量化模型与构建方式 **1.模型名称：“磐石·禹衡”碳核算大模型[32]** - **模型构建思路**：旨在解决传统碳核算中数据处理复杂、周期长、空间分辨率不足等瓶颈，构建一个覆盖生产端、消费端及自然源的全景式碳排放核算系统[32]。 - **模型具体构建过程**：依托“磐石”科学基础大模型，构建了数据、算法、算力三层支撑体系[32]。具体过程包括： 1. **数据层构建**：汇聚了208TB的多格式碳数据[32]。 2. **算法层构建**：开发了包括工业流程模拟、贸易碳转移核算、生命周期评价等在内的智能体[32]。其中，生命周期评价智能体可支持产品碳足迹的自动化核算[32]。 - **模型评价**：该模型有助于提升碳数据管理效率，并可能成为碳市场建设、产品碳足迹管理和国际绿色贸易应对的重要底层能力[33]。 量化因子与构建方式 **1.因子名称：双碳综合评价考核指标体系[15]** - **因子的构建思路**：为对各省、自治区、直辖市党委和政府落实碳达峰碳中和目标任务及全面绿色转型进展情况进行年度评价考核，设置了一套综合性的量化考核指标体系[11][15]。 - **因子具体构建过程**：该体系由控制指标和支撑指标两个层级构成[15]。 1. **控制指标**：包含5项直接约束性指标，具体为： - 碳排放总量 - 碳排放强度降低 - 煤炭消费总量 - 石油消费总量 - 非化石能源消费占比[12][15] 2. **支撑指标**：包含9项过程性支撑指标，覆盖节能、工业、城乡建设、交通运输、公共机构、碳排放权交易等多个领域[12][15]。 - **因子评价**：该指标体系标志着我国“双碳”治理框架由目标设定阶段进一步转入执行考核阶段，地方减排责任进一步压实[13]。 模型的回测效果 （本报告中未涉及具体量化模型的回测效果数据） 因子的回测效果 （本报告中未涉及具体量化因子的回测效果数据）

金融工程专题研究 2026 年 6 月沪深核心指数成分股调整预测 证券研究报告 | 2026年05月07日 指数化投资正当时 近几年，随着投资者对指数化投资接受程度的不断提高，指数基金规模 不断提升。股票型被动指数基金共计 1673 只，合计规模高达 3.52 万亿 元。跟踪沪深 300、中证 A500、科创 50 的指数基金的规模合计分别为 5637 亿元、2217 亿元、1302 亿元。 中证指数公司和深圳证券信息有限公司在每年的 6 月和 12 月会对指数 成分股进行定期调整，由于指数成分股调整是根据编制规则进行的被动 操作，因此若成分股的调整规模较大，则可能带来交易性的投资机会。 本文选择了沪深 300、上证 180、上证 50、科创 50、创业板指和中证 500 这 6 只跟踪规模较大的指数进行成分股调整预测，为投资者提供投 资参考。 沪深 300 指数 根据指数编制方案，我们预测华工科技、杰瑞股份、江波龙等 19 只股 票将会被调入沪深 300 指数，而长春高新、北新建材、山西焦煤等 19 只股票将会被调出沪深 300 指数。 上证 180 指数 根据指数编制方案，我们预测南方航空、中国卫星、南山 ...

量化模型与构建方式 1. **模型/因子名称：冲击系数 (Impact Coefficient)** [6] * **构建思路：** 用于衡量因被动指数基金调仓（如指数成分股调整）对个股产生的价格冲击和持续时间的量化指标[6]。其核心思想是，被动买入或卖出金额相对于股票日常流动性的比例越大，对股价的冲击效应可能越强[6]。 * **具体构建过程：** 1. **计算被动买入/卖出金额：** 根据指数编制规则预测成分股调整名单，并估算相关被动指数基金的总规模。对于调入股票，其被动买入金额估算为相关被动基金总规模乘以该股票在目标指数中的估算权重；对于调出股票，其被动卖出金额估算为相关被动基金总规模乘以该股票在原指数中的权重[5]。 2. 计算冲击系数，公式为： $$冲击系数 = \frac{被动买入金额 - 被动卖出金额}{日均成交额}$$ [6][10] * **公式说明：** 分子（被动买入金额 - 被动卖出金额）代表因指数调整导致的净被动资金流，正值表示净买入，负值表示净卖出。分母为股票在特定时间窗口（如报告中的2026/2/2-2026/4/30）内的日均成交额，代表股票的日常流动性[10]。该比值越大，说明净被动资金流相对于日常成交额的比例越高，潜在的交易冲击可能越大。 模型的回测效果 1. **冲击系数模型，沪深300指数预测调入股票冲击系数测算结果：** [7][8][9] * 海航控股 (600221.SH): 1.87 * 世纪华通 (002602.SZ): 1.23 * 拓荆科技 (688072.SH): 0.94 * 上海电气 (601727.SH): 0.92 * 松发股份 (603268.SH): 0.80 * 宏桥控股 (002379.SZ): 0.76 * 芯原股份 (688521.SH): 0.56 * 杰瑞股份 (002353.SZ): 0.38 * 江波龙 (301308.SZ): 0.36 * 东阳光 (600673.SH): 0.28 * 先导智能 (300450.SZ): 0.26 * 巨人网络 (002558.SZ): 0.25 * 中国铀业 (001280.SZ): 0.24 * 华工科技 (000988.SZ): 0.23 * 中钨高新 (000657.SZ): 0.21 * 英维克 (002837.SZ): 0.14 2. **冲击系数模型，中证500指数预测调入股票冲击系数测算结果：** [12][13][14][16] * 山东高速 (600350.SH): 1.40 * 天山股份 (000877.SZ): 0.81 * 千里科技 (601777.SH): 0.79 * 一汽解放 (000800.SZ): 0.74 * 供销大集 (000564.SZ): 0.50 * 常山药业 (300255.SZ): 0.48 * 北汽蓝谷 (600733.SH): 0.48 * 迎驾贡酒 (603198.SH): 0.47 * 四川长虹 (600839.SH): 0.39 * 电投水电 (600292.SH): 0.37 * 源杰科技 (688498.SH): 0.34 * 常山北明 (000158.SZ): 0.32 * 上纬新材 (688585.SH): 0.32 * 永辉超市 (601933.SH): 0.31 * 欧菲光 (002456.SZ): 0.28 * 大中矿业 (001203.SZ): 0.27 * 盛屯矿业 (600711.SH): 0.23 * 海博思创 (688411.SH): 0.22 * 中国长城 (000066.SZ): 0.22 * 恩捷股份 (002812.SZ): 0.21 * 山子高科 (000981.SZ): 0.16 * 三七互娱 (002555.SZ): 0.15 * 香农芯创 (300475.SZ): 0.15 * 东芯股份 (688110.SH): 0.14 * 超颖电子 (603175.SH): 0.12 * 鼎泰高科 (301377.SZ): 0.11 * 振石股份 (601112.SH): 0.10 * 德明利 (001309.SZ): 0.10 * 宏和科技 (603256.SH): 0.10 * 长飞光纤 (601869.SH): 0.09 * 长芯博创 (300548.SZ): 0.09 * 仕佳光子 (688313.SH): 0.07 * 中海油服 (601808.SH): -0.15 * 卓胜微 (300782.SZ): -0.22 * 时代电气 (688187.SH): -0.25 * 晶澳科技 (002459.SZ): -0.26 * 山西焦煤 (000983.SZ): -0.36 * 宁沪高速 (600377.SH): -0.41 * 康龙化成 (300759.SZ): -0.42 * 泰格医药 (300347.SZ): -0.47 * 石头科技 (688169.SH): -0.50 * 北新建材 (000786.SZ): -0.62 * 长春高新 (000661.SZ): -0.66 * 新希望 (000876.SZ): -0.83 * 天坛生物 (600161.SH): -1.11 * 红塔证券 (601236.SH): -1.15 3. **冲击系数模型，上证50指数预测调入股票冲击系数测算结果：** [20][21] * 华泰证券 (601688.SH): 0.55 * 工业富联 (601138.SH): 0.32 * 中国铝业 (601600.SH): 0.20 * 兆易创新 (603986.SH): 0.18 * 特变电工 (600089.SH): 0.14 4. **冲击系数模型，科创50指数预测调入股票冲击系数测算结果：** [22][23] * 源杰科技 (688498.SH): 0.34 * 东芯股份 (688110.SH): 0.14 * 摩尔线程-U (688795.SH): 0.01 * 沐曦股份-U (688802.SH): 0.01 5. **冲击系数模型，科创100指数预测调入股票冲击系数测算结果：** [24][25][26][28] * 上纬新材 (688585.SH): 0.32 * 腾景科技 (688195.SH): 0.06 * 禾元生物-U (688765.SH): 0.03 * 特宝生物 (688278.SH): 0.02 * 华大智造 (688114.SH): 0.02 * 南亚新材 (688519.SH): 0.02 * 三一重能 (688349.SH): 0.02 * 长光华芯 (688048.SH): 0.01 * 德科立 (688205.SH): 0.01 * 天岳先进 (688234.SH): 0.01

量化模型与因子总结 量化因子与构建方式 一、 分析师超预期因子 1. **因子名称**：净利润_FY1_最近年报、净利润_FY2_最近年报、净利润_FY3_最近年报、ROE_FY1_最近年报、ROE_FY2_最近年报、ROE_FY3_最近年报[30] 2. **因子构建思路**：计算分析师一致预期数据（净利润、ROE）相对于最新财报的同比增速，以捕捉分析师预期相对于已实现业绩的超预期程度[8][30] 3. **因子具体构建过程**： * 对于每个预测年报期（FY1， FY2， FY3），计算一致预期净利润或ROE相对于最新财报的同比增速[30] * 对于非年报的最新财报期，先计算其相对去年同期的同比增速，再以此增速外推估计当前年报数据[30] * 个股因子计算完成后，按以下流程聚合为行业/指数因子[30][32]： 1. 对全市场有分析师因子的个股做截面去异常值标准化 2. 对三级行业内无分析师因子的个股，以该三级行业中位数填充 3. 对二级行业内仍无分析师因子的个股，以该二级行业中位数填充 4. 对一级行业内仍无分析师因子的个股，以该一级行业中位数填充 5. 