根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称**：宽基轮动策略 - **模型构建思路**：基于不同宽基指数（沪深300、中证500、中证1000、中证2000及"其他"组）的热度变化率构建轮动策略，选择热度上升最快的宽基进行投资[7][8][11] - **模型具体构建过程**： 1. 计算个股总热度指标：$$ \text{总热度} = (\text{浏览+自选+点击次数占比}) \times 10000 $$[7] 2. 按宽基分组聚合成分股总热度，计算周度变化率并取MA2平滑[8][11] 3. 每周买入热度变化率MA2最高的宽基，若为"其他"组则空仓[13] - **模型评价**：捕捉市场情绪驱动的短期资金流向，但对异常波动敏感 2. **模型名称**：概念热度组合策略 - **模型构建思路**：利用热门概念中低关注度个股的反转效应构建对冲组合[30][31] - **模型具体构建过程**： 1. 筛选本周热度变化率TOP5的概念 2. 排除概念成分股中流通市值最小的20%股票 3. 等权持有各概念中总热度排名后10的个股（BOTTOM组合）[30] - **模型评价**：利用行为金融学中的"注意力偏差"，长期表现稳定 模型的回测效果 1. **宽基轮动策略**：2017年来年化收益8.74%，最大回撤23.5%，2025年收益7.5%[16] 2. **概念热度BOTTOM组合**：年化收益15.71%，最大回撤28.89%，2025年收益17%[32] 量化因子与构建方式 1. **因子名称**：总热度因子 - **因子构建思路**：通过归一化处理市场关注度数据，反映个股情绪热度[7] - **因子具体构建过程**： $$ \text{总热度} = \frac{\text{浏览+自选+点击次数}}{\text{全市场总值}} \times 10000 $$ 取值范围[0,10000]，数值越高代表关注度越集中[7] 2. **因子名称**：热度变化率因子 - **因子构建思路**：监测宽基/行业/概念层面的关注度边际变化[11][20] - **因子具体构建过程**： $$ \text{变化率} = \frac{\text{本周热度}-\text{上周热度}}{\text{上周热度}} $$ 采用MA2平滑处理周度数据[11][18] 因子的回测效果 1. **宽基热度变化率因子**：中证2000本周变化率+7.3%，沪深300变化率-15.51%[18] 2. **行业热度变化率因子**： - 一级行业：美容护理+46.7%（正向最大），农林牧渔-48.2%（负向最大）[27] - 二级行业：个护用品、互联网电商等变化率居前[27] 3. **概念热度变化率因子**：数字货币、PEEK材料等概念变化率超80%[35] 辅助因子（估值监控） 1. **因子名称**：历史分位数因子 - **构建方法**：滚动5年/10年估值百分位（PE/PB）[39][42] - **最新取值**： - 宽基：中证500分位数77%（最高），沪深300分位数46%[40] - 行业：计算机、建筑材料分位数>80%，家电、石油石化<20%[42] 注：所有公式严格按原文格式呈现，未包含风险提示等非核心内容。测试结果均来自同口径回测数据[16][32][40]

量化模型与构建方式 1. **模型名称**：择时雷达六面图 - **模型构建思路**：从流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取21个指标，综合生成[-1,1]区间的择时分数，反映市场多空信号[1][6] - **模型具体构建过程**： 1. 将指标归类为四大类："估值性价比"（如席勒ERP、PB、AIAE）、"宏观基本面"（如PMI、通胀指标）、"资金&趋势"（如两融增量、外资信号）、"拥挤度&反转"（如期权隐含升贴水、VIX）[1][6] 2. 对每类指标标准化处理并加权，最终综合分数=加权均值（区间截尾至[-1,1]）[6][8] - **模型评价**：多维框架能动态捕捉市场多空力量，但需依赖历史数据假设[6][8] 量化因子与构建方式 1. **因子名称**：货币方向因子 - **构建思路**：通过货币政策利率与短端市场利率变化判断政策方向[12] - **具体构建**：计算央行政策利率与短端利率90天前的平均变化方向，若>0为宽松（分数=1），<0为收紧（分数=-1）[12] 2. **因子名称**：货币强度因子 - **构建思路**：基于利率走廊概念衡量短端利率偏离政策利率的程度[15] - **具体构建**： $$偏离度 = \frac{DR007}{7天逆回购利率} - 1$$ 平滑后计算zscore，若<-1.5σ则未来120日分数=1，>1.5σ则=-1[15] 3. **因子名称**：信用强度因子 - **构建思路**：捕捉信贷数据超预期程度[20] - **具体构建**： $$信用强度因子 = \frac{新增人民币贷款 - 预期中位数}{预期标准差}$$ 若>1.5σ则未来60日分数=1，<-1.5σ则=-1[20] 4. **因子名称**：席勒ERP - **构建思路**：消除盈利周期干扰的估值指标[36] - **具体构建**： 1. 