量化模型与构建方式 1. **模型名称：250日新高距离模型**[11] * **模型构建思路**：该模型基于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、指数或行业接近其历史高点的程度，以此作为市场趋势强弱的指标[11]。 * **模型具体构建过程**：对于任意标的（个股、指数、行业指数等），在时间点t，计算其250日新高距离。具体公式如下： $$250日新高距离 = 1 - \frac{Close_t}{ts\_max(Close, 250)}$$ 其中，\(Close_t\) 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]。若最新收盘价创出新高，则分子分母相等，该值为0；若价格从高点回落，则该值为正，数值越大表示回落幅度越大[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**：该模型旨在从创新高的股票中，进一步筛选出具备更强动量持续性的股票。其思路结合了分析师关注度、股价相对强度，并特别强调了股价路径的平稳性（平滑动量）和创新高的持续性，以过滤掉波动剧烈或动量可能衰竭的标的[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**：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[19]。 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. **股价平稳性与创新高持续性综合筛选**：在满足上述条件的股票池内，使用两个指标进行综合打分，并选取排名在前50%的股票[28]。 * **价格路径平滑性指标**：股价位移路程比。计算公式为：过去120日涨跌幅的绝对值 / 过去120日日涨跌幅绝对值加总[26]。该值越小，表明价格路径越平滑。 * **创新高持续性指标**：过去120日的250日新高距离在时间序列上的均值[28]。该值越小，表明在考察期内越持续地接近或创出新高。 5. **趋势延续性筛选**：对经过上一步筛选的股票，计算其过去5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只股票作为最终的“平稳创新高股票”[28]。 量化因子与构建方式 1. **因子名称：250日新高距离因子**[11] * **因子构建思路**：作为动量因子的一种具体形式，该因子通过度量价格接近历史高点的程度，来捕捉资产的趋势强度。理论基础包括George (2004)的52周高价效应、欧奈尔CANSLIM体系中的“领头羊”原则以及米勒维尼对“52周新高”的关注[11]。 * **因子具体构建过程**：与上述模型构建过程相同，对于单个股票i，在时间点t，计算其因子值： $$250日新高距离_i = 1 - \frac{Close_{i,t}}{ts\_max(Close_i, 250)}$$ 其中，\(Close_{i,t}\) 是股票i在t时刻的收盘价，\(ts\_max(Close_i, 250)\) 是股票i过去250个交易日收盘价的最大值[11]。该因子值为0表示创出新高，为正值表示从高点回落。 2. **因子名称：价格路径平滑性因子**[26] * **因子构建思路**：该因子基于“温水煮青蛙”效应和平滑动量收益更高的研究结论，通过比较股价的净位移与总波动路程，来刻画股价上涨过程的平稳程度，避免选择那些通过短期剧烈波动（类似彩票型股票）实现上涨的标的[26]。 * **因子具体构建过程**：对于股票i，在时间点t，计算过去120个交易日的价格路径平滑性。公式表达为： $$价格路径平滑性_i = \frac{|R_{i, t-119:t}|}{\sum_{k=t-119}^{t} |r_{i,k}|}$$ 其中，\(R_{i, t-119:t}\) 表示股票i从t-119日到t日的累计涨跌幅（位移），\(r_{i,k}\) 表示股票i在第k日的日收益率。分母是过去120日每日收益率绝对值的总和（路程）[26]。因子值越小，表明股价路径越平滑。 3. **因子名称：创新高持续性因子**[28] * **因子构建思路**：该因子用于衡量一只股票在较长时间窗口内维持强势（接近新高）的状态是否具有持续性，而不仅仅是短暂突破。持续的强势可能意味着更稳固的趋势。 * **因子具体构建过程**：对于股票i，在时间点t，计算其过去120个交易日内每日的250日新高距离，然后求这些距离值的时序均值。 $$创新高持续性_i = \frac{1}{120} \sum_{k=t-119}^{t} (1 - \frac{Close_{i,k}}{ts\_max(Close_i, 250)_{截至k日}})$$ 该均值越小，说明股票在考察期内越持续地保持在历史高点附近[28]。 4. **因子名称：趋势延续性因子**[28] * **因子构建思路**：该因子用于捕捉股票在近期（短期）内维持强势趋势并可能继续向上的状态，是动量效应的短期度量。 * **因子具体构建过程**：对于股票i，在时间点t，计算其过去5个交易日内每日的250日新高距离，然后求这些距离值的时序均值。 $$趋势延续性_i = \frac{1}{5} \sum_{k=t-4}^{t} (1 - \frac{Close_{i,k}}{ts\_max(Close_i, 250)_{截至k日}})$$ 该均值越小，说明股票在近期越持续地接近或创出新高，短期趋势延续性越强[28]。 模型的回测效果 *注：本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）。报告主要展示了截至特定时点（2025年12月5日）的模型应用结果和截面数据[12][19][29]。* 因子的回测效果 *注：本报告未提供因子IC、IR、多空收益等历史回测绩效指标。报告主要展示了截至特定时点（2025年12月5日）的因子截面计算和应用结果[12][19][29]。*

量化模型与构建方式 1. **模型名称：中证央企红利50指数编制模型** **模型构建思路：** 从国务院国资委下属的央企上市公司中，筛选出具有高现金股息率、稳定分红历史的证券，构建一个反映高股息央企整体表现的指数[38]。 **模型具体构建过程：** 1. **确定样本空间：** 中证全指指数的样本空间中满足以下条件的A股和红筹企业存托凭证[38]： * 实际控制人为国务院国资委或由其履行出资人职责的中央企业[38]。 * 过去一年日均总市值排名在前80%[38]。 * 过去一年日均成交金额排名在前80%[38]。 * 过去三年连续现金分红，且过去三年股利支付率均值和过去一年股利支付率介于0和1之间[38]。 2. **选样方法：** 对样本空间内证券，按照过去三年平均现金股息率由高到低排名，选取排名靠前的50只证券作为指数样本[38]。 3. **缓冲区规则：** 定期调整时，将不满足以下任一条件的原样本剔除[38]： * 实际控制人为国务院国资委或财政部。 * 过去一年现金股息率大于0.5%。 * 过去一年日均总市值排名在中证全指指数样本空间前90%。 * 过去一年日均成交金额排名在中证全指指数样本空间前90%。 * 过去三年股利支付率均值大于0且小于1。 4. **加权方式：** 采用股息率加权[38]。 