量化模型与构建方式 本报告为市场追踪周报，未涉及具体的量化选股模型或多因子模型的构建与测试。报告主要描述了基于高频数据测算的基金仓位模型，以及基于成交单划分的资金流因子。 1. **模型名称：主动权益型基金仓位测算模型**[22][23] * **模型构建思路**：通过分析公募基金的净值与持仓数据，估算其整体的股票资产配置比例（即仓位），以追踪市场主力资金的动向和情绪。 * **模型具体构建过程**： 1. **样本筛选**：对主动权益型基金设定合格样本门槛，包括：成立期满两个季度、未到期、规模大于5000万元、过去四期平均仓位大于60%。对“固收+”基金设定门槛为：成立期满两个季度、未到期、规模大于5000万元、过去四期平均仓位在10%-30%[23]。 2. **数据基础**：使用聚源、同花顺iFinD等数据源的基金净值与持仓数据[23]。 3. **加权计算**：对合格样本，按其持股市值进行加权，计算得到市场平均仓位[23]。 4. **范围限定**：以上测算均剔除不完全投资于A股的基金[24]。 2. **因子名称：主力/主动资金流因子**[50][51] * **因子构建思路**：根据同花顺对成交单的划分标准，将市场交易资金分为特大单、大单、中单、小单，通过计算不同类别资金的净流入/流出情况，构建反映主力资金和散户资金动向的因子。 * **因子具体构建过程**： 1. **资金分类标准**： * 特大单：成交量在20万股以上，或成交金额在100万元以上的成交单。 * 大单：成交量在6万股到20万股之间，或成交金额在30万到100万之间，或成交量占流通盘0.1%的成交单。 * 中单：成交量在1万股与6万股之间，或成交金额在5万到30万之间的成交单。 * 小单：成交量在1万股以下，或成交金额在5万元以下的成交单[50]。 2. **因子计算**：对于个股或行业，分别计算特定周期内（如本周）特大单、大单、中单、小单的净买入金额（流入-流出）。通常将特大单与大单的净流入合计视为主力资金流，将中单与小单的净流入合计视为中小单资金流[51]。主动资金流的计算逻辑类似，但可能基于更复杂的算法识别“主动”买卖盘。 * **因子评价**：该因子是监测市场短期资金情绪和结构分化的重要高频指标，可用于判断资金在行业和个股间的轮动方向[51]。 模型的回测效果 （报告未提供仓位测算模型的量化回测指标，如历史预测准确率、跟踪误差等。） 因子的回测效果 （报告未提供资金流因子的量化回测指标，如IC值、IR、多空收益等。报告仅展示了因子在当周的具体取值情况。） 1. **主力/主动资金流因子**（截至2025/12/19当周） * **个股主力资金净流入TOP5**：永辉超市、C优迅、中国平安、山子高科、C昂瑞-UW等[51]。 * **行业主力资金净流入TOP5**：商贸零售、消费者服务、纺织服装、银行、食品饮料等[51]。 * **行业主力资金净流出TOP5**：电子、电力设备及新能源、计算机、机械、通信等[51]。 * **个股主动资金净流入TOP5**：新易盛、中国平安、航天电子、永辉超市、贵州茅台等[51]。 * **行业主动资金净流入TOP5**：非银行金融、有色金属、银行、食品饮料、交通运输等[51]。 * **行业主动资金净流出TOP5**：电子、电力设备及新能源、机械、计算机、汽车等[51]。

量化模型与构建方式 1. **模型名称：周期分析模型**[1][6] * **模型构建思路**：通过分析市场价格的周期性波动规律，来判断大盘中期的主要趋势方向[1][6] * **模型具体构建过程**：报告未详细描述该模型的具体构建过程和公式，仅提及了其分析结论[1][6][7] 2. **模型名称：缠论及趋势分析模型**[1][6][11] * **模型构建思路**：结合缠论技术分析理论对市场走势进行结构划分，并利用趋势因子指标判断市场趋势的强弱状态[1][6][11] * **模型具体构建过程**：报告未详细描述该模型的具体构建过程和公式。其中提及的“趋势因子指标”构建思路为：通过观察大盘均线系统的排列与修复情况，来判断趋势的强弱。当均线系统修复并呈现多头排列时，趋势因子指标进入偏强状态[1][6] 3. **模型名称：历史走势相似性对比模型**[1][6][12] * **模型构建思路**：将当前市场的走势（如调整时间、幅度等特征）与历史特定时期（如2017年12月）的走势进行对比，寻找相似性，以辅助判断当前市场可能所处的阶段和未来走向[1][6][12] * **模型具体构建过程**：报告未详细描述该模型的具体构建过程和量化规则[1][6][12] 4. **模型名称：行业四轮驱动模型（行业轮动模型）**[1][6][14] * **模型构建思路**：通过多维度信号捕捉不同行业的交易机会，为板块配置提供建议[1][6][14] * **模型具体构建过程**：报告未详细描述该四轮驱动的具体构成维度、信号生成规则及合成公式。模型最终输出结果为提示具有“交易机会”的行业列表[1][6][14] 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数据，如年化收益率、夏普比率、最大回撤、信息比率IR等） 量化因子与构建方式 1. **因子名称：趋势因子**[1][6] * **因子构建思路**：通过分析价格均线系统的状态来量化市场趋势的强度[1][6] * **因子具体构建过程**：报告未给出该因子的具体计算公式。构建思路描述为：观察大盘指数（如上证综指）的均线系统（如短期、中期、长期均线）。当短期均线向上穿越长期均线，且各均线呈多头向上排列时，认为趋势修复，因子指标进入“偏强状态”；反之则为偏弱状态[1][6] 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数据，如IC值、ICIR、因子收益率、分组收益单调性等）

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**：捕捉股票日内收益的分布特征，特别是偏度信息，以预测未来收益[14] **因子具体构建过程**：报告未提供详细构建公式，但指出计算方式可参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[14] 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，关注下行波动部分在总波动中的占比，以衡量股票的下跌风险[19] **因子具体构建过程**：报告未提供详细构建公式，但指出计算方式可参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[19] 3. **因子名称**：开盘后买入意愿占比因子 **因子构建思路**：基于开盘后一段时间内的高频交易数据，通过直观逻辑或机器学习方法，将高频信息低频化，计算买入意愿的占比[23] **因子具体构建过程**：报告未提供详细构建公式，但指出计算方式可参考专题报告《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**：与买入意愿占比因子类似，但更侧重于衡量买入意愿的强度而非单纯占比[28] **因子具体构建过程**：报告未提供详细构建公式，但指出计算方式可参考专题报告《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**：分析开盘后大单资金的净买入行为，计算其占比以捕捉主力资金动向[33] 6. **因子名称**：开盘后大单净买入强度因子 **因子构建思路**：在净买入占比的基础上，进一步衡量大单净买入的强度[38] 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，以更好地捕捉价格反转效应[43] 