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。**

量化模型与构建方式 1. **模型名称：宽基轮动策略**[13] * **模型构建思路**：基于市场情绪热度指标，通过追踪不同宽基指数（如沪深300、中证500等）成分股的总热度周度变化率，构建一个简单的择时轮动策略。其逻辑在于，市场情绪（以热度变化率代理）的边际变化可能预示着短期资金流向或关注度的转移，从而带来交易机会[11][13]。 * **模型具体构建过程**： 1. 首先，将全A股市场股票按宽基指数成分股分组，包括沪深300、中证500、中证1000、中证2000以及不属于以上四个指数的“其他”组[8]。 2. 计算每个分组（宽基指数）的“总热度”指标。该指标由组内所有成分股的“个股总热度”加总得到[7]。 3. 计算每个宽基分组每周的“热度变化率”，并对该变化率进行2周移动平均（MA2）平滑处理[11]。 4. 在每周最后一个交易日，比较各宽基分组（不包括“其他”组）的“热度变化率MA2”数值，买入该数值最大的宽基指数对应的资产[13]。 5. 如果“热度变化率MA2”最大的分组是“其他”组，则该周选择空仓[13]。 2. **模型名称：热门概念内低热度选股策略**[29][31] * **模型构建思路**：在A股市场，概念行情受行为金融因素影响较大，持续时间可能较短。该策略认为，在热门概念板块中，市场关注度（热度）最高的个股其股价可能已迅速反应，而同一概念内关注度较低的个股可能存在反应不足或补涨机会，从而构建一个旨在获取超额收益的选股组合[29][31]。 * **模型具体构建过程**： 1. 在每周最后一个交易日，筛选出当周“热度变化率”最大的5个概念[31]。 2. 将这5个热门概念的所有成分股合并，作为初始选股股票池[31]。 3. 从该股票池中，剔除流通市值最小的20%的股票，以规避小市值股票可能带来的异常波动[31]。 4. 对于每个热门概念，分别从剩余股票池中选出“个股总热度”排名最后10位的个股[31]。 5. 将所有选出的个股（5个概念 * 10只个股 = 50只）等权重构建投资组合，称为“BOTTOM组合”[31][33]。 模型的回测效果 1. **宽基轮动策略**，年化收益率11.57%，最大回撤23.5%，2026年收益0.02%[16] 2. **热门概念内低热度选股策略（BOTTOM组合）**，年化收益16.62%，最大回撤28.89%，2026年收益-9.0%[33] 量化因子与构建方式 1. **因子名称：个股总热度**[7] * **因子构建思路**：从投资者行为角度出发，将个股在特定交易日受到的浏览、加入自选与点击次数加总，作为衡量该股票受市场关注度（情绪热度）的代理变量。通过在全市场范围内进行归一化处理，使得不同股票、不同日期的热度值具有可比性[7]。 * **因子具体构建过程**： 1. 对于股票i在交易日t，获取其当日浏览次数、加入自选次数和点击次数。 2. 将这三个次数相加，得到原始热度值。 3. 计算该原始热度值占全市场所有股票当日原始热度值总和的比重，进行归一化。 4. 将归一化后的数值乘以10000，使因子取值区间落在[0, 10000]之间。 公式表示为： $$个股总热度_{i,t} = \frac{(浏览_{i,t} + 自选_{i,t} + 点击_{i,t})}{\sum_{j=1}^{N}(浏览_{j,t} + 自选_{j,t} + 点击_{j,t})} \times 10000$$ 其中，N为全市场股票总数[7]。 2. **因子名称：宽基/行业/概念总热度**[7] * **因子构建思路**：将“个股总热度”因子从个股层面聚合到更高层级的资产类别（如宽基指数、申万行业、市场概念），通过加总其成分股的热度值，得到代表该类别整体市场情绪热度的指标，用于监控板块级别的关注度变化[7]。 * **因子具体构建过程**： 1. 确定目标资产类别（如沪深300指数、医药生物行业、数字货币概念）及其在交易日t的所有成分股集合。 2. 获取集合内每只成分股在交易日t的“个股总热度”值。 3. 将所有成分股的“个股总热度”值进行求和。 公式表示为： $$类别总热度_{G,t} = \sum_{i \in G} 个股总热度_{i,t}$$ 其中，G代表某个宽基指数、行业或概念的成分股集合[7]。 