量化模型与因子总结 根据所提供的研报内容，这是一份关于融资融券市场的周度数据统计报告，主要描述了市场概况、两融余额、行业及个股的融资融券行为特征。报告**未涉及**传统的多因子选股模型、Alpha因子构建或量化策略的回测。报告内容聚焦于**市场监控指标**的统计与展示。 因此，以下将报告中出现的、可用于量化监控或分析的**指标**（可视为广义的“因子”）进行总结。这些指标主要反映了市场情绪、资金流向和杠杆使用情况。 量化监控指标与构建方式 1. **指标名称**：融资买入额占成交额比例[34][35][48] * **构建思路**：衡量融资买入的活跃度，即市场中通过融资杠杆进行买入的交易占全部成交的比重，通常用于观测市场情绪和杠杆资金偏好。 * **具体构建过程**：计算特定标的（个股、行业或全市场）在特定周期内，融资买入金额与其总成交金额的比值。 $$融资买入额占成交额比例 = \frac{融资买入额}{成交额} \times 100\%$$ 公式中，融资买入额为报告期内通过融资交易买入标的证券的累计金额；成交额为同一报告期内该标的证券的累计成交金额。 2. **指标名称**：融资余额占流通市值比例[34][35] * **构建思路**：衡量融资杠杆资金在标的流通盘中的占比，反映杠杆资金对标的的持有程度和潜在影响。 * **具体构建过程**：计算在某一时点，标的的融资余额与其流通市值的比值。 $$融资余额占流通市值比例 = \frac{融资余额}{流通市值} \times 100\%$$ 公式中，融资余额为在计算时点，投资者融资买入后尚未偿还的金额；流通市值为该标的证券在计算时点的流通市值。 3. **指标名称**：融券卖出额占成交额比例[38][39] * **构建思路**：衡量融券卖出的活跃度，即市场中通过融券进行卖空交易占全部成交的比重，用于观测市场看空情绪和卖空力量。 * **具体构建过程**：计算特定标的在特定周期内，融券卖出金额与其总成交金额的比值。 $$融券卖出额占成交额比例 = \frac{融券卖出额}{成交额} \times 100\%$$ 公式中，融券卖出额为报告期内通过融券交易卖出标的证券的累计金额。 4. **指标名称**：融券余额占流通市值比例[38][39] * **构建思路**：衡量融券卖空头寸在标的流通盘中的占比，反映市场卖空力量的存量规模。 * **具体构建过程**：计算在某一时点，标的的融券余额与其流通市值的比值。 $$融券余额占流通市值比例 = \frac{融券余额}{流通市值} \times 100\%$$ 公式中，融券余额为在计算时点，投资者融券卖出后尚未偿还的证券按市值计算的金额。 5. **指标名称**：融资净买入额[29][43][46][48] * **构建思路**：反映融资资金在特定周期内的净流入情况，是观测杠杆资金动向的核心指标。 * **具体构建过程**：计算报告期内融资买入额与融资偿还额的差值。 $$融资净买入额 = 融资买入额 - 融资偿还额$$ 正值表示融资资金净流入，负值表示净流出。 6. **指标名称**：融券净卖出额[31][49][50] * **构建思路**：反映融券卖空力量在特定周期内的净增加情况，是观测卖空资金动向的核心指标。 * **具体构建过程**：计算报告期内融券卖出额与融券偿还额的差值。 $$融券净卖出额 = 融券卖出额 - 融券偿还额$$ 正值表示卖空头寸净增加，负值表示净减少。 7. **指标名称**：有负债投资者占比[23] * **构建思路**：衡量参与两融交易的投资者中，实际持有融资或融券负债的投资者比例，反映杠杆使用的广泛程度。 * **具体构建过程**：计算在某一时点，有融资融券负债的投资者数量与全体融资融券投资者数量的比值。 $$有负债投资者占比 = \frac{有融资融券负债的投资者数量}{全体融资融券投资者数量} \times 100\%$$ 指标的具体测试结果取值（基于报告期末或报告期数据） 报告提供了截至2026年3月17日当周（3月11日-3月17日）的各类指标数据。 1. **全市场/板块层面指标取值**： * 沪深两市两融余额：26,435.92亿元[12] * 融资余额：26,255.50亿元[12] * 融券余额：180.42亿元[12] * 户均融资融券余额：1,369,456元[23] * 有负债投资者占比：23.92%[23] * ETF融资余额：1091.51亿元[41] * ETF融券余额：82.13亿元[41] 2. **行业层面指标示例（部分行业）**： * **融资买入额占成交额比例**：非银金融(11.68%)、通信(10.07%)、电子(10.02%)、纺织服饰(3.71%)、轻工制造(4.12%)[35][38] * **融资余额占流通市值比例**：计算机(4.30%)、传媒(3.51%)、国防军工(3.40%)、银行(0.79%)、石油石化(0.71%)[35] * **融券卖出额占成交额比例**：食品饮料(0.13%)、银行(0.09%)、煤炭(0.07%)、轻工制造(0.02%)、社会服务(0.02%)[38][39][40] * **融券余额占流通市值比例**：传媒(0.02%)、国防军工(0.01%)、家用电器(0.01%)、银行(0.00%)、石油石化(0.00%)[39] 3. **个股层面指标示例（排名前列个股）**： * **融资净买入额前五**：宝丰能源(162,627.90万元)、寒武纪(106,446.87万元)、民生银行(72,685.38万元)、沪电股份(67,696.74万元)、宏景科技(60,314.84万元)[46][48] * **融资买入额占成交额比例前五**：吉贝尔(36.84%)、振德医疗(29.26%)、安旭生物(29.10%)、双元科技(27.69%)、民生银行(25.80%)[47][48] * **融券净卖出额前五**：贵州茅台(4,332.90万元)、金风科技(2,079.79万元)、华虹公司(1,690.73万元)、中联重科(1,630.73万元)、深科技(1,509.98万元)[49][50]

