量化模型与构建方式 根据提供的研报内容，该报告主要是一份融资融券市场的数据周报，侧重于描述市场概况、行业及个股的两融数据，并未涉及具体的量化模型或量化因子的构建、测试与评价[1][2][4][9]。因此，本报告中**没有**需要总结的量化模型或量化因子。 模型的回测效果 报告中未涉及任何量化模型的回测效果。 量化因子与构建方式 报告中未涉及任何量化因子的构建与说明。 因子的回测效果 报告中未涉及任何量化因子的回测效果。

量化模型与构建方式 本报告未涉及具体的量化选股模型或阿尔法因子的构建。报告的核心是构建一个针对半导体ETF的“识别阶段—选择指数—筛选产品”的递进分析框架，并基于历史行情复盘，总结不同类别指数在不同市场驱动因素下的表现规律[3][55]。 1. **框架名称**：半导体ETF投资分析框架[3][55] * **框架构建思路**：通过复盘半导体板块历史行情，识别不同市场阶段的核心驱动逻辑，提炼出在此逻辑下表现占优的指数类别，再结合具体指数的编制方案、ETF产品的规模与费率等因素，最终筛选出合适的投资标的[3][4][55]。 * **框架具体构建过程**： 1. **识别阶段**：回溯半导体板块历史行情（例如2023年6月至2025年11月），根据核心驱动因素（如AI需求、业绩验证、自主可控等）划分不同的市场阶段[4][56][70]。 2. **选择指数**：将半导体指数依据其成分股在产业链的分布，划分为三类：材料设备类（上游占比>95%）、设计制造类（中游占比>95%）和全产业链类（兼具上下游）[37][40]。分析不同市场驱动逻辑下，哪一类指数表现占优[4][70]。 3. **筛选产品**：在确定的指数类别内，进一步比较具体ETF产品的规模、管理费率、托管费率、跟踪误差等指标，筛选出交易成本较低、规模充足且跟踪误差小的产品[5][94]。 量化因子与构建方式 本报告未涉及传统意义上的量化选股因子（如价值、成长、动量等）。报告的核心分析对象是**半导体行业指数**，并根据其**成分股的行业属性**进行了分类，这可以视为一种基于产业链定位的“分类因子”或“主题因子”。 1. **因子名称**：半导体产业链定位因子 * **因子构建思路**：根据上市公司主营业务所属的半导体细分行业，将其归类到集成电路产业链的上游（材料、设备）、中游（设计、制造、封测）或下游，并计算其在指数中的市值占比，以此定义指数的属性[37][40]。 * **因子具体构建过程**： 1. 确定半导体产业链的六个核心行业：EDA工具、半导体材料、半导体设备、集成电路设计、集成电路制造、集成电路封测[16][17]。 2. 对于任一指数，分析其所有成分股的主营业务，并按照上述行业进行分类[40]。 3. 计算各行业成分股的总市值在指数总市值中的占比。 4. 设定分类阈值：若指数中“半导体材料+半导体设备”行业的合计市值占比超过95%，则定义为**材料设备类指数**；若“集成电路设计+制造+封测”行业的合计市值占比超过95%，则定义为**设计制造类指数**；若成分同时覆盖上下游且单一环节占比未超过阈值，则定义为**全产业链类指数**[40]。 模型/因子的回测效果 此处展示的是基于上述“半导体产业链定位因子”分类后的三类指数，在不同历史阶段和驱动逻辑下的表现回溯结果。 1. **设计制造类指数**（代表：科创芯片设计、集成电路） * 在**需求扩张（如AI需求、业绩验证）驱动阶段**表现占优[4][70]。 * **2024/09/24-2025/08/06期间（AI需求与业绩验证驱动）**：年化收益率111.11%-154.14%，年化夏普比率2.90-3.66[71][74]。 * **2025/09/01-2025/11/30期间（自主可控驱动）**：年化收益率为负，例如集成电路指数为-7.83%[76][81]。 * **2023/06/30-2025/11/30全观测区间**：年化收益率高于其他两类（具体值需从图16推断，报告未列全表），夏普比率也相对较高[82][85]。 2. **材料设备类指数**（代表：半导体材料设备、科创半导体材料设备） * 在**“自主可控”逻辑强化阶段**表现占优[4][75]。 * **2024/10/16-2024/11/11期间（海外限制后反弹）**：区间收益率32.19%-33.61%，夏普比率0.42%[75][78]。 * **2025/09/01-2025/11/30期间（自主可控驱动）**：年化收益率67.09%-71.05%，年化夏普比率1.87-1.97[76][81]。 * **2024/09/24-2025/08/06期间（需求驱动）**：年化收益率69.39%-76.14%，低于设计制造类指数[71][74]。 3. **全产业链类指数**（代表：中证全指半导体、国证芯片、科创芯片等） * 收益与风险特征通常介于设计制造类和材料设备类指数之间，布局相对均衡[4][82]。 * **2023/06/30-2025/11/30全观测区间**：年化收益率主要分布于20.20%-29.90%区间，夏普比率介于0.75-0.98之间[82][85]。其中多数指数收益率集中在20%-22%，夏普比率约0.75-0.81[82]。