5. **调整频率：** 指数样本每年调整一次，特殊情况临时调整[38]。 量化因子与构建方式 1. **因子名称：高股息因子（现金股息率）** **因子构建思路：** 衡量上市公司现金分红相对于其股价的回报水平，是红利策略的核心筛选指标[3]。 **因子具体构建过程：** 报告未提供具体的计算公式，但根据上下文，其构建基于“过去三年平均现金股息率”[38]。通用的现金股息率计算公式为： $$现金股息率 = \frac{近12个月每股现金股利}{当前股价} \times 100\%$$ 报告中指数的构建使用了“过去三年平均现金股息率”，即对过去三年的年度现金股息率进行平均[38]。 2. **因子名称：Barra风格因子暴露** **因子构建思路：** 使用Barra风险模型分析中证央企红利50指数在多个风格维度上的暴露程度，以刻画其投资风格特征[68]。 **因子具体构建过程：** 报告未详述Barra各因子的具体计算公式，但列出了指数在10个风格因子上的暴露情况[69]。这些因子包括： * 价值风格因子：账面市值比（BookToPrice）、盈利收益率（EarningsYield）[70]。 * 风险防御因子：贝塔（Beta）、残差波动率（ResidualVolatility）[70]。 * 其他风格因子：非线性市值（NonlinearSize）、杠杆（Leverage）、成长（Growth）、动量（Momentum）、规模（Size）、流动性（Liquidity）[69]。 **因子评价：** 分析显示，该指数在价值因子上呈显著正向暴露，在风险因子上呈防御性负向暴露，对动量和成长因子呈负向暴露，整体呈现出深度价值与绝对防御的核心配置风格[68][70][72]。 模型的回测效果 1. **中证央企红利50指数**，累计收益率7.65%[45]，年化收益率5.70%[45]，年化波动率11.86%[45]，夏普比率0.31[45]，最大回撤-10.82%[45]，加权股息率4.46%[49]。 因子的回测效果 1. **高股息因子（应用于中证央企红利50指数）**，2025年股息率区间4.1%-5.2%[60]，均值4.45%[60]。 2. **Barra风格因子暴露（中证央企红利50指数）**，账面市值比（BookToPrice）正向暴露[69]，盈利收益率（EarningsYield）正向暴露[70]，贝塔（Beta）负向暴露[70]，残差波动率（ResidualVolatility）负向暴露[70]，动量（Momentum）负向暴露[70]，成长（Growth）负向暴露[70]。

量化模型与构建方式 1. **模型/因子名称：250日新高距离**[11] * **构建思路**：该指标用于衡量当前价格距离过去250个交易日最高点的回落幅度，以量化个股、行业或指数的“创新高”状态。其理论基础在于，研究表明价格接近历史高点的资产未来往往有更好的表现[11]。 * **具体构建过程**：对于任一标的（个股、行业指数、宽基指数），计算其最新收盘价与过去250个交易日收盘价最高值的相对距离。 * 计算公式为： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ * 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]。 * 若最新收盘价创出250日新高，则分子等于分母，该值为0；若价格从高点回落，则该值为正，表示回落的百分比幅度[11]。 2. **模型名称：平稳创新高股票筛选模型**[26][28] * **构建思路**：该模型旨在从近期创过新高的股票中，进一步筛选出具备更强动量持续性的股票。其思路结合了分析师关注度、股价相对强度、以及动量在时间序列上的平滑性（而非跳跃性）[26]。研究指出，遵循平滑价格路径的高动量股收益更高[26]。 * **具体构建过程**：这是一个多步骤的筛选模型，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个交易日内曾创出250日新高的股票[19]。 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所有股票的前20%[28]。 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，计算公式为 `过去120日涨跌幅的绝对值 / 过去120日日涨跌幅绝对值加总`[26]。该值越小，表明股价路径越平滑。 * **创新高持续性**：使用过去120日内的250日新高距离在时间序列上的均值[28]。该值越小，表明股票在近期持续接近或创出新高。 5. **趋势延续性筛选**：对经过第4步筛选的股票，计算其过去5日的250日新高距离在时间序列上的均值，并选取该值排序最靠前的50只股票作为最终的“平稳创新高股票”[28]。 模型的回测效果 *本报告未提供模型（如平稳创新高股票筛选模型）的历史回测绩效指标（如年化收益率、夏普比率、最大回撤等）。报告主要展示了特定时点（2025年12月5日）的截面筛选结果和应用示例[29][32]。* 量化因子与构建方式 1. **因子名称：价格路径平滑性（位移路程比）**[26] * **构建思路**：该因子用于度量股价上涨过程的平稳程度，避免因短期剧烈波动（跳跃）带来的干扰。研究认为平滑的动量获得的关注更少，因而持续性可能更强[26]。 * **具体构建过程**：计算过去一定期间（报告中为120日）的总涨幅绝对值与期间内每日涨跌幅绝对值总和的比值。 * 计算公式为： $$价格路径平滑性 = \frac{|P_{t} - P_{t-n}|}{\sum_{i=1}^{n} |R_{t-i+1}|}$$ * 其中，`|P_t - P_{t-n}|` 是过去n日（如120日）的股价净变化绝对值（位移），`∑|R|` 是同期每日收益率绝对值的总和（路程）。该比值越小，表明股价路径越平滑[26]。 2. **因子名称：创新高持续性**[28] * **构建思路**：该因子用于衡量股票在近期持续保持强势、接近或创出新高的状态，而非仅仅在某一时点偶然创新高。 * **具体构建过程**：计算股票在过去一段时间（报告中为120日）内，其每日的“250日新高距离”的平均值[28]。该均值越低，说明股票在观察期内越持续地接近其250日高点。 3. **因子名称：趋势延续性**[28] * **构建思路**：该因子用于捕捉短期内的强势延续状态，筛选那些近期（如过去5日）持续保持强劲上涨趋势的股票。 * **具体构建过程**：计算股票在过去较短周期（报告中为5日）内，其每日的“250日新高距离”的平均值[28]。在筛选过程中，选取该平均值最小的股票，代表其短期趋势延续性最好。 因子的回测效果 *本报告未提供单个因子（如价格路径平滑性、创新高持续性等）的独立历史回测绩效指标（如IC值、IR、多空收益等）。报告重点在于阐述因子的构建逻辑并将其应用于复合筛选模型中[26][28]。*

