- 文献中引入了一个新指标，"行业相对股票贝塔"（Industry-relative Stock Beta，IRSB），用于衡量个别公司与其同行业公司市场贝塔值的偏差[2][6] - 研究表明，高IRSB的股票相较于低IRSB的股票，在下个月能平均超出1.01%的收益[2][6] - 通过双变量投资组合排序和Fama-MacBeth回归分析，控制其他定价因子后，IRSB的预测能力依然显著[2][6] - 研究提出了行为金融的解释，认为这一现象可归因于投资者的推断偏差，即投资者往往过度基于近期表现推断未来，导致这些股票价格暂时偏离其基本面价值[2][6] - 研究通过分析2006年至2020年间的数百万篇中国财经新闻，构建上市公司之间的新闻共同提及联系网络，发现通过新闻共同提及的公司间动量溢出效应远强于其他联系[7] - 研究通过Fama-MacBeth回归等测试，进一步证明了新闻共同提及效应能够统一其他形式的动量溢出效应[7] - 作者们提出了一个衡量嵌入于公司组织资本中的人力资本质量的指标，表明拥有高质量人力资本的公司未来的股票收益率高于拥有低质量人力资本的公司[8] - 反映组织资本相对数量的组织资本与资产的比率，对人力资本质量的收益率预测能力具有显著但有限的解释力[8] - 研究证实了人力资本成本增加对公司价值的不利影响[8]

量化模型与构建方式 模型名称：封板率与连板率模型 - **模型构建思路**：通过计算股票在盘中涨停和连续涨停的比例，评估市场情绪和股票的强势程度[10] - **模型具体构建过程**： - 封板率的计算方式为： $$ 封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数} $$ - 连板率的计算方式为： $$ 连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数} $$ - 统计上市满3个月以上的股票在盘中的实时涨跌停家数[10][11] - **模型评价**：该模型能够有效反映市场情绪和股票的强势程度，具有较高的实用性[10] 模型名称：股指期货升贴水模型 - **模型构建思路**：通过计算股指期货与现货指数价格的差异，评估市场对未来预期的表现[17] - **模型具体构建过程**： - 年化贴水率的计算方式为： $$ 年化贴水率 = \frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right) $$ - 统计上证50、沪深300、中证500和中证1000指数股指期货的年化升贴水率[18] - **模型评价**：该模型能够反映市场对于未来预期的表现，具有较高的参考价值[18] 模型的回测效果 封板率与连板率模型 - **封板率**：50%，较前日提升18%[10] - **连板率**：4%，较前日下降44%，创近一个月新低[10] 股指期货升贴水模型 - **上证50股指期货主力合约年化贴水率**：34.26%，处于近一年来3%分位点[18] - **沪深300股指期货主力合约年化贴水率**：19.85%，处于近一年来4%分位点[18] - **中证500股指期货主力合约年化升水率**：34.35%，处于近一年来98%分位点[18] - **中证1000股指期货主力合约年化升水率**：13.98%，处于近一年来96%分位点[18]

每周一景：太行山 点击右上角菜单，收听朗读版 【固收】股债"跷跷板"的周期特征：股债走势可能阶段性同向 9月下旬以来，在政策刺激下，权益市场上行势头明显，一般认为股债相关性可能呈现"跷跷板"效应，但实际上股债 相关性具有周期性特征。股债相关性由股债的不同估值机制产生，根据股债DDM模型，可以拆分为现金流效应和折现 率效应，以及交易和避险效应。股债相关性具有较为明显的周期性，在经济复苏初期往往呈现明显的股债同向运动态 势，这种周期性在2020年前较为明显。在2020-2022年期间，经济主要受到外生冲击，股债相关性持续转负，周期 性消失。在2023年后，外生冲击的影响逐步让位与经济内生因素，这种相关性的周期特征可能重现。 从现金流与折现率的角度看历史上股债相关性，发现国内股债关系存在着明显的周期效应，目前可能进入同向运动区 间。"经济下行（PMI下降或低于50）→股债相关性下降→基准利率下降→股债相关性上升→经济上升（PMI上升或大于 50）→股债相关性下降→基准利率上升→股债相关性上升→经济下行（PMI下降或低于50）"。从目前的情况看，如果 重新进入股债相关性周期运行的逻辑，当前正好处于"基准利率下降→股债 ...

