量化模型与构建方式 1. **模型名称：多资产择时模型**[1][2][3][6][7][8] **模型构建思路：** 该模型旨在对多种资产（包括不同期限的国债、信用债、股票指数及大宗商品）的未来短期走势进行概率化预测，并基于预测概率生成“看多”、“调整”（看空）或“震荡”的定性观点[2][3][6][7][8]。 **模型具体构建过程：** 1. **信号生成：** 模型每日计算并输出一个“原始信号”或“单日择时信号”，该信号是一个百分比数值，代表模型对未来短期内资产价格（对于股指）或收益率（对于债券）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（MA5）处理，得到平滑后的信号值，以降低噪声[2][6][7][8]。 3. **观点生成规则：** 根据资产类型和信号阈值，将概率信号转化为多空观点[8]。 * **对于利率债（国债）和信用债（中短票）：** 当原始信号大于60%时，模型观点为“调整”（看空收益率下行）；当原始信号小于40%时，模型观点为“看多”（看多收益率上行）；信号在40%至60%之间时，观点为“震荡”[8]。 * **对于股指（如万得全A、恒生科技等）：** 当原始信号大于60%时，模型观点为“调整”（看空）；当原始信号小于40%时，模型观点为“看多”；信号在40%至60%之间时，观点为“震荡”[8]。 * **对于大宗商品（如黄金、原油、铜、焦煤）：** 报告未明确其具体阈值规则，但同样输出“调整”、“看多”或“震荡”观点[2][6][7][8]。 模型的回测效果 （注：报告未提供模型整体的历史回测绩效指标，如年化收益率、夏普比率、最大回撤等。仅提供了特定日期各资产模型的信号输出值及据此生成的观点。） 1. **多资产择时模型**，在**2026-04-09**的测试结果如下[2][6][7][8]： * **30年国债**：原始信号61.52%，MA5信号79.16%，模型观点为【调整】 * **3年AAA中短票**：原始信号6.00%，MA5信号7.07%，模型观点为【看多】 * **5年国债**：原始信号21.60%，MA5信号61.96%，模型观点为【调整】 * **2年国债**：原始信号13.61%，MA5信号13.92%，模型观点为【看多】 * **万得全A指数**：原始信号64.97%，MA5信号64.85%，模型观点为【调整】 * **中证红利全收益指数**：原始信号50.61%，MA5信号70.08%，模型观点为【调整】 * **恒生科技指数**：原始信号77.84%，MA5信号75.23%，模型观点为【调整】 * **科创50指数**：原始信号61.00%，MA5信号64.91%，模型观点为【调整】 * **万得微盘指数**：原始信号72.42%，MA5信号67.24%，模型观点为【调整】 * **国证2000指数**：原始信号68.51%，MA5信号70.17%，模型观点为【调整】 * **COMEX黄金**：原始信号25.87%，MA5信号51.78%，模型观点为【震荡】 * **IPE布油**：原始信号65.88%，MA5信号41.62%，模型观点为【震荡】 * **COMEX铜**：原始信号71.88%，MA5信号85.75%，模型观点为【调整】 * **焦煤**：原始信号91.07%，MA5信号82.65%，模型观点为【调整】 （报告未涉及量化因子的构建与分析内容。）

量化模型与因子总结 量化因子与构建方式 1. **因子名称：风格相对拥挤度**[122] * **因子构建思路**：通过比较两种风格指数（如成长与红利）的换手率活跃度差异，来衡量某一风格相对于另一风格的交易拥挤程度。拥挤度越高，表明该风格交易过热，未来回调风险可能越大[67]。 * **因子具体构建过程**： 1. 对于风格A指数和风格B指数，分别计算其近252个交易日（约一年）的平均换手率。 2. 将每个指数的平均换手率序列，在从2005年1月1日至今的整个历史时间序列上进行Z-score标准化，得到Z-score_A和Z-score_B。 3. 计算两个标准化值的差值：差值 = Z-score_A - Z-score_B。 4. 计算该差值序列在过去6年滚动窗口内的历史分位数（若历史数据不足6年但满1年，则使用全部历史数据计算）。这个分位数即为风格A相对于风格B的“相对拥挤度”[122]。 2. **因子名称：风格累计超额净值**[123] * **因子构建思路**：计算某一风格指数相对于市场基准（万得全A）的长期累计超额收益，用于评估该风格的长期表现和趋势。 * **因子具体构建过程**： 1. 以2020年1月4日为基准日，将风格指数和万得全A指数的每日收盘价除以各自在基准日的收盘价，分别得到各自的累计净值序列。 