量化模型与构建方式 1. **模型名称**：主动股基风格划分模型[15] **模型构建思路**：参考晨星（Morningstar）的划分方法，对个股进行大小盘及价值成长风格的区分，然后根据基金持仓在各类风格上的得分，将主动管理型股票基金划分为不同的风格类别（如成长型、均衡型、价值型）[15]。 **模型具体构建过程**： * **第一步：个股风格划分**。参考晨星方法，使用特定的指标（如市值、估值、盈利增长等）对每只股票进行打分，将其划分为大盘、中盘、小盘以及价值、均衡、成长等风格类别[15]。 * **第二步：基金风格得分计算**。对于每只基金，获取其定期报告（如年报、中报）的完整持仓[15]。根据持仓中每只股票所属的风格类别及其在基金中的权重，计算该基金在各个风格维度上的加权得分[15]。 * **第三步：基金风格归类**。根据基金在价值-成长维度上的得分，将其最终归类为“成长型”、“均衡型”或“价值型”基金[15]。为了保证风格划分的稳定性，要求基金在当前及过去一个报告期的持仓风格保持一致[15]。 2. **模型名称**：主动股基持仓组合构建模型[35] **模型构建思路**：为了分析单只基金相对于主动股基整体（中位数）的持仓特征，需要构建一个代表主动股基整体持仓的基准组合[35]。 **模型具体构建过程**： * **第一步：数据获取**。获取所有主动管理型股票基金在特定报告期（如2024年年报、2025年中报）的完整持仓数据[35]。 * **第二步：加权构建组合**。将所有主动股基的持仓合并，按照各基金持股市值在所有基金总持股市值中的占比进行加权，从而构建一个代表主动股基整体持仓的股票组合[35]。 3. **模型名称**：Barra风格因子暴露分析模型[38] **模型构建思路**：使用Barra风险模型框架，分析单只基金（中银量化选股）的持仓组合相对于主动股基整体持仓组合，在一系列风格因子上的暴露程度，以定量刻画其风格偏好[38]。 **模型具体构建过程**： * **第一步：确定分析对象**。计算需要分析的目标基金（中银量化选股）的持仓组合[38]。 * **第二步：确定基准组合**。使用前述“主动股基持仓组合构建模型”得到代表市场整体风格的基准组合[35][38]。 * **第三步：计算因子暴露**。将目标基金持仓组合与基准持仓组合在Barra模型定义的一系列风格因子（如市值、成长、动量、价值等）上进行回归分析，得到的回归系数即为目标基金相对基准的风格因子暴露值[38]。正值表示在该因子上有正向暴露（偏向该风格），负值表示负向暴露[38]。 量化因子与构建方式 1. **因子名称**：成长因子[15] **因子构建思路**：用于识别和衡量上市公司成长性的指标，通常与公司的盈利增长、收入增长、资本扩张等相关[15]。 **因子具体构建过程**：报告中未详细说明该因子的具体计算公式，但指出参考了晨星（Morningstar）的划分方法，该方法通常会综合考量营收增长率、盈利增长率、净资产收益率等多项指标来定义成长风格[15]。 2. **因子名称**：价值因子[15] **因子构建思路**：用于识别和衡量上市公司估值水平的指标，通常与公司的市盈率、市净率、股息率等相关[15]。 **因子具体构建过程**：报告中未详细说明该因子的具体计算公式，但指出参考了晨星（Morningstar）的划分方法，该方法通常会综合考量市盈率、市净率、市销率等估值指标来定义价值风格[15]。 3. **因子名称**：动量因子[38] **因子构建思路**：基于“强者恒强”的假设，认为过去一段时间表现好的股票，在未来短期内仍将继续表现较好[38]。 **因子具体构建过程**：报告中未详细说明该因子的具体计算公式。在Barra模型中，动量因子通常由股票过去一段时间的收益率经过标准化和特殊处理得到。 4. **因子名称**：市值因子[38] **因子构建思路**：反映公司规模大小的指标，通常以总市值或流通市值来衡量[38]。 **因子具体构建过程**：报告中未详细说明该因子的具体计算公式。在Barra模型中，市值因子通常取公司总市值的自然对数，并经过标准化处理。 模型的回测效果 1. **主动股基风格划分模型**：根据该模型划分，A股市场中成长型主动股基的数量占比远高于均衡型和价值型基金[15]。 2. **主动股基持仓组合构建模型**：该模型用于构建分析基准，其效果体现在后续的行业偏离和风格暴露分析中，例如中银量化选股持仓与据此模型构建的主动股基整体持仓组合，行业最大偏离不超过5%[38]。 3. **Barra风格因子暴露分析模型**：应用该模型对中银量化选股的分析显示，其持仓相对主动股基整体在成长、动量因子上有正向暴露，在市值因子上偏向中等市值暴露[38]。 因子的回测效果 1. **成长因子**：中银量化选股持仓在该因子上有正向暴露，表明其偏好成长风格的股票[38]。 2. **价值因子**：报告中未单独给出该因子在基金上的暴露值。 3. **动量因子**：中银量化选股持仓在该因子上有正向暴露，表明其偏好具有动量效应的股票[38]。 4. **市值因子**：中银量化选股持仓在该因子上偏向中等市值暴露，表明其偏好中等市值规模的股票[38]。

