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]。

证券研究报告 | 2026年04月21日 海外资管机构月报 3 月美国股债整体下行，被动基金整体净流入超 700 亿美元 美国公募基金市场月度收益 2026 年 3 月，债券型基金业绩中位数强于美国股票型基金、国际股票型基 金和资产配置型基金。具体来看，2026 年 3 月美国股票型基金、国际股票 型基金、债券型基金、资产配置型基金收益中位数分别为-5.21%、-6.71%、 -1.73%、-4.53%。 美国非货币公募基金资金流向 按管理方式：2026 年 3 月，主动管理型基金整体净流出 179 亿美元，被动 基金整体净流入 701 亿美元。 按资产类型：2026 年 3 月，美国市场开放式基金中，债券型基金资金净流 出较多，为 99 亿美元，股票型基金资金净流出较多，为 403 亿美元。 2026 年 3 月，美国市场 ETF 中，股票型、债券型 ETF 资金净流入较多，分 别达 611 亿、444 亿美元。值得注意的是，在股票型基金中，开放式基金与 ETF 资金流向相反，表现为资金流出开放式基金并流入 ETF。 头部资管机构资金净流入 美国开放式基金规模 Top10 资管机构大部分均有资金净流出，其中 ...

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** * **因子构建思路：** 通过计算当日最高价涨停且收盘涨停的股票数量与最高价涨停的股票总数之比，来衡量涨停板的封板强度和市场追涨情绪[17]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票[17]。 2. 识别在当日交易中，最高价达到涨停价的股票集合。 3. 在上述集合中，进一步识别收盘价也达到涨停价的股票。 4. 计算封板率，公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[17] * **因子评价：** 该因子是反映市场短期情绪和资金博弈热度的高频指标，封板率越高，通常意味着涨停板的可靠性越强，市场做多情绪越集中[17]。 2. **因子名称：连板率** * **因子构建思路：** 通过计算连续两日收盘涨停的股票数量与昨日收盘涨停的股票总数之比，来衡量市场涨停效应的持续性和题材炒作的强度[17]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票[17]。 2. 识别在昨日收盘时涨停的股票集合。 3. 在上述集合中，进一步识别在今日收盘时也涨停的股票。 4. 计算连板率，公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[17] * **因子评价：** 该因子是观察市场赚钱效应延续性和题材炒作周期的重要指标，连板率高表明市场接力情绪旺盛，短线投机氛围浓厚[17]。 3. **因子名称：大宗交易折价率** * **因子构建思路：** 通过计算大宗交易成交总额与按当日市价计算的成交份额总市值之间的差异，来反映大资金交易的折溢价情况，可作为观察机构或大股东交易意愿和市场流动性的指标[26]。 * **因子具体构建过程：** 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)）[26]。 3. 计算当日成交份额按收盘价（或成交均价）计算的总市值（∑(当日市价 × 成交数量)）[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] * **因子评价：** 该因子通常为负值，折价率（负值）的绝对值越大，表明大资金卖出意愿越强或流动性需求越高，可能隐含了对个股的悲观预期[26]。 4. **因子名称：股指期货年化贴水率** * **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基差，并进行年化处理，来衡量市场对未来走势的预期、对冲成本以及市场情绪（如悲观预期导致深度贴水）[28]。 * **因子具体构建过程：** 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，当期货价格低于现货价格时，计算结果为负，表示贴水[28]。 * **因子评价：** 该因子是金融工程中用于量化市场情绪和期现套利成本的核心指标。深度贴水往往反映市场避险情绪浓厚或卖压较大，升水则可能反映乐观预期或存在分红等因素影响[28]。 因子的回测效果 *本报告为市场监测日报，主要展示因子的构建方法和当日/近期市场数据，未提供基于历史数据的长期回测绩效指标（如IC、IR、多空收益、夏普比率等）。报告中仅提供了相关因子的近期具体数值或状态，如下所示：* 1. **封板率因子**，2026年04月21日取值：**76%**[17] 2. **连板率因子**，2026年04月21日取值：**17%**[17] 3. **大宗交易折价率因子** * 近半年以来平均值：**-7.18%** (报告中表述为平均折价率7.18%)[26] * 2026年04月20日取值：**-8.20%** (报告中表述为当日折价率8.20%)[26] 4. **股指期货年化贴水率因子** (2026年04月21日数据) * **上证50股指期货**：年化贴水率 **-3.30%**，近一年历史分位点 **41%**[28] * **沪深300股指期货**：年化贴水率 **-7.89%**，近一年历史分位点 **30%**[28] * **中证500股指期货**：年化贴水率 **-11.03%**，近一年历史分位点 **46%**[28] * **中证1000股指期货**：年化贴水率 **-13.56%**，近一年历史分位点 **47%**[28] * （注：近一年各合约年化贴水率中位数分别为：上证50 **-1.39%**，沪深300 **-4.85%**，中证500 **-10.82%**，中证1000 **-13.18%**）[28]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：转债综合估值因子模型**[5][17] * **模型构建思路**：基于可转债的期权属性，认为高估值转债长期会带来负收益，因此从估值视角构建因子以识别低估转债，进行系统性增强[17]。 * **模型具体构建过程**：首先构建两个基础估值因子——转股溢价率偏离度因子和理论价值偏离度因子（蒙特卡洛模型），然后将两个因子的排名相加，融合构建成转债综合估值因子[5][17]。 1. **转股溢价率偏离度因子构建**：计算每只转债的转股溢价率与其拟合值的差值。拟合值通过截面数据拟合转股溢价率与转股价值的关系曲线得到[18]。 * 公式：转股溢价率偏离度 = 转股溢价率 − 拟合转股溢价率[18] 2. **理论价值偏离度因子（蒙特卡洛模型）构建**：使用蒙特卡洛模拟（每条路径模拟10000次）计算转债的理论价值，该模型充分考虑了转股、赎回、下修、回售条款，并以同信用、同期限利率作为贴现率。然后计算市场价格相对于理论价值的偏离度[18]。 * 公式：理论价值偏离度 = 转债收盘价 / 理论价值（蒙特卡洛模型） - 1[18] 3. **因子融合**：将上述两个因子的值分别进行全截面排名（Rank），然后将排名值相加，得到最终的**转债综合估值因子**[17][18]。 * 公式：转债综合估值因子 = Rank（转股溢价率偏离度） + Rank（理论价值偏离度（蒙特卡洛模拟））[18] 2. **模型名称：转债风格轮动模型**[6][23] * **模型构建思路**：通过捕捉转债市场的情绪指标，在偏股、平衡、偏债三类转债的低估指数之间进行动态轮动配置，以获取超额收益[6][23]。 * **模型具体构建过程**： 1. **构建风格指数**：首先根据平底溢价率将转债划分为偏股型（>15%）、偏债型（<-15%）和平衡型（其余），并构建对应的等权指数[16][18]。然后，使用估值因子（偏股风格用理论价值偏离度因子，平衡和偏债风格用转债综合估值因子）筛选各风格中排名前1/3的转债，构建对应的**偏股转债低估指数**、**平衡转债低估指数**和**偏债转债低估指数**[5][19]。构建指数时有一系列风控规则，如排除正股市值小于5亿、ST、评级低于AA-、剩余规模小于2亿等[16][19]。 2. **计算市场情绪指标**：在单个转债层面计算两个市场情绪因子——**转债20日动量**和**波动率偏离度**。然后，在每个低估风格指数内部，取这两个因子值的中位数，分别作为该指数的动量指标和波动率偏离度指标[23]。 3. **计算轮动仓位**：将三个低估风格指数在**转债20日动量**和**波动率偏离度**两个指标上分别进行排名（Rank），然后将两个排名相加，得到每个指数的综合市场情绪捕捉指标值[23]。 * 公式：转债风格市场情绪捕捉指标 = Rank（转债20日动量） + Rank（波动率偏离度）[23] 4. **配置规则**：选择综合市场情绪捕捉指标排名较低（即数值较小）的风格指数进行配置。若两个指数排名并列最低，则等权配置；若三个指数排名相同，则100%配置于平衡低估风格[16][23]。模型每两周调仓一次[6][23]。 量化因子与构建方式 1. **因子名称：转股溢价率偏离度**[17][18] * **因子构建思路**：衡量单只转债的转股溢价率相对于其根据转股价值拟合出的合理溢价率的偏离程度，使得不同平价水平的转债具有可比性[18]。 * **因子具体构建过程**：在每个时间截面上，使用全市场转债数据，以转股价值为自变量，转股溢价率为因变量，进行曲线拟合。将每只转债的实际转股溢价率减去其转股价值所对应的拟合溢价率，即得到该因子的值[18][40]。 * 拟合公式示例：$$y_{i}=\alpha_{0}+\,\alpha_{1}\cdot\,{\frac{1}{x_{i}}}+\epsilon_{i}$$，其中 $$y_i$$ 为第i只转债的转股溢价率，$$x_i$$ 为其转股价值[40]。 2. **因子名称：理论价值偏离度（蒙特卡洛模型）**[5][18] * **因子构建思路**：通过蒙特卡洛模拟计算包含各项条款的转债理论价值，衡量市场价格与理论价值的百分比偏离，捕捉定价误差[18]。 * **因子具体构建过程**：对每只转债，使用蒙特卡洛方法模拟正股价格路径（通常为10000条），在每条路径上根据转股、赎回、下修、回售等条款判断转债的最终支付，并以与该转债信用等级和剩余期限相匹配的利率作为贴现率，计算所有路径支付的现值平均值，得到理论价值。最后用市场价格除以理论价值减1，得到因子值[18]。 3. **因子名称：转债20日动量**[23] * **因子构建思路**：捕捉转债市场近期的价格趋势，作为市场情绪的代理指标之一[23]。 * **因子具体构建过程**：计算每只转债过去20个交易日的收益率，作为其动量因子值[23]。 4. **因子名称：波动率偏离度**[23] * **因子构建思路**：捕捉转债波动率相对于其自身历史水平的异常变化，作为市场情绪的另一个代理指标[23]。 * **因子具体构建过程**：报告未给出具体计算方法，但根据名称推断，可能是计算转债近期波动率与其长期历史波动率中位数或均值的偏离度。 5. **指标名称：百元转股溢价率**[3][14] * **构建思路**：构建一个在时间序列上可比的指标，用于衡量转债市场整体的估值水平，判断转债与正股的相对配置价值[3][14]。 * **具体构建过程**：在每个时间点，使用全市场转债的截面数据，拟合转股溢价率与转股价值的关系曲线（例如使用 $$y=\alpha_0 + \alpha_1 \cdot \frac{1}{x}$$ 模型）。将转股价值=100代入拟合出的曲线公式，计算出的转股溢价率即为“百元转股溢价率”[39][40]。 6. **指标名称：修正YTM – 信用债YTM中位数**[4][14] * **构建思路**：针对偏债型转债，剥离转股条款对其到期收益率（YTM）的影响，使其可与同期限同等级的信用债YTM进行比较，衡量偏债型转债与信用债的相对配置价值[4][14]。 * **具体构建过程**： 1. 计算每只偏债型转债的**修正YTM**：修正YTM = 转债YTM × (1 – 转股概率) + 预期转股的到期年化收益率 × 转股概率[41]。其中，转股概率通过BS模型计算N(d2)得到[41]。 2. 计算每只偏债型转债的修正YTM与同等级、同期限的企业债（信用债）YTM的差值[41]。 3. 计算所有偏债型转债该差值的中位数，即得到“修正YTM – 信用债YTM中位数”[4][41]。 