量化模型与构建方式 1. Nowcasting模型 - **模型名称**：Nowcasting模型 - **模型构建思路**：通过实时数据监测经济景气度变化趋势 - **模型具体构建过程**：Nowcasting模型通过收集和分析实时经济数据，预测经济景气度的变化趋势 - **模型评价**：该模型能够及时反映经济数据的变化趋势，有助于投资者做出更及时的决策[8] 模型的回测效果 - **Nowcasting模型** - **经济增长因子**：自7月4日开始持续下行，直至9月10日触底回升[8] 量化因子与构建方式 1. 经济增长因子 - **因子名称**：经济增长因子 - **因子的构建思路**：通过监测经济数据的变化，反映经济增长的预期 - **因子具体构建过程**：经济增长因子通过收集和分析一系列经济数据，如消费、地产等指标，来反映经济增长的预期 - **因子评价**：该因子能够较好地反映市场对经济增长的预期变化[8] 因子的回测效果 - **经济增长因子** - **因子值**：自7月4日开始持续下行，直至9月10日触底回升[8]

量化模型与构建方式 增强策略ETF模型 1. **模型名称**: 增强策略ETF 2. **模型构建思路**: 通过历史数据统计、建模和测算，构建增强策略ETF，以期在特定指数基础上获得超额收益[2][14] 3. **模型具体构建过程**: - 选择特定指数作为基准，如沪深300、中证500、中证1000等 - 通过量化模型对成分股进行筛选和权重调整，以期获得超额收益 - 具体公式和参数未在报告中详细列出 4. **模型评价**: 增强策略ETF在特定市场环境下表现出色，但存在市场环境变化导致模型失效的风险[2][14] 模型的回测效果 1. **国泰沪深300增强策略ETF**: 上周超额收益率-1.84%，2024年超额收益率5.55%，近一年超额收益率5.42%[15] 2. **招商沪深300增强策略ETF**: 上周超额收益率-0.75%，2024年超额收益率4.08%，近一年超额收益率3.78%[15] 3. **华泰柏瑞中证500增强策略ETF**: 上周超额收益率-1.31%，2024年超额收益率5.24%，近一年超额收益率5.30%[15] 4. **景顺长城中证500增强策略ETF**: 上周超额收益率-1.60%，2024年超额收益率4.30%，近一年超额收益率4.21%[15] 5. **南方中证500增强策略ETF**: 上周超额收益率-1.74%，2024年超额收益率5.06%，近一年超额收益率5.57%[15] 6. **招商中证1000增强策略ETF**: 上周超额收益率1.49%，2024年超额收益率9.63%，近一年超额收益率10.92%[15] 7. **华泰柏瑞中证1000增强策略ETF**: 上周超额收益率1.30%，2024年超额收益率6.38%，近一年超额收益率5.47%[15] 8. **嘉实创业板增强策略ETF**: 上周超额收益率-2.20%，2024年超额收益率-1.25%，近一年超额收益率1.18%[15] 9. **银华中证1000增强策略ETF**: 上周超额收益率-1.35%，2024年超额收益率2.34%，近一年超额收益率3.16%[15] 10. **鹏华上证科创板50成份增强策略ETF**: 上周超额收益率-1.64%，2024年超额收益率5.95%，近一年超额收益率6.50%[15] 11. **南方上证科创板50成份增强策略ETF**: 上周超额收益率-1.08%，2024年超额收益率0.44%，近一年超额收益率-0.36%[15] 12. **华安沪深300增强策略ETF**: 上周超额收益率-0.27%，2024年超额收益率8.05%，近一年超额收益率7.53%[15] 13. **广发中证科创创业50增强策略ETF**: 上周超额收益率-1.34%，2024年超额收益率-0.19%，近一年超额收益率1.18%[15] 14. **国泰中证1000增强策略ETF**: 上周超额收益率-1.55%，2024年超额收益率5.45%，近一年超额收益率5.71%[15] 15. **博时中证500增强策略ETF**: 上周超额收益率-1.60%，2024年超额收益率6.36%，近一年超额收益率6.93%[15] 16. **易方达中证500增强策略ETF**: 上周超额收益率0.15%，2024年超额收益率5.71%，近一年超额收益率5.99%[15] 17. **天弘中证1000增强策略ETF**: 上周超额收益率-0.12%，2024年超额收益率4.26%，近一年超额收益率4.72%[15] 18. **富国创业板增强策略ETF**: 上周超额收益率-2.77%，2024年超额收益率-2.88%，近一年超额收益率-1.70%[15] 19. **招商中证500增强策略ETF**: 上周超额收益率-1.29%，2024年超额收益率8.36%，近一年超额收益率9.25%[15] 20. **汇添富中证500增强策略ETF**: 上周超额收益率-3.20%，2024年超额收益率3.73%，近一年超额收益率6.14%[15] 量化因子与构建方式 无相关内容 因子的回测效果 无相关内容

