量化模型与构建方式 1. **模型名称：卷积神经网络趋势观察模型**[79] * **模型构建思路**：使用卷积神经网络（CNN）对个股历史价量数据构建的标准化图表进行建模，学习图表特征与未来价格走势之间的关系，并将学习到的有效特征映射到行业主题板块中，以识别具有趋势性机会的行业主题[79][82]。 * **模型具体构建过程**： 1. 数据准备：对每个个股，在特定窗口期内（报告中未明确具体窗口期）收集其价格和成交量数据[79]。 2. 图表化：将标准化的价量数据转换为可视化的图表格式。具体标准化方法未详细说明，但目的是形成可供CNN处理的图像输入[79][80]。 3. 模型训练：使用卷积神经网络对上述价量图表与对应的未来价格表现（如未来收益率）进行训练，使模型学会从图表中提取与未来走势相关的特征[79]。 4. 特征映射与应用：将训练好的CNN模型学习到的特征应用于行业主题板块的分析，识别出当前价量图表特征预示未来可能表现较好的行业主题，并输出具体的主题指数配置建议[79][81]。 2. **模型名称：宏观因子事件模型**[56][58] * **模型构建思路**：跟踪一系列对市场影响较大的宏观指标，通过定义特定的“因子事件”（如短期高点、连续下跌等）来描述宏观因子的走势，并从历史数据中筛选出对未来资产收益率有显著预测作用的有效因子事件，用以判断大类资产的未来趋势[56]。 * **模型具体构建过程**： 1. 因子选择：选取约25个国内外宏观指标，涵盖货币政策、财政政策、流动性、通胀水平及其他经济指标等多个维度[55][56]。 2. 事件定义：为每个宏观因子定义四类走势事件：短期高点/低点、连续上涨/下跌、创历史新高/新低、因子走势反转[56]。 3. 有效性检验：在历史数据中回溯检验，筛选出那些在事件发生后，对特定资产（如股票、债券）未来收益率产生显著影响的“有效因子事件”[56]。 4. 趋势判断：对于连续型指标，采用历史均线（如1月、3月、12月均线）将因子走势划分为上行或下行趋势，并统计在不同趋势下资产未来一个月的平均收益，以判断当前宏观趋势对资产的观点（如看多、震荡）[58][59]。 3. **模型名称：期权成交量看涨看跌比（CPR）模型**[49] * **模型构建思路**：通过监测上证50ETF期权成交量的看涨看跌比率（CPR）与其布林通道的相对位置，来判断蓝筹股市场的短期超买超卖状态[49]。 * **模型具体构建过程**： 1. 计算CPR：计算上证50ETF期权成交量的看涨看跌比率[49]。 2. 计算布林通道：计算CPR的60日布林通道（具体计算方法如移动平均线及标准差倍数未明确，但通常包含中轨、上轨和下轨）[49]。 3. 信号生成：当最近20个交易日的CPR值持续高于其60日布林通道的上轨时，模型认为蓝筹股短期存在超卖风险[49]。 4. **模型名称：GFTD模型和LLT模型**[83] * **模型构建思路**：报告仅提及这两个模型名称及其历史择时成功率，未详细描述其构建思路和过程[83]。 量化因子与构建方式 1. **因子名称：新高新低比例因子**[34] * **因子构建思路**：通过统计市场中创近期新高与新低的个股数量占比，来度量市场的极端情绪和趋势强度[34]。 * **因子具体构建过程**：分别计算两个指标： * 60日新高比例 = 创近60日新高的个股数量 / 总股票数量[34]。 * 60日新低比例 = 创近60日新低的个股数量 / 总股票数量[34]。 2. **因子名称：个股均线结构因子**[38] * **因子构建思路**：通过计算均线呈多头排列与空头排列的个股数量占比之差，来反映市场整体的技术趋势强弱[38]。 * **因子具体构建过程**：计算“均线强弱指标”，其定义为（多头排列个股数量占比 - 空头排列个股数量占比）。报告指出，该指标从前期-13%升至1.2%，表明市场技术结构转强[38][39]。 3. **因子名称：长期均线以上比例因子**[41] * **因子构建思路**：统计股价位于长期移动平均线（如200日）之上的个股比例，用以衡量市场整体的长期趋势强弱[41]。 * **因子具体构建过程**：计算股价位于200日长期移动平均线之上的个股数量占总股票数量的比例[41]。 4. **因子名称：风险溢价因子**[67][82] * **因子构建思路**：通过计算股票市场隐含收益率（市盈率倒数）与无风险利率（十年期国债收益率）的差值，来衡量股票资产相对于债券资产的吸引力[82]。 * **因子具体构建过程**：以中证全指为例，风险溢价 = （1 / PE_TTM） - 十年期国债收益率。报告给出了截至2026年1月16日的具体数值为2.51%[82]。 5. **因子名称：指数超买超卖因子**[70] * **因子构建思路**：通过某种度量方法（报告中未明确具体计算公式，可能基于价格偏离均线的幅度或其他技术指标）计算主要宽基指数和行业指数的超跌或超买程度，以识别市场或板块的极端状态[70][71][74]。 6. **因子名称：融资余额因子**[77] * **因子构建思路**：跟踪市场融资余额的绝对规模及其占流通市值的比例，作为衡量市场杠杆资金情绪和活跃度的指标[77][78]。 模型的回测效果 （报告中未提供具体模型的量化回测指标，如年化收益率、夏普比率、最大回撤等数值结果。） 因子的回测效果 （报告中未提供具体因子的IC值、IR、多空收益等量化测试结果。仅有个别因子给出了当前时点的具体数值或状态描述。） 1. **新高新低比例因子**：截至报告期，60日新高个股数占比为13.4%，60日新低个股数占比为8.6%[34]。 2. **个股均线结构因子**：截至报告期，均线强弱指标（多头排列减空头排列个股占比）为1.2%[38]。 3. **风险溢价因子**：截至2026年1月16日，中证全指风险溢价为2.51%，其历史均值加减两倍标准差边界分别为4.68%和另一个未明确数值[82]。 4. **融资余额因子**：最近5个交易日，融资盘增加约973亿元[82]。

