量化模型与构建方式 1. **模型名称：竞争优势组合模型**[12] * **模型构建思路**：基于竞争壁垒分析框架，将行业分类并识别具有不同竞争特性的企业，聚焦于“壁垒护盾型”行业中的主导或合作共赢企业，以及非壁垒行业中的高效运营企业，构建投资组合[12]。 * **模型具体构建过程**： 1. 行业分类：将行业细致分类为“壁垒护盾型”、“竞争激烈型”、“稳中求进型”和“寻求突破型”[12]。 2. 选股逻辑： * 在“壁垒护盾型”行业中，识别能够长期维持市场领导地位的“唯一主导”企业，以及能够通过合作维持高利润率的“合作共赢”企业[12]。 * 在非“壁垒护盾型”行业中，发掘通过高效管理和成本控制实现优异运营表现的“高效运营”企业[12]。 3. 组合构建：将“壁垒护盾型”行业中的“唯一主导+合作共赢”组合与无壁垒保护行业中的“高效运营”组合结合，得到“竞争优势”组合[13]。 2. **模型名称：安全边际组合模型**[17] * **模型构建思路**：通过计算个股的盈利能力价值作为安全边际，在具有综合竞争优势的股票池内，选择安全边际最大的标的构建组合，以捕捉企业内在价值与市场价值之间的差距[17]。 * **模型具体构建过程**： 1. 股票池：基于综合竞争优势筛选股票池[17]。 2. 价值计算：计算个股的盈利能力价值作为其安全边际的度量[17]。 3. 组合构建：在股票池内选择安全边际最大的前50只股票[17]。 4. 权重设置：采用股息率加权的方式最大化组合的安全边际[17]。 5. 调仓频率：每年于5月1日、9月1日及11月1日进行组合调整[19]。 3. **模型名称：红利低波季调组合模型**[23] * **模型构建思路**：优化传统红利策略，避免陷入“高股息陷阱”。通过预测股息率并结合负向清单（如剔除股价表现极端、负债率异常的标的）来筛选标的，注重公司盈利的可持续性和长期价值[23]。 * **模型具体构建过程**： 1. 股息率筛选：不单纯追求最高股息率，报告指出股息率次高组拥有相对最高的胜率[23]。 2. 陷阱规避：通过股息率本身的预测加以规避“高股息陷阱”[23]。 3. 负向清单：考虑诸如剔除股价表现极端、负债率异常的标的等负向清单制度[23]。 4. **模型名称：AEG估值潜力组合模型**[27][30] * **模型构建思路**：基于超额收益增长（AEG）模型，寻找市场尚未充分认识到其增长潜力的公司。首先用AEG_EP因子初选，再结合股利再投资比率进行二次筛选[27][30]。 * **模型具体构建过程**： 1. **因子构建**：使用AEG_EP因子。AEG模型的核心公式用于计算权益价值，其中远期市盈率（V0/E1）等于正常市盈率加上增长溢价[27]。 * 超额收益增长（AEG）定义为带息收益超过机会成本的部分： $$A E G=Y_{t}-N_{t}=(E_{t}+r*D P S_{t-1})-(1+r)*E_{t-1}$$ * 基于AEG的估值公式为： $${{\frac{V_{0}}{E_{1}}=\frac{1}{r}+\frac{1}{r}*\frac{\left(\frac{A E G_{2}}{1+r}+\frac{A E G_{3}}{(1+r)^{2}}+\frac{A E G_{4}}{(1+r)^{3}}+\cdots\right)}}{{E_{1}}}}}$$ * 若无超额收益增长，则正常市盈率为： $${\frac{V_{0}}{E_{1}}}={\frac{1}{r}}$$ 其中，E为盈利，V为市值，r为要求回报率，DPS为每股股利[27]。 2. **组合构建**： * 首先用AEG_EP因子选取排名前100的股票[30]。 * 然后从中选择股利再投资比率高的前50只股票构建最终组合[30]。 5. **模型名称：中证800现金牛组合模型**[34][35] * **模型构建思路**：通过CFOR（自由现金流回报率）分析体系，深入评估企业的盈利能力和资产的现金生成效率，筛选出高质量、现金流稳定的“现金牛”公司[34]。 * **模型具体构建过程**： 1. **股票池构建**： * 构建两个高质量股票池的并集： * **池A（非金融）**：要求自由现金利润比率、经营资产回报率、净利润率、总资产周转率的稳定性，由高到低均位于中信一级行业40%分位数以上[35]。 * **池B（金融）**：在全A金融板块内，选择ROE位于40%分位数以上的股票[35]。 2. **最终筛选**：在合并后的高质量股票池中，进一步结合低波、低估值以及SUE（未预期盈余）因子进行筛选，得到最终持仓[35]。 6. **模型名称：困境反转组合模型**[41] * **模型构建思路**：利用库存周期刻画公司的困境反转，同时考虑景气加速恢复和定价错误的估值回归，旨在捕捉估值提升带来的收益，作为景气度投资策略的互补[41]。 * **模型具体构建过程**： 1. 刻画困境：利用库存周期来刻画公司所处的困境阶段[41]。 2. 因子叠加：结合反映景气加速恢复和定价错误的估值回归的相关因子[41]。 3. 标准化与选股：将相关因子标准化后叠加，选择综合得分最高的50只股票构建组合[41]。 模型的回测效果 （以下为各模型自2019年以来的回测表现，指标口径一致） 1. **竞争优势组合模型**，年化收益18.97%，夏普比率0.90，IR 0.09，最大回撤-19.32%，卡玛比率0.98[16] 2. **安全边际组合模型**，年化收益21.72%，夏普比率1.08，IR 0.16，最大回撤-16.89%，卡玛比率1.29[22] 3. **红利低波季调组合模型**，年化收益16.52%，夏普比率0.99，IR 0.16，最大回撤-21.61%，卡玛比率0.76[24] 4. **AEG估值潜力组合模型**，年化收益23.72%，夏普比率1.09，IR 0.14，最大回撤-24.02%，卡玛比率0.99[32] 5. **中证800现金牛组合模型**，年化收益13.20%，夏普比率0.66，IR 0.10，最大回撤-19.80%，卡玛比率0.67[37] 6. **困境反转组合模型**，年化收益23.57%，夏普比率0.95，IR 0.15，最大回撤-33.73%，卡玛比率0.70[43] 量化因子与构建方式 1. **因子名称：AEG_EP因子**[27][30] * **因子构建思路**：基于超额收益增长（AEG）模型构建的估值因子，用于识别那些带息收益增长超过机会成本、即具有增长潜力的公司[27]。 * **因子具体构建过程**：该因子源于AEG估值模型。首先计算超额收益增长（AEG），然后将其用于推导远期市盈率中的增长溢价部分。AEG_EP因子 likely 是某种形式的盈利价格比与AEG增长预期的结合，具体用于从全市场股票中筛选出AEG模型下估值具有潜力的标的[27][30]。报告明确指出首先使用该因子进行初选[30]。 2. **因子名称：CFOR体系相关因子（自由现金利润比率、经营资产回报率）**[34][35] * **因子构建思路**：通过拆解现金流量回报率（CFOR），从自由现金流和资产现金生成效率的角度评估企业经营质量和稳定性，补充传统杜邦分析的不足[34]。 * **因子具体构建过程**：CFOR体系包含两个关键维度： * **自由现金利润比率**：衡量企业将经营活动产生的现金流转化为净利润的能力[34]。 * **经营资产回报率**：衡量企业资产的现金生成效率[34]。 在“现金牛”组合模型中，这两个比率的稳定性被用作筛选非金融行业高质量公司的重要标准[35]。 3. **因子名称：困境反转相关因子**[41] * **因子构建思路**：用于刻画公司困境反转、景气加速恢复以及定价错误的估值回归的多类因子[41]。 * **因子具体构建过程**： 1. **库存周期因子**：用于定量刻画公司所处的困境阶段[41]。 2. **景气加速恢复因子**：用于识别基本面景气度正在或即将改善的公司[41]。 3. **估值回归因子**：用于识别当前价格相对于其基本面存在定价错误（低估）、有估值修复潜力的公司[41]。 最终，将这些因子标准化后叠加，得到综合得分[41]。

量化模型与构建方式 1. **模型名称：大类资产择时模型**[1] * **模型构建思路**：该模型用于对多种大类资产（包括不同期限的债券、股票指数、商品等）进行短期多空方向择时。模型通过计算“原始信号”和其移动平均（MA5）来生成交易观点[2][6]。 * **模型具体构建过程**： 1. **信号生成**：模型每日计算一个代表资产未来短期内价格上行概率的百分比值，即“原始信号”[8]。例如，对于利率债（如国债），该百分比代表“未来短期内国债到期收益率上行的概率估计”；对于股指和商品，则代表其自身价格上行的概率估计[8]。 2. **信号平滑**：对原始信号进行5日移动平均计算，得到“择时信号MA5”[2][6][8]。公式为： $$MA5_t = \frac{Signal_t + Signal_{t-1} + Signal_{t-2} + Signal_{t-3} + Signal_{t-4}}{5}$$ 其中，$MA5_t$ 为第 $t$ 日的5日移动平均值，$Signal_{t-n}$ 为第 $t-n$ 日的原始信号。 3. **观点生成规则**：根据资产类型和信号阈值，将平滑后的信号（MA5）转化为具体的多空观点[8]。 * **对于利率债（如国债）**：当 $MA5 > 60\%$ 时，模型观点为“看空”（报告中表述为“调整”，即看空债券价格/看多收益率）；当 $MA5 < 40\%$ 时，模型观点为“看多”（看多债券价格/看空收益率）；当 $MA5$ 介于 $40\%$ 和 $60\%$ 之间时，观点为“震荡”[8]。 * **对于股指和商品**：当 $MA5 > 60\%$ 时，模型观点为“看多”；当 $MA5 < 40\%$ 时，模型观点为“看空”（报告中表述为“调整”）；当 $MA5$ 介于 $40\%$ 和 $60\%$ 之间时，观点为“震荡”[8]。 模型的回测效果 **注**：报告未提供模型在历史样本外的长期回测绩效指标（如年化收益率、夏普比率、最大回撤等）。报告展示的是模型在特定交易日（2026年4月8日及前9个交易日）对多个资产的最新信号输出和观点判断[2][6][8]。 1. **大类资产择时模型**，在 **2026-04-08** 交易日对各类资产的具体信号取值及观点如下[2][6][7][8]： * **30年国债**：原始信号 77.28%，MA5 为 83.74%，模型观点为【调整】 * **3年AAA中短票**：原始信号 6.99%，MA5 为 12.74%，模型观点为【看多】 * **5年国债**：原始信号 16.93%，MA5 为 76.66%，模型观点为【调整】 * **2年国债**：原始信号 6.84%，MA5 为 15.88%，模型观点为【看多】 * **万得全A指数**：原始信号 14.13%，MA5 为 64.06%，模型观点为【调整】 * **中证红利全收益指数**：原始信号 61.06%，MA5 为 74.73%，模型观点为【调整】 * **恒生科技指数**：原始信号 70.32%，MA5 为 77.12%，模型观点为【调整】 * **科创50指数**：原始信号 16.33%，MA5 为 65.82%，模型观点为【调整】 * **万得微盘指数**：原始信号 11.87%，MA5 为 66.94%，模型观点为【调整】 * **国证2000指数**：原始信号 23.46%，MA5 为 70.17%，模型观点为【调整】 * **COMEX黄金**：原始信号 27.64%，MA5 为 51.81%，模型观点为【震荡】 * **IPE布油**：原始信号 89.38%，MA5 为 42.54%，模型观点为【震荡】 * **COMEX铜**：原始信号 79.53%，MA5 为 89.94%，模型观点为【调整】 * **焦煤**：原始信号 82.53%，MA5 为 81.77%，模型观点为【调整】 量化因子与构建方式 **注**：本篇报告为量化日报，核心内容是展示择时模型的最新应用结果，并未详细披露模型底层所使用的具体量化因子及其构建方式。报告仅在风险提示部分提及模型依赖于“因子”，但未作说明[9]。