3. **因子名称：热度变化率MA2**[11][18][20] * **因子构建思路**：计算“宽基/行业/概念总热度”指标的周度环比变化率，并对其进行短期平滑（2周移动平均），以捕捉市场情绪热度的边际变化趋势，减少单周数据的噪声，用于构建轮动或选股策略[11][18]。 * **因子具体构建过程**： 1. 对于目标类别G，计算其第W周的“周度热度变化率”： $$变化率_{G,W} = \frac{类别总热度_{G,W} - 类别总热度_{G,W-1}}{类别总热度_{G,W-1}}$$ 2. 对计算出的周度变化率序列，进行窗口期为2的移动平均计算，得到“热度变化率MA2”： $$变化率MA2_{G,W} = \frac{变化率_{G,W} + 变化率_{G,W-1}}{2}$$ 该因子用于图表展示（如图表4、5）和策略信号生成[11][18][20]。 因子的回测效果 *（注：本报告未提供单个因子的独立回测效果指标，如IC、IR等。所有效果评估均基于使用这些因子构建的模型，详见“模型的回测效果”部分。）*

量化模型与构建方式 1. **模型名称：A股景气度高频指数模型**[34] * **模型构建思路**：以上证指数归母净利润同比为Nowcasting目标，构建一个能够高频反映A股整体景气度变化的指数[34]。 * **模型具体构建过程**：报告未详细描述该指数的具体计算步骤和公式，仅提及了构建目标和数据来源。构建详情需参考其提及的专题报告《视角透析：A股景气度高频指数构建与观察》[34]。 2. **模型名称：A股情绪指数择时模型**[37] * **模型构建思路**：通过刻画市场波动率和成交额的变化方向来构建情绪指数，用于判断市场见顶和见底的预警信号[37]。 * **模型具体构建过程**： 1. 将市场状态根据波动率和成交额的变化方向划分为四个象限[37]。 2. 通过历史统计发现，仅“波动率上行-成交额下行”这一区间为显著负收益，其余三个区间均为显著正收益[37]。 3. 基于此规律，构造了包含见底预警与见顶预警的A股情绪指数系统[37]。 4. 根据当前市场波动率和成交额所处的象限（上行或下行区间）来生成看多或看空的综合信号[38]。 3. **模型名称：主题投资挖掘模型**[50] * **模型构建思路**：通过对新闻和研报文本进行多维度处理，挖掘近期热度异动较高的投资主题及关联个股[50]。 * **模型具体构建过程**：模型涉及多个处理维度，包括文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建、主题影响力因子构建等[50]。报告未给出每个维度的具体计算方法和公式。 4. **模型名称：中证500指数增强模型**[50] * **模型构建思路**：通过量化策略模型构建投资组合，旨在持续稳定地跑赢中证500指数基准[50]。 * **模型具体构建过程**：报告未披露该增强模型具体使用的因子、权重配置或组合优化方法。仅展示了根据该模型生成的当前持仓列表[53][55]。 5. **模型名称：沪深300指数增强模型**[56] * **模型构建思路**：通过量化策略模型构建投资组合，旨在持续稳定地跑赢沪深300指数基准[56]。 * **模型具体构建过程**：报告未披露该增强模型具体使用的因子、权重配置或组合优化方法。仅展示了根据该模型生成的当前持仓列表[60]。 6. **模型名称：风格与行业收益归因模型**[62][71] * **模型构建思路**：参照BARRA因子模型框架，构建一系列风格因子和行业因子，用于解释和分解市场主要指数或投资组合的收益来源[62][71]。 * **模型具体构建过程**： 1. 构建了十大类风格因子，包括：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）和杠杆（LVRG）[62]。 2. 同时构建了行业因子[63]。 3. 通过多因子模型，将指数或组合相对于市值加权市场组合的超额收益分解为各风格因子和行业因子的贡献[71]。 量化因子与构建方式 1. **因子名称：十大类风格因子**[62] * **因子构建思路**：参照主流的风险模型框架，从不同维度刻画股票的特征，包括规模、风险、动量、波动、估值、流动性、基本面等[62]。 * **因子具体构建过程**：报告列出了十大类风格因子的名称：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）和杠杆（LVRG）[62]。