量化模型与构建方式 1. **模型名称**：封板率计算模型[19] **模型构建思路**：通过统计当日最高价涨停且收盘涨停的股票数量与最高价涨停的股票总数之比，来衡量涨停板的封板强度，反映市场追涨情绪和封板资金的意愿[19]。 **模型具体构建过程**：首先，筛选出上市满3个月以上的股票。然后，识别出在当日交易中最高价达到涨停价的股票集合。最后，计算在该集合中，收盘价也维持在涨停价的股票所占的比例。 **公式**： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ **模型评价**：该指标是衡量市场短线炒作情绪和资金承接力度的重要观测指标，封板率越高，通常意味着涨停板越稳固，市场做多情绪越强[19]。 2. **模型名称**：连板率计算模型[19] **模型构建思路**：通过统计连续两日收盘涨停的股票数量占前一日所有涨停股票数量的比例，来衡量市场涨停效应的持续性，反映题材炒作的接力情绪[19]。 **模型具体构建过程**：首先，筛选出上市满3个月以上的股票。然后，找出前一日（T-1日）收盘涨停的股票列表。最后，计算在该列表中，当日（T日）收盘也涨停的股票所占的比例。 **公式**： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ **模型评价**：该指标反映了市场热点题材的延续性和赚钱效应的扩散能力，连板率高通常意味着市场短线情绪活跃，资金接力意愿强[19]。 3. **模型名称**：大宗交易折价率计算模型[28] **模型构建思路**：通过比较大宗交易成交总额与按当日市价计算的成交份额总市值之间的差异，来计算折价率，用以观察大资金交易的偏好和市场情绪[28]。 **模型具体构建过程**：首先，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。然后，计算这些成交份额若按当日股票收盘价（或成交均价）计算的总市值。最后，计算大宗交易总成交金额相对于该总市值的比率减1。 **公式**： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ **模型评价**：大宗交易折价率是观察机构、大股东等大资金交易行为的重要窗口，折价率的高低可以反映其减持意愿的强弱或接盘方对流动性的要求[28]。 4. **模型名称**：股指期货年化贴水率计算模型[31] **模型构建思路**：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，来衡量股指期货相对于现货指数的升贴水程度，用于评估市场对冲成本及远期预期[31]。 **模型具体构建过程**：首先，计算股指期货主力合约价格与对应现货指数价格之差，得到基差（基差 = 期货价格 - 现货价格）。然后，将基差除以现货指数价格得到相对基差。最后，考虑期货合约的剩余期限，将相对基差年化处理。 **公式**： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ **公式说明**：公式中基差为期货价格减去现货价格，当结果为负时表示贴水。年化处理时使用250个交易日作为一年的近似交易天数[31]。 **模型评价**：年化贴水率是量化对冲策略成本的核心指标，贴水率的高低直接影响对冲收益。同时，其变化也反映了市场对指数未来的预期、资金成本以及市场情绪等多重因素[31]。 模型的回测效果 （本报告为市场监测日报，未提供上述模型的长期历史回测效果指标，因此本部分内容缺失。） 量化因子与构建方式 （本报告主要描述市场状态指标和计算模型，未涉及用于选股或解释收益的量化因子构建，因此本部分内容缺失。） 因子的回测效果 （本报告未涉及量化因子，因此本部分内容缺失。）

量化模型与构建方式 1. **模型名称**：RSI相对强弱指标[2] **模型构建思路**：通过计算一定周期内平均涨幅与平均跌幅的比值，来衡量市场的超买或超卖状态[2] **模型具体构建过程**： 1. 计算一定周期（例如12天）内每日上涨幅度的平均值（AvgGain）和每日下跌幅度绝对值（即跌幅）的平均值（AvgLoss）[2]。 2. 计算相对强弱（RS），即平均涨幅与平均跌幅的比值：$$RS = \frac{AvgGain}{AvgLoss}$$[2] 3. 将RS代入公式，计算RSI值：$$RSI = 100 - \frac{100}{1 + RS}$$[2] **模型评价**：RSI>70表示市场可能处于超买状态，RSI<30表示市场可能处于超卖状态[2] 2. **模型名称**：净申购金额计算模型[2] **模型构建思路**：通过当日净值、前一日净值及净值增长率，反推计算当日ETF的净申购金额[2] **模型具体构建过程**： 1. 获取当日ETF的净值NAV(T)和前一日ETF的净值NAV(T-1)[2]。 2. 获取当日ETF的净值增长率R(T)[2]。 3. 将上述数据代入公式计算净申购金额NETBUY(T)：$$NETBUY(T) = NAV(T) - NAV(T-1) \times (1 + R(T))$$[2] 量化因子与构建方式 1. **因子名称**：RSI相对强弱因子[2] **因子构建思路**：基于RSI相对强弱指标模型计算出的数值，作为衡量ETF短期超买超卖状态的因子[2] **因子具体构建过程**：与RSI相对强弱指标模型的构建过程完全相同，最终输出RSI数值[2] 2. **因子名称**：净申购因子[2] **因子构建思路**：基于净申购金额计算模型得出的净申购金额，作为衡量资金流入流出ETF情况的因子[2] **因子具体构建过程**：与净申购金额计算模型的构建过程完全相同，最终输出净申购金额数值[2] 3. **因子名称**：涨跌幅因子[4][6] **因子构建思路**：直接采用ETF的日涨跌幅数据，作为衡量其价格变动情况的因子[4][6] **因子具体构建过程**：直接取用ETF的日涨跌幅百分比数据[4][6] 4. **因子名称**：流通市值因子[4][6] **因子构建思路**：采用ETF的流通市值数据，作为衡量其规模与流动性的因子[4][6] **因子具体构建过程**：直接取用ETF的流通市值数据[4][6] 5. **因子名称**：成交额因子[4][6] **因子构建思路**：采用ETF的日成交额数据，作为衡量其市场活跃度和流动性的因子[4][6] **因子具体构建过程**：直接取用ETF的日成交额数据[4][6] 6. **因子名称**：机构持仓占比因子[2][3][4][6] **因子构建思路**：采用ETF基金定期报告披露的机构持仓占比（剔除联接基金），作为衡量资金结构偏好的因子[2][3] **因子具体构建过程**：取用最近一期年报或半年报披露的机构持仓占比数据[2][3] 7. **因子名称**：管理费率因子[4][6] **因子构建思路**：采用ETF的管理费率数据，作为衡量其投资成本的因子[4][6] **因子具体构建过程**：直接取用ETF的管理费率数据[4][6] 8. **因子名称**：T+0交易因子[2][4][6] **因子构建思路**：采用ETF是否支持T+0交易方式的信息，作为衡量其交易灵活性的因子[2] **因子具体构建过程**：根据ETF品种特性，判断并标记其是否支持T+0交易[2] 因子的回测效果 （注：本报告为ETF数据跟踪日报，展示了各因子在特定日期的截面数据，而非历史回测的绩效指标。