量化模型与构建方式 1. 模型名称：单因子波动率管理组合 * **模型构建思路**：针对单个因子，通过其历史波动率的倒数对因子收益进行缩放，构建一个波动率管理版本的因子，然后将原始因子与其管理版本进行均值-方差优化，形成最终组合[30][31]。 * **模型具体构建过程**： 1. 对于第k个因子，计算其在t月的已实现方差 $\sigma_{k,t}^{2}$，通过该月内因子日度收益的样本方差估算得到[30]。 2. 构建第k个因子的波动率管理版本收益 $r_{k,t+1}^{\sigma}$，公式为： $$r_{k,t+1}^{\sigma}=\frac{c}{\sigma_{k,t}^{2}}r_{k,t+1}$$ 其中，$r_{k,t+1}$ 是第k个未管理因子在t+1月的收益，$c$ 是缩放参数，目的是使管理后因子的波动率与未管理因子保持一致[30][31]。 3. 将未管理因子 $r_{k,t+1}$ 与其波动率管理版本 $r_{k,t+1}^{\sigma}$ 进行组合，通过最大化均值-方差效用（假设投资者风险厌恶系数 $\gamma = 5$）来确定两者的最优权重，从而得到单因子波动率管理组合[49]。 2. 模型名称：条件固定权重多因子投资组合 (CFW) * **模型构建思路**：先构建一个无条件均值-方差多因子组合，然后根据该组合上月收益方差的倒数进行整体缩放，得到一个波动率管理版本，最后将无条件组合与其管理版本进行均值-方差优化[32]。 * **模型具体构建过程**： 1. 首先，使用所有K个因子，通过最大化扣费前的均值-方差效用，构建一个无条件多因子投资组合（UMV）[32]。 2. 将该无条件组合的整体权重按其上月收益方差的倒数进行缩放，得到该组合的波动率管理版本[32]。 3. 将原始的无条件多因子组合与其波动率管理版本进行均值-方差优化，形成最终的条件固定权重组合。该组合对所有因子的相对权重与原始无条件组合完全一致[32]。 3. 模型名称：条件均值-方差多因子投资组合 (CMV) * **模型构建思路**：构建一个多因子组合，其中每个因子的权重是市场波动率倒数的仿射函数，允许不同因子的权重随市场波动率进行差异化调整。组合权重通过最大化扣减交易成本后的均值-方差效用来优化[4][32][33]。 * **模型具体构建过程**： 1. **定义因子权重**：设第k个因子在t期的权重为 $\theta_{k,t}$，将其参数化为市场波动率倒数的仿射函数： $$\theta_{k,t}=a_{k}+b_{k}\frac{1}{\sigma_{t}}$$ 其中，$\sigma_{t}$ 是t月的已实现市场波动率（由该月市场日度收益的样本波动率估算），$a_k$ 和 $b_k$ 为待估参数。$b_k > 0$ 意味着当市场波动率升高时，组合会降低对第k个因子的暴露[33][38]。 2. **定义组合收益**：条件多因子组合在t+1期的收益 $r_{p,t+1}(\theta_{t})$ 为各因子收益与其权重的加权和： $$r_{p,t+1}(\theta_{t})=\sum_{k=1}^{K}r_{k,t+1}\theta_{k,t}=\sum_{k=1}^{K}r_{k,t+1}\left(a_{k}+b_{k}\,\frac{1}{\sigma_{t}}\right)$$ 其中，$r_{k,t+1}$ 是第k个因子在t+1期的收益[34]。 3. **构建优化问题**：通过定义扩展因子收益向量和权重向量，将组合构建转化为一个优化问题。目标是找到扩展因子权重向量 $\eta$（包含所有 $a_k$ 和 $b_k$ 参数），以最大化扣减交易成本后的样本均值-方差效用[37]： $$\max_{\eta\geq0}\widehat{\mu_{\rm ext}}\eta-{\rm TC}(\eta)-\frac{\gamma}{2}\eta^{\prime}\widehat{\Sigma_{\rm ext}}\eta$$ 其中，$\widehat{\mu_{\rm ext}}$ 和 $\widehat{\Sigma_{\rm ext}}$ 分别是扩展因子收益向量的样本均值和样本协方差矩阵，${\rm TC}(\eta)$ 是该组合的样本交易成本，$\gamma$ 是风险厌恶系数[37]。优化施加约束 $a_k \geq 0$ 和 $b_k \geq 0$，确保对未管理因子的暴露为正，且在波动率高时降低暴露[38]。 4. 模型名称：无条件均值-方差多因子投资组合 (UMV) * **模型构建思路**：在条件均值-方差多因子组合（CMV）的优化框架下，施加额外约束 $b_k = 0$（即因子权重不随市场波动率变化），从而得到一个静态权重的多因子最优组合[56]。 * **模型具体构建过程**：与CMV组合的构建过程相同，但在求解优化问题(6)时，对所有因子k施加约束 $b_k = 0$，这意味着因子权重 $\theta_{k,t} = a_k$ 为常数，不随时间变化[56]。 5. 因子名称：九大基础因子 * **因子构建思路**：采用文献中常用的多空组合构建方法，代表不同的风险溢价来源[28]。 * **因子具体构建过程**：从相关作者网站获取九个因子的超额收益数据。除市场因子（MKT）和押注低贝塔因子（BAB）外，每个因子都是一个多空股票投资组合的收益，多头和空头头寸各为一美元。MKT和BAB因子也是零成本投资组合[28]。具体因子包括： * 市场因子（MKT） * 小市值减大市值因子（SMB） * 高账面市值比减低账面市值比因子（HML） * 稳健型减激进型因子（RMW） * 保守型减激进型因子（CMA） * 动量因子（UMD） * 盈利性因子（ROE） * 投资因子（IA） * 押注低贝塔因子（BAB）[28] 6. 因子名称：波动率管理因子 * **因子构建思路**：对每个基础因子，根据其自身历史波动率进行缩放，以生成一个波动率管理版本的因子收益序列[30]。 * **因子具体构建过程**：对于第k个基础因子，其波动率管理版本的收益 $r_{k,t+1}^{\sigma}$ 按以下公式计算： $$r_{k,t+1}^{\sigma}=\frac{c}{\sigma_{k,t}^{2}}r_{k,t+1}$$ 其中，$r_{k,t+1}$ 是基础因子收益，$\sigma_{k,t}^{2}$ 是该因子在t月的已实现方差，$c$ 为缩放常数[30]。 7. 模型/因子评价 * **单因子波动率管理组合**：在样本内且不考虑交易成本时能提升夏普比率，但样本外表现受估计误差和交易成本严重侵蚀，考虑交易分散化仅能部分缓解，通常无法显著跑赢未管理因子[50][51][53][55]。 * **条件均值-方差多因子组合 (CMV)**：表现优异，其优势源于三个驱动因素：1) 跨因子交易轧差带来的交易分散化效应显著降低了高成本的管理型因子交易损耗；2) 在优化中直接纳入了交易成本模型；3) 允许因子权重随市场波动率差异化调整，能够积极择时并盘活某些低效因子[5][18][71][80][86]。 * **因子风险-收益权衡**：研究发现，所有九个因子的风险-收益权衡关系均随市场波动率上升而减弱，这与传统理论预期相悖，挑战了“风险-收益对应”的基本前提[3][19][92][103]。 模型的回测效果 （以下结果均基于样本外区间：1977年1月至2020年12月，且为扣除交易成本后的表现，除非特别说明） 1. 单因子波动率管理组合 * **测试场景**：样本外，扣除交易成本，并考虑交易分散化（对应图表4面板E）[52][54] * **MKT因子**：夏普比率(SR) 0.433[54] * **SMB因子**：夏普比率(SR) 0.035[54] * **HML因子**：夏普比率(SR) 0.089[54] * **RMW因子**：夏普比率(SR) 0.226[54] * **CMA因子**：夏普比率(SR) 0.153[54] * **UMD因子**：夏普比率(SR) 0.209[54] * **ROE因子**：夏普比率(SR) 0.324[54] * **IA因子**：夏普比率(SR) 0.193[54] * **BAB因子**：夏普比率(SR) 0.746[54] 2. 条件均值-方差多因子投资组合 (CMV) * **测试场景**：样本外，扣除交易成本，并考虑交易分散化，且优化时已计入交易成本（对应图表6和图表8面板D第(6)列）[61][73] * **年化收益率均值**：0.477[61] * **年化标准差**：0.449[61] * **夏普比率(SR)**：1.062[61] * **年化阿尔法(α)**：0.066[61] * **阿尔法t统计量**：3.637[61] * **年化交易成本(TC)**：0.213[61] 3. 无条件均值-方差多因子投资组合 (UMV) * **测试场景**：样本外，扣除交易成本，并考虑交易分散化，且优化时已计入交易成本（对应图表6和图表8面板D第(4)列）[61][73] * **年化收益率均值**：0.430[61] * **年化标准差**：0.458[61] * **夏普比率(SR)**：0.940[61] * **年化交易成本(TC)**：0.163[61] 4. 