8. **因子名称**：尾盘成交占比因子 **因子构建思路**：关注尾盘时段成交量在全天成交量中的占比，以捕捉尾盘资金行为信息[49] 9. **因子名称**：平均单笔流出金额占比因子 **因子构建思路**：通过计算平均单笔流出金额的占比，来衡量资金流出的压力[55] 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，以识别有资金强力推动的股票[60] 11. **因子名称**：改进 GRU(50,2)+NN(10) 因子 **因子构建思路**：使用门控循环单元（GRU）和神经网络（NN）相结合的深度学习模型，从高频数据中提取选股信号[64] **因子具体构建过程**：模型结构为GRU(50,2)与NN(10)的组合，具体网络架构和训练细节未在报告中详述[64] 12. **因子名称**：残差注意力 LSTM(48,2)+NN(10) 因子 **因子构建思路**：使用结合了残差连接和注意力机制的长短期记忆网络（LSTM）与神经网络相结合的深度学习模型，处理高频数据[66] **因子具体构建过程**：模型结构为残差注意力LSTM(48,2)与NN(10)的组合，具体网络架构和训练细节未在报告中详述[66] 13. **因子名称**：多颗粒度模型-5日标签因子 **因子构建思路**：使用基于双向AGRU（可能指注意力GRU）训练的多颗粒度深度学习模型，预测未来5日的收益标签[69] **因子具体构建过程**：模型基于双向AGRU训练得到，具体网络架构和训练细节未在报告中详述[69] 14. **因子名称**：多颗粒度模型-10日标签因子 **因子构建思路**：使用基于双向AGRU训练的多颗粒度深度学习模型，预测未来10日的收益标签[70] **因子具体构建过程**：模型基于双向AGRU训练得到，具体网络架构和训练细节未在报告中详述[70] 量化模型与构建方式 1. **模型名称**：周度调仓的中证500 AI增强宽约束组合 **模型构建思路**：基于深度学习因子（多颗粒度模型-10日标签）构建中证500指数增强组合，在较宽松的风险约束下最大化预期收益[74] **模型具体构建过程**：以最大化预期收益为目标函数 $$max\sum\mu_{i}w_{i}$$，其中 $w_i$ 为股票i的权重，$\mu_i$ 为股票i的预期超额收益[75]。组合优化时施加一系列风险控制约束，包括个股权重上限1%、行业偏离上限1%、市值因子暴露上限0.3等“宽”约束条件[75]。回测假设以次日均价成交，并扣除双边3‰的交易成本[76] 2. **模型名称**：周度调仓的中证500 AI增强严约束组合 **模型构建思路**：基于深度学习因子（多颗粒度模型-10日标签）构建中证500指数增强组合，在更严格的风险约束下最大化预期收益[74] **模型具体构建过程**：目标函数与宽约束组合相同 $$max\sum\mu_{i}w_{i}$$[75]。但施加更严格的风险约束，例如市值因子暴露上限收紧至0.1，并额外增加ROE、SUE、波动率等因子的暴露约束，以及更高的成份股权重约束（0.8）[75]。回测假设以次日均价成交，并扣除双边3‰的交易成本[76] 3. **模型名称**：周度调仓的中证1000 AI增强宽约束组合 **模型构建思路**：基于深度学习因子（多颗粒度模型-10日标签）构建中证1000指数增强组合，在较宽松的风险约束下最大化预期收益[74] **模型具体构建过程**：目标函数与前述组合相同 $$max\sum\mu_{i}w_{i}$$[75]。对中证1000指数成分股进行优化，约束条件与中证500宽约束组合类似，包括个股权重上限1%、行业偏离上限1%、市值因子暴露上限0.3等[75]。回测假设以次日均价成交，并扣除双边3‰的交易成本[76] 4. **模型名称**：周度调仓的中证1000 AI增强严约束组合 **模型构建思路**：基于深度学习因子（多颗粒度模型-10日标签）构建中证1000指数增强组合，在更严格的风险约束下最大化预期收益[74] **模型具体构建过程**：目标函数与前述组合相同 $$max\sum\mu_{i}w_{i}$$[75]。对中证1000指数成分股进行优化，约束条件与中证500严约束组合类似，包括更严格的市值暴露约束（0.1）以及额外的ROE、SUE、波动率等因子暴露约束和成份股权重约束（0.8）[75]。回测假设以次日均价成交，并扣除双边3‰的交易成本[76] 因子的回测效果 （以下数据均为周度频率测试结果，涵盖“上周”、“12月”及“2025YTD”三个时间段）[10][13] 1. 日内高频偏度因子，IC(历史)0.019，IC(2025年)0.021，e^(-rank mae)(历史)0.324，e^(-rank mae)(2025年)0.326，多空收益上周0.67%，多空收益12月-1.18%，多空收益2025YTD 22.39%，2025年周胜率32/51，多头超额收益上周-0.09%，多头超额收益12月-1.49%，多头超额收益2025YTD 5.11%，多头超额收益2025年周胜率26/51[10] 2. 日内下行波动占比因子，IC(历史)0.016，IC(2025年)0.018，e^(-rank mae)(历史)0.323，e^(-rank mae)(2025年)0.324，多空收益上周0.87%，多空收益12月-1.33%，多空收益2025YTD 19.08%，2025年周胜率34/51，多头超额收益上周-0.01%，多头超额收益12月-1.70%，多头超额收益2025YTD 1.89%，多头超额收益2025年周胜率27/51[10] 3. 开盘后买入意愿占比因子，IC(历史)0.025，IC(2025年)0.023，e^(-rank mae)(历史)0.321，e^(-rank mae)(2025年)0.320，多空收益上周0.66%，多空收益12月0.61%，多空收益2025YTD 21.12%，2025年周胜率38/51，多头超额收益上周0.59%，多头超额收益12月0.37%，多头超额收益2025YTD 9.83%，多头超额收益2025年周胜率33/51[10] 4. 开盘后买入意愿强度因子，IC(历史)0.030，IC(2025年)0.027，e^(-rank mae)(历史)0.326，e^(-rank mae)(2025年)0.326，多空收益上周0.46%，多空收益12月0.94%，多空收益2025YTD 28.09%，2025年周胜率38/51，多头超额收益上周-0.49%，多头超额收益12月0.10%，多头超额收益2025YTD 10.73%，多头超额收益2025年周胜率35/51[10] 5. 开盘后大单净买入占比因子，IC(历史)0.035，IC(2025年)0.020，e^(-rank mae)(历史)0.322，e^(-rank mae)(2025年)0.317，多空收益上周-0.21%，多空收益12月0.17%，多空收益2025YTD 22.11%，2025年周胜率35/51，多头超额收益上周-0.07%，多头超额收益12月0.75%，多头超额收益2025YTD 11.27%，多头超额收益2025年周胜率32/51[10] 6. 开盘后大单净买入强度因子，IC(历史)0.024，IC(2025年)0.014，e^(-rank mae)(历史)0.320，e^(-rank mae)(2025年)0.316，多空收益上周-0.25%，多空收益12月0.38%，多空收益2025YTD 12.50%，2025年周胜率30/51，多头超额收益上周-0.06%，多头超额收益12月0.77%，多头超额收益2025YTD 9.40%，多头超额收益2025年周胜率34/51[10] 7. 