因此，此处展示的是各因子在报告日期的具体取值样例。） 1. **RSI相对强弱因子**，华泰柏瑞沪深300ETF(510300.SH)取值43.34[4]，易方达沪深300ETF(510310.SH)取值44.03[4]，华夏沪深300ETF(510330.SH)取值43.93[4] 2. **净申购因子**，华泰柏瑞沪深300ETF(510300.SH)取值11.01亿元[4]，易方达沪深300ETF(510310.SH)取值-2.90亿元[4]，华夏沪深300ETF(510330.SH)取值0.73亿元[4] 3. **涨跌幅因子**，华泰柏瑞沪深300ETF(510300.SH)取值-0.73%[4]，易方达沪深300ETF(510310.SH)取值-0.60%[4]，华夏沪深300ETF(510330.SH)取值-0.66%[4] 4. **流通市值因子**，华泰柏瑞沪深300ETF(510300.SH)取值2059.70亿元[4]，易方达沪深300ETF(510310.SH)取值1423.00亿元[4]，华夏沪深300ETF(510330.SH)取值926.14亿元[4] 5. **成交额因子**，华泰柏瑞沪深300ETF(510300.SH)取值33.89亿元[4]，易方达沪深300ETF(510310.SH)取值8.15亿元[4]，华夏沪深300ETF(510330.SH)取值5.58亿元[4] 6. **机构持仓占比因子**，华泰柏瑞沪深300ETF(510300.SH)取值87.11%[4]，易方达沪深300ETF(510310.SH)取值90.08%[4]，华夏沪深300ETF(510330.SH)取值93.09%[4] 7. **管理费率因子**，华泰柏瑞沪深300ETF(510300.SH)取值0.15%[4]，易方达沪深300ETF(510310.SH)取值0.15%[4]，华夏沪深300ETF(510330.SH)取值0.15%[4] 8. **T+0交易因子**，华泰柏瑞沪深300ETF(510300.SH)取值“否”[4]，易方达沪深300ETF(510310.SH)取值“否”[4]，华夏沪深300ETF(510330.SH)取值“否”[4]

量化模型与构建方式 根据研报内容，本报告主要进行历史规律总结和事件分析，未构建具体的量化选股模型或量化因子。报告的核心是通过历史事件回测，总结在不同宏观情境下（特别是油价冲击）的大类资产和行业板块表现规律，以指导配置。因此，报告的分析框架更接近于一个**事件驱动的宏观分析模型**。 1. **模型名称**：油价冲击四阶段资产表现分析模型 * **模型构建思路**：将历史上的油价供给冲击事件作为研究对象，分析事件发生后不同时间窗口内各类资产的价格表现，总结出市场反应的典型阶段和规律[7][8][9]。 * **模型具体构建过程**： 1. **事件定义与样本选取**：选取历史上六次主要的石油供给冲击事件作为研究样本，包括三次石油危机、伊拉克战争、利比亚内战和俄乌战争[10]。 2. **时间窗口设定**：以事件起始日（T日）为基准，观察事件发生后多个固定时间窗口的资产表现，包括10日、1个月、3个月、6个月、1年、2年等[21][24][29]。 3. **资产与板块分类**：将资产分为大类资产（全球主要股指、债券、外汇、商品）和权益内部行业板块（美股行业、A股行业）[21][24][29]。 4. **绩效计算**： * 对于大类资产，计算其在各时间窗口内的绝对收益率[21][30]。 * 对于行业板块，计算其在各时间窗口内相对于基准指数（如标普500、万得全A）的超额收益（相对收益）以及取得正超额收益的样本事件比例（相对胜率）[24][29]。 5. **情境分类**：根据油价冲击是否持续影响通胀与政策，将样本事件分为两类情境进行分析： * **滞涨型样本**：包括第一次、第二次石油危机和2022年俄乌冲突。特征是油价冲击持续传导至通胀，并引发政策以抗通胀为优先[20][21][22]。 * **非滞涨型样本**：包括第三次石油危机、伊拉克战争、利比亚内战。特征是供给冲击对通胀和政策的持续传导有限，政策未极端转向抗通胀[27][28][31]。 * **模型评价**：该模型提供了一个基于历史事件回测的、结构化的分析框架，能够清晰刻画油价冲击后资产价格演变的典型路径和不同宏观情境下的资产表现分化，对当前市场判断具有参考意义[17][36]。 模型的回测效果 本报告未提供传统量化模型中常见的如年化收益率、夏普比率、最大回撤、信息比率（IR）等统一口径的绩效指标。其“回测效果”体现在对不同情境下历史资产表现的数据统计和规律总结上。 1. **滞涨型样本情境下的资产表现规律** [21][22][24][26] * **大类资产表现**：能源（布油）表现最强，黄金偏强，权益资产（如标普500、欧股、A股、港股）普遍承压，利率（10Y美债收益率）上行，美元走强。 * **美股行业表现**：能源、公用事业、原材料、通信、医疗保健、必需消费等防御和上游周期板块相对占优，胜率高；信息技术、可选消费、工业、金融、地产等成长和流动性敏感板块相对承压。 * **关键判断**：高油价持续并触发“紧政策、低增长”组合是导致滞涨交易格局的核心。 2. **非滞涨型样本情境下的资产表现规律** [28][30][31] * **大类资产表现**：权益资产未必进入系统性熊市，以美股为代表的海外市场可能出现修复；黄金表现较好；美元走弱，利率下行或震荡；油价上涨但涨幅和持续性可能不及滞涨型样本。 * **A股行业表现**：煤炭、银行、传媒、公用事业、食品饮料、交通运输等行业在部分时间窗口表现相对较好；国防军工、环保、电子、电力设备等行业相对偏弱。 * **关键判断**：若油价冲击未持续传导至通胀与政策，则市场更可能从短期冲击回归基本面修复逻辑，但不同市场和风格分化明显。 3. **跨情境的共性规律** [14][17][36] * **市场反应四阶段**：恐慌交易（防御资产占优）→ 反转交易（超跌修复）→ 滞涨预期交易（若高油价持续）→ 现实交易（回归基本面与政策现实）。 * **核心影响变量**：油价高位维持的持续性、通胀预期变化、政策在“稳增长”与“抗通胀”间的权衡。 * **估值影响**：起始估值较高的市场对高利率和滞涨约束更敏感，表现压力更大[35][36]。

