量化模型与构建方式 1. **模型/因子名称**：风险溢价模型[29] * **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，用以衡量其相对投资价值和偏离情况[29] * **具体构建过程**：风险溢价的计算公式为指数收益率减去无风险利率。报告中具体计算了各宽基指数相对于十年期国债即期收益率的风险溢价，并统计了其在不同时间窗口（近1年、近5年）内的分位值、均值、波动率及与均值加减标准差倍数的差值[31][33] * **模型评价**：各指数的风险溢价有明显的均值复归现象，其中中证1000和中证2000的风险溢价波动率相对较大[30]。上证50的分布更集中，极端值也更靠近中心，而中证1000、中证2000和创业板指的风险溢价分布较分散，不确定性相对更大[35] 2. **模型/因子名称**：股债性价比模型[42] * **构建思路**：以各指数市盈率（PE-TTM）的倒数作为股票预期收益率的近似，减去十年期国债即期收益率，得到股债利差，用以衡量股票相对于债券的吸引力[42] * **具体构建过程**：股债性价比 = (1 / 指数PE-TTM) - 十年期国债即期收益率。报告中将此指标与近5年历史数据计算的80分位值（机会值）、20分位值（危险值）、均值及±1倍标准差进行比较分析[45] 3. **因子名称**：峰度与偏度因子[24][25] * **构建思路**：通过计算各宽基指数日收益率的峰度和偏度，分析其收益分布的特征、集中程度和形态倾向[19][24] * **具体构建过程**： * 峰度：衡量收益率分布的尖峭或扁平程度。报告中的峰度计算减去了3（正态分布的峰度值），因此“峰度负偏离”表示当前分布比近5年基准更平坦[25]。 * 偏度：衡量收益率分布的不对称性。正偏态表示极端正收益情形增加[24]。 * **因子评价**：峰度越大，说明各区间段的收益率分布更集中。创业板指的峰度负偏离最大，上证50的峰度负偏离最小[24]。正偏态显示极端正收益情形增加的程度，创业板指的负偏态最大，上证50的负偏态最小[24]。 4. **因子名称**：市盈率（PE-TTM）分位因子[36][38] * **构建思路**：观察各指数的滚动市盈率（PE-TTM）作为估值参考，并通过计算其历史分位值来衡量当前估值在历史中所处的位置[36] * **具体构建过程**：计算各宽基指数当前的PE-TTM值，并统计其在近1年、近5年以及全部历史数据中的分位值。同时，计算近1年的均值和波动率，并分析当前值相对于均值加减1倍、2倍标准差的偏离百分比[41][42] 5. **因子名称**：股息率因子[46] * **构建思路**：股息率反映现金分红回报率，是红利投资风格的核心指标。跟踪各指数的股息率，观察其走势和变化趋势[46] * **具体构建过程**：计算各宽基指数当前的股息率，并统计其在近1年、近5年以及全部历史数据中的分位值。同时，计算近1年的均值和波动率，并分析当前值相对于均值加减1倍、2倍标准差的偏离百分比[49] 6. **因子名称**：破净率因子[51] * **构建思路**：破净率表示市净率小于1的个股数量占比，反映市场的整体估值态度和低估的普遍程度[51] * **具体构建过程**：统计各宽基指数成分股中，市净率（PB）小于1的个股数量，并计算其占该指数总成分股数量的比例[53] 模型的回测效果 *注：本报告为市场数据跟踪报告，未提供基于历史数据的策略回测绩效指标（如年化收益率、夏普比率、最大回撤等）。报告中对各模型/因子的分析主要基于当前时点的截面数据比较和历史分位值统计，无传统意义上的回测结果展示。* 因子的回测效果 *注：本报告为市场数据跟踪报告，未提供单因子或复合因子的分层回测、IC/IR等绩效指标。报告中对各因子的分析侧重于当前状态描述和历史分位比较，无因子有效性检验的回测结果。*

量化模型与构建方式 1. **模型名称：250日新高距离模型** [11] * **模型构建思路**：该模型旨在追踪市场趋势，通过计算当前收盘价与过去250个交易日最高收盘价的相对距离，来量化个股、行业或指数接近其历史高点的程度。其理论基础在于研究表明，股价接近52周（约250日）最高价时，未来收益往往更高[11]。 * **模型具体构建过程**：对于任意标的（个股、行业指数、宽基指数），计算其最新收盘价相对于过去250个交易日最高收盘价的距离。具体公式如下： $$250 日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，$Closet$ 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[11]。若最新收盘价创出新高，则距离为0；若较新高回落，则距离为正值，表示回落幅度[11]。 2. **模型名称：平稳创新高股票筛选模型** [24][27] * **模型构建思路**：该模型旨在从近期创出新高的股票中，进一步筛选出具有更强趋势延续潜力的“平稳创新高”股票。其思路基于研究结论：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[24]。模型从分析师关注度、股价相对强弱、趋势延续性、股价路径平稳性、创新高持续性等多个角度进行综合筛选[24]。 * **模型具体构建过程**：该模型是一个多步骤筛选流程，具体步骤如下： 1. **初选股票池**：筛选出过去20个交易日内创出过250日新高的股票[24]。 2. **分析师关注度筛选**：要求过去3个月内，获得“买入”或“增持”评级的分析师研报不少于5份[27]。 