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。）

量化模型与构建方式 1. **模型/因子名称：封板率** * **构建思路**：通过计算盘中最高价涨停且收盘时仍维持涨停的股票数量占所有盘中最高价涨停股票数量的比例，来衡量市场涨停板的“封板”强度或资金封板的坚决程度[17]。 * **具体构建过程**： 1. 筛选上市满3个月以上的股票[17]。 2. 在每个交易日，识别出盘中最高价达到涨停价的股票集合A[17]。 3. 在集合A中，进一步识别出收盘价仍为涨停价的股票集合B[17]。 4. 计算封板率，公式为： $$封板率 = \frac{集合B的股票数量}{集合A的股票数量}$$[17] 2. **模型/因子名称：连板率** * **构建思路**：通过计算连续两个交易日收盘涨停的股票数量占前一日所有收盘涨停股票数量的比例，来衡量市场涨停板的连续性和赚钱效应的持续性[17]。 * **具体构建过程**： 1. 筛选上市满3个月以上的股票[17]。 2. 在每个交易日，识别出前一日（T-1日）收盘涨停的股票集合C[17]。 3. 在集合C中，进一步识别出当日（T日）收盘也涨停的股票集合D[17]。 4. 计算连板率，公式为： $$连板率 = \frac{集合D的股票数量}{集合C的股票数量}$$[17] 3. **模型/因子名称：大宗交易折价率** * **构建思路**：通过计算大宗交易成交总金额与按当日市价计算的交易份额总市值的差异比例，来反映大资金通过大宗交易平台交易的折价或溢价水平，常用于观察机构或大股东的买卖情绪和流动性折价[26]。 * **具体构建过程**： 1. 获取当日所有大宗交易的成交数据，包括每笔交易的成交价格和成交数量[26]。 2. 计算大宗交易总成交金额（成交价×成交数量的总和）[26]。 3. 计算当日成交份额按收盘价（或成交时市价）计算的总市值[26]。 4. 计算折价率，公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[26] 结果为负表示折价交易，为正表示溢价交易。 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（期货价格-现货价格），进行年化处理，以标准化衡量不同期限合约的贴水或升水程度，反映市场对未来走势的预期和对冲成本[28]。 * **具体构建过程**： 1. 选定标的指数（如上证50、沪深300等）及其对应的股指期货主力合约[28]。 2. 计算基差：基差 = 期货价格 - 现货指数价格[28]。 3. 计算年化贴水率，公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[28] 其中，250为一年中大约的交易天数，用于年化。结果为负表示贴水，为正表示升水。 模型的回测效果 （注：本篇报告为市场监测日报，未提供量化模型或因子在历史样本外的长期回测绩效指标，如年化收益率、夏普比率、最大回撤、信息比率（IR）等。报告主要展示上述指标在特定日期（2026年4月21日或22日）的截面或时序取值[17][26][28]。） 量化因子与构建方式 （注：本篇报告未涉及用于选股或资产定价的传统阿尔法因子（如价值、动量、质量等）的构建与测试。） 因子的回测效果 （注：本篇报告未涉及传统阿尔法因子的回测效果。）

量化模型与构建方式 本报告为融资融券周报，主要描述市场数据、行业及个股的两融情况，并未涉及具体的量化模型或量化因子的构建、测试与评价。 量化因子与构建方式 本报告未涉及需要构建的量化因子，但报告在分析行业和个股时，使用了多个基于融资融券数据的现成指标。这些指标的计算方式如下： 1. **因子名称**：融资净买入额[27][45] * **因子构建思路**：衡量特定时间段内（如一周）融资买入资金与融资偿还资金的净差额，反映市场通过融资方式净流入某标的的资金量。 * **因子具体构建过程**：对于单个股票、行业或ETF，在计算周期T内，其融资净买入额的计算公式为： $$融资净买入额 = \sum_{t \in T}(融资买入额_t - 融资偿还额_t)$$ 其中，t代表周期T内的每一个交易日。报告中的行业融资净买入额[27]、ETF融资净买入额[41][42]及个股融资净买入额[45][47]均按此逻辑计算。 2. **因子名称**：融券净卖出额[28][48] * **因子构建思路**：衡量特定时间段内（如一周）融券卖出量与融券偿还量的净差额，反映市场通过融券方式净卖出某标的的规模。 * **因子具体构建过程**：对于单个股票或行业，在计算周期T内，其融券净卖出额的计算公式为： $$融券净卖出额 = \sum_{t \in T}(融券卖出量_t \times 价格_t - 融券偿还量_t \times 价格_t)$$ 通常以金额形式表示。报告中的行业融券净卖出额[28]及个股融券净卖出额[48]均按此逻辑计算。 