改进反转因子，IC(历史)0.030，IC(2025年)0.020，e^(-rank mae)(历史)0.330，e^(-rank mae)(2025年)0.330，多空收益上周0.35%，多空收益12月0.91%，多空收益2025YTD 22.33%，2025年周胜率38/51，多头超额收益上周-0.54%，多头超额收益12月-0.07%，多头超额收益2025YTD 7.82%，多头超额收益2025年周胜率28/51[11] 8. 尾盘成交占比因子，IC(历史)0.025，IC(2025年)0.015，e^(-rank mae)(历史)0.322，e^(-rank mae)(2025年)0.319，多空收益上周-0.94%，多空收益12月1.04%，多空收益2025YTD 16.73%，2025年周胜率33/51，多头超额收益上周-0.73%，多头超额收益12月-0.08%，多头超额收益2025YTD 5.19%，多头超额收益2025年周胜率27/51[11] 9. 平均单笔流出金额占比因子，IC(历史)0.008，IC(2025年)-0.007，e^(-rank mae)(历史)0.317，e^(-rank mae)(2025年)0.315，多空收益上周-1.15%，多空收益12月-2.15%，多空收益2025YTD -8.11%，2025年周胜率23/51，多头超额收益上周-0.30%，多头超额收益12月-0.81%，多头超额收益2025YTD -3.10%，多头超额收益2025年周胜率18/51[13] 10. 大单推动涨幅因子，IC(历史)0.018，IC(2025年)0.007，e^(-rank mae)(历史)0.325，e^(-rank mae)(2025年)0.325，多空收益上周0.41%，多空收益12月-0.93%，多空收益2025YTD 7.19%，2025年周胜率31/51，多头超额收益上周0.14%，多头超额收益12月-0.15%，多头超额收益2025YTD 1.61%，多头超额收益2025年周胜率28/51[13] 11. 改进 GRU(50,2)+NN(10) 因子，IC(历史)0.066，IC(2025年)0.045，e^(-rank mae)(历史)0.336，e^(-rank mae)(2025年)0.332，多空收益上周1.13%，多空收益12月-0.47%，多空收益2025YTD 47.04%，2025年周胜率41/51，多头超额收益上周-0.20%，多头超额收益12月-0.26%，多头超额收益2025YTD 7.10%，多头超额收益2025年周胜率28/51[13] 12. 残差注意力 LSTM(48,2)+NN(10) 因子，IC(历史)0.063，IC(2025年)0.044，e^(-rank mae)(历史)0.334，e^(-rank mae)(2025年)0.331，多空收益上周1.66%，多空收益12月0.19%，多空收益2025YTD 47.39%，2025年周胜率46/51，多头超额收益上周0.15%，多头超额收益12月0.06%，多头超额收益2025YTD 8.92%，多头超额收益2025年周胜率30/51[13] 13. 多颗粒度模型-5日标签因子，IC(历史)0.080，IC(2025年)0.065，e^(-rank mae)(历史)0.343，e^(-rank mae)(2025年)0.340，多空收益上周2.46%，多空收益12月1.12%，多空收益2025YTD 68.13%，2025年周胜率45/51，多头超额收益上周0.74%，多头超额收益12月-0.18%，多头超额收益2025YTD 24.48%，多头超额收益2025年周胜率40/51[13] 14. 多颗粒度模型-10日标签因子，IC(历史)0.073，IC(2025年)0.060，e^(-rank mae)(历史)0.342，e^(-rank mae)(2025年)0.341，多空收益上周2.26%，多空收益12月1.11%，多空收益2025YTD 62.71%，2025年周胜率45/51，多头超额收益上周0.76%，多头超额收益12月-0.50%，多头超额收益2025YTD 24.30%，多头超额收益2025年周胜率38/51[13] 模型的回测效果 （以下数据均为周度调仓频率下的超额收益及胜率）[14] 1. 周度调仓的中证500 AI增强宽约束组合，超额收益上周0.41%，超额收益12月-2.64%，超额收益2025YTD 5.46%，2025年周胜率29/51[14] 2. 周度调仓的中证500 AI增强严约束组合，超额收益上周0.92%，超额收益12月-1.62%，超额收益2025YTD 9.23%，2025年周胜率33/51[14] 3. 周度调仓的中证1000 AI增强宽约束组合，超额收益上周1.55%，超额收益12月-2.69%，超额收益2025YTD 15.39%，2025年周胜率34/51[14] 4. 周度调仓的中证1000 AI增强严约束组合，超额收益上周1.48%，超额收益12月-1.45%，超额收益2025YTD 19.02%，2025年周胜率33/51[14]

量化模型与构建方式 1. **模型名称：卷积神经网络趋势观察模型**[79] * **模型构建思路**：利用深度学习技术，将个股历史价量数据转化为标准化的图表，通过卷积神经网络（CNN）学习图表中的特征模式，以预测未来价格走势，并将学习到的有效特征映射到行业主题板块，生成行业配置建议。[79] * **模型具体构建过程**： 1. **数据准备**：对每个个股，选取一个特定窗口期内的价量数据（如价格、成交量等）。[79] 2. **图表化**：将标准化处理后的价量数据构建成可视化的图表。研报中提及了“标准化数据价量图表”。[80] 3. **模型训练**：使用卷积神经网络对上述图表化的价量数据与对应的未来价格（或收益率）进行建模训练，使网络学会从图表中识别出与未来价格变动相关的特征模式。[79] 4. **特征映射与配置**：将训练好的CNN模型学习到的特征应用于市场当前数据，识别出具有相似积极特征的股票集群，并将其映射到对应的行业或主题板块，从而生成看好的行业主题配置列表。[79][82] 2. **模型名称：宏观因子事件分析模型**[54] * **模型构建思路**：通过跟踪一系列关键的国内外宏观指标，定义并识别这些指标在特定时间段内的走势事件（如创短期高点、连续下跌等），并基于历史回测，筛选出对未来资产收益率有显著预测作用的“有效因子事件”，用以判断市场趋势。[54] * **模型具体构建过程**： 1. **因子选择**：跟踪25个国内外宏观指标，涵盖货币政策、财政政策、流动性、通胀水平及其他经济指标等多个维度。[54] 2. **事件定义**：为每个宏观因子定义四类走势事件：短期高低点、连续上涨/下跌、创历史新高/新低、因子走势反转。[54] 3. **有效性检验**：从历史数据中寻找“有效因子事件”，即那些发生后，对资产（如股票）未来收益率产生统计上显著影响的事件。[54] 4. **趋势分析**：采用历史均线（如1月、3月、12月均线）将宏观因子走势分为趋势上行或下行，并统计在不同趋势下，各类资产（如大盘股、中小盘股）未来一个月的平均收益表现，以形成观点。[56][57] 3. **模型名称：期权成交量看涨看跌比（CPR）模型**[47] * **模型构建思路**：通过监测上证50ETF期权成交量的看涨看跌比率（CPR）与其布林通道的相对位置，来判断蓝筹股市场的短期超买或超卖风险。[47] * **模型具体构建过程**： 1. **计算CPR**：计算上证50ETF期权成交量的看涨看跌比率。 2. **计算布林通道**：计算CPR的60日移动平均线及其上下轨（通常为标准差的倍数）。 3. **信号生成**：观察最近20个交易日的CPR数值是否持续低于60日布林通道的上轨。若低于上轨，则认为蓝筹股短期不存在超卖风险。