证券研究报告 | 2026年07月15日 金融工程日报 沪指震荡微跌，医药、消费板块走强 市场表现：20260715 规模指数中上证 50 指数表现较好，板块指数中上证综 指表现较好，风格指数中中证 500 价值指数表现较好。传媒、医药、食品饮 料、非银、农林牧渔行业表现较好，电子、通信、有色金属、国防军工、建 材行业表现较差。CRO、减肥药、白酒、创新药、新冠抗原检测等概念表现 较好，半导体硅片、先进封装、靶材、晶圆产业、半导体设备等概念表现较 差。 市场情绪：20260715 收盘时有 73 只股票涨停，有 39 只股票跌停。昨日涨 停股票今日收盘收益为 1.14%，昨日跌停股票今日收盘收益为-4.37%。今日 封板率 70%，较前日下降 11%，连板率 18%，较前日下降 6%。 市场资金流向：截至 20260714 两融余额为 28994 亿元，其中融资余额 28781 亿元，融券余额 213 亿元。两融余额占流通市值比重为 2.9%，两融 交易占市场成交额比重为 8.9%。 折溢价：20260714 当日 ETF 溢价较多的是国企 ETF 平安，ETF 折价较多 的是工程机械ETF 易方达。近半年以 ...

核心观点 金融工程周报 成分股分红进度 证券研究报告 | 2026年07月15日 股指分红点位监控周报 IH 贴水幅度加深，IC 及 IM 贴水幅度收窄 截至 2026 年 7 月 15 日： 上证 50 指数中，有 1 家公司处于预案阶段，4 家公司处于决案阶段，3 家公 司进入实施阶段，10 家公司已分红，2 家公司不分红； 沪深 300 指数中，有 1 家公司处于预案阶段，54 家公司处于决案阶段，16 家公司进入实施阶段，81 家公司已分红，26 家公司不分红； 中证 500 指数中，有 0 家公司处于预案阶段，40 家公司处于决案阶段，19 家公司进入实施阶段，234 家公司已分红，66 家公司不分红； 中证 1000 指数中，有 1 家公司处于预案阶段，54 家公司处于决案阶段，32 家公司进入实施阶段，482 家公司已分红，195 家公司不分红。 行业成分股股息率比较 我们对当前已披露分红预案的个股股息率进行了统计，其中，煤炭、银行和 钢铁行业的股息率排名前三。 已实现及剩余股息率 截至 2026 年 7 月 15 日： 上证 50 指数已实现股息率为 1.29%，剩余股息率 1.38%； 沪深 ...

1. [Table_Message] 2026-07-15 金融工程点评 [Tab 金工le_Title] ETF 点评：宽基 ETF 周净流入 306.46 亿元；有色、化工拥挤变幅较大 [Table_Author] 证券分析师：刘晓锋 电话：13401163428 E-MAIL：liuxf@tpyzq.com 执业资格证书编码：S1190522090001 证券分析师：孙弋轩 电话：18910596766 E-MAIL：sunyixuan@tpyzq.com 执业资格证书编码：S1190525080001 内容摘要 太 平 洋 证 券 股 份 有 限 公 司 证 券 研 究 报 告 [Table_Summary] . 金 融 工 程 点 评 ◼ ETF 市场概况：截至 2026 年 7 月 10 日，内地全部上市 ETF 共计 1595 只，规模 4.76 万 亿。其中股票型 ETF、债券型 ETF、商品型 ETF、货币型 ETF、跨境 ETF 的数量分别为 1257、 53、17、27、241，规模分别为 2.64（万亿）、0.88、0.26、0.18、0.80。数量方面，股票型 ETF 占比最大，达 ...

