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，再使用门控循环单元（GRU）模型对处理后的时序特征进行编码，以预测股票未来收益，并将预测值作为选股因子[4][13]。 * **模型具体构建过程**： 1. **数据准备**：选取所有个股过去400天内的18个量价特征（包括日频和月频特征，如收盘价、开盘价、成交量、换手率等）[14][17][19]。每5个交易日进行一次特征采样，采样形状为40*18（即过去40天的特征）[18]。 2. **数据处理**：对每次采样的40天内，每个特征在时序上进行去极值+标准化处理；同时，每个特征在个股截面上进行标准化处理[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)），输出经处理后的量价时序特征（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，\(z\) 表示随机噪声，\(G(z)\) 表示生成器生成的数据，\(D(G(z))\) 表示判别器判断生成数据为真实数据的概率[24][25]。 * **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数据还是生成器生成的假数据[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，\(D(x)\) 是判别器对真实数据的输出概率[27]。 * **训练过程**：生成器和判别器交替训练，直至生成器能生成足以欺骗判别器的逼真特征[29][30]。 4. **GRU收益预测**：将GAN生成的增强特征输入一个两层GRU网络（GRU(128, 128)），后接一个多层感知机（MLP(256, 64, 64)），模型最终输出为对未来20个交易日累计收益的预测值 \(pRet\)，该值即作为GAN_GRU选股因子[22]。 5. **模型训练与更新**：采用半年滚动训练方式，每年6月30日及12月31日训练模型，并用于未来半年的预测[18]。训练时使用80%的数据作为训练集，20%作为验证集，优化器为Adam，学习率为1e-4，损失函数为IC[18]。 6. **股票与样本筛选**：选取全市场股票，剔除ST及上市不足半年的股票；训练时剔除标签（label）为空值的样本[18]。 量化因子与构建方式 1. **因子名称：GAN_GRU因子**[4][13] * **因子构建思路**：基于GAN_GRU模型输出的股票未来收益预测值 \(pRet\) 构建选股因子[22]。 * **因子具体构建过程**： 1. 运行GAN_GRU模型，得到每只股票的未来收益预测值 \(pRet\)[22]。 2. 对原始因子值进行行业和市值中性化处理，以剥离行业和市值风格的影响[22]。 3. 对中性化后的因子值进行标准化处理[22]。 * **因子评价**：该因子是一个结合了生成式对抗网络特征增强和循环神经网络时序建模的深度学习因子，旨在更有效地挖掘量价数据中的时序预测信息[4][13]。 模型的回测效果 （本报告主要对GAN_GRU因子进行回测，未单独提供基础GRU+MLP模型的回测效果指标。） 因子的回测效果 1. **GAN_GRU因子**（全A股，月频调仓，2019年2月至2026年3月）[41][42] * IC均值：0.1095*** * ICIR（未年化）：0.88 * 年化收益率：36.03% * 年化波动率：21.87% * 信息比率（IR）：1.55 * 最大回撤率：27.29% * 年化超额收益率：21.87% * 换手率：0.82X * 近期IC（2026年3月27日）：0.1008*** * 近一年IC均值：0.0514***

量化模型与构建方式 1. **模型名称：基于估值的动态定投模型** * **模型构建思路：** 根据指数估值（市盈率）的历史分位数，动态调整每期定投金额，在估值较低时多投，估值较高时少投或不投[54]。 * **模型具体构建过程：** 1. 每月初计算指数当前市盈率（PE）的五年历史分位数。 2. 根据分位数确定当期定投金额： * 若分位数 < 30%，则投入 1000 元。 * 若分位数介于 30% 至 70% 之间，则投入 500 元。 * 若分位数 > 70%，则投入 0 元[54]。 2. **模型名称：基于均线的动态定投模型** * **模型构建思路：** 根据指数价格相对于其长期均线的偏离程度，动态调整每期定投金额，在价格大幅低于均线时多投，价格大幅高于均线时少投或不投[54]。 * **模型具体构建过程：** 1. 每月初计算指标：$$ \text{偏离度} = \frac{\text{指数当前收盘价} - \text{500 日收盘价均价}}{\text{500 日收盘价均价}} $$[54] 2. 根据偏离度确定当期定投金额： * 若偏离度 < -50%，买入 1000 元。 * 若偏离度介于 -50% 至 -35%，买入 800 元。 * 若偏离度介于 -35% 至 -20%，买入 600 元。 * 若偏离度介于 -20% 至 20%，买入 500 元。 * 若偏离度介于 20% 至 35%，买入 400 元。 * 若偏离度介于 35% 至 50%，买入 200 元。 * 若偏离度 > 50%，买入 0 元[54]。 模型的回测效果 *注：以下回测结果均基于2019年至今的数据，定投年限为3年和5年，以XIRR（内部收益率）衡量收益[52][53][56][58]。* 1. **基于估值的动态定投模型 (PE智能定投)** * **中证红利指数**：3年期平均XIRR为9.24%，5年期平均XIRR为9.04%[56]。 * **红利低波100指数**：3年期平均XIRR为11.18%，5年期平均XIRR为10.75%[56]。 * **红利质量指数**：3年期平均XIRR为9.18%，5年期平均XIRR为8.98%[56]。 * **自由现金流指数**：3年期平均XIRR为20.21%，5年期平均XIRR为20.88%[58]。 * **沪深300指数**：3年期平均XIRR为2.16%，5年期平均XIRR为3.25%[58]。 2. **基于均线的动态定投模型 (均线智能定投)** * **中证红利指数**：3年期平均XIRR为9.19%，5年期平均XIRR为9.06%[56]。 * **红利低波100指数**：3年期平均XIRR为10.95%，5年期平均XIRR为10.61%[56]。 * **红利质量指数**：3年期平均XIRR为9.43%，5年期平均XIRR为9.22%[56][58]。 * **自由现金流指数**：3年期平均XIRR为21.01%，5年期平均XIRR为21.41%[58]。 * **沪深300指数**：3年期平均XIRR为0.08%，5年期平均XIRR为0.86%[58]。 量化因子与构建方式 1. **因子名称：红利（股息率）因子** * **因子构建思路：** 筛选具有稳定且较高现金分红能力的公司[21]。 * **因子具体构建过程：** 以中证红利指数为例，其核心筛选指标为过去三年平均现金股息率[21]。选股要求包括过去三年连续现金分红，且股利支付率大于0小于1[21]。最终按股息率排名选取前100只股票，并采用股息率加权[21]。 2. **因子名称：红利低波因子** * **因子构建思路：** 在红利因子的基础上，叠加低波动率因子，筛选高股息且股价相对稳定的公司[21]。 * **因子具体构建过程：** 以中证红利低波动100指数为例，其核心筛选指标为股息率和过去一年波动率[21]。选股要求过去三年连续现金分红且每年现金股息率大于0[21]。