量化模型与构建方式 1. **模型名称：ETF智能择时模型**[22] * **模型构建思路**：通过对标的指数所有成分股进行K线形态扫描与量化分析，将个股层面的形态信号通过算法聚合，生成增强型的指数择时信号，以提升对ETF的择时决策质量。[22] * **模型具体构建过程**： 1. 对目标ETF所跟踪指数的每一个成分股，进行自动化K线形态识别与捕捉。[22] 2. 对识别出的每个形态，计算其历史统计指标，如上涨概率（胜率）。[18] 3. 采用未明确披露的独家聚合算法，将全成分股的形态信号进行综合，最终合成一个针对该指数的择时信号。[22] * **模型评价**：该方法由线及面，从个股形态跨越至指数级择时，旨在掌握大盘风向标。[10] 2. **模型名称：ETF轮动模型**[27] * **模型构建思路**：基于市场强弱形态动能，在不同板块的ETF中建立动态轮动模型，并结合形态学择时，旨在实现“在对的时间持有对的品种”。[27][28] * **模型具体构建过程**： 1. **信号生成**：基于K线形态分析，计算不同板块或主题ETF所对应的“市场强弱形态动能”。[27] 2. **轮动规则**：根据动能信号，在不同ETF间进行切换。报告提到了多种调仓规则，例如固定时间点调仓、每日调仓等。[27] 3. **择时叠加**：将形态学择时信号与轮动算法相结合，进一步优化买入和卖出时机。[28] 模型的回测效果 1. ETF轮动模型（每日调仓策略），年化收益21.85%，最大回撤-49.41%[29] 量化因子与构建方式 1. **因子名称：K线形态因子**[18] * **因子构建思路**：对历史K线图形进行标准化定义与建模，实现海量形态的自动化捕捉与实时监控，并计算其历史表现作为未来预测的参考。[10][18] * **因子具体构建过程**： 1. **标准化建模**：对诸如“看空胜率超70%”、“连续4/5根”等基础K线形态进行标准化的数学或规则定义。[10][12] 2. **形态识别**：在个股、指数、ETF、可转债、期货等各类资产的历史及实时行情数据中，扫描并识别出符合定义的形态。[12] 3. **历史回测**：对识别出的每一种形态，统计其在过去十年内出现后的表现，核心计算指标包括： * 发生次数 * 上涨概率（胜率） * 历史盈亏比[18] 4. **信号生成**：当资产当前K线出现特定形态时，即产生相应的看多、看空或反转信号。信号可与MACD、均线、财报评分等其他指标耦合。[12] 因子的回测效果 （报告中未提供单一因子的独立测试结果数值，仅提及部分形态因子的历史表现定性结论，例如“历史上出现持有1-2月的平均胜率高于80%”[12]）

量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[12][48] * **模型构建思路**：为了准确计算股指期货的升贴水幅度，必须剔除指数成分股分红除息导致指数点位自然下滑的影响。该模型旨在精确预测从当前时刻到股指期货合约到期日之间，指数成分股分红所导致的指数点位下降点数（即分红点数）[12][48]。 * **模型具体构建过程**：模型的核心是计算在特定时间窗口内（t时刻至T时刻）指数成分股分红对指数点位的总影响。具体流程如下[49]： 1. **数据获取与预处理**：获取指数成分股列表及其每日精确权重（使用中证指数公司披露的日度收盘权重数据，而非月末估算权重）[51][53]。 2. **个股分红信息判断与处理**：对每只成分股进行如下判断[49]： * 若公司已公布分红金额和除息日，则直接采用。 * 若公司已公布分红金额但未公布除息日，则需预测其除息日。 * 若公司尚未公布分红金额，则需依次预测其净利润、股息支付率以估算分红金额，并预测其除息日。 3. **分红金额预测**：分红金额 = 净利润 × 股息支付率[54]。 * **净利润预测**：采用“基于历史净利润分布的动态预测法”[56]。 * 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）。 * 若未披露，则将公司分为“盈利分布稳定”和“盈利分布不稳定”两类。对于稳定型公司，按其历史季度盈利分布规律预测；对于不稳定型公司，使用其上年度同期盈利作为预测值[56]。 * **股息支付率预测**：采用历史数据替代法[57]。 * 若公司去年分红，则以去年股息支付率作为今年预测值。 * 若公司去年不分红，则以最近3年股息支付率平均值作为预测值。 * 若公司过去从未分红，则默认今年不分红。 * 当预期股息支付率大于100%时，进行截尾处理[60]。 4. **除息日预测**：采用“基于历史间隔天数稳定性的线性外推法”[58]。 * 若公司已公布除息日，则直接采用。 * 若未公布，则根据公司是否已公布分红预案、所处阶段（预案或决案），判断历史从公告日到除息日的间隔天数是否稳定。若稳定，则用该历史平均间隔天数与今年对应公告日进行线性外推；若不稳定，则参考去年或前年的分红日期[63]。 * 若无法通过上述方法确定，则采用默认日期（根据预测时间点，设为7月31日、8月31日或9月30日）[63]。 5. **分红点数汇总计算**：汇总所有满足条件（除息日介于t和T之间）的成分股分红对指数的影响。计算公式为： $$分红点数 = \sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$$[48] 其中，要求个股除权除息日满足：t < 除息日 ≤ T[48]。 * **模型评价**：该模型通过精细化处理成分股权重、净利润、股息支付率和除息日预测，显著提升了股指分红点位预测的准确性。对于上证50和沪深300等大盘指数的预测误差较小，对于中证500和中证1000等指数也保持了较好的预测稳定性[68]。 量化因子与构建方式 1. **因子名称：年化升贴水率**[13] * **因子构建思路**：衡量股指期货合约价格相对于其标的指数价格（已剔除未来分红影响）的偏离程度，并将其年化，以反映市场情绪、资金成本和风险偏好[12]。 * **因子具体构建过程**： 1. 计算“含分红价差”：合约收盘价 - (指数收盘价 - 分红点数)。其中“分红点数”为模型预测的从当前到合约到期日之间的累计分红点数[13]。 2. 计算“升贴水”：含分红价差 / 指数收盘价[13]。 3. 计算“年化升贴水”：将升贴水率根据合约剩余到期天数进行年化。公式为： $$年化升贴水 = (1 + 升贴水)^{\frac{365}{到期天数}} - 1$$ 或采用类似等价形式计算。报告中IH2602合约升水0.14%，到期41天，年化为1.27%，即为例证[13]。 2. **因子名称：基差历史分位点**[28] * **因子构建思路**：将当前合约的基差（或年化升贴水率）置于其历史序列中，计算其所处的百分位位置，用以判断当前升贴水水平在历史上的相对位置。 * **因子具体构建过程**： 1. 获取该合约历史上每日的基差或年化升贴水率数据。 2. 将当前交易日的数值与历史序列进行比较。 3. 计算当前值在历史序列中的分位点。例如，分位点为60%表示当前值高于历史上60%的时期[28]。 3. **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，从年初至当前时点已经实际完成现金分红的公司，其分红总额相对于指数总市值的比率，反映年内已落地的分红收益。 * **因子具体构建过程**：对指数中今年已现金分红的公司，汇总其分红金额与市值的加权比。公式表示为： $$全年已实现股息率 = \sum_{i=1}^{N_1} \frac{个股已分红金额}{个股总市值} \times 个股权重$$ 其中，N1 表示指数成分股中今年已现金分红的公司数量[17]。 4. **因子名称：剩余股息率**[17] * **因子构建思路**：预测指数成分股中，从当前时点到年底（或未来某一时段）尚未分红但预计会分红的公司，其分红总额相对于指数总市值的比率，反映未来潜在的分红收益。 * **因子具体构建过程**：对指数中尚未现金分红但预计会分红的公司，汇总其预测分红金额与市值的加权比。公式表示为： $$剩余股息率 = \sum_{i=1}^{N_2} \frac{个股预测分红金额}{个股总市值} \times 个股权重$$ 其中，N2 表示指数成分股中尚未现金分红的公司数量，预测分红金额来自前述分红点位模型[17]。 模型的回测效果 1. **股指分红点位测算模型**： * **预测误差（2024年）**：对于上证50和沪深300指数，预测误差基本在5个点左右；对于中证500和中证1000指数，预测误差基本稳定在10个点左右[68]。 * **预测误差（2025年）**：与2024年情况类似，对上证50和沪深300指数预测准确度较高，对中证500和中证1000指数预测误差稍大但基本稳定[68]。 * **股指期货合约预测效果**：2024年及2025年，对上证50、沪深300、中证500及中证1000股指期货当月主力合约的预测股息点与实际股息点对比显示，模型具有较好的预测准确性[68]。 因子的回测效果 1. **年化升贴水率因子**（截至2026年1月14日）[13]： * **IH主力合约（IH2602.CFE）**：年化升水1.27% * **IF主力合约（IF2602.CFE）**：年化升水0.79% * **IC主力合约（IC2602.CFE）**：年化贴水0.94% * **IM主力合约（IM2602.CFE）**：年化贴水4.48% 2. **基差历史分位点因子**（截至2026年1月14日）[28]： * **IH主力合约**：处于历史47%分位点左右 * **IF主力合约**：处于历史51%分位点水平 * **IC主力合约**：处于历史69%分位点水平 * **IM主力合约**：处于历史60%分位点水平 3. **已实现股息率因子**（截至2026年1月14日）[3][17]： * **上证50指数**：0.00% * **沪深300指数**：0.02% * **中证500指数**：0.00% * **中证1000指数**：0.00% 4. **剩余股息率因子**（截至2026年1月14日）[3][17]： * **上证50指数**：2.38% * **沪深300指数**：1.84% * **中证500指数**：1.08% * **中证1000指数**：0.87%

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触及涨停且收盘价也维持在涨停的股票比例，来衡量市场追涨情绪和涨停板的可靠性[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，找出所有盘中最高价达到涨停价的股票集合A[17]。 3. 在集合A中，进一步找出收盘价也维持在涨停价的股票集合B[17]。 4. 计算封板率：封板率 = 集合B的股票数量 / 集合A的股票数量[17]。 * **公式**： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ [17] 2. **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在今日继续涨停的比例，来衡量市场炒作的持续性和短线赚钱效应[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，找出所有收盘涨停的股票集合C[17]。 3. 在交易日T，从集合C中找出收盘价继续涨停的股票集合D[17]。 4. 计算连板率：连板率 = 集合D的股票数量 / 集合C的股票数量[17]。 * **公式**： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ [17] 3. **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，来反映大资金的投资偏好、流动性需求和市场情绪[26]。 * **因子具体构建过程**： 1. 获取交易日T所有大宗交易的成交数据，包括每笔成交金额和成交股数[26]。 2. 计算当日大宗交易总成交金额（Sum_Amount）和按成交股数乘以当日收盘价计算的总市值（Sum_MarketValue）[26]。 3. 计算整体折价率：折价率 = (Sum_Amount / Sum_MarketValue) - 1[26]。 * **公式**： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ [26] 4. **因子名称：股指期货年化贴水率因子** [28] * **因子构建思路**：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、对冲成本以及市场情绪[28]。 * **因子具体构建过程**： 1. 选定标的指数（如上证50、沪深300等）及其对应的股指期货主力合约[28]。 2. 在交易日T，获取标的指数收盘价（Index_Price）和股指期货主力合约结算价（Future_Price）[28]。 3. 计算基差：基差 = Future_Price - Index_Price[28]。 4. 获取该期货合约的剩余交易日数（T_remaining）[28]。 5. 计算年化贴水率：年化贴水率 = (基差 / Index_Price) * (250 / T_remaining)[28]。当结果为负时表示贴水，为正时表示升水[28]。 * **公式**： $$年化贴水率=\frac{基差}{指数价格}\times\frac{250}{合约剩余交易日数}$$ [28] 因子的回测效果 *本报告为市场监测日报，主要展示因子的构建方法和当日/近期市场数据，未提供基于历史数据的长期回测绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。因此，无具体的因子回测效果指标取值。*

量化模型与构建方式 1. **模型名称**：创成长指数模型[28] * **模型构建思路**：该模型旨在捕捉成长风格股票的表现，通过筛选具有高成长性的股票构建投资组合[28] * **模型具体构建过程**：报告未详细描述其具体选股和加权规则，仅提及其为代表成长风格的投资组合，并有对应的跟踪产品（华夏创成长ETF）[28] 2. **模型名称**：智选成长领先50指数模型[28] * **模型构建思路**：该模型旨在精选具有领先成长性的50只股票，构建成长风格投资组合[28] * **模型具体构建过程**：报告未详细描述其具体选股和加权规则[28] 3. **模型名称**：A股成长先锋50指数模型[28] * **模型构建思路**：该模型旨在筛选A股市场中具有先锋成长特性的50只股票[28] * **模型具体构建过程**：报告未详细描述其具体选股和加权规则[28] 4. **模型名称**：沪深300价值指数模型[28] * **模型构建思路**：该模型旨在捕捉沪深300指数中价值风格股票的表现[28] * **模型具体构建过程**：报告未详细描述其具体选股和加权规则，但提及其为代表价值风格的投资组合，并有对应的跟踪产品（银河沪深300价值A）[28] 5. **模型名称**：国信价值指数模型[28] * **模型构建思路**：该模型旨在构建价值风格的投资组合[28] * **模型具体构建过程**：报告未详细描述其具体选股和加权规则，但提及有对应的跟踪产品（富国价值100ETF）[28] 6. **模型名称**：盈利估值指数模型[28] * **模型构建思路**：该模型结合了盈利和估值因子，旨在筛选兼具良好盈利能力和合理估值的股票[28] * **模型具体构建过程**：报告未详细描述其具体选股和加权规则[28] 量化因子与构建方式 1. **因子名称**：封板率[17] * **因子构建思路**：通过计算当日最高价涨停且收盘仍保持涨停的股票比例，来衡量市场追涨情绪和涨停板的可靠性[17] * **因子具体构建过程**：首先，筛选出上市满3个月以上的股票。然后，找出在当日交易中最高价达到涨停价的股票。最后，计算在这些最高价涨停的股票中，收盘价仍为涨停价的股票所占的比例。计算公式为： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[17] 2. **因子名称**：连板率[17] * **因子构建思路**：通过计算连续两日收盘涨停的股票比例，来衡量市场炒作的持续性和龙头股的强度[17] * **因子具体构建过程**：首先，确定昨日收盘涨停的股票池（上市满3个月以上）。然后，计算在这些昨日涨停的股票中，今日收盘再次涨停的股票所占的比例。计算公式为： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[17] 3. **因子名称**：大宗交易折价率[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，来反映大资金的投资偏好和卖出意愿[26] * **因子具体构建过程**：首先，获取当日所有大宗交易的成交总金额和对应的成交股份数。然后，根据这些股份的当日收盘价计算其总市值。最后，计算折价率。计算公式为： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[26] * **因子评价**：折价率高通常意味着大资金以较低价格卖出，可能反映其看淡后市或急需套现的情绪[26] 4. **因子名称**：股指期货年化贴水率[29] * **因子构建思路**：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[29] * **因子具体构建过程**：首先，计算基差（股指期货价格 - 现货指数价格）。然后，考虑合约的剩余期限，将基差年化。