量化模型与因子总结 量化因子与构建方式 1. **因子名称：日内高频偏度因子** **因子构建思路：** 捕捉股票日内收益分布的非对称性特征[15] **因子具体构建过程：** 报告未提供详细计算公式，构建方式请参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[15] 2. **因子名称：日内下行波动占比因子** **因子构建思路：** 分解已实现波动，衡量下行波动在总波动中的占比[20] **因子具体构建过程：** 报告未提供详细计算公式，构建方式请参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[20] 3. **因子名称：开盘后买入意愿占比因子** **因子构建思路：** 基于高频数据低频化应用，衡量开盘后一段时间内的买入意愿相对强度[23] **因子具体构建过程：** 报告未提供详细计算公式，构建方式请参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[23] 4. **因子名称：开盘后买入意愿强度因子** **因子构建思路：** 基于高频数据低频化应用，衡量开盘后一段时间内买入意愿的绝对强度[28] **因子具体构建过程：** 报告未提供详细计算公式，构建方式请参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[28] 5. **因子名称：开盘后大单净买入占比因子** **因子构建思路：** 衡量开盘后大单净买入金额在总成交中的占比[35] 6. **因子名称：开盘后大单净买入强度因子** **因子构建思路：** 衡量开盘后大单净买入的绝对强度[40] 7. **因子名称：改进反转因子** **因子构建思路：** 对传统反转因子进行改进[44] 8. **因子名称：尾盘成交占比因子** **因子构建思路：** 衡量尾盘阶段成交额在日总成交额中的占比[48] 9. **因子名称：平均单笔流出金额占比因子** **因子构建思路：** 衡量平均单笔流出金额在总成交中的占比[54] 10. **因子名称：大单推动涨幅因子** **因子构建思路：** 衡量由大单交易推动的股价上涨幅度[57] 11. **因子名称：深度学习高频因子（改进 GRU(50,2)+NN(10)）** **因子构建思路：** 使用改进的GRU神经网络与全连接网络结合，从高频数据中提取选股信号[62] 12. **因子名称：深度学习高频因子（残差注意力 LSTM(48,2)+NN(10)）** **因子构建思路：** 使用带有残差注意力机制的LSTM神经网络与全连接网络结合，从高频数据中提取选股信号[63] 13. **因子名称：多颗粒度模型-5日标签因子** **因子构建思路：** 基于双向A-GRU深度学习模型训练，使用5日收益作为预测标签[66] **因子具体构建过程：** 因子基于双向A-GRU训练得到[66] 14. **因子名称：多颗粒度模型-10日标签因子** **因子构建思路：** 基于双向A-GRU深度学习模型训练，使用10日收益作为预测标签[68] **因子具体构建过程：** 因子基于双向A-GRU训练得到[68] 量化模型与构建方式 1. **模型名称：AI指数增强组合模型** **模型构建思路：** 基于深度学习因子构建指数增强组合，通过优化模型在控制跟踪误差和各项约束的条件下最大化预期收益[70] **模型具体构建过程：** * **核心因子：** 使用复合深度学习因子作为预期收益（α）来源，该复合因子由“多颗粒度模型-10日标签”和“多颗粒度模型-5日标签”等权合成[70]。 公式为：复合因子 = 多颗粒度模型-10日标签 * 0.5 + 多颗粒度模型-5日标签 * 0.5[70]。 * **优化目标：** 最大化投资组合的预期收益[74]。 目标函数为：$$max\sum\mu_{i}w_{i}$$[74] 其中，$$w_i$$为股票i的权重，$$\mu_i$$为股票i的预期超额收益（由复合因子转化而来）[74]。 * **约束条件：** 针对不同组合（空气指增、中证500/1000宽/严约束）设置不同的风险控制模块，包括个股权重上限、行业偏离、风格因子（市值、PB、ROE等）暴露控制、成分股权重下限以及换手率约束等[71][74]。 * **实践参数：** 测算中假定以次日均价成交，并扣除双边3‰的交易成本[75]。 因子的回测效果 （数据来源：表2[11][13]，指标为2026年以来的周度表现） 1. 日内高频偏度因子，IC 0.026，e^(-rank mae) 0.328，上周多空收益 -0.62%，3月多空收益 -0.62%，2026YTD多空收益 3.69%，上周多头超额 -0.20%，3月多头超额 -0.20%，2026YTD多头超额 1.69%，2026年周胜率 6/8 2. 日内下行波动占比因子，IC 0.032，e^(-rank mae) 0.327，上周多空收益 -0.17%，3月多空收益 -0.17%，2026YTD多空收益 5.65%，上周多头超额 -0.32%，3月多头超额 -0.32%，2026YTD多头超额 2.62%，2026年周胜率 6/8 3. 开盘后买入意愿占比因子，IC 0.027，e^(-rank mae) 0.322，上周多空收益 1.30%，3月多空收益 1.30%，2026YTD多空收益 4.27%，上周多头超额 0.81%，3月多头超额 0.81%，2026YTD多头超额 1.17%，2026年周胜率 6/8 4. 开盘后买入意愿强度因子，IC 0.033，e^(-rank mae) 0.329，上周多空收益 2.36%，3月多空收益 2.36%，2026YTD多空收益 4.79%，上周多头超额 0.77%，3月多头超额 0.77%，2026YTD多头超额 1.57%，2026年周胜率 5/8 5. 开盘后大单净买入占比因子，IC 0.030，e^(-rank mae) 0.318，上周多空收益 0.21%，3月多空收益 0.21%，2026YTD多空收益 5.02%，上周多头超额 -0.34%，3月多头超额 -0.34%，2026YTD多头超额 1.14%，2026年周胜率 7/8 6. 开盘后大单净买入强度因子，IC 0.024，e^(-rank mae) 0.318，上周多空收益 -0.38%，3月多空收益 -0.38%，2026YTD多空收益 3.32%，上周多头超额 -0.05%，3月多头超额 -0.05%，2026YTD多头超额 0.82%，2026年周胜率 5/8 7. 改进反转因子，IC 0.017，e^(-rank mae) 0.330，上周多空收益 0.90%，3月多空收益 0.90%，2026YTD多空收益 2.96%，上周多头超额 -0.30%，3月多头超额 -0.30%，2026YTD多头超额 2.66%，2026年周胜率 5/8 8. 尾盘成交占比因子，IC 0.016，e^(-rank mae) 0.317，上周多空收益 -1.45%，3月多空收益 -1.45%，2026YTD多空收益 3.29%，上周多头超额 -1.16%，3月多头超额 -1.16%，2026YTD多头超额 0.61%，2026年周胜率 5/8 9. 平均单笔流出金额占比因子，IC -0.025，e^(-rank mae) 0.311，上周多空收益 -0.95%，3月多空收益 -0.95%，2026YTD多空收益 -3.85%，上周多头超额 -0.30%，3月多头超额 -0.30%，2026YTD多头超额 -1.33%，2026年周胜率 2/8 10. 大单推动涨幅因子，IC 0.000，e^(-rank mae) 0.325，上周多空收益 -0.25%，3月多空收益 -0.25%，2026YTD多空收益 0.39%，上周多头超额 -0.57%，3月多头超额 -0.57%，2026YTD多头超额 0.86%，2026年周胜率 4/8 11. 改进 GRU(50,2)+NN(10)因子，IC 0.029，e^(-rank mae) 0.327，上周多空收益 -0.11%，3月多空收益 -0.11%，2026YTD多空收益 5.15%，上周多头超额 -0.39%，3月多头超额 -0.39%，2026YTD多头超额 -0.02%，2026年周胜率 6/8 12. 