量化模型与构建方式 1. **模型名称：价值50组合[4][6]** * **模型构建思路：** 属于风格Smart beta组合，选取价值风格，以高beta弹性为投资目标，在价值风格股票池内构建选股组合[6] * **模型具体构建过程：** 报告未提供该组合的具体构建细节，仅说明其属于基于专题报告《基于投资目标的基础Smart beta组合构建与配置》构建的风格Smart beta组合之一，具体内容需参考对应详细报告[6] 2. **模型名称：价值均衡50组合[4][6]** * **模型构建思路：** 属于风格Smart beta组合，选取价值风格，以长期稳健超额收益为投资目标，在价值风格股票池内构建选股组合[6] * **模型具体构建过程：** 报告未提供该组合的具体构建细节，仅说明其属于基于专题报告《基于投资目标的基础Smart beta组合构建与配置》构建的风格Smart beta组合之一，具体内容需参考对应详细报告[6] 3. **模型名称：成长50组合[4][6]** * **模型构建思路：** 属于风格Smart beta组合，选取成长风格，以高beta弹性为投资目标，在成长风格股票池内构建选股组合[6] * **模型具体构建过程：** 报告未提供该组合的具体构建细节，仅说明其属于基于专题报告《基于投资目标的基础Smart beta组合构建与配置》构建的风格Smart beta组合之一，具体内容需参考对应详细报告[6] 4. **模型名称：成长均衡50组合[4][6]** * **模型构建思路：** 属于风格Smart beta组合，选取成长风格，以长期稳健超额收益为投资目标，在成长风格股票池内构建选股组合[6] * **模型具体构建过程：** 报告未提供该组合的具体构建细节，仅说明其属于基于专题报告《基于投资目标的基础Smart beta组合构建与配置》构建的风格Smart beta组合之一，具体内容需参考对应详细报告[6] 5. **模型名称：小盘50组合[4][6]** * **模型构建思路：** 属于风格Smart beta组合，选取小盘风格，以高beta弹性为投资目标，在小盘风格股票池内构建选股组合[6] * **模型具体构建过程：** 报告未提供该组合的具体构建细节，仅说明其属于基于专题报告《基于投资目标的基础Smart beta组合构建与配置》构建的风格Smart beta组合之一，具体内容需参考对应详细报告[6] 6. **模型名称：小盘均衡50组合[4][6]** * **模型构建思路：** 属于风格Smart beta组合，选取小盘风格，以长期稳健超额收益为投资目标，在小盘风格股票池内构建选股组合[6] * **模型具体构建过程：** 报告未提供该组合的具体构建细节，仅说明其属于基于专题报告《基于投资目标的基础Smart beta组合构建与配置》构建的风格Smart beta组合之一，具体内容需参考对应详细报告[6] 7. **模型名称：成长优选组合[4][6]** * **模型构建思路：** 属于生命周期优选组合，基于企业生命周期理论，在成长阶段的上市公司中，根据特定的投资逻辑构建优选组合[6] * **模型具体构建过程：** 报告未提供该组合的具体构建细节，仅说明其属于基于专题报告《解码企业生命周期：股票投资的新范式探索》构建的生命周期优选组合之一，具体内容需参考对应详细报告[6] 8. **模型名称：成熟稳健组合[4][6]** * **模型构建思路：** 属于生命周期优选组合，基于企业生命周期理论，在成熟阶段的上市公司中，根据特定的投资逻辑构建优选组合[6] * **模型具体构建过程：** 报告未提供该组合的具体构建细节，仅说明其属于基于专题报告《解码企业生命周期：股票投资的新范式探索》构建的生命周期优选组合之一，具体内容需参考对应详细报告[6] 9. **模型名称：初创优选组合[4][6]** * **模型构建思路：** 属于生命周期优选组合，基于企业生命周期理论，在初创阶段的上市公司中，根据特定的投资逻辑构建优选组合[6] * **模型具体构建过程：** 报告未提供该组合的具体构建细节，仅说明其属于基于专题报告《解码企业生命周期：股票投资的新范式探索》构建的生命周期优选组合之一，具体内容需参考对应详细报告[6] 10. **模型名称：困境反转组合[4][6]** * **模型构建思路：** 属于生命周期优选组合，基于企业生命周期理论，在整合（困境反转）阶段的上市公司中，根据特定的投资逻辑构建优选组合[6] * **模型具体构建过程：** 报告未提供该组合的具体构建细节，仅说明其属于基于专题报告《解码企业生命周期：股票投资的新范式探索》构建的生命周期优选组合之一，具体内容需参考对应详细报告[6] 模型的回测效果 1. **价值50组合**，周收益率0.94%，周超额收益（相对国证价值）0.55%，月收益率0.62%，月超额收益-1.66%，年收益率-0.03%，年超额收益-1.46%，最大相对回撤3.17%[9] 2. **价值均衡50组合**，周收益率-1.28%，周超额收益（相对国证价值）-1.67%，月收益率-1.26%，月超额收益-3.54%，年收益率-0.50%，年超额收益-1.93%，最大相对回撤8.37%[9] 3. **成长50组合**，周收益率2.29%，周超额收益（相对国证成长）1.52%，月收益率12.70%，月超额收益3.33%，年收益率8.67%，年超额收益-0.57%，最大相对回撤4.21%[9] 4. **成长均衡50组合**，周收益率2.66%，周超额收益（相对国证成长）1.90%，月收益率11.95%，月超额收益2.57%，年收益率14.86%，年超额收益5.62%，最大相对回撤6.04%[9] 5. **小盘50组合**，周收益率-0.58%，周超额收益（相对国证2000）-0.23%，月收益率0.38%，月超额收益-8.29%，年收益率5.95%，年超额收益-3.44%，最大相对回撤9.59%[9] 