量化模型与因子总结 量化模型与构建方式 根据提供的研报内容，**未发现**涉及具体的量化选股模型或多因子模型的构建与测试。报告主要为ETF市场的周度数据统计与描述，未展示如Alpha模型、风险模型等量化模型的构建思路、过程及评价。 量化因子与构建方式 根据提供的研报内容，**未发现**涉及具体的量化因子（如价值、动量、质量等）的构建、测试与分析。报告中的“估值分位数”等属于市场状态描述指标，并非用于选股或组合构建的量化因子。 模型的回测效果 **未提供相关内容**。 因子的回测效果 **未提供相关内容**。 报告核心内容概述 本报告为一篇ETF市场周报，主要对各类ETF的业绩、规模、估值、资金流向及管理人情况进行数据统计与描述[1][2][3][4][5][6]。报告核心内容总结如下： 1. **ETF业绩表现**：统计了上周（2026年03月30日至04月03日）不同资产类别、宽基、板块及主题ETF的周度收益率中位数[2][13]。例如，股票型ETF周度收益率中位数为-1.98%，宽基中上证50ETF跌幅最小（-0.24%），主题中医药ETF收益最高（2.44%）[2][13][15]。 2. **ETF规模与净申赎**：展示了截至上周末的ETF规模，并计算了上周的规模变动与净申赎规模[20][22][25]。计算方法为：使用上市后ETF当日的份额变动乘以收盘价来近似计算每日净申赎规模；为规避干扰，份额折算/拆分当日份额变动设为0，并剔除了分红导致的规模变动[25]。例如，上周股票型ETF总体净赎回245.39亿元，宽基中科创板ETF净申购最多（4.78亿元），主题中红利ETF净申购最多（18.21亿元）[3][25][28][33]。 3. **ETF基准指数估值情况**：使用每日各类别内ETF基准指数的估值（PE、PB）中位数代表该类ETF的估值，并计算该中位数在过去5年（科创板自2019年底起）的历史分位数[34]。例如，截至上周末，创业板类ETF的市盈率分位数相对较低（67.54%），医药ETF的估值分位数较前周明显提升[34][40][41]。 4. **ETF融资融券情况**：统计了股票型ETF的融资余额与融券余量变动[42]。并列出了上周日均融资买入额和融券卖出量最高的10只ETF[46][48]。例如，创业板类ETF和证券ETF的日均融资买入额较高，中证1000ETF和沪深300ETF的日均融券卖出量较高[5][46][48][49]。 5. **ETF管理人**：统计了各基金公司已上市的非货币ETF总管理规模及细分类型规模[50][51]。截至上周末，华夏、易方达、华泰柏瑞三家基金公司的管理规模排名前三[6][50]。

量化模型与构建方式 1. **模型名称：期现对冲策略（连续对冲与最低贴水策略）**[41] * **模型构建思路**：通过构建现货多头（持有标的指数）与期货空头（做空股指期货合约）的组合，利用股指期货基差（期货价格与现货指数价格的差值）的收敛特性来获取收益或进行风险管理[41]。 * **模型具体构建过程**： * **现货端**：持有对应标的指数（如中证500、沪深300等）的全收益指数[42][43]。 * **期货端**：做空对应标的的股指期货合约，名义本金与现货端相等[42][43]。 * **资金分配**：总资金的70%用于现货端，剩余30%作为期货保证金[42][43]。 * **调仓规则**（分为两种策略）： * **连续对冲策略**：连续持有当月或季月合约，直至该合约距离到期日不足2日时，在收盘价平仓并同时卖空下一份当月或季月合约[42]。 * **最低贴水策略**：调仓时，计算所有可交易期货合约的年化基差，选择年化基差贴水幅度最小的合约开仓。同一合约持有8个交易日后，或距离到期日不足2日时，才可重新选择新合约（排除剩余到期日不足8日的合约）[43]。 2. **因子名称：分红调整年化基差**[18][19] * **因子构建思路**：为了准确衡量股指期货合约的真实溢价或折价水平，需要剔除标的指数成分股在合约存续期内预期分红对期货价格的影响[18]。 * **因子具体构建过程**： 1. **预测分红点位**：基于指数成分股历史分红情况，预测未来一年内各标的指数的分红总点数[9]。例如，2026年4月3日预测中证500、沪深300、上证50、中证1000指数分红点位分别为83.85、72.11、51.65、63.46[9]。 2. **计算预期分红调整后的基差**：在期货实际基差的基础上，加上存续期内尚未实现的预期分红点数[19]。 $$预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红$$[19] 3. **年化处理**：将调整后的基差转化为年化形式，便于不同期限合约间的比较[19]。 $$年化基差 = \frac{(实际基差 + (预期)分红点位)}{指数价格} \times \frac{360}{合约剩余天数}$$[20] 3. **因子名称：波动率指数 (VIX)**[59] * **因子构建思路**：借鉴成熟市场经验，结合国内期权市场实际，构建反映市场对未来30日标的资产波动率预期的指数[59]。 * **因子具体构建过程**：报告未详细描述具体计算公式，但指出其编制方法进行了适应性调整，旨在构建更贴合我国市场特征的波动率指数体系[59]。该指数基于期权价格计算，反映了期权投资者对标的资产未来波动水平的预期[59]。 4. **因子名称：偏度指数 (SKEW)**[63] * **因子构建思路**：通过衡量不同行权价格下期权隐含波动率（IV）的偏斜形态，来刻画市场对标的资产未来收益率分布（尤其是尾部风险）的预期[63]。 * **因子具体构建过程**：报告未给出具体计算公式，但阐述了其原理。当投资者担忧下行风险时，看跌期权需求上升，会推高虚值看跌期权的隐含波动率，导致波动率曲线向左倾斜（负偏），SKEW指数升高。该指数常被视为“黑天鹅指数”，用于反映市场对潜在极端下跌风险的担忧程度[63]。 模型的回测效果 *回测区间：2022年7月22日至2026年4月3日[42][43]* 1. **IC（中证500）期现对冲模型**[45] * **当月连续对冲策略**：年化收益-3.34%，波动率3.81%，最大回撤-12.10%，净值0.8828，年换手次数12次，2026年以来收益-0.19%[45]。 * **季月连续对冲策略**：年化收益-2.61%，波动率4.88%，最大回撤-10.94%，净值0.9076，年换手次数4次，2026年以来收益-0.13%[45]。 * **最低贴水策略**：年化收益-1.69%，波动率4.55%，最大回撤-8.56%，净值0.9392，年换手次数17.43次，2026年以来收益-0.23%[45]。 * **指数表现（基准）**：年化收益5.04%，波动率21.25%，最大回撤-31.46%，净值1.1980，2026年以来收益-1.52%[45]。 2. **IF（沪深300）期现对冲模型**[50] * **当月连续对冲策略**：年化收益0.20%，波动率2.83%，最大回撤-3.95%，净值1.0074，年换手次数12次，2026年以来收益-0.21%[50]。 * **季月连续对冲策略**：年化收益0.65%，波动率3.22%，最大回撤-4.03%，净值1.0241，年换手次数4次，2026年以来收益0.35%[50]。 * **最低贴水策略**：年化收益1.15%，波动率2.98%，最大回撤-4.06%，净值1.0429，年换手次数15.52次，2026年以来收益0.46%[50]。 * **指数表现（基准）**：年化收益1.28%，波动率16.81%，最大回撤-25.59%，净值1.0478，2026年以来收益-5.87%[50]。 3. **IH（上证50）期现对冲模型**[54] * **当月连续对冲策略**：年化收益0.99%，波动率2.88%，最大回撤-4.22%，净值1.0369，年换手次数12次，2026年以来收益0.04%[54]。 * **季月连续对冲策略**：年化收益2.01%，波动率3.28%，最大回撤-3.75%，净值1.0756，年换手次数4次，2026年以来收益0.65%[54]。 * **最低贴水策略**：年化收益1.65%，波动率2.93%，最大回撤-3.91%，净值1.0618，年换手次数14.98次，2026年以来收益0.54%[54]。 * **指数表现（基准）**：年化收益-0.17%，波动率15.86%，最大回撤-22.96%，净值0.9937，2026年以来收益-8.68%[54]。 4. **IM（中证1000）期现对冲模型**[56] * **当月连续对冲策略**：年化收益-6.18%，波动率4.30%，最大回撤-21.04%，净值0.7913，年换手次数12次，2026年以来收益-0.54%[56]。 * **季月连续对冲策略**：年化收益-4.95%，波动率5.40%，最大回撤-18.06%，净值0.8298，年换手次数4次，2026年以来收益-0.76%[56]。 * **最低贴水策略**：年化收益-3.90%，波动率5.12%，最大回撤-14.41%，净值0.8640，年换手次数15.25次，2026年以来收益0.05%[56]。 * **指数表现（基准）**：年化收益1.89%，波动率24.02%，最大回撤-41.60%，净值1.0714，2026年以来收益-2.80%[56]。 因子的回测效果 *截至2026年4月3日数据* 1. **分红调整年化基差因子**[21][26][31][36] * **IC当季合约**：当前值-7.81%，周内高点-7.49%，低于2022年初以来中位数[21]。 * **IF当季合约**：当前值-4.92%，周内高点-4.32%，低于2022年初以来中位数[26]。 * **IH当季合约**：当前值-1.57%，周内高点-0.69%，低于2022年初以来中位数[31]。 * **IM当季合约**：当前值-10.99%，周内低点-12.15%，低于2022年初以来中位数[36]。 2. **波动率指数 (VIX) 因子**[59] * **上证50VIX (30日)**：当前值21.27，在2024年以来的分位数为71%[59]。 * **沪深300VIX (30日)**：当前值20.98，在2024年以来的分位数为69%[59]。 * **中证500VIX (30日)**：当前值33.68，在2024年以来的分位数为90%[59]。 * **中证1000VIX (30日)**：当前值29.68，在2024年以来的分位数为73%[59]。 3. **偏度指数 (SKEW) 因子**[64] * **上证50SKEW**：当前值102.87，在2024年以来的分位数为87.6%[64]。 * **沪深300SKEW**：当前值105.17，在2024年以来的分位数为85.2%[64]。 * **中证500SKEW**：当前值104.75，在2024年以来的分位数为91.1%[64]。 * **中证1000SKEW**：当前值102.88，在2024年以来的分位数为56.1%[64]。

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：电力系统三角配置策略模型[5][7][58] * **模型构建思路**：采用“防御+稳健+进攻”的资产配置框架，通过选取不同风险收益特征、代表电力产业链不同环节的指数产品进行组合，旨在控制组合整体波动的同时保留向上弹性，实现风险与收益的平衡[5][58][60]。 * **模型具体构建过程**： 1. **资产分类与选择**：将电力产业链资产划分为三类： * **防御端**：选择以高股息电力运营企业为主的**电力指数（H30199.CSI）**，对应产品为广发中证全指电力公用事业ETF（159611）[7][58]。 * **稳健端**：选择直接受益于电网建设投资确定性的**恒生A股电网设备指数（HSCAUPG.HI）**，对应产品为广发恒生A股电网设备ETF（159320）[7][63]。 * **进攻端**：选择覆盖光伏、动力电池、储能电池等高成长赛道的指数，包括： * **光伏龙头30指数（931798.CSI）**，对应产品为广发中证光伏龙头30ETF（560980）[11][63]。 * **国证新能源车电池指数**，对应产品为广发国证新能源车电池ETF（159755）[11][63]。 * **国证新能源电池指数**，对应产品为广发国证新能源电池ETF（159305）[11][63]。 2. **权重配置**：为三类资产设定固定的配置权重。