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）

量化模型与构建方式 1. 模型名称：ETF资金净流入计算模型[13] 模型构建思路：通过ETF每日份额变动与前一日净值的乘积，计算每日资金净流入/流出，并汇总得到特定时间段内的总资金流动情况[13] 模型具体构建过程： * 对于单只ETF，其每日资金净流入额的计算公式为： $$资金净流入额_t = (份额_t - 份额_{t-1}) \times 净值_{t-1}$$ 其中，$份额_t$ 代表第t日的基金总份额，$净值_{t-1}$ 代表第t-1日的基金单位净值[13] * 对发生份额拆分的ETF，需对历史份额数据进行复权处理，以保证计算口径的一致性[13] * 将特定类别（如跨境、商品型、股票型等）或特定板块（如宽基、主题行业等）内所有ETF的每日资金净流入额进行加总，得到该类别的日度资金流动数据[13] * 将考察周期（如上周）内各日的资金流动数据累计，得到该周期内的总资金净流入额[13] 模型的回测效果 1. ETF资金净流入计算模型，上周（2026.01.05-2026.01.09）全市场已上市非货币ETF资金净流入合计为-472.00亿元[13] 2. ETF资金净流入计算模型，上周跨境ETF资金净流入为139.63亿元[13] 3. ETF资金净流入计算模型，上周商品型ETF资金净流入为68.77亿元[13] 4. ETF资金净流入计算模型，上周股票型ETF资金净流出为14.72亿元[13] 5. ETF资金净流入计算模型，上周债券型ETF资金净流出为665.68亿元[13] 6. ETF资金净流入计算模型，上周股票型ETF中，宽基ETF资金净流入为-125.92亿元[13] 7. ETF资金净流入计算模型，上周中证500ETF资金净流入为35.57亿元[13] 8. ETF资金净流入计算模型，上周沪深300ETF资金净流入为35.28亿元[13] 9. ETF资金净流入计算模型，上周中证1000ETF资金净流入为25.08亿元[13] 10. ETF资金净流入计算模型，上周上证科创板100ETF资金净流入为6.67亿元[13] 11. ETF资金净流入计算模型，上周中证2000ETF资金净流入为5.99亿元[13] 12. ETF资金净流入计算模型，上周主题行业ETF资金净流入为131.26亿元[14] 13. ETF资金净流入计算模型，上周周期板块ETF资金净流入为147.37亿元[14] 14. ETF资金净流入计算模型，上周金融地产板块ETF资金净流入为23.67亿元[14] 15. ETF资金净流入计算模型，上周医药生物板块ETF资金净流入为10.51亿元[14] 16. ETF资金净流入计算模型，上周科技板块ETF资金净流入为6.51亿元[14] 17. ETF资金净流入计算模型，上周消费板块ETF资金净流出为6.87亿元[14] 18. ETF资金净流入计算模型，上周高端制造板块ETF资金净流出为35.96亿元[14] 量化因子与构建方式 1. 因子名称：增强策略ETF超额收益率[24][39] 因子构建思路：通过比较增强策略ETF的净值增长率与其业绩比较基准的收益率，计算其超越基准的收益，作为衡量其增强策略有效性的核心指标[24][39] 因子具体构建过程： * 计算增强策略ETF在特定考察期内的收益率： $$R_{fund} = \frac{NAV_{end} - NAV_{start}}{NAV_{start}}$$ 其中，$NAV_{start}$ 和 $NAV_{end}$ 分别代表考察期初和期末的基金单位净值 * 获取同期其业绩比较基准的收益率 $R_{benchmark}$ * 计算超额收益率： $$超额收益率 = R_{fund} - R_{benchmark}$$ 该值即为增强策略ETF相对于其基准的超额收益[24][39] 因子的回测效果 1. 增强策略ETF超额收益率因子，上周（2026.01.05-2026.01.09）54只已上市增强策略ETF中，有11只表现超过业绩比较基准[24] 2. 增强策略ETF超额收益率因子，近1年以来，成立满1年的33只增强策略ETF中有27只取得正超额[24] 3. 增强策略ETF超额收益率因子，近1年以来，工银中证1000增强策略ETF(561280.OF)的超额收益率为20.42%，业绩最佳[24] 4. 增强策略ETF超额收益率因子，上周，国泰沪深300增强策略ETF(561300.OF)的超额收益率为0.08%[25] 5. 