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**：基于上市公司已公布的分红信息（如年报、快报、预警等）和合理假设（如分红率不变），预测指数成分股的分红对股指期货合约的影响[7][9][20] - **模型具体构建过程**： 1. **预估净利润**：优先使用年报数据，若无则依次采用快报、预警、三季报TTM或分析师预测[24][28] 2. **计算税前分红总额**： - 已公布预案的直接采用 - 未公布预案的，假设分红率与去年一致（若去年未分红则设为零）[28] - 净利润为负时设分红率为零[28] 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）[25] 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[29][30] - 将合约交割日前的所有分红累加，得到影响点数[30] - **模型评价**：依赖历史数据和假设，若市场分红率突变可能导致预测偏差[4][33] 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，考虑分红现值和无风险利率，推导期货理论价格[33][34] - **模型具体构建过程**： - **离散红利分配**： $$F_t = (S_t - D)(1 + r)$$ （\(D\) 为红利现值，\(r\) 为无风险利率）[33] - **连续红利分配**： $$F_t = S_t e^{(r - d)(T - t)}$$ （\(d\) 为年化红利率）[34] --- 模型的回测效果 1. **分红预测模型**： - 上证50 6月合约分红点数：17.28点[7][10] - 沪深300 6月合约分红点数：20.75点[10][12] - 中证500 6月合约分红点数：35.79点[10][13] - 中证1000 6月合约分红点数：32.06点[10][14] 2. **股指期货定价模型**： - 上证50 6月合约年化对冲成本（剔除分红）：0.76%[10][11] - 沪深300 6月合约年化对冲成本：5.14%[10][12] - 中证500 6月合约年化对冲成本：12.79%[10][13] - 中证1000 6月合约年化对冲成本：18.63%[10][14] --- 量化因子与构建方式 1. **因子名称**：分红剩余影响因子 - **因子构建思路**：衡量分红对期货合约价格的剩余影响比例[11][12][13][14] - **因子具体构建过程**： - 计算合约剩余期限内未发生的分红点数 - 除以合约收盘价，得到影响比例[15] - **因子评价**：反映分红对期货定价的阶段性扰动[15] --- 因子的回测效果 1. **分红剩余影响因子**： - 上证50 6月合约剩余影响：0.64%[11][15] - 沪深300 6月合约剩余影响：0.53%[12][15] - 中证500 6月合约剩余影响：0.63%[13][15] - 中证1000 6月合约剩余影响：0.54%[14][15]

报告核心观点 - 构建能预测市场短期情绪变化的择时模型，改进后收益和风控能力出色；小米新车发布在即，产业链有望受益；腾讯混元游戏发布，看好AI在游戏领域应用；房地产新开工面积增速触底，进入去库存阶段；火电仍是公用事业最值得看好的板块；多家公司业绩有不同表现，部分公司给出投资建议和目标价 [2][6][9][12][15] 各报告总结 金融工程专题报告《从涨停板、"打板策略"到赚钱效应引发的情绪择时指标》 - 构建与涨跌停个股数量和可交易收益有关的因子，成功构建情绪择时模型，改进后收益和风控能力出色 [2][37] - 情绪择时模型组合年化收益率6.65%（3.82%），年化波动率15.37%（22.40%），最大回撤29.39%（55.08%），用于沪深300等宽基指数效果好 [2][37] - 引入市场趋势判断后，年化收益率9.41%（3.82%），年化波动率17.98%（22.40%），最大回撤46.35%（55.08%） [3][37] - 因子加权后，年化收益率9.68%（3.82%），年化波动率13.31%（22.40%），最大回撤24.47%（55.08%） [3][37] 行业跟踪报告：汽车《YU7发布在即，推荐小米汽车产业链》 - 小米新车YU7即将发布，产业链有望持续受益，维持行业增持评级，推荐华阳集团等标的 [6] - 2025年Q1小米汽车销量达7.6万辆，环比提升8.9%，单月交付量维持在2万台以上，造车能力得到验证 [7] - 2024年Q4小米集团智能电动汽车等创新业务净亏损缩窄，产销量规模提升有望改善盈利 [8] 行业跟踪报告：传播文化业《腾讯混元游戏发布，看好AI的游戏领域应用》 - 5月20日腾讯混元游戏视觉生成平台发布，产品功能面向游戏工业级内容生产，可提升美术设计效率 [9] - Hunyuan - Game定位为首个工业级游戏内容资产生成打造的AIGC系列大模型 [10] - 看好AI对游戏及内容生产产业的提效功能，维持传播文化业“增持”评级，推荐相关游戏公司 [10] 行业跟踪报告：房地产《产品呈现代际差，房企端增速预计触底》 - 4月新开工面积增速继续下降，进入去库存阶段，但存量项目去化仍面临压力 [12][13] - 新老项目代际差拉大，拿地和新开工同比增速预计不会进一步下降，推荐相关房企 [14] 行业双周报：公用事业《各地电改和新能源入市方案陆续出台》 - 火电仍是行业最值得看好的板块，看好北方火电电价，二季度火电行业盈利增速值得期待 [15] - 河南现货市场5月试运行，贵州邀约型削峰响应补偿2元/度 [15] - 介绍山东、河北相关电力方案及部分重要新闻数据 [16][17] 公司跟踪报告：合百集团（000417）《主业提质增效，新业多维破局》 - 维持增持评级，更新盈利预测，给予目标价8.52元 [19] - 2024年业绩稳健，25Q1有所承压，利润下滑主因业态承压和物流园处于培育期 [19] - 主业提质增效，引入京东奥莱，秉持1125战略拓展五大新业 [20][21] 海外报告：哔哩哔哩 - W（9626）《用户增长强劲，游戏与广告持续高增》 - 维持“增持”评级，调整目标价至178港元，上调25年收入预测 [22][23] - 25Q1利润超预期，毛利率持续优化，多项用户数据创新高 [23][24] - 广告和游戏业务收入快速增长，社区生态繁荣 [25] 海外报告：赤子城科技（9911）《情感共振驱动社交裂变，专精垂深破局品牌出海》 - 首次覆盖，给予“增持”评级，目标价11.6元港币 [26] - 公司致力于成为全球最大的社交娱乐公司，构建强势能社交品牌，商业化空间可观 [27] - 中东北非社交蓝海广阔，精品游戏大有可为 [28] 海外报告：新秀丽（1910）《25Q1业绩承压，欧洲保持稳健，印度转正》 - 维持“增持”评级，预计2025/26净利润2.54/2.89亿美元，给予对应价格 [30] - 25Q1业绩承压，Q2预计收入降中单位数、利润率环比持平 [31] - 印度增速转正，中韩及北美承压，TUMI欧洲及中国逆势高增 [31][32] 金融工程周报《上周小市值因子表现较好，估值、超预期因子超额收益较高》 - 展示公募指数增强基金各指数排名前三的基金及超额收益 [33] - 介绍沪深300、中证500等指数内单因子和大类因子上周超额较好的因子 [34] - 展示各指数增强策略上周和本年收益、超额收益及超额最大回撤 [36] 事件点评《信用债续发行：高等级产业债流动性有望改善》 - 上交所试点公司债续发行政策落地，旨在改善交易所市场债券流动性，降低流动性溢价 [38] - 以24山西债09为例介绍债券续发行的基本条款与发行价格设定 [38] - 债券续发行可缓解一二级市场矛盾，有望改善高等级产业债流动性 [39][41] 专题研究《存款利率调降，资金未必出表》 - 存款规模对非同业存款挂牌利率调降不敏感，预计此轮存款利率调降对资金出表扰动有限 [42][45] - 短期视角看，24年之后存款利率调降对资金出表扰动显现，债市提前抢跑存款利率调降预期 [43][44] - 预计资金面难回一季度紧张状态，票息策略占优，高等级短久期信用债或受益 [45] 基金研究数据库《20250522 - 国泰海通 - 国泰海通ETF基金跟踪周报（2025年第十八期）（2025 - 05 - 22）》 - 资金对A股类产品减配，买入债券板块，科技制造相关产品受青睐 [46][49] - 介绍ETF管理人规模排名、集中度、产品业绩、规模较大产品及周度申报情况 [47][48][49] 策略观察《地产销售动能回落，对美出口需求改善》 - 上周中观景气表现分化，地产销售动能回落，对美出口需求改善 [51] - 下游消费、周期制造、人流物流各领域有不同表现 [51][52][53] 行业跟踪报告：可选消费品《功效保健品的机遇》 - 看好产品创新能力突出叠加强运营的品牌，推荐若羽臣，关注汤臣倍健 [54] - 千亿保健品市场仍具成长空间，细分品类中鱼油、辅酶Q10增长快 [54][55] - 看好新渠道、新需求驱动保健品行业功能化，带来产品创新机遇 [56] 行业双周报：石油《PXN回暖，关注OPEC会议动向》 - 上周原油价格反弹后回落，宏观情绪支撑但基本面供给压力加大，地缘有波动性 [58] - PXN平均价差有所改善，推荐相关企业 [59] 海外报告：小鹏汽车 - W（9868）《25Q1毛利率创历史新高，经营质量持续优化》 - 维持“增持”评级，预计公司2025 - 2027年营业收入和归母净利润，给予目标价 [60] - 25Q1营收超季度指引上限，交付量创历史新高，经营质量持续优化 [60][61] - 新车周期有望驱动销量提升，展望25Q2有交付量和收入预期 [61][63] 公司季报点评：中国神华（601088）《行业底部显龙头本色，5月有望迎来向上拐点》 - 维持“增持”评级，上调目标价至48.11元 [64] - 煤炭销量略有下降，收购杭锦能源提升远期成长性 [65] - 电力业务Q1承压下行，预计Q2有望回升，公司现金流充裕，是红利龙头 [65][66] 公司跟踪报告：中南传媒（601098）《盈利能力稳定，持续稳健分红回馈投资者》 - 维持“增持”评级，预计2025 - 2027年EPS，给予目标价 [66] - 2024年和25Q1业绩增长稳健，持续高分红回报投资者 [67][68] - 教辅业务平稳增长，一般图书市占率提升 [69] 海外报告：迈富时（2556）《KA大客户需求强劲，AI Agent商业化加速落地》 - 维持“增持”评级，预计2025 - 2027年营收和归母净利润，给予目标价 [70] - 2024年营收快速增长，现金流与费用率大幅优化 [70] - AI赋能产品升级，智能体商业化落地加速，控股股东自愿延长锁定一年 [71][72] 公司跟踪报告：中控技术（688777）《创新商业模式，剑指工业AI龙头》 - 维持增持评级，目标价上调至72.75元，下调2025 - 2027年EPS预测 [73] - 加大AI与机器人研发投入，打造工业AI硬核产品 [73]

报告核心观点 - 2025年5月22日发布多份重磅研报和研究视点，涉及金融工程、钢铁、电子、医药生物、商贸零售、纺织服饰、食品饮料等多个领域，对相关公司和行业进行分析并给出投资建议 [1] 重磅研报 金融工程 - 主动权益基金经理未来或更重视基准，锚定基准创造超额收益，主动股基应把重心放在挖掘个股alpha上，控制风格和行业与基准的偏离度 [4] - 提出四个股票组合偏离度管理方案：核心卫星化方案可在不降低超额收益的情况下控制跟踪误差和业绩偏离度；行业中性化方案能更好控制跟踪误差和业绩偏离度；风格中性化方案可降低跟踪误差；组合哑铃化方案可降低风格极端管理人的跟踪误差、抹平波动及回撤 [4][5][6] 钢铁 - 将国家债务周期划分为地方政府债务化、地方债务中央化和国家债务货币化三个阶段，对应国家勤劳致富、坐享其成和再衰败的过程 [7] 电子 - 纳芯微是车规模拟芯片龙头，已形成三大产品方向，2024年多项业务份额居本土厂商第一，25Q1营收创新高，预计2025 - 2027年营收和归母净利润有增长，首次覆盖给予“买入”评级 [8] 医药生物 - 阳光诺和拟收购朗研100%股权，发布股权激励草案，构建三位一体业务生态体系，与华为云合作建设平台，下调业绩预测，维持“买入”评级 [10] 研究视点 商贸零售 - 4月社零同比增长5.1%基本符合预期，2025年社服零售基本面平稳复苏，部分子行业边际转好，给出五一酒店、旅游、调改主线、新业态及新变革、顺周期及超跌龙头等相关公司投资建议 [15] 纺织服饰 - 滔搏FY2025营收和业绩下滑，短期经营承压，但数字化能力领先，预计FY2026 - FY2028归母净利润增长，维持“买入”评级 [16] 食品饮料 - 青岛啤酒关注旺季量价超预期机会，成本红利和规模效应贡献利润弹性，中长期发力多元酒饮赛道，维持盈利预测和“买入”评级 [18] - 三只松鼠召开生态大会，发布新品类拓展及新渠道布局规划，正打破品牌及产品边界，构建一体化超级供应链 [21] 行业表现 前五名 - 美容护理1月、3月、1年涨幅分别为9.4%、15.3%、2.6%；汽车为9.1%、 - 0.3%、29.9%；家用电器为7.6%、2.4%、11.1%；电力设备为6.7%、 - 6.5%、2.4%；纺织服饰为5.7%、4.4%、1.4% [2] 后五名 - 房地产1月、3月、1年涨幅分别为 - 4.9%、 - 6.0%、 - 11.1%；社会服务为 - 3.6%、 - 3.3%、4.8%；商贸零售为 - 1.8%、0.4%、20.0%；建筑材料为 - 1.1%、0.9%、 - 8.4%；农林牧渔为0.0%、5.2%、 - 9.1% [2] 晨报回顾 - 回顾2025年5月20 - 22日晨报，包括美债抛售风险、开发房企年报综述、重回价值投资等内容 [3]

