Content: --------- <doc id='1'>i Research 艾 ▲█▲▲ Beneunder 轻量化户外行业白皮书 ©2023.3 iResearch Inc.</doc> <doc id='2'>调研样本说明 在线调研： 针对适宜户外运动的成年人群 调查对象 调研样本说明：采取用户座谈会&专家深访&在线调研相结合的研究方式 1. 年龄20岁至60岁 2. 适宜参加户外运动的成年人，包括现有户外运动参与人群和 户外运动的潜在人群 3. 符合市场调研基本条件</doc> <doc id='3'>| --- | --- | --- | |--------------|----------|-------| | | | | | 问卷投放区域 | 全国覆盖 | | | 问卷投放时间 | 2023.01 | | | 样本总量 | 3685 | | 用户座谈会： 针对过去一段时间有过户外用品消费的户外运动人群 专家深访： 针对户外运动&用品方向的业内专家 来源：艾瑞消费研究院自主研究及绘制。 ©2023.3 iResearch Inc. www.iresearch.com.cn 2</doc> <doc id='4'>户外运动（广义） 指的是泛化的，所有在户外进行的运动类型，包括但不限于登山、骑行、徒步、越野跑、飞盘、露营等 轻型户外运动 与硬核户外运动相对，指的是运动强度偏中/低、运动专业度较低、入门门槛较低的运动类型，比如跑步、 骑行、飞盘、露营、腰旗橄榄球等</doc> <doc id='5'>硬核户外运动 指的是相对传统的户外运动，此类运动的入门门槛较高、对专业度有一定的要求、对运动装备的要求也 相对较高，如攀岩、滑雪、跳伞、登山等 户外人群 硬核户外人群 当前日常参与户外活动且只参与硬核户外的人群</doc> <doc id='6'>轻量化户外潜力人群 当前日常不参与户外运动，但未来对参与轻量化/轻型运动表现出极高意愿的人群 非户外人群 非轻量化户外潜力人群 当前日常不参与户外运动，未来也不想参与户外运动，或只想参与硬核户外的人群</doc> <doc id='7'>指标说明 名词释义 人群划分 轻量化户外人群 当前日常有参与轻量化/轻型户外运动经历的人群</doc> <doc id='8'>来源：艾瑞消费研究院自主研究及绘制。 ©2023.3 iResearch Inc. www.iresearch.com.cn 3</doc> <doc id='9'>i Research 艾 瑞 轻量化户外的产生与发展 1 | --- | --- | |------------------------|-------| | | | | 轻量化户外人群画像描绘 | 2 | | | | | 轻量化户外消费需求深挖 | 3 | | | | | 轻量化户外新趋势发现 | 4 | 4</doc> <doc id='10'>中国户外行业发展史 户外运动正在从硬核的小众爱好向轻型的全民化运动发展 1 Research 户外运动从90年代初入中国，引入伊始，户外运动以专业系数较高的运动类型为主，且对场地、装备、运动技巧等均有 较高要求。因此，彼时的户外运动只属于小众群体和圈层。近年来，随着户外运动类型的丰富，以及国人运动意识的增强， 户外运动的概念逐渐被泛化，户外运动也逐渐呈现出偏轻型的特点。随着疫情的开放，一股全民轻型运动潮也即将掀起。</doc> <doc id='11'>中国户外运动行业发展进程 1995 1998 2000 2013 2020 2023 未来3-5年 户外1.0 欧美舶来期 户外2.0 小众文化圈层期 户外3.0 大众文化推广期 户外4.0 全民轻型运动浪潮期 品类单一，危险系数 户外运动品类趋于丰富，新增骑行、 户外运动全面开花，露营、飞盘、路 更加细分、更加大众化、 运动 | --- | --- | --- | --- | --- | |-------------|--------------------------------------------------------|-----------------------------------------------------------------------------|--------------------------------------------------------------------------------|-----------------------------------------------------------------------| | 