量化模型与构建方式 1. **模型名称：宏观评分模型**[19] * **模型构建思路**：通过一套宏观因子体系，对各类宏观分项（如国内景气、全球景气等）进行评分，并综合这些分项评分，形成对大类资产的择时观点[19][21]。 * **模型具体构建过程**： 1. 构建宏观因子体系，包含国内景气、国内货币、国内信用、国内通胀、全球景气、全球货币、全球通胀、美元、金融压力等分项[21]。 2. 对每个宏观分项进行评分，评分值为-1, 0, 1[21]。 3. 将每个宏观分项对各类资产（如中证800、10年国债、标普500、黄金、原油、铜）的影响方向进行映射。例如，国内景气分项评分为-1时，对中证800的影响为-1，对10年国债的影响为1[21]。 4. 对每个资产，将所有宏观分项的影响值加总，得到该资产的宏观评分[21]。 5. 根据宏观评分的高低，形成“谨慎”、“看多”等择时观点[21]。 2. **模型名称：美股择时模型**[20] * **模型构建思路**：构建一个包含多个分项指标（如景气度、资金流、金融压力）的监测体系，通过观察各分项指标在历史滚动窗口（如5年）中的分位数位置，来判断美股的中期走势[20][24]。 * **模型具体构建过程**： 1. 构建美股择时监测体系，包含景气度、资金流、金融压力等分项指标[24]。 2. 计算每个分项指标在滚动5年窗口内的分位数[24]。 3. 通过历史回测确定分项指标的有效阈值。例如，当景气度分项指标位于50分位以上时，美股极少出现持续大幅回撤[20][25]。 4. 综合各分项指标的分位数和阈值，形成对美股走势的判断[20]。 3. **模型名称：黄金择时模型**[23] * **模型构建思路**：构建一个黄金择时指标，通过该指标的数值和变化趋势来判断黄金的短期配置价值和中期逻辑[23][26]。 * **模型具体构建过程**：报告未详细说明黄金择时指标的具体构建公式，但指出其数值可用于判断。最新指标值为-0.34[23][26]。 4. **模型名称：原油择时模型**[27] * **模型构建思路**：构建原油景气指数，通过该指数的读数（是否在0轴以上）来判断原油基本面的好坏和油价趋势[27][29]。 * **模型具体构建过程**：报告未详细说明原油景气指数的具体构建公式，但指出其读数可用于判断。最新指数读数为-0.01[27][29]。 5. **模型名称：大类资产配置策略**[4][28] * **模型构建思路**：每月根据量化配置信号为各资产分配风险预算，并结合宏观因子体系调整组合的宏观风险暴露，最终得到资产配置方案[4][28]。 * **模型具体构建过程**： 1. 生成大类资产量化配置信号。 2. 根据配置信号为每类资产分配风险预算。 3. 利用宏观因子体系（如宏观评分模型）对组合的宏观风险暴露进行调整。 4. 通过模型优化，得到最终的资产配置比例[33]。 模型的回测效果 1. **大类资产配置策略**，最近1年收益11.9%[4][28]，最大回撤2.7%[4][28]，2月收益-0.2%[4][28]。 2. **宏观评分模型**，2026年3月对中证800评分为-1[21]，对10年国债评分为2[21]，对标普500评分为3[21]，对黄金评分为-1[21]，对原油评分为3[21]，对铜评分为3[21]。 3. **美股择时模型**，景气度分项最新值位于滚动5年的60分位附近[20][24]。 4. **黄金择时模型**，择时指标最新值为-0.34[23][26]。 5. **原油择时模型**，景气指数最新读数为-0.01[27][29]。 量化因子与构建方式 1. **因子名称：全球景气因子**[1][18] * **因子构建思路**：构建一个能够综合反映全球制造业景气周期的因子，其走势与铜价等周期品价格高度同步[1][18]。 * **因子具体构建过程**：报告未详细说明该因子的具体构建公式，但展示了其与LME铜价同比增速的高度同步性[18]。 2. **因子名称：国内景气因子**[21] * **因子构建思路**：作为宏观评分模型的分项之一，用于评估国内经济景气状况[21]。 * **因子具体构建过程**：报告未详细说明其具体构建过程，但在宏观评分模型中，其评分值为-1, 0, 1[21]。 3. **因子名称：国内货币因子**[21] * **因子构建思路**：作为宏观评分模型的分项之一，用于评估国内货币政策状况[21]。 * **因子具体构建过程**：报告未详细说明其具体构建过程，但在宏观评分模型中，其评分值为-1, 0, 1[21]。 4. **因子名称：国内信用因子**[19][21] * **因子构建思路**：作为宏观评分模型的分项之一，用于评估国内信用周期状况[19][21]。 * **因子具体构建过程**：报告未详细说明其具体构建过程，但在宏观评分模型中，其评分值为-1, 0, 1。最新数据显示国内信用周期再度走弱[19][21]。 5. **因子名称：国内通胀因子**[21] * **因子构建思路**：作为宏观评分模型的分项之一，用于评估国内通胀状况[21]。 * **因子具体构建过程**：报告未详细说明其具体构建过程，但在宏观评分模型中，其评分值为-1, 0, 1[21]。 6. **因子名称：全球货币因子**[21] * **因子构建思路**：作为宏观评分模型的分项之一，用于评估全球货币政策状况[21]。 * **因子具体构建过程**：报告未详细说明其具体构建过程，但在宏观评分模型中，其评分值为-1, 0, 1[21]。 7. **因子名称：全球通胀因子**[21] * **因子构建思路**：作为宏观评分模型的分项之一，用于评估全球通胀状况[21]。 * **因子具体构建过程**：报告未详细说明其具体构建过程，但在宏观评分模型中，其评分值为-1, 0, 1[21]。 8. **因子名称：美元因子**[21] * **因子构建思路**：作为宏观评分模型的分项之一，用于评估美元走势状况[21]。 * **因子具体构建过程**：报告未详细说明其具体构建过程，但在宏观评分模型中，其评分值为-1, 0, 1[21]。 9. **因子名称：金融压力因子**[21] * **因子构建思路**：作为宏观评分模型的分项之一，用于评估金融体系压力状况[21]。 * **因子具体构建过程**：报告未详细说明其具体构建过程，但在宏观评分模型中，其评分值为-1, 0, 1[21]。 