[47] 量化因子与构建方式 1. **因子名称：新高新低比例因子**[33] * **因子构建思路**：通过统计市场中创近期新高与新低的个股数量占比，来度量市场的极端情绪和内部结构强度。[33] * **因子具体构建过程**： 1. 每日计算创近60日新高的个股数。 2. 每日计算创近60日新低的个股数。 3. 分别计算新高个股数占总股票数的比例（60日新高比例），以及新低个股数占总股票数的比例（60日新低比例）。[33][34] 2. **因子名称：个股均线结构因子**[37] * **因子构建思路**：通过计算处于不同均线多头排列和空头排列状态的个股占比之差，来反映市场整体的技术趋势强弱。[37] * **因子具体构建过程**： 1. 对每只个股，判断其短期、中期、长期均线（如5日、20日、60日均线）是否呈多头排列（短期>中期>长期）或空头排列（短期<中期<长期）。 2. 计算当日处于多头排列的个股数量占比。 3. 计算当日处于空头排列的个股数量占比。 4. 计算“均线强弱指标”：多头排列个股占比 减去 空头排列个股占比。[37][38] 3. **因子名称：长期均线以上比例因子**[40] * **因子构建思路**：统计股价位于长期移动平均线（如200日线）之上的个股比例，用以衡量市场整体的长期趋势强弱和广度。[40] * **因子具体构建过程**： 1. 对每只个股，计算其200日移动平均线。 2. 判断当日收盘价是否位于200日移动平均线之上。 3. 计算股价位于200日线上方的个股数占总股票数的比例，即“长期均线以上比例”。[40] 4. **因子名称：风险溢价因子**[66][82] * **因子构建思路**：计算股票市场隐含收益率与无风险收益率（通常为十年期国债收益率）的差值，用以衡量股票资产相对于债券资产的吸引力。[66][82] * **因子具体构建过程**： 1. 计算中证全指（或其它市场指数）的静态市盈率（PE_TTM）。 2. 求其倒数，得到盈利收益率（Earnings Yield, EP）。公式为： $$EP = \frac{1}{PE\_TTM}$$ 3. 减去当前十年期国债收益率，得到风险溢价（Risk Premium）。公式为： $$风险溢价 = EP - 十年期国债收益率$$[66][82] 4. 同时计算该风险溢价的历史均值和标准差通道（如均值±2倍标准差）作为参考边界。[67] 5. **因子名称：指数超买超卖因子**[69] * **因子构建思路**：通过特定指标（研报中未明确具体计算方法，常见如RSI、乖离率等）度量主要宽基指数和行业指数是否处于超买或超卖状态。[69] * **因子具体构建过程**：研报中展示了“超跌指标统计”图，但未详细说明该指标的具体构建公式。其核心是计算一个用于衡量指数短期偏离程度的标准化指标。[69][70][73] 6. **因子名称：融资余额因子**[76] * **因子构建思路**：跟踪市场融资余额的绝对规模及其占流通市值的比例，以观察杠杆资金的入场意愿和市场热度。[76] * **因子具体构建过程**： 1. 获取每日市场融资买入的总余额。 2. 计算融资余额占A股流通市值的百分比。[78] 模型的回测效果 *本报告未提供所列量化模型（卷积神经网络模型、宏观因子事件模型、CPR模型）具体的回测绩效指标（如年化收益率、夏普比率、最大回撤等）。报告主要展示了卷积神经网络模型的最新输出结果（行业配置列表）以及宏观因子模型的当前观点。[57][81]* 因子的回测效果 *本报告未提供所列量化因子（新高新低比例、均线结构、长期均线以上比例、风险溢价、超买超卖、融资余额）具体的因子测试结果（如IC值、IR、多空收益等）。报告主要展示了这些因子在最新一期（2025年12月19日）的截面取值或时间序列状态。例如：* 1. **新高新低比例因子**：60日新高比例为7.7%，60日新低比例为6.4%。[33] 2. **个股均线结构因子**：均线强弱指标（多头排列占比减空头排列占比）为-24%。[37] 3. **风险溢价因子**：中证全指风险溢价为2.79%，其历史均值+2倍标准差边界为4.71%。[67][82] 4. **融资余额因子**：最近5个交易日融资余额减少约76亿元。[82]

量化模型与构建方式 1. **模型名称：绝对收益ETF模拟组合模型**[4][33] * **模型构建思路**：构建一个旨在获取绝对收益的ETF投资组合，其核心是通过动态资产配置和行业轮动来捕捉市场趋势和结构性机会[4][33]。 * **模型具体构建过程**： 1. **大类资产配置**：根据各类资产（如股票、债券等）的近期趋势强度计算配置权重。趋势较强的资产被赋予较高的风险预算，模型根据风险预算计算各大类资产的基础权重[4][33]。 2. **权益资产内部配置**：采用一个**月频行业轮动模型**的每月观点来确定行业配置权重[4][33]。 3. **红利资产择时**：在权益资产配置中，额外考虑对红利资产的择时观点，以调整其配置比例[4][33]。 模型的回测效果 1. **绝对收益ETF模拟组合模型**，年化收益率 **6.31%**[4][33][35]，年化波动率 **3.74%**[35]，最大回撤 **4.65%**[4][33][35]，夏普比率 **1.69**[4][33][35]，Calmar比率 **1.36**[4][33][35]，今年以来收益率 **8.60%**[4][33][35]，近一周收益率 **0.01%**[33][35]。

量化模型与构建方式 1. **模型名称：沪深300增强组合**；模型构建思路：基于多因子模型对沪深300指数成分股进行增强配置[5]；模型具体构建过程：报告未详细披露具体构建过程，仅提及为多因子模型 2. **模型名称：中证500增强组合**；模型构建思路：基于多因子模型对中证500指数成分股进行增强配置[5]；模型具体构建过程：报告未详细披露具体构建过程，仅提及为多因子模型 3. **模型名称：中证1000增强组合**；模型构建思路：基于多因子模型对中证1000指数成分股进行增强配置[5]；模型具体构建过程：报告未详细披露具体构建过程，仅提及为多因子模型 4. **模型名称：进取组合**；模型构建思路：未明确说明，推测为基于中证500指数的多因子增强组合[9]；模型具体构建过程：报告未详细披露具体构建过程 5. **模型名称：平衡组合**；模型构建思路：未明确说明，推测为基于中证500指数的多因子增强组合[9]；模型具体构建过程：报告未详细披露具体构建过程 6. **模型名称：绩优基金的独门重仓股组合**；模型构建思路：基于绩优基金的独门重仓股构建组合[5]；模型具体构建过程：报告未详细披露具体构建过程 7. **模型名称：盈利、增长、现金流三者兼优组合**；模型构建思路：筛选在盈利、增长、现金流三个维度均表现优异的股票构建组合[5][29]；模型具体构建过程：报告未详细披露具体构建过程 8. **模型名称：PB-盈利优选组合**；模型构建思路：结合低市净率（PB）与高盈利指标进行选股[5][31]；模型具体构建过程：报告未详细披露具体构建过程 9. **模型名称：GARP组合**；模型构建思路：采用“合理价格成长”策略，兼顾成长性与估值[34]；模型具体构建过程：报告未详细披露具体构建过程 10. **模型名称：小盘价值优选组合1**；模型构建思路：在小盘股中筛选具有价值属性的股票[9][36]；模型具体构建过程：报告未详细披露具体构建过程 11. **模型名称：小盘价值优选组合2**；模型构建思路：在小盘股中筛选具有价值属性的股票[9][38]；模型具体构建过程：报告未详细披露具体构建过程 12. **模型名称：小盘成长组合**；模型构建思路：在小盘股中筛选具有成长属性的股票[5][40]；模型具体构建过程：报告未详细披露具体构建过程 量化因子与构建方式 