残差注意力 LSTM(48,2)+NN(10)因子，IC 0.028，e^(-rank mae) 0.324，上周多空收益 0.12%，3月多空收益 0.12%，2026YTD多空收益 4.45%，上周多头超额 -0.19%，3月多头超额 -0.19%，2026YTD多头超额 1.01%，2026年周胜率 6/8 13. 多颗粒度模型-5日标签因子，IC 0.046，e^(-rank mae) 0.337，上周多空收益 0.43%，3月多空收益 0.43%，2026YTD多空收益 8.05%，上周多头超额 0.82%，3月多头超额 0.82%，2026YTD多头超额 4.56%，2026年周胜率 8/8 14. 多颗粒度模型-10日标签因子，IC 0.044，e^(-rank mae) 0.340，上周多空收益 0.42%，3月多空收益 0.42%，2026YTD多空收益 6.25%，上周多头超额 0.83%，3月多头超额 0.83%，2026YTD多头超额 4.07%，2026年周胜率 6/8 模型的回测效果 （数据来源：表3[14]，指标为上周、3月及2026年以来的表现） 1. AI空气指增-周度组合，上周超额收益 0.55%，上周绝对收益 -2.13%，3月超额收益 0.55%，3月绝对收益 -2.13%，2026YTD超额收益 4.28%，2026YTD绝对收益 13.33%，2026年周胜率 4/8 2. AI空气指增-日度组合，上周超额收益 0.61%，上周绝对收益 -2.07%，3月超额收益 0.61%，3月绝对收益 -2.07%，2026YTD超额收益 5.51%，2026YTD绝对收益 14.56%，2026年周胜率 4/8 3. 中证500 AI增强宽约束-周度组合，上周超额收益 2.61%，上周绝对收益 -0.84%，3月超额收益 2.61%，3月绝对收益 -0.84%，2026YTD超额收益 -0.93%，2026YTD绝对收益 11.05%，2026年周胜率 3/8 4. 中证500 AI增强宽约束-日度组合，上周超额收益 0.73%，上周绝对收益 -2.72%，3月超额收益 0.73%，3月绝对收益 -2.72%，2026YTD超额收益 -4.25%，2026YTD绝对收益 7.73%，2026年周胜率 3/8 5. 中证500 AI增强严约束-周度组合，上周超额收益 2.09%，上周绝对收益 -1.35%，3月超额收益 2.09%，3月绝对收益 -1.35%，2026YTD超额收益 1.02%，2026YTD绝对收益 13.00%，2026年周胜率 4/8 6. 中证500 AI增强严约束-日度组合，上周超额收益 1.29%，上周绝对收益 -2.15%，3月超额收益 1.29%，3月绝对收益 -2.15%，2026YTD超额收益 0.42%，2026YTD绝对收益 12.40%，2026年周胜率 4/8 7. 中证1000 AI增强宽约束-周度组合，上周超额收益 2.43%，上周绝对收益 -1.22%，3月超额收益 2.43%，3月绝对收益 -1.22%，2026YTD超额收益 2.98%，2026YTD绝对收益 11.58%，2026年周胜率 4/8 8. 中证1000 AI增强宽约束-日度组合，上周超额收益 2.36%，上周绝对收益 -1.28%，3月超额收益 2.36%，3月绝对收益 -1.28%，2026YTD超额收益 2.54%，2026YTD绝对收益 11.15%，2026年周胜率 4/8 9. 中证1000 AI增强严约束-周度组合，上周超额收益 1.33%，上周绝对收益 -2.32%，3月超额收益 1.33%，3月绝对收益 -2.32%，2026YTD超额收益 2.34%，2026YTD绝对收益 10.94%，2026年周胜率 5/8 10. 中证1000 AI增强严约束-日度组合，上周超额收益 1.25%，上周绝对收益 -2.40%，3月超额收益 1.25%，3月绝对收益 -2.40%，2026YTD超额收益 3.10%，2026YTD绝对收益 11.71%，2026年周胜率 5/8

量化模型与构建方式 1. **模型名称：单因子MFE组合模型**[14] * **模型构建思路**：为了在更贴近实际投资约束（如行业中性、风格中性、个股偏离限制等）的条件下检验单因子的有效性，避免传统分档测试的局限性，构建最大化单因子暴露组合（Maximized Factor Exposure Portfolio, MFE）[39]。 * **模型具体构建过程**：采用组合优化方法，在满足一系列实际投资约束的前提下，最大化组合在目标因子上的暴露[39]。具体优化模型如下： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ 其中，`f` 为因子取值向量，`w` 为待求解的股票权重向量，`w_b`为基准指数成分股权重向量[39][40]。 * 第一个约束 `s_l ≤ X(w - w_b) ≤ s_h` 限制组合相对于基准的风格因子暴露，`X` 为风格因子暴露矩阵[40]。 * 第二个约束 `h_l ≤ H(w - w_b) ≤ h_h` 限制组合相对于基准的行业偏离，`H` 为行业暴露矩阵[40]。 * 第三个约束 `w_l ≤ w - w_b ≤ w_h` 限制个股相对于基准权重的偏离幅度[40]。 * 第四个约束 `b_l ≤ B_b w ≤ b_h` 限制组合在基准成分股内的权重占比[40]。 * 第五个约束 `0 ≤ w ≤ l` 禁止卖空并限制个股权重上限[40]。 * 第六个约束 `1^T w = 1` 确保组合满仓[40]。 * **模型评价**：该方法能够更真实地反映因子在实战约束下的选股能力，检验出的“有效”因子更可能在最终的多因子组合中发挥作用[39]。 2. **模型名称：公募重仓指数模型**[41] * **模型构建思路**：为了测试因子在公募基金这一重要市场参与者持仓风格下的有效性，构建一个动态反映公募基金整体持仓偏重的指数作为新的因子测试样本空间[41]。 * **模型具体构建过程**： 1. **选样空间**：选取普通股票型基金和偏股混合型基金，剔除规模小于五千万且上市不足半年的基金[42]。 2. **数据处理**：通过基金定期报告获取持股信息。若最新报告为季报，则结合前期的年报或半年报信息构建持仓数据[42]。 3. **权重计算**：将所有符合条件基金的持仓股票权重进行平均，得到公募基金平均持仓[42]。 4. **成分股筛选**：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，构建公募基金重仓指数[42]。 模型的回测效果 1. **单因子MFE组合模型**，在沪深300样本空间中，EPTTM因子MFE组合最近一周超额收益1.46%，最近一月0.97%，今年以来1.55%，历史年化4.15%[18]。 2. **单因子MFE组合模型**，在中证500样本空间中，预期EPTTM因子MFE组合最近一周超额收益1.75%，最近一月1.86%，今年以来-1.40%，历史年化2.92%[20]。 3. **单因子MFE组合模型**，在中证1000样本空间中，预期EPTTM因子MFE组合最近一周超额收益2.02%，最近一月1.19%，今年以来-0.25%，历史年化2.87%[22]。 4. **单因子MFE组合模型**，在中证A500样本空间中，预期EPTTM因子MFE组合最近一周超额收益2.44%，最近一月1.57%，今年以来1.24%，历史年化1.81%[24]。 5. **单因子MFE组合模型**，在公募重仓指数样本空间中，单季EP因子MFE组合最近一周超额收益1.72%，最近一月1.84%，今年以来0.35%，历史年化3.01%[26]。 量化因子与构建方式 1. **因子名称：BP**[16] * **因子构建思路**：属于估值类因子，衡量公司净资产与市值的比率，即市净率的倒数[16]。 * **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**：属于估值类因子，衡量单季度净利润与市值的比率[16]。 * **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**：属于估值类因子，衡量单季度营业收入与市值的比率[16]。 * **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**：属于估值类因子，衡量滚动净利润与市值的比率[16]。 * **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**：属于估值类因子，衡量滚动营业收入与市值的比率[16]。 * **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**：属于估值类因子，衡量当前EPTTM在过去一年中的相对位置[16]。 * **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**：属于估值类因子，衡量公司分红回报[16]。 * **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**：属于反转类因子，捕捉短期股价反转效应[16]。 * **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**：属于反转类因子，捕捉中期股价反转效应[16]。 * **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**：属于动量类因子，捕捉长期股价动量效应[16]。 * **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**：属于成长类因子，衡量单季度净利润的同比增长[16]。 * **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**：属于成长类因子，衡量单季度营业收入的同比增长[16]。 * **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**：属于成长类因子，衡量单季度营业利润的同比增长[16]。 * **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**：属于成长类因子，衡量单季度净利润超出预期的标准化幅度[16]。 * **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**：属于成长类因子，衡量单季度营业收入超出预期的标准化幅度[16]。 * **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**：属于成长类因子，衡量预期净利润与实际净利润的比率[16]。 * **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**：属于盈利类因子，衡量单季度净资产收益率[16]。 * **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**：属于盈利类因子，衡量单季度总资产收益率[16]。 * **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**：属于盈利类因子，衡量净资产收益率的同比变化[16]。 * **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**：属于盈利类因子，衡量总资产收益率的同比变化[16]。 * **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**：属于流动性类因子，衡量单位成交额引起的价格冲击[16]。 * **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**：属于流动性类因子，衡量短期换手率水平[16]。 * **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**：属于流动性类因子，衡量中期换手率水平[16]。 * **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**：属于波动类因子，衡量股价波动中不能被常见风险因子解释的部分[16]。 * **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**：属于波动类因子，衡量短期股价波动[16]。 * **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**：属于波动类因子，衡量中期股价波动[16]。 * **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**：属于公司治理类因子，衡量高管激励水平[16]。 * **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**：属于分析师类因子，基于分析师一致预期的滚动估值指标[16]。 * **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**：属于分析师类因子，基于分析师一致预期的滚动估值指标[16]。 * **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**：属于分析师类因子，基于分析师一致预期的成长估值指标[16]。 * **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**：属于分析师类因子，衡量分析师预期净利润的变化趋势[16]。 * **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**：属于分析师类因子，衡量分析师盈利预测调整的净情绪[16]。 * **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**：属于分析师类因子，衡量股票受机构关注度[16]。 * **因子具体构建过程**：过去3个月内机构覆盖数量[16]。 因子的回测效果 （以下因子回测效果均基于单因子MFE组合模型，指标为相对于各自基准的超额收益） 1. **EPTTM因子**，在沪深300样本空间中，最近一周1.46%，最近一月0.97%，今年以来1.55%，历史年化4.15%[18]。 2. **预期EPTTM因子**，在沪深300样本空间中，最近一周1.44%，最近一月0.66%，今年以来1.14%，历史年化3.69%[18]。 3. **单季EP因子**，在沪深300样本空间中，最近一周1.05%，最近一月1.15%，今年以来1.79%，历史年化5.30%[18]。 4. **预期EPTTM因子**，在中证500样本空间中，最近一周1.75%，最近一月1.86%，今年以来-1.40%，历史年化2.92%[20]。 5. **单季EP因子**，在中证500样本空间中，最近一周1.71%，最近一月1.20%，今年以来-0.39%，历史年化7.39%[20]。 6. **EPTTM因子**，在中证500样本空间中，最近一周1.66%，最近一月2.84%，今年以来0.10%，历史年化4.41%[20]。 7. **预期EPTTM因子**，在中证1000样本空间中，最近一周2.02%，最近一月1.19%，今年以来-0.25%，历史年化2.87%[22]。 8. **BP因子**，在中证1000样本空间中，最近一周1.87%，最近一月2.25%，今年以来1.59%，历史年化2.34%[22]。 9. **预期BP因子**，在中证1000样本空间中，最近一周1.86%，最近一月1.98%，今年以来1.26%，历史年化2.48%[22]。 10. **预期EPTTM因子**，在中证A500样本空间中，最近一周2.44%，最近一月1.57%，今年以来1.24%，历史年化1.81%[24]。 11. **EPTTM因子**，在中证A500样本空间中，最近一周2.08%，最近一月2.12%，今年以来1.30%，历史年化2.97%[24]。 12. **单季EP因子**，在中证A500样本空间中，最近一周1.83%，最近一月2.21%，今年以来1.41%，历史年化5.16%[24]。 13. **单季EP因子**，在公募重仓指数样本空间中，最近一周1.72%，最近一月1.84%，今年以来0.35%，历史年化3.01%[26]。 14. **EPTTM因子**，在公募重仓指数样本空间中，最近一周1.68%，最近一月2.47%，今年以来0.62%，历史年化0.88%[26]。 15. **预期EPTTM因子**，在公募重仓指数样本空间中，最近一周1.66%，最近一月1.78%，今年以来-0.51%，历史年化1.03%[26]。