增强策略ETF超额收益率因子，上周，招商中证1000增强策略ETF(159680.OF)的超额收益率为0.17%[25] 6. 增强策略ETF超额收益率因子，上周，银华中证800增强策略ETF(159517.OF)的超额收益率为0.69%[25] 7. 增强策略ETF超额收益率因子，上周，鹏华中证1000增强策略ETF(560590.OF)的超额收益率为0.21%[25] 8. 增强策略ETF超额收益率因子，上周，招商上证科创板50成份增强策略ETF(588450.OF)的超额收益率为0.72%[25] 9. 增强策略ETF超额收益率因子，上周，富国MSCI中国A50互联互通增强策略ETF(563280.OF)的超额收益率为0.05%[25] 10. 增强策略ETF超额收益率因子，近1年，工银中证1000增强策略ETF(561280.OF)的超额收益率为20.42%[25] 11. 增强策略ETF超额收益率因子，近1年，天弘中证1000增强策略ETF(159685.OF)的超额收益率为13.20%[25] 12. 增强策略ETF超额收益率因子，近1年，海富通中证2000增强策略ETF(159553.OF)的超额收益率为17.53%[25] 13. 增强策略ETF超额收益率因子，近1年，银华中证2000增强策略ETF(159555.OF)的超额收益率为13.22%[25] 14. 增强策略ETF超额收益率因子，近1年，招商中证2000增强策略ETF(159552.OF)的超额收益率为16.66%[25] 15. 增强策略ETF超额收益率因子，近1年，博时中证1000增强策略ETF(561780.OF)的超额收益率为12.46%[25] 16. 增强策略ETF超额收益率因子，近1年，南方上证科创板50成份增强策略ETF(588370.OF)的超额收益率为10.55%[25] 17. 增强策略ETF超额收益率因子，近1年，招商中证1000增强策略ETF(159680.OF)的超额收益率为10.15%[25] 18. 增强策略ETF超额收益率因子，近1年，华泰柏瑞中证1000增强策略ETF(561590.OF)的超额收益率为9.46%[25] 19. 增强策略ETF超额收益率因子，近1年，华泰柏瑞中证500增强策略ETF(561550.OF)的超额收益率为7.59%[25] 20. 增强策略ETF超额收益率因子，近1年，国泰沪深300增强策略ETF(561300.OF)的超额收益率为3.23%[25] 21. 增强策略ETF超额收益率因子，近1年，招商沪深300增强策略ETF(561990.OF)的超额收益率为4.49%[25] 22. 增强策略ETF超额收益率因子，上周，富荣沪深300增强A(004788.OF)的超额收益率为1.48%[39][41] 23. 增强策略ETF超额收益率因子，上周，天弘中证500指数增强A(001556.OF)的超额收益率为0.07%[39][41] 24. 增强策略ETF超额收益率因子，上周，华安中证1000指数增强A(015148.OF)的超额收益率为1.12%[39][41] 25. 增强策略ETF超额收益率因子，上周，鑫元国证2000指数增强A(018579.OF)的超额收益率为1.10%[39][41] 26. 增强策略ETF超额收益率因子，近1年，富荣沪深300增强A(004788.OF)的超额收益率为17.42%[40][41] 27. 增强策略ETF超额收益率因子，近1年，长城中证500指数增强A(006048.OF)的超额收益率为15.31%[40] 28. 增强策略ETF超额收益率因子，近1年，工银瑞信中证1000指数增强A(016942.OF)的超额收益率为22.70%[40] 29. 增强策略ETF超额收益率因子，近1年，汇添富国证2000指数增强A(019318.OF)的超额收益率为25.38%[40] 30. 增强策略ETF超额收益率因子，近1年，天弘中证500指数增强A(001556.OF)的超额收益率为10.49%[41] 31. 增强策略ETF超额收益率因子，近1年，天弘中证1000指数增强A(014201.OF)的超额收益率为15.82%[41] 32. 增强策略ETF超额收益率因子，近1年，天弘国证2000指数增强A(017547.OF)的超额收益率为25.24%[41]