计算公式为： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[29] * **因子评价**：年化贴水率为正表示升水，可能反映市场乐观预期；为负表示贴水，可能反映市场悲观预期或较高的对冲成本。贴水率的高低直接影响利用股指期货进行对冲的建仓成本[29] 模型的回测效果 （注：以下所有模型回测数据的时间区间均为2014年12月31日至2025年12月31日[28]） 1. **创成长指数模型**，年化收益率11.46%，年化波动率32.55%，信息比率(IR)0.35[28] 2. **智选成长领先50指数模型**，年化收益率16.19%，年化波动率28.30%，信息比率(IR)0.57[28] 3. **A股成长先锋50指数模型**，年化收益率21.38%，年化波动率28.03%，信息比率(IR)0.76[28] 4. **沪深300价值指数模型**，年化收益率7.40%，年化波动率20.49%，信息比率(IR)0.36[28] 5. **国信价值指数模型**，年化收益率10.19%，年化波动率21.40%，信息比率(IR)0.48[28] 6. **盈利估值指数模型**，年化收益率17.58%，年化波动率21.83%，信息比率(IR)0.81[28] 因子的回测效果 （报告未提供因子的历史回测表现指标，如IC、IR、多空收益等）

量化模型与构建方式 1. 模型名称：ETF资金净流入计算模型[13] 模型构建思路：通过ETF每日份额变动与前一日净值的乘积，计算每日资金净流入/流出，并汇总得到特定时间段内的总资金流动情况[13] 模型具体构建过程： * 对于单只ETF，其每日资金净流入额的计算公式为： $$资金净流入额_t = (份额_t - 份额_{t-1}) \times 净值_{t-1}$$ 其中，$份额_t$ 代表第t日的基金总份额，$净值_{t-1}$ 代表第t-1日的基金单位净值[13] * 对发生份额拆分的ETF，需对历史份额数据进行复权处理，以保证计算口径的一致性[13] * 将特定类别（如跨境、商品型、股票型等）或特定板块（如宽基、主题行业等）内所有ETF的每日资金净流入额进行加总，得到该类别的日度资金流动数据[13] * 将考察周期（如上周）内各日的资金流动数据累计，得到该周期内的总资金净流入额[13] 模型的回测效果 1. ETF资金净流入计算模型，上周（2026.01.05-2026.01.09）全市场已上市非货币ETF资金净流入合计为-472.00亿元[13] 2. ETF资金净流入计算模型，上周跨境ETF资金净流入为139.63亿元[13] 3. ETF资金净流入计算模型，上周商品型ETF资金净流入为68.77亿元[13] 4. ETF资金净流入计算模型，上周股票型ETF资金净流出为14.72亿元[13] 5. ETF资金净流入计算模型，上周债券型ETF资金净流出为665.68亿元[13] 6. ETF资金净流入计算模型，上周股票型ETF中，宽基ETF资金净流入为-125.92亿元[13] 7. ETF资金净流入计算模型，上周中证500ETF资金净流入为35.57亿元[13] 8. ETF资金净流入计算模型，上周沪深300ETF资金净流入为35.28亿元[13] 9. ETF资金净流入计算模型，上周中证1000ETF资金净流入为25.08亿元[13] 10. ETF资金净流入计算模型，上周上证科创板100ETF资金净流入为6.67亿元[13] 11. ETF资金净流入计算模型，上周中证2000ETF资金净流入为5.99亿元[13] 12. ETF资金净流入计算模型，上周主题行业ETF资金净流入为131.26亿元[14] 13. ETF资金净流入计算模型，上周周期板块ETF资金净流入为147.37亿元[14] 14. ETF资金净流入计算模型，上周金融地产板块ETF资金净流入为23.67亿元[14] 15. ETF资金净流入计算模型，上周医药生物板块ETF资金净流入为10.51亿元[14] 16. ETF资金净流入计算模型，上周科技板块ETF资金净流入为6.51亿元[14] 17. ETF资金净流入计算模型，上周消费板块ETF资金净流出为6.87亿元[14] 18. ETF资金净流入计算模型，上周高端制造板块ETF资金净流出为35.96亿元[14] 量化因子与构建方式 1. 因子名称：增强策略ETF超额收益率[24][39] 因子构建思路：通过比较增强策略ETF的净值增长率与其业绩比较基准的收益率，计算其超越基准的收益，作为衡量其增强策略有效性的核心指标[24][39] 因子具体构建过程： * 计算增强策略ETF在特定考察期内的收益率： $$R_{fund} = \frac{NAV_{end} - NAV_{start}}{NAV_{start}}$$ 其中，$NAV_{start}$ 和 $NAV_{end}$ 分别代表考察期初和期末的基金单位净值 * 获取同期其业绩比较基准的收益率 $R_{benchmark}$ * 计算超额收益率： $$超额收益率 = R_{fund} - R_{benchmark}$$ 该值即为增强策略ETF相对于其基准的超额收益[24][39] 因子的回测效果 1. 增强策略ETF超额收益率因子，上周（2026.01.05-2026.01.09）54只已上市增强策略ETF中，有11只表现超过业绩比较基准[24] 2. 增强策略ETF超额收益率因子，近1年以来，成立满1年的33只增强策略ETF中有27只取得正超额[24] 3. 增强策略ETF超额收益率因子，近1年以来，工银中证1000增强策略ETF(561280.OF)的超额收益率为20.42%，业绩最佳[24] 4. 增强策略ETF超额收益率因子，上周，国泰沪深300增强策略ETF(561300.OF)的超额收益率为0.08%[25] 5. 增强策略ETF超额收益率因子，上周，招商中证1000增强策略ETF(159680.OF)的超额收益率为0.17%[25] 6. 增强策略ETF超额收益率因子，上周，银华中证800增强策略ETF(159517.OF)的超额收益率为0.69%[25] 7. 