量化因子与构建方式 单因子表现 - **因子名称**：市盈率因子 **因子的构建思路**：基于市盈率（PE）作为估值指标，衡量股票的相对估值水平 **因子具体构建过程**：通过计算股票的市盈率（PE），并剔除行业与市值影响后，构建多头组合相对于基准指数的超额收益[8][9][11] - **因子名称**：市盈率TTM倒数 **因子的构建思路**：基于市盈率TTM的倒数，作为估值类因子的变形，反映股票的盈利能力 **因子具体构建过程**：计算市盈率TTM的倒数，剔除行业与市值影响后，构建多头组合相对于基准指数的超额收益[8][9][11] - **因子名称**：标准化预期外收入 **因子的构建思路**：基于公司实际收入与市场预期收入的差异，衡量公司超预期表现的能力 **因子具体构建过程**：将实际收入与市场预期收入的差值进行标准化处理，剔除行业与市值影响后，构建多头组合相对于基准指数的超额收益[11][12][15] - **因子名称**：毛利率TTM **因子的构建思路**：基于公司过去12个月的毛利率，衡量公司盈利能力的稳定性 **因子具体构建过程**：计算公司TTM毛利率，剔除行业与市值影响后，构建多头组合相对于基准指数的超额收益[8][11][15] - **因子名称**：换手率相对波动率 **因子的构建思路**：基于换手率的波动性，衡量股票的流动性特征 **因子具体构建过程**：计算股票换手率的波动率，并与市场整体波动率进行对比，剔除行业与市值影响后，构建多头组合相对于基准指数的超额收益[11][15] 大类因子表现 - **因子名称**：盈利因子 **因子的构建思路**：基于公司盈利能力的相关指标，衡量股票的基本面表现 **因子具体构建过程**：综合多种盈利相关指标（如ROE、ROA等），剔除行业与市值影响后，构建多头组合相对于基准指数的超额收益[17] - **因子名称**：Beta因子 **因子的构建思路**：基于股票的市场Beta值，衡量股票的系统性风险暴露 **因子具体构建过程**：计算股票的Beta值，剔除行业与市值影响后，构建多头组合相对于基准指数的超额收益[17] - **因子名称**：市值因子 **因子的构建思路**：基于股票的市值大小，衡量股票的规模效应 **因子具体构建过程**：按照市值大小对股票进行分组，剔除行业与市值影响后，构建多头组合相对于基准指数的超额收益[17] - **因子名称**：成长因子 **因子的构建思路**：基于公司成长性的相关指标，衡量股票的成长潜力 **因子具体构建过程**：综合多种成长性相关指标（如收入增长率、净利润增长率等），剔除行业与市值影响后，构建多头组合相对于基准指数的超额收益[17] 行业内因子表现 - **因子名称**：BP因子 **因子的构建思路**：基于账面价值与市值的比值，衡量股票的估值水平 **因子具体构建过程**：计算股票的账面市值比（BP），剔除行业与市值影响后，构建多头组合相对于基准指数的超额收益[20][21] - **因子名称**：EP因子 **因子的构建思路**：基于每股收益与市值的比值，衡量股票的盈利能力 **因子具体构建过程**：计算股票的每股收益市值比（EP），剔除行业与市值影响后，构建多头组合相对于基准指数的超额收益[20][21] - **因子名称**：残差波动率因子 **因子的构建思路**：基于股票收益的残差波动率，衡量股票的非系统性风险 **因子具体构建过程**：计算股票收益的残差波动率，剔除行业与市值影响后，构建多头组合相对于基准指数的超额收益[20][21] - **因子名称**：流动性因子 **因子的构建思路**：基于股票的流动性指标，衡量股票的交易活跃度 **因子具体构建过程**：综合多种流动性相关指标（如换手率、成交量等），剔除行业与市值影响后，构建多头组合相对于基准指数的超额收益[20][21] --- 因子的回测效果 单因子表现 - **市盈率因子**：沪深300股票池1.77%，中证500股票池1.29%，流动性1500股票池1.97%[8][11][14] - **市盈率TTM倒数**：沪深300股票池1.37%，中证500股票池0.77%，流动性1500股票池1.78%[8][11][14] - **标准化预期外收入**：中证500股票池0.64%，流动性1500股票池0.30%[11][14] - **毛利率TTM**：沪深300股票池-2.08%，中证500股票池-1.27%，流动性1500股票池-0.46%[8][11][14] - **换手率相对波动率**：中证500股票池-1.01%，流动性1500股票池0.44%[11][14] 大类因子表现 - **盈利因子**：全市场股票池0.57%[17] - **Beta因子**：全市场股票池-0.70%[17] - **市值因子**：全市场股票池-0.19%[17] - **成长因子**：全市场股票池-0.19%[17] 行业内因子表现 - **BP因子**：家用电器、银行、传媒、电子行业正收益明显[20] - **EP因子**：通信、煤炭行业正收益明显[20] - **残差波动率因子**：农林牧渔、有色金属、电子行业正收益明显[20] - **流动性因子**：农林牧渔、有色金属、电子行业正收益明显[20]

