根据研报内容，现总结其中涉及的量化模型与因子如下： 量化模型与构建方式 **1 模型名称：宏观环境Logit模型[6][18][19]** - 模型构建思路：从短期货币流动性、长端利率、信用、经济增长以及汇率五个维度刻画宏观环境运行状态[16] - 模型具体构建过程：使用多个宏观变量（如银行间债券质押式回购利率、SHIBOR、国债收益率、社融、PMI等）的平稳化处理值，通过Logit模型计算宏观环境预测值[18] **2 模型名称：企业盈利景气指数2.0[20][23][26]** - 模型构建思路：通过识别主营业务，追踪主营业务的营收和成本情况来监控行业整体的景气度[20] - 模型具体构建过程：基于产业链系统分析追踪上下游行业部门；对行业进行财务指标分解；重构行业景气度追踪框架；计算各行业景气指数后，按上证指数每日各行业市值权重加权合成景气指数2.0[20][23] **3 模型名称：基于基差的股指期货择时模型[31][33]** - 模型构建思路：利用股指期货基差与指数自身的相关性趋势反映市场情绪变化，基于此相关性进行分组测试构建日频择时信号[31] - 模型具体构建过程：基于中证500股指期货基差构建衍生品择时信号，信号范围在-0.4到1之间[31] **4 模型名称：多维度择时模型[33][34]** - 模型构建思路：根据宏观、微观、中观信号将A股划分为9个状态，分别对应多空信号形成三维大周期择时信号，叠加股指期货基差信号合成四维度非线性择时模型[33] - 模型具体构建过程：将宏观环境、景气周期、景气方向组合成9种状态（如1-1宏观利多中观景气上行对应多头信号），再叠加衍生品信号合成最终择时信号[34] **5 模型名称：多风格策略[37]** - 模型构建思路：从价值、红利、质量、成长、低波、动量等多维度出发，刻画在不同主导风格下市场的表现，通过多因子信号的横向整合与动态权重配置实现收益平滑与风险分散[37] **6 模型名称：多风格增强策略[41]** - 模型构建思路：在多风格策略的基础上叠加增强因子，通过在其他风格端增厚收益，抑制单一风格波动，实现在不同周期下的稳定超额[41] **7 模型名称：可转债随机森林模型[46]** - 模型构建思路：通过随机森林方法构建可转债增强模型[46] **8 模型名称：REITs随机森林模型[48]** - 模型构建思路：通过随机森林方法构建REITs增强模型[48] **9 模型名称：宽基指数遗传规划选股模型[52][59][62][64][70]** - 模型构建思路：使用遗传规划算法挖掘选股因子，构建指数增强组合[52][59][62][64][70] - 模型具体构建过程： - 股票池：对应宽基指数成分股（沪深300、中证500、中证1000、中证全指）[52][59][62][64][70] - 训练集：2016年1月1日-2020年12月31日[52][59][62][64][70] - 因子挖掘：由遗传规划因子挖掘模型挖掘2000个初始种群、5代、多轮得到复合因子（沪深300：102个因子，中证500：189个因子，中证1000：564个因子，中证全指：709个因子）[52][59][62][64][70] - 策略：每周最后一个交易日选择模型得分最高的每个行业内的前10%的股票构建多头组合，以下周第一个交易日开盘价买入，周频调仓，交易成本为双边千三[52][59][62][64][70] **10 模型名称：三策略融合行业轮动模型[76][78]** - 模型构建思路：采用量化基本面驱动、质量低波风格驱动、困境反转行业发掘三种方法分别构建行业轮动策略，进行等权组合实现因子与风格的互补[76][78] - 模型具体构建过程：将基于基本面轮动、质量低波、困境反转三维度行业轮动策略进行等权组合，从不同维度筛选行业[78] **11 模型名称：三策略融合ETF轮动模型[85][88]** - 模型构建思路：基于三策略融合逻辑构建ETF轮动策略[85][88] 量化因子与构建方式 **1 因子名称：盘口平均深度因子[98][100]** - 因子构建思路：反映整体市场的深度，衡量市场流动性水平[100] - 因子具体构建过程：$$avg_{depth}=\frac{av_{1}+bv_{1}}{2}$$，其中av1和bv1分别为盘口委托快照数据的卖一量和买一量，若挂单量为0则令盘口深度为0[98][99] - 因子评价：因子取值越大，市场整体挂单量越大，市场总体深度越大，市场流动性越高，与未来收益负相关[100] **2 因子名称：盘口价差因子[103][104]** - 因子构建思路：反映卖一价和买一价的距离，衡量交易成本和市场宽度[104] - 因子具体构建过程：$$spread={\frac{2(a1-b1)}{a1+b1}}$$，其中a1和b1分别为盘口委托快照数据的卖一价和买一价[103] - 因子评价：盘口价差越大，交易成本越高，市场宽度越大，流动性越差，而流动性较低的个股未来收益表现相对较好，与未来收益正相关[104] **3 因子名称：价格弹性因子[106][108]** - 因子构建思路：反映单位成交额下股价的波动幅度，衡量市场流动性强度[108] - 