量化模型与构建方式 1. **模型名称：价格分段体系**[14] * **模型构建思路**：通过分析上证综指在不同时间周期（如日线、周线）的价格走势，识别其运行趋势和关键分段点，以判断市场所处的技术状态[14]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建算法和公式，仅展示了其应用结果。从图表描述来看，该模型可能涉及对指数价格序列进行多周期（如日线、周线）的技术分析，并可能结合了类似DEA（离差平均值）的指标进行趋势判断[17]。 2. **模型名称：微观市场结构择时模型（知情交易者活跃度指标）**[15] * **模型构建思路**：通过构建“知情交易者活跃度”指标，监测市场中可能拥有信息优势的交易者的行为活跃程度，以此作为判断市场情绪和未来走势的择时依据[15]。 * **模型具体构建过程**：报告未提供该指标的具体计算公式和构建细节。其构建思路是基于市场微观结构理论，通过某些交易数据（如订单流、大单交易等）来估算知情交易者的活动水平[15]。 3. **因子名称：BARRA风格因子体系**[22] * **因子构建思路**：采用经典的BARRA风险模型框架，从多个维度（如市值、价值、成长、动量、波动率等）构建一系列风格因子，用以描述和解释股票收益的横截面差异[22]。 * **因子具体构建过程**：报告未详细列出每个因子的具体计算公式。该体系是业界标准模型，通常包含以下因子（根据报告列表归纳）[23]： * **市值**：衡量公司规模。 * **非线性市值**：市值因子的非线性变形。 * **BP价值**：账面市值比。 * **EP价值**：盈利价格比。 * **股息率**：股息与价格之比。 * **成长**：衡量盈利或收入增长。 * **动量**：衡量股票价格的中短期趋势。 * **长期反转**：衡量股票的长期反转效应。 * **波动率**：衡量股票历史价格波动。 * **贝塔**：衡量股票相对于市场的系统性风险。 * **财务杠杆**：衡量公司的负债水平。 * **盈利波动**：衡量公司盈利的稳定性。 * **盈利质量**：衡量公司盈利的可持续性和可靠性。 * **盈利能力**：衡量公司的盈利效率（如ROE）。 * **投资质量**：衡量公司资本开支的效率。 * **换手**：衡量股票的流动性。 4. **因子名称：出口链组合因子**[12] * **因子构建思路**：通过筛选海外业务收入占比较高的股票，构建代表“出口链”的主题投资组合，用以观察和跟踪逆全球化背景下相关板块的市场表现[12]。 * **因子具体构建过程**：具体构建方法为，统计所有股票的海外业务收入占比，选取占比高于某一阈值的股票，等权或按市值加权构建组合。该组合的表现用于衡量“出口链”逻辑的市场演绎程度[12]。 模型的回测效果 （报告中未提供所述量化模型的明确历史回测绩效指标，如年化收益率、夏普比率、最大回撤等具体数值。） 因子的回测效果 1. **BARRA风格因子**，本周收益：换手 0.0%， 财务杠杆 -0.2%， 盈利波动 -0.1%， 盈利质量 0.1%， 盈利能力 -0.4%， 投资质量 -0.1%， 长期反转 0.0%， EP价值 0.0%， BP价值 -0.5%， 成长 0.0%， 动量 0.6%， 非线性市值 0.1%， 市值 0.1%， 波动率 -0.9%， 贝塔 0.5%， 股息率 -0.1%[23] 2. **出口链组合因子**，相对中证800超额收益（2025年12月以来）：制造业出口链 -5.37%， 地产后周期出口链 -5.51%[12]

量化模型与构建方式 1. **模型名称：高频资金流模型**[13][16] * **模型构建思路**：通过分析高频资金流的走势，对主要宽基指数（如沪深300、中证500等）发出买入或卖出信号，以辅助择时决策[13]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建步骤和计算公式，仅提及了其信号输出结果[13][16]。 2. **模型名称：情绪模型**[13][16] * **模型构建思路**：通过构建涨跌停板相关因子来刻画市场的情绪强弱，从而判断市场情绪状态[13]。 * **模型具体构建过程**：该模型由多个细分情绪因子构成，包括净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益。每个因子给出一个信号（例如，1分或0分），最终汇总得到一个综合得分（满分5分）和趋势信号[13][16]。 3. **指标名称：流动性冲击指标**[4][8] * **指标构建思路**：衡量当前市场流动性相对于过去一年平均水平的偏离程度，数值表示高于或低于平均水平的标准差倍数[4][8]。 * **指标具体构建过程**：报告未详细描述其计算公式，但给出了基于沪深300指数的计算结果示例：当前值为2.52，意味着市场流动性高于过去一年平均水平2.52倍标准差[4][8]。 4. **指标名称：均线强弱指数**[13] * **指标构建思路**：通过计算Wind二级行业指数相对于其均线的位置，来综合判断市场整体的强弱程度[13]。 * **指标具体构建过程**：报告未详细描述其具体计算方法和公式，仅给出了当前得分（151分）及其历史分位点（49.74%）[13]。 量化因子与构建方式 1. **因子名称：复合因子拥挤度**[18][20] * **因子构建思路**：因子拥挤是指跟踪某一因子的资金过多，导致其收益或稳定性下降的现象。该因子通过综合多个子指标来度量因子的拥挤程度，作为因子失效的预警[18]。 * **因子具体构建过程**：使用四个指标来度量因子拥挤度，并进行综合打分[18]。 1. **估值价差**：衡量因子内股票估值的离散程度。 2. **配对相关性**：衡量因子内股票收益的相关性。 3. **市场波动**：可能指因子收益的波动率或与市场波动的关联。 4. **收益反转**：衡量因子近期收益是否出现反转迹象。 * 报告未提供各子指标及综合打分的具体计算公式，但给出了小市值、低估值、高盈利、高增长这四个因子的拥挤度分项得分及综合得分[20]。 2. **因子名称：行业拥挤度**[22][24] * **因子构建思路**：将因子拥挤度的概念应用于行业层面，度量各行业板块的拥挤程度，以判断行业是否过热[22]。 * **因子具体构建过程**：报告未详细描述行业拥挤度的具体计算方法和公式，仅列出了各行业的拥挤度数值及变化[22][24][25]。 