市场情绪影响 - 本周市场情绪对基差的影响明显，各品种期指合约基差贴水整体扩大[1] - 市场情绪对基差影响持续，各合约基差贴水幅度扩大，期指减仓明显[5] 分红调整 - 中证500、沪深300、上证50、中证1000指数分红点位分别为85.12、82.34、70.23、64.66，各品种分红调整基差整体下行，贴水加深[2] - 股指期货合约存续期内分红预估结果[3][4] 合约情况 - IC与IM季月对冲策略周度收益分别为-0.05%与0.11%[5] - IH、IF、IM合约持仓额、持仓量、成交量情况[6][7][8][9][10][11][12][13] 策略建议 - 公司基于信达金工衍生品研究报告制定了连续对冲策略和最低贴水策略[14] - 连续对冲策略和跨期套利策略的回测结果[15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60][61][62][63][64][65][66][67][68][69][70][71][72][73][74][75][76][77][78][79][80][81][82][83][84][85][86][87][88][89][90][91][92][93][94][95][96][97][98][99][100][101][102][103][104][105][106][107][108][109][110][111][112][113][114][115][116][117][118][119][120][121][122][123][124][125][126][127][128][129][130][131][132][133][134][135][136][137][138][139][140][141][142][143][144][145][146][147][148][149][150][151][152][153][154][155][156][157][158][159][160][161][162][163]

证券研究报告|金融工程研究报告 仅供机构投资者使用 [Table_Title] 一周市场数据复盘 20240809 [Table_Title2] | --- | --- | |---------------------------------------------------------------------------------------------------------------------------------------------------------------|--------------------------------------------------------------| | | 评级及分析师信息 | | [Table_Summary] ► 宽基指数表现 | [Table_Author] 分析师：张立宁 邮箱： zhangln@hx168.com.cn | | 上周创业板指、科创 50 指数分别下跌 2.60%、2.77% ；上 | SAC NO：S1120520070006 | | 证 50 、沪深 300 指数分别下跌 1.10%、1.56% 。 | | | 今 ...

证券研究报告 | 2024年08月10日 多因子选股周报 估值因子表现出色，中证 1000 指增组合年内超额 11.32% 核心观点 金融工程周报 国信金工指数增强组合表现跟踪 沪深 300 指数增强组合本周超额收益 0.27%，本年超额收益 6.34%。 证券分析师：张欣慰 证券分析师：张宇 021-60933159 021-60875169 zhangxinwei1@guosen.com.cnzhangyu15@guosen.com.cn S0980520060001 S0980520080004 中证 500 指数增强组合本周超额收益-0.35%，本年超额收益 12.82%。 中证 1000 指数增强组合本周超额收益 0.30%，本年超额收益 11.32%。 因子表现监控 以沪深 300 指数为选股空间。最近一周，非流动性冲击、EPTTM 一年分位 点、单季 ROA 等因子表现较好，而 3 个月盈利上下调、预期净利润环比、 单季净利同比增速等因子表现较差。最近一月，一个月反转、三个月波动、 一个月波动等因子表现较好，而一年动量、单季净利同比增速、单季 ROE 等因子表现较差。 以中证 500 指数为选股 ...

请务必阅读正文之后的免责声明及其项下所有内容 证券研究报告 | 2024年08月10日 | --- | --- | |----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- ...

市场因子和风格因子 - 国内市场因子和风格因子在时序和权重结构上具备稳定性和有效性[1] - 双因子定价模型能提升跨资产配置策略的业绩表现，加入相关信号后可优化策略表现[2] - 市场因子反映统一的周期驱动因素，风格因子表征资产内部结构的差异[4] - 国内资产的市场因子和风格因子构建是基于周期规律的发现[13] - 全球和国内资产存在统一的周期规律，但国内市场在周期特征上存在小幅偏离[13] 主成分分析 - 通过PCA等方法，可以将多个金融经济变量转化为少数几个主成分，得到市场因子和风格因子[13] 资产周期特征 - 国内资产的周期特征为后续研究提供了可靠的基石[13] - 图表展现了国内部分资产的周期状态，包括股票、利率和商品等资产类别[91] - 在股指基本面财务指标上也发现了明显的周期特征[91] - 通过MUSIC算法验证了国内资产内部的三周期特征[91] - 图表展现了上证指数和深证成指的同比序列及回归拟合曲线[91] - 图表展现了中国10年期国债收益率和南华工业品指数的同比序列及回归拟合曲线[91] - 国内资产的周期特征表明存在某些共通的驱动因子，为后续研究提供了可靠的基石[91] 财务数据 - 全A股市场ROE同比呈现逐年下降趋势，从2005年12月至2013年4月，ROE同比下降了8%至0%之间[192][200] - 沪深300指数营业利润率同比呈现逐年下降趋势，从2005年12月至2013年4月，营业利润率同比下降了8%至0%之间[192][200]

