量化模型与构建方式 1. **模型名称：红利风格择时模型**[1][5] * **模型构建思路：** 构建一个多因子综合打分模型，用于对红利风格进行择时判断，模型输出综合因子值，根据其正负发出看多或看空信号[1][5][6]。 * **模型具体构建过程：** 模型综合了多个因子的信息。首先，选取了多个与红利风格相关的宏观、市场及价量因子。其次，对每个因子进行标准化或处理，得到每个因子的“因子值”。然后，将各因子值按照一定规则（如等权或设定权重）合成为“综合因子值”。最后，根据综合因子值的正负（例如，大于0为看多，小于0为看空）形成最终的择时观点[5][6][10]。 * **模型评价：** 该模型是一个多因素驱动的综合判断模型，旨在捕捉影响红利风格表现的多维度信息[6]。 量化因子与构建方式 1. **因子名称：中国:非制造业 PMI:服务业**[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经济景气度的宏观因子[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，仅给出了其在特定时点的因子值。通常此类宏观因子会进行标准化或与历史均值/阈值比较后映射为因子得分[10]。 2. **因子名称：中国:M2:同比**[10] * **因子构建思路：** 使用中国广义货币供应量M2的同比增速作为反映货币环境宽松程度的宏观因子[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，仅给出了其在特定时点的因子值。通常此类因子会进行标准化处理[10]。 3. **因子名称：美国:国债收益率:10年**[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宏观因子[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，仅给出了其在特定时点的因子值。通常此类因子会进行标准化或计算其变化率后映射为因子得分[6][10]。 4. **因子名称：红利相对净值自身**[10] * **因子构建思路：** 该因子可能指代红利指数或相关投资组合自身的价格动量或相对强弱[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，仅给出了其在特定时点的因子值。可能基于价格或净值的短期表现计算动量[6][10]。 5. **因子名称：中证红利股息率-10年期中债收益率**[10] * **因子构建思路：** 构建一个价差因子，用中证红利指数的股息率减去10年期中国国债收益率，反映股票的相对吸引力（股权风险溢价）[10]。 * **因子具体构建过程：** 报告未给出具体计算公式，但根据名称，其构建过程应为： $$因子值 = 中证红利指数股息率 - 10年期中国国债收益率$$ 然后可能对该价差进行标准化或历史分位数处理得到最终的因子得分[10]。 6. **因子名称：融资净买入**[10] * **因子构建思路：** 使用融资净买入数据作为反映市场情绪和杠杆资金偏好的因子[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，仅给出了其在特定时点的因子值。可能基于融资余额的日度或周度变化进行标准化[6][10]。 7. **因子名称：行业平均景气度**[10] * **因子构建思路：** 使用行业层面的平均景气度数据作为反映整体经济微观基础的因子[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，仅给出了其在特定时点的因子值。可能是对多个行业景气指标进行平均或合成[10]。 模型的回测效果 *报告为周度跟踪报告，主要展示模型最新信号和因子值，未提供历史长期回测绩效指标（如年化收益率、夏普比率、最大回撤等）。* 因子的回测效果 *报告为周度跟踪报告，主要展示各因子最新一期的因子值和观点，未提供各因子历史长期的IC、IR、多空收益等检验指标。* 模型与因子的最新指标取值 1. **红利风格择时模型**，综合因子值 (2026.04.10): 0.06[1][5]，综合因子值 (2026.04.03): 0.13[1][5]，最新观点: 看多[1][5] 2. **中国:非制造业 PMI:服务业因子**，因子值 (2026.04.10): 0.95[10]，因子值 (2026.04.03): 0.95[10]，因子值 (2026.03.27): 0.14[10]，最新观点: 0[10] 3. **中国:M2:同比因子**，因子值 (2026.04.10): 0.46[10]，因子值 (2026.04.03): 0.46[10]，因子值 (2026.03.27): 0.31[10]，最新观点: 0[10] 4. **美国:国债收益率:10年因子**，因子值 (2026.04.10): 0.61[10]，因子值 (2026.04.03): 0.43[10]，因子值 (2026.03.27): -0.01[10]，最新观点: 1[10] 5. **红利相对净值自身因子**，因子值 (2026.04.10): 0.03[10]，因子值 (2026.04.03): 1.21[10]，因子值 (2026.03.27): 1.07[10]，最新观点: 1[10] 6. **中证红利股息率-10年期中债收益率因子**，因子值 (2026.04.10): -0.21[10]，因子值 (2026.04.03): -0.27[10]，因子值 (2026.03.27): -0.33[10]，最新观点: 0[10] 7. **融资净买入因子**，因子值 (2026.04.10): -0.68[10]，因子值 (2026.04.03): -0.98[10]，因子值 (2026.03.27): -1.05[10]，最新观点: 1[10] 8. **行业平均景气度因子**，因子值 (2026.04.10): 0.91[10]，因子值 (2026.04.03): 0.91[10]，因子值 (2026.03.27): 0.91[10]，最新观点: 0[10]

