量化模型与构建方式 1. 扩散指数行业轮动模型 - **模型名称**：扩散指数行业轮动模型[22] - **模型构建思路**：基于价格动量原理，通过计算行业的扩散指数来捕捉行业趋势，选择扩散指数排名靠前的行业进行配置[22][34] - **模型具体构建过程**：模型通过计算每个中信一级行业的扩散指数，该指数反映了行业内个股价格走势的强弱程度，具体构建过程未在报告中详细说明，但核心是识别具有向上趋势的行业[22][24] - **模型评价**：在趋势性行情中表现较好，但在市场风格从趋势转向反转时可能面临失效风险[23][34] 2. GRU因子行业轮动模型 - **模型名称**：GRU因子行业轮动模型[30] - **模型构建思路**：基于门控循环单元（GRU）深度学习网络，利用分钟频量价数据生成行业因子，以把握短期交易信息并进行行业轮动[30][35] - **模型具体构建过程**：模型将分钟频量价数据输入GRU网络进行训练，生成各行业的GRU因子值，GRU作为一种循环神经网络，能够捕捉时间序列数据中的长期依赖关系，具体网络结构和训练参数未详细说明[30][35] - **模型评价**：在短周期内表现较好，对交易信息敏感，但在长周期表现一般，且可能因极端行情而失效[30][35] 模型的回测效果 1. 扩散指数行业轮动模型 - 2025年12月建议配置行业：有色金属、综合、钢铁、银行、电力设备及新能源、电子[23][27] - 本周平均收益：3.53%[27] - 本周超额收益（相对中信一级行业等权）：1.10%[27] - 11月以来超额收益：-0.11%[27] - 2025年以来超额收益：2.55%[22][27] 2. GRU因子行业轮动模型 - 2025年12月建议配置行业：综合、钢铁、银行、综合金融、商贸零售、农林牧渔[31] - 本周调入行业：钢铁[33] - 本周调出行业：房地产[33] - 本周平均收益：1.06%[33] - 本周超额收益（相对中信一级行业等权）：-1.43%[33] - 11月以来超额收益：1.58%[33] - 2025年以来超额收益：-4.45%[30][33] 量化因子与构建方式 1. 行业扩散指数因子 - **因子名称**：行业扩散指数[24] - **因子构建思路**：通过量化行业内个股的价格动量，合成一个代表行业整体趋势强弱的扩散指数[24] - **因子具体构建过程**：报告未提供具体的计算公式和构建步骤，但指出该因子用于衡量行业趋势强度，数值越高代表行业趋势越强[24][25] 2. GRU行业因子 - **因子名称**：GRU行业因子[31] - **因子构建思路**：利用GRU深度学习模型处理分钟频量价数据，输出代表行业短期强弱的因子值[31][35] - **因子具体构建过程**：报告未提供具体的计算公式和构建步骤，但指出该因子基于历史量价数据训练生成，用于行业轮动决策[31][35] 因子的回测效果 1. 行业扩散指数因子 - 截至2025年11月28日，因子排名前六的行业及取值：有色金属(0.994)、综合(0.961)、钢铁(0.939)、银行(0.937)、电力设备及新能源(0.902)、电子(0.853)[24] - 截至2025年11月28日，因子排名后六的行业及取值：食品饮料(0.343)、电力及公用事业(0.498)、交通运输(0.503)、房地产(0.548)、建筑(0.563)、石油石化(0.616)[24] - 周度环比变化提升前六的行业及变化值：建材(+0.197)、汽车(+0.185)、消费者服务(+0.158)、传媒(+0.153)、综合金融(+0.146)、计算机(+0.144)[26] - 周度环比变化下降后六的行业及变化值：石油石化(-0.058)、煤炭(-0.007)、银行(+0.002)、有色金属(+0.009)、农林牧渔(+0.033)、食品饮料(+0.043)[26] 2. GRU行业因子 - 截至2025年11月28日，因子排名前六的行业及取值：综合(4.42)、钢铁(3.9)、银行(0.5)、综合金融(0.43)、商贸零售(0.18)、农林牧渔(-0.33)[31] - 截至2025年11月28日，因子排名后六的行业及取值：通信(-15.26)、国防军工(-9.1)、电子(-8.71)、医药(-8.44)、计算机(-8.11)、房地产(-7.63)[31] - 周度环比变化提升较大的行业：综合、钢铁、综合金融[31] - 周度环比变化下降较大的行业：传媒、交通运输、家电[31]

根据提供的研报内容，以下是关于量化模型和因子的总结。 量化因子与构建方式 1. **因子名称：高股息因子** [17] * **因子构建思路**：高股息策略的核心逻辑从投资者需求、企业基本面和估值体系三个维度展开。该策略通过筛选分红水平稳定且股息率较高的上市公司，以获取稳定的现金流收益，并利用其防御属性控制组合波动。[17] * **因子具体构建过程**：报告中重点分析的中证国新港股通央企红利指数即是对高股息因子的具体应用。该指数的编制过程体现了高股息因子的构建逻辑：[57] 1. **样本空间**：中证港股通综合指数样本。 2. **流动性筛选**：计算每月的日换手率中位数作为月换手率，剔除过去12个月或过去3个月平均月换手率不足0.1%的证券，除非该证券过去一年日均成交金额大于5000万港元。 3. **选样方法**： * 选取属于国务院国资委央企名录，以及实际控制权或第一大股东归属于国务院国资委的上市公司证券。 * 在上述证券中，选取金融、房地产行业中过去一年日均总市值排名第一的证券及其他行业的全部证券作为待选证券。 * 在上述待选证券中，选取过去三年连续分红且过去三年股利支付率的均值和过去一年股利支付率均大于0且小于1的上市公司证券作为待选样本。 * 在上述待选样本中，按照过去三年平均股息率由高到低排名，选取排名靠前的50只证券作为指数样本。 * **因子评价**：该策略通过构建分红收益机制，在控制组合波动性的基础上，同时增强了投资组合的长期稳健性，具备“攻守兼备”的特性。[17][29] 2. **因子名称：股息率 (测算股息率)** [72] * **因子构建思路**：由于部分指数发布时间较晚，缺乏官方历史股息率数据，报告采用测算股息率来评估指数的分红水平。[72] * **因子具体构建过程**：测算股息率通过计算指数全收益指数与价格指数之间的年化收益率差值得到。具体公式如下：[72] $$测算股息率 = 全收益指数年化收益率 - 价格指数年化收益率$$ 该公式的本质是，全收益指数包含了成份股的分红再投资收益，其与价格指数的收益差可以近似代表股息收益。 因子的回测效果 1. **高股息因子 (以中证国新港股通央企红利指数为代表)** [38][40][73][86] * 年化波动率 (2025年*): 18.00% [38] * 年化波动率 (2024年): 24.43% [38] * 年化波动率 (2023年): 18.86% [38] * 年化波动率 (2022年): 24.09% [38] * 年化波动率 (2021年): 19.77% [38] * 年化波动率 (2020年): 25.64% [38] * 年化波动率 (2019年): 13.82% [38] * 年化波动率 (2018年): 18.95% [38] * 年化波动率 (全区间 2016.12.30-2025.11.24): 20.00% [38] * 年化收益率 (2025年*): 17.27% (价格指数), 26.83% (全收益指数) [40] * 年化收益率 (2024年): 25.11% (价格指数), 33.68% (全收益指数) [40] * 年化收益率 (2023年): 8.93% (价格指数), 17.10% (全收益指数) [40] * 年化收益率 (2022年): -1.70% (价格指数), 7.67% (全收益指数) [40] * 年化收益率 (2021年): 19.03% (价格指数), 27.52% (全收益指数) [40] * 年化收益率 (2020年): -18.20% (价格指数), -13.49% (全收益指数) [40] * 年化收益率 (2019年): -8.84% (价格指数), -4.96% (全收益指数) [40] * 年化收益率 (2018年): -7.36% (价格指数), -3.42% (全收益指数) [40] * 年化收益率 (全区间 2016.12.30-2025.11.24): 3.35% (价格指数), 10.04% (全收益指数) [40] * 测算股息率 (2025年*): 9.57% [73] * 测算股息率 (2024年): 8.57% [73] * 测算股息率 (2023年): 8.17% [73] * 测算股息率 (2022年): 9.37% [73] * 测算股息率 (2021年): 8.50% [73] * 测算股息率 (2020年): 4.70% [73] * 测算股息率 (2019年): 3.89% [73] * 测算股息率 (2018年): 3.94% [73] 2. **股息率因子 (港股市场整体)** [36] * 近12月股息率最小值: 0.09% * 近12月股息率25%分位数: 2.48% * 近12月股息率中位数: 4.65% * 近12月股息率75%分位数: 6.77% * 近12月股息率最大值: 281.71% * 近12月股息率平均值: 6.06% 量化模型与构建方式 1. **模型名称：中证国新港股通央企红利指数编制模型** [55][57] * **模型构建思路**：该指数旨在从港股通范围内选取国务院国资委央企名录中分红水平稳定且股息率较高的上市公司证券作为指数样本，以反映港股通范围内股息率较高的央企上市公司证券的整体表现。[55] * **模型具体构建过程**：模型的构建过程即上述高股息因子的具体构建过程，详见“高股息因子”部分。[57] 模型的回测效果 1. **中证国新港股通央企红利指数编制模型** [80][86] * 累计收益 (全收益指数, 2016.12.30-2025.11.24): 140.08% [80] * 年化波动率 (全收益指数, 2025年*): 17.83% [86] * 年化波动率 (全收益指数, 2024年): 24.23% [86] * 年化波动率 (全收益指数, 2023年): 18.16% [86] * 年化波动率 (全收益指数, 2022年): 23.33% [86] * 年化波动率 (全收益指数, 2021年): 19.14% [86] * 年化波动率 (全收益指数, 2020年): 24.94% [86] * 年化波动率 (全收益指数, 2019年): 13.46% [86] * 年化波动率 (全收益指数, 2018年): 18.33% [86] * 年化波动率 (全收益指数, 全区间 2016.12.30-2025.11.24): 19.47% [86] **说明**：报告中未涉及基于某一基准模型或因子衍生出来的其他独立模型或因子。报告核心内容为对现有指数（特别是中证国新港股通央企红利指数）及其背后投资逻辑（高股息策略）的分析，并未提出新的量化模型或因子构建方法。报告中的“测算股息率”是一种数据计算方法，用于评估指数分红属性。

