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. **模型名称：TV-AR模型（时变预测模型系统）** - **构建思路**：通过联合线性控制函数检测预测变量参数的不稳定性，提升预测效率[16] - **具体构建过程**： 1. 采用时变自回归（TV-AR）框架动态调整参数 2. 引入线性控制函数校正样本外预测偏差 3. 蒙特卡洛模拟验证有限样本有效性，检测超50%变量存在参数不稳定现象 - **模型评价**：显著提升预测效用增益，适用于非平稳金融时间序列 2. **模型名称：高频贝塔估计技术** - **构建思路**：基于傅里叶估计方法解决粗糙波动与异步交易噪声问题[14] - **具体构建过程**： 1. 采用傅里叶变换重构资产价格路径 2. 设计抗噪声的协方差矩阵估计量： $$\hat{\beta}_{t} = \frac{\int_{0}^{t} \mathcal{F}(d\log p_{1})(s)\overline{\mathcal{F}(d\log p_{2})(s)}ds}{\int_{0}^{t} |\mathcal{F}(d\log p_{2})(s)|^{2}ds}$$ 其中$\mathcal{F}$表示傅里叶变换算子 3. 通过高频数据验证日内贝塔离散度与流动性关联性 - **模型评价**：在微观结构噪声环境下保持估计鲁棒性 3. **模型名称：高维因子择时框架** - **构建思路**：结合宏观变量与因子特性利差实现多因子动态配置[16] - **具体构建过程**： 1. 构建因子特性矩阵（包括多空端价差、动量延续性等） 2. 设计收缩惩罚函数控制过拟合风险： $$\min_{\theta} \|R-X\theta\|^{2} + \lambda \sum_{j=1}^{p} \frac{|\theta_{j}|}{1+|\theta_{j}|}$$ 3. 通过滚动窗口优化实现因子权重动态调整 - **模型评价**：在大市值因子择时中表现突出 4. **模型名称：长记忆随机区间模型(LMSR)** - **构建思路**：基于Parkinson波动率捕捉金融时间序列持续特性[40] - **具体构建过程**： 1. 构建区间波动率测度： $$RV_{t} = \frac{1}{4\ln 2}(h_{t}-l_{t})^{2}$$ 2. 引入分整差分算子$(1-L)^{d}$刻画长记忆性 3. 采用Whittle近似估计进行参数校准 - **模型评价**：样本外预测损失降低38% 量化因子与构建方式 1. **因子名称：无形资产投资因子** - **构建思路**：替代传统MTB比率与盈利能力因子[11] - **具体构建过程**： 1. 计算企业研发支出与无形资产摊销占比 2. 构建正交化组合： $$INTANG = \frac{RD+IA}{TA} - \beta_{1}HML - \beta_{2}RMW$$ 其中TA为总资产 3. 按行业调整后分组构建多空组合 - **因子评价**：1993年后预测力显著超越传统价值因子 2. **因子名称：债券评级联动因子** - **构建思路**：捕捉股债市场分割导致的套利机会[14] - **具体构建过程**： 1. 计算股票与同发行人债券评级变动相关性 2. 构建配对交易组合：做空评级下调股票/做空评级上调股票 3. 控制行业与规模风险暴露 - **因子评价**：未被现有经济关联因子解释 3. **因子名称：僵尸企业调整动量因子** - **构建思路**：剔除信贷扭曲企业提升动量效应[14] - **具体构建过程**： 1. 识别僵尸企业（连续3年利息覆盖率<1且负债增长） 2. 在传统11-1月动量策略中剔除该类企业 3. 优化组合权重函数： $$w_{i} = \frac{1}{\sigma_{i}}(1-D_{i}^{zombie})$$ 其中$D_{i}^{zombie}$为僵尸企业虚拟变量 - **因子评价**：日本市场夏普比率提升3倍 4. **因子名称：员工前瞻性预期因子** - **构建思路**：捕捉劳动力市场未公开信息[11] - **具体构建过程**： 1. 构建员工满意度调查中的未来预期指数 2. 计算行业调整后的异常预期值 3. 