量化模型与构建方式 1. 复合行业轮动因子模型 1.1 基本面景气度复合因子 * **模型名称**：基本面景气度复合行业轮动因子[4][8][14] * **模型构建思路**：从基本面景气度维度，选取资产质量、成长能力、营运能力、盈利水平、议价力等方向的多个有效财务指标，构建复合因子以预测行业未来表现[4][8][14][15]。 * **模型具体构建过程**： 1. **基础数据处理**：以申万一级行业为分类标准，基于行业内个股的财务数据，采用整体法计算行业指标[9][15]。 2. **单因子构建**：构建了12个有效财务指标因子，具体如下[15]： * **TTM应收账款周转率环比增长**：采用近4个季度（TTM）数据计算行业应收账款周转率，再计算环比增长（当季-上季）[17]。 $$行业应收账款周转率 = \frac{\sum 个股营业收入\_TTM}{\sum 个股应收账款\_TTM}$$ * **报告期末流动资产比例同比增长**：采用报告期末数据计算行业流动资产比例，再计算同比增长（当季-上年同季）[18]。 $$行业流动资产比例 = \frac{\sum 个股流动资产\_报告期末}{\sum 个股总资产\_报告期末}$$ * **报告期末速动比率同比增长**：采用报告期末数据计算行业速动比率，再计算同比增长[19]。 $$行业速动比率 = \frac{\sum 个股速动资产\_报告期末}{\sum 个股流动负债\_报告期末}$$ * **TTM存货周转率同比增长**：采用TTM数据计算行业存货周转率，再计算同比增长[20]。 $$行业存货周转率 = \frac{\sum 个股营业成本\_TTM}{\sum 个股库存\_TTM}$$ * **报告期末客户议价力同比增长率**：将应收账款定义为客户议价力，采用报告期末数据计算，再计算同比增长率（当季/上年同季-1）[21]。 * **报告期末供应商议价力环比增长**：将应付账款定义为供应商议价力，采用报告期末数据计算，再计算环比增长[22][23]。 * **TTM营业利润环比增长率**：采用TTM数据计算行业营业利润，再计算环比增长率（当季/上季-1）[24]。 $$行业营业利润 = \sum 个股营业利润\_TTM$$ * **季度营业利润率同比增长**：采用当季数据计算行业营业利润率，再计算同比增长[25]。 * **TTM核心利润环比增长率**：采用TTM数据计算行业核心利润，再计算环比增长率[26]。 * **季度核心利润率同比增长**：采用当季数据计算行业核心利润率，再计算同比增长[27]。 $$行业核心利润率 = \frac{\sum 个股营业收入\_季度 - \sum 个股营业成本\_季度 - \sum 个股其他成本项\_季度}{\sum 个股营业收入\_季度}$$ * **TTM归母扣非净利润环比增长率**：采用TTM数据计算行业归母扣非净利润，再计算环比增长率[28]。 * **TTM净资产收益率（ROE）环比增长**：采用TTM数据计算行业净资产收益率，再计算环比增长[29]。 $$行业净资产收益率 = \frac{\sum 个股扣非归母净利润\_TTM}{\sum 个股净资产\_TTM}$$ * **年内累计销售毛利率同比增长**：采用年内累计数据计算行业销售毛利率，再计算同比增长[30]。 $$行业销售毛利率 = \frac{\sum 个股营业总收入\_年内累计 - \sum 个股营业总成本\_年内累计}{\sum 个股营业总收入\_年内累计}$$ 3. **因子标准化与合成**：对上述有效单因子进行标准化处理，然后以各因子在样本内的IC胜率为权重，加权合成基本面景气度复合因子[13]。 * **模型评价**：该复合因子在全区间内积累了显著的超额收益，但在2024年9月A股反弹后出现短期“低景气反转”特征，随后有效性再次提升[31]。 1.2 超预期水平复合因子 * **模型名称**：超预期水平复合行业轮动因子[4][8][33] * **模型构建思路**：从超预期水平维度，涵盖基于公告的市场预期变化和分析师预期变化两个方面，构建复合因子[4][8][33]。 * **模型具体构建过程**： 1. **基础数据处理**：基于个股公告（正式报告、业绩预告、业绩快报）日期前后的收益变化，以及分析师预期数据，在调仓日按个股流通市值加权得到行业单因子水平[33][35]。 2. **单因子构建**：构建了5个有效因子，具体如下[35]： * **公告前后异常收益**：计算个股盈余公告T日的前n日至后m日的每日超额收益（以中证800为基准）之和。最终选定参数为m=2，n=0，即公告后2日的超额收益之和[36]。 * **净利润预期变动得分**：在个股报告发布日，若未来一年净利润预期较同一分析师上次预期变动超1%计+1分，低于-1%计-1分。在调仓日对个股得分进行60日滚动累计，再以流通市值加权得到行业得分[37]。 * **主营业务收入预期变动得分**：逻辑同净利润预期变动得分，针对主营业务收入预期，滚动累计窗口为20日[38]。 * **报告评级换算**：对行业内所有个股在过去180日内，分析师公开报告的平均评级得分取均值。个股评级得分由研报评级（如买入、卖出）按预设规则换算得出[39]。 * **上调减下调报告评级比例**：计算行业过去180日内，评级上调的研报数量减去评级下调的研报数量，再除以存在前期评级得分的研报总数量[40]。 3. **因子标准化与合成**：对有效单因子标准化后，以各因子IC胜率为权重，加权合成超预期水平复合因子[13]。 * **模型评价**：该复合因子对低景气行业的预判准确性较高。样本外在2022年8月至2023年12月期间有效性降低，但自2024年开始有效性显著提升并持续[41]。 1.3 量价水平复合因子 * **模型名称**：量价水平复合行业轮动因子[4][8][44] * **模型构建思路**：从量价水平维度，基于行业指数的日度数据，构建动量、成交波动和量价背离等因子，侧重行业中长期的动量效应[4][8][44]。 * **模型具体构建过程**： 1. **基础数据**：直接使用申万一级行业指数的日收益、成交量、成交额、换手率等数据[44]。 2. **单因子构建**：构建了7个有效因子，具体如下[44]： * **日内动量**：计算每日收盘价/开盘价作为日内动量指标，对各行业指标值进行10日滚动累计[45]。 * **隔夜动量**：计算每日开盘价/前一日收盘价作为隔夜动量指标，进行40日滚动累计后，对因子值取反（因隔夜涨幅呈反转效应）[46]。 * **移动平均趋势变化**：首先计算行业指数当前收盘价减去过去10日均价，定义为短期动量水平；然后计算该短期动量水平减去其10日前的值[47]。 * **动量期限差**：计算行业指数近10日收益率减去近5日收益率，因子值越高代表长期趋势明确且短期交易不拥挤[48][49]。 * **成交量波动**：计算行业指数过去20日成交量波动率，并取负值。因子值越高代表行业情绪越稳定[50]。 * **成交额波动**：计算行业指数过去20日成交额波动率，并取负值。因子值越高代表行业情绪越稳定[51]。 * **一阶量价背离**：计算成交量一阶变化（今日成交量/昨日成交量-1）与价格一阶变化（日涨跌幅）在40个交易日内Spearman相关系数的负值[52][53]。 $$一阶量价背离因子 = -corr\left(rank\left(\frac{Volume_i}{Volume_{i-1}}-1\right), rank\left(\frac{Close_i}{Open_i}-1\right), 40\right)$$ 3. **因子标准化与合成**：对有效单因子标准化后，以各因子IC胜率为权重，加权合成量价水平复合因子[13]。 * **模型评价**：该复合因子更注重中长期量价延续性。样本外在2024年9月A股反弹后，高景气组上涨弹性不及低景气组，可能与短期动量效应更显著有关[54]。 1.4 资金流强度复合因子 * **模型名称**：资金流强度复合行业轮动因子[4][8][57] * **模型构建思路**：从资金流强度维度，根据行业内个股的资金流入流出数据（按挂单金额分类），汇总得到行业整体资金流强度，以分析不同类型投资者的行为[4][8][57]。 * **模型具体构建过程**： 1. **基础数据**：使用个股资金流向数据，按Wind标准分类（如超大单>100万）[57]。 2. **单因子构建**：构建了3个有效因子，具体如下[57]： * **主动超大单资金流强度**：计算过去10日，行业内所有个股的每日平均主动超大单净流入金额，除以个股平均合计流通市值[58]。 * **主动超大单资金流极端突破**：首先计算行业当日主动超大单净流入金额减去其过去120日均值，再除以其过去120日标准差，得到当日强度；然后计算过去10日该强度的均值[59]。 * **小单资金流稳定性**：首先计算行业当日小单净流入金额减去其过去120日均值，再除以其过去120日标准差，得到当日强度；然后计算过去5日该强度的均值；对所有行业该值进行截面标准化后，取绝对值并取相反数[60][61]。 3. **因子标准化与合成**：对有效单因子标准化后，以各因子IC胜率为权重，加权合成资金流强度复合因子[13]。 * **模型评价**：该因子在2024年9月市场反弹后有效性显著提升，可能与资金流在反弹行情中对行业轮动的主导作用强化有关[62]。 1.5 综合行业轮动因子模型 * **模型名称**：综合行业轮动因子模型[4][13][65] * **模型构建思路**：将上述四个维度的单一视角复合因子（基本面景气度、超预期水平、量价水平、资金流强度）进行等权合成，构建最终的综合行业轮动因子，以提升模型有效性和稳定性[4][13][65]。 * **模型具体构建过程**： 1. **输入因子**：将经过再次标准化处理的四个单一视角复合因子作为输入[13][65]。 2. **合成方法**：对四个输入因子采用等权方式加权，合成最终的综合行业轮动因子[13][65]。 2. ETF行业轮动投资组合模型 * **模型名称**：ETF行业轮动投资组合[4][69] * **模型构建思路**：以前文构建的综合行业轮动模型选出的高景气行业为基础，通过一套ETF产品选定框架，构建可实际交易的ETF投资组合[4][69][70]。 * **模型具体构建过程**： 1. **高景气行业选择**：在每月调仓日，选取综合行业轮动因子排名前6的行业（高景气组）作为下月持仓行业[70][72]。 2. **标的指数筛选**： * 在调仓日，仅纳入存续期满1个月的股票型ETF所跟踪的指数作为备选池[72]。 * 对于每个高景气行业，保留成分股在该行业比例≥50%的指数作为备选指数[70]。 * 计算各备选指数与目标行业过去244个交易日的Spearman相关系数。若存在备选指数，保留相关系数≥80%的指数；若不存在，则保留相关系数排名前5且≥60%的指数[70]。 3. **ETF标的选定**： * 对于每个筛选出的标的指数，保留对应的ETF产品作为备选池[70]。 * 在每个调仓日，计算备选ETF过去1个月的日均成交额和日均流通规模[70]。 * 保留存续≥1个月、日均流通规模≥2亿、且日均成交额最高的ETF产品[70]。 * 若无满足条件的ETF，则用申万一级行业指数替代[71]。 4. **三种选定模式**：针对同一行业可能对应多个ETF的情况，定义了三种产品选定模式[70]： * **相关性优先模式**：选择相关系数最高的标的指数对应的ETF。 * **流动性优先模式**：选择过去1个月日均成交额最高的ETF。 * **收益弹性优先模式**：选择过去1个月收益表现最佳的ETF。 模型的回测效果 1. 单一视角复合因子回测效果（全区间） * **基本面景气度复合因子**：IC均值5.75%， ICIR 24.81%， 高景气组年化收益9.56%， 低景气组年化收益-1.74%[31] * **超预期水平复合因子**：IC均值7.31%， ICIR 28.99%， 高景气组年化收益10.93%， 低景气组年化收益-2.87%[41] * **量价水平复合因子**：IC均值7.16%， ICIR 32.98%， 高景气组年化收益8.65%， 低景气组年化收益-1.22%[54] * **资金流强度复合因子**：IC均值7.18%， ICIR 32.10%， 高景气组年化收益13.79%， 低景气组年化收益1.43%[62] 2. 综合行业轮动因子回测效果（全区间） * **综合行业轮动因子**：IC均值12.54%， ICIR 50.92%， 高景气组年化收益17.84%， 相对中证800指数的多空组合累计年化超额收益14.44%[65] 3. ETF行业轮动投资组合回测效果（2020/01/01 - 2026/02/28） * **ETF轮动组合（相关性优先）**：年化收益率18.78%， 年化波动率22.10%， 最大回撤-39.87%， 夏普比率0.85， 收益回撤比0.47[81] * **ETF轮动组合（流动性优先）**：年化收益率18.57%， 年化波动率23.10%， 最大回撤-40.38%， 夏普比率0.80， 收益回撤比0.46[81] * **ETF轮动组合（收益弹性优先）**：年化收益率21.20%， 年化波动率23.22%， 最大回撤-40.95%， 夏普比率0.91， 收益回撤比0.52[81]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：综合优选策略** * **模型构建思路**：结合基本面与价量要素，在泛科技板块内进行选股。通过双重剔除规避风险，基本面端筛选高质量资产，价量端挖掘“价强量弱”的优质标的[4]。 * **模型具体构建过程**： 1. **建池与剔除**：在泛科技股票池中，首先剔除市值后20%的股票以规避流动性风险，再剔除动量前20%的股票以规避拥挤与反转风险[4]。 2. **基本面因子打分**：聚焦偿债能力、成长能力、营运能力与现金状况四大维度，选取其中表现最优的因子进行综合打分，以寻找高质量资产[4]。 3. **价量因子设计**：基于市场情绪快速轮动的逻辑，采用“隔夜做多+同周期日内做空”的价差策略，并对高成交换手进行负向打分，旨在挖掘上涨阻力较小的“价强量弱”标的[4]。 4. **综合评分**：将基本面因子得分与价量因子得分进行综合，形成最终的选股评分[4]。 模型的回测效果 1. **综合优选策略**，年化收益率29.31%，相对科技100指数年化超额收益率9.94%，夏普比率1.14，相对中证全指年化超额收益率20.63%，信息比率(IR)1.82[4]。 量化因子与构建方式 1. **因子名称：资本收益率** * **因子构建思路**：衡量企业资本投入所产生的收益水平，反映资本利用效率和盈利能力[80]。 * **因子具体构建过程**：报告未给出具体计算公式，但通常为净利润与总资本的比率。 2. **因子名称：营业外收支净额/利润总额** * **因子构建思路**：反映企业利润中非主营业务贡献的程度，用于评估盈利质量[80]。 * **因子具体构建过程**：报告未给出具体计算公式，因子为营业外收支净额除以利润总额。 3. **因子名称：应收账款周转率** * **因子构建思路**：反映企业销售回款效率，是衡量营运能力的重要指标[85]。 * **因子具体构建过程**：报告未给出具体计算公式，通常为营业收入除以平均应收账款余额。 4. **因子名称：现金满足投资比率** * **因子构建思路**：衡量企业经营活动现金流满足投资需求的能力[91]。 * **因子具体构建过程**：报告未给出具体计算公式。 5. **因子名称：全部资产现金回收率** * **因子构建思路**：反映企业全部资产产生现金的能力[91]。 * **因子具体构建过程**：报告未给出具体计算公式。 6. **因子名称：非筹资性现金净流量与负债总额的比率** * **因子构建思路**：衡量企业通过经营活动产生的现金流覆盖总负债的能力，是偿债能力指标[98]。 * **因子具体构建过程**：报告未给出具体计算公式。 7. **因子名称：经营活动产生现金流量净额/负债合计** * **因子构建思路**：衡量企业经营活动现金流对总负债的覆盖程度，是偿债能力指标[98]。 * **因子具体构建过程**：报告未给出具体计算公式。 8. **因子名称：每股收益同比增长** * **因子构建思路**：反映企业每股收益的成长性[104]。 * **因子具体构建过程**：报告未给出具体计算公式。 9. **因子名称：营业总收入同比增长率** * **因子构建思路**：反映企业营业总收入的成长性[104]。 * **因子具体构建过程**：报告未给出具体计算公式。 10. **因子名称：残差波动率 (DASTD)** * **因子构建思路**：衡量股票价格中剔除市场风险（Beta）影响后的特异性波动，低残差波动股票通常被认为风险更小[109]。 * **因子具体构建过程**：报告未给出具体计算公式。通常通过对股票收益率与市场收益率进行回归，取其残差的标准差来计算。 * **因子评价**：该因子在泛科技板块中负向显著，低波动组合持续占优，分组单调性强，具备明显的区分度且低残差波动组合有系统防御优势[4][109]。 11. **因子名称：动量因子（区间收益、区间夏普、隔夜收益、隔夜夏普、日内收益、日内夏普）** * **因子构建思路**：从不同时间维度（如区间、隔夜、日内）捕捉股票的动量效应，使用收益率或夏普比率作为度量[112]。 * **因子具体构建过程**：报告未给出具体计算公式。通常计算特定时间窗口内的收益率或经波动调整后的收益率（夏普比率）。 * **因子评价**：动量效应层面，隔夜收益率及夏普比率正向有效，日内指标稳定性最优，区间表现相对平庸[4]。 12. **因子名称：流动性因子** * **因子构建思路**：衡量股票的流动性，通常与未来收益呈负相关[4]。 * **因子具体构建过程**：报告未明确具体指标，可能包含换手率、Amihud指标等。 * **因子评价**：流动性因子整体负向有效，但2025-2026年组间区分度下降[4]。 13. **因子名称：成交量因子** * **因子构建思路**：使用成交量相关指标进行选股[4]。 * **因子具体构建过程**：报告未给出具体计算公式。 * **因子评价**：成交量因子单调性显著，但与市值因子相关性达60.52%，存在共线性风险[4]。 14. **因子名称：价量共振因子** * **因子构建思路**：结合价格与成交量信息的复合因子[4]。 * **因子具体构建过程**：报告未给出具体构建过程。 * **因子评价**：呈负向选股特征，“量弱”组别长期占优[4]。 因子的回测效果 *注：以下因子回测结果统计区间为2023年1月31日至2025年12月31日（IC值）及2023年1月31日至2026年1月30日（分组收益），基准为泛科技板块[80]。* 1. **资本收益率因子**，月度IC均值0.46%，IC正值占比55.56%[80]。 2. **营业外收支净额/利润总额因子**，月度IC均值1.06%，IC正值占比69.4%[80]。 3. **应收账款周转率因子**，月度IC均值0.75%，IC正值占比58.3%[85]。 4. **现金满足投资比率因子**，月度IC均值0.36%，IC正值占比52.78%[91]。 5. **全部资产现金回收率因子**，月度IC均值0.14%，IC正值占比47.22%[91]。 6. **非筹资性现金净流量与负债总额的比率因子**，月度IC均值3.66%，IC正值占比66.67%[98]。 7. **经营活动产生现金流量净额/负债合计因子**，月度IC均值3.38%，IC正值占比66.67%[98]。 8. **每股收益同比增长因子**，月度IC均值0.27%，IC正值占比61.11%[104]。 9. **营业总收入同比增长率因子**，月度IC均值0.20%，IC正值占比58.33%[104]。 10. **残差波动率 (DASTD) 因子**，月度IC均值-3.99%，IC负值占比63.16%[109]。

量化模型与构建方式 1. **模型/架构名称**：OpenClaw 多 Agent 协同架构[1][7] **模型/架构构建思路**：摒弃传统的单一“全能 Bot”理念，通过构建多个各具专长、物理隔离的智能体（Agent）组成一个协同工作的“AI 团队”，以解决单一 Agent 的固有缺陷[1][7][9] **模型/架构具体构建过程**： * **核心逻辑**：针对单一 Agent 的三大痛点（记忆臃肿、上下文污染、Token成本高昂），通过赋予每个 Agent 三大独立属性实现物理隔离与精准协作[7][8][9][10] * **三大独立属性**： 1. **独立 Workspace（专属工作区）**：每个 Agent 拥有独立的物理工作区，仅存放其核心定义文件（SOUL.md）、提示词模板（PROMPT.md）和工具配置（TOOLS.md），确保“职业人格”纯粹[10][13] 2. **独立 AgentDir（状态目录）**：每个 Agent 拥有独立的状态目录，可绑定最适合其任务类型的大语言模型（如创意策划绑定 GLM-4.7，科技写作绑定 DeepSeek），并实现运行状态和上下文的物理隔离[11][12] 3. **独立 Sessions（会话存储）**：每个 Agent 的聊天历史被独立保存和管理，消除交叉干扰，并实现 Token 成本的极致优化[14] * **协作机制**：通过一个智能中枢（如调度 Agent）使用 `sessions_send` 与 `sessions_spawn` 等工具，对各个专业 Agent 进行任务调度、结果整合，实现复杂任务闭环[15][42] **模型/架构评价**：该架构通过物理隔离实现极致的专业性与纯净度，再通过精准协作释放群体智慧，能从根本上解决单一 Agent 的效率瓶颈与成本问题，为复杂任务处理提供更稳健、高效、经济的新范式[9][15][52] 2. **模型/架构名称**：分身流（单 Bot 多群）部署模式[16][17] **模型/架构构建思路**：将同一个飞书机器人（Bot）拉入不同的群聊，并通过配置文件中的路由绑定（bindings），将不同群聊的消息路由至不同的 Agent[16][17] **模型/架构具体构建过程**： * 创建多个独立的 Agent（如 main, brainstorm, writer, coder）[17][18] * 将同一个飞书 Bot 拉入多个不同的群聊，并获取每个群聊的会话 ID（格式为 `oc_xxx`）[31] * 在 `openclaw.json` 配置文件的 `bindings` 数组中，为每个 Agent 指定其匹配的飞书群聊 ID[31][32] * 配置示例如下： ```json { "bindings": [ { "AgentId": "main", "match": { "channel": "feishu", "peer": { "kind": "group", "id": "oc_xxxx" } } }, // ... 其他 Agent 绑定配置 ] } ``` **模型/架构评价**：配置难度较低，适合个人用户、小型团队进行个人办公、内容创作等场景[17] 3. **模型/架构名称**：独立团（多 Bot 多群）部署模式[16][17] **模型/架构构建思路**：为每个 Agent 创建独立的飞书机器人，每个 Bot 拥有固定的头像和名称，并加入对应的群聊，角色感极强[16][17] **模型/架构具体构建过程**： * 为每个计划创建的 Agent 在飞书平台上申请一个独立的机器人应用，并设置专属的头像和名称[17] * 将每个独立的 Bot 拉入为其设定的专属工作群聊[17] * 在 OpenClaw 中配置每个 Agent 与其对应的飞书 Bot 凭证进行绑定 **模型/架构评价**：角色感强，配置难度中等，适合专业开发者、企业用户进行复杂项目开发和团队协作[17] 量化因子与构建方式 **（注：本篇报告核心内容为介绍多智能体（Agent）系统架构的构建与配置方法，并未涉及传统金融量化分析中用于选股或择时的量化因子（如价值、动量、质量等因子）的构建、测试与评价。报告内容聚焦于 AI 工程实践，而非量化因子研究。）**

量化模型与构建方式 1. 模型名称：基准等权策略模型 **模型构建思路**：为解决多因子合成中的滞后性与数据量纲不统一问题，采用线性加权框架构建一个透明、朴素的基准策略，确立策略收益的“安全垫”[57] **模型具体构建过程**： 1. **信号预处理**：对每个因子进行动态归一化和期限平滑处理[58] * **动态归一化**：基于过去60个交易日的滚动窗口，计算每个因子的均值与标准差，进行Z-Score处理，以消除量纲差异[58] $$Z_{i,t} = \frac{F_{i,t} - \mu_{i, t-60:t-1}}{\sigma_{i, t-60:t-1}}$$ 其中，$F_{i,t}$为因子i在t日的原始值，$\mu$和$\sigma$分别为滚动窗口内的均值和标准差[58] * **期限平滑**：对于最佳预测周期为H天的因子，对其Z-Score序列进行H日移动平均处理，以压降短周期因子的高频噪音[58] 2. **等权信号输出**：分别计算动量、反转、配置三类因子的信号强度，并采用等权方式合成每日总信号[59] * **动量因子信号**：信号强度与趋势强度成正比，保留其Z-Score并乘以因子方向（+1或-1）[59] $$Signal_{动量} = Direction_{因子} * Z-Score$$ * **反转因子信号**：旨在捕捉极端情绪的均值回归，引入±1.5倍标准差作为阈值，低于阈值则信号为0[59] $$Signal_{反转} =\begin{cases} 0, & |Z-Score| < 1.5 \\ Z-Score * Direction_{因子}, & |Z-Score| \geq 1.5 \end{cases}$$ * **配置因子信号**：反映长期持有性价比，采用二元逻辑。