量化模型与因子总结 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的选股组合[23]。 2. **模型名称：机构调研组合** * **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。具体分为公募调研选股策略和私募调研跟踪策略[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，仅提及其为基于机构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：** 通过统计分析发现，“大宗交易成交金额比率”越高、“6日成交金额波动率”越低的股票后续表现更佳。根据此原则，以月频调仓方式构造组合[29]。 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：** 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，但报告未给出具体的构建公式[35]。 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）1.38%[24]，本周超越基准收益率（中证800）2.54%[24]，本周超越基准收益率（全市场）4.23%[24]，今年以来超额收益率（中证500）-1.02%[24]，今年以来超额收益率（中证800）6.00%[24]，今年以来超额收益率（全市场）8.52%[24]，本周绝对收益率（中证500）5.79%[24]，本周绝对收益率（中证800）3.37%[24]，本周绝对收益率（全市场）6.06%[24]，今年以来绝对收益率（中证500）13.89%[24]，今年以来绝对收益率（中证800）11.54%[24]，今年以来绝对收益率（全市场）16.54%[24] 2. **机构调研组合（公募调研选股）**，本周超越基准收益率0.61%[26]，今年以来超额收益率3.54%[26]，本周绝对收益率1.41%[26]，今年以来绝对收益率8.95%[26] 3. **机构调研组合（私募调研跟踪）**，本周超越基准收益率3.43%[26]，今年以来超额收益率8.53%[26]，本周绝对收益率4.26%[26]，今年以来绝对收益率14.20%[26] 4. **大宗交易组合**，本周超越基准收益率0.86%[30]，今年以来超额收益率5.56%[30]，本周绝对收益率2.63%[30]，今年以来绝对收益率13.36%[30] 5. **定向增发组合**，本周超越基准收益率1.32%[36]，今年以来超额收益率1.04%[36]，本周绝对收益率3.10%[36]，今年以来绝对收益率8.51%[36] 量化因子与构建方式 1. **因子名称：大类因子（风格因子）** * **因子构建思路：** 将众多单因子归类为几个具有明确经济含义的大类风格，以观察市场整体风格动向[18]。 * **因子具体构建过程：** 报告未详细描述大类因子的具体构建过程，但列出了Beta因子、估值因子、市值因子等类别及其本周表现[18]。 2. **单因子（列举部分）** * 报告提及了大量单因子，但均未提供具体的构建公式和详细过程，仅列出了其名称、方向及在不同股票池和周期下的表现[12][13][14][15][16][17]。这些因子涵盖多个维度： * **动量反转类：** 5日反转、动量弹簧因子、5日动量、1月动量等[13][15][17][22] * **估值类：** 市净率因子、市盈率TTM倒数、市销率TTM倒数、BP因子、EP因子等[12][13][14][15][16][17][21][22] * **盈利质量类：** 单季度ROE、单季度营业利润同比增长率、单季度净利润同比增长率、毛利率TTM、营业利润率TTM、净利润率TTM、ROE稳定性、ROA稳定性等[12][13][14][15][16][17][22] * **成长类：** 总资产增长率、单季度营业收入同比增长率、净资产增长率等[12][13][15][17][22] * **流动性类：** 5日平均换手率、换手率相对波动率、6日成交金额的移动平均值、6日成交金额波动率等[12][13][15][17][29] * **交易行为类：** 早盘收益因子、早盘后收益因子、动量调整大单、动量调整小单、大单净流入、小单净流入、净利润断层、标准化预期外收入、标准化预期外盈利等[12][13][14][15][16][17] * **波动率类：** 残差波动率、下行波动率占比、5日成交量的标准差、6日成交金额的标准差、日内波动率与成交金额的相关性等[13][15][17][21][22] * **规模类：** 对数市值因子[13][15][17][22] 因子的回测效果 （注：以下仅展示报告中明确提供了数值的部分因子近期表现。所有因子表现数据均为“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]。） 