采用Fama-MacBeth回归验证预测力衰减模式 - **因子评价**：信号受套利行为影响快速衰减 模型回测效果 1. **TV-AR模型** - 样本外预测效用增益：+22%[16] - 参数不稳定变量检出率：51.3%[16] 2. **高频贝塔模型** - 日内贝塔离散度与流动性相关系数：0.67[14] 3. **高维因子择时框架** - 大市值因子择时IR：1.82[16] 4. **LMSR波动率模型** - 样本外预测损失降幅：38%[40] 因子回测效果 1. **无形资产投资因子** - 月均超额收益：42bps[11] - 信息比率(IR)：0.93[11] 2. **债券评级联动因子** - 月均超额收益：0.45%[14] - 最大回撤：8.7%[14] 3. **僵尸调整动量因子** - 超额收益提升幅度：+300%[14] - 夏普比率：1.52 vs 原策略0.49[14] 4. **员工预期因子** - 年化异常收益：8-11%[11] - 信号半衰期：4.2个月[11]

研究文献概况 - 本月新增量化金融相关研究文献 80 篇，涵盖权益、基金、债券等多个领域[1] 权益类研究（非 ESG） - 无形资产因子及内在价值模型解决传统因子失效问题，后者月均超额收益 56bps[10] - 僵尸企业调整使日本动量策略超额收益与夏普比率提升 3 倍[12] - 102 个异象双重排序实现年化夏普比率 2[15] 固收类研究 - 高频在线通胀率预测收益率曲线斜率因子贡献率 61%[22] - 气候灾害后绿色债券溢价 5 个月内消退，量化宽松使企业疫情期降级率↑37%[24] - 发行人不赎回盈利性可赎回债券引致 40bps 价格跳跃[26] 基金研究 - 高技能基金流动性选择策略驱动超额收益，美国公共养老基金跑输基准 7 个百分点[28] - 新型时间序列估计量均方误差↓37%，收购经理技能被低估 29%[31] 资产配置研究 - 整体投资组合方法取代传统战略配置，货币系统化管理整合四类风格溢价[32] - 波动率关联性约束使组合危机期绩效↑23%，波动率择时增强指数策略风险调整收益↑19%[33][37] 机器学习研究 - 机器学习期权定价经济价值高于传统模型，GraphSAGE 模型提升信用风险预测精度 19%[38] - 长记忆随机区间模型样本外预测损失↓38%[38] 行业与风格研究 - 行业失配企业导致自身及行业异常应计额膨胀，中断应计模型有效性[41] 权益 - ESG 类研究 - 家族企业抑制绿色创新资源压力↑86%，供应链客户促进创新地理距离↓10%效应↑23%[42] - ESG 百分位归一化虚增头部评分贡献率<45%，披露与分析师预测精度呈 U 型关系[42] - 气候风险促慈善捐赠↑24%，污染资产免责改革降排放↓28%，强制 CSR 披露提专利质量↑35%[45]

根据研报内容，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. **扩散指数模型** - **构建思路**：通过监测微盘股指数成分股的价格涨跌扩散情况，预测未来变盘临界点[6][43] - **具体构建**： - 横轴为未来N天股价涨跌幅（1.1至0.9代表±10%），纵轴为回顾窗口期长度T（20至10天） - 计算扩散指数值：例如横轴0.95与纵轴15天对应值0.16，表示未来5天若成分股均跌5%，扩散指数为0.16[43] - 动态更新成分股，指数天然有下行趋势[43] - **评价**：用于捕捉市场情绪转折点，但对成分股变动敏感 2. **小市值低波50策略** - **构建思路**：在微盘股成分股中筛选小市值且低波动的50只股票，双周调仓[40][41] - **具体构建**： - 选股标准：总市值≤20亿元（如茂化实华19.5亿元、浙江力诺19.32亿元），结合历史波动率排序[41] - 费用：双边千三交易成本，基准为万得微盘股指数[40] - **评价**：兼顾流动性与风险控制，但超额收益受市场风格影响较大 3. **日历效应模型** - **构建思路**：分析微盘股指数在不同时间维度的收益规律[7][22][56] - **具体构建**： - **日度效应**：2024-2025年期间，星期二、四绝对收益为正（0.4%-0.8%），星期一为负（-0.2%）[56][58] - **月度效应**：2月胜率84%（历史平均收益7.22%），3月超额收益胜率90%[7][60][63] --- 