3. **因子名称**：融资买入额占成交额比例[33][46] * **因子构建思路**：衡量融资买入交易在总成交中的活跃度或贡献度，比例越高，说明该标的的交易中融资买入行为越活跃。 * **因子具体构建过程**：对于单个股票或行业，在计算周期T内，该比例的计算公式为： $$融资买入额占成交额比例 = \frac{\sum_{t \in T}融资买入额_t}{\sum_{t \in T}成交额_t} \times 100\%$$ 报告中的行业融资买入额占成交额比例[33][34]及个股融资买入额占成交额比例[46][47]均按此逻辑计算。 4. **因子名称**：融券卖出额占成交额比例[36] * **因子构建思路**：衡量融券卖出交易在总成交中的活跃度或贡献度。 * **因子具体构建过程**：对于行业，在计算周期T内，该比例的计算公式为： $$融券卖出额占成交额比例 = \frac{\sum_{t \in T}融券卖出额_t}{\sum_{t \in T}成交额_t} \times 100\%$$ 报告中的行业融券卖出额占成交额比例[36][37]按此逻辑计算。 5. **因子名称**：融资余额占流通市值比例[33] * **因子构建思路**：衡量融资余额相对于标的流通规模的大小，比例越高，说明该标的的杠杆资金持仓占比越大。 * **因子具体构建过程**：在特定时点（如报告期末），对于行业，该比例的计算公式为： $$融资余额占流通市值比例 = \frac{融资余额}{流通市值} \times 100\%$$ 报告中的行业融资余额占流通市值比例[33][34]按此逻辑计算。 6. **因子名称**：融券余额占流通市值比例[36] * **因子构建思路**：衡量融券余额相对于标的流通规模的大小。 * **因子具体构建过程**：在特定时点（如报告期末），对于行业，该比例的计算公式为： $$融券余额占流通市值比例 = \frac{融券余额}{流通市值} \times 100\%$$ 报告中的行业融券余额占流通市值比例[36][37]按此逻辑计算。 模型的回测效果 本报告未涉及量化模型的回测效果。 因子的回测效果 本报告未对上述因子进行历史回测以提供如IC、IR、多空收益等量化评价指标。报告仅展示了截至报告期（2026年4月15日至4月21日）上述因子在行业和个股层面的具体取值，属于截面数据展示，而非时间序列上的回测结果。具体取值如下： 1. **行业融资净买入额**：电子、电力设备和通信行业融资净买入额较多，银行、煤炭和非银金融行业融资净买入额较少[27]。 2. **行业融券净卖出额**：通信、有色金属和银行行业融券净卖出额较多，电子、电力设备和非银金融行业融券净卖出额较少[28]。 3. **行业融资买入额占成交额比例**：较高的行业为非银金融(11.93%)、通信(11.43%)和电子(11.09%)，较低的行业为纺织服饰(3.23%)、轻工制造(4.35%)和建筑装饰(6.13%)[33][34]。 4. **行业融券卖出额占成交额比例**：较高的行业为银行(0.10%)、食品饮料(0.09%)和煤炭(0.08%)，较低的行业为轻工制造(0.01%)、环保(0.01%)和建筑材料(0.01%)[36][37]。 5. **行业融资余额占流通市值比例**：较高的行业为计算机(4.27%)、传媒(3.55%)和非银金融(3.49%)，较低的行业为石油石化(0.68%)、银行(0.74%)和煤炭(0.76%)[33][34]。 6. **行业融券余额占流通市值比例**：较高的行业为传媒(0.02%)、家用电器(0.02%)和综合(0.02%)，较低的行业为银行(0.00%)、石油石化(0.00%)和纺织服饰(0.00%)[36][37]。 7. **个股融资净买入额**：前五名为中际旭创(408,663.08万元)、宁德时代(198,135.00万元)、兆易创新(193,026.73万元)、胜宏科技(130,720.88万元)、盛合晶微(124,555.68万元)[45][47]。 8. **个股融资买入额占成交额比例**：前五名为龙利得(37.88%)、普门科技(25.44%)、安杰思(25.14%)、华创云信(24.85%)、振德医疗(24.46%)[46][47]。 9. **个股融券净卖出额**：前五名为协创数据(2,686.30万元)、信维通信(2,407.27万元)、贵州茅台(2,402.21万元)、国盾量子(1,386.09万元)、亨通光电(1,357.84万元)[48][49]。