条件固定权重多因子投资组合 (CFW) * **测试场景**：样本外，扣除交易成本，并考虑交易分散化，且优化时已计入交易成本（对应图表8面板D第(5)列）[73] * **夏普比率(SR)**：1.026[73] * **年化阿尔法(α)**：0.046[73] * **阿尔法t统计量**：3.407[73] * **年化交易成本(TC)**：0.169[73]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：五维成长价值轮动模型** * **模型构建思路**：从动态宏观、估值回归、短期动量、风格广度和风格拥挤度五个维度构建综合信号，用于判断成长与价值风格的轮动时机[18]。 * **模型具体构建过程**： 1. **动态宏观信号**：基于多个宏观经济指标（如中长期信贷脉冲、M0/M1增速、通胀剪刀差、财政支出、美国利率等）的历史胜率，判断当前宏观环境对成长或价值风格更有利[18]。 2. **估值回归信号**：比较成长与价值风格的PE和PB估值比，判断其相对估值水平是否偏离历史中枢，从而产生均值回归信号[20]。 3. **短期动量信号**：分析成长与价值风格的价格趋势、量能趋势和内部估值分布，判断其中短期动量强弱[19]。 4. **风格广度信号**：观察成长与价值风格内部个股的上涨广度，判断趋势的可持续性。 5. **风格拥挤信号**：通过比较成长与价值风格指数成交额占A股比重的短期分位数，判断交易拥挤度[19]。 6. **综合信号生成**：将上述五个维度的信号进行综合，生成最终的风格配置建议（如100%价值或100%成长仓位）[21]。 2. **模型名称：行业中周期轮动模型** * **模型构建思路**：通过傅里叶变换刻画行业的价格、营收周期，构建行业中周期因子，并结合相同宏观周期状态下的行业动量因子，进行二维筛选以构建行业轮动策略[30]。 * **模型具体构建过程**： 1. **周期刻画**：使用与行业相关的高频数据，通过傅里叶变换确定行业的周期长度，刻画行业所处的价格或营收周期[30]。 2. **因子构建**：为每个行业构建“行业中周期因子”，该因子值反映了行业当前所处的周期强度（排名越小，周期越强）[30][33]。 3. **宏观状态匹配**：根据历史宏观周期的强弱划分，确定当前所处的宏观周期状态[30]。 4. **动量因子叠加**：在相同的宏观周期状态下，计算行业的动量因子[30]。 5. **行业筛选**：结合行业中周期因子和动量因子，每个月对行业进行二维筛选，优选周期强且动量佳的行业，构建轮动组合[30]。 3. **模型名称：利率ROIC定价模型** * **模型构建思路**：从资本回报率（ROIC）视角出发，通过结合权益市场的盈利预期，来间接推断债券市场的利率中枢点位[36]。 * **模型具体构建过程**： 1. **计算权益ROIC**：在A股上市公司（除金融）口径下，根据个股的利润和总资产数据，自下而上汇总计算全市场权益ROIC值。或在规模以上工业企业口径下进行计算[36][38]。 2. **计算债市隐含ROIC**：根据公式计算债市隐含的ROIC水平。公式为： $$ROIC = (无风险利率 + 股票风险溢价) \times 股权比例 + (无风险利率 + 信用风险溢价) \times 债权比例$$ 其中，无风险利率为30年国债到期收益率，信用风险溢价为AAA级企业债信用利差，股权占比参考A股（除金融）数据进行合成[36]。 3. **推导利率中枢**：结合对A股未来盈利增速的预测，调整权益ROIC预期，进而通过股债ROIC的均衡关系，推导出10年期国债等利率品种的预期中枢及上下界（利率走廊）[40][41][43]。 4. **模型名称：利率短期价量趋势模型** * **模型构建思路**：从日度价量数据所形成的利率形态入手，捕捉市场短期交易情绪的趋势突破信号，用于利率债的短期择时[45]。 * **模型具体构建过程**： 1. **形态识别**：对5年、10年、30年期国债到期收益率（YTM）的时序数据，应用形态识别算法[45]。 2. **多周期分析**：分别在长、中、短三个不同周期视野下，识别利率走势的向上或向下突破信号[45][46]。 3. **综合评分**：汇总不同期限、不同周期下的突破信号票数，形成综合评分结果（如中性震荡、中性偏空等），作为短期交易观点[45]。 5. **模型名称：利率宏观基本面择时模型** * **模型构建思路**：围绕经济增速预期、通胀预期、流动性变化和风险偏好四大类核心驱动因素，构建领先指标，并利用“三分位点算法”检验指标对利率变化的预测能力，进而构建择时策略[50][56]。 * **模型具体构建过程**： 1. **指标筛选与处理**：为四类驱动因素筛选代表性宏观指标（如PMI、固定资产投资、PPI、M2-M1剪刀差、国债收益率曲线、标普500指数等）。对原始数据进行差分处理以关注边际变化，对多指标类别进行主成分分析（PCA）降维，并对部分存在披露滞后的指标进行滞后处理[53][56]。 2. **预测能力检验**：使用“三分位点算法”定量评价指标对下一期利率变化的预测能力。将全样本按指标值分为三组，计算前1/3组与后1/3组下一期利率变化均值的T统计值，公式为： $$T = \frac{\bar{F}_1 - \bar{F}_3}{\sqrt{\frac{(n_1 - 1)S_1^2 + (n_3 - 1)S_3^2}{n_1 + n_3 - 2}(\frac{1}{n_1} + \frac{1}{n_3})}}$$ 其中，$\bar{F}_i$和$S_i$代表分组i下利率下一期变化的均值和标准差，$n_i$代表分组i的样本数量[57][58]。 3. **策略构建**：对于每个通过检验的指标，当其处于历史前1/3分位时，若指标与利率同向变动则配置短久期债，若反向则配置长久期债；处于后1/3分位时则反向操作；处于中间1/3时则配置50%短久期债+50%长久期债。月度调仓[59][60]。 6. **模型名称：可转债定价与估值模型** * **模型构建思路**：以期权二叉树定价法为基础，结合转债条款、正股退市风险等因素对可转债进行理论定价，并与市场价格比较以评估估值高低；同时合成全市场正股PB中位数以判断股底估值周期[76][81]。 * **模型具体构建过程**： 1. **期权定价**：使用二叉树模型为每只可转债进行理论定价，充分考虑转股、赎回、回售、下修等条款[76]。 2. **计算定价偏离度**：计算转债市场价格相对理论定价的折溢价率，即“定价偏离度”。公式为：定价偏离度 = 转债二叉树定价 / 转债市价 - 1。该值中位数或余额加权值可代表市场整体估值水平[76]。 3. **正股估值合成**：自下而上计算全市场可转债对应正股的PB中位数，作为转债市场股底估值的代理指标[81]。 7. **模型名称：固收多资产配置模型** * **模型构建思路**：结合可转债和利率债的择时指标，在保持长期结构与基准接近的基础上，动态调整可转债、长久期利率债、中短久期利率债和信用债的配置比例，以获取稳定超额收益[84]。 * **模型具体构建过程**： 1. **可转债仓位分配**：根据“可转债正股PB中位数”指标所处的运行周期（通过其5年分位数判断），分配0%、2.5%或5%三档转债仓位[84][85]。同时，根据“转债定价偏离度”指标的运动周期，分配另一组0%、2.5%或5%的转债仓位，两组权重相加为最终转债仓位[85]。 2. **利率债仓位分配**：剩余仓位配置纯债。首先根据债券市场利率债占比分配利率债总仓位。然后，参考“利率债长周期价量择时指标”，在利率债内部分配0%、50%或100%三档长久期利率债仓位，其余配置中短久期利率债[85]。 3. **信用债仓位填充**：所有剩余仓位配置信用债[85]。 4. **调仓**：基础频率为月度，利率债仓位可根据实时监控调整[84]。 模型的回测效果 1. **五维成长价值轮动模型**（综合信号2_5D平均仓位_国证成长价值，回测期2010/05/31-2026/02/27）[21]： * 累计收益：584.11% * 年化收益：14.62% * 年化波动率：40.08% * 最大回撤：44.11% * 夏普比率：0.36 * 年化超额收益（相对国证成长价值等权）：7.91% * 月度超额胜率：66.14% * 年化跟踪误差：5.88% * 年化信息比率（IR）：1.34 2. **利率宏观基本面单因子择时模型**（各指标策略回测，截至2026/02/27）[71]： * **pmi_prin策略**（2011/01/31起）：年化收益5.07%，年化波动率1.35%，最大回撤2.67%，夏普比率3.74，超额收益（相对等权基准）1.15%。 * **inv_prin策略**（2011/03/31起）：年化收益4.60%，年化波动率1.28%，最大回撤2.53%，夏普比率3.60，超额收益0.66%。 * **real_prin策略**（2016/08/31起）：年化收益4.23%，年化波动率1.13%，最大回撤3.18%，夏普比率3.75，超额收益0.77%。 * **commodity_global策略**（2003/12/31起）：年化收益4.46%，年化波动率2.74%，最大回撤5.52%，夏普比率1.63，超额收益0.81%。 * **ppcp_prin策略**（2003/12/31起）：年化收益4.25%，年化波动率1.95%，最大回撤3.66%，夏普比率2.18，超额收益0.60%。 * **m2_m1策略**（2003/12/31起）：年化收益4.67%，年化波动率1.89%，最大回撤3.40%，夏普比率2.47，超额收益1.03%。 * **cgb_level策略**（2007/12/28起）：年化收益5.24%，年化波动率1.63%，最大回撤2.45%，夏普比率3.21，超额收益1.26%。 * **stock_global策略**（2003/12/31起）：年化收益4.05%，年化波动率2.16%，最大回撤6.98%，夏普比率1.88，超额收益0.41%。 * **等权基准**（2003/12/31起）：年化收益3.65%，年化波动率1.70%，最大回撤3.40%，夏普比率2.14。 3. **固收多资产配置模型**（回测期2016/12/31-至今）[88]： * 年化收益率：5.28% * 最大回撤：2.21% * 收益回撤比：2.39 * 持有1年滚动收益率均值：约6% * 持有满1年绝对收益胜率：100% * 近年表现：2024年收益8.49%（超额0.86%），2025年收益2.05%（超额1.40%），2026年初至今收益0.57%（超额0.01%）[88]。 量化因子与构建方式 1. **因子名称：行业中周期因子** * **因子构建思路**：通过傅里叶变换分析行业高频数据，识别行业所处的价格或营收周期位置，构建反映行业周期强度的因子[30]。 * **因子具体构建过程**：收集与行业相关的高频数据（如价格、营收等），运用傅里叶变换方法确定数据序列的主要周期长度，进而刻画当前时点行业在周期中所处的相位和强度，最终合成一个表征行业周期强弱的因子值，值越小表示周期越强[30][33]。 2. **因子名称：通胀剪刀差 (CPI-PPI)** * **因子构建思路**：作为宏观分析因子，用于观察下游需求与上游价格之间的关系，历史上被用于分析对周期风格的影响[27]。 * **因子具体构建过程**：直接计算消费者价格指数（CPI）同比增速与生产者价格指数（PPI）同比增速的差值[27]。 3. **因子名称：PPI同比增速** * **因子构建思路**：作为核心宏观因子，用于预判周期风格的走势，历史数据显示其上行对周期股超额收益有正面影响[29]。 * **因子具体构建过程**：直接采用国家统计局发布的PPI全部工业品同比增速数据[29]。 4. **因子名称：美元指数** * **因子构建思路**：作为影响国际大宗商品定价的宏观因子，其变化对有色金属等周期行业有一定前瞻性指引作用[29]。 * **因子具体构建过程**：直接采用美元指数数据[29]。 5. **因子名称：定价偏离度 (转债)** * **因子构建思路**：衡量可转债市场定价偏离理论价值的程度，作为判断转债估值高低（ALPHA机会）的因子[76]。 * **因子具体构建过程**：首先利用二叉树模型计算每只可转债的理论价格，然后计算其市场价格与理论价格的比率减1，即：定价偏离度 = 理论价格 / 市价 - 1。取全市场该值的中位数或余额加权值作为市场整体因子值[76]。 6. **因子名称：正股PB中位数 (转债)** * **因子构建思路**：合成反映可转债市场整体股底估值水平的因子，用于判断转债的BETA机会和估值周期[81]。 * **因子具体构建过程**：计算全市场所有可转债对应正股的市净率（PB），然后取这些PB值的中位数，作为该因子的取值[81]。 因子的回测效果 1. **PPI同比增速因子**（用于预判周期风格未来3个月超额收益，统计期2005年至今）[29]： * 当上月PPI增速上行时，未来3个月周期风格平均超额收益（较中证800）：1.17%。 * 当上月PPI增速下行时，未来3个月周期风格平均超额收益（较中证800）：-0.06%。 2. **CPI-PPI剪刀差因子**（用于预判周期风格未来3个月超额收益，统计期2005年至今）[30]： * 当剪刀差上行时，未来3个月周期风格平均超额收益（较中证800）：0.61%。 * 当剪刀差下行时，未来3个月周期风格平均超额收益（较中证800）：0.57%。 3. **美元指数因子**（用于预判周期风格未来3个月超额收益，统计期2005年至今）[30]： * 当美元指数上行时，未来3个月周期风格平均超额收益（较中证800）：0.41%。 * 当美元指数下行时，未来3个月周期风格平均超额收益（较中证800）：0.81%。

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：封板率与连板率计算模型[16] * **模型构建思路**：通过统计特定时间段内股票涨停的封板与连板情况，来量化市场短线炒作情绪和赚钱效应[16]。 * **模型具体构建过程**： 1. 筛选样本：选取上市满3个月以上的股票[16]。 2. 计算封板率：统计当日最高价涨停的股票中，收盘价也涨停的股票比例[16]。 * 公式：$$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[16] 3. 计算连板率：统计昨日收盘涨停的股票中，今日收盘也涨停的股票比例[16]。 * 公式：$$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[16] 2. **模型名称**：大宗交易折价率计算模型[26] * **模型构建思路**：通过计算大宗交易成交价相对于市场价格的折扣率，来反映大额资金的交易情绪和偏好[26]。 * **模型具体构建过程**： 1. 数据获取：获取当日大宗交易的总成交金额，以及按当日市价计算的对应成交份额的总市值[26]。 2. 计算折价率：使用总成交金额与总市值的比值减去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] 3. **模型名称**：股指期货年化贴水率计算模型[29] * **模型构建思路**：通过计算股指期货主力合约相对于现货指数的年化基差，来反映市场对未来走势的预期和对冲成本[29]。 * **模型具体构建过程**： 1. 计算基差：基差 = 股指期货价格 - 现货指数价格[29]。 2. 计算年化贴水率：将基差除以现货指数价格，再乘以年化因子（以250个交易日为基准，除以合约剩余交易日数）[29]。 * 公式：$$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[29] 模型的回测效果 *本报告为市场监测日报，未提供模型的历史回测效果指标（如年化收益率、夏普比率、最大回撤、信息比率IR等）。报告主要展示了模型在特定日期的计算结果及近期历史分位点[29]。* 量化因子与构建方式 *本报告为市场监测日报，未涉及用于选股或资产定价的量化因子（如价值、成长、动量、质量等因子）的构建。* 因子的回测效果 *本报告为市场监测日报，未涉及量化因子的测试与回测效果。*

量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[13][44] * **模型构建思路**：为了准确计算股指期货的升贴水幅度，需要精确估计指数成分股在期货合约存续期内将进行的分红对指数点位的累计影响，从而从价格指数中剥离分红效应[13][44]。 * **模型具体构建过程**：模型的核心是预测从当前时刻 `t` 到期货合约到期日 `T` 之间，所有指数成分股的累计分红点数。具体流程如下[44][45][47]： 1. **获取成分股及权重**：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[51]。若使用估算方法，则公式为： $$W_{n,t}={\frac{w_{i0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{n})}}$$ 其中，`W_{n,t}` 为股票 `n` 在 `t` 日的估算权重，`w_{i0}` 为最近一次公布（`t_0` 日）的股票 `i` 的权重，`r_n` 为股票 `n` 从 `t_0` 到 `t` 的非复权涨跌幅[50]。 2. **预测个股分红金额**：对于每只成分股，若已公布分红金额则直接采用；若未公布，则需预测。分红金额由净利润与股息支付率的乘积得到[52]。 * **净利润预测**：采用“基于历史净利润分布的动态预测法”。若公司已公布年报、快报或业绩预告，则直接采用（业绩预告取上下限均值）；若未披露，则根据其历史季度盈利分布是否稳定进行分类预测[54]。 * **股息支付率预测**： * 若公司去年分红，则以去年股息支付率作为今年预测值。 * 若公司去年不分红，则以最近3年股息支付率平均值作为预测值。 * 若公司过去从未分红，则默认今年不分红。 * 当预期股息支付率大于100%时，进行截尾处理[58]。 3. **预测个股除息日**：采用“基于历史间隔天数稳定性的线性外推法”[56]。流程如下[61]： * 若公司已公布除息日，则直接采用。 * 若未公布，则判断公司是否已公布分红预案。 * 若未公布预案，则参考去年或前年分红日期（需满足合理性条件，如不在当前时点之前、距离当前不少于10天、不在今年股东大会召开日之前）。 * 若已公布预案，则根据其所处分红阶段（预案或决案），判断历史从该阶段公告日到除息日的间隔天数是否稳定。若稳定，则用历史平均间隔天数与今年对应公告日进行线性外推；若不稳定，则参考历史分红日期。 * 若通过上述方法无法得到合理日期，或公司过去两年未分红，则采用默认日期（根据预测时间点，设置为7月31日、8月31日或9月30日）[61]。 4. **计算指数分红点数**：将所有满足条件（除息日大于当前日期 `t` 且小于等于合约到期日 `T`）的成分股的分红影响加总，公式为： 分红点数 = $$\sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$$[44] * **模型评价**：该模型通过精细化处理成分股权重、分红金额和除息日预测，旨在提高股指分红点位预测的准确性[13][44]。模型对以上证50、沪深300为代表的大盘指数预测准确度较高，对中证500、中证1000等指数的预测误差稍大但基本稳定[66]。 量化因子与构建方式 1. **因子名称：已实现股息率**[18] * **因子构建思路**：衡量指数成分股中，在计算时点之前已经完成现金分红的公司，其分红对指数股息率的实际贡献[18]。 * **因子具体构建过程**：计算指数中所有 **今年已现金分红** 的成分股，其分红金额与当前总市值之比，按指数权重加权求和[18]。 公式为：已实现股息率 = $$\sum_{i=1}^{N_1} \frac{个股已分红金额}{个股总市值} \times 个股权重$$ 其中，`N_1` 表示指数成分股中今年已现金分红的公司数量[18]。 2. **因子名称：剩余股息率**[18] * **因子构建思路**：衡量指数成分股中，在计算时点之后预计还将进行现金分红的公司，其待分红金额对指数股息率的潜在贡献[18]。 * **因子具体构建过程**：计算指数中所有 **尚未现金分红** 的成分股，其待分红金额（预测值）与当前总市值之比，按指数权重加权求和[18]。 公式为：剩余股息率 = $$\sum_{i=1}^{N_2} \frac{个股待分红金额}{个股总市值} \times 个股权重$$ 其中，`N_2` 表示指数成分股中尚未现金分红的公司数量[18]。 模型的回测效果 1. **股指分红点位测算模型**： * **预测误差（2024年）**：对上证50和沪深300指数的预测误差基本在5个点左右；对中证500和中证1000指数的预测误差基本在10个点左右[66]。 * **预测误差（2025年）**：对上证50和沪深300指数的预测误差基本在5个点左右；对中证500和中证1000指数的预测误差基本在10个点左右[66]。 * **股指期货股息点预测效果（2024、2025年）**：对上证50、沪深300、中证500及中证1000股指期货当月主力合约的预测股息点与实际股息点对比显示，模型具有较好的预测准确性[66]。 因子的回测效果 1. **已实现股息率因子（截至2026年3月4日）**： * **上证50指数**：0.00%[4][18] * **沪深300指数**：0.00%[4][18] * **中证500指数**：0.00%[4][18] * **中证1000指数**：0.00%[4][18] 2. **剩余股息率因子（截至2026年3月4日）**： * **上证50指数**：2.80%[4][18] * **沪深300指数**：2.14%[4][18] * **中证500指数**：1.14%[4][18] * **中证1000指数**：0.89%[4][18]

量化模型与构建方式 1. **模型名称：基于ETF资金流向的行业轮动策略** **模型构建思路：** 从短期资金流入流出、风格调整后的持仓程度及边际变化、以及与主动权益基金的持仓分歧度三个角度，综合构建行业配置模型[35]。 **模型具体构建过程：** * **步骤1：构建四个核心因子** * **因子A：短期资金流入流出**。周频计算各行业ETF持仓规模的一阶差分，差分值越大代表资金流入越明显[40]。 * **因子B：风格调整后持仓程度**。首先使用单边HP滤波器和因子动量模型判断当前市场是**大盘风格占优**还是**小盘风格占优**[48][50]。当大盘风格占优时，持有ETF截面持仓程度（行业持仓规模/行业总市值）最高的行业组合；当小盘风格占优时，持有持仓程度最低的行业组合[47][56]。 * **因子C：风格调整后持仓边际变化**。同样基于风格判断模型，判断当前是**成长风格占优**还是**价值风格占优**[48][50]。当成长风格占优时，持有ETF持仓边际变化（月度截面持仓差分）最大的行业组合（加仓）；当价值风格占优时，持有持仓边际变化最小的行业组合（减仓）[47][56]。 * **因子D：与权益基金的持仓分歧度**。计算股票ETF持仓规模占比与主动权益基金持仓规模占比的差值[27]。同时，对比股票ETF与主动权益基金的月度新发份额环比，定义“新发热度” = 股票ETF新发份额环比 - 主动权益新发份额环比[62]。当股票ETF新发热度更高时，选择ETF持仓相对主动权益**高配**（分歧度为正）的行业；反之，选择主动权益持仓相对ETF**高配**（分歧度为负）的行业[62][65]。 * **步骤2：因子合成与组合构建**。将上述四个因子等权合并，每月优选综合排名前6的行业，进行等权配置，每两周换仓一次[72]。 模型的回测效果 1. **基于ETF资金流向的行业轮动策略**，回测区间（2019年10月8日至2026年1月30日）： * 绝对年化收益：**15.57%**[71] * 年化波动率：**20.75%**[71] * 夏普比率：**0.75**[71] * 最大回撤：**-24.75%**[71] * 超额年化收益（相对行业等权）：**7.56%**[71] * 跟踪误差：**8.13%**[71] * 信息比率（IR）：**0.93**[71] * 相对最大回撤：**-8.30%**[71] * 超额月度胜率：**64%**[3] * 超额月度赔率：**1.38倍**[3] 量化因子与构建方式 1. **因子名称：短期资金流入流出因子** **因子构建思路：** 捕捉ETF资金短期（周频）流入流出对行业收益的驱动效应[44]。 **因子具体构建过程：** 周频计算每个中信一级行业被所有股票ETF持有的总规模。对每个行业，计算其周度持仓规模的一阶差分 $$Flow_{i,t} = Holding_{i,t} - Holding_{i,t-1}$$，其中 $$Holding_{i,t}$$ 代表行业 $$i$$ 在 $$t$$ 周末的ETF持仓总规模。$$Flow_{i,t}$$ 值越大，表示该行业在当周资金流入越显著[37][40]。 **因子评价：** 资金流入的行业在短期内具有明显的收益优势，且2021年后ETF规模快速上升，该因子的驱动效用显著提升[44]。 2. **因子名称：风格调整后持仓程度因子** **因子构建思路：** 根据市场市值风格（大小盘）的强弱，动态选择ETF持仓程度高或低的行业组合[47]。 **因子具体构建过程：** * **基础指标计算：** 月频计算行业截面持仓程度，即行业被ETF持仓的规模除以行业总市值[20]。 * **风格判断模型：** 使用**单边HP滤波器**对风格指数比值（如沪深300/中证1000）进行降噪处理，消除短期波动[50]。然后计算**因子动量**来划分风格阶段，因子动量定义为当期滤波后数值与过去两期均值之差：$$Momentum_t = Factor_t - (Factor_{t-1} + Factor_{t-2})/2$$。当 $$Momentum_t > 0$$ 时，判定为对应风格（如大盘风格）上行/占优；反之则判定为下行/占优[49][50]。 * **因子生成：** 当模型判定为大盘风格占优时，该因子取值为行业截面持仓程度的排名（持仓越高，因子值越大）；当判定为小盘风格占优时，则取持仓程度的倒序排名（持仓越低，因子值越大）[56]。 3. **因子名称：风格调整后持仓边际变化因子** **因子构建思路：** 根据市场成长价值风格的强弱，动态选择ETF加仓或减仓的行业组合[47]。 **因子具体构建过程：** * **基础指标计算：** 月频计算行业持仓边际变化，即当月截面持仓程度与上月截面持仓程度的差值[20]。 * **风格判断模型：** 与因子2类似，使用单边HP滤波器和因子动量模型判断成长/价值风格的强弱（例如使用国证成长/国证价值指数）[50]。 * **因子生成：** 当模型判定为成长风格占优时，该因子取值为行业持仓边际变化的排名（加仓越多，因子值越大）；当判定为价值风格占优时，则取持仓边际变化的倒序排名（减仓越多，因子值越大）[56]。 4. **因子名称：与权益基金的持仓分歧度因子** **因子构建思路：** 将主动权益基金的持仓作为增量信息，利用股票ETF与主动权益基金在行业配置上的分歧以及两者资金流入的热度对比来挖掘机会[60][65]。 **因子具体构建过程：** * **分歧度计算：** 月频计算每个行业的持仓分歧度，即股票ETF持仓规模占比减去主动权益基金持仓规模占比[27]。主动权益基金持仓在季报公布月使用真实重仓数据，在非季报月使用收益回归法模拟估算[28]。 * **热度对比：** 计算股票ETF与主动权益基金的月度新发份额环比差值，得到“新发热度”[62]。 * **因子生成：** 当股票ETF新发热度高于主动权益基金时，该因子取值为行业持仓分歧度的排名（ETF相对持仓越高，因子值越大）；反之，则取持仓分歧度的倒序排名（主动权益相对持仓越高，因子值越大）[62][65]。 因子的回测效果 1. **短期资金流入流出因子**（第5组 vs. 行业等权，全时期）： * 超额年化收益：**2.72%** (计算：6.17% - 3.45%)[42] * 年化波动率：**21.22%**[42] * 夏普比率：**0.29**[42] * 最大回撤：**-37.61%**[42] * *注：表格中第5组（资金流入最多）的绝对年化收益为6.17%，行业等权基准为3.45%*[42]。 2. **风格调整后持仓程度因子**（基础策略，2017年1月9日至2026年1月30日）： * 绝对年化收益：**9.66%**[55] * 年化波动率：**20.29%**[55] * 夏普比率：**0.48**[55] * 最大回撤：**-29.11%**[55] * 超额年化收益（相对行业等权）：**5.82%**[55] * 跟踪误差：**7.76%**[55] * 信息比率（IR）：**0.75**[55] * 相对最大回撤：**-12.33%**[55] 3. **与权益基金的持仓分歧度因子**（基础策略，2019年10月8日至2026年1月30日）： * 绝对年化收益：**14.01%**[64] * 年化波动率：**20.46%**[64] * 夏普比率：**0.68**[64] * 最大回撤：**-28.80%**[64] * 超额年化收益（相对行业等权）：**6.11%**[64] * 跟踪误差：**8.00%**[64] * 信息比率（IR）：**0.76**[64] * 相对最大回撤：**-15.55%**[64]

量化模型与构建方式 1. **模型名称：中国经济六周期模型** **模型构建思路：** 通过识别中长期贷款脉冲（新增中长贷TTM同比）的三个月差分方向来判断信用周期，并结合其他宏观因子，将经济划分为六个阶段，用于指导资产配置[7]。 **模型具体构建过程：** 1. 使用“中长期贷款脉冲”作为核心信用周期识别指标。该指标的计算基于“新增中长期贷款TTM同比”的三个月差分[7]。 2. 通过该指标的变动方向（上升或下降）来判定信用周期是处于扩张还是收缩状态[7]。 3. 结合货币因子、增长因子等其他宏观指标，将经济状态综合划分为六个阶段。报告当前指出模型处于“阶段6：货币扩张”状态[7][11]。 2. **模型名称：宏观胜率评分卡** **模型构建思路：** 从货币、信用、增长、通胀和海外五个宏观因子出发，合成一个综合评分，用于评估各类资产的未来上涨概率（胜率）[21]。 **模型具体构建过程：** 报告提及该模型基于五个宏观因子（货币、信用、增长、通胀、海外）构建，但未详细说明各因子的具体计算方法和合成规则。模型输出结果为各资产的综合胜率百分比，例如A股胜率[21]。 3. **模型名称：利率债收益预测模型（债券赔率指标）** **模型构建思路：** 根据长短期债券的预期收益差来构建债券资产的赔率指标，用于衡量债券资产的估值吸引力[22]。 **模型具体构建过程：** 报告未给出该模型计算预期收益差和赔率的具体公式，但明确指出该赔率指标是标准化后的数值，以标准差倍数表示[22]。 4. **模型名称：美联储流动性指数** **模型构建思路：** 结合数量维度和价格维度，综合构建一个反映美联储流动性松紧程度的指数[29]。 **模型具体构建过程：** 报告指出该指数综合了净流动性、联储信用支持、预期引导、市场隐含、公告意外等多个维度，但未提供具体的合成公式。指数设有预警阈值，例如-60%代表“极度收紧”[28][29]。 5. **模型名称：行业景气-趋势-拥挤配置模型（并行策略）** **模型构建思路：** 提出两种右侧行业配置方案，并将它们结合形成并行策略。方案一以行业景气度为核心，结合趋势并规避高拥挤；方案二以市场趋势为核心，结合低拥挤并规避低景气[46]。 **模型具体构建过程：** * **行业景气模型：** 核心是“分析师行业景气指数”。该指数基于分析师预测数据构建，用于衡量市场对行业未来业绩的预期。具体构建方法在引用的专题报告中，本报告未详述[12]。 * **行业趋势模型：** 核心是行业的趋势强度。 * **拥挤度：** 用于衡量交易过热风险。 * **并行策略：** 同时运行上述两个模型，其推荐结果共同构成最终的行业配置建议[46][49]。 6. **模型名称：行业ETF配置模型** **模型构建思路：** 将“行业景气-趋势-拥挤配置模型”的逻辑应用于可交易的行业ETF上，构建一个可落地的投资组合[50]。 **模型具体构建过程：** 与模型5思路一致，但标的物为行业ETF。模型对每只ETF计算其跟踪指数的景气度、趋势和拥挤度，并据此进行配置[50][51]。 7. **模型名称：行业库存景气+困境反转模型** **模型构建思路：** 从赔率-胜率角度出发，在当前或过去处于困境但已有所反弹的板块中，筛选出分析师长期看好且库存压力不大、具备补库条件的行业，以捕捉困境反转行情[55]。 **模型具体构建过程：** 报告提及模型结合了“困境”（赔率）、“分析师长期看好”（胜率的一部分）和“库存压力/补库条件”等多个维度，但未给出具体的因子计算公式和合成规则[55]。 8. **模型名称：赔率增强型策略（固收+）** **模型构建思路：** 基于风险预算模型，在目标波动率约束下，根据各资产的赔率指标动态调整配置权重，持续超配高赔率（估值有吸引力）的资产[58]。 **模型具体构建过程：** 策略使用风险预算模型进行资产配置。赔率指标作为输入，用于计算各类资产（泛权益、黄金、债券）的风险预算。在满足目标波动率约束的前提下，分配更多风险预算给赔率高的资产[58]。 9. **模型名称：胜率增强型策略（固收+）** **模型构建思路：** 与赔率增强型策略框架类似，但输入指标替换为基于宏观五因子合成的各资产“胜率”评分，旨在超配未来上涨概率更高的资产[61]。 **模型具体构建过程：** 使用与模型8相同的风险预算模型框架，但将赔率指标替换为模型2（宏观胜率评分卡）输出的胜率评分，作为计算风险预算的依据[61]。 10. **模型名称：赔率+胜率增强型策略（固收+）** **模型构建思路：** 综合赔率和胜率信息，将两种策略的风险预算简单相加得到综合得分，据此构建更全面的资产配置策略[64]。 **模型具体构建过程：** 分别计算赔率增强策略（模型8）和胜率增强策略（模型9）对各类资产的风险预算，然后将两者相加，得到最终的综合风险预算，并据此确定资产配置权重[64]。 量化因子与构建方式 1. **因子名称：行业相对强弱指标（RS）** **因子构建思路：** 基于行业内个股的横截面收益排名，构建一个行业级别的相对强弱指标，用于提前识别年度领涨主线[15]。 **因子具体构建过程：** 报告未给出RS因子的具体计算公式，但说明其构建基础是“行业横截面收益排名”。当某个行业的RS指标大于90%时，被视为一个强烈的看涨信号[15]。 2. **因子名称：A股赔率因子** **因子构建思路：** 综合Shiller ERP（经周期调整的市盈率倒数）和DRP（股息率）两个估值指标，合成一个衡量A股整体估值吸引力的赔率因子[21]。 **因子具体构建过程：** 将Shiller ERP和DRP分别进行标准化处理（转化为Z-score），然后进行等权加权，得到最终的赔率因子值。该值以标准差倍数表示[21]。 3. **因子名称：债券赔率因子** **因子构建思路：** 基于利率债收益预测模型输出的长短期债券预期收益差，构建衡量债券估值吸引力的指标[22]。 **因子具体构建过程：** 由模型3（利率债收益预测模型）输出，并进行标准化处理，以标准差倍数表示[22]。 4. **因子名称：美股AIAE指标** **因子构建思路：** 作为一个衡量美股估值风险的指标，具体构建方法未说明，但历史高点通常预示较大的回撤风险[26][29]。 