中银证券(SH:601696) 中银国际·2026-03-01 20:33量化模型与因子总结 量化模型与构建方式 1. 模型名称：风格指数构建模型（长江动量/反转指数）[64] * 模型构建思路：分别基于动量效应和反转效应，构建能够表征A股市场中相应风格股票整体走势的指数。 * 模型具体构建过程： * 长江动量指数：以最近一年股票收益率减去最近一个月股票收益率（剔除涨停板）作为动量指标，综合选择A股市场中动量特征强且流动性相对较高的前100只股票作为指数成分股[64]。 * 长江反转指数：以最近一个月股票收益率作为筛选指标，综合选择A股市场中反转效应强、流动性较好的前100只股票作为指数成分股，并采用成分股近三个月日均成交量进行加权[64]。 2. 模型名称：风格拥挤度计算模型[73][129] * 模型构建思路：通过计算不同风格指数换手率Z-score的差值及其历史分位数，来衡量某一风格相对于另一风格的交易拥挤程度。 * 模型具体构建过程： 1. 分别计算风格A和风格B指数的近252日平均换手率在历史时间序列上的Z-score标准化值，记为Z-score_A与Z-score_B[129]。 2. 计算二者差值：[129]。 3. 计算该差值（Diff_Z）的滚动6年历史分位数（历史数据量满1年且不足6年时，以全部历史数据进行计算），此分位数即为风格A相对于风格B的“相对拥挤度”[129]。 3. 模型名称：风格累计超额净值计算模型[130] * 模型构建思路：以万得全A指数为基准，计算各风格指数相对于基准的累计超额表现，用于跟踪风格收益的持续性。 * 模型具体构建过程： 1. 以2020年1月4日为基准日，将各风格指数及万得全A指数的每日收盘点数除以基准日收盘点数，得到各自的累计净值[130]。 2. 将各风格指数的累计净值除以同一交易日的万得全A指数累计净值，得到各风格指数相对于万得全A指数的累计超额净值[130]。 4. 模型名称：机构调研活跃度分位数计算模型[131] * 模型构建思路：通过标准化板块（指数、行业）的日均机构调研次数并与市场整体水平比较，计算其历史分位数，以衡量机构关注度的相对高低。 * 模型具体构建过程： 1. 计算板块（指数、行业）近n个交易日的“日均机构调研次数”[131]。 2. 将该值在滚动y年的历史时间序列上进行Z-score标准化，得到该板块的标准化值[131]。 3. 将该板块的标准化值与万得全A指数的标准化结果作差，得到“机构调研活跃度”差值[131]。 4. 最后计算该“机构调研活跃度”差值的滚动y年历史分位数[131]。 * 参数设置： * 长期口径：n取126（近半年），滚动窗口y为6年（历史数据量满3年且不足6年时，以全部历史数据进行计算）[131]。 * 短期口径：n取63（近一季度），滚动窗口y为3年（历史数据量满1年且不足3年时，以全部历史数据进行计算）[131]。 5. 模型名称：股债性价比（ERP）计算模型[52] * 模型构建思路：通过计算股票指数市盈率倒数与无风险利率的差值，来衡量权益资产相对于债券的预期超额回报，即风险溢价。 * 模型具体构建过程： 1. 计算指数市盈率的倒数：[52]。 2. 减去10年期中债国债到期收益率：[52]。 3. 计算该ERP值在历史时间序列上的百分位，以判断当前性价比的高低[52][60]。 量化因子与构建方式 1. 因子名称：动量因子[64] * 因子构建思路：捕捉股票中期收益率延续的趋势，即过去表现好的股票在未来一段时间内继续表现好。 * 因子具体构建过程：计算每只股票最近一年收益率减去最近一个月收益率（剔除涨停板影响），以此作为动量得分[64]。 2. 因子名称：反转因子[64] * 因子构建思路：捕捉股票短期收益率反转的趋势，即过去短期内表现差的股票在未来可能反弹。 * 因子具体构建过程：计算每只股票最近一个月的股票收益率，以此作为反转得分[64]。 3. 因子名称：成交热度因子[25] * 因子构建思路：通过换手率的历史分位来衡量板块或行业的交易活跃度。 * 因子具体构建过程：计算板块或行业的周度日均自由流通换手率，并求其在历史时间区间（例如2005年1月1日至今）内的历史分位值[25][36]。 4. 因子名称：估值分位因子[41][50] * 因子构建思路：通过市盈率（PE_TTM）的历史分位来判断指数、板块或行业的估值水平高低。 * 因子具体构建过程：计算指数、板块或行业的当前PE_TTM，并求其在历史时间区间（例如2005年1月1日至今）内的历史分位值[41][50]。 5. 因子名称：规模因子（小盘/大盘）[61] * 因子构建思路：基于市值规模划分风格，捕捉小盘股相对于大盘股的溢价效应。 * 因子具体构建过程：通常通过构建小盘指数（如巨潮小盘）与大盘指数（如巨潮大盘）的相对收益来表征[61]。 6. 因子名称：成长/红利因子[61] * 因子构建思路：区分成长型股票与高股息（红利）型股票，捕捉不同市场环境下两类风格的表现差异。 * 因子具体构建过程：通过构建成长指数（如国证成长）与红利指数（如中证红利）的相对收益来表征[61]。 模型的回测效果 （本报告为市场跟踪周报，未提供量化模型的历史回测绩效指标，如年化收益率、夏普比率、最大回撤等。报告主要展示了模型或因子在特定时点的状态和近期表现。） 因子的回测效果 （本报告为市场跟踪周报，未提供量化因子的历史回测绩效指标，如IC、IR、多空收益等。报告主要展示了基于因子构建的风格指数在近期的表现，具体数值如下：） 1. 成长 vs 红利因子，近一周超额收益-0.4%，近一月超额收益-3.4%，年初至今超额收益0.9%[61] 2. 小盘 vs 大盘因子，近一周超额收益3.5%，近一月超额收益1.0%，年初至今超额收益14.4%[61] 3. 微盘股 vs 基金重仓因子，近一周超额收益0.2%，近一月超额收益3.7%，年初至今超额收益7.3%[61] 4. 动量 vs 反转因子，近一周超额收益0.8%，近一月超额收益-0.9%，年初至今超额收益-2.4%[61]