以行业个股权重，对填充后的个股因子值加权求和，得到最终行业/指数因子 4. **因子评价**：主要以分析师预期年报的增速较为有效，而相对同比外推的最新年报同比相对无效[36] 二、 分析师预期增长因子 1. **因子名称**：EPS增长_FY1、ROE增长_FY1、EPS增长_FY2、ROE增长_FY2、EPS增长_FY12、ROE增长_FY12[30] 2. **因子构建思路**：计算分析师一致预期数据（EPS、ROE）自身的环比变化，以捕捉分析师预期的调整方向和强度[8][30] 3. **因子具体构建过程**： * **FY1/FY2增长因子**：计算过去4个月相对过去2-6个月，在FY1或FY2年报下的一致预期净利润或ROE的环比变化[30] * **FY12增长因子**：将FY1预期增长和FY2预期增长，按照距离下个年报期的时间长度进行加权合成[30] * 个股因子计算完成后，采用与“分析师超预期因子”相同的五步流程聚合为行业/指数因子[30][32] 4. **因子评价**：不同年报期、不同维度的表现较为相近，但在时序上稳定性较弱，超额收益主要集中在2019年至2021年，2022年至2024年失效明显[37] 三、 分析师驱动因子 1. **因子名称**：收益_3、超额收益_3、收益_5、超额收益_5、收益_10、超额收益_10、换手_3、相对换手_3、换手_5、相对换手_5、换手_10、相对换手_10[30] 2. **因子构建思路**：捕捉分析师首次覆盖后，个股在量价上的表现情况，反映分析师行为对市场的驱动作用[8][30] 3. **因子具体构建过程**： * **收益类因子**：计算分析师首次覆盖后，个股未来3、5、10个交易日的收益率或相对沪深300的超额收益率[30] * **换手类因子**：计算分析师首次覆盖后，个股未来3、5、10个交易日的平均换手率，或相对于过去20个交易日平均换手率的相对换手率[30] * 个股因子计算完成后，采用与“分析师超预期因子”相同的五步流程聚合为行业/指数因子[30][32] 4. **因子评价**：主要以换手率、短期窗口（未来3、5个交易日）维度较为有效，收益率维度整体无效[43] 四、 合成因子（大类因子与加权模型） 1. **模型/因子名称**：等权合成因子、剔除等权合成因子、排序等权合成因子、剔除排序等权合成因子、剔除夏普加权合成因子[10][61][65] 2. **模型构建思路**：将分析师因子与已有的景气、拥挤度、动量等大类因子结合，通过不同的时序加权方法合成综合打分，以改进轮动效果并试图解决Beta维度收益来源单一、打分信息磨损的问题[58][59][71] 3. **模型具体构建过程**： * **大类因子构成**：共六大类因子，每类内部因子等权合成[58] * **分析师预期**：ROE_FY2_FY1， 净利润_FY2_FY1 * **分析师驱动**：换手_3， 换手_5 * **景气**：ROE_同比（整体法计算指数ROE单季度同比相减） * **拥挤度**：活跃换手_20_1（过去20日成交最活跃的20%时间段成交额/总成交额的240日滚动分位数） * **长期动量**：活跃动量_240（过去240日成交额最高的15%时间段收益平均） * **短期动量**：夏普比动量_10（过去10日收益平均/收益波动率） * **加权合成方法**： 1. **等权**：各大类因子在标准化后等权相加[61] 2. **剔除等权**：剔除过去12个月因子分组回测超额收益为负的大类因子后，余下因子标准化等权[61] 3. **排序等权**：根据过去12个月因子分组回测超额收益对大类因子排序，根据排序对标准化后的因子加权求和[65] 4. **剔除排序加权**：剔除过去12个月超额收益为负的大类因子后，余下因子按超额收益排序并依序加权[65] 5. **剔除夏普加权**：剔除过去12个月超额收益为负的大类因子后，余下因子按超额收益夏普比加权[65] 4. **模型评价**：排序等权合成因子在回测区间表现最好，能在一定程度上提高最终打分的精确度[78] 因子的回测效果 （注：以下指标均为分组回测（第1组相对等权基准）的全区间风险指标，月频调仓[28]） 一、 行业轮动（申万一级行业） 1. **分析师超预期因子** * 净利润_FY2_FY1：超额收益8.47%， 超额最大回撤-11.51%， IR 0.80， 月胜率56.82%， 盈亏比1.88[35] * 净利润_FY3_FY2：超额收益6.26%， 超额最大回撤-17.92%， IR 0.58， 月胜率56.82%， 盈亏比1.56[35] * ROE_FY2_FY1：超额收益8.81%， 超额最大回撤-11.05%， IR 0.85， 月胜率60.23%， 盈亏比1.87[35] * ROE_FY3_FY2：超额收益4.22%， 超额最大回撤-14.50%， IR 0.43， 月胜率48.86%， 盈亏比1.37[35] 2. **分析师预期增长因子** * EPS增长_FY1：超额收益4.39%， 超额最大回撤-21.40%， IR 0.49， 月胜率57.95%， 盈亏比1.44[37] * ROE增长_FY1：超额收益4.45%， 超额最大回撤-22.08%， IR 0.50， 月胜率55.68%， 盈亏比1.45[37] * EPS增长_FY2：超额收益3.91%， 超额最大回撤-26.37%， IR 0.43， 月胜率50.00%， 盈亏比1.42[37] * ROE增长_FY2：超额收益4.69%， 超额最大回撤-29.47%， IR 0.50， 月胜率54.55%， 盈亏比1.49[37] * EPS增长_FY12：超额收益4.51%， 超额最大回撤-26.51%， IR 0.50， 月胜率56.82%， 盈亏比1.45[37] * ROE增长_FY12：超额收益3.07%， 超额最大回撤-27.48%， IR 0.35， 月胜率54.55%， 盈亏比1.32[37] 3. **分析师驱动因子** * 换手_3：超额收益5.11%， 超额最大回撤-17.77%， IR 0.50， 月胜率56.82%， 盈亏比1.40[42] * 换手_5：超额收益4.31%， 超额最大回撤-19.17%， IR 0.43， 月胜率57.95%， 盈亏比1.33[42] * 换手_10：超额收益2.50%， 超额最大回撤-20.23%， IR 0.25， 月胜率53.41%， 盈亏比1.18[42] 二、 ETF轮动（跟踪指数池） 1. **分析师超预期因子** * 净利润_FY2_FY1：超额收益6.17%， 