种类 | 高 ，以登山、攀岩和 滑雪等硬核运动为主 | 漂流、野外生存、越野跑等危险系数 中等的运动 | 冲、溯溪等 互动性更强、且对装备的 专业性要求相对较低的运动变得火爆 | 娱乐性和互动性会更强、 运动门槛和难度也会更低 | | 品牌 / 厂商 | 国内市场被国外专业 品牌占领 | 一些国内传统品牌加入市场 | 一些国产 新兴轻型户外运动品牌进入 户外用品市场，如蕉下 | 会有更多国产品牌入局， 常服品牌也会试图进入 | | 用户 群体 | 极小众， 以高知和高 收入人群为主； 挑战 自然、征服自然 | 用户群扩大， 更多中产阶级加入队伍 ； 从征服自然逐渐转向亲近自然、 挑战 自我 | 用户群更壮大 ，女性和年轻用户数量 增长明显；大多数人更想要 亲近自然、 拥抱自然 | 女性和年轻用户会是户外 市场的一个翘板； 亲近自 然、享受和自然的"约会" | 来源：专家访谈和中国纺织品商业协会户外用品分会 ，艾瑞消费研究院自主研究及绘制。 ©2023.3 iResearch Inc. www.iresearch.com.cn 5</doc> <doc id='12'>中国户外行业发展环境 政策、市场供需、社会意识和技术革新共推轻型户外发展 Research 文　瑞　智 近年来，得益于国家层对于全民健康重视的再升级以及全面运动的大力推广，户外行业的发展正值政策红利期。而随着新 冠后，国民健康意识的觉醒，轻型的户外运动也逐渐成为更多民众的选择，轻型户外的消费需求也随之拉动。就供给侧而 言，在跟进相关户外配套场地的同时，户外用品厂商正在通过新材料、新设计为用户对轻型户外的需求提供支持。</doc> <doc id='13'>P-政策引导 政府多个部门联合印发的《户外运 动产业发展规划 （ 2022—2025 年）》明确将更多自然资源向户外 运动用户开放。国务院印发的《全 民健身计划（2021年-2025年）》 指出到2025年将人民群众经常参 加体育锻炼人数比例提升到38.5%。</doc> <doc id='14'>S-社会意识 随着疫情的开放，以及新冠后国民 健康意识的觉醒，户外运动打卡将 成为新时尚，甚至可能成为新的社 交方式。此外，近年来，城市居民 对亲近自然、拥抱自然、享受自然 的渴望也将推动更多的人进行户外 运动。</doc> <doc id='15'>E-供需递增 户外运动市场的扩张是供需两侧共同 作用的结果。需求侧：根据2022年 天猫双11的数据，户外用品的GMV 高达40-50亿元。供给侧：国产品牌 的崛起以及多种售卖形式让户外用品 市场百花齐放，为消费者提供更多的 可选择性。</doc> <doc id='16'>T-技术革新 当前市场上有越来越多的品牌将特殊 材料、黑科技、人体工学设计等融入 到户外用品中，可以满足用户对户外 运动的功能性需求。另外，还有些根 植于轻量化户外的品牌，如蕉下等， 正在致力于提升防护科技及美学设计， 打破户外与日常生活的边界性，提升 户外装备的跨场景通用性。 来源：公开资料、国务院网站，艾瑞消费研究院

量化模型与构建方式 1. 模型名称：国内资产BL模型1 - **模型构建思路**：BL模型是对传统均值-方差模型的改进，采用贝叶斯理论将主观观点与量化配置模型结合，通过投资者对市场的分析预测资产收益，优化资产配置权重[9] - **模型具体构建过程**：在沪深300、恒生指数、标普500、中债-国债总财富指数、中债-企业债总财富指数与南华商品指数的基础上搭建了两种针对全球资产的BL配置模型，同时针对国内的股票、债券、转债、商品和黄金选取沪深300、中证1000、恒生指数、中债-国债总财富指数、中债-企业债总财富指数、中证转债、南华商品指数和SHFE作为投资标的，构建了两种国内资产BL配置策略[9] - **模型评价**：BL模型有效地解决了均值-方差模型对于预期收益敏感的问题，同时相较纯主观投资具有更高的容错性，为投资者持续提供高效的资产配置方案[9] 2. 模型名称：国内资产BL模型2 - **模型构建思路**：同国内资产BL模型1[9] - **模型具体构建过程**：同国内资产BL模型1[9] - **模型评价**：同国内资产BL模型1[9] 3. 模型名称：全球资产BL模型1 - **模型构建思路**：同国内资产BL模型1[9] - **模型具体构建过程**：同国内资产BL模型1[9] - **模型评价**：同国内资产BL模型1[9] 4. 