根据提供的研报内容，以下是关于量化模型和因子的总结。 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][42] * **模型构建思路**：为准确计算跟踪价格指数的股指期货合约的升贴水情况，必须精细估计指数成分股分红除息导致的指数点位自然滑落，该模型旨在预测从当前时刻到期货合约到期日期间，指数因分红而产生的点数损失[12][42] * **模型具体构建过程**：模型的核心是计算在特定时间窗口（当前日期t至期货到期日T）内，所有成分股分红对指数点位的总影响[42]。具体流程如下[43][46]： * **步骤1**：获取指数成分股及其精确的日度权重。采用中证指数公司每日披露的收盘权重数据，以确保准确性，避免使用历史权重估算带来的偏差[48][49] * **步骤2**：对每只成分股，预测其在时间窗口（t < 除息日 ≤ T）内的分红金额和除息日[45]。具体预测方法如下： * **分红金额预测**：若公司已公布分红金额，则直接采用；若未公布，则需估计。分红金额由净利润乘以股息支付率得到，即 `分红金额 = 净利润 × 股息支付率`[50] * **净利润预测**：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）；若未披露，则采用基于历史净利润分布的动态预测法，将公司分为盈利稳定型和不稳定型，分别按历史规律或上年同期利润进行预测[51][53][55] * **股息支付率预测**：若公司去年分红，则采用去年股息支付率；若去年不分红，则采用最近3年平均股息支付率；若从未分红，则默认今年不分红；对预期股息支付率大于100%的情况进行截尾处理[54][56] * **除息日预测**：若公司已公布除息日，则直接采用；若未公布，则根据公司所处分红阶段（预案或决案），结合历史间隔天数（如从预案公告日到除息日的天数）的稳定性进行线性外推预测；若无可靠历史数据，则根据大多数公司分红集中在7月底前的规律，设置默认预测日期（如7月31日、8月31日等）[54][58][59] * **步骤3**：汇总计算指数总分红点数。公式如下[42]： $$分红点数 = \sum_{n=1}^{N} \left( \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价 \right)$$ 其中，`N` 为指数成分股数量，求和条件为个股除息日落在时间窗口 (t, T] 内[42] * **模型评价**：该模型对上证50和沪深300指数全年的预测准确度较高，对中证500指数的预测误差稍大但基本稳定；对于股指期货合约的股息点预测也具有较好的准确性[64] 模型的回测效果 1. **股指分红点位测算模型**[64] * **预测误差（2023年）**：上证50指数和沪深300指数误差基本在5个点左右，中证500指数误差基本在10个点左右[64] * **预测误差（2024年）**：上证50指数和沪深300指数误差基本在5个点左右，中证500指数误差基本在10个点左右[64] * **股指期货预测准确性（2023年 & 2024年）**：对上证50、沪深300及中证500股指期货当月主力合约的预测股息点与实际股息点相比，具有较好的预测准确性，其中上证50和沪深300股指期货的预测效果最好[64] 量化因子与构建方式 1. **因子名称：已实现股息率**[3][18] * **因子构建思路**：衡量指数成分股中，在当年已经完成现金分红的公司，其分红总额相对于指数总市值的比率[3][18] * **因子具体构建过程**：计算公式如下[18]： $$已实现股息率 = \sum_{i=1}^{N1} \left( \frac{个股已分红金额}{个股总市值} \times 个股权重 \right)$$ 其中，`N1` 表示指数成分股中今年已现金分红的公司数量[18] 2. **因子名称：剩余股息率**[3][18] * **因子构建思路**：衡量指数成分股中，在当年尚未进行现金分红但预计将会分红的公司，其待分红总额相对于指数总市值的比率[3][18] * **因子具体构建过程**：计算公式如下[18]： $$剩余股息率 = \sum_{j=1}^{N2} \left( \frac{个股待分红金额}{个股总市值} \times 个股权重 \right)$$ 其中，`N2` 表示指数成分股中今年尚未现金分红的公司数量[18] 3. **因子名称：年化升贴水**[4][14] * **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[4][14] * **因子具体构建过程**：首先计算含分红价差：`含分红价差 = 期货合约收盘价 - (指数收盘价 - 分红点数)` 或等价于 `当前价差 + 分红点数`[14]。