量化模型与因子总结 量化模型与构建方式 1. **模型名称：国信金工指数增强组合模型**[10][11] * **模型构建思路**：以多因子选股为主体，分别构建对标不同宽基指数的增强组合，力求稳定战胜基准[10] * **模型具体构建过程**：构建流程主要包括收益预测、风险控制和组合优化三部分[11] 2. **模型名称：单因子MFE组合模型**[14][38] * **模型构建思路**：为了在更贴近实际投资约束的条件下检验因子的有效性，采用组合优化的方式，在控制行业、风格等暴露的同时，最大化单因子暴露，构建最大化单因子暴露组合[38] * **模型具体构建过程**：采用如下形式的组合优化模型来构建因子的 MFE 组合[38]： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ * 目标函数为最大化单因子暴露，其中 `f` 为因子取值向量，`w` 为待求解的股票权重向量[38] * 第一个约束条件限制了组合相对于基准指数的风格暴露，`X` 为风格因子暴露矩阵，`wb` 为基准权重向量，`sl` 和 `sh` 为风格因子相对暴露的上下限[39] * 第二个约束条件限制了组合相对于基准指数的行业偏离，`H` 为股票的行业暴露矩阵，`hl` 和 `hh` 为行业偏离的上下限[39] * 第三个约束条件限制了个股相对于基准指数成分股的权重偏离，`wl` 和 `wh` 为个股偏离的上下限[39] * 第四个约束条件限制了组合在基准成分股内权重的占比下限 `bl` 及上限 `bh`，`Bb` 为个股是否属于基准成分股的 0-1 向量[39] * 第五个约束条件限制卖空并设置个股权重上限 `l`[39] * 第六个约束条件要求权重和为 1，即满仓运作[40] * **模型评价**：该方法能检验在既定实际约束下因子的有效性，认为“有效”的因子更可能在最终组合中发挥真实的收益预测作用[38] 3. **模型名称：公募重仓指数构建模型**[40][41] * **模型构建思路**：以公募基金的持股信息构建一个指数，在该样本空间中测试因子表现，以反映因子在“机构风格”下的有效性[40] * **模型具体构建过程**： * **选样空间**：普通股票型基金以及偏股混合型基金，剔除规模小于五千万且上市不足半年的基金[41] * **构建方式**：通过基金定期报告获取持股信息，将符合条件基金的持仓股票权重平均获得公募基金平均持仓信息，将平均后的股票权重降序排序，选取累计权重达到 90% 的股票作为成分股来构建指数[41] 量化因子与构建方式 报告从估值、反转、成长、盈利、流动性、公司治理、分析师等维度构造了30余个因子[15]，具体明细如下[16]： 1. **因子名称：BP**[16] * **因子构建思路**：估值类因子 * **因子具体构建过程**：净资产 / 总市值[16] 2. **因子名称：单季EP**[16] * **因子构建思路**：估值类因子 * **因子具体构建过程**：单季度归母净利润 / 总市值[16] 3. **因子名称：单季SP**[16] * **因子构建思路**：估值类因子 * **因子具体构建过程**：单季度营业收入 / 总市值[16] 4. **因子名称：EPTTM**[16] * **因子构建思路**：估值类因子 * **因子具体构建过程**：归母净利润 TTM / 总市值[16] 5. **因子名称：SPTTM**[16] * **因子构建思路**：估值类因子 * **因子具体构建过程**：营业收入 TTM / 总市值[16] 6. **因子名称：EPTTM分位点**[16] * **因子构建思路**：估值类因子 * **因子具体构建过程**：EPTTM 在过去一年中的分位点[16] 7. **因子名称：股息率**[16] * **因子构建思路**：估值类因子 * **因子具体构建过程**：最近四个季度预案分红金额 / 总市值[16] 8. **因子名称：一个月反转**[16] * **因子构建思路**：反转类因子 * **因子具体构建过程**：过去 20 个交易日涨跌幅[16] 9. **因子名称：三个月反转**[16] * **因子构建思路**：反转类因子 * **因子具体构建过程**：过去 60 个交易日涨跌幅[16] 10. **因子名称：一年动量**[16] * **因子构建思路**：反转类因子（注：原文归类为反转，但名称为动量） * **因子具体构建过程**：近一年除近一月后动量[16] 11. **因子名称：单季净利同比增速**[16] * **因子构建思路**：成长类因子 * **因子具体构建过程**：单季度净利润同比增长率[16] 12. **因子名称：单季营收同比增速**[16] * **因子构建思路**：成长类因子 * **因子具体构建过程**：单季度营业收入同比增长率[16] 13. **因子名称：单季营利同比增速**[16] * **因子构建思路**：成长类因子 * **因子具体构建过程**：单季度营业利润同比增长率[16] 14. **因子名称：SUE**[16] * **因子构建思路**：成长类因子 * **因子具体构建过程**：（单季度实际净利润 - 预期净利润）/ 预期净利润标准差[16] 15. **因子名称：SUR**[16] * **因子构建思路**：成长类因子 * **因子具体构建过程**：（单季度实际营业收入 - 预期营业收入）/ 预期营业收入标准差[16] 16. **因子名称：单季超预期幅度**[16] * **因子构建思路**：成长类因子 * **因子具体构建过程**：预期单季度净利润 / 财报单季度净利润[16] 17. **因子名称：单季ROE**[16] * **因子构建思路**：盈利类因子 * **因子具体构建过程**：单季度归母净利润*2 / （期初归母净资产 + 期末归母净资产）[16] 18. **因子名称：单季ROA**[16] * **因子构建思路**：盈利类因子 * **因子具体构建过程**：单季度归母净利润*2 / （期初归母总资产 + 期末归母总资产）[16] 19. **因子名称：DELTAROE**[16] * **因子构建思路**：盈利类因子 * **因子具体构建过程**：单季度净资产收益率 - 去年同期单季度净资产收益率[16] 20. **因子名称：DELTAROA**[16] * **因子构建思路**：盈利类因子 * **因子具体构建过程**：单季度总资产收益率 - 去年同期单季度总资产收益率[16] 21. **因子名称：非流动性冲击**[16] * **因子构建思路**：流动性类因子 * **因子具体构建过程**：过去 20 个交易日的日涨跌幅绝对值 / 成交额的均值[16] 22. **因子名称：一个月换手**[16] * **因子构建思路**：流动性类因子 * **因子具体构建过程**：过去 20 个交易日换手率均值[16] 23. **因子名称：三个月换手**[16] * **因子构建思路**：流动性类因子 * **因子具体构建过程**：过去 60 个交易日换手率均值[16] 24. **因子名称：特异度**[16] * **因子构建思路**：波动类因子 * **因子具体构建过程**：1 - 过去 20 个交易日 Fama-French 三因子回归的拟合度[16] 25. **因子名称：一个月波动**[16] * **因子构建思路**：波动类因子 * **因子具体构建过程**：过去 20 个交易日日内真实波幅均值[16] 26. **因子名称：三个月波动**[16] * **因子构建思路**：波动类因子 * **因子具体构建过程**：过去 60 个交易日日内真实波幅均值[16] 27. **因子名称：高管薪酬**[16] * **因子构建思路**：公司治理类因子 * **因子具体构建过程**：前三高管报酬总额取对数[16] 28. **因子名称：预期EPTTM**[16] * **因子构建思路**：分析师类因子 * **因子具体构建过程**：一致预期滚动 EP[16] 29. **因子名称：预期BP**[16] * **因子构建思路**：分析师类因子 * **因子具体构建过程**：一致预期滚动 PB[16] 30. **因子名称：预期PEG**[16] * **因子构建思路**：分析师类因子 * **因子具体构建过程**：一致预期 PEG[16] 31. **因子名称：预期净利润环比**[16] * **因子构建思路**：分析师类因子 * **因子具体构建过程**：一致预期净利润 / 3 个月前一致预期净利润[16] 32. **因子名称：三个月盈利上下调**[16] * **因子构建思路**：分析师类因子 * **因子具体构建过程**：过去 3 个月内分析师（上调家数 - 下调家数）/ 总家数[16] 33. **因子名称：三个月机构覆盖**[16] * **因子构建思路**：分析师类因子 * **因子具体构建过程**：过去 3 个月内机构覆盖数量[16] 34. **因子名称：标准化预期外盈利**[18][20][22][24][26] * **因子构建思路**：分析师预期类因子（报告中提及但未在因子库表中列出详细公式，根据名称和上下文推断为标准化后的盈利超预期因子） 35. **因子名称：标准化预期外收入**[18][22][24] * **因子构建思路**：分析师预期类因子（报告中提及但未在因子库表中列出详细公式，根据名称和上下文推断为标准化后的收入超预期因子） 模型的回测效果 1. **国信金工指数增强组合模型**[13] * 沪深300指数增强组合：本周超额收益0.51%，本年超额收益21.85%[13] * 中证500指数增强组合：本周超额收益-0.73%，本年超额收益6.17%[13] * 中证1000指数增强组合：本周超额收益-1.12%，本年超额收益15.93%[13] * 中证A500指数增强组合：本周超额收益-0.28%，本年超额收益10.62%[13] 2. **公募基金指数增强产品（作为市场参照）**[31][33][35][37] * **沪深300指数增强产品**：最近一周超额收益中位数0.01%，最近一月0.85%，最近一季1.46%，今年以来3.98%[31] * **中证500指数增强产品**：最近一周超额收益中位数-0.49%，最近一月-0.13%，最近一季1.79%，今年以来4.05%[33] * **中证1000指数增强产品**：最近一周超额收益中位数-0.15%，最近一月0.66%，最近一季1.90%，今年以来10.62%[35] * **中证A500指数增强产品**：最近一周超额收益中位数-0.12%，最近一月0.42%，最近一季1.10%[37] 因子的回测效果 （以下为各因子在**沪深300样本空间**中MFE组合的近期表现，指标包括最近一周、最近一月、今年以来及历史年化超额收益）[18] 1. **一年动量**， 最近一周1.09%， 最近一月2.08%， 今年以来3.27%， 历史年化2.75%[18] 2. **标准化预期外盈利**， 最近一周0.87%， 最近一月2.24%， 今年以来12.16%， 历史年化4.18%[18] 3. **预期净利润环比**， 最近一周0.86%， 最近一月1.50%， 今年以来6.56%， 历史年化1.72%[18] 4. **DELTAROA**， 最近一周0.73%， 最近一月1.98%， 今年以来15.82%， 历史年化4.80%[18] 5. **DELTAROE**， 最近一周0.72%， 最近一月2.48%， 今年以来18.17%， 历史年化4.51%[18] 6. **3个月盈利上下调**， 最近一周0.57%， 最近一月2.27%， 今年以来11.09%， 历史年化5.36%[18] 7. **单季超预期幅度**， 最近一周0.56%， 最近一月1.11%， 今年以来10.79%， 历史年化3.98%[18] 8. **单季营收同比增速**， 最近一周0.51%， 最近一月0.23%， 今年以来18.88%， 历史年化4.66%[18] 9. **特异度**， 最近一周0.49%， 最近一月0.48%， 今年以来2.73%， 历史年化0.19%[18] 10. **单季营利同比增速**， 最近一周0.46%， 最近一月1.68%， 今年以来14.20%， 历史年化3.48%[18] 11. **单季净利同比增速**， 最近一周0.43%， 最近一月1.65%， 今年以来14.70%， 历史年化3.89%[18] 12. **预期PEG**， 最近一周0.37%， 最近一月1.87%， 今年以来12.05%， 历史年化3.59%[18] 13. **单季ROA**， 最近一周0.30%， 最近一月1.86%， 今年以来15.03%， 历史年化4.10%[18] 14. **标准化预期外收入**， 最近一周0.29%， 最近一月1.00%， 今年以来11.70%， 历史年化4.68%[18] 15. **三个月机构覆盖**， 最近一周0.25%， 最近一月1.20%， 今年以来11.83%， 历史年化3.02%[18] 16. **一个月反转**， 最近一周0.21%， 最近一月-0.65%， 今年以来-0.98%， 历史年化-0.40%[18] 17. **高管薪酬**， 最近一周0.18%， 最近一月0.56%， 今年以来3.83%， 历史年化2.99%[18] 18. **单季ROE**， 最近一周0.16%， 最近一月2.75%， 今年以来21.91%， 历史年化5.32%[18] 19. **BP**， 最近一周-0.34%， 最近一月0.02%， 今年以来-1.65%， 历史年化2.56%[18] 20. **股息率**， 最近一周-0.39%， 最近一月0.20%， 今年以来4.00%， 历史年化3.64%[18] 21. **预期BP**， 最近一周-0.43%， 最近一月-0.13%， 今年以来-0.16%， 历史年化2.86%[18] 22. **SPTTM**， 最近一周-0.43%， 最近一月0.25%， 今年以来-1.05%， 历史年化1.98%[18] 23. **EPTTM年分位点**， 最近一周-0.47%， 最近一月-0.77%， 今年以来4.54%， 历史年化2.34%[18] 24. **预期EPTTM**， 最近一周-0.53%， 最近一月0.45%， 今年以来7.08%， 历史年化3.71%[18] 25. **单季SP**， 最近一周-0.53%， 最近一月0.05%， 今年以来-0.76%， 历史年化2.77%[18] 26. **单季EP**， 最近一周-0.55%， 最近一月0.60%， 今年以来7.77%， 历史年化5.17%[18] 27. **非流动性冲击**， 最近一周-0.63%， 最近一月-0.14%， 今年以来-1.72%， 历史年化0.37%[18] 28. **EPTTM**， 最近一周-0.76%， 最近一月-0.04%， 今年以来5.77%， 历史年化4.22%[18] 29. **三个月反转**， 最近一周-0.76%， 最近一月-0.80%， 今年以来-0.25%， 历史年化0.20%[18] 30. **一个月换手**， 最近一周-0.82%，

