量化模型与因子总结 量化因子与构建方式 1. **因子名称：250日新高距离**[11] * **因子构建思路**：该因子用于衡量当前价格相对于过去一段时间内最高价格的回落幅度，是趋势跟踪和动量策略的核心指标。当价格创出新高时，该因子值为0，表明趋势强劲；值越大，表明从高点回落越多，趋势可能转弱[11]。 * **因子具体构建过程**：对于每个标的（个股、指数或行业指数），计算其最新收盘价与过去250个交易日（约一年）最高收盘价的相对距离。 具体公式为： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，\(Closet\) 为最新收盘价，\(ts\_max(Close, 250)\) 为过去250个交易日收盘价的最大值[11]。 2. **模型名称：平稳创新高股票筛选模型**[26][28] * **模型构建思路**：该模型旨在从近期创出新高的股票中，进一步筛选出价格路径相对平滑、趋势延续性好的“平稳创新高”股票。其理论基础在于研究表明，遵循平滑价格路径的高动量股收益可能优于遵循跳跃价格路径的高动量股[26]。 * **模型具体构建过程**：模型采用多步骤筛选法，具体流程如下： 1. **初选股票池**：筛选出上市满15个月，且在过去20个交易日内创出过250日新高的股票[20]。 2. **分析师关注度筛选**：要求过去3个月内，获得“买入”或“增持”评级的分析师研报不少于5份[28]。 3. **股价相对强弱筛选**：要求过去250日涨跌幅位于全市场前20%[28]。 4. **股价平稳性综合打分**：在满足上述条件的股票池内，使用以下两个指标进行综合打分，并选取排名在前50%的股票[28]： * **价格路径平滑性**：使用“股价位移路程比”指标。该指标计算公式为：过去120日涨跌幅的绝对值 / 过去120日日涨跌幅绝对值的加总。该比值越接近1，表明价格路径越平滑（位移接近路程，波动小）[26][28]。 * **创新高持续性**：过去120日的250日新高距离在时间序列上的均值。该值越小，表明在近期持续接近或创出新高的状态越稳定[28]。 5. **趋势延续性筛选**：计算过去5日的250日新高距离在时间序列上的均值，并最终选取该值排序最靠前的50只股票作为“平稳创新高股票”[28]。 模型的回测效果 *本报告为市场监测周报，主要展示截至特定日期的截面数据与筛选结果，未提供模型或因子在历史时间序列上的系统性回测绩效指标（如年化收益、夏普比率、信息比率IR、最大回撤等）。* 因子的回测效果 *本报告为市场监测周报，主要展示截至特定日期的截面数据与筛选结果，未提供模型或因子在历史时间序列上的系统性回测绩效指标（如IC值、IR、多空收益等）。* 模型与因子的具体测试结果取值（截至2026年1月9日截面数据） 1. **250日新高距离因子取值**： * **主要宽基指数**：上证指数 0.00%，深证成指 0.00%，沪深300 0.66%，中证500 0.00%，中证1000 0.00%，中证2000 0.00%，创业板指 0.06%，科创50 4.10%[12]。 * **中信一级行业指数（距离新高较近）**：家电 0.00%，国防军工 0.00%，有色金属 0.00%，传媒 0.00%，电子 0.00%[13]。 * **概念指数（距离新高较近）**：新能源汽车、华为平台、互联网、金属非金属、电子设备和仪器、半导体、工程机械等概念指数距离250日新高较近[16]。 2. **平稳创新高股票筛选模型输出结果**： * 本周（2026年1月9日）从全市场筛选出**50只**平稳创新高股票，例如源杰科技、亚翔集成、信维通信等[29]。 * **板块分布**：周期板块（22只）、科技板块（14只）入选数量最多[29]。周期板块中创新高最多的是有色金属行业；科技板块中创新高最多的是电子行业[29]。 * **全市场创新高个股概况（模型初选池）**：共有911只股票在过去20个交易日创出250日新高[20]。 * **创新高个股数量最多的行业**：机械（141只）、电子（101只）、基础化工（98只）[20]。 * **创新高个股数量占比最高的行业**：国防军工（48.36%）、有色金属（43.09%）、石油石化（32.00%）[20]。 * **主要指数内创新高个股占比**：中证2000（16.80%）、中证1000（17.30%）、中证500（24.80%）、沪深300（20.00%）、创业板指（22.00%）、科创50（14.00%）[21]。

量化模型与构建方式 1. **模型名称**：公募基金实时持仓测算模型[4][19] **模型构建思路**：基于基金净值、持仓披露、调研行为等市场公开信息，对公募基金的持仓进行实时测算，以监控其对各板块的配置变化[4][19] **模型具体构建过程**：报告未详细描述该模型的构建过程，仅提及它是一个复杂的处理流程，具体方法可参考开源金融工程团队专题报告《偏股混合型基金指数（885001.WI）：优势、复制与超越》[19] 2. **模型名称**：雪球大V用户选股行为模型[29] **模型构建思路**：通过追踪雪球平台上粉丝数量较多的“大V”用户对上市公司的关注和讨论行为，挖掘其投资观点和行为中蕴含的信息量，以构建选股因子[29] **模型具体构建过程**：报告未详细描述该模型的构建过程，具体方法可参考开源金融工程团队专题报告《雪球大V用户的选股行为alpha》[29] 3. **模型名称**：龙虎榜机构行为模型[33] **模型构建思路**：利用交易所每日披露的龙虎榜数据，分析最活跃营业部的交易动向，以捕捉市场上热点资金的流向和机构行为信号[33] **模型具体构建过程**：报告未详细描述该模型的构建过程，具体方法可参考开源金融工程团队专题报告《机构行为alpha的细分结构：龙虎榜、机构调研、大宗交易》[33] 4. **模型名称**：高频股东户数信息模型[36] **模型构建思路**：基于交易所互动平台提供的高频股东户数数据，研究股东户数的变动所隐含的关于后续股价走势的信息[36] **模型具体构建过程**：报告未详细描述该模型的构建过程，具体方法可参考开源金融工程团队专题报告《高频股东数据的隐含信息量》[36] 量化因子与构建方式 1. **因子名称**：ETF资金持仓占比[4][23] **因子构建思路**：通过计算ETF基金持有的某板块股票市值占该板块流通市值的比重，来监测通过ETF渠道流入或流出该板块的资金动向[4][23] **因子具体构建过程**：报告未给出具体的计算公式，但描述了其核心计算逻辑。