnover}_{1Y} $$ - **盈利因子**：复合财务指标 $$ \text{Earnings} = 0.68\frac{E}{P} + 0.21\frac{1}{P/CF} + 0.11\frac{1}{P/E_{ttm}} $$ - **因子评价**：市值和估值因子近期表现稳健，动量因子持续失效[16][17] 2. **因子名称：技术类因子** - **构建思路**：捕捉价格序列中的趋势与反转特征[28] - **具体构建过程**： - **动量因子**：N日收益率均值（20/60/120日） - **波动因子**：滚动窗口收益率标准差[28] - **因子评价**：中证1000成分股中动量因子空头收益显著[26][28] 3. **因子名称：基本面因子** - **构建思路**：财务指标加权（静态与动态结合）[18][21] - **具体构建过程**： - **超预期增长因子**：分析师预测与历史增长率差值 - **估值因子**：市盈率/市净率倒数[15][27] --- 模型的回测效果 | 模型名称 | 近一周超额收益 | 今年以来超额收益 | IR（三年年化） | |----------------|----------------|------------------|----------------| | GRU-barra5d | -0.31% | 7.42% | - | [30][31] | GRU-close1d | -0.40% | 5.73% | - | [30][31] | 多因子模型 | 0.66% | 3.28% | - | [30][31] --- 因子的回测效果 | 因子类型 | 中证1000多空收益（近一周） | 沪深300多空收益（近一周） | |----------------|----------------------------|---------------------------| | 市值因子 | - | 正向显著 | [16][21] | 60日动量 | -2.17% | 负向 | [22][28] | 市盈率因子 | 正向显著 | 负向 | [26][27] | 波动率因子 | -1.53% | 正向显著 | [22][28]

证券研究报告：金融工程报告 发布时间：2025-06-16 研究所 分析师:肖承志 SAC 登记编号:S1340524090001 Email:xiaochengzhi@cnpsec.com 研究助理:金晓杰 SAC 登记编号:S1340124100010 Email:jinxiaojie@cnpsec.com 近期研究报告 《谷歌更新 Gemini 2.5 Pro，阿里开 源 Qwen3 新模型——AI 动态汇总 20250609【中邮金工】》 - 2025.06.09 《结合基本面和量价特征的 GRU 模 型》 - 2025.06.05 《Claude 4 系列发布，谷歌上线编程 智能体 Jules——AI 动态汇总 20250526》 - 2025.05.27 《谷歌发布智能体白皮书，Manus 全面 开放注册——AI 动态汇总 20250519》 - 2025.05.20 《证监会修改《重组办法》，深化并购 重组改革——微盘股指数周报 20250518》 - 2025.05.19 《通义千问发布 Qwen-3 模型， DeepSeek 发布数理证明大模型——AI 动态汇总 20250505》 - 20 ...

科创50ETF期权成交、持仓同步放量。从交投较为活跃的华夏科创50ETF期权持仓变动情况来看，6月 合约总计增持5.55万张，其中认购增持3.00万张、认沽增持2.55万张。认购、认沽的增持集中在平值附 近，且认购增持力度更大，预计市场短期走势偏空。 6月3日，A股震荡上行，沪深市场全天成交1.16万亿元。个股涨多跌少，超3400只个股收涨，市场整体 氛围偏多。板块方面，贵金属、银行、游戏、创新药等板块涨幅居前，钢铁、汽车整车、白酒、煤炭等 板块跌幅居前。期权标的走势分化，中证1000指数涨0.72%，科创50指数涨0.39%，上证50指数涨 0.32%，创业板指数涨0.25%，沪深300指数收平，深证100指数跌0.11%。期权市场上，隐含波动率高开 低走，成交量小幅回落，而持仓量稳步攀升。当日，沪深两市及中金所期权总成交405.02万张，较前一 交易日减少1.84%；总持仓760.22万张，较前一交易日增加11.55%。 上证50ETF期权成交量减少4.88%，持仓量增加16.58%。具体来看，上证50ETF期权成交87.37万张，较 前一交易日的91.86万张减少4.49万张；持仓132.36万张，较前 ...