量化模型与因子总结 量化模型与构建方式 本报告为市场数据跟踪报告，未涉及具体的量化选股或择时模型，因此无量化模型相关内容。 量化因子与构建方式 本报告主要对宽基指数的各类市场指标进行跟踪和统计分析，这些指标可视作用于评估市场状态或指数特征的“因子”。以下是报告中涉及的主要因子： 1. **因子名称：风险溢价因子** * **因子构建思路**：以十年期国债即期收益率为无风险利率参考，计算各宽基指数收益率相对于无风险利率的溢价，用于衡量其相对投资价值和偏离情况[28]。 * **因子具体构建过程**：计算指数收益率与十年期国债即期收益率之差。报告中的“当前风险溢价”即为该差值[32]。 * 公式：$$风险溢价 = 指数收益率 - 无风险利率(十年期国债即期收益率)$$ * **因子评价**：各跟踪指数的风险溢价有明显的均值复归现象，其中中证1000和中证2000的风险溢价波动率相对较大[29]。 2. **因子名称：估值因子 (PE-TTM)** * **因子构建思路**：观察各指数的滚动市盈率作为估值参考，衡量各指数在当前时点的投资价值[40]。 * **因子具体构建过程**：直接采用指数成分股的净利润(TTM)总和与总市值之比，即市盈率(PE)的滚动计算值[43][44]。 * **因子评价**：各宽基指数的PE-TTM分位数在2024年9月底附近探底后急速拉升，整体中枢上移，保持震荡上扬趋势，2025年9月开始拐头向下[40]。 3. **因子名称：股债性价比因子** * **因子构建思路**：以各指数PE-TTM的倒数（即盈利收益率）与十年期国债即期收益率之差来衡量股票资产相对于债券资产的吸引力[47]。 * **因子具体构建过程**：计算指数盈利收益率与十年期国债即期收益率的差值。 * 公式：$$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ * **因子评价**：该因子用于判断市场估值位置，报告中以近5年历史分位值作为机会值（80%分位）和危险值（20%分位）的参考[47]。 4. **因子名称：股息率因子** * **因子构建思路**：股息率反映现金分红回报率，是红利投资风格的核心指标，在市场低迷时期，高股息因其稳定的现金流和较低的估值而成为避风港[49]。 * **因子具体构建过程**：计算指数成分股现金分红总额与指数总市值之比[51][55]。 * **因子评价**：高股息率在市场利率下行期的表现尤为突出[49]。 5. **因子名称：破净率因子** * **因子构建思路**：破净指的是个股市净率小于1的情形，破净率表示破净个股数占比，反映市场的整体估值态度和悲观/乐观程度[56][57]。 * **因子具体构建过程**：统计指数成分股中市净率(PB)小于1的个股数量，并计算其占指数总成分股数量的比例[58]。 * 公式：$$破净率 = \frac{市净率(PB) < 1的个股数量}{指数总成分股数量}$$ * **因子评价**：破净数和占比越高，低估的情况越普遍；破净数及占比越低，可能表明市场对未来发展持乐观态度[57]。 6. **因子名称：价格相对均线位置因子** * **因子构建思路**：通过比较指数当前价格与不同周期移动平均线(MA)的位置，来判断市场的短期、中期趋势强弱[15]。 * **因子具体构建过程**：计算指数收盘价相对于5日、10日、20日、60日、120日、250日移动平均线的百分比偏离度[16]。 * 公式：$$vsMA_N = \frac{收盘价 - MA_N}{MA_N} \times 100\%$$ * **因子评价**：该因子用于判断市场是否处于多头趋势。报告中指出所有跟踪指数仍在多条均线支撑位之上，市场多头趋势明显[15]。 7. **因子名称：收益分布形态因子 (偏度与峰度)** * **因子构建思路**：通过分析指数日收益率分布的偏度和峰度，来刻画收益分布的特征，例如极端收益出现的可能性和分布集中度[24][26]。 * **因子具体构建过程**：计算指数日收益率序列的偏度和超额峰度（报告中峰度计算减去了正态分布的峰度值3）[26]。 * **因子评价**：峰度越大，说明收益率分布更集中；正偏态显示极端正收益情形增加的程度[24]。 8. **因子名称：资金活跃度因子 (交易金额占比与换手率)** * **因子构建思路**：通过指数交易金额占全市场比重和指数换手率，来衡量资金对不同风格板块的关注度和交易活跃度[18]。 * **因子具体构建过程**： * 交易金额占比：该指数当天交易金额除以中证全指当天交易金额[18]。 * 指数换手率：$$\frac{\Sigma(成分股流通股本 \times 成分股换手率)}{\Sigma(成分股流通股本)}$$[18]。 因子的回测效果 本报告为市场状态跟踪报告，未提供基于历史数据的因子分层回测、多空组合收益、信息比率(IR)等量化因子测试结果。报告主要展示了各因子在特定截止日（2025年12月25日）的截面取值或历史分位值，具体如下： 1. **风险溢价因子** [32] * 上证50：0.25%， 近5年分位值62.86% * 沪深300：0.18%， 近5年分位值59.13% * 中证500：0.79%， 近5年分位值77.06% * 中证1000：0.96%， 近5年分位值78.25% * 中证2000：1.30%， 近5年分位值83.49% * 中证全指：0.59%， 近5年分位值72.06% * 创业板指：0.29%， 近5年分位值59.60% 2. **估值因子 (PE-TTM)** [44] * 上证50：11.78， 近5年分位值84.13% * 沪深300：14.15， 近5年分位值86.20% * 中证500：33.72， 近5年分位值97.52% * 中证1000：46.67， 近5年分位值95.45% * 中证2000：158.45， 近5年分位值86.78% * 中证全指：21.48， 近5年分位值95.62% * 创业板指：41.84， 近5年分位值59.50% 3. **股息率因子** [55] * 上证50：3.14%， 近5年分位值30.83% * 沪深300：2.73%， 近5年分位值36.36% * 中证500：1.40%， 近5年分位值16.53% * 中证1000：1.10%， 近5年分位值36.28% * 中证2000：0.76%， 近5年分位值12.23% * 中证全指：2.01%， 近5年分位值33.97% * 创业板指：0.95%， 近5年分位值60.17% 4. **破净率因子** [58] * 上证50：22.0% * 沪深300：16.0% * 中证500：10.8% * 中证1000：8.0% * 中证2000：3.15% * 中证全指：6.06% 5. **价格相对均线位置因子** (以vsMA5为例) [16] * 上证50：0.4% * 沪深300：0.6% * 中证500：1.7% * 中证1000：1.8% * 中证2000：1.9% * 中证全指：1.2% * 创业板指：1.3% 6. **收益分布形态因子** (当前值) [26] * **峰度**： * 上证50：0.02 * 沪深300：0.60 * 中证500：0.68 * 中证1000：1.35 * 中证2000：1.27 * 中证全指：0.94 * 创业板指：1.04 * **偏度**： * 上证50：1.33 * 沪深300：1.53 * 中证500：1.52 * 中证1000：1.65 * 中证2000：1.66 * 中证全指：1.61 * 创业板指：1.56 7. **资金活跃度因子** [18] * **交易金额占比**： * 中证2000：25.75% * 中证1000：22.84% * 沪深300：20.26% * **换手率**： * 中证2000：3.93 * 创业板指：2.34 * 中证1000：2.31 * 中证全指：1.58 * 中证500：1.51 * 沪深300：0.42 * 上证50：0.17