模型的回测效果 （回测区间：2018年2月14日 ~ 2026年4月17日[21][26]） 1. **偏股转债低估指数**，年化收益率27.45%，年化波动率20.86%，最大回撤0.23，信息比率(IR)1.32，卡玛比率1.20[21] 2. **平衡转债低估指数**，年化收益率15.80%，年化波动率12.11%，最大回撤0.16，信息比率(IR)1.31，卡玛比率0.99[21] 3. **偏债转债低估指数**，年化收益率12.33%，年化波动率9.78%，最大回撤0.18，信息比率(IR)1.26，卡玛比率0.69[21] 4. **转债风格轮动组合**，年化收益25.41%，年化波动16.97%，最大回撤15.89%，信息比率(IR)1.50，卡玛比率1.60[26] 5. **转债低估等权指数**，年化收益15.20%，年化波动11.57%，最大回撤15.48%，信息比率(IR)1.31，卡玛比率0.98[26] 6. **转债等权指数**，年化收益10.77%，年化波动12.27%，最大回撤20.60%，信息比率(IR)0.88，卡玛比率0.52[26] 因子的近期表现 （截至2026年4月17日近一月表现[5][20]） 1. **低估值因子（在偏股转债中）**，增强超额收益2.59%[5][20] 2. **低估值因子（在平衡转债中）**，增强超额收益-1.93%[5][20] 3. **低估值因子（在偏债转债中）**，增强超额收益-0.68%[5][20]

量化模型与构建方式 本报告为市场数据跟踪报告，未涉及具体的量化选股模型或多因子模型。报告主要对宽基指数的各类市场指标进行统计、计算和展示，这些指标可被视为用于描述市场状态或构建更复杂模型的底层因子。以下总结报告中所涉及的全部量化因子。 1. **因子名称：连阴连阳天数** [12] * **因子构建思路：** 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[12]。 * **因子具体构建过程：** 对目标指数，逐日判断其收益率正负。若当日收益率为正，则记为阳线；为负则记为阴线。从当前交易日开始向前追溯，直至K线颜色发生改变，所连续的天数即为连阳或连阴天数。报告中规定正数表示连阳天数，负数表示连阴天数[12]。 2. **因子名称：均线相对位置** [15][16] * **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，来判断市场的中长期趋势和支撑压力位[15]。 * **因子具体构建过程：** 首先计算指数的不同周期移动平均线，报告中使用MA5、MA10、MA20、MA60、MA120、MA250[16]。然后计算当前收盘价相对于各均线的百分比位置，公式为： $$ vsMA = (Close / MA_n - 1) * 100\% $$ 其中，$Close$为当日收盘价，$MA_n$为对应的n日移动平均线值[16]。 3. **因子名称：近250日高位/低位回撤/突破** [15][16] * **因子构建思路：** 通过计算当前价格相对于近250个交易日最高价和最低价的位置，来衡量指数处于长期趋势中的相对高低点，评估潜在的回撤风险或突破强度[15]。 * **因子具体构建过程：** 首先计算过去250个交易日的最高价（$High_{250}$）和最低价（$Low_{250}$）[16]。然后计算当前收盘价相对于这两个极值的百分比变化： $$ vs近250日高位 = (Close / High_{250} - 1) * 100\% $$ $$ vs近250日低位 = (Close / Low_{250} - 1) * 100\% $$ 结果为负表示从高位回撤，为正表示从低位上涨[16]。 4. **因子名称：指数换手率** [18] * **因子构建思路：** 衡量指数整体成分股的交易活跃度，高换手率通常意味着市场关注度高或分歧大[18]。 * **因子具体构建过程：** 报告中的指数换手率采用流通市值加权平均法计算，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当日成交金额/流通市值[18]。 5. **因子名称：收益分布峰度与偏度** [24][26] * **因子构建思路：** 通过分析指数日收益率分布的峰度和偏度，来刻画收益分布的尖锐程度（尾部风险）和不对称性（涨跌倾向）[24]。 * **因子具体构建过程：** * **峰度 (Kurtosis):** 计算指数在过去一定时期（如近5年）内日收益率的四阶中心矩，并减去3（正态分布的峰度值），得到超额峰度。公式为（以样本峰度为例）： $$ 峰度 = \frac{1}{n} \sum_{i=1}^{n} (\frac{r_i - \bar{r}}{\sigma})^4 - 3 $$ 其中，$r_i$为日收益率，$\bar{r}$为平均收益率，$\sigma$为标准差，$n$为样本数。报告中使用此方法[26]。 * **偏度 (Skewness):** 计算指数日收益率的三阶中心矩，衡量分布的不对称性。公式为： $$ 偏度 = \frac{1}{n} \sum_{i=1}^{n} (\frac{r_i - \bar{r}}{\sigma})^3 $$ 正偏态表示右尾长，极端正收益更多；负偏态表示左尾长，极端负收益更多[24]。 6. **因子名称：风险溢价 (ERP)** [28][31] * **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代理变量，计算股票指数预期收益率（常用市盈率倒数或股息率估算）与之差，衡量股票市场相对于债券市场的超额收益补偿，即投资价值[28]。 * **因子具体构建过程：** 报告中的风险溢价计算公式为： $$ 风险溢价 = \frac{1}{PE_{TTM}} - R_f $$ 其中，$PE_{TTM}$为指数的滚动市盈率，$R_f$为十年期国债即期收益率[31]。同时，报告会计算该风险溢价在近1年、近5年历史数据中的分位值，以判断其相对高低[31]。 7. **因子名称：市盈率分位值 (PE-TTM分位值)** [38][39] * **因子构建思路：** 将指数当前的滚动市盈率（PE-TTM）置于其历史数据中，计算其所处的百分位位置，用于评估当前估值在历史周期中的相对高低水平[38]。 * **因子具体构建过程：** 首先，获取指数在过去一定时期（如近5年）每个交易日的PE-TTM数据序列。然后，将当前PE-TTM值与该历史序列进行比较，计算其百分位数。例如，近5年分位值为80%，表示当前估值比过去5年中80%的时间都要高[39]。 8. **因子名称：股债性价比** [39][43] * **因子构建思路：** 是风险溢价因子的另一种表现形式，直接比较股票收益率（市盈率倒数）与债券收益率（十年期国债利率）的差值，差值越大代表股票相对债券的吸引力越强[39]。 * **因子具体构建过程：** 计算公式与风险溢价一致： $$ 股债性价比 = \frac{1}{PE_{TTM}} - R_f $$ 报告会计算该比值的历史分位值（如80%分位为“机会值”，20%分位为“危险值”）以及均值±标准差区间，用于判断其相对位置[39][43]。 9. **因子名称：股息率** [45][48] * **因子构建思路：** 衡量指数成分股现金分红的回报率，是价值投资和红利策略的重要考量指标，尤其在市场低迷或利率下行期受到关注[45]。 * **因子具体构建过程：** 指数股息率通常为其成分股股息率的市值加权平均。报告展示当前股息率及其在近1年、近5年和全部历史数据中的分位值，并计算其相对于近期均值±标准差区间的偏离程度[48]。 10. **因子名称：破净率** [50][52] * **因子构建思路：** 计算指数中市净率（PB）小于1的个股数量占总成分股数量的比例，反映市场整体或特定板块的估值低迷程度，破净率越高通常意味着市场情绪越悲观或价值低估越普遍[50]。 * **因子具体构建过程：** 对于目标指数，逐一判断其成分股的市净率是否小于1。统计满足条件的个股数量，然后除以指数总成分股数量，得到破净率百分比[52]。 $$ 破净率 = \frac{破净个股数}{总成分股数} * 100\% $$ 因子的回测效果 本报告为市场状态跟踪报告，未提供基于这些因子的策略回测绩效指标（如年化收益率、夏普比率、最大回撤等）。报告主要呈现了各宽基指数在**特定时点（2026年4月20日）** 的因子截面数据，以及部分因子的近期历史统计特征（如均值、波动率、分位值）。以下为各因子在报告基准日期的具体取值或状态描述： 1. **连阴连阳天数因子** [12] * 上证50：周K连阳4周[12] * 沪深300：周K连阳3周[12] * 中证500：日K连阳3日，周K连阳3周，季K连阳2季[12] * 中证1000：日K连阳3日，周K连阳3周[12] * 中证2000：日K连阳3日，周K连阳3周，年K连阳2年[12] * 中证全指：日K连阳3日，周K连阳3周[12] * 创业板指：日K连阳3日，周K连阳3周[12] 2. **均线相对位置因子** [16] * 所有指数收盘价均位于250日均线（MA250）上方[16] * 除上证50外，所有指数收盘价均位于60日线（MA60）和120日线（MA120）上方[16] * 具体相对位置百分比详见报告表2[16] 3. **近250日高位/低位因子** [16] * 上证50：距离近250日高位回撤7.1%[16] * 创业板指：收盘价与近250日高位几乎持平（0.0%）[16] * 具体各指数相对高位和低位的百分比详见报告表2[16] 4. **指数换手率因子** [18] * 中证2000：4.0[18] * 创业板指：3.36[18] * 中证1000：2.93[18] * 中证500：1.9[18] * 中证全指：1.82[18] * 沪深300：0.67[18] * 上证50：0.29[18] 5. **收益分布峰度与偏度因子** [26] * **当前峰度 vs. 近5年峰度变化：** 所有指数当前峰度均为负值且显著低于近5年平均水平，其中创业板指偏离最大（-5.25），上证50偏离最小（-2.76）[26] * **当前偏度 vs. 近5年偏度变化：** 所有指数当前偏度均为正值但低于近5年平均水平，其中创业板指偏离最大（-1.57），上证50偏离最小（-0.94）[26] 6. **风险溢价因子** [31] * **当前风险溢价：** 创业板指为-0.03%，其余指数在0.60%至0.94%之间[31] * **近5年分位值：** 上证50(82.30%)和中证500(80.32%)较高，创业板指(52.22%)较低[31] * **近1年波动率：** 创业板指最大(1.87%)，上证50最小(0.87%)[31] 7. **市盈率分位值因子** [39] * **近5年历史分位值：** 中证全指(100.00%)和中证1000(98.02%)最高，创业板指(66.20%)最低[39] * **当前值 vs. 近1年均值±1倍标准差：** 多数指数当前PE位于近1年均值上方、但未超过+1倍标准差；中证500、中证1000、中证2000、创业板指当前值低于近1年均值[39] 8. **股债性价比因子** [43] * **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] 9. **股息率因子** [48] * **当前值：** 上证50最高(3.31%)，中证2000最低(0.69%)[48] * **近5年历史分位值：** 创业板指(47.77%)和上证50(32.31%)较高，中证2000(0.41%)和中证500(4.71%)较低[48] * **当前值 vs. 近1年均值：** 所有指数当前股息率均低于其近1年均值[48] 10. **破净率因子** [52] * 上证50：26.0%[52] * 沪深300：17.67%[52] * 中证500：10.2%[52] * 中证1000：7.7%[52] * 中证2000：3.35%[52] * 中证全指：6.06%[52]

量化模型与构建方式 1. **模型名称：红利风格择时模型**[5] * **模型构建思路：** 构建一个多因子综合模型，通过多个维度的指标（因子）来综合判断对红利风格资产是否看多[1][3]。 * **模型具体构建过程：** 1. 选取多个影响红利风格的因子，包括宏观经济、市场情绪、估值、动量等[3][8]。 2. 对每个因子进行标准化或处理，得到每个因子的“因子值”[11]。 3. 根据每个因子的“因子值”生成“最新观点”，例如，因子值为正可能对应看多观点（记为1），为负对应中性或看空观点（记为0）[11]。 4. 将所有因子的“因子值”或“观点”通过某种加权或合成方式，计算得到一个“综合因子值”[1][5]。 5. 设定阈值，当“综合因子值”超过该阈值时，模型发出看多红利风格的信号；否则，不发出看多信号[1][5]。 2. **因子名称：中国:非制造业 PMI:服务业**[11] * **因子构建思路：** 使用中国非制造业采购经理指数（PMI）中的服务业分项作为宏观经济景气度的代理指标，用以判断经济环境是否有利于红利风格[11]。 * **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，仅给出了最新的因子取值[11]。 