量化模型与构建方式 1. **模型名称：A股景气指数模型**[41] * **模型构建思路**：以上证指数归母净利润同比作为Nowcasting目标，构建一个能够高频反映A股景气度的指数，用于观测景气周期的变化[41]。 * **模型具体构建过程**：报告未提供该指数的具体构建公式和详细步骤，仅提及构建详情需参考另一篇报告《视角透析：A股景气度高频指数构建与观察》[41]。 2. **模型名称：A股情绪指数模型**[46] * **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，以判断市场见底和见顶的信号[46]。 * **模型具体构建过程**：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。其中，“波动上行-成交下行”的区间被识别为显著负收益区间，其余三个象限为显著正收益区间。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[46]。 3. **模型名称：主题挖掘算法模型**[59] * **模型构建思路**：通过处理新闻和研报文本，提取主题、挖掘主题与个股关系，并构建主题活跃周期和影响力因子，以识别和推荐主题投资机会[59]。 * **模型具体构建过程**：报告未提供该算法的具体构建公式和详细步骤，仅描述了其包含的多个处理维度：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[59]。 4. **模型名称：中证500指数增强模型**[59] * **模型构建思路**：通过量化策略模型构建投资组合，旨在持续跑赢中证500指数基准[59]。 * **模型具体构建过程**：报告未提供该增强模型的具体因子构成、权重配置或优化算法等构建细节，仅展示了其持仓组合和业绩表现[59][62][64]。 5. **模型名称：沪深300指数增强模型**[65] * **模型构建思路**：通过量化策略模型构建投资组合，旨在持续跑赢沪深300指数基准[65]。 * **模型具体构建过程**：报告未提供该增强模型的具体因子构成、权重配置或优化算法等构建细节，仅展示了其持仓组合和业绩表现[65][70]。 量化因子与构建方式 1. **因子体系：BARRA风格因子体系**[71] * **因子构建思路**：参照国际通用的BARRA因子模型框架，对A股市场构建一套全面的风格因子体系，用于解释股票收益和进行组合分析[71]。 * **因子具体构建过程**：报告列出了十大类风格因子的名称，但未提供每个因子的具体计算公式。这十大类因子包括：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）[71]。 模型的回测效果 1. **A股情绪指数系统择时模型**，报告展示了其择时表现图表，但未提供具体的量化指标值[56]。 2. **中证500增强组合**，截至报告期（2026年4月初），2020年至今累计超额收益51.84%，最大回撤-10.90%[59]。 3. **沪深300增强组合**，截至报告期（2026年4月初），2020年至今累计超额收益44.04%，最大回撤-5.86%[65]。 因子的回测效果 *注：报告提供了近期（近一周）风格因子的表现分析，但未提供长期回测的量化指标（如IC、IR等）。以下为定性描述和近期纯因子收益表现。* 1. **动量（MOM）因子**，近期表现占优，纯因子收益率较高[2][72]。 2. **流动性（LIQUIDITY）因子**，近期呈较为显著的负向超额收益，表现不佳[2][72]。 3. **价值（BTOP）因子**，近期表现不佳[2][72]。 4. **行业因子**：近期医药、通信、银行等行业因子跑出较高超额收益；电力及公用事业、电力设备、煤炭等行业因子回撤较多[2][72]。