3. **情绪模型细分因子**[13][16] * **因子名称**：净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益。 * **因子构建思路**：这些是构成上述情绪模型的细分因子，分别从不同角度捕捉市场基于涨停跌停行为的情绪信号[13]。 * **因子具体构建过程**：报告未提供这些细分因子的具体计算公式[13][16]。 模型的回测效果 *报告未提供量化模型（如高频资金流模型、情绪模型）的历史回测绩效指标（如年化收益率、夏普比率、最大回撤等）。* 因子的回测效果 1. **复合因子拥挤度** * **小市值因子**：综合拥挤度 0.03[4][20] * **低估值因子**：综合拥挤度 -0.40[4][20] * **高盈利因子**：综合拥挤度 0.03[4][20] * **高盈利增长因子**：综合拥挤度 0.50[4][20] 2. **行业拥挤度** * **截至2026年2月13日，部分行业拥挤度取值**： * 综合：2.72[24][25] * 有色金属：2.01[24][25] * 基础化工：1.90[24][25] * 通信：1.69[24][25] * 电子：1.62[24][25] * 国防军工：1.20[24][25] * 电力设备：1.07[24][25] * 银行：-0.15[25] * 食品饮料：-0.81[25] * 房地产：-1.08[25] * 公用事业：-1.22[25] * 建筑装饰：-1.44[25]

量化模型与构建方式 **本报告为基金市场周报，主要对市场表现、基金产品动态及各类基金业绩进行回顾与统计，并未涉及具体的量化模型或量化因子的构建思路、过程及公式。** [1][2][3][4][6][7][8][9][10][11][12][13][14][15][16][17][18][19][21][22][23][24][26][27][28][29][30][31][32][33][34][35][36][38][39][40][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56] 量化因子与构建方式 **本报告为基金市场周报，主要对市场表现、基金产品动态及各类基金业绩进行回顾与统计，并未涉及具体的量化模型或量化因子的构建思路、过程及公式。** [1][2][3][4][6][7][8][9][10][11][12][13][14][15][16][17][18][19][21][22][23][24][26][27][28][29][30][31][32][33][34][35][36][38][39][40][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56]

量化模型与因子总结 量化模型与构建方式 本报告为历史复盘研究，未涉及具体的量化模型构建，主要对不同风格和行业在特定时间窗口（春节后）的表现进行了统计归纳[1][2][6][8][13]。 量化因子与构建方式 报告未构建传统的量化因子，但识别并分析了两个影响春节后市场表现的关键特征（可视为事件驱动型因子逻辑）[8][17][19]。 1. **因子名称**：春节后流动性回暖因子[8][17] * **因子构建思路**：春节假期后市场资金回流，交易活跃度提升，流动性改善对股价，尤其是中小微盘股，形成支撑。通过计算主要指数在节后不同时间窗口的日均成交额相对于节前基准的增幅，来量化流动性回暖的强度[8][17]。 * **因子具体构建过程**： 1. 确定时间窗口：春节后 T+5、T+10、T+20 交易日区间[8][17]。 2. 计算基准成交额：计算节前5个交易日的日均成交额[8][17]。 3. 计算窗口期成交额：分别计算节后 T+5、T+10、T+20 区间内的日均成交额[8][17]。 4. 计算成交额增幅：使用以下公式计算各窗口期日均成交额相对于节前基准的增幅[8][17]。 $$ \text{日均成交额增幅} = \frac{\text{节后某区间日均成交额} - \text{节前5交易日日均成交额}}{\text{节前5交易日日均成交额}} $$ * **因子评价**：该因子揭示了春节后市场流动性修复的结构性差异，中小盘及微盘指数获得的流动性支撑更为充足，这可能是其节后表现优于大盘指数的重要驱动因素之一[8][17]。 2. **因子名称**：春节后行业景气因子[8][19][21] * **因子构建思路**：春节后不同行业由于政策环境、季节性需求、资金偏好等因素，表现出不同的景气度。通过统计各行业在节后不同时间窗口的胜率和中位数收益率，来识别节后表现占优的行业群体[8][19][21]。 * **因子具体构建过程**： 1. 确定时间窗口：春节后 T+1、T+5、T+10、T+20 交易日以及3月单月[13][19]。 2. 计算行业胜率：对于每个行业指数，统计在2007年至2025年样本期内，于上述各时间窗口取得正收益的年份数占总年份数的比例[13][19]。 3. 计算行业中位数收益率：对于每个行业指数，计算在样本期内，于上述各时间窗口所有年份收益率的中位数[13][19]。 4. 综合评估：结合高胜率与高中位数收益率，筛选出节后表现稳健的优势行业[8][19]。 * **因子评价**：该因子总结了春节后行业轮动的历史规律，成长类（如电子、计算机）和部分周期类行业（如环保、纺织服装、化学品）表现更为突出，而金融类行业表现相对偏弱[8][19][21]。 模型的回测效果 报告未涉及具体量化模型的回测。 因子的回测效果 报告展示了基于上述特征逻辑的统计结果。 1. **春节后流动性回暖因子**，各指数在节后不同窗口的日均成交额增幅如下[8][17][18]： * Wind 微盘指数：T+5增幅30.7%，T+10增幅42.7%，T+20增幅52.9% * 中证2000指数：T+5增幅26.4%，T+10增幅37.0%，T+20增幅51.7% * Wind 全A指数：T+5增幅24.4%，T+10增幅32.8%，T+20增幅42.0% * 沪深300指数：T+5增幅18.9%，T+10增幅23.1%，T+20增幅30.5% 2. **春节后行业景气因子**，部分优势行业在节后T+20窗口的胜率与中位数收益率如下[8][13][19][22][24]： * 电子行业：胜率84.2%，中位数收益率9.10% * 环保行业：胜率94.7%，中位数收益率7.02% * 纺织服装行业：胜率89.5%，中位数收益率7.59% * 纸类及包装行业：胜率84.2%，中位数收益率6.48% * 非金属材料行业：胜率84.2%，中位数收益率6.02% * 计算机行业：胜率84.2%，中位数收益率5.12% * 化学品行业：胜率84.2%，中位数收益率5.12%

