量化模型与构建方式 1. **模型名称：港股精选组合模型**[13][15] * **模型构建思路**：基于分析师推荐事件构建股票池，然后从基本面和技术面两个维度对股票池中的股票进行精选，构建投资组合[13][15]。 * **模型具体构建过程**： 1. **构建分析师推荐股票池**：以三种分析师推荐事件作为信号源构建初始股票池，包括：分析师上调盈利预测、分析师首次关注、分析师研报标题出现“超预期”[15]。 2. **基本面和技术面精选**：对上述股票池中的股票，从基本面和技术面两个维度进行筛选，挑选出同时具备基本面支撑和技术面共振的股票[15]。 * **模型评价**：该模型旨在捕捉分析师推荐与市场技术走势共振带来的超额收益机会[15]。 2. **模型名称：平稳创新高股票筛选模型**[20][22][23] * **模型构建思路**：从近期创出股价新高的股票中，通过多维度条件（如分析师关注度、股价强度、价格路径平稳性等）筛选出趋势更为稳健、持续性更强的“平稳创新高”股票[2][20][22]。 * **模型具体构建过程**： 1. **初始股票池**：全部港股，剔除成立时间不超过15个月的股票[23]。 2. **创新高筛选**：选取过去20个交易日内曾创出250日新高的股票[2][22]。 3. **多维度条件筛选**：在步骤2的股票池中，依次应用以下筛选条件[22][23]： * **分析师关注度**：过去6个月内，获得“买入”或“增持”评级的分析师研报不少于5份[23]。 * **股价相对强弱**：过去250日涨跌幅位于全部港股样本池的前20%[23]。 * **股价平稳性**：在满足上述条件的股票中，使用以下两个指标综合打分，选取排名前50%的股票（最少取50只）[23]： * **价格路径平滑性（位移路程比）**：$$价格路径平滑性 = \frac{过去120日涨跌幅绝对值}{过去120日日涨跌幅绝对值加总}$$[22] * **创新高持续性**：过去120日的“250日新高距离”在时间序列上的均值[23]。 * **趋势延续性**：对经过上述筛选的股票，计算其过去5日的“250日新高距离”在时间序列上的均值，并选取排序靠前的50只股票作为最终输出[23]。 * **核心指标计算**：模型中使用“250日新高距离”来衡量股价创新高情况，计算公式为：$$250日新高距离 = 1 - \frac{Close_t}{ts\_max(Close, 250)}$$ 其中，$Close_t$为最新收盘价，$ts\_max(Close, 250)$为过去250个交易日收盘价的最大值。该值越接近0，表示股价越接近历史高点[22]。 模型的回测效果 1. **港股精选组合模型**[15][18][19] * **回测区间**：2010年1月1日至2025年12月31日[15] * **绝对收益（年化）**：19.08%[15] * **超额收益（年化，相对恒生指数）**：18.06%[15] * **信息比率（IR）**：1.19[19] * **跟踪误差**：14.60%[19] * **最大回撤**：23.73%[19] * **收益回撤比**：0.76[19] 量化因子与构建方式 1. **因子名称：250日新高距离**[20][22] * **因子构建思路**：衡量当前股价相对于过去一段时间内最高价的回落幅度，用于识别股价是否创出新高以及创新高后的回调程度[20][22]。 * **因子具体构建过程**： * 计算过去250个交易日（约一年）收盘价的最大值：$MaxClose_{250} = ts\_max(Close, 250)$[22]。 * 使用最新收盘价$Close_t$与上述最大值进行比较，计算公式为：$$250日新高距离 = 1 - \frac{Close_t}{MaxClose_{250}}$$[22] * **因子解释**：若最新收盘价创出新高，则因子值为0；若股价从高点回落，则因子值为正，数值越大表示回落幅度越大[22]。 2. **因子名称：价格路径平滑性（位移路程比）**[22][23] * **因子构建思路**：通过比较一段时间内的累计涨跌幅（位移）与每日涨跌幅绝对值之和（路程），来衡量股价上涨或下跌过程的流畅度与波动性。比值越高，表明路径越平滑，趋势性越强[22][23]。 * **因子具体构建过程**： * 计算过去120个交易日的累计涨跌幅绝对值：$|R_{120}|$[22]。 * 计算过去120个交易日每日涨跌幅的绝对值之和：$\sum_{i=1}^{120} |r_i|$[22]。 * 计算公式为：$$价格路径平滑性 = \frac{|R_{120}|}{\sum_{i=1}^{120} |r_i|}$$[22] * **因子解释**：该因子值介于0和1之间。值越接近1，说明股价在120日内几乎呈单边上涨或下跌，路径平滑，波动小；值越小，说明期间股价反复震荡，路径曲折[22]。 因子的回测效果 （报告中未提供单个因子的独立测试结果，如IC、IR、多空收益等，因此此部分无相关内容）

量化模型与构建方式 1. **模型名称：进取组合**；模型构建思路：基于多因子模型构建的积极型投资组合[7]；模型具体构建过程：报告未详细说明具体因子构成和加权方式，仅表明其为多因子模型下的“进取”风格组合[10][11] 2. **模型名称：平衡组合**；模型构建思路：基于多因子模型构建的平衡型投资组合[7]；模型具体构建过程：报告未详细说明具体因子构成和加权方式，仅表明其为多因子模型下的“平衡”风格组合[10][11] 3. **模型名称：沪深300指数增强组合**；模型构建思路：在沪深300指数成分股内，通过量化模型优选股票，旨在获取超越基准的超额收益[5][9]；模型具体构建过程：报告未详细说明具体的增强模型（如多因子模型、优化器约束等）[13][15] 4. **模型名称：中证500指数增强组合**；模型构建思路：在中证500指数成分股内，通过量化模型优选股票，旨在获取超越基准的超额收益[5][9]；模型具体构建过程：报告未详细说明具体的增强模型[13][15] 5. **模型名称：中证1000指数增强组合**；模型构建思路：在中证1000指数成分股内，通过量化模型优选股票，旨在获取超越基准的超额收益[5][9]；模型具体构建过程：报告未详细说明具体的增强模型[13][15] 6. **模型名称：绩优基金的独门重仓股组合**；模型构建思路：选取绩优基金持有的非主流重仓股（独门重仓股）构建组合，旨在获取基金经理的Alpha[5][9]；模型具体构建过程：报告未详细说明绩优基金的筛选标准、独门重仓股的定义及组合构建方法[28] 7. **模型名称：盈利、增长、现金流三者兼优组合**；模型构建思路：筛选在盈利能力、增长能力和现金流质量三个维度均表现优异的股票构建组合[7][30]；模型具体构建过程：报告未详细说明具体筛选指标（如ROE、营收增长率、经营性现金流等）及阈值[30] 