沪深300股票池因子表现（最近1周） 1. **5日平均换手率**，因子方向：负向，最近1周收益：4.52%[13] 2. **5日反转**，因子方向：负向，最近1周收益：3.17%[13] 3. **市净率因子**，因子方向：正向，最近1周收益：3.10%[13] 4. **总资产增长率**，因子方向：正向，最近1周收益：-2.05%[13] 5. **单季度ROE**，因子方向：正向，最近1周收益：-1.16%[13] 6. **单季度EPS**，因子方向：正向，最近1周收益：-1.13%[13] 中证500股票池因子表现（最近1周） 1. **5日反转**，因子方向：负向，最近1周收益：3.80%[15] 2. **单季度营业利润同比增长率**，因子方向：正向，最近1周收益：1.98%[15] 3. **市销率TTM倒数**，因子方向：正向，最近1周收益：1.65%[15] 4. **动量调整小单**，因子方向：负向，最近1周收益：-2.41%[15] 5. **毛利率TTM**，因子方向：正向，最近1周收益：-1.76%[15] 6. **小单净流入**，因子方向：负向，最近1周收益：-1.53%[15] 流动性1500股票池因子表现（最近1周） 1. **早盘后收益因子**，因子方向：负向，最近1周收益：2.18%[17] 2. **5日反转**，因子方向：负向，最近1周收益：2.17%[17] 3. **标准化预期外收入**，因子方向：正向，最近1周收益：1.77%[17] 4. **ROA稳定性**，因子方向：正向，最近1周收益：-1.49%[17] 5. **小单净流入**，因子方向：负向，最近1周收益：-1.33%[17] 6. **总资产毛利率TTM**，因子方向：正向，最近1周收益：-1.32%[17] 大类因子表现（全市场股票池，最近1周） 1. **Beta因子**，最近1周收益：0.66%[18] 2. **估值因子**，最近1周收益：0.48%[18] 3. **市值因子**，最近1周收益：-0.80%[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. **基本面与技术面双层筛选**：对分析师推荐股票池中的股票，从基本面和技术面两个维度进行精选，具体筛选标准未在本文中详细展开[14][16]。 2. **因子名称：250日新高距离**[20][22] * **因子构建思路**：该因子用于量化个股股价接近其历史最高价的程度，基于学术研究和投资实践，认为股价接近或创出新高是未来表现强势的信号[20]。 * **因子具体构建过程**： 1. 计算过去250个交易日收盘价的最大值。 2. 使用最新收盘价与过去250日最高价计算距离。 3. 具体公式为： $$250日新高距离 = 1 - \frac{Close_t}{ts\_max(Close, 250)}$$ 其中，$Close_t$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]。 4. 若最新收盘价创出新高，则该因子值为0；若最新收盘价较新高回落，则该因子为正值，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，进一步筛选出具备分析师关注、股价走势强劲且路径平稳的股票，以捕捉更高质量的趋势信号[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]： 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][23] * **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**：根据过去5日的250日新高距离在时间序列上的均值进行排序，最终取排序靠前的50只股票[23]。 模型的回测效果 1. **港股精选组合模型**[16][19] * 全样本年化收益：19.08%[16][19] * 全样本相对恒生指数超额收益：18.06%[16][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] 因子的回测效果 *(本报告中未提供单个因子的独立测试结果，如IC、IR等)*

