量化模型与构建方式 1. **模型名称**：封板率与连板率计算模型[17] **模型构建思路**：通过统计股票涨停的持续性来刻画市场短线炒作情绪和赚钱效应[17] **模型具体构建过程**： * **封板率**：计算最高价涨停且收盘也涨停的股票数量占所有最高价涨停股票数量的比例[17] $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ * **连板率**：计算连续两个交易日收盘均涨停的股票数量占前一个交易日收盘涨停股票数量的比例[17] $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 2. **模型名称**：大宗交易折价率计算模型[26] **模型构建思路**：通过计算大宗交易成交价与市价的偏离程度，反映大资金的交易情绪和偏好[26] **模型具体构建过程**：计算大宗交易总成交金额与按当日市价计算的成交份额总市值的比值减1[26] $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 3. **模型名称**：股指期货年化升贴水率计算模型[28] **模型构建思路**：通过计算股指期货价格与现货指数价格的年化基差，反映市场对未来预期、对冲成本及情绪[28] **模型具体构建过程**：计算基差（期货价格-现货价格）占现货价格的比例，再年化处理（乘以250除以合约剩余交易日数）[28] $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 量化因子与构建方式 1. **因子名称**：昨日涨跌停股票今日收益因子[14] **因子构建思路**：追踪昨日涨停或跌停股票在次日的表现，用于观察涨停/跌停股的动量或反转效应[14] **因子具体构建过程**：分别计算上市满3个月以上、且昨日收盘涨停（或跌停）的股票组合在今日的收盘收益率[14] 2. **因子名称**：两融交易活跃度因子[22] **因子构建思路**：通过融资融券余额及交易额占市场总量的比重，来度量杠杆资金的参与程度和市场活跃度[22] **因子具体构建过程**： * 计算两融余额占A股总流通市值的比重[22] * 计算两融交易额（融资买入额+融券卖出额）占市场总成交额的比例[22] 3. **因子名称**：ETF折溢价因子[23] **因子构建思路**：利用ETF场内交易价格与场外净值（IOPV）的差异，捕捉投资者的短期情绪或套利机会[23] **因子具体构建过程**：筛选日成交额超过100万元的境内股票型ETF，计算其（交易价格 / IOPV - 1）作为折溢价率[23] 4. **因子名称**：机构调研热度因子[30] **因子构建思路**：通过统计近期调研上市公司的机构数量，反映机构投资者对特定公司的关注度[30] **因子具体构建过程**：统计近7天内对上市公司进行调研或举行分析师会议的机构数量[30] 5. **因子名称**：龙虎榜机构资金流向因子[36] **因子构建思路**：通过龙虎榜披露的机构专用席位买卖数据，追踪机构资金对当日异动个股的净流入流出情况[36] **因子具体构建过程**：根据交易所公布的龙虎榜数据，汇总机构专用席位在每个上榜股票上的买入总额与卖出总额，计算净流入（买入-卖出）金额[36] 6. **因子名称**：龙虎榜陆股通资金流向因子[37] **因子构建思路**：通过龙虎榜披露的陆股通席位买卖数据，追踪北向资金对当日异动个股的净流入流出情况[37] **因子具体构建过程**：根据交易所公布的龙虎榜数据，汇总陆股通席位在每个上榜股票上的买入总额与卖出总额，计算净流入（买入-卖出）金额[37] 模型的回测效果 1. **封板率与连板率计算模型**，2026年1月20日封板率69%[17]，连板率15%[17] 2. **大宗交易折价率计算模型**，近半年平均折价率6.76%[26]，2026年1月19日折价率7.55%[26] 3. **股指期货年化升贴水率计算模型**，近一年中位数：上证50为0.70%[28]，沪深300为3.79%[28]，中证500为11.11%[28]，中证1000为13.61%[28]；2026年1月20日值：上证50年化升水率1.05%[28]，沪深300年化贴水率1.47%[28]，中证500年化升水率0.08%[28]，中证1000年化贴水率5.12%[28] 因子的回测效果 1. **昨日涨跌停股票今日收益因子**，2026年1月20日，昨日涨停股票今日收盘收益2.36%[14]，昨日跌停股票今日收盘收益-5.22%[14] 2. **两融交易活跃度因子**，截至2026年1月19日，两融余额占流通市值比重2.6%[22]，两融交易占市场成交额比重9.8%[22] 3. **ETF折溢价因子**，2026年1月19日，溢价较多：中证2000ETF基金溢价1.50%[23]；折价较多：游戏传媒ETF浦银折价1.59%[23] 4. **机构调研热度因子**，近一周内，帝科股份被97家机构调研[30] 5. **龙虎榜机构资金流向因子**，2026年1月20日，机构专用席位净流入前十股票包括湖南白银、通宇通讯等[36]；净流出前十股票包括三维通信、红相股份等[36] 6. **龙虎榜陆股通资金流向因子**，2026年1月20日，陆股通净流入前十股票包括通宇通讯、天通股份等[37]；净流出前十股票包括保变电气、康强电子等[37]

量化因子与构建方式 1. **因子名称：大买单成交金额占比**[7] * **因子构建思路**：该因子旨在刻画大资金的买入行为。通过逐笔成交数据还原买卖单，并筛选出大单，计算其中大买单的成交金额占当日总成交金额的比例。[7] * **因子具体构建过程**： 1. 数据准备：获取股票的逐笔成交数据，数据中包含叫买序号、叫卖序号、成交价格、成交量等信息。[7] 2. 还原买卖单：根据逐笔成交数据中的叫买和叫卖序号，将逐笔成交数据还原为买方发起的买单和卖方发起的卖单数据。[7] 3. 筛选大单：对还原后的买卖单，按照每单的成交量设定阈值，筛选出成交量达到“大单”标准的交易。[7] 4. 计算指标：对于筛选出的大单，区分买单和卖单。计算所有大买单的成交金额之和，再除以该股票当日的总成交金额，得到大买单成交金额占比。[7] * 公式：$$大买单成交金额占比 = \frac{\sum (大买单成交价格 \times 大买单成交量)}{当日总成交金额} \times 100\%$$ 2. **因子名称：净主动买入金额占比**[7] * **因子构建思路**：该因子旨在刻画投资者的主动买入行为。根据逐笔成交数据中的买卖标志，区分主动买入和主动卖出，计算两者金额的净差额占当日总成交金额的比例。[7] * **因子具体构建过程**： 1. 数据准备：获取股票的逐笔成交数据，数据中包含买卖标志、成交价格、成交量等信息。[7] 2. 界定主动买卖：根据逐笔成交数据中的买卖标志（例如，B代表主动性买单，S代表主动性卖单），界定每笔成交属于主动买入还是主动卖出。[7] 3. 计算净额：将所有主动买入的成交金额求和，减去所有主动卖出的成交金额求和，得到净主动买入金额。[7] 4. 计算占比：将净主动买入金额除以该股票当日的总成交金额，得到净主动买入金额占比。