8. **模型名称：PB-盈利优选组合**；模型构建思路：结合低市净率（PB）与高盈利能力的股票筛选逻辑，构建有基本面支撑的低估值组合[5][33]；模型具体构建过程：报告未详细说明PB与盈利指标（如ROE、净利润率）的具体结合方式（如排序打分、复合因子等）[33][36] 9. **模型名称：GARP组合**；模型构建思路：采用GARP（Growth at a Reasonable Price）策略，寻找价格合理的成长股[9][38]；模型具体构建过程：报告未详细说明具体的成长指标（如PEG）和估值指标的构建方法[38] 10. **模型名称：小盘价值优选组合1**；模型构建思路：在小市值股票中，优选具备价值特征的股票构建组合[7][39]；模型具体构建过程：报告未详细说明小盘和价值的具体定义及筛选方法[39] 11. **模型名称：小盘价值优选组合2**；模型构建思路：在小市值股票中，采用另一套价值优选逻辑构建组合[9][42]；模型具体构建过程：报告未详细说明与“组合1”差异化的具体构建方法[42] 12. **模型名称：小盘成长组合**；模型构建思路：在小市值股票中，优选具备高成长特征的股票构建组合[7][43]；模型具体构建过程：报告未详细说明小盘和成长的具体定义及筛选方法[43] 量化因子与构建方式 1. **因子名称：市值因子**；因子构建思路：基于股票的总市值或流通市值构建，通常认为小市值股票存在溢价[47]；因子具体构建过程：报告未给出具体计算公式，通常使用股票总市值的自然对数或分位数排名。多头组合为市值最小的10%股票，空头组合为市值最大的10%股票[47] 2. **因子名称：PB因子**；因子构建思路：基于市净率构建，衡量股票的估值水平[47]；因子具体构建过程：报告未给出具体计算公式，通常使用股价除以每股净资产。多头组合为PB最高的10%股票（高估值），空头组合为PB最低的10%股票（低估值）[47] 3. **因子名称：PE_TTM因子**；因子构建思路：基于滚动市盈率构建，衡量股票的估值水平[47]；因子具体构建过程：报告未给出具体计算公式，通常使用股价除以最近四个季度的每股收益之和。多头组合为PE_TTM最高的10%股票（高估值），空头组合为PE_TTM最低的10%股票（低估值）[47] 4. **因子名称：反转因子**；因子构建思路：基于股票过去一段时间的收益率构建，认为过去表现差的股票未来可能反弹，过去表现好的股票未来可能回调[51]；因子具体构建过程：报告未给出具体计算公式和回溯期。多头组合为过去一段时间收益率最低的10%股票，空头组合为收益率最高的10%股票[51] 5. **因子名称：换手率因子**；因子构建思路：基于股票的换手率构建，通常认为低换手率股票未来表现更优[51]；因子具体构建过程：报告未给出具体计算公式和计算窗口。多头组合为换手率最低的10%股票，空头组合为换手率最高的10%股票[51] 6. **因子名称：波动率因子**；因子构建思路：基于股票价格的波动率构建，通常认为低波动率股票风险调整后收益更优[51]；因子具体构建过程：报告未给出具体计算公式（如历史收益标准差）和计算窗口。多头组合为波动率最低的10%股票，空头组合为波动率最高的10%股票[51] 7. **因子名称：ROE因子**；因子构建思路：基于净资产收益率构建，衡量公司的盈利能力[56]；因子具体构建过程：报告未给出具体计算公式（如净利润/净资产）。多头组合为ROE最高的10%股票，空头组合为ROE最低的10%股票[56] 8. **因子名称：SUE因子**；因子构建思路：基于标准化未预期盈余构建，衡量公司盈利超出市场预期的程度[56]；因子具体构建过程：报告未给出具体计算公式。通常公式为 $$SUE = \frac{(EPS_{实际} - EPS_{预期})}{\sigma(EPS_{预期})}$$，其中EPS_实际为报告期每股收益，EPS_预期为市场一致预期，σ为预期标准差。多头组合为SUE最高的10%股票，空头组合为SUE最低的10%股票[56] 9. **因子名称：预期净利润调整因子**；因子构建思路：基于分析师对净利润预测的调整幅度构建，反映基本面预期的变化[56]；因子具体构建过程：报告未给出具体计算公式。通常计算近期分析师净利润预测上调幅度。多头组合为预期净利润上调幅度最大的10%股票，空头组合为下调幅度最大的10%股票[56] 模型的回测效果 （数据期间：2026年3月20日至2026年3月27日（周）、2026年2月27日至2026年3月27日（月）、2025年12月31日至2026年3月27日（年））[9] 1. **进取组合**，周绝对收益率2.27%，周超额收益（vs 中证500）2.56%，月绝对收益率-7.95%，月超额收益2.68%，年绝对收益率11.96%，年超额收益8.32%，年跟踪误差23.54%，年最大相对回撤6.14%[9] 2. **平衡组合**，周绝对收益率1.12%，周超额收益（vs 中证500）1.41%，月绝对收益率-7.46%，月超额收益3.18%，年绝对收益率9.87%，年超额收益6.22%，年跟踪误差19.41%，年最大相对回撤4.99%[9] 3. **沪深300增强组合**，周绝对收益率-0.66%，周超额收益（vs 沪深300）0.75%，月绝对收益率-6.60%，月超额收益-2.18%，年绝对收益率2.53%，年超额收益5.28%，年跟踪误差7.52%，年最大相对回撤4.04%[9] 4. **中证500增强组合**，周绝对收益率-0.47%，周超额收益（vs 中证500）-0.18%，月绝对收益率-9.74%，月超额收益0.90%，年绝对收益率3.06%，年超额收益-0.58%，年跟踪误差7.40%，年最大相对回撤3.17%[9] 5. **中证1000增强组合**，周绝对收益率-0.25%，周超额收益（vs 中证1000）0.23%，月绝对收益率-8.94%，月超额收益0.58%，年绝对收益率4.77%，年超额收益2.78%，年跟踪误差7.92%，年最大相对回撤2.32%[9] 6. **绩优基金的独门重仓股组合**，周绝对收益率0.78%，周超额收益（vs 股票型基金总指数）2.49%，月绝对收益率-12.53%，月超额收益-5.42%，年绝对收益率2.70%，年超额收益3.51%，年跟踪误差24.34%，年最大相对回撤8.70%[9] 7. **盈利、增长、现金流三者兼优组合**，周绝对收益率0.60%，周超额收益（vs 沪深300）2.01%，月绝对收益率-11.28%，月超额收益-6.86%，年绝对收益率-14.32%，年超额收益-11.57%，年跟踪误差15.71%，年最大相对回撤16.70%[9] 8. **PB-盈利优选组合**，周绝对收益率-0.09%，周超额收益（vs 沪深300）1.33%，月绝对收益率-4.47%，月超额收益-0.05%，年绝对收益率3.03%，年超额收益5.79%，年跟踪误差13.89%，年最大相对回撤3.40%[9] 9. **GARP组合**，周绝对收益率-1.26%，周超额收益（vs 