量化模型与构建方式 1. **模型名称：行业成本压力量化模型**[12] * **模型构建思路**：基于国家统计局发布的投入产出表数据，量化计算原油价格上涨对各行业带来的成本压力[12]。通过分析各行业的成本结构及其成本传导能力，识别在油价冲击下短期受损最严重的行业[12]。 * **模型具体构建过程**： 1. **数据基础**：使用国家统计局最新发布的投入产出表，重点关注中间产品象限，该象限表示每个经济部门在生产过程中对其他部门产品的需求量[12]。 2. **计算成本分布权重**：对于目标行业j，将其在投入产出表中第j列（中间投入）的每个数值，除以该列的总投入减去营业盈余，得到该行业成本中来自各部门的权重[12]。公式表示为：部门j对部门i的成本权重 = 中间投入表中第i行第j列的值 / (部门j的总投入 - 部门j的营业盈余)[12]。 3. **估算行业成本变动**：假设劳动者报酬等增加值部分价格不变，将中间投入各部门的PPI（工业生产者出厂价格指数）按上一步计算出的权重进行加权，即可估算出行业j的成本变动[12]。 4. **量化成本传导能力**： * 首先，计算行业估算成本序列与其产品价格（PPI）序列的时差相关系数，找到使两者相关性最高的滞后期（即“价格变动滞后月数”）[16]。 * 然后，在最优滞后期的基础上，将行业PPI对估算成本进行回归，将回归斜率定义为该行业的“成本传导能力”[16]。斜率大于1意味着可以超额传导成本压力，小于1则意味着无法完全传导。 5. **测算油价冲击影响**：设定油价上涨幅度（如报告假设上涨50%），根据各行业的成本结构计算其“成本变动比例”[19]。同时，对于成本传导能力强（传导能力系数>1）且价格传导滞后期短（≤1个月）的行业，估算其“产品价格变动比例”[19]。最终，“成本变动比例”与“产品价格变动比例”的差值（剪刀差）用于衡量各行业在油价冲击下盈利空间的净变化[19]。 2. **模型名称：行业成本承受缓冲期分析模型**[23] * **模型构建思路**：通过分析行业库存水平与其应对成本上涨能力之间的关系，估算高油价传导至终端需求、可能引发衰退的缓冲时间[23][26]。 * **模型具体构建过程**： 1. **计算库存周转月数**：利用国家统计局公布的工业企业营业收入及存货数据，估算行业的平均库存周转月数[23]。公式可理解为：库存周转月数 ≈ (存货 / 营业收入) * 12。 2. **建立关联关系**：将各行业的“平均库存周转月数”与上文模型得出的“价格变动滞后月数”进行对比分析[23]。 3. **分析缓冲机制**：研究发现两者呈现明显正相关性，即库存水平越高，行业在成本压力下能够维持产品价格不涨的时间（缓冲期）越长[23]。 4. **评估当前缓冲能力**：结合当前中下游行业库存周转月数普遍处于历史高位的现状，推断行业承受成本上行的能力较强，油价上涨传导至终端价格可能仍有1-2个季度的缓冲期[26]。 模型的回测效果 *本报告中的模型主要用于测算与现状分析，未提供传统量化策略回测所对应的年化收益率、夏普比率、最大回撤等信息。模型的主要输出结果为各行业的指标排序与具体测算值。* 量化因子与构建方式 1. **因子名称：行业成本传导能力因子**[16] * **因子构建思路**：衡量一个行业将其上游成本上涨压力转移给下游的能力，系数大于1表示能超额传导，可能受益于原材料涨价；小于1则表示传导能力弱，可能受损[16]。 * **因子具体构建过程**： 1. 根据“行业成本压力量化模型”计算出各行业的估算成本时间序列和其PPI时间序列[16]。 2. 计算两个序列的时差相关系数，确定使相关性最高的PPI滞后月数（最优滞后期）[16]。 3. 在最优滞后期下，对行业PPI序列与估算成本序列进行线性回归[16]。 4. 取回归方程的斜率作为该行业的“成本传导能力因子”值[16]。 2. **因子名称：价格变动滞后月数因子**[16] * **因子构建思路**：反映行业产品价格相对于其成本上涨的滞后时间，表征行业利用库存等手段缓冲成本冲击的能力[16][23]。 * **因子具体构建过程**：在计算“成本传导能力因子”的第一步中，通过计算时差相关系数，直接得到使成本与价格相关性最高的滞后期月数，即为该因子的值[16]。 3. **因子名称：行业库存缓冲因子（平均库存周转月数）**[23] * **因子构建思路**：以库存周转月数衡量行业的库存水平，作为评估其应对成本上涨缓冲垫厚度的代理指标[23]。 * **因子具体构建过程**：使用行业存货与营业收入数据，计算历史平均库存周转月数[23]。公式为：平均库存周转月数 = 历史各期（存货 / 营业收入 * 12）的平均值[23]。 4. **因子名称：油价冲击净影响因子（剪刀差）**[19] * **因子构建思路**：综合测算在特定油价涨幅假设下，行业成本上升与产品价格上升的净差额，直接量化油价冲击对行业盈利空间的即时影响[19]。 * **因子具体构建过程**： 1. 给定油价上涨幅度（报告设为50%），根据投入产出表计算的成本权重，得出各行业的“成本变动比例”[19]。 2. 对于成本传导能力强（因子值>1）且价格传导快（滞后月数≤1）的行业，估算其“产品价格变动比例”[19]。 3. 计算两者差值：**剪刀差 = 产品价格变动比例 - 成本变动比例**[19]。该值为正则表示盈利空间扩大，为负则表示受损。 