首先，汇总所有ETF基金对脑机接口板块成分股的持仓市值。然后，计算该持仓总值占脑机接口板块总流通市值的比例。报告中展示的是该比例的5日移动平均（MA5）序列[23][25] **因子评价**：ETF持仓动态已成为观察市场资金动向的重要窗口[23] 2. **因子名称**：两融余额（融资余额）[4][23] **因子构建思路**：直接使用融资融券交易中未偿还的融资总金额作为因子，用以衡量投资者通过杠杆资金看多后市的情绪强弱[4][23] **因子具体构建过程**：直接获取脑机接口板块成分股的融资余额总和，作为该板块的融资余额因子值[23][26] 3. **因子名称**：机构调研热度[5][27] **因子构建思路**：以上市公司接受机构调研的次数作为因子，衡量机构投资者对该公司的关注度[5][27] **因子具体构建过程**：统计指定时间窗口内（报告中为近三个月），各公司接受机构调研的总次数，次数越多表示热度越高[27][28] 4. **因子名称**：雪球大V关注度[5][29] **因子构建思路**：统计雪球平台上粉丝数量较多的“大V”用户对某家上市公司的关注数量，作为反映市场情绪和关注度的因子[5][29] **因子具体构建过程**：在指定时间窗口内（报告中为2025年12月20日以来），统计关注了某家公司的雪球大V用户数量，数量越多表示关注度越高[29][31] 5. **因子名称**：主力资金净流入[5][30] **因子构建思路**：将大单和超大单的净流入金额加总，作为主力资金动向的代理变量，用以捕捉大额资金的流向[5][30] **因子具体构建过程**：首先定义大单（挂单金额20-100万元）和超大单（挂单金额>100万元）。然后，在指定时间窗口内（报告中为2025年12月20日以来），计算个股每日大单与超大单的净买入金额（买入额-卖出额）之和，再在整个时间窗口内进行累计，得到主力资金净流入因子值[30][32] 6. **因子名称**：龙虎榜营业部资金净流入[5][33] **因子构建思路**：利用龙虎榜披露的营业部交易数据，计算上榜营业部的资金净流入，以反映最活跃资金对个股的短期交易态度[5][33] **因子具体构建过程**：对于出现在龙虎榜上的个股，提取其“营业部资金净流入”数据。该数据反映了当日上榜的所有营业部的总买入金额与总卖出金额之差。报告展示了多只个股在特定时间段内上榜时的该数据[33][34] 7. **因子名称**：高频股东户数增幅[5][36] **因子构建思路**：计算上市公司最新两期股东户数的变动比例，股东户数大幅增加可能意味着筹码分散，对后续股价构成潜在风险[5][36] **因子具体构建过程**：获取上市公司最新一期和上一期的股东户数。计算其变动比例，公式如下： $$股东户数增幅 = \frac{最新股东户数 - 上期股东户数}{上期股东户数} \times 100\%$$ 增幅越大，表示股东户数增加越快[36][37] 模型的回测效果 （报告未提供所述模型的量化回测效果指标，如年化收益率、夏普比率、最大回撤、信息比率（IR）等） 因子的回测效果 （报告未提供所述因子的量化回测效果指标，如IC值、ICIR、因子多空组合收益等）

量化模型与因子总结 量化因子与构建方式 1. **因子名称：250日新高距离**[11] * **因子构建思路**：借鉴动量效应和趋势跟踪理论，通过计算当前价格与过去一段时间内最高价格的相对距离，来衡量股票或指数接近其历史高点的程度，以此捕捉市场趋势和强势标的[11]。 * **因子具体构建过程**： 1. 对于单个标的（股票或指数），取其在时间点t的最新收盘价 \\(Closet\\)[11]。 2. 计算该标的过去250个交易日（约一年）收盘价的最大值 \\(ts\\_max(Close, 250)\\)[11]。 3. 250日新高距离的计算公式为： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，\\(Closet\\)为最新收盘价，\\(ts\_max(Close,250)\\)为过去250个交易日收盘价的最大值[11]。 4. 若最新收盘价创出新高，则因子值为0；若最新收盘价较新高回落，则因子值为正，表示回落的幅度[11]。 2. **模型/策略名称：平稳创新高股票筛选模型**[26][28] * **模型构建思路**：基于学术研究，认为遵循平滑价格路径的高动量股收益更高（“温水煮青蛙”效应），因此从近期创250日新高的股票池中，综合分析师关注度、股价相对强弱、趋势延续性、股价路径平稳性和创新高持续性等多个维度，筛选出更具持续性和稳健性的“平稳创新高”股票[26][28]。 * **模型具体构建过程**：该模型是一个多步骤的筛选流程，具体步骤如下： 1. **初选股票池**：在上市满15个月的股票池内，筛选出过去20个交易日创出过250日新高的股票[20]。 2. **应用筛选条件**：在初选股票池中，依次应用以下条件进行筛选和排序[26][28]： * **分析师关注度**：过去3个月内，获得“买入”或“增持”评级的分析师研报数量不少于5份[28]。 * **股价相对强弱**：过去250日涨跌幅位于全市场前20%[28]。 * **股价平稳性与创新高持续性综合打分**：在满足以上两个条件的股票池内，使用以下两个指标进行综合打分，并取排名在前50%的股票[28]。 * **价格路径平滑性（股价位移路程比）**：计算公式为 \\( \frac{过去120日涨跌幅的绝对值}{过去120日日涨跌幅绝对值加总} \\)[26]。该比值越接近1，表明价格路径越平滑（位移接近路程），波动越小。 * **创新高持续性**：过去120日的250日新高距离在时间序列上的均值。该值越小，表明在近期持续接近或创出新高的状态越稳定。 * **趋势延续性排序**：计算过去5日的250日新高距离在时间序列上的均值，并取该值排序靠前的50只股票作为最终输出[28]。 模型与因子的回测效果 *本报告为市场监测周报，主要展示截至特定日期的截面数据与筛选结果，未提供历史回测的绩效指标（如年化收益、夏普比率、信息比率IR、最大回撤等）。因此，模型和因子的具体测试结果取值部分在本报告中无相关内容。*