先按股息率选取前300只股票，再按波动率升序选取前100只，采用股息率/波动率加权[21][23]。 3. **因子名称：红利质量因子** * **因子构建思路：** 在红利因子的基础上，叠加质量因子，筛选高股息且盈利质量优秀的公司[21]。 * **因子具体构建过程：** 以中证全指红利质量指数为例，其核心筛选指标包括质量因子（如ROE、ROE标准差、经营性现金流负债比等）[23]。选股要求过去三年连续现金分红，且平均股利支付率在10%-100%之间[23]。先剔除股息率后50%的股票，再按ROE稳定性选取前80%，最后按质量综合得分选取50只，采用综合得分倾斜加权[23]。 4. **因子名称：红利价值因子** * **因子构建思路：** 在红利因子的基础上，叠加价值因子，筛选高股息且估值较低的公司[21]。 * **因子具体构建过程：** 以中证红利价值指数为例，其核心筛选指标为过去3年平均税后现金股息率和价值因子（BP、EP、CFP）[21]。选股要求过去3年连续现金分红且股息率大于0，红利支付率适中，每股股利正增长[21]。先按股息率选取75只，再按价值因子综合排名选取50只，采用股息率加权[21][23]。 5. **因子名称：自由现金流因子** * **因子构建思路：** 筛选能够产生充沛自由现金流、企业价值被低估且盈利质量高的公司，这类公司通常也具有价值属性[12][21]。 * **因子具体构建过程：** 以中证全指自由现金流指数为例，其核心筛选指标为自由现金流、企业价值和盈利质量[23]。选股要求近一年自由现金流、企业价值，以及近三年、近五年经营活动现金流为正，且盈利质量位于样本空间前80%[23]。按自由现金流率排名选取前100只股票，采用自由现金流加权，并剔除金融、地产行业[23]。 因子的回测效果 *注：报告主要通过对比不同Smart Beta指数（即不同因子组合策略）的历史表现来评估因子效果。以下为代表性指数的风险收益特征及定投表现[15][52][53]。* 1. **中证红利指数 (代表纯红利因子)** * **历史风险收益：** 作为基准，其表现被红利低波、红利质量和自由现金流类指数普遍超越[15]。 * **定投表现 (2019年至今)：** 表现稳定，1-5年定投平均XIRR在8.91%至10.16%之间，盈利概率高[53]。 * **因子暴露：** 侧重高股息、低估值、大市值[44]。 * **行业分布：** 集中度高，前三大行业（银行、煤炭、交通运输）占比50.88%[48]。 2. **中证红利低波动100指数 (代表红利低波因子)** * **历史风险收益：** 表现优于中证红利指数[15]。在指数下跌年份（如2018、2022年）表现更好，防守性强[24]。 * **定投表现 (2019年至今)：** 表现最稳定，1-5年定投平均XIRR在10.11%至10.96%之间，盈利概率高[53]。 * **因子暴露：** 侧重高股息、低估值、大市值[44]。 * **行业分布：** 前三大行业为银行、医药生物、公用事业[48]。 3. **中证全指红利质量指数 (代表红利质量因子)** * **历史风险收益：** 表现优于中证红利指数，年化收益更高但波动性也更大[15]。在指数显著上涨年份（如2017、2019、2020年）表现更好[24]。 * **定投表现 (2019年至今)：** 收益波动较大，1-5年定投平均XIRR在8.47%至15.38%之间[52][53]。 * **因子暴露：** 更看重企业的盈利质量和成长性[44]。 * **行业分布：** 前三大行业为有色金属、食品饮料、医药生物[48]。 4. **中证全指自由现金流指数 (代表自由现金流因子)** * **历史风险收益：** 表现优于中证红利指数，年化收益更高但波动性也更大[15]。在指数震荡或反转年份（如2021、2023、2024年）表现更好[24]。 * **定投表现 (2019年至今)：** 收益均值显著高于其他指数，1-5年定投平均XIRR在19.49%至22.65%之间[52][53]。 * **因子暴露：** 更看重企业的盈利质量和成长性[44]。 * **行业分布：** 前三大行业为汽车、石油石化、有色金属[48]。

量化模型与构建方式 **注：** 本报告主要涉及量化因子，未提及具体的量化模型。以下为报告中详细描述的交易行为因子及其构建方法。 1. **因子名称：理想反转因子** [4][38] * **因子构建思路：** 传统反转因子的微观来源是大额成交。通过识别单笔成交金额高的交易日（即大单交易日），可以构建出反转效应更强的因子[4][38]。 * **因子具体构建过程：** 1. 对选定股票，回溯取其过去20个交易日的数据[40]。 2. 计算该股票每日的平均单笔成交金额（成交金额/成交笔数）[40]。 3. 将单笔成交金额高的10个交易日的涨跌幅加总，记作 M_high[40]。 4. 将单笔成交金额低的10个交易日的涨跌幅加总，记作 M_low[40]。 5. 理想反转因子 M = M_high – M_low[40]。 6. 对所有股票重复以上步骤，计算各自的理想反转因子 M[40]。 2. **因子名称：聪明钱因子** [4][39] * **因子构建思路：** 从分钟行情数据中识别出机构（聪明钱）参与交易的时段，通过比较聪明钱交易均价与全时段交易均价的相对高低来构建因子[4][39]。 * **因子具体构建过程：** 1. 对选定股票，回溯取其过去10日的分钟行情数据[39]。 2. 构造指标 $$S_t = |R_t| / (V_t)^{0.25}$$，其中 $$R_t$$ 为第t分钟涨跌幅，$$V_t$$ 为第t分钟成交量[39]。 3. 将分钟数据按照指标 $$S_t$$ 从大到小进行排序，取成交量累积占比前20%的分钟，视为聪明钱交易[39]。 4. 计算聪明钱交易的成交量加权平均价 VWAP_smart[41]。 5. 计算所有交易的成交量加权平均价 VWAP_all[41]。 6. 聪明钱因子 Q = VWAP_smart / VWAP_all[39]。 3. **因子名称：APM因子** [4][40] * **因子构建思路：** 在日内不同时段（如隔夜与下午），交易者行为模式不同，股价的反转强度也不同。该因子旨在捕捉这种日内不同时段残差收益的差异模式[4][40]。 * **因子具体构建过程：** 1. 对选定股票，回溯取其过去20日数据，记逐日隔夜的股票收益率为 $$r_{night}$$，隔夜的指数收益率为 $$R_{night}$$；逐日下午的股票收益率为 $$r_{afternoon}$$，下午的指数收益率为 $$R_{afternoon}$$[40]。 2. 将得到的40组隔夜与下午的收益率数据 $$(r, R)$$ 进行回归：$$r = \alpha + \beta R + \epsilon$$，得到残差项 $$\epsilon$$[40]。 3. 在得到的40个残差中，隔夜残差记为 $$\epsilon_{night}$$，下午残差记为 $$\epsilon_{afternoon}$$，进一步计算每日隔夜与下午残差的差值 $$\delta_t = \epsilon_{night} - \epsilon_{afternoon}$$[40]。 4. 构造统计量 stat 来衡量隔夜与下午残差的差异程度，计算公式如下：$$\mathrm{stat}={\frac{\mu(\delta_{t})}{\sigma(\delta_{t})/{\sqrt{N}}}}$$，其中 $$\mu$$ 为均值，$$\sigma$$ 为标准差[40][42]。 5. 为消除动量因子影响，将统计量 stat 对动量因子（过去20日收益率 Ret20）进行横截面回归：$$stat = a + b * Ret20 + \epsilon$$[43]。 