量化模型与构建方式 1. **模型名称**：权益类公募基金仓位估算模型[14] * **模型构建思路**：通过估算普通股票型基金和偏股混合型基金的权益类资产仓位，来监测公募基金对权益类资产的加仓或减仓情况，以此反映机构投资者对未来市场的预期[14]。 * **模型具体构建过程**：报告未详细描述具体的估算模型构建过程，仅提及了估算结果。通常此类模型会基于基金净值、持仓股票收益率等数据，使用回归或其他统计方法进行估算。 2. **因子名称**：行业间收益分化程度[30] * **因子构建思路**：以行业间收益率的标准差作为代理变量，衡量不同行业之间收益表现的差异或离散程度[30]。 * **因子具体构建过程**：计算所有中信一级行业在当周收益率的标准差。公式为： $$ \sigma_{return} = \sqrt{\frac{1}{N-1} \sum_{i=1}^{N} (r_i - \bar{r})^2} $$ 其中，\( N \) 为行业数量，\( r_i \) 为第 \( i \) 个行业的周收益率，\( \bar{r} \) 为所有行业周收益率的平均值[30]。 3. **因子名称**：行业间资金分化程度[33] * **因子构建思路**：以行业日均换手率的标准差作为代理变量，衡量资金在不同行业间分布的集中或离散程度，规避了因行业市值差异导致成交额不可比的问题[31][33]。 * **因子具体构建过程**：计算所有中信一级行业在当周日均换手率的标准差。公式为： $$ \sigma_{turnover} = \sqrt{\frac{1}{N-1} \sum_{i=1}^{N} (t_i - \bar{t})^2} $$ 其中，\( N \) 为行业数量，\( t_i \) 为第 \( i \) 个行业的周日均换手率，\( \bar{t} \) 为所有行业周日均换手率的平均值[33]。 4. **因子名称**：行业收益反转效应[29] * **因子构建思路**：通过计算近两周行业收益率在截面上的相关系数，来判断行业轮动是否存在反转效应[29]。 * **因子具体构建过程**：将本周各行业的收益率与上周各行业的收益率作为两个序列，计算它们的截面相关系数[29]。 5. **因子名称**：一致预期净利润两年复合增长率[37] * **因子构建思路**：使用机构对未来两年净利润复合增长率的一致预期数据，作为反映市场对未来盈利信心的晴雨表[37]。 * **因子具体构建过程**：直接采用Wind等数据提供商汇总的各公司或各指数成分股的一致预期数据，并计算其加权平均值或中位数，得到宽基指数或行业的预期复合增长率[37][38][39]。 6. **因子名称**：估值分位数（PE TTM）[37][40] * **因子构建思路**：计算当前市盈率（TTM）在历史序列中的分位数，以衡量其估值水平相对于历史的高低[37][40]。 * **因子具体构建过程**：对于宽基指数或行业，获取其过去五年（或指定历史窗口）的每日/每周PE（TTM）时间序列，将当前PE值置于该历史序列中，计算其百分位排名[39][40][42]。 模型的回测效果 （报告未提供相关模型的回测效果指标） 因子的回测效果 1. **行业间收益分化程度因子**：本周（2026.04.06-04.10）取值为 **2.91%**，较上周上行0.47%[30]。 2. **行业间资金分化程度因子**：本周（2026.04.06-04.10）取值为 **0.81%**，较上周上行0.05%，位于近三年历史分位数的 **35%** 附近[33][36]。 3. **行业收益反转效应因子**：近两周（报告期）行业收益率截面相关系数为 **-9.9%**[29]。 4. **一致预期净利润两年复合增长率因子**（宽基指数）： * 上证50：**6.02%**，环比变化 **+0.06%**[39] * 沪深300：**9.06%**，环比变化 **-0.04%**[39] * 中证500：**24.59%**，环比变化 **+0.03%**[39] * 中证1000：**30.53%**，环比变化 **+0.21%**[39] * 创业板指：**34.38%**，环比变化 **-0.06%**[39] * 万得全A：**13.96%**，环比变化 **-0.05%**[39] 5. **估值分位数（PE TTM）因子**（宽基指数）： * 上证50：**77.27%**，环比变化 **+1.74%** 分位数[39] * 沪深300：**91.74%**，环比变化 **+9.75%** 分位数[39] * 中证500：**96.45%**，环比变化 **+2.56%** 分位数[39] * 中证1000：**96.61%**，环比变化 **+6.45%** 分位数[39] * 创业板指：**63.72%**，环比变化 **+11.90%** 分位数[39] * 万得全A：**97.02%**，环比变化 **+2.98%** 分位数[39]

量化模型与构建方式 1. **模型/因子名称：封板率** * **构建思路：** 衡量市场涨停股中能够将涨停价格维持到收盘的强度，是反映市场追涨情绪和封板资金力度的指标[15]。 * **具体构建过程：** 1. 筛选上市满3个月以上的股票[15]。 2. 统计在当日盘中最高价曾达到涨停价的股票数量[15]。 3. 从上述股票中，进一步统计收盘价仍为涨停价的股票数量[15]。 4. 计算封板率：$$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[15] 2. **模型/因子名称：连板率** * **构建思路：** 衡量涨停股在次日继续涨停的概率，反映市场短线投机情绪的延续性和赚钱效应[15]。 * **具体构建过程：** 1. 筛选上市满3个月以上的股票[15]。 2. 统计在昨日收盘价为涨停价的股票数量[15]。 3. 从上述股票中，统计在今日收盘价仍为涨停价的股票数量[15]。 4. 计算连板率：$$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[15] 3. **模型/因子名称：两融余额占比** * **构建思路：** 通过计算融资融券余额占市场流通总市值的比例，来衡量杠杆资金在市场中的整体规模和重要性[21]。 * **具体构建过程：** 1. 获取某一时点的市场融资余额与融券余额总和，即两融余额[17][21]。 2. 获取同一时点的市场总流通市值[21]。 3. 计算占比：$$两融余额占比 = \frac{两融余额}{市场总流通市值}$$[21] 4. **模型/因子名称：两融交易占比** * **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，来衡量杠杆资金交易的活跃度[21]。 * **具体构建过程：** 1. 统计某一时期内的融资买入总额与融券卖出总额，求和得到两融交易总额[21]。 2. 统计同一时期内的市场总成交额[21]。 3. 计算占比：$$两融交易占比 = \frac{融资买入额 + 融券卖出额}{市场总成交额}$$[21] 5. **模型/因子名称：大宗交易折价率** * **构建思路：** 通过计算大宗交易成交价相对于市场价格的折扣率，来反映大额资金对股票的买卖意愿和情绪，通常折价意味着大资金卖出意愿较强或买入意愿较弱[25]。 * **具体构建过程：** 1. 统计当日所有大宗交易的成交总金额[25]。 2. 计算当日这些大宗交易成交份额按市场价格计算的总市值[25]。 3. 计算折价率：$$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[25] 6. **模型/因子名称：股指期货年化贴水率** * **构建思路：** 将股指期货主力合约与现货指数之间的基差（贴水或升水）进行年化处理，以标准化衡量市场对未来走势的预期以及股指对冲的成本[27]。 * **具体构建过程：** 1. 计算基差：$$基差 = 股指期货价格 - 现货指数价格$$[27] 2. 计算年化贴水率：$$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[27] * 公式说明：基差除以现货指数价格得到相对基差，再乘以年化因子（250个交易日除以合约剩余交易日数）得到年化收益率概念的年化贴水率[27]。 模型的回测效果 *本报告为市场监测日报，未提供量化模型或因子在历史样本外的长期回测表现指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。* 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传统阿尔法因子（如价值、动量、质量等）的构建。* 因子的回测效果 *本报告未提供量化因子的IC值、IR值、多空收益、分组收益等历史回测表现指标。*

