量化模型与构建方式 1. **模型名称：华鑫市场情绪温度指标**[4][8][19] * **模型构建思路：** 该模型是一个综合性的市场情绪摆荡指标，旨在通过多维度数据刻画市场情绪状态，为在震荡市中识别高抛低吸机会提供参考[19]。 * **模型具体构建过程：** 模型从6个维度选取数据构建综合评分[19]。 1. **数据维度：** 包括指数涨跌幅、成交量、涨跌家数、KDJ技术指标、北向资金数据以及融资融券数据[19]。 2. **数据处理与合成：** 对过去5年的历史数据进行统计和回测，将上述6个维度的数据合成为一个综合评分[19]。报告未提供具体的加权或合成公式。 3. **评分与状态划分：** 综合评分范围在0-100分之间，并根据分值将市场情绪划分为五个等级：过冷（0-19分）、较冷（20-39分）、中性（40-59分）、较热（60-79分）、过热（80-100分）[19]。 * **模型评价：** 该模型属于摆荡指标，类似于RSI，主要适用于震荡市，用于提示高抛低吸的时机。当市场出现趋势性行情时，该指标可能出现钝化现象，即长时间维持在80分以上或20分以下，此时指标的适用性下降，钝化本身可能预示着趋势的出现[19]。 量化因子与构建方式 1. **因子名称：融资净买入额**[12][19] * **因子构建思路：** 该因子衡量投资者通过融资交易（借钱买股）表达对市场或个股乐观态度的资金净额[19]。 * **因子具体构建过程：** 计算特定时间段内（如前一日）融资买入金额与融资偿还金额的差值。 $$融资净买入额 = 融资买入额 - 融资偿还额$$ 其中，融资买入额指投资者向券商借入资金买入证券的金额，融资偿还额指投资者偿还之前融资负债的金额[12][19]。 2. **因子名称：融券净卖出额**[13][19] * **因子构建思路：** 该因子衡量投资者通过融券交易（借券卖出）表达对市场或个股悲观态度的证券净卖出价值[19]。 * **因子具体构建过程：** 计算特定时间段内（如前一日）融券卖出数量对应的金额与融券偿还数量对应的金额的差值。报告中的表格以“万元”为单位，表明已转换为货币价值[13]。 $$融券净卖出额 = 融券卖出金额 - 融券偿还金额$$ 其中，融券卖出金额指投资者向券商借入证券并卖出所获得的金额，融券偿还金额指投资者买入证券归还给券商所支付的金额[13][19]。 3. **因子名称：期间净买入额**[19] * **因子构建思路：** 该因子是融资净买入与融券净卖出的综合，用于衡量融资融券交易者整体的净多头头寸变化[19]。 * **因子具体构建过程：** 将融资净买入额减去融券净卖出额。 $$期间净买入额 = 融资净买入额 - 融券净卖出额$$ 该公式直接给出了因子的计算方法[19]。 模型的回测效果 *报告未提供华鑫市场情绪温度指标的具体历史回测绩效数据（如年化收益率、夏普比率、最大回撤等）[4][8][9][19]。* 因子的回测效果 *报告未提供融资净买入额、融券净卖出额、期间净买入额等因子在选股或择时方面的具体回测绩效数据（如IC值、IR、多空收益等）[12][13][19]。*

量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[12][43] * **模型构建思路**：为准确计算股指期货的升贴水，需要精确估计指数成分股在期货合约存续期内分红所导致的指数点位自然滑落（即分红点数）[12][43]。该模型通过精细化处理成分股权重、分红金额、除息日等核心要素，实现对指数分红点位的预测[12][43]。 * **模型具体构建过程**： 1. **核心公式**：指数从当前时刻 `t` 到期货合约到期日 `T` 期间的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，求和仅针对除权除息日 `τ` 满足 `t < τ ≤ T` 的成分股[43]。 2. **数据获取与处理流程**：如图16所示，首先获取指数成分股及其日度权重[44][49][50]。然后对每只成分股进行以下判断与估计[46]： * **已公布分红方案**：若公司已公布分红金额和除息日，则直接采用[46]。 * **未公布分红方案**：需依次预测**分红金额**和**除息日**[46]。 * **分红金额预测**：分红金额 = 净利润 × 股息支付率[51]。 * **净利润预测**：采用“基于历史净利润分布的动态预测法”[53]。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）；否则，根据其历史季度盈利分布是否稳定进行分类预测（见图17）[53]。 * **股息支付率预测**：采用历史数据替代[54]。 * 若去年分红，则以去年股息支付率为预测值[57]。 * 若去年不分红，则以最近3年平均股息支付率为预测值[57]。 * 若从未分红，则默认今年不分红[57]。 * 若预测值大于100%，则进行截尾处理[57]。 * **除息日预测**：采用“基于历史间隔天数稳定性的线性外推法”[55]。具体步骤如图18所示[60]： * 若已公布除息日，则直接采用[60]。 * 若未公布分红预案，则参考去年或前年的分红日期，并判断其合理性（是否在当前时点前、距离太近或在股东大会前），不合理则采用默认日期[60]。 * 若已公布分红预案，则根据所处阶段（预案或决案），判断历史从该阶段公告日到除息日的间隔天数是否稳定。若稳定，则用历史平均间隔天数与今年公告日进行线性外推；若不稳定，则参考历史分红日期[60]。 * 若无可靠历史日期或过去两年未分红，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）[60]。 * **模型评价**：模型对于上证50和沪深300指数的预测准确度较高，对于中证500和中证1000指数的预测误差稍大但基本稳定[65]。