[7] * 公式：$$净主动买入金额占比 = \frac{\sum (主动买入成交金额) - \sum (主动卖出成交金额)}{当日总成交金额} \times 100\%$$ 因子的回测效果 1. **大买单成交金额占比因子**，近5日（20260112-20260116）均值排名前5的个股指标值：惠博普 92.6%[9]、美年健康 89.6%[9]、志特新材 89.2%[9]、津滨发展 88.4%[9]、江南高纤 87.7%[9] 2. **净主动买入金额占比因子**，近5日（20260112-20260116）均值排名前5的个股指标值：杭萧钢构 16.7%[10]、纬德信息 15.4%[10]、中科微至 15.0%[10]、新风光 13.8%[10]、联合水务 13.3%[10] 3. **大买单成交金额占比因子**，近5日（20260112-20260116）主要宽基指数指标值：上证指数 73.8%[12]、上证50 70.6%[12]、沪深300 73.1%[12]、中证500 73.0%[12]、创业板指 71.6%[12] 4. **净主动买入金额占比因子**，近5日（20260112-20260116）主要宽基指数指标值：上证指数 -5.8%[12]、上证50 -12.9%[12]、沪深300 -8.8%[12]、中证500 -3.4%[12]、创业板指 -4.4%[12] 5. **大买单成交金额占比因子**，近5日（20260112-20260116）排名前5的中信一级行业指标值：房地产 79.8%[13]、煤炭 78.5%[13]、钢铁 78.2%[13]、建筑 77.9%[13]、综合 77.8%[13] 6. **净主动买入金额占比因子**，近5日（20260112-20260116）排名前5的中信一级行业指标值：电子 2.2%[13]、汽车 0.9%[13]、家电 0.1%[13]、机械 -1.0%[13]、电力设备及新能源 -3.1%[13] 7. **大买单成交金额占比因子**，近5日（20260112-20260116）均值排名前5的ETF指标值：华泰柏瑞中证A500ETF 92.9%[15]、易方达中证A500ETF 91.6%[15]、国泰中证A500ETF 91.5%[15]、华泰柏瑞沪深300ETF 91.0%[15]、易方达沪深300ETF 91.0%[15] 8. **净主动买入金额占比因子**，近5日（20260112-20260116）均值排名前5的ETF指标值：东财上证科创板50成份ETF 23.4%[16]、海富通上证城投债ETF 20.9%[16]、国泰上证10年期国债ETF 15.6%[16]、富国创业板人工智能ETF 14.3%[16]、嘉实中证稀土产业ETF 14.1%[16]

量化模型与构建方式 1. 哑铃型配置策略 (Barbell Strategy) * **模型构建思路**：一种资产配置策略，旨在通过同时配置风格迥异的资产来平衡组合的风险与收益。具体为：一端配置具备高景气与高弹性的科技成长资产以捕捉上行机会，另一端配置以红利与自由现金流为核心的稳健资产作为组合的“压舱石”，从而在把握结构性机会的同时提升组合整体的稳健性[22]。 * **模型具体构建过程**：该策略本身是一个配置框架，其具体实现依赖于下文的三个细分选股策略（自由现金流策略、红利策略、成长策略）来构建组合的两端。报告指出，这三个细分策略之间的相关性较低（现金流策略与成长策略超额收益相关系数为0.19，红利策略与成长策略为0.02，现金流策略与红利策略为0.39），符合哑铃策略对资产低相关性的要求[45]。 2. 基于自由现金流的主动量化选股策略 * **因子/策略构建思路**：以自由现金流为核心，筛选现金流质量高的公司作为基础股票池，并在此基础上引入估值、质量、红利与动量四个维度进行增强，旨在挖掘具备持续分红能力和内在价值的“廉价”优质公司[27][29]。 * **因子/策略具体构建过程**： 1. **样本空间处理**：剔除上市不足一年的新股、ST/*ST股票、过去三个月存在风险警示的股票，以及综合金融、银行、非银金融、房地产行业的股票[29]。 2. **现金流及盈利质量初筛**： * 保留自由现金流为正、企业价值为正且过去五年经营活动现金流净额均为正的股票[29]。 * 剔除盈利质量位于样本空间后20%的个股。盈利质量计算公式为： $$盈利质量 = \frac{经营活动产生的现金流量净额_{TTM} - 营业利润_{TTM}}{总资产}$$[29] 3. **自由现金流精选**：从估值、质量和增长三个维度构建自由现金流因子：FCFF/EV (TTM)、FCFF/EBITDA (TTM) 及 FCFF (TTM)增长率。对这三个因子进行市值行业中性化处理后，等权加总形成综合自由现金流因子，筛选得分前50%的个股形成基础股票池[29]。 4. **四维度增强**：在基础股票池中，进一步引入估值、质量（ROE及ROE稳定性）、红利和动量四类因子进行筛选，最终形成投资组合[29]。 3. 高分红精选组合选股策略 * **因子/策略构建思路**：以股息率作为核心选股指标，通过多步骤筛选避免陷入“股利波动陷阱”和“低估值陷阱”，构建具备持续高分红能力且基本面稳健的投资组合[33][35]。 * **因子/策略具体构建过程**： 1. **构建高股息基础股票池**：在每个中信一级行业中，由高到低选出股息率排名前20%的公司[35]。 2. **避免股利波动陷阱**：从基础股票池中，选出过去三年股息率平均值大于2%，且股息率标准差小于2%的公司[35]。 3. **避免低估值陷阱**： * 选取当前单季度ROE大于等于去年同期单季度ROE的公司[35]。 * 选取分析师一致预期未来复合增长率大于0的公司[35]。 4. **构建最终组合**：在剩余股票池中，按照股息率从高到低选取排名前30的公司构成最终组合[35]。 4. 技术面精选成长预期组合 * **因子/策略构建思路**：分两步构建成长组合。首先基于公司当前成长性指标筛选出未来具备高增长潜力的股票池（成长预期组合），然后在此基础上引入量价技术因子进行二次精选，以提升组合的股价表现[39][41]。 * **因子/策略具体构建过程**： 1. **成长预期组合构建**： * **净利润增长基础股票池**：选出最新单季度净利润同比增长的公司[41]。 * **盈利质量与上行优选**：剔除单季度ROE后20%的公司，再优选单季度ROE斜率前50%的公司[41]。 * **形成成长预期组合**：根据SUE（未预期盈余）指标选出排名前30%的公司，形成成长预期组合[41]。 2. **技术面精选**： * **利好确认**：根据盈余公告次日的超额收益，选出最高的前100只股票[41]。 * **技术面筛选**：根据换手率均线标准差指标，选出前30只股票构成最终的技术面精选成长预期策略组合[41]。 5. 期权备兑策略 (Covered Call / Buy-Write) * **模型构建思路**：一类以获取稳定现金流为核心目标的投资策略。通过持有标的资产（如ETF）现货多头的同时，卖出相应的看涨期权，收取权利金来增厚组合收益，平滑净值曲线，但会牺牲标的资产大幅上涨的潜在收益[63][65]。 * **模型具体构建过程**： 1. 建立标的资产（如沪深300ETF）的现货多头仓位[63]。 2. 针对持有的现货头寸，卖出相应数量的近月看涨期权（通常选择平值或轻度虚值期权）[65]。 3. 策略最大收益为：$$看涨期权行权价 − 标的资产买入价格 + 所收取的期权权利金$$[63] 4. 策略最大亏损为：$$标的资产买入价格 − 所收取的期权权利金$$[63] 5. 期权到期后，进行展期操作，即平仓旧期权并卖出新的看涨期权，以持续获取权利金收入[65]。 6. 策略单期收益可分解为：$$R_{t, t+1} = \underbrace{\Delta S_{t, t+1}}_{现货涨跌} + \underbrace{D_{t, t+1}}_{股息} + \underbrace{P_{t}}_{权利金} + \underbrace{G_{t, t+1}}_{期权被执行损益}$$[65] 模型的回测效果 1. 基于自由现金流的主动量化选股策略 * 全样本期（2014年以来）年化收益：32.28%[30][32] * 全样本期相对中证500年化超额收益：26.68%[30][32] * 全样本期信息比率 (IR)：2.42[30][32] * 全样本期月度胜率：74.31%[32] 2. 高分红精选组合选股策略 * 全样本期（2014年以来）年化收益：25.32%[38] * 全样本期相对中证红利年化超额收益：16.42%[37][38] * 全样本期信息比率 (IR)：2.42[38] * 全样本期月度胜率：74.31%[38] 3. 技术面精选成长预期组合 * 全样本期（2012年以来）年化收益：40.00%[42][44] * 全样本期相对中证500年化超额收益：32.13%[42][44] * 全样本期信息比率 (IR)：2.91[42][44] * 全样本期月度胜率：80.36%[44] 量化因子与构建方式 1. 自由现金流因子 * **因子构建思路**：从估值、质量和增长三个维度综合评估公司的自由现金流状况，旨在识别出自由现金流充沛、质量高且具备增长潜力的公司[29]。 * **因子具体构建过程**：构建三个子因子：FCFF/EV (TTM)（估值维度）、FCFF/EBITDA (TTM)（质量维度）、FCFF (TTM)增长率（增长维度）。对这三个子因子分别进行市值和行业中性化处理，然后采用等权加总的方式融合形成综合自由现金流因子[29]。 2. 盈利质量因子 * **因子构建思路**：用于衡量公司盈利的“含金量”，识别利润中现金收入占比高、受盈余管理影响小的公司[29]。 * **因子具体构建过程**：计算公式为： $$盈利质量 = \frac{经营活动产生的现金流量净额_{TTM} - 营业利润_{TTM}}{总资产}$$[29] 该因子值越高，表明公司盈利质量越好。 3. 股息率因子 * **因子构建思路**：作为红利策略的核心选股指标，直接衡量公司的现金分红回报水平[33][35]。 * **因子具体构建过程**：使用常规的股息率计算方法，即每股股息除以每股股价。在构建策略时，进一步使用了过去三年股息率平均值和标准差来筛选分红稳定的公司[35]。 4. 成长预期因子 (SUE) * **因子构建思路**：通过未预期盈余来捕捉公司的成长惊喜，市场对正面盈余意外的公司通常会给予积极反应[41]。 * **因子具体构建过程**：报告中使用SUE指标来筛选成长预期组合，具体为在盈利质量筛选后的股票池中，选出SUE排名前30%的公司[41]。

量化模型与构建方式 1. **模型名称：利率市场结构指标（水平、期限、凸性结构）**[1][7] * **模型构建思路**：将1至10年期国债的到期收益率（YTM）数据，通过数学变换分解为三个独立的成分，分别代表利率的绝对水平、期限利差和凸性结构，用以从均值回归视角评估市场状态[1][7]。 * **模型具体构建过程**：报告未提供具体的数学变换公式，但描述了构建结果。将1-10年期国债YTM序列转化为三个指标： 1. **水平结构**：代表利率的绝对水平，当前读数约为1.6%[7]。 2. **期限结构**：代表长短期利率之差（期限利差），当前读数约为0.6%[7]。 3. **凸性结构**：代表收益率曲线弯曲程度（凸性），当前读数约为0.14%[7]。 随后，计算各指标在滚动历史窗口（3年、5年、10年）内的分位数，以判断其相对位置[7]。 2. **模型名称：利率价量多周期择时模型**[2][6][11] * **模型构建思路**：采用核回归算法识别利率（国债YTM）历史走势的形态，刻画支撑线和阻力线，并根据长、中、短三种不同投资周期下价格对支撑/阻力线的突破情况，进行多周期信号综合，生成最终的择时观点（看多/看空）[11]。 * **模型具体构建过程**： 1. **趋势形态识别**：使用核回归算法对利率时间序列进行平滑，拟合出趋势线，并据此确定支撑线和阻力线。具体算法细节引用自前期报告《形态识别算法在利率择时中的应用》[11]。 2. **多周期信号生成**：在长周期（平均切换频率为月度）、中周期（双周度）和短周期（周度）三个时间维度上，分别判断当前利率是否向上突破阻力线或向下突破支撑线[11][21]。 3. **信号综合评分**：统计三个周期中“下行突破”和“上行突破”的票数。若同向突破（同为下行或同为上行）的总票数达到或超过2票（即2/3），则生成相应的看多（下行突破≥2票）或看空（上行突破≥2票）信号[6][11][17]。 3. **模型名称：利率价量多周期交易策略**[4][24][25][28][33] * **模型构建思路**：以上述多周期择时模型产生的信号为基础，通过在不同久期债券组合（短、中、长久期）之间进行轮动配置，构建主动交易策略，旨在获取超越等权配置基准的超额收益[24]。 * **模型具体构建过程**： 1. **投资标的**：根据策略久期偏好选择不同的债券指数： * 短久期：综合债1-3 (CBA00121) * 中久期：综合债3-5 (CBA00131) * 长久期：根据择时信号来源分别对应：5年期模型用综合债5-7 (CBA00141)，10年期模型用综合债7-10 (CBA00151)，30年期模型用综合债10以上 (CBA00161)[24]。 2. **交易信号与仓位配置规则**： * 当**看多信号**（利率向下突破）出现时： * 若利率趋势非向上，则满配**长久期**债券[24]。 * 若利率趋势向上，则配置 **1/2中久期 + 1/2长久期**[24]。 * 当**看空信号**（利率向上突破）出现时： * 若利率趋势非向下，则满配**短久期**债券[29]。 * 若利率趋势向下，则配置 **1/2中久期 + 1/2短久期**[29]。 * 其余时间（无明确信号），则进行**等权配置**：1/3短久期 + 1/3中久期 + 1/3长久期[29]。 3. **业绩基准**：久期等权策略，即始终持有1/3短久期+1/3中久期+1/3长久期[29]。 4. **止损规则**：当单日组合超额收益（相对于业绩基准）小于-0.5%时，立即将持仓调整为等权配置[29]。 