报告核心观点 - 文献提出结合股票价格动量与高维资产组合层级聚类的投资组合构建方法，改善了Markowitz均值 - 方差投资组合权重不稳定和配置过于集中的问题，该方法在国内多个投资组合构建领域有施行空间 [2] 引言 - 高效投资组合构建是金融关键问题，Markowitz均值 - 方差方法理论好但实际操作中投资组合存在权重不稳定和配置集中问题，高维情况下问题更严重 [14] - 现有文献提出多种克服资产数量庞大时投资组合选择困难的方法，包括收缩估计、施加因子结构、施加权重约束、重采样、贝叶斯方法和利用网络模型等 [15] - 部分文献研究金融市场层级结构，如识别股票集群、提出层级风险平价和推广方法等 [16][17] - 动量策略分横截面和时间序列动量策略，大量实证表明其有效性，但也伴随高风险，将其与有效风险管理技术结合很重要 [18][21] - 文献结合动量与层级聚类构建投资组合，选择高动量股票捕捉溢价，利用层级聚类识别稀疏资产子集，构建仅做多投资组合，平衡动量策略与风险管理技术 [22] - 文献进行样本外回测，结果显示HM投资组合扣除交易成本后收益和风险调整后收益更高，能在不增加风险下捕捉动量溢价，其特性源于聚类和动量选股结合 [23] 方法 层级聚类 - 根据金融资产历史收益时间序列信息，用资产收益间pearson相关系数推导距离函数，构建N×N距离矩阵，资产相关性越高距离越小 [26][27] - 采用凝聚式层级聚类方法，自下而上递归合并元素，结果是树状图，新聚类与其他资产距离用平均算法计算，聚类过程记录在连接矩阵中 [29] HM组合 - 构建投资组合权重有两个目标，利用动量溢价提升收益，结合市场层级结构确保稀疏分散化并限制风险 [38] - 在树状图高度h处水平切割进行划分式聚类，形成n个聚类，将资产动量得分定义为过去一年累计总收益，从每个聚类选动量得分最高资产，财富在选定资产间等权分配，动量得分为负资产赋予零权重 [41] - 研究发现n选择具鲁棒性，优化可能带来微小改进且增加过拟合风险，简单等权重加权方法更合适 [42] 实证结果 数据 - 数据涵盖1997年6月至2022年8月MSCI全球所有国家指数包含股票，代表广泛资产组合，考虑资产进出指数时间点动态调整组合，限制可投资资产范围，构建无生存偏差合格资产数据集 [43] 样本外回测 - 回测将HM策略与最大动量、动量阈值、分层拉菲诺、均值方差等基于模型策略，以及等权重和市值加权无模型策略比较 [48][49] - 各策略动量得分通过计算资产过去一年本地货币计价累计总收益率得出，MV策略用过去一年周度对数总资产收益率估算均值向量，分层结构利用过去五年周度对数资产收益率，投资组合每月再平衡，交易成本20个基点 [53] - 扣除交易成本后，HM策略在纯收益、风险调整后收益和风险方面均优于其他策略，在四种基于模型策略中换手率最低，等权策略换手率低，市值加权投资组合换手率近乎为零 [55] - 基于模型策略往往优于无模型基准策略（HR策略除外），MM和TM策略有大幅回撤问题，动量与分层聚类结合缓解了该问题，降低最大回撤，改善回撤分布 [58] - 对投资策略超额收益进行时间序列回归，除HM策略外其他策略未获统计显著正Alpha，HM策略年化Alpha为1.87%，在10%显著性水平下有统计意义 [62] - 基于模型策略（HR策略除外）表现优于无模型基准策略，HM策略尤其在全球金融危机后表现优越，其优越表现得益于分层聚类降维和分散化以及基于动量的股票选择，且未增加风险 [62][67] 结论 - 稀疏分散化对构建超越市场投资组合至关重要，标准投资组合优化方法在高维度样本外表现不佳，降维方法可提供低维度表示 [68] - 文献提出投资组合构建框架，利用分层聚类恢复市场分层结构，从每个聚类选动量得分最高股票，投资组合权重在所选资产间平均分配 [68] - 样本外回测中，HM策略在累计收益和风险调整后收益方面优于基准策略，其优越表现通过投资高动量股票和分层聚类分散稳定投资组合驱动，且未增加风险 [69] - 实证表明基于相关性的距离度量含资产领域分层结构有价值信息，分层结构稳定，结合动量信息资产选择标准可构建超越市场投资组合，避免高维度协方差矩阵逆矩阵计算误差放大问题 [69][70]