量化模型与构建方式 **本报告为行业深度报告，未涉及具体的量化模型或量化因子的构建与测试。** 量化因子与构建方式 **本报告为行业深度报告，未涉及具体的量化模型或量化因子的构建与测试。** 模型的回测效果 **本报告为行业深度报告，未涉及具体的量化模型或量化因子的构建与测试。** 因子的回测效果 **本报告为行业深度报告，未涉及具体的量化模型或量化因子的构建与测试。**

量化模型与构建方式 1. **模型名称**：连续多年涨跌行业次年表现统计模型[8][15] * **模型构建思路**：通过统计历史数据，观察过去持续上涨或下跌的行业在次年的表现，以检验行业绝对收益是否存在均值回归特征[8][15] * **模型具体构建过程**： 1. 选定长江一级行业指数作为统计对象，数据区间为2005年至2025年[8][15] 2. 在每年年底（t年末），对每个行业进行判断： * 若该行业在过去的n年（n=2,3,4）中，每年的年度收益率均为正，则将其标记为“连续上涨n年”的行业[15] * 若该行业在过去的n年（n=2,3,4）中，每年的年度收益率均为负，则将其标记为“连续下跌n年”的行业[15] 3. 统计所有行业中，满足“连续上涨n年”或“连续下跌n年”条件的发生次数[15] 4. 计算这些行业在次年（t+1年）的表现指标： * **次年延续上涨/下跌概率**：在t年末被标记的行业中，在t+1年收益率依然为正（对于连续上涨）或为负（对于连续下跌）的行业数量占比[15][20] * **次年上涨情况下上涨均值**：在t+1年收益率为正的行业中，计算其收益率的平均值[15][20] * **次年下跌情况下下跌均值**：在t+1年收益率为负的行业中，计算其收益率的平均值[15][20] * **次年平均收益**：计算所有被标记行业在t+1年收益率的平均值[15][20] * **模型评价**：该模型揭示了行业绝对收益存在一定的均值回归特征，即“涨多回调、跌多反弹”[3][16] 2. **模型名称**：连续多年正/负超额行业次年表现统计模型[8][17] * **模型构建思路**：通过统计历史数据，观察过去持续跑赢或跑输市场的行业在次年的相对表现，以检验行业超额收益的持续性[8][17] * **模型具体构建过程**： 1. 选定长江一级行业指数作为统计对象，基准为万得全A指数，数据区间为2005年至2025年[8][17] 2. 在每年年底（t年末），对每个行业进行判断： * 计算行业每年相对于万得全A指数的超额收益（行业年收益率 - 万得全A年收益率）[17] * 若该行业在过去的n年（n=2,3,4）中，每年的超额收益均为正，则将其标记为“连续正超额n年”的行业[17] * 若该行业在过去的n年（n=2,3,4）中，每年的超额收益均为负，则将其标记为“连续负超额n年”的行业[17] 3. 统计所有行业中，满足“连续正超额n年”或“连续负超额n年”条件的发生次数[17] 4. 计算这些行业在次年（t+1年）的表现指标： * **次年延续正/负超额概率**：在t年末被标记的行业中，在t+1年超额收益依然为正（对于连续正超额）或为负（对于连续负超额）的行业数量占比[17][21] * **次年正超额情况下正超额均值**：在t+1年超额收益为正的行业中，计算其超额收益的平均值[17][21] * **次年负超额情况下负超额均值**：在t+1年超额收益为负的行业中，计算其超额收益的平均值[17][21] * **次年平均超额收益**：计算所有被标记行业在t+1年超额收益的平均值[17][21] * **模型评价**：该模型表明，无论是连续正超额还是连续负超额的行业，其次年相对于市场的表现均较弱，负超额概率较高[3][12][22] 模型的回测效果 1. **连续多年涨跌行业次年表现统计模型** [20] * **连续上涨2年**：发生次数175，次年延续上涨概率40.00%，次年上涨情况下上涨均值43.95%，次年下跌情况下下跌均值-31.01%，次年平均收益-1.02% * **连续上涨3年**：发生次数60，次年延续上涨概率28.33%，次年上涨情况下上涨均值38.01%，次年下跌情况下下跌均值-22.35%，次年平均收益-5.25% * **连续上涨4年**：发生次数17，次年延续上涨概率35.29%，次年上涨情况下上涨均值14.79%，次年下跌情况下下跌均值-17.80%，次年平均收益-6.30% * **连续下跌2年**：发生次数108，次年延续下跌概率43.52%，次年上涨情况下上涨均值24.92%，次年下跌情况下下跌均值-16.22%，次年平均收益7.02% * **连续下跌3年**：发生次数46，次年延续下跌概率26.09%，次年上涨情况下上涨均值28.94%，次年下跌情况下下跌均值-12.89%，次年平均收益18.03% * **连续下跌4年**：发生次数11，次年延续下跌概率27.27%，次年上涨情况下上涨均值22.76%，次年下跌情况下下跌均值-4.00%，次年平均收益15.46% 