量化模型与构建方式 1. **模型名称：股指分红点位预测模型**[12][41] * **模型构建思路**：为了准确计算股指期货的升贴水，需要精确预测指数成分股在期货合约存续期内的分红总额，并将其折算为对指数点位的具体影响（即分红点数）[12][41]。 * **模型具体构建过程**：该模型的核心是计算从当前时刻 `t` 到期货合约到期日 `T` 之间，指数所有成分股分红所导致的总分红点数。具体流程如下[41][42][46]： 1. **获取基础数据**：获取指数成分股列表、个股权重、个股总市值和指数收盘价[47]。 2. **预测个股分红金额**：对于每只成分股，若已公布分红金额则直接采用；若未公布，则需预测。分红金额预测分解为对净利润和股息支付率的预测[45][50]。 * **净利润预测**：采用基于历史净利润分布的动态预测法。若公司已公布年报、快报或业绩预告，则直接采用；否则，根据其历史季度盈利分布的稳定性进行分类预测[52]。 * **股息支付率预测**： * 若公司去年分红，则以去年股息支付率作为今年预测值[56]。 * 若公司去年不分红，则以最近3年股息支付率平均值作为预测值[56]。 * 若公司过去从未分红，则默认今年不分红[56]。 * 当预期股息支付率大于100%时，进行截尾处理[56]。 3. **预测个股除息日**：对于每只成分股，若已公布除息日则直接采用；否则需预测[45][54]。 * 若公司已公布分红预案，则根据其所处分红阶段（预案或决案），判断历史从公告日到除息日的间隔天数是否稳定。若稳定，则用该历史平均间隔天数与今年公告日进行线性外推；若不稳定，则采用历史分红日期判断[59]。 * 若公司未公布分红预案，则判断其去年或前年是否分红，并采用对应的历史分红日期作为估计。若历史日期不合理（如在当前之前、距当前不足10天或在今年股东大会召开日之前），则采用默认日期[59]。 * 默认日期规则：预测日在7月21日前设为7月31日；在7月22日至8月21日之间设为8月31日；否则设为9月30日[59]。 * 若公司过去两年未分红，则采用默认日期[59]。 4. **计算分红点数**：汇总所有满足条件（除息日 `t < d_n ≤ T`）的成分股，计算总分红点数。核心公式为： $$分红点数 = \sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$$[41] 其中，`N` 为指数成分股数量，`d_n` 为第 `n` 只成分股的除权除息日。 * **模型评价**：该模型通过精细化处理成分股权重、净利润、股息支付率和除息日等关键变量，旨在提高分红点位预测的准确性[12][41]。回测显示，对于上证50和沪深300指数预测误差较小，对于中证500和中证1000指数预测也基本稳定[64]。 2. **因子名称：日度成分股权重估算因子**[48] * **因子构建思路**：由于主流数据通常只提供月末指数权重，为了在非月末时点更精确地计算分红对指数的影响，需要对日度成分股权重进行估算[48]。 * **因子具体构建过程**：假设最近一次公布权重日期为 `t_0`，该日成分股 `n` 的权重为 `w_{n0}`。记从 `t_0` 到当前日期 `t` 期间，个股 `n` 的非复权涨跌幅为 `r_n`，则当前日期 `t` 的估算权重 `W_{n,t}` 为： $$W_{n,t}={\frac{w_{n0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{i})}}$$[48] *注：报告后续指出，为更精确，实际采用了中证指数公司每日披露的日度收盘权重数据，而非此估算值[49]。* 模型的回测效果 1. **股指分红点位预测模型**，2024年预测误差：上证50指数和沪深300指数误差基本在5个点左右，中证500指数和中证1000指数误差基本在10个点左右[64]。 2. **股指分红点位预测模型**，2025年预测误差：上证50指数和沪深300指数误差基本在5个点左右，中证500指数和中证1000指数误差基本在10个点左右[64]。 3. **股指分红点位预测模型**，对股指期货主力合约的预测效果：2024年及2025年，对上证50、沪深300、中证500及中证1000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，模型具有较好的预测准确性[64]。 量化因子与构建方式 1. **因子名称：已实现股息率**[17] * **因子构建思路**：计算指数成分股中，在当年已经完成现金分红的公司，其分红总额相对于这些公司总市值的加权比率，用以衡量截至当前时点指数已兑现的分红收益[17]。 * **因子具体构建过程**： $$全年已实现股息率 = \sum_{i=1}^{N1} \frac{个股已分红金额}{个股总市值} \times 个股权重$$[17] 其中，`N1` 表示指数成分股中今年已现金分红的公司数量[17]。 2. **因子名称：剩余股息率**[17] * **因子构建思路**：计算指数成分股中，尚未进行现金分红的公司，其预计分红总额相对于这些公司总市值的加权比率，用以衡量指数在未来可能获得的分红收益[17]。 * **因子具体构建过程**： $$全年剩余股息率 = \sum_{i=1}^{N2} \frac{个股待分红金额}{个股总市值} \times 个股权重$$[17] 其中，`N2` 表示指数成分股中尚未现金分红的公司数量[17]。 3. **因子名称：年化升贴水率**[13] * **因子构建思路**：将股指期货合约价格相对于其标的指数价格（已剔除分红影响）的溢价或折价幅度，年化处理，以便于不同期限合约间的比较，反映市场情绪与风险偏好[12][13]。 * **因子具体构建过程**：基于扣除分红影响后的期货与指数价差（含分红价差），结合合约到期天数，计算年化收益率。具体计算过程未在提供文本中详细展开，但结果展示于表格[13]。 因子的回测效果 *（注：报告中未提供上述因子的独立历史回测绩效指标，如IC、IR、多空收益等。仅展示了截至报告日的截面数据。）* 1. **已实现股息率因子**，截至2026年1月21日取值：上证50指数为0.00%，沪深300指数为0.00%，中证500指数为0.00%，中证1000指数为0.00%[3][17]。 2. **剩余股息率因子**，截至2026年1月21日取值：上证50指数为2.29%，沪深300指数为1.79%，中证500指数为1.06%，中证1000指数为0.85%[3][17]。 3. **年化升贴水率因子**，截至2026年1月21日主力合约取值：IH主力合约为2.38%，IF主力合约为1.12%，IC主力合约为4.31%，IM主力合约为1.65%[4][13]。

