量化模型与构建方式 1. 股指期货分红点位预测模型 **模型构建思路**：基于历史数据对股指期货合约存续期内标的指数成分股的分红进行预测，以修正基差计算[9] **模型具体构建过程**： 1. 对标的指数（中证500、沪深300、上证50、中证1000）成分股未来一年的分红进行预测 2. 计算各期货合约（当月、次月、当季、下季）存续期内的预期分红点位 3. 具体预测值（2025年8月22日）： - 中证500：未来一年分红点位87.44，各合约存续期内分红点位均为0.05[9][11] - 沪深300：未来一年分红点位83.62，各合约存续期内分红点位均为2.45[12][15] - 上证50：未来一年分红点位66.77，各合约存续期内分红点位均为0.85[17][18] - 中证1000：未来一年分红点位66.50，各合约存续期内分红点位均为0.39[19][20] 2. 基差修正模型 **模型构建思路**：剔除分红影响，计算真实反映市场情绪的基差水平[21] **模型具体构建过程**： 1. 计算实际基差：合约收盘价 - 标的指数收盘价 2. 计算预期分红调整后的基差： $$预期分红调整后基差 = 实际基差 + 存续期内未实现的预期分红$$ 3. 年化处理： $$年化基差 = \frac{实际基差 + 预期分红点位}{指数价格} \times \frac{360}{合约剩余天数}$$[21] 3. 期现对冲策略模型 **模型构建思路**：通过持有现货并做空期货合约实现对冲，考虑基差收敛特性进行优化[44][46] **模型具体构建过程**： 包含两种策略： 3.1 连续对冲策略 1. **现货端**：持有标的指数的全收益指数，使用70%资金 2. **期货端**：做空相同名义本金的股指期货合约，使用30%资金 3. **调仓规则**：连续持有季月/当月合约，直至离到期剩余不足2日，以收盘价平仓并开仓下一合约[45] 3.2 最低贴水策略 1. **现货端**：持有标的指数的全收益指数，使用70%资金 2. **期货端**：做空相同名义本金的股指期货合约，使用30%资金 3. **调仓规则**： - 计算所有可交易合约的年化基差 - 选择年化基差贴水幅度最小的合约开仓 - 同一合约持有8个交易日或离到期不足2日时调仓 - 排除剩余到期日不足8日的合约[46] 4. 信达波动率指数（Cinda-VIX） **因子构建思路**：反映期权市场投资者对标的资产未来波动率的预期，借鉴海外经验并结合中国场内期权市场实际情况[62] **因子具体构建过程**：基于信达金工衍生品研究报告系列四《挖掘期权市场中隐含的市场情绪》中的算法编制[62] 5. 信达偏度指数（Cinda-SKEW） **因子构建思路**：捕捉不同行权价格期权隐含波动率的偏斜特征，衡量市场对尾部风险的预期[67] **因子具体构建过程**：通过分析虚值看涨期权与看跌期权的隐含波动率偏斜程度编制[67] 模型的回测效果 1. 中证500股指期货期现对冲策略（2022年7月22日至2025年8月22日） | 策略类型 | 年化收益 | 波动率 | 最大回撤 | 净值 | 年换手次数 | 2025年以来收益 | |---------|---------|--------|----------|------|------------|---------------| | 当月连续对冲 | -3.07% | 3.82% | -9.27% | 0.9086 | 12 | -4.60% | | 季月连续对冲 | -2.31% | 4.71% | -8.34% | 0.9307 | 4 | -2.33% | | 最低贴水策略 | -1.40% | 4.60% | -7.97% | 0.9577 | 17.24 | -2.11% | | 指数表现 | 2.68% | 20.96% | -31.46% | 1.0848 | —— | 23.03% |[48] 2. 沪深300股指期货期现对冲策略（2022年7月22日至2025年8月22日） | 策略类型 | 年化收益 | 波动率 | 最大回撤 | 净值 | 年换手次数 | 2025年以来收益 | |---------|---------|--------|----------|------|------------|---------------| | 当月连续对冲 | 0.38% | 2.97% | -3.95% | 1.0116 | 12 | -1.18% | | 季月连续对冲 | 0.52% | 3.32% | -4.03% | 1.0160 | 4 | -0.38% | | 最低贴水策略 | 1.18% | 3.10% | -4.06% | 1.0366 | 15.29 | 0.30% | | 指数表现 | 1.06% | 17.05% | -25.59% | 1.0330 | —— | 14.60% |[53] 3. 上证50股指期货期现对冲策略（2022年7月22日至2025年8月22日） | 策略类型 | 年化收益 | 波动率 | 最大回撤 | 净值 | 年换手次数 | 2025年以来收益 | |---------|---------|--------|----------|------|------------|---------------| | 当月连续对冲 | 0.97% | 3.08% | -4.22% | 1.0302 | 12 | -0.06% | | 季月连续对冲 | 1.87% | 3.49% | -3.76% | 1.0585 | 4 | 0.91% | | 最低贴水策略 | 1.63% | 3.09% | -3.91% | 1.0511 | 15.94 | 0.99% | | 指数表现 | 0.91% | 16.27% | -22.96% | 1.0281 | —— | 12.19% |[57] 4. 中证1000股指期货期现对冲策略（2022年7月22日至2025年8月22日） | 策略类型 | 年化收益 | 波动率 | 最大回撤 | 净值 | 年换手次数 | 2025年以来收益 | |---------|---------|--------|----------|------|------------|---------------| | 当月连续对冲 | -6.21% | 4.72% | -14.01% | 0.8345 | 12 | -10.38% | | 季月连续对冲 | -4.69% | 5.76% | -12.63% | 0.8580 | 4 | -6.09% | | 最低贴水策略 | -4.04% | 5.55% | -11.11% | 0.8702 | 15.91 | -5.26% | | 指数表现 | 0.78% | 25.69% | -41.60% | 0.9387 | —— | 27.01% |[59] 因子的回测效果 1. 信达波动率指数（Cinda-VIX）取值（2025年8月22日） - 上证50VIX_30: 24.31[62][63] - 沪深300VIX_30: 22.97[62][63] - 中证500VIX_30: 32.58[62][63] - 中证1000VIX_30: 29.50[62][63] 2. 