根据提供的研报内容，以下是量化模型和因子的详细总结： 量化模型与构建方式 1. **模型名称：黄金定价数量模型** - **模型构建思路**：尝试构建黄金定价的数量模型，基于扩展模型对不同情形下的未来金价进行预测[5] - **模型具体构建过程**： 1. 模型基于全球货币变局背景，考虑非经济因素（如各国信任度变化、国际秩序重构）对黄金需求的影响 2. 分三种情形预测： - 乐观情形：突破3800美元/盎司 - 中性情形：达到3200美元/盎司 - 悲观情形：回落至2600-2700美元/盎司区间 - **模型评价**：该模型突破了传统美元实际利率定价框架，更适合当前非经济因素驱动的黄金牛市[20] 2. **模型名称：债券基金久期测算净值回归法** - **模型构建思路**：通过基金收益率序列对债券指数收益率序列进行多元线性回归，计算组合久期[17] - **模型具体构建过程**： 1. 按券种配置特点将基金分为三类：利率债基金、信用债基金、综合债基金 2. 对不同类型基金采用不同指数回归： - 信用债基金：使用不同期限的中债-信用债总财富指数 - 利率债基金：使用中债-国开行债券总财富（1年以下）指数及国债/政策性银行债指数 - 综合债基金：综合上述所有指数 3. 采用Lasso回归法减轻多重共线性影响，增强模型稳定性[18] - **模型评价**：相比重仓券法和利率敏感度法，具有高频、高时效性优势，平均绝对误差0.63-0.83年[18] 3. **模型名称：ETF中低频因子周度组合策略** - **模型构建思路**：基于量价因子和基本面因子构建周度调仓的ETF组合策略[29] - **模型具体构建过程**： 1. 因子分类测试： - 量价因子：长动量（年度IC胜率82%）、短动量（年度IC胜率91%） - 风格因子：PB分位点因子表现稳定 - 基本面因子：稳定性优于风格因子但收益表现较弱 2. 构建两种策略： - 低频量价策略：年化超额收益12.35%（相对Wind全A） - 困境反转策略：年化超额收益17.49% 3. 最优调仓频率确定为周频（W）[30] - **模型评价**：策略具有显著行业轮动特性，能灵活应对不同经济周期，全池策略抗风险能力最优[30] 量化因子与构建方式 1. **因子名称：长动量因子** - **因子构建思路**：捕捉ETF中长期价格趋势[30] - **因子具体构建过程**： - 计算标的过去6个月收益率排序 - 年度IC胜率达82% - **因子评价**：在量价因子中预测能力最突出 2. **因子名称：短动量因子** - **因子构建思路**：捕捉ETF短期价格动能[30] - **因子具体构建过程**： - 计算标的过去1个月收益率排序 - 年度IC胜率达91% - **因子评价**：收益稳定性最佳的量价因子 3. **因子名称：PB分位点因子** - **因子构建思路**：衡量ETF估值历史分位水平[30] - **因子具体构建过程**： - 计算当前PB相对于过去3年历史分位数 - **因子评价**：能穿越市场周期的稳定风格因子 模型的回测效果 1. **黄金定价数量模型** - 乐观情形预测值：3800美元/盎司[5] - 中性情形预测值：3200美元/盎司[5] - 悲观情形预测值：2600-2700美元/盎司[5] 2. **债券基金久期测算模型** - 利率债基久期误差：0.83年[18] - 信用债基久期误差：0.63年[18] - 综合债基久期误差：0.80年[18] - 全市场纯债基金久期中位数：3.1年（2024年底）[19] 3. **ETF组合策略** - 低频量价策略： - 年化超额收益：12.35% - 年化绝对收益：20.08%[30] - 困境反转策略： - 年化超额收益：17.49% - 年化绝对收益：25.23%[30] 因子的回测效果 1. **长动量因子** - 年度IC胜率：82%[30] 2. **短动量因子** - 年度IC胜率：91%[30] 3. **PB分位点因子** - 稳定性：穿越市场周期[30]

根据提供的量化周报内容，以下是总结的量化模型和量化因子相关内容： 量化模型与构建方式 1.模型名称：中证500增强组合；模型构建思路：通过量化选股策略构建相对于中证500指数的增强组合；模型具体构建过程：组合持仓包括中集集团、中远海发、华海清科等多只股票，每只股票有特定的持仓权重[67][68][69] 2.模型名称：沪深300增强组合；模型构建思路：通过量化选股策略构建相对于沪深300指数的增强组合；模型具体构建过程：组合持仓包括新和成、中远海控、华泰证券等多只股票，每只股票有特定的持仓权重[72][74][75] 模型的回测效果 1.中证500增强组合，本周收益率-0.66%，跑赢基准0.27%；2020年至今超额收益42.60%，最大回撤-4.99%[67][69] 2.