量化模型与构建方式 1. 模型名称：随机森林选股模型[13] 模型构建思路：考虑到影响样本股受指数调整事件冲击的因素具有多维和非线性特征，采用随机森林模型来预测成分股调整结果发布后相关个股的超额收益[13] 模型具体构建过程：模型的特征选择基于被动指数基金调整持仓引发事件冲击的逻辑，主要从四个维度选取特征值[13]： * 被动资金持有规模变动 * 股票交易流动性 * 公司市值规模 * 股票价格趋势 使用这些特征训练随机森林模型，以预测公告日后个股的超额收益 模型的回测效果 1. 随机森林选股模型（样本外，2020年12月至2025年6月）[17][24] * 在剔除样本股中，模型能有效区分股票受事件影响的程度，分组收益差距在公告日后约20个交易日（接近指数调整实施日）变得显著[24] 量化因子与构建方式 1. 因子名称：纳入效应因子[14][17] 因子构建思路：捕捉股票被纳入指数后，因被动资金调仓带来的短期正向价格冲击[14][17] 因子具体构建过程：计算股票在指数调整公告日后特定窗口内的超额收益。例如，公告日后10日内的超额收益（相对于其新纳入的指数）[17] 因子评价：在样本外期间，纳入效应仍然存在，但剔除效应减弱[17][24] 2. 因子名称：剔除效应因子[14][24] 因子构建思路：捕捉股票被剔除指数后，可能面临的短期负向价格冲击[14][24] 因子具体构建过程：计算股票在指数调整公告日后特定窗口内的超额收益。例如，公告日后15日内的超额收益（相对于其被剔除的指数）[14][24] 因子评价：在近期的样本外检验中，剔除效应已不显著[24] 因子的回测效果 1. 纳入效应因子（样本外，2020年12月至2025年6月）[17][23] * T+10超额收益：纳入沪深300股票平均为2.53%（2024年12月为2.31%）；纳入中证500股票平均为1.01%（2025年6月为1.32%）[17][23] * T+20超额收益：纳入沪深300股票平均为0.91%；纳入中证500股票平均为0.65%[23] * T+30超额收益：纳入沪深300股票平均为0.74%；纳入中证500股票平均为0.57%[23] * T+40超额收益：纳入沪深300股票平均为0.24%；纳入中证500股票平均为-0.29%[23] * T+50超额收益：纳入沪深300股票平均为-1.02%；纳入中证500股票平均为-0.64%[23] * T+60超额收益：纳入沪深300股票平均为-0.31%；纳入中证500股票平均为-0.50%[23] 2. 剔除效应因子（样本外，2020年12月至2025年6月）[24][31] * T+10超额收益：剔除沪深300股票平均为-0.25%；剔除中证500股票平均为-0.11%[31] * T+20超额收益：剔除沪深300股票平均为-0.99%；剔除中证500股票平均为-0.06%[31] * T+30超额收益：剔除沪深300股票平均为-1.82%；剔除中证500股票平均为0.32%[31] * T+40超额收益：剔除沪深300股票平均为-1.57%；剔除中证500股票平均为1.14%[31] * T+50超额收益：剔除沪深300股票平均为-1.69%；剔除中证500股票平均为1.19%[31] * T+60超额收益：剔除沪深300股票平均为-0.23%；剔除中证500股票平均为0.71%[31]