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称**：知情交易者密度D指标模型 - **模型构建思路**：通过统计超大单和大单的异常净流入/流出情况，反映知情交易者对市场的态度[6] - **模型具体构建过程**： 1. 资金流分类：超大单（>100万元）、大单（20-100万元）、中单（4-20万元）、小单（<4万元）[6] 2. 定义D指标：过去20个交易日异常净流入个数减去异常净流出个数 $$ D = \sum_{t=1}^{20} (I_{\text{异常流入},t} - I_{\text{异常流出},t}) $$ 其中$I$为指示函数，异常阈值根据历史波动率设定[6][27] - **模型评价**：D指标能有效捕捉知情交易者的市场情绪变化 模型的回测效果 1. 知情交易者密度D指标模型： - 近1个月D指标持续位于零轴上方，显示乐观情绪[6][27] 量化因子与构建方式 1. **因子名称**：北向资金净流入因子 - **因子构建思路**：通过托管机构（外资银行/券商）资金流向差异捕捉外资偏好[4][12] - **因子具体构建过程**： 1. 按托管机构分类计算日净流入额： $$ \text{NetFlow}_i = \sum \text{BuyAmount}_i - \sum \text{SellAmount}_i $$ 其中$i$为机构类型（全体/银行/券商）[12][14] 2. 行业/风格维度拆解：计算30个一级行业及成长/价值风格的净流入占比[15][18] - **因子评价**：外资券商与银行的分歧行为可能蕴含短期交易信号 2. **因子名称**：个股增仓比例因子 - **因子构建思路**：通过外资持仓变动识别超额收益标的[22][23] - **因子具体构建过程**： $$ \text{增仓比例} = \frac{\text{当期持仓市值} - \text{上期持仓市值}}{\text{流通市值}} \times 100\% $$ 按全体机构/外资银行/券商分别计算Top10个股[23] 因子的回测效果 1. 北向资金净流入因子： - 近一月外资券商净流入484亿元，银行净流出37亿元[12][14] - 沪深300成分股净流入278亿元，中证500/1000分别流入67/72亿元[16][17] 2. 个股增仓比例因子： - 全体机构最高增仓标的唯捷创芯（4.15%），外资券商最高增仓同标的（4.35%）[22][23] 关键指标说明 - **异常净流入判定标准**：超过过去20日平均净流入2倍标准差[6] - **行业偏好统计**：银行/食品饮料为外资共同增持前二行业（分别增持140亿/80亿元）[15][16]

根据提供的研报内容，以下是量化因子与模型的详细总结： --- 量化因子与构建方式 1. **因子名称：期限结构** - **构建思路**：通过商品期货近月与次近月合约的价格差异反映市场期限结构特征[35] - **具体构建过程**： $$ \text{因子值} = \log(P_{i,Front}) - \log(P_{i,2}) $$ 其中，$P_{i,Front}$为品种$i$的近月合约收盘价，$P_{i,2}$为次近月合约收盘价[35] 2. **因子名称：对冲压力** - **构建思路**：基于持仓变化与成交量的比率衡量市场对冲压力[35] - **具体构建过程**： $$ \text{因子值} = \frac{\Delta OI_{i,t}}{TV_{i,t}} $$ $\Delta OI_{i,t}$为品种$i$过去20个交易日的持仓变化量，$TV_{i,t}$为同期成交量[35] 3. **因子名称：横截面动量** - **构建思路**：捕捉商品期货过去一段时间的价格趋势[35] - **具体构建过程**： $$ \text{因子值} = R_{i,t-5} $$ $R_{i,t-5}$为品种$i$主连合约前5个交易日的累积收益[35] 