整体来看，对各股指期货合约的股息点预测效果较好[65]。 2. **模型/因子名称：成分股权重日度估算模型**[49] * **模型构建思路**：由于指数成分股权重每日变动，而数据提供商通常只提供月末权重，因此需要一种方法估算日度权重，以更精确地计算分红影响[49]。 * **模型具体构建过程**： * **估算公式**：假设最近一次公布权重日期为 `t_0`，成分股 `n` 的权重为 `w_n0`。从 `t_0` 到当前日 `t`，个股非复权涨跌幅为 `r_n`，则当前日权重 `W_{n,t}` 估算为： $$W_{n,t}={\frac{w_{n0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{n})}}$$[49] * **精确替代**：报告指出，为更准确并避免成分股调整、解禁等事件的影响，最终采用了中证指数公司每日披露的日度收盘权重数据，而非上述估算值[50]。 3. **因子名称：已实现股息率与剩余股息率**[17] * **因子构建思路**：用于衡量指数成分股中，本年度已经完成现金分红和尚未进行现金分红的部分，分别占指数总市值的比例，以反映分红进度[17]。 * **因子具体构建过程**： * **已实现股息率**：计算指数中本年度已现金分红的公司，其分红金额总和占这些公司总市值的比例，并按个股权重加权[17]。 * **剩余股息率**：计算指数中本年度尚未现金分红的公司，其预计分红金额总和占这些公司总市值的比例，并按个股权重加权[17]。 * 公式描述：设 `N1` 和 `N2` 分别为指数中已分红和未分红的公司数量，则： * 全年已实现股息率 = Σ(个股已分红金额 / 个股总市值 × 个股权重)，对 `N1` 家公司求和[17]。 * 全年剩余股息率 = Σ(个股待分红金额 / 个股总市值 × 个股权重)，对 `N2` 家公司求和[17]。 模型的回测效果 1. **股指分红点位测算模型**[65] * **预测误差（2024年 & 2025年）**：对上证50和沪深300指数的预测误差基本在5个点左右；对中证500和中证1000指数的预测误差稍大，基本稳定在10个点左右[65]。 * **预测准确性**：对2024年及2025年各股指期货当月主力合约的预测股息点与实际股息点对比显示，模型对各合约都具有较好的预测准确性[65]。 量化因子与构建方式 1. **因子名称：行业股息率中位数**[15] * **因子构建思路**：统计各行业内已披露分红预案的个股的股息率，并取中位数，以比较不同行业的分红吸引力[15]。 * **因子具体构建过程**：对于每个行业，计算所有已公布分红预案股票的“预案分红金额/当前总市值”，然后取该组数据的中位数[15]。 因子的回测效果 （报告未提供相关因子的历史回测表现指标，如IC、IR、多空收益等。）

量化模型与构建方式 1. **模型/因子名称**：封板率[13] * **构建思路**：用于衡量涨停股票在盘中封住涨停板的稳定性，即最高价涨停的股票中有多少最终收盘也维持涨停[13]。 * **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涨停的股票数量，与当日最高价涨停的股票总数之比[13]。 * **公式**：$$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[13] 2. **模型/因子名称**：连板率[13] * **构建思路**：用于衡量涨停股票的持续性，即昨日涨停的股票中有多少在今日继续涨停[13]。 * **具体构建过程**：统计上市满3个月以上的股票，计算连续两日收盘涨停的股票数量，与昨日收盘涨停的股票总数之比[13]。 * **公式**：$$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[13] 3. **模型/因子名称**：两融余额/交易占比[19] * **构建思路**：通过计算融资融券余额占流通市值的比重，以及两融交易额占市场总成交额的比例，来反映市场杠杆资金的规模和活跃程度[19]。 * **具体构建过程**： 1. 两融余额占比：使用截至统计日的融资余额与融券余额之和（即两融余额），除以市场总流通市值[19]。 2. 两融交易占比：使用统计日的融资买入额与融券卖出额之和，除以市场总成交额[19]。 4. **模型/因子名称**：大宗交易折价率[23] * **构建思路**：通过计算大宗交易成交价相对于市价的折价程度，来反映大资金的投资偏好和市场情绪[23]。 * **具体构建过程**：统计每日大宗交易的总成交金额，除以当日通过大宗交易成交的股份按当日市价计算的总市值，再减去1[23]。 * **公式**：$$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[23] 5. **模型/因子名称**：股指期货年化贴水率[26] * **构建思路**：计算股指期货价格与现货指数价格之间基差的年化比率，用于衡量市场对未来走势的预期以及股指对冲的成本[26]。 * **具体构建过程**：计算股指期货主力合约价格与对应现货指数价格的差值（基差），除以现货指数价格，再乘以（250天/合约剩余交易日数）进行年化[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 （注：本报告为市场监测日报，未提供量化模型或因子在历史样本上的系统性回测绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。报告主要展示了所构建指标在特定日期的截面或时间序列取值[1][2][3][5][6][8][11][13][16][19][21][23][26][28][31][34][35]。） 量化因子与构建方式 （注：本报告未涉及用于选股或预测收益的传统阿尔法因子（如价值、动量、质量等）的构建与测试。） 因子的回测效果 （注：本报告未涉及用于选股或预测收益的传统阿尔法因子的历史回测绩效。）