模型的回测效果 1. **基于5年期国债YTM的多周期交易策略** * **长期表现（2007年12月31日以来）**：年化收益率5.46%，最大回撤2.88%，收益回撤比1.9，相对业绩基准的年化超额收益率1.06%，超额收益回撤比0.61，逐年绝对收益胜率100%，逐年超额收益胜率100%[25][37]。 * **短期表现（2024年底以来）**：年化收益率2.09%，最大回撤0.59%，收益回撤比3.55，相对业绩基准的超额收益率0.64%，超额收益回撤比2.14[4][25]。 2. **基于10年期国债YTM的多周期交易策略** * **长期表现（2007年12月31日以来）**：年化收益率6.03%，最大回撤2.74%，收益回撤比2.2，相对业绩基准的年化超额收益率1.63%，超额收益回撤比1.15，逐年绝对收益胜率100%，逐年超额收益胜率100%[28][37]。 * **短期表现（2024年底以来）**：年化收益率2.34%，最大回撤0.58%，收益回撤比4.05，相对业绩基准的超额收益率1.06%，超额收益回撤比3.07[4][28]。 3. **基于30年期国债YTM的多周期交易策略** * **长期表现（2007年12月31日以来）**：年化收益率7.28%，最大回撤4.27%，收益回撤比1.7，相对业绩基准的年化超额收益率2.39%，超额收益回撤比0.86，逐年绝对收益胜率94.44%，逐年超额收益胜率94.44%[33][37]。 * **短期表现（2024年底以来）**：年化收益率2.47%，最大回撤0.92%，收益回撤比2.7，相对业绩基准的超额收益率2.16%，超额收益回撤比2.55[4][33]。 量化因子与构建方式 （报告未涉及独立的量化因子构建，所有分析均基于上述模型展开。） 因子的回测效果 （报告未涉及独立的量化因子测试。）

量化模型与因子总结 量化因子与构建方式 1. **因子名称：估值百分位**[10] * **因子构建思路**：通过计算板块、主题或行业的估值指标（如市盈率PE、市净率PB）在其历史序列中的百分位，来判断当前估值水平的高低。百分位越高，表明当前板块可能处于相对高位。[10] * **因子具体构建过程**： 1. 确定待监控的板块、主题或行业。 2. 统计该板块内所有成分股，剔除ST股及上市时间小于180个交易日的股票。[10] 3. 计算板块的整体估值指标。以市盈率（PE）为例，计算方法为：板块所有成分股的总市值之和除以板块的TTM净利润总额。[10] 4. 在选定的历史统计区间内（例如2005/01/01~2026/01/16），计算该估值指标的滚动或固定时间窗口下的历史百分位。[10] 2. **因子名称：Amihud非流动性指标**[11][12][13] * **因子构建思路**：通过衡量单位成交额所引起的价格波动幅度来刻画资产的流动性水平。指标值越大，表明流动性越差。[11][13] * **因子具体构建过程**： 1. 对于证券i，在设定的窗口期D个交易日内，计算每个交易日d的收益率绝对值与当日成交额的比值：$$\frac{\left|R_{i,d}\right|}{V o l_{i,d}}$$[12][13] 2. 将窗口期内所有交易日的该比值求平均，即得到Amihud非流动性指标：$$A m i h u d=\frac{1}{D}\sum_{d=1}^{D}\frac{\left|R_{i,d}\right|}{V o l_{i,d}}$$[12] 其中，$R_{i,d}$为证券i在第d日的收益率，$Vol_{i,d}$为对应交易日的成交额。[13] 3. **因子名称：Pastor-Stambaugh流动性指标**[14] * **因子构建思路**：基于资产收益率反转的特征来度量流动性。流动性越差的资产，其超额收益在下一个交易日越容易发生反转。[14] * **因子具体构建过程**： 1. 对于证券i，使用其日度收益率数据。 2. 构建如下回归模型：$$r_{i,d+1}^{e}=\alpha+\beta_{i}r_{i,d}+\gamma_{i}sign(r_{i,d}^{e})\cdot v_{i,d}+\epsilon_{i,d+1}$$[14] 其中，$r_{i,d}^{e}$为证券i在第d日的超额收益率，$v_{i,d}$为成交额。[14] 3. 回归系数$\gamma_i$即为所求的流动性代理变量。若该系数显著为负，则表明证券i在区间内流动性较差。[14] 4. **因子名称：换手率指标**[15] * **因子构建思路**：采用整体法计算换手率，反映资产交易的活跃程度。数值越高，表明市场流动性相对越好。[15] * **因子具体构建过程**：计算交易日成交额除以总市值。[15] 5. **因子名称：成分股扩散指标**[16] * **因子构建思路**：从行业内部个股的趋势一致性角度衡量拥挤度。计算行业内满足多头排列的个股数量占比，占比越高，表明资金集中涌入，交易可能越拥挤。[16] * **因子具体构建过程**：计算行业内所有成分股中，满足收盘价 > 短期均线 > 中期均线 > 长期均线（即多头排列）的个股数量占总成分股数量的比例。[16] 6. **因子名称：成分股配对相关性指标**[17] * **因子构建思路**：通过量化行业内个股走势的同质性来评估拥挤度。计算行业内成分股两两之间收益率相关系数的平均值，平均值越高，说明投资者行为趋同，市场拥挤程度越高。[17] * **因子具体构建过程**：在设定的窗口期内，计算行业所有成分股两两之间的日收益率相关系数，然后对所有配对相关系数取平均值。[17] 7. **因子名称：成分股收益率峰度指标**[18] * **因子构建思路**：从收益率分布的尾部特征来捕捉交易极端性，进而判断拥挤度。较高的峰度值意味着出现极端收益的个股较多，可能暗示市场情绪亢奋或恐慌，交易趋于拥挤。[18] * **因子具体构建过程**：在窗口期中，计算每个交易日截面个股收益率的峰度，然后对所有交易日的截面峰度值取平均。[18] 8. **因子名称：热度指标**[21][22] * **因子构建思路**：基于主成分分析（PCA）来衡量单一行业对市场系统性风险的贡献度，从而反映其交易热度。该指标越高，表明该行业对解释市场共同风险的主导因素贡献越大，交易越集中和拥挤。[21][22] * **因子具体构建过程**： 1. 设定行业总数量为N，选取前n个主成分。 2. 计算第m个主成分的吸收比率（Absorption Ratio, AR）：$$A R_{m}=\frac{\sigma_{m}^{2}}{\sum_{j=1}^{N}\sigma_{j}^{2}}$$[21] 其中，$\sigma_{m}^{2}$为第m个主成分的方差，$\sigma_{j}^{2}$为第j个行业自身的收益率方差。[22] 3. 计算行业i的交易热度指标$C_i$：$$C_{i}=\frac{\sum_{j=1}^{n}\left(A R_{j}\frac{\left|E V_{i}^{j}\right|}{\sum_{k=1}^{N}\left|E V_{k}^{j}\right|}\right)}{\sum_{j=1}^{n}A R_{j}}$$[21] 其中，$EV_i^j$为第j个主成分对应的特征向量在行业i上的暴露。[22] 9. **因子名称：羊群效应指标**[23][24] * **因子构建思路**：旨在捕捉市场参与者行为的一致性。