但未提供每个因子的具体计算公式和定义。 2. **因子名称：行业因子**[63] * **因子构建思路**：用于捕捉不同行业板块相对于市场的收益特征[63]。 * **因子具体构建过程**：报告未提供行业因子的具体构建方法，但在分析中提及了电子、通信、医药、农林牧渔、有色金属等行业因子[63]。 模型的回测效果 1. **A股情绪指数择时模型**，综合择时信号为“空”[41]。 2. **中证500指数增强模型**，本周（4.6-4.10）收益为4.93%，跑输基准0.83%；2020年至今，累计超额收益为53.21%，最大回撤为-10.90%[50]。 3. **沪深300指数增强模型**，本周（4.6-4.10）收益为4.53%，跑赢基准0.12%；2020年至今，累计超额收益为46.16%，最大回撤为-5.86%[56]。 因子的回测效果 1. **风格因子（近一周表现）**：Beta因子超额收益较高；残差波动率因子呈较为显著的负向超额收益；高动量股表现优异；流动性、价值等因子表现不佳[63]。 2. **行业因子（近一周表现）**：电子、通信等行业因子相对市场市值加权组合跑出较高超额收益；医药、农林牧渔、有色金属等行业因子回撤较多[63]。

量化模型与构建方式 1. **模型名称：A股景气指数** [34] * **模型构建思路**：以上证指数归母净利润同比为Nowcasting目标，构建一个能够高频反映A股景气度的指数[34] * **模型具体构建过程**：报告未提供该指数的具体构建公式和计算步骤，仅提及构建详情可参考另一篇报告《视角透析：A股景气度高频指数构建与观察》[34] 2. **模型名称：A股情绪指数** [37] * **模型构建思路**：基于市场波动率和成交额的变化方向来刻画市场情绪，并构造包含见底预警与见顶预警的信号系统[37] * **模型具体构建过程**： 1. 将市场按照波动率和成交额的变化方向划分为四个象限[37] 2. 通过历史统计发现，只有“波动率上行-成交额下行”的区间表现为显著负收益，其余象限均为显著正收益[37] 3. 基于此规律，构造了A股情绪指数，包含见底预警指数（主要基于价格/波动率信号）和见顶预警指数（主要基于成交量信号）[37][41] 4. 综合两个预警指数的信号，得出对市场的整体观点[38][41] 3. **模型名称：主题挖掘算法** [50] * **模型构建思路**：通过处理新闻和研报文本，挖掘主题投资机会[50] * **模型具体构建过程**：算法涉及多个维度，包括文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建、主题影响力因子构建等[50] 4. **模型名称：中证500增强组合** [50] * **模型构建思路**：通过量化策略模型构建投资组合，以跑赢中证500指数基准为目标[50] * **模型具体构建过程**：报告未提供具体的策略模型构建细节，但展示了根据模型生成的当前持仓明细[52][53][55] 5. **模型名称：沪深300增强组合** [56] * **模型构建思路**：通过量化策略模型构建投资组合，以跑赢沪深300指数基准为目标[56] * **模型具体构建过程**：报告未提供具体的策略模型构建细节，但展示了根据模型生成的当前持仓明细[59][60] 量化因子与构建方式 1. **因子体系**：参照BARRA因子模型，构建了A股市场的十大类风格因子[62] 2. **因子名称**：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）和杠杆（LVRG）[62] * **因子构建思路**：报告提及参照BARRA模型构建，但未详细说明每个因子的具体构建公式和计算过程[62] 模型的回测效果 1. **A股情绪指数系统择时表现**：报告通过图表21展示了该系统的历史择时表现，但未提供具体的量化指标数值[47] 2. **中证500增强组合**：截至报告本周（2026年4月6日-4月10日），组合相对中证500指数累计超额收益53.21%，历史最大回撤为-10.90%[50] 3. **沪深300增强组合**：截至报告本周（2026年4月6日-4月10日），组合相对沪深300指数累计超额收益46.16%，历史最大回撤为-5.86%[56] 因子的回测效果 *注：报告未提供各个风格因子长期回测的量化指标（如IC、IR、多空收益等），仅提供了近期（近一周）的表现分析。