量化模型与构建方式 1. **模型名称**：风险溢价模型[27] **模型构建思路**：以十年期国债即期收益率为无风险利率的参考，计算股票市场宽基指数相对于无风险利率的风险溢价，以衡量其相对投资价值和偏离情况[27]。 **模型具体构建过程**：对于每一个宽基指数，计算其风险溢价。风险溢价定义为指数收益率与无风险收益率之差。具体公式为： $$风险溢价 = E(R_i) - R_f$$ 其中，$E(R_i)$ 为指数的预期收益率（在报告中通常指指数的隐含收益率或基于估值的倒推收益率，如市盈率TTM的倒数），$R_f$ 为十年期国债即期收益率，代表无风险利率[27][29]。报告通过计算当前风险溢价与历史数据（近1年、近5年）的分布进行比较，得到分位值，并计算波动率及均值加减标准差区间[31]。 2. **模型名称**：股债性价比模型[42] **模型构建思路**：通过比较股票市场的盈利收益率（市盈率TTM的倒数）与无风险利率（十年期国债即期收益率）的差值，来评估股票相对于债券的吸引力[42]。 **模型具体构建过程**：对于每一个宽基指数，计算其股债性价比。具体公式为： $$股债性价比 = \frac{1}{PE_{TTM}} - R_f$$ 其中，$PE_{TTM}$ 为指数的滚动市盈率（TTM），$R_f$ 为十年期国债即期收益率[42]。报告进一步计算了该指标近5年的历史分布，并定义了80分位值作为“机会值”，20分位值作为“危险值”，以及均值±1倍标准差区间，用于判断当前市场位置[42]。 3. **模型名称**：指数换手率计算模型[19] **模型构建思路**：计算宽基指数的整体换手率，以反映该指数成分股整体的交易活跃度[16]。 **模型具体构建过程**：指数换手率并非简单平均，而是以成分股的流通股本为权重进行加权计算。具体公式为： $$指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$$ 该公式确保了流通市值大的股票对指数整体换手率的影响更大，计算结果更符合实际交易情况[19]。 4. **模型名称**：交易金额占比模型[19] **模型构建思路**：计算单个宽基指数的成交金额占全市场成交金额的比重，以观察资金在不同风格板块间的流向[16]。 **模型具体构建过程**：对于每一个宽基指数，计算其交易金额占比。具体公式为： $$交易金额占比 = \frac{该指数当日交易金额}{中证全指当日交易金额}$$ 其中，中证全指代表全市场，以此作为分母可以计算出该指数成交额在全市场中的相对份额[19]。 5. **模型名称**：破净率模型[48] **模型构建思路**：统计宽基指数成分股中，市净率小于1的个股数量占比，以此反映市场整体的估值低迷程度或悲观情绪[48]。 **模型具体构建过程**：对于每一个宽基指数，遍历其所有成分股。计算每只成分股的市净率（PB）。统计满足 $PB < 1$ 的个股数量。破净率的计算公式为： $$破净率 = \frac{市净率小于1的个股数量}{指数成分股总数量} \times 100\%$$ 该指标直接反映了“破净”（股价低于每股净资产）现象的普遍性[48][50]。 量化因子与构建方式 1. **因子名称**：峰度（超额峰度）[24][25] **因子构建思路**：衡量指数日收益率分布与正态分布相比的尖锐或平坦程度，计算中减去了正态分布的峰度值3，因此报告中的“峰度”实为“超额峰度”[25]。 **因子具体构建过程**：基于指数近一年或近五年的日收益率序列 $r_t$ 计算。公式为： $$峰度 = \frac{\frac{1}{n} \sum_{t=1}^{n} (r_t - \bar{r})^4}{(\frac{1}{n} \sum_{t=1}^{n} (r_t - \bar{r})^2)^2} - 3$$ 其中，$n$ 为样本数量，$\bar{r}$ 为收益率序列的均值。结果大于0表示分布比正态分布更尖峭（肥尾），小于0表示更平坦[24][25]。 2. **因子名称**：偏度[24][25] **因子构建思路**：衡量指数日收益率分布的不对称性，即正收益和负收益极端值出现概率的差异[24]。 **因子具体构建过程**：基于指数近一年或近五年的日收益率序列 $r_t$ 计算。公式为： $$偏度 = \frac{\frac{1}{n} \sum_{t=1}^{n} (r_t - \bar{r})^3}{(\frac{1}{n} \sum_{t=1}^{n} (r_t - \bar{r})^2)^{3/2}}$$ 其中，$n$ 为样本数量，$\bar{r}$ 为收益率序列的均值。结果大于0表示分布右偏（正偏，极端正收益更多），小于0表示左偏（负偏，极端负收益更多）[24][25]。 3. **因子名称**：市盈率TTM（PE-TTM）[37][40] **因子构建思路**：使用最近四个季度的净利润总和计算市盈率，作为衡量指数估值水平的核心指标[37]。 **因子具体构建过程**：对于宽基指数，其市盈率TTM通常由成分股市值加权计算得到。具体为： $$指数PE_{TTM} = \frac{\sum (成分股总市值)}{\sum (成分股最近四个季度净利润)}$$ 报告中使用该因子的当前值、历史分位值（近1年、近5年、全历史）、均值及波动率进行分析[40]。 4. **因子名称**：股息率[45][48] **因子构建思路**：计算指数成分股的现金分红回报率，反映红利投资价值，尤其在市场低迷时被视为“避风港”[45]。 **因子具体构建过程**：对于宽基指数，其股息率通常由成分股加权计算。具体为： $$指数股息率 = \frac{\sum (成分股近12个月现金分红总额)}{\sum (成分股总市值)} \times 100\%$$ 报告中使用该因子的当前值、历史分位值（近1年、近5年、全历史）、均值及波动率进行分析[48]。 模型的回测效果 （注：本报告为市场数据跟踪报告，未提供基于历史数据的策略回测绩效指标，如年化收益率、夏普比率、最大回撤等。因此本部分无相关内容。） 因子的回测效果 （注：本报告主要展示各因子的当前值、历史分位及统计特征，未提供基于该因子构建投资组合并进行历史回测的绩效指标，如IC、IR、多空收益等。因此本部分无相关内容。）