防御端（电力指数）配置权重为30%，稳健端（电网设备指数）配置权重为25%，进攻端（三只产品合计）配置权重为45%（每只产品各15%）[58][63]。 模型的回测效果 1. **电力系统三角配置策略模型（各成分指数历史收益表现）**[67] * **电力指数（H30199.CSI）**：近十年累计收益35.21%，近八年37.89%，近五年43.35%，近三年26.14%，近一年23.66%，近半年14.63%，近三个月14.49%，近一个月15.45%[67]。 * **光伏龙头30指数（931798.CSI）**：近十年累计收益160.40%，近八年128.29%，近五年11.76%，近三年-14.99%，近一年77.17%，近半年42.70%，近三个月23.22%，近一个月9.45%[67]。 * **恒生A股电网设备指数（HSCAUPG.HI）**：近三年累计收益157.47%，近一年127.03%，近半年55.25%，近三个月33.14%，近一个月9.72%[67]。 * **新能电池指数（980032.CNI）**：近十年累计收益223.37%，近八年118.10%，近五年39.83%，近三年29.13%，近一年55.72%，近半年19.56%，近三个月8.78%，近一个月3.65%[67]。 * **新能源电池指数（980027.CNI）**：近十年累计收益211.08%，近八年193.36%，近五年73.28%，近三年30.88%，近一年63.63%，近半年20.01%，近三个月13.06%，近一个月8.13%[67]。 2. **电力系统三角配置策略模型（各成分指数估值表现，截至2026年3月13日）**[69][70] * **电力指数（H30199.CSI）**：市盈率（PE）19.54倍（近五年分位数52.73%），市净率（PB）1.90倍（近五年分位数87.85%）[69][70]。 * **光伏龙头30指数（931798.CSI）**：市盈率（PE）31.50倍（近五年分位数72.48%），市净率（PB）3.26倍（近五年分位数51.32%）[69][70]。 * **新能电池指数（980032.CNI）**：市盈率（PE）31.27倍（近五年分位数54.05%），市净率（PB）4.20倍（近五年分位数49.17%）[69][70]。 * **新能源电池指数（980027.CNI）**：市盈率（PE）31.22倍（近五年分位数94.64%），市净率（PB）4.68倍（近五年分位数98.70%）[69][70]。 量化因子与构建方式 1. **因子名称**：火电企业盈利稳定性因子[14][15] * **因子构建思路**：捕捉新型电力系统下，火电企业盈利模式从“赚电量差价”向“赚系统服务费”转变所带来的盈利波动性降低效应，其核心驱动在于容量电价和煤电联动机制[14][15]。 * **因子具体构建过程**：该因子并非通过单一公式构建，而是通过分析火电企业盈利驱动逻辑的转变来定性识别。关键观测点包括： 1. **容量电价收入**：作为提供系统可靠性的保底收益，构成企业盈利的稳定底部[15]。 2. **煤电联动传导**：燃料成本压力可向下游传导，平抑煤价波动对净利润的冲击[15]。 3. **ROE波动性**：观察火电企业历史ROE与煤价的负相关关系是否因上述机制而减弱，从而表现出更稳定的“类债资产”特征[15][17]。 2. **因子名称**：新能源“质变价值”因子[18][20] * **因子构建思路**：捕捉新能源资产价值从依赖补贴和政策驱动的“量增逻辑”，转向由市场化环境溢价和技术平价消纳能力驱动的“质变逻辑”[18]。 * **因子具体构建过程**：该因子通过多维度的市场化和技术指标来综合评估。关键构成部分包括： 1. **环境溢价**：通过绿证交易体系，体现“电能量价值+环境价值”的双重溢价，观测绿证价格变化（如图表3显示2025年回升）[18][21]。 2. **消纳与调节能力**：通过“新能源+储能”模式的成熟度以及是否获得容量补偿，将波动性电源重塑为具备调峰能力的可控电源，从而获得更确定的长期内部收益率（IRR）[20]。 3. **市场化收益**：脱离政策补贴，在电力市场（包括电量市场、辅助服务市场等）中实现收益的能力[18]。 3. **因子名称**：电网投资确定性因子[29][30] * **因子构建思路**：基于电网投资在新型电力系统建设中的刚性需求、抗周期属性以及政策规划确定性，捕捉相关资产的稳健增长特征[29][30]。 * **因子具体构建过程**：该因子通过宏观和行业层面的数据来验证。关键验证指标包括： 1. **投资增速**：跟踪电网投资完成额的同比增速，例如报告中指出2025年同比增长5.1%，“十五五”期间规划投资较“十四五”增长40%[29]。 2. **需求稳定性**：基于全社会用电量持续正增长的趋势，确认基础负荷的稳定性[30][31]。 3. **政策规划**：关注国家级电网建设规划（如特高压工程）和数字化升级政策（如《关于推进‘人工智能+’能源高质量发展的实施意见》）带来的确定性需求[36][41]。 4. **因子名称**：储能产业链景气度因子[42][46] * **因子构建思路**：通过跟踪储能电池及其上游关键原材料的价格变化，捕捉储能需求爆发带来的产业链景气度上行周期[42][46]。 * **因子具体构建过程**：该因子由一系列价格监测指标构成。核心价格序列包括： 1. **储能电池价格**：观测其价格变化周期，例如报告指出2025年下半年进入上涨周期[42]。 2. **上游资源品价格**：如电池级碳酸锂、氢氧化锂的价格走势（如图表12所示V型反转）[46][47]。 3. **关键材料价格**：包括六氟磷酸锂、电解液添加剂（VC）、电解液溶剂（EC）、铜箔加工费、隔膜价格等的变化情况，观察其是否因供需格局逆转而进入涨价或修复周期[50][52][54][56][57]。

