量化模型与构建方式 1. **模型名称：时间序列PB-ROE模型**[1][8][14] * **模型构建思路**：基于Wilcox & Philips (2005)的时间序列模型，用于分析指数的时间序列回报。该模型认为市场的对数市净率（Ln(P/B)）与净资产收益率（ROE）、实际利率（RealInterest）和通货膨胀率（Inflation）存在线性关系[14]。 * **模型具体构建过程**：使用周度数据，对全市场指数进行时间序列回归，拟合模型(1)。模型(1)的公式为： $$Ln(P/B)=a+b\cdot ROE+C\cdot RealInterest+d\cdot Inflation$$[8][14][15] 其中，`Ln(P/B)` 是市场整体市净率的自然对数，`ROE` 是市场整体的净资产收益率，`RealInterest` 是实际利率，`Inflation` 是通货膨胀率，`a`, `b`, `c`, `d` 是回归系数[14][15]。通过该回归方程计算出的残差，即为“PB-ROE估值偏离度”[1][8][15]。 * **模型评价**：在A股市场的实证检验显示，该模型计算出的估值偏离度与未来一周指数涨幅总体正相关，且具有统计显著性[9][15]。模型能够捕捉市场情绪（风险偏好）的变化，当偏离度为正时，表明市场情绪高涨；为负时，表明市场情绪低迷[1][9][15]。 2. **模型名称：基于PB-ROE估值偏离度的周度仓位择时模型**[2][10][19] * **模型构建思路**：利用“时间序列PB-ROE模型”计算出的“PB-ROE估值偏离度”及其历史统计特征（均值、标准差），构建一个四档的周度战术仓位配置信号模型[2][10][19]。 * **模型具体构建过程**： 1. 首先，计算“PB-ROE估值偏离度”的历史均值（μ）和标准差（σ）[2][10]。 2. 然后，根据当前估值偏离度（D）相对于历史均值±1倍标准差的相对位置，确定仓位信号[2][10][19]： * 当 D > μ + 1σ 时，发出 **高仓位** 信号[19]。 * 当 μ < D ≤ μ + 1σ 时，发出 **低仓位** 信号[19]。 * 当 μ - 1σ < D ≤ μ 时，发出 **中等仓位** 信号[19]。 * 当 D ≤ μ - 1σ 时，发出 **中高仓位** 信号[19]。 模型的回测效果 1. **时间序列PB-ROE模型**，**PB-ROE估值偏离度与未来第1周指数涨幅正相关性**具有统计显著性[15][17]。 2. **基于PB-ROE估值偏离度的周度仓位择时模型**，**历史回测显示仓位择时策略能够有效降低回撤、提高收益**[19]。 量化因子与构建方式 1. **因子名称：PB-ROE估值偏离度**[1][8][15] * **因子的构建思路**：该因子是“时间序列PB-ROE模型”的回归残差，代表了市场实际估值（PB）相对于其基本面（ROE、利率、通胀）所决定的合理估值的偏离程度[1][8][15]。 * **因子具体构建过程**：作为“时间序列PB-ROE模型”的副产品，其构建过程与模型构建过程一致。具体为：对全市场指数应用模型(1) $$Ln(P/B)=a+b\cdot ROE+C\cdot RealInterest+d\cdot Inflation$$ 进行回归，将实际观测到的 `Ln(P/B)` 值代入回归方程后计算出的残差（即实际值减去模型预测值），即为PB-ROE估值偏离度[8][15]。 * **因子评价**：该因子被解释为市场情绪的代理指标。当因子值>0时，表明实际PB高于基本面合理值，市场情绪高涨，风险偏好提升；当因子值<0时，表明实际PB低于基本面合理值，市场情绪低迷，风险偏好下降[1][9][15]。该因子与未来短期市场收益（如下一周涨幅）存在正相关关系[9][15]。 因子的回测效果 1. **PB-ROE估值偏离度因子**，**与未来第1周指数涨幅正相关**[9][15]。 2. **PB-ROE估值偏离度因子**，按因子值升序分为4组后，**因子值最高的第4组未来第1周涨幅显著最高**[18][21]。因子值较低的组也有正收益，表明低估值时存在安全边际和投资机会[18]。

低频选股因子周报（2026.04.30-2026.05.08） [Table_Authors] 郑雅斌(分析师) 高估值风格占优，基金重仓股组合 2026 年累计收益 27.3% 本报告导读： 上周，高估值风格占优，量价因子普遍回撤。量化股票组合中，绩优基金的独门重 仓股组合周收益率 3.79%，2026 年累计收益 27.3%。 投资要点： | | 021-23219395 | | --- | --- | | | zhengyabin@gtht.com | | 登记编号 | S0880525040105 | | | 罗蕾(分析师) | | | 021-23185653 | | | luolei@gtht.com | | 登记编号 | S0880525040014 | [Table_Report] 相关报告 绝对收益产品及策略周报（260427-260430） 2026.05.07 大额买入与资金流向跟踪（20260427-20260430） 2026.05.07 量化择时和拥挤度预警周报（20260430） 2026.05.04 低频选股因子周报（2026.04.24-2026.04.30） 2026.05 ...