2. 将风格指数的累计净值除以同一交易日的万得全A指数累计净值，得到该风格指数相对于万得全A的累计超额净值序列[123]。 3. **因子名称：机构调研活跃度**[124] * **因子构建思路**：通过计算板块、指数或行业在一段时间内接受机构调研的频繁程度，并将其与市场整体水平进行比较，来衡量市场关注度的变化。 * **因子具体构建过程**： 1. 对于目标板块（指数、行业），计算其近n个交易日的“日均机构调研次数”。 2. 将该日均值在滚动y年的历史时间序列上进行z-score标准化。 3. 对万得全A进行同样的计算，得到其标准化值。 4. 将目标板块的标准化值减去万得全A的标准化值，得到“机构调研活跃度”。 5. 最后，计算该“机构调研活跃度”值在滚动y年历史窗口内的分位数[124]。 * **参数设置**： * 长期口径：n=126（近半年），滚动窗口y=6年（数据不足6年但满3年时用全部历史数据）[124]。 * 短期口径：n=63（近一季度），滚动窗口y=3年（数据不足3年但满1年时用全部历史数据）[124]。 4. **因子名称：风险溢价 (ERP)**[48] * **因子构建思路**：衡量股票市场相对于无风险利率的预期超额回报，用于评估股市的估值吸引力或“股债性价比”。 * **因子具体构建过程**： 1. 计算指数的市盈率倒数（盈利收益率）：1 / 指数PE_TTM。 2. 减去当前10年期中债国债到期收益率。 * **公式**： $$指数ERP = \frac{1}{指数PE\_TTM} – 10年期中债国债到期收益率$$[48] 5. **因子名称：成交热度**[25] * **因子构建思路**：使用换手率的历史分位值来衡量当前市场的交易活跃程度。 * **因子具体构建过程**：对于核心指数、板块或行业，计算其“周度日均自由流通换手率”在从2005年1月1日至今的历史时间序列中所处的百分位值[25]。 6. **因子名称：动量因子（长江动量指数构建）**[59] * **因子构建思路**：捕捉股票价格中期延续上涨或下跌趋势的效应。 * **因子具体构建过程**：以最近一年股票收益率减去最近一个月股票收益率（剔除涨停板影响）作为动量指标，在A股市场中综合选择动量特征强且流动性相对较高的前100只股票作为指数成分股[59]。 7. **因子名称：反转因子（长江反转指数构建）**[60] * **因子构建思路**：捕捉股票价格短期出现反向修正的效应。 * **因子具体构建过程**：以最近一个月股票收益率作为筛选指标，在A股市场中综合选择反转效应强、流动性较好的前100只股票作为指数成分股，并采用成分股近三个月日均成交量进行加权[60]。 因子的回测效果 1. **风格相对拥挤度因子**，成长vs红利相对拥挤度历史分位：70%[67]，小盘vs大盘相对拥挤度历史分位：6%[67]，微盘股vs中证800相对拥挤度历史分位：61%[67] 2. **风格累计超额净值因子**，成长较红利超额收益（近一周）：4.2%[58]，小盘较大盘超额收益（近一周）：2.4%[58]，微盘股较基金重仓超额收益（近一周）：-2.1%[58]，动量较反转超额收益（近一周）：5.8%[58] 3. **风险溢价 (ERP) 因子**，万得全A指数ERP历史分位：55%[57]，沪深300指数ERP历史分位：61%[57]，创业板指数ERP历史分位：86%[57] 4. **成交热度因子**，万得全A指数成交热度历史分位：81%[31]，创业板指数成交热度历史分位：88%[31]，医药板块成交热度历史分位：91%[25]，金融板块成交热度历史分位：57%[25]

量化模型与构建方式 1. **模型名称：宏观资金面信号择时策略**[66][67] * **模型构建思路**：通过监测外部宏观与资金信号，构建一个综合择时模型，用于判断市场整体环境并指导投资决策[66]。 * **模型具体构建过程**： 1. **信号源与指标**：模型主要依赖两个外部信号源：美国长期利率和人民币汇率[66]。 2. **美债收益率信号（长期宏观信号）**：计算10年期美债收益率的18个月均值，将当前收益率与均值比较。若当前收益率高于均值，则发出偏空信号（-1）；若低于均值，则发出偏多信号（+1）[72]。 3. **汇率信号（短期资金信号）**：计算USDCNY汇率的4周涨跌幅。若涨跌幅为负（人民币升值），则发出偏多信号（+1）；若涨跌幅为正（人民币贬值），则发出偏空信号（-1）[73]。 4. **信号综合**：将美债收益率信号和汇率信号进行综合。报告指出，当利率信号偏空而汇率信号偏多时，两者方向相反，综合信号为中性[74]。 