量化模型与因子总结 量化因子与构建方式 1. **因子名称：融资净买入额** * **因子构建思路：** 衡量特定周期内（如一周）融资买入资金与融资偿还资金的净差额，反映市场或个股的融资资金净流入情况[2][32]。 * **因子具体构建过程：** 对于个股或行业，计算指定周期（T周）的融资净买入额。具体为周期内每日融资买入金额减去每日融资偿还金额后的累计值。 $$融资净买入额_{T} = \sum_{t=1}^{T} (融资买入金额_t - 融资偿还金额_t)$$ 其中，t代表周期内的交易日。报告中对行业和个股均计算了该因子[32][48][50]。 2. **因子名称：融券净卖出额** * **因子构建思路：** 衡量特定周期内（如一周）融券卖出数量与融券偿还数量的净差额，反映市场或个股的融券资金净流出情况[2][33]。 * **因子具体构建过程：** 对于个股或行业，计算指定周期（T周）的融券净卖出额。具体为周期内每日融券卖出金额减去每日融券偿还金额后的累计值。 $$融券净卖出额_{T} = \sum_{t=1}^{T} (融券卖出金额_t - 融券偿还金额_t)$$ 其中，t代表周期内的交易日。报告中对行业和个股均计算了该因子[33][51][52]。 3. **因子名称：融资买入额占成交额比例** * **因子构建思路：** 衡量融资买入交易在总市场成交中的活跃度与占比，用于观察杠杆资金对市场或个股交易的参与程度[2][36]。 * **因子具体构建过程：** 对于行业或个股，计算指定周期（T周）的融资买入额占其同期总成交额的比例。通常取周期内的平均值或期末值。 $$融资买入额占成交额比例_{T} = \frac{融资买入额_{T}}{成交额_{T}} \times 100\%$$ 报告中对申万一级行业和个股均计算并展示了该因子[36][38][49][50]。 4. **因子名称：融资余额占流通市值比例** * **因子构建思路：** 衡量未偿还的融资负债规模相对于公司流通市值的大小，用于评估杠杆资金在个股或行业中的存量占比和潜在风险[36]。 * **因子具体构建过程：** 对于行业或个股，在特定时点（如周末），计算其融资余额占其流通市值的比例。 $$融资余额占流通市值比例_{t} = \frac{融资余额_{t}}{流通市值_{t}} \times 100\%$$ 其中，t代表特定日期。报告中对申万一级行业计算了该因子[36][38]。 5. **因子名称：融券卖出额占成交额比例** * **因子构建思路：** 衡量融券卖出交易在总市场成交中的活跃度与占比，用于观察看空资金对市场或个股交易的参与程度[40]。 * **因子具体构建过程：** 对于行业，计算指定周期（T周）的融券卖出额占其同期总成交额的比例。通常取周期内的平均值或期末值。 $$融券卖出额占成交额比例_{T} = \frac{融券卖出额_{T}}{成交额_{T}} \times 100\%$$ 报告中对申万一级行业计算了该因子[40][41]。 6. **因子名称：融券余额占流通市值比例** * **因子构建思路：** 衡量未偿还的融券负债规模相对于公司流通市值的大小，用于评估看空资金在个股或行业中的存量占比[40]。 * **因子具体构建过程：** 对于行业，在特定时点（如周末），计算其融券余额占其流通市值的比例。 $$融券余额占流通市值比例_{t} = \frac{融券余额_{t}}{流通市值_{t}} \times 100\%$$ 其中，t代表特定日期。报告中对申万一级行业计算了该因子[40][41]。 因子的回测效果 > **注：** 本报告为周度数据统计报告，主要展示各因子在报告期（2026年3月4日至3月10日）内的截面数据排名或具体数值，并未提供基于历史数据的长期回测绩效指标（如年化收益率、夏普比率、信息比率IR等）。以下为报告期内各因子的具体取值或排序情况。 1. **融资净买入额因子** * **行业层面取值（前三位）：** 电力设备、石油石化、电子行业融资净买入额较多[2][32]。 * **个股层面取值（前五名）：** 佰维存储(187,642.87万元)、华工科技(176,271.58万元)、亨通光电(113,595.62万元)、德明利(100,458.71万元)、东山精密(96,975.06万元)[48][50]。 2. **融券净卖出额因子** * **行业层面取值（前三位）：** 电力设备、计算机、医药生物行业融券净卖出额较多[2][33]。 * **个股层面取值（前五名）：** 协创数据(1,842.66万元)、比亚迪(1,760.81万元)、万华化学(1,498.54万元)、格力电器(1,380.74万元)、海光信息(1,352.55万元)[51][52]。 3. **融资买入额占成交额比例因子** * **行业层面取值（前三名）：** 非银金融(11.11%)、通信(10.56%)、电子(9.67%)[36][38]。 * **行业层面取值（后三名）：** 轻工制造(4.01%)、纺织服饰(4.31%)、美容护理(5.57%)[36][38]。 * **个股层面取值（前五名）：** 振德医疗(28.26%)、方正证券(24.92%)、圣诺生物(24.31%)、荣昌生物(23.73%)、吉林敖东(22.01%)[49][50]。 