量化模型与构建方式 1. **模型名称：三维择时框架**[8][12][14] * **模型构建思路**：通过构建分歧度、流动性和景气度三个维度的指标，综合判断市场整体趋势，进行择时判断[8][12][14]。 * **模型具体构建过程**：报告未详细描述三个具体指标的构建公式，但描述了其综合应用逻辑。当流动性保持上行趋势，分歧度上行趋势斜率降低，景气度确认上行趋势时，模型判断市场转多[8]。 2. **模型名称：热点趋势ETF策略**[29] * **模型构建思路**：根据ETF的K线形态和短期市场关注度，筛选出处于上涨趋势且热度提升的ETF构建组合[29]。 * **模型具体构建过程**： 1. 形态筛选：先选出最高价与最低价同时为上涨形态的ETF[29]。 2. 构建支撑阻力因子：根据最高价与最低价近20日回归系数的相对陡峭程度构建[29]。 3. 关注度筛选：在支撑阻力因子的多头组中，选择近5日换手率/近20日换手率最高的10只ETF，即短期市场关注度明显提升的标的[29]。 4. 组合构建：对筛选出的10只ETF构建风险平价组合[29]。 3. **模型名称：资金流共振策略**[35][38] * **模型构建思路**：结合融资融券资金流和主动大单资金流两种数据，寻找两种资金流产生共振效应的行业进行配置[35][38]。 * **模型具体构建过程**： 1. 构建行业融资融券资金因子：将个股的融资净买入-融券净卖出在行业内加总，然后进行Barra市值因子中性化处理，取最近50日均值后的两周环比变化率[35]。 2. 构建行业主动大单资金因子：计算行业净流入数据，并进行最近一年成交量时序中性化处理，然后排序并取最近10日均值[35]。 3. 策略合成：在主动大单因子的头部打分行业内，剔除融资融券因子的多头端行业（研究发现其有稳定的负向超额收益），以提高策略稳定性。进一步剔除大金融板块[35][38]。 4. 行业选择：选择主动大单资金流入分位高，且两融资金流入分位相对较低（避免负向剔除）的行业作为多头推荐[38][39]。 4. **模型名称：全天候配置策略**[41][45][47] * **模型构建思路**：通过资产选择、风险调整和结构对冲三项原则，构建分散化的投资组合，绕过宏观预测，追求长期稳健的绝对收益[41]。 * **模型具体构建过程**：报告提及了两种具体构建方式： 1. 高波版：采用“四层结构化-股债金风险平价”方法构建对冲构型[45]。 2. 低波版：采用“五层结构化-风险预算”方法构建对冲构型[47]。 （报告未提供具体的风险平价或风险预算计算公式） 5. **模型名称：经典线性多因子选股模型（指数增强策略）**[61][63] * **模型构建思路**：以多因子模型为核心，通过因子筛选、加权合成和组合优化，构建相对于基准指数的增强组合[61][63]。 * **模型具体构建过程**： 1. **因子筛选**：每年末，基于因子值之间的相关系数以及Rank ICIR指标，优选有效因子[63]。 2. **因子加权**：每月末，对入选因子进行正交处理，并采用Rank ICIR加权方式合成复合因子，将其作为个股的Alpha得分[63]。 3. **组合优化**：在给定风险约束条件下，以最大化复合因子暴露为目标，求解股票的最优权重，分别构建以沪深300、中证500和中证1000为基准的增强组合[63]。 模型的回测效果 1. **热点趋势ETF策略**[29] * 2025年以来收益：65.81% * 2025年以来相对沪深300超额收益：39.98% 2. **资金流共振策略**[35] * 2018年以来费后年化超额收益：12.3% * 信息比率(IR)：1.2 * 策略上周绝对收益：1.31% * 策略上周相对行业等权超额收益：0.18% 3. **全天候配置策略**[51] * **高波版**： * 截至2025年年化收益率：11.8% * 年平均最大回撤：3.6% * 夏普比率：1.9 * 2026年以来收益率：6.2% * **低波版**： * 截至2025年年化收益率：6.7% * 年平均最大回撤：2.0% * 夏普比率：2.4 * 2026年以来收益率：2.0% 4. **指数增强策略**[61][64][67][71] * **沪深300增强组合**： * 本周超额收益：0.2% * 本月超额收益：3.3% * 本年超额收益：7.4% * 自2016年1月1日以来年化超额收益：9.3% * 自2016年1月1日以来年化信息比率(IR)：2.29 * 自2016年1月1日以来超额最大回撤：-5.3% * **中证500增强组合**： * 本周超额收益：0.3% * 本月超额收益：1.2% * 本年超额收益：5.7% * 自2016年1月1日以来年化超额收益：13.4% * 自2016年1月1日以来年化信息比率(IR)：2.79 * **中证1000增强组合**： * 本周超额收益：-0.2% * 本月超额收益：-2.5% * 本年超额收益：0.6% * 自2016年1月1日以来年化超额收益：16.4% * 自2016年1月1日以来年化信息比率(IR)：3.44 量化因子与构建方式 1. **风格因子**：报告提及了流动性因子、贝塔因子、波动率因子，本周均录得正收益，表明市场呈现“高流动性高贝塔高波动率”的风格特征[54]。 2. **Alpha因子（部分列举）**[57][59][60]： * **因子名称**：1年-1个月的收益率 (mom 1y 1m) * **因子构建思路**：基于过去1年剔除最近1个月的收益率构建动量因子。 * **因子具体构建过程**：报告未提供具体公式，但根据名称推断，计算公式可能为： $$ mom1y1m = R_{[t-252, t-21]} $$ 其中，$R_{[t-252, t-21]}$ 表示从第t-252个交易日到第t-21个交易日的累计收益率（假设一年约252个交易日，一个月约21个交易日）。 * **因子名称**：单季度营业收入同比增速 (yoy or q) * **因子构建思路**：衡量公司最新单季度营业收入的同比增长情况。 * **因子名称**：营业收入同比增速 (yoy or) * **因子构建思路**：衡量公司营业收入的同比增长情况。 * **因子名称**：十二个月残差动量 (specific mom12) * **因子构建思路**：基于剔除市场、行业等共同因素后的残差收益构建的长期动量因子。 * **因子名称**：评级上下调差/评级上下调和 (est num diff) * **因子构建思路**：通过分析师评级上调与下调的家数差占总数和的比例，反映分析师一致预期的变化。 * **因子名称**：近一个月一致预测净利润变化（FY1）占比 (mom1 np fy1) * **因子构建思路**：衡量最近一个月内，分析师对未来一年（FY1）净利润一致预测值的变化幅度。 * **因子具体构建过程**：报告给出了部分因子的计算公式，例如： $$ mom3\_np\_fy1 = \frac{(当前一致预测np\_FY1 - 3个月前一致预测np\_FY1)}{|3个月前一致预测np\_FY1|} $$ $$ sue1 = \frac{净利润同比delta - 过去八个季度的净利润同比delta均值}{过去八个季度的净利润同比delta标准差} $$ * **因子评价**：报告指出，在大市值指数中动量因子和评级因子表现更突出；在小市值指数中，一致预测净利润变化占比因子表现更佳[60]。 因子的回测效果 （以下因子表现数据均截至2026年4月30日） 1. **风格因子本周收益**[54]： * 流动性因子：4.05% * 贝塔因子：3.85% * 波动率因子：3.59% 2. **Alpha因子近一周多头超额收益（全市场）**[59]： * 1年-1个月的收益率 (mom 1y 1m)：2.55% * 单季度营业收入同比增速 (yoy or q)：1.27% * 营业收入同比增速 (yoy or)：1.22% * 每股营业收入同比增长率 (yoy orps)：1.10% * 流动负债同比增长 (cur liab yoy)：1.07% 3. **Alpha因子最近一年在不同指数中的多头超额收益（部分列举）**[60]： * **十二个月残差动量 (specific mom12)**： * 沪深300中：40.52% * 中证500中：15.51% * 中证800中：31.30% * 中证1000中：15.79% * **1年-1个月的收益率 (mom 1y 1m)**： * 沪深300中：30.77% * 中证500中：11.08% * 中证800中：31.47% * 中证1000中：20.99% * **评级上下调差/评级上下调和 (est num diff)**： * 沪深300中：35.46% * 中证500中：8.55% * 中证800中：26.33% * 中证1000中：0.66% * **近一个月一致预测净利润变化（FY1）占比 (mom1 np fy1)**： * 沪深300中：21.60% * 中证500中：22.57% * 中证800中：30.40% * 中证1000中：9.57% * **近三个月一致预测营业收入预期变化占比（FY1） (mom3 rev fy1)**： * 沪深300中：29.91% * 中证500中：18.67% * 中证800中：30.55% * 中证1000中：22.14%

量化模型与构建方式 1. **模型名称：股指期货期现对冲策略（连续对冲）** [41] * **模型构建思路：** 通过持续做空股指期货合约，对冲持有标的指数现货的风险，旨在获取相对稳健的收益或降低组合波动[41]。 * **模型具体构建过程：** 1. **回测区间：** 2022年7月22日至2026年5月8日[42]。 2. **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]。 3. **期货端：** 做空与现货端等额名义本金的对应股指期货合约[42]。 4. **资金分配：** 现货端使用70%资金，期货端占用剩余30%资金[42]。 5. **调仓规则（当月/季月连续）：** 连续持有当月或季月合约，直至该合约距离到期日剩余不足2日，在当日以收盘价平仓，并同时以当日收盘价卖空下一份当月或季月合约[42]。 6. **其他假设：** 不考虑交易手续费、冲击成本及期货合约的不可无限细分性质[42]。 2. **模型名称：股指期货期现对冲策略（最低贴水策略）** [41] * **模型构建思路：** 在连续对冲策略基础上进行优化，通过动态选择市场中贴水幅度最小的合约进行对冲，以获取更优的基差收敛收益[41]。 * **模型具体构建过程：** 1. **回测区间与现货/期货端设置：** 与连续对冲策略相同[43]。 2. **调仓规则（最低贴水）：** 调仓时，计算当日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[43]。同一合约持有8个交易日后，或该合约距离到期日剩余不足2日时，才能重新选择新合约（排除剩余到期日不足8日的合约）[43]。每次选择后，无论是否更换合约，均继续持有8个交易日[43]。 3. **其他假设：** 与连续对冲策略相同[43]。 3. **因子/指标名称：分红调整年化基差** [18][19] * **因子构建思路：** 为准确分析股指期货合约的真实基差水平，需要剔除标的指数成分股在期货合约存续期内分红对基差计算的影响[18]。 * **因子具体构建过程：** 1. 计算预期分红调整后的基差：$$预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红$$ [19] 2. 