证券研究报告·金融工程·金工定期报告 2024-09-10 | --- | --- | |---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|---------------------------------------------------------------------------------------------------------------------------| | | | | 金工定期报告 20241009 | ...

量化因子与构建方式 1. 因子名称：重拾自信 2.0 RCP 因子 - **因子的构建思路**：基于行为金融学中的过度自信预期偏差，利用高频分钟序列数据，通过计算利好超涨和股价回调的时间点差距构造过度自信因子CP，进一步剔除日内收益后得到重拾自信因子RCP[1][5] - **因子具体构建过程**： 1. **过度自信因子CP**：根据DHS模型，用“股价快速上涨和快速下跌的时间差”作为代理变量，构造过度自信因子CP[5] 2. **重拾自信因子RCP**：将过度自信因子CP与日内收益正交，残差项作为重拾自信因子RCP[5] 3. **重拾自信2.0因子**：使用标准化因子代替排序值，以尽量保留因子信息，使新RCP因子纯净化后的效果大幅改进[5] - **因子评价**：重拾自信RCP因子表现明显优于传统组合方式[5] 因子的回测效果 重拾自信 2.0 RCP 因子 - **年化收益率**：19.13%[1][7] - **年化波动率**：7.71%[1][7] - **信息比率（IR）**：2.48[1][7] - **月度胜率**：79.69%[1][7] - **最大回撤率**：5.97%[1][7] - **9月份多头组合收益率**：24.33%[1][7] - **9月份空头组合收益率**：22.42%[1][7] - **9月份多空对冲收益率**：1.92%[1][7]