增强策略ETF超额收益率因子，上周，鹏华中证1000增强策略ETF(560590.OF)的超额收益率为0.21%[25] 8. 增强策略ETF超额收益率因子，上周，招商上证科创板50成份增强策略ETF(588450.OF)的超额收益率为0.72%[25] 9. 增强策略ETF超额收益率因子，上周，富国MSCI中国A50互联互通增强策略ETF(563280.OF)的超额收益率为0.05%[25] 10. 增强策略ETF超额收益率因子，近1年，工银中证1000增强策略ETF(561280.OF)的超额收益率为20.42%[25] 11. 增强策略ETF超额收益率因子，近1年，天弘中证1000增强策略ETF(159685.OF)的超额收益率为13.20%[25] 12. 增强策略ETF超额收益率因子，近1年，海富通中证2000增强策略ETF(159553.OF)的超额收益率为17.53%[25] 13. 增强策略ETF超额收益率因子，近1年，银华中证2000增强策略ETF(159555.OF)的超额收益率为13.22%[25] 14. 增强策略ETF超额收益率因子，近1年，招商中证2000增强策略ETF(159552.OF)的超额收益率为16.66%[25] 15. 增强策略ETF超额收益率因子，近1年，博时中证1000增强策略ETF(561780.OF)的超额收益率为12.46%[25] 16. 增强策略ETF超额收益率因子，近1年，南方上证科创板50成份增强策略ETF(588370.OF)的超额收益率为10.55%[25] 17. 增强策略ETF超额收益率因子，近1年，招商中证1000增强策略ETF(159680.OF)的超额收益率为10.15%[25] 18. 增强策略ETF超额收益率因子，近1年，华泰柏瑞中证1000增强策略ETF(561590.OF)的超额收益率为9.46%[25] 19. 增强策略ETF超额收益率因子，近1年，华泰柏瑞中证500增强策略ETF(561550.OF)的超额收益率为7.59%[25] 20. 增强策略ETF超额收益率因子，近1年，国泰沪深300增强策略ETF(561300.OF)的超额收益率为3.23%[25] 21. 增强策略ETF超额收益率因子，近1年，招商沪深300增强策略ETF(561990.OF)的超额收益率为4.49%[25] 22. 增强策略ETF超额收益率因子，上周，富荣沪深300增强A(004788.OF)的超额收益率为1.48%[39][41] 23. 增强策略ETF超额收益率因子，上周，天弘中证500指数增强A(001556.OF)的超额收益率为0.07%[39][41] 24. 增强策略ETF超额收益率因子，上周，华安中证1000指数增强A(015148.OF)的超额收益率为1.12%[39][41] 25. 增强策略ETF超额收益率因子，上周，鑫元国证2000指数增强A(018579.OF)的超额收益率为1.10%[39][41] 26. 增强策略ETF超额收益率因子，近1年，富荣沪深300增强A(004788.OF)的超额收益率为17.42%[40][41] 27. 增强策略ETF超额收益率因子，近1年，长城中证500指数增强A(006048.OF)的超额收益率为15.31%[40] 28. 增强策略ETF超额收益率因子，近1年，工银瑞信中证1000指数增强A(016942.OF)的超额收益率为22.70%[40] 29. 增强策略ETF超额收益率因子，近1年，汇添富国证2000指数增强A(019318.OF)的超额收益率为25.38%[40] 30. 增强策略ETF超额收益率因子，近1年，天弘中证500指数增强A(001556.OF)的超额收益率为10.49%[41] 31. 增强策略ETF超额收益率因子，近1年，天弘中证1000指数增强A(014201.OF)的超额收益率为15.82%[41] 32. 增强策略ETF超额收益率因子，近1年，天弘国证2000指数增强A(017547.OF)的超额收益率为25.24%[41]

量化模型与构建方式 **本报告为行业深度报告，未涉及具体的量化模型或量化因子的构建与测试。** 量化因子与构建方式 **本报告为行业深度报告，未涉及具体的量化模型或量化因子的构建与测试。** 模型的回测效果 **本报告为行业深度报告，未涉及具体的量化模型或量化因子的构建与测试。** 因子的回测效果 **本报告为行业深度报告，未涉及具体的量化模型或量化因子的构建与测试。**

量化模型与构建方式 1. **模型名称**：连续多年涨跌行业次年表现统计模型[8][15] * **模型构建思路**：通过统计历史数据，观察过去持续上涨或下跌的行业在次年的表现，以检验行业绝对收益是否存在均值回归特征[8][15] * **模型具体构建过程**： 1. 选定长江一级行业指数作为统计对象，数据区间为2005年至2025年[8][15] 2. 在每年年底（t年末），对每个行业进行判断： * 若该行业在过去的n年（n=2,3,4）中，每年的年度收益率均为正，则将其标记为“连续上涨n年”的行业[15] * 若该行业在过去的n年（n=2,3,4）中，每年的年度收益率均为负，则将其标记为“连续下跌n年”的行业[15] 3. 统计所有行业中，满足“连续上涨n年”或“连续下跌n年”条件的发生次数[15] 4. 计算这些行业在次年（t+1年）的表现指标： * **次年延续上涨/下跌概率**：在t年末被标记的行业中，在t+1年收益率依然为正（对于连续上涨）或为负（对于连续下跌）的行业数量占比[15][20] * **次年上涨情况下上涨均值**：在t+1年收益率为正的行业中，计算其收益率的平均值[15][20] * **次年下跌情况下下跌均值**：在t+1年收益率为负的行业中，计算其收益率的平均值[15][20] * **次年平均收益**：计算所有被标记行业在t+1年收益率的平均值[15][20] * **模型评价**：该模型揭示了行业绝对收益存在一定的均值回归特征，即“涨多回调、跌多反弹”[3][16] 2. **模型名称**：连续多年正/负超额行业次年表现统计模型[8][17] * **模型构建思路**：通过统计历史数据，观察过去持续跑赢或跑输市场的行业在次年的相对表现，以检验行业超额收益的持续性[8][17] * **模型具体构建过程**： 1. 