将调整后的基差进行年化处理，得到报告中使用的主要指标：$$年化基差 = (实际基差 + (预期)分红点位) / 指数价格 \times 360 / 合约剩余天数$$ [20] 4. **因子/指标名称：波动率指数 (VIX)** [62] * **因子构建思路：** 借鉴海外成熟经验，结合国内场内期权市场实际情况构建，用于反映期权投资者对标的资产未来特定期限（如30日）波动水平的预期[62]。 * **因子具体构建过程：** 报告未详细描述具体计算公式，但指出该指数具备期限结构，可展示市场对于同一标的在不同时间跨度内波动预期的差异[62]。 5. **因子/指标名称：偏度指数 (SKEW)** [65][66] * **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[65][66]。 * **因子具体构建过程：** 报告未详细描述具体计算公式，但解释了其逻辑：当市场担忧下行风险时，看跌期权需求上升，会推动SKEW指数升高。指数高于100通常表明投资者对市场可能出现大幅回调的担忧加剧[66]。 模型的回测效果 *注：所有策略回测区间均为2022年7月22日至2026年5月8日[42][43]，指标口径一致。* 1. **IC（中证500）对冲策略** [46] * 当月连续对冲模型：年化收益-3.42%，波动率3.79%，最大回撤-12.48%，净值0.8774，年换手次数12，2026年以来收益-0.74%[46]。 * 季月连续对冲模型：年化收益-2.86%，波动率4.85%，最大回撤-10.94%，净值0.8966，年换手次数4，2026年以来收益-1.23%[46]。 * 最低贴水策略模型：年化收益-2.03%，波动率4.53%，最大回撤-9.69%，净值0.9259，年换手次数17.30，2026年以来收益-1.55%[46]。 2. **IF（沪深300）对冲策略** [51] * 当月连续对冲模型：年化收益0.09%，波动率2.81%，最大回撤-3.95%，净值1.0034，年换手次数12，2026年以来收益-0.61%[51]。 * 季月连续对冲模型：年化收益0.45%，波动率3.20%，最大回撤-4.03%，净值1.0169，年换手次数4，2026年以来收益-0.37%[51]。 * 最低贴水策略模型：年化收益0.93%，波动率2.96%，最大回撤-4.06%，净值1.0355，年换手次数15.17，2026年以来收益-0.28%[51]。 3. **IH（上证50）对冲策略** [54] * 当月连续对冲模型：年化收益0.92%，波动率2.85%，最大回撤-4.22%，净值1.0351，年换手次数12，2026年以来收益-0.14%[54]。 * 季月连续对冲模型：年化收益1.94%，波动率3.25%，最大回撤-3.76%，净值1.0749，年换手次数4，2026年以来收益0.58%[54]。 * 最低贴水策略模型：年化收益1.59%，波动率2.90%，最大回撤-3.91%，净值1.0611，年换手次数14.63，2026年以来收益0.46%[54]。 4. **IM（中证1000）对冲策略** [58] * 当月连续对冲模型：年化收益-6.27%，波动率4.27%，最大回撤-21.71%，净值0.7839，年换手次数12，2026年以来收益-1.28%[58]。 * 季月连续对冲模型：年化收益-5.23%，波动率5.36%，最大回撤-18.40%，净值0.8173，年换手次数4，2026年以来收益-2.01%[58]。 * 最低贴水策略模型：年化收益-4.06%，波动率5.09%，最大回撤-14.53%，净值0.8557，年换手次数15.17，2026年以来收益-0.78%[58]。 因子的回测效果 *注：以下为截至2026年5月8日的因子最新观测值。* 1. **分红调整年化基差（当季合约）** [3][21][26][31][36] * IC（中证500）：-4.01%[3][21] * IF（沪深300）：-2.19%[3][26] * IH（上证50）：-0.45%[3][31] * IM（中证1000）：-7.47%[3][36] 2. **波动率指数 (VIX)（30日）** [62] * 上证50VIX：18.99[62] * 沪深300VIX：19.23[62] * 中证500VIX：27.35[62] * 中证1000VIX：25.51[62] 3. **偏度指数 (SKEW)（30日）** [66] * 上证50SKEW：98.50[66] * 沪深300SKEW：105.53[66] * 中证500SKEW：103.46[66] * 中证1000SKEW：107.26[66]

证券研究报告·金融工程·金工定期报告 金工定期报告 20260509 反弹未改防御底色，小盘尾部风险还在 2026 年 05 月 09 日 [Table_Tag] [Table_Summary] 本周点评 ◼ 反弹未改防御底色，小盘尾部风险还在：节后市场偏强运行，衍生品信 号指向结构性分化。期权方面，各品种 VIX 虽普遍上行但仍处历史低 位，短期波动预期不高。SKEW 节后显著分化，上证 50 已回落至中性 水平以下，而中证 1000 仍高达 107.26，显示小盘尾部风险担忧持续。 期指方面，节后三个交易日整体增仓超 2 万张，首日增仓近 6.5 万张， 中证 500 基差上涨、贴水收窄最为明显。整体来看，市场情绪并非全面 乐观，大盘蓝筹风险缓释，中小盘防御需求仍强，后续上行节奏或趋于 平缓，风格上大盘或更具韧性。 内容摘要 证券分析师 于明明 执业证书：S0600525120002 yumm@dwzq.com.cn 证券分析师 崔诗笛 执业证书：S0600526020003 cuisd@dwzq.com.cn 证券分析师 孙石 执业证书：S0600526020001 suns@dwzq.com.cn 东 ...

