量化模型与构建方式 1. 市场情绪追踪模型 1. **模型名称：上涨家数占比情绪指标**[11][12] * **模型构建思路**：通过计算指数成分股中近期获得正收益的股票数量占比来判断市场情绪。当正收益股票增多时，可能处于行情底部；当大部分股票都为正收益时，情绪可能过热，存在下跌风险[12]。 * **模型具体构建过程**： 1. 计算沪深300指数成分股在过去N日（报告中N=230）的收益率[12]。 2. 统计收益率大于0的个股数量。 3. 计算上涨家数占比：上涨家数占比 = (过去N日收益大于0的个股数) / (沪深300指数成分股总数)[12]。 * **模型评价**：该指标可以较快地捕捉上涨机会，但在市场过热阶段提前止盈会错失后续上涨收益，且对下跌市场的判断存在缺陷，难以有效规避下跌风险[12]。 2. **模型名称：动量情绪指标择时策略**[13][15][16] * **模型构建思路**：对“上涨家数占比情绪指标”进行不同窗口期的平滑处理，通过比较快慢线的相对位置来捕捉市场情绪的变动趋势，从而生成看多或看空的择时信号[13][15]。 * **模型具体构建过程**： 1. 计算沪深300指数N日（N=230）上涨家数占比[13]。 2. 分别对该指标序列进行窗口期为N1（N1=50）和N2（N2=35）的移动平均，得到慢线和快线，其中N1 > N2[13][15]。 3. 生成交易信号：当快线 > 慢线时，看多沪深300指数；当快线 ≤ 慢线时，对市场持谨慎观点[15]。 3. **模型名称：均线情绪指标择时策略**[21][25] * **模型构建思路**：利用八条不同周期的均线构成一个技术分析体系，通过统计当前价格位于这八条均线之上的数量来判断市场的趋势状态和情绪景气度[21][25]。 * **模型具体构建过程**： 1. 计算沪深300指数收盘价的八条均线，参数分别为：8, 13, 21, 34, 55, 89, 144, 233[21]。 2. 在每一个交易日，比较当日收盘价与这八条均线值的大小[25]。 3. 统计当日收盘价大于均线值的数量[25]。 4. 生成交易信号：当收盘价大于均线值的数量超过5时，看多沪深300指数[25]。 2. 基金抱团分离度指标 1. **因子名称：基金抱团分离度**[26] * **因子构建思路**：将抱团基金组合截面收益率的标准差作为衡量基金抱团程度的代理变量。标准差小说明基金表现趋同，抱团程度高；标准差大说明抱团正在瓦解[26]。 * **因子具体构建过程**： 1. 构造一个“抱团基金组合”[26]。 2. 在特定时点（如每日或每周），计算该组合内所有基金在同一时期的收益率[26]。 3. 计算这些收益率的截面标准差，该值即为“基金抱团分离度”[26]。 3. 量化选股策略模型 1. **模型名称：PB-ROE-50策略**[30] * **模型构建思路**：以PB-ROE定价模型为基础，寻找市场中的预期差（即实际估值与理论估值的差异），并叠加超预期因子（如SUE、ROE同比增长）来增强组合收益，最终精选50只股票构建投资组合[30]。 * **模型具体构建过程**： 1. **基础模型**：基于Wilcox（1984）推导的PB-ROE定价模型，筛选出存在预期差的股票池[30]。 2. **因子增强**：在预期差股票池中，使用SUE（标准化未预期收益）、ROE同比增长等超预期因子进行进一步筛选和排序[30]。 3. **组合构建**：根据因子综合得分，选取排名靠前的50只股票，等权构建PB-ROE-50投资组合[30]。 2. **模型名称：机构调研策略**[37] * **模型构建思路**：通过分析公募基金和知名私募基金的调研行为数据，挖掘其中蕴含的超额收益（Alpha）。核心是利用上市公司被调研的次数以及被调研前股票的相对表现进行选股[37]。 * **模型具体构建过程**：报告指出具体构建方法详见其系列报告之八[37]。根据描述，主要步骤应包括： 1. 收集并处理公募和私募的机构调研数据。 2. 计算上市公司在一定时期内被调研的总次数或频率。 3. 可能结合股票在被调研前相对于基准指数（如中证800）的涨跌幅表现。 4. 根据上述指标（如调研次数、前期表现）构建选股规则，形成公募调研选股组合和私募调研跟踪组合。 4. 负面清单因子 1. **因子名称：有息负债率**[41] * **因子构建思路**：有息负债是企业需要支付利息的负债，该比率越高，企业面临的偿债压力和流动性风险越大。该因子用于识别高财务风险的公司[41]。 * **因子具体构建过程**：报告提出了三种计算口径[41]。 * **传统有息负债率**： $$传统有息负债率 = \frac{短期借款 + 长期借款 + 应付债券}{总资产}$$ * **严苛有息负债率**： $$严苛有息负债率 = \frac{短期借款 + 应付利息 + 交易性金融负债 + 应付短期债券 + 租赁负债 + 长期借款 + 应付债券 + 长期应付款}{总资产}$$ * **宽松有息负债率**： $$宽松有息负债率 = \frac{短期借款 + 应付利息 + 交易性金融负债 + 应付短期债券 + 租赁负债 + 长期借款 + 应付债券 + 长期应付款 + 其他流动负债 + 划分为持有待售的负债 + 一年内到期的非流动负债}{总资产}$$ 2. **因子名称：财务成本负担率**[45] * **因子构建思路**：从利润表流量数据角度衡量企业实际面临的利息偿还压力，比基于资产负债表的存量指标更能反映企业当期负担[45]。 * **因子具体构建过程**： $$财务成本负担率 = \frac{财务费用：利息费用}{息税前利润}$$ 公式说明：分子为利润表中的“利息费用”科目（2018年后从“财务费用”中拆分），分母为息税前利润（EBIT）[45]。 模型的回测效果 1. **PB-ROE-50模型**，2026年1月超额收益率（相对基准）：基于中证500为 **-0.44%**，基于中证800为 **5.47%**，基于全市场为 **5.48%**[30][34]。2026年1月绝对收益率：基于中证500为 **11.63%**，基于中证800为 **10.20%**，基于全市场为 **11.54%**[34]。 2. **机构调研策略模型（公募调研选股）**，2026年1月超额收益率（相对中证800）为 **-0.82%**，2026年1月绝对收益率为 **3.63%**[38]。 3. **机构调研策略模型（私募调研跟踪）**，2026年1月超额收益率（相对中证800）为 **6.52%**，2026年1月绝对收益率为 **11.30%**[38]。 因子的回测效果 *注：报告中未提供负面清单因子（有息负债率、财务成本负担率）在历史回测中的具体指标值（如IC、IR、多空收益等），仅提供了截至报告日的截面排序结果。因此，此处不列出因子回测效果。*