信达偏度指数（Cinda-SKEW）取值（2025年8月22日） - 上证50SKEW: 99.82[68][71] - 沪深300SKEW: 104.77[68][71] - 中证500SKEW: 98.22[68][71] - 中证1000SKEW: 106.46[68][71]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：择时系统**[7] **模型构建思路**：通过多个指标综合判断市场状态，包括趋势强度和超涨超跌状态，用于监控市场并提示潜在风险[7] **模型具体构建过程**： - 包含趋势指标，用于判断当前市场趋势的强度[7] - 包含低频温度计和超低频温度计，这两个指标用于刻画市场的超涨和超跌状态[7] - 超涨状态的触发规则：如果市场保持快速上涨势头，指标数值可能上穿至预设的风险阈值之上，从而触发超涨信号[7] 2. **模型名称：四轮驱动模型**[17] **模型构建思路**：识别不同行业、板块或大类资产的交易机会，基于价格行为、调整形态和成交量变化进行判断[17] **模型具体构建过程**： - 模型输出一系列交易信号，每个信号包含日期、标的代码、标的名称、信号类型（如“交易机会”）和简要的研判理由[17] - 研判理由通常基于技术分析，例如：“处于偏强的区间震荡中”、“调整过程属于偏强势的调整形态”、“开始放量上涨上穿多根均线”、“在突破前高之前先进行高位震荡整理，当下有放量上涨迹象”等[17] - 模型覆盖的标的包括宽基指数（如科创50、中证800）、行业指数（如中证TMT）、主题及大类资产（如白银、欧元兑美元汇率）[17] 3. **因子名称：股债收益差**[7] **因子构建思路**：通过计算股票市场收益率与债券收益率之间的差异，并结合其历史波动情况（标准差），来评估股票市场的相对吸引力和潜在风险[7] **因子具体构建过程**： - 报告中提及的预警条件为股债收益差是否来到“2倍标准差附近”[7] - 该因子被用作监控市场是否可能出现较大级别调整的观察视角之一[7] 4. **因子名称：成交金额占比（拥挤度）**[2][8] **因子构建思路**：通过计算某板块成交金额占市场总成交额的比例，来衡量该板块的交易热度和情绪泡沫化程度[2][8] **因子具体构建过程**： - 报告以TMT板块为例，其成交金额占比约为34%[2][8] - 通过对比该比例与近两年的高点距离，来判断情绪是否过热（例如：认为当前TMT板块情绪并未到过于泡沫化状态）[2][8] - 同时监测周期和消费类板块的成交金额占比，发现其处于近两年低点附近[2][8] 5. **因子名称：低频温度计**[7] **因子构建思路**：用于刻画市场的超涨或超跌状态，是一个低频监控指标[7] **因子具体构建过程**：报告中未详细描述其具体计算公式，但明确指出其功能是刻画超涨超跌，并设有风险阈值[7] 6. **因子名称：超低频温度计**[7] **因子构建思路**：用于刻画市场的超涨或超跌状态，是一个超低频监控指标[7] **因子具体构建过程**：报告中未详细描述其具体计算公式，但明确指出其功能是刻画超涨超跌，并设有风险阈值[7] 模型的回测效果 （报告中未提供相关模型的具体回测指标数值，如年化收益率、夏普比率、最大回撤等，故本节省略） 因子的回测效果 （报告中未提供相关因子的具体回测指标数值，如IC值、IR、多空收益等，故本节省略）

量化模型与因子总结 量化模型与构建方式 1. **模型名称：国信金工指数增强组合模型**[12] **模型构建思路**：以多因子选股为主体，构建对标不同基准指数的增强组合，力求稳定战胜基准[11] **模型具体构建过程**：构建流程主要包括收益预测、风险控制和组合优化三块，分别以沪深300、中证500、中证1000及中证A500指数为基准构建指数增强组合[12] 2. **模型名称：单因子MFE组合模型**[15][39] **模型构建思路**：采用组合优化的方式来检验控制了各种实际约束后单因子的有效性，通过最大化单因子暴露组合来检验因子有效性[39] **模型具体构建过程**：采用组合优化模型构建最大化单因子暴露组合，目标函数为最大化单因子暴露，约束条件包括风格暴露、行业暴露、个股权重偏离、成分股内权重占比、个股权重上下限等[39][40] 优化模型公式为： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ 其中，f为因子取值，w为待求解的股票权重向量，wb为基准指数成分股的权重向量，X为股票对风格因子的因子暴露矩阵，H为股票的行业暴露矩阵，Bb为个股是否属于基准指数成分股的0-1向量，sl、sh、hl、hh、wl、wh、bl、bh、l为各种约束条件的上下限[40] 具体构建过程包括：设定约束条件，在每个月末构建每个单因子的MFE组合，在回测期内换仓并计算收益风险统计指标[43] 3. **模型名称：公募重仓指数模型**[41][42] **模型构建思路**：以公募基金的持股信息构建公募重仓指数，测试因子在“机构风格”下的有效性[41] **模型具体构建过程**：选样空间为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时间不足半年的基金，通过基金定期报告获取持股信息，将符合条件基金的持仓股票权重平均获得公募基金平均持仓信息，选取累计权重达到90%的股票作为成分股构建指数[42] 模型的回测效果 1. **国信金工指数增强组合模型**，本周超额收益-0.87%，本年超额收益11.58%[5][14] 2. **国信金工指数增强组合模型**，本周超额收益-0.22%，本年超额收益11.11%[5] 3. **国信金工指数增强组合模型**，本周超额收益0.02%，本年超额收益14.85%[5] 4. **国信金工指数增强组合模型**，本周超额收益-1.49%，本年超额收益10.27%[5] 量化因子与构建方式 1. **因子名称：BP**[17] **因子构建思路**：估值因子[17] **因子具体构建过程**：净资产/总市值[17] 2. **因子名称：单季EP**[17] **因子构建思路**：估值因子[17] **因子具体构建过程**：单季度归母净利润/总市值[17] 3. **因子名称：单季SP**[17] **因子构建思路**：估值因子[17] **因子具体构建过程**：单季度营业收入/总市值[17] 4. **因子名称：EPTTM**[17] **因子构建思路**：估值因子[17] **因子具体构建过程**：归母净利润TTM/总市值[17] 5. **因子名称：SPTTM**[17] **因子构建思路**：估值因子[17] **因子具体构建过程**：营业收入TTM/总市值[17] 6. **因子名称：EPTTM分位点**[17] **因子构建思路**：估值因子[17] **因子具体构建过程**：EPTTM在过去一年中的分位点[17] 7. **因子名称：股息率**[17] **因子构建思路**：估值因子[17] **因子具体构建过程**：最近四个季度预案分红金额/总市值[17] 8. **因子名称：一个月反转**[17] **因子构建思路**：反转因子[17] **因子具体构建过程**：过去20个交易日涨跌幅[17] 9. **因子名称：三个月反转**[17] **因子构建思路**：反转因子[17] **因子具体构建过程**：过去60个交易日涨跌幅[17] 10. **因子名称：一年动量**[17] **因子构建思路**：动量因子[17] **因子具体构建过程**：近一年除近一月后动量[17] 11. **因子名称：单季净利同比增速**[17] **因子构建思路**：成长因子[17] **因子具体构建过程**：单季度净利润同比增长率[17] 