量化模型与构建方式 1. 微盘股轮动模型 - **模型构建思路**：基于微盘股与茅指数的相对净值和价格动量进行大小盘风格轮动，以捕捉风格切换机会[20][22] - **模型具体构建过程**： 1. 计算微盘股/茅指数相对净值，并计算其243日移动平均线(MA243)[22] 2. 计算微盘股和茅指数的20日收盘价斜率[22] 3. 轮动规则：当相对净值高于年均线且微盘股20日斜率为正时，配置微盘股；当相对净值低于年均线且茅指数20日斜率为正时，配置茅指数；当二者方向相反且一方为正时，选择投资斜率为正的指数[22] 2. 微盘股择时风控模型 - **模型构建思路**：通过国债收益率和波动率拥挤度监控微盘股的系统性风险，发出平仓信号[22] - **模型具体构建过程**： 1. 计算十年期国债到期收益率同比变化率[22] 2. 计算波动率拥挤度同比变化率[22] 3. 风控规则：当十年期国债收益率同比触及30%阈值或波动率拥挤度同比触及55%阈值时，发出平仓信号[22] 3. 宏观择时策略 - **模型构建思路**：基于经济增长和货币流动性两个维度构建宏观事件因子，进行权益资产配置[41] - **模型具体构建过程**： 1. 经济增长层面信号强度计算[41] 2. 货币流动性层面信号强度计算[41] 3. 综合两个维度信号确定最终股票仓位[41] 4. 短期背离监控指标 - **模型构建思路**：通过日度和小时间级别的背离信号监控微盘股短期上涨动能[20] - **模型具体构建过程**： 1. 构建高胜率日度背离指标[20] 2. 构建小时级别预警信号[20] 3. 当背离信号触发时，表明短期上涨势能减弱[20] 量化因子与构建方式 1. 市值因子 - **因子构建思路**：使用流通市值的对数作为市值因子的代理变量[53] - **因子具体构建过程**：$$LN\_MktCap = \ln(流通市值)$$[53] 2. 价值因子 - **因子构建思路**：通过多个估值指标衡量股票的价值特征[53] - **因子具体构建过程**： - $$BP\_LR = \frac{最新年报账面净资产}{最新市值}$$[53] - $$EP\_FTTM = \frac{未来12个月一致预期净利润}{最新市值}$$[53] - $$SP\_TTM = \frac{过去12个月营业收入}{最新市值}$$[53] - $$EP\_FY0 = \frac{当期年报一致预期净利润}{最新市值}$$[53] - $$Sales2EV = \frac{过去12个月营业收入}{企业价值}$$[53] 3. 成长因子 - **因子构建思路**：通过财务指标同比增速衡量公司成长性[53] - **因子具体构建过程**： - $$NetIncome\_SQ\_Chg1Y = 单季度净利润同比增速$$[53] - $$OperatingIncome\_SQ\_Chg1Y = 单季度营业利润同比增速$$[53] - $$Revenues\_SQ\_Chg1Y = 单季度营业收入同比增速$$[53] 4. 质量因子 - **因子构建思路**：通过盈利能力、现金流质量和运营效率指标衡量公司质量[53][55] - **因子具体构建过程**： - $$ROE\_FTTM = \frac{未来12个月一致预期净利润}{股东权益均值}$$[53] - $$OCF2CurrentDebt = \frac{过去12个月经营现金流净额}{流动负债均值}$$[55] - $$GrossMargin\_TTM = 过去12个月毛利率$$[55] - $$Revenues2Asset\_TTM = \frac{过去12个月营业收入}{总资产均值}$$[55] 5. 一致预期因子 - **因子构建思路**：基于分析师一致预期变化和目标收益率构建预期类因子[55] - **因子具体构建过程**： - $$EPS\_FTTM\_Chg3M = 未来12个月一致预期EPS过去3个月的变化率$$[55] - $$ROE\_FTTM\_Chg3M = 未来12个月一致预期ROE过去3个月的变化率$$[55] - $$TargetReturn\_180D = 一致预期目标价相对于目前股价的收益率$$[55] 6. 技术因子 - **因子构建思路**：通过成交量、换手率和价格形态指标构建技术类因子[55] - **因子具体构建过程**： - $$Volume\_Mean\_20D\_240D = \frac{20日成交量均值}{240日成交量均值}$$[55] - $$Skewness\_240D = 240日收益率偏度$$[55] - $$Volume\_CV\_20D = \frac{20日成交量标准差}{20日成交量均值}$$[55] - $$Turnover\_Mean\_20D = 20日换手率均值$$[55] 7. 波动率因子 - **因子构建思路**：通过不同模型的残差波动率和历史波动率衡量风险特征[55] - **因子具体构建过程**： - $$Volatility\_60D = 60日收益率标准差$$[55] - $$IV\_CAPM = CAPM模型残差波动率$$[55] - $$IV\_FF = Fama-French三因子模型残差波动率$$[55] - $$IV\_Carhart = Carhart四因子模型残差波动率$$[55] 8. 反转因子 - **因子构建思路**：通过不同时间窗口的收益率构建反转效应因子[55] - **因子具体构建过程**： - $$Price\_Chg20D = 20日收益率$$[55] - $$Price\_Chg40D = 40日收益率$$[55] - $$Price\_Chg60D = 60日收益率$$[55] - $$Price\_Chg120D = 120日收益率$$[55] 9. 可转债择券因子 - **因子构建思路**：从正股因子和转债估值两个维度构建可转债择券因子[50] - **因子具体构建过程**： - 正股一致预期因子：基于正股的一致预期指标[50] - 正股成长因子：基于正股的成长性指标[50] - 正股财务质量因子：基于正股的财务质量指标[50] - 正股价值因子：基于正股的估值指标[50] - 转债估值因子：使用平价底价溢价率衡量转债估值[50] 模型的回测效果 1. 宏观择时模型 - 2025年年初至今收益率：11.75%[41] - 同期Wind全A收益率：22.98%[41] - 9月份权益推荐仓位：75%[41] - 经济增长层面信号强度：100%[41] - 货币流动性层面信号强度：50%[41] 因子的回测效果 1. 大类因子IC均值与多空收益 - 质量因子：表现良好[45] - 量价类因子(低波和技术因子)：有所回暖[45] - 一致预期因子：有所承压[45] 2. 可转债择券因子 - 正股一致预期因子：取得正IC均值[50] - 正股财务质量因子：取得正IC均值[50] - 正股价值因子：取得正IC均值[50] - 转债估值因子：取得正IC均值[50]