量化因子与构建方式 1. **因子名称**：日内高频偏度因子 - **构建思路**：通过捕捉股票日内收益分布的偏度特征来选股[4][10] - **具体构建过程**：计算日内收益率的三阶矩，公式为： $$Skew = \frac{E[(r-\mu)^3]}{\sigma^3}$$ 其中，\( r \)为日内收益率，\( \mu \)为均值，\( \sigma \)为标准差[10] - **评价**：历史IC为0.027，2025年IC提升至0.057，多头端稳定性较好[6] 2. **因子名称**：日内下行波动占比因子 - **构建思路**：衡量下行波动在总波动中的占比，反映风险不对称性[4][13] - **具体构建过程**：计算下行波动与总波动的比值： $$DownVolRatio = \frac{\sum_{r_t<0}(r_t-\mu)^2}{\sum(r_t-\mu)^2}$$[13] - **评价**：2025年多空收益达11.63%，但近期表现较弱[6] 3. **因子名称**：开盘后买入意愿占比因子 - **构建思路**：统计开盘后买方主动成交占比，捕捉资金流向[4][19] - **具体构建过程**：计算开盘30分钟内买方成交额占比： $$BuyRatio = \frac{V_{buy}}{V_{total}}$$[19] - **评价**：2025年周胜率达15/20，多头超额收益显著[7] 4. **因子名称**：改进GRU(50,2)+NN(10)因子 - **构建思路**：结合门控循环单元(GRU)和神经网络(NN)的深度学习模型[4][59] - **具体构建过程**：使用50天历史数据输入GRU层，2层隐藏层后接10层全连接NN[59] - **评价**：2025年多空收益17.68%，但多头超额收益为负[9] 5. **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训练的多时间颗粒度预测模型[61][64] - **具体构建过程**：融合5日收益率标签数据训练，输出股票排序[64] - **评价**：2025年多空收益28.3%，表现最优[9] 因子回测效果 | 因子名称 | IC(2025) | 多空收益(2025YTD) | 多头超额收益(2025YTD) | 周胜率(2025) | |------------------------------|----------|-------------------|-----------------------|--------------| | 日内高频偏度因子 | 0.057 | 14.17% | 3.26% | 13/20 | | 开盘后大单净买入占比因子 | 0.034 | 12.01% | 6.26% | 16/20 | | 改进GRU(50,2)+NN(10)因子 | 0.039 | 17.68% | -2.08% | 18/20 | | 多颗粒度模型-10日标签因子 | 0.067 | 26.67% | 9.41% | 16/20 | 量化模型与构建方式 1. **模型名称**：中证500 AI增强宽约束组合 - **构建思路**：基于多颗粒度模型因子，叠加宽泛风险约束[67][68] - **具体构建过程**：目标函数为： $$max\sum\mu_{i}w_{i}$$ 约束条件包括个股权重≤1%、行业偏离≤1%、换手率约束等[68] - **评价**：严约束组合2025年超额收益3.53%，回撤控制更优[74][79] 模型回测效果 | 模型名称 | 上周收益 | 5月收益 | 2025YTD收益 | 周胜率 | |------------------------------|----------|---------|-------------|--------| | 中证1000 AI增强严约束组合 | 1.16% | 2.33% | 10.89% | 14/20 | | 中证500 AI增强宽约束组合 | 1.17% | 2.29% | 6.18% | 13/20 |

报告核心观点 - 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成长风格，2013 年至今该模型策略年化收益率 27.18%，夏普比率 0.98 [1][4] 各部分总结 前言 - 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，周度换仓测算收益 [8] - 上周全市场成长风格组合收益 0.82%，价值风格组合收益 1.15% [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] - 