量化模型与构建方式 1. **模型名称**：指数换手率计算模型[19] **模型构建思路**：计算宽基指数的整体换手率，以反映市场交易活跃度[19] **模型具体构建过程**：采用成分股市值加权的方式计算指数换手率。具体公式为： $$指数换手率 = \frac{\sum(成分股流通股本 \times 成分股换手率)}{\sum(成分股流通股本)}$$ 其中，分子为所有成分股换手金额的加总，分母为所有成分股流通市值的加总[19] 2. **模型名称**：风险溢价计算模型[30] **模型构建思路**：以十年期国债即期收益率为无风险利率参考，计算股票指数的超额收益，衡量其相对投资价值[30] **模型具体构建过程**：风险溢价等于股票指数的收益率减去十年期国债即期收益率。报告中使用该模型计算了各宽基指数的当前风险溢价、历史均值及分位值[30][33] 3. **模型名称**：股债性价比计算模型[41] **模型构建思路**：通过比较股票估值收益率（市盈率倒数）与无风险利率的差值，判断股票与债券的相对吸引力[41] **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。公式可表示为： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 报告中使用近5年数据计算了该指标的分位值（如80%分位为机会值，20%分位为危险值）用于判断[41][44][45] 4. **模型名称**：破净率计算模型[52] **模型构建思路**：计算市净率小于1的个股占比，以反映市场整体的估值水平和悲观情绪[52] **模型具体构建过程**：破净率等于指数成分股中，个股市净率（PB）小于1的股票数量除以该指数的成分股总数量。公式为： $$破净率 = \frac{破净个股数}{成分股总数} \times 100\%$$ 破净意味着股票价格跌破每股净资产[52] 量化因子与构建方式 1. **因子名称**：连阴连阳因子[12][13] **因子构建思路**：统计指数K线连续为阴线或阳线的天数，用于捕捉市场的短期趋势和动量[13] **因子具体构建过程**：从当前交易日开始向前追溯，计算指数收盘价连续上涨（阳线）或连续下跌（阴线）的天数。正数表示连阳天数，负数表示连阴天数[13] 2. **因子名称**：均线相对位置因子[16] **因子构建思路**：通过比较指数收盘价与不同周期移动平均线（MA）的位置关系，判断指数所处的趋势状态[16] **因子具体构建过程**：计算指数收盘价相对于5日、10日、20日、60日、120日、250日移动平均线的偏离百分比。公式为： $$ vsMA_N = (收盘价 / MA_N - 1) \times 100\%$$ 其中，N代表不同的移动平均线周期[16][17] 3. **因子名称**：收益分布形态因子（峰度与偏度）[24][26][28] **因子构建思路**：通过分析指数日收益率分布的峰度和偏度，刻画收益分布的集中程度和不对称性[24][26] **因子具体构建过程**： * **峰度**：计算指数日收益率分布的峰度，报告中使用的峰度值减去了3（正态分布的峰度），因此“峰度负偏离”表示分布比正态分布更平坦[26][28]。 * **偏度**：计算指数日收益率分布的偏度。正偏态表示极端正收益情形增加，负偏态则表示极端负收益情形更显著[26]。 4. **因子名称**：估值分位因子（PE-TTM分位值）[35][37] **因子构建思路**：将指数当前的市盈率（PE-TTM）置于其历史分布中观察，以判断当前估值所处的相对水平[35] **因子具体构建过程**：计算指数当前PE-TTM在近1年、近5年或全部历史数据中的百分位排名（分位值）。例如，97.02%的分位值意味着当前估值高于近5年97.02%的历史时期[38][41] 5. **因子名称**：股息率因子[47][49] **因子构建思路**：跟踪指数的现金分红回报率，作为价值投资和红利投资风格的参考指标[47] **因子具体构建过程**：股息率为指数成分股的总现金分红与总市值的比率。报告中也计算了其历史分位值，用于判断当前股息率在历史中的相对高低[47][49][50] 模型的回测效果 （报告未提供量化模型的回测绩效指标，如年化收益率、夏普比率、最大回撤等，故本部分省略） 因子的回测效果 （报告未提供量化因子的IC值、IR、多空收益等传统因子测试结果，而是展示了各因子在特定时点（2026年4月10日）对各个宽基指数的截面取值和状态描述。） 1. **连阴连阳因子**：中证500、中证1000、中证2000、中证全指出现4日连阳；上证50为2日连阴[12][13] 2. **均线相对位置因子**：除创业板指外，其余指数均位于60日线下方；上证50仍位于120日线下方；上证50与中证500距离近250日高位回撤超过8%[16][17] 3. **收益分布形态因子**： * **峰度负偏离**：创业板指最大，上证50最小[4][26]。 * **负偏态**：创业板指最大，上证50最小[4][26]。 * **具体数值**：例如，上证50当前峰度为-1.02，近5年峰度为1.72，偏离为-2.74；当前偏度为0.88，近5年偏度为1.82，偏离为-0.93[28]。 4. **风险溢价因子**： * **当前值**：创业板指为3.77%，上证50为0.51%[33]。 * **近5年分位值**：创业板指（98.10%）和沪深300（94.13%）较高；上证50（74.68%）和中证2000（65.40%）较低[31][33]。 5. **估值分位因子（PE-TTM分位值）**： * **近5年分位值**：中证全指（97.02%）和中证500（96.45%）较高；上证50（77.27%）和创业板指（64.79%）较低[38][41]。 * **股债性价比状态**：没有指数高于其80%分位（机会值），中证500和中证全指低于其20%分位（危险值）[5][45]。 6. **股息率因子**： * **当前值**：上证50为3.41%，创业板指为0.86%[50]。 * **近5年分位值**：创业板指（52.15%）和沪深300（38.60%）较高；中证500（7.60%）和中证2000（7.27%）较低[49][50]。 7. **破净率因子**： * **当前值**：上证50为24.0%，沪深300为17.33%，中证2000为3.5%，中证全指为6.11%[5][54]。

