量化模型与构建方式 1. 模型名称：连阴连阳模型[12] * 模型构建思路：通过计算指数K线连续为阴线或阳线的天数，来跟踪市场的短期趋势和情绪[12]。 * 模型具体构建过程：从指定日期开始，逐日比较指数收盘价与前一日收盘价。若当日收盘价高于前一日收盘价，则连阳计数加1，连阴计数清零；若当日收盘价低于前一日收盘价，则连阴计数加1（以负数表示），连阳计数清零；若相等，则计数保持不变。最终输出一个数值，正数表示连阳天数，负数表示连阴天数[12]。 2. 模型名称：指数与均线比较模型[15] * 模型构建思路：通过比较指数当前价格与不同周期的移动平均线（MA）的位置关系，判断市场的中短期趋势强度[15]。 * 模型具体构建过程：首先，计算指数收盘价的移动平均线，常用周期包括5日（MA5）、10日（MA10）、20日（MA20）、60日（MA60）、120日（MA120）和250日（MA250）[15]。然后，计算当前收盘价相对于各条均线的百分比偏离度，公式为： $vsMA = (收盘价 / MA_n - 1) \times 100\%$ 其中，$MA_n$ 代表第n日的移动平均线[15]。根据收盘价是位于均线上方还是下方，可以判断市场是否站上或突破该均线[15]。 3. 模型名称：风险溢价模型[27] * 模型构建思路：以十年期国债即期收益率作为无风险利率的参考，计算股票指数收益率与之的差值，作为投资者承担市场风险所要求的额外回报，用于衡量市场的相对投资价值和风险水平[27]。 * 模型具体构建过程：风险溢价的计算公式为： $风险溢价 = 指数收益率 - 十年期国债即期收益率$ 报告中使用的指数收益率是市盈率倒数（1/PE-TTM），即盈利收益率[27][46]。因此，具体构建过程是：首先获取指数的PE-TTM，计算其倒数得到盈利收益率；然后获取十年期国债即期收益率；最后将两者相减得到风险溢价[27][31]。此外，还会计算该风险溢价在近1年、近5年历史数据中的分位值，以及其均值和波动率[31]。 4. 模型名称：股债性价比模型[46] * 模型构建思路：在风险溢价模型的基础上，通过观察风险溢价（即盈利收益率与国债收益率之差）的历史分位数，来判断股票资产相对于债券资产的吸引力[46]。 * 模型具体构建过程：首先，如风险溢价模型所述，计算每日的股债性价比（即风险溢价）[27][46]。然后，计算该指标在近5年历史窗口内的80%分位值（机会值）和20%分位值（危险值）[46]。通过比较当前股债性价比与这两个阈值，来定性判断市场状态：若当前值高于80%分位，则认为股票资产具备较高吸引力；若低于20%分位，则认为吸引力较低[46]。 5. 模型名称：破净率监控模型[54] * 模型构建思路：通过统计指数成分股中市净率（PB）小于1的个股数量及其占比，来反映市场整体的估值水平和悲观情绪[54]。 * 模型具体构建过程：对于每一个宽基指数，遍历其所有成分股。计算每只成分股的市净率（PB），公式为： $PB = 股价 / 每股净资产$ 统计满足 $PB < 1$ 的个股数量，即为破净个股数[54]。破净率（破净占比）的计算公式为： $破净率 = (破净个股数 / 指数总成分股数) \times 100\%$ 通过跟踪破净率的变化，可以观察市场估值态度的转变[54][56]。 量化因子与构建方式 1. 因子名称：交易金额占比因子[18] * 因子构建思路：衡量特定宽基指数成交额在全市场总成交额中的比重，反映资金对该板块的关注度和活跃度[18]。 * 因子具体构建过程：计算因子分为两步。首先，获取目标指数（如中证2000）当日所有成分股的成交金额之和，作为该指数的交易金额。同时，获取基准指数（报告中为中证全指）当日的交易金额[18]。然后，计算占比： $交易金额占比 = (目标指数交易金额 / 中证全指交易金额) \times 100\%$ [18] 2. 