量化模型与构建方式 1. 模型名称：主动偏股基金高频仓位测算模型；模型构建思路：以基金每日披露的净值序列为结果，利用带约束条件的多元回归模型，在基准或者构建的其他资产序列组成的自变量中寻找基金仓位的最优估计结果[64]；模型具体构建过程：以基金每日披露的净值序列为因变量，利用带约束条件的多元回归模型，在基准或构建的其他资产序列（自变量）中寻找基金仓位的最优估计结果。具体计算方式为，分别构建各只基金的模拟组合以提升仓位估算的准确程度，衡量主动偏股基金整体仓位的变动趋势，并进一步测算其在各行业赛道的最新投向偏好[64]；模型评价：该方法旨在解决公募基金仓位披露频率低的问题，为市场提供相对高频的仓位估算视角[64] 2. 模型名称：REITs系列指数；模型构建思路：为投资者提供一种基于指数化投资思想、利用REITs指数进行资产配置的新视角，构建完整的REITs系列指数以综合反映REITs市场表现，并提供衡量不同底层资产、项目类型的细分REITs指数[48]；模型具体构建过程：计算中采用分级靠档的方法以确保计算指数的份额保持相对稳定，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），采用除数修正法保证指数的连续性。考虑到REITs的高分红特性，均提供价格指数和全收益指数[48] 量化因子的构建方式 1. 因子名称：行业主题基金标签因子；因子构建思路：通过观察基金在近四期中报/年报的持仓信息判断其长期的行业主题标签，将基金的长期行业标签区别定义为行业主题基金、行业轮动基金和行业均衡基金，以支持投资者在资产配置、主题投资、产品选择上的多样化需求，同时构建行业主题基金指数作为衡量工具[37]；因子具体构建过程：基于基金在近四期（中报/年报）的持仓信息，判断并定义其长期的行业主题标签。具体标签类别包括行业主题基金、行业轮动基金和行业均衡基金。并据此构建相应的行业主题基金指数[37]；因子评价：该因子体系有助于识别和跟踪基金在不同运作期间呈现出的不同行业主题特征，为主题投资和产品选择提供支持[37] 模型的回测效果 1. 主动偏股基金高频仓位测算模型，本周仓位变动-0.27pcts[64] 因子的回测效果 1. 行业主题基金标签因子（TMT主题），本周涨跌幅2.56%[37] 2. 行业主题基金标签因子（新能源主题），本周涨跌幅2.07%[37] 3. 行业主题基金标签因子（国防军工主题），本周涨跌幅1.50%[37] 4. 行业主题基金标签因子（行业均衡主题），本周涨跌幅0.92%[37] 5. 行业主题基金标签因子（行业轮动主题），本周涨跌幅0.49%[37] 6. 行业主题基金标签因子（消费主题），本周涨跌幅-0.53%[37] 7. 行业主题基金标签因子（周期主题），本周涨跌幅-1.63%[37] 8. 行业主题基金标签因子（医药主题），本周涨跌幅-2.41%[37] 9. 行业主题基金标签因子（金融地产主题），本周涨跌幅-2.68%[37] 10. REITs指数系列（REITs综合指数），本周收益-0.16%，累计收益0.05%，年化收益0.01%，最大回撤-42.67%，夏普比率-0.14，年化波动10.63%[52] 11. REITs指数系列（产权类REITs指数），本周收益0.13%，累计收益16.08%，年化收益3.57%，最大回撤-46.13%，夏普比率0.16，年化波动13.15%[52] 12. REITs指数系列（特许经营权类REITs指数），本周收益-0.65%，累计收益-16.84%，年化收益-4.25%，最大回撤-40.74%，夏普比率-0.62，年化波动9.22%[52] 13. REITs指数系列（生态环保REITs指数），本周收益-4.11%，累计收益-11.90%，年化收益-2.94%，最大回撤-55.72%，夏普比率-0.28，年化波动15.74%[52] 14. REITs指数系列（交通基础设施REITs指数），本周收益-0.70%，累计收益-28.13%，年化收益-7.48%，最大回撤-41.29%，夏普比率-0.99，年化波动9.04%[52] 15. REITs指数系列（园区基础设施REITs指数），本周收益0.09%，累计收益-9.55%，年化收益-2.33%，最大回撤-52.07%，夏普比率-0.27，年化波动14.08%[52] 16. REITs指数系列（仓储物流REITs指数），本周收益0.27%，累计收益1.13%，年化收益0.27%，最大回撤-50.32%，夏普比率-0.08，年化波动15.85%[52] 17. REITs指数系列（能源基础设施REITs指数），本周收益-0.19%，累计收益13.27%，年化收益2.98%，最大回撤-18.41%，夏普比率0.14，年化波动10.25%[52] 18. REITs指数系列（保障性租赁住房REITs指数），本周收益-0.14%，累计收益13.34%，年化收益2.99%，最大回撤-33.34%，夏普比率0.12，年化波动12.59%[52] 19. REITs指数系列（消费基础设施REITs指数），本周收益-0.04%，累计收益52.31%，年化收益10.41%，最大回撤-8.32%，夏普比率0.82，年化波动10.87%[52] 20. REITs指数系列（市政设施REITs指数），本周收益0.45%，累计收益25.38%，年化收益5.47%，最大回撤-13.79%，夏普比率0.17，年化波动22.95%[52] 21. REITs指数系列（水利设施REITs指数），本周收益0.87%，累计收益28.82%，年化收益6.14%，最大回撤-13.60%，夏普比率0.29，年化波动16.12%[52] 22. REITs指数系列（新型基础设施REITs指数），本周收益1.32%，累计收益5.68%，年化收益1.31%，最大回撤-2.83%，夏普比率-0.01，年化波动15.33%[52]