采用估值差的历史分位数法刻画市场风格相对估值水平，经计算初始估值差、除以全市场估值平均数、计算历史排位次序百分比等步骤，且估值差历史分位数高代表相对低估值 [11][12][13] - 市场风格相对估值水平与预期赔率负相关，根据最新估值差分位数，当下成长风格赔率估计为 1.09，价值风格为 1.08 [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 [18] - 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% [3][18][19] 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 0.22，价值风格为 -0.13，推荐成长风格 [4][19] - 2013 年至今，基于投资期望的风格轮动模型策略年化收益率 27.18%，夏普比率 0.98，总收益 1754.20%等 [4][20]

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**：分红预测模型 - **模型构建思路**：基于上市公司分红公告、历史分红率及盈利预测数据，预测指数成分股分红对股指期货合约的影响[9][11][12] - **模型具体构建过程**： 1. **净利润预估**：优先采用年报、快报、预警及分析师预测数据，未公布数据则使用TTM或历史分红率推算[26][27][31] 2. **分红总额计算**： - 已公布预案的公司直接采用税前分红总额 - 未公布预案的公司按历史分红率推算：$$\text{预估分红总额} = \text{预估净利润} \times \text{历史分红率}$$[31] 3. **指数影响计算**： - 股息率 = 税后分红总额 / 最新市值 - 股息点 = 股票权重 × 股息率，权重通过动态调整公式计算： $$\mathrm{w_{it}={\frac{w_{i0}\times\mathrm{\scriptsize{\boldmath~(~1+R~)}~}}{\sum_{1}^{n}w_{i0}\times\mathrm{\scriptsize{\boldmath~(~1+R~)}~}}}}$$[29] 4. **合约影响值预测**：根据除权除息日历史规律，叠加分红时间分布计算各合约交割前的累计影响[30][32][33] - **模型评价**：依赖历史分红率和盈利预测假设，对市场环境变化敏感[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，考虑分红现值和无风险利率对期货定价的影响[35][36] - **模型具体构建过程**： - **离散红利模型**： $$\mathbf{F_t} = (\mathbf{S_t} - \mathbf{D})(1 + r)$$ 其中，$\mathbf{D}$为红利现值，$r$为无风险利率[35] - **连续红利模型**： $$\mathbf{F_t} = \mathbf{S_t} e^{(r-d)(T-t)}$$ 其中，$d$为年化红利率[36] --- 模型的回测效果 1. **分红预测模型** - **上证50期货**： - IH2505合约：分红点数0.27，年化对冲成本0.27%（365天）[13] - IH2509合约：含分红价差7.91，剩余影响2.23%[13] - **沪深300期货**： - IF2505合约：分红点数0.74，年化对冲成本7.07%[14] - IF2512合约：含分红价差-69.86，剩余影响1.81%[14] - **中证500期货**： - IC2505合约：分红点数2.21，年化对冲成本15.59%[15] - **中证1000期货**： - IM2505合约：分红点数3.86，年化对冲成本18.88%[16] 2. **股指期货定价模型** - 理论价差与实际价差对比显示，IH2506合约含分红价差0.16，接近无套利均衡[13] --- 关键因子与构建方式 1. **因子名称**：分红点数因子 - **因子构建思路**：反映分红对期货合约价格的直接影响[12][13][14] - **因子具体构建过程**： - 单合约分红点数 = 各成分股分红点数的交割前累计和[33] 2. **因子名称**：年化对冲成本因子 - **因子构建思路**：衡量剔除分红后的持有成本[12][13][14] - **因子具体构建过程**： - 年化对冲成本 = （实际价差 - 分红点数） / 合约价格 × 年化天数[13][14] --- 因子的回测效果 1. **分红点数因子**： - IH2509合约：59.91点[13] - IC2512合约：75.31点[15] 2. **年化对冲成本因子**： - IF2506合约：3.05%（365天）[14] - IM2509合约：11.84%（365天）[16] --- 以上内容严格依据研报中的模型、因子及测试结果整理，未包含免责声明等无关信息。