然后计算年化升贴水[14]： $$年化升贴水 = \left( \frac{含分红价差}{指数收盘价} \right) \times \left( \frac{365}{到期天数} \right) \times 100\%$$ [14] 因子的回测效果 1. **已实现股息率（截至2025年11月12日）**[3] * **上证50指数**：2.50%[3] * **沪深300指数**：1.99%[3] * **中证500指数**：1.22%[3] * **中证1000指数**：0.93%[3] 2. **剩余股息率（截至2025年11月12日）**[3] * **上证50指数**：0.36%[3] * **沪深300指数**：0.24%[3] * **中证500指数**：0.06%[3] * **中证1000指数**：0.04%[3] 3. **年化升贴水（主力合约，截至2025年11月12日）**[4][14] * **IH主力合约**：3.92%（年化升水）[4][14] * **IF主力合约**：0.38%（年化升水）[4][14] * **IC主力合约**：-10.12%（年化贴水）[4][14] * **IM主力合约**：-14.93%（年化贴水）[4][14]

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：行业拥挤度监测模型**[3] * **模型构建思路**：通过构建模型，对申万一级行业指数的拥挤度进行每日监测，以识别拥挤度较高或较低的行业[3] * **模型具体构建过程**：报告未提供该模型的具体构建过程和公式 2. **模型名称：溢价率 Z-score 模型**[4] * **模型构建思路**：通过滚动测算ETF的溢价率Z-score，搭建ETF产品筛选信号模型，以发现存在潜在套利机会的标的[4] * **模型具体构建过程**：报告未提供该模型的具体构建过程和公式 量化因子与构建方式 1. **因子名称：行业拥挤度**[3] * **因子构建思路**：用于衡量申万一级行业的交易拥挤程度[3] * **因子具体构建过程**：报告未提供该因子的具体构建过程和公式 * **因子评价**：拥挤度较高的行业可能提示风险，拥挤度较低的行业可能值得关注[3] 2. **因子名称：溢价率 Z-score**[4] * **因子构建思路**：用于识别ETF价格相对于其净值（IOPV）的异常偏离程度，以捕捉套利机会[4] * **因子具体构建过程**：报告未提供该因子的具体构建过程和公式 * **因子评价**：该因子有助于发现潜在的套利机会，但需警惕标的回调风险[4] 模型的回测效果 （报告未提供量化模型的回测效果指标取值） 因子的回测效果 （报告未提供量化因子的回测效果指标取值） 模型/因子应用结果 1. **行业拥挤度监测模型应用结果**[3] * 监测日期：前一交易日 * 拥挤度较高行业：电力设备、基础化工、环保[3] * 拥挤度较低行业：计算机、汽车、非银金融[3] * 拥挤度变动较大行业：石化、房地产[3] 2. **溢价率 Z-score 模型应用结果**[13] * 生成建议关注的ETF产品信号，涉及标的包括：中药ETF华泰柏瑞(561510 SH)、食品ETF(515710 SH)、建材ETF(516750 SH)、中药50ETF(562390 SH)、国开债券ETF(159651 SZ)[13]

根据提供的研报内容，以下是关于量化模型和因子的总结。报告主要涉及对多个市场指标的跟踪和分析，并未明确构建新的量化模型或因子，而是对一系列经典的市场指标（可视为因子）进行了计算和解读。 量化因子与构建方式 1. **因子名称：风险溢价**[31][32][33] * **因子构建思路**：以十年期国债即期收益率为无风险利率的参考，计算各宽基指数收益率与无风险利率的差值，用以衡量股票市场相对于无风险资产的投资价值和风险补偿[31][32] * **因子具体构建过程**：风险溢价的计算公式为宽基指数的收益率减去十年期国债即期收益率。