超额最大回撤-15.98%， IR 0.63， 月胜率55.17%， 盈亏比1.54[46] * 净利润_FY3_FY2：超额收益4.28%， 超额最大回撤-20.73%， IR 0.41， 月胜率51.72%， 盈亏比1.31[46] * ROE_FY2_FY1：超额收益6.26%， 超额最大回撤-14.15%， IR 0.65， 月胜率58.62%， 盈亏比1.57[46] * ROE_FY3_FY2：超额收益4.35%， 超额最大回撤-16.28%， IR 0.46， 月胜率54.02%， 盈亏比1.39[46] 2. **分析师预期增长因子** * EPS增长_FY2：超额收益4.32%， 超额最大回撤-18.72%， IR 0.61， 月胜率50.57%， 盈亏比1.59[51] * ROE增长_FY2：超额收益2.89%， 超额最大回撤-16.70%， IR 0.43， 月胜率45.98%， 盈亏比1.41[51] * EPS增长_FY12：超额收益3.00%， 超额最大回撤-20.48%， IR 0.44， 月胜率51.72%， 盈亏比1.37[51] * ROE增长_FY12：超额收益2.44%， 超额最大回撤-17.68%， IR 0.38， 月胜率49.43%， 盈亏比1.34[51] 3. **分析师驱动因子** * 换手_3：超额收益5.58%， 超额最大回撤1-8.47%， IR 0.49， 月胜率56.32%， 盈亏比1.43[55] * 换手_5：超额收益5.31%， 超额最大回撤-18.57%， IR 0.46， 月胜率55.17%， 盈亏比1.41[55] * 换手_10：超额收益4.16%， 超额最大回撤-18.67%， IR 0.37， 月胜率54.02%， 盈亏比1.31[55] 模型的回测效果 （注：以下为合成因子分组回测的全区间及分年度风险指标） 一、 排序等权合成因子（表现最佳） 1. **行业轮动** * 全区间：超额年化收益12.04%， 超额最大回撤-15.97%， IR 1.06， 月胜率63.95%， 盈亏比2.35[80] * 分年度表现稳定，但2022、2023年较弱（2022年超额0.90%， IR 0.11； 2023年超额-3.03%， IR -0.32）[80] 2. **ETF轮动** * 全区间：超额年化收益9.49%， 超额最大回撤-9.95%， IR 0.92， 月胜率59.30%， 盈亏比2.07[80] * 分年度表现稳定，但2022、2023年较弱（2022年超额-3.83%， IR -0.62； 2023年超额1.71%， IR 0.23）[80] 二、 其他合成因子（行业轮动全区间） 1. **等权合成因子**：超额收益11.11%， 超额最大回撤-15.97%， IR 0.97， 月胜率63.22%， 盈亏比2.20[75] 2. **剔除夏普加权合成因子**：超额收益9.63%， 超额最大回撤-14.40%， IR 0.84， 月胜率59.77%， 盈亏比1.97[75] 3. **剔除排序加权合成因子**：超额收益9.19%， 超额最大回撤-26.04%， IR 0.82， 月胜率52.87%， 盈亏比1.89[75] 4. **剔除等权合成因子**：超额收益6.97%， 超额最大回撤-27.31%， IR 0.64， 月胜率52.87%， 盈亏比1.64[75]

量化模型与构建方式 1. **模型名称**：风险溢价模型 * **模型构建思路**：以十年期国债即期收益率为无风险利率的参考，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[29]。 * **模型具体构建过程**：风险溢价的计算公式为指数市盈率倒数与无风险利率之差。具体地，股债性价比（即风险溢价的一种形式）定义为各指数PE-TTM的倒数与十年期国债即期收益率之差[41]。 $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ * **模型评价**：该模型可用于观察风险溢价的均值复归现象，其中中证1000和中证2000的风险溢价波动率相对较大[30]。从分布来看，上证50的风险溢价分布更集中，而中证1000、中证2000和创业板指的风险溢价分布较分散，不确定性相对更大[34]。 2. **模型名称**：指数换手率计算模型 * **模型构建思路**：计算各宽基指数的整体换手率，以反映市场交易活跃度[19]。 * **模型具体构建过程**：指数换手率采用流通股本加权平均的方式计算，具体公式为： $$指数换手率 = \frac{\Sigma(成分股流通股本 \times 成分股换手率)}{\Sigma(成分股流通股本)}$$ [19] 3. **模型名称**：收益分布形态分析模型 * **模型构建思路**：通过计算日收益率序列的峰度和偏度，分析各宽基指数收益分布的集中程度和形态倾向[24][26]。 * **模型具体构建过程**：计算近5年和当前日收益率序列的峰度与偏度，并进行比较。报告中特别指出，其峰度计算中减去了3（正态分布的峰度值）[26]。 $$超额峰度 = 计算峰度 - 3$$ * **模型评价**：峰度越大，说明收益率分布更集中；正偏态显示极端正收益情形增加的程度[24]。 量化因子与构建方式 1. **因子名称**：交易金额占比因子 * **因子构建思路**：计算单一宽基指数交易金额占全市场（以中证全指为代表）交易金额的比例，以观察资金在不同风格板块间的流向[19]。 * **因子具体构建过程**：对于特定指数，其交易金额占比计算公式为： $$交易金额占比 = \frac{该指数当日交易金额}{中证全指当日交易金额} \times 100\%$$ [19] 2. **因子名称**：破净率因子 * **因子构建思路**：计算指数成分股中市净率小于1的个股数量占比，以反映市场整体的估值态度和低估普遍性[49]。 * **因子具体构建过程**：首先识别指数中所有成分股，统计其中市净率（PB）小于1的个股数量，然后计算其占成分股总数的比例。 $$破净率 = \frac{市净率<1的个股数}{指数成分股总数} \times 100\%$$ [49] * **因子评价**：破净率和占比越高，表明低估的情况越普遍；破净数及占比越低，可能表明市场对未来发展持乐观态度[49]。 模型的回测效果 （注：报告未提供基于历史数据的模型策略回测绩效指标，如年化收益率、夏普比率、最大回撤等。报告主要展示各模型/因子在特定时点（2026年5月6日）的截面数据或历史统计值，因此本部分不适用。） 因子的回测效果 （注：报告未提供基于历史数据的单因子测试绩效指标，如IC、IR、多空收益等。报告主要展示各因子在特定时点（2026年5月6日）的截面数据或历史统计值，因此本部分不适用。） 模型/因子的具体测试结果取值 （本部分汇总报告中对各宽基指数应用上述模型/因子计算得到的截面数据或历史统计值。） 1. **风险溢价模型**（数据截至2026年5月6日） * **当前风险溢价**：上证50 (1.36%)， 沪深300 (1.44%)， 中证500 (2.85%)， 中证1000 (2.29%)， 中证2000 (2.02%)， 中证全指 (1.94%)， 创业板指 (2.74%)[32] * **近5年分位值**：上证50 (92.62%)， 沪深300 (93.17%)， 中证500 (98.49%)， 中证1000 (96.03%)， 中证2000 (93.02%)， 中证全指 (96.51%)， 创业板指 (94.21%)[32] * **近1年波动率**：上证50 (0.78%)， 沪深300 (0.88%)， 中证500 (1.27%)， 中证1000 (1.26%)， 中证2000 (1.34%)， 中证全指 (1.03%)， 创业板指 (1.70%)[32] 2. **指数换手率计算模型**（数据截至2026年5月6日） * **当前换手率**：上证50 (0.41)， 沪深300 (0.83)， 中证500 (2.44)， 中证1000 (3.32)， 中证2000 (4.22)， 中证全指 (2.11)， 创业板指 (3.83)[19] 3. **交易金额占比因子**（数据截至2026年5月6日） * **交易金额占比**：沪深300 (27.92%)， 中证1000 (21.88%)， 中证500 (20.13%)[19]（其他指数未明确列出具体占比数值） 4. **收益分布形态分析模型**（数据截至2026年5月6日） * **当前峰度**：上证50 (-1.04)， 沪深300 (-0.81)， 中证500 (-0.87)， 中证1000 (-0.91)， 中证2000 (-0.95)， 中证全指 (-0.62)， 创业板指 (-0.98)[26] * **当前偏度**：上证50 (0.87)， 沪深300 (0.98)， 中证500 (0.87)， 中证1000 (0.78)， 中证2000 (0.82)， 中证全指 (1.00)， 创业板指 (0.72)[26] * **当前vs.近5年峰度差**：上证50 (-2.79)， 沪深300 (-3.30)， 中证500 (-4.39)， 中证1000 (-4.94)， 中证2000 (-4.88)， 中证全指 (-3.93)， 创业板指 (-5.43)[26] 5. **破净率因子**（数据截至报告发布时） * **当前破净率**：上证50 (26.0%)， 沪深300 (18.0%)， 中证500 (10.6%)， 中证1000 (7.8%)， 中证2000 (3.4%)， 中证全指 (6.2%)[51] 6. **股债性价比（风险溢价衍生）**（数据截至报告发布时） * **与分位值比较**：没有指数高于其近5年80%分位值（机会值）；中证500、中证全指和沪深300低于其近5年20%分位值（危险值）[43] 7. **PE-TTM估值**（数据截至报告发布时） * **当前值**：上证50 (11.66)， 沪深300 (14.79)， 中证500 (37.61)， 中证1000 (55.81)， 中证2000 (228.55)， 中证全指 (23.59)， 创业板指 (45.88)[41] * **近5年历史分位值**：上证50 (86.86%)， 沪深300 (99.83%)， 中证500 (98.02%)， 中证1000 (100.0%)， 中证2000 (98.10%)， 中证全指 (100.0%)， 创业板指 (72.64%)[40][41] 8. **股息率因子**（数据截至报告发布时） * **当前值**：上证50 (3.10%)， 沪深300 (2.63%)， 中证500 (1.21%)， 中证1000 (0.94%)， 中证2000 (0.66%)， 中证全指 (1.85%)， 创业板指 (0.90%)[47] * **近5年历史分位值**：上证50 (24.38%)， 沪深300 (24.88%)， 中证500 (0.66%)， 中证1000 (16.53%)， 中证2000 (0.08%)， 中证全指 (17.93%)， 创业板指 (55.95%)[46][47]