量化因子与构建方式 1. **因子名称：基差比例**[16][18] * **因子构建思路**：通过计算股指期货价格与其对应现货指数价格的差异比例，来反映市场情绪和套利空间[24]。 * **因子具体构建过程**：使用股指期货次月合约的结算价和对应现货指数的收盘价进行计算。公式为： $$基差比例 = \frac{期货价格}{对应指数价格} - 1$$[22] 计算结果为负值表示期货贴水，正值表示期货升水[24]。 2. **因子名称：期权持仓量PCR**[58] * **因子构建思路**：通过计算看跌期权与看涨期权的持仓量比值，来衡量市场情绪。PCR上升通常代表市场情绪相对谨慎或悲观[58]。 * **因子具体构建过程**：分别计算特定标的（如50ETF、300ETF）期权所有合约的看跌期权总持仓量与看涨期权总持仓量，然后求比值。 $$PCR = \frac{看跌期权总持仓量}{看涨期权总持仓量}$$[58] 3. **因子名称：VIX指数**[50] * **因子构建思路**：通过期权市场价格反推得出的波动率指数，反映市场对未来30天股市波动性的预期[50]。 * **因子具体构建过程**：该因子通常由交易所或数据供应商根据期权市场价格模型（如Black-Scholes模型）计算得出，代表市场隐含波动率。报告中直接引用了华泰柏瑞300ETF、华夏50ETF等主要期权的VIX数据[52][53]。 模型的回测效果 1. **宏观资金面信号择时策略**[77] * 收益：7.91% * 最大回撤：36.49% * 年化波动率：11.42% * 胜率：51.12% * 卡尔玛比率：0.22 * 夏普比率：0.41 因子的回测效果 *(注：报告未提供单个因子的独立回测绩效指标，仅展示了其历史数值和定性分析。)*

量化模型与构建方式 1. **模型名称：Sharpe模型** [40] * **模型构建思路**：该模型用于对基金经理的投资组合进行业绩归因，分析其收益来源，特别是识别其投资风格（如大盘/小盘、成长/价值）的长期暴露情况[40]。 * **模型具体构建过程**：报告未详细说明Sharpe模型的具体构建步骤和公式，仅提及使用该模型对基金进行业绩归因，并分析了基金在巨潮小盘指数、成长因子、价值因子等风格维度上的暴露度[40]。 量化因子与构建方式 1. **因子名称：小盘因子** * **因子构建思路**：通过衡量基金持仓对代表小盘股风格指数的暴露程度，来刻画基金经理是否偏好投资小市值公司[40]。 * **因子具体构建过程**：报告未提供该因子的具体计算公式。分析中使用了巨潮小盘指数作为小盘风格的代表，通过Sharpe模型计算基金相对于该指数的暴露度，数值越高代表小盘风格暴露越强[40]。 2. **因子名称：成长因子** * **因子构建思路**：通过衡量基金持仓对成长风格的暴露程度，来刻画基金经理是否偏好投资具有高增长潜力的公司[40]。 * **因子具体构建过程**：报告未提供该因子的具体计算公式。分析中通过Sharpe模型计算基金的成长因子暴露度，并与价值因子暴露度进行比较，以判断其风格倾向[40]。 3. **因子名称：价值因子** * **因子构建思路**：通过衡量基金持仓对价值风格的暴露程度，来刻画基金经理是否偏好投资估值相对较低的公司[40]。 * **因子具体构建过程**：报告未提供该因子的具体计算公式。分析中通过Sharpe模型计算基金的价值因子暴露度，并与成长因子暴露度进行对比[40]。 模型的回测效果 1. **Sharpe模型**，分析显示华商研究精选A基金在2019年至2024年间，对小盘风格的暴露度长期维持在60%-90%区间；对成长风格的暴露度长期高于价值风格；2025年下半年起，风格配置趋于均衡，在保持小盘成长核心的同时，适度增配了大盘价值板块[40]。 因子的回测效果 1. **小盘因子**，分析显示华商研究精选A基金在2019年至2024年间，对该因子的暴露度长期维持在60%-90%的高区间[40]。 2. **成长因子**，分析显示华商研究精选A基金对该因子的暴露度长期高于价值因子，成长风格贯穿始终[40]。 3. **价值因子**，分析显示华商研究精选A基金在多数时期对该因子的暴露度低于成长因子；2025年下半年起，价值因子暴露度有所提升，风格趋于均衡[40]。

量化模型与构建方式 本报告主要介绍AI Agent工具Hermes，并未涉及具体的量化投资模型或量化因子的构建、测试与评价[7]。报告内容聚焦于该工具的功能、架构及其在金融工程领域的潜在应用场景[1][39]。 量化因子与构建方式 本报告未涉及具体的量化因子构建。 模型的回测效果 本报告未提供任何量化模型的回测效果数据。 因子的回测效果 本报告未提供任何量化因子的回测效果数据。