12. **因子名称：单季营收同比增速**[17] **因子构建思路**：成长因子[17] **因子具体构建过程**：单季度营业收入同比增长率[17] 13. **因子名称：单季营利同比增速**[17] **因子构建思路**：成长因子[17] **因子具体构建过程**：单季度营业利润同比增长率[17] 14. **因子名称：SUE**[17] **因子构建思路**：成长因子[17] **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[17] 15. **因子名称：SUR**[17] **因子构建思路**：成长因子[17] **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[17] 16. **因子名称：单季超预期幅度**[17] **因子构建思路**：成长因子[17] **因子具体构建过程**：预期单季度净利润/财报单季度净利润[17] 17. **因子名称：单季ROE**[17] **因子构建思路**：盈利因子[17] **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）[17] 18. **因子名称：单季ROA**[17] **因子构建思路**：盈利因子[17] **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）[17] 19. **因子名称：DELTAROE**[17] **因子构建思路**：盈利因子[17] **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[17] 20. **因子名称：DELTAROA**[17] **因子构建思路**：盈利因子[17] **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[17] 21. **因子名称：非流动性冲击**[17] **因子构建思路**：流动性因子[17] **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[17] 22. **因子名称：一个月换手**[17] **因子构建思路**：流动性因子[17] **因子具体构建过程**：过去20个交易日换手率均值[17] 23. **因子名称：三个月换手**[17] **因子构建思路**：流动性因子[17] **因子具体构建过程**：过去60个交易日换手率均值[17] 24. **因子名称：特异度**[17] **因子构建思路**：波动因子[17] **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[17] 25. **因子名称：一个月波动**[17] **因子构建思路**：波动因子[17] **因子具体构建过程**：过去20个交易日日内真实波幅均值[17] 26. **因子名称：三个月波动**[17] **因子构建思路**：波动因子[17] **因子具体构建过程**：过去60个交易日日内真实波幅均值[17] 27. **因子名称：高管薪酬**[17] **因子构建思路**：公司治理因子[17] **因子具体构建过程**：前三高管报酬总额取对数[17] 28. **因子名称：预期EPTTM**[17] **因子构建思路**：分析师因子[17] **因子具体构建过程**：一致预期滚动EP[17] 29. **因子名称：预期BP**[17] **因子构建思路**：分析师因子[17] **因子具体构建过程**：一致预期滚动PB[17] 30. **因子名称：预期PEG**[17] **因子构建思路**：分析师因子[17] **因子具体构建过程**：一致预期PEG[17] 31. **因子名称：预期净利润环比**[17] **因子构建思路**：分析师因子[17] **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[17] 32. **因子名称：三个月盈利上下调**[17] **因子构建思路**：分析师因子[17] **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[17] 33. **因子名称：三个月机构覆盖**[17] **因子构建思路**：分析师因子[17] **因子具体构建过程**：过去3个月内机构覆盖数量[17] 34. **因子名称：标准化预期外收入**[19] **因子构建思路**：成长因子[19] **因子具体构建过程**：未在文档中详细说明，但参考SUE和SUR，可能为（单季度实际营业收入-预期营业收入）/预期营业收入标准差[17][19] 35. **因子名称：标准化预期外盈利**[19] **因子构建思路**：成长因子[19] **因子具体构建过程**：未在文档中详细说明，但参考SUE和SUR，可能为（单季度实际净利润-预期净利润）/预期净利润标准差[17][19] 因子的回测效果 1. **标准化预期外收入因子**，最近一周1.35%，最近一月3.78%，今年以来8.35%，历史年化4.81%[19] 2. **一年动量因子**，最近一周1.27%，最近一月1.98%，今年以来-1.17%，历史年化2.15%[19] 3. **单季营收同比增速因子**，最近一周1.08%，最近一月3.86%，今年以来11.82%，历史年化4.52%[19] 4. **单季营利同比增速因子**，最近一周0.99%，最近一月2.49%，今年以来10.53%，历史年化3.40%[19] 5. **三个月反转因子**，最近一周0.53%，最近一月-0.97%，今年以来3.85%，历史年化1.04%[19] 6. **DELTAROA因子**，最近一周0.49%，最近一月2.54%，今年以来9.15%，历史年化4.47%[19] 7. **单季净利同比增速因子**，最近一周0.48%，最近一月2.71%，今年以来9.66%，历史年化3.59%[19] 8. **标准化预期外盈利因子**，最近一周0.39%，最近一月2.87%，今年以来9.33%，历史年化4.37%[19] 9. **三个月机构覆盖因子**，最近一周0.27%，最近一月1.30%，今年以来7.51%，历史年化3.06%[19] 10. **三个月盈利上下调因子**，最近一周0.24%，最近一月1.28%，今年以来5.21%，历史年化5.49%[19] 11. **DELTAROE因子**，最近一周0.07%，最近一月2.58%，今年以来10.00%，历史年化4.08%[19] 12. **单季ROA因子**，最近一周-0.05%，最近一月3.33%，今年以来8.74%，历史年化3.81%[19] 13. **单季ROE因子**，最近一周-0.29%，最近一月2.50%，今年以来9.35%，历史年化4.53%[19] 14. **预期PEG因子**，最近一周-0.33%，最近一月1.37%，今年以来7.32%，历史年化3.45%[19] 15. **预期净利润环比因子**，最近一周-0.38%，最近一月-0.16%，今年以来2.16%，历史年化1.59%[19] 16. **一个月反转因子**，最近一周-0.39%，最近一月-1.49%，今年以来2.80%，历史年化-0.17%[19] 17. **单季超预期幅度因子**，最近一周-0.44%，最近一月1.12%，今年以来5.82%，历史年化3.69%[19] 