报告中展示了各指数在特定日期的风险溢价当前值及其历史分位值[33][35] $$风险溢价 = 指数收益率 - 无风险利率$$ 公式中，无风险利率采用十年期国债即期收益率[31][33] 2. **因子名称：市盈率（PE-TTM）**[41][42][44] * **因子构建思路**：使用滚动市盈率作为估值参考，衡量各宽基指数在当前时点的估值水平[41] * **因子具体构建过程**：PE-TTM 为指数总市值除以指数成分股归属于母公司股东的净利润（最近12个月）[41][44][45] 3. **因子名称：股息率**[49][50][54] * **因子构建思路**：反映指数的现金分红回报率，是红利投资风格的重要指标[49] * **因子具体构建过程**：股息率为指数成分股每股股利之和除以指数总市值[49][54][55] 4. **因子名称：破净率**[56] * **因子构建思路**：通过计算指数中市净率低于1的个股占比，反映市场的整体估值态度和悲观情绪[56] * **因子具体构建过程**：破净率为指数成分股中市净率（每股市场价格/每股净资产）小于1的股票数量占总成分股数量的比例[56] 5. **因子名称：换手率**[21] * **因子构建思路**：衡量指数的交易活跃度[21] * **因子具体构建过程**：指数换手率计算方式为 Σ(成分股流通股本 * 成分股换手率) / Σ(成分股流通股本)[21] 6. **因子名称：收益分布形态（偏度与峰度）**[25][27][29] * **因子构建思路**：通过分析指数日收益率的分布形态（偏度和峰度），刻画其收益特征和极端风险[25][27] * **因子具体构建过程**：计算指数日收益率序列的偏度和峰度。报告中特别指出，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][29] 7. **因子名称：股债性价比**[47] * **因子构建思路**：将股票市场的盈利收益率（PE-TTM的倒数）与债券收益率进行比较，辅助资产配置决策[47] * **因子具体构建过程**：股债性价比为各宽基指数PE-TTM的倒数与十年期国债即期收益率之差[47] $$股债性价比 = \frac{1}{PE-TTM} - 无风险利率$$ 因子的回测效果 报告主要展示了各因子在特定日期（2025年11月11日）的截面数据及其历史分位值，而非严格意义上的时间序列回测结果。以下为部分因子的具体取值： 1. **风险溢价因子**[35] * 上证50，当前风险溢价-0.64%，近5年分位值23.10% * 沪深300，当前风险溢价-0.92%，近5年分位值15.79% * 中证500，当前风险溢价-0.72%，近5年分位值23.81% * 中证1000，当前风险溢价-0.30%，近5年分位值37.86% * 中证2000，当前风险溢价0.39%，近5年分位值57.14% * 中证全指，当前风险溢价-0.53%，近5年分位值28.02% * 创业板指，当前风险溢价-1.41%，近5年分位值16.35% 2. **市盈率（PE-TTM）因子**[45] * 上证50，当前值11.98，近5年历史分位值87.11% * 沪深300，当前值14.28，近5年历史分位值85.95% * 中证500，当前值33.33，近5年历史分位值96.53% * 中证1000，当前值48.27，近5年历史分位值98.02% * 中证2000，当前值158.08，近5年历史分位值84.38% * 中证全指，当前值21.49，近5年历史分位值95.87% * 创业板指，当前值41.13，近5年历史分位值56.03% 3. **股息率因子**[54][55] * 上证50，当前值3.26%，近5年历史分位值35.21% * 沪深300，当前值2.65%，近5年历史分位值34.79% * 中证500，当前值1.34%，近5年历史分位值15.04% * 中证1000，当前值1.08%，近5年历史分位值34.55% * 中证2000，当前值0.76%，近5年历史分位值11.82% * 中证全指，当前值1.97%，近5年历史分位值32.23% * 创业板指，当前值0.98%，近5年历史分位值66.94% 4. **破净率因子**[56] * 上证50，当前破净率18.0% * 沪深300，当前破净率15.0% * 中证500，当前破净率10.4% * 中证1000，当前破净率6.5% * 中证2000，当前破净率2.5% * 创业板指，当前破净率1.0% * 中证全指，当前破净率5.32% 5. **换手率因子**[21] * 上证50，当前换手率0.24 * 沪深300，当前换手率0.57 * 中证500，当前换手率1.69 * 中证1000，当前换手率2.72 * 中证2000，当前换手率4.48 * 