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[17]** * **因子构建思路：** 通过计算当日最高价涨停且收盘涨停的股票数量占最高价涨停股票总数的比例，来衡量市场涨停板的封板强度，反映市场追涨情绪和资金封板意愿[17]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票[17]。 2. 在每个交易日，识别出盘中最高价达到涨停价的股票[17]。 3. 在这些最高价涨停的股票中，进一步识别出收盘价也涨停的股票[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. **因子名称：连板率[17]** * **因子构建思路：** 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，来衡量市场涨停板的持续性，反映市场炒作热度和龙头股的接力情绪[17]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票[17]。 2. 在每个交易日，识别出前一日（T-1日）收盘涨停的股票[17]。 3. 在这些昨日涨停的股票中，识别出当日（T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. **因子名称：大宗交易折价率[26]** * **因子构建思路：** 通过计算大宗交易成交总额相对于当日这些股份市值的折价比例，来反映大额资金通过大宗交易渠道减持或调仓时的价格让步，可作为观察大资金态度的指标[26]。 * **因子具体构建过程：** 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[26]。 2. 计算当日大宗交易的总成交金额[26]。 3. 计算大宗交易涉及股份以其当日收盘价计算的总市值[26]。 4. 计算折价率，公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[26] 其中，当日成交份额的总市值 = Σ(每笔大宗交易成交股数 × 该股票当日收盘价)[26]。 4. **因子名称：股指期货年化贴水率[28]** * **因子构建思路：** 通过计算股指期货主力合约价格与现货指数价格之间的基差，并进行年化处理，来衡量市场对未来指数的预期、对冲成本以及市场情绪（如悲观预期导致深度贴水）[28]。 * **因子具体构建过程：** 1. 选定标的指数（如上证50、沪深300等）及其对应的股指期货主力合约[28]。 2. 计算基差：基差 = 股指期货价格 - 现货指数价格[28]。 3. 计算年化贴水率，公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[28] 当结果为负时，表示贴水；为正时，表示升水[28]。公式中，250为一年中大约的交易天数，用于年化处理[28]。 因子的回测效果 > **注：** 本报告为市场监测日报，主要展示各类因子的构建方法和当日（或近期）的取值，并未提供基于历史数据的长期回测绩效指标（如IC、IR、多空收益等）。因此，以下仅列出报告中提及的因子在特定日期的具体数值。 1. **封板率因子**，2026年01月06日取值：**83%**[17] 2. **连板率因子**，2026年01月06日取值：**41%**[17] 3. **大宗交易折价率因子**，2026年01月05日取值：**9.01%**[26]；近半年以来平均值：**6.66%**[26] 4. **股指期货年化贴水率因子** * **上证50股指期货**，2026年01月06日取值：**年化升水率 0.51%**[28]；近一年中位数：**年化贴水率 0.85%**[28] * **沪深300股指期货**，2026年01月06日取值：**年化贴水率 1.41%**[28]；近一年中位数：**年化贴水率 3.79%**[28] * **中证500股指期货**，2026年01月06日取值：**年化贴水率 1.89%**[28]；近一年中位数：**年化贴水率 11.15%**[28] * **中证1000股指期货**，2026年01月06日取值：**年化贴水率 6.93%**[28]；近一年中位数：**年化贴水率 13.61%**[28]

量化模型与构建方式 1. 国企基本面因子选股模型 * **模型名称**：国企基本面因子选股模型 * **模型构建思路**：首先将国企样本池按行业逻辑划分为红利型和成长型两大类，然后根据行业类型选择不同的基本面因子进行打分，最后综合通用因子和行业特色因子得分得到总分，并以此构建选股组合[3][5][6][7][10]。 * **模型具体构建过程**： 1. **样本池构建**：采用中证国企指数（000955.CSI）的所有成分股，以及北交所中上市满6个月、且公司属性为中央国有企业或地方国有企业的股票作为国企样本池[3]。 2. **行业分类**：依据ZX三级行业逻辑，将所有行业划分为红利型（包括资源品、公用事业、房地产、银行、证券、其他）和成长型（包括先进制造、软件服务和消费）两大类[3][4]。 3. **因子选择与打分**： * **通用因子**：基于“一利五率”央企业绩考核指标和国企分红特征，选择股息率（TTM）、资产负债率、ROE（TTM）、营业现金比率、全员劳动生产率等因子[5][6]。 * **行业特色因子**：根据行业特征选择不同的因子。例如，红利型行业中的资源品关注ROIC环比增量、毛利率等；银行关注资本充足率、拨备覆盖率环比增量等；成长型行业中的先进制造关注研发支出/营业总收入、EBIT_TTM环比增速等[6][8][10]。 4. **因子权重调整**：考虑到红利风格是国企的重要特征，对所有行业均上调股息率因子权重（红利型行业权重为4，成长型行业权重为2）。对于成长型行业，将资产负债率权重下调为0.5。其他所有因子权重为1[10]。 5. **得分计算**：对权重调整后的因子得分求平均值，分别得到通用因子得分和行业特色因子得分。最后，两项得分按通用因子得分30%、行业特色因子得分70%的权重加总并进行归一化处理，得到百分制总分[10][11]。 6. **组合构建**：选择总分前N（N=50）的个股，并根据基本面因子得分的三次方分配权重，权重计算公式为： $$w_{i}={\frac{s c o r e_{i}^{3}}{\sum_{i=1}^{N}s c o r e_{i}^{3}}}$$ [11] 2. 科技主题基本面因子选股模型 * **模型名称**：科技主题基本面因子选股模型 * **模型构建思路**：首先定义科技股样本池，并根据现金流特征划分企业生命周期（剔除震荡期和衰退期）。然后针对成长期和成熟期公司，分别选取通用因子和特色因子进行打分，并通过研发费用乘数调整总分，最终构建选股组合[19][20][21][22][23]。 * **模型具体构建过程**： 1. **样本池构建**：同时满足两个条件：1）所属SW三级行业属于电子、通信、计算机、电力设备、国防军工、传媒、医药、机械等的部分行业；2）最近一年研发费用占营业收入比例超过5%，或研发人员数量占员工总数超过10%[19][20][21]。 2. **生命周期划分**：采用Dickinson（2011）的方法，以调整后的经营、投资、融资现金流正负组合，将企业划分为引入期、成长期、成熟期、震荡期、衰退期。本策略从引入期、成长期和成熟期股票中选股，并将引入期和成长期统称为成长期[21][22][23]。 3. **因子选择**：分为通用因子和特色因子。通用因子包括毛利率环比增量、归母净利润成长能力、累计独立获得的发明专利数量、供应链因子（前5大供应商与客户金额占比合计）、平均距离因子。