量化模型与构建方式 1. **模型名称**：红利风格择时模型[5] * **模型构建思路**：构建一个多因子综合打分模型，用于判断对红利风格资产是看多还是看空[5]。模型通过跟踪多个宏观经济、市场情绪及风格自身动量的指标，综合计算出一个“综合因子值”，并根据该值的正负或变化发出交易信号[5]。 * **模型具体构建过程**： 1. 选取多个与红利风格表现相关的因子，包括宏观经济指标、市场情绪指标和风格动量指标[6]。 2. 对每个因子进行标准化或处理，使其具有可比性[10]。 3. 将处理后的各因子值，按照预设的权重或规则进行加总，得到“综合因子值”[5]。 4. 根据综合因子值的水平或变化方向（例如，值为正或较前值上升）生成择时观点（如“看多”或“看空”）[5]。 量化因子与构建方式 1. **因子名称**：综合因子[5] * **因子构建思路**：作为红利风格择时模型的核心输出，综合因子是多个底层因子的加权合成，用以综合反映对红利风格的择时观点[5]。 * **因子具体构建过程**：综合因子由以下7个底层因子合成，每个底层因子在最新时点（20260403）对综合因子的贡献值（即得分贡献）如表所示[10]。综合因子值为各贡献值之和。 * **中国:非制造业PMI:服务业**：反映国内服务业景气度，作为宏观经济状态变量[10]。 * **中国:M2:同比**：反映国内货币供应量增速，作为流动性状态变量[10]。 * **美国:国债收益率:10年**：反映全球无风险利率和资金成本，美债利率上行通常对红利股不利，但在本模型中最新贡献为正[6][10]。 * **红利相对净值自身**：反映红利风格自身的动量效应，即近期表现是否持续[6][10]。 * **中证红利股息率-10年期中债收益率**：反映红利资产的相对吸引力（股息率溢价）[10]。 * **融资净买入**：反映A股市场的杠杆资金情绪[6][10]。 * **行业平均景气度**：可能反映上市公司整体盈利预期[10]。 2. **因子名称**：美债利率因子（美国:国债收益率:10年）[6][10] * **因子构建思路**：使用美国10年期国债收益率作为代理变量，衡量全球无风险利率水平和资金成本，其变化会影响红利股等长久期资产的估值[6]。 * **因子具体构建过程**：直接采用美国10年期国债收益率的原始数据或经过处理（如去趋势、标准化）后的数据作为因子值[10]。 3. **因子名称**：动量因子（红利相对净值自身）[6][10] * **因子构建思路**：捕捉红利风格自身的趋势延续效应，即近期表现较好的风格在未来短期内可能继续占优[6]。 * **因子具体构建过程**：使用代表红利风格的指数或组合（如中证红利指数）的相对净值（可能相对于全市场基准）在最近一段时期（如前一周）的表现作为因子值[6][10]。 4. **因子名称**：市场情绪因子（融资净买入）[6][10] * **因子构建思路**：使用融资净买入金额作为衡量A股市场内投资者风险偏好的情绪指标[6]。 * **因子具体构建过程**：直接采用A股市场融资净买入的原始数据或经过处理（如标准化、缩放）后的数据作为因子值[10]。 5. **因子名称**：股息率溢价因子（中证红利股息率-10年期中债收益率）[10] * **因子构建思路**：计算红利指数股息率与长期国债收益率的差值，衡量红利资产相对于无风险资产的超额收益吸引力[10]。 * **因子具体构建过程**： $$因子值 = 中证红利指数股息率 - 10年期中债收益率$$ 其中，中证红利股息率为指数成分股的整体股息率，10年期中债收益率为中国10年期国债到期收益率[10]。 6. **因子名称**：宏观经济因子组（中国:非制造业PMI:服务业、中国:M2:同比、行业平均景气度）[10] * **因子构建思路**：选取一系列反映国内经济景气度、货币环境及产业盈利预期的宏观指标，作为判断市场整体和风格轮动的背景变量[10]。 * **因子具体构建过程**：直接采用相应宏观经济统计指标的发布值或经过处理（如去趋势、标准化）后的数据作为因子值[10]。 模型的回测效果 1. 红利风格择时模型，综合因子值（20260330-20260403）为0.13[3][5]。 2. 红利风格择时模型，综合因子值（20260323-20260327）为0.03[3][5]。 3. 红利风格择时模型，最新择时观点（截至20260403）为“维持看多信号”[3][5]。 因子的回测效果 （注：报告未提供各底层因子的独立历史测试指标（如IC、IR等），仅提供了它们在最新时点对综合因子的贡献值及观点。因此，此处展示最新时点的因子贡献及观点。） 1. 美债利率因子（美国:国债收益率:10年），最新得分贡献（20260403）为0.17，最新观点为1（看多）[10]。 2. 动量因子（红利相对净值自身），最新得分贡献（20260403）为0.12，最新观点为1（看多）[10]。 3. 市场情绪因子（融资净买入），最新得分贡献（20260403）为0.10，最新观点为1（看多）[10]。 4. 股息率溢价因子（中证红利股息率-10年期中债收益率），最新得分贡献（20260403）为-0.03，最新观点为0（非看多）[10]。 5. 宏观经济因子（中国:非制造业PMI:服务业），最新得分贡献（20260403）为-0.10，最新观点为0（非看多）[10]。 6. 宏观经济因子（中国:M2:同比），最新得分贡献（20260403）为-0.05，最新观点为0（非看多）[10]。 7. 宏观经济因子（行业平均景气度），最新得分贡献（20260403）为-0.09，最新观点为0（非看多）[10]。