量化模型与构建方式 1. **模型名称：进取组合/平衡组合** * **模型构建思路：** 基于多因子模型构建的股票组合，旨在获取相对于基准指数（中证500）的超额收益[10]。 * **模型具体构建过程：** 报告未详细说明具体的因子构成、权重分配及组合构建步骤，仅提及其为多因子组合[7][10]。 2. **模型名称：沪深300/中证500/中证1000指数增强组合** * **模型构建思路：** 在对应基准指数成分股范围内，通过量化模型优选股票，构建旨在稳定跑赢基准指数的投资组合[5][13][15]。 * **模型具体构建过程：** 报告未详细说明具体的增强模型构建过程，包括因子选择、风险模型约束和优化目标等。 3. **模型名称：绩优基金的独门重仓股组合** * **模型构建思路：** 通过分析绩优基金的持仓数据，筛选出被少数基金独家重仓持有的股票构建组合，旨在捕捉基金经理的独到选股能力[5][28]。 * **模型具体构建过程：** 报告未详细说明具体的基金筛选标准、独门重仓的定义以及组合构建方法。 4. **模型名称：盈利、增长、现金流三者兼优组合** * **模型构建思路：** 从盈利、增长和现金流三个基本面维度，筛选出各方面表现均优异的公司股票构建组合[5][30]。 * **模型具体构建过程：** 报告未详细说明具体筛选指标（如ROE、营收增长率、经营性现金流等）的阈值设定和综合打分方法。 5. **模型名称：PB-盈利优选组合** * **模型构建思路：** 结合低估值（市净率PB）和高盈利能力的标准筛选股票，构建具有基本面支撑的低估值组合[5][32][36]。 * **模型具体构建过程：** 报告未详细说明PB和盈利指标（如ROE、净利润率等）的具体结合方式（如排序、打分、构建复合因子等）。 6. **模型名称：GARP组合** * **模型构建思路：** 采用GARP（Growth at a Reasonable Price）策略，即寻找价格合理且具有成长性的股票[38]。 * **模型具体构建过程：** 报告未详细说明衡量“合理价格”和“成长性”的具体指标及组合构建方法。 7. **模型名称：小盘价值优选组合1/2** * **模型构建思路：** 在小盘股范围内，筛选具有价值属性的股票构建组合，基准为微盘股指数[5][39][42]。 * **模型具体构建过程：** 报告未详细说明“小盘”和“价值”的具体定义标准，以及两个优选组合在构建上的差异。 8. **模型名称：小盘成长组合** * **模型构建思路：** 在小盘股范围内，筛选具有高成长属性的股票构建组合，基准为微盘股指数[5][44]。 * **模型具体构建过程：** 报告未详细说明“小盘”和“成长”的具体定义标准及组合构建方法。 量化因子与构建方式 1. **因子名称：市值因子** * **因子构建思路：** 衡量公司规模大小的因子，通常认为大市值公司和小市值公司具有不同的风险收益特征[47]。 * **因子具体构建过程：** 报告未给出具体计算公式。通常为股票的总市值。 2. **因子名称：PB因子** * **因子构建思路：** 估值类因子，使用市净率（Price-to-Book Ratio）衡量股票价格相对于其净资产的溢价或折价程度[47]。 * **因子具体构建过程：** 报告未给出具体计算公式。通常为股票价格除以每股净资产。 3. **因子名称：PE_TTM因子** * **因子构建思路：** 估值类因子，使用滚动市盈率（Price-to-Earnings Ratio， Trailing Twelve Months）衡量股票价格相对于其近期盈利的水平[47]。 * **因子具体构建过程：** 报告未给出具体计算公式。通常为股票价格除以最近12个月的每股收益。 4. **因子名称：反转因子** * **因子构建思路：** 技术类因子，基于股价短期反转效应，认为过去一段时间表现较差的股票未来可能反弹，而表现较好的股票可能回调[52]。 * **因子具体构建过程：** 报告未给出具体计算公式。通常基于股票过去一段时间的收益率进行排序或计算。 5. **因子名称：换手率因子** * **因子构建思路：** 技术类/流动性因子，衡量股票的交易活跃程度[52]。 * **因子具体构建过程：** 报告未给出具体计算公式。通常为一段时间内的成交股数除以流通股本。 6. **因子名称：波动率因子** * **因子构建思路：** 技术类/风险因子，衡量股票价格的波动程度[52]。 * **因子具体构建过程：** 报告未给出具体计算公式。通常为股票日收益率在过去一段时间内的标准差。 7. **因子名称：ROE因子** * **因子构建思路：** 基本面因子，使用净资产收益率（Return on Equity）衡量公司利用股东权益创造利润的能力[55]。 * **因子具体构建过程：** 报告未给出具体计算公式。通常为净利润除以平均净资产。 8. **因子名称：SUE因子** * **因子构建思路：** 基本面因子，即标准化未预期盈利（Standardized Unexpected Earnings），衡量公司盈利超出市场预期的程度[55]。 * **因子具体构建过程：** 报告未给出具体计算公式。通常为（实际公告的每股收益 - 分析师一致预期的每股收益）/ 历史盈利预测的标准差。 9. **因子名称：预期净利润调整因子** * **因子构建思路：** 基本面因子，基于分析师对净利润预测的调整行为，捕捉盈利预期的变化[55]。 * **因子具体构建过程：** 报告未给出具体计算公式。通常衡量一段时间内分析师对公司未来净利润预测值的调整幅度或方向。 