特色因子则根据生命周期阶段不同而有所侧重，例如成长期关注管理费用/营业总收入环比增量、研发费用折旧摊销占比环比增量、资产负债率；成熟期关注应收账款周转率、研发费用直接投入占比环比增量、PB-ROE[24][28]。 4. **单因子打分**：在同一时间截面上，正向因子按从低到高计算因子值在截面上的分位数，负向因子按从高到低计算因子值在截面上的分位数，分位数取值在0-100之间。成长期与成熟期股票分开排序[24]。 5. **总分计算**：首先，将5个通用因子和3个特色因子的得分，按以下公式计算初始总分： $$\mathbb{E}^{\mathbb{A}}\mathcal{H}=\frac{1}{5}M e a n(S_{i})+\frac{M e a n(S_{i})}{S t d(S_{i})}$$ 其中，$$S_i$$表示某一股票8项因子的得分。该公式旨在选出各方面表现较为均衡的个股[26][27]。 6. **研发费用乘数调整**：为体现对高研发行业的偏重，用研发费用乘数调整总分。研发费用乘数计算公式为：研发费用乘数 = 0.9 + 0.2 × Normalization( √( (研发费用/总市值)_行业 / (研发费用/总市值)_全A ) )，使得乘数取值范围在0.9-1.1之间。调整后总分 = 总分 × 研发费用乘数[28][29]。 7. **组合构建**：选择总分前50的个股，并按其基本面因子得分计算权重，权重计算公式为： $$w e i g h t_{i}={\frac{s c o r e_{i}}{\sum_{i=1}^{50}s c o r e_{i}}}$$ [30] 3. 消费主题基本面因子选股模型 * **模型名称**：消费主题基本面因子选股模型 * **模型构建思路**：首先定义并细分消费股样本池（分为日常制造型、可选制造型、日常服务型、可选服务型）。然后选取通用因子和分域特色因子进行打分，最后在基本面总分基础上引入市销率（PS）乘数调整权重，构建选股组合[38][39][40][46]。 * **模型具体构建过程**： 1. **样本池构建与分域**：筛选出业务/产品/服务直接to C的申万三级行业作为消费股样本池。并按日常消费/可选消费、制造业/服务业两个维度，将消费股细分为日常制造型、可选制造型、日常服务型、可选服务型4大类[38][39]。 2. **因子选择**：分为通用因子和特色因子。通用因子包括成长盈利现金流复合因子、经营现金流/营业收入、Wind ESG管理实践得分、Wind ESG争议事件得分、经济不确定性敏感度因子（abs_epu_beta）、应收账款周转率环比增量。特色因子则根据细分域选择，例如日常制造型关注市占率，可选制造型关注研发费用/总市值，日常服务型关注有形资产/负债环比增量，可选服务型关注直接营销投入占比和预收账款+合同负债同比增速[40][41]。 3. **单因子打分**：通用因子在整个样本池内排序打分；特色因子仅在细分域内排序打分。正向因子按从低到高计算分位数，负向因子按从高到低计算分位数，分位数取值0-100[41]。 4. **得分计算**：对每只个股，计算其通用因子得分（成长盈利现金流复合因子权重为2，其他通用因子权重为1）和特色因子得分（各特色因子权重为1）。然后，通用因子得分与特色因子得分按2:1的比例加权得到基本面总分[42][43]。 5. **市销率乘数调整**：为在基本面选股基础上兼顾估值，引入市销率（PS， TTM）乘数调整总分。首先将PS因子值转化为正数并计算乘数： $$P S_{\_}M u l t i p l i e r_{i}={\frac{1}{P S_{i}-M i n(P S_{i})+1}}$$ 然后，调整后总分 = 基本面总分 × PS乘数[46][47]。 6. **组合构建**：选择调整后总分前50的个股，并按其调整后总分计算权重，权重计算公式为： $$w e l g h t_{i}={\frac{S c o r e_{i}^{a d j}}{\sum_{i=1}^{50}S c o r e_{i}^{a d j}}}$$ [48] 模型的回测效果 1. 国企基本面因子选股多头策略 * **回测区间**：2019年12月31日至2025年12月31日，每月末调仓，不考虑交易费用[12]。 * **年化收益率**：22.93%[12][15] * **年化波动率**：20.85%[15] * **Sharpe比率**：1.0961[12][15] * **Calmar比率**：0.9963[12][15] * **最大回撤**：-23.01%[12][15] * **年化超额收益率（vs 中证国企指数）**：18.34%[12][15] * **超额收益Sharpe比率**：1.5709[12][15] * **超额收益Calmar比率**：1.4118[12][15] * **超额收益最大回撤**：-12.99%[12][15] 2. 科技主题基本面因子选股多头策略 * **回测区间**：2019年12月31日至2025年12月31日，每月末调仓，不考虑交易费用[31]。 * **年化收益率**：30.61%[31][34] * **年化波动率**：27.61%[34] * **Sharpe比率**：1.1070[31][34] * **Calmar比率**：0.8962[31][34] * **最大回撤**：-34.16%[31][34] * **月度胜率**：65.28%[34] * **年化超额收益率（vs 科技股样本池平均收益）**：10.98%[31][34] * **超额收益Sharpe比率**：1.4966[31][34] * **超额收益Calmar比率**：1.2670[31][34] * **超额收益最大回撤**：-8.66%[31][34] 3. 消费主题基本面因子选股多头策略 * **回测区间**：2019年12月31日至2025年12月31日，每月末调仓，不考虑交易费用[49]。 * **年化收益率**：24.86%[49][52] * **年化波动率**：22.99%[52] * **Sharpe比率**：1.0825[49][52] * **Calmar比率**：1.0197[49][52] * **最大回撤**：-24.38%[49][52] * **月度胜率**：68.06%[52] * **年化超额收益率（vs 50%中证主要消费+50%中证可选消费）**：21.02%[49][52] * **超额收益Sharpe比率**：1.0807[49][52] * **超额收益Calmar比率**：0.4505[49][52] * **超额收益最大回撤**：-46.66%[49][52]