市场表现 - A股震荡走高，权重股领涨 [1] - 各品种期权标的全部收红，期权隐含波动率回升，市场情绪转暖 [3] 期权交易数据 成交量与持仓量 - 上证50ETF期权成交量为1964625张，持仓量为1421097张 [2] - 上交所沪深300ETF期权成交量为1602336张，持仓量为1212873张 [2] - 上交所中证500ETF期权成交量为1807038张，持仓量为1268751张 [2] - 华夏科创50ETF期权成交量为661091张，持仓量为1665639张 [2] - 易方达科创50ETF期权成交量为167512张，持仓量为485817张 [2] - 创业板ETF期权成交量为1493871张，持仓量为1446656张 [2] - 深交所沪深300ETF期权成交量为222412张，持仓量为301092张 [2] - 深交所中证500ETF期权成交量为184871张，持仓量为363075张 [2] - 深证100ETF期权成交量为114788张，持仓量为123260张 [2] - 沪深300股指期权成交量为168326张，持仓量为188585张 [2] - 中证1000股指期权成交量为352826张，持仓量为267687张 [2] - 上证50股指期权成交量为82014张，持仓量为68636张 [2] 成交额 - 上证50ETF期权成交额为7.2亿元 [2] - 上交所沪深300ETF期权成交额为8.25亿元 [2] - 上交所中证500ETF期权成交额为15.57亿元 [2] - 华夏科创50ETF期权成交额为1.59亿元 [2] - 易方达科创50ETF期权成交额为0.33亿元 [2] - 创业板ETF期权成交额为5.76亿元 [2] - 深交所沪深300ETF期权成交额为1.07亿元 [2] - 深交所中证500ETF期权成交额为0.71亿元 [2] - 深证100ETF期权成交额为0.33亿元 [2] - 沪深300股指期权成交额为6.9亿元 [2] - 中证1000股指期权成交额为24.06亿元 [2] - 上证50股指期权成交额为2.48亿元 [2] 隐含波动率 - 上证50ETF期权加权隐含波动率为0.1527 [3] - 上交所沪深300ETF期权加权隐含波动率为0.1516 [3] - 上交所中证500ETF期权加权隐含波动率为0.1711 [3] - 华夏科创50ETF期权加权隐含波动率为0.2749 [3] - 深交所沪深300ETF期权加权隐含波动率为0.1595 [3] - 深交所中证500ETF期权加权隐含波动率为0.1816 [3] - 深证100ETF期权加权隐含波动率为0.1925 [3] - 沪深300股指期权加权隐含波动率为0.1432 [3] - 中证1000股指期权加权隐含波动率为0.2058 [3] - 上证50股指期权加权隐含波动率为0.157 [3] 市场展望 - 未来股市将延续强势，期权隐含波动率也将继续走高 [3] - 短线重点关注波动率策略 [3] - 中线股市运行重心上移，大幅下跌概率较小，可逢回调积极做多或构建远月合成多头组合 [3]

量化因子与构建方式 估值类因子 1. **因子名称**：bp - **构建思路**：衡量净资产与市值的相对关系[14] - **具体构建**：$$ bp = \frac{当前净资产}{当前总市值} $$ 2. **因子名称**：bp三年分位数 - **构建思路**：反映当前bp在三年历史中的分位水平[14] - **具体构建**：计算股票当前bp在最近三年数据中的分位数 3. **因子名称**：季度ep - **构建思路**：衡量季度净利润与净资产的关系[14] - **具体构建**：$$ 季度ep = \frac{季度净利润}{净资产} $$ 4. **因子名称**：季度sp - **构建思路**：衡量季度营收与净资产的关系[14] - **具体构建**：$$ 季度sp = \frac{季度营业收入}{净资产} $$ 盈利类因子 1. **因子名称**：季度资产周转率 - **构建思路**：反映营业收入与总资产的效率关系[14] - **具体构建**：$$ 季度资产周转率 = \frac{季度营业收入}{总资产} $$ 2. **因子名称**：季度毛利率 - **构建思路**：衡量毛利润与销售收入的比例[14] - **具体构建**：$$ 季度毛利率 = \frac{季度毛利润}{季度销售收入} $$ 3. **因子名称**：季度roa - **构建思路**：衡量净利润与总资产的效率[14] - **具体构建**：$$ 季度roa = \frac{季度净利润}{总资产} $$ 成长类因子 1. **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率[14] - **具体构建**：计算当前季度净利润与去年同期单季净利润的增长率 2. **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[14] - **具体构建**：$$ \frac{当前季度净利润 - (去年同期单季净利润 + 过去8个季度单季净利润同比增长均值)}{过去8个季度单季净利润同比增长值的标准差} $$ 分析师类因子 1. **因子名称**：90天分析师覆盖度 - **构建思路**：反映过去90天内分析师的覆盖情况[14] 2. **因子名称**：一致预期EPS变动 - **构建思路**：衡量一致预期EPS的相对变化[14] - **具体构建**：$$ \frac{一致预期eps}{最近120日一致预期eps均值} $$ 换手率类因子 1. **因子名称**：1个月换手率波动 - **构建思路**：反映过去20个交易日换手率的波动性[14] - **具体构建**：计算过去20个交易日换手率的标准差 波动率类因子 1. **因子名称**：Fama-French三因子1月残差波动率 - **构建思路**：衡量日收益对Fama-French三因子回归的残差波动[14] - **具体构建**：计算过去20个交易日日收益对三因子回归的残差标准差 2. **因子名称**：1月特异度 - **构建思路**：反映收益中未被三因子解释的部分[14] - **具体构建**：$$ 1 - R^2 \quad (R^2为Fama-French三因子回归的拟合优度) $$ 规模类因子 1. **因子名称**：小市值 - **构建思路**：反映公司市值大小的反向指标[15] - **具体构建**：对数市值 --- 因子回测效果 IC表现 1. **小市值因子**：最近一周IC表现较好[8] 2. **90天分析师覆盖度因子**：最近一月IC表现较好[8] 3. **1月特异度因子**：最近一年IC表现较好[8] 多头组合表现 1. **小市值因子**： - 最近一周超额：1.03% - 最近一月超额：3.94% - 最近一年超额：13.73%[11] 2. **季度资产周转率因子**： - 最近一周超额：0.55% - 最近一月超额：1.39% - 最近一年超额：2.78%[11] 3. **1个月反转因子**： - 最近一月超额：1.90%[11] 4. **Fama-French三因子1月残差波动率因子**： - 最近一年超额：7.33%[11] --- 因子评价 - **小市值因子**：长期表现稳定，近期超额收益显著[8][11] - **季度资产周转率因子**：盈利类因子中表现突出，反映经营效率[11] - **1月特异度因子**：波动率类因子中IC稳定性较高[8]