模型名称：全球资产BL模型2 - **模型构建思路**：同国内资产BL模型1[9] - **模型具体构建过程**：同国内资产BL模型1[9] - **模型评价**：同国内资产BL模型1[9] 5. 模型名称：国内资产风险平价模型 - **模型构建思路**：风险平价模型是对均值-方差模型的改进，其核心思想是将投资组合的整体风险分摊到每类资产中，使得每类资产对投资组合整体风险的贡献相等[11] - **模型具体构建过程**：分三步构建：第一步，选择合适的底层资产；第二步，计算资产对组合的风险贡献；第三步，求解优化问题计算持仓权重。基于沪深300指数、标普500指数、恒生指数、中债-企业债总财富指数、南华商品指数和COMEX黄金构建了全球资产风险平价模型，同时针对国内的股票、债券、转债、商品和黄金选取沪深300、中证1000、恒生指数、中债-国债总财富指数、中债-企业债总财富指数、中证转债、南华商品指数和SHFE作为投资标的，构建了国内资产风险平价策略[11] - **模型评价**：风险平价模型通过分摊风险，能够在经济周期的不同阶段获得稳定收益[11] 6. 模型名称：全球资产风险平价模型 - **模型构建思路**：同国内资产风险平价模型[11] - **模型具体构建过程**：同国内资产风险平价模型[11] - **模型评价**：同国内资产风险平价模型[11] 7. 模型名称：基于宏观因子的资产配置模型 - **模型构建思路**：构造涵盖增长、通胀、利率、信用、汇率和流动性六大风险的宏观因子体系，并基于此提出一个通用性的宏观因子资产配置框架[13] - **模型具体构建过程**：通过Factor Mimicking Portfolio方法构造高频宏观因子，并以此为基础，将8类国内资产作为资产池，按以下四步构建：第一步，每月末计算资产的因子暴露水平；第二步，以上述资产的风险平价组合作为基准，计算出基准因子暴露；第三步，根据对宏观未来一个月的判断，给定主观因子偏离值，结合基准因子暴露，得到资产组合的因子暴露目标；第四步，带入模型反解得到下个月的各个资产配置权重[13] - **模型评价**：该模型建立了宏观研究与资产配置研究的桥梁，能够将宏观的主观观点进行资产层面的落地[13] 模型的回测效果 国内资产BL模型1 - **本周收益**：0.47%[7] - **9月份收益**：1.10%[7] - **2024年收益**：6.48%[7] - **年化波动**：1.70%[7] - **夏普比率**：5.36[7] - **半玛比率**：11.66[7] 国内资产BL模型2 - **本周收益**：0.28%[7] - **9月份收益**：0.79%[7] - **2024年收益**：5.70%[7] - **年化波动**：1.47%[7] - **夏普比率**：5.44[7] - **半玛比率**：12.27[7] 全球资产BL模型1 - **本周收益**：0.29%[7] - **9月份收益**：1.05%[7] - **2024年收益**：6.93%[7] - **年化波动**：1.96%[7] - **夏普比率**：4.97[7] - **半玛比率**：10.21[7] 全球资产BL模型2 - **本周收益**：0.32%[7] - **9月份收益**：0.84%[7] - **2024年收益**：5.82%[7] - **年化波动**：1.49%[7] - **夏普比率**：5.50[7] - **半玛比率**：12.76[7] 国内资产风险平价模型 - **本周收益**：0.24%[7] - **9月份收益**：0.32%[7] - **2024年收益**：4.71%[7] - **年化波动**：1.15%[7] - **夏普比率**：5.73[7] - **半玛比率**：18.05[7] 全球资产风险平价模型 - **本周收益**：0.20%[7] - **9月份收益**：0.13%[7] - **2024年收益**：5.11%[7] - **年化波动**：1.03%[7] - **夏普比率**：6.97[7] - **半玛比率**：22.86[7] 基于宏观因子的资产配置模型 - **本周收益**：0.25%[17] - **9月份收益**：0.32%[17] - **2024年收益**：4.14%[17] - **年化波动**：1.24%[17] - **最大回撤**：0.45%[17]