沪深300）0.15%，月绝对收益率-8.22%，月超额收益-3.80%，年绝对收益率4.68%，年超额收益7.43%，年跟踪误差12.44%，年最大相对回撤5.81%[9] 10. **小盘价值优选组合1**，周绝对收益率1.96%，周超额收益（vs 微盘股指数）0.31%，月绝对收益率-6.16%，月超额收益1.29%，年绝对收益率5.45%，年超额收益-3.77%，年跟踪误差12.64%，年最大相对回撤9.26%[9] 11. **小盘价值优选组合2**，周绝对收益率0.64%，周超额收益（vs 微盘股指数）-1.01%，月绝对收益率-8.19%，月超额收益-0.74%，年绝对收益率8.89%，年超额收益-0.33%，年跟踪误差12.35%，年最大相对回撤5.84%[9] 12. **小盘成长组合**，周绝对收益率-0.35%，周超额收益（vs 微盘股指数）-2.00%，月绝对收益率-9.27%，月超额收益-1.82%，年绝对收益率3.49%，年超额收益-5.73%，年跟踪误差11.01%，年最大相对回撤7.41%[9] 因子的回测效果 （数据期间：2026年3月20日至2026年3月27日（周）、2026年2月27日至2026年3月27日（月）、2025年12月31日至2026年3月27日（年））[47][51][56] 1. **市值因子**，上周全市场多空收益2.51%[47]，上月全市场/沪深300/中证500/中证1000多空收益分别为-0.06%/-7.70%/8.42%/1.46%[47]，今年以来全市场/沪深300/中证500/中证1000多空收益分别为6.09%/0.27%/-1.71%/-4.59%[48] 2. **PB因子**，上周全市场多空收益-0.62%[47]，上月全市场/沪深300/中证500/中证1000多空收益分别为5.30%/9.64%/5.72%/4.62%[47]，今年以来全市场/沪深300/中证500/中证1000多空收益分别为3.74%/0.98%/2.01%/1.33%[48] 3. **PE_TTM因子**，上周全市场多空收益-0.32%[47]，上月全市场/沪深300/中证500/中证1000多空收益分别为2.83%/15.06%/8.90%/2.69%[47]，今年以来全市场/沪深300/中证500/中证1000多空收益分别为2.40%/6.95%/1.27%/-1.32%[48] 4. **反转因子**，上周全市场多空收益-0.51%[51]，上月全市场/沪深300/中证500/中证1000多空收益分别为-1.09%/-0.21%/2.07%/-2.74%[54]，今年以来全市场/沪深300/中证500/中证1000多空收益分别为-6.55%/-11.35%/-6.76%/-4.15%[54] 5. **换手率因子**，上周全市场多空收益0.27%[51]，上月全市场/沪深300/中证500/中证1000多空收益分别为5.79%/7.43%/14.33%/6.74%[54]，今年以来全市场/沪深300/中证500/中证1000多空收益分别为6.09%/-2.47%/0.14%/5.31%[54] 6. **波动率因子**，上周全市场多空收益-1.57%[51]，上月全市场/沪深300/中证500/中证1000多空收益分别为4.08%/7.30%/8.51%/2.43%[54]，今年以来全市场/沪深300/中证500/中证1000多空收益分别为2.11%/-1.42%/-5.56%/-0.93%[54] 7. **ROE因子**，上周全市场多空收益-1.34%[56]，上月全市场/沪深300/中证500/中证1000多空收益分别为-0.54%/2.69%/3.22%/-2.10%[56]，今年以来全市场/沪深300/中证500/中证1000多空收益分别为1.55%/2.54%/3.35%/3.53%[57] 8. **SUE因子**，上周全市场多空收益0.46%[56]，上月全市场/沪深300/中证500/中证1000多空收益分别为0.15%/-4.02%/-0.81%/0.15%[56]，今年以来全市场/沪深300/中证500/中证1000多空收益分别为2.40%/0.06%/-2.24%/0.88%[57] 9. **预期净利润调整因子**，上周全市场多空收益0.50%[56]，上月全市场/沪深300/中证500/中证1000多空收益分别为2.28%/5.97%/1.95%/1.04%[56]，今年以来全市场/沪深300/中证500/中证1000多空收益分别为2.45%/8.00%/4.22%/-0.41%[57]

根据您提供的研报内容，这是一篇关于人工智能投研工具 **OpenClaw** 的安装与配置技术教程，并非量化模型或因子研究类报告[1][2][3][4]。报告中未涉及任何量化投资模型、量化因子的构建思路、具体过程、评价或回测效果。 因此，无法按照您要求的格式（如“量化模型与构建方式”、“模型的回测效果”、“量化因子与构建方式”、“因子的回测效果”）进行总结。 报告的核心内容是指导用户如何在 Windows 系统的 WSL2 环境中部署和配置 OpenClaw 人工智能助手，主要步骤包括： 1. **安装 WSL2 与 Ubuntu 系统**：在 Windows PowerShell 中以管理员身份运行命令进行安装和验证[13][14][15][16][17]。 2. **进行安装前的环境准备**：包括启用 systemd、配置环境变量以避免冲突、安装必要的 Python 库（如 numpy、pandas）等[23][26][27][29][30][31][32][33][34][35]。 3. **安装 OpenClaw 本体**：在 Ubuntu 终端中更新系统并安装基础工具（curl, wget, git, nodejs, npm），配置 npm 镜像，最后通过 npm 安装 OpenClaw[36][37]。 4. **配置 OpenClaw**：这是一个多步骤的交互式过程，主要包括： * 选择个人使用模式[41]。 * 选择大模型服务商（如火山引擎）并配置 API Key[42][43]。 * 选择具体的大模型（如 `volcengine/doubao-seed-1-8-251228`）[44][45]。 * 配置通讯工具（Channel），例如飞书（Feishu），涉及在飞书开放平台创建应用、配置权限和事件回调，并将获得的 App ID 和 App Secret 填入 OpenClaw[46][47][48][50][51][52][53][54][55][56][57][59][60][61][62][63]。 * 完成其他配置项，如搜索引擎、技能安装等，最终启动机器人[65][66][67]。 5. **使用 OpenClaw**：演示了如何将配置好的飞书机器人添加到群聊，并通过技能（如 `weather`）执行任务[70][71][72]。 报告还对比了本地安装与云端部署、不同操作系统的优劣，并给出了相关风险提示[9][10][11][73]。

