量化模型与因子总结 量化因子与构建方式 1. **因子名称**：标准化预期外市净率[35] **因子构建思路**：属于超预期因子大类，旨在捕捉公司基本面（此处为市净率）超出市场一致预期的程度，预期超预期程度高的股票未来表现更好[35]。 **因子具体构建过程**：报告未提供该因子的具体计算公式，但指出超预期因子的详细介绍可参考系列报告《基于PEAD效应的超预期因子选股效果如何》[7]。通常，此类因子构建涉及计算财报实际公布值与分析师预测一致预期值的差异，并进行标准化处理。 2. **因子名称**：分析师预测净利润 FY1 的 120 日变动[35] **因子构建思路**：属于分析师因子大类，通过跟踪分析师对未来一期（FY1）净利润预测在近期（120日）内的调整方向与幅度，捕捉基本面预期的变化趋势[35]。 **因子具体构建过程**：报告未提供具体公式。通常构建方式为计算当前分析师对FY1净利润的一致预期值与120个交易日前的该值之间的相对变动率。 3. **因子名称**：过去 90 日报告上调比例[35] **因子构建思路**：属于分析师超预期因子大类，衡量近期（90日）内分析师发布上调评级报告的比例，反映分析师群体对公司的乐观情绪变化[35]。 **因子具体构建过程**：报告未提供具体公式。通常构建方式为：过去90日内，上调评级的研报数量除以研报总数（或上调与下调研报数量之和）。 4. **因子名称**：净经营资产收益率[36] **因子构建思路**：属于盈利因子大类，衡量公司利用净经营资产创造利润的效率，是盈利能力的重要指标[36]。 **因子具体构建过程**：报告未提供具体公式。通常计算公式为：$$净经营资产收益率 = \frac{营业利润}{净经营资产}$$。其中，净经营资产 = 经营资产 - 经营负债。 5. **因子名称**：过去 90 日公告后报告上调比例[36] **因子构建思路**：属于分析师超预期因子大类，特指在公司发布公告（如财报）后，分析师据此调整评级中上调的比例，用于捕捉对公告信息的积极解读[36]。 **因子具体构建过程**：报告未提供具体公式。构建逻辑与“过去90日报告上调比例”类似，但样本限定在公告日后发布的研报。 6. **因子名称**：分析师预测净利润 FY3 的 120 日变动[36] **因子构建思路**：属于分析师因子大类，跟踪分析师对未来第三年（FY3）净利润长期预测的调整趋势，反映长期盈利预期的变化[36]。 **因子具体构建过程**：报告未提供具体公式。构建方式与“分析师预测净利润 FY1 的 120 日变动”类似，但预测期变为FY3。 7. **因子名称**：分析师预测营收增长率-FY3[37] **因子构建思路**：属于分析师因子大类，直接采用分析师预测的未来第三年（FY3）营业收入增长率，作为公司长期成长性的代理指标[37]。 **因子具体构建过程**：报告未提供具体公式。通常直接使用机构一致预期的FY3营收增长率数据。 8. **因子名称**：分析师预测营收 FY3 的 120 日变动[37] **因子构建思路**：属于分析师因子大类，跟踪分析师对未来第三年（FY3）营业收入绝对预测值的近期调整趋势[37]。 **因子具体构建过程**：报告未提供具体公式。构建方式为计算当前FY3营收一致预期值与120个交易日前的该值之间的相对变动率。 9. **因子名称**：90 日盈利上调占比[37] **因子构建思路**：属于分析师超预期因子大类，衡量近期（90日）内分析师上调盈利预测（如EPS）的占比，反映盈利预期的改善程度[37]。 **因子具体构建过程**：报告未提供具体公式。通常构建方式为：过去90日内，发生盈利预测上调的机构数（或次数）占比。 10. **因子名称**：分析师预测净利润增长率 FY3[38] **因子构建思路**：属于分析师因子大类，采用分析师预测的未来第三年（FY3）净利润增长率，衡量长期盈利成长性[38]。 **因子具体构建过程**：报告未提供具体公式。通常直接使用机构一致预期的FY3净利润增长率数据。 11. **因子名称**：除去早盘 30 分钟后的涨跌幅[38] **因子构建思路**：属于高频分钟因子大类，通过剔除开盘时段可能存在的非理性波动或流动性冲击，捕捉更纯粹的股价变动信息[38]。 **因子具体构建过程**：报告未提供具体公式，但指出高频因子的详细介绍可参考系列报告《基于分钟数据的高频因子选股效果研究》[7]。通常构建为从开盘后30分钟开始计算至收盘的收益率。 12. **因子名称**：分析师预测 ROE-FY3 的 120 变动[39] **因子构建思路**：属于分析师因子大类，跟踪分析师对未来第三年（FY3）净资产收益率（ROE）预测值的近期调整趋势[39]。 **因子具体构建过程**：报告未提供具体公式。构建方式为计算当前FY3 ROE一致预期值与120个交易日前的该值之间的变动（绝对变动或相对变动）。 13. **因子名称**：分析师预测 ROA-FY3[39] **因子构建思路**：属于分析师因子大类，直接采用分析师预测的未来第三年（FY3）总资产收益率（ROA），作为长期盈利能力的代理指标[39]。 **因子具体构建过程**：报告未提供具体公式。通常直接使用机构一致预期的FY3 ROA数据。 14. **因子名称**：分析师预测 ROE-FY3[39] **因子构建思路**：属于分析师因子大类，直接采用分析师预测的未来第三年（FY3）净资产收益率（ROE），作为长期盈利能力的代理指标[39]。 **因子具体构建过程**：报告未提供具体公式。通常直接使用机构一致预期的FY3 ROE数据。 15. **因子名称**：单季度归母 ROE[35] **因子构建思路**：属于盈利因子大类，使用最新单季度的归母净资产收益率，反映公司近期的盈利能力和资本运用效率[35]。 **因子具体构建过程**：报告未提供具体公式。通常计算公式为：$$单季度归母ROE = \frac{单季度归母净利润}{期初和期末平均归母净资产}$$ 16. **因子名称**：单季度营业收入同比增长率[35] **因子构建思路**：属于成长因子大类，衡量公司最近一个季度营业收入相对于去年同期的增长情况，反映短期成长性[35]。 **因子具体构建过程**：报告未提供具体公式。