量化模型与构建方式 1. **模型名称**：社融自下而上拆分预测框架[11] * **模型构建思路**：依据社融各子项的经济逻辑、高频数据、季节性特征等特点，分别构建子项预测模型，再汇总得到社融总量预测，旨在提高总量预测准确性的同时，提供结构信息预测[11]。 * **模型具体构建过程**：该框架是一个复合模型，由针对不同社融子项的多个预测方法组合而成。具体子项预测方式如下[12]： * **人民币贷款（企业贷款+居民短贷）**：以PMI与唐山钢厂产能利用率为自变量，对信贷大月和小月分别进行滚动回归预测[12]。 * **人民币贷款（居民中长贷）**：以住房按揭贷款为主，与商品房销售数据强相关。根据商品房销售代理指标与居民中长贷的三阶段特点进行预测[12]。 * **企业票据融资**：与转贴现利率呈明显负相关。以转贴现利率为外生变量，使用5年窗口的滚动自回归进行预测[12]。 * **政府债券**：可跟踪高频的发行到期数据，但存在口径差异。通过将月末新发政府债券计入下月，对高频跟踪数据进行口径调整[12]。 * **企业债券**：可跟踪高频的发行到期数据，但存在口径差异。使用5年窗口的滚动回归对企业债券子项重新配权，以降低口径差异[12]。 * **外币贷款**：平滑后与人民币汇率和中美国债利差相关性强，但月度间波动大。使用过去3个月均值作为预测[12]。 * **信托贷款**：资管新规后规模下降。通过跟踪集合信托以及单一信托发行到期的披露情况进行近似预测[12]。 * **委托贷款**：资管新规后规模压降且相对稳定。使用过去12个月均值作为预测，部分基建相关增量额外进行判断[12]。 * **未贴现银行承兑汇票**：鉴于票交所高频数据停止对外公布，使用过去三年同期平均值作近似估计[12]。 * **非金融企业境内股票融资**：可跟踪高频股权融资数据，但存在口径差异。将股权融资（包括IPO、增发、配股、优先股）的月频净融资数据扣除金融企业部分得到预测[12]。 * **贷款核销**：集中于季末特别是年末，季节效应显著。使用去年同期值作为预测[12]。 * **存款类金融机构资产支持证券**：信息披露少，增量规模不大。使用信贷ABS净融资高频跟踪进行预测[12]。 模型的回测效果 * 本报告未提供模型历史回测的具体绩效指标（如预测误差、决定系数R²等）[7][11][12][16][17][20]。报告通过展示2023年以来各月社融预测结果与实际值的对比图，以及2026年3月社融结构预测与去年同期的对比，来定性说明预测框架的准确性[16][18][20]。

量化模型与构建方式 1. **模型名称**：多空动能择时模型[1][2][6] **模型构建思路**：该模型通过计算特定指标（原始信号）来量化市场的多空动能，并基于该信号的数值及其移动平均线（MA5）来判断市场未来走势，生成“看多”、“调整”或“震荡”的观点[1][2][6]。 **模型具体构建过程**： * **步骤1：计算原始信号**。模型为每个标的（如30年国债、万得全A指数等）计算一个原始信号百分比值。该值代表模型计算出的市场多空动能强度，具体计算逻辑未在报告中详细披露，但可能基于价格、成交量或其他市场微观结构数据[2][6]。 * **步骤2：计算平滑信号**。对原始信号进行5日移动平均（MA5）处理，以平滑短期波动，得到更稳定的趋势信号。计算公式为： $$MA5_t = \frac{Signal_{t} + Signal_{t-1} + Signal_{t-2} + Signal_{t-3} + Signal_{t-4}}{5}$$ 其中，$MA5_t$ 代表第t日的5日移动平均值，$Signal_{t}$ 代表第t日的原始信号值[2][6]。 * **步骤3：生成交易观点**。结合原始信号和其MA5值，按照预设的阈值规则生成最终的交易观点（看多、调整、震荡）。具体规则未在报告中明确给出，但从结果推断，可能涉及比较原始信号与MA5，或两者与固定阈值（如50%）的关系[2][6]。 **模型评价**：该模型是一个应用于多类资产（债券、股票、商品）的通用择时框架，旨在捕捉市场动能的转折点。其优势在于规则明确，输出直观[1][2][6]。 模型的回测效果 （注：报告未提供模型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、最大回撤等。仅提供了模型在报告发布时点对各个标的的最新信号状态和观点[2][6][7]。） 1. **多空动能择时模型**，对30年国债的观点为【调整】，原始信号86.06%，MA5信号78.05%，信号持续超过10个交易日[2][6]。 2. **多空动能择时模型**，对3年AAA中短票的观点为【震荡】，原始信号44.54%，MA5信号51.95%，信号持续2个交易日[2][6]。 3. **多空动能择时模型**，对10年国债的观点为【震荡】，原始信号84.94%，MA5信号57.90%，信号持续2个交易日[2][6]。 4. **多空动能择时模型**，对2年国债的观点为【看多】，原始信号8.02%，MA5信号14.70%，信号持续超过10个交易日[2][6]。 5. **多空动能择时模型**，对万得全A指数的观点为【调整】，原始信号82.39%，MA5信号78.87%，信号持续5个交易日[2][6]。 6. **多空动能择时模型**，对中证红利全收益指数的观点为【调整】，原始信号74.71%，MA5信号76.97%，信号持续9个交易日[2][6]。 7. **多空动能择时模型**，对恒生科技指数的观点为【调整】，原始信号82.16%，MA5信号83.97%，信号持续10个交易日[2][6]。 8. **多空动能择时模型**，对科创50指数的观点为【调整】，原始信号76.15%，MA5信号82.51%，信号持续超过10个交易日[2][6]。 9. **多空动能择时模型**，对万得微盘指数的观点为【调整】，原始信号77.13%，MA5信号76.64%，信号持续5个交易日[2][6]。 10. **多空动能择时模型**，对国证2000指数的观点为【调整】，原始信号81.50%，MA5信号84.27%，信号持续超过10个交易日[2][6]。 11. **多空动能择时模型**，对COMEX黄金的观点为【震荡】，原始信号39.61%，MA5信号42.29%，信号持续5个交易日[2][6][7]。 12. **多空动能择时模型**，对IPE布油的观点为【震荡】，原始信号46.07%，MA5信号40.68%，信号持续超过10个交易日[2][6][7]。 量化因子与构建方式 （注：报告未详细阐述用于构建上述择时模型的具体底层量化因子。仅提及模型存在“因子失效风险”，表明其内部可能依赖一个或多个量化因子进行信号计算，但未说明这些因子的名称、构建思路和过程[8]。） 因子的回测效果 （注：报告未提供任何具体量化因子的测试结果或绩效指标[1][2][3][4][5][6][7][8][9][10][11][12][13][14]。）

