大额买入与资金流向跟踪（20260427-20260430） [Table_Authors] 郑雅斌(分析师) 本报告导读： 参考团队前期发布的专题报告选股因子系列研究（五十六、五十七），本报告旨在通 过交易明细数据构建相关指标，跟踪大额买入和净主动买入。 投资要点： | | 021-23219395 | | --- | --- | | | zhengyabin@gtht.com | | 登记编号 | S0880525040105 | | | 张耿宇(分析师) | | | 021-23183109 | | | zhanggengyu@gtht.com | | 登记编号 | S0880525040078 | [Table_Report] 相关报告 量化择时和拥挤度预警周报（20260430） 2026.05.04 低频选股因子周报（2026.04.24-2026.04.30） 2026.05.03 高频选股因子周报（20260427-20260430） 2026.05.02 大额买入与资金流向跟踪（20260420-20260424） 2026.04.28 红利风格择时周报（0420-0424） 2026.04 ...

量化模型与构建方式 1. **模型名称：股指分红点位预测模型**[38][39] * **模型构建思路**：为准确计算股指期货的升贴水，必须扣除指数成分股分红导致的点位自然下滑影响。该模型旨在精确预测从当前时刻到股指期货合约到期日之间，指数因成分股分红而将损失的点数[12][38]。 * **模型具体构建过程**：模型的核心是计算在特定时间段内，指数所有成分股分红对指数点位的总影响。其基本公式为[38]： $$分红点数 = \sum_{n=1}^{N} \left( \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价 \right)$$ 其中，求和仅针对除息日介于当前日期 `t` 和期货合约到期日 `T` 之间（`t < 除息日 ≤ T`）的成分股[38]。具体构建流程包括以下关键步骤[39][42]： * **步骤1：获取精确的日度成分股权重**。采用中证指数公司每日披露的收盘权重数据，而非基于月末权重的估算，以确保权重准确性[46]。若需估算，公式为：$$W_{n,t}={\frac{w_{i0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{n})}}$$ 其中，`w_i0` 是最近一次公布的权重，`r_n` 是个股从公布日到当前日的非复权涨跌幅[45]。 * **步骤2：预测成分股分红金额**。若公司已公布分红金额，则直接采用；若未公布，则需预测。分红金额 = 净利润 × 股息支付率[47]。 * **净利润预测**：采用“基于历史净利润分布的动态预测法”。若公司已公布年报、快报或业绩预告，则直接采用（业绩预告取上下限均值）。若未披露，则根据公司历史季度盈利分布的稳定性进行分类预测：对于盈利分布稳定的公司，按历史规律预测；对于不稳定的公司，使用上年同期利润作为预测值[49]。 * **股息支付率预测**：采用历史数据替代。若公司去年分红，则用去年股息支付率；若去年不分红，则用最近3年平均股息支付率；若从未分红，则默认今年不分红；当预测值大于100%时进行截尾处理[50][53]。 * **步骤3：预测成分股除息日**。采用“基于历史间隔天数稳定性的线性外推法”[51]。 * 若已公布除息日，则直接采用。 * 若未公布，则根据公司是否已公布分红预案、所处阶段（预案/决案）以及历史公告日到除息日的间隔天数的稳定性，选择使用线性外推法或直接采用历史分红日期进行预测。 * 若上述方法均不适用，则根据预测时间点，采用7月31日、8月31日或9月30日作为默认除息日[56]。 * **模型评价**：该模型是一个精细化、系统化的工程模型，通过多步骤预测和多种数据源（精确日度权重、历史分布规律、公告信息）相结合，旨在提高对指数分红点位预测的准确度[12][38][46]。模型对于上证50和沪深300指数的预测准确度较高，对于中证500和中证1000指数的预测误差稍大但基本稳定[61]。 2. **因子名称：已实现股息率与剩余股息率**[17] * **因子构建思路**：将指数成分股按其分红实施状态进行分类，分别计算本年度已经完成分红的部分和尚未分红的部分所对应的股息率，用以动态跟踪指数的分红进度和预期收益[17]。 * **因子具体构建过程**：该因子为两个相关指标。 * **已实现股息率**：计算指数中**本年度已完成现金分红**的成分股所贡献的股息率。公式核心为对已分红公司，汇总其（分红金额/总市值）与其在指数中权重的乘积[17]。 * **剩余股息率**：计算指数中**本年度尚未进行现金分红**的成分股（包括已公布预案/决案但未实施，以及预测将分红但未公告的公司）**预期**将贡献的股息率。公式核心为对未分红公司，汇总其（预测分红金额/总市值）与其在指数中权重的乘积[17]。 * （注：报告原文中公式部分存在乱码，但根据文字描述可清晰理解其构建逻辑。） 模型的回测效果 1. **股指分红点位预测模型** * **预测误差（2024年）**：对上证50和沪深300指数的预测误差基本在5个点左右；对中证500和中证1000指数的预测误差基本在10个点左右[61]。 * **预测误差（2025年）**：对上证50和沪深300指数的预测误差基本在5个点左右；对中证500和中证1000指数的预测误差基本在10个点左右[61]。 * **预测准确性评价**：模型对于上证50、沪深300、中证500及中证1000股指期货主力合约的股息点预测整体效果较好，具有较好的预测准确性[61]。 因子的回测效果 1. **已实现股息率与剩余股息率因子（截至2026年5月6日）**[3][17] * **上证50指数**：已实现股息率 0.00%，剩余股息率 2.37% * **沪深300指数**：已实现股息率 0.11%，剩余股息率 1.77% * **中证500指数**：已实现股息率 0.04%，剩余股息率 0.98% * **中证1000指数**：已实现股息率 0.02%，剩余股息率 0.76%

证券研究报告 | 2026年05月06日 2026年05月07日 机构关注与龙虎榜：近一周内调研机构较多的股票是澜起科技、九号公司 -WD、中科飞测、麦格米特、凌云光、纳芯微、聚辰股份、传音控股等，澜 起科技被 426 家机构调研。20260506 披露龙虎榜数据中，机构专用席位净 流入前十的股票是江波龙、盛龙股份、众合科技、德明利、大普微-UW、云 南锗业、西部材料、泰金新能、朗科科技、金富科技等，机构专用席位净流 出前十的股票是潍柴动力、粤桂股份、翔鹭钨业、中曼石油、达意隆、博云 新材、卓易信息、金陵体育、平治信息、金能科技等。陆股通净流入前十的 股票是潍柴动力、江波龙、东方国信、西部材料、德明利、朗科科技、盈峰 环境、节能风电、云南锗业、瑞可达、众合科技、中曼石油、粤传媒、长龄 液压等，陆股通净流出前十的股票是德福科技、粤桂股份、*ST 航图、汇金 股份、金能科技等。 风险提示：市场环境变动风险；本报告基于历史客观数据统计，不构成投资 建议。 核心观点 金融工程日报 金融工程日报 沪指涨逾 1%，连板率创近一个月新高 市场表现：20260506 市场全线上涨，规模指数中中证 500 指数表现较好， 板块 ...

