量化模型与因子总结 量化模型与构建方式 1. **模型/因子名称**：封板率[19] **模型/因子构建思路**：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数量的比值，来衡量市场涨停板的封板质量，反映市场追涨情绪和资金封板意愿的强弱[19]。 **模型/因子具体构建过程**： 1. 筛选上市满3个月以上的股票[19]。 2. 统计当日最高价达到涨停价的股票数量（记为A）[19]。 3. 统计当日最高价达到涨停价且收盘价也达到涨停价的股票数量（记为B）[19]。 4. 计算封板率：$$封板率 = \frac{B}{A}$$[19]。 **模型/因子评价**：该指标是衡量短期市场情绪和资金博弈强度的有效工具，封板率越高，表明涨停板越稳固，市场追涨热情越高[19]。 2. **模型/因子名称**：连板率[19] **模型/因子构建思路**：通过计算连续两日收盘涨停的股票数量与前一交易日收盘涨停股票数量的比值，来衡量市场涨停板的持续性，反映市场热点和赚钱效应的延续性[19]。 **模型/因子具体构建过程**： 1. 筛选上市满3个月以上的股票[19]。 2. 统计前一交易日（T-1日）收盘涨停的股票数量（记为C）[19]。 3. 统计在T-1日和当日（T日）均收盘涨停的股票数量（记为D）[19]。 4. 计算连板率：$$连板率 = \frac{D}{C}$$[19]。 **模型/因子评价**：该指标是观察市场短线情绪周期和题材炒作持续性的重要指标，连板率高表明市场接力氛围好，强势股具有持续性[19]。 3. **模型/因子名称**：大宗交易折价率[28] **模型/因子构建思路**：通过比较大宗交易成交金额与按当日市价计算的交易份额总市值，计算折价率，以反映大资金通过大宗交易平台减持或调仓时的成本与市场情绪的差异[28]。 **模型/因子具体构建过程**： 1. 获取当日所有大宗交易的成交数据，包括每笔交易的成交价格和成交数量[28]。 2. 计算每笔大宗交易的成交金额（成交价×成交数量），并求和得到当日大宗交易总成交金额（记为E）[28]。 3. 对于每笔交易，以其成交数量乘以该证券当日的收盘价（或成交日的市价），计算出按市价计算的市值，并求和得到总市值（记为F）[28]。 4. 计算折价率：$$折价率 = \frac{E}{F} - 1$$[28]。结果为负表示折价成交，绝对值越大折价幅度越大。 **模型/因子评价**：该指标常用于观察产业资本、大股东或机构投资者的行为，较高的折价率可能意味着大资金有较强的减持意愿或对后市看法相对谨慎[28]。 4. **模型/因子名称**：股指期货年化贴水率[30] **模型/因子构建思路**：计算股指期货主力合约价格与现货指数价格之间的基差，并将其年化，以标准化衡量市场对未来指数的预期、对冲成本以及市场情绪（如悲观或乐观）[30]。 **模型/因子具体构建过程**： 1. 选定标的指数（如沪深300）及其对应的股指期货主力合约[30]。 2. 计算基差：基差 = 期货价格 - 现货指数价格[30]。 3. 获取该主力合约的剩余交易日数（记为T）[30]。 4. 计算年化贴水率：$$年化贴水率 = \frac{基差}{现货指数价格} \times \frac{250}{T}$$[30]。结果为负表示期货贴水（市场预期偏空或对冲需求强），为正表示升水（市场预期偏多）。 **模型/因子评价**：该指标是量化对冲策略中评估对冲成本的核心，也是观察市场整体情绪和期现套利机会的重要风向标[30]。 模型/因子的回测效果 1. **封板率因子**，2026年3月25日当日取值为80%[19]，较前日提升5个百分点[19]。 2. **连板率因子**，2026年3月25日当日取值为29%[19]，较前日下降3个百分点[19]。 3. **大宗交易折价率因子**，2026年3月24日当日取值为7.80%[28]，近半年（截至2026年3月24日）平均取值为7.06%[28]。 4. **股指期货年化贴水率因子**（截至2026年3月25日）： * **上证50股指期货**：当日取值为4.45%[30]，近一年中位数取值为0.89%[30]。 * **沪深300股指期货**：当日取值为8.31%[30]，近一年中位数取值为4.34%[30]。 * **中证500股指期货**：当日取值为13.19%[30]，近一年中位数取值为10.99%[30]。 * **中证1000股指期货**：当日取值为15.22%[30]，近一年中位数取值为13.21%[30]。