量化因子与构建方式 1. **杠杆因子** - **构建思路**：衡量公司财务杠杆水平对收益的影响[5][38] - **具体构建**：RankIC本周0.143（历史平均-0.006），公式为： $$ \text{杠杆因子} = \frac{\text{总负债}}{\text{总资产}} $$ - **评价**：短期有效性显著，但长期稳定性不足 2. **成交额因子** - **构建思路**：捕捉流动性对微盘股收益的贡献[5][38] - **具体构建**：RankIC本周0.051（历史平均-0.08），标准化成交额排名 - **评价**：与市场活跃度正相关，但易受极端值干扰 3. **PB倒数因子** - **构建思路**：低估值策略在微盘股中的表现[5][38] - **具体构建**：RankIC本周0.042（历史平均0.034），公式为： $$ \text{PB倒数因子} = \frac{1}{\text{市净率}} $$ 4. **非线性市值因子** - **构建思路**：控制市值对收益的非线性影响[5][38] - **具体构建**：RankIC本周-0.116（历史平均-0.033），采用分段回归法 --- 模型回测效果 | 模型/策略 | 年化收益 | 超额收益 | IR | 最大回撤 | |---------------------|----------|----------|-------|----------| | 小市值低波50策略 | 42.78% | 0.22% | 1.2 | -12.5% | [40][42] | 扩散指数首次阈值法 | - | - | - | - | [47] | 扩散指数双均线法 | - | - | - | - | [52][53] --- 因子回测效果 | 因子名称 | 本周RankIC | 历史平均RankIC | |--------------------|------------|----------------| | 杠杆因子 | 0.143 | -0.006 | [5][38] | 未复权股价因子 | -0.190 | -0.017 | [5][38] | PE_TTM倒数因子 | -0.143 | 0.018 | [5][38] --- 注：部分模型（如扩散指数法）未披露具体回测数值，仅提供信号触发时点[46][51]

报告核心观点 - 报告提出基于赔率和胜率的投资期望结合方式，为价值成长风格切换问题提供定量模型解决方案，最新一期风格轮动模型推荐价值风格，2013 年至今该模型策略年化收益率 26.61%，夏普比率 0.98 [1][4] 各部分总结 前言 - 报告创新性提出基于赔率和胜率的投资期望结合方式，后续将持续在样本外跟踪并定期汇报 [1][8] - 借用个股因子合成刻画成长和价值风格，价值用账面市值比、净利润市值比，成长用单季度净利润同比增速等，对因子做市值中性化和标准化处理后等权复合，选风格暴露前 20%个股为代表组合，风格收益周度换仓计算 [8] - 上周全市场成长风格组合收益 1.22%，价值风格组合收益 1.26% [1][8] 赔率 - 赔率指亏损为 1 时盈利的数值，一段收益率序列的赔率等于平均正收益/平均负收益的绝对值 [9] - 关注市场风格相对估值水平，用估值差的历史分位数法刻画并修正，计算风格暴露前 20%和后 20%股票组合账面市值比平均数之差为初始估值差，除以全市场估值平均数，再计算其历史排位次序百分比 [11] - 根据最新估值差分位数，当下成长风格赔率估计为 1.10，价值风格赔率估计为 1.07 [2][14] 胜率 - 梳理五个宏观指标和三个微观指标判断胜率，包括十年中债国债到期收益率、美国 6 个月国债收益率、PMI 等 [16] - 七个胜率指标中 4 个指向成长，3 个指向价值，当下成长风格胜率为 46.13%，价值风格胜率为 53.87% [16] 投资期望及策略收益 - 根据公式投资期望=胜率*赔率-（1 - 胜率），计算得成长风格投资期望为 -0.35，价值风格投资期望为 0.43，推荐价值风格 [4][18] - 2013 年至今，基于投资期望的风格轮动模型策略年化收益率 26.61%，夏普比率 0.98，总收益 1772.43%，年化波动 27.14%，最大回撤 50.48% [4][19]