量化模型与构建方式 根据提供的研报内容，该报告为一份市场数据统计周报，主要描述了两融市场的整体情况、行业特征及个股表现，并未涉及任何量化模型或量化因子的构建、测试与评价。因此，本部分无相关内容。 量化因子与构建方式 根据提供的研报内容，该报告为一份市场数据统计周报，主要描述了两融市场的整体情况、行业特征及个股表现，并未涉及任何量化因子的定义、构建过程与评价。报告中所提及的“融资净买入额”、“融资买入额占成交额比例”等为市场公开数据的直接统计指标，并非由报告构建的量化因子。因此，本部分无相关内容。 模型的回测效果 根据提供的研报内容，该报告未涉及任何量化模型的回测。因此，本部分无相关内容。 因子的回测效果 根据提供的研报内容，该报告未涉及任何量化因子的回测。报告仅对市场数据进行了统计展示，例如“融资净买入额排名前五的ETF为南方中证500ETF、华夏上证科创板半导体材料设备主题ETF、华夏上证科创板50成份ETF、卫星ETF永赢、南方中证1000ETF”[45]，以及个股的融资融券数据排名[51][52][53]，这些均为历史数据的事实陈述，并非因子测试结果。因此，本部分无相关内容。

量化模型与构建方式 1. 模型名称：价值投资+市场情绪+边际变化三维框架[31][32][34] * 模型构建思路：基金经理构建了一个结合价值投资、市场情绪和边际变化的三重维度投资框架，旨在通过深度研究、精选个股和灵活战术配置获取长期Alpha收益并增强短期收益[31][32][34] * 模型具体构建过程： 1. **价值投资维度**：作为中长期底仓及主要仓位配置。采用自下而上的选股方法，聚焦TMT行业中具备长期壁垒的赛道（如半导体设备/晶圆厂、AI核心元器件等）。选股时重视企业核心竞争力、长期成长确定性以及绝对与相对的估值性价比[31][34] 2. **市场情绪维度**：基于对国内市场特性的理解，兼顾市场情绪变化，配置符合国内外市场行业主线逻辑的个股。通过综合评估胜率与赔率进行适度的仓位配置[32] 3. **边际变化维度**：基于TMT行业特性，当调研发现个股短期业绩趋势与市场预期出现显著差异时，进行针对预期差的短期战术性配置，作为收益增强来源，以小比例仓位参与弹性品种[32] * 模型评价：该框架将长期价值投资与中短期市场情绪、边际变化相结合，旨在实现稳健底仓与弹性收益的平衡，体现了主动管理型基金在科技投资领域的深度和灵活性[31][32][34] 2. 模型名称：杠铃策略组合构建模型[34][35] * 模型构建思路：在三维投资框架指导下，采用杠铃策略进行组合构建，一端是稳健的价值底仓，另一端是追求弹性的配置，并根据市场及风险偏好变化动态调整[34][35] * 模型具体构建过程： 1. **价值底仓端**：以价值投资维度选出的股票作为底仓核心持股。配置上偏向集中、重仓、长期持有[34] 2. **弹性品种端**：以市场情绪和边际变化维度选出的股票作为弹性配置。根据市场情绪和行业边际变化，灵活布局阶段性热点板块（如AI应用、消费电子创新等）。配置上偏向分散、小比例、中短期持有，并可能进行相对较频繁的交易[34][35] 3. **动态调整**：参考市场环境及风险偏好的变化，对两端（价值底仓与弹性品种）的配置比例和具体标的进行调整[34] 量化因子与构建方式 1. 因子名称：年化超额收益率（用于动态费率计算）[37] * 因子构建思路：用于计算基金持有期间相对于业绩比较基准的超额收益，是决定基金浮动管理费率的关键指标之一[37] * 因子具体构建过程：计算投资者持有基金份额期间，基金净值增长率相对于业绩比较基准收益率的年化超额收益。具体公式未在报告中明确给出，但标准计算方式通常为： $$年化超额收益率 = (1 + 基金持有期间总收益率) ^{\frac{1}{持有年数}} - (1 + 业绩基准持有期间总收益率)^{\frac{1}{持有年数}}$$ 其中，持有年数 = 持有天数 / 365[37] 2. 因子名称：持有收益率（用于动态费率计算）[37] * 因子构建思路：用于计算基金持有期间的绝对收益，是决定基金浮动管理费率的另一个关键指标[37] * 因子具体构建过程：计算投资者持有基金份额期间的基金净值增长率。具体公式未在报告中明确给出，但标准计算方式通常为： $$持有收益率 = \frac{赎回日基金份额净值 \times (1 - 赎回费率) - 申购日基金份额净值}{申购日基金份额净值}$$ 报告中强调此收益率为“扣除超额管理费后”的收益率[37] 模型的回测效果 （报告中未提供“价值投资+市场情绪+边际变化三维框架”及“杠铃策略组合构建模型”的具体量化回测结果指标，如年化收益率、夏普比率、最大回撤等，因此本部分无相关内容） 因子的回测效果 （报告中未提供“年化超额收益率”及“持有收益率”因子的单因子测试结果，如IC值、IR、多空收益等，因此本部分无相关内容）