量化模型与构建方式 1. **模型名称：港股精选组合模型**[14][15] * **模型构建思路**：该模型旨在对分析师推荐股票池进行基本面和技术面的双层优选，挑选出同时具备基本面支撑和技术面共振的超预期股票，构建港股精选股票组合[14][15]。 * **模型具体构建过程**： 1. **构建分析师推荐股票池**：以分析师上调盈利预测、分析师首次关注、分析师研报标题超预期事件作为分析师推荐事件，构建初始股票池[15]。 2. **双层筛选**：对分析师推荐股票池中的股票进行基本面和技术面两个维度的精选[14][15]。报告未详细说明具体使用的因子和筛选标准，但指出详细构建方式可参见专题报告《基于分析师推荐视角的港股投资策略》[14]。 * **模型评价**：该模型在长期回测中表现优异，年化超额收益显著[15]。 2. **因子名称：250日新高距离**[22] * **因子构建思路**：该因子用于量化股票价格接近其近期历史高点的程度，是识别趋势和动量效应的重要指标[20][22]。 * **因子具体构建过程**：计算最新收盘价与过去250个交易日最高收盘价的相对距离。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[22]。若最新收盘价创出新高，则因子值为0；若最新收盘价较新高回落，则因子值为正值，表示回落幅度[22]。 3. **模型名称：平稳创新高股票筛选模型**[22][23] * **模型构建思路**：该模型旨在从近期创出新高的股票中，进一步筛选出趋势更为平稳、持续性更好的股票[3][22]。 * **模型具体构建过程**：在过去20个交易日创出过250日新高的股票池中，按以下步骤进行筛选[22][23]： 1. **样本池**：全部港股，但剔除成立时间不超过15个月的股票[23]。 2. **分析师关注度筛选**：过去6个月内，买入或增持评级的分析师研报不少于5份[23]。 3. **股价相对强弱筛选**：过去250日涨跌幅位于样本池前20%[23]。 4. **股价平稳性筛选**：在满足上述条件的股票池内，用以下两个指标综合打分，取排名在前50%的股票（最少取50只）[23]： * **价格路径平滑性**：股价位移路程比。具体计算公式为： $$股价位移路程比 = \frac{过去120日涨跌幅绝对值}{过去120日日涨跌幅绝对值加总}$$ [22] * **创新高持续性**：过去120日的250日新高距离在时间序列上的均值[23]。 5. **趋势延续性筛选**：对经过上述筛选的股票，计算其过去5日的250日新高距离在时间序列上的均值，并取排序靠前的50只股票作为最终组合[23]。 模型的回测效果 1. **港股精选组合模型**[19] * 全样本（20100101-20251231）年化收益：19.08%[19] * 全样本相对恒生指数年化超额收益：18.06%[19] * 全样本信息比率（IR）：1.19[19] * 全样本相对最大回撤：23.73%[19] * 全样本跟踪误差：14.60%[19] * 全样本收益回撤比：0.76[19] 量化因子与构建方式 *（本报告未提供除“250日新高距离”外其他独立因子的详细构建与测试结果）* 因子的回测效果 *（本报告未提供独立因子的具体测试指标取值）*

量化模型与因子总结 量化模型与构建方式 1. **模型名称：国信金工多因子指数增强模型**[10][11] * **模型构建思路**：以多因子选股为核心，通过收益预测、风险控制和组合优化三个步骤，构建能够稳定跑赢特定基准指数（如沪深300、中证500等）的投资组合[10][11]。 * **模型具体构建过程**： 1. **收益预测**：基于多因子模型对股票未来收益进行预测。 2. **风险控制**：控制组合相对于基准指数在行业、风格、个股权重等方面的风险暴露。 3. **组合优化**：在满足各项风险约束的条件下，通过优化算法求解最优的股票权重，以最大化预期收益或风险调整后收益[11]。 2. **模型名称：单因子MFE（Maximized Factor Exposure）组合模型**[14][39] * **模型构建思路**：为了在更贴近实际投资约束（如行业中性、风格中性）的条件下检验单个因子的有效性，通过组合优化的方式，在控制各种风险暴露的前提下，构建最大化该因子暴露的投资组合，并观察其相对于基准的表现[14][39]。 * **模型具体构建过程**： 1. 采用组合优化模型，目标函数为最大化组合在目标因子上的暴露度[39]。 $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ 其中，`f`为因子取值向量，`w`为待求解的股票权重向量，`wb`为基准指数成分股权重向量。`X`为风格因子暴露矩阵，`H`为行业暴露矩阵，`Bb`为成分股标识向量。`sl`, `sh`, `hl`, `hh`, `wl`, `wh`, `bl`, `bh`, `l`分别为风格暴露、行业暴露、个股权重偏离、成分股权重占比、个股权重上限的约束边界[39][40]。 2. 设置具体约束条件，例如：控制组合相对于基准在特定行业和市值因子上的暴露为0；限制个股相对于基准权重的最大偏离幅度（如0.5%-1%）；要求组合满仓运作等[40][43]。 3. 在每月末，根据上述优化模型为每个因子构建其MFE组合[43]。 4. 在回测期内定期换仓，计算MFE组合扣除交易费用后的收益，并评估其相对于基准的表现[43]。 模型的回测效果 1. **国信金工多因子指数增强模型**[13] * 本周超额收益：沪深300增强组合0.31%，中证500增强组合1.11%，中证1000增强组合1.60%，中证A500增强组合0.05%[13]。 * 本年至今超额收益：沪深300增强组合3.36%，中证500增强组合-1.15%，中证1000增强组合3.40%，中证A500增强组合3.77%[13]。 2. **单因子MFE组合模型（以沪深300为样本空间示例）**[18] * 最近一周超额收益：EPTTM因子1.46%，预期EPTTM因子1.44%，单季EP因子1.05%[18]。 * 最近一月超额收益：标准化预期外收入因子1.81%，单季EP因子1.15%，预期PEG因子1.00%[18]。 * 今年以来超额收益：预期PEG因子2.00%，单季EP因子1.79%，标准化预期外收入因子1.78%[18]。 * 历史年化超额收益：单季EP因子5.30%，单季ROE因子5.27%，3个月盈利上下调因子5.18%[18]。 量化因子与构建方式 报告共列出了超过30个因子，涵盖估值、反转、成长、盈利、流动性、波动、公司治理和分析师等多个维度[15][16]。以下是部分因子的构建方式： 1. **因子名称：BP（市净率倒数）**[16] * **因子构建思路**：属于估值类因子，衡量公司净资产与市值的相对关系，通常认为低市净率（高BP）的股票可能被低估[16]。 * **因子具体构建过程**：$$BP = \frac{净资产}{总市值}$$[16] 2. **因子名称：EPTTM（滚动市盈率倒数）**[16] * **因子构建思路**：属于估值类因子，衡量公司过去十二个月净利润与市值的相对关系[16]。 * **因子具体构建过程**：$$EPTTM = \frac{归母净利润TTM}{总市值}$$[16] 3. **因子名称：单季EP**[16] * **因子构建思路**：属于估值类因子，使用单季度净利润数据计算市盈率倒数，更新更及时[16]。 * **因子具体构建过程**：$$单季EP = \frac{单季度归母净利润}{总市值}$$[16] 4. **因子名称：一个月反转**[16] * **因子构建思路**：属于反转类因子，基于过去短期股价表现，认为过去表现差的股票未来可能反弹，过去表现好的股票可能回调[16]。 * **因子具体构建过程**：$$一个月反转 = 过去20个交易日涨跌幅$$[16] 5. **因子名称：一年动量**[16] * **因子构建思路**：属于动量类因子，基于过去中长期股价表现，认为趋势会延续[16]。 * **因子具体构建过程**：$$一年动量 = 近一年除近一月后动量$$（即过去250个交易日剔除最近20个交易日的涨跌幅）[16] 6. **因子名称：单季净利同比增速**[16] * **因子构建思路**：属于成长类因子，衡量公司净利润的同比增长情况[16]。 * **因子具体构建过程**：$$单季净利同比增速 = \frac{单季度净利润 - 去年同期单季度净利润}{去年同期单季度净利润}$$[16] 7. **因子名称：SUE（标准化预期外盈利）**[16] * **因子构建思路**：属于成长类因子，衡量公司实际盈利超出分析师一致预期的程度，并进行标准化处理[16]。 * **因子具体构建过程**：$$SUE = \frac{单季度实际净利润 - 预期净利润}{预期净利润的标准差}$$[16] 8. **因子名称：单季ROE**[16] * **因子构建思路**：属于盈利类因子，衡量公司单季度的净资产收益率[16]。 * **因子具体构建过程**：$$单季ROE = \frac{单季度归母净利润 \times 2}{期初归母净资产 + 期末归母净资产}$$[16] 9. **因子名称：非流动性冲击**[16] * **因子构建思路**：属于流动性类因子，衡量单位成交金额对股价造成的冲击，值越大表示流动性越差[16]。 * **因子具体构建过程**：$$非流动性冲击 = 过去20个交易日的日涨跌幅绝对值 / 成交额的均值$$[16] 10. **因子名称：特异度**[16] * **因子构建思路**：属于波动类因子，衡量公司股价波动中不能被常见风险因子（如市场、规模、价值）解释的部分[16]。 * **因子具体构建过程**：$$特异度 = 1 - 过去20个交易日Fama-French三因子回归的拟合度(R^2)$$[16] 11. **因子名称：预期EPTTM**[16] * **因子构建思路**：属于分析师类因子，基于分析师对未来盈利的一致预期计算估值指标[16]。 * **因子具体构建过程**：$$预期EPTTM = 一致预期滚动EP$$[16] 12. **因子名称：三个月机构覆盖**[16] * **因子构建思路**：属于分析师类因子，衡量近期有多少家机构发布了对该公司的研究报告，通常代表关注度[16]。 * **因子具体构建过程**：$$三个月机构覆盖 = 过去3个月内发布研究报告的机构数量$$[16] 因子的回测效果（以最近一周表现为例，取自不同样本空间） 1. **在沪深300样本空间中**[18] * EPTTM因子，超额收益1.46% * 预期EPTTM因子，超额收益1.44% * 单季EP因子，超额收益1.05% * 预期净利润环比因子，超额收益-0.47% * 单季超预期幅度因子，超额收益-0.46% * 三个月机构覆盖因子，超额收益-0.43% 2. **在中证500样本空间中**[20] * 预期EPTTM因子，超额收益1.75% * 单季EP因子，超额收益1.71% * EPTTM因子，超额收益1.66% * 3个月盈利上下调因子，超额收益-1.12% * 一年动量因子，超额收益-1.10% * 特异度因子，超额收益-0.89% 3. **在中证1000样本空间中**[22] * 预期EPTTM因子，超额收益2.02% * BP因子，超额收益1.87% * 预期BP因子，超额收益1.86% * 一个月反转因子，超额收益-1.00% * 单季营利同比增速因子，超额收益-0.92% * 特异度因子，超额收益-0.74% 4. **在中证A500样本空间中**[24] * 预期EPTTM因子，超额收益2.44% * EPTTM因子，超额收益2.08% * 单季EP因子，超额收益1.83% * DELTAROA因子，超额收益-1.06% * EPTTM一年分位点因子，超额收益-0.94% * DELTAROE因子，超额收益-0.73% 5. **在公募重仓指数样本空间中**[26] * 单季EP因子，超额收益1.72% * EPTTM因子，超额收益1.68% * 预期EPTTM因子，超额收益1.66% * 三个月机构覆盖因子，超额收益-0.61% * 预期净利润环比因子，超额收益-0.32% * 单季营利同比增速因子，超额收益-0.31%

量化模型与构建方式 1. **模型名称：进取组合与平衡组合[7][10]** * **模型构建思路：** 基于多因子模型构建的股票组合，旨在获取相对于基准指数（中证500）的超额收益[10] * **模型具体构建过程：** 报告未详细说明具体的因子构成、权重分配及组合构建步骤 2. **模型名称：沪深300/中证500/中证1000指数增强组合[5][7][13][15]** * **模型构建思路：** 在各自基准指数（沪深300、中证500、中证1000）成分股范围内，通过量化模型优选股票，构建旨在跑赢基准的组合[5][13][15] * **模型具体构建过程：** 报告未详细说明具体的增强策略、因子构成及组合构建步骤 3. **模型名称：绩优基金的独门重仓股组合[5][7][26]** * **模型构建思路：** 选取绩优基金持有的独门重仓股构建组合，旨在获取超越股票型基金平均水平的收益[5][26] * **模型具体构建过程：** 报告未详细说明“绩优基金”的筛选标准、“独门重仓股”的定义及组合构建的具体步骤 4. **模型名称：盈利、增长、现金流三者兼优组合[7][28]** * **模型构建思路：** 筛选在盈利、增长和现金流三个基本面维度均表现优异的股票构建组合[7][28] * **模型具体构建过程：** 报告未详细说明“盈利”、“增长”、“现金流”的具体衡量指标、筛选阈值以及组合构建的具体步骤 5. **模型名称：PB-盈利优选组合[5][7][30][33]** * **模型构建思路：** 结合低估值（PB）与高盈利指标，筛选有基本面支撑的低估值股票构建组合[7][30] * **模型具体构建过程：** 报告未详细说明PB和盈利指标的具体定义、结合方式以及组合构建的具体步骤 6. **模型名称：GARP组合[9][35]** * **模型构建思路：** 采用GARP（Growth at a Reasonable Price）策略，寻找价格合理且具有成长性的股票构建组合[9][35] * **模型具体构建过程：** 报告未详细说明衡量“合理价格”和“成长性”的具体指标、筛选标准以及组合构建的具体步骤 7. **模型名称：小盘价值优选组合1/2[9][36][39]** * **模型构建思路：** 在小盘股范围内，筛选具有价值属性的股票构建组合，以微盘股指数为基准[9][36][39] * **模型具体构建过程：** 报告未详细说明“小盘”的定义、“价值”属性的具体衡量指标以及两个组合的具体差异 8. **模型名称：小盘成长组合[5][7][41]** * **模型构建思路：** 在小盘股范围内，筛选具有成长属性的股票构建组合，以微盘股指数为基准[5][41] * **模型具体构建过程：** 报告未详细说明“小盘”和“成长”的具体衡量指标及组合构建步骤 模型的回测效果 1. **进取组合**，周收益率-2.81%[9][10]，周超额收益（vs 中证500）0.63%[9][10]，2026年以来累计收益率18.21%[9][11]，2026年以来累计超额收益（vs 中证500）6.23%[9][11]，跟踪误差23.38%[9]，最大相对回撤6.14%[9] 2. **平衡组合**，周收益率-2.76%[9][10]，周超额收益（vs 中证500）0.68%[9][10]，2026年以来累计收益率15.44%[9][11]，2026年以来累计超额收益（vs 中证500）3.45%[9][11]，跟踪误差19.68%[9]，最大相对回撤4.99%[9] 