* 1. **近期风格因子表现（近一周）**： * **表现较优的因子**：Beta因子超额收益较高；高动量股表现优异[63] * **表现不佳的因子**：残差波动率因子呈较为显著的负向超额收益；流动性、价值等因子表现不佳[63] 2. **风格因子暴露相关性（近一周）**：报告以矩阵形式展示了十大类风格因子风险暴露之间的相关性系数，例如流动性因子与Beta、动量、残差波动率因子呈现明显正相关性；价值因子与Beta、残差波动率、流动性等因子呈现明显负相关性[63][64]

量化模型与构建方式 1. **模型名称**：成交量模型[2][11] * **模型构建思路**：基于市场成交量的变化来判断短期市场情绪和趋势[9] * **模型具体构建过程**：报告未详细说明具体构建公式和过程，仅提及其为短期择时模型，基于价量角度构建[9] 2. **模型名称**：特征龙虎榜机构模型[2][11] * **模型构建思路**：利用龙虎榜中机构资金的买卖行为作为特征，判断市场情绪[9] * **模型具体构建过程**：报告未详细说明具体构建公式和过程，仅提及其为短期择时模型[9] 3. **模型名称**：特征成交量模型[2][11] * **模型构建思路**：利用特定的成交量特征（可能与普通成交量模型不同）来判断市场情绪[9] * **模型具体构建过程**：报告未详细说明具体构建公式和过程，仅提及其为短期择时模型[9] 4. **模型名称**：智能算法沪深300模型[2][11] * **模型构建思路**：应用智能算法（如机器学习）对沪深300指数进行择时判断[9] * **模型具体构建过程**：报告未详细说明具体构建公式和过程，仅提及其为短期择时模型[9] 5. **模型名称**：智能算法中证500模型[2][11] * **模型构建思路**：应用智能算法（如机器学习）对中证500指数进行择时判断[9] * **模型具体构建过程**：报告未详细说明具体构建公式和过程，仅提及其为短期择时模型[9] 6. **模型名称**：涨跌停模型[2][12] * **模型构建思路**：通过分析市场中涨停和跌停股票的数量或比例，来判断中期市场情绪和动能[9] * **模型具体构建过程**：报告未详细说明具体构建公式和过程，仅提及其为中期择时模型，基于涨跌停角度构建[9] 7. **模型名称**：上下行收益差模型[2][12] * **模型构建思路**：通过计算市场上涨时段与下跌时段收益率的差异，来衡量市场的非对称性，从而判断趋势[9] * **模型具体构建过程**：报告未详细说明具体构建公式和过程，仅提及其为中期择时模型[9] 8. **模型名称**：月历效应模型[2][12] * **模型构建思路**：基于历史数据中存在的特定月份或时间窗口的规律性表现（如“春季躁动”、“五穷六绝”等）进行择时[9] * **模型具体构建过程**：报告未详细说明具体构建公式和过程，仅提及其为中期择时模型[9] 9. **模型名称**：长期动量模型[2][13] * **模型构建思路**：基于资产价格的长期趋势（动量效应）进行择时判断，认为过去表现好的资产未来会继续表现好[9] * **模型具体构建过程**：报告未详细说明具体构建公式和过程，仅提及其为长期择时模型，基于动量角度构建[9] 10. **模型名称**：A股综合兵器V3模型[2][14] * **模型构建思路**：将短期、中期、长期等多个周期的不同择时模型信号进行耦合集成，形成一个综合性的择时判断模型，旨在攻守兼备[9] * **模型具体构建过程**：报告未详细说明具体耦合集成的方法和公式[9] 11. **模型名称**：A股综合国证2000模型[2][14] * **模型构建思路**：针对国证2000指数，将多个择时模型信号进行耦合集成，形成综合判断[9] * **模型具体构建过程**：报告未详细说明具体耦合集成的方法和公式[9] 12. **模型名称**：成交额倒波幅模型[2][15] * **模型构建思路**：结合成交额和波动率（波幅）的倒数关系构建模型，用于港股市场的中期择时[9] * **模型具体构建过程**：报告未详细说明具体构建公式和过程[9] 