量化模型与因子总结 量化因子与构建方式 1. **因子名称：250日新高距离**[11] * **因子构建思路**：该因子用于衡量当前价格相对于过去一段时间内最高价格的回落幅度，是动量效应和趋势跟踪策略的核心指标。当价格接近或创出新高时，通常被认为具有强势的上涨动能[11]。 * **因子具体构建过程**：对于每个标的（个股、指数等），计算其最新收盘价与过去250个交易日（约一年）内最高收盘价的相对距离。 * 具体计算公式为： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ * 其中，$Closet$ 代表最新收盘价，$ts\_max(Close, 250)$ 代表过去250个交易日收盘价的最大值[11]。 * 若最新收盘价创出250日新高，则因子值为0；若价格从高点回落，则因子值为正，数值越大表示回落幅度越大[11]。 2. **模型名称：平稳创新高股票筛选模型**[26][29] * **模型构建思路**：该模型旨在从近期创出新高的股票中，进一步筛选出具有“平稳”上涨特征的股票。其理论基础在于，研究表明遵循平滑价格路径的高动量股收益，相较遵循跳跃价格路径的高动量股收益更高，存在“温水煮青蛙”效应，平滑的动量效应可能更强大[26]。 * **模型具体构建过程**：这是一个多步骤的筛选模型，具体流程如下： 1. **初选股票池**：筛选出过去20个交易日曾创出250日新高的股票[20]。 2. **应用筛选条件**：在初选股票池中，依次应用以下条件进行筛选[29]： * **分析师关注度**：过去3个月内，获得“买入”或“增持”评级的分析师研报数量不少于5份。 * **股价相对强弱**：过去250日涨跌幅位于全市场前20%。 * **股价平稳性**：使用以下两个指标对满足上述条件的股票进行综合打分，并选取排名在前50%的股票。 * **价格路径平滑性**：股价位移路程比。计算公式为：`过去120日涨跌幅的绝对值 / 过去120日日涨跌幅绝对值加总`[26]。 * **创新高持续性**：过去120日的250日新高距离在时间序列上的均值。 * **趋势延续性**：对经过上述步骤筛选出的股票，计算其过去5日的250日新高距离在时间序列上的均值，并选取该值排序靠前的50只股票作为最终输出[29]。 模型的回测效果 *本报告为市场热点追踪周报，主要展示特定时点（2026年3月27日）的截面数据与筛选结果，未提供模型或因子在历史时间序列上的回测绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。* 因子的回测效果 *本报告为市场热点追踪周报，主要展示特定时点（2026年3月27日）的截面数据与筛选结果，未提供因子在历史时间序列上的回测绩效指标（如IC值、IR、多空收益等）。* 模型与因子的应用结果（截至2026年3月27日） 1. **250日新高距离因子取值**： * **主要宽基指数**：上证指数（6.43%）、深证成指（5.13%）、沪深300（6.01%）、中证500（10.64%）、中证1000（9.51%）、中证2000（9.52%）、创业板指（2.73%）、科创50（16.40%）[2][12]。 * **中信一级行业指数**：电力及公用事业（2.03%）、电力设备及新能源（4.75%）、煤炭（4.56%）、通信（2.83%）、石油石化（14.61%）距离新高较近；食品饮料、商贸零售、综合金融、非银行金融、房地产等行业距离新高较远[2][13]。 * **概念指数**：锂矿、钠离子电池、电力公用事业、储能、光伏逆变器、电气部件与设备、锂电池等概念指数距离250日新高较近[2][15]。 2. **平稳创新高股票筛选模型输出**： * 应用该模型，从全市场961只近期创新高股票中[20]，最终筛选出**14只**平稳创新高股票，包括亚翔集成、佰维存储、盐湖股份等[3][30]。 * **板块分布**：周期板块（6只）、科技板块（6只）入选数量最多[3][30]。周期板块中基础化工行业最多；科技板块中电子行业最多[3][30]。 * **具体股票列表及部分指标**：详见报告表1，列出了14只股票的代码、名称、所属行业、流通市值、最近创新高日期、当前250日新高距离、过去250日涨跌幅、过去20日涨跌幅、过去3个月获推荐研报数量等信息[33]。

量化模型与构建方式 1. **模型名称**：封板率模型[17] * **模型构建思路**：通过统计股票在交易日内达到涨停价并最终维持涨停至收盘的情况，来衡量市场涨停股的封板强度和市场情绪[17]。 * **模型具体构建过程**：首先，筛选出上市满3个月以上的股票。然后，在目标交易日，计算两个指标： 1. 统计当日“最高价涨停”的股票数量。 2. 在“最高价涨停”的股票中，统计“收盘价也涨停”的股票数量。 最后，计算封板率，公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 例如，2026年3月26日，封板率为66%[17]。 2. **模型名称**：连板率模型[17] * **模型构建思路**：通过统计连续两个交易日收盘涨停的股票比例，来衡量市场涨停效应的持续性和短线炒作热度[17]。 * **模型具体构建过程**：首先，筛选出上市满3个月以上的股票。然后，在目标交易日，计算两个指标： 1. 统计前一交易日“收盘涨停”的股票数量。 2. 在这些前一交易日涨停的股票中，统计当日“收盘也涨停”的股票数量。 最后，计算连板率，公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 例如，2026年3月26日，连板率为15%[17]。 3. **因子名称**：大宗交易折价率因子[26] * **因子构建思路**：通过计算大宗交易成交价相对于市价的折价幅度，来反映大资金的投资偏好和市场情绪，折价越高通常意味着卖出意愿更强或对后市看法偏谨慎[26]。 * **因子具体构建过程**：首先，获取目标交易日所有发生的大宗交易数据，包括每笔交易的成交金额和成交数量。然后，计算该交易日大宗交易的总成交金额和按当日收盘价计算的总市值。最后，计算折价率，公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ 例如，2026年3月25日，大宗交易折价率为9.50%[26]；近半年平均折价率为7.11%[26]。 4. **因子名称**：股指期货年化贴水率因子[28] * **因子构建思路**：通过计算股指期货主力合约价格相对于现货指数的年化基差，来反映市场对未来指数走势的预期、对冲成本以及市场情绪。贴水（基差为负）通常表示市场预期偏弱或对冲需求强烈[28]。 * **因子具体构建过程**：首先，选定目标股指期货品种（如上证50、沪深300等）的主力合约。然后，计算基差（期货价格 - 现货指数价格）。最后，将基差年化处理，得到年化贴水率，公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 例如，2026年3月26日，上证50、沪深300、中证500、中证1000股指期货主力合约的年化贴水率分别为3.09%、7.99%、13.10%、15.14%[28]。近一年中位数分别为0.94%、4.42%、10.99%、13.21%[28]。 模型的回测效果 1. 封板率模型，2026年3月26日封板率66%[17] 2. 连板率模型，2026年3月26日连板率15%[17] 因子的回测效果 1. 大宗交易折价率因子，2026年3月25日折价率9.50%[26]，近半年平均折价率7.11%[26] 2. 股指期货年化贴水率因子，2026年3月26日上证50年化贴水率3.09%[28]，沪深300年化贴水率7.99%[28]，中证500年化贴水率13.10%[28]，中证1000年化贴水率15.14%[28]