量化模型与构建方式 1 模型名称：量能择时模型；模型构建思路：通过分析主要宽基指数的成交量变化来判断市场短期走势和交易情绪[12]；模型具体构建过程：监测各宽基指数（上证指数、上证50、沪深300、中证500、中证1000、创业板指、北证50）的量能变化，当量能收缩时发出谨慎（空）信号，当量能扩张时发出乐观信号[25]；模型评价：该模型能较快捕捉市场情绪变化，但对下跌市场的判断存在缺陷，难以有效规避下跌风险[26] 2 模型名称：沪深300上涨家数占比情绪指标；模型构建思路：通过计算指数成分股中近期取得正收益的个股数量占比来判断市场情绪[25]；模型具体构建过程：计算沪深300指数成分股过去N日（报告中N=230）收益大于0的个股数占比，公式为 $$沪深300指数N日上涨家数占比 = \frac{过去N日收益大于0的个股数}{沪深300指数成分股总数}$$[25][29]；模型评价：该指标可以较快捕捉上涨机会，但在市场过热阶段会提前止盈离场，错失持续上涨收益，且难以有效规避下跌风险[26] 3 模型名称：动量情绪指标择时模型；模型构建思路：通过对上涨家数占比指标进行不同窗口期的平滑处理来捕捉市场情绪的变动趋势[27]；模型具体构建过程：首先计算沪深300指数N日上涨家数占比，然后分别进行窗口期为N1（长窗口，N1=50）和N2（短窗口，N2=35）的移动平均，得到慢线和快线，当快线大于慢线时，看多沪深300指数[27][29]；模型评价：该模型通过双均线交叉捕捉趋势，能较好判断市场情绪拐点[27] 4 模型名称：均线情绪指标；模型构建思路：利用八条不同周期的均线构成体系，通过判断收盘价与均线系统的相对位置来评估市场趋势状态[33]；模型具体构建过程：计算沪深300收盘价的八条均线（参数为8, 13, 21, 34, 55, 89, 144, 233），统计当日收盘价大于各均线值的数量，当该数量超过5时，看多沪深300指数[34]；模型评价：该指标状态与沪深300的涨跌变化规律较为清晰[33] 5 模型名称：抱团基金分离度指标；模型构建思路：通过计算抱团基金组合截面收益的标准差来实时监控基金抱团程度[80]；模型具体构建过程：构建抱团基金组合，计算该组合截面收益的标准差，分离度值小说明抱团程度高，表现趋同；分离度值大说明抱团正在瓦解[80]；模型评价：该指标是基金抱团程度的有效代理变量[80] 量化因子的构建方式 1 因子名称：横截面波动率因子；因子构建思路：通过计算指数成分股收益率的横截面标准差来衡量市场分化程度和Alpha环境[39]；因子具体构建过程：对于特定指数（如沪深300、中证500、中证1000），每日计算其所有成分股收益率的横截面标准差，作为当日的横截面波动率值[39][40]；因子评价：该因子值高表明市场分化大，Alpha机会多；值低表明市场趋同，Alpha环境差[39] 2 因子名称：时间序列波动率因子；因子构建思路：通过计算指数成分股加权时间序列波动率来衡量市场整体波动水平和Alpha环境[41]；因子具体构建过程：对于特定指数，每日计算其所有成分股收益率的加权时间序列标准差，作为当日的时间序列波动率值[41][43]；因子评价：该因子值高表明市场波动大，Alpha机会多；值低表明市场波动小，Alpha环境差[41] 模型的回测效果 1 量能择时模型，截至2025年9月19日，对上证指数、上证50、沪深300、中证500、中证1000、创业板指、北证50均发出"空"信号[25] 2 动量情绪指标择时模型，截至2025年9月19日，快线仍处于慢线上方，维持看多观点[27] 3 均线情绪指标，截至2025年9月19日，沪深300指数处于情绪景气区间[34] 4 抱团基金分离度指标，截至2025年9月19日，分离度环比前一周小幅下降[80] 因子的回测效果 1 横截面波动率因子，近两年平均值：沪深300为1.88%，中证500为2.05%，中证1000为2.25%；近一年平均值：沪深300为1.96%，中证500为2.19%，中证1000为2.46%；近半年平均值：沪深300为1.83%，中证500为2.01%，中证1000为2.30%；近一季度平均值：沪深300为1.98%，中证500为2.12%，中证1000为2.37%[41] 2 时间序列波动率因子，近两年平均值：沪深300为0.64%，中证500为0.46%，中证1000为0.26%；近一年平均值：沪深300为0.67%，中证500为0.49%，中证1000为0.28%；近半年平均值：沪深300为0.59%，中证500为0.43%，中证1000为0.24%；近一季度平均值：沪深300为0.62%，中证500为0.44%，中证1000为0.24%[44]

量化模型与构建方式 1. 模型名称：风险溢价模型 - 模型构建思路：以十年期国债即期收益率为无风险利率参考，计算各宽基指数相对于无风险利率的风险溢价，衡量其相对投资价值和偏离情况[29] - 模型具体构建过程：风险溢价 = 指数收益率 - 十年期国债即期收益率[29][30][31] - 模型评价：各跟踪指数的风险溢价有明显的均值复归现象，中证1000和中证2000的风险溢价波动率相对较大[30] 2. 模型名称：股债性价比模型 - 模型构建思路：以各指数PE-TTM的倒数与十年期国债即期收益率之差作为股债性价比指标，观察其走势和投资价值[48] - 模型具体构建过程：股债性价比 = (1/PE-TTM) - 十年期国债即期收益率[48] 3. 模型名称：破净率分析模型 - 模型构建思路：通过市净率指标分析股票价格与每股净资产的关系，破净率反映市场估值态度[55][57] - 模型具体构建过程：破净率 = (市净率 < 1的股票数量) / 总股票数量[55][57] - 模型评价：破净数和占比越高，低估的情况越普遍；破净数及占比越低，可能表明市场对未来发展持乐观态度[57] 量化因子与构建方式 1. 因子名称：均线比较因子 - 因子构建思路：通过比较指数价格与不同周期移动平均线的关系，判断市场趋势和支撑阻力位[15] - 因子具体构建过程：计算指数收盘价与MA5、MA10、MA20、MA60、MA120、MA250的偏离幅度[17] $$偏离幅度 = (收盘价 - 移动平均价) / 移动平均价 × 100\%$$[17] 2. 因子名称：换手率因子 - 因子构建思路：通过计算各宽基指数的换手率，反映市场交易活跃度[19][20] - 因子具体构建过程：$$换手率 = Σ(成分股流通股本 × 成分股换手率) / Σ(成分股流通股本)$$[20] 3. 因子名称：收益分布形态因子 - 因子构建思路：通过分析日收益率的分布特征，包括峰度和偏度，反映市场收益分布形态[24][26] - 因子具体构建过程： - 峰度计算：$$Kurtosis = \frac{E[(X - μ)^4]}{(E[(X - μ)^2])^2} - 3$$（减去正态分布峰度3）[27] - 偏度计算：$$Skewness = \frac{E[(X - μ)^3]}{(E[(X - μ)^2])^{3/2}}$$[27] 4. 