量化模型与构建方式 1. **模型名称**：DongWuFactor因子库Skill[12] **模型构建思路**：将内部因子数据库封装为可被AI Agent调用的标准化技能，以降低取数门槛并确保因子使用过程中的口径一致性[12] **模型具体构建过程**：将DongWuFactor因子库封装为一个Skill，研究员可以通过自然语言或简单命令向Agent提出查询需求。Agent接收到需求后，会先自动检索因子字典，再补充日期、代码等过滤条件，最后输出具有稳定字段结构的数据结果，从而完成因子查询、样本筛选和结果导出等任务[12] 2. **模型/技能名称**：宏观数据分析Skill[41] **模型/技能构建思路**：将宏观数据获取与分析流程自动化，使研究员能专注于逻辑判断与市场推演[41] **模型/技能具体构建过程**：调用Wind-MCP配套Skill获取可靠的宏观数据（如CPI、PPI）。以2026年上半年通胀分析为例，Agent执行流程为：首先提取相关数据，然后基于数据进行现状总结，接着锁定下半年通胀的核心观察变量，最后给出综合结论。该流程替代了传统“手动登录Wind→提取数据→整理图表→归纳观点”的手动工作[41] 3. **模型/技能名称**：投资价值分析报告Skill[45] **模型/技能构建思路**：将指数、基金产品等标准化投研任务的分析范式封装为专属技能，实现从数据获取到报告生成的全自动化链路[45] **模型/技能具体构建过程**：构建一个专属Skill，其工作流打通“Wind-MCP-Skill取数→多维度因子解析→逻辑研判→正式报告输出”的全过程[45]。Agent自动调用数据接口获取关键数据（如日K线、月K线、PE/PB分位、行业权重、十大权重、多周期收益、宏观PMI/GDP等）[46]，并依托内置的成熟投研框架逻辑，生成结构化的投资价值分析报告[45] 4. **模型/技能名称**：深度研究框架Skill (finance-deep-research)[49] **模型/技能构建思路**：将研究员日常判断问题的方式沉淀为可复用的结构化工作流，而非固定报告模板，以提升研究深度和方法的可复用性[49] **模型/技能具体构建过程**：新建Skill时，首先明确适用场景（市场、行业、公司等）和输出目标（研究底稿、深度报告等）[49]。Skill将深度研究任务拆解为稳定步骤：“研究对象识别—材料处理—框架选择—假设生成—证据链整理—反方质询—结论落地”[49]。要求Agent在输出时区分事实、推论和判断，并给出核心假设、证据链、主要分歧、投资含义、监控指标、认错条件和后续工作。对于重要结论，需先给出反方视角再形成最终判断[50] 5. **模型/技能名称**：投资专家讨论场景Skill (基金经理投研会Skill)[55] **模型/技能构建思路**：将多位投资专家的研究框架转化为可复用的会议流程，模拟真实投研会中的角色分工与质询机制，以沉淀决策过程[55] **模型/技能具体构建过程**：基于多位基金经理的调研纪要，将其投资方法匿名化沉淀为不同的角色（如Manager A-E）[55]。新建Skill时，首先定义会议角色，其次规定会议流程，再次设置边界和隐私规则，最后标准化输出格式[55]。会议流程为：先明确问题和约束，再让不同风格的投资人从各自框架出发独立判断，最后保留共识、分歧、投票和行动建议[55]。输出内容包括各经理观点、论据、投票结果以及经理间的分歧与共识[57] 6. **模型/技能名称**：投资决策场景Skill (investment-committee)[58] **模型/技能构建思路**：将投资决策流程结构化，从单一观点输出改造为“有证据、有分歧、有风控、有留痕”的讨论流程，使结论可复盘、可审计[58] **模型/技能具体构建过程**：新建Skill时，首先要明确会议输入，其次设计投决会角色，再次规定会议顺序，最后将输出沉淀为可审计的决策记录[58]。Skill帮助研究员将一个投资问题拆解为决策对象、投资期限、约束条件、证据包、角色讨论、风险质询和行动建议[58]。输出记录依次包括：议题与证据包、角色陈述、交叉质询、质询后的观点修正、风险与反证、投决结论、操作建议和监控指标，并明确“认错条件”和后续跟踪指标[58] 量化因子与构建方式 1. **因子名称**：DongWuFactor因子库中的因子[12] **因子构建思路**：通过技能化封装内部因子数据库，为AI Agent提供稳定、可靠且口径一致的结构化因子数据，服务于量化投研[12] **因子具体构建过程**：报告未详细描述单个因子的具体计算公式。其核心是将整个因子库封装为一个Skill，使Agent能够通过自然语言指令查询和调用库中的各类因子[12]。研究员可以提出因子查询、覆盖区间检查、指定股票池取值、回测数据导出等需求，由Agent自动完成检索、条件补充和数据输出[12] 模型的回测效果 （报告中未提供任何量化模型或技能的具体回测指标数值，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 （报告中未提供任何量化因子的具体测试结果数值，如IC值、IR值、多空收益、分组收益等。）