因子具体构建过程：$$resiliency={\frac{high-low}{turnover}}$$，其中high、low、turnover分别代表tick数据中的最高价、最低价和成交额[106][107] - 因子评价：弹性越大说明单位成交额对价格冲击越大市场流动性越弱，而流动性较低的个股未来收益表现相对较好，与未来收益正相关[108] **4 因子名称：卖单非流动性因子[110][113]** - 因子构建思路：衡量高频数据下主动卖出的交易金额对于股票价格变动的影响[113] - 因子具体构建过程：$\Gamma_{1,t}=a+\beta_{1}*\delta_{1,t}+\beta_{2}*\delta_{1,t}+\epsilon_{1,t}$，其中β1为卖出非流动性系数，β2为买入非流动性系数，Si，t为股票i在t时间区间内的主动卖出金额，Bi,t为股票i在t时间区间内的主动买入金额[110][111] - 因子评价：卖单非流动性在控制风险后的Fama-MacBeth截面回归对收益率显著，且预测效果要好于买单非流动性，主要是由于投资者存在亏损厌恶的心理[113] **5 因子名称：Barra风险因子[121]** - 因子构建思路：包括20个风险因子全面刻画市场风险特征[121] - 因子具体构建过程：Barra CNE6 Trading模型包括规模（市值、非线性市值）、波动性（BETA、残差波动率）、流动性（流动性）、动量（短期反转、季节、行业动量、动量）、质量（杠杆、盈利变动率、盈利质量、盈利能力、投资质量）、价值（价值、盈利、长期反转）、成长（成长）、分析师预期（分析师情绪）、红利（股息率）等20个风险因子[121] 模型的回测效果 **1 宏观环境Logit模型**：最新预测值0.945，较上周末上行[19] **2 企业盈利景气指数2.0**：最新景气指数为0.885，剔除大金融板块景气指数为1.234[26] **3 中证500股指期货择时模型**：本周信号为1，累计仓位为多头（0.65）[7][34] **4 多维度择时策略**：最终合成信号为多头（1）[7][34] **5 多风格策略（截至2025年10月17日）**[40]： - 质量策略：年化收益率27.39%，超额年化收益率13.53%，夏普率2.00，区间最大回撤-8.31% - 红利策略：年化收益率12.80%，超额年化收益率3.82%，夏普率1.00，区间最大回撤-7.00% - 长期成长策略：年化收益率41.07%，超额年化收益率20.72%，夏普率1.88，区间最大回撤-12.41% - 价值策略：年化收益率14.79%，超额年化收益率-5.55%，夏普率0.88，区间最大回撤-12.92% - 低波策略：年化收益率20.53%，超额年化收益率0.19%，夏普率1.62，区间最大回撤-7.23% - 短期动量策略：年化收益率29.44%，超额年化收益率9.09%，夏普率1.27，区间最大回撤-19.89% - 长期动量策略：年化收益率19.80%，超额年化收益率-0.54%，夏普率1.32，区间最大回撤-8.70% **6 多风格增强策略（截至2025年10月17日）**[45]： - 质量增强策略：年化收益率16.04%，超额年化收益率2.19%，夏普率1.24，区间最大回撤-5.73% - 红利增强策略：年化收益率16.83%，超额年化收益率7.84%，夏普率1.31，区间最大回撤-5.88% - 长期成长增强策略：年化收益率25.11%，超额年化收益率4.76%，夏普率1.40，区间最大回撤-16.84% - 价值增强策略：年化收益率19.98%，超额年化收益率-0.37%，夏普率1.16，区间最大回撤-11.34% - 低波增强策略：年化收益率36.29%，超额年化收益率15.94%，夏普率2.43，区间最大回撤-9.71% - 短期动量增强策略：年化收益率13.76%，超额年化收益率-6.58%，夏普率0.93，区间最大回撤-9.14% - 长期动量增强策略：年化收益率7.74%，超额年化收益率-12.61%，夏普率0.50，区间最大回撤-10.99% **7 可转债随机森林模型**：年化收益率22.15%，夏普率1.73，今年以来绝对收益率14.25%[46] **8 REITs随机森林模型**：年化超额收益率39.26%，夏普率3.27，今年以来超额收益率57.60%[49] **9 宽基指数增强模型（截至2025年10月17日）**： - 沪深300指数增强：年化超额收益率17.70%，夏普率1.04，今年以来超额收益率-4.86%[55][57] - 中证500指数增强：年化超额收益率12.24%，夏普率0.87，今年以来超额收益率3.45%[63] - 中证1000指数增强：年化超额收益率18.83%，夏普率0.93，今年以来超额收益率2.73%[66] - 中证全指指数增强：年化超额收益率24.57%，夏普率1.31，今年以来超额收益率11.15%[71] **10 三策略融合行业轮动策略**：年化超额收益率10.59%，夏普率0.74[80] **11 三策略融合ETF轮动策略**：年化超额收益率12.78%，夏普率0.88，今年以来超额收益率14.75%[88] 因子的回测效果 **1 盘口平均深度因子**：当前略低于历史均值，相较上周末有所下降[101] **2 盘口价差因子**：当前低于历史均值，相较上周末有所上升[104] **3 价格弹性因子**：当前低于历史均值，相较上周末有所上升[109] **4 卖单非流动性因子**：当前高于历史均值，相较上周末有所下降[114] **5 Barra风险因子**：2025年10月13日至17日，股息率因子表现较好，BETA因子表现较差；本月股息率因子表现较好，最近一年短期反转因子和动量因子表现较好[121]