3. **沪深300增强组合**，周收益率-0.32%[9][13]，周超额收益（vs 沪深300）0.75%[5][9][13]，2026年以来累计收益率9.42%[9][15]，2026年以来累计超额收益（vs 沪深300）8.76%[5][9][15]，跟踪误差6.52%[9]，最大相对回撤2.09%[9] 4. **中证500增强组合**，周收益率-2.79%[9][13]，周超额收益（vs 中证500）0.65%[9][13]，2026年以来累计收益率10.99%[9][15]，2026年以来累计超额收益（vs 中证500）-0.99%[9][15]，跟踪误差8.38%[9]，最大相对回撤3.17%[9] 5. **中证1000增强组合**，周收益率-3.57%[9][15]，周超额收益（vs 中证1000）0.08%[9][15]，2026年以来累计收益率10.95%[9][15]，2026年以来累计超额收益（vs 中证1000）2.34%[9][15]，跟踪误差8.46%[9]，最大相对回撤2.23%[9] 6. **绩优基金的独门重仓股组合**，周收益率-6.14%[5][9][26]，周超额收益（vs 股票型基金总指数）-3.38%[5][9][26]，2026年以来累计收益率10.20%[5][9][26]，2026年以来累计超额收益（vs 股票型基金总指数）6.36%[5][9][26]，跟踪误差26.00%[9]，最大相对回撤5.18%[9] 7. **盈利、增长、现金流三者兼优组合**，周收益率-5.33%[9][28]，周超额收益（vs 沪深300）-4.26%[9][28]，2026年以来累计收益率-8.57%[9][28]，2026年以来累计超额收益（vs 沪深300）-9.23%[9][28]，跟踪误差15.85%[9]，最大相对回撤12.01%[9] 8. **PB-盈利优选组合**，周收益率-1.51%[5][9][30]，周超额收益（vs 沪深300）-0.44%[5][9][30]，2026年以来累计收益率6.23%[5][9][33]，2026年以来累计超额收益（vs 沪深300）5.57%[5][9][33]，跟踪误差12.73%[9]，最大相对回撤2.38%[9] 9. **GARP组合**，周收益率-1.14%[9][35]，周超额收益（vs 沪深300）-0.07%[9][35]，2026年以来累计收益率12.76%[9][35]，2026年以来累计超额收益（vs 沪深300）12.10%[9][35]，跟踪误差11.54%[9]，最大相对回撤1.53%[9] 10. **小盘价值优选组合1**，周收益率-2.24%[9][36]，周超额收益（vs 微盘股指数）-0.39%[9][36]，2026年以来累计收益率9.86%[9][36]，2026年以来累计超额收益（vs 微盘股指数）-5.98%[9][36]，跟踪误差10.62%[9]，最大相对回撤8.23%[9] 11. **小盘价值优选组合2**，周收益率-2.23%[9][39]，周超额收益（vs 微盘股指数）-0.38%[9][39]，2026年以来累计收益率15.97%[9][39]，2026年以来累计超额收益（vs 微盘股指数）0.13%[9][39]，跟踪误差12.02%[9]，最大相对回撤5.62%[9] 12. **小盘成长组合**，周收益率-2.42%[5][9][41]，周超额收益（vs 微盘股指数）-0.57%[5][9][41]，2026年以来累计收益率11.31%[5][9][41]，2026年以来累计超额收益（vs 微盘股指数）-4.53%[5][9][41]，跟踪误差10.50%[9]，最大相对回撤6.37%[9] 量化因子与构建方式 1. **因子名称：市值因子[44]** * **因子构建思路：** 衡量公司规模大小的风格因子[44] * **因子具体构建过程：** 报告未详细说明具体计算方式（如总市值、流通市值等） * **因子评价：** 上周全市场范围内，大市值股票表现优于小市值股票[5][44] 2. **因子名称：PB因子[44]** * **因子构建思路：** 衡量公司估值水平的风格因子[44] * **因子具体构建过程：** 报告未详细说明具体计算方式（如市净率） * **因子评价：** 上周全市场范围内，低估值（低PB）股票表现优于高估值股票[5][44] 3. **因子名称：PE_TTM因子[44]** * **因子构建思路：** 衡量公司估值水平的风格因子[44] * **因子具体构建过程：** 报告未详细说明具体计算方式（如滚动市盈率） * **因子评价：** 上周全市场范围内，低估值（低PE_TTM）股票表现优于高估值股票[44] 4. **因子名称：反转因子[50][52]** * **因子构建思路：** 技术类因子，认为过去一段时间表现差的股票未来可能反弹，表现好的股票可能回调[50][52] * **因子具体构建过程：** 报告未详细说明具体计算方式（如过去N期的收益率） 5. **因子名称：换手率因子[5][50][52]** * **因子构建思路：** 技术类因子，衡量股票的交易活跃度[5][50][52] * **因子具体构建过程：** 报告未详细说明具体计算方式（如过去N期的平均换手率） * **因子评价：** 上周全市场范围内，低换手率股票表现突出，贡献正收益[5][50] 6. **因子名称：波动率因子[5][50][52]** * **因子构建思路：** 技术类因子，衡量股票价格的波动程度[5][50][52] * **因子具体构建过程：** 报告未详细说明具体计算方式（如过去N期收益率的标准差） * **因子评价：** 上周全市场范围内，低波动率股票表现突出，贡献正收益[5][50] 7. **因子名称：ROE因子[54]** * **因子构建思路：** 基本面因子，衡量公司的盈利能力[54] * **因子具体构建过程：** 报告未详细说明具体计算方式（如净资产收益率） * **因子评价：** 上周全市场范围内，高盈利（高ROE）股票超额收益为正[5][54] 8. **因子名称：SUE因子[54]** * **因子构建思路：** 基本面因子，衡量公司的盈利增长（SUE通常指标准化未预期盈余）[54] * **因子具体构建过程：** 报告未详细说明具体计算方式 * **因子评价：** 上周全市场范围内，高增长（高SUE）股票超额收益为正[5][54] 9. **因子名称：预期净利润调整因子[54]** * **因子构建思路：** 基本面因子，反映分析师对公司未来盈利预期的调整[54] * **因子具体构建过程：** 报告未详细说明具体计算方式（如分析师一致预期净利润的调整幅度） * **因子评价：** 上周全市场范围内，高预期净利润调整股票超额收益为正[5][54] 因子的回测效果 （测试方法：按因子值排序，取最高与最低的10%股票构建等权组合，计算多空收益[43]） 1. **市值因子**，上周全市场多空收益-0.34%[44]，2026年3月以来全市场多空收益-0.34%[44]，2026年以来全市场多空收益6.14%[45] 2. **PB因子**，上周全市场多空收益2.52%[44]，2026年3月以来全市场多空收益2.52%[44]，2026年以来全市场多空收益0.60%[45] 3. **PE_TTM因子**，上周全市场多空收益1.30%[44]，2026年3月以来全市场多空收益1.30%[44]，2026年以来全市场多空收益0.66%[45] 4. **反转因子**，上周全市场多空收益-2.79%[50][52]，2026年3月以来全市场多空收益-2.79%[52]，2026年以来全市场多空收益-8.81%[52] 5. **换手率因子**，上周全市场多空收益0.94%[50][52]，2026年3月以来全市场多空收益0.94%[52]，2026年以来全市场多空收益0.70%[52] 6. **波动率因子**，上周全市场多空收益0.79%[50][52]，2026年3月以来全市场多空收益0.79%[52]，2026年以来全市场多空收益-1.61%[52] 7. **ROE因子**，上周全市场多空收益0.63%[54]，2026年3月以来全市场多空收益0.63%[54]，2026年以来全市场多空收益2.96%[55] 8. **SUE因子**，上周全市场多空收益0.14%[54]，2026年3月以来全市场多空收益0.14%[54]，2026年以来全市场多空收益2.53%[55] 9. **预期净利润调整因子**，上周全市场多空收益1.05%[54]，2026年3月以来全市场多空收益1.05%[54]，2026年以来全市场多空收益1.07%[55]