根据提供的研报内容，该报告为一份市场数据日报，主要描述了特定日期（2025年12月1日及前后）的市场表现、情绪和资金流向等观测性指标。报告内容侧重于对市场现状的描述和统计，并未涉及需要构建和回测的量化模型或量化因子。报告中定义了一些用于衡量市场状态的指标计算方法。 量化模型与构建方式 （本部分无相关内容） 量化因子与构建方式 1. **因子名称：封板率[15]** * **因子构建思路：** 该因子用于衡量涨停股票的封板质量，反映市场追涨情绪的强度和稳定性[15]。 * **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，在特定交易日，找出盘中最高价曾达到涨停价的股票集合。最后，计算这些股票中，收盘价仍为涨停价的股票所占的比例。具体公式如下： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ [15] 2. **因子名称：连板率[15]** * **因子构建思路：** 该因子用于衡量市场涨停效应的延续性，反映龙头股或热点题材的持续强度[15]。 * **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，确定在特定交易日（T-1日）收盘涨停的股票集合。最后，计算这些股票中，在下一个交易日（T日）收盘也涨停的股票所占的比例。具体公式如下： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ [15] 3. **因子名称：大宗交易折价率[24]** * **因子构建思路：** 该因子通过大宗交易成交价与市价的差异，反映大额资金对特定股票的折价交易意愿，可作为市场情绪和流动性压力的参考[24]。 * **因子具体构建过程：** 首先，获取特定交易日所有大宗交易的成交数据和对应股票当日的市场价格（用于计算总市值）。然后，计算该日所有大宗交易的总成交金额与这些交易涉及股票以其当日市价计算的总市值的比值，并减去1得到整体折价率。具体公式如下： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ [24] 4. **因子名称：股指期货年化贴水率[26]** * **因子构建思路：** 该因子用于量化股指期货价格相对于现货指数的偏离程度，并进行了年化处理，便于跨期比较，常作为市场未来预期和对冲成本的观测指标[26]。 * **因子具体构建过程：** 首先，计算股指期货主力合约价格与其标的指数价格之间的基差（基差 = 期货价格 - 现货指数价格）。然后，将该基差除以现货指数价格，得到原始贴水率。最后，考虑期货合约的剩余期限，将原始贴水率进行年化。具体公式如下： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ [26] * 公式说明：基差 = 期货价格 - 现货指数价格。当结果为负时，表示贴水[26]。 模型的回测效果 （本部分无相关内容） 因子的回测效果 （本部分无相关内容，报告仅提供了特定日期的因子观测值，而非历史回测的统计指标如IC值、IR等） **特定日期因子观测值** * **封板率**：2025年12月1日的封板率为 **68%**[15]。 * **连板率**：2025年12月1日的连板率为 **29%**[15]。 * **大宗交易折价率**：2025年11月28日当日折价率为 **5.66%**；近半年平均折价率为 **6.40%**[24]。 * **股指期货年化贴水率**（2025年12月1日数据）[26]： * **上证50股指期货**：年化贴水率为 **4.34%**，近一年中位数为 **0.57%**。 * **沪深300股指期货**：年化贴水率为 **8.23%**，近一年中位数为 **3.48%**。 * **中证500股指期货**：年化贴水率为 **17.66%**，近一年中位数为 **11.01%**。 * **中证1000股指期货**：年化贴水率为 **23.37%**，近一年中位数为 **13.55%**。

量化模型与构建方式 1. **模型名称：行业拥挤度监测模型**[3] **模型构建思路：** 对申万一级行业指数的拥挤度进行每日监测，以识别行业交易热度水平[3] **模型具体构建过程：** 报告未提供该模型的具体构建过程和公式 2. **模型名称：溢价率 Z-score 模型**[4] **模型构建思路：** 通过计算ETF溢价率的Z-score来搭建ETF产品筛选信号模型，以识别存在潜在套利机会的标的[4] **模型具体构建过程：** 报告未提供该模型的具体构建过程和公式，但提及核心是计算溢价率的Z-score值，公式一般形式为： $$Z = \frac{X - \mu}{\sigma}$$ 其中，$Z$ 代表Z-score值，$X$ 代表当前溢价率，$\mu$ 代表一定历史窗口期内的溢价率均值，$\sigma$ 代表相应窗口期内的溢价率标准差[4] 量化因子与构建方式 1. **因子名称：行业拥挤度**[3] **因子构建思路：** 用于衡量申万一级行业指数的交易拥挤程度[3] **因子具体构建过程：** 报告未提供该因子的具体构建过程和公式 