因子的回测效果 *本报告中的因子主要用于截面分析，未提供因子IC值、IR、多空收益等传统因子测试结果。因子效果体现在对各行业的排序和分类上，具体测试结果取值如下：* 1. **成本传导能力因子**，石油和天然气开采业因子值39.53，农副食品加工业因子值5.80，黑色金属矿采选业因子值3.96，煤炭开采和洗选业因子值3.91，有色金属矿采选业因子值3.49，废弃资源综合利用业因子值2.15，黑色金属冶炼及压延加工业因子值1.66，食品制造业因子值1.59，有色金属冶炼及压延加工业因子值1.59，造纸及纸制品业因子值1.47，化学纤维制造业因子值1.28，木材加工及木、竹、藤、棕、草制品业因子值1.28，化学原料及化学制品制造业因子值1.19，纺织业因子值1.11，非金属矿物制品业因子值1.09，计算机、通信和其他电子设备制造业因子值0.99，石油、煤炭及其他燃料加工业因子值0.93，非金属矿采选业因子值0.81，医药制造业因子值0.73，电力、热力的生产和供应业因子值0.70，电气机械及器材制造业因子值0.69，金属制品业因子值0.61，皮革、毛皮、羽毛及其制品和制鞋业因子值0.57，橡胶和塑料制品业因子值0.56，汽车制造业因子值0.51，家具制造业因子值0.46，印刷业和记录媒介的复制因子值0.40，其他制造业因子值0.37，燃气生产和供应业因子值0.37，通用设备制造业因子值0.34，专用设备制造业因子值0.34，铁路、船舶、航空航天和其他运输设备制造业因子值0.31，纺织服装、服饰业因子值0.25，水的生产和供应业因子值0.19[17] 2. **价格变动滞后月数因子**，石油和天然气开采业滞后-2月，农副食品加工业滞后0月，黑色金属矿采选业滞后0月，煤炭开采和洗选业滞后0月，有色金属矿采选业滞后-1月，废弃资源综合利用业滞后0月，黑色金属冶炼及压延加工业滞后0月，食品制造业滞后1月，有色金属冶炼及压延加工业滞后0月，造纸及纸制品业滞后0月，化学纤维制造业滞后0月，木材加工及木、竹、藤、棕、草制品业滞后1月，化学原料及化学制品制造业滞后0月，纺织业滞后1月，非金属矿物制品业滞后1月，计算机、通信和其他电子设备制造业滞后0月，石油、煤炭及其他燃料加工业滞后0月，非金属矿采选业滞后4月，医药制造业滞后8月，电力、热力的生产和供应业滞后5月，电气机械及器材制造业滞后2月，金属制品业滞后2月，皮革、毛皮、羽毛及其制品和制鞋业滞后10月，橡胶和塑料制品业滞后1月，汽车制造业滞后5月，家具制造业滞后6月，印刷业和记录媒介的复制滞后5月，其他制造业滞后3月，燃气生产和供应业滞后5月，通用设备制造业滞后4月，专用设备制造业滞后7月，铁路、船舶、航空航天和其他运输设备制造业滞后5月，纺织服装、服饰业滞后6月，水的生产和供应业滞后1月[17] 3. **行业库存缓冲因子（平均库存周转月数）**，石油和天然气开采业0.25月，电力、热力的生产和供应业0.29月，燃气生产和供应业0.35月，煤炭开采和洗选业0.63月，水的生产和供应业0.74月，黑色金属矿采选业0.90月，废弃资源综合利用业1.06月，汽车制造业1.09月，非金属矿采选业1.11月，石油、煤炭及其他燃料加工业1.13月，黑色金属冶炼及压延加工业1.16月，木材加工及木、竹、藤、棕、草制品业1.17月，化学原料及化学制品制造业1.20月，有色金属矿采选业1.23月，食品制造业1.23月，皮革、毛皮、羽毛及其制品和制鞋业1.24月，有色金属冶炼及压延加工业1.26月，印刷业和记录媒介的复制1.27月，化学纤维制造业1.27月，非金属矿物制品业1.29月，农副食品加工业1.32月，造纸及纸制品业1.33月，橡胶和塑料制品业1.42月，金属制品业1.46月，电气机械及器材制造业1.46月，计算机、通信和其他电子设备制造业1.47月，家具制造业1.47月，其他制造业1.49月，纺织服装、服饰业1.56月，纺织业1.70月，通用设备制造业2.24月，医药制造业2.24月，铁路、船舶、航空航天和其他运输设备制造业2.53月，专用设备制造业2.80月[24] 4. **油价冲击净影响因子（剪刀差）**，燃气生产和供应业-27.8%，非金属矿采选业-5.6%，石油、煤炭及其他燃料加工业-1.9%，电力、热力的生产和供应业-1.2%，橡胶和塑料制品业-1.1%，金属制品业-0.8%，印刷业和记录媒介的复制-0.7%，其他制造业-0.7%，医药制造业-0.7%，水的生产和供应业-0.6%，皮革、毛皮、羽毛及其制品和制鞋业-0.5%，电气机械及器材制造业-0.5%，通用设备制造业-0.3%，铁路、船舶、航空航天和其他运输设备制造业-0.3%，家具制造业-0.3%，专用设备制造业-0.3%，纺织服装、服饰业-0.2%，汽车制造业-0.2%，计算机、通信和其他电子设备制造业0.0%，纺织业0.1%，食品制造业0.2%，木材加工及木、竹、藤、棕、草制品业0.2%，非金属矿物制品业0.2%，造纸及纸制品业0.3%，农副食品加工业0.4%，有色金属冶炼及压延加工业0.5%，煤炭开采和洗选业1.1%，废弃资源综合利用业1.5%，化学纤维制造业1.8%，化学原料及化学制品制造业1.9%，黑色金属冶炼及压延加工业3.4%，有色金属矿采选业6.2%，黑色金属矿采选业8.0%[20]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：前瞻性产业洞察模型[55] * **模型构建思路**：永赢基金为捕捉畜牧养殖行业投资机会而构建的投研模型，旨在通过持续跟踪养殖周期波动、饲料成本动态、疫病防控技术演进及政策导向等关键变量，形成对产业趋势的前瞻性判断[55]。 * **模型具体构建过程**：该模型是公司“研究驱动投资”战略的体现，以团队化协同、平台化支撑、一体化流程为三大支柱，整合固收、主动权益、绝对收益及被动指数的全谱系投研能力[55]。模型的核心在于将深度产业研究（如跟踪猪周期、成本、疫病、政策）与精准的产品设计（如指数编制与跟踪误差控制）相结合，最终通过科学的指数化投资工具（如永赢中证畜牧养殖产业ETF）来实现投资价值[55]。 量化因子与构建方式 1. **因子名称**：猪产业概念暴露度[38] * **因子构建思路**：衡量指数或投资组合在生猪养殖及相关产业链上的配置集中度，以反映其与猪周期景气度的关联紧密度[38]。 * **因子具体构建过程**：通过计算指数成分股中属于“猪产业”概念（通常包括生猪养殖、饲料、动物疫苗等细分领域）的股票权重之和来构建[38]。例如，中证畜牧养殖产业指数前十大成分股中，含猪概念的股票累计权重占比即为该指数的一个猪产业概念暴露度度量[38][39]。 * **因子评价**：该因子是评估畜牧养殖主题指数“纯度”和周期表征能力的关键指标。较高的猪产业概念暴露度意味着指数走势与生猪价格波动、产能去化进程以及行业盈利周期的关联更紧密，能更直接地反映生猪基本面的边际变化[38][39]。 2. **因子名称**：风格因子暴露（估值、成长、盈利、流动性、杠杆、动量、分红、波动率、技术）[44][45][46] * **因子构建思路**：分析指数相对于市场基准（如上证指数）在多个风格维度上的偏离程度，以刻画其整体风险收益特征[44][45][46]。 * **因子具体构建过程**：采用多因子模型框架，计算指数在估值（如市盈率、市净率）、成长（如盈利增速）、盈利（如ROE）、流动性（如换手率）、杠杆（如资产负债率）、动量（如过去收益率）、分红（如股息率）、波动率（如收益标准差）、技术（如量价指标）等一系列风格因子上的暴露值（因子载荷）[44][45][46]。报告通过雷达图形式展示了中证畜牧养殖产业指数相对上证指数在各风格因子上的标准化暴露情况[45][46]。 * **因子评价**：风格因子暴露分析有助于投资者理解指数的收益来源和风险特征。根据报告，中证畜牧养殖产业指数当前呈现出高分红、低估值、低波动的风格特征[44]。 模型的回测效果 （报告中未提供“前瞻性产业洞察模型”的具体量化回测指标数据。） 因子的回测效果 1. **猪产业概念暴露度因子** * 中证畜牧养殖产业指数前十大成分股中，含猪概念股票的累计权重占比为 **46.47%**[39]。 * 对比中证畜牧指数，其前十大成分股中猪概念股票累计权重占比为 **42.97%**，显示畜牧养殖指数在猪产业概念上的暴露度更高[39]。 2. **风格因子暴露** * 根据雷达图显示，中证畜牧养殖产业指数相对上证指数在 **分红** 因子上有较高的正向暴露[44][46]。 * 在 **估值** 和 **波动率** 因子上有显著的负向暴露（即呈现低估值、低波动特征）[44][46]。 * 在 **成长**、**盈利**、**流动性**、**杠杆**、**动量**、**技术** 等因子的暴露度相对接近或略低于基准[46]。

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**：封板率[19] **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数量的比值，来衡量市场涨停板的封板质量，反映市场追涨情绪和资金封板意愿的强弱[19]。 **模型/因子具体构建过程**： 1. 筛选上市满3个月以上的股票[19]。 2. 统计当日最高价达到涨停价的股票数量（记为A）[19]。 3. 统计当日最高价达到涨停价且收盘价也达到涨停价的股票数量（记为B）[19]。 4. 计算封板率：$$封板率 = \frac{B}{A}$$[19]。 **模型/因子评价**：该指标是衡量短期市场情绪和资金博弈强度的有效工具，封板率越高，表明涨停板越稳固，市场追涨热情越高[19]。 2. **模型/因子名称**：连板率[19] **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与前一交易日收盘涨停股票数量的比值，来衡量市场涨停板的持续性，反映市场热点和赚钱效应的延续性[19]。 **模型/因子具体构建过程**： 1. 筛选上市满3个月以上的股票[19]。 2. 统计前一交易日（T-1日）收盘涨停的股票数量（记为C）[19]。 3. 统计在T-1日和当日（T日）均收盘涨停的股票数量（记为D）[19]。 4. 计算连板率：$$连板率 = \frac{D}{C}$$[19]。 **模型/因子评价**：该指标是观察市场短线情绪周期和题材炒作持续性的重要指标，连板率高表明市场接力氛围好，强势股具有持续性[19]。 3. **模型/因子名称**：大宗交易折价率[28] **模型/因子构建思路**：通过比较大宗交易成交金额与按当日市价计算的交易份额总市值，计算折价率，以反映大资金通过大宗交易平台减持或调仓时的成本与市场情绪的差异[28]。 **模型/因子具体构建过程**： 1. 