量化模型与因子总结 量化因子与构建方式 1. **因子名称：融资买入额占成交额比例**[34][35] * **因子构建思路**：衡量融资买入行为在股票或行业整体交易中的活跃度与重要性，反映杠杆资金对特定标的的关注和参与程度[34]。 * **因子具体构建过程**：对于特定股票或行业，计算其在一段时间内（如一周）的融资买入总额与同期总成交金额的比值，通常以百分比表示。 * 公式：$$融资买入额占成交额比例 = \frac{融资买入额}{成交额} \times 100\%$$ * 其中，融资买入额为指定期间内投资者通过融资方式买入某标的的累计金额，成交额为同期该标的的总成交金额[35]。 2. **因子名称：融资余额占流通市值比例**[34][35] * **因子构建思路**：衡量融资负债规模相对于标的可交易市值的大小，反映杠杆资金在标的中的存量占比和潜在风险敞口[34]。 * **因子具体构建过程**：在特定时点（如周末），计算某标的的融资余额与其流通市值的比值，通常以百分比表示。 * 公式：$$融资余额占流通市值比例 = \frac{融资余额}{流通市值} \times 100\%$$ * 其中，融资余额为在计算时点投资者尚未偿还的融资负债总额，流通市值为该标的在计算时点的流通股市值[35]。 3. **因子名称：融券卖出额占成交额比例**[39][40] * **因子构建思路**：衡量融券卖出行为在股票或行业整体交易中的活跃度，反映看空资金对特定标的的参与程度[39]。 * **因子具体构建过程**：对于特定股票或行业，计算其在一段时间内（如一周）的融券卖出总额与同期总成交金额的比值，通常以百分比表示。 * 公式：$$融券卖出额占成交额比例 = \frac{融券卖出额}{成交额} \times 100\%$$ * 其中，融券卖出额为指定期间内投资者通过融券方式卖出某标的的累计金额，成交额为同期该标的的总成交金额[40]。 4. **因子名称：融券余额占流通市值比例**[39][40] * **因子构建思路**：衡量融券负债规模相对于标的可交易市值的大小，反映看空头寸在标的中的存量占比[39]。 * **因子具体构建过程**：在特定时点（如周末），计算某标的的融券余额与其流通市值的比值，通常以百分比表示。 * 公式：$$融券余额占流通市值比例 = \frac{融券余额}{流通市值} \times 100\%$$ * 其中，融券余额为在计算时点投资者尚未偿还的融券负债总额（即已借入卖出但尚未买回归还的证券市值），流通市值为该标的在计算时点的流通股市值[40]。 5. **因子名称：融资净买入额**[30][32] * **因子构建思路**：衡量特定期间内融资资金的净流入或净流出方向及规模，是观察杠杆资金动向的核心指标[30]。 * **因子具体构建过程**：计算特定期间内（如一周）融资买入额与融资偿还额的差值。 * 公式：$$融资净买入额 = 融资买入额 - 融资偿还额$$ * 结果为正值表示融资资金净流入，负值表示净流出[32]。 6. **因子名称：融券净卖出额**[33][37] * **因子构建思路**：衡量特定期间内融券资金的净卖出或净偿还方向及规模，是观察看空资金动向的核心指标[33]。 * **因子具体构建过程**：计算特定期间内（如一周）融券卖出额与融券偿还额（买券还券）的差值。 * 公式：$$融券净卖出额 = 融券卖出额 - 融券偿还额$$ * 结果为正值表示融券净卖出增加（看空情绪增强），负值表示净偿还（看空情绪减弱）[37]。 因子的回测效果 > **注**：本报告为市场数据跟踪周报，主要展示各因子在特定报告期（2026年3月18日-3月24日）的截面数据，未提供基于历史数据的长期回测绩效指标（如IC、IR、多空收益等）。以下为报告期内各因子的具体取值示例。 1. **融资买入额占成交额比例因子**，在行业层面，非银金融行业取值10.69%，通信行业取值10.22%，电子行业取值9.44%，纺织服饰行业取值3.39%[35]；在个股层面，吉贝尔（688566）取值39.36%，振德医疗（603301）取值30.89%[50]。 2. **融资余额占流通市值比例因子**，在行业层面，计算机行业取值4.49%，传媒行业取值3.60%，国防军工行业取值3.50%，石油石化行业取值0.68%[35]。 3. **融券卖出额占成交额比例因子**，在行业层面，银行行业取值0.09%，食品饮料行业取值0.08%，煤炭行业取值0.07%，轻工制造行业取值0.01%[40]。 4. **融券余额占流通市值比例因子**，在行业层面，传媒行业取值0.02%，家用电器行业取值0.02%，美容护理行业取值0.02%，银行行业取值0.00%[40]。 5. **融资净买入额因子**，在行业层面，交通运输行业净买入额较多，有色金属、电子行业净买入额较少[30]；在个股层面，中际旭创（300308）净买入164，633.63万元，新易盛（300502）净买入68，409.04万元[50]。 6. **融券净卖出额因子**，在行业层面，电子、电力设备行业净卖出额较多，食品饮料、非银金融行业净卖出额较少[33]；在个股层面，中际旭创（300308）净卖出1，989.94万元，新易盛（300502）净卖出1，864.93万元[53]。