量化模型与构建方式 1. **模型名称：中国经济六周期模型**[12] * **模型构建思路**：通过货币、信用、增长三个维度的方向（宽松/紧缩，扩张/收缩，上行/下行）来刻画宏观状态，将经济划分为六个不同的阶段[12]。 * **模型具体构建过程**： 1. **货币因子**：判断货币环境是宽松还是紧缩。报告指出，通过观察DR007等利率指标的下行趋势，可以判断货币因子处于宽松区间[12]。 2. **信用因子**：使用中长期贷款脉冲（新增中长贷TTM同比）的三个月差分来识别信用周期的方向。当该差分值为正时，表明信用处于扩张区间[12]。公式可表示为： $$信用因子方向 = sign(新增中长贷TTM同比_t - 新增中长贷TTM同比_{t-3})$$ 其中，正值代表扩张，负值代表收缩。 3. **增长因子**：通过观察制造业PMI等经济指标的脉冲（变化趋势）来判断经济增长方向是上行还是下行[12]。 4. **状态划分**：综合三个因子的方向（正/负），将经济状态划分为六个不同的阶段，例如“阶段2：宽货币-宽信用-增长上行（经济复苏）”[12][15]。 2. **模型名称：A股收益预测框架**[9] * **模型构建思路**：将股票指数的未来收益拆分为盈利增长和估值变化两个主要分项，分别进行预测后加总，得到整体预期收益[9]。 * **模型具体构建过程**： 1. **盈利项预测**：预测指数未来一年的盈利增速。报告中预测中证A500未来一年盈利贡献为8.7%[1][9]。 2. **估值项预测**：预测指数未来一年的估值（如PE）变化幅度。报告中预测中证A500估值仍有3%的上涨空间[1][9]。 3. **收益加总**：将预测的盈利增长收益与估值变化收益相加，得到总预期收益。公式可表示为： $$预期总收益 = 预期盈利增长贡献 + 预期估值变化贡献$$ 报告中应用此框架预测中证A500未来一年预期收益为12.9%[1][9]。 量化因子与构建方式 1. **因子名称：ESG负面剔除因子**[22][23] * **因子构建思路**：在指数构建的选样过程中，系统性剔除ESG（环境、社会和公司治理）评级较低的上市公司，以提升成分股的可持续发展能力和长期经营韧性[21][23]。 * **因子具体构建过程**：遵循中证A500指数的编制规则，在样本空间中，直接剔除中证ESG评价结果在C级及以下的上市公司证券[22]。这是一个基于规则的二元筛选因子。 2. **因子名称：行业均衡因子**[21][22] * **因子构建思路**：在指数选样时，控制各行业的自由流通市值分布与全市场样本空间尽可能一致，以实现行业均衡配置，避免对单一行业的过度暴露[21]。 * **因子具体构建过程**：在完成ESG剔除和初步流动性筛选后，从剩余待选样本中，按照中证一级行业分类，根据自由流通市值选取一定数量证券，使得最终500只样本股的行业自由流通市值分布与样本空间（中证全指）尽可能一致[22]。 3. **因子名称：流动性因子**[22][32] * **因子构建思路**：筛选市值较大、市场交易活跃的股票，以确保指数的可投资性和高流动性[21][32]。 * **因子具体构建过程**：通过多个规则构建： * 要求样本证券属于沪股通或深股通范围[22]。 * 对主板证券，要求其在所属中证三级行业内的自由流通市值占比不低于2%[22]。 * 在待选样本中，优先选取三级行业内自由流通市值最大或总市值排名在市场前1%的证券[22]。 * 最终成分股在“成交主力”等流动性相关概念上暴露度很高（67.91%）[38][39]。 4. **因子名称：风格因子（市值、动量、流动性、成长等）**[43][44] * **因子构建思路**：通过多因子模型分析指数在常见风格维度上的暴露情况，以刻画其整体风格特征[41]。 * **因子具体构建过程**：报告引用Wind风格因子暴露数据，展示了中证A500指数在市值、Beta、动量、波动性、非线性市值、价值、流动性、盈利、成长性、杠杆等一系列风格因子上的标准化暴露度[43][44]。这些因子通常由底层股票的特征值（如总市值、过去收益、换手率、盈利增长率等）经市值加权和标准化处理后得到。 模型的回测效果 *本报告未提供上述量化模型在历史数据上的系统化回测绩效指标（如年化收益、夏普比率等）。报告中对“中国经济六周期模型”的效果展示，是基于历史统计的各阶段下中证A500与沪深300的年化收益对比[15][16]。* 因子的回测效果 1. **ESG负面剔除因子**：通过对比ESG基准指数与原始指数的历史表现来评估该因子效果。例如，中证500 ESG基准指数自基日以来年化收益为3.96%，高于中证500指数的2.42%，同时年化波动率更低（20.68% vs 21.06%）[24]。这表明该因子在历史回测中具有优化风险收益特征的效果[2][24]。 2. **行业均衡因子、流动性因子、风格因子**：报告未提供这些因子独立的、系统化的历史回测绩效指标（如IC、IR、多空收益等）。报告主要通过展示指数当前的成分股特征（如行业分布[33][37]、市值分布[32][34]、概念暴露[38][39]、风格暴露[43][44]）来间接说明这些因子的构建结果。

量化模型与因子总结 量化因子与构建方式 1. **因子名称：250日新高距离**[11] * **因子构建思路**：该因子用于衡量当前价格相对于过去一段时间内最高价格的回落幅度，是趋势跟踪和动量策略的核心指标。当价格创出新高时，该因子值为0；价格从高点回落时，该值为正，表示回落的百分比[11]。 * **因子具体构建过程**：对于每个交易日t，计算股票或指数的收盘价Closet与过去250个交易日收盘价最大值ts_max(Close, 250)的比值，并用1减去该比值，得到“250日新高距离”[11]。 具体公式为： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，Closet为最新收盘价，ts_max(Close, 250)为过去250个交易日收盘价的最大值[11]。 2. **模型名称：平稳创新高股票筛选模型**[24][27] * **模型构建思路**：该模型旨在从近期创出新高的股票中，进一步筛选出具有更强趋势延续潜力的“平稳创新高”股票。其理论基础在于，遵循平滑价格路径的高动量股票，其未来收益可能优于价格路径跳跃的股票[24]。模型从分析师关注度、股价相对强弱、趋势延续性、股价路径平稳性和创新高持续性等多个角度进行综合筛选[24][27]。 * **模型具体构建过程**：该模型是一个多步骤的筛选流程，具体步骤如下[24][27]： 1. **初选股票池**：筛选出上市满15个月，且在过去20个交易日内创出过250日新高的股票[19]。 2. **分析师关注度筛选**：要求过去3个月内，获得“买入”或“增持”评级的分析师研报数量不少于5份[27]。 3. **股价相对强弱筛选**：要求过去250日涨跌幅位于全市场所有股票的前20%[27]。 4. **股价平稳性与创新高持续性综合打分**：在满足上述条件的股票池内，使用以下两个指标进行综合打分，并选取排名在前50%的股票[27]。 * **价格路径平滑性**：使用“股价位移路程比”指标。该指标的计算方法在报告中以图表形式展示，其公式为：过去120日涨跌幅的绝对值 / 过去120日日涨跌幅绝对值加总[24]。该值越接近1，表明价格路径越平滑。 * **创新高持续性**：使用过去120日的“250日新高距离”在时间序列上的均值。该值越小，表明在近期内股价持续接近或创出新高的状态保持得越好[27]。 5. **趋势延续性筛选**：对经过第4步筛选后的股票，计算其过去5日的“250日新高距离”在时间序列上的均值，并选取该值排序最靠前的50只股票作为最终输出[27]。 模型与因子的回测效果 > **注**：本报告主要为市场状态跟踪与股票筛选，未提供量化模型或因子在历史回测中的具体绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。报告展示了截至特定日期（2025年12月26日）的截面数据结果[2][12][19][28]。 1. **250日新高距离因子** * **市场指数取值**：截至2025年12月26日，主要宽基指数的250日新高距离分别为：上证指数1.63%、深证成指0.89%、沪深300指数1.91%、中证500指数1.19%、中证1000指数0.56%、中证2000指数0.05%、创业板指2.42%、科创50指数12.56%[2][12]。 * **行业指数取值**：国防军工、有色金属、建材、机械、轻工制造行业指数距离250日新高较近（例如前四个行业距离为0.00%）；食品饮料、银行、医药、综合金融、房地产行业指数距离250日新高较远[13]。 * **概念指数取值**：林木、航天军工、万得风电、十大军工集团、HJT电池、金属非金属、黄金等概念指数距离250日新高较近[15]。 2. **平稳创新高股票筛选模型** * **筛选结果数量**：截至2025年12月26日，初选股票池（过去20日创250日新高）共有726只股票[19]。经过模型多步骤筛选后，最终得到50只“平稳创新高”股票，例如中际旭创、英维克、新易盛等[3][28]。 * **板块分布**：这50只股票中，周期板块有21只入选，科技板块有15只入选。周期板块中创新高最多的是有色金属行业；科技板块中创新高最多的是电力设备及新能源行业[28]。