通常计算公式为：$$单季度营业收入同比增长率 = \frac{本期单季度营业收入}{去年同期单季度营业收入} - 1$$ 17. **因子名称**：单季度归母 ROA 变动[35] **因子构建思路**：属于盈利因子大类，衡量单季度归母总资产收益率（ROA）相对于上一季度的变化，捕捉盈利能力的边际改善或恶化[35]。 **因子具体构建过程**：报告未提供具体公式。通常为当期单季度归母ROA与上一季度单季度归母ROA的差值。 18. **因子中性化处理** **构建思路**：为了排除市值和行业对因子选股效果的影响，使因子更纯粹地反映其背后的投资逻辑[34]。 **具体构建过程**： 1. 对初步计算得到的因子原始值进行预处理：采用绝对中位数法去极值，并进行Z-Score标准化[34]。 2. 横截面回归：在每个截面上，以标准化后的因子值作为因变量（y），以对数市值和申万一级行业虚拟变量作为自变量（X）进行回归[34]。 3. 取残差：将上述回归得到的残差作为每个股票的最终因子值。该残差即为经过市值和行业中性化处理后的因子暴露[34]。 19. **大类因子** **构建思路**：将逻辑相似的多个单因子聚合，形成更具代表性和稳定性的因子类别，以考察各类投资逻辑的整体表现[44]。 **具体构建过程**：报告提及的因子库包括估值、盈利、成长、公司治理、价量、超预期、分析师等多种投资逻辑的大类因子[34]。每个大类因子内部，对其包含的所有单因子采用等权加权的方式合成[44]。 因子的回测效果 *注：以下为截至2025年12月12日的“本年”区间内，在各股票池中表现较好或较差的单因子及其超额收益。数据来源于报告中的单因子表现总结及详细表格[35][36][37][38][39][41][42]。* | 股票池 | 因子名称 | 超额收益 | | :--- | :--- | :--- | | **沪深300** | 单季度归母 ROE | 25.63% | | **沪深300** | 单季度营业收入同比增长率 | 25.10% | | **沪深300** | 单季度归母 ROA 变动 | 22.51% | | **中证500** | 分析师预测净利润增长率 FY3 | 15.13% | | **中证500** | 分析师预测营收 FY3 的 120 日变动 | 14.74% | | **中证500** | 分析师预测营收增长率-FY3 | 14.74% | | **中证1000** | 分析师预测 ROE-FY3 的 120 变动 | 21.77% | | **中证1000** | 标准化预期外单季度归母 ROE-带漂移项 | 20.54% | | **中证1000** | 标准化预期外单季度归母净利润-带漂移项 | 20.32% | | **中证2000** | 标准化预期外单季度扣非净利润-带漂移项 | 25.17% | | **中证2000** | 过去 90 日报告上调比例 | 24.28% | | **中证2000** | 5 分钟成交量偏度 | 23.98% | | **中证全指** | 分析师预测 ROE-FY3 的 120 变动 | 27.33% | | **中证全指** | 单季度营业收入同比增长率 | 21.77% | | **中证全指** | 分析师预测 ROA-FY3 的 120 变动 | 21.27% | 大类因子的回测效果 *注：以下为截至2025年12月12日的“本年”区间内，各大类因子的超额收益与多空收益。数据来源于报告中的大类因子表现总结及详细表格[45][46][47]。* | 股票池 | 因子类别 | 超额收益 | 多空收益 | | :--- | :--- | :--- | :--- | | **沪深300** | 盈利 | 31.35% | 41.69% | | **沪深300** | 分析师超预期 | 27.31% | 35.22% | | **沪深300** | 成长 | 26.87% | 42.74% | | **沪深300** | 分析师 | 18.50% | 25.53% | | **沪深300** | 超预期 | 8.35% | 28.04% | | **中证500** | 成长 | 16.53% | 未提供 | | **中证500** | 分析师 | 9.54% | 未提供 | | **中证500** | 超预期 | 7.35% | 未提供 |

量化模型与因子总结 量化模型与构建方式 本报告为市场数据跟踪报告，未涉及具体的预测性或策略性量化模型，因此无量化模型相关内容。 量化因子与构建方式 报告中对多个市场指标进行了跟踪和计算，这些指标可作为量化分析中的基础因子或特征。以下是报告中涉及的因子及其构建方式： 1. **因子名称：连阴连阳天数** * **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，来刻画市场的短期趋势延续性[11]。 * **因子具体构建过程**：从当前交易日开始向前追溯，若当日收益率为正则计数+1（连阳），若为负则计数-1（连阴），连续同向则累计，直到方向改变则重新计数。正数表示连阳天数，负数表示连阴天数[11]。 2. **因子名称：指数与均线相对位置** * **因子构建思路**：通过比较指数收盘价与不同周期移动平均线（MA）的位置关系，判断市场短期、中期和长期的趋势状态及支撑压力位[14]。 * **因子具体构建过程**：分别计算指数收盘价相对于5日、10日、20日、60日、120日、250日移动平均线的偏离百分比。计算公式为： $$ vsMA = (Close / MA_n - 1) \times 100\% $$ 其中，$Close$为当日收盘价，$MA_n$为对应的n日移动平均线[15]。 3. **因子名称：交易金额占比** * **因子构建思路**：计算特定宽基指数成交额占全市场（以中证全指为代表）成交额的比例，用以观察资金在不同板块间的流动和聚集情况[17]。 * **因子具体构建过程**： $$ 交易金额占比 = \frac{指数当日交易金额}{中证全指当日交易金额} \times 100\% $$ [17] 4. **因子名称：指数换手率** * **因子构建思路**：衡量指数成分股的整体交易活跃度，计算基于流通市值的加权平均换手率[17]。 * **因子具体构建过程**： $$ 指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)} $$ [17] 5. **因子名称：收益分布峰度（超额）** * **因子构建思路**：计算指数日收益率分布的峰度，并与近5年历史峰度均值的差值，用以衡量当前收益率分布相对于历史常态是更集中（尖峰）还是更分散（低峰）[24]。 * **因子具体构建过程**：首先计算指数日收益率序列的峰度（报告中计算时减去了正态分布的峰度值3）[24]。然后计算“当前vs.近5年”值，即当前峰度减去近5年峰度均值[24]。负值表示当前分布比历史常态更分散（负偏离）[22]。 6. **因子名称：收益分布偏度** * **因子构建思路**：计算指数日收益率分布的偏度，并与近5年历史偏度均值的差值，用以衡量当前收益率分布的不对称方向（左偏或右偏）及极端程度[24]。 * **因子具体构建过程**：计算指数日收益率序列的偏度[24]。然后计算“当前vs.近5年”值，即当前偏度减去近5年偏度均值[24]。负值表示当前分布的负偏态（左偏）程度相对于历史常态在减弱，或正偏态程度在降低[22]。 7. **因子名称：风险溢价** * **因子构建思路**：以十年期国债即期收益率作为无风险利率，计算股票指数预期收益率（常用市盈率倒数，即盈利收益率）与之差值，衡量股票市场相对于债市的超额收益吸引力[27]。 * **因子具体构建过程**： $$ 风险溢价 = \frac{1}{PE_{TTM}} - R_f $$ 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[27]。报告中也计算了该风险溢价在近1年和近5年历史数据中的分位值[31]。 8. **因子名称：PE-TTM历史分位值** * **因子构建思路**：计算指数当前滚动市盈率（PE-TTM）在其自身历史（如近5年）数据中所处的位置，用于判断当前估值水平的高低[39]。 * **因子具体构建过程**：将指数当前的PE-TTM值与近5年（或指定窗口）的每日PE-TTM序列进行比较，计算其百分位排名[42][43]。 9. **因子名称：股债性价比** * **因子构建思路**：本质是风险溢价的另一种表现形式，直接比较股票盈利收益率（PE-TTM的倒数）与国债收益率的高低，数值越大代表股票相对债券的吸引力越强[46]。 * **因子具体构建过程**： $$ 股债性价比 = \frac{1}{PE_{TTM}} - R_f $$ 其中，$R_f$为十年期国债即期收益率[46]。报告会将其与历史分位值（如80%和20%）进行比较[46]。 10. **因子名称：股息率** * **因子构建思路**：计算指数整体的现金分红回报率，是价值投资和红利策略关注的核心指标[48]。 * **因子具体构建过程**：指数股息率通常为成分股过去12个月现金分红总额除以指数的总市值[53]。报告中也计算了其近1年及近5年的历史分位值[53]。 11. **因子名称：破净率** * **因子构建思路**：计算指数中市净率（PB）小于1的个股数量占比，反映市场整体或特定板块的估值低迷程度[54]。 * **因子具体构建过程**： $$ 破净率 = \frac{指数内破净个股数}{指数成分股总数} \times 100\% $$ 其中，破净指个股的市净率小于1[54][57]。 因子的回测效果 本报告为市场状态跟踪报告，未提供基于上述因子的策略回测结果（如年化收益率、夏普比率、最大回撤等）。报告主要展示了各因子在特定时点（2025年12月15日）的截面数据或历史分位值，具体取值如下： 1. **连阴连阳天数因子**：当日，上证50连阳2天，沪深300连阳2天，中证2000连阳2天，中证全指连阴2天，中证1000连阴3天，中证2000连阴4天[11]。 2. **指数与均线相对位置因子**：当日，所有指数均低于5日均线；仅中证500高于10日均线(+0.3%)；仅中证1000低于20日均线(-0.04%)；上证50(-0.2%)和中证2000(-0.04%)低于60日均线，创业板指高于60日均线(+0.6%)[14][15]。 3. **交易金额占比因子**：当日，沪深300占比24.21%，中证2000占比23.6%，中证1000占比21.26%，创业板指占比约7.15%（根据图示估算），中证全指占比100%（基准），中证500占比约14.5%（根据图示估算），上证50占比约4.5%（根据图示估算）[17]。 4. **指数换手率因子**：当日，中证2000换手率3.66，中证1000换手率2.24，创业板指换手率2.15，中证全指换手率1.58，中证500换手率1.54，沪深300换手率0.51，上证50换手率0.23[17]。 5. **收益分布峰度（超额）因子**：当前vs近5年峰度差值：创业板指-2.36，上证50-2.16，中证500-2.12，沪深300-1.81，中证全指-1.79，中证2000-1.54，中证1000-1.28[24]。 6. **收益分布偏度因子**：当前vs近5年偏度差值：上证50-0.59，创业板指-0.58，中证500-0.53，沪深300-0.45，中证全指-0.44，中证2000-0.36，中证1000-0.34[24]。 7. **风险溢价因子**： * **当前值**：上证50 -0.26%，沪深300 -0.64%，中证500 -0.79%，中证1000 -0.85%，中证2000 -0.24%，中证全指 -0.64%，创业板指 -1.78%[31]。 * **近5年分位值**：上证50 40.16%，中证2000 38.73%，沪深300 24.44%，中证全指 24.05%，中证1000 23.41%，中证500 21.98%，创业板指 11.67%[31]。 8. **PE-TTM历史分位值因子**： * **近5年分位值**：中证500 94.96%，中证1000 93.80%，中证全指 91.07%，上证50 81.65%，沪深300 81.07%，中证2000 80.41%，创业板指 56.69%[42][43]。 * **当前值**：上证50 11.61，沪深300 13.90，中证500 32.45，中证1000 45.01，中证2000 152.69，中证全指 20.94，创业板指 40.64[43]。 9. **股债性价比因子**：当日，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）[46]。 10. **股息率因子**： * **当前值**：上证50 3.18%，沪深300 2.77%，中证全指 2.06%，中证500 1.45%，中证1000 1.14%，创业板指 0.98%，中证2000 0.79%[53]。 * **近5年分位值**：创业板指 65.29%，中证1000 51.16%，沪深300 38.68%，中证全指 37.44%，上证50 31.65%，中证2000 27.69%，中证500 24.96%[53]。 11. **破净率因子**：当日，上证50破净率22.0%，沪深300破净率16.0%，中证500破净率11.0%，中证1000破净率8.1%，中证2000破净率3.8%，中证全指破净率6.4%，创业板指破净率NaN%[57]。

量化因子与构建方式 1. **因子名称**：大买单成交金额占比[7] * **因子构建思路**：通过逐笔成交数据还原买卖单，筛选大单，计算大买单成交金额占总成交金额的比例，以刻画大资金的买入行为[7]。 * **因子具体构建过程**： 1. 使用逐笔成交数据，根据叫买和叫卖序号，将数据还原为买卖单数据[7]。 2. 按照每单的成交量筛选得到大单[7]。 3. 计算大买单的成交金额占当日总成交金额的比例[7]。 * 公式：$$大买单成交金额占比 = \frac{当日大买单成交金额}{当日总成交金额} \times 100\%$$ 2. **因子名称**：净主动买入金额占比[7] * **因子构建思路**：根据逐笔成交数据中的买卖标志，界定主动买入和主动卖出，计算两者成交金额之差占总成交金额的比例，以刻画投资者的主动买入行为[7]。 * **因子具体构建过程**： 1. 使用逐笔成交数据，根据买卖标志界定每笔成交属于主动买入还是主动卖出[7]。 2. 计算主动买入成交金额与主动卖出成交金额的差值，得到净主动买入金额[7]。 3. 计算净主动买入金额占当日总成交金额的比例[7]。 * 公式：$$净主动买入金额占比 = \frac{当日主动买入成交金额 - 当日主动卖出成交金额}{当日总成交金额} \times 100\%$$ 因子的回测效果 1. **大买单成交金额占比因子**，近5日（20251208-20251212）均值：再升科技 91.4%[9]，安妮股份 91.2%[9]，康欣新材 87.9%[9]，广田集团 87.6%[9]，中泰化学 87.5%[9]，宁波港 87.3%[9]，古越龙山 87.2%[9]，酒钢宏兴 87.1%[9]，富森美 87.1%[9]；上证指数 73.0%[12]，上证50 68.9%[12]，沪深300 72.0%[12]，中证500 73.3%[12]，创业板指 71.4%[12]；非银行金融行业 78.5%[13]，钢铁行业 78.2%[13]，银行业 78.1%[13]，房地产业 77.9%[13]，电力及公用事业行业 77.6%[13]；国泰中证A500ETF 91.5%[15]，国泰上证10年期国债ETF 91.1%[15]，华宝中证军工ETF 90.9%[15]，华宝中证银行ETF 90.7%[15]，广发中证军工ETF 90.5%[15]。 2. **净主动买入金额占比因子**，近5日（20251208-20251212）均值：热景生物 15.9%[10]，蓝晓科技 14.5%[10]，壹连科技 14.0%[10]，厦门银行 14.0%[10]，华懋科技 13.1%[10]，苑东生物 12.6%[10]，晋亿实业 12.6%[10]，东山精密 11.3%[10]；上证指数 0.8%[12]，上证50 3.1%[12]，沪深300 2.6%[12]，中证500 5.0%[12]，创业板指 3.5%[12]；非银行金融行业 6.3%[13]，电力设备及新能源行业 5.9%[13]，通信行业 2.5%[13]，电子行业 2.2%[13]，电力及公用事业行业 1.8%[13]；国泰上证10年期国债ETF 25.9%[16]，华夏中证5G通信主题ETF 19.1%[16]，华夏中证人工智能ETF 16.7%[16]，广发上证科创板50ETF 15.9%[16]，易方达中证科创创业50ETF 14.6%[16]。

量化模型与构建方式 1. **模型名称：行业拥挤度监测模型**[3] * **模型构建思路**：通过构建一个量化模型，对申万一级行业指数的拥挤度进行每日监测，以识别市场情绪过热或过冷的行业[3]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤、所使用的底层因子或计算公式。 2. **模型名称：溢价率 Z-score 模型**[4] * **模型构建思路**：通过计算ETF溢价率的Z-score值，来识别当前溢价率相对于其历史水平的偏离程度，从而筛选出存在潜在套利机会或回调风险的ETF产品[4]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤，但提及了核心指标“溢价率Z-score”。通常，此类模型的构建过程可能包含以下步骤： 1. 计算ETF的日度溢价率：$$溢价率 = (ETF市价 - ETF净值) / ETF净值$$ 2. 选取一个滚动时间窗口（如过去60个交易日），计算该窗口内溢价率的均值($$\mu$$)和标准差($$\sigma$$)。 3. 计算当前溢价率的Z-score值：$$Z_t = (溢价率_t - \mu) / \sigma$$ 其中，$$Z_t$$代表当前时点的溢价率Z-score值，用于衡量当前溢价率相对于其近期历史均值的标准化偏离[4]。 量化因子与构建方式 1. **因子名称：行业拥挤度**[3] * **因子构建思路**：综合多个维度衡量一个行业交易过热或过冷的程度，数值越高通常表示该行业越拥挤[3]。 * **因子具体构建过程**：报告未详细说明该因子的具体合成方法、涉及的子因子或计算公式。 2. **因子名称：溢价率Z-score**[4] * **因子构建思路**：衡量ETF当前溢价率在其近期历史分布中的位置，是一个标准化后的偏离度指标，用于判断溢价率是否处于极端水平[4]。 * **因子具体构建过程**：见上文“溢价率 Z-score 模型”的具体构建过程中对Z-score的计算描述[4]。 模型的回测效果 （报告未提供相关模型的回测绩效指标，如年化收益率、夏普比率、最大回撤等。） 因子的回测效果 （报告未提供相关因子的IC、IR、多空收益等检验指标。） 模型/因子的具体测试结果取值 1. **行业拥挤度监测模型** 与 **行业拥挤度因子** * **测试结果取值**：报告给出了截至前一交易日（2025/12/12）的监测结果。拥挤度排名靠前的行业为：通信、军工、电子[3]。拥挤度水平较低的行业为：计算机、汽车、传媒[3]。拥挤度变动较大的行业为：建筑装饰、房地产[3]。 2. **溢价率 Z-score 模型** 与 **溢价率Z-score因子** * **测试结果取值**：报告根据该模型输出了“ETF产品关注信号”列表，给出了建议关注的ETF产品，包括：双创龙头ETF(588330.SH)、红利国企ETF(510720.SH)、医疗创新ETF(516820.SH)、有色金属ETF(512400.SH)、工业有色ETF(560860.SH)[14]。报告未列出这些ETF具体的Z-score数值。

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**：无 **模型具体构建过程**：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**：通过计算当日最高价涨停且收盘涨停的股票比例，来衡量市场涨停股的封板强度和市场情绪[18]。 **因子具体构建过程**：筛选上市满3个月以上的股票，统计在特定交易日满足以下两个条件的股票数量：1) 当日最高价达到涨停价；2) 当日收盘价涨停。封板率即为同时满足这两个条件的股票数与仅满足条件1的股票数之比[18]。 **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投机情绪和资金封板意愿的高频指标，封板率越高，通常意味着市场对涨停股的追捧情绪越强，短线赚钱效应越好[18]。 2. **因子名称**：连板率因子 **因子构建思路**：通过计算连续两日收盘涨停的股票比例，来衡量市场涨停股的持续性和龙头股的接力情绪[18]。 **因子具体构建过程**：筛选上市满3个月以上的股票，统计在特定交易日满足以下条件的股票数量：1) 当日收盘价涨停；2) 前一交易日收盘价也涨停。连板率即为同时满足这两个条件的股票数与前一交易日所有收盘涨停的股票数之比[18]。 **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**：该因子是衡量市场连板效应和题材炒作持续性的重要指标，连板率越高，表明市场短线资金接力意愿强，题材炒作可能具有较好的持续性[18]。 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相对于市价的折价幅度，来反映大资金（机构、股东等）的卖出意愿和折价交易情绪[27]。 **因子具体构建过程**：统计特定交易日所有大宗交易数据，计算总成交金额，并根据成交份额与当日收盘价计算对应的总市值。折价率为总成交金额与总市值之比减1[27]。 **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**：该因子通常被视为“聪明钱”或“内部人”情绪的指标。较高的折价率可能意味着大股东或机构急于套现或对后市看法偏谨慎；较低的折价率或溢价则可能反映接盘方看好后市[27]。 4. **因子名称**：股指期货年化贴水率因子 **因子构建思路**：通过计算股指期货主力合约价格相对于现货指数的年化基差，来反映市场对未来指数的预期、对冲成本以及市场情绪[29]。 **因子具体构建过程**：对于特定股指期货主力合约（如上证50、沪深300等），计算其结算价与对应现货指数收盘价的差值（基差）。然后将基差除以现货指数价格，再乘以年化因子（250天除以合约剩余交易日数），得到年化贴水率。当期货价格高于现货时，结果为年化升水率；反之则为年化贴水率[29]。 **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**：该因子是市场情绪和资金成本的重要风向标。深度贴水可能反映市场情绪悲观、对冲需求旺盛或存在套利机会；而升水或浅度贴水则可能反映市场情绪乐观或对冲成本较低[29]。不同指数期货的贴水率差异也能反映市场对不同风格板块的预期差异。 模型的回测效果 *无相关内容* 因子的回测效果 1. **封板率因子**：2025年12月15日，封板率取值为65%[18]。 2. **连板率因子**：2025年12月15日，连板率取值为20%[18]。 3. **大宗交易折价率因子**： * 近半年以来平均折价率取值为6.65%[27]。 * 2025年12月12日，当日折价率取值为4.59%[27]。 4. **股指期货年化贴水率因子**： * **历史中位数（近一年）**：上证50为0.89%，沪深300为3.70%，中证500为11.22%，中证1000为13.67%[29]。 * **当日取值（2025年12月15日）及历史分位**： * 上证50年化贴水率为6.84%，处于近一年16%分位点[29]。 * 沪深300年化贴水率为8.87%，处于近一年19%分位点[29]。 * 中证500年化升水率为1.61%，处于近一年97%分位点[29]。 * 中证1000年化贴水率为0.92%，处于近一年98%分位点[29]。

