量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[38][39] * **模型构建思路**：为了准确计算股指期货的升贴水，需要精确估计从当前时刻到期货合约到期日之间，指数成分股分红除息导致价格指数点位自然下滑的总点数[12][38]。该模型通过精细化处理成分股权重、分红金额、除息日等关键变量来实现预测[12][38]。 * **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个成分股的除息日为τ_n (t < τ_n ≤ T)，则期间的分红点数计算公式为： $$分红点数 = \sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$$[38] 2. **数据获取与估计流程**：首先获取指数成分股及其日度权重[44][46]。对于每只成分股： * 若已公布分红金额和除息日，则直接采用[42]。 * 若未公布分红金额，则需估计。分红金额 = 净利润 × 股息支付率[47]。净利润的估计采用“基于历史净利润分布的动态预测法”：根据公司是否已披露年报/快报/预告，以及其历史季度盈利分布的稳定性，选择直接采用披露数据、按历史分布规律预测或采用上年同期值[49]。股息支付率的估计规则为：若去年分红则采用去年值；若去年不分红则采用最近3年均值；若从未分红则默认不分红；对预测值大于100%的情况进行截尾处理[50][53]。 * 若未公布除息日，则采用“基于历史间隔天数稳定性的线性外推法”进行预测：根据公司是否已公布分红预案、所处阶段（预案/决案），判断历史从预案/股东大会公告日到除息日的间隔天数是否稳定，选择采用线性外推或历史日期；若无可靠历史日期，则根据预测时间点设置默认日期（如7月31日、8月31日等）[51][56]。 2. **模型名称：成分股权重日度估算模型**[45] * **模型构建思路**：由于主流数据通常只提供月末指数权重，为在非月末日更精细地刻画个股权重变化，需要对权重进行估算[45]。 * **模型具体构建过程**：假设最近一次公布权重日期为t_0，该日成分股n的权重为w_{n0}。从t_0到当前日期t期间，个股n的非复权涨跌幅为r_n，则当前日期的估算权重W_{n,t}为： $$W_{n,t}={\frac{w_{n0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{i})}}$$[45] * **模型评价**：该方法在指数成分股未发生调整、解禁、配股等特殊事件时有效，但存在偏差风险[46]。报告中后续采用了更精确的中证指数公司日度收盘权重数据来替代此估算方法[46]。 量化因子与构建方式 1. **因子名称：已实现股息率与剩余股息率**[17] * **因子构建思路**：将指数成分股按本年度是否已完成现金分红分为两类，分别计算其股息率，以衡量分红进度和未来分红潜力[17]。 * **因子具体构建过程**： 1. **已实现股息率**：计算本年度**已现金分红**的成分股，其分红总额占指数总市值的比例[17]。 2. **剩余股息率**：计算本年度**尚未现金分红**的成分股，其**预测**分红总额占指数总市值的比例[17]。 *（注：报告中提及了计算公式但原文公式部分显示为乱码，根据文字描述总结其构建逻辑）* 2. **因子名称：行业股息率中位数**[15] * **因子构建思路**：统计各行业内已公布分红预案的个股的股息率，取中位数，用于横向比较不同行业的股息回报水平[15]。 * **因子具体构建过程**：对于每个行业，计算该行业内所有已公布分红预案的个股的“预案分红金额/当前总市值”，然后取这些股息率的中位数[15]。 模型的回测效果 1. **股指分红点位测算模型** * **预测误差（2024年）**：对上证50和沪深300指数的预测误差基本在5个点左右；对中证500和中证1000指数的预测误差基本在10个点左右[61]。 * **预测误差（2025年）**：对上证50和沪深300指数的预测误差基本在5个点左右；对中证500和中证1000指数的预测误差基本在10个点左右[61]。 * **股指期货股息点预测效果（2024-2025年）**：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对比显示，模型具有较好的预测准确性[61]。 因子的回测效果 1. **行业股息率中位数因子** * **因子取值（截至2026年4月29日）**：银行、煤炭和钢铁行业的股息率排名前三[2][15]。 2. **已实现股息率与剩余股息率因子** * **因子取值（截至2026年4月29日）**： * 上证50指数：已实现股息率 0.00%，剩余股息率 2.41%[3][17]。 * 沪深300指数：已实现股息率 0.10%，剩余股息率 1.79%[3][17]。 * 中证500指数：已实现股息率 0.03%，剩余股息率 1.02%[3][17]。 * 中证1000指数：已实现股息率 0.02%，剩余股息率 0.83%[3][17]。