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** [17] * **因子构建思路**：通过计算当日最高价触及涨停且收盘价也维持在涨停的股票比例，来衡量市场涨停股的封板强度与资金追涨意愿。该指标越高，表明涨停股的封板质量越高，市场追涨情绪越强。[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. 在每个交易日，识别出盘中最高价达到涨停价的股票集合。 3. 在上述股票集合中，进一步筛选出收盘价也维持在涨停价的股票。 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] 2. **因子名称：连板率** [17] * **因子构建思路**：通过计算昨日涨停的股票中，今日继续涨停的比例，来衡量市场涨停效应的持续性以及短线投机资金的活跃度。该指标越高，表明市场接力炒作情绪越浓厚。[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. 在每个交易日，识别出前一日（T-1日）收盘涨停的股票集合。 3. 在上述股票集合中，进一步筛选出当日（T日）收盘也涨停的股票。 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] 3. **因子名称：大宗交易折价率** [26] * **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（如产业资本、机构）的卖出意愿或对股票流动性的补偿要求。折价率越高，通常表明大资金卖出意愿越强或市场承接力不足。[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金额和成交数量。[26] 2. 计算当日大宗交易的总成交金额。 3. 计算大宗交易成交份额按当日市价计算的总市值。 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] 4. **因子名称：股指期货年化贴水率** [28] * **因子构建思路**：通过计算股指期货价格相对于现货指数价格的年化基差，来反映市场对未来走势的预期、对冲成本以及市场情绪。贴水（负基差）通常意味着市场对未来预期偏谨慎或对冲需求旺盛，升水则相反。[28] * **因子具体构建过程**： 1. 选定股指期货主力合约（如IH、IF、IC、IM）及其对应的现货指数（如上证50、沪深300、中证500、中证1000）。[28] 2. 计算基差：基差 = 期货价格 - 现货指数价格。 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] * **公式说明**：该公式将基差相对于指数价格的比率进行年化处理，以便于不同期限合约之间的比较。当结果为负时，表示年化贴水；为正时，表示年化升水。[28] 因子的回测效果 *本报告为市场监测日报，未提供因子的历史回测绩效指标（如IC、IR、多空收益等）。报告主要展示了相关因子在特定时点（2026年1月15日及附近日期）的截面或时间序列取值。* [17][26][28] 1. **封板率因子**，2026年1月15日取值：**70%** [17] 2. **连板率因子**，2026年1月15日取值：**15%** [17] 3. **大宗交易折价率因子**，2026年1月14日取值：**7.31%**；近半年平均值：**6.76%** [26] 4. **股指期货年化贴水率因子** * **上证50股指期货**，2026年1月15日取值：**0.49%** (年化升水率) [28] * **沪深300股指期货**，2026年1月15日取值：**-0.64%** (年化贴水率) [28] * **中证500股指期货**，2026年1月15日取值：**-1.25%** (年化贴水率) [28] * **中证1000股指期货**，2026年1月15日取值：**-3.44%** (年化贴水率) [28]