量化模型与构建方式 1. **模型名称：A股景气度高频指数[41]** * **模型构建思路：** 以上证指数归母净利润同比为Nowcasting（即时预测）目标，构建一个能够高频追踪A股景气度的指数[41]。 * **模型具体构建过程：** 报告未详细描述该指数的具体构建公式和步骤，仅提及构建目标。详细构建方法需参考其提及的报告《视角透析：A股景气度高频指数构建与观察》[41]。 2. **模型名称：A股情绪指数系统[46][49]** * **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，并构建用于择时的预警信号[46]。 * **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[46]。 2. 通过历史统计发现，只有“波动率上行-成交额下行”的区间为显著负收益，其余象限均为显著正收益[46]。 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[46]。 4. **信号生成规则：** 当市场波动率处于上行区间时，见底信号指向“空”；当成交额处于下行区间时，见顶信号指向“空”[49]。综合两个信号得出对后市的整体观点[49]。 3. **模型名称：主题挖掘算法[59]** * **模型构建思路：** 通过处理新闻和研报文本，从多个维度挖掘和描述主题投资机会[59]。 * **模型具体构建过程：** 报告概述了算法的主要步骤，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[59]。算法最终会推荐近期概念热度异动较高的主题[59]。 4. **模型名称：中证500增强组合模型[59][60]** * **模型构建思路：** 通过量化策略模型构建投资组合，旨在持续跑赢中证500指数基准[59]。 * **模型具体构建过程：** 报告未披露具体的模型公式和选股细节，仅展示了根据该策略模型生成的当前持仓组合[60]。 5. **模型名称：沪深300增强组合模型[65][68]** * **模型构建思路：** 通过量化策略模型构建投资组合，旨在持续跑赢沪深300指数基准[65]。 * **模型具体构建过程：** 报告未披露具体的模型公式和选股细节，仅展示了根据该策略模型生成的当前持仓组合[68]。 模型的回测效果 1. **A股情绪指数系统择时表现**：报告提供了该系统的择时表现图表，但未给出具体的量化指标数值[56]。 2. **中证500增强组合模型**：截至报告期（2026年4月初），本周收益-2.05%，跑赢基准0.57%[59]。2020年至今，累计超额收益51.84%，最大回撤-10.90%[59]。 3. **沪深300增强组合模型**：截至报告期（2026年4月初），本周收益-1.61%，跑输基准0.24%[65]。2020年至今，累计超额收益44.04%，最大回撤-5.86%[65]。 量化因子与构建方式 1. **因子体系：BARRA风格因子体系[71]** * **因子构建思路：** 参照BARRA因子模型，为A股市场构建一套全面的风格因子体系，用于解释股票收益和进行组合归因[71]。 * **因子具体构建过程：** 报告列出了十大类风格因子，但未提供每个因子的具体计算公式。这十类因子包括：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）[71]。 因子的回测效果 1. **风格因子近期表现（纯因子收益）**：报告指出，在风格因子中，动量因子超额收益较高，流动性因子呈现较为显著的负向超额收益[72]。高动量股表现优异，流动性、价值等因子表现不佳[72]。 2. **风格因子暴露相关性**：报告提供了近一周十大类风格因子暴露的相关性矩阵图表[73]。例如，流动性因子分别与Beta、动量、残差波动率呈现明显正相关性；价值因子分别与Beta、残差波动率、流动性等因子呈现明显负相关性[72]。

量化模型与因子总结 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**[74] * **模型构建思路**：使用卷积神经网络（CNN）对图表化的个股价量数据进行建模，学习其与未来价格走势之间的关系，并将学习到的特征映射到行业主题板块中，以识别具有趋势性机会的板块[74]。 * **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[74]。研报中提及了“标准化数据价量图表”，但未给出具体标准化方法和图表生成细节[76]。 2. **模型训练**：基于历史数据，使用卷积神经网络对上述生成的价量图表与未来的价格表现（如涨跌、收益率等）进行建模，训练网络识别对预测未来价格有效的图表特征[74]。 3. **特征映射**：将训练好的CNN模型学习到的特征，应用于行业或主题板块层面的分析，从而判断哪些板块整体上呈现出模型识别的看涨或看跌特征[74]。 4. **输出配置**：模型最终输出当前看好的具体行业主题及对应的细分指数[74][75]。 2. **模型名称：GFTD模型**[78] * **模型构建思路**：报告中仅提及该模型名称及历史择时成功率，未详细说明其构建思路。 