3. **股价相对强弱筛选**：要求过去250日涨跌幅位于全市场前20%[27]。 4. **股价平稳性筛选**：在满足上述条件的股票池内，使用以下两个指标综合打分，并选取排名在前50%的股票[27]。 * **价格路径平滑性**：使用股价位移路程比进行衡量。公式为： $$价格路径平滑性 = \frac{过去 120 日涨跌幅的绝对值}{过去 120 日日涨跌幅绝对值加总}$$ 该比值越小，表明价格路径越平滑[24]。 * **创新高持续性**：计算过去120日内的250日新高距离在时间序列上的均值。该值越小，表明在观察期内越持续地接近或创出新高[27]。 5. **趋势延续性筛选**：计算过去5日的250日新高距离在时间序列上的均值，并最终选取该值排序靠前的50只股票作为“平稳创新高股票”[27]。 模型的回测效果 *本报告未提供模型（如250日新高距离策略或平稳创新高筛选策略）的历史回测绩效指标（如年化收益率、夏普比率、最大回撤、信息比率IR等）。报告主要展示了特定时点（2026年4月24日）的截面数据和应用结果[12][13][15][19][20][28]。* 量化因子与构建方式 1. **因子名称：250日新高距离因子** [11] * **因子构建思路**：该因子用于度量股票价格接近其一年内最高点的程度，作为动量或趋势强度的代理变量[11]。 * **因子具体构建过程**：对于每只股票，计算其最新收盘价与过去250个交易日最高收盘价的相对距离。具体公式如下： $$250 日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，$Closet$ 为股票的最新收盘价，$ts\_max(Close, 250)$ 为该股票过去250个交易日收盘价的最大值[11]。 * **因子评价**：该因子是动量效应和趋势跟踪策略中的经典指标，文献与实战均支持其有效性[11]。 2. **因子名称：价格路径平滑性因子** [24] * **因子构建思路**：该因子用于衡量股票价格上涨过程的“平稳性”或“连续性”，其理论基础是平滑的动量可能比跳跃的动量更具持续性[24]。 * **因子具体构建过程**：计算股票在过去120个交易日内，总涨跌幅（位移）与每日涨跌幅绝对值之和（路程）的比值。具体公式如下： $$价格路径平滑性 = \frac{|P_{t} - P_{t-120}|}{\sum_{i=t-119}^{t} |R_{i}|}$$ 其中，$P_{t}$ 为当前价格，$P_{t-120}$ 为120日前价格，$R_{i}$ 为第i日的收益率。报告中的公式表述为：过去120日涨跌幅的绝对值 / 过去120日日涨跌幅绝对值加总[24]。 * **因子评价**：该因子旨在捕捉“温水煮青蛙”效应，即平滑的趋势可能因投资者关注不足而产生更强大的动量[24]。 3. **因子名称：创新高持续性因子** [27] * **因子构建思路**：该因子用于衡量股票在一段较长时间内（如120日）持续接近或创出新高的能力，而非单次创新高。 * **因子具体构建过程**：计算股票在过去120个交易日内，其每日的“250日新高距离”的时间序列均值。该均值越小，表明股票在观察期内越持续地保持在历史高位附近[27]。 4. **因子名称：趋势延续性因子** [27] * **因子构建思路**：该因子用于衡量股票在短期（如5日）内其创新高趋势的延续强度。 * **因子具体构建过程**：计算股票在过去5个交易日内，其每日的“250日新高距离”的时间序列均值。选取该均值最小的股票，代表其短期创新高趋势最强、延续性最好[27]。 因子的回测效果 *本报告未提供上述量化因子（250日新高距离、价格路径平滑性等）的独立因子测试结果（如IC值、IR、多空收益等）。报告重点在于展示如何将这些因子应用于特定时点的股票筛选，并列出筛选结果[28][31]。*

量化模型与构建方式 1. **模型名称**：风格相对拥挤度模型[70] * **模型构建思路**：通过计算不同风格指数换手率标准化值的差异及其历史分位，来衡量某一风格相对于另一风格的交易拥挤程度，以判断其配置性价比和潜在风险[70]。 * **模型具体构建过程**： 1. 对于风格A和风格B的指数，分别计算其近252个交易日的平均换手率[125]。 2. 将上述平均换手率在2005年1月1日以来的历史时间序列上进行Z-score标准化，得到Z-score_A与Z-score_B[125]。 3. 计算二者差值：$$Diff = Z-score_A - Z-score_B$$[125]。 4. 计算该差值Diff在滚动6年窗口期内的历史分位数（若历史数据满1年但不足6年，则使用全部历史数据计算）[125]。此分位数即为风格A相对于风格B的相对拥挤度指标。 2. **模型名称**：风格累计超额净值模型[126] * **模型构建思路**：通过计算风格指数相对于市场基准（万得全A）的累计净值比，来刻画该风格的长期超额收益表现[126]。 * **模型具体构建过程**： 1. 以2020年1月4日为基准日，将各风格指数及万得全A指数的每日收盘价除以基准日收盘价，得到各自的累计净值序列[126]。 2. 将各风格指数在每个交易日的累计净值，除以同一交易日万得全A指数的累计净值，得到该风格指数相对于万得全A的累计超额净值[126]。公式为：$$风格累计超额净值_t = \frac{风格指数累计净值_t}{万得全A累计净值_t}$$。 3. **模型名称**：机构调研活跃度模型[127] * **模型构建思路**：通过标准化和比较不同板块（或指数、行业）的机构调研频率，构建活跃度指标并计算其历史分位，以衡量市场关注度的相对冷热[127]。 * **模型具体构建过程**： 1. 对于特定板块，计算其近n个交易日的“日均机构调研次数”[127]。 2. 将该日均值在滚动y年的历史时间序列上进行z-score标准化[127]。 3. 将上述标准化值与万得全A指数的同期标准化结果作差，得到“机构调研活跃度”[127]。 4. 计算该“机构调研活跃度”在滚动y年窗口期内的历史分位数[127]。 * **参数设置**：长期口径取n=126（近半年），滚动窗口y=6年（数据满3年不足6年用全部数据）[127]。短期口径取n=63（近一季度），滚动窗口y=3年（数据满1年不足3年用全部数据）[127]。 4. **因子名称**：风险溢价因子 (ERP)[50] * **因子构建思路**：通过比较股票市场估值倒数与无风险利率的差值，来衡量投资股票市场相对于债券市场的超额回报预期，即股债性价比[50]。 * **因子具体构建过程**：对于特定指数，其ERP计算公式为：$$指数ERP = \frac{1}{指数PE\_TTM} - 10年期中债国债到期收益率$$[50]。其中，PE_TTM为指数滚动市盈率。 5. **因子名称**：动量因子[61] * **因子构建思路**：基于股价的延续性效应，认为过去一段时间表现好的股票在未来短期内仍将保持强势[61]。 * **因子具体构建过程**：报告中引用的“长江动量”指数构建方法为，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前100只股票作为指数成分股[61]。 6. **因子名称**：反转因子[62] * **因子构建思路**：基于股价的均值回归效应，认为过去短期内表现较差的股票在未来可能迎来反弹[62]。 * **因子具体构建过程**：报告中引用的“长江反转”指数构建方法为，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、流动性较好的前100只股票作为指数成分股，并采用成分股近三个月日均成交量进行加权[62]。 模型的回测效果 1. 成长 vs 红利 相对拥挤度模型，本周末历史分位值75%，上周末72%，上年末70%[70] 2. 小盘 vs 大盘 相对拥挤度模型，本周末历史分位值7%，上周末6%，上年末39%[70] 3. 微盘股 vs 中证800 相对拥挤度模型，本周末历史分位值58%，上周末59%，上年末90%[70] 因子的回测效果 1. 成长-红利因子，近一周收益率0.1%，近一月收益率7.8%，年初至今收益率4.4%[60][61] 2. 小盘-大盘因子，近一周收益率0.4%，近一月收益率2.4%，年初至今收益率9.4%[60][61] 3. 动量-反转因子，近一周收益率-0.5%，近一月收益率12.4%，年初至今收益率10.3%[60][61] 4. 万得全A风险溢价因子(ERP)，本周末值2.4%，历史分位53%，状态“均衡”[58][59] 5. 沪深300风险溢价因子(ERP)，本周末值5.1%，历史分位57%，状态“均衡”[58][59] 6. 创业板指风险溢价因子(ERP)，本周末值0.5%，历史分位84%，状态“极高”[58][59]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：市场情绪监测模型**[11] * **模型构建思路**：通过统计市场中涨停、跌停股票的数量及其后续表现，以及股票的封板与连板情况，来量化市场的短期投机情绪和赚钱效应。 * **模型具体构建过程**： * **日内涨跌停家数**：统计上市满3个月以上的股票在盘中及收盘时的涨停和跌停数量[11]。 * **昨日涨跌停股今日表现**：统计昨日收盘涨停或跌停的股票在今日的收盘收益率，用以观察涨停/跌停股票的持续性[11]。 * **封板率**：计算最高价涨停且收盘涨停的股票数占最高价涨停股票总数的比例，用以衡量涨停板的稳固程度[14]。 $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ * **连板率**：计算连续两日收盘涨停的股票数占昨日收盘涨停股票总数的比例，用以衡量市场追高连板的热情[14]。 $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 2. **模型名称：市场资金与流动性监测模型**[16][19][23][25] * **模型构建思路**：通过分析融资融券余额及交易占比、大宗交易折溢价、股指期货升贴水等数据，从资金面和衍生品交易角度监测市场流动性和投资者预期。 * **模型具体构建过程**： * **两融余额与交易占比**：计算融资融券余额占市场总流通市值的比重，以及融资买入额与融券卖出额之和占市场总成交额的比例，反映杠杆资金的市场参与度和活跃度[19]。 * **大宗交易折溢价**：统计大宗交易的折价率，反映大资金交易的偏好和情绪。折价率计算公式为[23]： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ * **股指期货年化贴水率**：计算股指期货主力合约相对于现货指数的年化基差，反映市场对未来指数的预期和对冲成本。年化贴水率计算公式为[25]： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 其中，基差 = 股指期货价格 - 现货指数价格。 3. **模型名称：机构行为跟踪模型**[27][30][33][34] * **模型构建思路**：通过跟踪机构调研、龙虎榜中机构席位及陆股通（北向资金）的买卖动向，来观察机构投资者的关注点和资金流向。 * **模型具体构建过程**： * **机构调研热度**：统计近7天内对上市公司进行调研的机构数量，列出被调研机构数量最多的公司[27]。 * **龙虎榜机构席位净流入/流出**：根据交易所公布的龙虎榜数据，汇总“机构专用”席位在上榜股票中的买入与卖出金额差额，列出净流入和净流出额前十的股票[33]。 * **龙虎榜陆股通净流入/流出**：根据交易所公布的龙虎榜数据，汇总“陆股通”席位（北向资金）在上榜股票中的买入与卖出金额差额，列出净流入和净流出额前十的股票[34]。 * **龙虎榜上榜条件**：报告列出了沪市/深市主板、中小板与科创板、创业板股票登上龙虎榜所需满足的不同价格波动、振幅、换手率等条件[30][32][36]。 量化因子与构建方式 1. **因子名称：ETF折溢价因子**[20] * **因子构建思路**：利用股票型ETF在场内交易价格与场外净值之间的差异，构建折溢价指标，以此捕捉市场短期情绪或套利机会。 * **因子具体构建过程**：筛选日成交额超过100万元的境内交易股票型ETF，计算其场内交易价格与IOPV（基金份额参考净值）之间的百分比差额。溢价表示交易价格高于净值，折价则相反[20]。 模型的回测效果 *本报告为市场监测日报，主要展示各类模型在特定日期的观测结果，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）。* 因子的回测效果 *本报告为市场监测日报，主要展示ETF折溢价因子在特定日期的截面数据，未提供该因子在历史选股中的有效性测试结果（如IC值、IR、多空收益等）。*

量化模型与构建方式 1. **模型/因子名称：连阴连阳指标**[13] * **构建思路：** 通过统计指数K线连续为阴线或阳线的天数，来刻画市场的短期趋势强度和持续性[13]。 * **具体构建过程：** 对每个交易日，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正数（连阳天数），连续下跌的天数计为负数（连阴天数）。从1开始计数，若趋势中断（如连阳后出现阴线），则重新开始计数[13]。 2. **模型/因子名称：指数与均线相对位置**[16][17] * **构建思路：** 通过比较指数当前价格与不同周期移动平均线（MA）的位置关系，判断指数所处的趋势阶段（如是否突破、是否获得支撑/压力）[16]。 * **具体构建过程：** 计算指数收盘价的5日（MA5）、10日（MA10）、20日（MA20）、60日（MA60）、120日（MA120）和250日（MA250）简单移动平均线。然后计算当前收盘价相对于各条均线的百分比偏离度，公式为： $$ vsMA = (Close / MA_n - 1) * 100\% $$ 其中，$Close$ 为当前收盘价，$MA_n$ 为第n日移动平均线[17]。 3. **模型/因子名称：指数换手率**[19][21] * **构建思路：** 衡量指数成分股整体的交易活跃程度，高换手率通常意味着市场关注度高或分歧大[19]。 * **具体构建过程：** 指数换手率并非简单平均，而是以成分股流通市值为权重进行加权计算。公式为： $$ 指数换手率 = \frac{\sum (成分股流通股本 * 成分股换手率)} {\sum (成分股流通股本)} $$ 其中，成分股换手率通常为该股当日成交金额除以其流通市值[21]。 4. **模型/因子名称：日收益率分布形态（偏度与峰度）**[24][26] * **构建思路：** 通过分析指数日收益率序列的偏度和峰度，来描述收益分布的不对称性和尖峰厚尾特征，以评估风险[24][26]。 * **具体构建过程：** 计算指定时间段（如近一年、近五年）内指数日收益率序列的三阶矩（偏度）和四阶矩（峰度）。报告中采用的峰度为超额峰度，即在计算出的峰度值基础上减去正态分布的峰度值3。公式分别为： $$ 偏度 = \frac{E[(R-\mu)^3]}{\sigma^3} $$ $$ 峰度 = \frac{E[(R-\mu)^4]}{\sigma^4} - 3 $$ 其中，$R$为日收益率序列，$\mu$为其均值，$\sigma$为其标准差，$E$为期望算子[26]。 5. **模型/因子名称：风险溢价**[29][31] * **构建思路：** 以十年期国债即期收益率作为无风险利率的代理变量，计算股票指数收益率与其之差，衡量投资者因承担市场风险而要求的额外回报[29]。 * **具体构建过程：** 风险溢价通常指股票指数的预期收益率与无风险收益率之差。在报告中，其具体计算可能基于市盈率倒数（E/P）或股息率等指标与国债收益率比较。从上下文看，报告中的“当前风险溢价”数值（如-0.06%， 0.66%等）是直接给出的结果[32]。其一般化公式可表示为： $$ 风险溢价 = 股票指数预期收益率 - 无风险利率 $$ 报告中进一步计算了该溢价在近1年、近5年历史数据中的分位值，以及其相对于历史均值和标准差的偏离程度[31][32]。 6. **模型/因子名称：股债性价比**[40][42][44] * **构建思路：** 将股票市场估值（常用市盈率倒数，即盈利收益率）与债券市场收益率（十年期国债利率）进行比较，以判断哪类资产更具相对吸引力[40]。 * **具体构建过程：** 计算各宽基指数市盈率（PE-TTM）的倒数，得到盈利收益率（E/P），然后减去十年期国债即期收益率。公式为： $$ 股债性价比 = \frac{1}{PE-TTM} - 十年期国债收益率 $$ 该差值越大，表明股票相对于债券的吸引力越高[40][42][44]。 