量化模型与构建方式 本报告主要对中银量化选股基金进行投资价值分析，并未详细阐述其内部使用的具体量化模型或量化因子的构建方法。报告侧重于分析该基金的业绩表现、持仓特征以及与市场基准的比较。 量化因子与构建方式 报告在分析基金持仓风格时，提及了基于Barra框架的风格因子暴露分析。 1. **因子名称**：Barra风格因子（成长、动量、市值）[38] * **因子的构建思路**：采用国际通用的Barra风险模型框架，通过多因子模型来刻画投资组合在多个风格维度上的系统性暴露，以分析其收益来源和风险特征[38]。 * **因子具体构建过程**：报告未提供Barra风格因子的具体计算公式和构建细节。分析过程简述如下：首先，基于Barra模型定义一系列风格因子（如成长、价值、动量、市值、波动率等）。然后，根据基金持仓数据，计算其投资组合在这些风格因子上的暴露度（因子载荷）。最后，将基金的因子暴露与基准（此处为主动股基整体持仓组合）的因子暴露进行比较，得出相对暴露情况[38]。 * **因子评价**：通过Barra风格因子分析，可以定量地评估基金持仓的风格倾向，有助于理解其超额收益的可能来源和风险敞口[38]。 模型的回测效果 报告未涉及具体量化模型的回测效果。 因子的回测效果 报告未提供Barra风格因子本身的IC、IR等传统因子测试结果。但报告展示了基于这些因子分析得出的基金持仓风格暴露结果。 1. **Barra风格因子暴露分析结果**：中银量化选股持仓整体在成长、动量因子上有正向暴露，在市值因子上偏向中等市值暴露[38]。

量化模型与构建方式 **注：** 本报告为基金经理投资理念与市场展望分析，未涉及具体的量化模型或量化因子的构建、测试与评价。报告内容主要围绕主观投资策略、行业配置逻辑和市场宏观研判展开[1][2][3][5][7][10][11][12][13][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]。 模型的回测效果 **注：** 报告未提供任何量化模型的回测效果数据。 量化因子与构建方式 **注：** 报告未涉及任何量化因子的构建、测试与评价。 因子的回测效果 **注：** 报告未提供任何量化因子的测试结果数据。

量化模型与构建方式 1. **模型名称**：北上资金行业净流入计算模型[1][6][20] * **模型构建思路**：为了更准确地衡量北上资金在特定时间段内对各行业的主动配置行为，需要剔除因股价涨跌带来的持股市值被动变化影响，计算经调整后的净流入金额[6][20]。 * **模型具体构建过程**：模型的核心是计算“剥离行业自身涨跌幅影响后的修正净流入”。具体步骤如下： 1. 确定计算期初（T0，如2025.9.30）和期末（T1，如2025.12.31）[1][6]。 2. 获取T0时刻北上资金在行业i上的持股市值 \( H_{i, T0} \) [1]。 3. 获取行业i在T0到T1期间的涨跌幅 \( R_i \) [6][20]。 4. 计算若北上资金在T0到T1期间未进行任何交易，仅因价格变动，在T1时刻行业i的预期持股市值：\( \hat{H}_{i, T1} = H_{i, T0} \times (1 + R_i) \)。 5. 获取T1时刻北上资金在行业i上的实际持股市值 \( H_{i, T1} \) [1]。 6. 计算行业i在T0到T1期间的净流入金额：\( Flow_i = H_{i, T1} - \hat{H}_{i, T1} \)。该值为正则表示资金净流入，为负则表示净流出[6][20][25]。 量化因子与构建方式 1. **因子名称**：北上资金行业超配比例[5][15] * **因子构建思路**：通过比较北上资金在某个行业的配置比例与市场基准（如沪深300指数）中该行业的权重，来判断北上资金相对于市场是超配还是低配该行业，以此反映其偏好[5][15]。 * **因子具体构建过程**： 1. 在特定时点（如2025.12.31），计算北上资金在行业i上的持股市值占其总持股市值的比例：\( W_{north, i} = \frac{H_{i}}{\sum_{j} H_{j}} \) [1][5]。 2. 获取同一时点市场基准指数（如沪深300）中行业i的权重 \( W_{index, i} \) [5][15]。 3. 计算行业i的超配比例：\( Overweight_i = W_{north, i} - W_{index, i} \) [5][15]。该值为正则表示超配，为负则表示低配。 模型的回测效果 *本报告为资金流向的观察性点评，未提供基于历史数据的模型回测绩效指标（如年化收益率、夏普比率、最大回撤等）。报告主要展示了模型在特定报告期（2025年第四季度）的应用结果[1][6][20]。* 因子的回测效果 *本报告为资金流向的观察性点评，未提供基于历史数据的因子回测绩效指标（如IC值、IR、多空收益等）。报告主要展示了因子在特定报告期（2025年第四季度）的截面取值结果[5][6][15][20]。*