量化模型与构建方式 1. **模型名称：逆周期配置模型**[3][23] * **模型构建思路**：借助代理变量预测未来的宏观环境（如通胀、增长等），然后选择在该环境下预期表现最优的几类资产构建绝对收益组合[23]。 * **模型具体构建过程**：报告未提供该模型具体的代理变量选择、预测模型及资产选择规则的详细构建过程。 2. **模型名称：宏观动量模型**[3][23] * **模型构建思路**：从经济增长、通货膨胀、利率、汇率和风险情绪等多个宏观维度出发，构建对股票、债券等大类资产的择时信号[23]。 * **模型具体构建过程**：报告未提供该模型各维度具体指标、合成方法及择时规则的详细构建过程。 3. **模型名称：黄金择时策略**[23] * **模型构建思路**：通过宏观、持仓、量价和情绪等多类因子，构建多周期的黄金择时策略[23]。 * **模型具体构建过程**：报告未提供该策略具体因子定义、周期设置及信号生成规则的详细构建过程。 4. **模型名称：行业ETF轮动策略**[3][24] * **模型构建思路**：从行业历史基本面、预期基本面、情绪面、量价技术面、宏观经济等多个维度构建多因子行业轮动模型，并应用于ETF投资[24]。 * **模型具体构建过程**： 1. 确定基准池：将市场上ETF的跟踪指数与中信一级行业匹配，形成由23个一级行业组成的基准池[24]。 2. 构建行业轮动模型：基于上述多个维度的因子对行业进行评分或排序。 3. 构建ETF组合：根据行业轮动模型的信号，选择看好的行业，并配置对应的行业ETF形成投资组合。例如，2025年11月的组合等权重配置了5只行业ETF[24][27]。 5. **模型名称：股债混合再平衡策略**[1][4][29] * **模型构建思路**：设定固定的股债资产配置比例（如10/90， 20/80），并定期（如月度）进行再平衡，以维持初始配置比例，实现简单的资产配置[1][4]。 * **模型具体构建过程**： 1. 确定初始配置：设定股票资产与债券资产的初始权重，例如股票20%、债券80%[4]。 2. 定期再平衡：在固定的再平衡时点（如每月末），计算当前组合中各类资产的实际市值权重。 3. 调整至目标权重：通过交易，将各类资产的权重调整回初始设定的目标权重。 6. **模型名称：股债风险平价策略**[4][29] * **模型构建思路**：根据各类资产的风险贡献来分配权重，目标是使各类资产对组合整体的风险贡献相等，从而构建风险均衡的组合[4][29]。 * **模型具体构建过程**：报告未提供该策略风险贡献计算及权重求解的具体公式和过程。 7. **模型名称：股、债、黄金风险平价策略**[4][28] * **模型构建思路**：在股债风险平价策略的基础上，加入黄金资产，依据三类资产的风险贡献进行权重配置[4][28]。 * **模型具体构建过程**：报告未提供该策略的具体构建过程。 8. **模型名称：宏观择时增强的股债混合策略**[4] * **模型构建思路**：在基础的股债混合策略（如20/80再平衡）之上，引入宏观择时模型（如宏观动量模型）对股票仓位进行动态调整，以增强收益[4]。 * **模型具体构建过程**：报告未提供宏观择时信号如何具体调整股票仓位的详细规则。 9. **模型名称：行业轮动增强的股债混合策略**[4] * **模型构建思路**：在基础的股债混合策略（如20/80再平衡或风险平价）的股票端，不直接配置宽基指数，而是配置由行业ETF轮动策略生成的股票组合，以寻求超额收益[4]。 * **模型具体构建过程**： 1. 股票端：使用行业ETF轮动策略构建并动态调整股票组合。 2. 债券端：配置债券资产（如短债基金指数）。 3. 资产配置：按照设定的股债比例（如20/80）将资金分配于上述股票组合和债券资产，并定期再平衡[4]。 10. **模型名称：逆周期配置的混合策略**[4] * **模型构建思路**：结合逆周期配置模型（季度频率）与特定的股票风格策略（如PB盈利、小盘成长等），进行股债资产配置[4]。 * **模型具体构建过程**：报告未提供逆周期配置模型信号如何与股票风格策略结合的具体规则。 量化因子与构建方式 1. **因子名称：PB盈利因子**[4][37] * **因子构建思路**：基于市净率（PB）和盈利能力的选股因子，具体构建思路报告未详细说明。 * **因子具体构建过程**：报告未提供该因子的具体计算公式和构建步骤。 2. **因子名称：高股息因子**[4][37] * **因子构建思路**：基于股息率的选股因子，倾向于选择股息率较高的股票。 * **因子具体构建过程**：报告未提供该因子的具体计算公式和构建步骤。 3. **因子名称：小盘价值因子**[4][37] * **因子构建思路**：结合市值规模（小盘）和价值风格（如低估值）的选股因子。 * **因子具体构建过程**：报告未提供该因子的具体计算公式和构建步骤。 4. **因子名称：小盘成长因子**[1][4][37] * **因子构建思路**：结合市值规模（小盘）和成长风格（如高盈利增长）的选股因子。 * **因子具体构建过程**：报告未提供该因子的具体计算公式和构建步骤。 模型的回测效果 （数据区间：2025年1月2日至2025年11月28日）[30][37] 1. **（宏观择时）股债20/80再平衡模型**，本年收益4.83%，年化波动率3.47%，最大回撤1.78%，夏普比率1.54[30] 2. **（宏观择时）股债风险平价模型**，本年收益2.07%，年化波动率1.77%，最大回撤1.50%，夏普比率1.30[30] 3. **（宏观择时）股、债、黄金风险平价模型**，本年收益3.94%，年化波动率2.17%，最大回撤1.49%，夏普比率2.01[30] 4. **（宏观择时+行业ETF轮动）股债20/80再平衡模型**，本年收益7.98%，年化波动率5.46%，最大回撤2.54%，夏普比率1.62[30] 5. **（宏观择时+行业ETF轮动）股债风险平价模型**，本年收益3.17%，年化波动率2.21%，最大回撤1.45%，夏普比率1.59[30] 因子的回测效果 （数据区间：2025年1月2日至2025年11月28日，应用于不同股债配置策略）[37] 1. **PB盈利因子**（应用于不择时+20/80月度再平衡策略），本年收益4.60%，年化波动率4.56%，最大回撤3.79%，夏普比率0.21[37] 2. **高股息因子**（应用于不择时+20/80月度再平衡策略），本年收益3.98%，年化波动率4.03%，最大回撤3.47%，夏普比率0.16[37] 3. **小盘价值因子**（应用于不择时+20/80月度再平衡策略），本年收益11.19%，年化波动率6.89%，最大回撤7.74%，夏普比率0.64[37] 4. **小盘成长因子**（应用于不择时+20/80月度再平衡策略），本年收益11.93%，年化波动率7.02%，最大回撤8.07%，夏普比率0.68[37] 5. **PB盈利因子**（应用于宏观择时+20/80月度再平衡策略），本年收益6.28%，年化波动率5.05%，最大回撤3.65%，夏普比率0.37[37] 6. **高股息因子**（应用于宏观择时+20/80月度再平衡策略），本年收益5.53%，年化波动率4.38%，最大回撤2.63%，夏普比率0.33[37] 7. **小盘价值因子**（应用于宏观择时+20/80月度再平衡策略），本年收益12.08%，年化波动率7.88%，最大回撤7.21%，夏普比率0.62[37] 8. **小盘成长因子**（应用于宏观择时+20/80月度再平衡策略），本年收益13.38%，年化波动率7.86%，最大回撤7.34%，夏普比率0.70[37]

