量化模型与构建方式 1. **模型名称：SAR择时模型**[14] * **模型构建思路**：使用抛物线转向指标（SAR）来识别市场趋势的潜在反转点，生成买入或卖出信号[14]。 * **模型具体构建过程**：SAR指标的计算涉及一个加速因子，随着趋势的延续，该因子会逐步增大，使得止损点（SAR值）加速靠近价格。当价格从下方突破SAR线时，发出买入信号；当价格从上方跌破SAR线时，发出卖出信号[14][15]。报告中将此模型应用于Wind全A指数。 2. **模型名称：市场均线强弱指数**[14] * **模型构建思路**：通过计算各行业指数相对于其均线的位置，综合评估整个市场的技术强弱[14]。 * **模型具体构建过程**：基于Wind二级行业指数，计算每个行业指数与其均线（如20日均线）的相对位置，然后对所有行业的得分进行加总或平均，得到市场整体的均线强弱分数。报告指出当前得分为238，处于2023年以来的86.52%分位点，表明市场技术面偏强[14][16]。 3. **模型名称：市场情绪模型**[14] * **模型构建思路**：通过构建与涨跌停板相关的因子，来刻画市场的情绪强弱和赚钱效应[14]。 * **模型具体构建过程**：根据国泰海通量化团队前期专题报告，构建了多个细分情绪因子，包括：净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益[14][17]。每个因子会生成一个信号（例如，1表示看多，0表示中性或看空），最终通过某种方式（如加权或打分卡）汇总成一个综合情绪得分。报告显示当前情绪模型得分为2分（满分5分）[14]。 4. **模型名称：高频资金流择时模型**[14] * **模型构建思路**：通过分析高频资金流的走势，对主要宽基指数发出买入或卖出信号[14]。 * **模型具体构建过程**：根据国泰海通量化团队前期专题报告，利用高频资金流数据构建模型。模型分为“激进多头”、“激进多空”、“稳健多头”、“稳健多空”四种策略，每种策略对特定指数（如沪深300、中证500、中证1000）生成信号（1代表看多）[14][17]。 5. **因子名称：因子拥挤度复合指标**[18] * **因子构建思路**：为了预警因子可能因资金过度追逐而失效的风险，使用多个维度指标综合度量因子的拥挤程度[18]。 * **因子具体构建过程**：参考国泰海通量化团队前期专题报告，使用四个指标来度量因子拥挤度[18]： 1. **估值价差**：衡量因子多空组合在估值指标上的差异。 2. **配对相关性**：衡量因子多空组合内股票收益的相关性。 3. **长期收益反转**：衡量因子近期收益与长期收益的背离情况。 4. **因子波动率**：衡量因子收益序列的波动情况。 将上述四个分项指标标准化后，通过一定方法（如等权或加权）合成一个综合拥挤度得分。报告展示了小市值、低估值、高盈利、高增长四个因子的拥挤度[19][21]。 6. **因子名称：行业拥挤度指标**[25] * **因子构建思路**：度量特定行业板块因资金过度集中而可能面临回调的风险[25]。 * **因子具体构建过程**：根据国泰海通量化团队前期专题报告《行业轮动系列研究 15——行业板块拥挤度》构建。报告未给出具体计算公式，但展示了截至2026年1月23日各行业的拥挤度数值及相对上月的变化[25][27][28]。 模型的回测效果 *注：本报告为周报，主要展示模型的最新信号和状态，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）。* 1. **SAR择时模型**：对Wind全A指数，于1月20日发出卖出信号，于1月23日再度发出买入信号[14]。 2. **市场均线强弱指数**：当前市场得分为238，处于2023年以来的86.52%分位点[14]。 3. **市场情绪模型**：综合得分为2分（满分5分），趋势模型信号为正向，加权模型信号为正向[14]。细分因子信号为：净涨停占比(1)，跌停次日收益(0)，涨停板占比(0)，跌停板占比(0)，高频打板收益(1)[17]。 4. **高频资金流择时模型**：对沪深300、中证500、中证1000指数，激进多头、激进多空、稳健多头、稳健多空四种策略信号均为1（看多）[17]。 因子的回测效果 *注：本报告未提供因子IC、IR、多空收益等传统因子测试绩效指标。主要展示了因子拥挤度指标的最新数值。* 1. **小市值因子拥挤度**：综合打分 0.28[19][21]。分项得分：估值价差 0.67，配对相关性 0.45，市场波动 -0.51，收益反转 0.51[19]。 2. **低估值因子拥挤度**：综合打分 -0.42[19][21]。分项得分：估值价差 -1.39，配对相关性 0.24，市场波动 1.39，收益反转 -1.90[19]。 3. **高盈利因子拥挤度**：综合打分 0.31[19][21]。分项得分：估值价差 -0.61，配对相关性 0.15，市场波动 0.15，收益反转 1.57[19]。 4. **高盈利增长因子拥挤度**：综合打分 0.35[19][21]。分项得分：估值价差 1.12，配对相关性 -0.49，市场波动 -0.21，收益反转 0.97[19]。 5. **行业拥挤度**：截至2026年1月23日，有色金属(2.08)、综合(1.98)、通信(1.97)、电子(1.47)、国防军工(1.46)等行业拥挤度相对较高[27][28]。国防军工和电子的行业拥挤度上升幅度相对较大[25][28]。

量化模型与构建方式 1. **模型名称**：创新的基本面量化模型[32] **模型构建思路**：融合主动权益投资与量化投资的优势，将基本面投资逻辑进行定量化归纳和提炼，以兼顾长期逻辑与投资效率[31][33] **模型具体构建过程**：该模型并非一个具体的单一模型，而是一个融合性的投资框架。其核心是将传统基本面分析的逻辑（如产业理解、深度价值挖掘）进行系统化、定量化的处理，形成可验证、可迭代的量化规则[30][33]。汇安基金基于此框架，构建了一个包含多种策略的量化策略储备体系，可以根据产品定位和客户需求进行灵活组合与定制化输出[35][37]。具体策略储备包括：适配A股市场的Barra多因子模型、小微盘精选策略、超预期策略、机构持仓精选策略、SmartBeta选股策略、红利精选策略[35]。 2. **模型名称**：Brinson归因模型[56] **模型构建思路**：用于分解投资组合相对于基准的超额收益来源，将超额收益拆解为配置收益、选股收益和交互收益，以评估基金经理的资产配置和个股选择能力[56] **模型具体构建过程**：基于基金定期报告（半年报/年报）披露的全部持仓，模拟其下一季度的收益，并以沪深300指数作为业绩基准进行归因分析。超额收益被分解为三个部分：配置收益（行业/板块配置贡献）、选股收益（行业内个股选择贡献）和交互收益（配置与选股共同作用的贡献）。此外，还定义了交易收益，即基金实际收益与基于定期报告持仓模拟收益的差额，用于衡量持仓披露后主动交易带来的收益。具体拆解公式如下： $$基金收益-指数收益=交易收益+超额收益=交易收益+配置收益+交互收益+选股收益$$[56] **模型评价**：该模型能有效拆解基金超额收益的来源，帮助分析基金经理的选股能力和配置能力[56]。 量化因子与构建方式 1. **因子名称**：Barra风险因子[35][50] **因子构建思路**：采用成熟的Barra多因子风险模型来刻画股票的风险特征，并控制组合相对于基准的风格暴露，以实现“紧约束，低偏离”的投资目标[35][46] **因子具体构建过程**：报告中未详细描述Barra因子的具体构建公式，但明确指出该基金使用了适配A股市场的Barra多因子模型[35]。该模型通常包含一系列风格因子（如市值、估值、动量、波动率、流动性、成长、盈利质量等）和行业因子。通过计算基金持仓在这些因子上的暴露度，并与基准指数（沪深300）的暴露度进行对比，以评估组合的风格偏离情况[50]。 **因子评价**：使用Barra模型有助于严格控制组合的风格暴露，使其贴近基准，减少不必要的风格偏离风险，符合“紧约束”的策略要求[46][50]。 模型的回测效果 1. **创新的基本面量化模型（汇安沪深300指数增强A应用效果）** **全样本期（2023-09-28至2026-01-16）**：年化收益13.06%，年化超额收益2.29%，信息比率(IR)0.81，年化跟踪误差2.53%，最大回撤-13.65%[40][42] **2024年度**：年化超额收益-0.92%，信息比率(IR)-0.26，年化跟踪误差3.31%[42] **2025年度**：累计超额收益7.23%，信息比率(IR)4.74，年化跟踪误差1.28%，相对最大回撤-0.57%[3][41][42] 2. **Brinson归因模型（应用于汇安沪深300指数增强A的归因结果）** **2025年第一季度**：选股收益0.89%，配置收益-0.19%，交互收益-0.03%，超额收益0.67%[56][59] **2025年第三季度**：选股收益0.42%，配置收益1.51%，交互收益0.10%，超额收益2.03%[56][59] **2025Q1与Q3均值**：平均季度选股收益0.66%[3][56][59] 因子的回测效果 1. **Barra风险因子暴露分析（汇安沪深300指数增强A，2024H2至2025H1）** **市值因子**：暴露与沪深300基准指数几乎保持一致，无明显偏离[50] **成长因子**：略有正向暴露[50] **整体风格暴露**：与沪深300指数的因子暴露整体较为相近[3][50]

量化模型与构建方式 1. **模型名称**：中证有色金属矿业主题指数编制模型[27] **模型构建思路**：从有色金属行业中选取拥有有色金属矿产资源储量的上市公司证券作为指数样本，以反映上游矿业公司的整体表现，旨在捕捉资源稀缺性和金属价格上行周期中的利润弹性[27] **模型具体构建过程**： * **样本空间**：中证全指指数样本[31] * **可投资性筛选**：剔除样本空间内过去一年日均成交金额排名后10%的证券[27][31] * **主题筛选**：选取有色金属行业中“拥有有色金属矿产资源储量”的上市公司证券作为待选样本[27] * **样本选择**： 1. 在待选样本中，按照过去一年日均总市值由高到低排名。 2. 从中证四级行业中分别选取排名靠前的3只证券作为指数样本，不足3只时则全部入选[27][28]。 3. 在剩余待选样本中，按照总市值排名依次递补进入指数，直至样本数量达到40只[27][28]。 * **加权方式**：采用自由流通市值加权[31] * **权重上限**：单个样本权重不超过10%[31] * **定期调整**：样本每半年调整一次，调整实施时间为每年6月和12月的第二个星期五的下一交易日[28] 模型的回测效果 1. **中证有色金属矿业主题指数（931892.CSI）**，年初至今收益率13.91%[62]，近一月收益率24.06%[62]，近三月收益率28.48%[62]，近六月收益率95.59%[62]，近一年收益率120.35%[62] 2. **中证有色金属矿业主题指数（931892.CSI）**，自2014年1月1日至2026年1月19日累计收益率351.82%[64] 量化因子与构建方式 1. **因子名称**：矿产资源储量因子[27] **因子构建思路**：直接锚定上市公司是否拥有有色金属矿产资源，作为筛选上游采选企业的核心标准，因为拥有矿产资源的公司通常被视为更具投资价值的核心资产，具备利润弹性高和资源稀缺性的特点[27] **因子具体构建过程**：该因子是一个二元筛选因子。在指数编制过程中，仅将“拥有有色金属矿产资源储量”的上市公司证券纳入待选样本池，不满足此条件的证券被排除[27]。该因子不涉及具体数值计算，而是基于公司业务属性进行定性判断。 因子的回测效果 （报告中未提供基于该因子的独立分层回测或选股效果指标，如IC、IR、多空收益等，因此本部分无相关内容。）

量化模型与构建方式 1. **模型名称：沪深300增强组合**；模型构建思路：基于多因子模型对沪深300指数成分股进行增强选股[5]；模型具体构建过程：报告未详细描述该增强组合的具体多因子模型构建过程，仅展示了其业绩表现。从上下文推断，其构建应遵循国泰海通金融工程团队的多因子选股框架，可能综合了风格、技术、基本面等多类因子进行打分和权重配置。 2. **模型名称：中证500增强组合**；模型构建思路：基于多因子模型对中证500指数成分股进行增强选股[5]；模型具体构建过程：报告未详细描述该增强组合的具体多因子模型构建过程，仅展示了其业绩表现。从上下文推断，其构建应遵循国泰海通金融工程团队的多因子选股框架。 3. **模型名称：中证1000增强组合**；模型构建思路：基于多因子模型对中证1000指数成分股进行增强选股[5]；模型具体构建过程：报告未详细描述该增强组合的具体多因子模型构建过程，仅展示了其业绩表现。从上下文推断，其构建应遵循国泰海通金融工程团队的多因子选股框架。 4. **模型名称：进取组合**；模型构建思路：基于多因子模型构建的主动量化组合，基准为中证500指数[9]；模型具体构建过程：报告未详细描述该组合的具体多因子模型构建过程，仅展示了其业绩表现。从名称“进取”推断，其可能采用了更高风险暴露的因子配置或更积极的调仓策略。 5. **模型名称：平衡组合**；模型构建思路：基于多因子模型构建的主动量化组合，基准为中证500指数[9]；模型具体构建过程：报告未详细描述该组合的具体多因子模型构建过程，仅展示了其业绩表现。从名称“平衡”推断，其可能采用了风险收益更为均衡的因子配置。 6. **模型名称：绩优基金的独门重仓股组合**；模型构建思路：通过分析绩优基金的持仓，筛选其独门重仓股构建组合[5]；模型具体构建过程：报告未详细描述该组合的具体筛选和构建过程，仅展示了其业绩表现。 7. **模型名称：盈利、增长、现金流三者兼优组合**；模型构建思路：从盈利、增长、现金流三个基本面维度筛选优质股票构建组合[5]；模型具体构建过程：报告未详细描述该组合的具体因子定义、标准化、加权合成等构建过程，仅展示了其业绩表现。 8. **模型名称：PB-盈利优选组合**；模型构建思路：结合低市净率（PB）和高盈利指标，筛选有基本面支撑的低估值股票构建组合[5][30]；模型具体构建过程：报告未详细描述该组合的具体因子定义、标准化、加权合成等构建过程，仅展示了其业绩表现。 9. **模型名称：GARP组合**；模型构建思路：采用“合理价格成长”（GARP）策略，兼顾成长性与估值，筛选股票构建组合[9][33]；模型具体构建过程：报告未详细描述该组合的具体因子定义、标准化、加权合成等构建过程，仅展示了其业绩表现。 10. **模型名称：小盘价值优选组合1**；模型构建思路：在小盘股范围内，基于价值因子优选股票构建组合[9][35]；模型具体构建过程：报告未详细描述该组合的具体因子定义、标准化、加权合成等构建过程，仅展示了其业绩表现。 11. **模型名称：小盘价值优选组合2**；模型构建思路：在小盘股范围内，基于价值因子优选股票构建组合（可能与组合1在因子权重或具体选股标准上有所不同）[9][37]；模型具体构建过程：报告未详细描述该组合的具体因子定义、标准化、加权合成等构建过程，仅展示了其业绩表现。 12. **模型名称：小盘成长组合**；模型构建思路：在小盘股范围内，基于成长因子优选股票构建组合[5][39]；模型具体构建过程：报告未详细描述该组合的具体因子定义、标准化、加权合成等构建过程，仅展示了其业绩表现。 量化因子与构建方式 1. **因子名称：市值因子**；因子的构建思路：衡量公司规模大小的因子，通常认为小市值股票存在溢价[5][42]；因子具体构建过程：报告未给出具体计算公式。通常为股票的总市值（总股本×股价），并进行标准化等处理。 