量化模型与构建方式 1. **模型名称：A股景气度高频指数[44]** * **模型构建思路：** 以上证指数归母净利润同比为Nowcasting目标，构建一个能够高频反映A股市场景气度变化的指数[44]。 * **模型具体构建过程：** 报告未详细描述该指数的具体构建公式和计算步骤，仅提及构建详情需参考另一篇报告《视角透析：A股景气度高频指数构建与观察》[44]。 * **模型评价：** 该指数用于判断景气周期的位置，报告指出本轮景气下行周期底部区域已经出现，当前景气指数正缓慢呈现出震荡上行趋势[44]。 2. **模型名称：A股情绪指数系统[47]** * **模型构建思路：** 基于市场波动率和成交额的变化方向来刻画市场情绪，并构造包含见底预警与见顶预警的情绪指数[47]。 * **模型具体构建过程：** 1. 将市场状态根据波动率和成交额的变化方向划分为四个象限[47]。 2. 通过历史统计发现，只有“波动率上行-成交额下行”的区间为显著负收益，其余三个象限都为显著正收益[47]。 3. 基于此规律，分别构建了A股情绪见底预警指数和见顶预警指数[47]。 * **模型评价：** 该模型提供了一种基于量价数据的情绪择时信号，用于判断市场短期顶部和底部的风险[47]。 3. **模型名称：主题挖掘算法[59]** * **模型构建思路：** 通过处理新闻和研报文本，挖掘主题投资机会[59]。 * **模型具体构建过程：** 算法涉及多个维度，包括文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建、主题影响力因子构建等[59]。报告未提供具体的数学公式。 4. **模型名称：中证500指数增强组合[59]** * **模型构建思路：** 通过量化策略模型构建投资组合，旨在持续跑赢中证500指数基准[59]。 * **模型具体构建过程：** 报告未披露具体的策略模型（如多因子选股模型）的构建细节和公式，仅展示了根据模型得出的当前持仓明细[62][64]。 5. **模型名称：沪深300指数增强组合[65]** * **模型构建思路：** 通过量化策略模型构建投资组合，旨在持续跑赢沪深300指数基准[65]。 * **模型具体构建过程：** 报告未披露具体的策略模型（如多因子选股模型）的构建细节和公式，仅展示了根据模型得出的当前持仓明细[69]。 模型的回测效果 1. **A股情绪指数系统择时表现**，报告提供了历史表现图表，但未给出具体的量化指标数值（如年化收益率、夏普比率等）[58]。 2. **中证500增强组合**，截至2026年3月27日当周，跑赢基准0.39%；2020年至今，相对中证500指数超额收益52.08%，最大回撤-10.90%[59]。 3. **沪深300增强组合**，截至2026年3月27日当周，跑赢基准0.43%；2020年至今，相对沪深300指数超额收益45.02%，最大回撤-5.86%[65]。 量化因子与构建方式 1. **因子体系：BARRA风格因子体系[70]** * **因子构建思路：** 参照BARRA因子模型，构建适用于A股市场的十大类风格因子，用于描述股票的共同风险特征和收益来源[70]。 * **因子具体构建过程：** 报告列出了十大类风格因子的名称，但未提供每个因子的具体计算公式。十大类风格因子包括： * 市值（SIZE） * BETA * 动量（MOM） * 残差波动率（RESVOL） * 非线性市值（NLSIZE） * 估值（BTOP） * 流动性（LIQUIDITY） * 盈利（EARNINGS_YIELD） * 成长（GROWTH） * 杠杆（LVRG）[70] 因子的回测效果 1. **风格因子近期表现（截至2026年3月27日当周）**： * **动量因子**：超额收益较高[71]。 * **市值因子**：呈较为显著的负向超额收益[71]。 * **盈利因子**：高盈利股表现优异[71]。 * **流动性因子**：表现不佳[71]。 * **非线性市值因子**：表现不佳[71]。 2. **风格因子暴露相关性（近一周）**：报告以相关系数矩阵表格形式展示了十大类风格因子风险暴露之间的相关性，例如流动性因子分别与Beta、动量、残差波动率呈现明显正相关性；价值因子分别与Beta、残差波动率、流动性等因子呈现明显负相关性[72]。 3. **行业因子近期表现（截至2026年3月27日当周）**： * **电力及公用事业、化工、有色金属等行业因子**：相对市场市值加权组合跑出较高超额收益[71]。 * **保险、计算机、农林牧渔等行业因子**：回撤较多[71]。

量化模型与构建方式 根据提供的研报内容，报告主要涉及市场数据回顾、政策解读和基金业绩跟踪，并未详细阐述任何具体的量化模型或量化因子的构建思路、过程及公式[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60]。 模型的回测效果 报告未提供任何量化模型的回测效果指标数据[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60]。 量化因子与构建方式 报告未提供任何量化因子的构建思路、过程及公式[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60]。 因子的回测效果 报告未提供任何量化因子的回测效果指标数据[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60]。