4. **因子名称：波动率** - **构建思路**：衡量商品期货的历史价格波动[35] - **具体构建过程**： $$ \text{因子值} = \sqrt{\sigma_{i,t}^2} $$ $\sigma_{i,t}^2$为品种$i$主力合约过去250个交易日收益率的方差[35] 5. **因子名称：价值** - **构建思路**：通过长期价格均值与当前价格的比值评估商品估值[35] - **具体构建过程**： $$ \text{因子值} = \log\left(\frac{MA(P_{i,t},750)}{P_{i,t}}\right) $$ $MA(P_{i,t},750)$为品种$i$过去750个交易日的日均收盘价[35] 6. **因子名称：流动性** - **构建思路**：结合成交额与收益率衡量市场流动性[35] - **具体构建过程**： $$ \text{因子值} = \frac{1}{D} \sum_{d=t-D+1}^{t} \frac{TV\_avg_{i,d}}{|R_{i,d}|} $$ $TV\_avg_{i,d}$为日成交额，$R_{i,d}$为日收益率，$D=20$个交易日[35] 7. **因子名称：偏度** - **构建思路**：统计收益分布的非对称性[35] - **具体构建过程**： $$ \text{因子值} = \text{Skew}(R_{i,t-D:t}) $$ 计算品种$i$过去250个交易日收益的偏度[35] 8. **因子名称：基差动量** - **构建思路**：反映近月与次近月合约收益差异的累积效应[35] - **具体构建过程**： $$ \text{因子值} = \prod_{k=t-D+1}^{t} (1+R_{i,Front,k}) - \prod_{k=t-D+1}^{t} (1+R_{i,2,k}) $$ $R_{i,Front,k}$和$R_{i,2,k}$分别为近月与次近合约日收益，$D=20$[35] --- 因子回测效果 （注：研报未提供具体因子测试结果，仅展示商品因子本周收益表现） - **期限结构因子**：本周收益未披露，今年以来表现未披露[14] - **对冲压力因子**：本周涨幅显著（具体数值未披露）[10] - **波动率因子**：本周跌幅显著[10] - **流动性因子**：本周跌幅显著[10] --- 其他说明 1. **模型部分**：研报未提及具体量化模型，仅描述策略表现（如量化CTA、市场中性等）[16][17] 2. **因子评价**：研报未对因子进行定性评价，仅描述其收益表现[10][14] （注：引用文档范围包括[10][14][16][17][35]，覆盖因子定义、市场表现及策略分析部分）

量化模型与构建方式 1. **多因子模型** - 模型构建思路：基于可转债市场特性，综合多个有效因子构建组合，通过因子IC值和超额收益筛选最优因子组合[4][28] - 模型具体构建过程： 1. 因子筛选：从转股溢价率、纯债溢价率、波动率等18个因子中选取IC均值绝对值较高且稳定的因子[35][38][39] 2. 因子加权：采用IC加权或等权方式合成综合因子得分 3. 组合构建：按因子得分排序选取前20%可转债形成多头组合，周度调仓[28][32] - 模型评价：在偏债/偏股转债中表现分化，需结合市场风格动态调整因子权重[20][23] 量化因子与构建方式 1. **转股溢价率因子** - 构建思路：衡量转债价格相对于转股价值的溢价程度，反映股性特征[3][20] - 具体公式：$$转股溢价率 = (转债价格 - 转股价值)/转股价值 \times 100\%$$[35] - 因子评价：在偏债型转债中IC均值-0.07，与正股联动性弱[38] 2. **纯债溢价率因子** - 构建思路：反映转债价格相对于纯债价值的溢价，体现债性保护[3][20] - 具体公式：$$纯债溢价率 = (转债价格 - 纯债价值)/纯债价值 \times 100\%$$[35] - 因子评价：近一年IC均值-0.09，在低价转债中有效性显著[35][38] 3. **到期收益率(YTM)因子** - 构建思路：衡量持有至到期的年化收益率，适用于偏债型转债[3][20] - 因子评价：近一月IC均值0.08，市场避险情绪下表现突出[35] 4. **隐含波动率因子** - 构建思路：通过期权定价模型反推的波动率，反映市场预期[3][20] - 因子评价：近一年IC均值-0.07，与正股波动率存在差异[35][39] 5. **双低因子** - 