根据提供的研报内容，这是一篇关于AI Agent工具OpenClaw的技术应用介绍报告，并非量化投资主题的研报。报告核心是展示如何部署、配置OpenClaw，并利用其Skills体系构建自动化投研工具，不涉及任何量化模型或量化因子的构建、测试与评价。 因此，报告中**没有**涉及以下内容： 1. 量化模型或量化因子的名称、构建思路、具体构建过程及公式。 2. 对量化模型或量化因子的定性评价。 3. 量化模型或量化因子的回测效果（如年化收益率、夏普比率、信息比率IR、最大回撤等指标取值）。 报告的主要内容聚焦于OpenClaw这一AI Agent平台在金融投研工作流自动化中的应用潜力，例如自动发送邮件[54]、网络信息抓取[64]和连接数据库生成报告[81]等场景演示。 如果您有一篇关于量化投资策略、多因子模型、Alpha因子、风险模型等主题的研报，我可以为您提供符合要求的详细总结。

量化模型与构建方式 1. **模型名称**：港股CCASS优选20组合[2] **模型构建思路**：采用“先选经纪商，再选个股”的两步筛选法，利用港交所CCASS（中央结算及交收系统）托管明细数据，通过跟踪复制各经纪商的持仓来构建投资组合[4][16] **模型具体构建过程**： * **第一步：优选绩优经纪商**。以月末为截面，对全部经纪商按超额夏普比率与月度胜率分别进行标准化，然后将这两个标准化后的指标等权合成综合得分[16]。取综合分数靠前的N=10名经纪商构成绩优经纪商池[4][16]。 * **第二步：精选个股构建组合**。将资金等权分配至上述10个绩优经纪商，汇总它们的最新持仓，按汇总后的持仓权重由高到低排序，保留排名前M=20只股票，并对这20只股票进行等权配置，得到最终组合[5][17]。参数设置为N=10，M=20[5][17]。 **模型评价**：该模型利用了中小经纪商持仓变动蕴含的信息增益，其构建的参数设置在回溯测试中表现稳健，平衡了集中度与分散度[4][5][16][17]。组合在港股市场调整期也表现出防御特性[3][12]。 模型的回测效果 1. **港股CCASS优选20组合**，年化超额收益率19.3%[3][12]，超额夏普比率2.45[3][12]，月度胜率75.3%[3][12]，全区间最大回撤-7.6%[15] 2. **港股CCASS优选20组合**，2025年年化收益率18.6%[3][12]，年化波动率5.4%[15]，夏普比率3.44[15]，最大回撤-2.6%[15]，月度胜率83.3%[15] 3. **港股CCASS优选20组合**，2024年年化收益率23.2%[15]，年化波动率7.3%[15]，夏普比率3.19[15]，最大回撤-3.9%[15]，月度胜率91.7%[15] 4. **港股CCASS优选20组合**，2023年年化收益率22.5%[15]，年化波动率7.0%[15]，夏普比率3.21[15]，最大回撤-3.3%[15]，月度胜率75.0%[15] 5. **港股CCASS优选20组合**，2022年年化收益率11.9%[15]，年化波动率8.5%[15]，夏普比率1.41[15]，最大回撤-6.0%[15]，月度胜率66.7%[15] 6. **港股CCASS优选20组合**，2021年年化收益率12.0%[15]，年化波动率8.1%[15]，夏普比率1.49[15]，最大回撤-4.9%[15]，月度胜率66.7%[15] 7. **港股CCASS优选20组合**，2020年年化收益率30.9%[15]，年化波动率10.3%[15]，夏普比率2.99[15]，最大回撤-4.8%[15]，月度胜率75.0%[15] 量化因子与构建方式 1. **因子名称**：经纪商综合得分[16] **因子构建思路**：通过标准化并合成经纪商的超额夏普比率和月度胜率两个指标，来综合评价经纪商的选股能力和稳定性，从而筛选出历史表现优异的“绩优经纪商”[4][16] **因子具体构建过程**：以月末为截面，对全部经纪商，分别计算其“超额夏普比率”和“月度胜率”两个指标[16]。分别对这两个指标进行标准化处理，然后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[16]。公式可表示为： $$综合得分_i = Z(超额夏普比率_i) + Z(月度胜率_i)$$ 其中，$Z(\cdot)$ 代表标准化处理，$i$ 代表第 $i$ 个经纪商。 因子的回测效果 *(注：报告未提供“经纪商综合得分”因子在股票截面上的IC、IR等传统因子测试结果。报告中展示了基于该因子筛选出的绩优经纪商的历史表现数据。)* 1. **辉立证券(香港)**，年化超额收益率10.4%[20]，年化超额波动率6.0%[20]，超额夏普比率1.73[20]，最大回撤-3.8%[20]，月度胜率73.61%[20]，周度胜率64.17%[20] 2. **加福证券**，年化超额收益率12.9%[20]，年化超额波动率10.0%[20]，超额夏普比率1.29[20]，最大回撤-10.9%[20]，月度胜率79.17%[20]，周度胜率55.70%[20] 3. **巨亨证券**，年化超额收益率18.1%[20]，年化超额波动率11.0%[20]，超额夏普比率1.65[20]，最大回撤-12.0%[20]，月度胜率73.61%[20]，周度胜率60.26%[20] 4. **奕丰证券(香港)**，年化超额收益率8.6%[20]，年化超额波动率5.5%[20]，超额夏普比率1.57[20]，最大回撤-4.1%[20]，月度胜率70.83%[20]，周度胜率59.61%[20] 5. **中润证券**，年化超额收益率14.1%[20]，年化超额波动率8.7%[20]，超额夏普比率1.62[20]，最大回撤-9.1%[20]，月度胜率69.44%[20]，周度胜率57.65%[20] 6. **宝盛证券(香港)**，年化超额收益率9.8%[20]，年化超额波动率7.1%[20]，超额夏普比率1.38[20]，最大回撤-5.9%[20]，月度胜率72.22%[20]，周度胜率57.98%[20] 7. **沪市港股通**，年化超额收益率9.8%[20]，年化超额波动率6.6%[20]，超额夏普比率1.48[20]，最大回撤-7.2%[20]，月度胜率70.83%[20]，周度胜率57.65%[20] 8. **银河—联昌证券(香港)**，年化超额收益率9.6%[20]，年化超额波动率5.9%[20]，超额夏普比率1.64[20]，最大回撤-4.4%[20]，月度胜率66.67%[20]，周度胜率60.59%[20] 9. **盈透证券香港**，年化超额收益率12.3%[20]，年化超额波动率8.8%[20]，超额夏普比率1.40[20]，最大回撤-10.3%[20]，月度胜率69.44%[20]，周度胜率57.65%[20] 10. **新基立证券**，年化超额收益率11.4%[20]，年化超额波动率9.1%[20]，超额夏普比率1.26[20]，最大回撤-8.6%[20]，月度胜率70.83%[20]，周度胜率57.33%[20]