计算6年通胀调整平均盈利→席勒PE 2. $$席勒ERP = \frac{1}{席勒PE} - 10年期国债收益率$$ 3. 计算3年zscore并截尾至±1[36][40] 5. **因子名称**：期权隐含升贴水 - **构建思路**：反映期权市场对标的未来收益的预期[62] - **具体构建**：若50ETF近5日收益率<0且分位数<30%则看多20日（分数=1），反之分位数>70%则看空[62] 模型回测效果 1. **择时雷达六面图**： - 综合打分=0.08（中性偏多）[6][8] - 细分维度得分：流动性=-0.50（看空），经济面=0.50（看多），估值面=0.32（看多），资金面=-0.75（看空），技术面=0.00（中性），拥挤度=0.76（看多）[8][10] 因子回测效果 1. **货币方向因子**：当前分数=-1[12] 2. **货币强度因子**：当前分数=-1[15] 3. **信用强度因子**：当前分数=1[20] 4. **席勒ERP**：当前分数=0.77[36][40] 5. **期权隐含升贴水**：当前分数=1[62] （注：其他因子如增长方向、通胀强度、AIAE等取值详见[10][36][41]，因篇幅限制未全部列出）

根据提供的研报内容，以下是量化模型和因子的总结： 量化模型与构建方式 1. **模型名称**：中证2000增强ETF模型 **模型构建思路**：基于中证2000指数的增强策略，旨在通过量化方法获取超额收益[23] **模型具体构建过程**： - 采用多因子选股框架，结合市值、动量、估值等因子 - 通过优化算法控制跟踪误差和增强收益 - 具体公式未披露 **模型评价**：在测试期内表现出稳定的超额收益能力 2. **模型名称**：沪深300指数量化增强模型 **模型构建思路**：在跟踪沪深300指数的基础上，通过量化方法实现超额收益[23] **模型具体构建过程**： - 使用风险模型控制组合风险 - 结合基本面和技术面因子进行股票筛选 - 采用组合优化方法构建投资组合 **模型评价**：长期表现优于基准指数 3. **模型名称**：中证1000指数增强模型 **模型构建思路**：针对中证1000指数的增强策略，利用小盘股特性获取超额收益[23] **模型具体构建过程**： - 重点考虑流动性因子和成长因子 - 采用动态权重调整机制 - 通过交易成本模型控制换手率 量化因子与构建方式 1. **因子名称**：动量因子 **因子构建思路**：捕捉股票价格趋势效应[23] **因子具体构建过程**： - 计算过去N日收益率 - 标准化处理 - 公式：$$ Momentum_t = \frac{P_t}{P_{t-n}} - 1 $$ **因子评价**：在中小盘股票中表现显著 2. **因子名称**：估值因子 **因子构建思路**：识别被低估的股票[23] **因子具体构建过程**： - 计算PE、PB等指标 - 行业中性化处理 - 组合构建时给予低估值股票更高权重 3. **因子名称**：质量因子 **因子构建思路**：筛选财务质量优良的公司[23] **因子具体构建过程**： - 包含ROE、毛利率等指标 - 采用Z-score标准化 - 动态调整权重 模型的回测效果 1. 中证2000增强ETF模型，年化超额收益2.73%，信息比率1.25[23] 2. 沪深300指数增强模型，年化超额收益2.20%，信息比率1.08[23] 3. 中证1000指数增强模型，年化超额收益2.16%，信息比率1.12[23] 因子的回测效果 1. 动量因子，IC均值0.08，IR 1.32[23] 2. 估值因子，IC均值0.06，IR 0.98[23] 3. 质量因子，IC均值0.05，IR 0.85[23] 注：部分模型和因子的具体构建细节未在研报中详细披露[23]

量化模型与构建方式 1. **模型名称**：公募基金股票仓位估计模型 - **模型构建思路**：基于基金季报披露的前十大重仓股、上市公司十大股东信息及行业配置，结合半年报/年报的全部持仓数据，模拟补全基金的非重仓股持仓[8][9] - **模型具体构建过程**： 1. 从基金季报（T期）获取前十大重仓股和行业配置比例[9] 2. 结合上市公司1/3季度十大股东信息补充重仓股细节[9] 3. 利用最近一期（T-1期）半年报/年报的非重仓股持仓，假设行业下持股种类不变，按比例调整权重生成T期非重仓模拟持仓[10] 4. 将模拟持仓拆分为大、小盘组合，通过加权最小二乘法回归基金日收益率与大小盘指数日收益率，估计每日仓位配置[12] 2. **模型名称**：基金风格监控模型 - **模型构建思路**：通过模拟持仓数据从市值（大小盘）和行业维度监控基金风格变化[12] - **模型具体构建过程**： 1. 基于模拟持仓计算基金在大盘指数（如上证50）和小盘指数（如中证1000）的暴露度[11] 2. 