量化因子与构建方式 1. 因子名称：TPS（Turn20 conformed by PLUS） - **因子的构建思路**：从考察日频换手率稳定性的角度，构造成交价改进换手率因子TPS[2] - **因子具体构建过程**： 1. 计算过去20个交易日的换手率取平均值，进行横截面市值中性化[5] 2. 选取影线差作为价格因子，配合Turn20因子[7] - **因子评价**：TPS因子在回测期内表现优于传统换手率和换手率变化率因子，剔除市场常用风格和行业干扰后，仍具备不错的选股能力[2] 2. 因子名称：SPS（STR conformed by PLUS） - **因子的构建思路**：从考察日频换手率稳定性的角度，构造成交价改进换手率因子SPS[2] - **因子具体构建过程**： 1. 计算过去20个交易日的换手率取平均值，进行横截面市值中性化[5] 2. 选取影线差作为价格因子，配合STR因子[7] - **因子评价**：SPS因子在回测期内表现优于传统换手率和换手率变化率因子，剔除市场常用风格和行业干扰后，仍具备较强的选股能力[2] 因子的回测效果 1. TPS因子 - **年化收益率**：39.52%[1][8] - **年化波动率**：15.70%[1][8] - **信息比率（IR）**：2.52[1][8] - **月度胜率**：77.93%[1][8] - **最大回撤率**：18.03%[1][8] 2. SPS因子 - **年化收益率**：43.43%[1][9] - **年化波动率**：12.70%[1][9] - **信息比率（IR）**：3.42[1][9] - **月度胜率**：83.78%[1][9] - **最大回撤率**：11.60%[1][9]

证券研究报告·金融工程·金工定期报告 金工定期报告 20240905 换手率变化率的稳定 GTR 选股因子绩效月 报 20240831 2024 年 09 月 05 日 [Table_Tag] [Table_Summary] 报告要点 ◼ 换手率变化率的稳定 GTR 因子多空对冲绩效（全市场）：2006 年 1 月 至 2024 年 8 月，换手率变化率的稳定 GTR 因子在全体 A 股中，10 分 组多空对冲的年化收益率为 13.57%，年化波动为 10.30%，信息比率为 1.32，月度胜率为 66.67%，月度最大回撤为 10.81%；纯净优加 TPS_Turbo 因子在全体 A 股中，10 分组多空对冲的年化收益率为 36.54%，年化波 动为 12.99%，信息比率为 2.81，月度胜率为 78.83%，月度最大回撤为 9.86%；纯净优加 SPS_Turbo 因子在全体 A 股中，10 分组多空对冲的年 化收益率为 37.79%，年化波动为 10.69%，信息比率为 3.53，月度胜率 为 81.98%，月度最大回撤为 7.22%。8 月份纯净优加 TPS_Turbo 因子十 分组多头组合的收益率 ...