量化模型与构建方式 1. **模型/因子名称**：封板率[18] **模型/因子构建思路**：用于衡量市场情绪和涨停股票的封板质量，计算当日最高价触及涨停且最终收盘涨停的股票比例[18] **模型/因子具体构建过程**：统计上市满3个月以上的股票。首先，筛选出当日最高价达到涨停价的股票。然后，在这些股票中，计算收盘价也达到涨停价的股票数量。封板率即为收盘涨停的股票数与最高价涨停的股票数之比[18]。 **公式**： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[18] 2. **模型/因子名称**：连板率[18] **模型/因子构建思路**：用于衡量市场涨停效应的持续性，计算昨日涨停的股票在今日继续涨停的比例[18] **模型/因子具体构建过程**：统计上市满3个月以上的股票。首先，确定昨日收盘涨停的股票数量。然后，在这些股票中，计算今日收盘也涨停的股票数量。连板率即为连续两日收盘涨停的股票数与昨日收盘涨停的股票数之比[18]。 **公式**： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[18] 3. **模型/因子名称**：大宗交易折价率[28] **模型/因子构建思路**：通过大宗交易成交价与市场价格的差异，反映大资金的交易情绪和偏好[28] **模型/因子具体构建过程**：计算每日所有大宗交易的总体折价水平。首先，汇总当日所有大宗交易的总成交金额。然后，计算这些大宗交易对应份额按当日收盘价计算的总市值。折价率即为总成交金额与总市值的比值减去1[28]。 **公式**： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[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**：将股指期货主力合约与现货指数的基差进行年化处理，用于衡量市场情绪、对冲成本及对未来市场的预期[30] **模型/因子具体构建过程**：针对上证50、沪深300、中证500、中证1000等股指期货的主力合约进行计算。首先，计算基差（股指期货价格 - 现货指数价格）。然后，将基差除以现货指数价格，得到相对基差。最后，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[30]。 **公式**： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[30] 模型的回测效果 （本报告为市场监测日报，未提供量化模型的历史回测绩效指标。） 量化因子与构建方式 （本报告中的“封板率”、“连板率”、“大宗交易折价率”、“股指期货年化贴水率”等，在量化投资中通常被视为市场情绪或资金面因子，其构建方式已在“量化模型与构建方式”部分详细阐述。报告未提供其他独立的阿尔法因子。） 因子的回测效果 （本报告为市场监测日报，未提供量化因子的历史IC、IR、多空收益等回测绩效指标。但报告提供了部分因子在特定日期的观测值及历史分位数。） 1. **封板率因子**，2026年4月8日取值84%[18]，较前日提升8个百分点[18] 2. **连板率因子**，2026年4月8日取值15%[18]，较前日下降3个百分点[18] 3. **大宗交易折价率因子**，2026年4月7日当日取值7.50%[28]，近半年以来平均取值7.18%[28] 4. **股指期货年化贴水率因子**，2026年4月8日当日取值：上证50为3.70%[30]，沪深300为6.21%[30]，中证500为7.28%[30]，中证1000为11.40%[30]；近一年中位数取值：上证50为1.20%[30]，沪深300为4.81%[30]，中证500为10.90%[30]，中证1000为13.18%[30]

量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[11][40][42] * **模型构建思路**：为了准确计算股指期货的升贴水，需要精确预测从当前时刻到期货合约到期日之间，指数成分股分红除息导致价格指数点位自然下滑的总点数[11][42]。该模型通过精细化处理成分股权重、分红金额、除息日等关键变量来实现预测[11][42]。 * **模型具体构建过程**： 1. **核心公式**：指数在t时刻至期货到期日T时刻之间的预测分红点数计算公式为： $$分红点数 = \sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$$ 其中，求和条件为个股除权除息日τ满足 t < τ ≤ T[40]。 2. **数据获取与处理流程**：如图16所示，流程分为以下步骤[43][45]： * 获取指数成分股及其日度权重[48][49]。 * 对每只成分股： * **若已公布分红金额**：判断是否公布除息日。若已公布，则直接采用；若未公布，则估计其除息日[45]。 * **若未公布分红金额**：需估计其分红金额。分红金额 = 净利润 × 股息支付率，因此需分别估计净利润和股息支付率，再估计除息日[45][50]。 3. **关键变量估计方法**： * **成分股权重**：采用中证指数公司每日披露的日度收盘权重数据，以保证准确性[49]。报告也提及了在无法获取精确日度权重时的估算方法：假设最近一次公布权重日期为t_0，权重为w_n0，t日到t_0日个股非复权涨跌幅为r_n，则t日权重估算公式为： $$W_{n,t}={\frac{w_{i0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{n})}}$$[48] * **净利润预测**：采用基于历史净利润分布的动态预测法[52]。 * 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）[52]。 * 若未披露，则根据公司季度盈利分布稳定性分类预测：盈利分布稳定的公司按历史规律预测；盈利分布不稳定的公司，使用上年同期盈利作为预测值[52]。 * **股息支付率预测**： * 若公司去年分红，则以去年股息支付率作为今年预测值[56]。 * 若公司去年不分红，则以最近3年股息支付率平均作为预测值[56]。 * 若公司过去从未分红，则默认今年不分红[56]。 * 当预期股息支付率大于100%时，进行截尾处理[56]。 * **除息日预测**：采用基于历史间隔天数稳定性的线性外推法，具体步骤如流程图18所示[54][57][59]： * 若已公布除息日，则直接采用[59]。 * 若未公布，则根据公司是否已公布分红预案、所处阶段（预案/决案）进行判断[59]。 * 利用历史“预案公告日到除息日”或“股东大会公告日到除息日”的间隔天数的稳定性进行线性外推[59]。 * 若无可靠历史数据或外推结果不合理，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）[59]。 量化因子与构建方式 1. **因子名称：已实现股息率**[3][16] * **因子构建思路**：衡量指数成分股中，在本年度已经完成现金分红的公司，其分红对指数股息率的贡献[16]。 * **因子具体构建过程**：计算指数成分股中，今年已现金分红的公司的分红总额与其总市值之比，再按个股权重进行加权求和[16]。 $$已实现股息率 = \sum_{n=1}^{N1} \frac{个股已分红金额}{个股总市值} \times 个股权重$$ 其中，N1表示指数成分股中今年已现金分红的公司数量[16]。 2. **因子名称：剩余股息率**[3][16] * **因子构建思路**：衡量指数成分股中，尚未进行现金分红但预计将会分红的公司，其待分红部分对指数未来股息率的预期贡献[16]。 * **因子具体构建过程**：计算指数成分股中，尚未现金分红的公司的待分红总额（基于已公布预案或模型预测）与其总市值之比，再按个股权重进行加权求和[16]。 $$剩余股息率 = \sum_{n=1}^{N2} \frac{个股待分红金额}{个股总市值} \times 个股权重$$ 其中，N2表示指数成分股中尚未现金分红的公司数量[16]。 3. **因子名称：年化升贴水**[4][12] * **因子构建思路**：将股指期货合约价格与经分红调整后的现货指数价格之间的价差，进行年化处理，以标准化比较不同期限合约的升贴水程度[11]。 * **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 - 从当前至到期日的预测分红点数)[12]。 2. 计算升贴水幅度：含分红价差 / 指数收盘价[12]。 3. 年化处理：将升贴水幅度根据合约到期天数进行年化[12]。 模型的回测效果 1. **股指分红点位测算模型** * **预测误差**：模型对主要指数全年股息点的预测误差基本稳定[64]。 * 上证50指数：误差基本在5个点左右[64]。 * 沪深300指数：误差基本在5个点左右[64]。 * 中证500指数：误差基本在10个点左右[64]。 * 中证1000指数：误差基本在10个点左右[64]。 * **预测准确性**：对于股指期货当月主力合约，模型在2024年和2025年的预测股息点与实际股息点对比显示，各合约预测效果较好，具有较好的预测准确性[64]。 因子的回测效果 1. **已实现股息率因子** (截至2026年4月8日)[3] * 上证50指数：0.00% * 沪深300指数：0.00% * 中证500指数：0.01% * 中证1000指数：0.00% 2. **剩余股息率因子** (截至2026年4月8日)[3] * 上证50指数：2.47% * 沪深300指数：1.98% * 中证500指数：1.17% * 中证1000指数：0.91% 3. **年化升贴水因子** (主力合约，截至2026年4月8日)[4][12] * IH主力合约(IH2604.CFE)：-4.28% * IF主力合约(IF2604.CFE)：-5.42% * IC主力合约(IC2604.CFE)：4.55% * IM主力合约(IM2604.CFE)：-4.17%

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价格平均涨幅与平均跌幅的比值，来衡量市场的超买或超卖状态，从而判断短期价格走势[2]。 * **具体构建过程：** 1. 计算一定周期（N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：$$RS = \frac{Avg\ Gain}{Avg\ Loss}$$ 4. 计算RSI指标：$$RSI = 100 - \frac{100}{1 + RS}$$ 5. 根据报告，计算周期为12天[2]。当RSI>70时，市场被认为处于超买状态；当RSI<30时，市场被认为处于超卖状态[2]。 2. **模型/因子名称：净申购（亿元）**[2] * **构建思路：** 通过计算ETF单位净值的变动与基金份额变化的综合影响，来反映当日资金的净流入或流出情况[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的日收益率R(T)。 3. 计算T日的净申购金额NETBUY(T)，公式为：$$NETBUY(T) = NAV(T) - NAV(T-1) * (1 + R(T))$$[2] 4. 公式中，NAV(T-1)为前一交易日的ETF净值[2]。 模型的回测效果 （报告中未提供具体模型的回测效果指标值，如年化收益率、夏普比率、最大回撤等，因此此部分跳过） 量化因子与构建方式 （报告中提及的RSI和净申购，在内容上更偏向于技术指标和资金流指标，通常作为因子使用，其构建方式已在“量化模型与构建方式”部分详细说明。报告未提供其他独立的、用于选股或择时的量化因子构建方法。） 因子的回测效果 （报告中未提供因子的具体测试结果，如IC值、IR、多空收益、分组收益等，仅展示了各ETF在特定日期的因子截面数据[4][7]。因此无法总结统一的指标取值。）