量化模型与构建方式 1. **模型名称**：基于动态宏观事件因子的中证港股通大消费指数择时策略[3][4] **模型构建思路**：探索中国宏观经济对香港大消费主题上市公司整体状况和走势的影响，从动态宏观事件因子的角度构建择时策略框架[4][19] **模型具体构建过程**： * **宏观数据选用**：选取经济、通胀、货币和信用四大类的20余个宏观数据指标，包括PMI、PPI、M1等[4][20][24][25] * **宏观数据预处理**： 1. 对齐数据频率：将日频数据统一为月频，取每月最后一个交易日数据或月内均值[29] 2. 填充数据缺失值：使用过去12个月指标一阶差分值的中位数叠加上一期数值进行填充[29] $$X_{t}=X_{t-1}+Median_{diff12}$$ 3. 滤波处理：尝试使用原始数据或单向HP滤波处理后的数据，通过后续因子筛选确定更适合的处理方式[30] $${\hat{t}}_{t|t,\lambda}=\sum^{t}_{s=1}\omega_{t|t,s,\lambda}\cdot y_{s}=W_{t|t,\lambda}(L)\;.\;y_{t}$$ 4. 变化数据结构衍生因子：对数据使用同比、环比、移动平均等不同格式进行衍生[31] * **宏观事件因子构建**： 1. 确定事件突破方向：计算数据与资产下一期收益率的相关性，正相关则构建正向突破事件，反之构建反向突破事件[32] 2. 确定领先滞后性：对数据衍生滞后0-4期的事件因子，通过筛选确定最优滞后期[32] 3. 生成事件因子：构建三类事件因子（数据突破数据均线、突破数据中位数、数据同向变动），并赋予不同参数，共生成28个不同因子事件[32][33] 4. 因子事件初筛选：筛选标准为：a) t检验在95%置信区间内拒绝原假设；b) 事件收益率胜率>55%；c) 事件发生次数>滚动窗口期数/6[34] 5. 叠加事件因子：选择收益率胜率最高的事件作为基础因子，再从剩余因子中选出与基础因子相关性低于0.85的次高胜率因子进行叠加。若叠加后胜率更高则选用叠加事件，否则仅用最高胜率事件[35] 6. 动态剔除：若当期无事件因子通过筛选，则该宏观指标标记为空仓，不参与当期大类因子打分[35] 7. 确定最优滚动窗口：基于事件因子历史净值表现，计算开仓波动调整收益率，在48、60、72、84、96个月等时间窗口中选出最优参数[35] * **最终因子筛选**：在测试区间内计算所有事件因子的开仓波动调整收益率，筛选出表现较好的5个宏观因子[36][37] * **择时策略构建**：使用筛选出的宏观事件因子搭建策略。每期，当发出看多信号的因子比例大于2/3时，大类因子信号标记为1；当比例小于1/3时，标记为0；若比例介于两者之间，则标记为对应的具体比例。将该得分作为当期的择时仓位信号[4][37] 量化因子与构建方式 1. **因子名称**：PMI:原材料价格事件因子[37] **因子构建思路**：作为最终筛选出的5个宏观因子之一，用于构建择时策略[37] **因子具体构建过程**：该因子使用原始数据，最优滚动窗口为96个月[37] 2. **因子名称**：中美国债利差10Y事件因子[37] **因子构建思路**：作为最终筛选出的5个宏观因子之一，用于构建择时策略[37] **因子具体构建过程**：该因子使用原始数据，最优滚动窗口为72个月[37] 3. **因子名称**：金融机构:中长期贷款余额:当月新增:滚动12M求和:同比事件因子[37] **因子构建思路**：作为最终筛选出的5个宏观因子之一，用于构建择时策略[37] **因子具体构建过程**：该因子使用原始数据，最优滚动窗口为48个月[37] 4. **因子名称**：M1:同比事件因子[37] **因子构建思路**：作为最终筛选出的5个宏观因子之一，用于构建择时策略[37] **因子具体构建过程**：该因子使用原始数据，最优滚动窗口为48个月[37] 5. **因子名称**：新增社融:滚动12个月求和:同比事件因子[37] **因子构建思路**：作为最终筛选出的5个宏观因子之一，用于构建择时策略[37] **因子具体构建过程**：该因子使用原始数据，最优滚动窗口为96个月[37] 模型的回测效果 1. **基于动态宏观事件因子的中证港股通大消费指数择时策略**，年化收益率8.59%，年化波动率18.62%，最大回撤-29.72%，夏普比率0.50，收益回撤比0.29[12][21] 2. **等比例基准**，年化收益率8.00%，年化波动率18.64%，最大回撤-30.82%，夏普比率0.47，收益回撤比0.26[21] 3. **中证港股通大消费指数**，年化收益率2.99%，年化波动率29.80%，最大回撤-65.11%，夏普比率0.22，收益回撤比0.05[21]