量化模型与构建方式 1. **模型名称：券商金股指数** [12][20] * **模型构建思路**：将每月各券商推荐的金股汇总，构建一个能够表征卖方分析师推荐股票池整体表现的指数，并与公募基金整体表现（偏股混合型基金指数）进行对比[12][20]。 * **模型具体构建过程**： 1. 每月初汇总所有券商发布的当月金股。 2. 对股票池进行去重处理。 3. 根据每只股票被券商推荐的家数进行加权，构建组合[20]。 4. 每月第一个交易日按收盘价进行调仓[20]。 5. 为更公允地与偏股混合型基金指数比较，在计算指数收益时，会乘以一个仓位系数。该系数为每次调仓时点所能获取的主动股基最近一个报告期的权益仓位中位数[20]。 2. **模型名称：券商金股业绩增强组合** [12][40][45] * **模型构建思路**：以券商金股股票池为选股范围和约束基准，通过多因子模型进行优选，旨在构建一个能够稳定战胜偏股混合型基金指数（公募基金中位数代表）的投资组合[12][40][45]。 * **模型具体构建过程**： 1. **选股空间与基准**：以当月券商金股汇总去重后的股票池作为选股空间和约束基准[45]。 2. **行业配置基准**：以全体公募基金的行业分布作为行业配置基准[45]。 3. **组合构建方法**：采用组合优化的方式，在选股空间内进行选股。优化目标为最大化预期收益（基于多因子模型），同时控制组合与券商金股股票池在个股和风格上的偏离，并跟踪公募基金的行业分布[45]。 模型的回测效果 1. **券商金股指数** * 本月（20260302-20260331）绝对收益：-10.95%[23] * 本月（20260302-20260331）相对偏股混合型基金指数超额收益：-2.33% (计算：-10.95% - (-8.62%))[23] * 本年（20260105-20260331）绝对收益：-2.31%[23] * 本年（20260105-20260331）相对偏股混合型基金指数超额收益：-1.40% (计算：-2.31% - (-0.91%))[23] 2. **券商金股业绩增强组合** * **近期表现**： * 本月（20260302-20260331）绝对收益：-6.52%[5][44] * 本月（20260302-20260331）相对偏股混合型基金指数超额收益：2.10%[5][44] * 本年（20260102-20260331）绝对收益：6.62%[5][44] * 本年（20260102-20260331）相对偏股混合型基金指数超额收益：7.53%[5][44] * 本年（20260102-20260331）在主动股基中排名分位点：10.35% (385/3721)[5][44] * **历史表现（2018.1.2-2025.12.31）**： * 年化收益（考虑仓位及交易费用）：21.71%[46] * 相对偏股混合型基金指数年化超额收益：14.18%[46] * 各年度在主动股基中排名均基本位于前30%分位点[46] 量化因子与构建方式 1. **因子名称：单季度营收增速** [3][30] * **因子评价**：最近一个月（2026年3月）在券商金股股票池中表现较好[3][30]。 2. **因子名称：SUE (Standardized Unexpected Earnings，标准化未预期盈余)** [3][30] * **因子评价**：最近一个月（2026年3月）及今年以来（截至20260331）在券商金股股票池中均表现较好[3][30]。 3. **因子名称：单季度ROE** [3][30] * **因子评价**：最近一个月（2026年3月）在券商金股股票池中表现较好[3][30]。 4. **因子名称：总市值** [3][30] * **因子评价**：最近一个月（2026年3月）在券商金股股票池中表现较差；但今年以来（截至20260331）表现较好[3][30]。 5. **因子名称：BP (Book-to-Price Ratio，账面市值比)** [3][30] * **因子评价**：最近一个月（2026年3月）在券商金股股票池中表现较差[3][30]。 6. **因子名称：预期股息率** [3][30] * **因子评价**：最近一个月（2026年3月）及今年以来（截至20260331）在券商金股股票池中均表现较差[3][30]。 7. **因子名称：分析师净上调幅度** [3][30] * **因子评价**：今年以来（截至20260331）在券商金股股票池中表现较好[3][30]。 8. **因子名称：EPTTM (Trailing Twelve Months Earnings to Price，过去十二个月盈利价格比)** [3][30] * **因子评价**：今年以来（截至20260331）在券商金股股票池中表现较差[3][30]。 9. **因子名称：盈余公告后跳空超额** [3][30] * **因子评价**：今年以来（截至20260331）在券商金股股票池中表现较差[3][30]。 10. **风格因子（基于Barra框架）** [4][32] * **涉及风格**：市值、估值、动量等[4][32]。 * **因子评价**：本月（2026年4月）券商金股股票池整体偏向中市值、高估值、强动量风格[4][32]。 因子的回测效果 *注：报告未提供各因子在统一测试区间（如分五组多空）的具体指标值（如IC、IR、多空收益等），仅提供了在券商金股股票池内近期表现的定性排序[3][30]。*