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：基于交易动机因子及股票价差收益因子的选基策略[2][24] * **模型构建思路**：通过结合刻画基金经理交易动机的因子和反映其股票交易直接收益的因子，筛选出股票价差收益较高、拥有主动交易动机且业绩粉饰可能性较低的基金[24]。 * **模型具体构建过程**： * **因子构建**：策略使用了两个核心因子。 1. **交易动机因子**：该因子由估值/流动性动机因子、业绩粉饰动机因子等权合成。其中，估值/流动性动机因子根据基金报告期间资金流与股票买卖金额、累计买入/卖出股票金额2%以上或前20股票成交额占比数据计算得出[47]。 2. **股票价差收益因子**：该因子由基金利润表中股票价差收入（股票投资收益科目）计算而来[47]。 * **策略构建**：将上述两个因子相结合，构建选基策略。策略采用半年频调仓，每年3月末/8月末进行调仓，从主动权益型基金中筛选，并扣除交易成本[24]。 2. **模型名称**：交易独特性选基策略[3][32] * **模型构建思路**：根据基金经理持股、交易的明细构建网络，并由此构建刻画基金经理交易独特性的指标，用于筛选基金[3][32]。 * **模型具体构建过程**： * **因子构建**：策略核心为**交易独特性因子**。先根据基金经理持股、交易数据构建基金经理网络，然后基于该网络计算出每个基金经理与其相关联基金经理在交易方面的差异[48]。 * **策略构建**：基于交易独特性因子构建选基策略。策略采用半年频调仓，在每年4月初/8月初进行调仓，选基范围为偏股混合型基金、普通股票型基金、灵活配置型基金，并扣除交易成本[32]。 3. **模型名称**：基于申报信息的行业主题ETF轮动策略[4][39] * **模型构建思路**：对基金发行全流程进行事件驱动研究，利用申请材料公示阶段具有前瞻性的信息，构造因子来筛选与申报ETF相近的行业主题ETF，以把握市场投资热点[4][39]。 * **模型具体构建过程**： * **因子构建**：策略核心为**行业主题申报相似因子（T+1）**。先统计上个月申报的股票型ETF跟踪的指数，统计出该指数池与市场上指数的成分相似度，从而构建该因子[48]。 * **策略构建**：基于行业主题申报相似因子构建ETF轮动策略。策略采用月频调仓，从行业主题ETF中进行筛选，交易费率为单边千分之一，基准为中证800指数[39]。 模型的回测效果 1. **基于交易动机因子及股票价差收益因子的选基策略**[28] * 12月份收益率：1.56% * 年化收益率：10.85% * 年化波动率：21.62% * Sharpe比率：0.50 * 最大回撤率：48.39% * 年化超额收益率（相对万得偏股混合型基金指数）：3.64% * 信息比率(IR)：0.61 * 超额最大回撤率：19.22% * 12月份超额收益率：-1.54% 2. **交易独特性选基策略**[36] * 12月份收益率：5.36% * 年化收益率：13.40% * 年化波动率：19.52% * Sharpe比率：0.69 * 最大回撤率：37.26% * 年化超额收益率（相对万得偏股混合型基金指数）：5.66% * 信息比率(IR)：1.09 * 超额最大回撤率：10.84% * 12月份超额收益率：2.27% 3. **基于申报信息的行业主题ETF轮动策略**[43][44] * 12月份收益率：5.84% * 年化收益率：19.22% * 年化波动率：21.05% * Sharpe比率：0.91 * 最大回撤率：34.89% * 年化超额收益率（相对中证800指数）：11.33% * 信息比率(IR)：0.64 * 超额最大回撤率：19.07% * 12月份超额收益率：2.53% 量化因子与构建方式 1. **因子名称**：交易动机因子[47] * **因子构建思路**：刻画基金经理的交易动机，区分为估值/流动性动机和业绩粉饰动机[47]。 * **因子具体构建过程**：该因子由**估值/流动性动机因子**、**业绩粉饰动机因子**等权合成。其中，估值/流动性动机因子根据基金报告期间资金流与股票买卖金额、累计买入/卖出股票金额2%以上或前20股票成交额占比数据计算得出[47]。 2. **因子名称**：股票价差收益因子[47] * **因子构建思路**：直接反映基金经理通过股票交易获取价差收益的能力[47]。 * **因子具体构建过程**：该因子由基金利润表中股票价差收入（股票投资收益科目）计算而来[47]。 3. **因子名称**：交易独特性因子[48] * **因子构建思路**：基于基金经理网络，度量基金经理交易行为与其关联基金经理的差异程度[48]。 * **因子具体构建过程**：先根据基金经理持股、交易数据构建基金经理网络，然后基于该网络计算出每个基金经理与其相关联基金经理在交易方面的差异[48]。 4. **因子名称**：行业主题申报相似因子（T+1）[48] * **因子构建思路**：利用新申报ETF的信息，计算其与现存行业主题ETF的相似度，以捕捉市场热点[48]。 * **因子具体构建过程**：先统计上个月申报的股票型ETF跟踪的指数，统计出该指数池与市场上指数的成分相似度，从而构建该因子[48]。 5. **因子名称**：基金业绩动量类因子[47] * **因子构建思路**：从多个维度衡量基金的历史业绩动量[47]。 * **因子具体构建过程**：该类因子由四个因子等权重合成，包含4因子模型alpha、夏普比率、区间胜率、HM模型中的择时能力系数，均用过去1年的基金净值数据进行计算[47]。 6. **因子名称**：选股能力因子[47] * **因子构建思路**：评估基金经理的选股能力[47]。 * **因子具体构建过程**：该因子根据多期Brinson模型，使用基金季频重仓股数据进行计算，由选股胜率、选股超额收益率两个因子等权重合成而来[47]。 7. **因子名称**：隐形交易能力因子[47] * **因子构建思路**：从收益和风险两个层面度量基金交易（非重仓股部分）带来的贡献[47]。 * **因子具体构建过程**：该因子由隐形收益能力因子、风险转移能力因子等权重合成而来[47]。 8. **因子名称**：主动轮动收益因子[48] * **因子构建思路**：体现基金风格轮动带来的结果收益[48]。 * **因子具体构建过程**：该因子根据区间风格主动变化及区间风格因子收益计算[48]。 9. **因子名称**：绝对主动轮动指标[48] * **因子构建思路**：剥离被动风格变化，纯粹衡量基金经理主动进行风格调整的部分[48]。 * **因子具体构建过程**：该因子将基金报告期之间的风格变化，剔除了被动变化的部分，保留基金经理主动调整的部分[48]。 10. **其他因子类别**：报告中还提及了**基金规模类因子**、**持有人结构类因子**、**含金量因子**等，但未详细描述其具体构建过程[47]。

量化模型与因子总结 量化因子与构建方式 1. **因子名称：封板率因子** [15] * **因子构建思路：** 通过计算当日最高价涨停且收盘涨停的股票数量占最高价涨停股票总数的比例，来衡量市场涨停板的封板强度和市场情绪的热度[15]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票[15]。 2. 在交易日T日，找出所有盘中最高价达到涨停价的股票集合A[15]。 3. 在集合A中，进一步筛选出收盘价也达到涨停价的股票集合B[15]。 4. 封板率计算公式为： $$封板率 = \frac{集合B的股票数量}{集合A的股票数量}$$ [15] 2. **因子名称：连板率因子** [15] * **因子构建思路：** 通过计算连续两日收盘涨停的股票数量占前一日收盘涨停股票数量的比例，来衡量市场涨停效应的延续性和短线资金的接力情绪[15]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票[15]。 2. 在交易日T-1日，找出所有收盘涨停的股票集合C[15]。 3. 在集合C中，筛选出在交易日T日收盘也涨停的股票集合D[15]。 4. 连板率计算公式为： $$连板率 = \frac{集合D的股票数量}{集合C的股票数量}$$ [15] 3. **因子名称：大宗交易折价率因子** [25] * **因子构建思路：** 通过计算大宗交易成交总额相对于其对应股票当日市值的折价幅度，来反映大资金的投资偏好、交易成本和市场情绪[25]。 * **因子具体构建过程：** 1. 获取当日所有大宗交易数据，包括每笔交易的成交金额和成交数量[25]。 2. 计算当日大宗交易总成交金额[25]。 3. 计算大宗交易涉及的所有成交份额，以其在当日二级市场的收盘价计算出的总市值[25]。 4. 折价率计算公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ [25] 结果为负表示折价交易，负值越大折价幅度越高[25]。 4. **因子名称：股指期货年化贴水率因子** [27] * **因子构建思路：** 通过计算股指期货主力合约价格与现货指数价格之间的基差，并进行年化处理，来衡量市场对未来走势的预期、对冲成本以及市场情绪[27]。 * **因子具体构建过程：** 1. 确定股指期货主力合约（如IH、IF、IC、IM）的当日结算价或收盘价[27]。 2. 获取对应现货指数（如上证50、沪深300、中证500、中证1000）的当日收盘价[27]。 3. 计算基差：基差 = 期货价格 - 现货价格[27]。 4. 计算年化贴水率，公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ [27] 结果为正当期指处于升水状态，结果为负则处于贴水状态[27]。该指标用于横向比较不同合约的贴水程度[27]。 因子的回测效果 *本报告为市场监测日报，主要展示了各类因子的构建方法和当日市场数据，并未提供因子在历史样本上的长期回测效果指标（如IC、IR、多空收益、夏普比率等）。*