量化模型与构建方式 1. **模型名称**：中证申万有色金属指数编制模型[31][32] **模型构建思路**：从沪深市场申万有色金属及非金属材料行业中，选取流动性好、市值大的代表性上市公司证券，构建一个能够反映有色金属行业整体表现的指数[31][32] **模型具体构建过程**： 1. 确定样本空间：中证全指指数样本空间中的沪深市场证券[32] 2. 流动性筛选：对样本空间内证券按照过去一年的日均成交金额由高到低排名，剔除排名后20%的证券[32] 3. 行业筛选：对样本空间内剩余证券，按照申万行业分类，选取有色金属及非金属材料行业的上市公司证券作为待选样本[32] 4. 市值选样：将上述待选样本按照过去一年日均总市值由高到低排名，选取排名靠前的50只证券作为指数样本[32] 5. 样本数量调整规则：当指数样本自由流通市值之和/申万有色金属行业自由流通市值之和<70%时，可以增加指数样本数量以提高指数行业代表性[32] 6. 定期调整：指数样本每半年调整一次，样本调整实施时间分别为每年6月和12月的第二个星期五的下一交易日[32] 模型的回测效果 1. **中证申万有色金属指数**，2020年收益率36.31%[51]，2021年收益率31.31%[51]，2022年收益率-21.69%[51]，2023年收益率-12.67%[51]，2024年收益率2.19%[51]，2025年收益率97.48%[51]，2026年以来（截至报告日）收益率17.24%[51]，过去5年收益91.42%[51]，过去1年收益112.18%[51]，过去6个月收益98.55%[51]，过去3个月收益30.05%[51]，过去1个月收益8.12%[51]，过去5年年化波动率30.63%[51]，过去5年最大回撤-54.27%[51] 量化因子与构建方式 1. **因子名称**：市盈率（PE）[37][40] **因子具体构建过程**：使用指数成分股的市值加权计算整体市盈率。公式为： $$PE = \frac{\sum (成分股总市值_i)}{\sum (成分股净利润_i)}$$ 其中，$成分股总市值_i$ 为第i只成分股的总市值，$成分股净利润_i$ 为第i只成分股的净利润[37][40]。 2. **因子名称**：市净率（PB）[37] **因子具体构建过程**：使用指数成分股的市值加权计算整体市净率。公式为： $$PB = \frac{\sum (成分股总市值_i)}{\sum (成分股净资产_i)}$$ 其中，$成分股总市值_i$ 为第i只成分股的总市值，$成分股净资产_i$ 为第i只成分股的净资产[37]。 3. **因子名称**：净利润增速[40] **因子具体构建过程**：基于Wind盈利预测数据，计算指数未来年度的预期净利润同比增长率。公式为： $$净利润增速_{tE} = \frac{预测净利润_t - 实际净利润_{t-1}}{实际净利润_{t-1}} \times 100\%$$ 其中，$tE$代表预测年度[40]。 4. **因子名称**：营业收入增速[40] **因子具体构建过程**：基于Wind盈利预测数据，计算指数未来年度的预期营业收入同比增长率。公式为： $$营业收入增速_{tE} = \frac{预测营业收入_t - 实际营业收入_{t-1}}{实际营业收入_{t-1}} \times 100\%$$ 其中，$tE$代表预测年度[40]。 5. **因子名称**：平均市值[43] **因子具体构建过程**：计算指数所有成分股总市值的算术平均值。公式为： $$平均市值 = \frac{\sum (成分股总市值_i)}{N}$$ 其中，$成分股总市值_i$ 为第i只成分股的总市值，$N$为成分股数量[43]。 6. **因子名称**：前十大权重股集中度[46] **因子具体构建过程**：将指数前十大权重股的权重直接相加。公式为： $$前十大权重股集中度 = \sum_{i=1}^{10} (权重_i)$$ 其中，$权重_i$ 为第i大权重股在指数中的权重[46]。 因子的回测效果 1. **市盈率（PE）因子**，取值30.79[37]，历史分位点41.26%[37] 2. **市净率（PB）因子**，取值4.33[37]，历史分位点处于较高水平[37] 3. **净利润增速因子**，2024年实际值-1.12%[40]，2025E预测值55.23%[40]，2026E预测值27.81%[40] 4. **营业收入增速因子**，2024年实际值7.38%[40]，2025E预测值8.61%[40]，2026E预测值5.02%[40] 5. **平均市值因子**，取值1017.31亿元[43] 6. **前十大权重股集中度因子**，取值47.89%[46]

量化模型与构建方式 根据提供的研报内容，报告主要对中证申万有色金属指数及其跟踪ETF进行投资价值分析，未涉及具体的量化选股模型或多因子模型的构建。报告的核心是分析一个已有的、规则公开的市场指数。 1. **模型/因子名称**：中证申万有色金属指数编制模型[31][32] **模型/因子构建思路**：从沪深市场中选取属于有色金属及非金属材料行业的上市公司证券，构建一个能够反映该行业整体表现的指数[31]。 **模型/因子具体构建过程**： 1. **确定样本空间**：中证全指指数样本空间中的沪深市场证券[32]。 2. **流动性筛选**：对样本空间内证券按照过去一年的日均成交金额由高到低排名，剔除排名后20%的证券[32]。 3. **行业筛选**：对样本空间内剩余证券，按照申万行业分类，选取有色金属及非金属材料行业的上市公司证券作为待选样本[32]。 4. **市值选样**：将上述待选样本按照过去一年日均总市值由高到低排名，选取排名靠前的50只证券作为指数样本[32]。 5. **调整规则**：指数样本每半年调整一次（每年6月和12月的第二个星期五的下一个交易日）。当指数样本自由流通市值之和占申万有色金属行业自由流通市值之和的比例低于70%时，可以增加指数样本数量以提高行业代表性[32]。 