量化模型与因子总结 量化因子与构建方式 1. **因子名称：风险溢价因子** [30] * **因子构建思路**：以十年期国债即期收益率作为无风险利率的参考，计算各宽基指数相对于无风险利率的风险溢价，用以衡量其相对投资价值和偏离情况[30]。 * **因子具体构建过程**：风险溢价的计算公式为指数收益率减去无风险利率。报告中具体计算了各宽基指数相对于十年期国债即期收益率的风险溢价[30][32]。公式可表示为： $$风险溢价 = R_{index} - R_f$$ 其中，$R_{index}$ 为宽基指数的收益率，$R_f$ 为十年期国债即期收益率。 * **因子评价**：该因子有明显的均值复归现象，其中中证1000和中证2000的风险溢价波动率相对较大[31]。上证50的分布更集中，而中证1000、中证2000和创业板指的风险溢价分布较分散，不确定性相对更大[36]。 2. **因子名称：股债性价比因子** [43][46] * **因子构建思路**：以各指数市盈率（PE-TTM）的倒数作为股票预期收益率的近似，计算其与十年期国债即期收益率之差，用以衡量股票资产相对于债券资产的吸引力[43][46]。 * **因子具体构建过程**：股债性价比的计算公式为市盈率倒数减去无风险利率。报告中具体计算了各宽基指数的股债性价比[43][46]。公式可表示为： $$股债性价比 = \frac{1}{PE_{TTM}} - R_f$$ 其中，$PE_{TTM}$ 为指数的滚动市盈率，$R_f$ 为十年期国债即期收益率。 3. **因子名称：股息率因子** [48] * **因子构建思路**：计算指数的股息率，反映现金分红回报率，用于跟踪红利投资风格[48]。 * **因子具体构建过程**：股息率通常计算为成分股分红总额与指数总市值的比率。报告中跟踪了各宽基指数的股息率[48][51]。 4. **因子名称：破净率因子** [53] * **因子构建思路**：计算指数中市净率小于1的个股占比，用以反映市场的整体估值态度和低估的普遍程度[53]。 * **因子具体构建过程**：破净率计算为指数成分股中，市净率（PB）小于1的股票数量占总成分股数量的比例[53]。公式可表示为： $$破净率 = \frac{ count(PB < 1) }{ N }$$ 其中，$count(PB < 1)$ 为市净率小于1的成分股个数，$N$ 为指数总成分股个数。 * **因子评价**：破净率越高，表明市场低估的情况越普遍；破净率越低，可能表明市场对未来发展持乐观态度[53]。 5. **因子名称：换手率因子** [19][20] * **因子构建思路**：计算指数的整体换手率，反映市场交易活跃度[19]。 * **因子具体构建过程**：指数换手率计算方式为成分股流通股本加权平均的个股换手率[20]。公式表示为： $$指数换手率 = \frac{ \sum (成分股流通股本 \times 成分股换手率) }{ \sum (成分股流通股本) }$$ 6. **因子名称：收益分布形态因子（偏度与峰度）** [25][27] * **因子构建思路**：通过计算指数日收益率分布的偏度和峰度，分析收益分布的集中程度和形态倾向[25]。 * **因子具体构建过程**：计算指数日收益率序列的偏度和峰度统计量。报告中对比了当前值与近5年历史值的差异[27]。注：报告中峰度计算减去了3（正态分布峰度）[27]。 * **因子评价**：峰度越大，说明收益率分布更集中；正偏态显示极端正收益情形增加的程度[25]。 因子的回测效果 1. **风险溢价因子** [33] * 当前风险溢价：上证50 (-0.21%)，沪深300 (0.03%)，中证500 (0.61%)，中证1000 (0.41%)，中证2000 (1.00%)，中证全指 (0.40%)，创业板指 (-0.53%) * 近5年分位值：上证50 (41.98%)，沪深300 (52.22%)，中证500 (71.27%)，中证1000 (60.56%)，中证2000 (75.71%)，中证全指 (66.43%)，创业板指 (37.46%) * 近1年波动率：上证50 (0.78%)，沪深300 (0.88%)，中证500 (1.26%)，中证1000 (1.25%)，中证2000 (1.35%)，中证全指 (1.02%)，创业板指 (1.68%) 2. **PE-TTM估值因子** [43] * 当前值：上证50 (11.53)，沪深300 (14.56)，中证500 (36.76)，中证1000 (52.53)，中证2000 (164.44)，中证全指 (22.87)，创业板指 (43.27) * 近5年历史分位值：上证50 (84.05%)，沪深300 (98.10%)，中证500 (96.45%)，中证1000 (99.92%)，中证2000 (86.36%)，中证全指 (99.67%)，创业板指 (67.36%) * 近1年波动率：上证50 (0.37)，沪深300 (0.64)，中证500 (3.13)，中证1000 (4.17)，中证2000 (12.20)，中证全指 (1.41)，创业板指 (4.85) 3. **股债性价比因子** [46] * 测试结果：没有指数高于其近5年80%分位值（机会值），中证500、中证全指和沪深300低于其近5年20%分位值（危险值）[46]。 4. **股息率因子** [51] * 当前值：上证50 (3.19%)，沪深300 (2.68%)，中证500 (1.26%)，中证1000 (0.97%)，中证2000 (0.69%)，中证全指 (1.90%)，创业板指 (0.95%) * 近5年历史分位值：上证50 (26.53%)，沪深300 (28.10%)，中证500 (3.64%)，中证1000 (18.43%)，中证2000 (0.58%)，中证全指 (20.66%)，创业板指 (59.17%) * 近1年波动率：上证50 (0.23%)，沪深300 (0.23%)，中证500 (0.14%)，中证1000 (0.12%)，中证2000 (0.07%)，中证全指 (0.19%)，创业板指 (0.16%) 5. **破净率因子** [55] * 当前破净率：上证50 (26.0%)，沪深300 (18.0%)，中证500 (11.0%)，中证1000 (8.2%)，中证2000 (3.55%)，中证全指 (6.44%) 6. **换手率因子** [19] * 当前换手率：上证50 (0.26)，沪深300 (0.58)，中证500 (2.0)，中证1000 (2.78)，中证2000 (3.98)，中证全指 (1.79)，创业板指 (3.03) 7. **收益分布形态因子（偏度与峰度）** [27] * 当前峰度（减3后）：上证50 (-1.08)，沪深300 (-0.78)，中证500 (-0.80)，中证1000 (-0.77)，中证2000 (-0.88)，中证全指 (-0.53)，创业板指 (-0.93) * 当前偏度：上证50 (0.86)，沪深300 (0.99)，中证500 (0.91)，中证1000 (0.83)，中证2000 (0.85)，中证全指 (1.03)，创业板指 (0.76) * 当前vs近5年峰度差：上证50 (-2.83)，沪深300 (-3.28)，中证500 (-4.30)，中证1000 (-4.72)，中证2000 (-4.79)，中证全指 (-3.83)，创业板指 (-5.36) * 当前vs近5年偏度差：上证50 (-0.96)，沪深300 (-1.02)，中证500 (-1.31)，中证1000 (-1.43)，中证2000 (-1.40)，中证全指 (-1.15)，创业板指 (-1.60)

量化模型与构建方式 1. **模型名称**：多资产择时模型[1][2][6][7] **模型构建思路**：该报告应用了一个统一的量化择时模型，对包括国债、信用债、股票指数和大宗商品在内的多种资产进行短期走势预测[1][2][6][7]。模型的核心是计算一个代表资产未来短期内上涨概率的“原始信号”，并通过移动平均和阈值判断，将概率信号转化为具体的“看多”、“震荡”或“调整”观点[8]。 **模型具体构建过程**： 1. 模型为每个标的（如30年国债、万得全A指数等）每日计算一个“原始信号”（单日择时信号），该信号是一个百分比数值，代表模型预测该资产在未来短期内价格上行的概率估计[8]。 2. 对原始信号进行平滑处理，计算其5日移动平均值（MA5）[2][6][7][8]。 3. 根据资产类型设定不同的阈值，将平滑后的概率信号转化为多空观点[8]。 * 对于利率债（国债、中短票）：**看多**阈值 < 40%，**调整**阈值 > 60%，介于两者之间为**震荡**[8]。 * 对于股指（如万得全A、科创50等）：**看多**阈值 > 60%，**调整**阈值 < 40%，介于两者之间为**震荡**[8]。 * 对于大宗商品（如布油、铜、焦煤），其阈值逻辑与股指类似，报告中的“看多”观点对应高概率信号[2][7][8]。 4. 最终输出包括：原始信号百分比、MA5百分比、模型多空观点以及当前观点持续的交易日数[2][6][7]。 模型的回测效果 （注：报告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。报告展示的是模型在特定日期（2026-04-27）对各个资产的最新信号输出和观点[2][6][7][8]。） 1. **多资产择时模型**，在2026-04-27日对各类资产的最新信号及观点如下[2][6][7][8]： * **30年国债**：原始信号24.05%，MA5信号18.39%，模型观点为【看多】，信号持续10个交易日。 * **3年AAA中短票**：原始信号3.40%，MA5信号27.93%，模型观点为【看多】，信号持续超过10个交易日。 * **5年国债**：原始信号1.92%，MA5信号4.70%，模型观点为【看多】，信号持续超过10个交易日。 * **2年国债**：原始信号97.11%，MA5信号72.07%，模型观点为【调整】，信号持续1个交易日。 * **万得全A指数**：原始信号1.03%，MA5信号13.47%，模型观点为【看多】，信号持续7个交易日。 * **中证红利全收益指数**：原始信号73.08%，MA5信号21.52%，模型观点为【看多】，信号持续3个交易日。 * **恒生科技指数**：原始信号11.52%，MA5信号31.33%，模型观点为【看多】，信号持续1个交易日。 * **科创50指数**：原始信号3.09%，MA5信号3.13%，模型观点为【看多】，信号持续10个交易日。 * **万得微盘指数**：原始信号4.97%，MA5信号7.41%，模型观点为【看多】，信号持续4个交易日。 * **国证2000指数**：原始信号10.35%，MA5信号14.77%，模型观点为【看多】，信号持续4个交易日。 * **IPE布油**：原始信号3.78%，MA5信号7.81%，模型观点为【看多】，信号持续4个交易日。 * **COMEX铜**：原始信号58.34%，MA5信号37.42%，模型观点为【看多】，信号持续4个交易日。 * **焦煤**：原始信号25.20%，MA5信号28.37%，模型观点为【看多】，信号持续4个交易日。 * **COMEX黄金**：原始信号69.84%，MA5信号63.21%，模型观点为【调整】，信号持续2个交易日。

量化模型与构建方式 **本研报为资产证券化（ABS）市场月度数据报告，未涉及量化投资模型或量化因子的构建与测试。** 量化因子与构建方式 **本研报为资产证券化（ABS）市场月度数据报告，未涉及量化投资因子的构建与测试。** 模型的回测效果 **本研报未包含量化模型的回测效果数据。** 因子的回测效果 **本研报未包含量化因子的回测效果数据。**

大额买入与资金流向跟踪（20260420-20260424） [Table_Authors] 郑雅斌(分析师) 本报告导读： 参考团队前期发布的专题报告选股因子系列研究（五十六、五十七），本报告旨在通 过交易明细数据构建相关指标，跟踪大额买入和净主动买入。 投资要点： | | 021-23219395 | | --- | --- | | | zhengyabin@gtht.com | | 登记编号 | S0880525040105 | | | 张耿宇(分析师) | | | 021-23183109 | | | zhanggengyu@gtht.com | | 登记编号 | S0880525040078 | [Table_Report] 相关报告 高频选股因子周报（20260420-20260424） 2026.04.26 量化择时和拥挤度预警周报（20260424） 2026.04.26 低频选股因子周报（2026.04.17-2026.04.24） 2026.04.25 大额买入与资金流向跟踪（20260413-20260417） 2026.04.22 绝对收益产品及策略周报（260413-260417） ...