量化模型与构建方式 1. **模型名称**：多资产择时模型[1][2][6] **模型构建思路**：该模型旨在对多种资产（包括债券、股票、商品等）进行多空动能判断，生成“看多”、“调整”或“震荡”的择时观点[2][6] **模型具体构建过程**： * **第一步：生成原始信号**。模型首先为每个标的计算一个“原始信号”，该信号是一个百分比数值，代表模型判断的看空动能强度[2][6]。例如，30年国债的原始信号为73.10%[2][6]。报告未披露原始信号的具体计算方法和所依赖的因子。 * **第二步：计算平滑信号**。对原始信号进行移动平均平滑处理，以降低噪音。报告中采用了5日移动平均（MA5）[2][6]。计算公式为： $$MA5_t = \frac{1}{5} \sum_{i=0}^{4} Signal_{t-i}$$ 其中，\(MA5_t\) 代表在交易日t的5日移动平均值，\(Signal_{t-i}\) 代表交易日t-i的原始信号值。 * **第三步：生成模型观点**。根据平滑后的信号（MA5）数值区间，将观点划分为三类[2][6]： * **看多**：MA5值处于低位（例如2年国债MA5为10.80%）[2][6]。 * **调整**：MA5值处于高位（例如30年国债MA5为73.46%）[2][6]。 * **震荡**：MA5值处于中间区间（例如IPE布油MA5为48.82%）[2][6]。 报告未明确给出三个观点对应的具体阈值。 * **第四步：跟踪信号持续性**。模型同时记录当前观点持续的交易日天数[2][6]。 模型的回测效果 （注：报告为每日观点输出，未提供历史回测的绩效指标（如年化收益率、夏普比率、最大回撤等）。报告中展示的是模型在特定时点（2026年3月26日）对各个标的的最新信号和观点[2][6]。） 1. **多资产择时模型**，**30年国债**原始信号值73.10%，MA5信号值73.46%，模型观点为“调整”，信号持续10个交易日[2][6] 2. **多资产择时模型**，**3年AAA中短票**原始信号值73.81%，MA5信号值80.07%，模型观点为“调整”，信号持续2个交易日[2][6] 3. **多资产择时模型**，**10年国债**原始信号值69.40%，MA5信号值74.91%，模型观点为“调整”，信号持续7个交易日[2][6] 4. **多资产择时模型**，**2年国债**原始信号值17.95%，MA5信号值10.80%，模型观点为“看多”，信号持续超过10个交易日[2][6] 5. **多资产择时模型**，**万得全A指数**原始信号值64.74%，MA5信号值65.43%，模型观点为“调整”，信号持续1个交易日[2][6] 6. **多资产择时模型**，**中证红利全收益指数**原始信号值76.94%，MA5信号值72.05%，模型观点为“调整”，信号持续5个交易日[2][6] 7. **多资产择时模型**，**恒生科技指数**原始信号值79.89%，MA5信号值80.42%，模型观点为“调整”，信号持续6个交易日[2][6] 8. **多资产择时模型**，**科创50指数**原始信号值78.50%，MA5信号值78.98%，模型观点为“调整”，信号持续超过10个交易日[2][6] 9. **多资产择时模型**，**万得微盘指数**原始信号值66.86%，MA5信号值62.01%，模型观点为“调整”，信号持续1个交易日[2][6] 10. **多资产择时模型**，**国证2000指数**原始信号值76.44%，MA5信号值76.88%，模型观点为“调整”，信号持续9个交易日[2][6] 11. **多资产择时模型**，**COMEX黄金**原始信号值31.26%，MA5信号值51.98%，模型观点为“震荡”，信号持续1个交易日[2][7] 12. **多资产择时模型**，**IPE布油**原始信号值57.93%，MA5信号值48.82%，模型观点为“震荡”，信号持续8个交易日[2][7] 量化因子与构建方式 （注：报告中未详细披露用于生成原始信号的具体量化因子及其构建方法。）

量化模型与因子总结 量化因子与构建方式 1. **因子名称：RSI相对强弱指标**[2] * **因子构建思路**：通过计算一定周期内价格上涨和下跌的幅度对比，来衡量市场的超买或超卖状态，以判断短期趋势的强弱。[2] * **因子具体构建过程**： 1. 计算一定周期（报告中为12天）内，每日上涨幅度的平均值（AvgGain）和每日下跌幅度绝对值的平均值（AvgLoss）。[2] 2. 计算相对强度（RS），公式为：$$RS = \frac{AvgGain}{AvgLoss}$$[2] 3. 将RS转化为RSI指标，公式为：$$RSI = 100 - \frac{100}{1 + RS}$$[2] 4. 根据RSI值进行状态判断：RSI > 70表示市场处于超买状态；RSI < 30表示市场处于超卖状态。[2] 2. **因子名称：净申购金额**[2] * **因子构建思路**：通过计算ETF基金单位净值的变化与基金份额自然增长（分红再投资）的差异，来估算当日资金的净流入或流出情况。[2] * **因子具体构建过程**： 1. 获取当日ETF净值NAV(T)和前一日ETF净值NAV(T-1)。[2] 2. 获取当日ETF的收益率R(T)。[2] 3. 计算净申购金额NETBUY(T)，公式为：$$NETBUY(T) = NAV(T) - NAV(T-1) \times (1 + R(T))$$[2] 该公式的核心是剔除了因基金净值涨跌（NAV(T-1)*R(T)）和分红再投资导致的份额自然增长对总资产的影响，从而得到由投资者主动申购赎回引起的资金净变化。 模型的回测效果 （报告中未提供基于上述因子的策略模型及其回测效果指标，故本部分省略。） 因子的回测效果 （报告中未提供因子的历史测试表现，如IC、IR、多空收益等指标，仅展示了特定日期的截面数据。因此，无法提供统一的指标取值总结。报告中表格列示的是各ETF在特定日期的因子截面值，例如RSI值和净申购金额。）[4][6]