1. **因子名称：市值因子**；因子构建思路：衡量公司规模大小[43]；因子具体构建过程：报告未详细披露具体构建过程，通常为总市值或流通市值 2. **因子名称：PB因子**；因子构建思路：衡量估值水平，即市净率[43]；因子具体构建过程：报告未详细披露具体构建过程，通常为股价除以每股净资产 3. **因子名称：PE_TTM因子**；因子构建思路：衡量估值水平，即滚动市盈率[43]；因子具体构建过程：报告未详细披露具体构建过程，通常为股价除以过去12个月每股收益 4. **因子名称：反转因子**；因子构建思路：基于股价过去一段时间的涨跌幅，认为过去表现差的股票未来可能反弹[45]；因子具体构建过程：报告未详细披露具体构建过程，通常计算过去N期的收益率并取负值 5. **因子名称：换手率因子**；因子构建思路：衡量股票交易活跃度[45]；因子具体构建过程：报告未详细披露具体构建过程，通常为一段时间内的成交股数除以流通股数 6. **因子名称：波动率因子**；因子构建思路：衡量股票价格的波动程度[45]；因子具体构建过程：报告未详细披露具体构建过程，通常计算过去一段时间收益率的标准差 7. **因子名称：ROE因子**；因子构建思路：衡量公司的盈利能力，即净资产收益率[51]；因子具体构建过程：报告未详细披露具体构建过程，通常为净利润除以净资产 8. **因子名称：SUE因子**；因子构建思路：衡量盈利增长的超预期程度，即标准化未预期盈余[51]；因子具体构建过程：报告未详细披露具体构建过程 9. **因子名称：预期净利润调整因子**；因子构建思路：基于分析师对净利润预测的调整[51]；因子具体构建过程：报告未详细披露具体构建过程 模型的回测效果 （数据统计区间：2024年12月31日至2025年12月19日[9]） 1. 沪深300增强组合，绝对收益23.97%，超额收益7.88%，跟踪误差4.77%，最大相对回撤3.44%[9] 2. 中证500增强组合，绝对收益31.48%，超额收益6.26%，跟踪误差4.48%，最大相对回撤3.75%[9] 3. 中证1000增强组合，绝对收益28.12%，超额收益5.09%，跟踪误差4.85%，最大相对回撤5.42%[9] 4. 进取组合，绝对收益75.17%，超额收益49.95%，跟踪误差22.77%，最大相对回撤13.41%[9] 5. 平衡组合，绝对收益57.75%，超额收益32.53%，跟踪误差19.10%，最大相对回撤17.22%[9] 6. 绩优基金的独门重仓股组合，绝对收益47.60%，超额收益21.40%，跟踪误差22.76%，最大相对回撤14.64%[9] 7. 盈利、增长、现金流三者兼优组合，绝对收益92.70%，超额收益76.61%，跟踪误差18.42%，最大相对回撤11.55%[9] 8. PB-盈利优选组合，绝对收益22.97%，超额收益6.88%，跟踪误差12.66%，最大相对回撤14.55%[9] 9. GARP组合，绝对收益38.61%，超额收益22.52%，跟踪误差12.50%，最大相对回撤9.92%[9] 10. 小盘价值优选组合1，绝对收益51.82%，超额收益-28.51%，跟踪误差10.08%，最大相对回撤36.71%[9] 11. 小盘价值优选组合2，绝对收益57.03%，超额收益-23.30%，跟踪误差8.87%，最大相对回撤32.77%[9] 12. 小盘成长组合，绝对收益67.78%，超额收益-12.55%，跟踪误差12.40%，最大相对回撤28.00%[9] 因子的回测效果 （数据统计区间：2024年12月31日至2025年12月19日[44][49][52]） 1. 市值因子，全市场多空收益47.85%，沪深300多空收益4.56%，中证500多空收益1.74%，中证1000多空收益17.11%[44] 2. PB因子，全市场多空收益-9.25%，沪深300多空收益-29.15%，中证500多空收益-32.23%，中证1000多空收益-7.91%[44] 3. PE_TTM因子，全市场多空收益14.07%，沪深300多空收益-0.86%，中证500多空收益-14.06%，中证1000多空收益-4.04%[44] 4. 反转因子，全市场多空收益3.57%，沪深300多空收益-50.52%，中证500多空收益-6.39%，中证1000多空收益-4.04%[49] 5. 换手率因子，全市场多空收益34.02%，沪深300多空收益-42.25%，中证500多空收益-17.24%，中证1000多空收益6.18%[49] 6. 波动率因子，全市场多空收益11.34%，沪深300多空收益-38.07%，中证500多空收益-22.06%，中证1000多空收益-3.85%[49] 7. ROE因子，全市场多空收益2.13%，沪深300多空收益39.04%，中证500多空收益-5.64%，中证1000多空收益-7.10%[52] 8. SUE因子，全市场多空收益22.06%，沪深300多空收益58.53%，中证500多空收益18.58%，中证1000多空收益21.04%[52] 9. 预期净利润调整因子，全市场多空收益16.37%，沪深300多空收益20.46%，中证500多空收益16.48%，中证1000多空收益-2.92%[52]

量化模型与构建方式 1. **模型名称：PB-ROE-50组合** **模型构建思路：** 基于市净率（PB）和净资产收益率（ROE）两个核心指标进行选股，旨在寻找估值合理且盈利能力强的公司[23]。 **模型具体构建过程：** 报告未详细描述该组合的具体构建公式和步骤，仅提及其为基于PB和ROE的选股策略[23]。 2. **模型名称：机构调研组合（公募调研选股策略、私募调研跟踪策略）** **模型构建思路：** 利用机构调研事件作为信息源，构建选股策略[25]。 **模型具体构建过程：** 报告未详细描述该组合的具体构建公式和步骤，仅提及其为基于公募和私募调研事件的选股策略[25]。 3. **模型名称：大宗交易组合** **模型构建思路：** 基于“高成交、低波动”原则，从发生大宗交易的股票中筛选后续表现更佳的标的[29]。 **模型具体构建过程：** 报告提及该组合使用“大宗交易成交金额比率”和“6日成交金额波动率”两个指标，根据“高成交、低波动”原则，通过月频调仓方式构造组合[29]。具体公式和构建细节需参考其2023年8月5日的专题报告。 4. **模型名称：定向增发组合** **模型构建思路：** 以定向增发（定增）的股东大会公告日为事件节点，进行事件驱动选股[35]。 **模型具体构建过程：** 报告提及该组合以股东大会公告日为时间节点，综合考虑市值因素、调仓周期以及对仓位的控制来构造组合[35]。具体公式和构建细节需参考其2023年11月26日的专题报告。 模型的回测效果 1. **PB-ROE-50组合**，本周超越基准收益率（中证500）为-0.02%[24]，本周超越基准收益率（中证800）为-0.19%[24]，本周超越基准收益率（全市场）为-0.75%[24]，今年以来超额收益率（中证500）为3.12%[24]，今年以来超额收益率（中证800）为17.02%[24]，今年以来超额收益率（全市场）为19.20%[24]，本周绝对收益率为-0.03%（中证500）/-0.39%（中证800）/-0.92%（全市场）[24]，今年以来绝对收益率为29.13%（中证500）/38.56%（中证800）/44.96%（全市场）[24] 2. **机构调研组合（公募调研选股）**，本周超越基准收益率（中证800）为-0.43%[26]，今年以来超额收益率（中证800）为18.56%[26]，本周绝对收益率为-0.64%[26]，今年以来绝对收益率为40.39%[26] 3. **机构调研组合（私募调研跟踪）**，本周超越基准收益率（中证800）为-1.92%[26]，今年以来超额收益率（中证800）为17.05%[26]，本周绝对收益率为-2.12%[26]，今年以来绝对收益率为38.60%[26] 4. **大宗交易组合**，本周超越基准收益率（中证全指）为-0.68%[30]，今年以来超额收益率（中证全指）为36.76%[30]，本周绝对收益率为-0.86%[30]，今年以来绝对收益率为66.32%[30] 5. **定向增发组合**，本周超越基准收益率（中证全指）为1.46%[36]，今年以来超额收益率（中证全指）为-6.90%[36]，本周绝对收益率为1.28%[36]，今年以来绝对收益率为13.22%[36] 量化因子与构建方式 1. **因子名称：单季度ROE同比** **因子构建思路：** 衡量公司最新单季度净资产收益率相对于去年同期的增长情况，反映盈利能力的改善趋势[12]。 **因子具体构建过程：** 报告未提供具体计算公式。 2. **因子名称：单季度ROE** **因子构建思路：** 衡量公司最新单季度的净资产收益率，反映当季的盈利能力[12]。 **因子具体构建过程：** 报告未提供具体计算公式。 3. **因子名称：市盈率因子** **因子构建思路：** 使用市盈率（PE）或其倒数衡量股票的估值水平，通常认为低估值股票未来收益更高[12]。 **因子具体构建过程：** 报告未提供具体计算公式。 4. **因子名称：市净率因子** **因子构建思路：** 使用市净率（PB）或其倒数衡量股票的估值水平，通常认为低估值股票未来收益更高[14]。 **因子具体构建过程：** 报告未提供具体计算公式。 5. **因子名称：标准化预期外收入** **因子构建思路：** 衡量公司营业收入超出市场预期的程度，通常认为超预期会带来正向股价反应[14]。 **因子具体构建过程：** 报告未提供具体计算公式。 6. **因子名称：经营现金流比率** **因子构建思路：** 衡量公司经营现金流与相关财务指标（如营业收入、总资产等）的比率，反映盈利质量和财务稳健性[14]。 **因子具体构建过程：** 报告未提供具体计算公式。 7. **因子名称：下行波动率占比** **因子构建思路：** 衡量股票下行风险的大小，通常认为下行波动率低的股票风险更小[16]。 **因子具体构建过程：** 报告未提供具体计算公式。 8. **因子名称：对数市值因子** **因子构建思路：** 使用公司市值的对数来衡量公司规模，是市值因子的常见表达形式[13]。 **因子具体构建过程：** 报告未提供具体计算公式。 9. **因子名称：残差波动率因子** **因子构建思路：** 衡量剔除市场（和行业）影响后的个股特异性波动率，通常认为低特质波动的股票风险更低[18]。 **因子具体构建过程：** 报告未提供具体计算公式。 10. **因子名称：非线性市值因子** **因子构建思路：** 捕捉市值因子中非线性的部分，即市值与收益关系并非完全线性[18]。 **因子具体构建过程：** 报告未提供具体计算公式。 11. **因子名称：估值因子（大类）** **因子构建思路：** 综合了多个估值类因子（如PE、PB等）的复合因子，代表整体的估值风格暴露[1][18]。 **因子具体构建过程：** 报告未提供具体构建方法。 12. **因子名称：盈利因子（大类）** **因子构建思路：** 综合了多个盈利类因子（如ROE、ROA等）的复合因子，代表整体的盈利质量风格暴露[1][18]。 **因子具体构建过程：** 报告未提供具体构建方法。 13. **因子名称：市值因子（大类）** **因子构建思路：** 代表公司规模大小的风格因子，通常小市值公司长期表现更优[1][18]。 **因子具体构建过程：** 报告未提供具体构建方法。 14. **因子名称：BP因子** **因子构建思路：** 即市净率（PB）的倒数，是常见的估值因子[21]。 **因子具体构建过程：** 报告未提供具体计算公式。 15. **因子名称：EP因子** **因子构建思路：** 即市盈率（PE）的倒数，是常见的估值因子[21]。 **因子具体构建过程：** 报告未提供具体计算公式。 16. **因子名称：净资产增长率因子** **因子构建思路：** 衡量公司净资产的增长速度，反映公司内生增长和积累能力[21]。 **因子具体构建过程：** 报告未提供具体计算公式。 17. **因子名称：净利润增长率因子** **因子构建思路：** 衡量公司净利润的增长速度，反映盈利的增长趋势[21]。 **因子具体构建过程：** 报告未提供具体计算公式。 18. **因子名称：每股净资产因子** **因子构建思路：** 即每股净资产（BPS），是基本面因子之一[21]。 **因子具体构建过程：** 报告未提供具体计算公式。 19. **因子名称：每股经营利润TTM因子** **因子构建思路：** 衡量公司过去十二个月每股经营利润，反映主营业务盈利能力[21]。 **因子具体构建过程：** 报告未提供具体计算公式。 20. **因子名称：5日动量因子** **因子构建思路：** 衡量股票过去5日的价格走势，属于短期动量因子[22]。 **因子具体构建过程：** 报告未提供具体计算公式。 21. **因子名称：1月动量因子** **因子构建思路：** 衡量股票过去1个月的价格走势，属于中期动量因子[22]。 **因子具体构建过程：** 报告未提供具体计算公式。 22. **因子名称：流动性因子** **因子构建思路：** 衡量股票的成交活跃度或换手率，通常与流动性溢价相关[21]。 **因子具体构建过程：** 报告未提供具体计算公式。 23. **其他单因子：** 报告还列出了大量其他因子，包括但不限于：大单净流入[13]、单季度EPS[13]、5日成交量的标准差[13]、早盘后收益因子[13]、市销率TTM倒数[13]、6日成交金额的移动平均值[13]、市盈率TTM倒数[13]、5分钟收益率偏度[13]、动量调整大单[13]、动量弹簧因子[13]、营业利润率TTM[13]、日内波动率与成交金额的相关性[13]、5日平均换手率[13]、EPTTM分位点[13]、单季度ROA[13]、单季度ROA同比[13]、ROE稳定性[13]、净利润率TTM[13]、6日成交金额的标准差[13]、单季度营业收入同比增长率[13]、总资产毛利率TTM[13]、标准化预期外盈利[13]、换手率相对波动率[13]、单季度总资产毛利率[13]、小单净流入[13]、动量调整小单[13]、5日反转[13]、单季度净利润同比增长率[13]、成交量的5日指数移动平均[13]、ROA稳定性[13]、毛利率TTM[13]、ROIC增强因子[13]、早盘收益因子[13]、净利润断层[13]、单季度营业利润同比增长率[13]、总资产增长率[13]。报告均未提供这些因子的具体构建公式。 因子的回测效果 **注：** 以下因子表现数据均为“最近1周”的收益，为剔除行业与市值影响后多头组合相对于基准指数的超额收益[12]。报告提供了沪深300、中证500、流动性1500三个股票池的因子表现，此处选取各股票池中本周表现最好和最差的几个因子作为示例。完整列表请参见报告图1、图2、图3[13][15][17]。 