量化模型与构建方式 1. **模型名称**：绿色转型板块资金流向分析模型[34] **模型构建思路**：为追踪碳中和进程中的资金流向，将市场行业划分为不同功能定位的板块，并分析其主力资金净流入/流出情况[34] **模型具体构建过程**： * **板块分类**：基于各行业在碳减排链条中的功能定位，将与绿色或转型相关的行业划分为三类[34]： * **低碳核心板块**：涵盖直接贡献碳减排的行业，如电力设备、环保，以及公用事业和汽车行业的部分领域[39] * **低碳支撑板块**：包括为产业绿色转型提供数字化、自动化和智能化支撑的行业，如计算机、通信、电子及机械设备的部分领域[39] * **转型主体板块**：包括能源消耗强度高、排放基数大的重点减排领域，如火电、煤炭、钢铁、有色金属、化工等[39] * **资金流向计算**：计算每个板块的“主力净流入额”和“净流入率”等指标，以分析资金动向[35][36] **模型评价**：该分类模型有助于从资金层面观察市场对不同绿色转型环节的关注度和偏好变化，为趋势分析提供了结构化视角[34] 量化因子与构建方式 1. **因子名称**：ESG事件情绪因子[43] **因子构建思路**：通过统计全市场ESG相关事件的数量及正负向比例，构建反映市场ESG整体情绪和结构性热点的因子[43] **因子具体构建过程**： * **事件收集与分类**：收集全市场ESG相关事件，并按情绪方向分为正向、负向和中性三类[43] * **总量与结构计算**： * 计算周度ESG事件总数[43] * 计算正向事件占比：$$正向事件占比 = \frac{正向事件数量}{ESG事件总数}$$[43] * 计算负向事件占比：$$负向事件占比 = \frac{负向事件数量}{ESG事件总数}$$[43] * **维度与议题分析**：将事件按环境(E)、社会(S)、治理(G)三个维度进行划分，并统计各维度下的热点议题（如“战略合作”、“减持”、“绿色产品”等）[46][48] * **行业层面分析**：统计各行业发生的ESG事件数量及正负向比例，识别舆情积极或承压的行业[49][52] 2. **因子名称**：行业ESG舆情集中度因子[53] **因子构建思路**：通过计算ESG事件数量在行业间的分布，识别市场关注度最为集中的行业板块[53] **因子具体构建过程**： * 统计各行业本周ESG事件总数[52] * 计算头部行业事件合计占全市场总事件数的比例，例如报告中指出电子、电力设备与汽车三大行业合计占全市场总事件数的27.5%[53] 模型的回测效果 1. 绿色转型板块资金流向分析模型[34] * 本周低碳核心板块主力净流出额：约79亿元[35] * 本周低碳核心板块净流入率：-0.7%[35] * 本周低碳支撑板块主力净流出额：约535亿元[35] * 本周低碳支撑板块净流入率：-1.53%[35] * 本周转型主体板块主力净流出额：约120亿元[35] * 本周转型主体板块净流入率：-0.86%[35] * 本周各板块成交额占比：低碳核心12%，低碳支撑36%，转型主体14%，其他板块38%[35][38] 因子的回测效果 1. ESG事件情绪因子[43] * 本周全市场ESG事件总数：2279件[43] * 本周正向事件占比：50.2%[43] * 本周负向事件占比：38.3%[43] * 本周中性事件占比：11.4%[43] * 本周事件维度分布：环境(E)维度255件，社会(S)维度107件，治理(G)维度2315件[46][48] * 本周热点议题示例：治理(G)维度TOP3为“战略合作”（621件）、“减持”（406件）、“兼并收购”（250件）[48] 2. 行业ESG舆情集中度因子[53] * 本周ESG事件数量前三行业：电子（232件）、电力设备（205件）、汽车（190件）[52][53] * 前三行业事件数合计占比：27.5%[53] * 代表性行业正向事件占比：汽车行业72.1%，电力设备行业56.1%，电子行业34.1%[49][53]

aa 证券研究报告·金融工程报告 2025 年 12 月 15 日 江海证券研究发展部 金融工程定期报告 转债震荡微涨，量能有所回暖 核心内容： ◆可转债市场表现： ◆可转债条款跟踪： 江海证券有限公司及其关联机构在法律许可的情况下可能与本报告所分析的企业存在业务关系，并且继续寻求发展这些关系。因此，投资者应当考虑到本公司可能存在影响本报告客观性的 利益冲突，不应视本报告为投资决策的唯一因素。 敬请参阅最后一页之免责条款 分析师：梁俊炜 执业证书编号： S1410524090001 联系人：朱威 执业证书编号： S1410124010022 相关研究报告 5.可转债跟踪周报：转债继续随权益 上涨，可维持均衡配置—2025.11.10 ➢ 近一周（2025-12-08 至 2025-12-12），上证转债、深证转债、中证转债指数 周涨跌幅分别为 0.388%、-0.099%、0.201%。权益市场中，上证指数周涨跌 幅为-0.345%，收于 3889.35 点；中证全指周涨跌幅为 0.191%，收于 5787.86 点。对比转债市场与权益市场，中证转债相较于中证全指周绝对收 益为 0.010%。 ➢ 近一周（2 ...

证券研究报告|专题报告 金融工程 2025年12月15日 因子动量和反转特征下的动态调整思路 证券分析师： 李杨 执业证书编号： S0210524100005 赵馨 执业证书编号： S0210525010002 请务必阅读报告末页的重要声明 华福证券 华福证券 投资要点 2 华福证券 华福证券 ➢ 不同股票池内风格因子表达的对比。风格因子体系将资产的收益与风险归因于不同的因子，如估值因子、质量因子、价量因子等 。我们将股票划分为四个池子：大盘、小盘、成长和价值。对近十年不同股票池的风格因子进行分析。从股票池来看，小盘是因 子"舒适区"——15个因子中有11个在小盘内的Rank-ICIR稳居前二，因子方向11年几乎不反转；大盘则对因子高敏，方向切换 频繁。成长池与价值池之间的因子表达差异弱于大小盘。从时间维度来看，2019-2020的牛市周期内，大盘内多数因子与其他环 境表达方向相悖。2023年因子都异常显著。从具体因子来看，估值因子在大盘呈显著正向优势，质量类因子在大盘表现突出但 earning variability较profitability稳定性更强，在成长池内的选股效果弱于其他池。价量因子中momen ...