3. **因子名称：中国:M2:同比**[11] * **因子构建思路：** 使用广义货币供应量（M2）的同比增长率作为流动性环境的代理指标，用以判断市场流动性是否有利于红利风格[11]。 * **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，仅给出了最新的因子取值[11]。 4. **因子名称：美国:国债收益率:10 年**[11] * **因子构建思路：** 使用美国10年期国债收益率作为全球无风险利率和资金成本的代理指标，其变化影响红利资产的相对吸引力[3][8][11]。 * **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，仅给出了最新的因子取值[11]。 5. **因子名称：红利相对净值自身**[11] * **因子构建思路：** 可能指红利指数（如中证红利）相对于其自身历史净值或基准的动量或趋势指标，反映红利风格的短期动能[3][8][11]。 * **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，仅给出了最新的因子取值[11]。 6. **因子名称：中证红利股息率-10 年期中债收益率**[11] * **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的差值，作为衡量红利资产相对债券吸引力的估值指标[11]。 * **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，仅给出了最新的因子取值[11]。 7. **因子名称：融资净买入**[11] * **因子构建思路：** 使用市场的融资净买入数据作为投资者情绪和风险偏好的代理指标[3][8][11]。 * **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，仅给出了最新的因子取值[11]。 8. **因子名称：行业平均景气度**[11] * **因子构建思路：** 使用行业层面的平均景气度数据，反映整体企业盈利环境，可能影响红利股的派息能力和吸引力[11]。 * **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，仅给出了最新的因子取值[11]。 模型的回测效果 * **红利风格择时模型，综合因子值（20260413-20260417）：-0.17**[1][5] * **红利风格择时模型，综合因子值（20260407-20260410）：0.06**[1][5] 因子的回测效果 * **中国:非制造业 PMI:服务业因子，因子值（2026.04.17）：0.95**[11] * **中国:非制造业 PMI:服务业因子，因子值（2026.04.10）：0.95**[11] * **中国:非制造业 PMI:服务业因子，因子值（2026.03.27）：0.14**[11] * **中国:M2:同比因子，因子值（2026.04.17）：0.46**[11] * **中国:M2:同比因子，因子值（2026.04.10）：0.46**[11] * **中国:M2:同比因子，因子值（2026.03.27）：0.31**[11] * **美国:国债收益率:10 年因子，因子值（2026.04.17）：0.69**[11] * **美国:国债收益率:10 年因子，因子值（2026.04.10）：0.61**[11] * **美国:国债收益率:10 年因子，因子值（2026.03.27）：-0.01**[11] * **红利相对净值自身因子，因子值（2026.04.17）：-1.75**[11] * **红利相对净值自身因子，因子值（2026.04.10）：0.03**[11] * **红利相对净值自身因子，因子值（2026.03.27）：1.07**[11] * **中证红利股息率-10 年期中债收益率因子，因子值（2026.04.17）：-0.17**[11] * **中证红利股息率-10 年期中债收益率因子，因子值（2026.04.10）：-0.21**[11] * **中证红利股息率-10 年期中债收益率因子，因子值（2026.03.27）：-0.33**[11] * **融资净买入因子，因子值（2026.04.17）：0.52**[11] * **融资净买入因子，因子值（2026.04.10）：-0.39**[11] * **融资净买入因子，因子值（2026.03.27）：-1.05**[11] * **行业平均景气度因子，因子值（2026.04.17）：0.64**[11] * **行业平均景气度因子，因子值（2026.04.10）：0.50**[11] * **行业平均景气度因子，因子值（2026.03.27）：0.47**[11]

量化模型与构建方式 1. **模型/因子名称**：30位投资大师的“思维操作系统”Skill（复合模型/因子集）[1][8] **模型/因子构建思路**：利用AI蒸馏技术，将投资大师的哲学体系、选股标准、思维模型等核心认知资产，转化为标准化、可复用的AI Agent Skill，使投资者能够以大师的视角进行投资分析。[9][10] **模型/因子具体构建过程**： 1. **数据源**：从华创金工大师策略网页（https://service.hcquant.com/production/hcmaster.php）提取33位投资大师的策略数据，该数据源包含量化选股条件、回测绩效指标和定性哲学描述三层结构。[11][13] 2. **数据优势利用**： * **双轨对齐**：利用量化条件与定性描述对齐的数据结构，提取大师的思维模式。[13] * **策略边界显式化**：利用网页中已量化的、明确的选股规则作为大师思想的“可计算化”表达。[14] * **横向可比**：利用所有策略在同一回测框架下的绩效数据，分析不同大师策略的“隐性环境暴露”和“绩效指纹”。[14][16] 3. **蒸馏过程**：使用女娲（Nuwa）Skill制作工具，对上述数据进行结构化提取、建模与压缩，为每位大师生成一个标准化的SKILL.md文件。[1][8] 4. **Skill内容结构**：每个Skill文件封装了大师的核心认知资产，包含角色扮演规则、身份卡、核心心智模型、决策启发式、选股量化标准与表达DNA。