若回归系数显著为负，表明市场存在明显的羊群效应，通常被视为市场情绪极端化和交易拥挤的信号。[24] * **因子具体构建过程**： 1. 计算当日所有个股收益率与市场收益率绝对偏差的均值$CSAD_t$。[24] 2. 构建如下回归模型：$$C S4D_{t}=\gamma_{0}+\gamma_{1}\left|R_{m,t}\right|+\gamma_{2}R_{m,t}^{2}+\mathcal{E}_{t}$$[23] 其中，$R_{m,t}$为市场收益率。[24] 3. 回归系数$\gamma_2$即为羊群效应指标。[24] 10. **因子名称：收盘价-成交额相关性指标**[25] * **因子构建思路**：通过分析价格与交易量之间关系的稳定性来预判趋势反转的可能。在健康上涨趋势中价量通常正相关；持续的负相关往往被视为趋势动能衰竭、交易过度拥挤的预警信号。[25] * **因子具体构建过程**：计算指数收盘价序列与成交额序列的相关系数。[25] 11. **因子名称：成交额占比指标**[26] * **因子构建思路**：直观反映市场对特定板块或行业的交易集中度。该指标越大，反映板块交易集中度越高，过度炒作的风险可能越大。[26] * **因子具体构建过程**：计算单个板块或行业每个交易日的成交额占全市场总成交额的比例。[26] 12. **模型名称：历史相似片段横向对比模型**[41][42] * **模型构建思路**：针对成分股数量不多的主题、概念板块，通过寻找历史可比板块的行情走势，为当前板块的未来走势提供参考。核心思想是只有同等“体量”的概念、主题的历史走势横向对比才具有参考价值。[41] * **模型具体构建过程**： 1. **确定当前板块特征**：以目标板块（例如万得卫星指数）在特定时点的数据为基准，包括：成分股数量、过去一段时间（如20个交易日）的累计涨幅、成交额占全市场比例、流通市值等。[42] 2. **寻找历史相似片段**：从历史数据（如2010年开始）中，遍历其他概念、主题板块指数，寻找与当前板块在上述多个维度上特征相似的行情片段。[41][42] 3. **统计相似片段后续表现**：对于找到的每个历史相似片段，统计其未来一段时间（如60个交易日）内的关键表现指标，包括：未来最大涨幅、行情持续至见顶所经历的时间长度、见顶时的成交额占全市场比例等。[42][46] 4. **提供参考**：通过分析历史相似片段后续表现的统计特征（如平均值、分位数），为判断当前板块可能的未来走势提供参考依据。[46] 模型的回测效果 1. **历史相似片段横向对比模型**，未来60个交易日最大涨幅平均值12.79%[48]，未来60个交易日见顶经历时间长度平均值33日[48]，见顶成交额占全市场占比平均值4.48%[49]

量化模型与构建方式 1. **模型名称**：价值50组合[4][6] **模型构建思路**：基于价值风格，以高beta弹性为投资目标构建的Smart beta组合[6] **模型具体构建过程**：报告未提供该组合的具体因子构成和加权方式等详细构建过程，仅说明其构建原理参考了2024年10月5日发布的专题报告《基于投资目标的基础Smart beta组合构建与配置》[6] 2. **模型名称**：价值均衡50组合[4][6] **模型构建思路**：基于价值风格，以长期稳健超额收益为投资目标构建的Smart beta组合[6] **模型具体构建过程**：报告未提供该组合的具体因子构成和加权方式等详细构建过程，仅说明其构建原理参考了2024年10月5日发布的专题报告《基于投资目标的基础Smart beta组合构建与配置》[6] 3. **模型名称**：成长50组合[4][6] **模型构建思路**：基于成长风格，以高beta弹性为投资目标构建的Smart beta组合[6] **模型具体构建过程**：报告未提供该组合的具体因子构成和加权方式等详细构建过程，仅说明其构建原理参考了2024年10月5日发布的专题报告《基于投资目标的基础Smart beta组合构建与配置》[6] 4. **模型名称**：成长均衡50组合[4][6] **模型构建思路**：基于成长风格，以长期稳健超额收益为投资目标构建的Smart beta组合[6] **模型具体构建过程**：报告未提供该组合的具体因子构成和加权方式等详细构建过程，仅说明其构建原理参考了2024年10月5日发布的专题报告《基于投资目标的基础Smart beta组合构建与配置》[6] 5. **模型名称**：小盘50组合[4][6] **模型构建思路**：基于小盘风格，以高beta弹性为投资目标构建的Smart beta组合[6] **模型具体构建过程**：报告未提供该组合的具体因子构成和加权方式等详细构建过程，仅说明其构建原理参考了2024年10月5日发布的专题报告《基于投资目标的基础Smart beta组合构建与配置》[6] 6. **模型名称**：小盘均衡50组合[4][6] **模型构建思路**：基于小盘风格，以长期稳健超额收益为投资目标构建的Smart beta组合[6] **模型具体构建过程**：报告未提供该组合的具体因子构成和加权方式等详细构建过程，仅说明其构建原理参考了2024年10月5日发布的专题报告《基于投资目标的基础Smart beta组合构建与配置》[6] 模型的回测效果 1. **价值50组合**，周收益率-1.15%[7]，周超额收益(相对国证价值)0.42%[7]，月收益率-1.47%[7]，月超额收益-1.97%[7]，年收益率-1.47%[7]，年超额收益-1.97%[7]，最大相对回撤2.43%[7] 2. **价值均衡50组合**，周收益率0.38%[7]，周超额收益(相对国证价值)1.95%[7]，月收益率3.52%[7]，月超额收益3.02%[7]，年收益率3.52%[7]，年超额收益3.02%[7]，最大相对回撤0.55%[7] 3. **成长50组合**，周收益率2.02%[7]，周超额收益(相对国证成长)0.73%[7]，月收益率5.52%[7]，月超额收益0.04%[7]，年收益率5.52%[7]，年超额收益0.04%[7]，最大相对回撤1.30%[7] 4. **成长均衡50组合**，周收益率2.28%[7]，周超额收益(相对国证成长)0.98%[7]，月收益率6.00%[7]，月超额收益0.52%[7]，年收益率6.00%[7]，年超额收益0.52%[7]，最大相对回撤1.33%[7] 5. **小盘50组合**，周收益率3.24%[7]，周超额收益(相对国证2000)1.93%[7]，月收益率7.58%[7]，月超额收益-1.03%[7]，年收益率7.58%[7]，年超额收益-1.03%[7]，最大相对回撤3.08%[7] 6. **小盘均衡50组合**，周收益率1.70%[7]，周超额收益(相对国证2000)0.39%[7]，月收益率8.26%[7]，月超额收益-0.36%[7]，年收益率8.26%[7]，年超额收益-0.36%[7]，最大相对回撤2.38%[7]