量化模型与构建方式 1. **模型名称：煤炭行业利润预测模型**[9][10] * **模型构建思路**：基于动力煤长协定价机制，利用价格因子和产能因子的同比变化，逐月估计煤炭行业的营收增速和利润增速[10]。 * **模型具体构建过程**：模型的核心是利用已确定的月度动力煤销售价格（由长协机制决定）以及产能数据。通过计算价格因子（如煤价指数）和产能因子（如产量）的同比变化，将这些变化映射到行业整体的营收和利润增速预测上。具体公式未在报告中明确给出，但逻辑是：营收增速 ≈ f(价格同比变化， 销量同比变化)；利润增速 ≈ g(营收增速， 成本变化)。报告根据此模型预测了2026年2月煤炭行业利润同比微负增长[10][14]。 2. **模型名称：生猪供需缺口测算模型（出栏系数法）**[15][16] * **模型构建思路**：利用生猪从出生到出栏约6个月的生长周期，建立当前能繁母猪存栏量与未来6个月后生猪潜在供给量之间的关系，并与历史同期需求进行对比，以测算未来供需缺口[15]。 * **模型具体构建过程**： 1. 首先计算历史“出栏系数”，即单季度生猪出栏量与6个月前的能繁母猪存栏量之比。公式为： $$出栏系数 = \frac{单季度生猪出栏}{能繁母猪存栏_{滞后6个月}}}$$ 2. 利用当前（t月）的能繁母猪存栏量和上年同期（t+6月）的出栏系数，预测6个月后的潜在单季度生猪供给能力。公式为： $$6个月后单季潜在产能 = t月能繁母猪存栏 \times (t+6月上年同期出栏系数)$$ 3. 将预测的潜在供给与上年同期（t+6月）的实际单季度生猪出栏量（作为需求预测值）进行比较，判断供需缺口[15][16][17]。 3. **模型名称：普钢行业利润预测模型**[18] * **模型构建思路**：综合考虑普通钢材的综合售价以及铁矿石、焦炭、喷吹煤、废钢等主要成本指标，构建模型以预测普钢行业的月度利润增速和单吨盈利[18]。 * **模型具体构建过程**：模型通过跟踪普钢综合售价和一系列关键原材料成本价格，计算单吨毛利或利润。具体公式未在报告中明确给出，但逻辑可表示为：单吨利润 ≈ 普钢综合售价 - (铁矿石成本 + 焦炭成本 + 喷吹煤成本 + 废钢成本 + 其他)。基于此模型，报告预测了2026年1月普钢行业利润同比微负增长[18][22]。 4. **模型名称：结构材料（玻璃、水泥）盈利跟踪模型**[24] * **模型构建思路**：根据浮法玻璃、水泥等产品的价格指标和相应的成本指标（如纯碱、煤炭等），跟踪计算行业的毛利或利润变化[24]。 * **模型具体构建过程**：对于玻璃行业，通过浮法玻璃市场价格减去主要成本（如纯碱、燃料等）计算单吨毛利。对于水泥行业，通过水泥价格减去煤炭等成本估算利润。报告根据2026年1月数据，测算浮法玻璃毛利同比延续负增长，并预测水泥行业利润同比延续负增长[24][26]。 5. **模型名称：燃料型炼化行业利润预测模型**[27] * **模型构建思路**：利用成品油（燃料）价格变化和原油价格变化之间的差异（裂解价差）来测算行业利润增速[27]。 * **模型具体构建过程**：模型核心是跟踪裂解价差，即成品油价格与原油成本价之差。利润增速与裂解价差的变动密切相关。报告基于此模型预测2026年1月燃料型炼化行业利润同比小幅下降[27][28]。 量化因子与构建方式 1. **因子名称：价格因子（煤炭）**[10] * **因子构建思路**：反映煤炭产品价格变动对行业营收的影响，是煤炭行业利润预测模型的关键输入之一[10]。 * **因子具体构建过程**：采用动力煤价格指数，具体为根据长协机制确定的月度销售价格。通过计算该价格的同比变化，作为驱动营收预测的因子[10]。 2. **因子名称：产能因子（煤炭）**[10] * **因子构建思路**：反映煤炭产量或供给能力变动对行业营收的影响，是煤炭行业利润预测模型的另一关键输入[10]。 * **因子具体构建过程**：采用煤炭产量或相关产能指标，计算其同比变化，与价格因子一同用于营收和利润预测[10]。 3. **因子名称：出栏系数**[15] * **因子构建思路**：衡量能繁母猪存栏转化为生猪出栏的效率，是连接当前存栏与未来供给的核心中间变量[15]。 * **因子具体构建过程**：计算历史各季度“生猪出栏量”与“6个月前的能繁母猪存栏量”的比值。该系数用于预测未来的潜在产能[15]。 4. **因子名称：PMI滚动均值（普钢、建筑装饰）**[22][26] * **因子构建思路**：用于判断制造业景气周期，作为普钢和建筑装饰行业配置信号的依据之一[22][26]。 * **因子具体构建过程**：计算制造业采购经理指数（PMI）过去12个月的滚动平均值，并观察其环比变化。报告指出，当该滚动均值环比变化未超过特定阈值时，维持中性观点[22][26]。 5. **因子名称：裂解价差（燃料型炼化）**[27] * **因子构建思路**：直接反映炼化企业将原油加工为成品油的盈利空间，是行业利润的核心驱动因子[27]。 * **因子具体构建过程**：跟踪成品油（如汽油、柴油）价格与原油采购成本之间的价差。价差扩大通常意味着行业利润改善，反之则利润承压[27]。 6. **因子名称：油价同比变化（炼化、油服）**[27][34][35] * **因子构建思路**：油价变动直接影响炼化行业的成本和油服行业的收入预期，是这两个行业配置信号的关键观察因子[27][34][35]。 * **因子具体构建过程**：计算原油价格的同比变化。报告指出，当油价保持同比下降时，对炼化和油服行业维持中性观点[34][35]。 7. **因子名称：新钻井数同比变化（油服）**[35] * **因子构建思路**：反映油气勘探开发活动的活跃度，是油服行业需求的前瞻性指标[35]。 * **因子具体构建过程**：跟踪美国新钻井数量等指标，观察其同比变化。报告指出，当新钻井数同比变化不大时，对油服行业维持中性观点[35]。 模型的回测效果 *报告未提供具体量化模型的回测绩效指标（如年化收益率、夏普比率、最大回撤等）。报告中的图表（如图2、图5、图9、图10）展示了基于模型产生的配置信号与行业指数历史超额收益的走势对比，但未给出统一的绩效汇总表或具体数值[11][20][28][37]。* 因子的回测效果 *报告未提供单个因子的独立测试结果（如IC、IR、多空收益等）。因子效果的评价融合在行业景气判断和配置观点中，例如指出“出栏系数法测算供需缺口能够有效识别生猪价格上行周期”[16]，但未给出该因子的具体量化指标。*

量化模型与构建方式 1. **模型名称**：日收益率分布形态分析模型[18][19] * **模型构建思路**：通过统计各宽基指数日收益率在历史不同时期的分布情况，分析其分布特征、胜率和形态倾向，并比较当前分布与历史基准的差异[18][19]。 * **模型具体构建过程**： 1. 收集各宽基指数近一年及近6年（剔除近一年）的日收益率数据[19]。 2. 将日收益率划分为若干区间，统计各区间出现的频次，绘制分布图以观察收益分布特征[18]。 3. 计算分布的峰度和偏度，用以衡量分布的集中程度和偏态方向[24]。峰度计算中减去了3（正态分布的峰度值）以进行对比[25]。 4. 对比当前（近一年）的峰度、偏度与近5年（基准期）的对应值，计算差值（当前 vs. 近5年），以观察分布形态的变化[25]。 2. **模型名称**：风险溢价分析模型[27] * **模型构建思路**：以十年期国债即期收益率作为无风险利率的参考，计算各宽基指数相对于无风险利率的风险溢价，用以衡量其相对投资价值和偏离情况，并观察其均值复归现象[27]。 * **模型具体构建过程**： 1. 确定无风险利率：采用十年期国债即期收益率[27]。 2. 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]。具体计算时，指数收益率通常采用其预期收益率或历史平均收益率，但报告中展示的“当前风险溢价”可能基于特定计算（如指数市盈率倒数与国债收益率之差，见股债性价比部分）[46]。 3. 统计分析：计算风险溢价的近1年/5年均值、波动率、分位值，以及当前值与均值±1倍/±2倍标准差的差值，用以判断当前风险溢价的相对位置和偏离程度[31]。 3. **模型名称**：股债性价比分析模型[46] * **模型构建思路**：通过比较股票市场的潜在收益率（以市盈率倒数代表）与债券市场收益率（十年期国债即期收益率）的差值，来判断股票和债券两类资产的相对吸引力[46]。 * **模型具体构建过程**： 1. 计算股票潜在收益率：使用各宽基指数的市盈率（PE-TTM）的倒数，即盈利收益率（Earnings Yield）[46]。 $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 2. 历史分位分析：计算该指标近5年的历史分位值，并设定80%分位值为“机会值”，20%分位值为“危险值”[46]。 3. 趋势与区间判断：观察股债性价比的走势图，并结合其与机会值、危险值及均值的相对位置，判断当前股票资产相对于债券资产的估值吸引力[46]。 