量化模型与构建方式 1. **模型名称：宏观评分模型**[19][20] * **模型构建思路**：通过评估一系列宏观因子（如国内/全球景气、货币、信用、通胀等）的状态，对各大类资产（如中证800、标普500、黄金等）进行打分，形成宏观维度的择时观点[19][20]。 * **模型具体构建过程**： 1. 确定宏观因子体系，包括国内景气、国内货币、国内信用、国内通胀、全球景气、全球货币、全球通胀、美元、金融压力等分项[20]。 2. 对每个宏观因子，根据其状态（如上行、下行、平稳）给出评分（如+1， -1， 0）[20]。 3. 根据每个宏观因子对不同大类资产的影响关系（正面、负面或无影响），将因子评分映射到各资产上，形成各资产的“宏观分项评分”[20]。 4. 将每个资产的所有宏观分项评分加总，得到该资产的“大类资产宏观评分”[20]。 5. 根据总分的高低，形成“宏观评分择时观点”（如看多、谨慎）[20]。 2. **模型名称：美股中期择时模型**[21][24] * **模型构建思路**：综合景气度、资金流、金融压力等多个分项指标，对美股（特别是标普500指数）进行中期趋势判断[21][24]。 * **模型具体构建过程**： 1. 选取三个核心分项指标：景气度、资金流、金融压力[24]。 2. 计算每个分项指标的滚动5年分位数，将原始数据转化为0-100之间的标准化数值，以衡量当前水平在历史中所处的位置[24]。 3. 综合各分项指标的表现，形成对美股的择时观点（如看多、谨慎）[21]。 3. **模型名称：黄金择时模型**[22][25] * **模型构建思路**：通过监测避险货币、央行态度、财政压力、金融压力等分项指标，判断黄金价格的短期与中期走势[22][25]。 * **模型具体构建过程**： 1. 选取四个核心分项指标：避险货币、央行态度、财政压力、金融压力[25]。 2. 跟踪各分项指标的变化，例如，央行态度分项会考虑全球央行购金/售金的行为[22]。 3. 综合各分项指标形成综合判断。例如，若央行购金放缓或转为售金，可能导致综合指标边际走低，模型信号转为谨慎[22]。 4. **模型名称：原油择时模型**[26][30] * **模型构建思路**：构建“原油景气指数”来反映原油市场的供需景气状况，为油价走势提供量化参考[26][30]。 * **模型具体构建过程**： 1. 构建“原油景气指数”。该指数综合了反映原油供需基本面的多项数据[30]。 2. 观察景气指数的读数及其相对于0轴的位置。指数为正表示景气向上，为负表示景气向下，接近0轴则表示方向性不明确[26]。 3. 结合指数读数与市场具体情况（如库存、地缘政治等）进行判断。例如，即便指数接近0轴，若存在强补库需求，也可能支持油价维持高位[26]。 5. **模型名称：大类资产配置策略**[4][27][31] * **模型构建思路**：每月根据量化配置信号分配各大类资产的风险预算，并结合宏观因子体系调整组合的宏观风险暴露，最终生成资产配置方案[4][27]。 * **模型具体构建过程**： 1. 获取各大类资产的“量化配置信号”[4][27]。 2. 根据这些信号为每类资产分配“风险预算”[4]。 3. 基于“宏观因子体系”对组合的宏观风险暴露（如对经济增长、通胀等的敏感度）进行调整[4]。 4. 通过模型优化，得到最终的资产配置权重比例[31]。 模型的回测效果 1. **大类资产配置策略**，4月收益1.2%[4][27]，最近1年收益13.4%[4][27]，最大回撤1.7%[4][27]。 量化因子与构建方式 （注：本报告中未详细阐述具体的、可计算的底层因子构建过程，如价值因子、动量因子等。报告重点在于宏观因子评分体系和各类择时模型，这些已在上述模型部分总结。） 因子的回测效果 （注：本报告中未提供具体量化因子（如价值、动量等）的独立测试结果，如IC、IR、多空收益等。）

量化模型与构建方式 1. **模型名称**：基于历史PE锚定的基本面价值区间模型[1][2][7][8] **模型构建思路**：以个股在历史股价底部区间的估值倍数（PE）作为估值锚，结合历史净利润和未来预期每股收益（EPS），计算出一系列基本面价值，从而构建一个用于观察当前股价相对位置的动态价值区间[1][7] **模型具体构建过程**： 1. **确定估值锚**：选取目标个股（如水晶光电）在特定历史时期（如2024年股价底部区间）的估值水平作为参考基准。报告中使用2024年基于2023年净利润的市盈率（PE）22倍作为估值锚[1][7][10]。 2. **定义基本面价值**：使用估值锚，分别计算基于历史实际业绩和未来预期业绩的基本面价值。具体公式如下： - 基于T-1年（上一年）实际净利润的基本面价值：`V_T-1 = 净利润_T-1 * 估值锚PE`[1][7]。 - 基于T年、T+1年、T+2年（当年及未来两年）预期每股收益（EPS）的基本面价值：`V_T = EPS_T * 估值锚PE`，`V_T+1 = EPS_T+1 * 估值锚PE`，`V_T+2 = EPS_T+2 * 估值锚PE`[1][7][8]。其中，T代表当年（报告中为2026年），EPS数据来源于Wind一致预期[8][10]。 3. **构建价值区间**：将计算得到的`V_T-1`、`V_T`、`V_T+1`、`V_T+2`在时间序列上绘制出来，形成一个价值通道。其中，`V_T-1`被视为股价波动的下限，`V_T+2`被视为股价波动的上限，`V_T`和`V_T+1`则构成区间内部参考线[2][8][13]。 **模型评价**：该模型通过一个相对稳定的历史估值锚，将股价与过去及未来的基本面联系起来，为判断股价当前位置是否合理提供了一个可量化的参考框架。报告认为，当股价在该价值区间内运行时，说明估值锚对股价有较强的参考意义[2][8]。 模型的回测效果 *（注：报告中未提供该模型的量化回测指标，如年化收益率、夏普比率、最大回撤等。报告主要通过图表展示股价在价值区间内的历史运行情况，并进行了定性分析[2][8][13]。）* 量化因子与构建方式 *（注：报告中未涉及传统意义上的多因子模型或独立量化因子的构建。）* 因子的回测效果 *（注：报告中未涉及独立量化因子的测试结果。）*