量化模型与因子总结 量化模型与构建方式 本报告为市场数据跟踪报告，未涉及具体的量化选股或择时模型，因此无量化模型部分。 量化因子与构建方式 报告中对多个市场指标（可视为因子）进行了计算和跟踪，具体如下： 1. **因子名称**：连阴连阳因子[12] * **因子构建思路**：通过统计指数K线连续为阴线或阳线的天数，来衡量市场的短期趋势强度和持续性[12]。 * **因子具体构建过程**：从指定起始日开始，逐日判断指数收盘价相对于前一日收盘价的涨跌。若当日上涨，则连阳计数加1，连阴计数重置为空；若当日下跌，则连阴计数加1（以负数表示），连阳计数重置为空[12]。 2. **因子名称**：均线比较因子[13][15] * **因子构建思路**：通过比较指数当前价格与不同周期移动平均线（MA）的位置关系，来判断指数所处的短期、中期和长期趋势状态[13][15]。 * **因子具体构建过程**：首先计算指数收盘价的5日、10日、20日、60日、120日和250日简单移动平均线。然后计算当前收盘价相对于各均线的偏离百分比，公式为： $$偏离百分比 = (收盘价 / 移动平均线 - 1) * 100\%$$ 根据偏离百分比的正负和大小，判断指数是“突破”还是“跌破”相应均线[13][15]。 3. **因子名称**：风险溢价因子[26][28] * **因子构建思路**：计算股票指数收益率与无风险收益率（以十年期国债即期收益率为参考）的差值，用以衡量投资股票市场所获得的超额回报，评估其相对投资价值[26][28]。 * **因子具体构建过程**：风险溢价的计算通常基于预期收益率。报告中展示的“当前风险溢价”可能为指数的近期收益率（如近12个月股息率加上预期盈利增长率）减去当前十年期国债即期收益率。同时，计算该风险溢价在近1年和近5年历史数据中的分位值，以判断当前水平的相对高低[28][30]。 4. **因子名称**：PE-TTM（滚动市盈率）因子[38][41] * **因子构建思路**：使用公司最近四个季度（Trailing Twelve Months）的总净利润除以总市值，作为衡量市场估值水平的核心指标[38][41]。 * **因子具体构建过程**：对于指数，其PE-TTM通常为成分股的总市值之和除以成分股最近四个季度的净利润之和。报告同时计算了当前PE-TTM在近1年和近5年历史数据中的分位值[41][42]。 5. **因子名称**：股债性价比因子[45] * **因子构建思路**：将股票市场的潜在收益率（常用PE-TTM的倒数，即盈利收益率）与债券市场收益率（十年期国债即期收益率）进行比较，辅助进行大类资产配置决策[45]。 * **因子具体构建过程**：计算公式为： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 报告通过对比该值与其近5年历史分位数（如80%分位和20%分位）来判断股票资产相对于债券的吸引力[45]。 6. **因子名称**：股息率因子[47][52] * **因子构建思路**：计算指数成分股现金分红总额与指数总市值的比率，反映投资该指数所能获得的现金分红回报率，是高红利投资风格的核心指标[47][52]。 * **因子具体构建过程**：指数股息率通常计算为成分股最近12个月现金分红总额之和除以指数的总市值。报告跟踪了该因子的当前值、历史均值及在近1年、近5年内的历史分位值[52]。 7. **因子名称**：破净率因子[53][56] * **因子构建思路**：统计指数中市净率（PB）小于1的个股数量占比，用以衡量市场总体的估值低迷程度和悲观情绪[53][56]。 * **因子具体构建过程**：首先计算指数中每只成分股的市净率（股价/每股净资产）。然后统计市净率小于1的个股数量，最后计算该数量占指数总成分股数量的百分比，即为破净率[53][56]。 因子的回测效果 报告未提供基于历史数据的因子分层测试、多空组合收益等传统因子回测结果，而是展示了各因子在特定截止日（2026年1月19日）的截面取值或状态，具体如下： 1. **连阴连阳因子**：上证50日K连阴2天，创业板指日K连阴2天；中证500、中证1000、中证2000周K连阳3天；中证2000、中证全指季K连阳5天[12]。 2. **均线比较因子**：创业板指跌破5日及10日均线，上证50跌破20日均线；中证1000、中证2000和中证全指突破5日均线；中证500突破近250日高位[15]。 3. **风险溢价因子**：近5年分位值较高的指数为中证2000（79.52%）和中证500（72.62%），较低的为上证50（44.92%）和创业板指（32.06%）[3][30]。 4. **PE-TTM因子**：近5年分位值较高的指数为中证500（100.0%）和中证1000（99.92%），较低的为上证50（82.81%）和创业板指（63.64%）[4][41][42]。 5. **股债性价比因子**：没有指数高于其近5年80%分位（机会值）；中证500和中证全指低于其近5年20%分位（危险值）[4][45]。 6. **股息率因子**：近5年历史分位值较高的指数为创业板指（57.93%）和沪深300（37.69%），较低的为中证500（5.7%）和中证2000（1.4%）[4][50][52]。 7. **破净率因子**：当前破净率分别为上证50（24.0%）、沪深300（16.67%）、中证500（10.2%）、中证1000（6.9%）、中证2000（2.75%）和中证全指（5.5%）[4][56]。

量化模型与构建方式 1. **模型名称：微盘股轮动模型**[17][23] * **模型构建思路**：通过比较微盘股与茅指数的相对价值和短期动量，判断市场风格并进行轮动配置[17][23]。 * **模型具体构建过程**： 1. **计算相对净值**：计算微盘股指数与茅指数的相对净值（微盘股指数净值 / 茅指数净值）[17]。 2. **计算移动平均线**：计算相对净值的243日移动平均线（年均线）[17]。 3. **计算动量斜率**：分别计算微盘股指数和茅指数过去20日收盘价的斜率[17]。 4. **生成轮动信号**： * 当微盘股/茅指数相对净值 **高于** 其243日均线时，倾向于投资微盘股[23]。 * 当微盘股/茅指数相对净值 **低于** 其243日均线时，倾向于投资茅指数[23]。 * 结合微盘股与茅指数的20日收盘价斜率，当二者方向相反且一方为正时，选择投资斜率为正的指数[23]。 2. **模型名称：微盘股择时风控模型**[17][23] * **模型构建思路**：监控宏观和市场风险指标，当指标触及阈值时，对微盘股发出平仓信号以控制中期系统性风险[17][23]。 * **模型具体构建过程**： 1. **选取风险指标**： * 十年期国债到期收益率同比（TenYrGovBondYield_YoY）[17]。 * 微盘股波动率拥挤度同比（VolCrowding_YoY）[17]。 2. **设定风险阈值**： * 十年期国债收益率同比阈值：30%[23]。 * 波动率拥挤度同比阈值：55%[23]。 3. **生成风控信号**：当 **任一** 风险指标触及其对应阈值时，则发出平仓微盘股的信号[23]。 3. **模型名称：宏观择时模型**[44] * **模型构建思路**：基于经济增长和货币流动性等宏观维度构建动态事件因子，用于判断权益资产（股票）的配置仓位[44]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅提及模型参考了前期研究报告《Beta 猎手系列：基于动态宏观事件因子的股债轮动策略》[44]。 