[1][41] **模型/因子评价**：该方法将散落的、静态的大师思想体系转化为动态、可交互、可场景化分析的工具，实现了从“学习大师”到“以大师的方式思考”的范式转变。[9][10] 模型的回测效果 1. **柏顿·墨基尔（Burton Malkiel）选股法模型**[40] **回测设置**：在A股市场，回测区间为2010年5月至2026年4月，每年调仓三次（5月、9月、11月），4季报和年报后于5月1日调仓，其他季报期结束后调仓。[40] **策略规则**：连续5年净利润正增长且增速排前30% + PE为正且排最低30%，取交集等权持有。[40] **回测结果**： * 累计净值：1.7654 * 年化收益率：3.63% * 基准（沪深300）年化收益率：2.85% * 最大回撤：51.69% * 调仓胜率：52.1%[40] 量化因子与构建方式 1. **因子名称**：价值类大师选股因子（复合因子）[18][19] **因子构建思路**：综合多位价值投资大师的选股标准，核心思想围绕安全边际、低估、资产质量、股息等。[18][19] **因子具体构建过程**：报告未详细列出每位价值大师的具体量化因子公式，但指出其数据源（华创金工大师策略网页）已将大师的“模糊判断”（如“价格低于内在价值”）转化为了“确定性规则”（如“PE < 15 且 PB < 1.5”）。[14]因此，该复合因子是这些已量化规则的集合，例如可能包括低市盈率(PE)、低市净率(PB)、高股息率、高流动比率等具体指标。 2. **因子名称**：成长类大师选股因子（复合因子）[19][20] **因子构建思路**：综合多位成长投资大师的选股标准，核心思想围绕盈利增长、PEG、成长加速等。[19] **因子具体构建过程**：同样基于华创金工网页中已量化的成长大师选股规则。这些规则可能转化为具体的量化因子，例如净利润增长率、营收增长率、PEG（市盈率相对盈利增长比率）等。[14][20] 3. **因子名称**：综合类大师选股因子（复合因子）[19][21][22] **因子构建思路**：综合采用GARP（合理价格成长）、价值成长双轨、量化多因子等混合框架的大师选股标准。[19] **因子具体构建过程**：基于对应大师网页中的量化选股规则。例如，詹姆斯·奥肖内西的策略可能涉及多个量化因子的组合；唐纳·亚克曼的GALP（Growth At a Low Price）策略则结合了成长性和估值因子。[21][22] 4. **因子名称**：乔尔·格林布拉特“神奇公式”选股因子[31] **因子构建思路**：通过资本回报率（ROC）和收益率（EY）两个指标，寻找“又好又便宜”的公司。[31] **因子具体构建过程**：报告未给出具体公式，但“神奇公式”的标准构建通常为： * **资本回报率（ROC）**：$$ROC = \frac{息税前利润(EBIT)}{（净营运资本 + 净固定资产）}$$ * **收益率（EY）**：$$EY = \frac{息税前利润(EBIT)}{企业价值(EV)}$$ 策略步骤：分别计算所有股票的ROC和EY排名，将两个排名相加，选择总分最高的股票。[31] 5. **因子名称**：本杰明·格雷厄姆“价值五法”与“安全五法”选股因子[32] **因子构建思路**：“价值五法”用于评估公司是否值得投资，“安全五法”用于评估投资的安全性。[32] **因子具体构建过程**：报告未列出具体量化条件。经典的本杰明·格雷厄姆选股标准通常包括： * **价值五法（示例）**：市盈率(PE)低于X倍、市净率(PB)低于Y倍、股息率高于Z%、长期负债不超过净流动资产等。 * **安全五法（示例）**：足够的规模、强劲的财务状况（如流动比率>2）、稳定的盈利记录、持续的股息支付、基于过去三年平均盈利的PE处于合理范围。[32] 6. **因子名称**：柏顿·墨基尔成功选股法因子[40] **因子构建思路**：结合持续的盈利增长和较低的估值进行选股。[40] **因子具体构建过程**：根据报告中的回测规则，该因子由两个子因子复合而成： * **盈利增长因子**：连续5年净利润正增长，且最近一年的净利润增速排名位于市场前30%。 * **估值因子**：市盈率(PE)为正，且其数值排名位于市场最低的30%。[40] **最终因子**：取以上两个因子筛选结果的交集。

量化模型与构建方式 1. **模型名称：高维环境下的最优因子择时模型**[7] * **模型构建思路**：将因子择时这一动态调仓问题，转化为对一组固定“择时组合”的静态均值方差优化问题，并通过三层收缩机制控制高维环境下的估计误差和过拟合风险[7][13][14]。 * **模型具体构建过程**： 1. **因子与预测信号准备**：使用三档因子集合（Fama-French四因子、大盘版因子、Jensen等131因子）和两类预测信号（5个宏观变量、6个因子特有变量，均进行标准化处理）[15][16]。 2. **构造择时组合**：对于每个因子 i 和每个预测信号 k，构造一个择时组合，其第 t 月的收益为 $$g_{i k,t}\;=\;z_{k,t-1}\;\cdot\;f_{i,t}$$，其中 $$z_{k,t-1}$$ 是 t-1 月末标准化的预测信号值，$$f_{i,t}$$ 是因子 i 在第 t 月的收益[21][22]。常数项信号恒为1，对应的择时组合收益即为因子原始收益[24]。 3. **静态均值方差优化**：将所有择时组合的收益视为普通资产收益，估计其均值向量 $$\hat{\mu}$$ 和协方差矩阵 $$\hat{\Sigma}$$，然后求解最优权重 w 以最大化夏普比率，理论最优解为 $$w\ \propto\ \hat{\Sigma}^{-1}\ \hat{\mu}$$[24][25]。 4. **引入三层收缩机制**： * **第一层（协方差收缩）**：采用 Ledoit-Wolf 方法将样本协方差矩阵向一个稳定的对角矩阵收缩，提升估计稳定性[30]。 * **第二层（权重收缩）**：核心收缩机制，通过惩罚项将择时信号的权重向零压缩，修正后的最优权重为 $$w\;=\;\left(\widehat{\Sigma}\,+\,\frac{\lambda}{T}\,\cdot\,\left[0_{K},0;\,0,\widehat{D}\right]\right)^{-1}\ \widehat{\mu}$$。其中 $$\lambda$$ 是收缩超参数，T 是训练期长度，$$\widehat{D}$$ 是择时组合（不含原始因子）的方差对角矩阵[30][31]。 * **第三层（因子轮动约束）**：将每月计算出的因子配置权重按绝对值归一化，使总绝对敞口恒为1，避免极端杠杆，明确策略为纯粹的因子轮动[28][32]。 