◆市场表现：2026 年 7 月 8 日, 各宽基指数（表 1）全部下跌，其中中证 2000（-2.4%） 和中证 1000（-2.22%）跌幅最大。当年涨跌情况，创业板指（20.05%）涨幅最大， 其次是中证 500（12.38%）和中证 1000（6.88%），中证全指（4.02%）和沪深 300 （2.71%）涨幅缩小，而上证 50（-3.64%）涨幅最小。另外，中证 1000 出现五日连 阴，沪深 300 与创业板指三周连阴。 证券研究报告·金融工程报告 2026 年 7 月 9 日 江海证券研究发展部 金融工程定期报告 金融工程研究组 A 股市场快照：宽基指数每日投资动态 2026.07.09 投资要点： 分析师：刘瑜 执业证书编号：S1410525110001 相关研究报告 A 股市场快照：宽基指数每日投资动 态 2026.07.08 A 股市场快照：宽基指数每日投资动 态 2026.07.07 A 股市场快照：宽基指数每日投资动 态 2026.07.06 ◆均线比较：各指数均位于 5 日、10 日、20 日、60 日线均线下方，并且中证 2000 与创业板指位于 250 日高位下方 10%以上。 ...

鑫新闻 研究所日报 2026 年 07 月 09 日 星期四 1.中国人民银行货币政策委员会召开2026年第二季度例会。会议分析了国内外经济金融形势，认为当 前外部环境更加复杂多变，我国经济运行总体平稳，但仍面临供强需弱、结构分化、外部冲击等问题 和挑战。会议研究了下阶段货币政策主要思路，建议发挥增量政策和存量政策集成效应，增强政策前 瞻性灵活性针对性,根据国内外经济金融形势和金融市场运行情况，把握好政策实施的力度、节奏和时 机。保持流动性充裕，使社会融资规模、货币供应量增长同经济增长、价格总水平预期目标相匹配。 2.2026年"两重"建设项目清单已全部下达。国家发展改革委近期披露，2026年第三批 "两重"建 设项目已下达，对应超长期特别国债资金1935亿元。至此，本年度全部"两重"项目清单发放工作收 官。全年8000亿元超长期特别国债将落地1417个重大项目，覆盖科技创新、长江流域生态保护修复、 沿江重大交通基础设施、城市地下管网、重大水利工程、西部陆海新通道等重点赛道。 3.美联储发布6月议息会议纪要。会议纪要显示，美联储官员们评估认为"价格稳定面临的上行风险仍 处于高位"，部分原因是能源等领域因供应冲 ...

量化模型与构建方式 1. **模型名称：逆周期因子模型**[8][10] * **模型构建思路**：该模型旨在衡量中国央行（PBOC）在每日人民币兑美元中间价设定中，为平滑市场波动而引入的逆周期调节成分[10] * **模型具体构建过程**：通过计算官方公布的每日人民币兑美元中间价与基于官方中间价形成机制文件估算的中间价之间的差值，来量化逆周期因子的大小[10] * **模型评价**：该因子是观测人民币汇率政策立场和市场干预程度的重要技术指标[10] 2. **模型名称：CGB收益率简单OLS模型**[63][65] * **模型构建思路**：通过一个简单的普通最小二乘法（OLS）模型，分析影响中国国债（CGB）收益率的关键驱动因素，并计算模型隐含的收益率“公允价值”[63][65] * **模型具体构建过程**：模型校准了影响CGB收益率的多个变量，包括：1年期和10年期美国国债（UST）收益率、1年期前瞻性增长/通胀预测、以及公开市场操作（OMO）目标利率与7天期回购定盘利率之间的利差[65]。模型从2025年8月起进行了调整，以反映利息收入增值税豁免政策的取消[65] 量化因子与构建方式 1. **因子名称：Carry-to-Vol Ratio (Carry/波动率比率)**[19][26] * **因子构建思路**：衡量外汇远期交易的持有收益（Carry）相对于其价格波动风险的比率，用于评估套利交易的吸引力[19] * **因子具体构建过程**：Carry定义为3个月美元/离岸人民币（USD/CNH）或欧元/离岸人民币（EUR/CNH）远期的年化持有收益；波动率（Vol）定义为3个月滚动实现的总回报波动率[19]。该比率即为两者的比值。 2. **因子名称：Momentum-to-Vol Ratio (动量/波动率比率)**[20][21][26] * **因子构建思路**：衡量外汇价格动量相对于其价格波动风险的比率，用于评估趋势交易的吸引力[20][21] * **因子具体构建过程**：动量（Momentum）定义为3个月累计外汇总回报；波动率（Vol）定义为3个月滚动实现的总回报波动率[21]。该比率即为两者的比值。 3. **因子名称：CNH/CNY Basis (离岸/在岸人民币基差)**[21][23] * **因子构建思路**：衡量离岸人民币（CNH）与在岸人民币（CNY）之间价格差异的因子，反映了两个市场间的流动性、资本管制和套利压力[21][23] * **因子具体构建过程**：基差定义为美元/离岸人民币可交割远期（DF）与美元/在岸人民币无本金交割远期（NDF）之间的差值[23] 4. **因子名称：NDIRS/CCS Spread (利率互换/交叉货币互换利差)**[22][23] * **因子构建思路**：衡量离岸人民币交叉货币互换（CCS）利率与在岸人民币无本金交割利率互换（NDIRS）利率之间的利差，反映了离岸与在岸人民币利率市场的相对松紧程度和套利空间[22][23] * **因子具体构建过程**：利差定义为离岸人民币交叉货币互换利率减去在岸人民币无本金交割利率互换（NDIRS）利率[23] 5. **因子名称：Tom/Next Points (隔夜掉期点)**[8][10] * **因子构建思路**：衡量外汇市场隔夜滚动头寸的成本或收益的短期因子，是观测离岸人民币流动性的高频指标[8][10] * **因子具体构建过程**：Tom/Next是一种短期外汇掉期，允许投资者滚动其即期头寸。