量化模型与构建方式 1. **模型名称：宽基轮动策略**[16] * **模型构建思路**：基于市场情绪热度指标，通过追踪不同宽基指数（沪深300、中证500、中证1000、中证2000及“其他”组）周度热度的边际变化，构建一个简单的择时轮动策略。认为热度变化率最大的宽基可能代表短期市场情绪聚集的方向。[11][14][16] * **模型具体构建过程**： 1. 首先，根据报告定义的个股总热度指标，对属于沪深300、中证500、中证1000、中证2000成分股的股票，分别计算其组内总热度之和，得到各宽基的“总热度”指标。未被纳入上述四个宽基的股票归为“其他”组，并计算其总热度。[11] 2. 计算每个宽基组（包括“其他”组）的周度热度变化率。[14] 3. 对周度热度变化率进行2期移动平均（MA2）平滑处理。[14] 4. 在每周最后一个交易日，选择总热度变化率MA2最大的宽基指数，并在下一周持有该宽基指数（如果变化率最大的是“其他”组，则选择空仓）。[16] 2. **模型名称：热门概念内低热度选股策略**[35] * **模型构建思路**：在短期受市场情绪驱动、关注度高的热门概念板块中，选取板块内相对关注度（热度）较低的个股，利用市场有限注意力导致的“反应不足”或“价值洼地”效应来获取超额收益。[34][35] * **模型具体构建过程**： 1. 每周筛选出本周热度变化率最大的5个概念。[35] 2. 将这5个热门概念的所有成分股合并，作为初始选股股票池。[35] 3. 在股票池中，排除流通市值最小的20%的股票（以规避小市值股票的极端波动）。[35] 4. 对于每个热门概念，分别选出其成分股中“总热度”指标排名最后（最低）的10只个股。[35] 5. 将所有选出的个股（5个概念 * 10只个股 = 50只）等权构建投资组合，记为“BOTTOM组合”。[35] * **模型评价**：该策略利用了A股概念行情持续时间短、受行为因素影响大的特点，通过在高热度板块中挑选低热度个股，历史上长期可以取得一定的超额收益。[34][37] 模型的回测效果 1. **宽基轮动策略**，年化收益率8.74%，最大回撤23.5%，2026年收益为2.1%。[19] 2. **热门概念内低热度选股策略（BOTTOM组合）**，年化收益15.71%，最大回撤28.89%。[37] 量化因子与构建方式 1. **因子名称：个股总热度**[10] * **因子构建思路**：从行为金融学中的“有限注意力”角度出发，将投资者对个股的浏览、自选、点击等行为数据加总，构建一个衡量个股受市场关注程度的综合指标，作为“情绪热度”的代理变量。[10] * **因子具体构建过程**： 1. 获取个股每日的浏览次数、自选次数与点击次数。 2. 将同一交易日内，个股的上述三项数据求和。 3. 将该求和值除以当日全市场所有股票的该项求和总值，进行归一化处理，得到该股当日的关注度占比。 4. 将归一化后的数值乘以10000，使得因子取值区间落在[0, 10000]之间。 公式为： $$个股总热度_i, t = \frac{(浏览_i, t + 自选_i, t + 点击_i, t)}{\sum_{j=1}^{N}(浏览_j, t + 自选_j, t + 点击_j, t)} \times 10000$$ 其中，$i$ 代表个股，$t$ 代表交易日，$N$ 代表全市场股票总数。[10] 2. **因子名称：聚合总热度（宽基/行业/概念）**[10] * **因子构建思路**：将个股层面的总热度因子向上聚合，得到宽基指数、申万行业、市场概念等不同板块层面的整体热度指标，用于追踪市场情绪在宏观或中观层面的聚集与变化。[10] * **因子具体构建过程**： 1. 确定目标板块（如沪深300指数、传媒行业、Sora概念）的成分股名单。 2. 将该板块内所有成分股在同一个交易日的“个股总热度”值进行简单加总。 公式为： $$板块总热度_{S, t} = \sum_{i \in S} 个股总热度_i, t$$ 其中，$S$ 代表特定的板块（宽基、行业或概念）股票集合，$t$ 代表交易日。[10] 3. **因子名称：热度变化率MA2**[14][22] * **因子构建思路**：计算“聚合总热度”因子的周度环比变化率，并对其进行平滑处理，以捕捉板块热度边际变化的趋势，用于构建轮动或选股策略。[14][16][22] * **因子具体构建过程**： 1. 计算板块$S$在第$w$周的周度“聚合总热度”，可通过对周内各交易日热度取平均或直接使用周末值获得。 2. 计算周度热度变化率：$变化率_{S, w} = \frac{热度_{S, w} - 热度_{S, w-1}}{热度_{S, w-1}}$ 3. 对计算出的周度变化率序列进行2期移动平均（MA2）平滑： $$变化率MA2_{S, w} = \frac{变化率_{S, w} + 变化率_{S, w-1}}{2}$$[14] 因子的回测效果 *（注：本报告未提供单个因子的独立测试结果（如IC、IR等），仅展示了基于因子构建的策略组合的回测表现。因此，此部分根据要求跳过。）*

量化模型与构建方式 1. **模型名称：A股景气指数模型**[29] * **模型构建思路**：构建一个高频指数，用于对A股整体景气度（以上证指数归母净利润同比为代表）进行实时预测（Nowcasting）[29]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅说明其目标是对上证指数归母净利润同比进行Nowcasting[29]。 2. **模型名称：A股情绪指数系统**[34] * **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，并构建择时信号[34]。 * **模型具体构建过程**： 1. 将市场状态根据波动率和成交额的变化方向划分为四个象限[34]。 2. 通过历史统计发现，只有“波动率上行-成交额下行”的区间表现为显著负收益，其余三个象限均为显著正收益[34]。 3. 基于此规律，构建了包含“见底预警”与“见顶预警”的A股情绪指数[34]。 4. 具体信号生成逻辑：当市场波动率处于下行区间时，见底信号看多；当成交额处于上行区间时，见顶信号看多；综合两个信号得出整体观点[37]。 3. **模型名称：中证500增强组合模型**[45] * **模型构建思路**：通过量化策略模型构建投资组合，旨在持续跑赢中证500指数基准[45]。 * **模型具体构建过程**：报告未提供该增强模型的具体构建公式和详细步骤，仅展示了其持仓和业绩表现[45][48]。 4. **模型名称：沪深300增强组合模型**[51] * **模型构建思路**：通过量化策略模型构建投资组合，旨在持续跑赢沪深300指数基准[51]。 * **模型具体构建过程**：报告未提供该增强模型的具体构建公式和详细步骤，仅展示了其持仓和业绩表现[51][54]。 5. **模型名称：主题挖掘算法**[45] * **模型构建思路**：从新闻和研报文本中自动挖掘具有投资机会的主题概念[45]。 * **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、主题影响力因子构建等[45]。报告未提供具体公式。 模型的回测效果 1. **中证500增强组合模型**，本周收益1.07%，本周超额收益-1.12%（跑输基准），2020年至今累计超额收益47.12%，2020年至今最大回撤-9.32%[45]。 2. **沪深300增强组合模型**，本周收益0.44%，本周超额收益1.01%（跑赢基准），2020年至今累计超额收益43.72%，2020年至今最大回撤-5.86%[51]。 量化因子与构建方式 1. **因子名称：市值因子 (SIZE)**[55] * **因子构建思路**：衡量公司规模大小的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 2. **因子名称：BETA因子**[55] * **因子构建思路**：衡量股票相对于市场整体波动性的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 3. **因子名称：动量因子 (MOM)**[55] * **因子构建思路**：衡量股票价格趋势强弱的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 4. **因子名称：残差波动率因子 (RESVOL)**[55] * **因子构建思路**：衡量股票特异性风险的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 5. **因子名称：非线性市值因子 (NLSIZE)**[55] * **因子构建思路**：捕捉市值因子非线性效应的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 6. **因子名称：估值因子 (BTOP， 即Book-to-Price)**[55] * **因子构建思路**：衡量股票估值水平的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 7. **因子名称：流动性因子 (LIQUIDITY)**[55] * **因子构建思路**：衡量股票交易活跃度与变现能力的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 8. **因子名称：盈利因子 (EARNINGS_YIELD)**[55] * **因子构建思路**：衡量公司盈利能力的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 9. **因子名称：成长因子 (GROWTH)**[55] * **因子构建思路**：衡量公司成长能力的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 10. **因子名称：杠杆因子 (LVRG)**[55] * **因子构建思路**：衡量公司财务杠杆水平的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 11. **因子名称：行业因子**[56] * **因子构建思路**：衡量不同行业对投资组合收益影响的因子[56]。 * **因子具体构建过程**：报告未提供具体构建公式，但在风格分析中将其与十大类风格因子并列提及[56]。 因子的回测效果 *注：报告未提供各因子长期历史回测指标（如IC、IR、多空收益等）的具体数值。仅提供了近期（近一周）的表现描述和相关性矩阵。* 1. **近期因子表现评价**：本周，风格因子中**Beta因子**超额收益较高，**残差波动率因子**呈较为显著的负向超额收益[56]。从近期表现看，高Beta股表现优异，**杠杆因子**、**盈利因子**等表现不佳[56]。行业因子中，**计算机**、**传媒**等行业因子跑出较高超额收益，**国防军工**、**煤炭**、**保险**等行业因子回撤较多[56]。 2. **因子暴露相关性**：近一周，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；价值因子分别与Beta、残差波动率、流动性等因子呈现明显负相关性[56]。具体相关性矩阵参见报告图表[57]。

量化模型与构建方式 1. **模型名称：市场趋势择时模型**[2][5][6] * **模型构建思路**：通过比较市场指数的短期均线与长期均线的相对位置，来判断市场整体处于上行或下行趋势[2][6]。 * **模型具体构建过程**： 1. 选择基准指数：WIND全A指数。 2. 计算均线：计算基准指数的20日移动平均线（短期均线）和120日移动平均线（长期均线）。 3. 计算均线距离：计算短期均线与长期均线的差值百分比。 $$均线距离 = \frac{20日线价格 - 120日线价格}{120日线价格} \times 100\%$$ 4. 生成信号：当均线距离的绝对值大于3%时，认为市场处于明确的趋势中。具体地，若短期均线位于长期均线之上（距离为正且大于3%），则判断为上行趋势；若短期均线位于长期均线之下（距离为负且绝对值大于3%），则判断为下行趋势[2][6]。 2. **模型名称：赚钱效应指标**[2][5][7] * **模型构建思路**：在判断市场为上行趋势后，通过计算当前价格相对于市场趋势线的位置（即赚钱效应），来观测趋势的强弱和持续性[2][7]。 * **模型具体构建过程**： 1. 确定市场趋势线：报告未明确给出趋势线的具体计算方法，但指出其是判断市场环境的核心观测指标之一[2][7]。 2. 计算赚钱效应：计算当前指数价格相对于趋势线的涨幅百分比。 $$赚钱效应 = \frac{当前指数价格 - 市场趋势线价格}{市场趋势线价格} \times 100\%$$ 3. 信号解读：当赚钱效应为正时，表明市场处于盈利状态，有助于吸引增量资金，上行趋势有望延续[2][7]。 3. **模型名称：仓位管理模型**[5][7] * **模型构建思路**：结合市场的估值水平和短期趋势判断，为绝对收益产品提供股票仓位的配置建议[7]。 * **模型具体构建过程**： 1. 评估估值水平：计算WIND全A指数的PE（市盈率）和PB（市净率）在其历史数据中的分位数[7]。 2. 判断短期趋势：参考其他择时指标（如赚钱效应、ETF资金流、成交额等）对市场短期走势进行定性判断[5][7]。 3. 综合给出仓位建议：将估值水平（例如，PE位于90分位点偏上，PB位于50分位点中等）与短期趋势判断相结合，通过模型计算出建议仓位。例如，当前建议仓位为80%[5][7]。 4. **模型名称：行业趋势配置模型**[2][5][7] * **模型构建思路**：这是一个综合模型框架，内部包含多个子模型，用于在不同时间维度上挖掘具有配置机会的行业或板块[2][5]。 * **模型具体构建过程**：报告未详细描述该综合模型的具体构建步骤，但列举了其包含的子模型及其当前信号： * **中期困境反转预期模型**：信号显示关注“创新医疗”板块[2][5]。 * **TWO BETA模型**：继续推荐“科技”板块，并提示关注“AI应用”和“商业航天”调整后的机会[2][5]。 * **业绩趋势模型**：在短期业绩披露高峰期，提示关注“算力”与“储能电池”等板块的机会[2][5][7]。 模型的回测效果 （报告中未提供各量化模型的历史回测绩效指标，如年化收益率、夏普比率、最大回撤等具体数值。） 量化因子与构建方式 （报告中未提及具体的、可计算的量化因子（如价值、动量、质量等因子）的构建思路与过程。） 因子的回测效果 （报告中未提供任何量化因子的测试结果，如IC值、IR、多空收益等。）

量化模型与构建方式 **本报告未涉及具体的量化选股模型或多因子模型，主要分析对象为指数及其跟踪产品，因此无量化模型相关内容。** 量化因子与构建方式 **本报告未涉及用于选股或预测的量化因子（如价值、动量、质量等因子）的构建与测试。** 指数编制规则与产品分析 1. **指数名称：中证卫星产业指数 (CSI Satellite Industry Index)**[29] * **指数构建思路：** 从沪深市场中选取业务涉及卫星全产业链的上市公司证券，以反映卫星产业上市公司证券的整体表现[29]。 * **指数具体构建过程：** 1. **样本空间：** 同中证全指指数的样本空间[30]。 2. **可投资性筛选：** 对样本空间内证券，剔除过去一年日均成交金额排名位于后20%的证券[30]。 3. **选样方法：** 在通过可投资性筛选的证券中，选取业务涉及卫星产业相关领域的上市公司证券作为待选样本。相关领域包括： * **基础领域：** 卫星平台与卫星载荷制造、卫星发射等。 * **应用领域：** 卫星通信、卫星导航、卫星遥感等领域的地面设备制造、软件开发及系统集成[30]。 4. **成分股选择：** 在上述待选样本中，按照过去一年日均总市值由高到低排名，选取排名前50的证券作为指数样本[30]。 5. **加权方式：** 样本采用营业收入占比调整后自由流通市值加权。具体规则为： * 单个样本权重不超过10%。 * **基础领域（卫星制造+发射）样本权重合计不低于50%**[30]。 6. **定期调整：** 指数样本每半年调整一次，调整实施时间为每年6月和12月的第二个星期五的下一交易日[30]。 * **指数评价：** 该指数定位覆盖卫星全产业链，且编制规则强制要求上游制造与发射环节权重不低于50%，使其在产业爆发初期能更充分地受益于相关利好，具备更强的业绩弹性和进攻性[54][55]。 2. **产品名称：招商中证卫星产业 ETF (159218)** * **产品构建思路：** 采用完全复制法，紧密跟踪中证卫星产业指数，为投资者提供一键投资卫星全产业链的工具化产品[56][57]。 * **产品具体构建过程：** 作为被动指数型基金，其构建过程即按照标的指数（中证卫星产业指数）的成分股及其权重进行资产配置，以最小化跟踪偏离度和跟踪误差为目标[57]。基金力争将日均跟踪偏离度的绝对值控制在0.2%以内，年化跟踪误差控制在2%以内[57]。 指数与产品的回测效果 1. **中证卫星产业指数 (931594.CSI)** * 过去5年收益：91.42%[51] * 过去1年收益：121.14%[51] * 过去6个月收益：107.84%[51] * 过去3个月收益：69.12%[51] * 过去1个月收益：52.82%[51] * 过去5年年化波动率：32.13%[51] * 过去5年最大回撤：-42.39%[51] * 2020年收益：15.08%[51] * 2021年收益：7.91%[51] * 2022年收益：-21.53%[51] * 2023年收益：15.16%[51] * 2024年收益：-5.91%[51] * 2025年收益（截至2026年1月15日）：79.04%[51] * 2026年初至1月15日收益：28.86%[51] 2. **国证商用卫星通信产业指数 (980018.CNI)** * 过去5年收益：63.44%[51] * 过去1年收益：114.63%[51] * 过去6个月收益：108.47%[51] * 过去3个月收益：72.24%[51] * 过去1个月收益：47.65%[51] * 过去5年年化波动率：31.54%[51] * 过去5年最大回撤：-51.32%[51] 3. **沪深300指数 (000300.SH)** * 过去5年收益：-13.14%[51] * 过去1年收益：24.37%[51] * 过去6个月收益：22.96%[51] * 过去3个月收益：5.07%[51] * 过去1个月收益：3.72%[51] * 过去5年年化波动率：17.92%[51] * 过去5年最大回撤：-45.60%[51]