按中信一级行业分类统计行业权重，计算行业配置变动[19][22] --- 模型的回测效果 1. **公募基金股票仓位估计模型** - 普通股票型基金仓位中位数：89.38%（2025-04-25），周环比+0.06%[14] - 偏股混合型基金仓位中位数：87.57%，周环比-0.29%[14] - 大盘仓位变动：普通股票型-0.86%，偏股混合型-1.40%[15] - 小盘仓位变动：普通股票型+0.92%，偏股混合型+1.12%[15] 2. **基金风格监控模型** - 当前仓位分位点（2016年以来）：普通股票型68.67%，偏股混合型81.54%[15] - 行业配置分位点示例：电子元器件（普通股票型88.81%）、汽车（95.90%）[20] --- 量化因子与构建方式 1. **因子名称**：市值暴露因子 - **因子构建思路**：通过基金持仓与市场组合回归分析，捕捉基金对大小盘风格的偏好[12] - **因子具体构建过程**： 1. 构建大盘指数（如沪深300）和小盘指数（如中证500）的日收益率序列[11] 2. 使用加权最小二乘法回归基金日收益率： $$R_{fund} = \alpha + \beta_{large} \cdot R_{large} + \beta_{small} \cdot R_{small} + \epsilon$$ 3. $\beta_{large}$和$\beta_{small}$即为市值暴露因子取值[12] 2. **因子名称**：行业动量因子 - **因子构建思路**：跟踪基金行业权重的周度变化，反映行业配置趋势[22] - **因子具体构建过程**： 1. 按中信一级行业分类计算基金持仓权重[19] 2. 计算周度行业权重变化： $$\Delta W_{i,t} = W_{i,t} - W_{i,t-1}$$ 3. 正变化视为增配动量，负变化视为减配动量[22] --- 因子的回测效果 1. **市值暴露因子** - 普通股票型基金小盘暴露：48.0%（2025-04-25），大盘暴露41.4%[14] - 偏股混合型基金小盘暴露：53.4%，大盘暴露34.2%[14] 2. **行业动量因子** - 本周增配行业：机械（+0.5%）、电力设备（+0.3%）、国防军工（+0.2%）[22][23] - 本周减配行业：非银行金融（-0.4%）、银行（-0.3%）、医药（-0.2%）[22][23]

量化模型与因子分析总结 量化因子与构建方式 风格因子 1. **Cubic size因子** 构建思路：市值幂次项因子，捕捉市值非线性效应[12] 评价：本周表现最佳(1.66%)，显示小盘股受关注度提升[9] 2. **Value因子** 构建思路：基于账面市值比(BP)和盈利收益率(EP)的价值投资策略[12] 评价：本周收益1.61%，价值策略认可度回升[9] 3. **Size因子** 构建思路：总市值对数作为规模因子[12] 评价：本周收益0.61%，小盘效应有所恢复[9] 4. **Trend因子** 构建思路：使用EWMA(半衰期20天)/EWMA(半衰期120天和240天)计算趋势强度[12] 评价：本周表现最差(-1.54%)，趋势策略持续走弱[9] 5. **Volatility因子** 构建思路：包含243天标准波动率、FF3特质波动率、价格区间等指标[12] 评价：本周收益-1.05%，高波动股票需求下降[9] 基本面因子 1. **3个月盈利上下调因子** 构建思路：跟踪分析师对盈利预期的调整[16] 评价：中证全指中表现最佳(1.69%)，预测能力强[40] 2. **预期PEG因子** 构建思路：一致预期滚动PE/滚动净利复合增长率[16] 评价：多指数中表现优异，中证800收益1.10%[27] 3. **分析师认可度因子** 构建思路：(认可业绩分析师数-不认可数)/覆盖分析师数[16] 评价：沪深300中表现突出(1.06%)[18] 4. **盈余公告跳空因子** 构建思路：计算盈余公告次日开盘/最低价超额收益[16] 评价：中证500中收益1.01%，事件驱动效应显著[23] 因子回测效果 风格因子表现 | 因子名称 | 近一周 | 近一月 | 今年以来 | 历史年化 | |---------|-------|-------|---------|---------| | Cubic size | 1.66% | -4.56% | -19.92% | -26.32%[11] | | Value | 1.61% | 4.46% | -0.72% | 7.86%[11] | | Trend | -1.54% | -1.87% | -7.81% | 13.99%[11] | 沪深300因子表现 | 因子名称 | 近一周 | 近一月 | 历史年化 | |---------|-------|-------|---------| | 3个月盈利上下调 | 1.11% | 1.16% | 4.61%[19] | | 分析师认可度 | 1.06% | 1.03% | 3.25%[19] | | 