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：封板率与连板率计算模型[18] * **模型构建思路**：通过统计上市满3个月以上的股票，计算其涨停封板成功率以及连续涨停的概率，用以衡量市场短线炒作的热度和持续性[18]。 * **模型具体构建过程**： 1. **封板率**：筛选出在交易日盘中最高价曾达到涨停价的股票，再从中统计收盘价仍为涨停的股票数量，两者之比即为封板率[18]。 公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[18] 2. **连板率**：统计前一日收盘涨停的股票中，在当日收盘仍为涨停的股票数量，两者之比即为连板率[18]。 公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[18] 2. **模型名称**：大宗交易折价率计算模型[28] * **模型构建思路**：通过计算大宗交易成交价相对于市值的折价幅度，来反映大额资金的交易情绪和偏好[28]。 * **模型具体构建过程**：统计每日所有大宗交易的总成交金额，并计算这些交易份额若按当日市价计算的总市值，用总成交金额除以总市值再减1得到整体折价率[28]。 公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[28] 3. **模型名称**：股指期货年化贴水率计算模型[30] * **模型构建思路**：计算股指期货主力合约价格与现货指数价格之间的基差，并将其年化，用以衡量市场对未来走势的预期以及股指对冲的成本[30]。 * **模型具体构建过程**：首先计算基差（股指期货价格减去现货指数价格），然后除以现货指数价格，再乘以年化因子（250天除以合约剩余交易日数），得到年化贴水率[30]。 公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[30] * **模型评价**：该指标受金融市场利率、股市分红、市场情绪等多因素影响，其变化能反映市场预期[30]。 模型的回测效果 1. 封板率与连板率计算模型，2026年4月3日封板率取值68%[18]，2026年4月3日连板率取值19%[18]。 2. 大宗交易折价率计算模型，近半年平均折价率取值7.15%[28]，2026年4月2日折价率取值4.10%[28]。 3. 股指期货年化贴水率计算模型，近一年中证500股指期货年化贴水率中位数取值10.99%[30]，2026年4月3日中证500股指期货年化贴水率取值11.90%[30]。 量化因子与构建方式 1. **因子名称**：ETF折溢价因子[25] * **因子构建思路**：利用ETF场内交易价格与场外净值（IOPV）的差异构建因子，反映投资者对特定板块或主题的情绪[25]。 * **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，计算其收盘价与IOPV的差值占IOPV的比例，即为该ETF的日度折溢价率[25]。 2. **因子名称**：机构调研热度因子[32] * **因子构建思路**：统计近期对上市公司进行调研的机构数量，作为衡量机构关注度的代理变量[32]。 * **因子具体构建过程**：统计近7天内对某家上市公司进行调研或参加分析师会议的机构总数[32]。 3. **因子名称**：龙虎榜机构净流入因子[37] * **因子构建思路**：通过龙虎榜公布的机构专用席位买卖数据，构建反映机构资金当日净流入强度的因子[34][37]。 * **因子具体构建过程**：对于登上龙虎榜的个股，汇总其所有机构专用席位的买入总额与卖出总额，两者之差即为该股票的机构净流入额[37]。 因子的回测效果 （注：报告未提供基于上述因子的策略回测结果，如年化收益、夏普比率、最大回撤等量化指标，故本部分无具体数值可总结。）

量化模型与构建方式 1. **模型/因子名称：250日新高距离**[11] * **构建思路**：该指标用于衡量当前价格相对于过去一段时间内最高价格的回落幅度，是趋势跟踪和动量策略中的一个关键度量。当价格创出新高时，该值为0；价格从高点回落时，该值为正，表示回落的百分比。[11] * **具体构建过程**：计算最新收盘价与过去250个交易日最高收盘价的相对距离。 * 公式为： $$250 日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ * 其中，`Closet` 代表最新收盘价，`ts_max(Close, 250)` 代表过去250个交易日收盘价的最大值。[11] 2. **模型名称：平稳创新高股票筛选模型**[26][28] * **构建思路**：该模型旨在从近期创出250日新高的股票中，进一步筛选出具有更强趋势延续潜力的“平稳创新高”股票。其理论基础在于，遵循平滑价格路径的动量股相比跳跃式上涨的动量股，未来表现可能更优（“温水煮青蛙”效应）。[26] * **具体构建过程**：采用多步骤条件筛选法。 1. **初选股票池**：筛选出过去20个交易日内曾创出250日新高的股票。[19][26] 2. **分析师关注度筛选**：要求过去3个月内，获得“买入”或“增持”评级的分析师研报不少于5份。[28] 3. **股价相对强弱筛选**：要求过去250日涨跌幅位于全市场前20%。[28] 4. **股价平稳性与创新高持续性筛选**：在满足上述条件的股票池内，使用两个指标综合打分，并选取排名在前50%的股票。 * **价格路径平滑性**：使用股价位移路程比进行度量。具体公式在报告中以文字描述为：“过去 120 日涨跌幅的绝对值”除以“过去 120 日日涨跌幅绝对值加总”。[26] * **创新高持续性**：使用过去120日的250日新高距离在时间序列上的均值进行度量。[28] 5. **趋势延续性筛选**：计算过去5日的250日新高距离在时间序列上的均值，并选取该值排序靠前的50只股票作为最终输出。[28] 模型的回测效果 *本报告为市场监测周报，主要展示截至特定日期的指标截面数据，未提供模型或因子在历史时间序列上的回溯测试绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。因此，本部分无相关测试结果取值。* 量化因子与构建方式 1. **因子名称：价格路径平滑性（股价位移路程比）**[26] * **构建思路**：该因子用于量化股价上涨路径的平稳程度。理论认为，平稳上涨的股票相比剧烈波动的股票，其动量效应可能更持续。[26] * **具体构建过程**：计算一定期间内（报告中为120日）的总涨幅绝对值与期间内每日涨跌幅绝对值之和的比值。 * 公式的文字描述为： $$价格路径平滑性 = \frac{过去 120 日涨跌幅的绝对值}{过去 120 日日涨跌幅绝对值加总}$$[26] * 该比值越接近1，表明股价路径越直接、平滑；比值越小，表明股价路径越曲折、波动越大。 2. **因子名称：创新高持续性**[28] * **构建思路**：该因子用于度量股票在近期维持接近其价格高点的能力，即创新高状态的持续性。[28] * **具体构建过程**：计算股票在过去一段时间内（报告中为120日）的“250日新高距离”的时间序列均值。 * 因子值越小，表明股票在近期越持续地接近或创出新高。 3. **因子名称：趋势延续性**[28] * **构建思路**：该因子用于捕捉短期内的趋势强度，通过计算最近几日（报告中为5日）的“250日新高距离”均值来反映股票是否在持续逼近新高。[28] * **具体构建过程**：计算股票在过去5个交易日的“250日新高距离”的时间序列均值。 * 因子值越小，表明股票在近期越强劲地延续其上涨趋势。 因子的回测效果 *本报告为市场监测周报，主要展示截至特定日期的指标截面数据，未提供因子在历史时间序列上的IC、IR、多空收益等回溯测试绩效指标。因此，本部分无相关测试结果取值。*

量化模型与构建方式 1. 模型名称：宏观因子优选风格配置策略 - **模型构建思路**：基于经济增长、通货膨胀、货币信贷三大维度的宏观经济指标，构建宏观单因子库，通过“分组构建法”分别研判“大/小市值”和“高/低估值”两组风格的轮动信号，再动态优选并复合有效因子，最终形成对四个宽基指数（中证红利、创业板指、上证50、中证1000）的配置权重[1][13]。 - **模型具体构建过程**： 1. **宏观单因子构建**：从三大维度（经济增长、通货膨胀、货币信贷）选取宏观指标（如PMI、CPI、M2等）[25]。对每个指标，从四个方向进行衍生：[26] - **指标原值**：使用指标的原始值（如同比、环比）。 - **趋势动量**：计算指标在特定周期（如3、6、9、12、18、24个月）内的变化率。$$趋势动量 = \frac{当前值 - N个月前值}{N个月前值}$$[28] - **均线斜率**：计算指标在特定周期（如3、6、9、12、24个月）移动平均线的斜率。 - **均线偏离度**：计算指标当前值与其特定周期（如3、6、9、12、24个月）移动平均线的偏离程度。 最终构建包含429个单因子的因子库[29]。 2. **单因子逻辑净值化（分组构建法）**：对每个宏观单因子，分别针对“大/小市值”和“高/低估值”两组风格独立生成交易信号和策略净值[43]。 - **信号逻辑**：根据预设的经济学逻辑（如图表8）将因子值转化为风格占优判断[30]。例如，CPI同比>0时，判断为利好大盘风格（上证50）和低估值风格（中证红利）[33][51]。 - **换仓机制**：在宏观数据披露日（PIT）实时建模并交易。若数据在14:00前发布，则当日收盘价交易；若在14:00后发布，则次日收盘价交易[17][35][36]。 - **业绩基准**： - 大小市值组合基准：上证50与中证1000的日度等权收益率[43]。 - 高低估值组合基准：中证红利与创业板指的日度等权收益率[43]。 每个单因子会生成两条独立的策略净值（分别对应两组风格），共得到918条单因子策略净值[46]。 3. **因子动态优选与复合**： - **Step1 单因子策略打分**：每月末，计算每条单因子策略净值的长期动量（近1年超额收益率）和短期动量（近2周超额收益率）[66]。对全部918条净值的长、短期动量值分别进行排序（Rank），然后将两个Rank值等权相加得到综合得分[68][69]。 - **Step2 单因子策略优选**：采用“不分层”模式，直接从全部单因子策略池中选取综合得分排名最高的10个策略，构成当期优选因子池[74][79]。 - **Step3 优选因子复合**：将优选出的10个策略按其对应的风格（大小市值或高低估值）分组。对每组内的因子信号，采用“等权投票器”方式进行复合，即统计看多某风格（如大盘）的因子数量占比，得到两组风格的复合信号（数值在-1到1之间）[87][88][89]。 - **Step4 确定目标持仓**：根据复合信号确定占优的风格指数（如大盘信号为1则选中证50，为-1则选中证1000）。两组风格指数间的配置权重（w_scale : w_value）不采用等权，而是根据优选池中两组风格因子的数量占比（N1:N2）进行加权，认为因子数量越多，信号“可信度”越高[92][93][94][98]。 - **模型评价**：该方法较传统宏观建模方法效率更高，对市场状态变化的滞后性更低，且能通过分组建模清晰刻画不同宏观因子对各类风格定价的有效性差异[61]。 模型的回测效果 - **宏观因子优选风格配置策略**，年化收益率17.3%，超额收益最大回撤15.6%，超额卡玛比率1.17[2][99]。 - **宏观因子优选风格配置策略（按可信度加权方案）**，平均年化超额收益17.3%，超额净值最大回撤15.6%，超额卡玛比率1.11[97]。 - **宏观因子优选风格配置策略（等权方案）**，平均年化超额收益12.6%，超额净值最大回撤15.6%，超额卡玛比率0.81[97]。 量化因子与构建方式 （注：本报告中的“因子”主要指从宏观指标衍生出的、用于风格研判的信号，其构建过程已包含在上述模型的“宏观单因子构建”与“单因子逻辑净值化”部分，未单独列出具有阿尔法预测能力的传统量化因子。因此，此处不重复列出因子构建方式。） 因子的回测效果 （注：报告未提供单个宏观因子的具体回测指标（如IC、IR等），仅展示了单因子策略净值的整体有效性。因此，此处无具体因子指标取值。）