量化模型与构建方式 本报告主要对中证卫星产业指数及其跟踪ETF产品进行分析，未涉及传统意义上的量化选股模型或多因子模型。报告的核心分析对象是一个已编制发布的行业主题指数，并对其进行了详细的特征分析和绩效评估。 1. **模型/因子名称**：中证卫星产业指数编制模型[29] * **模型/因子构建思路**：从沪深市场中选取业务涉及卫星全产业链的上市公司证券，构建一个能够反映卫星产业上市公司整体表现的指数[29]。 * **模型/因子具体构建过程**： 1. **样本空间**：同中证全指指数的样本空间[30]。 2. **可投资性筛选**：对样本空间内证券，剔除过去一年日均成交金额排名位于后20%的证券[30]。 3. **选样方法**： * 在通过可投资性筛选的证券中，选取业务涉及卫星产业相关领域的上市公司证券作为待选样本。相关领域包括： * **基础领域**：卫星平台与卫星载荷制造、卫星发射等。 * **应用领域**：卫星通信、卫星导航、卫星遥感等领域的地面设备制造、软件开发及系统集成[30]。 * 在上述待选样本中，按照过去一年日均总市值由高到低排名，选取排名前50的证券作为指数样本[30]。 4. **加权方式**：采用营业收入占比调整后自由流通市值加权。具体规则为： * 单个样本权重不超过10%[30]。 * **基础领域**（卫星制造与发射）样本权重合计不低于50%[30][54]。 5. **定期调整**：指数样本每半年调整一次，调整实施时间为每年6月和12月的第二个星期五的下一交易日[30]。 模型的回测效果 此处展示的是中证卫星产业指数作为投资标的的历史绩效表现。 1. **中证卫星产业指数 (931594.CSI)**，过去5年收益91.42%[51]，过去1年收益121.14%[51]，过去6个月收益107.84%[51]，过去3个月收益69.12%[51]，过去1个月收益52.82%[51]，过去5年年化波动率32.13%[51]，过去5年最大回撤-42.39%[51] 2. **国证商用卫星通信产业指数 (980018.CNI)**，过去5年收益63.44%[51]，过去1年收益114.63%[51]，过去6个月收益108.47%[51]，过去3个月收益72.24%[51]，过去1个月收益47.65%[51]，过去5年年化波动率31.54%[51]，过去5年最大回撤-51.32%[51] 3. **沪深300指数 (000300.SH)**，过去5年收益-13.14%[51]，过去1年收益24.37%[51]，过去6个月收益22.96%[51]，过去3个月收益5.07%[51]，过去1个月收益3.72%[51]，过去5年年化波动率17.92%[51]，过去5年最大回撤-45.60%[51] 量化因子与构建方式 报告未构建或测试独立的量化因子。 因子的回测效果 报告未构建或测试独立的量化因子。

量化模型与构建方式 **注：** 本报告为基金经理深度分析报告，并非传统的量化因子或模型研究。报告内容主要围绕基金经理的投资理念、风格和业绩归因展开，其中涉及的“模型”多为宏观周期模型和业绩归因模型，并非用于直接生成交易信号的量化模型。报告中也未构建具体的量化因子。以下将根据报告内容，总结其中提及的模型和分析框架。 1. **模型名称：宏观周期模型（用于判断成长风格占优环境）** * **模型构建思路：** 通过分析宏观经济所处的阶段（如筑底、复苏等）以及信用周期、企业盈利周期等指标，来判断市场风格（如成长风格）的未来表现[1]。 * **模型具体构建过程：** 报告未给出具体的构建公式和详细过程，但描述了其逻辑链条。模型主要观察几个关键宏观状态： 1. 判断经济处于“筑底后期”[1][21]。 2. 确认信用周期已经企稳[21]。 3. 观察到企业盈利滞后信用周期约一个季度触底，随后趋势上行[21]。 4. 综合以上状态，推断市场对成长属性的定价将强化，景气策略更有利于获取超额收益[1][22]。 2. **模型名称：Brinson业绩归因模型** * **模型构建思路：** 将投资组合的超额收益分解为资产配置收益（行业配置收益）、个股选择收益以及两者交互作用带来的收益，用以分析基金经理超额收益的来源[30]。 * **模型具体构建过程：** 报告未给出具体的数学公式，但明确了应用方式。以中证800成长指数作为基准，将基金经理代表产品（万家成长优选A和永赢科技驱动A）的超额收益归因为两部分： 1. **行业配置收益贡献：** 源于基金经理在行业权重上相对于基准指数的超配或低配决策[30]。 2. **选股+交互收益贡献：** 源于基金经理在行业内个股选择的超额收益，以及行业配置与选股交互作用产生的收益[30][32]。报告将后两者合并展示[32]。 模型的回测效果 *本报告未对上述宏观周期模型或Brinson模型进行独立的回测效果展示。相关数据主要用于分析基金经理的历史业绩和特征。* 量化因子与构建方式 *本报告未构建或测试具体的量化选股因子。报告中提及的“高质量成长”选股标准属于定性投资理念，并未量化为可计算的因子。* 因子的回测效果 *本报告未涉及量化因子的测试结果。*