量化模型与因子总结 量化因子与构建方式 1. **因子名称：风险溢价因子**[29] * **因子构建思路**：以十年期国债即期收益率为无风险利率参考，计算各宽基指数相对于无风险利率的风险溢价，用于衡量其相对投资价值和偏离情况[29]。 * **因子具体构建过程**：风险溢价的计算公式为指数收益率减去无风险利率。报告中具体计算了各宽基指数相对于十年期国债即期收益率的风险溢价，并统计了其当前值、历史分位值、均值和波动率等[31][33]。 2. **因子名称：股债性价比因子**[48] * **因子构建思路**：以各指数市盈率（PE-TTM）的倒数代表股票的潜在收益率，减去十年期国债即期收益率，其差值即为股债性价比，用于比较股票与债券的相对吸引力[48]。 * **因子具体构建过程**：股债性价比的计算公式为： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 报告中观察了该因子的走势，并与近5年数据计算的80分位值（机会值）、20分位值（危险值）、均值及±1倍标准差进行比较[48]。 3. **因子名称：股息率因子**[50] * **因子构建思路**：股息率反映现金分红回报率，是红利投资风格的核心指标。跟踪各指数的股息率，观察其走势和变化趋势[50]。 * **因子具体构建过程**：股息率通常计算为每股股息除以每股股价。报告中统计了各宽基指数的当前股息率、近1年及近5年历史分位值、均值和波动率等[52][56]。 4. **因子名称：破净率因子**[57] * **因子构建思路**：破净率表示市净率小于1的个股数量占比，用于反映市场整体的估值态度和低估情况的普遍性[57][58]。 * **因子具体构建过程**：首先识别指数成分股中市净率（PB）小于1的个股，然后计算其数量占指数总成分股数量的比例。报告中对各主要宽基指数的破净率进行了计算和跟踪[59]。 5. **因子名称：均线相对位置因子**[14][15] * **因子构建思路**：通过比较指数当前价格与不同周期移动平均线（MA）的位置关系，来刻画指数的短期、中期和长期趋势强度[14]。 * **因子具体构建过程**：计算指数收盘价相对于5日、10日、20日、60日、120日、250日移动平均线的偏离幅度，公式为： $$vsMA_N = \frac{收盘价 - MA_N}{MA_N} \times 100\%$$ 其中，N代表不同的均线周期[15]。 6. **因子名称：价格突破因子**[14] * **因子构建思路**：观察指数价格是否突破近250个交易日内的最高价或最低价，用于判断指数是否处于极端或强势状态[14]。 * **因子具体构建过程**：记录指数近250个交易日的最高价和最低价，计算当前收盘价相对于该高点和低点的偏离幅度[15]。 7. **因子名称：收益分布形态因子（偏度与峰度）**[25][27] * **因子构建思路**：通过计算指数日收益率分布的偏度和峰度，来描述收益分布的不对称性和尖峰厚尾特征，以评估极端收益出现的可能性[25]。 * **因子具体构建过程**： * **偏度**：衡量分布的不对称性。正偏态表示极端正收益情形增加[25]。 * **峰度**：衡量分布的尖峭程度。报告中计算的峰度减去了3（正态分布峰度值），因此“峰度负偏离”表示当前分布比历史基准更平坦[27]。 报告对比了各指数当前与近5年的偏度和峰度值[27]。 8. **因子名称：交易活跃度因子（换手率）**[18][19] * **因子构建思路**：换手率是衡量市场交易活跃程度和流动性的重要指标。 * **因子具体构建过程**：对于宽基指数，其换手率采用流通市值加权的方式计算，具体公式为： $$指数换手率 = \frac{\Sigma(成分股流通股本 \times 成分股换手率)}{\Sigma(成分股流通股本)}$$ 报告计算并比较了各宽基指数的当前换手率[18][19]。 9. **因子名称：估值分位因子（PE-TTM）**[41][44] * **因子构建思路**：使用滚动市盈率（PE-TTM）及其在历史数据中的分位值，来评估指数当前的估值水平高低[41]。 * **因子具体构建过程**：计算指数当前的PE-TTM，并统计该值在近1年、近5年以及全部历史数据中所处的百分位位置[44][45]。 因子的回测效果 （注：本报告为市场数据跟踪报告，未提供因子在选股或择时策略中的传统回测绩效指标（如年化收益、夏普比率、信息比率IR、最大回撤等）。报告主要展示了各因子在特定时点（2026年1月7日）对于不同宽基指数的截面取值和统计特征。） 1. **风险溢价因子**：当前值，上证50为-0.44%，沪深300为-0.30%，中证500为0.77%，中证1000为0.52%，中证2000为0.51%，中证全指为0.17%，创业板指为0.31%[33]。近5年分位值，中证500（76.19%）和中证1000（65.0%）较高，上证50（31.27%）和沪深300（38.57%）较低[4][33]。 2. **股债性价比因子**：截至报告时，没有指数高于其近5年80%分位（机会值），中证500和中证全指低于其近5年20%分位（危险值）[4][48]。 3. **股息率因子**：当前值，上证50为3.07%，沪深300为2.66%，中证500为1.32%，中证1000为1.05%，中证2000为0.74%，中证全指为1.94%，创业板指为0.92%[56]。近5年历史分位值，创业板指（57.77%）和沪深300（32.23%）较高，而中证500（9.67%）和中证2000（5.04%）较低[5][54][56]。 4. **破净率因子**：当前值，上证50为24.0%，沪深300为16.33%，中证500为10.2%，中证1000为7.6%，中证2000为3.25%，中证全指为5.96%[59]。 5. **均线相对位置因子**：2026年1月7日，所有跟踪指数收盘价均位于5日、10日、20日、60日、120日及250日均线之上[14]。例如，中证500 vsMA5为2.9%，vsMA250为24.0%[15]。 6. **价格突破因子**：2026年1月7日，中证500、中证1000、中证2000和中证全指的收盘价等于其近250日高位（偏离0.0%），创业板指亦如此[14][15]。 7. **收益分布形态因子**：当前峰度（减3后）与近5年对比，创业板指的负偏离最大（-2.77），中证1000的负偏离最小（-1.17）[25][27]。当前偏度与近5年对比，创业板指的负偏态最大（-0.67），中证1000的负偏态最小（-0.31）[25][27]。 8. **交易活跃度因子**：当前换手率，中证2000为4.7，创业板指为4.27，中证1000为3.21，中证500为2.63，中证全指为2.23，沪深300为0.79，上证50为0.31[18]。 9. **估值分位因子**：PE-TTM近5年分位值，中证500（99.92%）和中证1000（99.92%）极高，中证2000（90.0%）和创业板指（62.98%）相对较低[44][45]。