5. **风格因子（小盘、价值、质量、成长等）的三标尺：赔率、趋势、拥挤度** **因子构建思路：** 从三个维度（赔率、趋势、拥挤度）对风格因子进行综合评估，每个维度都进行标准化处理（以标准差倍数表示），并据此计算综合得分[30][32][36][39]。 **因子具体构建过程：** * **赔率：** 衡量因子估值便宜程度，数值越大代表越便宜[31]。 * **趋势：** 衡量因子近期表现强度，数值越大代表趋势越强[31]。 * **拥挤度：** 衡量因子交易过热程度，数值越大代表越拥挤[31]。 * **综合得分：** 基于三个维度的标准化数值计算得出，用于排名和判断[44]。 模型的回测效果 1. **行业景气-趋势-拥挤配置模型（并行策略）**，基准：Wind全A指数，年化收益22.0%，年化超额收益13.2%，信息比率(IR)1.5，超额最大回撤-8.0%，月度胜率67%[47]。2026年初至2月底绝对收益8.0%，超额收益-0.2%[47]。 2. **行业ETF配置模型**，基准：中证800指数，年化超额收益16.3%，信息比率(IR)1.9，超额最大回撤10.8%，月度胜率66%[52]。2025年超额收益21.4%[52]。2026年初至2月底绝对收益9.5%，超额收益3.9%[52]。 3. **行业库存景气+困境反转模型**，基准：行业等权组合，2023年绝对收益13.4%，超额收益17.0%；2024年绝对收益26.5%，超额收益15.4%；2025年绝对收益28.7%，超额收益5.6%[55]。2026年初至2月底绝对收益12.2%，超额收益3.9%[55]。 4. **赔率增强型策略（固收+）**，自2011年以来年化收益6.7%，年化波动2.3%，最大回撤3.1%，夏普比率2.88[60]。自2014年以来年化收益7.4%，最大回撤2.8%，夏普比率3.35[60]。自2019年以来年化收益6.8%（原文6.9%），最大回撤2.8%，夏普比率3.14[60]。 5. **胜率增强型策略（固收+）**，自2011年以来年化收益7.1%，年化波动2.4%，最大回撤3.4%，夏普比率2.99[62]。自2014年以来年化收益7.9%，最大回撤2.2%，夏普比率3.41[62]。自2019年以来年化收益6.8%，最大回撤1.5%，夏普比率3.10[62]。 6. **赔率+胜率增强型策略（固收+）**，自2011年以来年化收益6.7%，年化波动2.3%，最大回撤2.9%，夏普比率2.92[66]。自2014年以来年化收益7.3%，最大回撤2.3%，夏普比率3.31[66]。自2019年以来年化收益6.3%，最大回撤2.3%，夏普比率2.99[66]。 因子的回测效果 1. **小盘因子**，赔率0.6倍标准差，趋势0.7倍标准差，拥挤度-1.4倍标准差，综合得分4[30]。 2. **价值因子**，赔率1.2倍标准差，趋势0.3倍标准差，拥挤度-1.2倍标准差，综合得分3[32]。 3. **质量因子**，赔率1.2倍标准差，趋势-0.1倍标准差，拥挤度-0.2倍标准差，综合得分1[36]。 4. **成长因子**，赔率-1.2倍标准差，趋势0.6倍标准差，拥挤度0.2倍标准差，综合得分-0.4[39]。

量化模型与构建方式 1. **模型名称：社融自下而上拆分预测框架** [7][10] * **模型构建思路**：从社融各子项的经济逻辑、高频数据、季节性特征等角度出发，分别对每个子项进行预测，最后汇总得到社融总量预测，以实现对总量和结构的准确预测[7][10]。 * **模型具体构建过程**：该框架并非单一模型，而是针对社融的不同子项采用多种预测方法的集合[11]。 1. **人民币贷款（企业贷款+居民短贷）预测**：以PMI与唐山钢厂产能利用率为自变量，对信贷大月和小月分别进行滚动回归预测[11]。 2. **居民中长期贷款预测**：根据商品房销售代理指标与居民中长贷的三阶段特点进行预测[11]。 3. **企业票据融资预测**：以转贴现利率为外生变量，使用5年窗口的滚动自回归进行预测[11]。 4. **政府债券净融资预测**：通过将月末新发政府债券计入下月，对政府债券发行到期高频跟踪数据进行口径调整[11]。 5. **企业债券净融资预测**：使用5年窗口的滚动回归对企业债券子项重新配权，以降低口径差异[11]。 6. **外币贷款预测**：使用过去3个月均值作为预测[11]。 7. **信托贷款预测**：通过跟踪集合信托以及单一信托发行到期的披露情况进行近似预测[11]。 8. **委托贷款预测**：使用过去12个月均值作为预测，部分基建相关增量额外进行判断[11]。 9. **未贴现银行承兑汇票预测**：鉴于票交所高频数据停止对外公布，使用过去三年同期平均值作近似估计[11]。 10. **非金融企业境内股票融资预测**：将股权融资（包括IPO、增发、配股、优先股）的月频净融资数据扣除金融企业部分得到预测[11]。 11. **贷款核销预测**：使用去年同期值作为预测[11]。 12. **存款类金融机构资产支持证券预测**：使用信贷ABS净融资高频跟踪[11]。 * **模型评价**：该框架能够较为准确地预测社融总量，同时提供对社融结构信息的预测[10]。 模型的回测效果 *注：本报告未提供模型在历史回测中的具体量化指标（如IR、胜率、最大回撤等），仅展示了近期预测值与实际值的对比。* 1. **社融自下而上拆分预测框架** * 2026年1月新增社融预测值：74432亿元，实际值：72208亿元[20]。 * 2026年2月新增社融预测值：23417亿元[1][7][11]。 *注：报告未提供独立的量化因子及其构建过程与测试结果。*

量化模型与构建方式 1. **模型名称：逆周期配置模型**[7] * **模型构建思路**：从逆周期视角出发，通过预测未来的宏观环境（经济增长和通货膨胀变化方向），选择在不同宏观环境下预期表现最优的资产进行配置，以构建绝对收益组合[7]。 * **模型具体构建过程**： 1. **宏观环境预判**：使用两个代理变量预测下个季度的宏观环境。 * 使用**信用利差**的变化方向预判下个季度的经济增长变化方向[7]。 * 使用**期限利差**的变化方向预判下个季度的通货膨胀变化方向[7]。 2. **环境划分**：根据上述两个利差的变化方向（扩张或收窄），将宏观环境划分为三种阶段：Growth、Inflation、Slowdown[7]。 3. **资产配置**：根据预测出的宏观环境阶段，超配、低配或基准配置不同的资产。报告示例中提到： * Growth环境：超配股票资产10%（具体为沪深300，配置比例30%）[8]。 * Slowdown环境：低配股票资产10%（具体为国证2000，配置比例10%）[8]。 * Inflation环境：维持股票基准配置比例（具体为沪深300，配置比例20%），并配置南华商品指数30%[8]。 * 债券资产（以中债国债总财富指数代表）作为基础配置，在不同环境中调整股票和商品的配置比例[7][8]。 2. **模型名称：宏观动量月度配置模型**[9][12] * **模型构建思路**：针对股票、债券、黄金等不同大类资产，分别构建一个多因子打分模型。模型汇总多个宏观经济、市场情绪等维度的因子信号，生成月度择时观点（正向或负向）[9][12]。 * **模型具体构建过程**： 1. **因子库构建**：为每类资产选取一组相关的小类因子，并归入不同的大类因子类别（如经济增长、通货膨胀、汇率、利率、风险情绪、基本面、持仓、技术等）[9][12]。 2. **信号生成**：对于每个小类因子，其分项信号的计算方法为： $$分项信号 = 影响方向 \times 最新变化$$ 其中，“影响方向”代表该因子对资产价格的预期影响（+1为正向，-1为负向），“最新变化”代表因子值相对于上期的变化方向（+1为上升或改善，-1为下降或恶化）[9][12]。 3. **信号汇总**： * 每个大类因子的“汇总信号”由其下辖的小类因子“分项信号”汇总得到（具体汇总逻辑未明确说明，可能为求和或均值）[9][12]。 * 将所有大类因子的“汇总信号”相加，得到“总信号”[9][12]。 4. **择时判断**：根据“总信号”的正负给出资产月度涨跌的择时信号（例如，总信号为正代表看多/正向信号，为负代表看空/负向信号）[9][12]。 3. **因子名称：行业复合趋势因子**[13][14] * **因子构建思路**：从行业维度构建一个复合指标，用以观察A股市场整体行情启动的信号。该因子在绝对值超过一定阈值后，往往预示着市场后续上涨；而在市场接近顶部时，因子绝对值会突然下降，可能触发空仓信号[13]。 * **因子具体构建过程**：报告未提供该因子的详细计算公式和构建步骤，仅指出其从行业维度构建，并参考了专题报告《大类资产与中观配置研究（二）——权益资产择时之市场趋势因子》[13]。 模型的回测效果 1. **逆周期配置模型**： * 累计净值：截至2026年2月28日，模型累计净值走势展示于报告中（具体数值需从图1中读取，文本未提供）[10]。 * 季度表现示例：2025年第四季度，模型预测环境为Inflation，配置组合中沪深300、国证2000、南华商品、中债国债总财富指数的涨幅依次为-0.23%、1.83%、3.63%、0.11%[7]。 2. **行业复合趋势因子（组合）**： * 累积收益（2015年1月至2026年2月）：143.48%[14]。 * 超额收益（2015年1月至2026年2月）：52.95%[14]。 * 最新信号与表现：2026年2月，因子信号为正向，Wind全A当月收益率为2.34%[14]。截至2026年2月底，因子值为0.24，维持正向信号[14]。 量化因子与构建方式 1. **因子名称：股票市场择时因子集**[9] * **因子构建思路**：选取与股票市场（Wind全A指数）相关的宏观经济、汇率、利率及市场情绪指标，通过判断其变化方向生成择时信号[9]。 * **因子具体构建过程**：因子列表及影响方向如下： * **经济增长类**：PMI（影响方向+1）、标普全球中国通用制造业PMI（+1）[9]。 * **通货膨胀类**：PPI当月同比（-1）、PPI预期误差（-1）[9]。 * **汇率类**：CFETS人民币汇率指数（+1）、美元中间价（-1）[9][11]。 * **利率类**：中债企业债到期收益率(AA):1个月（-1）、中债国开债到期收益率:10年（+1）[9]。 * **风险情绪类**：Wind全A前一个月收益率（+1）、Wind全A前一个月波动率（滚动6个月）变化（-1）[9]。 2. **因子名称：债券市场择时因子集**[12] * **因子构建思路**：选取与债券市场（中债国债总净价指数）相关的宏观经济、汇率、利率及市场情绪指标，通过判断其变化方向生成择时信号[12]。 * **因子具体构建过程**：因子列表及影响方向如下： * **经济增长类**：PMI（-1）、PMI预期误差（-1）、工业增加值误差（-1）[12]。 * **通货膨胀类**：CRB指数（-1）、CPI当月同比（-1）[12]。 * **汇率类**：CFETS人民币汇率指数（+1）、美元中间价（-1）[12]。 * **利率类**：中债国债到期收益率:2年（-1）、中债国债到期收益率:5年（-1）、中债国债到期收益率:10年（-1）[12]。 * **风险情绪类**：Wind全A前一个月收益率（-1）、Wind全A前一个月波动率（滚动6个月）变化（+1）[12]。 3. **因子名称：黄金市场择时因子集**[12] * **因子构建思路**：选取与黄金价格相关的基本面、持仓、技术指标，直接给出分项信号（+1或-1），汇总后生成择时信号[12]。 * **因子具体构建过程**：因子列表如下： * **基本面类**：预期通胀、实际利率、全球负收益债规模、美国M2[12]。 * **持仓类**：CFTC掉期商持仓、CFTC管理基金持仓[12]。 * **技术类**：伦敦金10月均线、伦敦金20月均线[12]。 因子的回测效果 （报告未提供单个因子的独立测试结果指标，仅展示了其集成到模型中的综合信号和结果）

量化模型与构建方式 1. **模型名称：量化大势研判行业配置策略** **模型构建思路：** 基于产业生命周期理论，将股票资产划分为五种风格阶段，通过全局比较不同风格下资产的优势（“有没有好资产”）和估值（“贵不贵”），自下而上地判断未来市场的主流风格并进行行业配置[6]。 **模型具体构建过程：** 1. **资产分类：** 将股票资产（以中信二三级行业为标的，整理合并为202个）根据产业生命周期划分为五种风格：外延成长、质量成长、质量红利、价值红利、破产价值[6]。 2. **资产比较框架：** 遵循 `g > ROE > D` 的优先级顺序[1][6]。主流资产（实际增速资产 `g`、预期增速资产 `gf`、盈利资产 `ROE`）优先比较，只有当主流资产均无优势时，才考虑次级资产（质量红利、价值红利、破产价值），次级资产的优先级由拥挤度确定[10]。 3. **优势判断：** * 对于**预期成长 (gf)**：比较分析师预期增速 (`g_fttm`) 的高低，计算其优势差 (`Δgf`)[7][23]。优势差计算类似于因子择时中的 Spread，即头部资产与尾部资产在特定指标上的差值[23]。 * 对于**实际成长 (g)**：比较业绩动量 (`Δg`)，即净利润增速 (`g_ttm`) 的变化[7][27]。 * 对于**盈利能力 (ROE)**：在 PB-ROE 框架下，比较估值水平的高低[7]。 * 对于**质量红利**：采用 `DP+ROE` 综合打分[44]。 * 对于**价值红利**：采用 `DP+BP` 综合打分[47]。 * 对于**破产价值**：采用 `PB+SIZE` 综合打分（取最低）[50]。 4. **行业选择：** 在每月确定的占优风格下，根据该风格的筛选逻辑（如预期增速最高、PB-ROE 残差最低等），选取排名前5的细分行业[17]。 5. **组合构建：** 将选出的行业以等权重方式进行配置[17]。 2. **因子名称：预期净利润增速 (g_fttm)** **因子构建思路：** 基于分析师对未来盈利的一致预期，衡量资产的成长潜力，用于筛选预期成长风格的资产[7][37]。 **因子具体构建过程：** 报告未给出具体计算公式，但指出该因子为行业层面的分析师预期净利润增速[25]。通常构建方式为汇总行业内个股的分析师一致预期净利润增速，并进行行业加权平均。 3. **因子名称：净利润增速 (g_ttm) 及变化 (Δg)** **因子构建思路：** 基于历史财务数据，衡量资产的实际成长性及其动量，用于筛选实际成长风格的资产[7][38]。 **因子具体构建过程：** 报告未给出具体计算公式，但指出 `g_ttm` 为行业净利润增速，`Δg` 为其变化值，用于表征业绩动量[27]。通常 `g_ttm` 为行业最近12个月净利润的同比增速，`Δg` 为其环比或历史变化。 4. **因子名称：超预期因子 (sue, sur, jor)** **因子构建思路：** 衡量公司实际财报业绩相对于市场预期的偏离程度，用于捕捉业绩惊喜，是实际成长策略的具体因子[38]。 **因子具体构建过程：** 报告未给出具体计算公式和说明。通常 `SUE` (Standardized Unexpected Earnings) 为标准化意外盈余，`SUR` 可能为收入惊喜，`JOR` 含义不明。 5. **因子名称：PB-ROE 回归残差** **因子构建思路：** 在盈利能力 (`ROE`) 策略中，用于筛选高 `ROE` 但估值 (`PB`) 相对较低的资产，即寻找盈利能力强且估值合理的标的[41]。 **因子具体构建过程：** 报告未给出具体计算公式。通常构建方式为：在横截面上对 `PB` 和 `ROE` 进行回归（如 `PB = α + β * ROE + ε`），取回归残差 `ε`。残差为负表示相对于其 `ROE` 水平，该资产的 `PB` 估值较低。 6. **因子名称：股息率 (dp)** **因子构建思路：** 衡量资产的现金分红回报，是红利类策略（质量红利、价值红利）的核心因子[44][47]。 **因子具体构建过程：** 报告未给出具体计算公式。通常为每股股息除以股价。 7. **因子名称：市净率倒数 (bp)** **因子构建思路：** 衡量资产的账面价值低估程度，是价值红利策略的因子之一[47]。 **因子具体构建过程：** 报告未给出具体计算公式。通常为每股净资产除以股价，即市净率 (`PB`) 的倒数。 8. **因子名称：市净率 (pb)** **因子构建思路：** 衡量资产的估值水平，在破产价值策略中，低 `PB` 是重要筛选标准[50]。 **因子具体构建过程：** 报告未给出具体计算公式。通常为股价除以每股净资产。 9. **因子名称：规模 (size)** **因子构建思路：** 衡量资产的市值大小，在破产价值策略中，与小市值因子结合使用[50]。 **因子具体构建过程：** 报告未给出具体计算公式。通常为总市值或流通市值的对数。 模型的回测效果 1. **量化大势研判行业配置策略**，年化收益 **27.81%** (2009年以来)[17]，2009年超额收益 **51%** [20]，2010年超额收益 **14%** [20]，2011年超额收益 **-11%** [20]，2012年超额收益 **0%** [20]，2013年超额收益 **36%** [20]，2014年超额收益 **-4%** [20]，2015年超额收益 **16%** [20]，2016年超额收益 **-1%** [20]，2017年超额收益 **27%** [20]，2018年超额收益 **7%** [20]，2019年超额收益 **8%** [20]，2020年超额收益 **44%** [20]，2021年超额收益 **38%** [20]，2022年超额收益 **62%** [20]，2023年超额收益 **10%** [20]，2024年超额收益 **52%** [20]，2025年超额收益 **14%** [20]，2026年2月超额收益 **1%** [20]。 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IC、IR等），仅提供了基于该因子构建的策略历史表现定性描述。)* 1. **预期成长策略 (基于g_fttm)**，历史表现：2019年以来超额显著，2014-2015年期间也有较高超额[37]。 2. **实际成长策略 (基于sue, sur, jor)**，历史表现：长期超额都较为显著，在成长风格占优环境下尤其突出[38]。 3. **盈利能力策略 (基于PB-ROE残差)**，历史表现：2016年-2020年超额较为显著，2021年-2024年上半年持续较弱[41]。 4. **质量红利策略 (基于dp, roe)**，历史表现：2016年、2017年、2023年超额较为显著[44]。 5. **价值红利策略 (基于dp, bp)**，历史表现：2009年、2017年、2021-2023年超额较为显著[47]。 6. **破产价值策略 (基于pb, size)**，历史表现：2015-2016年、2021-2023年超额较为显著[50]。