获取当日所有大宗交易的成交数据，包括每笔交易的成交价格和成交数量[28]。 2. 计算每笔大宗交易的成交金额（成交价×成交数量），并求和得到当日大宗交易总成交金额（记为E）[28]。 3. 对于每笔交易，以其成交数量乘以该证券当日的收盘价（或成交日的市价），计算出按市价计算的市值，并求和得到总市值（记为F）[28]。 4. 计算折价率：$$折价率 = \frac{E}{F} - 1$$[28]。结果为负表示折价成交，绝对值越大折价幅度越大。 **模型/因子评价**：该指标常用于观察产业资本、大股东或机构投资者的行为，较高的折价率可能意味着大资金有较强的减持意愿或对后市看法相对谨慎[28]。 4. **模型/因子名称**：股指期货年化贴水率[30] **模型/因子构建思路**：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，以标准化衡量市场对未来指数的预期、对冲成本以及市场情绪（如悲观或乐观）[30]。 **模型/因子具体构建过程**： 1. 选定标的指数（如沪深300）及其对应的股指期货主力合约[30]。 2. 计算基差：基差 = 期货价格 - 现货指数价格[30]。 3. 获取该主力合约的剩余交易日数（记为T）[30]。 4. 计算年化贴水率：$$年化贴水率 = \frac{基差}{现货指数价格} \times \frac{250}{T}$$[30]。结果为负表示期货贴水（市场预期偏空或对冲需求强），为正表示升水（市场预期偏多）。 **模型/因子评价**：该指标是量化对冲策略中评估对冲成本的核心，也是观察市场整体情绪和期现套利机会的重要风向标[30]。 模型/因子的回测效果 1. **封板率因子**，2026年3月25日当日取值为80%[19]，较前日提升5个百分点[19]。 2. **连板率因子**，2026年3月25日当日取值为29%[19]，较前日下降3个百分点[19]。 3. **大宗交易折价率因子**，2026年3月24日当日取值为7.80%[28]，近半年（截至2026年3月24日）平均取值为7.06%[28]。 4. **股指期货年化贴水率因子**（截至2026年3月25日）： * **上证50股指期货**：当日取值为4.45%[30]，近一年中位数取值为0.89%[30]。 * **沪深300股指期货**：当日取值为8.31%[30]，近一年中位数取值为4.34%[30]。 * **中证500股指期货**：当日取值为13.19%[30]，近一年中位数取值为10.99%[30]。 * **中证1000股指期货**：当日取值为15.22%[30]，近一年中位数取值为13.21%[30]。

量化模型与因子总结 量化因子与构建方式 1. **因子名称：融资买入额占成交额比例**[34][35] * **因子构建思路**：衡量融资买入行为在股票或行业整体交易中的活跃度与重要性，反映杠杆资金对特定标的的关注和参与程度[34]。 * **因子具体构建过程**：对于特定股票或行业，计算其在一段时间内（如一周）的融资买入总额与同期总成交金额的比值，通常以百分比表示。 * 公式：$$融资买入额占成交额比例 = \frac{融资买入额}{成交额} \times 100\%$$ * 其中，融资买入额为指定期间内投资者通过融资方式买入某标的的累计金额，成交额为同期该标的的总成交金额[35]。 2. **因子名称：融资余额占流通市值比例**[34][35] * **因子构建思路**：衡量融资负债规模相对于标的可交易市值的大小，反映杠杆资金在标的中的存量占比和潜在风险敞口[34]。 * **因子具体构建过程**：在特定时点（如周末），计算某标的的融资余额与其流通市值的比值，通常以百分比表示。 * 公式：$$融资余额占流通市值比例 = \frac{融资余额}{流通市值} \times 100\%$$ * 其中，融资余额为在计算时点投资者尚未偿还的融资负债总额，流通市值为该标的在计算时点的流通股市值[35]。 3. **因子名称：融券卖出额占成交额比例**[39][40] * **因子构建思路**：衡量融券卖出行为在股票或行业整体交易中的活跃度，反映看空资金对特定标的的参与程度[39]。 * **因子具体构建过程**：对于特定股票或行业，计算其在一段时间内（如一周）的融券卖出总额与同期总成交金额的比值，通常以百分比表示。 * 公式：$$融券卖出额占成交额比例 = \frac{融券卖出额}{成交额} \times 100\%$$ * 其中，融券卖出额为指定期间内投资者通过融券方式卖出某标的的累计金额，成交额为同期该标的的总成交金额[40]。 4. **因子名称：融券余额占流通市值比例**[39][40] * **因子构建思路**：衡量融券负债规模相对于标的可交易市值的大小，反映看空头寸在标的中的存量占比[39]。 * **因子具体构建过程**：在特定时点（如周末），计算某标的的融券余额与其流通市值的比值，通常以百分比表示。 * 公式：$$融券余额占流通市值比例 = \frac{融券余额}{流通市值} \times 100\%$$ * 其中，融券余额为在计算时点投资者尚未偿还的融券负债总额（即已借入卖出但尚未买回归还的证券市值），流通市值为该标的在计算时点的流通股市值[40]。 5. **因子名称：融资净买入额**[30][32] * **因子构建思路**：衡量特定期间内融资资金的净流入或净流出方向及规模，是观察杠杆资金动向的核心指标[30]。 * **因子具体构建过程**：计算特定期间内（如一周）融资买入额与融资偿还额的差值。 * 公式：$$融资净买入额 = 融资买入额 - 融资偿还额$$ * 结果为正值表示融资资金净流入，负值表示净流出[32]。 6. **因子名称：融券净卖出额**[33][37] * **因子构建思路**：衡量特定期间内融券资金的净卖出或净偿还方向及规模，是观察看空资金动向的核心指标[33]。 * **因子具体构建过程**：计算特定期间内（如一周）融券卖出额与融券偿还额（买券还券）的差值。 * 公式：$$融券净卖出额 = 融券卖出额 - 融券偿还额$$ * 结果为正值表示融券净卖出增加（看空情绪增强），负值表示净偿还（看空情绪减弱）[37]。 因子的回测效果 > **注**：本报告为市场数据跟踪周报，主要展示各因子在特定报告期（2026年3月18日-3月24日）的截面数据，未提供基于历史数据的长期回测绩效指标（如IC、IR、多空收益等）。以下为报告期内各因子的具体取值示例。 1. **融资买入额占成交额比例因子**，在行业层面，非银金融行业取值10.69%，通信行业取值10.22%，电子行业取值9.44%，纺织服饰行业取值3.39%[35]；在个股层面，吉贝尔（688566）取值39.36%，振德医疗（603301）取值30.89%[50]。 2. **融资余额占流通市值比例因子**，在行业层面，计算机行业取值4.49%，传媒行业取值3.60%，国防军工行业取值3.50%，石油石化行业取值0.68%[35]。 3. **融券卖出额占成交额比例因子**，在行业层面，银行行业取值0.09%，食品饮料行业取值0.08%，煤炭行业取值0.07%，轻工制造行业取值0.01%[40]。 4. **融券余额占流通市值比例因子**，在行业层面，传媒行业取值0.02%，家用电器行业取值0.02%，美容护理行业取值0.02%，银行行业取值0.00%[40]。 5. **融资净买入额因子**，在行业层面，交通运输行业净买入额较多，有色金属、电子行业净买入额较少[30]；在个股层面，中际旭创（300308）净买入164，633.63万元，新易盛（300502）净买入68，409.04万元[50]。 6. **融券净卖出额因子**，在行业层面，电子、电力设备行业净卖出额较多，食品饮料、非银金融行业净卖出额较少[33]；在个股层面，中际旭创（300308）净卖出1，989.94万元，新易盛（300502）净卖出1，864.93万元[53]。

量化模型与构建方式 1. **模型名称**：多空动能择时模型[2][3][6][7] **模型构建思路**：通过计算特定指标的原始信号值，并对其取移动平均进行平滑处理，根据信号值所处的阈值区间来判断市场观点（看多、调整、震荡）[2][3][6][7]。 **模型具体构建过程**： * **步骤一：计算原始信号**。模型为每个标的（如30年国债、万得全A指数等）计算一个原始的百分比信号值。报告未披露具体计算该原始信号所依赖的底层因子或算法[3][6][7]。 * **步骤二：计算平滑信号**。对原始信号进行5日移动平均（MA5）计算，以平滑短期波动。公式为： $$MA5_t = \frac{1}{5} \sum_{i=0}^{4} Signal_{t-i}$$ 其中，$MA5_t$ 代表在交易日 $t$ 的5日移动平均值，$Signal_{t-i}$ 代表交易日 $t-i$ 的原始信号值[3][6][7]。 * **步骤三：生成交易观点**。根据平滑后的信号值（MA5）落入的预设阈值区间，生成“看多”、“调整”或“震荡”的市场观点。报告未明确给出具体的阈值划分标准，但通过结果可以推断存在相应的阈值规则[2][3][6][7]。 模型的回测效果 （注：报告未提供模型在历史回测周期内的综合绩效指标（如年化收益率、夏普比率、最大回撤等）。仅提供了截至报告日，模型对各个标的的最新信号状态、观点及持续时间[3][6][7]。） 1. **多空动能择时模型** 对 **30年国债** 的观点为【调整】，原始信号70.14%，MA5信号71.98%，信号已持续9个交易日[3][6]。 2. **多空动能择时模型** 对 **3年AAA中短票** 的观点为【调整】，原始信号70.96%，MA5信号66.60%，信号已持续1个交易日[3][6]。 3. **多空动能择时模型** 对 **10年国债** 的观点为【调整】，原始信号73.47%，MA5信号74.61%，信号已持续6个交易日[3][6]。 4. **多空动能择时模型** 对 **2年国债** 的观点为【看多】，原始信号9.72%，MA5信号9.22%，信号已持续超过10个交易日[3][6]。 5. **多空动能择时模型** 对 **万得全A指数** 的观点为【震荡】，原始信号59.59%，MA5信号59.54%，信号已持续2个交易日[3][6]。 6. **多空动能择时模型** 对 **中证红利全收益指数** 的观点为【调整】，原始信号81.92%，MA5信号65.65%，信号已持续4个交易日[3][6]。 7. **多空动能择时模型** 对 **恒生科技指数** 的观点为【调整】，原始信号63.27%，MA5信号81.32%，信号已持续5个交易日[3][6]。 