量化模型与构建方式 1. 模型名称：超跌反弹信号 - **模型构建思路**：通过识别市场中超跌的股票，捕捉其反弹机会[11] - **模型具体构建过程**： - 选取样本内数据（2017年至2024年）进行回测 - 计算超跌反弹信号出现后的持有表现，包括后5日和后10日的平均收益率、持有胜率和盈亏比等指标[11][12] - **模型评价**：该模型在识别超跌反弹机会方面表现较好，具有较高的胜率和盈亏比[12] 2. 模型名称：平台突破信号 - **模型构建思路**：通过识别股票价格突破平台的信号，捕捉其上涨机会[13] - **模型具体构建过程**： - 选取样本内数据（2017年至2024年）进行回测 - 计算平台突破信号出现后的持有表现，包括后5日和后10日的平均收益率、持有胜率和盈亏比等指标[13][14] - **模型评价**：该模型在识别平台突破机会方面表现较好，具有较高的胜率和盈亏比[14] 模型的回测效果 1. 超跌反弹信号 - **后5日平均收益率**：4.56%[12] - **持有5日胜率**：71%[12] - **盈亏比**：1.87[12] - **后10日平均收益率**：7.2296%[12] - **持有10日胜率**：62%[12] - **盈亏比**：1.66[12] - **平均持有交易日**：5.2[12] - **平均持有收益**：6.30%[12] - **胜率**：76%[12] - **盈亏比**：2.3[12] 2. 平台突破信号 - **后5日平均收益率**：3.30%[14] - **持有5日胜率**：62%[14] - **盈亏比**：1.45[14] - **后10日平均收益率**：5.10%[14] - **持有10日胜率**：61%[14] - **盈亏比**：1.70[14] - **平均持有交易日**：9[14] - **平均持有收益**：6.7796%[14] - **胜率**：60%[14] - **盈亏比**：2.15[14] 量化因子与构建方式 1. 因子名称：流通股本收益率 - **因子的构建思路**：通过衡量各行业的流通股本收益率，评估投资者的平均赚钱效应[7] - **因子具体构建过程**： - 计算各行业的流通股本收益率 - 统计各行业的历史分位数，评估当前收益率在历史中的位置[8] - **因子评价**：该因子能够有效反映各行业的赚钱效应，具有较高的参考价值[7][8] 2. 因子名称：获利盘比率 - **因子的构建思路**：通过计算各行业的获利盘比率，评估市场中获利盘的分布情况[10] - **因子具体构建过程**： - 计算各行业的获利盘比率 - 统计各行业的获利盘比率，评估其在市场中的分布情况[10] - **因子评价**：该因子能够有效反映市场中获利盘的分布情况，具有较高的参考价值[10] 因子的回测效果 1. 流通股本收益率 - **银行板块**：72%分位水平[7] - **家电板块**：69%分位水平[8] - **非银行金融板块**：75%分位水平[8] 2. 获利盘比率 - **银行板块**：最高水平[10] - **家电板块**：较高水平[10] - **非银行金融板块**：较高水平[10]

2024 年 9 月 22 日 总量研究 短线反弹存压 ——金融工程市场跟踪周报 $$2 0 2 4 0 9 2 2$$ 要点 本周市场核心观点与市场复盘： 本周（2024.09.18-2024.09.20，下同）市场实现 V 型反转，沪深 300 领涨主要 宽基指数。量能表现方面，主要宽基指数量能皆有修复，大盘宽基提升速度明显 好于中小盘指数，截至 9 月 20 日，上证 50、沪深 300 指数量能择时发出看多 信号，其它宽基指数量能择时为谨慎信号。ETF 资金流向来看，大盘宽基仍相对 占优。从本周反弹来看，宽基之间表现分化，创业板指当前表现较弱，后市表现 仍有隐忧。 本次反弹伴随量能同步修复，但尚未实现量能在宽基指数中的全面改善。且随着 反弹力度减弱，量能亦有再度收缩的变化，后续反弹仍存压力。我们在近期观点 中强调：底部区间，对市场的观察或需要弱化价格变化，重视对量能的观察—— 量能持续提升或是市场持续反弹的重要判断变量。后市谨防量能再度收缩带来的 回调风险。风格上或呈现价值与成长高速轮动的格局。 本周市场迎来反弹。上证综指上涨 1.21%，上证 50 上涨 1.24%，沪深 300 上涨 1.32%， ...