量化模型与构建方式 1. 模型名称：业绩预告数据统计模型；模型构建思路：对上市公司披露的年度业绩预告数据进行分类、汇总和统计，以分析市场整体及不同维度的业绩预告特征[1][4][20]；模型具体构建过程：首先，根据交易所规则定义“业绩积极”类型，包括预增、略增、续盈、扭亏[4][20][32]。其次，计算整体及分板块、分市值、分行业的业绩预告披露率，公式为：$$披露率 = \frac{已披露业绩预告的公司数量}{该范围内上市公司总数量} \times 100\%$$ [20][21][33]。同时，计算业绩积极率，公式为：$$业绩积极率 = \frac{业绩预告类型为“积极”的公司数量}{已披露业绩预告的公司总数量} \times 100\%$$ [20][32][33]。最后，对已披露公司的业绩预告类型进行数量统计和占比分析[1][32]。 2. 模型名称：业绩增速与市场表现对比分析模型；模型构建思路：基于已披露的业绩预告、快报或正式财报数据，计算行业或公司的归母净利润同比增速，并与同期的股价指数涨跌幅进行对比分析，以观察业绩与市场表现的匹配或背离情况[39][40][42]；模型具体构建过程：首先，确定统计口径，对于业绩预告，采用预计归母净利润上、下限的平均值作为当年归母净利润值；对于业绩快报或正式财报，直接使用其数据[39]。对于多次披露的公司，采用最新数据[39]。其次，计算归母净利润同比增速，采用“整体法”和“中位数法”两种方式[50][52]。整体法公式为：$$整体法归母净利润同比增速 = \frac{\sum (本期归母净利润)}{\sum (上年同期归母净利润)} - 1$$ [44][49]。中位数法则是计算所有样本公司个体增速的中位数[50][52]。然后，获取对应行业指数在相同报告期内的多个时间窗口的涨跌幅数据，包括年初至今、近20日、近60日、近120日、近250日[44][49]。最后，将计算出的业绩增速与各时段指数涨跌幅并列展示，进行横向（跨行业）和纵向（业绩与股价）的对比分析[39][42][47]。 模型的回测效果 1. 业绩预告数据统计模型，整体披露率13.11%[20]，整体业绩积极率40.31%[20]，深证主板披露率10.34%、积极率62.34%[20]，创业板披露率9.91%、积极率63.04%[20]，上证主板披露率19.25%、积极率21.10%[20]，科创板披露率15.17%、积极率35.16%[20]，北证披露率2.43%、积极率71.43%[20]，大市值（>1000亿）披露率15.91%、积极率71.43%[21]，中大市值（500-1000亿）披露率15.76%、积极率55.17%[21]，中市值（200-500亿）披露率16.48%、积极率50.49%[21]，中小市值（50-200亿）披露率12.64%、积极率40.92%[21]，小市值（<50亿）披露率11.69%、积极率28.69%[21]，房地产行业披露率33.00%、积极率3.03%[33]，有色金属行业披露率12.70%、积极率76.47%[33] 2. 业绩增速与市场表现对比分析模型，国防军工行业归母净利润同比增速（整体法）112.7%、年初至今涨跌幅12.8%[44][49]，机械设备行业归母净利润同比增速（整体法）890.3%、年初至今涨跌幅10.2%[44][49]，电力设备行业归母净利润同比增速（整体法）12.8%、年初至今涨跌幅9.6%[44][49]，医药生物行业归母净利润同比增速（整体法）10.3%、年初至今涨跌幅6.7%[44][49]，基础化工行业归母净利润同比增速（整体法）135.5%、年初至今涨跌幅13.7%[44][49]，有色金属行业归母净利润同比增速（整体法）57.0%、年初至今涨跌幅18.6%[44][49]，石油石化行业归母净利润同比增速（整体法）-692.1%、年初至今涨跌幅7.7%[44][49]，煤炭行业归母净利润同比增速（整体法）-54.5%、年初至今涨跌幅4.0%[44][49]，汽车行业归母净利润同比增速（整体法）587.7%、年初至今涨跌幅5.6%[44][49]，社会服务行业归母净利润同比增速（整体法）1900.3%、年初至今涨跌幅9.7%[44][49]，传媒行业归母净利润同比增速（整体法）-65.6%、年初至今涨跌幅17.7%[44][49]，电子行业归母净利润同比增速（整体法）88.5%、年初至今涨跌幅13.4%[44][49]，计算机行业归母净利润同比增速（整体法）121.8%、年初至今涨跌幅12.3%[44][49]，房地产行业归母净利润同比增速（整体法）-100.4%、年初至今涨跌幅6.7%[44][49]

量化模型与构建方式 1. **模型名称**：重仓股补全法（模拟全持仓模型）[45] * **模型构建思路**：由于基金季报仅披露前十大重仓股，信息不完整，为了更全面地分析基金的行业配置偏好，在保证一定准确度的同时兼顾时效性，构建此模型来模拟基金的全部持仓[45]。 * **模型具体构建过程**：该方法在证监会行业配置约束下，利用上期持仓股票和全市场其他股票来补全本期行业配置缺失的部分，从而模拟本期全部持仓，进而估计基金的中信行业配置信息[45]。具体步骤如下： 1. **数据基础**：使用基金定期报告披露的完整持仓（年报、半年报）或上期模拟持仓作为基准[45]。 2. **补全逻辑**：假设基金经理的配置偏好具有延续性，其管理的基金在前后两期非重仓股的行业配置比例保持不变[45]。 3. **操作流程**： * 在Q1（或Q3）节点，使用上期的年报（或半年报）的真实完整持仓信息[45]。 * 在Q2（或Q4）节点，使用上期Q1（或Q3）的模拟持仓信息[45]。 * 对于本期季报，已知前十大重仓股（重仓股）的持仓。