10. **因子名称：景气度分项（美股择时）**[20][24] * **因子构建思路**：作为美股择时模型的分项之一，用于评估美国经济景气状况对美股的影响[20][24]。 * **因子具体构建过程**：报告未详细说明其具体构建公式，但通过计算其在滚动5年窗口内的分位数来使用[24]。 11. **因子名称：资金流分项（美股择时）**[24] * **因子构建思路**：作为美股择时模型的分项之一，用于评估市场资金流向对美股的影响[24]。 * **因子具体构建过程**：报告未详细说明其具体构建过程，但通过计算其在滚动5年窗口内的分位数来使用[24]。 12. **因子名称：金融压力分项（美股择时）**[24] * **因子构建思路**：作为美股择时模型的分项之一，用于评估金融压力对美股的影响[24]。 * **因子具体构建过程**：报告未详细说明其具体构建过程，但通过计算其在滚动5年窗口内的分位数来使用[24]。 因子的回测效果 （报告未提供各因子的独立测试结果，如IC、IR等）

量化模型与构建方式 1. **模型名称**：宽基指数择时模型（通用框架）[2][3][6] **模型构建思路**：将前期应用于债券和商品的择时框架，扩展至权益宽基指数，以覆盖大类资产配置。针对权益指数波动大、趋势变化快的特点，对模型因子和结构进行了针对性优化[3][6]。 **模型具体构建过程**： * **因子集构建**：分为两部分。 1. **共性因子集**：适用于所有指数，包括资金、利率、商品期货及现货价格、高频日度指数（如BDI）、高频基本面（日度的消费及生产数据）、海外因子（美国股债价格、波动率等）以及描述国内权益市场的共性因子（如两融余额、股票回购金额）[7]。 2. **指数因子集**：针对每个宽基指数构建，包含两部分：a) 指数自身的成交量、成交金额、市盈率、市净率、换手率、资金净买入；b) 基于该指数计算的技术指标，如随机指标、标准差、相对强弱指标、能量潮等[7]。 * **因子调整**： * **减少低频因子**：选择性保留10-20个月频因子（主要由通胀、出口、金融数据等构成），剔除其余月频及更低频率因子，以避免滞后指标对高波资产择时产生负面影响[8]。 * **丰富高频因子**：针对宽基指数等高波动资产，使用不同参数构建技术指标（例如不同区间长度的均线或动量指标），使模型能学习到不同市场环境下的信息[8]。 * **模型结构**：采用神经网络模型，并针对权益指数进行调整[3][10]。 * **类别平衡机制**：根据不同指数的走势特性（如是否存在单边形态）决定是否应用类别平衡[10]。 * **隐藏单元维度**：通过增加隐藏单元维度（而非层数）来提升模型复杂度，以避免过拟合[10]。 * **超参数调整**：包括窗口长度、正则化系数、学习率。例如，通过lambda函数设置学习率递减进行调优[11]。 2. **模型名称**：万得全A指数择时模型[3][6][12] **模型构建思路**：基于通用宽基指数择时框架，针对代表A股整体市场的万得全A指数进行择时[3][6]。 3. **模型名称**：中证红利全收益指数择时模型[3][15] **模型构建思路**：基于通用宽基指数择时框架，针对中证红利全收益指数进行择时。选择全收益指数是因红利指数本身波动率高、走势高频震荡，难以形成明显趋势[15]。 4. **模型名称**：恒生科技指数择时模型[3][22] **模型构建思路**：基于通用宽基指数择时框架，针对港股恒生科技指数进行择时。因子构建上更多考虑港股量价及全球流动性，并需处理港股与内地交易日不对齐的问题[22]。 5. **模型名称**：科创50指数择时模型[3][28] **模型构建思路**：基于通用宽基指数择时框架，针对代表内地“创新资产”的科创50指数进行择时。因子方面偏重于内地股票的量价数据[28]。 6. **模型名称**：万得微盘指数择时模型[3][34] **模型构建思路**：基于通用宽基指数择时框架，针对衡量小微盘市场情况的万得微盘指数进行择时。该指数走势偏单边，其翻转拐点可能更具指导意义[34]。 7. **模型名称**：国证2000指数择时模型[3][41] **模型构建思路**：基于通用宽基指数择时框架，针对国证2000指数进行择时。选择该指数是为了与万得微盘指数结合以更好覆盖小微盘市场，因中证2000指数数据量较少[41]。 模型的回测效果 （注：所有模型回测区间均为2023年6月至今的样本外区间，指标“区间胜率”定义为正确区间数/(正确区间数+错误区间数)） 1. **万得全A指数择时模型**，区间胜率71.88%[3][12] 2. **中证红利全收益指数择时模型**，区间胜率84.62%[3][15] 3. **恒生科技指数择时模型**，区间胜率79.31%[3][22] 4. **科创50指数择时模型**，区间胜率82.61%[3][28] 5. **万得微盘指数择时模型**，区间胜率80.77%[3][34] 6. **国证2000指数择时模型**，区间胜率71.43%[3][41] 量化因子与构建方式 （注：报告未详细列出单个因子的具体计算公式，主要阐述了因子集的构建逻辑和调整方向。） 1. **因子类别**：共性因子集[7] **因子的构建思路**：构建适用于所有宽基指数的、描述资本市场整体方向的因子[7]。 **因子具体构建过程**：包含资金、利率、商品期货及现货价格、高频日度指数（如BDI）、高频基本面（日度的消费及生产数据）、海外因子（美国股债价格、波动率等）以及国内权益市场共性因子（如两融余额、股票回购金额）[7]。 2. **因子类别**：指数特异性因子集[7] **因子的构建思路**：构建针对每个具体宽基指数、衡量其自身高频量价和交易情绪的因子[7]。 **因子具体构建过程**：包含两部分：a) 对应指数的成交量、成交金额、市盈率、市净率、换手率、资金净买入；b) 基于该指数计算的技术指标，如随机指标、标准差、相对强弱指标、能量潮等[7]。 3. **因子调整方向**：低频因子精简[8] **调整思路**：由于高波资产的波段较短，价格转向更多受高频交易因素影响，低频因子指导意义不强且可能滞后，因此大幅减少基本面因子[3][6][8]。 **调整过程**：选择性保留10-20个月频因子（主要由通胀、出口、金融数据等构成），剔除其余的月频及更低频率因子[8]。 4. **因子调整方向**：高频因子丰富与参数优化[8] **调整思路**：针对宽基指数等高波动资产，通过不同参数的技术指标使模型学习到更多市场信息[3][8]。 **调整过程**：对技术指标（如均线类、动量类）使用不同的参数设置，以捕捉不同区间长度和不同市场环境下的走势[8]。