量化模型与构建方式 1. **模型名称**：多空动能择时模型[2][3][6][7] **模型构建思路**：通过计算特定指标的原始信号值，并对其取移动平均进行平滑处理，根据信号值所处的阈值区间来判断市场观点（看多、调整、震荡）[2][3][6][7]。 **模型具体构建过程**： * **步骤一：计算原始信号**。模型为每个标的（如30年国债、万得全A指数等）计算一个原始的百分比信号值。报告未披露具体计算该原始信号所依赖的底层因子或算法[3][6][7]。 * **步骤二：计算平滑信号**。对原始信号进行5日移动平均（MA5）计算，以平滑短期波动。公式为： $$MA5_t = \frac{1}{5} \sum_{i=0}^{4} Signal_{t-i}$$ 其中，$MA5_t$ 代表在交易日 $t$ 的5日移动平均值，$Signal_{t-i}$ 代表交易日 $t-i$ 的原始信号值[3][6][7]。 * **步骤三：生成交易观点**。根据平滑后的信号值（MA5）落入的预设阈值区间，生成“看多”、“调整”或“震荡”的市场观点。报告未明确给出具体的阈值划分标准，但通过结果可以推断存在相应的阈值规则[2][3][6][7]。 模型的回测效果 （注：报告未提供模型在历史回测周期内的综合绩效指标（如年化收益率、夏普比率、最大回撤等）。仅提供了截至报告日，模型对各个标的的最新信号状态、观点及持续时间[3][6][7]。） 1. **多空动能择时模型** 对 **30年国债** 的观点为【调整】，原始信号70.14%，MA5信号71.98%，信号已持续9个交易日[3][6]。 2. **多空动能择时模型** 对 **3年AAA中短票** 的观点为【调整】，原始信号70.96%，MA5信号66.60%，信号已持续1个交易日[3][6]。 3. **多空动能择时模型** 对 **10年国债** 的观点为【调整】，原始信号73.47%，MA5信号74.61%，信号已持续6个交易日[3][6]。 4. **多空动能择时模型** 对 **2年国债** 的观点为【看多】，原始信号9.72%，MA5信号9.22%，信号已持续超过10个交易日[3][6]。 5. **多空动能择时模型** 对 **万得全A指数** 的观点为【震荡】，原始信号59.59%，MA5信号59.54%，信号已持续2个交易日[3][6]。 6. **多空动能择时模型** 对 **中证红利全收益指数** 的观点为【调整】，原始信号81.92%，MA5信号65.65%，信号已持续4个交易日[3][6]。 7. **多空动能择时模型** 对 **恒生科技指数** 的观点为【调整】，原始信号63.27%，MA5信号81.32%，信号已持续5个交易日[3][6]。 8. **多空动能择时模型** 对 **科创50指数** 的观点为【调整】，原始信号72.19%，MA5信号75.71%，信号已持续超过10个交易日[3][6]。 9. **多空动能择时模型** 对 **万得微盘指数** 的观点为【震荡】，原始信号61.34%，MA5信号56.44%，信号已持续3个交易日[3][6]。 10. **多空动能择时模型** 对 **国证2000指数** 的观点为【调整】，原始信号71.45%，MA5信号74.01%，信号已持续8个交易日[3][6]。 11. **多空动能择时模型** 对 **COMEX黄金** 的观点为【调整】，原始信号39.60%，MA5信号60.13%，信号已持续2个交易日[3][7]。 12. **多空动能择时模型** 对 **IPE布油** 的观点为【震荡】，原始信号66.41%，MA5信号43.68%，信号已持续7个交易日[3][7]。

量化模型与构建方式 1. **模型/因子名称：RSI相对强弱指标**[2] * **构建思路：** 通过计算一定周期内平均涨幅与平均跌幅的比值，来衡量市场或资产价格的超买或超卖状态。[2] * **具体构建过程：** 1. 计算一定周期（N天，报告中为12天）内每日的涨跌幅。 2. 分别计算该周期内所有上涨日涨幅的平均值（Avg Gain）和所有下跌日跌幅的绝对值平均值（Avg Loss）。 3. 计算相对强度（RS）为 Avg Gain / Avg Loss。 4. 将RS代入公式计算RSI值：$$RSI = 100 – 100 / (1 + RS)$$[2] * **模型/因子评价：** 该指标用于判断市场状态，RSI>70通常被视为超买，RSI<30则被视为超卖，为交易提供参考信号。[2] 2. **模型/因子名称：净申购金额（NETBUY）**[2] * **构建思路：** 通过比较ETF当日净值与考虑净值增长率后的前一日净值，估算当日的资金净流入（申购）金额。[2] * **具体构建过程：** 1. 获取当日（T日）的ETF单位净值（NAV(T)）和前一日（T-1日）的单位净值（NAV(T-1)）。 2. 获取T日ETF的净值增长率（R(T)）。 3. 将上述数据代入公式计算：$$NETBUY(T) = NAV(T)–NAV(T-1)*（1+R（T））$$[2] 其中，NETBUY(T)为T日的净申购金额估算值。 模型的回测效果 （报告中未提供量化模型的回测结果数据） 量化因子与构建方式 （报告中涉及的因子构建方式已在“量化模型与构建方式”部分列出） 因子的回测效果 （报告中未提供量化因子的历史测试或回测结果数据，仅展示了特定日期的截面数据）