模型的回测效果 （数据期间：2025年12月31日至2026年2月13日）[9] 1. **进取组合**，绝对收益17.95%，超额收益6.78%，跟踪误差22.02%，最大相对回撤5.01%[9] 2. **平衡组合**，绝对收益15.90%，超额收益4.73%，跟踪误差18.95%，最大相对回撤3.98%[9] 3. **沪深300增强组合**，绝对收益6.86%，超额收益6.20%，跟踪误差6.86%，最大相对回撤2.09%[9] 4. **中证500增强组合**，绝对收益11.77%，超额收益0.60%，跟踪误差8.56%，最大相对回撤3.17%[9] 5. **中证1000增强组合**，绝对收益11.84%，超额收益3.81%，跟踪误差9.14%，最大相对回撤2.23%[9] 6. **绩优基金的独门重仓股组合**，绝对收益7.95%，超额收益1.47%，跟踪误差24.90%，最大相对回撤5.18%[9] 7. **盈利、增长、现金流三者兼优组合**，绝对收益-3.78%，超额收益-4.44%，跟踪误差16.34%，最大相对回撤8.71%[9] 8. **PB-盈利优选组合**，绝对收益3.62%，超额收益2.96%，跟踪误差11.96%，最大相对回撤2.38%[9] 9. **GARP组合**，绝对收益10.87%，超额收益10.21%，跟踪误差11.58%，最大相对回撤1.18%[9] 10. **小盘价值优选组合1**，绝对收益8.02%，超额收益-6.42%，跟踪误差10.71%，最大相对回撤7.84%[9] 11. **小盘价值优选组合2**，绝对收益14.18%，超额收益-0.26%，跟踪误差12.03%，最大相对回撤5.59%[9] 12. **小盘成长组合**，绝对收益11.12%，超额收益-3.32%，跟踪误差9.52%，最大相对回撤6.32%[9] 因子的回测效果 （数据期间：2025年12月31日至2026年2月13日）[48][53][56] 1. **市值因子**，全市场多空收益6.82%，沪深300多空收益7.25%，中证500多空收益-7.72%，中证1000多空收益-2.50%[48] 2. **PB因子**，全市场多空收益-2.39%，沪深300多空收益-5.90%，中证500多空收益-6.06%，中证1000多空收益-4.24%[48] 3. **PE_TTM因子**，全市场多空收益-0.82%，沪深300多空收益-7.16%，中证500多空收益-7.79%，中证1000多空收益-3.86%[48] 4. **反转因子**，全市场多空收益-1.58%，沪深300多空收益-3.22%，中证500多空收益-6.22%，中证1000多空收益3.16%[53] 5. **换手率因子**，全市场多空收益1.75%，沪深300多空收益-6.13%，中证500多空收益-14.13%，中证1000多空收益-2.03%[53] 6. **波动率因子**，全市场多空收益-0.88%，沪深300多空收益-6.39%，中证500多空收益-15.67%，中证1000多空收益-2.98%[53] 7. **ROE因子**，全市场多空收益0.84%，沪深300多空收益-0.11%，中证500多空收益-0.01%，中证1000多空收益3.71%[56] 8. **SUE因子**，全市场多空收益1.57%，沪深300多空收益2.24%，中证500多空收益-2.60%，中证1000多空收益2.42%[56] 9. **预期净利润调整因子**，全市场多空收益0.24%，沪深300多空收益1.25%，中证500多空收益3.83%，中证1000多空收益-1.06%[56]

量化模型与构建方式 1. **模型名称：港股精选组合模型**[14][17] * **模型构建思路**：该模型旨在对分析师推荐股票池进行基本面和技术面的双层优选，挑选出同时具备基本面支撑和技术面共振的超预期股票，构建港股精选股票组合[14][17]。 * **模型具体构建过程**： 1. **构建分析师推荐股票池**：以分析师上调盈利预测、分析师首次关注、分析师研报标题超预期事件作为分析师推荐事件，构建初始股票池[17]。 2. **基本面与技术面精选**：对上述股票池中的股票，从基本面和技术面两个维度进行进一步筛选，具体筛选标准未在本文中详述，但参考了专题报告《基于分析师推荐视角的港股投资策略》[14][17]。 2. **因子名称：250日新高距离**[23] * **因子构建思路**：用于量化股票价格接近其历史最高价的程度，数值越小表示越接近新高，常用于捕捉动量效应和趋势[21][23]。 * **因子具体构建过程**：计算最新收盘价与过去250个交易日最高收盘价的相对距离。 * **公式**：$$250日新高距离 = 1 - \frac{Close_t}{ts\_max(Close, 250)}$$ * **公式说明**：其中，$Close_t$为股票在t日的最新收盘价，$ts\_max(Close, 250)$为股票过去250个交易日收盘价的最大值。当最新收盘价创出新高时，该因子值为0；当股价从高点回落时，该因子为正值，表示回落的幅度[23]。 3. **模型名称：平稳创新高股票筛选模型**[22][24] * **模型构建思路**：从近期创过新高的股票中，综合分析师关注度、股价相对强弱、股价路径平稳性、创新高连续性等多个角度，筛选出趋势更为健康、平稳的创新高股票[2][22]。 * **模型具体构建过程**：采用多步骤分层筛选法。 1. **样本池**：全部港股，但需剔除成立时间不超过15个月的股票[24]。 2. **初筛条件（需同时满足）**： * **创新高股票池**：过去20个交易日内曾创出250日新高[2][23]。 * **分析师关注度**：过去6个月内，获得“买入”或“增持”评级的分析师研报不少于5份[24]。 * **股价相对强弱**：过去250日涨跌幅位于全样本池股票的前20%[24]。 3. **精筛条件（在满足初筛条件的股票池内排序筛选）**： * **股价平稳性**：使用以下两个指标综合打分，选取排名在前50%的股票（若数量不足则最少取50只）[24]。 * **价格路径平滑性**：股价位移路程比。具体计算公式为：$$股价位移路程比 = \frac{|过去120日涨跌幅|}{\sum_{i=1}^{120} |日涨跌幅_i|}$$[23][24] * **创新高持续性**：过去120个交易日的“250日新高距离”在时间序列上的均值[24]。 * **趋势延续性**：对通过平稳性筛选的股票，计算其过去5个交易日的“250日新高距离”在时间序列上的均值，并选取该值排序靠前的50只股票作为最终入选的“平稳创新高股票”[24]。 模型的回测效果 1. **港股精选组合模型**[17][20] * 全样本回测区间（20100101-20251231）绩效： * 年化收益：19.08%[17] * 相对恒生指数年化超额收益：18.06%[17] * 信息比率(IR)：1.19[20] * 相对最大回撤：23.73%[20] * 跟踪误差：14.60%[20] * 收益回撤比：0.76[20] * 近期表现： * 本周（20260209-20260213）绝对收益：0.84%，超额收益（vs恒生指数）：0.81%[1][18] * 本年（20260102-20260213）绝对收益：8.04%，超额收益（vs恒生指数）：4.39%[1][18] 量化因子与构建方式 *（本报告中未单独对“250日新高距离”因子进行独立的效果测试，其作用主要体现在“平稳创新高股票筛选模型”的构建中。）* 因子的回测效果 *（本报告中未提供独立因子的回测效果数据。）*