量化模型与构建方式 1. **模型/因子名称**：DongWuFactor因子库Skill[12] **构建思路**：将内部因子数据库封装为可被AI Agent通过自然语言调用的标准化Skill，以提升因子数据调用的效率和口径一致性[12] **具体构建过程**： 1. 将内部因子数据库（DongWuFactor）封装为一个Agent可调用的Skill[12] 2. 研究员通过自然语言或简单命令提出需求，如因子查询、样本筛选、回测数据导出等[12] 3. Agent自动检索因子字典，补充日期、代码等过滤条件，输出结构稳定的数据结果[12] 2. **模型/因子名称**：宏观数据分析Skill[41] **构建思路**：将宏观数据分析流程（数据获取、图表整理、观点归纳）封装为Agent Skill，使研究员能专注于逻辑判断[41] **具体构建过程**： 1. 调用Wind MCP Skill获取可靠的宏观数据（如CPI、PPI）[41] 2. Agent基于获取的数据进行现状总结（如上半年通胀情况）[41] 3. Agent锁定核心观察变量（如下半年通胀的四大变量）并给出综合结论[41] 3. **模型/因子名称**：投资价值分析报告Skill[45] **构建思路**：将指数或基金产品的标准化分析范式封装为专属Skill，实现从数据获取到报告生成的全自动化链路[45] **具体构建过程**： 1. 通过Wind MCP Skill自动调度数据接口，获取关键数据（如日K线、月K线、PE/PB分位数、行业权重、宏观指标等）[46] 2. 依托内置的投研框架逻辑，对多维度因子进行解析和逻辑研判[45] 3. 自动生成相对正式的投资价值分析报告[45] 4. **模型/因子名称**：深度研究框架Skill（finance-deep-research）[49] **构建思路**：将研究员日常判断问题的方式沉淀为可复用的结构化工作流，而非固定模板，以提升研究深度和可审计性[49][50] **具体构建过程**： 1. **任务拆解**：将深度研究任务拆分为“研究对象识别—材料处理—框架选择—假设生成—证据链整理—反方质询—结论落地”等环节[49] 2. **流程约束**：为不同资产类型（市场、行业、公司等）设置研究框架约束，并规定输出格式和质量边界[49] 3. **输出要求**：要求Agent区分事实、推论和判断，给出核心假设、证据链、主要分歧、投资含义、监控指标、认错条件和后续工作[50] 4. **质询机制**：对于重要结论，要求Agent先给出反方视角，再形成最终判断[50] 5. **模型/因子名称**：投资专家讨论Skill（基金经理投研会Skill）[55] **构建思路**：将多位投资专家的研究框架转化为可复用的会议流程，模拟真实投研会中的角色分工和质询机制[55][56] **具体构建过程**： 1. **角色定义**：基于基金经理调研纪要，将不同投资方法沉淀为多个匿名角色（如Manager A-E）[55] 2. **流程设计**：由会议主持人（Agent）组织议题、控制讨论顺序、提炼分歧和输出结论[55] 3. **边界设置**：规定会议流程、隐私规则，并将输出格式标准化[55] 4. **输出内容**：明确问题和约束，让不同风格角色独立判断，最终保留共识、分歧、投票和行动建议[55] 6. **模型/因子名称**：投资决策Skill（investment-committee Skill）[58] **构建思路**：将投资决策流程结构化，从单一观点输出改造为包含证据、分歧、风控和留痕的完整讨论流程[58] **具体构建过程**： 1. **输入明确**：明确决策对象、投资期限、约束条件和证据包[58] 2. **角色设计**：设计投决会中的不同角色（如不同观点的研究员或基金经理）[58] 3. **流程规定**：规定会议顺序，包括角色陈述、交叉质询、观点修正、风险反证等环节[58] 4. **输出沉淀**：输出可审计的决策记录，包括议题证据、各方观点、质询过程、最终结论、操作建议、监控指标及认错条件[58] 模型的回测效果 （报告中未提供具体量化模型或因子在历史数据上的回测绩效指标，如年化收益率、夏普比率、最大回撤、信息比率（IR）等，因此本部分无相关内容。）