若因子值优于历史均值，输出信号+1；否则输出信号0[59] 3. **波动率控制与最终输出**：对合成信号引入波动率目标管理，计算合成信号过去120日的滚动波动率，将原始信号除以其滚动波动率进行标准化定标[60] $$最终信号 = \frac{初始合成信号}{合成信号波动率}$$ 4. **仓位映射**：根据最终信号采用两种模式调整仓位[61] * **线性分配**：信号为0时维持“50%主标的+50%现金”的平衡配置，信号越强主标的仓位越重，直至满仓或空仓[61] * **二元分配**：当信号大于0时全仓债券指数，当信号小于0时全仓现金[61] 2. 模型名称：动态IC自适应增强模型 **模型构建思路**：在基准等权策略之上，引入动态IC自适应机制，通过实时监测因子的预测能力并调整权重，赋予策略感知市场风格切换和“优胜劣汰”的自我进化能力[66] **模型具体构建过程**： 1. **动态IC计算**：每日滚动计算每个因子在过去N天（N分别取10、20、40、60）的IC值[66] 2. **权重自适应调整**：根据滚动IC值动态调整因子权重[66] * 若某因子的滚动IC大于0，模型判定其逻辑依然成立，维持其全额权重[66] * 若某因子的滚动IC转负，意味着该因子逻辑近期失效。模型触发惩罚函数，将其权重乘以惩罚系数（0.5或0），以降低其对总信号的影响[66] 3. **信号合成与输出**：使用调整后的权重重新合成总信号，后续的波动率控制、仓位映射等步骤与基准等权策略模型相同[66] 模型的回测效果 1. 基准等权策略模型 **5-7年国债全价指数标的**[61] * 二元仓位策略在样本外（2025年7月后）保持了策略的有效性[61] * 二元策略表现整体强于线性策略[61] **7-10年国债全价指数标的**[61] * 二元仓位策略在样本外保持了策略的有效性，且表现优于线性仓位[61][65] * 策略净值略弱于5-7Y和10Y+期限，但避开了大幅回调的风险[61] **10年以上国债全价指数标的**[61] * 二元仓位策略在样本外表现较强，且优于线性仓位[61][68] * 精准捕捉了2025年二季度由牛转熊的市场切换，通过切仓现金有效规避了基准指数的大幅回撤[61] 2. 动态IC自适应增强模型 **5-7年国债全价指数标的**[69] * 配合二元仓位的40日动态IC策略，样本外年化收益从等权基准的1.47%抬升至2.22%，进一步强化了进攻优势[69] * 在空头维持高阶段胜率的基础上，进一步抬升了多头胜率[69] **7-10年国债全价指数标的**[69] * 引入20日动态IC后，二元仓位策略将样本外年化收益大幅拉升至2.42%，同时将最大回撤控制在0.27%，实现夏普比率由负转正，体现了模型的修正能力[69] **10年以上国债全价指数标的**[67][69] * 配合二元仓位的60日动态IC策略，在基准指数下跌13.03%的调整环境中录得2.18%的正收益，夏普比率由负修正为0.41，展现出极致的防御韧性[67][69] 量化因子与构建方式 **报告构建了一套系统的因子评价与筛选体系（SOP），但未详细列出每个具体因子的构建公式。报告中的因子主要基于各类机构在不同期限债券上的净买入、累计净买入、杠杆率等原始行为数据。以下总结其筛选体系及提到的部分代表性因子。** 1. 因子筛选与评价体系 **构建思路**：针对机构行为因子存在的滞后性、非线性和非对称性等痛点，设计一套多维度评价体系与标准化SOP筛选流程，以筛选出具备解释力与统计稳健性的优质因子[3][8] **具体构建过程**： 1. **多维因子评价体系（“体检套餐”）**：包含四大维度、十项细分指标[11][13] * **预测能力与周期优化**[13] * **指标1：多周期IC测试**：计算因子对未来T+1、T+5、T+10及T+22日收益率的Rank IC[12] * **指标2：最佳周期锁定**：选取IC绝对值最大的周期作为该因子的“最佳有效持有期”[14] * **指标3：ICIR**：计算IC均值/IC标准差，反映因子预测能力的稳定性[14] * **盈亏比优化**[13] * **指标4：胜率**：开仓后收益为正的概率，分别计算多头胜率与空头胜率[15] * **指标5：尾部赔率 (Tail Odds)**：考察因子值处于极端分位数（10%或90%）时的表现，公式为：极值区间平均盈利 / 极值区间平均亏损[15] * **信号形态优选**[13] * **指标6：峰度**：衡量数据分布的陡峭程度，用于区分动量与反转因子[15] * **指标7：自相关系数 (ACF)**：衡量因子当期值与滞后一期值的相关性，高ACF对应Carry类策略[15] * **环境适应性（分场景压力测试）**[13] * **指标8：牛市环境**：检验因子的“进攻性”[16] * **指标9：熊市环境**：检验因子的“防御性”[16] * **指标10：震荡环境**：检验因子在无明显趋势下的生存能力[16] 2. **SOP分流漏斗**：基于“体检指标”进行三层筛选[17] * **初步筛选**：剔除噪声因子[20] 1. 剔除最佳预测周期为T+1的超短周期因子[20] 2. 剔除“效费比”（IC/换手率）过低的低性价比因子[20] 3. 剔除同时满足低胜率、低赔率、低IC的纯噪声因子[20] * **因子分类**：依据统计分布与风险收益属性，将因子归入三类因子池[21] 1. **动量因子**：要求具备显著的线性预测能力、数据分布形态良好、样本内信息比率稳定、具有一定胜率优势，且在历史牛市样本中录得正收益[21] 2. **反转因子**：数据分布呈“尖峰肥尾”特征，考核其非线性博弈能力，需满足高条件胜率或高尾部赔率，并严格控制其在历史熊市样本中的回撤[21][22] 3. **配置因子**：要求具备极高的自相关性，且在历史熊市样本中的最大回撤控制在5%以内[22] * **独立性检验**：计算所有入库因子的相关性矩阵，对于相关系数大于0.7的因子组，仅保留ICIR更高的单一因子，以确保因子库的独立性[23] 2. 代表性因子示例（基于筛选结果） **注**：以下因子名称及分类均直接来源于报告中的筛选结果表格，其具体构建应为对应机构在指定期限上的净买入或累计净买入等原始指标。 中期债券（5-7Y国债全价指数）关键因子[25] * **因子名称**：理财子公司及理财类产品1-3Y_累计净买入[26] * **分类**：动量因子[26] * **方向**：Positive[26] * **构建思路/评价**：理财子对流动性敏感，其短端净买入上升反映银行体系流动性充裕，且负债端趋势惯性较强，过滤噪声能力佳，展现出较强的波段胜率[27] * **因子名称**：中小型银行7-10Y净买入[26] * **分类**：动量因子[26] * **方向**：Inverse[26] * **构建思路/评价**：采用线性反转逻辑，通过实时度量交易型机构在活跃券上的过度买入（拥挤度），能够精准定位行情的超买/超卖区域，展现出优秀的盈亏比[30] * **因子名称**：保险1-3Y净买入[32] * **分类**：反转因子（根据上下文推断，图中未明确分类但描述为反转逻辑）[32] * **方向**：未明确 * **构建思路/评价**：当保险迅速增加短端净买入时，反应配置类资金防御情绪升温，往往是债市见顶的强力信号，对中期国债指数表现出较强的拐点捕捉能力[32] 长期债券（7-10Y国债全价指数）关键因子[39] * **因子名称**：中小型银行5-7Y_累计净买入[40] * **分类**：动量因子[40] * **方向**：Inverse[40] * **构建思路/评价**：中小银行是行情跟随者，其在关键期限累计净买入达高位意味着追涨资金充分进场、交易拥挤，反而是风险信号，展现出较强的波段胜率与盈亏比[41] * **因子名称**：商业银行/政策性银行债市杠杆率:估算值[40] * **分类**：反转因子[40] * **方向**：Inverse[40] * **构建思路/评价**：当杠杆率攀升至历史高位，意味着市场购买力透支，对利空更敏感，是债市见顶的强力信号，具备较高盈亏比[44] 超长债券（10Y+国债全价指数）关键因子[46] * **因子名称**：中小型银行≤1Y净买入[49] * **分类**：动量因子[47] * **方向**：未明确（表格中未显示） * **构建思路/评价**：中小型银行具备交易盘属性，其对1Y以下国债净买入明显上升往往对应市场情绪持续走弱与交易资金的防御性撤出，具有较高波段胜率和一定盈亏比[49] * **因子名称**：证券公司1-3Y_累计净买入[53] * **分类**：反转因子（根据上下文推断）[53] * **方向**：未明确 * **构建思路/评价**：当证券公司1-3Y净买入到达高点，反映市场悲观情绪趋向极致，做空动能耗尽，市场企稳后易转化为做多力量，对10年+国债指数表现较强的择时能力[53] 因子的回测效果 **以下指标取值均来源于报告中各期限债券对应的因子筛选结果表格，为样本内回测结果。