量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[12][42] * **模型构建思路**：为了准确计算股指期货的升贴水，需要从股指期货跟踪的价格指数中扣除未来分红导致的指数自然滑落部分，因此构建模型来预测从当前时刻到期货合约到期日之间，指数成分股分红所对应的指数点数[12][42]。 * **模型具体构建过程**： 1. **核心公式**：假设当前日期为t，期货合约到期日为T，指数有N个成分股。第n个成分股的除权除息日为τ_n (需满足 t < τ_n ≤ T)。则该期间指数的预测分红点数计算公式为： $$分红点数 = \sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$$[42] 2. **数据获取与处理流程**：首先获取指数成分股及其日度权重[49]。然后对每只成分股执行以下步骤[45]： * **情况A**：若公司已公布分红金额，则直接采用。若同时公布了除息日，则直接采用；若未公布，则需预测除息日[45]。 * **情况B**：若公司未公布分红金额，则需先预测其分红金额。分红金额通过预测净利润和股息支付率得到（分红金额 = 净利润 × 股息支付率）[50]。之后再预测其除息日[45]。 3. **成分股权重精确获取**：采用中证指数公司每日披露的日度收盘权重数据，以确保权重准确性，避免使用历史权重估算带来的偏差[49]。 4. **净利润预测（基于历史净利润分布的动态预测法）**： * 若公司已公布年报、快报或业绩预告，则直接采用（业绩预告取上下限均值）[52]。 * 若未披露，则根据公司历史季度盈利分布的稳定性进行分类预测[52]： * **盈利分布稳定**的公司，按其历史盈利分布规律进行预测[52]。 * **盈利分布不稳定**的公司，使用其上年同期盈利作为预测值[52]。 5. **股息支付率预测**： * 若公司去年分红，则以去年股息支付率作为今年预测值[56]。 * 若公司去年不分红，则以最近3年股息支付率平均值作为预测值[56]。 * 若公司过去从未分红，则默认今年不分红[56]。 * 当预期股息支付率大于100%时，进行截尾处理[56]。 6. **除息日预测（基于历史间隔天数稳定性的线性外推法）**： * 若已公布除息日，则直接采用[59]。 * 若未公布： * **未公布分红预案**：参考去年或前年的分红日期进行估计，并判断合理性（如日期是否在当前时点之前、距离太短或在股东大会之前），不合理则采用默认日期[59]。 * **已公布分红预案**： * **预案阶段**：检查过去三年从“预案公告日”到“除息日”的间隔天数是否稳定。若稳定，则用该平均间隔天数与今年预案公告日进行线性外推；若不稳定，则参考历史分红日期[59]。 * **决案阶段**：检查过去三年从“股东大会公告日”到“除息日”的间隔天数是否稳定。若稳定，则用该平均间隔天数与今年股东大会公告日进行线性外推；若不稳定，则参考历史分红日期[59]。 * **默认日期规则**：根据预测时点，默认日期设置为7月31日、8月31日或9月30日[59]。 * 若公司过去两年未分红，则直接采用默认日期[59]。 2. **因子名称：年化升贴水**[13] * **因子构建思路**：为衡量股指期货合约相对于其标的指数价格偏离的年化程度，在扣除预测的分红影响后，计算期货合约的升贴水率并年化，以反映市场情绪和期限结构[12][13]。 * **因子具体构建过程**： 1. 计算“含分红价差”：合约收盘价 - 指数收盘价 + 预测的分红点数[13]。 2. 计算“升贴水”：含分红价差 / 指数收盘价[13]。 3. 计算“年化升贴水”：将升贴水根据合约到期天数进行年化。公式为： $$年化升贴水 = \left( 1 + \frac{含分红价差}{指数收盘价} \right)^{\frac{365}{到期天数}} - 1$$ （注：报告中表格数据直接给出了计算结果，年化过程为通用金融计算方法）[13] 3. **因子名称：已实现股息率与剩余股息率**[17] * **因子构建思路**：将指数成分股按其分红实施状态进行分类，分别计算已实施分红和未实施分红部分对指数股息率的贡献，以清晰展示分红进度和预期[17]。 * **因子具体构建过程**： 1. **已实现股息率**：统计指数中**已现金分红**的成分股（数量记为N1），计算其分红总额与指数总市值的比率[17]。 2. **剩余股息率**：统计指数中**尚未现金分红**的成分股（数量记为N2），使用预测的分红金额计算其预测分红总额与指数总市值的比率[17]。 *（注：报告文本中公式部分为乱码，但通过描述和上下文可明确构建思路）*[17] 模型的回测效果 1. **股指分红点位测算模型** * **预测误差（2024年）**：对于上证50和沪深300指数，预测误差基本在5个点左右；对于中证500和中证1000指数，预测误差基本稳定在10个点左右[64]。 * **预测误差（2025年）**：对于上证50和沪深300指数，预测误差基本在5个点左右；对于中证500和中证1000指数，预测误差基本稳定在10个点左右[64]。 * **股指期货股息点预测效果（2024、2025年）**：模型对上证50、沪深300、中证500及中证1000股指期货主力合约的预测股息点与实际股息点相比，具有较好的预测准确性，各合约预测效果整体较好[64]。 因子的回测效果 1. **年化升贴水因子（截至2026年3月25日）**[13] * **IH2604主力合约**：年化贴水5.59%[4][13] * **IF2604主力合约**：年化贴水10.62%[4][13] * **IC2604主力合约**：年化贴水16.55%[4][13] * **IM2604主力合约**：年化贴水20.67%[4][13] 2. **已实现股息率与剩余股息率因子（截至2026年3月25日）**[3][17] * **上证50指数**：已实现股息率0.00%，剩余股息率2.89%[3][17] * **沪深300指数**：已实现股息率0.00%，剩余股息率2.18%[3][17] * **中证500指数**：已实现股息率0.00%，剩余股息率1.21%[3][17] * **中证1000指数**：已实现股息率0.00%，剩余股息率0.93%[3][17] 3. **历史分位点因子（截至2026年3月25日）**[28] * **IH主力合约**：处于历史7%分位点左右[28] * **IF主力合约**：处于历史4%分位点水平[28] * **IC主力合约**：处于历史5%分位点水平[28] * **IM主力合约**：处于历史3%分位点水平[28]