2. **因子名称：主力资金净流入额**[3][13] **因子构建思路：** 用于监测单日及多日主力资金在行业间的流动情况[3][13] **因子具体构建过程：** 报告展示了具体数据，但未详细说明其计算方法和公式，通常为主力资金买入额与卖出额的差值[13] 3. **因子名称：ETF资金净流入**[5][6] **因子构建思路：** 用于监测不同类型ETF（宽基、行业主题、风格策略、跨境）的单日资金流动情况[5] **因子具体构建过程：** 报告展示了具体数据，但未详细说明其计算方法和公式，通常为ETF当日申购金额与赎回金额的差值[5][6] 4. **因子名称：IOPV溢价率**[6] **因子构建思路：** 用于衡量ETF交易价格相对于其基金份额参考净值（IOPV）的偏离程度[6] **因子具体构建过程：** 报告展示了具体数据，但未详细说明其计算方法和公式，通常为： $$IOPV溢价率 = \frac{ETF市价 - IOPV}{IOPV} \times 100\%$$ 其中，IOPV（Indicative Optimized Portfolio Value）是交易所计算的基金份额参考净值[6] 模型的回测效果 （报告未提供相关模型的量化回测效果指标） 因子的回测效果 （报告未提供相关因子的量化回测效果指标，但提供了特定时点的因子数值观察结果，例如通信、房地产行业拥挤度靠前，家电、汽车、非银金融行业拥挤度水平较低[3]；建筑装饰、交通运输、家用电器行业拥挤度变动较大[3]；以及各ETF的单日资金净流入/流出额[5][6]和IOPV溢价率[6]）

根据您提供的研报内容，以下是关于报告中涉及的量化模型与因子的总结。 量化模型与构建方式 1. **模型名称：主动偏股基金行业主题标签模型**[39] * **模型构建思路**：通过分析基金的历史持仓信息，为其打上长期行业主题标签，以支持资产配置、主题投资和产品选择，并构建相应的行业主题基金指数作为衡量工具[39]。 * **模型具体构建过程**：该模型基于基金近四期（中报/年报）的持仓信息来判断其长期行业主题特征。具体步骤如下： 1. 数据获取：收集主动偏股基金在连续四个报告期（中报和年报）的全部持仓数据。 2. 行业分类：将基金的持仓映射到标准的行业分类体系（如申万行业分类）。 3. 特征计算：计算基金在每个行业上的长期平均配置比例。 4. 标签定义：根据基金的行业配置特征，将其划分为不同的类型： * **行业主题基金**：长期持续超配某一特定行业主题。 * **行业轮动基金**：在不同时期内重点配置的行业主题发生显著变化。 * **行业均衡基金**：行业配置相对分散，无明显长期超配主题。 5. 指数构建：对具有相同长期行业主题标签的基金，采用合适的方法（如等权或规模加权）构建相应的主题基金指数，以反映该类基金的整体表现。 2. **模型名称：公募REITs系列指数模型**[51] * **模型构建思路**：构建一套完整的REITs指数，包括综合指数、按底层资产和项目类型划分的细分指数，为投资者提供指数化投资和资产配置的工具，并充分考虑REITs的高分红特性[51]。 * **模型具体构建过程**： 1. 样本空间：确定纳入指数的公募REITs产品范围。 2. 指数计算：采用分级靠档的方法确定成分REITs的权重，以保持指数份额的相对稳定。计算公式为链式加权综合价格指数公式。 3. 指数维护：当样本成分发生非交易因素变动（如新发、扩募）时，采用除数修正法以保证指数的连续性。 4. 指数类型：同时发布价格指数和全收益指数，全收益指数将分红收益再投资考虑在内。 5. 指数分类：构建多维度指数体系，包括： * **综合指数**：反映整个REITs市场的表现。 * **底层资产指数**：如产权类REITs指数、特许经营权类REITs指数。 * **细分项目指数**：如生态环保、交通基础设施、园区基础设施、仓储物流、能源基础设施、保障性租赁住房、消费基础设施、市政设施、水利设施、新型基础设施等REITs指数。 模型的回测效果 1. **主动偏股基金行业主题指数**，本周收益率：TMT主题5.17%，医药主题3.98%，行业均衡主题3.46%，新能源主题3.11%，国防军工主题2.99%，行业轮动主题2.97%，周期主题2.32%，消费主题1.72%，金融地产主题0.73%[39] 2. **REITs综合指数**，本周收益-0.10%，累计收益-2.99%，年化收益-0.68%，最大回撤-42.67%，夏普比率-0.21，年化波动10.49%[55] 3. **产权类REITs指数**，本周收益0.08%，累计收益13.54%，年化收益2.90%，最大回撤-45.00%，夏普比率0.11，年化波动12.80%[55] 4. **特许经营权类REITs指数**，本周收益-0.50%，累计收益-20.66%，年化收益-5.08%，最大回撤-41.17%，夏普比率-0.72，年化波动9.11%[55] 5. **新型基础设施REITs指数**，本周收益1.84%，累计收益8.97%，年化收益1.95%，最大回撤-3.95%，夏普比率0.04，年化波动12.06%[55] 6. **消费基础设施REITs指数**，累计收益49.97%，年化收益9.55%，最大回撤-9.89%，夏普比率0.76，年化波动10.66%[55] 量化因子与构建方式 1. **因子类别：多因子/智能贝塔（Smart Beta）**[61] * **因子构建思路**：基于特定的投资逻辑或市场特征，构建不同于传统市值加权的指数，以期获得超越市场的风险调整后收益。