对于非重仓部分，假设其行业配置结构与上期完整持仓（或模拟持仓）中非重仓部分的行业配置结构相同。 * 在满足证监会行业配置比例要求的前提下，用全市场其他股票按上期的行业配置比例填充非重仓部分，最终合成一个模拟的全持仓组合[45]。 量化因子与构建方式 1. **因子名称**：行业配置权重因子[44][45][46] * **因子构建思路**：通过计算基金在特定行业上的持仓市值占其总股票持仓市值的比例，来衡量基金对该行业的配置偏好和暴露程度[44][45][46]。 * **因子具体构建过程**： 1. 对于单只基金，计算其持有某行业所有股票的总市值。 2. 计算该基金持有的所有股票的总市值。 3. 行业配置权重 = (持有某行业股票总市值 / 基金持有所有股票总市值) × 100%[44][45][46]。 4. 报告中对所有主动权益类基金进行汇总，分别计算了基于**重仓股**的行业配置权重[44]和基于**模拟全持仓**的行业配置权重[45][46]。 2. **因子名称**：板块配置权重因子[48][49][50] * **因子构建思路**：在行业配置的基础上，根据行业的内在属性和差异性，将中信行业归类为周期、消费、医药、金融、科技、其他六大板块，从更宏观的板块视角分析基金的配置偏好及变动[47][48]。 * **因子具体构建过程**： 1. **板块划分**：依据报告中提供的映射表，将每个中信一级行业归入一个板块（例如：有色金属归入周期板块，电子归入科技板块）[47][48]。 2. **权重计算**：对于单只基金，将其在某个板块内所有行业的配置权重相加，得到该基金的板块配置权重。 3. 报告中对所有主动权益类基金进行汇总，分别计算了基于**重仓股**的板块配置权重[48][49]和基于**模拟全持仓**的板块配置权重[50]。 3. **因子名称**：配置变动（差值）因子[44][45][46][48][49][50] * **因子构建思路**：通过计算相邻两期（如2025年四季度与三季度）行业或板块配置权重的差值，来量化基金配置偏好的动态变化，识别其加仓和减仓的方向[44][45][46][48][49][50]。 * **因子具体构建过程**： 1. 配置变动值 = 本期配置权重 - 上期配置权重[44][45][46][48][49][50]。 2. 正值表示加仓，负值表示减仓。 模型的回测效果 （报告中未提供该模型的量化回测绩效指标，如年化收益率、夏普比率、最大回撤等。） 因子的回测效果 （报告中未提供基于这些因子构建策略的量化回测绩效指标，如多空收益、IC值、IR等。报告主要展示了因子在特定时点（2025年四季度）的截面取值及相对上期的变动情况。） **行业配置权重因子（基于重仓股，2025年四季度末截面值及相对三季度变动）**[44] * 电子行业：配置权重20.73%，较上季度变动-1.23个百分点[44]。 * 通信行业：配置权重9.84%，较上季度变动+1.84个百分点[44]。 * 医药行业：配置权重9.08%，较上季度变动-1.90个百分点[44]。 * 有色金属行业：配置权重7.86%，较上季度变动+2.12个百分点[44]。 * 电力设备及新能源行业：配置权重7.97%，较上季度变动-0.59个百分点[44]。 * 基础化工行业：配置权重4.64%，较上季度变动+1.27个百分点[44]。 * 非银行金融行业：配置权重2.92%，较上季度变动+1.11个百分点[44]。 **行业配置权重因子（基于模拟全持仓，2025年四季度末截面值及相对三季度变动）**[45][46] * 电子行业：配置权重17.75%，较上季度变动-0.19个百分点[46]。 * 医药行业：配置权重9.44%，较上季度变动-0.76个百分点[46]。 * 机械行业：配置权重7.43%，较上季度变动+0.22个百分点[46]。 * 有色金属行业：配置权重7.00%，较上季度变动+1.10个百分点[46]。 * 电力设备及新能源行业：配置权重7.46%，较上季度变动-0.38个百分点[46]。 * 基础化工行业：配置权重5.80%，较上季度变动+0.55个百分点[46]。 * 通信行业：配置权重6.36%，较上季度变动+0.90个百分点[46]。 * 非银行金融行业：配置权重2.73%，较上季度变动+0.69个百分点[46]。 **板块配置权重因子（基于重仓股，2025年四季度末截面值及相对三季度变动）**[48][49] * 科技板块：配置权重37.87%，较上季度变动-2.38个百分点[48][49]。 * 周期板块：配置权重32.64%，较上季度变动+4.24个百分点[48][49]。 * 消费板块：配置权重14.70%，较上季度变动-0.87个百分点[48][49]。 * 医药板块：配置权重9.08%，较上季度变动-1.90个百分点[48][49]。 * 金融板块：配置权重5.72%，较上季度变动+0.91个百分点[48][49]。 **板块配置权重因子（基于模拟全持仓，2025年四季度末截面值及相对三季度变动）**[50] * 周期板块：配置权重38.13%，较上季度变动+1.87个百分点[50]。 * 科技板块：配置权重29.85%，较上季度变动-1.04个百分点[50]。 * 消费板块：配置权重15.92%，较上季度变动-0.64个百分点[50]。 * 金融板块：配置权重6.64%，较上季度变动+0.56个百分点[50]。 * 医药板块：配置权重9.44%，较上季度变动-0.76个百分点[50]。