量化模型与因子总结 根据研报内容，本报告主要进行历史复盘与定性分析，未涉及具体的量化模型或量化因子的构建、测试与回测。报告的核心在于总结全球主要资产在不同宏观环境下的表现规律，而非构建或测试可投资的量化策略或因子[6][7][11]。 报告通过梳理过去20年（2006-2026年）的数据，归纳了资产轮动的“共性逻辑”和不同市场的“分化逻辑”，并基于重大历史事件进行了复盘[6][7][11][17][18]。 **量化模型与构建方式** 1. 无相关内容。报告未提出或构建任何具体的量化预测模型、资产配置模型或择时模型。 **量化因子与构建方式** 1. 无相关内容。报告未构建或测试任何用于选股或解释收益的量化因子（如价值、动量、质量等）。 **模型的回测效果** 1. 无相关内容。 **因子的回测效果** 1. 无相关内容。

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涨停的股票数量占最高价涨停股票总数的比例，来衡量市场涨停板的“封板”强度，反映市场追涨情绪和资金封板意愿[17]。 * **因子具体构建过程**： 1. 选取上市满3个月以上的股票作为样本[13][14][17]。 2. 在交易日T，筛选出盘中最高价达到涨停价的股票集合A[17]。 3. 在集合A中，进一步筛选出收盘价也达到涨停价的股票集合B[17]。 4. 计算封板率，公式为： $$封板率 = \frac{集合B的股票数量}{集合A的股票数量}$$ [17] * **因子评价**：该因子是衡量市场短期投机情绪和涨停股质量的高频指标，封板率越高，通常意味着涨停板的可靠性越强，市场追涨热情越高[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数量占前一日收盘涨停股票总数的比例，来衡量市场涨停板的持续性，反映市场强势股的接力情绪[17]。 * **因子具体构建过程**： 1. 选取上市满3个月以上的股票作为样本[13][14][17]。 2. 在交易日T，统计前一日（T-1日）收盘涨停的股票数量N[17]。 3. 在交易日T，统计在T-1日和T日连续两日收盘均涨停的股票数量M[17]。 4. 计算连板率，公式为： $$连板率 = \frac{M}{N}$$ [17] * **因子评价**：该因子是衡量市场赚钱效应延续性和题材炒作热度的重要指标，连板率越高，表明市场短线资金活跃，强势股具有较好的持续性[17]。 3. **因子名称：大宗交易折价率** [27] * **因子构建思路**：通过计算大宗交易成交总额相对于当日成交份额总市值的折价比例，来反映大资金通过大宗交易平台交易的意愿成本，可作为观察机构或大股东态度的参考[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，包括每笔交易的成交金额和成交份额[27]。 2. 计算当日大宗交易的总成交金额（Sum_Amount）[27]。 3. 计算当日大宗交易成交份额按当日收盘价计算的总市值（Sum_MarketValue）[27]。 4. 计算折价率，公式为： $$折价率 = \frac{Sum\_Amount}{Sum\_MarketValue} - 1$$ [27] * **因子评价**：该因子反映了机构或大股东在批量交易时的“流动性折扣”，折价率越高，通常意味着卖方出让意愿更强，或买方议价能力更高，可能隐含了对个股的负面看法[27]。 4. **因子名称：股指期货年化贴水率** [29] * **因子构建思路**：通过计算股指期货主力合约价格与现货指数价格的基差，并进行年化处理，来衡量市场对未来指数走势的预期以及股指对冲的成本[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 = 期货价格 - 现货指数价格[29]。当基差为负时，称为贴水。 3. 计算年化贴水率，公式为： $$年化贴水率 = \frac{基差}{现货指数价格} \times \frac{250}{合约剩余交易日数}$$ [29] 其中，250为一年中大致的大盘交易日数，用于年化处理[29]。 * **因子评价**：该因子是重要的市场情绪和资金面指标。深度贴水可能反映市场悲观预期、对冲需求旺盛或套利机制受限；升水则可能反映乐观预期。贴水率直接影响利用股指期货进行对冲的成本[29]。 因子的回测效果 *注：本报告为市场监测日报，主要展示各因子在特定日期的计算数值和近期统计特征，未提供基于长期历史数据的标准化回测绩效指标（如IC、IR、多空收益等）。以下为报告中提及的因子在特定日期的取值及统计特征。* 1. **封板率因子** * 2026年04月09日取值：**74%** [17] * 近期变动：较前一日下降10个百分点[17]。 