量化模型与因子总结 量化因子与构建方式 1. **因子名称：风险溢价因子**[26] * **因子构建思路**：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[26]。 * **因子具体构建过程**：风险溢价的计算公式为指数的预期收益率（通常用市盈率倒数或股息率等指标近似）减去无风险利率。报告中直接给出了各指数的“当前风险溢价”值，其计算逻辑为：风险溢价 = 指数收益率（或估值隐含收益率） - 十年期国债即期收益率[26][28]。具体计算中，指数收益率可能采用了基于市盈率（PE-TTM）的隐含收益率（即1/PE）或股息率。 2. **因子名称：股债性价比因子**[45] * **因子构建思路**：以各指数市盈率（PE-TTM）的倒数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[45]。 * **因子具体构建过程**：股债性价比 = (1 / 指数PE-TTM) - 十年期国债即期收益率[45]。该值越高，表明股票相对于债券的吸引力越强。 3. **因子名称：股息率因子**[47] * **因子构建思路**：股息率反映现金分红回报率，是红利投资风格的核心指标。在市场低迷或利率下行期，高股息资产因其稳定的现金流和较低的估值可能更具防御性或吸引力[47]。 * **因子具体构建过程**：股息率 = 年度现金分红总额 / 总市值。报告中直接列出了各宽基指数的当前股息率值[51]。 4. **因子名称：破净率因子**[52] * **因子构建思路**：破净率指的是市净率（PB）小于1的个股数量占比，用于反映市场整体的估值态度和悲观程度。破净率越高，表明市场低估的情况越普遍；反之，可能表明市场对未来发展持乐观态度[52][54]。 * **因子具体构建过程**：破净率 = (指数成分股中市净率(PB) < 1的股票数量) / 指数总成分股数量[52]。报告直接给出了各指数的当前破净率[55]。 5. **因子名称：收益分布形态因子（偏度与峰度）**[22][24] * **因子构建思路**：通过计算指数日收益率分布的偏度和峰度，来刻画收益分布的不对称性和尖峰厚尾特征，用于评估极端收益出现的可能性和分布集中程度[22]。 * **因子具体构建过程**： * **偏度 (Skewness)**：衡量收益率分布的不对称性。正偏态表示极端正收益情形增加，负偏态表示极端负收益情形增加[22]。计算公式为三阶标准化矩。 * **峰度 (Kurtosis)**：衡量收益率分布的尖峭程度。报告中指出“峰度越大，说明各区间段的收益率分布更集中”[22]。其计算中减去了3（正态分布的峰度值），因此报告中的“峰度”实为超额峰度[24]。 6. **因子名称：均线比较因子**[14] * **因子构建思路**：通过比较指数收盘价与不同周期移动平均线（MA）的位置关系，来判断指数的短期、中期趋势强弱[14]。 * **因子具体构建过程**：计算指数收盘价相对于5日、10日、20日、60日、120日、250日移动平均线的偏离百分比。公式为：偏离百分比 = (收盘价 / MA_n - 1) * 100%[14]。报告中用“vsMA5”等列直接展示了该值。 7. **因子名称：换手率因子**[16] * **因子构建思路**：换手率反映了指数的交易活跃度和流动性情况[16]。 * **因子具体构建过程**：指数换手率计算方式为：指数换手率 = Σ(成分股流通股本 * 成分股换手率) / Σ(成分股流通股本)[16]。 因子的回测效果（指标取值） **注**：本报告主要为市场数据跟踪与统计，未提供基于因子构建投资组合并进行历史回测的绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。报告中所列数值均为特定时点（2025年12月12日）的因子截面值或历史统计值，并非回测绩效指标。 1. **风险溢价因子** * 当前值：上证50 (0.58%)， 沪深300 (0.62%)， 中证500 (1.22%)， 中证1000 (0.80%)， 中证2000 (0.66%)， 中证全指 (0.74%)， 创业板指 (0.96%)[30] * 近5年分位值：上证50 (76.83%)， 沪深300 (75.56%)， 中证500 (86.75%)， 中证1000 (74.13%)， 中证2000 (65.16%)， 中证全指 (76.83%)， 创业板指 (75.63%)[30] 2. **PE-TTM（估值因子）** * 当前值：上证50 (11.73)， 沪深300 (13.92)， 中证500 (32.74)， 中证1000 (47.15)， 中证2000 (154.93)， 中证全指 (20.98)， 创业板指 (41.36)[42] * 近5年分位值：上证50 (82.48%)， 沪深300 (81.24%)， 中证500 (95.45%)， 中证1000 (96.61%)， 中证2000 (82.23%)， 中证全指 (91.32%)， 创业板指 (57.77%)[42] 3. **股息率因子** * 当前值：上证50 (3.34%)， 沪深300 (2.79%)， 中证500 (1.38%)， 中证1000 (1.13%)， 中证2000 (0.76%)， 中证全指 (2.06%)， 创业板指 (1.00%)[51] * 近5年分位值：上证50 (37.52%)， 沪深300 (39.34%)， 中证500 (15.70%)， 中证1000 (47.19%)， 中证2000 (12.56%)， 中证全指 (37.52%)， 创业板指 (66.61%)[51] 4. **破净率因子** * 当前值：上证50 (24.0%)， 沪深300 (16.67%)， 中证500 (11.8%)， 中证1000 (8.7%)， 中证2000 (3.5%)， 创业板指 (1.0%)， 中证全指 (6.55%)[55] 5. **收益分布形态因子** * 当前峰度（超额）：上证50 (-0.05)， 沪深300 (0.63)， 中证500 (0.81)， 中证1000 (1.52)， 中证2000 (1.38)， 中证全指 (0.98)， 创业板指 (1.34)[24] * 