量化模型与构建方式 1. **模型名称：卷积神经网络趋势观察模型**[79] * **模型构建思路**：使用卷积神经网络对图表化的价量数据与未来价格进行建模，并将学习到的特征映射到行业主题板块中，以识别和配置具有趋势性的行业主题[79]。 * **模型具体构建过程**： 1. **数据准备**：为每个个股在特定窗口期内的价量数据构建标准化的图表[79][81]。 2. **模型训练**：使用卷积神经网络对上述图表化的价量数据与未来价格进行建模，学习能够预测未来价格走势的特征[1][79]。 3. **特征映射**：将训练好的模型学习到的特征，映射到行业主题板块中[1][79]。 4. **主题配置**：根据模型的映射结果，生成当前推荐的行业主题配置列表[80]。 2. **模型名称：宏观因子事件模型**[55] * **模型构建思路**：通过跟踪一系列宏观指标，定义其走势变化为特定事件，并基于历史回测筛选出对未来资产收益率有显著影响的“有效因子事件”，用以判断市场趋势[55]。 * **模型具体构建过程**： 1. **因子选择**：跟踪25个国内外宏观指标，涵盖货币政策、财政政策、流动性、通胀水平及其他经济指标[55]。 2. **事件定义**：定义四类宏观因子事件来描述因子走势：短期高低点、连续上涨下跌、创历史新高新低、因子走势反转[55]。 3. **事件筛选**：从历史数据中寻找“有效因子事件”，即对资产未来收益率影响较为显著的因子事件[55]。 4. **趋势判断**：采用历史均线（如1月、3月、12月均线）将宏观因子走势分为趋势上行和趋势下行，统计在不同趋势下资产未来一个月的平均收益，以判断当前宏观环境对权益市场的观点（看多或看空）[57][58]。 3. **模型名称：GFTD模型与LLT模型**[83] * **模型构建思路**：报告提及了GFTD模型和LLT模型，用于市场择时，但未详细描述其构建思路与过程[83]。 模型的回测效果 1. **卷积神经网络趋势观察模型**：最新配置主题为酒、消费、食品饮料，具体推荐指数包括中证酒指数(399987.SZ)、上证主要消费行业指数(000036.SH)、中证细分食品饮料产业主题指数(000815.CSI)、中证食品饮料指数(930653.CSI)、上证消费80指数(000069.SH)[1][80][82]。 2. **宏观因子事件模型**：根据当前（截至报告日期）宏观因子趋势，对权益市场未来一个月持看多观点。具体因子趋势包括：PMI（3月均线趋势看多）、CPI同比（1月均线趋势看多）、社融存量同比（1月均线趋势看多）、10年期国债收益率（12月均线趋势看多）、美元指数（1月均线趋势看多）[58]。 3. **GFTD模型与LLT模型**：历史择时成功率约为80%[83]。 量化因子与构建方式 1. **因子名称：新高新低比例因子**[36] * **因子构建思路**：通过统计创近N日新高或新低的个股数量占比，来度量市场的整体强度与弱势广度[36]。 * **因子具体构建过程**：计算创近60日新高个股数占全部个股的比例（新高比例），以及创近60日新低个股数占全部个股的比例（新低比例）[1][36]。 2. **因子名称：个股均线结构因子**[40] * **因子构建思路**：通过分析个股的均线排列情况（多头或空头），构建反映市场整体技术面强弱的指标[40]。 * **因子具体构建过程**：计算呈现多头排列的个股数量与呈现空头排列的个股数量之差，再除以总个股数，得到“均线强弱指标”[1][40]。报告亦跟踪股价位于200日长期均线之上的个股比例[43]。 3. **因子名称：市场交易活跃度因子**[51] * **因子构建思路**：通过计算考虑自由流通股本后的市场换手率，来观察真实的交易活跃程度[51]。 * **因子具体构建过程**：计算市场（如中证全指、创业板指）的真实换手率，该换手率考虑了自由流通股本[51][53]。 4. **因子名称：风险溢价因子**[66] * **因子构建思路**：通过比较股票资产与债券资产的隐含收益率，来判断市场的相对估值吸引力[82]。 * **因子具体构建过程**：计算公式为：风险溢价 = 中证全指静态市盈率(PE)的倒数(EP) - 十年期国债收益率[82]。 5. **因子名称：指数超买超卖因子**[69] * **因子构建思路**：通过测量指数价格相对于其移动平均线的偏离程度，来判断指数是否处于超买或超卖状态[69]。 * **因子具体构建过程**：报告展示了主要宽基指数和行业指数的“超跌指标”统计，该指标 likely 基于价格与均线的位置关系计算，但具体公式未给出[69][70][73]。 6. **因子名称：融资余额因子**[76] * **因子构建思路**：跟踪市场融资余额的绝对规模及其占流通市值的比例，作为衡量市场杠杆水平和投资者情绪的一个指标[76][78]。 因子的回测效果 （注：报告主要展示了各因子在最新一期的观测值，而非长期历史回测的绩效指标（如IC、IR等）。） 1. **新高新低比例因子**：截至本期，创近60日新高个股数占比从前一期的7.6%升至9.1%；创近60日新低个股数占比从前一期的26.9%降至6.5%[1]。 2. **个股均线结构因子**：截至本期，多头排列减空头排列个股占比（均线强弱指标）从前一期的-23.7%降至-33.2%[1]。 3. **风险溢价因子**：截至2026年4月10日，中证全指风险溢价为2.63%，其历史均值加减两倍标准差的边界分别为4.58%和[具体下限值，报告中未明确给出，仅图示][67][82]。 4. **融资余额因子**：报告以图表形式展示了融资余额及其占流通市值比例的历史走势，未给出具体数值[78]。

量化周报 反弹力量得到释放 glmszqdatemark 2026 年 04 月 12 日 [Table_Author] | 分析师 叶尔乐 | | | --- | --- | | 执业证书： S0590525110059 | | | 邮箱： yeerle@glms.com.cn | | | 分析师 吴正宇 | | | 执业证书： S0590526030002 | | | 邮箱： | wuzhengyu@glms.com.cn | | 分析师 关舒丹 | | | 执业证书： S0590525110060 | | | 邮箱： | guanshudan@glms.com.cn | | 分析师 祝子涵 | | | 执业证书： S0590525110061 | | | 邮箱： zhuzihan@glms.com.cn | | | 研究助理 裴钰琪 | | | 执业证书： S0590125110081 | | | 邮箱： peiyuqi@glms.com.cn | | 相关研究 本公司具备证券投资咨询业务资格，请务必阅读最后一页免责声明 证券研究报告 1 择时观点：反弹力量得到释放。当下流动性保持下行趋势，分歧度保持上 ...