6. **小盘均衡50组合**，周收益率0.05%，周超额收益（相对国证2000）0.39%，月收益率9.13%，月超额收益0.46%，年收益率8.09%，年超额收益-1.30%，最大相对回撤8.33%[9] 7. **成长优选组合**，周收益率1.96%，周超额收益（相对偏股混基金指数）1.54%，月收益率13.40%，月超额收益4.06%，年收益率19.92%，年超额收益11.57%，最大相对回撤4.03%[9] 8. **成熟稳健组合**，周收益率0.40%，周超额收益（相对中证800）-0.33%，月收益率6.21%，月超额收益-1.28%，年收益率3.66%，年超额收益-1.37%，最大相对回撤7.37%[9] 9. **初创优选组合**，周收益率0.03%，周超额收益（相对中证全指）-0.25%，月收益率12.49%，月超额收益5.15%，年收益率9.62%，年超额收益3.67%，最大相对回撤11.22%[9] 10. **困境反转组合**，周收益率-0.79%，周超额收益（相对中证全指）-1.07%，月收益率2.29%，月超额收益-5.05%，年收益率3.78%，年超额收益-2.17%，最大相对回撤5.85%[9]

量化模型与构建方式 1. 模型名称：高管薪酬综合评分策略 * **模型构建思路**：基于高管薪酬与业绩的联动性、相对性等治理原则，构建一个多维度综合评分体系，对上市公司进行打分，旨在筛选出高管薪酬治理质量较高、未来经营表现可能更优的公司[27][29]。 * **模型具体构建过程**： 1. **指标选择与计算**：选取四个维度的核心高管薪酬指标进行行业内标准化处理[27][29]： * **方向一致性 (D)**：用于判断高管薪酬调整是否顺应业绩变化方向。计算公式为： $$D = sign(\Delta 高管薪酬\%) \times sign(\Delta 业绩\%)$$ 其中，若高管薪酬和业绩同为上升或同为下降，则记为方向一致（D=1）；否则记为方向不一致（D=-1）[29]。 * **幅度一致性 (M)**：用于衡量高管薪酬调整幅度与业绩变化幅度的匹配程度。计算公式为： $$M = 1 - |pctrank(\Delta 高管薪酬\%) - pctrank(\Delta 业绩\%)|$$ 其中，`pctrank`表示在行业内的百分位排名。数值越高（越接近1），表示调整幅度越匹配[29][57]。 * **高管薪酬相对业绩水平**：计算`高管薪酬 / 当期净利润`，反映激励强度[27][29]。 * **高管薪酬公平性**：计算`高管薪酬 / 员工人均薪酬`，反映内部利益分配结构[27][29]。 2. **评分规则**：根据实证研究发现的规律，为每个指标的取值赋予相应的分数。具体规则如下表所示[23]： | 指标类别 | 具体指标 | 评分规则（高分对应预期更优） | | :--- | :--- | :--- | | **联动性** | 方向一致性 (D) | 区分短期（1年）和中期（3年）业绩窗口。**短期**：同向调整（D=1）得高分[44][48]。**中期**：反向调整（D=-1）得高分[50]。 | | | 幅度一致性 (M) | 区分当期经营状态。**当期业绩增长时**：高一致性（M值高）得高分[57][62]。**当期业绩下滑时**：低一致性（M值低）得高分[57][62]。 | | **相对性** | 高管薪酬/净利润 | 比值处于行业内较高分位（高激励强度）得高分[68][72][76]。 | | | 高管薪酬/员工人均薪酬 | 该指标对盈利能力缺乏稳定解释力，在评分中权重较低或作为观察项[78][79]。 | 3. **综合得分**：将各指标得分加权汇总，得到每家公司的综合评分[23]。 * **模型评价**：该模型将定性的公司治理逻辑转化为可量化的评分体系，在特定样本（如盈利、非央国企、股权分散企业）中能够提供增量选股信息[2][80][84]。 2. 模型名称：高管薪酬条件筛选策略 * **模型构建思路**：不进行综合评分，而是根据高管薪酬与业绩关系的核心规律，设置一系列逻辑条件，直接筛选出符合“好信号”特征或排除“坏信号”特征的股票组合[26]。 * **模型具体构建过程**： 1. **确定筛选条件**：基于实证结论，设定多个筛选条件，例如[26]： * 筛选条件A：当期盈利，且高管薪酬与短期（1年）业绩**同向调整**（方向一致性D=1）[44][48]。 * 筛选条件B：当期业绩增长，且高管薪酬调整**幅度匹配**（幅度一致性M处于高区间）[57][62]。 * 筛选条件C：当期业绩下滑，且高管薪酬调整**幅度克制**（幅度一致性M处于低区间）[57][62]。 * 筛选条件D：高管薪酬相对业绩水平（薪酬/净利润）处于行业内**较高分位**[68][76]。 * 排除条件E：处于亏损、高研发投入或股权高度集中等情境，这些情境下高管薪酬信号解释力弱[51][52][63][80]。 2. **组合构建**：在样本池中，筛选出同时满足多个正向条件（如A+B+D）且不触及排除条件（E）的股票，等权构建投资组合[26]。 * **模型评价**：该方法规则清晰直接，侧重于捕捉高管薪酬信号中最强、最稳定的部分，逻辑透明度高，便于理解和执行[26]。 模型的回测效果 （注：报告未提供两个策略在**完全一致指标集和口径下**的详细回测结果数值。以下根据报告图表内容分别列出各自提及的业绩表现。） 1. **高管薪酬综合评分策略**[25] * **年化超额收益率**：取得正向年化超额收益[5]。 * **信息比率 (IR)**：报告未提供具体数值。 * **最大回撤**：报告未提供具体数值。 * **夏普比率**：报告未提供具体数值。 2. **高管薪酬条件筛选策略**[27] * **年化超额收益率**：取得正向年化超额收益[5]。 * **信息比率 (IR)**：报告未提供具体数值。 * **最大回撤**：报告未提供具体数值。 * **夏普比率**：报告未提供具体数值。 