量化模型与构建方式 **本报告为ETF产品投资价值分析，未涉及具体的量化选股模型或多因子模型的构建。报告核心内容为对中证全指医疗器械指数的介绍、分析以及跟踪该指数的ETF产品表现。报告中提及的“风格因子暴露”是基于Wind等数据服务商提供的通用风格因子体系进行的描述性分析，并未构建新的量化因子。** 量化因子与构建方式 **报告未详细阐述任何量化因子的具体构建过程。报告中提到的风格因子（如估值、成长、盈利等）是金融工程领域的通用因子，其具体计算方法未在本文中说明。** 模型的回测效果 **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 **报告未提供任何量化因子的测试结果（如IC值、IR值等）。** 指数绩效表现 **报告详细展示了中证全指医疗器械指数（H30217.CSI）的历史绩效表现，可视为一个基准“模型”的测试结果。** 1. **指数名称：中证全指医疗器械指数** * **指数构建思路：** 选取中证全指样本股中属于医疗保健设备与用品行业的股票，以反映该行业股票的整体表现[30]。 * **指数具体构建过程：** 1. **样本空间：** 满足以下条件的A股和红筹企业发行的存托凭证：（1）非ST、*ST证券；（2）科创板证券、北交所证券上市时间分别超过一年和两年；（3）其他证券上市时间超过一个季度，除非该证券自上市以来日均总市值排在前30位[31]。 2. **选样方法：** （1）将样本空间证券按中证行业分类方法分类。（2）如果行业内证券数量少于或等于50只，则全部证券作为指数样本。（3）如果行业内证券数量多于50只，则依次剔除行业内全部证券成交金额排名后10%的证券以及累积总市值占比达行业内全部证券98%以后的证券，剔除过程中优先确保剩余证券数量不少于50只，将剩余证券作为指数样本[31]。 3. **加权方式：** 调整后自由流通市值加权[31]。 4. **样本调整：** 每半年定期调整一次（6月、12月的第二个周五的下一交易日实施），权重因子随样本定期调整而调整。当样本公司发生特殊事件导致行业归属变更或退市时，进行临时调整[31]。 * **指数评价：** 指数质地纯粹，100%聚焦医疗器械细分板块，β属性纯正[3]。成分股重点聚焦创业板和科创板，覆盖医疗设备、医疗耗材和体外诊断三大方向[3]。对“脑机接口”等前沿科技概念具备较好的布局优势[3]。 指数绩效指标取值 **以下为指数自基日（2004-12-31）以来的绩效表现，数据截至报告期末[41][42]。** 1. **中证全指医疗器械指数**，区间涨跌幅 **1015.07%**，区间年化收益率 **12.52%**，夏普比 **0.54**，卡玛比 **0.17**[41][42]。 2. **300医药指数**，区间涨跌幅 **781.94%**，区间年化收益率 **11.22%**，夏普比 **0.52**，卡玛比 **0.17**[42]。 3. **中证医疗指数**，区间涨跌幅 **677.60%**，区间年化收益率 **10.56%**，夏普比 **0.48**，卡玛比 **0.14**[42]。 4. **中证500指数**，区间涨跌幅 **722.77%**，区间年化收益率 **10.86%**，夏普比 **0.51**，卡玛比 **0.15**[42]。 5. **上证指数**，区间涨跌幅 **223.94%**，区间年化收益率 **5.90%**，夏普比 **0.34**，卡玛比 **0.08**[42]。 产品跟踪效果指标取值 **以下为招商中证全指医疗器械ETF（159898.OF）相对于其标的指数的跟踪效果，观测期为2025年1月14日至2026年1月14日[65][69]。** 1. **招商中证全指医疗器械ETF**，累计超额收益 **3.7%**[69]，日间跟踪偏离度 **保持在±0.2%以内**[69]。

量化模型与构建方式 1. **模型/因子名称**：封板率[16] **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值，来衡量市场涨停板的封板强度和市场情绪[16] **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，盘中最高价达到涨停价的股票集合。然后，在该集合中，进一步统计收盘价仍为涨停价的股票数量。最后，将后者除以前者，得到封板率。 **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. **模型/因子名称**：连板率[16] **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总数的比值，来衡量市场涨停板的连续性和追涨情绪[16] **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）收盘涨停的股票集合。然后，在该集合中，进一步统计在T日收盘也涨停的股票数量。最后，将后者除以前者，得到连板率。 **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. **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，来反映大资金交易的折溢价情况，可作为市场情绪或大资金偏好的观察指标[25] **具体构建过程**：收集特定交易日（T日）发生的所有大宗交易数据，包括每笔交易的成交金额和成交数量。计算所有大宗交易的成交总金额。同时，用每笔交易的成交数量乘以该股票T日的收盘价（或当日均价），得到该笔交易按市价计算的理论市值，并求和得到所有成交份额的理论总市值。最后，用成交总金额除以理论总市值后减1，得到整体折价率。 **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. **模型/因子名称**：股指期货年化贴水率[27] **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，并进行年化处理，来衡量市场对未来走势的预期、对冲成本以及市场情绪[27] **具体构建过程**：对于特定的股指期货主力合约（如上证50、沪深300等），获取其在交易日（T日）的结算价或收盘价作为期货价格（F）。同时，获取其标的指数（如000016.SH， 000300.SH）在T日的收盘价作为现货价格（S）。计算基差（B = F - S）。确定该期货合约距离到期日的剩余交易日数（N）。最后，将基差年化，得到年化贴水率。 **公式**： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[27] **模型评价**：年化贴水率是影响股指对冲成本的关键因素，其变化能反映市场对于未来的预期[27] 模型的回测效果 （注：本篇报告为市场监测日报，主要描述市场状态和指标构建方法，未提供基于历史数据的模型回测绩效指标，如年化收益率、夏普比率、最大回撤、信息比率（IR）等。因此，此部分无相关内容。） 量化因子与构建方式 （注：本篇报告未涉及用于选股或资产定价的Alpha因子，如价值、成长、动量、质量等因子的构建与测试。报告中的“封板率”、“连板率”、“大宗交易折价率”、“年化贴水率”更接近于市场情绪或资金面指标，已归类于“量化模型与构建方式”部分。） 因子的回测效果 （注：本篇报告未提供任何因子的IC、IR、多空收益、分组测试等回测效果数据。）

