量化模型与构建方式 1. **模型名称：景顺长城“电新全能工具箱”自适应动态配置框架**[2][6] * **模型构建思路**：构建一个覆盖新能源全产业链（光伏、锂电、储能、风电、电网、电力运营）的投资组合，通过主动与被动产品相结合，实现阿尔法（α）与贝塔（β）的精准协同[2][6][14]。 * **模型具体构建过程**： * **产品矩阵构建**：选取景顺长城基金旗下的五只产品构建“主动阿尔法 + 被动贝塔”矩阵[6][14]。 * **主动阿尔法来源（2只）**：景顺长城精锐成长（021431，提供全市场成长选股Alpha）和景顺长城新能源产业（011329，提供新能源产业主题深耕Alpha）[6][20]。 * **被动贝塔来源（3只ETF）**：创业板新能源ETF景顺（159187，跟踪创业板新能源全链）、电力ETF景顺（159158，跟踪全市场电力公用事业）、电池ETF景顺（159757，跟踪新能源车电池细分）[6][20]。 * **核心-卫星策略框架构建**：基于上述五只产品，构建“1核心+2卫星+1防御+1机动”的四层配置结构[57]。 * **核心仓（40%）**：创业板新能源ETF景顺（159187），提供新能源制造全产业链的综合行业贝塔[57]。 * **双卫星仓（合计40%）**：电池ETF景顺（159757，强化锂电周期高弹性）和景顺新能源产业（011329，获取主动Alpha）[58][62]。 * **防御仓（20%）**：电力ETF景顺（159158），利用公用事业板块的低波动、稳收益特征对冲下行风险[58]。 * **机动仓（0-20%）**：景顺精锐成长（021431），根据市场环境动态调整，增强策略灵活性[59]。 * **模型评价**：该框架实现了新能源赛道全覆盖，通过差异化赛道工具的科学组合，构建兼具高弹性与抗波动性的新能源核心组合，旨在实现攻守兼备、牛熊周期自适应的动态配置目标[51]。 2. **模型名称：三种风险偏好配置方案**[63] * **模型构建思路**：在“电新全能工具箱”产品矩阵基础上，针对不同风险承受能力的投资者，预设进取型、均衡型、稳健型三种静态资产配置方案[63]。 * **模型具体构建过程**：为三种风险偏好设定了固定的产品权重配置比例[67]。 * **进取型（高弹性）**：以“新能源Alpha最大化”为核心，承受高波动以换取高收益弹性。配置为：景顺精锐成长15%，景顺新能源产业25%，创业板新能源ETF景顺35%，电力ETF景顺10%，电池ETF景顺15%[64][67]。 * **均衡型（攻守兼备）**：采用主被动均衡配置思路，追求收益与风险平衡。配置为：景顺精锐成长5%，景顺新能源产业20%，创业板新能源ETF景顺30%，电力ETF景顺25%，电池ETF景顺20%[65][67]。 * **稳健型（低波动优先）**：以“用部分弹性换取组合稳定性”为核心逻辑，公用事业板块占比高。配置为：景顺精锐成长0%，景顺新能源产业10%，创业板新能源ETF景顺20%，电力ETF景顺50%，电池ETF景顺20%[66][67]。 3. **模型名称：动态调仓逻辑（含三套预案）**[69][71][74][76] * **模型构建思路**：为“电新全能工具箱”组合设置基于量化规则或事件触发的动态调仓机制，以控制风格漂移、锁定收益并强化纪律性操作[69][76]。 * **模型具体构建过程**： * **预案一：基于估值分位变化的调仓**[69][70] * 以电新板块历史10年估值分位为锚，在不同分位区间执行不同的配置操作[69]。 * **具体规则**： * **<20%分位（极度低估）**：大幅加仓成长端，增配电池ETF景顺和景顺新能源产业，降低电力ETF景顺仓位[69][71]。 * **20%-40%分位（低估区间）**：执行均衡型配置方案，并主动低处加仓[69][71]。 * **40%-60%分位（合理区间）**：维持均衡方案，仅进行定期再平衡[70][71]。 * **60%-80%分位（略高）**：逐步切换至稳健型配置，增配电力ETF景顺[70][71]。 * **>80%分位（高估区间）**：减仓景顺精锐成长、电池ETF景顺等高弹性品种，提高现金或防御仓位[70][71]。 * **预案二：基于政策催化触发的调仓**[71][74] * 以关键政策信号为触发条件，快速调整仓位以把握细分赛道机会[71]。 * **具体规则**： * **储能政策超预期**：加仓电池ETF景顺和景顺新能源产业[74][75]。 * **AI数据中心电力需求加速扩张**：加仓电力ETF景顺，关注电网设备[74][75]。 * **光伏产能出清、价格底部反转**：加仓景顺新能源产业和创业板新能源ETF景顺[74][75]。 * **新能源汽车销量超预期/渗透率突破**：加仓电池ETF景顺[74][75]。 * **电力改革深化**：加仓电力ETF景顺[74][75]。 * **预案三：周期再平衡规则**[76][77][79] * 设定常规再平衡周期（月度或季度）及明确的触发条件，以维持组合预设的风险收益特征[76]。 * **触发条件**： * 任意单只产品偏离目标权重超过±10%时，执行强制再平衡[76]。 * 新能源板块季度涨幅超过30%时，主动将高弹性仓位减持至目标下限[76]。 * **具体情景应对**： * 电池ETF景顺仓位>30%：卖出至20%，溢出资金补入电力ETF景顺[77][80]。 * 电力ETF景顺仓位<15%：买入补至25%，资金来源优先卖出涨幅最大的产品[77][80]。 * 景顺精锐成长大幅上涨：可适当加仓至10-15%，替换部分景顺新能源产业仓位[79][80]。 * 新能源板块系统性下跌>20%：暂停卖出，待估值分位回落至40%以下后再低处加仓[79][80]。 模型的回测效果 *注：报告未提供具体的量化回测指标（如年化收益率、夏普比率、最大回撤等）数值。报告中的效果分析主要为定性描述和情景分析[53][54]。* 量化因子与构建方式 *注：本报告主要讨论资产配置模型和投资组合构建，未涉及传统的股票量化因子（如价值、动量、质量等）的构建与分析。* 因子的回测效果 *注：本报告未涉及传统量化因子的测试，因此无相关指标取值。*

量化模型与构建方式 1. **模型/因子名称：恒生科技指数编制模型** **构建思路：** 构建一个能够代表在香港上市、与科技主题高度相关且具备创新能力的中国龙头企业的指数[8]。 **具体构建过程：** 1. **样本空间：** 在香港交易所主板上市的股票，不包括第二上市的外国公司和根据上市规则第21章上市的投资公司[9]。 2. **主题筛选：** 要求公司业务与以下至少一项科技主题高度相关：网络（包括移动通讯）、金融科技、云端、电子商贸、数码、智能化[9]。 3. **创新筛选：** 要求公司符合以下至少一项创新要求： * 利用科技平台（如网络或移动平台）运营[9]。 * 研究发展开支占收入比例 ≥ 5%[9]。 * 年度收入同比增长 ≥ 10%[9]。 4. **成分股选择：** 从满足上述条件的股票中，选取市值排名最高的30只证券作为成分股，成分股数量固定为30只[9]。 5. **快速纳入机制：** 若新股在首个交易日的收市市值排名进入现有指数成分股的前10名，则该新股将被纳入指数，通常在该公司上市后的第10个交易日收市后实施[9]。 6. **加权方法：** 采用流通市值加权法，并对个股权重设置上限：非外国公司成分股上限为8%，外国公司成分股上限为4%，所有外国公司成分股合计权重上限为10%[9]。 模型的回测效果 *本报告未提供关于恒生科技指数编制模型本身的量化回测效果指标（如年化收益率、夏普比率、最大回撤等）。* 量化因子与构建方式 *本报告未涉及除指数编制规则外的独立量化因子（如价值因子、动量因子等）的构建。* 因子的回测效果 *本报告未提供独立量化因子的回测效果指标。*

量化模型与因子总结 量化模型与构建方式 1. **模型名称：微盘股轮动与择时模型**[2][18][26] * **模型构建思路**：构建一个结合大小盘轮动和中期择时的综合策略，以捕捉微盘股相对于大盘（茅指数）的风格切换机会，并在风险过高时进行平仓控制[2][18][26]。 * **模型具体构建过程**： 1. **轮动子策略**：包含两个信号源。 * **信号一（相对净值）**：计算微盘股指数与茅指数的相对净值。当该相对净值高于其243日移动平均线时，倾向于投资微盘股；反之则投资茅指数[18][26]。 * **信号二（动量斜率）**：分别计算微盘股指数和茅指数的20日收盘价斜率。当两者方向相反且一方为正时，选择投资斜率为正的指数[26]。 * **综合轮动信号**：结合上述两个子策略信号，决定最终配置方向[2]。 