量化因子与构建方式 1. **因子名称**：盈利预期期限结构因子 - **构建思路**：通过分析分析师对上市公司未来多年盈利预测的趋势（向上倾斜、水平、向下倾斜），用斜率度量盈利预期期限结构，反映分析师的乐观、中性或悲观预期[7] - **具体构建过程**： 1. 以未来年度为X轴，盈利预测数据为Y轴，拟合线性趋势 2. 计算斜率： $$ \text{斜率} = \frac{\sum_{t=1}^{n}(x_t - \bar{x})(y_t - \bar{y})}{\sum_{t=1}^{n}(x_t - \bar{x})^2} $$ 其中 \( x_t \) 为年度变量，\( y_t \) 为对应盈利预测值，\( \bar{x} \) 和 \( \bar{y} \) 为均值[7] - **因子评价**：历史表现良好，走势稳定性高[9] 2. **因子名称**：合成动量 ff 因子 - **构建思路**：将盈利预期期限结构"动量 ff"因子与传统分析师预期调升因子（如一致预期净利润3个月变化率）合成，以兼顾收益与稳定性[11] - **具体构建过程**： 1. 标准化处理两个因子的数值 2. 加权合成： $$ \text{合成动量 ff} = w_1 \cdot \text{动量 ff} + w_2 \cdot \text{调升因子} $$ 权重 \( w_1 \) 和 \( w_2 \) 根据历史表现优化确定[11] - **因子评价**：合成后因子走势改善，兼具高收益与稳定性[11] --- 因子的回测效果 1. **盈利预期期限结构因子**： - 累计IC表现见图1[8] 2. **合成动量 ff 因子**： - 累计IC表现见图2[13] --- 选股组合表现 1. **沪深300选股组合**： - 2025年5月超额收益：-0.15% - 2025年前5个月超额收益：1.09%[14] 2. **中证500选股组合**： - 2025年5月超额收益：0.57% - 2025年前5个月超额收益：1.33%[14] 3. **中证800选股组合**： - 2025年5月超额收益：-0.32% - 2025年前5个月超额收益：1.79%[14] 4. **中证1000选股组合**： - 2025年5月超额收益：-0.32% - 2025年前5个月超额收益：2.29%[14] （注：组合构建方法为选取对应指数内"合成动量 ff"因子排名前50/100的股票[14]）

量化模型与构建方式 1. **模型名称：分红预测模型** - **模型构建思路**：基于上市公司分红信息（年报、快报、预警等）和盈利预测数据，预测指数成分股的分红对股指期货合约的影响[9][11][12] - **模型具体构建过程**： 1. **预估净利润**：优先采用年报数据，其次为快报、预警、三季报TTM或分析师预测均值[25][26] 2. **计算税前分红总额**： - 已公布分红预案的直接采用 - 未公布的假设分红率与去年一致（若去年分红率为0则预测为0）[30] - 净利润为负的公司分红率设为0[30] 3. **计算分红对指数的影响**： - 股息率 = 税后分红总额 / 最新市值 - 股息点 = 股票权重 × 股息率 - 权重调整公式： $$\mathrm{w_{it}={\frac{w_{i0}\times\mathrm{\scriptsize{\boldmath~(~1+R~)}~}}{\sum_{1}^{n}w_{i0}\times\mathrm{\scriptsize{\boldmath~(~1+R~)}~}}}}$$ 其中 \(w_{i0}\) 为初始权重，\(R\) 为涨跌幅[27] 4. **预测分红对各合约的影响值**： - 除权除息日预测：已公布的直接采用，未公布的参考历史除息日中位数[31][32] - 合约影响值 = 交割日前所有分红点数的累加[32] - **模型评价**：依赖历史分红率和盈利预测假设，市场环境突变时可能产生偏差[6][35] 2. **模型名称：股指期货定价模型** - **模型构建思路**：基于无套利原理，考虑分红现值和利率因素，计算期货理论价格[35][36] - **模型具体构建过程**： 