量化模型与构建方式 1. **模型/因子名称：封板率** * **构建思路：** 用于衡量市场涨停股票的封板强度，即涨停后能够维持到收盘的比例，反映市场追涨情绪和封板资金的坚决程度[17]。 * **具体构建过程：** 统计上市满3个月以上的股票，计算当日最高价曾触及涨停且收盘价仍为涨停的股票数量，除以当日最高价曾触及涨停的股票总数[17]。 * **公式：** $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[17] 2. **模型/因子名称：连板率** * **构建思路：** 用于衡量市场涨停股的连续性，即昨日涨停的股票在今日继续涨停的比例，反映市场热点和强势股的持续力[17]。 * **具体构建过程：** 统计上市满3个月以上的股票，计算连续两个交易日收盘价均为涨停的股票数量，除以昨日收盘价为涨停的股票总数[17]。 * **公式：** $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[17] 3. **模型/因子名称：大宗交易折价率** * **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，来反映大额资金的交易偏好和市场情绪，折价率高可能表明大资金卖出意愿较强或对后市偏谨慎[26]。 * **具体构建过程：** 统计每日所有大宗交易的成交数据，计算总成交金额，并估算以当日收盘价计算的成交份额总市值，用总成交金额除以总市值后减1得到整体折价率[26]。 * **公式：** $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[26] 4. **模型/因子名称：股指期货年化贴水率** * **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升贴水程度，用于反映市场对未来走势的预期、对冲成本以及市场情绪（如贴水扩大可能反映市场情绪偏悲观）[28]。 * **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），用基差除以现货指数价格，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[28]。 * **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 （注：本篇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、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（2026年3月5日或6日）的截面数据或时间序列点位值[17][26][28]。） 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、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指标或监测模型。） 因子的回测效果 （注：本篇报告未提供量化因子的IC、IR、多空收益等传统因子测试结果。）

量化模型与构建方式 1. **模型/因子名称：250日新高距离**[11] * **构建思路**：该指标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，是动量与趋势跟踪策略的核心观测指标。当价格创出新高时，该值为0；价格从高点回落时，该值为正，表示回落比例[11]。 * **具体构建过程**：对于任意标的（个股、指数、行业指数等），计算其最新收盘价与过去250个交易日（约一年）最高收盘价的相对距离。 * 公式为： $$250 日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ * 其中，`Closet` 代表最新收盘价，`ts_max(Close, 250)` 代表过去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**[23][26] * **构建思路**：该模型旨在从近期创出250日新高的股票中，进一步筛选出具有更强趋势延续潜力的“平稳创新高”股票。其理论基础是，遵循平滑价格路径的高动量股未来收益可能优于遵循跳跃价格路径的高动量股[23]。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、创新高持续性等多个角度进行综合筛选[23][26]。 * **具体构建过程**：筛选过程分为多个步骤，在满足前序条件的股票池中逐步筛选。 1. **初始股票池**：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**：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[26]。 3. **股价相对强弱筛选**：过去250日涨跌幅位于全市场前20%[26]。 4. **股价平稳性与趋势筛选**：在满足上述条件的股票池内，使用以下指标综合打分，并取排名在前50%的股票[26]。 * **价格路径平滑性**：使用“股价位移路程比”指标。位移指股价从期初到期末的净变动，路程指股价每日涨跌幅绝对值的累计。该比值越接近1，表明价格路径越平滑，波动越小[23]。 * 公式可理解为： $$价格路径平滑性 = \frac{|过去120日涨跌幅|}{过去120日日涨跌幅绝对值加总}$$ * **创新高持续性**：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，表明在近期内股价持续接近或创出新高的状态越稳定[26]。 5. **最终筛选**：对经过上一步筛选的股票，计算其“过去5日的250日新高距离在时间序列上的均值”，并取该值排序靠前的50只股票，作为最终的“平稳创新高股票”[26]。 模型的回测效果 *本报告为市场监测周报，主要展示特定时点（2026年3月6日）的截面数据与筛选结果，未提供模型或因子在历史时间序列上的回测绩效指标（如年化收益、夏普比率、信息比率IR、最大回撤等）。* 量化因子与构建方式 *本报告未独立构建和测试用于多因子模型的传统Alpha因子，其核心内容围绕“250日新高距离”这一指标展开监测和筛选。* 因子的回测效果 *本报告未提供因子的IC、IR、多空收益等传统因子测试结果。*

量化模型与构建方式 1. **模型名称**： 股债风险平价策略 * **模型构建思路**： 该策略旨在构建一个投资组合，使得股票和债券两类资产对组合整体风险的贡献度相等，从而实现更优的风险分散效果[82]。 * **模型具体构建过程**： 报告未详细描述该风险平价策略的具体数学构建过程、权重计算公式及回测参数设置。其构建是通过向OpenClaw下达自然语言指令完成的，OpenClaw自主设计了合适的工作流，匹配底层数据并生成了完整的策略代码与结果文件[82]。 * **模型评价**： 报告未对该模型进行定性评价。 量化因子与构建方式 1. **因子名称**： 基于调研的情绪分析与未来股价预期打分 * **因子构建思路**： 通过定期自动读取基金经理调研纪要等文本资料，分析其中的市场情绪，并对未来股价走势进行预期打分[86]。 * **因子具体构建过程**： 报告未提供该情绪因子的具体计算方法和量化公式。其构建是通过OpenClaw的定时任务功能实现的，设定AI每周自动读取指定路径下的调研资料，基于内容完成情绪分析与未来股价预期打分[86]。 模型的回测效果 （报告未提供任何量化模型的回测效果指标数据，如年化收益率、夏普比率、最大回撤等。） 因子的回测效果 （报告未提供任何量化因子的测试结果数据，如IC值、IR、多空收益等。）