量化模型与因子总结 量化因子与构建方式 1. **因子名称：封板率** [19] * **因子构建思路**：通过计算当日最高价涨停且最终收盘也涨停的股票比例，来衡量市场追涨资金的封板意愿和强度，是反映市场短期情绪和资金博弈热度的高频指标。[19] * **因子具体构建过程**： 1. 选定股票池：上市满3个月以上的股票。[19] 2. 识别股票状态：在交易日T，识别出盘中最高价达到涨停价的股票集合A。[19] 3. 计算因子值：在集合A中，统计收盘价也涨停的股票数量。封板率即为该数量与集合A股票总数的比值。[19] * **公式**： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ [19] 2. **因子名称：连板率** [19] * **因子构建思路**：通过计算连续两个交易日收盘涨停的股票比例，来度量市场涨停效应的持续性，反映题材或个股的赚钱效应能否延续，是观察市场情绪强度和热点持续性的重要指标。[19] * **因子具体构建过程**： 1. 选定股票池：上市满3个月以上的股票。[19] 2. 识别基准股票：在交易日T-1，统计所有收盘涨停的股票集合B。[19] 3. 计算因子值：在集合B中，统计在交易日T收盘也涨停的股票数量。连板率即为该数量与集合B股票总数的比值。[19] * **公式**： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ [19] 3. **因子名称：大宗交易折价率** [29] * **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，来观察大额资金的交易成本和交易情绪。折价率的高低可以反映大资金对特定股票的流动性需求、减持压力或对后市的看法。[29] * **因子具体构建过程**： 1. 数据获取：获取当日所有大宗交易的成交数据和对应股票的市价数据。[29] 2. 计算总成交金额与总市值：汇总当日所有大宗交易的成交总金额，并计算这些交易涉及股份按当日市价计算的总市值。[29] 3. 计算因子值：折价率等于大宗交易总成交金额与按市价计算的总市值之比减1。[29] * **公式**： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ [29] 4. **因子名称：股指期货年化升贴水率** [31] * **因子构建思路**：通过计算股指期货价格与现货指数价格之间的年化基差，来反映市场对未来指数走势的预期、对冲成本以及市场情绪。升水通常代表乐观预期或对冲成本较低，贴水则相反。[31] * **因子具体构建过程**： 1. 数据获取：获取特定股指期货主力合约的结算价（F）和对应现货指数的收盘价（S），以及该期货合约的剩余交易日数（T）。[31] 2. 计算基差：基差 = 期货价格(F) - 现货价格(S)。[31] 3. 计算年化因子值：年化升贴水率等于基差除以现货价格，再乘以年化因子（250/合约剩余交易日数）。[31] * **公式**： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ [31] * **公式说明**：公式中“基差”定义为期货价格减去现货价格，因此计算结果为正表示年化升水，为负表示年化贴水。[31] 因子的回测效果 *本报告为市场监测日报，未提供因子的历史回测绩效指标（如IC、IR、多空收益等）。报告主要展示了各因子在特定日期（2026年1月22日或23日）的截面取值或时间序列状态。* [19][29][31] 1. **封板率因子**，2026年1月23日取值：**82%**，较前日变化：**提升7%**。[19] 2. **连板率因子**，2026年1月23日取值：**23%**，较前日变化：**下降1%**。[19] 3. **大宗交易折价率因子**，2026年1月22日取值：**6.85%**，近半年平均值：**6.82%**。[29] 4. **股指期货年化升贴水率因子** * **上证50股指期货**，2026年1月23日取值：**1.36% (升水)**，近一年中位数：**0.68% (贴水)**，当日历史分位点：**89%**。[31] * **沪深300股指期货**，2026年1月23日取值：**1.05% (升水)**，近一年中位数：**3.79% (贴水)**，当日历史分位点：**93%**。[31] * **中证500股指期货**，2026年1月23日取值：**5.82% (升水)**，近一年中位数：**11.11% (贴水)**，当日历史分位点：**99%**。[31] * **中证1000股指期货**，2026年1月23日取值：**3.98% (升水)**，近一年中位数：**13.61% (贴水)**，当日历史分位点：**98%**。[31]