量化模型与构建方式 1. **模型/因子名称：封板率** * **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”强度，反映市场追涨情绪和涨停股的稳定性[17]。 * **具体构建过程：** 1. 筛选上市满3个月以上的股票[17]。 2. 统计在当日盘中最高价达到涨停的股票数量（记为A）[17]。 3. 统计在当日盘中最高价达到涨停，并且收盘价也维持在涨停的股票数量（记为B）[17]。 4. 计算封板率，公式为： $$封板率 = \frac{B}{A}$$ 其中，B代表最高价涨停且收盘涨停的股票数，A代表最高价涨停的股票数[17]。 2. **模型/因子名称：连板率** * **构建思路：** 通过计算连续两日收盘涨停的股票数量与昨日收盘涨停股票总数的比例，来衡量市场涨停板的持续性，反映市场热点题材的延续性和赚钱效应[17]。 * **具体构建过程：** 1. 筛选上市满3个月以上的股票[17]。 2. 统计在昨日收盘时涨停的股票数量（记为C）[17]。 3. 统计在昨日和今日连续两日收盘都涨停的股票数量（记为D）[17]。 4. 计算连板率，公式为： $$连板率 = \frac{D}{C}$$ 其中，D代表连续两日收盘涨停的股票数，C代表昨日收盘涨停的股票数[17]。 3. **模型/因子名称：大宗交易折价率** * **构建思路：** 通过计算大宗交易成交总额与按当日市价计算的成交份额总市值的偏离度，来反映大资金交易的折溢价情况，折价率高低可体现大资金的交易情绪和偏好[26]。 * **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[26]。 2. 计算所有大宗交易的总成交金额（记为E）[26]。 3. 对于每笔大宗交易的成交份额，以其当日收盘价（或成交均价）计算其市值，并加总得到按市价计算的成交份额总市值（记为F）[26]。 4. 计算折价率，公式为： $$折价率 = \frac{E}{F} - 1$$ 其中，E代表大宗交易总成交金额，F代表当日成交份额的总市值[26]。当结果为负时表示折价交易。 4. **模型/因子名称：股指期货年化贴水率** * **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的基差，并将其年化，以标准化衡量股指期货的升贴水程度。该指标反映了市场对未来指数的预期、对冲成本以及市场情绪[28]。 * **具体构建过程：** 1. 确定股指期货主力合约（如IH、IF、IC、IM）和对应的现货指数（如上证50、沪深300、中证500、中证1000）[28]。 2. 计算基差：基差 = 期货价格 - 现货指数价格[28]。 3. 计算年化贴水率，公式为： $$年化贴水率 = \frac{基差}{现货指数价格} \times \frac{250}{合约剩余交易日数}$$ 其中，基差为期货价格与现货指数价格之差，250为年化常用的交易日数量，合约剩余交易日数为该期货合约到期前的剩余交易日数量[28]。结果为负表示贴水，为正表示升水。 模型的回测效果 *本报告为市场监测日报，未提供量化模型或因子在历史样本外的长期回测绩效指标（如年化收益率、夏普比率、最大回撤、信息比率IR等）。报告主要展示了相关指标在特定日期（2026年4月29日及附近）的截面或时序取值[17][26][28]。* 量化因子与构建方式 *本报告未涉及用于选股或资产定价的传统阿尔法因子（如价值、动量、质量等）的构建。报告中所提及的“封板率”、“连板率”、“折价率”、“年化贴水率”更接近于市场情绪或资金面监测指标。其构建方式已在“量化模型与构建方式”部分详细说明。* 因子的回测效果 *本报告未提供量化因子的分层测试、多空组合收益、因子IC值等传统因子测试结果。报告主要展示了相关监测指标在特定时点的具体数值[17][26][28]。* 1. **封板率因子**，2026年4月29日取值为78%[17]。 2. **连板率因子**，2026年4月29日取值为23%[17]。 3. **大宗交易折价率因子**，2026年4月28日取值为7.07%[26]；近半年以来平均取值为7.21%[26]。 4. **股指期货年化贴水率因子**： * **上证50股指期货**，2026年4月29日取值为5.08%（贴水），处于近一年来22%分位点[28]；近一年中位数为1.39%[28]。 * **沪深300股指期货**，2026年4月29日取值为6.78%（贴水），处于近一年来39%分位点[28]；近一年中位数为4.85%[28]。 * **中证500股指期货**，2026年4月29日取值为6.38%（贴水），处于近一年来76%分位点[28]；近一年中位数为10.47%[28]。 * **中证1000股指期货**，2026年4月29日取值为8.55%（贴水），处于近一年来78%分位点[28]；近一年中位数为12.81%[28]。

量化模型与构建方式 **注意**：经审阅，该研报为一份宏观市场分析报告，主要从流动性、估值、资本开支、地缘政治、盈利和技术分析等多个维度进行定性分析和历史数据展示。报告**并未**构建或测试任何用于选股、择时或资产配置的**量化模型**或**量化因子**。报告中的图表和数据主要用于论证市场观点，而非用于构建具有预测能力的量化策略或因子。 因此，本总结中**无**“量化模型与构建方式”及“量化因子与构建方式”的具体内容。 模型的回测效果 **无相关内容** 因子的回测效果 **无相关内容**