3. **模型名称：LLT模型**[78] * **模型构建思路**：报告中仅提及该模型名称及历史择时成功率，未详细说明其构建思路。 量化因子与构建方式 1. **因子名称：新高新低比例因子**[31] * **因子构建思路**：通过统计市场中创近期新高与新低的个股数量占比，来衡量市场的整体强弱和情绪极端程度[31]。 * **因子具体构建过程**： * **新高比例**：计算当日收盘价创近60日新高的个股数量，除以当日总上市个股数量（或样本空间内个股数量）[31]。 * **新低比例**：计算当日收盘价创近60日新低的个股数量，除以当日总上市个股数量（或样本空间内个股数量）[31]。 2. **因子名称：个股均线结构因子**[35] * **因子构建思路**：通过计算处于不同均线排列状态（如多头排列、空头排列）的个股占比，来度量市场整体的技术趋势强度[35]。 * **因子具体构建过程**： * 报告中展示了“均线强弱指标”，其定义为：**多头排列个股占比 减去 空头排列个股占比**[35][36]。 * 具体均线组合（如是否使用5日、10日、20日、60日等均线）及多头、空头排列的定义未在提供内容中详述。 3. **因子名称：宏观因子事件**[49] * **因子构建思路**：选取对市场影响较大的宏观经济指标，将其在最近一段时间内的特定走势模式（如创短期高点、连续下跌等）定义为“事件”，并利用历史数据验证这些事件对未来资产收益率的显著影响，从而作为市场判断的依据[49][50]。 * **因子具体构建过程**： 1. **指标选择**：跟踪25个国内外宏观指标，涵盖货币政策、财政政策、流动性、通胀水平等[49][50]。 2. **事件定义**：定义四类宏观因子事件：短期高低点、连续上涨下跌、创历史新高新低、因子走势反转[50]。 3. **有效性筛选**：从历史数据中回测，筛选出对资产未来收益率影响较为显著的因子事件，即“有效因子事件”[50]。 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的平均收益，以判断当前宏观因子趋势对权益市场的观点（看多或看空）[52][53]。 4. **因子名称：风险溢价因子**[61] * **因子构建思路**：计算股票市场隐含收益率与无风险利率（十年期国债收益率）的差值，用以衡量股票资产相对于债券资产的吸引力[77]。 * **因子具体构建过程**： * 以中证全指为例，风险溢价 = 中证全指静态市盈率（PE_TTM）的倒数（即盈利收益率，EP） - 十年期国债收益率[77]。 * 公式可表示为：$$风险溢价 = \frac{1}{PE_{TTM}} - R_{国债10Y}$$ 5. **因子名称：指数超买超卖因子**[64] * **因子构建思路**：通过特定技术指标（报告中未明确具体是RSI、乖离率或其他）计算主要指数和行业指数的超跌或超买状态，以识别市场短期极端位置[64][68]。 * **因子具体构建过程**：报告中仅展示了“超跌指标统计”图表，未给出该因子的具体计算公式和构建步骤[65][69]。 模型的回测效果 1. **卷积神经网络趋势观察模型**：报告未提供该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。 2. **GFTD模型**：历史择时成功率约为80%[78]。 3. **LLT模型**：历史择时成功率约为80%[78]。 因子的回测效果 1. **新高新低比例因子**：报告未提供该因子的IC值、IR、多空收益等具体测试结果。 2. **个股均线结构因子**：报告未提供该因子的IC值、IR、多空收益等具体测试结果。 3. **宏观因子事件**：报告以表格形式列出了当前部分宏观因子趋势对权益市场未来一个月的影响观点（看多或看空），例如：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[53]。但未提供这些事件因子的历史多空收益或预测胜率等量化回测结果。 4. **风险溢价因子**：报告给出了截至2026年4月3日的具体数值：中证全指风险溢价为2.80%，其历史均值加减两倍标准差的边界分别为4.59%和另一个未明确数值的负向边界[77]。 5. **指数超买超卖因子**：报告未提供该因子的具体数值化测试结果。