量化模型与构建方式 1. **模型名称：券商金股组合（全部金股）**[12] * **模型构建思路**：汇总全市场多家券商每月初发布的十大金股，构建一个代表分析师集体智慧的投资组合[12]。 * **模型具体构建过程**： 1. 数据收集：统计全市场36家券商发布的月度金股[13]。 2. 股票池处理：对收集到的金股进行去重，得到最终的股票列表[13]。 3. 组合构建：以去重后的全部金股作为投资组合[17]。 4. 权重设置：组合内部按照各家券商的推荐次数进行加权[17]。 2. **模型名称：券商金股组合（新进金股）**[13][17] * **模型构建思路**：在全部券商金股中，筛选出相对于上个月为新推荐的股票，构建组合。基于历史研究发现新进金股收益表现更优[22]。 * **模型具体构建过程**： 1. 股票分类：将全体金股按照相对上月是否新进，分为新进金股和重复金股两类[13]。 2. 组合构建：选取新进金股类别中的所有股票构成组合[17]。 3. 权重设置：组合内部按照各家券商的推荐次数进行加权[17]。 3. **模型名称：券商金股组合（重复金股）**[13][17] * **模型构建思路**：在全部券商金股中，筛选出上个月也被推荐过的股票，构建组合[13]。 * **模型具体构建过程**： 1. 股票分类：将全体金股按照相对上月是否新进，分为新进金股和重复金股两类[13]。 2. 组合构建：选取重复金股类别中的所有股票构成组合[17]。 3. 权重设置：组合内部按照各家券商的推荐次数进行加权[17]。 4. **模型名称：开源金工优选金股组合**[22] * **模型构建思路**：结合历史研究结论，在新进金股样本池中，使用业绩超预期因子（SUE因子）进行优选，构建增强型金股组合[22]。 * **模型具体构建过程**： 1. 确定样本池：以每月的新进金股作为初始股票池[22]。 2. 因子选股：在样本池中，使用业绩超预期因子（SUE因子）进行排序，选择排名靠前的股票[22]。 3. 组合构建：选取SUE因子排名前30的金股构成最终组合[22]。 4. 权重设置：组合内部按照各家券商的推荐次数进行加权[22]。 5. **因子名称：业绩超预期因子（SUE因子）**[22] * **因子构建思路**：该因子用于衡量上市公司实际发布的业绩是否超过市场普遍预期，通常认为业绩超预期的股票未来有更好表现[22]。 * **因子具体构建过程**：报告中未提供SUE因子的具体计算公式和构建细节，仅提及该因子在新进金股组合中具有优异的选股能力，并被用于构建“开源金工优选金股组合”[22]。 模型的回测效果 （数据区间：年化收益率、年化波动率、收益波动比、最大回撤为2017年1月1日至2026年3月31日；3月收益率和2026年收益率截至2026年3月31日）[20][24] 1. **全部金股组合**：3月收益率-8.4%，2026年收益率0.0%，年化收益率13.5%，年化波动率23.4%，收益波动比0.58，最大回撤42.6%[20] 2. **新进金股组合**：3月收益率-8.6%，2026年收益率1.7%，年化收益率16.2%，年化波动率23.9%，收益波动比0.68，最大回撤38.5%[20] 3. **重复金股组合**：3月收益率-8.2%，2026年收益率-1.4%，年化收益率11.2%，年化波动率23.5%，收益波动比0.47，最大回撤45.0%[20] 4. **开源金工优选金股组合**：3月收益率-9.1%，2026年收益率5.0%，年化收益率23.3%，年化波动率25.1%，收益波动比0.93，最大回撤24.6%[24] 基准指数回测效果 （数据区间：年化收益率、年化波动率、收益波动比、最大回撤为2017年1月1日至2026年3月31日；3月收益率和2026年收益率截至2026年3月31日）[20][24] 1. **沪深300指数**：3月收益率-5.5%，2026年收益率-3.9%，年化收益率3.1%，年化波动率20.8%，收益波动比0.15，最大回撤40.6%[20][24] 2. **中证500指数**：3月收益率-12.0%，2026年收益率2.0%，年化收益率2.4%，年化波动率23.9%，收益波动比0.10，最大回撤37.5%[20][24]

量化模型与构建方式 1. **模型名称：触底反弹模型**[7] **模型构建思路：** 通过定量方式刻画市场指数在经历波浪式下跌后，出现明显大幅度上涨的触底反弹信号，该信号对未来短期和中长期收益均具备预测能力[7][18]。 **模型具体构建过程：** 报告未详细说明该模型的具体数学定义和计算步骤，仅描述了其识别逻辑：在一个典型的触底反弹周期中，通常包括一个波浪式下跌趋势（内含数次较大幅度下跌与较小幅度反弹）和一个始于明显大幅度上涨的反弹拉升趋势[7][17]。模型仅使用时点日期之前的数据进行信号判断[7][18]。 量化因子与构建方式 1. **因子名称：行业反弹力度打分**[33] **因子构建思路：** 在大盘指数触发触底反弹信号时，为了更有效地进行行业轮动，不仅考虑信号本身，还叠加考虑各行业指数在信号触发日之前的涨跌情况，以评估各行业的反弹潜力[33]。 **因子具体构建过程：** 报告未提供该打分因子的具体计算公式和构建细节，仅说明其构建目的是为了在大盘反弹信号触发日，对31个申万一级行业进行排序分组[33][34]。 2. **因子名称：个股反弹力度打分**[49] **因子构建思路：** 在已筛选出的优势反弹行业（分组）内，进一步对个股进行排序，以优中选优，构建更具反弹潜力的个股组合[49]。 **因子具体构建过程：** 报告未提供该打分因子的具体计算公式和构建细节，仅说明其用于在行业分组内将个股再次细分为5组[49]。 模型的回测效果 1. **触底反弹模型（应用于中证全指）**， 信号触发后未来20日平均涨跌幅1.09%， 未来60日平均涨跌幅2.89%， 未来120日平均涨跌幅6.08%， 未来240日平均涨跌幅15.88%， 未来20日收益胜率57%， 未来60日收益胜率58%， 未来120日收益胜率56%， 未来240日收益胜率54%[18][22][27] 2. **触底反弹模型（应用于申万一级行业指数）**， 信号触发后各行业未来20日、60日、120日、240日平均涨跌幅及胜率详见报告表1与表2[22][26][27][29] 策略组合的回测效果 **注：** 以下所有策略组合均基于“触底反弹模型”产生的信号，并在信号触发后持有特定资产一段时间，非信号期间持有中证全指。回测期为2006年至2025年。 