量化因子与构建方式 1. **因子名称：估值偏离EPD因子** - **构建思路**：结合布林带均值回复策略与基本面估值修复逻辑，利用PE指标的均值回复特性构建[7] - **具体构建过程**： 1. 计算个股PE的Z-score，衡量其与历史均值的偏离程度： $$EPD = \frac{PE_t - \mu_{PE}}{\sigma_{PE}}$$ 其中$\mu_{PE}$为滚动窗口内PE均值，$\sigma_{PE}$为标准差[7] 2. 通过Z-score识别估值异常（高估或低估）的股票[7] - **因子评价**：捕捉短期估值偏离后的均值回复效应，但易受个股估值逻辑突变影响[7] 2. **因子名称：缓慢偏离EPDS因子** - **构建思路**：在EPD基础上剔除估值逻辑可能发生变化的个股（通过信息比率筛选）[7] - **具体构建过程**： 1. 计算个股信息比率IR，衡量其估值逻辑稳定性[7] 2. 对EPD因子进行截面调整： $$EPDS = EPD \times (1 - P_{change})$$ 其中$P_{change}$为估值逻辑改变概率（由IR代理）[7] - **因子评价**：降低"伪异常"干扰，提升因子稳健性[7] 3. **因子名称：估值异常EPA因子** - **构建思路**：在EPDS基础上进一步剥离Beta、成长与价值风格的影响[7] - **具体构建过程**： 1. 对EPDS因子进行多因子正交化处理： $$EPA = EPDS - \beta_1 \cdot MKT - \beta_2 \cdot HML - \beta_3 \cdot SMB$$ 其中MKT、HML、SMB分别代表市场、价值、规模因子[7] 2. 保留纯估值异常效应[7] - **因子评价**：逻辑纯净度高，兼具收益性与稳定性[7] 因子的回测效果 1. **EPD因子**（2010/02-2025/04） - 年化收益率：17.65% - 年化波动率：10.02% - 信息比率（IR）：1.76 - 月度胜率：71.04% - 最大回撤率：8.93%[8][10] 2. **EPDS因子**（2010/02-2025/04） - 年化收益率：16.31% - 年化波动率：5.73% - 信息比率（IR）：2.85 - 月度胜率：79.23% - 最大回撤率：3.10%[8][10] 3. **EPA因子**（2010/02-2025/04） - 年化收益率：17.30% - 年化波动率：5.12% - 信息比率（IR）：3.38 - 月度胜率：80.87% - 最大回撤率：3.12%[8][10] - **2025年4月表现**： - 多头组合收益率：-3.30% - 空头组合收益率：-3.02% - 多空对冲收益率：-0.28%[13]

量化因子与构建方式 1. **因子名称**：新价量相关性RPV因子 - **构建思路**：通过划分价量四象限，利用月度IC均值甄别价量相关性因子的反转效应和动量效应，结合日内与隔夜信息叠加，加入成交量信息构建因子[6] - **具体构建过程**： 1. 日内价量相关性：使用CCOIV（日内收盘价与成交量相关性）代表，公式为 $$ \text{CCOIV} = \text{Corr}(\Delta \text{Close}_{\text{intraday}}, \text{Volume}_{\text{intraday}}) $$ 2. 隔夜价量相关性：使用COV（隔夜收益与昨日成交量相关性）代表，公式为 $$ \text{COV} = \text{Corr}(\Delta \text{Close}_{\text{overnight}}, \text{Volume}_{\text{previous day}}) $$ 3. 信息叠加：将CCOIV（反转效应）与COV（动量效应）结合，形成RPV因子[6] - **因子评价**：因子通过价量配合增强选股效果，兼具反转与动量特性[6] 2. **因子名称**：聪明版日频价量相关性SRV因子 - **构建思路**：改进RPV因子，通过拆分日内涨跌时段并识别"聪明"交易时段（知情交易集中时段），优化价量相关性计算[6][12] - **具体构建过程**： 1. 