量化模型与构建方式 1. **模型名称：量能择时模型**[24][25] * **模型构建思路**：通过监测主要宽基指数的成交量能变化来判断市场短期情绪，为交易提供择时信号[24]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建公式和计算过程，仅给出了基于该模型产生的择时观点[24][25]。 2. **模型名称：沪深300上涨家数占比择时模型**[25][26][27][29] * **模型构建思路**：通过计算沪深300指数成分股中近期取得正收益的股票数量占比，来判断市场情绪和趋势，并基于此构建择时策略[25][26]。 * **模型具体构建过程**： 1. 首先，计算基础指标：沪深300指数N日上涨家数占比。公式为： $$沪深300指数 N 日上涨家数占比 = \frac{沪深300指数成分股过去 N 日收益大于 0 的个股数}{沪深300指数成分股总数}$$[25] 2. 然后，对基础指标进行平滑处理以生成交易信号。取N=230，对基础指标进行窗口期N1=50和N2=35（N1>N2）的移动平均，分别得到慢线和快线[27][29]。 3. 生成交易信号：当快线大于慢线时，看多沪深300指数；当快线小于慢线时，对市场持中性或谨慎态度[27][29]。 3. **模型名称：均线情绪指标择时模型**[34][35][39] * **模型构建思路**：基于沪深300指数收盘价与一组均线（八均线体系）的相对位置关系，构建一个反映市场趋势状态的综合情绪指标，并用于择时[34]。 * **模型具体构建过程**： 1. 首先，计算沪深300指数的八条均线，参数分别为8, 13, 21, 34, 55, 89, 144, 233[35]。 2. 然后，计算当日收盘价大于这八条均线中每一条均线的数量[39]。 3. 生成交易信号：当收盘价大于均线的数量超过5条时，看多沪深300指数[39]。 模型的回测效果 1. 动量情绪指标择时策略（基于沪深300上涨家数占比），策略净值表现见附图[30][31] 2. 均线情绪指标择时策略，策略净值表现见附图[36][37] 量化因子与构建方式 1. **因子名称：横截面波动率**[40][41] * **因子构建思路**：计算特定指数（如沪深300、中证500、中证1000）成分股收益率在截面的离散程度，用于衡量市场分化程度和Alpha策略的潜在盈利环境[40]。 * **因子具体构建过程**：报告未给出该因子的具体计算公式，但指出其用于衡量指数成分股间的收益率离散程度，数值上涨通常意味着短期Alpha环境好转[40]。 2. **因子名称：时间序列波动率**[41][44] * **因子构建思路**：计算特定指数成分股收益率在时间序列上的波动程度，用于衡量市场整体波动风险和Alpha策略环境[41]。 * **因子具体构建过程**：报告未给出该因子的具体计算公式，但指出其用于衡量指数成分股的时序波动，并给出了加权时间序列波动率的结果[41][44]。 3. **因子名称：分离度**[86] * **因子构建思路**：通过计算“抱团基金”组合截面收益率的标准差，来度量基金抱团行为的集中或瓦解程度。标准差小表示抱团程度高，标准差大表示抱团正在瓦解[86]。 * **因子具体构建过程**：报告未给出“抱团基金”组合的具体构建方法和分离度因子的详细计算公式，仅说明了其代理变量为抱团基金截面收益的标准差[86]。 因子的回测效果 1. **横截面波动率因子** * 沪深300横截面波动率：近两年平均值2.02%，近一年平均值2.05%，近半年平均值2.34%，近一季度平均值2.15%[41]。 * 中证500横截面波动率：近两年平均值2.29%，近一年平均值2.32%，近半年平均值2.73%，近一季度平均值2.49%[41]。 * 中证1000横截面波动率：近两年平均值2.51%，近一年平均值2.52%，近半年平均值2.78%，近一季度平均值2.61%[41]。 2. **时间序列波动率因子** * 沪深300时序波动率：近两年平均值0.99%，近一年平均值0.91%，近半年平均值0.91%，近一季度平均值0.95%[44]。 * 中证500时序波动率：近两年平均值1.32%，近一年平均值1.23%，近半年平均值1.48%，近一季度平均值1.36%[44]。 * 中证1000时序波动率：近两年平均值1.47%，近一年平均值1.28%，近半年平均值1.48%，近一季度平均值1.32%[44]。