1. **大盘指数 -> 行业指数策略（持有第5组行业）** * **持有20日-其余中证全指组合**， 累计收益率1605.55%， 年化收益率15.85%， 最大回撤率71.61%， 年化波动率27.25%， 信息比率(IR)0.58， 夏普比率0.49， 收益回撤比0.22[39][40] * **持有60日-其余中证全指组合**， 累计收益率1406.33%， 年化收益率15.11%， 最大回撤率71.30%， 年化波动率28.03%， 信息比率(IR)0.54， 夏普比率0.45， 收益回撤比0.21[40] * **持有120日-其余中证全指组合**， 累计收益率1072.58%， 年化收益率13.62%， 最大回撤率71.30%， 年化波动率28.35%， 信息比率(IR)0.48， 夏普比率0.39， 收益回撤比0.19[40] * **持有240日-其余中证全指组合**， 累计收益率983.38%， 年化收益率13.16%， 最大回撤率71.30%， 年化波动率28.60%， 信息比率(IR)0.46， 夏普比率0.37， 收益回撤比0.18[40] 2. **大盘指数 -> 行业指数 -> 行业个股策略（持有第5组行业的第5组个股）** * **持有20日-其余中证全指组合**， 累计收益率11753.66%， 年化收益率28.11%， 最大回撤率67.51%， 年化波动率31.26%， 信息比率(IR)0.90， 夏普比率0.82， 收益回撤比0.42[57][59] * **持有60日-其余中证全指组合**， 累计收益率8351.80%， 年化收益率25.88%， 最大回撤率69.34%， 年化波动率33.76%， 信息比率(IR)0.77， 夏普比率0.69， 收益回撤比0.37[59] * **持有120日-其余中证全指组合**， 累计收益率6591.60%， 年化收益率24.36%， 最大回撤率69.36%， 年化波动率34.53%， 信息比率(IR)0.71， 夏普比率0.63， 收益回撤比0.35[59] * **持有240日-其余中证全指组合**， 累计收益率5174.51%， 年化收益率22.84%， 最大回撤率69.36%， 年化波动率34.96%， 信息比率(IR)0.65， 夏普比率0.58， 收益回撤比0.33[59] 3. **大盘指数 -> 大盘个股策略（持有第5组个股）** * **持有20日-其余中证全指组合**， 累计收益率7747.76%， 年化收益率25.40%， 最大回撤率67.60%， 年化波动率30.36%， 信息比率(IR)0.84， 夏普比率0.75， 收益回撤比0.38[70][75] * **持有60日-其余中证全指组合**， 累计收益率8979.24%， 年化收益率26.35%， 最大回撤率69.15%， 年化波动率32.19%， 信息比率(IR)0.82， 夏普比率0.74， 收益回撤比0.38[70][75] * **持有120日-其余中证全指组合**， 累计收益率5452.56%， 年化收益率23.17%， 最大回撤率69.15%， 年化波动率32.78%， 信息比率(IR)0.71， 夏普比率0.63， 收益回撤比0.34[75] * **持有240日-其余中证全指组合**， 累计收益率4601.30%， 年化收益率22.11%， 最大回撤率69.15%， 年化波动率33.13%， 信息比率(IR)0.67， 夏普比率0.59， 收益回撤比0.32[75] 4. **基准：中证全指** * **中证全指**， 累计收益率565.01%， 年化收益率10.33%， 最大回撤率71.48%， 年化波动率26.13%， 信息比率(IR)0.40， 夏普比率0.30， 收益回撤比0.14[39][40][59][75]

量化模型与因子总结 量化因子与构建方式 1. **因子名称**：连阴连阳因子[14] * **因子构建思路**：通过计算指数K线连续为阴线或阳线的天数，来衡量市场的短期趋势强度和持续性[14]。 * **因子具体构建过程**：对于每个交易日，判断当前指数收盘价相对于前一日收盘价的涨跌。若上涨，则连阳计数加1，连阴计数重置；若下跌，则连阴计数加1（以负数表示），连阳计数重置。计数从1开始，正数表示连阳天数，负数表示连阴天数[14]。 2. **因子名称**：指数与均线比较因子[17][18] * **因子构建思路**：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，来判断指数的短期、中期和长期趋势状态[17]。 * **因子具体构建过程**：计算指数收盘价相对于不同周期移动平均线的偏离百分比。公式为： $$偏离百分比 = (收盘价 / 移动平均线值 - 1) \times 100\%$$ 报告中使用的移动平均线包括MA5、MA20、MA60、MA120、MA250[18]。同时，也计算指数当前价格相对于近250日最高价和最低价的回撤或上涨幅度[17]。 3. **因子名称**：收益分布形态因子（峰度与偏度）[26][28] * **因子构建思路**：通过计算指数日收益率分布的峰度和偏度，来描述收益分布的集中程度和对称性（偏向正收益或负收益）[26]。 * **因子具体构建过程**： * **峰度**：计算指数日收益率序列的四阶中心矩与二阶中心矩平方的比值，用于衡量分布曲线尖峭或扁平的程度。报告中计算的是超额峰度（减去了正态分布的峰度3）[28]。峰度越大，说明收益率分布更集中[26]。 * **偏度**：计算指数日收益率序列的三阶中心矩与标准差三次方的比值，用于衡量分布的不对称性。正偏态表示极端正收益情形增加[26]。 4. **因子名称**：风险溢价因子[30][33] * **因子构建思路**：以十年期国债即期收益率作为无风险利率的参考，计算股票指数收益率与其之差，作为投资者承担市场风险所要求的额外回报，用于衡量市场的相对投资价值和风险补偿[30]。 * **因子具体构建过程**：风险溢价通常计算为指数市盈率倒数（E/P）与十年期国债到期收益率之差。报告中的“当前风险溢价”可能基于此逻辑或指数预期收益率计算[33]。同时，计算该风险溢价在近1年、近5年历史数据中的分位值，以判断其当前所处的相对位置[33]。 5. **因子名称**：股债性价比因子[44][46][47] * **因子构建思路**：将股票指数的估值收益率（市盈率TTM的倒数）与无风险收益率（十年期国债即期收益率）进行比较，其差值代表股票相对于债券的潜在超额收益，用于在大类资产间进行比价[44]。 * **因子具体构建过程**：计算公式为： $$股债性价比 = \frac{1}{PE_{TTM}} - 十年期国债即期收益率$$ 其中，$PE_{TTM}$ 为指数滚动市盈率[44]。报告通过计算该指标近5年的分位值（如80%分位为机会值，20%分位为危险值）来判断当前股票资产相对于债券的吸引力[46][47]。 6. **因子名称**：破净率因子[54][56] * **因子构建思路**：计算指数成分股中市净率（PB）小于1的个股数量占总成分股数量的比例，用以衡量市场整体或特定板块的估值低估程度和悲观情绪[54]。 * **因子具体构建过程**：首先，对指数中的每一个成分股，判断其市净率是否小于1。然后，统计满足条件的个股数量，最后计算其占指数总成分股数量的百分比[56]。破净率越高，表明市场估值越低，低估情况越普遍[54]。 因子的回测效果 *报告未提供基于历史数据的统一回测结果（如IC、IR、多空收益等）。报告主要展示了各因子在特定截面日（2026年3月30日）针对不同宽基指数的截面取值和状态描述。* 1. **连阴连阳因子**：在2026年3月30日，上证50、沪深300、中证500、中证1000、中证2000、中证全指均为2日连阳，创业板指为2日连阴[14]。 2. **指数与均线比较因子**：在2026年3月30日，上证50、沪深300、创业板指跌破5日线；上证50跌破60日线6.3%，跌破120日线5.9%；上证50与中证500距离近250日高位回撤均超过10%[17][18]。 3. **收益分布形态因子**： * **峰度**：当前所有指数峰度均低于近5年平均水平（差值为负）。其中，创业板指的峰度负偏离最大（-3.02），中证500的负偏离最小（-1.71）[26][28]。 * **偏度**：当前所有指数偏度均低于近5年平均水平。其中，创业板指的负偏态最大（当前偏度1.53 vs 近5年2.25，差值-0.72），沪深300与中证500的负偏态最小（差值均为-0.49）[26][28]。 4. **风险溢价因子**：在2026年3月30日，中证500（56.83%）和中证1000（56.35%）的风险溢价近5年分位值较高；沪深300（40.87%）和创业板指（33.02%）较低[31][33]。 5. **PE-TTM估值因子**：在2026年3月30日，中证500（95.7%）和中证全指（94.96%）的PE-TTM近5年分位值较高；上证50（76.03%）和创业板指（57.36%）较低[40][43][44]。 6. **股债性价比因子**：在2026年3月30日，没有指数高于其近5年80%分位（机会值），中证500低于其近5年20%分位（危险值）[47]。 7. **股息率因子**：在2026年3月30日，创业板指（53.88%）和沪深300（42.07%）的股息率近5年历史分位值较高；中证500（12.56%）和中证2000（9.09%）较低[51][52]。 8. **破净率因子**：在2026年3月30日，各指数破净率分别为：上证50（24.0%）、沪深300（17.33%）、中证500（10.6%）、中证1000（7.8%）、中证2000（3.2%）、中证全指（6.05%）[56]。

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：封板率与连板率计算模型 **模型构建思路**：通过统计上市满一定期限的股票在特定交易日内的涨停表现，计算封板率和连板率，用以衡量市场短线炒作情绪和赚钱效应的持续性[15]。 **模型具体构建过程**： * **封板率**：统计在当日盘中最高价曾达到涨停价，并且收盘价也维持在涨停价的股票数量，除以当日盘中最高价曾达到涨停价的股票总数[15]。 * **连板率**：统计连续两个交易日收盘价均涨停的股票数量，除以前一交易日收盘价涨停的股票总数[15]。 * **公式**： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 2. **模型名称**：大宗交易折价率计算模型 **模型构建思路**：通过比较大宗交易成交价格与二级市场价格的差异，计算折价率，以反映大资金的投资偏好和市场情绪[25]。 **模型具体构建过程**： * 统计每日大宗交易的总成交金额和对应股份的当日总市值[25]。 * 用大宗交易总成交金额除以对应股份的当日总市值，再减去1，得到折价率[25]。 * **公式**： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ 3. **模型名称**：股指期货年化贴水率计算模型 **模型构建思路**：计算股指期货主力合约价格与现货指数价格之间的基差，并将其年化，用以衡量市场对未来走势的预期以及股指对冲的成本[27]。 **模型具体构建过程**： * 计算基差：股指期货价格减去现货指数价格[27]。 * 计算年化贴水率：将基差除以现货指数价格，再乘以（250除以合约剩余交易日数）进行年化处理[27]。 * **公式**： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 量化因子与构建方式 1. **因子名称**：ETF折溢价因子 **因子构建思路**：通过计算ETF场内交易价格与其IOPV（基金份额参考净值）或场外净值之间的差异，构建折价或溢价因子，反映投资者对特定板块或指数的情绪[22]。 **因子具体构建过程**： * 筛选日成交额超过100万元的境内交易股票型ETF[22]。 * 计算每只ETF的折溢价率，即（场内交易价格 / 参考净值 - 1）[22]。 * 正值代表溢价，负值代表折价[22]。 2. **因子名称**：机构调研热度因子 **因子构建思路**：统计近一周内对上市公司进行调研的机构数量，构建反映机构关注度的因子[29]。 **因子具体构建过程**： * 统计近7天内对上市公司进行调研或参加分析师会议的机构数量[29]。 * 以调研机构数量作为因子值，数量越多代表机构关注度越高[29]。 3. **因子名称**：龙虎榜机构资金流向因子 **因子构建思路**：根据交易所公布的龙虎榜数据，提取机构专用席位的买卖净额，构建反映机构资金短期流向的因子[35]。 **因子具体构建过程**： * 获取满足涨跌幅偏离值、振幅、换手率等条件的龙虎榜上榜股票数据[32][34]。 * 计算每只上榜股票的机构专用席位净买入（流入）金额[35]。 * 以净流入金额作为因子值，正值表示机构净买入，负值表示机构净卖出[35]。 4. **因子名称**：龙虎榜陆股通资金流向因子 **因子构建思路**：根据交易所公布的龙虎榜数据，提取陆股通席位的买卖净额，构建反映北向资金短期流向的因子[36]。 **因子具体构建过程**： * 获取满足涨跌幅偏离值、振幅、换手率等条件的龙虎榜上榜股票数据[32][34]。 * 计算每只上榜股票的陆股通席位净买入（流入）金额[36]。 * 以净流入金额作为因子值，正值表示北向资金净买入，负值表示北向资金净卖出[36]。 模型的回测效果 1. **封板率与连板率计算模型**，2026年3月31日封板率63%，连板率12%[15]。 2. **大宗交易折价率计算模型**，近半年平均折价率7.06%，2026年3月30日折价率6.16%[25]。 3. **股指期货年化贴水率计算模型**，2026年3月31日，上证50主力合约年化贴水率3.62%，处于近一年36%分位点；沪深300主力合约年化贴水率7.72%，处于近一年32%分位点；中证500主力合约年化贴水率11.69%，处于近一年44%分位点；中证1000主力合约年化贴水率14.61%，处于近一年38%分位点[27]。 因子的回测效果 1. **ETF折溢价因子**，2026年3月30日，溢价较多的ETF是科创综指ETF兴银，溢价1.14%；折价较多的ETF是中证1000增强ETF华泰柏瑞，折价0.43%[22]。 2. **机构调研热度因子**，近一周内，迈瑞医疗被356家机构调研，天顺风能、深南电路等公司也被较多机构调研[29]。 3. **龙虎榜机构资金流向因子**，2026年3月31日，机构专用席位净流入前十的股票包括平潭发展、欧科亿等；净流出前十的股票包括东鹏饮料、美诺华等[35]。 4. **龙虎榜陆股通资金流向因子**，2026年3月31日，陆股通净流入前十的股票包括平潭发展、神剑股份等；净流出前十的股票包括东鹏饮料、特发信息等[36]。

量化模型与构建方式 1. **模型名称**：中证500指数增强模型[1] * **模型构建思路**：基于公司治理是影响股票长期收益关键因素的投资逻辑，使用一系列体现公司治理能力的连续性财务因子结合部分技术面因子，构建多因子选股模型，以实现对中证500指数的增强[1][9]。 * **模型具体构建过程**： 1. **标的与频率**：针对中证500指数成分股，以月度频率调仓构建投资组合[3][43]。 2. **数据与处理**：回测区间为2021年3月18日至2026年3月18日[3][43]。为避免未来信息，财务数据使用规则为：1-4月调仓使用上年半年报数据，5-8月调仓使用上年年报数据，9-12月调仓使用当年半年报数据[3][43]。对数据进行缺失值处理和标准化等清洗[3][43]。 3. **因子选择**：模型使用动量因子、低波因子、低负债因子、营运能力因子、成长因子、盈利因子这六类因子展开构建[3][43]。其理论基础是多因子模型，即将股票收益率分解为多个因子的线性组合与残差项[40]。公式为： $$r_{i}=\sum_{k}\beta_{i k}f_{k}+\varepsilon_{i}$$ 其中，\(r_{i}\)为股票i的预期收益率，\(\beta_{i k}\)为股票i对k因子的敏感度，\(f_{k}\)为k因子的预期收益率，\(\varepsilon_{i}\)为残差[40]。 4. **组合构建**：报告未详细说明具体的因子合成、加权以及最终的组合优化方法。 * **模型评价**：该模型在中证500指数增强上具有较强适配性，因为中证500成分股多为成长期企业，其财务指标的微小变化对股票收益的影响更为显著[11]。相比过度依赖价量因子的策略，基于财务因子的策略更具长期稳定性，能有效规避短期市场波动干扰[11]。然而，该策略在因子构建、择时机制及选股效率等方面仍存在优化空间，例如因子较为单一，未纳入事件驱动因子，且缺乏择时机制和机器学习等先进算法[49][50]。 量化因子与构建方式 1. **因子名称**：盈利因子[3][43] * **因子构建思路**：从盈利能力维度衡量公司治理水平，选取反映股东回报效率和核心业务盈利空间的指标[10]。 * **因子具体构建过程**：具体使用了净资产收益率（ROE）与毛利率[10]。净资产收益率反映企业运用净资产盈利的效率，是衡量股东回报的核心指标；毛利率体现企业核心业务的盈利空间，是企业“护城河”的重要体现[10]。 2. **因子名称**：低负债因子[3][43] * **因子构建思路**：从偿债能力维度衡量公司治理水平，选取反映企业长期和短期财务风险与安全性的指标[10]。 * **因子具体构建过程**：具体使用了资产负债率与流动比率[10]。资产负债率反映企业长期负债水平与财务风险；流动比率体现企业短期偿债能力与财务流动性[10]。 3. **因子名称**：营运能力因子[3][43] * **因子构建思路**：从运营效率维度衡量公司治理水平，选取反映企业资金管理和库存管理效率的指标[10]。 * **因子具体构建过程**：具体使用了应收账款周转率与存货周转率[10]。应收账款周转率反映企业资金回笼效率与议价能力；存货周转率体现企业存货变现速度与库存管理水平[10]。 4. **因子名称**：成长因子[3][43] * **因子构建思路**：报告未明确说明该因子的具体构建思路，但结合中证500指数的成长型特征，该因子可能用于捕捉成分股的成长性[8]。 * **因子具体构建过程**：报告未详细说明成长因子的具体计算指标和公式。 5. **因子名称**：动量因子[3][43] * **因子构建思路**：作为技术面因子引入，旨在捕捉市场交易行为、资金流向与价格趋势信息，反映市场短期定价效率，与基本面因子结合使用[42]。 * **因子具体构建过程**：报告未详细说明动量因子的具体计算指标和公式。 6. **因子名称**：低波因子[3][43] * **因子构建思路**：作为技术面因子引入，旨在控制组合波动风险，实现基本面逻辑与市场动态的有机结合[42]。 * **因子具体构建过程**：报告未详细说明低波因子的具体计算指标和公式。 模型的回测效果 1. **中证500指数增强模型**[3][46][48] * **累计收益**：63.84% * **年化收益**：10.83% * **年化波动**：17.94% * **夏普比率**：0.60 * **最大回撤**：23.86% * **日胜率**：53.39% * **超额累计收益**：34.79% * **超额年化收益**：5.38% * **超额波动**：-2.92% * **超额夏普**：0.34 * **超额最大回撤**：-17.95% * **超额日胜率**：1.74%