量化模型与构建方式 1. 景气度边际改善+动量综合因子行业轮动模型 * **模型名称**：景气度边际改善+动量综合因子行业轮动模型[45] * **模型构建思路**：通过结合反映行业景气度边际变化的基本面因子和动量因子，构建行业轮动策略，以筛选出未来表现可能占优的行业[45]。 * **模型具体构建过程**： 1. **因子选择**：选取两个基本面因子作为“景气度边际改善”的代理指标： * 净利润增速环比变化 * ROA(TTM)同比增速环比变化[45] 2. **行业筛选**：在每个调仓时点（如季报公布后），计算所有中信一级行业在上述两个因子上的数值并进行排名[45]。 3. **组合构建**：根据因子排名筛选行业，构建多头组合。报告示例中，在估值分位数较高的行业中，选取两个景气度改善因子排名均靠前的行业进行配置[45]。 * **模型评价**：该模型构建的行业轮动策略从2008年至今表现有效，且在2025年仍有较好表现[45]。 2. ROIC利率定价模型 * **模型名称**：ROIC利率定价模型[51] * **模型构建思路**：以权益市场的资本回报率(ROIC)为基准，通过观察其与债券市场隐含ROIC的匹配关系，并结合权益市场的盈利预期，来间接推断利率的中枢点位[51]。 * **模型具体构建过程**： 1. **计算权益ROIC**：采用两种口径计算。 * **A股上市公司（除金融）口径**：根据个股的利润和总资产数据，自下而上汇总计算全市场ROIC值[51]。 * **规模以上工业企业口径**：根据披露的宏观经济数据计算权益ROIC值，以反映更广义的企业投资回报情况[56]。 2. **计算债市隐含ROIC**：根据公式计算债券市场隐含的ROIC水平。公式为： $$ROIC = (无风险利率 + 股票风险溢价) \times 股权比例 + (无风险利率 + 信用风险溢价) \times 债权比例$$[51] 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[51][52]。 3. **推断利率中枢**：由于2014年以来权益ROIC与债市隐含ROIC数据贴合度较高，且权益市场的盈利预期已知，因此可以权益市场ROIC数据为锚进行反向推算，结合利差数据，间接计算出市场利率的中枢值与预期上下界[60][61]。 3. 利率多周期择时策略（基于核回归的形态识别） * **模型名称**：招商利率多周期择时策略（基于核回归的形态识别算法）[75] * **模型构建思路**：通过核回归算法刻画利率市场交易过程中的支撑线和阻力线点位，来研判短、中、长周期下利率趋势的突破情况，从而给出复合择时观点，进行波段交易[75]。 * **模型具体构建过程**： 1. **趋势形态识别**：使用核回归算法对国债到期收益率(YTM)的价量数据进行平滑处理，识别出不同周期下的趋势线（支撑线与阻力线）[75]。 2. **突破信号生成**：当利率价格突破识别出的关键趋势线时，生成相应的交易信号[75]。 3. **策略执行**：基于生成的信号，对5年期、10年期、30年期国债YTM进行趋势交易[75][77]。 4. 纯债CARRY策略 * **模型名称**：纯债CARRY策略[82] * **模型构建思路**：通过动态调整债券组合的杠杆水平，在资金成本较低时加杠杆以获取更高的票息收益，从而增厚组合回报[82]。 * **模型具体构建过程**： 1. **标的选择**：以3-5年信用债作为投资标的[82]。 2. **杠杆决策规则**：根据资金成本（R007）的高低动态调整杠杆仓位。 * 当资金借贷成本较贵（R007水平高于滚动5年历史80分位数）时，配置100%债券（不加杠杆）[82]。 * 在其余时段，均配置140%的债券（即加40%的杠杆）[82]。 5. 可转债期权定价模型 * **模型名称**：可转债期权定价模型（基于二叉树定价法）[92] * **模型构建思路**：以期权二叉树定价法为基础，结合可转债的条款、正股的退市风险等多方面因素，对可转债进行理论定价，并通过计算市场价与理论价的偏离度来评估估值高低[92]。 * **模型具体构建过程**： 1. **理论定价**：使用二叉树模型，输入正股价格、波动率、无风险利率、转股条款、赎回条款、回售条款、修正条款等参数，计算可转债的理论价值[92]。 2. **估值指标计算**：计算“定价偏离度”，公式为： $$定价偏离度 = \frac{转债二叉树理论定价}{转债市场价格} - 1$$[92] 该值为正则表示低估，为负则表示高估[92]。 量化因子与构建方式 1. 景气度边际改善因子 * **因子名称**：景气度边际改善因子[45] * **因子构建思路**：用于捕捉行业盈利能力在边际上的变化趋势，以识别景气度正在提升的行业[45]。 * **因子具体构建过程**：包含两个具体因子： 1. **净利润增速环比变化**：计算行业最新报告期的净利润同比增速与前一个报告期净利润同比增速的差值（或变化率）[45]。 2. **ROA(TTM)同比增速环比变化**：计算行业最新报告期的ROA(TTM)同比增速与前一个报告期ROA(TTM)同比增速的差值（或变化率）[45]。 2. 定价偏离度因子 * **因子名称**：定价偏离度因子[92] * **因子构建思路**：衡量可转债市场价格相对于其理论内在价值的偏离程度，作为判断转债估值贵贱的指标[92]。 * **因子具体构建过程**： 1. 如前述模型所述，首先利用二叉树模型计算每只可转债的理论定价[92]。 2. 对每只转债，计算其定价偏离度： $$定价偏离度 = \frac{理论定价}{市场价格} - 1$$[92] 该因子可直接用于横向比较不同转债的估值水平。 模型的回测效果 1. 景气度边际改善+动量综合因子行业轮动模型 * **测试区间**：2009年至2025年[46] * **年化收益率**：行业多头组合为18.60%，等权基准为10.12%，超额收益为8.49%[46] * **逐年收益率**：2025年多头组合收益为33.53%，基准为23.19%，超额收益为10.34%[46] 2. 利率多周期择时策略（基于5年YTM） * **测试区间**：2025年样本外表现[75] * **年化收益率**：2.19%[77] * **最大回撤**：0.72%[77] * **收益回撤比**：3.72[77] * **超额收益率（相对基准）**：0.78%[77] 3. 利率多周期择时策略（基于10年YTM） * **测试区间**：2025年样本外表现[75] * **年化收益率**：2.48%[77] * **最大回撤**：0.97%[77] * **收益回撤比**：4.29[77] * **超额收益率（相对基准）**：1.26%[77] 4. 利率多周期择时策略（基于30年YTM） * **测试区间**：2025年样本外表现[75] * **年化收益率**：3.26%[77] * **最大回撤**：1.71%[77] * **收益回撤比**：3.56[77] * **超额收益率（相对基准）**：2.79%[77] 5. 纯债CARRY策略 * **测试区间**：2014年12月31日至2025年12月31日[86][88] * **年化收益率**：CARRY组合为5.56%，基准（中债信用债3-5年）为4.89%[88] * **年化波动率**：CARRY组合为1.47%，基准为1.13%[88] * **最大回撤**：CARRY组合为6.07%，基准为4.46%[88] * **收益波动比**：CARRY组合为3.77，基准为4.32[88] * **收益回撤比**：CARRY组合为0.92，基准为1.10[88] * **逐年超额收益**：2023年84BP，2024年121BP，2025年21BP[83]