量化模型与因子总结 量化因子与构建方式 1. **因子名称：250日新高距离**[11] * **因子构建思路**：该因子用于衡量当前价格相对于过去一段时间内最高价格的回落幅度，是趋势跟踪和动量策略的核心指标。当价格创出新高时，该因子值为0；价格从高点回落时，该因子值为正，值越大表示回落幅度越大[11]。 * **因子具体构建过程**：对于每个交易日t，计算最新收盘价与过去250个交易日（约一年）最高收盘价的相对距离。具体公式如下： $$250日新高距离 = 1 - \frac{Close_t}{ts\_max(Close, 250)}$$ 其中，$Close_t$为股票在交易日t的最新收盘价，$ts\_max(Close, 250)$为过去250个交易日收盘价的最大值[11]。 2. **模型名称：平稳创新高股票筛选模型**[24][27] * **模型构建思路**：该模型旨在从近期创出250日新高的股票中，进一步筛选出具有分析师关注、股价走势强劲且路径平稳、趋势有望延续的股票。其理论基础在于，遵循平滑价格路径的高动量股票未来收益可能优于价格路径跳跃的股票[24]。 * **模型具体构建过程**：模型采用多步骤条件筛选法，具体流程如下： 1. **初选股票池**：筛选出上市满15个月，且在过去20个交易日内创出过250日新高的所有股票[19]。 2. **分析师关注度筛选**：要求过去3个月内，获得“买入”或“增持”评级的分析师研报数量不少于5份[27]。 3. **股价相对强弱筛选**：要求过去250日涨跌幅位于全市场所有股票的前20%[27]。 4. **股价平稳性与创新高持续性综合打分**：在满足上述条件的股票池内，使用以下两个指标进行综合打分，并选取排名在前50%的股票[27]。 * **价格路径平滑性（股价位移路程比）**：该指标衡量股价走势的平稳程度。计算公式为过去120日涨跌幅的绝对值除以过去120日日涨跌幅绝对值的加总。比值越高，表明价格路径越平滑（趋势性越强，波动越小）[24][27]。 * **创新高持续性**：计算过去120个交易日的“250日新高距离”在时间序列上的均值。该值越小，表明股票在近期持续接近或创出新高[27]。 5. **趋势延续性筛选**：对经过上一步筛选的股票，计算其过去5个交易日的“250日新高距离”在时间序列上的均值，并选取该值排序最靠前的50只股票作为最终输出[27]。 模型的回测效果 *本报告为市场状态跟踪与股票筛选周报，未提供量化模型或因子在历史数据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）。报告主要展示了截至特定日期（2025年12月26日）的截面筛选结果和部分市场统计数据[12][13][19][28]。* 因子的回测效果 *本报告为市场状态跟踪与股票筛选周报，未提供量化因子在历史数据上的系统性回测绩效指标（如IC值、ICIR、多空收益、分组收益等）。报告主要展示了截至特定日期（2025年12月26日）的因子截面取值和市场应用情况[12][13][19]。*

量化模型与构建方式 1. **模型名称**：无 **模型构建思路**：无 **模型具体构建过程**：无 **模型评价**：无 量化因子与构建方式 1. **因子名称**：封板率因子 **因子构建思路**：通过计算最高价涨停且收盘涨停的股票比例，来衡量市场涨停股的封板强度和市场情绪[16] **因子具体构建过程**： 1. 筛选上市满3个月以上的股票[16] 2. 在每个交易日，统计满足“最高价涨停”条件的股票数量[16] 3. 在步骤2的股票中，进一步统计“收盘涨停”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. **因子名称**：连板率因子 **因子构建思路**：通过计算连续两日收盘涨停的股票比例，来衡量市场涨停股的持续性和赚钱效应[16] **因子具体构建过程**： 1. 筛选上市满3个月以上的股票[16] 2. 在每个交易日，统计前一日（T-1日）收盘涨停的股票数量[16] 3. 在步骤2的股票中，统计当日（T日）同样收盘涨停的股票数量[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. **因子名称**：大宗交易折价率因子 **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，来反映大资金的交易情绪和偏好[26] **因子具体构建过程**： 1. 获取当日所有大宗交易的成交总金额[26] 2. 获取当日大宗交易成交份额对应的总市值（按当日市价计算）[26] 3. 计算折价率，公式为： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[26] 4. **因子名称**：股指期货年化贴水率因子 **因子构建思路**：通过计算股指期货主力合约相对于现货指数的年化基差，来反映市场对未来预期、对冲成本及情绪[28] **因子具体构建过程**： 1. 计算基差：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] 其中，当股指期货价格高于现货指数价格时，年化贴水率为正，表示升水；反之为负，表示贴水[28] 模型的回测效果 1. **无相关模型回测结果** 因子的回测效果 1. **封板率因子**，2025年12月25日指标值：79%[16] 2. **连板率因子**，2025年12月25日指标值：32%[16] 3. **大宗交易折价率因子**，近半年平均指标值：6.58%[26]；2025年12月24日指标值：7.12%[26] 4. **股指期货年化贴水率因子** **上证50股指期货**，近一年中位数：0.85%[28]；2025年12月25日指标值：0.18%（升水）[28] **沪深300股指期货**，近一年中位数：3.79%[28]；2025年12月25日指标值：3.24%（贴水）[28] **中证500股指期货**，近一年中位数：11.22%[28]；2025年12月25日指标值：5.74%（贴水）[28] **中证1000股指期货**，近一年中位数：13.61%[28]；2025年12月25日指标值：9.98%（贴水）[28]

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**：通过构建一个量化模型，对申万一级行业指数的拥挤度进行每日监测，以识别市场热度或交易过度的行业[3]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤、使用的底层指标或计算公式。 2. **模型名称：溢价率 Z-score 模型**[4] * **模型构建思路**：通过计算ETF溢价率的Z-score值，搭建ETF产品筛选信号模型，以识别存在潜在套利机会的标的[4]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤，例如Z-score计算所基于的滚动窗口期长度、均值和标准差的计算方法。但根据金融工程常规做法，该模型的核心是计算当前溢价率相对于其近期历史分布的标准化偏离度。其核心公式可推断为： $$Z_t = \frac{PremiumRate_t - \mu_{t-n, t-1}}{\sigma_{t-n, t-1}}$$ 其中，$Z_t$ 为t日的溢价率Z-score值，$PremiumRate_t$ 为t日的IOPV溢价率，$\mu_{t-n, t-1}$ 为过去n个交易日（滚动窗口）溢价率的均值，$\sigma_{t-n, t-1}$ 为过去n个交易日溢价率的标准差[4]。 