量化模型与构建方式 1. **模型名称：优秀基金业绩增强组合** * **模型构建思路：** 从对标宽基指数转变为对标主动股基，在借鉴优秀基金持仓的基础上，采用量化方法进行增强，以达到优中选优的目的[4][13][49]。 * **模型具体构建过程：** 1. **基金优选：** 对基金进行优选，并对收益类因子进行分层中性化处理，以解决市场风格突变时的反转问题和持股风格集中化问题[49]。 2. **构建基准组合：** 根据优选基金的补全持仓构建优选基金持仓组合，该组合旨在跟踪主动股基中位数走势[49]。 3. **组合优化增强：** 以业绩分层视角下的优选基金持仓为选股空间和对标基准，采用组合优化的方法，控制组合与优选基金持仓在个股偏离、行业偏离及风格上的偏离，构建最终的投资组合[50]。 2. **模型名称：超预期精选组合** * **模型构建思路：** 以研报标题超预期与分析师全线上调净利润为条件筛选超预期事件股票池，接着对股票池进行基本面和技术面两个维度的精选，挑选出同时具备基本面支撑和技术面共振的股票构建组合[5][55]。 * **模型具体构建过程：** 1. **事件筛选：** 以“研报标题超预期”和“分析师全线上调净利润”为条件，筛选出超预期事件股票池[5][55]。 2. **双层优选：** 对超预期股票池中的股票，分别从基本面和技术面两个维度进行评分或筛选。 3. **组合构建：** 挑选出在两个维度上均表现优异的股票，构建超预期精选股票组合[5][55]。 3. **模型名称：券商金股业绩增强组合** * **模型构建思路：** 以券商金股股票池为选股空间和约束基准，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，构建增强组合[6][60]。 * **模型具体构建过程：** 1. **确定股票池：** 以券商研究所每月推荐的金股构成初始股票池[6][60]。 2. **组合优化：** 在该股票池基础上，通过组合优化方法进行进一步精选。优化目标是在控制与券商金股股票池（作为基准）在个股和风格上偏离度的前提下，追求更高的预期收益，从而构建业绩增强组合[6]。 4. **模型名称：成长稳健组合** * **模型构建思路：** 采用“先时序、后截面”的方式，构建成长股二维评价体系。优先选择距离财报预约披露日较近的股票，当样本数量较多时，再采用多因子打分精选优质个股[7][65]。 * **模型具体构建过程：** 1. **事件定义与股票池筛选：** 以“研报标题超预期”和“上市公司业绩预增”作为利好事件，筛选成长股股票池[7][65]。 2. **时序分档：** 根据上市公司距离正式财报预约披露日的间隔天数对股票池进行分档，优先选择距离披露日较近的股票（即处于“超额收益释放黄金期”的股票）[7][65]。 3. **截面精选：** 当时序筛选后样本数量较多时，采用多因子打分模型在截面上进一步精选优质个股[7]。 4. **组合构建与风控：** 构建100只股票等权组合，并引入弱平衡机制、跃迁机制、缓冲机制和风险规避机制以降低换手、规避风险[65]。 模型的回测效果 1. **优秀基金业绩增强组合** * 全样本区间（2012.1.4-2025.12.31）年化收益（考虑仓位及交易费用）：21.40%[51][54] * 全样本区间相对偏股混合型基金指数年化超额收益：9.85%[51][54] * 2026年本年（截至2026.3.20）绝对收益（考虑仓位）：7.61%[2][16][24] * 2026年本年相对偏股混合型基金指数超额收益：6.70%[2][16][24] * 2026年本年（截至2026.3.20）在主动股基中排名分位点：13.20%[2][16][24] 2. **超预期精选组合** * 全样本区间（2010.1.4-2025.12.31）年化收益（考虑仓位及交易费用）：31.11%[56][59] * 全样本区间相对偏股混合型基金指数年化超额收益：23.98%[56][59] * 2026年本年（截至2026.3.20）绝对收益（考虑仓位）：6.86%[2][16][32] * 2026年本年相对偏股混合型基金指数超额收益：5.96%[2][16][32] * 2026年本年（截至2026.3.20）在主动股基中排名分位点：14.97%[2][16][32] 3. **券商金股业绩增强组合** * 全样本区间（2018.1.2-2025.12.31）年化收益（考虑仓位及交易费用）：21.71%[61][64] * 全样本区间相对偏股混合型基金指数年化超额收益：14.18%[61][64] * 2026年本年（截至2026.3.20）绝对收益（考虑仓位）：7.98%[2][16][37] * 2026年本年相对偏股混合型基金指数超额收益：7.08%[2][16][37] * 2026年本年（截至2026.3.20）在主动股基中排名分位点：12.25%[2][16][37] 4. **成长稳健组合** * 全样本区间（2012.1.4-2025.12.31）年化收益（考虑仓位及交易费用）：36.34%[66][69] * 全样本区间相对偏股混合型基金指数年化超额收益：26.33%[66][69] * 2026年本年（截至2026.3.20）绝对收益（考虑仓位）：12.36%[3][16][43] * 2026年本年相对偏股混合型基金指数超额收益：11.45%[3][16][43] * 2026年本年（截至2026.3.20）在主动股基中排名分位点：4.68%[3][16][43]

量化模型与构建方式 1. **模型/因子名称**：250日新高距离[11] * **构建思路**：该指标用于衡量当前价格相对于过去250个交易日最高点的回落幅度，以追踪市场或个股的趋势强度。当价格创出新高时，该值为0；价格从高点回落时，该值为正，表示回落的百分比[11]。 * **具体构建过程**：对于给定标的（如个股、指数），在时间点t，计算其250日新高距离。具体公式如下： $$250日新高距离 = 1 - \frac{Close_t}{ts\_max(Close, 250)}$$ 其中，$Close_t$代表最新收盘价，$ts\_max(Close, 250)$代表过去250个交易日收盘价的最大值[11]。 2. **模型/因子名称**：平稳创新高股票筛选模型[23][26] * **构建思路**：该模型旨在从近期创出250日新高的股票中，进一步筛选出具备分析师关注、股价强势、且价格路径平稳、趋势延续性好的股票。其理论基础在于研究表明，遵循平滑价格路径的高动量股票未来收益可能更高[23]。 * **具体构建过程**：模型采用多步骤筛选法，具体流程如下： 1. **初选股票池**：筛选出过去20个交易日内曾创出250日新高的股票[19]。 