三个月反转 | -0.66% | -0.61% | -0.15%[27] | 中证500因子表现 | 因子名称 | 近一周 | 近一月 | 历史年化 | |---------|-------|-------|---------| | 盈余公告跳空 | 1.01% | 0.57% | 6.83%[23] | | 预期PEG | 0.69% | -0.73% | 2.00%[23] | | 特异度 | -0.21% | -1.83% | 1.98%[23] | 中证1000因子表现 | 因子名称 | 近一周 | 近一月 | 历史年化 | |---------|-------|-------|---------| | 预期ROE环比 | 1.54% | 2.61% | 3.02%[31] | | 一个月换手 | 0.48% | 3.34% | 7.52%[31] | | 三个月反转 | -0.93% | -0.52% | -0.97%[31] | 组合构建方法 1. **MFE组合构建模型** 采用线性规划优化模型，目标函数为最大化单因子暴露： $$max\ f^{T}w$$ 约束条件包括风格暴露、行业偏离、个股权重限制等[54] 2. **约束条件** - 风格暴露约束：$$s_{l}\leq X(w-w_{b})\leq s_{h}$$ - 行业偏离约束：$$h_{l}\leq H(w-w_{b})\leq h_{h}$$ - 换手率约束：$$\Sigma|w-w_{0}|\leq to_{h}$$[54] 3. **参数设置** 控制行业暴露为0，市值风格暴露为0，个股最大偏离权重1%[58]

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称**：行业拥挤度模型 **模型构建思路**：通过计算行业指数价格和成交金额变动的马氏距离来衡量交易拥挤程度[19] **模型具体构建过程**： - 使用最近一周行业指数价格和成交金额的变动数据 - 计算马氏距离，公式为： $$D_M = \sqrt{(x - \mu)^T \Sigma^{-1} (x - \mu)}$$ 其中，\(x\)为价格和成交金额的变动向量，\(\mu\)为均值向量，\(\Sigma\)为协方差矩阵 - 将结果划分为四个象限，第1象限为价量齐升，第3象限为价量齐跌 - 椭圆外的点表示价格与成交金额偏离度置信水平超过99%的行业，即短期显著拥挤的行业[19] **模型评价**：能够有效识别短期交易拥挤的行业，提供市场过热或过冷的信号 量化因子与构建方式 1. **因子名称**：PE分位数因子 **因子构建思路**：通过计算行业PE相对于历史分位数来衡量估值水平[17] **因子具体构建过程**： - 获取各行业当前PE值 - 计算自2019年以来的PE分位数，公式为： $$PE_{分位数} = \frac{排名}{总数} \times 100\%$$ - 分位数越高表示估值越高，分位数越低表示估值越低[17] **因子评价**：能够直观反映行业估值的相对高低，辅助判断市场风格 模型的回测效果 1. **行业拥挤度模型** - 上周识别出公用事业行业出现短期交易拥挤[20] 因子的回测效果 1. **PE分位数因子** - 当前PE分位数最高的三个行业：钢铁（100%）、建筑材料（99%）、房地产（95%）[17] - 当前PE分位数最低的三个行业：食品饮料（9%）、公用事业（13%）、通信（20%）[17]

根据研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **动量弹簧因子** - 构建思路：捕捉价格动量反转效应，通过弹簧机制识别超买超卖状态[12] - 具体构建：未披露详细公式，但通过价格动量与均值回归特性结合构建[12] - 因子评价：在沪深300和中证500中均表现稳定，具有跨周期有效性[12][14] 2. **标准化预期外收入因子** - 构建思路：衡量公司实际收入与市场预期的偏离程度[16] - 具体构建：$$ \text{标准化预期外收入} = \frac{\text{实际收入} - \text{分析师一致预期收入}}{\text{历史收入标准差}} $$[16] - 因子评价：在流动性1500股票池中表现突出，信息捕捉能力强[16] 3. **EPTTM分位点因子** - 构建思路：基于动态市盈率的横截面分位数排序[16] - 具体构建：$$ \text{EPTTM分位点} = \frac{\text{个股EPTTM} - \text{行业最小EPTTM}}{\text{行业EPTTM极差}} $$[16] 4. **5分钟收益率偏度因子** - 构建思路：捕捉日内高频收益分布的非对称性[16] - 具体构建：计算交易日首个5分钟收益率的三阶矩偏度[16] 5. **大宗交易组合因子** - 构建思路：基于"高成交金额比率+低波动率"双因子筛选[29] - 具体构建： - 成交金额比率 = 大宗交易额/日均成交额 - 6日波动率 = 成交金额标准差[29] 6. **定向增发组合因子** - 