模型的回测效果 此处“模型”指**中证申万有色金属指数**，其历史表现可视为该指数编制规则（即上述模型）的回测效果。 1. **中证申万有色金属指数**，2020年收益率36.31%[51]，2021年收益率31.31%[51]，2022年收益率-21.69%[51]，2023年收益率-12.67%[51]，2024年收益率2.19%[51]，2025年收益率97.48%[51]，2026年以来（截至报告日）收益率17.24%[51] 2. **中证申万有色金属指数**，过去5年年化波动率30.63%[51]，过去5年最大回撤-54.27%[51] 3. **中证申万有色金属指数**，过去1年收益112.18%[51]，过去6个月收益98.55%[51]，过去3个月收益30.05%[51]，过去1个月收益8.12%[51] 4. **中证申万有色金属指数**，截至2026年2月11日市盈率30.79[37]，市净率4.33[37]，市盈率历史分位点41.26%[37] 5. **中证申万有色金属指数**，Wind预测2025E净利润增速55.23%[40]，2026E净利润增速27.81%[40]，2025E营业收入增速8.61%[40]，2026E营业收入增速5.02%[40] 6. **中证申万有色金属指数**，成分股平均市值1017.31亿元[43]，前十大权重股集中度47.89%[46] 量化因子与构建方式 报告未涉及独立于上述指数编制规则之外的量化因子（如价值、动量、质量等因子）的构建与测试。 因子的回测效果 报告未提供独立量化因子的回测效果。

量化模型与构建方式 1. **模型名称**：指数换手率计算模型 * **模型构建思路**：通过计算指数成分股的加权平均换手率，来反映整个指数的交易活跃度[19]。 * **模型具体构建过程**：首先，获取指数内所有成分股的当日换手率及其流通股本。然后，以流通股本为权重，对成分股的换手率进行加权平均，得到指数的整体换手率。 * **公式**：$$指数换手率 = \frac{\Sigma (成分股流通股本 \times 成分股换手率)}{\Sigma (成分股流通股本)}$$[19] 2. **模型名称**：风险溢价计算模型 * **模型构建思路**：通过计算指数收益率与无风险利率（十年期国债即期收益率）的差值，来衡量投资该指数所获得的超额收益补偿[28]。 * **模型具体构建过程**：使用指数的市盈率倒数（E/P）或股息率等收益率指标，减去十年期国债的即期收益率。报告中的风险溢价具体计算方式未明确给出，但通常为指数预期收益率与无风险利率之差。报告展示了当前风险溢价、历史分位值及与历史均值和标准差的比较[32]。 3. **模型名称**：股债性价比计算模型 * **模型构建思路**：通过比较股票资产的潜在收益率（以市盈率倒数代表）与债券收益率（十年期国债即期收益率）的差值，来判断股票和债券哪类资产更具投资价值[47]。 * **模型具体构建过程**：计算各宽基指数市盈率（PE-TTM）的倒数，得到其盈利收益率（E/P），然后减去十年期国债即期收益率，得到股债性价比差值。报告通过观察该差值相对于其历史分位值（如80%分位为机会值，20%分位为危险值）的位置来进行判断[47]。 4. **模型名称**：破净率计算模型 * **模型构建思路**：通过统计指数中市净率小于1的个股数量占比，来反映市场整体的估值悲观程度或低估程度[55][57]。 * **模型具体构建过程**：遍历指数所有成分股，判断其市净率（股价/每股净资产）是否小于1。将市净率小于1的个股数量除以指数成分股总数，得到破净率。 * **公式**：$$破净率 = \frac{破净个股数}{指数成分股总数} \times 100\%$$[55] 量化因子与构建方式 1. **因子名称**：连阴/连阳天数因子 * **因子构建思路**：通过统计指数K线连续为阴线或阳线的天数，来捕捉市场的短期动量或反转效应[12][16]。 * **因子具体构建过程**：逐日判断指数收盘价相对于前一日收盘价的涨跌。若上涨则记为阳线，下跌则记为阴线。连续上涨的天数计为连阳天数（正数），连续下跌的天数计为连阴天数（负数）[16]。 2. **因子名称**：均线相对位置因子 * **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（如MA5， MA10， MA20等）的位置关系，来判断短期趋势和支撑压力位[14]。 * **因子具体构建过程**：计算指数收盘价的5日、10日、20日等简单移动平均线。计算当前收盘价相对于各条均线的百分比偏离，即（收盘价/均线 - 1）* 100%。根据偏离的正负和大小判断指数是运行于均线之上（支撑）还是之下（压力）[15]。 3. **因子名称**：收益分布形态因子（偏度与超额峰度） * **因子构建思路**：通过计算指数日收益率分布的偏度和峰度，来描述收益分布的不对称性和尖峰/矮峰特征，以评估极端收益风险[25][26]。 * **因子具体构建过程**：选取一段时间窗口（如近一年）的指数日收益率序列。计算该序列的偏度（衡量分布不对称性）和峰度（衡量分布尖峭度）。报告中使用的峰度为超额峰度，即在计算值基础上减去了正态分布的峰度值3[26]。通过比较当前值与长期历史值（近5年）的差异（如负偏离）来分析形态变化[26]。 4. **因子名称**：估值分位因子（PE-TTM分位值、股息率分位值） * **因子构建思路**：将指数当前的估值指标（如市盈率PE-TTM、股息率）置于其自身历史数据中，计算其所处的百分位位置，以判断当前估值的高低[40][43][49]。 * **因子具体构建过程**：获取指数估值指标（如PE-TTM）在指定历史窗口期（如近5年）内的所有日度数据。将当前估值与历史数据序列进行比较，计算其历史分位值。例如，99%的分位值意味着当前估值比历史99%的时间都要高[43][44]。 模型的回测效果 （注：本报告为市场数据跟踪报告，未提供量化模型的历史回测绩效指标，如年化收益率、夏普比率、最大回撤等。报告主要展示各模型/因子在特定时点（2026年2月24日）的计算结果和状态描述。） 因子的回测效果 （注：本报告为市场数据跟踪报告，未提供量化因子的历史回测绩效指标，如IC值、IR、多空收益等。报告主要展示各因子在特定时点（2026年2月24日）的截面数据或时间序列状态。） 模型/因子的具体测试结果取值（截至2026年2月24日） 1. **指数换手率模型结果**： * 中证2000：3.76[4][18] * 创业板指：3.17[4][18] * 中证1000：2.81[4][18] * 中证500：2.01[4][18] * 中证全指：1.78[4][18] * 沪深300：0.66[4][18] * 上证50：0.26[4][18] 2. **风险溢价模型结果（当前风险溢价）**： * 中证2000：1.24%[32] * 中证1000：1.15%[32] * 中证500：1.117%[32] * 中证全指：1.08%[32] * 创业板指：0.98%[32] * 沪深300：1.00%[32] * 上证50：0.22%[32] 3. **破净率模型结果（当前破净率）**： * 上证50：24.0%[5][58] * 沪深300：16.67%[5][58] * 中证500：10.6%[5][58] * 中证1000：6.9%[5][58] * 中证全指：5.5%[5][58] * 中证2000：2.45%[5][58] 4. **连阴/连阳天数因子取值**： * 上证50：日K线连阴3天[12][16] * 沪深300：日K线连阴4天[12][16] * 中证2000：日K线连阳3天[16] 5. **均线相对位置因子示例（vsMA5）**： * 中证2000：高于MA5 0.6%[15] * 中证500：高于MA5 0.5%[15] * 中证1000：高于MA5 0.5%[15] * 中证全指：高于MA5 0.3%[15] * 沪深300：高于MA5 0.1%[15] * 创业板指：高于MA5 0.1%[15] * 上证50：低于MA5 0.8%[14][15] 6. **收益分布形态因子（当前vs近5年）**： * **峰度负偏离**：创业板指最大（-2.61），中证500最小（-1.44）[25][26] * **偏度变化**：创业板指负偏态最大（当前偏度较近5年偏度下降0.62），中证500负偏态最小（下降0.39）[25][26] 7. **PE-TTM分位值因子（近5年历史分位值）**： * 中证全指：99.92%[4][43][44] * 中证1000：99.59%[4][43][44] * 中证500：99.42%[44] * 沪深300：87.69%[44] * 上证50：81.65%[4][43][44] * 创业板指：63.97%[4][43][44] 8. **股息率分位值因子（近5年历史分位值）**： * 创业板指：55.54%[4][56] * 沪深300：38.6%[4][56] * 中证全指：27.02%[54] * 中证1000：22.64%[54] * 上证50：37.02%[54] * 中证500：5.12%[4][52][56] * 中证2000：0.74%[4][52][56] 9. **股债性价比因子状态**： * 没有指数高于其近5年80%分位（机会值）[4][47] * 中证500和中证全指低于其近5年20%分位（危险值）[4][47]

量化模型与构建方式 1. **模型名称：基准指数增强组合模型** * **模型构建思路**：构建一个标准的多因子指数增强策略，在约束行业、风格及个股偏离等风险敞口的前提下，最大化组合的阿尔法信号得分，以获取超越基准的超额收益[14][43]。 * **模型具体构建过程**： 1. **信号来源**：使用“量价+高频”因子或“低波因子”作为阿尔法信号[55][62]。 2. **优化目标**：在风险约束下最大化组合信号得分。其数学表达可简化为一个带约束的优化问题[45]。 3. **风险约束**： * 个股权重相对基准的偏离约束为 ±0.5%[55][62]。 * 行业权重相对基准的偏离约束为 ±1%[55][62]。 * 对市值、中盘、贝塔、波动率等风格因子的敞口暴露约束为 ±0.3[55][62]。 4. **组合构建**：通过求解优化问题得到最终持仓权重。 2. **模型名称：波动率分域优化指数增强模型** * **模型构建思路**：在基准指数增强模型的基础上，根据个股的残差波动率对股票进行分域，并对不同波动率域的个股施加差异化的权重偏离约束，旨在收紧高波动股票的敞口以控制回撤，同时放宽低波动股票的约束以保留收益能力[3][11][62]。 * **模型具体构建过程**： 1. **计算残差波动率**：对于每只股票，基于风险模型计算其残差收益的波动率[34][36]。 2. **股票分域**：每月末，将所有股票按残差波动率升序排列，以30%和70%分位点为界，划分为低波、中波、高波三个股票池[62]。 