择时观点：景气度有所回升。上周北向资金净流入 53.04 亿元，美国债利率 A (10Y) 下行 8BP，中证 800 整体下跌。进入 5 月后景气度有企稳回升，当下市 场理论上继续处于一致上涨区间。市场分歧度已处极低水平，未来若回升叠加流 动性下行市场风险或上升。 ＞ 指数监测: 中证 2000ETF 大幅流入。近１周 ETF 产品申购流入增速快的有: 中证 2000、800 银行、SHS 云计算、中证软件、汽车指数等。近 1 周碳中和 60、上期有色金属指数、油气资源、国证油气、SHS 消费龙头等指数份额流出 最多。 > 资金共振：推荐通信与医药。北向资金与大单资金,稳定资金流因子值排名 前 10 的行业取交集，策略近五年年化超额收益 16.8%，表现稳定。北向资金上 周在医药中净流入最多，净流入 62.3 亿元; 大单资金上周在交通运输中净流入 最多，净流入 0.4 亿元。根据大单与北向资金的流入情况，本周推荐行业为通信 与医药。 ＞ 公募风格：5 月继续切向中盘价值。公募偏股主动基金 5 月继续减仓，整体 仓位达到 74.55%。风格上主要体现为成长切向中盘价值。大盘价值、大盘成长 仓位分别变化-1. ...

总量研究 交易情绪有所修复，关注盈利质量 -金融工程市场跟踪周报 20240610 要点 本周市场核心观点与市场复盘: 本周 (2024.06.03-2024.06.07) 市场震荡下行，微盘股指数大幅回撤，中证 2000 领跌主要宽基指数（周度下跌 7.06%）。从周内市场表现来看，投资者依然表 现出对部分小市值标的基本面质量、流动性风险的担忧，短期也影响了小微盘指 数的表现。 资金面方面，北向资金依然呈现高波动流向变化的特征，整周实现净流入；交易 盘和配置盘均为净流入。市场情绪方面，本周市场交易情绪实现小幅修复，部分 情绪指标转乐观。近期我们围绕市场的核心判断：资金面尤其是北向资金净流入 的持续性以及风格表现的持续性是当前判断市场的核心变量。结合近期市场变 化，我们依然判断当前市场反弹的概率高于反转的概率。交易机会方面，短线可 结合周内热点变化进行博弈，不建议追高操作；保持红利底仓或为当下最优选。 因子方面，关注盈利质量因子及成长因子表现。 本周市场各宽基指数均收跌。上证综指下跌 1.15%，上证 50 下跌 0.20%，沪深 300 下跌 0.16%，中证 500 下跌 1.88%，中证 1000 下跌 ...

总量研究 大市值风格显著，PBROE 组合表现良好 ——量化组合跟踪周报 20240608 要点 量化市场跟踪 大类因子表现:本周全市场股票池中,市值因子表现良好,获取正收益 2.27%, 市场表现为大市值风格；动量因子获取正收益 0.74%。Beta 因子均获取负收益 -0.98%；其余风格因子表现一般。 单因子表现;沪深 300 股票池中，本周表现较好的因子有单季度 ROA (1.23 %)、 单季度 ROE (1.10%)、单季度 ROE 同比(0.85%)。表现较差的因子有 6 日成交金 额的标准差(-1.54%)、早盘后收益因子(-1.89%)、对数市值因子 (-2.53%)。 中证 500 股票池中，本周表现较好的因子有 ROE 稳定性(1.61%)、ROA 稳定性 (1.41%)、单季度 ROE (0.96%)。表现较差的因子有 5 日反转(-1.33%)、换手率 相对波动率(-1.67%)、早盘后收益因子 (-2.74%)。 流动性 1500 股票池中，本周表现较好的因子有单季度 EPS (3.27%)、单季度 ROA(3.09%)、5 日平均换手率(3.04%)。表现较差的因子有 6 日成交 ...