量化模型与构建方式 1. **模型名称：风格 Smart Beta 组合** [4][6] * **模型构建思路**：根据价值、成长、小盘等风格对个股进行分类，并基于高Beta弹性和长期稳健超额收益两种不同投资目标，分别构建各风格下的50组合和均衡50组合[6]。 * **模型具体构建过程**：报告未详细描述具体构建过程，但指出其参考了2024年10月5日发布的专题报告《基于投资目标的基礎 Smart beta 组合构建与配置》[6]。该模型的核心是先对个股进行风格分类，再根据不同的风险收益目标（高弹性或稳健超额）构建组合。 2. **模型名称：生命周期优选组合** [4][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相应的优选组合[6]。 * **模型具体构建过程**：报告未详细描述具体构建过程，但指出其参考了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]。该模型的核心是基于现金流特征进行生命周期阶段划分，并针对每个阶段应用特定的选股逻辑。 模型的回测效果 1. **价值50模型**，周收益率0.07%[4][9]，月收益率0.62%[9]，年收益率2.20%[4][9]，周超额收益（相对国证价值）-0.36%[4][9]，月超额收益-0.08%[9]，年超额收益-2.17%[9]，最大相对回撤3.17%[9] 2. **价值均衡50模型**，周收益率-0.45%[4][9]，月收益率-2.12%[9]，年收益率8.63%[4][9]，周超额收益（相对国证价值）-0.87%[9]，月超额收益-2.82%[9]，年超额收益4.26%[9]，最大相对回撤3.82%[9] 3. **成长50模型**，周收益率-0.54%[4][9]，月收益率-1.94%[9]，年收益率2.42%[4][9]，周超额收益（相对国证成长）-0.84%[9]，月超额收益-0.19%[9]，年超额收益-2.49%[9]，最大相对回撤2.62%[9] 4. **成长均衡50模型**，周收益率-2.83%[4][9]，月收益率-3.05%[9]，年收益率10.99%[4][9]，周超额收益（相对国证成长）-3.12%[9]，月超额收益-1.29%[9]，年超额收益6.08%[9]，最大相对回撤3.12%[9] 5. **小盘50模型**，周收益率-1.41%[4][9]，月收益率-5.37%[9]，年收益率8.96%[4][9]，周超额收益（相对国证2000）-0.28%[9]，月超额收益-0.75%[9]，年超额收益0.64%[9]，最大相对回撤5.52%[9] 6. **小盘均衡50模型**，周收益率-2.40%[4][9]，月收益率-7.39%[9]，年收益率4.55%[4][9]，周超额收益（相对国证2000）-1.27%[9]，月超额收益-2.77%[9]，年超额收益-3.77%[9]，最大相对回撤8.33%[9] 7. **成长优选模型**，周收益率-2.39%[4][9]，月收益率-4.69%[9]，年收益率10.47%[4][9]，周超额收益（相对偏股混基金指数）-1.46%[9]，月超额收益-1.08%[9]，年超额收益5.94%[9]，最大相对回撤4.03%[9] 8. **成熟稳健模型**，周收益率-3.29%[4][9]，月收益率-3.96%[9]，年收益率6.45%[4][9]，周超额收益（相对中证800）-3.00%[9]，月超额收益-1.90%[9]，年超额收益3.02%[9]，最大相对回撤3.09%[9] 9. **初创优选模型**，周收益率-3.00%[4][9]，月收益率-8.41%[9]，年收益率2.20%[4][9]，周超额收益（相对中证全指）-2.49%[9]，月超额收益-5.63%[9]，年超额收益-2.89%[9]，最大相对回撤11.22%[9] 10. **困境反转模型**，周收益率-0.58%[4][9]，月收益率-2.53%[9]，年收益率7.15%[4][9]，周超额收益（相对中证全指）-0.08%[9]，月超额收益0.25%[9]，年超额收益2.06%[9]，最大相对回撤2.11%[9]

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：** 该因子旨在刻画大资金的买入行为。通过逐笔成交数据还原买卖单，筛选出大单，并计算其中大买单的成交金额占总成交额的比例。[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，数据中包含“叫买序号”和“叫卖序号”字段。[7] 2. 还原买卖单：根据逐笔成交数据中的叫买和叫卖序号，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：对于每个股票，在每一个交易日，计算其所有大买单的成交金额之和，然后除以该股票当日的总成交金额，得到该因子日度值。[7] $$大买单成交金额占比_t = \frac{\sum 大买单成交金额_t}{当日总成交金额_t}$$[7] 其中，t代表交易日。 2. **因子名称：净主动买入金额占比**[7] **因子构建思路：** 该因子旨在刻画投资者的主动买入行为。根据逐笔成交数据中的买卖标志区分主动买入和主动卖出，计算两者金额之差占总成交额的比例。[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，数据中包含“买卖标志”字段。[7] 2. 界定主动买卖：根据逐笔成交数据中的买卖标志，界定每一笔成交是属于主动买入还是主动卖出。[7] 3. 计算净额：将当日所有主动买入的成交金额求和，减去所有主动卖出的成交金额求和，得到净主动买入金额。[7] 4. 计算因子值：对于每个股票，在每一个交易日，将计算得到的净主动买入金额除以该股票当日的总成交金额，得到该因子日度值。[7] $$净主动买入金额占比_t = \frac{\sum 主动买入成交金额_t - \sum 主动卖出成交金额_t}{当日总成交金额_t}$$[7] 其中，t代表交易日。 因子的回测效果 （注：本报告为跟踪周报，未提供长期历史回测指标，仅展示了特定时间窗口内各标的的因子取值及历史分位数。） 