6. 将回归得到的残差值 $$\epsilon$$ 作为 APM 因子[43]。 4. **因子名称：理想振幅因子** [4][45] * **因子构建思路：** 股价处于不同价位（高价态与低价态）时，其振幅所蕴含的信息存在结构性差异。通过分离高价态和低价态的振幅信息并作差，可以构建更有效的因子[4][45]。 * **因子具体构建过程：** 1. 对选定股票，回溯取其最近20个交易日数据，计算股票每日振幅（最高价/最低价 - 1）[45]。 2. 选择收盘价较高的25%有效交易日，计算其振幅均值，得到高价振幅因子 V_high[45]。 3. 选择收盘价较低的25%有效交易日，计算其振幅均值，得到低价振幅因子 V_low[45]。 4. 将高价振幅因子 V_high 与低价振幅因子 V_low 作差，得到理想振幅因子 V = V_high - V_low[45]。 5. **因子名称：交易行为合成因子** [29] * **因子构建思路：** 将上述四个交易行为因子（理想反转、聪明钱、APM、理想振幅）通过一定方法合成一个综合因子，以提升稳定性和表现[29]。 * **因子具体构建过程：** 1. **因子值处理：** 将上述四个交易行为因子在行业内进行因子去极值与因子标准化[29]。 2. **因子加权：** 滚动选取过去12期各因子的ICIR值作为权重，加权形成交易行为合成因子[29]。 模型的回测效果 *本部分无相关内容。* 量化因子与构建方式 *（因子构建方式已在上文“量化模型与构建方式”部分详细列出，此处不再重复）* 因子的回测效果 **注：** 以下因子回测结果均为“行业市值中性化”后的表现。指标分为“全历史区间”和“2026年3月当月/近12个月”两个窗口期。Barra风格因子仅提供当月收益。 Barra风格因子（2026年3月收益） 1. **市值因子**， 当月收益 -0.18%[3][13] 2. **账面市值比因子**， 当月收益 0.45%[3][13] 3. **成长因子**， 当月收益 -0.60%[3][13] 4. **盈利预期因子**， 当月收益 -0.46%[3][13] 开源交易行为因子（全历史区间） 1. **理想反转因子**， IC均值 -0.048[5][14]， rankIC均值 -0.060[5][14]， 信息比率(IR) 2.37[5][14]， 多空对冲月度胜率 77.1%[5][14] 2. **聪明钱因子**， IC均值 -0.037[5][19]， rankIC均值 -0.062[5][19]， 信息比率(IR) 2.68[5][19]， 多空对冲月度胜率 80.5%[5][19] 3. **APM因子**， IC均值 0.028[5][23]， rankIC均值 0.034[5][23]， 信息比率(IR) 2.26[5][23]， 多空对冲月度胜率 76.0%[5][23] 4. **理想振幅因子**， IC均值 -0.053[5][26]， rankIC均值 -0.073[5][26]， 信息比率(IR) 2.98[5][26]， 多空对冲月度胜率 82.7%[5][26] 5. **交易行为合成因子**， IC均值 0.065[5][29]， rankIC均值 0.093[5][29]， 多空对冲信息比率(IR) 3.24[5][29]， 多空对冲月度胜率 79.3%[5][29] 开源交易行为因子（2026年3月及近12个月表现） 1. **理想反转因子**， 3月多空对冲收益 -0.47%[6][14]， 近12个月多空对冲月度胜率 50.0%[6][14] 2. **聪明钱因子**， 3月多空对冲收益 1.35%[6][19]， 近12个月多空对冲月度胜率 66.7%[6][19] 3. **APM因子**， 3月多空对冲收益 1.50%[6][23]， 近12个月多空对冲月度胜率 41.7%[6][23] 4. **理想振幅因子**， 3月多空对冲收益 2.08%[6][26]， 近12个月多空对冲月度胜率 66.7%[6][26] 5. **交易行为合成因子**， 3月多空对冲收益 2.45%[6][29]， 近12个月多空对冲月度胜率 58.3%[6][29] 交易行为合成因子补充表现 1. **交易行为合成因子（多头对冲各组均值）**， 全历史年化收益率 8.07%[29]， 收益波动比 2.57[29]， 月度胜率 77.1%[29] 2. **交易行为合成因子（分股票池信息比率）**， 在国证2000中信息比率(IR) 2.83[30]， 在中证1000中信息比率(IR) 2.61[30]， 在中证800中信息比率(IR) 0.92[30]

量化模型与构建方式 1. **模型名称**：长期行业主题基金标签模型[38] **模型构建思路**：为主动偏股基金构建完整的行业主题和细分赛道标签，以支持资产配置、主题投资和产品选择的需求，并构建行业主题基金指数作为衡量工具[38] **模型具体构建过程**： 1. 数据来源：使用基金近四期（即最近两年）的中报和年报持仓信息[38] 2. 标签定义：根据基金长期持仓的行业特征，将其标签区分为三类： * **行业主题基金**：长期稳定集中于某个特定行业主题[38] * **行业轮动基金**：在不同时期切换不同的行业主题[38] * **行业均衡基金**：行业配置较为分散均衡[38] 3. 指数构建：基于上述标签分类，构建相应的行业主题基金指数，以反映各类主题基金的整体风险收益表现[38] 2. **模型名称**：公募REITs系列指数模型[48] **模型构建思路**：构建完整的REITs系列指数，为投资者提供基于指数化投资思想的资产配置新视角，综合反映REITs市场表现，并提供不同底层资产和项目类型的细分指数[48] **模型具体构建过程**： 1. 指数类型：构建综合指数、底层资产指数（如产权类、特许经营权类）和细分项目指数（如仓储物流、生态环保等），并考虑高分红特性，同时提供价格指数和全收益指数[48] 2. 计算方法： * 采用**分级靠档**的方法确保计算指数的份额保持相对稳定[48] * 当样本成分名单或样本成分的调整市值出现非交易因素变动时（如新发、扩募），采用**除数修正法**保证指数的连续性[48] * 除数修正法公式：$$新除数 = \frac{修正后的总市值}{修正前的收盘指数}$$ 其中，修正后的总市值指调整样本或市值后的新总市值，修正前的收盘指数为变动前最后一个交易日的指数收盘值，新除数用于后续的指数计算以保证连续性[48] 量化因子与构建方式 1. **因子名称**：多因子ETF分类因子[61] **因子构建思路**：在ETF市场跟踪中，根据其投资策略或暴露的风险收益特征，将股票型ETF进一步细分为多因子类别，以分析不同风格因子的资金流向和市场表现[61] **因子具体构建过程**： 1. 因子类别定义：报告中将ETF细分为多个因子类别，包括**红利**、**现金流**、**动量**、**成长**、**价值**、**基本面**、**质量**、**ESG**等[61] 2. 归类方法：根据ETF跟踪的指数名称、基金招募说明书披露的投资策略或市场公认的分类标准，将国内股票ETF划分到上述因子类别中[61] 3. 