量化模型与构建方式 1. **模型/因子名称**：封板率[15] **构建思路**：用于衡量涨停股票的封板质量，即有多少在盘中触及涨停的股票能够将涨停板维持到收盘[15] **具体构建过程**：统计上市满3个月以上的股票。首先，筛选出当日最高价达到涨停价的股票。然后，计算这些股票中，收盘价也维持在涨停价的股票数量。最后，用后者除以前者得到封板率[15] **公式**：$$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[15] 2. **模型/因子名称**：连板率[15] **构建思路**：用于衡量涨停股票的连续性，即昨日涨停的股票在今日继续涨停的比例[15] **具体构建过程**：统计上市满3个月以上的股票。首先，确定昨日收盘涨停的股票数量。然后，计算这些股票中，今日收盘也涨停的股票数量。最后，用后者除以前者得到连板率[15] **公式**：$$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[15] 3. **模型/因子名称**：大宗交易折价率[24] **构建思路**：通过大宗交易成交价与市场价格的差异，反映大资金的交易情绪和偏好[24] **具体构建过程**：首先，获取当日所有大宗交易的成交总金额。然后，计算这些成交份额按当日市场价格计算的总市值。最后，用成交总金额除以总市值再减1，得到折价率[24] **公式**：$$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[24] 4. **模型/因子名称**：股指期货年化贴水率[26] **构建思路**：将股指期货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，用于反映市场预期和对冲成本[26] **具体构建过程**：首先，计算基差（股指期货价格减去现货指数价格）。然后，将基差除以现货指数价格，得到原始贴水率。最后，将该比率乘以（250除以合约剩余交易日数），进行年化处理[26] **公式**：$$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[26] 模型的回测效果 1. **封板率模型**，2026年2月12日指标值为78%[15] 2. **连板率模型**，2026年2月12日指标值为35%[15] 3. **大宗交易折价率模型**，2026年2月11日指标值为6.93%[24]，近半年平均值为6.92%[24] 4. **股指期货年化贴水率模型**，2026年2月12日指标值：上证50主力合约年化升水率为1.33%[26]，沪深300主力合约年化贴水率为0.74%[26]，中证500主力合约年化升水率为3.74%[26]，中证1000主力合约年化升水率为3.48%[26]

量化模型与构建方式 1. **模型名称**：封板率计算模型[15] **模型构建思路**：通过计算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质量，反映市场追涨情绪和封板资金的坚决程度[15]。 **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[15]。 2. 在每个交易日，识别出盘中最高价达到涨停价的股票[15]。 3. 在这些股票中，进一步识别出收盘价也达到涨停价的股票[15]。 4. 计算封板率，公式为： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[15] 2. **模型名称**：连板率计算模型[15] **模型构建思路**：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延续性，反映市场炒作热点的持续性和短线赚钱效应[15]。 **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[15]。 2. 在每个交易日，识别出前一日（T-1日）收盘涨停的股票[15]。 3. 在这些股票中，进一步识别出当日（T日）收盘也涨停的股票[15]。 4. 计算连板率，公式为： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[15] 3. **因子名称**：大宗交易折价率因子[24] **因子构建思路**：通过计算大宗交易成交总额相对于其按市价计算的总市值的折价比例，来反映大资金通过大宗交易渠道减持或调仓时的价格让步程度，可作为市场流动性或大资金偏好的情绪指标[24]。 **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[24]。 2. 计算每笔大宗交易成交份额的当日市值（通常使用该股票当日收盘价乘以成交数量）[24]。 3. 汇总当日所有大宗交易的成交总金额和按市价计算的总市值[24]。 4. 计算大宗交易折价率，公式为： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[24] **因子评价**：折价率越高（负值绝对值越大），通常表明卖方出让的折扣越大，可能反映其较强的卖出意愿或该股票流动性相对较差[24]。 4. **因子名称**：股指期货年化升贴水率因子[26] **因子构建思路**：通过计算股指期货价格与现货指数价格之间的基差，并进行年化处理，来衡量股指期货相对于现货的溢价或折价程度。该因子反映了市场对未来指数的预期、对冲成本以及市场情绪（如乐观或悲观）[26]。 **因子具体构建过程**： 1. 选定标的指数（如上证50、沪深300、中证500、中证1000）及其对应的股指期货主力合约[26]。 2. 计算基差：股指期货价格减去现货指数价格[26]。 3. 计算年化升贴水率，公式为： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[26] 其中，公式以“年化贴水率”命名，当计算结果为正时，表示年化升水率；为负时，表示年化贴水率[26]。 模型的回测效果 1. 封板率计算模型，20260212当日封板率取值78%[15] 2. 封板率计算模型，较前日变化为提升3%[15] 3. 连板率计算模型，20260212当日连板率取值35%[15] 4. 连板率计算模型，较前日变化为提升13%[15] 因子的回测效果 1. 大宗交易折价率因子，近半年以来平均折价率取值6.92%[24] 2. 大宗交易折价率因子，20260211当日折价率取值6.93%[24] 3. 