量化模型与构建方式 1. 模型名称：国信金工指数增强组合模型 * **模型构建思路**：以多因子选股为主体，通过收益预测、风险控制和组合优化三个主要流程，构建对标不同基准指数的增强组合，力求稳定战胜基准[11][12] * **模型具体构建过程**： 1. **收益预测**：基于多因子模型对股票未来收益进行预测[12] 2. **风险控制**：在组合优化过程中施加多种约束条件以控制风险[12] 3. **组合优化**：在满足风险约束的条件下，通过优化算法求解最优的股票权重，以最大化预期收益或控制跟踪误差[12] 2. 模型名称：单因子MFE组合模型 * **模型构建思路**：为了在更贴近实际投资约束的条件下检验单因子的有效性，采用组合优化的方式，在控制行业暴露、风格暴露等实际约束的同时，最大化组合在目标因子上的暴露，从而构建最大化单因子暴露组合（MFE组合）[39] * **模型具体构建过程**： 1. 设定组合优化的目标函数为最大化单因子暴露，即 $$\max f^{T} w$$，其中 $f$ 为因子取值向量，$w$ 为待求解的股票权重向量[39] 2. 施加一系列实际投资中的约束条件，包括[39][40]： * **风格暴露约束**：$s_{l}\leq X(w-w_{b})\leq s_{h}$，限制组合相对于基准指数在风格因子上的偏离度，其中 $X$ 为风格因子暴露矩阵，$w_b$ 为基准权重[39][40] * **行业偏离约束**：$h_{l}\leq H(w-w_{b})\leq h_{h}$，限制组合相对于基准指数的行业偏离，其中 $H$ 为行业暴露矩阵[39][40] * **个股权重偏离约束**：$w_{l}\leq w-w_{b}\leq w_{h}$，限制个股相对于其基准权重的偏离幅度[39][40] * **成分股权重占比约束**：$b_{l}\leq B_{b}w\leq b_{h}$，限制组合在基准指数成分股内的权重占比，其中 $B_b$ 为成分股标识向量[39][40] * **卖空与权重上限约束**：$\mathbf{0}\leq w\leq l$，禁止卖空并限制个股权重上限[39][40] * **满仓约束**：$\mathbf{1}^{T} w=1$，要求组合权重和为1，即满仓运作[39][40] 3. 在每个月末，根据设定的约束条件（如控制行业中性、市值中性，个股最大偏离权重0.5%-1%等）为每个单因子构建MFE组合[43] 4. 在回测期内根据各期MFE组合换仓，计算历史收益并按双边0.3%扣除交易费用，最后计算相对于基准的收益风险指标[43] 3. 模型名称：公募重仓指数 * **模型构建思路**：为了测试因子在公募基金持仓风格下的有效性，通过汇总公募基金定期报告的持股信息，构建一个代表公募基金整体重仓股情况的指数，作为因子测试的样本空间[41] * **模型具体构建过程**： 1. **确定选样基金池**：选取普通股票型基金和偏股混合型基金，剔除规模小于五千万且上市不足半年的基金，若基金转型则使用转型后半年以上的数据[42] 2. **获取持仓信息**：通过基金的定期报告（年报、半年报、季报）获取持股数据。若最新报告为季报，需结合前期的年报或半年报信息构建完整持仓[42] 3. **计算平均持仓**：将所有符合条件的基金持仓股票权重进行平均，得到公募基金的平均持仓信息[42] 4. **筛选成分股**：将平均后的股票权重按从高到低排序，选取累计权重达到90%的股票作为成分股，构建公募基金重仓指数[42] 量化因子与构建方式 报告因子库包含估值、反转、成长、盈利、流动性、波动、公司治理、分析师共8大类30余个因子[16][17]。 1. 估值类因子 * **因子名称**：BP * **因子构建思路**：衡量公司净资产与市值的比率，属于价值型因子[17] * **因子具体构建过程**：净资产 / 总市值[17] * **因子名称**：单季EP * **因子构建思路**：使用单季度净利润衡量估值[17] * **因子具体构建过程**：单季度归母净利润 / 总市值[17] * **因子名称**：单季SP * **因子构建思路**：使用单季度营业收入衡量估值[17] * **因子具体构建过程**：单季度营业收入 / 总市值[17] * **因子名称**：EPTTM * **因子构建思路**：使用滚动净利润衡量估值[17] * **因子具体构建过程**：归母净利润TTM / 总市值[17] * **因子名称**：SPTTM * **因子构建思路**：使用滚动营业收入衡量估值[17] * **因子具体构建过程**：营业收入TTM / 总市值[17] * **因子名称**：EPTTM分位点 * **因子构建思路**：衡量当前EPTTM在历史区间中的相对位置[17] * **因子具体构建过程**：EPTTM在过去一年中的分位点[17] * **因子名称**：股息率 * **因子构建思路**：衡量公司分红回报[17] * **因子具体构建过程**：最近四个季度预案分红金额 / 总市值[17] 2. 反转类因子 * **因子名称**：一个月反转 * **因子构建思路**：捕捉短期价格反转效应[17] * **因子具体构建过程**：过去20个交易日涨跌幅[17] * **因子名称**：三个月反转 * **因子构建思路**：捕捉中期价格反转效应[17] * **因子具体构建过程**：过去60个交易日涨跌幅[17] * **因子名称**：一年动量 * **因子构建思路**：捕捉长期价格动量效应（剔除近期一个月）[17] * **因子具体构建过程**：近一年除近一月后动量[17] 3. 成长类因子 * **因子名称**：单季净利同比增速 * **因子构建思路**：衡量单季度净利润的同比增长[17] * **因子具体构建过程**：单季度净利润同比增长率[17] * **因子名称**：单季营收同比增速 * **因子构建思路**：衡量单季度营业收入的同比增长[17] * **因子具体构建过程**：单季度营业收入同比增长率[17] * **因子名称**：单季营利同比增速 * **因子构建思路**：衡量单季度营业利润的同比增长[17] * **因子具体构建过程**：单季度营业利润同比增长率[17] * **因子名称**：SUE * **因子构建思路**：标准化预期外盈利，衡量盈利超预期程度[17] * **因子具体构建过程**：（单季度实际净利润 - 预期净利润）/ 预期净利润标准差[17] * **因子名称**：SUR * **因子构建思路**：标准化预期外收入，衡量收入超预期程度[17] * **因子具体构建过程**：（单季度实际营业收入 - 预期营业收入）/ 预期营业收入标准差[17] * **因子名称**：单季超预期幅度 * **因子构建思路**：直接衡量盈利超预期的幅度[17] * **因子具体构建过程**：预期单季度净利润 / 财报单季度净利润[17] 4. 