量化模型与因子总结 量化模型与构建方式 1. **模型/因子名称**：市场情绪指标 - 封板率[17] **模型/因子构建思路**：通过计算当日最高价涨停且收盘涨停的股票数量与最高价涨停股票总数的比例，来衡量市场追涨资金的封板意愿和强度，以此反映市场情绪[17]。 **模型/因子具体构建过程**： 1. 筛选上市满3个月以上的股票[17]。 2. 统计当日盘中最高价达到涨停价的股票数量[17]。 3. 统计在步骤2的股票中，收盘价仍为涨停价的股票数量[17]。 4. 计算封板率，公式为： $$封板率=最高价涨停且收盘涨停的股票数/最高价涨停的股票数$$[17] 2. **模型/因子名称**：市场情绪指标 - 连板率[17] **模型/因子构建思路**：通过计算连续两日收盘涨停的股票数量占昨日涨停股票总数的比例，来衡量市场涨停板的持续性，以此反映市场情绪的强度和赚钱效应的延续性[17]。 **模型/因子具体构建过程**： 1. 筛选上市满3个月以上的股票[17]。 2. 统计昨日收盘涨停的股票数量[17]。 3. 统计在步骤2的股票中，今日收盘也涨停的股票数量[17]。 4. 计算连板率，公式为： $$连板率=连续两日收盘涨停的股票数/昨日收盘涨停的股票数$$[17] 3. **模型/因子名称**：资金流向指标 - 两融交易占比[23] **模型/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，来反映杠杆资金在市场中的交易活跃度[23]。 **模型/因子具体构建过程**： 1. 获取当日市场总成交额数据[23]。 2. 获取当日融资买入总额与融券卖出总额数据[23]。 3. 计算两融交易占比，公式为： $$两融交易占市场成交额比重 = (融资买入额+融券卖出额) / 市场总成交额$$[23] 4. **模型/因子名称**：折溢价指标 - 大宗交易折价率[27] **模型/因子构建思路**：通过计算大宗交易成交总金额与按当日市价计算的成交份额总市值的比率减1，来衡量大宗交易相对于市场价格的折价或溢价水平，反映大资金的交易成本和市场情绪[27]。 **模型/因子具体构建过程**： 1. 统计当日所有大宗交易的成交总金额[27]。 2. 计算当日大宗交易成交份额按收盘价（或成交均价）计算的总市值[27]。 3. 计算折价率，公式为： $$折价率=大宗交易总成交金额/当日成交份额的总市值-1$$[27] 当结果为负时表示折价交易[27]。 5. **模型/因子名称**：衍生品定价指标 - 股指期货年化贴水率[29] **模型/因子构建思路**：通过计算股指期货价格与现货指数价格之差（基差）相对于现货价格的比例，并进行年化处理，来标准化衡量股指期货的升贴水程度，反映市场对未来预期、对冲成本及市场情绪[29]。 **模型/因子具体构建过程**： 1. 选取股指期货主力合约[29]。 2. 计算基差：基差 = 期货价格 - 现货指数价格[29]。 3. 计算年化贴水率，公式为： $$年化贴水率=基差/指数价格*(250/合约剩余交易日数)$$[29] 结果为负表示贴水，为正表示升水[29]。 模型/因子的回测效果 （注：本篇报告为市场数据日度跟踪报告，主要展示各类指标在特定日期的观测值及历史分位数，未提供基于长期历史数据的模型或因子回测绩效指标（如年化收益、夏普比率、信息比率IR等）。因此，本部分仅汇总报告中提及的指标具体取值。） 1. **封板率因子**，2026年5月8日取值：77%[17] 2. **连板率因子**，2026年5月8日取值：21%[17] 3. **两融交易占比因子**，截至2026年5月7日取值：10.6%[23] 4. **大宗交易折价率因子**，2026年5月7日取值：8.19%[27]；近半年平均值：7.24%[27] 5. **股指期货年化贴水率因子** * **上证50股指期货**，2026年5月8日取值：6.10%，处于近一年17%分位点[29] * **沪深300股指期货**，2026年5月8日取值：6.01%，处于近一年41%分位点[29] * **中证500股指期货**，2026年5月8日取值：7.03%，处于近一年73%分位点[29] * **中证1000股指期货**，2026年5月8日取值：9.43%，处于近一年75%分位点[29] * **近一年中位数**：上证50为1.39%，沪深300为4.85%，中证500为10.31%，中证1000为12.73%[29]

量化模型与构建方式 1. **模型名称**：股债性价比模型 * **模型构建思路**：通过比较股票资产与债券资产的相对估值吸引力，构建一个指标来判断市场风格和资产配置方向[17] * **模型具体构建过程**：该模型的核心是计算股债性价比指标。具体公式为：1除以沪深300指数的市盈率（TTM），再减去10年期国债的到期收益率[17]。 $$股债性价比 = \frac{1}{沪深300市盈率(TTM)} - 10年期国债到期收益率$$ 该指标值越高，代表股票相对债券的估值吸引力越强。报告中进一步构建了该指标的“合理波动通道”，即其三年滚动均值加减两倍标准差构成的区间，作为判断股债相对价值是否处于极端位置的参考边界[17]。 2. **模型名称**：行业景气度二维筛选模型 * **模型构建思路**：结合估值水平（市净率PB或市盈率PE）与盈利能力（ROE）两个维度，对行业进行交叉分析，以寻找“低估值、高景气”或具备其他特征的配置机会[24][27][29]。 * **模型具体构建过程**：该模型通过散点图形式展示。