量化模型与因子总结 量化模型与构建方式 1. **模型名称**：市场情绪风险监测模型[35] **模型构建思路**：通过监测市场宽基指数滚动夏普率的历史分位，来判断市场情绪是否达到极端水平，以预警市场可能的调整风险[35] **模型具体构建过程**：计算万得全A指数的滚动季度夏普率，并将其置于历史时间序列中进行分位计算，当夏普率上升至历史极高位置时，认为市场情绪达到极端高峰[35] 2. **模型名称**：风格拥挤度监测模型[2][69] **模型构建思路**：通过计算不同风格指数之间相对换手率的历史分位，来度量该风格交易的拥挤程度，为风格配置提供风险提示[2][69] **模型具体构建过程**：对于风格A和风格B，首先分别计算其近252日平均换手率在历史时间序列上的Z-score标准化值（Z-score_A与Z-score_B），然后计算二者差值（Z-score_A - Z-score_B）的滚动6年历史分位数[123] **公式**： $$相对拥挤度 = 历史分位数(Z\_score\_A - Z\_score\_B)$$ 其中，Z-score基于近252日平均换手率在2005年1月1日以来的历史序列计算[123] 3. **模型名称**：风格超额净值计算模型[69][124] **模型构建思路**：通过计算风格指数相对于市场基准（万得全A）的累计超额净值，来刻画该风格的长期相对表现[69][124] **模型具体构建过程**：以2020年1月4日为基准日，将各风格指数及万得全A指数的每日收盘价除以基准日收盘价，得到各自的累计净值。然后将各风格指数的累计净值除以同一交易日的万得全A指数累计净值，得到该风格指数相对于万得全A的累计超额净值[124] 4. **模型名称**：机构调研活跃度监测模型[125] **模型构建思路**：通过标准化并比较不同板块（指数、行业）的机构调研频率，来监测资金关注度的相对变化[125] **模型具体构建过程**：将板块近n个交易日的“日均机构调研次数”在滚动y年的历史时间序列上进行z-score标准化，并与万得全A的标准化结果作差，得到“机构调研活跃度”，最后计算该活跃度的滚动y年历史分位数[125]。报告提及两种参数设置：长期口径（n=126日，滚动窗口y=6年）和短期口径（n=63日，滚动窗口y=3年）[125] 量化因子与构建方式 1. **因子名称**：股债性价比因子（ERP）[50] **因子构建思路**：通过计算股票指数盈利收益率与无风险利率（10年期国债收益率）的差值，来衡量配置权益资产相对于债券的预期超额回报，即风险溢价[50] **因子具体构建过程**：对于特定股票指数，计算其盈利收益率（即市盈率TTM的倒数），然后减去10年期中债国债到期收益率[50] **公式**： $$指数erp = \frac{1}{指数PE\_TTM} – 10年期中债国债到期收益率$$ 其中，PE_TTM为指数滚动市盈率[50] 2. **因子名称**：成交热度因子[24] **因子构建思路**：使用换手率的历史分位来度量当前交易活跃度的相对水平，辅助判断市场或板块的情绪热度[24] **因子具体构建过程**：计算指数或行业的周度日均自由流通换手率，然后计算该换手率在历史时间区间（例如2005年1月1日至今）内的百分位值[24][30] 3. **因子名称**：长江动量因子[60] **因子构建思路**：通过计算经过调整的长期收益率来捕捉股票的动量效应[60] **因子具体构建过程**：以最近一年股票收益率减去最近一个月股票收益率（并剔除涨停板影响）作为动量指标[60]。该因子被用于构建“长江动量”指数，选取全市场动量特征强且流动性高的前100只股票[60] 4. **因子名称**：长江反转因子[61] **因子构建思路**：通过计算短期收益率来捕捉股票的反转效应[61] **因子具体构建过程**：以最近一个月股票收益率作为筛选指标[61]。该因子被用于构建“长江反转”指数，选取全市场反转效应强、流动性好的前100只股票，并采用近三个月日均成交量进行加权[61] 模型的回测效果 （注：本报告为市场跟踪周报，未提供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。报告主要展示了模型或因子在特定时点的状态输出。） 因子的回测效果 （注：本报告为市场跟踪周报，未提供因子的历史IC、IR、多空收益等传统因子测试结果。报告主要展示了基于因子构建的指数或风格组合在近一周、近一月和年初至今的表现。） 1. **成长 vs 红利因子**：近一周相对收益为-1.3%，近一月为-3.7%，年初至今为-3.3%[59] 2. **小盘 vs 大盘因子**：近一周相对收益为-1.3%，近一月为1.0%，年初至今为9.9%[59] 3. **微盘股 vs 基金重仓因子**：近一周相对收益为0.3%，近一月为1.0%，年初至今为8.8%[59] 4. **动量 vs 反转因子**：近一周相对收益为-2.1%，近一月为-2.6%，年初至今为-6.7%[59]

量化模型与构建方式 1. **模型名称：分红调整年化基差计算模型**[8][19] * **模型构建思路**：为了准确分析股指期货合约的基差，需要剔除标的指数成分股分红对期货合约价格的影响，从而得到反映纯粹市场供需和预期的基差水平[8]。 * **模型具体构建过程**： 1. 首先，对股指期货合约存续期内标的指数的预期分红点位进行预估[9]。该预估基于指数成分股的历史分红情况[9]。 2. 然后，计算实际基差，即期货合约收盘价与标的指数收盘价的差值[19]。 3. 接着，计算预期分红调整后的基差，公式为：`预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红`[20]。 4. 最后，将调整后的基差进行年化处理，以方便跨期比较。年化基差的计算公式为： $$年化基差 = (实际基差 + (预期)分红点位)/指数价格 \times 360/合约剩余天数$$[21] 公式中，“(预期)分红点位”代表合约存续期内未实现的预期分红点位，“指数价格”为标的指数收盘价，“合约剩余天数”为期货合约距离到期日的天数[21]。 2. **模型名称：期现对冲策略（连续合约策略）**[40][41] * **模型构建思路**：通过持续做空股指期货合约，对冲持有标的指数现货（全收益指数）的市场风险，旨在获取相对稳定的收益或降低组合波动[40]。 * **模型具体构建过程**： 1. **资金分配**：现货端使用70%的资金持有对应标的指数的全收益指数，期货端使用等额名义本金的股指期货合约进行做空对冲，占用剩余30%的资金[41]。 2. **合约选择**：分为“当月连续”和“季月连续”两种模式。前者持续持有当月合约，后者持续持有季月合约[41]。 3. **调仓规则**：连续持有选定合约，直至该合约离到期剩余不足2日，在当日以收盘价进行平仓，并同时以当日收盘价卖空下一对应期限（当月或季月）的合约[41]。 4. **动态调整**：每次调仓后，根据产品净值重新计算现货及期货端的持仓数量[41]。 3. **模型名称：期现对冲策略（最低贴水策略）**[40][42] * **模型构建思路**：在连续对冲的基础上进行优化，通过动态选择市场中贴水幅度最小（即基差最有利）的合约作为对冲工具，旨在获取更优的基差收敛收益[40]。 * **模型具体构建过程**： 1. **资金分配**：与连续合约策略相同，现货端70%资金，期货端等额名义本金做空，占用30%资金[42]。 2. **合约选择**：调仓时，对当日所有可交易期货合约计算其分红调整后的年化基差，选择年化基差贴水幅度最小的合约进行开仓[42]。 3. **调仓规则**：同一合约至少持有8个交易日。持有满8日后，若该合约离到期剩余不足2日，则必须调仓；若剩余天数充足，则重新计算所有合约基差，并选择贴水最小的合约（可能与原合约相同）[42]。每次选择后，无论是否更换合约，都继续持有8个交易日[42]。 4. **动态调整**：每次调仓后，根据产品净值重新计算现货及期货端的持仓数量[42]。 4. **因子名称：期权波动率指数 (VIX)**[57][58] * **因子构建思路**：借鉴海外成熟经验，结合国内场内期权市场实际情况编制，旨在反映期权投资者对标的资产未来特定期限（如30日）波动水平的预期[58]。 * **因子具体构建过程**：报告未详细披露具体的VIX计算公式。其核心是基于期权市场价格，通过模型反推出市场对未来波动率的预期，并具备期限结构，可展示不同时间跨度的波动预期差异[58]。 * **因子评价**：该指数能够反映专业投资者对未来市场波动的集体预期，具备较高的分析与参考价值[57]。 5. **因子名称：偏度指数 (SKEW)**[57][62] * **因子构建思路**：用于刻画不同行权价格下期权隐含波动率（IV）曲线的偏斜形态，以洞察市场对标的资产未来收益率分布（尤其是尾部风险）的预期[62]。 * **因子具体构建过程**：报告未详细披露具体的SKEW计算公式。其核心是衡量波动率曲线的偏斜程度。当市场担忧下行风险时，看跌期权需求上升，低行权价区域的隐含波动率被推高，导致波动率曲线向左上方倾斜（负偏），SKEW指数值通常升高[62]。 * **因子评价**：该指数是衡量市场对潜在极端风险（尤其是下行风险）担忧程度的有效工具，常被称为“黑天鹅指数”[62]。 