量化模型与构建方式 **注：** 本研报主要围绕黄金的定价逻辑、波动跟踪和择时策略展开，构建了多个用于择时的信号模型（或称策略），并测试了多个量化因子（或称指标）的领先性。报告核心是策略组合，而非传统意义上的多因子选股模型。因此，以下总结将“模型”理解为“择时信号模型/策略”，将“因子”理解为“用于生成信号的底层指标”。 1. 择时信号模型/策略 1.1. 模型名称：定期信号择时策略 **模型构建思路：** 基于具有领先性的定期更新指标（季频、月频、周频），在信号出现后的下一期（季度/月/周）满仓黄金，否则空仓，以获取超额收益[4][56]。 **模型具体构建过程：** 1. **信号指标筛选：** 从多个刻画黄金定价逻辑的指标中，筛选出在不同频率下具有领先性的指标作为信号源[34]。包括： * 季频：全球黄金储备（季度增加超过65吨）[27][58]。 * 月频：黄金ETF持有量（月度增加>0）[27][58]。 * 周频：美国经济政策不确定性指数（EPU指数，历史分位数超过90%）[27][58]。 2. **信号判定：** 在每个调仓时点（季度末、月末、周末），根据对应指标的信号判定规则，判断信号为1（看多）或0（看空）[27][58]。 3. **仓位设置：** 若信号为1，则在下一期（季度/月/周）保持满仓黄金；若信号为0，则空仓[56]。 **模型评价：** 策略收益一般，但换手率较低，相当于配置盘，关注中长期趋势[4][76]。 1.2. 模型名称：不定期信号择时策略 **模型构建思路：** 基于日频更新的隐波、期现基差等指标，结合趋势判断，设计不定期的择时信号，在信号出现后的下一个交易日调整仓位，以捕捉短期交易机会[56]。 **模型具体构建过程：** 1. **隐波+趋势模型：** * **趋势信号：** 使用金价的移动平均线（MA）判断趋势。当MA20上穿MA60时，趋势信号为1（上行），直至MA20下穿MA60[56]。 * **波动信号：** 使用黄金隐含波动率（GVZ.GI）的滚动三年分位数判断波动阶段。分位数水平上穿95%至下降到80%以下为高波，予以剔除；其余低波和中波区间的波动信号为1[57]。 * **综合信号：** 当趋势信号与波动信号均为1时，发出看多信号（信号1），下一个交易日满仓黄金；否则空仓[57]。 2. **期现基差模型：** * **信号判定：** 当期现基差（COMEX黄金期货结算价与伦敦金现差值）的60日移动平均（MA60）的滚动3年分位数上穿90%时，发出看多信号（信号1），持续直至其下穿50%水平[57][58]。 * **仓位设置：** 信号为1期间满仓黄金，否则空仓[57]。 **模型评价：** 策略收益领先，但换手率较高，相当于交易盘，关注短期套利机会和市场情绪[4][76]。 1.3. 模型名称：综合择时策略（60/40组合） **模型构建思路：** 以分仓的方式结合定期信号策略（配置盘）和不定期信号策略（交易盘），在控制换手和波动的同时，兼顾中长期配置与短期交易收益[4][77][80]。 **模型具体构建过程：** 1. **子策略选择：** * **定期策略端（组合2）：** 使用黄金储备（季频）、黄金ETF持有量（月频）、EPU指数（周频）三个信号的分层组合。仓位设置：黄金储备信号为0则空仓；为1时，若其他信号均为0则半仓，若其他任意信号为1则满仓[71][72]。 * **不定期策略端（组合3）：** 使用“隐波+趋势”和“期现基差”两个信号的“或”组合。两个信号均为0时空仓，任一信号为1时满仓[71][72]。 2. **组合方式：** 将60%的仓位分配给定期策略端（组合2），40%的仓位分配给不定期策略端（组合3），构成综合择时策略[77]。 3. **调仓：** 根据两个子策略各自的信号和规则分别计算仓位，然后按权重加总得到最终日度仓位[77]。 **模型评价：** 整体表现优秀，能够在保证收益的同时降低组合波动并控制回撤，换手率适中，可根据目标换手及波动调整子策略权重[4][79][80]。 1.4. 模型名称：基于隐波的动态回撤控制模型 **模型构建思路：** 利用黄金隐含波动率（隐波）对短期波动水平的预测能力，动态计算并限制组合仓位上限，以实现将年内最大回撤控制在目标范围内的风险控制目标[66]。 **模型具体构建过程：** 1. **设定目标：** 设定年内最大回撤上限（例如15%）[66]。 2. **估算短期最大回撤：** 使用隐波的5日平均值除以$$\sqrt{12} \times 3$$，作为推算的短期内最大回撤幅度[66]。 $$估算短期最大回撤 = \frac{隐波5日均值}{\sqrt{12} \times 3}$$ 3. **计算每日仓位上限：** 根据每个交易日年内的动态回撤计算剩余空间，倒算每日的仓位上限[66]。 $$当日仓位上限 = \frac{目标最大回撤 - 年内已实现动态回撤}{估算短期最大回撤}$$ 4. **仓位约束：** 为简化操作，仓位上限保留一位小数，且不超过1[66]。 **模型评价：** 该风控模型能有效降低组合波动、严格限制组合回撤，在不过多损失收益的情况下提升组合的性价比（收益波动比、收益回撤比）[66][70]。 2. 量化因子/指标 2.1. 因子名称：全球黄金储备变化（季频） **因子构建思路：** 全球央行购金行为为金价提供长期支撑，其变化趋势具有领先指示意义[12][13]。 **因子具体构建过程：** 计算全球黄金储备的季度增减值（单位：吨）。当季度增加超过65吨时，发出看多信号（信号1）[27][58]。 2.2. 因子名称：黄金ETF持有量变化（月频） **因子构建思路：** 黄金ETF持有量直接反映市场投资需求，其净流入对金价有同步支撑作用，且趋势可能延续[13][17][32]。 **因子具体构建过程：** 计算SPDR等主要黄金ETF持有量的月度增减值。当月度增长>0时，发出看多信号（信号1）[27][58]。 2.3. 因子名称：美国经济政策不确定性指数（EPU） **因子构建思路：** 政策不确定性升高会驱动避险资金流入黄金，推升金价，市场对此定价较为及时[22][34]。 **因子具体构建过程：** 取EPU指数的月度或周度均值，并计算其历史分位数。当历史分位数超过90%时，发出看多信号（信号1）[27][58]。 2.4. 因子名称：黄金期现基差 **因子构建思路：** 高位的期现基差意味着现货相对期货低估，会引发“买现货、卖期货”的套利交易，从而支撑现货金价[12][24]。 **因子具体构建过程：** 计算COMEX黄金期货结算价与伦敦金现的差值，为消除日频噪声，取60个交易日的移动平均（MA60），并计算其滚动3年分位数[24][27]。在定期策略中，当分位数超过90%时发出信号[27][58]；在不定期策略中，当分位数上穿90%时发出信号直至回归50%[57][58]。 