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]

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]

新产品和新技术研发 - JPMorgan上周发行了基本面量化系列产品，包括大中小盘三只产品，采用复杂的量化方法处理基本面数据并进行选股[3] 市场趋势 - 美国股票ETF流入略有减少，债券ETF流入仍然较多，大盘宽基ETF仍以流入为主，小盘产品有所流出[4] - 地产相关产品近期表现较好，受降息预期影响，近一年板块产品涨幅普遍在10%以上，今年以来收益多数也超过3%[5] 未来展望 - 美国国内股票基金在7月24日至7月31日当周流出177亿美元，年内合计流出近3000亿美元[29] 其他新策略 - 2024年6月美国非货币公募基金总量为21万亿美元，较2024年5月增加0.29万亿[29]

量化模型与构建方式 1. 模型名称：EPFR基金流向模型 - **模型构建思路**：通过跟踪全球基金流向数据，分析资金流动对市场的影响，特别是新兴市场国家层面的资金流动[10][57] - **模型具体构建过程**： 1. 数据来源：EPFR基金流向数据库，包含资产类别聚合、基金组别、投资经理、单个基金和份额类别等数据[10] 2. 数据类型：包括基金流入流出金额、基金的地区和板块配置、国家和行业的资金流动等[47][48][49] 3. 数据频率：日度、周度、月度[67] 4. 数据处理：将基金流向数据与市场表现数据结合，构建多因素股权配置模型，利用动量信号进行市场择时和资产配置[58][59] - **模型评价**：该模型通过全球基金流向数据提供了市场拐点的额外洞察，特别是在新兴市场国家层面，具有较高的前瞻性[57][58] 模型的回测效果 1. EPFR基金流向模型 - **信息比率（IR）**：未提供具体数值 - **年化收益率**：未提供具体数值 - **最大回撤**：未提供具体数值 量化因子与构建方式 1. 因子名称：动量因子 - **因子的构建思路**：通过分析国家和行业的资金流动，利用资金流动的相对强度作为动量信号，帮助投资者决定何时进入或退出市场[59] - **因子具体构建过程**： 1. 数据来源：EPFR基金流向数据，包含国家和行业的资金流动数据[50][51][52] 2. 数据处理：计算资金流动的相对强度，对比热门国家/行业与不受欢迎国家/行业的资金流动[59] 3. 动量信号：将资金流动的相对强度作为动量信号，结合多因素股权配置模型进行市场择时[58][59] - **因子评价**：该因子通过资金流动的相对强度提供了市场方向的领先指标，具有较高的实用性和前瞻性[59] 因子的回测效果 1. 动量因子 - **信息比率（IR）**：未提供具体数值 - **年化收益率**：未提供具体数值 - **最大回撤**：未提供具体数值

qqqqqqqqqqqqqqqqqqq 金融工程组 分析师： 高智威（执业 S1130522110003）联系人： 聂博洋 gaozhiw@gizq.com.cn 从整体表现来看，上周四大期指全线收跌，中证 1000 期指跌幅最大，幅度为-2.31%，上证 50 期指跌幅最小，幅度 为-1.33%。上周四大期指主力合约除 IM 以外贴水幅度均加深，四大期指依然全为贴水状态。 本周周五为 2408 股指 期货合约交割日。全部合约角度看，较上上周而言，四大期指当月、下月、当季和下季合约的平均成交量均上升， 其中 IH 上升幅度最大，为 15.46%，IC 上升幅度最小，为 2.15%。四大期指上周五的合计持仓量均下降，其中 IH 下 降幅度最大，为-5.35%。 基差水平方面，截至上周五收盘，IF、IC、IM 和 IH 当季合约的年化基差率分别为-1.65%、-6.15%、-10.74%和- 0.72%，较上上周最后一个交易日，四大期指贴水幅度均有所加深。跨期价差方面，截至上周五收盘，IF、IC、IM 和 IH 当月合约与下月合约的跨期价差率分别处在 2019 年以来的 65.20%、60.30%、96.90%和 ...

大 类 资 产 配 置 大类资产配置 /[Table_Date] 2024.08.12 主 动 资 产 配 置 周 报 证 券 研 究 报 告 风暴之后：资产定价重归基本维度主线 [Table_Authors] 王子翌(分析师) 021-38038293 wangziyi027313@gtjas.com 登记编号 S0880523050004 ——大类资产配置周度点评（20240812） 本报告导读： 我们维持此前的战术性大类资产配置观点。上周，基于主动观点的境内主动资产配 置组合收益率为-0.61%，基准指数收益率为-1.09%，超额收益率为 0.48%；基于主 动观点的全球主动资产配置组合收益率为-0.44%，基准指数收益率为 0.08%，超额 收益率为-0.52%。 投资要点： [Table_Summary] 我们对于国债仍维持超配观点，利率中枢下行的趋势与确定性较 强，短期利率的波动虽然放大，但调整后债券配置的性价比将进一 步提升。一方面，央行多次提醒长端利率风险并进行严格监管，旨 在控制过分投机交易导致的风险，而非盲目地抬升市场利率，在整 体宏观经济修复斜率偏平缓的态势下，央行的一项重要工作任务仍 ...