中证全指，当前换手率1.82 * 创业板指，当前换手率2.47 6. **收益分布形态因子（以当前值 vs 近5年值之差为例）**[29] * 上证50，当前峰度 vs 近5年峰度 -2.07，当前偏度 vs 近5年偏度 -0.57 * 沪深300，当前峰度 vs 近5年峰度 -1.79，当前偏度 vs 近5年偏度 -0.45 * 中证500，当前峰度 vs 近5年峰度 -2.11，当前偏度 vs 近5年偏度 -0.54 * 中证1000，当前峰度 vs 近5年峰度 -1.30，当前偏度 vs 近5年偏度 -0.39 * 中证2000，当前峰度 vs 近5年峰度 -1.37，当前偏度 vs 近5年偏度 -0.36 * 中证全指，当前峰度 vs 近5年峰度 -1.94，当前偏度 vs 近5年偏度 -0.49 * 创业板指，当前峰度 vs 近5年峰度 -2.32，当前偏度 vs 近5年偏度 -0.58

根据提供的研报内容，总结如下： 量化模型与构建方式 1. **模型名称**： 价值50组合[4][6] **模型构建思路**： 基于价值风格，以高beta弹性和长期稳健超额收益为目标构建的Smart beta组合[6] **模型具体构建过程**： 选取历史相关性低的价值风格，构建包含50只股票的组合，具体构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[6] 2. **模型名称**： 价值均衡50组合[4][6] **模型构建思路**： 基于价值风格，以长期稳健超额收益为目标构建的Smart beta组合[6] **模型具体构建过程**： 选取历史相关性低的价值风格，构建包含50只股票的均衡组合，具体构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[6] 3. **模型名称**： 成长50组合[4][6] **模型构建思路**： 基于成长风格，以高beta弹性和长期稳健超额收益为目标构建的Smart beta组合[6] **模型具体构建过程**： 选取历史相关性低的成长风格，构建包含50只股票的组合，具体构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[6] 4. **模型名称**： 成长均衡50组合[4][6] **模型构建思路**： 基于成长风格，以长期稳健超额收益为目标构建的Smart beta组合[6] **模型具体构建过程**： 选取历史相关性低的成长风格，构建包含50只股票的均衡组合，具体构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[6] 5. **模型名称**： 小盘50组合[4][6] **模型构建思路**： 基于小盘风格，以高beta弹性和长期稳健超额收益为目标构建的Smart beta组合[6] **模型具体构建过程**： 选取历史相关性低的小盘风格，构建包含50只股票的组合，具体构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[6] 6. **模型名称**： 小盘均衡50组合[4][6] **模型构建思路**： 基于小盘风格，以长期稳健超额收益为目标构建的Smart beta组合[6] **模型具体构建过程**： 选取历史相关性低的小盘风格，构建包含50只股票的均衡组合，具体构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[6] 模型的回测效果 1. **价值50模型**[7] **周收益率**：2.58% **周超额收益（相对国证价值）**：0.41% **月收益率**：2.58% **月超额收益（相对国证价值）**：0.41% **年收益率**：19.22% **年超额收益（相对国证价值）**：8.89% **最大相对回撤**：5.19% 2. **价值均衡50模型**[7] **周收益率**：2.40% **周超额收益（相对国证价值）**：0.23% **月收益率**：2.40% **月超额收益（相对国证价值）**：0.23% **年收益率**：26.57% **年超额收益（相对国证价值）**：16.24% **最大相对回撤**：4.88% 3. **成长50模型**[7] **周收益率**：-0.09% **周超额收益（相对国证成长）**：-0.79% **月收益率**：-0.09% **月超额收益（相对国证成长）**：-0.79% **年收益率**：26.63% **年超额收益（相对国证成长）**：-2.88% **最大相对回撤**：8.59% 