量化模型与构建方式 1. **模型名称**：风险溢价模型 * **模型构建思路**：以十年期国债即期收益率作为无风险利率的参考，计算股票宽基指数相对于该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[27]。 * **模型具体构建过程**：风险溢价的计算公式为指数收益率减去无风险利率。在报告中，具体表现为各宽基指数的“当前风险溢价”值，该值应为指数自身的收益率（或隐含收益率，如市盈率倒数）与十年期国债即期收益率的差值[27][29]。模型通过计算该溢价的历史分位值、均值、波动率及标准差区间，来评估当前溢价在历史中所处的位置和极端程度[31]。 2. **模型名称**：股债性价比模型 * **模型构建思路**：通过比较股票估值隐含收益率与债券收益率之间的差异，构建股债性价比指标，以判断股票和债券资产的相对吸引力[41][43]。 * **模型具体构建过程**：股债性价比定义为股票指数市盈率（PE-TTM）的倒数与十年期国债即期收益率之差[41]。计算公式可表示为： $$股债性价比 = \frac{1}{PE-TTM} - R_f$$ 其中，$R_f$ 代表十年期国债即期收益率。报告通过计算该指标近5年的历史分位值（如80%分位值为机会值，20%分位值为危险值）来评估当前市场的股债相对价值[43][44]。 3. **模型/因子名称**：破净率 * **构建思路**：通过统计市净率（PB）小于1的个股数量及其在指数成分股中的占比，来反映市场整体的估值态度和悲观程度[51]。 * **具体构建过程**：对于每一个宽基指数，遍历其所有成分股。计算每只成分股的市净率（股价/每股净资产）。统计满足市净率 < 1 的个股数量，即为破净个股数。破净率计算公式为： $$破净率 = \frac{破净个股数}{指数成分股总数} \times 100\%$$ 该指标用于观察市场低估的普遍性[51][53]。 量化因子与构建方式 1. **因子名称**：均线相对位置因子 * **因子构建思路**：通过计算指数收盘价与不同周期移动平均线（MA）的比值或差值，来判断指数当前的趋势强度和相对于历史均值的偏离程度[15]。 * **因子具体构建过程**：首先计算指数的5日（MA5）、10日（MA10）、20日（MA20）、60日（MA60）、120日（MA120）和250日（MA250）移动平均线。然后，计算收盘价相对于各条均线的百分比偏离，公式为： $$vsMA_n = \frac{收盘价 - MA_n}{MA_n} \times 100\%$$ 其中，$n$ 代表不同的均线周期（5, 10, 20, 60, 120, 250）[15]。 2. **因子名称**：历史分位因子 * **因子构建思路**：将当前各类指标（如PE-TTM、股息率、风险溢价）的数值置于其自身历史数据序列中，计算其所处的百分位位置，以评估当前值在历史中的相对水平[37][40][48]。 * **因子具体构建过程**：以PE-TTM近5年历史分位值为例。首先，获取指数在过去5年（约1260个交易日）每个交易日的PE-TTM数据，形成一个时间序列。然后，将当前交易日的PE-TTM值与该历史序列进行比较。其分位值计算公式为： $$分位值 = \frac{历史序列中低于当前值的样本数}{历史序列总样本数} \times 100\%$$ 该因子同样应用于股息率、风险溢价等指标[40][49][31]。 3. **因子名称**：收益分布形态因子（偏度与峰度） * **因子构建思路**：通过计算指数日收益率分布的偏度和超额峰度，来描述收益分布的不对称性和尾部厚度，以捕捉市场情绪和极端风险的变化[22][24]。 * **因子具体构建过程**：基于指数近一年的日收益率序列进行计算。 * **偏度 (Skewness)**：衡量分布的不对称性。正偏态表示右尾较长，极端正收益较多；负偏态表示左尾较长，极端负收益较多[22]。计算公式为： $$偏度 = \frac{E[(R-\mu)^3]}{\sigma^3}$$ 其中，$R$为日收益率，$\mu$为序列均值，$\sigma$为标准差。 * **峰度 (Kurtosis)**：报告中计算的是超额峰度，即峰度减去正态分布峰度3[24]。用于衡量分布峰部的陡峭程度和尾部的厚度。正值越大，表示收益率分布比正态分布更集中且尾部更厚。计算公式为： $$超额峰度 = \frac{E[(R-\mu)^4]}{\sigma^4} - 3$$ 报告通过比较当前偏度/峰度与近5年均值的差异（当前vs.近5年）来观察形态变化[24]。 4. **因子名称**：股息率因子 * **因子构建思路**：计算指数的股息率，即现金分红回报率，作为价值投资和红利投资风格的衡量指标，尤其在市场低迷或利率下行期受到关注[46]。 * **因子具体构建过程**：指数股息率通常基于其成分股计算。报告中的“当前值”为指数整体的股息率，计算公式可理解为： $$股息率 \approx \frac{\sum (成分股近12个月现金分红总额)}{\sum (成分股总市值)} \times 100\%$$ 该因子用于跟踪指数的现金回报水平和估值状态[46][49]。 5. **因子名称**：交易活跃度因子（换手率） * **因子构建思路**：通过计算指数的换手率来衡量市场对该指数成分股的交易活跃程度和资金关注度[17]。 * **因子具体构建过程**：报告给出了指数换手率的计算方式： $$指数换手率 = \frac{\sum(成分股流通股本 \times 成分股换手率)}{\sum(成分股流通股本)}$$ 该因子是成分股换手率按其流通股本加权的平均值[17]。 模型的回测效果 *注：本报告为市场状态跟踪报告，未对上述模型进行历史回测并提供统一的绩效指标（如年化收益率、夏普比率、最大回撤等）。报告主要展示了各模型/因子在特定截止日（2026年4月2日）的输出结果和其在历史中的分位状态。* 因子的回测效果 *注：本报告为市场状态跟踪报告，未对上述因子进行因子测试并提供统一的因子IC、IR、多空收益等绩效指标。报告主要展示了各因子在特定截止日（2026年4月2日）的截面取值或时间序列值，以及其历史分位状态。*