因子名称：PE-TTM估值因子 - 因子构建思路：使用滚动市盈率作为估值参考，衡量各指数在当前时点的投资价值[41][43] - 因子具体构建过程：PE-TTM = 总市值 / 最近12个月净利润[45][46] 5. 因子名称：股息率因子 - 因子构建思路：反映现金分红回报率，红利投资是一种投资风格[50] - 因子具体构建过程：股息率 = 年度现金分红 / 当前股价[55][56] 模型的回测效果 1. 风险溢价模型 - 近1年分位值：上证50(38.89%)、沪深300(49.60%)、中证500(28.57%)、中证1000(26.59%)、中证2000(23.41%)、中证全指(28.17%)、创业板指(43.25%)[32] - 近5年分位值：上证50(45.87%)、沪深300(54.52%)、中证500(31.75%)、中证1000(31.11%)、中证2000(24.21%)、中证全指(35.95%)、创业板指(47.62%)[32] 2. 股债性价比模型 - 当前状态：没有指数高于其80%分位，中证500低于其20%分位[48] 3. 破净率分析模型 - 当前破净率：上证50(26.0%)、沪深300(17.0%)、中证500(11.6%)、中证1000(7.4%)、中证2000(3.35%)、创业板指(1.0%)、中证全指(6.17%)[57] 因子的回测效果 1. 均线比较因子 - 当前vsMA5偏离：上证50(-0.9%)、沪深300(-0.4%)、中证500(-0.3%)、中证1000(-0.5%)、中证2000(-0.8%)、中证全指(-0.5%)、创业板指(-0.2%)[17] - 当前vsMA250偏离：上证50(8.2%)、沪深300(14.1%)、中证500(21.3%)、中证1000(19.4%)、中证2000(22.3%)、中证全指(17.6%)、创业板指(40.6%)[17] 2. 换手率因子 - 当前换手率：上证50(0.34)、沪深300(0.69)、中证500(2.4)、中证1000(3.06)、中证2000(4.56)、中证全指(2.09)、创业板指(3.28)[19] 3. 收益分布形态因子 - 当前峰度：上证50(2.82)、沪深300(3.58)、中证500(3.51)、中证1000(4.62)、中证2000(3.01)、中证全指(3.34)、创业板指(4.63)[27] - 当前偏度：上证50(2.11)、沪深300(2.28)、中证500(2.22)、中证1000(2.31)、中证2000(2.03)、中证全指(2.20)、创业板指(2.37)[27] 4. PE-TTM估值因子 - 当前值：上证50(11.57)、沪深300(13.97)、中证500(34.29)、中证1000(47.40)、中证2000(164.39)、中证全指(21.33)、创业板指(44.03)[46] - 近5年分位值：上证50(81.65%)、沪深300(81.57%)、中证500(99.75%)、中证1000(95.45%)、中证2000(86.45%)、中证全指(96.61%)、创业板指(59.50%)[45][46] 5. 股息率因子 - 当前值：上证50(3.37%)、沪深300(2.70%)、中证500(1.32%)、中证1000(1.11%)、中证2000(0.75%)、中证全指(1.99%)、创业板指(0.96%)[55] - 近5年分位值：上证50(38.26%)、沪深300(37.19%)、中证500(14.88%)、中证1000(44.46%)、中证2000(13.14%)、中证全指(34.96%)、创业板指(66.03%)[53][56]

量化模型与构建方式 1. 可转债随机森林策略 - **模型名称**：可转债随机森林策略[16][17] - **模型构建思路**：利用随机森林这一机器学习方法，以决策树为基础筛选出每期具有超额收益潜力的可转债标的，构建高胜率可转债择券策略[17] - **模型具体构建过程**：采用随机森林算法，通过多棵决策树进行集成学习，每棵树基于不同的样本和特征子集训练，最终通过投票或平均方式得到最终预测结果，用于筛选具有超额收益潜力的可转债标的[17] 2. 多维度择时模型 - **模型名称**：多维度择时模型[18][19] - **模型构建思路**：根据宏观、微观、中观信号将A股划分为9个状态，分别对应多空信号形成三维大周期择时信号，在此基础上叠加股指期货基差产生的衍生品信号，合成四维度非线性择时模型[18] - **模型具体构建过程**： 1. 宏观维度：从短期货币流动性、长端利率、信用、经济增长以及汇率五个维度刻画宏观环境运行状态[21] 2. 中观维度：通过行业景气指数构建，基于产业链系统分析追踪上下游行业部门，对行业进行财务指标分解，重构行业景气度追踪框架[27][30] 3. 微观维度：以估值、风险溢价、波动率以及流动性四类均值回复性较强的因子刻画各宽基指数的微观结构风险[35] 4. 衍生品维度：基于股指期货基差与指数自身的相关性趋势构建日频择时信号[43] 5. 信号合成：将四个维度的信号综合，形成最终的多维度择时信号[18][19] 3. 宏观Logit模型 - **模型名称**：宏观Logit模型[24][25] - **模型构建思路**：通过Logit回归模型对宏观环境状态进行预测[24] - **模型具体构建过程**：使用短期货币流动性、长端利率、信用、经济增长以及汇率五个维度的宏观变量，经过平稳化处理后，构建Logit回归模型来预测宏观环境状态[21][24] - **模型评价**：能够有效预测宏观环境变化，为择时策略提供宏观维度的信号支持[24] 4. 中观景气度2.0模型 - **模型名称**：中观景气度2.0模型[27][28] - **模型构建思路**：通过追踪行业主营业务的营收和成本情况来监控行业整体的景气度[27] - **模型具体构建过程**： 1. 基于产业链系统分析，追踪上下游行业部门[30] 2. 对行业进行财务指标分解，挖掘可追踪的重点指标[30] 3. 重构行业的景气度追踪框架[30] 4. 计算各行业景气指数后，按上证指数每日各行业市值权重加权合成新景气指数2.0[27] - **模型评价**：能够领先预测A股盈利扩张周期，有效反映行业景气变化[28][29] 5. 微观结构风险模型 - **模型名称**：微观结构风险模型[35][36] - **模型构建思路**：以估值、风险溢价、波动率以及流动性四类均值回复性较强的因子刻画各宽基指数的微观结构风险[35] - **模型具体构建过程**： 1. 