量化因子与构建方式 1. **因子名称**：均线比较因子[13] * **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，判断指数的短期、中期和长期趋势强度及支撑压力情况[13]。 * **因子具体构建过程**： 1. 计算移动平均线：分别计算指数收盘价的5日（MA5）、10日（MA10）、20日（MA20）、60日（MA60）、120日（MA120）、250日（MA250）简单移动平均线[14]。 2. 计算相对位置：计算当前收盘价相对于各条移动平均线的百分比偏离[14]。 $$vsMA_N = \frac{收盘价 - MA_N}{MA_N} \times 100\%$$ 其中，N代表移动平均线的周期（如5，10，20等）[14]。 2. **因子名称**：近250日高位/低位回撤因子[13] * **因子构建思路**：衡量指数当前价格相对于其过去250个交易日内最高点和最低点的位置，用以评估指数从近期高点回落的幅度或从低点反弹的强度[13]。 * **因子具体构建过程**： 1. 确定极值：计算指数在过去250个交易日内的最高价（近250日高位）和最低价（近250日低位）[14]。 2. 计算回撤/反弹幅度：计算当前收盘价相对于近250日高位和低位的百分比变化[14]。 $$vs近250日高位 = \frac{收盘价 - 近250日高位}{近250日高位} \times 100\%$$ $$vs近250日低位 = \frac{收盘价 - 近250日低位}{近250日低位} \times 100\%$$ 3. **因子名称**：换手率因子[17] * **因子构建思路**：衡量市场对某一宽基指数成分股的交易活跃程度，高换手率通常意味着高流动性或高关注度[17]。 * **因子具体构建过程**：指数换手率计算方式为成分股流通股本加权平均的换手率[18]。 $$指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$$ 4. **因子名称**：交易金额占比因子[17] * **因子构建思路**：衡量某一宽基指数的总成交金额在整个市场（以中证全指为代表）中的比重，反映资金在不同风格板块间的分布情况[17]。 * **因子具体构建过程**：计算该指数当天的总成交金额除以中证全指当天的总成交金额[18]。 $$交易金额占比 = \frac{指数当日交易金额}{中证全指当日交易金额} \times 100\%$$ 5. **因子名称**：破净率因子[54] * **因子构建思路**：统计指数成分股中市净率（PB）小于1的个股数量占比，用以衡量市场整体或特定板块的估值低估程度和悲观情绪[54][56]。 * **因子具体构建过程**： 1. 判断成分股是否“破净”：对于指数中的每一个成分股，计算其市净率（股价/每股净资产），若市净率 < 1，则判定为破净股[54]。 2. 计算破净率：破净个股数量除以指数成分股总数量[57]。 $$破净率 = \frac{破净个股数}{指数成分股总数} \times 100\%$$ 模型的回测效果 *本报告为市场数据跟踪报告，未提供量化模型的历史回测绩效指标（如年化收益率、夏普比率、最大回撤等）。报告主要展示各模型/因子在特定时点（2026年2月2日）的截面分析结果和近期历史统计特征[31][43][53]。* 因子的回测效果 *本报告为市场数据跟踪报告，未提供量化因子的历史IC、IR、多空收益等传统因子测试结果。报告主要展示各因子在特定时点（2026年2月2日）的截面取值和近期历史统计特征[14][17][31][43][53][57]。* 1. **均线比较因子**：2026年2月2日，所有跟踪指数同时跌破5、10、20日均线；上证50和沪深300跌破了60日均线[13]。具体相对位置参见表2[14]。 2. **近250日高位回撤因子**：2026年2月2日，中证500距离其近250日高位回撤了6.6%，中证1000回撤了5.9%[13][14]。 3. **换手率因子**：2026年2月2日，各宽基指数换手率分别为：中证2000 (4.26)、创业板指 (3.85)、中证1000 (3.1)、中证500 (2.68)、中证全指 (2.15)、沪深300 (0.92)、上证50 (0.48)[17]。 4. **交易金额占比因子**：2026年2月2日，沪深300交易金额占比最高（28.38%），其次为中证500（21.35%）和中证2000（20.52%）[17]。 5. **破净率因子**：当前（报告时点），各指数破净率为：上证50 (24.0%)、沪深300 (16.67%)、中证500 (11.0%)、中证1000 (7.0%)、中证2000 (2.7%)、中证全指 (5.66%)[57]。

量化模型与构建方式 1. **模型名称**：封板率模型[16] **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数量与最高价涨停股票总数的比例，来衡量市场涨停板的封板质量或资金封板的坚决程度[16] **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[16] 2. 确定当日盘中最高价达到涨停价的股票集合[16] 3. 从该集合中，进一步筛选出当日收盘价也为涨停价的股票[16] 4. 计算封板率，公式为： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[16] 2. **模型名称**：连板率模型[16] **模型构建思路**：通过计算连续两日收盘涨停的股票数量占前一日收盘涨停股票总数的比例，来衡量市场涨停效应的持续性[16] **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[16] 2. 确定前一日（T-1日）收盘涨停的股票集合[16] 3. 从该集合中，筛选出当日（T日）收盘也涨停的股票[16] 4. 计算连板率，公式为： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[16] 3. **因子名称**：大宗交易折价率因子[26] **因子构建思路**：通过计算大宗交易成交总额与按当日市价计算的成交份额总市值的比率，来反映大额交易相对于市场价格的折价或溢价水平，常用于观察大资金的交易情绪和偏好[26] **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金额和成交数量[26] 2. 计算大宗交易总成交金额（Sum_Amount）[26] 3. 对于每笔大宗交易，用其成交数量乘以该证券当日的收盘价（或成交均价），得到按市价计算的该笔交易市值，然后加总所有交易的按市价计算市值（Sum_MarketValue）[26] 4. 计算折价率，公式为： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[26] 其中，“当日成交份额的总市值”即步骤3中计算得到的Sum_MarketValue。当结果为负时表示折价交易，为正时表示溢价交易[26]。 4. **因子名称**：股指期货年化贴水率因子[28] **因子构建思路**：通过计算股指期货价格与现货指数价格之间的基差，并进行年化处理，来衡量股指期货相对于现货指数的升贴水程度，用于反映市场对未来预期、对冲成本及市场情绪[28] **因子具体构建过程**： 1. 选定标的指数（如上证50、沪深300等）及其对应的股指期货主力合约[28] 2. 获取该股指期货主力合约的结算价或收盘价（F）以及标的指数的收盘价（S）[28] 3. 计算基差（Basis）：Basis = F - S[28] 4. 获取该期货合约的剩余交易日数（T）[28] 5. 