1. **离散红利分配**： $$F_t = (S_t - D)(1 + r)$$ 其中 \(D = \sum_{i=1}^{m} D_i / (1 + \phi)\)，\(D_i\) 为单次红利，\(\phi\) 为无风险利率[35] 2. **连续红利分配**： $$F_t = S_t e^{(r - d)(T - t)}$$ 其中 \(d\) 为年化红利率，\(r\) 为无风险利率[36] --- 量化因子与构建方式 （报告中未提及独立因子，仅涉及模型内部分红相关计算指标） --- 模型的回测效果 1. **分红预测模型** - **上证50股指期货**： - 6月合约分红点数16.98，年化对冲成本（剔除分红） -3.56%[13] - 剩余分红影响比例0.63%[17] - **沪深300股指期货**： - 6月合约分红点数19.41，年化对冲成本 -0.71%[14] - 剩余影响比例0.51%[17] - **中证500股指期货**： - 6月合约分红点数27.05，年化对冲成本4.97%[15] - 剩余影响比例0.48%[17] - **中证1000股指期货**： - 6月合约分红点数23.76，年化对冲成本10.61%[16] - 剩余影响比例0.39%[17] 2. **股指期货定价模型** - 未提供具体回测数据，仅作为理论框架[35][36] --- 因子的回测效果 （无相关内容）

金融工程市场跟踪 - A股本周缩量震荡，主要宽基指数周度收跌，量能指标显示择时观点维持谨慎 [3] - 主题轮动加速，贵金属和汽车板块表现占优，4月以来"红利+微盘"策略显著跑赢市场 [3] - "红利+微盘"组合在创年内高点后出现快速调整，需警惕短期持续调整风险 [3] REITs市场观察 - 公募REITs二级市场价格震荡上行，加权指数收于139.74点，周回报率达1.36% [4] - REITs回报率在大类资产中排名第二，仅次于黄金，高于纯债和A股 [4] - 新上市保障房类REIT推动市场活跃度，但单只产品成交规模和换手率延续分化格局 [4] 铜行业动态 - 铜精矿加工费(TC)现货价续创新低，反映原料供应持续紧张 [5] - 国内电解铜库存上升，主因关税备货效应减弱叠加消费淡季来临 [5] - 铜价上行需等待国内刺激政策出台及美国降息落地 [5] 生猪养殖行业 - 行业产能周期已触底，当前库存水平仍处高位，宰后均重达2023年初以来新高 [6] - 库存拐点临近，去库存完成后板块有望进入长周期盈利上行阶段 [6] - 本周出栏均重下降，猪价环比跌幅扩大 [6] 诺邦股份分析 - 水刺无纺布龙头企业，2024年及2025Q1业绩表现亮眼 [7] - 卷材业务差异化和可冲散产线产能持续扩张，制品业务通过国光品牌切入高毛利客户 [7] - 小植家品牌依托公司技术优势实现快速扩张 [7] 其他行业要点 - 磷化工产业链受磷肥出口放开政策利好，行业前景持续看好 [8] - 量化策略显示小市值风格占优，私募调研跟踪策略超额收益明显 [8] - 可转债市场本周出现小幅调整 [8]

无糖茶深度报告汇报 - 会议时间定于5月27日15:00 主讲人为食饮首席分析师郭梦婕 [1] - 参会需使用密码602893 [1] 电子行业投资观点汇报 - 会议时间定于5月27日20:00 主讲人为电子首席分析师张世杰 [1] - 参会需使用密码531061 [1][6] 皖通高速报告解读 - 会议时间定于5月27日21:00 主讲人为交运分析师程志峰 [1][8] - 参会需使用密码941887 [10] 传媒行业投资观点汇报 - 会议时间定于5月28日20:00 主讲人为传媒首席分析师郑磊 [1][12] - 参会需使用密码075103 [17] 工程机械近况更新 - 会议时间定于5月29日15:00 主讲人为机械分析师张凤琳 [1][21] - 参会需使用密码478615 [24] 原料药板块2024年及25Q1总结 - 会议时间定于5月29日15:00 主讲人为医药首席分析师周豫和医药分析师乔露阳 [1][26] - 参会需使用密码239779 [28] 行业配置模型回顾与更新系列（四） - 会议时间定于5月30日21:00 主讲人为金工首席分析师刘晓锋 [1] - 参会需使用密码244660 [1]