7. **模型/因子名称：破净率**[51][53] * **构建思路：** 统计指数成分股中市净率（PB）小于1的个股数量占比，反映市场整体估值水平是否处于“破净”状态，常用于衡量市场的悲观程度或估值底部的特征[51]。 * **具体构建过程：** 首先，计算指数中每只成分股的市净率（股价/每股净资产）。然后，统计市净率小于1的个股数量。最后，计算破净个股数量占指数总成分股数量的百分比。公式为： $$ 破净率 = \frac{市净率 < 1的个股数量}{指数成分股总数量} * 100\% $$ [51][53] 模型的回测效果 *本报告为市场数据跟踪报告，未提供基于历史数据的模型回测绩效指标（如年化收益率、夏普比率、最大回撤、信息比率IR等）。报告主要展示各类指标在特定时点（2026年4月22日）的截面数据、历史分位值及与均值和标准差的比较。* 量化因子与构建方式 *本报告主要侧重于对宽基指数的各类市场指标进行跟踪和描述，并未构建用于选股或择时的传统Alpha因子（如价值、动量、质量等因子）。报告中所涉及的“连阴连阳”、“与均线位置”、“换手率”、“风险溢价”、“股债性价比”、“破净率”等，更接近于用于描述市场状态或进行资产配置的宏观或技术指标，而非用于截面选股的量化因子。因此，本部分无相关内容。* 因子的回测效果 *本报告未涉及传统选股因子的构建与测试，因此无相关因子回测效果数据。*

量化模型与构建方式 1. **模型名称**：重仓股补全法[45] **模型构建思路**：由于基金季报仅披露前十大重仓股，信息不完整，为了更全面地分析基金的行业配置偏好，在保证一定准确度的同时兼顾时效性，利用上期持仓信息补全本期非重仓部分，模拟基金的全部持仓[45]。 **模型具体构建过程**：该方法在证监会行业配置约束下进行补全。具体步骤为：利用基金上期的持仓股票和全市场其他股票，来补全本期行业配置中缺失的部分（即非重仓股部分），从而模拟出本期基金的全部持仓，进而估计基金在中信行业层面的配置信息[45]。对于不同季报节点，使用的基准数据有所区别：在Q1（或Q3）节点，使用的是上期年报（或半年报）的真实持仓信息；在Q2（或Q4）节点，使用的是上期Q1（或Q3）的模拟持仓信息[45]。该方法的核心前提假设是基金经理的配置偏好具有延续性，即其管理的基金在前后两期非重仓股的行业配置比例保持不变[45]。 量化因子与构建方式 1. **因子名称**：行业配置权重因子[44][45][46] **因子构建思路**：通过计算主动权益类基金在不同行业上的持仓市值占其总股票持仓市值的比例，来衡量基金对各个行业的配置偏好和集中度[44][45][46]。 **因子具体构建过程**：首先，根据基金定期报告（季报、年报等）披露的持仓数据，汇总所有主动权益类基金对某行业i内所有股票j的持仓市值。然后，计算该行业配置权重。 $$行业配置权重_i = \frac{\sum_{j \in 行业i} 持仓市值_j}{\sum_{所有行业} \sum_{k \in 行业} 持仓市值_k} \times 100\%$$ 报告中分别基于“重仓股”和“模拟全持仓”（即应用重仓股补全法后的结果）计算了行业配置权重[44][45][46]。此外，还计算了相邻报告期之间的权重变化（差值），以观察基金的行业调仓方向[44][45][46]。 2. **因子名称**：板块配置权重因子[48][49][50] **因子构建思路**：为了从更宏观的视角分析基金配置偏好，将具有内在属性相关性的中信行业归类为六大板块，并计算基金在这些大类板块上的配置权重[48]。 **因子具体构建过程**：首先，依据行业属性与市场表现，建立行业到板块的映射关系（例如：周期板块包含石油石化、煤炭、有色金属等12个中信行业）[48]。然后，将归属于同一板块的所有行业的配置权重（计算方法同“行业配置权重因子”）相加，得到基金在该板块上的总配置权重[49][50]。同样，报告计算了基于重仓股和模拟全持仓的板块配置权重，以及相邻报告期的权重变化[49][50]。 模型的回测效果 （报告中未提供重仓股补全法模型的定量回测效果指标，如信息比率、胜率等。） 因子的回测效果 1. **行业配置权重因子（基于重仓股）**，在2026年一季度末，主动权益类基金在电子行业的配置权重为19.17%，在通信行业的配置权重为12.26%，在医药行业的配置权重为9.75%，在电力设备及新能源行业的配置权重为8.88%[44]。相较于2025年四季度，通信行业权重上升2.42个百分点，基础化工行业上升1.16个百分点，石油石化行业上升0.99个百分点，电力设备及新能源行业上升0.91个百分点，医药行业上升0.67个百分点；传媒行业权重下降1.77个百分点，电子行业下降1.56个百分点，非银行金融行业下降1.15个百分点，有色金属行业下降0.99个百分点，商贸零售行业下降0.67个百分点[44]。 2. **行业配置权重因子（基于模拟全持仓）**，在2026年一季度末，主动权益类基金模拟持仓在电子行业的配置权重为17.25%，在医药行业为8.88%，在电力设备及新能源行业为8.38%，在机械行业为7.63%，在有色金属行业为7.63%[46]。相较于2025年四季度，基础化工行业权重上升1.73个百分点，电力设备及新能源行业上升0.91个百分点，有色金属行业上升0.63个百分点，通信行业上升0.39个百分点；家电行业权重下降0.73个百分点，国防军工行业下降0.63个百分点，计算机行业下降0.60个百分点，银行行业下降0.59个百分点[46]。 3. **板块配置权重因子（基于重仓股）**，在2026年一季度末，主动权益类基金重仓股在科技板块的配置权重为36.45%，在周期板块为35.88%，在消费板块为13.04%，在医药板块为9.75%，在金融板块为4.86%[48][49]。