量化模型与构建方式 1. **模型名称：宏观评分模型**[7][24] * **模型构建思路**：通过评估一系列宏观因子对各类资产的影响，形成对大类资产的择时观点[24]。 * **模型具体构建过程**： 1. 选取一组宏观因子，包括国内景气、国内货币、国内信用、国内通胀、全球景气、全球货币、全球通胀、美元、金融压力等[24][26]。 2. 对每个宏观因子，评估其对每类资产（如中证800、10年国债、标普500、黄金、原油、铜）的影响方向（看多、看空或中性）和强度，并给出评分（例如，1表示正面影响，-1表示负面影响，0表示中性）[24][26]。 3. 将各宏观因子对同一资产的评分进行综合，得到该资产的宏观评分[24][26]。 4. 根据综合评分的高低，形成对各类资产的择时观点（如看多、谨慎、中性）[24][26]。 2. **模型名称：美股择时模型**[7][25] * **模型构建思路**：从景气度、资金流、金融压力三个维度构建分项指标，综合判断美股中期走势[25][29]。 * **模型具体构建过程**： 1. 构建三个分项指标：景气度、资金流、金融压力[29]。 2. 将每个分项指标的历史数值转换为滚动5年分位数，以标准化处理[29]。 3. 将三个分项指标的分位数进行平均，得到美股中期择时指标[25]。 4. 根据该指标的绝对水平或变化趋势，形成对美股的看多或看空观点[25]。 3. **模型名称：黄金择时模型**[7][27] * **模型构建思路**：综合避险货币、央行态度、财政压力、金融压力等多个分项指标，构建黄金择时指标[27][32]。 * **模型具体构建过程**： 1. 选取并构建多个影响黄金价格的分项指标，包括避险货币、央行态度、财政压力、金融压力等[32]。 2. 通过一定的方法（报告中未明确具体公式）将各分项指标合成为一个综合的黄金择时指标[27][30]。 3. 根据该综合指标的数值和走势，判断黄金的投资机会[27]。 4. **模型名称：原油择时模型**[7][33] * **模型构建思路**：构建原油景气指数来反映原油市场的基本面状况，并据此进行择时[33]。 * **模型具体构建过程**： 1. 构建原油景气指数，该指数旨在综合反映原油市场的供需等基本面情况[33][34]。 2. 根据该指数的读数（例如，以0轴为界）来判断原油市场的景气程度，指数为负表示基本面趋于恶化[33]。 3. 基于景气指数的判断，形成对原油的谨慎或乐观观点[33]。 5. **模型名称：大类资产配置策略**[3][35] * **模型构建思路**：根据量化配置信号分配各类资产的风险预算，并结合宏观因子体系调整组合的宏观风险暴露，以得到最终的资产配置方案[3][35]。 * **模型具体构建过程**： 1. 生成各大类资产（如中证800、标普500、黄金、铜、原油、10年国债、短融）的量化配置信号[3]。 2. 根据这些信号为每类资产分配风险预算[3]。 3. 基于宏观因子体系（可能来自宏观评分模型），对组合的整体宏观风险暴露进行调整和优化[3][35]。 4. 通过优化过程，计算出各类资产的最优配置权重[35][37]。 量化因子与构建方式 1. **因子名称：国内景气因子**[2][23] * **因子构建思路**：构建一个用于衡量国内经济增长景气程度的指标[2]。 * **因子具体构建过程**：报告中未详细说明该因子的具体构建公式和过程，仅提及该因子用于指示国内经济增长压力[2][20][23]。 2. **因子名称：国内信用因子**[2][23] * **因子构建思路**：构建一个用于衡量国内信用周期和宽松程度的指标[2]。 * **因子具体构建过程**：报告中未详细说明该因子的具体构建公式和过程，仅提及该因子用于指示国内信用环境[2][20][23]。 模型的回测效果 1. **大类资产配置策略**，12月收益0.8%[3][35]，最近1年收益11.3%[3][35]，最大回撤2.9%[3][35] 2. **宏观评分模型**，2026年1月对中证800观点：中性[26]，对10年国债观点：看多[26]，对标普500观点：看多[26]，对黄金观点：谨慎[26]，对原油观点：看多[26]，对铜观点：看多[26] 3. **美股择时模型**，美股中期择时指标最新读数72.9[25]，模型观点：看多[25] 4. **黄金择时模型**，黄金择时指标最新值-0.51[27]，模型观点：看好[27] 5. **原油择时模型**，原油景气指数最新读数-0.05[33]，模型观点：谨慎[33] 因子的回测效果 （报告中未提供量化因子的独立测试结果指标值）

量化模型与因子总结 量化模型与构建方式 1. **模型名称：煤炭行业利润预测模型**[9][10] * **模型构建思路**：基于动力煤长协定价机制，利用价格因子和产能因子的同比变化，逐月估计煤炭行业的营收增速和利润增速，以判断行业景气度[10]。 * **模型具体构建过程**：模型的核心是利用已确定的月度动力煤销售价格（由上月价格指数决定）[10]。通过跟踪价格因子（如煤价）和产能因子的同比变化，将这些指标输入模型，以估算出煤炭行业当月的营收同比增速和利润同比增速[10]。报告未提供具体的估算公式。 2. **模型名称：生猪供需缺口测算模型**[15] * **模型构建思路**：利用生猪从出生到出栏约6个月的生长周期，建立能繁母猪存栏量与未来生猪出栏量之间的稳定比例关系，以此测算未来6个月后的生猪供需缺口，进而预判价格走势[15]。 * **模型具体构建过程**： 1. 首先计算历史出栏系数：$$出栏系数 = \frac{单季度生猪出栏}{能繁母猪存栏 lag6m}$$[15] 2. 然后，基于当前能繁母猪存栏量和上年同期的出栏系数，预测未来6个月后的单季潜在产能：$$6个月后单季潜在产能 = t月能繁母猪存栏 * (t+6月上年同期出栏系数)$$[15] 3. 接着，以预测期上年同期的单季度生猪出栏量作为潜在需求：$$6个月后生猪潜在需求 = t+6月上年同期单季度生猪出栏$$[15] 4. 最后，通过比较预测的潜在产能与潜在需求，判断供需缺口（紧平衡或宽松）[15][17]。 3. **模型名称：普钢行业利润预测模型**[18] * **模型构建思路**：通过跟踪普通钢材的综合售价，并综合考虑铁矿石、焦炭、喷吹煤、废钢等主要原材料成本指标，构建模型以预测普钢行业的月度利润增速和单吨盈利[18]。 * **模型具体构建过程**：报告未提供具体的模型公式。构建过程涉及采集普钢综合售价及各项主要成本的市场价格数据，通过模型计算得出行业单吨毛利或利润总额，进而计算同比增速[18]。 4. **模型名称：结构材料行业盈利跟踪模型**[25] * **模型构建思路**：针对玻璃、水泥等结构材料行业，通过跟踪其产品价格指标和主要成本指标（如原材料、能源价格）的变化，来测算行业盈利（毛利或利润）的变化情况[25]。 * **模型具体构建过程**：报告未提供具体的模型公式。构建过程涉及分别采集浮法玻璃、水泥的产品市场价格，以及对应的纯碱、石英砂、煤炭等成本数据，计算单位产品的毛利或利润，并进行同比分析[25][26]。 5. **模型名称：燃料型炼化行业利润预测模型**[27] * **模型构建思路**：利用成品油（燃料）价格与原油价格之间的变化关系，测算行业的利润增速和裂解价差，以评估行业景气度[27]。 * **模型具体构建过程**：报告未提供具体的模型公式。构建过程的核心是计算裂解价差（成品油价格与原油成本之差），通过跟踪价差的变化以及油价的趋势，来预测行业利润的同比变动[27][33]。 模型的回测效果 *本报告主要展示了各行业配置信号的历史回测效果图，但未在文本中提供具体的量化指标数值（如年化收益率、夏普比率、信息比率等）。报告通过图表形式（如图2、图5、图9、图10）直观展示了基于上述景气度模型产生的配置信号（如看多、中性）所对应的行业指数历史超额收益曲线[11][20][28][36]。* 量化因子与构建方式 1. **因子名称：价格因子**[10] * **因子构建思路**：直接采用行业核心产品的市场价格作为因子，用于衡量行业收入端的变化。例如，煤炭行业中的动力煤价格[10]。 * **因子具体构建过程**：直接采集市场公开的现货或长协价格数据，计算其同比或环比变化率。 2. **因子名称：产能因子**[10] * **因子构建思路**：反映行业供给端能力的指标。例如，煤炭行业的产能利用率或产量数据[10]。 * **因子具体构建过程**：采集行业产量、开工率等数据，计算其同比变化。 3. **因子名称：出栏系数**[15] * **因子构建思路**：衡量生猪养殖效率的指标，即单位能繁母猪在滞后6个月后所能提供的出栏生猪数量[15]。 * **因子具体构建过程**：$$出栏系数 = \frac{单季度生猪出栏量}{6个月前的能繁母猪存栏量}$$[15] 4. **因子名称：裂解价差**[27] * **因子构建思路**：衡量炼化企业加工利润的核心指标，即成品油销售收入与原油采购成本之间的差额[27]。 * **因子具体构建过程**：报告未提供具体计算公式。通常为（成品油价格 - 原油价格）或经过加权计算后的价差。 5. **因子名称：PMI滚动均值**[22][26] * **因子构建思路**：采用制造业采购经理指数（PMI）的滚动平均值（如12个月滚动均值）来平滑短期波动，观察制造业景气度的中长期趋势[22][26]。 * **因子具体构建过程**：对月度PMI数据计算过去N个月（如12个月）的简单移动平均值。 因子的回测效果 *本报告未提供单个因子的独立测试结果（如IC、IR、多空收益等）。因子的有效性体现在其作为输入，用于构建上述行业景气度与配置模型，并通过模型的历史回测效果间接体现[16]。*