构建思路：事件驱动型因子，聚焦股东大会公告日前后超额收益[35] - 具体构建：结合市值分层与公告后20日累计收益构建[35] 因子回测效果 | 因子名称 | 沪深300(周收益) | 中证500(周收益) | 流动性1500(周收益) | |--------------------------|------------------|------------------|---------------------| | 单季度ROE | 2.55%[12] | 0.11%[14] | 0.28%[16] | | 动量弹簧因子 | 2.23%[12] | 0.39%[14] | 0.49%[16] | | 标准化预期外收入 | 2.10%[12] | 1.01%[14] | 1.93%[16] | | 5分钟收益率偏度 | 2.16%[12] | 0.75%[14] | 1.50%[16] | | EPTTM分位点 | 1.84%[12] | 0.97%[14] | 1.68%[16] | | 小单净流入 | -0.76%[12] | -1.43%[14] | -0.42%[16] | 量化模型与组合表现 1. **PB-ROE-50模型** - 构建思路：通过市净率与净资产收益率双因子筛选前50只股票[23] - 测试结果： - 全市场超额收益2.68%（周）[23] - 中证800超额收益1.80%（周）[23] 2. **大宗交易组合** - 年内超额收益15.95%[30] - 周超额收益0.38%[29] 3. **定向增发组合** - 年内超额收益6.42%[36] - 周超额收益0.23%[35] 4. **机构调研组合** - 私募调研策略年内超额7.90%[26] - 公募调研策略周超额-0.31%[25] （注：部分因子如残差波动率、市值因子等因文档未披露构建细节未列入详细说明）

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称：股指期货分红点位预测模型** - **构建思路**：基于历史数据和成分股分红信息，预测股指期货合约存续期内的分红点位[10] - **具体构建过程**： 1. 收集标的指数（中证500、沪深300等）成分股的历史分红数据 2. 根据上市公司公告和股息率预测未来一年分红点位 3. 按合约存续期划分分红实现时间区间 4. 计算公式： $$预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红$$ $$年化基差 = \frac{(实际基差 + 预期分红点位)}{指数价格} \times \frac{360}{合约剩余天数}$$[20] - **模型评价**：有效修正基差计算中的分红干扰，提升对冲策略精度 2. **模型名称：期现对冲策略（连续对冲/最低贴水）** - **构建思路**：通过动态调整期货合约对冲现货风险，利用基差收敛特性优化收益[45][47] - **具体构建过程**： - **连续对冲**：持有季月/当月合约至到期前2日滚动换仓 - **最低贴水策略**：每日计算各合约年化基差，选择贴水幅度最小的合约持有8天 - 参数设置： - 现货端70%资金配置全收益指数 - 期货端30%资金等额对冲 - 排除剩余到期日不足8日的合约[47] 3. **模型名称：Cinda-VIX/SKEW指数** - **构建思路**：通过期权隐含波动率捕捉市场波动预期和尾部风险溢价[63][71] - **具体构建过程**： 1. 计算不同行权价期权的隐含波动率（IV） 2. VIX反映30/60/90/120日波动率预期 3. SKEW衡量波动率偏斜： $$SKEW > 100$$ 表示市场担忧极端下跌风险[72] 模型的回测效果 | 模型类型 | 年化收益 | 波动率 | 最大回撤 | 净值 | 年换手次数 | |--------------------|------------|--------|----------|----------|------------| | IC当月连续对冲 | -2.34% | 3.97% | -7.51% | 0.9371 | 12 | | IC季月连续对冲 | -1.82% | 4.88% | -8.34% | 0.9509 | 4 | | IC最低贴水策略 | -0.91% | 4.78% | -7.97% | 0.9753 | 17.87 | | IF最低贴水策略 | 1.57% | 3.23% | -4.06% | 1.0436 | 15.32 | | IH最低贴水策略 | 1.84% | 3.22% | -3.91% | 1.0514 | 16.78 | | IM最低贴水策略 | -3.54% | 5.34% | -11.11% | 0.9058 | 16.41 |[49][54][58][60] 量化因子与构建方式 1. **因子名称：年化基差因子** - **构建思路**：反映期货合约相对现货的溢价/折价水平，剔除分红影响[20] - **具体构建过程**： 1. 