量化模型与构建方式 1. 高频因子 1. **因子名称**：日内高频偏度因子 **因子构建思路**：通过分析股票日内收益的偏度特征来捕捉市场情绪和价格波动异常[3][6] **因子具体构建过程**：参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》，对常规因子进行正交化处理[11] **因子评价**：长期多空收益稳定，但5月表现较弱[3][6] 2. **因子名称**：日内下行波动占比因子 **因子构建思路**：衡量股票下跌波动在总波动中的占比，反映风险特征[3][6] **因子具体构建过程**：基于专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》方法构建[17] 3. **因子名称**：开盘后买入意愿占比因子 **因子构建思路**：通过开盘后买入交易量占比捕捉资金流向[3][6] **因子具体构建过程**：采用《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》方法[21] 4. **因子名称**：开盘后大单净买入占比因子 **因子构建思路**：分析大单资金在开盘后的净流入情况[3][6] **因子评价**：2025年月胜率达100%，稳定性突出[7] 2. 深度学习因子 1. **因子名称**：改进GRU(50,2)+NN(10)因子 **因子构建思路**：结合门控循环单元和神经网络提取高频数据时序特征[3][14] **因子评价**：多空收益持续为正但多头超额收益为负[10] 2. **因子名称**：多颗粒度模型（5日标签） **因子构建思路**：基于双向AGRU训练，融合不同时间颗粒度的市场信息[15][66] **因子评价**：2025年多空收益达28.86%，表现最佳[10] 3. AI增强组合模型 **模型名称**：中证500/1000 AI增强组合 **模型构建思路**：以多颗粒度模型因子为核心，通过优化约束条件构建增强组合[69] **模型具体构建过程**： - 目标函数：$$max\sum\mu_{i}w_{i}$$，其中μi为股票预期超额收益[70] - 风险控制模块包含个股/行业约束、市值约束、财务指标约束等[70] - 交易成本假设为双边3‰[71] 回测效果 1. 高频因子 | 因子名称 | 上周多空收益 | 5月多空收益 | 2025年多空收益 | IC(2025) | RankMAE(2025) | |--------------------------|--------------|-------------|-----------------|----------|---------------| | 日内高频偏度因子 | 0.18% | -1.42% | 14.35% | 0.057 | 0.331 | | 开盘后大单净买入占比因子 | 0.31% | -0.33% | 12.32% | 0.039 | 0.324 | | 大单推动涨幅因子 | 0.36% | -0.53% | 4.26% | 0.005 | 0.322 | 2. 深度学习因子 | 因子名称 | 上周多空收益 | 5月多空收益 | 2025年多空收益 | 多头超额(2025) | |--------------------------|--------------|-------------|-----------------|----------------| | GRU(50,2)+NN(10) | 0.09% | 0.11% | 16.01% | -1.81% | | 多颗粒度模型(5日标签) | 0.56% | 0.81% | 28.86% | 9.83% | 3. AI增强组合 | 组合名称 | 上周超额收益 | 5月超额收益 | 2025年超额收益 | |------------------------------|--------------|-------------|----------------| | 中证500 AI增强宽约束组合 | 1.19% | 3.50% | 7.44% | | 中证1000 AI增强严约束组合 | 0.98% | 3.33% | 11.98% |