4. **成长均衡50模型**[7] **周收益率**：-0.37% **周超额收益（相对国证成长）**：-1.08% **月收益率**：-0.37% **月超额收益（相对国证成长）**：-1.08% **年收益率**：30.58% **年超额收益（相对国证成长）**：1.07% **最大相对回撤**：12.15% 5. **小盘50模型**[7] **周收益率**：2.55% **周超额收益（相对国证2000）**：2.02% **月收益率**：2.55% **月超额收益（相对国证2000）**：2.02% **年收益率**：48.97% **年超额收益（相对国证2000）**：19.09% **最大相对回撤**：10.89% 6. **小盘均衡50模型**[7] **周收益率**：-0.17% **周超额收益（相对国证2000）**：-0.69% **月收益率**：-0.17% **月超额收益（相对国证2000）**：-0.69% **年收益率**：41.26% **年超额收益（相对国证2000）**：11.38% **最大相对回撤**：4.56%

根据提供的金融工程日报内容，该报告主要描述了市场表现、情绪和资金流向等日常监测指标，并未涉及具体的量化模型或量化因子的构建、测试与评价。报告内容属于市场数据统计和描述性分析，而非量化策略或因子研究。 因此，本总结中“量化模型与构建方式”及“量化因子与构建方式”部分无相关内容。报告的核心内容为对特定日期的市场情况进行总结，以下将对其中的市场监测指标进行归纳。 市场监测指标与计算方式 **1 指标名称：封板率** - 指标构建思路：通过计算当日最高价涨停且收盘涨停的股票数量与最高价涨停股票总数的比例，来衡量涨停股票的封板强度[16] - 指标具体构建过程： - 首先，筛选出上市满3个月以上的股票[16] - 然后，找出在当日交易中最高价达到涨停价的股票集合 - 接着，在该集合中找出收盘价仍为涨停价的股票 - 最后，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] - 指标测试结果取值：2025年11月11日封板率为67%，较前日提升3%[16] **2 指标名称：连板率** - 指标构建思路：通过计算连续两日收盘涨停的股票数量与昨日收盘涨停股票数量的比例，来衡量涨停行情的持续性[16] - 指标具体构建过程： - 首先，筛选出上市满3个月以上的股票[16] - 然后，确定昨日收盘涨停的股票集合 - 接着，在该集合中找出今日收盘再次涨停的股票 - 最后，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] - 指标测试结果取值：2025年11月11日连板率为28%，较前日提升2%[16] **3 指标名称：大宗交易折价率** - 指标构建思路：通过计算大宗交易成交总额与按当日市价计算的成交份额总市值的差异，来反映大额交易的折溢价情况[25] - 指标具体构建过程： - 获取当日所有大宗交易的成交数据，包括成交金额和成交数量[25] - 计算这些成交份额按当日收盘价（或成交均价）计算的总市值 - 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] - 该公式计算结果为负值表示折价交易，为正值表示溢价交易[25] - 指标测试结果取值：近半年以来平均折价率为6.31%，2025年11月10日当日折价率为4.62%[25] **4 指标名称：股指期货年化贴水率** - 指标构建思路：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，以标准化衡量期货合约的贴水或升水程度，反映市场预期和对冲成本[27] - 指标具体构建过程： - 计算基差：基差 = 股指期货价格 - 现货指数价格[27] - 计算年化贴水率，公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ [27] - 公式中，250通常作为一年的大致交易日数，用于年化计算[27] - 指标测试结果取值：近一年以来各股指期货主力合约年化贴水率中位数及2025年11月11日取值如下[27]： - 上证50股指期货：中位数0.36%，当日值0.48%，处于近一年47%分位点 - 沪深300股指期货：中位数3.16%，当日值4.87%，处于近一年31%分位点 - 