中信期货研究|金融衍生品策略日报 2024-06-07 小微盘情绪再度走弱,债市资金面仍偏宽松 投资咨询业务资格: 证监许可【2012】669 号 报告要点 昨日股指盘面风格继续分化，小盘情绪受监管政策影响走弱，叠加热钱流出影响，市场 或延续震荡。债市全面收涨，重点观察人民银行连续大额净回笼对资金面的影响。 摘要: 股指方面，昨日盘面风格继续分化，沪深 300 接近收平，中证 1000 延续大跌，市场担 心程序化交易等监管政策收紧，叠加退市提速，对小盘情绪形成打压。同时资金指标也显 示市场转向谨慎，首先，相较前几日，盘面放量,显示出现抛压盘,其次,期货持仓大量 增加,尤其是IM 增仓明显,这一迹象显示有对冲资金入市。从抛压的方向来看,依旧集中 在流动性更弱的小微盘，部分资金担忧流动性恶化，故选择抢跑，这一行为倒逼资金配置 属性更为防御化。同时,全球股市氛围偏暖,热钱由中国流向其他市场,这也会对盘面形 成冲击。故短线震荡为主，继续持有稳健的大盘股。 国债方面, 昨日国债期货全面收涨,截至收盘, TL、T、TF、TS 主力合约分别上行 0.07%、 0.01%、0.01%和 0.00%。昨日人民银行开展 OMO ...

量化模型与构建方式 1. 绩优重仓股与调研共振增强策略 - **模型名称**：绩优重仓股与调研共振增强策略 - **模型构建思路**：通过基金Alpha因子筛选出绩优基金，计算其穿透重仓股股池，并结合调研数据，选出过去一个季度被调研过的重仓股，构建共振股池[5][22][46] - **模型具体构建过程**： 1. 通过基金Alpha因子筛选出绩优基金[22] 2. 计算绩优基金的穿透重仓股股池[22] 3. 将穿透重仓股股池与调研数据相结合，选出过去一个季度被调研过的重仓股，得到共振股池[22] 4. 在行业中性共振池中，使用20日平均成交额因子控制股票热度，构建增强策略[46] 5. 每期取因子排名最靠前的15只股票等权持仓，交易费率设置为千分之三[46] - **模型评价**：策略具有良好的超额收益，综合考虑收益风险与覆盖股票数目，策略优势明显[46] 2. 自主可控概念量化优选策略 - **模型名称**：自主可控概念量化优选策略 - **模型构建思路**：通过对成长、质量、技术和动量大类因子进行测试，并结合基本面财务指标的逻辑筛选判断，构建增强因子[5][75] - **模型具体构建过程**： 1. 对成长、质量、技术和动量大类因子进行测试[75] 2. 结合基本面财务指标的逻辑筛选判断，构建增强因子[75] 3. 每月末最后一个交易日选取排名前因子得分前20%的股票，以等权方式构建持仓组合，手续费取千分之三[5][106] 4. 将全部自主可控指数成分股等权构建基准组合，每月最后一个交易日再平衡[5][106] - **模型评价**：策略相比全概念等权基准，优势非常明显，超额净值平稳增加，整体增加明显[106] 3. 国证2000指数增强策略 - **模型名称**：国证2000指数增强策略 - **模型构建思路**：基于大小盘选股逻辑差异，筛选出更适合微盘股的选股因子，针对国证2000指数成分股构建指数增强策略[136] - **模型具体构建过程**： 1. 筛选出技术、反转、特异波动率等因子[137] 2. 将波动率因子对技术和反转因子做回归求残差，得到相对独立的波动率因子[137] 3. 将各大类因子等权合成并进行行业市值中性化，构建国证2000增强因子[137] 4. 每月月底取因子值排名前10%的股票买入调仓，以等权方式构建多头组合，手续费率假设为单边千分之二[163] - **模型评价**：策略相较于基准有明显的优势，超额净值稳步向上[173] 4. 基于多目标、多模型的机器学习指数增强策略 - **模型名称**：GBDT+NN机器学习指数增强策略 - **模型构建思路**：选取GBDT和NN两大类结构具有一定差异的模型，选取不同的特征数据集进行分别训练，并使用多种预测标签进行对比并融合，构建选股因子[181] - **模型具体构建过程**： 1. 选取GBDT和NN两大类模型[181] 2. 选取不同的特征数据集进行分别训练[181] 3. 使用多种预测标签进行对比并融合，构建选股因子[181] 4. 每月月初调仓，假定手续费率单边千二[196] - **模型评价**：策略在A股各类宽基指数上表现优异，具有较强的适用性[181] 模型的回测效果 绩优重仓股与调研共振增强策略 - **年化收益率**：19.88%[5][46] - **夏普比率**：0.67[5][46] - **5月超额收益率**：-5.50%[5][46] 自主可控概念量化优选策略 - **年化收益率**：30.36%[106] - **夏普比率**：1.12[106] - **5月超额收益率**：-3.29%[5][106] 国证2000指数增强策略 - **年化超额收益率**：15.19%[173] - **信息比率**：2.11[173] - **5月超额收益率**：1.75%[6][173] GBDT+NN机器学习指数增强策略 - **沪深300指数增强策略年化超额收益率**：14.93%[196] - **沪深300指数增强策略信息比率**：3.67[199] - **沪深300指数增强策略5月超额收益率**：2.27%[6][196] - **中证500指数增强策略年化超额收益率**：19.08%[210] - **中证500指数增强策略信息比率**：3.68[212] - **中证500指数增强策略5月超额收益率**：-0.28%[6][210] - **中证1000指数增强策略年化超额收益率**：31.21%[230] - **中证1000指数增强策略信息比率**：5.17[232] - **中证1000指数增强策略5月超额收益率**：1.91%[6][230]