研报中提及的因子主要用于ETF产品的分类和表现跟踪[61]。 * **因子具体构建过程**：报告未详细阐述各因子的具体计算方法，但列出了在ETF市场中基于这些因子策略的产品类别。常见的构建思路通常如下： * **红利因子**：选取股息率较高的股票。公式可能为：$$ Dividend Yield = \frac{Annual Dividend per Share}{Price per Share} $$ * **现金流因子**：选取现金流状况良好（如经营现金流与市值之比高）的股票。 * **质量因子**：选取财务质量高（如高ROE、低杠杆）的股票。 * **低波因子**：选取历史波动率较低的股票。 * **价值因子**：选取估值指标（如市净率、市盈率）较低的股票。 * **动量因子**：选取近期收益率较高的股票。 * **成长因子**：选取盈利或收入增长较快的股票。 * **基本面因子**：基于公司基本面指标（如销售额、现金流、净资产、分红）综合加权选股。 因子的回测效果 1. **红利因子ETF**，本周净流入21.00亿元，本周回报-0.23%，近1月回报-0.36%，今年以来回报4.79%[61] 2. **现金流因子ETF**，本周净流入10.15亿元，本周回报0.48%，近1月回报1.17%[61] 3. **质量因子ETF**，本周净流入-0.11亿元，本周回报2.92%，近1月回报-4.48%，今年以来回报25.23%[61] 4. **低波因子ETF**，本周净流入-0.11亿元，本周回报2.06%，近1月回报-3.14%，今年以来回报12.16%[61] 5. **价值因子ETF**，本周净流入-0.14亿元，本周回报1.34%，近1月回报-0.65%，今年以来回报11.23%[61] 6. **动量因子ETF**，本周净流入-1.37亿元，本周回报6.76%，近1月回报-8.75%，今年以来回报29.41%[61] 7. **成长因子ETF**，本周净流入-1.39亿元，本周回报4.87%，近1月回报-5.52%，今年以来回报28.47%[61] 8. **基本面因子ETF**，本周净流入-0.02亿元，本周回报0.69%，近1月回报-1.83%，今年以来回报7.26%[61]

根据提供的研报内容，以下是关于量化模型和因子的详细总结。 量化模型与构建方式 1. **模型名称：上涨家数占比择时模型**[11][12] * **模型构建思路**：通过计算指数成分股中近期上涨股票的数量占比来判断市场情绪，并利用不同窗口期的移动平均线（快线与慢线）的交叉关系来生成交易信号[11][12][13] * **模型具体构建过程**： 1. 计算沪深300指数N日上涨家数占比：统计沪深300指数成分股中，过去N日收益大于0的个股数量占总成分股数量的比例[12] 2. 对上述指标分别进行窗口期为N1（长窗口）和N2（短窗口，N2 < N1）的移动平均，得到慢线和快线[13][15] 3. 生成信号：当快线上穿慢线时，看多市场；当快线下穿慢线时，对市场持谨慎观点[15] * **模型评价**：该指标能较快捕捉上涨机会，但在市场持续亢奋阶段可能因提前止盈而错失收益，且对下跌市场的判断存在缺陷，难以有效规避下跌风险[12] 2. **模型名称：均线情绪指标择时模型**[21] * **模型构建思路**：基于沪深300指数收盘价与一组均线的关系来判断市场趋势状态，当价格位于多数均线之上时认为市场情绪乐观[21][26] * **模型具体构建过程**： 1. 计算沪深300指数的八条均线，参数分别为8, 13, 21, 34, 55, 89, 144, 233[21] 2. 统计当日沪深300指数收盘价大于这八条均线数值的均线数量[26] 3. 生成信号：当价格大于均线的数量超过5条时，看多沪深300指数[26] 3. **模型名称：PB-ROE-50策略**[30] * **模型构建思路**：以PB-ROE定价模型为基础寻找市场中的预期差，并叠加超预期因子（如SUE、ROE同比增长）来增强组合收益，最终精选50只股票构建投资组合[30] * **模型具体构建过程**：报告指出组合构造详情见附录，但当前内容未提供具体的因子合成、加权或筛选步骤的详细公式[30] 4. **模型名称：机构调研策略**[37] * **模型构建思路**：通过分析上市公司被机构（公募或知名私募）调研的次数以及被调研前股价相对于基准的表现来挖掘超额收益[37] * **模型具体构建过程**：报告指出组合构造详情见另一篇专题报告，当前内容未提供具体的选股规则和模型构建细节[37] 模型的回测效果 1. **PB-ROE-50模型**[34] * 今年以来超额收益率（中证500）：2.06% * 上月超额收益率（中证500）：-0.08% * 今年以来绝对收益率（中证500）：25.34% * 上月绝对收益率（中证500）：-4.16% * 今年以来超额收益率（中证800）：15.14% * 上月超额收益率（中证800）：-1.09% * 今年以来绝对收益率（中证800）：34.74% * 上月绝对收益率（中证800）：-3.95% * 今年以来超额收益率（全市场）：18.32% * 上月超额收益率（全市场）：-3.26% * 今年以来绝对收益率（全市场）：42.79% * 上月绝对收益率（全市场）：-5.47% 2. **机构调研模型**[39] * 公募调研选股策略今年以来超额收益率：16.50% * 公募调研选股策略上月超额收益率：3.49% * 