沪深300增强组合，本周收益率0.81%，跑赢基准0.80%；2020年至今超额收益24.17%，最大回撤-5.86%[72][74] 量化因子与构建方式 1.因子名称：BARRA十大类风格因子；因子构建思路：参照BARRA因子模型构建；因子具体构建过程：包括市值(SIZE)、BETA、动量(MOM)、残差波动率(RESVOL)、非线性市值(NLSIZE)、估值(BTOP)、流动性(LIQUIDITY)、盈利(EARNINGS_YIELD)、成长(GROWTH)和杠杆(LVRG)[76][77] 2.因子名称：行业因子；因子构建思路：基于行业分类构建；因子具体构建过程：包括传媒、医药、农林牧渔等行业因子[77][78] 因子的回测效果 1.BARRA风格因子，本周动量因子超额收益较高，残差波动率呈显著负向超额收益[77][78] 2.行业因子，本周传媒、医药、农林牧渔等行业因子超额收益较高，国防军工、计算机、通信等行业因子回撤较多[77][78]

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**：宽基形态择时策略 - **构建思路**：基于宽基指数成分股的形态信号构建多空比率剪刀差，生成择时信号[15] - **具体构建过程**： 1. 统计每日成分股的看多/看空形态信号数量 2. 计算多空剪刀差比率： $$ \text{多空比率} = \frac{\text{看多信号数} - \text{看空信号数}}{\text{总成分股数}} $$ 3. 若比率为正且超过阈值则生成看多信号，反之则为看空[15] - **评价**：模型在回测中跑赢基准指数的比率达100%，表现优秀[15] 2. **模型名称**：行业形态择时策略 - **构建思路**：类似宽基策略，但针对中信一级行业指数成分股[15] - **具体构建过程**： 1. 对每个行业成分股统计形态信号 2. 设定零信号处理规则（无信号时多空比率为0）[15] 3. 信号生成逻辑与宽基模型一致 --- 量化因子与构建方式 1. **因子名称**：特殊K线形态因子（满江红、火箭发射等） - **构建思路**：识别六种技术形态（如金针探底、乌云线）作为买卖信号[20] - **具体构建过程**： - **满江红形态**： 1. 要求K线振幅>5% 2. 出现在过去20日低位 3. 下影线长度>80%且收盘价=开盘价[20] - **火箭发射形态**：定义见研报引用链接（未提供详细公式） - **评价**：金针探底、火箭发射等正向形态具有较高胜率[20] 2. **因子名称**：连续看多信号因子 - **构建思路**：统计连续4-5日出现看多形态的股票[18][19] - **具体构建过程**： 1. 每日检测个股形态信号 2. 累计连续出现次数作为因子值 --- 模型的回测效果 1. **宽基形态择时策略**： - 上证50：年化收益11.84%，最大回撤20.2%[12] - 中证500：年化收益20.18%，最大回撤41.19%[12] 2. **行业形态择时策略**： - 消费者服务：年化收益15.41%，最大回撤53.53%[16] - 银行：年化收益11.77%，最大回撤19.52%[16] --- 因子的回测效果 1. **特殊K线形态因子**： - 满江红形态在电力及公用事业行业（如深圳能源）的胜率达25.32%[11][20] - 负面信号（如乌云线）的低点预测胜率78.94%[11] 2. **连续看多信号因子**： - 连续5日信号股票（如山西汾酒）PE(TTM)为21.44[18] - 连续4日信号股票（如重庆钢铁）流通市值110.57亿元[19] --- 注：部分因子（如券商金股形态信号）因未提供详细构建过程未列入[29][30]

根据提供的量化分析报告内容，以下是关于量化模型和因子的详细总结： 量化模型与构建方式 1. **顺周期策略模型** - 模型构建思路：基于经济政策转向与银行板块表现的历史相关性，捕捉政策催化带来的顺周期行情[1][9] - 模型具体构建过程： - 通过复盘2008-2010年、2014-2016年两轮政策周期，统计政策转向后11-15个月内银行板块的绝对收益（分别达77.9%和58.3%）[12][14] - 监测PPI月同比、工业利润累计增速等宏观经济企稳指标作为触发信号[12] - 重点关注零售贷款增速（历史复苏阶段较企业贷款高10.1pc/6.2pc）、新发放贷款利率（当前稳定在3.1%附近）、零售信用成本（22A-24H1累计提升39bp）三大维度的改善[15][19] 2. **高股息策略模型** - 模型构建思路：利用银行股股息率与无风险利率的利差优势，结合中长期资金入市预期构建红利策略[2][20] - 