相较于2025年四季度，周期板块权重上升3.25个百分点，医药板块上升0.67个百分点；消费板块权重下降1.65个百分点，科技板块下降1.42个百分点，金融板块下降0.85个百分点[48][49]。 4. **板块配置权重因子（基于模拟全持仓）**，在2026年一季度末，主动权益类基金模拟持仓在周期板块的配置权重为42.06%，在科技板块为28.80%，在消费板块为14.36%，在医药板块为8.88%，在金融板块为5.87%[50]。相较于2025年四季度，周期板块权重上升3.93个百分点；消费板块权重下降1.57个百分点，医药板块下降0.57个百分点，金融板块下降0.77个百分点，科技板块下降1.04个百分点[50]。

量化模型与构建方式 1. **模型名称：择时信号模型**[1][2][6][7][8] * **模型构建思路**：该模型是一个多资产择时模型，旨在预测各类资产（包括利率债、信用债、股票指数、商品等）在未来短期内的上涨概率[8]。模型通过计算“原始信号”（即上涨概率估计值），并经过平滑处理（如计算移动平均），最终根据预设的阈值规则生成“看多”、“震荡”或“看空”的交易观点[2][6][7][8]。 * **模型具体构建过程**： 1. **计算原始信号**：对于每个交易日，模型会输出一个百分比数值，代表模型对未来短期内该资产到期收益率（针对债券）或指数价格上行的概率估计[8]。这个原始信号是模型的核心输出。 2. **信号平滑**：对原始信号计算5日移动平均值（MA5），以平滑短期波动，得到“择时信号MA5”[2][6][7][8]。公式为： $$MA5_t = \frac{Signal_t + Signal_{t-1} + Signal_{t-2} + Signal_{t-3} + Signal_{t-4}}{5}$$ 其中，$Signal_t$ 代表第 $t$ 日的原始信号。 3. **生成交易观点**：根据资产类型和信号阈值，将概率估计转化为具体的多空观点[8]。 * **对于利率债（如国债）**：模型观点基于“择时信号MA5”。当 MA5 > 60% 时，观点为“看空”（预期收益率上行）；当 MA5 < 40% 时，观点为“看多”（预期收益率下行）；在40%至60%之间则为“震荡”[8]。 * **对于股指**：模型观点同样基于“择时信号MA5”。当 MA5 > 60% 时，观点为“看多”（预期指数上行）；当 MA5 < 40% 时，观点为“看空”（预期指数下行）；在40%至60%之间则为“震荡”[8]。 * **模型评价**：该模型是一个覆盖多资产类别的统一择时框架，通过概率估计和阈值规则将复杂的市场判断量化、标准化，便于跟踪和比较不同资产的短期动能[1][2][6][7][8]。 模型的回测效果 1. **择时信号模型** 在2026-04-22的日度表现如下[2][6][7][8]： * 30年国债，原始信号9.62%，择时信号MA5 21.31%，模型观点为“看多” * 3年AAA中短票，原始信号3.69%，择时信号MA5 16.50%，模型观点为“看多” * 5年国债，原始信号5.35%，择时信号MA5 9.51%，模型观点为“看多” * 2年国债，原始信号85.26%，择时信号MA5 19.41%，模型观点为“看多” * 万得全A指数，原始信号7.86%，择时信号MA5 10.29%，模型观点为“看多” * 科创50指数，原始信号3.20%，择时信号MA5 2.35%，模型观点为“看多” * 万得微盘指数，原始信号8.15%，择时信号MA5 32.73%，模型观点为“看多” * 国证2000指数，原始信号20.98%，择时信号MA5 32.31%，模型观点为“看多” * IPE布油，原始信号4.31%，择时信号MA5 34.70%，模型观点为“看多” * COMEX铜，原始信号2.24%，择时信号MA5 34.95%，模型观点为“看多” * 焦煤，原始信号25.34%，择时信号MA5 26.83%，模型观点为“看多” * 恒生科技指数，原始信号40.38%，择时信号MA5 55.88%，模型观点为“震荡” * 中证红利全收益指数，原始信号10.97%，择时信号MA5 51.82%，模型观点为“震荡” * COMEX黄金，原始信号39.82%，择时信号MA5 57.73%，模型观点为“震荡” > **注**：本报告为日度跟踪报告，主要展示了模型在最新交易日（2026-04-22）及近期（近10个交易日）对各类资产的信号输出和观点判断，并未提供长期历史回测的统计指标（如年化收益率、夏普比率、最大回撤等）[2][6][7][8]。

量化因子与构建方式 1. **因子名称：长线重仓股识别因子** * **因子构建思路**：识别被基金经理长期看好并持续持有的股票，这类股票通常具有基本面扎实、成长性确定或符合基金长期投资逻辑的特征[9]。 * **因子具体构建过程**： 1. 以主动管理型权益基金（普通股票型、偏股混合型、平衡混合型、灵活配置型）为样本，并剔除量化基金[14]。 2. 对于每只基金，检查其每个报告期（季度）的前十大重仓股列表。 3. 将**连续4个或4个以上报告期**出现在某只基金前十大重仓股中的个股，定义为该基金的“长线重仓股”[3][9]。 4. 对于全市场个股，统计在特定报告期（如2026Q1）将其作为“长线重仓股”持有的基金总数，作为该因子的截面取值[10]。 2. **因子名称：长线持仓终止比例因子** * **因子构建思路**：度量基金经理群体对某只个股长期看法的逆转程度。