3. **差异化约束**：对三个股票池的个股权重偏离设置不同的上下限： * 低波股票池：[-0.2%， 0.4%] * 中波股票池：[-0.2%， 0.3%] * 高波股票池：[-0.1%， 0.2%][62] 4. **组合优化**：保持基准模型的其他约束（行业偏离、风格敞口）和信号不变，使用上述分域约束替代原有的统一个股偏离约束，进行组合优化，得到最终持仓[62]。 模型的回测效果 （注：报告未提供完整的回测指标列表，仅提供了部分对比数据。以下为报告中明确给出的优化模型与基准模型的对比结果。） 1. **基准指数增强组合模型**，年化超额收益4.30%，超额最大回撤-10.47%，信息比率(IR) 0.82[67]。 2. **波动率分域优化指数增强模型**，年化超额收益4.66%，超额最大回撤-6.78%，信息比率(IR) 1.15[67]。 量化因子与构建方式 1. **因子名称：残差波动率 (Residual Volatility)** * **因子构建思路**：衡量个股收益中无法被风险模型（风格、行业因子）解释的部分（即残差）的波动大小，用于识别个股的特质性风险水平[34][37]。 * **因子具体构建过程**： 1. 使用风险模型对每只股票的超额收益进行分解。风险模型的基本公式为： $$r_{n}=f_{c}+\sum_{i}X_{n i}f_{i}+\sum_{s}X_{n s}f_{s}+u_{n}$$ 其中，$r_n$为股票n的超额收益，$f_c$为国家因子，$f_i$为行业因子，$f_s$为风格因子，$X_{ni}$和$X_{ns}$为股票n在对应因子上的暴露，$u_n$为残差项[34]。 2. 计算股票n的残差波动率，即残差序列$u_n$的历史波动率（例如，过去一段时间的标准差）[49]。 * **因子评价**：该因子具有较高的时序可预测性（历史波动率对未来有指示作用），是进行风险分域管理的可靠指标[49][61]。 2. **因子名称：低波因子** * **因子构建思路**：作为构建基准组合的示例阿尔法信号，其逻辑可能与偏好低波动率股票相关[62]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算方法，仅提及在构建基准组合时使用了“低波因子”作为信号源[62]。 3. **复合因子/信号：风险调整因子信号** * **因子构建思路**：在简化版的组合优化理论框架下，推导出的最优权重与两个变量相关：一是经过风险模型调整后的综合信号，二是个股的残差波动率[45]。 * **因子具体构建过程**： 1. 在仅约束风险因子敞口中性化的简化优化问题下，求解得到个股的最优主动权重为： $$w_{i}=\lambda^{-1}F_{i}\,/\,\sigma_{i}$$ 其中，$w_i$是股票i的主动权重（相对基准的偏离），$\lambda$是风险厌恶系数，$F_i$是经过风险模型调整后的因子信号，$\sigma_i$是股票i的残差波动率[45]。 2. 此公式表明，在信号得分$F_i$相近的情况下，模型会倾向于低配($w_i$更小)残差波动率$\sigma_i$更高的股票[46]。 因子的回测效果 （注：报告未提供单个因子的IC、IR等传统因子测试结果。报告的核心测试对象是整合了因子的组合模型，其效果已在“模型的回测效果”部分呈现。）

量化模型与构建方式 **注：** 本报告主要介绍OpenClaw个人投研助手的架构、配置方法及投研应用案例，并未涉及具体的量化模型（如多因子模型、风险模型等）或量化因子（如价值、动量、质量等因子）的构建、测试与回测。报告内容聚焦于如何利用AI工具（OpenClaw）搭建自动化工作流，以支持公告处理、框架迭代、个股分析和研报复现等投研流程[4][5][43]。 报告中所提及的“Skills”是OpenClaw系统中的功能模块，用于实现特定的自动化任务，并非金融工程领域所指的量化因子或预测模型[29]。 量化因子与构建方式 **注：** 本报告未涉及传统量化投资中的Alpha因子、风险因子或其构建过程。报告中提到的“因子”一词仅出现在案例三“个股投研分析助手”的上下文里，用于描述分析框架中涵盖的多个数据维度（如行业、财务、估值等），并非用于构建投资组合的量化因子[59]。 1. 因子名称：个股投研分析框架中的多维度数据 * **因子构建思路：** 构建一个综合性的个股分析框架，整合来自行业、公司经营、估值、资金与商品、市场情绪等多源数据，以形成对个股的全面评估[59]。 * **因子具体构建过程：** 该分析框架并非一个可计算的单一因子，而是一个端到端的自动化分析流程。其具体构建过程是通过OpenClaw的Skill机制实现的，流程包括[59]： 1. **数据采集：** 按预设链路自动抓取行业、财务、新闻、研报、估值、资金、商品与社区情绪等多维度数据。 2. **数据处理与检测：** 对采集的数据进行清洗，并检测数据的时效性，对过旧的数据进行降权处理。 3. **分析与推演：** 将处理后的数据整合到“行业到个股”的分析框架中，进行情景推演与反证分析。 4. **报告输出：** 最终生成连续文章体的深度分析研究报告。 * **因子评价：** 该框架解决了个股研究中流程低效、数据分散的问题，将多源数据的采集、清洗、对齐与归纳合并为一次自动化执行，让研究人员能将精力集中于核心分析[65]。 模型的回测效果 **注：** 报告未提供任何量化模型的回测结果，如年化收益率、夏普比率、最大回撤、信息比率（IR）等指标。 因子的回测效果 **注：** 报告未提供任何量化因子的测试结果，如因子IC值、IR、多空组合收益等指标。