量化因子与构建方式 1. 因子名称：方向一致性因子 (D) * **因子构建思路**：捕捉高管薪酬变动方向与公司业绩变动方向是否一致这一信息，用于判断激励的及时性和独立性[27][29]。 * **因子具体构建过程**： 1. 计算高管薪酬的同比变化率：$$\Delta 高管薪酬\%$$ 2. 计算业绩指标的同比变化率：$$\Delta 业绩\%$$ （业绩指标常用净利润增速或ROE增速）[29]。 3. 计算方向一致性D： $$D = sign(\Delta 高管薪酬\%) \times sign(\Delta 业绩\%)$$ 其中，`sign()`为符号函数，取变化率的正负号。当两者同号时，D=1，表示“同向调整”；异号时，D=-1，表示“反向调整”[29]。 4. **因子变体**： * **短期方向一致性**：使用**过去一年**的业绩变化率计算[44][48]。 * **中期方向一致性**：使用**过去三年**的业绩变化率计算[50]。 * **不同薪酬主体**：可分别计算董事长、总经理、金额最高前三名高管薪酬对应的因子[28][49]。 * **因子评价**：该因子的含义具有情境依赖性。短期（1年）同向调整通常预示下一年利润延续，是考核兑现的信号；中期（3年）反向调整则可能预示后续ROE相对优势，反映了激励安排的独立性[43][50][54]。在盈利、股权分散的非央国企中信号更清晰[51][52]。 2. 因子名称：幅度一致性因子 (M) * **因子构建思路**：衡量高管薪酬调整幅度与业绩变化幅度的匹配程度，反映激励反馈的充分性或克制性[27][29]。 * **因子具体构建过程**： 1. 在行业内，分别计算所有公司的高管薪酬变化率百分位排名：$$pctrank(\Delta 高管薪酬\%)$$ 2. 在行业内，分别计算所有公司的业绩变化率百分位排名：$$pctrank(\Delta 业绩\%)$$ 3. 计算幅度一致性M： $$M = 1 - |pctrank(\Delta 高管薪酬\%) - pctrank(\Delta 业绩\%)|$$ M值范围在[0,1]之间，值越大表示两者幅度越匹配[29][57]。 4. **因子分组应用**：通常将M值分为三组：低一致组（M<0.5）、中一致组（0.5≤M<0.9）、高一致组（M≥0.9）[57]。 * **因子评价**：该因子的预测方向取决于公司当期经营状态。业绩扩张时，低一致性（激励不足）可能拖累后续增长；业绩承压时，低一致性（薪酬克制）可能为后续修复保留空间。高一致性通常对应未来业绩的相对稳健[57][62][67]。 3. 因子名称：高管薪酬相对业绩水平因子 * **因子构建思路**：以高管薪酬占净利润的比例来衡量企业对管理层的激励强度，关注长期投入可能带来的中期业绩回报[27][68]。 * **因子具体构建过程**： 1. 计算因子值： $$因子值 = \frac{高管薪酬}{当期净利润}$$ 其中高管薪酬可采用总经理、董事长或前三名高管薪酬之和等口径[29][68]。 2. **因子处理**：在行业内对该比值进行排序或分位处理（如五分位），以消除行业差异[68]。 * **因子评价**：该因子更适合观察中期（未来两年）业绩表现，高分位组（高激励强度）通常更常对应后续净利润和ROE增长占优。但对利润基数和盈利周期敏感，在个股层面解读需谨慎[68][72][77]。 4. 因子名称：高管薪酬公平性因子 * **因子构建思路**：通过高管与普通员工的薪酬差距，观察企业内部利益分配结构，作为治理结构的辅助观察指标[27][78]。 * **因子具体构建过程**： 1. 计算因子值： $$因子值 = \frac{高管薪酬}{员工人均薪酬}$$ 通常使用高管薪酬与公司“支付给职工以及为职工支付的现金”推算的人均薪酬之比[29]。 * **因子评价**：该因子对企业未来1-2年的盈利能力（净利润、ROE增长率）缺乏稳定的解释力。其意义更多在于评估治理透明度与分配结构，而非直接预测盈利[78][79]。 因子的回测效果 （注：报告未提供上述因子在统一的多空组合或分层测试下的传统量化因子回测指标（如IC、IR、多空收益等）。报告主要通过分组统计展示因子与未来业绩的关系，以下为关键发现摘要。） 1. **方向一致性因子 (D)**[49][50] * **短期（1年）窗口，盈利企业**：同向调整组 vs 反向调整组，未来一年净利润增长率占优比例达**93.75%**（总经理薪酬口径）[49]。 * **中期（3年）窗口，盈利企业**：同向调整组 vs 反向调整组，未来两年ROE增长率占优比例仅**20%**（总经理薪酬口径），意味着反向调整组占优[50]。 2. **幅度一致性因子 (M)**[62] * **当期净利润增长>0时**：低一致组（M<0.5）成为未来一年净利润增长率最弱组的年份占比为**56.25%**；成为未来两年ROE增长率最弱组的年份占比为**80%**[62]。 * **当期净利润增长<0时**：低一致组成为未来一年净利润增长率最优组的年份占比为**81.25%**；成为未来两年ROE增长率最优组的年份占比为**80%**[62]。 3. **高管薪酬相对业绩水平因子**[76] * **高激励强度组（Q5）**：在未来两年净利润增长率上表现优于其他组的年份占比，总经理口径为**68.75%**，前三名高管口径为**81.25%**[76]。 * **高激励强度组（Q5）**：在未来两年ROE增长率上表现优于其他组的年份占比，总经理口径为**75.0%**，前三名高管口径为**81.25%**[76]。 4. **高管薪酬公平性因子** * **与未来业绩关系**：报告指出，该因子与未来1-2年净利润或ROE增长率未呈现稳定、清晰的规律，缺乏系统性的解释能力[78]。