市场整体表现 - A股5月13日高开低走，沪深两市成交1.33万亿元，与前一交易日持平，超3200只个股下跌 [1] - 板块分化明显：港口航运、光伏、银行、医药收涨，军工、小金属、通信、计算机收跌 [1] - 期权标的指数走势分化，上证50指数和沪深300指数收涨，其他指数收跌 [1] 期权市场交易情况 上证50ETF期权 - 成交量67.44万张，较前一交易日98.50万张减少31.53% [1] - 持仓量147.25万张，较前一交易日133.35万张增加10.42% [1] - 5月合约增持7.51万张（认购3.29万张+认沽4.22万张），浅虚值部位增持为主 [1] 沪深300期权 - 成交量全线下降：深交所300ETF期权降32.85%，上交所300ETF期权降23.96%，中金所股指期权降14.30% [2] - 持仓量普遍上升：深交所300ETF期权增11.92%，上交所300ETF期权增9.84%，中金所股指期权微增0.06% [2] - 上交所300ETF期权5月合约增持5.34万张（认购2.82万张+认沽2.52万张），认购增持力度更大 [2] 科创50ETF期权 - 华夏科创50ETF期权5月合约增持5.73万张（认购4.07万张+认沽1.66万张），认购增持占主导 [2] 波动率指标 - 上证50ETF当月平值期权隐含波动率12.69%，30日历史波动率19.02% [3] - 沪深300指数30日历史波动率22.06%，整体波动率维持低位 [3] 市场预期 - 期权市场显示短期震荡格局：认购认沽浅虚值部位同步增持，上证50ETF认购增持范围更宽 [1][2] - 沪深300ETF和科创50ETF认购增持力度更大，预示短期偏空震荡 [2] - 低波动率环境下建议牛市价差多头组合离场，现货持有者采用备兑策略 [3]