2. **分析师关注度筛选**：要求过去3个月内，获得“买入”或“增持”评级的分析师研报数量不少于5份[26]。 3. **股价相对强弱筛选**：要求过去250日涨跌幅位于全市场所有股票的前20%[26]。 4. **股价平稳性与趋势延续性筛选**：在满足上述条件的股票池内，使用以下两个指标综合打分，并选取排名在前50%的股票[26]。 * **价格路径平滑性**：使用股价位移路程比进行衡量。位移指过去120日的净涨跌幅，路程指过去120日内每日涨跌幅绝对值的总和。该比值越高，表明价格路径越平滑[23]。 * **创新高持续性**：过去120个交易日的250日新高距离在时间序列上的均值。该值越小，表明股票在近期持续接近或创出新高[26]。 5. **最终排序筛选**：根据**趋势延续性**指标（即过去5日的250日新高距离在时间序列上的均值）对第4步筛选出的股票进行排序，选取排名最靠前的50只股票[26]。 模型的回测效果 *本报告未提供量化模型或因子在历史回测中的具体绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）数值。报告内容主要为截至特定日期（2026年3月20日）的截面数据展示和筛选结果列举[12][19][27]。* 量化因子与构建方式 1. **因子名称**：250日新高距离因子[11] * **构建思路**：同上述模型中的指标，作为动量或趋势跟踪类因子使用，值越小表明趋势越强[11]。 * **具体构建过程**：同上述模型中的构建过程[11]。 * **因子评价**：该因子受到学术研究和实战投资家的共同关注，被认为是捕捉趋势和识别市场领头羊的有效工具[11][18]。 2. **因子名称**：价格路径平滑性因子（位移路程比）[23] * **构建思路**：衡量股价上涨或下跌过程的平稳程度，避免因短期剧烈波动（跳跃）带来的干扰。研究显示平滑的动量可能产生更强的动量效应[23]。 * **具体构建过程**：计算过去一定期间（报告中提及120日）内，价格净变动（位移）与价格总变动（路程）的比率。公式可表达为： $$价格路径平滑性 = \frac{|P_{t} - P_{t-n}|}{\sum_{i=1}^{n} |P_{t-i+1} - P_{t-i}|}$$ 其中，$P_t$为当期价格，$n$为回溯期（如120日）。分子为位移（净涨跌幅的绝对值），分母为路程（每日涨跌幅绝对值的总和）[23]。 3. **因子名称**：创新高持续性因子[26] * **构建思路**：通过计算近期250日新高距离的均值，来度量股票在较长时间窗口内维持强势、接近高点的持续能力[26]。 * **具体构建过程**：计算股票在过去120个交易日内，每日的250日新高距离的平均值[26]。 4. **因子名称**：趋势延续性因子[26] * **构建思路**：通过计算近期（如过去5日）250日新高距离的均值，来捕捉股票短期趋势的强弱和延续性[26]。 * **具体构建过程**：计算股票在过去5个交易日内，每日的250日新高距离的平均值[26]。 因子的回测效果 *本报告未提供单个量化因子在历史回测中的具体绩效指标（如因子IC值、ICIR、多空收益、分组收益等）数值。报告内容主要为截至特定日期（2026年3月20日）的截面数据展示和筛选结果列举[12][19][27]。*

量化模型与因子总结 量化因子与构建方式 1. **因子名称：RSI相对强弱指标**[2] * **因子构建思路**：通过计算一定周期内平均涨幅与平均跌幅的比值，来衡量市场的超买或超卖状态，以判断短期趋势的强弱[2]。 * **因子具体构建过程**： 1. 设定计算周期为12天[2]。 2. 计算周期内所有上涨日的平均涨幅（AvgGain）和所有下跌日的平均跌幅（AvgLoss）[2]。 3. 计算相对强度（RS）： $$RS = \frac{AvgGain}{AvgLoss}$$ 4. 计算RSI值： $$RSI = 100 – \frac{100}{(1 + RS)}$$ 5. 根据RSI值进行状态判断：RSI > 70为超买状态，RSI < 30为超卖状态[2]。 2. **因子名称：净申购金额**[2] * **因子构建思路**：通过计算ETF当日净值变动与理论净值变动之间的差额，来估算当日资金的净流入（申购）或净流出（赎回）情况，反映市场资金动向[2]。 * **因子具体构建过程**： 1. 获取当日ETF净值（NAV(T)）和前一日ETF净值（NAV(T-1)）[2]。 2. 获取ETF所跟踪指数在当日的收益率（R(T)）[2]。 3. 计算净申购金额（NETBUY(T)）： $$NETBUY(T) = NAV(T) – NAV(T-1) * (1 + R(T))$$ 其中，NETBUY(T)为T日的净申购金额[2]。 因子的回测效果 （注：本报告为数据跟踪日报，未提供因子在历史回测中的具体表现指标，如IC、IR、多空收益等。报告仅展示了特定时点（2026-03-19）各ETF的因子截面数据[4][6]。）

量化专题报告总结 量化模型与构建方式 1. **模型名称**：基于XGBoost的因子配置模型[4] **模型构建思路**：将量化大势研判框架中的市场环境特征与Barra因子、Alpha因子结合，利用XGBoost模型捕捉非线性关系和条件依赖，以提升因子选股效果[4][82] **模型具体构建过程**： * **数据准备**：选取A股非新股、非ST、非一字涨停、未停牌的股票[93]。自变量包括10个Barra CNE5因子、85个Alpha因子以及10个市场环境特征[82]。因变量为股票下个月的收益率[89]。 * **数据处理**：对因子进行截面zscore标准化，并用3倍标准差进行截尾处理[89]。 * **模型训练与验证**：采用滚动窗口（后改为扩展窗口）训练[89][110]。初始设置为使用5年数据（前4年训练，后1年验证），预测未来1年，从2019年滚动至2025年[89]。损失函数为MSE，并设置早停机制（连续10轮验证集损失无改善即停止）[89]。 * **关键改进**：发现XGBoost难以自动学习市场环境特征与Alpha因子之间的条件依赖关系后，显式构造了交互因子[105]。具体方法为：将10个市场环境特征分别与85个Alpha因子相乘，生成850个一阶交互因子[106]。随后进行筛选，仅保留在训练集和验证集上ICIR显著高于对应原始Alpha因子的交互因子，以控制维度[106]。 * **最终方案**：模型最终采用扩展窗口训练，并输入Barra因子、市场环境特征、Alpha因子以及筛选后的显式交互因子[110]。 2. **模型名称**：国联民生金工量化大势研判框架（行业配置策略）[70] **模型构建思路**：基于产业周期与资产特征的系统性映射定义风格资产，根据市场风险偏好对风格优先级进行分层判断，用于行业配置[70][72] **模型具体构建过程**：框架定义了五类风格资产：预期成长(gf)、实际成长(g)、盈利能力(ROE)、高股息(D)、破净/并购(B/P)[70]。