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**[26][27] * **因子构建思路**：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[26]。 * **因子具体构建过程**：风险溢价的计算公式为各宽基指数的收益率减去十年期国债即期收益率。具体到本报告，风险溢价的计算结果以百分比形式呈现，并统计其近1年及近5年的历史分位值、均值、波动率等[28][34]。例如，当前风险溢价 = 指数收益率 - 十年期国债即期收益率。报告通过比较当前风险溢价与历史均值和标准差（如+1倍标准差、-1倍标准差）的位置来判断其偏离程度[34]。 2. **因子名称：PE-TTM估值因子**[33] * **因子构建思路**：使用滚动市盈率（PE-TTM）作为估值参考，衡量各指数在当前时点的投资价值[33]。 * **因子具体构建过程**：直接采用各宽基指数的PE-TTM当前值，并计算其相对于近1年、近5年以及全部历史数据的分位值[37][40]。同时，计算近1年的均值和波动率，并构建以均值为中心、±1倍标准差和±2倍标准带的波动区间，通过比较当前值与这些标准带的关系来判断估值水平[40]。 3. **因子名称：股债性价比因子**[38][41] * **因子构建思路**：以各指数PE-TTM的倒数（即盈利收益率）与十年期国债即期收益率之差作为股债性价比的衡量指标，用以比较股票与债券的相对吸引力[38]。 * **因子具体构建过程**：股债性价比 = (1 / PE-TTM) - 十年期国债即期收益率。报告通过观察该指标的走势，并对比其与基于近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倍标准差区间的位置来进行分析[41]。 4. **因子名称：股息率因子**[44] * **因子构建思路**：股息率反映现金分红回报率，是一种重要的投资风格因子。跟踪各指数的股息率，观察其走势和变化趋势[44]。 * **因子具体构建过程**：直接采用各宽基指数的股息率当前值（百分比形式），并计算其近1年、近5年及历史分位值[46][47]。同时，计算近1年均值和波动率，并构建±1倍、±2倍标准差区间，通过比较当前值与这些区间的关系来判断股息率水平[47]。 5. **因子名称：收益分布形态因子（峰度与偏度）**[24] * **因子构建思路**：通过分析各宽基指数日收益率的分布形态（峰度和偏度）及其历史变化，来反映市场收益分布的集中程度和极端收益情形[17][24]。 * **因子具体构建过程**：计算各指数近5年（基准期）和当前（近一年）日收益率序列的峰度和偏度[25]。峰度计算中减去了3（正态分布峰度），因此“峰度负偏离”表示当前分布比基准期更平坦[25]。通过比较当前值与基准期值的差异（当前vs.近5年），来观察分布形态的变化[24][25]。 6. **因子名称：均线相对位置因子**[13] * **因子构建思路**：通过比较指数收盘价与不同周期移动平均线（MA）的位置关系，来判断指数的短期、中期和长期趋势[13]。 * **因子具体构建过程**：计算指数收盘价相对于MA5、MA10、MA20、MA60、MA120、MA250的百分比偏离，公式为：(收盘价 / MA - 1) * 100%[14]。正值表示收盘价位于均线上方，负值表示位于下方。报告据此判断指数是否位于关键均线（如250日线）上方或跌破短期均线（如5日均线）[13]。 7. **因子名称：交易活跃度因子（换手率）**[15][16] * **因子构建思路**：通过计算各宽基指数的换手率来衡量市场的交易活跃程度[15]。 * **因子具体构建过程**：指数换手率计算方式为：Σ(成分股流通股本 * 成分股换手率) / Σ(成分股流通股本)[16]。报告直接列出了各宽基指数的当前换手率数值[15]。 8. **因子名称：资金流向因子（交易金额占比）**[15] * **因子构建思路**：通过计算各宽基指数交易金额占全市场（中证全指）交易金额的比例，来观察资金在不同板块间的分布情况[15]。 * **因子具体构建过程**：以该指数当天的交易金额除以中证全指当天的交易金额，得到该指数的交易金额占比[16]。 因子的回测效果 （注：本报告为市场数据跟踪与统计报告，未提供基于历史数据的因子分层回测、多空组合收益、信息比率（IR）等传统量化因子测试结果。报告主要展示了各因子在特定截面日（2026年7月13日）的取值及其与历史统计区间的相对位置。） 