模型的回测效果 *回测区间：2022年7月22日至2026年3月13日[41][42]* 1. **IC当月连续对冲模型**，年化收益-3.25%，波动率3.83%，最大回撤-12.10%，净值0.8876，年换手次数12，2026年以来收益0.28%[44] 2. **IC季月连续对冲模型**，年化收益-2.59%，波动率4.90%，最大回撤-10.94%，净值0.9097，年换手次数4，2026年以来收益0.09%[44] 3. **IC最低贴水策略模型**，年化收益-1.61%，波动率4.56%，最大回撤-8.56%，净值0.9429，年换手次数17.45，2026年以来收益0.15%[44] 4. **IF当月连续对冲模型**，年化收益0.27%，波动率2.85%，最大回撤-3.95%，净值1.0100，年换手次数12，2026年以来收益0.04%[49] 5. **IF季月连续对冲模型**，年化收益0.69%，波动率3.25%，最大回撤-4.03%，净值1.0251，年换手次数4，2026年以来收益0.45%[49] 6. **IF最低贴水策略模型**，年化收益1.17%，波动率3.00%，最大回撤-4.06%，净值1.0429，年换手次数15.79，2026年以来收益0.46%[49] 7. **IH当月连续对冲模型**，年化收益1.00%，波动率2.89%，最大回撤-4.22%，净值1.0367，年换手次数12，2026年以来收益0.02%[53] 8. **IH季月连续对冲模型**，年化收益1.95%，波动率3.30%，最大回撤-3.76%，净值1.0722，年换手次数4，2026年以来收益0.31%[53] 9. **IH最低贴水策略模型**，年化收益1.58%，波动率2.95%，最大回撤-3.91%，净值1.0584，年换手次数15.23，2026年以来收益0.21%[53] 10. **IM当月连续对冲模型**，年化收益-6.12%，波动率4.31%，最大回撤-21.04%，净值0.7962，年换手次数12，2026年以来收益-0.05%[55] 11. **IM季月连续对冲模型**，年化收益-4.94%，波动率5.42%，最大回撤-18.06%，净值0.8329，年换手次数4，2026年以来收益-0.46%[55] 12. **IM最低贴水策略模型**，年化收益-3.87%，波动率5.14%，最大回撤-14.41%，净值0.8672，年换手次数15.23，2026年以来收益0.38%[55] 因子的回测效果 *数据截至2026年3月13日[58][63]* 1. **上证50VIX (30日)**，取值20.45，2024年以来历史分位数64%[58] 2. **沪深300VIX (30日)**，取值19.98，2024年以来历史分位数58%[58] 3. **中证500VIX (30日)**，取值29.63，2024年以来历史分位数72%[58] 4. **中证1000VIX (30日)**，取值27.82，2024年以来历史分位数59%[58] 5. **上证50SKEW**，取值104.95，2024年以来历史分位数96.2%[63] 6. **沪深300SKEW**，取值108.19，2024年以来历史分位数94.5%[63] 7. **中证500SKEW**，取值107.52，2024年以来历史分位数97.7%[63] 8. **中证1000SKEW**，取值106.80，2024年以来历史分位数86.7%[63]

量化模型与构建方式 1. 模型名称：全球三层次流动性风险预警模型 - **模型构建思路**：为捕捉流动性风险从政策源头到交易末端的全链条传导，构建一个包含央行流动性、资金流动性和市场流动性三个层次的预警模型，旨在动态监控可能导致资产价格同步下跌的流动性枯竭时刻，为多资产策略提供下行风险保护[1][26]。 - **模型具体构建过程**： 1. **第一层次：央行流动性**。从价格、数量和预期三个维度进行刻画[2]。 - **价格维度**：使用全球央行政策利率扩散指数追踪27个主要央行的政策动向[2]。 - **数量维度**：使用联储流动性支持指标衡量美联储通过期限转换和信用增级渠道扩张的资产负债表规模[2]。 - **预期维度**：使用彭博Fedspeak指数和市场隐含利率预期高频追踪美联储利率预期的边际变化[2]。 2. **第二层次：资金流动性**。选取担保隔夜融资利率（SOFR）和风险逆转期权（RR）作为监测指标，分别监测回购融资和跨境套利市场的杠杆资金松紧[3]。 3. **第三层次：市场流动性**。选取跨资产隐含波动率作为间接监测对象，并构建多周期的综合压力指数，以刻画市场交易摩擦[4]。 4. **信号综合与择时**：基于各层次的压力信号（通常为-1表示趋紧，1表示正常），构建防御性择时策略。当监测到压力信号触发时，空仓持有现金；其余时刻全仓持有风险资产[30][69][101]。 2. 因子名称：全球央行政策利率扩散指数 - **因子构建思路**：为了量化全球主要央行货币政策的同步性与共振效应，从全球视角捕捉流动性的松紧切换[32]。 - **因子具体构建过程**： 1. **数据预处理**：由于政策利率为事件驱动型低频数据，采用前向填充法将数据重采样为日度序列[37]。 2. **计算扩散指数**：采用1年滚动窗口分别统计各国降息与加息次数之差，记为该国的净宽松度；将各国净宽松度得分等权求和，即得到全球央行政策利率扩散指数[37]。 3. **生成压力信号**：对扩散指数进行季度差分。若差分值为正，则表明全球流动性边际宽松，压力信号得分为1；若差分值为负，则表明全球流动性边际收紧，压力信号得分为-1[37]。 3. 因子名称：联储流动性支持 - **因子构建思路**：基于Howell（2020）的“流动性质量论”，重点关注美联储通过期限转换（购买中长期国债）和信用增级（购买MBS、机构债券）渠道扩张的资产负债表规模变化，以衡量高质量流动性的供给情况[31][42]。 - **因子具体构建过程**： 1. **指标计算**：使用总资产规模对原始序列作标准化处理，具体计算公式如下： $$信用支持指标 = \frac{中长期国债 + MBS + 机构债券}{流通中现金 + 逆回购 + 准备金}$$[42] 2. **信号生成**：对原始指标序列进行滚动一年平滑处理，然后计算季度差分值。差分值为正时压力信号得分为1；差分值为负时压力信号得分为-1[42]。 4. 因子名称：彭博Fedspeak指数 - **因子构建思路**：通过分析美联储官员的公开言论，高频追踪市场对美联储货币政策预期的边际变化[31][48]。 - **因子具体构建过程**： 1. **数据来源与预处理**：收集彭博终端收录的FOMC委员发表的与货币政策相关的公开言论（视频访谈、演讲、推文等），并剔除陈旧发言。对原始文本进行语义提炼，仅保留直接反映美联储对经济或政策立场看法的内容[53]。 2. **模型训练**：人工标注训练数据集，对每条样本进行情感赋分（-2=高度鸽派，2=高度鹰派）。采用在金融语境下微调的RoBERTa模型，结合CORN序数损失函数进行针对性微调[53]。 3. **指数计算**：对每日所有相关新闻的情绪得分进行求和，再按绝对值之和缩放，得到日度原始情绪指数。最后对原始指数进行1个月期的指数衰减平滑，得到Fedspeak指数[53]。 4. **信号生成**：对原始序列取相反数，然后使用季度差分法生成压力信号。差分值为正时压力信号得分为1；差分值为负时压力信号得分为-1[48]。 5. 因子名称：市场隐含利率预期 - **因子构建思路**：从利率衍生品市场中提取市场对未来美联储利率路径的预期，作为央行流动性预期的另一个观测维度[31][52]。 - **因子具体构建过程**： 1. **指标计算**：使用3个月后起始的1个月期美元（联邦基金）掉期所隐含的远期利率（3M1M Swap OIS）与有效联邦基准利率（EFFR）的差值，作为市场隐含利率预期的代理变量[52]。 2. **信号生成**：对原始序列取相反数，然后计算季度差分。差分为正则压力信号取值为1，差分为负则压力信号取值为-1[52]。 6. 因子名称：央行流动性综合压力信号 - **因子构建思路**：综合上述四个央行流动性子指标（全球央行政策利率扩散指数、联储流动性支持、彭博Fedspeak指数、市场隐含利率预期），构建一个综合压力信号，以提升预警效果的稳定性和互补性[58]。 - **因子具体构建过程**：对四个子指标的信号值求均值。均值大于0则综合压力信号得分为1，均值小于0则综合压力信号得分为-1[58]。 7. 因子名称：担保隔夜融资利率（SOFR）压力信号 - **因子构建思路**：SOFR表征以美国国债为抵押的隔夜融资成本，是杠杆交易（如国债基差套利）的核心融资利率。通过监测SOFR是否突破多个关键利率上限，来识别银行间及非银机构面临的资金流动性压力[3][78][86]。 - **因子具体构建过程**： 1. **设定关键对照利率**：包括IORB（准备金余额利率）、EFFR（有效联邦基金利率）、FFRU（联邦基金利率上限）、OIS（隔夜SOFR互换利率）[88]。 2. **信号生成**：当SOFR同时高于至少两个关键利率时，视为资金流动性趋紧，压力信号得分为-1；其他情况下压力信号得分为1[89]。在SOFR历史数据未推出前，用美国隔夜LIBOR利率进行替代[89]。 8. 因子名称：风险逆转期权（RR）综合压力指数 - **因子构建思路**：风险逆转期权（RR）是衡量外汇期权市场隐含波动率偏度的指标，能够高频监测外汇市场利差交易（如日元套利交易）的去杠杆压力。通过构建多货币对、多周期的综合指数，以捕捉外汇市场的流动性逆转信号[3][90][95]。 - **因子具体构建过程**： 1. **选取标的**：选取USD/JPY、EUR/USD、AUD/USD、EUR/AUD、AUD/JPY五个主要利差交易货币对的1个月期25 Delta风险逆转期权（25R1M）作为监测对象[95]。 2. **计算单指标Zscore**：为增强鲁棒性，计算不同窗长（k，参数范围为不同交易日窗长）下的Zscore得分。 $$Z_{c,t,k} = \frac{X_{c,t} - \mu_{c,t,k}}{\sigma_{c,t,k}}$$[95] 其中，$$X_{c,t}$$表示货币对c在t时刻的RR值，$$\mu_{c,t,k}$$和$$\sigma_{c,t,k}$$分别为滚动窗口下的均值和标准差[95][96]。 3. **计算单指标信号得分**：区分异常程度并跨窗口加权。 $$I_{c,t,k} = \mathbb{I}(Z_{c,t,k} > 2) + \mathbb{I}(Z_{c,t,k} > 3)$$ $$S_{c,t} = \sum_{k \in \{13,21,34,55,89,144\}} w_k I_{c,t,k}$$[96] 其中，$$\mathbb{I}(\cdot)$$为示性函数。$$w_k$$是k的单调递减函数，赋予短期窗口更高权重[96]。 4. **计算综合压力得分**：对五个货币对的信号得分取等权平均。 $$RR_t = \frac{1}{5}\sum_{c=1}^{5}S_{c,t}$$[97] 5. **生成最终压力信号**：计算综合压力得分滚动一年的分位数水平作为理论上限。统计过去10个交易日内，综合得分超过上限的天数。若超过天数≥2天，则压力信号得分为-1（趋紧），否则为1（正常）[98]。 9. 因子名称：资金流动性综合压力信号 - **因子构建思路**：结合SOFR和RR两个维度的压力信号，构建资金流动性综合压力信号，以更全面地识别资金层面的流动性风险，利用指标的互补性提升预警效果[101]。 - **因子具体构建过程**：当监测到SOFR压力信号为-1、RR压力信号为-1，或二者同时触发时，综合压力信号判定为趋紧（-1），其余时刻为正常（1）[101][105]。 10. 因子名称：市场流动性综合压力指数 - **因子构建思路**：隐含波动率的跳升可反映做市商收缩报价深度、市场流动性枯竭。通过结合覆盖权益、固收、大宗商品市场的多个隐含波动率指标，构建综合压力指数，以预警微观交易层面的流动性趋紧[4][111][114]。 - **因子具体构建过程**： 1. **选取标的**：选取VIX、VXN、RVX、MOVE、GVZ、OVX、VXEEM和COP八类覆盖多资产类别的隐含波动率指标[4][114]。 