股指期货年化升贴水率因子（上证50），近一年以来中位数取值0.63%[26] 4. 股指期货年化升贴水率因子（上证50），20260212当日年化升水率取值1.33%[26] 5. 股指期货年化升贴水率因子（上证50），当日值处于近一年来88%分位点[26] 6. 股指期货年化升贴水率因子（沪深300），近一年以来中位数取值3.79%[26] 7. 股指期货年化升贴水率因子（沪深300），20260212当日年化贴水率取值0.74%[26] 8. 股指期货年化升贴水率因子（沪深300），当日值处于近一年来85%分位点[26] 9. 股指期货年化升贴水率因子（中证500），近一年以来中位数取值11.15%[26] 10. 股指期货年化升贴水率因子（中证500），20260212当日年化升水率取值3.74%[26] 11. 股指期货年化升贴水率因子（中证500），当日值处于近一年来98%分位点[26] 12. 股指期货年化升贴水率因子（中证1000），近一年以来中位数取值13.61%[26] 13. 股指期货年化升贴水率因子（中证1000），20260212当日年化升水率取值3.48%[26] 14. 股指期货年化升贴水率因子（中证1000），当日值处于近一年来98%分位点[26]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：Fama五因子模型**[3][37][41] * **模型构建思路**：该模型用于对基金或投资组合的收益进行归因分析，旨在将超额收益分解为市场、规模、价值、盈利和投资五个系统性风险因子的暴露，以及无法被这些因子解释的特异性Alpha[3][41]。 * **模型具体构建过程**：模型基于横截面回归，其核心公式为： $$R_{i,t} - R_{f,t} = \alpha_i + \beta_{i,MKT}MKT_t + \beta_{i,SMB}SMB_t + \beta_{i,HML}HML_t + \beta_{i,RMW}RMW_t + \beta_{i,CMA}CMA_t + \epsilon_{i,t}$$ 其中： * $R_{i,t}$ 是投资组合i在t期的收益率。 * $R_{f,t}$ 是无风险利率。 * $MKT_t$ 是市场风险溢价因子（市场收益率减无风险利率）。 * $SMB_t$ 是规模因子（小市值组合收益率减大市值组合收益率）。 * $HML_t$ 是价值因子（高账面市值比组合收益率减低账面市值比组合收益率）。 * $RMW_t$ 是盈利因子（高盈利组合收益率减低盈利组合收益率）。 * $CMA_t$ 是投资因子（低投资组合收益率减高投资组合收益率）。 * $\beta_{i, \cdot}$ 是投资组合i对各因子的敏感度（暴露）。 * $\alpha_i$ 是投资组合i的特异性Alpha，代表基金经理的选股能力。 * $\epsilon_{i,t}$ 是残差项。 通过时间序列回归，可以估计出基金对各因子的暴露（$\beta$值），并分解收益和风险来源[3][37][41][42]。 * **模型评价**：该模型是学术界和业界广泛使用的多因子归因模型，能够有效识别投资组合的系统性风格暴露和选股能力[3][41]。 模型的回测效果 （注：报告中未提供Fama五因子模型本身的回测指标值，如因子收益率、夏普比率等。报告仅展示了应用该模型对特定基金的分析结果，故本部分无相关内容。） 量化因子与构建方式 （注：报告主要应用了经典的Fama五因子进行归因分析，并未详细阐述这些因子的具体构建过程，也未构建新的量化因子。报告中提及的“盈利能力、成长能力指标，辅以PE、PB等估值指标”是基金选股的定性描述，并非严格定义的量化因子构建[15]。） 因子的回测效果 （注：报告未提供任何量化因子的独立测试结果，如IC、IR、多空收益等。）

量化模型与构建方式 1. **模型名称**：公募基金实时持仓测算模型[4][18] * **模型构建思路**：基于市场公开信息，对公募基金在特定板块（如太空光伏）的持仓进行实时估算，以监测其配置动向[4][18]。 * **模型具体构建过程**：该模型是一个复杂的处理流程，其构建细节在开源金融工程团队的专题报告《偏股混合型基金指数（885001.WI）：优势、复制与超越》中有详细阐述。报告指出，该模型综合利用了基金净值、定期持仓披露、以及基金公司的调研行为等多维度公开信息进行测算[18]。 2. **模型名称**：雪球大V用户选股行为Alpha模型[28] * **模型构建思路**：通过分析雪球平台上粉丝数量较多的大V用户的观点和行为，挖掘其中蕴含的选股Alpha信息[28]。 * **模型具体构建过程**：该模型的具体构建方法在开源金融工程团队专题报告《雪球大V用户的选股行为alpha》中有详细说明。报告利用雪球平台的用户数据，关注大V用户对上市公司的讨论和关注行为，并将其量化为选股因子[28]。 3. **模型名称**：机构行为Alpha细分结构模型[33] * **模型构建思路**：通过分解不同类型的机构行为（如龙虎榜、机构调研、大宗交易），分别构建Alpha模型，以捕捉不同资金行为的预测能力[33]。 * **模型具体构建过程**：该模型的具体构建方法在开源金融工程团队专题报告《机构行为alpha的细分结构：龙虎榜、机构调研、大宗交易》中有详细阐述。报告将龙虎榜数据、机构调研数据和大宗交易数据分别进行处理和建模，分析其对股价的预测作用[33]。 4. **模型名称**：高频股东户数隐含信息模型[35] * **模型构建思路**：利用交易所互动平台提供的相对高频的股东户数数据，构建风险预警模型，认为股东户数的大幅增加可能预示着后续股价的潜在风险[35]。 * **模型具体构建过程**：该模型的具体构建方法在开源金融工程团队专题报告《高频股东数据的隐含信息量》中有详细说明。模型基于最新两期的股东户数信息计算变动幅度，并将此作为风险提示信号[35][36]。 量化因子与构建方式 1. **因子名称**：ETF资金持仓占比[4][22] * **因子构建思路**：通过计算ETF资金持有某板块股票的总市值占该板块流通市值的比例，来监测指数投资资金对该板块的配置态度和动向[4][22]。 * **因子具体构建过程**：首先，汇总所有持有太空光伏板块成分股的ETF基金在该板块上的持仓市值。然后，计算该持仓市值与太空光伏板块总流通市值的比值。报告中展示的是该比值的5日移动平均（MA5）序列[24]。 $$ ETF持仓占比 = \frac{ETF持有板块成分股的总市值}{板块总流通市值} $$ 2. **因子名称**：融资余额[4][25] * **因子构建思路**：直接使用融资融券交易中未偿还的融资总金额作为因子，用以反映投资者通过融资加杠杆看多该板块的后市情绪[4][25]。 * **因子具体构建过程**：直接统计太空光伏板块所有成分股的融资余额总和，作为板块层面的融资余额因子[25]。 