计算年化贴水率，公式为： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[28] 其中，指数价格为S，250为一年的大致交易日数。计算结果为正表示年化升水，为负表示年化贴水[28]。 模型的回测效果 1. 封板率模型，20260202当日封板率61%[16] 2. 封板率模型，较前日下降4%[16] 3. 连板率模型，20260202当日连板率20%[16] 4. 连板率模型，较前日提升10%[16] 因子的回测效果 1. 大宗交易折价率因子，近半年以来平均折价率6.93%[26] 2. 大宗交易折价率因子，20260130当日折价率6.41%[26] 3. 股指期货年化贴水率因子（上证50），近一年以来中位数为0.63%[28] 4. 股指期货年化贴水率因子（上证50），20260202当日年化升水率为0.32%[28] 5. 股指期货年化贴水率因子（上证50），当日处于近一年来72%分位点[28] 6. 股指期货年化贴水率因子（沪深300），近一年以来中位数为3.79%[28] 7. 股指期货年化贴水率因子（沪深300），20260202当日年化贴水率为5.54%[28] 8. 股指期货年化贴水率因子（沪深300），当日处于近一年来33%分位点[28] 9. 股指期货年化贴水率因子（中证500），近一年以来中位数为11.15%[28] 10. 股指期货年化贴水率因子（中证500），20260202当日年化贴水率为14.87%[28] 11. 股指期货年化贴水率因子（中证500），当日处于近一年来30%分位点[28] 12. 股指期货年化贴水率因子（中证1000），近一年以来中位数为13.61%[28] 13. 股指期货年化贴水率因子（中证1000），20260202当日年化贴水率为11.60%[28] 14. 股指期货年化贴水率因子（中证1000），当日处于近一年来65%分位点[28]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：市场情绪监测模型**[13][14][16] * **模型构建思路：** 通过统计市场中涨停、跌停股票的数量及其后续表现，以及股票的封板与连板情况，来量化评估市场的短期投机情绪和赚钱效应[13][14][16]。 * **模型具体构建过程：** * **日内涨跌停家数统计：** 统计上市满3个月以上的股票在交易日盘中和收盘时的涨停、跌停股票数量[13]。 * **昨日涨跌停股今日表现统计：** 统计上市满3个月以上且昨日收盘涨停或跌停的股票在今日的收盘收益率[14]。 * **封板率计算：** 计算最高价涨停且收盘涨停的股票数占最高价涨停的股票总数的比例[16]。 * $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[16] * **连板率计算：** 计算连续两日收盘涨停的股票数占昨日收盘涨停的股票总数的比例[16]。 * $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[16] 2. **模型名称：市场资金流向监测模型**[19][22][26][28] * **模型构建思路：** 通过分析融资融券余额及交易占比、大宗交易折溢价、股指期货升贴水等数据，从不同维度监测市场资金面的松紧、大资金动向以及衍生品市场对未来走势的预期[19][22][26][28]。 * **模型具体构建过程：** * **两融余额与交易占比计算：** 计算融资融券余额占A股总流通市值的比重，以及融资买入额与融券卖出额之和占市场总成交额的比例[22]。 * **大宗交易折价率计算：** 统计大宗交易的总成交金额与按当日收盘价计算的成交股份总市值的比率，用以衡量折价幅度[26]。 * $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[26] * **股指期货年化贴水率计算：** 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，以衡量对冲成本或市场预期[28]。 * $$年化贴水率 = \frac{基差}{指数价格} \times \left( \frac{250}{合约剩余交易日数} \right)$$[28] * **机构与陆股通资金流向统计：** 从龙虎榜数据中提取“机构专用席位”和“陆股通”的净流入/流出金额，并排序得到净流入和净流出前十的股票名单[37][38]。 3. **模型名称：折溢价监测模型**[23][26][28] * **模型构建思路：** 通过跟踪ETF、大宗交易和股指期货的折溢价情况，从不同交易品种和市场的价格差异中捕捉市场情绪、资金偏好和套利机会的信号[23][26][28]。 * **模型具体构建过程：** * **ETF折溢价统计：** 筛选日成交额超过100万的境内股票型ETF，计算其场内交易价格与IOPV（基金份额参考净值）或场外净值之间的差异，并列出溢价和折价幅度最大的前十名ETF[23]。 * **大宗交易折价率计算：** 同模型2中的相关部分[26]。 * **股指期货年化贴水率计算：** 同模型2中的相关部分[28]。 模型的回测效果 1. **市场情绪监测模型**，2026年02月02日收盘涨停股票数44只[13]，收盘跌停股票数130只[13]，昨日涨停股票今日收盘收益率0.40%[14]，昨日跌停股票今日收盘收益率-7.34%[14]，封板率61%[16]，连板率20%[16] 2. **市场资金流向监测模型**，截至2026年01月30日两融余额27153亿元[19]，融资余额26987亿元[19]，融券余额166亿元[19]，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9.4%[22] 3. **折溢价监测模型**，2026年01月30日大宗交易折价率6.41%[26]，近半年平均折价率6.93%[26] 量化因子与构建方式 1. **因子名称：ETF折溢价因子**[23] * **因子构建思路：** 利用ETF场内交易价格与基金净值之间的差异构建因子，溢价可能反映市场乐观情绪或套利资金流入，折价则可能反映悲观情绪或套利资金流出[23]。 * **因子具体构建过程：** 对于每只符合条件的ETF，计算其当日收盘价与IOPV（或估算净值）的差值或比率，得到溢价率或折价率[23]。 2. **因子名称：大宗交易折价率因子**[26] * **因子构建思路：** 通过大宗交易成交价相对于市价的折价幅度构建因子，较高的折价率可能意味着大股东或机构减持意愿较强，或市场承接力不足[26]。 * **因子具体构建过程：** 对于发生大宗交易的股票，根据其大宗交易总成交金额和按当日收盘价计算的成交股份总市值，计算折价率[26]。 * $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[26] 3. **因子名称：股指期货年化贴水率因子**[28] * **因子构建思路：** 利用不同股指期货主力合约相对于其标的指数的年化贴水率构建因子，贴水率的高低反映了市场对未来的预期以及股指对冲的成本，常用于市场情绪和风格判断[28]。 * **因子具体构建过程：** 分别计算上证50、沪深300、中证500、中证1000股指期货主力合约的年化贴水率[28]。 * $$年化贴水率 = \frac{基差}{指数价格} \times \left( \frac{250}{合约剩余交易日数} \right)$$[28] 4. **因子名称：机构调研热度因子**[31] * **因子构建思路：** 统计近期对上市公司进行调研的机构数量，构建反映机构关注度的因子，通常较高的调研热度可能预示着机构对该公司的兴趣增加[31]。 * **因子具体构建过程：** 统计近7天内（或近一周）对每家上市公司进行调研或参加分析师会议的机构家数[31]。 