2. **连板率因子** * 2026年04月09日取值：**13%** [17] * 近期变动：较前一日下降2个百分点[17]。 3. **大宗交易折价率因子** * 2026年04月08日单日取值：**6.45%** [27] * 近半年统计均值：**7.16%** [27] * 近半年日均成交金额：19亿元[27]。 4. **股指期货年化贴水率因子** * **上证50股指期货**： * 2026年04月09日取值：**4.36%** [29] * 近一年中位数：**1.39%** [29] * 当日分位点（近一年）：**31%** [29] * **沪深300股指期货**： * 2026年04月09日取值：**7.55%** [29] * 近一年中位数：**4.85%** [29] * 当日分位点（近一年）：**35%** [29] * **中证500股指期货**： * 2026年04月09日取值：**9.88%** [29] * 近一年中位数：**10.90%** [29] * 当日分位点（近一年）：**58%** [29] * **中证1000股指期货**： * 2026年04月09日取值：**13.94%** [29] * 近一年中位数：**13.18%** [29] * 当日分位点（近一年）：**44%** [29]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：行业拥挤度监测模型**[36] * **模型构建思路**：通过量化方法对申万一级行业指数的拥挤度进行每日监测，以识别市场过热或过冷的行业，为投资决策提供参考[36]。 * **模型具体构建过程**：报告未详细披露该模型的具体构建公式和计算步骤，仅提及了其功能和应用结果。模型每日输出各行业的拥挤度水平，并识别出拥挤度较高（如通信、石油石化）和较低（如计算机、纺服）的行业[36]。此外，模型还能监测行业拥挤度的周度变动情况，例如指出有色、医药、机械行业本周拥挤度变动较大[36]。 2. **模型名称：ETF产品关注信号模型（基于溢价率Z-score）**[43] * **模型构建思路**：根据ETF的溢价率Z-score模型搭建筛选信号，通过滚动测算识别存在潜在套利机会的ETF标的，同时提示标的回调风险[43]。 * **模型具体构建过程**：报告未给出该模型具体的Z-score计算公式和滚动窗口设定。模型的核心是基于溢价率指标进行标准化（Z-score）处理，并设定阈值来生成“建议关注”等交易信号[43]。模型最终输出一个包含基金代码、名称、跟踪指数等信息的ETF产品列表[44]。 模型的回测效果 （报告未提供相关量化模型的回测绩效指标，如年化收益率、夏普比率、最大回撤等。） 量化因子与构建方式 1. **因子名称：行业拥挤度**[36] * **因子构建思路**：衡量特定行业交易过热或过冷程度的指标，用于监测市场情绪和资金集中度[36]。 * **因子具体构建过程**：报告未披露该因子的具体计算方法和构成维度（如可能包含成交量、价格动量、分析师情绪等子因子）。因子每日更新，结果以热力图形式展示近30个交易日的行业拥挤度情况[38]。 2. **因子名称：溢价率Z-score**[43] * **因子构建思路**：将ETF的溢价率进行标准化处理，以衡量当前溢价率相对于其历史水平的偏离程度，用于发现统计意义上的异常值（套利机会）[43]。 * **因子具体构建过程**：报告未给出具体的计算公式。通常，Z-score的计算公式为： $$Z = \frac{X - \mu}{\sigma}$$ 其中，$X$代表当前溢价率，$\mu$代表滚动窗口内的历史溢价率均值，$\sigma$代表滚动窗口内的历史溢价率标准差。模型利用此标准化值生成交易信号[43]。 因子的回测效果 （报告未提供相关量化因子（如行业拥挤度、溢价率Z-score）的因子测试结果，如IC值、IR、多空收益等。）