3. **因子名称**：机构调研热度[5][27] * **因子构建思路**：以上市公司接受机构调研的次数作为代理变量，衡量机构投资者对该公司的关注度和研究深度[5][27]。 * **因子具体构建过程**：统计特定时间窗口内（报告中为近三个月），每家上市公司接待机构调研的总次数[27]。 4. **因子名称**：雪球大V关注度[5][28][29] * **因子构建思路**：统计在雪球平台上，粉丝数量较多的“大V”用户对某家上市公司的关注数量，作为市场情绪和关注度的量化指标[5][28]。 * **因子具体构建过程**：在特定时间点（报告中为截至2026年2月11日），统计关注了某只股票的雪球大V用户数量[29][32]。 5. **因子名称**：主力资金净流入[5][32] * **因子构建思路**：将大单和超大单的净流入金额加总，作为主力资金动向的代理变量，用以捕捉大额资金的流向[5][32]。 * **因子具体构建过程**：定义大单为挂单金额在20万至100万元之间的委托，超大单为挂单金额大于100万元的委托。计算特定时间段内（报告中为2026年1月20日以来），个股的大单与超大单买入成交额与卖出成交额的差值，即主力资金净流入额[32][33]。 6. **因子名称**：龙虎榜营业部资金净流入[5][33] * **因子构建思路**：利用龙虎榜披露的营业部交易数据，计算上榜当日买入前五与卖出前五营业部的资金净流入，反映最活跃短线资金的博弈情况[5][33]。 * **因子具体构建过程**：对于登上龙虎榜的个股，将其当日买入金额最大的前五家营业部的买入总额，减去卖出金额最大的前五家营业部的卖出总额，得到营业部资金净流入额[33][34]。 7. **因子名称**：高频股东户数增幅[5][35][36] * **因子构建思路**：基于相对高频的股东户数数据，计算其最新两期之间的变动比例，作为散户持股集中度变化的信号，大幅增加可能视为风险提示[5][35]。 * **因子具体构建过程**：获取上市公司最新一期和上一期的股东户数。计算其变动比例，公式如下： $$ 股东户数增幅 = \frac{最新股东户数 - 上期股东户数}{上期股东户数} $$ 报告中明确指出增幅是基于最新两期股东户数信息计算[36]。 8. **因子名称**：放量因子[17] * **因子构建思路**：通过比较短期和长期平均成交额，识别近期成交量显著放大的个股[17]。 * **因子具体构建过程**：计算个股成交额的10日移动平均（MA10）与60日移动平均（MA60）的比值，该比值用于定义“放量”[17]。 $$ 放量指标 = \frac{成交额MA10}{成交额MA60} $$ 模型的回测效果 （报告中未提供具体量化模型的回测绩效指标，如年化收益率、夏普比率、最大回撤等。） 因子的回测效果 （报告中未提供具体量化因子在选股或预测方面的回测绩效指标，如IC、IR、多空收益等。报告主要展示了各因子在特定时点或时间段内的截面数据或时间序列状态，例如哪些个股在某个因子上排名靠前，或某个因子的走势图，但未给出统一的、可比较的因子有效性统计指标。）

量化模型与因子总结 量化模型与构建方式 **注：** 本报告为市场数据跟踪报告，未涉及具体的量化选股模型或预测模型。报告主要展示了对各宽基指数的多维度观测指标，这些指标可视为用于市场状态判断或风格轮动的“因子”或“信号”。以下将报告中涉及的各类观测指标总结为“市场观测因子”。 1. **因子名称：连阴连阳天数因子**[12][13] * **因子构建思路：** 通过统计指数K线连续为阳线或阴线的天数，来刻画市场的短期趋势强度和情绪持续性。[13] * **因子具体构建过程：** 每日计算各宽基指数的收盘价，与前一日收盘价比较。若当日收盘价高于前一日，则记为阳线日；反之记为阴线日。从当前交易日开始向前追溯，统计连续出现阳线或阴线的天数。正数表示连阳天数，负数表示连阴天数。[13] 2. **因子名称：均线相对位置因子**[16][17] * **因子构建思路：** 通过比较指数当前价格与不同周期移动平均线（MA）的位置关系，来判断指数所处的趋势阶段和支撑压力位。[16] * **因子具体构建过程：** 首先计算各宽基指数收盘价的移动平均线，报告中涉及的周期包括MA5、MA10、MA20、MA60、MA120、MA250。[17] 然后计算当前收盘价相对于各均线的偏离百分比： $$偏离百分比 = \frac{当前收盘价 - 移动平均线值}{移动平均线值} \times 100\%$$ 例如，“vsMA5”列即表示当前收盘价相对于5日均线的涨跌幅百分比。[17] 3. **因子名称：近250日高低位回撤因子**[16][17] * **因子构建思路：** 通过计算指数当前价格相对于近期（250个交易日）最高点和最低点的位置，来衡量指数从高点回撤的幅度以及从低点反弹的幅度。[16] * **因子具体构建过程：** 滚动计算过去250个交易日内指数的最高价（近250日高位）和最低价（近250日低位）。[17] 然后计算当前收盘价相对于这两个极值的偏离百分比： $$vs近250日高位 = \frac{当前收盘价 - 近250日高位}{近250日高位} \times 100\%$$ $$vs近250日低位 = \frac{当前收盘价 - 近250日低位}{近250日低位} \times 100\%$$ 例如，“-3.2%”表示当前价格较近250日高点回撤了3.2%。[17] 4. **因子名称：交易金额占比与换手率因子**[3][19] * **因子构建思路：** 交易金额占比反映不同风格板块的市场资金关注度；换手率反映市场活跃度和流动性。[3][19] * **因子具体构建过程：** * **交易金额占比：** 计算特定宽基指数成分股当日总成交金额，除以中证全指成分股当日总成交金额。[19] * **换手率：** 采用流通股本加权平均的方式计算指数换手率，公式为： $$指数换手率 = \frac{\sum(成分股流通股本 \times 成分股换手率)}{\sum(成分股流通股本)}$$ [19] 5. **因子名称：收益率分布形态因子（偏度与峰度）**[4][25][26] * **因子构建思路：** 通过分析指数日收益率分布的偏度（Skewness）和峰度（Kurtosis），来刻画收益分布的不对称性和尖峰厚尾特征，用于评估风险。[4][25] * **因子具体构建过程：** 计算指数近一年日收益率序列的偏度和峰度。报告中“当前偏度”和“当前峰度”即为近一年的计算结果。[26] 同时，计算近五年（剔除近一年）的历史均值为比较基准。“当前vs.近5年”列展示了当前值与历史均值的差值。[26] 注：报告中峰度计算减去了3（正态分布峰度值）。