量化模型与构建方式 换手率变化率的稳定 GTR 因子 - **因子名称**：换手率变化率的稳定 GTR 因子 - **因子的构建思路**：通过观察换手率波动率高的股票，发现其中一部分换手率稳定增长或下降的股票在未来仍有上涨的可能性，提出了换手率变化率的稳定性指标[2] - **因子具体构建过程**：基于换手率变化率的加速度意义，再加上新因子的稳定性，构建了换手率变化率的稳定 GTR 因子[2] - **因子评价**：新因子从回测指标上来看相对平庸，但其具备的"新"以及能够加强其他换手率因子的特点是其亮点[2] 纯净优加 TPS_Turbo 因子 - **因子名称**：纯净优加 TPS_Turbo 因子 - **因子的构建思路**：使用纯净优加法对因子进行合成增强，得到选股能力优秀的因子[6] - **因子具体构建过程**：使用 GTR 因子对 Turn20 和 STR 做纯净优加，得到 TPS_Turbo 因子[6] 纯净优加 SPS_Turbo 因子 - **因子名称**：纯净优加 SPS_Turbo 因子 - **因子的构建思路**：使用纯净优加法对因子进行合成增强，得到选股能力优秀的因子[6] - **因子具体构建过程**：使用 GTR 因子对 Turn20 和 STR 做纯净优加，得到 SPS_Turbo 因子[6] 因子的回测效果 换手率变化率的稳定 GTR 因子 - **年化收益率**：13.57%[1][6][9] - **年化波动率**：10.30%[1][6][9] - **信息比率（IR）**：1.32[1][6][9] - **月度胜率**：66.67%[1][6][9] - **最大回撤率**：10.81%[1][6][9] 纯净优加 TPS_Turbo 因子 - **年化收益率**：36.54%[1][6][9] - **年化波动率**：12.99%[1][6][9] - **信息比率（IR）**：2.81[1][6][9] - **月度胜率**：78.83%[1][6][9] - **最大回撤率**：9.86%[1][6][9] 纯净优加 SPS_Turbo 因子 - **年化收益率**：37.79%[1][6][9] - **年化波动率**：10.69%[1][6][9] - **信息比率（IR）**：3.53[1][6][9] - **月度胜率**：81.98%[1][6][9] - **最大回撤率**：7.22%[1][6][9] 因子的月度回测效果（2024年8月） 换手率变化率的稳定 GTR 因子 - **多头组合收益率**：-2.39%[1][10] - **空头组合收益率**：-4.39%[1][10] - **多空对冲收益率**：2.00%[1][10] 纯净优加 TPS_Turbo 因子 - **多头组合收益率**：-1.73%[1][11] - **空头组合收益率**：-6.45%[1][11] - **多空对冲收益率**：4.73%[1][11] 纯净优加 SPS_Turbo 因子 - **多头组合收益率**：-1.49%[1][13] - **空头组合收益率**：-5.78%[1][13] - **多空对冲收益率**：4.30%[1][13]

- PEM-VC行业配置模型综合运用"总量"与"边际"思维，优选景气度、超预期与动量边际改善的行业，同时利用估值趋势和拥挤度规避指数下行风险[5][6] - PEM-VC行业轮动复合模型历史绩效从2011年1月至2024年4月，组合年化收益为30.72%，超额年化收益为26.64%[5] - 2024年8月，PEM-VC行业轮动复合模型多头组合为有色金属、电子、机械、农林牧渔、医药，超额收益率分别为0.56%、0.98%、1.14%、1.49%[6] - 2024年9月，PEM-VC行业轮动复合模型多头组合为电力设备及新能源、汽车、石油石化、有色金属、医药[7] - 2024年9月，行业景气度模型排名前五的行业为非银行金融、银行、传媒、电力设备及新能源、电力及公用事业[7] - 2024年9月，业绩超预期模型排名前五的行业为商贸零售、石油石化、电力设备及新能源、轻工制造、汽车[7] - 2024年9月，行业动量模型排名前五的行业为钢铁、电力及公用事业、有色金属、电子、国防军工[7] - 2024年以来，PEM-VC风险规避多头组合相对市场基准超额收益为14.80%[6]