因子名称：换手率因子[18] * 因子构建思路：衡量指数成分股的整体交易活跃程度，是反映市场流动性和情绪的重要指标[18]。 * 因子具体构建过程：采用流通股本加权的方式计算指数整体换手率。公式为： $指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$ 其中，成分股换手率通常由该股当日成交股数与其流通股本计算得出[18]。 3. 因子名称：收益分布峰度因子[24][25] * 因子构建思路：通过计算指数日收益率分布的峰度，衡量收益率分布的尖峭或扁平程度，反映收益的集中情况和尾部风险[24][25]。 * 因子具体构建过程：首先，选取一定时间窗口（报告中为近一年和近五年）的指数日收益率序列[19][25]。然后，计算该序列的峰度（Kurtosis）。报告中采用的峰度是超额峰度，即计算出的峰度值减去正态分布的峰度3[25]。公式为： $超额峰度 = \frac{E[(R-\mu)^4]}{\sigma^4} - 3$ 其中，$R$为日收益率序列，$\mu$为序列均值，$\sigma$为标准差，$E$为期望算子[25]。当前峰度与历史平均峰度的差值（负偏离）用于衡量分布形态的变化[24]。 4. 因子名称：收益分布偏度因子[24][25] * 因子构建思路：通过计算指数日收益率分布的偏度，衡量分布的不对称性，反映正负极端收益发生的相对概率[24][25]。 * 因子具体构建过程：与峰度因子类似，选取特定时间窗口的日收益率序列[19][25]。计算该序列的偏度（Skewness）。公式为： $偏度 = \frac{E[(R-\mu)^3]}{\sigma^3}$ 其中，$R$为日收益率序列，$\mu$为序列均值，$\sigma$为标准差，$E$为期望算子[25]。正偏态表示右尾较长，极端正收益情形更多；负偏态则表示左尾较长，极端负收益情形更多[24]。当前偏度与历史平均偏度的差值用于观察偏态变化[25]。 5. 因子名称：PE-TTM分位值因子[39][43] * 因子构建思路：将指数当前的滚动市盈率（PE-TTM）置于其历史时间序列中，计算其所处的百分位位置，用于判断当前估值在历史中的相对高低水平[39][43]。 * 因子具体构建过程：首先，获取指数在指定历史窗口（如近5年）内每一个交易日的PE-TTM，形成一个时间序列[43]。然后，将当前交易日的PE-TTM值与这个历史序列进行比较，计算其分位值。例如，近5年历史分位值表示当前PE-TTM值在近5年所有历史数据中由低到高排序后所处的百分比位置[43][44]。分位值越高，说明当前估值处于历史较高水平。 6. 因子名称：股息率因子[48][53] * 因子构建思路：衡量指数成分股的整体现金分红回报率，是价值投资和红利策略关注的核心指标，尤其在市场波动时作为防御性参考[48]。 * 因子具体构建过程：指数的股息率通常通过其成分股的股息率加权平均得到。具体为：计算每只成分股近12个月的现金分红总额，除以当前股价，得到个股股息率。然后，以成分股的权重（通常是自由流通市值权重）进行加权求和，得到指数的整体股息率[53]。公式可表示为： $指数股息率 \approx \sum (个股股息率 \times 个股在指数中的权重)$ 同样，可以计算该股息率在历史序列中的分位值，以判断其相对水平[53]。 模型的回测效果 本报告为市场数据跟踪报告，未提供基于历史数据的模型策略回测效果指标（如年化收益率、夏普比率、最大回撤等）。报告主要展示了各模型/因子在特定截止日（2025年12月5日）的截面数据或状态描述[11][12][15][31][44][53][56]。 因子的回测效果 本报告为市场数据跟踪报告，未提供因子的历史有效性检验结果（如IC值、IR、多空收益等）。报告主要呈现了各因子在特定截止日（2025年12月5日）的截面数据、历史分位值及统计特征[18][25][31][44][53]。