量化模型与因子总结 根据所提供的融资融券周报内容，报告主要描述了市场两融数据的统计与排名情况，并未涉及传统意义上的量化预测模型（如多因子选股模型、风险模型）或用于预测收益的量化因子的构建与回测。报告内容聚焦于对融资融券业务数据的描述性统计和横向比较。 因此，报告中涉及的“模型”或“因子”更准确地说是用于观察市场情绪和资金动向的**统计指标**。以下是这些指标的总结： 量化指标与构建方式 1. **指标名称**：融资净买入额[2][29] * **构建思路**：衡量特定时间段内（如一周）融资买入资金与偿还资金的净差额，反映投资者通过融资加杠杆的净意愿和资金流向[2]。 * **具体构建过程**：计算周期内每日融资买入额与融资偿还额的差值，并对周期内的日度差值进行求和。 $$融资净买入额_t = \sum_{i=1}^{n} (融资买入额_{t,i} - 融资偿还额_{t,i})$$ 其中，`t` 代表统计周期（如上周），`i` 代表周期内的第 `i` 个交易日，`n` 为周期内的交易日数量[2]。报告中直接使用了该计算结果。 2. **指标名称**：融券净卖出额[2][30] * **构建思路**：衡量特定时间段内融券卖出量与偿还量的净差额，反映投资者通过融券做空的净意愿[2]。 * **具体构建过程**：计算周期内每日融券卖出量与融券偿还量的差值，并对周期内的日度差值进行求和。 $$融券净卖出额_t = \sum_{i=1}^{n} (融券卖出量_{t,i} - 融券偿还量_{t,i})$$ 其中，`t` 代表统计周期，`i` 代表周期内的第 `i` 个交易日[2]。报告中直接使用了该计算结果。 3. **指标名称**：融资买入额占成交额比例[34][35] * **构建思路**：衡量融资买入交易在市场总成交中的活跃度，比例越高说明杠杆资金对交易的贡献度越大[34]。 * **具体构建过程**：用周期内的融资买入总额除以同期市场总成交金额。 $$融资买入额占成交额比例_t = \frac{融资买入总额_t}{市场总成交金额_t} \times 100\%$$ 报告中对行业和个股均计算了此指标[34][35][48]。 4. **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证券流通盘中的占比，反映整体的杠杆水平[34]。 * **具体构建过程**：用期末的融资余额除以标的证券（或行业）的流通市值。 $$融资余额占流通市值比例_t = \frac{融资余额_t}{流通市值_t} \times 100\%$$ 报告中对各行业计算了此指标[34][35]。 5. **指标名称**：融券卖出额占成交额比例[39][40] * **构建思路**：衡量融券卖出交易在市场总成交中的活跃度[39]。 * **具体构建过程**：用周期内的融券卖出总额除以同期市场总成交金额。 $$融券卖出额占成交额比例_t = \frac{融券卖出总额_t}{市场总成交金额_t} \times 100\%$$ 报告中对各行业计算了此指标[39][40]。 6. **指标名称**：融券余额占流通市值比例[39][40] * **构建思路**：衡量融券做空头寸在标的证券流通盘中的占比[39]。 * **具体构建过程**：用期末的融券余额除以标的证券（或行业）的流通市值。 $$融券余额占流通市值比例_t = \frac{融券余额_t}{流通市值_t} \times 100\%$$ 报告中对各行业计算了此指标[39][40]。 指标观察结果（截至报告期） 报告展示了截至2026年1月20日当周（1月14日-1月20日）的各项指标取值或排名，具体如下： 1. **市场整体指标**： * 沪深两市两融余额：27，003.83亿元，较上周增加265.01亿元[12] * 融资余额：26，830.44亿元，较上周增加267.64亿元[12] * 融券余额：173.39亿元，较上周减少2.63亿元[12] 2. **行业层面指标（示例）**： * **融资净买入额较多行业**：电子、电力设备、非银金融[29] * **融资净买入额较少行业**：国防军工、计算机、传媒[29] * **融券净卖出额较多行业**：电子、有色金属、机械设备[30] * **融券净卖出额较少行业**：医药生物、非银金融、国防军工[30] * **融资买入额占成交额比例较高行业**：非银金融 (13.80%)、通信 (11.51%)、电子 (11.36%)[35] * **融资买入额占成交额比例较低行业**：纺织服饰 (4.51%)、轻工制造 (4.89%)、建筑材料 (6.54%)[35] * **融资余额占流通市值比例较高行业**：计算机 (4.07%)、通信 (3.67%)、国防军工 (3.39%)[35] * **融资余额占流通市值比例较低行业**：石油石化 (0.75%)、银行 (0.81%)、煤炭 (0.89%)[35] 3. **ETF层面指标**： * **融资净买入额前五名ETF**：华夏中证电网设备主题ETF (42，229.12万元)、南方中证500ETF (29，009.06万元)、国泰中证半导体材料设备主题ETF (28，963.37万元)、富国中债7-10年政策性金融债ETF (21，463.91万元)、国泰中证全指证券公司ETF (20，317.96万元)[44][45] 4. **个股层面指标**： * **融资净买入额前五名个股**：中国平安 (230，635.55万元)、中际旭创 (222，341.42万元)、贵州茅台 (208，627.60万元)、长江电力 (196，945.53万元)、特变电工 (185，731.37万元)[47][49] * **融资买入额占成交额比例前五名个股**：江化微 (28.41%)、安联锐视 (22.84%)、西山科技 (22.13%)、光大银行 (21.95%)、唯特偶 (21.77%)[48][49] * **融券净卖出额前五名个股**：杰瑞股份 (1，866.91万元)、巨人网络 (1，766.64万元)、通富微电 (1，760.36万元)、用友网络 (1，563.37万元)、平安银行 (1，485.72万元)[50][51]

量化模型与构建方式 1. **模型名称：股指期货期现套利模型**[54] * **模型构建思路**：当股指期货的市场价格偏离其理论价格时，通过在期货和现货市场进行反向操作，持有至基差收敛以获取无风险收益[54]。 * **模型具体构建过程**：模型分为正向套利和反向套利两种策略[54]。 * **正向套利**：当期货价格被高估、现货价格被低估时，执行卖出期货合约、买入现货组合的操作[54]。其套利收益率计算公式为： $$P={\frac{(F_{\mathrm{t}}-S_{\mathrm{t}})-(S_{\mathrm{t}}+F_{\mathrm{t}}M_{\mathrm{t}})(1+r_{\mathrm{f}})^{\frac{T-t}{360}}-S_{\mathrm{t}}C s-F_{\mathrm{t}}C f)}{S_{\mathrm{t}}+F_{\mathrm{t}}M_{\mathrm{f}}}}$$ 其中，$S_t$和$F_t$分别为t时刻现货与期货的价格；$M_f$和$M_l$分别为期货与融券的保证金比率；$C_s$和$C_f$分别为现货与期货的交易费用比率；$r_f$为无风险利率；$T-t$为剩余天数[54][55]。 * **反向套利**：当期货价格被低估、现货价格被高估时，执行买入期货合约、卖出现货组合的操作[54]。其套利收益率计算公式为： $$P={\frac{(S_{t}-F_{t})-(S_{t}M l+F_{t}M_{f})(1+r_{f})^{\frac{T-t}{360}}-S_{t}C s-F_{t}C f-S_{t}r^{\frac{T-t}{l360}})}{S_{t}M l+F_{t}M_{f}}}$$ 其中，$r_l$为融券年利率[54][55]。 * **模型评价**：该模型是经典的套利模型，其有效性依赖于期货价格在到期日与现货价格收敛的理论前提[54]。