量化因子与构建方式 1. **PE因子** - **因子构建思路**: 通过整体法和中位数法计算市场主要指数的PE估值[3][4][5][6] - **因子的公式**: 无 - **文章对因子的评价**: 无 2. **PB因子** - **因子构建思路**: 通过整体法和中位数法计算市场主要指数的PB估值[3][4][5][6] - **因子的公式**: 无 - **文章对因子的评价**: 无 3. **PEG因子** - **因子构建思路**: 通过预测PEG计算市场主要指数的PEG估值[3][4][5][6] - **因子的公式**: 无 - **文章对因子的评价**: 无 4. **基金重仓股配置比例因子** - **因子构建思路**: 基金对单个行业或指数的重仓股市值除以基金对所有行业或指数的重仓股市值之和[22][25] - **因子的公式**: $$ P o s i t i o n_{i,t}=\frac{M V_{i,t}}{\sum_{i}M V_{i,t}} $$ 其中，i 为行业或指数，t 为时间[23][26] - **文章对因子的评价**: 无 因子的具体指标值 1. **PE因子** - **沪深300指数**: 整体法11.46，中位数法19.21，分位数水平分别为14.54%、6.18%[3] - **上证50指数**: 整体法10.12，中位数法14.84，分位数水平分别为45.82%、31.27%[4] - **中证500指数**: 整体法20.16，中位数法23.67，分位数水平分别为7.97%、8.37%[5] - **创业板指数**: 整体法23.31，中位数法27.05，分位数水平分别为0.20%、0.20%[6] 2. **PB因子** - **沪深300指数**: 整体法1.11，中位数法1.93，分位数水平分别为1.99%、12.35%[3] - **上证50指数**: 整体法0.98，中位数法1.77，分位数水平分别为1.79%、49.80%[4] - **中证500指数**: 整体法1.43，中位数法1.75，分位数水平分别为0.40%、9.76%[5] - **创业板指数**: 整体法3.20，中位数法2.94，分位数水平分别为0.40%、0.60%[6] 3. **PEG因子** - **沪深300指数**: 1.19，分位数水平为63.71%[3] - **上证50指数**: 1.69，分位数水平为66.60%[4] - **中证500指数**: 0.84，分位数水平为29.48%[5] - **创业板指数**: 0.81，分位数水平为1.03%[6] 4. **基金重仓股配置比例因子** - **沪深300指数**: 54.59%，分位数水平为33.33%[3] - **上证50指数**: 16.31%，分位数水平为33.33%[4] - **中证500指数**: 15.87%，分位数水平为70.18%[5] - **创业板指数**: 13.23%，分位数水平为59.65%[6]

金融工程 | 金工定期报告 金融工程 证券研究报告 2024 年 08 月 10 日 作者 吴先兴 分析师 SAC 执业证书编号：S1110516120001 wuxianxing@tfzq.com 姚远超 分析师 SAC 执业证书编号：S1110523070007 yaoyuanchao@tfzq.com 因子跟踪周报：换手率、 $$\mathtt { b p }$$ 分位数因子表现较好20240810 因子 IC 跟踪 IC 方面，最近一周，1 个月日均换手率、 $$\mathrm { b p }$$ 三年分位数、1 个月换手率波 动等因子表现较好，Beta、标准化预期外收入、标准化预期外盈利等因子 表现较差；最近一月，bp 三年分位数、bp、1 个月日均换手率等因子表 现较好，季度 roa、季度 roe、季度营收同比增长等因子表现较差；最近 一年，bp、Fama-French 三因子 1 月残差波动率、季度 $$e _ { 0 }$$ 等因子表现较 好，一致预期净利润复合增速、Beta、90 天分析师覆盖度等因子表现较 差。 因子多头组合跟踪 多头组合方面，最近一周，bp 三年分位数、季度 $$\mat ...