量化模型与构建方式 1. **模型名称：行业成本压力量化模型**[12] * **模型构建思路**：基于国家统计局发布的投入产出表数据，量化计算原油价格上涨对各行业带来的成本压力[12]。通过分析各行业的成本结构及其成本传导能力，识别在油价冲击下短期受损最严重的行业[12]。 * **模型具体构建过程**： 1. **数据基础**：使用国家统计局最新发布的投入产出表，重点关注中间产品象限，该象限表示每个经济部门在生产过程中对其他部门产品的需求量[12]。 2. **计算成本分布权重**：对于目标行业j，将其在投入产出表中第j列（中间投入）的每个数值，除以该列的总投入减去营业盈余，得到该行业成本中来自各部门的权重[12]。公式表示为：部门j对部门i的成本权重 = 中间投入表中第i行第j列的值 / (部门j的总投入 - 部门j的营业盈余)[12]。 3. **估算行业成本变动**：假设劳动者报酬等增加值部分价格不变，将中间投入各部门的PPI（工业生产者出厂价格指数）按上一步计算出的权重进行加权，即可估算出行业j的成本变动[12]。 4. **量化成本传导能力**： * 首先，计算行业估算成本序列与其产品价格（PPI）序列的时差相关系数，找到使两者相关性最高的滞后期（即“价格变动滞后月数”）[16]。 * 然后，在最优滞后期的基础上，将行业PPI对估算成本进行回归，将回归斜率定义为该行业的“成本传导能力”[16]。斜率大于1意味着可以超额传导成本压力，小于1则意味着无法完全传导。 5. **测算油价冲击影响**：设定油价上涨幅度（如报告假设上涨50%），根据各行业的成本结构计算其“成本变动比例”[19]。同时，对于成本传导能力强（传导能力系数>1）且价格传导滞后期短（≤1个月）的行业，估算其“产品价格变动比例”[19]。最终，“成本变动比例”与“产品价格变动比例”的差值（剪刀差）用于衡量各行业在油价冲击下盈利空间的净变化[19]。 2. **模型名称：行业成本承受缓冲期分析模型**[23] * **模型构建思路**：通过分析行业库存水平与其应对成本上涨能力之间的关系，估算高油价传导至终端需求、可能引发衰退的缓冲时间[23][26]。 * **模型具体构建过程**： 1. **计算库存周转月数**：利用国家统计局公布的工业企业营业收入及存货数据，估算行业的平均库存周转月数[23]。公式可理解为：库存周转月数 ≈ (存货 / 营业收入) * 12。 2. **建立关联关系**：将各行业的“平均库存周转月数”与上文模型得出的“价格变动滞后月数”进行对比分析[23]。 3. **分析缓冲机制**：研究发现两者呈现明显正相关性，即库存水平越高，行业在成本压力下能够维持产品价格不涨的时间（缓冲期）越长[23]。 4. **评估当前缓冲能力**：结合当前中下游行业库存周转月数普遍处于历史高位的现状，推断行业承受成本上行的能力较强，油价上涨传导至终端价格可能仍有1-2个季度的缓冲期[26]。 模型的回测效果 *本报告中的模型主要用于测算与现状分析，未提供传统量化策略回测所对应的年化收益率、夏普比率、最大回撤等信息。模型的主要输出结果为各行业的指标排序与具体测算值。* 量化因子与构建方式 1. **因子名称：行业成本传导能力因子**[16] * **因子构建思路**：衡量一个行业将其上游成本上涨压力转移给下游的能力，系数大于1表示能超额传导，可能受益于原材料涨价；小于1则表示传导能力弱，可能受损[16]。 * **因子具体构建过程**： 1. 根据“行业成本压力量化模型”计算出各行业的估算成本时间序列和其PPI时间序列[16]。 2. 计算两个序列的时差相关系数，确定使相关性最高的PPI滞后月数（最优滞后期）[16]。 3. 在最优滞后期下，对行业PPI序列与估算成本序列进行线性回归[16]。 4. 取回归方程的斜率作为该行业的“成本传导能力因子”值[16]。 2. **因子名称：价格变动滞后月数因子**[16] * **因子构建思路**：反映行业产品价格相对于其成本上涨的滞后时间，表征行业利用库存等手段缓冲成本冲击的能力[16][23]。 * **因子具体构建过程**：在计算“成本传导能力因子”的第一步中，通过计算时差相关系数，直接得到使成本与价格相关性最高的滞后期月数，即为该因子的值[16]。 3. **因子名称：行业库存缓冲因子（平均库存周转月数）**[23] * **因子构建思路**：以库存周转月数衡量行业的库存水平，作为评估其应对成本上涨缓冲垫厚度的代理指标[23]。 * **因子具体构建过程**：使用行业存货与营业收入数据，计算历史平均库存周转月数[23]。公式为：平均库存周转月数 = 历史各期（存货 / 营业收入 * 12）的平均值[23]。 4. **因子名称：油价冲击净影响因子（剪刀差）**[19] * **因子构建思路**：综合测算在特定油价涨幅假设下，行业成本上升与产品价格上升的净差额，直接量化油价冲击对行业盈利空间的即时影响[19]。 * **因子具体构建过程**： 1. 给定油价上涨幅度（报告设为50%），根据投入产出表计算的成本权重，得出各行业的“成本变动比例”[19]。 2. 对于成本传导能力强（因子值>1）且价格传导快（滞后月数≤1）的行业，估算其“产品价格变动比例”[19]。 3. 计算两者差值：**剪刀差 = 产品价格变动比例 - 成本变动比例**[19]。该值为正则表示盈利空间扩大，为负则表示受损。 因子的回测效果 *本报告中的因子主要用于截面分析，未提供因子IC值、IR、多空收益等传统因子测试结果。因子效果体现在对各行业的排序和分类上，具体测试结果取值如下：* 1. **成本传导能力因子**，石油和天然气开采业因子值39.53，农副食品加工业因子值5.80，黑色金属矿采选业因子值3.96，煤炭开采和洗选业因子值3.91，有色金属矿采选业因子值3.49，废弃资源综合利用业因子值2.15，黑色金属冶炼及压延加工业因子值1.66，食品制造业因子值1.59，有色金属冶炼及压延加工业因子值1.59，造纸及纸制品业因子值1.47，化学纤维制造业因子值1.28，木材加工及木、竹、藤、棕、草制品业因子值1.28，化学原料及化学制品制造业因子值1.19，纺织业因子值1.11，非金属矿物制品业因子值1.09，计算机、通信和其他电子设备制造业因子值0.99，石油、煤炭及其他燃料加工业因子值0.93，非金属矿采选业因子值0.81，医药制造业因子值0.73，电力、热力的生产和供应业因子值0.70，电气机械及器材制造业因子值0.69，金属制品业因子值0.61，皮革、毛皮、羽毛及其制品和制鞋业因子值0.57，橡胶和塑料制品业因子值0.56，汽车制造业因子值0.51，家具制造业因子值0.46，印刷业和记录媒介的复制因子值0.40，其他制造业因子值0.37，燃气生产和供应业因子值0.37，通用设备制造业因子值0.34，专用设备制造业因子值0.34，铁路、船舶、航空航天和其他运输设备制造业因子值0.31，纺织服装、服饰业因子值0.25，水的生产和供应业因子值0.19[17] 