效果跟踪：统计每个因子类别下ETF的整体资金净流入、本周回报、近期回报等指标，用以观察不同因子的市场表现和资金偏好[61] 模型的回测效果 1. **长期行业主题基金标签模型** 生成的指数表现（截至2026年3月27日当周）[38]： * 医药主题基金周收益率：4.32% * 新能源主题基金周收益率：1.17% * 周期主题基金周收益率：1.13% * 行业轮动主题基金周收益率：-0.37% * 行业均衡主题基金周收益率：-0.50% * 国防军工主题基金周收益率：-1.07% * TMT主题基金周收益率：-1.48% * 消费主题基金周收益率：-1.50% * 金融地产主题基金周收益率：-1.98% 2. **公募REITs系列指数模型** 生成的指数表现（基日以来至2026年3月27日）[52]： * REITs综合指数：累计收益-5.81%，年化收益-1.25%，最大回撤-42.67%，夏普比率-0.27，年化波动10.34% * 产权类REITs指数：累计收益11.50%，年化收益2.31%，最大回撤-45.00%，夏普比率0.06，年化波动12.56% * 特许经营权类REITs指数：累计收益-24.85%，年化收益-5.82%，最大回撤-41.17%，夏普比率-0.81，年化波动9.03% * 消费基础设施REITs指数：累计收益48.92%，年化收益8.71%，最大回撤-9.89%，夏普比率0.69，年化波动10.53% * 新型基础设施REITs指数：累计收益17.33%，年化收益3.41%，最大回撤-5.08%，夏普比率0.15，年化波动12.48% 因子的回测效果 1. **多因子ETF分类因子** 各类别市场表现（截至2026年3月27日当周）[61]： * 红利因子ETF：本周净流入26.41亿元，本周回报-0.95% * 现金流因子ETF：本周净流入18.32亿元，本周回报-1.31% * 动量因子ETF：本周净流入2.39亿元，本周回报-2.02% * 成长因子ETF：本周净流入0.53亿元，本周回报-0.25% * 价值因子ETF：本周净流入0.18亿元，本周回报-1.05% * 基本面因子ETF：本周净流入-0.02亿元，本周回报-0.36% * 质量因子ETF：本周净流入-0.03亿元，本周回报-1.42% * ESG因子ETF：本周净流入0.27亿元，本周回报-1.33%

量化模型与构建方式 1. **模型名称**：大额买入与资金流向跟踪模型 * **模型构建思路**：通过逐笔成交数据构建“大买单成交金额占比”和“净主动买入金额占比”两个核心指标，分别用于刻画大资金的买入行为和投资者的主动买入行为，从而对个股、宽基指数、行业和ETF的资金流向进行跟踪[7]。 * **模型具体构建过程**： 1. **数据准备**：获取股票或ETF的逐笔成交数据，数据中需包含叫买序号、叫卖序号和买卖标志[7]。 2. **指标一：大买单成交金额占比** * **步骤1：还原买卖单**：根据逐笔成交数据中的叫买和叫卖序号，将数据还原为买卖单数据[7]。 * **步骤2：筛选大单**：按照每单的成交量设定阈值，筛选得到“大单”[7]。 * **步骤3：计算指标**：计算当日所有“大买单”（即大单中属于买入方向的单子）的成交金额总和，除以当日该证券的总成交金额，得到“大买单成交金额占比”[7]。 * **公式**：$$大买单成交金额占比 = \frac{\sum 大买单成交金额}{当日总成交金额} \times 100\%$$ 3. **指标二：净主动买入金额占比** * **步骤1：界定主动方向**：根据逐笔成交数据中的买卖标志，界定每笔成交属于“主动买入”还是“主动卖出”[7]。 * **步骤2：计算净额**：将当日所有“主动买入”成交金额的总和，减去所有“主动卖出”成交金额的总和，得到“净主动买入金额”[7]。 * **步骤3：计算指标**：将“净主动买入金额”除以当日该证券的总成交金额，得到“净主动买入金额占比”[7]。 * **公式**：$$净主动买入金额占比 = \frac{\sum 主动买入成交金额 - \sum 主动卖出成交金额}{当日总成交金额} \times 100\%$$ 4. **跟踪与排名**：对全市场个股、ETF或按整体法计算的宽基指数/行业，计算上述两个指标的过去5日移动平均值，并依据该均值进行排序，生成跟踪列表[4][8][9][10][11][12][13][14][15][16]。 量化因子与构建方式 1. **因子名称**：大买单成交金额占比因子 * **因子构建思路**：该因子旨在捕捉大额资金的买入强度，认为大买单占比高的股票可能受到机构或大资金的关注[7]。 * **因子具体构建过程**：与上述“模型具体构建过程”中“指标一：大买单成交金额占比”的构建过程完全相同[7]。 2. **因子名称**：净主动买入金额占比因子 * **因子构建思路**：该因子旨在刻画市场投资者的主动买入意愿，净主动买入占比高表明买方力量更强，资金呈净流入状态[7]。 * **因子具体构建过程**：与上述“模型具体构建过程”中“指标二：净主动买入金额占比”的构建过程完全相同[7]。 模型的回测效果 （注：本报告为周度跟踪报告，未提供长期回测绩效指标，如年化收益率、夏普比率、最大回撤等。因此，本部分根据报告内容展示特定时间窗口下的指标跟踪结果。） 1. **大额买入与资金流向跟踪模型**，在**个股**维度，近5个交易日（20260323-20260327）大买单成交金额占比排名前5的个股为：新能泰山(93.2%)、雪浪环境(85.7%)、中利集团(85.4%)、马钢股份(85.2%)、华远控股(85.0%)[4][9]；净主动买入金额占比排名前5的个股为：振德医疗(16.7%)、中国广核(15.9%)、浙能电力(12.6%)、华帝股份(12.3%)、陕西金叶(12.2%)[4][10]。 2. **大额买入与资金流向跟踪模型**，在**宽基指数**维度，近5个交易日（20260323-20260327）主要宽基指数的大买单成交金额占比5日均值在69.5%至73.7%之间，净主动买入金额占比5日均值在1.0%至3.2%之间[12]。 3. **大额买入与资金流向跟踪模型**，在**行业**维度，近5个交易日（20260323-20260327）大买单成交金额占比排名前5的中信一级行业为：银行(81.5%)、房地产(78.9%)、交通运输(78.8%)、钢铁(78.7%)、煤炭(78.4%)[4][13]；净主动买入金额占比排名前5的行业为：综合金融(12.6%)、医药(12.3%)、钢铁(10.8%)、食品饮料(10.6%)、商贸零售(9.1%)[4][13]。 4. **大额买入与资金流向跟踪模型**，在**ETF**维度，近5个交易日（20260323-20260327）大买单成交金额占比排名前5的ETF为：国泰中证A500ETF(92.4%)、华泰柏瑞中证A500ETF(92.1%)、汇添富MSCI中国A50互联互通ETF(91.5%)、鹏华国证石油天然气ETF(91.3%)、国泰上证10年期国债ETF(91.3%)[4][15]；净主动买入金额占比排名前5的ETF为：海富通上证城投债ETF(24.4%)、富国创业板人工智能ETF(19.4%)、国泰上证10年期国债ETF(16.9%)、华夏中证新能源汽车ETF(14.4%)、华夏中证细分有色金属产业ETF(14.2%)[4][16]。 因子的回测效果 （注：本报告未提供因子在选股模型中的IC、IR、多空收益等传统因子测试结果。此处展示的为因子在特定时点的截面取值及排名情况。） 1. **大买单成交金额占比因子**，在**个股**截面（20260323-20260327），因子值（5日均值）最高为93.2%（新能泰山），前10名因子值均超过84%[9]；在**ETF**截面，因子值最高为92.4%（国泰中证A500ETF），前10名因子值均超过90%[15]。 2. **净主动买入金额占比因子**，在**个股**截面（20260323-20260327），因子值（5日均值）最高为16.7%（振德医疗），前10名因子值均超过11%[10]；在**ETF**截面，因子值最高为24.4%（海富通上证城投债ETF），前10名因子值均超过7.8%[16]。

