量化模型与构建方式 Barra 风格因子 - **因子名称**：市值因子、账面市值比因子、成长因子、盈利预期因子 - **因子的构建思路**：通过对不同风格因子的收益进行跟踪，分析其表现 - **因子具体构建过程**： - 市值因子：通过市值大小来区分大盘和小盘股票 - 账面市值比因子：通过账面市值比来区分价值和成长股票 - 成长因子：通过成长性指标来衡量股票的成长性 - 盈利预期因子：通过盈利预期来衡量股票的盈利能力 - **因子评价**：这些因子能够有效地捕捉市场中不同风格的表现[6][15][24] 理想反转因子 - **因子名称**：理想反转因子 - **因子的构建思路**：通过每日平均单笔成交金额的大小，切割出反转属性最强的交易日 - **因子具体构建过程**： 1. 对选定股票，回溯取其过去20日的数据 2. 计算该股票每日的平均单笔成交金额（成交金额/成交笔数） 3. 单笔成交金额高的10个交易日，涨跌幅加总，记作 M_high 4. 单笔成交金额低的10个交易日，涨跌幅加总，记作 M_low 5. 理想反转因子 $ M = M_{high} - M_{low} $ 6. 对所有股票，计算各自的理想反转因子 M - **因子评价**：能够有效捕捉反转属性最强的交易日[7][201] 聪明钱因子 - **因子名称**：聪明钱因子 - **因子的构建思路**：从分钟行情数据的价量信息中，识别出机构参与交易的多寡 - **因子具体构建过程**： 1. 对选定股票，回溯取其过去10日的分钟行情数据 2. 构造指标 $ S_t = \frac{|R_t|}{V_t^{0.925}} $，其中 $ R_t $ 为第 t 分钟涨跌幅，$ V_t $ 为第 t 分钟成交量 3. 将分钟数据按照指标 $ S_t $ 从大到小进行排序，取成交量累积占比前20%的分钟，视为聪明钱交易 4. 计算聪明钱交易的成交量加权平均价 $ VWAP_{smart} $ 5. 计算所有交易的成交量加权平均价 $ VWAP_{all} $ 6. 聪明钱因子 $ Q = \frac{VWAP_{smart}}{VWAP_{all}} $ - **因子评价**：能够有效识别机构参与交易的多寡[7][202] APM 因子 - **因子名称**：APM 因子 - **因子的构建思路**：衡量股价行为上午（或隔夜）与下午的差异程度 - **因子具体构建过程**： 1. 对选定股票，回溯取其过去20日数据，记逐日隔夜的股票收益率为 $ r_{overnight} $，隔夜的指数收益率为 $ R_{overnight} $；逐日下午的股票收益率为 $ r_{afternoon} $，下午的指数收益率为 $ R_{afternoon} $ 2. 将得到的40组隔夜与下午（$ r, R $）的收益率数据进行回归：$ r_i = \alpha + \beta R_i + \epsilon_i $，得到残差项 $ \epsilon_i $ 3. 计算每日隔夜与下午残差的差值 $ \delta \epsilon = \epsilon_{overnight} - \epsilon_{afternoon} $ 4. 构造统计量 $ stat = \frac{\mu(\delta \epsilon)}{\sigma(\delta \epsilon) / \sqrt{N}} $ 5. 