量化模型与构建方式 1. **模型名称**： 股债风险平价策略模型 * **模型构建思路**： 该模型旨在通过风险平价（Risk Parity）方法构建一个投资组合，其核心思想是让组合中不同资产（如股票和债券）对整体组合风险的贡献度相等，而非简单地按市值或资金等权重分配[82]。 * **模型具体构建过程**： 1. **数据获取**： 模型需要获取股票和债券的历史价格数据作为输入[82]。 2. **风险度量**： 计算各资产的历史波动率（通常用标准差表示）作为其风险度量。 3. **风险权重计算**： 根据风险平价原理，计算使各资产风险贡献相等的权重。对于包含N个资产的组合，目标是最小化各资产风险贡献的方差。一种简化的计算方法是，资产i的权重 $$w_i$$ 与其波动率 $$σ_i$$ 成反比，即 $$w_i ∝ 1/σ_i$$，然后进行归一化处理使得所有权重之和为1。 4. **组合构建**： 按照计算出的风险平价权重配置资产。 5. **回测执行**： 在历史数据上模拟该策略的运作，计算其收益、风险等指标[82]。 * **模型评价**： 该模型是经典的资产配置模型，旨在通过风险均衡来构建更加稳健的投资组合，降低对单一资产类别风险的暴露[82]。 模型的回测效果 *（报告中未提供该风险平价策略模型的具体回测数值结果，如年化收益率、夏普比率、最大回撤等指标。）* 量化因子与构建方式 *（报告中未涉及传统意义上的量化因子（如价值、动量、质量等因子）的构建与测试。）* 因子的回测效果 *（报告中未涉及量化因子的具体测试结果，如IC值、IR、多空收益等指标。）*

量化模型与因子总结 根据所提供的研报内容，该报告主要介绍了一个名为“OpenClaw”的AI智能体框架在投研领域的部署与应用，其核心是构建一个能够自动化处理投研任务的智能体系统，而非传统意义上的量化交易模型或选股因子。报告中没有涉及具体的量化交易策略模型（如多因子选股模型、CTA策略等）或用于量化选股的因子（如价值、动量、质量等因子）的构建、测试与回测结果。 报告的核心内容可以总结为以下两个部分： 一、 智能体框架与技能 (Skills) **1. 框架名称：OpenClaw AI 智能体框架** * **构建思路**：构建一个集成了大语言模型（LLM）理解能力、金融数据接口和自动化工具链的开源AI智能体框架，实现“认知、执行、记忆”的闭环，旨在将投研人员从重复性流程工作中解放出来，提升效率并增强复杂决策能力[1]。 * **具体构建过程**：该框架的部署是一个软件安装与配置过程，而非数学模型构建。主要步骤包括： 1. **运行环境准备**：在目标操作系统（Windows或MacOS）上安装Node.js（版本需>22）、Git等必要软件[11][12][13]。 2. **安装OpenClaw**：通过包管理器npm执行全局安装命令 `npm install -g openclaw@latest`[26]。 3. **启动与配置**：执行 `openclaw onboard` 命令启动配置向导，依次选择或输入以下配置[27]： * 同意用户协议和风险提示[28]。 * 选择快速启动（QuickStart）模式[28]。 * 选择大模型提供商（如Moonshot AI）并输入对应的API Key[28][31][32]。 * 选择默认使用的大模型[33]。 * 暂时跳过对话通道和Hooks的配置[37][38]。 * 选择需要安装的Skill（技能）[39]。 * 保存生成的Web UI访问链接（Gateway链接）[40][41]。 4. **配置通讯工具**：报告以飞书为例，详细说明了如何创建企业自建应用、获取凭证、配置权限、启用飞书插件并将其添加为OpenClaw的对话通道[45][46][47][48]。 * **框架评价**：OpenClaw标志着投研工作范式从“人力驱动型”向“智能体驱动型”的跃迁，能够作为“数字投研团队”7×24小时自主运行，重构信息处理、研究生产与决策支持的价值链条[1]。它降低了AI应用的门槛，无需深厚编程基础即可通过自然语言配置任务[3]。 **2. 技能 (Skill) 名称：研报分析器 (Research Report Analyzer)** * **构建思路**：创建一个能够自动分析中英文研究报告，并提取关键信息生成结构化总结的智能体技能[48]。 * **具体构建过程**：该技能通过自然语言描述其功能、触发条件和执行流程来定义[48]： 1. **触发条件**：当用户上传文件名包含“研报”、“report”、“research”的PDF/DOCX文件，或用户指令包含“分析研报”、“总结报告”时激活。 2. **执行流程**： a. 使用 `pdf_parser` 工具提取文档全文。 b. 使用大语言模型 (`llm`) 分析内容结构，识别投资评级、目标价、核心逻辑、财务预测、风险提示等，并区分中英文研报风格。 c. 使用 `table_generator` 工具整理数据对比表。 d. 使用 `doc_generator` 工具输出总结报告（Markdown/PDF格式）。 3. **输出内容**：包括研报标题、作者、日期、投资评级与目标价、核心观点摘要（3-5条）、财务预测对比表、风险提示、与上一期报告的观点差异等[48][51]。 4. **工具依赖**：该技能需要调用 `pdf_parser`, `table_generator`, `doc_generator`, `web_search` 等其他工具或技能[51]。 二、 投研应用场景与工作流 报告展示了OpenClaw框架在三个典型投研场景下的自动化应用方案，这些方案本质上是预定义或可配置的智能体工作流。 **1. 应用场景名称：公告摘报自动化工作流** * **构建思路**：将公告信息的抓取、分类、关键信息抽取与格式化输出整合为标准自动化流程，以替代传统人工处理方式[52]。 * **具体构建过程**： 1. **数据获取**：自动调用Wind等金融数据API或通过浏览器自动化抓取交易所公告[53]。 2. **分类与处理**：利用AI（NLP）自动对公告进行分类（如业绩快报、业绩预告、风险提示等），并提取摘要、关键数据和影响评估[53]。 3. **格式化输出**：自动生成结构化的Markdown、Excel或PDF文档[53]。 4. **推送**：通过定时任务将结果推送至飞书、钉钉、企业微信等协作平台[53]。 * **应用评价**：相比人工，该工作流在时效性（7×24小时监控、秒级响应）、覆盖面（全市场监控）和输出标准化方面具有显著优势[53]。 **2. 应用场景名称：大事简报自动化工作流** * **构建思路**：实现对多信源（如彭博、路透、财新、交易所公告、社交媒体）金融事件的实时监控、影响评估与关键信息推送，以解决传统人工监控存在的信息时差问题[56]。 * **具体构建过程**： 1. **跨信源监控**：7×24小时实时监控多个信息源[57]。 2. **事件评估**：AI自动评估监控到的事件的影响等级[57]。 3. **信息推送**：将筛选出的关键信息进行秒级推送[57]。 * **应用评价**：针对金融市场对重大事件反应迅速的特点，该工作流能有效解决信源割裂、信息过载和反应滞后等传统痛点[56]。 **3. 应用场景名称：研报精读自动化工作流** * **构建思路**：利用大语言模型对大量券商研报进行批量处理，实现结构化提取核心观点、论据，并生成知识图谱，以应对研报数量过载、质量参差和知识分散的挑战[61][62]。 * **具体构建过程**： 1. **批量处理**：自动批量读取研报PDF文件[62]。 2. **分析与解构**：对研报内容进行质量评分和结构化解构，提取逻辑链条[62]。 3. **知识整合**：生成观点图谱，并可能进行关联推荐[62]。 * **应用评价**：此工作流特别适用于知识密度高、深度文本分析任务重的研报精读环节，能显著提升研究效率和信息提取的深度[61]。 三、 模型/因子的回测效果 **本报告未提供任何量化模型或量化因子的历史回测数据，如年化收益率、夏普比率、最大回撤、信息比率（IR）、因子IC值、多空收益等指标。** 报告内容聚焦于AI智能体框架的部署方法及其在投研信息处理流程自动化中的应用潜力，属于金融科技与工作流效率工具范畴，而非展示具体的量化投资策略或选股因子的实证绩效。