[26] 6. **因子名称：风险溢价因子**[4][28][32] * **因子构建思路：** 计算股票指数预期收益率与无风险收益率之差，作为投资者承担市场风险所要求的额外回报，用于衡量市场的相对投资价值和风险补偿。[28] * **因子具体构建过程：** 以十年期国债即期收益率作为无风险利率（$R_f$）。风险溢价（$RP$）计算公式为： $$RP = E(R_i) - R_f$$ 报告中，$E(R_i)$ 可能采用指数市盈率倒数（EP）或基于其他模型的预期收益率近似。计算当前风险溢价在近1年和近5年历史序列中的分位值，以判断其相对位置。[32] 同时，计算其相对于近1年均值±1倍/±2倍标准差的偏离程度。[32] 7. **因子名称：PE-TTM估值因子**[5][40][43][44] * **因子构建思路：** 使用滚动市盈率（PE-TTM）作为衡量市场估值水平的核心指标，通过历史分位值判断当前估值的高低。[40] * **因子具体构建过程：** 计算指数当前的总市值除以最近四个季度的归母净利润之和，得到PE-TTM。[44] 计算该值在近1年、近5年以及全部历史数据中的分位值。[44] 同时，计算当前值相对于近1年均值±1倍/±2倍标准带的偏离百分比。[44] 8. **因子名称：股债性价比因子**[5][47] * **因子构建思路：** 比较股票市场与债券市场的相对吸引力，常用指标为股票市场市盈率倒数与国债收益率的差值。[47] * **因子具体构建过程：** 计算公式为： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 报告中将此差值的时间序列与近5年统计的80分位值（机会值）、20分位值（危险值）、均值及标准差带进行对比。[47] 9. **因子名称：股息率因子**[5][49][54] * **因子构建思路：** 股息率是每股分红与股价的比率，反映公司的现金分红回报，是高股息投资风格的核心指标。[49] * **因子具体构建过程：** 计算指数成分股过去12个月现金分红总额除以指数总市值，得到指数股息率。[54] 计算该值在近1年、近5年以及全部历史数据中的分位值。[54] 同时，计算当前值相对于近1年均值±1倍/±2倍标准带的偏离百分比。[54] 10. **因子名称：破净率因子**[5][56][59] * **因子构建思路：** 破净率（市净率小于1的个股占比）反映市场整体的估值悲观程度或资产低估的普遍性。[56] * **因子具体构建过程：** 对于每个宽基指数，统计其成分股中市净率（PB）小于1的个股数量，再除以指数总成分股数量，得到破净率。[59] $$破净率 = \frac{市净率<1的成份股数量}{指数总成份股数量} \times 100\%$$ [59] 因子回测效果 **注：** 本报告为市场状态跟踪报告，未提供基于这些因子的量化策略回测结果（如年化收益率、夏普比率、最大回撤等）。报告主要提供了各因子在特定时点（2026年2月11日）的截面数据或时间序列上的统计特征值。以下为各因子在报告基准日的主要观测值： 1. **连阴连阳天数因子**：上证50连阳7日，中证1000连阳4日，中证2000连阴2日，创业板指连阴2日。[12][13] 2. **均线相对位置因子**：创业板指跌破MA5(-0.1%)、MA10(-0.4%)、MA20(-0.9%)；中证1000跌破MA20(-0.1%)；中证500位于MA20之上但距离MA250高位回撤-3.2%。[16][17] 3. **近250日高低位回撤因子**：中证500较近250日高位回撤-3.2%，创业板指回撤-3.1%；中证2000较近250日低位上涨60.6%，创业板指上涨81.8%。[17] 4. **交易金额占比与换手率因子**：交易金额占比最高为中证2000(23.2%)；换手率最高为中证2000(3.51)。[3][19] 5. **收益率分布形态因子**：当前峰度负偏离最大为创业板指(-2.59)，最小为中证500(-1.43)；当前负偏态最大为创业板指(-0.62)，最小为中证500(-0.38)。[25][26] 6. **风险溢价因子**：近5年分位值最高为中证500(58.25%)和上证50(52.14%)，最低为创业板指(23.33%)。[4][32] 当前值均低于近1年均值+1倍标准差。[32] 7. **PE-TTM估值因子**：近5年分位值最高为中证1000(99.42%)和中证500(99.34%)，最低为创业板指(62.56%)。[5][43][44] 中证500当前值(37.82)接近近1年均值+2倍标准差(37.84)。[44] 8. **股债性价比因子**：所有指数当前值均未高于近5年80%分位（机会值）；中证500和中证全指低于近5年20%分位（危险值）。[5][47] 9. **股息率因子**：近5年分位值最高为创业板指(55.95%)和沪深300(36.86%)，最低为中证2000(1.65%)和中证500(5.12%)。[5][52][54] 当前值均低于近1年均值+1倍标准差。[54] 10. **破净率因子**：破净率最高为上证50(24.0%)，最低为中证2000(2.4%)。[5][59]

量化模型与构建方式 1. 指数复制模型 1.1 模型名称：完全复制 - **模型构建思路**：采用完全复制法，根据中证转债指数每月公布的权重数据进行持仓调整，力求最小化跟踪误差，体现纯被动管理的理想效果[14]。 - **模型具体构建过程**： 1. 根据中证转债指数每月公布的成分券及其权重进行持仓配置。 2. 对发布赎回公告的债券，参考指数编制方法，自赎回公告日后第五个交易日将该券剔除出成分券，并将其权重按比例分配至剩余持仓债券中[14]。 1.2 模型名称：权重抽样 - **模型构建思路**：针对完全复制持仓数量多、管理成本大的问题，利用指数权重“二八分化”的特点，抽取权重最大的一定比例转债来构建组合，以简化持仓[19]。 - **模型具体构建过程**： 1. 设定抽样比例 `r`（例如25%）[19]。 2. 从指数成分券中，抽取权重最大的前 `r` 比例的转债。 3. 将剩余未入选转债的权重，按比例分配至已抽取的转债中，形成最终组合权重[19]。 1.3 模型名称：分层权重抽样 - **模型构建思路**：考虑到不同转债股性与债性差异较大，先按平底溢价率将转债分类，再在每一类中应用权重抽样，以保持组合与指数的风格一致性[21]。 - **模型具体构建过程**： 1. **分类**：将转债按平底溢价率分为三类：偏股型（平底溢价率 > 20%）、平衡型（-20% ≤ 平底溢价率 ≤ 20%）、偏债型（平底溢价率 < -20%）[21]。 2. **层内抽样**：在每一类转债中，分别应用权重抽样方案（如抽取权重最大的前 `r` 比例转债，并重新分配权重）[22]。 3. **组合**：将三类转债的抽样组合，按照各类别在基准指数中的原始权重比例进行合并，得到最终组合[22]。 