以申万一级行业为分析对象，横轴为行业ROE（TTM）在历史区间（2014年上半年至2026年一季度）的分位数，代表行业景气度或盈利能力的相对水平；纵轴为行业PB（或PE）在历史区间（2015年至今）的分位数，代表行业估值水平的相对高低[27][29]。通过观察行业在二维图中的分布位置，可以识别出同时处于“低PB分位数（估值低）”和“高ROE分位数（盈利景气度高）”象限的行业[24]。 量化因子与构建方式 1. **因子名称**：行业ROE（净资产收益率） * **因子构建思路**：使用净资产收益率（ROE）作为衡量行业盈利能力与景气度的核心因子[1][24]。 * **因子具体构建过程**：因子计算基于上市公司财报数据。对于行业层面，通常采用整体法，即汇总行业内所有公司的净利润和净资产，然后计算ROE。报告中使用了ROE(TTM)，即滚动十二个月的数据，以平滑季节性波动[24]。具体公式为： $$行业ROE(TTM) = \frac{行业近12个月净利润合计}{行业期末净资产合计}$$ 报告进一步分析了该因子的两种动态变化：一是绝对水平（如26Q1的ROE数值）[24]；二是连续多期的变化趋势（如“近2个季度ROE数据上升幅度”）[1]。 2. **因子名称**：行业预收账款+合同负债同比增速 * **因子构建思路**：将上市公司资产负债表中的“预收账款”与“合同负债”科目加总，并计算其同比增速，作为反映行业未来订单需求和景气度前瞻性的因子[2][37]。 * **因子具体构建过程**：首先，在行业层面加总所有成分公司的“预收账款”与“合同负债”科目，得到行业整体的预收类款项总额。然后，计算该总额相较于去年同期的增长率[37]。具体公式为： $$行业预收类款项同比增速 = \frac{行业本期（预收账款+合同负债）总额}{行业上年同期（预收账款+合同负债）总额} - 1$$ 报告不仅关注该因子的一阶变化（同比增速本身），还关注其边际改善幅度，即二阶变化[2]。 3. **因子名称**：行业预收账款+合同负债同比增速的边际变化（二阶变化） * **因子构建思路**：在因子2（同比增速）的基础上，进一步计算其增长率的改善幅度，用于识别景气度正在加速回暖的行业[2][37]。 * **因子具体构建过程**：计算本期（如26Q1）的“预收账款+合同负债同比增速”与上期（如25Q4）的“预收账款+合同负债同比增速”之间的差值。这个差值反映了订单增长动能的边际变化[2][37]。 $$行业预收类款项增速边际变化 = 本期同比增速 - 上期同比增速$$ 模型的回测效果 （报告中未提供相关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、信息比率IR等具体数值。） 因子的回测效果 （报告中未提供相关量化因子的回测绩效指标，如因子收益率、IC值、IR信息比率、多空组合收益等具体数值。）

量化模型与因子总结 量化模型与构建方式 1. **模型名称：250日新高距离模型**[10] * **模型构建思路**：该模型基于“动量效应”和“趋势跟踪策略”，认为接近或创出历史新高的股票、行业或指数，未来表现可能更优。它通过计算当前价格与过去一段时间内最高价的相对距离，来衡量标的的“创新高”状态和趋势强度[10][17]。 * **模型具体构建过程**： 1. 对于任意标的（个股、行业指数、宽基指数等），获取其最新收盘价 \\(Closet\\)。 2. 计算该标的在过去250个交易日内的收盘价最大值 \\(ts\\_max(Close, 250)\\)。 3. 计算250日新高距离，公式为： $$250 日新高距离 = 1 - \frac{Closet}{ts\\_max(Close, 250)}$$ 4. 若最新收盘价创出250日新高，则分母等于分子，距离为0；若价格从高点回落，则距离为正值，表示回落幅度[10]。 2. **模型名称：平稳创新高股票筛选模型**[25][27] * **模型构建思路**：该模型旨在从已创出新高的股票中，进一步筛选出趋势更稳健、持续性更强的“平稳创新高”股票。其理论基础是，遵循平滑价格路径的高动量股收益，优于遵循跳跃价格路径的高动量股[25]。模型从分析师关注度、股价相对强弱、趋势延续性、股价路径平稳性、创新高持续性等多个维度进行综合筛选[25][27]。 * **模型具体构建过程**：该模型为多步骤筛选流程，具体如下： 1. **初选股票池**：首先筛选出上市满15个月，且在过去20个交易日内创出过250日新高的所有股票[18]。 2. **应用筛选条件**：在初选股票池中，依次应用以下条件[27]： * **分析师关注度**：过去3个月内，获得“买入”或“增持”评级的分析师研报数量不少于5份。 * **股价相对强弱**：过去250日涨跌幅位于全市场所有股票的前20%。 * **股价平稳性**：在满足以上两个条件的股票池内，使用以下两个指标综合打分，并选取排名在前50%的股票。 * **价格路径平滑性（股价位移路程比）**：该指标用于衡量股价走势的平滑程度，计算公式在报告中以图示形式给出，但具体公式未在文本中完整呈现，其核心思想是“过去120日涨跌幅的绝对值”与“过去120日日涨跌幅绝对值加总”的比值[25]。 * **创新高持续性**：过去120日的250日新高距离在时间序列上的均值。 3. **最终排序与选取**：在通过上述筛选的股票中，根据 **“趋势延续性”** 指标（过去5日的250日新高距离在时间序列上的均值）进行排序，最终选取排名最靠前的50只股票作为“平稳创新高股票”[27]。 模型的回测效果 *本报告为市场状态跟踪周报，主要展示特定时点（2026年5月8日）的模型应用结果，未提供历史回测的长期绩效指标（如年化收益率、夏普比率、最大回撤等）。