量化模型与构建方式 1. **模型/因子名称**：封板率 **模型/因子构建思路**：通过计算盘中最高价涨停且最终收盘涨停的股票比例，来衡量市场涨停板的封板质量或资金封板的坚决程度[15]。 **模型/因子具体构建过程**： 1. 筛选上市满3个月以上的股票[15]。 2. 在目标交易日，统计所有盘中最高价达到涨停价的股票数量（记为A）[15]。 3. 在A中，进一步统计收盘价仍为涨停价的股票数量（记为B）[15]。 4. 封板率计算公式为： $$封板率 = \frac{B}{A}$$ [15] 其中，B代表最高价涨停且收盘涨停的股票数，A代表最高价涨停的股票数[15]。 2. **模型/因子名称**：连板率 **模型/因子构建思路**：通过计算连续两日收盘涨停的股票占昨日所有涨停股票的比例，来衡量市场涨停板的持续性和短线赚钱效应[15]。 **模型/因子具体构建过程**： 1. 筛选上市满3个月以上的股票[15]。 2. 统计前一交易日（T-1日）收盘涨停的股票数量（记为C）[15]。 3. 在C中，统计在目标交易日（T日）收盘也涨停的股票数量（记为D）[15]。 4. 连板率计算公式为： $$连板率 = \frac{D}{C}$$ [15] 其中，D代表连续两日收盘涨停的股票数，C代表昨日收盘涨停的股票数[15]。 3. **模型/因子名称**：大宗交易折价率 **模型/因子构建思路**：通过计算大宗交易成交总额与按当日市价计算的成交份额总市值的偏离度，来反映大额资金交易的折溢价情况，通常折价率能反映大资金的交易情绪和偏好[24]。 **模型/因子具体构建过程**： 1. 获取目标交易日所有大宗交易的成交数据，包括每笔交易的成交金额和成交份额[24]。 2. 计算当日所有大宗交易的总成交金额（记为E）[24]。 3. 对于每笔大宗交易的成交份额，以其当日收盘价（或成交均价）计算其市值，并加总得到按市价计算的成交份额总市值（记为F）[24]。 4. 大宗交易折价率计算公式为： $$折价率 = \frac{E}{F} - 1$$ [24] 其中，E代表大宗交易总成交金额，F代表当日成交份额的总市值[24]。计算结果为负表示折价交易，为正表示溢价交易。 4. **模型/因子名称**：股指期货年化贴水率 **模型/因子构建思路**：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，来衡量股指期货的升贴水程度，这反映了市场对未来走势的预期和股指对冲的成本[26]。 **模型/因子具体构建过程**： 1. 选定目标股指期货合约（如上证50、沪深300等）及其对应的现货指数[26]。 2. 计算基差：基差 = 期货价格 - 现货指数价格[26]。 3. 获取该期货合约的剩余交易日数（记为T）[26]。 4. 年化贴水率计算公式为： $$年化贴水率 = \frac{基差}{指数价格} \times (\frac{250}{T})$$ [26] 其中，基差为期货价格减去现货指数价格，指数价格为现货指数价格，T为合约剩余交易日数，250为年化交易日数假设[26]。计算结果为正表示年化升水，为负表示年化贴水。 模型的回测效果 （注：本篇报告为市场监测日报，未提供量化模型或因子在历史样本外的长期回测表现指标，如年化收益率、夏普比率、最大回撤、信息比率（IR）等。报告中的数据均为特定日期的观察值或近期统计值[5][6][9][12][15][17][20][21][24][26][28][34][35]。） 量化因子与构建方式 （注：本篇报告未涉及用于选股或资产定价的传统Alpha因子（如价值、动量、质量等）的构建与测试。报告中的“封板率”、“连板率”、“折价率”、“年化贴水率”更接近于市场情绪或资金面指标，已在上方“量化模型与构建方式”部分总结。） 因子的回测效果 （注：本篇报告未提供量化因子的历史回测表现指标，如因子IC值、ICIR、分组收益、多空收益等。报告中的数据均为特定日期的指标取值或近期统计值[5][6][9][12][15][17][20][21][24][26][28][34][35]。）

量化模型与构建方式 1. **模型名称**：国证工业软件主题指数（CNI Industrial Software Index）[2][32] **模型构建思路**：构建一个能够全面反映中国工业软件产业整体表现的股票指数[2][32] **模型具体构建过程**： 1. **确定样本空间**：满足以下条件的A股和红筹企业发行的存托凭证[33]： * 非ST、*ST证券[33] * 科创板证券、北交所证券上市时间超过1年，其他证券上市时间超过6个月[33] * 公司最近一年无重大违规、财务报告无重大问题[33] * 公司最近一年经营无异常、无重大亏损[33] * 考察期内证券价格无异常波动[33] * 公司业务涉及工业研发设计软件、工业生产信息化软件、工业企业业务管理软件、工业自动化软件等工业软件相关领域[33] 2. **选样方法**： * 计算入围选样空间证券在最近半年的日均成交金额和日均总市值[33] * 剔除最近半年日均成交金额排名后10%的证券[33] * 对选样空间剩余证券按照最近半年的日均总市值从高到低排序，选取前50只证券作为指数样本，样本数量不足时按实际数量纳入[33] 3. **加权方式**：指数采用派氏加权法进行计算，并设置权重调整因子以确保工业研发设计软件领域样本权重不低于50%[33] 4. **定期调整**：指数样本实施半年定期调整，于每年6月和12月的第二个星期五的下一个交易日实施[33] 模型的回测效果 1. **国证工业软件主题指数**，年化收益率2.52%[56]，年化夏普比0.23[56]，年化波动率30.01%[56]，区间最大回撤-61.56%[56] 量化因子与构建方式 1. **因子名称**：研发投入占比[36] **因子构建思路**：衡量指数成分股整体在研发创新上的投入强度[36] **因子具体构建过程**：计算指数成分股的研发费用总和与营业收入总和之比[36] $$研发投入占比 = \frac{\sum 研发费用}{\sum 营业收入}$$[36] **因子评价**：该因子数值逐年提升，表明行业整体创新投入强度持续增强[36] 