估值：市盈率与市净率在过去5年中所处分位数的均值[36] 2. 风险溢价：ERP(ep-rf:市盈率倒数减去一年期定存利率)在过去5年中所处的分位数[36] 3. 波动率：50日波动率在过去5年中所处分位数[36] 4. 流动性：自由流通市值换手率在过去5年中所处分位数[36] 5. 结构风险因子：四因子等权相加[36] - **模型评价**：能够有效刻画市场微观结构风险，为择时策略提供微观维度的信号支持[36] 6. 行业轮动策略2.0 - **模型名称**：行业轮动策略2.0[68][69] - **模型构建思路**：通过信用及企业盈利构建经济四象限，开发多维度行业风格因子，构建适用于A股市场的行业轮动策略[68][69] - **模型具体构建过程**： 1. 构建经济四象限：[企业盈利上行，信用上行]、[企业盈利上行，信用下行]、[企业盈利下行，信用上行]、[企业盈利下行，信用下行][68] 2. 开发多维度行业风格因子：包括一致预期景气、超越预期盈利、龙头效应、行业估值泡沫、反转因子、动量因子、拥挤度、通胀beta[69] 3. 在四个经济象限分别对各因子进行有效性检验[69] 4. 基于因子轮动配置相应的高预期收益行业[69] - **模型评价**：宏观适配性强，覆盖行业多维度特性，能够实现有效的行业轮动[69][78] 7. ETF轮动策略 - **模型名称**：ETF轮动策略[78][79] - **模型构建思路**：将基于基本面轮动、质量低波、困境反转三维度行业轮动策略进行等权组合，实现因子与风格的互补[78] - **模型具体构建过程**： 1. 基本面轮动策略：使用超预期景气度、行业龙头效应、行业动量、拥挤度、通胀beta等因子[78] 2. 质量低波策略：聚焦个股质量与低波，防御性突出[78] 3. 困境反转策略：使用PB_zscore、分析师长期预期、短期筹码交换等因子捕捉估值修复与业绩反转机会[78] 4. 将三个策略等权组合，形成最终的ETF轮动策略[78] - **模型评价**：能够实现因子与风格的互补，降低单一策略的风险[78] 8. 遗传规划指数增强模型 - **模型名称**：遗传规划指数增强模型[88][93][97][102] - **模型构建思路**：使用遗传规划算法挖掘选股因子，构建指数增强组合[88][93][97][102] - **模型具体构建过程**： 1. 股票池：根据不同指数选择对应的成分股[88][93][97][102] 2. 训练集：2016年1月1日-2020年12月31日[88][93][97][102] 3. 因子挖掘：由遗传规划因子挖掘模型挖掘多个初始种群，经过多代多轮得到最终因子集合[88][93][97][102] 4. 策略：每周最后一个交易日选择模型得分最高的每个行业内的前10%的股票构建多头组合，以下周第一个交易日开盘价买入，周频调仓，交易成本为双边千三[88][93][97][102] - **模型评价**：能够有效挖掘具有预测能力的选股因子，实现稳定的超额收益[88][93][97][102] 量化因子与构建方式 1. Barra CNE6风格因子 - **因子名称**：Barra CNE6风格因子[45][46] - **因子构建思路**：包括9个一级风格因子和20个二级风格因子，通过计算各个风格因子近期收益，评估不同因子在近期市场中的表现[45] - **因子具体构建过程**：规模（市值、非线性市值）、波动性（BETA、残差波动率）、流动性（流动性）、动量（短期反转、季节、行业动量、动量）、质量（杠杆、盈利变动率、盈利质量、盈利能力、投资质量）、价值（价值、盈利、长期反转）、成长（成长）、分析师预期（分析师预期）、红利（红利）[45] 2. 行业轮动因子 - **因子名称**：行业轮动因子[55][57] - **因子构建思路**：通过多维度行业风格因子构建行业轮动策略[55][57] - **因子具体构建过程**：包括一致预期行业景气度、超越预期盈利、龙头效应、北向资金、估值beta、动量因子、反转因子、拥挤度等因子[57] 模型的回测效果 1. 可转债随机森林策略 - 本周超额收益：0.64%[16] 2. 多维度择时模型 - 最新信号：多头（1）[19] 3. 宏观Logit模型 - 最新预测值：0.919[24][25] 4. 中观景气度2.0模型 - 当前景气指数：0.913[28][31] - 剔除大金融板块景气指数：1.288[28][31] 5. 行业轮动策略2.0 - 无剔除版年化超额收益：9.44%[71] - 双剔除版年化超额收益：10.14%[71] 6. ETF轮动策略 - 年化超额收益率：12.84%[82] - 夏普率：0.89[82] - 今年以来超额收益率：14.34%[82] 7. 遗传规划指数增强模型 沪深300指数增强 - 年化超额收益率：17.91%[91][92] - 夏普率：1.05[91][92] - 今年以来超额收益率：-4.35%[91][92] - 本周收益率：-1.14%[91] - 本周超额收益率：-0.70%[91] 中证500指数增强 - 年化超额收益率：11.78%[95] - 夏普率：0.85[95] - 今年以来超额收益率：-2.92%[95] - 本周收益率：-0.41%[95] - 本周超额收益率：-0.73%[95] 中证1000指数增强 - 年化超额收益率：17.97%[98][99] - 夏普率：0.93[98][99] - 今年以来超额收益率：-1.80%[98][99] - 本周收益率：-1.01%[98] - 本周超额收益率：-1.22%[98] 中证全指指数增强 - 年化超额收益率：24.84%[103] - 夏普率：1.33[103] - 今年以来超额收益率：11.36%[103] - 本周收益率：-0.27%[103] - 本周超额收益率：-0.09%[103] 因子的回测效果 1. Barra CNE6风格因子 - 2025年9月15日至2025年9月19日：规模因子表现较好，波动性因子表现较差[46] - 本月（9月以来）：波动性因子表现较好[46] - 最近一年：动量（反转）因子和波动性因子表现较好[46] 2. 行业轮动因子 - 一致预期行业景气度月收益率：0.40%[57] - 超越预期盈利月收益率：-0.21%[57] - 龙头效应月收益率：-1.18%[57] - 北向资金月收益率：0.63%[57] - 估值beta月收益率：2.37%[57] - 动量因子月收益率：-0.95%[57] - 反转因子月收益率：0.95%[57] - 拥挤度月收益率：0.15%[57]