当前偏度：上证50 (1.31)， 沪深300 (1.54)， 中证500 (1.55)， 中证1000 (1.68)， 中证2000 (1.68)， 中证全指 (1.61)， 创业板指 (1.65)[24] 6. **均线比较因子** * vsMA5（收盘价较5日均线偏离）：上证50 (-0.03%)， 沪深300 (-0.2%)， 中证500 (0.4%)， 中证1000 (-0.1%)， 中证2000 (-0.5%)， 中证全指 (-0.1%)， 创业板指 (0.03%)[14] * vsMA60（收盘价较60日均线偏离）：上证50 (0.1%)， 沪深300 (-0.2%)， 中证500 (-0.4%)， 中证1000 (-0.7%)， 中证2000 (0.2%)， 中证全指 (-0.3%)， 创业板指 (2.5%)[14] 7. **换手率因子** * 当前换手率：中证2000 (4.1)， 创业板指 (2.66)， 中证1000 (2.5)， 中证全指 (1.77)， 中证500 (1.74)， 沪深300 (0.65)， 上证50 (0.34)[16]

量化模型与构建方式 1. **模型名称：量能择时模型**[23] * **模型构建思路**：通过分析市场成交量的变化来判断市场趋势和买卖时机，当量能指标发出看多信号时，认为市场可能上涨[23]。 * **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计算步骤，仅提及其为一种择时信号[23]。 2. **模型名称：沪深300上涨家数占比择时模型**[24][27] * **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股票的家数占比，来衡量市场情绪。当上涨家数占比高时，市场情绪可能过热；当上涨家数占比从低位回升时，可能预示市场底部[24]。 * **模型具体构建过程**： 1. 计算沪深300指数成分股过去N日收益大于0的个股数占比，得到原始指标[24]。 2. 对原始指标进行两次不同窗口期的移动平均平滑，得到快线（短期平滑线）和慢线（长期平滑线）[27]。 3. 生成交易信号：当快线大于慢线时，认为市场情绪上行，发出看多信号；当快线小于慢线时，认为市场情绪下行，持谨慎或中性态度[27]。 * **模型评价**：该指标可以较快捕捉上涨机会，但也会错失市场持续亢奋阶段的上涨收益，且对下跌市场的判断存在缺陷，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**[30][31] * **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的位置关系，来评估市场的趋势状态和情绪[30]。 * **模型具体构建过程**： 1. 计算沪深300收盘价的八条均线，参数分别为8, 13, 21, 34, 55, 89, 144, 233[30]。 2. 统计当日沪深300指数收盘价大于这八条均线指标值的数量[31]。 3. 生成交易信号：当收盘价大于均线的数量超过5条时，看多沪深300指数[31]。 4. **因子名称：横截面波动率**[34] * **因子构建思路**：衡量同一时间点（截面）上，某一指数（如沪深300）内所有成分股收益率之间的离散程度。波动率越高，表明个股表现分化越大，可能意味着Alpha（超额收益）机会更多[34]。 * **因子具体构建过程**：报告未给出具体的计算公式，但指出其用于观察市场赚钱效应和Alpha环境[34]。 5. **因子名称：时间序列波动率**[37] * **因子构建思路**：衡量指数成分股收益率随时间变化的波动程度。波动率上升可能意味着市场活跃度增加，Alpha环境改善[37]。 * **因子具体构建过程**：报告未给出具体的计算公式，但指出其用于观察市场赚钱效应和Alpha环境[37]。 6. **因子名称：基金抱团分离度**[81] * **因子构建思路**：通过计算抱团基金组合截面收益的标准差，来度量基金抱团的程度。标准差小表示抱团基金表现趋同，抱团程度高；标准差大表示抱团正在瓦解[81]。 * **因子具体构建过程**： 1. 构造抱团基金组合（具体构造方法未详述）[81]。 2. 计算该抱团基金组合在截面上的收益率标准差，作为分离度指标[81]。 模型的回测效果 （报告中未提供各择时模型的具体回测绩效指标数值，如年化收益率、夏普比率、最大回撤等。） 因子的回测效果 1. **横截面波动率因子** * **沪深300横截面波动率**：近两年平均值1.93%，近一年平均值1.89%，近半年平均值1.99%，近一季度平均值2.05%[37]。近一季度平均值处于近两年、近一年、近半年分位数的71.22%、73.50%、69.15%[37]。 * **中证500横截面波动率**：近两年平均值2.11%，近一年平均值2.11%，近半年平均值2.16%，近一季度平均值2.27%[37]。近一季度平均值处于近两年、近一年、近半年分位数的57.94%、65.87%、61.90%[37]。 * **中证1000横截面波动率**：近两年平均值2.31%，近一年平均值2.39%，近半年平均值2.40%，近一季度平均值2.47%[37]。近一季度平均值处于近两年、近一年、近半年分位数的73.31%、71.71%、65.74%[37]。 2. **时间序列波动率因子** * **沪深300时序波动率**：近两年平均值0.65%，近一年平均值0.61%，近半年平均值0.62%，近一季度平均值0.64%[40]。近一季度平均值处于近两年、近一年、近半年分位数的60.25%、65.84%、59.21%[40]。 * **中证500时序波动率**：近两年平均值0.47%，近一年平均值0.45%，近半年平均值0.45%，近一季度平均值0.48%[40]。近一季度平均值处于近两年、近一年、近半年分位数的65.08%、66.67%、64.29%[40]。 * **中证1000时序波动率**：近两年平均值0.26%，近一年平均值0.25%，近半年平均值0.24%，近一季度平均值0.26%[40]。近一季度平均值处于近两年、近一年、近半年分位数的69.72%、71.71%、63.75%[40]。