5. **因子名称：龙虎榜机构资金净流入因子**[37] * **因子构建思路：** 基于龙虎榜中“机构专用席位”的买卖数据，构建反映机构资金当日净流入强度的因子，通常用于捕捉机构资金的短期动向[37]。 * **因子具体构建过程：** 对于登上龙虎榜的股票，计算其“机构专用席位”买入总金额与卖出总金额的差值，得到净流入金额[37]。 6. **因子名称：龙虎榜陆股通资金净流入因子**[38] * **因子构建思路：** 基于龙虎榜中“陆股通”的买卖数据，构建反映北向资金当日净流入强度的因子，用于观察外资的短期交易行为[38]。 * **因子具体构建过程：** 对于登上龙虎榜的股票，计算其“陆股通”买入总金额与卖出总金额的差值，得到净流入金额[38]。 因子的回测效果 1. **ETF折溢价因子**，2026年01月30日溢价最多ETF：G60创新ETF申万菱信（溢价1.97%）[23]，折价最多ETF：现金流500ETF（折价2.21%）[23] 2. **大宗交易折价率因子**，2026年01月30日当日折价率6.41%[26]，近半年平均折价率6.93%[26] 3. **股指期货年化贴水率因子**，近一年中位数：上证50为0.63%[28]，沪深300为3.79%[28]，中证500为11.15%[28]，中证1000为13.61%[28]；2026年02月02日值：上证50年化升水率0.32%[28]，沪深300年化贴水率5.54%[28]，中证500年化贴水率14.87%[28]，中证1000年化贴水率11.60%[28] 4. **机构调研热度因子**，近一周调研机构较多公司示例：英唐智控（196家）[31]，精智达[31]，九号公司-WD[31] 5. **龙虎榜机构资金净流入因子**，2026年02月02日机构净流入前十股票示例：通源石油、通光线缆、卫星化学等[37]；机构净流出前十股票示例：盛屯矿业、开普云、锡业股份等[37] 6. **龙虎榜陆股通资金净流入因子**，2026年02月02日陆股通净流入前十股票示例：锡业股份、盛屯矿业、卫星化学等[38]；陆股通净流出前十股票示例：湖南黄金、深科技、天龙集团等[38]

量化模型与因子总结 量化因子与构建方式 **注：** 本报告为因子跟踪月报，主要展示了大量因子的表现结果，但未详细阐述每个因子的具体构建公式和过程。以下根据报告内容，对提及的因子进行分类和总结。 1. 深度学习因子 1. **因子名称**：agru_dailyquote[4][55] * **因子方向**：正 * **构建思路**：基于日频行情数据，使用AGRU（可能为注意力门控循环单元）深度学习模型构建的Alpha因子。 2. **因子名称**：DL_1[4][55] * **因子方向**：正 * **构建思路**：使用深度学习模型构建的Alpha因子。 3. **因子名称**：fimage[4][55] * **因子方向**：正 * **构建思路**：基于图像数据的深度学习因子。 2. Level-2高频因子 (重点时段类) 1. **因子名称**：keyperiod_ret_zero[4][55] * **因子方向**：负 * **构建思路**：基于Level-2数据，在重点时段构建的收益率相关因子。 2. **因子名称**：keyperiod_ret_low5pct[55] * **因子方向**：正 * **构建思路**：基于Level-2数据，在重点时段构建的与低分位数收益率相关的因子。 3. **因子名称**：keyperiod_price_low5pct[55] * **因子方向**：正 * **构建思路**：基于Level-2数据，在重点时段构建的与低分位数价格相关的因子。 4. **因子名称**：keyperiod_amount_top30pct[55] * **因子方向**：正 * **构建思路**：基于Level-2数据，在重点时段构建的与高成交额分位数相关的因子。 5. **因子名称**：keyperiod_amount_low50pct[55] * **因子方向**：负 * **构建思路**：基于Level-2数据，在重点时段构建的与低成交额分位数相关的因子。 6. **因子名称**：keyperiod_sync_low50pct[55] * **因子方向**：正 * **构建思路**：基于Level-2数据，在重点时段构建的与低同步性分位数相关的因子。 3. Level-2高频因子 (大小单类) 1. **因子名称**：bigbuy[55] * **因子方向**：正 * **构建思路**：基于Level-2大单买入数据构建的因子。 2. **因子名称**：bigsell[55] * **因子方向**：正 * **构建思路**：基于Level-2大单卖出数据构建的因子。 3. **因子名称**：bigbuy_bigsell[55] * **因子方向**：正 * **构建思路**：结合大单买入和大单卖出数据构建的复合因子。 4. **因子名称**：bigbuy_bigsell_H1[55] * **因子方向**：正 * **构建思路**：在特定时段（如开盘后第一小时H1）计算的大单买卖复合因子。 5. **因子名称**：bigbuy_bigsell_H8[55] * **因子方向**：正 * **构建思路**：在特定时段（如收盘前最后一小时H8）计算的大单买卖复合因子。 6. **因子名称**：integrated_bigsmall[55] * **因子方向**：正 * **构建思路**：综合大小单信息构建的集成因子。 4. Level-2高频因子 (长短单类) 1. **因子名称**：longbuy[55] * **因子方向**：正 * **构建思路**：基于Level-2长单买入数据构建的因子。 2. **因子名称**：longsell[55] * **因子方向**：正 * **构建思路**：基于Level-2长单卖出数据构建的因子。 3. **因子名称**：longbuy_longsell[55] * **因子方向**：正 * **构建思路**：结合长单买入和长单卖出数据构建的复合因子。 4. **因子名称**：longbuy_shortsell[55] * **因子方向**：正 * **构建思路**：结合长单买入和短单卖出数据构建的复合因子。 5. **因子名称**：shortbuy_longsell[55] * **因子方向**：正 * **构建思路**：结合短单买入和长单卖出数据构建的复合因子。 6. **因子名称**：shortbuy_shortsell[55] * **因子方向**：负 * **构建思路**：结合短单买入和短单卖出数据构建的复合因子。 7. **因子名称**：integrated_longshort[55] * **因子方向**：正 * **构建思路**：综合长短单信息构建的集成因子。 5. Level-2高频因子 (大小长短单复合类) 1. **因子名称**：bigbuy_longbuy_bigsell_longsell[55] * **因子方向**：正 * **构建思路**：综合大单、长单的买入卖出信息构建的复合因子。 2. **因子名称**：bigbuy_longbuy_bigsell_shortsell[55] * **因子方向**：正 * **构建思路**：综合大单买入、长单买入、大单卖出、短单卖出信息构建的复合因子。 3. **因子名称**：bigbuy_shortbuy_bigsell_longsell[55] * **因子方向**：正 * **构建思路**：综合大单买入、短单买入、大单卖出、长单卖出信息构建的复合因子。 4. **因子名称**：bigbuy_shortbuy_bigsell_shortsell[55] * **因子方向**：正 * **构建思路**：综合大单、短单的买入卖出信息构建的复合因子。 