量化模型与构建方式 1. **模型名称：ETF智能择时模型**[22] * **模型构建思路**：通过对标的指数所有成分股进行K线形态扫描与量化分析，将个股层面的形态信号通过算法聚合，生成增强型的指数择时信号，以提升对ETF的择时决策质量。[22] * **模型具体构建过程**： 1. 对目标ETF所跟踪指数的每一个成分股，进行自动化K线形态识别与捕捉。[22] 2. 对识别出的每个形态，计算其历史统计指标，如上涨概率（胜率）。[18] 3. 采用未明确披露的独家聚合算法，将全成分股的形态信号进行综合，最终合成一个针对该指数的择时信号。[22] * **模型评价**：该方法由线及面，从个股形态跨越至指数级择时，旨在掌握大盘风向标。[10] 2. **模型名称：ETF轮动模型**[27] * **模型构建思路**：基于市场强弱形态动能，在不同板块的ETF中建立动态轮动模型，并结合形态学择时，旨在实现“在对的时间持有对的品种”。[27][28] * **模型具体构建过程**： 1. **信号生成**：基于K线形态分析，计算不同板块或主题ETF所对应的“市场强弱形态动能”。[27] 2. **轮动规则**：根据动能信号，在不同ETF间进行切换。报告提到了多种调仓规则，例如固定时间点调仓、每日调仓等。[27] 3. **择时叠加**：将形态学择时信号与轮动算法相结合，进一步优化买入和卖出时机。[28] 模型的回测效果 1. ETF轮动模型（每日调仓策略），年化收益21.85%，最大回撤-49.41%[29] 量化因子与构建方式 1. **因子名称：K线形态因子**[18] * **因子构建思路**：对历史K线图形进行标准化定义与建模，实现海量形态的自动化捕捉与实时监控，并计算其历史表现作为未来预测的参考。[10][18] * **因子具体构建过程**： 1. **标准化建模**：对诸如“看空胜率超70%”、“连续4/5根”等基础K线形态进行标准化的数学或规则定义。[10][12] 2. **形态识别**：在个股、指数、ETF、可转债、期货等各类资产的历史及实时行情数据中，扫描并识别出符合定义的形态。[12] 3. **历史回测**：对识别出的每一种形态，统计其在过去十年内出现后的表现，核心计算指标包括： * 发生次数 * 上涨概率（胜率） * 历史盈亏比[18] 4. **信号生成**：当资产当前K线出现特定形态时，即产生相应的看多、看空或反转信号。信号可与MACD、均线、财报评分等其他指标耦合。[12] 因子的回测效果 （报告中未提供单一因子的独立测试结果数值，仅提及部分形态因子的历史表现定性结论，例如“历史上出现持有1-2月的平均胜率高于80%”[12]）

量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[12][48] * **模型构建思路**：为了准确计算股指期货的升贴水幅度，必须剔除指数成分股分红除息导致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下降点数（即分红点数）[12][48]。 * **模型具体构建过程**：模型的核心是计算在特定时间窗口内（t时刻至T时刻）指数成分股分红对指数点位的总影响。具体流程如下[49]： 1. **数据获取与预处理**：获取指数成分股列表及其每日精确权重（使用中证指数公司披露的日度收盘权重数据，而非月末估算权重）[51][53]。 2. **个股分红信息判断与处理**：对每只成分股进行如下判断[49]： * 若公司已公布分红金额和除息日，则直接采用。 * 若公司已公布分红金额但未公布除息日，则需预测其除息日。 * 若公司尚未公布分红金额，则需依次预测其净利润、股息支付率以估算分红金额，并预测其除息日。 3. **分红金额预测**：分红金额 = 净利润 × 股息支付率[54]。 * **净利润预测**：采用“基于历史净利润分布的动态预测法”[56]。 * 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，则将公司分为“盈利分布稳定”和“盈利分布不稳定”两类。对于稳定型公司，按其历史季度盈利分布规律预测；对于不稳定型公司，使用其上年度同期盈利作为预测值[56]。 * **股息支付率预测**：采用历史数据替代法[57]。 * 若公司去年分红，则以去年股息支付率作为今年预测值。 * 若公司去年不分红，则以最近3年股息支付率平均值作为预测值。 * 若公司过去从未分红，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[60]。 4. **除息日预测**：采用“基于历史间隔天数稳定性的线性外推法”[58]。 * 若公司已公布除息日，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（预案或决案），判断历史从公告日到除息日的间隔天数是否稳定。若稳定，则用该历史平均间隔天数与今年对应公告日进行线性外推；若不稳定，则参考去年或前年的分红日期[63]。 * 若无法通过上述方法确定，则采用默认日期（根据预测时间点，设为7月31日、8月31日或9月30日）[63]。 5. **分红点数汇总计算**：汇总所有满足条件（除息日介于t和T之间）的成分股分红对指数的影响。计算公式为： $$分红点数 = \sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$$[48] 其中，要求个股除权除息日满足：t < 除息日 ≤ T[48]。 * **模型评价**：该模型通过精细化处理成分股权重、净利润、股息支付率和除息日预测，显著提升了股指分红点位预测的准确性。对于上证50和沪深300等大盘指数的预测误差较小，对于中证500和中证1000等指数也保持了较好的预测稳定性[68]。 量化因子与构建方式 1. **因子名称：年化升贴水率**[13] * **因子构建思路**：衡量股指期货合约价格相对于其标的指数价格（已剔除未来分红影响）的偏离程度，并将其年化，以反映市场情绪、资金成本和风险偏好[12]。 * **因子具体构建过程**： 1. 计算“含分红价差”：合约收盘价 - (指数收盘价 - 分红点数)。其中“分红点数”为模型预测的从当前到合约到期日之间的累计分红点数[13]。 2. 计算“升贴水”：含分红价差 / 指数收盘价[13]。 3. 计算“年化升贴水”：将升贴水率根据合约剩余到期天数进行年化。公式为： $$年化升贴水 = (1 + 升贴水)^{\frac{365}{到期天数}} - 1$$ 或采用类似等价形式计算。报告中IH2602合约升水0.14%，到期41天，年化为1.27%，即为例证[13]。 2. **因子名称：基差历史分位点**[28] * **因子构建思路**：将当前合约的基差（或年化升贴水率）置于其历史序列中，计算其所处的百分位位置，用以判断当前升贴水水平在历史上的相对位置。 * **因子具体构建过程**： 1. 获取该合约历史上每日的基差或年化升贴水率数据。 2. 将当前交易日的数值与历史序列进行比较。 3. 计算当前值在历史序列中的分位点。例如，分位点为60%表示当前值高于历史上60%的时期[28]。 3. **因子名称：已实现股息率**[17] * **因子构建思路**：计算指数成分股中，从年初至当前时点已经实际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，反映年内已落地的分红收益。 * **因子具体构建过程**：对指数中今年已现金分红的公司，汇总其分红金额与市值的加权比。公式表示为： $$全年已实现股息率 = \sum_{i=1}^{N_1} \frac{个股已分红金额}{个股总市值} \times 个股权重$$ 其中，N1 表示指数成分股中今年已现金分红的公司数量[17]。 4. **因子名称：剩余股息率**[17] * **因子构建思路**：预测指数成分股中，从当前时点到年底（或未来某一时段）尚未分红但预计会分红的公司，其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。 * **因子具体构建过程**：对指数中尚未现金分红但预计会分红的公司，汇总其预测分红金额与市值的加权比。公式表示为： $$剩余股息率 = \sum_{i=1}^{N_2} \frac{个股预测分红金额}{个股总市值} \times 个股权重$$ 其中，N2 表示指数成分股中尚未现金分红的公司数量，预测分红金额来自前述分红点位模型[17]。 模型的回测效果 1. **股指分红点位测算模型**： * **预测误差（2024年）**：对于上证50和沪深300指数，预测误差基本在5个点左右；对于中证500和中证1000指数，预测误差基本稳定在10个点左右[68]。 * **预测误差（2025年）**：与2024年情况类似，对上证50和沪深300指数预测准确度较高，对中证500和中证1000指数预测误差稍大但基本稳定[68]。 * **股指期货合约预测效果**：2024年及2025年，对上证50、沪深300、中证500及中证1000股指期货当月主力合约的预测股息点与实际股息点对比显示，模型具有较好的预测准确性[68]。 因子的回测效果 1. **年化升贴水率因子**（截至2026年1月14日）[13]： * **IH主力合约（IH2602.CFE）**：年化升水1.27% * **IF主力合约（IF2602.CFE）**：年化升水0.79% * **IC主力合约（IC2602.CFE）**：年化贴水0.94% * **IM主力合约（IM2602.CFE）**：年化贴水4.48% 2. **基差历史分位点因子**（截至2026年1月14日）[28]： * **IH主力合约**：处于历史47%分位点左右 * **IF主力合约**：处于历史51%分位点水平 * **IC主力合约**：处于历史69%分位点水平 * **IM主力合约**：处于历史60%分位点水平 3. **已实现股息率因子**（截至2026年1月14日）[3][17]： * **上证50指数**：0.00% * **沪深300指数**：0.02% * **中证500指数**：0.00% * **中证1000指数**：0.00% 4. **剩余股息率因子**（截至2026年1月14日）[3][17]： * **上证50指数**：2.38% * **沪深300指数**：1.84% * **中证500指数**：1.08% * **中证1000指数**：0.87%