1.4 模型名称：分层权重抽样+层内等权 - **模型构建思路**：在分层权重抽样的基础上进行关键改进，通过层内等权配置来捕捉中小型转债的收益增强机会，实现收益与跟踪精度的更好平衡[4][25]。 - **模型具体构建过程**： 1. **分类**：与分层权重抽样相同，将转债按平底溢价率分为偏股型、平衡型、偏债型三类[25]。 2. **层内等权抽样**：在每一类别中，选取权重最大的前 `r` 比例（如25%）的转债，对这些入选的转债进行等权配置[25]。 3. **层间权重控制**：保持最终组合中，三类转债的总权重与它们在基准指数中的总权重一致[25]。 2. 指数增强模型 2.1 模型名称：全域增强 - **模型构建思路**：在全市场范围内，使用多个有效因子合成统一的alpha信号，并通过线性规划框架在控制跟踪误差和偏离度的约束下进行权重优化，以获取超额收益[29][35]。 - **模型具体构建过程**： 1. **因子处理**：每期对三个因子（转股溢价率偏离度、理论价值偏离度、当期收益率）在有效样本内进行标准化处理，并根据因子方向（预期与收益的关系）合成为一个alpha因子[35]。 2. **优化求解**：使用线性规划框架求解最优权重，具体约束条件如下[35][38]： - 优化目标：最大化组合对alpha因子的暴露。 - 个券权重偏离约束：上限1%。 - 行业权重偏离约束：上限3%。 - 跟踪误差约束：上限3%。 - 个券权重和约束：权重和为1。 2.2 模型名称：分层增强 - **模型构建思路**：针对不同类型转债的收益驱动因素差异，实施差异化的因子配置和分层优化，以进一步提升增强效果[5][41]。 - **模型具体构建过程**： 1. **分类与因子配置**：将转债按平底溢价率分为偏股型、平衡型、偏债型三类，并为每类转债选择不同的有效因子进行优化[41][42]： - 偏股型转债：使用转股溢价率偏离度、理论价值偏离度。 - 平衡型转债：使用转股溢价率偏离度、理论价值偏离度。 - 偏债型转债：使用当期收益率、理论价值偏离度。 2. **分层优化**：对每一类转债，使用与全域增强相同的线性规划框架（但约束条件更宽松）进行独立的权重优化[41][46]。 - 优化目标：最大化该类组合对所选因子的暴露。 - 个券权重偏离约束：上限3%。 - 行业权重偏离约束：上限5%。 - 跟踪误差约束：上限5%。 - 个券权重和约束：权重和等于该类转债在基准指数中的总权重。 3. **组合合并**：将三类转债的优化权重结果合并，得到最终的总组合权重[41]。 3. 量化因子与构建方式 3.1 因子名称：转股溢价率偏离度 - **因子构建思路**：衡量单个转债的转股溢价率相对于其转股价值（平价）所对应的合理溢价率水平的偏离程度，以识别估值偏高或偏低的个券[30][59]。 - **因子具体构建过程**： 1. 在每个截面时点，使用全市场可转债数据，以转股价值 (`x`) 为自变量，转股溢价率 (`y`) 为因变量，进行如下非线性回归拟合[59][61]： $$y_{i}=\alpha_{0}+\,\alpha_{1}\cdot\,{\frac{1}{x_{i}}}+\epsilon_{i}$$ 其中，`y_i` 为第 `i` 只转债的转股溢价率，`x_i` 为第 `i` 只转债的转股价值。 2. 根据拟合出的公式，计算每只转债的“拟合转股溢价率”。 3. 因子值为该转债的实际转股溢价率减去拟合转股溢价率[30]。 3.2 因子名称：理论价值偏离度（蒙特卡洛模型） - **因子构建思路**：通过蒙特卡洛模拟，充分考虑转债的转股、赎回、下修、回售等复杂条款，计算其理论价值，并用市场价格与理论价值的比值偏离度来衡量价格预期差[30][62]。 - **因子具体构建过程**： 1. **模型设定**：设定模型参数，包括正股价格、波动率、无风险利率、股息率、转股价、债券条款（赎回、回售、下修）及剩余期限等[63]。 2. **模拟路径**：假设股票价格遵循几何布朗运动，利用随机数生成器，模拟从当前时至转债到期日的数千至数百万条股票价格路径[63]。 3. **路径评估**：对每条模拟路径，在每个时间点检查是否触发各类条款，并判断最优行为（如是否转股、是否接受回售/赎回），计算该路径下转债的最终价值[63]。 4. **计算理论价值**：对所有模拟路径的最终价值取平均，得到预期到期价值，再按无风险利率贴现回当前，得到转债的理论价格[63]。 5. **计算因子**：因子值为 `(转债收盘价 / 理论价值) - 1`[30]。 3.3 因子名称：当期收益率 - **因子构建思路**：衡量转债作为债券的当期利息收益，属于债性因子[30]。 - **因子具体构建过程**：因子值为 `转债当期票息 / 转债收盘价`[30]。 模型的回测效果 （测试区间：20191231~20260130，基准：中证转债指数） 1. **完全复制模型**，年化超额收益-0.81%，年化跟踪误差0.89%，平均持仓数量406只[14][50]。 2. **权重抽样模型**，年化超额收益-2.95%，年化跟踪误差2.35%，平均持仓数量102只[19][50]。 3. **分层权重抽样模型**，年化超额收益-2.53%，年化跟踪误差2.14%，平均持仓数量102只[22][50]。 4. **分层权重抽样+层内等权模型**，年化超额收益-0.08%，年化跟踪误差2.44%，平均持仓数量102只[25][50]。 5. **全域增强模型**，年化超额收益1.61%，年化跟踪误差3.78%，平均持仓数量72只[35][50]。 6. **分层增强模型**，年化超额收益4.31%，年化跟踪误差3.62%，平均持仓数量76只[42][50]。 因子的回测效果 （RankIC测试区间：20191231~20241231） 1. **转股溢价率偏离度因子**，全域RankIC -9.03%，偏股型RankIC -9.68%，平衡型RankIC -11.71%，偏债型RankIC -6.65%[34]。 2. **理论价值偏离度因子**，全域RankIC -10.78%，偏股型RankIC -9.99%，平衡型RankIC -10.81%，偏债型RankIC -8.66%[34]。 3. **当期收益率因子**，全域RankIC 7.53%，偏股型RankIC 4.31%，平衡型RankIC 5.26%，偏债型RankIC 9.46%[34]。