量化模型与构建方式 1. **模型名称**：GAN_GRU模型[4][13] * **模型构建思路**：利用生成式对抗网络（GAN）对量价时序特征进行增强处理，再利用门控循环单元（GRU）模型对处理后的时序特征进行编码，最终输出股票的未来收益预测作为选股因子[4][13]。 * **模型具体构建过程**： 1. **数据准备**：使用个股过去400个交易日的18个量价特征[14][17][19]。每5个交易日进行一次特征采样，采样形状为40天*18个特征，用以预测未来20个交易日的累计收益[18]。 2. **数据处理**：对每次采样的40天内的每个特征，在时间序列上进行去极值+标准化处理；同时，在每个截面上对所有个股的每个特征进行标准化[18]。 3. **GAN特征生成**： * **生成器 (G)**：采用LSTM模型，输入原始量价时序特征（形状为(40, 18)），输出增强后的量价时序特征（形状仍为(40, 18)）[33][37]。生成器的目标是让判别器无法区分其生成的数据与真实数据，其损失函数为： $$L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))]$$ 其中，z是随机噪声，G(z)是生成器输出的数据，D(G(z))是判别器判断G(z)为真实数据的概率[24]。 * **判别器 (D)**：采用卷积神经网络（CNN）模型，用于判断输入数据是真实量价特征还是生成器生成的假特征[33]。其损失函数为： $$L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$$ 其中，x是真实数据，D(x)是判别器判断x为真实数据的概率[27]。 * **训练过程**：交替训练生成器和判别器，使两者相互对抗、共同提升[29][30]。 4. **GRU收益预测**：将GAN生成器增强后的特征输入到一个两层GRU网络（GRU(128, 128)）中，后面再接一个多层感知机（MLP(256, 64, 64)）[22]。模型最终输出的预测收益（pRet）即为GAN_GRU选股因子[22]。 5. **模型训练**： * **训练/验证集划分**：80%的数据用于训练，20%用于验证[18]。 * **训练方式**：采用半年滚动训练，每年6月30日和12月31日各训练一次模型，用于预测未来半年的收益[18]。 * **样本筛选**：选取全市场股票，剔除ST股及上市不足半年的股票；同时剔除标签（未来收益）为空值的样本[18]。 * **超参数**：批大小（batch_size）为截面股票数量，优化器为Adam，学习率为1e-4，损失函数为IC，早停轮数为10，最大训练轮数为50[18]。 * **模型评价**：该模型结合了GAN的数据增强能力和GRU的时序建模能力，旨在挖掘更深层次的量价时序特征以预测股票收益[4][13]。 量化因子与构建方式 1. **因子名称**：GAN_GRU因子[4][13] * **因子的构建思路**：通过GAN_GRU模型输出的股票未来20个交易日的预测收益（pRet）作为选股因子[4][13][22]。在测试和应用前，因子会经过行业和市值中性化处理，并进行标准化[22]。 * **因子具体构建过程**：因子值直接来源于上述GAN_GRU模型的输出结果。具体步骤即上述模型的完整构建与预测过程[4][13][18][22]。 模型的回测效果 1. **GAN_GRU模型**（基于因子构建的多头组合，全A股范围，月频调仓，测试期：2019年2月至2026年4月）[41][42] * 年化收益率：36.26%[42] * 年化波动率：23.24%[42] * 信息比率（IR）：1.56[42] * 最大回撤率：27.29%[42] * 年化超额收益率：21.62%[4][42] 2. **GAN_GRU模型**（因子IC表现，全A股范围，月频调仓，测试期：2019年2月至2026年4月）[41][42] * IC均值：0.1078[4][41][42] * ICIR（未年化）：0.88[42] * 换手率：0.82X[42] * 最新一期IC（2026年4月）：-0.0531[4][41][42] * 近一年IC均值：0.0480[4][41][42] 因子的回测效果 1. **GAN_GRU因子**（行业IC表现，截至2026年4月）[42] * 当期IC排名前五的行业及IC值： * 农林牧渔：0.3139[42] * 石油石化：0.2845[42] * 煤炭：0.2646[42] * 消费者服务：0.2021[42] * 银行：0.1941[42] 2. **GAN_GRU因子**（行业IC表现，近一年）[42] * IC均值排名前五的行业及IC均值： * 传媒：0.1428[42] * 食品饮料：0.1319[42] * 商贸零售：0.1071[42] * 钢铁：0.1066[42] * （注：原文此处列举了四个行业，第五个行业名称缺失，IC均值为0.1065）[42] 3. **GAN_GRU因子**（行业多头组合表现，2026年4月当期）[2][45] * 超额收益排名前五的行业及超额收益： * 石油石化：8.84%[2][45] * 消费者服务：7.72%[2][45] * 农林牧渔：4.33%[2][45] * 建筑：4.18%[2][45] * 纺织服饰：3.86%[2][45] 4. **GAN_GRU因子**（行业多头组合表现，近一年月平均）[2][46] * 超额收益排名前五的行业及超额收益： * 消费者服务：2.08%[2][46] * 电力及公用事业：1.64%[2][46] * 房地产：1.59%[2][46] * 商贸零售：1.47%[2][46] * 建筑：1.21%[2][46]