2. **因子名称**：专精特新公司占比[49] **因子构建思路**：衡量指数成分股中专精特新企业的集中度，反映指数的创新属性和产业链关键环节支撑能力[48][49] **因子具体构建过程**：统计指数成分股中被认定为国家级专精特新“小巨人”企业的数量，并计算其占指数总成分股数量的比例[49] $$专精特新公司占比 = \frac{指数成分股中专精特新公司数量}{指数成分股总数量}$$[49] **因子评价**：该因子比例显著高于主流宽基指数，说明工业软件领域中小企业的专精特新属性突出、创新集中度高[49] 3. **因子名称**：小盘风格暴露[45] **因子构建思路**：通过指数成分股的平均市值和市值分布来刻画指数的市值风格特征[45] **因子具体构建过程**：计算指数所有成分股的总市值平均值，并统计总市值在200亿元以下的成分股的合计权重占比[45] **因子评价**：指数平均市值较低且小市值股票权重占比较高，呈现出显著的小盘风格特征[45] 4. **因子名称**：盈利成长性（归母净利润增速、每股收益增速）[47] **因子构建思路**：衡量指数未来预期的盈利增长能力[47] **因子具体构建过程**：采用市场一致预期，计算指数成分股归母净利润总和与每股收益的预期同比增长率[47] **因子评价**：预期增速较高，表明指数盈利和成长性有望持续改善[47] 因子的回测效果 1. **研发投入占比因子**，2017年至2026年2月，该因子在国证工业软件主题指数上的表现为：2022年取值4.31%[36]，2023年取值8.64%[36]，2024年取值8.71%[36]，2025年三季度取值9.22%[36] 2. **专精特新公司占比因子**，截至2026年2月28日，该因子在国证工业软件主题指数上的取值为68%（34家/50家）[49] 3. **小盘风格暴露因子**，截至2026年2月28日，该因子在国证工业软件主题指数上的表现为：成分股平均市值276.24亿元[45]，总市值在200亿元以下的股票权重占比超过70%[45] 4. **盈利成长性因子**，该因子在国证工业软件主题指数上的预期取值为：2025E年归母净利润增速59.22%[47]，2026E年归母净利润增速30.12%[47]；2025E年每股收益增速59.93%[47]，2026E年每股收益增速59.32%[47]

量化模型与构建方式 1. **模型名称：量能择时模型**[7][24] * **模型构建思路**：通过监测主要宽基指数的成交量（量能）变化来判断市场趋势和买卖时机，量能未能持续突破时对市场持谨慎观点[1][12]。 * **模型具体构建过程**：报告未详细描述该模型的具体计算规则和信号生成阈值，仅给出了基于该模型生成的择时观点[24]。 * **模型评价**：该模型用于判断市场进一步上行是否需要量能进一步提振，当前对主要宽基指数均维持谨慎（看空）观点[1][12][24]。 2. **模型名称：沪深300上涨家数占比择时模型（动量情绪指标）**[7][25][27][29] * **模型构建思路**：通过计算沪深300指数成分股中过去一段时间内上涨股票的家数占比来衡量市场情绪，并利用该指标的短期与长期移动平均线的关系来生成交易信号[25][27][29]。 * **模型具体构建过程**： 1. 计算基础指标：沪深300指数N日上涨家数占比 = 沪深300指数成分股过去N日收益大于0的个股数占比[25]。其中N=230[27]。 2. 对基础指标进行平滑处理：分别计算窗口期为N1和N2的移动平均线，称为慢线和快线，其中N1>N2（报告中N1=50，N2=35）[27][29]。 3. 生成交易信号：当快线大于慢线时，看多沪深300指数；当快线小于慢线时，对市场持中性态度[27][29]。 * **模型评价**：该指标可以较快捕捉上涨机会，但由于选择在市场过热阶段提前止盈离场，也会错失市场持续亢奋阶段的上涨收益。同时，该指标在对下跌市场的判断也存在缺陷，难以有效规避下跌风险[26]。 3. **模型名称：均线情绪指标择时模型**[7][34][38] * **模型构建思路**：基于沪深300指数收盘价与一组均线（八均线体系）的相对位置关系来构造情绪指标，并根据该指标值判断市场趋势状态[34]。 * **模型具体构建过程**： 1. 计算八均线数值：均线参数为8, 13, 21, 34, 55, 89, 144, 233[34]。 2. 计算当日沪深300指数收盘价大于每一条均线指标值的数量[38]。 3. 生成交易信号：当前价格大于均线指标值的数量超过5时，看多沪深300指数[38]。 （注：报告中还提到了将八均线区间值映射为-1, 0, 1的赋值方法，但最终信号生成采用了上述计数规则[34][38]） 量化因子与构建方式 1. **因子名称：横截面波动率**[7][39] * **因子构建思路**：计算特定指数（如沪深300、中证500、中证1000）成分股在横截面上的收益率波动率，用以衡量市场分化程度和选股Alpha机会的强弱[39]。 * **因子具体构建过程**：报告未给出具体的计算公式，但指出该因子用于观察短期Alpha环境。因子值上升通常意味着Alpha环境好转[2][39]。 2. **因子名称：时间序列波动率**[7][40] * **因子构建思路**：计算特定指数成分股加权的时间序列波动率，用以衡量市场整体波动水平和风险环境[40]。 * **因子具体构建过程**：报告未给出具体的计算公式，但指出该因子用于观察短期Alpha环境。因子值下降通常意味着Alpha环境恶化[2][40]。 3. **因子名称：抱团基金分离度**[7][84] * **因子构建思路**：通过计算抱团基金组合截面收益的标准差，来度量基金抱团的程度。标准差小表示抱团度高，表现趋同；标准差大表示抱团正在瓦解[84]。 * **因子具体构建过程**：报告未给出抱团基金组合的具体构建方法，但明确了分离度即为该组合截面收益的标准差[84]。 模型的回测效果 （注：报告未提供上述择时模型的历史回测绩效指标，如年化收益率、夏普比率、最大回撤等具体数值。） 因子的回测效果 （注：报告未提供上述因子的IC、IR、多空收益等历史测试指标的具体数值。报告主要展示了截至报告期末这些因子的状态和近期变化。）