选定长江一级行业指数作为统计对象，基准为万得全A指数，数据区间为2005年至2025年[8][17] 2. 在每年年底（t年末），对每个行业进行判断： * 计算行业每年相对于万得全A指数的超额收益（行业年收益率 - 万得全A年收益率）[17] * 若该行业在过去的n年（n=2,3,4）中，每年的超额收益均为正，则将其标记为“连续正超额n年”的行业[17] * 若该行业在过去的n年（n=2,3,4）中，每年的超额收益均为负，则将其标记为“连续负超额n年”的行业[17] 3. 统计所有行业中，满足“连续正超额n年”或“连续负超额n年”条件的发生次数[17] 4. 计算这些行业在次年（t+1年）的表现指标： * **次年延续正/负超额概率**：在t年末被标记的行业中，在t+1年超额收益依然为正（对于连续正超额）或为负（对于连续负超额）的行业数量占比[17][21] * **次年正超额情况下正超额均值**：在t+1年超额收益为正的行业中，计算其超额收益的平均值[17][21] * **次年负超额情况下负超额均值**：在t+1年超额收益为负的行业中，计算其超额收益的平均值[17][21] * **次年平均超额收益**：计算所有被标记行业在t+1年超额收益的平均值[17][21] * **模型评价**：该模型表明，无论是连续正超额还是连续负超额的行业，其次年相对于市场的表现均较弱，负超额概率较高[3][12][22] 模型的回测效果 1. **连续多年涨跌行业次年表现统计模型** [20] * **连续上涨2年**：发生次数175，次年延续上涨概率40.00%，次年上涨情况下上涨均值43.95%，次年下跌情况下下跌均值-31.01%，次年平均收益-1.02% * **连续上涨3年**：发生次数60，次年延续上涨概率28.33%，次年上涨情况下上涨均值38.01%，次年下跌情况下下跌均值-22.35%，次年平均收益-5.25% * **连续上涨4年**：发生次数17，次年延续上涨概率35.29%，次年上涨情况下上涨均值14.79%，次年下跌情况下下跌均值-17.80%，次年平均收益-6.30% * **连续下跌2年**：发生次数108，次年延续下跌概率43.52%，次年上涨情况下上涨均值24.92%，次年下跌情况下下跌均值-16.22%，次年平均收益7.02% * **连续下跌3年**：发生次数46，次年延续下跌概率26.09%，次年上涨情况下上涨均值28.94%，次年下跌情况下下跌均值-12.89%，次年平均收益18.03% * **连续下跌4年**：发生次数11，次年延续下跌概率27.27%，次年上涨情况下上涨均值22.76%，次年下跌情况下下跌均值-4.00%，次年平均收益15.46% 2. **连续多年正/负超额行业次年表现统计模型** [21] * **连续正超额2年**：发生次数82，次年延续正超额概率32.93%，次年正超额情况下正超额均值21.91%，次年负超额情况下负超额均值-29.50%，次年平均超额收益-12.57% * **连续正超额3年**：发生次数26，次年延续正超额概率34.62%，次年正超额情况下正超额均值33.40%，次年负超额情况下负超额均值-22.00%，次年平均超额收益-2.82% * **连续正超额4年**：发生次数9，次年延续正超额概率11.11%，次年正超额情况下正超额均值73.68%，次年负超额情况下负超额均值-26.84%，次年平均超额收益-15.67% * **连续负超额2年**：发生次数244，次年延续负超额概率62.70%，次年正超额情况下正超额均值10.97%，次年负超额情况下负超额均值-21.65%，次年平均超额收益-9.48% * **连续负超额3年**：发生次数141，次年延续负超额概率60.99%，次年正超额情况下正超额均值9.27%，次年负超额情况下负超额均值-19.12%，次年平均超额收益-8.04% * **连续负超额4年**：发生次数78，次年延续负超额概率65.38%，次年正超额情况下正超额均值9.03%，次年负超额情况下负超额均值-16.39%，次年平均超额收益-7.59%

量化模型与构建方式 1. **模型名称：华鑫市场情绪温度指标**[5][8][19] * **模型构建思路：** 该模型旨在通过多维度市场数据构建一个综合性的市场情绪指标，用于判断市场情绪状态（如过冷、过热），属于摆荡指标，适用于震荡市的高抛低吸策略[19]。 * **模型具体构建过程：** 模型从6大维度选取数据，通过对过去5年的历史数据进行统计及回测构建而成[19]。具体维度包括： 1. 指数涨跌幅 2. 成交量 3. 涨跌家数 4. KDJ指标 5. 北向资金数据 6. 融资融券数据 模型最终输出一个0-100分的综合评分，并根据评分将市场情绪划分为五个等级：过冷（0-19分）、较冷（20-39分）、中性（40-59分）、较热（60-79分）、过热（80-100分）[5][19]。 * **模型评价：** 该指标属于摆荡指标，更多提供在震荡市时的高抛低吸参考，对于趋势缺乏预测效果。当市场出现趋势时，指标可能出现钝化现象[19]。 模型的回测效果 1. 华鑫市场情绪温度指标， 当前市场情绪综合评分为95分， 市场情绪状态为“过热”[5][8] 2. 华鑫市场情绪温度指标， 历史回测显示， 当情绪值低于或接近60分时市场将获得支撑， 当情绪值高于90分时将出现阻力[8] 量化因子与构建方式 1. **因子名称：融资净买入额**[11][19] * **因子构建思路：** 该因子反映投资者通过融资交易（借钱买入）对某只股票或市场的看多情绪和资金流入情况[19]。 * **因子具体构建过程：** 直接使用Wind等数据源提供的“融资净买入额”数据，单位为万元。