2. **因子名称：PB因子**；因子的构建思路：市净率因子，衡量估值水平，通常认为低估值股票存在溢价[5][42]；因子具体构建过程：报告未给出具体计算公式。通常为股票价格除以每股净资产（P/B）。 3. **因子名称：PE_TTM因子**；因子的构建思路：滚动市盈率因子，衡量估值水平，通常认为低估值股票存在溢价[42]；因子具体构建过程：报告未给出具体计算公式。通常为股票价格除以最近四个季度的每股收益（P/E TTM）。 4. **因子名称：反转因子**；因子的构建思路：技术类因子，基于过去一段时间股价的涨跌幅，认为过去表现差的股票未来可能反弹，过去表现好的股票未来可能回调[5][46]；因子具体构建过程：报告未给出具体计算公式。通常计算过去N个交易日的收益率并取负值（-1 * Return_{t-N, t}）。 5. **因子名称：换手率因子**；因子的构建思路：技术类因子，衡量股票流动性或交易活跃度，通常认为低换手率股票存在溢价[5][46]；因子具体构建过程：报告未给出具体计算公式。通常为过去一段时间成交股数除以流通股本。 6. **因子名称：波动率因子**；因子的构建思路：技术类因子，衡量股票价格波动风险，通常认为低波动率股票存在溢价[5][46]；因子具体构建过程：报告未给出具体计算公式。通常计算过去一段时间收益率的标准差。 7. **因子名称：ROE因子**；因子的构建思路：净资产收益率因子，衡量公司盈利能力的质量，通常认为高ROE股票存在溢价[50]；因子具体构建过程：报告未给出具体计算公式。通常为净利润除以净资产。 8. **因子名称：SUE因子**；因子的构建思路：标准化未预期盈余因子，衡量公司盈利增长的超预期程度，通常认为高SUE股票存在溢价[5][50]；因子具体构建过程：报告未给出具体计算公式。通常为（当期实际EPS - 分析师预期EPS）除以历史预期误差的标准差。 9. **因子名称：预期净利润调整因子**；因子的构建思路：衡量分析师对公司未来盈利预测的调整方向，通常认为盈利预测上调的股票存在溢价[5][50]；因子具体构建过程：报告未给出具体计算公式。通常计算一段时间内分析师对未来净利润一致预期的调整幅度。 模型的回测效果 （数据统计区间：2025年12月31日至2026年1月23日） 1. 沪深300增强组合，绝对收益7.27%，超额收益5.70%，跟踪误差4.26%，最大相对回撤0.38%[9] 2. 中证500增强组合，绝对收益13.08%，超额收益-1.98%，跟踪误差6.07%，最大相对回撤4.77%[9] 3. 中证1000增强组合，绝对收益13.09%，超额收益1.56%，跟踪误差7.89%，最大相对回撤2.78%[9] 4. 进取组合，绝对收益14.85%，超额收益-0.22%，跟踪误差20.89%，最大相对回撤12.81%[9] 5. 平衡组合，绝对收益13.75%，超额收益-1.31%，跟踪误差17.27%，最大相对回撤11.94%[9] 6. 绩优基金的独门重仓股组合，绝对收益8.99%，超额收益2.51%，跟踪误差18.82%，最大相对回撤3.12%[9] 7. 盈利、增长、现金流三者兼优组合，绝对收益4.45%，超额收益2.88%，跟踪误差11.53%，最大相对回撤3.01%[9] 8. PB-盈利优选组合，绝对收益5.21%，超额收益3.64%，跟踪误差13.29%，最大相对回撤4.47%[9] 9. GARP组合，绝对收益10.38%，超额收益8.81%，跟踪误差13.10%，最大相对回撤2.90%[9] 10. 小盘价值优选组合1，绝对收益10.59%，超额收益-1.42%，跟踪误差8.54%，最大相对回撤4.47%[9] 11. 小盘价值优选组合2，绝对收益14.24%，超额收益2.23%，跟踪误差8.17%，最大相对回撤1.53%[9] 12. 小盘成长组合，绝对收益11.43%，超额收益-0.57%，跟踪误差10.20%，最大相对回撤2.89%[9] 因子的回测效果 （数据统计区间：2025年12月31日至2026年1月23日，多空收益） 1. 市值因子，全市场3.18%，沪深300 9.44%，中证500 -11.69%，中证1000 -2.91%[42][43] 2. PB因子，全市场-5.03%，沪深300 -9.91%，中证500 -9.32%，中证1000 -5.87%[42][43] 3. PE_TTM因子，全市场-2.61%，沪深300 -10.54%，中证500 -12.93%，中证1000 -6.75%[42][43] 4. 反转因子，全市场-6.43%，沪深300 -3.16%，中证500 -18.38%，中证1000 -2.25%[48] 5. 换手率因子，全市场-1.66%，沪深300 -8.40%，中证500 -17.37%，中证1000 -4.80%[48] 6. 波动率因子，全市场-5.02%，沪深300 -8.44%，中证500 -19.74%，中证1000 -5.49%[48] 7. ROE因子，全市场0.43%，沪深300 -5.38%，中证500 -1.92%，中证1000 1.83%[50][51] 8. SUE因子，全市场1.27%，沪深300 0.72%，中证500 -1.53%，中证1000 0.70%[50][51] 9. 预期净利润调整因子，全市场0.92%，沪深300 2.96%，中证500 2.78%，中证1000 -1.25%[50][51]

量化模型与构建方式 1. 模型名称：国信金工指数增强组合模型 * **模型构建思路**：以多因子选股为主体，通过收益预测、风险控制和组合优化三个主要步骤，构建能够稳定战胜特定基准指数的增强组合[10][11] * **模型具体构建过程**： 1. **收益预测**：基于多因子模型对股票的未来收益进行预测[11] 2. **风险控制**：控制组合相对于基准指数在行业、风格等方面的暴露[11] 3. **组合优化**：在满足风险控制约束的条件下，通过优化算法求解最优的股票权重，以最大化预期收益或控制跟踪误差[11] * **模型评价**：该模型是一个系统化的多因子增强框架，旨在通过量化方法获取稳定的超额收益 2. 模型名称：单因子MFE组合模型 * **模型构建思路**：为了在更贴近实际投资约束的条件下检验单因子的有效性，通过组合优化的方式，构建一个在控制行业、风格等暴露后，最大化该因子暴露的投资组合（Maximized Factor Exposure Portfolio）[14][40] * **模型具体构建过程**： 1. 设定优化目标为最大化组合在目标因子上的暴露[40] 2. 在优化过程中加入一系列实际投资中的约束条件，包括： * 控制组合相对于基准指数的风格因子暴露偏离度[40][41] * 控制组合相对于基准指数的行业偏离度[40][41] * 控制个股相对于其在基准指数中权重的偏离幅度（通常设置为0.5%-1%）[41][42] * 控制组合在基准指数成分股内的权重占比[40][41] * 禁止卖空，并设置个股权重上限[41] * 要求组合满仓运作（权重和为1）[41][42] 3. 具体的组合优化模型如下： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ 其中： * $$f$$ 为股票的因子取值向量 * $$w$$ 为待求解的股票权重向量 * $$w_b$$ 为基准指数成分股的权重向量 * $$X$$ 为股票对风格因子的暴露矩阵 * $$s_l, s_h$$ 为风格因子相对暴露的下限及上限 * $$H$$ 为股票的行业暴露矩阵 * $$h_l, h_h$$ 为行业偏离的下限及上限 * $$w_l, w_h$$ 为个股权重偏离的下限及上限 * $$B_b$$ 为个股是否属于基准指数成分股的0-1向量 * $$b_l, b_h$$ 为成分股内权重的下限及上限 * $$l$$ 为个股权重上限 * $$\mathbf{1}^{T}\ w=1$$ 表示权重和为1[40][41] 4. 