量化模型与构建方式 1. **模型名称**：红利风格择时模型[1][3][5] * **模型构建思路**：构建一个多因子综合打分模型，用于判断对红利风格资产是否应该看多[3][5]。 * **模型具体构建过程**：模型通过综合多个宏观经济、市场情绪及估值类因子的信号，形成一个综合因子值，并根据该值的正负发出择时观点[3][5][6]。 * 首先，选取多个与红利风格表现相关的因子，包括：中国非制造业PMI（服务业）、中国M2同比、美国10年期国债收益率、红利相对净值自身、中证红利股息率与10年期中债收益率之差、融资净买入、行业平均景气度等[10]。 * 其次，对每个因子进行处理，得到标准化的因子值[10]。 * 最后，将各因子值按照模型设定的规则进行综合，得到最终的“综合因子值”[1][3][5]。综合因子值为正时，发出看多红利风格的信号；为负时，则不发出看多信号[1][5]。 量化因子与构建方式 1. **因子名称**：中国非制造业PMI（服务业）因子[10] * **因子构建思路**：使用中国非制造业PMI中的服务业指数作为反映宏观经济景气的指标之一，用于判断对红利风格的影响[10]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算过程，仅给出了标准化后的因子值[10]。 2. **因子名称**：中国M2同比因子[10] * **因子构建思路**：使用中国M2货币供应量的同比增速作为反映宏观流动性的指标，用于判断对红利风格的影响[10]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算过程，仅给出了标准化后的因子值[10]。 3. **因子名称**：美国国债收益率（10年）因子[3][6][10] * **因子构建思路**：使用美国10年期国债收益率作为反映全球无风险利率和资金成本的指标，用于判断对红利风格的影响[3][6][10]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算过程，仅给出了标准化后的因子值[10]。 4. **因子名称**：红利相对净值自身因子[3][6][10] * **因子构建思路**：使用红利风格自身的相对表现（可能指其相对于市场基准的净值走势）作为动量或趋势类指标，用于判断其未来走势[3][6][10]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算过程，仅给出了标准化后的因子值[10]。 5. **因子名称**：中证红利股息率-10年期中债收益率因子[10] * **因子构建思路**：计算中证红利指数的股息率与10年期中国国债收益率之间的利差，作为衡量红利资产相对债券吸引力的估值指标[10]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算过程，仅给出了标准化后的因子值[10]。 6. **因子名称**：融资净买入因子[10] * **因子构建思路**：使用市场的融资净买入数据作为反映市场情绪和风险偏好的指标[10]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算过程，仅给出了标准化后的因子值[10]。 7. **因子名称**：行业平均景气度因子[3][6][10] * **因子构建思路**：使用行业平均景气度数据作为反映整体经济或企业盈利状况的指标[3][6][10]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算过程，仅给出了标准化后的因子值[10]。 模型的回测效果 1. **红利风格择时模型**，截至2026年4月24日当周的综合因子值为-0.44[1][3][5]，未发出看多信号[1][5]。 因子的回测效果 1. **中国非制造业PMI（服务业）因子**，2026年4月24日因子值为0.95[10]，最新观点为“0”（报告中未明确“0”和“1”的具体含义，但结合上下文，“1”可能代表看多红利，“0”代表不看多）[10]。 2. **中国M2同比因子**，2026年4月24日因子值为0.46[10]，最新观点为“0”[10]。 3. **美国国债收益率（10年）因子**，2026年4月24日因子值为0.55[10]，最新观点为“1”[10]。 4. **红利相对净值自身因子**，2026年4月24日因子值为-2.40[10]，最新观点为“0”[10]。 5. **中证红利股息率-10年期中债收益率因子**，2026年4月24日因子值为-0.14[10]，最新观点为“0”[10]。 6. **融资净买入因子**，2026年4月24日因子值为1.72[10]，最新观点为“0”[10]。 7. **行业平均景气度因子**，2026年4月24日因子值为0.88[10]，最新观点为“0”[10]。

量化模型与构建方式 1. **模型/因子名称**：风险溢价模型[27] * **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，用以衡量其相对投资价值和偏离情况[27]。 * **具体构建过程**：风险溢价的计算方式为指数的预期收益率（通常用市盈率TTM的倒数，即盈利收益率来近似）减去十年期国债即期收益率。报告中的“当前风险溢价”即为此差值[31]。 公式为：$$风险溢价 = 盈利收益率 - 无风险利率$$ 其中，盈利收益率通常用指数PE-TTM的倒数表示，无风险利率为十年期国债即期收益率。 * **模型评价**：各跟踪指数的风险溢价有明显的均值复归现象，其中中证1000和中证2000的风险溢价波动率相对较大[28]。 2. **模型/因子名称**：股债性价比模型[40] * **构建思路**：以各指数PE-TTM的倒数（盈利收益率）和十年期国债即期收益率之差作为股债性价比指标，用于比较股票资产与债券资产的相对吸引力[40]。 * **具体构建过程**：计算指数的盈利收益率（1 / PE-TTM），然后减去十年期国债即期收益率，得到股债性价比[40]。 