2.5. 因子名称：期现基差+COMEX库存（复合因子） **因子构建思路：** 结合期现基差和COMEX注册仓单库存变化，能更准确地捕捉投机套利交易对金价的支撑逻辑[12][24]。 **因子具体构建过程：** 当期现基差MA60的滚动3年分位数超过90%，且COMEX黄金库存出现增加（月频：月度增长超过6万盎司；周频：周度增长超过1.5万盎司）时，发出看多信号（信号1）[27][58]。 2.6. 因子名称：黄金隐含波动率（GVZ.GI） **因子构建思路：** 隐波反映市场对黄金未来波动的预期和情绪，其峰值常预示金价转折点，不同波动阶段对应不同的收益风险特征[4][47][51]。 **因子具体构建过程：** 使用Cboe黄金ETF波动率指数（GVZ.GI）。通过计算其滚动三年分位数来划分波动阶段：分位数下穿20%至回归50%为低波；分位数上穿95%至下降到80%以下为高波；其余为中波[51]。该因子不直接产生交易信号，而是用于划分市场状态（规避高波，参与中低波）和进行动态回撤控制[51][57][66]。 2.7. 其他测试因子 报告还测试了以下因子，但其领先性或择时效果相对较弱： * **美国实际利率：** 季度均值环比下降超过10bp为信号[27][58]。 * **美国通胀：** CPI与PPI季度同比均值超过2.5%为信号[27][58]。 * **黄金-美元相关性：** 月度均值环比下降且为负值为信号[27][58]。 * **黄金-美股相关性：** 月度均值环比下降且为负值为信号[27][58]。 * **全球地缘性政治风险指数（GPR）：** 历史分位数超过90%为信号[27][58]。 * **COMEX黄金库存：** 单独使用时，月度或周度库存增加为信号[27][58]。 模型的回测效果 **回测区间：** 2012年1月至2026年3月[59][61][63][65] **基准：** 半仓持有黄金（年化收益4.24%，年化波动7.81%，最大回撤22.49%）[61][65][75] 1. **定期信号择时策略（组合2）**，年化收益6.37%，年化波动10.85%，最大回撤24.27%，收益/波动0.59，收益/回撤0.26，年化单边换手2.59倍[75]。 2. **不定期信号择时策略（组合3）**，年化收益12.09%，年化波动11.67%，最大回撤17.83%，收益/波动1.04，收益/回撤0.68，年化单边换手3.10倍[75]。 3. **综合择时策略（60/40组合）**，年化收益8.76%，年化波动10.08%，最大回撤20.72%，收益/波动0.87，收益/回撤0.42，年化单边换手2.8倍[4][79]。 4. **基于隐波的动态回撤控制模型（单独使用）**，年化收益7.07%，年化波动9.36%，最大回撤20.80%，收益/波动0.76，收益/回撤0.34[69][70]。 因子的回测效果 **测试说明：** 因子效果通过“指标区间划分下黄金表现”来测试，即统计因子发出信号（区间1）和未发出信号（区间0）时，黄金在不同持有期（同期、滞后一期）的年化收益、波动等指标[29][31][32]。 1. **全球黄金储备变化（季频）**，在滞后一期测试中，区间1年化收益13.59%，年化波动15.96%，胜率67.44%，赔率1.46，收益/波动0.85；区间0年化收益10.79%[31]。 2. **黄金ETF持有量变化（月频）**，在滞后一期测试中，区间1年化收益16.51%，年化波动18.30%，胜率56.14%，赔率1.57，收益/波动0.90；区间0年化收益9.67%[31][32]。 3. **期现基差+COMEX库存（月频）**，在同期测试中，区间1年化收益36.80%，年化波动14.71%，胜率80.77%，赔率1.31，收益/波动2.50；区间0年化收益9.91%[32]。在滞后一期测试中，区间1年化收益28.28%[32]。 4. **美国经济政策不确定性指数（EPU）（周频）**，在同期测试中，区间1年化收益30.12%，年化波动23.03%，胜率58.94%，赔率1.13，收益/波动1.31；区间0年化收益8.77%[32]。在滞后一期测试中，区间1年化收益22.83%[32][34]。

量化模型与构建方式 1. **模型名称：宽基轮动策略**[13] * **模型构建思路**：基于市场情绪热度变化进行宽基指数轮动。每周选择市场关注度（总热度）提升最显著的宽基指数进行投资，若关注度提升最大的是非主流股票（“其他”组），则选择空仓[13]。 * **模型具体构建过程**： 1. 将全市场股票按宽基指数（沪深300、中证500、中证1000、中证2000）及不属于这些指数的“其他”组进行分类[8]。 2. 计算每个组别（宽基指数或“其他”组）的“总热度”。该指标定义为组内所有成分股的“个股总热度”之和[7]。 3. 计算每个组别“总热度”的周度变化率，并取2周移动平均（MA2）进行平滑处理[11]。 4. 在每周最后一个交易日，比较各宽基指数组（不包括“其他”组）的“总热度变化率MA2”，买入该值最大的宽基指数。如果“其他”组的“总热度变化率MA2”最大，则本周空仓[13]。 5. 每周重复上述步骤，进行调仓。 2. **模型名称：热门概念内低热度选股策略**[30] * **模型构建思路**：在短期内受市场情绪推动、关注度急剧上升的热门概念板块中，逆向选择板块内关注度相对较低的个股，以捕捉可能存在的反应不足或价值发现机会[30]。 * **模型具体构建过程**： 1. 计算每个概念板块的“总热度”（概念内所有成分股的“个股总热度”之和）及其周度变化率[28]。 2. 在每周最后一个交易日，筛选出本周“总热度变化率”最大的5个概念作为“热门概念”[30]。 3. 将这5个热门概念的所有成分股合并，构成初始选股股票池[30]。 4. 从初始股票池中剔除流通市值最小的20%的股票[30]。 5. 在剩余的股票池中，针对每个热门概念，分别选出“个股总热度”排名最后（即关注度最低）的10只个股[30]。 6. 将所有选出的个股（最多5个概念 * 10只 = 50只）等权重构建投资组合，即“BOTTOM组合”[30]。 7. 每周重复上述步骤，进行换仓。 模型的回测效果 1. **宽基轮动策略**[16] * 年化收益率：11.69% * 最大回撤：-23.51% * 2026年收益：3.98% 2. **热门概念内低热度选股策略 (BOTTOM组合)**[32] * 年化收益率：16.9% * 最大回撤：-28.89% * 2026年收益：-6.08% 量化因子与构建方式 1. **因子名称：个股总热度**[7] * **因子构建思路**：通过加总个股在交易软件上的浏览、自选与点击行为数据，构建一个反映市场对单只股票关注度（情绪热度）的代理指标[7]。 * **因子具体构建过程**： 1. 获取股票在特定交易日（t日）的浏览次数、加入自选股次数和点击次数。 2. 将这三项数据求和，得到该股票的原始热度值。 3. 将该原始热度值除以当日全市场所有股票的原始热度值之和，进行归一化处理，以消除市场整体活跃度波动的影响。 4. 将归一化后的数值乘以10000，使因子取值区间落在[0, 10000]之间[7]。 $$个股总热度_{i,t} = \frac{(浏览_{i,t} + 自选_{i,t} + 点击_{i,t})}{\sum_{j=1}^{N}(浏览_{j,t} + 自选_{j,t} + 点击_{j,t})} \times 10000$$ 其中，$i$ 代表个股，$t$ 代表交易日，$N$ 代表全市场股票总数。 2. **因子名称：聚合总热度 (宽基/行业/概念)**[7] * **因子构建思路**：将特定群体（如某个宽基指数、申万行业或概念板块）内所有成分股的“个股总热度”加总，得到反映该群体整体市场关注度（情绪热度）的指标[7]。 * **因子具体构建过程**： 1. 确定目标群体$G$（例如：沪深300指数、申万一级银行业、PVDF概念等）及其所有成分股列表。 2. 在交易日$t$，将该群体内每只成分股的“个股总热度”进行求和。 $$聚合总热度_{G,t} = \sum_{i \in G} 个股总热度_{i,t}$$ 该因子是构建宽基轮动策略和概念选股策略的基础数据[8][28]。 3. **因子名称：热度变化率MA2**[11][20] * **因子构建思路**：计算“聚合总热度”的周度环比变化，并采用2周移动平均进行平滑，以观察群体关注度的边际变化趋势，避免单周数据的噪声干扰[11][20]。 * **因子具体构建过程**： 1. 计算群体$G$在第$w$周的“周度聚合总热度”，通常为本周最后一个交易日的“聚合总热度”值。 2. 计算周度热度变化率：$变化率_{G,w} = \frac{聚合总热度_{G,w} - 聚合总热度_{G,w-1}}{聚合总热度_{G,w-1}}$ 3. 对“变化率”序列取2周移动平均（MA2）：$变化率MA2_{G,w} = \frac{变化率_{G,w} + 变化率_{G,w-1}}{2}$[11][20] 该因子是宽基轮动和热门概念筛选的核心信号[13][30]。 因子的回测效果 *(注：本报告未提供上述因子的独立因子测试结果（如IC、IR、多空收益等），仅展示了基于因子构建的策略组合表现。)*

量化模型与构建方式 1. 逆周期配置模型 * **模型名称**：逆周期配置模型[7] * **模型构建思路**：从逆周期投资视角出发，通过预测未来的宏观环境，选择不同宏观环境下表现最优的资产构建绝对收益组合[7]。 * **模型具体构建过程**： 1. **宏观环境预测**：采用信用利差和期限利差作为代理变量，分别对下个季度的经济增长和通货膨胀变化方向进行预判[7]。 2. **环境划分**：根据预判结果，将宏观环境划分为Growth（增长）、Inflation（通胀）、Slowdown（放缓）三种阶段[7]。 3. **资产配置**：根据预测出的宏观环境阶段，配置不同的资产及权重。例如，在Slowdown环境下，低配股票资产，高配债券资产[7][8]。 2. 宏观动量月度配置模型 * **模型名称**：宏观动量月度配置模型[9][12] * **模型构建思路**：通过构建一个包含经济增长、通货膨胀、汇率、利率、风险情绪等多个维度的宏观因子库，对股票、债券、黄金等大类资产进行月度择时判断[9][12]。 * **模型具体构建过程**： 1. **因子库构建**：选取多个宏观指标作为小类因子，并归入不同的大类因子类别（如经济增长、通货膨胀等）。每个小类因子被赋予一个预设的“影响方向”（+1或-1），代表该因子对资产价格的预期影响[9][12]。 2. **信号生成**：计算每个小类因子的“最新变化”（+1表示指标值上升，-1表示下降，0表示不变）[9][12]。每个小类因子的“分项信号”计算公式为： $$分项信号 = 影响方向 \times 最新变化$$[9][12] 3. **信号汇总**：将同一大类下的所有小类因子的分项信号求和，得到该大类的“汇总信号”[9][12]。最后，将所有大类的汇总信号加总，得到最终的“总信号”。总信号为正代表看多（正向信号），为负代表看空（负向信号）[9][12]。 3. 行业复合趋势因子 * **因子名称**：行业复合趋势因子[13][15] * **因子构建思路**：从行业维度构建相关指标，作为观察市场行情启动或结束的信号。当因子绝对值超过一定水平时，预示市场可能启动上涨行情；当因子绝对值突降时，可能触发空仓信号[13]。 * **因子具体构建过程**：报告中未提供该因子的详细计算公式和构建步骤，仅说明计算方法与历史效果可参考对应专题报告[13]。 模型的回测效果 1. 逆周期配置模型 * 累计净值走势：截至2026年4月30日，模型累计净值走势如图所示[10] * 2026年第一季度配置表现：模型给出的宏观环境预测为Slowdown，配置组合中沪深300、国证2000、南华商品和中债国债总财富指数的涨幅依次为8.03%、9.65%、0.83%和0.55%[7] 2. 行业复合趋势因子组合 * 累计收益（2015年1月至2026年4月）：141.52%[4][15] * 超额收益（2015年1月至2026年4月）：52.52%[4][15] * 最新因子值与信号（2026年4月底）：因子值为0.22，维持正向信号[4][15] * 近期表现：2026年4月因子信号为正向，Wind全A当月收益率为8.69%[4][15] 量化因子与构建方式 1. 股票市场择时因子（Wind全A指数） * **构建思路**：用于生成股票市场月度择时信号的宏观因子集合[9]。 * **具体因子列表与构建**： * **经济增长类**： * PMI：影响方向为+1，最新变化为-1，分项信号为-1[9] * 标普全球中国通用制造业PMI：影响方向为+1，最新变化为+1，分项信号为+1[9] * **通货膨胀类**： * PPI当月同比：影响方向为-1，最新变化为+1，分项信号为-1[9] * PPI预期误差：影响方向为-1，最新变化为+1，分项信号为-1[9] * **汇率类**： * CFETS人民币汇率指数：影响方向为+1，最新变化为-1，分项信号为-1[9] * 美元中间价：影响方向为-1，最新变化为-1，分项信号为+1[9] * **利率类**： * 中债企业债到期收益率(AA):1个月：影响方向为-1，最新变化为-1，分项信号为+1[9] * 中债国开债到期收益率:10年：影响方向为+1，最新变化为-1，分项信号为-1[9] * **风险情绪类**： * wind全A前一个月收益率：影响方向为+1，最新变化为+1，分项信号为+1[9] * wind全A前一个月波动率（滚动6个月）变化：影响方向为-1，最新变化为+1，分项信号为-1[9] 2. 