量化因子与构建方式 1. **因子名称：持仓占比变动** - **因子的构建思路**：通过ETF持仓市值与股票流通市值的变化来衡量ETF资金流对股票的影响[12] - **因子具体构建过程**：计算公式为 $\Delta(\text{ETF持仓市值} / \text{股票流通市值})$，其中$\Delta$表示变化量[14] - **因子评价**：持仓占比变动因子在不同回看参数下普遍具有负向选股能力，且中性化前后因子选股能力差距较小[16] 2. **因子名称：资金流入** - **因子的构建思路**：通过ETF每日的规模变动来计算资金流入量[11] - **因子具体构建过程**：计算公式为 $\sum (\text{日度ETF资金流入})$，其中$\sum$表示求和[14] - **因子评价**：资金流入因子在不同回看参数下普遍为负，表明前期ETF资金流入越多，股票预期收益反而越低[16] 3. **因子名称：资金流入/市值** - **因子的构建思路**：通过资金流入与股票流通市值的比值来衡量资金流入对股票的影响[11] - **因子具体构建过程**：计算公式为 $\text{资金流入} / \text{股票流通市值}$[14] - **因子评价**：资金流入/市值因子在不同回看参数下普遍为负，且中性化前后因子选股能力差距较小[16] 4. **因子名称：资金流入/成交额** - **因子的构建思路**：通过资金流入与股票日均成交额的比值来衡量资金流入对股票的影响[11] - **因子具体构建过程**：计算公式为 $\text{资金流入} / \text{股票日均成交额}$[14] - **因子评价**：资金流入/成交额因子在不同回看参数下普遍为负，且中性化前后因子选股能力差距较小[16] 5. **因子名称：资金流入/持仓市值** - **因子的构建思路**：通过资金流入与ETF持仓市值的比值来衡量资金流入对股票的影响[11] - **因子具体构建过程**：计算公式为 $\text{资金流入} / \text{ETF持仓市值}$[14] - **因子评价**：资金流入/持仓市值因子在不同回看参数下普遍为负，且中性化前后因子选股能力差距较小[16] 因子的回测效果 1. **持仓占比变动因子** - **5日回看参数**：RankICIR = -0.62[17] - **10日回看参数**：RankICIR = -0.94[17] - **20日回看参数**：RankICIR = -1.32[17] - **40日回看参数**：RankICIR = -0.53[17] - **60日回看参数**：RankICIR = -0.67[17] 2. **资金流入因子** - **5日回看参数**：RankICIR = -1.06[17] - **10日回看参数**：RankICIR = -1.23[17] - **20日回看参数**：RankICIR = -1.12[17] - **40日回看参数**：RankICIR = -0.72[17] - **60日回看参数**：RankICIR = -0.74[17] 3. **资金流入/市值因子** - **5日回看参数**：RankICIR = -1.19[17] - **10日回看参数**：RankICIR = -1.26[17] - **20日回看参数**：RankICIR = -1.18[17] - **40日回看参数**：RankICIR = -0.62[17] - **60日回看参数**：RankICIR = -0.63[17] 4. **资金流入/成交额因子** - **5日回看参数**：RankICIR = -0.61[17] - **10日回看参数**：RankICIR = -1.01[17] - **20日回看参数**：RankICIR = -0.94[17] - **40日回看参数**：RankICIR = -0.56[17] - **60日回看参数**：RankICIR = -0.48[17] 5. **资金流入/持仓市值因子** - **5日回看参数**：RankICIR = -1.56[17] - **10日回看参数**：RankICIR = -0.94[17] - **20日回看参数**：RankICIR = -0.51[17] - **40日回看参数**：RankICIR = -0.14[17] - **60日回看参数**：RankICIR = 0.43[17]