公募调研选股策略今年以来绝对收益率：36.32% * 公募调研选股策略上月绝对收益率：0.50% * 私募调研跟踪策略今年以来超额收益率：15.79% * 私募调研跟踪策略上月超额收益率：-1.36% * 私募调研跟踪策略今年以来绝对收益率：35.49% * 私募调研跟踪策略上月绝对收益率：-4.22% 量化因子与构建方式 1. **因子名称：有息负债率**[42] * **因子构建思路**：衡量企业需要付出成本的负债占总资产的比重，以评估其偿债压力和流动性风险，高有息负债率通常被视为负面信号[42] * **因子具体构建过程**：报告提出了三种计算口径： * 传统有息负债率：$$ \text{传统有息负债率} = \frac{\text{短期借款} + \text{长期借款} + \text{应付债券}}{\text{总资产}} $$[42] * 严苛有息负债率：$$ \text{严苛有息负债率} = \frac{\text{短期借款} + \text{应付利息} + \text{交易性金融负债} + \text{应付短期债券} + \text{租赁负债} + \text{长期借款} + \text{应付债券} + \text{长期应付款}}{\text{总资产}} $$[42] * 宽松有息负债率：$$ \text{宽松有息负债率} = \frac{\text{短期借款} + \text{应付利息} + \text{交易性金融负债} + \text{应付短期债券} + \text{租赁负债} + \text{长期借款} + \text{应付债券} + \text{长期应付款} + \text{其他流动负债} + \text{划分为持有待售的负债} + \text{一年内到期的非流动负债}}{\text{总资产}} $$[42] * **因子评价**：宽松有息负债率相比于传统口径在回测中发现有更多的空头收益[42] 2. **因子名称：财务成本负担率**[46] * **因子构建思路**：从流量角度衡量企业实际面临的利息支出压力，使用利润表中的利息费用与息税前利润的比值，比值越高说明企业还息压力越大[46] * **因子具体构建过程**：$$ \text{财务成本负担率} = \frac{\text{财务费用：利息费用}}{\text{息税前利润}} $$[46] 因子的回测效果 （报告中未提供有息负债率和财务成本负担率因子的具体回测指标数值，如IC、IR等，仅列出了基于这些因子的负面清单股票）[43][47]

量化模型与构建方式 1. **模型名称：指数调整资金流影响模型**[9] **模型构建思路：** 估算因指数成分调整而引发的被动资金流入和流出金额，以评估对个股的短期影响[9] **模型具体构建过程：** * 选取跟踪产品总规模在100亿元以上且发生成分变动的A股指数作为分析对象[9] * 对于每只指数，计算其成分股调整带来的资金流： * **流出金额计算：** 使用挂钩该指数的被动产品总规模乘以该股票在调整前（11月底）于指数中的实际权重[9] * **流入金额计算：** 使用挂钩该指数的被动产品总规模乘以该股票在调整后于指数中的估算权重[9] * 权重估算方法：对于大部分采用市值或调整市值加权的指数，使用11月底的自由流通市值进行模拟；对于明确基于特定因子（如股息率）加权的指数，则按照其定义进行模拟；权重计算会同步考虑指数的权重上限规则[9] * 将个股在所有相关指数中的净资金流（流入金额与流出金额之差）进行加总，得到该股票的总净资金流影响[10][11] 2. **模型名称：个股冲击效应模型**[12] **模型构建思路：** 通过冲击系数来衡量指数调整带来的资金流对个股流动性的冲击程度，该系数考虑了资金流的绝对规模和个股自身的流动性差异[3][12] **模型具体构建过程：** * 计算个股的总净资金流，方法同“指数调整资金流影响模型”[12] * 获取该股票截至11月底近一个月的日均成交额（`amt_avg_i,20`）作为流动性指标[3][12] * 计算冲击系数，公式如下： $$impact_{i}=\sum^{N}_{k=1}\frac{\Delta weight_{k,i}\,\times\,AUM_{k}}{amt\_avg_{i,20}}$$[12] * 公式说明： * `impact_i` 代表第i只股票的估算冲击系数 * `N` 为被统计的指数总数 * `Δweight_k,i` 代表股票i在第k只被统计指数中的估算权重变动（调入为估算权重，调出为负的原有权重，无变动则为0） * `AUM_k` 代表第k只指数所挂钩的被动产品在11月底的总规模 * `amt_avg_i,20` 代表股票i近20个交易日（一个月）的日均成交额[12][13] 模型的回测效果 1. **指数调整资金流影响模型**，净资金流最大流入额约112.61亿元（胜宏科技）[10]，净资金流最大流出额约-40.02亿元（中国移动）[11] 2. **个股冲击效应模型**，冲击系数最大正值约11.60（中创物流）[15]，冲击系数最大负值约-24.95（深高速）[16]，冲击系数分布显示多数个股影响集中在(-5,5]区间[5][18][19] 量化因子与构建方式 1. **因子名称：冲击系数**[3][12] **因子构建思路：** 将事件（指数调整）引发的预期净资金流总量与个股的近期日均成交额相比较，以标准化地衡量资金流对个股流动性的相对冲击大小[3][12] **因子具体构建过程：** 同“个股冲击效应模型”的具体构建过程，核心计算公式为： $$impact_{i}=\frac{\sum^{N}_{k=1}(\Delta weight_{k,i}\,\times\,AUM_{k})}{amt\_avg_{i,20}}$$[12] **因子评价：** 该因子提供了一个相对指标，有助于识别那些资金流影响相对于其自身流动性而言较大的股票，比单纯的资金流金额更能反映潜在的价格冲击[3][12] 因子的回测效果 1. **冲击系数因子**，在本次12月指数调整估算中，部分个股因子值超过10（如中创物流11.60）或低于-10（如深高速-24.95），表明其可能受到显著影响[15][16]，大部分个股的因子值落在(-5,5]的区间内[5][18][19]

