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 ...

量化模型与因子总结 量化模型与构建方式 1. **模型名称：业绩报告跳空缺口事件分析模型**[7][29] * **模型构建思路**：将上市公司在定期报告（年报、一季报）披露后，首个交易日股价出现向上跳空缺口（即开盘最低价高于前一交易日最高价）的现象定义为一个量化事件，并统计该事件发生后一段时间内个股的平均收益与超额收益表现[7][29]。 * **模型具体构建过程**： 1. **事件定义**：对于个股i，在业绩报告（年报或一季报）披露日T，记录其当日最高价 $$High_{i, T}$$。在披露后的第一个交易日T+1，记录其当日最低价 $$Low_{i, T+1}$$。若满足 $$Low_{i, T+1} > High_{i, T}$$，则判定为发生了一次“跳空缺口”事件[7][29]。 2. **样本筛选**：统计2016年至2025年十年间，所有A股上市公司发生上述事件的次数。其中，年报后发生跳空缺口共4363次，一季报后发生跳空缺口共5092次[7][29]。 3. **收益计算**：以事件发生日（T+1）为起点，计算持有N个交易日（报告中展示至120个交易日）的平均收益率。同时，计算相对于基准指数（中证800指数）的平均超额收益率[7][29]。 4. **表现分析**：绘制事件发生后不同持有期对应的平均收益与平均超额收益曲线，分析其走势特征[7][29]。 * **模型评价**：该模型基于简单的价格行为模式（跳空缺口）构建，历史回测显示事件发生后个股能持续创造正向收益和超额收益，且一季报跳空事件的表现整体优于年报跳空事件[7][29]。 模型的回测效果 1. **业绩报告跳空缺口事件分析模型（年报）**[7][29][31][32] * 事件发生次数：4363次[7][29] * 事件发生后持有约120个交易日的平均收益：约8% (根据图2估算)[31][32] * 事件发生后持有约120个交易日的平均超额收益（vs 中证800）：约6% (根据图2估算)[31][32] * 表现特征：事件发生后4个月左右出现短暂回调，之后收益持续向上[7][29] 2. **业绩报告跳空缺口事件分析模型（一季报）**[7][29][34] * 事件发生次数：5092次[7][29] * 事件发生后持有约120个交易日的平均收益：约13% (根据图3估算)[34] * 事件发生后持有约120个交易日的平均超额收益（vs 中证800）：约12% (根据图3估算)[34] * 表现特征：整体表现优于年报跳空事件[7][29] 量化因子与构建方式 1. **因子名称：跳空幅度因子**[14] * **因子构建思路**：衡量业绩报告披露后，下一个交易日股价出现向上跳空缺口的强度，作为事件驱动策略的筛选或排序指标[14]。 * **因子具体构建过程**： 1. 对于个股i，在业绩报告披露日T，获取其当日最高价 $$High_{i, T}$$[14]。 2. 在披露后的第一个交易日T+1，获取其当日开盘价 $$Open_{i, T+1}$$ (报告中未明确使用开盘价，但“跳空幅度”通常基于开盘价与昨日最高价计算。表格中“跳空幅度”列有具体数值，如20.00%，暗示了计算过程)[14][35]。 3. 计算跳空幅度因子值 $$Gap_{i}$$，公式可表示为： $$Gap_{i} = \frac{Open_{i, T+1} - High_{i, T}}{High_{i, T}}} \times 100\%$$ 该因子值为正时表示向上跳空，值越大表示跳空强度越大[14][35]。 因子的回测效果 *(注：报告未提供跳空幅度因子在不同分位数组合上的分层测试结果、IC值、IR等传统因子评价指标。仅给出了2026年一季报后出现跳空缺口的部分个股列表及对应的跳空幅度具体数值。)* 1. **跳空幅度因子**[35] * 2026年一季度报告后出现跳空缺口的个股示例如下： * 日联科技 (688531.SH): 20.00%[35] * 恒工精密 (301261.SZ): 17.74%[35] * 移为通信 (300590.SZ): 16.84%[35] * 富瀚微 (300613.SZ): 15.34%[35] * 飞南资源 (301500.SZ): 14.25%[35]

定量研究 | 定量研究专题报告 证券研究报告 报告日期 2026 年 05 月 07 日 分析师：郑兆磊 S0190520080006 zhengzhaolei@xyzq.com.cn 分析师：宫民 S0190521040001 gongmin@xyzq.com.cn 相关研究 【兴证金工】多因子选基五——从因子 到模型，全新的定量选基策略构建- 2026.05.06 西学东渐——海外文献推荐系列之一百八十八 投资要点： ⚫ 风险提示：文献中的结果均由相应作者通过历史数据统计、建模和测算完成， 在政策、 市场环境发生变化时模型存在失效的风险。 请阅读最后评级说明和重要声明 1/43 【兴证金工】ESG 观察——本月聚焦： 双碳考核办法正式发布，我国低碳管理 迈入硬约束新阶段-2026.05.03 【兴证金工】供给刚性约束叠加新兴需 求结构性增长，工业有色迎来发展良机 布局"硬资源"，把握工业有色板块的 投资机遇-2026.04.26 ⚫ 西学东渐，是指从明朝末年到近代，西方学术思想向中国传播的历史过程。至今天，西 学东渐仍有其重要意义。本文作者通过大量的海外文献阅读，去粗取精，将本文作者认 为最有价值的量化投 ...