量化模型与构建方式 模型名称：国联金工ETF轮动模型 - **模型构建思路**：通过信用及企业盈利构建经济四象限，并在四个象限分别对多维度行业风格因子进行有效性检验，最终基于四个经济象限的因子轮动并配置相应的高预期收益行业[20] - **模型具体构建过程**： 1. 构建经济四象限：分别为[企业盈利上行，信用上行]、[企业盈利上行, 信用下行]、[企业盈利下行, 信用上行]、[企业盈利下行, 信用下行][20] 2. 构建多维度行业风格因子：包括一致预期景气、超越预期盈利、龙头效应、行业估值泡沫、反转因子、动量因子、拥挤废、通胀beta[20] 3. 在四个象限分别对各因子进行有效性检验[20] 4. 基于四个经济象限的因子轮动并配置相应的高预期收益行业[20] - **模型评价**：该模型通过多维度因子和经济象限的结合，能够较好地捕捉市场轮动机会，适用于A股市场的行业轮动策略[20] 模型的回测效果 - **无剔除版**： - 2024年7月基准收益率为-3.37%，无剔除版因子轮动行业增强收益为-3.43%，超额为-0.06%[10][69] - 2023年以来基准收益率为-19.47%，无剔除版收益-2.71%，超额16.76%[10][69] - 年化超额收益为9.49%[32] - **双剔除版**： - 2024年7月双剔除版因子轮动行业增强收益为-5.83%，超额为-2.47%[10][69] - 2023年以来双剔除版收益-7.88%，超额11.59%[10][69] - 年化超额为11.82%[32] 量化因子与构建方式 因子名称：多维度行业风格因子 - **因子的构建思路**：通过构建一致预期景气、超越预期盈利、龙头效应、行业估值泡沫、反转因子、动量因子、拥挤废、通胀beta等多维度因子，进行行业轮动策略的有效性检验[20] - **因子具体构建过程**： 1. 一致预期景气因子：基于市场一致预期的行业景气度构建 2. 超越预期盈利因子：基于企业实际盈利超越市场预期的情况构建 3. 龙头效应因子：基于行业龙头企业的表现构建 4. 行业估值泡沫因子：基于行业估值的相对高低构建 5. 反转因子：基于市场反转效应构建 6. 动量因子：基于市场动量效应构建 7. 拥挤废因子：基于市场资金流动情况构建 8. 通胀beta因子：基于通胀对行业的影响构建[20] - **因子评价**：这些因子能够从不同维度捕捉市场信息，提供更全面的行业轮动策略支持[20] 因子的回测效果 - **无剔除版**： - 2017年：组合收益10.07%，基准收益-4.16%，超额收益14.23%，IR为2.09，波动率14.02%[66] - 2018年：组合收益-3.42%，基准收益-20.93%，超额收益17.51%，IR为2.18，波动率22.35%[66] - 2019年：组合收益25.67%，基准收益29.98%，超额收益-4.32%，IR为-0.42，波动率21.07%[66] - 2020年：组合收益30.44%，基准收益24.86%，超额收益5.58%，IR为0.85，波动率24.86%[66] - 2021年：组合收益17.34%，基准收益14.36%，超额收益2.98%，IR为0.29，波动率21.17%[66] - 2022年：组合收益-6.89%，基准收益-15.37%，超额收益8.48%，IR为1.09，波动率22.41%[66] - 2023年：组合收益11.93%，基准收益-12.16%，超额收益24.09%，IR为1.13，波动率21.04%[66] - 2024年：组合收益-8.82%，基准收益-21.28%，超额收益12.46%，IR为0.81，波动率19.43%[66] - **双剔除版**： - 2017年：组合收益10.47%，基准收益-5.92%，超额收益16.39%，IR为2.09，波动率14.02%[67] - 2018年：组合收益-0.17%，基准收益-31.41%，超额收益31.24%，IR为2.18，波动率22.35%[67] - 2019年：组合收益34.08%，基准收益27.84%，超额收益6.24%，IR为0.42，波动率21.07%[67] - 2020年：组合收益30.44%，基准收益24.86%，超额收益5.58%，IR为0.85，波动率24.86%[67] - 2021年：组合收益17.09%，基准收益12.84%，超额收益4.25%，IR为0.38，波动率17.66%[68] - 2022年：组合收益-6.13%，基准收益-14.03%，超额收益7.90%，IR为0.80，波动率23.19%[68] - 2023年：组合收益6.84%，基准收益-7.12%，超额收益13.96%，IR为1.14，波动率18.94%[68] - 2024年：组合收益-13.78%，基准收益-16.52%，超额收益2.74%，IR为0.51，波动率17.86%[68]