量化模型与构建方式 1. **模型名称：A股赔率模型**[7][9][12] * **模型构建思路**：通过计算股权风险溢价（ERP）和股息风险溢价（DRP）的标准化数值，等权合成一个衡量A股市场估值吸引力的综合赔率指标[12]。 * **模型具体构建过程**： 1. 分别计算股权风险溢价（ERP）和股息风险溢价（DRP）。ERP通常为股票市场收益率与无风险利率之差，DRP通常为股息率与无风险利率之差。 2. 对ERP和DRP的历史序列分别进行标准化处理，即计算其Z-Score：$$Z = \frac{X - \mu}{\sigma}$$，其中X为当期值，μ为历史均值，σ为历史标准差。 3. 将标准化后的ERP和DRP数值进行等权相加，得到A股综合赔率指标：$$A股赔率 = Z_{ERP} + Z_{DRP}$$[12]。 2. **模型名称：A股胜率模型**[7][10][12] * **模型构建思路**：基于货币、信用、增长、通胀与海外五个宏观因子构建评分卡，合成得到各资产的综合胜率，用以判断资产价格上涨的概率[12]。 * **模型具体构建过程**：在专题报告中，设计了宏观胜率评分卡。报告提及中国主权CDS指标下行会提升A股胜率，表明CDS是胜率模型中的一个关键因子或信号[3][12]。具体合成方法未在本文中详述。 3. **模型名称：债券赔率模型**[13][14][18] * **模型构建思路**：根据长短债预期收益差构建债券资产的赔率指标，衡量债券的相对估值吸引力[18]。 * **模型具体构建过程**：根据专题报告《利率债收益预测框架》中的收益预测模型，计算长债与短债的预期收益差，并可能对该差值进行标准化处理，以构建赔率指标[18]。具体公式未在本文中给出。 4. **模型名称：美联储流动性指数模型**[16][17][19] * **模型构建思路**：结合数量维度和价格维度，综合多个子指标来构建衡量美联储流动性状况的指数[19]。 * **模型具体构建过程**：在专题报告《美联储流动性的量价解构与资产配置应用》中构建。本文提及该指数包含净流动性、联储信用支持、预期引导、市场隐含、公告意外等子指标[17]。各子指标通过一定方法合成得到最终的流动性指数[19]。 5. **模型名称：风格因子三标尺评价模型**[20][21][22][23][25][26][27][28][29][30][34] * **模型构建思路**：从赔率（估值）、趋势（动量）和拥挤度（交易风险）三个维度对风格因子进行综合评价和排名，以指导风格配置[20][34]。 * **模型具体构建过程**： 1. **赔率**：计算因子估值，数值越大代表因子越便宜。具体方法未详述，可能基于因子估值分位数或Z-Score[21][23]。 2. **趋势**：计算因子动量，数值越大代表趋势越强。具体方法未详述[21][23]。 3. **拥挤度**：衡量因子交易过热程度，数值越大代表越拥挤。具体方法未详述[21][23]。 4. 将三个维度的指标值进行标准化（例如转化为标准差倍数），然后通过一定的加权或打分规则合成每个风格因子的综合得分，并进行排名[20][32][34]。 6. **模型名称：行业轮动三维评价模型**[36][37][38][40] * **模型构建思路**：以行业景气度、趋势（动量）和拥挤度三个维度构建评价体系，进行行业轮动配置[36][38]。 * **模型具体构建过程**： 1. **趋势**：用行业过去12个月的信息比率（IR）来刻画行业动量和趋势[36]。 2. **拥挤度**：用行业的换手率比率、波动率比率和beta比率来刻画行业的交易拥挤度[36]。 3. **景气度**：在分析图谱中，用气泡的实心/空心以及大小来代表行业景气度高低，但具体构建方法未在本文中详述[40]。 4. 综合三个维度的信息，对行业进行评价和筛选[38][41]。 7. **模型名称：赔率增强型策略**[42][43][45] * **模型构建思路**：在目标波动率约束下，根据各资产的赔率指标，持续超配高赔率资产、低配低赔率资产，构建固收+增强策略[42]。 * **模型具体构建过程**：结合各资产的赔率指标，在风险预算或目标波动率模型的框架下进行资产配置权重优化，以在控制风险的同时提升收益[42]。具体优化模型未在本文中给出。 8. **模型名称：胜率增强型策略**[44][46][47] * **模型构建思路**：从货币、信用、增长、通胀和海外五个宏观因素出发，获得各资产的宏观胜率评分，并以此为基础构建固收+增强策略[44]。 * **模型具体构建过程**：与赔率增强型策略类似，但输入信号为宏观胜率评分。在风险预算或目标波动率模型框架下，根据胜率评分调整资产配置权重[44]。 9. **模型名称：赔率+胜率增强型策略**[3][48][49][50] * **模型构建思路**：将赔率策略和胜率策略的风险预算进行结合，构建综合性的资产配置策略[3][48]。 * **模型具体构建过程**：将赔率策略计算出的风险预算和胜率策略计算出的风险预算进行简单相加，得到综合得分，据此调整各类资产（泛权益、黄金、债券）的配置权重[48]。 量化因子与构建方式 1. **因子名称：小盘因子**[20][21] * **因子构建思路**：捕捉市值较小公司的超额收益，常用中证2000与沪深300的比值来代表[21]。 * **因子评价**：当前呈现“中等赔率-中高趋势-低拥挤”的特征，配置价值有所修复[20][35]。 2. **因子名称：价值因子**[22][23] * **因子构建思路**：捕捉低估值公司的超额收益，常用国证价值指数与国证1000指数的比值来代表[23]。 * **因子评价**：当前呈现“高赔率-中等趋势-低拥挤”的特征，综合得分较高，建议重点关注[22][35]。 3. **因子名称：质量因子**[25][26][27] * **因子构建思路**：捕捉优质公司的超额收益，可能基于ROE、盈利稳定性等指标构建[27]。 * **因子评价**：当前为“高赔率-中等趋势-中等拥挤”，趋势较弱，配置价值下降，需等待右侧趋势确认[25][35]。 4. **因子名称：成长因子**[28][29][30] * **因子构建思路**：捕捉高成长性公司的超额收益，常用国证成长指数与国证1000指数的比值来代表[29]。 * **因子评价**：当前为“中低赔率-中高趋势-高拥挤”，交易风险较高，建议保持谨慎[28][35]。 5. **因子名称：低波因子**[32][34] * **因子构建思路**：捕捉低波动率公司的超额收益，报告中提到了3个月和12个月的低波因子[32]。 * **因子评价**：当前低波风格三标尺综合排名位居前列[35]。 6. **因子名称：动量因子**[32][34] * **因子构建思路**：捕捉价格趋势延续的效应[32]。 * **因子评价**：横截面来看拥挤度最高，交易风险较高[35]。 