量化模型与构建方式 1. **模型名称：市场环境择时体系（均线距离模型）** * **模型构建思路：** 通过计算Wind全A指数的短期均线与长期均线的距离差，来划分市场的整体环境（如上涨、下跌、震荡格局）[2][6]。 * **模型具体构建过程：** 1. 选择标的指数：Wind全A指数[2][6]。 2. 计算均线：计算Wind全A指数的20日移动平均线（短期均线）和120日移动平均线（长期均线）[2][6]。 3. 计算均线距离差：计算短期均线与长期均线的距离差，通常以百分比表示[2][6]。公式可表述为： $$距离差 = \frac{短期均线 - 长期均线}{长期均线} \times 100\%$$ 4. 设定阈值进行环境判断：根据距离差的绝对值大小来界定市场状态。报告中提到，距离绝对值低于3%时，市场进入典型的震荡格局[2][6]。 2. **模型名称：仓位管理模型** * **模型构建思路：** 结合市场估值水平和短期趋势判断，为绝对收益产品提供股票仓位的配置建议[7]。 * **模型具体构建过程：** 1. 评估估值水平：计算Wind全A指数的PE（市盈率）和PB（市净率）在其自身历史数据中的分位数位置，以判断估值处于高位、中等还是低位[7]。例如，PE位于90分位点附近属于偏高水平，PB位于60分位点属于中等水平[7]。 2. 结合趋势判断：参考其他择时模型（如上述均线距离模型）对市场短期趋势的研判[7]。 3. 输出仓位建议：综合估值和趋势两个维度的信息，给出具体的仓位配置比例。例如，当前建议仓位为50%[5][7]。 3. **模型名称：中期行业配置模型（业绩趋势模型）** * **模型构建思路：** 通过分析行业的业绩趋势，筛选出未来一段时间内值得重点关注的行业方向[2][5][7]。 * **模型具体构建过程：** 报告未详细披露该模型的具体构建公式和步骤，仅提及模型名称为“业绩趋势模型”，并根据其信号提示重点关注方向[2][5][7][11]。 模型的回测效果 （注：本篇报告为周度市场观点，未提供上述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、信息比率（IR）等具体数值。） 量化因子与构建方式 （注：本篇报告主要讨论择时与行业配置模型，未涉及个股层面的量化因子构建。） 因子的回测效果 （注：本篇报告未涉及量化因子，故无相关测试结果。）

量化模型与构建方式 1. 短期择时模型 **模型名称**：短期择时模型[16] **模型构建思路**：通过综合评估基本面、估值面、情绪面和流动性四个维度的多个指标，生成一个综合性的市场择时信号，以判断当前市场应做多、做空还是保持中性[16]。 **模型具体构建过程**： 1. 将择时信号分解为四个一级指标：基本面、估值面、情绪面、流动性。 2. 每个一级指标下包含若干二级指标，每个二级指标根据其当前值在历史（过去5年）中的分位数位置，被赋予一个方向性的信号（乐观/谨慎/中性）[16][17]。 3. 每个一级指标的最终信号由其下属的二级指标信号综合决定[16][17]。 4. 综合四个一级指标的信号，生成最终的总仓位信号。从报告中的信号表（图表7）推断，信号可能以0（空仓/谨慎）、0.5（中性/半仓）、1（满仓/乐观）等形式表示[19]。 **模型评价**：该模型是一个多因子综合判断模型，旨在通过多维度数据捕捉市场状态变化，以降低单一指标失效的风险[16][17]。 2. 成长价值风格轮动模型 **模型名称**：成长价值风格轮动模型[24] **模型构建思路**：通过动态宏观信号、估值回归信号、短期动量信号、风格广度信号和风格拥挤信号等多个子信号，综合判断当前市场环境下应超配成长风格还是价值风格[24][25]。 **模型具体构建过程**： 1. 模型包含五个子信号源：动态宏观信号、估值回归信号、短期动量信号、风格广度信号、风格拥挤信号[25]。 2. 每个子信号在每日会输出一个针对成长风格的仓位建议（例如0%、100%），表示该信号认为应配置成长风格的比例[25]。 3. 模型采用两种综合方式： * **综合信号1（无中性仓位）**：可能直接对子信号进行某种加权或组合[25]。 * **综合信号2（5日平均仓位）**：对子信号的仓位建议进行5日移动平均，以平滑信号，减少频繁切换，然后综合生成最终的成长与价值配置比例（例如成长60%，价值40%）[24][25]。 **模型评价**：该模型采用多信号源复合，并通过平滑处理来降低交易频率，适应震荡市中风格快速轮动的特点[24]。 3. 小盘大盘风格轮动模型 **模型名称**：小盘大盘风格轮动模型（流动性视角下的市值风格轮动和择时策略）[27] **模型构建思路**：从流动性、资金面、市场情绪、估值和技术面等多个角度选取11个有效指标，构建综合信号来判断应超配小盘风格还是大盘风格[27][30]。 **模型具体构建过程**： 1. 选取11个轮动指标：A股龙虎榜买入强度、R007、融资买入余额变化、主题投资交易情绪、等级利差、期权波动率风险溢价、Beta离散度、PB分化度、大宗交易折溢价率、中证1000 MACD(10,20,10)、中证1000交易量能[30]。 2. 每个指标独立产生一个方向信号（看多小盘为100%，看多大盘为0%）[30]。 3. 综合所有指标的信号，生成一个综合的“小盘”仓位百分比和“大盘”仓位百分比[30]。报告中展示了“综合信号3D平滑”版本，表明对原始综合信号进行了3日平滑处理[30]。 4. 根据综合信号决定配置偏向。例如，当综合信号显示“大盘”仓位为100%时，建议超配大盘风格[27][30]。 