计算原始基差：合约收盘价 - 指数收盘价 2. 叠加存续期内预期分红点位 3. 年化处理： $$年化基差 = \frac{调整后基差}{指数价格} \times \frac{360}{剩余天数}$$ 2. **因子名称：VIX期限结构因子** - **构建思路**：不同期限波动率差异反映市场预期变化[63] - **具体构建过程**： 1. 分别计算30/60/90/120日VIX 2. 监控期限曲线斜率变化（如中证500VIX_30=29.03）[63][68] 3. **因子名称：SKEW尾部风险因子** - **构建思路**：量化市场对极端事件的担忧程度[71] - **具体构建过程**： 1. 计算虚值看跌/看涨期权IV偏斜 2. 标准化为指数形式（沪深300SKEW=104.47）[72] 因子的回测效果 | 因子类型 | 当前值（2025/4/25） | 历史分位 | |----------------|---------------------|------------| | 中证500年化基差 | -7.58% | 低于中位数 | | 沪深300VIX_30 | 19.66 | 50%分位 | | 中证500SKEW | 102.76 | 90%分位 |[21][27][63][72] 注：所有数据引用自原文标注的文档ID，未包含风险提示等非核心内容。

量化因子与构建方式 1. **因子名称：bp** - 构建思路：衡量净资产与总市值的比值，反映估值水平[12] - 具体构建过程：$$ bp = \frac{当前净资产}{当前总市值} $$[12] 2. **因子名称：bp三年分位数** - 构建思路：计算当前bp在近三年的分位数，反映历史估值位置[12] - 具体构建过程：取股票当前bp在最近三年数据中的分位数[12] 3. **因子名称：季度ep** - 构建思路：衡量季度净利润与净资产的比值[12] - 具体构建过程：$$ 季度ep = \frac{季度净利润}{净资产} $$[12] 4. **因子名称：季度ep一年分位数** - 构建思路：计算当前季度ep在近一年的分位数[12] - 具体构建过程：取股票当前季度ep在最近一年数据中的分位数[12] 5. **因子名称：季度sp** - 构建思路：衡量季度营业收入与净资产的比值[12] - 具体构建过程：$$ 季度sp = \frac{季度营业收入}{净资产} $$[12] 6. **因子名称：季度sp一年分位数** - 构建思路：计算当前季度sp在近一年的分位数[12] - 具体构建过程：取股票当前季度sp在最近一年数据中的分位数[12] 7. **因子名称：季度资产周转率** - 构建思路：反映营业收入与总资产的效率[12] - 具体构建过程：$$ 季度资产周转率 = \frac{季度营业收入}{总资产} $$[12] 8. **因子名称：季度毛利率** - 构建思路：衡量毛利润与销售收入的比值[12] - 具体构建过程：$$ 季度毛利率 = \frac{季度毛利润}{季度销售收入} $$[12] 9. **因子名称：季度roa** - 构建思路：反映净利润与总资产的效率[12] - 具体构建过程：$$ 季度roa = \frac{季度净利润}{总资产} $$[12] 10. **因子名称：季度roe** - 构建思路：衡量净利润与净资产的效率[12] - 具体构建过程：$$ 季度roe = \frac{季度净利润}{净资产} $$[12] 11. **因子名称：季度净利润同比增长** - 构建思路：计算季度净利润的同比增长率[12] - 具体构建过程：取当前季度净利润与去年同期单季净利润的增长率[12] 12. **因子名称：季度营收同比增长** - 构建思路：计算季度营业收入的同比增长率[12] - 具体构建过程：取当前季度营收与去年同期单季营收的增长率[12] 13. **因子名称：季度roe同比** - 构建思路：计算季度roe的同比增长率[12] - 具体构建过程：取当前季度roe与去年同期单季roe的增长率[12] 14. **因子名称：标准化预期外盈利** - 构建思路：衡量实际盈利与预期盈利的偏离程度[12] - 具体构建过程：$$ \frac{当前季度净利润 - (去年同期单季净利润 + 过去8个季度单季净利润同比增长均值)}{过去8个季度的单季度净利润同比增长值的标准差} $$[12] 15. **因子名称：标准化预期外收入** - 构建思路：衡量实际收入与预期收入的偏离程度[12] - 具体构建过程：$$ \frac{当前季度营收 - (去年同期单季营收 + 过去8个季度单季营收同比增长均值)}{过去8个季度的单季度营收同比增长值的标准差} $$[12] 16. **因子名称：股息率** - 构建思路：反映分红与市值的比值[12] - 具体构建过程：$$ 股息率 = \frac{最近年度分红}{当前市值} $$[12] 17. **因子名称：业绩预告精确度** - 构建思路：衡量业绩预告的精确程度[12] - 具体构建过程：$$ \frac{单季度业绩预告上限 - 单季度业绩预告下限}{(单季度业绩预告上限 + 单季度业绩预告下限)/2} \times (-1) $$[12] 18. **因子名称：高管平均薪酬** - 构建思路：计算高管团队的平均薪酬[12] - 具体构建过程：$$ 高管平均薪酬 = \frac{高管团队薪酬和}{高管团队人数} $$[12] 19. **因子名称：前五大股东持股比例合计** - 构建思路：衡量前五大股东的持股集中度[12] - 具体构建过程：计算前五大股东持股比例的平方和[12] 20. **因子名称：90天分析师覆盖度** - 构建思路：反映过去90天内分析师的覆盖情况[12] - 具体构建过程：统计过去90天内分析师的覆盖次数[12] 21. **因子名称：一致预期净利润复合增速** - 构建思路：衡量一致预期的净利润三年复合增长率[12] - 具体构建过程：取一致预期净利润的三年复合增长率[12] 22. **因子名称：一致预期EPS变动** - 构建思路：反映一致预期EPS的变动情况[12] - 具体构建过程：$$ 一致预期EPS变动 = \frac{一致预期eps}{最近120日一致预期eps均值} $$[12] 23. **因子名称：90天净上调预期占比** - 构建思路：计算90天内分析师上调与下调预期的净占比[12] - 具体构建过程：$$ 90天净上调预期占比 = 上调盈利预测的分析师占比 - 下调盈利预测的分析师占比 $$[12] 24. **因子名称：90天内预期调整均值** - 构建思路：衡量90天内分析师盈利调整幅度的均值[12] - 具体构建过程：取90天内分析师盈利调整幅度的均值[12] 25. **因子名称：财报超研报预期程度** - 构建思路：反映财报公布后超研报预期的程度[12] - 具体构建过程：统计财报公布5天内超研报预期的幅度[12] 26. **因子名称：基于一致预期的标准化预期外盈利** - 构建思路：衡量实际盈利与一致预期盈利的偏离程度[12] - 具体构建过程：$$ \frac{季度净利润 - 季度一致预期净利润}{预期净利润分歧度} $$[12] 27. **因子名称：1个月换手率与均价的相关性** - 构建思路：反映换手率与股票均价的相关性[12] - 具体构建过程：计算过去20个交易日换手率与均价的相关系数[12] 28. **因子名称：1个月日均换手率** - 构建思路：衡量过去20个交易日的日均换手率[12] - 具体构建过程：取过去20个交易日换手率的均值[12] 29. **因子名称：1个月换手率波动** - 构建思路：反映换手率的波动性[12] - 具体构建过程：计算过去20个交易日换手率的标准差[12] 30. **因子名称：1个月非流动性冲击** - 构建思路：衡量收益率绝对值与成交量的关系[12] - 具体构建过程：取过去20个交易日日收益率绝对值与日成交量之比的均值[12] 31. **因子名称：Fama-French三因子1月残差波动率** - 构建思路：反映日收益对Fama-French三因子回归残差的波动[12] - 具体构建过程：计算过去20个交易日日收益对三因子回归残差的标准差[12] 32. **因子名称：1月特异度** - 构建思路：衡量收益中不能被三因子解释的部分[12] - 具体构建过程：$$ 1月特异度 = 1 - R^2 $$（R方为三因子回归的拟合优度）[12] 33. **因子名称：1个月超额收益率波动** - 构建思路：反映超额收益的波动性[12] - 具体构建过程：计算过去20个交易日超额收益率的标准差[12] 34. **因子名称：一年动量** - 构建思路：衡量过去一年剔除最近一个月的收益率[12] - 具体构建过程：$$ 一年动量 = 过去一年收益率累加 - 过去一个月收益率累加 $$[12] 35. **因子名称：1个月反转** - 构建思路：反映过去20个交易日的收益率累加[12] - 具体构建过程：取过去20个交易日收益率累加值[12] 36. **因子名称：小市值** - 构建思路：衡量市值的对数[12] - 具体构建过程：取对数市值[12] 37. **因子名称：Beta** - 构建思路：反映个股与市场的相关性[13] - 具体构建过程：对最近490个交易日个股收益与市场收益进行加权回归，取回归系数[13] --- 因子的回测效果 1. **bp因子** - 最近一周IC：2.67% - 最近一月IC均值：1.94% - 最近一年IC均值：1.65% - 历史IC均值：2.06% - 最近一周超额：-0.02% - 最近一月超额：0.06% - 最近一年超额：3.25% - 历史累计超额：27.26%[8][10] 2. **bp三年分位数因子** - 最近一周IC：-1.47% - 最近一月IC均值：2.00% - 最近一年IC均值：2.36% - 历史IC均值：1.55% - 最近一周超额：-0.40% - 最近一月超额：-0.95% - 最近一年超额：0.30% - 历史累计超额：-3.45%[8][10] 3. **季度营收同比增长因子** - 最近一周IC：11.62% - 