量化模型与构建方式 1. **模型名称：GAN_GRU模型**[4][13] * **模型构建思路**：利用生成式对抗网络（GAN）对量价时序特征进行增强处理，再使用门控循环单元（GRU）模型对处理后的时序特征进行编码，以预测股票未来收益，并将预测值作为选股因子[4][13]。 * **模型具体构建过程**： 1. **数据准备**：选取所有个股过去400天内的18个量价特征（包括日频和月频特征，如收盘价、开盘价、成交量、换手率等）[14][17][19]。每5个交易日进行一次特征采样，采样形状为40*18（即过去40天的特征）[18]。 2. **数据处理**：对每次采样的40天内，每个特征在时序上进行去极值+标准化处理；同时，每个特征在个股截面上进行标准化处理[18]。 3. **GAN特征生成**： * **生成器（G）**：采用LSTM模型，输入原始量价时序特征（形状为(40, 18)），输出经处理后的量价时序特征（形状仍为(40, 18)）[33][37]。生成器的目标是让判别器无法区分其生成的数据与真实数据，其损失函数为： $$L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))]$$ 其中，\(z\) 表示随机噪声，\(G(z)\) 表示生成器生成的数据，\(D(G(z))\) 表示判别器判断生成数据为真实数据的概率[24][25]。 * **判别器（D）**：采用卷积神经网络（CNN）模型，用于判断输入数据是真实数据还是生成器生成的假数据[33]。其损失函数为： $$L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$$ 其中，\(x\) 是真实数据，\(D(x)\) 是判别器对真实数据的输出概率[27]。 * **训练过程**：生成器和判别器交替训练，直至生成器能生成足以欺骗判别器的逼真特征[29][30]。 4. **GRU收益预测**：将GAN生成的增强特征输入一个两层GRU网络（GRU(128, 128)），后接一个多层感知机（MLP(256, 64, 64)），模型最终输出为对未来20个交易日累计收益的预测值 \(pRet\)，该值即作为GAN_GRU选股因子[22]。 5. **模型训练与更新**：采用半年滚动训练方式，每年6月30日及12月31日训练模型，并用于未来半年的预测[18]。训练时使用80%的数据作为训练集，20%作为验证集，优化器为Adam，学习率为1e-4，损失函数为IC[18]。 6. **股票与样本筛选**：选取全市场股票，剔除ST及上市不足半年的股票；训练时剔除标签（label）为空值的样本[18]。 量化因子与构建方式 1. **因子名称：GAN_GRU因子**[4][13] * **因子构建思路**：基于GAN_GRU模型输出的股票未来收益预测值 \(pRet\) 构建选股因子[22]。 * **因子具体构建过程**： 1. 运行GAN_GRU模型，得到每只股票的未来收益预测值 \(pRet\)[22]。 2. 对原始因子值进行行业和市值中性化处理，以剥离行业和市值风格的影响[22]。 3. 对中性化后的因子值进行标准化处理[22]。 * **因子评价**：该因子是一个结合了生成式对抗网络特征增强和循环神经网络时序建模的深度学习因子，旨在更有效地挖掘量价数据中的时序预测信息[4][13]。 模型的回测效果 （本报告主要对GAN_GRU因子进行回测，未单独提供基础GRU+MLP模型的回测效果指标。） 因子的回测效果 1. **GAN_GRU因子**（全A股，月频调仓，2019年2月至2026年3月）[41][42] * IC均值：0.1095*** * ICIR（未年化）：0.88 * 年化收益率：36.03% * 年化波动率：21.87% * 信息比率（IR）：1.55 * 最大回撤率：27.29% * 年化超额收益率：21.87% * 换手率：0.82X * 近期IC（2026年3月27日）：0.1008*** * 近一年IC均值：0.0514***

量化模型与构建方式 1. **模型名称：基于估值的动态定投模型** * **模型构建思路：** 根据指数估值（市盈率）的历史分位数，动态调整每期定投金额，在估值较低时多投，估值较高时少投或不投[54]。 * **模型具体构建过程：** 1. 每月初计算指数当前市盈率（PE）的五年历史分位数。 2. 根据分位数确定当期定投金额： * 若分位数 < 30%，则投入 1000 元。 * 若分位数介于 30% 至 70% 之间，则投入 500 元。 * 若分位数 > 70%，则投入 0 元[54]。 2. **模型名称：基于均线的动态定投模型** * **模型构建思路：** 根据指数价格相对于其长期均线的偏离程度，动态调整每期定投金额，在价格大幅低于均线时多投，价格大幅高于均线时少投或不投[54]。 * **模型具体构建过程：** 1. 每月初计算指标：$$ \text{偏离度} = \frac{\text{指数当前收盘价} - \text{500 日收盘价均价}}{\text{500 日收盘价均价}} $$[54] 2. 根据偏离度确定当期定投金额： * 若偏离度 < -50%，买入 1000 元。 * 若偏离度介于 -50% 至 -35%，买入 800 元。 * 若偏离度介于 -35% 至 -20%，买入 600 元。 * 若偏离度介于 -20% 至 20%，买入 500 元。 * 若偏离度介于 20% 至 35%，买入 400 元。 * 若偏离度介于 35% 至 50%，买入 200 元。 * 若偏离度 > 50%，买入 0 元[54]。 模型的回测效果 *注：以下回测结果均基于2019年至今的数据，定投年限为3年和5年，以XIRR（内部收益率）衡量收益[52][53][56][58]。