4. **融资余额占流通市值比例因子** * **行业层面取值（前三名）：** 计算机(4.11%)、传媒(3.42%)、非银金融(3.28%)[36][38]。 * **行业层面取值（后三名）：** 石油石化(0.71%)、煤炭(0.82%)、银行(0.83%)[36][38]。 5. **融券卖出额占成交额比例因子** * **行业层面取值（前三名）：** 食品饮料(0.08%)、煤炭(0.08%)、银行(0.06%)[40][41]。 * **行业层面取值（后三名）：** 轻工制造(0.01%)、社会服务(0.02%)、环保(0.02%)[40][42]。 6. **融券余额占流通市值比例因子** * **行业层面取值（前三名）：** 传媒(0.02%)、国防军工(0.01%)、医药生物(0.01%)[40][41]。 * **行业层面取值（后三名）：** 银行(0.00%)、轻工制造(0.00%)、纺织服饰(0.00%)[40][41][42]。

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**[70] * **模型构建思路**：通过监测外部宏观利率环境（美债收益率）和汇率资金面（人民币汇率）的变化，构建一个综合信号来对A股市场进行择时判断[70]。 * **模型具体构建过程**： 1. **美债信号（长期宏观信号）**：计算10年期美债收益率的18个月移动平均值。当最新收益率低于该均值时，发出偏多信号（+1）；当最新收益率高于该均值时，发出偏空信号（-1）[74][75]。 * 公式：$$Signal_{bond} = \begin{cases} +1, & \text{if } Y_{10Y\_UST} < MA(Y_{10Y\_UST}, 18M) \\ -1, & \text{if } Y_{10Y\_UST} > MA(Y_{10Y\_UST}, 18M) \end{cases}$$ * 其中，$Y_{10Y\_UST}$ 为10年期美债收益率，$MA(\cdot, 18M)$ 表示18个月移动平均。 2. **汇率信号（短期资金信号）**：观察美元兑人民币汇率（USDCNY）的月度变化。若月度涨跌幅为负（人民币升值），则发出偏多信号（+1）；若月度涨跌幅为正（人民币贬值），则发出偏空信号（-1）[76]。 * 公式：$$Signal_{fx} = \begin{cases} +1, & \text{if } \Delta USDCNY_{monthly} < 0 \\ -1, & \text{if } \Delta USDCNY_{monthly} > 0 \end{cases}$$ * 其中，$\Delta USDCNY_{monthly}$ 为USDCNY汇率的月度涨跌幅。 3. **综合信号**：将美债信号与汇率信号结合，形成最终的宏观资金面择时信号。当两者均发出偏多信号时，综合信号为偏多[77]。 量化因子与构建方式 1. **因子名称：股指期货基差比例**[16][22] * **因子构建思路**：通过计算股指期货价格相对于其标的指数现货价格的溢价或折价比例（基差），来反映市场情绪和套利力量[16][24]。 * **因子具体构建过程**：使用股指期货次月合约的结算价与对应标的指数收盘价进行计算[16][22]。 * 公式：$$Basis\ Ratio = \frac{Futures\ Price}{Underlying\ Index\ Price} - 1$$ * 其中，$Futures\ Price$ 为股指期货次月合约价格，$Underlying\ Index\ Price$ 为对应的标的指数价格。结果为正表示升水（期货价格高于现货），为负表示贴水（期货价格低于现货）[22]。 * **因子评价**：该因子是衡量市场情绪、流动性预期和套利成本的重要指标。升水通常表示市场看涨情绪或存在正向套利空间，贴水则可能反映看跌情绪或流动性紧张[24]。 2. **因子名称：国债期货隐含收益率**[41][43] * **因子构建思路**：通过国债期货价格反推出的债券到期收益率，反映期货市场参与者对未来利率水平的预期[33]。 * **因子具体构建过程**：基于国债期货合约的价格，使用债券定价模型反算出的对应期限国债的到期收益率[41][43]。 * 公式：由国债期货价格 $P_{futures}$ 通过债券定价公式反解出到期收益率 $y$，满足 $$P_{futures} = \sum_{i=1}^{n} \frac{CF_i}{(1+y/f)^{t_i}}$$ * 其中，$CF_i$ 为第 $i$ 期现金流，$f$ 为年付息频率，$t_i$ 为第 $i$ 期现金流的时间（年）。 * **因子评价**：该因子是连接期货市场与现货市场利率预期的桥梁。与现货收益率比较，可以反映市场对未来利率走势的乐观或悲观情绪[41]。 3. **因子名称：期权波动率指数（VIX）**[54][56] * **因子构建思路**：通过期权市场价格计算得出的波动率指数，反映市场对未来30天标的资产价格波动率的预期[54]。 * **因子具体构建过程**：通常采用CBOE的VIX计算方法，利用近月和次近月一系列看涨、看跌期权的价格，通过模型计算得出隐含波动率，并加权合成未来30天的预期波动率[56]。 * （报告未给出具体计算公式，仅说明其为反映未来30天波动率预期的指数[54]） * **因子评价**：被称为“恐慌指数”，是衡量市场风险情绪和不确定性程度的关键指标。VIX上升通常伴随市场担忧加剧，下降则反映市场情绪趋于平稳[54][57]。 4. **因子名称：期权持仓量PCR（Put/Call Ratio）**[60] * **因子构建思路**：计算看跌期权（Put）与看涨期权（Call）的持仓量比值，用以衡量市场多空情绪和风险偏好[60]。 * **因子具体构建过程**：选取特定标的（如50ETF、300ETF）的期权合约，统计所有上市合约的看跌期权总持仓量与看涨期权总持仓量，并计算其比值[62][65]。 * 公式：$$PCR_{OI} = \frac{Total\ Put\ Open\ Interest}{Total\ Call\ Open\ Interest}$$ * **因子评价**：PCR上升可能意味着市场避险情绪升温（买入看跌期权保护增多），下降则可能反映市场投机或看涨情绪占优。是观测市场情绪变化的常用指标[60][66]。 模型的回测效果 1. **宏观资金面信号择时策略**[80][83] * 年化收益率：**16.7%**[83] * 年化波动率：**19.2%**[83] * 夏普比率：**0.87**[83] * 最大回撤：**-25.1%**[83] * 信息比率（IR）：**1.21**[83] 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，如IC、IR、多空收益等。报告主要展示了各因子在特定时间窗口的观测值，用于定性判断市场状态。）

量化模型与构建方式 1. **模型/因子名称：封板率** [16] * **构建思路：** 用于衡量市场涨停股票的“封板”强度，即那些在盘中触及涨停的股票，最终能够维持涨停至收盘的比例 [16]。 * **具体构建过程：** 1. 筛选上市满3个月以上的股票 [13]。 2. 在指定交易日，统计所有股票中“最高价涨停”的股票数量 [16]。 3. 在步骤2的股票中，统计“收盘价也涨停”的股票数量 [16]。 4. 计算封板率，公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ [16] 2. **模型/因子名称：连板率** [16] * **构建思路：** 用于衡量市场涨停效应的持续性，即前一日涨停的股票，在下一交易日继续涨停的比例 [16]。 * **具体构建过程：** 1. 筛选上市满3个月以上的股票 [16]。 2. 在指定交易日（T日），统计“昨日（T-1日）收盘涨停”的股票数量 [16]。 3. 在步骤2的股票中，统计“今日（T日）收盘也涨停”的股票数量 [16]。 4. 计算连板率，公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ [16] 3. **模型/因子名称：大宗交易折价率** [25] * **构建思路：** 通过计算大宗交易成交价相对于市场价格的折价幅度，来反映大资金的交易情绪和偏好 [25]。 * **具体构建过程：** 1. 获取指定交易日所有大宗交易的“总成交金额” [25]。 2. 计算这些大宗交易“成交份额”按当日市场价格计算的总市值 [25]。 3. 计算折价率，公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ [25] * **公式说明：** 该值为负表示折价交易，绝对值越大表示折价幅度越大 [25]。 4. **模型/因子名称：股指期货年化贴水率** [28] * **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，以标准化衡量股指期货的升贴水程度，反映市场对未来走势的预期和对冲成本 [28]。 * **具体构建过程：** 1. 计算基差：股指期货价格 - 现货指数价格 [28]。 2. 计算年化贴水率，公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ [28] * **公式说明：** 结果为正表示期货升水，为负表示期货贴水；通过乘以(250/合约剩余交易日数)将日度基差率年化 [28]。 模型的回测效果 *本报告为市场监测日报，未提供量化模型或因子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、信息比率IR等）。报告主要展示了所构建指标在特定日期的截面或时间序列取值 [2][3][6][7][10][13][16][18][21][22][25][28][30][35][36]。* 量化因子与构建方式 *本报告未涉及用于选股或资产定价的Alpha因子（如价值、动量、质量等）的构建与测试。报告中的“封板率”、“连板率”等更偏向于市场情绪或资金面指标。* 因子的回测效果 *本报告未提供量化因子的IC值、IR、多空收益、分组收益等传统因子测试结果。*

好的，作为一名熟练的金融工程分析师，我将对您提供的研报内容进行分析，总结其中涉及的量化模型与因子。根据我的审阅，这份报告主要是一份市场行情与公司公告的汇总，并未详细阐述任何具体的量化模型或量化因子的构建过程、评价及测试结果[1][3][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36]。 报告内容侧重于： 1. **市场数据**：提供了全球主要股指、商品、汇率、经济数据的表现[1][5][6][17]。 2. **公司动态**：包括IPO进展、财报摘要、股息派发信息等[10][14][15][16]。 3. **个股行情**：列出了港股、A股、美股部分股票的股价、涨跌幅、市盈率（P/E）、市净率（P/B）等基础财务与市场指标[18][20][23][24][25][26][28][29][30][31][33][35]。 4. **价差列表**：展示了A/H股之间的价格差异[33][35]。 **总结如下：** 量化模型与构建方式 报告中未明确描述或构建任何具体的量化投资模型。 模型的回测效果 报告中未提供任何量化模型的回测效果数据。 量化因子与构建方式 报告中未详细阐述任何量化因子的构建思路、具体过程或公式。报告表格中出现的市盈率（P/E）、市净率（P/B）等是通用的估值指标，但报告并未将其作为量化因子进行构建、测试或分析[18][20][23][26]。 因子的回测效果 报告中未提供任何量化因子的测试结果（如IC值、IR、多空收益等）。