量化因子与构建方式 1. 基本面择时因子群 **因子构建思路**：通过宏观经济指标判断经济基本面的强弱，为择时提供依据[16]。 **因子具体构建过程**： * **制造业PMI因子**：直接观测制造业采购经理指数（PMI）是否大于50的荣枯线。若PMI>50，则发出乐观信号[16][19]。 * **信贷脉冲因子**：计算“人民币中长期贷款脉冲同比增速”，并求其在过去5年历史中的分位数。分位数高表示信贷增速偏强，发出乐观信号[16][19]。 * **M1同比增速因子**：对M1同比增速进行HP滤波去趋势处理，计算去趋势后数据在过去5年历史中的分位数。分位数高表示M1增速偏强，发出乐观信号[16][19]。 2. 估值面择时因子群 **因子构建思路**：通过市场整体估值水平判断其均值回归压力，为择时提供依据[16]。 **因子具体构建过程**： * **A股整体PE分位数因子**：计算全市场股票PE_TTM中位数在过去5年历史中的分位数。分位数过高（如96.03%）意味着估值处于历史高位，存在均值回归下行压力，发出谨慎信号[10][16][19]。 * **A股整体PB分位数因子**：计算全市场股票PB_LF中位数在过去5年历史中的分位数。分位数过高（如91.32%）意味着估值处于历史高位，存在均值回归下行压力，发出谨慎信号[16][19]。 3. 情绪面择时因子群 **因子构建思路**：通过市场波动、交易活跃度等指标判断投资者情绪，为择时提供依据[17]。 **因子具体构建过程**： * **Beta离散度因子**：计算全市场股票的Beta离散度，并求其在过去5年历史中的分位数。分位数处于中间区域（如49.15%）表示市场分歧度中性，发出中性信号[17][19]。 * **量能情绪因子**：计算“A股整体量能情绪得分”，并求其在过去5年历史中的分位数。分位数处于中间区域（如42.76%）表示交易情绪中性，发出中性信号[17][19]。 * **波动率因子**：计算A股整体年化波动率，并求其在过去5年历史中的分位数。分位数处于中间区域（如91.98%被判定为中性）表示市场波动状态中性，发出中性信号[17][19]。 4. 流动性择时因子群 **因子构建思路**：通过货币市场利率、汇率、杠杆资金等指标判断市场流动性松紧，为择时提供依据[17]。 **因子具体构建过程**： * **货币利率指标因子**：计算某一货币利率指标（具体未说明）在过去5年历史中的分位数。分位数处于中间区域（如44.07%）表示流动性状况中性，发出中性信号[17][19]。 * **汇率预期指标因子**：计算人民币兑美元汇率预期变化指标在过去5年历史中的分位数。分位数处于中间区域（如59.32%）表示汇率预期中性，发出中性信号[17][19]。 * **融资余额变化因子**：计算沪深两市5日平均新增融资额在过去5年历史中的分位数。分位数处于中间区域（如11.33%被判定为中性）表示杠杆资金情绪中性，发出中性信号[17][19]。 5. 小盘大盘轮动因子群 **因子构建思路**：从不同维度选取对大小盘风格轮动有预测能力的指标[27][30]。 **因子具体构建过程**（报告列出了11个因子的名称和部分逻辑）： * **A股龙虎榜买入强度**：可能与龙虎榜机构买入小盘股的强度相关[30]。 * **R007**：银行间市场7天回购利率，反映短期资金成本，影响小盘股流动性[27][30]。 * **融资买入余额变化**：融资资金买入余额的变化情况，反映杠杆资金偏好[30]。 * **主题投资交易情绪**：反映市场主题炒作热度，通常与小盘股活跃度相关[30]。 * **等级利差**：可能指信用利差，反映风险偏好，利差收窄利于小盘股[30]。 * **期权波动率风险溢价**：反映市场恐慌情绪或风险定价[30]。 * **Beta离散度**：全市场股票Beta值的离散程度，反映市场分歧度[30]。 * **PB分化度**：全市场股票市净率（PB）的离散程度，反映估值结构分化[30]。 * **大宗交易折溢价率**：大宗交易的折价或溢价水平，反映机构交易意愿[30]。 * **中证1000 MACD(10,20,10)**：中证1000指数的MACD技术指标，判断小盘股指趋势[30]。 * **中证1000交易量能**：中证1000指数的交易量能指标[30]。 模型的回测效果 1. 短期择时模型 * 回测期：2012年底至今[18] * 年化收益率：15.70%[18][21] * 基准年化收益率（月度中性持仓再平衡）：4.87%[18] * 年化超额收益率：10.82%[18] * 年化波动率：14.80%[21] * 最大回撤：15.05%[18][21] * 夏普比率：0.9246[21] * 收益回撤比：1.0433[21] * 月度胜率：65.22%[21] * 季度胜率：58.18%[21] * 年度胜率：73.33%[21] **2024年以来表现**[22]： * 年化收益率：22.60% * 基准年化收益率：9.12% * 年化波动率：16.75% * 最大回撤：11.10% * 夏普比率：1.1811 * 收益回撤比：2.0349 * 月度胜率：65.52% 2. 成长价值风格轮动模型 * 回测期：2011年至今[24] * **综合信号2（5日平均仓位）表现**[24][25]： * 累计收益：756.56% * 年化收益：14.44% * 基准收益（国证成长价值等权）年化：6.51% * 年化超额收益率：7.93% * 年化波动率：21.41% * 最大回撤：40.08% * 夏普比率：0.64 * 收益回撤比：0.36 * 年化跟踪误差：5.88% * 年化信息比率（IR）：1.35 * 月度超额胜率：66.49% * 2026年以来超额收益率：2.40%[24][25] 3. 