量化模型与构建方式 1. **模型名称**：封板率计算模型[17] **模型构建思路**：通过计算当日最高价涨停且收盘涨停的股票数量与最高价涨停股票总数的比例，来衡量市场涨停股的封板质量与资金封板意愿[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。然后，在交易日T日，找出所有盘中最高价达到涨停价的股票。最后，计算这些股票中，收盘价也维持在涨停价的股票所占的比例。具体公式为： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[17] 2. **模型名称**：连板率计算模型[17] **模型构建思路**：通过计算连续两日收盘涨停的股票数量占前一日所有涨停股票数量的比例，来度量市场涨停效应的持续性[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。在交易日T日，找出所有在T-1日收盘涨停的股票。然后，计算这些股票中，在T日收盘也涨停的股票所占的比例。具体公式为： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[17] 3. **模型名称**：大宗交易折价率计算模型[26] **模型构建思路**：通过比较大宗交易成交总额与按当日市价计算的成交份额总市值，计算折价率，以反映大资金交易的折让程度和市场情绪[26] **模型具体构建过程**：首先，获取当日所有大宗交易的成交数据，包括每笔交易的成交价格和成交数量。然后，计算这些成交份额按当日收盘价（或成交均价）计算的总市值。最后，用大宗交易总成交金额除以该总市值并减1，得到整体折价率。具体公式为： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[26] 4. **模型名称**：股指期货年化贴水率计算模型[28] **模型构建思路**：将股指期货主力合约与现货指数之间的基差进行年化处理，以标准化衡量期货合约的升贴水程度，便于跨期比较[28] **模型具体构建过程**：首先，计算股指期货主力合约价格与其标的现货指数价格的差值，即基差（期货价格 - 现货价格）。然后，将基差除以现货指数价格，得到相对基差。最后，将此相对基差乘以年化因子（250天除以合约剩余交易日数），得到年化贴水率。具体公式为： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[28] **模型评价**：该指标综合反映了金融市场利率、股市分红、微观资金成本、套利力量、市场情绪等多方面因素，其变化能体现市场对未来走势的预期，并直接影响股指对冲的成本[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**：追踪前一日涨停的股票在次日的开盘至收盘的收益率表现，用于观察涨停股的赚钱效应和接力情绪[14] **因子具体构建过程**：首先，在交易日T-1日，筛选出上市满3个月以上且收盘涨停的股票。然后，计算这些股票在T日的收盘收益率。具体计算为每只股票在T日的（收盘价/开盘价 - 1），再求所有符合条件的股票收益率的平均值或中位数[14] 2. **因子名称**：昨日跌停股今日收益因子[14] **因子构建思路**：追踪前一日跌停的股票在次日的开盘至收盘的收益率表现，用于观察极端抛压后的市场修复或继续下跌的动能[14] **因子具体构建过程**：首先，在交易日T-1日，筛选出上市满3个月以上且收盘跌停的股票。然后，计算这些股票在T日的收盘收益率。具体计算为每只股票在T日的（收盘价/开盘价 - 1），再求所有符合条件的股票收益率的平均值或中位数[14] 3. **因子名称**：两融余额占比因子[22] **因子构建思路**：计算融资融券余额占A股总流通市值的比例，用以衡量杠杆资金在市场中的整体规模和重要性[22] **因子具体构建过程**：在交易日T日，获取市场的融资余额与融券余额之和，即两融余额。同时，获取A股市场的总流通市值。最后，计算两融余额占总流通市值的百分比[22] 4. **因子名称**：两融交易占比因子[22] **因子构建思路**：计算融资买入额与融券卖出额之和占市场总成交额的比例，用以衡量杠杆交易的活跃度[22] **因子具体构建过程**：在交易日T日，获取市场的融资买入总额与融券卖出总额，求和得到两融交易总额。同时，获取A股市场的总成交额。最后，计算两融交易总额占总成交额的百分比[22] 5. **因子名称**：ETF折溢价因子[23] **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）的偏离度，捕捉市场短期情绪和套利机会[23] **因子具体构建过程**：首先，筛选日成交额超过100万元的境内股票型ETF。对于单只ETF，计算其当日场内成交均价（或收盘价）与当日IOPV的差值，再除以IOPV得到折溢价率。正值代表溢价，负值代表折价[23] 6. **因子名称**：机构调研热度因子[30] **因子构建思路**：统计近期对上市公司进行调研的机构数量，作为衡量机构关注度的代理指标[30] **因子具体构建过程**：对于每只股票，统计其在过去7个自然日内，接受机构调研或举行分析师会议的机构家数。家数越多，代表机构关注度越高[30] 7. **因子名称**：龙虎榜机构净流入因子[36] **因子构建思路**：根据龙虎榜披露的机构专用席位买卖数据，计算单日对个股的净买入金额，反映机构资金的短期动向[36] **因子具体构建过程**：对于登上龙虎榜的个股，汇总当日所有机构专用席位的买入总额与卖出总额，计算净额（买入总额 - 卖出总额）[36] 8. **因子名称**：龙虎榜陆股通净流入因子[37] **因子构建思路**：根据龙虎榜披露的陆股通席位买卖数据，计算单日对个股的净买入金额，反映北向资金的短期动向[37] **因子具体构建过程**：对于登上龙虎榜的个股，汇总当日所有陆股通席位的买入总额与卖出总额，计算净额（买入总额 - 卖出总额）[37] 模型的回测效果 1. 封板率计算模型，2025年12月4日指标值为58%[17] 2. 连板率计算模型，2025年12月4日指标值为19%[17] 因子的回测效果 1. 昨日涨停股今日收益因子，2025年12月4日指标值为-0.28%[14] 2. 昨日跌停股今日收益因子，2025年12月4日指标值为-4.67%[14] 3. 两融余额占比因子，截至2025年12月3日指标值为2.6%[22] 4. 两融交易占比因子，截至2025年12月3日指标值为9.6%[22] 5. ETF折溢价因子，2025年12月3日，科创100ETF富国溢价0.63%，A500增强ETF基金折价0.53%[23] 6. 大宗交易折价率因子，近半年平均指标值为6.43%，2025年12月3日指标值为7.92%[26] 7. 股指期货年化贴水率因子，近一年中位数：上证50为0.68%，沪深300为3.53%，中证500为11.15%，中证1000为13.58%[28]。2025年12月4日指标值：上证50为4.69%（近一年24%分位），沪深300为7.98%（近一年23%分位），中证500为9.59%（近一年62%分位），中证1000为11.05%（近一年68%分位）[28] 8. 机构调研热度因子，近一周（截至2025年12月4日），长安汽车被101家机构调研[30] 9. 龙虎榜机构净流入因子，2025年12月4日，净流入前十名包括和而泰、初灵信息等[36] 10. 龙虎榜陆股通净流入因子，2025年12月4日，净流入前十名包括和而泰、航天环宇等[37]