1. **大买单成交金额占比因子**，在个股维度，近5日（20260309-20260313）均值排名前5的股票及其因子值为：酒钢宏兴 87.2%[9]、文投控股 86.6%[9]、津滨发展 86.3%[9]、宁波建工 85.6%[9]、西宁特钢 85.3%[9] 2. **大买单成交金额占比因子**，在宽基指数维度，近5日（20260309-20260313）均值及历史分位数为：上证指数 72.5% (56.4%)[12]、上证50 71.5% (53.5%)[12]、沪深300 73.4% (69.5%)[12]、中证500 72.2% (76.5%)[12]、创业板指 71.3% (31.7%)[12] 3. **大买单成交金额占比因子**，在行业（中信一级）维度，近5日（20260309-20260313）均值排名前5的行业及其因子值为：银行 81.3%[13]、房地产 79.8%[13]、建筑 78.5%[13]、综合 77.9%[13]、钢铁 77.7%[13] 4. **大买单成交金额占比因子**，在ETF维度，近5日（20260309-20260313）均值排名前5的ETF及其因子值为：国泰上证10年期国债ETF 95.4%[15]、汇添富MSCI中国A50互联互通ETF 94.0%[15]、华泰柏瑞中证A500ETF 93.2%[15]、国泰中证A500ETF 92.5%[15]、华夏中证A500ETF 92.0%[15] 5. **净主动买入金额占比因子**，在个股维度，近5日（20260309-20260313）均值排名前5的股票及其因子值为：民生银行 22.2%[10]、国投电力 21.8%[10]、光大银行 19.5%[10]、浙商银行 19.2%[10]、尚太科技 18.9%[10] 6. **净主动买入金额占比因子**，在宽基指数维度，近5日（20260309-20260313）均值及历史分位数为：上证指数 -5.0% (24.7%)[12]、上证50 -2.1% (11.9%)[12]、沪深300 -0.9% (58.0%)[12]、中证500 -5.5% (74.5%)[12]、创业板指 0.6% (74.1%)[12] 7. **净主动买入金额占比因子**，在行业（中信一级）维度，近5日（20260309-20260313）均值排名前5的行业及其因子值为：银行 10.5%[13]、食品饮料 4.7%[13]、房地产 2.5%[13]、建筑 0.4%[13]、基础化工 -0.9%[13] 8. **净主动买入金额占比因子**，在ETF维度，近5日（20260309-20260313）均值排名前5的ETF及其因子值为：嘉实国证绿色电力ETF 35.4%[16]、易方达中证红利低波动ETF 21.6%[16]、华泰柏瑞中证全指电力公用事业ETF 18.7%[16]、南方标普中国A股大盘红利低波50ETF 15.7%[16]、广发创业板ETF 13.8%[16]

量化模型与因子总结 量化模型与构建方式 本报告为市场监测类日报，未涉及具体的量化选股模型或预测模型。 量化因子与构建方式 报告未构建用于选股或预测的量化因子，但定义并计算了多个用于监测市场状态和情绪的指标。 1. **因子名称：封板率** * 因子构建思路：通过计算盘中触及涨停且最终成功封住涨停的股票比例，来反映市场追涨资金的强度和涨停板的可靠性[16]。 * 因子具体构建过程：筛选上市满3个月以上的股票，统计在特定交易日（T日）内，最高价达到涨停价的股票数量，以及其中收盘价仍为涨停价的股票数量。封板率即为两者之比[16]。 * 计算公式： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ [16] 2. **因子名称：连板率** * 因子构建思路：通过计算连续两日涨停的股票占昨日涨停股票的比例，来反映市场热点的持续性和短线投机资金的活跃度[16]。 * 因子具体构建过程：筛选上市满3个月以上的股票，统计在特定交易日（T-1日）收盘涨停的股票数量，以及这些股票在T日收盘仍为涨停的股票数量。连板率即为两者之比[16]。 * 计算公式： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ [16] 3. **因子名称：大宗交易折价率** * 因子构建思路：通过计算大宗交易成交价相对于市价的折价幅度，来反映大资金的投资偏好和卖出意愿，折价率高通常意味着卖出方让利意愿强或股票流动性担忧[25]。 * 因子具体构建过程：统计特定交易日所有发生的大宗交易，计算其总成交金额，并计算这些交易份额若按当日收盘价计算的总市值。折价率为两者之比减1[25]。 * 计算公式： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ [25] 4. **因子名称：股指期货年化贴水率** * 因子构建思路：将股指期货主力合约与现货指数之间的基差进行年化处理，以标准化衡量市场对冲成本、远期预期以及情绪（如贴水通常反映市场情绪偏谨慎或存在套利结构）[28]。 * 因子具体构建过程：计算股指期货主力合约价格与其标的指数价格之差（基差）。将基差除以指数价格，再乘以年化因子（250天除以合约剩余交易日数），得到年化贴水率。正值表示升水，负值表示贴水[28]。 * 计算公式： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ [28] 模型的回测效果 报告未涉及量化模型的回测。 因子的回测效果 报告未提供因子的历史回测表现（如IC、IR、多空收益等），但给出了特定日期的指标观测值及历史分位数。 1. **封板率因子**，2026年3月16日取值：70%[16] 2. **连板率因子**，2026年3月16日取值：18%[16] 3. **大宗交易折价率因子**，2026年3月13日取值：5.54%[25]；近半年平均值：7.15%[25] 4. **股指期货年化贴水率因子** * 上证50股指期货，2026年3月16日取值：4.42%[28]，近一年历史分位点：29%[28] * 沪深300股指期货，2026年3月16日取值：11.72%[28]，近一年历史分位点：9%[28] * 中证500股指期货，2026年3月16日取值：5.16%[28]，近一年历史分位点：80%[28] * 中证1000股指期货，2026年3月16日取值：18.54%[28]，近一年历史分位点：22%[28]