终止长线持仓的比例越高，可能意味着基金经理对其后市表现转为悲观[9][14]。 * **因子具体构建过程**： 1. 首先，按照“长线重仓股识别因子”的方法，确定在上一报告期末（如2025Q4）被长线重仓持有的个股及其对应的基金数量[14]。 2. 然后，在当期报告期（如2026Q1），识别哪些基金终止了对这些个股的“长线重仓”状态（即该个股未再出现在这些基金当期的前十大重仓股中，且已连续持有的期数中断）[14]。 3. 对每只符合条件的个股，计算其“终止长线持仓比例”，公式如下： $$终止长线持仓比例 = \frac{当期终止长线重仓持有该个股的基金数量}{上期末长线重仓持有该个股的基金数量}$$[14] 4. 为提升因子稳定性，通常选取上期末被较多基金长线持有的个股（如报告中选择“2025Q4长线重仓基金数超过20只”的个股）作为有效样本进行计算和排序[14]。 3. **因子名称：行业长线持仓终止比例因子** * **因子构建思路**：在行业层面度量基金经理长期配置倾向的变化，反映其对不同行业后市表现的集体乐观或悲观情绪[3][20]。 * **因子具体构建过程**： 1. 按照申万一级行业分类标准，对个股进行行业划分[3][20]。 2. 对于每个行业，汇总在上一报告期末（如2025Q4）行业内所有个股被长线重仓持有的基金总数量[22]。 3. 在当期报告期（如2026Q1），汇总行业内所有个股被终止长线重仓持有的基金总数量[22]。 4. 计算每个行业的“终止长线持仓比例”，公式如下（与个股因子逻辑一致）： $$行业终止长线持仓比例 = \frac{当期终止长线重仓持有该行业个股的基金总数量}{上期末长线重仓持有该行业个股的基金总数量}$$[22] 因子的回测效果 （注：本报告为描述性统计分析报告，未提供基于历史收益数据的传统量化因子回测指标（如IC、IR、多空收益等）。报告展示了基于2026Q1截面数据的因子取值结果，具体如下：） 1. **长线重仓股识别因子（2026Q1截面值）** * 宁德时代， 因子值：388[10] * 腾讯控股， 因子值：256[10] * 新易盛， 因子值：209[10] * 紫金矿业， 因子值：187[10] * 中际旭创， 因子值：162[10] * （其他个股取值详见报告表1）[10] 2. **长线持仓终止比例因子（2026Q1截面值，基于上期长线基金数>20的样本）** * **终止比例较高的个股**： * 胜宏科技， 因子值：60.00%[14] * 恺英网络， 因子值：58.33%[14] * 洛阳钼业， 因子值：55.00%[14] * （其他个股取值详见报告表2）[14] * **终止比例较低的个股**： * 药明康德， 因子值：2.00%[18] * 新易盛， 因子值：2.67%[18] * 睿创微纳， 因子值：4.55%[18] * （其他个股取值详见报告表3）[18] 3. **行业长线持仓终止比例因子（2026Q1截面值）** * 社会服务， 因子值：55.00%[22] * 传媒， 因子值：39.53%[22] * 商贸零售， 因子值：36.67%[22] * 食品饮料， 因子值：16.29%[22] * 医药生物， 因子值：16.95%[22] * 电力设备， 因子值：16.67%[22] * （其他行业取值详见报告表4）[22]

量化模型与构建方式 1. **模型/因子名称**：行业主动增减仓模型[29] **构建思路**：为了剔除行业价格波动带来的被动仓位变化，更纯粹地反映基金经理主动的行业配置决策，计算经行业涨跌幅调整后的行业配置权重变化[29] **具体构建过程**： 1. 获取上一季度（t-1期）基金在某个行业的配置权重 $$w_{t-1}$$[29] 2. 获取该行业在当季（t期）的涨跌幅 $$ind_{ret}$$[29] 3. 计算经行业涨跌幅调整后的上一季度权重：$$\mathrm{\Psi_{t-1}^{\prime}\;=\;w_{t-1}\;*\;(1\;+\;i n d_{r e t})}$$[29] 4. 对所有行业的调整后权重进行截面归一化处理[30] 5. 计算行业主动增减仓：使用当季（t期）的实际行业配置权重减去归一化后的调整权重 $$\mathrm{\Psi_{t-1}^{\prime}}$$[30] 2. **模型/因子名称**：个股主动加减仓模型[39] **构建思路**：为了剔除个股价格波动带来的被动持股市值变化，识别基金经理对个股的主动买卖行为，计算经个股涨跌幅调整后的持股市值变化[39] **具体构建过程**： 1. 获取上一季度（t-1期）基金持有某只股票的市值 $$val_{t-1}$$[39] 2. 获取该个股在当季（t期）的涨跌幅 $$stk_{ret}$$[39] 3. 计算经个股涨跌幅调整后的上一季度持股市值：$$\mathrm{val}_{\mathrm{t-1}}^{\prime}\;=\;\mathrm{val}_{\mathrm{t-1}}\;*\;(1\;+\;\mathrm{stk}_{\mathrm{ret}})$$[39] 4. 