量化模型与构建方式 三维情绪雷达监测模型 1. **模型名称**：三维情绪雷达监测模型 2. **模型构建思路**：通过情绪预期、情绪温度和情绪浓度三个维度来观察市场情绪的不同频率波动[7] 3. **模型具体构建过程**： - **情绪预期**： - **指标意义**：股指期货价格和期权成交额PCR反映市场对未来短期的预期[8] - **公式**： $$ \text{沪深300股指期货升贴水率} = \frac{\text{沪深300股指期货主力价格} - \text{沪深300指数价格}}{\text{沪深300指数价格}} $$ $$ \text{成交额PCR} = \frac{\text{看跌期权成交额}}{\text{看涨期权成交额}} $$ - **构建方法**：通过取均值和主成分分析的方法合成情绪预期指标[8] - **情绪温度**： - **指标意义**：市场资金热度的量化，使用主力买入率来感知情绪温度[10] - **公式**： $$ \text{主力买入率} = \frac{\text{大单买入金额}}{\text{沪深成交总额}} $$ - **构建方法**：将主力买入率平滑处理后，计算三年滚动百分位的结果[10] - **情绪浓度**： - **指标意义**：衡量A股市场多资产的相关性，通过计算中信三级行业体系指数的第一主成分方差贡献率来反映市场情绪浓度[13] - **构建方法**：情绪浓度即为中信三级行业体系指数的第一主成分贡献率滚动窗口平滑处理后的结果[13] 4. **模型评价**：情绪预期上行代表市场短期情绪向好，情绪温度上行代表市场主力资金热度提升，情绪浓度高于警戒线的极值点具有长期牛熊转折的预示作用[8][10][13] 模型的回测效果 1. **三维情绪雷达监测模型**： - **Sharpe比率**：0.4067[18] - **最大回撤**：26.93%[18] - **年化收益**：6.12%[18] 量化因子与构建方式 换手率斜率因子 1. **因子名称**：换手率斜率因子 2. **因子的构建思路**：通过监测成交量的变化来提示行情机会，成交量的中枢上移预示供需关系的变化[20] 3. **因子具体构建过程**：运用换手率斜率来监测是否发生"放量"的情况，提示行情机会[20] 4. **因子评价**：成交量的放大往往代表市场观点分歧的扩大，有一定可能代表原有趋势的转折[20] 拥挤度因子 1. **因子名称**：拥挤度因子 2. **因子的构建思路**：反映交易活动的过热程度，起到对潜在风险的警示作用[21] 3. **因子具体构建过程**：根据拥挤发生时的表现，如内部高度协同、剧烈波动、价格偏离以及流动性枯竭等现象，制定拥挤度跟踪指标，包括行业成交集中度、行业内部关联度和行业价格乖离率[21] 4. **因子评价**：在多个指标监测下提示过度拥挤带来的风险[21] 因子的回测效果 1. **换手率斜率因子**： - **未来一个月更可能发生行情反转的行业**：建筑材料、传媒、煤炭、美容护理[21] - **未来一个月量能买入信号**：建筑材料、煤炭、美容护理、家用电器、纺织服饰、商贸零售、轻工制造、食品饮料、电力设备、基础化工等[21] - **未来一个月量能卖出信号**：无[21] 2. **拥挤度因子**： - **行业成交集中度风险提示行业**：家用电器、食品饮料、交通运输、建筑材料、国防军工、银行[21] - **行业内部关联度风险提示行业**：农林牧渔、纺织服饰、房地产、汽车、石油石化[21] - **行业价格乖离率风险提示行业**：无[21] - **未来一个月拥挤度卖出信号**：农林牧渔、家用电器、纺织服饰、交通运输、房地产、建筑材料、国防军工、银行、汽车、石油石化[21]

资产配置月报（2024 年 9 月） 2024 年 09 月 01 日 金 融 工 程 研 究 开 源 证 券 证 券 研 究 报 告 金融工程定期 | --- | --- | --- | |------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|--------------------------------------------------------------------------------------------------------------------------------------------|---------------------------------------------------------------------------- ...

量化因子与构建方式 1. **全天候择时模型** - **因子构建思路**：全天候择时模型在上周四盘后发出国证2000指数的多头信号[8] - **文章对因子的评价**：对于短期交易者而言，这是一个非常积极的信号[8] 2. **四轮驱动行业轮动模型** - **因子构建思路**：四轮驱动模型信号整体偏向于低位成长，但前期发出的低位红利信号也处于有效期[8] - **文章对因子的评价**：该模型信号整体偏向于低位成长[8] 因子的回测效果 1. **全天候择时模型** - **多头信号**：国证2000指数[8] 2. **四轮驱动行业轮动模型** - **低位成长信号**：煤炭、通信、电子、有色金属、医药生物[8] - **低位红利信号**：环保、建筑装饰、美容护理、传媒、石油石化、计算机[8]