量化模型与构建方式 1. **模型名称：择时信号模型**[7] **模型构建思路：** 基于特定模型和历史数据，计算资产在未来短期内价格上行的概率估计，并以此生成多空观点[7]。 **模型具体构建过程：** 1. 模型输入历史数据，通过特定算法（报告中未明确具体算法，如逻辑回归、机器学习模型等）计算出一个“原始信号”值，该值代表模型对资产未来短期内价格上行的概率估计，以百分比形式表示[7]。公式为： $$原始信号 = f(历史数据)$$ 其中，`f` 代表未公开的模型算法，`历史数据` 为模型输入的特征变量。 2. 对原始信号进行5日移动平均（MA5）平滑处理，以降低信号的短期波动[3][6]。 $$MA5 = \frac{1}{5} \sum_{i=0}^{4} 原始信号_{t-i}$$ 3. 根据资产类型（利率债/股指/商品）和预设的阈值，将平滑后的信号（MA5）转化为具体的多空观点[7]。 * 对于利率债（如国债、中短票）：当 MA5 > 60% 时，观点为“看空”（报告中表述为“调整”）；当 MA5 < 40% 时，观点为“看多”；在40%至60%之间时，观点为“震荡”[7]。 * 对于股指和商品（如黄金、原油）：当 MA5 > 60% 时，观点为“看多”；当 MA5 < 40% 时，观点为“看空”（报告中表述为“调整”）；在40%至60%之间时，观点为“震荡”[7]。 量化因子与构建方式 *（注：本报告主要展示模型的应用结果，未详细阐述或构建具体的量化因子。报告内容集中于模型输出的择时信号及其应用，未涉及如价值、动量、波动率等传统量化因子的构建与分析。）* 模型的回测效果 *（注：本报告为日常跟踪报告，展示了模型在多个资产上的最新信号输出，但未提供历史回测的统计指标，如年化收益率、夏普比率、最大回撤、信息比率（IR）等。因此，此处无法列出模型在统一口径下的量化回测指标取值。）* 因子的回测效果 *（注：本报告未涉及具体量化因子的测试，因此无相关回测效果数据。）*

量化模型与因子总结 量化模型与构建方式 1. **模型名称：微盘股轮动与择时模型**[19][20][27] * **模型构建思路**：构建一个综合模型，用于在微盘股与茅指数（代表大盘核心资产）之间进行轮动配置，并监控微盘股的系统性风险以进行择时[19][20]。 * **模型具体构建过程**：该模型由两个子策略组成： * **轮动子策略**：结合两个指标生成配置信号。 1. **大小盘轮动指标**：计算微盘股指数与茅指数的相对净值。当该相对净值高于其243日移动平均线时，倾向于投资微盘股；反之则投资茅指数[19][27]。 2. **动量辅助指标**：计算微盘股指数和茅指数的20日收盘价斜率。当两个指数的斜率方向相反且一方为正时，选择投资斜率为正的指数[19][27]。 * **M1轮动子策略**：监控M1同比指标的6个月移动平均值。当该移动平均值下行时，中期配置从微盘股切换至茅指数[19]。 * **综合信号**：综合以上两个子策略的信号，决定最终配置方向（微盘股、茅指数或均衡配置）[19]。 * **择时风控子策略**：基于两个宏观风险指标监控微盘股的中期系统性风险，任一指标触及阈值则发出平仓信号。 1. **利率风险指标**：十年期国债到期收益率同比。阈值设为0.3（即30%）[27]。 2. **波动率风险指标**：微盘股波动率拥挤度同比。阈值设为0.55（即55%）[27]。 2. **模型名称：宏观择时模型**[48] * **模型构建思路**：基于动态宏观事件因子构建股债轮动策略，以判断中期权益资产的推荐仓位[48]。 * **模型具体构建过程**：模型从经济增长和货币流动性两个维度生成信号，并综合得出股票仓位建议。具体细节可参考相关历史研究报告[48]。 模型的回测效果 1. **宏观择时模型**，2025年年初至今收益率为14.59%，同期Wind全A收益率为26.87%[48]。3月份模型给出的权益推荐仓位为30%，其中经济增长层面信号强度为0%，货币流动性层面信号强度为60%[48][49]。 量化因子与构建方式 1. **因子名称：一致预期因子**[67][70] * **因子构建思路**：使用分析师一致预期数据构建因子，预测未来盈利改善或股价上涨潜力[67][70]。 * **因子具体构建过程**：包含多个细分因子，例如： * `EPS_FTTM_Chg3M`：未来12个月一致预期EPS过去3个月的变化率[70]。 * `ROE_FTTM_Chg3M`：未来12个月一致预期ROE过去3个月的变化率[70]。 * `TargetReturn_180D`：一致预期目标价相对于目前股价的收益率[70]。 2. **因子名称：市值因子**[67] * **因子构建思路**：使用公司规模（市值）作为选股因子[67]。 * **因子具体构建过程**： * `LN_MktCap`：流通市值的对数[67]。 3. **因子名称：成长因子**[67][70] * **因子构建思路**：使用公司财务数据的增长指标来识别成长性高的公司[67][70]。 * **因子具体构建过程**：包含多个细分因子，例如： * `NetIncome_SQ_Chg1Y`：单季度净利润同比增速[67]。 * `OperatingIncome_SQ_Chg1Y`：单季度营业利润同比增速[67]。 * `Revenues_SQ_Chg1Y`：单季度营业收入同比增速[70]。 * `ROE_FTTM`：未来12个月一致预期净利润/股东权益均值[70]。 4. **因子名称：反转因子**[70] * **因子构建思路**：基于股票过去一段时间的价格表现，认为过去表现差的股票未来可能反弹，过去表现好的股票未来可能回调[70]。 * **因子具体构建过程**：使用不同时间窗口的收益率作为因子，例如： * `Price_Chg20D`：20日收益率[70]。 * `Price_Chg40D`：40日收益率[70]。 * `Price_Chg60D`：60日收益率[70]。 * `Price_Chg120D`：120日收益率[70]。 5. **因子名称：质量因子**[70] * **因子构建思路**：使用公司的盈利能力、运营效率、财务稳健性等指标来评估公司质量[70]。 * **因子具体构建过程**：包含多个细分因子，例如： * `OCF2CurrentDebt`：过去12个月经营现金流净额/流动负债均值[70]。 * `GrossMargin_TTM`：过去12个月毛利率[70]。 * `Revenues2Asset_TTM`：过去12个月营业收入/总资产均值[70]。 6. **因子名称：技术因子**[70] * **因子构建思路**：基于市场交易数据（如成交量、换手率、价格形态）构建因子[70]。 * **因子具体构建过程**：包含多个细分因子，例如： * `Volume_Mean_20D_240D`：20日成交量均值/240日成交量均值[70]。 * `Skewness_240D`：240日收益率偏度[70]。 * `Volume_CV_20D`：20日成交量标准差/20日成交量均值[70]。 * `Turnover_Mean_20D`：20日换手率均值[70]。 7. **因子名称：价值因子**[67][70] * **因子构建思路**：寻找市场价格低于其内在价值的公司，常用估值比率衡量[67][70]。 * **因子具体构建过程**：包含多个细分因子，例如： * `BP_LR`：最新年报账面净资产/最新市值[67]。 * `EP_FTTM`：未来12个月一致预期净利润/最新市值[67]。 * `SP_TTM`：过去12个月营业收入/最新市值[67]。 * `EP_FY0`：当期年报一致预期净利润/最新市值[67]。 * `Sales2EV`：过去12个月营业收入/企业价值[67]。 8. **因子名称：波动率因子**[70] * **因子构建思路**：使用股票收益率的波动性作为风险或特质的度量[70]。 * **因子具体构建过程**：包含多个细分因子，例如： * `Volatility_60D`：60日收益率标准差[70]。 * `IV_CAPM`：CAPM模型残差波动率[70]。 * `IV_FF`：Fama-French三因子模型残差波动率[70]。 * `IV_Carhart`：Carhart四因子模型残差波动率[70]。 9. **因子名称：可转债择券因子**[64] * **因子构建思路**：针对可转债构建量化择券因子，主要包括从正股维度迁移的因子和转债特有的估值因子[64]。 * **因子具体构建过程**： * **正股因子**：从预测正股的因子（如价值、成长、一致预期、财务质量）来构建可转债因子[64]。 * **转债估值因子**：使用平价底价溢价率等指标[64]。 因子的回测效果 （以下数据均基于“上周”时间窗口，IC均值为百分比，多空收益为百分比）[56] 1. **一致预期因子** * 全部A股 IC均值：2.24%， 多空收益：1.03%[56] * 沪深300 IC均值：-3.94%， 多空收益：-1.57%[56] * 中证500 IC均值：1.89%， 多空收益：0.78%[56] * 中证1000 IC均值：8.72%， 多空收益：2.02%[56] 2. **市值因子** * 全部A股 IC均值：-2.07%， 多空收益：-0.15%[56] * 沪深300 IC均值：0.93%， 多空收益：0.58%[56] * 中证500 IC均值：20.14%， 多空收益：3.31%[56] * 中证1000 IC均值：11.10%， 多空收益：0.77%[56] 3. **成长因子** * 全部A股 IC均值：-3.37%， 多空收益：0.06%[56] * 沪深300 IC均值：-17.25%， 多空收益：-0.29%[56] * 中证500 IC均值：1.14%， 多空收益：2.77%[56] * 中证1000 IC均值：-6.32%， 多空收益：-0.01%[56] 4. **反转因子** * 全部A股 IC均值：5.36%， 多空收益：0.37%[56] * 沪深300 IC均值：13.28%， 多空收益：0.81%[56] * 中证500 IC均值：16.64%， 多空收益：1.34%[56] * 中证1000 IC均值：7.80%， 多空收益：0.39%[56] 5. **质量因子** * 全部A股 IC均值：-6.95%， 多空收益：-1.44%[56] * 沪深300 IC均值：-0.76%， 多空收益：0.73%[56] * 中证500 IC均值：-4.95%， 多空收益：-2.15%[56] * 中证1000 IC均值：-8.44%， 多空收益：-1.68%[56] 6. **技术因子** * 全部A股 IC均值：12.50%， 多空收益：0.94%[56] * 沪深300 IC均值：2.99%， 多空收益：-0.83%[56] * 中证500 IC均值：11.04%， 多空收益：1.73%[56] * 中证1000 IC均值：13.76%， 多空收益：0.51%[56] 7. **价值因子** * 全部A股 IC均值：17.90%， 多空收益：2.18%[56] * 沪深300 IC均值：18.46%， 多空收益：6.33%[56] * 中证500 IC均值：22.43%， 多空收益：3.16%[56] * 中证1000 IC均值：25.13%， 多空收益：2.99%[56] 8. **波动率因子** * 全部A股 IC均值：未提供， 多空收益：未提供[56] * 沪深300 IC均值：21.49%， 多空收益：2.24%[56] * 中证500 IC均值：19.50%， 多空收益：3.29%[56] * 中证1000 IC均值：23.41%， 多空收益：2.09%[56] **因子评价**：过去一周，受地缘冲突与海外滞胀预期影响，市场资金追逐具有避险属性和涨价逻辑的资产，导致价值因子、波动率因子和技术因子表现极佳，而一致预期和成长因子继续承压[6][55]。展望未来，由于中东地缘风险与滞胀担忧仍在维持，预计价值因子仍会维持强势表现[6][55]。

量化模型与因子总结 量化模型与构建方式 根据提供的研报内容，报告主要对宽基指数进行多维度数据跟踪和统计分析，并未涉及用于预测或选股的量化模型（如多因子模型、机器学习模型等）的构建、测试与评价。报告内容侧重于市场状态描述和指标计算。 量化因子与构建方式 报告在分析过程中计算并展示了多个用于评估市场或指数状态的量化指标。这些指标可以被视为用于描述市场特征的“因子”。以下是报告中出现的所有因子及其构建方式： 1. **因子名称：连阴连阳天数** * **因子构建思路：** 通过计算指数K线连续为阴线或阳线的天数，来反映市场的短期趋势强度和持续性[12]。 * **因子具体构建过程：** 从当前交易日开始向前回溯，统计连续收盘价低于前一交易日收盘价（阴线）或高于前一交易日收盘价（阳线）的天数。正数表示连阳天数，负数表示连阴天数[12]。 2. **因子名称：指数与均线比较** * **因子构建思路：** 通过比较指数收盘价与不同周期的移动平均线（MA）的位置关系，来判断指数所处的趋势阶段（如是否突破或跌破关键均线）[15]。 * **因子具体构建过程：** 计算指数收盘价相对于各周期移动平均线的百分比偏离度。计算公式为： $$ 偏离度 = \frac{收盘价 - 移动平均线值}{移动平均线值} \times 100\% $$ 报告中计算了相对于MA5、MA10、MA20、MA60、MA120、MA250的偏离度[16]。 