* 1. **基于估值的动态定投模型 (PE智能定投)** * **中证红利指数**：3年期平均XIRR为9.24%，5年期平均XIRR为9.04%[56]。 * **红利低波100指数**：3年期平均XIRR为11.18%，5年期平均XIRR为10.75%[56]。 * **红利质量指数**：3年期平均XIRR为9.18%，5年期平均XIRR为8.98%[56]。 * **自由现金流指数**：3年期平均XIRR为20.21%，5年期平均XIRR为20.88%[58]。 * **沪深300指数**：3年期平均XIRR为2.16%，5年期平均XIRR为3.25%[58]。 2. **基于均线的动态定投模型 (均线智能定投)** * **中证红利指数**：3年期平均XIRR为9.19%，5年期平均XIRR为9.06%[56]。 * **红利低波100指数**：3年期平均XIRR为10.95%，5年期平均XIRR为10.61%[56]。 * **红利质量指数**：3年期平均XIRR为9.43%，5年期平均XIRR为9.22%[56][58]。 * **自由现金流指数**：3年期平均XIRR为21.01%，5年期平均XIRR为21.41%[58]。 * **沪深300指数**：3年期平均XIRR为0.08%，5年期平均XIRR为0.86%[58]。 量化因子与构建方式 1. **因子名称：红利（股息率）因子** * **因子构建思路：** 筛选具有稳定且较高现金分红能力的公司[21]。 * **因子具体构建过程：** 以中证红利指数为例，其核心筛选指标为过去三年平均现金股息率[21]。选股要求包括过去三年连续现金分红，且股利支付率大于0小于1[21]。最终按股息率排名选取前100只股票，并采用股息率加权[21]。 2. **因子名称：红利低波因子** * **因子构建思路：** 在红利因子的基础上，叠加低波动率因子，筛选高股息且股价相对稳定的公司[21]。 * **因子具体构建过程：** 以中证红利低波动100指数为例，其核心筛选指标为股息率和过去一年波动率[21]。选股要求过去三年连续现金分红且每年现金股息率大于0[21]。先按股息率选取前300只股票，再按波动率升序选取前100只，采用股息率/波动率加权[21][23]。 3. **因子名称：红利质量因子** * **因子构建思路：** 在红利因子的基础上，叠加质量因子，筛选高股息且盈利质量优秀的公司[21]。 * **因子具体构建过程：** 以中证全指红利质量指数为例，其核心筛选指标包括质量因子（如ROE、ROE标准差、经营性现金流负债比等）[23]。选股要求过去三年连续现金分红，且平均股利支付率在10%-100%之间[23]。先剔除股息率后50%的股票，再按ROE稳定性选取前80%，最后按质量综合得分选取50只，采用综合得分倾斜加权[23]。 4. **因子名称：红利价值因子** * **因子构建思路：** 在红利因子的基础上，叠加价值因子，筛选高股息且估值较低的公司[21]。 * **因子具体构建过程：** 以中证红利价值指数为例，其核心筛选指标为过去3年平均税后现金股息率和价值因子（BP、EP、CFP）[21]。选股要求过去3年连续现金分红且股息率大于0，红利支付率适中，每股股利正增长[21]。先按股息率选取75只，再按价值因子综合排名选取50只，采用股息率加权[21][23]。 5. **因子名称：自由现金流因子** * **因子构建思路：** 筛选能够产生充沛自由现金流、企业价值被低估且盈利质量高的公司，这类公司通常也具有价值属性[12][21]。 * **因子具体构建过程：** 以中证全指自由现金流指数为例，其核心筛选指标为自由现金流、企业价值和盈利质量[23]。选股要求近一年自由现金流、企业价值，以及近三年、近五年经营活动现金流为正，且盈利质量位于样本空间前80%[23]。按自由现金流率排名选取前100只股票，采用自由现金流加权，并剔除金融、地产行业[23]。 因子的回测效果 *注：报告主要通过对比不同Smart Beta指数（即不同因子组合策略）的历史表现来评估因子效果。以下为代表性指数的风险收益特征及定投表现[15][52][53]。* 1. **中证红利指数 (代表纯红利因子)** * **历史风险收益：** 作为基准，其表现被红利低波、红利质量和自由现金流类指数普遍超越[15]。 * **定投表现 (2019年至今)：** 表现稳定，1-5年定投平均XIRR在8.91%至10.16%之间，盈利概率高[53]。 * **因子暴露：** 侧重高股息、低估值、大市值[44]。 * **行业分布：** 集中度高，前三大行业（银行、煤炭、交通运输）占比50.88%[48]。 2. **中证红利低波动100指数 (代表红利低波因子)** * **历史风险收益：** 表现优于中证红利指数[15]。在指数下跌年份（如2018、2022年）表现更好，防守性强[24]。 * **定投表现 (2019年至今)：** 表现最稳定，1-5年定投平均XIRR在10.11%至10.96%之间，盈利概率高[53]。 * **因子暴露：** 侧重高股息、低估值、大市值[44]。 * **行业分布：** 前三大行业为银行、医药生物、公用事业[48]。 3. **中证全指红利质量指数 (代表红利质量因子)** * **历史风险收益：** 表现优于中证红利指数，年化收益更高但波动性也更大[15]。在指数显著上涨年份（如2017、2019、2020年）表现更好[24]。 * **定投表现 (2019年至今)：** 收益波动较大，1-5年定投平均XIRR在8.47%至15.38%之间[52][53]。 * **因子暴露：** 更看重企业的盈利质量和成长性[44]。 * **行业分布：** 前三大行业为有色金属、食品饮料、医药生物[48]。 4. **中证全指自由现金流指数 (代表自由现金流因子)** * **历史风险收益：** 表现优于中证红利指数，年化收益更高但波动性也更大[15]。在指数震荡或反转年份（如2021、2023、2024年）表现更好[24]。 * **定投表现 (2019年至今)：** 收益均值显著高于其他指数，1-5年定投平均XIRR在19.49%至22.65%之间[52][53]。 * **因子暴露：** 更看重企业的盈利质量和成长性[44]。 * **行业分布：** 前三大行业为汽车、石油石化、有色金属[48]。