量化模型与构建方式 1. **模型名称**：量化交易优化模型[50] * **模型构建思路**：该模型用于在基金进行指数调仓或应对申赎时，优化交易执行，以降低市场冲击成本并减少跟踪误差[50]。 * **模型具体构建过程**：报告未详细描述该量化模型的具体构建公式和步骤，仅说明其应用场景和目标。模型在基金采用完全复制策略的基础上，根据市场的流动性情况，对交易进行优化[50]。 量化因子与构建方式 1. **因子名称**：规模因子 (Size Factor)[43] * **因子构建思路**：该因子源自Barra风险模型体系，用于刻画股票市值大小对其收益的影响[43]。报告通过观察300等权指数相对沪深300指数的超额收益与该因子收益的相关性，来分析指数在不同市场风格下的表现[43]。 * **因子具体构建过程**：报告未详细描述该因子的具体计算公式，但引用了Barra风格因子的月收益率数据进行分析[43]。 * **因子评价**：300等权指数相对沪深300的超额收益与规模因子收益率呈现明显的负相关关系，表明在小市值风格占优的市场环境中，300等权指数通常表现更优[43]。 2. **因子名称**：盈利因子 (Earnings Factor)[43] * **因子构建思路**：该因子同样源自Barra风险模型体系，用于刻画公司盈利能力对其收益的影响[43]。报告通过观察300等权指数相对沪深300指数的超额收益与该因子收益的相关性，来分析指数在不同市场风格下的表现[43]。 * **因子具体构建过程**：报告未详细描述该因子的具体计算公式，但引用了Barra风格因子的月收益率数据进行分析[43]。 * **因子评价**：300等权指数相对沪深300的超额收益与盈利因子收益率呈现明显的负相关关系，表明在盈利风格相对走弱的市场环境中，300等权指数通常更容易取得超额收益[43]。 模型的回测效果 （报告中未提供量化交易优化模型的具体回测指标数据） 因子的回测效果 （报告中未提供规模因子和盈利因子本身的因子测试结果，仅展示了它们与300等权指数超额收益的相关性分析结果[43]）

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：绿色转型板块资金流向分析模型[33] **模型构建思路**：为了追踪不同板块在碳中和进程中的资金流向，将与绿色或转型相关的行业划分为三类，基于各行业在碳减排链条中的功能定位进行划分，用于分析资金流动与市场结构趋势[33] **模型具体构建过程**： * **板块分类**：将A股市场行业划分为四个板块，分类标准如下： * **低碳核心板块**：涵盖电力设备、环保，以及公用事业和汽车行业的部分领域，直接贡献碳减排，是新能源发电、绿色出行及减污降碳的核心环节[34] * **低碳支撑板块**：包括计算机、通信、电子及机械设备的部分领域，为产业绿色转型提供数字化、自动化和智能化支撑，是提升社会整体能效与资源利用效率的关键赋能方[34] * **转型主体板块**：包括火电、煤炭、钢铁、有色金属、化工等多个领域，能源消耗强度高、排放基数大，是碳减排的重点领域，也是转型金融政策优先关注的对象[35] * **其他板块**：除以上三类之外的其他行业[35] * **指标计算**：对每个板块，计算以下两个核心指标以追踪资金流向： * **主力净流入额**：统计周期内（如一周）流入该板块的主力资金净额[35] * **主力净流入率**：主力净流入额与该板块周期内成交总额的比率，计算公式为： $$主力净流入率 = \frac{主力净流入额}{板块成交总额} \times 100\%$$ 该指标用于标准化比较不同规模板块间的资金流向强度[35] **模型评价**：该模型提供了一个结构化的框架，用于观察和分析在绿色转型主题下，不同功能定位的板块之间资金的动态变化和偏好，有助于理解市场对碳中和各环节的预期和情绪[33] 模型的回测效果 1. 绿色转型板块资金流向分析模型，本周主力净流入额：低碳核心板块-180亿元，低碳支撑板块-506亿元，转型主体板块36亿元，其他板块-442亿元[35] 2. 绿色转型板块资金流向分析模型，本周主力净流入率：低碳核心板块-0.88%，低碳支撑板块-1.58%，转型主体板块0.16%，其他板块-1.51%[35] 3. 绿色转型板块资金流向分析模型，本周成交额占比：低碳核心板块19.50%，低碳支撑板块30.67%，转型主体板块21.96%，其他板块27.87%[36] 量化因子与构建方式 1. **因子名称**：ESG事件舆情热度因子[43] **因子构建思路**：通过统计全市场上市公司发生的ESG相关事件数量、类型及正负向，构建反映ESG整体舆情热度和市场关注度的因子[43] **因子具体构建过程**： * **事件收集与分类**：收集统计周期内（如一周）全市场所有ESG相关事件[43] * **维度分类**：将事件按环境（E）、社会（S）、治理（G）三个维度进行分类统计[46] * **情感分类**：将每个事件标记为正向、负向或中性[43] * **因子计算**：计算以下指标： * **ESG事件总数**：统计周期内发生的ESG事件总数量[43] * **各维度事件数量及占比**：分别统计E、S、G维度的事件数量，并计算其占总事件数的比例[46] * **正/负/中性事件数量及占比**：分别统计正向、负向、中性事件的数量，并计算其占总事件数的比例[43] 2. **因子名称**：行业ESG事件集中度因子[49] **因子构建思路**：在ESG事件舆情热度因子的基础上，进一步按行业进行细分，识别ESG事件高发的行业以及各行业内的主要议题，构建反映行业层面ESG关注度和风险点的因子[49] **因子具体构建过程**： * **行业事件统计**：将收集到的ESG事件按所属行业进行分类[49] * **事件数量排序**：统计各行业发生的ESG事件总数，并排序找出事件数量前十的行业[49] * **议题分析**：针对每个重点行业，识别其周期内发生频率最高的前三个ESG议题（例如“战略合作”、“信披违规”、“减持”等）[53] * **情感分析**：统计各行业内正向、负向、中性事件的数量及占比[53] 因子的回测效果 1. ESG事件舆情热度因子，本周ESG事件总数：1539件[43] 2. ESG事件舆情热度因子，本周事件情感分布：正向事件848件（占比55.1%），负向事件580件（占比37.7%），中性事件111件（占比7.2%）[43] 3. ESG事件舆情热度因子，本周事件维度分布：环境（E）类事件203件，社会（S）类事件37件，治理（G）类事件1307件（占比约84.9%）[46] 4. 行业ESG事件集中度因子，本周事件数量前三行业：电力设备行业143件，电子行业139件，医药生物行业132件[49] 5. 行业ESG事件集中度因子，本周汽车行业正向事件占比：约71.2%[50]