8. **多空动能择时模型** 对 **科创50指数** 的观点为【调整】，原始信号72.19%，MA5信号75.71%，信号已持续超过10个交易日[3][6]。 9. **多空动能择时模型** 对 **万得微盘指数** 的观点为【震荡】，原始信号61.34%，MA5信号56.44%，信号已持续3个交易日[3][6]。 10. **多空动能择时模型** 对 **国证2000指数** 的观点为【调整】，原始信号71.45%，MA5信号74.01%，信号已持续8个交易日[3][6]。 11. **多空动能择时模型** 对 **COMEX黄金** 的观点为【调整】，原始信号39.60%，MA5信号60.13%，信号已持续2个交易日[3][7]。 12. **多空动能择时模型** 对 **IPE布油** 的观点为【震荡】，原始信号66.41%，MA5信号43.68%，信号已持续7个交易日[3][7]。

量化模型与构建方式 1. **模型/因子名称：RSI相对强弱指标**[2] * **构建思路：** 通过计算一定周期内平均涨幅与平均跌幅的比值，来衡量市场或资产价格的超买或超卖状态。[2] * **具体构建过程：** 1. 计算一定周期（N天，报告中为12天）内每日的涨跌幅。 2. 分别计算该周期内所有上涨日涨幅的平均值（Avg Gain）和所有下跌日跌幅的绝对值平均值（Avg Loss）。 3. 计算相对强度（RS）为 Avg Gain / Avg Loss。 4. 将RS代入公式计算RSI值：$$RSI = 100 – 100 / (1 + RS)$$[2] * **模型/因子评价：** 该指标用于判断市场状态，RSI>70通常被视为超买，RSI<30则被视为超卖，为交易提供参考信号。[2] 2. **模型/因子名称：净申购金额（NETBUY）**[2] * **构建思路：** 通过比较ETF当日净值与考虑净值增长率后的前一日净值，估算当日的资金净流入（申购）金额。[2] * **具体构建过程：** 1. 获取当日（T日）的ETF单位净值（NAV(T)）和前一日（T-1日）的单位净值（NAV(T-1)）。 2. 获取T日ETF的净值增长率（R(T)）。 3. 将上述数据代入公式计算：$$NETBUY(T) = NAV(T)–NAV(T-1)*（1+R（T））$$[2] 其中，NETBUY(T)为T日的净申购金额估算值。 模型的回测效果 （报告中未提供量化模型的回测结果数据） 量化因子与构建方式 （报告中涉及的因子构建方式已在“量化模型与构建方式”部分列出） 因子的回测效果 （报告中未提供量化因子的历史测试或回测结果数据，仅展示了特定日期的截面数据）

量化模型与构建方式 1. **模型名称**：指数与均线比较模型 * **模型构建思路**：通过计算指数收盘价与不同周期移动平均线（MA）的偏离度，以及相对于近期历史高点和低点的位置，来评估指数当前的技术趋势和调整状态[14] * **模型具体构建过程**： 1. 计算各宽基指数的收盘价。 2. 计算各指数的不同周期移动平均线（MA5， MA10， MA20， MA60， MA120， MA250）[15]。 3. 计算指数收盘价相对于各条均线的偏离百分比，公式为： $$偏离度 = \frac{收盘价 - 移动平均线}{移动平均线} \times 100\%$$ 例如，`vsMA5` 列即为收盘价相对于MA5的偏离度[15]。 4. 计算指数在近250个交易日内的最高价（近250日高）和最低价（近250日低）[15]。 5. 计算指数收盘价相对于近250日低位和高位的偏离百分比，公式同上[15]。 2. **模型名称**：日收益率分布形态分析模型 * **模型构建思路**：通过计算日收益率分布的峰度和偏度，并与历史数据对比，来刻画市场收益的分布特征和极端风险变化[19][23] * **模型具体构建过程**： 1. 获取各宽基指数的每日收益率序列。 2. 分别计算“当前”（报告日近一年）和“近5年”（报告日前推6年数据，剔除近一年）两个时间窗口内日收益率分布的峰度和偏度[21][25]。 3. 峰度计算中减去了3（正态分布的峰度值），因此报告中的峰度值为超额峰度[25]。 4. 计算当前值相对于近5年历史值的变化（当前vs.近5年），即当前值减去近5年值[25]。 5. 通过比较峰度和偏度的绝对值及变化，判断市场收益分布的集中程度和偏斜方向[23]。 3. **因子名称**：风险溢价因子 * **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，计算股票指数收益率与其之差，作为投资者承担市场风险所要求的额外回报，用于衡量市场的相对投资价值和风险补偿[27] * **因子具体构建过程**： 1. 获取各宽基指数的收益率（通常使用指数市盈率倒数或预期收益率，报告中未明确具体计算方式，但给出了当前风险溢价结果）[30]。 2. 获取十年期国债即期收益率作为无风险利率[27]。 3. 计算风险溢价：`风险溢价 = 指数收益率 - 十年期国债即期收益率`[27]。 4. 计算风险溢价在近1年和近5年历史数据中的分位值，以判断当前风险溢价在历史中所处的位置[30]。 5. 计算风险溢价在近1年窗口内的均值、波动率（标准差），以及当前值相对于均值±1倍、±2倍标准差的偏离程度[30]。 * **因子评价**：该因子有明显的均值复归现象，且不同指数的风险溢价波动率存在差异，例如中证1000和中证2000的波动率相对较大[28]。 