量化模型与构建方式 1. 模型名称：风险溢价模型[25] 模型构建思路：以十年期国债即期收益率为无风险利率的参考，计算各宽基指数相对于无风险利率的风险溢价，用以衡量其相对投资价值和偏离情况[25] 模型具体构建过程：计算各宽基指数的风险溢价，即指数收益率与十年期国债即期收益率之差。具体公式如下： $$风险溢价 = 指数收益率 - 十年期国债即期收益率$$ 其中，指数收益率通常使用指数的预期收益率或历史平均收益率，但在本报告的跟踪分析中，更侧重于观察风险溢价的当前值、历史分位值以及相对于历史均值和标准差的偏离情况[27][30][32] 2. 模型名称：股债性价比模型[38] 模型构建思路：以各指数市盈率（PE-TTM）的倒数作为股票预期收益率的近似，计算其与十年期国债即期收益率之差，作为衡量股票相对于债券吸引力的指标[38] 模型具体构建过程：计算各宽基指数的股债性价比，公式如下： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 该模型通过比较股票盈利收益率与无风险利率的差值，来判断股票资产的相对价值[38][40] 3. 模型名称：指数换手率计算模型[16] 模型构建思路：通过加权平均成分股的换手率，计算整个指数的换手率，以反映指数的整体交易活跃度[16] 模型具体构建过程：指数换手率计算方式为成分股流通股本加权平均的换手率，具体公式如下： $$指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$$ 该模型用于计算和跟踪各宽基指数的换手率数据[15][16] 4. 模型名称：交易金额占比模型[16] 模型构建思路：计算单一指数日交易金额占全市场（以中证全指为代表）日交易金额的比例，以观察资金在不同风格板块间的流向[16] 模型具体构建过程：计算某宽基指数当天的交易金额占比，公式如下： $$交易金额占比 = \frac{该指数当天交易金额}{中证全指当天交易金额} \times 100%$$ 该模型用于分析市场资金在不同宽基指数间的分布情况[15][16] 5. 模型名称：收益分布形态分析模型[22] 模型构建思路：通过计算各宽基指数日收益率序列的峰度和偏度，并与历史数据（近5年）对比，分析市场收益分布形态的变化，如集中程度和极端值倾向[22] 模型具体构建过程：计算当前日收益率序列的峰度（Kurtosis）和偏度（Skewness），并与近5年（剔除近一年）的历史数据计算的峰度和偏度进行对比。报告中特别指出，峰度计算中减去了3（正态分布峰度）[23][24] 模型评价：该模型有助于识别市场收益分布特征的转变，例如峰度负偏离增大说明收益率分布更分散，尾部风险增加；负偏态增大说明极端负收益情形增加[22] 6. 模型名称：估值分位分析模型[31][34] 模型构建思路：计算各宽基指数当前市盈率（PE-TTM）在其自身历史数据（如近1年、近5年、全部历史）中所处的分位值，以判断当前估值的相对高低[31][34] 模型具体构建过程：将指数当前的PE-TTM数值，放入其指定的历史时间窗口（如近1年、近5年）的PE-TTM序列中，计算其百分位排名，得到历史分位值[36][37] 模型评价：该模型是衡量指数估值水平高低和判断投资价值的常用工具，分位值越高代表当前估值在历史上越贵，反之则越便宜[31][34] 7. 模型名称：股息率分析模型[43] 模型构建思路：跟踪计算各宽基指数的股息率（现金分红回报率），并观察其历史分位值和变化趋势，作为红利投资风格的参考[43] 模型具体构建过程：计算指数股息率，并计算其在历史数据（近1年、近5年等）中的分位值，同时计算其相对于历史均值和标准差的偏离[45][48] 模型评价：股息率反映现金分红回报率，高股息率资产在市场低迷或利率下行期可能表现更稳健，是一种重要的投资风格[43] 量化因子与构建方式 1. 因子名称：连阴连阳因子[12] 因子构建思路：统计指数K线连续为阴线或阳线的天数，用于刻画市场的短期趋势强度和情绪持续性[12] 因子具体构建过程：从当前交易日开始向前追溯，若日收益率为正则计数增加（连阳），为负则计数减少（连阴），直到趋势发生反转。正数表示连阳天数，负数表示连阴天数[12] 2. 因子名称：均线偏离因子[13][14] 因子构建思路：计算指数收盘价相对于不同周期移动平均线（MA）的偏离度，用于判断指数短期、中期、长期趋势的相对位置和超买超卖状态[13][14] 因子具体构建过程：计算指数收盘价相对于各周期移动平均线（如MA5, MA10, MA20, MA60, MA120, MA250）的百分比偏离。公式如下： $$vsMA_N = \frac{收盘价 - MA_N}{MA_N} \times 100%$$ 其中，N代表移动平均的周期[14] 3. 因子名称：相对于历史高低位因子[14] 因子构建思路：计算指数当前价格相对于其近N日（报告中为250日）最高价和最低价的偏离度，用于衡量指数在近期波动区间中所处的位置[14] 因子具体构建过程：计算指数收盘价相对于近250日最高价和最低价的百分比偏离。公式如下： $$vs近250日高位 = \frac{收盘价 - 近250日高位}{近250日高位} \times 100%$$ $$vs近250日低位 = \frac{收盘价 - 近250日低位}{近250日低位} \times 100%$$ [14] 模型的回测效果 （注：本报告为市场数据跟踪报告，未提供基于历史数据的模型回测绩效指标，如年化收益率、夏普比率、最大回撤等。报告主要展示各模型/因子在特定时点（2026年7月8日）的截面数据、历史分位值及与历史统计特征的比较。） 因子的回测效果 （注：本报告为市场数据跟踪报告，未提供基于历史数据的因子回测绩效指标，如IC值、IR、多空收益等。报告主要展示各因子在特定时点（2026年7月8日）的截面数据。）