** 1. 中期债券（5-7Y）部分因子效果[26] * **理财子公司及理财类产品1-3Y_累计**：波段胜率83%，多头波段胜率100%，空头波段胜率67%，年化收益率1.02%，最大回撤-1.23%，盈亏比0.57，ICIR 0.29，换手率6.68[26][28] * **中小型银行7-10Y**：波段胜率43%，多头波段胜率48%，空头波段胜率38%，年化收益率1.2%，最大回撤-0.5%，盈亏比4.00，ICIR 0.61，换手率35.94[31][33] * **保险1-3Y**：波段胜率54%，多头波段胜率71%，空头波段胜率36%，年化收益率0.9%，最大回撤-0.3%，盈亏比4.58，ICIR 0.45，换手率13.20[34][37] 2. 长期债券（7-10Y）部分因子效果[40] * **中小型银行5-7Y_累计**：波段胜率80%，多头波段胜率80%，空头波段胜率80%，年化收益率3.86%，最大回撤-1.55%，盈亏比1.79，ICIR 0.35，换手率11.43[40][43] * **商业银行/政策性银行债市杠杆率:估算值:%**：波段胜率60%，多头波段胜率60%，空头波段胜率60%，年化收益率1.60%，最大回撤-0.83%，盈亏比4.78，ICIR 0.19，换手率7.04[40][45] 3. 超长债券（10Y+）部分因子效果[47] * **中小型银行≤1Y**：波段胜率62%，多头波段胜率61%，空头波段胜率63%，年化收益率4.4%，最大回撤-2.0%，盈亏比2.28，ICIR -0.27，换手率19.86[49][52] * **证券公司1-3Y**：波段胜率66%，多头波段胜率76%，空头波段胜率56%，年化收益率1.5%，最大回撤-1.5%，盈亏比0.92，ICIR 0.06，换手率23.20[53][54]

量化因子与构建方式 1. **因子名称**：大买单成交金额占比[7] * **因子构建思路**：该因子旨在刻画大资金的买入行为。通过逐笔成交数据还原买卖单，并筛选出大单，计算其中大买单的成交金额占当日总成交金额的比例[7]。 * **因子具体构建过程**： 1. 数据准备：获取股票的逐笔成交数据，数据中包含“叫买序号”和“叫卖序号”字段[7]。 2. 还原买卖单：根据逐笔成交数据中的“叫买序号”和“叫卖序号”，将逐笔成交数据还原为原始的买入委托单和卖出委托单数据[7]。 3. 筛选大单：对还原后的买卖单数据，按照每单的成交量设定阈值，筛选出符合条件的大额委托单（大单）[7]。 4. 计算指标：针对每个交易日，计算筛选出的大单中，所有买入方向大单（大买单）的成交金额总和，然后除以该股票当日的总成交金额，得到“大买单成交金额占比”[7]。 * 公式：$$大买单成交金额占比_t = \frac{\sum (大买单成交金额)_t}{当日总成交金额_t}$$[7] 其中，t 代表交易日，分子为当日所有大买单的成交金额之和。 2. **因子名称**：净主动买入金额占比[7] * **因子构建思路**：该因子旨在刻画投资者的主动买入行为。根据逐笔成交数据中的买卖方向标志，区分主动买入和主动卖出，计算两者金额之差占总成交额的比例[7]。 * **因子具体构建过程**： 1. 数据准备：获取股票的逐笔成交数据，数据中包含标识交易发起方的“买卖标志”字段[7]。 2. 界定主动买卖：根据“买卖标志”判断每一笔成交是由买方主动发起（主动买入）还是由卖方主动发起（主动卖出），并分别汇总其成交金额[7]。 3. 计算净额：将当日所有主动买入成交金额之和，减去所有主动卖出成交金额之和，得到“净主动买入金额”[7]。 4. 计算占比：将计算出的“净主动买入金额”除以该股票当日的总成交金额，得到“净主动买入金额占比”[7]。 * 公式：$$净主动买入金额占比_t = \frac{\sum (主动买入成交金额)_t - \sum (主动卖出成交金额)_t}{当日总成交金额_t}$$[7] 其中，t 代表交易日。 因子的回测效果 1. **大买单成交金额占比因子**，在个股层面，近5个交易日（20260302-20260306）指标值排名前五的股票为：洲际油气 (89.4%)[9]、津滨发展 (87.1%)[9]、华发股份 (86.9%)[9]、华远控股 (86.5%)[9]、金牛化工 (86.2%)[9]；在宽基指数层面，近5个交易日指标值为：上证指数 (73.2%)[12]、上证50 (72.6%)[12]、沪深300 (73.7%)[12]、中证500 (73.3%)[12]、创业板指 (70.4%)[12]；在行业层面，近5个交易日指标值排名前五的中信一级行业为：非银行金融 (79.2%)[13]、银行 (79.1%)[13]、钢铁 (78.3%)[13]、房地产 (78.2%)[13]、建筑 (78.1%)[13]；在ETF层面，近5个交易日指标值排名前五的ETF为：华泰柏瑞中证A500ETF (94.3%)[15]、汇添富MSCI中国A50互联互通ETF (92.9%)[15]、国泰上证10年期国债ETF (92.7%)[15]、工银中证港股通高股息精选ETF (92.6%)[15]、华夏中证A500ETF (91.6%)[15]。 2. **净主动买入金额占比因子**，在个股层面，近5个交易日（20260302-20260306）指标值排名前五的股票为：建设银行 (14.2%)[10]、大地海洋 (13.8%)[10]、奥普科技 (13.5%)[10]、华能水电 (13.5%)[10]、重庆银行 (13.0%)[10]；在宽基指数层面，近5个交易日指标值为：上证指数 (1.1%)[12]、上证50 (-0.4%)[12]、沪深300 (0.4%)[12]、中证500 (2.0%)[12]、创业板指 (1.3%)[12]；在行业层面，近5个交易日指标值排名前五的中信一级行业为：非银行金融 (12.8%)[13]、农林牧渔 (12.1%)[13]、食品饮料 (12.1%)[13]、医药 (11.1%)[13]、纺织服装 (10.7%)[13]；在ETF层面，近5个交易日指标值排名前五的ETF为：海富通上证城投债ETF (33.1%)[16]、易方达中证电池主题ETF (23.2%)[16]、国泰上证10年期国债ETF (17.5%)[16]、嘉实中证细分化工产业主题ETF (15.1%)[16]、嘉实中证稀有金属主题ETF (13.2%)[16]。

量化模型与构建方式 1. **模型名称**：价值50组合[1][5][7] **模型构建思路**：基于价值风格，以高beta弹性为目标构建的Smart Beta组合[7] **模型构建过程**：报告指出其具体构建方法参考了2024年10月5日发布的专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[7]。该模型选取了价值风格，旨在构建具有高beta弹性的投资组合。具体选股和加权方法未在本周报中详述。 2. **模型名称**：价值均衡50组合[5][7] **模型构建思路**：基于价值风格，以长期稳健超额收益为目标构建的Smart Beta组合[7] **模型构建过程**：与价值50组合同源，但构建目标不同，旨在获取长期稳健的超额收益。具体构建细节需参考对应的专题报告[7]。 3. **模型名称**：成长50组合[5][7] **模型构建思路**：基于成长风格，以高beta弹性为目标构建的Smart Beta组合[7] **模型构建过程**：选取成长风格，以高beta弹性为构建目标。具体方法见专题报告[7]。 4. **模型名称**：成长均衡50组合[5][7] **模型构建思路**：基于成长风格，以长期稳健超额收益为目标构建的Smart Beta组合[7] **模型构建过程**：选取成长风格，以长期稳健超额收益为构建目标。具体方法见专题报告[7]。 5. **模型名称**：小盘50组合[5][7] **模型构建思路**：基于小盘风格，以高beta弹性为目标构建的Smart Beta组合[7] **模型构建过程**：选取小盘风格，以高beta弹性为构建目标。具体方法见专题报告[7]。 6. **模型名称**：小盘均衡50组合[5][7] **模型构建思路**：基于小盘风格，以长期稳健超额收益为目标构建的Smart Beta组合[7] **模型构建过程**：选取小盘风格，以长期稳健超额收益为构建目标。