债券市场择时因子（中债国债总净价指数） * **构建思路**：用于生成债券市场月度择时信号的宏观因子集合[12]。 * **具体因子列表与构建**： * **经济增长类**： * PMI：影响方向为-1，最新变化为-1，分项信号为+1[12] * PMI预期误差：影响方向为-1，最新变化为+1，分项信号为-1[12] * 工业增加值误差：影响方向为-1，最新变化为+1，分项信号为-1[12] * **通货膨胀类**： * CRB指数：影响方向为-1，最新变化为0，分项信号为0[12] * CPI当月同比：影响方向为-1，最新变化为-1，分项信号为+1[12] * **汇率类**： * CFETS人民币汇率指数：影响方向为+1，最新变化为-1，分项信号为-1[12] * 美元中间价：影响方向为-1，最新变化为-1，分项信号为+1[12] * **利率类**： * 中债国债到期收益率:2年：影响方向为-1，最新变化为-1，分项信号为+1[12] * 中债国债到期收益率:5年：影响方向为-1，最新变化为-1，分项信号为+1[12] * 中债国债到期收益率:10年：影响方向为-1，最新变化为-1，分项信号为+1[12] * **风险情绪类**： * wind全A前一个月收益率：影响方向为-1，最新变化为+1，分项信号为-1[12] * wind全A前一个月波动率（滚动6个月）变化：影响方向为+1，最新变化为+1，分项信号为+1[12] 3. 黄金市场择时因子 * **构建思路**：用于生成黄金市场月度择时信号的因子集合，涵盖基本面、持仓和技术面维度[12]。 * **具体因子列表与信号**： * **基本面类**：预期通胀（分项信号+1）、实际利率（+1）、全球负收益债规模（0）、美国M2（+1）[12] * **持仓类**：CFTC掉期商持仓（-1）、CFTC管理基金持仓（+1）[12] * **技术类**：伦敦金10月均线（+1）、伦敦金20月均线（+1）[12] 因子的回测效果 （报告中未单独列出各因子的历史测试指标值，如IC、IR、多空收益等，仅展示了由因子构成的模型或组合的整体表现。）

量化模型与因子总结 量化模型与构建方式 本报告主要对市场宽基指数进行跟踪分析，未涉及具体的预测或选股量化模型。报告内容侧重于市场指标的统计和展示，而非构建用于生成交易信号的量化模型或因子。 量化因子与构建方式 报告未构建用于选股的Alpha因子，而是计算并跟踪了一系列用于描述市场状态和估值的指标。这些指标可被视为用于评估市场整体情况的“宏观因子”或“风格因子”。 1. **因子名称：风险溢价** * **因子构建思路：** 衡量股票市场相对于无风险利率的额外回报，用于评估市场的相对投资价值和风险补偿水平[30]。 * **因子具体构建过程：** 以宽基指数的市盈率倒数（E/P）作为股票市场的预期收益率，减去十年期国债的即期收益率，得到风险溢价[30][32]。 $$风险溢价 = \frac{1}{PE_{TTM}} - R_f$$ 其中，$PE_{TTM}$ 为指数滚动市盈率，$R_f$ 为十年期国债即期收益率。 2. **因子名称：股债性价比** * **因子构建思路：** 风险溢价的一种变形，同样用于衡量股票相对于债券的吸引力[43]。 * **因子具体构建过程：** 计算方式与风险溢价因子相同，即市盈率倒数与十年期国债收益率之差[43]。 $$股债性价比 = \frac{1}{PE_{TTM}} - R_f$$ 其中，$PE_{TTM}$ 为指数滚动市盈率，$R_f$ 为十年期国债即期收益率。 3. **因子名称：股息率** * **因子构建思路：** 反映指数成分股的现金分红回报率，是红利投资风格的核心指标，在市场低迷期通常被视为避风港[47]。 * **因子具体构建过程：** 报告未给出具体计算公式，通常为指数成分股过去12个月现金分红总额除以指数总市值。 4. **因子名称：破净率** * **因子构建思路：** 衡量市场中被低估（股价低于每股净资产）的个股普遍程度，破净率越高通常意味着市场整体估值越低迷[50]。 * **因子具体构建过程：** 统计指数成分股中市净率（PB）小于1的个股数量，再除以指数成分股总数[50]。 $$破净率 = \frac{破净个股数}{指数成分股总数}$$ 5. **因子名称：收益分布形态指标（偏度与峰度）** * **因子构建思路：** 通过分析指数日收益率分布的偏度和峰度，来刻画收益分布的特征，例如极端收益出现的可能性和分布集中程度[22][25]。 * **因子具体构建过程：** 计算指数近一年日收益率序列的偏度和峰度。报告中峰度计算减去了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[27]。 因子的回测效果 报告未提供基于历史数据的因子分层回测、多空组合收益或IC/IR等传统因子测试结果。报告主要展示了各指标在**当前时点（2026年4月30日）** 的截面取值以及与自身历史（近1年、近5年）的比较情况。 1. **风险溢价因子**，当前值：上证50（0.60%），沪深300（-0.07%），中证500（0.08%），中证1000（0.46%），中证2000（0.51%），中证全指（0.21%），创业板指（-0.28%）[34]。近5年历史分位值：上证50（78.89%），中证1000（62.70%），中证2000（59.68%），中证全指（59.21%），中证500（52.14%），沪深300（48.49%），创业板指（44.68%）[31][34]。 2. **股债性价比因子**，当前状态：没有指数高于其近5年80%分位（机会值），中证500、中证全指和沪深300低于其近5年20%分位（危险值）[46]。 3. **股息率因子**，当前值：上证50（3.12%），沪深300（2.65%），中证500（1.25%），中证1000（0.96%），中证2000（0.68%），中证全指（1.88%），创业板指（0.93%）[50]。近5年历史分位值：创业板指（57.36%），沪深300（25.62%），上证50（24.63%），中证全指（19.26%），中证1000（17.52%），中证500（2.48%），中证2000（0.08%）[49][50]。 4. **破净率因子**，当前值：上证50（26.0%），沪深300（18.33%），中证500（11.0%），中证1000（7.9%），中证全指（6.32%），中证2000（3.35%）[52]。 5. **PE-TTM（估值因子）**，当前近5年历史分位值：中证1000（100.0%），中证全指（100.0%），沪深300（99.34%），中证500（96.20%），上证50（86.03%），创业板指（70.66%），中证2000（98.10%）[42][43]。 6. **收益分布峰度因子**，当前vs近5年变化：创业板指（-5.38），中证1000（-4.88），中证2000（-4.84），中证500（-4.36），中证全指（-3.88），沪深300（-3.28），上证50（-2.78）[27]。负值扩大表明当前收益率分布比近5年平均更平坦。 7. **收益分布偏度因子**，当前vs近5年变化：创业板指（-1.63），中证1000（-1.48），中证2000（-1.42），中证500（-1.33），中证全指（-1.16），沪深300（-1.02），上证50（-0.94）[27]。负值表明当前收益率分布的负偏程度比近5年平均有所减弱（或正偏程度减弱）。