量化模型与构建方式 **注：** 本报告为市场数据跟踪报告，未涉及具体的量化投资模型（如多因子选股模型、CTA模型等）或用于预测/选股的量化因子（如价值、动量、质量因子等）。报告主要展示了对市场宽基指数的各类统计指标和风险溢价、估值等分析指标的构建与计算。 1. **指标名称：风险溢价**[27] * **构建思路：** 以十年期国债即期收益率作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，用于衡量其相对投资价值和偏离情况[27]。 * **具体构建过程：** 风险溢价通常定义为指数收益率与无风险利率之差。报告中虽未给出明确公式，但根据金融学常识，其计算逻辑可表示为： $$风险溢价 = 指数预期收益率（或股息率、市盈率倒数等收益率代理变量） - 无风险利率$$ 报告中具体使用了指数的股息率或市盈率倒数（股债性价比）与十年期国债收益率进行比较[27][46]。表格中展示了当前风险溢价数值及其相对于历史均值和标准差的偏离程度[31]。 2. **指标名称：股债性价比**[46] * **构建思路：** 以各指数市盈率（PE-TTM）的倒数作为股票预期收益率的代理变量，减去十年期国债即期收益率，用以衡量股票资产相对于债券资产的吸引力[46]。 * **具体构建过程：** $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 报告通过计算该值的历史分位（如80%分位为机会值，20%分位为危险值）来判断当前市场位置[46]。 3. **指标名称：指数换手率**[18] * **构建思路：** 衡量宽基指数整体交易的活跃程度[17]。 * **具体构建过程：** 报告给出了具体的计算方法： $$指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$$ 即以成分股的流通股本为权重，对个股换手率进行加权平均[18]。 4. **指标名称：破净率**[54] * **构建思路：** 计算市净率（PB）小于1的个股数量占指数成分股总数的比例，反映市场整体估值低迷的程度[54][56]。 * **具体构建过程：** 报告未给出详细公式，但定义明确： $$破净率 = \frac{指数内市净率（PB）< 1的个股数量}{指数成分股总数量} \times 100\%$$ 破净意味着股票价格跌破每股净资产，该比率越高表明市场低估情况越普遍[54][56]。 5. **指标名称：收益分布形态指标（峰度、偏度）**[24] * **构建思路：** 通过计算指数日收益率序列的峰度和偏度，分析收益率分布的集中程度和对称性，以判断市场极端风险情况[24]。 * **具体构建过程：** 报告未给出具体计算公式，但引用了计算结果。在金融统计中： * **峰度**：衡量收益率分布尾部厚度的指标。报告中的计算减去了3（正态分布峰度），因此“峰度负偏离”表示当前分布比正态分布更平坦[25]。 * **偏度**：衡量收益率分布不对称性的指标。正偏态表示右尾更长，出现极端正收益的可能性更大；负偏态则相反[24]。 模型的回测效果 **注：** 本报告未涉及需要回测的量化模型。 量化因子与构建方式 **注：** 本报告未涉及用于选股或预测的量化因子。 指标的计算结果与统计 1. **风险溢价指标** (数据日期：2026年3月2日)[31] * **上证50**：当前风险溢价0.22%，近5年分位值62.14%，近1年波动率0.83%[31] * **沪深300**：当前风险溢价0.38%，近5年分位值67.78%，近1年波动率0.94%[31] * **中证500**：当前风险溢价-0.01%，近5年分位值48.10%，近1年波动率1.29%[31] * **中证1000**：当前风险溢价-0.99%，近5年分位值20.56%，近1年波动率1.36%[31] * **中证2000**：当前风险溢价-1.68%，近5年分位值11.51%，近1年波动率1.50%[31] * **中证全指**：当前风险溢价-0.36%，近5年分位值33.57%，近1年波动率1.10%[31] * **创业板指**：当前风险溢价-0.50%，近5年分位值37.46%，近1年波动率1.79%[31] 2. **PE-TTM估值指标** (数据日期：2026年3月2日)[43] * **上证50**：当前值11.62，近5年分位值82.89%，近1年波动率0.47[43] * **沪深300**：当前值14.29，近5年分位值90.83%，近1年波动率0.77[43] * **中证500**：当前值38.97，近5年分位值99.83%，近1年波动率3.24[43] * **中证1000**：当前值51.72，近5年分位值99.67%，近1年波动率4.68[43] * **中证2000**：当前值173.36，近5年分位值93.39%，近1年波动率24.65[43] * **中证全指**：当前值22.82，近5年分位值100.00%，近1年波动率1.61[43] * **创业板指**：当前值43.21，近5年分位值64.30%，近1年波动率5.40[43] 3. **股息率指标** (数据日期：2026年3月2日)[53] * **上证50**：当前值3.32%，近5年分位值35.95%，近1年波动率0.40%[53] * **沪深300**：当前值2.75%，近5年分位值36.53%，近1年波动率0.38%[53] * **中证500**：当前值1.22%，近5年分位值1.16%，近1年波动率0.20%[53] * **中证1000**：当前值0.97%，近5年分位值21.32%，近1年波动率0.15%[53] * **中证2000**：当前值0.69%，近5年分位值0.58%，近1年波动率0.11%[53] * **中证全指**：当前值1.92%，近5年分位值24.71%，近1年波动率0.30%[53] * **创业板指**：当前值0.87%，近5年分位值55.79%，近1年波动率0.18%[53] 4. **破净率指标** (数据日期：报告发布时)[57] * **上证50**：20.0%[57] * **沪深300**：15.67%[57] * **中证500**：9.4%[57] * **中证1000**：6.3%[57] * **中证2000**：2.65%[57] * **中证全指**：5.26%[57] 5. **市场表现与分布指标** (数据日期：2026年3月2日) * **当日涨跌幅**：上证50(0.23%)，沪深300(0.38%)，中证500(-0.001%)，中证1000(-0.98%)，中证2000(-1.67%)，中证全指(-0.36%)，创业板指(-0.49%)[11] * **换手率**：中证2000(4.82)，中证1000(3.81)，创业板指(3.52)，中证500(3.03)，中证全指(2.5)，沪深300(1.06)，上证50(0.5)[17] * **收益分布形态**：创业板指的峰度负偏离最大，中证500的峰度负偏离最小；创业板指的负偏态最大，中证500的负偏态最小[24]