公式为：$$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 该指标与风险溢价模型在思路上一致。 3. **因子名称**：破净率因子[49] * **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，用以反映市场的整体估值态度和悲观情绪[49]。 * **具体构建过程**：对于每个宽基指数，统计其所有成分股中，满足“市净率 < 1”条件的个股数量，再除以该指数的总成分股数量，得到破净率[49]。 公式为：$$破净率 = \frac{破净个股数}{指数总成分股数} \times 100\%$$ * **因子评价**：破净率越高，表明市场低估的情况越普遍；破净率越低，可能表明市场对未来发展持乐观态度[49]。 4. **因子名称**：换手率因子[18] * **构建思路**：衡量指数整体的交易活跃程度，通过成分股的加权平均换手率来计算[18]。 * **具体构建过程**：计算指数换手率时，采用成分股的流通股本作为权重，对成分股的换手率进行加权平均[18]。 公式为：$$指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$$ 5. **因子名称**：收益分布形态因子（偏度与峰度）[24] * **构建思路**：通过计算指数日收益率序列的偏度和峰度，分析其收益分布的特征，如极端收益出现的可能性和分布集中度[22][24]。 * **具体构建过程**： * **偏度**：衡量收益率分布的不对称性。正偏态显示极端正收益情形增加的程度，负偏态则相反[22]。 * **峰度**：衡量收益率分布的尖峭或扁平程度。报告中的峰度计算减去了3（正态分布的峰度值），因此“峰度负偏离”表示分布比正态分布更平坦[24]。峰度越大（负偏离越小），说明各区间段的收益率分布更集中[22]。 模型的回测效果 *注：本报告为市场状态跟踪报告，未提供基于历史数据的策略回测结果，如年化收益率、夏普比率、最大回撤等传统回测指标。以下为报告截至2026年4月24日所展示的各模型/因子在主要宽基指数上的截面取值。* 1. **风险溢价模型**，当前风险溢价：上证50为0.58%[31]，沪深300为-0.36%[31]，中证500为-0.58%[31]，中证1000为-0.71%[31]，中证2000为-0.77%[31]，中证全指为-0.51%[31]，创业板指为-1.42%[31] 2. **风险溢价模型**，近5年分位值：上证50为77.46%[31]，沪深300为36.11%[31]，中证500为27.06%[31]，中证1000为26.83%[31]，中证2000为25.08%[31]，中证全指为28.33%[31]，创业板指为15.79%[31] 3. **股债性价比模型**，当前状态：没有指数高于其近5年80%分位（机会值），中证500和中证全指低于其近5年20%分位（危险值）[43] 4. **破净率因子**，当前值：上证50为26.0%[51]，沪深300为18.0%[51]，中证500为10.6%[51]，中证1000为8.1%[51]，中证2000为3.7%[51]，中证全指为6.36%[51] 5. **换手率因子**，当前值：中证2000为4.05[18]，创业板指为3.7[18]，中证1000为2.94[18]，中证500为1.98[18]，中证全指为1.82[18]，沪深300为0.59[18]，上证50为0.25[18] 6. **收益分布形态因子（峰度）**，当前vs近5年差值：上证50为-2.80[24]，沪深300为-3.29[24]，中证500为-4.33[24]，中证1000为-4.80[24]，中证2000为-4.80[24]，中证全指为-3.85[24]，创业板指为-5.33[24] 7. **收益分布形态因子（偏度）**，当前vs近5年差值：上证50为-0.95[24]，沪深300为-1.02[24]，中证500为-1.32[24]，中证1000为-1.46[24]，中证2000为-1.41[24]，中证全指为-1.15[24]，创业板指为-1.60[24]

量化模型与构建方式 **注意**：根据提供的研报内容，该报告主要介绍了Claude Desktop工具的使用方法及其在投研场景下的应用案例，并未涉及任何量化投资模型或量化因子的构建、测试与分析。报告内容聚焦于AI工具（Claude Cowork）的功能演示，而非金融量化模型或因子研究[1][7]。 量化因子与构建方式 **注意**：根据提供的研报内容，该报告未涉及任何量化因子的构建、测试与分析。报告的核心是展示如何配置和使用Claude Desktop的Cowork功能来处理投研文档，并未讨论股票、债券或其他金融产品的量化因子[1][7]。 总结 本研报是一篇关于AI工具（Claude Desktop）使用技巧的点评报告，其核心内容是指导用户如何配置第三方大模型API（以智谱GLM系列为例）来使用Claude Cowork功能，并通过一个“卖方研报批量阅读与观点对比”的案例展示了该工具在信息提取和整理方面的能力[19][37][38]。报告全文未包含任何量化投资模型或量化因子的构建思路、具体过程、评价或回测结果。