在回测中，每月末根据上述模型构建各因子的MFE组合，换仓时扣除双边0.3%的交易费用[44] 3. 模型名称：公募重仓指数 * **模型构建思路**：为了测试因子在公募基金这一重要市场参与者持仓风格下的有效性，通过汇总公募基金的持仓信息，构建一个代表“机构风格”的股票指数作为新的因子测试样本空间[42] * **模型具体构建过程**： 1. **确定样本基金**：选取普通股票型基金和偏股混合型基金，剔除规模小于五千万且上市不足半年的基金，若基金转型则使用转型后半年以上的数据[43] 2. **获取持仓数据**：从基金的定期报告（年报、半年报、季报）中获取持股信息。若最新报告为季报，需结合前期的年报或半年报信息来构建完整的持仓数据[43] 3. **计算平均持仓**：将所有符合条件的基金持仓合并，计算每只股票在所有基金中的平均权重[43] 4. **筛选成分股**：将股票按平均权重从高到低排序，选取累计权重达到90%的股票作为成分股，构建公募重仓指数[43] 量化因子与构建方式 报告涉及超过30个因子，涵盖估值、反转、成长、盈利、流动性、波动、公司治理和分析师等多个维度[15][16]。 1. 估值类因子 * **因子名称**：BP * **因子构建思路**：衡量公司的市净率倒数，属于价值因子[16] * **因子具体构建过程**：$$BP = \frac{净资产}{总市值}$$[16] * **因子名称**：单季EP * **因子构建思路**：使用单季度净利润计算的市盈率倒数[16] * **因子具体构建过程**：$$单季 EP = \frac{单季度归母净利润}{总市值}$$[16] * **因子名称**：单季SP * **因子构建思路**：使用单季度营业收入计算的市销率倒数[16] * **因子具体构建过程**：$$单季 SP = \frac{单季度营业收入}{总市值}$$[16] * **因子名称**：EPTTM * **因子构建思路**：使用过去十二个月（TTM）净利润计算的市盈率倒数[16] * **因子具体构建过程**：$$EPTTM = \frac{归母净利润 TTM}{总市值}$$[16] * **因子名称**：SPTTM * **因子构建思路**：使用过去十二个月（TTM）营业收入计算的市销率倒数[16] * **因子具体构建过程**：$$SPTTM = \frac{营业收入 TTM}{总市值}$$[16] * **因子名称**：EPTTM分位点 * **因子构建思路**：衡量当前EPTTM在历史一年中的相对位置[16] * **因子具体构建过程**：计算股票当前EPTTM值在过去一年中的分位数[16] * **因子名称**：股息率 * **因子构建思路**：衡量公司的现金分红回报率[16] * **因子具体构建过程**：$$股息率 = \frac{最近四个季度预案分红金额}{总市值}$$[16] 2. 反转与动量类因子 * **因子名称**：一个月反转 * **因子构建思路**：捕捉短期价格反转效应[16] * **因子具体构建过程**：计算过去20个交易日的涨跌幅[16] * **因子名称**：三个月反转 * **因子构建思路**：捕捉中期价格反转效应[16] * **因子具体构建过程**：计算过去60个交易日的涨跌幅[16] * **因子名称**：一年动量 * **因子构建思路**：捕捉长期价格动量效应，通常排除最近一个月以避免与短期反转冲突[16] * **因子具体构建过程**：计算近一年（排除最近一个月）的累计涨跌幅[16] 3. 成长类因子 * **因子名称**：单季净利同比增速 * **因子构建思路**：衡量单季度净利润的同比增长情况[16] * **因子具体构建过程**：$$单季净利同比增速 = \frac{单季度净利润 - 去年同期单季度净利润}{去年同期单季度净利润}$$[16] * **因子名称**：单季营收同比增速 * **因子构建思路**：衡量单季度营业收入的同比增长情况[16] * **因子具体构建过程**：$$单季营收同比增速 = \frac{单季度营业收入 - 去年同期单季度营业收入}{去年同期单季度营业收入}$$[16] * **因子名称**：单季营利同比增速 * **因子构建思路**：衡量单季度营业利润的同比增长情况[16] * **因子具体构建过程**：$$单季营利同比增速 = \frac{单季度营业利润 - 去年同期单季度营业利润}{去年同期单季度营业利润}$$[16] * **因子名称**：SUE (标准化预期外盈利) * **因子构建思路**：衡量实际盈利超出分析师一致预期的程度，并经过标准化处理[16] * **因子具体构建过程**：$$SUE = \frac{单季度实际净利润 - 预期净利润}{预期净利润的标准差}$$[16] * **因子名称**：SUR (标准化预期外收入) * **因子构建思路**：衡量实际收入超出分析师一致预期的程度，并经过标准化处理[16] * **因子具体构建过程**：$$SUR = \frac{单季度实际营业收入 - 预期营业收入}{预期营业收入的标准差}$$[16] * **因子名称**：单季超预期幅度 * **因子构建思路**：直接衡量实际盈利与预期盈利的比率[16] * **因子具体构建过程**：$$单季超预期幅度 = \frac{预期单季度净利润}{财报单季度净利润}$$[16] 4. 盈利类因子 * **因子名称**：单季ROE * **因子构建思路**：衡量单季度的净资产收益率[16] * **因子具体构建过程**：$$单季 ROE = \frac{单季度归母净利润 \times 2}{期初归母净资产 + 期末归母净资产}$$[16] * **因子名称**：单季ROA * **因子构建思路**：衡量单季度的总资产收益率[16] * **因子具体构建过程**：$$单季 ROA = \frac{单季度归母净利润 \times 2}{期初归母总资产 + 期末归母总资产}$$[16] * **因子名称**：DELTAROE * **因子构建思路**：衡量净资产收益率的同比变化[16] * **因子具体构建过程**：$$DELTAROE = 单季度净资产收益率 - 去年同期单季度净资产收益率$$[16] * **因子名称**：DELTAROA * **因子构建思路**：衡量总资产收益率的同比变化[16] * **因子具体构建过程**：$$DELTAROA = 单季度总资产收益率 - 去年同期单季度总资产收益率$$[16] 5. 流动性类因子 * **因子名称**：非流动性冲击 * **因子构建思路**：衡量单位成交金额对价格产生的冲击，反映股票的流动性水平[16] * **因子具体构建过程**：$$非流动性冲击 = 过去20个交易日的 \frac{日涨跌幅绝对值}{成交额} 的均值$$[16] * **因子名称**：一个月换手 * **因子构建思路**：衡量过去一个月的平均换手率[16] * **因子具体构建过程**：计算过去20个交易日换手率的均值[16] * **因子名称**：三个月换手 * **因子构建思路**：衡量过去三个月的平均换手率[16] * **因子具体构建过程**：计算过去60个交易日换手率的均值[16] 6. 波动类因子 * **因子名称**：特异度 * **因子构建思路**：衡量股价波动中不能被常见风险因子（如Fama-French三因子）解释的部分，即 idiosyncratic risk[16] * **因子具体构建过程**：$$特异度 = 1 - 过去20个交易日 Fama-French三因子回归的拟合度 (R^2)$$[16] * **因子名称**：一个月波动 * **因子构建思路**：衡量短期股价波动率[16] * **因子具体构建过程**：计算过去20个交易日日内真实波幅（True Range）的均值[16] * **因子名称**：三个月波动 * **因子构建思路**：衡量中期股价波动率[16] * **因子具体构建过程**：计算过去60个交易日日内真实波幅（True Range）的均值[16] 7. 