盈利类因子 * **因子名称**：单季ROE * **因子构建思路**：衡量单季度净资产收益率[17] * **因子具体构建过程**：单季度归母净利润 * 2 / （期初归母净资产 + 期末归母净资产）[17] * **因子名称**：单季ROA * **因子构建思路**：衡量单季度总资产收益率[17] * **因子具体构建过程**：单季度归母净利润 * 2 / （期初归母总资产 + 期末归母总资产）[17] * **因子名称**：DELTAROE * **因子构建思路**：衡量净资产收益率的同比变化[17] * **因子具体构建过程**：单季度净资产收益率 - 去年同期单季度净资产收益率[17] * **因子名称**：DELTAROA * **因子构建思路**：衡量总资产收益率的同比变化[17] * **因子具体构建过程**：单季度总资产收益率 - 去年同期单季度总资产收益率[17] 5. 流动性类因子 * **因子名称**：非流动性冲击 * **因子构建思路**：衡量价格对成交额的敏感度，即流动性冲击成本[17] * **因子具体构建过程**：过去20个交易日的日涨跌幅绝对值 / 成交额的均值[17] * **因子名称**：一个月换手 * **因子构建思路**：衡量短期换手率[17] * **因子具体构建过程**：过去20个交易日换手率均值[17] * **因子名称**：三个月换手 * **因子构建思路**：衡量中期换手率[17] * **因子具体构建过程**：过去60个交易日换手率均值[17] 6. 波动类因子 * **因子名称**：特异度 * **因子构建思路**：衡量个股特异性风险，即不能被常见风险因子（如Fama-French三因子）解释的部分[17] * **因子具体构建过程**：1 - 过去20个交易日Fama-French三因子回归的拟合度[17] * **因子名称**：一个月波动 * **因子构建思路**：衡量短期股价波动[17] * **因子具体构建过程**：过去20个交易日日内真实波幅均值[17] * **因子名称**：三个月波动 * **因子构建思路**：衡量中期股价波动[17] * **因子具体构建过程**：过去60个交易日日内真实波幅均值[17] 7. 公司治理类因子 * **因子名称**：高管薪酬 * **因子构建思路**：衡量公司高管薪酬水平[17] * **因子具体构建过程**：前三高管报酬总额取对数[17] 8. 分析师类因子 * **因子名称**：预期EPTTM * **因子构建思路**：基于分析师一致预期的滚动市盈率倒数[17] * **因子具体构建过程**：一致预期滚动EP[17] * **因子名称**：预期BP * **因子构建思路**：基于分析师一致预期的滚动市净率倒数[17] * **因子具体构建过程**：一致预期滚动PB[17] * **因子名称**：预期PEG * **因子构建思路**：基于分析师一致预期的PEG指标[17] * **因子具体构建过程**：一致预期PEG[17] * **因子名称**：预期净利润环比 * **因子构建思路**：衡量分析师对未来净利润环比增长的预期[17] * **因子具体构建过程**：一致预期净利润 / 3个月前一致预期净利润[17] * **因子名称**：三个月盈利上下调 * **因子构建思路**：衡量过去一段时间内分析师对盈利预测的调整方向[17] * **因子具体构建过程**：过去3个月内分析师（上调家数 - 下调家数）/ 总家数[17] * **因子名称**：三个月机构覆盖 * **因子构建思路**：衡量机构关注度[17] * **因子具体构建过程**：过去3个月内机构覆盖数量[17] 模型的回测效果 1. 国信金工指数增强组合模型 * **沪深300指数增强组合**：本周超额收益-0.14%，本年超额收益3.07%[5][14] * **中证500指数增强组合**：本周超额收益-0.27%，本年超额收益-0.57%[5][14] * **中证1000指数增强组合**：本周超额收益-0.69%，本年超额收益3.24%[5][14] * **中证A500指数增强组合**：本周超额收益0.12%，本年超额收益3.43%[5][14] 因子的回测效果 （以下因子表现数据均基于单因子MFE组合相对于各自基准指数的超额收益计算[15]） 1. 在沪深300样本空间中的因子表现（最近一周） * **标准化预期外收入**：0.79%[19] * **单季营收同比增速**：0.71%[19] * **一年动量**：0.54%[19] * **单季营利同比增速**：0.31%[19] * **单季超预期幅度**：0.25%[19] * **3个月盈利上下调**：0.19%[19] * **三个月机构覆盖**：0.06%[19] * **预期PEG**：-0.03%[19] * **预期净利润环比**：-0.07%[19] * **单季净利同比增速**：-0.07%[19] * **一个月波动**：-0.23%[19] * **高管薪酬**：-0.27%[19] * **DELTAROA**：-0.28%[19] * **单季ROE**：-0.36%[19] * **标准化预期外盈利**：-0.40%[19] * **BP**：-0.41%[19] * **DELTAROE**：-0.45%[19] * **单季ROA**：-0.47%[19] * **EPTTM年分位点**：-0.51%[19] * **三个月波动**：-0.55%[19] * **特异度**：-0.56%[19] * **三个月反转**：-0.59%[19] * **一个月换手**：-0.61%[19] * **预期BP**：-0.68%[19] * **三个月换手**：-0.76%[19] * **单季EP**：-0.80%[19] * **股息率**：-0.95%[19] * **一个月反转**：-0.97%[19] * **非流动性冲击**：-1.02%[19] * **单季SP**：-1.13%[19] * **预期EPTTM**：-1.20%[19] * **EPTTM**：-1.24%[19] * **SPTTM**：-1.35%[19] 2. 