量化模型与构建方式 1. **模型名称：港股通成分股调入/调出预测模型**[3] * **模型构建思路**：基于港股通成分股纳入及调出的官方编制规则，构建一个规则驱动的预测模型，以预测每半年定期调整中可能被调入或调出的股票名单[3]。 * **模型具体构建过程**：模型的核心是逐一检查股票是否符合港股通调入或调出的硬性条件。具体构建过程为： * **确定考察空间**：首先确定所有在香港交易所主板上市的证券，但排除根据《上市规则》第二十一章上市的投资公司[11]。 * **应用恒生综合指数纳入标准**：对于候选股票，应用恒生综合指数的成分股选择标准进行筛选： * **市值要求**：按过去12个月日均市值降序排列，累计市值覆盖率前95%的证券具备候选资格[12]。 * **成交额要求**：过去12个月中至少有10个月流通速度不低于0.05%，且最近6个月中至少有5个月流通速度不低于0.05%。不满足条件的月份可通过补充成交额测试（月成交额进入市场前90%）弥补[12]。 * **股权高度集中的公司不具备纳入资格**[12]。 * **应用港股通特定调入条件**：在满足恒生综合指数成分股资格的基础上，进一步应用港股通的特定调入条件[9]： 1. 恒生综合大型股指数成份股。 2. 恒生综合中型股指数成份股。 3. 恒生综合小型股指数成份股，且满足市值要求：在考察日前12个月内，港股平均月末市值不低于50亿港元（上市不足12个月的按实际上市时间计算）。 4. A+H股上市公司的H股。 5. 具有不同投票权架构的非A+H股公司，需同时满足上市时间、日均市值和总成交额的额外要求[9]。 * **应用港股通调出条件**：对于现有成分股，判断其是否触发调出条件[10]： 1. 不再满足上述调入条件。 2. 属于恒生综合小型股指数成份股且非A+H股，在考察日前12个月内平均月末市值低于40亿港元（上市不足12个月的按实际上市时间计算）。 3. 属于A+H股公司，但其A股被风险警示或进入退市整理期。 * **考虑调整机制**：在应用上述规则时，还需考虑恒生综合指数的**市值缓冲区**规则：现有成分股若累计市值覆盖率排名低于前96%，将被剔除；非成分股若排名进入前94%，则可纳入[15]。此外，还需处理**停牌**（如停牌满3个月可能被剔除）和**快速准入资格**（新上市大型/中型股或市值排名前10%的新股可能快速加入）等特殊情况[16][17]。 * **模型评价**：该模型是一个基于明确规则的预测模型，其效果高度依赖于规则本身的稳定性和数据的准确性。报告指出，随着规则清晰和数据质量提升，预测效果呈现向好趋势[41]。 模型的回测效果 1. **港股通成分股调入/调出预测模型**，在**2025年6月30日**调整期，**调入**预测的精确率为0.83，召回率为1.00，F1值为0.91；**调出**预测的精确率为0.92，召回率为0.60，F1值为0.73[43]。 2. **港股通成分股调入/调出预测模型**，在**2024年12月31日**调整期，**调入**预测的精确率为0.67，召回率为0.74，F1值为0.70；**调出**预测的精确率为0.84，召回率为0.93，F1值为0.88[43]。 3. **港股通成分股调入/调出预测模型**，在**2024年6月30日**调整期，**调入**预测的精确率为0.84，召回率为0.97，F1值为0.90；**调出**预测的精确率为0.88，召回率为0.88，F1值为0.88[43]。 量化因子与构建方式 1. **因子名称：港股通调入事件因子** * **因子构建思路**：捕捉股票被宣布纳入港股通成分股后，在公告日至生效日期间可能产生的短期正向价格效应[3][18]。 * **因子具体构建过程**：该因子是一个事件驱动型因子。对于每一期港股通定期调整，在官方公布调入名单后，将名单中的股票标记为事件标的。因子取值即为这些股票在特定事件窗口期内的累计超额收益率。报告主要分析了多个窗口期，例如： * **考察日至生效日**：代表市场长期预期积累与提前布局的窗口[19]。 * **公告日至生效日**：揭示消息落地后市场的短期情绪反应与被动资金集中调仓行为的窗口[19][22]。 * **生效日前/后N日**：体现预期发酵或资金驱动持续性的短期窗口[19]。 * **因子评价**：调入效应整体能带来正收益，但呈现出低胜率、高波动的特征，其收益积累并非均匀分布，公告发布前后的市场反应存在明显的阶段性分化，且效应在生效日后可能减弱，属于间歇性较强的短期交易性机会[22][23][31][40]。 2. **因子名称：港股通调出事件因子** * **因子构建思路**：捕捉股票被宣布调出港股通成分股后，在公告日至生效日期间可能产生的短期负向价格效应[3][18]。 * **因子具体构建过程**：与调入事件因子构建方式对称。对于每一期港股通定期调整，在官方公布调出名单后，将名单中的股票标记为事件标的。因子取值为这些股票在特定事件窗口期内的累计超额收益率（通常为负值）。分析窗口期与调入因子相同[19]。 * **因子评价**：调出效应呈现出持续且稳定的负向特征，各窗口期的跌幅逐级加深，且胜率维持在较高水平。与调入效应相比，调出效应是更可靠的事件驱动信号，其高胜率为构建规避策略提供了坚实基础[26][27][32][39][40]。 因子的回测效果 **（注：以下为基于2016年下半年至2025年上半年共18期样本的历史统计分析平均结果）**[19] 1. **港股通调入事件因子**，在**考察日至生效日**窗口，平均累计超额收益率为**5.45%**（原文整体平均值）/**4.38%**（平均超额收益率图数据），胜率为**54.2%**[3][28][31]。 2. **港股通调入事件因子**，在**公告日至生效日**窗口，平均累计超额收益率为**3.38%**/**3.39%**，胜率为**56.4%**[22][28][31]。 