模型具体构建过程： - 计算国有五大行加权平均股息率（4.55%）与10年期国债收益率（1.84%）的利差（2.71%）[22] - 筛选分红比例稳定在25%以上的银行股（如国有大行分红比例持续30%）[26][28] - 跟踪险资举牌动向（2025年前3个月银行股占险资举牌次数的60%）[24] 模型的回测效果 1. **顺周期策略模型** - 年化收益率：历史周期中银行板块绝对收益77.9%（08-10年）、58.3%（14-16年）[12][14] - 超额收益：相对万得全A指数-0.1%（08-10年）、-13.2%（14-16年）[14] 2. **高股息策略模型** - 股息率：银行业整体股息率4.52%，全行业排名第三[25][27] - 资金流入：2025年险资新增保费30%强制配置A股，试点规模达1620亿元[24][25] 量化因子与构建方式 1. **政策响应因子** - 构建思路：量化政策密集期与银行股表现的时间滞后效应[9][10] - 具体构建：统计政策转向后11-15个月的经济企稳窗口期，同步监测银行板块PB分位数（当前位于近3年35%分位）[12] 2. **股息利差因子** - 构建思路：动态计算股息率与无风险利率的差值[20][22] - 具体公式： $$ \text{股息利差} = \text{加权平均股息率} - \text{10年期国债收益率} $$ 当前取值2.71%[22] 3. **零售贷款质量因子** - 构建思路：跟踪零售贷款不良率与信用成本的边际变化[17][19] - 具体指标：2024Q3上市银行零售贷款不良率0.86%-1.48%，信用成本较企业贷款高39bp[19][29] 因子的回测效果 1. **政策响应因子** - 触发准确率：历史两轮周期中政策转向后银行股100%实现绝对收益[12][14] 2. **股息利差因子** - 稳定性：银行业分红比例连续5年保持在25%以上，2023年分红比例提升至26%[26][28] 3. **零售贷款质量因子** - 敏感性：经济复苏阶段零售贷款增速弹性较企业贷款高6.2-10.1pc[15][19]

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]之间的择时分数，反映市场多空信号[1][6] - **模型具体构建过程**： 1. **指标分类**：将指标概括为"估值性价比"、"宏观基本面"、"资金&趋势"、"拥挤度&反转"四大类[1] 2. **标准化处理**：对每个维度的指标进行标准化或阈值判断，生成[-1,1]的子分数[10] 3. **综合打分**：加权或等权汇总各维度分数，最终输出综合择时分数[6] 量化因子与构建方式 1. **因子名称**：货币方向因子 - **因子构建思路**：通过货币政策利率与短端市场利率的变化方向判断货币宽松/收紧[12] - **因子具体构建过程**：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则宽松（分数=1），<0则收紧（分数=-1）[12] - **因子评价**：直接反映政策导向，但对市场实际流动性的传导存在滞后性 2. **因子名称**：货币强度因子 - **因子构建过程**：基于利率走廊概念，计算偏离度=DR007/7天逆回购利率-1，经平滑和zscore处理后，若<-1.5倍标准差则看多（1分），>1.5倍标准差则看空（-1分）[15] 3. **因子名称**：信用方向因子 - **因子构建过程**：使用中长期贷款12个月增量同比，若较三个月前上升则看多（1分），反之看空（-1分）[18] 4. **因子名称**：信用强度因子 - **因子构建过程**：计算(新增人民币贷款-预期中位数)/预期标准差，>1.5倍标准差看多（1分），<-1.5倍标准差看空（-1分）[21] 5. **因子名称**：增长方向因子 - **因子构建过程**：基于PMI数据计算12个月均值同比，若较三个月前上升则看多（1分），反之看空（-1分）[22] 6. **因子名称**：通胀方向因子 - **因子构建过程**：计算0.5×CPI同比平滑值+0.5×PPI同比原始值，若较三个月前下降则看多（1分），反之看空（-1分）[27] 7. **因子名称**：席勒ERP - **因子构建过程**： 1. 计算6年通胀调整后的平均盈利得到席勒PE 2. 席勒ERP=1/席勒PE-10年期国债收益率 3. 对过去3年数据做zscore标准化到±1区间[32] 8. **因子名称**：可转债定价偏离度 - **因子构建过程**：计算转债价格/模型定价-1，取负值后做3年zscore标准化，偏离度越高则分数越低[65] 模型的回测效果 1. **择时雷达六面图**： - 综合打分：-0.05（中性）[8] - 流动性得分：-0.75（显著看空）[8] - 估值面得分：0.05（中性）[8] - 拥挤度得分：0.17（中性偏低）[8] 因子的回测效果 1. **货币方向因子**：当前分数-1.00[10] 2. **信用强度因子**：当前分数0.00[10] 3. **增长方向因子**：当前分数1.00[10] 4. **席勒ERP**：当前分数0.52[10] 5. **两融增量因子**：当前分数1.00[10] 6. **期权隐含升贴水**：当前分数1.00[10]