在市场风险偏好存在 `g > ROE > D > BP` 的基本假设下，对市场风格的优先级进行分层判断[72]。核心是构建五个市场环境特征指标[78]： * **Δgf**（预期成长边际变化）：中信细分行业分析师预期增速(fttm)排序后等分五组，取Top组中位数与Bottom组中位数的差值，经平滑后再进行差分[78]。 * **Δg**（实际成长边际变化）：中信细分行业财报实际利润增速(ttm)排序后等分五组，取Top组中位数与Bottom组中位数的差值，经平滑后再进行差分[78]。 * **ΔROE**（盈利能力边际变化）：中信细分行业ROE(ttm)排序后等分五组，取Top组中位数平滑后差分[81]。 * **Crowd_ROE**（ROE资产拥挤度）：中信细分行业ROE(ttm)排序后等分五组，计算Top组的Beta因子暴露水平[81]。 * **Crowd_DP**（红利资产拥挤度）：中信细分行业股息率排序后等分五组，计算Top组近1月成交量/近3月成交量的因子暴露水平[81]。 模型的回测效果 1. **基于XGBoost的因子配置模型（最终版）**，样本外测试期（2019-2025年）[110]： * IC均值：0.08[110] * ICIR：0.66[110] * RankIC均值：0.11[110] * RankICIR：0.88[110] * IC>0占比：71.43%[110] * G10（多头）年化收益率：28.36%[110] 2. **国联民生金工量化大势研判框架（行业配置策略）**，历史回测期（2009年以来）[72]： * 年化收益：27.81%[72] 量化因子与构建方式 1. **因子类别**：市场环境特征（10个）[82] **因子构建思路**：部分源自量化大势研判框架，用于刻画市场整体风格与状态，作为因子择时的条件变量[78][82] **因子具体构建过程**： * **Δgf, Δg, ΔROE, Crowd_ROE, Crowd_DP**：构建方法同上述大势研判框架[78][81]。 * **Market_vol20**：万得全A指数20日波动率[85]。 * **Market_vol60**：万得全A指数60日波动率[85]。 * **Position_52w**：万得全A指数价格处于过去52周的分位水平[85]。 * **Market_mom**：万得全A指数价格3个月动量[85]。 * **Market_amt**：万得全A指数成交量200日均线的趋势差分[85]。 2. **因子类别**：Barra CNE5因子（10个）[82] **因子构建思路**：采用经典的Barra风险模型因子，作为模型的基础输入[82] 3. **因子类别**：Alpha因子（85个）[82] **因子构建思路**：涵盖价格、情绪、成长、质量、价值、动量等多个维度的月频选股因子[83] **因子具体构建过程**：报告列出了85个因子的名称和类型，例如价格类的`clo_5d_60d`、`return_std_1m`，情绪类的`ivol`、`turnover_mean_1m`，成长类的`roe_q_report`、`yoy_eps_q`，质量类的`roe_q_adv`、`sp_adj`，价值类的`bp`、`ep_fttm`，动量类的`mom_1y`、`reverse_1m`等[83]。具体计算方式未在报告中详细说明。 4. **因子类别**：显式交互因子（最多850个，经筛选后保留）[106] **因子构建思路**：为了捕捉市场环境特征对Alpha因子有效性的条件影响，显式构造两者的一阶交互项[105][106] **因子具体构建过程**：将10个市场环境特征分别与85个Alpha因子逐元素相乘，生成850个交互因子[106]。公式可表示为： $$交互因子_{i,j} = 市场环境特征_i \times Alpha因子_j$$ 其中，`i` 取1到10，`j` 取1到85[106]。随后进行筛选，仅保留那些在训练集和验证集上ICIR显著高于对应原始Alpha因子的交互因子[106]。 因子的回测效果 *注：报告未提供单个因子的独立测试结果，仅提供了整合所有因子后的模型整体表现。*

量化模型与因子总结 量化模型与构建方式 1. **模型名称：市场情绪指标模型** [1][14][15][18] * **模型构建思路：** 通过统计市场中涨停、跌停股票的数量及其后续表现，以及股票的封板与连板情况，构建反映市场短期投机情绪和赚钱效应的指标。 * **模型具体构建过程：** * **日内涨跌停家数：** 统计上市满3个月以上的股票在盘中及收盘时的涨停和跌停数量[14]。 * **昨日涨跌停股今日表现：** 统计上市满3个月以上且昨日收盘涨停或跌停的股票在今日的收盘收益率[15]。 * **封板率：** 计算最高价涨停且收盘涨停的股票数占最高价涨停的股票数的比例[18]。 $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ * **连板率：** 计算连续两日收盘涨停的股票数占昨日收盘涨停的股票数的比例[18]。 $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 2. **模型名称：市场资金流向模型** [20][23][27] * **模型构建思路：** 通过分析融资融券余额、交易占比，以及大宗交易的折价情况，构建反映市场杠杆资金活跃度和大资金交易情绪的指标。 * **模型具体构建过程：** * **两融余额及占比：** 计算融资融券总余额，及其占市场总流通市值的比重；计算两融交易额（融资买入额+融券卖出额）占市场总成交额的比例[20][23]。 * **大宗交易折价率：** 统计大宗交易的总成交金额与当日成交份额总市值的差异，计算折价率[27]。 $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 3. **模型名称：市场折溢价模型** [25][29] * **模型构建思路：** 通过监测ETF场内交易价格与净值（IOPV）的差异，以及股指期货价格与现货指数的基差，构建反映市场定价效率、套利机会及投资者情绪的指标。 * **模型具体构建过程：** * **ETF折溢价：** 筛选日成交额超过100万的境内交易股票型ETF，计算其场内交易价格与IOPV的差异[25]。 * **股指期货年化升贴水率：** 计算股指期货主力合约价格与现货指数价格的基差，并进行年化处理，以衡量对冲成本或市场预期[29]。 $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 4. **模型名称：机构关注度模型** [32][35][38][39] * **模型构建思路：** 通过统计机构调研上市公司的频率，以及分析龙虎榜中机构席位、陆股通资金的买卖动向，构建反映机构投资者关注度和资金流向的指标。 * **模型具体构建过程：** * **机构调研热度：** 统计近7天内对上市公司进行调研或举行分析师会议的机构数量，并列出排名靠前的公司[32]。 * **龙虎榜机构/陆股通资金流：** 根据交易所公布的龙虎榜数据，汇总“机构专用”席位和“陆股通”席位在个股上的净买入或净卖出金额，并列出净流入和净流出排名前十的股票[38][39]。 模型的回测效果 *本报告为市场日度监测报告，主要展示各类模型在特定日期的观测值，未提供历史回测的绩效指标（如年化收益率、夏普比率、最大回撤等）。* 报告中的“测试结果”体现为各指标在报告日的具体数值或状态[7][8][11][14][15][18][20][23][25][27][29][32][38][39]。 1. **市场情绪指标模型 (2026-03-19)** * 收盘涨停家数：36只[14] * 收盘跌停家数：17只[14] * 昨日涨停股今日收益率：0.95%[15] * 昨日跌停股今日收益率：-1.81%[15] * 封板率：72%[18] * 连板率：17%[18] 2. **市场资金流向模型 (截至2026-03-18)** * 两融余额：26，546亿元[20] * 融资余额：26，365亿元[20] * 融券余额：180亿元[20] * 两融余额占流通市值比重：2.6%[23] * 两融交易占市场成交额比重：9.4%[23] * 大宗交易日均成交金额（近半年）：22亿元[27] * 大宗交易当日成交金额（2026-03-18）：12亿元[27] * 大宗交易平均折价率（近半年）：7.11%[27] * 大宗交易当日折价率（2026-03-18）：6.94%[27] 3. **市场折溢价模型 (2026-03-18/19)** * ETF最大溢价：沪港深消费龙头ETF招商，溢价2.58%[25] * ETF最大折价：G60创新ETF申万菱信，折价0.56%[25] * 上证50股指期货年化升水率：33.99%，处于近一年100%分位点[29] * 沪深300股指期货年化升水率：18.27%，处于近一年100%分位点[29] * 中证500股指期货年化升水率：29.55%，处于近一年100%分位点[29] * 中证1000股指期货年化升水率：46.04%，处于近一年100%分位点[29] 4. **机构关注度模型 (近一周/2026-03-19)** * 机构调研最多公司：蓝帆医疗，被148家机构调研[32] * 机构席位净流入前十股票：固德电材、九安医疗、纳百川等[38] * 机构席位净流出前十股票：桐昆股份、通源石油、铜牛信息等[38] * 陆股通净流入前十股票：金开新能、宏桥控股、九安医疗等[39] * 陆股通净流出前十股票：莲花控股、天壕能源、顺钠股份等[39]

量化模型与因子总结 量化模型与构建方式 根据研报内容，报告主要对市场数据进行跟踪、统计和分析，未涉及具体的量化选股模型或策略模型的构建。报告的核心是计算并展示了一系列用于评估市场状态和指数价值的量化指标（因子）。 量化因子与构建方式 报告计算了多个用于描述宽基指数市场特征的量化因子。 1. **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为无风险利率参考，计算股票指数收益率相对于无风险利率的超额收益，用于衡量市场的相对投资价值和风险补偿[28]。 * **因子具体构建过程**：风险溢价 = 指数收益率 - 十年期国债即期收益率。报告中展示的是当前风险溢价数值及其在不同历史窗口（近1年、近5年）内的分位值，同时计算了相对于近期均值±1倍、±2倍标准差的偏离程度[32]。 2. **因子名称：PE-TTM（滚动市盈率）** * **因子构建思路**：使用最近十二个月（TTM）的净利润计算市盈率，作为衡量指数估值水平的核心指标[38]。 * **因子具体构建过程**：PE-TTM = 指数总市值 / 指数成分股最近十二个月净利润之和。报告计算了当前PE-TTM值，并分析了其在近1年、近5年以及全历史区间内的分位值，同时计算了相对于近期均值±1倍、±2倍标准差的偏离百分比[43]。 3. **因子名称：股债性价比** * **因子构建思路**：将股票指数的潜在收益率（用PE-TTM的倒数近似表示）与无风险利率（十年期国债收益率）进行比较，用以判断股票资产相对于债券资产的吸引力[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。报告通过图表展示了该因子的历史走势，并标注了基于近5年数据计算的80分位值（机会值）和20分位值（危险值）[45]。 4. **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，是红利投资风格的重要参考指标[47]。 * **因子具体构建过程**：股息率 = 指数成分股年度现金分红总额 / 指数总市值。报告列出了当前股息率，并计算了其在近1年、近5年及全历史区间内的分位值，同时分析了相对于近期均值±1倍、±2倍标准差的偏离百分比[52]。 5. **因子名称：破净率** * **因子构建思路**：统计指数中市净率（PB）小于1的个股占比，用以反映市场整体的估值低迷程度或悲观情绪[53][55]。 * **因子具体构建过程**：破净率 = (指数成分股中市净率 < 1的股票数量) / 指数成分股总数量。报告列出了各主要宽基指数当前的破净率具体数值[4][56]。 6. **因子名称：收益分布形态指标（偏度与峰度）** * **因子构建思路**：通过计算指数日收益率分布的偏度和峰度，来描述收益分布的不对称性和尖峰肥尾特征，以评估市场风险结构[24]。 * **因子具体构建过程**： * 偏度（Skewness）：衡量分布不对称性。正偏态表示极端正收益情形更多。报告计算了当前偏度并与近5年均值比较[26]。 * 峰度（Kurtosis）：衡量分布尖峭程度。报告中计算的是超额峰度（Excess Kurtosis），即在计算值中减去了正态分布的峰度值3。峰度值越大，表示收益率分布更集中（尖峰）或尾部更厚[26]。公式分别为： $$ Skewness = \frac{E[(X-\mu)^3]}{\sigma^3} $$ $$ Excess\ Kurtosis = \frac{E[(X-\mu)^4]}{\sigma^4} - 3 $$ 其中，\(X\)为日收益率序列，\(\mu\)为均值，\(\sigma\)为标准差。 