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距离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。其理论基础在于，研究表明股价接近其52周（或250日）最高价时，未来收益往往更高[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` 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]。 * 若最新收盘价创出新高，则该因子值为0；若价格从高点回落，则该因子为正值，表示回落的幅度[11]。 2. **因子名称**：股价路径平滑性（位移路程比）[27] * **因子构建思路**：该因子用于衡量股价上涨过程的平稳性。研究表明，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[27]。 * **因子具体构建过程**：通过计算股价在一定时期内的净位移（起点到终点的涨幅）与总路程（期间每日涨跌幅绝对值的总和）的比值来度量平滑性。 * 具体公式为： $$股价位移路程比 = \frac{过去120日涨跌幅的绝对值}{过去120日日涨跌幅绝对值加总}$$ * 该比值越接近1，表明股价路径越平滑（上涨过程回撤小）；比值越小，表明路径越曲折[27]。 3. **因子名称**：创新高持续性[29] * **因子构建思路**：该因子用于度量股票在近期维持强势、接近其一年高点的持续能力。 * **因子具体构建过程**：计算股票在过去120个交易日内，其“250日新高距离”在时间序列上的平均值[29]。该平均值越小，表明股票在近期越持续地保持在接近一年高点的位置。 4. **因子名称**：趋势延续性[29] * **因子构建思路**：该因子用于捕捉股票短期内的强势延续状态。 * **因子具体构建过程**：计算股票在过去5个交易日内，其“250日新高距离”在时间序列上的均值[29]。该均值越小，表明股票在近期（5日）越持续地接近新高，短期趋势越强。 量化模型与构建方式 1. **模型名称**：平稳创新高股票筛选模型[27] * **模型构建思路**：该模型旨在从市场中筛选出不仅创出新高，而且上涨过程平稳、趋势延续性好、并得到分析师一定关注的“高质量”动量股票。其结合了截面动量（相对强弱）与时间序列动量（路径平滑性）的研究思想[27][29]。 * **模型具体构建过程**：采用多步骤条件筛选法，从全市场股票中逐步收敛至目标股票池。 1. **初选股票池**：筛选上市满15个月，且在过去20个交易日内曾创出250日新高的股票[20]。 2. **分析师关注度筛选**：要求过去3个月内，获得“买入”或“增持”评级的分析师研报不少于5份[29]。 3. **股价相对强弱筛选**：要求过去250日涨跌幅位于全市场前20%[29]。 4. **股价平稳性筛选**：在满足上述条件的股票池内，使用“股价路径平滑性（位移路程比）”和“创新高持续性”两个指标进行综合打分，选取排名在前50%的股票[29]。 5. **最终筛选**：在步骤4得到的股票池中，依据“趋势延续性”因子（过去5日250日新高距离的时序均值）进行排序，选取排名最靠前的50只股票作为最终的“平稳创新高股票”[29]。 模型的回测效果 *（注：报告未提供该筛选模型的量化回测绩效指标，如年化收益率、夏普比率、信息比率(IR)、最大回撤等。报告仅展示了在特定时点（2026年1月23日）应用该模型筛选出的具体股票列表及部分特征数据[33]。）* 因子的回测效果 *（注：报告未提供单个因子的独立测试结果，如因子IC值、分组收益、多空收益等量化指标。报告主要展示了“250日新高距离”因子在指数、行业、概念及个股层面的截面数据[12][13][16][20][21]。）*

量化模型与构建方式 1. **模型名称**：华福金工权益基金评价模型[17] **模型构建思路**：通过将基金收益率与一系列基准指数进行一元线性回归，计算拟合优度（R²），以确定每只基金在特定时期内的业绩参考基准，从而对基金进行风格分类和评价[17]。 **模型具体构建过程**： 1. 确定22个基准指数作为自变量，基金收益率作为因变量[17][20]。 2. 对每只基金，逐个与每个基准指数进行一元线性回归，计算每一期的R²[17]。 3. 在每个月底，向前选取窗口期为6个月的基金收益率数据进行滚动窗口回归，得到每个基金随时间变化的R²矩阵[17]。 4. 选取最近6期R²的均值，将均值最大的R²所对应的基准指数，确定为该基金当期的业绩参考指数[17]。 