量化模型与构建方式 1. **模型名称：微盘股轮动模型** [18][25] * **模型构建思路**：通过构建两个子策略（相对净值轮动与M1轮动）来动态决定在微盘股指数与茅指数之间的配置权重，以实现风格轮动收益[18][25]。 * **模型具体构建过程**： 1. **子策略一：相对净值与动量轮动** [18][25] * 计算微盘股指数与茅指数的**相对净值**（微盘股指数净值 / 茅指数净值）。 * 计算该相对净值的**243日均线**（年均线）[18]。 * 计算微盘股指数与茅指数各自的**20日收盘价斜率**（动量指标）[18]。 * **决策规则**：当相对净值高于其243日均线时，倾向于投资微盘股；反之则投资茅指数。同时，结合20日斜率，当两者方向相反且一方为正时，选择投资斜率为正的指数[25]。 2. **子策略二：M1轮动** [18] * 跟踪M1同比指标的**6个月移动平均值**。 * **决策规则**：当M1的6个月移动平均值下行时，中期配置从微盘股切换至茅指数；反之则切换至微盘股[18]。 3. **综合策略**：综合以上两个子策略的信号，决定最终的配置方向（微盘股、茅指数或均衡配置）[18]。 2. **模型名称：微盘股择时风控模型** [18][25] * **模型构建思路**：通过监控十年期国债利率和波动率拥挤度的同比变化，判断微盘股板块的中期系统性风险，并在风险过高时发出平仓信号[18][25]。 * **模型具体构建过程**： 1. **指标计算**： * 计算**十年期国债到期收益率的同比（YoY）** 变化[18]。 * 计算**微盘股波动率拥挤度的同比（YoY）** 变化[18]。 2. **风控规则**： * 设定**利率风控阈值**为0.3（30%），**拥挤度风控阈值**为0.55（55%）[25]。 * 若十年期国债收益率同比**触及或超过30%**，或波动率拥挤度同比**触及或超过55%**，则触发风控平仓信号[25]。 3. **模型名称：宏观择时模型** [50][52] * **模型构建思路**：基于经济增长和货币流动性两个维度的宏观信号，动态调整股票仓位，进行股债轮动配置[50]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建公式和步骤，但指出其根据经济增长和货币流动性层面生成信号强度，并综合得出股票仓位建议。具体细节需参考其历史研究报告[50]。 模型的回测效果 1. **宏观择时模型**，截至2026年2月28日，模型给出的3月份股票推荐仓位为**30%**（上月为70%），配置观点为**中性偏低**（上月为中性偏多）[52]。2025年年初至今收益率为**14.59%**，同期Wind全A收益率为**26.87%** [50]。 量化因子与构建方式 报告在附录中详细列出了国金证券的大类因子分类及细分因子定义，涵盖了八大类因子[65]。 1. **因子名称：市值因子 (Size)** [65] * **因子构建思路**：使用流通市值的对数作为公司规模的代理变量，通常小市值公司可能具备更高的风险溢价和成长性[65]。 * **因子具体构建过程**： * 细分因子：**LN_MktCap** * 公式：$$LN\_MktCap = ln(流通市值)$$ * 排序方向：**↓** （数值越小，即市值越小，因子值越优）[65]。 2. **因子名称：价值因子 (Value)** [65] * **因子构建思路**：寻找市场价格相对于公司基本面价值（如账面价值、盈利、销售收入等）被低估的股票[65]。 * **因子具体构建过程**： * 包含多个细分因子，例如： * **BP_LR**: 最新年报账面净资产 / 最新市值。 * **EP_FTTM**: 未来12个月一致预期净利润 / 最新市值。 * **SP_TTM**: 过去12个月营业收入 / 最新市值。 * **EP_FY0**: 当期年报一致预期净利润 / 最新市值。 * **Sales2EV**: 过去12个月营业收入 / 企业价值。 * 排序方向：**↑** （比率越高，代表估值可能越低，因子值越优）[65]。 3. **因子名称：成长因子 (Growth)** [65] * **因子构建思路**：筛选出在盈利、收入等财务指标上增长更快的公司[65]。 * **因子具体构建过程**： * 包含多个细分因子，例如： * **NetIncome_SQ_Chg1Y**: 单季度净利润同比增速。 * **OperatingIncome_SQ_Chg1Y**: 单季度营业利润同比增速。 * **Revenues_SQ_Chg1Y**: 单季度营业收入同比增速。 * 排序方向：**↑** （增速越高，因子值越优）[65]。 4. **因子名称：质量因子 (Quality)** [65] * **因子构建思路**：识别具有高盈利能力、稳健财务结构和良好运营效率的公司[65]。 * **因子具体构建过程**： * 包含多个细分因子，例如： * **ROE_FTTM**: 未来12个月一致预期净利润 / 股东权益均值。 * **OCF2CurrentDebt**: 过去12个月经营现金流净额 / 流动负债均值。 * **GrossMargin_TTM**: 过去12个月毛利率。 * **Revenues2Asset_TTM**: 过去12个月营业收入 / 总资产均值。 * 排序方向：**↑** （比率或利润率越高，因子值越优）[65]。 5. **因子名称：一致预期因子 (Consensus Expectation)** [65] * **因子构建思路**：利用分析师一致预期的变化和目标价，捕捉市场对公司未来业绩的乐观修正和上涨潜力[65]。 * **因子具体构建过程**： * 包含多个细分因子，例如： * **EPS_FTTM_Chg3M**: 未来12个月一致预期EPS过去3个月的变化率。 * **ROE_FTTM_Chg3M**: 未来12个月一致预期ROE过去3个月的变化率。 * **TargetReturn_180D**: 一致预期目标价相对于目前股价的收益率。 * 排序方向：**↑** （预期上调幅度或目标收益率越高，因子值越优）[65]。 6. **因子名称：技术因子 (Technical)** [65] * **因子构建思路**：基于价量数据，识别交易活跃度、价格分布形态等市场行为特征[65]。 * **因子具体构建过程**： * 包含多个细分因子，例如： * **Volume_Mean_20D_240D**: 20日成交量均值 / 240日成交量均值。 * **Skewness_240D**: 240日收益率偏度。 * **Volume_CV_20D**: 20日成交量标准差 / 20日成交量均值。 * **Turnover_Mean_20D**: 20日换手率均值。 * 排序方向：**↓** （报告未明确解释每个细分因子的具体逻辑，但整体大类排序方向为向下）[65]。 7. **因子名称：波动率因子 (Volatility)** [65] * **因子构建思路**：识别股价波动率较低、风险较小的股票，这类股票可能具有防御属性或低风险溢价[65]。 * **因子具体构建过程**： * 包含多个细分因子，例如： * **Volatility_60D**: 60日收益率标准差。 * **IV_CAPM**: CAPM模型残差波动率。 * **IV_FF**: Fama-French三因子模型残差波动率。 * **IV_Carhart**: Carhart四因子模型残差波动率。 * 排序方向：**↓** （波动率越低，因子值越优）[65]。 8. **因子名称：反转因子 (Reversal)** [65] * **因子构建思路**：认为过去一段时间内跌幅较大的股票在未来可能反弹，而涨幅过大的股票可能回调[65]。 * **因子具体构建过程**： * 包含多个细分因子，例如： * **Price_Chg20D**: 20日收益率。 * **Price_Chg40D**: 40日收益率。 * **Price_Chg60D**: 60日收益率。 * **Price_Chg120D**: 120日收益率。 * 排序方向：**↓** （过去收益率越低，因子值越优）[65]。 9. **因子名称：可转债择券因子** [59] * **因子构建思路**：为可转债构建专门的量化择券因子，包括从正股映射的因子（如正股一致预期、成长、财务质量、价值）以及转债特有的估值因子[59]。 * **因子具体构建过程**： * **正股类因子**：从预测正股的因子（如一致预期、成长等）来构建可转债因子[59]。 * **转债估值因子**：例如使用**平价底价溢价率**[59]。 因子的回测效果 报告提供了过去一周（截至2026年3月27日当周）及2026年年初以来，八大类选股因子在全部A股、沪深300、中证500、中证1000四个股票池中的IC均值和因子多空收益数据[56]。 1. **一致预期因子**，上周IC均值（全部A股）**7.37%**，年初以来IC均值（全部A股）**1.30%**；上周多空收益（全部A股）**1.26%**，年初以来多空收益（全部A股）**4.69%** [56]。 2. **市值因子**，上周IC均值（全部A股）**2.12%**，年初以来IC均值（全部A股）**2.08%**；上周多空收益（全部A股）**-1.48%**，年初以来多空收益（全部A股）**-3.07%** [56]。 3. **成长因子**，上周IC均值（全部A股）**0.90%**，年初以来IC均值（全部A股）**0.90%**；上周多空收益（全部A股）**0.47%**，年初以来多空收益（全部A股）**4.32%** [56]。 4. **反转因子**，上周IC均值（全部A股）**-12.58%**，年初以来IC均值（全部A股）**-0.28%**；上周多空收益（全部A股）**-2.82%**，年初以来多空收益（全部A股）**-8.93%** [56]。 5. **质量因子**，上周IC均值（全部A股）**-7.17%**，年初以来IC均值（全部A股）**-1.22%**；上周多空收益（全部A股）**-1.18%**，年初以来多空收益（全部A股）**-2.75%** [56]。 6. **技术因子**，上周IC均值（全部A股）**0.13%**，年初以来IC均值（全部A股）**5.43%**；上周多空收益（全部A股）**-0.54%**，年初以来多空收益（全部A股）**-1.51%** [56]。 7. **价值因子**，上周IC均值（全部A股）**-1.55%**，年初以来IC均值（全部A股）**5.27%**；上周多空收益（全部A股）**-1.40%**，年初以来多空收益（全部A股）**0.09%** [56]。 8. **波动率因子**，上周IC均值（全部A股）**-4.38%**，年初以来IC均值（全部A股）**6.47%**；上周多空收益（全部A股）**-1.32%**，年初以来多空收益（全部A股）**1.30%** [56]。

量化模型与构建方式 1. **模型名称：多资产择时模型**[3][7][8] * **模型构建思路**：该模型旨在对多种资产（包括不同期限的国债、信用债、股票指数、商品等）的未来短期走势进行概率化预测，并基于预测概率生成明确的多空或震荡观点[3][7][8]。 * **模型具体构建过程**：报告未详细描述模型的具体构建过程、所使用的算法或因子。模型的核心输出是一个“原始信号”，该信号是一个百分比数值，代表模型对未来短期内资产价格（对于债券是到期收益率，对于股票和商品是指数）上行概率的估计[8]。模型最终观点（看多、调整、震荡）的生成规则如下： 1. 对于利率债（如国债）和信用债（如中短票）：当原始信号大于60%时，模型观点为“调整”（看空收益率上行）；当原始信号小于40%时，模型观点为“看多”（看空收益率下行）；当原始信号介于40%和60%之间时，模型观点为“震荡”[8]。 2. 对于股票指数和商品：当原始信号大于60%时，模型观点为“调整”（看多指数上行）；当原始信号小于40%时，模型观点为“看多”（看空指数下行）；当原始信号介于40%和60%之间时，模型观点为“震荡”[8]。 3. 除了原始信号，模型还计算了其5日移动平均值（MA5），作为平滑后的信号参考[3][7][8]。 模型的回测效果 （注：报告未提供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。仅提供了截至报告日（2026-03-27）的最新信号和观点。） 1. **多资产择时模型**，截至2026-03-27的模型输出如下[3][7][8]： * **30年国债**：原始信号82.96%，MA5信号74.29%，模型观点为【调整】，信号持续超过10个交易日。 * **3年AAA中短票**：原始信号65.06%，MA5信号70.31%，模型观点为【调整】，信号持续4个交易日。 * **10年国债**：原始信号32.66%，MA5信号60.66%，模型观点为【调整】，信号持续9个交易日。 * **2年国债**：原始信号14.63%，MA5信号14.69%，模型观点为【看多】，信号持续超过10个交易日。 * **万得全A指数**：原始信号83.02%，MA5信号64.68%，模型观点为【调整】，信号持续3个交易日。 * **中证红利全收益指数**：原始信号75.64%，MA5信号79.54%，模型观点为【调整】，信号持续7个交易日。 * **恒生科技指数**：原始信号85.67%，MA5信号77.95%，模型观点为【调整】，信号持续8个交易日。 * **科创50指数**：原始信号85.68%，MA5信号81.43%，模型观点为【调整】，信号持续超过10个交易日。 * **万得微盘指数**：原始信号84.58%，MA5信号67.86%，模型观点为【调整】，信号持续3个交易日。 * **国证2000指数**：原始信号91.59%，MA5信号79.07%，模型观点为【调整】，信号持续超过10个交易日。 * **COMEX黄金**：原始信号57.89%，MA5信号42.29%，模型观点为【震荡】，信号持续4个交易日。 * **IPE布油**：原始信号39.42%，MA5信号44.75%，模型观点为【震荡】，信号持续超过10个交易日。 量化因子与构建方式 （注：报告未提及任何具体的量化因子及其构建方式。） 因子的回测效果 （注：报告未提及任何具体的量化因子及其测试结果。）

量化模型与构建方式 1. 债券久期择时模型 * **模型名称**：改进的Diebold2006模型[10] * **模型构建思路**：利用改进的Diebold-Li模型，通过预测即期收益率曲线的水平、斜率、曲率三个因子，来映射不同久期债券的预期收益，从而实现久期择时[10]。 * **模型具体构建过程**： 1. 使用改进的Diebold2006模型对即期收益率曲线进行建模和预测[10]。 2. 将收益率曲线分解为水平、斜率、曲率三个因子[10]。 3. 对三个因子分别进行预测： * **水平因子**：基于宏观变量预判和政策利率跟随两个视角进行预测[10]。 * **斜率因子**与**曲率因子**：基于AR(1)模型进行预测[10]。 4. 将预测出的未来三个因子状态（上升/下降、陡峭/平坦、凸/凹）映射到不同久期债券的预期收益上，选择预期收益最高的久期进行配置[10][12]。 2. 黄金预期收益模型 * **模型名称**：基于TIPS收益率的黄金预期收益模型[22] * **模型构建思路**：将黄金的远期实际回报与美国抗通胀债券(TIPS)的远期实际回报相关联，通过估计两者之间的弹性系数k，并结合通胀预期，来预测黄金的名义预期收益率[22]。 * **模型具体构建过程**： 1. 建立黄金实际回报与TIPS实际回报之间的线性关系模型： $$E[Real\_Return^{gold}]=k\times E[Real\_Return^{Tips}]$$[22] 其中，k为弹性系数，通过扩展窗口OLS进行估计[22]。 2. 在黄金实际预期收益的基础上，加上预期通胀率，得到黄金的名义预期收益率： $$E[R^{gold}]=\pi^{e}+k\times E[Real\_Return^{Tips}]$$[22] 其中，$\pi^{e}$为预期通胀率，以美联储长期通胀目标2%作为代理[22]。 3. 当模型测算出的未来一年黄金预期收益率大于10%时，择时模型发出为期一年的看多信号[24]。 