7. **因子名称：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，判断指数的短期、中期和长期趋势强度[15]。 * **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日及250日移动平均线的偏离百分比。例如，vsMA5 = (收盘价 / MA5 - 1) * 100%。报告以表格形式展示了各指数相对于各条均线的位置[16]。 8. **因子名称：换手率** * **因子构建思路**：衡量指数整体的交易活跃度[18]。 * **因子具体构建过程**：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)[18]。 9. **因子名称：交易金额占比** * **因子构建思路**：衡量单个宽基指数成交额在全市场中的比重，反映资金关注度[18]。 * **因子具体构建过程**：交易金额占比 = 该指数当日交易金额 / 中证全指当日交易金额[18]。 因子的回测效果 本报告为市场数据跟踪报告，未提供基于这些因子的选股策略回测结果（如多空组合收益、IC、IR等）。报告主要呈现了各因子在特定时点（2026年3月18日）的截面数据或历史分位值，用于状态描述而非因子有效性检验。 **各因子在主要宽基指数上的当前取值（截至2026年3月18日）** | 因子名称 | 上证50 | 沪深300 | 中证500 | 中证1000 | 中证2000 | 中证全指 | 创业板指 | 数据来源表/图 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | **风险溢价** | -0.08% | 0.44% | 1.00% | 0.95% | 1.56% | 0.80% | 2.01% | 表4[32] | | **风险溢价近5年分位值** | 48.02% | 70.71% | 82.14% | 77.78% | 86.90% | 78.89% | 88.81% | 表4[32] | | **PE-TTM当前值** | 11.54 | 14.19 | 36.57 | 49.38 | 166.87 | 22.25 | 41.76 | 表5[43] | | **PE-TTM近5年分位值** | 82.23% | 89.17% | 96.78% | 96.69% | 88.35% | 97.02% | 59.83% | 表5[43] | | **股息率当前值** | 3.34% | 2.76% | 1.30% | 1.01% | 0.71% | 1.96% | 0.87% | 表6[52] | | **股息率近5年分位值** | 36.20% | 36.86% | 8.26% | 23.80% | 5.12% | 27.77% | 53.97% | 表6[52] | | **破净率** | 22.0% | 15.67% | 9.6% | 7.0% | 2.8% | 5.44% | nan% | 正文[4][56] | | **当前换手率** | 0.33 | 0.71 | 1.85 | 2.72 | 3.64 | 1.79 | 2.31 | 正文[18] | | **交易金额占比** | 未列具体值 | 26.09% | 未列具体值 | 20.9% | 22.1% | 基准(100%) | 未列具体值 | 正文[18] | | **收益分布当前峰度(超额)** | -0.11 | 0.61 | 0.71 | 0.66 | 0.59 | 0.60 | 0.99 | 表3[26] | | **收益分布当前偏度** | 1.29 | 1.53 | 1.51 | 1.45 | 1.47 | 1.49 | 1.56 | 表3[26] | **注**：均线相对位置、股债性价比具体数值未在表格中集中列示，详见报告表2[16]和图6[45]。

量化模型与构建方式 1. **模型名称：幂函数溢价率拟合模型** * **模型构建思路**：用于刻画可转债市场在不同平价水平下的转股溢价率中枢，通过拟合截面数据来观察溢价率曲线的结构变化[10]。 * **模型具体构建过程**：将截面中所有可转债的平价价值作为解释变量（X），其转股溢价率作为被解释变量（Y），使用幂函数模型进行拟合[10]。该模型旨在得到一个描述平价与溢价率之间平均关系的曲线，即“溢价率中枢”[10]。通过比较不同报告期（如相隔1个月）的拟合曲线，可以观察溢价率中枢在各个平价区间的变化情况[10]。 2. **模型名称：CRR二叉树定价模型** * **模型构建思路**：用于计算可转债的理论价值，相较于BSM等传统模型，该模型通过二叉树方法考虑了内嵌条款、信用利差等因素，旨在获得更高的定价精度[13]。 * **模型具体构建过程**：报告未详细描述CRR二叉树的具体构建步骤，但指出其用于计算全市场可转债的理论定价值[13]。基于此模型定价结果，定义了“定价偏离度”指标：定价偏离度 = 转债CRR理论定价 - 转债市场价格[13]。当偏离度为负时，表明市场价格高于理论定价，转债估值偏贵；反之则表明估值便宜[13]。 3. **因子名称：定价偏离度** * **因子构建思路**：基于CRR二叉树定价模型的结果，通过计算理论价值与市场价格的差值，来衡量可转债的估值高低，该因子考虑了正股波动率等因素对时间价值的影响，比直接观察溢价率更为合理[13]。 * **因子具体构建过程**：首先使用CRR二叉树模型计算每只可转债的理论价值[13]。然后，用该理论价值减去可转债的当前市场价格，即得到该转债的定价偏离度[13]。公式为： $$定价偏离度 = CRR理论定价 - 市场价格$$ 报告中分别计算了全市场以及按风格（股性、平衡、债性）划分的定价偏离度的截面中位数和余额加权值[14][16]。 4. **模型名称：BSM隐含波动率计算模型** * **模型构建思路**：将可转债视为正股的衍生品，通过其市场价格反向计算（逆算）出市场隐含的正股未来波动率，用以刻画投资者对已发转债对应正股部分的波动率预期[33]。 * **模型具体构建过程**：以BSM（Black-Scholes-Merton）期权定价模型为基础，将可转债的市场价格、条款等作为已知输入，通过数值方法逆解出使得模型价格等于市场价格的隐含波动率参数[33]。报告计算了全市场转债对应正股的隐含波动率中位数和余额加权值[33]。 5. **因子名称：短久期转债隐含正股预期指数** * **因子构建思路**：短久期转债的价格受长期基本面影响较小，其转股溢价率可反映市场对正股短期表现的预期。该指数通过挑选短久期转债并对其转股溢价率进行加权，旨在构建一个反映市场短期收益预期的指标[36]。 * **因子具体构建过程**：首先，从市场中筛选出到期时间最短的1/3的可转债[36]。然后，以每只转债距离到期日的天数的倒数作为权重，对其转股溢价率进行加权计算，最终得到“隐含正股预期指数”[36]。 