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** * **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程度和相对重要性，反映市场杠杆资金的参与热度[1][36]。 * **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[36][37]。 * **公式：** $$融资买入额占成交额比例 = \frac{融资买入额}{成交额} \times 100\%$$ * 公式说明：分子为指定周期内的融资买入金额总和，分母为同期总成交金额[37]。 2. **因子名称：融资余额占流通市值比例** * **因子构建思路：** 衡量融资盘规模相对于股票或行业流通盘的大小，反映杠杆资金在流通股本中的占比和潜在影响[36]。 * **因子具体构建过程：** 在特定时点（如周末），用股票或行业的融资余额除以其流通市值，计算结果以百分比表示[36][37]。 * **公式：** $$融资余额占流通市值比例 = \frac{融资余额}{流通市值} \times 100\%$$ * 公式说明：分子为截至计算时点的融资余额，分母为同一时点的流通市值[37]。 3. **因子名称：融券卖出额占成交额比例** * **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程度，反映市场看空力量的参与度[40]。 * **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[40][41]。 * **公式：** $$融券卖出额占成交额比例 = \frac{融券卖出额}{成交额} \times 100\%$$ * 公式说明：分子为指定周期内的融券卖出金额总和，分母为同期总成交金额[41]。 4. **因子名称：融券余额占流通市值比例** * **因子构建思路：** 衡量融券盘规模相对于股票或行业流通盘的大小，反映市场看空头寸在流通股本中的占比[40]。 * **因子具体构建过程：** 在特定时点（如周末），用股票或行业的融券余额除以其流通市值，计算结果以百分比表示[40][41]。 * **公式：** $$融券余额占流通市值比例 = \frac{融券余额}{流通市值} \times 100\%$$ * 公式说明：分子为截至计算时点的融券余额，分母为同一时点的流通市值[41]。 5. **因子名称：融资净买入额** * **因子构建思路：** 直接衡量在一段时间内，融资资金是净流入还是净流出某只股票、ETF或行业，是观察杠杆资金动向的核心指标[1][30][45]。 * **因子具体构建过程：** 计算特定周期内（如一周）融资买入额与融资偿还额的差值[30][46]。 * **公式：** $$融资净买入额 = 融资买入额 - 融资偿还额$$ * 公式说明：正值表示融资资金净流入，负值表示净流出[30]。 6. **因子名称：融券净卖出额** * **因子构建思路：** 直接衡量在一段时间内，融券卖空力量是增强还是减弱，反映市场看空情绪的净变化[1][33][52]。 * **因子具体构建过程：** 计算特定周期内（如一周）融券卖出额与融券偿还额的差值[33][53]。 * **公式：** $$融券净卖出额 = 融券卖出额 - 融券偿还额$$ * 公式说明：正值表示融券卖空力量净增加，负值表示净减少[33]。 因子的回测效果 *本报告为市场数据跟踪周报，主要展示各因子在报告期（2026年4月1日至4月7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）。以下为报告期内部分因子的具体取值示例：* 1. **融资买入额占成交额比例因子** * 行业层面：非银金融行业该比例为10.83%，通信行业为10.26%，纺织服饰行业为3.40%[37]。 * 个股层面：振德医疗该比例为39.92%，天马科技为31.08%，京东方A为23.10%[51]。 2. **融资余额占流通市值比例因子** * 行业层面：计算机行业该比例为4.52%，非银金融行业为3.59%，石油石化行业为0.64%[37]。 3. **融券卖出额占成交额比例因子** * 行业层面：煤炭行业该比例为0.10%，银行行业为0.09%，社会服务行业为0.01%[41]。 4. **融券余额占流通市值比例因子** * 行业层面：传媒行业该比例为0.02%，家用电器行业为0.02%，银行行业为0.00%[41]。 5. **融资净买入额因子** * 行业层面：医药生物行业融资净买入额较多，电力设备、电子行业融资净买入额较少[1][30]。 * 个股层面：天孚通信融资净买入额为117，003.35万元，阳光电源为71，063.42万元[51]。 * ETF层面：华泰柏瑞沪深300ETF融资净买入额为9，057.17万元，嘉实中证500ETF为7，708.00万元[46]。 6. **融券净卖出额因子** * 行业层面：电子、基础化工行业融券净卖出额较多，电力设备、银行行业融券净卖出额较少[1][33]。 * 个股层面：深信服融券净卖出额为1，642.09万元，春风动力为1，346.25万元[53]。

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]。