因此，此处列出的是模型在该时点的具体输出和筛选结果。* 1. **250日新高距离模型** * **主要宽基指数250日新高距离**（截至2026年5月8日）：上证指数0.06%，深证成指0.50%，沪深300指数0.58%，中证500指数0.03%，中证1000指数0.00%，中证2000指数0.00%，创业板指0.96%，科创50指数2.29%[2][11]。 * **行业指数250日新高距离**（截至2026年5月8日）：通信、机械、电子、基础化工、纺织服装行业距离较近（例如通信、机械为0.00%）；食品饮料、消费者服务、银行、商贸零售、综合金融行业距离较远[2][12]。 * **创新高个股统计**（截至2026年5月8日）：全市场共有912只股票在过去20个交易日内创出250日新高。其中，电子（180只）、机械（133只）、基础化工（98只）行业创新高个股数量最多；电子（36.29%）、通信（30.83%）、煤炭（27.78%）行业创新高个股数量占比最高[18][21]。 2. **平稳创新高股票筛选模型** * **筛选结果**（截至2026年5月8日）：模型最终筛选出50只“平稳创新高股票”，例如长飞光纤、宏和科技、亚翔集成等[3][28]。 * **板块分布**：入选股票中，科技板块20只，制造板块16只，数量最多。科技板块中以电子行业为主，制造板块中以机械行业为主[3][28][29]。

量化模型与构建方式 1. 超预期增强行业轮动策略 * **模型名称**：超预期增强行业轮动策略 * **模型构建思路**：以基本面为核心，叠加估值面和资金面进行多维度分析，并特别引入“超预期”因素来完善框架[13]。 * **模型具体构建过程**： 1. **因子构成**：该策略模型综合了多个维度的因子。 * **基本面**：包括基于实际披露业绩构建的**盈利因子**和**质量因子**，以及基于研报文本分析与分析师预期构建的**分析师预期因子**和**超预期因子**[13]。 * **估值面**：包含**估值动量因子**[13]。 * **资金面**：考虑**北向持仓**、**公募持仓**等[13]。 2. **超预期因子定义**：指公司公告的营业收入、净利润等指标超出市场一致预期的部分。市场定价不仅依据业绩增长，也参考市场预期。业绩增长但不及预期可能导致下跌，业绩下降但好于预期则可能有较好表现[13]。 3. **行业筛选与组合构建**：每月初，根据综合因子得分对行业进行排序，选取排名前1/6（即5个）的行业，以等权方式构建投资组合，按月调仓[30]。 4. **基准与手续费**：以29个行业等权组合作为基准，手续费率为千分之三[30]。 2. 景气度估值行业轮动策略 * **模型名称**：景气度估值行业轮动策略 * **模型构建思路**：主要基于估值动量、盈利与质量因子进行构建[14]。 * **模型具体构建过程**：该策略的构建方法与超预期增强行业配置策略一致，但主要使用的因子为**估值动量**、**盈利**与**质量**因子[14]。具体指标构建可参考相关历史报告[14]。 3. 调研行业精选策略 * **模型名称**：调研行业精选策略 * **模型构建思路**：基于机构调研数据，从行业层面的调研热度与广度两个视角来判断机构投资者对行业关注度的动向[14]。 * **模型具体构建过程**： 1. **因子构成**： * **调研热度**：通过覆盖公司的调研活动平均数来刻画行业内的公司热度[14]。 * **调研广度**：通过行业的调研覆盖程度来刻画行业拥挤度，排名越高代表调研广度越低（即拥挤度越低）[48]。 2. **行业筛选与组合构建**：每月初，根据调研活动因子（综合热度和广度）对行业进行排序，选取排名前5的行业构建投资组合，按月调仓[36]。 3. **基准与手续费**：以行业等权配置组合作为基准，手续费率为千分之二[36]。 量化因子与构建方式 1. 盈利因子 * **因子名称**：盈利因子 * **因子构建思路**：基于公司实际披露的业绩数据构建，属于基本面因子[13]。 2. 质量因子 * **因子名称**：质量因子 * **因子构建思路**：基于公司实际披露的业绩数据构建，属于基本面因子[13]。 3. 估值动量因子 * **因子名称**：估值动量因子 * **因子构建思路**：属于估值面因子[13]。 4. 分析师预期因子 * **因子名称**：分析师预期因子 * **因子构建思路**：基于研报文本分析与分析师预期构建，属于基本面因子[13]。 5. 超预期因子 * **因子名称**：超预期因子 * **因子构建思路**：基于研报文本分析与分析师预期构建，衡量公司公告业绩超出市场一致预期的程度，属于基本面因子[13]。 * **因子评价**：引入超预期因素能够进一步完善行业轮动框架，因为市场定价的重要参考基准是市场预期[13]。 6. 调研活动因子 * **因子名称**：调研活动因子 * **因子构建思路**：由调研热度和调研广度两个细分因子组成，用于衡量机构投资者对行业的关注度[14][48]。 * **因子具体构建过程**： * **调研热度**：通过行业内覆盖公司的调研活动平均数来刻画[14]。 * **调研广度**：通过行业的调研覆盖程度来刻画行业拥挤度[14]。排名越高代表调研广度越低（即拥挤度越低）[48]。 7. 北向流入因子 * **因子名称**：北向流入因子 * **因子构建思路**：属于资金面因子，考虑北向资金的持仓动向[13]。 