2. **构建方法**：构建方法与RR综合压力指数类似，沿用滚动阈值的Zscore框架，计算得到综合压力得分，并根据其超过滚动阈值上限的天数进行最终的压力信号判定[114]。 模型的回测效果 （回测区间：2008-06-30 至 2026-03-13） 1. **基准策略（全球流动性敏感型组合）**，年化收益5.31%，夏普比率0.56，最大回撤-34.55%，Calmar比率0.15，索提诺比率0.75[5][30]。 2. **三层次流动性信号择时策略**，年化收益8.76%，夏普比率1.22，最大回撤-14.09%，Calmar比率0.62，索提诺比率1.77[5][30]。 3. **央行流动性压力信号择时策略**，年化收益7.55%，夏普比率1.18，最大回撤-14.09%，Calmar比率0.54，索提诺比率1.67[30]。 4. **资金流动性压力信号择时策略**，年化收益8.43%，夏普比率0.99，最大回撤-21.65%，Calmar比率0.39，索提诺比率1.38[30]。 5. **市场流动性压力信号择时策略**，年化收益7.42%，夏普比率0.91，最大回撤-23.65%，Calmar比率0.31，索提诺比率1.28[30]。 因子的回测效果 （以下为各因子作为择时信号应用于“全球流动性敏感型组合”的绩效表现，回测区间：2008-06-30 至 2026-03-13） 1. **全球央行政策利率扩散指数**，年化收益4.51%，夏普比率0.64，最大回撤-23.01%，Calmar比率0.20，索提诺比率0.88[73]。 2. **联储流动性支持**，年化收益4.76%，夏普比率0.86，最大回撤-12.67%，Calmar比率0.38，索提诺比率1.23[73]。 3. **彭博Fedspeak指数**，年化收益4.48%，夏普比率0.91，最大回撤-11.28%，Calmar比率0.40，索提诺比率1.31[73]。 4. **市场隐含利率预期**，年化收益6.34%，夏普比率0.92，最大回撤-18.99%，Calmar比率0.33，索提诺比率1.29[73]。 5. **央行流动性综合压力信号**，年化收益7.55%，夏普比率1.18，最大回撤-14.09%，Calmar比率0.54，索提诺比率1.67[73]。 6. **SOFR压力信号**，年化收益6.86%，夏普比率0.94，最大回撤-20.72%，Calmar比率0.33，索提诺比率1.34[106]。 7. **RR压力信号**，年化收益6.64%，夏普比率0.83，最大回撤-19.51%，Calmar比率0.34，索提诺比率1.15[106]。 8. **资金流动性综合压力信号**，年化收益8.43%，夏普比率0.99，最大回撤-21.65%，Calmar比率0.39，索提诺比率1.38[106]。

量化因子总结 量化因子与构建方式 1. **因子名称：估值因子** [17] * **因子构建思路：** 通过衡量股票价格与其基本面价值（如盈利、净资产、销售额）的相对高低，来识别被市场低估或高估的股票[9]。价值风格被视为典型的防御性因子[10]。 * **因子具体构建过程：** 估值因子是一个大类因子，由多个细分估值因子合成。报告展示了其细分因子，主要包括： * **估值-EP (盈利收益率因子):** 通常为每股收益(EPS)与股价(P)的比率，即 $$EP = \frac{EPS}{P}$$，代表单位价格对应的盈利水平[18]。 * **估值-BP (账面市值比因子):** 通常为每股净资产(BPS)与股价(P)的比率，即 $$BP = \frac{BPS}{P}$$，代表单位价格对应的净资产[18]。 * **估值-SP (销售收入市值比因子):** 通常为每股销售收入(SPS)与股价(P)的比率，即 $$SP = \frac{SPS}{P}$$，代表单位价格对应的销售收入[18]。 * **股息率:** 通常为每股股息(DPS)与股价(P)的比率，即 $$股息率 = \frac{DPS}{P}$$，代表股票的现金回报率[18]。 2. **因子名称：成长因子** [17] * **因子构建思路：** 通过衡量公司基本面指标（如营业收入、净利润）的增长速度，来识别具有高成长潜力的股票[2]。 * **因子具体构建过程：** 成长因子是一个大类因子，由多个衡量增长的细分因子合成。报告展示了其细分因子，主要包括： * **营业收入增长率** [18] * **净利润增长率** [18] * **ROE增长率** [18] 3. **因子名称：盈利因子** [17] * **因子构建思路：** 通过衡量公司的盈利能力，如净资产收益率、总资产收益率等，来识别盈利质量高、盈利能力强的公司[2]。 * **因子具体构建过程：** 盈利因子是一个大类因子，由多个衡量盈利能力的细分因子合成。报告展示了其细分因子，主要包括： * **ROE (净资产收益率)** [18] * **ROA (总资产收益率)** [18] * **毛利率** [18] * **净利率** [18] 4. **因子名称：小市值因子** [17] * **因子构建思路：** 认为市值较小的公司可能具有更高的成长性和弹性，长期来看能获得超额收益[2]。 5. **因子名称：反转因子** [17] * **因子构建思路：** 基于市场短期过度反应或反应不足的假设，认为过去一段时间表现较差的股票在未来可能反弹，而表现过好的股票可能回调[2]。 * **因子具体构建过程：** 反转因子是一个大类因子，由多个不同时间窗口和计算方法的细分反转因子合成。报告展示了其细分因子，主要包括： * **1个月反转:** 基于过去1个月的收益率构建[18]。 * **3个月反转:** 基于过去3个月的收益率构建[18]。 * **衰减换手率加权3个月反转:** 在3个月反转的基础上，使用衰减的换手率对历史收益率进行加权，以更强调近期价格行为[18]。 * **衰减换手率加权6个月反转:** 在6个月反转的基础上，使用衰减的换手率对历史收益率进行加权[18]。 6. **因子名称：波动率因子** [17] * **因子构建思路：** 基于“波动率溢价”或“彩票效应”等市场异象，认为低波动率的股票长期可能获得更高的风险调整后收益[2]。 * **因子具体构建过程：** 波动率因子是一个大类因子，由多个衡量不同维度波动率的细分因子合成。报告展示了其细分因子，主要包括： * **1个月波动率** [18] * **3个月波动率** [18] * **FF三因子残差1个月波动率:** 计算股票收益率在剔除Fama-French三因子（市场、市值、估值）影响后的残差，再计算该残差的1个月波动率，以衡量特质风险[18]。 * **FF三因子残差3个月波动率:** 计算FF三因子残差的3个月波动率[18]。 7. **因子名称：换手率因子** [17] * **因子构建思路：** 通常作为流动性或投资者情绪的代理变量，低换手率可能意味着关注度低或流动性折价，长期可能产生超额收益[2]。 * **因子具体构建过程：** 换手率因子是一个大类因子，由多个不同时间窗口的换手率细分因子合成。报告展示了其细分因子，主要包括： * **1个月日均换手率** [18] * **3个月日均换手率** [18] * **近1个月/近2年的日均换手率:** 通过比较短期和长期换手率，捕捉换手率的相对变化[18]。 8. **因子名称：超预期因子** [17] * **因子构建思路：** 捕捉公司实际发布的财务数据与市场一致预期之间的差异（Surprise），认为业绩超预期的公司未来股价有正面反应[2]。 * **因子具体构建过程：** 超预期因子是一个大类因子，由两个常见的超预期细分因子合成。报告展示了其细分因子： * **SUR (收入超预期):** 衡量实际营业收入与一致预期营业收入的差异[18]。 * **SUE (盈利超预期):** 衡量实际每股收益(EPS)与一致预期EPS的差异[18]。 9. **因子名称：预期类因子** [17] * **因子构建思路：** 直接使用分析师对未来财务指标的预期数据（而非历史数据）构建因子，旨在更前瞻地反映市场对公司基本面的看法[2]。 * **因子具体构建过程：** 报告展示了两个主要的预期大类因子及其细分因子： * **预期估值因子:** * **预期EP_FY1:** 基于未来12个月(FY1)的一致预期每股收益计算的预期盈利收益率[18]。 * **预期PEG倒数_FY1:** 基于未来12个月(FY1)的一致预期盈利增长率和预期市盈率构建的PEG指标倒数，用于衡量成长性与估值的匹配度[18]。 * **预期BP_FY1:** 基于未来12个月(FY1)的一致预期每股净资产计算的预期账面市值比[18]。 * **预期净利润复合增速FY1:** 基于未来一段时间（如未来2-3年）的一致预期净利润计算的复合年增长率[18]。 10. **因子名称：去均值估值因子** [9] * **因子构建思路：** 对原始的估值因子IC序列进行去均值处理，以更好地剥离长期趋势，凸显其周期性的波动特征，用于观察价值风格的周期性变化[9]。 * **因子具体构建过程：** 报告未详细说明去均值的方法，但通常做法是从原始估值因子的月度IC序列中减去其历史长期均值或移动均值[9]。 因子的回测效果 *注：以下所有指标均为“Rank IC 均值”，数据截至2026年3月13日，频率为月频[18][19][20][21]。* 1. **估值因子** * 沪深300成分股：23.65%[18] * 中证500成分股：17.00%[19] * 中证1000成分股：23.49%[20] * 全A股：21.04%[21] 2. **成长因子** * 沪深300成分股：-2.71%[18] * 中证500成分股：3.61%[19] * 中证1000成分股：-1.51%[20] * 全A股：-2.38%[21] 3. **盈利因子** * 沪深300成分股：4.58%[18] * 中证500成分股：3.62%[19] * 中证1000成分股：-2.83%[20] * 全A股：-0.89%[21] 4. **小市值因子** * 沪深300成分股：-1.17%[18] * 中证500成分股：12.28%[19] * 中证1000成分股：4.58%[20] * 全A股：2.85%[21] 5. **反转因子** * 沪深300成分股：9.59%[18] * 中证500成分股：4.88%[19] * 中证1000成分股：5.15%[20] * 全A股：5.85%[21] 6. **波动率因子** * 沪深300成分股：19.31%[18] * 中证500成分股：10.91%[19] * 中证1000成分股：15.34%[20] * 全A股：19.49%[21] 7. **换手率因子** * 沪深300成分股：11.80%[18] * 中证500成分股：4.73%[19] * 中证1000成分股：6.90%[20] * 全A股：10.46%[21] 8. **超预期因子** * 沪深300成分股：-7.46%[18] * 中证500成分股：6.38%[19] * 中证1000成分股：-0.50%[20] * 全A股：-2.98%[21] 9. **预期估值因子** * 沪深300成分股：7.78%[18] * 中证500成分股：14.44%[19] * 中证1000成分股：20.96%[20] * 全A股：13.74%[21] 10. **预期净利润复合增速FY1因子** * 沪深300成分股：-9.05%[18] * 中证500成分股：-1.44%[19] * 中证1000成分股：1.09%[20] * 全A股：-4.48%[21]