根据提供的研报内容，以下是关于量化因子与模型的总结。 量化因子与构建方式 1. **因子名称**：涨跌类因子 (KeyPeriod_ret) [7][25][26] - **因子构建思路**：基于分钟频因子构建逻辑的改进，采用逐笔订单数据，通过识别日内不同涨跌幅表现的重点时段（如横盘、下跌、上涨时段），并统计这些时段内的量价特征来构建因子[7][25] - **因子具体构建过程**：首先，根据分钟线的涨跌幅对交易日内的分钟时段进行分类，例如，将涨跌幅接近于零的时段定义为横盘时段 (ret_zero)，将涨跌幅处于最低5%的时段定义为下跌时段 (ret_low5pct)，将涨跌幅处于最高5%的时段定义为上涨时段 (ret_top5pct)。然后，在这些定义出的关键时段内，使用Level 2逐笔订单数据计算特定的量价指标。构建过程还包含了主买 (buy) 和主卖 (sell) 的区分，例如 KeyPeriod_ret_low5pct_buy 和 KeyPeriod_ret_low5pct_sell，分别代表在下跌时段内的主买和主卖相关特征[26][27][30] 2. **因子名称**：价格类因子 (KeyPeriod_price) [7][25][31] - **因子构建思路**：通过识别日内股价相对高低的关键时段，并统计这些时段内的量价特征来构建因子[7][25] - **因子具体构建过程**：根据分钟线的价格水平对交易日内的分钟时段进行分类，例如，将价格处于最低5%的时段定义为低价时段 (price_low5pct)，将价格处于最高5%的时段定义为高价时段 (price_top5pct)。然后，在这些关键时段内使用Level 2逐笔订单数据计算量价指标。同样包含主买 (buy) 和主卖 (sell) 的区分，例如 KeyPeriod_price_low5pct_buy 和 KeyPeriod_price_low5pct_sell[32] 3. **因子名称**：成交金额类因子 (KeyPeriod_amount) [7][25][34] - **因子构建思路**：通过识别日内成交金额相对大小的关键时段，并统计这些时段内的量价特征来构建因子[7][25] - **因子具体构建过程**：根据分钟线的成交金额对交易日内的分钟时段进行分类，例如，将成交金额处于最高30%的时段定义为大成交金额时段 (amount_top30pct)，将成交金额处于最低50%的时段定义为小成交金额时段 (amount_low50pct)。然后，在这些关键时段内使用Level 2逐笔订单数据计算量价指标。构建过程也包含了主买 (buy) 和主卖 (sell) 的区分，例如 KeyPeriod_amount_top30pct_buy 和 KeyPeriod_amount_top30pct_sell[35] 4. **因子名称**：量价协同类因子 (KeyPeriod_sync) [7][25][37] - **因子构建思路**：通过识别日内量价关系（协同或背离）的关键时段，并统计这些时段内的量价特征来构建因子[7][25] - **因子具体构建过程**：首先需要定义一个量价协同指标（具体公式未在提供内容中明确给出，但逻辑是衡量价格变动与成交量变动的一致性），然后根据该指标对交易日内的分钟时段进行分类，例如，将量价协同度处于最低50%的时段定义为量价背离时段 (sync_low50pct)，将量价协同度处于最高5%的时段定义为量价协同时段 (sync_top5pct)。接着，在这些关键时段内使用Level 2逐笔订单数据计算量价指标。构建过程同样包含主买 (buy) 和主卖 (sell) 的区分，例如 KeyPeriod_sync_low50pct_buy 和 KeyPeriod_sync_low50pct_sell[38] 因子的回测效果 1. **KeyPeriod_ret_zero 因子** (20日换仓，5日平滑因子)，RankIC均值: -5.36%，胜率: 85.1% [7][27] 2. **KeyPeriod_ret_low5pct 因子** (20日换仓，5日平滑因子)，RankIC均值: 5.47%，胜率: 84.1% [7][27] 3. **KeyPeriod_price_low5pct 因子** (20日换仓，5日平滑因子)，RankIC均值: 5.59%，胜率: 85.3% [7][32] 4. **KeyPeriod_amount_top30pct 因子** (20日换仓，5日平滑因子)，RankIC均值: 11.23%，胜率: 84.8% [7][35] 5. **KeyPeriod_amount_low50pct 因子** (20日换仓，5日平滑因子)，RankIC均值: -10.50%，胜率: 75.0% [7][35] 6. **KeyPeriod_sync_low50pct 因子** (20日换仓，5日平滑因子)，RankIC均值: 6.00%，胜率: 81.5% [7][38]

量化模型与构建方式 本报告为基金投顾产品月度业绩统计与调仓行为分析报告，未涉及具体的量化预测模型或选股因子的构建与测试。报告的核心内容是对现有基金投顾产品的事后分类、业绩统计和持仓变动的描述性分析[1][2][3][4]。 1. **模型/因子名称**：基金投顾产品分类模型[11] * **模型/因子构建思路**：根据基金投顾产品的业绩基准和资产配置分布，将其划分为不同的风险收益类型，以便进行横向比较和分析[11]。 * **模型/因子具体构建过程**： 1. 数据来源：收集天天基金、且慢及雪球平台总计627只基金投顾产品的信息[11]。 2. 分类标准：主要依据产品业绩基准中权益部分的指数权重，并结合其实际的资产配置分布进行划分[11]。 3. 具体类别与权益中枢定义： * 纯债型：权益中枢0%[11][17] * 固收+型：权益中枢0%~20%[11][17] * 股债混合型：权益中枢20%~70%[11][17] * 股票型：权益中枢70%以上[11][17] * 多元配置型：进行多元资产的分散投资，不局限于股债[11] 4. 子类划分（针对股票型）：在普通股票型投顾产品中，根据其策略特点及收益来源，进一步细分为三类[11]： * 行业轮动型 * 指数驱动型 * 主动优选型 2. **模型/因子名称**：基金投顾调仓行为解析框架[29] * **模型/因子构建思路**：通过分析发生调仓的基金投顾产品，从多个维度解析其整体的资产配置动向，以洞察市场情绪和配置偏好[29]。 * **模型/因子具体构建过程**： 1. 样本筛选：确定在统计期内（2025年11月）发生调仓行为的131只基金投顾产品[29]。 2. 分析维度： * **基金维度**：统计被增配或减配比例最高的具体基金产品[29][30][32][33]。 * **大类资产维度**：将基金投顾的持仓分解到11类资产：A股、港股、美股、债券、黄金、货币及现金、海外债券、新兴市场、其他发达市场、海外REIT、其他商品[33]。计算统计期内所有样本投顾在这些资产上配置权重的整体净变化[33]。 * **A股行业维度**：将基金投顾在A股上的持仓进一步分解到一级行业。