最近一月IC均值：3.24% - 最近一年IC均值：1.15% - 历史IC均值：1.06% - 最近一周超额：1.37% - 最近一月超额：0.71% - 最近一年超额：5.50% - 历史累计超额：18.55%[8][10] 4. **90天分析师覆盖度因子** - 最近一周IC：14.83% - 最近一月IC均值：2.74% - 最近一年IC均值：0.78% - 历史IC均值：1.26% - 最近一周超额：0.83% - 最近一月超额：0.79% - 最近一年超额：-1.62% - 历史累计超额：12.29%[8][10] 5. **小市值因子** - 最近一周IC：7.62% - 最近一月IC均值：3.03% - 最近一年IC均值：2.00% - 历史IC均值：1.76% - 最近一周超额：0.49% - 最近一月超额：-0.25% - 最近一年超额：10.65% - 历史累计超额：55.61%[8][10] （其他因子回测数据详见原文表格[8][10]）

量化模型与构建方式 1. **模型名称：分红预测模型** - **模型构建思路**：基于上市公司分红信息（年报、快报、预警等）和合理假设，预测指数成分股分红对股指期货合约的影响[7][22][25] - **模型具体构建过程**： 1. **预估净利润**：优先采用年报数据，其次为快报、预警、三季报TTM或分析师预测均值[25][26] 2. **计算税前分红总额**： - 已公布预案的直接采用 - 未公布预案的，沿用历史分红率（若去年分红率>0）或设为零（若去年未分红）[25][29] - 公式：预估分红总额 = 预估净利润 × 分红率[29] 3. **计算分红对指数的影响**： - 股息点 = 股票权重 × (税后分红总额/最新市值)[27] - 权重调整公式： $$\mathrm{w_{it}={\frac{w_{i0}\times\ (\ 1+R\ )}{\sum_{1}^{n}w_{i0}\times\ (\ 1+R\ )}}}$$ （其中 $w_{i0}$ 为初始权重，$R$ 为涨跌幅）[27] 4. **预测合约影响值**： - 除权除息日预测：已公布的直接采用，未公布的参考历史时间差中位数[30][31] - 合约影响值 = 交割日前所有分红点数累加[31] - **模型评价**：依赖历史分红率和时间分布的假设，对未公告分红公司存在预测偏差风险[7][22] 2. **模型名称：股指期货定价模型** - **模型构建思路**：基于无套利原理，考虑分红现值和无风险利率，计算期货理论价格[34][35] - **模型具体构建过程**： - **离散红利分配**： $$F_t = (S_t - D)(1 + r)$$ （$D$ 为红利现值，$r$ 为无风险利率）[34] - **连续红利分配**： $$F_t = S_t e^{(r-d)(T-t)}$$ （$d$ 为年化红利率）[35] --- 量化因子与构建方式 1. **因子名称：分红点数因子** - **因子构建思路**：量化分红对股指期货合约价格的实际影响[10][11][12][13] - **因子具体构建过程**： - 计算单合约分红点数 = 成分股分红对指数的加权贡献[27] - 含分红价差 = 实际价差 + 分红点数[10][11][12][13] 2. **因子名称：年化对冲成本因子** - **因子构建思路**：衡量剔除分红后的持有合约到期成本[10][11][12][13] - **因子具体构建过程**： - 年化对冲成本 = (实际价差 / 收盘价) × (365 / 剩余天数)[10][11][12][13] --- 模型的回测效果 1. **分红预测模型**： - 上证50 IH2505合约：分红点数0.43，年化对冲成本2.22%（365天）[10] - 沪深300 IF2505合约：分红点数5.76，年化对冲成本2.95%（365天）[11] - 中证500 IC2505合约：分红点数3.49，年化对冲成本12.82%（365天）[12] - 中证1000 IM2505合约：分红点数5.93，年化对冲成本14.22%（365天）[13] 2. **股指期货定价模型**： - 理论价格与实际价差对比显示，含分红价差更接近市场实际价格[10][11][12][13] --- 因子的回测效果 1. **分红点数因子**： - IH2509合约：分红点数58.07，含分红价差5.06[10] - IF2509合约：分红点数72.30，含分红价差-33.10[11] - IC2509合约：分红点数77.78，含分红价差-178.00[12] - IM2509合约：分红点数65.69，含分红价差-249.01[13] 2. **年化对冲成本因子**： - IH2506合约：年化对冲成本0.51%（365天）[10] - IF2506合约：年化对冲成本3.57%（365天）[11] - IC2506合约：年化对冲成本9.42%（365天）[12] - IM2506合约：年化对冲成本12.03%（365天）[13]