小盘大盘风格轮动模型 * 回测期：2014年以来[28][30] * **综合信号3D平滑策略表现**[30]： * 年化收益：19.71% * 年化超额收益率：12.40% * 最大回撤：40.70% * 平均换手间隔（交易日）：19天 * 胜率（按交易）：50.21% * 2026年以来超额收益率：0.17%[28][30] * 各独立因子表现（年化超额收益率范围）：2.90% 至 9.59%[30] 因子的回测效果 （注：报告中未提供单个择时因子或风格轮动因子的独立回测绩效指标，仅在小盘大盘轮动部分列出了11个因子的年化超额收益等数据，已并入“小盘大盘风格轮动模型”的回测效果中。）

根据提供的研报内容，经过仔细审阅，**该报告为一份电子行业周报，主要聚焦于行业动态、个股表现和AI模型进展，并未涉及任何量化模型或量化因子的构建、测试与分析**。报告内容围绕市场行情追踪、个股涨跌幅排名以及最新AI模型（如GLM-5.1和HappyHorse）的基准测试表现展开[1][3][10][11][16][17][18][19][20][21][22][23][27]。 因此，按照任务要求，**无需也无法**总结关于量化模型或量化因子的名称、构建思路、具体过程、评价及测试结果。

量化模型与构建方式 1. **模型名称：成交量模型**[2][11][66] * **模型构建思路：** 基于市场成交量的变化来判断短期市场情绪和趋势。 * **模型具体构建过程：** 报告未详细说明具体构建过程和公式，仅提及其为短期择时模型之一，通过分析成交量数据生成看多、看空或中性信号。 2. **模型名称：特征龙虎榜机构模型**[2][11][66] * **模型构建思路：** 利用龙虎榜数据中机构的买卖行为特征来构建择时信号。 * **模型具体构建过程：** 报告未详细说明具体构建过程和公式，仅提及其为短期择时模型之一，通过分析龙虎榜机构行为生成信号。 3. **模型名称：特征成交量模型**[2][11][66] * **模型构建思路：** 在基础成交量分析之上，结合其他特征（可能如价格、波动率等）构建更精细的择时模型。 * **模型具体构建过程：** 报告未详细说明具体构建过程和公式，仅提及其为短期择时模型之一。 4. **模型名称：智能算法沪深300模型 / 智能算法中证500模型**[2][11][66] * **模型构建思路：** 应用智能算法（如机器学习）对沪深300或中证500指数进行择时。 * **模型具体构建过程：** 报告未详细说明具体算法、特征和训练过程。 5. **模型名称：涨跌停模型**[2][12][67] * **模型构建思路：** 通过分析市场涨跌停股票的数量和分布来判断中期市场情绪和强度。 * **模型具体构建过程：** 报告未详细说明具体构建过程和公式，仅提及其为中期择时模型之一。 6. **模型名称：上下行收益差模型**[2][12][67] * **模型构建思路：** 通过计算市场或指数上行收益与下行收益的差值或比率，来衡量市场动能的强弱和方向。 * **模型具体构建过程：** 报告未给出具体的计算公式。其核心思想是比较不同方向的价格变动强度。 7. **模型名称：月历效应模型**[2][12][67] * **模型构建思路：** 基于历史数据中存在的特定月份或时间段的季节性规律进行择时。 * **模型具体构建过程：** 报告未详细说明具体构建过程和统计规律。 8. **模型名称：长期动量模型**[2][13][68] * **模型构建思路：** 基于资产价格的长期趋势（动量效应）进行择时判断。 * **模型具体构建过程：** 报告未详细说明计算动量的时间窗口和具体阈值规则。 9. **模型名称：成交额倒波幅模型**[2][15][70] * **模型构建思路：** 结合成交额和波动率（波幅）的倒数关系来构建择时信号，可能用于衡量在给定波动率下的资金活跃程度。 * **模型具体构建过程：** 报告未给出具体的计算公式。 10. **模型名称：上下行收益差相似多空模型**[2][15][70] * **模型构建思路：** 在“上下行收益差模型”基础上，引入相似性分析或多空对比逻辑，针对港股市场（恒生指数、恒生国企指数）构建择时模型。 * **模型具体构建过程：** 报告未详细说明具体的相似性度量或多空构建方法。 11. **模型名称：A股综合兵器V3模型 / A股综合国证2000模型**[2][14][69] * **模型构建思路：** 将短期、中期、长期等多个单一择时模型的信号进行综合耦合，形成最终的复合择时观点。 * **模型具体构建过程：** 报告提到“可以将同一周期下的不同模型或者不同周期下的不同模型信号进行耦合”[9]，但未说明V3版本具体的耦合规则（如加权平均、投票机制等）。 12. **模型名称：形态识别模型（杯柄形态、双底形态）**[43][44][48][52][54] * **模型构建思路：** 基于技术分析中的经典价格形态（如杯柄形态、双底形态）来识别个股的潜在突破机会。 * **模型具体构建过程：** 报告通过图表展示了识别出的具体个股及其形态关键点（A点、B点、C点等）[47][51][53][54]，但未给出形态识别的量化算法和突破确认规则。 