实际操作中需考虑交易成本、保证金、分红等因素，并面临基差不收敛、流动性等多种风险[54][56]。 2. **模型名称：大语言模型（LLM）卖方观点汇总模型**[49] * **模型构建思路**：利用大语言模型（如ChatGPT、Kimi）自动化处理大量卖方策略报告，提取并汇总市场及行业的共识与分歧观点，为投资者提供参考[49]。 * **模型具体构建过程**：通过构建多套提示词（Prompt），让大语言模型完成从含观点研报的筛选、市场与行业观点的原文信息提取，到最终观点汇总的全流程[49]。具体步骤包括： 1. 输入近期发布的卖方策略报告。 2. 使用特定提示词引导大模型识别并提取报告中的市场观点和行业观点原文。 3. 使用另一套提示词引导大模型对提取出的观点进行分类、归并和统计，形成共识列表和分歧列表[49][51]。 * **模型评价**：该方法大幅提升了处理非结构化文本信息的效率，能够快速梳理市场情绪和关注焦点[49]。但其输出结果存在一定的随机性和准确性风险，且可能随提示词的变化而发生变化[62]。 3. **模型名称：指数成分股分红预测模型**[57] * **模型构建思路**：基于上市公司分红计划的历史延续性，通过历史分红规律来预测未来分红对指数点位的影响，以修正股指期货的基差率[57][58]。 * **模型具体构建过程**：预测分为两个核心部分：每股收益（EPS）的取值和预测派息率的确定[58][59]。 * **EPS取值方法**：根据预测时点不同动态调整。 * 若当前时间（t）小于10月，预测本年度剩余分红，EPS取公司上一年度的年报EPS；若年报未披露，则取上一年度12月31日的EPS_TTM[58]。 * 若当前时间（t）大于10月，预测下一年度分红，EPS取当前时点（t）的EPS_TTM[58]。 * **预测派息率取值方法**：根据公司类型分类处理。 * 对于过去三年稳定派息的公司，取过去三年派息率的均值。 * 对于不稳定派息但持续盈利的公司，取上一年度的派息率。 * 对于过去一年未盈利、处于资产重组、上市不足一年等情况的公 司，若无分红预告，则预测派息率为0[59]。 * **分红点位计算**：综合以上预测，计算每个合约期内分红对指数点位的具体影响，公式为： 分红点位 $= \sum (EPS * 预测派息率 * \frac{指数收盘价}{成分股收盘价} * 成分股权重)$[60] * **模型评价**：该模型通过系统化的规则处理大量成分股的分红预测，有助于更准确地评估股指期货的真实基差水平[57]。但模型依赖历史规律，可能受到公司分红政策突变、成分股调整等因素的影响[61]。 量化因子与构建方式 1. **因子名称：基差率**[11][13] * **因子构建思路**：衡量股指期货价格与其标的指数价格之间的偏离程度，是进行期现套利和判断市场情绪的重要指标[11]。 * **因子具体构建过程**：基差率 = (期货合约价格 - 标的指数价格) / 标的指数价格[13][16]。报告中分别计算了主力合约基差率和年化基差率[16][18]。 2. **因子名称：主力合约分红调整基差率**[17] * **因子构建思路**：在普通基差率的基础上，剔除未来预期分红对指数点位的下拉影响，从而反映更真实的期现价格关系[57]。 * **因子具体构建过程**：使用前述“分红预测模型”计算出未来一年的预期分红点数，在计算基差率时，将标的指数价格加上该分红点数进行调整，然后重新计算基差率[17][57]。公式可理解为：调整后基差率 = (期货价格 - (指数价格 + 预期分红点数)) / 指数价格。 3. **因子名称：跨期价差率**[12][34] * **因子构建思路**：衡量同一标的、不同到期月份期货合约之间的价格差异，可用于判断市场期限结构和寻找跨期套利机会[12]。 * **因子具体构建过程**：跨期价差率 = (近期合约价格 - 远期合约价格) / 近期合约价格[13][34]。报告中主要计算了当月合约与下月合约的价差率，并统计了其在历史数据中的分位数位置[12][34]。 4. **因子名称：20日基差率均值**[17] * **因子构建思路**：计算基差率在短期窗口内的移动平均值，用于平滑日度波动，观察基差水平的趋势性变化。 * **因子具体构建过程**：取过去20个交易日的基差率数据，计算其算术平均值。 模型的回测效果 （报告未提供具体的模型回测绩效指标，如年化收益率、夏普比率、最大回撤等。） 因子的回测效果 （报告未提供因子在选股或多空组合上的具体测试结果，如IC值、IR、多空收益等。报告仅展示了因子在特定时点的截面取值或时间序列值。） 1. **基差率因子**：截至报告期上周五，IF、IC、IM、IH主力合约的基差率分别为-0.183%、-0.271%、-0.650%、0.151%[11][17]。 2. **主力合约分红调整基差率因子**：截至报告期上周五，IF、IC、IM、IH的主力合约分红调整基差率分别为0.445%、0.383%、-0.044%、0.669%[17]。 3. **20日基差率均值因子**：截至报告期上周，IF、IC、IM、IH的20日基差率均值分别为-0.476%、-0.844%、-1.557%、0.018%[17]。 4. **跨期价差率因子**：截至报告期上周五，IF、IC、IM、IH的跨期价差率分别处在2019年以来历史分位数的54.00%、9.70%、8.00%、41.50%[12][17]。

量化模型与构建方式 本报告为市场数据跟踪报告，未涉及具体的量化预测或选股模型，但详细构建并计算了多个用于评估市场状态和宽基指数投资价值的量化因子。 1. **因子名称：连阴连阳天数**[11] * **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，来跟踪市场的短期趋势强度和持续性[11]。 * **因子具体构建过程**：从指定起始日开始，逐日判断指数收盘价涨跌。若当日收益率为正，则连阳计数加1，连阴计数清零；若为负，则连阴计数加1（以负数表示），连阳计数清零；若为平盘，则计数清零。最终输出一个带符号的整数，正数表示连阳天数，负数表示连阴天数[11]。 2. **因子名称：指数与均线比较**[14][15] * **因子构建思路**：通过计算指数收盘价相对于不同周期移动平均线（MA）的偏离百分比，来判断指数短期、中期和长期的趋势位置及支撑压力情况[14]。 * **因子具体构建过程**：首先，计算指数收盘价的5日、10日、20日、60日、120日和250日简单移动平均线。然后，计算当日收盘价相对于各均线的偏离百分比。公式为： $$偏离百分比 = \frac{收盘价 - 移动平均线}{移动平均线} \times 100\%$$ 例如，`vsMA5` 即为收盘价相对于5日均线的偏离百分比[15]。 3. **因子名称：指数换手率**[17][18] * **因子构建思路**：衡量指数成分股整体的交易活跃度，反映市场资金关注度和流动性状况[17]。 * **因子具体构建过程**：采用流通股本加权平均的方式计算指数整体换手率。公式为： $$指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$$ 其中，成分股换手率为该股票当日成交量与其流通股本之比[18]。 4. **因子名称：日收益率分布形态（峰度与偏度）**[24][25] * **因子构建思路**：通过计算指数日收益率分布的峰度和偏度，分析收益率分布的集中程度和对称性，以评估市场收益的极端风险和分布特征变化[24]。 * **因子具体构建过程**：首先，选取特定时间窗口（如近一年）的指数日收益率序列。然后，计算该序列的峰度（Kurtosis）和偏度（Skewness）。报告中采用的峰度为超额峰度，即在计算值基础上减去正态分布的峰度3。偏度大于0表示正偏（右偏），极端正收益更多；小于0表示负偏（左偏），极端负收益更多[25]。 5. **因子名称：风险溢价**[27][31] * **因子构建思路**：以十年期国债即期收益率作为无风险利率的参考，计算股票指数收益率与其之差，衡量股票市场相对于无风险资产的超额回报和投资价值[27]。 * **因子具体构建过程**：风险溢价通常定义为股票指数的预期收益率减去无风险利率。在报告的跟踪计算中，采用了指数的市盈率倒数（E/P）作为预期收益率的简化替代。具体公式为： $$风险溢价 = \frac{1}{PE_{TTM}} - R_f$$ 其中，$PE_{TTM}$ 为指数滚动市盈率，$R_f$ 为十年期国债即期收益率。报告同时计算了该风险溢价在近1年、近5年时间窗口内的历史分位值、均值及波动率[31]。 6. **因子名称：PE-TTM分位值**[39][42][43] * **因子构建思路**：将指数当前的滚动市盈率（PE-TTM）置于其历史数据中，计算其所处的百分位位置，以判断当前估值在历史上的相对高低水平[39]。 * **因子具体构建过程**：首先，获取指数在指定历史窗口（如近5年）内每个交易日的PE-TTM数据序列。然后，将当前PE-TTM值与该历史序列进行比较，计算其百分位排名。公式可表示为： $$分位值 = \frac{历史序列中小于等于当前值的样本数}{历史序列总样本数} \times 100\%$$ 报告分别计算了近1年和近5年两个时间窗口的历史分位值[42][43]。 7. **因子名称：股债性价比**[46] * **因子构建思路**：通过比较股票市场收益率（以PE倒数代表）与债券市场收益率（十年期国债利率）的差值，来判断股票和债券两类资产的相对吸引力[46]。 * **因子具体构建过程**：该因子是“风险溢价”因子的另一种表述和应用。构建过程与风险溢价相同，即计算 $\frac{1}{PE_{TTM}} - R_f$。报告通过绘制该值的走势图，并叠加其历史分位值（如80%分位为机会值，20%分位为危险值）和均值±1倍标准差区间，进行历史对比分析[46]。 8. **因子名称：股息率历史分位值**[48][53] * **因子构建思路**：将指数当前的股息率置于其历史数据中，计算其所处的百分位位置，以评估当前分红回报率在历史上的相对水平，辅助判断红利风格的投资价值[48]。 * **因子具体构建过程**：与PE-TTM分位值计算方法类似。获取指数在指定历史窗口（近1年、近5年）内每个交易日的股息率数据序列，计算当前股息率在该序列中的百分位排名[53]。 9. **因子名称：破净率**[54][57] * **因子构建思路**：计算指数成分股中市净率（PB）小于1的股票数量占比，反映市场整体估值水平是否处于极端低估状态，以及市场的悲观或乐观情绪[54]。 * **因子具体构建过程**：首先，判断指数中每只成分股是否“破净”，即其市净率是否小于1。然后，统计破净的个股数量，并计算其占指数总成分股数量的比例。公式为： $$破净率 = \frac{破净个股数}{指数总成分股数} \times 100\%$$ 报告跟踪了各宽基指数的破净率及其变化趋势[57]。 因子的回测效果 本报告未对上述因子进行预测能力（如选股阿尔法）的回测，但给出了各因子在特定时点（2026年1月20日）对于不同宽基指数的具体计算结果，可作为因子取值的横截面展示。 1. **连阴连阳天数因子**：上证50为-3日，创业板指为-3日，中证500为3日，中证2000为3日，其余指数该日未形成连阴或连阳[11]。 2. **指数与均线比较因子**：以`vsMA5`为例，上证50为-0.6%，沪深300为-0.4%，中证500为0.1%，中证1000为-0.6%，中证2000为-0.3%，中证全指为-0.3%，创业板指为-1.8%[15]。 3. **指数换手率因子**：中证2000为4.83%，创业板指为3.57%，中证1000为3.39%，中证500为2.59%，中证全指为2.25%，沪深300为0.86%，上证50为0.36%[17]。 4. **日收益率分布形态因子**：以“当前vs.近5年”峰度变化为例，创业板指为-2.68，中证2000为-2.28，中证全指为-2.01，中证1000为-1.93，沪深300为-1.88，上证50为-1.76，中证500为-1.58[25]。以“当前vs.近5年”偏度变化为例，创业板指为-0.65，中证2000为-0.56，中证1000为-0.53，中证全指为-0.52，上证50为-0.49，沪深300为-0.46，中证500为-0.42[25]。 5. **风险溢价因子**：当前值，上证50为-0.18%，沪深300为-0.34%，中证500为-0.49%，中证1000为-1.01%，中证2000为-1.00%，中证全指为-0.60%，创业板指为-1.79%[31]。近5年分位值，上证50为43.17%，沪深300为36.98%，中证500为29.76%，中证1000为19.84%，中证2000为20.56%，中证全指为24.60%，创业板指为11.43%[31]。 6. **PE-TTM分位值因子**：近5年历史分位值，中证500为99.83%，中证1000为99.59%，中证全指为99.50%，沪深300为88.43%，上证50为83.14%，创业板指为61.74%，中证2000为91.57%[43]。 7. **股债性价比因子**：所有指数当前值均未高于其近5年80%分位（机会值）；中证500和中证全指低于其近5年20%分位（危险值）[46]。 8. **股息率历史分位值因子**：近5年历史分位值，创业板指为58.51%，沪深300为37.27%，上证50为32.89%，中证全指为27.60%，中证1000为24.38%，中证500为5.95%，中证2000为2.40%[53]。 9. **破净率因子**：上证50为24.0%，沪深300为16.33%，中证500为10.2%，中证1000为6.9%，中证全指为5.42%，中证2000为2.55%[57]。