量化模型与构建方式 1. **模型名称：缠论走势分解模型**[16] * **模型构建思路：** 该模型基于缠论技术分析理论，通过识别价格走势中的“分型”、“笔”、“线段”和“中枢”等结构元素，对市场走势进行多级别（如周线级别）的分解，用以判断当前市场所处的结构阶段（如主升、主跌、横盘震荡）并推演未来可能的走势[16]。 * **模型具体构建过程：** 1. **识别分型：** 在K线图上识别顶分型和底分型。顶分型由三根K线组成，中间K线的高点是三根中的最高点，低点也是三根中的最高点；底分型则相反[16]。 2. **连接成笔：** 相邻的顶分型和底分型之间，若满足一定的价格和时间间隔条件，则连接形成“笔”，代表一段基本的上涨或下跌趋势[16]。 3. **连接成线段：** 由连续的三笔构成一个“线段”，线段是比笔更高级别的趋势单位[16]。 4. **识别中枢：** 由至少三个连续重叠的线段（或次级别走势类型）构成一个“中枢”，代表多空力量平衡的横盘震荡区域[16]。 5. **走势分解：** 根据中枢的数量和位置，将整体走势分解为“上涨”、“下跌”或“盘整”等不同类型，并判断当前走势处于趋势的哪个阶段（例如：主升浪、中枢震荡）[16]。 * **模型评价：** 该模型是一种主观性较强的技术分析框架，侧重于对市场走势结构的定性识别和模式推演，而非基于统计的定量预测[16]。 模型的回测效果 （报告中未提供缠论走势分解模型的定量回测指标数据，如年化收益率、夏普比率等，故本部分省略。） 量化因子与构建方式 （报告中未涉及具体的量化因子构建，如价值因子、动量因子等，故本部分省略。） 因子的回测效果 （报告中未涉及具体的量化因子测试结果，如IC值、IR、多空收益等，故本部分省略。）

量化模型与构建方式 1. **模型名称：周期股双属性分析框架**[4][7][16] * **模型构建思路**：将周期股的收益来源拆解为“权益属性”和“商品属性”两部分。权益属性决定其与市场整体同步的Beta收益，是行情启动的基础；商品属性决定其相对于市场的Alpha收益，是超额收益的主要来源。[4][7][16] * **模型具体构建过程**： 1. **权益属性识别**：识别A股市场的整体性上涨（Beta）行情。周期板块的独立牛市需同时满足两个条件：板块自身录得绝对收益，且板块相对市场整体（如Wind全A指数）取得超额收益。[22][31] 2. **商品属性识别**：观测PPI生产资料当月同比指标。周期板块的相对超额收益区间，大多对应PPI生产资料的修复区间。[7][35] 3. **领先指标应用**：引入宏观流动性指标作为领先信号。以M1-M2剪刀差表征的流动性拐点，往往领先PPI生产资料同比拐点约2~3个季度，可作为周期行情的前瞻参考。[7][35] 4. **预警信号**：流动性见顶回落是周期板块行情结束的预警信号，周期股独立行情的终结大多发生在流动性收紧的中后期。[7][38] * **模型评价**：该框架为理解和把握周期股行情提供了清晰的逻辑脉络，将复杂的周期波动归因于两种可观测的属性，并引入了具有领先性的观测指标，增强了投资的可操作性。[4][7] 模型的回测效果 *注：本报告未提供该分析框架在统一口径下的量化回测指标（如年化收益率、夏普比率、最大回撤等）。报告主要通过历史行情复盘来验证框架的有效性。* 量化因子与构建方式 1. **因子名称：周期板块牛市识别因子**[22][31][51] * **因子构建思路**：通过量化规则，从全市场Beta行情中筛选出周期板块的独立牛市区间。[22][31] * **因子具体构建过程**： 1. 划定全市场整体性上涨行情区间（以Wind全A指数等表征）。[17] 2. 在以上区间内，对周期板块（如长江原材料板块指数）计算两个时间序列：板块自身的价格收益率（绝对收益），以及板块指数相对于市场基准指数（如Wind全A）的收益率（相对收益）。[22] 3. 定义周期板块牛市区间：必须同时满足“绝对收益 > 0”且“相对收益 > 0”的连续时间段。[22][31][51] 4. 应用此规则，报告回溯划分出五轮周期股牛市区间：2008年底至2010年初（区间1）、2010年二季度至2011年一季度（区间2）、2016年初至2018年初（区间3）、2019年初至2021年末（区间4）、2024年三季度以来（区间5）。[51] 2. **因子名称：板块行情弹性因子**[56][57] * **因子构建思路**：衡量在周期牛市区间内，不同细分板块的价格上涨幅度，以识别高弹性品种。[56] * **因子具体构建过程**：在每一轮已识别的周期板块牛市区间内，计算各细分板块指数（如金属材料及矿业、化学原料及制品等）的区间最大涨幅。公式为： $$ \text{区间最大涨幅} = \frac{\text{区间内最高价} - \text{区间起始价}}{\text{区间起始价}} \times 100\% $$ 通过比较各板块在历次区间内的最大涨幅，评估其弹性特征。[56][57] 3. **因子名称：板块行情持续性因子**[61][62] * **因子构建思路**：衡量在周期牛市区间内，不同细分板块的上涨趋势所能维持的时间长度。[61] * **因子具体构建过程**：在每一轮已识别的周期板块牛市区间内，统计各细分板块指数满足“绝对收益 > 0”且“相对收益 > 0”条件的持续时长（通常以年为单位）。通过比较各板块在历次区间内的持续时间，评估其行情延续性特征。[61][62] 因子的回测效果 *注：报告展示了上述因子在历史五轮周期牛市中的具体表现，但未提供因子在统一多空组合或分层测试下的传统量化指标（如IC、IR、多空收益等）。