具体方法见专题报告[7]。 模型的回测效果 1. **价值50组合**[5][8] **基准指数**：国证价值[8] **周收益率(绝对收益)**：0.55%[5][8] **周收益率(超额收益)**：0.28%[5][8] **月收益率(绝对收益)**：0.55%[8] **月收益率(超额收益)**：0.28%[8] **年收益率(绝对收益)**：2.13%[5][8] **年收益率(超额收益)**：-1.80%[8] **最大相对回撤**：3.17%[8] 2. **价值均衡50组合**[5][8] **基准指数**：国证价值[8] **周收益率(绝对收益)**：-1.68%[5][8] **周收益率(超额收益)**：-1.95%[8] **月收益率(绝对收益)**：-1.68%[8] **月收益率(超额收益)**：-1.95%[8] **年收益率(绝对收益)**：9.12%[5][8] **年收益率(超额收益)**：5.19%[8] **最大相对回撤**：3.82%[8] 3. **成长50组合**[5][8] **基准指数**：国证成长[8] **周收益率(绝对收益)**：-1.41%[5][8] **周收益率(超额收益)**：0.64%[8] **月收益率(绝对收益)**：-1.41%[8] **月收益率(超额收益)**：0.64%[8] **年收益率(绝对收益)**：2.98%[5][8] **年收益率(超额收益)**：-1.62%[8] **最大相对回撤**：2.62%[8] 4. **成长均衡50组合**[5][8] **基准指数**：国证成长[8] **周收益率(绝对收益)**：-0.23%[5][8] **周收益率(超额收益)**：1.82%[8] **月收益率(绝对收益)**：-0.23%[8] **月收益率(超额收益)**：1.82%[8] **年收益率(绝对收益)**：14.22%[5][8] **年收益率(超额收益)**：9.62%[8] **最大相对回撤**：2.48%[8] 5. **小盘50组合**[5][8] **基准指数**：国证2000[8] **周收益率(绝对收益)**：-4.01%[5][8] **周收益率(超额收益)**：-0.48%[8] **月收益率(绝对收益)**：-4.01%[8] **月收益率(超额收益)**：-0.48%[8] **年收益率(绝对收益)**：10.52%[5][8] **年收益率(超额收益)**：0.96%[8] **最大相对回撤**：5.52%[8] 6. **小盘均衡50组合**[5][8] **基准指数**：国证2000[8] **周收益率(绝对收益)**：-5.11%[5][8] **周收益率(超额收益)**：-1.58%[8] **月收益率(绝对收益)**：-5.11%[8] **月收益率(超额收益)**：-1.58%[8] **年收益率(绝对收益)**：7.12%[5][8] **年收益率(超额收益)**：-2.44%[8] **最大相对回撤**：5.42%[8]

量化模型与构建方式 1. **模型/因子名称**：封板率 * **构建思路**：用于度量股票涨停后能否成功封住涨停板的市场情绪指标[17]。 * **具体构建过程**：统计上市满3个月以上的股票。首先，筛选出当日盘中最高价达到涨停的股票。然后，在这些股票中，计算收盘价也涨停的股票数量。封板率即为收盘涨停股票数与最高价涨停股票数的比值[17]。 * **计算公式**： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[17] 2. **模型/因子名称**：连板率 * **构建思路**：用于度量涨停股票持续性的市场情绪指标，反映市场追涨和接力情绪[17]。 * **具体构建过程**：统计上市满3个月以上的股票。首先，确定昨日收盘涨停的股票数量。然后，在这些股票中，计算今日收盘也涨停的股票数量。连板率即为连续两日收盘涨停的股票数与昨日收盘涨停股票数的比值[17]。 * **计算公式**： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[17] 3. **模型/因子名称**：大宗交易折价率 * **构建思路**：通过大宗交易的成交价格相对于市场价格的折让程度，反映大资金的投资偏好和市场情绪[26]。 * **具体构建过程**：统计每日所有大宗交易数据。计算大宗交易的总成交金额。计算这些交易份额按当日市场价格计算的总市值。折价率定义为总成交金额与总市值的比值减1[26]。 * **计算公式**： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[26] 4. **模型/因子名称**：股指期货年化贴水率 * **构建思路**：将股指期货主力合约与现货指数之间的基差进行年化处理，用于衡量市场对未来预期、对冲成本以及情绪（如贴水代表看空或套保需求旺盛）[29]。 * **具体构建过程**：首先计算基差，即股指期货主力合约价格减去对应的现货指数价格。然后，将基差除以现货指数价格，得到相对基差。最后，将此相对基差年化，乘以（250天除以合约剩余交易日数），得到年化贴水率。当结果为负时，表示期货贴水；为正时表示升水[29]。 * **计算公式**： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[29] 模型的回测效果 （本报告为市场监测日报，未提供量化模型的历史回测绩效指标。） 量化因子与构建方式 （本报告中的“封板率”、“连板率”、“大宗交易折价率”、“股指期货年化贴水率”等，在量化投资中常作为情绪类或资金类因子使用，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 （本报告为市场监测日报，未提供量化因子的历史IC、IR、多空收益等回测绩效指标。报告仅展示了部分因子在特定日期的截面或时间序列取值，如下所示。） 1. **封板率因子**，2026年03月09日取值：**53%**[17] 2. **连板率因子**，2026年03月09日取值：**15%**[17] 3. **大宗交易折价率因子**，2026年03月06日取值：**10.05%**；近半年平均值：**7.11%**[26] 4. **股指期货年化贴水率因子** * 上证50股指期货，2026年03月09日取值：**0.55%**，近一年中位数：**0.78%**，历史分位点：**54%**[29] * 沪深300股指期货，2026年03月09日取值：**9.78%**，近一年中位数：**3.96%**，历史分位点：**15%**[29] * 中证500股指期货，2026年03月09日取值：**4.19%**，近一年中位数：**11.01%**，历史分位点：**82%**[29] * 中证1000股指期货，2026年03月09日取值：**4.36%**，近一年中位数：**13.37%**，历史分位点：**88%**[29]

量化模型与构建方式 1. **模型名称：PE-PEG九宫格分类体系** [2][8][20] * **模型构建思路**：为优化传统GARP策略框架，构建一个结合“估值安全边际”与“成长性价比”的双维评估体系，以更全面地识别风险与机会[8][20]。 * **模型具体构建过程**： 1. 以市盈率（PE）和市盈率相对盈利增长比率（PEG）作为两个核心维度。 2. 将PE和PEG分别划分为高、中、低三个区间，形成3x3的九宫格矩阵[8][20]。 3. 根据个股的PE和PEG值，将其划分到九个不同的策略区间（第1组至第9组）中，每个区间对应不同的特征和风险收益属性[8][20][22]。 * **模型评价**：该体系能更好地识别高PE标的的成长性风险与低PE标的的潜在价值陷阱，是GARP策略基础池构建的核心定位工具[8][20]。 2. **模型名称：企业生命周期识别模型（基于Dickinson现金流组合法）** [9][37] * **模型构建思路**：为从生命周期视角筛选处于成长期的企业，采用Dickinson现金流组合法，通过分析企业经营、投资、融资三类现金流的组合特征来客观判断企业所处生命周期阶段[9][37]。 * **模型具体构建过程**： 1. 获取企业过去三年平滑后的经营现金流、投资现金流和融资现金流数据[37][44]。 2. 根据三类现金流的正负符号（+/-）组合，将企业划分为8种现金流肖像状态[37]。 3. 将这8种现金流状态映射到引入期、成长期、成熟期、淘汰期、衰退期五个生命周期阶段[37]。 4. 