量化模型与构建方式 1. **模型名称**：封板率与连板率计算模型[17] **模型构建思路**：通过统计股票涨停的持续性来刻画市场短线炒作情绪和赚钱效应[17] **模型具体构建过程**： * **封板率**：计算最高价涨停且收盘也涨停的股票数量占所有最高价涨停股票数量的比例[17] $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ * **连板率**：计算连续两个交易日收盘均涨停的股票数量占前一个交易日收盘涨停股票数量的比例[17] $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 2. **模型名称**：大宗交易折价率计算模型[26] **模型构建思路**：通过计算大宗交易成交价与市价的偏离程度，反映大资金的交易情绪和偏好[26] **模型具体构建过程**：计算大宗交易总成交金额与按当日市价计算的成交份额总市值的比值减1[26] $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 3. **模型名称**：股指期货年化升贴水率计算模型[28] **模型构建思路**：通过计算股指期货价格与现货指数价格的年化基差，反映市场对未来预期、对冲成本及情绪[28] **模型具体构建过程**：计算基差（期货价格-现货价格）占现货价格的比例，再年化处理（乘以250除以合约剩余交易日数）[28] $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 量化因子与构建方式 1. **因子名称**：昨日涨跌停股票今日收益因子[14] **因子构建思路**：追踪昨日涨停或跌停股票在次日的表现，用于观察涨停/跌停股的动量或反转效应[14] **因子具体构建过程**：分别计算上市满3个月以上、且昨日收盘涨停（或跌停）的股票组合在今日的收盘收益率[14] 2. **因子名称**：两融交易活跃度因子[22] **因子构建思路**：通过融资融券余额及交易额占市场总量的比重，来度量杠杆资金的参与程度和市场活跃度[22] **因子具体构建过程**： * 计算两融余额占A股总流通市值的比重[22] * 计算两融交易额（融资买入额+融券卖出额）占市场总成交额的比例[22] 3. **因子名称**：ETF折溢价因子[23] **因子构建思路**：利用ETF场内交易价格与场外净值（IOPV）的差异，捕捉投资者的短期情绪或套利机会[23] **因子具体构建过程**：筛选日成交额超过100万元的境内股票型ETF，计算其（交易价格 / IOPV - 1）作为折溢价率[23] 4. **因子名称**：机构调研热度因子[30] **因子构建思路**：通过统计近期调研上市公司的机构数量，反映机构投资者对特定公司的关注度[30] **因子具体构建过程**：统计近7天内对上市公司进行调研或举行分析师会议的机构数量[30] 5. **因子名称**：龙虎榜机构资金流向因子[36] **因子构建思路**：通过龙虎榜披露的机构专用席位买卖数据，追踪机构资金对当日异动个股的净流入流出情况[36] **因子具体构建过程**：根据交易所公布的龙虎榜数据，汇总机构专用席位在每个上榜股票上的买入总额与卖出总额，计算净流入（买入-卖出）金额[36] 6. **因子名称**：龙虎榜陆股通资金流向因子[37] **因子构建思路**：通过龙虎榜披露的陆股通席位买卖数据，追踪北向资金对当日异动个股的净流入流出情况[37] **因子具体构建过程**：根据交易所公布的龙虎榜数据，汇总陆股通席位在每个上榜股票上的买入总额与卖出总额，计算净流入（买入-卖出）金额[37] 模型的回测效果 1. **封板率与连板率计算模型**，2026年1月20日封板率69%[17]，连板率15%[17] 2. **大宗交易折价率计算模型**，近半年平均折价率6.76%[26]，2026年1月19日折价率7.55%[26] 3. **股指期货年化升贴水率计算模型**，近一年中位数：上证50为0.70%[28]，沪深300为3.79%[28]，中证500为11.11%[28]，中证1000为13.61%[28]；2026年1月20日值：上证50年化升水率1.05%[28]，沪深300年化贴水率1.47%[28]，中证500年化升水率0.08%[28]，中证1000年化贴水率5.12%[28] 因子的回测效果 1. **昨日涨跌停股票今日收益因子**，2026年1月20日，昨日涨停股票今日收盘收益2.36%[14]，昨日跌停股票今日收盘收益-5.22%[14] 2. **两融交易活跃度因子**，截至2026年1月19日，两融余额占流通市值比重2.6%[22]，两融交易占市场成交额比重9.8%[22] 3. **ETF折溢价因子**，2026年1月19日，溢价较多：中证2000ETF基金溢价1.50%[23]；折价较多：游戏传媒ETF浦银折价1.59%[23] 4. **机构调研热度因子**，近一周内，帝科股份被97家机构调研[30] 5. **龙虎榜机构资金流向因子**，2026年1月20日，机构专用席位净流入前十股票包括湖南白银、通宇通讯等[36]；净流出前十股票包括三维通信、红相股份等[36] 6. **龙虎榜陆股通资金流向因子**，2026年1月20日，陆股通净流入前十股票包括通宇通讯、天通股份等[37]；净流出前十股票包括保变电气、康强电子等[37]

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，并筛选出大单，计算其中大买单的成交金额占当日总成交金额的比例。[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、叫卖序号、成交价格、成交量等信息。[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买方发起的买单和卖方发起的卖单数据。[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，筛选出成交量达到“大单”标准的交易。[7] 4. 计算指标：对于筛选出的大单，区分买单和卖单。计算所有大买单的成交金额之和，再除以该股票当日的总成交金额，得到大买单成交金额占比。[7] * 公式：$$大买单成交金额占比 = \frac{\sum (大买单成交价格 \times 大买单成交量)}{当日总成交金额} \times 100\%$$ 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，计算两者金额的净差额占当日总成交金额的比例。[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、成交价格、成交量等信息。[7] 2. 界定主动买卖：根据逐笔成交数据中的买卖标志（例如，B代表主动性买单，S代表主动性卖单），界定每笔成交属于主动买入还是主动卖出。[7] 3. 计算净额：将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. 计算占比：将净主动买入金额除以该股票当日的总成交金额，得到净主动买入金额占比。[7] * 公式：$$净主动买入金额占比 = \frac{\sum (主动买入成交金额) - \sum (主动卖出成交金额)}{当日总成交金额} \times 100\%$$ 因子的回测效果 1. **大买单成交金额占比因子**，近5日（20260112-20260116）均值排名前5的个股指标值：惠博普 92.6%[9]、美年健康 89.6%[9]、志特新材 89.2%[9]、津滨发展 88.4%[9]、江南高纤 87.7%[9] 2. **净主动买入金额占比因子**，近5日（20260112-20260116）均值排名前5的个股指标值：杭萧钢构 16.7%[10]、纬德信息 15.4%[10]、中科微至 15.0%[10]、新风光 13.8%[10]、联合水务 13.3%[10] 3. **大买单成交金额占比因子**，近5日（20260112-20260116）主要宽基指数指标值：上证指数 73.8%[12]、上证50 70.6%[12]、沪深300 73.1%[12]、中证500 73.0%[12]、创业板指 71.6%[12] 4. **净主动买入金额占比因子**，近5日（20260112-20260116）主要宽基指数指标值：上证指数 -5.8%[12]、上证50 -12.9%[12]、沪深300 -8.8%[12]、中证500 -3.4%[12]、创业板指 -4.4%[12] 5. **大买单成交金额占比因子**，近5日（20260112-20260116）排名前5的中信一级行业指标值：房地产 79.8%[13]、煤炭 78.5%[13]、钢铁 78.2%[13]、建筑 77.9%[13]、综合 77.8%[13] 6. **净主动买入金额占比因子**，近5日（20260112-20260116）排名前5的中信一级行业指标值：电子 2.2%[13]、汽车 0.9%[13]、家电 0.1%[13]、机械 -1.0%[13]、电力设备及新能源 -3.1%[13] 7. **大买单成交金额占比因子**，近5日（20260112-20260116）均值排名前5的ETF指标值：华泰柏瑞中证A500ETF 92.9%[15]、易方达中证A500ETF 91.6%[15]、国泰中证A500ETF 91.5%[15]、华泰柏瑞沪深300ETF 91.0%[15]、易方达沪深300ETF 91.0%[15] 8. **净主动买入金额占比因子**，近5日（20260112-20260116）均值排名前5的ETF指标值：东财上证科创板50成份ETF 23.4%[16]、海富通上证城投债ETF 20.9%[16]、国泰上证10年期国债ETF 15.6%[16]、富国创业板人工智能ETF 14.3%[16]、嘉实中证稀土产业ETF 14.1%[16]

量化模型与构建方式 1. 哑铃型配置策略 (Barbell Strategy) * **模型构建思路**：一种资产配置策略，旨在通过同时配置风格迥异的资产来平衡组合的风险与收益。具体为：一端配置具备高景气与高弹性的科技成长资产以捕捉上行机会，另一端配置以红利与自由现金流为核心的稳健资产作为组合的“压舱石”，从而在把握结构性机会的同时提升组合整体的稳健性[22]。 * **模型具体构建过程**：该策略本身是一个配置框架，其具体实现依赖于下文的三个细分选股策略（自由现金流策略、红利策略、成长策略）来构建组合的两端。报告指出，这三个细分策略之间的相关性较低（现金流策略与成长策略超额收益相关系数为0.19，红利策略与成长策略为0.02，现金流策略与红利策略为0.39），符合哑铃策略对资产低相关性的要求[45]。 2. 基于自由现金流的主动量化选股策略 * **因子/策略构建思路**：以自由现金流为核心，筛选现金流质量高的公司作为基础股票池，并在此基础上引入估值、质量、红利与动量四个维度进行增强，旨在挖掘具备持续分红能力和内在价值的“廉价”优质公司[27][29]。 * **因子/策略具体构建过程**： 1. **样本空间处理**：剔除上市不足一年的新股、ST/*ST股票、过去三个月存在风险警示的股票，以及综合金融、银行、非银金融、房地产行业的股票[29]。 2. **现金流及盈利质量初筛**： * 保留自由现金流为正、企业价值为正且过去五年经营活动现金流净额均为正的股票[29]。 * 剔除盈利质量位于样本空间后20%的个股。盈利质量计算公式为： $$盈利质量 = \frac{经营活动产生的现金流量净额_{TTM} - 营业利润_{TTM}}{总资产}$$[29] 3. **自由现金流精选**：从估值、质量和增长三个维度构建自由现金流因子：FCFF/EV (TTM)、FCFF/EBITDA (TTM) 及 FCFF (TTM)增长率。对这三个因子进行市值行业中性化处理后，等权加总形成综合自由现金流因子，筛选得分前50%的个股形成基础股票池[29]。 4. **四维度增强**：在基础股票池中，进一步引入估值、质量（ROE及ROE稳定性）、红利和动量四类因子进行筛选，最终形成投资组合[29]。 3. 高分红精选组合选股策略 * **因子/策略构建思路**：以股息率作为核心选股指标，通过多步骤筛选避免陷入“股利波动陷阱”和“低估值陷阱”，构建具备持续高分红能力且基本面稳健的投资组合[33][35]。 * **因子/策略具体构建过程**： 1. **构建高股息基础股票池**：在每个中信一级行业中，由高到低选出股息率排名前20%的公司[35]。 2. **避免股利波动陷阱**：从基础股票池中，选出过去三年股息率平均值大于2%，且股息率标准差小于2%的公司[35]。 3. **避免低估值陷阱**： * 选取当前单季度ROE大于等于去年同期单季度ROE的公司[35]。 * 选取分析师一致预期未来复合增长率大于0的公司[35]。 4. **构建最终组合**：在剩余股票池中，按照股息率从高到低选取排名前30的公司构成最终组合[35]。 4. 技术面精选成长预期组合 * **因子/策略构建思路**：分两步构建成长组合。首先基于公司当前成长性指标筛选出未来具备高增长潜力的股票池（成长预期组合），然后在此基础上引入量价技术因子进行二次精选，以提升组合的股价表现[39][41]。 * **因子/策略具体构建过程**： 1. **成长预期组合构建**： * **净利润增长基础股票池**：选出最新单季度净利润同比增长的公司[41]。 * **盈利质量与上行优选**：剔除单季度ROE后20%的公司，再优选单季度ROE斜率前50%的公司[41]。 * **形成成长预期组合**：根据SUE（未预期盈余）指标选出排名前30%的公司，形成成长预期组合[41]。 2. **技术面精选**： * **利好确认**：根据盈余公告次日的超额收益，选出最高的前100只股票[41]。 * **技术面筛选**：根据换手率均线标准差指标，选出前30只股票构成最终的技术面精选成长预期策略组合[41]。 5. 期权备兑策略 (Covered Call / Buy-Write) * **模型构建思路**：一类以获取稳定现金流为核心目标的投资策略。通过持有标的资产（如ETF）现货多头的同时，卖出相应的看涨期权，收取权利金来增厚组合收益，平滑净值曲线，但会牺牲标的资产大幅上涨的潜在收益[63][65]。 * **模型具体构建过程**： 1. 建立标的资产（如沪深300ETF）的现货多头仓位[63]。 2. 针对持有的现货头寸，卖出相应数量的近月看涨期权（通常选择平值或轻度虚值期权）[65]。 3. 策略最大收益为：$$看涨期权行权价 − 标的资产买入价格 + 所收取的期权权利金$$[63] 4. 策略最大亏损为：$$标的资产买入价格 − 所收取的期权权利金$$[63] 5. 期权到期后，进行展期操作，即平仓旧期权并卖出新的看涨期权，以持续获取权利金收入[65]。 6. 策略单期收益可分解为：$$R_{t, t+1} = \underbrace{\Delta S_{t, t+1}}_{现货涨跌} + \underbrace{D_{t, t+1}}_{股息} + \underbrace{P_{t}}_{权利金} + \underbrace{G_{t, t+1}}_{期权被执行损益}$$[65] 模型的回测效果 1. 基于自由现金流的主动量化选股策略 * 全样本期（2014年以来）年化收益：32.28%[30][32] * 全样本期相对中证500年化超额收益：26.68%[30][32] * 全样本期信息比率 (IR)：2.42[30][32] * 全样本期月度胜率：74.31%[32] 2. 高分红精选组合选股策略 * 全样本期（2014年以来）年化收益：25.32%[38] * 全样本期相对中证红利年化超额收益：16.42%[37][38] * 全样本期信息比率 (IR)：2.42[38] * 全样本期月度胜率：74.31%[38] 3. 