18. **单季SP因子**，最近一周-0.54%，最近一月-0.91%，今年以来-0.38%，历史年化2.86%[19] 19. **EPTTM年分位点因子**，最近一周-0.60%，最近一月-0.24%，今年以来5.55%，历史年化2.45%[19] 20. **特异度因子**，最近一周-0.64%，最近一月-2.04%，今年以来2.29%，历史年化0.26%[19] 21. **SPTTM因子**，最近一周-0.69%，最近一月-1.03%，今年以来-1.92%，历史年化2.05%[19] 22. **非流动性冲击因子**，最近一周-0.77%，最近一月-2.15%，今年以来-1.61%，历史年化0.29%[19] 23. **高管薪酬因子**，最近一周-0.88%，最近一月0.26%，今年以来3.88%，历史年化3.43%[19] 24. **BP因子**，最近一周-0.89%，最近一月-1.61%，今年以来-0.80%，历史年化2.67%[19] 25. **三个月换手因子**，最近一周-0.92%，最近一月-1.49%，今年以来-2.85%，历史年化2.80%[19] 26. **预期BP因子**，最近一周-0.96%，最近一月-1.32%，今年以来0.38%，历史年化3.36%[19] 27. **预期EPTTM因子**，最近一周-0.97%，最近一月-0.48%，今年以来3.65%，历史年化3.96%[19] 28. **一个月波动因子**，最近一周-1.00%，最近一月-3.36%，今年以来-2.46%，历史年化0.98%[19] 29. **三个月波动因子**，最近一周-1.08%，最近一月-3.35%，今年以来-2.75%，历史年化1.91%[19] 30. **股息率因子**，最近一周-1.10%，最近一月-0.58%，今年以来1.10%，历史年化3.76%[19] 31. **一个月换手因子**，最近一周-1.12%，最近一月-1.68%，今年以来-3.54%，历史年化1.64%[19] 32. **单季EP因子**，最近一周-1.23%，最近一月-0.70%，今年以来4.46%，历史极差5.28%[19] 33. **EPTTM因子**，最近一周-1.35%，最近一月-0.46%，今年以来2.92%，历史年化4.37%[19]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：封板率模型[17] **模型构建思路**：通过统计股票日内涨停表现来反映市场打板情绪[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. 识别当日最高价涨停的股票集合 3. 识别当日收盘涨停的股票集合 4. 计算封板率： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[17] **模型评价**：反映市场短期投机情绪和资金封板力度[17] 2. **模型名称**：连板率模型[17] **模型构建思路**：通过统计连续涨停股票数量来反映市场追涨情绪[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. 识别昨日收盘涨停的股票集合 3. 识别当日收盘涨停的股票集合 4. 计算连板率： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[17] **模型评价**：反映市场强势股的持续性和资金接力意愿[17] 3. **模型名称**：大宗交易折价率模型[26] **模型构建思路**：通过大宗交易成交价与市价的差异反映大资金情绪[26] **模型具体构建过程**： 1. 获取当日大宗交易成交数据[26] 2. 计算大宗交易总成交金额 3. 计算当日成交份额的总市值 4. 计算折价率： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[26] **模型评价**：折价率高低反映大资金出货意愿和流动性溢价水平[26] 4. **模型名称**：股指期货年化贴水率模型[28] **模型构建思路**：通过期现价差反映市场对未来预期和套利成本[28] **模型具体构建过程**： 1. 获取股指期货主力合约价格和现货指数价格[28] 2. 计算基差：基差 = 期货价格 - 现货价格 3. 计算年化贴水率： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[28] **模型评价**：升水反映市场乐观预期，贴水反映悲观预期，影响对冲成本[28] 模型的回测效果 1. **封板率模型**，20250822当日封板率84%[17]，较前日提升25%[17] 2. **连板率模型**，20250822当日连板率25%[17]，较前日提升13%[17] 3. **大宗交易折价率模型**，近半年平均折价率5.91%[26]，20250821当日折价率4.19%[26] 4. **股指期货年化贴水率模型**，近一年中位数：上证500.34%[28]、沪深3002.38%[28]、中证5009.23%[28]、中证100011.13%[28]；20250822当日值：上证50升水5.71%[28]、沪深300升水4.57%[28]、中证500贴水2.28%[28]、中证1000贴水2.43%[28] 量化因子与构建方式 1. **因子名称**：昨日涨停因子[14] **因子构建思路**：通过昨日涨停股票今日收益表现反映涨停股次日溢价效应[14] **因子具体构建过程**： 1. 筛选上市满3个月且昨日收盘涨停的股票[14] 2. 计算该股票集合今日的收盘收益 3. 因子取值为该股票集合的等权平均收益 **因子评价**：反映市场对涨停股的持续追捧程度[14] 2. **因子名称**：昨日跌停因子[14] **因子构建思路**：通过昨日跌停股票今日收益表现反映跌停股次日反转效应[14] **因子具体构建过程**： 1. 筛选上市满3个月且昨日收盘跌停的股票[14] 2. 计算该股票集合今日的收盘收益 3. 因子取值为该股票集合的等权平均收益 **因子评价**：反映市场极跌后的短期修复能力[14] 因子的回测效果 1. **昨日涨停因子**，20250822当日收益1.94%[14] 2. **昨日跌停因子**，20250822当日收益-0.57%[14]