量化模型与构建方式 1. **模型名称：微盘股轮动策略**[2][18][25] * **模型构建思路**：通过结合相对净值趋势和短期价格动量，在微盘股指数和茅指数之间进行轮动配置，以捕捉大小盘风格切换的收益[25]。 * **模型具体构建过程**： 1. **子策略一：相对净值与动量轮动** * 计算微盘股指数与茅指数的相对净值。 * 当相对净值高于其243日移动平均线时，倾向于投资微盘股；反之则投资茅指数[25]。 * 同时，计算微盘股指数和茅指数各自的20日收盘价斜率（动量）。 * 当两个指数的20日斜率方向相反且一方为正时，选择投资斜率为正的指数[25]。 2. **子策略二：M1轮动** * 跟踪M1同比指标的6个月移动平均值。 * 当该移动平均值下行时，中期配置从微盘股切换至茅指数[2][18]。 3. **综合策略**：综合两个子策略的信号，决定最终的配置方向（微盘股、茅指数或均衡配置）[2][18]。 2. **模型名称：微盘股择时风控模型**[18][25] * **模型构建思路**：通过监控宏观流动性指标和市场波动率拥挤度，对微盘股板块进行中期风险预警，在风险过高时发出平仓信号[18][25]。 * **模型具体构建过程**： 1. 设定两个风控指标及其阈值： * 十年期国债到期收益率同比，风控阈值为30%[18][25]。 * 微盘股波动率拥挤度同比，风控阈值为55%[18][25]。 2. 若任一指标触及或超过其对应阈值，则对微盘股发出平仓（或降低仓位）信号[25]。 3. **模型名称：宏观择时模型**[45][46] * **模型构建思路**：基于经济增长和货币流动性等多个宏观维度的动态事件因子，构建股债轮动策略，给出中期的权益资产配置仓位建议[45]。 * **模型具体构建过程**：模型具体细节未在本文中详述，需参考作者于2022年12月9日发布的研究报告《Beta 猎手系列：基于动态宏观事件因子的股债轮动策略》[45]。本文仅给出了模型的最新输出信号：4月份经济增长层面信号强度为50%，货币流动性层面信号强度为0%，综合得出的股票推荐仓位为25%[45][46]。 模型的回测效果 1. **宏观择时模型**，2026年年初至今收益率为2.44%，同期Wind全A收益率为-1.15%，超额收益为3.59%[45]。 量化因子与构建方式 1. **因子名称：一致预期因子**[51][61][64] * **因子构建思路**：使用分析师对未来业绩的一致预期数据，捕捉市场对上市公司未来盈利能力的共识变化[51][64]。 * **因子具体构建过程**：报告中列出了多个细分一致预期因子，包括： * **EPS_FTTM_Chg3M**：未来12个月一致预期EPS过去3个月的变化率[64]。 * **ROE_FTTM_Chg3M**：未来12个月一致预期ROE过去3个月的变化率[64]。 * **TargetReturn_180D**：一致预期目标价相对于目前股价的收益率[64]。 2. **因子名称：市值因子**[51][61] * **因子构建思路**：通常以市值的对数作为因子值，小市值股票历史上长期存在溢价效应[61]。 * **因子具体构建过程**：使用**LN_MktCap**，即上市公司流通市值的自然对数[61]。 3. **因子名称：成长因子**[51][61][64] * **因子构建思路**：通过公司财务数据的增长率来衡量公司的成长性[64]。 * **因子具体构建过程**：报告中列出了多个细分成长因子，例如： * **NetIncome_SQ_Chg1Y**：单季度净利润同比增速[64]。 * **OperatingIncome_SQ_Chg1Y**：单季度营业利润同比增速[64]。 * **Revenues_SQ_Chg1Y**：单季度营业收入同比增速[64]。 4. **因子名称：反转因子**[51][61][64] * **因子构建思路**：认为过去一段时间跌幅较大的股票未来可能反弹，而涨幅过大的股票可能回调，即“追跌杀涨”[64]。 * **因子具体构建过程**：使用过去不同时间窗口的收益率作为因子，例如： * **Price_Chg20D**：20日收益率[64]。 * **Price_Chg60D**：60日收益率[64]。 * **Price_Chg120D**：120日收益率[64]。 5. **因子名称：质量因子**[61][64] * **因子构建思路**：通过盈利能力、运营效率、财务稳健性等指标筛选优质公司[64]。 * **因子具体构建过程**：报告中列出了多个细分质量因子，例如： * **ROE_FTTM**：未来12个月一致预期净利润/股东权益均值[64]。 * **GrossMargin_TTM**：过去12个月毛利率[64]。 * **Revenues2Asset_TTM**：过去12个月营业收入/总资产均值[64]。 6. **因子名称：技术因子**[61][64] * **因子构建思路**：基于价量数据构建，反映市场交易行为特征[64]。 * **因子具体构建过程**：报告中列出了多个细分技术因子，例如： * **Volume_Mean_20D_240D**：20日成交量均值/240日成交量均值[64]。 * **Skewness_240D**：240日收益率偏度[64]。 * **Turnover_Mean_20D**：20日换手率均值[64]。 7. **因子名称：价值因子**[51][61][64] * **因子构建思路**：寻找市场价格低于其内在价值的股票，常用估值比率衡量[64]。 * **因子具体构建过程**：报告中列出了多个细分价值因子，例如： * **BP_LR**：最新年报账面净资产/最新市值（市净率倒数）[61]。 * **EP_FTTM**：未来12个月一致预期净利润/最新市值（预期市盈率倒数）[61]。 * **SP_TTM**：过去12个月营业收入/最新市值（市销率倒数）[61]。 