2. **模型名称**：华福金工基金综合打分体系[41] **模型构建思路**：构建一个立体的基金评价体系，横向比较全市场胜率，纵向考察长期业绩、短期业绩及投资能力的变化趋势，对主动权益基金进行综合打分并划分等级[41]。 **模型具体构建过程**： 1. **横向比较**：根据基金相对其自适应基准（由前述评价模型确定）的长期超额收益胜率在全市场基金经理中的排名分档[41]。 2. **纵向考察**：兼顾长期与短期业绩，并考察基金经理获取超额收益（α）能力的变化趋势[41]。 3. **等级划分**：综合以上维度，将基金划分为不同等级[41]： * **AAA级（稳定alpha型）**：长期超额收益胜率排名前25%，α值较为分散且无下滑迹象[41]。 * **AA+级（α持续上升型）**：α值序列呈现稳健提升态势，胜率排名前25%[41][42]。 * **AA级（α择时型）**：胜率高，但α值相对不稳定[41]。 * **BB+级（逆风翻盘型）**：α值趋势持续上升，但胜率排名在前25%-50%之间[42]。 量化因子与构建方式 1. **因子名称**：基金相对单一指数拟合优度（R²）[32] **因子构建思路**：通过计算基金收益率与单一最相关基准指数回归的R²，来度量基金策略的集中度或多元化程度，进而判断市场整体热点情况[32]。 **因子具体构建过程**： 1. 对每只样本基金，使用前述“权益基金评价模型”确定其当期业绩参考指数[17]。 2. 计算该基金收益率与该特定指数收益率进行一元线性回归的R²[32]。 3. 计算所有样本基金该R²的平均值，作为衡量市场整体策略集中度的因子[32]。 模型的回测效果 （注：报告未提供模型历史回测的定量指标，如年化收益率、夏普比率、最大回撤等。仅展示了模型应用后的统计结果。） 因子的回测效果 1. **基金相对单一指数拟合优度（R²）因子**，2025年12月平均值：0.75[32]

量化模型与构建方式 1. **模型/因子名称**：长线重仓股识别模型[3][9] * **构建思路**：通过识别被基金连续多期重仓持有的个股，来捕捉基金经理的长期看好标的[9] * **具体构建过程**： 1. 数据准备：以主动管理型权益基金（普通股票型、偏股混合型、平衡混合型、灵活配置型；剔除量化基金）为样本，且要求基金规模超过2亿[14] 2. 定义规则：将连续4个或4个以上报告期出现在基金前十大重仓股列表中的个股，定义为该基金的“长线重仓股”[3][9] 3. 统计汇总：在特定报告期（如2025Q4），统计所有样本基金中，被定义为长线重仓股的个股，并计算持有该长线重仓股的基金总数[9][10] 2. **模型/因子名称**：长线持仓终止比例因子[14] * **构建思路**：通过计算基金终止对某只个股长线持仓的比例，来度量基金经理群体对该个股后市看法的转变程度[9][14] * **具体构建过程**： 1. 确定样本：选取在上一报告期（如2025Q3）长线重仓基金数超过20只的个股作为分析样本[3][14] 2. 计算指标：对于样本中的每只个股，计算其在当前报告期（如2025Q4）的“终止长线持仓比例”。具体公式如下： $$2025Q4终止长线持仓比例 = \frac{2025Q4终止长线重仓持有该个股的基金数量}{2025Q3长线重仓持有该个股的基金数量}$$[14] 其中，分子“2025Q4终止长线重仓持有该个股的基金数量”指的是在2025Q3将其视为长线重仓股，但在2025Q4的前十大重仓股中不再持有该个股的基金数量[14] 3. 衍生应用：将上述因子应用于行业层面。以申万一级行业为标准，汇总行业内所有个股的分子与分母，计算行业的终止长线持仓比例，用以观察基金经理对行业后市看法的变化[3][20][22] 模型/因子的回测效果 *本报告为基于持仓的统计分析报告，未提供模型或因子在历史时间序列上的回溯测试绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。报告主要展示了特定时点（2025Q4）的截面统计结果[10][14][18][22]。*

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距离过去250个交易日最高点的回落幅度，其理论基础在于研究表明股价接近52周（约250日）最高价时，未来收益往往更高，是动量与趋势跟踪策略的核心指标之一[11]。 * **因子具体构建过程**：对于每个标的（个股、指数等），计算其最新收盘价与过去250个交易日收盘价最大值的相对距离。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]。若最新收盘价创出新高，则该因子值为0；若价格从高点回落，则该因子为正值，表示回落的幅度[11]。 2. **模型名称：平稳创新高股票筛选模型**[27][29] * **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动量持续性的“平稳创新高”股票。