13. **模型名称：HCVIX模型**[39][40][42] * **模型构建思路：** 复现并计算中国市场的波动率指数（VIX），作为判断市场情绪（恐慌程度）的参考指标。 * **模型具体构建过程：** 报告提到根据公开披露的VIX计算方法进行复现，其计算结果与已停止发布的中证VIX指数历史数据相关系数达99.2%[40]。但未列出具体的VIX计算公式。 模型的回测效果 *报告未提供各择时模型及形态识别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）。报告仅展示了部分模型在当前时点的信号状态（看多、看空、中性）[11][12][13][14][15]，以及形态识别组合自2020年底以来的累计涨跌幅和相对基准的超额收益[43]。* 1. **杯柄形态组合**，自2020年12月31日至今累计上涨20.99%，跑赢上证综指6.21%[43]。 2. **双底形态组合**，自2020年12月31日至今累计上涨21.47%，跑赢上证综指6.69%[43]。 量化因子与构建方式 *本报告主要侧重于市场择时和资金监控，未详细阐述用于选股的单一量化因子（如价值、成长、质量等因子）的构建方法。报告中提到的“大师策略”监控了33个策略，涉及价值型、成长型和综合型[36]，但未具体说明这些策略所使用的因子及其构建过程。* 因子的回测效果 *报告未提供具体量化因子的测试结果（如IC值、IR、多空收益等）。*

量化模型与因子总结 量化模型与构建方式 1. **模型名称：量能择时模型**[24] * **模型构建思路**：通过分析市场成交量的变化来对市场未来走势进行判断，生成看多或看空的择时信号[24]。 * **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计算过程，仅给出了基于该模型对各大宽基指数的最新择时观点[24]。 2. **模型名称：沪深300上涨家数占比择时模型**[25][27][29] * **模型构建思路**：通过计算沪深300指数成分股中过去一段时间内上涨的股票数量占比，来衡量市场情绪，并基于情绪指标的变化（快慢线交叉）来生成择时信号[25][27][29]。 * **模型具体构建过程**： 1. 计算基础指标：沪深300指数N日上涨家数占比 = 沪深300指数成分股过去N日收益大于0的个股数占比[25]。其中N=230[27]。 2. 对基础指标进行平滑处理：分别计算该指标的N1日（慢线）和N2日（快线）移动平均，其中N1=50，N2=35[27]。 3. 生成信号：当快线大于慢线时，看多沪深300指数；当快线小于慢线时，对市场持中性态度[27][29]。 * **模型评价**：该指标可以较快捕捉上涨机会，但在市场过热阶段会提前止盈离场，错失后续上涨收益，且对下跌市场的判断存在缺陷[26]。 3. **模型名称：均线情绪指标择时模型**[33][37] * **模型构建思路**：基于沪深300指数收盘价与一组均线（八均线体系）的相对位置关系，构建情绪指标，并据此判断市场趋势状态，生成择时信号[33][37]。 * **模型具体构建过程**： 1. 计算八均线数值：计算沪深300收盘价的8条均线，参数分别为8, 13, 21, 34, 55, 89, 144, 233[33]。 2. 计算当日指标值：统计当日沪深300指数收盘价大于这八条均线数值的数量[37]。 3. 生成信号：当当前价格大于八均线指标值的数量超过5时，看多沪深300指数[37]。 模型的回测效果 （报告中未提供各择时模型的具体回测绩效指标数值，如年化收益率、夏普比率、最大回撤等。） 量化因子与构建方式 1. **因子名称：横截面波动率**[38] * **因子构建思路**：计算某一指数（如沪深300、中证500、中证1000）所有成分股在同一时间截面上的收益率标准差，用以衡量股票间的分化程度，反映市场Alpha获取环境的难易度[38]。 * **因子具体构建过程**：报告未给出具体的计算公式，但指出该因子是计算指数成分股收益率的横截面波动率[38]。 2. **因子名称：时间序列波动率**[39] * **因子构建思路**：计算指数成分股的加权时间序列波动率，用以衡量市场整体的波动水平，同样作为判断Alpha环境的指标[39]。 * **因子具体构建过程**：报告未给出具体的计算公式，但指出该因子是计算指数成分股的加权时间序列波动率[39]。 3. **因子名称：抱团基金分离度**[81] * **因子构建思路**：通过计算抱团基金组合截面收益的标准差，来衡量基金抱团的程度。标准差越小，说明基金表现越趋同，抱团程度越高；反之则表示抱团正在瓦解[81]。 * **因子具体构建过程**：具体计算方式为抱团基金截面收益的标准差[81]。 因子的回测效果 （报告中未提供上述因子的IC、IR、多空收益等具体测试结果取值，仅提供了因子数值的统计描述和近期观察。） 因子/指标的具体统计结果 1. **横截面波动率统计**[39] * **沪深300横截面波动率**：近两年平均值2.02%，近一年平均值2.05%，近半年平均值2.35%，近一季度平均值2.15%[39]。 * **中证500横截面波动率**：近两年平均值2.29%，近一年平均值2.32%，近半年平均值2.71%，近一季度平均值2.49%[39]。 * **中证1000横截面波动率**：近两年平均值2.51%，近一年平均值2.51%，近半年平均值2.78%，近一季度平均值2.61%[39]。 2. **时间序列波动率统计**[42] * **沪深300时序波动率**：近两年平均值1.02%，近一年平均值0.92%，近半年平均值0.97%，近一季度平均值1.00%[42]。 * **中证500时序波动率**：近两年平均值1.34%，近一年平均值1.23%，近半年平均值1.59%，近一季度平均值1.41%[42]。 * **中证1000时序波动率**：近两年平均值1.49%，近一年平均值1.27%，近半年平均值1.61%，近一季度平均值1.38%[42]。