量化因子与构建方式 1. 成交不平衡因子 - **因子名称**：成交不平衡因子 - **因子的构建思路**：通过计算每日的净买单强弱程度，衡量买方占据主动成交的优势，预测股票未来收益[2][9] - **因子具体构建过程**： 1. 每个交易日，统计每只股票当日所有逐笔成交中主动买入和主动卖出的成交单数，计算公式： $$ \text{成交不平衡指标} = \frac{\text{主买成交单数} - \text{主卖成交单数}}{\text{主买成交单数} + \text{主卖成交单数}} $$ 2. 月底回看过去20个交易日，计算20日成交单不平衡指标的平均值，做横截面市值中性化处理，得到成交不平衡因子[9] - **因子评价**：该因子具有一定的有效性，但整体表现一般，尤其是最近几年的波动和回撤明显增大[9] 2. 反转残差成交不平衡因子 - **因子名称**：反转残差成交不平衡因子 - **因子的构建思路**：剔除同期涨跌幅对成交不平衡因子的影响，提升因子的稳定性[2][11] - **因子具体构建过程**： 1. 计算每日的成交不平衡指标（同上） 2. 月底回看过去20个交易日，计算20日成交单不平衡指标的平均值，做横截面市值中性化处理，得到成交不平衡因子 3. 将成交不平衡因子对过去20个交易日的累计涨跌幅进行正交化处理，得到反转残差成交不平衡因子[11] - **因子评价**：剔除当期涨跌幅的影响后，因子的稳定性明显提升[11] 3. 孤立成交不平衡因子 - **因子名称**：孤立成交不平衡因子 - **因子的构建思路**：通过划分孤立与非孤立成交单，筛选信息含量较高的成交单，增强因子效果[15][17] - **因子具体构建过程**： 1. 每个交易日，将当日所有成交单分为孤立成交、非孤立成交，判断某笔成交是否孤立的参数δ暂取10ms 2. 对当日所有的孤立成交单，计算其中的成交不平衡指标，得到孤立成交不平衡指标 3. 月底回看过去20个交易日，分别计算20日孤立成交不平衡指标的平均值，做横截面市值中性化处理，得到孤立成交不平衡因子[17] - **因子评价**：孤立成交时刻的信息含量较少，因此对应的孤立成交不平衡因子几乎没有选股效果[16] 4. 非孤立成交不平衡因子 - **因子名称**：非孤立成交不平衡因子 - **因子的构建思路**：通过划分孤立与非孤立成交单，筛选信息含量较高的成交单，增强因子效果[15][17] - **因子具体构建过程**： 1. 每个交易日，将当日所有成交单分为孤立成交、非孤立成交，判断某笔成交是否孤立的参数δ暂取10ms 2. 对当日所有的非孤立成交单，计算其中的成交不平衡指标，得到非孤立成交不平衡指标 3. 月底回看过去20个交易日，分别计算20日非孤立成交不平衡指标的平均值，做横截面市值中性化处理，得到非孤立成交不平衡因子[17] - **因子评价**：非孤立成交不平衡因子的表现明显更好，IC略高于整体的成交不平衡因子，稳定性与整体成交不平衡因子相差不大[16] 5. 反转残差非孤立成交不平衡因子 - **因子名称**：反转残差非孤立成交不平衡因子 - **因子的构建思路**：剔除同期涨跌幅对非孤立成交不平衡因子的影响，提升因子的稳定性[2][20] - **因子具体构建过程**： 1. 计算每日的非孤立成交不平衡指标（同上） 2. 月底回看过去20个交易日，计算20日非孤立成交不平衡指标的平均值，做横截面市值中性化处理，得到非孤立成交不平衡因子 3. 将非孤立成交不平衡因子对过去20个交易日的累计涨跌幅进行正交化处理，得到反转残差非孤立成交不平衡因子[20] - **因子评价**：相比于原来的整体因子，绩效指标有显著提升[20] 因子的回测效果 成交不平衡因子 - **月度IC均值**：0.029[9] - **年化ICIR**：1.46[9] - **月度RankIC均值**：0.028[9] - **年化RankICIR**：1.13[9] - **年化收益率**：14.16%[9] - **年化波动率**：9.07%[9] - **信息比率**：1.56[9] - **月度胜率**：75.56%[9] - **最大回撤率**：7.06%[9] 反转残差成交不平衡因子 - **月度IC均值**：0.035[11] - **年化ICIR**：2.13[11] - **月度RankIC均值**：0.038[11] - **年化RankICIR**：1.85[11] - **年化收益率**：15.71%[11] - **年化波动率**：7.69%[11] - **信息比率**：2.04[11] - **月度胜率**：75.56%[11] - **最大回撤率**：5.69%[11] 孤立成交不平衡因子 - **月度IC均值**：-0.005[19] - **年化ICIR**：-0.34[19] - **月度RankIC均值**：-0.011[19] - **年化RankICIR**：-0.65[19] - **年化收益率**：0.84%[19] - **年化波动率**：6.30%[19] - **信息比率**：0.13[19] - **月度胜率**：51.11%[19] - **最大回撤率**：13.28%[19] 非孤立成交不平衡因子 - **月度IC均值**：0.032[19] - **年化ICIR**：1.40[19] - **月度RankIC均值**：0.030[19] - **年化RankICIR**：1.10[19] - **年化收益率**：15.88%[19] - **年化波动率**：10.12%[19] - **信息比率**：1.57[19] - **月度胜率**：72.22%[19] - **最大回撤率**：8.06%[19] 反转残差非孤立成交不平衡因子 - **月度IC均值**：0.048[20] - **年化ICIR**：2.71[20] - **月度RankIC均值**：0.053[20] - **年化RankICIR**：2.48[20] - **年化收益率**：21.54%[20] - **年化波动率**：7.94%[20] - **信息比率**：2.71[20] - **月度胜率**：81.11%[20] - **最大回撤率**：6.88%[20] 纯净反转残差非孤立成交不平衡因子 - **月度IC均值**：0.036[27] - **年化ICIR**：3.26[27] - **月度RankIC均值**：0.034[27] - **年化RankICIR**：2.77[27] - **年化收益率**：15.26%[27