在中证500样本空间中的因子表现（最近一周） * **单季超预期幅度**：1.39%[21] * **3个月盈利上下调**：1.02%[21] * **单季净利同比增速**：1.01%[21] * **单季营利同比增速**：0.77%[21] * **标准化预期外盈利**：0.38%[21] * **三个月换手**：0.28%[21] * **DELTAROA**：0.23%[21] * **单季营收同比增速**：0.20%[21] * **标准化预期外收入**：0.16%[21] * **特异度**：0.15%[21] * **高管薪酬**：0.14%[21] * **一年动量**：0.08%[21] * **三个月反转**：0.06%[21] * **一个月反转**：0.02%[21] * **EPTTM年分位点**：0.00%[21] * **DELTAROE**：-0.01%[21] * **预期PEG**：-0.03%[21] * **一个月换手**：-0.04%[21] * **股息率**：-0.07%[21] * **预期净利润环比**：-0.08%[21] * **单季ROE**：-0.19%[21] * **三个月机构覆盖**：-0.37%[21] * **单季ROA**：-0.42%[21] * **非流动性冲击**：-0.54%[21] * **单季SP**：-0.56%[21] * **EPTTM**：-0.57%[21] * **预期BP**：-0.62%[21] * **三个月波动**：-0.67%[21] * **BP**：-0.68%[21] * **一个月波动**：-0.70%[21] * **单季EP**：-0.81%[21] * **SPTTM**：-0.85%[21] * **预期EPTTM**：-1.09%[21] 3. 在中证1000样本空间中的因子表现（最近一周） * **预期净利润环比**：1.44%[23] * **单季净利同比增速**：

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** * **因子构建思路：** 用于衡量涨停股票的封板质量，反映市场追涨情绪和涨停板的可靠性[19]。 * **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也涨停的股票数量，与当日最高价涨停的股票总数之比[19]。 * 计算公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[19] 2. **因子名称：连板率** * **因子构建思路：** 用于衡量市场涨停效应的持续性，反映短线投机资金的活跃度和赚钱效应[19]。 * **因子具体构建过程：** 统计上市满3个月以上的股票，计算连续两个交易日收盘均涨停的股票数量，与前一个交易日收盘涨停的股票总数之比[19]。 * 计算公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[19] 3. **因子名称：大宗交易折价率** * **因子构建思路：** 通过大宗交易成交价与市价的差异，反映大资金的投资偏好和市场情绪，折价率高通常意味着大资金出货意愿强或对后市看法谨慎[29]。 * **因子具体构建过程：** 统计每日大宗交易数据，计算总成交金额与按当日收盘价计算的成交股份总市值之比再减1[29]。 * 计算公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[29] 4. **因子名称：股指期货年化贴水率** * **因子构建思路：** 衡量股指期货价格相对现货指数的折溢价程度，并进行了年化处理以方便跨期比较。贴水率受利率、分红、市场情绪等多因素影响，其水平与变化可以反映市场对未来走势的预期和对冲成本的高低[31]。 * **因子具体构建过程：** 计算股指期货主力合约与现货指数之间的基差（期货价格-现货价格），除以现货指数价格，再乘以年化因子（250天/合约剩余交易日数）[31]。 * 计算公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[31] * **因子评价：** 该因子是衡量市场情绪、对冲成本和进行期现套利的重要指标。报告中指出，较高的贴水率（如报告中所述中证500、中证1000股指期货的贴水率处于历史较高分位点）意味着利用股指期货建仓具有相对较低的成本[31]。 因子的回测效果 （注：本报告为市场监测日报，主要展示各因子的当日或近期计算数值，而非长期历史回测绩效指标。因此，以下为报告中提及的因子在特定日期的具体取值。） 1. **封板率因子**， 2026年02月13日取值为 **78%**[19] 2. **连板率因子**， 2026年02月13日取值为 **16%**[19] 3. **大宗交易折价率因子** * 近半年以来平均值：**6.94%**[29] * 2026年02月12日取值：**10.19%**[29] 4. **股指期货年化贴水率因子** (2026年02月13日数据) * 上证50股指期货主力合约年化贴水率：**6.22%**， 近一年历史分位点：**19%**[31] * 沪深300股指期货主力合约年化贴水率：**9.43%**， 近一年历史分位点：**17%**[31] * 中证500股指期货主力合约年化贴水率：**3.93%**， 近一年历史分位点：**85%**[31] * 中证1000股指期货主力合约年化贴水率：**2.54%**， 近一年历史分位点：**93%**[31] * （近一年中位数参考值：上证50为0.65%， 沪深300为3.80%， 中证500为11.15%， 中证1000为13.61%）[31]