计算统计期内所有样本投顾在各行业上配置权重的整体净变化[36]。 模型的回测效果 报告未提供基于上述分类模型或解析框架进行预测并回测的结果（如未来收益率、信息比率等）。报告内容集中于历史业绩展示和调仓行为描述。 1. **基金投顾产品分类模型**，2025年11月各类型绝对收益均值：纯债型（0.1%）、固收+型（-0.2%）、股债混合型（-0.9%）、股票型（-1.8%）、多元配置型（-0.2%）[2][12] 2. **基金投顾产品分类模型**，2025年以来各类型绝对收益中位数：纯债型（1.4%）、固收+型（4.2%）、股债混合型（12.3%）、股票型（23.0%）、多元配置型（12.7%）[2][12] 3. **基金投顾产品分类模型（股票子类）**，2025年11月各类型绝对收益：主动优选（-2.4%）、指数驱动（-2.6%）、行业轮动（-3.5%）[3][16] 4. **基金投顾产品分类模型（股票子类）**，2025年以来各类型绝对收益：主动优选（23.0%）、指数驱动（21.7%）、行业轮动（25.6%）[3][16] 量化因子与构建方式 报告未涉及用于选股或择时的量化因子（如价值、动量、质量等）的构建。 因子的回测效果 报告未涉及任何量化因子的回测效果。

量化模型与构建方式 1. **模型名称：行业拥挤度监测模型**[3] * **模型构建思路**：通过构建模型，对申万一级行业指数的拥挤度进行每日监测，以识别市场过热或过冷的行业[3]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤、所使用的指标或计算公式。 2. **模型名称：ETF产品筛选信号模型（基于溢价率Z-score）**[4] * **模型构建思路**：根据ETF的溢价率Z-score模型搭建筛选信号，通过滚动测算来识别存在潜在套利机会的ETF标的，同时提示回调风险[4]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤、Z-score的计算窗口期或具体的信号触发阈值。 量化因子与构建方式 1. **因子名称：行业拥挤度**[3] * **因子构建思路**：用于衡量申万一级行业指数的交易拥挤程度，数值高低可能反映市场情绪过热或过冷[3]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算方法和构成指标。 2. **因子名称：溢价率Z-score**[4] * **因子构建思路**：基于ETF的IOPV溢价率计算其Z-score（标准化分数），用于判断当前溢价率相对于历史水平的偏离程度，从而发现套利机会[4]。 * **因子具体构建过程**：报告未给出具体的计算公式。通常，该因子构建过程可能涉及以下步骤： 1. 计算ETF的溢价率：$$溢价率 = (ETF市价 - IOPV) / IOPV$$ 2. 选取一定时间窗口（如过去20日或60日）的历史溢价率数据。 3. 计算该窗口期内溢价率的均值($$\mu$$)和标准差($$\sigma$$)。 4. 计算当前溢价率的Z-score：$$Z = (当前溢价率 - \mu) / \sigma$$ 模型的回测效果 （报告未提供任何量化模型的回测效果指标，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 （报告未提供任何量化因子的回测效果指标，如IC值、IR、多空收益等。） 模型/因子的具体测试结果取值 1. **行业拥挤度监测模型** * **测试结果取值**：报告以热力图形式展示了截至前一交易日（数据截止日2025/12/3）近30个交易日内，各申万一级行业的拥挤度百分比数值[9]。例如，通信、农林牧渔、国防军工的拥挤度水平靠前，而汽车、美容护理、非银金融的拥挤度水平较低[3]。石油石化、有色金属行业的拥挤度变动较大[3]。 2. **ETF产品筛选信号模型** * **测试结果取值**：报告列出了根据模型生成的“建议关注”的ETF产品列表，包括汽车ETF(159512.SZ)、稀有金属ETF基金(561800.SH)、红利质量ETF(159758.SZ)、半导体ETF(512480.SH)、半导体材料ETF(562590.SH)[13]。报告未展示这些标的具体的溢价率Z-score数值。 3. **主力资金净流入（辅助监测指标）** * **测试结果取值**： * **行业层面**：报告提供了申万一级行业指数在T日（前一交易日）、T-1日、T-2日及近3个交易日合计的主力资金净流入额（单位：亿元）[11]。例如，T日主力资金流入煤炭；流出电子、计算机[3]。近三个交易日主力资金减配电力设备、计算机；增配煤炭[3]。 * **ETF层面**：报告分类列出了宽基、行业主题、风格策略、跨境ETF在当日的资金净流入/流出TOP3产品及其具体净流入金额（单位：亿元）[5][6]。

量化模型与因子总结 量化因子与构建方式 1. **因子名称**：超预期因子大类[7] * **因子构建思路**：基于PEAD效应，利用公司实际发布的财务数据与分析师一致预期之间的差异来构建选股因子，认为业绩超预期的公司未来股价有更好表现[7]。 * **因子具体构建过程**：报告未详细描述具体构建公式，但指出其详细介绍参见系列报告《基于PEAD效应的超预期因子选股效果如何》[7]。报告中列出的具体因子均进行了标准化和市值行业中性化处理[32]。 2. **因子名称**：高频分钟因子大类[7] * **因子构建思路**：基于分钟级别的高频行情数据，捕捉市场微观结构特征和交易行为信息，用于选股[7]。 * **因子具体构建过程**：报告未详细描述具体构建公式，但指出其详细介绍参见系列报告《基于分钟数据的高频因子选股效果研究》[7]。报告中列出的具体因子均进行了标准化和市值行业中性化处理[32]。 3. **因子名称**：基本因子大类[7] * **因子构建思路**：从估值、盈利、成长、公司治理、价量等多种传统投资逻辑出发构建常用因子库[32]。 * **因子具体构建过程**：报告未详细描述每个基本因子的具体计算公式。报告中列出的所有单因子在具体使用前，均会进行统一的预处理和中性化处理，具体步骤如下[32]： 1. **原始值计算**：根据各因子的投资逻辑初步计算得到因子原始值。 2. **去极值**：采用绝对中位数法对因子原始值进行去极值处理。 3. **标准化**：对去极值后的数据进行Z-Score标准化。 4. **市值行业中性化**：以每个股票标准化后的因子值作为因变量，以对数市值和中信一级行业虚拟变量作为自变量，进行横截面回归。将回归后的残差作为每个股票的最终因子值。 公式说明：此过程旨在消除市值和行业对因子选股效果的影响，使因子更纯粹地反映其背后的投资逻辑[32]。 