量化模型与因子总结 量化模型与构建方式 **注：** 根据提供的研报内容，报告核心为对比评测两款AI智能体（Hermes Agent与OpenClaw）在金融投研任务中的应用表现，并未涉及传统意义上的量化投资模型（如多因子模型、风险模型）或量化因子（如价值、动量、质量等）的构建与测试。报告重点在于智能体的架构、功能及执行效率对比，而非量化策略或因子研究[1][2][3][9][18][34][52][64][66]。 模型的回测效果 **注：** 报告未提供任何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、信息比率IR等）[1][2][3][9][18][34][52][64][66]。 量化因子与构建方式 **注：** 报告未涉及任何量化因子的构建、定义或计算过程[1][2][3][9][18][34][52][64][66]。 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、多空收益、分组收益等）[1][2][3][9][18][34][52][64][66]。

量化模型与构建方式 1. **模型名称**：多资产择时模型[1][2][5][6] * **模型构建思路**：该模型用于对多种资产（包括不同期限的国债、信用债、股票指数、商品等）进行短期方向性择时判断，输出“看多”、“调整”（看空）或“震荡”观点[1][2][5][6]。 * **模型具体构建过程**：模型的核心是计算一个代表资产未来短期内上涨概率的“原始信号”（百分比）。具体构建过程在报告中未详细披露，但提到了其输出结果的处理和判断规则： 1. 模型每日输出一个“原始信号”，代表对未来短期内资产价格（如国债到期收益率、股指）上行的概率估计[7]。 2. 对“原始信号”进行平滑处理，计算其5日移动平均值（MA5）[2][5][6][7]。 3. 根据资产类型和设定的阈值，将平滑后的信号转化为具体的多空观点。对于利率债（如国债），当信号大于60%时看空，小于40%时看多，介于两者之间为震荡；对于股指，当信号大于60%时看多，小于40%时看空，介于两者之间为震荡[7]。 * **模型评价**：模型在多个资产上展现了持续的择时信号，但报告也提示了模型可能因市场环境变化、因子失效或数据质量问题而失效的风险[2][8]。 模型的回测效果 （注：报告未提供历史回测的统计指标（如年化收益率、夏普比率、最大回撤等），仅展示了截至报告日（2026-04-28）模型对各个资产的最新信号和观点。以下为各资产模型在报告日的具体输出值。） 1. **30年国债模型**，原始信号8.31%，MA5信号18.96%，模型观点为【看多】[2][5][7]。 2. **3年AAA中短票模型**，原始信号3.40%，MA5信号27.93%，模型观点为【看多】[2][5][7]。 3. **5年国债模型**，原始信号2.16%，MA5信号4.29%，模型观点为【看多】[2][5][7]。 4. **2年国债模型**，原始信号93.06%，MA5信号90.23%，模型观点为【调整】[2][5][7]。 5. **万得全A指数模型**，原始信号6.32%，MA5信号12.78%，模型观点为【看多】[2][5][7]。 6. **中证红利全收益指数模型**，原始信号39.01%，MA5信号28.38%，模型观点为【看多】[2][5][7]。 7. **恒生科技指数模型**，原始信号1.45%，MA5信号19.23%，模型观点为【看多】[2][5][7]。 8. **科创50指数模型**，原始信号3.02%，MA5信号3.23%，模型观点为【看多】[2][5][7]。 9. **万得微盘指数模型**，原始信号6.72%，MA5信号6.85%，模型观点为【看多】[2][5][7]。 10. **国证2000指数模型**，原始信号7.73%，MA5信号12.86%，模型观点为【看多】[2][6][7]。 11. **COMEX黄金模型**，原始信号75.04%，MA5信号63.58%，模型观点为【调整】[2][6][7]。 12. **IPE布油模型**，原始信号15.37%，MA5信号6.12%，模型观点为【看多】[2][6][7]。 13. **COMEX铜模型**，原始信号80.03%，MA5信号41.02%，模型观点为【震荡】[2][6][7]。 14. **焦煤模型**，原始信号27.42%，MA5信号24.53%，模型观点为【看多】[2][6][7]。