量化模型与构建方式 1. **模型名称**：封板率计算模型[16] **模型构建思路**：通过计算最高价涨停且收盘涨停的股票数量与最高价涨停的股票总数之比，来衡量市场涨停板的封板质量[16] **模型具体构建过程**：首先，筛选出上市满3个月以上的股票[16]。然后，在指定交易日，统计满足“最高价涨停”条件的股票数量[16]。接着，在这些股票中，进一步统计同时满足“收盘涨停”条件的股票数量[16]。最后，将后者除以前者，得到封板率[16]。 **公式**： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[16] 2. **模型名称**：连板率计算模型[16] **模型构建思路**：通过计算连续两日收盘涨停的股票数量与昨日收盘涨停的股票总数之比，来衡量市场涨停板的延续性[16] **模型具体构建过程**：首先，筛选出上市满3个月以上的股票[16]。然后，统计前一交易日收盘涨停的股票数量[16]。接着，在这些股票中，统计在当日同样收盘涨停的股票数量[16]。最后，将后者除以前者，得到连板率[16]。 **公式**： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[16] 3. **模型名称**：大宗交易折价率计算模型[25] **模型构建思路**：通过计算大宗交易成交金额与其对应股份按当日市价计算的总市值之间的差异，来衡量大额交易的折价/溢价水平[25] **模型具体构建过程**：对于指定交易日发生的大宗交易，汇总其总成交金额[25]。同时，计算这些交易涉及的股份数量按当日收盘价（或成交均价）计算的总市值[25]。最后，用总成交金额除以总市值再减1，得到折价率[25]。 **公式**： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[25] 4. **模型名称**：股指期货年化贴水率计算模型[27] **模型构建思路**：通过计算股指期货主力合约与现货指数之间的基差，并年化处理，来衡量市场对未来走势的预期以及股指对冲的成本[27] **模型具体构建过程**：首先，计算股指期货主力合约价格与对应现货指数价格之差，得到基差[27]。然后，将基差除以现货指数价格，得到即期贴水率[27]。最后，将该即期贴水率乘以（250/合约剩余交易日数），进行年化处理，得到年化贴水率[27]。 **公式**： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[27] 量化因子与构建方式 1. **因子名称**：两融余额占比因子[21] **因子构建思路**：通过计算融资融券余额占市场总流通市值的比重，来反映杠杆资金在市场中的整体规模[21] **因子具体构建过程**：获取指定日期的市场融资融券总余额[21]。获取同一日期的A股市场总流通市值[21]。将两融余额除以总流通市值，得到占比[21]。 2. **因子名称**：两融交易占比因子[21] **因子构建思路**：通过计算融资买入额与融券卖出额之和占市场总成交额的比例，来反映杠杆资金交易的活跃度[21] **因子具体构建过程**：获取指定交易日的融资买入总额与融券卖出总额，并求和得到两融交易总额[21]。获取同一交易日的市场总成交额[21]。将两融交易总额除以市场总成交额，得到占比[21]。 3. **因子名称**：ETF折溢价因子[22] **因子构建思路**：通过计算ETF场内交易价格与其IOPV（基金份额参考净值）或场外净值之间的差异，来捕捉市场情绪和套利机会[22] **因子具体构建过程**：筛选日成交额超过100万元的境内股票型ETF[22]。计算每只ETF的折溢价率，通常为（收盘价 / IOPV - 1）或（收盘价 / 单位净值 - 1）[22]。统计所有符合条件的ETF的折溢价情况，并找出极端值[22]。 4. **因子名称**：机构调研热度因子[29] **因子构建思路**：通过统计近期对上市公司进行调研的机构数量，来衡量机构投资者对特定公司的关注度[29] **因子具体构建过程**：统计近7天内（或指定周期）对某家上市公司进行调研或参加其分析会议的机构总数[29]。该数量直接作为因子值，数值越高代表机构关注度越高[29]。 5. **因子名称**：龙虎榜机构净流入因子[34] **因子构建思路**：通过统计龙虎榜上机构专用席位对特定股票的净买入金额，来观察机构资金对当日异动个股的短期态度[34] **因子具体构建过程**：从每日龙虎榜数据中，提取机构专用席位对每只上榜股票的买入总额和卖出总额[34]。计算买入总额与卖出总额的差值，得到机构净流入金额[34]。该净流入金额作为因子值[34]。 6. **因子名称**：龙虎榜陆股通净流入因子[35] **因子构建思路**：通过统计龙虎榜上陆股通席位对特定股票的净买入金额，来观察北向资金对当日异动个股的短期态度[35] **因子具体构建过程**：从每日龙虎榜数据中，提取陆股通席位对每只上榜股票的买入总额和卖出总额[35]。计算买入总额与卖出总额的差值，得到陆股通净流入金额[35]。该净流入金额作为因子值[35]。 模型的回测效果 （报告中未提供相关模型的长期历史回测结果，如年化收益率、夏普比率、最大回撤等指标，因此本部分跳过） 因子的回测效果 （报告中未提供相关因子的长期历史测试结果，如IC值、IR、多空收益等指标，因此本部分跳过）