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：** 通过观察主要宽基指数的量能指标来判断市场短期走势，给出看多或谨慎（空）的观点[12][24]。 * **模型具体构建过程：** 报告未详细说明该模型的构建过程和具体公式，仅提及其为一种量能择时信号[24]。 2. **模型名称：沪深300上涨家数占比择时模型（动量情绪指标）**[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家数占比，来衡量市场情绪，并利用该指标的快慢线交叉来产生择时信号[25][27]。 * **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]。报告中N取值为230[27]。 2. 对基础指标进行平滑处理：计算该指标的两种移动平均线，窗口期分别为N1和N2，其中N1 > N2，分别称为慢线和快线[27][29]。报告中N1=50，N2=35[27]。 3. 生成交易信号：当快线大于慢线时，看多沪深300指数；当快线小于慢线时，对市场持中性或谨慎态度[27][29]。 * **模型评价：** 该指标可以较快地捕捉上涨机会，但由于选择在市场过热阶段提前止盈离场，也会错失市场持续亢奋阶段的上涨收益。同时，该指标在判断下跌市场时存在缺陷，难以有效规避下跌风险[25]。 3. **模型名称：均线情绪指标择时模型**[34][38] * **模型构建思路：** 通过判断沪深300指数收盘价相对于一组长期均线（八均线体系）的位置，来评估市场趋势状态并生成择时信号[34]。 * **模型具体构建过程：** 1. 计算八均线数值：计算沪深300指数收盘价的8条均线，参数分别为8, 13, 21, 34, 55, 89, 144, 233[34]。 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[38]。 3. 生成交易信号：当收盘价大于均线数值的数量超过5条时，看多沪深300指数[38]。 模型的回测效果 （报告中未提供各择时模型具体的回测绩效指标，如年化收益率、夏普比率、最大回撤等数值，仅展示了策略净值走势图[30][31][35][36]） 量化因子与构建方式 1. **因子名称：横截面波动率**[39] * **因子构建思路：** 衡量同一时间点（截面）上，某个指数（如沪深300、中证500等）内所有成分股收益率之间的离散程度，用于评估市场的Alpha获取环境[39]。 * **因子具体构建过程：** 报告未给出具体的计算公式，但通常指在特定时间点（如每日），计算指数内所有成分股收益率的截面标准差[39]。 * **因子评价：** 横截面波动率上涨，通常意味着个股表现分化加大，短期Alpha环境好转；反之则环境恶化[2][39]。 2. **因子名称：时间序列波动率**[40] * **因子构建思路：** 衡量指数成分股收益率在时间序列上的波动程度，同样用于评估Alpha环境[40]。 * **因子具体构建过程：** 报告未给出具体的计算公式，但通常指计算指数成分股收益率在时间维度上的波动率（如过去20日的年化波动率）[40]。 * **因子评价：** 时间序列波动率的变化反映了市场整体波动性的变化，影响量化策略的表现[2][40]。 3. **因子名称：抱团基金分离度**[85] * **因子构建思路：** 通过计算抱团基金组合截面收益的标准差，作为基金抱团程度的代理变量。分离度小表示基金表现趋同，抱团程度高；分离度大表示抱团正在瓦解[85]。 * **因子具体构建过程：** 1. 构造抱团基金组合（报告未详述具体构造方法）[85]。 2. 计算该组合内各基金在截面上的收益率标准差，即为分离度指标[85]。 * **因子评价：** 该指标用于实时监控基金抱团程度，分离度变化反映了市场风格和资金集中度的变化[85]。 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数值，仅提供了因子时间序列的统计描述，如近两年平均值、近一季度平均值及其历史分位数等[40][42][43][72]）

量化模型与构建方式 1. **市场择时模型** * **模型名称**：均线距离择时模型[2][6] * **模型构建思路**：通过计算市场宽基指数（Wind全A）的短期均线与长期均线的相对位置（距离差），来划分市场的整体环境（如上涨、下跌、震荡），并据此进行仓位管理[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。公式为： $$距离差 = \frac{(短期均线 - 长期均线)}{长期均线} \times 100\%$$ 其中，短期均线为20日均线，长期均线为120日均线[2][6]。 4. 市场状态判断：根据距离差的绝对值大小来判断市场格局。报告指出，当距离差绝对值低于3%时，市场处于典型的震荡格局[2][6]。 2. **仓位管理模型** * **模型名称**：仓位管理模型[7] * **模型构建思路**：综合市场估值水平（如PE、PB分位数）和短期趋势（如上述择时模型判断的市场格局）来判断市场风险，从而为绝对收益产品提供具体的仓位建议[7]。 * **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步骤，仅提及了其输入变量和输出结果。模型会结合估值指标（Wind全A的PE、PB历史分位数）和短期趋势判断（如市场处于震荡格局），最终输出一个建议的股票仓位比例[7]。 3. **行业配置模型** * **模型名称**：中期行业配置模型[2][5][7] * **模型构建思路**：该模型用于生成中期的行业配置建议，其下包含更具体的子模型来识别具有投资机会的板块[2][5][7]。 * **模型具体构建过程**：报告未详细描述该复合模型的具体构建过程。 4. **业绩趋势模型 (行业配置子模型)** * **模型名称**：业绩趋势模型[2][5][7][13] * **模型构建思路**：作为中期行业配置模型的一部分，用于识别和提示业绩趋势向好的产业链或板块[2][5][7][13]。 * **模型具体构建过程**：报告未详细描述该子模型的具体构建过程和因子定义。 量化因子与构建方式 1. **估值因子 (用于仓位管理模型输入)** * **因子名称**：PE历史分位数、PB历史分位数[7] * **因子构建思路**：计算当前市场整体估值（PE、PB）在其自身历史数据中所处的位置，以衡量当前估值水平的高低[7][9][11]。 * **因子具体构建过程**： 1. 选择标的指数：Wind全A指数[7]。 2. 计算当前估值：获取指数最新的市盈率（PE）和市净率（PB）[7]。 3. 计算历史分位数：将当前估值指标值放入其历史时间序列（例如报告提及数据自2014年10月17日至2026年4月24日[9][11]）中，计算其所处的百分位点（分位数）[7][9][11]。分位数越高，表示当前估值相对自身历史水平越高[9][11]。 模型的回测效果 1. **均线距离择时模型**， 最新信号显示：Wind全A指数20日均线为6602点，120日均线为6539点，两线距离差为0.97%，市场状态判断为震荡格局[2][6]。 2. **仓位管理模型**， 最新建议：以Wind全A为配置主体的绝对收益产品建议仓位为50%[5][7]。 3. **业绩趋势模型**， 最新行业配置提示：重点关注电池/算力/有色相关的产业链（如储能电池ETF，通信ETF，工业有色ETF）和周期中的标普油气[2][5][7][13]。同时可适量配置处于底部的银行与地产板块以平衡组合[2][5][7][13]。 因子的回测效果 1. **PE历史分位数因子**， 最新取值：Wind全A指数PE位于约90分位点，属于偏高水平[7]。 2. **PB历史分位数因子**， 最新取值：Wind全A指数PB位于60分位点，属于中等水平[7]。

量化模型与构建方式 1. **模型名称：A股景气度高频指数** [34] * **模型构建思路**：以上证指数归母净利润同比为Nowcasting目标，构建一个能够高频追踪A股景气度变化的指数[34]。 * **模型具体构建过程**：报告未提供该指数的具体构建公式和计算步骤，仅提及构建详情可参考报告《视角透析：A股景气度高频指数构建与观察》[34]。 2. **模型名称：A股情绪指数系统** [40][41][44][46] * **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[40]。 * **模型具体构建过程**：首先，将市场状态按照波动率和成交额的变化方向划分为四个象限。研究发现，只有“波动率上行、成交额下行”的区间呈现显著负收益，其余三个象限均为显著正收益[40]。基于此规律，构建了A股情绪见底预警指数（基于价格/波动率信号）和见顶预警指数（基于成交量信号）[40][44][46]。具体信号判断逻辑为：当波动率处于上行区间时，见底信号看空；当成交额处于上行区间时，见顶信号看多[43]。 * **模型评价**：该模型为市场择时提供了基于量价情绪的信号[40]。 3. **模型名称：主题挖掘算法** [51] * **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[51]。 * **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、主题活跃周期构建以及主题影响力因子构建[51]。根据算法结果，可以推荐近期概念热度异动较高的主题，例如本次报告推荐的半导体概念[51]。 4. **模型名称：中证500增强组合模型** [51][54] * **模型构建思路**：构建一个旨在持续跑赢中证500指数的投资组合[51]。 * **模型具体构建过程**：报告未提供该组合模型的具体选股和权重配置公式，仅展示了根据该策略模型生成的当前持仓明细[54]。 5. **模型名称：沪深300增强组合模型** [59][62] * **模型构建思路**：构建一个旨在持续跑赢沪深300指数的投资组合[59]。 * **模型具体构建过程**：报告未提供该组合模型的具体选股和权重配置公式，仅展示了根据该策略模型生成的当前持仓明细[62]。 6. **模型/因子框架：BARRA风格因子模型** [63] * **构建思路**：参照BARRA因子模型框架，对A股市场构建一套风格因子体系，用于解释股票收益和进行组合绩效归因[63]。 * **具体构建过程**：报告列出了所构建的十大类风格因子名称，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）和杠杆（LVRG）[63]。未提供每个因子的具体计算公式。 模型的回测效果 1. **中证500增强组合模型**，本周收益-0.05%，跑输基准0.46%[51]。2020年至今，累计超额收益52.78%，最大回撤-10.90%[51]。 2. **沪深300增强组合模型**，本周收益率0.57%，跑输基准0.29%[59]。2020年至今，累计超额收益47.42%，最大回撤-5.86%[59]。 3. **A股情绪指数系统择时模型**，报告通过图表展示了其历史择时表现，但未给出具体的量化指标数值[49]。 量化因子与构建方式 1. **因子名称：行业因子** [64] * **因子构建思路**：用于捕捉不同行业相对于市场的超额收益[64]。 * **因子具体构建过程**：报告未提供行业因子的具体构建方法，但在风格分析中将其与风格因子并列，用于收益归因[64]。 2. **风格因子集合** [63] * **包含因子**：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）[63]。 * **因子构建思路**：全面刻画影响A股股票收益的各种风格风险来源[63]。 * **因子具体构建过程**：报告未提供每个风格因子的具体计算公式。 因子的回测效果 1. **风格因子近期表现**：本周，动量因子超额收益较高，Beta因子、残差波动率因子呈现较为显著的负向超额收益[64]。从近期表现看，高Beta、高动量股票表现优异，而残差波动率因子、价值因子（可能对应估值BTOP）表现不佳[2][64]。 2. **行业因子近期表现**：本周，煤炭、电子、化工等行业因子相对市场市值加权组合跑出较高超额收益；证券、保险、农林牧渔等行业因子回撤较多[2][64]。 3. **风格因子相关性**：近期，流动性因子分别与Beta、动量、残差波动率因子呈现明显正相关性；价值因子（可能对应估值BTOP）分别与Beta、残差波动率、流动性等因子呈现明显负相关性[64]。