3. **港股通调入事件因子**，在**生效日前10日**窗口，平均累计超额收益率为**2.09%**[28]。 4. **港股通调入事件因子**，在**生效日前5日**窗口，平均累计超额收益率为**1.54%**[28]。 5. **港股通调入事件因子**，在**生效日后5日**窗口，平均累计超额收益率为**2.42%**[28]。 6. **港股通调入事件因子**，在**生效日后10日**窗口，平均累计超额收益率为**1.69%**[28]。 7. **港股通调出事件因子**，在**考察日至生效日**窗口，平均累计超额收益率为**-9.58%**（原文整体平均值）/**-9.73%**（平均超额收益率图数据），胜率为**70.7%**[3][28][40]。 8. **港股通调出事件因子**，在**公告日至生效日**窗口，平均累计超额收益率为**-7.73%**[27][28]。 9. **港股通调出事件因子**，在**生效日前10日**窗口，平均累计超额收益率为**-2.18%**[26][28]。 10. **港股通调出事件因子**，在**生效日前5日**窗口，平均累计超额收益率为**-0.89%**[26][28]。 11. **港股通调出事件因子**，在**生效日后5日**窗口，平均累计超额收益率为**-2.39%**[28]。 12. **港股通调出事件因子**，在**生效日后10日**窗口，平均累计超额收益率为**-4.54%**[28]。

量化模型与构建方式 1. **模型名称：风险平价多资产配置模型**[14] * **模型构建思路：** 通过纳入股票、债券和黄金等多类资产，并采用风险平价（Risk Parity）的配置思路，旨在构建一个能够分散风险、优化风险收益比（夏普比率）的多资产组合。[14] * **模型具体构建过程：** 报告以中证多资产风险平价指数（中证 MARP）作为该模型的代表。风险平价模型的核心是分配资产权重，使得各资产对组合整体风险的贡献度相等。具体构建过程通常涉及以下步骤（报告未给出详细公式，以下为通用风险平价模型构建思路）： 1. 确定资产池：例如，股票（以中证A500指数代表）、债券（以万得中长期纯债型基金指数代表）、黄金等。[14] 2. 计算各资产的波动率（风险）及资产间的协方差矩阵。 3. 求解优化问题，找到一组资产权重，使得每个资产的风险贡献（Risk Contribution）相等。风险贡献定义为资产权重与其边际风险贡献的乘积。优化目标可表示为最小化各资产风险贡献的方差。 4. 定期（如每月或每季度）根据最新的波动率和协方差数据，重新调整资产权重。 * **模型评价：** 根据历史回测，该模型构建的多资产组合（中证MARP指数）在过去实现了收益率提升，波动性降低，风险收益比（夏普比率）得到了优化。[14] 模型的回测效果 1. **风险平价多资产配置模型（以中证MARP指数为代表）**，历史回测显示其实现了**收益率提升**，**波动性降低**，**夏普比率得到优化**。[14] 量化因子与构建方式 （本报告为基金市场周报，主要内容为市场数据回顾与基金产品表现统计，未涉及具体的量化因子构建与分析。） 因子的回测效果 （本报告为基金市场周报，主要内容为市场数据回顾与基金产品表现统计，未涉及具体的量化因子测试结果。）

量化模型与构建方式 1. 模型名称：ETF资金净流入计算模型；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，并汇总得到特定时间段（如周度）的资金净流入情况[11]；模型具体构建过程：首先，获取ETF每日的份额数据（S_t）和前一日净值（NAV_{t-1}），计算每日份额较前一日增加额（ΔS_t = S_t - S_{t-1}）。然后，计算每日净申购/赎回额（Flow_t），公式为 $$Flow_t = \Delta S_t \times NAV_{t-1}$$。对于发生份额拆分的ETF，需要对数据进行相应处理以确保计算准确。最后，将目标时间段内（如上周）所有ETF的每日净申购/赎回额进行加总，得到该时间段的总资金净流入[11]。 量化因子与构建方式 1. 因子名称：ETF超额收益率因子；因子构建思路：通过比较ETF或指数增强基金的实际收益率与其业绩比较基准的收益率，计算其超额收益表现[25][39]；因子具体构建过程：首先，获取ETF或指数增强基金在特定时期（如上周、今年以来、近1年）的实际收益率（R_fund）。同时，获取其对应的业绩比较基准在同一时期内的收益率（R_benchmark）。然后，计算超额收益率（Excess Return），公式为 $$Excess\ Return = R_{fund} - R_{benchmark}$$。该因子直接衡量了基金相对于其跟踪基准的超额收益能力[25][39]。 模型的回测效果 1. ETF资金净流入计算模型，上周（2026.02.24-2026.02.27）全市场已上市非货币ETF资金净流入合计为-248.31亿元[2][11]。其中，跨境ETF资金净流入162.45亿元，商品型ETF资金净流入34.43亿元，债券型ETF资金净流出85.82亿元，股票型ETF资金净流出359.37亿元[2][11]。在股票型ETF中，宽基ETF资金净流入-302.64亿元，主题行业ETF资金净流入-34.11亿元[11]。 因子的回测效果 1. ETF超额收益率因子，在增强策略ETF中，截至2026年2月27日，近1年以来成立满1年的33只增强策略ETF中有28只取得正超额[25]。其中，工银中证1000增强策略ETF(561280.OF)近1年超额收益率为23.32%，表现最佳[25]。天弘中证1000增强策略ETF(159685.OF)近1年超额收益率为20.08%[26]。海富通中证2000增强策略ETF(159553.OF)近1年超额收益率为20.15%[26]。 2. ETF超额收益率因子，在主动权益及增强指数型基金中，上周（2026.02.24-2026.02.27）表现如下[39]：浙商沪深300指数增强A(166802.OF)相对基准超额收益率为2.29%；中邮中证500指数增强A(590007.OF)相对基准超额收益率为1.51%；浙商中证1000指数增强A(018233.OF)相对基准超额收益率为1.04%；天弘国证2000指数增强A(017547.OF)相对基准超额收益率为1.09%。 3. ETF超额收益率因子，在主动权益及增强指数型基金中，截至2026年2月28日，近1年以来表现如下[40]：沪深300增强指数型基金中，富荣沪深300增强A(004788.OF)超额收益率为19.49%；中证500增强指数型基金中，长城中证500指数增强A(006048.OF)超额收益率为16.67%；中证1000增强指数型基金中，汇添富中证1000指数增强A(017953.OF)超额收益率为26.83%；国证2000增强指数型基金中，汇添富国证2000指数增强A(019318.OF)超额收益率为28.59%。