根据提供的研报内容，这是一份可转债市场跟踪报告，主要包含市场数据统计、个券表现和条款跟踪，并未涉及具体的量化模型或量化因子的构建、测试与评价。报告内容侧重于对市场现状的描述性分析，而非开发新的模型或因子。 因此，本报告中**未发现**需要总结的量化模型或量化因子相关内容。

根据提供的金融工程报告内容，以下是关于量化模型和因子的总结。报告主要对宽基指数的市场表现、估值指标等进行跟踪分析，并未涉及具体的量化交易模型或用于选股的阿尔法因子。报告内容集中于市场指标的描述和计算。 量化因子与构建方式 1. **因子名称**：风险溢价[27] * **因子构建思路**：以十年期国债即期收益率为无风险利率的参考，计算各宽基指数收益率与其差值，用以衡量指数相对无风险利率的投资价值和偏离情况[27] * **因子具体构建过程**：风险溢价的计算公式为宽基指数的收益率减去十年期国债即期收益率。报告中对各指数的风险溢价进行了统计，包括当前值、历史分位值、均值和波动率等[28][29][31] * **因子评价**：各跟踪指数的风险溢价有明显的均值复归现象。中证1000和中证2000的风险溢价波动率相对较大。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[28][34] 2. **因子名称**：市盈率（PE-TTM）[37] * **因子构建思路**：观察各指数的滚动市盈率作为估值参考，衡量各指数在当前时点的投资价值[37] * **因子具体构建过程**：PE-TTM为股价除以每股收益（TTM）。报告中对各宽基指数的PE-TTM进行了跟踪，计算了其当前值、近1年及近5年历史分位值、均值和标准差等[37][40][42][43] 3. **因子名称**：股债性价比[45] * **因子构建思路**：以各指数PE-TTM的倒数（即盈利收益率）与十年期国债即期收益率之差作为股债性价比的衡量指标，观察其走势[45] * **因子具体构建过程**：股债性价比的计算公式为 $$ \text{股债性价比} = \frac{1}{\text{PE-TTM}} - \text{十年期国债即期收益率} $$ [45] 报告中通过图表展示了该指标相对于其近5年历史分位值（如80%分位的机会值和20%分位的危险值）的位置[45] 4. **因子名称**：股息率[48] * **因子构建思路**：股息率反映现金分红回报率，红利投资是一种投资风格。跟踪各指数的股息率，观察其走势和变化趋势[48] * **因子具体构建过程**：股息率为每股股息除以股价。报告中对各宽基指数的股息率进行了统计，包括当前值、历史分位值、均值和波动率等[48][51][53][54] 5. **因子名称**：破净率[55] * **因子构建思路**：破净意味着股票价格跌破公司每股净资产值，反映市场的估值态度。破净数和占比越高，低估的情况越普遍[55] * **因子具体构建过程**：破净率是指市净率（PB）小于1的个股数量占指数总成分股数量的比例。报告列出了各宽基指数当前的破净率[55] 因子的回测效果 报告中对上述因子的表现进行了数值展示，具体取值如下： 1. **风险溢价因子**[31] * 上证50，当前风险溢价-0.10%，近5年分位值46.90%，近1年波动率0.86% * 沪深300，当前风险溢价0.24%，近5年分位值63.10%，近1年波动率0.98% * 中证500，当前风险溢价1.15%，近5年分位值85.24%，近1年波动率1.30% * 中证1000，当前风险溢价1.05%，近5年分位值80.08%，近1年波动率1.46% * 中证2000，当前风险溢价1.32%，近5年分位值83.97%，近1年波动率1.68% * 中证全指，当前风险溢价0.74%，近5年分位值77.30%，近1年波动率1.17% * 创业板指，当前风险溢价0.69%，近5年分位值69.60%，近1年波动率1.86% 2. **市盈率（PE-TTM）因子**[43] * 上证50，当前值11.83，近5年历史分位值83.97%，近1年波动率0.48 * 沪深300，当前值13.95，近5年历史分位值81.65%，近1年波动率0.72 * 中证500，当前值32.16，近5年历史分位值95.04%，近1年波动率2.53 * 中证1000，当前值46.97，近5年历史分位值95.95%，近1年波动率4.15 * 中证2000，当前值154.49，近5年历史分位值81.24%，近1年波动率30.82 * 中证全指，当前值20.95，近5年历史分位值91.82%，近1年波动率1.44 * 创业板指，当前值39.81，近5年历史分位值54.88%，近1年波动率4.70 3. **股息率因子**[53] * 