量化模型与构建方式 1. 扩散指数行业轮动模型 - **模型名称**：扩散指数行业轮动模型[25][26] - **模型构建思路**：基于价格动量原理，通过计算行业扩散指数来捕捉行业趋势，选择扩散指数排名靠前的行业进行配置[26][38] - **模型具体构建过程**： 1. 选取中信一级行业作为标的[27] 2. 计算每个行业的扩散指数，扩散指数反映了行业价格趋势的强度[27] 3. 定期（如月度）选择扩散指数排名前六的行业作为配置组合[26][30] 4. 具体配置行业根据最新扩散指数值确定，例如2025年9月配置行业为综合、有色金属、通信、银行、传媒、商贸零售[26][30] 2. GRU因子行业轮动模型 - **模型名称**：GRU因子行业轮动模型[33][34] - **模型构建思路**：基于分钟频量价数据，通过GRU（门控循环单元）深度学习网络生成行业因子，捕捉交易信息中的规律进行行业轮动[34][38] - **模型具体构建过程**： 1. 使用分钟频量价数据作为输入[38] 2. 通过GRU深度学习网络处理数据，生成每个行业的GRU因子值[34][38] 3. GRU因子值反映了行业短期的动量或交易信号[34] 4. 定期（如周度）选择GRU因子排名靠前的行业作为配置组合，例如调入煤炭、调出房地产[36] 模型的回测效果 1. 扩散指数行业轮动模型 - 2025年以来超额收益：2.76%[25][30] - 2025年9月以来超额收益：-1.88%[30] - 本周超额收益：-1.41%[30] 2. GRU因子行业轮动模型 - 2025年以来超额收益：-7.78%[33][36] - 2025年9月以来超额收益：-0.10%[36] - 本周超额收益：-0.38%[36] 量化因子与构建方式 1. 行业扩散指数因子 - **因子名称**：行业扩散指数[27] - **因子构建思路**：通过计算行业价格数据的扩散指数，衡量行业趋势强度[27] - **因子具体构建过程**： 1. 获取中信一级行业的价格数据[27] 2. 计算每个行业的扩散指数值，具体计算方法未详细说明，但扩散指数值介于0到1之间，值越高表示趋势越强[27] 3. 例如，截至2025年9月19日，有色金属行业的扩散指数为0.978，银行行业为0.968[27] 2. GRU行业因子 - **因子名称**：GRU行业因子[34] - **因子构建思路**：基于GRU深度学习网络处理分钟频量价数据，生成代表行业短期动量的因子[34][38] - **因子具体构建过程**： 1. 输入分钟频量价数据到GRU网络[38] 2. 网络输出每个行业的GRU因子值，值越高表示行业动量越强[34] 3. 例如，截至2025年9月19日，有色金属行业的GRU因子值为7.4，石油石化行业为5.38[34] 因子的回测效果 （注：报告中未提供因子的独立回测指标，如IC、IR等，仅提供了基于因子构建的模型回测结果）

量化因子与构建方式 1. 因子名称：成长风格因子；因子构建思路：通过国证成长指数与万得全A指数的相对表现来捕捉成长风格相对于市场的超额收益[25][26]；因子具体构建过程：以2016年1月4日为基准日，计算国证成长指数的每日收盘点数除以基准日收盘点数得到累计净值，再将此累计净值除以同一交易日的万得全A指数累计净值，得到成长风格相对于万得全A的累计超额净值[122]；因子评价：成长风格拥挤度及超额净值持续处于历史低位[2][35] 2. 因子名称：红利风格因子；因子构建思路：通过中证红利指数与万得全A指数的相对表现来捕捉红利风格相对于市场的超额收益[25][26]；因子具体构建过程：以2016年1月4日为基准日，计算中证红利指数的每日收盘点数除以基准日收盘点数得到累计净值，再将此累计净值除以同一交易日的万得全A指数累计净值，得到红利风格相对于万得全A的累计超额净值[122]；因子评价：红利风格拥挤度近期处于历史较低位置[2][35] 3. 因子名称：小盘风格因子；因子构建思路：通过巨潮小盘指数与万得全A指数的相对表现来捕捉小盘风格相对于市场的超额收益[25][26]；因子具体构建过程：以2016年1月4日为基准日，计算巨潮小盘指数的每日收盘点数除以基准日收盘点数得到累计净值，再将此累计净值除以同一交易日的万得全A指数累计净值，得到小盘风格相对于万得全A的累计超额净值[122]；因子评价：小盘风格超额净值及拥挤度均处于历史低位[2][39] 4. 因子名称：大盘风格因子；因子构建思路：通过巨潮大盘指数与万得全A指数的相对表现来捕捉大盘风格相对于市场的超额收益[25][26]；因子具体构建过程：以2016年1月4日为基准日，计算巨潮大盘指数的每日收盘点数除以基准日收盘点数得到累计净值，再将此累计净值除以同一交易日的万得全A指数累计净值，得到大盘风格相对于万得全A的累计超额净值[122]；因子评价：大盘风格拥挤度近期上升至历史高位[2][39] 5. 因子名称：微盘股因子；因子构建思路：通过万得微盘股指数与万得全A指数的相对表现来捕捉微盘股风格相对于市场的超额收益[25][26]；因子具体构建过程：以2016年1月4日为基准日，计算万得微盘股指数的每日收盘点数除以基准日收盘点数得到累计净值，再将此累计净值除以同一交易日的万得全A指数累计净值，得到微盘股风格相对于万得全A的累计超额净值[122]；因子评价：微盘股拥挤度下降至历史低位[2][41] 6. 因子名称：基金重仓因子；因子构建思路：通过基金重仓指数与万得全A指数的相对表现来捕捉基金重仓风格相对于市场的超额收益[25][26]；因子具体构建过程：以2016年1月4日为基准日，计算基金重仓指数的每日收盘点数除以基准日收盘点数得到累计净值，再将此累计净值除以同一交易日的万得全A指数累计净值，得到基金重仓风格相对于万得全A的累计超额净值[122]；因子评价：基金重仓超额累计净值持续处于历史低位，拥挤度近期上行至历史高位[2][41] 7. 因子名称：动量因子；因子构建思路：以最近一年股票收益率减去最近一个月股票收益率（剔除涨停板）作为动量指标，综合选择A股市场中动量特征强且流动性相对较高的股票[28]；因子具体构建过程：使用长江动量指数，该指数选取动量特征强且流动性高的前100只股票作为成分股[28] 8. 因子名称：反转因子；因子构建思路：以最近一个月股票收益率作为筛选指标，综合选择A股市场中反转效应强、流动性较好的股票[28]；因子具体构建过程：使用长江反转指数，该指数选取反转效应强且流动性好的前100只股票作为成分股，并采用成分股近三个月日均成交量进行加权[28] 9. 