量化模型与构建方式 1. **模型名称：FOF穿透后权益资产占比计算模型**[12] * **模型构建思路**：为了准确评估FOF基金的实际风险敞口，需要穿透其持有的基金和股票，计算其真实的权益资产占比。该模型通过FOF的持仓数据，估算其穿透后的权益仓位，并以此作为分类依据[12]。 * **模型具体构建过程**： 1. 获取FOF持有的每只基金（i）的规模占FOF净值的比例（Fund_i）[12]。 2. 获取每只基金（i）自身的股票投资市值占其净值的比例（Fund_Stock_i）[12]。 3. 获取FOF直接投资的股票市值占其净值的比例（Stock）[12]。 4. 将上述三项数据代入以下公式，计算FOF的穿透后权益资产占比（W）[12]： $$W=\sum_{i}Fund_{i}\times Fund\_Stock_{i}+Stock$$ 5. 对于成立不足3个月的FOF，使用其业绩基准指数对应的权益仓位作为穿透后的权益资产占比[12]。 * **模型评价**：该模型提供了一种标准化的方法来穿透FOF的持仓，有助于投资者更清晰地理解FOF的实际资产配置和风险特征[12]。 2. **模型名称：FOF预估净增持数量/规模模型**[42][43][44][45][46] * **模型构建思路**：为了追踪FOF基金经理的投资动态变化，需要估算其在报告期之间对特定基金或股票的净买卖行为。该模型通过对比相邻两个报告期的持仓数据，计算FOF对某只基金或股票的预估净增持数量和规模[42]。 * **模型具体构建过程**： * **FOF预估净增持数量（ΔN）**： 1. 对比第i只FOF在报告期（如2026Q1）与上一报告期（如2025Q4）对某只重仓基金（或股票）的持仓份额（或股数）变化（ΔShare_i）[44][67]。 2. 定义指示变量I_i：若ΔShare_i > 0，则I_i = 1；若ΔShare_i < 0，则I_i = -1；若ΔShare_i = 0，则I_i = 0[44][67]。 3. 对所有重仓该基金（或股票）的FOF的I_i进行求和，得到该基金（或股票）的FOF预估净增持数量[43][66]： $$\Delta N=\sum_{i}I_{i}$$ * **FOF预估净增持规模（ΔMV）**： 1. 对于基金，计算两个报告期区间内该基金的日度单位净值均值（Δuv）[46]。 2. 对于股票，计算两个报告期区间内该股票的日度收盘价均值（Close）[68]。 3. 将上述均值与第i只FOF的持仓份额（或股数）变化（ΔShare_i）相乘，得到该FOF的预估调仓规模[45][68]。 4. 对所有重仓该基金（或股票）的FOF的预估调仓规模进行求和，得到该基金（或股票）的FOF预估净增持规模[45][68]： $$\Delta MV=\sum_{i}\Delta uv\times\Delta Share_{i}$$ （基金） $$\Delta MV=\sum_{i}Close\times\Delta Share_{i}$$ （股票） * **模型评价**：该模型提供了一种观察FOF资金流向和配置偏好的量化方法。但需注意，由于仅对比重仓持仓（如前十大），可能与实际全部持仓的动态存在偏差[42][63]。 量化因子与构建方式 1. **因子名称：主动权益基金识别因子**[31] * **因子构建思路**：为了筛选出以权益投资为主的主动管理型基金，需要定义一个标准化的分类规则。该因子通过基金的Wind分类和历史权益仓位数据来识别主动权益基金[31]。 * **因子具体构建过程**：将同时满足以下两个条件之一的基金定义为主动权益基金： 1. Wind基金分类属于“普通股票型基金”或“偏股混合型基金”[31]。 2. 最近4个定期报告期（季报/年报）披露的权益仓位（股票市值占基金净值比）均大于70%的“灵活配置型基金”[31]。 2. **因子名称：债券型基金识别因子**[39] * **因子构建思路**：为了筛选出以债券投资为主、权益风险暴露较低的基金，需要定义一个标准化的分类规则。该因子通过基金的Wind分类和历史权益仓位数据来识别债券型基金[39]。 * **因子具体构建过程**：将同时满足以下两个条件之一的基金定义为债券型基金： 1. Wind基金分类属于“短期纯债型基金”或“被动指数型债券基金（非ETF）”[39]。 2. 最近4个定期报告期（季报/年报）披露的权益占比（股票+可转债等）小于10%的“偏债混合型基金”、“混合债券型二级基金”、“混合债券型一级基金”和“中长期纯债型基金”[39]。 3. **因子名称：“固收+”基金识别因子**[41] * **因子构建思路**：为了筛选出在债券投资基础上，通过适度增加权益或可转债投资以增强收益的基金，需要定义一个标准化的分类规则。该因子通过基金类型和投资范围来识别“固收+”基金[41]。 * **因子具体构建过程**：将“固收+”基金定义为股票和可转债投资比例稍高的“偏债混合型基金”和“混合债券型二级基金”，以及部分“可转债基金”、“混合债券型一级基金”、“中长期纯债型基金”和“灵活配置型基金”[41]。 模型的回测效果 （报告中未提供相关量化模型的回测指标，如年化收益率、夏普比率、最大回撤、信息比率IR等。） 因子的回测效果 （报告中未提供相关量化因子的回测指标，如IC值、IR、多空组合收益、分组收益等。）

量化模型与构建方式 1. **模型名称：A股择时回测框架**[63] * **模型构建思路**：构建一个适用于中国A股市场的完整回测系统，实现从数据读取、策略逻辑构建、交易执行到绩效评估与可视化的全流程[63]。 * **模型具体构建过程**： 1. **数据获取与处理**：读取本地行情数据文件，处理交易日历[63][69]。 2. **策略逻辑构建**：在示例中，模型构建了基于技术指标的择时策略，例如MACD金叉/死叉策略和均线交叉策略[69]。 3. **回测主循环**：建立回测主循环，在每一个交易日根据策略逻辑生成交易信号（如买入、卖出）[63]。 4. **交易执行与记录**：根据信号模拟交易执行，记录持仓、现金流和交易记录[63]。 5. **绩效指标计算**：计算并输出核心绩效指标，包括累计收益率、年化收益率、波动率、最大回撤和夏普比率[63][64][69]。 6. **结果可视化**：生成可视化图表，用于展示策略的收益曲线和回撤走势[64][69]。 