根据提供的量化研报内容，以下是总结的量化模型、因子及其构建思路、过程、评价和测试结果。 量化因子与构建方式 1. 大类风格因子 **因子名称**：Beta因子[18] **因子构建思路**：衡量股票相对于市场的系统性风险[18] **因子具体构建过程**：未详细说明构建公式，但通常基于股票收益率与市场收益率的协方差计算 **因子评价**：本周在全市场股票池中表现较好 **因子名称**：市值因子[18] **因子构建思路**：反映公司规模大小的风格因子[18] **因子具体构建过程**：通常使用总市值或流通市值的对数作为因子值 **因子评价**：本周市场表现为大市值风格 **因子名称**：盈利因子[18] **因子构建思路**：衡量公司盈利能力[18] **因子具体构建过程**：未详细说明构建公式 **因子评价**：本周表现较差 **因子名称**：非线性市值因子[18] **因子构建思路**：捕捉市值因子的非线性效应[18] **因子具体构建过程**：未详细说明构建公式 2. 单因子体系 研报中提到了丰富的单因子体系，包括但不限于以下因子类型： **价值类因子**：市净率因子、市盈率因子、市盈率TTM倒数、市销率TTM倒数、EP因子、BP因子[12][14][16][22] **成长类因子**：单季度营业收入同比增长率、单季度营业利润同比增长率、单季度净利润同比增长率、总资产增长率[12][14][16] **盈利类因子**：单季度ROE、单季度ROE同比、单季度ROA、单季度ROA同比、毛利率TTM、营业利润率TTM、净利润率TTM[12][14][16] **情绪类因子**：标准化预期外收入、标准化预期外盈利[12][14][16] **技术类因子**：5日反转、动量弹簧因子、早盘收益因子、早盘后收益因子[12][14][16] **流动性类因子**：5日平均换手率、换手率相对波动率、6日成交金额的标准差[12][14][16] **质量类因子**：ROIC增强因子、ROE稳定性、ROA稳定性[12][14][16] **资金流因子**：大单净流入、小单净流入、动量调整大单、动量调整小单[12][14][16] 3. 行业内因子 **因子名称**：净资产增长率因子[22] **因子构建思路**：衡量行业内公司净资产增长情况[22] **因子名称**：净利润增长率因子[22] **因子构建思路**：衡量行业内公司净利润增长情况[22] **因子名称**：每股净资产因子[22] **因子构建思路**：衡量行业内公司每股净资产水平[22] **因子名称**：每股经营利润TTM因子[22] **因子构建思路**：衡量行业内公司每股经营利润水平[22] **因子名称**：BP因子[22] **因子构建思路**：账面市值比因子在行业内的表现[22] **因子名称**：EP因子[22] **因子构建思路**：盈利价格比因子在行业内的表现[22] **因子名称**：残差波动率因子[22] **因子构建思路**：衡量股票残差收益率的波动性[22] **因子名称**：流动性因子[22] **因子构建思路**：衡量股票流动性的因子[22] **因子名称**：对数市值因子[22] **因子构建思路**：市值因子的对数形式[22] 量化模型与构建方式 1. PB-ROE-50组合模型 **模型名称**：PB-ROE-50组合[2][24] **模型构建思路**：基于市净率(PB)和净资产收益率(ROE)两个核心指标构建的投资组合[2][24] **模型具体构建过程**：选择PB较低且ROE较高的50只股票构建投资组合，具体筛选标准和权重分配方法未详细说明[2][24] 2. 机构调研组合模型 **模型名称**：公募调研选股策略[3][26] **模型构建思路**：基于公募基金调研活动构建的选股策略[3][26] **模型具体构建过程**：未详细说明构建过程，但基于机构调研数据选股 **模型名称**：私募调研跟踪策略[3][26] **模型构建思路**：基于私募基金调研活动构建的选股策略[3][26] **模型具体构建过程**：未详细说明构建过程，但基于机构调研数据选股 3. 大宗交易组合模型 **模型名称**：大宗交易组合[3][30] **模型构建思路**：基于大宗交易数据，采用"高成交、低波动"原则构建的投资组合[30] **模型具体构建过程**：通过"大宗交易成交金额比率"和"6日成交金额波动率"两个指标筛选股票，月频调仓[30] **模型评价**：大宗交易由于其保护隐私的特性，买卖双方进行大宗交易的细节不得而知，但可以通过统计分析探究其背后蕴含的信息[30] 4. 定向增发组合模型 **模型名称**：定向增发组合[3][36] **模型构建思路**：基于定向增发事件驱动构建的投资组合[36] **模型具体构建过程**：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[36] **模型评价**：在再融资政策收紧背景下，分析定向增发事件效应是否仍然有效[36] 模型的回测效果 1. PB-ROE-50组合 **中证500股票池**：本周超额收益0.47%，今年以来超额收益3.22%，本周绝对收益4.36%，今年以来绝对收益23.00%[25] **中证800股票池**：本周超额收益0.25%，今年以来超额收益11.76%，本周绝对收益4.36%，今年以来绝对收益26.59%[25] **全市场股票池**：本周超额收益1.02%，今年以来超额收益14.28%，本周绝对收益4.91%，今年以来绝对收益35.20%[25] 2. 机构调研组合 **公募调研选股策略**：本周超额收益1.32%，今年以来超额收益8.79%，本周绝对收益5.47%，今年以来绝对收益23.23%[27] **私募调研跟踪策略**：本周超额收益-1.26%，今年以来超额收益14.76%，本周绝对收益2.78%，今年以来绝对收益29.99%[27] 3. 大宗交易组合 **大宗交易组合**：本周超额收益-2.68%，今年以来超额收益32.17%，本周绝对收益1.06%，今年以来绝对收益56.37%[31] 4. 定向增发组合 **定向增发组合**：本周超额收益-1.10%，今年以来超额收益5.40%，本周绝对收益2.71%，今年以来绝对收益24.70%[37] 因子的回测效果 1. 沪深300股票池因子表现（本周）[12][13] **表现较好的因子**： 标准化预期外收入：4.12% 单季度营业收入同比增长率：3.20% 总资产增长率：2.39% 毛利率TTM：2.38% 单季度总资产毛利率：2.14% **表现较差的因子**： 市盈率因子：-1.64% 市盈率TTM倒数：-1.51% 市净率因子：-1.16% 2. 中证500股票池因子表现（本周）[14][15] **表现较好的因子**： 单季度ROE同比：2.28% 单季度营业利润同比增长率：1.66% 单季度净利润同比增长率：1.63% 单季度ROA同比：1.45% 标准化预期外盈利：1.36% **表现较差的因子**： 市盈率TTM倒数：-2.36% 市盈率因子：-2.06% 下行波动率占比：-1.96% 3. 流动性1500股票池因子表现（本周）[16][17] **表现较好的因子**： 总资产增长率：2.12% 单季度营业利润同比增长率：1.91% 5日反转：1.91% 单季度营业收入同比增长率：1.87% 动量弹簧因子：1.80% **表现较差的因子**： 市盈率TTM倒数：-0.79% 市净率因子：-0.71% 市盈率因子：-0.56% 4. 大类因子表现（本周全市场股票池）[18] Beta因子：0.47% 市值因子：0.36% 盈利因子：-0.73% 非线性市值因子：-0.39%