模型改进 - 提出了基于知识蒸馏的 alpha 因子挖掘模型，通过构建基于小单和盘口的因子对 l2 数据集进行信息补充，增加日内信息反映，提升模型效果[3] - 通过知识蒸馏方法集成树模型和神经网络，加入风险因子生成部分，改进了量价框架模型[17] - 新模型 KD-Ensemble 模型将教师模型和学生模型的输入均为相同的 alpha 因子，通过特定训练和推理过程进行加权[128] 因子表现 - 小单和盘口因子在各股票池上表现较好，小单早盘占比因子在大盘股上表现更强，可作为短期风险的风险因子[4] - 合成因子在中证全指上表现出色，年化超额收益率可达51.73%，各宽基指数股票池新模型生成因子选股能力明显提升[5] - 风险中性模型表现突出，多头组合年化超额收益率可达47.96%，稳定性较强[5] 组合表现 - KD-Ensemble模型下的指数增强组合在沪深300指数上表现良好，不同约束条件下的超额收益率分别为18.76%、19.87%和16.00%[158] - 中证500指增Barra风控组合在不同成分股约束条件下的年化超额收益率分别为22.81%、19.53%、18.26%、26.17%、24.02%、19.43%、28.32%、22.56%、20.23%[168] - 中证1000指增Barra风控组合在不同成分股约束条件下的年化超额收益率分别为50.56%、46.92%、42.58%、70.32%、68.35%、59.30%、88.74%、79.91%、65.85%[173]

市场表现 - 全市场股票池中，动量因子表现良好，获取正收益0.77%[24] - 市值因子和非线性市值因子获取负收益-0.78%和-0.85%，市场表现为小市值风格[24] - 多数行业均表现为小市值风格[27] 行业内因子表现 - 基本面因子在多数行业表现一般，净资产增长率因子在商业贸易、综合行业表现较好[27] - 净利润增长率因子在综合、非银金融行业表现亮眼[27] - 估值类因子中，BP因子在美容护理、休闲服务行业正收益明显，EP因子在综合、商业贸易行业表现为正收益[27] - 残差波动率因子在电子行业正收益亮眼，流动性因子在多数行业收益明显[27] 组合跟踪 - PB-ROE-50组合在全市场股票池中获得0.25%的超额收益[31] - 公募调研选股策略和私募调研跟踪策略相对中证800获得-1.44%和-1.48%的超额收益[37] - 大宗交易组合相对中证全指获得-0.64%的超额收益[45] - 定向增发组合相对中证全指获得1.25%的超额收益[51]