量化模型与构建方式 1. **模型名称**：封板率计算模型[17] **模型构建思路**：通过计算当日最高价涨停且收盘涨停的股票数量与最高价涨停股票总数的比例，来衡量市场涨停板的封板质量或资金封板意愿的强弱[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. 识别在当日盘中最高价达到涨停价的股票集合[17]。 3. 在上述集合中，进一步识别收盘价仍为涨停价的股票[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. **模型名称**：连板率计算模型[17] **模型构建思路**：通过计算连续两日收盘涨停的股票数量占昨日收盘涨停股票总数的比例，来衡量市场涨停效应的持续性或题材炒作的接力情绪[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. 识别在昨日收盘涨停的股票集合[17]。 3. 在上述集合中，进一步识别今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. **模型名称**：大宗交易折价率计算模型[27] **模型构建思路**：通过比较大宗交易成交总额与按当日市价计算的成交份额总市值，计算折价率，以反映大资金交易的折扣水平或卖出意愿的强弱[27]。 **模型具体构建过程**： 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份额[27]。 2. 计算大宗交易总成交金额（∑(每笔成交金额)）[27]。 3. 计算当日成交份额按市价计算的总市值（∑(每笔成交份额 × 该股票当日收盘价)）[27]。 4. 计算折价率，公式为： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[27] 4. **模型名称**：股指期货年化升贴水率计算模型[29] **模型构建思路**：通过计算股指期货价格与现货指数价格的基差，并将其年化，以衡量股指期货相对于现货的溢价或折价程度，反映市场情绪和对冲成本[29]。 **模型具体构建过程**： 1. 选定特定股指期货的主力合约（如上证50、沪深300、中证500、中证1000）[29]。 2. 获取该主力合约的当日结算价或收盘价，以及对应现货指数的当日收盘价[29]。 3. 计算基差：基差 = 期货价格 - 现货指数价格[29]。 4. 计算年化升贴水率，公式为： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[29] 其中，公式计算结果为正表示升水，为负表示贴水[29]。 模型的回测效果 1. 封板率计算模型，20260211当日封板率取值为75%[17] 2. 封板率计算模型，20260211当日封板率较前日变化为下降5%[17] 3. 连板率计算模型，20260211当日连板率取值为23%[17] 4. 连板率计算模型，20260211当日连板率较前日变化为下降2%[17] 5. 大宗交易折价率计算模型，近半年以来平均折价率取值为6.93%[27] 6. 大宗交易折价率计算模型，20260210当日折价率取值为9.06%[27] 7. 股指期货年化升贴水率计算模型（上证50），近一年年化贴水率中位数取值为0.63%[29] 8. 股指期货年化升贴水率计算模型（上证50），20260211当日年化升水率取值为1.13%[29] 9. 股指期货年化升贴水率计算模型（上证50），20260211当日升水率所处近一年分位点为87%[29] 10. 股指期货年化升贴水率计算模型（沪深300），近一年年化贴水率中位数取值为3.79%[29] 11. 股指期货年化升贴水率计算模型（沪深300），20260211当日年化升水率取值为0.25%[29] 12. 股指期货年化升贴水率计算模型（沪深300），20260211当日升水率所处近一年分位点为91%[29] 13. 股指期货年化升贴水率计算模型（中证500），近一年年化贴水率中位数取值为11.15%[29] 14. 股指期货年化升贴水率计算模型（中证500），20260211当日年化升水率取值为1.51%[29] 15. 股指期货年化升贴水率计算模型（中证500），20260211当日升水率所处近一年分位点为96%[29] 16. 股指期货年化升贴水率计算模型（中证1000），近一年年化贴水率中位数取值为13.61%[29] 17. 股指期货年化升贴水率计算模型（中证1000），20260211当日年化升水率取值为0.21%[29] 18. 股指期货年化升贴水率计算模型（中证1000），20260211当日升水率所处近一年分位点为98%[29] 量化因子与构建方式 1. **因子名称**：昨日涨停股今日收益因子[14] **因子构建思路**：计算昨日收盘涨停的股票在今日的平均收益，用于观察涨停股的次日溢价或回调效应[14]。 **因子具体构建过程**： 1. 筛选上市满3个月以上且昨日收盘涨停的股票[14]。 2. 计算这些股票今日的收盘收益（(今日收盘价/昨日收盘价)-1）[14]。 3. 对所有符合条件的股票收益进行等权平均，得到因子的日度取值[14]。 2. **因子名称**：昨日跌停股今日收益因子[14] **因子构建思路**：计算昨日收盘跌停的股票在今日的平均收益，用于观察跌停股的次日反弹或继续下跌效应[14]。 **因子具体构建过程**： 1. 筛选上市满3个月以上且昨日收盘跌停的股票[14]。 2. 计算这些股票今日的收盘收益（(今日收盘价/昨日收盘价)-1）[14]。 3. 对所有符合条件的股票收益进行等权平均，得到因子的日度取值[14]。 因子的回测效果 1. 昨日涨停股今日收益因子，20260211当日因子取值为0.12%[14] 2. 昨日跌停股今日收益因子，20260211当日因子取值为-1.39%[14]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：股权激励事件驱动选股模型**[1][3][4] * **模型构建思路**：基于上市公司发布股权激励草案这一事件，认为其传递了管理层对公司长期发展的信心，对股价有正向定价效应。通过筛选事件股票池，并利用激励方案中的关键特征（如激励规模、高管占比）进行优选，构建投资组合[3][14][117]。 * **模型具体构建过程**： 1. **股票池构建**：每月末，选取过去60个自然日内发布过股权激励草案的股票。同时，根据股权激励终止实施表，剔除在月末已知停止实施的股票，形成当期股权激励股票池[119]。 2. **指标计算与合成**：每月末，计算股票池内每只股票的两个指标： * **激励规模**：授予股份数占总股本的比例，作为正向指标[87][119]。 * **高管持股占比**：董事、监事及高级管理人员获授股数之和占激励计划总授予股数的比例，作为负向指标[63][86][119]。 3. 对上述两个指标在横截面上分别进行排序并做z-score标准化，然后等权合成得到每只股票的综合得分[119]。 4. **组合构建**：根据综合得分，优选排名前15的股票进行等权配置[119]。 5. **调仓与费用**：每月末调仓，手续费设置为双边千分之三[119]。 