量化模型与因子总结 量化因子与构建方式 1. **因子名称**：日内高频偏度因子 **因子构建思路**：利用日内高频数据计算股票收益的偏度特征，捕捉收益分布的非对称性[15] **因子具体构建过程**：具体计算方式请参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[15] 2. **因子名称**：日内下行波动占比因子 **因子构建思路**：分解已实现波动，计算下行波动在总波动中的占比，衡量股价下跌时的波动风险[17] **因子具体构建过程**：具体计算方式请参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[17] 3. **因子名称**：开盘后买入意愿占比因子 **因子构建思路**：基于开盘后一段时间的高频交易数据，计算反映买方意愿的指标占比[21] **因子具体构建过程**：具体计算方式请参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[21] 4. **因子名称**：开盘后买入意愿强度因子 **因子构建思路**：基于开盘后一段时间的高频交易数据，计算反映买方意愿的指标强度[26] **因子具体构建过程**：具体计算方式请参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[26] 5. **因子名称**：开盘后大单净买入占比因子 **因子构建思路**：计算开盘后大单净买入在总成交中的占比，捕捉大资金在开盘后的动向[32] 6. **因子名称**：开盘后大单净买入强度因子 **因子构建思路**：计算开盘后大单净买入的强度指标，衡量大资金买入的力度[36] 7. **因子名称**：改进反转因子 **因子构建思路**：对传统反转因子进行改进，以更好地捕捉股价反转效应[41] 8. **因子名称**：尾盘成交占比因子 **因子构建思路**：计算尾盘阶段成交额在日总成交额中的占比，反映尾盘资金的活跃程度[47] 9. **因子名称**：平均单笔流出金额占比因子 **因子构建思路**：计算平均单笔流出金额在总成交中的占比，衡量资金流出的平均强度[52] 10. **因子名称**：大单推动涨幅因子 **因子构建思路**：衡量由大单交易推动的股价上涨幅度，识别大资金主导的上涨[58] 11. **因子名称**：深度学习高频因子（改进 GRU(50,2)+NN(10)） **因子构建思路**：使用改进的GRU神经网络结合全连接层，从高频数据中提取选股信号[63] 12. **因子名称**：深度学习高频因子（残差注意力 LSTM(48,2)+NN(10)） **因子构建思路**：使用带有残差连接和注意力机制的LSTM神经网络结合全连接层，从高频数据中提取选股信号[66] 13. **因子名称**：多颗粒度模型-5日标签因子 **因子构建思路**：基于双向A-GRU神经网络训练，使用5日收益率作为预测标签，从多时间颗粒度数据中学习选股信号[69] **因子具体构建过程**：因子基于双向A-GRU训练得到[69] 14. **因子名称**：多颗粒度模型-10日标签因子 **因子构建思路**：基于双向A-GRU神经网络训练，使用10日收益率作为预测标签，从多时间颗粒度数据中学习选股信号[71] **因子具体构建过程**：因子基于双向A-GRU训练得到[71] 15. **因子名称**：复合深度学习因子 **因子构建思路**：将两个多颗粒度模型因子进行线性组合，构建综合预测信号[73] **因子具体构建过程**：基于深度学习因子（多颗粒度模型-10日标签*0.5 + 多颗粒度模型-5日标签*0.5）构建[73] 量化模型与构建方式 1. **模型名称**：AI指数增强组合模型 **模型构建思路**：基于复合深度学习因子预测股票预期收益，通过组合优化在控制跟踪误差和各项约束的条件下最大化组合预期收益，构建针对不同基准指数的增强组合[73] **模型具体构建过程**： 1. 信号生成：使用复合深度学习因子作为股票的预期超额收益（α）来源[73] 2. 优化目标：最大化组合预期收益，目标函数为： $$max\sum\mu_{i}w_{i}$$ 其中，$w_i$为股票i的权重，$\mu_i$为股票i的预期超额收益[76] 3. 约束条件：根据不同组合类型（空气指增、中证500宽/严约束、中证1000宽/严约束）施加不同的风险控制约束，包括个股权重约束、行业偏离约束、风格因子（市值、PB、ROE等）暴露约束、成分股权重约束以及换手率约束[74][76] 4. 调仓频率：分为周度调仓和日度调仓[74] 5. 交易成本：测算中假定以次日均价成交，并扣除双边3‰的交易成本[77] 因子的回测效果 （以下指标均基于周度换仓测试，数据截至2026年4月10日当周）[11][13] 1. **日内高频偏度因子**，历史IC 0.019，2026年IC 0.028，历史RankMAE 0.324，2026年RankMAE 0.327，上周多空收益 1.19%，4月多空收益 2.30%，2026年多空收益 7.71%，2026年周胜率 10/13，上周多头超额收益 0.84%，4月多头超额收益 0.92%，2026年多头超额收益 3.81%，2026年多头周胜率 9/13[11] 2. **日内下行波动占比因子**，历史IC 0.016，2026年IC 0.029，历史RankMAE 0.323，2026年RankMAE 0.326，上周多空收益 0.40%，4月多空收益 0.66%，2026年多空收益 8.03%，2026年周胜率 10/13，上周多头超额收益 0.35%，4月多头超额收益 0.29%，2026年多头超额收益 4.02%，2026年多头周胜率 8/13[11] 3. **开盘后买入意愿占比因子**，历史IC 0.026，2026年IC 0.032，历史RankMAE 0.321，2026年RankMAE 0.323，上周多空收益 1.36%，4月多空收益 2.13%，2026年多空收益 8.75%，2026年周胜率 11/13，上周多头超额收益 0.19%，4月多头超额收益 0.55%，2026年多头超额收益 3.27%，2026年多头周胜率 10/13[11] 4. **开盘后买入意愿强度因子**，历史IC 0.030，2026年IC 0.036，历史RankMAE 0.326，2026年RankMAE 0.328，上周多空收益 2.17%，4月多空收益 3.54%，2026年多空收益 9.61%，2026年周胜率 9/13，上周多头超额收益 1.26%，4月多头超额收益 2.08%，2026年多头超额收益 4.22%，2026年多头周胜率 8/13[11] 5. **开盘后大单净买入占比因子**，历史IC 0.035，2026年IC 0.030，历史RankMAE 0.322，2026年RankMAE 0.318，上周多空收益 0.36%，4月多空收益 0.88%，2026年多空收益 