正的（负的）Tom/Next点意味着做多美元/做空离岸人民币头寸产生负的（正的）持有收益[10] 6. **因子名称：Swap Spread (互换利差)**[55] * **因子构建思路**：衡量在岸利率互换（IRS）利率与同期限中国国债（CGB）收益率之间的利差，反映了信用风险、流动性溢价和利率预期等因素[55] * **因子具体构建过程**：互换利差定义为在岸IRS利率减去同期限的CGB收益率[55] 7. **因子名称：FX Hedged Yields (外汇对冲后的收益率)**[41][47] * **因子构建思路**：在考虑外汇远期对冲成本后，计算中国债券相对于美国国债的实际收益率，用于评估跨市场债券投资的吸引力[41][47] * **因子具体构建过程**：计算中国债券（如CGB、CDB债券、NCD）的收益率，减去同期限美国国债收益率，再减去相应的外汇远期对冲成本（隐含在远期汇率中）[47] 模型的回测效果 *(报告未提供具体模型的回测效果指标值)* 因子的回测效果 *(报告中展示了各因子的时间序列图表，但未提供统一的、标准化的回测绩效指标（如IC、IR、多空收益等）)*

量化模型与因子总结 量化因子与构建方式 1. **因子名称：交易动机因子**[2][24][48] * **因子构建思路**：将基金的交易动机进行划分并构造合成因子，旨在识别拥有主动交易动机且业绩粉饰可能性较低的基金[2][24]。 * **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[48]。 * 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[48]。 * 具体计算公式未在本文中详细给出，但指出其构建方式详见原报告《智能化选基系列之五：如何刻画基金经理的交易动机并进行基金优选？》[24][48]。 2. **因子名称：股票价差收益因子**[2][24][48] * **因子构建思路**：从基金利润表中提取股票价差收入，作为衡量基金股票交易直接收益的指标[2][24]。 * **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[48]。 3. **因子名称：交易独特性因子**[3][32][48] * **因子构建思路**：根据基金经理持股、交易的明细构建基金经理网络，并基于该网络计算每个基金经理与其相关联基金经理在交易方面的差异，以刻画其交易独特性[3][32]。 * **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]。 * 具体计算公式未在本文中详细给出，但指出其构建方式详见原报告《智能化选基系列之八：持股网络中基金经理交易独特性是否能贡献超额收益？》[32][48]。 4. **因子名称：行业主题申报相似因子 (T+1)**[4][38][48] * **因子构建思路**：基于基金发行流程中申请材料公示阶段的信息具有前瞻性的发现，构造该因子，旨在筛选出与申报ETF相近的行业主题ETF，及时把握市场投资热点[4][38]。 * **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，构建行业主题申报相似因子[48]。 5. **因子名称：基金业绩动量类因子**[48] * **因子构建思路**：通过多个指标合成，衡量基金过去一段时间的业绩表现动量。 * **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[48]。 6. **因子名称：选股能力因子**[48] * **因子构建思路**：基于多期Brinson模型，衡量基金经理的选股能力。 * **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[48]。 7. **因子名称：隐形交易能力因子**[48] * **因子构建思路**：从收益和风险两个层面度量基金交易带来的贡献。 * **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[48]。 8. **因子名称：含金量因子**[48] * **因子构建思路**：考察基金重仓股中包含的券商金股情况[48]。 9. **因子名称：主动轮动收益因子**[48] * **因子构建思路**：体现基金风格轮动的结果。 * **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]。 10. **因子名称：绝对主动轮动指标**[48] * **因子构建思路**：衡量基金经理主动进行风格调整的部分。 * **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]。 量化模型（选基策略）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**：结合基金交易动机因子和股票价差收益因子，旨在筛选出股票价差收益较高、拥有主动交易动机并且业绩粉饰可能性较低的基金[2][24]。 * **模型具体构建过程**：将基金的交易动机进行划分并构造了基金交易动机因子，再结合基金利润表中的股票价差收益因子，构造了二者相结合的选基策略[2]。策略采用半年频调仓的方式，每年3月末/8月末进行调仓，从主动权益型基金中进行筛选，并扣除交易成本[24]。 2. **模型名称：基金经理持股网络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了刻画基金经理交易独特性的指标，构建选基策略[3][32]。 * **模型具体构建过程**：根据基金经理持股、交易的明细构建网络并由此构建了客户基金经理交易独特性的指标，构建了选基策略[3]。本策略采用半年频调仓的策略，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选基策略**[4][38] * **模型构建思路**：利用基金申报信息的前瞻性，构造行业主题申报相似因子，筛选与申报ETF相近的行业主题ETF，以把握市场投资热点[4][38]。 * **模型具体构建过程**：对基金的发行全流程进行事件驱动研究，发现申请材料公示阶段的信息具有更强的前瞻性，构造了行业主题申报相似因子（T+1）[38]。该策略采用月频调仓的方式，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[38]。 模型的回测效果 *以下所有模型回测结果数据均截至2026年6月30日[28][29][36][43]* 1. **基于交易动机因子及股票价差收益因子的选基策略**[24][28][30] * 6月份收益率：16.83%[24][28] * 6月份超额收益率（vs 万得偏股混合型基金指数）：13.36%[24][30] * 年化收益率：13.87%[28] * 年化波动率：21.99%[28] * Sharpe比率：0.63[28] * 最大回撤率：48.39%[28] * 年化超额收益率：5.89%[24][28] * 超额最大回撤率：19.22%[28] * 信息比率 (IR)：0.87[28] 2. **基金经理持股网络交易独特性选基策略**[32][36] * 6月份收益率：16.67%[32][36] * 6月份超额收益率（vs 万得偏股混合型基金指数）：12.79%[32][36] * 年化收益率：17.99%[36] * 年化波动率：20.01%[36] * Sharpe比率：0.90[36] * 最大回撤率：37.26%[36] * 年化超额收益率：8.81%[36] * 超额最大回撤率：10.84%[36] * 信息比率 (IR)：1.38[36] 3. **基于申报信息的行业主题ETF选基策略**[4][38][43] * 6月份收益率：-0.92%[4][43] * 6月份超额收益率（vs 中证800指数）：-4.41%[4][43] * 年化收益率：23.02%[43] * 年化波动率：21.93%[43] * Sharpe比率：1.05[43] * 最大回撤率：34.89%[43] * 年化超额收益率：13.77%[4][43] * 超额最大回撤率：19.07%[43] * 信息比率 (IR)：0.73[43]

量化模型与构建方式 1. **模型名称**：封板率模型[17] * **模型构建思路**：通过计算当日涨停股票中，能够维持涨停至收盘的比例，来衡量市场追涨情绪和涨停板的强度[17]。 * **模型具体构建过程**：首先筛选出上市满3个月以上的股票，找出当日盘中最高价达到涨停价的股票。然后，计算这些股票中，收盘价仍为涨停价的股票数量。最后，用后者除以前者得到封板率。 * 公式为：$$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[17] 2. **模型名称**：连板率模型[17] * **模型构建思路**：通过计算昨日涨停股票中，今日继续涨停的比例，来衡量市场涨停效应的延续性和短线炒作的热度[17]。 * **模型具体构建过程**：首先筛选出上市满3个月以上的股票，找出昨日收盘涨停的股票。然后，计算这些股票中，今日收盘也涨停的股票数量。最后，用后者除以前者得到连板率。 * 公式为：$$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[17] 3. **模型名称**：大宗交易折价率模型[26] * **模型构建思路**：通过计算大宗交易成交价相对于市价的折价程度，来反映大资金的投资偏好和市场情绪[26]。 * **模型具体构建过程**：统计当日所有大宗交易数据，计算总成交金额。同时，根据每笔交易的成交份额和当日收盘价（或成交均价）计算这些份额对应的总市值。最后，用总成交金额除以总市值再减1得到整体折价率。 * 公式为：$$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[26] 4. **模型名称**：股指期货年化贴水率模型[28] * **模型构建思路**：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[28]。 * **模型具体构建过程**：选取特定指数（如上证50）的股指期货主力合约，计算其结算价与对应现货指数收盘价的差值，得到基差。然后将基差除以现货指数价格，再乘以年化因子（通常以250个交易日为基准除以合约剩余交易日数），得到年化贴水率。 * 公式为：$$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[28] 模型的回测效果 1. 封板率模型，2026年7月8日封板率取值为77%[17] 2. 封板率模型，较前日封板率变动为提升23个百分点[17] 3. 连板率模型，2026年7月8日连板率取值为24%[17] 4. 连板率模型，较前日连板率变动为提升16个百分点[17] 5. 大宗交易折价率模型，2026年7月7日折价率取值为2.10%[26] 6. 大宗交易折价率模型，近半年平均折价率取值为6.91%[26] 7. 股指期货年化贴水率模型（上证50），2026年7月8日年化贴水率取值为8.70%[28] 8. 股指期货年化贴水率模型（上证50），近一年年化贴水率中位数取值为1.10%[28] 9. 股指期货年化贴水率模型（上证50），2026年7月8日分位点取值为9%[28] 10. 股指期货年化贴水率模型（沪深300），2026年7月8日年化贴水率取值为8.85%[28] 11. 股指期货年化贴水率模型（沪深300），近一年年化贴水率中位数取值为4.87%[28] 12. 股指期货年化贴水率模型（沪深300），2026年7月8日分位点取值为20%[28] 13. 股指期货年化贴水率模型（中证500），2026年7月8日年化贴水率取值为7.73%[28] 14. 股指期货年化贴水率模型（中证500），近一年年化贴水率中位数取值为10.07%[28] 15. 股指期货年化贴水率模型（中证500），2026年7月8日分位点取值为69%[28] 16. 股指期货年化贴水率模型（中证1000），2026年7月8日年化贴水率取值为8.52%[28] 17. 股指期货年化贴水率模型（中证1000），近一年年化贴水率中位数取值为12.32%[28] 18. 股指期货年化贴水率模型（中证1000），2026年7月8日分位点取值为77%[28] 量化因子与构建方式 1. **因子名称**：昨日涨停股今日收益因子[14] * **因子构建思路**：通过计算昨日涨停股票在次日的平均收益表现，来观察涨停板后的价格动量或反转效应[14]。 * **因子具体构建过程**：筛选出上市满3个月以上且昨日收盘涨停的股票，计算这些股票今日的收盘收益率，并求其平均值。 2. **因子名称**：昨日跌停股今日收益因子[14] * **因子构建思路**：通过计算昨日跌停股票在次日的平均收益表现，来观察跌停板后的价格修复或继续下跌效应[14]。 * **因子具体构建过程**：筛选出上市满3个月以上且昨日收盘跌停的股票，计算这些股票今日的收盘收益率，并求其平均值。 3. **因子名称**：两融余额占比因子[22] * **因子构建思路**：通过计算融资融券余额占市场流通市值的比例，来观察杠杆资金在市场中的整体参与程度[22]。 * **因子具体构建过程**：获取当前市场两融余额数据以及A股总流通市值，将两融余额除以总流通市值得到占比。 4. **因子名称**：两融交易占比因子[22] * **因子构建思路**：通过计算融资买入与融券卖出总额占市场总成交额的比例，来观察杠杆交易的活跃度[22]。 * **因子具体构建过程**：获取当日融资买入额与融券卖出额数据，求和得到两融交易总额。同时获取市场总成交额数据，用两融交易总额除以市场总成交额得到占比。 5. **因子名称**：ETF折溢价因子[24] * **因子构建思路**：通过计算ETF场内交易价格与其IOPV（基金份额参考净值）的偏离程度，来捕捉市场套利机会和投资者情绪[24]。 * **因子具体构建过程**：对于单只ETF，计算其收盘价与当日IOPV的差值，再除以IOPV得到折溢价率。报告中展示的是对全市场符合条件的ETF进行统计后的极端值。 6. **因子名称**：机构调研热度因子[30] * **因子构建思路**：通过统计近期对上市公司进行调研的机构数量，来反映机构投资者对特定公司的关注度[30]。 * **因子具体构建过程**：统计近7天内（或一周内）对某家上市公司进行调研或参加分析师会议的机构家数。 7. **因子名称**：龙虎榜机构净流入因子[36] * **因子构建思路**：通过统计龙虎榜上机构专用席位对某只股票的净买入金额，来观察机构资金对当日异动个股的短期态度[36]。 * **因子具体构建过程**：从龙虎榜数据中提取机构专用席位的买入金额和卖出金额，计算买入金额减去卖出金额的差值，得到净流入额。 8. **因子名称**：龙虎榜陆股通净流入因子[37] * **因子构建思路**：通过统计龙虎榜上陆股通席位对某只股票的净买入金额，来观察北向资金对当日异动个股的短期态度[37]。 * **因子具体构建过程**：从龙虎榜数据中提取陆股通席位的买入金额和卖出金额，计算买入金额减去卖出金额的差值，得到净流入额。 因子的回测效果 1. 昨日涨停股今日收益因子，2026年7月8日收益取值为1.64%[14] 2. 昨日跌停股今日收益因子，2026年7月8日收益取值为-3.47%[14] 3. 两融余额占比因子，截至2026年7月7日占比取值为2.9%[22] 4. 两融交易占比因子，截至2026年7月7日占比取值为8.9%[22] 5. ETF折溢价因子（溢价端），2026年7月7日石油ETF华宝溢价率取值为3.57%[24] 6. ETF折溢价因子（折价端），2026年7月7日创新药ETF华泰柏瑞折价率取值为-0.67%[24] 7. 机构调研热度因子，近一周京东方A调研机构家数取值为237家[30] 8. 龙虎榜机构净流入因子，2026年7月8日惠科股份位列净流入第一名[36] 9. 龙虎榜机构净流出因子，2026年7月8日云南锗业位列净流出第一名[36] 10. 龙虎榜陆股通净流入因子，2026年7月8日深信服位列净流入第一名[37] 11. 龙虎榜陆股通净流出因子，2026年7月8日浪潮信息位列净流出第一名[37]

量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[39][40][45] * **模型构建思路**：为了准确计算股指期货的升贴水，需要精确预测从当前时刻到期货合约到期日之间，指数成分股分红除息所导致的指数点位自然下滑的总点数[12][39]。该模型通过精细化处理成分股权重、分红金额、除息日等核心要素来实现这一目标[12][40]。 * **模型具体构建过程**： 1. **核心公式**：指数在t时刻到T时刻（期货到期日）期间的分红点数为： $$分红点数 = \sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$$[39] 其中，求和仅针对除息日在t和T之间（t < 除息日 ≤ T）的成分股[39]。 2. **数据获取与预测流程**：首先获取指数成分股及其日度权重[47]。对于每只成分股： * **若已公布分红金额**：直接采用，并判断是否公布除息日，若未公布则进行除息日预测[43]。 * **若未公布分红金额**：则需预测分红金额。分红金额 = 净利润 × 股息支付率[48]。需分别对净利润和股息支付率进行预测[43][48]。 3. **成分股权重精确获取**：采用中证指数公司每日披露的日度收盘权重数据，以确保权重准确性[47]。 4. **净利润预测**：采用基于历史净利润分布的动态预测法[50]。 * 若公司已公布年报、快报或业绩预告，则直接采用（业绩预告取上下限均值）[50]。 * 若未披露，则根据公司历史季度盈利分布是否稳定进行分类预测[50]。对于盈利分布稳定的公司，按历史规律预测；对于不稳定的公司，使用上年同期盈利作为预测值[50]。 5. **股息支付率预测**： * 若公司去年分红，则以去年股息支付率作为今年预测值[54]。 * 若去年不分红，则以最近3年平均股息支付率作为预测值[54]。 * 若过去从未分红，则默认今年不分红[54]。 * 当预期股息支付率大于100%时，进行截尾处理[54]。 6. **除息日预测**：采用基于历史间隔天数稳定性的线性外推法[52]。 * 若已公布除息日，则直接采用[57]。 * 若未公布，则根据公司是否已公布分红预案、所处阶段（预案/决案）以及历史分红日期或历史间隔天数的稳定性，进行线性外推或采用历史日期[57]。 * 若无法通过上述方法确定，则根据预测时间点设置默认日期（如7月31日、8月31日或9月30日）[57]。 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，在统计时点之前已经完成现金分红的公司，其分红金额相对于其总市值的加权平均值，用以衡量指数已兑现的分红收益[17]。 * **因子具体构建过程**： * 计算公式为： $$全年已实现股息率 = \sum_{i=1}^{N_1} \frac{个股已分红金额}{个股总市值} \times 个股权重$$[17] 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. **因子名称：剩余股息率**[17] * **因子构建思路**：计算指数成分股中，在统计时点之后预计还将进行现金分红的公司，其预测分红金额相对于其总市值的加权平均值，用以衡量指数未来潜在的分红收益[17]。 * **因子具体构建过程**： * 计算公式为（根据上下文逻辑推导）： $$剩余股息率 = \sum_{j=1}^{N_2} \frac{个股预测分红金额}{个股总市值} \times 个股权重$$[17] 其中，N2 表示指数成分股中尚未现金分红的公司数量[17]。预测分红金额来自前述股指分红点位测算模型[43][48]。 3. **因子名称：行业股息率中位数**[15] * **因子构建思路**：统计各行业内已披露分红预案的个股的股息率，并取中位数，用于横向比较不同行业的股息回报水平[15]。 * **因子具体构建过程**： * 对每个行业，计算该行业内所有已公布分红预案股票的“预案分红金额/当前总市值”[15]。 * 取该组股息率数值的中位数，作为该行业的股息率代表值[15]。 模型的回测效果 1. **股指分红点位测算模型**： * **预测准确度**：模型对于上证50指数和沪深300指数全年的预测误差基本在5个点左右，对于中证500指数和中证1000指数的预测误差基本稳定在10个点左右[62]。对于各股指期货主力合约的股息点预测也具有较好的准确性[62]。 因子的回测效果 1. **已实现股息率因子**（截至2026年7月8日）[17]： * **上证50指数**：1.07%[17] * **沪深300指数**：0.85%[17] * **中证500指数**：0.65%[17] * **中证1000指数**：0.58%[17] 2. **剩余股息率因子**（截至2026年7月8日）[17]： * **上证50指数**：1.59%[17] * **沪深300指数**：1.32%[17] * **中证500指数**：0.46%[17] * **中证1000指数**：0.27%[17] 3. **行业股息率中位数因子**（基于已公布预案的股票）[15]： * **排名前三的行业**：煤炭、银行、钢铁[15]

量化模型与构建方式 本报告为融资融券周报，主要描述了市场两融数据的统计特征，并未涉及具体的量化模型或量化因子的构建、测试与评价[1][2][3][5][15][39][42][47][53]。报告内容聚焦于对市场两融余额、行业及个股融资融券行为的数据统计与展示[10][11][13][14][16][26][30][31][33][36][38][40][41][43][45][48][49][50][51][52]。 模型的回测效果 本报告未涉及任何量化模型的回测效果测试。 量化因子与构建方式 本报告未涉及任何量化因子的构建、测试与评价。 因子的回测效果 本报告未涉及任何量化因子的回测效果测试。

量化模型与构建方式 1. **模型名称：人工智能全球大类资产配置模型**[42] * **模型构建思路：** 将机器学习模型应用于大类资产配置问题，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、月频调仓的量化等权配置策略[42]。 * **模型具体构建过程：** 报告未详细描述该机器学习模型的具体构建过程、算法类型及因子构成。 2. **模型名称：基于动态宏观事件因子的股债轮动配置策略**[47] * **模型构建思路：** 构建一个包含经济增长和货币流动性两大维度的动态宏观事件因子体系，用于对股票和债券资产进行择时配置，并在此框架下结合风险预算模型，形成针对不同风险偏好（保守型、稳健型、进取型）的股债配置策略[47]。 * **模型具体构建过程：** * **因子体系构建：** 模型包含经济增长和货币流动性两个维度的多个细分指标[47][51]。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、国债期限利差(10Y-1M)、发电量3个月移动平均环比等指标[51]。货币流动性维度包括M1-M2剪刀差、中美国债利差等指标[51]。 * **信号生成：** 每个细分指标根据其数值或变化方向，生成二值化的看多(1)或看空(0)信号[51]。 * **合成信号：** 将各维度的细分信号进行合成，得到经济增长和货币流动性维度的综合信号强度（百分比形式）[47]。例如，报告显示6月经济增长信号强度为50%，货币流动性信号强度为60%[47]。 * **仓位确定：** 基于宏观择时模块（即上述合成信号）和风险预算模型框架，最终输出不同风险偏好下的股票和债券配置权重[47]。例如，7月进取型策略的股票权重为55%，债券权重为45%[47]。 3. **模型名称：基于红利风格择时配置策略**[53] * **模型构建思路：** 基于经济增长与货币流动性两大维度共10项指标，构建动态宏观事件因子体系，对中证红利指数进行择时配置[53]。 * **模型具体构建过程：** * **因子体系构建：** 模型包含经济增长和货币流动性两个维度的10项指标[53]。经济增长维度指标包括消费者信心指数、发电量3个月移动平均环比(MA3_MoM)、国债期限利差(10Y-3M)、中采制造业PMI新出口订单、PPI同比、PPI-CPI剪刀差[57]。货币流动性维度指标包括Shibor2W、R007_20日移动平均(R007_MA20)、Shibor1M环比(Shibor1M_MoM)、逆回购与R007利差(逆回购 R007 差额)[57]。 * **信号生成与合成：** 各指标生成二值化信号(1或0)，最终合成为一个总的择时信号[53][57]。例如，7月最终合成信号为1（看多）[53]。 量化因子与构建方式 1. **因子名称：动态宏观事件因子（经济增长维度）**[47][51][53][57] * **因子构建思路：** 选取反映宏观经济景气度的指标，通过处理转化为可用于择时的二值信号。 * **因子具体构建过程：** 报告列举了多个细分因子及其在特定时点的信号值，但未明确给出每个因子具体的信号生成阈值或公式。