模型的回测效果 1. A股择时回测框架，成功构建了完整的回测流程，能够正确计算年化收益率、最大回撤、夏普比率等核心绩效指标，并生成收益曲线与回撤走势的可视化图表[69]。 量化因子与构建方式 1. **因子名称：机构调研活动相关因子**[44][48] * **因子构建思路**：利用上市公司机构调研的历史数据，从多个维度构建可能反映公司关注度、市场情绪或未来表现的量化指标[44][48]。 * **因子具体构建过程**：报告未提供具体的因子计算公式，但通过数据分析展示了多个潜在的构建维度[48]： 1. **调研频次因子**：例如，年度/月度调研次数、同比增长率[48]。 2. **覆盖广度因子**：例如，参与调研的上市公司数量、覆盖的行业分布[48]。 3. **参与深度因子**：例如，单场调研的平均参与机构数量[48]。 4. **情感分析因子**：利用GPT/Bert等模型对调研内容进行情感分析，生成情感得分（如购买情绪、FinBert情感分数）[48][54]。 5. **公司特征关联因子**：将调研数据与公司特征（如平均市值）结合分析[54]。 因子的回测效果 *（报告未提供基于上述因子的具体量化策略回测结果及指标取值）*

量化模型与构建方式 1. **模型名称：价值50组合[4][6]** * **模型构建思路：** 属于风格Smart beta组合，选取价值风格，以高beta弹性为投资目标，在价值风格股票池内构建选股组合[6] * **模型具体构建过程：** 报告未提供该组合的具体构建细节，仅说明其属于基于专题报告《基于投资目标的基础Smart beta组合构建与配置》构建的风格Smart beta组合之一，具体内容需参考对应详细报告[6] 2. **模型名称：价值均衡50组合[4][6]** * **模型构建思路：** 属于风格Smart beta组合，选取价值风格，以长期稳健超额收益为投资目标，在价值风格股票池内构建选股组合[6] * **模型具体构建过程：** 报告未提供该组合的具体构建细节，仅说明其属于基于专题报告《基于投资目标的基础Smart beta组合构建与配置》构建的风格Smart beta组合之一，具体内容需参考对应详细报告[6] 3. **模型名称：成长50组合[4][6]** * **模型构建思路：** 属于风格Smart beta组合，选取成长风格，以高beta弹性为投资目标，在成长风格股票池内构建选股组合[6] * **模型具体构建过程：** 报告未提供该组合的具体构建细节，仅说明其属于基于专题报告《基于投资目标的基础Smart beta组合构建与配置》构建的风格Smart beta组合之一，具体内容需参考对应详细报告[6] 4. **模型名称：成长均衡50组合[4][6]** * **模型构建思路：** 属于风格Smart beta组合，选取成长风格，以长期稳健超额收益为投资目标，在成长风格股票池内构建选股组合[6] * **模型具体构建过程：** 报告未提供该组合的具体构建细节，仅说明其属于基于专题报告《基于投资目标的基础Smart beta组合构建与配置》构建的风格Smart beta组合之一，具体内容需参考对应详细报告[6] 5. **模型名称：小盘50组合[4][6]** * **模型构建思路：** 属于风格Smart beta组合，选取小盘风格，以高beta弹性为投资目标，在小盘风格股票池内构建选股组合[6] * **模型具体构建过程：** 报告未提供该组合的具体构建细节，仅说明其属于基于专题报告《基于投资目标的基础Smart beta组合构建与配置》构建的风格Smart beta组合之一，具体内容需参考对应详细报告[6] 6. **模型名称：小盘均衡50组合[4][6]** * **模型构建思路：** 属于风格Smart beta组合，选取小盘风格，以长期稳健超额收益为投资目标，在小盘风格股票池内构建选股组合[6] * **模型具体构建过程：** 报告未提供该组合的具体构建细节，仅说明其属于基于专题报告《基于投资目标的基础Smart beta组合构建与配置》构建的风格Smart beta组合之一，具体内容需参考对应详细报告[6] 7. **模型名称：成长优选组合[4][6]** * **模型构建思路：** 属于生命周期优选组合，基于企业生命周期理论，在成长阶段的上市公司中，根据特定的投资逻辑构建优选组合[6] * **模型具体构建过程：** 报告未提供该组合的具体构建细节，仅说明其属于基于专题报告《解码企业生命周期：股票投资的新范式探索》构建的生命周期优选组合之一，具体内容需参考对应详细报告[6] 8. **模型名称：成熟稳健组合[4][6]** * **模型构建思路：** 属于生命周期优选组合，基于企业生命周期理论，在成熟阶段的上市公司中，根据特定的投资逻辑构建优选组合[6] * **模型具体构建过程：** 报告未提供该组合的具体构建细节，仅说明其属于基于专题报告《解码企业生命周期：股票投资的新范式探索》构建的生命周期优选组合之一，具体内容需参考对应详细报告[6] 9. **模型名称：初创优选组合[4][6]** * **模型构建思路：** 属于生命周期优选组合，基于企业生命周期理论，在初创阶段的上市公司中，根据特定的投资逻辑构建优选组合[6] * **模型具体构建过程：** 报告未提供该组合的具体构建细节，仅说明其属于基于专题报告《解码企业生命周期：股票投资的新范式探索》构建的生命周期优选组合之一，具体内容需参考对应详细报告[6] 10. **模型名称：困境反转组合[4][6]** * **模型构建思路：** 属于生命周期优选组合，基于企业生命周期理论，在整合（困境反转）阶段的上市公司中，根据特定的投资逻辑构建优选组合[6] * **模型具体构建过程：** 报告未提供该组合的具体构建细节，仅说明其属于基于专题报告《解码企业生命周期：股票投资的新范式探索》构建的生命周期优选组合之一，具体内容需参考对应详细报告[6] 模型的回测效果 