根据研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **因子名称：Barra风格因子** - **构建思路**：基于多维度市场特征构建的风格因子体系，用于捕捉股票的不同风险收益特征[15] - **具体构建过程**： - **Beta因子**：历史beta值 - **市值因子**：总市值取自然对数 - **动量因子**：历史超额收益率序列均值 - **波动因子**：复合计算方式 $$波动 = 0.74 \times 历史超额收益率波动率 + 0.16 \times 累积超额收益率离差 + 0.1 \times 历史残差收益率波动率$$ - **非线性市值**：市值风格的三次方 - **估值因子**：市净率倒数 - **流动性因子**：换手率加权组合 $$流动性 = 0.35 \times 月换手率 + 0.35 \times 季换手率 + 0.3 \times 年换手率$$ - **盈利因子**：多指标加权 $$盈利 = 0.68 \times 预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率TTM倒数$$ - **成长因子**：增长率组合 $$成长 = 0.18 \times 预测长期盈利增长率 + 0.11 \times 预测短期增长率 + 0.24 \times 盈利增长率 + 0.47 \times 营业收入增长率$$ - **杠杆因子**：多维度杠杆指标加权 $$杠杆 = 0.38 \times 市场杠杆率 + 0.35 \times 账面杠杆 + 0.27 \times 资产负债率$$ - **因子评价**：全面覆盖市场主流风格特征，具有明确经济学解释[15] 2. **因子名称：GRU模型衍生因子** - **构建思路**：基于门控循环单元（GRU）神经网络预测未来收益构建的因子[19] - **具体构建过程**：包含barra1d/5d和open1d/close1d等不同预测周期的模型输出[19][23][25] - **因子评价**：能够捕捉非线性市场规律，但存在模型过拟合风险[35] 3. **因子名称：技术类因子** - **构建思路**：基于量价数据构建的短期交易信号[20] - **具体构建过程**： - 20日/60日/120日动量：不同时间窗口的收益率 - 波动率因子：20日/60日/120日收益率标准差 - 中位数离差：价格偏离程度[20][27] 模型回测效果 1. **Barra风格因子** - 全市场测试： - 本周最佳因子：波动因子（60日窗口）多空收益3.01%[20] - 最差因子：20日动量多空收益-0.50%[20] - 沪深300测试： - barra5d模型多空收益显著[21] - 中证500测试： - barra5d模型周多空收益超3%[23] 2. **GRU模型因子** - 全市场： - open1d模型本周多空收益回撤[19] - 中证1000： - barra1d/5d模型表现优异[25] - 多头组合： - open1d模型年内超额中证1000收益4.24%[29][30] - barra5d模型近六月超额8.37%[30] 3. **技术类因子** - 中证1000测试： - 120日动量多空收益3.66%[27] - 60日波动多空收益3.60%[27] 因子表现跟踪 1. **基本面因子** - 全市场：静态财务因子多空收益最显著[18] - 中证500：超预期增长类因子负收益显著[23] - 中证1000：仅市销率因子多空收益为正[25] 2. **多因子组合** - 本周相对中证1000超额-0.97%[29] - 近六月超额6.47%[30] 注：所有测试均采用行业中性化处理，多空组合按因子值前10%做多/后10%做空，等权配置[17]

量化模型与构建方式 1 **模型名称**：GRU模型 **模型构建思路**：基于门控循环单元(GRU)神经网络构建的时序预测模型，用于捕捉股票价格动态变化[7][33] **模型具体构建过程**： - 输入层：股票历史价格序列(open/close价格) - 隐藏层：GRU单元堆叠结构，激活函数为tanh - 输出层：线性层预测未来收益率 - 训练方式：采用滚动窗口训练，损失函数为MSE **模型评价**：对短期价格波动捕捉能力较强，但需高频调参[7][33] 2 **模型名称**：barra1d/barra5d模型 **模型构建思路**：基于Barra风险模型框架的日频/5日频优化版本[15][23] **模型具体构建过程**： - 因子标准化：对10类风格因子进行Z-score标准化 - 风险调整：采用半衰期加权协方差矩阵 $$ w_{t} = \lambda w_{t-1} + (1-\lambda)r_t^T r_t $$ 其中λ=0.94(日频)/0.78(5日频)[15] **模型评价**：稳定性较好但时效性较弱[23][26] 3 **模型名称**：open1d/close1d模型 **模型构建思路**：基于开盘价/收盘价动量效应的日内交易模型[19][33] **模型具体构建过程**： - 信号生成：计算前N日开盘价与收盘价变化率 $$ signal = \frac{p_{open}^t - p_{close}^{t-1}}{p_{close}^{t-1}} $$ - 组合优化：加入交易量过滤和波动率约束[34] 量化因子与构建方式 1 **因子名称**：Barra风格因子体系 **因子构建思路**：通过10类风格维度解释股票收益差异[15] **因子具体构建过程**： - 市值因子：$$ \ln(总市值) $$ - 动量因子：过去126交易日超额收益均值 - 波动因子： $$ 0.74\sigma_{ret} + 0.16|r-\bar{r}| + 0.1\sigma_{resid} $$ - 流动性因子： $$ 0.35Turnover_{1m} + 0.35Turnover_{3m} + 0.3Turnover_{1y} $$ [15] 2 **因子名称**：超预期增长类因子 **因子构建思路**：捕捉财务指标超出分析师预期的程度[24] **因子具体构建过程**： - 计算标准化预期误差： $$ SUE = \frac{Actual - Forecast}{\sigma(Historical\ Errors)} $$ - 覆盖ROE/ROA/营业利润率等维度[24] 模型的回测效果 1 GRU模型： - 近一周超额1.43%(open1d)/1.38%(close1d)[34] - 今年以来IR 3.90(open1d)/1.87(close1d)[34] 2 barra1d模型： - 近六月超额2.39%[34] - 三年年化IR 15.39%[17] 因子的回测效果 1 市值因子： - 近半年多空收益-47.66%[17] - 五年年化IR -33.09%[17] 2 动量因子： - 近一月多空收益1.00%[17] - 三年年化IR 15.39%[17] 3 超预期增长因子： - 近一周多空收益0.57%(营业利润率)[24] - 今年以来IR 7.54%(净利润)[24]