量化模型与构建方式 1. **模型名称：择时信号模型** [2][3][6][7] * **模型构建思路**：该模型是一个多资产择时模型，旨在预测各类资产（包括利率债、信用债、股票指数、商品等）未来短期内的价格走势概率，并据此生成看多、调整（看空）或震荡的交易观点[2][3][6][7]。 * **模型具体构建过程**： 1. 模型核心是计算一个“原始信号”，该信号是一个百分比数值，代表模型对未来短期内资产价格（对于国债/中短票是到期收益率上行概率，对于股指/商品是价格上行概率）的估计[8]。 2. 对原始信号进行平滑处理，计算其5日移动平均值（MA5）[3][6][7]。 3. 根据资产类型和信号阈值，将平滑后的信号转化为具体的多空观点[8]。 * 对于利率债（如国债、中短票）：当择时信号MA5大于60%时，观点为“看空”（报告中表述为“调整”）；小于40%时，观点为“看多”；在40%至60%之间时，观点为“震荡”[8]。 * 对于股指和商品：当择时信号MA5大于60%时，观点为“看多”；小于40%时，观点为“看空”（报告中表述为“调整”）；在40%至60%之间时，观点为“震荡”[8]。 模型的回测效果 （注：报告未提供历史回测的统计指标（如年化收益率、夏普比率、最大回撤等），仅提供了截至报告日的模型信号输出和观点。因此本部分展示模型在报告日的具体信号取值和生成的观点。） 1. **择时信号模型** [3][6][7][8] * **30年国债**：原始信号22.93%，MA5为12.96%，模型观点为【看多】。 * **3年AAA中短票**：原始信号89.08%，MA5为28.86%，模型观点为【看多】。 * **5年国债**：原始信号7.77%，MA5为6.42%，模型观点为【看多】。 * **2年国债**：原始信号31.76%，MA5为65.97%，模型观点为【调整】。 * **万得全A指数**：原始信号3.25%，MA5为6.42%，模型观点为【看多】。 * **中证红利全收益指数**：原始信号8.70%，MA5为23.43%，模型观点为【看多】。 * **恒生科技指数**：原始信号12.43%，MA5为16.84%，模型观点为【看多】。 * **科创50指数**：原始信号24.05%，MA5为8.10%，模型观点为【看多】。 * **万得微盘指数**：原始信号1.17%，MA5为3.63%，模型观点为【看多】。 * **国证2000指数**：原始信号7.79%，MA5为8.63%，模型观点为【看多】。 * **COMEX黄金**：原始信号17.63%，MA5为58.47%，模型观点为【震荡】。 * **IPE布油**：原始信号68.06%，MA5为41.20%，模型观点为【震荡】。 * **COMEX铜**：原始信号10.69%，MA5为47.51%，模型观点为【震荡】。 * **焦煤**：原始信号22.01%，MA5为23.61%，模型观点为【看多】。

量化模型与构建方式 1. **模型名称**：外盘假期涨跌与A股节后开盘联动模型[6][14] **模型构建思路**：通过计算长假期间海外主要市场指数的涨跌幅与A股市场（以沪深300指数为代表）节后首日开盘涨跌幅之间的相关系数，来量化外盘表现对A股开盘的映射效应和指示作用[6][14]。 **模型具体构建过程**： 1. **数据选取**：A股选取沪深300指数，外盘选取美股（道琼斯、纳斯达克、标普500）、欧股（富时100、法国CAC40、德国DAX）和亚太市场（日经225、韩国综指、富时新加坡、恒生指数）共10个指数[13]。 2. **涨跌幅计算**： * 外盘假期涨跌幅：以A股节前最后一个交易日的收盘价为基准，以假期最后一日（即A股节前）收盘价为终点计算[13]。 $$外盘假期涨跌幅 = \frac{假期最后一日收盘价}{节前A股收盘日收盘价} - 1$$ * A股节后开盘涨跌幅：以A股节前收盘价为基准，计算节后首日开盘价的变动[13]。 $$A股节后开盘涨跌幅 = \frac{节后首日开盘价}{节前收盘价} - 1$$ 3. **模型计算**：对全样本（2005年至2026年共64个长假假期）数据，分别计算每个外盘指数假期涨跌幅序列与沪深300指数节后开盘涨跌幅序列的皮尔逊相关系数[14][15]。 **模型评价**：该模型揭示了恒生指数在长假期间对A股开盘具有最强的指示作用，且A股与港股的联动性在近年来独立于全球趋势而强化[6][18]。 