模型的回测效果 1. **微盘股轮动模型**：截至2025年12月31日，模型发出轮动至茅指数的信号[17]。 2. **微盘股择时风控模型**：截至报告期，波动率拥挤度同比为-29.45%，十年期国债到期收益率同比为13.56%，均未触及各自阈值，未触发风控平仓信号[17]。 3. **宏观择时模型**：模型给出的2026年1月份权益推荐仓位为60%[44]。2025年年初至今收益率为14.59%，同期Wind全A收益率为26.87%[44]。 量化因子与构建方式 1. **因子名称：一致预期因子**[47][57] * **因子构建思路**：使用分析师对未来盈利的一致预期数据构建因子，捕捉市场对上市公司未来业绩的共识变化[57]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义： * **EPS_FTTM_Chg3M**：未来12个月一致预期EPS过去3个月的变化率[59]。 * **ROE_FTTM_Chg3M**：未来12个月一致预期ROE过去3个月的变化率[59]。 * **TargetReturn_180D**：一致预期目标价相对于目前股价的收益率[59]。 2. **因子名称：市值因子**[47][57] * **因子构建思路**：使用公司流通市值的对数作为因子，通常与小市值溢价效应相关[57]。 * **因子具体构建过程**： * **LN_MktCap**：流通市值的对数[57]。 3. **因子名称：成长因子**[47][57] * **因子构建思路**：使用公司营业收入、净利润等财务指标的同比增长率来度量公司的成长性[57]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义： * **NetIncome_SQ_Chg1Y**：单季度净利润同比增速[57]。 * **OperatingIncome_SQ_Chg1Y**：单季度营业利润同比增速[57]。 * **Revenues_SQ_Chg1Y**：单季度营业收入同比增速[59]。 4. **因子名称：反转因子**[47][57] * **因子构建思路**：使用股票过去一段时间的收益率作为因子，捕捉股价的均值回归效应[59]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义： * **Price_Chg20D**：20日收益率[59]。 * **Price_Chg40D**：40日收益率[59]。 * **Price_Chg60D**：60日收益率[59]。 * **Price_Chg120D**：120日收益率[59]。 5. **因子名称：质量因子**[47][57] * **因子构建思路**：使用盈利能力、运营效率、财务稳健性等指标来度量公司的基本面质量[57]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义： * **ROE_FTTM**：未来12个月一致预期净利润/股东权益均值[59]。 * **OCF2CurrentDebt**：过去12个月经营现金流净额/流动负债均值[59]。 * **GrossMargin_TTM**：过去12个月毛利率[59]。 * **Revenues2Asset_TTM**：过去12个月营业收入/总资产均值[59]。 6. **因子名称：技术因子**[47][57] * **因子构建思路**：使用成交量、换手率、价格形态等技术指标来捕捉市场交易行为[59]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义： * **Volume_Mean_20D_240D**：20日成交量均值/240日成交量均值[59]。 * **Skewness_240D**：240日收益率偏度[59]。 * **Volume_CV_20D**：20日成交量标准差/20日成交量均值[59]。 * **Turnover_Mean_20D**：20日换手率均值[59]。 7. **因子名称：价值因子**[47][57] * **因子构建思路**：使用市净率、市盈率、市销率等估值指标来度量股票的价格相对于其账面价值或盈利的便宜程度[57]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义： * **BP_LR**：最新年报账面净资产/最新市值[57]。 * **EP_FTTM**：未来12个月一致预期净利润/最新市值[57]。 * **SP_TTM**：过去12个月营业收入/最新市值[57]。 * **EP_FY0**：当期年报一致预期净利润/最新市值[57]。 * **Sales2EV**：过去12个月营业收入/企业价值[57]。 8. **因子名称：波动率因子**[47][57] * **因子构建思路**：使用股票收益率的历史波动率或模型残差波动率来度量股票的风险[59]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义： * **Volatility_60D**：60日收益率标准差[59]。 * **IV_CAPM**：CAPM模型残差波动率[59]。 * **IV_FF**：Fama-French三因子模型残差波动率[59]。 * **IV_Carhart**：Carhart四因子模型残差波动率[59]。 9. **因子名称：可转债择券因子**[56] * **因子构建思路**：针对可转债特性构建量化择券因子，主要包括从正股映射的因子（如正股财务质量、成长、价值、一致预期）和转债特有的估值因子[56]。 * **因子具体构建过程**： * **正股因子**：从预测正股的因子（如财务质量、成长、价值、一致预期）来构建可转债因子[56]。 * **转债估值因子**：选取了平价底价溢价率[56]。 因子的回测效果 （以下数据均为“上周”在“全部A股”股票池的表现）[48] 1. **一致预期因子**，IC均值 3.42%，多空收益 0.19%[48] 2. **市值因子**，IC均值 14.51%，多空收益 1.50%[48] 3. **成长因子**，IC均值 8.04%，多空收益 1.38%[48] 4. **反转因子**，IC均值 -1.35%，多空收益 -0.54%[48] 5. **质量因子**，IC均值 15.76%，多空收益 2.52%[48] 6. **技术因子**，IC均值 11.34%，多空收益 2.14%[48] 7. **价值因子**，IC均值 0.22%，多空收益 -0.42%[48] 8. **波动率因子**，IC均值 9.85%，多空收益 1.42%[48]