量化模型与构建方式 1. **模型名称：竞争优势组合** [11] * **模型构建思路**：基于竞争壁垒分析框架，根据行业竞争特性（壁垒护盾型、竞争激烈型、稳中求进型、寻求突破型）和企业战略地位（唯一主导、合作共赢、高效运营）进行选股[11]。 * **模型具体构建过程**：首先将行业分类，在“壁垒护盾型”行业中筛选具有显著管理竞争优势的“唯一主导”企业，以及能够通过合作维持高利润的“合作共赢”企业。对于非“壁垒护盾型”行业，则筛选能够通过高效管理和成本控制实现优异运营的“高效运营”企业。最后，将这两类股票组合构成“竞争优势”组合[11][12]。 2. **模型名称：安全边际组合** [17] * **模型构建思路**：基于企业竞争优势（护城河）计算其内在价值（盈利能力价值），选择内在价值与市场价值差距（安全边际）最大的股票构建组合[17]。 * **模型具体构建过程**：首先，分析企业的竞争优势，识别其需求侧和供给侧壁垒以评估可持续性。其次，计算企业的盈利能力价值作为其内在价值。最后，在具有综合竞争优势的股票池中，选择安全边际（内在价值与市值之差）最大的前50只标的，并采用股息率加权的方式构建投资组合，以最大化整体安全边际[17]。组合每年在5月1日、9月1日和11月1日进行调仓[19]。 3. **模型名称：红利低波季调组合** [23] * **模型构建思路**：在传统红利策略基础上进行优化，通过预测股息率和设置负向清单（如剔除股价表现极端、负债率异常的标的）来规避“高股息陷阱”，即避免因单纯追逐高股息率而忽视公司盈利可持续性和长期价值[23]。 * **模型具体构建过程**：报告指出，一方面可以通过股息率本身的预测来规避陷阱，另一方面考虑设置负向清单制度，例如剔除股价表现极端、负债率异常的标的[23]。 4. **模型名称：AEG估值潜力组合** [28][31] * **模型构建思路**：基于超额收益增长（AEG）模型，筛选市场尚未充分认识其增长潜力、且股利再投资比率高的公司[28][31]。 * **模型具体构建过程**：首先，使用AEG_EP因子（基于AEG模型计算的估值因子）筛选出排名前100的股票。然后，从这100只股票中进一步选择股利再投资比率高的前50只股票构建最终组合[28][31]。 * **涉及的核心公式**： 超额收益增长（AEG）定义为公司的带息收益超过其机会成本的部分： $$A E G=Y_{t}-N_{t}=(E_{t}+r*D P S_{t-1})-(1+r)*E_{t-1}$$ 其中，$Y_t$为第$t$期带息收益，$N_t$为第$t$期正常收益，$E_t$为第$t$期盈利，$r$为要求回报率，$DPS_{t-1}$为第$t-1$期每股股利。 基于AEG的估值模型将远期市盈率表示为正常市盈率与增长溢价之和： $${\frac{V_{0}}{E_{1}}}={\frac{1}{r}}+{\frac{1}{r}}*{\frac{\left({\frac{A E G_{2}}{1+r}}+{\frac{A E G_{3}}{(1+r)^{2}}}+{\frac{A E G_{4}}{(1+r)^{3}}}+\cdots\right)}{E_{1}}}$$ 其中，$V_0$是当期市值，$E_1$是第一期预测盈利。若无超额收益增长，则正常市盈率为 ${\frac{V_{0}}{E_{1}}}={\frac{1}{r}}$[28]。 5. **模型名称：中证800现金牛组合** [34][36] * **模型构建思路**：引入自由现金流回报率（CFOR）分析体系，从现金流角度深入评估企业的盈利能力和资产现金生成效率，筛选高质量、现金流稳定的“现金牛”公司[34]。 * **模型具体构建过程**：通过CFOR体系拆解企业的现金流量回报率，关注自由现金利润比率和经营资产回报率的稳定性。同时，结合传统的杜邦分析（净利润率、总资产周转率的稳定性）和低波、低估值、SUE（未预期盈余）等因子。选股流程为：在全A非金融股中，筛选自由现金利润比率、经营资产回报率、净利润率、总资产周转率四项指标由高到低均位于行业前40%分位数的股票，构成“非金融高质量股票池”；在金融板块内，筛选ROE位于行业前40%分位数的股票，构成“金融高质量股票池”。将两个股票池取并集后，再通过低波、低估值、SUE等因子进一步筛选，得到最终持仓[34][35]。 6. **模型名称：困境反转组合** [41] * **模型构建思路**：利用库存周期刻画公司的困境反转阶段，同时结合景气加速恢复和定价错误的估值回归，旨在捕捉估值提升带来的收益[41]。 * **模型具体构建过程**：利用库存周期识别处于困境反转阶段的公司。同时，考虑公司景气度加速恢复和估值低估的情况。将刻画困境反转、景气加速和低估的相关因子进行标准化并叠加，最终选取综合得分最高的50只股票构建组合[41]。 模型的回测效果 **（注：以下为各模型自2019年以来的历史表现，数据截至2025年12月31日）** [16][21][24][33][39][43] 1. **竞争优势组合**：年化收益19.84%，夏普比率0.93，IR 0.09，最大回撤-19.32%，卡玛比率1.03[16]。 2. **安全边际组合**：年化收益23.16%，夏普比率1.15，IR 0.16，最大回撤-16.89%，卡玛比率1.37[21]。 3. **红利低波季调组合**：年化收益16.87%，夏普比率1.00，IR 0.17，最大回撤-21.61%，卡玛比率0.78[24]。 4. **AEG估值潜力组合**：年化收益25.36%，夏普比率1.16，IR 0.15，最大回撤-24.02%，卡玛比率1.06[33]。 5. **中证800现金牛组合**：年化收益13.42%，夏普比率0.67，IR 0.09，最大回撤-19.80%，卡玛比率0.68[39]。 6. **困境反转组合**：年化收益24.53%，夏普比率0.99，IR 0.15，最大回撤-33.73%，卡玛比率0.73[43]。

量化模型与构建方式 1. **模型名称：DTW相似性择时模型**[7] * **模型构建思路**：基于技术分析中的“历史会重演”假设，通过计算当前市场行情与历史行情的相似度，寻找相似的历史片段，并根据这些历史片段后续的走势来预测未来并生成交易信号[22]。 * **模型具体构建过程**： 1. **相似性度量**：采用动态时间规整（DTW）距离而非欧氏距离作为衡量两个时间序列相似度的标准，以解决时间序列间可能存在的相位错配问题[24]。 2. **算法改进**：为避免传统DTW算法的“过度弯曲”和“病态匹配”问题，引入了增加边界限制条件的改进DTW算法（报告中提及了Sakoe-Chiba和Itakura Parallelogram两种方法）[26][28][30]。 3. **信号生成**：对于当前行情，在历史数据中筛选出DTW距离最小的若干个（即最相似的）历史行情片段。计算这些历史片段在未来特定周期（如5日或1日）的收益率，并以距离倒数为权重计算加权平均未来涨跌幅和加权标准差。