7.08%，2026年周胜率 12/13，上周多头超额收益 -0.19%，4月多头超额收益 0.96%，2026年多头超额收益 2.25%，2026年多头周胜率 6/13[11] 6. **开盘后大单净买入强度因子**，历史IC 0.024，2026年IC 0.026，历史RankMAE 0.320，2026年RankMAE 0.318，上周多空收益 0.59%，4月多空收益 1.83%，2026年多空收益 5.98%，2026年周胜率 10/13，上周多头超额收益 -0.21%，4月多头超额收益 1.09%，2026年多头超额收益 1.99%，2026年多头周胜率 8/13[11] 7. **改进反转因子**，历史IC 0.030，2026年IC 0.016，历史RankMAE 0.330，2026年RankMAE 0.330，上周多空收益 1.70%，4月多空收益 1.37%，2026年多空收益 3.92%，2026年周胜率 7/13，上周多头超额收益 1.03%，4月多头超额收益 0.24%，2026年多头超额收益 1.89%，2026年多头周胜率 7/13[11] 8. **尾盘成交占比因子**，历史IC 0.025，2026年IC 0.022，历史RankMAE 0.322，2026年RankMAE 0.318，上周多空收益 1.02%，4月多空收益 1.07%，2026年多空收益 6.28%，2026年周胜率 10/13，上周多头超额收益 0.49%，4月多头超额收益 0.50%，2026年多头超额收益 1.83%，2026年多头周胜率 9/13[11] 9. **平均单笔流出金额占比因子**，历史IC 0.007，2026年IC -0.015，历史RankMAE 0.317，2026年RankMAE 0.315，上周多空收益 0.68%，4月多空收益 1.03%，2026年多空收益 -3.82%，2026年周胜率 5/13，上周多头超额收益 0.02%，4月多头超额收益 0.12%，2026年多头超额收益 -1.60%，2026年多头周胜率 5/13[13] 10. **大单推动涨幅因子**，历史IC 0.018，2026年IC 0.002，历史RankMAE 0.325，2026年RankMAE 0.326，上周多空收益 0.20%，4月多空收益 -0.14%，2026年多空收益 0.29%，2026年周胜率 6/13，上周多头超额收益 0.33%，4月多头超额收益 -0.20%，2026年多头超额收益 0.46%，2026年多头周胜率 8/13[13] 11. **改进 GRU(50,2)+NN(10)因子**，历史IC 0.065，2026年IC 0.033，历史RankMAE 0.336，2026年RankMAE 0.327，上周多空收益 2.58%，4月多空收益 3.46%，2026年多空收益 8.83%，2026年周胜率 10/13，上周多头超额收益 0.87%，4月多头超额收益 0.34%，2026年多头超额收益 -0.26%，2026年多头周胜率 8/13[13] 12. **残差注意力 LSTM(48,2)+NN(10)因子**，历史IC 0.062，2026年IC 0.037，历史RankMAE 0.334，2026年RankMAE 0.324，上周多空收益 2.99%，4月多空收益 3.06%，2026年多空收益 8.74%，2026年周胜率 11/13，上周多头超额收益 0.47%，4月多头超额收益 -0.41%，2026年多头超额收益 0.38%，2026年多头周胜率 7/13[13] 13. **多颗粒度模型-5日标签因子**，历史IC 0.078，2026年IC 0.043，历史RankMAE 0.343，2026年RankMAE 0.333，上周多空收益 2.08%，4月多空收益 3.03%，2026年多空收益 13.25%，2026年周胜率 13/13，上周多头超额收益 0.91%，4月多头超额收益 0.47%，2026年多头超额收益 6.24%，2026年多头周胜率 11/13[13] 14. **多颗粒度模型-10日标签因子**，历史IC 0.072，2026年IC 0.041，历史RankMAE 0.342，2026年RankMAE 0.335，上周多空收益 2.41%，4月多空收益 2.37%，2026年多空收益 11.27%，2026年周胜率 10/13，上周多头超额收益 1.36%，4月多头超额收益 0.16%，2026年多头超额收益 5.75%，2026年多头周胜率 10/13[13] 模型的回测效果 （以下指标为截至2026年4月10日当周的阶段性表现）[14] 1. **AI空气值增模型（周度调仓）**，上周超额收益 0.92%，绝对收益 5.99%，4月超额收益 -2.62%，绝对收益 0.37%，2026年超额收益 4.09%，绝对收益 8.29%，2026年周胜率 7/13[14] 2. **AI空气值增模型（日度调仓）**，上周超额收益 0.84%，绝对收益 5.91%，4月超额收益 -2.51%，绝对收益 0.48%，2026年超额收益 3.84%，绝对收益 8.04%，2026年周胜率 7/13[14] 3. **中证500 AI增强宽约束模型（周度调仓）**，上周超额收益 -2.07%，绝对收益 3.70%，4月超额收益 -2.85%，绝对收益 1.77%，2026年超额收益 1.06%，绝对收益 7.81%，2026年周胜率 5/13[14] 4. **中证500 AI增强宽约束模型（日度调仓）**，上周超额收益 -1.53%，绝对收益 4.24%，4月超额收益 -2.41%，绝对收益 2.21%，2026年超额收益 -2.03%，绝对收益 4.71%，2026年周胜率 5/13[14] 5. **中证500 AI增强严约束模型（周度调仓）**，上周超额收益 -0.37%，绝对收益 5.39%，4月超额收益 -0.49%，绝对收益 4.14%，2026年超额收益 0.72%，绝对收益 7.46%，2026年周胜率 8/13[14] 6. **中证500 AI增强严约束模型（日度调仓）**，上周超额收益 0.33%，绝对收益 6.09%，4月超额收益 -0.11%，绝对收益 4.51%，2026年超额收益 0.20%，绝对收益 6.95%，2026年周胜率 8/13[14] 7. **中证1000 AI增强宽约束模型（周度调仓）**，上周超额收益 -1.89%，绝对收益 4.23%，4月超额收益 -3.62%，绝对收益 1.34%，2026年超额收益 1.22%，绝对收益 6.52%，2026年周胜率 7/13[14] 8. **中证1000 AI增强宽约束模型（日度调仓）**，上周超额收益 -1.16%，绝对收益 4.96%，4月超额收益 -2.64%，绝对收益 2.33%，2026年超额收益 0.56%，绝对收益 5.87%，2026年周胜率 6/13[14] 9. **中证1000 AI增强严约束模型（周度调仓）**，上周超额收益 -0.81%，绝对收益 5.31%，4月超额收益 -1.04%，绝对收益 3.93%，2026年超额收益 2.06%，绝对收益 7.37%，2026年周胜率 8/13[14] 10. **中证1000 AI增强严约束模型（日度调仓）**，上周超额收益 -0.57%，绝对收益 5.56%，4月超额收益 -1.26%，绝对收益 3.70%，2026年超额收益 2.68%，绝对收益 7.98%，2026年周胜率 8/13[14]