5. **因子名称**：bigbuy_shortbuy_bigsell_shortsell_H1[55] * **因子方向**：正 * **构建思路**：在特定时段（如H1）计算的大小长短单复合因子。 6. **因子名称**：integrated_bigsmall_longshort[55] * **因子方向**：正 * **构建思路**：综合大小单和长短单信息构建的集成因子。 6. Level-2高频因子 (集合竞价类) 1. **因子名称**：transaction_order_ratio_oa1[55] * **因子方向**：负 * **构建思路**：基于开盘集合竞价阶段的成交与委托比例构建的因子。 2. **因子名称**：withdrew_order_ratio_oa1[55] * **因子方向**：负 * **构建思路**：基于开盘集合竞价阶段的撤单与委托比例构建的因子。 3. **因子名称**：transaction_order_ratio_oa2[55] * **因子方向**：负 * **构建思路**：基于收盘集合竞价阶段的成交与委托比例构建的因子。 4. **因子名称**：transaction_order_ratio_oa[55] * **因子方向**：负 * **构建思路**：综合集合竞价信息构建的成交委托比因子。 5. **因子名称**：selltransaction_sellorder_ratio_ca[55] * **因子方向**：负 * **构建思路**：基于集合竞价的卖出成交与卖出委托比例构建的因子。 7. Level-2高频因子 (市价单类) 1. **因子名称**：marketorder_ratio[55] * **因子方向**：负 * **构建思路**：市价单占比因子。 2. **因子名称**：marketbuyorder_limitbuyorder_ratio[55] * **因子方向**：负 * **构建思路**：市价买单与限价买单的比例因子。 3. **因子名称**：marketbuyorder_limitsellorder_ratio[55] * **因子方向**：负 * **构建思路**：市价买单与限价卖单的比例因子。 4. **因子名称**：marketsellorder_limitbuyorder_ratio[55] * **因子方向**：负 * **构建思路**：市价卖单与限价买单的比例因子。 5. **因子名称**：marketsellorder_limitsellorder_ratio[55] * **因子方向**：负 * **构建思路**：市价卖单与限价卖单的比例因子。 8. 分钟频因子 (日内价格相关) 1. **因子名称**：real_var[4][55] * **因子方向**：负 * **构建思路**：基于分钟频数据计算的日内已实现方差。 2. **因子名称**：real_skew[55] * **因子方向**：负 * **构建思路**：基于分钟频数据计算的日内已实现偏度。 3. **因子名称**：real_kurtosis[55] * **因子方向**：负 * **构建思路**：基于分钟频数据计算的日内已实现峰度。 4. **因子名称**：real_upvar[55] * **因子方向**：负 * **构建思路**：基于分钟频上涨阶段计算的已实现方差。 5. **因子名称**：real_downvar[55] * **因子方向**：负 * **构建思路**：基于分钟频下跌阶段计算的已实现方差。 6. **因子名称**：ratio_realupvar[55] * **因子方向**：负 * **构建思路**：上涨方差与总方差的比率。 7. **因子名称**：ratio_realdownvar[55] * **因子方向**：正 * **构建思路**：下跌方差与总方差的比率。 8. **因子名称**：trendratio[55] * **因子方向**：负 * **构建思路**：趋势比率因子。 9. **因子名称**：ret_intraday[55] * **因子方向**：负 * **构建思路**：日内收益率因子。 10. **因子名称**：intraday_maxdrawdown[55] * **因子方向**：正 * **构建思路**：日内最大回撤因子。 9. 分钟频因子 (成交量相关) 1. **因子名称**：ratio_volumeH1[55] * **因子方向**：负 * **构建思路**：特定时段（如H1）成交量与全天成交量的比率。 2. **因子名称**：ratio_volumeH2[55] * **因子方向**：正 * **构建思路**：特定时段（如H2）成交量与全天成交量的比率。 3. **因子名称**：ratio_volumeH3[55] * **因子方向**：正 * **构建思路**：特定时段（如H3）成交量与全天成交量的比率。 4. **因子名称**：ratio_volumeH4[55] * **因子方向**：正 * **构建思路**：特定时段（如H4）成交量与全天成交量的比率。 5. **因子名称**：ratio_volumeH5[55] * **因子方向**：正 * **构建思路**：特定时段（如H5）成交量与全天成交量的比率。 6. **因子名称**：ratio_volumeH6[55] * **因子方向**：正 * **构建思路**：特定时段（如H6）成交量与全天成交量的比率。 7. **因子名称**：ratio_volumeH7[55] * **因子方向**：正 * **构建思路**：特定时段（如H7）成交量与全天成交量的比率。 8. **因子名称**：ratio_volumeH8[55] * **因子方向**：负 * **构建思路**：特定时段（如H8）成交量与全天成交量的比率。 9. **因子名称**：corr_VP[55] * **因子方向**：负 * **构建思路**：成交量与价格的相关系数。 10. **因子名称**：corr_VR[55] * **因子方向**：负 * **构建思路**：成交量与收益率的相关系数。 11. **因子名称**：corr_VRlag[55] * **因子方向**：负 * **构建思路**：成交量与滞后收益率的相关系数。 12. **因子名称**：corr_VRlead[55] * **因子方向**：正 * **构建思路**：成交量与领先收益率的相关系数。 13. **因子名称**：Amihud_illiq[55] * **因子方向**：正 * **构建思路**：Amihud非流动性指标，衡量单位成交金额引起的价格冲击。 10. 分钟频因子 (盘前相关) 1. **因子名称**：ret_overnight[55] * **因子方向**：正 * **构建思路**：隔夜收益率因子。 2. **因子名称**：ret_open2AH1[55] * **因子方向**：正 * **构建思路**：开盘价至上午某高点（AH1）的收益率。 3. **因子名称**：ret_open2AL1[55] * **因子方向**：正 * **构建思路**：开盘价至上午某低点（AL1）的收益率。 4. **因子名称**：ret_open2AH2[55] * **因子方向**：正 * **构建思路**：开盘价至下午某高点（AH2）的收益率。 5. **因子名称**：ret_open2AL2[55] * **因子方向**：负 * **构建思路**：开盘价至下午某低点（AL2）的收益率。 6. **因子名称**：diverge_A1[55] * **因子方向**：负 * **构建思路**：盘前分歧度因子A1。 7. **因子名称**：diverge_A2[55] * **因子方向**：负 * **构建思路**：盘前分歧度因子A2。 11. 分钟频因子 (开盘后相关) 1. **因子名称**：ret_H1[55] * **因子方向**：负 * **构建思路**：开盘后第一小时（H1）收益率。 