8. **因子名称：波动率因子**[61][64] * **因子构建思路**：认为历史波动率较低的股票未来可能有更好表现（低波动效应）[64]。 * **因子具体构建过程**：报告中列出了多个细分波动率因子，例如： * **Volatility_60D**：60日收益率标准差[64]。 * **IV_CAPM**：CAPM模型残差波动率[64]。 * **IV_FF**：Fama-French三因子模型残差波动率[64]。 9. **因子名称：可转债正股一致预期因子**[60] * **因子构建思路**：将用于股票选股的一致预期因子逻辑应用于可转债对应的正股，用以预测正股走势从而择券[60]。 * **因子具体构建过程**：未在报告中详细说明，但指出是从预测正股的因子来构建可转债因子[60]。 10. **因子名称：可转债估值因子**[60] * **因子构建思路**：通过平价底价溢价率等指标衡量可转债本身的估值水平[60]。 * **因子具体构建过程**：报告中明确提及的因子是**平价底价溢价率**，但未给出具体计算公式[60]。 因子的回测效果 （以下数据均基于“上周”和“今年以来”两个时间窗口，在全部A股、沪深300、中证500、中证1000四个股票池中的表现）[52] 1. **一致预期因子**，上周IC均值（全部A股）7.61%，今年以来IC均值（全部A股）2.32%；上周多空收益（全部A股）1.49%，今年以来多空收益（全部A股）8.57%[52]。 2. **市值因子**，上周IC均值（全部A股）9.68%，今年以来IC均值（全部A股）1.22%；上周多空收益（全部A股）-0.39%，今年以来多空收益（全部A股）-7.24%[52]。 3. **成长因子**，上周IC均值（全部A股）-5.83%，今年以来IC均值（全部A股）1.66%；上周多空收益（全部A股）-0.83%，今年以来多空收益（全部A股）8.26%[52]。 4. **反转因子**，上周IC均值（全部A股）-4.85%，今年以来IC均值（全部A股）-1.01%；上周多空收益（全部A股）-2.34%，今年以来多空收益（全部A股）-15.39%[52]。 5. **质量因子**，上周IC均值（全部A股）-7.97%，今年以来IC均值（全部A股）-0.10%；上周多空收益（全部A股）-1.78%，今年以来多空收益（全部A股）-0.71%[52]。 6. **技术因子**，上周IC均值（全部A股）6.12%，今年以来IC均值（全部A股）4.68%；上周多空收益（全部A股）0.53%，今年以来多空收益（全部A股）-0.71%[52]。 7. **价值因子**，上周IC均值（全部A股）-7.15%，今年以来IC均值（全部A股）2.01%；上周多空收益（全部A股）-2.13%，今年以来多空收益（全部A股）-6.41%[52]。 8. **波动率因子**，上周IC均值（全部A股）未提供，今年以来IC均值（全部A股）4.52%；上周多空收益（全部A股）未提供，今年以来多空收益（全部A股）-0.29%[52]。

量化模型与构建方式 1. 模型名称：宏观+量价大小盘双驱轮动模型[7] - **模型构建思路**：从宏观经济和微观量价两个层面出发，选取有效的因子，整合形成对大小盘风格进行轮动配置的策略[7] - **模型具体构建过程**： 1. 选取多个宏观与量价因子，每个因子独立产生信号。当因子发出大盘信号时，信号值设为1；发出小盘信号时，信号值设为-1；若无有效信号，则设为0[8] 2. 将所有因子的信号值加总，得到“综合分数”[7] 3. 根据综合分数进行资产配置： - 若综合分数 > 0，则全仓配置沪深300指数（代表大盘）[8] - 若综合分数 < 0，则全仓配置中证1000指数（代表小盘）[8] - 若综合分数 = 0，则等权配置沪深300及中证1000指数[8] - **模型评价**：策略具有较高的历史回测胜率[7] 2. 模型名称：宏观量价双驱价值成长风格轮动模型[13] - **模型构建思路**：从宏观经济和微观量价两个层面出发，选取有效的因子，整合形成对价值与成长风格进行轮动配置的策略[13] - **模型具体构建过程**： 1. 选取多个宏观与量价因子，每个因子独立产生信号。当因子发出价值信号时，信号值设为1；发出成长信号时，信号值设为-1；若无有效信号，则设为0[14] 2. 将所有因子的信号值加总，得到“综合分数”[13] 3. 根据综合分数进行资产配置： - 若综合分数 > 0，则全仓配置国证价值指数[14] - 若综合分数 < 0，则全仓配置国证成长指数[14] - 若综合分数 = 0，则等权配置国证价值及国证成长指数[14] - **模型评价**：策略具有较高的历史回测胜率[13] 3. 模型名称：行业轮动复合因子策略[4][18] - **模型构建思路**：使用行业历史基本面、预期基本面、情绪面、量价技术面、宏观经济等多个维度的因子对各行业进行综合打分，构建多头组合[4][18] - **模型具体构建过程**： 1. 针对中信一级30个行业，从历史基本面、预期基本面、情绪面、量价技术面、宏观经济等维度选取并计算一系列因子[18] 2. 将所有因子整合，对每个行业计算一个综合得分[4] 3. 根据行业得分进行排序，选择排名靠前的行业构建多头组合。报告中提及的策略是选择5个行业等权构建多头组合[18] 4. 模型名称：行业轮动单因子多策略[4][19] - **模型构建思路**：分别使用不同维度的单因子构建行业轮动策略，并将这些策略进行组合[4][19] - **模型具体构建过程**： 1. 分别针对行业历史基本面、预期基本面、情绪面、量价技术面、宏观经济等不同维度的单因子，构建独立的行业轮动策略[18][19] 2. 将这些基于不同单因子的策略进行组合，形成最终的“单因子多策略”[19] 3. 根据该策略的输出，选择行业构建多头组合。报告中提及的策略是选择5个行业构建多头组合[20] 量化因子与构建方式 1. 因子名称：大小盘风格轮动单因子群[8] - **因子构建思路**：从宏观经济和量价层面选取多个指标，用于预测大小盘风格的走势[7] - **因子具体构建过程**：报告中列举了用于大小盘双驱轮动模型的7个单因子，包括：PMI季均差分、社融加权同比、货币流动性、中美利差、宏观调整动量、宏观调整狭义风格拥挤度、广义大盘拥挤度。每个因子根据其定义的规则，独立产生1（看多大盘）、-1（看多小盘）或0（无信号）的信号[8] 2. 因子名称：价值成长风格轮动单因子群[14] - **因子构建思路**：从宏观经济和量价层面选取多个指标，用于预测价值与成长风格的走势[13] - **因子具体构建过程**：报告中列举了用于价值成长双驱轮动模型的7个单因子，包括：PMI新订单季均差分、PPI-CPI加权环比、1Y国债、3M美债水平、宏观调整动量、风格拥挤度、市场情绪。