1. **单季度ROE同比因子**，最近1周收益（沪深300）为2.31%[13] 2. **单季度ROE因子**，最近1周收益（沪深300）为1.81%[13] 3. **市盈率因子**，最近1周收益（沪深300）为1.51%[13]，最近1周收益（流动性1500）为1.44%[17] 4. **总资产增长率因子**，最近1周收益（沪深300）为-1.28%[13] 5. **单季度营业利润同比增长率因子**，最近1周收益（沪深300）为-0.83%[13] 6. **市净率因子**，最近1周收益（中证500）为1.78%[15]，最近1周收益（流动性1500）为1.17%[17] 7. **标准化预期外收入因子**，最近1周收益（中证500）为1.74%[15] 8. **经营现金流比率因子**，最近1周收益（中证500）为1.28%[15] 9. **单季度净利润同比增长率因子**，最近1周收益（中证500）为-1.19%[15]，最近1周收益（流动性1500）为-1.00%[17] 10. **单季度ROA同比因子**，最近1周收益（中证500）为-0.98%[15] 11. **下行波动率占比因子**，最近1周收益（流动性1500）为1.24%[17] 12. **单季度营业收入同比增长率因子**，最近1周收益（流动性1500）为-0.82%[17] 13. **估值因子（大类）**，最近1周收益（全市场）为0.27%[18] 14. **盈利因子（大类）**，最近1周收益（全市场）为0.25%[18] 15. **市值因子（大类）**，最近1周收益（全市场）为-0.91%[18] 16. **非线性市值因子（大类）**，最近1周收益（全市场）为-0.51%[18] 17. **残差波动率因子（大类）**，最近1周收益（全市场）为-0.44%[18]

量化模型与构建方式 1. **模型名称：港股精选组合模型**[14][16] * **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][16]。 * **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[16]。 2. **基本面与技术面精选**：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，具体筛选标准未在本文中详述，但提及可参考专题报告《基于分析师推荐视角的港股投资策略》[14][16]。 2. **因子名称：250日新高距离**[23] * **因子构建思路**：用于量化股票价格接近其历史最高点的程度，数值越小表示越接近新高，常用于捕捉动量效应和趋势[21][23]。 * **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。 * **公式**：$$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ * **公式说明**：`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。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，表示回落幅度[23]。 3. **模型名称：平稳创新高股票筛选模型**[23][24] * **模型构建思路**：从近期创过新高的股票中，综合分析师关注度、股价相对强弱、股价路径平稳性、创新高连续性等多个角度，筛选出趋势更为稳健的“平稳创新高”股票[3][23]。 * **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，按以下步骤筛选： 1. **样本池**：全部港股，剔除成立时间不超过15个月的股票[24]。 2. **分析师关注度筛选**：过去6个月买入或增持评级的分析师研报不少于5份[24]。 3. **股价相对强弱筛选**：过去250日涨跌幅位于样本池前20%[24]。 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）[24]。 * **价格路径平滑性（股价位移路程比）**：$$价格路径平滑性 = \frac{过去120日涨跌幅绝对值}{过去120日日涨跌幅绝对值加总}$$[23][24] * **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[24]。 5. **趋势延续性筛选**：计算过去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只股票作为最终输出[24]。 模型的回测效果 1. **港股精选组合模型**[16][20] * 全样本回测区间（20100101-20250630）年化收益：19.11%[16] * 全样本相对恒生指数年化超额收益：18.48%[16] * 全样本信息比率（IR）：1.22[20] * 全样本相对最大回撤：23.73%[20] * 全样本跟踪误差：14.55%[20] * 全样本收益回撤比：0.78[20] 量化因子与构建方式 （本报告中未单独测试并展示因子的IC、收益率等传统因子检验结果，因此此部分略过） 因子的回测效果 （本报告中未提供单独因子的回测效果指标，因此此部分略过）

量化模型与构建方式 1. **模型名称**：封板率计算模型[17] **模型构建思路**：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，来衡量涨停板的封板质量或市场追涨资金的坚决程度[17]。 **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[17]。 2. 识别在当日交易中，最高价达到涨停价的股票集合[17]。 3. 在上述集合中，进一步识别收盘价也达到涨停价的股票[17]。 4. 计算封板率，公式为： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[17] 2. **模型名称**：连板率计算模型[17] **模型构建思路**：通过计算连续两日收盘涨停的股票数量占前一日收盘涨停股票总数的比例，来衡量市场涨停效应的持续性[17]。 **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[17]。 2. 识别在昨日收盘涨停的股票集合[17]。 3. 在上述集合中，进一步识别今日收盘也涨停的股票[17]。 4. 计算连板率，公式为： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[17] 3. **模型名称**：大宗交易折价率计算模型[27] **模型构建思路**：通过比较大宗交易成交总额与按当日市价计算的成交份额总市值，计算折价率，以反映大资金交易的折让程度和市场情绪[27]。 **模型具体构建过程**： 1. 获取当日所有大宗交易的成交数据，包括每笔交易的成交金额和成交数量[27]。 2. 计算当日大宗交易的总成交金额[27]。 3. 对于每笔大宗交易的成交份额，以其成交数量乘以该证券当日的收盘价（或成交均价），计算出该笔交易按市价计算的总市值，然后加总所有交易得到“当日成交份额的总市值”[27]。 4. 计算折价率，公式为： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[27] 4. **模型名称**：股指期货年化贴水率计算模型[29] **模型构建思路**：通过计算股指期货价格与现货指数价格之间的基差，并将其年化，以标准化衡量不同期限合约的升贴水程度，反映市场对未来预期和套利成本[29]。 **模型具体构建过程**： 1. 确定股指期货主力合约的收盘价和对应的现货指数收盘价[29]。 2. 计算基差：基差 = 期货价格 - 现货指数价格[29]。 3. 获取该主力合约的剩余交易日数[29]。 4. 计算年化贴水率，公式为： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[29] 当结果为负时，表示贴水；为正时，表示升水[29]。 模型的回测效果 1. 封板率计算模型，2025年12月19日封板率取值为73%[17] 2. 连板率计算模型，2025年12月19日连板率取值为27%[17] 3. 