技术面精选成长预期组合 * 全样本期（2012年以来）年化收益：40.00%[42][44] * 全样本期相对中证500年化超额收益：32.13%[42][44] * 全样本期信息比率 (IR)：2.91[42][44] * 全样本期月度胜率：80.36%[44] 量化因子与构建方式 1. 自由现金流因子 * **因子构建思路**：从估值、质量和增长三个维度综合评估公司的自由现金流状况，旨在识别出自由现金流充沛、质量高且具备增长潜力的公司[29]。 * **因子具体构建过程**：构建三个子因子：FCFF/EV (TTM)（估值维度）、FCFF/EBITDA (TTM)（质量维度）、FCFF (TTM)增长率（增长维度）。对这三个子因子分别进行市值和行业中性化处理，然后采用等权加总的方式融合形成综合自由现金流因子[29]。 2. 盈利质量因子 * **因子构建思路**：用于衡量公司盈利的“含金量”，识别利润中现金收入占比高、受盈余管理影响小的公司[29]。 * **因子具体构建过程**：计算公式为： $$盈利质量 = \frac{经营活动产生的现金流量净额_{TTM} - 营业利润_{TTM}}{总资产}$$[29] 该因子值越高，表明公司盈利质量越好。 3. 股息率因子 * **因子构建思路**：作为红利策略的核心选股指标，直接衡量公司的现金分红回报水平[33][35]。 * **因子具体构建过程**：使用常规的股息率计算方法，即每股股息除以每股股价。在构建策略时，进一步使用了过去三年股息率平均值和标准差来筛选分红稳定的公司[35]。 4. 成长预期因子 (SUE) * **因子构建思路**：通过未预期盈余来捕捉公司的成长惊喜，市场对正面盈余意外的公司通常会给予积极反应[41]。 * **因子具体构建过程**：报告中使用SUE指标来筛选成长预期组合，具体为在盈利质量筛选后的股票池中，选出SUE排名前30%的公司[41]。

量化模型与构建方式 1. **模型名称：利率市场结构指标（水平、期限、凸性结构）**[1][7] * **模型构建思路**：将1至10年期国债的到期收益率（YTM）数据，通过数学变换分解为三个独立的成分，分别代表利率的绝对水平、期限利差和凸性结构，用以从均值回归视角评估市场状态[1][7]。 * **模型具体构建过程**：报告未提供具体的数学变换公式，但描述了构建结果。将1-10年期国债YTM序列转化为三个指标： 1. **水平结构**：代表利率的绝对水平，当前读数约为1.6%[7]。 2. **期限结构**：代表长短期利率之差（期限利差），当前读数约为0.6%[7]。 3. **凸性结构**：代表收益率曲线弯曲程度（凸性），当前读数约为0.14%[7]。 随后，计算各指标在滚动历史窗口（3年、5年、10年）内的分位数，以判断其相对位置[7]。 2. **模型名称：利率价量多周期择时模型**[2][6][11] * **模型构建思路**：采用核回归算法识别利率（国债YTM）历史走势的形态，刻画支撑线和阻力线，并根据长、中、短三种不同投资周期下价格对支撑/阻力线的突破情况，进行多周期信号综合，生成最终的择时观点（看多/看空）[11]。 * **模型具体构建过程**： 1. **趋势形态识别**：使用核回归算法对利率时间序列进行平滑，拟合出趋势线，并据此确定支撑线和阻力线。具体算法细节引用自前期报告《形态识别算法在利率择时中的应用》[11]。 2. **多周期信号生成**：在长周期（平均切换频率为月度）、中周期（双周度）和短周期（周度）三个时间维度上，分别判断当前利率是否向上突破阻力线或向下突破支撑线[11][21]。 3. **信号综合评分**：统计三个周期中“下行突破”和“上行突破”的票数。若同向突破（同为下行或同为上行）的总票数达到或超过2票（即2/3），则生成相应的看多（下行突破≥2票）或看空（上行突破≥2票）信号[6][11][17]。 3. **模型名称：利率价量多周期交易策略**[4][24][25][28][33] * **模型构建思路**：以上述多周期择时模型产生的信号为基础，通过在不同久期债券组合（短、中、长久期）之间进行轮动配置，构建主动交易策略，旨在获取超越等权配置基准的超额收益[24]。 * **模型具体构建过程**： 1. **投资标的**：根据策略久期偏好选择不同的债券指数： * 短久期：综合债1-3 (CBA00121) * 中久期：综合债3-5 (CBA00131) * 长久期：根据择时信号来源分别对应：5年期模型用综合债5-7 (CBA00141)，10年期模型用综合债7-10 (CBA00151)，30年期模型用综合债10以上 (CBA00161)[24]。 2. **交易信号与仓位配置规则**： * 当**看多信号**（利率向下突破）出现时： * 若利率趋势非向上，则满配**长久期**债券[24]。 * 若利率趋势向上，则配置 **1/2中久期 + 1/2长久期**[24]。 * 当**看空信号**（利率向上突破）出现时： * 若利率趋势非向下，则满配**短久期**债券[29]。 * 若利率趋势向下，则配置 **1/2中久期 + 1/2短久期**[29]。 * 其余时间（无明确信号），则进行**等权配置**：1/3短久期 + 1/3中久期 + 1/3长久期[29]。 3. **业绩基准**：久期等权策略，即始终持有1/3短久期+1/3中久期+1/3长久期[29]。 4. **止损规则**：当单日组合超额收益（相对于业绩基准）小于-0.5%时，立即将持仓调整为等权配置[29]。 模型的回测效果 1. **基于5年期国债YTM的多周期交易策略** * **长期表现（2007年12月31日以来）**：年化收益率5.46%，最大回撤2.88%，收益回撤比1.9，相对业绩基准的年化超额收益率1.06%，超额收益回撤比0.61，逐年绝对收益胜率100%，逐年超额收益胜率100%[25][37]。 * **短期表现（2024年底以来）**：年化收益率2.09%，最大回撤0.59%，收益回撤比3.55，相对业绩基准的超额收益率0.64%，超额收益回撤比2.14[4][25]。 2. **基于10年期国债YTM的多周期交易策略** * **长期表现（2007年12月31日以来）**：年化收益率6.03%，最大回撤2.74%，收益回撤比2.2，相对业绩基准的年化超额收益率1.63%，超额收益回撤比1.15，逐年绝对收益胜率100%，逐年超额收益胜率100%[28][37]。 * **短期表现（2024年底以来）**：年化收益率2.34%，最大回撤0.58%，收益回撤比4.05，相对业绩基准的超额收益率1.06%，超额收益回撤比3.07[4][28]。 3. **基于30年期国债YTM的多周期交易策略** * **长期表现（2007年12月31日以来）**：年化收益率7.28%，最大回撤4.27%，收益回撤比1.7，相对业绩基准的年化超额收益率2.39%，超额收益回撤比0.86，逐年绝对收益胜率94.44%，逐年超额收益胜率94.44%[33][37]。 * **短期表现（2024年底以来）**：年化收益率2.47%，最大回撤0.92%，收益回撤比2.7，相对业绩基准的超额收益率2.16%，超额收益回撤比2.55[4][33]。 量化因子与构建方式 （报告未涉及独立的量化因子构建，所有分析均基于上述模型展开。） 因子的回测效果 （报告未涉及独立的量化因子测试。）