量化模型与构建方式 1. **模型名称**：理论打新收益测算模型[10][43][48][49][56] **模型构建思路**：通过设定一系列假设条件，模拟不同类别、不同规模的投资者参与网下新股申购并上市后卖出的全过程，以测算其理论打新收益和收益率[10][43][48][49][56] **模型具体构建过程**： * **核心假设**： 1. 投资者参与所有主板、科创板、创业板新股打新且全部打中[10] 2. 上市首日以市场均价（首次开板日均价）卖出，忽略锁定期的卖出限制[10][43] 3. 对于A类投资者，假设科创板和创业板报价全部入围[48] 4. 账户资金配置为一半沪市一半深市且股票满仓[48] 5. 资金使用效率为90%[48][49][56] * **收益计算步骤**： 1. 计算单只股票的“满中数量”。对于A类投资者，使用A类平均网下中签率；对于B类投资者，使用B类平均网下中签率[43][48][56] $$满中数量 = 可申购上限额度 × 网下A类（或B类）平均中签率$$ 其中，“可申购上限额度”受账户规模和市值门槛限制[43][47][48] 2. 计算单只股票的“满中收益”[43] $$满中收益 = (首次开板价 − 首发价格) × 满中数量$$ 3. 计算不同规模账户的“打新收益”。根据账户规模（如1.5亿、2亿、3亿、5亿、10亿）和单只股票的“满中收益”，计算该账户在该股票上实际能获得的收益（通常小于或等于满中收益）[48] 4. 计算“打新收益率”。将指定时间段内（如逐月、年初至今、特定时间段至今）所有新股的打新收益相加，除以账户规模，得到打新收益率[10][49][51][56] $$打新收益率 = \frac{累计打新收益}{账户规模}$$ 模型的回测效果 1. **理论打新收益测算模型 (A类账户，所有板块)**[10][49][51] * 2026年至今（截至4/10）打新收益率：2亿规模账户为0.56%，10亿规模账户为0.27%[10][51] * 2025年至今打新收益率：2亿规模账户为4.37%，10亿规模账户为2.01%[51] * 逐月打新收益（单位：万元）： * 2026年4月：2亿规模账户为24.11万元，10亿规模账户为42.67万元[51] * 2026年3月：2亿规模账户为22.69万元，10亿规模账户为61.03万元[51] * 2026年2月：2亿规模账户为46.96万元，10亿规模账户为120.26万元[51] * 2026年1月：2亿规模账户为19.22万元，10亿规模账户为47.13万元[51] * 2025年12月：2亿规模账户为195.55万元，10亿规模账户为700.28万元[51] 2. **理论打新收益测算模型 (A类账户，科创板)**[52] * 2026年至今打新收益率：2亿规模账户为0.37%，10亿规模账户为0.18%[52] * 2025年至今打新收益率：2亿规模账户为1.90%，10亿规模账户为1.22%[52] 3. **理论打新收益测算模型 (A类账户，创业板)**[53] * 2026年至今打新收益率：2亿规模账户为0.10%，10亿规模账户为0.04%[53] * 2025年至今打新收益率：2亿规模账户为1.50%，10亿规模账户为0.41%[53] 4. **理论打新收益测算模型 (A类账户，主板)**[55] * 2026年至今打新收益率：2亿规模账户为0.08%，10亿规模账户为0.04%[55] * 2025年至今打新收益率：2亿规模账户为0.86%，10亿规模账户为0.34%[55] 5. **理论打新收益测算模型 (B类账户，所有板块)**[10][56] * 2026年至今（截至4/10）打新收益率：2亿规模账户为0.49%，10亿规模账户为0.24%[10][56] * 2025年至今打新收益率：2亿规模账户为3.37%，10亿规模账户为1.27%[56] * 逐月打新收益（单位：万元）： * 2026年4月：2亿规模账户为23.45万元，10亿规模账户为41.18万元[56] * 2026年3月：2亿规模账户为15.71万元，10亿规模账户为38.54万元[56] * 2026年2月：2亿规模账户为41.00万元，10亿规模账户为110.28万元[56] * 2026年1月：2亿规模账户为18.73万元，10亿规模账户为45.46万元[56] * 2025年12月：2亿规模账户为94.99万元，10亿规模账户为226.74万元[56] 6. **理论打新收益测算模型 (B类账户，科创板)**[59] * 2026年至今打新收益率：2亿规模账户为0.32%，10亿规模账户为0.16%[59] * 2025年至今打新收益率：2亿规模账户为1.17%，10亿规模账户为0.55%[59] 7. **理论打新收益测算模型 (B类账户，创业板)**[60] * 2026年至今打新收益率：2亿规模账户为0.10%，10亿规模账户为0.04%[60] * 2025年至今打新收益率：2亿规模账户为1.35%，10亿规模账户为0.37%[60] 8. **理论打新收益测算模型 (B类账户，主板)**[62] * 2026年至今打新收益率：2亿规模账户为0.08%，10亿规模账户为0.04%[62] * 2025年至今打新收益率：2亿规模账户为0.86%，10亿规模账户为0.34%[62] 量化因子与构建方式 1. **因子名称**：上市首日涨幅[2][23] **因子构建思路**：衡量新股上市首日相对于发行价格的涨幅，反映新股上市初期的市场热情和溢价水平[2][23] **因子具体构建过程**：计算新股上市首日收盘价（或市场均价）相对于发行价格的百分比涨幅[2][23] $$上市首日涨幅 = \frac{上市首日价格 − 发行价格}{发行价格} × 100\%$$ **因子评价**：是衡量打新策略收益潜力的核心指标之一，涨幅越高，潜在打新收益越大[2][23][43] 2. **因子名称**：有效报价账户数[2][28][30] **因子构建思路**：统计参与某只新股网下询价并给出有效报价的投资者账户数量，反映该新股的市场关注度和竞争激烈程度[2][28][30] **因子具体构建过程**：根据新股发行公告，分别统计A类投资者（公募基金、社保基金等）和B类投资者（保险公司、年金等）的有效报价账户数量[2][28][30] 3. **因子名称**：网下申购获配比例（中签率）[31][32][33] **因子构建思路**：衡量网下投资者申购新股后实际获配股份的比例，直接影响单只新股的打新收益[31][32][33] **因子具体构建过程**：根据新股发行结果公告，计算网下发行股份数量与网下有效申购数量的比值[31][32][33] $$网下申购获配比例 = \frac{网下发行数量}{网下有效申购数量}$$ 