其计算逻辑为指定时间段内（如前一日）融资买入额与融资偿还额的差额[11]。 2. **因子名称：融券净卖出额**[12][19] * **因子构建思路：** 该因子反映投资者通过融券交易（借券卖出）对某只股票或市场的看空情绪[19]。 * **因子具体构建过程：** 直接使用Wind等数据源提供的“融券净卖出”数据，单位为万元。其计算逻辑为指定时间段内（如前一日）融券卖出额与融券偿还额的差额[12]。 3. **因子名称：期间净买入额（双融）**[19] * **因子构建思路：** 该因子综合了融资和融券两方面的信息，反映融资融券整体资金流向，是融资看多力量与融券看空力量的净额[19]。 * **因子具体构建过程：** 期间净买入额由融资净买入额减去融券净卖出额得到[19]。公式为： $$期间净买入额 = 融资净买入额 - 融券净卖出额$$ 4. **因子名称：主力净流入额**[9][10] * **因子构建思路：** 该因子反映大额资金（主力资金）对某只股票的净买入情况，常用于判断资金关注度。 * **因子具体构建过程：** 直接使用数据源提供的“主力净流入额”数据，单位为万元。通常基于Level-2行情数据中的大单、中单、小单成交额计算得出。 因子的回测效果 *注：报告中未提供各因子的具体回测指标（如IC、IR、多空收益等）数值，仅展示了基于这些因子计算的个股或行业排名数据。以下为根据报告内容整理的因子取值示例。* 1. 融资净买入额因子， 个股示例：蓝色光标(300058.SZ)融资净买入额为131,086.20万元[11] 2. 融资净买入额因子， 行业示例：SW计算机行业融资净买入额为559,297万元[16] 3. 融券净卖出额因子， 个股示例：太平洋(601099.SH)融券净卖出额为1,022.82万元[12] 4. 融券净卖出额因子， 行业示例：SW计算机行业融券净卖出额为1,390万元[16] 5. 主力净流入额因子， 个股示例：东方财富(300059.SZ)主力净流入额为181,015.77万元[9] 6. 主力净流入额因子， 行业示例：SW计算机行业主力净流入额为1,224,902万元[14]

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** * **因子构建思路：** 通过计算当日最高价触及涨停且收盘价也维持在涨停的股票比例，来衡量市场追涨情绪和涨停板的可靠性[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. 在每个交易日，识别出盘中最高价达到涨停价的股票集合。 3. 从该集合中，进一步筛选出收盘价仍为涨停价的股票。 4. 计算封板率，公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[17] 2. **因子名称：连板率因子** * **因子构建思路：** 通过计算连续两个交易日收盘涨停的股票比例，来衡量市场炒作热度的持续性[17]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票[17]。 2. 在每个交易日，识别出前一日（T-1日）收盘价为涨停价的股票集合。 3. 从该集合中，进一步筛选出当日（T日）收盘价也为涨停价的股票。 4. 计算连板率，公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[17] 3. **因子名称：大宗交易折价率因子** * **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，来反映大资金的投资偏好和卖出意愿[27]。 * **因子具体构建过程：** 1. 获取当日所有大宗交易的成交数据，包括成交金额和成交数量[27]。 2. 计算大宗交易的总成交金额。 3. 计算大宗交易成交份额按当日收盘价计算的总市值。 4. 计算折价率，公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[27] 该值为负表示折价交易，绝对值越大折价越深。 4. **因子名称：股指期货年化贴水率因子** * **因子构建思路：** 通过计算股指期货主力合约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[29]。 * **因子具体构建过程：** 1. 选定标的指数（如上证50、沪深300等）及其对应的股指期货主力合约[29]。 2. 计算基差：基差 = 股指期货价格 - 现货指数价格[29]。 3. 计算年化贴水率，公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[29] 结果为负表示期货贴水，为正表示升水。 因子的回测效果 *本报告为市场监测日报，主要展示市场指标的当日或近期状态，并未提供基于历史数据的长期回测结果，如年化收益、夏普比率、信息比率(IR)等量化因子评价指标。报告中提及的因子取值均为特定时点的观测值，具体如下：* 1. **封板率因子**，2026年01月12日取值：**76%**[17] 2. **连板率因子**，2026年01月12日取值：**46%**[17] 3. **大宗交易折价率因子**，2026年01月09日取值：**8.67%**[27]；近半年以来平均取值：**6.75%**[27] 4. **股指期货年化贴水率因子** * **上证50股指期货**，2026年01月12日取值：**0.65%**，近一年中位数：**0.70%**[29] * **沪深300股指期货**，2026年01月12日取值：**1.93%**，近一年中位数：**3.79%**[29] * **中证500股指期货**，2026年01月12日取值：**0.88%**，近一年中位数：**11.15%**[29] * **中证1000股指期货**，2026年01月12日取值：**3.17%**，近一年中位数：**13.61%**[29]