因子名称：风格拥挤度因子；因子构建思路：衡量各风格指数的交易活跃度相对于历史水平的位置[35][121]；因子具体构建过程：将各风格指数的近63个交易日（近一个季度）的日均换手率在历史时间序列上进行z-score标准化并与万得全A的结果作差，最后计算该差值的滚动6年分位值（历史数据量满1年且不足6年时，以全部历史数据进行计算）[121]；计算公式：$$拥挤度分位值 = Percentile_{6y}(Z(风格指数换手率_{63d}) - Z(万得全A换手率_{63d}))$$ 10. 因子名称：机构调研活跃度因子；因子构建思路：衡量各板块、指数、行业的机构调研活跃程度相对于历史水平的位置[103][123]；因子具体构建过程：分为长期和短期两个口径。长期口径：将板块（指数、行业）的近126个交易日（近半年）的"日均机构调研次数"在滚动6年的历史时间序列上进行z-score标准化并与万得全A的结果作差得到"机构调研活跃度"，最后计算其滚动6年历史分位数（历史数据量满3年且不足6年时，以全部历史数据进行计算）。短期口径：将板块（指数、行业）的近63个交易日（近一季度）的"日均机构调研次数"在滚动3年的历史时间序列上进行z-score标准化并与万得全A的结果作差得到"机构调研活跃度"，最后计算其滚动3年历史分位数（历史数据量满1年且不足3年时，以全部历史数据进行计算）[123]；计算公式：$$机构调研活跃度 = Z(日均机构调研次数_{n}) - Z(万得全A日均机构调研次数_{n})$$，其中n取126（长期）或63（短期） 11. 因子名称：估值因子（PE_TTM）；因子构建思路：使用市盈率（TTM）衡量股票估值水平[60][67]；因子具体构建过程：计算指数或行业的市盈率（TTM），并计算其在2010年1月1日至今时间区间内的历史分位值[60][69] 12. 因子名称：股债性价比因子（erp）；因子构建思路：通过风险溢价指标erp衡量配置权益资产的相对性价比[71][80]；因子具体构建过程：计算指数erp = 1/指数PE_TTM – 10年期中债国债到期收益率，并计算其在2010年1月1日至今时间区间内的历史分位值[71][80]；计算公式：$$erp = \frac{1}{PE\_TTM} - R_{10y国债}$$ 因子的回测效果 1. 成长风格因子，近一周超额收益2.6%[25]，近一月超额收益12.4%[25]，年初至今超额收益25.8%[25]，拥挤度历史分位15%[35] 2. 红利风格因子，近一周超额收益-1.1%[26]，近一月超额收益-2.3%[26]，年初至今超额收益-2.0%[26]，拥挤度历史分位30%[35] 3. 小盘风格因子，近一周超额收益0.6%[26]，近一月超额收益4.1%[26]，年初至今超额收益24.8%[26]，拥挤度历史分位41%[35] 4. 大盘风格因子，近一周超额收益-0.5%[26]，近一月超额收益2.7%[26]，年初至今超额收益14.3%[26]，拥挤度历史分位88%[35] 5. 微盘股因子，近一周超额收益-1.4%[26]，近一月超额收益-2.4%[26]，年初至今超额收益56.5%[26]，拥挤度历史分位10%[35] 6. 基金重仓因子，近一周超额收益0.6%[26]，近一月超额收益4.2%[26]，年初至今超额收益24.3%[26]，拥挤度历史分位90%[35] 7. 动量因子，近一周超额收益0.9%[26]，近一月超额收益-1.3%[26]，年初至今超额收益37.1%[26] 8. 反转因子，近一周超额收益1.6%[26]，近一月超额收益2.3%[26]，年初至今超额收益13.1%[26] 9. 成长较红利因子，近一周超额收益2.6%[25]，近一月超额收益12.4%[25]，年初至今超额收益25.8%[25] 10. 小盘较大盘因子，近一周超额收益1.1%[25]，近一月超额收益1.4%[25]，年初至今超额收益10.5%[25] 11. 微盘股较基金重仓因子，近一周超额收益-2.0%[25]，近一月超额收益-6.6%[25]，年初至今超额收益32.2%[25] 12. 动量较反转因子，近一周超额收益-0.6%[25]，近一月超额收益-3.6%[25]，年初至今超额收益24.0%[25]

量化模型与构建方式 1 **模型名称**：攻守兼备红利50组合[15] **模型构建思路**：结合红利与质量因子，在红利策略基础上融入质量维度，追求防御性与成长性的平衡[13][15] **模型具体构建过程**： - 选股逻辑：自上而下筛选行业与主题核心逻辑，从基本面因子库中筛选有效选股因子[13] - 因子选择：结合红利因子（如股息率）和质量因子（如盈利能力、财务稳健性）[16][19] - 组合构建：最终选定50只股票，风格偏向攻守兼备[15] 2 **模型名称**：央国企高分红30组合[15] **模型构建思路**：聚焦央国企高分红个股，强调稳健性与股息收益[15] **模型具体构建过程**： - 选股范围：中央企业与国有企业[19] - 核心因子：股息率、分红稳定性[19] - 组合构建：最终选定30只股票，风格偏向稳健+成长[15] 3 **模型名称**：电子均衡配置增强组合[15] **模型构建思路**：在电子板块内进行均衡配置，分散细分赛道风险[15] **模型具体构建过程**： - 选股范围：电子行业全赛道[25] - 配置方式：均衡分配权重，避免过度集中[33] - 调仓频率：月度调仓[37] 4 **模型名称**：电子板块优选增强组合[15] **模型构建思路**：聚焦电子板块成熟期细分赛道的龙头企业[15] **模型具体构建过程**： - 选股范围：电子行业中迈入成熟期的细分赛道[15] - 选股标准：龙头企业，具备行业地位与稳定盈利能力[15] - 调仓频率：月度调仓[37] 模型的回测效果 1 **攻守兼备红利50组合**，周度收益未披露，年初至今超额收益4.00%[7][22] 2 **央国企高分红30组合**，周度收益未披露，年初至今收益未披露[7] 3 **电子均衡配置增强组合**，周度收益未披露，跑输电子行业指数[7][33] 4 **电子板块优选增强组合**，周度收益未披露，跑输电子行业指数[7][33] 量化因子与构建方式 1 **因子名称**：红利因子[16][19] **因子构建思路**：基于股息率与分红稳定性，筛选高分红个股[16][19] **因子具体构建过程**： - 核心指标：股息率、分红历史[19] - 应用方式：在红利策略中作为基础选股标准[16] 2 **因子名称**：质量因子[16][19] **因子构建思路**：引入盈利能力、财务稳健性等指标，提升组合质量[16][19] **因子具体构建过程**： - 核心指标：ROE、资产负债率、盈利稳定性[19] - 应用方式：在红利策略中作为增强选股标准[16] 因子的回测效果 1 **红利因子**，周度收益-1.11%（中证红利指数）[19] 2 **质量因子**，周度收益0.88%（中证红利质量指数）[19]