为了消除动量因子影响，将统计量 $ stat $ 对动量因子进行横截面回归：$ stat_i = bRet20_i + \epsilon_i $，其中 $ Ret20 $ 为股票过去20日的收益率，代表动量因子 6. 将回归得到的残差值 $ \epsilon $ 作为 APM 因子 - **因子评价**：能够有效衡量股价行为上午与下午的差异程度[7][203] 理想振幅因子 - **因子名称**：理想振幅因子 - **因子的构建思路**：基于股价维度对振幅进行切割，不同价态下振幅因子所蕴含的信息存在结构性差异 - **因子具体构建过程**： 1. 对选定股票，回溯取其最近20个交易日数据，计算股票每日振幅（最高价/最低价-1） 2. 选择收盘价较高的25%有效交易日，计算振幅均值得到高价振幅因子 $ V_{high} $ 3. 选择收盘价较低的25%有效交易日，计算振幅均值得到低价振幅因子 $ V_{low} $ 4. 将高价振幅因子 $ V_{high} $ 与低价振幅因子 $ V_{low} $ 作差，得到理想振幅因子 $ V = V_{high} - V_{low} $ - **因子评价**：能够有效衡量股票高价态和低价态振幅信息差异程度[7][204] 交易行为合成因子 - **因子名称**：交易行为合成因子 - **因子的构建思路**：将多个交易行为因子进行合成，形成一个综合因子 - **因子具体构建过程**： 1. 对上述交易行为因子在行业内进行因子去极值与因子标准化 2. 滚动选取过去12期因子ICIR值作为权重，加权形成交易行为合成因子 - **因子评价**：能够综合反映多个交易行为因子的表现[7][126] 因子的回测效果 Barra 风格因子 - 市值因子，收益1.65%[6][15][24] - 账面市值比因子，收益0.15%[6][15][24] - 成长因子，收益-0.03%[6][15][24] - 盈利预期因子，收益0.14%[6][15][24] 理想反转因子 - IC均值-0.051[8] - rankIC均值-0.061[8] - 信息比率2.53[8] - 多空对冲月度胜率77.8%[8] - 6月份多空对冲收益0.52%[9] - 近12个月多空对冲月度胜率58.3%[9] 聪明钱因子 - IC均值-0.036[8] - rankIC均值-0.058[8] - 信息比率2.70[8] - 多空对冲月度胜率82.7%[8] - 6月份多空对冲收益0.11%[9] - 近12个月多空对冲月度胜率83.3%[9] APM 因子 - IC均值0.030[8] - rankIC均值0.034[8] - 信息比率2.36[8] - 多空对冲月度胜率78.2%[8] - 6月份多空对冲收益0.30%[9] - 近12个月多空对冲月度胜率58.3%[9] 理想振幅因子 - IC均值-0.055[8] - rankIC均值-0.072[8] - 信息比率3.05[8] - 多空对冲月度胜率84.7%[8] - 6月份多空对冲收益0.14%[9] - 近12个月多空对冲月度胜率75.0%[9] 交易行为合成因子 - IC均值0.068[8] - rankIC均值0.091[8] - 多空对冲信息比率3.30[8] - 多空对冲月度胜率83.2%[8] - 6月份多空对冲收益0.48%[9] - 近12个月多空对冲月度胜率66.7%[9]