量化模型与构建方式 1. 模型名称：可转债的赎回概率调整定价模型（CCBA） - 模型构建思路：通过计算转债价格与理论定价的偏离度，评估转债的期权估值水平[16][18] - 模型具体构建过程： - 计算信用债YTM与转债YTM的差值，作为价格水平类择时指标[17] - 使用CCBA模型计算转债的理论定价，并计算定价偏离度：$ \text{定价偏离度} = \frac{\text{转债价格}}{\text{CCBA模型定价}} - 1 $[18] - 模型评价：该模型能够较好地反映转债的期权估值水平，适用于评估转债的左侧配置价值[16][18] 2. 模型名称：中证转债与国债的择时策略 - 模型构建思路：基于信用指标的胜率择时策略，通过信用方向因子和信用强度因子进行择时[46][49] - 模型具体构建过程： - 计算中长期贷款脉冲，定义信用宽松或信用收紧环境，赋予因子分数[47] - 查看信用指标是否超预期或不及预期，赋予因子分数[48] - 将信用方向因子与信用强度因子求和得到信用综合分数，策略的中证转债权重=50%+信用综合分数×25%[49] - 模型评价：该策略能够实现相对于等权基准的稳定超额收益，波动与回撤明显降低[50][56] 3. 模型名称：低估值策略 - 模型构建思路：基于CCB_out模型的定价偏离度，构建低估值转债池，并进行分域择时[131] - 模型具体构建过程： - 使用CCB_out模型计算转债的定价偏离度：$ \text{定价偏离度} = \frac{\text{转债价格}}{\text{CCB_out模型定价}} - 1 $[131] - 在偏债、平衡、偏股中分别选取偏离度最低的转债，形成低估值转债池[131] - 根据分域市场的相对估值进行分域择时[131] - 模型评价：该策略稳定性强，能够实现较高的绝对收益和超额收益[131][138] 4. 模型名称：低估值+强动量策略 - 模型构建思路：在低估值策略的基础上，结合正股动量因子，形成弹性更强的策略[141] - 模型具体构建过程： - 使用CCB_out模型计算定价偏离度[144] - 结合正股过去1、3、6个月动量等权打分构建动量因子[145] - 选取低估值且动量强的转债进行配置[141] - 模型评价：该策略弹性强，能够实现较高的绝对收益和超额收益[141][148] 5. 模型名称：低估值+高换手策略 - 模型构建思路：在低估值转债池中，使用转债高换手因子选择成交热度较高的转债进行配置[151] - 模型具体构建过程： - 选择市场上较低估的50%转债[155] - 使用转债换手率因子选择成交热度较高的转债进行配置[156] - 模型评价：该策略能够实现较高的绝对收益和超额收益，超额收益稳定[151][159] 6. 模型名称：平衡增强策略 - 模型构建思路：在平衡转债中，选择低CCBA定价偏离度的转债进行配置[162] - 模型具体构建过程： - 使用CCBA模型计算定价偏离度[162] - 在平衡转债中选取偏离度最低的不超过30只转债进行配置[162] - 模型评价：该策略能够实现较高的年化绝对收益和超额收益，信息比率较高[162][169] 7. 模型名称：平衡偏债增强策略 - 模型构建思路：在低估转债池中，使用转债换手率因子和正股动量因子进行增强[171] - 模型具体构建过程： - 选择市场上较低估的50%转债，去掉偏股转债形成低估池[174] - 在偏债池中使用转债换手率因子和正股动量因子，在平衡转债中使用转债换手率因子[175][176] - 模型评价：该策略能够实现较高的年化绝对收益，波动与回撤较低[171][179] 8. 模型名称：信用债替代策略 - 模型构建思路：通过转债YTM+1%>3年期AA级信用债YTM筛选转债池，并结合正股动量因子进行配置[182] - 模型具体构建过程： - 筛选符合条件的转债池[182] - 在转债池中选出正股1个月动量最强的20只进行配置，个券最大权重不超过2%[182] - 通过波动率控制方法降低短期回撤，剩下仓位配置信用债[182] - 模型评价：该策略能够实现较高的绝对收益，波动和回撤较低[182][187] 9. 模型名称：波动率控制策略 - 模型构建思路：在偏债、平衡、偏股中分别选取低估值+强动量的打分最高的转债，通过波动率控制方式将组合波动控制在4%[189] - 模型具体构建过程： - 在偏债、平衡、偏股中分别选取低估值+强动量的打分最高的15只转债[189] - 通过波动率控制方式将组合波动控制在4%[189] - 模型评价：该策略能够实现较高的绝对收益，波动和回撤较低[189][195] 模型的回测效果 1. 可转债的赎回概率调整定价模型（CCBA） - 年化收益：8.98%[33] - 年化波动：6.76%[38] - 最大回撤：11.79%[38] 2. 中证转债与国债的择时策略 - 年化收益：7.67%[50] - 年化波动：7.89%[56] - 最大回撤：14.63%[56] 3. 低估值策略 - 区间收益：18.7%[138] - 年化波动：13.1%[138] - 最大回撤：12.6%[138] - 区间超额：11.2%[138] - 信息比率：1.93[138] 4. 低估值+强动量策略 - 区间收益：22.0%[148] - 年化波动：13.8%[148] - 最大回撤：11.9%[148] - 区间超额：14.3%[148] - 信息比率：2.32[148] 5. 低估值+高换手策略 - 区间收益：22.2%[159] - 年化波动：15.0%[159] - 最大回撤：13.3%[159] - 区间超额：14.5%[159] - 信息比率：2.25[159] 6. 平衡增强策略 - 区间收益：13.8%[169] - 年化波动：12.6%[169] - 最大回撤：14.2%[169] - 区间超额：6.9%[169] - 信息比率：1.70[169] 7. 平衡偏债增强策略 - 区间收益：20.7%[181] - 年化波动：11.6%[181] - 最大回撤：12.8%[181] 8. 信用债替代策略 - 区间收益：7.3%[187] - 年化波动：2.1%[187] - 最大回撤：2.8%[187] 9. 波动率控制策略 - 区间收益：9.7%[195] - 年化波动：4.4%[195] - 最大回撤：3.9%[195]