量化模型与构建方式 1. **模型名称：全天候择时模型**[2][7] * **模型构建思路**：该模型旨在对市场宽基指数进行择时，通过监测多种信号，在特定条件下发出交易型风险提示，以规避市场短期风险或捕捉交易机会。 * **模型具体构建过程**：报告未详细说明该模型的具体构建过程、信号来源或合成方法。 2. **模型名称：周期分析模型**[2][7] * **模型构建思路**：该模型用于分析市场（如上证综指）的长期运行趋势，通过识别市场所处的周期阶段（如上行末端、下行阶段）来辅助判断市场的中长期方向。 * **模型具体构建过程**：报告未详细说明该模型的具体构建过程、周期划分标准或核心指标。 3. **模型名称：行业四轮驱动模型**[2][7] * **模型构建思路**：该模型用于进行行业轮动配置，通过综合多个维度的信号，筛选出具有潜在投资机会的行业。 * **模型具体构建过程**：报告未详细说明该模型四个驱动维度的具体构成、信号生成规则以及最终的行业排序合成方法。但从图表中可知，模型会输出行业排序，并标注触发信号的类型（如赚钱效应异动、弱势行业反转、牛回头）及信号日期[13]。 4. **因子名称：行业拥挤度**[2][3][7] * **因子构建思路**：该因子用于衡量某个行业或板块的交易过热程度，当拥挤度过高时，可能预示着短期调整风险。 * **因子具体构建过程**：报告未提供行业拥挤度因子的具体计算公式和构建步骤。仅提及该指标用于监测TMT板块中的通信行业，并显示其已出现一定拥挤迹象[2][7]。 5. **因子名称：行业分化度**[2][7] * **因子构建思路**：该因子用于衡量不同行业间走势的差异性或离散程度。分化度较高可能意味着市场存在结构性机会，而分化度过低可能意味着市场普涨普跌，缺乏明确主线。 * **因子具体构建过程**：报告未提供行业分化度因子的具体计算公式和构建步骤。仅提及通过观察过去一个季度的行业分化度指标来判断市场结构[2][7]。 6. **因子名称：成交金额占比**[2][7] * **因子构建思路**：该因子通过计算某个板块（如周期板块）的成交金额占市场总成交额的比例，来观察资金的流向和板块的热度变化。占比从低位回升可能意味着资金关注度重新提升。 * **因子具体构建过程**：报告未提供成交金额占比因子的具体计算公式。仅提及周期板块的该指标已回落至相对低位并出现企稳回升迹象[2][7]。 模型的回测效果 （报告未提供各模型的具体回测绩效指标，如年化收益率、夏普比率、最大回撤、信息比率IR等。） 因子的回测效果 （报告未提供各因子的具体测试结果取值，如因子收益率、IC值、IR等。仅对拥挤度和分化度指标给出了定性观察结论。）

量化模型与构建方式 1. **模型名称**：港股通互联网与科技指数轮动策略（趋势跟随策略） * **模型构建思路**：基于动量效应，在两只主题指数（中证港股通互联网指数与恒生港股通科技指数）之间进行轮动配置，以捕捉不同市场风格下的强势指数[7][80]。 * **模型具体构建过程**： 1. **投资标的**：中证港股通互联网指数（931637.CSI）和恒生港股通科技指数（HSSCITI.HI）[80]。 2. **动量信号**：计算两个指数过去20个交易日的涨跌幅，作为动量信号[7][80]。 3. **调仓规则**： * 初始调仓：回测第1天立即根据初始信号选定持仓[82]。 * 定期调仓：之后每隔5个交易日（每周）检查一次动量信号[7][80]。 * 调仓条件：若检查日计算出的动量信号（即过去20天涨跌幅更高的指数）与当前持仓指数不同，则切换至另一指数；若相同，则不换仓[82]。 4. **回测区间**：2024-01-03 至 2026-04-22（共538个交易日）[82]。 * **模型评价**：在趋势明确的年份（如2024、2025年）能有效捕捉更强的那一只指数，但在持续震荡下行的环境中优势有限[7][86]。 模型的回测效果 1. **港股通互联网与科技指数轮动策略**，总收益率72.56%[85]，年化收益率28.20%[85]，年化波动率35.94%[85]，夏普比率0.743[85]，最大回撤-32.46%[85]，卡玛比率0.869[85]，索提诺比率1.171[85]，日胜率50.00%[85]。 2. **中证港股通互联网指数（931637.CSI）**，总收益率35.26%[85]，年化收益率14.75%[85]，年化波动率35.43%[85]，夏普比率0.374[85]，最大回撤-33.77%[85]。 3. **恒生港股通科技指数（HSSCITI.HI）**，总收益率57.45%[85]，年化收益率22.96%[85]，年化波动率35.86%[85]，夏普比率0.598[85]，最大回撤-33.00%[85]。 量化因子与构建方式 1. **因子名称**：20日动量因子 * **因子构建思路**：用于衡量指数在过去一段时间内的价格趋势，作为判断市场风格偏向“软”（互联网）还是“硬”（科技）的依据[80]。 * **因子具体构建过程**：对于任一指数（记为Index），在调仓日（t日），计算其过去20个交易日的累计收益率作为动量因子值。 $$Momentum_{Index, t} = \frac{P_{Index, t}}{P_{Index, t-20}} - 1$$ 其中，\(P_{Index, t}\) 为指数在t日的收盘价（或点位），\(P_{Index, t-20}\) 为指数在t-20日的收盘价[7][80]。比较两个指数的动量因子值，数值更高者即为当期信号指向的配置标的。 因子的回测效果 *(报告未提供该动量因子作为独立因子的测试结果，仅作为轮动策略的组成部分)*