2. **连续多年正/负超额行业次年表现统计模型** [21] * **连续正超额2年**：发生次数82，次年延续正超额概率32.93%，次年正超额情况下正超额均值21.91%，次年负超额情况下负超额均值-29.50%，次年平均超额收益-12.57% * **连续正超额3年**：发生次数26，次年延续正超额概率34.62%，次年正超额情况下正超额均值33.40%，次年负超额情况下负超额均值-22.00%，次年平均超额收益-2.82% * **连续正超额4年**：发生次数9，次年延续正超额概率11.11%，次年正超额情况下正超额均值73.68%，次年负超额情况下负超额均值-26.84%，次年平均超额收益-15.67% * **连续负超额2年**：发生次数244，次年延续负超额概率62.70%，次年正超额情况下正超额均值10.97%，次年负超额情况下负超额均值-21.65%，次年平均超额收益-9.48% * **连续负超额3年**：发生次数141，次年延续负超额概率60.99%，次年正超额情况下正超额均值9.27%，次年负超额情况下负超额均值-19.12%，次年平均超额收益-8.04% * **连续负超额4年**：发生次数78，次年延续负超额概率65.38%，次年正超额情况下正超额均值9.03%，次年负超额情况下负超额均值-16.39%，次年平均超额收益-7.59%

量化模型与构建方式 1. **模型名称：华鑫市场情绪温度指标**[5][8][19] * **模型构建思路：** 该模型旨在通过多维度市场数据构建一个综合性的市场情绪指标，用于判断市场情绪状态（如过冷、过热），属于摆荡指标，适用于震荡市的高抛低吸策略[19]。 * **模型具体构建过程：** 模型从6大维度选取数据，通过对过去5年的历史数据进行统计及回测构建而成[19]。具体维度包括： 1. 指数涨跌幅 2. 成交量 3. 涨跌家数 4. KDJ指标 5. 北向资金数据 6. 融资融券数据 模型最终输出一个0-100分的综合评分，并根据评分将市场情绪划分为五个等级：过冷（0-19分）、较冷（20-39分）、中性（40-59分）、较热（60-79分）、过热（80-100分）[5][19]。 * **模型评价：** 该指标属于摆荡指标，更多提供在震荡市时的高抛低吸参考，对于趋势缺乏预测效果。当市场出现趋势时，指标可能出现钝化现象[19]。 模型的回测效果 1. 华鑫市场情绪温度指标， 当前市场情绪综合评分为95分， 市场情绪状态为“过热”[5][8] 2. 华鑫市场情绪温度指标， 历史回测显示， 当情绪值低于或接近60分时市场将获得支撑， 当情绪值高于90分时将出现阻力[8] 量化因子与构建方式 1. **因子名称：融资净买入额**[11][19] * **因子构建思路：** 该因子反映投资者通过融资交易（借钱买入）对某只股票或市场的看多情绪和资金流入情况[19]。 * **因子具体构建过程：** 直接使用Wind等数据源提供的“融资净买入额”数据，单位为万元。其计算逻辑为指定时间段内（如前一日）融资买入额与融资偿还额的差额[11]。 2. **因子名称：融券净卖出额**[12][19] * **因子构建思路：** 该因子反映投资者通过融券交易（借券卖出）对某只股票或市场的看空情绪[19]。 * **因子具体构建过程：** 直接使用Wind等数据源提供的“融券净卖出”数据，单位为万元。其计算逻辑为指定时间段内（如前一日）融券卖出额与融券偿还额的差额[12]。 3. **因子名称：期间净买入额（双融）**[19] * **因子构建思路：** 该因子综合了融资和融券两方面的信息，反映融资融券整体资金流向，是融资看多力量与融券看空力量的净额[19]。 * **因子具体构建过程：** 期间净买入额由融资净买入额减去融券净卖出额得到[19]。公式为： $$期间净买入额 = 融资净买入额 - 融券净卖出额$$ 4. **因子名称：主力净流入额**[9][10] * **因子构建思路：** 该因子反映大额资金（主力资金）对某只股票的净买入情况，常用于判断资金关注度。 * **因子具体构建过程：** 直接使用数据源提供的“主力净流入额”数据，单位为万元。通常基于Level-2行情数据中的大单、中单、小单成交额计算得出。 