量化模型与构建方式 1. **模型名称**：流动性冲击指标[2] * **模型构建思路**：用于衡量当前市场流动性相对于过去一年平均水平的标准差倍数，以判断市场流动性状况[2]。 * **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步骤，仅提及了基于沪深300指数的计算结果[2]。 2. **模型名称**：情绪择时模型[14][16][17] * **模型构建思路**：通过构建涨跌停板相关因子来刻画市场情绪强弱，并综合多个细分情绪因子信号生成择时信号[14]。 * **模型具体构建过程**：模型包含多个情绪因子，每个因子生成0或1的信号。报告列举了部分细分因子及其最新信号：净涨停占比（信号1）、跌停次日收益（信号0）、涨停板占比（信号1）、跌停板占比（信号1）、高频打板收益（信号1）[17]。模型最终综合这些信号给出总分（满分5分）和方向信号[14]。 3. **模型名称**：趋势模型[14][16] * **模型构建思路**：作为情绪择时模型的一部分，根据市场趋势给出正向或负向信号[14][16]。 * **模型具体构建过程**：报告未提供具体构建过程，仅提及了其最新信号为“正向”[14]。 4. **模型名称**：加权模型[14][16] * **模型构建思路**：作为情绪择时模型的一部分，根据加权计算给出正向或负向信号[14][16]。 * **模型具体构建过程**：报告未提供具体构建过程，仅提及了其最新信号为“正向”[14]。 5. **模型名称**：SAR指标（停损转向指标）[14][15] * **模型构建思路**：一种技术分析指标，用于判断市场趋势的转向点，提供买入和卖出信号[14][15]。 * **模型具体构建过程**：报告未提供具体计算公式，但通过图表展示了Wind全A指数与SAR指标的对比，并指出Wind全A指数于12月1日向上突破翻转指标[14][15]。 6. **模型名称**：均线强弱指数[1][7][14][19] * **模型构建思路**：通过计算Wind二级行业指数的均线情况来综合衡量整个市场的技术面强弱程度[14]。 * **模型具体构建过程**：报告未提供具体计算公式。构建过程涉及使用Wind二级行业指数进行计算，最终得到一个市场得分[14]。最新得分为261，处于2023年以来的95.22%分位点，表明市场技术面处于历史高位[14]。 7. **模型名称**：日历效应模型[1][4][7][9] * **模型构建思路**：基于历史数据统计特定时间段（如1月下半月）市场指数的表现规律，用于判断未来相同时期的市场表现[1][4][7][9]。 * **模型具体构建过程**：统计2005年以来，各大宽基指数在1月下半月的上涨概率、涨幅均值和中位数[9]。例如，上证综指、沪深300、中证500、创业板指在1月下半月的上涨概率分别为55%、45%、50%、40%，涨幅均值分别为-1.52%、-0.97%、-1.42%、-1.11%[9]。 8. **因子名称**：因子拥挤度（复合因子）[18][20][21] * **因子构建思路**：用于预警因子可能因资金过度追逐而失效的风险。通过综合多个子指标来度量因子的拥挤程度[18]。 * **因子具体构建过程**：使用四个指标度量因子拥挤程度：估值价差、配对相关性、长期收益反转、因子波动率[18]。报告未提供各子指标及综合打分的具体计算公式，但提及详细计算方法可参考专题报告《选股因子系列（四十二）——因子失效预警：因子拥挤》[18]。 9. **因子名称**：行业拥挤度[4][23][25][26] * **因子构建思路**：用于衡量特定行业是否因资金过度集中而存在回调风险[4][23]。 * **因子具体构建过程**：报告未提供具体计算公式，但提及详细计算方法可参考专题报告《行业轮动系列研究 15——行业板块拥挤度》[23]。 10. **因子名称**：行业三维矩阵[27][28][29] * **因子构建思路**：通过三个维度（拥挤度、历史估值偏离度、景气度）对行业进行可视化分析，辅助判断行业投资价值[27][28][29]。 * **因子具体构建过程**： * **横轴**：历史估值偏离度，代表行业滚动500个交易日市净率（PB）的Z值[29]。 * **纵轴**：行业拥挤度[28]。 * **气泡大小**：代表行业景气度，用行业滚动120个交易日分析师预期ROE的百分位刻画[29]。 模型的回测效果 *报告未提供量化模型的历史回测效果指标（如年化收益率、夏普比率、最大回撤等）。* 量化因子与构建方式 *（因子拥挤度、行业拥挤度、行业三维矩阵因子已在上方“量化模型与构建方式”中列出，此处不再重复）* 因子的回测效果 1. **小市值因子拥挤度**，综合打分 **0.37**[21] 2. **低估值因子拥挤度**，综合打分 **-0.57**[21] 3. **高盈利因子拥挤度**，综合打分 **0.63**[21] 4. **高增长因子拥挤度**，综合打分 **1.09**[21] 5. **行业拥挤度**（截至2026.01.09），各行业取值如下[25][26]： * 通信：2.19 * 综合：1.47 * 有色金属：1.74 * 国防军工：-0.15 * 电子：0.59 * 电力设备：1.08 * 基础化工：0.59 * 机械设备：0.14 * 非银金融：0.07 * 钢铁：0.36 * 银行：0.16 * 商贸零售：0.16 * 石油石化：-0.44 * 社会服务：-0.07 * 轻工制造：-0.16 * 计算机：-0.97 * 医药生物：-0.76 * 公用事业：-0.48 * 农林牧渔：-0.67 * 交通运输：-0.32 * 纺织服饰：-0.50 * 传媒：-1.04 * 煤炭：-0.71 * 汽车：-0.89 * 建筑材料：-0.34 * 建筑装饰：-0.89 * 美容护理：-0.68 * 食品饮料：-1.01 * 家用电器：-1.03 * 房地产：-0.90 * 环保：-1.03