量化模型与构建方式 1. **模型名称**：指数与均线比较模型 * **模型构建思路**：通过计算指数收盘价与不同周期移动平均线（MA）的偏离度，以及相对于近期历史高点和低点的位置，来评估指数当前的技术趋势和调整状态[14] * **模型具体构建过程**： 1. 计算各宽基指数的收盘价。 2. 计算各指数的不同周期移动平均线（MA5， MA10， MA20， MA60， MA120， MA250）[15]。 3. 计算指数收盘价相对于各条均线的偏离百分比，公式为： $$偏离度 = \frac{收盘价 - 移动平均线}{移动平均线} \times 100\%$$ 例如，`vsMA5` 列即为收盘价相对于MA5的偏离度[15]。 4. 计算指数在近250个交易日内的最高价（近250日高）和最低价（近250日低）[15]。 5. 计算指数收盘价相对于近250日低位和高位的偏离百分比，公式同上[15]。 2. **模型名称**：日收益率分布形态分析模型 * **模型构建思路**：通过计算日收益率分布的峰度和偏度，并与历史数据对比，来刻画市场收益的分布特征和极端风险变化[19][23] * **模型具体构建过程**： 1. 获取各宽基指数的每日收益率序列。 2. 分别计算“当前”（报告日近一年）和“近5年”（报告日前推6年数据，剔除近一年）两个时间窗口内日收益率分布的峰度和偏度[21][25]。 3. 峰度计算中减去了3（正态分布的峰度值），因此报告中的峰度值为超额峰度[25]。 4. 计算当前值相对于近5年历史值的变化（当前vs.近5年），即当前值减去近5年值[25]。 5. 通过比较峰度和偏度的绝对值及变化，判断市场收益分布的集中程度和偏斜方向[23]。 3. **因子名称**：风险溢价因子 * **因子构建思路**：以十年期国债即期收益率作为无风险利率的参考，计算股票指数收益率与其之差，作为投资者承担市场风险所要求的额外回报，用于衡量市场的相对投资价值和风险补偿[27] * **因子具体构建过程**： 1. 获取各宽基指数的收益率（通常使用指数市盈率倒数或预期收益率，报告中未明确具体计算方式，但给出了当前风险溢价结果）[30]。 2. 获取十年期国债即期收益率作为无风险利率[27]。 3. 计算风险溢价：`风险溢价 = 指数收益率 - 十年期国债即期收益率`[27]。 4. 计算风险溢价在近1年和近5年历史数据中的分位值，以判断当前风险溢价在历史中所处的位置[30]。 5. 计算风险溢价在近1年窗口内的均值、波动率（标准差），以及当前值相对于均值±1倍、±2倍标准差的偏离程度[30]。 * **因子评价**：该因子有明显的均值复归现象，且不同指数的风险溢价波动率存在差异，例如中证1000和中证2000的波动率相对较大[28]。 4. **因子名称**：PE-TTM估值因子 * **因子构建思路**：使用滚动市盈率（PE-TTM）作为衡量市场估值的核心指标，通过观察其绝对水平、历史分位值以及相对于历史均值和标准差的偏离，来评估市场的估值状态和潜在风险[33] * **因子具体构建过程**： 1. 计算各宽基指数的PE-TTM（总市值 / 最近12个月净利润总和）[40]。 2. 计算当前PE-TTM在近1年、近5年以及全历史数据中的分位值[40]。 3. 计算PE-TTM在近1年窗口内的均值、波动率（标准差）[40]。 4. 计算当前PE-TTM相对于近1年均值±1倍、±2倍标准带的偏离百分比[40]。 5. **因子名称**：股债性价比因子 * **因子构建思路**：以PE-TTM的倒数（即盈利收益率）与十年期国债收益率的差值作为股债性价比，该值越高代表股票相对债券的吸引力越大，用于在大类资产间进行比价[40][42] * **因子具体构建过程**： 1. 计算各宽基指数的PE-TTM[40]。 2. 计算指数的盈利收益率：`盈利收益率 = 1 / PE-TTM`[40]。 3. 获取十年期国债即期收益率[40]。 4. 计算股债性价比：`股债性价比 = 盈利收益率 - 十年期国债即期收益率`[40][42]。 5. 计算该指标近5年数据的80分位值（机会值）和20分位值（危险值），用于判断当前股票资产相对于债券的吸引力水平[42][43]。 6. **因子名称**：股息率因子 * **因子构建思路**：股息率反映现金分红回报率，是红利投资风格的核心指标，在市场低迷或利率下行期，高股息资产因其稳定的现金流和较低的估值而具备防御性[45] * **因子具体构建过程**： 1. 计算各宽基指数的股息率（报告未给出具体计算公式，通常为成分股现金分红总额 / 指数总市值）[48]。 2. 计算当前股息率在近1年、近5年以及全历史数据中的分位值[48]。 3. 计算股息率在近1年窗口内的均值、波动率（标准差）[48]。 4. 计算当前股息率相对于近1年均值±1倍、±2倍标准带的偏离百分比[48]。 7. **因子名称**：破净率因子 * **因子构建思路**：破净率（市净率小于1的个股占比）反映市场整体的估值态度，高破净率通常意味着市场悲观和普遍低估，低破净率则可能反映市场乐观情绪[50] * **因子具体构建过程**： 1. 对于每个宽基指数，统计其成分股中市净率（PB）小于1的个股数量[50]。 2. 计算破净率：`破净率 = (破净个股数 / 指数总成分股数) \times 100%`[50]。 3. 跟踪该比率随时间的变化趋势，以观察市场估值情绪的变化[50][52]。 模型的回测效果 1. **指数与均线比较模型**：2026年3月23日，上证50指数收盘价（2,792.33）低于其MA250（2,876.47），表现为跌破250日线；沪深300与中证500指数收盘价同时低于其MA60和MA120，表明指数层面出现技术性调整[14][15]。 