5. **还原因子配置**：将优化得到的择时组合权重 w 还原为每月对各个因子的实际配置权重。对于因子 i 在 t 月的权重，计算公式为 $$h_{i,t}\;=\;\sum_{k}\,w_{i k}\;\cdot\;z_{k,t-1}$$，或等价于矩阵形式 $$h_{t}\;=\;B\;z_{t-1}$$[26][27]。 6. **样本外滚动实施**：采用扩展窗口训练和累积式验证集滚动调优收缩参数 $$\lambda$$，严格避免前瞻偏差[34]。 模型的回测效果 （样本外区间：1986年1月至2022年12月） 1. **Fama-French四因子择时模型**，样本外夏普比率 0.81，评估比率 0.79，最差12个月收益 -5.62%[46] 2. **大盘版Fama-French因子择时模型**，样本外夏普比率 0.56，最差12个月收益 -13.70%[52] 3. **Jensen等131因子择时模型（小预测集）**，样本外夏普比率 1.48，年化双边换手率 2.50，扣费后夏普比率 1.35[55][56][59] 4. **Jensen等131因子择时模型（大预测集）**，样本外夏普比率 1.43，年化双边换手率 2.36，扣费后夏普比率 1.31[55][57][59] 量化因子与构建方式 （注：本报告主要介绍择时模型框架，未详细定义新的底层选股因子。报告涉及的因子主要来自经典文献。） 1. **因子集合：Fama-French (2015) 非市场因子**[15] * **因子构建思路**：基于公司特征构建多空组合，代表不同的风险溢价或异象收益。 * **因子具体构建过程**：包括规模（SMB，小市值减大市值）、价值（HML，高账面市值比减低账面市值比）、盈利能力（RMW，高盈利减低盈利）、投资（CMA，保守投资减激进投资）四个因子[15][17]。 2. **因子集合：大盘版因子**[15][41] * **因子构建思路**：检验择时收益是否依赖于小盘股，仅使用NYSE市值中位数以上的股票构建因子。 * **因子具体构建过程**：构建方法与Fama-French因子类似，但股票池限定为大盘股，报告中主要使用了价值、盈利能力和投资三个因子[41][52]。 3. **因子集合：Jensen等 (2023) 因子库**[15][24] * **因子构建思路**：代表高维大规模因子设定，包含学术界发现的众多异象因子。 * **因子具体构建过程**：报告直接引用了Jensen, Kelly and Pedersen (2023) 因子库中的131个因子，未详述每个因子的构建细节[15][24]。 因子的回测效果 （作为模型输入的原始因子表现） 1. **Fama-French四因子（等权组合）**，夏普比率 0.42[42][46] 2. **Fama-French四因子（静态最优组合）**，夏普比率 0.52[46] 3. **大盘版Fama-French因子（等权组合）**，夏普比率 0.26[52] 4. **大盘版Fama-French因子（静态最优组合）**，夏普比率 0.30[52] 5. **Jensen等131因子（静态最优组合）**，夏普比率 1.22[32][55]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：无 **模型构建思路**：本报告为市场监测日报，未涉及具体的量化选股或择时模型的构建。 **模型具体构建过程**：无 **模型评价**：无 量化因子与构建方式 1. **因子名称**：封板率因子 **因子构建思路**：通过计算当日涨停股票中，能够将涨停状态维持到收盘的比例，来衡量市场追涨情绪的强度和稳定性[17]。 **因子具体构建过程**：统计上市满3个月以上的股票。首先，筛选出当日盘中最高价达到涨停的股票。然后，在这些股票中，找出收盘价仍为涨停的股票。封板率即为收盘涨停的股票数量除以最高价涨停的股票数量[17]。 **计算公式**： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ **因子评价**：该因子是反映市场短期情绪和资金封板意愿的高频指标，封板率越高，通常意味着涨停板的支撑力度越强，市场做多情绪越坚决[17]。 2. **因子名称**：连板率因子 **因子构建思路**：通过计算昨日涨停股票中，今日继续涨停的比例，来衡量市场热点板块或个股的持续性和赚钱效应[17]。 **因子具体构建过程**：统计上市满3个月以上的股票。首先，确定昨日收盘涨停的股票集合。然后，在这个集合中，找出今日收盘也涨停的股票。连板率即为连续两日收盘涨停的股票数量除以昨日收盘涨停的股票数量[17]。 **计算公式**： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ **因子评价**：该因子是观测市场题材炒作延续性的重要指标，较高的连板率通常意味着市场存在明确的主线，短线投机氛围活跃[17]。 3. **因子名称**：大宗交易折价率因子 **因子构建思路**：通过计算大宗交易成交价格相对于市价的折价幅度，来观察大额资金的交易情绪和对个股的短期看法[26]。 **因子具体构建过程**：统计每日发生的大宗交易。对于每一笔大宗交易，计算其成交价与当日该证券市价（通常为收盘价）的差异。汇总当日所有大宗交易，计算总成交金额与按市价计算的这些交易份额总市值的比例，再减去1得到整体折价率[26]。 **计算公式**： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ **因子评价**：该因子反映了机构、大股东等大资金以低于市价成交的意愿，较高的折价率可能意味着卖出方急于兑现或对后市看法偏谨慎[26]。 4. **因子名称**：股指期货年化贴水率因子 **因子构建思路**：通过计算股指期货价格相对于现货指数的贴水幅度，并进行年化处理，来衡量市场对未来指数的预期、对冲成本以及市场情绪（特别是机构情绪）[28]。 **因子具体构建过程**：分别计算上证50、沪深300、中证500、中证1000股指期货的主力合约。首先，计算基差（股指期货价格减去现货指数价格）。然后，将基差除以现货指数价格，再乘以（250天除以合约剩余交易日数），得到年化贴水率。当结果为负时，表示贴水；为正时，表示升水[28]。 **计算公式**： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ **因子评价**：该因子是重要的市场情绪和资金面观测指标。