报告行业投资评级 未提及 报告的核心观点 - 基于国债逆回购利率（GC001）高频数据构建择时因子，验证其在股指期货品种上的有效性 [64] - GC001日内特征尤其是尾盘波动能捕捉市场流动性变化和机构短期行为，为股指择时提供独特Alpha来源 [64] - 高频逆回购指数在四个股指期货标的上表现稳健，具备择时和市场风向指示价值 [64] - 中小盘股指对GC001信号敏感度高于大盘股，为跨品种套利和风格轮动策略提供理论依据 [64] 根据相关目录分别进行总结 1. 宏观和资金面信息的风向标：国债逆回购利率 - 传统股指期货日频择时研究多集中于量价类因子，基于宏观流动性或短期资金面的因子挖掘不足 [5] - 逆回购利率蕴含短周期市场信息，对股指期货短期走势有独特解释力，能提供领先于传统量价指标的有效信号 [5] - 逆回购利率重要性体现在流动性监测、风险偏好映射、政策传导三个维度，其信息能穿透市场流动性和风险偏好 [6] 2. 基本概念 2.1 GC001基本概念 - GC001是投资者通过上交所将资金借出并以国债为抵押、期限1天的交易利率，是机构间短期融资批发价格 [7] - 选择GC001构建股指期货日间择时多空因子，因其能反映短期内资金面变动，与日频股指期货择时逻辑相符 [7] - GC001交易时间与A股一致，15:00 - 15:30仍可交易，尾盘交易活跃度高、波动大，是最佳交易时段 [7] 2.2 GC001指标逻辑 - GC001参与者多为机构投资者，反映更理性专业投资者的行为或态度 [8] - 日内分钟频率的GC001能反映日频市场上机构投资者的行为或态度，GC001高时资金紧缺，低时资金宽松 [8][9] - 使用尾盘分钟级别数据构建日间择时因子，能捕捉有价值信息并应用于择时端 [9] 2.3 衍生指标思路 - 基础特征衍生：从尾盘最佳交易时段入手，在分钟频率上构建平均水平、波动水平等基础GC001衍生特征 [10] - 时间戳因子衍生：拓展包含时间和事件信息的因子构建方法，在GC001尾盘交易时段实践，反映机构投资者行为特征 [11] 3. 回测设置 - 确认目标变量：构建股指日间择时策略，回测四个股指期货品种，以open to open收益率为预测目标 [12] - 回测时间区间：2019年05月15日至2025年04月19日 [12] - 调仓频率：日频调仓，择时信号为多（空）则一直持有多单（空单）不平仓 [13] - 保证金100%，1倍杠杆 [14] - 手续费：双边万二 [15] 4. 因子择时策略检验 4.1 上证50股指期货（IH） - 展示多个表现优秀的逆回购利率择时因子，全样本夏普比率均大于0.7 [18] - 如IH因子1年化收益20.4%，夏普比率0.98等 [22] 4.2 沪深300股指期货（IF） - 展示多个表现优秀的逆回购利率择时因子，全样本夏普比率均大于0.7 [29] - 如IF因子1年化收益18.4%，夏普比率0.92等 [30] 4.3 中证500股指期货（IC） - 展示多个表现优秀的逆回购利率择时因子，全样本夏普比率均大于0.7 [34] - 如IC因子1年化收益16.5%，夏普比率0.73等 [35] 4.4 中证1000股指期货（IM） - 展示若干表现优秀的逆回购利率因子，全样本夏普比率均大于0.7 [38] - 如IM因子1年化收益35.3%，夏普比率1.17等 [40] 5. 复合指标：高频逆回购利率指数 - 对筛选出的逆回购率因子复合处理，构建高频逆回购利率指数，提供宏观基本面择时信号 [48] - 上证50股指期货（IH）：全样本多空年化收益19.9%，近60日年化收益28.6%（胜率63.3%）等 [49][50] - 沪深300股指期货（IF）：全样本多空年化收益15.5%，近60日年化收益6.8%（胜率53.3%）等 [52] - 中证500股指期货（IC）：全样本多空年化收益23.3%，近60日年化收益43.9%（胜率50.0%）等 [56] - 中证1000股指期货（IM）：全样本多空年化收益41.7%，近60日年化收益40.7%（胜率48.3%）等 [58] - 全股指期货品种整体：全样本多空年化收益22.2%，近60日年化收益35.7%（胜率55.0%）等 [61] 6. 结论 - 基于GC001高频数据构建的择时因子有效，为股指择时提供独特Alpha来源和新视角 [64] - 高频逆回购指数表现稳健，中小盘股指对GC001信号敏感度更高 [64] - 未来可探索GC001与其他宏观流动性指标协同效应，结合机器学习挖掘高频数据规律 [64]