例如： * M1同比[51] * PPI同比[51] * PPI-CPI剪刀差[51][57] * 工业增加值同比[51] * 国债期限利差(10Y-1M 或 10Y-3M)[51][57] * 产量:发电量:当月值_MA3:环比[51][57] * 消费者信心指数[57] * 中采制造业PMI_新出口订单[57] 2. **因子名称：动态宏观事件因子（货币流动性维度）**[47][51][53][57] * **因子构建思路：** 选取反映市场资金面松紧状况的指标，通过处理转化为可用于择时的二值信号。 * **因子具体构建过程：** 报告列举了多个细分因子及其在特定时点的信号值，但未明确给出每个因子具体的信号生成阈值或公式。例如： * M1-M2剪刀差[51] * 中美国债利差 10Y[51] * 中国国债美国TIPS利差:10年[51] * Shibor2W[57] * R007_MA20[57] * Shibor1M_MoM[57] * 逆回购 R007 差额[57] 模型的回测效果 1. **人工智能全球大类资产配置模型**[42][46] * 回测期：2021年1月至2026年5月[42] * 年化收益率：7.70%[42] * 年化波动率：6.98%[46] * 最大回撤：-6.66%[42] * 夏普比率：1.10[42] * 年初至今(2026年)收益率：7.15%[43][46] 2. **基于动态宏观事件因子的股债轮动配置策略**[47][48][52] * 回测期：2005年1月至2026年7月[48] * **进取型策略：** * 年化收益率：19.82%[48][52] * 年化波动率：13.92%[52] * 最大回撤：-13.72%[52] * 夏普比率：1.30[52] * 收益回撤比：1.45[52] * 年初至今(2026年)收益率：7.16%[48][52] * **稳健型策略：** * 年化收益率：10.71%[52] * 年化波动率：8.04%[52] * 最大回撤：-6.77%[52] * 夏普比率：1.18[52] * 收益回撤比：1.58[52] * 年初至今(2026年)收益率：3.53%[48][52] * **保守型策略：** * 年化收益率：5.86%[48][52] * 年化波动率：3.16%[52] * 最大回撤：-3.55%[52] * 夏普比率：1.51[52] * 收益回撤比：1.65[52] * 年初至今(2026年)收益率：3.15%[48][52] 3. **基于红利风格择时配置策略**[53][56] * 回测期：2005年1月至2026年6月[56] * 年化收益率：14.26%[56] * 年化波动率：17.32%[56] * 最大回撤：-21.70%[56] * 夏普比率：0.83[56] * 最近1个月收益率：3.77%[56] 因子的回测效果 （报告未提供单个因子的独立回测效果指标，如IC、IR、多空收益等。）

量化模型与因子总结 量化因子与构建方式 1. **因子名称：封板率** * **因子的构建思路**：通过计算当日最高价涨停且收盘也涨停的股票数量占所有最高价涨停股票数量的比例，来衡量市场涨停板的封板强度和市场追涨情绪[17]。 * **因子具体构建过程**： 1. 筛选上市满3个月以上的股票[17]。 2. 在交易日T日，找出所有在盘中最高价达到涨停的股票集合A。 3. 在集合A中，进一步找出收盘价也涨停的股票集合B。 4. 计算封板率，公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 即，封板率 = 集合B的股票数量 / 集合A的股票数量[17]。 * **因子评价**：该因子是衡量短期市场情绪和资金炒作热度的重要指标，封板率高通常意味着涨停板质量高、抛压小，市场追涨意愿强[17]。 2. **因子名称：连板率** * **因子的构建思路**：通过计算连续两日收盘涨停的股票数量占前一日所有收盘涨停股票数量的比例，来衡量市场涨停板的持续性和赚钱效应的扩散能力[17]。 * **因子具体构建过程**： 1. 筛选上市满3个月以上的股票[17]。 2. 在交易日T-1日，找出所有收盘涨停的股票集合C。 3. 在集合C中，进一步找出在T日收盘也涨停的股票集合D。 4. 计算连板率，公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 即，连板率 = 集合D的股票数量 / 集合C的股票数量[17]。 3. **因子名称：大宗交易折价率** * **因子的构建思路**：通过计算大宗交易成交总额与按当日市价计算的对应股份总市值的偏离度，来反映大资金通过大宗交易渠道交易的折让或溢价水平，可作为观察机构或大股东交易情绪和偏好的指标[27]。 * **因子具体构建过程**： 1. 统计当日所有发生的大宗交易。 2. 计算当日大宗交易的总成交金额。 3. 计算这些大宗交易对应的股份，若以其当日收盘价（或其他市价基准）计算的总市值。 4. 计算折价率，公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ 当结果为负时，表示折价交易；为正时，表示溢价交易[27]。 4. **因子名称：股指期货年化贴水率** * **因子的构建思路**：通过计算股指期货价格与现货指数价格之间的基差，并将其年化，来衡量股指期货相对于现货指数的升贴水程度，反映了市场对未来走势的预期、对冲成本以及市场情绪等多方面因素[29]。 * **因子具体构建过程**： 1. 