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；价格从高点回落时，该因子值为正，值越大表示回落幅度越大[11]。 * **因子具体构建过程**：对于给定的证券，在时间点t，计算其最新收盘价与过去250个交易日（约一年）内最高收盘价的相对距离。具体公式如下： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，$Closet$ 代表最新收盘价，$ts\_max(Close, 250)$ 代表过去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**[24][26] * **模型构建思路**：该模型旨在从近期创出新高的股票中，进一步筛选出具有更强趋势延续潜力的“平稳创新高”股票。其理论基础在于，遵循平滑价格路径的动量股收益可能高于遵循跳跃价格路径的动量股[24]。模型从分析师关注度、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角度进行综合筛选[24]。 * **模型具体构建过程**：模型在“过去20个交易日创出过250日新高”的股票池基础上，按以下步骤进行筛选[24][26]： 1. **分析师关注度筛选**：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[26]。 2. **股价相对强弱筛选**：过去250日涨跌幅位于全市场所有股票的前20%[26]。 3. **股价平稳性筛选**：对通过上述条件的股票，使用以下两个指标综合打分，并选取排名在前50%的股票[26]。 * **价格路径平滑性（股价位移路程比）**：该指标衡量股价走势的平滑程度。计算公式为过去120日的累计涨跌幅绝对值与同期每日涨跌幅绝对值之和的比值。比值越高，表明价格路径越平滑（位移大而路程短）[24]。 $$价格路径平滑性 = \frac{|过去120日涨跌幅|}{过去120日日涨跌幅绝对值加总}$$ * **创新高持续性**：过去120个交易日的“250日新高距离”在时间序列上的均值。该值越小，表明股票在近期持续接近或创出新高[26]。 4. **趋势延续性筛选**：对通过平稳性筛选的股票，计算其过去5个交易日的“250日新高距离”在时间序列上的均值，并选取该值最小的前50只股票作为最终的“平稳创新高股票”[26]。 模型与因子的回测效果 > **注**：本报告主要展示了截至特定时点（2026年2月13日）的截面数据监测结果，并未提供基于历史回溯测试的长期绩效指标（如年化收益率、夏普比率、信息比率IR等）。因此，以下为报告中给出的具体监测数值。 1. **250日新高距离因子** * **主要指数取值**：截至2026年2月13日，上证指数为2.00%，深证成指为2.35%，沪深300为2.72%，中证500为3.51%，中证1000为3.14%，中证2000为2.54%，创业板指为3.32%，科创50为5.50%[12]。 * **行业指数取值（部分）**：建材行业为2.86%，机械行业为0.94%，轻工制造为0.97%，石油石化为3.49%，传媒为5.34%；食品饮料、银行、综合金融、医药、农林牧渔等行业距离新高较远[13]。 * **概念指数取值（部分）**：造纸、互联网、万得微盘股日频等权、云计算、储能、工程机械、电气部件与设备等概念指数距离250日新高较近[15]。 2. **平稳创新高股票筛选模型** * **创新高股票池概况**：截至2026年2月13日，全市场（上市满15个月）共有1390只股票在过去20个交易日内创出250日新高[19]。 * **行业分布**：创新高个股数量最多的行业是机械(211只)、电子(180只)、基础化工(165只)；创新高个股数量占比最高的行业是有色金属(66.67%)、石油石化(62.75%)、钢铁(39.62%)[19]。 * **板块分布**：制造板块433只，科技板块396只，周期板块384只，消费板块87只，医药板块51只，大金融板块34只[20]。 * **指数分布**：中证2000指数中创新高个股占比24.30%，中证1000指数占比27.10%，中证500指数占比35.20%，沪深300指数占比25.00%，创业板指占比25.00%，科创50指数占比34.00%[20]。 * **模型输出结果**：应用该模型，本周（2026年2月13日当周）最终筛选出50只平稳创新高股票，例如中钨高新、帝科股份、协创数据等[27]。其中，科技板块有21只入选（电子行业最多），制造板块有16只入选（机械行业最多）[27]。

量化模型与构建方式 1. **模型名称：平稳创新高股票筛选模型**[24][26] * **模型构建思路**：基于动量效应和“温水煮青蛙”理论，从近期创出250日新高的股票中，筛选出那些价格路径平滑、趋势延续性好、且获得分析师关注的股票，以捕捉更持续、更强大的动量效应[24][26]。 * **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[19]。 2. **分析师关注度筛选**：要求过去3个月买入或增持评级的分析师研报不少于5份[26]。 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%[26]。 4. **股价平稳性与创新高持续性综合打分**：在满足上述条件的股票池内，使用以下两个指标综合打分，并取排名在前50%的股票[26]。 * **价格路径平滑性**：使用股价位移路程比指标，计算公式为： $$价格路径平滑性 = \frac{|过去120日涨跌幅|}{过去120日日涨跌幅绝对值加总}$$[24] * **创新高持续性**：使用过去120日的250日新高距离在时间序列上的均值[26]。 5. **趋势延续性筛选**：在通过上一步筛选的股票中，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[26]。 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George (2004)等研究，通过计算当前价格与过去一段时间内最高价的相对距离，来衡量股票价格接近其历史高点的程度，该因子与未来收益存在正相关性[11]。 * **因子具体构建过程**：对于股票在交易日t的因子值，计算公式如下： $$250日新高距离 = 1 - \frac{Close_t}{ts\_max(Close, 250)}$$[11] 其中，\(Close_t\)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。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，则因子值为正值，表示回落幅度[11]。 模型的回测效果 （报告中未提供该筛选模型的量化回测指标，如年化收益率、夏普比率、信息比率等历史表现数据。） 因子的回测效果 （报告中未提供“250日新高距离”因子的单因子测试结果，如IC值、IR值、多空收益等历史表现数据。）