公司治理类因子 * **因子名称**：高管薪酬 * **因子构建思路**：衡量公司高管的薪酬水平[16] * **因子具体构建过程**：对前三名高管报酬总额取自然对数[16] 8. 分析师类因子 * **因子名称**：预期EPTTM * **因子构建思路**：基于分析师一致预期计算的未来滚动市盈率倒数[16] * **因子具体构建过程**：使用一致预期数据计算滚动EP[16] * **因子名称**：预期BP * **因子构建思路**：基于分析师一致预期计算的未来市净率倒数[16] * **因子具体构建过程**：使用一致预期数据计算滚动PB[16] * **因子名称**：预期PEG * **因子构建思路**：结合成长性与估值水平的指标[16] * **因子具体构建过程**：使用一致预期数据计算PEG[16] * **因子名称**：预期净利润环比 * **因子构建思路**：衡量分析师对未来净利润预期的环比变化[16] * **因子具体构建过程**：$$预期净利润环比 = \frac{当前一致预期净利润}{3个月前一致预期净利润}$$[16] * **因子名称**：三个月盈利上下调 * **因子构建思路**：衡量过去三个月内分析师对盈利预期上调与下调的家数净差额[16] * **因子具体构建过程**：$$三个月盈利上下调 = \frac{过去3个月内分析师上调家数 - 下调家数}{总家数}$$[16] * **因子名称**：三个月机构覆盖 * **因子构建思路**：衡量过去三个月内覆盖该公司的机构（分析师）数量[16] * **因子具体构建过程**：统计过去3个月内发布研究报告的机构数量[16] 模型的回测效果 1. 国信金工指数增强组合模型 * **沪深300指数增强组合**：本周超额收益0.88%，本年超额收益2.99%[4][13] * **中证500指数增强组合**：本周超额收益0.68%，本年超额收益-0.92%[4][13] * **中证1000指数增强组合**：本周超额收益1.44%，本年超额收益1.18%[4][13] * **中证A500指数增强组合**：本周超额收益1.76%，本年超额收益3.50%[4][13] 因子的回测效果 以下为各因子在**最近一周**、**最近一月**、**今年以来**和**历史年化**四个时间窗口下，通过MFE组合构建方式测试获得的超额收益表现。数据来源于报告中对不同样本空间的跟踪结果汇总[17][18][20][22][24][26]。 1. 估值类因子 * **BP因子**：最近一周超额收益0.65% (HS300) / 0.31% (A500) / 1.33% (重仓)，最近一月超额收益0.79% (HS300) / -0.25% (A500) / 0.25% (重仓)，今年以来超额收益0.45% (HS300) / -0.66% (A500) / -0.65% (重仓)，历史年化超额收益2.73% (HS300) / 2.64% (A500) / 0.51% (重仓)[18][24][26] * **单季EP因子**：最近一周超额收益0.09% (HS300) / -0.11% (A500) / 0.54% (重仓)，最近一月超额收益0.64% (HS300) / -1.39% (A500) / -1.66% (重仓)，今年以来超额收益0.59% (HS300) / -1.17% (A500) / -2.01% (重仓)，历史年化超额收益5.33% (HS300) / 5.05% (A500) / 3.03% (重仓)[18][24][26] * **单季SP因子**：最近一周超额收益0.02% (HS300) / 0.12% (A500) / 1.10% (重仓)，最近一月超额收益-0.26% (HS300) / 0.18% (A500) / -1.11% (重仓)，今年以来超额收益-0.40% (HS300) / -0.34% (A500) / -0.99% (重仓)，历史年化超额收益2.70% (HS300) / 2.33% (A500) / 1.78% (重仓)[18][24][26] * **EPTTM因子**：最近一周超额收益0.01% (HS300) / 0.03% (A500) / 0.55% (重仓)，最近一月超额收益-0.33% (HS300) / -2.21% (A500) / -2.49% (重仓)，今年以来超额收益0.00% (HS300) / -1.72% (A500) / -2.48% (重仓)，历史年化超额收益4.14% (HS300) / 2.88% (A500) / 0.87% (重仓)[18][24][26] * **SPTTM因子**：最近一周超额收益0.05% (HS300) / 0.03% (A500) / 0.80% (重仓)，最近一月超额收益-0.03% (HS300) / -0.10% (A500) / -1.17% (重仓)，今年以来超额收益-0.25% (HS300) / -

量化模型与因子总结 量化模型与构建方式 1. **模型名称：PB-ROE-50组合** * **模型构建思路：** 基于市净率（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[23]。 * **模型具体构建过程：** 报告未详细描述该组合的具体构建公式和步骤，仅提及其为基于PB和ROE的选股组合[23]。 2. **模型名称：机构调研组合** * **模型构建思路：** 利用机构调研事件作为信息源，构建选股策略。具体分为公募调研选股策略和私募调研跟踪策略[25]。 * **模型具体构建过程：** 报告未详细描述该组合的具体构建公式和步骤，仅提及其为基于机构调研事件的选股策略[25]。 3. **模型名称：大宗交易组合** * **模型构建思路：** 基于“高成交、低波动”原则，从发生大宗交易的股票中筛选后续表现更佳的标的[29]。 * **模型具体构建过程：** 通过统计分析发现，“大宗交易成交金额比率”越高、“6日成交金额波动率”越低的股票后续表现更佳。根据此原则，以月频调仓方式构造组合[29]。 4. **模型名称：定向增发组合** * **模型构建思路：** 以定向增发（定增）的股东大会公告日为事件节点，进行事件驱动选股[35]。 * **模型具体构建过程：** 综合考虑市值因素、调仓周期以及对仓位的控制来构造组合，但报告未给出具体的构建公式[35]。 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）1.38%[24]，本周超越基准收益率（中证800）2.54%[24]，本周超越基准收益率（全市场）4.23%[24]，今年以来超额收益率（中证500）-1.02%[24]，今年以来超额收益率（中证800）6.00%[24]，今年以来超额收益率（全市场）8.52%[24]，本周绝对收益率（中证500）5.79%[24]，本周绝对收益率（中证800）3.37%[24]，本周绝对收益率（全市场）6.06%[24]，今年以来绝对收益率（中证500）13.89%[24]，今年以来绝对收益率（中证800）11.54%[24]，今年以来绝对收益率（全市场）16.54%[24] 2. **机构调研组合（公募调研选股）**，本周超越基准收益率0.61%[26]，今年以来超额收益率3.54%[26]，本周绝对收益率1.41%[26]，今年以来绝对收益率8.95%[26] 3. **机构调研组合（私募调研跟踪）**，本周超越基准收益率3.43%[26]，今年以来超额收益率8.53%[26]，本周绝对收益率4.26%[26]，今年以来绝对收益率14.20%[26] 4. **大宗交易组合**，本周超越基准收益率0.86%[30]，今年以来超额收益率5.56%[30]，本周绝对收益率2.63%[30]，今年以来绝对收益率13.36%[30] 5. **定向增发组合**，本周超越基准收益率1.32%[36]，今年以来超额收益率1.04%[36]，本周绝对收益率3.10%[36]，今年以来绝对收益率8.51%[36] 量化因子与构建方式 1. **因子名称：大类因子（风格因子）** * **因子构建思路：** 将众多单因子归类为几个具有明确经济含义的大类风格，以观察市场整体风格动向[18]。 * **因子具体构建过程：** 报告未详细描述大类因子的具体构建过程，但列出了Beta因子、估值因子、市值因子等类别及其本周表现[18]。 2. **单因子（列举部分）** * 报告提及了大量单因子，但均未提供具体的构建公式和详细过程，仅列出了其名称、方向及在不同股票池和周期下的表现[12][13][14][15][16][17]。这些因子涵盖多个维度： * **动量反转类：** 5日反转、动量弹簧因子、5日动量、1月动量等[13][15][17][22] * **估值类：** 市净率因子、市盈率TTM倒数、市销率TTM倒数、BP因子、EP因子等[12][13][14][15][16][17][21][22] * **盈利质量类：** 单季度ROE、单季度营业利润同比增长率、单季度净利润同比增长率、毛利率TTM、营业利润率TTM、净利润率TTM、ROE稳定性、ROA稳定性等[12][13][14][15][16][17][22] * **成长类：** 总资产增长率、单季度营业收入同比增长率、净资产增长率等[12][13][15][17][22] * **流动性类：** 5日平均换手率、换手率相对波动率、6日成交金额的移动平均值、6日成交金额波动率等[12][13][15][17][29] * **交易行为类：** 早盘收益因子、早盘后收益因子、动量调整大单、动量调整小单、大单净流入、小单净流入、净利润断层、标准化预期外收入、标准化预期外盈利等[12][13][14][15][16][17] * **波动率类：** 残差波动率、下行波动率占比、5日成交量的标准差、6日成交金额的标准差、日内波动率与成交金额的相关性等[13][15][17][21][22] * **规模类：** 对数市值因子[13][15][17][22] 因子的回测效果 （注：以下仅展示报告中明确提供了数值的部分因子近期表现。所有因子表现数据均为“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]。） 沪深300股票池因子表现（最近1周） 1. **5日平均换手率**，因子方向：负向，最近1周收益：4.52%[13] 2. **5日反转**，因子方向：负向，最近1周收益：3.17%[13] 3. **市净率因子**，因子方向：正向，最近1周收益：3.10%[13] 4. **总资产增长率**，因子方向：正向，最近1周收益：-2.05%[13] 5. **单季度ROE**，因子方向：正向，最近1周收益：-1.16%[13] 6. **单季度EPS**，因子方向：正向，最近1周收益：-1.13%[13] 中证500股票池因子表现（最近1周） 1. **5日反转**，因子方向：负向，最近1周收益：3.80%[15] 2. **单季度营业利润同比增长率**，因子方向：正向，最近1周收益：1.98%[15] 3. **市销率TTM倒数**，因子方向：正向，最近1周收益：1.65%[15] 4. **动量调整小单**，因子方向：负向，最近1周收益：-2.41%[15] 5. **毛利率TTM**，因子方向：正向，最近1周收益：-1.76%[15] 6. **小单净流入**，因子方向：负向，最近1周收益：-1.53%[15] 流动性1500股票池因子表现（最近1周） 1. **早盘后收益因子**，因子方向：负向，最近1周收益：2.18%[17] 2. **5日反转**，因子方向：负向，最近1周收益：2.17%[17] 3. **标准化预期外收入**，因子方向：正向，最近1周收益：1.77%[17] 4. **ROA稳定性**，因子方向：正向，最近1周收益：-1.49%[17] 5. **小单净流入**，因子方向：负向，最近1周收益：-1.33%[17] 6. **总资产毛利率TTM**，因子方向：正向，最近1周收益：-1.32%[17] 大类因子表现（全市场股票池，最近1周） 1. **Beta因子**，最近1周收益：0.66%[18] 2. **估值因子**，最近1周收益：0.48%[18] 3. **市值因子**，最近1周收益：-0.80%[18]

量化模型与构建方式 1. **模型名称：港股精选组合模型**[14][16] * **模型构建思路**：该模型旨在对分析师推荐股票池进行基本面和技术面的双层优选，挑选出同时具备基本面支撑和技术面共振的超预期股票，构建港股精选股票组合[14][16]。 * **模型具体构建过程**： 1. **构建分析师推荐股票池**：以分析师上调盈利预测、分析师首次关注、分析师研报标题超预期事件作为分析师推荐事件，构建初始股票池[16]。 2. **基本面与技术面双层筛选**：对分析师推荐股票池中的股票，从基本面和技术面两个维度进行精选，具体筛选标准未在本文中详细展开[14][16]。 2. **因子名称：250日新高距离**[20][22] * **因子构建思路**：该因子用于量化个股股价接近其历史最高价的程度，基于学术研究和投资实践，认为股价接近或创出新高是未来表现强势的信号[20]。 * **因子具体构建过程**： 1. 计算过去250个交易日收盘价的最大值。 2. 使用最新收盘价与过去250日最高价计算距离。 3. 具体公式为： $$250日新高距离 = 1 - \frac{Close_t}{ts\_max(Close, 250)}$$ 其中，$Close_t$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[22]。 4. 若最新收盘价创出新高，则该因子值为0；若最新收盘价较新高回落，则该因子为正值，表示回落幅度[22]。 3. **模型名称：平稳创新高股票筛选模型**[22][23] * **模型构建思路**：该模型旨在从近期创出新高的股票中，进一步筛选出具备分析师关注、股价走势强劲且路径平稳的股票，以捕捉更高质量的趋势信号[22]。 * **模型具体构建过程**：在“过去20个交易日创出过250日新高的股票池”中，按以下步骤进行筛选[22]： 1. **样本池**：全部港股，但剔除成立时间不超过15个月的股票[23]。 2. **分析师关注度筛选**：过去6个月买入或增持评级的分析师研报不少于5份[23]。 3. **股价相对强弱筛选**：过去250日涨跌幅位于样本池前20%[23]。 4. **股价平稳性筛选**：在满足上述条件的股票池内，用以下两个指标综合打分，取排名在前50%的股票（最少取50只）[23]： * **价格路径平滑性**：股价位移路程比。具体公式为： $$股价位移路程比 = \frac{过去120日涨跌幅绝对值}{过去120日日涨跌幅绝对值加总}$$ [22][23] * **创新高持续性**：过去120日的250日新高距离在时间序列上的均值[23]。 5. **趋势延续性筛选**：根据过去5日的250日新高距离在时间序列上的均值进行排序，最终取排序靠前的50只股票[23]。 模型的回测效果 1. **港股精选组合模型**[16][19] * 全样本年化收益：19.08%[16][19] * 全样本相对恒生指数超额收益：18.06%[16][19] * 全样本信息比率(IR)：1.19[19] * 全样本相对最大回撤：23.73%[19] * 全样本跟踪误差：14.60%[19] * 全样本收益回撤比：0.76[19] 因子的回测效果 *(本报告中未提供单个因子的独立测试结果，如IC、IR等)*