中证500股指期货：中位数10.82%，当日值14.52%，处于近一年30%分位点 - 中证1000股指期货：中位数13.21%，当日值17.81%，处于近一年27%分位点 **5 指标名称：两融余额占比与两融交易占比** - 指标构建思路：通过计算两融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重，来监测杠杆资金在市场中的规模和活跃度[21] - 指标具体构建过程： - 两融余额占比计算：获取当前市场的总流通市值和两融余额（融资余额+融券余额），计算比例[21] $$两融余额占比 = \frac{两融余额}{市场总流通市值}$$ - 两融交易占比计算：获取当日市场总成交额和两融交易额（融资买入额+融券卖出额），计算比例[21] $$两融交易占比 = \frac{融资买入额 + 融券卖出额}{市场总成交额}$$ - 指标测试结果取值：截至2025年11月10日，两融余额占流通市值比重为2.5%，两融交易占市场成交额比重为11.10%[21]；近一年来两融余额占比维持在2.4%左右，两融交易占比维持在9.7%左右[21]

根据提供的研报内容，总结如下： 量化模型与构建方式 1. **模型名称：行业拥挤度监测模型**[3] * **模型构建思路**：通过构建模型对申万一级行业指数的拥挤度进行每日监测，以识别拥挤度较高和较低的行业[3] * **模型具体构建过程**：报告未提供该模型的具体构建过程和公式 2. **模型名称：溢价率 Z-score 模型**[4] * **模型构建思路**：通过滚动测算ETF产品的溢价率Z-score，来搭建ETF产品筛选信号模型，以发现存在潜在套利机会的标的[4] * **模型具体构建过程**：报告未提供该模型的具体构建过程和公式 量化因子与构建方式 报告未明确提及具体的量化因子构建方式。 模型的回测效果 报告未提供上述量化模型的回测效果指标取值。 因子的回测效果 报告未提供具体量化因子的回测效果指标取值。

根据提供的报告内容，经过仔细审阅，该报告为一份指数化投资周报，主要内容聚焦于指数产品的成立、募集、申报情况以及ETF市场行情回顾和资金流向分析[1][2][3]。报告并未涉及任何具体的量化模型或量化因子的构建、测试与评价。 因此，本总结中**量化模型与构建方式**、**模型的回测效果**、**量化因子与构建方式**、**因子的回测效果** 四个部分均无相关内容。

根据提供的报告内容，经过全面审阅，本报告为指数化投资周报，核心内容为指数产品动态、ETF市场行情与资金流向的总结，并未涉及任何量化模型或量化因子的构建、测试与分析。因此，报告中不存在需要总结的量化模型或因子相关内容。 报告的主要内容聚焦于以下方面： - 指数产品的成立、上市、募集和申报情况[5][9][13] - 基于美林投资时钟理论的各类资产ETF近期收益率回顾[15][16] - 按行业风格划分的A股ETF近期收益率表现[17][19] - 跨境ETF市场表现[20] - 全市场ETF规模变动及资金流向分析[24][26][33] 以上内容均为对市场现状的描述与总结，不包含模型或因子的构建过程、公式、评价及测试结果。

根据研报内容，本次报告主要对宽基指数进行市场数据跟踪和统计，未涉及具体的量化交易模型或用于选股的阿尔法因子。报告核心内容为对各类市场指标的计算和展示。以下是报告中出现的主要指标及其构建方式的总结。 指标与构建方式 **1 指数表现指标** - **构建思路**：通过计算不同时间窗口的指数涨跌幅以及连续上涨（连阳）或下跌（连阴）的天数，来跟踪市场的短期、中期和长期表现[9][10] - **具体构建过程**： - **涨跌幅计算**：计算指数在当日、当周、当月、当季及当年的价格变动百分比[10] - **连阴连阳**：统计指数K线连续为阴线或阳线的天数，正数表示连阳，负数表示连阴[11] **2 均线比较指标** - **构建思路**：通过比较指数当前收盘价与不同周期移动平均线（MA）的位置关系，以及相对于近250日高点和低点的位置，来判断指数的短期趋势和相对强弱[14] - **具体构建过程**： - 计算指数的5日（MA5）、10日（MA10）、20日（MA20）、60日（MA60）、120日（MA120）及250日（MA250）移动平均线[15] - 计算当前收盘价相对于各条均线的百分比差值，公式为： $$ \text{差值} = \frac{\text{收盘价} - \text{均线值}}{\text{均线值}} \times 100\% $$ [15] - 