2024年06月07日 量化酮量 虹程月报 证券研究报告 分析师:高智威（执业 S1130522110003） 联系人:许坤圣 gaozhiw@ (@ 近期宏观环境有哪些变化影响股债配置? 市场概况 过去一个月，国内各资产指数涨跌各异。股票方面各指数大多下跌，万得微盘股上涨 0.83%，中证 1000 跌幅最大, 为-2.24%,中证 500、中证 2000、万得全 A、沪深 300 以及上证 50 分别下跌-1.91%、-1.88%、-1.21%、-0.46%和 0.08%。债券方面，5 月份各期限债券指数均为正收益。其中，7-10 年信用债指数月涨幅最高，为 0.80%，3-5 年信 用债指数、3-5 年国债指数、1-3 年国债指数、7-10 年国债指数和 1 年以下信用债指数分别上涨 0.76%、0.47%、 0.35%、0.34%和 0.26%。商品方面，南华各分类商品指数均有上涨，资金属涨幅最大为 7.34%，有色金属、农产品、 能化和黑色分别上涨 3.72%、2.94%、0.65%和 0.30%。 经济增长方面，经济保持回升态势,总体向好。在宏观政策持续协同发力和出口加快拉动下,工业生产培长有所加 ...

量化模型与构建方式 1. 模型名称：CINDA-VIX（方法一） - **模型构建思路**：基于平值合约隐含波动率的方法，计算市场预期波动率[45] - **模型具体构建过程**： 1. 清洗期权每日收盘价格数据，对于没有成交量的合约，使用结算价替代[45] 2. 根据期权平价公式和清洗后的期权价格数据，计算每个行权价对应的合成期货价格[45] 3. 将该价格作为现货价格带入BS公式中，计算每个合约的隐含波动率[45] 4. 得到同一个到期时间的合约行权价与隐含波动率曲线，在曲线中差值得到平值位置的隐含波动率IV ATM[45] 5. 将不同到期时间的IV_ATM按照剩余日历日进行插值，最终得到不同天数的VIX指数值[45] - **模型评价**：该方法能够较好地反映市场预期波动率，但可能忽略了虚值期权的影响[45] 2. 模型名称：CINDA-VIX（方法二） - **模型构建思路**：基于方差互换的方法，计算市场预期波动率[74] - **模型具体构建过程**： 1. 选择所需期权的到期时间，剩余到期日历日少于7天的合约不进行考虑[108] 2. 分别计算每个不同到期时间期权的加权价值，公式为： $$ \sigma^{2}=\frac{2}{T}\sum_{i}\frac{\Delta k_{i}}{k_{i}^{2}}e^{r T}\mathrm{Q}(K_{i})-\frac{1}{T}\left[\frac{F_{0}}{K_{0}}-1\right]^{2} $$ 其中，$\sigma^{2}$是最终计算出的波动方差，波动率则是该结果的平方根，最终公布的VIX则是去百分号形式，即VIX = $\sigma \times 100$[109] 3. 根据当前期权合约数量进行虚拟填充，若场内已无虚值看涨或看跌期权，需要将平值行权价KO做出调整[110] 4. 将不同波动率按照剩余到期时间进行加权求得最终结果，公式为： $$ V I X=100\times\sqrt{\left\{\frac{N_{1}}{360}\times\sigma_{1}^{2}\times\left[\frac{N_{2}-N}{N_{2}-N_{1}}\right]+\frac{N_{2}}{360}\times\sigma_{2}^{2}\times\left[\frac{N-N_{1}}{N_{2}-N_{1}}\right]\right\}}\times\frac{N}{360} $$ [112] - **模型评价**：该方法考虑了更多的期权合约，能够更准确地反映市场实际情况[108] 3. 模型名称：CINDA-SKEW - **模型构建思路**：基于期权隐含波动率的偏斜特征，计算市场预期风险水平[130] - **模型具体构建过程**： 1. 