量化模型与构建方式 1. 全天候择时模型 - **模型名称**：全天候择时模型 - **模型构建思路**：基于多个宽基指数的小级别底背离迹象，发出市场看多信号[2][7] - **模型具体构建过程**： 1. 收集多个宽基指数的数据 2. 计算各指数的底背离情况 3. 综合各指数的底背离信号，判断市场趋势 - **模型评价**：该模型主要依赖技术面信号，适用于短期市场趋势的判断，但在缺乏基本面支撑的情况下，信号的可靠性可能有限[2][7] 2. 四轮驱动行业轮动模型 - **模型名称**：四轮驱动行业轮动模型 - **模型构建思路**：通过分析银行、煤炭、交通运输、石油石化、建筑装饰等大盘价值或低位红利板块的表现，建议投资者关注这些板块[2][7] - **模型具体构建过程**： 1. 选择银行、煤炭、交通运输、石油石化、建筑装饰等行业作为研究对象 2. 分析各行业的市场表现和基本面情况 3. 根据分析结果，建议投资者关注表现较好的行业 - **模型评价**：该模型通过多行业的综合分析，提供了较为全面的投资建议，适用于中长期投资决策[2][7] 模型的回测效果 全天候择时模型 - **指标值**：未提供具体指标值 四轮驱动行业轮动模型 - **指标值**：未提供具体指标值

量化模型与构建方式 1. 神经网络和因果推断在利率择时中的尝试 - **模型名称**：因果推断模型和LSTM神经网络 - **模型构建思路**：利用因果推断模型对10年期国债收益率进行归因分析，并使用LSTM神经网络预测10年期国债收益率走势[5][50] - **模型具体构建过程**： - **因果推断模型**： 1. 数据准备：收集122个自变量和10年期国债收益率数据 2. 建立因果模型：使用微软的DoWhy库 3. 识别因果效应：构建因果图 4. 估计因果效应：使用线性回归方法 5. 验证和诊断：检查模型的鲁棒性[52][53][54] - **LSTM神经网络**： 1. 数据标准化：使用Min-Max-Scale方法对124个自变量进行标准化 2. 构建神经网络：每层有124个特征值，512个隐藏层，共4层网络 3. 输入序列：连续的60天数据 4. 数据集划分：训练集、测试集、验证集分别为70%、20%、10% 5. 训练模型：总共训练2000轮，训练损失在第100次之后开始收敛[55][56][57][58] - **模型评价**：因果推断模型能够找到影响10年期国债收益率的关键因素，LSTM神经网络预测结果与实际走势相似，但绝对值差距仍有20BP左右，实战效果可能略有不佳[5][50][55] 2. 转债"双低策略"的回炉重造 - **模型名称**：改良的转债多因子模型 - **模型构建思路**：基于传统双低策略，改良并构建更优的转债多因子模型，核心是利用中性化、标准化后的股性因子和平价溢价率因子进行择券[6][60] - **模型具体构建过程**： 1. 将绝对价格改为YTM指标，与平价溢价率匹配为"债性"与"股性"指标 2. 对YTM和平价溢价率进行中性化处理 - 使用到期赎回价、到期期限、正股股价、信用评级对YTM作中性化，得到YTM_neu - 使用平价、规模、行业、信用评级对平价溢价率作中性化，得到Convprem_neu 3. 对中性化后的YTM_neu和Convprem_neu进行Z-Score标准化 4. 将中性化后的股性与债性指标相加，得到新因子 5. 以月度为单位，在每个调仓日选择股债性因子最低的20支进行回测[60][61] - **模型评价**：改进后的策略表现远超传统双低策略，在2024年的转债弱市中获得正回报，但仍存在最大回撤明显、信用风险控制不足等问题[6][60][62] 模型的回测效果 1. 