3. A股权益择时框架（多策略合成模型） * **模型名称**：A股权益择时多策略框架[29] * **模型构建思路**：从宏观流动性、信贷预期、跨境资金流、衍生品预期、市场资金流、技术分析六个维度分别构建子择时策略，然后通过动态调整各子策略权重合成综合择时信号，并基于此信号通过风险预算模型构建股债轮动组合[29]。 * **模型具体构建过程**： 1. **构建子策略**：在六个维度（宏观流动性、信贷预期、跨境资金流、衍生品预期、市场资金流、技术分析）下分别构建独立的择时子模型[29]。 2. **动态合成综合信号**：为使模型灵活适应市场环境，采用动态调整的方法为各子策略赋予权重，加权得到综合择时信号[31]。信号值越接近1表示越看多，越接近-1表示越看空[33]。 3. **构建股债轮动组合**：基于综合择时信号，运用风险预算模型动态分配股票和债券的仓位，构建股债轮动投资组合[29]。 4. 行业轮动体系3.0（多模型合成框架） * **模型名称**：行业轮动体系3.0[35] * **模型构建思路**：从交易行为、景气度、资金面、筹码结构、宏观驱动、技术分析六个维度出发，分别构建行业轮动子模型，然后对子模型的信号进行动态合成，以双周频优选行业[35]。 * **模型具体构建过程**： 1. **构建六个维度的子模型**： * **交易行为模型**：捕捉行业的日内动量与隔夜反转效应[35]。 * **景气度模型**：捕捉行业的盈余动量效应[35]。 * **资金流模型**：捕捉主动抢筹与被动派发行为[35]。 * **筹码结构模型**：捕捉持仓收益与阻力支撑效应[35]。 * **宏观驱动模型**：捕捉高频宏观预期在行业层面的映射[35]。 * **技术分析模型**：捕捉行业成分股在趋势、振荡、量能指标上的交易信号[35]。 2. **动态合成行业信号**：对上述六个子模型产生的信号进行动态加权合成，得到每个行业的最终得分[35][42]。权重根据模型近期的表现动态调整[42]。 3. **行业选择**：根据行业得分进行排序，选择得分高的行业作为看多方向[41]。 5. 转债风格轮动模型 * **模型名称**：转债风格轮动模型[16] * **模型构建思路**：在剔除高估值转债的基础上，选择能够捕捉市场情绪的指标，在转债的股性和债性两种主要风格之间进行轮动配置[16]。 * **模型具体构建过程**： 1. **剔除高估值转债**：构建**转股溢价率偏离度因子**和**理论价值偏离度因子**，综合筛选并剔除高估值转债[16]。 2. **构建风格轮动指标**：选择**转债20日动量**与**转债波动率偏离度**作为捕捉市场情绪的指标[16]。 3. **组合构建与调仓**：基于上述指标，构建转债风格轮动组合，每两周调仓一次[16]。根据信号在偏债低估转债指数和偏股型转债指数之间进行切换配置[16]。 6. ETF轮动组合构建模型 * **模型名称**：ETF轮动组合构建模型[46] * **模型构建思路**：利用行业轮动体系3.0产生的行业信号，选择对应的行业ETF构建投资组合，并通过分资金、分批次调仓的方式平滑调仓冲击[46]。 * **模型具体构建过程**： 1. **信号来源**：直接使用行业轮动体系3.0生成的行业得分作为ETF选择的依据[47]。 2. **组合构建**：每周选择得分最高的4个行业，并调入其对应的代表性ETF，每只ETF配置25%的权重[47]。 3. **调仓方式**：为平滑单双周调仓时点的扰动，将资金分为两份，每周对其中一份资金进行调仓。调入的ETF持有周期为两周[46]。 量化因子与构建方式 1. 百元转股溢价率因子 * **因子名称**：百元转股溢价率[13] * **因子构建思路**：构建一个在时间序列上可比的估值指标，用于衡量可转债与其正股之间的相对配置价值[13]。 * **因子具体构建过程**：计算每只可转债的转股溢价率，并以“百元”为单位进行标准化或调整，使得该指标在不同时期具有可比性。通过计算该指标在滚动历史窗口（如三年、五年）内的分位数，来判断当前转债相对于正股的估值高低[13]。 2. 修正YTM-信用债YTM因子 * **因子名称**：修正YTM–信用债YTM[15] * **因子构建思路**：通过剥离转股条款对转债到期收益率(YTM)的影响，得到“修正YTM”，再与同等级、同期限的信用债YTM比较，以衡量偏债型转债与信用债之间的相对配置价值[15]。 * **因子具体构建过程**： 1. 对偏债型转债的YTM进行修正，剔除转股期权价值的影响，得到纯债部分的收益率，即“修正YTM”[15]。 2. 计算“修正YTM”与同等级、同期限信用债YTM的差值[15]。 3. 计算全市场该差值的中位数，作为整体偏债型转债配置性价比的衡量指标。差值越低（或为负），说明偏债型转债相对于信用债的配置价值越低[15]。 3. 转股溢价率偏离度因子 * **因子名称**：转股溢价率偏离度因子[16] * **因子构建思路**：用于识别并剔除转股溢价率过高的可转债，即估值过高的转债[16]。 * **因子具体构建过程**：报告未给出具体公式，但思路是计算单只转债的转股溢价率与其自身历史均值或行业均值的偏离程度，偏离过大的被视为高估值标的[16]。 4. 理论价值偏离度因子 * **因子名称**：理论价值偏离度因子[16] * **因子构建思路**：用于识别并剔除市场价格严重偏离理论估值（如通过B-S模型计算）的可转债，即估值不合理的转债[16]。 * **因子具体构建过程**：报告未给出具体公式，但思路是计算转债市价与其通过模型计算出的理论价值之间的偏离度，偏离度过大的被视为估值不合理的标的[16]。 5. 转债20日动量因子 * **因子名称**：转债20日动量[16] * **因子构建思路**：作为捕捉市场情绪的指标之一，用于转债的风格轮动[16]。 * **因子具体构建过程**：计算可转债过去20个交易日的价格收益率，作为动量因子[16]。 6. 转债波动率偏离度因子 * **因子名称**：转债波动率偏离度[16] * **因子构建思路**：作为捕捉市场情绪的指标之一，用于转债的风格轮动[16]。 * **因子具体构建过程**：报告未给出具体公式，但思路是计算转债当前波动率与其历史波动率均值的偏离程度[16]。 模型的回测效果 1. **债券久期择时模型**：2026年3月，策略回报18.3bp，等权基准收益率6.4bp，超额收益11.9bp[12]。最近一年，策略回报1.57%，等权基准收益率-0.12%，超额收益1.69%[12]。 2. **黄金预期收益择时模型**：基于TIPS收益率的择时策略，在过去一年的绝对回报为62.0%[24]。 3. **A股权益择时框架（股债轮动组合）**：在全样本区间内，股债轮动组合（风险预算）年化收益率8.16%，最大回撤3.74%，收益波动比2.76，收益回撤比2.19[33]。2026年3月，组合收益为-0.44%[33]。 4. **行业轮动体系3.0**：2026年3月，行业多头组合收益为-6.42%，空头组合收益为-7.73%，行业等权基准收益为-7.23%，多头超额收益0.81%，空头超额收益0.5%，五分组多空组合收益为1.65%[38]。 5. **转债风格轮动模型**：2018年2月14日至2026年3月13日，策略年化收益为25.60%，最大回撤15.89%，信息比率(IR)1.51[16]。2026年以来收益为9.34%[16]。 6. **ETF轮动组合构建模型**：2026年3月，组合收益率为-5.69%，有ETF跟踪的行业平均收益率为-6.84%，超额收益率为1.14%[50]。 因子的回测效果 （报告中未提供单个因子的独立回测绩效指标，仅将其作为模型的一部分呈现结果。）