量化模型与构建方式 1. **模型名称：港股 CCASS 优选 20 组合**[4][24] * **模型构建思路**：利用港交所CCASS数据，通过“先选经纪商，再选个股”的两步法，构建一个由绩优经纪商持仓驱动的股票组合[24]。 * **模型具体构建过程**： 1. **数据基础**：使用港交所CCASS数据，对单一经纪商在港股上的持仓进行月度持仓复制跟踪[24]。 2. **第一步：筛选绩优经纪商**：以月末为截面，对全部经纪商计算两个指标——超额夏普比率和月度胜率。将这两个指标分别进行标准化处理，然后等权合成一个综合得分[24]。 3. **第二步：构建股票组合**：选取综合分数最高的N家经纪商作为绩优经纪商池。将资金等权分配给这N家经纪商，汇总它们的最新持仓。按照汇总后的持仓权重，保留权重最高的M只股票，并对这M只股票进行等权配置，形成最终的股票组合[24]。 4. **参数设定**：在具体构建中，设定N=10（经纪商数量），M=20（股票数量）。即每期选取综合得分最高的10家经纪商，汇总其持仓后保留权重前20的股票进行等权投资[25]。 * **模型评价**：该模型通过跟踪绩优经纪商的持仓变化来捕捉市场机会，是一种基于“聪明钱”流向的量化策略[24]。 模型的回测效果 1. **港股 CCASS 优选 20 组合**（基准：恒生指数） * 2026年4月单月超额收益率：1.2%[4][29] * 全区间（2020.1~2026.4）年化超额收益率：17.3%[29] * 全区间（2020.1~2026.4）超额夏普比率（IR）：2.31[29] * 全区间（2020.1~2026.4）最大回撤：-6.9%[30] * 全区间（2020.1~2026.4）月度胜率：73.7%[30] 2. **港股 CCASS 优选 20 组合分年度绩效**[30] * **2020年**：年化超额收益率23.8%，夏普比率2.52，最大回撤-4.1%，月度胜率66.7% * **2021年**：年化超额收益率14.5%，夏普比率1.84，最大回撤-4.1%，月度胜率75.0% * **2022年**：年化超额收益率11.9%，夏普比率1.41，最大回撤-5.3%，月度胜率66.7% * **2023年**：年化超额收益率19.6%，夏普比率2.88，最大回撤-3.2%，月度胜率66.7% * **2024年**：年化超额收益率20.7%，夏普比率2.95，最大回撤-4.1%，月度胜率91.7% * **2025年**：年化超额收益率17.7%，夏普比率3.34，最大回撤-2.5%，月度胜率83.3% * **2026年（至4月）**：年化超额收益率4.2%，夏普比率0.74，最大回撤-1.3%，月度胜率50.0% 量化因子与构建方式 1. **因子名称：经纪商综合得分**[24] * **因子构建思路**：通过标准化和合成经纪商的历史表现指标，筛选出长期表现优异的经纪商[24]。 * **因子具体构建过程**： 1. 计算每个经纪商的两个子因子： * **超额夏普比率**：基于该经纪商持仓复制组合相对于基准（如恒生指数）的表现计算得出[24][26]。 * **月度胜率**：该经纪商持仓复制组合获得正向超额收益的月份数占总月份数的比例[24][26]。 2. 在每期截面（月末），分别对全部经纪商的**超额夏普比率**和**月度胜率**进行标准化处理[24]。 3. 将标准化后的两个子因子进行等权相加，得到每个经纪商的**综合得分**[24]。 * 公式可表示为： $$综合得分_i = Z(超额夏普比率_i) + Z(月度胜率_i)$$ 其中，$Z(\cdot)$ 代表标准化处理，$i$ 代表第 $i$ 个经纪商。 因子的回测效果 1. **绩优经纪商示例（全样本）**[26] * **辉立证券(香港)**：年化超额收益率10.4%，超额夏普比率1.73，月度胜率73.61% * **加福证券**：年化超额收益率12.9%，超额夏普比率1.29，月度胜率79.17% * **巨亨证券**：年化超额收益率18.1%，超额夏普比率1.65，月度胜率73.61% * **奕丰证券(香港)**：年化超额收益率8.6%，超额夏普比率1.57，月度胜率70.83% * **中润证券**：年化超额收益率14.1%，超额夏普比率1.62，月度胜率69.44% * **宝盛证券(香港)**：年化超额收益率9.8%，超额夏普比率1.38，月度胜率72.22% * **沪市港股通**：年化超额收益率9.8%，超额夏普比率1.48，月度胜率70.83% * **银河—联昌证券(香港)**：年化超额收益率9.6%，超额夏普比率1.64，月度胜率66.67% * **盈透证券香港**：年化超额收益率12.3%，超额夏普比率1.40，月度胜率69.44% * **新基立证券**：年化超额收益率11.4%，超额夏普比率1.26，月度胜率70.83%

量化模型与构建方式 1. **模型名称：新券二级市场估值推导模型**[5] * **模型构建思路**：通过选取已上市的同类型REITs作为可比标的，计算其关键估值指标的平均值，以此作为评估新发行REIT二级市场合理估值区间的基准。[5] * **模型具体构建过程**： 1. **确定可比样本**：从已上市REITs中筛选出与目标REIT（易方达广西北投高速REIT）同属“交通基础设施”或“高速公路”类别的产品。报告中剔除了上市时间短、数据不足的标的（东方红隧道股份高速公路 REIT），最终确定13只可比产品。[5] 2. **选择估值指标**：选取了三个核心估值指标进行对比分析：市净率（P/NAV）、市现率（P/FFO）和派息率（Dividend Yield）。[5] 3. **计算可比均值**：计算这13只可比REITs在过去三个月内的上述指标平均值。 * 平均 P/NAV = 0.96 倍 * 平均 P/FFO = 11.38 倍 * 平均派息率 (TTM) = 9.55%[5] 4. **进行估值比较**：将新发行REIT的发行价对应的估值指标与可比均值进行对比，判断其发行定价的合理性，并推测其上市后的潜在价格区间。[3][5][6] 模型的回测效果 （本报告未提供该估值推导模型的历史回测效果数据。） 量化因子与构建方式 1. **因子名称：市净率 (P/NAV)**[3][5] * **因子构建思路**：衡量REITs每单位净资产对应的市场价格，是评估其估值水平的基础指标之一。[3][5] * **因子具体构建过程**：计算公式为： $$P/NAV = \frac{每份市场价格}{每份净资产值 (NAV)}$$ 其中，净资产值（NAV）通常由评估机构根据未来现金流折现模型（DCF）计算得出。对于新发REIT，发行价对应的P/NAV为1.05倍。[3] 2. **因子名称：市现率 (P/FFO)**[4][5] * **因子构建思路**：衡量REITs每单位运营资金流（FFO）对应的市场价格，是REITs行业常用的估值指标，比市盈率（P/E）更能反映其经营现金流状况。[4][5] * **因子具体构建过程**：计算公式为： $$P/FFO = \frac{每份市场价格}{每份运营资金流 (FFO)}$$ 运营资金流（FFO）通常由净利润加上折旧与摊销等非现金支出，再减去不动产销售利得等调整项得到。报告中，发行价对应2026年预测P/FFO为11.61倍。[4] 3. **因子名称：派息率 (Dividend Yield)**[4][5] * **因子构建思路**：衡量REITs当期分红收益水平的指标，对于追求稳定现金流的投资者尤为重要。[4][5] * **因子具体构建过程**：计算公式为： $$派息率 = \frac{年度化每份分红金额}{每份市场价格} \times 100\%$$ 报告中，分别计算了基于2026年和2027年预测可供分配金额的年化派息率，发行价对应值分别为8.62%和9.11%。[4] 同时，统计了可比REITs过去十二个月（TTM）的平均派息率为9.55%。[5] 4. **因子名称：内部收益率 (IRR) / 折现率**[3] * **因子构建思路**：在资产估值中，折现率用于将未来现金流折算为现值，其倒数反映了资产的隐含收益率水平（如IRR），是评估资产吸引力和定价合理性的核心参数。[3] * **因子具体构建过程**：在现金流折现（DCF）估值模型中，通过设定折现率来计算资产现值。报告指出，评估机构对该项目采用的折现率为7.74%（对应的IRR为6.21%），并提及该水平略低于已上市交通设施REITs普遍高于8.0%的折现率水平。[3] 5. **因子名称：现金流年复合增长率**[3] * **因子构建思路**：预测底层资产未来现金流的增长潜力，是影响REITs长期价值的关键驱动因素。[3] * **因子具体构建过程**：基于对车流量、收费标准、运营成本等的预测，估算未来各年的现金流，并计算其复合增长率。报告中，预测的现金流年复合增长率为1.57%。[3] 6. **衍生因子：分红豁免机制**[6] * **因子构建思路**：一种特殊的条款设置，旨在保障特定期间内投资者的分红收益下限，可能提升产品在市场波动时的防御性和吸引力。[6] * **因子具体构建过程**：报告中未详述该机制的具体触发条件和豁免规则，但指出该机制针对2027-2029年的预期可供分配金额（分别为2.25、2.28、1.82亿元）提供了保障，从而在短期内锁定了分红收益的下限。[6] * **因子评价**：该机制被认为可能提高市场对本期REIT的认可度，尤其是在区域经济增速不突出、车流量增长承压的背景下，为投资者提供了额外的安全垫。[6] 因子的回测效果 （本报告未提供单个因子的历史回测效果数据，如IC、IR等。报告中的因子取值均为针对“易方达广西北投高速REIT”这一特定标的的静态计算值或可比标的的截面平均值。） **因子/模型的具体测试结果取值：** 1. **易方达广西北投高速 REIT (发行价对应值)** * P/NAV: 1.05 倍[3] * P/FFO (2026E): 11.61 倍[4] * 派息率 (2026E): 8.62%[4] * 派息率 (2027E): 9.11%[4] * 折现率 (评估用): 7.74%[3] * IRR (评估用): 6.21%[3] * 现金流年复合增长率: 1.57%[3] 2. **可比REITs平均值 (过去三个月)** * 平均 P/NAV: 0.96 倍[5] * 平均 P/FFO: 11.38 倍[5] * 平均派息率 (TTM): 9.55%[5]

量化模型与构建方式 **本报告为市场数据跟踪与基金业绩回顾报告，未涉及具体的量化模型或量化因子的构建思路、过程与评价。** [3][4][5][6][9][12][13][16][19][26][27][29][31][33][34][35][36][38][39][42] 量化因子与构建方式 **本报告为市场数据跟踪与基金业绩回顾报告，未涉及具体的量化模型或量化因子的构建思路、过程与评价。** [3][4][5][6][9][12][13][16][19][26][27][29][31][33][34][35][36][38][39][42] 模型的回测效果 **本报告未涉及量化模型的回测效果指标。** [3][4][5][6][9][12][13][16][19][26][27][29][31][33][34][35][36][38][39][42] 因子的回测效果 **本报告未涉及量化因子的回测效果指标。** [3][4][5][6][9][12][13][16][19][26][27][29][31][33][34][35][36][38][39][42]