- 量化模型与构建方式 - 模型名称：沪深300指数增强策略 - 模型构建思路：通过成分股内选股来增强指数收益 - 模型具体构建过程：选取沪深300指数成分股，基于量化因子进行选股和权重调整，优化组合以期获得超额收益 - 模型评价：该策略在一定程度上能够捕捉市场的超额收益，但也存在一定的回撤风险[6] - 模型名称：中证500指数增强策略 - 模型构建思路：通过成分股内选股来增强指数收益 - 模型具体构建过程：选取中证500指数成分股，基于量化因子进行选股和权重调整，优化组合以期获得超额收益 - 模型评价：该策略在一定程度上能够捕捉市场的超额收益，但也存在一定的回撤风险[6] - 模型名称：中证1000指数增强策略 - 模型构建思路：通过成分股内选股来增强指数收益 - 模型具体构建过程：选取中证1000指数成分股，基于量化因子进行选股和权重调整，优化组合以期获得超额收益 - 模型评价：该策略在一定程度上能够捕捉市场的超额收益，但也存在一定的回撤风险[6] - 模型名称：中证2000指数增强策略 - 模型构建思路：通过成分股内选股来增强指数收益 - 模型具体构建过程：选取中证2000指数成分股，基于量化因子进行选股和权重调整，优化组合以期获得超额收益 - 模型评价：该策略在一定程度上能够捕捉市场的超额收益，但也存在一定的回撤风险[6] - 模型的回测效果 - 沪深300指数增强策略，本周收益7.66%，超额为-0.83%；本年收益26.77%，超额为8.12%，超额最大回撤为-3.05%[6] - 中证500指数增强策略，本周收益9.85%，超额收益为-0.56%；本年收益15.29%，超额收益为9.12%，超额收益最大回撤为-2.22%[6] - 中证1000指数增强策略，本周收益10.7%，超额为-0.45%；本年收益7.65%，超额为10.14%，超额最大回撤为-2.36%[6] - 中证2000指数增强策略，本周收益10.33%，超额为-0.75%；本年收益0.88%，超额为10.7%，超额最大回撤为-1.54%[6] - 量化因子与构建方式 - 因子名称：5日交易金额/波动率 - 因子的构建思路：通过交易金额和波动率的比值来衡量市场活跃度 - 因子具体构建过程：计算过去5日的交易金额与波动率的比值，公式为 $ \frac{交易金额}{波动率} $ - 因子评价：该因子能够较好地反映市场的短期活跃度[5] - 因子名称：分析师覆盖度 - 因子的构建思路：通过分析师覆盖的广度来衡量股票的市场关注度 - 因子具体构建过程：统计每只股票被分析师覆盖的数量 - 因子评价：该因子能够较好地反映市场对股票的关注度[5] - 因子名称：分析师预测营收增长率-FY3 - 因子的构建思路：通过分析师对未来三年营收增长的预测来衡量股票的成长性 - 因子具体构建过程：收集分析师对未来三年营收增长的预测数据 - 因子评价：该因子能够较好地反映股票的成长预期[5] - 因子名称：分析师预测ROE-FY3的120变动 - 因子的构建思路：通过分析师对未来三年ROE的预测变化来衡量股票的盈利能力 - 因子具体构建过程：收集分析师对未来三年ROE的预测数据，并计算120日内的变化 - 因子评价：该因子能够较好地反映股票的盈利预期[5] - 因子名称：分析师预测SP20日变化 - 因子的构建思路：通过分析师对未来20日SP的预测变化来衡量股票的短期表现 - 因子具体构建过程：收集分析师对未来20日SP的预测数据，并计算变化 - 因子评价：该因子能够较好地反映股票的短期表现预期[5] - 因子的回测效果 - 沪深300内较好的因子是5日交易金额/波动率、分析师覆盖度、分析师预测营收增长率-FY3[5] - 中证500内较好的因子是分析师预测营收增长率-FY3、分析师预测SP20日变化、5日交易金额/波动率[5] - 中证1000内较好的因子是分析师预测营收增长率-FY3、分析师预测ROE-FY3的120变动、分析师预测营收FY3的120日变动[5] - 中证2000内较好的因子是分析师覆盖度、5日交易金额/波动率、分析师预测营收FY3的120日变动[5] - 中证全指内较好的因子是分析师预测营收增长率-FY3、分析师预测ROE-FY3、5日交易金额/波动率[5]

内容中没有涉及到量化模型或因子的具体构建、测试结果等信息，因此无法提供相关总结