3. **因子名称：指数换手率** * **因子构建思路：** 衡量指数成分股整体的交易活跃程度[18]。 * **因子具体构建过程：** 采用流通股本加权的方式计算指数整体换手率。具体公式为： $$ 指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)} $$ [20] 4. **因子名称：收益分布峰度与偏度** * **因子构建思路：** 通过计算指数日收益率分布的峰度和偏度，来描述收益分布的形态特征，如尖峰厚尾程度和分布对称性[25]。 * **因子具体构建过程：** 计算指定时间窗口（如近一年、近五年）内指数日收益率序列的峰度和偏度统计量。报告中注明，其峰度计算中减去了3（正态分布的峰度值），即计算的是超额峰度[27]。 5. **因子名称：风险溢价** * **因子构建思路：** 以十年期国债即期收益率作为无风险利率，计算股票指数的预期收益率与之差值，用以衡量投资股票市场所要求的额外风险补偿[29]。 * **因子具体构建过程：** 风险溢价通常计算为指数市盈率倒数（E/P）与无风险利率之差。报告中的具体计算公式未明确给出，但展示了结果，并计算了其在近1年、近5年的历史分位值[33]。 6. **因子名称：PE-TTM（滚动市盈率）** * **因子构建思路：** 使用最近十二个月（TTM）的净利润计算市盈率，作为衡量指数估值水平的核心指标[39]。 * **因子具体构建过程：** 计算公式为： $$ PE-TTM = \frac{指数总市值}{\sum (成分股最近十二个月净利润)} $$ 报告计算了其当前值、历史均值、波动率及相对于均值和标准差带的位置[43]。 7. **因子名称：股债性价比** * **因子构建思路：** 比较股票市场与债券市场的相对吸引力，通常用股票市场收益率（市盈率倒数）与债券收益率之差来表示[46]。 * **因子具体构建过程：** 计算公式为： $$ 股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率 $$ [46] 8. **因子名称：股息率** * **因子构建思路：** 反映指数成分股整体的现金分红回报率，是价值投资和红利策略关注的重要指标[48]。 * **因子具体构建过程：** 计算公式为： $$ 股息率 = \frac{\sum (成分股最近十二个月现金分红)}{\sum (成分股总市值)} \times 100\% $$ 报告计算了其当前值、历史分位值、均值及波动率[53]。 9. **因子名称：破净率** * **因子构建思路：** 统计指数中市净率（PB）小于1的个股占比，反映市场整体估值低迷或悲观的程度[54]。 * **因子具体构建过程：** 计算公式为： $$ 破净率 = \frac{指数中市净率 < 1 的成份股数量}{指数总成份股数量} \times 100\% $$ [57] 因子的回测效果 本报告为市场数据跟踪报告，未提供基于历史数据的因子回测结果（如IC、IR、多空收益、夏普比率等）。报告仅展示了各因子在**特定时点（2026年3月13日）** 对于**不同宽基指数**的截面取值或状态描述。具体数值如下： 1. **连阴连阳天数因子** * 上证50: -2 (日K连阴)[12] * 沪深300: 空[12] * 中证500: -3 (日K连阴)[12] * 中证1000: -2 (日K连阴)[12] * 中证2000: -3 (日K连阴)[12] * 中证全指: -2 (日K连阴)[12] * 创业板指: 空[12] 2. **指数与均线比较因子 (vsMA5)** * 上证50: -0.5%[16] * 沪深300: -0.02%[16] * 中证500: -1.2%[16] * 中证1000: -1.0%[16] * 中证2000: -1.4%[16] * 中证全指: -0.7%[16] * 创业板指: 0.4%[16] 3. **指数换手率因子** * 上证50: 0.41[18] * 沪深300: 0.94[18] * 中证500: 2.58[18] * 中证1000: 3.35[18] * 中证2000: 4.14[18] * 中证全指: 2.18[18] * 创业板指: 2.64[18] 4. **收益分布峰度与偏度因子 (当前vs近5年)** * **峰度偏离：** * 上证50: -1.79[27] * 沪深300: -1.85[27] * 中证500: -1.51[27] * 中证1000: -1.84[27] * 中证2000: -2.20[27] * 中证全指: -1.87[27] * 创业板指: -2.61[27] * **偏度偏离：** * 上证50: -0.51[27] * 沪深300: -0.47[27] * 中证500: -0.41[27] * 中证1000: -0.49[27] * 中证2000: -0.54[27] * 中证全指: -0.49[27] * 创业板指: -0.62[27] 5. **风险溢价因子 (近5年分位值)** * 上证50: 28.81%[33] * 沪深300: 34.21%[33] * 中证500: 9.37%[33] * 中证1000: 12.06%[33] * 中证2000: 15.08%[33] * 中证全指: 15.79%[33] * 创业板指: 46.35%[33] 6. **PE-TTM因子 (近5年历史分位值)** * 上证50: 80.58%[43] * 沪深300: 90.08%[43] * 中证500: 97.27%[43] * 中证1000: 97.52%[43] * 中证2000: 90.08%[43] * 中证全指: 97.77%[43] * 创业板指: 59.01%[43] 7. **股债性价比因子 (状态描述)** * 没有指数高于其近5年80%分位（机会值）[46] * 中证500和中证全指低于其近5年20%分位（危险值）[46] 8. **股息率因子 (近5年历史分位值)** * 上证50: 37.77%[53] * 沪深300: 36.61%[53] * 中证500: 8.02%[53] * 中证1000: 22.40%[53] * 中证2000: 4.21%[53] * 中证全指: 26.94%[53] * 创业板指: 55.12%[53] 9. **破净率因子** * 上证50: 22.0%[57] * 沪深300: 15.67%[57] * 中证500: 8.6%[57] * 中证1000: 6.6%[57] * 中证2000: 2.6%[57] * 中证全指: 5.16%[57]