选定股指期货主力合约（如上证50、沪深300、中证500、中证1000股指期货主力合约）[29]。 2. 计算基差：基差 = 期货价格 - 现货指数价格[29]。 3. 计算年化贴水率，公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 其中，250为年化常用的交易日数量[29]。结果为负表示贴水，为正表示升水。 因子的回测效果 （注：本报告为市场数据日度跟踪报告，未提供基于长期历史数据的因子回测绩效指标，如IC值、IR、多空收益等。报告仅展示了特定日期的因子取值及历史分位情况。） 1. **封板率因子** * 2026年07月07日取值：**54%**[17] * 较前日变化：下降5个百分点[17] * 历史位置：创近一个月新低[17] 2. **连板率因子** * 2026年07月07日取值：**8%**[17] * 较前日变化：提升1个百分点[17] 3. **大宗交易折价率因子** * 2026年07月06日单日取值：**5.09%**[27] * 近半年以来平均值：**6.97%**[27] * 近半年以来日均成交金额：**20亿元**[27] * 2026年07月06日成交金额：**25亿元**[27] 4. **股指期货年化贴水率因子** * **上证50股指期货**： * 2026年07月07日取值：**8.28%**[29] * 近一年中位数：**1.10%**[29] * 近一年分位点：**12%**[29] * **沪深300股指期货**： * 2026年07月07日取值：**8.75%**[29] * 近一年中位数：**4.87%**[29] * 近一年分位点：**20%**[29] * **中证500股指期货**： * 2026年07月07日取值：**10.32%**[29] * 近一年中位数：**10.16%**[29] * 近一年分位点：**47%**[29] * **中证1000股指期货**： * 2026年07月07日取值：**10.60%**[29] * 近一年中位数：**12.34%**[29] * 近一年分位点：**67%**[29]

量化模型与构建方式 1. **模型名称：Sharpe模型**[44][48] * **模型构建思路**：该模型用于对基金组合进行业绩归因，通过将组合的收益分解为不同风格因子（如市值、成长/价值）的暴露贡献，以分析基金经理的收益来源和风格偏好[44]。 * **模型具体构建过程**：报告中使用Sharpe模型对“华商新能源汽车A”基金进行风格归因。模型将基金的收益与一系列风格因子（大盘价值、大盘成长、小盘价值、小盘成长）以及债券因子（中债-总财富(总值)指数）进行回归分析，以确定基金在不同时期对各因子的暴露程度[44][45][47]。具体公式为基金收益率的回归方程，但报告中未给出具体回归公式。 * **模型评价**：该模型有效揭示了基金经理陈夏琼清晰且稳定的投资风格，即高度聚焦于小盘成长方向，对价值方向零暴露，风格不漂移[4][44]。 模型的回测效果 1. Sharpe模型，对“华商新能源汽车A”基金在2025年8月至2026年6月期间的风格归因结果显示：小盘成长因子在多数月份占据主导，部分月份暴露度达100%；大盘成长因子阶段性参与（如2025年9月、12月及2026年4月，暴露度在40%-77%之间）；大盘价值与小盘价值方向暴露长期为零；债券因子仅在少数月份有低个位数配置[45][47]。 量化因子与构建方式 1. **因子名称：小盘成长因子**[44][45] * **因子的构建思路**：该因子是Sharpe风格归因模型中的一个基础风格因子，用于捕捉市值较小且具有高成长特征股票的投资风格[44]。 * **因子具体构建过程**：报告中未详细说明该因子的具体计算方法和构建过程。它作为预定义的风格因子被纳入Sharpe模型，用于解释基金收益的来源[44]。 2. **因子名称：大盘成长因子**[44][45] * **因子的构建思路**：该因子是Sharpe风格归因模型中的一个基础风格因子，用于捕捉市值较大且具有高成长特征股票的投资风格[44]。 * **因子具体构建过程**：报告中未详细说明该因子的具体计算方法和构建过程。它作为预定义的风格因子被纳入Sharpe模型[44]。 3. **因子名称：大盘价值因子**[44][45] * **因子的构建思路**：该因子是Sharpe风格归因模型中的一个基础风格因子，用于捕捉市值较大且具有低估值（价值）特征股票的投资风格[44]。 * **因子具体构建过程**：报告中未详细说明该因子的具体计算方法和构建过程。它作为预定义的风格因子被纳入Sharpe模型[44]。 4. **因子名称：小盘价值因子**[44][45] * **因子的构建思路**：该因子是Sharpe风格归因模型中的一个基础风格因子，用于捕捉市值较小且具有低估值（价值）特征股票的投资风格[44]。 * **因子具体构建过程**：报告中未详细说明该因子的具体计算方法和构建过程。它作为预定义的风格因子被纳入Sharpe模型[44]。 因子的回测效果 *(注：报告中未提供上述风格因子独立的因子测试结果（如IC、IR等）。因子效果体现在Sharpe模型对基金风格的归因结果中，已在上文“模型的回测效果”部分总结。)*