同样方法计算当前收盘价相对于近250日最高点和最低点的百分比位置[15] **3 资金占比与换手率指标** - **构建思路**：通过计算各指数成交金额占全市场（中证全指）成交金额的比例，以及指数的整体换手率，来观察资金流向和市场活跃度[17] - **具体构建过程**： - **交易金额占比**：某指数当天交易金额 / 中证全指当天交易金额 [17][18] - **指数换手率**：采用流通股本加权平均计算，公式为： $$ \text{指数换手率} = \frac{\sum (\text{成分股流通股本} \times \text{成分股换手率})}{\sum (\text{成分股流通股本})} $$ [18] **4 收益分布形态指标（峰度与偏度）** - **构建思路**：通过计算指数日收益率分布的峰度和偏度，并与近5年历史数据对比，来观察收益率分布形态的变化[22][24][26] - **具体构建过程**： - **峰度**：衡量收益率分布与正态分布相比的陡峭或平坦程度。报告中计算的是超额峰度（Excess Kurtosis），即在计算出的峰度值上减去3（正态分布的峰度值）[26] - **偏度**：衡量收益率分布的不对称性。正偏态表示有更多的极端正收益，负偏态则表示有更多的极端负收益[24][26] **5 风险溢价指标** - **构建思路**：以十年期国债即期收益率作为无风险利率，计算指数收益率与其差值，作为投资者因承担市场风险而要求的额外回报，并观察其历史分位和统计特征[28][29][31] - **具体构建过程**： - **风险溢价** = 指数收益率 - 十年期国债即期收益率 [28][31] - 计算该风险溢价在近1年和近5年历史数据中的分位值[31] - 计算近1年的均值、波动率（标准差），以及当前值相对于均值±1倍、±2倍标准带的偏离情况[31] **6 PE-TTM指标** - **构建思路**：使用滚动市盈率（PE-TTM）作为衡量指数估值水平的指标，并观察其历史分位和统计特征[37][38][41] - **具体构建过程**： - **PE-TTM** = 指数总市值 / 指数成分股最近12个月净利润之和 [37] - 计算当前PE-TTM在近1年、近5年以及全部历史数据中的分位值[41] - 计算近1年的均值、波动率（标准差），以及当前值相对于均值±1倍、±2倍标准带的偏离百分比[41] **7 股债性价比指标** - **构建思路**：将指数盈利收益率（PE-TTM的倒数）与无风险收益率（十年期国债利率）进行比较，其差值代表股票资产相对于债券资产的潜在超额回报，用于判断大类资产配置价值[43] - **具体构建过程**： - **股债性价比** = (1 / 指数PE-TTM) - 十年期国债即期收益率 [43] **8 股息率指标** - **构建思路**：跟踪指数的股息率，反映现金分红回报水平，尤其在市场低迷期和高利率下行期是重要的投资风格指标[45][46][50] - **具体构建过程**： - **股息率** = 指数成分股年度现金分红总额 / 指数总市值 [45] - 计算当前股息率在近1年、近5年以及全部历史数据中的分位值[50] - 计算近1年的均值、波动率（标准差），以及当前值相对于均值±1倍、±2倍标准带的偏离百分比[50] **9 破净率指标** - **构建思路**：统计指数中市净率（PB）小于1的个股数量占比，作为市场整体估值情绪的逆向指标，破净率越高通常表明市场情绪越低迷[52] - **具体构建过程**： - **破净率** = (指数中市净率(PB) < 1的个股数量 / 指数总成分股数量) × 100% [52] 指标的最新取值 | 指标名称 | 上证50 | 沪深300 | 中证500 | 中证1000 | 中证2000 | 中证全指 | 创业板指 | 数据来源/备注 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | **当日涨幅%** | 0.51 | 0.35 | 0.22 | 0.28 | 0.61 | 0.39 | -0.92 | [10][11] | | **当年涨幅%** | 13.75 | 19.32 | 28.26 | 26.95 | 34.17 | 24.75 | 48.43 | [10][11] | | **日K连阳天数** | 4 | 4 | - | - | - | 4 | - | [10][11] | | **交易金额占比%** | - | 27.72 | - | 20.25 | 23.02 | - | - | [17] | | **换手率** | 0.29 | 0.72 | 1.8 | 2.82 | 4.5 | 1.93 | 2.85 | [17] | | **当前峰度 (超额)** | 0.08 | 0.67 | 0.90 | 1.53 | 1.60 | 0.95 | 1.38 | [26] | | **当前偏度** | 1.34 | 1.54 | 1.56 | 1.64 | 1.70 | 1.59 | 1.64 | [26] | | **风险溢价 (当前值)** | 0.50% | 0.34% | 0.21% | 0.28% | 0.61% | 0.38% | -0.92% | [31] | | **风险溢价 (近5年分位值)** | 73.73% | 66.43% | 57.86% | 57.14% | 63.49% | 66.19% | 27.30% | [31] | | **PE-TTM (当前值)** | 12.01 | 14.38 | 33.52 | 48.42 | 157.47 | 21.58 | 41.63 | [41] | | **PE-TTM (近5年分位值)** | 87.60% | 87.02% | 97.19% | 98.26% | 83.39% | 96.78% | 56.61% | [41] | | **股息率 (当前值)** | 3.25% | 2.63% | 1.34% | 1.08% | 0.76% | 1.96% | 0.97% | [50] | | **股息率 (近5年分位值)** | 35.12% | 34.30% | 14.38% | 33.31% | 12.73% | 31.57% | 65.21% | [50] | | **破净率%** | 18.0 | 15.0 | 10.8 | 6.6 | 2.5 | 5.4 | 1.0 | [52] |

根据提供的金融工程报告，以下是关于报告中涉及的量化模型和因子的总结。 量化模型与构建方式 1. **模型名称：扩散指数行业轮动模型**[21] * **模型构建思路**：该模型基于价格动量原理，通过计算行业的扩散指数来识别具有向上趋势的行业，从而进行行业轮动配置[21][34] * **模型具体构建过程**：模型针对每个中信一级行业计算其扩散指数。具体过程涉及观察行业内成分股的表现，但报告中未提供计算扩散指数的具体公式和详细步骤[21][23] 2. **模型名称：GRU因子行业轮动模型**[29] * **模型构建思路**：该模型利用GRU（门控循环单元）深度学习网络对分钟频量价数据进行处理，生成GRU行业因子，以把握短期交易信息并进行行业轮动[29][35] * **模型具体构建过程**：模型使用历史分钟频量价数据训练GRU网络。GRU网络能够捕捉时间序列数据的依赖关系，输出每个行业的因子值。报告指出该模型在短周期表现较好，但未提供网络结构、输入特征、训练周期等具体构建细节和公式[29][35] 模型的回测效果 1. **扩散指数行业轮动模型** * 2025年11月以来超额收益：1.28%[26] * 2025年以来超额收益：6.21%[21][26] * 2024年全年超额收益：-5.82%[21] * 2023年全年超额收益：-4.58%[21] * 2022年全年超额收益：6.12%[21] 2. **GRU因子行业轮动模型** * 2025年11月以来超额收益：1.65%[32] * 2025年以来超额收益：-4.49%[29][32] 量化因子与构建方式 1. **因子名称：行业扩散指数**[23] * **因子构建思路**：该因子用于衡量某个行业整体趋势的强弱，数值越高代表该行业的向上趋势越强[23] * **因子具体构建过程**：报告未提供行业扩散指数因子的具体计算方法和公式，仅提供了截至特定日期的各行业因子取值[23][24] 2. **因子名称：GRU行业因子**[30] * **因子构建思路**：该因子由GRU深度学习模型生成，旨在从分钟频量价数据中提取有效信息，以预测行业短期表现[30][35] * **因子具体构建过程**：作为GRU模型的直接输出，每个行业对应一个因子值。报告未提供该因子值计算的具体技术细节和公式[30] 因子的回测效果 1. **行业扩散指数因子** * 报告未提供该因子独立的测试指标（如IC值、IR等），其效果直接体现在扩散指数行业轮动模型的超额收益上[21][26] 2. **GRU行业因子** * 报告展示了该因子的周度Rank IC序列和累计Rank IC曲线，但未给出具体的IC均值、IR等统计指标[31]