构建思路：结合价格与转股溢价率的复合因子，公式：$$双低值 = 转债价格 + 转股溢价率 \times 100$$[20][35] - 因子评价：在偏股型转债中近一月多空收益达5.91%[39] 6. **正股联动因子组** - 包含子因子： - 日均振幅差：$$(转债振幅 - 正股振幅)/正股振幅$$[35] - 涨幅差：转债日收益率 - 正股日收益率[35] - 相关性：转债与正股60日收益率相关系数[35] - 因子评价：偏股型转债中IC均值0.11，股性强时有效性高[39] 模型回测效果 1. **多因子模型** - 2024年5月收益率2.65%，2024年以来累计收益4.46%[28][31] - 2023年以来年化收益20.10%，最大回撤未披露[30] 因子回测效果 1. **全市场转债因子** - 波动率因子：近一月IC均值0.04，多头收益4.72%[35] - 动量因子：近一月IC均值-0.10，但多空收益1.53%[35] 2. **偏债型转债因子** - 双低因子：近一月IC均值-0.10，多头超额收益1.75%[38] - 到期收益率：近一年IC均值0.09，多空收益12.70%[38] 3. **偏股型转债因子** - 纯债溢价率：近一月IC均值0.09，多空收益4.46%[39] - 日均振幅差：近一月IC均值0.12，多空收益8.63%[39] 4. **混合型转债因子** - 到期收益率：近一年IC均值0.07，多空收益20.31%[41] - 双低因子：近一年IC均值-0.10，多空收益20.23%[41]

量化模型与构建方式 1 模型名称：时序动量模型 模型构建思路：通过计算资产价格在一定时间窗口内的收益率来衡量其动量强度[1] 模型具体构建过程： - 选取时间窗口（如20日、60日等）计算收益率 - 对收益率进行标准化处理 - 根据标准化得分生成交易信号 模型评价：简单有效，但对市场转折点反应滞后[1] 2 模型名称：截面动量模型 模型构建思路：在同一时间截面上比较不同资产的动量强度，选择相对强势品种[1] 模型具体构建过程： - 计算各资产同一时间窗口内的收益率 - 对所有资产收益率进行横截面排序 - 选择排名前N%的资产做多，后N%的资产做空 模型评价：能捕捉板块轮动机会，但需要合理设置阈值[1] 3 模型名称：期限结构模型 模型构建思路：利用期货合约近远月价差反映市场供需预期[1] 模型具体构建过程： - 计算近月合约与远月合约的价格差 - 对价差进行标准化处理 - 根据标准化得分生成交易信号 模型评价：对库存周期敏感，适合商品市场[1] 4 模型名称：持仓量模型 模型构建思路：通过监测持仓量变化捕捉资金流向[1] 模型具体构建过程： - 计算持仓量的N日移动平均 - 监测持仓量突破均线的方向 - 结合价格走势确认交易信号 模型评价：对趋势延续性有较好指示作用[1] 量化因子与构建方式 1 因子名称：供给因子 因子构建思路：通过产能利用率等指标反映供给端变化[3] 因子具体构建过程： - 收集甲醇装置开工率等数据 - 计算标准化得分 - 生成多空信号 2 因子名称：需求因子 因子构建思路：通过价格和成交量等指标反映需求强弱[3] 因子具体构建过程： - 监测冰醋酸日度出厂价等指标 - 计算变化率 - 生成多空信号 3 因子名称：库存因子 因子构建思路：通过港口库存变化反映供需平衡[3] 因子具体构建过程： - 监测甲醇港口库存数据 - 计算库存变化率 - 生成多空信号 4 因子名称：价差因子 因子构建思路：通过区域价差和基差反映市场结构[3] 因子具体构建过程： - 计算华东-沙河区域价差 - 监测主连基差变化 - 生成多空信号 5 因子名称：利润因子 因子构建思路：通过生产工艺利润反映行业景气度[7] 因子具体构建过程： - 计算管道气制浮法玻璃日度收入 - 监测利润变化方向 - 生成多空信号 模型的回测效果 1 时序动量模型，黑色板块信号强度1.46，有色板块0.85，能化板块-0.38，农产品板块-0.6，股指板块0.06，贵金属板块1.01[4] 2 截面动量模型，黑色板块信号强度0.33，有色板块2.49，能化板块0，农产品板块0.81，股指板块0.78[4] 3 期限结构模型，黑色板块信号强度1.1，有色板块0.83，能化板块1.03，农产品板块1.83，股指板块-0.25[4] 4 持仓量模型，黑色板块信号强度0.33，有色板块0.92，能化板块1.46，农产品板块-1.82，股指板块1.37，贵金属板块2.56[4] 因子的回测效果 1 供给因子，上周收益0%，当月收益1.06%[2] 2 需求因子，上周收益-0.02%，当月收益0.03%[2] 3 价差因子，上周收益0%，当月收益0.2%[2] 4 大类累加因子，上周收益-0.04%，当月收益0.48%[2]