- 2024年8月12日，三大指数窄幅整理，市场量能萎缩[2][10] - 上证指数下跌0.14%，深证成指下跌0.24%，创业板指下跌0.20%[2][10] - 市场成交额4986.57亿元，较上一交易日减少672.68亿元[2][10] - 全市场1510只个股上涨，3647只个股下跌[2][10] - 风格上，稳定、周期、金融和成长风格都出现下跌，消费风格有所上涨[2][15] - 基金重仓股指数表现优于基金非重仓股，成长股表现劣于价值股[2][15] - 分行业看，医药、煤炭、农林牧渔表现相对靠前，房地产、消费者服务、商贸零售表现相对靠后[2][15] - 概念板块方面，多数概念板块下跌，新冠特效药、新冠肺炎检测、体外诊断等大幅上涨，射频及天线、城中村改造、房地产精选等大幅走低[2][15] - 资金筹码方面，主力资金8月12日净流出162.80亿元，其中超大单净流出59.80亿元，大单净流出103.00亿元，中单资金净流出2.48亿元，小单持续净流入165.28亿元[2][17] - 北向资金8月12日净流出7.73亿元，其中沪股通当日净流出2.89亿元，深股通当日净流出4.84亿元[2][17] - 南向资金8月12日净流入43.46亿港元，其中沪市港股通当日净流入26.91亿港元，深市港股通当日净流入16.55亿港元[2][17] - 8月12日，上证50、沪深300、中证500以及中证1000等ETF成交额较上一交易日减少[3][20] - 主要宽基ETF资金流向显示资金主要流入创业板指ETF，流入金额为3.00亿元[3][20] - 8月9日欧洲三大股指普遍上涨，德国DAX指数上涨0.24%，英国富时100指数上涨0.28%，法国CAC40指数上涨0.31%[3][23] - 美股三大指数普遍上涨，道琼斯工业指数上涨0.13%，标普500指数上涨0.47%，纳斯达克综合指数上涨0.51%[3][23] - 8月12日，亚太主要股指收盘涨跌不一，恒生指数上涨0.13%，恒生科技指数下跌0.20%，韩国综合指数上涨1.15%，日经225指数上涨0.56%，印度SENSEX30指数下跌0.07%，澳洲标普200指数上涨0.46%[3][23]

证券研究报告 金工 公募基金和 ETF 投资者均加仓电子 2024 年 8 月 12 日│中国内地 量化投资周报 华泰研究 研究员 林晓明 SAC No. S0570516010001 SFC No. BPY421 linxiaoming@htsc.com +(86) 755 8208 0134 研究员 刘依苇 SAC No. S0570521090002 SFC No. BSU078 liuyiwei@htsc.com +(86) 755 2395 0493 研究员 张泽 SAC No. S0570524020002 SFC No. BRB322 zhangze@htsc.com +(86) 755 8249 3656 权益类基金指数小幅下跌，医药基金上涨，中长期债基发行份额排名靠前 近两周（2024.7.29-2024.8.9）权益类基金指数下跌，股票指数型基金指数 跌幅与普通股票型基金指数相近，QDII 基金指数跌幅超过 1%。从行业板块 基金表现来看，近两周医药板块基金上涨，金融和消费板块基金跌幅较小。 从行业配置特征来看，近两周稳定型基金表现较好，2024 年初至今均衡型 基金整体表现优于集中型基金 ...

证券研究报告 金工视角 | --- | --- | --- | --- | --- | --- | |--------------------------------------------------------------------------------------------------------------------------|-------------------------------------------------------------------------------------------|----------------------------------------------------------------------------------------------|------------------------------------|-------------------------------------------------------------------------------|-------| | | | | | | | | | | | 全球风 ...

量化模型与构建方式 右侧行业景气趋势模型 - **模型名称**：右侧行业景气趋势模型 - **模型构建思路**：选取景气高、趋势强和拥挤度不高的行业[14] - **模型具体构建过程**： 1. 选取景气高、趋势强和拥挤度不高的行业 2. 通过景气度、趋势和拥挤度三个维度进行打分 3. 根据打分结果进行行业配置[14][16] - **模型评价**：表现稳健，样本外表现优异[14][17] 左侧库存景气反转模型 - **模型名称**：左侧库存景气反转模型 - **模型构建思路**：选取当前困境或者过去困境有所反弹的行业中，长期景气有望改善的行业[51] - **模型具体构建过程**： 1. 剔除库存和资本开支历史分位数>80%、毛利率和自由现金流占比历史分位数<20%的行业 2. 对持仓行业的库存压力和补库条件进行考量 3. 规避掉库存压力较大和不具备补库条件的行业[51] - **模型评价**：困境反转策略表现不错[51] PB-ROE选股模型 - **模型名称**：PB-ROE选股模型 - **模型构建思路**：根据行业配置模型确定行业权重，然后根据PB-ROE模型选取行业内估值性价比高的股票[16] - **模型具体构建过程**： 1. 根据行业配置模型确定行业权重 2. 根据PB-ROE模型选取行业内估值性价比高的股票（前40%） 3. 按流通市值和PB-ROE打分加权[16][376] - **模型评价**：样本外表现十分优异[376] 模型的回测效果 - **右侧行业景气趋势模型**： - 绝对收益：0.0%[14] - 相对wind全A指数超额：7.7%[14] - 样本外年化超额收益：超过10%[17] - 2022年相对wind全A指数超额：10.2%[17] - 2023年相对wind全A指数超额：10.4%[17] - 2024年截止7月底相对wind全A指数超额：13.3%[17] - **左侧库存景气反转模型**： - 绝对收益：-3.4%[51] - 相对行业等权超额：9.6%[51] - **PB-ROE选股模型**： - 绝对收益：5.5%[17] - 相对wind全A指数超额：13.3%[17] - 样本外年化超额收益：22.9%[376] - 2022年策略超额：10.2%[376] - 2023年策略超额：10.4%[376] - 2024年截止7月底策略绝对收益：5.5%[376] - 2024年截止7月底策略相对wind全A指数超额：13.2%[376]