将识别为“成长期”的企业作为GARP策略的备选池[9][45]。 3. **模型名称：GARP策略30组合构建模型** [2][9][35][76] * **模型构建思路**：在PE-PEG九宫格筛选出的基础池上，通过成长约束、质量护航、权重重塑三个步骤进行优化，最终构建一个由30只股票组成的GARP策略组合[2][9][35]。 * **模型具体构建过程**： 1. **基础池选择**：基于PE-PEG九宫格，重点配置第1组（核心仓位），适度参与第4组（次级仓位），小仓位参与第7组（卫星仓位）[8][34]。 2. **成长约束**：使用Dickinson现金流组合法，从第1、4、7组中筛选出处于“成长期”的企业[9][35][45]。 3. **质量护航**：对成长约束后的股票进行盈利质量双维度检验[9][35]。 * **盈利稳定性**：剔除过去8个报告期中净利润超过两期为负，或利润增速波动排名前30%的个股[65]。 * **盈利真实性**：要求最新一期自由现金流为正，并计算修正后盈利质量指标进行考察[65]。修正后盈利质量指标公式如下： $$修正后盈利质量指标 = \frac{(经营活动产生的现金流量净额_{TTM} - 营业利润_{TTM})}{总资产}$$ 4. **样本池确定**：通过上述筛选，按7:3的数量比例从第1组和第4组中选出30只股票构成最终样本池（第1组21只，第4组9只）[65]。 5. **权重重塑**：采用以修正后盈利质量得分为核心的加权方式，并设定单一个股权重上限为10%[9][35][69]。 量化因子与构建方式 1. **因子名称：PEG（市盈率相对盈利增长比率）** [8][20] * **因子构建思路**：衡量股票估值与其盈利增长匹配度的经典指标，是GARP策略的核心驱动因子[8][26]。 * **因子具体构建过程**：报告中未给出具体计算公式，但提及在构建时使用了一致预期数据来计算盈利增长[93]。通用公式为： $$PEG = \frac{PE}{盈利增长率(G)}$$ 其中，PE为市盈率，G为盈利增长率（通常使用未来预期盈利增长率）。 2. **因子名称：修正后盈利质量指标** [65] * **因子构建思路**：用于衡量企业账面盈利的真实性和质量，通过考察经营活动现金流与营业利润的偏离程度，在利润表恶化前捕捉现金回收困难的风险信号[65]。 * **因子具体构建过程**： 1. 计算过去12个月（TTM）的经营活动产生的现金流量净额与营业利润的差值。 2. 将该差值除以总资产，以进行标准化。 公式为： $$修正后盈利质量指标 = \frac{(经营活动产生的现金流量净额_{TTM} - 营业利润_{TTM})}{总资产}$$ 模型的回测效果 1. **PE-PEG九宫格分类体系**（测试区间：2009年5月至2026年1月）[26][30] * 第1组：全区间年化超额收益6.1%，相对中证全指分年胜率88.9%，最大回撤最低[26][30]。 * 第4组：全区间年化超额收益9.7%[30]。 * 第7组：全区间年化超额收益10.4%，年化收益约15.4%，但波动率和最大回撤较高[26][30]。 2. **GARP策略30组合**（测试区间：2015年5月至2026年1月）[77][81] * 年化收益：约12.08%[77][81]。 * 年化超额收益（相对中证全指）：约12.16%[77][81]。 * 分年胜率（相对中证全指）：约92%[2][77]。 * 年化波动：25.84%[81]。 * 最大回撤：48.60%[81]。 因子的回测效果 1. **PEG因子**（在PE-PEG框架内观察）[26] * 在相同PE水平下，PEG从低到高演进会导致年化收益削弱、最大回撤与波动率系统性抬升[26]。 * 当PEG处于低位时，低PE组（第1组）的风险收益特征更优[26]。 2. **成长约束（成长期企业筛选）效果**（测试区间：2009年5月至2026年1月）[54][58] * 第1组（成长约束后）：全区间年化超额收益6.0%，与原第1组（6.1%）基本持平[58]。 * 第4组（成长约束后）：全区间年化超额收益11.4%，较原第4组（9.7%）显著提升[54][58]。 * 第7组（成长约束后）：全区间年化超额收益10.4%，与原第7组（10.4%）持平[58]。

量化模型与构建方式 1. **模型名称**：双低策略指数 **模型构建思路**：通过结合可转债价格和转股溢价率两个维度，构建一个“低价”且“低溢价”的可转债组合，旨在寻找兼具债性保护与股性弹性的标的[25]。 **模型具体构建过程**：该模型以“万得可转债双低指数”为具体表现形式。其构建逻辑是筛选市场上同时满足价格较低和转股溢价率较低的可转债构成指数成分。虽然没有给出具体的筛选阈值和加权公式，但核心思想是计算每只可转债的“双低值”，通常为转债价格与转股溢价率乘以一个系数（如100）之和，即：$$双低值 = 转债价格 + 转股溢价率 \times 系数$$ 然后选取双低值最小的一篮子可转债构成指数[25]。 2. **模型名称**：高价低溢价策略指数 **模型构建思路**：在可转债价格相对较高的群体中，进一步筛选转股溢价率较低的个券，以捕捉正股上涨时转债跟涨的弹性，偏向于进攻性策略[25]。 **模型具体构建过程**：该模型以“万得可转债高价低溢价率指数”为具体表现形式。其构建过程首先界定“高价”可转债的范围，然后在该范围内按照转股溢价率从低到高进行筛选，纳入溢价率最低的一篮子可转债构成指数[25]。 3. **模型名称**：基于价格的分类指数 **模型构建思路**：根据可转债的绝对价格水平，将市场划分为高、中、低价等不同区间，分别构建指数以观察不同价格区间的转债市场表现特征[22]。 **模型具体构建过程**：报告展示了“万得可转债高价指数”、“万得可转债中价指数”和“万得可转债低价指数”。构建过程首先设定价格区间阈值（报告未给出具体数值），然后将所有存续可转债按其价格归入对应区间，并分别计算各区间内转债的指数走势[22]。 4. **模型名称**：基于规模的分类指数 **模型构建思路**：根据可转债的发行或剩余规模大小，将市场划分为大、中、小盘，分别构建指数以分析规模因子在转债市场的影响[23]。 **模型具体构建过程**：报告展示了“万得可转债大盘指数”、“万得可转债中盘指数”和“万得可转债小盘指数”。构建过程是依据可转债的规模（可能是发行规模或剩余规模）设定分位点，将转债划分为大、中、小盘三组，并分别计算各组别的指数表现[23]。 5. **模型名称**：基于信用评级的分类指数 **模型构建思路**：根据可转债的信用评级（如AAA、AA+等）进行分类，构建不同评级群体的指数，以观察信用资质对转债整体表现的影响[20]。 **模型具体构建过程**：报告展示了“万得可转债AAA指数”和“万得可转债AA+指数”。构建过程是将所有存续可转债按其信用评级分类，同一评级内的可转债构成一个指数，用以跟踪该信用等级转债的整体走势[20]。 量化因子与构建方式 1. **因子名称**：转股溢价率 **因子构建思路**：衡量可转债价格相对于其转换为股票价值的溢价程度，是评估可转债估值高低和股性强弱的核心指标[17]。 **因子具体构建过程**：对于单只可转债，其转股溢价率的计算公式为：$$转股溢价率 = \frac{可转债收盘价 - 转股价值}{转股价值}$$[17] 其中，转股价值的计算公式为：$$转股价值 = \frac{100}{转股价格} \times 正股收盘价$$[17] 该因子直接计算了转债价格超出其内在转股价值的百分比。 2. **因子名称**：价格区间分组因子 **因子构建思路**：将可转债按市场价格划分为若干离散区间，作为一个分类变量，用于分析不同价位转债的估值和表现差异[31]。 **因子具体构建过程**：报告中将可转债价格划分为`<100`、`100-110`、`110-120`、`120-130`、`130-140`、`>140`六个区间（单位：元）[31]。每个转债根据其收盘价被归入其中一个区间，形成分类因子。 3. **因子名称**：规模分组因子 **因子构建思路**：将可转债按规模大小划分为离散的组别，作为一个分类变量，用于分析规模效应[23]。 **因子具体构建过程**：报告未给出具体划分阈值，但通过“万得可转债大盘/中盘/小盘指数”可知，该因子将可转债按规模分为大、中、小盘三类[23]。 4. **因子名称**：信用评级分组因子 **因子构建思路**：将可转债按信用评级划分为离散的组别，作为一个分类变量，用于分析信用风险对转债表现的影响[20]。 **因子具体构建过程**：根据第三方评级机构（如中诚信、联合资信等）给出的可转债信用评级，将转债划分为AAA、AA+、AA等不同类别[20]。 