4. **因子名称**：募资金额[42][45] **因子构建思路**：反映新股的融资规模，通常与发行股本和发行价格相关[42][45] **因子具体构建过程**：根据新股发行公告，获取其预计或实际的募集资金总额[42][45] 因子的回测效果 1. **上市首日涨幅因子**[2][23] * 近期20只新股中，科创板个股上市首日平均涨幅为240.19%[2][23] * 近期20只新股中，创业板个股上市首日平均涨幅为221.09%[2][23] * 近一个月内，上市首日涨幅最高的三只股票为C三瑞（280.41%）、C红板（212.64%）、盛龙股份（205.89%）[42] 2. **有效报价账户数因子**[2][28][30] * 最近一只科创板新股：A类有效报价账户数量为5371，B类为2053[2][28][30] * 最近一只创业板新股：A类有效报价账户数量约为4975，B类为3202[2][28][30] * 最近一只沪市主板新股：A类有效报价账户数量为6365，B类为3551[2][28][30] * 最近一只深市主板新股：A类有效报价账户数量为5251，B类为3268[2][28][30] 3. **募资金额因子**[42][45] * 近一个月内，募资金额最高的三只新股为视涯科技-UW（22.68亿元）、宏明电子（21.17亿元）、C红板（17.7亿元）[42] * 2026年4月沪深两市上市4只新股，合计募资规模48.30亿元[18]

量化模型与构建方式 1. **模型名称：SSPT (Stock Specialized Pre-trained Transformer) 框架** [2][5][9] * **模型构建思路**：针对股票价格序列高噪声、非平稳、结构信息利用不足的问题，设计一个“预训练-微调”两阶段框架。通过设计贴合股票数据特性的预训练任务，从多个维度提取价格序列中的潜在结构特征，提升模型表征质量，再迁移至下游选股任务[5][9][10]。 * **模型具体构建过程**： 1. **数据构建**：以多股票日频价格数据为基础，将每只股票的历史序列按固定窗口长度进行滑动切片。基础输入特征包括开盘价、最高价、最低价、收盘价和成交量，并进一步加入5、10、20、30日移动均值等衍生特征，然后进行归一化处理，形成标准化的时序输入样本[16]。 2. **预训练任务设计**：设计三类预训练任务，从不同角度挖掘信息： * **股票代码分类 (SCC)**：任务为识别给定的价格序列片段来源于哪一只股票，旨在提取个股层面的特征差异[17]。 * **股票行业分类 (SSC)**：任务为识别给定的价格序列片段所属的行业，旨在捕捉板块层面的共性结构[18]。 * **移动均值预测 (MAP)**：任务为预测给定时间窗口内的平均价格（移动均值），而非单点价格，旨在提取更稳定的趋势信息，降低噪声干扰[22][23]。 3. **多任务联合训练**：采用标准Transformer架构作为核心编码器。在预训练阶段，Transformer同时承担上述三类任务，通过不同的任务头输出对应结果，并使用加权损失函数进行联合优化[23][24]。 4. **选股微调**：预训练完成后，保留Transformer编码层参数，移除预训练任务头，新增一个收益预测层。将模型训练目标切换为预测未来收益率，并在下游选股任务上进行微调。最终根据预测收益对股票排序，构建投资组合[28][31]。 2. **模型名称：DFQ-Diversify 模型 (作为对比模型提及)** [5][30] * **模型构建思路**：以解决分布外泛化问题为核心，通过自监督动态领域划分与对抗训练机制，显式地将“领域信息”（环境扰动）与“标签信息”（收益）解耦，从而提取跨环境稳定的预测特征[30][33]。 * **模型具体构建过程**：构建“领域–标签”双路径对抗训练体系。包含两个模块：`update_d`模块用于强化领域区分能力，同时通过梯度反转抑制标签信息；`update`模块用于强化标签（收益）预测能力，同时抑制领域信息。两个模块共享特征提取器，通过交替优化形成对抗博弈，实现特征空间的显式解耦[34][35]。 模型的回测效果 *指标说明：IRR为累计收益率，SR为夏普比率 (Sharpe Ratio)。结果基于NASDAQ、NYSE、TOPIX-100等市场回测[39][44]。* 1. **SSPT-ind 模型** (基于单一预训练任务)：NASDAQ市场 IRR 0.74, SR 2.32；NYSE市场 IRR 0.41, SR 2.11；TOPIX-100市场 IRR 0.51, SR 1.33[44]。 2. **SSPT-comb 模型** (基于多任务联合预训练)：NASDAQ市场 IRR 0.82, SR 2.25；NYSE市场 IRR 0.60, SR 2.35；TOPIX-100市场 IRR 0.43, SR 1.21[44]。 3. **市场基准 (Market)**：NASDAQ市场 IRR 0.15, SR 1.53；NYSE市场 IRR 0.10, SR 1.49；TOPIX-100市场 IRR 0.02, SR 0.19[44]。 4. **其他主流方法 (示例)**：在NASDAQ市场，CI-STHPAN模型 IRR 0.66, SR 2.01；ALSP-TF模型 IRR 0.53, SR 1.55；TimeMixer模型 IRR 0.42, SR 1.64[44]。 量化因子与构建方式 *注：本报告核心内容为量化模型框架，未涉及传统意义上的量化因子构建。报告在优化方向部分建议将输入特征从基础价量扩展至多维度因子体系，但未给出具体因子构建过程[49][50]。* 因子的回测效果 *无相关内容。*

根据您提供的研报内容，这是一篇关于创业板股指期货的政策与市场评论报告，并非量化模型或因子构建的专题研报。报告的核心内容是分析证监会再次提及推出创业板股指期货的意义、当前股指期货市场运行状况以及创业板指数期货推出的影响[1][3][6][7][10]。 报告全文未涉及任何具体的**量化模型**（如多因子选股模型、风险模型、择时模型等）或**量化因子**（如价值、动量、质量等风格因子）的构建思路、具体过程、公式、评价及回测测试结果。 因此，无法按照您要求的格式总结“量化模型与构建方式”、“模型的回测效果”、“量化因子与构建方式”及“因子的回测效果”等内容。