量化模型与构建方式 **注：** 本报告主要对现有因子和组合进行跟踪，未详细阐述各因子或模型的构建公式与具体过程。以下根据报告提及内容进行总结。 量化因子与构建方式 1. **因子名称：** Beta因子[1] * **因子构建思路：** 衡量股票相对于市场整体波动的敏感性，即系统性风险暴露[1]。 2. **因子名称：** 动量因子[1] * **因子构建思路：** 基于股票过去一段时间（如1个月）的价格表现，认为过去表现好的股票在未来短期内将继续表现好[1][23]。 3. **因子名称：** 流动性因子[1] * **因子构建思路：** 衡量股票的交易活跃程度和变现能力，通常与交易量、换手率等指标相关[1][22]。 4. **因子名称：** 成长性因子[1] * **因子构建思路：** 衡量公司盈利、收入或资产等财务指标的增长率，反映公司的成长潜力[1]。 5. **因子名称：** 残差波动率因子[1] * **因子构建思路：** 衡量股票收益率中不能被市场因子解释的部分（即残差）的波动性，代表公司的特质风险[1][22]。 6. **因子名称：** 市值因子[1] * **因子构建思路：** 通常指对数市值因子，衡量公司规模大小，是市场中最经典的风格因子之一[1][13][15][17]。 7. **因子名称：** 非线性市值因子[1] * **因子构建思路：** 捕捉市值因子与收益率之间可能存在的非线性关系[1]。 8. **因子名称：** 总资产增长率[12][14][16] * **因子构建思路：** 衡量公司总资产的扩张速度，属于成长类因子[12][14][16]。 9. **因子名称：** 标准化预期外盈利[12] * **因子构建思路：** 衡量公司实际公布的盈利与市场预期之间的差异，经过标准化处理，属于盈余惊喜类因子[12]。 10. **因子名称：** 单季度ROA同比[12][16] * **因子构建思路：** 衡量公司单季度总资产收益率相对于去年同期的变化率，属于盈利改善类因子[12][16]。 11. **因子名称：** 单季度净利润同比增长率[14][16] * **因子构建思路：** 衡量公司单季度净利润相对于去年同期的增长率，属于成长类因子[14][16]。 12. **因子名称：** 单季度营业利润同比增长率[14][16] * **因子构建思路：** 衡量公司单季度营业利润相对于去年同期的增长率，属于成长类因子[14][16]。 13. **因子名称：** 早盘收益因子[16] * **因子构建思路：** 基于股票在早盘时段的收益表现构建的因子，可能与市场情绪或隔夜信息消化有关[16]。 14. **因子名称：** 下行波动率占比[12][14][16] * **因子构建思路：** 衡量下行波动率在总波动率中的比例，反映股价下跌风险的结构[12][14][16]。 15. **因子名称：** 市盈率因子[12][14][16] * **因子构建思路：** 基于市盈率或其倒数构建的估值类因子，衡量股价相对于每股收益的水平[12][14][16]。 16. **因子名称：** 5日成交量的标准差[12] * **因子构建思路：** 衡量最近5个交易日成交量波动程度的因子，可能与交易行为的稳定性或异动有关[12]。 17. **因子名称：** 每股净资产因子[22] * **因子构建思路：** 衡量公司每股对应的净资产价值，属于基本面价值类因子[22]。 18. **因子名称：** 每股经营利润TTM因子[22] * **因子构建思路：** 衡量公司过去十二个月每股经营利润，属于基本面盈利类因子[22]。 19. **因子名称：** BP因子[22] * **因子构建思路：** 市净率（P/B）的倒数，即账面市值比，属于估值类因子[22]。 20. **因子名称：** EP因子[22] * **因子构建思路：** 市盈率（P/E）的倒数，即盈利收益率，属于估值类因子[22]。 21. **因子名称：** 大宗交易成交金额比率[30] * **因子构建思路：** 衡量大宗交易成交金额的相对水平，是构建大宗交易组合的关键指标之一[30]。 22. **因子名称：** 6日成交金额波动率[30] * **因子构建思路：** 衡量最近6个交易日成交金额的波动程度，是构建大宗交易组合的关键指标之一[30]。 量化模型与构建方式 1. **模型名称：** PB-ROE-50组合[2][24] * **模型构建思路：** 结合市净率（PB）和净资产收益率（ROE）两个核心指标进行选股，旨在寻找估值合理且盈利能力强的公司[2][24]。 2. **模型名称：** 机构调研组合[3][26] * **模型构建思路：** 基于机构调研行为构建选股策略，包括公募调研选股策略和私募调研跟踪策略，认为机构调研行为蕴含了未来的信息优势[3][26]。 3. **模型名称：** 大宗交易组合[3][30] * **模型构建思路：** 根据“高成交、低波动”原则，即选择“大宗交易成交金额比率”高且“6日成交金额波动率”低的股票，通过月频调仓构建组合，以挖掘大宗交易背后的超额信息[30]。 