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**：综合多个维度指标，合成一个用于衡量某个申万一级行业交易是否过度拥挤、风险是否积聚的综合性指标[3]。 * **因子具体构建过程**：报告未披露行业拥挤度因子的具体合成方法、所包含的子因子（如换手率、估值分位数、资金流入强度等）及其权重。 2. **因子名称：ETF溢价率**[4][6] * **因子构建思路**：计算ETF二级市场交易价格与其参考净值（IOPV）的偏离百分比，反映市场供需导致的定价偏差[4][6]。 * **因子具体构建过程**：报告未给出公式，但该因子为市场通用计算方式。具体构建过程为：使用ETF的实时成交价格与其单位基金份额参考净值（IOPV）进行计算。 $$溢价率 = \frac{ETF市价 - IOPV}{IOPV} \times 100\%$$ 其中，IOPV（Indicative Optimized Portfolio Value）是由交易所根据ETF申购赎回清单和实时证券价格计算并发布的基金份额参考净值[6]。 3. **因子名称：主力资金净流入额**[10] * **因子构建思路**：统计特定时间段内（如单日）流入某行业板块的主力资金净额，用于观察大资金的动向[10]。 * **因子具体构建过程**：报告直接使用了Wind等数据提供商计算的主力资金净流入额数据，未说明其具体算法。通常该因子基于逐笔成交数据，结合成交价格、订单大小和买卖方向等信息估算得出。 模型的回测效果 （报告中未提供任何量化模型的回测效果指标，如年化收益率、夏普比率、最大回撤、信息比率（IR）等。） 因子的回测效果 （报告中未提供任何量化因子的回测效果指标，如因子IC值、IR、多空收益等。仅展示了因子在特定时点的截面数据。）

量化模型与构建方式 1. **模型名称**：永赢量化指增多策略体系[30] **模型构建思路**：针对不同基准指数的特性，构建差异化的增强路径与策略重心，通过整合逻辑互补、周期各异的Alpha来源，以抵御单一策略的阶段性失效，追求持续稳定的超额收益[30]。 **模型具体构建过程**：该体系是一个分层、分类的框架，而非单一模型。 * **产品分类与策略重心**： * **常规宽基指增**（如跟踪沪深300、中证500）：采用“核心+卫星”策略。核心策略整合多因子模型，卫星策略通过基本面量化方法深度捕捉并强化指数内生的风格特征[30]。 * **特殊基准指增**（如跟踪中证A50、科创100）：采取定制化增强思路。聚焦于在基准自身风格占优的市场阶段，通过与之高度契合的因子与策略放大收益特征。例如，中证A50侧重质量、分红与估值；科创100侧重景气度与创新动能[31]。 * **量化主题指增**（如量化红利、量化成长）：首先依据透明规则构建具备特定风格暴露的主题组合，然后在此基础上进行增强，并严格维护组合的风格纯度[31]。 * **核心能力支撑**： * **机器学习全流程应用**：涵盖信号预测、特征处理、市场状态识别与交易成本建模等多个环节[32]。 * **多策略融合与动态配置**：整合低相关性的多元收益来源[32]。 * **严格风控**：依托组合优化工具与风险模型，对跟踪误差、风格暴露、行业偏离及流动性实施多维度硬约束[32]。 2. **模型名称**：三维量化投资框架（朱晨歌）[53] **模型构建思路**：在指数增强产品中，构建“指数锚定+量化增强+基本面校准”的三维框架，将量化模型与基本面研究相结合[53]。 **模型具体构建过程**：该框架是一个投资方法论。 * **指数锚定**：以跟踪的基准指数（如中证A50）作为投资组合的基准和约束，控制跟踪误差[53]。 * **量化增强**：运用量化模型（如多因子模型）在全市场或指数成分股内进行选股和权重优化，以获取超越基准的超额收益[53]。 * **基本面校准**：结合对行业景气度、公司基本面的深入研究，对量化模型生成的信号或组合进行校验和调整，以提高策略的稳健性和逻辑有效性[53]。 量化因子与构建方式 1. **因子类别**：基本面因子[23] **因子的构建思路**：在监管政策压缩高频交易Alpha空间的背景下，转向挖掘中低频、基于公司基本面和内在价值的因子[23]。 **因子具体构建过程**：报告未提供具体的基本面因子公式，但指明了因子的逻辑方向。 * **质量因子**：用于超大盘蓝筹风格（如中证A50）的增强[31]。 * **分红因子**：用于超大盘蓝筹风格（如中证A50）的增强，也与监管提升上市公司分红比例的政策导向相符[23][31]。 * **估值因子**：用于超大盘蓝筹风格（如中证A50）的增强，侧重安全边际[31]。 * **景气度因子**：用于科技成长风格（如科创100）的增强[31]。 * **创新动能因子**：用于科技成长风格（如科创100）的增强[31]。 模型的回测效果 *注：报告主要展示了两只具体基金产品的业绩表现，可视为其背后量化模型或策略体系的部分产出结果。* 1. **永赢上证科创板100指数增强A (021278.OF)**，近1年年化收益率48.16%[35]，近1年夏普比率1.56[36]，近1年最大回撤-19.22%[36]，年化波动率25.67%[36]，近1年下行标准差20.78%[36] 2. **永赢中证A50指数增强A (022204.OF)**，近1年年化收益率19.99%[54]，近1年夏普比率1.52[55]，Sortino比率2.26[54]，近1年最大回撤-11.01%[55]，年化波动率11.92%[55]，近1年下行标准差12.01%[55] 因子的回测效果 *报告未提供单独因子的测试结果取值。*

量化模型与构建方式 1. 模型名称：DTLC_RL (解耦时序对比学习强化学习模型) **模型构建思路**：构建一个兼具深度学习非线性预测能力与良好可解释性的选股框架。通过特征空间解耦，分别构建面向市场系统风险（β空间）、个股特异特征（α空间）和个股基本面信息（θ空间）的编码器，并通过对比学习与正交约束提升各空间表征的区分度与互补性，最后引入强化学习近端策略优化（PPO）算法以实现自适应调整各空间权重进行动态融合[2][11][12]。 **模型具体构建过程**： 1. **多层次因子解耦与表征学习**：构建三个在数学上正交的潜在表征空间[11]。 * **Beta空间（市场系统风险）**：使用时间卷积网络（TCN）作为编码器，输入为5个市场相关特征的60个交易日时序数据[67][68]。TCN采用因果卷积和扩张卷积来捕捉时序依赖关系[13][17][19]。因果卷积确保输出只依赖于当前及历史输入，其约束为： $$y_{t}=f(x_{t},x_{t-1},\dots,x_{t-k+1})$$ 其中$y_t$为t时刻输出，$x_{t-j}$为历史输入，$k$为卷积核大小[17]。扩张因果卷积操作定义为： $$H_{l}=\mathrm{ReLU}\left(\mathrm{BatchNorm}\left(\mathrm{CausalConv1d}(X_{l},k,d_{l})\right)\right)$$ 完整残差块为： $$B l o c k(X)=A c t i v a t i o n\left(X+F(X)\right)$$ $$F(X)=W_{2}*\sigma(W_{1}*X)$$ * **Alpha空间（个股特异特征）**：使用多尺度Transformer模型作为编码器，输入为13个日频量价时序特征[76][77]。模型区分20日、40日、60日三个尺度，分别用Transformer层编码后进行上采样和门控融合[78][80]。Transformer核心的自注意力机制计算如下： $$Q\;=\;X W_{Q}\;,\;\;K\;=\;X W_{K}\;,\;\;V\;=\;X W_{V}\;,$$ $$Z=A t t e n t i o n(Q,K,V)=s o f t m a x\left({\frac{Q K^{T}}{\sqrt{d_{k}}}}\right)V$$ 多头注意力机制为： $$M u l t i h e a d\left(Q\ ,\ K\ ,\ V\right)=C o n c a t\left(h e a d_{1}\ ,\ \ldots\ \ ,\ h e a d_{h}\right)W_{o}$$ * **Theta空间（个股基本面信息）**：使用门控残差多层感知机（GRN）作为编码器，输入为8个核心财务指标[88][92]。