7. **因子名称：中国主权CDS指标**[3][11][12] * **因子构建思路**：信用违约互换（CDS）价格下行通常被视为信用风险降低、市场情绪向好的信号[3][11]。 * **因子具体构建过程**：直接使用市场交易的中国主权CDS价格作为指标。当其进入“下行看多区间”时，发出看多信号[11]。 * **因子评价**：是A股胜率模型的关键输入指标之一，其下行会提升A股胜率[12]。 8. **因子名称：美股AIAE指标**[15][16][19] * **因子构建思路**：该指标处于历史高位时，预示美股回撤风险较高[19]。 * **因子评价**：是判断美股赔率（估值风险）的重要指标[15][19]。 模型的回测效果 1. **行业轮动三维评价模型**[37] * 样本内年化超额收益：12.0% (2011年以来)， 11.6% (2014年以来)， 9.2% (2019年以来) * 跟踪误差：10.7% (2011年以来)， 11.5% (2014年以来)， 10.3% (2019年以来) * 最大回撤：25.4% (2011年以来)， 25.4% (2014年以来)， 12.3% (2019年以来) * 信息比率（IR）：1.12 (2011年以来)， 1.00 (2014年以来)， 0.89 (2019年以来) 2. **赔率增强型策略**[42][45] * 年化收益：6.7% (2011年以来)， 7.4% (2014年以来)， 6.8% (2019年以来) * 年化波动：2.3% (2011年以来)， 2.2% (2014年以来)， 2.2% (2019年以来) * 最大回撤：3.1% (2011年以来)， 2.8% (2014年以来)， 2.8% (2019年以来) * 夏普比率：2.87 (2011年以来)， 3.34 (2014年以来)， 3.12 (2019年以来) 3. **胜率增强型策略**[44][46] * 年化收益：7.1% (2011年以来)， 8.0% (2014年以来)， 6.8% (2019年以来) * 年化波动：2.4% (2011年以来)， 2.3% (2014年以来)， 2.2% (2019年以来) * 最大回撤：3.4% (2011年以来)， 2.2% (2014年以来)， 1.5% (2019年以来) * 夏普比率：3.01 (2011年以来)， 3.43 (2014年以来)， 3.14 (2019年以来) 4. **赔率+胜率增强型策略**[3][48][50] * 年化收益：6.7% (2011年以来)， 7.3% (2014年以来)， 6.3% (2019年以来) * 年化波动：2.3% (2011年以来)， 2.2% (2014年以来)， 2.1% (2019年以来) * 最大回撤：2.9% (2011年以来)， 2.3% (2014年以来)， 2.3% (2019年以来) * 夏普比率：2.92 (2011年以来)， 3.31 (2014年以来)， 2.98 (2019年以来) 因子的回测效果 *(注：本报告未提供因子IC、IR等传统因子测试结果数值，仅提供了截至报告期的最新状态评分)* 1. **小盘因子**[20] * 赔率（Z-Score）：0.3 * 趋势（Z-Score）：0.9 * 拥挤度（Z-Score）：-1.5 * 综合得分：3.6 2. **价值因子**[22] * 赔率（Z-Score）：1.0 * 趋势（Z-Score）：0.3 * 拥挤度（Z-Score）：-1.3 * 综合得分：3.0 3. **质量因子**[25] * 赔率（Z-Score）：1.3 * 趋势（Z-Score）：-0.2 * 拥挤度（Z-Score）：0.0 (近似) * 综合得分：0.8 4. **成长因子**[28] * 赔率（Z-Score）：-0.6 * 趋势（Z-Score）：0.7 * 拥挤度（Z-Score）：1.0 * 综合得分：-1.5

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[17] **模型构建思路**：通过计算股票涨停的封板成功率以及连续涨停的概率，来量化市场短线炒作情绪和赚钱效应[17] **模型具体构建过程**： * **封板率**：统计在交易日中，最高价曾达到涨停价的股票中，最终收盘价仍为涨停的股票所占的比例[17] $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ * **连板率**：统计在前一交易日收盘涨停的股票中，在当日继续收盘涨停的股票所占的比例[17] $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 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价的折价幅度，来反映大资金的交易情绪和偏好[26] **模型具体构建过程**：计算单日所有大宗交易的成交总额与按当日市价计算的成交份额总市值之比，再减去1得到整体折价率[26] $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ 3. **模型名称**：股指期货年化贴水率计算模型[28] **模型构建思路**：将股指期货主力合约与现货指数之间的基差进行年化处理，以标准化衡量期货合约的升贴水程度，反映市场对未来预期及对冲成本[28] **模型具体构建过程**：计算基差（期货价格 - 现货指数价格）与现货指数价格的比值，再乘以年化因子（250天除以合约剩余交易日数）[28] $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 模型的回测效果 1. 封板率与连板率计算模型，20260105当日封板率76%[17]，20260105当日连板率30%[17] 2. 大宗交易折价率计算模型，近半年以来平均折价率6.65%[26]，20251231当日折价率9.51%[26] 3. 股指期货年化贴水率计算模型，近一年以来上证50股指期货主力合约年化贴水率中位数0.89%[28]，近一年以来沪深300股指期货主力合约年化贴水率中位数3.79%[28]，近一年以来中证500股指期货主力合约年化贴水率中位数11.22%[28]，近一年以来中证1000股指期货主力合约年化贴水率中位数13.61%[28]，20260105当日上证50股指期货主力合约年化贴水率0.16%[28]，20260105当日沪深300股指期货主力合约年化贴水率2.29%[28]，20260105当日中证500股指期货主力合约年化贴水率3.76%[28]，20260105当日中证1000股指期货主力合约年化贴水率7.72%[28] 量化因子与构建方式 1. **因子名称**：机构调研热度因子[30] **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的代理指标[30] **因子具体构建过程**：统计近7天内（即一周）对某家上市公司进行调研或参加其分析师会议的机构总数[30] 2. **因子名称**：龙虎榜机构净流入因子[36] **因子构建思路**：通过龙虎榜数据，计算机构专用席位在单只股票上的净买入金额，作为衡量机构资金主动买入意愿的指标[36] **因子具体构建过程**：对于当日登上龙虎榜的股票，汇总所有机构专用席位的买入总额与卖出总额，计算其差额得到净流入金额[36] 3. **因子名称**：龙虎榜陆股通净流入因子[37] **因子构建思路**：通过龙虎榜数据，计算陆股通资金在单只股票上的净买入金额，作为衡量北向资金流向的指标[37] **因子具体构建过程**：对于当日登上龙虎榜的股票，汇总陆股通席位的买入总额与卖出总额，计算其差额得到净流入金额[37] 因子的回测效果 1. 机构调研热度因子，近一周内调研机构较多的股票包括广立微（96家）、天阳科技、柳工、江波龙、莱特光电、珠免集团、星宸科技、精智达等[30] 2. 龙虎榜机构净流入因子，20260105机构专用席位净流入前十的股票是蓝色光标、海科新源、东微半导、江龙船艇、航天环宇、利欧股份、普冉股份、蘅东光、通宇通讯、志特新材等[36]，净流出前十的股票是五洲新春、中超控股、盐湖股份、天际股份、华菱线缆、北斗星通、御银股份、海格通信、城建发展、合肥城建等[36] 3. 龙虎榜陆股通净流入因子，20260105陆股通净流入前十的股票是蓝色光标、利欧股份、普冉股份、道氏技术、航天机电、顺灏股份、赛诺医疗、五洲新春、江龙船艇、海南发展等[37]，净流出前十的股票是中超控股、通宇通讯、乐普医疗、翠微股份、鲁信创投、东港股份、盐湖股份、海格通信、华菱线缆、天际股份等[37]