2. **日收益率分布形态分析模型**：2026年3月23日，创业板指的峰度负偏离最大（当前vs.近5年为-2.89），中证500的峰度负偏离最小（-1.62）；创业板指的负偏态最大（当前vs.近5年为-0.69），中证500的负偏态最小（-0.45），表明创业板指收益分布集中度下降且左偏（极端负收益）程度加深最为明显[23][25]。 因子的回测效果 1. **风险溢价因子**： * 当前值：上证50为-3.18%，沪深300为-3.27%，中证500为-4.12%，中证1000为-4.82%，中证2000为-5.40%，中证全指为-4.07%，创业板指为-3.49%[30]。 * 近5年分位值：创业板指（2.30%）和上证50（0.63%）较高，中证全指（0.32%）和中证1000（0.48%）较低[28][30]。 * 近1年波动率：中证2000最高（1.54%），上证50最低（0.85%）[30]。 2. **PE-TTM估值因子**： * 当前值：上证50为11.10，沪深300为13.62，中证500为33.70，中证1000为45.24，中证2000为151.26，中证全指为20.82，创业板指为40.30[40]。 * 近5年历史分位值：中证500（93.06%）和中证1000（89.17%）较高，上证50（72.15%）和创业板指（56.12%）较低[36][39][40]。 3. **股债性价比因子**：截至报告日，没有指数高于其近5年80%分位值（机会值），中证500低于其近5年20%分位值（危险值）[43]。 4. **股息率因子**： * 当前值：上证50为3.48%，沪深300为2.88%，中证500为1.41%，中证1000为1.10%，中证2000为0.79%，中证全指为2.09%，创业板指为0.90%[48]。 * 近5年历史分位值：创业板指（56.45%）和沪深300（44.63%）较高，中证500（17.77%）和中证2000（26.53%）较低[47][48]。 5. **破净率因子**：当前值，上证50为24.0%，沪深300为18.0%，中证500为11.2%，中证1000为8.8%，中证2000为4.2%，中证全指为6.96%[52]。

根据您提供的报告内容，这是一篇关于AI投研工具（OpenClaw）通信接入方式的技术对比报告，主要探讨了微信ClawBot和飞书两种接入渠道的配置、功能与适用场景。报告的核心是工具的功能性对比，**并未涉及任何量化投资模型或量化因子的构建、测试与评价**。 因此，报告中**没有**需要总结的量化模型或量化因子相关内容。报告的全部内容均围绕以下主题展开： * **微信ClawBot的概述、接入方法与功能特点**：作为个人轻量级消息通道，支持多模态推送但存在24小时交互时效、Markdown渲染不完整、不支持流式输出等限制[10][12][33][35][40][49][53]。 * **飞书的接入方法与功能特点**：支持群聊、流式输出、完整Markdown渲染、多Agent管理及深度文档集成，但配置过程相对复杂[22][26][44][45][52][53]。 * **两种方案的对比与选型建议**：微信ClawBot适合个人轻量使用，飞书适合团队深度协作与复杂任务，两者可互补配置[5][48][54][55]。

量化模型与构建方式 **注：** 该研报为市场跟踪报告，主要描述了ETF市场资金流动、交易情况以及各类基金的表现，并未涉及具体的量化模型或量化因子的构建过程、公式及评价。因此，本部分无相关内容。 量化因子与构建方式 **注：** 该研报为市场跟踪报告，主要描述了ETF市场资金流动、交易情况以及各类基金的表现，并未涉及具体的量化模型或量化因子的构建过程、公式及评价。因此，本部分无相关内容。 模型的回测效果 **注：** 该研报未涉及具体量化模型的回测效果。 因子的回测效果 **注：** 该研报未涉及具体量化因子的回测效果。

量化模型与构建方式 1. **模型/因子名称：封板率** [14] * **构建思路：** 衡量股票涨停后能否维持强势直至收盘，反映市场追涨情绪和封板资金的坚定程度[14] * **具体构建过程：** 统计上市满3个月以上的股票，计算当日最高价涨停且收盘也涨停的股票数量，除以当日最高价涨停的股票总数[14] * **公式：** $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ [14] 2. **模型/因子名称：连板率** [14] * **构建思路：** 衡量涨停股票的持续性，反映市场短线炒作的热度和赚钱效应的延续性[14] * **具体构建过程：** 统计上市满3个月以上的股票，计算连续两个交易日收盘均涨停的股票数量，除以前一交易日收盘涨停的股票总数[14] * **公式：** $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ [14] 3. **模型/因子名称：大宗交易折价率** [24] * **构建思路：** 通过大宗交易成交价与市价的差异，反映大资金的投资偏好和情绪，折价通常意味着卖方有较强的卖出意愿或买方有议价能力[24] * **具体构建过程：** 计算单日所有大宗交易的总成交金额，除以这些交易份额按当日市价计算的总市值，再减去1[24] * **公式：** $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ [24] 4. **模型/因子名称：股指期货年化贴水率** [26] * **构建思路：** 衡量股指期货价格相对于现货指数的折溢价程度，并年化处理以方便比较不同期限合约。