1. **价值50组合**，周收益率0.94%，周超额收益（相对国证价值）0.55%，月收益率0.62%，月超额收益-1.66%，年收益率-0.03%，年超额收益-1.46%，最大相对回撤3.17%[9] 2. **价值均衡50组合**，周收益率-1.28%，周超额收益（相对国证价值）-1.67%，月收益率-1.26%，月超额收益-3.54%，年收益率-0.50%，年超额收益-1.93%，最大相对回撤8.37%[9] 3. **成长50组合**，周收益率2.29%，周超额收益（相对国证成长）1.52%，月收益率12.70%，月超额收益3.33%，年收益率8.67%，年超额收益-0.57%，最大相对回撤4.21%[9] 4. **成长均衡50组合**，周收益率2.66%，周超额收益（相对国证成长）1.90%，月收益率11.95%，月超额收益2.57%，年收益率14.86%，年超额收益5.62%，最大相对回撤6.04%[9] 5. **小盘50组合**，周收益率-0.58%，周超额收益（相对国证2000）-0.23%，月收益率0.38%，月超额收益-8.29%，年收益率5.95%，年超额收益-3.44%，最大相对回撤9.59%[9] 6. **小盘均衡50组合**，周收益率0.05%，周超额收益（相对国证2000）0.39%，月收益率9.13%，月超额收益0.46%，年收益率8.09%，年超额收益-1.30%，最大相对回撤8.33%[9] 7. **成长优选组合**，周收益率1.96%，周超额收益（相对偏股混基金指数）1.54%，月收益率13.40%，月超额收益4.06%，年收益率19.92%，年超额收益11.57%，最大相对回撤4.03%[9] 8. **成熟稳健组合**，周收益率0.40%，周超额收益（相对中证800）-0.33%，月收益率6.21%，月超额收益-1.28%，年收益率3.66%，年超额收益-1.37%，最大相对回撤7.37%[9] 9. **初创优选组合**，周收益率0.03%，周超额收益（相对中证全指）-0.25%，月收益率12.49%，月超额收益5.15%，年收益率9.62%，年超额收益3.67%，最大相对回撤11.22%[9] 10. **困境反转组合**，周收益率-0.79%，周超额收益（相对中证全指）-1.07%，月收益率2.29%，月超额收益-5.05%，年收益率3.78%，年超额收益-2.17%，最大相对回撤5.85%[9]

量化模型与构建方式 1. 模型名称：高管薪酬综合评分策略 * **模型构建思路**：基于高管薪酬与业绩的联动性、相对性等治理原则，构建一个多维度综合评分体系，对上市公司进行打分，旨在筛选出高管薪酬治理质量较高、未来经营表现可能更优的公司[27][29]。 * **模型具体构建过程**： 1. **指标选择与计算**：选取四个维度的核心高管薪酬指标进行行业内标准化处理[27][29]： * **方向一致性 (D)**：用于判断高管薪酬调整是否顺应业绩变化方向。计算公式为： $$D = sign(\Delta 高管薪酬\%) \times sign(\Delta 业绩\%)$$ 其中，若高管薪酬和业绩同为上升或同为下降，则记为方向一致（D=1）；否则记为方向不一致（D=-1）[29]。 * **幅度一致性 (M)**：用于衡量高管薪酬调整幅度与业绩变化幅度的匹配程度。计算公式为： $$M = 1 - |pctrank(\Delta 高管薪酬\%) - pctrank(\Delta 业绩\%)|$$ 其中，`pctrank`表示在行业内的百分位排名。数值越高（越接近1），表示调整幅度越匹配[29][57]。 * **高管薪酬相对业绩水平**：计算`高管薪酬 / 当期净利润`，反映激励强度[27][29]。 * **高管薪酬公平性**：计算`高管薪酬 / 员工人均薪酬`，反映内部利益分配结构[27][29]。 2. **评分规则**：根据实证研究发现的规律，为每个指标的取值赋予相应的分数。具体规则如下表所示[23]： | 指标类别 | 具体指标 | 评分规则（高分对应预期更优） | | :--- | :--- | :--- | | **联动性** | 方向一致性 (D) | 区分短期（1年）和中期（3年）业绩窗口。**短期**：同向调整（D=1）得高分[44][48]。**中期**：反向调整（D=-1）得高分[50]。 | | | 幅度一致性 (M) | 区分当期经营状态。**当期业绩增长时**：高一致性（M值高）得高分[57][62]。**当期业绩下滑时**：低一致性（M值低）得高分[57][62]。 | | **相对性** | 高管薪酬/净利润 | 比值处于行业内较高分位（高激励强度）得高分[68][72][76]。 | | | 高管薪酬/员工人均薪酬 | 该指标对盈利能力缺乏稳定解释力，在评分中权重较低或作为观察项[78][79]。 | 3. **综合得分**：将各指标得分加权汇总，得到每家公司的综合评分[23]。 * **模型评价**：该模型将定性的公司治理逻辑转化为可量化的评分体系，在特定样本（如盈利、非央国企、股权分散企业）中能够提供增量选股信息[2][80][84]。 2. 模型名称：高管薪酬条件筛选策略 * **模型构建思路**：不进行综合评分，而是根据高管薪酬与业绩关系的核心规律，设置一系列逻辑条件，直接筛选出符合“好信号”特征或排除“坏信号”特征的股票组合[26]。 * **模型具体构建过程**： 1. **确定筛选条件**：基于实证结论，设定多个筛选条件，例如[26]： * 筛选条件A：当期盈利，且高管薪酬与短期（1年）业绩**同向调整**（方向一致性D=1）[44][48]。 * 筛选条件B：当期业绩增长，且高管薪酬调整**幅度匹配**（幅度一致性M处于高区间）[57][62]。 * 筛选条件C：当期业绩下滑，且高管薪酬调整**幅度克制**（幅度一致性M处于低区间）[57][62]。 * 筛选条件D：高管薪酬相对业绩水平（薪酬/净利润）处于行业内**较高分位**[68][76]。 * 排除条件E：处于亏损、高研发投入或股权高度集中等情境，这些情境下高管薪酬信号解释力弱[51][52][63][80]。 2. **组合构建**：在样本池中，筛选出同时满足多个正向条件（如A+B+D）且不触及排除条件（E）的股票，等权构建投资组合[26]。 * **模型评价**：该方法规则清晰直接，侧重于捕捉高管薪酬信号中最强、最稳定的部分，逻辑透明度高，便于理解和执行[26]。 模型的回测效果 （注：报告未提供两个策略在**完全一致指标集和口径下**的详细回测结果数值。以下根据报告图表内容分别列出各自提及的业绩表现。） 1. **高管薪酬综合评分策略**[25] * **年化超额收益率**：取得正向年化超额收益[5]。 * **信息比率 (IR)**：报告未提供具体数值。 * **最大回撤**：报告未提供具体数值。 * **夏普比率**：报告未提供具体数值。 2. **高管薪酬条件筛选策略**[27] * **年化超额收益率**：取得正向年化超额收益[5]。 * **信息比率 (IR)**：报告未提供具体数值。 * **最大回撤**：报告未提供具体数值。 * **夏普比率**：报告未提供具体数值。 量化因子与构建方式 1. 因子名称：方向一致性因子 (D) * **因子构建思路**：捕捉高管薪酬变动方向与公司业绩变动方向是否一致这一信息，用于判断激励的及时性和独立性[27][29]。 * **因子具体构建过程**： 1. 计算高管薪酬的同比变化率：$$\Delta 高管薪酬\%$$ 2. 计算业绩指标的同比变化率：$$\Delta 业绩\%$$ （业绩指标常用净利润增速或ROE增速）[29]。 3. 计算方向一致性D： $$D = sign(\Delta 高管薪酬\%) \times sign(\Delta 业绩\%)$$ 其中，`sign()`为符号函数，取变化率的正负号。当两者同号时，D=1，表示“同向调整”；异号时，D=-1，表示“反向调整”[29]。 4. **因子变体**： * **短期方向一致性**：使用**过去一年**的业绩变化率计算[44][48]。 * **中期方向一致性**：使用**过去三年**的业绩变化率计算[50]。 * **不同薪酬主体**：可分别计算董事长、总经理、金额最高前三名高管薪酬对应的因子[28][49]。 * **因子评价**：该因子的含义具有情境依赖性。短期（1年）同向调整通常预示下一年利润延续，是考核兑现的信号；中期（3年）反向调整则可能预示后续ROE相对优势，反映了激励安排的独立性[43][50][54]。在盈利、股权分散的非央国企中信号更清晰[51][52]。 2. 因子名称：幅度一致性因子 (M) * **因子构建思路**：衡量高管薪酬调整幅度与业绩变化幅度的匹配程度，反映激励反馈的充分性或克制性[27][29]。 * **因子具体构建过程**： 1. 在行业内，分别计算所有公司的高管薪酬变化率百分位排名：$$pctrank(\Delta 高管薪酬\%)$$ 2. 在行业内，分别计算所有公司的业绩变化率百分位排名：$$pctrank(\Delta 业绩\%)$$ 3. 计算幅度一致性M： $$M = 1 - |pctrank(\Delta 高管薪酬\%) - pctrank(\Delta 业绩\%)|$$ M值范围在[0,1]之间，值越大表示两者幅度越匹配[29][57]。 4. **因子分组应用**：通常将M值分为三组：低一致组（M<0.5）、中一致组（0.5≤M<0.9）、高一致组（M≥0.9）[57]。 * **因子评价**：该因子的预测方向取决于公司当期经营状态。业绩扩张时，低一致性（激励不足）可能拖累后续增长；业绩承压时，低一致性（薪酬克制）可能为后续修复保留空间。高一致性通常对应未来业绩的相对稳健[57][62][67]。 3. 因子名称：高管薪酬相对业绩水平因子 * **因子构建思路**：以高管薪酬占净利润的比例来衡量企业对管理层的激励强度，关注长期投入可能带来的中期业绩回报[27][68]。 * **因子具体构建过程**： 1. 计算因子值： $$因子值 = \frac{高管薪酬}{当期净利润}$$ 其中高管薪酬可采用总经理、董事长或前三名高管薪酬之和等口径[29][68]。 2. **因子处理**：在行业内对该比值进行排序或分位处理（如五分位），以消除行业差异[68]。 * **因子评价**：该因子更适合观察中期（未来两年）业绩表现，高分位组（高激励强度）通常更常对应后续净利润和ROE增长占优。但对利润基数和盈利周期敏感，在个股层面解读需谨慎[68][72][77]。 4. 因子名称：高管薪酬公平性因子 * **因子构建思路**：通过高管与普通员工的薪酬差距，观察企业内部利益分配结构，作为治理结构的辅助观察指标[27][78]。 * **因子具体构建过程**： 1. 计算因子值： $$因子值 = \frac{高管薪酬}{员工人均薪酬}$$ 通常使用高管薪酬与公司“支付给职工以及为职工支付的现金”推算的人均薪酬之比[29]。 * **因子评价**：该因子对企业未来1-2年的盈利能力（净利润、ROE增长率）缺乏稳定的解释力。其意义更多在于评估治理透明度与分配结构，而非直接预测盈利[78][79]。 因子的回测效果 （注：报告未提供上述因子在统一的多空组合或分层测试下的传统量化因子回测指标（如IC、IR、多空收益等）。报告主要通过分组统计展示因子与未来业绩的关系，以下为关键发现摘要。） 1. **方向一致性因子 (D)**[49][50] * **短期（1年）窗口，盈利企业**：同向调整组 vs 反向调整组，未来一年净利润增长率占优比例达**93.75%**（总经理薪酬口径）[49]。 * **中期（3年）窗口，盈利企业**：同向调整组 vs 反向调整组，未来两年ROE增长率占优比例仅**20%**（总经理薪酬口径），意味着反向调整组占优[50]。 