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：风格组相对拥挤度模型 * **模型构建思路**：通过计算不同风格指数换手率的历史标准化值差异，来衡量某一风格相对于另一风格的交易拥挤程度，从而判断其配置风险或性价比[72][122]。 * **模型具体构建过程**： 1. 分别计算风格A指数和风格B指数的近252日平均换手率。 2. 将上述换手率序列在2005年1月1日以来的历史时间序列上进行Z-score标准化，得到Z-score_A与Z-score_B[122]。 3. 计算二者差值：$$Diff = Z\_score\_A - Z\_score\_B$$[122]。 4. 计算该差值序列的滚动6年历史分位数（若历史数据不足6年，则使用全部历史数据计算），该分位数即为风格A相对于风格B的相对拥挤度[122]。 2. **模型名称**：风格指数累计超额净值模型 * **模型构建思路**：以万得全A指数为基准，计算各风格指数相对于基准的累计超额收益，用以衡量风格的长期相对表现[123]。 * **模型具体构建过程**： 1. 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[123]。 2. 将各风格指数每个交易日的累计净值，除以同一交易日的万得全A指数累计净值，得到各风格指数相对于万得全A指数的累计超额净值[123]。 3. **模型名称**：机构调研活跃度模型 * **模型构建思路**：通过标准化板块（指数、行业）的日均机构调研次数，并与市场整体水平比较，来衡量机构对特定板块的关注热度[124]。 * **模型具体构建过程**： 1. 计算板块（指数、行业）近n个交易日的“日均机构调研次数”[124]。 2. 将该日均次数在滚动y年的历史时间序列上进行z-score标准化[124]。 3. 将上述标准化值与万得全A指数的同期标准化结果作差，得到“机构调研活跃度”[124]。 4. 最后计算该“机构调研活跃度”的滚动y年历史分位数[124]。 * **参数设置**： * 长期口径：n取126（近半年），滚动窗口y为6年（历史数据量满3年且不足6年时，以全部历史数据进行计算）[124]。 * 短期口径：n取63（近一季度），滚动窗口y为3年（历史数据量满1年且不足3年时，以全部历史数据进行计算）[124]。 4. **模型名称**：股债性价比（ERP）模型 * **模型构建思路**：通过计算股票指数的盈利收益率与无风险利率（10年期国债收益率）之差，来衡量投资股票相对于债券的潜在超额收益，即风险溢价[52]。 * **模型具体构建过程**： 1. 计算股票指数的盈利收益率（Earnings Yield），即市盈率（PE_TTM）的倒数[52]。 2. 减去10年期中债国债到期收益率[52]。 3. 公式为：$$erp = \frac{1}{PE\_TTM} - 10年期国债到期收益率$$[52]。 5. **模型名称**：市场情绪风险模型（滚动季度夏普率） * **模型构建思路**：使用万得全A指数的滚动季度夏普率作为衡量市场情绪风险的指标，夏普率处于历史极端高位可能预示市场情绪过热，后续存在调整风险[38]。 * **模型具体构建过程**：报告中提及使用“滚动季度夏普率”，但未给出具体计算公式。通常，滚动夏普率的计算为在滚动时间窗口（例如一个季度）内，计算资产收益率均值除以收益率标准差。 6. **因子名称**：动量因子 * **因子构建思路**：以最近一年收益率减去最近一个月收益率（剔除涨停板）作为动量指标，筛选市场中动量特征强的股票[63]。 * **因子具体构建过程**：“长江动量”指数使用该因子构建，具体为：$$Momentum = Return_{(t-252, t-1)} - Return_{(t-22, t-1)} (排除涨停板)$$，并选择综合排名靠前的100只流动性较好的股票作为成分股[63]。 7. **因子名称**：反转因子 * **因子构建思路**：以最近一个月股票收益率作为筛选指标，选择市场中反转效应强的股票[63]。 * **因子具体构建过程**：“长江反转”指数使用该因子构建，具体为：$$Reversal = -Return_{(t-22, t-1)}$$，并选择综合排名靠前的100只流动性较好的股票作为成分股，采用近三个月日均成交量加权[63]。 模型的回测效果 1. **风格拥挤度模型**，成长 vs 红利相对拥挤度历史分位：69%[72]；小盘 vs 大盘相对拥挤度历史分位：6%[72]；微盘股 vs 中证800相对拥挤度历史分位：62%[72] 2. **风格超额净值模型**，成长较红利超额收益（近一周）：-0.8%[62][66]；小盘较大盘超额收益（近一周）：-0.5%[62][66]；微盘股较基金重仓超额收益（近一周）：0.2%[62][66]；动量较反转超额收益（近一周）：3.1%[62][66] 3. **股债性价比（ERP）模型**，万得全A指数ERP历史分位：56%[52][61]；沪深300指数ERP历史分位：62%[52][61]；创业板指数ERP历史分位：87%[52][61] 4. **市场情绪风险模型**，万得全A滚动季度夏普率状态：已下降至历史低位[38] 量化因子与构建方式 1. **因子名称**：成交热度因子 * **因子构建思路**：使用“周度日均自由流通换手率历史分位”来衡量板块或行业的交易活跃度相对于自身历史的水平[27]。 * **因子具体构建过程**：计算板块或行业当周的日均自由流通换手率，然后计算该值在其历史时间序列（报告中未明确起始点，通常为较长历史区间）上的历史分位数[27]。 2. **因子名称**：估值分位因子（PE_TTM） * **因子构建思路**：使用市盈率（TTM）的历史分位数来衡量指数、板块或行业当前估值在历史中所处的位置[43][50]。 * **因子具体构建过程**：计算指数、板块或行业当前的PE_TTM值，然后计算该值在2005年1月1日至今的历史时间序列上的百分位[36][50]。 因子的回测效果 1. **成交热度因子**，电力及公用事业行业成交热度历史分位：97%[27][36]；房地产行业成交热度历史分位：38%[27][36] 2. **估值分位因子（PE_TTM）**，万得全A指数PE_TTM历史分位：79%[42][50]；消费板块PE_TTM历史分位：14%（极低）[50]；电力设备及新能源行业PE_TTM历史分位：94%（极高）[50]