贴水率受利率、分红、市场情绪等多因素影响，反映了市场对未来指数的预期和对冲成本[26] * **具体构建过程：** 首先计算基差（股指期货价格减去现货指数价格），然后除以现货指数价格，再乘以年化因子（250除以合约剩余交易日数）[26] * **公式：** $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ [26] 模型的回测效果 （报告未提供相关模型的长期回测绩效指标，如年化收益率、夏普比率、最大回撤等，故本部分省略。） 量化因子与构建方式 （报告中的“封板率”、“连板率”、“大宗交易折价率”、“股指期货年化贴水率”均属于市场情绪或资金面指标，通常可作为量化因子使用，其构建方式已在“量化模型与构建方式”部分详细说明，此处不再重复列出。） 因子的回测效果 （报告未提供相关因子的IC值、IR、多空收益、分组收益等量化回测结果，仅提供了特定日期的观测值或近期统计值，故本部分省略。） 其他量化指标观测值（20260323或指定日期） 1. **封板率因子**，当日取值 **67%** [14] 2. **连板率因子**，当日取值 **28%** [14] 3. **大宗交易折价率因子**，近半年平均值 **7.11%**，当日值 **6.00%** [24] 4. **股指期货年化贴水率因子** * **上证50股指期货**，近一年中位数 **0.89%**，当日值 **2.44%**（近一年分位点 **41%**）[26] * **沪深300股指期货**，近一年中位数 **4.30%**，当日值 **6.94%**（近一年分位点 **34%**）[26] * **中证500股指期货**，近一年中位数 **10.99%**，当日值 **11.52%**（近一年分位点 **46%**）[26] * **中证1000股指期货**，近一年中位数 **13.21%**，当日值 **12.32%**（近一年分位点 **58%**）[26]

量化模型与构建方式 1. **模型名称：MiroFish 群体智能预测引擎**[1][7] * **模型构建思路**：构建一个高保真平行数字世界，通过多智能体（Agent）在虚拟环境中的社会交互与演化，涌现出群体行为模式，从而对宏观与行业趋势进行推演和预测[4][7]。 * **模型具体构建过程**： 1. **输入与图谱构建**：用户上传“种子材料”（如新闻、政策、报告等）和模拟提示词[15]。系统利用LLM分析文档，自动提取实体类型（Entity Types）与关系类型（Edge Types），构建知识图谱，并为每个实体节点注入个体记忆与群体记忆，形成可演化的数字社会基础架构[16]。 2. **智能体生成**：将知识图谱中的Person节点转化为具备完整人格的Agent，Organization节点转化为拟人化实体[17]。每个Agent的配置包括：年龄、性别、MBTI、职业、国籍、活动频率、情感倾向、立场、影响力权重，以及基于“种子材料”生成的认知背景[17]。系统还会配置Agent自动生成OASIS仿真规则（如互动频率、话题敏感度等）[17]。 3. **双轨仿真推演**：系统启动模拟的X（原Twitter）与Reddit两个社交平台进行并行仿真[20]。Agent在这些平台上进行互动（如发表观点、回复、点赞等）[35][36]。通过`zep_graph_memory_updater.py`脚本，Agent的行为被实时转化为自然语言描述并回写至Zep Cloud的时序知识图谱中，实现关系动态更新（如信任度衰减、立场转变）[20]。 4. **报告生成**：采用ReACT（Reasoning & Acting）范式，主动调用工具集生成结构化报告[20]。工具集包括： * `insight_forge`：深度洞察提取[22] * `panorama_search`：跨平台全景检索[22] * `interview_agents`：智能体访谈（查询决策动机）[22] 报告整合双平台数据，识别舆论极化、级联传播等复杂网络特征，最终输出包含事件脉络、关键节点、风险预警、策略建议的结构化Markdown报告[20]。 * **模型评价**：该模型在知识图谱构建、Agent人格设计、端到端流程自动化及多元视角模拟方面表现突出[4][58]。其核心价值在于提供强叙事性与逻辑闭环的分析框架，适合用于政策影响推演、技术路线排查及假设情景测试等需要反复推敲的宏观研究领域[4][69]。但由于其封闭模拟环境极度依赖“种子文件”的准确性与完整性，容易放大假设偏误，且受限于Token成本难以实现大规模深度交互，因此更适合作为逻辑推演与查漏补缺的“沙盒”工具，而非高精度预测终端[4][42][69]。 2. **模型名称：基于MiroFish的基模型对比测评框架**[65][67] * **模型构建思路**：在MiroFish系统架构之上，更换不同的底层大语言模型（LLM）作为基模型，以测评不同基模型在金融任务推演中的效果差异[65]。 * **模型具体构建过程**： 1. 保持MiroFish的工作流程、种子材料和模拟提示词不变[65]。 2. 分别使用**Qwen 3.5-plus**和**Claude Opus 4.6**作为基模型，运行相同的四个金融任务场景（产业政策、资产预测、地缘推演、科技路径）[65]。 3. 记录并对比不同基模型下的各项基本指标（如总耗时、总动作数、报告长度、图谱节点与边数）[65][67]。 4. 使用独立的Claude Code对生成报告的质量进行多维度评估和打分[65][68]。 * **模型评价**：该测评框架揭示了不同基模型的特质：Claude Opus 4.6在因果推演、结构化分析、信息诚实度和语言一致性方面表现更优；而Qwen 3.5-plus在数据密度、结论具象化和投资可操作性方面更具优势[4][67][68]。这为根据具体任务需求（如重逻辑推演还是重落地执行）选择合适的基模型提供了依据。 模型的回测效果 1. **MiroFish 群体智能预测引擎** * **黄金走势预测案例核心结论**：模型预测2026年黄金价格将在一季度飙升后，以宽幅震荡代替深幅回调，在新的信用定价体系中寻找更高的历史中枢[36]。 * **与联网LLM对比评价（ChatGPT评分）**：在宏观深度（9.5分）、逻辑完整性（9分）上得分较高；在数据量化（6分）、可交易性（5分）、情景分析（6分）、风险控制（6分）、假设稳健性（5分）上得分较低；总分6.6/10[56]。 * **基础能力测评结果**：知识图谱构建能力较强，尤其擅长处理非结构化信息；Agent画像生成在角色多样性、人设深度、关系网络方面优秀，但在MBTI多样性上一般，年龄/性别多样性不足；预测一致性良好；输入敏感性合理；Agent采访与深度对话质量出色[58]。 * **金融任务测评结果**： * **产业政策场景**：耗时1926秒，生成14个Agent，92个交互行为，报告7240字符[60][61]。 * **资产预测场景**：耗时1586秒，生成Agent数量未明确，84个交互行为，报告7315字符[60][62]。 * **地缘推演场景**：耗时1825秒，生成Agent数量未明确，124个交互行为，报告8688字符[60][63]。 * **科技路径场景**：耗时3245秒，生成Agent数量未明确，164个交互行为，报告7549字符[60][64]。 2. **基于MiroFish的基模型对比测评框架** * **基本指标对比结果（Claude Opus 4.6 vs Qwen 3.5-plus）**： * **总耗时**：在所有四个场景中，Claude均显著快于Qwen[65][67]。 * **总动作数**：在产业政策、资产预测、地缘推演场景中Claude略多；在科技路径场景中Qwen更多[67]。 * **报告长度**：结果不一，在资产预测场景中Claude报告更长，在其他三个场景中Qwen报告更长[67]。 * **图谱规模**：Qwen倾向于构建更大、更密的知识图谱（节点和边数更多），而Claude的图谱更精简[65][67]。 * **报告质量指标对比结果（平均分，Qwen/Claude）**： * 推演深度：3.88 / 4.38[68] * 逻辑合理性：3.63 / 4.38[68] * 逻辑完整性：3.38 / 4.50[68] * 逻辑细节度：4.50 / 4.00[68] * 结论明确度：4.25 / 3.88[68] * 观点多元性：3.88 / 4.25[68] * 创新性/独特洞察：3.75 / 4.38[68] * 可操作性：4.25 / 3.50[68] * 证据引用质量：3.13 / 4.50[68] * 风险分析深度：3.50 / 4.50[68] * 语言表达质量：3.25 / 4.50[68] * 信息边界意识：2.50 / 4.50[68]

量化模型与构建方式 1. **模型名称**：大额买入与资金流向跟踪模型[7] **模型构建思路**：使用交易明细数据构建指标，以跟踪市场中的大额买入行为和主动资金流向[1][7]。 **模型具体构建过程**：该模型包含两个核心跟踪指标。 * **大买单成交金额占比**：首先，根据逐笔成交数据中的叫买和叫卖序号，将数据还原为买卖单数据[7]。然后，按照每单的成交量筛选得到大单[7]。最后，计算大买单的成交金额占当日总成交金额的比例[7]。 * **净主动买入金额占比**：首先，根据逐笔成交数据中的买卖标志，界定每笔成交属于主动买入还是主动卖出[7]。然后，将主动买入成交金额与主动卖出成交金额相减，得到净主动买入金额[7]。最后，计算净主动买入金额占当日总成交金额的比例[7]。 量化因子与构建方式 1. **因子名称**：大买单成交金额占比[7] **因子构建思路**：通过逐笔成交数据还原买卖单并筛选大单，计算大买单金额占总成交额的比例，以刻画大资金的买入行为[7]。 **因子具体构建过程**： 1. 数据准备：获取股票的逐笔成交数据，数据中需包含叫买序号和叫卖序号[7]。 2. 还原买卖单：利用叫买和叫卖序号，将逐笔成交数据还原为原始的买卖单数据[7]。 3. 