量化模型与构建方式 1. **模型名称：长期行业主题基金标签与指数模型**[35] * **模型构建思路**：为主动偏股基金构建完整的行业主题和细分赛道标签，以支持资产配置、主题投资和产品选择的需求，并构建相应的行业主题基金指数作为衡量工具[35]。 * **模型具体构建过程**： 1. **数据来源**：使用基金近四期（中报/年报）的持仓信息[35]。 2. **标签定义**：根据基金持仓的行业特征，将其长期行业标签区分为三类： * **行业主题基金**：长期稳定集中于某一特定行业主题。 * **行业轮动基金**：在不同时期切换其重点投资的行业。 * **行业均衡基金**：行业配置较为分散均衡[35]。 3. **指数构建**：基于上述标签分类，构建相应的行业主题基金指数，以反映各类主题基金的整体风险收益表现[35]。 2. **模型名称：公募REITs系列指数模型**[47] * **模型构建思路**：构建一套完整的REITs系列指数，包括综合指数、按底层资产分类的指数和按细分项目分类的指数，以综合反映REITs市场表现，并为基于指数化思想的资产配置提供工具[47]。 * **模型具体构建过程**： 1. **指数类型**：构建REITs综合指数、产权类REITs指数、特许经营权类REITs指数，以及生态环保、交通基础设施等细分项目指数[47]。 2. **指数特性**：考虑到REITs的高分红特性，所有指数均提供价格指数和全收益指数两种形式[47]。 3. **计算方法**： * 采用**分级靠档**的方法确定成分股权重，以确保计算指数的份额保持相对稳定[47]。 * 当样本成分名单或样本成分的调整市值出现非交易因素的变动时（如新发、扩募等），采用**除数修正法**来保证指数的连续性[47]。 量化因子与构建方式 1. **因子名称：多因子ETF分类因子**[62] * **因子构建思路**：在ETF市场跟踪中，将采用特定量化选股策略的ETF归类为“多因子”类别，并进一步细分为红利、现金流、价值、基本面、质量、低波、成长、动量等子类，以分析不同因子策略ETF的资金流向和表现[62]。 * **因子具体构建过程**：报告未详细描述每个因子的具体计算方式，但明确将ETF按照其跟踪的指数或宣称的投资策略所依据的因子进行分类。例如： * **红利因子**：对应跟踪红利相关指数的ETF。 * **现金流因子**：对应跟踪自由现金流等相关指数的ETF。 * **价值因子**：对应跟踪价值风格指数的ETF。 * **质量因子**：对应跟踪质量风格指数的ETF。 * **低波因子**：对应跟踪低波动率指数的ETF。 * **成长因子**：对应跟踪成长风格指数的ETF。 * **动量因子**：对应跟踪动量策略指数的ETF[62]。 模型的回测效果 1. **长期行业主题基金指数模型**，本周（2025.12.29-12.31）收益率：国防军工主题上涨0.93%，周期主题下跌0.16%，TMT主题下跌0.29%，金融地产主题下跌0.60%，行业轮动主题下跌0.61%，行业均衡主题下跌0.69%，消费主题下跌1.14%，新能源主题下跌2.27%，医药主题下跌2.59%[2][35]。 2. **公募REITs系列指数模型**，基日以来至2025年12月31日的业绩指标（使用价格指数）： * **REITs综合指数**：累计收益-6.48%，年化收益-1.47%，最大回撤-42.67%，夏普比率-0.28，年化波动率10.49%[51]。 * **产权类REITs指数**：累计收益11.17%，年化收益2.36%，最大回撤-45.00%，夏普比率0.07，年化波动率12.74%[51]。 * **特许经营权类REITs指数**：累计收益-26.07%，年化收益-6.45%，最大回撤-41.17%，夏普比率-0.86，年化波动率9.19%[51]。 * **消费基础设施REITs指数**：累计收益45.47%，年化收益8.62%，最大回撤-9.89%，夏普比率0.67，年化波动率10.63%[51]。 * **交通基础设施REITs指数**：累计收益-35.19%，年化收益-9.13%，最大回撤-44.19%，夏普比率-1.17，年化波动率9.05%[51]。 因子的回测效果 1. **多因子ETF分类因子**，本周（2025.12.29-12.31）资金流向与表现： * **红利因子ETF**：资金净流入13.44亿元，本周回报-0.11%，近1月回报-1.13%，2025年以来回报3.46%[62]。 * **现金流因子ETF**：资金净流入5.35亿元，本周回报0.53%，近1月回报3.68%，2025年以来回报数据缺失[62]。 * **价值因子ETF**：资金净流入0.99亿元，本周回报-0.11%，近1月回报2.15%，2025年以来回报13.40%[62]。 * **质量因子ETF**：资金净流出0.07亿元，本周回报-0.34%，近1月回报6.07%，2025年以来回报32.82%[62]。 * **低波因子ETF**：资金净流出0.11亿元，本周回报-0.41%，近1月回报3.08%，2025年以来回报16.62%[62]。 * **成长因子ETF**：资金净流出1.30亿元，本周回报-0.73%，近1月回报6.15%，2025年以来回报33.98%[62]。 * **动量因子ETF**：资金净流出2.99亿元，本周回报-2.38%，近1月回报9.10%，2025年以来回报41.18%[62]。

量化模型与构建方式 1. **模型名称**：港股CCASS优选20组合[4] **模型构建思路**：利用港交所CCASS（中央结算系统）数据，通过“先选经纪商，再选个股”的两步法，构建月度调仓的股票组合[34] **模型具体构建过程**： 1. **数据基础**：使用港交所CCASS数据，对单一经纪商在港股上的持仓进行月度持仓复制跟踪[34] 2. **筛选绩优经纪商**：以月末为截面，对全部经纪商按两个指标分别进行标准化处理：超额夏普比率和月度胜率。将标准化后的两个指标等权合成综合得分，取综合分数靠前的N名经纪商构成绩优经纪商池[34] 3. **构建股票组合**：将资金等权分配至筛选出的N个经纪商，汇总这些经纪商的最新持仓。按汇总后的持仓权重由高到低排序，保留前M只股票，并对这M只股票进行等权配置，形成最终的股票组合[34] 4. **参数设定**：在报告中，设定经纪商数量N=10，股票数量M=20。