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**：通过计算当前收盘价与过去250个交易日最高价的相对距离，来衡量股票或指数接近历史高点的程度，用于捕捉趋势强度和市场动量[11] **因子具体构建过程**：对于给定的证券，在时间点t，其250日新高距离的计算公式为： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，`Closet`代表证券在时间点t的最新收盘价，`ts_max(Close, 250)`代表该证券在过去250个交易日中收盘价的最大值[11] 当收盘价创出新高时，该因子值为0；当价格从高点回落时，该因子为正值，其大小表示回落的幅度[11] 2. **因子名称**：平稳创新高股票筛选因子[27][29] **因子构建思路**：在创250日新高的股票池基础上，结合分析师关注度、股价相对强弱、趋势延续性、股价路径平稳性及创新高持续性等多个维度，筛选出具备更稳健动量特征的股票[27][29] **因子具体构建过程**：该因子是一个复合因子，其筛选过程分为多个步骤： * **初筛股票池**：筛选出过去20个交易日内曾创出250日新高的股票[20][27] * **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] * **股价相对强弱筛选**：过去250日涨跌幅位于全市场股票的前20%[29] * **平稳性综合打分**：对通过上述条件的股票，使用以下两个指标进行综合打分，并选取排名前50%的股票[29]： * **价格路径平滑性**：使用股价位移路程比指标衡量，计算公式为 `过去120日涨跌幅的绝对值 / 过去120日日涨跌幅绝对值之和`[27] * **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[29] * **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，并选取该值排序最靠前的50只股票作为最终的平稳创新高股票[29] 因子回测效果 1. **250日新高距离因子** * **应用对象：主要市场指数** (数据截至2025年8月22日)[12] * 上证指数: 0.00%[12] * 深证成指: 0.00%[12] * 沪深300指数: 0.00%[12] * 中证500指数: 0.00%[12] * 中证1000指数: 0.00%[12] * 中证2000指数: 0.06%[12] * 创业板指: 0.00%[12] * 科创50指数: 0.00%[12] * **应用对象：中信一级行业指数** (数据截至2025年8月22日)[13] * 距离新高较近的行业 (因子值均为0.00%): 家电、国防军工、综合、传媒、计算机[13] * 距离新高较远的行业: 食品饮料、煤炭、房地产、银行、消费者服务[13] * **应用对象：概念指数** (数据截至2025年8月22日)[16] * 距离新高较近的概念指数: 数字货币、万得风电、航天军工、汽车零部件、金属非金属、汽车、家用电器等[16] 2. **平稳创新高股票筛选因子** * **应用效果：创新高股票数量** (数据截至2025年8月22日)[20] * 全市场创250日新高股票总数: 1606只[20] * 创新高个股数量最多的行业: 机械 (233只)、医药 (219只)、电子 (174只)[20] * 创新高个股占比最高的行业: 国防军工 (52.94%)、有色金属 (51.61%)、医药 (44.88%)[20] * **应用效果：创新高股票板块分布** (数据截至2025年8月22日)[21] * 制造板块: 512只 (占比33.01%)[21] * 科技板块: 403只 (占比28.64%)[21] * 周期板块: 343只 (占比30.65%)[21] * 医药板块: 219只 (占比44.88%)[21] * 消费板块: 79只 (占比16.42%)[21] * 大金融板块: 43只 (占比18.86%)[21] * **应用效果：创新高股票指数分布** (数据截至2025年8月22日)[21] * 中证2000指数: 613只 (占比30.65%)[21] * 中证1000指数: 275只 (占比27.50%)[21] * 中证500指数: 125只 (占比25.00%)[21] * 沪深300指数: 54只 (占比18.00%)[21] * 创业板指: 19只 (占比19.00%)[21] * 科创50指数: 8只 (占比16.00%)[21] * **应用效果：平稳创新高股票筛选结果** (数据截至2025年8月22日)[30][33] * 最终筛选出股票数量: 48只[30] (例如: 新易盛、胜宏科技、仕佳光子等)[30] * 板块分布: 科技板块 (22只)、制造板块 (12只)[30] * 行业分布: 科技板块中电子行业最多；制造板块中汽车行业最多[30]

量化模型与因子总结 量化模型与构建方式 1. **公募实时持仓测算模型** * 模型构建思路：基于基金净值、持仓披露、调研行为等市场公开信息，对公募基金持仓进行实时测算[17] * 模型具体构建过程：这是一个复杂的处理流程，具体方法详见开源金融工程团队专题报告《偏股混合型基金指数（885001.WI）：优势、复制与超越》[17] 2. **筹码收益模型** * 模型构建思路：通过估算投资者在不同价格上的资金持仓来推算平均持仓成本，并计算当前价格相对于历史筹码成本的收益率，以反映赚钱效应[26] * 模型具体构建过程：筹码收益衡量当前价格相对于历史筹码成本的收益率。研究显示，市场赚钱效应较好时筹码收益呈现动量效应，反之则呈现反转效应。具体方法详见开源金融工程团队专题报告《筹码结构视角下的动量反转融合》[26] 3. **雪球大V选股行为模型** * 模型构建思路：基于雪球平台大V用户的投资观点和行为数据，挖掘其选股行为中蕴含的Alpha[32] * 模型具体构建过程：粉丝数量较多的雪球大V用户的投资观点和投资行为具有丰富信息含量。具体模型构建方法详见开源金融工程团队专题报告《雪球大V用户的选股行为alpha》[32] 4. **高频股东户数隐含信息模型** * 模型构建思路：利用交易所互动平台提供的高频股东户数数据，分析股东户数大幅增加对后续股价的预示作用[37] * 模型具体构建过程：研究显示，股东户数的大幅增加，是对后续股价的潜在风险提示。具体模型构建方法详见开源金融工程团队专题报告《高频股东数据的隐含信息量》[37] 量化因子与构建方式 1. **ETF资金持仓因子** * 因子构建思路：通过计算ETF持仓占股票市值的比例，来观察市场资金的动态[18][20] * 因子具体构建过程：选用ETF持仓数据，计算其占相关板块股票市值的比重，通常采用5日移动平均（MA5）来平滑数据。其占比时间序列可用于观察资金动向[22] $$ \text{ETF持仓占比} = \frac{\text{ETF持有某板块股票总市值}}{\text{该板块股票总市值}} $$ [22] 2. **融资余额因子** * 因子构建思路：使用融资融券交易中未偿还的融资总金额作为投资者情绪和看多后市的代理变量[23] * 因子具体构建过程：直接采用交易所披露的融资余额数据，其增加通常意味着投资者看多后市[23] 3. **筹码收益因子** * 因子构建思路：计算当前价格相对于历史筹码成本的收益率，用以衡量筹码的赚钱效应[26] * 因子具体构建过程：首先估算历史筹码的平均持仓成本，然后用当前价格除以平均成本并减1，得到收益率。 $$ \text{筹码收益} = \frac{\text{当前价格}}{\text{历史筹码平均成本}} - 1 $$ [26][29] 4. **机构调研因子** * 因子构建思路：以上市公司接受机构调研的次数作为关注度的度量[30] * 因子具体构建过程：统计特定时间段内（如年初以来）各公司被机构调研的总次数[30] 5. **雪球大V关注度因子** * 因子构建思路：以雪球平台上大V用户对某只股票的讨论和关注数量作为热度的度量[32][33] * 因子具体构建过程：统计特定时间段内，雪球大V用户发布关于某只股票的观点或讨论的数量[33] 6. **主力资金净流入因子** * 因子构建思路：通过大单和超大单的加总来近似衡量主力资金的动向[33] * 因子具体构建过程：定义大单为挂单金额20-100万元的交易，超大单为挂单金额>100万元的交易。