模型的回测效果 1. 双低策略指数，近一年累计涨跌幅约40%[25] 2. 高价低溢价策略指数，近一年累计涨跌幅约25%[25] 3. 万得可转债高价指数，近一年累计涨跌幅约40%[22] 4. 万得可转债中价指数，近一年累计涨跌幅约20%[22] 5. 万得可转债低价指数，近一年累计涨跌幅约-5%[22] 6. 万得可转债大盘指数，近一年累计涨跌幅约15%[23] 7. 万得可转债中盘指数，近一年累计涨跌幅约30%[23] 8. 万得可转债小盘指数，近一年累计涨跌幅约5%[23] 9. 万得可转债AAA指数，近一年累计涨跌幅约5%[20] 10. 万得可转债AA+指数，近一年累计涨跌幅约25%[20] 因子的回测效果 1. 价格区间分组因子（截至2026-03-06），各组转股溢价率中位数分别为：`<100`区间0.00%，`100-110`区间40.36%，`110-120`区间39.88%，`120-130`区间71.72%，`130-140`区间36.68%，`>140`区间22.79%[31] 2. 价格区间分组因子（周环比变动），各组转股溢价率中位数变动分别为：`<100`区间0.00%，`100-110`区间-13.16%，`110-120`区间91.06%，`120-130`区间-0.75%，`130-140`区间5.86%，`>140`区间-3.58%[31]

量化模型与构建方式 1. **模型/因子名称**：风险溢价模型[26] **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，以衡量其相对投资价值和偏离情况[26] **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收益率。报告中具体使用各宽基指数的收益率减去十年期国债即期收益率，并统计其历史分位值、均值及波动率等指标[26][28][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，其中中证1000和中证2000的风险溢价波动率相对较大[27] 2. **模型/因子名称**：股债性价比模型[41] **构建思路**：以各指数PE-TTM的倒数（即盈利收益率）与十年期国债即期收益率之差作为股债性价比指标，用于观察股票资产相对于债券资产的吸引力[41] **具体构建过程**：计算公式为： $$股债性价比 = \frac{1}{PE-TTM} - r_f$$ 其中，$r_f$ 代表十年期国债即期收益率[41]。报告中进一步计算了该指标近5年的80分位值（机会值）、20分位值（危险值）、均值及±1倍标准差区间[41] 3. **因子名称**：PE-TTM（滚动市盈率）[36] **构建思路**：作为估值参考指标，衡量各指数在当前时点的投资价值[36] **具体构建过程**：使用指数成分股的总市值除以归属于母公司股东的净利润（TTM）计算得到。报告跟踪其当前值、历史分位值、均值及波动率[36][39] 4. **因子名称**：股息率[44] **构建思路**：反映现金分红回报率，是红利投资风格的核心指标。在市场低迷时期，高股息因其稳定的现金流和较低的估值而成为避风港[44] **具体构建过程**：计算公式为指数成分股近12个月现金分红总额除以指数总市值。报告跟踪其当前值及历史分位情况[44][47] 5. **因子名称**：破净率[49] **构建思路**：破净指的是个股市净率小于1的情形，破净率表示破净个股数的占比，反映市场的整体估值态度[49] **具体构建过程**：统计指数成分股中市净率（PB）小于1的股票数量，再除以指数成分股总数。报告展示了各宽基指数的当前破净率[49] 6. **因子名称**：指数换手率[17] **构建思路**：衡量市场交易活跃度 **具体构建过程**：计算公式为： $$指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$$ 报告计算了各宽基指数的当前换手率[16][17] 7. **因子名称**：交易金额占比[16] **构建思路**：衡量各宽基指数成交额在全市场的比重 **具体构建过程**：以该指数当天的交易金额除以中证全指当天的交易金额[17]。报告展示了各指数的当前占比[16] 8. **因子名称**：收益分布形态（峰度与偏度）[23] **构建思路**：通过分析日收益率分布的峰度和偏度，刻画收益分布的特征和形态变化[17][23] **具体构建过程**：计算各宽基指数日收益率序列的峰度（报告中计算减去了3，即超额峰度）和偏度，并对比当前值与近5年历史值的差异[23][24] 模型的回测效果 1. **风险溢价模型**，当前风险溢价：上证50 (0.13%)[31]、沪深300 (0.27%)[31]、中证500 (0.61%)[31]、中证1000 (0.94%)[31]、中证2000 (1.34%)[31]、中证全指 (0.69%)[31]、创业板指 (0.38%)[31]；近5年分位值：上证50 (57.22%)[31]、沪深300 (64.21%)[31]、中证500 (71.03%)[31]、中证1000 (77.70%)[30]、中证2000 (83.65%)[30]、中证全指 (75.63%)[31]、创业板指 (62.22%)[30]；近1年波动率：上证50 (0.84%)[31]、沪深300 (0.94%)[31]、中证500 (1.31%)[31]、中证1000 (1.37%)[31]、中证2000 (1.50%)[31]、中证全指 (1.11%)[31]、创业板指 (1.79%)[31] 2. **股债性价比模型**，当前状态：没有指数高于其近5年80%分位（机会值），中证500和中证全指低于其近5年20%分位（危险值）[41] 因子的回测效果 1. **PE-TTM因子**，当前值：上证50 (11.56)[39]、沪深300 (14.20)[39]、中证500 (37.66)[39]、中证1000 (50.39)[39]、中证2000 (171.06)[39]、中证全指 (22.51)[39]、创业板指 (42.35)[39]；近5年历史分位值：上证50 (81.98%)[38]、沪深300 (89.34%)[39]、中证500 (98.43%)[38]、中证1000 (98.10%)[39]、中证2000 (92.07%)[39]、中证全指 (98.60%)[38]、创业板指 (61.65%)[38] 2. **股息率因子**，当前值：上证50 (3.34%)[47]、沪深300 (2.77%)[47]、中证500 (1.26%)[47]、中证1000 (0.99%)[47]、中证2000 (0.70%)[47]、中证全指 (1.95%)[47]、创业板指 (0.89%)[47]；近5年历史分位值：上证50 (36.61%)[47]、沪深300 (37.85%)[46]、中证500 (5.29%)[46]、中证1000 (22.48%)[47]、中证2000 (1.32%)[46]、中证全指 (26.78%)[47]、创业板指 (56.28%)[46] 3. **破净率因子**，当前值：上证50 (20.0%)[49]、沪深300 (15.0%)[49]、中证500 (9.2%)[49]、中证1000 (6.8%)[49]、中证2000 (2.55%)[49]、中证全指 (5.22%)[49] 4. **指数换手率因子**，当前值：上证50 (0.3)[16]、沪深300 (0.72)[16]、中证500 (2.1)[16]、中证1000 (2.96)[16]、中证2000 (4.03)[16]、中证全指 (1.91)[16]、创业板指 (2.12)[16] 5. **交易金额占比因子**，当前值：中证2000 (23.33%)[16]、沪深300 (22.43%)[16]、中证1000 (21.81%)[16] 6. **收益分布形态因子（峰度）**，当前vs.近5年差值：上证50 (-1.79)[24]、沪深300 (-1.79)[24]、中证500 (-1.44)[24]、中证1000 (-1.63)[24]、中证2000 (-1.88)[24]、中证全指 (-1.80)[24]、创业板指 (-2.64)[24]；**收益分布形态因子（偏度）**，当前vs.近5年差值：上证50 (-0.51)[24]、沪深300 (-0.45)[24]、中证500 (-0.39)[24]、中证1000 (-0.45)[24]、中证2000 (-0.47)[24]、中证全指 (-0.47)[24]、创业板指 (-0.63)[24]