6. **模型名称：转债基金持仓DELTA估计模型** * **模型构建思路**：通过回归模型动态跟踪以可转债为主要配置标的的基金（转债基金）的持仓风格占比，进而估算其整体持仓的DELTA值，以观察基金风格变化及其与正股市场的联动程度[38]。 * **模型具体构建过程**：首先，定义转债基金样本[38]。然后，使用回归模型动态分析这些基金的持仓，估算其持仓中股性、平衡、债性等不同风格转债的占比[38]。最后，根据各风格指数的DELTA值，对估算出的风格占比进行加权，计算得到转债基金的平均DELTA估计值[38]。 7. **模型名称：转债低估值动量组合** * **模型构建思路**：这是一个复合策略模型，核心思想是同时捕捉转债的估值低估（价值）和正股的上行趋势（动量）两个维度的Alpha[40]。通过筛选市场价格低于理论定价且正股具有动量的转债进行投资[40]。 * **模型具体构建过程**： * **样本初筛**：对全市场可转债进行初步筛选，条件包括：债项评级AA-及以上、余额2亿元及以上、正股历史无ST等特殊处理、历史无评级下调和负面展望、大股东质押比例<90%、最近10日内有成交、强赎进度<5日、未跌破债底[42]。 * **风格划分**：根据转债平价（转换价值）将其划分为三类：平价<90为债性转债，90≤平价≤110为平衡转债，平价>110为股性转债[42]。 * **择券标准**：在通过初筛的每个风格（债性、平衡、股性）组内，根据两个维度对转债进行综合打分：1) **估值**：包括绝对定价（如价格）和相对定价（如定价偏离度）在市场中的相对分位数；2) **动量**：正股过去短期的价格走势[42]。在每个风格组内，选取综合得分最高的10只转债，共计30只纳入最终持仓[42]。 * **组合管理**：持仓内个股权重为等权重，每月进行一次再平衡[42]。 模型的回测效果 1. **转债低估值动量组合**：2月绝对收益为1.21%，超额收益（相对于中证转债指数）为0.89%[2]。自2017年起的长期年化收益率为16.59%，年化波动率为12.62%，最大回撤为11.26%，收益波动比（年化收益/年化波动）为1.31，收益回撤比（年化收益/最大回撤）为1.47，月度胜率为67.35%[2][46]。 量化因子与构建方式 1. **因子名称：正股PB中位数（全市场）** * **因子构建思路**：由于转债对应正股与宽基指数成分存在结构差异，直接使用宽基估值指标不合理。该因子通过自下而上合成全市场转债对应正股的市净率（PB）中位数，以衡量转债底层资产的估值水平[19]。 * **因子具体构建过程**：计算每只可转债对应正股的市净率（PB），然后取全市场所有转债正股PB的截面中位数，得到“全市场转债正股PB中位数”指标[19]。同时，会计算该中位数在历史滚动区间（如5年）内的分位数，以判断其估值位置[19]。 2. **因子名称：未来12个月盈利预期增速（同比）** * **因子构建思路**：通过处理分析师一致预测数据，合成未来12个月的盈利预期，并进行同比处理以消除周期性，用以刻画分析师对转债正股盈利的情绪变化[22]。 * **因子具体构建过程**：对每只转债正股，获取分析师对当前财年（FY1）和下一财年（FY2）的营收及净利润一致预测值[22][25]。通过时间加权的方式将FY1和FY2的预测值合成为未来12个月（未来12m）的预测值，使数据更具连贯性[22]。然后，计算未来12m预测值相对于上年同期的同比变化，得到“未来12m营收增速同比”和“未来12m利润增速同比”[22]。最后，计算全市场所有转债正股的该同比值的截面中位数[22]。 3. **因子名称：未来12个月盈利预期分歧（同比）** * **因子构建思路**：通过计算分析师对未来12个月盈利预测的标准差，来度量市场观点的分歧程度，并进行同比处理以观察分歧的变化趋势[25]。 * **因子具体构建过程**：对每只转债正股，计算其所有分析师提供的未来12个月盈利（营收、净利润）预测值的标准差，作为该股票盈利预期的分歧度[25][27]。然后，计算该分歧度指标相对于上年同期的同比变化，以去除周期性[25]。最后，计算全市场所有转债正股的该同比分歧度值的截面中位数[25]。 因子的回测效果 （报告中未提供独立因子的历史回测绩效指标，如IC、IR等，因此本部分略过）

量化模型与构建方式 1. **模型名称**：动量+拥挤度行业轮动策略[47] * **模型构建思路**：基于中信一级行业指数，通过结合动量效应和行业拥挤度指标，构建行业轮动策略，旨在规避过热行业并捕捉强势行业[47]。 * **模型具体构建过程**： 1. **数据准备**：获取过去5年的中信一级行业指数数据[47]。 2. **信号生成**： * 每月末，计算所有行业的**拥挤度**指标，并剔除拥挤度最高的30%的行业[47]。 * 在剩余的行业中，计算各行业过去一个月的**动量**表现，并进行排序[47]。 3. **组合构建**：选取动量排名前5的行业，进行等权配置[47]。 4. **调仓频率**：每月调仓一次[47]。 5. **基准比较**：基准为所有行业的等权组合[47]。 模型的回测效果 1. **动量+拥挤度行业轮动策略**，年化收益率XX%，最大回撤XX%，信息比率(IR)XX%，夏普比率XX%[49][50][51]。 *（注：报告图表中显示了年化收益率、最大回撤、策略净值曲线和绩效指标表格，但未在文本中提供具体数值，需从图表12、13、14中读取）[49][50][51]* 量化因子与构建方式 1. **因子名称**：动量因子[47] * **因子构建思路**：基于“强者恒强”的动量效应，认为过去一段时间表现好的行业在未来短期内仍可能延续强势[47]。 * **因子具体构建过程**：在每月末，计算各中信一级行业指数过去一个月的收益率，并以此作为动量因子值进行排序[47]。 2. **因子名称**：拥挤度因子[47] * **因子构建思路**：用于衡量行业交易过热或过度拥挤的程度，旨在规避因过度拥挤可能导致的反转风险[47]。 * **因子具体构建过程**：报告未给出具体的拥挤度因子计算公式。构建过程为每月末计算所有行业的拥挤度指标，并据此进行排序和剔除[47]。 3. **因子名称**：前沿因子（由“因子发现Agent”挖掘）[51][52] * **因子构建思路**：通过AI智能体自动抓取量化金融学术论文（如arXiv上的q-fin.PM, q-fin.ST, q-fin.CP分类），从中提炼潜在的、新颖的因子构建思路[51][52]。 * **因子具体构建过程**：流程包括：1) 定时抓取最新相关论文；2) 筛选与因子挖掘相关的文献；3) 提炼潜在的因子逻辑、构建方法；4) 评估其在A股市场的应用可行性、数据需求等；5) 结构化输出生成日报[52]。报告未提供具体因子实例的构建公式。 因子的回测效果 *（报告未提供动量因子、拥挤度因子或前沿挖掘因子的独立测试结果，如IC、IR、多空收益等。因子效果体现在其构成的行业轮动策略的整体回测绩效中）[47][49][50][51]*