4. **模型名称：** 定向增发组合[3][36] * **模型构建思路：** 以定向增发的股东大会公告日为事件节点，综合考虑市值、调仓周期和仓位控制等因素，构建事件驱动选股组合，捕捉定向增发事件带来的投资机会[36]。 模型的回测效果 1. **PB-ROE-50组合** * 本周超越基准收益率（中证500）：-0.15%[24][25] * 本周超越基准收益率（中证800）：2.05%[24][25] * 本周超越基准收益率（全市场）：3.43%[24][25] * 本周绝对收益率（中证500）：5.60%[25] * 本周绝对收益率（中证800）：6.94%[25] * 本周绝对收益率（全市场）：8.76%[25] * 今年以来超额收益率（中证500）：1.29%[25] * 今年以来超额收益率（中证800）：7.00%[25] * 今年以来超额收益率（全市场）：6.23%[25] * 今年以来绝对收益率（中证500）：8.12%[25] * 今年以来绝对收益率（中证800）：9.07%[25] * 今年以来绝对收益率（全市场）：9.30%[25] 2. **机构调研组合（公募调研选股）** * 本周超越基准收益率（中证800）：2.22%[26][27] * 本周绝对收益率：7.12%[27] * 今年以来超额收益率（中证800）：-4.06%[27] * 今年以来绝对收益率：-2.20%[27] 3. **机构调研组合（私募调研跟踪）** * 本周超越基准收益率（中证800）：3.36%[26][27] * 本周绝对收益率：8.31%[27] * 今年以来超额收益率（中证800）：6.82%[27] * 今年以来绝对收益率：8.88%[27] 4. **大宗交易组合** * 本周超越基准收益率（中证全指）：-1.20%[3][31] * 本周绝对收益率：3.89%[31] * 今年以来超额收益率（中证全指）：7.63%[31] * 今年以来绝对收益率：10.73%[31] 5. **定向增发组合** * 本周超越基准收益率（中证全指）：-0.83%[3][37] * 本周绝对收益率：4.28%[37] * 今年以来超额收益率（中证全指）：4.19%[37] * 今年以来绝对收益率：7.20%[37] 因子的回测效果 **注：** 以下因子表现数据均为“最近1周”在对应股票池中的收益，收益为剔除行业与市值影响后多头组合相对于基准指数的超额收益[12]。 1. **总资产增长率** * 沪深300股票池收益：3.14%[12][13] * 中证500股票池收益：0.46%[14][15] * 流动性1500股票池收益：1.98%[16][17] 2. **标准化预期外盈利** * 沪深300股票池收益：2.36%[12][13] * 中证500股票池收益：-0.23%[14][15] * 流动性1500股票池收益：1.12%[16][17] 3. **单季度ROA同比** * 沪深300股票池收益：2.34%[12][13] * 中证500股票池收益：0.17%[14][15] * 流动性1500股票池收益：1.57%[16][17] 4. **单季度净利润同比增长率** * 沪深300股票池收益：2.07%[12][13] * 中证500股票池收益：1.20%[14][15] * 流动性1500股票池收益：1.44%[16][17] 5. **单季度营业利润同比增长率** * 沪深300股票池收益：1.81%[12][13] * 中证500股票池收益：0.58%[14][15] * 流动性1500股票池收益：1.25%[16][17] 6. **早盘收益因子** * 沪深300股票池收益：0.89%[12][13] * 中证500股票池收益：-0.47%[14][15] * 流动性1500股票池收益：1.59%[16][17] 7. **下行波动率占比** * 沪深300股票池收益：-2.95%[12][13] * 中证500股票池收益：-2.78%[14][15] * 流动性1500股票池收益：-2.23%[16][17] 8. **市盈率因子** * 沪深300股票池收益：-2.87%[12][13] * 中证500股票池收益：-2.48%[14][15] * 流动性1500股票池收益：-2.76%[16][17] 9. **5日成交量的标准差** * 沪深300股票池收益：-3.76%[12][13] * 中证500股票池收益：-0.84%[14][15] * 流动性1500股票池收益：-1.12%[16][17] 10. **市盈率TTM倒数** * 沪深300股票池收益：-1.97%[12][13] * 中证500股票池收益：-2.89%[14][15] * 流动性1500股票池收益：-2.54%[16][17] 11. **总资产毛利率TTM** * 沪深300股票池收益：-0.24%[12][13] * 中证500股票池收益：-2.60%[14][15] * 流动性1500股票池收益：0.33%[16][17]