2. **择时风控子策略**：基于两个宏观风险指标。 * **指标一**：十年期国债到期收益率同比。当该值触及30%（0.3）的阈值时，发出平仓信号[18][26]。 * **指标二**：微盘股波动率拥挤度同比。当该值触及55%（0.55）的阈值时，发出平仓信号[18][26]。 * **择时信号**：任一指标触及阈值，则对微盘股持仓发出平仓信号[26]。 * **模型评价**：该模型旨在通过多维度信号进行风格轮动，并引入宏观风险指标进行中期风险控制[2][18]。 2. **模型名称：宏观择时模型**[45][46] * **模型构建思路**：基于经济增长和货币流动性等宏观维度构建信号，动态调整权益资产（股票）的配置仓位[45]。 * **模型具体构建过程**：模型从经济增长和货币流动性两个观察维度生成信号，并综合得出最终的权益仓位建议。具体因子构建细节可参考历史报告《Beta 猎手系列：基于动态宏观事件因子的股债轮动策略》[45]。 模型的回测效果 1. **微盘股轮动与择时模型**：截至2026年4月24日，轮动模型处于均衡配置状态[2][18]。微盘股对茅指数的相对净值为2.47，高于其243日均线（2.08）[2][18]。波动率拥挤度同比为1.00%，十年期国债到期收益率同比为5.78%，均未触及风控阈值[18]。 2. **宏观择时模型**：模型给出的2026年4月份权益推荐仓位为25%，配置观点为“中性偏低”[45][46]。其中，经济增长层面信号强度为50%，货币流动性层面信号强度为0%[46]。该策略2026年年初至今收益率为2.44%，同期Wind全A收益率为-1.15%[45]。 量化因子与构建方式 1. **因子名称：一致预期因子**[52][62][64] * **因子构建思路**：基于分析师对未来盈利的一致预期数据构建，捕捉市场对上市公司未来业绩的共识变化[52][62]。 * **因子具体构建过程**：报告中列出了三个细分因子： * **EPS_FTTM_Chg3M**：未来12个月一致预期EPS过去3个月的变化率[64]。 * **ROE_FTTM_Chg3M**：未来12个月一致预期ROE过去3个月的变化率[64]。 * **TargetReturn_180D**：一致预期目标价相对于目前股价的收益率[64]。 2. **因子名称：价值因子**[52][62] * **因子构建思路**：寻找相对于其基本面价值（如净资产、盈利、收入等）被低估的股票[52][62]。 * **因子具体构建过程**：报告中列出了六个细分因子： * **BP_LR**：最新年报账面净资产除以最新市值[62]。 * **EP_FTTM**：未来12个月一致预期净利润除以最新市值[62]。 * **EP_FY0**：当期年报一致预期净利润除以最新市值[62]。 * **SP_TTM**：过去12个月营业收入除以最新市值[62]。 * **Sales2EV**：过去12个月营业收入除以企业价值[62]。 3. **因子名称：成长因子**[52][62] * **因子构建思路**：寻找营业收入、利润等财务指标增长较快的公司[52][62]。 * **因子具体构建过程**：报告中列出了三个细分因子： * **NetIncome_SQ_Chg1Y**：单季度净利润同比增速[62]。 * **OperatingIncome_SQ_Chg1Y**：单季度营业利润同比增速[62]。 * **Revenues_SQ_Chg1Y**：单季度营业收入同比增速[64]。 4. **因子名称：质量因子**[52][62][64] * **因子构建思路**：筛选盈利能力、运营效率、财务稳健性较高的公司[52][62]。 * **因子具体构建过程**：报告中列出了五个细分因子： * **ROE_FTTM**：未来12个月一致预期净利润除以股东权益均值[64]。 * **OCF2CurrentDebt**：过去12个月经营现金流净额除以流动负债均值[64]。 * **GrossMargin_TTM**：过去12个月毛利率[64]。 * **Revenues2Asset_TTM**：过去12个月营业收入除以总资产均值[64]。 5. **因子名称：技术因子**[52][62][64] * **因子构建思路**：基于价量数据，捕捉市场的交易行为特征[52][62]。 * **因子具体构建过程**：报告中列出了四个细分因子： * **Volume_Mean_20D_240D**：20日成交量均值除以240日成交量均值[64]。 * **Skewness_240D**：240日收益率偏度[64]。 * **Volume_CV_20D**：20日成交量标准差除以20日成交量均值[64]。 * **Turnover_Mean_20D**：20日换手率均值[64]。 6. **因子名称：波动率因子**[52][62][64] * **因子构建思路**：度量股票价格波动风险，通常低波动股票具有长期超额收益[52][62]。 * **因子具体构建过程**：报告中列出了五个细分因子： * **Volatility_60D**：60日收益率标准差[64]。 * **IV_CAPM**：CAPM模型残差波动率[64]。 * **IV_FF**：Fama-French三因子模型残差波动率[64]。 * **IV_Carhart**：Carhart四因子模型残差波动率[64]。 7. **因子名称：反转因子**[52][62][64] * **因子构建思路**：认为过去一段时间涨幅过大的股票未来会下跌，跌幅过大的股票未来会上涨[52][62]。 * **因子具体构建过程**：报告中列出了四个细分因子： * **Price_Chg20D**：20日收益率[64]。 * **Price_Chg40D**：40日收益率[64]。 * **Price_Chg60D**：60日收益率[64]。 * **Price_Chg120D**：120日收益率[64]。 8. **因子名称：市值因子**[52][62] * **因子构建思路**：以公司流通市值的对数作为因子，通常小市值公司长期表现更优[52][62]。 * **因子具体构建过程**： * **LN_MktCap**：流通市值的对数[62]。 9. **因子名称：可转债择券因子**[61] * **因子构建思路**：针对可转债特性构建择券因子，包括从正股映射的因子和转债特有的估值因子[61]。 * **因子具体构建过程**： * **正股映射因子**：从预测正股的因子（如一致预期、成长、财务质量、价值）来构建可转债因子[61]。 * **转债估值因子**：选取了平价底价溢价率作为估值因子[61]。 因子的回测效果 （数据截至报告上周，股票池为全部A股）[53] 1. **一致预期因子**，IC均值3.45%，多空收益1.97%[53]。 2. **价值因子**，IC均值4.61%，多空收益2.62%[53]。 3. **成长因子**，IC均值0.23%，多空收益2.16%[53]。 4. **质量因子**，IC均值1.10%，多空收益0.43%[53]。 5. **技术因子**，IC均值5.35%，多空收益4.58%[53]。 6. **波动率因子**，IC均值5.37%，多空收益4.53%[53]。 7. **反转因子**，IC均值-6.54%，多空收益-0.75%[53]。 8. **市值因子**，IC均值-9.11%，多空收益0.65%[53]。

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模型或量化因子的构建思路、过程及公式。报告主要内容为市场规则解读、ETF市场回顾及基金业绩跟踪，未包含量化模型或因子构建的详细描述[1][2][3][4][5][6][8][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][47][48][49][50][51][52][53][54][55][56][57][58]。 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或量化因子的构建思路、过程及公式。报告主要内容为市场规则解读、ETF市场回顾及基金业绩跟踪，未包含量化因子构建的详细描述[1][2][3][4][5][6][8][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][47][48][49][50][51][52][53][54][55][56][57][58]。

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。**