量化模型与构建方式 1. **模型名称：择时雷达六面图综合择时模型**[1][6] * **模型构建思路**：权益市场表现受多维度指标共同影响，该模型从流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取二十一个指标刻画市场，并将其概括为“估值性价比”、“宏观基本面”、“资金&趋势”、“拥挤度&反转”四大类，最终生成一个介于[-1,1]之间的综合择时分数以指导市场观点。[1][6] * **模型具体构建过程**： 1. **指标选取与分类**：从六个维度（流动性、经济面、估值面、资金面、技术面、拥挤度）选取21个具体指标。[1][6] 2. **单指标打分**：每个指标根据其构建规则，被赋予-1（看空）、0（中性）或1（看多）的分数，部分指标分数为连续值。[1][6][10] 3. **维度综合**：将六个维度的单指标分数进行综合（具体综合方法未在报告正文详述，但图表显示各维度有独立分数），得到各维度的综合得分。[7][9] 4. **生成综合择时分数**：将六个维度的综合得分进一步汇总，最终生成一个介于[-1,1]之间的综合择时分数。[1][6] 量化因子与构建方式 1. **因子名称：货币方向因子**[11] * **因子构建思路**：判断当前货币政策的方向，通过比较货币政策工具利率与短端市场利率相对于90天前的平均变化方向来定义宽松或收紧。[11] * **因子具体构建过程**：选取央行使用的货币政策工具利率与短端市场利率，计算其相较于90天前的平均变化方向。若因子值>0，则判断货币政策宽松；若因子值<0，则判断货币政策收紧。在模型中，宽松对应看多信号（分数为1），收紧对应看空信号（分数为-1）。[11] 2. **因子名称：货币强度因子**[14] * **因子构建思路**：基于“利率走廊”概念，表征短端市场利率相对于政策利率的偏离幅度，以判断货币环境的松紧程度。[14] * **因子具体构建过程**： 1. 计算偏离度：$$偏离度 = \frac{DR007}{7天逆回购利率} - 1$$[14] 2. 对偏离度进行平滑与z-score标准化，形成货币强度因子。[14] 3. **信号生成规则**：若货币强度因子 < -1.5倍标准差，则预期未来120个交易日为宽松环境，指标分数为1；若因子 > 1.5倍标准差，则预期未来120个交易日指标分数为-1；否则为0（中性）。[14] 3. **因子名称：信用方向因子**[17] * **因子构建思路**：表征商业银行对实体经济信贷传导的松紧变化趋势，使用中长期贷款指标的同比变化方向来判断。[17] * **因子具体构建过程**： 1. 取中长期贷款当月值。[17] 2. 计算过去十二个月的增量。[17] 3. 计算该增量的同比值，得到信用方向因子。[17] 4. **信号生成规则**：若信用方向因子相比于三个月之前上升，则看多（分数为1）；反之则看空（分数为-1）。[17] 4. **因子名称：信用强度因子**[20] * **因子构建思路**：捕捉信贷指标是否大幅超预期或不及预期，反映信贷投放的强度变化。[20] * **因子具体构建过程**： 1. 计算信用强度因子：$$信用强度因子 = \frac{新增人民币贷款当月值 – 预期中位数}{预期标准差}$$[20] 2. **信号生成规则**：若信用强度因子 > 1.5倍标准差，则定义未来60个交易日为信用显著超预期环境，分数为1；若因子 < -1.5倍标准差，则未来60个交易日分数为-1；否则为0（中性）。[20] 5. **因子名称：增长方向因子**[22] * **因子构建思路**：基于PMI数据判断经济增长的变化方向。[22] * **因子具体构建过程**： 1. 基于中采制造业PMI、中采非制造业PMI、财新制造业PMI构建综合PMI指标。[22] 2. 计算该综合PMI过去十二个月的均值。[22] 3. 计算该均值的同比值，得到增长方向因子。[22] 4. **信号生成规则**：若增长方向因子相比于三个月之前上升，则看多（分数为1）；反之则看空（分数为-1）。[22] 6. **因子名称：增长强度因子**[25] * **因子构建思路**：捕捉经济增长指标是否大幅超预期或不及预期。[25] * **因子具体构建过程**： 1. 计算PMI预期差：$$增长强度因子 = \frac{PMI – 预期中位数}{预期标准差}$$[25] 2. **信号生成规则**：若增长强度因子 > 1.5倍标准差，则定义未来60个交易日为增长显著超预期环境，分数为1；若因子 < -1.5倍标准差，则未来60个交易日分数为-1；否则为0（中性）。[25] 7. **因子名称：通胀方向因子**[27] * **因子构建思路**：通过CPI和PPI的综合变化判断通胀趋势，通胀下行通常为权益资产提供宽松预期。[27] * **因子具体构建过程**： 1. 计算通胀方向因子：$$通胀方向因子 = 0.5 \times CPI同比平滑值 + 0.5 \times PPI同比原始值$$[27] 2. **信号生成规则**：若通胀方向因子相较于三个月之前降低（通胀下行），则看多（分数为1）；反之（通胀上行）则看空（分数为-1）。[27] 8. **因子名称：通胀强度因子**[29] * **因子构建思路**：捕捉通胀指标是否大幅超预期或不及预期。[29] * **因子具体构建过程**： 1. 分别计算CPI与PPI的预期差：$$预期差 = \frac{披露值 – 预期中位数}{预期标准差}$$[29] 2. 计算CPI与PPI预期差的均值，得到通胀强度因子。[29] 3. **信号生成规则**：若通胀强度因子 < -1.5倍标准差，则定义未来60个交易日为通胀显著不及预期环境，分数为1；若因子 > 1.5倍标准差，则未来60个交易日分数为-1；否则为0（中性）。[29] 9. **因子名称：席勒ERP**[30] * **因子构建思路**：使用经过周期平滑的盈利计算估值，并对比无风险收益率，衡量权益资产的长期风险溢价。[30] * **因子具体构建过程**： 1. 计算过去6年通胀调整后的平均盈利，得到席勒PE。[30] 2. 计算席勒ERP：$$席勒ERP = \frac{1}{席勒PE} - 10年期国债到期收益率$$[30] 3. 计算席勒ERP过去6年的z-score作为分数。[30] 10. **因子名称：PB**[34] * **因子构建思路**：使用市净率的倒数并标准化，作为估值衡量指标。[34] * **因子具体构建过程**： 1. 取PB值并乘以-1。[34] 2. 计算该值过去6年的z-score。[34] 3. 以1.5倍标准差进行截尾处理。[34] 4. 将处理后的值标准化到±1之间得到分数。[34] 11. **因子名称：AIAE (Aggregate Investor Allocation to Equities)**[36] * **因子构建思路**：衡量全市场权益配置比例，反映市场整体的风险偏好。[36] * **因子具体构建过程**： 1. 构建A股的AIAE指标：$$AIAE指标 = \frac{中证全指总流通市值}{中证全指总流通市值 + 实体总债务}$$[36] 2. 将AIAE指标乘以-1。[36] 3. 计算该值过去6年的z-score得到分数。[36] 12. **因子名称：两融增量**[39] * **因子构建思路**：通过融资余额与融券余额的净额变化趋势，判断市场杠杆资金的情绪。[39] * **因子具体构建过程**： 1. 计算融资余额与融券余额的差值。[39] 2. 分别计算该差值过去120日的日均增量和过去240日的日均增量。[39] 3. **信号生成规则**：若120日均增量 > 240日均增量，则判断杠杆资金上行，看多（分数为1）；反之则看空（分数为-1）。[39] 13. **因子名称：成交额趋势**[42] * **因子构建思路**：通过成交额的长期均线关系，判断市场成交热度与资金活跃度的趋势。[42] * **因子具体构建过程**： 1. 计算对数成交额的均线距离：$$均线距离 = \frac{ma120}{ma240} - 1$$[42] 2. **信号生成规则**：当均线距离的过去10日、30日、60日最大值同时相等时，看多（分数为1）；当过去10日、30日、60日最小值同时相等时，看空（分数为-1）；否则为中性（分数为0）。[42] 14. **因子名称：中国主权CDS利差**[46] * **因子构建思路**：通过海外投资者对中国主权信用风险的定价变化，推断外资流入意愿。[46] * **因子具体构建过程**： 1. 取中国主权CDS利差数据并进行平滑处理。[46] 2. 计算平滑后CDS利差的20日差分。[46] 3. **信号生成规则**：若20日差分 < 0（CDS利差下降），说明海外投资者预期中国基本面转好，看多（分数为1）；反之（差分>0）则看空（分数为-1）。[46] 15. **因子名称：海外风险厌恶指数 (Citi RAI Index)**[48] * **因子构建思路**：通过海外市场的综合风险偏好指数变化，判断外资风险偏好。[48] * **因子具体构建过程**： 1. 取花旗风险厌恶指数（Citi RAI Index）并进行平滑处理。[48] 2. 计算平滑后指数的20日差分。[48] 3. **信号生成规则**：若20日差分 < 0（风险厌恶下降），外资风险偏好上升，看多（分数为1）；反之（差分>0）则看空（分数为-1）。[48] 16. **因子名称：价格趋势**[50] * **因子构建思路**：结合价格均线距离的方向和强度，综合判断市场中长期运行趋势。[50] * **因子具体构建过程**： 1. 计算价格均线距离：$$均线距离 = \frac{ma120}{ma240} - 1$$[50] 2. **方向分数**：若均线距离 > 0，趋势方向分数=1；反之为-1。