量化模型与构建方式 1. **模型/因子名称**：封板率[16] **构建思路**：用于衡量涨停股票的封板质量，即最高价涨停的股票中，有多少能够将涨停板维持到收盘[16] **具体构建过程**：统计满足条件的股票数量进行计算[16] 公式为： $$封板率=最高价涨停且收盘涨停的股票数/最高价涨停的股票数$$[16] 2. **模型/因子名称**：连板率[16] **构建思路**：用于衡量涨停股票的持续性，即昨日涨停的股票中，有多少能够连续第二日涨停[16] **具体构建过程**：统计满足条件的股票数量进行计算[16] 公式为： $$连板率=连续两日收盘涨停的股票数/昨日收盘涨停的股票数$$[16] 3. **模型/因子名称**：大宗交易折价率[25] **构建思路**：通过大宗交易成交价与市场价格的差异，反映大资金的投资偏好和市场情绪[25] **具体构建过程**：计算大宗交易总成交金额与当日成交份额总市值的比值，并减去1[25] 公式为： $$折价率=大宗交易总成交金额/当日成交份额的总市值-1$$[25] 4. **模型/因子名称**：股指期货年化贴水率[27] **构建思路**：将股指期货基差（期货价格与现货指数价格之差）年化，以衡量市场对未来预期及股指对冲成本[27] **具体构建过程**：计算基差与指数价格的比值，再乘以年化因子（250/合约剩余交易日数）[27] 公式为： $$年化贴水率=基差/指数价格*(250/合约剩余交易日数)$$[27] 模型的回测效果 （注：本报告为市场数据日报，未提供量化模型的回测效果指标。） 量化因子与构建方式 （注：本报告未构建独立的量化选股因子，所提及的“封板率”、“连板率”、“大宗交易折价率”、“年化贴水率”等更偏向于市场情绪或状态的指标模型，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：本报告为市场数据日报，未提供量化因子的回测效果指标。）

量化模型与构建方式 **1. 模型名称：国证港股通互联网指数** * **模型构建思路**：为反映港股通范围内互联网领域相关上市公司的运行特征，构建一个被动指数化投资工具[4][10]。 * **模型具体构建过程**： 1. **选样空间**：香港交易所上市，且具备互联互通标的资格的股票[71]。 2. **筛选条件**：剔除最近一年日均成交金额低于1000万港元或月均换手率不足0.15%的股票[71]。 3. **行业筛选**：选取涉及互联网零售、互联网文娱、互联网软件、互联网服务等相关领域的公司[71]。 4. **财务与合规筛选**：剔除最近一年有重大违规、财务报告有重大问题、经营异常、有重大亏损以及股价有异常波动的公司[71]。 5. **成分股选择**：从通过上述筛选的股票中，选取最近一年日均总市值排名最高的30只股票构成指数样本股[71]。 6. **指数计算**：指数是对应成分股在调整市值的基础上按相应的指数编制规则计算出来的[4][10]。基日为2014年12月31日，基点为1000点[67]。 * **模型评价**：该指数成分股主要集中在互联网与传媒相关行业，权重分布较为集中，能够把握互联网与传媒属性[10][76]。指数成分股在大市值区间较为集中，在中小市值区间分布均衡，整体兼备龙头与均衡属性[79]。长期来看，相较恒生综指和恒生指数，该指数在部分行情中弹性更大，并具备一定的超额收益[10][96]。 模型的回测效果 1. **国证港股通互联网指数**，基日以来（截至2026年3月27日）累计收益**26.09%**[97]；同期恒生综指累计收益**15.12%**，累计超额收益**10.97%**[97]；同期恒生指数累计收益**5.71%**，累计超额收益**20.39%**[97]。 2. **国证港股通互联网指数**，截至2026年3月27日，PE(TTM)值为**23.08**，小于指数发布以来（2021年11月18日至2026年3月27日）**70.24%**的时间点[99]。 3. **国证港股通互联网指数**，前十大成分股加权平均Wind一致预期未来2年净利润增速为**87.00%**，加权PE(TTM)为**15.36**，加权PB(MQR)为**3.03**[83]。 4. **国证港股通互联网指数**，2021年1月1日至2025年12月31日期间，加权回购金额约为**449.20亿港元**，远高于全部港股平均值（2.71亿港元）[95]。 量化因子与构建方式 **1. 因子名称：回购金额因子** * **因子构建思路**：通过分析上市公司回购股票的行为和金额，衡量公司管理层对企业未来发展的信心[90]。 * **因子具体构建过程**：统计特定时间段内（如2021年1月1日至2025年12月31日）指数成分股或全部港股的回购总金额[90][95]。对于指数，可以计算成分股在区间内的加权回购金额[95]。 * **因子评价**：回购金额较高的公司，通常表明管理层认为公司价值被低估，对未来发展有信心，是衡量企业信心和潜在价值的有效指标[90][95]。 **2. 因子名称：一致预期净利润增速因子** * **因子构建思路**：利用市场分析师对公司未来盈利的一致预期，衡量指数或成分股的成长性[83]。 * **因子具体构建过程**：收集指数成分股（如前十大成分股）的Wind一致预期未来2年净利润增速数据[84]。对于指数整体，可采用加权平均法计算，权重为各成分股在指数中的权重[83]。 * **因子评价**：该因子反映了市场对公司未来盈利增长的集体判断，是评估指数成长属性的重要前瞻性指标[83]。 因子的回测效果 1. **回购金额因子**，国证港股通互联网指数成分股中，2021年1月1日至2025年12月31日期间，有**4家**公司回购金额超100亿港元[90]；其中腾讯控股区间内总回购金额约为**2778.65亿港元**，为全部港股中最高[90]。 2. **一致预期净利润增速因子**，国证港股通互联网指数前十大成分股加权平均Wind一致预期未来2年净利润增速为**87.00%**[83]。