以下为报告披露的历史观察结果。* 1. **周期板块牛市识别因子**：应用该因子，报告识别出2008年以来的五轮周期股独立牛市区间，并指出周期板块长期持有收益不及市场整体，仅在特定区间内能通过超额收益实现增厚。[17][51] 2. **板块行情弹性因子**： * **金属材料及矿业板块**：在五轮周期牛市区间内的最大涨幅分别为219%、80%、71%、168%、164%，每一轮涨幅均超越同期市场和原材料板块整体表现，被识别为高弹性品种。[57] * **细分金属品类**：贵金属、基本有色金属、稀土磁材、能源金属等弹性表现更为突出。[57] 3. **板块行情持续性因子**： * **化工、油气石化、煤炭、非金属材料等板块**：行情持续时间普遍更长，趋势延续性相对更久。例如，在区间4（2019年初至2021年末），化学原料及制品、油气石化、煤炭等板块的上涨持续时间均达到或超过2.7年。[62][63]

量化模型与构建方式 1. **模型名称**：风格Smart Beta组合（价值50、价值均衡50、成长50、成长均衡50、小盘50、小盘均衡50）[6] **模型构建思路**：选取历史相关性低的价值、成长、小盘三种风格，根据不同的投资目标（高beta弹性和长期稳健超额收益）构建选股组合[6]。 **模型具体构建过程**：报告未详细描述具体构建过程，但指出其基于2024年10月5日发布的专题报告《基于投资目标的基础Smart beta组合构建与配置》[6]。通常此类模型会先定义风格因子（如价值、成长、规模），然后根据因子得分筛选股票并加权构建组合。 2. **模型名称**：生命周期优选组合（初创优选、成长优选、成熟稳健、困境反转）[6] **模型构建思路**：以现金流为基础，将A股上市公司系统性地划分为初创、成长、成熟、整合四个生命周期阶段，并基于不同阶段的投资逻辑构建优选组合[6]。 **模型具体构建过程**：报告未详细描述具体构建过程，但指出其基于2025年6月6日发布的专题报告《解码企业生命周期：股票投资的新范式探索》[6]。通常此类模型会通过财务指标（如经营、投资、融资现金流）的模式来划分公司生命周期阶段，然后针对每个阶段构建特定的选股策略。 模型的回测效果 1. **价值50模型**，周绝对收益-0.63%[10]，周超额收益（相对国证价值）-0.02%[10]，月绝对收益-1.11%[10]，月超额收益-0.79%[10]，年（今年以来）绝对收益-1.75%[10]，年（今年以来）超额收益-0.60%[10]，最大相对回撤3.17%[10]。 2. **价值均衡50模型**，周绝对收益-2.16%[10]，周超额收益（相对国证价值）-1.55%[10]，月绝对收益-1.49%[10]，月超额收益-1.17%[10]，年（今年以来）绝对收益-0.73%[10]，年（今年以来）超额收益0.42%[10]，最大相对回撤6.07%[10]。 3. **成长50模型**，周绝对收益-2.37%[10]，周超额收益（相对国证成长）0.36%[10]，月绝对收益-0.62%[10]，月超额收益0.11%[10]，年（今年以来）绝对收益-4.18%[10]，年（今年以来）超额收益-3.32%[10]，最大相对回撤4.21%[10]。 4. **成长均衡50模型**，周绝对收益-2.34%[10]，周超额收益（相对国证成长）0.39%[10]，月绝对收益-0.02%[10]，月超额收益0.71%[10]，年（今年以来）绝对收益2.58%[10]，年（今年以来）超额收益3.44%[10]，最大相对回撤5.82%[10]。 5. **小盘50模型**，周绝对收益-3.93%[10]，周超额收益（相对国证2000）-1.43%[10]，月绝对收益-4.05%[10]，月超额收益-3.01%[10]，年（今年以来）绝对收益1.28%[10]，年（今年以来）超额收益1.65%[10]，最大相对回撤5.52%[10]。 6. **小盘均衡50模型**，周绝对收益-1.70%[10]，周超额收益（相对国证2000）0.79%[10][4]，月绝对收益-1.61%[10]，月超额收益-0.57%[10]，年（今年以来）绝对收益-2.54%[10]，年（今年以来）超额收益-2.17%[10]，最大相对回撤8.33%[10]。 7. **成长优选模型**，周绝对收益-2.54%[10]，周超额收益（相对偏股混基金指数）-1.73%[10]，月绝对收益-1.63%[10]，月超额收益-2.30%[10]，年（今年以来）绝对收益4.03%[10]，年（今年以来）超额收益4.27%[10]，最大相对回撤4.03%[10]。 8. **成熟稳健模型**，周绝对收益-1.68%[10]，周超额收益（相对中证800）0.05%[10]，月绝对收益-0.52%[10]，月超额收益-0.07%[10]，年（今年以来）绝对收益-2.91%[10]，年（今年以来）超额收益-0.18%[10]，最大相对回撤5.80%[10]。 9. **初创优选模型**，周绝对收益-1.37%[10]，周超额收益（相对中证全指）0.84%[10][4]，月绝对收益0.69%[10]，月超额收益1.56%[10]，年（今年以来）绝对收益-1.88%[10]，年（今年以来）超额收益0.28%[10]，最大相对回撤11.22%[10]。 10. **困境反转模型**，周绝对收益-2.16%[10]，周超额收益（相对中证全指）0.04%[10]，月绝对收益-2.36%[10]，月超额收益-1.49%[10]，年（今年以来）绝对收益-0.93%[10]，年（今年以来）超额收益1.23%[10]，最大相对回撤2.67%[10]。