计算个股主动加减仓市值：使用当季（t期）的实际持股市值减去调整后的上一季度持股市值 $$\mathrm{val}_{\mathrm{t-1}}^{\prime}$$[40] 3. **模型/因子名称**：基金持股集中度指标[14] **构建思路**：通过计算基金前十大重仓股占其权益投资的比例，来衡量基金经理持仓是集中于少数个股还是分散投资[14] **具体构建过程**：在截面时点上，计算每只主动权益基金其前十大重仓股的合计市值占该基金股票资产总市值的比例，然后取该比例在所有基金中的中位数，作为市场整体的持股集中度指标[14] 4. **模型/因子名称**：基金经理持股分化度指标[14] **构建思路**：通过统计主动权益基金群体整体持有的不同股票数量，来衡量基金经理群体投资观点的一致性或分化程度[14] **具体构建过程**：在截面时点上，汇总所有主动权益基金（基于季报披露的前十大重仓股）持有的股票，去重后统计其总数，该数量即代表基金经理群体的持股分化度[14] 模型的回测效果 （注：本报告为基金持仓分析报告，主要展示统计和监测结果，未提供基于上述模型/因子的历史回测绩效指标，如年化收益率、夏普比率、信息比率(IR)、最大回撤等。报告中的“结果”为基于2026年一季报数据的截面统计值。） 1. **行业主动增减仓模型**，2026年第一季度主动加仓最多的三个行业为通信、基础化工、石油石化，分别加仓1.43%、0.82%、0.53%；主动减仓最多的三个行业为有色金属、电子、非银行金融，分别减仓1.45%、1.10%、0.60%[31][33] 2. **个股主动加减仓模型**，2026年第一季度主动加仓最多的三只股票为亨通光电、中天科技、长飞光纤，主动加仓市值分别为121亿元、71亿元、63亿元；主动减仓最多的三只股票为腾讯控股、紫金矿业、寒武纪，主动减仓市值分别为131亿元、121亿元、86亿元[42][43] 3. **基金持股集中度指标**，2026年第一季度末，主动权益基金前十大重仓股占权益配置比重的中位数为54.73%，与上一季度（54.79%）基本持平[17] 4. **基金经理持股分化度指标**，2026年第一季度末，主动权益基金总体持股数量为2844只，与上一季度（2842只）基本持平，说明分化度变化不大[17]

量化模型与构建方式 1. **模型/因子名称**：行业主动增减仓模型[34] **构建思路**：为了剥离行业价格涨跌带来的被动权重变化，更客观地反映基金经理主动的行业配置决策，计算经行业涨跌幅调整后的行业配置权重变化[34] **具体构建过程**： 1. 获取前一季度（t-1期）各行业的配置权重 $$w_{t-1}$$[34] 2. 获取本季度（t期）各行业的涨跌幅 $$ind_{ret}$$[34] 3. 计算经行业涨跌幅调整后的上一季度权重：$$w_{t-1}\ =\ w_{t-1}\ *\ (1\ +\ i n d_{r e t})$$[34] 4. 将调整后的权重 $$w_{t-1}$$ 在截面（所有行业间）进行归一化处理[34] 5. 用本季度实际行业配置权重减去归一化后的调整权重，得到行业主动增减仓数值[34] 2. **模型/因子名称**：个股主动加减仓模型[40] **构建思路**：为了剥离个股价格涨跌带来的被动市值变化，更客观地反映基金经理对个股的主动买卖行为，计算经个股涨跌幅调整后的持股市值变化[40] **具体构建过程**： 1. 获取前一季度（t-1期）对某只股票的持股市值 $$val_{t-1}$$[40] 2. 获取本季度（t期）该股票的涨跌幅 $$stk_{ret}$$[40] 3. 计算经个股涨跌幅调整后的上一季度持股市值：$$v a l_{t-1}^{\prime}\,=\,v a l_{t-1}\,*\,(1\,+\,s t k_{r e t})$$[40] 4. 用本季度实际持股市值减去调整后的上一季度持股市值 $$val_{t-1}^{\prime}$$，得到个股主动加减仓市值[40][41] 3. **模型/因子名称**：基金持股集中度监控[18] **构建思路**：通过计算基金前十大重仓股占其权益投资的总比重，来衡量基金经理持仓是集中还是分散[18] **具体构建过程**：在截面时点（如每季度末），计算所有主动权益基金其前十大重仓股市值之和占该基金股票总市值（权益配置）的比例，然后取该比例的中位数作为市场整体的持股集中度指标[18] 4. **模型/因子名称**：基金经理群体持股分化度监控[18] **构建思路**：通过统计主动权益基金整体持有的不同股票数量，来衡量基金经理群体的观点是一致还是分化[18] **具体构建过程**：在截面时点（如每季度末），统计所有主动权益基金重仓股（如前十大）中，不重复的股票总数[18] 5. **模型/因子名称**：绩优基金样本构建[43] **构建思路**：选取过去一个季度业绩排名靠前的基金，作为市场关注的热点绩优基金样本，分析其行业配置特征[43] **具体构建过程**：样本空间为上市半年以上的主动权益基金（普通股票型、偏股混合型、灵活配置型），选取过去一个季度业绩最好的前100只基金（仅保留初始基金）构成绩优基金样本[43] 6. **模型/因子名称**：百亿规模基金样本构建[43] **构建思路**：选取管理规模较大的基金，作为市场关注的热点大规模基金样本，分析其行业配置特征[43] **具体构建过程**：样本空间为主动权益基金，选取合计规模在100亿元及以上的基金（仅保留初始基金）构成百亿规模基金样本[43] 模型的回测效果 （注：本报告为基金持仓监控分析报告，主要展示各类监控指标的当期统计结果，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、夏普比率、信息比率等）。因此，本部分无相关指标取值。） 量化因子与构建方式 （注：本报告主要涉及对基金持仓行为的监控模型和统计方法，未涉及用于选股或预测收益的传统量化因子（如价值、动量、质量等因子）。报告中构建的“行业主动增减仓”和“个股主动加减仓”更接近于用于分析市场行为的指标模型，已在上方“量化模型与构建方式”部分列出。） 因子的回测效果 （注：同上，本报告未涉及传统量化因子，因此无相关因子回测效果指标。）