4. **因子名称**：单季度营业收入同比增长率[33][37][39] * **因子构建思路**：属于成长类因子，衡量公司最近一个季度营业收入的同比增长情况，增长率越高代表成长性越强[39]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 5. **因子名称**：单季度归母ROE[33][39][40] * **因子构建思路**：属于盈利类因子，衡量公司最近一个季度归属于母公司股东的净资产收益率，值越高代表盈利能力越强[39][40]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 6. **因子名称**：单季度归母ROA变动[33][39] * **因子构建思路**：属于成长类因子，衡量公司最近一个季度归母ROA相对于之前时期的变化，变动越大可能表示盈利能力的改善趋势越强[39]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 7. **因子名称**：分析师预测净利润增长率FY3[34][39] * **因子构建思路**：属于分析师类因子，采用分析师对公司未来第三年净利润增长率的预测共识，增长率越高代表未来成长预期越好[39]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 8. **因子名称**：分析师预测营收增长率-FY3[34][37][39] * **因子构建思路**：属于分析师类因子，采用分析师对公司未来第三年营业收入增长率的预测共识，增长率越高代表未来成长预期越好[39]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 9. **因子名称**：分析师预测营收FY3的120日变动[34][39] * **因子构建思路**：属于分析师类因子，衡量分析师对公司未来第三年营收预测共识在过去120日内的变动，向上修正可能代表基本面预期好转[39]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 10. **因子名称**：标准化预期外单季度归母ROE-带漂移项[35][39] * **因子构建思路**：属于超预期类因子，衡量公司单季度实际归母ROE与分析师预期之间的差异，并经过带漂移项的标准化处理，值越大表示业绩超预期幅度越大[39]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 11. **因子名称**：分析师预测ROE-FY3的120变动[35][37][39] * **因子构建思路**：属于分析师类因子，衡量分析师对公司未来第三年ROE预测共识在过去120日内的变动，向上修正可能代表盈利能力预期提升[39]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 12. **因子名称**：标准化预期外单季度归母净利润-带漂移项[35][39] * **因子构建思路**：属于超预期类因子，衡量公司单季度实际归母净利润与分析师预期之间的差异，并经过带漂移项的标准化处理，值越大表示业绩超预期幅度越大[39]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 13. **因子名称**：过去90日报告上调比例[36][39] * **因子构建思路**：属于分析师超预期类因子，统计过去90天内分析师发布的研究报告中上调评级或盈利预测的比例，比例越高代表市场对公司看法越积极[39]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 14. **因子名称**：标准化预期外单季度扣非净利润-带漂移项[36][39] * **因子构建思路**：属于超预期类因子，衡量公司单季度实际扣非净利润与分析师预期之间的差异，并经过带漂移项的标准化处理，值越大表示业绩超预期幅度越大[39]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 15. **因子名称**：5分钟成交量偏度[36][40] * **因子构建思路**：属于高频分钟类因子，基于5分钟数据计算成交量分布的偏度，捕捉异常交易行为[40]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 16. **因子名称**：分析师预测ROA-FY3的120变动[37][39] * **因子构建思路**：属于分析师类因子，衡量分析师对公司未来第三年ROA预测共识在过去120日内的变动[39]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 17. **因子名称**：EPS120日变动FY3[37][39] * **因子构建思路**：属于分析师类因子，衡量分析师对公司未来第三年每股收益预测共识在过去120日内的变动[39]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 18. **因子名称**：分析师预测净利润FY3的120日变动[37][39] * **因子构建思路**：属于分析师类因子，衡量分析师对公司未来第三年净利润预测共识在过去120日内的变动[39]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 19. **因子名称**：60日特异度[33][34][35][36][37][40] * **因子构建思路**：属于价量类因子，可能衡量股票收益率与市场收益率之间的特异性或残差波动，值越小可能表示与市场关联度越低或特质风险越小[40]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 20. **因子名称**：成交量方差比率[34][35][36][40] * **因子构建思路**：属于价量或高频类因子，可能衡量不同时间尺度成交量波动的比率，用于探测交易行为的持续性或周期性[40]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 21. **因子名称**：1分钟下行波动率占比[33][40] * **因子构建思路**：属于高频分钟类因子，基于1分钟数据计算下行波动率在总波动率中的占比，捕捉下跌时的波动风险[40]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 22. **因子名称**：20日日均交易金额[33][40] * **因子构建思路**：属于价量类因子，衡量股票近20日的平均交易金额，通常作为流动性或关注度的指标[40]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 23. **因子名称**：EBIT2EV[34][40] * **因子构建思路**：属于估值类因子，即企业价值倍数，衡量公司息税前利润与企业价值的比率，值越大可能代表估值越低或盈利能力越强[40]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 24. **因子名称**：3个月换手率标准差[34][40] * **因子构建思路**：属于价量类因子，衡量过去3个月换手率的波动情况，标准差小可能表示交易活跃度稳定[40]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 25. **因子名称**：净经营资产收益率[35][40] * **因子构建思路**：属于盈利类因子，衡量公司经营资产创造净利润的效率[40]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 