[50] 3. **强度分数**：若均线距离的过去20日与60日最大值相等，趋势强度分数=1；若过去20日与60日最小值相等，趋势强度分数=-1；否则强度分数可能为0（具体规则未完全明确）。[50] 4. **综合分数**：趋势综合分数 = (趋势方向分数 + 趋势强度分数) / 2。[50] 17. **因子名称：新高新低数**[52] * **因子构建思路**：通过市场创一年新高与新低的股票数量差，捕捉市场反转信号。[52] * **因子具体构建过程**： 1. 计算中证800成分股中，过去一年新低股票数减去新高股票数的差值。[52] 2. 计算该差值的20日移动平均（ma20）。[52] 3. **信号生成规则**：若该ma20值 > 0（新低较多），市场有见底预期，看多（分数为1）；反之（新高较多）则看空（分数为-1）。[52][53] 18. **因子名称：期权隐含升贴水**[56] * **因子构建思路**：基于期权定价推导出的标的隐含升贴水，反映期权市场对未来收益率的预期与情绪，作为反转指标。[56] * **因子具体构建过程**： 1. **看多条件**：若50ETF近5日收益率 < 0，且该指标历史分位数 < 30%，则发出看多信号，持续20日，分数为1。[56] 2. **看空条件**：若50ETF近5日收益率 > 0，且该指标历史分位数 > 70%，则发出看空信号，持续20日，分数为-1。[56] 19. **因子名称：期权VIX指数**[57] * **因子构建思路**：期权隐含波动率指数，反映市场对未来波动率的预期与情绪，作为反转指标。[57] * **因子具体构建过程**： 1. **看多条件**：若50ETF近5日收益率 < 0，且该指标历史分位数 > 70%，则发出看多信号，持续20日，分数为1。[57] 2. **看空条件**：若50ETF近5日收益率 > 0，且该指标历史分位数 > 70%，则发出看空信号，持续20日，分数为-1。[57] 20. **因子名称：期权SKEW指数**[61] * **因子构建思路**：期权隐含偏度指数，反映市场对未来收益率分布偏度的预期与情绪，作为反转指标。[61] * **因子具体构建过程**： 1. **看多条件**：若50ETF近5日收益率 < 0，且该指标历史分位数 > 70%，则发出看多信号，持续20日，分数为1。[61] 2. **看空条件**：若50ETF近5日收益率 > 0，且该指标历史分位数 < 30%，则发出看空信号，持续20日，分数为-1。[61] 21. **因子名称：可转债定价偏离度**[65] * **因子构建思路**：通过可转债市场价格与模型理论价格的偏离度，衡量转债市场的估值情绪，作为反转指标。[65] * **因子具体构建过程**： 1. 计算可转债定价偏离度：$$定价偏离度 = \frac{转债价格}{模型定价} - 1$$[65] 2. 计算因子分数：将定价偏离度乘以-1，再计算过去3年的z-score得到分数。定价偏离度越高，拥挤度越高，分数越低。[65] 模型的回测效果 *报告未提供择时雷达六面图综合择时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）。报告仅展示了截至报告发布当周（“本周”）模型及各维度、各因子的最新打分情况。[9][10]* 因子的回测效果 *报告未提供各单一因子独立的历史回测绩效指标（如IC、IR、多空收益等）。报告仅展示了截至报告发布当周（“本周”）各因子的最新信号分数。[10]*

量化模型与构建方式 1. **模型名称：量能择时模型**[24][25] * **模型构建思路**：基于宽基指数的成交量能变化，判断市场短期走势，生成看多或看空的择时信号[24]。 * **模型具体构建过程**：报告未详细描述该模型的具体计算规则和阈值，仅给出了基于该模型得出的各宽基指数当前信号[25]。 2. **模型名称：沪深300上涨家数占比择时模型**[25][27][29] * **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，并通过对该指标进行不同窗口期的平滑处理来捕捉情绪拐点，从而生成择时信号[25][27]。 * **模型具体构建过程**： 1. 计算基础指标：沪深300指数N日上涨家数占比 = 沪深300指数成分股过去N日收益大于0的个股数占比[25]。报告中N=230[27]。 2. 对基础指标进行平滑处理：分别计算窗口期为N1和N2的移动平均线，作为慢线和快线，其中N1 > N2。报告中N1=50，N2=35[27]。 3. 生成信号：当快线大于慢线时，看多沪深300指数[29]。 3. **模型名称：均线情绪指标择时模型**[33][37] * **模型构建思路**：利用沪深300指数收盘价与一组长期均线（八均线体系）的相对位置关系来判断市场趋势状态，并据此生成择时信号[33]。 * **模型具体构建过程**： 1. 计算八条均线：以沪深300指数收盘价为基准，计算参数为8、13、21、34、55、89、144、233的移动平均线[33]。 2. 计算当日指标值：统计当日沪深300指数收盘价大于这八条均线数值的数量[37]。 3. 生成信号：当该数量超过5时（即收盘价位于多数均线之上），看多沪深300指数[37]。 4. **模型/因子名称：抱团基金分离度**[84] * **构建思路**：通过计算一组被定义为“抱团基金”的组合内部收益率的截面标准差，来量化基金抱团的程度。标准差越小，说明基金表现越趋同，抱团程度越高；反之则表示抱团瓦解[84]。 * **具体构建过程**：报告未给出“抱团基金”组合的具体构建规则。分离度指标的计算公式为抱团基金组合截面收益率的标准差[84]。 量化因子与构建方式 1. **因子名称：横截面波动率**[38][39] * **因子构建思路**：计算特定指数（如沪深300、中证500、中证1000）所有成分股在某个时间点（如日度）收益率的标准差，用以衡量股票间表现的离散程度，反映市场的选股（Alpha）环境[38]。 * **因子具体构建过程**：报告未给出具体的计算公式，但明确指出该指标用于衡量指数成分股收益率在横截面上的离散程度[38]。 2. **因子名称：时间序列波动率**[39][42] * **因子构建思路**：计算特定指数成分股加权平均的时间序列波动率，用以衡量市场整体的波动水平，同样作为评估Alpha环境的指标[39]。 * **因子具体构建过程**：报告未给出具体的加权方法和计算公式，仅说明其为指数成分股的加权时间序列波动率[41][42]。 模型的回测效果 （报告中未提供各择时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。） 因子的回测效果 1. **横截面波动率因子** * **近两年平均值**：沪深300为2.02%，中证500为2.27%，中证1000为2.51%[39]。 * **近一年平均值**：沪深300为2.02%，中证500为2.29%，中证1000为2.51%[39]。 * **近半年平均值**：沪深300为2.26%，中证500为2.67%，中证1000为2.75%[39]。 * **近一季度平均值**：沪深300为2.17%，中证500为2.50%，中证1000为2.63%[39]。 * **近一季度平均值占近半年分位**：沪深300为64.33%，中证500为55.56%，中证1000为68.13%[39]。 2. **时间序列波动率因子** * **近两年平均值**：沪深300为0.98%，中证500为1.31%，中证1000为1.46%[42]。 * **近一年平均值**：沪深300为0.89%，中证500为1.18%，中证1000为1.22%[42]。 * **近半年平均值**：沪深300为0.79%，中证500为1.31%，中证1000为1.25%[42]。 * **近一季度平均值**：沪深300为0.92%，中证500为1.29%，中证1000为1.22%[42]。 * **近一季度平均值占近半年分位**：沪深300为48.66%，中证500为58.73%，中证1000为66.53%[42]。

量化模型与构建方式 1. **模型名称**：中证畜牧养殖产业指数[2][31][35] **模型构建思路**：构建一个能够反映中国畜牧养殖产业上市公司证券整体表现的指数[2][31] **模型具体构建过程**： 1. **样本空间**：同中证全指指数的样本空间，且过去一年日均成交金额位于样本空间前90%[35]。 2. **选样方法**： a. 对于样本空间内符合可投资性筛选条件的证券，选取畜牧产品、动物保健与育种、饲料、肉制品、乳制品行业的上市公司证券作为待选样本[35]。 b. 将上述待选样本按照过去一年日均总市值由高到低排名，选取排名前50名的证券作为指数样本[35]。 c. 选样优先级：畜牧产品、动物保健与育种、饲料行业的证券优先纳入；数量不足50只时，依次纳入肉制品、乳制品行业的证券，使得样本数量达到50只[35]。 3. **加权方式**：采用市值加权，并辅以权重因子调整[35]。 a. 权重因子介于0和1之间，以使畜牧产品、动物保健与育种、饲料行业的单个样本权重不超过15%[35]。 b. 肉制品、乳制品行业单个样本权重不超过3%且合计权重不超过10%[35]。 c. 前五大样本合计权重不超过60%[35]。 4. **定期调整**：指数样本每半年调整一次，样本调整实施时间分别为每年6月和12月的第二个星期五的下一交易日[35]。 模型的回测效果 1. **中证畜牧养殖产业指数 (931946.CSI)**，年化收益率-5.64%[47]，年化夏普比-0.14[47]，年化波动率22.58%[47]，区间最大回撤-46.55%[47]。 2. **中证畜牧养殖指数 (930707.CSI)**，年化收益率-7.61%[47]，年化夏普比-0.23[47]，年化波动率23.19%[47]，区间最大回撤-51.23%[47]。 量化因子与构建方式 （报告未涉及具体的量化因子构建）