QuantaAlpha框架：量化模型与因子总结 量化模型与构建方式 1. **模型名称：QuantaAlpha框架**[2][6][11] * **模型构建思路**：将大语言模型与进化算法深度融合，通过多智能体协作模拟专业量化研究员“提出假设→构建因子→回测检验→迭代优化→因子池维护”的全流程，实现自动化、白盒化、可溯源的Alpha因子挖掘[6][11][16]。 * **模型具体构建过程**： 1. **初始假设生成**：由LLM基于价量背离、波动率状态等经典量化维度，生成10个独立互补的初始投资假设，并行挖掘以拓宽研究广度[17]。 2. **多智能体协同实现**： * **Idea Agent（想法智能体）**：将宏观研究方向细化为具备清晰市场机制、明确信号逻辑和限定参数范围的可执行结构化假设[18][19]。 * **Factor Agent（因子智能体）**：采用“符号化表达+抽象语法树（AST）”方式，将结构化假设转化为标准数学表达式，经结构校验后编译为可执行代码。同时施加三重约束：语义一致性（假设、表达式、代码逻辑统一）、复杂度（控制表达式长度与特征数量）、冗余性（通过结构匹配过滤相似因子）[19]。 * **Evaluation Agent（评估智能体）**：基于Qlib回测框架进行标准化回测，评估因子IC、Rank IC、年化收益、最大回撤等指标，并将结果录入轨迹档案[19]。 3. **迭代优化**： * **变异（Mutation）**：由LLM回溯研究轨迹，精准定位导致因子失效的关键步骤，仅对问题部分进行修正，保留已验证的有效逻辑[20]。 * **交叉（Crossover）**：从历史优质挖掘轨迹中提取核心逻辑片段（如有效动量信号、波动率判断逻辑），在投资假设层面进行有意义的逻辑组合与重构，而非简单公式拼接[20]。 4. **因子筛选**：设置三层入池门槛：1) 按Rank IC从高到低排序；2) 与池中已有因子的绝对相关系数≤0.7；3) 因子池容量上限为当轮总因子数的50%[21]。 * **模型评价**：该框架突破了传统遗传规划的随机试错和同类LLM方法的迭代低效、语义漂移等问题，实现了金融逻辑引导、定向进化、研究经验复用和全流程可解释，为量化Alpha因子研究提供了新的技术思路[11][14][27][28]。 2. **模型名称：DFQ遗传规划价量因子挖掘系统（作为对比基准）**[23] * **模型构建思路**：传统遗传规划方法，通过自定义特征和算子，指定适应度指标，从一个随机种群出发，通过多代进化得到更优子代，以挖掘显式表达式的选股因子[23]。 * **模型具体构建过程**： 1. **初始种群**：按照预设的公式树深度随机生成[24]。 2. **进化方式**：变异（如子树变异、点变异）和交叉完全随机，本质是对公式树进行排列组合[25]。 3. **冗余管控**：采用“被动约束+数值惩罚”组合，如限制公式长度、在适应度评价中添加相关性数值惩罚[29]。 4. **可解释性**：先生成符合统计规律的公式，再反向解读可能的市场逻辑[29]。 * **模型评价**：可解释性强，但进化过程高度随机、缺乏金融逻辑引导，挖掘效率低，易生成无经济学含义的噪声因子[13][24][25][29]。 模型的回测效果 1. **QuantaAlpha模型（论文实证）**[32][33] * **股票池**：沪深300 * **测试区间**：2022-01-01 至 2025-12-26 * **IC**：15.01% * **Rank IC**：14.65% * **年化收益率（ARR）**：27.75% * **最大回撤（MDD）**：7.98% * **信息比率（IR）**：332.51% * **卡玛比率（CR）**：347.74% 2. **AlphaAgent模型（对比基准）**[33] * **股票池**：沪深300 * **测试区间**：2022-01-01 至 2025-12-26 * **IC**：9.66% * **Rank IC**：9.42% * **年化收益率（ARR）**：15.54% * **最大回撤（MDD）**：12.89% * **信息比率（IR）**：193.28% * **卡玛比率（CR）**：120.56% 3. **RD-Agent模型（对比基准）**[33] * **股票池**：沪深300 * **测试区间**：2022-01-01 至 2025-12-26 * **IC**：5.31% * **Rank IC**：6.33% * **年化收益率（ARR）**：9.91% * **最大回撤（MDD）**：14.82% * **信息比率（IR）**：125.02% * **卡玛比率（CR）**：66.87% 4. **QuantaAlpha模型（团队复现）**[37][39] * **股票池**：沪深300 * **测试区间**：2022-01-01 至 2025-12-26（严格样本外） * **核心结果**：累计挖掘21个因子，因子层面IC、Rank IC处于有效区间但ICIR偏低；组合层面扣费后年化超额收益有限，最大回撤幅度较大，净值曲线波动明显[39]。 量化因子与构建方式 *（注：报告未详细列出由QuantaAlpha框架挖掘出的具体单个因子的名称、公式及独立构建过程，而是重点阐述了生成这些因子的自动化框架和方法论。因此，此处总结框架所生成因子的通用构建特征。）* 1. **因子构建的通用特征**： * **数据基础**：使用开盘价、最高价、最低价、收盘价、成交量、均价（VWAP）这6类日频价量数据作为基础特征[32]。 * **算子库**：采用时间序列、截面、数学、技术指标、逻辑、辅助等6大类约60个通用量化算子[32]。 * **构建逻辑**：遵循“先有明确市场逻辑，再转化为可计算公式与代码”的路径，确保因子具备经济学意义和可解释性[31]。 * **约束条件**：在构建过程中受到表达式复杂度（如符号表达式长度≤250字符）、底层原始特征数量（≤6个）及语义一致性等多重约束[19][30]。 因子的回测效果 *（注：报告未提供框架所挖掘的各个具体因子的独立回测指标值。回测效果均以模型或因子组合的形式呈现，已汇总于“模型的回测效果”部分。）*