4. **因子名称**：PE-TTM估值因子 * **因子构建思路**：使用滚动市盈率（PE-TTM）作为衡量市场估值的核心指标，通过观察其绝对水平、历史分位值以及相对于历史均值和标准差的偏离，来评估市场的估值状态和潜在风险[33] * **因子具体构建过程**： 1. 计算各宽基指数的PE-TTM（总市值 / 最近12个月净利润总和）[40]。 2. 计算当前PE-TTM在近1年、近5年以及全历史数据中的分位值[40]。 3. 计算PE-TTM在近1年窗口内的均值、波动率（标准差）[40]。 4. 计算当前PE-TTM相对于近1年均值±1倍、±2倍标准带的偏离百分比[40]。 5. **因子名称**：股债性价比因子 * **因子构建思路**：以PE-TTM的倒数（即盈利收益率）与十年期国债收益率的差值作为股债性价比，该值越高代表股票相对债券的吸引力越大，用于在大类资产间进行比价[40][42] * **因子具体构建过程**： 1. 计算各宽基指数的PE-TTM[40]。 2. 计算指数的盈利收益率：`盈利收益率 = 1 / PE-TTM`[40]。 3. 获取十年期国债即期收益率[40]。 4. 计算股债性价比：`股债性价比 = 盈利收益率 - 十年期国债即期收益率`[40][42]。 5. 计算该指标近5年数据的80分位值（机会值）和20分位值（危险值），用于判断当前股票资产相对于债券的吸引力水平[42][43]。 6. **因子名称**：股息率因子 * **因子构建思路**：股息率反映现金分红回报率，是红利投资风格的核心指标，在市场低迷或利率下行期，高股息资产因其稳定的现金流和较低的估值而具备防御性[45] * **因子具体构建过程**： 1. 计算各宽基指数的股息率（报告未给出具体计算公式，通常为成分股现金分红总额 / 指数总市值）[48]。 2. 计算当前股息率在近1年、近5年以及全历史数据中的分位值[48]。 3. 计算股息率在近1年窗口内的均值、波动率（标准差）[48]。 4. 计算当前股息率相对于近1年均值±1倍、±2倍标准带的偏离百分比[48]。 7. **因子名称**：破净率因子 * **因子构建思路**：破净率（市净率小于1的个股占比）反映市场整体的估值态度，高破净率通常意味着市场悲观和普遍低估，低破净率则可能反映市场乐观情绪[50] * **因子具体构建过程**： 1. 对于每个宽基指数，统计其成分股中市净率（PB）小于1的个股数量[50]。 2. 计算破净率：`破净率 = (破净个股数 / 指数总成分股数) \times 100%`[50]。 3. 跟踪该比率随时间的变化趋势，以观察市场估值情绪的变化[50][52]。 模型的回测效果 1. **指数与均线比较模型**：2026年3月23日，上证50指数收盘价（2,792.33）低于其MA250（2,876.47），表现为跌破250日线；沪深300与中证500指数收盘价同时低于其MA60和MA120，表明指数层面出现技术性调整[14][15]。 2. **日收益率分布形态分析模型**：2026年3月23日，创业板指的峰度负偏离最大（当前vs.近5年为-2.89），中证500的峰度负偏离最小（-1.62）；创业板指的负偏态最大（当前vs.近5年为-0.69），中证500的负偏态最小（-0.45），表明创业板指收益分布集中度下降且左偏（极端负收益）程度加深最为明显[23][25]。 因子的回测效果 1. **风险溢价因子**： * 当前值：上证50为-3.18%，沪深300为-3.27%，中证500为-4.12%，中证1000为-4.82%，中证2000为-5.40%，中证全指为-4.07%，创业板指为-3.49%[30]。 * 近5年分位值：创业板指（2.30%）和上证50（0.63%）较高，中证全指（0.32%）和中证1000（0.48%）较低[28][30]。 * 近1年波动率：中证2000最高（1.54%），上证50最低（0.85%）[30]。 2. **PE-TTM估值因子**： * 当前值：上证50为11.10，沪深300为13.62，中证500为33.70，中证1000为45.24，中证2000为151.26，中证全指为20.82，创业板指为40.30[40]。 * 近5年历史分位值：中证500（93.06%）和中证1000（89.17%）较高，上证50（72.15%）和创业板指（56.12%）较低[36][39][40]。 3. **股债性价比因子**：截至报告日，没有指数高于其近5年80%分位值（机会值），中证500低于其近5年20%分位值（危险值）[43]。 4. **股息率因子**： * 当前值：上证50为3.48%，沪深300为2.88%，中证500为1.41%，中证1000为1.10%，中证2000为0.79%，中证全指为2.09%，创业板指为0.90%[48]。 * 近5年历史分位值：创业板指（56.45%）和沪深300（44.63%）较高，中证500（17.77%）和中证2000（26.53%）较低[47][48]。 5. **破净率因子**：当前值，上证50为24.0%，沪深300为18.0%，中证500为11.2%，中证1000为8.8%，中证2000为4.2%，中证全指为6.96%[52]。