量化模型与构建方式 1. **模型名称：国信金工指数增强组合模型**[11][12] * **模型构建思路：** 以多因子选股为主体，通过收益预测、风险控制和组合优化三个主要流程，构建对标不同宽基指数的增强组合，目标是稳定战胜各自基准[11][12]。 * **模型具体构建过程：** 模型构建流程主要包括三块： 1. **收益预测：** 基于多因子模型进行股票收益预测（具体因子库见下文量化因子部分）[12]。 2. **风险控制：** 通过组合优化模型控制组合相对于基准指数在风格、行业、个股等方面的风险暴露[12]。 3. **组合优化：** 在满足风险约束的条件下，通过优化算法求解最优的股票权重，以最大化预期收益或信息比率[12]。 2. **模型名称：单因子MFE组合模型**[15][42] * **模型构建思路：** 为了在更接近实际投资约束的条件下检验单因子的有效性，采用组合优化的方式，在控制行业暴露、风格暴露等实际约束的前提下，构建最大化单因子暴露的组合，通过该组合相对于基准的收益表现来判断因子有效性[42]。 * **模型具体构建过程：** 采用如下组合优化模型构建因子的MFE组合[42]： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ * **目标函数：** $max\ f^{T}w$，即最大化组合在单因子上的加权暴露。其中 $f$ 为因子取值向量，$w$ 为待求解的股票权重向量[42]。 * **约束条件：** 1. **风格暴露约束：** $s_{l}\leq X(w-w_{b})\leq s_{h}$。$X$ 为股票对风格因子的暴露矩阵，$w_b$ 为基准指数权重向量，$s_l$, $s_h$ 为风格因子相对暴露的下限及上限[43]。 2. **行业偏离约束：** $h_{l}\leq H(w-w_{b})\leq h_{h}$。$H$ 为股票的行业暴露矩阵，$h_l$, $h_h$ 为组合行业偏离的下限及上限[43]。 3. **个股权重偏离约束：** $w_{l}\leq w-w_{b}\leq w_{h}$。$w_l$, $w_h$ 为个股相对于基准权重的偏离下限及上限[43]。 4. **成分股权重占比约束：** $b_{l}\leq B_{b}w\leq b_{h}$。$B_b$ 为个股是否属于基准指数成分股的0-1向量，$b_l$, $b_h$ 为成分股内权重的下限及上限[43]。 5. **卖空与权重上限约束：** $\mathbf{0}\leq w\leq l$，禁止卖空并限制个股权重上限[43]。 6. **满仓约束：** $\mathbf{1}^{T}\ w=1$，即权重和为1，组合满仓运作[43]。 * **模型评价：** 该方法比传统的十分组检验更能反映因子在实际投资约束下的真实有效性[42]。 3. **模型名称：公募重仓指数构建模型**[44] * **模型构建思路：** 为了测试因子在“机构风格”下的有效性，通过汇总公募基金持仓信息，构建一个公募基金重仓指数，作为因子测试的样本空间[44]。 * **模型具体构建过程：** 1. **选样空间：** 选取普通股票型基金和偏股混合型基金，剔除规模小于五千万且上市不足半年的基金[45]。 2. **持仓数据获取：** 通过基金的定期报告获取持股信息。若最新报告为半年报或年报，则使用全部持仓；若为季报，则结合前期的半年报或年报信息构建持仓数据[45]。 3. **权重计算：** 将所有符合条件基金的持仓股票权重进行平均，得到公募基金平均持仓信息[45]。 4. **成分股筛选：** 将平均后的股票权重降序排序，选取累计权重达到90%的股票作为成分股，构建公募基金重仓指数[45]。 量化因子与构建方式 1. **因子名称：估值类因子**[17] * **构建思路：** 从公司市值与基本面财务指标（如净资产、净利润、营业收入）的比值角度衡量股票估值水平[17]。 * **具体构建过程：** * **BP：** 净资产 / 总市值[17] * **单季 EP：** 单季度归母净利润 / 总市值[17] * **单季 SP：** 单季度营业收入 / 总市值[17] * **EPTTM：** 归母净利润TTM / 总市值[17] * **SPTTM：** 营业收入TTM / 总市值[17] * **EPTTM分位点：** EPTTM在过去一年中的分位点[17] * **股息率：** 最近四个季度预案分红金额 / 总市值[17] * **预期 EPTTM：** 一致预期滚动EP[17] * **预期 BP：** 一致预期滚动PB[17] * **预期 PEG：** 一致预期PEG[17] 2. **因子名称：反转与动量类因子**[17] * **构建思路：** 捕捉股票价格在短期、中期和长期的趋势反转或延续现象[17]。 * **具体构建过程：** * **一个月反转：** 过去20个交易日涨跌幅[17] * **三个月反转：** 过去60个交易日涨跌幅[17] * **一年动量：** 近一年除近一月后动量[17] 3. **因子名称：成长类因子**[17] * **构建思路：** 衡量公司营业收入、净利润等财务指标的同比增长情况，以及业绩是否超出市场预期[17]。 * **具体构建过程：** * **单季净利同比增速：** 单季度净利润同比增长率[17] * **单季营收同比增速：** 单季度营业收入同比增长率[17] * **单季营利同比增速：** 单季度营业利润同比增长率[17] * **SUE (标准化预期外盈利)：** (单季度实际净利润 - 预期净利润) / 预期净利润标准差[17] * **SUR (标准化预期外收入)：** (单季度实际营业收入 - 预期营业收入) / 预期营业收入标准差[17] * **单季超预期幅度：** 预期单季度净利润 / 财报单季度净利润[17] * **预期净利润环比：** 一致预期净利润 / 3个月前一致预期净利润[17] 4. **因子名称：盈利类因子**[17] * **构建思路：** 衡量公司运用资产和净资产创造利润的能力及其变化[17]。 * **具体构建过程：** * **单季 ROE：** 单季度归母净利润 * 2 / (期初归母净资产 + 期末归母净资产)[17] * **单季 ROA：** 单季度归母净利润 * 2 / (期初归母总资产 + 期末归母总资产)[17] * **DELTAROE：** 单季度净资产收益率 - 去年同期单季度净资产收益率[17] * **DELTAROA：** 单季度总资产收益率 - 去年同期单季度总资产收益率[17] 5. **因子名称：流动性、波动与公司治理类因子**[17] * **构建思路：** 分别从股票交易活跃度、价格波动特性以及公司治理结构角度构建选股指标[17]。 * **具体构建过程：** * **非流动性冲击：** 过去20个交易日的日涨跌幅绝对值 / 成交额的均值[17] * **一个月换手：** 过去20个交易日换手率均值[17] * **三个月换手：** 过去60个交易日换手率均值[17] * **特异度：** 1 - 过去20个交易日Fama-French三因子回归的拟合度[17] * **一个月波动：** 过去20个交易日日内真实波幅均值[17] * **三个月波动：** 过去60个交易日日内真实波幅均值[17] * **高管薪酬：** 前三高管报酬总额取对数[17] 6. **因子名称：分析师类因子**[17] * **构建思路：** 基于卖方分析师的盈利预测、评级调整和覆盖情况构建因子，反映市场一致预期和关注度的变化[17]。 * **具体构建过程：** * **三个月盈利上下调：** 过去3个月内分析师(上调家数 - 下调家数) / 总家数[17] * **三个月机构覆盖：** 过去3个月内机构覆盖数量[17] 模型的回测效果 1. **国信金工沪深300指数增强组合**，本周超额收益0.55%，本年超额收益3.93%[5][14] 2. **国信金工中证500指数增强组合**，本周超额收益2.40%，本年超额收益1.53%[5][14] 3. **国信金工中证1000指数增强组合**，本周超额收益0.20%，本年超额收益3.61%[5][14] 4. **国信金工中证A500指数增强组合**，本周超额收益1.00%，本年超额收益4.83%[5][14] 因子的回测效果 *(注：以下因子回测结果均基于单因子MFE组合模型，指标为“最近一周超额收益”、“最近一月超额收益”、“今年以来超额收益”、“历史年化超额收益”。数据来源为各样本空间对应的图表。)* 1. **在沪深300样本空间中：**[18] * **预期EPTTM因子**，最近一周1.64%，最近一月2.08%，今年以来2.81%，历史年化3.84%[18] * **EPTTM因子**，最近一周1.34%，最近一月1.94%，今年以来2.93%，历史年化4.27%[18] * **单季营利同比增速因子**，最近一周-0.87%，最近一月-0.41%，今年以来-0.50%，历史年化3.52%[18] * **一年动量因子**，最近一周-0.83%，最近一月-0.32%，今年以来-0.51%，历史年化3.08%[18] * **预期净利润环比因子**，最近一周-0.79%，最近一月-1.84%，今年以来-3.02%，历史年化1.55%[18] 2. **在中证500样本空间中：**[21] * **预期EPTTM因子**，最近一周2.90%，最近一月4.50%，今年以来1.83%，历史年化3.17%[21] * **单季EP因子**，最近一周2.40%，最近一月3.65%，今年以来2.29%，历史年化7.57%[21] * **标准化预期外盈利(SUE)因子**，最近一周2.25%，最近一月2.79%，今年以来3.82%，历史年化8.20%[21] * **预期净利润环比因子**，最近一周0.06%，最近一月-1.62%，今年以来-1.23%，历史年化3.32%[21] * **三个月机构覆盖因子**，最近一周0.22%，最近一月-1.34%，今年以来-4.78%，历史年化4.09%[21] 3. **在中证1000样本空间中：**[23] * **预期PEG因子**，最近一周1.87%，最近一月2.42%，今年以来3.73%，历史年化2.27%[23] * **三个月反转因子**，最近一周1.33%，最近一月0.97%，今年以来1.85%，历史年化-2.01%[23] * **预期BP因子**，最近一周1.19%，最近一月2.62%，今年以来2.56%，历史年化2.64%[23] * **一年动量因子**，最近一周-1.91%，最近一月-1.05%，今年以来0.24%，历史年化-0.61%[23] * **单季ROA因子**，最近一周-0.62%，最近一月-0.93%，今年以来-0.93%，历史年化6.41%[23] * **三个月机构覆盖因子**，最近一周-0.58%，最近一月-0.57%，今年以来1.97%，历史年化6.55%[23] 4. **在中证A500样本空间中：**[25] * **预期EPTTM因子**，最近一周2.51%，最近一月3.94%，今年以来3.88%，历史年化2.10%[25] * **EPTTM因子**，最近一周1.99%，最近一月3.12%，今年以来3.39%，历史年化3.20%[25] * **三个月反转因子**，最近一周1.91%，最近一月1.30%，今年以来0.29%，历史年化-0.45%[25] * **一年动量因子**，最近一周-1.07%，最近一月-1.24%，今年以来-2.50%，历史年化1.95%[25] * **三个月机构覆盖因子**，最近一周-0.41%，最近一月-1.94%，今年以来-1.77%，历史年化3.19%[25] * **预期净利润环比因子**，最近一周-0.18%，最近一月2.60%，今年以来-3.43%，历史年化3.49%[25] 5. **在公募重仓指数样本空间中：**[27] * **预期EPTTM因子**，最近一周表现较好[27] * **预期PEG因子**，最近一周表现较好[27] * **三个月反转因子**，最近一周表现较好[27] * **一年动量因子**，最近一周表现较差[27] * **三个月机构覆盖因子**，最近一周表现较差[27] * **标准化预期外收入(SUR)因子**，最近一周表现较差[27]