筛选大单：对还原后的买卖单，按照每单的成交量设定阈值，筛选出符合条件的大单[7]。 4. 计算因子值：对于每个交易日，计算所有大买单的成交金额总和，再除以该股票当日的总成交金额。公式为： $$大买单成交金额占比_t = \frac{\sum 大买单成交金额_t}{当日总成交金额_t}$$ 其中，t代表交易日。 **因子评价**：该因子直接反映了大额资金的买入强度，是监测主力资金动向的高频指标。 2. **因子名称**：净主动买入金额占比[7] **因子构建思路**：根据逐笔成交的买卖标志区分主动买入和主动卖出，计算其净额占总成交额的比例，以刻画投资者的主动买入意愿[7]。 **因子具体构建过程**： 1. 数据准备：获取股票的逐笔成交数据，数据中需包含买卖标志（如B表示主动买入，S表示主动卖出）[7]。 2. 分类汇总：根据买卖标志，将每笔成交金额归类为主动买入成交金额或主动卖出成交金额[7]。 3. 计算净额：将当日所有主动买入成交金额求和，减去所有主动卖出成交金额求和，得到净主动买入金额[7]。 4. 计算因子值：将净主动买入金额除以该股票当日的总成交金额。公式为： $$净主动买入金额占比_t = \frac{\sum 主动买入成交金额_t - \sum 主动卖出成交金额_t}{当日总成交金额_t}$$ 其中，t代表交易日。 **因子评价**：该因子反映了市场交易中主动买入力量的净强度，是衡量资金流向和投资者情绪的重要指标。 模型的回测效果 （注：本报告为跟踪周报，展示的是特定时间窗口的指标截面排名和数值，而非长期历史回测结果。因此，此处展示模型跟踪指标在报告期内的具体取值。） 1. **大额买入与资金流向跟踪模型**，在报告期内（20260316-20260320）跟踪了**个股**的大买单成交金额占比，排名前5的个股及其5日平均指标值为：韶能股份 (86.7%)[9]、鞍钢股份 (85.7%)[9]、中利集团 (85.5%)[9]、华电辽能 (85.5%)[9]、文投控股 (85.3%)[9]。 2. **大额买入与资金流向跟踪模型**，在报告期内（20260316-20260320）跟踪了**个股**的净主动买入金额占比，排名前5的个股及其5日平均指标值为：云南白药 (15.5%)[10]、苏泊尔 (14.9%)[10]、泽璟制药-U (14.5%)[10]、工商银行 (13.9%)[10]、富临精工 (13.6%)[10]。 3. **大额买入与资金流向跟踪模型**，在报告期内（20260316-20260320）跟踪了**宽基指数**的指标，其5日平均大买单成交金额占比和净主动买入金额占比分别为：上证指数 (72.3%, -4.6%)[12]、上证50 (71.3%, -4.3%)[12]、沪深300 (73.4%, -2.3%)[12]、中证500 (71.3%, -3.9%)[12]、创业板指 (72.4%, 0.7%)[12]。 4. **大额买入与资金流向跟踪模型**，在报告期内（20260316-20260320）跟踪了**中信一级行业**的指标，大买单成交金额占比排名前5的行业及其5日平均值为：银行 (80.0%)[13]、钢铁 (78.3%)[13]、交通运输 (78.3%)[13]、电力及公用事业 (77.5%)[13]、煤炭 (77.5%)[13]；净主动买入金额占比排名前5的行业及其5日平均值为：通信 (1.2%)[13]、煤炭 (0.5%)[13]、电力设备及新能源 (-0.1%)[13]、电力及公用事业 (-1.0%)[13]、银行 (-2.2%)[13]。 5. **大额买入与资金流向跟踪模型**，在报告期内（20260316-20260320）跟踪了**ETF**的大买单成交金额占比，排名前5的ETF及其5日平均指标值为：华泰柏瑞中证A500ETF (93.6%)[15]、汇添富MSCI中国A50互联互通ETF (93.5%)[15]、国泰中证A500ETF (93.4%)[15]、海富通上证城投债ETF (92.0%)[15]、华夏中证A500ETF (91.5%)[15]。 6. **大额买入与资金流向跟踪模型**，在报告期内（20260316-20260320）跟踪了**ETF**的净主动买入金额占比，排名前5的ETF及其5日平均指标值为：天弘中证工业有色金属主题ETF (18.3%)[16]、嘉实国证绿色电力ETF (14.0%)[16]、华夏中证细分有色金属产业ETF (13.9%)[16]、景顺长城中证红利低波动100ETF (13.2%)[16]、华夏中证半导体材料设备主题ETF (12.2%)[16]。 因子的回测效果 （注：本报告为跟踪周报，未提供因子在长期回测中的IC、IR、多空收益等传统因子测试指标。此处列出报告期内部分股票和ETF的因子具体数值作为示例。） 1. **大买单成交金额占比因子**，在报告期内（20260316-20260320），部分股票的5日平均因子值为：韶能股份 86.7%[9]，鞍钢股份 85.7%[9]，中利集团 85.5%[9]。 2. **净主动买入金额占比因子**，在报告期内（20260316-20260320），部分股票的5日平均因子值为：云南白药 15.5%[10]，苏泊尔 14.9%[10]，泽璟制药-U 14.5%[10]。