因子的回测效果 *注：报告中未提供各因子的具体回测指标（如IC、IR、多空收益等）数值，仅展示了基于这些因子计算的个股或行业排名数据。以下为根据报告内容整理的因子取值示例。* 1. 融资净买入额因子， 个股示例：蓝色光标(300058.SZ)融资净买入额为131,086.20万元[11] 2. 融资净买入额因子， 行业示例：SW计算机行业融资净买入额为559,297万元[16] 3. 融券净卖出额因子， 个股示例：太平洋(601099.SH)融券净卖出额为1,022.82万元[12] 4. 融券净卖出额因子， 行业示例：SW计算机行业融券净卖出额为1,390万元[16] 5. 主力净流入额因子， 个股示例：东方财富(300059.SZ)主力净流入额为181,015.77万元[9] 6. 主力净流入额因子， 行业示例：SW计算机行业主力净流入额为1,224,902万元[14]

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** * **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. 在每个交易日，识别出盘中最高价达到涨停价的股票集合。 3. 从该集合中，进一步筛选出收盘价仍为涨停价的股票。 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：连板率因子** * **因子构建思路：** 通过计算连续两个交易日收盘涨停的股票比例，来衡量市场炒作热度的持续性[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. 在每个交易日，识别出前一日（T-1日）收盘价为涨停价的股票集合。 3. 从该集合中，进一步筛选出当日（T日）收盘价也为涨停价的股票。 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：大宗交易折价率因子** * **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[27]。 * **因子具体构建过程：** 1. 获取当日所有大宗交易的成交数据，包括成交金额和成交数量[27]。 2. 计算大宗交易的总成交金额。 3. 计算大宗交易成交份额按当日收盘价计算的总市值。 4. 计算折价率，公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[27] 该值为负表示折价交易，绝对值越大折价越深。 4. **因子名称：股指期货年化贴水率因子** * **因子构建思路：** 通过计算股指期货主力合约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：** 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[29]。 2. 计算基差：基差 = 股指期货价格 - 现货指数价格[29]。 3. 计算年化贴水率，公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[29] 结果为负表示期货贴水，为正表示升水。 因子的回测效果 *本报告为市场监测日报，主要展示市场指标的当日或近期状态，并未提供基于历史数据的长期回测结果，如年化收益、夏普比率、信息比率(IR)等量化因子评价指标。报告中提及的因子取值均为特定时点的观测值，具体如下：* 1. **封板率因子**，2026年01月12日取值：**76%**[17] 2. **连板率因子**，2026年01月12日取值：**46%**[17] 3. **大宗交易折价率因子**，2026年01月09日取值：**8.67%**[27]；近半年以来平均取值：**6.75%**[27] 4. **股指期货年化贴水率因子** * **上证50股指期货**，2026年01月12日取值：**0.65%**，近一年中位数：**0.70%**[29] * **沪深300股指期货**，2026年01月12日取值：**1.93%**，近一年中位数：**3.79%**[29] * **中证500股指期货**，2026年01月12日取值：**0.88%**，近一年中位数：**11.15%**[29] * **中证1000股指期货**，2026年01月12日取值：**3.17%**，近一年中位数：**13.61%**[29]