量化模型与因子总结 量化因子与构建方式 1. **因子名称：大买单成交金额占比**[1][4][7] * **因子构建思路**：通过逐笔成交数据还原买卖单，筛选出大单，并计算其中大买单的成交金额占当日总成交金额的比例，以刻画大资金的买入行为[7]。 * **因子具体构建过程**： 1. 使用逐笔成交数据，根据其中的叫买和叫卖序号，将数据还原为买卖单数据[7]。 2. 按照每单的成交量设定阈值，筛选得到“大单”[7]。 3. 从大单中区分出买入方向的大单，即“大买单”[7]。 4. 计算大买单的成交金额占该股票（或指数、行业、ETF）当日总成交金额的比例，公式如下： $$大买单成交金额占比 = \frac{大买单成交金额}{当日总成交金额} \times 100\%$$ 其中，大买单成交金额为所有符合大单标准的买入订单的成交额之和[7]。 2. **因子名称：净主动买入金额占比**[1][4][7] * **因子构建思路**：根据逐笔成交数据中的买卖标志界定每笔成交属于主动买入还是主动卖出，计算两者金额的差额占当日总成交金额的比例，以刻画投资者的主动买入行为[7]。 * **因子具体构建过程**： 1. 使用逐笔成交数据，根据其中的买卖标志（如BS标志），界定每一笔成交是由买方主动发起（主动买入）还是由卖方主动发起（主动卖出）[7]。 2. 分别汇总计算当日所有主动买入成交金额和所有主动卖出成交金额[7]。 3. 计算主动买入成交金额与主动卖出成交金额的差额，得到“净主动买入金额”[7]。 4. 计算净主动买入金额占该股票（或指数、行业、ETF）当日总成交金额的比例，公式如下： $$净主动买入金额占比 = \frac{主动买入成交金额 - 主动卖出成交金额}{当日总成交金额} \times 100\%$$ 该值可正可负，正值表示净主动买入，负值表示净主动卖出[7]。 因子的回测效果 （注：本报告为跟踪周报，展示的是特定时间窗口内指标的截面排名和时序分位数，而非长期回测的绩效指标。以下为报告期内各标的的指标取值。） 1. **大买单成交金额占比因子**，在个股上的取值：安诺其 94.6%[9]，广田集团 88.7%[9]，青农商行 87.8%[9]，津滨发展 87.5%[9]，鞍钢股份 87.3%[9] 2. **大买单成交金额占比因子**，在宽基指数上的5日均值：上证指数 71.8%[12]，上证50 72.6%[12]，沪深300 72.2%[12]，中证500 72.2%[12]，创业板指 70.0%[12] 3. **大买单成交金额占比因子**，在行业（中信一级）上的5日均值：银行 81.1%[13]，房地产 79.7%[13]，综合 78.7%[13]，钢铁 78.5%[13]，石油石化 77.3%[13] 4. **大买单成交金额占比因子**，在ETF上的取值：国泰上证10年期国债ETF 92.6%[15]，华泰柏瑞中证A500ETF 92.2%[15]，易方达沪深300ETF 92.2%[15]，华夏中证A500ETF 92.1%[15]，华泰柏瑞沪深300ETF 92.0%[15] 5. **净主动买入金额占比因子**，在个股上的取值：华电国际 24.2%[10]，张家港行 19.6%[10]，成都银行 18.5%[10]，浙能电力 16.1%[10]，富佳股份 16.0%[10] 6. **净主动买入金额占比因子**，在宽基指数上的5日均值：上证指数 -3.2%[12]，上证50 0.5%[12]，沪深300 -2.5%[12]，中证500 -2.9%[12]，创业板指 -1.9%[12] 7. **净主动买入金额占比因子**，在行业（中信一级）上的5日均值：基础化工 2.6%[13]，有色金属 1.3%[13]，纺织服装 0.8%[13]，综合 -0.6%[13]，计算机 -1.2%[13] 8. **净主动买入金额占比因子**，在ETF上的取值：国泰上证10年期国债ETF 22.2%[16]，易方达深证100ETF 18.1%[16]，东财上证科创板50成份ETF 16.4%[16]，易方达中证红利低波动ETF 13.4%[16]，鹏华上证科创板新能源ETF 12.9%[16]

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。）