2. **模型名称**：假期信息时效性衰减模型[20][21] **模型构建思路**：通过计算恒生指数假期涨跌幅与沪深300指数节后多个交易日累计涨跌幅之间的相关系数，观察其随时间（交易日）的衰减轨迹，以评估假期外盘信息对A股定价影响的持续时长[20][21]。 **模型具体构建过程**： 1. **数据基础**：沿用“外盘假期涨跌与A股节后开盘联动模型”中的恒生指数假期涨跌幅序列[20]。 2. **A股累计涨跌幅计算**：以节前收盘价为基准，分别计算沪深300指数节后T+0（开盘价）、T+1至T+5（每日收盘价）的累计涨跌幅[20]。 $$累计涨跌幅(T+n) = \frac{第n日价格（T+0为开盘价，T+1至T+5为收盘价）}{节前收盘价} - 1$$ 3. **模型计算**：对全样本及分时段样本，分别计算恒生假期涨跌幅序列与沪深300节后T+0至T+5各累计涨跌幅序列的皮尔逊相关系数，形成相关性衰减序列[20][21][22]。 模型的回测效果 1. **外盘假期涨跌与A股节后开盘联动模型**，全样本（2005-2026年）下，恒生指数与沪深300节后开盘相关系数为0.76，方向一致性为71.9%[15]；标普500相关系数为0.31[15]；纳斯达克相关系数为0.27[15]；道琼斯相关系数为0.32[15]。 2. **外盘假期涨跌与A股节后开盘联动模型**，分时段对比下，恒生指数与沪深300节后开盘相关系数在2005-2009年为0.80，2010-2019年为0.76，2020-2026年为0.89[18][20]；纳斯达克相关系数在相应时段分别为0.64，0.37，0.17[18][20]。 3. **假期信息时效性衰减模型**，全样本（2005-2026年）下，恒生假期涨跌与沪深300累计涨跌的相关系数在T+0（开盘）为0.76，T+1为0.60，T+2为0.38，T+3为0.40，T+4为0.34，T+5为0.36[21][22]。 4. **假期信息时效性衰减模型**，分时段对比下，在2020-2026年时段，恒生假期涨跌与沪深300累计涨跌的相关系数在T+0（开盘）为0.89，T+1为0.73，T+2为0.42，T+3为0.37，T+4为0.12，T+5为0.15[21]。 量化因子与构建方式 1. **因子名称**：外盘假期涨跌幅因子[13][14] **因子构建思路**：直接使用海外主要市场指数在A股长假期间的涨跌幅作为因子值，用以观察其对A股节后表现的预测或解释能力[6][14]。 **因子具体构建过程**：对于每一个A股长假（春节、劳动节、国庆节），计算选定的10个外盘指数从A股节前最后一个交易日收盘，到假期最后一日收盘期间的收益率[13]。公式同“外盘假期涨跌与A股节后开盘联动模型”中的外盘假期涨跌幅计算公式。 2. **因子名称**：方向一致性因子[15][16] **因子构建思路**：衡量外盘指数在假期期间的涨跌方向与A股节后开盘涨跌方向相同的概率，作为相关系数因子的补充，关注方向预测而非幅度关联[15][16]。 **因子具体构建过程**：对于每一个外盘指数，统计在全样本（64个假期）中，其假期涨跌幅的正负符号与沪深300指数节后开盘涨跌幅正负符号相同的次数，并计算该次数占总样本数的比例[15][16]。 $$方向一致性 = \frac{同向的假期样本数}{总假期样本数} \times 100\%$$ 3. **因子名称**：开盘涨跌占比因子[9] **因子构建思路**：在恒生指数假期出现大幅波动（涨跌幅≥3%）的场景下，计算A股开盘涨跌幅相对于恒生假期涨跌幅的比例，用以量化A股开盘对港股极端波动的反应程度[9]。 **因子具体构建过程**：筛选出恒生指数假期涨跌幅绝对值达到或超过3%的样本，计算这些样本中，沪深300指数节后开盘涨跌幅与恒生指数假期涨跌幅的比值[9]。 $$开盘涨跌占比 = \frac{CSI300开盘涨跌幅}{恒生假期涨跌幅}$$ 因子的回测效果 1. **外盘假期涨跌幅因子**，以恒生指数为例，其方向一致性因子值为81.3%（全样本）[16]。 2. **方向一致性因子**，全样本下，韩国综指因子值为75.0%[16]。 3. **开盘涨跌占比因子**，在2010年后的恒生假期涨跌幅≥3%的样本中，因子值稳定在0.50附近[9]。