量化模型与构建方式 1. 模型名称：业绩预告数据统计模型；模型构建思路：对上市公司披露的年度业绩预告数据进行分类、汇总和统计，以分析市场整体及不同维度的业绩预告特征[1][4][20]；模型具体构建过程：首先，根据交易所规则定义“业绩积极”类型，包括预增、略增、续盈、扭亏[4][20][32]。其次，计算整体及分板块、分市值、分行业的业绩预告披露率，公式为：$$披露率 = \frac{已披露业绩预告的公司数量}{该范围内上市公司总数量} \times 100\%$$ [20][21][33]。同时，计算业绩积极率，公式为：$$业绩积极率 = \frac{业绩预告类型为“积极”的公司数量}{已披露业绩预告的公司总数量} \times 100\%$$ [20][32][33]。最后，对已披露公司的业绩预告类型进行数量统计和占比分析[1][32]。 2. 模型名称：业绩增速与市场表现对比分析模型；模型构建思路：基于已披露的业绩预告、快报或正式财报数据，计算行业或公司的归母净利润同比增速，并与同期的股价指数涨跌幅进行对比分析，以观察业绩与市场表现的匹配或背离情况[39][40][42]；模型具体构建过程：首先，确定统计口径，对于业绩预告，采用预计归母净利润上、下限的平均值作为当年归母净利润值；对于业绩快报或正式财报，直接使用其数据[39]。对于多次披露的公司，采用最新数据[39]。其次，计算归母净利润同比增速，采用“整体法”和“中位数法”两种方式[50][52]。整体法公式为：$$整体法归母净利润同比增速 = \frac{\sum (本期归母净利润)}{\sum (上年同期归母净利润)} - 1$$ [44][49]。中位数法则是计算所有样本公司个体增速的中位数[50][52]。然后，获取对应行业指数在相同报告期内的多个时间窗口的涨跌幅数据，包括年初至今、近20日、近60日、近120日、近250日[44][49]。最后，将计算出的业绩增速与各时段指数涨跌幅并列展示，进行横向（跨行业）和纵向（业绩与股价）的对比分析[39][42][47]。 模型的回测效果 1. 业绩预告数据统计模型，整体披露率13.11%[20]，整体业绩积极率40.31%[20]，深证主板披露率10.34%、积极率62.34%[20]，创业板披露率9.91%、积极率63.04%[20]，上证主板披露率19.25%、积极率21.10%[20]，科创板披露率15.17%、积极率35.16%[20]，北证披露率2.43%、积极率71.43%[20]，大市值（>1000亿）披露率15.91%、积极率71.43%[21]，中大市值（500-1000亿）披露率15.76%、积极率55.17%[21]，中市值（200-500亿）披露率16.48%、积极率50.49%[21]，中小市值（50-200亿）披露率12.64%、积极率40.92%[21]，小市值（<50亿）披露率11.69%、积极率28.69%[21]，房地产行业披露率33.00%、积极率3.03%[33]，有色金属行业披露率12.70%、积极率76.47%[33] 2. 业绩增速与市场表现对比分析模型，国防军工行业归母净利润同比增速（整体法）112.7%、年初至今涨跌幅12.8%[44][49]，机械设备行业归母净利润同比增速（整体法）890.3%、年初至今涨跌幅10.2%[44][49]，电力设备行业归母净利润同比增速（整体法）12.8%、年初至今涨跌幅9.6%[44][49]，医药生物行业归母净利润同比增速（整体法）10.3%、年初至今涨跌幅6.7%[44][49]，基础化工行业归母净利润同比增速（整体法）135.5%、年初至今涨跌幅13.7%[44][49]，有色金属行业归母净利润同比增速（整体法）57.0%、年初至今涨跌幅18.6%[44][49]，石油石化行业归母净利润同比增速（整体法）-692.1%、年初至今涨跌幅7.7%[44][49]，煤炭行业归母净利润同比增速（整体法）-54.5%、年初至今涨跌幅4.0%[44][49]，汽车行业归母净利润同比增速（整体法）587.7%、年初至今涨跌幅5.6%[44][49]，社会服务行业归母净利润同比增速（整体法）1900.3%、年初至今涨跌幅9.7%[44][49]，传媒行业归母净利润同比增速（整体法）-65.6%、年初至今涨跌幅17.7%[44][49]，电子行业归母净利润同比增速（整体法）88.5%、年初至今涨跌幅13.4%[44][49]，计算机行业归母净利润同比增速（整体法）121.8%、年初至今涨跌幅12.3%[44][49]，房地产行业归母净利润同比增速（整体法）-100.4%、年初至今涨跌幅6.7%[44][49]

量化模型与构建方式 1. **模型名称**：重仓股补全法（模拟全持仓模型）[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，构建此模型来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，利用上期持仓股票和全市场其他股票来补全本期行业配置缺失的部分，从而模拟本期全部持仓，进而估计基金的中信行业配置信息[45]。具体步骤如下： 1. **数据基础**：使用基金定期报告披露的完整持仓（年报、半年报）或上期模拟持仓作为基准[45]。 2. **补全逻辑**：假设基金经理的配置偏好具有延续性，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]。 3. **操作流程**： * 在Q1（或Q3）节点，使用上期的年报（或半年报）的真实完整持仓信息[45]。 * 在Q2（或Q4）节点，使用上期Q1（或Q3）的模拟持仓信息[45]。 * 对于本期季报，已知前十大重仓股（重仓股）的持仓。对于非重仓部分，假设其行业配置结构与上期完整持仓（或模拟持仓）中非重仓部分的行业配置结构相同。 * 在满足证监会行业配置比例要求的前提下，用全市场其他股票按上期的行业配置比例填充非重仓部分，最终合成一个模拟的全持仓组合[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**：通过计算基金在特定行业上的持仓市值占其总股票持仓市值的比例，来衡量基金对该行业的配置偏好和暴露程度[44][45][46]。 * **因子具体构建过程**： 1. 对于单只基金，计算其持有某行业所有股票的总市值。 2. 计算该基金持有的所有股票的总市值。 3. 行业配置权重 = (持有某行业股票总市值 / 基金持有所有股票总市值) × 100%[44][45][46]。 4. 报告中对所有主动权益类基金进行汇总，分别计算了基于**重仓股**的行业配置权重[44]和基于**模拟全持仓**的行业配置权重[45][46]。 2. **因子名称**：板块配置权重因子[48][49][50] * **因子构建思路**：在行业配置的基础上，根据行业的内在属性和差异性，将中信行业归类为周期、消费、医药、金融、科技、其他六大板块，从更宏观的板块视角分析基金的配置偏好及变动[47][48]。 * **因子具体构建过程**： 1. **板块划分**：依据报告中提供的映射表，将每个中信一级行业归入一个板块（例如：有色金属归入周期板块，电子归入科技板块）[47][48]。 2. **权重计算**：对于单只基金，将其在某个板块内所有行业的配置权重相加，得到该基金的板块配置权重。 3. 报告中对所有主动权益类基金进行汇总，分别计算了基于**重仓股**的板块配置权重[48][49]和基于**模拟全持仓**的板块配置权重[50]。 3. **因子名称**：配置变动（差值）因子[44][45][46][48][49][50] * **因子构建思路**：通过计算相邻两期（如2025年四季度与三季度）行业或板块配置权重的差值，来量化基金配置偏好的动态变化，识别其加仓和减仓的方向[44][45][46][48][49][50]。 * **因子具体构建过程**： 1. 配置变动值 = 本期配置权重 - 上期配置权重[44][45][46][48][49][50]。 2. 正值表示加仓，负值表示减仓。 