量化模型与构建方式 1. **模型名称：港股精选组合模型**[13][15] * **模型构建思路**：该模型旨在对分析师推荐股票池进行基本面和技术面的双层优选，挑选出同时具备基本面支撑和技术面共振的超预期股票，构建港股精选股票组合[13][15]。 * **模型具体构建过程**： 1. **构建分析师推荐股票池**：以分析师上调盈利预测、分析师首次关注、分析师研报标题超预期事件作为分析师推荐事件，构建初始股票池[15]。 2. **基本面与技术面精选**：对分析师推荐股票池中的股票进行基本面和技术面两个维度的精选，具体筛选标准未在本文中详细展开，但提及了“基本面支撑”和“技术面共振”两个维度[13][15]。 2. **因子名称：250日新高距离**[20][22] * **因子构建思路**：该因子用于量化股票价格接近其过去250个交易日最高价的程度，以衡量股票的创新高情况。研究表明，股价接近52周（约250日）最高价的股票未来收益可能更高[20]。 * **因子具体构建过程**： 1. 计算过去250个交易日的收盘价最大值：`ts_max(Close, 250)`[22]。 2. 使用最新收盘价 `Close_t` 与上述最大值进行比较，计算新高距离[22]。 3. **公式**： $$250 日新高距离 = 1 - \frac{Close_t}{ts\_max(Close, 250)}$$ 其中，`Close_t` 为最新收盘价，`ts_max(Close, 250)` 为过去250个交易日收盘价的最大值[22]。 4. **因子解释**：若最新收盘价创出新高，则因子值为0；若最新收盘价较新高回落，则因子值为正，表示回落幅度[22]。 3. **模型名称：平稳创新高股票筛选模型**[2][22][23] * **模型构建思路**：该模型旨在从近期创过新高的股票中，筛选出具备分析师关注、股价强势、上涨路径平稳且创新高趋势持续的股票，以捕捉高质量的趋势性机会[2][22]。 * **模型具体构建过程**：在过去20个交易日创出过250日新高的股票池中，按以下步骤进行筛选[2][22]： 1. **样本池**：全部港股，但剔除成立时间不超过15个月的股票[23]。 2. **分析师关注度筛选**：过去6个月内，买入或增持评级的分析师研报不少于5份[23]。 3. **股价相对强弱筛选**：过去250日涨跌幅位于样本池前20%[23]。 4. **股价平稳性筛选**：在满足上述条件的股票池内，使用以下两个指标综合打分，取排名在前50%的股票（最少取50只）[23]： * **价格路径平滑性**：股价位移路程比。具体计算公式未提供，但概念上衡量股价上涨过程的曲折程度[23]。 * **创新高持续性**：过去120日的250日新高距离在时间序列上的均值[23]。 5. **趋势延续性筛选**：对经过步骤4筛选的股票，计算其过去5日的250日新高距离在时间序列上的均值，并取排序靠前的50只股票[23]。 模型的回测效果 1. **港股精选组合模型**[15][19] * 回测区间：2010年1月1日至2025年12月31日[15] * 年化收益：19.08%[15][19] * 相对恒生指数超额收益：18.06%[15][19] * 信息比率(IR)：1.19[19] * 最大回撤：23.73%[19] * 跟踪误差：14.60%[19] * 收益回撤比：0.76[19] 量化因子与构建方式 *(本报告中未单独提供因子的测试结果，因子已作为子模块包含在上述模型中)*

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PB（市净率）和ROE（净资产收益率）两个核心估值与盈利指标进行选股，旨在寻找估值合理且盈利能力强的公司[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的选股模型[23]。 2. **模型名称：机构调研组合（公募调研选股策略/私募调研跟踪策略）** * **模型构建思路：** 利用机构（公募或私募）调研上市公司的事件信息进行选股，认为被机构调研的公司可能蕴含投资机会[25]。 * **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，仅提及其为基于机构调研事件的选股策略[25]。 3. **模型名称：大宗交易组合** * **模型构建思路：** 基于“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标的[29]。核心逻辑是“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，其后续表现更佳[29]。 * **模型具体构建过程：** 1. 筛选出近期发生大宗交易的股票。 2. 计算每只股票的“大宗交易成交金额比率”和“6日成交金额波动率”。 3. 根据“高成交、低波动”原则对股票进行排序或打分。 4. 通过月频调仓方式构造投资组合[29]。 4. **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：** 报告未提供具体的构建公式，但提及构建时综合考虑了市值因素、调仓周期以及对仓位的控制[35]。 量化因子与构建方式 1. **因子名称：经营现金流比率** * **因子构建思路：** 衡量公司经营活动产生现金的能力，属于基本面因子中的盈利质量因子[12]。 * **因子具体构建过程：** 报告未提供具体计算公式。 2. **因子名称：成交量的5日指数移动平均** * **因子构建思路：** 使用指数移动平均平滑近期成交量，属于价量因子，用于捕捉交易活跃度的趋势[12]。 * **因子具体构建过程：** 报告未提供具体计算公式。 3. **因子名称：总资产毛利率TTM** * **因子构建思路：** 衡量公司利用全部资产创造毛利润的效率，属于基本面因子中的盈利因子[12]。 * **因子具体构建过程：** 报告未提供具体计算公式。 4. **因子名称：市盈率TTM倒数** * **因子构建思路：** 市盈率的倒数，即盈利收益率，属于估值因子。值越高代表估值可能越低[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 5. **因子名称：下行波动率占比** * **因子构建思路：** 衡量股价下行风险相对于总波动的比例，属于风险类因子[14]。 * **因子具体构建过程：** 报告未提供具体计算公式。 6. **因子名称：动量弹簧因子** * **因子构建思路：** 报告未解释具体思路，从名称推断可能是结合动量与反转效应的复合因子[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 7. **因子名称：EPTTM分位点** * **因子构建思路：** 盈利价格比（E/P）在横截面上的分位数排名，属于估值因子[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 8. **因子名称：日内波动率与成交金额的相关性** * **因子构建思路：** 衡量股价日内波动与成交金额之间的关联程度，属于价量相关性因子[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 9. **因子名称：市销率TTM倒数** * **因子构建思路：** 市销率的倒数，属于估值因子，常用于评估销售收入规模较大的公司[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 10. **因子名称：5分钟收益率偏度** * **因子构建思路：** 衡量超短期（5分钟）收益率分布的不对称性，属于高阶矩因子[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 11. **因子名称：对数市值因子** * **因子构建思路：** 公司市值的对数，代表市值风格因子[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 12. **因子名称：5日成交量的标准差** * **因子构建思路：** 衡量近期成交量波动的大小，属于价量波动因子[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 13. **因子名称：6日成交金额的移动平均值** * **因子构建思路：** 近期成交金额的平滑值，用于衡量资金关注度的水平[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 14. **因子名称：市盈率因子** * **因子构建思路：** 最常用的估值因子之一[14]。 * **因子具体构建过程：** 报告未提供具体计算公式。 15. **因子名称：单季度ROA** * **因子构建思路：** 单季度的总资产收益率，衡量单季盈利效率[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 16. **因子名称：标准化预期外盈利** * **因子构建思路：** 经过标准化处理的盈利惊喜（Earnings Surprise）因子，属于事件类因子[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 17. **因子名称：单季度总资产毛利率** * **因子构建思路：** 单季度的总资产毛利率[14]。 * **因子具体构建过程：** 报告未提供具体计算公式。 