量化模型与构建方式 1. **模型名称：优质CoT联合投票策略** [4] * **模型构建思路**：基于从研报中动态提取并验证有效的“投资思维链”，构建多专家投票机制。每条有效的思维链被视为一个“投资专家”，各自对个股进行判断，通过汇总投票结果来筛选最终持仓股票[4][37]。 * **模型具体构建过程**： 1. **思维链提取与验证**：使用大模型从历史研报中提取“驱动因素→推理链条→投资结论”的完整思维链，并进行滚动回测，筛选出信息比率（IR）表现最优的前1/3（最多约7条）作为当期“优质思维链”[4][24][33][34]。 2. **个股符合度判断**：每条优质思维链根据当前截面的个股信息（研报+实时新闻），判断其与自身逻辑的“符合程度”（不符合/较符合/完全符合）并给出置信度打分[4][33][41]。 3. **投票与持仓构建**：每条思维链判断为“完全符合”的个股记为一票。每月初，汇总所有优质思维链的投票，将获得至少3票的股票纳入持仓。若当月无符合持仓条件的股票，则维持上期持仓不变[4][46]。 2. **模型名称：优质CoT加权选股策略** [4] * **模型构建思路**：在联合投票策略的基础上进行优化，根据每条优质思维链的历史表现（信息比率）赋予其不同的权重，表现越好的思维链，其选中的股票得分越高，以此提升策略的风险控制能力[4][58]。 * **模型具体构建过程**： 1. **优质思维链筛选**：与投票策略相同，筛选出信息比率表现最优的前1/3思维链[4][58]。 2. **权重赋值**：根据每条思维链在检验期间的信息比率分位数构建权重，表现越优异，权重越高[58]。 3. **个股得分计算**：每条优质思维链对其判断为“完全符合”的个股，赋予该链对应的权重分数。每月初，汇总每只股票获得的所有权重分数，得到累计得分[58]。 4. **持仓构建**：将累计得分高于设定阈值（报告中为3.5分）的股票纳入持仓。若当月无股票得分超过阈值，则维持上期持仓不变[58]。 模型的回测效果 *测试基准：分析师等权基准，回测区间：2021年1月-2026年1月，费率：千分之三[4][46]* 1. **优质CoT联合投票策略**，年化超额收益率17.16%，年化波动率35.87%，最大回撤43.99%，信息比率（IR）0.48[4][57]。 2. **优质CoT加权选股策略**，年化超额收益率16.21%，年化波动率31.94%，最大回撤44.17%，信息比率（IR）0.51[4][61]。 量化因子与构建方式 *注：本报告的核心是构建基于“思维链”的选股模型，并未构建传统的量化因子。报告将每条“投资思维链”本身视为一种动态的、非结构化的选股逻辑单元，并通过模型化的方式（投票、加权）进行应用。因此，以下总结的是构成模型的底层“思维链”的构建与验证过程。* 1. **因子/逻辑单元名称：主观投资思维链（CoT）** [3][19] * **构建思路**：利用大语言模型（LLM）的思维链（Chain of Thought, CoT）技术，从海量的非结构化卖方研报文本中，自动化提取分析师完整的投资推理逻辑，形成“核心驱动要素→传导路径→投资结论”的逻辑链条[2][3][19]。 * **具体构建过程**： 1. **数据准备与筛选**：收集特定行业（如医药生物）的卖方研报，通过研报筛选器进行行业分类和质量加权（如研报长度、分析师权威性）[24]。 2. **思维链生成**：设计提示词引导大模型（如DeepSeek-R1）阅读研报，要求其识别核心驱动因素（trigger），推导出从驱动因素到投资结论的严密传导路径（CoT），并给出信号强度（signal）打分，生成不少于15条投资推理链条[24][26][29]。 3. **时序处理与更新**：以半年为频率，对思维链组进行合并、补缺和迭代更新。确保每个时间截面的思维链组仅包含该时点及之前的所有信息，避免未来信息泄露，并根据新信息对旧逻辑的信号强度进行自适应衰减[24][26]。 * **因子评价**：该方法能够穿透文本，提取复杂的因果推演逻辑，将非结构化的主观投资框架转化为可量化、可验证的策略信号[2][13][68]。 2. **因子/逻辑单元验证机制：滚动单链回测** [3][33] * **构建思路**：对提取出的每一条投资思维链进行独立的历史回测，定量验证其在不同市场环境下的选股有效性，并动态筛选出当前有效的“优质思维链”[3][33]。 * **具体构建过程**： 1. **信息输入**：对于每个回测截面，为每只个股汇总该时间点的研报信息和实时新闻数据[33]。 2. **符合度判断**：每条思维链基于汇总信息，判断每只个股是否符合自身逻辑，给出“不符合/较符合/完全符合”的定性判断及0%-100%的置信度打分[33][34]。 3. **持仓与绩效计算**：根据阈值（如只持仓“完全符合”的个股）构建该思维链的模拟持仓组合（0-12只），计算其相对于行业基准（如医药全指）的年化超额收益率、跟踪误差和信息比率（IR）[34]。 4. **动态筛选**：根据回测结果（主要是信息比率IR），在每个周期（如半年）筛选出表现最优的思维链组，用于下一周期的选股策略[4][45]。 因子的回测效果 *测试基准：医药全指，测试结果为2025H2截面示例[35]* 1. **新产品研发与商业化进展思维链**，年化超额收益率26.32%，跟踪误差14.33%，信息比率（IR）1.84[35]。 2. **产品结构优化与高端转型思维链**，年化超额收益率22.26%，跟踪误差18.07%，信息比率（IR）1.23[35]。 3. **刚性需求增长与基本面稳固思维链**，年化超额收益率9.78%，跟踪误差11.07%，信息比率（IR）0.88[35]。 4. **产能建设与供应链强化思维链**，年化超额收益率9.35%，跟踪误差20.04%，信息比率（IR）0.47[35]。 5. **销售渠道深化与市场渗透率提升思维链**，年化超额收益率8.40%，跟踪误差18.44%，信息比率（IR）0.46[35]。 *（注：报告中列出了共17条思维链的回测结果，此处仅列举IR较高的前5条作为示例）*

