量化模型与构建方式 1. 模型名称：股指分红点位测算模型[12][43] * 模型构建思路：为准确计算股指期货的升贴水幅度，必须考虑指数成分股分红除息导致价格指数点位自然滑落的影响，因此需要构建模型来预测从当前时刻到期货合约到期日之间，指数因分红而损失的点数[12][43] * 模型具体构建过程：模型的核心是计算在特定时间窗口内，所有成分股分红对指数点位的总影响。具体流程如下[43][44][46]： 1. 获取基础数据：获取指数成分股列表、个股权重、个股总市值和指数收盘价[48]。 2. 判断与预测分红信息：对每只成分股进行如下操作[46]： * 若公司已公布分红金额，则直接采用；若同时公布了除息日，则直接采用，否则预测其除息日[46]。 * 若公司未公布分红金额，则需预测其分红金额。分红金额可分解为净利润与股息支付率的乘积，因此需分别预测净利润和股息支付率，再预测除息日[46][51]。 3. 计算分红点数：对于在时间窗口 (t, T] 内有除息日的成分股，其贡献的分红点数计算公式为： $分红点数 = \sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$ 其中，N 为指数成分股数量，要求个股除息日满足 t < 除息日 ≤ T[43]。 * 模型评价：该模型通过精细化处理成分股权重、净利润、股息支付率和除息日等核心指标的预测，旨在提高分红点位预测的准确性[12][43]。回测显示，模型对上证50和沪深300指数的预测准确度较高，误差基本在5个点左右；对中证500指数的预测误差稍大，但也基本稳定在10个点左右[65]。 2. 因子名称：年化已实现股息率与剩余股息率[17] * 因子构建思路：为了动态跟踪指数成分股在当年已兑现的分红收益以及未来尚待兑现的预期分红收益，分别计算“已实现股息率”和“剩余股息率”[17]。 * 因子具体构建过程： 1. 已实现股息率：计算从年初至当前时点，指数成分股中已实施现金分红的公司所带来的股息收益率的加权和。公式表示为： $全年已实现股息率 = \sum_{i=1}^{N_1} \frac{个股已分红金额}{个股总市值} \times 个股权重$ 其中，N1 表示指数成分股中今年已现金分红的公司数量[17]。 2. 剩余股息率：计算在当前时点之后，指数成分股中尚未分红但预计将进行分红的公司所带来的预期股息收益率的加权和。公式表示为： $剩余股息率 = \sum_{i=1}^{N_2} \frac{个股预计分红金额}{个股总市值} \times 个股权重$ 其中，N2 表示指数成分股中尚未现金分红的公司数量[17]。 3. 因子名称：年化升贴水幅度[13] * 因子构建思路：在扣除指数分红影响后，计算股指期货合约价格相对于其标的指数价格的偏离程度，并将其年化，以衡量期货合约的溢价或折价水平，反映市场情绪与风险偏好[12][13]。 * 因子具体构建过程： 1. 计算扣除分红影响后的期货合约与指数的实际价差（含分红价差）[13]。 2. 使用该价差除以指数价格，得到即期升贴水率[13]。 3. 将即期升贴水率进行年化处理，公式为： $年化升贴水 = \frac{含分红价差}{指数收盘价} \times \frac{365}{到期天数}$ 其中，“到期天数”为从当前日期至期货合约到期日的自然日天数[13]。 模型的回测效果 1. 股指分红点位测算模型，2023年预测误差（上证50/沪深300）约5个点以内，2023年预测误差（中证500）约10个点以内[65] 2. 股指分红点位测算模型，2024年预测误差（上证50/沪深300）约5个点以内，2024年预测误差（中证500）约10个点以内[65] 量化因子与构建方式 1. 因子名称：动态成分股权重[49][50] * 因子构建思路：由于指数成分股的权重会随股价涨跌每日变化，而数据提供商通常只提供月末权重，为了更精确地计算分红影响，需要对日度个股权重进行动态估算或采用精确数据[49][50]。 * 因子具体构建过程： * 估算方法：假设最近一次公布权重日期为 t_0，该日成分股 n 的权重为 w_n0。从 t_0 到当前日期 t，个股 n 的非复权涨跌幅为 r_n，则当前日度的估算权重为： $W_{n,t}={\frac{w_{n0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{i})}}$ * 精确获取方法：为规避成分股调整、解禁等事件导致的估算偏差，直接采用中证指数公司每日披露的日度收盘权重数据[50]。 2. 因子名称：个股净利润预测（基于历史分布动态预测法）[51][54] * 因子构建思路：对于未公布年报、快报或业绩预告的公司，需要预测其年度净利润以用于分红金额估计。该方法根据公司历史盈利分布的稳定性进行分类预测[54]。 * 因子具体构建过程： 1. 若公司已公布年报、快报或业绩预告，则直接采用已公布的归母净利润数据（业绩预告取上下限均值）[52]。 2. 若公司未披露相关报告，则根据其历史季度盈利分布稳定性进行分类[54]： * 盈利分布稳定的公司：按照其历史盈利分布规律进行预测[54]。 * 盈利分布不稳定的公司：使用其上一年同期的盈利数据作为预测值[54]。 3. 因子名称：股息支付率预测[55][57] * 因子构建思路：利用公司历史股息支付行为的连续性或稳定性，来预测本年度的股息支付率[55]。 * 因子具体构建过程： 1. 若公司去年进行了分红，则以去年的股息支付率作为今年的预测值[57]。 2. 若公司去年未分红，则以最近3年的平均股息支付率作为预测值[57]。 3. 若公司过去从未分红，则默认今年不分红[57]。 4. 当预测的股息支付率大于100%时，进行截尾处理（设为100%）[57]。 4. 因子名称：除息日预测（基于历史间隔天数稳定性的线性外推法）[55][60] * 因子构建思路：在分红金额确定或预测后，需要预测分红除息的具体日期。该方法依据公司已披露的信息和历史行为模式，通过判断关键日期间隔的稳定性进行外推或采用默认日期[55][60]。 * 因子具体构建过程： 1. 若公司已公布除息日，则直接采用[60]。 2. 若未公布，则根据公司是否已公布分红预案进行判断[60]： * 已公布预案：判断公司处于“预案”还是“决案”阶段。分析过去三年从“预案公告日”到“除息日”（或“股东大会公告日”到“除息日”）的间隔天数是否稳定。若稳定，则用该平均间隔天数与今年的对应公告日进行线性外推；若不稳定，则采用历史分红日期判断[60]。 * 未公布预案：判断去年或前年是否分红，并采用对应的历史分红日期作为估计。若历史日期不合理（如在当前日前或距离太短），则采用默认日期[60]。 3. 默认日期规则：基于大部分公司在7月底前分红的现象，设定默认日期。若预测日在7月21日前，设为7月31日；在7月22日至8月21日间，设为8月31日；否则设为9月30日[60]。 4. 若公司过去两年均未分红，则直接采用默认日期[60]。 因子的回测效果 (注：报告未提供单个因子的独立测试结果取值，仅展示了整合模型后的整体预测精度。)