证券研究报告 机器学习量化模型 基于神经网络的模型框架 主题报告 2024 年 7 月 2 日 山证金工团队 分析师: 黎鹏 执业登记编码: S0760523020001 邮箱：lipeng@sxzq.com 研究助理: 崔豪轩 邮箱: cuihaoxuan@sxzq.com 投资要点: 神经网络框架搭建: 本文构建了深度学习网络模型基础框架,旨在利用模型对权益市场的未 A 来价格的上涨概率进行预测,并根据模型结果指导摆动交易决策。研究过程 中,模型通过设定自定义损失函数等方法提高模型准确度,模型迭代升级效 率以及实现动态权重分配。 模型框架与波段交易: A 通过结合模型预测结果和波段交易策略,尝试在获取高精度预测的同 时,利用波段交易策略的灵活性和适应性来调整投资决策,从而在不同的市 场环境中实现更优的收益表现。 回测结果 策略组合在回测期间内的平均年化收益率为 4.26%，在 2018 年与 2023 a 年间表现较差,部分年间并未跑赢大盘指数:2024年截止 6月初,模型取得 24.23%的超额收益。 风险提示:报告内容根据公开数据整理得出,结论基于历史价格信息和统计规 律,但二级市场受各种即时性政策以 ...

行生无限未来 金工策略周报 东证衍生品研究院金融工程组 2024年7月1日 王冬黎 金融工程首席分析师(国债期货) 从业资格号: F3032817 投资咨询号: Z0014348 Email: dongli. wang@orientfutures. com 谢怡伦 金融工程分析师(期权&基本面量化) 联系人 徐凡 从业资格号: F03091687 金融工程分析师(FoF) 投资咨询号: Z0019902 从业资格号: F03107676 Email: fan. xu@orientfutures. Email: yilun. xie@orientfutures. com 金融工程首席分析师(商品CTA) 李晓辉 从业资格号: F03120233 投资咨询号: Z0019676 Email: Xiaohui. Ii01@orientfutures.com 常海晴 从业资格号: F03087441 投资咨询号: Z0019497 Email: haiqing.chang@orientfutures.com 联系人 范沁璇 金融工程分析师(资产配置) 从业资格号: F03111965 Email: qinxuan. ...

金工大类资产配置周报 报告日期: 2024 年 06 月 30 日 ★市场回顾 宽基指数方面,本周涨跌幅排名前五的宽基指数及其涨跌幅分 别为日经 225(2.6%)、大盘价值(0.8%)、纳斯达克综指(0.2%)， 标普 500(-0.1%),道琼斯工业平均(-0.1%);本周涨跌幅排名后 五的宽基指数及其涨跌幅分别为科创 50(-6.1%)，小盘成长 (-4.2%)，中盘成长(-3.7%)，中证 1000(-3.2%)，中证 500(-3.1%); 本月涨跌幅排名前五的宽基指数及其涨跌幅分别为纳斯达克 综指(6.0%)，标普 500(3.5%)，日经 225(2.8%)，道琼斯工业平均 (1.1%),中证 REITs(收盘)(-0.5%);本月涨跌幅排名后五的宽基 指数及其涨跌幅分别为中证 2000(-9.2%),小盘成长(-8.7%),中 证 1000(-8.6%)，北证 50(-8.1%)，小盘价值(-8.0%)。 行业指数方面,本周涨跌幅排名前五的行业指数及其涨跌幅分 别为银行(2.0%)，公用事业(1.0%)，石油石化(0.9%)，国防军工 (-0.4%),传媒(-1.0%);本周涨跌幅排名后五的行 ...

量化模型与构建方式 模型名称：开源金工优选金股组合 - **模型构建思路**：基于新进金股和业绩超预期因子（SUE因子）构建优选金股组合[47] - **模型具体构建过程**： 1. 选择新进金股作为样本 2. 选择业绩超预期的前30只金股 3. 按照券商推荐数量加权构建优选金股组合[47] - **模型评价**：优选金股组合收益表现优于全部金股组合[47][63] 模型的回测效果 开源金工优选金股组合 - 6月收益率：-5.3%[63] - 2024年收益率：2.0%[63] - 年化收益率：19.4%[63] - 年化波动率：23.2%[63] - 收益波动比：0.84[63] - 最大回撤：24.6%[63] 全部金股组合 - 6月收益率：-4.8%[43] - 2024年收益率：-5.1%[43] - 年化收益率：9.9%[43] - 年化波动率：21.2%[63] - 收益波动比：0.47[63] - 最大回撤：42.6%[63] 沪深300 - 6月收益率：-3.3%[44] - 2024年收益率：0.9%[44] - 年化收益率：0.2%[44] - 年化波动率：18.0%[44] - 收益波动比：0.01[44] - 最大回撤：40.6%[44] 中证500 - 6月收益率：-6.9%[44] - 2024年收益率：-9.0%[44] - 年化收益率：-3.1%[44] - 年化波动率：20.4%[44] - 收益波动比：-0.15[44] - 最大回撤：37.5%[44]