量化模型与构建方式 1. **模型名称：固收+基金风险暴露模型** * **模型构建思路：** 通过多元线性回归，将固收+基金的净值收益率分解为对各类资产风格纯因子收益的暴露，以刻画其风险特征[3]。 * **模型具体构建过程：** 将固收+基金的净值收益率作为因变量，对债券、股票、可转债等资产的风格纯因子收益率进行回归分析。回归模型估计出的系数即为该基金在各类因子上的风险暴露值。具体涉及的因子包括： * **债券风险因子：** 利率水平、违约暴露等[3]。 * **股票风险因子：** 低估值、成长、市值等风格因子[3]。 * **转债风险因子：** 余额、仓位等[3]。 * **模型评价：** 该模型能够系统性地分析固收+基金在不同资产类别和风格上的风险敞口，有助于理解其收益来源和风险结构[3]。 2. **模型名称：纯债基金风险暴露模型** * **模型构建思路：** 通过多元线性回归，将纯债基金的净值收益率分解为对关键利率和信用风险因子的暴露[5]。 * **模型具体构建过程：** 将纯债基金的净值收益率作为因变量，对五个债券市场风险因子的收益率进行回归分析。回归模型估计出的系数即为该基金在各因子上的风险暴露值。具体因子包括： * **利率风险因子：** 利率水平（Level）、斜率（Slope）、凸度（Curvature）[5]。 * **信用风险因子：** 信用（Credit）、违约（Default）[5]。 * **模型评价：** 该模型能够精细刻画纯债基金的久期（利率）风险和信用风险敞口，是分析纯债基金风险特征和业绩归因的核心工具[5]。 3. **模型名称：固收+基金优选模型** * **模型构建思路：** 基于“胜率”和“赔率”等多个维度，每季度从固收+基金池中筛选出10只基金构建等权优选组合[4][25]。 * **模型具体构建过程：** 1. 定义固收+基金池：过去四个季度平均权益仓位（股票仓位+转债仓位的50%）在40%以下的一级债基、二级债基、偏债混合型和灵活配置型基金[2][12]。 2. 从该基金池中，每季度使用“胜率”、“赔率”等多个筛选维度，优选10只基金[4][25]。 3. 将选出的10只基金进行等权配置，构建固收+基金优选组合[4][25]。 4. **模型名称：纯债基金优选模型** * **模型构建思路：** 在控制风格暴露偏离度的前提下，选择特质收益（Alpha）较高的基金构建等权优选组合[6][46]。 * **模型具体构建过程：** 1. 对纯债基金池，使用纯债基金风险暴露模型计算每只基金在利率水平、斜率、凸度、信用和违约五个因子上的暴露值[46]。 2. 筛选出各项风格暴露均在市场平均水平上下一倍标准差范围内的基金，构成初选池[6][46]。 3. 在该初选池中，季频选择特质收益（Alpha）较高的十只基金[6][46]。 4. 将选出的10只基金进行等权配置，构建纯债基金优选组合[6][46]。 模型的回测效果 1. **固收+基金优选模型** * 2026年3月区间收益：跑输二级债基指数0.12%[26]。 * 2026年以来区间收益：跑赢二级债基指数0.44%[26]。 2. **纯债基金优选模型** * 2026年3月区间收益：0.28%[49]。 * 2026年3月超额收益：跑输中长期纯债基金指数0.01%[49]。 量化因子与构建方式 1. **因子名称：固收+基金分类因子（股票型/转债型/混合型）** * **因子构建思路：** 根据固收+基金权益资产的投资类型进行分类[2]。 * **因子具体构建过程：** 1. 计算基金的权益仓位 = 股票仓位 + 转债仓位 × 50%[2][12]。 2. 根据权益资产的具体构成进行分类： * **股票型：** 权益资产全部投资于股票[2][12]。 * **转债型：** 权益资产全部投资于可转债[2][12]。 * **混合型：** 权益资产同时投资于股票和可转债[2][12]。 2. **因子名称：债券风险因子（用于固收+基金）** * **因子构建思路：** 用于解释债券资产价格变动的系统性风险来源[3]。 * **因子具体构建过程：** 报告中提及了以下因子，但未给出具体计算公式： * **利率水平因子：** 反映整体利率水平变化的风险[3]。 * **违约因子：** 反映债券违约风险变化的风险[3]。 3. **因子名称：股票风险因子** * **因子构建思路：** 用于解释股票资产价格变动的常见风格风险来源[3]。 * **因子具体构建过程：** 报告中提及了以下风格因子，但未给出具体计算公式： * **低估值因子：** 反映估值水平高低风格的风险[3]。 * **成长因子：** 反映成长性风格的风险[3]。 * **市值因子：** 反映公司市值大小风格的风险[3]。 4. **因子名称：转债风险因子** * **因子构建思路：** 用于解释可转债资产价格变动的特定风险来源[3]。 * **因子具体构建过程：** 报告中提及了以下因子，但未给出具体计算公式： * **余额因子：** 可能反映转债存量规模或供需关系对价格的影响[3]。 * **仓位因子：** 可能反映机构持仓变化对转债市场的影响[3]。 5. **因子名称：纯债基金风险因子（利率水平、斜率、凸度、信用、违约）** * **因子构建思路：** 采用经典的利率期限结构模型和信用利差模型，构建解释纯债价格变动的五个核心风险因子[5]。 * **因子具体构建过程：** 报告指出使用这五个因子进行回归，但未给出每个因子的具体计算公式。通常这些因子构建如下： * **利率水平（Level）：** 反映收益率曲线平行移动的风险，通常用长期利率代表。 * **斜率（Slope）：** 反映收益率曲线陡峭化或平坦化的风险，通常用长短期利差（如10年期-2年期国债收益率）代表。 * **凸度（Curvature）：** 反映收益率曲线曲度变化的风险，通常通过组合短、中、长期利率构建。 * **信用（Credit）：** 反映信用利差整体变化的风险，通常用投资级信用债指数与国债指数的利差代表。 * **违约（Default）：** 反映违约风险溢价变化的风险，通常用高收益债与投资级债的利差代表。 6. **因子名称：纯债基金特质收益（Alpha）** * **因子构建思路：** 衡量纯债基金在剥离掉上述五个系统性风险因子影响后，所获得的超额收益[6][46]。 * **因子具体构建过程：** 在纯债基金风险暴露模型中，基金净值收益率与五个因子收益率进行回归后，回归方程的残差项即为该基金的特质收益（Alpha）[46]。模型形式可表示为： $$R_{i,t} = Alpha_i + \beta_{i,Level} * F_{Level,t} + \beta_{i,Slope} * F_{Slope,t} + \beta_{i,Curvature} * F_{Curvature,t} + \beta_{i,Credit} * F_{Credit,t} + \beta_{i,Default} * F_{Default,t} + \epsilon_{i,t}$$ 其中，$R_{i,t}$ 是基金i在t期的收益率，$Alpha_i$ 是基金i的特质收益，$\beta_{i, * }$ 是基金i对各因子的暴露，$F_{*, t}$ 是各因子在t期的收益率，$\epsilon_{i,t}$ 为残差。 因子的回测效果 （报告中未提供单个因子的独立测试结果，如IC、IR等，仅提供了基于因子构建的模型组合表现，详见“模型的回测效果”部分。）

量化模型与构建方式 **本报告为金融工程周报，主要对市场、基金表现进行回顾与统计，未涉及具体的量化模型或量化因子的构建思路、过程及评价。** 量化因子与构建方式 **本报告为金融工程周报，主要对市场、基金表现进行回顾与统计，未涉及具体的量化模型或量化因子的构建思路、过程及评价。** 模型的回测效果 **本报告未涉及具体量化模型的回测效果。** 因子的回测效果 **本报告未涉及具体量化因子的回测效果。**