2. **价格变动滞后月数因子**，石油和天然气开采业滞后-2月，农副食品加工业滞后0月，黑色金属矿采选业滞后0月，煤炭开采和洗选业滞后0月，有色金属矿采选业滞后-1月，废弃资源综合利用业滞后0月，黑色金属冶炼及压延加工业滞后0月，食品制造业滞后1月，有色金属冶炼及压延加工业滞后0月，造纸及纸制品业滞后0月，化学纤维制造业滞后0月，木材加工及木、竹、藤、棕、草制品业滞后1月，化学原料及化学制品制造业滞后0月，纺织业滞后1月，非金属矿物制品业滞后1月，计算机、通信和其他电子设备制造业滞后0月，石油、煤炭及其他燃料加工业滞后0月，非金属矿采选业滞后4月，医药制造业滞后8月，电力、热力的生产和供应业滞后5月，电气机械及器材制造业滞后2月，金属制品业滞后2月，皮革、毛皮、羽毛及其制品和制鞋业滞后10月，橡胶和塑料制品业滞后1月，汽车制造业滞后5月，家具制造业滞后6月，印刷业和记录媒介的复制滞后5月，其他制造业滞后3月，燃气生产和供应业滞后5月，通用设备制造业滞后4月，专用设备制造业滞后7月，铁路、船舶、航空航天和其他运输设备制造业滞后5月，纺织服装、服饰业滞后6月，水的生产和供应业滞后1月[17] 3. **行业库存缓冲因子（平均库存周转月数）**，石油和天然气开采业0.25月，电力、热力的生产和供应业0.29月，燃气生产和供应业0.35月，煤炭开采和洗选业0.63月，水的生产和供应业0.74月，黑色金属矿采选业0.90月，废弃资源综合利用业1.06月，汽车制造业1.09月，非金属矿采选业1.11月，石油、煤炭及其他燃料加工业1.13月，黑色金属冶炼及压延加工业1.16月，木材加工及木、竹、藤、棕、草制品业1.17月，化学原料及化学制品制造业1.20月，有色金属矿采选业1.23月，食品制造业1.23月，皮革、毛皮、羽毛及其制品和制鞋业1.24月，有色金属冶炼及压延加工业1.26月，印刷业和记录媒介的复制1.27月，化学纤维制造业1.27月，非金属矿物制品业1.29月，农副食品加工业1.32月，造纸及纸制品业1.33月，橡胶和塑料制品业1.42月，金属制品业1.46月，电气机械及器材制造业1.46月，计算机、通信和其他电子设备制造业1.47月，家具制造业1.47月，其他制造业1.49月，纺织服装、服饰业1.56月，纺织业1.70月，通用设备制造业2.24月，医药制造业2.24月，铁路、船舶、航空航天和其他运输设备制造业2.53月，专用设备制造业2.80月[24] 4. **油价冲击净影响因子（剪刀差）**，燃气生产和供应业-27.8%，非金属矿采选业-5.6%，石油、煤炭及其他燃料加工业-1.9%，电力、热力的生产和供应业-1.2%，橡胶和塑料制品业-1.1%，金属制品业-0.8%，印刷业和记录媒介的复制-0.7%，其他制造业-0.7%，医药制造业-0.7%，水的生产和供应业-0.6%，皮革、毛皮、羽毛及其制品和制鞋业-0.5%，电气机械及器材制造业-0.5%，通用设备制造业-0.3%，铁路、船舶、航空航天和其他运输设备制造业-0.3%，家具制造业-0.3%，专用设备制造业-0.3%，纺织服装、服饰业-0.2%，汽车制造业-0.2%，计算机、通信和其他电子设备制造业0.0%，纺织业0.1%，食品制造业0.2%，木材加工及木、竹、藤、棕、草制品业0.2%，非金属矿物制品业0.2%，造纸及纸制品业0.3%，农副食品加工业0.4%，有色金属冶炼及压延加工业0.5%，煤炭开采和洗选业1.1%，废弃资源综合利用业1.5%，化学纤维制造业1.8%，化学原料及化学制品制造业1.9%，黑色金属冶炼及压延加工业3.4%，有色金属矿采选业6.2%，黑色金属矿采选业8.0%[20]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：前瞻性产业洞察模型[55] * **模型构建思路**：永赢基金为捕捉畜牧养殖行业投资机会而构建的投研模型，旨在通过持续跟踪养殖周期波动、饲料成本动态、疫病防控技术演进及政策导向等关键变量，形成对产业趋势的前瞻性判断[55]。 * **模型具体构建过程**：该模型是公司“研究驱动投资”战略的体现，以团队化协同、平台化支撑、一体化流程为三大支柱，整合固收、主动权益、绝对收益及被动指数的全谱系投研能力[55]。模型的核心在于将深度产业研究（如跟踪猪周期、成本、疫病、政策）与精准的产品设计（如指数编制与跟踪误差控制）相结合，最终通过科学的指数化投资工具（如永赢中证畜牧养殖产业ETF）来实现投资价值[55]。 量化因子与构建方式 1. **因子名称**：猪产业概念暴露度[38] * **因子构建思路**：衡量指数或投资组合在生猪养殖及相关产业链上的配置集中度，以反映其与猪周期景气度的关联紧密度[38]。 * **因子具体构建过程**：通过计算指数成分股中属于“猪产业”概念（通常包括生猪养殖、饲料、动物疫苗等细分领域）的股票权重之和来构建[38]。例如，中证畜牧养殖产业指数前十大成分股中，含猪概念的股票累计权重占比即为该指数的一个猪产业概念暴露度度量[38][39]。 * **因子评价**：该因子是评估畜牧养殖主题指数“纯度”和周期表征能力的关键指标。较高的猪产业概念暴露度意味着指数走势与生猪价格波动、产能去化进程以及行业盈利周期的关联更紧密，能更直接地反映生猪基本面的边际变化[38][39]。 2. **因子名称**：风格因子暴露（估值、成长、盈利、流动性、杠杆、动量、分红、波动率、技术）[44][45][46] * **因子构建思路**：分析指数相对于市场基准（如上证指数）在多个风格维度上的偏离程度，以刻画其整体风险收益特征[44][45][46]。 * **因子具体构建过程**：采用多因子模型框架，计算指数在估值（如市盈率、市净率）、成长（如盈利增速）、盈利（如ROE）、流动性（如换手率）、杠杆（如资产负债率）、动量（如过去收益率）、分红（如股息率）、波动率（如收益标准差）、技术（如量价指标）等一系列风格因子上的暴露值（因子载荷）[44][45][46]。报告通过雷达图形式展示了中证畜牧养殖产业指数相对上证指数在各风格因子上的标准化暴露情况[45][46]。 * **因子评价**：风格因子暴露分析有助于投资者理解指数的收益来源和风险特征。根据报告，中证畜牧养殖产业指数当前呈现出高分红、低估值、低波动的风格特征[44]。 模型的回测效果 （报告中未提供“前瞻性产业洞察模型”的具体量化回测指标数据。） 因子的回测效果 1. **猪产业概念暴露度因子** * 中证畜牧养殖产业指数前十大成分股中，含猪概念股票的累计权重占比为 **46.47%**[39]。 * 对比中证畜牧指数，其前十大成分股中猪概念股票累计权重占比为 **42.97%**，显示畜牧养殖指数在猪产业概念上的暴露度更高[39]。 2. **风格因子暴露** * 根据雷达图显示，中证畜牧养殖产业指数相对上证指数在 **分红** 因子上有较高的正向暴露[44][46]。 * 在 **估值** 和 **波动率** 因子上有显著的负向暴露（即呈现低估值、低波动特征）[44][46]。 * 在 **成长**、**盈利**、**流动性**、**杠杆**、**动量**、**技术** 等因子的暴露度相对接近或略低于基准[46]。