证券研究报告 · 金融工程 · 金工定期报告 金工定期报告 20240701 预期高股息组合跟踪-20240628 投资要点 ■ 预期高股息組合:东吴金工团队采用两阶段构建预期股息率指标,第一 阶段根据年报公告利润分配情况计算股息率,第二阶段利用历史分红与 基本面指标预测并计算股息率。进一步用两个短期影响股息率的重要因 素 -- 反转因子与盈利因子辅助筛选,利用在沪深 300 成份股中优选,构 建预期高股息组合。组合每期持仓股票 30 只，每月底调仓一次。 ■ 预期高股息组合 6月表现回顾:预期高股息组合在 2024年 6月持仓股 票的平均收益为 -1.28%,其基准沪深 300 指数 6 月涨跌幅为-3.30%, 组合跑赢沪深 300 指数 2.02%。 ■ 2024年7月组合最新持仓明细: | --- | --- | --- | --- | --- | |-------|-------|-----------|----------|--------------| | 序号 | | 股票代码 | 股集简称 | 中万一级行业 | | l | | 000800.SZ | 一汽解放 | 汽车 | | 2 | | ...

量化模型与构建方式 1. 量能择时模型 - **模型名称**：量能择时模型 - **模型构建思路**：通过量能信号判断市场趋势，提供买卖建议 - **模型具体构建过程**： - 计算各宽基指数的量能信号 - 根据量能信号判断市场趋势，给出看多或谨慎的择时观点 - **模型评价**：该模型通过量能信号捕捉市场趋势，适用于短期市场判断[49][50] 2. 沪深300上涨家数占比情绪指标 - **模型名称**：沪深300上涨家数占比情绪指标 - **模型构建思路**：通过计算沪深300指数成分股的上涨家数占比，判断市场情绪 - **模型具体构建过程**： - 计算公式：沪深300指数N日上涨家数占比 = 沪深300指数成分股过去N日收益大于0的个股数占比 - 通过两次不同窗口期的平滑处理，捕捉指标变动情况 - 当短期平滑线大于长期平滑线时，看多市场；反之，看空市场 - **模型评价**：该指标能够较快捕捉上涨机会，但在市场过热阶段可能会错失部分收益，对下跌市场的判断存在缺陷[51][52][68] 3. 均线情绪指标 - **模型名称**：均线情绪指标 - **模型构建思路**：通过计算沪深300收盘价的八均线数值，判断市场趋势 - **模型具体构建过程**： - 计算沪深300收盘价的八均线数值，均线参数为8, 13, 21, 34, 55, 89, 144, 233 - 计算当日沪深300指数收盘价大于八均线指标值的数量 - 当前价格大于八均线指标值的数量超过5时，看多沪深300指数 - **模型评价**：该指标通过均线系统判断市场趋势，适用于中长期市场判断[82][90] 模型的回测效果 量能择时模型 - **沪深300**，择时观点：看多[49][50] 沪深300上涨家数占比情绪指标 - **沪深300**，择时观点：中性[51][52][68] 均线情绪指标 - **沪深300**，择时观点：非景气区间[82][90] 量化因子与构建方式 1. 横截面波动率因子 - **因子名称**：横截面波动率因子 - **因子的构建思路**：通过计算各指数的横截面波动率，判断短期Alpha环境 - **因子具体构建过程**： - 计算各指数的横截面波动率 - 统计各指数横截面波动率的历史分位点 - **因子评价**：该因子能够反映短期Alpha环境的变化，适用于短期市场判断[95][104] 2. 时间序列波动率因子 - **因子名称**：时间序列波动率因子 - **因子的构建思路**：通过计算各指数成分股的时间序列波动率，判断短期Alpha环境 - **因子具体构建过程**： - 计算各指数成分股的时间序列波动率 - 统计各指数时间序列波动率的历史分位点 - **因子评价**：该因子能够反映短期Alpha环境的变化，适用于短期市场判断[105][116] 因子的回测效果 横截面波动率因子 - **沪深300**，近一季度平均值：1.84%，近一季度平均值占近两年分位：45.25%[104] - **中证500**，近一季度平均值：1.97%，近一季度平均值占近两年分位：50.00%[104] - **中证1000**，近一季度平均值：2.24%，近一季度平均值占近两年分位：64.14%[104] 时间序列波动率因子 - **沪深300**，近一季度平均值：0.55%，近一季度平均值占近两年分位：41.53%[116] - **中证500**，近一季度平均值：0.58%，近一季度平均值占近两年分位：48.41%[116] - **中证1000**，近一季度平均值：0.62%，近一季度平均值占近两年分位：58.17%[116]