根据您提供的报告内容，这是一篇关于AI投研工具（OpenClaw）通信接入方式的技术对比报告，主要探讨了微信ClawBot和飞书两种接入渠道的配置、功能与适用场景。报告的核心是工具的功能性对比，**并未涉及任何量化投资模型或量化因子的构建、测试与评价**。 因此，报告中**没有**需要总结的量化模型或量化因子相关内容。报告的全部内容均围绕以下主题展开： * **微信ClawBot的概述、接入方法与功能特点**：作为个人轻量级消息通道，支持多模态推送但存在24小时交互时效、Markdown渲染不完整、不支持流式输出等限制[10][12][33][35][40][49][53]。 * **飞书的接入方法与功能特点**：支持群聊、流式输出、完整Markdown渲染、多Agent管理及深度文档集成，但配置过程相对复杂[22][26][44][45][52][53]。 * **两种方案的对比与选型建议**：微信ClawBot适合个人轻量使用，飞书适合团队深度协作与复杂任务，两者可互补配置[5][48][54][55]。

量化模型与构建方式 **注：** 该研报为市场跟踪报告，主要描述了ETF市场资金流动、交易情况以及各类基金的表现，并未涉及具体的量化模型或量化因子的构建过程、公式及评价。因此，本部分无相关内容。 量化因子与构建方式 **注：** 该研报为市场跟踪报告，主要描述了ETF市场资金流动、交易情况以及各类基金的表现，并未涉及具体的量化模型或量化因子的构建过程、公式及评价。因此，本部分无相关内容。 模型的回测效果 **注：** 该研报未涉及具体量化模型的回测效果。 因子的回测效果 **注：** 该研报未涉及具体量化因子的回测效果。

量化模型与构建方式 1. **模型/因子名称：封板率** [14] * **构建思路：** 衡量股票涨停后能否维持强势直至收盘，反映市场追涨情绪和封板资金的坚定程度[14] * **具体构建过程：** 统计上市满3个月以上的股票，计算当日最高价涨停且收盘也涨停的股票数量，除以当日最高价涨停的股票总数[14] * **公式：** $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ [14] 2. **模型/因子名称：连板率** [14] * **构建思路：** 衡量涨停股票的持续性，反映市场短线炒作的热度和赚钱效应的延续性[14] * **具体构建过程：** 统计上市满3个月以上的股票，计算连续两个交易日收盘均涨停的股票数量，除以前一交易日收盘涨停的股票总数[14] * **公式：** $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ [14] 3. **模型/因子名称：大宗交易折价率** [24] * **构建思路：** 通过大宗交易成交价与市价的差异，反映大资金的投资偏好和情绪，折价通常意味着卖方有较强的卖出意愿或买方有议价能力[24] * **具体构建过程：** 计算单日所有大宗交易的总成交金额，除以这些交易份额按当日市价计算的总市值，再减去1[24] * **公式：** $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ [24] 4. **模型/因子名称：股指期货年化贴水率** [26] * **构建思路：** 衡量股指期货价格相对于现货指数的折溢价程度，并年化处理以方便比较不同期限合约。贴水率受利率、分红、市场情绪等多因素影响，反映了市场对未来指数的预期和对冲成本[26] * **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除以合约剩余交易日数）[26] * **公式：** $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ [26] 模型的回测效果 （报告未提供相关模型的长期回测绩效指标，如年化收益率、夏普比率、最大回撤等，故本部分省略。） 量化因子与构建方式 （报告中的“封板率”、“连板率”、“大宗交易折价率”、“股指期货年化贴水率”均属于市场情绪或资金面指标，通常可作为量化因子使用，其构建方式已在“量化模型与构建方式”部分详细说明，此处不再重复列出。） 因子的回测效果 （报告未提供相关因子的IC值、IR、多空收益、分组收益等量化回测结果，仅提供了特定日期的观测值或近期统计值，故本部分省略。） 其他量化指标观测值（20260323或指定日期） 1. **封板率因子**，当日取值 **67%** [14] 2. **连板率因子**，当日取值 **28%** [14] 3. **大宗交易折价率因子**，近半年平均值 **7.11%**，当日值 **6.00%** [24] 4. **股指期货年化贴水率因子** * **上证50股指期货**，近一年中位数 **0.89%**，当日值 **2.44%**（近一年分位点 **41%**）[26] * **沪深300股指期货**，近一年中位数 **4.30%**，当日值 **6.94%**（近一年分位点 **34%**）[26] * **中证500股指期货**，近一年中位数 **10.99%**，当日值 **11.52%**（近一年分位点 **46%**）[26] * **中证1000股指期货**，近一年中位数 **13.21%**，当日值 **12.32%**（近一年分位点 **58%**）[26]