其思路结合了分析师关注度、股价相对强弱、以及动量的时间序列特性（如路径平滑性、持续性），旨在规避“彩票型”股票，筛选出遵循平滑价格路径、动量效应可能更强大的标的[27]。 * **模型具体构建过程**：模型采用多步骤条件筛选法，在“过去20个交易日创出过250日新高”的股票池中进行[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[29]。 2. **股价相对强弱筛选**：过去250日涨跌幅位于全市场前20%[29]。 3. **股价平稳性筛选**：在满足上述条件的股票池内，使用以下两个指标综合打分，选取排名在前50%的股票[29]： * **价格路径平滑性**：使用股价位移路程比进行衡量。具体计算公式为：`过去120日涨跌幅的绝对值 / 过去120日日涨跌幅绝对值加总`[27]。该比值越接近1，表明价格路径越平滑。 * **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，表明在考察期内股价越持续地接近或创出新高[29]。 4. **趋势延续性筛选**：在通过平稳性筛选的股票中，计算`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[29]。 模型的回测效果 *本报告未提供量化模型（如平稳创新高股票筛选模型）的历史回溯测试绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。报告内容主要为截至特定时点（2026年1月23日）的模型应用结果展示，而非历史回测统计[12][13][20][30]。* 因子的回测效果 *本报告未提供量化因子（如250日新高距离）的因子测试绩效指标（如IC值、ICIR、多空收益、分组收益等）。报告内容主要为截至特定时点（2026年1月23日）的因子截面数据展示[12][13][16]。*

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：中长线资金增持重点规模ETF体量及成本线测算模型[7] **模型构建思路**：通过追踪中长线资金（如中央汇金、证金等）在特定宽基ETF上的历史净流入/流出数据，估算其累计持仓的加权平均成本线，并计算当前价格相对于成本线的安全垫[7][10] **模型具体构建过程**： * 数据来源：基于上市公司定期报告、基金定期报告等披露的十大流通股东及重仓股信息，识别中长线资金的持仓变动[10] * 识别净流入/流出轮次：报告识别了自2024年以来中长线资金通过宽基ETF进行的多轮大规模净流入操作，例如沪深300、中证1000等品种[3][7] * 计算加权平均成本线：对每一轮净流入，记录其买入期间的指数均价作为成本价。估算当前整体成本线时，采用买入金额加权平均的方法进行计算[7] * 计算安全垫：将当前指数价格与估算的加权平均成本线进行比较，计算（现价/成本线-1）作为安全垫，用以衡量当前价格相对于资金成本的盈亏位置[7] * 估算留存市值：考虑历史累计净买入与最新一轮（第六轮）的净流出，计算当前中长线资金在各类宽基ETF中的估算留存市值[7] 模型的回测效果 *注：本报告未提供模型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、最大回撤等）。报告主要展示了基于历史净流入数据测算出的成本线、留存市值及安全垫等静态结果[7]。* 量化因子与构建方式 1. **因子名称**：宽基ETF单日净流入因子[5] **因子构建思路**：直接统计特定宽基ETF品种（如沪深300ETF、中证1000ETF等）在单个交易日的资金净流入（申购金额减去赎回金额）[5] **因子具体构建过程**：从市场数据（如Wind）获取各宽基ETF的每日份额变动及净值数据，计算单日净流入金额。公式为： $$单日净流入金额_t = (基金份额_t - 基金份额_{t-1}) \times 基金单位净值_t$$ 其中，`t`代表当前交易日[5]。 2. **因子名称**：中长线资金持仓行业集中度因子[9] **因子构建思路**：通过汇总中长线资金（中央汇金、证金等）在所有股票上的持仓，计算其在不同行业的持股市值占比，以观察其行业配置偏好[9] **因子具体构建过程**： * 数据整合：从定期报告中提取中长线资金对个股的持仓数据[10] * 行业归类：将持仓个股按其所属行业进行分类（如银行、非银金融等）[9] * 计算行业占比：汇总每个行业的持股市值，并计算其占总持股市值的比例[9] * 报告显示，截至25Q3，中长线资金重仓行业前五分别为：银行(37%)、非银金融(19%)、食品饮料(5%)、建筑装饰(4%)、公用事业(4%)[9] 因子的回测效果 *注：本报告未提供上述因子在选股或择时策略中的有效性测试结果（如IC、IR、多空收益等）。报告主要利用这些因子进行现状描述和统计，例如展示2026年以来宽基ETF的净流出情况，或中长线资金的历史持仓结构[3][5][7][9]。*