13. **模型名称**：恒生指数上下行收益差相似多空模型[2][15] * **模型构建思路**：在上下行收益差模型的基础上，引入相似性或多空比较的逻辑，专门应用于恒生指数的择时[9] * **模型具体构建过程**：报告未详细说明具体构建公式和过程[9] 14. **模型名称**：恒生国企指数上下行收益差相似多空模型[2][15] * **模型构建思路**：在上下行收益差模型的基础上，引入相似性或多空比较的逻辑，专门应用于恒生国企指数的择时[9] * **模型具体构建过程**：报告未详细说明具体构建公式和过程[9] 15. **模型名称**：HCVIX模型[39][40] * **模型构建思路**：复现并计算中国市场的波动率指数（VIX），作为判断市场情绪和风险的参考指标[39][40] * **模型具体构建过程**：根据公开披露的VIX计算方法进行复现，具体公式未在报告中给出，但提及复现的指数与历史官方VIX指数的相关系数达到99.2%[40] 16. **模型/策略名称**：双底形态策略[43] * **构建思路**：基于技术分析中的双底形态进行选股，认为股价在形成双底并突破颈线后，有较大概率延续上涨趋势[43] * **具体构建过程**：识别股价走势中形成的两个相近的低点（A点和C点）以及其间的反弹高点（B点），当价格突破B点构成的颈线位时视为买入信号[47][49][53] 17. **模型/策略名称**：杯柄形态策略[43] * **构建思路**：基于技术分析中的杯柄形态进行选股，该形态被视为强烈的看涨持续形态[43] * **具体构建过程**：识别股价先下跌后回升形成的“U”型杯状部分（A点到C点），以及随后的一段短暂回调整理形成的“柄部”（C点到突破点），当价格突破柄部上沿时视为买入信号[45][47][54] 18. **模型/策略名称**：倒杯子形态风险监控[59] * **构建思路**：识别技术分析中的倒杯子形态（一种负向形态），作为个股风险的预警信号[59] * **具体构建过程**：在一波下跌后的反弹筑顶（A点到C点）完成后，股价再次下跌并实现向下突破（E点），此形态预示股价可能延续下跌趋势[59] 模型的回测效果 1. **双底形态策略**，本周收益3.72%，相对上证综指超额收益0.99%，自2020年12月31日至今累计收益21.47%，累计超额收益6.69%[43] 2. **杯柄形态策略**，本周收益5.29%，相对上证综指超额收益2.56%，自2020年12月31日至今累计收益20.99%，累计超额收益6.21%[43] 3. **HCVIX模型**，本周最新值为15.92[3][40] 量化因子与构建方式 1. **因子名称**：分析师一致预期调整比例[20][21] * **因子构建思路**：通过统计行业内分析师上调或下调盈利预测的个股比例，来捕捉行业基本面的预期变化[20][21] * **因子具体构建过程**：对于每个行业，计算在特定时间段内，盈利预测被上调的个股数量占该行业总覆盖个股数的比例，以及被下调的个股比例[20][21] 因子的回测效果 （报告中未提供因子的独立测试结果，如IC、IR等）

量化模型与构建方式 1. **模型名称：卷积神经网络趋势观察模型**[79] * **模型构建思路**：使用卷积神经网络对图表化的价量数据与未来价格进行建模，并将学习到的特征映射到行业主题板块中，以识别和配置具有趋势性的行业主题[79]。 * **模型具体构建过程**： 1. **数据准备**：为每个个股在特定窗口期内的价量数据构建标准化的图表[79][81]。 2. **模型训练**：使用卷积神经网络对上述图表化的价量数据与未来价格进行建模，学习能够预测未来价格走势的特征[1][79]。 3. **特征映射**：将训练好的模型学习到的特征，映射到行业主题板块中[1][79]。 4. **主题配置**：根据模型的映射结果，生成当前推荐的行业主题配置列表[80]。 2. **模型名称：宏观因子事件模型**[55] * **模型构建思路**：通过跟踪一系列宏观指标，定义其走势变化为特定事件，并基于历史回测筛选出对未来资产收益率有显著影响的“有效因子事件”，用以判断市场趋势[55]。 * **模型具体构建过程**： 1. **因子选择**：跟踪25个国内外宏观指标，涵盖货币政策、财政政策、流动性、通胀水平及其他经济指标[55]。 2. **事件定义**：定义四类宏观因子事件来描述因子走势：短期高低点、连续上涨下跌、创历史新高新低、因子走势反转[55]。 