选择所需期权的到期时间，剩余到期日历日少于7天的合约不进行考虑[130] 2. 分别计算每个不同到期时间期权的加权价值，公式为： $$ S={\frac{E[R^{3}]-3E[R]E[R^{2}]+2E[R]^{3}}{(E[R^{2}]-E^{2}[R]^{3/2})}}={\frac{P_{3}-3P_{1}P_{2}+2P_{1}^{3}}{(P_{2}-P_{1}^{2})^{3/2}}} $$ 其中，$P_{1}$、$P_{2}$、$P_{3}$分别为N天对数收益率的1、2、3次方的期望值[131] 3. 将不同SKEW按照剩余到期时间进行加权求得最终结果[137] - **模型评价**：该方法能够捕捉市场对标的资产未来收益分布的预期，提供有价值的信息[138] 模型的回测效果 1. CINDA-VIX（方法一） - **VIX值**：2015年2月9日至2024年5月31日，VIX值与上证50指数走势对比[73] 2. CINDA-VIX（方法二） - **VIX值**：2015年2月9日至2024年5月31日，VIX值与上证50指数走势对比[127] 3. CINDA-SKEW - **SKEW值**：2022年7月22日至2024年5月31日，中证1000指数与CINDA-1000SKEW指数走势对比[139] 量化因子与构建方式 1. 因子名称：PCR（成交量PCR、持仓量PCR、成交额PCR） - **因子的构建思路**：基于看涨与看跌期权在价量上的不同表现，反映市场多空力量的强弱[140] - **因子具体构建过程**： - **成交量PCR**：看跌期权成交量与看涨期权成交量的比值[141] - **持仓量PCR**：看跌期权持仓量与看涨期权持仓量的比值[142] - **成交额PCR**：看跌期权成交额与看涨期权成交额的比值[144] - **因子评价**：这些因子能够较好地反映市场情绪和投资者的预期[140] 2. 因子名称：CP波动率价差 - **因子的构建思路**：通过计算相同到期时间的看涨期权与看跌期权平值合约隐含波动率的差值，反映市场情绪[145] - **因子具体构建过程**： - **公式**：CP波动率价差 = 看涨期权平值IV - 看跌期权平值IV[145] - **因子评价**：该因子能够较好地反映市场情绪的变化[145] 3. 因子名称：已实现波动率（RV） - **因子的构建思路**：基于高频数据的波动率度量方法，通过计算标的资产在一定时间内的收益率变化来估计波动率[147] - **因子具体构建过程**： - **公式**：$RV_{t}=\sum_{i=1}^{i=N}r_{t,i}^{2}$，其中$r_{t,i}=\ln(S_{t,i})-\ln(S_{t,i-1})$[148][149] - **因子评价**：该因子能够更有效率地反映市场的波动与情绪[149] 4. 因子名称：波动溢价指标（VRP） - **因子的构建思路**：通过计算期权VIX与标的已实现波动率RV的差值，反映期权市场中的隐含波动率溢价情况[150] - **因子具体构建过程**： - **公式**：VRP = VIX - RV[150] - **因子评价**：该因子能够反映市场的避险需求和投资者预期[150] 5. 因子名称：波动率跨期价差 - **因子的构建思路**：通过计算相同标的、不同期限的VIX的差额，反映市场对未来不同期限内标的资产可能面临的风险程度[150] - **因子具体构建过程**： - **公式**：波动率跨期价差 = 30日VIX - 60日VIX[150] - **因子评价**：该因子能够展现出VIX的期限结构所反映的信息[150] 因子的回测效果 1. PCR因子 - **持仓量PCR**：上证50ETF期权持仓量PCR与上证50指数历史走势图（2015年2月9日至2024年5月31日）[230] - **成交额PCR**：上证50ETF期权成交额PCR与上证50指数历史走势图（2015年2月9日至2024年5月31日）[231] 2. CP波动率价差因子 -