即每期选取综合得分最高的10家经纪商，汇总其持仓后保留权重前20的股票进行等权配置[34] **模型评价**：该模型基于历史数据回测，旨在复制和跟踪绩优经纪商的持仓，以期获得超越基准的超额收益[34] 模型的回测效果 1. **港股CCASS优选20组合**，年化超额收益率20.0%[36]，超额夏普比率2.52[36]，最大回撤-8.0%[37]，月度胜率76.4%[37] 2. **港股CCASS优选20组合（分年度）**： * **2020年**：年化超额收益率34.0%[37]，夏普比率3.34[37]，最大回撤-4.9%[37]，月度胜率75.0%[37] * **2021年**：年化超额收益率11.6%[37]，夏普比率1.44[37]，最大回撤-5.1%[37]，月度胜率66.7%[37] * **2022年**：年化超额收益率12.5%[37]，夏普比率1.46[37]，最大回撤-6.4%[37]，月度胜率66.7%[37] * **2023年**：年化超额收益率22.3%[37]，夏普比率3.16[37]，最大回撤-3.3%[37]，月度胜率75.0%[37] * **2024年**：年化超额收益率23.1%[37]，夏普比率3.09[37]，最大回撤-4.2%[37]，月度胜率91.7%[37] * **2025年**：年化超额收益率17.8%[36]，夏普比率3.34[37]，最大回撤-2.6%[37]，月度胜率83.3%[37] 量化因子与构建方式 1. **因子名称**：经纪商综合得分[34] **因子构建思路**：为了筛选出历史表现优异的经纪商，将反映其持仓复制策略风险调整后收益和稳定性的两个指标进行标准化并合成一个综合分数[34] **因子具体构建过程**： 1. 计算每个经纪商的两个基础指标：**超额夏普比率**和**月度胜率**[34] 2. 在月末截面上，对所有经纪商的**超额夏普比率**和**月度胜率**分别进行标准化处理[34] 3. 将标准化后的两个指标进行等权相加，得到每个经纪商的综合得分[34] 公式为：经纪商综合得分 = Z-Score(超额夏普比率) + Z-Score(月度胜率)[34] 其中，Z-Score代表标准化处理。 因子的回测效果 （报告中未单独列出该因子的测试结果，其效果体现在基于该因子筛选出的经纪商池所构建的组合绩效中）

量化模型与构建方式 1. **模型名称**：理论打新收益率测算模型[1][10] **模型构建思路**：通过假设性条件，测算不同类别和规模的账户在理想情况下参与网下新股申购所能获得的年化收益率[10]。 **模型具体构建过程**： * **核心假设**：账户参与所有新股（主板、科创板、创业板）的网下打新，且报价全部入围（即中签），上市首日以市场均价（首次开板日均价）卖出，忽略锁定期限制[10][45]。 * **资金效率**：在90%的资金使用效率下进行测算[45][48]。 * **账户分类与规模**：分为A类（公募、社保等）和B类（保险、年金等）账户，并分别测试1.5亿、2亿、3亿、5亿、10亿等不同规模下的表现[45][48]。 * **收益计算**：对于每只新股，首先计算账户在该股上的“满中数量”，然后计算“满中收益”[38][41]。 * 满中数量计算公式： $$满中数量 = 可申购上限额度 × 网下A类（或B类）平均中签率$$ * 满中收益计算公式： $$满中收益 = (首次开板价 − 首发价格) × 满中数量$$ * **收益率计算**：将测算周期内（如2025年全年）所有新股的网下打新收益相加，除以账户规模，得到累计打新收益率[10][48]。 2. **模型名称**：近一个月打新收益测算模型[38] **模型构建思路**：测算A类机构对近期上市新股全部顶格申购并打满时，每只股票可获得的绝对收益[38]。 **模型具体构建过程**： * **范围**：针对近一个月内（例如2025年12月1日至12月31日）新上市的股票[38][45]。 * **计算方法**：使用“理论打新收益率测算模型”中相同的“满中数量”和“满中收益”公式进行计算，但此处是针对单只股票，且假设顶格打满（即使用“可申购上限额度”）[38][41]。 * **数据呈现**：列出每只新股的名称、上市日期及计算出的满中收益（单位：万元）[41][44]。 模型的回测效果 1. **理论打新收益率测算模型（A类账户，2025年全年）**[10][48][50] * 2亿规模账户打新收益率：3.80% * 10亿规模账户打新收益率：1.74% * 1.5亿规模账户累计打新收益（所有板块）：4.08% * 2亿规模账户累计打新收益（所有板块）：3.80% * 3亿规模账户累计打新收益（所有板块）：3.20% * 5亿规模账户累计打新收益（所有板块）：2.48% * 10亿规模账户累计打新收益（所有板块）：1.74% 2. **理论打新收益率测算模型（B类账户，2025年全年）**[10][53][54] * 2亿规模账户打新收益率：2.88% * 10亿规模账户打新收益率：1.03% * 1.5亿规模账户累计打新收益（所有板块）：3.12% * 2亿规模账户累计打新收益（所有板块）：2.88% * 3亿规模账户累计打新收益（所有板块）：2.34% * 5亿规模账户累计打新收益（所有板块）：1.69% * 10亿规模账户累计打新收益（所有板块）：1.03% 3. **近一个月打新收益测算模型（A类账户，2025年12月）**[45][47] * 中国铀业(001280.SZ) 满中收益：36.49万元（10亿规模） * 摩尔线程-U(688795.SH) 满中收益：240.43万元（10亿规模） * 百奥赛图(688796.SH) 满中收益：14.67万元（10亿规模） * 昂瑞微-UW(688790.SH) 满中收益：42.24万元（10亿规模） * 沐曦股份-U(688802.SH) 满中收益：246.33万元（10亿规模） * 优迅股份(688807.SH) 满中收益：24.68万元（10亿规模） * 天溯计量(301449.SZ) 满中收益：5.54万元（10亿规模） * 纳百川(301667.SZ) 满中收益：7.86万元（10亿规模） * 锡华科技(603248.SH) 满中收益：4.51万元（10亿规模） * 健信超导(688805.SH) 满中收益：12.53万元（10亿规模） * C双欣(001369.SZ) 满中收益：12.56万元（10亿规模） * C誉帆(001396.SZ) 满中收益：2.35万元（10亿规模） * C强一(688809.SH) 满中收益：40.15万元（10亿规模） * C新广益(301687.SZ) 满中收益：9.93万元（10亿规模） 量化因子与构建方式 1. **因子名称**：新股上市首日涨幅[2][20] **因子构建思路**：通过滚动统计近期上市新股首日的价格涨幅，来观察打新市场的短期盈利效应和热度[2]。 **因子具体构建过程**：选取近期上市的一批新股（例如最近20只），计算每只新股上市首日收盘价（或均价）相对于发行价格的涨幅，然后计算这批新股的平均涨幅[2][20]。报告分别对科创板个股和创业板个股进行了统计。 2. **因子名称**：有效报价账户数[2][21] **因子构建思路**：通过跟踪近期新股网下询价阶段的有效报价账户数量，来反映机构投资者参与打新的积极性和竞争程度[2]。 **因子具体构建过程**：提取最近上市的科创板、创业板、沪市主板、深市主板新股在询价环节最终的有效报价账户数量，并分别统计A类（公募、社保等）和B类（保险、年金等）账户的数量[2][21][26]。 因子的回测效果 1. **新股上市首日涨幅因子（滚动近期20只新股）**[2][20] * 科创板个股上市首日平均涨幅：258.09% * 创业板个股上市首日平均涨幅：231.27% 2. **有效报价账户数因子（最近一只新股）**[2][21][26] * 科创板新股： * A类有效报价账户数量：4687 * B类有效报价账户数量：2065 * 创业板新股： * A类有效报价账户数量：3879 * B类有效报价账户数量：2610 * 沪市主板新股： * A类有效报价账户数量：5200 * B类有效报价账户数量：2944 * 深市主板新股： * A类有效报价账户数量：4683 * B类有效报价账户数量：2918