日内部分：将下午涨跌与"聪明"换手率（知情交易比例高的时段换手率）计算相关性 $$ \text{SRV}_{\text{intraday}} = \text{Corr}(\Delta \text{Close}_{\text{afternoon}}, \text{Smart Turnover}_{\text{afternoon}}) $$ 2. 隔夜部分：将隔夜收益与昨日最后半小时换手率计算相关性 $$ \text{SRV}_{\text{overnight}} = \text{Corr}(\Delta \text{Close}_{\text{overnight}}, \text{Turnover}_{\text{last 30min}}) $$ 3. 合成因子：结合效果更优的日内与隔夜部分[12] - **因子评价**：通过识别知情交易时段提升因子稳定性，效果优于RPV因子[12] --- 因子的回测效果 1. **RPV因子**（2014/01-2025/04全市场回测）[7][10] - 年化收益率：14.97% - 年化波动率：7.72% - 信息比率（IR）：1.94 - 月度胜率：73.33% - 最大回撤：10.63% 2. **SRV因子**（2014/01-2025/04全市场回测）[7][10] - 年化收益率：17.84% - 年化波动率：6.44% - 信息比率（IR）：2.77 - 月度胜率：76.30% - 最大回撤：3.74% 3. **2025年4月单月表现**（全市场）[10] - RPV因子：多头收益-0.67%，空头收益-3.38%，多空对冲收益2.70% - SRV因子：多头收益-2.10%，空头收益-3.26%，多空对冲收益1.16% --- 补充说明 - RPV因子在2014/01-2023/08回测期内年化收益16.29%，IR 2.41[6] - SRV因子在相同回测期内RankICIR为-4.26，年化收益18.91%，IR 3.07，月度胜率80%[12]

量化因子与构建方式 1 **因子名称**：盈利预期期限结构因子 **因子构建思路**：通过分析未来多年盈利预测的趋势（斜率）反映分析师对公司的乐观、中性或悲观预期[7] **因子具体构建过程**： - 以未来年度为X轴，盈利预测为Y轴，拟合线性趋势 - 斜率分为三类：向上倾斜（乐观）、水平（中性）、向下倾斜（悲观） - 斜率计算公式： $$ \text{斜率} = \frac{n\sum{(x_i y_i)} - \sum{x_i}\sum{y_i}}{n\sum{x_i^2} - (\sum{x_i})^2} $$ 其中$x_i$为年度变量（如1/2/3年），$y_i$为对应盈利预测值 **因子评价**：历史表现稳定，能有效捕捉预期变化[9] 2 **因子名称**：合成动量 ff 因子 **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，提升稳定性和收益能力[11] **因子具体构建过程**： - 原始因子标准化处理： $$ z_{\text{动量}} = \frac{\text{盈利预期斜率} - \mu_{\text{斜率}}}{\sigma_{\text{斜率}}} $$ $$ z_{\text{调升}} = \frac{\text{净利润3个月变化率} - \mu_{\text{调升}}}{\sigma_{\text{调升}}} $$ - 等权合成： $$ \text{合成动量 ff} = 0.5 \times z_{\text{动量}} + 0.5 \times z_{\text{调升}} $$ **因子评价**：兼具高收益与稳定性，改善传统因子的回撤问题[11] --- 因子回测效果 1 **盈利预期期限结构因子**：累计IC显著（图示趋势，未提供具体数值）[8] 2 **合成动量 ff 因子**：累计IC优于单一因子（图示合成后曲线更平滑）[13] --- 选股组合表现 （基于合成动量 ff 因子构建） 1 **沪深300组合**： - 2025年4月超额收益：-0.57% - 2025年前4月累计超额收益：1.21%[14] 2 **中证500组合**： - 2025年4月超额收益：0.73% - 2025年前4月累计超额收益：0.76%[14] 3 **中证800组合**： - 2025年4月超额收益：-0.02% - 2025年前4月累计超额收益：2.07%[14] 4 **中证1000组合**： - 2025年4月超额收益：1.13% - 2025年前4月累计超额收益：2.59%[14]