量化模型与因子总结 量化模型与构建方式 1. **模型名称：转债风格轮动模型**[6][16][23] * **模型构建思路**：通过捕捉市场情绪指标，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，以获取超越单一风格或等权基准的收益[6][16][23]。 * **模型具体构建过程**： 1. **风格划分与指数构建**：首先，根据平底溢价率将转债划分为三类：平底溢价率 > 15%为偏股型，< -15%为偏债型，其余为平衡型，并分别构建对应的等权指数[16][18]。 2. **市场情绪指标计算**：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作为该指数的市场情绪捕捉指标[23]。 3. **轮动信号生成**：将各低估风格指数在两个市场情绪指标上的排名（Rank）相加，得到综合的“市场情绪捕捉指标”[23][24]。 $$转债风格市场情绪捕捉指标 = Rank（转债20日动量） + Rank（波动率偏离度）$$[24] 4. **仓位分配**：选择“市场情绪捕捉指标”排名较低（即情绪相对更差，预期未来可能反转）的风格指数进行配置。若排名相等则等权配置，若同时选中三种风格，则全仓配置平衡低估风格[16][23][24]。模型双周频调仓[6][23]。 2. **因子名称：转债综合估值因子**[5][17][18] * **因子构建思路**：融合转股溢价率偏离度和理论价值偏离度（蒙特卡洛模型）两个子因子，构建一个综合衡量转债估值高低的复合因子，旨在全市场及平衡型、偏债型转债中有效识别低估标的[5][17]。 * **因子具体构建过程**：分别计算每只转债的“转股溢价率偏离度”和“理论价值偏离度（蒙特卡洛模型）”两个因子值，然后对这两个因子值分别进行横截面排名（Rank），最后将排名相加得到综合估值因子[17][18]。 $$转债综合估值因子 = Rank（转股溢价率偏离度） + Rank（理论价值偏离度（蒙特卡洛模拟））$$[18] 3. **因子名称：转股溢价率偏离度因子**[5][17][18] * **因子构建思路**：衡量转债当前转股溢价率相对于其理论拟合值的偏离程度，偏离度越低可能表示转债估值相对越低[17][18]。 * **因子具体构建过程**：在每个时间截面上，使用转债的转股溢价率与转股价值进行非线性回归拟合，得到转股溢价率与转股价值的关系曲线。因子值为单个转债的实际转股溢价率减去其根据转股价值拟合出的理论转股溢价率[18]。 $$转股溢价率偏离度 = 转股溢价率 − 拟合转股溢价率$$[18] 4. **因子名称：理论价值偏离度因子（蒙特卡洛模型）**[5][17][18] * **因子构建思路**：通过蒙特卡洛模拟，充分考虑转债的转股、赎回、下修、回售等条款，计算其理论价值。因子衡量市场价格相对于理论价值的偏离百分比，偏离度越低可能表示转债越被低估[17][18]。 * **因子具体构建过程**：使用蒙特卡洛方法，在每个时点模拟大量（如10000条）正股价格路径，并依据转债各项条款计算每条路径下的现金流，再以同信用、同期限的利率作为贴现率计算理论价值。因子值为转债收盘价除以理论价值再减1[18]。 $$理论价值偏离度（蒙特卡洛模型） = 转债收盘价 / 理论价值（蒙特卡洛模型） - 1$$[18] 5. **因子名称：转债20日动量**[23][24] * **因子构建思路**：捕捉转债价格的短期趋势，作为市场情绪的代理指标之一[23]。 * **因子具体构建过程**：计算转债过去20个交易日的收益率作为动量因子值[23][24]。 6. **因子名称：波动率偏离度**[23][24] * **因子构建思路**：捕捉转债波动率相对于其历史常态的偏离，作为市场情绪的代理指标之一[23]。 * **因子具体构建过程**：报告未给出具体计算公式，但指出该因子用于衡量波动率的偏离度[23][24]。 7. **指标名称：百元转股溢价率**[3][12][39] * **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，并通过其历史分位数判断当前转债相对于正股的配置价值[3][12]。 * **具体构建过程**：在每个时点，使用截面数据拟合转股溢价率($y_i$)与转股价值($x_i$)的关系曲线。拟合公式为： $$y_{i}=\alpha_{0}+\,\alpha_{1}\cdot\,{\frac{1}{x_{i}}}+\epsilon_{i}$$[40] 将转股价值=100代入拟合公式，得到的转股溢价率即为“百元转股溢价率”[39][40]。 8. **指标名称：修正YTM – 信用债YTM中位数**[4][12][41] * **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，计算修正后的YTM与同等级同期限信用债YTM的差值，用以衡量偏债型转债相对于信用债的配置性价比[4][12][41]。 * **具体构建过程**： 1. **计算修正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模型计算获得[41]。 2. **计算差值中位数**：计算每只偏债型转债的修正YTM与同等级同期限企业债YTM的差值$X_i$，然后取所有偏债型转债该差值的中位数[41]。 $$“修正YTM – 信用债YTM”中位数 = median\{X_1, X_2, ... , X_n\}$$[41] 模型的回测效果 （注：以下效果基于回测区间2018年2月14日至2026年3月13日[21][26]） 1. **转债风格轮动模型**[26] * 年化收益：25.60% * 年化波动：16.95% * 最大回撤：15.89% * 信息比率(IR)：1.51 * 卡玛比率：1.61 因子的回测效果 （注：以下效果通过构建对应的低估指数来体现，回测区间为2018年2月14日至2026年3月13日[21]） 1. **转债综合估值因子 & 理论价值偏离度因子（应用效果）**[21] * **偏股转债低估指数**（由理论价值偏离度因子构建[5][19]） * 年化收益率：26.32% * 年化波动率：20.74% * 最大回撤：0.23 * 信息比率(IR)：1.27 * 卡玛比率：1.15 * **平衡转债低估指数**（由转债综合估值因子构建[5][19]） * 年化收益率：15.87% * 年化波动率：12.01% * 最大回撤：0.16 * 信息比率(IR)：1.32 * 卡玛比率：0.99 * **偏债转债低估指数**（由转债综合估值因子构建[5][19]） * 年化收益率：12.38% * 年化波动率：9.77% * 最大回撤：0.18 * 信息比率(IR)：1.27 * 卡玛比率：0.70 2. **低估值因子近期增强超额**（截至2026年3月13日近一月）[5][20] * 偏股转债低估指数超额：4.73% * 平衡转债低估指数超额：2.70% * 偏债转债低估指数超额：-0.05%