26. **因子名称**：股息率[36][40] * **因子构建思路**：属于估值类因子，衡量公司现金分红与股价的比率，是红利投资策略的核心指标[40]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 27. **因子名称**：单季度归母净利润[36][40] * **因子构建思路**：属于盈利类因子，衡量公司最近一个季度的净利润规模[40]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 28. **因子名称**：单季度归母ROA[36][40] * **因子构建思路**：属于盈利类因子，衡量公司最近一个季度归属于母公司股东的总资产收益率[40]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 29. **因子名称**：尾盘成交量波动率[37][40] * **因子构建思路**：属于高频分钟类因子，衡量尾盘时段成交量的波动情况[40]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 因子的回测效果 （注：以下所有因子取值均基于“单因子组合优化”测试，超额收益为因子多头组合相对于基准指数的收益。时间区间为“上周”（2025-11-24至2025-11-28）和“本年”（截至2025-11-28）。数据来源于报告中的单因子表现表[39][40]） 1. **标准化预期外单季度扣非净利润因子**，上周超额收益（沪深300）0.22%，上周超额收益（中证500）0.33%，上周超额收益（中证1000）1.06%，上周超额收益（中证2000）0.20%，上周超额收益（中证全指）0.97%；本年超额收益（沪深300）8.45%，本年超额收益（中证500）4.68%，本年超额收益（中证1000）4.29%，本年超额收益（中证2000）20.71%，本年超额收益（中证全指）6.63%[39] 2. **标准化预期外单季度扣非净利润-带漂移项因子**，上周超额收益（沪深300）-0.10%，上周超额收益（中证500）0.21%，上周超额收益（中证1000）1.61%，上周超额收益（中证2000）-0.36%，上周超额收益（中证全指）0.96%；本年超额收益（沪深300）9.93%，本年超额收益（中证500）4.86%，本年超额收益（中证1000）18.34%，本年超额收益（中证2000）22.18%，本年超额收益（中证全指）12.48%[39] 3. **标准化预期外单季度归母净利润-带漂移项因子**，上周超额收益（沪深300）-0.10%，上周超额收益（中证500）0.21%，上周超额收益（中证1000）1.61%，上周超额收益（中证2000）-0.36%，上周超额收益（中证全指）0.96%；本年超额收益（沪深300）9.93%，本年超额收益（中证500）4.86%，本年超额收益（中证1000）18.34%，本年超额收益（中证2000）22.18%，本年超额收益（中证全指）12.48%[39] 4. **标准化预期外单季度营业收入-带漂移项因子**，上周超额收益（沪深300）0.32%，上周超额收益（中证500）0.37%，上周超额收益（中证1000）1.61%，上周超额收益（中证2000）-0.57%，上周超额收益（中证全指）1.20%；本年超额收益（沪深300）12.12%，本年超额收益（中证500）6.89%，本年超额收益（中证1000）11.95%，本年超额收益（中证2000）20.81%，本年超额收益（中证全指）11.06%[39] 5. **标准化预期外单季度归母净利润因子**，上周超额收益（沪深300）-0.17%，上周超额收益（中证500）0.25%，上周超额收益（中证1000）1.36%，上周超额收益（中证2000）-0.15%，上周超额收益（中证全指）0.67%；本年超额收益（沪深300）14.15%，本年超额收益（中证500）3.76%，本年超额收益（中证1000）14.66%，本年超额收益（中证2000）21.60%，本年超额收益（中证全指）11.00%[39] 6. **标准化预期外单季度营业收入因子**，上周超额收益（沪深300）0.26%，上周超额收益（中证500）0.01%，上周超额收益（中证1000）1.37%，上周超额收益（中证2000）-0.50%，上周超额收益（中证全指）0.87%；本年超额收益（沪深300）13.90%，本年超额收益（中证500）0.65%，本年超额收益（中证1000）11.02%，本年超额收益（中证2000）19.43%，本年超额收益（中证全指）6.38%[39] 7. **标准化预期外单季度GPOA因子**，上周超额收益（沪深300）0.48%，上周超额收益（中证500）0.52%，上周超额收益（中证1000）0.86%，上周超额收益（中证2000）-0.02%，上周超额收益（中证全指）0.40%；本年超额收益（沪深300）12.44%，本年超额收益（中证500）2.49%，本年超额收益（中证1000）6.55%，本年超额收益（中证2000）11.75%，本年超额收益（中证全指）6.68%[39] 8. **标准化预期外单季度归母ROA因子**，上周超额收益（沪深300）0.01%，上周超额收益（中证500）0.40%，上周超额收益（中证1000）1.

量化因子与构建方式 1. **因子名称：估值偏离 EPD 因子** **因子构建思路：** 将CTA领域常用的布林带均值回复策略与基本面的估值修复逻辑相结合，利用估值指标PE存在的均值回复特性构建因子[7] **因子具体构建过程：** 具体构建过程未在提供内容中详细描述，但核心是利用PE指标的均值回复特性，其构建逻辑源于布林带策略[7] 2. **因子名称：缓慢偏离 EPDS 因子** **因子构建思路：** 为了剔除个股估值逻辑变化带来的影响，在截面上用EPD因子剔除个股估值逻辑被改变的概率（由个股信息比率代理）[7] **因子具体构建过程：** 具体构建过程未在提供内容中详细描述，核心步骤是用EPD因子剔除由个股信息比率代理的个股估值逻辑改变概率[7] 3. **因子名称：估值异常 EPA 因子** **因子构建思路：** 在EPDS因子的基础上，进一步剔除影响"估值异常"逻辑的Beta、成长与价值风格，最终得到估值异常因子[7] **因子具体构建过程：** 具体构建过程未在提供内容中详细描述，核心步骤是对EPDS因子进行风格中性化处理，剔除Beta、成长与价值风格的影响[7] **因子评价：** 在回测期2010/01-2022/05内，以全体A股为研究样本，EPA因子的月度RankIC均值为0.061，RankICIR为4.75，表现出较好的选股能力[2] 因子的回测效果 1. **估值偏离 EPD 因子**，年化收益率 17.22%，年化波动率 9.92%，信息比率 1.73，月度胜率 70.00%，最大回撤率 8.93%[2][8][13] 2. **缓慢偏离 EPDS 因子**，年化收益率 15.83%，年化波动率 5.77%，信息比率 2.74，月度胜率 77.89%，最大回撤率 3.10%[2][8][13] 3. **估值异常 EPA 因子**，年化收益率 16.93%，年化波动率 5.20%，信息比率 3.26，月度胜率 80.00%，最大回撤率 3.12%[2][8][13]