1. **风险溢价因子**：当前值、近1年/5年分位值、与近1年均值及±1倍、±2倍标准差区间的相对位置[34]。 2. **PE-TTM估值因子**：当前值、近1年/5年/历史分位值、与近1年均值及±1倍、±2倍标准差区间的相对位置[40]。 3. **股债性价比因子**：图示展示了其历史走势与近5年机会值、危险值、均值及±1倍标准差区间的关系，结论为没有指数高于其80%分位，中证500低于其20%分位[41]。 4. **股息率因子**：当前值、近1年/5年/历史分位值、与近1年均值及±1倍、±2倍标准差区间的相对位置[47]。 5. **收益分布形态因子**：当前峰度与偏度、近5年峰度与偏度、以及当前值与近5年值的差异（当前vs.近5年）[25]。 6. **均线相对位置因子**：指数收盘价相对于MA5、MA250等关键均线的具体百分比偏离值[14]。 7. **交易活跃度因子**：各宽基指数的当前换手率具体数值[15]。 8. **资金流向因子**：各宽基指数交易金额占中证全指交易金额的具体百分比[15]。

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** [17] * **因子构建思路**：通过计算当日最高价涨停且最终收盘也涨停的股票比例，来衡量市场涨停板的“封板”强度或资金追涨的坚决程度。[17] * **因子具体构建过程**： 1. 筛选上市满3个月以上的股票。[14][17] 2. 在每个交易日，识别出“最高价涨停的股票”。[17] 3. 在步骤2的股票中，进一步识别出“收盘涨停的股票”。[17] 4. 计算封板率，公式为： $$封板率=最高价涨停且收盘涨停的股票数/最高价涨停的股票数$$ [17] 2. **因子名称：连板率因子** [17] * **因子构建思路**：通过计算昨日涨停股票中今日继续涨停的比例，来衡量市场涨停板的连续性和短线炒作情绪的持续性。[17] * **因子具体构建过程**： 1. 筛选上市满3个月以上的股票。[14][17] 2. 在每个交易日，识别出“昨日收盘涨停的股票”。[17] 3. 在步骤2的股票中，进一步识别出“今日收盘也涨停的股票”（即连续两日收盘涨停）。[17] 4. 计算连板率，公式为： $$连板率=连续两日收盘涨停的股票数/昨日收盘涨停的股票数$$ [17] 3. **因子名称：大宗交易折价率因子** [26] * **因子构建思路**：通过计算大宗交易成交价相对于市价的折价幅度，来反映大额资金交易的偏好和市场情绪，折价率高可能意味着卖出方急于变现或对后市看法偏谨慎。[26] * **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股数。[26] 2. 计算每笔大宗交易成交份额按当日市价计算的总市值。[26] 3. 汇总当日所有大宗交易的总成交金额和按市价计算的总市值。[26] 4. 计算当日大宗交易整体折价率，公式为： $$折价率=大宗交易总成交金额/当日成交份额的总市值-1$$ [26] * 公式说明：该值为负表示折价成交，绝对值越大表示折价幅度越深。[26] 4. **因子名称：股指期货年化贴水率因子** [28] * **因子构建思路**：计算股指期货价格相对现货指数的年化基差（贴水率），用以衡量市场对未来指数的预期、对冲成本以及市场情绪（如悲观预期常导致深度贴水）。[28] * **因子具体构建过程**： 1. 选取特定股指期货的主力合约（如上证50、沪深300、中证500、中证1000）。[28] 2. 计算基差：基差 = 期货价格 - 现货指数价格。[28] 3. 获取合约的剩余交易日数。[28] 4. 计算年化贴水率，公式为： $$年化贴水率=基差/指数价格*(250/合约剩余交易日数)$$ [28] * 公式说明：年化贴水率为正表示升水，为负表示贴水；250为年化交易日假设。[28] 因子的回测效果 （注：本篇报告为市场数据日报，未提供基于历史数据的长期因子回测绩效指标（如IC、IR、多空收益等）。报告仅展示了特定日期的因子取值及近期统计值，无统一口径下的模型化测试结果。）[2][3][4][7][8][11][14][17][19][22][23][26][28][30][32][36][37]

量化模型与构建方式 **注：** 经审阅，本篇研报为政策解读与市场影响分析报告，其核心内容在于梳理和解读再融资新规，并探讨其对市场各参与方的影响。报告未涉及任何量化模型、量化因子的构建、测试或效果分析。因此，以下内容部分（量化模型与构建方式、模型的回测效果、量化因子与构建方式、因子的回测效果）均无相关内容。 模型的回测效果 （无相关内容） 量化因子与构建方式 （无相关内容） 因子的回测效果 （无相关内容）