2. **因子名称**：ret_close2H1[55] * **因子方向**：负 * **构建思路**：收盘前某时段至收盘的收益率。 3. **因子名称**：corr_VPH1[55] * **因子方向**：负 * **构建思路**：开盘后第一小时（H1）成交量与价格的相关系数。 4. **因子名称**：corr_VRH1[55] * **因子方向**：正 * **构建思路**：开盘后第一小时（H1）成交量与收益率的相关系数。 5. **因子名称**：corr_VRleadH1[55] * **因子方向**：正 * **构建思路**：开盘后第一小时（H1）成交量与领先收益率的相关系数。 6. **因子名称**：corr_VRlagH1[55] * **因子方向**：负 * **构建思路**：开盘后第一小时（H1）成交量与滞后收益率的相关系数。 7. **因子名称**：real_varH1[55] * **因子方向**：负 * **构建思路**：开盘后第一小时（H1）的已实现方差。 8. **因子名称**：real_skewH1[55] * **因子方向**：负 * **构建思路**：开盘后第一小时（H1）的已实现偏度。 9. **因子名称**：real_kurtosisH1[55] * **因子方向**：正 * **构建思路**：开盘后第一小时（H1）的已实现峰度。 12. 分钟频因子 (收盘前相关) 1. **因子名称**：ret_H8[55] * **因子方向**：负 * **构建思路**：收盘前最后一小时（H8）收益率。 2. **因子名称**：corr_VPH8[55] * **因子方向**：负 * **构建思路**：收盘前最后一小时（H8）成交量与价格的相关系数。 3. **因子名称**：corr_VRH8[55] * **因子方向**：负 * **构建思路**：收盘前最后一小时（H8）成交量与收益率的相关系数。 4. **因子名称**：corr_VRleadH8[55] * **因子方向**：负 * **构建思路**：收盘前最后一小时（H8）成交量与领先收益率的相关系数。 5. **因子名称**：corr_VRlagH8[55] * **因子方向**：负 * **构建思路**：收盘

量化模型与构建方式 1. **模型名称：宏观指标趋势模型** [17] * **模型构建思路**：通过统计检验方法（T检验），判断单个宏观指标的趋势（上行或下行）是否对大类资产未来一个月的收益率有显著影响，并以此为基础构建打分模型[17]。 * **模型具体构建过程**： 1. 对于每个宏观指标，计算其不同周期的历史月度均线，并根据该均线判断指标在每个月处于“趋势上行”或“趋势下行”状态[17][18]。 2. 分别统计在宏观指标“趋势上行”和“趋势下行”两种情况下，对应大类资产未来1个自然月的月度收益率序列[17]。 3. 对上述两个收益率序列进行T检验，计算t值。t值越大，表明该宏观指标的趋势变化对该大类资产未来表现的影响越显著[17]。 4. 筛选出历史上t值显著（即影响显著）的宏观指标，用于后续月度打分[17]。 5. 每月末，根据筛选出的宏观指标的当前趋势方向（上行记+1分，下行记-1分）及其对资产的影响方向（正向或负向），计算每个大类资产的宏观视角总得分[31]。 * **T检验公式**： $$t={\frac{{\overline{{R_{1}}}}-{\overline{{R_{2}}}}}{\sqrt{\frac{(n_{1}-1){S_{1}}^{2}+(n_{2}-1){S_{2}}^{2}}{n_{1}+n_{2}-2}}({\frac{1}{n_{1}}}+{\frac{1}{n_{2}}})}}\sim t_{n_{1}+n_{2}-2}$$ 其中，$\overline{R_1}$、$\overline{R_2}$分别代表宏观指标在趋势上行和趋势下行的不同情况下，某个大类资产未来1个自然月的平均月度收益率；$S_1$、$S_2$代表对应情况下收益率的标准差；$n_1$、$n_2$分别代表宏观指标处于趋势上行或趋势下行的月份数量[17]。 2. **因子名称：技术视角-趋势因子** [22] * **因子构建思路**：基于大类资产价格（收盘价或LLT指标）计算历史平均涨跌幅，以此判断资产价格的趋势方向，并转化为打分信号[22]。 * **因子具体构建过程**：对于不同大类资产，采用不同的计算周期（如2个月、6个月等）计算其价格的平均月度涨跌幅[33]。具体为： 1. **权益资产**：使用“历史2个月LLT平均月度涨跌幅”与“历史(T-12至T-2)个月LLT平均月度涨跌幅”进行比较判断[33]。 2. **债券、黄金、工业品资产**：使用“历史N个月收盘价平均月度涨跌幅”与更长期的历史平均涨跌幅进行比较判断（N取2或6）[33]。 3. 若计算出的趋势指标为正，则认为趋势向上，记+1分；若为负，则认为趋势向下，记-1分[22]。 3. **因子名称：技术视角-估值因子** [23] * **因子构建思路**：计算股权风险溢价（ERP）及其历史分位数，以此衡量权益资产的估值水平，并根据分位数区间进行打分[23][25]。 * **因子具体构建过程**： 1. 计算股权风险溢价（ERP）：ERP = 中证800指数PE(TTM)的倒数 - 10年期国债到期收益率[23]。 2. 计算ERP的历史5年分位数：分位数 = (当前ERP值 - 历史5年ERP最低值) / (历史5年ERP最高值 - 历史5年ERP最低值)[23]。 3. 根据分位数所在区间赋予估值得分：高于90%为+2分，70%-90%为+1分，30%-70%为0分，10%-30%为-1分，低于10%为-2分[25]。 4. **因子名称：技术视角-资金流因子** [26] * **因子构建思路**：通过计算指数月度主动净流入额的边际变化，来衡量权益资产资金面的整体情况，并转化为打分信号[26]。 * **因子具体构建过程**： 1. 以日度频率计算个股的主动净流入额，并加总得到指数月度主动净流入额[26]。 2. 计算该月度主动净流入额数据的边际变化（报告未明确具体计算公式，通常为当期值与历史均值或前期值的比较）[26]。 3. 若资金流指标为正，则认为资金面边际改善及资金流入，记+1分；若为负，则认为资金面边际恶化及资金流出，记-1分[26]。 5. **模型名称：综合打分配置模型** [35] * **模型构建思路**：结合宏观视角和技术视角的月度打分结果，形成对各大类资产或权益风格的最终观点，并以此调整基准配置组合的权重，构建主动配置组合[35]。 * **模型具体构建过程**： 1. **观点生成**：对每个大类资产或权益风格，分别计算其宏观视角总得分（相关宏观指标得分之和）和技术视角总得分（趋势、估值、资金流等得分之和），两者相加得到最新总得分，根据总得分形成“看好”、“看空”或“看平”等观点[35][56]。 2. **组合构建**： * **设定基准组合**：为各大类资产或权益风格设定固定的基准配置权重[35][57]。 * **权重调整**：根据月度最新信号（观点），对看好的资产/风格在其基准权重上增加一个固定的“调整权重”，对看空的资产/风格则减少相应的“调整权重”，并相应调整货币资产或另一风格资产的配置比例以保持总权重为100%[35][36][57]。 * 报告展示了三种基准组合的增强版本： a. **固定比例+宏观/技术指标组合**：在固定权重基准组合（权益20%、债券60%、商品15%、货币5%）上，根据宏观或技术指标信号调整[36]。 b. **控制年化波动率6%+宏观指标+技术指标组合**：在控制组合年化波动率不超过6%的基准权重上，根据宏观和技术指标信号调整[46]。 c. **风险平价+宏观指标+技术指标组合**：在风险平价模型确定的基准权重上，根据宏观和技术指标信号调整[46]。 