将特定时间段内的大单和超大单净流入金额加总，作为主力资金净流入因子[33] 7. **龙虎榜营业部活跃度因子** * 因子构建思路：通过龙虎榜上榜个股的营业部成交额和资金净流入数据，反映市场最活跃资金的动向[36] * 因子具体构建过程：选取登上龙虎榜的个股，记录其营业部总成交额和营业部资金净流入额[36][38] 8. **股东户数增幅因子** * 因子构建思路：通过计算最新两期股东户数的变动比例，来观察筹码分散度的变化[37][40] * 因子具体构建过程：基于最新两期的股东户数信息，计算其变动比例。 $$ \text{股东户数增幅} = \frac{\text{最新股东户数} - \text{上期股东户数}}{\text{上期股东户数}} $$ [40] 模型的回测效果 *本报告未提供相关模型的具体回测指标数值。* 因子的回测效果 *本报告未提供相关因子的具体IC、IR等回测指标数值，但展示了一些因子的最新截面数据。* * **筹码收益因子**：截至2025年8月21日，液冷指数成分股中曙光数创(26.77%)、领益智造(22.60%)、银轮股份(17.75%)的筹码收益最高[29] * **机构调研因子**：2025年初至8月21日，飞龙股份(30次)、科创新源(6次)、中石科技(6次)接受调研次数最多[30] * **雪球大V关注度因子**：2025年8月1日至8月21日，英维克(121次)、川环科技(70次)、飞龙股份(50次)受到雪球大V关注最多[33] * **主力资金净流入因子**：2025年8月1日至8月21日，苏州天脉(2.92亿元)、腾龙股份(2.36亿元)、华正新材(1.52亿元)主力资金净流入最多[34] * **股东户数增幅因子**：截至2025年8月21日，众捷汽车(218153.85%)、银轮股份(57.20%)、华峰铝业(45.12%)的股东户数增幅居前[38]

量化模型与因子总结 量化因子与构建方式 1. 因子名称：ROE稳定性筛选因子 - **因子构建思路**：通过综合盈利、成长、杠杆三个维度的历史波动水平，提升高ROE组合未来维持高ROE水平的概率[27][28] - **因子具体构建过程**： 1. 计算三个子因子： - 成长稳定性：营收环比增速的波动 - 杠杆稳定性：有息债务比总资产的比率波动 - ROE稳定性：ROE本身的波动 2. 将三个子因子标准化后等权求和[27] - **因子评价**：能有效降低高ROE股票ROE下滑的概率，提升未来维持高ROE水平的占比[28][38] 2. 因子名称：红利增长筛选因子 - **因子构建思路**：通过多视角预测分红金额增长，构建对分红增长有预测性的因子[49][51] - **因子具体构建过程**： 1. 构建两个视角的子因子： - 视角1：红利支付偏离、卖方预测家数、预期净利润增长、最新财报数据增长，标准化并求和 - 视角2：分红金额增长、卖方预测家数、预期净利润增长、最新财报数据增长，标准化并求和 2. 取两个视角子因子的最大值[51] - **因子评价**：相比单纯的红利因子拼盘成长因子更好，对股息率的提升较为稳定[54] 3. 因子名称：低估值筛选因子 - **因子构建思路**：通过估值因子对未来股息率的预测能力，改进红利因子[55][57] - **因子具体构建过程**： 1. 检测各因子对未来股息率的预测能力，发现历史股息率和估值因子预测效果较好 2. 将股息率与低估值相结合，从高股息率股票中筛选出估值水平相对较低的个股[56][57] - **因子评价**：相比红利增长方法没有参杂成长因子，改进幅度不大但在逻辑上合理[60] 4. 因子名称：净利润增长筛选因子 - **因子构建思路**：通过反向剔除未来可能难以实现净利润增长或分析师预期下调的股票，改进成长因子[70] - **因子具体构建过程**： 1. 在每期入选的100只高成长因子股票中，剔除触发以下任一条件的股票： - 一致预期FY1小于等于0 - FY1为空值 - 近4周出现一致预期下调 - 近13周出现一致预期下调 - 近26周出现一致预期下调 2. 筛选出FY1>0，且近4周、13周和26周FY1变化均未下降的股票[70] - **因子评价**：在保留成长因子高进攻性的同时，实现了长期收益的进一步提升[73] 5. 因子名称：量价因子组合 - **因子构建思路**：选取表现最佳的低波动、低流动性和动量三个量价因子进行组合[95][100] - **因子具体构建过程**： 1. 选择低波动性、动量和流动性三个量价因子 2. 进行等权构建[100] - **因子评价**：在分组收益的单调性和多空差异上表现较好[95] 量化模型与构建方式 1. 模型名称：层层递进选股模型 - **模型构建思路**：先根据基本面因子构建初始股票池，再在该股票池内进一步进行筛选与选股[38] - **模型具体构建过程**： 1. 根据ROE_ttm在股票池中筛选出前100只股票 2. 根据财务稳定性选择因子得分靠前的50只股票构建组合 3. 组合内个股等权[38] 2. 模型名称：改进三因子拼盘模型 - **模型构建思路**：将改进后的红利、盈利和成长因子组合进行并集处理，整合三个基本面方向的因子改进成果[81] - **模型具体构建过程**： 1. 对现有红利、盈利和成长因子在层层递进改进筛选后的组合进行并集处理 2. 经过三种改进因子组合取并集后，在沪深300和中证500中的整体股票数量平均约为120只[81] 3. 模型名称：基本面+量价层层递进选股模型 - **模型构建思路**：在三因子拼盘股票池基础上，进一步通过量价因子选取因子值领先的股票[100] - **模型具体构建过程**： 1. 以三因子拼盘股票池为基础 2. 在每期拼盘因子股票中，通过量价因子月频选取因子值领先的75只股票[100] 4. 模型名称：75+25基本面量化拼盘模型 - **模型构建思路**：在全市场范围内按量价因子优选股票，再与基本面筛选股票拼合[109][112] - **模型具体构建过程**： 1. 在全市场范围内按量价因子优选25只股票 2. 与当前的75只基本面筛选股票拼合，构建一个由100只股票组成的增强组合[109][112] 模型的回测效果 1. 改进三基本面因子选股拼盘模型 - 收益率：135.16%（沪深300），97.38%（中证500） - 年化收益率：9.34%（沪深300），7.36%（中证500） - 年化波动率：19.25%（沪深300），21.37%（中证500） - 夏普比率：0.49（沪深300），0.34（中证500） - 最大回撤：33.00%（沪深300），30.86%（中证500）[86] 2. 三因子拼盘+量价选股75只模型 - 收益率：184.91%（沪深300），131.22%（中证500） - 年化收益率：11.55%（沪深300），9.15%（中证500） - 年化波动率：18.67%（沪深300），20.50%（中证500） - 夏普比率：0.62（沪深300），0.45（中证500） - 最大回撤：30.24%（沪深300），30.61%（中证500） - 年化跟踪误差：5.09%（沪深300），7.24%（中证500）[128] 3. 75+25基本面量化拼盘模型 - 收益率：267.51%（沪深300），227.24%（中证500） - 年化收益率：14.56%（沪深300），13.18%（中证500） - 年化波动率：19.31%（沪深300），21.42%（中证500） - 夏普比率：0.75（沪深300），0.62（中证500） - 最大回撤：29.43%（沪深300），31.32%（中证500） - 年化跟踪误差：6.77%（沪深300），6.84%（中证500）[128] 因子的回测效果 1. ROE稳定性筛选因子 - 基本面预测胜率改进效果：从78.03%提升到86.28%（沪深300），从78.72%提升到86.55%（中证500）[37] 2. 红利增长筛选因子 - 基本面预测胜率改进效果：从54.90%提升到73.24%（沪深300），从40.14%提升到54.28%（中证500）[51] 3. 净利润增长筛选因子 - 基本面预测胜率改进效果：从83.38%提升到92.88%（沪深300），从80.21%提升到90.13%（中证500）[69]