模型的回测效果 （测试区间：2011年1月-2026年4月，除非特别说明） | 模型名称 | 年化收益率 | 年化超额收益率 | 年化波动率 | 夏普比率 | 最大回撤率 | 月均双边换手率 | 4月收益率 | 4月超额收益率 | 今年以来收益率 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | **超预期增强行业轮动策略** | 13.10%[34] | 7.39%[34] | 25.19%[34] | 0.520[34] | 54.44%[34] | 68.97%[30] | 12.51%[30] | 7.22%[30] | 12.29%[34] | | **景气度估值行业轮动策略** | 9.81%[34] | 4.50%[34] | 25.91%[34] | 0.379[34] | 56.24%[34] | - | 7.06%[30] | 1.77%[30] | 2.59%[34] | | **行业等权基准** | 5.65%[34] | - | 23.39%[34] | 0.241[34] | 59.00%[34] | - | 5.29%[30] | - | 4.42%[34] | | **调研行业精选策略** (2017年1月-2026年4月) | 6.78%[37][40] | 2.34%[37][40] | 19.75%[40] | 0.343[47] | 40.18%[47] | 157.09%[37] | 3.54%[37] | -1.74%[37] | 6.48%[47] | | **行业等权基准** (2017年1月-2026年4月) | 4.05%[37][40] | - | 18.72%[40] | 0.217[47] | 34.98%[47] | - | 5.29%[37] | - | 4.42%[47] | 因子的回测效果 1. 单因子表现（截至2026年4月） | 因子名称 | 上月IC值 | 今年以来IC均值 | 上月因子多空收益 | 今年以来因子多空收益 | 上月因子多头超额收益 | 今年以来因子多头超额收益 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | **盈利因子** | 50.79%[15][17] | 22.35%[15][17] | 9.89%[15][17] | 15.41%[17] | 7.25%[15][17] | 6.46%[15][17] | | **质量因子** | -11.43%[17] | -3.42%[17] | -7.38%[17] | -13.84%[17] | -3.09%[17] | -7.96%[17] | | **估值动量因子** | 59.46%[15][17] | 23.41%[15][17] | 8.99%[15][17] | 17.59%[17] | 6.27%[15][17] | 8.29%[15][17] | | **分析师预期因子** | 49.80%[15][17] | 15.31%[15][17] | 10.34%[15][17] | 6.02%[17] | 7.18%[15][17] | 2.79%[15][17] | | **超预期因子** | -7.68%[17] | -5.90%[17] | -1.58%[17] | -3.79%[17] | -1.56%[17] | -1.13%[17] | | **调研活动因子** | 18.50%[15][17] | 12.62%[15][17] | 0.41%[17][25] | 4.23%[17] | -1.43%[17] | 3.21%[15][17] | 2. 策略核心因子历史表现 | 因子名称 | 测试区间 | IC均值 | IC标准差 | 风险调整的IC (IR) | 多空年化收益率 | 多空夏普比率 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | **超预期增强因子** (复合因子) | 2011年以来[20] | 8.31%[20] | 28.07%[21] | 0.296[20][21] | 18.14%[21] | 1.02[21] | | **调研活动因子** | 2017年以来[20] | 9.33%[20] | 19.33%[21] | 0.483[20][21] | 15.14%[25] | 1.38[25] | **注**：超预期增强因子在2026年4月的IC值为56.80%，多空收益率为11.13%[21]。调研活动因子在2026年4月的多空收益率为0.41%[25]。

量化大势研判 202605 推荐预期成长风格，ROE 拥挤度已达较高水平 glmszqdatemark 2026 年 05 月 07 日 执业证书： S0590525110059 邮箱： yeerle@glms.com.cn 相关研究 本公司具备证券投资咨询业务资格，请务必阅读最后一页免责声明 证券研究报告 1 [Table_Author] 分析师 叶尔乐 为了解决风格系统化轮动难题，我们开启了自下而上的量化大势研判探究。所谓 风格是资产本身的内在属性，内嵌于其产业生命周期的变化中，存在五种风格阶 段：外延成长、质量成长、质量红利、价值红利、破产价值。全局比较下来的优 势资产其特征属性，即为未来市场的主流风格。可通过 g>ROE>D 的基本优先级 进行考察，分析"有没有（好资产）"和"（好资产）贵不贵"进行优势资产的比 较判断，最后聚焦当下最具有优势的细分板块。 预期增速资产优势差继续回升，实际增速资产优势差回落。△gf 继续保持扩张， 其主要来自 Top 组的上升，高预期增速板块依然有表现机会；△g 有明显下降， Top 组和 Bottom 组都有回升，只是 Bottom 组回升更快。景气类策略在各板块 业 ...