第二批科创债 ETF 集中成立，A500 增强工具持续扩容 —— 量化市场追踪周报（2025W38） [Table_ReportTime] 2025 年 9 月 21 日 请阅读最后一页免责声明及信息披露 http://www.cindasc.com 1 [Table_ReportType] 金工点评报告 [Table_Author] 于明明 金融工程与金融产品 首席分析师 执业编号：S1500521070001 联系电话：+86 18616021459 邮 箱：yumingming@cindasc.com 吴彦锦 金融工程与金融产品 分析师 执业编号：S1500523090002 联系电话：+86 18616819227 邮 箱：wuyanjin@cindasc.com 周君睿 金融工程与金融产品 分析师 执业编号：S1500523110005 联系电话：+86 19821223545 邮 箱：zhoujunrui@cindasc.com [Table_Title] 量化市场追踪周报(2025W38)：第二批科创债 ETF 集中成立，A500 增强工具持续扩容 证券研究报告 金工研究 [Table_Repo ...

量化模型与构建方式 1 模型名称：三维择时框架[8][12][13][17]；模型构建思路：基于市场分歧度、流动性和景气度三个维度构建择时模型，判断市场整体走势[8][12]；模型具体构建过程：首先分别构建分歧度指数、流动性指数和景气度指数，然后综合三个指数的趋势变化进行择时判断，当流动性处于下行趋势、分歧度扩大、景气度回升时判断为震荡下跌[8][12][13][17] 2 模型名称：ETF热点趋势策略[28][29][30]；模型构建思路：根据ETF价格形态和市场关注度筛选热点ETF构建投资组合[28]；模型具体构建过程：先选出最高价与最低价同时为上涨形态的ETF，再根据最高价与最低价近20日回归系数的相对陡峭程度构建支撑阻力因子，最后选择因子多头组中近5日换手率/近20日换手率最高的10只ETF构建风险平价组合[28] 3 模型名称：资金流共振策略[32][35][38]；模型构建思路：监控融资融券与大单资金的共振效应，选择两类资金都看好的行业[32][35]；模型具体构建过程：定义行业融资融券资金因子为barra市值因子中性化后的融资净买入-融券净买入（个股加总），取最近50日均值后的两周环比变化率；定义行业主动大单资金因子为行业最近一年成交量时序中性化后的净流入排序，并取最近10日均值；在主动大单因子的头部打分内做融资融券因子的剔除，提高策略稳定性[35] 模型的回测效果 1 三维择时框架，无具体指标值提供[8][12][13][17] 2 ETF热点趋势策略，无具体指标值提供[28][29][30] 3 资金流共振策略，年化超额收益13.5%，信息比率1.7[35] 量化因子与构建方式 1 因子名称：风格因子系列[40][41]；因子构建思路：从多个维度刻画股票市场风格特征[40]；因子具体构建过程：包括size（市值）、beta（贝塔）、momentum（动量）、volatility（波动率）、nlsize（非线性市值）、value（估值）、liquidity（流动性）、earnings_yield（盈利收益率）、growth（成长性）、leverage（杠杆）等因子，均采用标准化的因子构建方法[40][41] 2 因子名称：Alpha因子系列[44][46]；因子构建思路：从多维度观察不同因子的表现趋势[43]；因子具体构建过程：包括io_to_float_a_share（基金总持股数占个股流通股比值）、top_ten_mean_stkvaluetonav（重仓股数占净值均值）、mom_1y_1m（1年-1个月的收益率）、top_ten_io_to_float_a_share（重仓股数占个股流通股比值）等因子，除规模因子外均进行市值、行业中性化处理，规模因子进行行业中性化处理[43][44][46] 3 因子名称：研发类因子[46][47][48]；因子构建思路：衡量公司在研发投入方面的强度[46][48]；因子具体构建过程：包括tot_rd_ttm_to_sales（研发销售收入占比）$$tot\_rd\_ttm\_to\_sales = \frac{研发支出_{TTM}}{营业收入_{TTM}}$$、tot_rd_ttm_to_assets（研发总资产占比）$$tot\_rd\_ttm\_to\_assets = \frac{研发支出_{TTM}}{总资产}$$、tot_rd_ttm_to_equity（研发净资产占比）$$tot\_rd\_ttm\_to\_equity = \frac{研发支出_{TTM}}{净资产}$$[46][48] 因子的回测效果 1 风格因子系列，最近一周收益：size 1.46%、beta 2.19%、momentum 0.27%、volatility 0.50%、nlsize 1.02%、value -1.42%、liquidity 1.32%、earnings_yield -0.60%、growth 1.51%、leverage -0.64%[41] 2 Alpha因子系列，最近一周多头超额：io_to_float_a_share 1.32%、top_ten_mean_stkvaluetonav 1.00%、mom_1y_1m 0.94%、top_ten_io_to_float_a_share 0.92%[46] 3 研发类因子，最近一周不同指数下的多头超额：沪深300中 tot_rd_ttm_to_sales 36.52%、tot_rd_ttm_to_assets 37.87%、tot_rd_ttm_to_equity 22.20%；中证500中 tot_rd_ttm_to_sales 29.00%、tot_rd_ttm_to_assets 25.27%、tot_rd_ttm_to_equity 27.87%；中证1000中 tot_rd_ttm_to_sales 39.13%、tot_rd_ttm_to_assets 36.26%、tot_rd_ttm_to_equity 27.81%[48]