深度贴水可能反映市场避险情绪浓厚或对冲需求旺盛，而升水或贴水收窄则可能反映市场情绪转向乐观[28]。 模型的回测效果 1. **无相关模型回测结果**。 因子的回测效果 1. **封板率因子**，2026年4月20日当日取值为**81%**，较前日提升7个百分点[17]。 2. **连板率因子**，2026年4月20日当日取值为**21%**，较前日提升4个百分点[17]。 3. **大宗交易折价率因子**，2026年4月17日当日取值为**7.88%**；近半年以来的平均取值为**7.16%**[26]。 4. **股指期货年化贴水率因子**，2026年4月20日当日取值及历史分位如下： * **上证50股指期货**：年化贴水率为**3.25%**，处于近一年**42%**分位点[28]。 * **沪深300股指期货**：年化贴水率为**7.80%**，处于近一年**31%**分位点[28]。 * **中证500股指期货**：年化贴水率为**10.58%**，处于近一年**52%**分位点[28]。 * **中证1000股指期货**：年化贴水率为**14.49%**，处于近一年**39%**分位点[28]。 * **历史中位数参考（近一年）**：上证50为1.39%，沪深300为4.85%，中证500为10.82%，中证1000为13.18%[28]。

量化模型与构建方式 1. **模型名称**：网下打新收益测算模型[10][49][54] **模型构建思路**：通过假设条件，测算不同类别、不同规模账户参与网下新股申购，并在上市首日以均价卖出所能获得的理想化收益[10][49][54] **模型具体构建过程**： * **核心假设**： 1. 账户参与所有主板、科创板、创业板新股网下申购且全部打中[10] 2. 上市首日以市场均价卖出，忽略锁定期限制[10] 3. 对于科创板和创业板，假设报价全部入围[54] 4. 账户资金配置为一半沪市、一半深市且股票满仓[54] 5. 资金使用效率为90%[54] * **单只股票满中收益计算**： 1. 计算单只股票的“满中数量”：$$满中数量 = 可申购上限额度 \times 网下A类平均中签率$$[49] 2. 计算单只股票的“满中收益”：$$满中收益 = (首次开板价 - 首发价格) \times 满中数量$$[49] 3. 对于分多档询价的股票，使用A类平均中签率计算[10] * **账户累计打新收益率计算**： 1. 将指定时间段内（如逐月）所有新股的网下打新收益相加，得到该时间段的总收益[54][56] 2. 用总收益除以账户规模，得到打新收益率[56] **模型评价**：该模型提供了一个在理想化假设下的打新收益理论测算框架，用于跟踪和比较不同市场条件下的打新收益潜力，但实际收益会受到入围率、卖出价格、资金效率等多种因素影响[10][54] 模型的回测效果 1. **网下打新收益测算模型 (A类账户，2026年截至4/17)**[10] * 2亿规模账户打新收益率：0.70%[10] * 10亿规模账户打新收益率：0.34%[10] 2. **网下打新收益测算模型 (B类账户，2026年截至4/17)**[10] * 2亿规模账户打新收益率：0.61%[10] * 10亿规模账户打新收益率：0.29%[10] 3. **网下打新收益测算模型 (A类账户，2025年至今)**[56] * 1.5亿规模账户累计收益率：4.78%[56] * 2亿规模账户累计收益率：4.50%[56] * 3亿规模账户累计收益率：3.88%[56] * 5亿规模账户累计收益率：3.07%[56] * 10亿规模账户累计收益率：2.07%[56] 4. **网下打新收益测算模型 (B类账户，2025年至今)**[62] * 1.5亿规模账户累计收益率：3.72%[62] * 2亿规模账户累计收益率：3.48%[62] * 3亿规模账户累计收益率：2.93%[62] * 5亿规模账户累计收益率：2.20%[62] * 10亿规模账户累计收益率：1.33%[62] 量化因子与构建方式 1. **因子名称**：新股上市首日均价涨幅[2][22][45] **因子构建思路**：计算新股上市首日收盘均价相对于发行价格的涨跌幅，用以衡量新股上市初期的市场表现和打新收益空间[2][22][45] **因子具体构建过程**： * 获取新股上市首日的市场均价（首次开板价）和发行价格[49] * 计算涨幅：$$上市首日均价涨幅 = \frac{首次开板价 - 发行价格}{发行价格} \times 100\%$$[49] * 报告中对近期科创板、创业板新股分别计算了滚动平均涨幅[2][22] 2. **因子名称**：有效报价账户数[2][30] **因子构建思路**：统计在网下询价阶段提交有效报价的A类和B类投资者账户数量，用以反映打新市场的参与热度和竞争程度[2][30] **因子具体构建过程**：直接提取各板块最近一只新股在初步询价环节产生的A类、B类有效报价账户数量[30] 3. **因子名称**：满中收益[49][53] **因子构建思路**：测算在顶格申购且全部中签的理想情况下，单只新股能为特定类别账户带来的绝对收益金额，用于横向比较不同新股的打新价值[49][53] **因子具体构建过程**：使用模型部分所述公式计算单只新股的“满中收益”[49] 因子的回测效果 1. **新股上市首日均价涨幅因子 (近期20只新股滚动表现)**[2][22] * 科创板个股上市首日平均涨幅：240.19%[2][22] * 创业板个股上市首日平均涨幅：242.16%[2][22] 2. **有效报价账户数因子 (最近一只新股)**[30] * 科创板A类有效报价账户数：5371[30] * 科创板B类有效报价账户数：2053[30] * 创业板A类有效报价账户数：4975[30] * 创业板B类有效报价账户数：3202[30] * 沪市主板A类有效报价账户数：6365[30] * 沪市主板B类有效报价账户数：3551[30] * 深市主板A类有效报价账户数：5337[30] * 深市主板B类有效报价账户数：3399[30] 3. **满中收益因子 (近一个月内新上市股票，A类账户)**[49][53] * 最高满中收益（大普微）：53.36万元[49][53] * 次高满中收益（视涯科技）：21.80万元[49][53] * 第三高满中收益（宏明电子）：15.62万元[49][53] * 大部分股票满中收益位于0至100万元区间[49]