量化模型与因子总结 量化模型与构建方式 本报告主要对市场宽基指数进行多维度数据跟踪与统计分析，未涉及具体的量化选股模型或预测模型。报告的核心内容是对一系列市场状态指标（可视为广义的“因子”）的计算和监控[1][2][3]。 量化因子与构建方式 报告详细计算并跟踪了多个用于评估市场状态和宽基指数特征的指标，这些指标可被视为市场层面的监测因子。 1. **因子名称：风险溢价** * **因子构建思路：** 以十年期国债即期收益率作为无风险利率的参考，计算各宽基指数收益率相对于无风险利率的溢价，用以衡量其相对投资价值和偏离情况[26]。 * **因子具体构建过程：** 计算各宽基指数的收益率（报告中未明确具体收益率计算周期，通常为预期收益率或历史收益率）与十年期国债即期收益率之差。报告中的“当前风险溢价”即为该差值[30]。 * 公式：$$风险溢价 = 指数收益率 - 十年期国债即期收益率$$ * **因子评价：** 该因子有明显的均值复归现象，可用于观察市场极端表现后的价值回归[27]。不同指数的风险溢价分布特征不同，如上证50分布更集中，而中证1000、中证2000等分布较分散，不确定性更大[33]。 2. **因子名称：股债性价比** * **因子构建思路：** 将股票资产的估值收益率（市盈率倒数）与债券收益率（十年期国债）进行比较，其差值代表股票相对债券的吸引力[45]。 * **因子具体构建过程：** 计算各宽基指数市盈率（PE-TTM）的倒数，再减去十年期国债即期收益率。 * 公式：$$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ * **因子评价：** 该因子是经典的资产配置参考指标，高于历史高位（如80%分位）通常代表股票资产更具吸引力，低于历史低位（如20%分位）则代表债券相对更有吸引力[45]。 3. **因子名称：指数破净率** * **因子构建思路：** 统计指数成分股中市净率（PB）小于1的个股占比，用以反映市场整体的估值态度和悲观程度[53][55]。 * **因子具体构建过程：** 对于每个宽基指数，遍历其所有成分股，判断其市净率是否小于1。破净率等于破净个股数量除以指数成分股总数量。 * 公式：$$破净率 = \frac{指数内破净（PB < 1）的个股数量}{指数成分股总数量}$$ * **因子评价：** 破净率越高，表明市场低估的情况越普遍，可能反映市场情绪悲观；破净率越低，可能表明市场对未来发展持相对乐观态度[55]。 4. **因子名称：指数换手率** * **因子构建思路：** 衡量指数整体交易的活跃程度[17]。 * **因子具体构建过程：** 采用流通股本加权平均的方式计算指数换手率。具体为：对指数内所有成分股，计算其流通股本与个股换手率的乘积之和，再除以所有成分股的流通股本之和[17]。 * 公式：$$指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$$ 5. **因子名称：交易金额占比** * **因子构建思路：** 衡量单个宽基指数的成交额在全市场（以中证全指为代表）中的比重，反映资金流向和关注度[17]。 * **因子具体构建过程：** 计算该指数当日的总成交金额，除以中证全指当日的总成交金额[17]。 * 公式：$$交易金额占比 = \frac{指数当日交易金额}{中证全指当日交易金额}$$ 6. **因子名称：收益分布形态指标（偏度与峰度）** * **因子构建思路：** 通过计算指数日收益率序列的偏度和峰度，分析其收益分布的特征，例如是否具有“尖峰厚尾”或偏态特性[23]。 * **因子具体构建过程：** * **偏度：** 衡量收益率分布的不对称性。正偏态表示极端正收益情形增加[23]。报告计算了当前偏度与近5年历史偏度的差值（当前vs.近5年）[24]。 * **峰度：** 衡量收益率分布的陡峭程度。报告中计算的是超额峰度（计算中减去了正态分布的峰度值3），峰度越大，说明收益率分布更集中[23][24]。报告同样计算了当前峰度与近5年历史峰度的差值[24]。 7. **因子名称：均线相对位置** * **因子构建思路：** 通过比较指数收盘价与不同周期移动平均线（MA）的位置关系，判断市场短期、中期和长期的趋势状态[13]。 * **因子具体构建过程：** 计算指数收盘价相对于各周期均线（如MA5, MA10, MA20等）的百分比偏离。例如，`vsMA5 = (收盘价 / MA5) - 1`。报告中使用“跌破”描述收盘价低于某条均线的情况[13][14]。 8. **因子名称：历史分位值（应用于PE-TTM、股息率、风险溢价等）** * **因子构建思路：** 将因子的当前值置于其历史数据（如近1年、近5年）中，计算其所处的百分位位置，以判断当前值的相对高低[41][50]。 * **因子具体构建过程：** 对于某个因子（如PE-TTM），收集其在指定历史窗口期（如近5年）的所有日度数据。将当前值与该历史序列比较，计算其百分位数。例如，98%的分位值意味着当前值高于历史98%的数据[42]。 因子的回测效果 报告未对上述因子进行传统的因子IC值、分组收益等量化回测。报告主要展示了这些因子在**特定时点（2026年3月3日）** 对各宽基指数的截面取值和统计结果，以及部分因子相对于其自身历史数据的分位状态[11][14][24][30][41][42][52][56]。 1. **风险溢价因子** * 当前风险溢价：上证50为-1.06%，沪深300为-1.55%，中证500为-4.36%，中证1000为-3.95%，中证2000为-4.17%，中证全指为-2.95%，创业板指为-2.58%[30] * 近5年历史分位值：上证50为12.94%，沪深300为6.27%，中证500为0.40%，中证1000为0.95%，中证2000为1.51%，中证全指为1.11%，创业板指为4.76%[30] 2. **PE-TTM因子** * 当前值：上证50为11.73，沪深300为14.29，中证500为37.38，中证1000为49.84，中证2000为166.28，中证全指为22.42，创业板指为42.08[43] * 近5年历史分位值：上证50为84.79%，沪深300为90.91%，中证500为97.85%，中证1000为97.69%，中证2000为88.84%，中证全指为98.18%，创业板指为60.50%[42][43] 3. **股息率因子** * 当前值：上证50为3.29%，沪深300为2.75%，中证500为1.27%，中证1000为1.00%，中证2000为0.72%，中证全指为1.95%，创业板指为0.90%[52] * 近5年历史分位值：上证50为33.55%，沪深300为36.53%，中证500为7.02%，中证1000为23.72%，中证2000为6.36%，中证全指为27.69%，创业板指为56.53%[50][52] 4. **破净率因子** * 当前值：上证50为20.0%，沪深300为15.67%，中证500为9.2%，中证1000为6.8%，中证2000为2.95%，中证全指为5.5%[56] 5. **交易金额占比因子** * 当前值（2026年3月3日）：沪深300为25.86%，中证1000为21.45%，中证2000为21.02%[17] 6. **换手率因子** * 当前值（2026年3月3日）：中证2000为5.15，中证1000为3.92，创业板指为3.65，中证500为3.09，中证全指为2.64，沪深300为1.12，上证50为0.63[17] 7. **收益分布形态指标** * 峰度负偏离（当前vs近5年）：创业板指最大（-2.63），中证500最小（-1.52）[23][24] * 偏度负偏离（当前vs近5年）：创业板指最大（-0.63），中证500最小（-0.41）[23][24]