证券研究报告 分析师：高智威（执业 S1130522110003） 分析师：赵妍（执业 S1130523060001) gaozhiw@ zhao_yan@ 首批中证国新港股通央企红利 ETF 获批 ETF 市场回顾 从一级市场资金流动情况来看，上周(2024.5.27-2024.5.31) 已上市 ETF 资金净流入合计 85.71 亿元, 股票型 ETF 资 金上周资金净流入 46.31 亿元，债券型 ETF 资金净流入 20.90 亿元，商品型 ETF 资金净流入 20.62 亿元，而跨境 ETF 资金净流出 2.12 亿元。 在股票型 ETF 中，宽基 ETF 上周资金净流入 14.57 亿元，其中中证 A50ETF 资金净流入 12.67 亿元，创业板 ETF 资金 净流入约 10. 89 亿元。 主题行业 ETF 上周资金净流入 20.88 亿元。其中医药生物、消费、科技、金融地产、高端制造 ETF 净流入额分别为 8.61、7.72、6.69、3.39、0.38 亿元,而周期板块 ETF 呈现净赎回状态,净流出额约为 3.2 亿元。 上周非货币 ETF 的成交金额合计为 4233.53 亿元。其 ...

量化因子与构建方式 1. 因子名称：量稳换手率 STR 因子 - **因子的构建思路**：从考察日频换手率稳定性的角度，构造了量稳换手率因子 STR(The Stability of Turnover Rate)[5][10] - **因子具体构建过程**：利用最简单的日频数据，同时参考 UTD 因子的研究思路，从考察"日频换手率稳定性"的角度构建[10] - **因子评价**：因子计算过程简单，且效果优秀，表现大幅优于传统换手率和换手率变化率因子[5][10] 因子的回测效果 量稳换手率 STR 因子 - 年化收益率：41.49%[3][23] - 年化波动率：14.38%[3][23] - 信息比率(IR)：2.89[3][23] - 月度胜率：77.73%[3][23] - 最大回撤率：9.96%[3][23] 5月份量稳换手率 STR 因子收益统计 - 10分组多头组合的收益率：-1.60%[4][23] - 10分组空头组合的收益率：-2.95%[4][23] - 10分组多空对冲的收益率：1.35%[4][23] 回测期 2006/01/01-2021/04/30 - 月度 IC 均值：-0.079[5] - 年化 ICIR：-2.72[5] - 10 分组多空对冲的年化收益：42.99%[5] - 年化波动：14.51%[5] - 信息比率(IR)：2.96[5] - 月度胜率：77.60%[5] - 最大回撤：11.08%[5] 传统换手率因子(Turn20)回测期 2006/01/01-2021/04/30 - 月度 IC 均值：-0.072[10] - 年化 ICIR：-2.10[10] - 多空对冲的年化收益：33.41%[10] - 信息比率(IR)：1.90[10] - 月度胜率：71.58%[10]

量化因子与构建方式 1. 因子名称：换手率分布均匀度UTD因子 - **因子的构建思路**：基于个股的分钟成交量数据，构建换手率分布均匀度UTD因子，其对股票样本的误判程度明显减弱，选股效果也大幅优于传统因子[5] - **因子具体构建过程**： - 使用个股的分钟成交量数据 - 计算每只股票的换手率分布均匀度 - 将股票按换手率分布均匀度进行分组，构建10分组多空对冲组合 - 公式：未提供具体公式[5] - **因子评价**：UTD因子对股票样本的误判程度明显减弱，选股效果大幅优于传统因子[5] 因子的回测效果 换手率分布均匀度UTD因子 - **年化收益**：20.26%[3] - **年化波动**：7.38%[3] - **信息比率（IR）**：2.74[3] - **月度胜率**：75.81%[3] - **月度最大回撤**：5.51%[3] 换手率分布均匀度UTD因子（回测期2014/01/01-2021/01/31） - **月度IC均值**：-0.047[5] - **RankIC均值**：-0.071[5] - **年化ICIR**：-2.85[5] - **年化RankICIR**：-3.93[5] - **年化收益**：21.85%[5] - **年化波动**：7.56%[5] - **信息比率（IR）**：2.89[5] - **月度胜率**：82.93%[5] - **最大回撤**：4.31%[5] 5月份换手率分布均匀度UTD因子 - **10分组多头组合的收益率**：-2.88%[4] - **10分组空头组合的收益率**：-2.07%[4] - **10分组多空对冲的收益率**：-0.82%[4]