量化模型与构建方式 根据您提供的研报内容，报告主要对基金投顾产品进行分类统计和调仓行为分析，并未涉及传统意义上的量化模型（如多因子选股模型、风险模型等）或量化因子（如价值、动量、质量等）的构建与测试[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44][45][46]。 报告的核心是**基金投顾产品的分类体系**，这可以视为一种基于规则的产品分类模型。 1. **模型名称：基金投顾产品分类模型** * **模型构建思路：** 根据基金投顾产品的业绩基准和实际资产配置，将其划分为不同的风险收益类型，以便进行业绩比较和分析[11]。 * **模型具体构建过程：** 1. 数据来源：天天基金、且慢及雪球平台上的总计650只基金投顾产品[11]。 2. 分类标准：主要依据“业绩基准中权益部分的指数权重和资产配置分布”[11]。 3. 具体类别与定义： * **纯债型：** 权益资产配置中枢为0%[11][15]。 * **固收+型：** 权益资产配置中枢为0%~20%[11][15]。 * **股债混合型：** 权益资产配置中枢为20%~70%[11][15]。 * **股票型：** 权益资产配置中枢为70%以上[11][15]。该类别进一步细分为： * QDII型 * 行业主题型 * 普通股票型（再根据策略细分为行业轮动、指数驱动、主动优选）[11]。 * **多元配置型：** 进行多元资产的分散投资，具体定义为扣除货币基金、境内债券、A股、港股后，剩余大类资产的平均仓位需超过20%[11][15]。 * **模型评价：** 该分类体系为系统性地比较和分析不同风险偏好、不同策略的基金投顾产品提供了清晰的框架，有助于投资者和研究者进行业绩归因和产品筛选[11]。 模型的回测效果 本报告未对上述分类模型进行历史回溯测试以提供如信息比率(IR)、夏普比率、最大回撤等量化指标。报告主要展示了基于该分类模型，在特定时间窗口内（2026年3月及2026年初以来）各类别产品的平均业绩表现[2][3][12]。 1. **基金投顾产品分类模型，** 2026年3月各类型平均收益率：纯债型(0.2%)、固收+(-1.3%)、股债混合(-4.3%)、多元配置型(-4.7%)、股票型(-7.3%)[2][12]。 2. **基金投顾产品分类模型，** 2026年初以来各类型平均收益率：固收+(0.6%)、纯债型(0.4%)、股债混合(0.1%)、多元配置型(-0.6%)、股票型(-0.9%)[2][12]。 3. **基金投顾产品分类模型（股票型细分策略），** 2026年3月各策略平均收益率：主动优选(-7.1%)、指数驱动(-7.7%)、行业轮动(-8.3%)[3][12]。 4. **基金投顾产品分类模型（股票型细分策略），** 2026年初以来各策略平均收益率：主动优选(-0.4%)、指数驱动(-1.1%)、行业轮动(-1.3%)[3][12]。 量化因子与构建方式 本报告未涉及任何量化因子的构建。 因子的回测效果 本报告未涉及任何量化因子的测试，因此无相关指标取值。

量化模型与因子总结 量化模型与构建方式 1. **模型名称：封板率计算模型**[17] * **模型构建思路**：通过计算当日最高价涨停且收盘涨停的股票数量与当日最高价涨停的股票总数之比，来衡量涨停板的封板质量或市场追涨资金的坚定程度[17]。 * **模型具体构建过程**： 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[17]。 3. 在上述股票集合中，进一步识别出收盘价仍为涨停价的股票[17]。 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. **模型名称：连板率计算模型**[17] * **模型构建思路**：通过计算连续两个交易日收盘涨停的股票数量与前一日收盘涨停的股票总数之比，来衡量市场涨停效应的持续性[17]。 * **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[17]。 2. 在每个交易日，识别出前一日（T-1日）收盘涨停的股票集合[17]。 3. 在上述股票集合中，进一步识别出当日（T日）收盘也涨停的股票[17]。 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. **模型名称：大宗交易折价率计算模型**[26] * **模型构建思路**：通过比较大宗交易成交总额与按当日市价计算的对应份额总市值，计算折价率，以反映大资金交易的溢价或折价情况，可作为市场情绪或大资金偏好的观察指标[26]。 * **模型具体构建过程**： 1. 获取当日所有大宗交易的成交数据，包括每笔交易的成交价格和成交数量[26]。 2. 计算大宗交易总成交金额（成交价×成交数量之和）[26]。 3. 计算大宗交易对应份额按当日收盘价（或成交均价）计算的总市值[26]。 4. 计算折价率，公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[26] 当结果为负时表示折价交易，为正时表示溢价交易[26]。 4. **模型名称：股指期货年化贴水率计算模型**[28] * **模型构建思路**：将股指期货主力合约与现货指数之间的基差（期货价格-现货价格），进行年化处理，得到年化贴水率，用于标准化衡量不同期限合约的升贴水程度，反映市场对未来预期、对冲成本等[28]。 * **模型具体构建过程**： 1. 确定股指期货主力合约（如IH、IF、IC、IM）及其对应的现货指数（如上证50、沪深300、中证500、中证1000）[28]。 2. 计算基差：基差 = 期货价格 - 现货指数价格[28]。 3. 获取该主力合约的剩余交易日数[28]。 4. 计算年化贴水率，公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[28] 公式中，250为一年中近似的大盘交易日数量[28]。结果为负表示期货贴水，为正表示期货升水[28]。 模型的回测效果 *本报告为市场监测日报，未提供上述量化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、信息比率IR等）。报告主要展示了这些模型在特定交易日（2026年4月2日及前后）的计算结果和近期统计特征[17][26][28]。* 量化因子与构建方式 *本报告未涉及用于选股或资产定价的量化因子（如价值、动量、质量等因子）的构建与测试。报告内容侧重于市场表现、情绪、资金流向等宏观或中观监测指标的构建与展示[1][2][3][4]。* 因子的回测效果 *本报告未涉及量化因子的回测效果。*