2. **幅度一致性因子 (M)**[62] * **当期净利润增长>0时**：低一致组（M<0.5）成为未来一年净利润增长率最弱组的年份占比为**56.25%**；成为未来两年ROE增长率最弱组的年份占比为**80%**[62]。 * **当期净利润增长<0时**：低一致组成为未来一年净利润增长率最优组的年份占比为**81.25%**；成为未来两年ROE增长率最优组的年份占比为**80%**[62]。 3. **高管薪酬相对业绩水平因子**[76] * **高激励强度组（Q5）**：在未来两年净利润增长率上表现优于其他组的年份占比，总经理口径为**68.75%**，前三名高管口径为**81.25%**[76]。 * **高激励强度组（Q5）**：在未来两年ROE增长率上表现优于其他组的年份占比，总经理口径为**75.0%**，前三名高管口径为**81.25%**[76]。 4. **高管薪酬公平性因子** * **与未来业绩关系**：报告指出，该因子与未来1-2年净利润或ROE增长率未呈现稳定、清晰的规律，缺乏系统性的解释能力[78]。

量化模型与构建方式 1. **模型名称**：红利风格择时模型[1][3][5] * **模型构建思路**：构建一个多因子综合打分模型，用于判断对红利风格资产是否应该看多[3][5]。 * **模型具体构建过程**：模型通过综合多个宏观经济、市场情绪及估值类因子的信号，形成一个综合因子值，并根据该值的正负发出择时观点[3][5][6]。 * 首先，选取多个与红利风格表现相关的因子，包括：中国非制造业PMI（服务业）、中国M2同比、美国10年期国债收益率、红利相对净值自身、中证红利股息率与10年期中债收益率之差、融资净买入、行业平均景气度等[10]。 * 其次，对每个因子进行处理，得到标准化的因子值[10]。 * 最后，将各因子值按照模型设定的规则进行综合，得到最终的“综合因子值”[1][3][5]。综合因子值为正时，发出看多红利风格的信号；为负时，则不发出看多信号[1][5]。 量化因子与构建方式 1. **因子名称**：中国非制造业PMI（服务业）因子[10] * **因子构建思路**：使用中国非制造业PMI中的服务业指数作为反映宏观经济景气的指标之一，用于判断对红利风格的影响[10]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算过程，仅给出了标准化后的因子值[10]。 2. **因子名称**：中国M2同比因子[10] * **因子构建思路**：使用中国M2货币供应量的同比增速作为反映宏观流动性的指标，用于判断对红利风格的影响[10]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算过程，仅给出了标准化后的因子值[10]。 3. **因子名称**：美国国债收益率（10年）因子[3][6][10] * **因子构建思路**：使用美国10年期国债收益率作为反映全球无风险利率和资金成本的指标，用于判断对红利风格的影响[3][6][10]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算过程，仅给出了标准化后的因子值[10]。 4. **因子名称**：红利相对净值自身因子[3][6][10] * **因子构建思路**：使用红利风格自身的相对表现（可能指其相对于市场基准的净值走势）作为动量或趋势类指标，用于判断其未来走势[3][6][10]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算过程，仅给出了标准化后的因子值[10]。 5. **因子名称**：中证红利股息率-10年期中债收益率因子[10] * **因子构建思路**：计算中证红利指数的股息率与10年期中国国债收益率之间的利差，作为衡量红利资产相对债券吸引力的估值指标[10]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算过程，仅给出了标准化后的因子值[10]。 6. **因子名称**：融资净买入因子[10] * **因子构建思路**：使用市场的融资净买入数据作为反映市场情绪和风险偏好的指标[10]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算过程，仅给出了标准化后的因子值[10]。 7. **因子名称**：行业平均景气度因子[3][6][10] * **因子构建思路**：使用行业平均景气度数据作为反映整体经济或企业盈利状况的指标[3][6][10]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算过程，仅给出了标准化后的因子值[10]。 模型的回测效果 1. **红利风格择时模型**，截至2026年4月24日当周的综合因子值为-0.44[1][3][5]，未发出看多信号[1][5]。 因子的回测效果 1. **中国非制造业PMI（服务业）因子**，2026年4月24日因子值为0.95[10]，最新观点为“0”（报告中未明确“0”和“1”的具体含义，但结合上下文，“1”可能代表看多红利，“0”代表不看多）[10]。 2. **中国M2同比因子**，2026年4月24日因子值为0.46[10]，最新观点为“0”[10]。 3. **美国国债收益率（10年）因子**，2026年4月24日因子值为0.55[10]，最新观点为“1”[10]。 4. **红利相对净值自身因子**，2026年4月24日因子值为-2.40[10]，最新观点为“0”[10]。 5. **中证红利股息率-10年期中债收益率因子**，2026年4月24日因子值为-0.14[10]，最新观点为“0”[10]。 6. **融资净买入因子**，2026年4月24日因子值为1.72[10]，最新观点为“0”[10]。 7. **行业平均景气度因子**，2026年4月24日因子值为0.88[10]，最新观点为“0”[10]。