因果推断模型 - **因果性分析结果**： - 全部时期：隐含税率、存款准备金率、核心CPI、短期资金面因素对10年期国债收益率有较强因果性 - 利率震荡期：短期资金面因素影响增强，国债利差、同业存单和保险买债影响增强 - 利率先下后上期：黄金影响增强，银行质押回购等因素影响增强 - 新旧动能切换期：M1同比和机构买债影响上升 - 利率持续下行期：通回购、利差影响增强[53][54] 2. LSTM神经网络 - **预测结果**： - 训练损失在第100次之后开始收敛，在第1500次左右基本稳定在0.20%左右 - 预测结果与实际10年期国债收益率走势相似，但绝对值差距仍有20BP左右[58][59] 3. 改良的转债多因子模型 - **回测结果**： - 改进后的策略表现远超传统双低策略，在2024年的转债弱市中获得正回报 - 股债性均衡策略的表现优于万得转债双低指数[62]

2024 年 9 月 21 日 总量研究 市场流动性因子与盈利因子表现占优 ——量化组合跟踪周报 20240921 要点 量化市场跟踪 大类因子表现：本周（2024.09.18-2024.09.20，下同）流动性因子和盈利因子 取得明显正收益（0.34%和 0.33%）；成长因子和残差波动率因子取得明显负收 益（-0.17%和-0.17%），其余因子表现一般。 单因子表现：沪深 300 股票池中，表现较好的因子有下行波动率占比(1.45%)、 市盈率 TTM 倒数(1.40%)、换手率相对波动率(1.24%)。表现较差的因子有毛利 率 TTM(-0.91%)、总资产增长率(-1.13%)、对数市值因子(-1.53%)。 中证 500 股票池中，本周表现较好的因子有成交量的 5 日指数移动平均(1.47%)、 市销率 TTM 倒数(0.96%)、下行波动率占比(0.94%)，表现较差的因子有单季度 营业收入同比增长率(-1.10%)、对数市值因子(-1.11%)、单季度营业利润同比增 长率(-1.40%)。 流动性 1500 股票池中，本周表现较好的因子有市盈率 TTM 倒数(1.35%)、下行 波动率占比(1 ...

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**：通过统计股票在盘中和收盘时的涨停情况，计算封板率和连板率，以反映市场情绪和股票的强势程度[10] - **模型具体构建过程**： - **封板率**的计算公式为： $$ 封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数} $$ - **连板率**的计算公式为： $$ 连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数} $$ - 统计上市满3个月以上的股票在盘中的实时涨跌停家数，计算封板率和连板率[10] - **模型评价**：封板率和连板率能够有效反映市场情绪和股票的强势程度，具有较高的市场参考价值[10] 模型的回测效果 - **封板率与连板率模型** - 封板率：81%[10] - 连板率：23%[10] 量化因子与构建方式 因子名称：股指期货年化贴水率因子 - **因子的构建思路**：通过计算股指期货与现货指数价格的基差，得出年化贴水率，以反映市场对于未来预期的表现[18] - **因子具体构建过程**： - **年化贴水率**的计算公式为： $$ 年化贴水率 = \frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right) $$ - 统计上证50、沪深300、中证500和中证1000指数股指期货主力合约的年化贴水率[18] - **因子评价**：年化贴水率因子能够反映市场对于未来预期的表现，具有较高的市场参考价值[18] 因子的回测效果 - **股指期货年化贴水率因子** - 上证50股指期货主力合约年化贴水率：3.92%[18] - 沪深300股指期货主力合约年化贴水率：3.88%[18] - 中证500股指期货主力合约年化贴水率：8.74%[18] - 中证1000股指期货主力合约年化贴水率：15.22%[18]