[Table_StockNameRptType] 金融工程 专题报告 虚假信息可被容忍吗？解析其对波动的影响与 边界 ——学海拾珠系列之二百六十一 [Table_RptDate] 报告日期：2026-01-08 [Table_Author] 分析师：骆昱杉 执业证书号：S0010522110001 邮箱：luoyushan@hazq.com 分析师：严佳炜 执业证书号：S0010520070001 邮箱：yanjw@hazq.com 主要观点： [Table_Summary] 本篇是学海拾珠系列第二百六十一篇，文章构建了一个含虚假信息 的掠夺性交易博弈模型，分析正确与虚假信息并存下误差因子、容忍 阈值及对波动影响，扩展至一般失真；探讨信息更新动态作用，发现可 抵消失真、降波动，但随机性增控制难度，利润与波动目标或冲突。 将虚假信息嵌入受害者与捕食者的掠夺性交易博弈模型 本文基于 Carlin 等（2007）与 Carmona & Yang（2011）的微观结 构框架，构建含受害者与捕食者的掠夺性交易博弈模型，引入虚假信 息（玩家误信失真信号），利用信念固着偏差合理化假设，区分其与不 确定性博弈，分析信息扭曲对 ...

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，必须剔除指数成分股分红除息导致指数点位自然下滑的影响。该模型旨在精确预测从当前时刻到股指期货合约到期日之间，指数因成分股分红而将损失的点数。[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] 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. **预测个股分红信息**：对每只成分股，判断其分红金额和除息日是否已公布。若未公布，则需进行预测。[46] * **分红金额预测**：若公司未公布分红金额，则需预测。分红金额 = 净利润 × 股息支付率。[51] * **净利润预测**：采用“基于历史净利润分布的动态预测法”。若公司已公布年报、快报或业绩预告，则直接采用；否则，根据其历史季度盈利分布是否稳定，分别采用历史分布规律或上年同期利润进行预测。[53] * **股息支付率预测**：采用历史数据平均。若去年分红，则用去年股息支付率；若去年不分红，则用最近3年平均；若从未分红，则默认不分红；预测值大于100%时进行截尾处理。[54][57] * **除息日预测**：采用“基于历史间隔天数稳定性的线性外推法”。若公司已公布除息日，则直接采用。否则，根据公司是否已公布分红预案、所处阶段（预案或决案），以及历史从公告日到除息日的间隔天数的稳定性，进行线性外推或采用历史分红日期。若无合理历史日期，则根据多数公司在7月底前分红的规律，设置默认日期（如7月31日、8月31日或9月30日）。[55][58][60] 3. **计算指数分红点数**：汇总所有在时间窗口内（当前日期t 到期货到期日T）有分红的成分股，计算其对指数点位的总影响。公式如下：[43] $$分红点数 = \sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$$ 其中，要求个股除息日满足 $t < 除息日 \leq T$。 * **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关键变量的预测，提升了分红点位预测的准确性。对于上证50和沪深300等大盘指数的预测误差较小，对于中证500和中证1000等指数预测误差稍大但基本稳定。[65] 2. **因子名称：日度成分股权重调整因子**[49] * **因子构建思路**：由于指数成分股的权重随股价涨跌每日变化，而主流数据通常只提供月末权重，为了更精确地计算分红对指数的影响，需要将月末静态权重调整至日度动态权重。[49] * **因子具体构建过程**：假设最近一次指数公司公布权重的日期为 $t_0$，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 $r_n$。则当前日期 $t$ 的估算权重 $W_{n,t}$ 为：[49] $$W_{n,t}={\frac{w_{n0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{i})}}$$ * **改进方法**：为避免成分股调整、解禁、配股等行为导致的估算偏差，报告采用中证指数公司每日披露的日度收盘权重数据，以获取精确的日度个股权重。[50] 模型的回测效果 1. **股指分红点位测算模型**，**预测误差（上证50指数）** 基本在5个点左右[65]，**预测误差（沪深300指数）** 基本在5个点左右[65]，**预测误差（中证500指数）** 基本在10个点左右[65]，**预测误差（中证1000指数）** 基本在10个点左右[65] 2. **股指分红点位测算模型**，**对股指期货合约股息点预测效果** 整体较好，具有较好的预测准确性[65] 量化因子与构建方式 1. **因子名称：已实现股息率**[17] * **因子构建思路**：计算指数成分股中，在当年已经完成现金分红的公司，其分红总额相对于指数总市值的比率，用以衡量截至当前时点指数已兑现的分红收益。[17] * **因子具体构建过程**：统计指数中今年已现金分红的公司集合，对每家公司，用其已分红金额除以其总市值，再乘以该公司在指数中的权重，最后对所有已分红公司进行求和。公式表示为：[17] $$全年已实现股息率 = \sum_{i=1}^{N_1} \frac{个股已分红金额}{个股总市值} \times 个股权重$$ 其中，$N_1$ 表示指数成分股中今年已现金分红的公司数量。 