金融衍生品周度报告 主观多头走强 CTA周报 国投安信期货有限公司 第 1 页 版权所有，转载请注明出处 2024年5月20日 截至2024/05/10当周，权益、债券与商品市场周度涨跌幅分别为 1.59%、-0.13%、-0.40%； 私募基金市场方面，本周主要策略指 数延续上升趋势，权益类策略收益表现最佳。CTA方面，本周CTA 趋势、套利以及复合指数涨跌幅分别为0.15%、-0.05%与0.67%。 策略拥挤方面，本周权益策略走高，债券策略持平，CTA小幅上行。 子策略部分，CTA中量化与主观趋势有所分化，其中主观趋势维持在 较高拥挤水平，权益部分指增与量化多头上升，主观多头走低，市场 中性策略小幅下降。 近一周除周期外其余风格管理均跑赢市场，其中稳定风格管理人表现 最佳，超额收益率为2.64%，拥挤度波动回升，稳定与金融风格升幅 显著。 Barra因子：截止2024/5/17当周，本周分红与ALPHA因子表现较 优，超额收益率为2.63%。结合模型评分变化结果周期与消费风格环 比上升，稳定风格走弱，当前整体偏好消费与成长风格。本周五风格 择时策略收益率为-0.51%，对比基准均衡配置暂无超额。 基金市 ...

- 本次研报未涉及量化模型或量化因子的构建、测试及相关内容[1][3][4]

量化因子与构建方式 单因子表现 - **因子名称**：下行波动率占比 **因子的构建思路**：衡量股票收益的下行风险占比 **因子具体构建过程**：通过计算股票收益的下行波动率占总波动率的比例，剔除行业与市值影响后，构造多头组合相对于基准指数的超额收益[8][9] - **因子名称**：成交量的5日指数移动平均 **因子的构建思路**：捕捉短期成交量变化趋势 **因子具体构建过程**：计算股票成交量的5日指数移动平均值，剔除行业与市值影响后，构造多头组合相对于基准指数的超额收益[8][9] - **因子名称**：5日成交量的标准差 **因子的构建思路**：衡量短期成交量波动性 **因子具体构建过程**：计算股票成交量在过去5日内的标准差，剔除行业与市值影响后，构造多头组合相对于基准指数的超额收益[8][9] - **因子名称**：市盈率TTM倒数 **因子的构建思路**：衡量股票的估值水平 **因子具体构建过程**：计算股票市盈率的TTM倒数，剔除行业与市值影响后，构造多头组合相对于基准指数的超额收益[11][12] - **因子名称**：动量弹簧因子 **因子的构建思路**：捕捉股票价格的动量反转特性 **因子具体构建过程**：通过计算股票价格的动量弹簧特性，剔除行业与市值影响后，构造多头组合相对于基准指数的超额收益[14][15] 大类因子表现 - **因子名称**：杠杆因子 **因子的构建思路**：衡量公司资产负债率对股票收益的影响 **因子具体构建过程**：通过计算公司杠杆率，剔除行业与市值影响后，构造多头组合相对于基准指数的超额收益[17] - **因子名称**：Beta因子 **因子的构建思路**：衡量股票相对于市场的系统性风险 **因子具体构建过程**：通过计算股票的Beta值，剔除行业与市值影响后，构造多头组合相对于基准指数的超额收益[17] - **因子名称**：盈利因子 **因子的构建思路**：衡量公司盈利能力对股票收益的影响 **因子具体构建过程**：通过计算公司盈利指标（如ROE、净利润率等），剔除行业与市值影响后，构造多头组合相对于基准指数的超额收益[17] 因子的回测效果 单因子表现 - **下行波动率占比**：沪深300股票池最近1周收益1.26%[8][9] - **成交量的5日指数移动平均**：沪深300股票池最近1周收益1.02%[8][9] - **5日成交量的标准差**：沪深300股票池最近1周收益0.91%[8][9] - **市盈率TTM倒数**：中证500股票池最近1周收益1.55%[11][12] - **动量弹簧因子**：流动性1500股票池最近1周收益1.19%[14][15] 大类因子表现 - **杠杆因子**：全市场股票池最近1周收益0.36%[17] - **Beta因子**：全市场股票池最近1周收益0.29%[17] - **盈利因子**：全市场股票池最近1周收益0.27%[17] 量化组合与构建方式 PB-ROE-50组合 - **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）筛选股票 **模型具体构建过程**：选取PB和ROE指标排名前50的股票构建组合，按月调仓，剔除行业与市值影响后，计算超额收益[24][25] 大宗交易组合 - **模型名称**：大宗交易组合 **模型构建思路**：基于大宗交易成交金额比率和成交金额波动率筛选股票 **模型具体构建过程**：选取大宗交易成交金额比率高、成交金额波动率低的股票，按月调仓，剔除行业与市值影响后，计算超额收益[29][30] 定向增发组合 - **模型名称**：定向增发组合 **模型构建思路**：基于定向增发事件效应筛选股票 **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、调仓周期及仓位控制，构建组合，剔除行业与市值影响后，计算超额收益[34][35] 组合的回测效果 PB-ROE-50组合 - 中证500股票池本周超额收益-0.88%[24][25] - 中证800股票池本周超额收益-0.54%[24][25] - 全市场股票池本周超额收益-0.39%[24][25] 大宗交易组合 - 本周超额收益-0.14%[29][30] 定向增发组合 - 本周超额收益-1.44%[34][35]

量化模型与构建方式 上证综指ETF（510760） 1. **模型名称**：上证综指ETF（510760） 2. **模型构建思路**：采用抽样复制的方法，紧密跟踪上证综指，同时获取稳健超额收益[4][59] 3. **模型具体构建过程**： - **抽样复制方法**：在构建ETF组合的持仓时，通过约束组合相对基准的风格偏离，同时最小化组合跟踪误差的方法优化组合持仓[63] - **分层抽样法**：根据成份股的特征进行分层，然后在每一层内选取代表性成份股，最后形成投资组合的抽样方法[63] - **最优化抽样复制法**：通过控制组合风险暴露的方式，使得目标组合与基准指数在指定风格上的暴露保持一致，从而达到控制跟踪误差的方法[63] - **实际操作**：上证综指ETF在实际管理过程中采用抽样复制的方法，历史各期平均持股数量为194只，持股数量占同期上证综指的成分股数量比例平均为10.56%[65] 4. **模型评价**：上证综指ETF自成立以来，各完整年度相对基准均能取得超额收益，并且年化跟踪误差较小[71] 模型的回测效果 1. **上证综指ETF** - **年化超额收益**：4.39%[59] - **近三年累计超额收益**：18.39%[59] - **成立以来累计超额收益**：15.98%[59] - **年化跟踪误差**：3.65%[71] 量化因子与构建方式 上证综指 1. **因子名称**：上证综指 2. **因子的构建思路**：采用总市值加权，剔除风险警示股，延迟新股纳入，纳入科创板证券[1][12][16] 3. **因子具体构建过程**： - **总市值加权**：上证综指采用总市值加权，由于央国企的特殊属性，自由流通市值占总市值的比例相对较低，采用总市值加权使得上证综指中中字头以及央国企的占比更高[1][19] - **剔除风险警示股**：修订后的上证综指剔除被实施风险警示(ST、*ST)的股票[15] - **延迟新股纳入**：新股上市满1年后计入指数，大市值新股上市满3个月后计入[15] - **纳入科创板证券**：修订后的上证综指纳入由红筹企业发行的存托凭证以及科创板上市证券[16] 4. **因子评价**：修订后的上证综指能更好地体现我国产业结构的变迁与升级，对宏观经济的代表性有所提升[18] 因子的回测效果 1. **上证综指** - **市盈率**：13.82[42] - **市净率**：1.26[42] - **股息率**：处于历史均值+1倍标准差以上水平[46] - **净利润增速**：2023年为7.08%，预计2024年和2025年分别为12.60%和9.47%[47] - **营业收入增速**：2023年为2.98%，预计2024年和2025年分别为7.29%和0.96%[47] - **前十大权重股占比**：22.93%[50] - **年化收益率**：-1.35%（2020年7月22日至2024年5月10日）[52] - **年化夏普比**：-0.02（2020年7月22日至2024年5月10日）[52] - **年化波动率**：14.78%（2020年7月22日至2024年5月10日）[52] - **最大回撤**：-27.27%（2020年7月22日至2024年5月10日）[52]

- 本报告未涉及量化模型或量化因子的构建内容[2][6][84]