根据提供的量化市场追踪周报内容，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. **自由现金流ETF模型** - 构建思路：聚焦公司内生现金流的创造能力，兼具盈利质量筛选与成长属性，作为对抗低利率环境的工具[10] - 具体构建：基于国证自由现金流指数或沪深300自由现金流指数编制，筛选高自由现金流公司并调整行业权重，与红利指数形成差异化[10] - 评价：兼具防御性和成长性，适合当前政策博弈期市场环境[10] 2. **行业轮动模型** - 构建思路：基于绩优基金持仓倾向的边际变化生成行业配置信号[35] - 具体构建： 1. 计算绩优基金行业超配比例： $$超配比例 = \frac{基金持仓行业权重 - 基准行业权重}{基准行业权重}$$ 2. 结合动量因子（近3月行业收益率）和景气度因子（ROE变化）构建综合评分[36] - 评价：对机构重仓行业保持谨慎判断，近期超配有色金属/电力/通信[35][36] 模型的回测效果 1. 自由现金流ETF模型： - 华夏国证自由现金流ETF近3月净流入18.23亿元，规模达25.21亿元[64] - 国泰富时中国A股自由现金流ETF年初至今回报1.36%[64] 2. 行业轮动模型： - 多头组合超额收益：2023年以来累计超额达85%（vs 中证800基准）[36] - 本周有效信号：超配有色金属（排名1）、电力及公用事业（排名2）[39] 量化因子与构建方式 1. **自由现金流因子** - 构建过程： $$自由现金流 = 经营性现金流净额 - 资本支出$$ 标准化处理： $$FCF\_factor = \frac{自由现金流 - 行业均值}{行业标准差}$$[10] 2. **动量因子** - 构建过程：计算行业近20日收益率并标准化排名[36] 3. **景气度因子** - 构建过程： $$景气度 = \frac{当期ROE - 过去4季度平均ROE}{过去4季度ROE波动率}$$[36] 因子的回测效果 1. 自由现金流因子： - 在沪深300成分股中IC均值0.12，年化IR 1.8[10] 2. 动量因子： - 20日周期下行业轮动胜率58.3%[36] 3. 景气度因子： - 与超配信号结合时多空收益差提升至年化9.7%[36] 指标取值汇总 | 模型/因子 | 规模/净流入(亿元) | 收益率指标 | 风险指标 | |---------------------|-------------------|--------------|------------| | 自由现金流ETF模型 | 25.21(华夏)[64] | 年初1.36%[64]| 波动率18.7%| | 行业轮动多头组合 | - | 年化超额85%[36] | 最大回撤12.3%| | 自由现金流因子 | - | IC 0.12[10] | IR 1.8[10] |

金融工程 | 金工定期报告 2025 年 03 月 30 日 作者 吴先兴 分析师 SAC 执业证书编号：S1110516120001 wuxianxing@tfzq.com 韩乾 分析师 SAC 执业证书编号：S1110522100001 hanqian@tfzq.com 相关报告 1 《金融工程：金融工程-沪深 300 增 强本周超额基准 0.66%》 2025-03-29 2 《金融工程：金融工程-因子跟踪周 报：换手率、bp 分位数因子表现较好 -20250328》 2025-03-29 3 《金融工程：金融工程-大模型总结 和解读行业研报（ 2025W12 ）》 2025-03-24 金融工程 证券研究报告 基金风格配置监控周报： 权益基金连续两周下调小盘股票仓位 公募基金风格监控 基金季报中披露有基金前十大重仓股，同时企业季度报告中披露有企业的 前十大股东信息（主要使用上市公司 1、3 季度十大股东信息），结合这两 部分信息我们可以得到基金持仓更加详细的重仓股信息。因此模拟全部股 票持仓只需要估计基金剩余的非重仓持股明细。 基金季报（T 期）披露有股票持仓的证监会行业配置信息，基金最近（T-1 期 ...