股债配置观点 - 权益风险预算提升，股票仓位保持积极[12] - 根据主动风险预算配置建议，7月权益风险预算权重小幅上调，最新权益仓位为19.89%[60] 市场流动性 - 市场流动性: M2-M1 剪刀差为 11.2%[43] 行业轮动观点 - 行业轮动观点显示，7月看多电子、军工、纺服等行业[97] - 大科技板块中，电子和通信行业涨幅较高，而大制造板块中的国防军工和交通运输表现较差[165] - 电子通信和公用事业石油石化银行行业在6月份涨幅较高，分别为3.03%和2.71%[170] - 2024年7月行业配置推荐包括电子、国防军工、机械设备、有色金属、石油石化、电力设备等行业[171] ETF产品推荐 - 电子ETF消费电子龙头ETF和国防军工ETF等ETF产品值得关注[172] - 军工ETF易方达和国防军工ETF等ETF产品在行业轮动中表现突出[173] - 碳中和ETF基金和电池ETF等ETF产品也值得关注[174] - 2021年7月至2021年12月，碳中和ETF基金表现稳定，收益率在0.85%至2.24%之间[176] FOF组合和主动权益基金投资策略 - "配置+选基" FOF 组合在6月份的收益为-2.89%[1] - 主动权益基金投资策略包括投资标签、策略标签和特征标签，涵盖了均衡策略、交易策略、主题投资、成长策略等多种分类[1]

2024 年 06月 29 日 本周动量风格显著,指增策略均录得正超额-量化多因: 目主流指数收益追踪: 本周主流市场指数全面下跌。沪深 300 下跌-0.97%、上证指数下跌 -1.03%、中证 2000下跌-2.34%、深证成指下跌-2.38%、北证 50下 跌-2.96%、中证 500 下跌-3.13%、中证 1000 下跌-3.15%。创业板 指下跌-4.13%。 在春研究报告 刘凯分析师 SAC 执业证书编1450524010001 liukai5@essence.com.cn 相关报告 目单因子表现追踪: 本周动量风格最为显著,动量因子多空收益率为 1.84%,展现出较 强的动量效应。其次是估值风格,本周估值因子多空收益率为 1.47%。 沪深 300 股票池中，近１周单季度净利润同比、240 日动量、标准 化预期外收入因子表现较好,而对数市值、60 日反转、60 日威交 量比率因子表现相对较差。 中证 500 股票池中，近１周 BP、120 日三因子模型残差波动率、 240 日三因子模型残差波动率因子表现较好,而对教市值、60 日非 流动性冲击、20日非流动性冲击因子表现相对较差。 中证 100 ...

2024 年 06 月 29 日 海外分析师一致预期的 A 股应用 | --- | --- | --- | |------------------------------------------|--------|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | 金融工程研究团队 | | | | 魏建榕（首席分析师） | | 魏建榕（分析师）胡亮勇 (分析师) | | 证书编号：S0790519120001 | | weijianrong@kysec.cnhuliangyong@kysec.cn | | | | 证书编号：S0790519120001证书编号：S0790522030001 | | 张 翔(分析师)证书编号：S0790520110001 | | ● 海外分析师不 ...