GRN包含特征变换、门控机制和残差连接[38][39][43][45]。其计算过程包括： $$\tilde{x}=\;W_{1}x\;+\;b_{1}$$ $$s\;=\;E L U(W_{2}\tilde{x}+\;b_{2})$$ $$g\;=\;\sigma\bigl(W_{g}\,x\;+\;b_{g}\bigr)$$ $$\tilde{x}=s\odot g\,+\,x$$ 最终输出为层归一化结果：$G R N\left(x\right)=\ L a y e r N o r m\left({\tilde{x}}\right)$[47]。 2. **对比学习增强表征稳健性**：在每个子空间内部引入对比学习机制，通过构建基于未来收益率相似性的正负样本对，驱使编码器学习到的表征能够拉近同类样本、推远异类样本[12][52]。使用InfoNCE损失函数： $$L_{\mathrm{InfotNCE}}=-E\left[l o g~\frac{e x p\left(f(x)^{\top}f(x^{+})/\tau\right)}{e x p\left(f(x)^{\top}f(x^{+})/\tau\right)+\sum_{i=1}^{N-1}~e x p\left(f(x)^{\top}f(x_{i}^{-})/\tau\right)}\right]$$ 其中相似度计算采用余弦相似度：$\sin(\mathbf{u},\mathbf{v})={\frac{\mathbf{u}^{\mathrm{{T}}}\mathbf{v}}{|\mathbf{u}||\mathbf{v}|}}$[55]。正样本为未来20日收益率相关系数大于80%的样本，负样本为相关系数小于0%的样本[104]。 3. **正交约束保障因子独立性**：设置正交化损失函数，强制要求三个子空间输出的表征向量在统计上接近相互独立，缓解多重共线性问题[12]。损失函数为三空间输出编码信息的协方差矩阵非对角线元素平方和[104]。 4. **强化学习驱动空间融合**：在三个编码器后引入强化学习动态复权的空间融合机制[116]。将三个子空间编码与市场环境特征拼接成状态$s_t$，输入策略网络（Actor）生成三维空间权重[120]。策略网络采用PPO算法进行优化，其目标是最大化期望累积回报： $$J(\theta)=E_{\tau^{-\pi_{\theta}}}[R(\tau)]=E_{\tau^{-\pi_{\theta}}}\left[\sum_{t=0}^{T}\gamma^{t}r_{t}\right]$$ PPO通过裁剪目标函数稳定策略更新： $$\mathrm{CLIP}\left(\theta\right)=E_{t}\left[mi\ n(r_{t}\left(\theta\right)\overline{A_{t}},\mathrm{clip}(r_{t}\left(\theta\right),1-\epsilon,1+\epsilon)\overline{A_{t}}\right]$$ 其中$r_t(\theta)$为新旧策略概率比：$r_{t}\left(\theta\right)=\frac{\pi_{\theta}\left(a_{t}\left|s_{t}\right.\right)}{\pi_{\theta_{\mathrm{old}}}\left(a_{t}\left|s_{t}\right.\right)}$[61][63]。优势函数$\hat{A_t}$通过广义优势估计（GAE）计算： $$A_{t}^{\widehat{\mathrm{GAE}\,(\gamma,\lambda)}}=\sum_{l=0}^{\infty}(\gamma\lambda)^{l}\delta_{t+l}$$ $$\delta_{t}=r_{t}+\gamma V(s_{t+1})-V(s_{t})$$ $$\widehat{A_{t}}=\delta_{t}+\gamma\lambda\widehat{A_{t+1}}$$ 奖励函数$r_t$由预测收益与实际收益的相关系数奖励$R_t^{IC}$、权重稳定性奖励$R_t^{stable}$和权重分散性奖励$R_t^{div}$组成： $$r_{t}=R_{t}^{I C}\big(\widehat{y_{t}},y_{y}\big)+\lambda_{s}R_{t}^{s t a b l e}+\lambda_{d}R_{t}^{d i v}$$ 加权融合后的特征通过预测头网络输出个股未来收益率预测$\hat{y_t}$[120][121]。 **模型评价**：该模型为深度学习在量化选股中的应用提供了一条兼具“非线性能力”与“可解释性”的路径[159]。 2. 模型名称：DTLC_Linear (线性融合模型) **模型构建思路**：作为强化学习融合版本的基准模型，将三个空间的编码信息进行合并，并通过单层线性层进行处理并接入预测头进行收益率预测[2][98]。 **模型具体构建过程**：将Beta、Alpha、Theta三个空间经过对比学习优化后的高维编码直接进行拼接，输入一个包含线性层和Softmax激活的轻量网络，动态生成空间权重，进而对编码进行加权融合，最终通过预测头输出收益率预测[98]。训练过程采用以信息系数（IC）最大化为核心目标的多任务损失函数，并同样引入了对比学习损失和正交约束损失[98][102]。 **模型评价**：为科学评估强化学习融合机制的实际贡献提供了可对比的基准[98]。 3. 模型名称：DTLC_Equal (等权融合模型) **模型构建思路**：作为简单的融合对照组，直接对三个空间独立训练出的因子进行等权求和[2][98]。 **模型具体构建过程**：分别训练Beta_TCN、Alpha_Transformer、Theta-ResMLP三个因子，然后将每个因子的值进行等权相加，得到最终的合成因子[98][103]。 4. 因子名称：Beta_TCN **因子构建思路**：捕捉市场系统性风险，量化个股对市场风险因素的不同敏感度[67]。 **因子具体构建过程**：选取5个市场相关特征：收益率暴露(beta_mkt)、波动率敏感度(beta_vol)、流动性beta(beta_liq)、大小盘暴露(beta_size)、市场情绪敏感度(beta_sent)[67][72]。将这5个特征的60个交易日时序数据输入TCN编码器（结构如DTLC_RL模型中的Beta空间编码器），输出一个32维向量作为Beta空间编码，并进一步通过预测头输出收益率预测，形成因子[68][73]。 **因子评价**：可以挖掘出个股暴露在beta中的相关信息，具备一定的选股效果[73]。 5. 因子名称：Alpha_Transformer **因子构建思路**：挖掘个股特异性信息（Alpha）[76][81]。 **因子具体构建过程**：选取13个日频量价时序特征，如量价背离度(pvo)、压力支撑效率(sse)、波动率偏度(skew)等[77]。将这些特征的时序数据输入多尺度Transformer编码器（结构如DTLC_RL模型中的Alpha空间编码器），输出收益率预测，形成因子[78][80]。 **因子评价**：可以学习到一定程度的个股特异性信息，且与beta空间编码器学习的信息重合度相对适中[82]。 6. 因子名称：Theta-ResMLP **因子构建思路**：系统性地挖掘个股的财务安全边际与抗风险能力，基于价值投资理论中的安全边际原则[88][95]。 **因子具体构建过程**：选取8个核心财务指标特征：市盈率(pe)、市净率(pb)、ROE均值比标准差(roemeantostd)、股息率(dividendyield)、ROE环比(roemom)、EPS同比(epsyoy)、营业利润率(operatingprofit)、ROIC(roic)[88]。