金融工程 | 金工定期报告 金融工程 证券研究报告 上周周报(20250323)认为：当前赚钱效应为-0.6%，近期首次转负，显示市 场上行趋势开始遇阻。考虑当前的估值水平，建议小幅降低仓位以作应对， 最终上行趋势是否确认破坏，耐心等待 5 日均线是否下穿 20 日均线。最终 wind 全 A 继续调整，全周下跌 1.29%。市值维度上，上周代表小市值股票 的中证 2000 下跌 3.90%，中盘股中证 500 下跌 0.94%，沪深 300 上涨 0.01%， 上证 50 上涨 0.16%;上周中信一级行业中，表现较强行业包括医药、家电， 医药上涨 1.04%，计算机、军工表现较差，计算机下跌 4.84%。上周成交活 跃度上，基础化工和石油石化流入明显。 从择时体系来看，我们定义的用来区别市场整体环境的 wind 全 A 长期均 线（120 日）和短期均线（20 日）的距离继续缩小，最新数据显示 20 日 线收于 5253，120 日线收于 5086 点，短期均线继续位于长线均线之上， 两线距离由上周的 4.53%缩小至 3.28%，绝对距离继续大于 3%， Wind 全 A 指数当前趋势线均线位于 525 ...

量化模型与构建方式 1. **模型名称**：改进净利润增速因子 - **构建思路**：通过将原始净利润增速因子的分母端替换为更稳定的净利润TTM，降低因分母基数效应导致的异常值比例，提升因子稳定性[2] - **具体构建过程**： - 原始因子公式：单季度净利润同比增速，分母为去年同期单季净利润绝对值 - 改进后公式： $$ \text{改进净利润增速} = \frac{\text{当期单季净利润} - \text{去年同期单季净利润}}{\text{净利润TTM}} $$ - 净利润TTM（滚动12个月净利润）作为分母，因其正值比例更高且波动更小[2] - **评价**：改进后因子稳定性显著提升，年化IR从1.96提升至2.66[2] 2. **模型名称**：景气周期因子 - **构建思路**：通过单季度净利润占净利润TTM的比例定位个股业绩周期位置，刻画淡旺季状态[3] - **具体构建过程**： $$ \text{景气周期因子} = \frac{\text{单季度净利润}}{\text{净利润TTM}} $$ - 该比值反映个股当前业绩在周期中的相对位置[3] - **评价**：因子多空年化收益13.9%，月度胜率77%，最大回撤仅6.3%[3] 3. **模型名称**：周期成长因子 - **构建思路**：合成改进净利润增速因子（成长性）与景气周期因子（周期性），兼顾业绩增量与存量特征[4] - **具体构建过程**： - 采用加权合成或标准化后线性组合（具体方法未披露，但强调逻辑兼容性）[4] - **评价**：合成因子表现稳健，年化IR达3.5，分板块中制造、周期、科技领域有效性突出[4] 4. **模型名称**：营收周期成长因子 - **构建思路**：将净利润因子的改进逻辑外推至营收数据，构建营收增速与营收景气周期的合成因子[5] - **具体构建过程**： - 类似净利润因子改进方法，分母替换为营收TTM[5] - **评价**：多空年化收益12.4%，较原始营收增速因子提升显著[5] --- 模型的回测效果 1. **改进净利润增速因子** - RankIC均值3.1%，RankICIR 1.9 - 多空年化收益13.6%（原始11.7%），年化IR 2.66（原始1.96） - 最大回撤12.49%，月度胜率71%[2] 2. **景气周期因子** - RankIC均值3.7%，RankICIR 2.8 - 多空年化收益13.9%，年化IR 2.9 - 最大回撤6.3%，月度胜率77%[3] 3. **周期成长因子** - RankIC均值4.2%，RankICIR 2.4 - 多空年化收益18.8%，年化IR 3.5 - 最大回撤7.9%，中证500指增组合超额年化收益16.6%[4] 4. **营收周期成长因子** - 多空年化收益12.4%，年化IR 2.2 - 较原始营收增速因子（年化收益7.6%）提升显著[5] --- 量化因子与构建方式 1. **因子名称**：景气周期增速因子 - **构建思路**：对景气周期指标做同比增速处理，尝试单因子融合成长与周期特征[105] - **具体构建过程**： $$ \text{景气周期增速} = \frac{\text{当期景气周期值} - \text{去年同期景气周期值}}{\text{去年同期景气周期值}} $$ - **评价**：信息折损较高，收益表现弱于分拆后的单因子组合[105] --- 因子的回测效果 1. **景气周期增速因子** - RankIC均值3.4%，RankICIR 3.0 - 多空年化收益12.8%，年化IR 2.7 - 中证500年化收益13.7%，最大回撤6.8%[105] 2. **原始营收增速因子** - 多空年化收益7.6%，年化IR 1.3 - 改进后营收类因子收益提升超50%[115] --- 其他关键点 - **数据优化**：引入业绩快报与预告数据后，净利润增速因子多空年化收益从8.2%提升至11.7%[12][16] - **板块有效性**：周期成长因子在制造、周期、科技板块RankIC超4.4%，金融板块仅2.9%[99] - **行业表现**：电力设备、基础化工多空年化收益超12%，医药生物、电子收益约10%[101][103]

根据研报内容，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**：中证红利超额收益择时策略 - **模型构建思路**：基于全球流动性（10年期美债收益率）、内部流动性（国内M2同比）、国内经济预期（M1-M2同比剪刀差）三个宏观指标构建中证红利相对于万得全A的超额收益择时模型[8] - **模型具体构建过程**： 1. 对10年期美债收益率计算60日与250日均线，当60日均线上穿250日均线时触发看多信号 2. 对国内M2同比和M1-M2剪刀差分别计算3月均线与12月均线，当3月均线上穿12月均线时判断为上行趋势 3. 综合三个指标的信号方向（美债看多、国内流动性看空）形成最终择时观点 - **模型评价**：2010年以来年化收益8.25%，但2025年出现-5.28%回撤，显示宏观环境变化对模型效果的冲击[8] 2. **模型名称**：红利估值回归模型 - **模型构建思路**：通过PETTM百分位与历史收益的统计关系预测未来收益[18][20] - **模型具体构建过程**： 1. 采用权重因子加权调整中证红利PETTM估值 2. 计算近三年/五年PETTM百分位 3. 建立线性回归方程： $$ y = -0.2791x + 0.2641 $$ 其中y为未来一年绝对收益，x为PETTM百分位[22] 4. 相对估值模型将中证红利PETTM除以万得全A PETTM，构建类似回归方程[28] 3. **模型名称**：价量回归模型 - **模型构建思路**：结合价格均线突破权重与成交拥挤度预测收益[23][29] - **模型具体构建过程**： 1. 价格维度：计算120日均线上成分股权重合计，建立回归方程： $$ y = -0.2387x + 0.2133 $$ 其中y为未来一年绝对收益，x为均线上权重占比[25] 2. 成交维度：计算近三年成交额百分位，建立回归方程： $$ y = -0.3852x + 0.3443 $$ 相对成交额模型额外计算中证红利/万得全A成交额比率[34] 4. **因子名称**：红利风格暴露因子 - **因子构建思路**：标准化季度股息率因子，计算偏股型基金前十大重仓的红利暴露度[35] - **因子具体构建过程**： 1. 对每只股票计算标准化股息率 2. 按基金持仓加权汇总暴露度 3. 历史数据显示暴露度与中证红利收益呈正相关[37][38] 模型与因子的回测效果 1. **中证红利超额收益择时模型** - 年化收益8.25%（2010-2025）[8] - 2025年收益-5.28%[8] 2. **估值回归模型** - 绝对PETTM模型：近三年百分位96.93%时预测未来一年收益-0.65%[18] - 相对PETTM模型：76.50%百分位时预测超额收益0.95%[20] 3. **价量回归模型** - 价格维度：58.44%权重在120日均线上时预测收益7.38%[23] - 成交维度：76.64%成交百分位时预测收益4.91%[29] - 相对成交维度：6.54%百分位时预测一月超额收益0.78%[30] 4. **红利50优选组合** - 近一年绝对收益12.03%，超额3.31%[45] - 2022年以来累计超额22.83%[45] 5. **红利风格暴露因子** - 2024Q4暴露度0.45，创2019年新高[35] - 与中证红利收益相关系数0.39-0.45[36]