2. **因子名称：剩余股息率**[17] * **因子构建思路**：预测指数成分股中，在当年尚未进行现金分红的公司，其预期分红总额相对于指数总市值的比率，用以衡量未来一段时间指数可能获得的分红收益。[17] * **因子具体构建过程**：统计指数中今年尚未现金分红的公司集合，对每家公司，用其预测分红金额（通过前述分红点位模型中的方法预测）除以其总市值，再乘以该公司在指数中的权重，最后对所有未分红公司进行求和。公式表示为：[17] $$剩余股息率 = \sum_{i=1}^{N_2} \frac{个股预测分红金额}{个股总市值} \times 个股权重$$ 其中，$N_2$ 表示指数成分股中尚未现金分红的公司数量。 3. **因子名称：年化升贴水率**[13] * **因子构建思路**：在剔除预期分红影响后，计算股指期货价格相对于其标的指数价格的偏离程度，并将其年化，以标准化比较不同期限合约的升贴水幅度。[13] * **因子具体构建过程**： 1. 计算**含分红价差** = 期货合约收盘价 - (指数收盘价 - 预测的分红点数)。[13] 2. 计算**升贴水** = 含分红价差 / 指数收盘价。[13] 3. 计算**年化升贴水** = 升贴水 × (365 / 到期天数)。[13] 因子的回测效果 *(注：报告未提供单个因子的独立回测效果指标，如IC、IR等。报告展示的是基于模型和因子计算出的市场状态观测值。)* 1. **已实现股息率（截至2026年1月7日）**，**上证50指数** 0.00%[17]，**沪深300指数** 0.00%[17]，**中证500指数** 0.00%[17]，**中证1000指数** 0.00%[17] 2. **剩余股息率（截至2026年1月7日）**，**上证50指数** 2.34%[17]，**沪深300指数** 1.85%[17]，**中证500指数** 1.14%[17]，**中证1000指数** 0.89%[17] 3. **年化升贴水率（主力合约，截至2026年1月7日）**，**IH** -0.28%[13]，**IF** -2.69%[13]，**IC** -2.47%[13]，**IM** -12.36%[13] 4. **基差历史分位点（主力合约，截至2026年1月7日）**，**IH** 约38%[26]，**IF** 约45%[26]，**IC** 约72%[26]，**IM** 约48%[26]

量化模型与构建方式 1. **模型名称**：无 **模型构建思路**：无 **模型具体构建过程**：无 量化因子与构建方式 1. **因子名称**：封板率[16] **因子构建思路**：通过计算最高价涨停且收盘涨停的股票比例，来衡量市场涨停板的封板强度和市场情绪[16] **因子具体构建过程**：统计上市满3个月以上的股票，计算当日最高价涨停且收盘涨停的股票数量，再除以当日最高价涨停的股票总数[16] **因子计算公式**： $$封板率=最高价涨停且收盘涨停的股票数/最高价涨停的股票数$$ **因子评价**：该因子是衡量市场短期炒作情绪和资金封板意愿的常用指标[16] 2. **因子名称**：连板率[16] **因子构建思路**：通过计算连续两日收盘涨停的股票比例，来衡量市场涨停板的持续性和赚钱效应[16] **因子具体构建过程**：统计上市满3个月以上的股票，计算当日收盘涨停且前一日也收盘涨停的股票数量，再除以前一日收盘涨停的股票总数[16] **因子计算公式**： $$连板率=连续两日收盘涨停的股票数/昨日收盘涨停的股票数$$ **因子评价**：该因子反映了市场热点的持续性和短线追涨资金的活跃度[16] 3. **因子名称**：大宗交易折价率[25] **因子构建思路**：通过计算大宗交易成交价相对于市场价格的折价幅度，来反映大资金的交易情绪和偏好[25] **因子具体构建过程**：统计每日大宗交易的总成交金额和对应成交份额按当日市价计算的总市值，计算两者的比值减1[25] **因子计算公式**： $$折价率=大宗交易总成交金额/当日成交份额的总市值-1$$ **因子评价**：该因子是观察机构或大股东等大资金交易行为的重要指标，较高的折价率可能反映卖出方较强的减持意愿或流动性需求[25] 4. **因子名称**：股指期货年化贴水率[27] **因子构建思路**：通过计算股指期货价格相对于现货指数的年化基差，来反映市场对未来走势的预期和对冲成本[27] **因子具体构建过程**：计算股指期货主力合约价格与现货指数价格的差值（基差），除以现货指数价格，再乘以（250/合约剩余交易日数）进行年化处理[27] **因子计算公式**： $$年化贴水率=基差/指数价格*(250/合约剩余交易日数)$$ **因子评价**：该因子是量化对冲策略中重要的成本考量指标，其变化也常被视为市场情绪的风向标[27] 因子的回测效果 1. **封板率因子**，2026年1月7日取值为64%[16] 2. **连板率因子**，2026年1月7日取值为24%[16] 3. **大宗交易折价率因子**，2026年1月6日取值为9.26%[25]，近半年平均值为6.69%[25] 4. **股指期货年化贴水率因子**，2026年1月7日取值如下： * 上证50股指期货：0.23%[27] * 沪深300股指期货：2.69%[27] * 中证500股指期货：5.00%[27] * 中证1000股指期货：10.05%[27] * 近一年中位数分别为：0.85%、3.79%、11.15%、13.61%[27]