将这些截面特征输入门控残差MLP编码器（结构如DTLC_RL模型中的Theta空间编码器），输出收益率预测，形成因子[92][94]。 **因子评价**：可以学习到一定程度的个股基本面信息，且与beta、alpha空间编码器学习的信息重合度较低，边际信息提供量较大[96]。 模型的回测效果 （回测区间：2019年1月至2025年11月，全A范围，Top10%多头组合） 1. **DTLC_RL模型**，IC: 0.1250，ICIR: 4.38，年化收益率: 34.77%，年化波动率: 25.41%，信息比率: 1.37，最大回撤率: 40.65%，单边月均换手率: 0.71X[122][123]。 2. **DTLC_Linear模型**，IC: 0.1239，ICIR: 4.25，年化收益率: 32.95%，年化波动率: 24.39%，信息比率: 1.35，最大回撤率: 35.94%，单边月均换手率: 0.76[103][105]。 3. **DTLC_Equal模型**，IC: 0.1202，ICIR: 4.06，年化收益率: 32.46%，年化波动率: 25.29%，信息比率: 1.28，最大回撤率: 40.65%，单边月均换手率: 0.71[103][105]。 因子的回测效果 （回测区间：2019年1月至2025年11月，全A范围，Top10%多头组合） 1. **Beta_TCN因子**，IC: 0.0969，ICIR: 3.73，年化收益率: 27.73%，年化波动率: 27.19%，信息比率: 1.02，最大回撤率: 45.80%，单边月均换手率: 0.79X[2][73]。 2. **Alpha_Transformer因子**，IC: 0.1137，ICIR: 4.19，年化收益率: 32.66%，年化波动率: 23.04%，信息比率: 1.42，最大回撤率: 27.59%，单边月均换手率: 0.83X[2][80][81]。 3. **Theta-ResMLP因子**，IC: 0.0485，ICIR: 1.87，年化收益率: 23.88%，年化波动率: 23.96%，信息比率: 0.99，最大回撤率: 37.41%，单边月均换手率: 0.41X[2][94][95]。

量化模型与因子总结 量化模型与构建方式 本报告为市场数据跟踪报告，未涉及具体的量化选股或预测模型，因此无量化模型部分。 量化因子与构建方式 报告在跟踪分析中计算并使用了多个市场指标，这些指标可作为量化因子或用于构建因子。具体如下： 1. **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为无风险利率参考，计算各宽基指数相对于无风险利率的风险溢价，用于衡量其相对投资价值和偏离情况[27]。 * **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。报告中的“当前风险溢价”应为指数近期收益率（如日度或滚动收益率）与当前十年期国债即期收益率的差值[31]。具体公式可表示为： $$风险溢价 = R_{index} - R_{f}$$ 其中，$R_{index}$ 代表宽基指数的收益率，$R_{f}$ 代表十年期国债即期收益率。 2. **因子名称：股债性价比** * **因子构建思路：** 以各指数市盈率（PE-TTM）的倒数代表股票的潜在收益率，计算其与十年期国债即期收益率之差，作为衡量股票与债券相对吸引力的指标[46]。 * **因子具体构建过程：** 股债性价比的计算公式为指数市盈率（PE-TTM）的倒数减去十年期国债即期收益率[46]。具体公式可表示为： $$股债性价比 = \frac{1}{PE_{TTM}} - R_{f}$$ 其中，$PE_{TTM}$ 代表指数滚动市盈率，$R_{f}$ 代表十年期国债即期收益率。 3. **因子名称：股息率** * **因子构建思路：** 跟踪各指数的股息率，反映现金分红回报率，是红利投资风格的重要观察指标[48]。 * **因子具体构建过程：** 股息率通常计算为成分股过去12个月现金分红总额除以指数的总市值。报告中的“当前值”即为该计算结果[53]。 4. **因子名称：破净率** * **因子构建思路：** 计算指数中市净率小于1的个股占比，反映市场整体的估值态度和悲观程度[54][56]。 * **因子具体构建过程：** 破净率计算公式为指数成分股中破净（市净率PB < 1）的个股数量除以指数成分股总数量[57]。具体公式可表示为： $$破净率 = \frac{Count(PB_i < 1)}{N}$$ 其中，$PB_i$ 代表成分股i的市净率，$N$ 代表指数成分股总数。 5. **因子名称：指数换手率** * **因子构建思路：** 衡量指数的整体交易活跃度[17]。 * **因子具体构建过程：** 报告采用流通市值加权的方式计算指数换手率，公式为各成分股换手率按其流通股本加权的平均值[17]。具体公式为： $$指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$$ 6. **因子名称：收益分布形态指标（偏度与峰度）** * **因子构建思路：** 通过计算指数日收益率序列的偏度和峰度，分析其收益分布的特征和形态变化[23][25]。 * **因子具体构建过程：** * **偏度：** 衡量收益率分布的不对称性。正偏态表示极端正收益情形增加[23]。报告计算了当前偏度并与近5年历史偏度进行比较[25]。 * **峰度：** 衡量收益率分布的尖锐或平坦程度。报告中的峰度计算减去了3（正态分布的峰度值），因此“峰度负偏离”表示当前分布比历史分布更平坦[25]。峰度越大，说明收益率分布更集中[23]。 因子的回测效果 报告未提供基于历史数据的因子分层测试、多空组合收益等传统因子回测结果，而是展示了各因子在特定截止日（2025年12月24日）的截面取值或状态。各宽基指数在不同因子下的具体数值如下： 1. **风险溢价因子**[31] * 上证50：-0.08% * 沪深300：0.28% * 中证500：1.30% * 中证1000：1.53% * 中证2000：1.55% * 中证全指：0.89% * 创业板指：0.76% 2. **PE-TTM分位值因子（近5年）**[42][43] * 上证50：84.05% * 沪深300：85.62% * 中证500：96.94% * 中证1000：94.63% * 中证2000：84.30% * 中证全指：94.46% * 创业板指：59.17% 3. **股息率因子**[53] * 上证50：3.13% * 沪深300：2.73% * 中证500：1.41% * 中证1000：1.11% * 中证2000：0.77% * 中证全指：2.02% * 创业板指：0.96% 4. **破净率因子**[3][57] * 上证50：22.0% * 沪深300：16.0% * 中证500：10.8% * 中证1000：8.0% * 中证2000：3.25% * 中证全指：6.14% * 创业板指：未提供 5. **指数换手率因子**[2][17] * 上证50：0.19 * 沪深300：0.47 * 中证500：1.51 * 中证1000：2.2 * 中证2000：3.7 * 中证全指：1.55 * 创业板指：2.18 6. **收益分布峰度偏离因子（当前 vs. 近5年）**[25] * 上证50：-2.10 * 沪深300：-1.84 * 中证500：-2.28 * 中证1000：-1.35 * 中证2000：-1.44 * 中证全指：-1.87 * 创业板指：-2.63 7. **收益分布偏度偏离因子（当前 vs. 近5年）**[25] * 上证50：-0.58 * 沪深300：-0.46 * 中证500：-0.58 * 中证1000：-0.35 * 中证2000：-0.34 * 中证全指：-0.46 * 创业板指：-0.65