量化模型与构建方式 本报告为市场监测日报，未涉及具体的量化选股模型或多因子模型。报告主要定义并计算了多个用于刻画市场情绪、资金流向及折溢价状态的量化指标（因子）[16][21][25][28]。 1. **因子名称：封板率** [16] * **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，来度量市场追涨情绪和涨停板的可靠性[16]。 * **因子具体构建过程：** 1. 选定样本：上市满3个月以上的股票[16]。 2. 计算指标：在交易日T，统计所有样本股中，当日最高价曾达到涨停价且收盘价也为涨停价的股票数量，记为A；统计当日最高价曾达到涨停价的股票总数，记为B[16]。 3. 计算公式： $$封板率 = \frac{A}{B}$$ [16] 其中，A代表最高价涨停且收盘涨停的股票数，B代表最高价涨停的股票数[16]。 2. **因子名称：连板率** [16] * **因子构建思路：** 通过计算连续涨停股票的比例，来度量市场投机情绪的强度和持续性[16]。 * **因子具体构建过程：** 1. 选定样本：上市满3个月以上的股票[16]。 2. 计算指标：在交易日T，统计所有样本股中，在T-1日和T日收盘价均涨停的股票数量，记为C；统计在T-1日收盘涨停的股票总数，记为D[16]。 3. 计算公式： $$连板率 = \frac{C}{D}$$ [16] 其中，C代表连续两日收盘涨停的股票数，D代表昨日收盘涨停的股票数[16]。 3. **因子名称：两融余额占比** [21] * **因子构建思路：** 通过计算融资融券余额占市场总流通市值的比重，来度量杠杆资金在市场中的总体规模和参与度[21]。 * **因子具体构建过程：** 1. 获取数据：截至交易日T的两融余额（融资余额+融券余额），以及同日A股市场的总流通市值[21]。 2. 计算公式： $$两融余额占比 = \frac{两融余额}{总流通市值}$$ [21] 4. **因子名称：两融交易占比** [21] * **因子构建思路：** 通过计算融资买入与融券卖出总额占市场总成交额的比例，来度量杠杆资金交易的活跃程度[21]。 * **因子具体构建过程：** 1. 获取数据：交易日T的融资买入额、融券卖出额以及市场总成交额[21]。 2. 计算公式： $$两融交易占比 = \frac{融资买入额 + 融券卖出额}{市场总成交额}$$ [21] 5. **因子名称：大宗交易折价率** [25] * **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，来观察大资金的交易意愿和情绪，折价率高可能意味着大股东或机构减持意愿强或急于成交[25]。 * **因子具体构建过程：** 1. 获取数据：交易日T发生的所有大宗交易，记录每笔的成交金额和成交数量，以及对应股票当日的收盘价[25]。 2. 计算总成交金额：汇总当日所有大宗交易的成交金额[25]。 3. 计算按市价计的总市值：对每笔大宗交易，用其成交数量乘以当日该股票收盘价，得到该笔交易按市价计算的价值，然后汇总所有交易[25]。 4. 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] 该值为负表示折价交易，绝对值越大表示折价越深[25]。 6. **因子名称：股指期货年化贴水率** [28] * **因子构建思路：** 通过计算股指期货价格相对现货指数的年化基差，来反映市场对未来走势的预期、对冲成本以及市场情绪。贴水（负基差）通常意味着市场情绪偏谨慎或对冲需求旺盛[28]。 * **因子具体构建过程：** 1. 选定合约：选取各股指期货品种的主力合约[28]。 2. 计算基差：基差 = 股指期货价格 - 现货指数价格[28]。 3. 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] 其中，“基差/指数价格”为实际基差率，乘以“250/合约剩余交易日数”将其年化，以便于不同期限合约间的比较[28]。结果为负表示贴水，为正表示升水[28]。 因子的回测效果 本报告为日度市场数据跟踪，未提供上述因子的历史回测表现（如IC、IR、多空收益等）。报告仅展示了特定日期（2026年3月10日及前后）相关因子的具体取值或状态[13][16][18][21][22][25][28]。 1. **封板率因子**，2026年3月10日取值：**65%** [13][16] 2. **连板率因子**，2026年3月10日取值：**20%** [13][16] 3. **两融余额占比因子**，截至2026年3月9日取值：**2.6%** [21] 4. **两融交易占比因子**，截至2026年3月9日取值：**9.0%** [21] 5. **大宗交易折价率因子**，2026年3月9日取值：**6.75%** [25]；近半年以来平均值：**7.10%** [25] 6. **股指期货年化贴水率因子** * **上证50**，2026年3月10日取值：**0.46%** [28]；近一年中位数：**0.70%** [28] * **沪深300**，2026年3月10日取值：**7.19%** [28]；近一年中位数：**3.96%** [28] * **中证500**，2026年3月10日取值：**6.21%** [28]；近一年中位数：**10.99%** [28] * **中证1000**，2026年3月10日取值：**13.66%** [28]；近一年中位数：**13.37%** [28]