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** [17] * **因子构建思路**：通过计算当日最高价触及涨停且收盘价也维持在涨停的股票比例，来衡量市场追涨情绪和涨停板的可靠性[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. 在交易日T，找出所有盘中最高价达到涨停价的股票集合A[17]。 3. 在集合A中，进一步找出收盘价也维持在涨停价的股票集合B[17]。 4. 计算封板率：封板率 = 集合B的股票数量 / 集合A的股票数量[17]。 * **公式**： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ [17] 2. **因子名称：连板率因子** [17] * **因子构建思路**：通过计算昨日涨停股票在今日继续涨停的比例，来衡量市场炒作的持续性和短线赚钱效应[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. 在交易日T-1，找出所有收盘涨停的股票集合C[17]。 3. 在交易日T，从集合C中找出收盘价继续涨停的股票集合D[17]。 4. 计算连板率：连板率 = 集合D的股票数量 / 集合C的股票数量[17]。 * **公式**： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ [17] 3. **因子名称：大宗交易折价率因子** [26] * **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，来反映大资金的投资偏好、流动性需求和市场情绪[26]。 * **因子具体构建过程**： 1. 获取交易日T所有大宗交易的成交数据，包括每笔成交金额和成交股数[26]。 2. 计算当日大宗交易总成交金额（Sum_Amount）和按成交股数乘以当日收盘价计算的总市值（Sum_MarketValue）[26]。 3. 计算整体折价率：折价率 = (Sum_Amount / Sum_MarketValue) - 1[26]。 * **公式**： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ [26] 4. **因子名称：股指期货年化贴水率因子** [28] * **因子构建思路**：通过计算股指期货价格相对于现货指数的年化基差，来反映市场对未来走势的预期、对冲成本以及市场情绪[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. 在交易日T，获取标的指数收盘价（Index_Price）和股指期货主力合约结算价（Future_Price）[28]。 3. 计算基差：基差 = Future_Price - Index_Price[28]。 4. 获取该期货合约的剩余交易日数（T_remaining）[28]。 5. 计算年化贴水率：年化贴水率 = (基差 / Index_Price) * (250 / T_remaining)[28]。当结果为负时表示贴水，为正时表示升水[28]。 * **公式**： $$年化贴水率=\frac{基差}{指数价格}\times\frac{250}{合约剩余交易日数}$$ [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（如年化收益率、夏普比率、信息比率IR、最大回撤等）。因此，无具体的因子回测效果指标取值。*