上证50，当前值3.31%，近5年历史分位值36.53%，近1年波动率0.41% * 沪深300，当前值2.74%，近5年历史分位值37.60%，近1年波动率0.40% * 中证500，当前值1.39%，近5年历史分位值16.94%，近1年波动率0.21% * 中证1000，当前值1.13%，近5年历史分位值48.26%，近1年波动率0.15% * 中证2000，当前值0.77%，近5年历史分位值15.12%，近1年波动率0.12% * 中证全指，当前值2.04%，近5年历史分位值36.61%，近1年波动率0.31% * 创业板指，当前值1.04%，近5年历史分位值70.83%，近1年波动率0.14% 4. **破净率因子**[55] * 上证50，当前破净率22.0% * 沪深300，当前破净率16.0% * 中证500，当前破净率12.2% * 中证1000，当前破净率7.9% * 中证2000，当前破净率3.0% * 中证全指，当前破净率6.12% * 创业板指，当前破净率1.0%

量化模型与构建方式 1. **模型名称：券商金股指数**[17] **模型构建思路：** 基于券商金股股票池，构建一个能够表征卖方分析师推荐股票池整体表现的指数，并将其与公募基金整体表现（以偏股混合型基金指数为代表）进行比较[17] **模型具体构建过程：** 每月初汇总所有券商发布的当月金股，根据每只股票被券商推荐的家数进行加权以构建指数组合，并于每月第一个交易日收盘时进行调仓[17]。为了更公允地与偏股混合型基金指数比较，在计算指数收益时，会考虑公募基金的仓位水平：使用每次调仓时点所能获取的主动股基在最近一个报告期的权益仓位中位数作为该券商金股指数的仓位[17] 2. **模型名称：券商金股行业组合**[21] **模型构建思路：** 为了检验券商金股在各行业内的Alpha挖掘能力，分行业构建组合[21] **模型具体构建过程：** 筛选出券商金股股票池中属于不同中信一级行业的个股，在每个行业内，对属于该行业的金股采用等权重方式构建行业组合[21] 3. **模型名称：券商金股业绩增强组合**[37][42] **模型构建思路：** 以对标公募基金中位数为基准，在能够较好跟踪偏股混合型基金指数的券商金股股票池中进行优选，旨在获得稳定战胜基准的表现[37][42] **模型具体构建过程：** 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，同时以全体公募基金的行业分布作为行业配置基准，从而构建最终的业绩增强组合[42] 模型的回测效果 1. **券商金股指数模型** - 本月（2025年11月）收益：-2.65%[20] - 本年（截至20251128）收益：25.18%[20] - 同期偏股混合型基金指数收益（本月）：-2.45%[20] - 同期偏股混合型基金指数收益（本年）：29.23%[20] 2. **券商金股业绩增强组合模型** - 本月（20251103-20251128）绝对收益：-1.06%[5][41] - 本月相对偏股混合型基金指数超额收益：1.39%[5][41] - 本年（20250102-20251128）绝对收益：33.65%[5][41] - 本年相对偏股混合型基金指数超额收益：4.42%[5][41] - 今年以来在主动股基中排名分位点：35.37%（1227/3469）[5][41] - 全样本期（2018.1.2-2025.6.30）年化收益（考虑仓位）：19.34%[43] - 全样本期相对偏股混合型基金指数年化超额收益：14.38%[43] - 各年度在主动股基中排名均位于前30%水平[43] 量化因子与构建方式 1. **因子名称：总市值**[3][27] **因子表现评价：** 最近一个月及今年以来在券商金股股票池中表现较好[3][27] 2. **因子名称：单季度超预期幅度**[3][27] **因子表现评价：** 最近一个月在券商金股股票池中表现较好[3][27] 3. **因子名称：SUR**[3][27] **因子表现评价：** 最近一个月及今年以来在券商金股股票池中表现较好[3][27] 4. **因子名称：单季度营收增速**[3][27] **因子表现评价：** 今年以来在券商金股股票池中表现较好[3][27] 5. **因子名称：日内收益率**[3][27] **因子表现评价：** 最近一个月在券商金股股票池中表现较差[3][27] 6. **因子名称：分析师净上调幅度**[3][27] **因子表现评价：** 最近一个月在券商金股股票池中表现较差[3][27] 7. **因子名称：分析师净上调比例**[3][27] **因子表现评价：** 最近一个月在券商金股股票池中表现较差[3][27] 8. **因子名称：EPTTM**[3][27] **因子表现评价：** 今年以来在券商金股股票池中表现较差[3][27] 9. **因子名称：预期股息率**[3][27] **因子表现评价：** 今年以来在券商金股股票池中表现较差[3][27] 10. **因子名称：BP**[3][27] **因子表现评价：** 今年以来在券商金股股票池中表现较差[3][27] 11. **因子名称：Barra风格因子**[29][32] **因子构建思路：** 用于分析券商金股股票池相对于全市场在主要风格上的暴露情况[29][32] 因子的回测效果 *注：报告未提供具体因子在回测中的量化指标值（如IC、IR、多空收益等），仅提供了近期表现的定性排序[3][27]。*