根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：封板率** - 因子构建思路：通过统计最高价涨停且收盘涨停的股票数与最高价涨停的股票数的比值，反映市场情绪强弱[17] - 因子具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月以上的股票数据，计算当日封板率[17] - 因子评价：封板率下降表明市场情绪低迷，可作为短期情绪指标[17] 2. **因子名称：连板率** - 因子构建思路：统计连续两日收盘涨停的股票占比，反映市场追涨动能[17] - 因子具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 基于上市满3个月股票数据计算[17] - 因子评价：连板率下降显示赚钱效应减弱[17] 3. **因子名称：股指期货年化贴水率** - 因子构建思路：通过基差与指数价格的比值反映市场预期[28] - 因子具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 分别计算上证50、沪深300、中证500、中证1000主力合约数据[28] - 因子评价：贴水率分位数可判断市场情绪极端位置[28] 4. **因子名称：大宗交易折价率** - 因子构建思路：通过大宗交易成交价与市价的偏离反映机构交易情绪[26] - 因子具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计近半年日均数据与当日数据[26] - 因子评价：折价率扩大显示机构抛售意愿增强[26] 因子回测效果 1. **封板率因子** - 当日取值：58%（较前日下降21%）[17] - 近一月趋势：持续下降[17] 2. **连板率因子** - 当日取值：12%（较前日下降11%）[17] - 近一月趋势：同步封板率下行[17] 3. **股指期货年化贴水率因子** - 上证50：升水1.34%（73%分位）[28] - 沪深300：贴水1.63%（56%分位）[28] - 中证500：贴水8.48%（55%分位）[28] - 中证1000：贴水8.39%（64%分位）[28] 4. **大宗交易折价率因子** - 当日取值：7.37%（近半年均值5.93%）[26] - 近半年趋势：折价率波动扩大[26] 注：报告中未涉及量化模型的具体构建，故未总结模型相关内容。所有因子数据均来自2025年8月20-21日交易数据[17][26][28]

量化模型与构建方式 1. **模型名称：股指分红点位测算模型** - **模型构建思路**：通过精细化处理指数成分股的分红数据，准确预测股指期货合约的升贴水情况，考虑分红对指数点位的影响[12][40] - **模型具体构建过程**： 1. **成分股权重计算**：采用中证指数公司每日披露的日度收盘权重数据，确保权重准确性[48] 2. **分红金额预测**： - 若公司已公布分红金额，直接采用披露值；否则通过净利润 × 股息支付率估算[49] - **净利润预测**：基于历史净利润分布动态预测，分为盈利稳定型（按历史分布规律）和不稳定型（采用上年同期值）[52] - **股息支付率预测**： - 去年分红则沿用去年值； - 去年不分红则取近3年平均； - 从未分红则默认不分红[55] 3. **除息日预测**： - 已公布日期则直接采用； - 未公布则根据预案/决案阶段的历史间隔天数线性外推，或采用默认日期（7月31日/8月31日/9月30日）[58] 4. **分红点数计算**： $$分红点数 = \sum_{n=1}^{N} \left( \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价 \right)$$ 要求除息日满足 $t < \tau \leq T$（$\tau$为除息日，$T$为期货到期日）[40] - **模型评价**：对上证50和沪深300指数的预测准确度较高（误差约5点），中证500指数误差稍大（约10点），整体稳定性良好[63] 2. **因子名称：股息率因子** - **因子构建思路**：通过行业股息率比较，识别高股息率行业（如煤炭、银行、钢铁）作为选股或配置参考[2][15] - **因子具体构建过程**： - 计算已披露分红预案个股的股息率（预案分红金额/当前总市值） - 按行业中位数排序，筛选排名靠前的行业[15] - **因子评价**：能够有效反映行业分红吸引力，但需结合分红实施进度动态调整[16] --- 模型的回测效果 1. **股指分红点位测算模型** - **预测误差**： - 上证50指数：全年误差约5点[63] - 沪深300指数：全年误差约5点[63] - 中证500指数：全年误差约10点[63] - **期货合约预测准确性**： - 上证50和沪深300股指期货预测效果最优，中证500稍逊[63] 2. **股息率因子** - **行业股息率中位数**：煤炭、银行、钢铁行业排名前三[15] --- 量化因子与构建方式 1. **因子名称：剩余股息率因子** - **因子构建思路**：衡量指数成分股未来潜在分红能力，辅助判断期货贴水收窄空间[3][17] - **因子具体构建过程**： $$剩余股息率 = \sum_{i=1}^{N_2} \left( \frac{预期分红金额}{总市值} \times 权重 \right)$$ 其中$N_2$为尚未分红的公司数量[17] 2. **因子名称：年化升贴水因子** - **因子构建思路**：反映股指期货合约的升贴水幅度，扣除分红影响后跟踪市场情绪[4][13] - **因子具体构建过程**： $$年化升贴水 = \left( \frac{含分红价差}{指数收盘价} \right) \times \left( \frac{365}{到期天数} \right)$$ 含分红价差 = 合约收盘价 - 指数收盘价 + 分红点数[13] --- 因子的回测效果 1. **剩余股息率因子** - **取值（2025年8月20日）**： - 上证50：0.12% - 沪深300：0.16% - 中证500：0.05% - 中证1000：0.05%[3] 2. **年化升贴水因子** - **主力合约取值（2025年8月20日）**： - IH2509：2.90%（升水） - IF2509：0.91%（升水） - IC2509：-5.76%（贴水） - IM2509：-4.63%（贴水）[4][13] - **历史分位点**： - IH主力合约：82% - IF主力合约：69% - IC主力合约：32% - IM主力合约：39%[28]