量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[11][42] * **模型构建思路**：为了准确计算股指期货的升贴水，必须剔除指数成分股分红除息导致的指数点位自然下滑的影响。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，指数成分股分红所导致的指数点位减少值（即分红点数）[11][42]。 * **模型具体构建过程**：模型的核心是预测每只成分股在期货合约存续期内的分红金额和除息日，并汇总计算对指数的影响。具体流程如下[42][43][45]： 1. **获取成分股及权重**：采用中证指数公司每日披露的日度收盘权重数据，确保每日个股权重的准确性，避免使用月末权重估算带来的偏差[48][49]。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，$W_{n,t}$ 为当前日期 $t$ 成分股 $n$ 的估算权重，$w_{i0}$ 为最近一次公布权重日期 $t_0$ 时成分股 $n$ 的权重，$r_n$ 为 $t_0$ 到 $t$ 期间个股 $n$ 的非复权涨跌幅[48]。 2. **预测个股分红金额**：对于每只成分股，若已公布分红金额则直接采用；若未公布，则需预测。分红金额预测转化为对净利润和股息支付率的预测[45][50]。 * **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，则根据其历史季度盈利分布稳定性进行分类：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，使用上年同期盈利作为预测值[52][55]。 * **股息支付率预测**：采用历史股息率代替。具体规则为：若公司去年分红，则以去年股息支付率作为今年预测值；若去年不分红，则以最近3年平均作为预测值；若从未分红，则默认今年不分红；当预期股息支付率大于100%时，进行截尾处理[53][56]。 3. **预测除息日**：采用基于历史间隔天数稳定性的线性外推法[54][57][59]。 * 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）以及历史分红日期间隔天数的稳定性，选择使用历史日期或进行线性外推。 * 若无法通过上述方法确定，则根据预测日期所在月份，采用默认日期（7月31日、8月31日或9月30日）[59]。 4. **计算指数分红点数**：汇总所有满足条件（除息日在当前日期之后、期货到期日之前）的成分股，计算其分红对指数点位的总影响。计算公式为： 分红点数 = $\sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$[42] 其中，$N$ 为指数成分股数量，要求个股除权除息日 $\tau$ 满足 $t < \tau \le T$，$T$ 为期货合约到期日[42]。 量化因子与构建方式 1. **因子名称：已实现股息率**[3][16] * **因子构建思路**：衡量指数成分股中，在本年度内已经完成现金分红的公司，其分红总额相对于指数总市值的比率，反映已兑现的分红收益[3][16]。 * **因子具体构建过程**：统计截至计算日，指数成分股中今年已现金分红的公司，将其分红总额除以指数的总市值。公式表示为： 已实现股息率 = $\frac{\sum_{i=1}^{N_1} (成分股i的分红金额)}{\text{指数总市值}}$[16] 其中，$N_1$ 表示指数成分股中今年已现金分红的公司数量[16]。 2. **因子名称：剩余股息率**[3][16] * **因子构建思路**：衡量指数成分股中，预计在本年度内未来将进行现金分红的公司，其预测分红总额相对于指数总市值的比率，反映未来潜在的分红收益[3][16]。 * **因子具体构建过程**：统计截至计算日，指数成分股中尚未现金分红但预计将会分红的公司，使用模型预测其分红金额，汇总后除以指数的总市值。公式表示为： 剩余股息率 = $\frac{\sum_{i=1}^{N_2} (成分股i的预测分红金额)}{\text{指数总市值}}$[16] 其中，$N_2$ 表示指数成分股中尚未现金分红的公司数量[16]。 3. **因子名称：年化升贴水率**[4][12] * **因子构建思路**：在考虑指数成分股分红影响后，计算股指期货价格相对于其标的指数价格的偏离程度，并进行年化处理，以衡量期货合约的溢价或折价水平[11][12]。 * **因子具体构建过程**： 1. 计算扣除分红影响后的期货理论价差：**含分红价差** = **合约收盘价** - (**指数收盘价** - **分红点数**)[12]。其中“分红点数”为模型预测的从当前至合约到期日之间的累计分红点数。 2. 计算升贴水率：**升贴水** = **含分红价差** / **指数收盘价**[12]。 3. 进行年化：**年化升贴水** = **升贴水** / (**到期天数** / 365)[12]。 模型的回测效果 1. **股指分红点位测算模型** * **预测误差**：模型对上证50指数和沪深300指数全年预测误差基本在5个指数点左右；对中证500指数和中证1000指数的预测误差稍大，基本稳定在10个指数点左右[64]。 * **预测准确性**：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具有较好的准确性，各合约预测效果整体较好[64]。 因子的回测效果 1. **已实现股息率** (截至2026年3月18日)[3] * 上证50指数：0.00% * 沪深300指数：0.00% * 中证500指数：0.00% * 中证1000指数：0.00% 2. **剩余股息率** (截至2026年3月18日)[3] * 上证50指数：2.82% * 沪深300指数：2.14% * 中证500指数：1.17% * 中证1000指数：0.89% 3. **年化升贴水率** (截至2026年3月18日，主力合约)[4][12] * IH主力合约：-2.04% * IF主力合约：-6.75% * IC主力合约：-9.65% * IM主力合约：-11.28%