最后，根据预测涨跌幅及其方差（波动率）与预设阈值的比较，生成“多”、“空”或“无信号”的交易决策[22]。 2. **模型名称：外资择时模型**[7] * **模型构建思路**：利用境外上市的、与A股相关的金融资产（富时中国A50股指期货和南方A50ETF）的价格信息，构建择时指标，捕捉外资动向对A股市场的预示作用[32]。 * **模型具体构建过程**： 1. **数据源**：选取富时中国A50股指期货（新加坡市场）和南方A50ETF（香港市场）作为信息源[32]。 2. **指标构建**： * 在富时中国A50股指期货上，构建“升贴水”和“价格背离”两个指标，并复合形成该资产的择时信号[32]。 * 在南方A50ETF上，构建“价格背离”指标，形成该资产的择时信号[32]。 3. **信号复合**：将来自富时中国A50股指期货和南方A50ETF的两个择时信号进行复合，最终形成统一的外资择时信号[32]。 模型的回测效果 1. **DTW相似性择时模型**： * 样本外表现（2022年11月以来）：绝对收益率34.75%[9]。 * 样本外表现（2022年11月以来）：最大回撤率21.36%[4]。 * 2024年以来信号切换次数：15次[12]。 2. **外资择时模型**： * 全样本表现（2014年12月30日至2024年12月31日）： * 多空策略年化收益：18.96%[15]。 * 多头策略年化收益：14.19%[15]。 * 多空策略最大回撤：25.69%[15]。 * 多头策略最大回撤：17.27%[15]。 * 日胜率：近55%[15]。 * 盈亏比：均超过2.5[15]。 * 样本外表现（2024年以来）： * 多头策略绝对收益：31.33%[4][18]。 * 多头策略最大回撤：8.23%[4][18]。 量化因子与构建方式 1. **因子名称：DTW距离** * **因子构建思路**：作为DTW择时模型的核心，用于弹性度量两个时间序列的相似性，克服了欧氏距离在时间序列比对上的局限性[24]。 * **因子具体构建过程**：该因子是模型的内核算法，报告未给出具体的计算公式，但详细说明了其原理：通过动态规划寻找两个序列之间的最优非线性对齐路径，使得沿该路径的累积距离最小，这个最小累积距离即为DTW距离[24][26]。 2. **因子名称：富时中国A50股指期货升贴水** * **因子构建思路**：通过计算富时中国A50股指期货价格与其标的指数净值之间的差异，反映境外投资者对A股市场的情绪和预期[32]。 * **因子具体构建过程**：报告未给出具体计算公式。通常，升贴水 = （期货价格 - 标的指数价格） / 标的指数价格。 3. **因子名称：价格背离（富时中国A50股指期货/南方A50ETF）** * **因子构建思路**：捕捉境外A股相关资产价格走势与境内A股基准指数（如沪深300）走势之间的差异，这种差异可能蕴含额外的信息[32]。 * **因子具体构建过程**：报告未给出具体计算公式。通常通过比较两类资产收益率序列的相关性或计算其价差来构建。 因子的回测效果 （报告中未单独提供上述因子的IC、IR等独立测试结果，所有效果均已体现在对应模型的回测业绩中。）

量化模型与构建方式 1. **模型名称：PB-ROE-50组合** **模型构建思路：** 基于市净率（PB）和净资产收益率（ROE）两个核心估值与盈利指标，构建选股组合[23]。 **模型具体构建过程：** 报告未详细描述该组合的具体构建公式和步骤，仅提及其为基于PB和ROE的选股策略[23]。 2. **模型名称：公募调研选股策略** **模型构建思路：** 基于公募基金调研活动的事件驱动选股策略[25]。 **模型具体构建过程：** 报告未详细描述该策略的具体构建公式和步骤，仅提及其为公募调研选股策略[25]。 3. **模型名称：私募调研跟踪策略** **模型构建思路：** 基于私募基金调研活动的事件驱动选股策略[25]。 **模型具体构建过程：** 报告未详细描述该策略的具体构建公式和步骤，仅提及其为私募调研跟踪策略[25]。 4. **模型名称：大宗交易组合** **模型构建思路：** 根据“高成交、低波动”原则，从发生大宗交易的股票中筛选后续表现更佳的股票[29]。 **模型具体构建过程：** 通过统计分析发现，“大宗交易成交金额比率”越高、“6日成交金额波动率”越低的股票后续表现更佳[29]。根据此原则，通过月频调仓方式构造组合[29]。具体计算公式未在本文中给出。 5. **模型名称：定向增发组合** **模型构建思路：** 以定向增发的股东大会公告日为事件节点，进行事件驱动选股[35]。 **模型具体构建过程：** 综合考虑市值因素、调仓周期以及对仓位的控制来构造组合[35]。具体计算公式和权重分配未在本文中给出。 模型的回测效果 1. **PB-ROE-50组合**，本周超越基准收益率（中证500） -0.20%[24]，本周超越基准收益率（中证800） 1.98%[24]，本周超越基准收益率（全市场） 2.85%[24]，今年以来超额收益率（中证500） -2.37%[24]，今年以来超额收益率（中证800） 3.37%[24]，今年以来超额收益率（全市场） 4.12%[24]，本周绝对收益率（中证500） 1.98%[24]，本周绝对收益率（中证800） 2.19%[24]，本周绝对收益率（全市场） 3.34%[24]，今年以来绝对收益率（中证500） 7.66%[24]，今年以来绝对收益率（中证800） 7.91%[24]，今年以来绝对收益率（全市场） 9.88%[24] 2. **公募调研选股策略**，本周超越基准收益率 3.24%[26]，今年以来超额收益率 2.92%[26]，本周绝对收益率 3.45%[26]，今年以来绝对收益率 7.44%[26] 3. **私募调研跟踪策略**，本周超越基准收益率 2.59%[26]，今年以来超额收益率 4.93%[26]，本周绝对收益率 2.80%[26]，今年以来绝对收益率 9.53%[26] 4. **大宗交易组合**，本周超越基准收益率 3.94%[30]，今年以来超额收益率 4.66%[30]，本周绝对收益率 4.43%[30]，今年以来绝对收益率 10.46%[30] 5. **定向增发组合**，本周超越基准收益率 1.16%[36]，今年以来超额收益率 -0.57%[36]，本周绝对收益率 1.64%[36]，今年以来绝对收益率 4.94%[36] 量化因子与构建方式 1. **因子名称：6日成交金额的移动平均值** **因子构建思路：** 衡量股票近期成交活跃度的趋势[12]。 **因子具体构建过程：** 报告未给出具体计算公式，因子方向为负向[13]。 2. **因子名称：5日平均换手率** **因子构建思路：** 衡量股票短期流动性[12]。 **因子具体构建过程：** 报告未给出具体计算公式，因子方向为负向[13]。 3. **因子名称：净利润断层** **因子构建思路：** 事件驱动因子，捕捉公司净利润超预期增长带来的股价跳空上涨效应[12]。 **因子具体构建过程：** 报告未给出具体计算公式，因子方向为正向[13]。 4. **因子名称：总资产增长率** **因子构建思路：** 衡量公司资产规模扩张速度的基本面因子[14]。 **因子具体构建过程：** 报告未给出具体计算公式，因子方向为正向[15]。 5. **因子名称：早盘后收益因子** **因子构建思路：** 捕捉特定交易时段（早盘后）的股价行为模式[14]。 **因子具体构建过程：** 报告未给出具体计算公式，因子方向为负向[15]。 6. **因子名称：单季度ROA同比** **因子构建思路：** 衡量公司单季度资产盈利能力同比变化的基本面因子[14]。 **因子具体构建过程：** 报告未给出具体计算公式，因子方向为正向[15]。 7. **因子名称：单季度ROE** **因子构建思路：** 衡量公司单季度净资产盈利能力的基本面因子[16]。 **因子具体构建过程：** 报告未给出具体计算公式，因子方向为正向[17]。 8. **因子名称：总资产毛利率TTM** **因子构建思路：** 衡量公司过去十二个月总资产毛利创造能力的基本面因子[16]。 **因子具体构建过程：** 报告未给出具体计算公式，因子方向为正向[17]。 9. **因子名称：单季度ROA** **因子构建思路：** 衡量公司单季度资产盈利能力的基本面因子[16]。 **因子具体构建过程：** 报告未给出具体计算公式，因子方向为正向[17]。 10. **因子名称：Beta因子** **因子构建思路：** 衡量股票相对于市场整体波动性的风格因子[1]。 **因子具体构建过程：** 报告未给出具体计算公式。 11. **因子名称：市值因子** **因子构建思路：** 衡量公司规模大小的风格因子[1]。 **因子具体构建过程：** 报告未给出具体计算公式。 12. **因子名称：残差波动率因子** **因子构建思路：** 衡量股票特异性风险的风格因子[1]。 **因子具体构建过程：** 报告未给出具体计算公式。 13. **因子名称：流动性因子** **因子构建思路：** 衡量股票交易便利程度的风格因子[1]。 **因子具体构建过程：** 报告未给出具体计算公式。 14. **因子名称：净资产增长率因子** **因子构建思路：** 行业内分析使用的基本面因子，衡量公司净资产增长[21]。 **因子具体构建过程：** 报告未给出具体计算公式。 15. **因子名称：净利润增长率因子** **因子构建思路：** 行业内分析使用的基本面因子，衡量公司净利润增长[21]。 **因子具体构建过程：** 报告未给出具体计算公式。 16. **因子名称：每股净资产因子** **因子构建思路：** 行业内分析使用的基本面因子，衡量公司每股账面价值[21]。 **因子具体构建过程：** 报告未给出具体计算公式。 17. **因子名称：每股经营利润TTM因子** **因子构建思路：** 行业内分析使用的基本面因子，衡量公司每股经营利润[21]。 **因子具体构建过程：** 报告未给出具体计算公式。 18. **因子名称：BP因子** **因子构建思路：** 行业内分析使用的估值类因子，即市净率（PB）的倒数[21]。 **因子具体构建过程：** 报告未给出具体计算公式。 19. **因子名称：EP因子** **因子构建思路：** 行业内分析使用的估值类因子，即市盈率（PE）的倒数[21]。 **因子具体构建过程：** 报告未给出具体计算公式。 20. **因子名称：5日动量因子** **因子构建思路：** 行业内分析使用的动量类因子[22]。 **因子具体构建过程：** 报告未给出具体计算公式。 21. **因子名称：1月动量因子** **因子构建思路：** 行业内分析使用的动量类因子[22]。 **因子具体构建过程：** 报告未给出具体计算公式。 22. **因子名称：对数市值因子** **因子构建思路：** 行业内分析使用的规模风格因子[22]。 **因子具体构建过程：** 报告未给出具体计算公式。 *(注：报告中还提及了大量其他因子，如ROIC增强因子、标准化预期外盈利、市净率因子、大单净流入等，均未提供具体构建过程，此处不一一列举。)* 因子的回测效果 *(以下因子表现数据均为“最近1周”的收益，为剔除行业与市值影响后多头组合相对于基准指数的超额收益[12])* 1. **6日成交金额的移动平均值因子**，最近1周收益 3.60%[13] 2. **5日平均换手率因子**，最近1周收益 3.53%[13] 3. **净利润断层因子**，最近1周收益 3.35%[13] 4. **总资产增长率因子**，最近1周收益 1.23%[15] 5. **早盘后收益因子**，最近1周收益 1.12%[15] 6. **单季度ROA同比因子**，最近1周收益 1.02%[15] 7. **单季度ROE因子**，最近1周收益 1.67%[17] 8. **总资产毛利率TTM因子**，最近1周收益 1.47%[17] 9. **单季度ROA因子**，最近1周收益 1.33%[17] 10. **Beta因子**，最近1周收益 1.22%[18] 11. **市值因子**，最近1周收益 -0.79%[18] 12. **残差波动率因子**，最近1周收益 -0.77%[18] 13. **流动性因子**，最近1周收益 -0.56%[18]