量化模型与构建方式 1. **模型名称：利率价量多周期择时策略** - **模型构建思路**：通过核回归算法捕捉利率趋势形态，识别支撑线和阻力线，结合长、中、短周期下的突破信号生成综合择时观点[10] - **模型具体构建过程**： 1. **周期划分**：长周期（月度切换）、中周期（双周度切换）、短周期（周度切换）[10] 2. **信号生成规则**： - 若至少2个周期出现向下突破支撑线且趋势非向上，则满配长久期债券 - 若至少2个周期出现向下突破但趋势向上，则配置50%中久期+50%长久期 - 若至少2个周期出现向上突破阻力线且趋势非向下，则满配短久期债券 - 若至少2个周期出现向上突破但趋势向下，则配置50%中久期+50%短久期 - 其他情况等权配置短、中、长久期债券[23] 3. **止损机制**：单日超额收益<-0.5%时切换为等权配置[23] - **模型评价**：策略通过多周期共振增强信号稳定性，结合趋势过滤降低误判风险 2. **模型名称：公募债基久期测算模型** - **模型构建思路**：基于改进的回归模型动态跟踪中长期纯债基金的久期及分歧水平[13] - **模型具体构建过程**： 1. **数据输入**：全市场纯债基金持仓数据（含杠杆调整） 2. **核心指标**： - 久期中位数：$$ \text{Median}(D_i) $$，其中$D_i$为第$i$只基金久期 - 久期分歧：截面标准差$$ \sigma_D = \sqrt{\frac{1}{N}\sum_{i=1}^N (D_i - \bar{D})^2} $$ - 4周移动平均：对中位数和均值进行平滑处理[13][14] 3. **历史分位数计算**：基于5年滚动窗口标准化[14] --- 量化因子与构建方式 1. **因子名称：利率水平结构因子** - **因子构建思路**：提取1-10年期国债YTM的水平项成分，反映利率绝对高低[7][9] - **因子具体构建过程**： 1. 对期限结构曲线进行三次样条插值 2. 分解为水平、斜率、曲率三因子： $$ \text{YTM}(t) = L_t + S_t \cdot \frac{t}{\tau} + C_t \cdot \left(\frac{t^2}{\tau^2} - \frac{t}{\tau}\right) $$ 其中$L_t$为水平因子，$\tau$为期限标准化参数[7] 3. 计算历史分位数（3/5/10年滚动窗口）[9] 2. **因子名称：利率期限利差因子** - **因子构建思路**：捕捉长短端利差变化，反映市场对远期经济的预期[7][9] - **因子具体构建过程**： 1. 计算10年期与1年期国债YTM差值： $$ \text{TS}_t = \text{YTM}_{10Y} - \text{YTM}_{1Y} $$ 2. 标准化处理并计算分位数[9] 3. **因子名称：利率凸性结构因子** - **因子构建思路**：量化收益率曲线曲率变化，识别凸性交易机会[7][9] - **因子具体构建过程**： 1. 计算2×5年期与(1年期+10年期)利差： $$ \text{CS}_t = 2 \cdot \text{YTM}_{5Y} - (\text{YTM}_{1Y} + \text{YTM}_{10Y}) $$ 2. 负值表示曲线凹陷，正值表示凸起[9] --- 模型的回测效果 1. **利率价量多周期择时策略** - 长期年化收益率：6.19% - 最大回撤：1.53% - 收益回撤比：2.26 - 超额收益率（vs久期等权基准）：1.67% - 逐年胜率（绝对收益>0）：100%[24][27] - 短期表现（2023年底起）： - 年化收益率：7.5% - 最大回撤：1.61% - 收益回撤比：6.43[4] 2. **公募债基久期测算模型** - 当前久期中位数：3.09年（历史5年分位数82.24%）[6][13] - 久期分歧：1.56年（历史5年分位数62.93%）[14] --- 因子的回测效果 1. **利率水平结构因子** - 当前值：1.58% - 分位数：3年10%/5年6%/10年3%[9] 2. **利率期限利差因子** - 当前值：0.27% - 分位数：3年7%/5年4%/10年8%[9] 3. **利率凸性结构因子** - 当前值：-0.04% - 分位数：3年8%/5年5%/10年5%[9]