3. **事件筛选**：从历史数据中寻找“有效因子事件”，即对资产未来收益率影响较为显著的因子事件[55]。 4. **趋势判断**：采用历史均线（如1月、3月、12月均线）将宏观因子走势分为趋势上行和趋势下行，统计在不同趋势下资产未来一个月的平均收益，以判断当前宏观环境对权益市场的观点（看多或看空）[57][58]。 3. **模型名称：GFTD模型与LLT模型**[83] * **模型构建思路**：报告提及了GFTD模型和LLT模型，用于市场择时，但未详细描述其构建思路与过程[83]。 模型的回测效果 1. **卷积神经网络趋势观察模型**：最新配置主题为酒、消费、食品饮料，具体推荐指数包括中证酒指数(399987.SZ)、上证主要消费行业指数(000036.SH)、中证细分食品饮料产业主题指数(000815.CSI)、中证食品饮料指数(930653.CSI)、上证消费80指数(000069.SH)[1][80][82]。 2. **宏观因子事件模型**：根据当前（截至报告日期）宏观因子趋势，对权益市场未来一个月持看多观点。具体因子趋势包括：PMI（3月均线趋势看多）、CPI同比（1月均线趋势看多）、社融存量同比（1月均线趋势看多）、10年期国债收益率（12月均线趋势看多）、美元指数（1月均线趋势看多）[58]。 3. **GFTD模型与LLT模型**：历史择时成功率约为80%[83]。 量化因子与构建方式 1. **因子名称：新高新低比例因子**[36] * **因子构建思路**：通过统计创近N日新高或新低的个股数量占比，来度量市场的整体强度与弱势广度[36]。 * **因子具体构建过程**：计算创近60日新高个股数占全部个股的比例（新高比例），以及创近60日新低个股数占全部个股的比例（新低比例）[1][36]。 2. **因子名称：个股均线结构因子**[40] * **因子构建思路**：通过分析个股的均线排列情况（多头或空头），构建反映市场整体技术面强弱的指标[40]。 * **因子具体构建过程**：计算呈现多头排列的个股数量与呈现空头排列的个股数量之差，再除以总个股数，得到“均线强弱指标”[1][40]。报告亦跟踪股价位于200日长期均线之上的个股比例[43]。 3. **因子名称：市场交易活跃度因子**[51] * **因子构建思路**：通过计算考虑自由流通股本后的市场换手率，来观察真实的交易活跃程度[51]。 * **因子具体构建过程**：计算市场（如中证全指、创业板指）的真实换手率，该换手率考虑了自由流通股本[51][53]。 4. **因子名称：风险溢价因子**[66] * **因子构建思路**：通过比较股票资产与债券资产的隐含收益率，来判断市场的相对估值吸引力[82]。 * **因子具体构建过程**：计算公式为：风险溢价 = 中证全指静态市盈率(PE)的倒数(EP) - 十年期国债收益率[82]。 5. **因子名称：指数超买超卖因子**[69] * **因子构建思路**：通过测量指数价格相对于其移动平均线的偏离程度，来判断指数是否处于超买或超卖状态[69]。 * **因子具体构建过程**：报告展示了主要宽基指数和行业指数的“超跌指标”统计，该指标 likely 基于价格与均线的位置关系计算，但具体公式未给出[69][70][73]。 6. **因子名称：融资余额因子**[76] * **因子构建思路**：跟踪市场融资余额的绝对规模及其占流通市值的比例，作为衡量市场杠杆水平和投资者情绪的一个指标[76][78]。 因子的回测效果 （注：报告主要展示了各因子在最新一期的观测值，而非长期历史回测的绩效指标（如IC、IR等）。） 1. **新高新低比例因子**：截至本期，创近60日新高个股数占比从前一期的7.6%升至9.1%；创近60日新低个股数占比从前一期的26.9%降至6.5%[1]。 2. **个股均线结构因子**：截至本期，多头排列减空头排列个股占比（均线强弱指标）从前一期的-23.7%降至-33.2%[1]。 3. **风险溢价因子**：截至2026年4月10日，中证全指风险溢价为2.63%，其历史均值加减两倍标准差的边界分别为4.58%和[具体下限值，报告中未明确给出，仅图示][67][82]。 4. **融资余额因子**：报告以图表形式展示了融资余额及其占流通市值比例的历史走势，未给出具体数值[78]。