大宗交易折价率计算模型，2025年12月18日折价率取值为5.92%[27]；近半年平均折价率取值为6.64%[27] 4. 股指期货年化贴水率计算模型，2025年12月19日上证50股指期货年化升水率取值为0.30%[29]；沪深300股指期货年化贴水率取值为3.95%[29]；中证500股指期货年化贴水率取值为6.98%[29]；中证1000股指期货年化贴水率取值为11.25%[29] 量化因子与构建方式 1. **因子名称**：昨日涨停股今日收益因子[14] **因子构建思路**：追踪前一日收盘涨停的股票在次日的开盘及盘中表现，用于观察涨停股的资金承接力和短期动量效应[14]。 **因子具体构建过程**： 1. 筛选上市满3个月以上且昨日收盘涨停的股票[14]。 2. 计算该股票组合在今日的实时收益率序列[14]。 3. 通常关注其今日的开盘价、最高价、最低价、收盘价，并计算收盘收益[14]。 2. **因子名称**：昨日跌停股今日收益因子[14] **因子构建思路**：追踪前一日收盘跌停的股票在次日的开盘及盘中表现，用于观察跌停股的抛压释放情况和可能的超跌反弹机会[14]。 **因子具体构建过程**： 1. 筛选上市满3个月以上且昨日收盘跌停的股票[14]。 2. 计算该股票组合在今日的实时收益率序列[14]。 3. 通常关注其今日的开盘价、最高价、最低价、收盘价，并计算收盘收益[14]。 3. **因子名称**：机构调研热度因子[31] **因子构建思路**：统计近期对上市公司进行调研的机构数量，作为衡量机构关注度和信息获取程度的代理指标[31]。 **因子具体构建过程**： 1. 获取上市公司披露的投资者关系活动记录[31]。 2. 统计近7天内（或近一周内）参与每家上市公司调研或分析师会议的机构数量[31]。 3. 按机构数量对股票进行排序或直接使用机构数量作为因子值[31]。 4. **因子名称**：龙虎榜机构净流入因子[37] **因子构建思路**：通过龙虎榜数据，计算机构专用席位对特定股票的净买入金额，用于捕捉机构资金的短期动向[37]。 **因子具体构建过程**： 1. 获取当日披露龙虎榜的股票数据[37]。 2. 对于每只上榜股票，汇总其龙虎榜上所有“机构专用”席位的买入总额和卖出总额[37]。 3. 计算净流入金额：净流入 = 买入总额 - 卖出总额[37]。 4. 按净流入金额对股票进行排序或直接使用该金额作为因子值[37]。 5. **因子名称**：龙虎榜陆股通净流入因子[38] **因子构建思路**：通过龙虎榜数据，计算陆股通资金对特定股票的净买入金额，用于观察北向资金的短期交易偏好[38]。 **因子具体构建过程**： 1. 获取当日披露龙虎榜的股票数据[38]。 2. 对于每只上榜股票，汇总其龙虎榜上所有“陆股通”或相关席位（代表北向资金）的买入总额和卖出总额[38]。 3. 计算净流入金额：净流入 = 买入总额 - 卖出总额[38]。 4. 按净流入金额对股票进行排序或直接使用该金额作为因子值[38]。 因子的回测效果 1. 昨日涨停股今日收益因子，2025年12月19日收盘收益取值为3.21%[14] 2. 昨日跌停股今日收益因子，2025年12月19日收盘收益取值为-3.35%[14] 3. 机构调研热度因子，近一周内调研机构数量取值示例如：长安汽车被214家机构调研[31] 4. 龙虎榜机构净流入因子，2025年12月19日机构净流入前十的股票包括航天智造、山子高科、西部材料等[37]；机构净流出前十的股票包括通宇通讯、皇氏集团、雪人集团等[37] 5. 龙虎榜陆股通净流入因子，2025年12月19日陆股通净流入前十的股票包括平潭发展、中国一重、航天智造等[38]；陆股通净流出前十的股票包括华人健康、华菱线缆、德明利等[38]

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，是动量与趋势跟踪策略的核心指标。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**：对于给定的证券，计算其最新收盘价与过去250个交易日（约一年）收盘价最高值的相对距离。具体公式如下： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 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[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，研究表明遵循平滑价格路径的高动量股收益，相较遵循跳跃价格路径的高动量股收益更高[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、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**：模型在“过去20个交易日创出过250日新高”的股票池基础上，执行以下多步筛选流程[24][27]： 1. **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[27]。 2. **股价相对强弱筛选**：过去250日涨跌幅位于全市场所有股票的前20%[27]。 3. **股价平稳性与创新高持续性综合筛选**：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）**：该指标用于衡量股价走势的平滑程度。计算公式为： $$价格路径平滑性 = \frac{过去120日涨跌幅的绝对值}{过去120日日涨跌幅绝对值加总}$$ 该比值越接近1，表明价格路径越平滑（位移接近路程）[24]。 * **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。该值越小，表明股票在近期持续接近或创出新高[27]。 4. **趋势延续性筛选**：对经过步骤3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”，并选取该值排序靠前的50只股票作为最终的“平稳创新高股票”[27]。 模型的回测效果 *本报告为市场热点追踪周报，主要展示特定时点（2025年12月19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（如年化收益率、夏普比率、信息比率IR、最大回撤等）。* 因子的回测效果 *本报告为市场热点追踪周报，主要展示特定时点（2025年12月19日）的截面数据与筛选结果，未提供因子在历史时间序列上的回测绩效指标（如IC值、IR、多空收益等）。* 模型与因子的应用结果（截至2025年12月19日） 1. **250日新高距离因子取值**： * **主要指数**：上证指数3.45%，深证成指4.26%，沪深300指数3.78%，中证500指数5.03%，中证1000指数4.16%，中证2000指数2.16%，创业板指6.08%，科创50指数14.98%[2][12]。 * **中信一级行业**：轻工制造0.00%，有色金属0.07%，通信2.74%，国防军工1.56%，消费者服务2.88%[13]。 * **概念指数**：十大军工集团、卫星导航、家居用品、卫星互联网、金属非金属、航天军工、林木等概念指数距离250日新高较近[15]。 2. **平稳创新高股票筛选模型输出**： * 经过模型筛选，最终得到45只平稳创新高股票，例如中际旭创、新易盛、英维克等[3][28]。 * **板块分布**：入选股票数量最多的板块是周期板块（17只）和科技板块（15只）[3][28]。其中，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子行业[28]。