量化因子与构建方式 1. **因子名称**：不确定性动量增强因子 (Mom_U_Enhanced) [7] * **构建思路**：基于行为金融学理论，在业绩不确定性较高的板块（如AI、商业航天），投资者因缺乏足够信息，更倾向于依赖惯性，选择过去表现较好的股票，从而产生动量效应[38]。该因子旨在捕捉这种不确定性环境下的增强动量效应[7]。 * **具体构建过程**： 1. 构建股票不确定性代理指标U：使用近20日换手率与分钟频成交量的时序标准差进行等权合成[39]。 2. 计算不确定性分位数：将每只股票的U值在截面全市场中进行分位数排序，得到其相对不确定性大小[39]。 3. 计算因子值：将该不确定性分位数与股票近20日收益率相乘，得到最终的因子值[39]。逻辑上，不确定性越大，动量效应应越强，因此因子方向为正向[39]。 2. **因子名称**：凸显性因子 [7] * **构建思路**：在板块快速上涨行情中，那些过去一段时间涨幅显著异于市场的股票会吸引更多投资者注意力，并使其对未来收益赋予更高权重，从而更受追捧[52]。该因子旨在捕捉这种由注意力不均衡带来的选股效应[7]。 * **具体构建过程**： 1. 定义日度凸显性：使用个股日收益率与市场收益率的差异来定义每日的凸显性。也可用换手率、日内分钟频收益率的标准差等指标替代日收益率[52]。 2. 计算凸显性权重：对过去一个月每只股票的凸显性值S进行排序，得到其秩$$Rank(S)$$，然后进行归一化处理，得到每天的凸显性权重[52]。 3. 计算因子值：计算过去20日凸显性权重与对应股票收益率的加权和，作为最终的凸显性因子值[52]。 3. **因子名称**：高频波动补偿因子 [7] * **构建思路**：基于Moreira和Muir (2017)的理论，当股票的风险价格（夏普比）与波动率不同步（协方差为负）时，意味着投资者未获得足够的风险补偿[75]。该因子旨在识别那些在波动率上升时，收益波动比能同步提升的股票，这些股票应具有超额收益[7][75]。 * **具体构建过程**： 1. 计算日内协方差：对于每只股票，计算其日内分钟收益率近30分钟的收益波动比（夏普比），同时计算近30分钟的波动率。进一步计算两者在全天时间序列上的协方差$$Cov(SharpeRatio_{30min}, Volatility_{30min})$$。该协方差反映了波动率上升时期是否获得了足够的风险补偿[75]。 2. 计算因子值：计算每只股票过去20天该协方差值的标准差，作为最终的高频波动补偿因子值[75]。 4. **因子名称**：合成因子 [102] * **构建思路**：将上述三个相关性在30%至60%之间的单因子进行合成，以提升因子效果和稳定性[100][112]。 * **具体构建过程**：将不确定性动量增强因子、凸显性因子和高频波动补偿因子分别标准化后，进行等权合成，得到合成因子[102]。 因子的回测效果 （注：以下测试均在特定热门板块的独立上涨行情区间内进行，采用周度调仓，交易价格为每周初的VWAP，五分组，暂不考虑扣费[40]。指标取值均来自报告正文对各个板块的测试结果。） 1. **不确定性动量增强因子** * **万得光通信指数 (2025/6/4 - 2025/9/22)**：IC均值 4.78%[45]，IC胜率 62.50%[45]，多头超额收益 52.77%[45]，多头超额最大回撤 -5.26%[45] * **万得卫星指数 (2025/11/19 - 2026/1/12)**：IC均值 13.13%[47]，ICIR 0.64[47]，多头超额收益 9.47%[47]，多头超额最大回撤 -5.46%[47] 2. **凸显性因子** * **万得光通信指数 (2025/6/4 - 2025/9/22)**：IC均值 12.65%[52]，IC胜率 68.75%[52]，多头超额收益 60.18%[52]，多头超额最大回撤 -5.45%[52] * **万得卫星指数 (2025/11/19 - 2026/1/12)**：IC均值 12.20%[67]，IC胜率 75%[67]，ICIR 0.67[67]，多头超额收益 17.64%[67]，多头超额最大回撤 -3.53%[67] * **万得算力主题指数 (2025/5/31 - 2025/10/27)**：IC均值 3.52%[69]，IC胜率 61.90%[69]，多头超额收益 33.40%[69]，多头超额最大回撤 -4.10%[69] 3. **高频波动补偿因子** * **万得光通信指数 (2025/6/4 - 2025/9/22)**：IC均值 7.16%[81]，IC胜率 62.50%[81]，多头超额收益 26.51%[81]，多头超额最大回撤 -8.00%[81] * **万得动力电池指数 (2025/8/28 - 2025/11/17)**：IC均值 4.08%[82]，多头超额收益 11.45%[82]，多头超额最大回撤 -7.11%[82] * **万得卫星指数 (2025/11/19 - 2026/1/12)**：IC均值 12.16%[86]，IC胜率 87.50%[86]，多头超额收益 27.71%[86]，多头超额最大回撤 -2.67%[86] 4. **合成因子** * **万得光通信指数 (2025/6/4 - 2025/9/22)**：IC均值 9.82%[102]，多头超额收益 43.22%[102]，多头超额最大回撤 -5.44%[102] * **万得卫星指数 (2025/11/19 - 2026/1/12)**：IC均值 13.66%[105]，IC胜率 87.50%[105]，多头超额收益 24.38%[105]，多头超额最大回撤 -2.82%[105]