2. **模型名称：员工持股计划事件驱动选股模型**[1][3][4] * **模型构建思路**：基于上市公司发布员工持股计划草案这一事件，认为其体现了内部员工（尤其是非高管员工）对公司未来价值的认可和信心绑定。通过筛选事件股票池，并利用计划规模进行优选，构建投资组合[3][14][124]。 * **模型具体构建过程**： 1. **股票池构建**：每月末，选取过去60个自然日内发布过员工持股计划草案的股票。同时，根据员工持股计划终止实施表，剔除在月末已知停止实施的股票，形成当期员工持股计划股票池[124]。 2. **指标计算**：每月末，计算股票池内每只股票的**员工持股计划规模占比**，即员工持股计划涉及的股份数占公司总股本的比例，作为正向选股指标[89][124]。 3. **组合构建**：根据员工持股计划规模占比从高到低排序，优选排名前15的股票进行等权配置（若当月股票池不足15只，则全部持有）[124]。 4. **调仓与费用**：每月末调仓，手续费设置为双边千分之三[124]。 3. **模型名称：股票回购事件驱动选股模型**[1][3][4] * **模型构建思路**：基于上市公司发布股票回购预案这一事件，认为其在公司股价疲软时发布，可能传递价值低估信号或管理层托底信心。但事件后收益路径波动较大，因此引入基本面指标（归母净利润TTM）在事件股票池内进行横截面增强，以提升策略稳定性[3][82][129][131]。 * **模型具体构建过程**： 1. **股票池构建**：每月末，选取过去60个自然日内发布过股票回购预案的股票，构建股票回购事件股票池（统计从2018年开始以保证样本充足性）[131]。 2. **指标计算与选股**：每月末，计算股票池内每只股票的**归属母公司净利润（TTM）**。研究发现，当前盈利水平越低的公司，其回购事件对未来股价的提升作用可能越明显[131][132]。因此，按该指标从小到大排序（即盈利越低排名越靠前），选取排名前15的股票构建组合[133]。 3. **组合构建**：对选出的15只股票进行等权配置[133]。 4. **调仓与费用**：每月末调仓，手续费设置为双边千分之三[133]。 4. **模型名称：多策略融合组合模型**[4][138] * **模型构建思路**：股权激励、员工持股计划和股票回购三类事件在实施层面和市场反应上存在差异和互补性。通过将上述三个单一事件驱动策略的优选组合进行融合，从更综合的视角评估公司内部激励信号，以期获得更稳健的收益特征[4][138]。 * **模型具体构建过程**：在每月末，将**股权激励优选组合**、**员工持股计划优选组合**和**股票回购优选组合**这三个组合的持仓股票进行汇总，并通过等权方式合成一个新的复合投资组合[138]。 模型的回测效果 （以下回测结果均以中证800指数为基准，计算超额收益） 1. **股权激励优选组合**[121][122] * 年化收益率：27.02% * 年化超额收益率：24.84% * 年化波动率：33.16% * 夏普比率：0.83 * 信息比率(IR)：1.13 * 最大回撤：-54.89% 2. **员工持股计划优选组合**[127][128] * 年化收益率：20.92% * 年化超额收益率：18.30% * 年化波动率：29.00% * 夏普比率：0.73 * 信息比率(IR)：1.05 * 最大回撤：-57.34% 3. **股票回购优选组合**[136][137] * 年化收益率：16.04% * 年化超额收益率：14.89% * 年化波动率：27.75% * 夏普比率：0.60 * 信息比率(IR)：0.80 * 最大回撤：-36.15% 4. **多策略融合组合**[141][142] * 年化收益率：22.62% * 年化超额收益率：20.15% * 年化波动率：29.58% * 夏普比率：0.77 * 信息比率(IR)：1.13 * 最大回撤：-56.03% 量化因子与构建方式 1. **因子名称：股权激励规模因子**[87][119] * **因子构建思路**：激励规模占总股本比例越高，通常意味着公司对员工的激励力度越大，可能更能激发员工创造价值，市场反应可能更积极[87]。 * **因子具体构建过程**：在股权激励草案公告日，计算**授予股份数占总股本的比例**。若公告未说明总股本，则取草案发布前最近一次披露的总股本数据补齐[87]。该因子在模型中作为正向选股指标使用。 2. **因子名称：股权激励高管占比因子**[63][86][119] * **因子构建思路**：高管持股占比过高可能引发内部人控制风险，削弱股权激励的正向信号；而占比适中或偏低，可能意味着激励更普惠于核心技术人员和骨干，市场反应可能更好[86][99]。 * **因子具体构建过程**：在股权激励草案公告日，计算**董事、监事及高级管理人员获授股数之和占激励计划总授予股数的比例**[63]。该因子在模型中作为负向选股指标使用。 3. **因子名称：员工持股计划规模因子**[89][124] * **因子构建思路**：员工持股计划规模越大，反映员工与公司利益绑定程度和风险共担意愿越强，可能传递更强烈的内部信心信号[89]。 * **因子具体构建过程**：在员工持股计划草案公告日，计算**员工持股计划涉及的股份数占公司总股本的比例**[89]。该因子在模型中作为正向选股指标使用。 4. **因子名称：股票回购事件叠加归母净利润TTM因子**[131][133] * **因子构建思路**：在股票回购事件股票池内，引入基本面指标进行增强。测试发现，当期盈利水平（归母净利润TTM）越低的公司，发布回购预案后股价的潜在弹性可能越大，可能源于市场对其业绩修复或价值低估的预期更强[131][132]。 * **因子具体构建过程**：在股票回购预案公告日附近，使用最新报告的**归属母公司净利润（TTM）** 作为选股指标。在模型中，按该值从小到大排序进行选股[133]。 因子的回测效果 （报告中主要通过分组测试展示因子的区分能力，以下为关键发现） 1. **股权激励规模因子**：按授予股份数占总股本比例五分位分组，规模占比最高的组别在草案公告后60个交易日的累计收益率和年化收益率表现最好，呈现“激励规模占比越高效果越好”的阶梯式分化特征[87][90]。 2. **股权激励高管占比因子**：按高管持股占比五分位分组，占比最低至中等的组别公告后收益率表现更优，而高管占比最高的组别表现最弱，表明“高管持股占比越低效果越好”[96][100]。 3. **员工持股计划规模因子**：按员工持股计划规模占比五分位分组，虽然单调性不强，但总体趋势显示规模占比越大的组别，平均累计收益率越高[91][92]。 4. **股票回购事件叠加归母净利润TTM因子**：在股票回购事件股票池内，按归母净利润（TTM）三分组，该因子表现出一定的分组能力，多空对冲年化收益为12.77%，信息比率为1.04[131][134]。