量化模型与因子总结 量化模型与构建方式 1. **模型名称：微盘股轮动与择时模型**[19][28] * **模型构建思路**：构建一个综合模型，用于在微盘股与茅指数（代表大盘蓝筹）之间进行轮动配置，并监控微盘股的择时风控信号[19]。 * **模型具体构建过程**： * **轮动子模型**：结合两个指标进行判断[28]。 1. **相对净值指标**：计算微盘股指数与茅指数的相对净值，并计算其243日移动平均线（年均线）。当相对净值高于其年均线时，倾向于投资微盘股；反之则投资茅指数[28]。 2. **动量斜率指标**：分别计算微盘股指数和茅指数的20日收盘价斜率。当两个指数的斜率方向相反且一方为正时，选择投资斜率为正的指数[28]。 * **择时风控子模型**：基于两个宏观风险指标进行监控，任一指标触及阈值则发出平仓信号[19][28]。 1. **利率风险指标**：监控十年期国债到期收益率的同比变化。当该值触及30%的阈值时触发风控[19][28]。 2. **波动率拥挤度指标**：监控微盘股波动率拥挤度的同比变化。当该值触及55%的阈值时触发风控[19][28]。 2. **模型名称：宏观择时模型**[58] * **模型构建思路**：基于宏观经济指标（经济增长和货币流动性）构建信号，动态调整股票仓位[58]。 * **模型具体构建过程**：模型从经济增长和货币流动性两个维度生成信号，并综合得出最终的股票配置仓位建议。具体细节可参考相关历史研究报告[58]。 量化因子与构建方式 报告跟踪了八大类选股因子和五类可转债择券因子，并提供了详细的因子定义[71][74]。 1. **因子名称：市值因子**[71] * **因子构建思路**：使用公司规模作为因子，通常小市值公司可能具有更高的预期收益。 * **因子具体构建过程**： * **细分因子**：LN_MktCap * **定义**：公司流通市值的自然对数[71]。 2. **因子名称：价值因子**[71] * **因子构建思路**：寻找相对于其基本面价值（如净资产、盈利、收入）被低估的股票。 * **因子具体构建过程**： * **细分因子**：BP_LR * **定义**：最新年报账面净资产除以最新市值[71]。 * **细分因子**：EP_FTTM * **定义**：未来12个月一致预期净利润除以最新市值[71]。 * **细分因子**：SP_TTM * **定义**：过去12个月营业收入除以最新市值[71]。 * **细分因子**：EP_FY0 * **定义**：当期年报一致预期净利润除以最新市值[71]。 * **细分因子**：Sales2EV * **定义**：过去12个月营业收入除以企业价值[71]。 3. **因子名称：成长因子**[71] * **因子构建思路**：寻找盈利、收入等财务指标增长更快的公司。 * **因子具体构建过程**： * **细分因子**：NetIncome_SQ_Chg1Y * **定义**：单季度净利润同比增速[71]。 * **细分因子**：OperatingIncome_SQ_Chg1Y * **定义**：单季度营业利润同比增速[71]。 * **细分因子**：Revenues_SQ_Chg1Y * **定义**：单季度营业收入同比增速[74]。 4. **因子名称：质量因子**[74] * **因子构建思路**：寻找盈利能力、运营效率、财务稳健性更高的公司。 * **因子具体构建过程**： * **细分因子**：ROE_FTTM * **定义**：未来12个月一致预期净利润除以股东权益均值[74]。 * **细分因子**：OCF2CurrentDebt * **定义**：过去12个月经营现金流净额除以流动负债均值[74]。 * **细分因子**：GrossMargin_TTM * **定义**：过去12个月毛利率[74]。 * **细分因子**：Revenues2Asset_TTM * **定义**：过去12个月营业收入除以总资产均值[74]。 5. **因子名称：一致预期因子**[74] * **因子构建思路**：利用分析师一致预期的变化和上调幅度来捕捉市场情绪和认知的改善。 * **因子具体构建过程**： * **细分因子**：EPS_FTTM_Chg3M * **定义**：未来12个月一致预期EPS过去3个月的变化率[74]。 * **细分因子**：ROE_FTTM_Chg3M * **定义**：未来12个月一致预期ROE过去3个月的变化率[74]。 * **细分因子**：TargetReturn_180D * **定义**：一致预期目标价相对于目前股价的收益率[74]。 6. **因子名称：技术因子**[74] * **因子构建思路**：基于价量数据构建，捕捉市场交易行为特征。 * **因子具体构建过程**： * **细分因子**：Volume_Mean_20D_240D * **定义**：20日成交量均值除以240日成交量均值[74]。 * **细分因子**：Skewness_240D * **定义**：240日收益率偏度[74]。 * **细分因子**：Volume_CV_20D * **定义**：20日成交量标准差除以20日成交量均值[74]。 * **细分因子**：Turnover_Mean_20D * **定义**：20日换手率均值[74]。 7. **因子名称：波动率因子**[74] * **因子构建思路**：识别股价波动特征，低波动股票往往具有更稳定的表现。 * **因子具体构建过程**： * **细分因子**：Volatility_60D * **定义**：60日收益率标准差[74]。 * **细分因子**：IV_CAPM * **定义**：CAPM模型残差波动率[74]。 * **细分因子**：IV_FF * **定义**：Fama-French三因子模型残差波动率[74]。 * **细分因子**：IV_Carhart * **定义**：Carhart四因子模型残差波动率[74]。 8. **因子名称：反转因子**[74] * **因子构建思路**：认为过去一段时间表现较差的股票未来可能反弹，而过去表现好的可能回调。 * **因子具体构建过程**： * **细分因子**：Price_Chg20D * **定义**：20日收益率[74]。 * **细分因子**：Price_Chg40D * **定义**：40日收益率[74]。 * **细分因子**：Price_Chg60D * **定义**：60日收益率[74]。 * **细分因子**：Price_Chg120D * **定义**：120日收益率[74]。 9. **因子名称：可转债择券因子**[70] * **因子构建思路**：结合正股基本面因子和转债特有估值指标，构建可转债的量化择券体系。 * **因子具体构建过程**： * **正股因子**：从预测正股的因子（如价值、成长、一致预期、财务质量）出发，构建可转债的对应因子[70]。 * **转债估值因子**：选取了平价底价溢价率作为估值因子[70]。 模型的回测效果 1. **宏观择时模型**，2025年年初至今收益率14.59%，同期Wind全A收益率26.87%[58]。截至1月31日，模型给出的2月份股票仓位建议为70%[58]。 因子的回测效果 （以下数据为“上周”和“今年以来”在“全部A股”池中的表现）[62] 1. **一致预期因子**，上周IC均值8.26%，今年以来IC均值2.16%，上周多空收益1.40%，今年以来多空收益3.10%[62]。 2. **市值因子**，上周IC均值-1.75%，今年以来IC均值5.44%，上周多空收益-1.27%，今年以来多空收益1.70%[62]。 3. **成长因子**，上周IC均值6.30%，今年以来IC均值2.24%，上周多空收益0.55%，今年以来多空收益2.21%[62]。 4. **反转因子**，上周IC均值4.34%，今年以来IC均值2.11%，上周多空收益-0.39%，今年以来多空收益-2.28%[62]。 5. **质量因子**，上周IC均值0.27%，今年以来IC均值1.21%，上周多空收益0.02%，今年以来多空收益1.64%[62]。 6. **技术因子**，上周IC均值7.84%，今年以来IC均值6.60%，上周多空收益1.24%，今年以来多空收益0.24%[62]。 7. **价值因子**，上周IC均值-4.96%，今年以来IC均值3.50%，上周多空收益-2.07%，今年以来多空收益-2.00%[62]。 8. **波动率因子**，上周IC均值5.80%，今年以来IC均值6.00%，上周多空收益0.78%，今年以来多空收益0.39%[62]。

量化模型与构建方式 1. **模型名称**：红利风格择时模型[1][4][6] **模型构建思路**：通过构建一个综合因子来对红利风格进行择时，综合因子值为正时发出正向信号，为负时发出负向信号[1][4][6]。 **模型具体构建过程**：模型由多个分项因子构成，每个分项因子反映影响红利风格的不同维度。首先，计算每个分项因子的数值；然后，将所有分项因子的数值进行综合，得到最终的“综合因子值”[6][7][12]。报告未提供具体的加权或合成公式。 量化因子与构建方式 1. **因子名称**：中国:非制造业PMI:服务业[12] **因子构建思路**：使用中国非制造业PMI中的服务业指数作为宏观经济景气度的代理指标，以判断对红利风格的影响[7][12]。 **因子具体构建过程**：报告未提供具体计算过程，直接使用该指标的原始或处理后的数值作为因子值[12]。 2. **因子名称**：中国:M2:同比[12] **因子构建思路**：使用中国M2货币供应量的同比增速作为流动性环境的代理指标，以判断对红利风格的影响[7][12]。 **因子具体构建过程**：报告未提供具体计算过程，直接使用该指标的原始或处理后的数值作为因子值[12]。 3. **因子名称**：美国:国债收益率:10年[12] **因子构建思路**：使用美国10年期国债收益率作为全球无风险利率和资金成本的代理指标，其变化会影响红利资产的相对吸引力[7][12]。 **因子具体构建过程**：报告未提供具体计算过程，直接使用该指标的原始或处理后的数值作为因子值[12]。 4. **因子名称**：红利相对净值自身[12] **因子构建思路**：反映红利风格自身的动量效应，即近期表现较好的趋势可能延续[7][12]。 **因子具体构建过程**：报告未提供具体计算过程，直接给出因子值[12]。 5. **因子名称**：中证红利股息率-10年期中债收益率[12] **因子构建思路**：计算中证红利指数的股息率与10年期中国国债收益率的差值，作为衡量红利资产相对债券吸引力的价差指标[7][12]。 **因子具体构建过程**：报告未提供具体计算公式，但因子名称直接体现了其构建方法：$$因子值 = 中证红利股息率 - 10年期中债收益率$$[12]。 6. **因子名称**：融资净买入[12] **因子构建思路**：使用融资净买入数据作为衡量市场情绪和风险偏好的指标，情绪降温可能有利于防御性的红利风格[7][12]。 **因子具体构建过程**：报告未提供具体计算过程，直接使用该指标的原始或处理后的数值作为因子值[12]。 7. **因子名称**：行业平均景气度[12] **因子构建思路**：反映市场整体的行业景气状况，可能影响资金在成长与价值（红利）风格间的配置[7][12]。 **因子具体构建过程**：报告未提供具体计算过程，直接给出因子值[12]。 模型的回测效果 1. **红利风格择时模型**，综合因子值（截至2026.02.13）为0.09[1][4][6]，综合因子值（截至2026.02.06）为0.09[1][6]，综合因子值（截至2026.01.31）未明确给出，但根据分项因子值推断其值与前两周不同[12]。 因子的回测效果 1. **中国:非制造业PMI:服务业因子**，因子值（2026.02.13）为-0.13[12]，因子值（2026.02.06）为-0.13[12]，因子值（2026.01.31）为-0.13[12]。 2. **中国:M2:同比因子**，因子值（2026.02.13）为0.21[12]，因子值（2026.02.06）为0.21[12]，因子值（2026.01.31）为0.21[12]。 3. **美国:国债收益率:10年因子**，因子值（2026.02.13）为-0.23[12]，因子值（2026.02.06）为-0.24[12]，因子值（2026.01.31）为-0.39[12]。 4. **红利相对净值自身因子**，因子值（2026.02.13）为0.89[12]，因子值（2026.02.06）为0.92[12]，因子值（2026.01.31）为-0.11[12]。 5. **中证红利股息率-10年期中债收益率因子**，因子值（2026.02.13）为0.17[12]，因子值（2026.02.06）为0.22[12]，因子值（2026.01.31）为0.43[12]。 6. **融资净买入因子**，因子值（2026.02.13）为-1.86[12]，因子值（2026.02.06）为-1.79[12]，因子值（2026.01.31）为-1.76[12]。 7. **行业平均景气度因子**，因子值（2026.02.13）为1.02[12]，因子值（2026.02.06）为0.88[12]，因子值（2026.01.31）为0.77[12]。

量化模型与构建方式 1. **模型名称：价格分段体系**[14] * **模型构建思路**：通过分析上证综指在不同时间周期（如日线、周线）的价格走势，识别其运行趋势和关键分段点，以判断市场所处的技术状态[14]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建算法和公式，仅展示了其应用结果。从图表描述来看，该模型可能涉及对指数价格序列进行多周期（如日线、周线）的技术分析，并可能结合了类似DEA（离差平均值）的指标进行趋势判断[17]。 2. **模型名称：微观市场结构择时模型（知情交易者活跃度指标）**[15] * **模型构建思路**：通过构建“知情交易者活跃度”指标，监测市场中可能拥有信息优势的交易者的行为活跃程度，以此作为判断市场情绪和未来走势的择时依据[15]。 * **模型具体构建过程**：报告未提供该指标的具体计算公式和构建细节。其构建思路是基于市场微观结构理论，通过某些交易数据（如订单流、大单交易等）来估算知情交易者的活动水平[15]。 3. **因子名称：BARRA风格因子体系**[22] * **因子构建思路**：采用经典的BARRA风险模型框架，从多个维度（如市值、价值、成长、动量、波动率等）构建一系列风格因子，用以描述和解释股票收益的横截面差异[22]。 * **因子具体构建过程**：报告未详细列出每个因子的具体计算公式。该体系是业界标准模型，通常包含以下因子（根据报告列表归纳）[23]： * **市值**：衡量公司规模。 * **非线性市值**：市值因子的非线性变形。 * **BP价值**：账面市值比。 * **EP价值**：盈利价格比。 * **股息率**：股息与价格之比。 * **成长**：衡量盈利或收入增长。 * **动量**：衡量股票价格的中短期趋势。 * **长期反转**：衡量股票的长期反转效应。 * **波动率**：衡量股票历史价格波动。 * **贝塔**：衡量股票相对于市场的系统性风险。 * **财务杠杆**：衡量公司的负债水平。 * **盈利波动**：衡量公司盈利的稳定性。 * **盈利质量**：衡量公司盈利的可持续性和可靠性。 * **盈利能力**：衡量公司的盈利效率（如ROE）。 * **投资质量**：衡量公司资本开支的效率。 * **换手**：衡量股票的流动性。 4. **因子名称：出口链组合因子**[12] * **因子构建思路**：通过筛选海外业务收入占比较高的股票，构建代表“出口链”的主题投资组合，用以观察和跟踪逆全球化背景下相关板块的市场表现[12]。 * **因子具体构建过程**：具体构建方法为，统计所有股票的海外业务收入占比，选取占比高于某一阈值的股票，等权或按市值加权构建组合。该组合的表现用于衡量“出口链”逻辑的市场演绎程度[12]。 模型的回测效果 （报告中未提供所述量化模型的明确历史回测绩效指标，如年化收益率、夏普比率、最大回撤等具体数值。） 因子的回测效果 1. **BARRA风格因子**，本周收益：换手 0.0%， 财务杠杆 -0.2%， 盈利波动 -0.1%， 盈利质量 0.1%， 盈利能力 -0.4%， 投资质量 -0.1%， 长期反转 0.0%， EP价值 0.0%， BP价值 -0.5%， 成长 0.0%， 动量 0.6%， 非线性市值 0.1%， 市值 0.1%， 波动率 -0.9%， 贝塔 0.5%， 股息率 -0.1%[23] 2. **出口链组合因子**，相对中证800超额收益（2025年12月以来）：制造业出口链 -5.37%， 地产后周期出口链 -5.51%[12]