18. **因子名称：单季度营业收入同比增长率** * **因子构建思路：** 单季度营业收入的同比增长率，属于成长因子[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 19. **因子名称：ROE稳定性** * **因子构建思路：** 衡量净资产收益率（ROE）的波动情况，属于盈利质量因子[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 20. **因子名称：标准化预期外收入** * **因子构建思路：** 经过标准化处理的收入惊喜（Revenue Surprise）因子，属于事件类因子[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 21. **因子名称：ROA稳定性** * **因子构建思路：** 衡量总资产收益率（ROA）的波动情况[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 22. **因子名称：毛利率TTM** * **因子构建思路：** 过去十二个月的毛利率，属于盈利因子[16]。 * **因子具体构建过程：** 报告未提供具体计算公式。 23. **因子名称：营业利润率TTM** * **因子构建思路：** 过去十二个月的营业利润率[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 24. **因子名称：市净率因子** * **因子构建思路：** 常用的估值因子[14]。 * **因子具体构建过程：** 报告未提供具体计算公式。 25. **因子名称：单季度ROA同比** * **因子构建思路：** 单季度ROA的同比增长率[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 26. **因子名称：净利润率TTM** * **因子构建思路：** 过去十二个月的净利润率[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 27. **因子名称：净利润断层** * **因子构建思路：** 通常指财报发布后股价因盈利超预期而出现的向上跳空缺口，是事件驱动因子[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 28. **因子名称：单季度净利润同比增长率** * **因子构建思路：** 单季度净利润的同比增长率[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 29. **因子名称：早盘后收益因子** * **因子构建思路：** 报告未解释具体思路，从名称推断可能是捕捉早盘后特定时段的价格行为[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 30. **因子名称：6日成交金额的标准差** * **因子构建思路：** 衡量近期成交金额的波动性[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 31. **因子名称：大单净流入** * **因子构建思路：** 衡量大额资金净流入的情况，属于资金流向因子[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 32. **因子名称：单季度EPS** * **因子构建思路：** 单季度的每股收益[16]。 * **因子具体构建过程：** 报告未提供具体计算公式。 33. **因子名称：ROIC增强因子** * **因子构建思路：** 基于投入资本回报率（ROIC）构建的因子，可能经过某种增强处理[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 34. **因子名称：总资产增长率** * **因子构建思路：** 衡量公司资产规模的扩张速度，属于成长因子[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 35. **因子名称：单季度营业利润同比增长率** * **因子构建思路：** 单季度营业利润的同比增长率[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 36. **因子名称：换手率相对波动率** * **因子构建思路：** 可能指换手率与股价波动率的相对关系，属于价量关系因子[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 37. **因子名称：早盘收益因子** * **因子构建思路：** 报告未解释具体思路，从名称推断可能是捕捉早盘时段的价格行为[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 38. **因子名称：5日平均换手率** * **因子构建思路：** 近期换手率的平均水平，衡量股票流动性[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 39. **因子名称：单季度ROE** * **因子构建思路：** 单季度的净资产收益率[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 40. **因子名称：动量调整大单** * **因子构建思路：** 结合价格动量与大单资金流向的复合因子[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。 41. **因子名称：单季度ROE同比** * **因子构建思路：** 单季度ROE的同比增长率[14]。 * **因子具体构建过程：** 报告未提供具体计算公式。 42. **因子名称：动量调整小单** * **因子构建思路：** 结合价格动量与小单资金流向的复合因子[12]。 * **因子具体构建过程：** 报告未提供具体计算公式。 43. **因子名称：5日反转** * **因子构建思路：** 短期反转因子，认为过去5日跌幅大的股票未来可能反弹[12]。 * **因子具体构建过程：** 报告未提供具体计算公式。 44. **因子名称：小单净流入** * **因子构建思路：** 衡量小额资金净流入的情况，属于资金流向因子[12]。 * **因子具体构建过程：** 报告未提供具体计算公式。 45. **大类因子名称：估值因子** * **因子构建思路：** 由多个估值类单因子（如市盈率、市净率等）合成的大类因子[1]。 * **因子具体构建过程：** 报告未提供具体合成方法。 46. **大类因子名称：盈利因子** * **因子构建思路：** 由多个盈利类单因子（如ROE、毛利率等）合成的大类因子[1]。 * **因子具体构建过程：** 报告未提供具体合成方法。 47. **大类因子名称：杠杆因子** * **因子构建思路：** 衡量公司财务杠杆水平的大类因子[1]。 * **因子具体构建过程：** 报告未提供具体合成方法。 48. **大类因子名称：市值因子** * **因子构建思路：** 代表公司规模风格的大类因子[1]。 * **因子具体构建过程：** 报告未提供具体合成方法。 49. **大类因子名称：动量因子** * **因子构建思路：** 由动量类单因子合成的大类因子[1]。 * **因子具体构建过程：** 报告未提供具体合成方法。 50. **大类因子名称：成长因子** * **因子构建思路：** 由成长类单因子（如收入增长率、利润增长率等）合成的大类因子[1]。 * **因子具体构建过程：** 报告未提供具体合成方法。 51. **行业内因子名称：每股净资产** * **因子构建思路：** 在行业内比较的基本面因子[21]。 * **因子具体构建过程：** 报告未提供具体计算公式。 52. **行业内因子名称：每股经营利润TTM** * **因子构建思路：** 在行业内比较的盈利因子[21]。 * **因子具体构建过程：** 报告未提供具体计算公式。 53. **行业内因子名称：BP因子** * **因子构建思路：** 市净率（P/B）的倒数，在行业内比较的估值因子[21]。 * **因子具体构建过程：** 报告未提供具体计算公式。 54. **行业内因子名称：EP因子** * **因子构建思路：** 盈利价格比（E/P），在行业内比较的估值因子[21]。 * **因子具体构建过程：** 报告未提供具体计算公式。 55. **行业内因子名称：残差波动率因子** * **因子构建思路：** 在行业内比较的风险因子[21]。 * **因子具体构建过程：** 报告未提供具体计算公式。 56. **行业内因子名称：流动性因子** * **因子构建思路：** 在行业内比较的流动性因子[21]。 * **因子具体构建过程：** 报告未提供具体计算公式。 57. **行业内因子名称：对数市值** * **因子构建思路：** 在行业内比较的市值风格因子[21]。 * **因子具体构建过程：** 报告未提供具体计算公式。 模型的回测效果 *注：以下模型业绩表现统计区间为2026年01月05日至2026年03月13日[24][26][30][36]* 1. **PB-ROE-50组合**，本周超越基准收益率（中证500）0.77%[23][24]，本周超越基准收益率（中证800）-1.15%[23][24]，本周超越基准收益率（全市场）-1.79%[23][24]，今年以来超额收益率（中证500）0.62%[24]，今年以来超额收益率（中证800）6.00%[24]，今年以来超额收益率（全市场）3.36%[24]，本周绝对收益率（中证500）-0.69%[24]，本周绝对收益率（中证800）-1.44%[24]，本周绝对收益率（全市场）-2.29%[24]，今年以来绝对收益率（中证500）11.05%[24]，今年以来绝对收益率（中证800）9.63%[24]，今年以来绝对收益率（全市场）8.62%[24] 2. **机构调研组合（公募调研选股）**，本周超越基准收益率0.26%[25][26]，今年以来超额收益率1.79%[26]，本周绝对收益率-0.03%[26]，今年以来绝对收益率5.28%[26] 3. **机构调研组合（私募调研跟踪）**，本周超越基准收益率-2.32%[25][26]，今年以来超额收益率7.62%[26]，本周绝对收益率-2.60%[26]，今年以来绝对收益率11.31%[26] 4. **大宗交易组合**，本周超越基准收益率0.92%[29][30]，今年以来超额收益率10.41%[30]，本周绝对收益率0.41%[30]，今年以来绝对收益率16.04%[30] 5. **定向增发组合**，本周超越基准收益率-0.87%[35][36]，今年以来超额收益率3.25%[36]，本周绝对收益率-1.38%[36]，今年以来绝对收益率8.51%[36] 因子的回测效果 *注：以下因子表现均为最近1周（2026.03.09-2026.03.13）在指定股票池中，剔除行业与市值影响后的多头组合超额收益[12]* 1. **经营现金流比率**，沪深300股票池收益1.68%[12][13]，中证500股票池收益0.43%[15]，流动性1500股票池收益-1.