每个因子根据其定义的规则，独立产生1（看多价值）、-1（看多成长）或0（无信号）的信号[14] 3. 因子名称：行业轮动多维度因子群[18] - **因子构建思路**：从多个维度构建因子，用于对行业进行打分和排序[18] - **因子具体构建过程**：报告指出行业轮动模型使用了行业历史基本面、预期基本面、情绪面、量价技术面、宏观经济等维度的因子，但未提供具体因子名称和计算公式[18] 模型的回测效果 （注：以下回测结果截至2026年4月30日） 1. 宏观+量价大小盘双驱轮动模型 - 区间收益（YTD）：10.36%[11][12] - 年化收益：36.72%[12] - 年化波动：25.20%[12] - 最大回撤：13.45%[12] - 夏普比率：1.46[12] - 卡玛比率：2.73[12] - 历史胜率（截至2026Q1）：81.63%[7] - 相较等权基准累计超额（YTD）：3.28%[11] - 相较沪深300累计超额（YTD）：6.53%[11] - 相较中证1000累计超额（YTD）：0.00%[11] 2. 宏观量价双驱价值成长风格轮动模型 - 区间收益（YTD）：10.11%[15][16] - 年化收益：35.75%[16] - 年化波动：20.26%[16] - 最大回撤：7.97%[16] - 夏普比率：1.76[16] - 卡玛比率：4.48[16] - 历史胜率（截至2026Q1）：77.55%[13] - 相较等权基准累计超额（YTD）：3.96%[15] - 相较国证价值累计超额（YTD）：7.90%[15] - 相较国证成长累计超额（YTD）：0.00%[15] 3. 行业轮动复合因子策略 - 上个月（2026年4月）绝对收益：10.68%[20] - 上个月（2026年4月）超额收益：5.25%[4][20] - 2026年累计绝对收益：19.30%[20] - 2026年累计超额收益：14.13%[20] 4. 行业轮动单因子多策略 - 上个月（2026年4月）绝对收益：8.63%[20] - 上个月（2026年4月）超额收益：3.21%[4][20] - 2026年累计绝对收益：7.95%[20] - 2026年累计超额收益：3.71%[20]

量化模型与构建方式 1. **模型名称：券商金股指数**[1][17] * **模型构建思路**：将每月券商推荐的金股汇总，构建一个代表卖方分析师整体推荐表现的指数，用于跟踪和比较公募基金的整体表现[17]。 * **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，得到当月的金股股票池[4]。 3. 根据每只股票被券商推荐的家数进行加权，构建组合[17]。 4. 每月第一个交易日收盘后按上述权重进行调仓[17]。 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，以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作为该指数的仓位[17]。 2. **模型名称：券商金股业绩增强组合**[5][40][44] * **模型构建思路**：在券商金股股票池的基础上，通过多因子优选和组合优化的方式，构建一个旨在稳定战胜偏股混合型基金指数的增强组合[11][40][44]。 * **模型具体构建过程**： 1. **选股空间与约束基准**：以券商金股股票池为选股空间和约束基准[44]。 2. **行业配置基准**：以全体公募基金的行业分布为行业配置基准[44]。 3. **优化方法**：采用组合优化的方式，控制组合与券商金股股票池在个股、风格上的偏离[44]。 4. **仓位管理**：组合仓位根据市场情况调整，例如上月仓位为90%[40]。 量化因子与构建方式 研报中提及了在券商金股股票池内进行跟踪测试的一系列常见选股因子，并展示了其近期表现[3][29]。报告未详细阐述每个因子的具体构建公式，但列出了因子名称和表现评价。 1. **因子名称**：单季度营收增速[3][29] * **因子评价**：最近一个月及今年以来在券商金股股票池中表现较好[3][29]。 2. **因子名称**：单季度净利润增速[3][29] * **因子评价**：最近一个月及今年以来在券商金股股票池中表现较好[3][29]。 3. **因子名称**：盈余公告后跳空超额[3][29] * **因子评价**：最近一个月在券商金股股票池中表现较好[3][29]。 4. **因子名称**：分析师净上调幅度[3][29] * **因子评价**：今年以来在券商金股股票池中表现较好[3][29]。 5. **因子名称**：EPTTM[3][29] * **因子评价**：最近一个月及今年以来在券商金股股票池中表现较差[3][29]。 6. **因子名称**：经营性现金净流量[3][29] * **因子评价**：最近一个月在券商金股股票池中表现较差[3][29]。 7. **因子名称**：预期股息率[3][29] * **因子评价**：最近一个月及今年以来在券商金股股票池中表现较差[3][29]。 8. **因子名称**：BP[3][29] * **因子评价**：今年以来在券商金股股票池中表现较差[3][29]。 模型的回测效果 1. **券商金股指数**[17][23] * 本月（20260401-20260430）绝对收益：11.62%[23] * 本月（20260401-20260430）相对偏股混合型基金指数超额收益：0.79% (计算：11.62% - 10.83%)[23] * 今年以来（20260105-20260430）绝对收益：9.04%[23] * 今年以来（20260105-20260430）相对偏股混合型基金指数超额收益：-0.79% (计算：9.04% - 9.83%)[23] 2. **券商金股业绩增强组合**[5][43][45][48] * **本月表现（20260401-20260430）**： * 绝对收益：15.30%[5][43] * 相对偏股混合型基金指数超额收益：4.47%[5][43] * **今年以来表现（20260105-20260430）**： * 绝对收益：22.94%[5][43] * 相对偏股混合型基金指数超额收益：13.12%[5][43] * 在主动股基中排名分位点：14.86% (553/3721)[5][43] * **历史表现（2018.1.2-2025.12.31，考虑仓位及交易费用）**： * 年化收益：21.71%[45][48] * 相对偏股混合型基金指数年化超额收益：14.18%[45][48] * 历年排名：基本排在主动股基前30%水平[45] 因子的回测效果 （注：报告仅提供了因子在券商金股股票池内近期的定性表现排序，未提供具体的多空收益、IC、IR等量化指标值[3][29]。）