量化模型与构建方式 1. 人工智能全球大类资产配置模型 * **模型名称**：人工智能全球大类资产配置模型[38] * **模型构建思路**：将机器学习模型应用到大类资产配置问题上，基于因子投资的思路，使用模型对各类资产进行打分排序，最终构建可投资的月频量化等权配置策略[38] * **模型具体构建过程**：报告未详细描述具体的机器学习模型算法、因子构成及打分排序的详细计算过程，仅提及了基于因子投资思路构建策略的整体框架[38] 2. 基于动态宏观事件因子的股债轮动配置模型 * **模型名称**：基于动态宏观事件因子的股债轮动配置模型[43] * **模型构建思路**：构建一个宏观择时模块，结合风险预算模型框架，输出不同风险偏好（保守、稳健、进取）的股债配置权重[43] * **模型具体构建过程**： 1. **宏观择时模块**：从经济增长和货币流动性两个维度构建动态宏观事件因子[43]。每个维度包含多个细分指标（因子），例如经济增长维度包括M1同比、PPI同比、PPI-CPI剪刀差、工业增加值同比、国债利差(10Y-1M)、发电量环比等；货币流动性维度包括M1-M2剪刀差、中美国债利差(10Y)、中国国债美国TIPS利差(10年)等[46]。 2. **信号生成**：每个细分指标根据其数值或变化发出看多信号（记为1）或看空信号（记为0）[46][54]。 3. **维度信号合成**：将同一维度下的多个细分因子信号进行合成，得到该维度的总体信号强度（例如60%）[43][45]。 4. **最终仓位确定**：综合经济增长和货币流动性维度的信号，通过风险预算模型框架，计算出最终的股票建议仓位，并据此构建保守型、稳健型和进取型三种不同风险偏好的配置策略[43][45]。 3. 红利风格择时配置模型 * **模型名称**：红利风格择时配置模型[50] * **模型构建思路**：使用经济增长和货币流动性共10个指标，通过动态事件因子体系构建针对中证红利指数的择时策略，以提升收益稳定性[50] * **模型具体构建过程**： 1. **因子构建**：选取经济增长和货币流动性两个维度的共10个指标作为动态事件因子。经济增长维度指标包括消费者信心指数、发电量环比、国债利差(10Y-3M)、中采制造业PMI新出口订单、PPI同比、PPI-CPI剪刀差；货币流动性指标包括Shibor2W、R007_MA20、Shibor1M环比、逆回购R007差额[54]。 2. **信号生成**：每个指标根据规则独立生成看多信号（1）或看空信号（0）[54]。 3. **信号合成**：将所有指标的信号进行合成，得到最终的择时信号（0%或100%），用于决定中证红利指数的推荐仓位[50][54]。 模型的回测效果 1. 人工智能全球大类资产配置模型 * **回测区间**：2021年1月至2025年12月[39] * **年化收益率**：6.78%[39] * **年化波动率**：6.53%[42] * **夏普比率**：1.04[39] * **最大回撤**：6.66%[39] * **基准（资产等权）年化收益率**：6.80%[39] * **基准夏普比率**：0.75[39] * **基准最大回撤**：12.67%[39] * **年初至今收益率（截至报告期）**：7.18%[40] * **基准年初至今收益率**：18.14%[40] 2. 基于动态宏观事件因子的股债轮动配置模型 * **回测区间**：2005年1月至2025年12月[43] * **进取型策略年化收益率**：20.03%[44] * **稳健型策略年化收益率**：10.84%[44] * **保守型策略年化收益率**：5.88%[44] * **基准（股债64）年化收益率**：8.97%[44] * **进取型策略年化波动率**：14.07%[49] * **稳健型策略年化波动率**：8.14%[49] * **保守型策略年化波动率**：3.20%[49] * **基准年化波动率**：16.49%[49] * **进取型策略夏普比率**：1.30[49] * **稳健型策略夏普比率**：1.18[49] * **保守型策略夏普比率**：1.48[49] * **基准夏普比率**：0.54[49] * **进取型策略最大回撤**：-13.72%[49] * **稳健型策略最大回撤**：-6.77%[49] * **保守型策略最大回撤**：-3.55%[49] * **基准最大回撤**：-46.24%[49] * **进取型策略年初至今收益率**：15.77%[49] * **稳健型策略年初至今收益率**：4.23%[49] * **保守型策略年初至今收益率**：0.70%[49] * **基准年初至今收益率**：15.95%[49] 3. 红利风格择时配置模型 * **模型具体测试结果取值**： * **年化收益率**：16.18%[50][53] * **年化波动率**：17.32%[53] * **夏普比率**：0.93[50][53] * **最大回撤**：-21.22%[50][53] * **基准（中证红利全收益指数）年化收益率**：11.28%[53] * **基准年化波动率**：22.60%[53] * **基准夏普比率**：0.57[53] * **基准最大回撤**：-36.80%[53] 量化因子与构建方式 1. 动态宏观事件因子（用于股债轮动及红利择时） * **因子构建思路**：从宏观经济指标中选取具有预测性的变量，将其转化为二值化（0/1）的择时信号，用于判断股票市场的整体或风格（红利）走势[43][50] * **因子具体构建过程**：报告列出了用于不同模型的细分宏观指标，其构建逻辑应为：当指标值或变化量超过（或低于）特定阈值时，发出看多信号（赋值为1），否则为看空信号（赋值为0）[46][54]。具体指标包括： * **经济增长维度**：M1同比、PPI同比、PPI-CPI剪刀差、工业增加值同比、国债利差(10Y-1M或10Y-3M)、发电量当月值3月移动平均环比、消费者信心指数、中采制造业PMI新出口订单等[46][54] * **货币流动性维度**：M1-M2剪刀差、中美国债利差(10Y)、中国国债美国TIPS利差(10年)、Shibor2W、R007_MA20、Shibor1M环比、逆回购R007差额等[46][54]