量化模型与构建方式 1. **模型名称**：创成长指数模型[28] * **模型构建思路**：该模型旨在捕捉成长风格股票的表现，通过筛选具有高成长性的股票构建投资组合[28] * **模型具体构建过程**：报告未详细描述其具体选股和加权规则，仅提及其为代表成长风格的投资组合，并有对应的跟踪产品（华夏创成长ETF）[28] 2. **模型名称**：智选成长领先50指数模型[28] * **模型构建思路**：该模型旨在精选具有领先成长性的50只股票，构建成长风格投资组合[28] * **模型具体构建过程**：报告未详细描述其具体选股和加权规则[28] 3. **模型名称**：A股成长先锋50指数模型[28] * **模型构建思路**：该模型旨在筛选A股市场中具有先锋成长特性的50只股票[28] * **模型具体构建过程**：报告未详细描述其具体选股和加权规则[28] 4. **模型名称**：沪深300价值指数模型[28] * **模型构建思路**：该模型旨在捕捉沪深300指数中价值风格股票的表现[28] * **模型具体构建过程**：报告未详细描述其具体选股和加权规则，但提及其为代表价值风格的投资组合，并有对应的跟踪产品（银河沪深300价值A）[28] 5. **模型名称**：国信价值指数模型[28] * **模型构建思路**：该模型旨在构建价值风格的投资组合[28] * **模型具体构建过程**：报告未详细描述其具体选股和加权规则，但提及有对应的跟踪产品（富国价值100ETF）[28] 6. **模型名称**：盈利估值指数模型[28] * **模型构建思路**：该模型结合了盈利和估值因子，旨在筛选兼具良好盈利能力和合理估值的股票[28] * **模型具体构建过程**：报告未详细描述其具体选股和加权规则[28] 量化因子与构建方式 1. **因子名称**：封板率[17] * **因子构建思路**：通过计算当日最高价涨停且收盘仍保持涨停的股票比例，来衡量市场追涨情绪和涨停板的可靠性[17] * **因子具体构建过程**：首先，筛选出上市满3个月以上的股票。然后，找出在当日交易中最高价达到涨停价的股票。最后，计算在这些最高价涨停的股票中，收盘价仍为涨停价的股票所占的比例。计算公式为： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[17] 2. **因子名称**：连板率[17] * **因子构建思路**：通过计算连续两日收盘涨停的股票比例，来衡量市场炒作的持续性和龙头股的强度[17] * **因子具体构建过程**：首先，确定昨日收盘涨停的股票池（上市满3个月以上）。然后，计算在这些昨日涨停的股票中，今日收盘再次涨停的股票所占的比例。计算公式为： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[17] 3. **因子名称**：大宗交易折价率[26] * **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，来反映大资金的投资偏好和卖出意愿[26] * **因子具体构建过程**：首先，获取当日所有大宗交易的成交总金额和对应的成交股份数。然后，根据这些股份的当日收盘价计算其总市值。最后，计算折价率。计算公式为： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[26] * **因子评价**：折价率高通常意味着大资金以较低价格卖出，可能反映其看淡后市或急需套现的情绪[26] 4. **因子名称**：股指期货年化贴水率[29] * **因子构建思路**：通过计算股指期货价格相对于现货指数的年化基差，来反映市场对未来走势的预期和对冲成本[29] * **因子具体构建过程**：首先，计算基差（股指期货价格 - 现货指数价格）。然后，考虑合约的剩余期限，将基差年化。计算公式为： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[29] * **因子评价**：年化贴水率为正表示升水，可能反映市场乐观预期；为负表示贴水，可能反映市场悲观预期或较高的对冲成本。贴水率的高低直接影响利用股指期货进行对冲的建仓成本[29] 模型的回测效果 （注：以下所有模型回测数据的时间区间均为2014年12月31日至2025年12月31日[28]） 1. **创成长指数模型**，年化收益率11.46%，年化波动率32.55%，信息比率(IR)0.35[28] 2. **智选成长领先50指数模型**，年化收益率16.19%，年化波动率28.30%，信息比率(IR)0.57[28] 3. **A股成长先锋50指数模型**，年化收益率21.38%，年化波动率28.03%，信息比率(IR)0.76[28] 4. **沪深300价值指数模型**，年化收益率7.40%，年化波动率20.49%，信息比率(IR)0.36[28] 5. **国信价值指数模型**，年化收益率10.19%，年化波动率21.40%，信息比率(IR)0.48[28] 6. **盈利估值指数模型**，年化收益率17.58%，年化波动率21.83%，信息比率(IR)0.81[28] 因子的回测效果 （报告未提供因子的历史回测表现指标，如IC、IR、多空收益等）