量化模型与构建方式 1. 模型名称：封板率模型；模型构建思路：通过计算当日最高价涨停且收盘涨停的股票比例，来衡量市场追涨情绪和涨停板的可靠性[17]；模型具体构建过程：首先，筛选出上市满3个月以上的股票。然后，找出在当日盘中最高价达到涨停的股票集合。最后，计算这些股票中，收盘价仍为涨停的股票数量占比。公式是：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. 模型名称：连板率模型；模型构建思路：通过计算连续两日收盘涨停的股票比例，来衡量市场涨停效应的持续性[17]；模型具体构建过程：首先，筛选出上市满3个月以上的股票。然后，找出在昨日收盘涨停的股票集合。最后，计算这些股票中，今日收盘价仍为涨停的股票数量占比。公式是：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. 模型名称：大宗交易折价率模型；模型构建思路：通过计算大宗交易成交价相对于市价的折价率，来反映大资金的交易情绪和偏好[27]；模型具体构建过程：首先，获取当日所有大宗交易的成交总金额。然后，计算这些成交份额按当日市价计算的总市值。最后，计算折价率。公式是：折价率=大宗交易总成交金额/当日成交份额的总市值-1[27] 4. 模型名称：股指期货年化贴水率模型；模型构建思路：通过计算股指期货主力合约相对于现货指数的年化基差，来反映市场对未来预期、对冲成本及情绪[29]；模型具体构建过程：首先，计算基差（股指期货价格 - 现货指数价格）。然后，将基差除以现货指数价格，得到日度贴水率。最后，根据合约剩余交易日数进行年化处理。公式是：年化贴水率=基差/指数价格*(250/合约剩余交易日数)[29] 量化因子与构建方式 1. 因子名称：昨日涨停股今日收益因子；因子构建思路：通过计算昨日涨停股票在今日的平均收益，来观察涨停股次日的表现，捕捉市场动量或反转效应[14]；因子具体构建过程：首先，筛选出上市满3个月以上且昨日收盘涨停的股票。然后，计算这些股票在今日的收盘收益，并求其平均值[14] 2. 因子名称：昨日跌停股今日收益因子；因子构建思路：通过计算昨日跌停股票在今日的平均收益，来观察跌停股次日的表现，捕捉市场恐慌情绪的修复或延续[14]；因子具体构建过程：首先，筛选出上市满3个月以上且昨日收盘跌停的股票。然后，计算这些股票在今日的收盘收益，并求其平均值[14] 3. 因子名称：机构调研热度因子；因子构建思路：通过统计近期对上市公司进行调研的机构数量，来衡量机构投资者对该公司的关注度[31]；因子具体构建过程：统计近7天内对某家上市公司进行调研或参加分析师会议的机构总数[31] 4. 因子名称：龙虎榜机构净流入因子；因子构建思路：通过统计龙虎榜上机构专用席位对某只股票的净买入金额，来衡量机构资金对该股票的短期态度和动向[37]；因子具体构建过程：从每日龙虎榜数据中，汇总机构专用席位对特定股票的买入总额与卖出总额，计算其差额（净流入）[37] 5. 因子名称：龙虎榜陆股通净流入因子；因子构建思路：通过统计龙虎榜上陆股通席位对某只股票的净买入金额，来衡量北向资金对该股票的短期态度和动向[38]；因子具体构建过程：从每日龙虎榜数据中，汇总陆股通席位对特定股票的买入总额与卖出总额，计算其差额（净流入）[38] 模型的回测效果 1. 封板率模型，20260119当日封板率78%[17] 2. 连板率模型，20260119当日连板率20%[17] 3. 大宗交易折价率模型，近半年平均折价率6.74%，20260116当日折价率3.41%[27] 4. 股指期货年化贴水率模型，近一年中位数：上证50为0.70%，沪深300为3.79%，中证500为11.11%，中证1000为13.61%[29]；20260119当日值：上证50年化升水率0.36%，沪深300年化贴水率0.81%，中证500年化贴水率1.74%，中证1000年化贴水率6.29%[29] 因子的回测效果 1. 昨日涨停股今日收益因子，20260119当日收益2.62%[14] 2. 昨日跌停股今日收益因子，20260119当日收益-4.27%[14] 3. 机构调研热度因子，近一周调研机构数量最多的是帝科股份，被97家机构调研[31] 4. 龙虎榜机构净流入因子，20260119当日净流入前十的股票包括金风科技、纳百川等[37]；净流出前十的股票包括红相股份、许继电气等[37] 5. 龙虎榜陆股通净流入因子，20260119当日净流入前十的股票包括中国西电、许继电气等[38]；净流出前十的股票包括金风科技、银河电子等[38]

量化模型与因子总结 根据您提供的研报，该报告主要对各类公募量化基金的业绩表现进行了跟踪统计，并未详细阐述具体的量化模型或量化因子的构建过程。报告内容侧重于基金产品的分类业绩回顾，而非模型或因子本身的构建与测试[1][2][3][15]。 因此，报告中**未涉及**具体的量化模型或量化因子的构建思路、具体构建过程、公式或定性评价。 基金策略类型与业绩表现 报告提及了多种基于量化方法的基金策略类型，并给出了其近期业绩中位数数据。这些策略类型本身可被视为应用了不同量化模型（如多因子模型、行业轮动模型、大数据模型等）的投资产品，但报告未对其底层模型进行分解说明。 以下是报告中提到的各类策略基金及其业绩表现汇总[2][3][4][8][15][16][17][18][19][20]： **策略基金的业绩表现 (收益中位数)** 1. **沪深300指数增强基金**，本周超额收益0.49%，本月超额收益0.59%，本季度超额收益0.59%，本年度超额收益0.59%[3][4] 2. **中证500指数增强基金**，本周超额收益-0.25%，本月超额收益-2.08%，本季度超额收益-2.08%，本年度超额收益-2.08%[3][4] 3. **中证1000指数增强基金**，本周超额收益0.43%，本月超额收益-0.36%，本季度超额收益-0.36%，本年度超额收益-0.36%[3][4] 4. **中证A500指数增强基金**，本周超额收益0.39%，本月超额收益-0.02%，本季度超额收益-0.02%，本年度超额收益-0.02%[3][4] 5. **其它指数增强基金**，本周收益0.11%，本月收益0.75%，本季度收益0.75%，本年度收益0.75%[3][4] 6. **绝对收益（对冲）基金**，本周收益0.19%，本月收益-0.03%，本季度收益-0.03%，本年度收益-0.03%[3][8] 7. **其它主动量化基金**，本周收益1.51%，本月收益6.03%，本季度收益6.03%，本年度收益6.03%[3][8] 8. **定增主题基金**，本周收益0.46%，本月收益2.92%，本季度收益2.92%，本年度收益2.92%[15][16] 9. **提取业绩报酬基金**，本周收益0.37%，本月收益3.29%，本季度收益3.29%，本年度收益3.29%[15][17] 10. **行业主题轮动基金**，本周收益1.55%，本月收益6.03%，本季度收益6.03%，本年度收益6.03%[15][18] 11. **多因子类型基金**，本周收益1.89%，本月收益7.44%，本季度收益7.44%，本年度收益7.44%[15][19] 12. **大数据驱动主动投资基金**，本周收益-0.89%，本月收益7.22%，本季度收益7.22%，本年度收益7.22%[15][20] 13. **大数据被动型基金**，本周收益5.90%，本月收益14.92%，本季度收益14.92%，本年度收益14.92%[20]