模型的回测效果 （报告中未提供该模型的量化回测绩效指标，如年化收益率、夏普比率、最大回撤等。） 因子的回测效果 （报告中未提供基于这些因子构建策略的量化回测绩效指标，如多空收益、IC值、IR等。报告主要展示了因子在特定时点（2025年四季度）的截面取值及相对上期的变动情况。） **行业配置权重因子（基于重仓股，2025年四季度末截面值及相对三季度变动）**[44] * 电子行业：配置权重20.73%，较上季度变动-1.23个百分点[44]。 * 通信行业：配置权重9.84%，较上季度变动+1.84个百分点[44]。 * 医药行业：配置权重9.08%，较上季度变动-1.90个百分点[44]。 * 有色金属行业：配置权重7.86%，较上季度变动+2.12个百分点[44]。 * 电力设备及新能源行业：配置权重7.97%，较上季度变动-0.59个百分点[44]。 * 基础化工行业：配置权重4.64%，较上季度变动+1.27个百分点[44]。 * 非银行金融行业：配置权重2.92%，较上季度变动+1.11个百分点[44]。 **行业配置权重因子（基于模拟全持仓，2025年四季度末截面值及相对三季度变动）**[45][46] * 电子行业：配置权重17.75%，较上季度变动-0.19个百分点[46]。 * 医药行业：配置权重9.44%，较上季度变动-0.76个百分点[46]。 * 机械行业：配置权重7.43%，较上季度变动+0.22个百分点[46]。 * 有色金属行业：配置权重7.00%，较上季度变动+1.10个百分点[46]。 * 电力设备及新能源行业：配置权重7.46%，较上季度变动-0.38个百分点[46]。 * 基础化工行业：配置权重5.80%，较上季度变动+0.55个百分点[46]。 * 通信行业：配置权重6.36%，较上季度变动+0.90个百分点[46]。 * 非银行金融行业：配置权重2.73%，较上季度变动+0.69个百分点[46]。 **板块配置权重因子（基于重仓股，2025年四季度末截面值及相对三季度变动）**[48][49] * 科技板块：配置权重37.87%，较上季度变动-2.38个百分点[48][49]。 * 周期板块：配置权重32.64%，较上季度变动+4.24个百分点[48][49]。 * 消费板块：配置权重14.70%，较上季度变动-0.87个百分点[48][49]。 * 医药板块：配置权重9.08%，较上季度变动-1.90个百分点[48][49]。 * 金融板块：配置权重5.72%，较上季度变动+0.91个百分点[48][49]。 **板块配置权重因子（基于模拟全持仓，2025年四季度末截面值及相对三季度变动）**[50] * 周期板块：配置权重38.13%，较上季度变动+1.87个百分点[50]。 * 科技板块：配置权重29.85%，较上季度变动-1.04个百分点[50]。 * 消费板块：配置权重15.92%，较上季度变动-0.64个百分点[50]。 * 金融板块：配置权重6.64%，较上季度变动+0.56个百分点[50]。 * 医药板块：配置权重9.44%，较上季度变动-0.76个百分点[50]。

量化模型与因子总结 量化因子与构建方式 1. **因子名称：封板率** [19] * **因子构建思路**：通过计算当日最高价涨停且最终收盘也涨停的股票比例，来衡量市场追涨资金的封板意愿和强度，是反映市场短期情绪和资金博弈热度的高频指标。[19] * **因子具体构建过程**： 1. 选定股票池：上市满3个月以上的股票。[19] 2. 识别股票状态：在交易日T，识别出盘中最高价达到涨停价的股票集合A。[19] 3. 计算因子值：在集合A中，统计收盘价也涨停的股票数量。封板率即为该数量与集合A股票总数的比值。[19] * **公式**： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ [19] 2. **因子名称：连板率** [19] * **因子构建思路**：通过计算连续两个交易日收盘涨停的股票比例，来度量市场涨停效应的持续性，反映题材或个股的赚钱效应能否延续，是观察市场情绪强度和热点持续性的重要指标。[19] * **因子具体构建过程**： 1. 选定股票池：上市满3个月以上的股票。[19] 2. 识别基准股票：在交易日T-1，统计所有收盘涨停的股票集合B。[19] 3. 计算因子值：在集合B中，统计在交易日T收盘也涨停的股票数量。连板率即为该数量与集合B股票总数的比值。[19] * **公式**： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ [19] 3. **因子名称：大宗交易折价率** [29] * **因子构建思路**：通过计算大宗交易成交价相对于市价的折价幅度，来观察大额资金的交易成本和交易情绪。折价率的高低可以反映大资金对特定股票的流动性需求、减持压力或对后市的看法。[29] * **因子具体构建过程**： 1. 数据获取：获取当日所有大宗交易的成交数据和对应股票的市价数据。[29] 2. 计算总成交金额与总市值：汇总当日所有大宗交易的成交总金额，并计算这些交易涉及股份按当日市价计算的总市值。[29] 3. 计算因子值：折价率等于大宗交易总成交金额与按市价计算的总市值之比减1。[29] * **公式**： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ [29] 4. **因子名称：股指期货年化升贴水率** [31] * **因子构建思路**：通过计算股指期货价格与现货指数价格之间的年化基差，来反映市场对未来指数走势的预期、对冲成本以及市场情绪。升水通常代表乐观预期或对冲成本较低，贴水则相反。[31] * **因子具体构建过程**： 1. 数据获取：获取特定股指期货主力合约的结算价（F）和对应现货指数的收盘价（S），以及该期货合约的剩余交易日数（T）。[31] 2. 计算基差：基差 = 期货价格(F) - 现货价格(S)。[31] 3. 计算年化因子值：年化升贴水率等于基差除以现货价格，再乘以年化因子（250/合约剩余交易日数）。[31] * **公式**： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ [31] * **公式说明**：公式中“基差”定义为期货价格减去现货价格，因此计算结果为正表示年化升水，为负表示年化贴水。[31] 因子的回测效果 *本报告为市场监测日报，未提供因子的历史回测绩效指标（如IC、IR、多空收益等）。报告主要展示了各因子在特定日期（2026年1月22日或23日）的截面取值或时间序列状态。* [19][29][31] 1. **封板率因子**，2026年1月23日取值：**82%**，较前日变化：**提升7%**。[19] 2. **连板率因子**，2026年1月23日取值：**23%**，较前日变化：**下降1%**。[19] 3. **大宗交易折价率因子**，2026年1月22日取值：**6.85%**，近半年平均值：**6.82%**。[29] 4. **股指期货年化升贴水率因子** * **上证50股指期货**，2026年1月23日取值：**1.36% (升水)**，近一年中位数：**0.68% (贴水)**，当日历史分位点：**89%**。[31] * **沪深300股指期货**，2026年1月23日取值：**1.05% (升水)**，近一年中位数：**3.79% (贴水)**，当日历史分位点：**93%**。[31] * **中证500股指期货**，2026年1月23日取值：**5.82% (升水)**，近一年中位数：**11.11% (贴水)**，当日历史分位点：**99%**。[31] * **中证1000股指期货**，2026年1月23日取值：**3.98% (升水)**，近一年中位数：**13.61% (贴水)**，当日历史分位点：**98%**。[31]