模型的回测效果 1. **固定比例+宏观指标+技术指标组合** [40][44] * 年化收益率：10.20%[40] * 最大回撤：9.27%[40] * 年化波动率：6.14%[40] * 2026年1月收益率：3.75%[36] 2. **控制年化波动率6%+宏观指标+技术指标组合** [50][51] * 年化收益率：10.46%[50] * 最大回撤：7.37%[50] * 年化波动率：5.54%[50] * 2026年1月收益率：5.60%[51] 3. **风险平价+宏观指标+技术指标组合** [50][51] * 年化收益率：8.29%[50] * 最大回撤：4.58%[50] * 年化波动率：3.39%[50] * 2026年1月收益率：2.01%[51] 4. **大小盘轮动组合** [61][62] * 年化收益率：14.30%[61] * 最大回撤：49.10%[61] * 年化波动率：22.30%[61] * 2026年1月收益率：8.47%，超额收益（相对基准）2.54%[62] 5. **成长价值轮动组合** [68] * 年化收益率：14.43%[68] * 最大回撤：45.18%[68] * 年化波动率：21.57%[68] * 2026年1月收益率：5.66%，超额收益（相对基准）1.51%[68]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：封板率[16]** * **因子构建思路：** 用于衡量市场涨停股票的封板质量，即那些盘中触及涨停的股票，最终能够维持涨停至收盘的比例[16]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票[16]。 2. 在每个交易日，统计满足以下两个条件的股票数量： * 条件A：当日最高价达到涨停价[16]。 * 条件B：当日收盘价达到涨停价[16]。 3. 封板率计算公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[16] 2. **因子名称：连板率[16]** * **因子构建思路：** 用于衡量市场涨停效应的持续性，即前一日涨停的股票，在下一交易日继续涨停的比例[16]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票[16]。 2. 在每个交易日，统计满足以下两个条件的股票数量： * 条件A：该股票在昨日（T-1日）收盘涨停[16]。 * 条件B：该股票在今日（T日）收盘涨停[16]。 3. 连板率计算公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[16] 3. **因子名称：大宗交易折价率[26]** * **因子构建思路：** 通过计算大宗交易成交价相对于市价的折价幅度，来反映大资金的投资偏好和市场情绪[26]。 * **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金额和成交份额[26]。 2. 计算当日大宗交易的总成交金额[26]。 3. 计算当日大宗交易成交份额按当日市价计算的总市值[26]。 4. 折价率计算公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[26] 4. **因子名称：股指期货年化贴水率[28]** * **因子构建思路：** 通过计算股指期货主力合约价格相对于现货指数价格的年化基差，来反映市场对未来走势的预期和对冲成本[28]。 * **因子具体构建过程：** 1. 选定标的指数（如上证50、沪深300等）及其对应的股指期货主力合约[28]。 2. 计算基差：基差 = 股指期货价格 - 现货指数价格[28]。 3. 年化贴水率计算公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[28] 4. 当计算结果为正时，表示年化升水；为负时，表示年化贴水[28]。 因子与模型的效果指标取值 1. **封板率因子**，20260202当日取值：61%[16] 2. **连板率因子**，20260202当日取值：20%[16] 3. **大宗交易折价率因子**，20260130当日取值：6.41%[26]；近半年以来平均取值：6.93%[26] 4. **股指期货年化贴水率因子** * **上证50股指期货**，20260202当日取值：年化升水率0.32%[28]；近一年中位数：年化贴水率0.63%[28] * **沪深300股指期货**，20260202当日取值：年化贴水率5.54%[28]；近一年中位数：年化贴水率3.79%[28] * **中证500股指期货**，20260202当日取值：年化贴水率14.87%[28]；近一年中位数：年化贴水率11.15%[28] * **中证1000股指期货**，20260202当日取值：年化贴水率11.60%[28]；近一年中位数：年化贴水率13.61%[28]

量化模型与构建方式 **注：** 本报告为ESG市场观察周报，主要内容为政策、市场动态与舆情追踪，**未涉及**具体的量化选股模型或多因子模型的构建、测试与评价。报告中对市场板块的分类和资金流向分析，可视为一种用于市场观察的**分类框架**，而非用于产生超额收益的量化因子或模型。 1. **分类框架名称：绿色转型板块分类框架**[31] * **构建思路：** 为了便于追踪不同行业在碳中和进程中的资金流向，根据各行业在碳减排链条中的功能定位，将与绿色或转型相关的行业划分为三个类别。[31] * **具体构建过程：** 该分类基于行业功能定位进行划分，并非严格的环境绩效评价。具体分类标准如下：[31][33] 1. **低碳核心板块：** 涵盖直接贡献碳减排的行业，是新能源发电、绿色出行及减污降碳的核心环节。包括电力设备、环保，以及公用事业和汽车行业的部分领域。[33] 2. **低碳支撑板块：** 涵盖为产业绿色转型提供数字化、自动化和智能化支撑的行业，是提升社会整体能效与资源利用效率的关键赋能方。包括计算机、通信、电子及机械设备的部分领域。[33] 3. **转型主体板块：** 涵盖能源消耗强度高、排放基数大的重点减排领域，也是转型金融政策优先关注的对象。包括火电、煤炭、钢铁、有色金属、化工等多个领域。[33] 模型的回测效果 **注：** 报告未提供任何量化模型的回测效果数据。 量化因子与构建方式 **注：** 报告未涉及用于选股或定价的量化因子的构建与测试。 因子的回测效果 **注：** 报告未提供任何量化因子的回测效果数据。

量化模型与因子总结 根据提供的研报内容，这是一份关于公募基金业绩比较基准要素库的政策点评报告，并非传统的量化策略或因子研究。报告的核心是分析新发布的基准要素库对市场的影响，并未涉及具体的量化模型、因子构建、回测或效果评价。 因此，报告中**没有**涉及以下内容： 1. 量化模型的名称、构建思路、具体过程或评价。 2. 量化因子的名称、构建思路、具体过程或评价。 3. 模型或因子在历史数据上的回测效果（如年化收益率、夏普比率、信息比率IR、最大回撤等指标）。 报告的主要内容聚焦于： * **事件描述**：基金业协会发布了公募基金业绩比较基准要素库（一类库、二类库）及运作说明[2][5][12]。 * **入库标准分析**：详细阐述了一类库和二类库的入库条件，例如对指数成份证券数量、权重集中度、市值规模、使用率等的要求[13][14][16]。 * **市场覆盖分析**：统计并分析了当前主动权益基金、被动及增强基金对基准要素库的覆盖情况，指出一类库覆盖了约89.27%的主动权益基金，而二类库覆盖约10.21%[8][24][26]。 * **结论与展望**：认为一类库覆盖度高，可能不会引发大量基准调整；随着规范化推进，二类库覆盖度有望提升；被动及增强基金可能加大对覆盖薄弱基准指数的配置[8][25]。 **总结**：本研报属于政策解读与市场数据分析范畴，不包含可总结的量化模型或因子。