量化模型与构建方式 1. 公募实时持仓模型 - **模型名称**：公募实时持仓模型 - **模型构建思路**：基于基金净值、持仓披露、调研行为等市场公开信息，对公募基金持仓进行实时测算[4][21] - **模型具体构建过程**： 1. 收集基金净值数据 2. 获取基金持仓披露信息 3. 分析基金调研行为 4. 综合以上数据进行实时测算 - **模型评价**：该模型能够实时反映公募基金的持仓动态，具有较高的市场敏感度[4][21] 2. 北上资金行为模型 - **模型名称**：北上资金行为模型 - **模型构建思路**：按照托管机构划分为配置型外资和交易型外资，监测北上资金的动向[4][30] - **模型具体构建过程**： 1. 按托管机构划分北上资金为配置型外资和交易型外资 2. 收集北上资金的买入和卖出数据 3. 分析北上资金的净流入和净流出情况 - **模型评价**：该模型能够细分北上资金的类型，提供更为精细的资金流向分析[4][30] 3. ETF资金持仓模型 - **模型名称**：ETF资金持仓模型 - **模型构建思路**：通过监测ETF基金的持仓动态，反映市场资金的流向[4][35] - **模型具体构建过程**： 1. 收集ETF基金的持仓数据 2. 计算ETF持仓占流通市值的比重 3. 分析ETF持仓的变化趋势 - **模型评价**：该模型能够反映市场资金的动态，特别是指数投资产品的供需情况[4][35] 4. 两融余额动向模型 - **模型名称**：两融余额动向模型 - **模型构建思路**：通过监测融资余额和融券余额，分析市场投资者的多空情绪[4][39] - **模型具体构建过程**： 1. 收集融资余额和融券余额数据 2. 计算融资余额和融券余额的变化 3. 分析融资余额和融券余额的趋势 - **模型评价**：该模型能够反映市场投资者的多空情绪，具有较高的市场预警功能[4][39] 模型的回测效果 公募实时持仓模型 - **仓位变化**：近三个月仓位在底部震荡[4][21] 北上资金行为模型 - **净流入**：2024年7月以来北上资金买入达到21亿元[4][30] ETF资金持仓模型 - **持仓占比**：2024年3月以来维持历史高位，占比达到6.16%[4][35] 两融余额动向模型 - **融资余额**：2024年5月以来有所下滑，融券处于较低水平[4][39] 量化因子与构建方式 1. 主力资金因子 - **因子名称**：主力资金因子 - **因子的构建思路**：通过大单与超大单的加总，作为主力资金的代理变量[49] - **因子具体构建过程**： 1. 收集大单（挂单金额20-100万元）与超大单（挂单金额>100万元）的数据 2. 计算大单与超大单的加总 3. 分析主力资金的净流入和净流出情况 - **因子评价**：该因子能够反映市场上最活跃的资金动向，具有较高的市场敏感度[49] 2. 龙虎榜因子 - **因子名称**：龙虎榜因子 - **因子的构建思路**：通过交易所每日公开披露的"交易公开信息"栏目，分析当日买入与卖出金额最大的五个营业部的交易数据[51] - **因子具体构建过程**： 1. 收集交易所每日公开披露的"交易公开信息"数据 2. 统计当日买入与卖出金额最大的五个营业部的交易数据 3. 分析龙虎榜的交易动向 - **因子评价**：该因子能够反映当前市场最热点的交易动向，具有较高的市场预警功能[51] 3. 高频股东户数因子 - **因子名称**：高频股东户数因子 - **因子的构建思路**：通过交易所推出的投资者与上市公司的互动平台，监测股东户数的变化[54] - **因子具体构建过程**： 1. 收集高频股东户数数据 2. 计算股东户数的变化比例 3. 分析股东户数的变化趋势 - **因子评价**：该因子能够反映股东户数的变化，具有较高的市场预警功能[54] 因子的回测效果 主力资金因子 - **净流入**：7月15日以来主力资金净买入最多的个股为香雪制药，净流入12373.3万元[50] 龙虎榜因子 - **上榜个股**：2024年3月以来进入龙虎榜的个股包括首药控股-U、昭衍新药、泰格医药等[52] 高频股东户数因子 - **增幅最高**：股东户数增幅最高的个股为药康生物，增幅26.31%[55]

业绩总结 - DTW择时模型在2022年11月以来的样本外表现表现出色，绝对收益达11.49%[2] - DTW择时模型最新信号显示，各常见宽基指数均为空仓状态，预测涨跌幅较低[12] - DTW择时模型基于相似性思路和DTW算法，通过计算历史行情片段的未来涨跌幅和标准差来得出交易信号[10] - DTW择时模型采用DTW距离算法，相比欧氏距离更适用于时间序列问题，提高了模型效果[35]