量化因子与构建方式 动量因子 - **因子的构建思路**：动量因子通过衡量资产价格的动量效应来构建，即近期表现较好的资产在未来一段时间内仍可能表现较好[1][6] - **因子具体构建过程**：动量因子通过计算资产在过去一段时间内的收益率来构建，具体公式为： $$ \text{动量因子} = \frac{P_t - P_{t-n}}{P_{t-n}} $$ 其中，$P_t$为当前价格，$P_{t-n}$为n天前的价格[1][6] - **因子评价**：动量因子在期货市场中表现较好，具有较高的收益率[1][6] 期限结构因子 - **因子的构建思路**：期限结构因子通过衡量期货合约不同到期时间的价格差异来构建[1][7] - **因子具体构建过程**：期限结构因子通过计算近月合约和远月合约的价差来构建，具体公式为： $$ \text{期限结构因子} = \frac{P_{\text{近月}} - P_{\text{远月}}}{P_{\text{远月}}} $$ 其中，$P_{\text{近月}}$为近月合约价格，$P_{\text{远月}}$为远月合约价格[1][7] - **因子评价**：期限结构因子在期货市场中表现一般，收益率波动较大[1][7] 贝塔因子 - **因子的构建思路**：贝塔因子通过衡量资产相对于市场的系统性风险来构建[1][9] - **因子具体构建过程**：贝塔因子通过回归分析计算资产收益率与市场收益率之间的关系，具体公式为： $$ \text{贝塔因子} = \frac{\text{Cov}(R_i, R_m)}{\text{Var}(R_m)} $$ 其中，$R_i$为资产收益率，$R_m$为市场收益率[1][9] - **因子评价**：贝塔因子在期货市场中表现较差，收益率较低[1][9] 波动率因子 - **因子的构建思路**：波动率因子通过衡量资产价格的波动性来构建[1][11] - **因子具体构建过程**：波动率因子通过计算资产收益率的标准差来构建，具体公式为： $$ \text{波动率因子} = \sqrt{\frac{1}{n-1} \sum_{i=1}^{n} (R_i - \bar{R})^2} $$ 其中，$R_i$为资产收益率，$\bar{R}$为平均收益率[1][11] - **因子评价**：波动率因子在期货市场中表现一般，收益率波动较大[1][11] 偏度因子 - **因子的构建思路**：偏度因子通过衡量资产收益率分布的偏度来构建[1][13] - **因子具体构建过程**：偏度因子通过计算资产收益率的偏度来构建，具体公式为： $$ \text{偏度因子} = \frac{E[(R_i - \bar{R})^3]}{(\text{Var}(R_i))^{3/2}} $$ 其中，$R_i$为资产收益率，$\bar{R}$为平均收益率[1][13] - **因子评价**：偏度因子在期货市场中表现较好，具有一定的收益率[1][13] 持仓因子 - **因子的构建思路**：持仓因子通过衡量市场参与者的持仓情况来构建[1][15] - **因子具体构建过程**：持仓因子通过计算市场上多头和空头持仓量的差异来构建，具体公式为： $$ \text{持仓因子} = \frac{\text{多头持仓量} - \text{空头持仓量}}{\text{总持仓量}} $$ 其中，多头持仓量和空头持仓量分别为市场上多头和空头的持仓量[1][15] - **因子评价**：持仓因子在期货市场中表现一般，收益率波动较大[1][15] 因子的回测效果 - **动量因子**：近一月多空对冲收益0.79%，本周多空对冲收益0.76%[1][6] - **期限结构因子**：近一月多空对冲收益-0.18%，本周多空对冲收益-0.32%[1][7] - **贝塔因子**：近一月多空对冲收益-3.40%，本周多空对冲收益0.23%[1][9] - **波动率因子**：近一月多空对冲收益-3.33%，本周多空对冲收益-0.06%[1][11] - **偏度因子**：近一月多空对冲收益0.43%，本周多空对冲收益-0.06%[1][13] - **持仓因子**：近一月多空对冲收益-2.00%，本周多空对冲收益-0.56%[1][15]