量化模型与构建方式 1. **模型名称：量化大势研判行业配置策略（综合模型）**[1][7] * **模型构建思路**：基于产业生命周期理论，将股票资产划分为五种风格阶段，通过自下而上的全局资产比较，确定未来市场的主流风格，并据此选择最具优势的细分行业进行配置[1][7]。 * **模型具体构建过程**： 1. **风格定义**：根据产业周期，将权益资产划分为五种风格：外延成长、质量成长、质量红利、价值红利、破产价值[7]。 2. **资产比较框架**：采用 `g > ROE > D` 的优先级顺序考察资产。首先判断主流资产（预期增速资产、实际增速资产、盈利资产）是否有优势，若有则配置；若主流资产均无优势，则根据拥挤度等因素转向次级资产（质量红利、价值红利、破产价值）[7][11]。 3. **优势判断**：通过计算各风格下头部资产与尾部资产的“优势差”（类似因子择时中的 Spread）来刻画该风格资产的趋势强弱[24]。 4. **行业选择**：在每个被判定为具有优势的风格下，使用对应的具体策略（如预期成长策略、盈利能力策略等）筛选出排名靠前的细分行业[16]。 5. **组合构建**：以中信二三级行业（整理合并后为202个）为标的，每个策略每期选择5个行业，综合后以等权重配置[18]。 2. **模型名称：预期成长策略**[16][38] * **模型构建思路**：选取分析师预期增速最高的行业进行配置，主要关注分析师对未来盈利的预期[16][38]。 * **模型具体构建过程**：使用行业的预期净利润增速（g_fttm）作为核心因子。每月末，计算所有行业的预期净利润增速，并选取该因子值最高的5个行业进行等权重配置[16][38]。 3. **模型名称：实际成长策略**[16][39] * **模型构建思路**：选取业绩超预期或业绩动量（△g）最高的行业进行配置，关注已实现的业绩增长趋势[16][39]。 * **模型具体构建过程**：使用三个因子综合衡量行业的实际成长性：标准化未预期盈余（sue）、超预期营收（sur）和业绩动量（jor）。每月末，综合这些因子筛选出排名最高的5个行业进行等权重配置[39]。 4. **模型名称：盈利能力策略**[16][42] * **模型构建思路**：在具有高盈利能力的资产中，选取估值相对较低的行业进行配置，采用PB-ROE框架[16][42]。 * **模型具体构建过程**：使用行业的PB-ROE回归残差作为核心因子。该因子通过横截面回归 $$ PB = \alpha + \beta * ROE + \epsilon $$ 得到残差项 `\epsilon`，`\epsilon` 越小代表在给定ROE水平下估值越低。每月末，选取残差最低（即估值最便宜）的5个高ROE行业进行等权重配置[42]。 5. **模型名称：质量红利策略**[16][45] * **模型构建思路**：选取兼具高股息和高盈利质量的行业进行配置[16][45]。 * **模型具体构建过程**：使用股息率（dp）和净资产收益率（roe）两个因子。每月末，对这两个因子进行综合打分（具体加权方式未明确），选取总分最高的5个行业进行等权重配置[45]。 6. **模型名称：价值红利策略**[16][47] * **模型构建思路**：选取兼具高股息和高账面价值（低市净率）的行业进行配置[16][47]。 * **模型具体构建过程**：使用股息率（dp）和账面市值比（bp）两个因子。每月末，对这两个因子进行综合打分（具体加权方式未明确），选取总分最高的5个行业进行等权重配置[47]。 7. **模型名称：破产价值策略**[16][52] * **模型构建思路**：选取市净率极低、市值较小的行业进行配置，关注破净、并购或壳价值等主题[16][52]。 * **模型具体构建过程**：使用市净率（pb）和市值（size）两个因子。每月末，对这两个因子进行综合打分（具体加权方式未明确，pb取低分，size取小分），选取总分最低（即估值最低、市值最小）的5个行业进行等权重配置[52]。 模型的回测效果 1. **量化大势研判行业配置策略（综合模型）** * 年化收益：26.94% (2009年以来)[18] * 各年超额收益（相对于万得全A）：2009年51%，2010年14%，2011年-11%，2012年0%，2013年36%，2014年-4%，2015年16%，2016年-1%，2017年27%，2018年7%，2019年8%，2020年44%，2021年38%，2022年62%，2023年10%，2024年52%，2025年14%，2026年3月0%[21] 2. **预期成长策略** * 历史表现：在2019年以来超额收益显著，2014-2015年期间也有较高超额[38]。 3. **实际成长策略** * 历史表现：长期超额都较为显著，特别是在成长风格占优的环境下[39]。 4. **盈利能力策略** * 历史表现：2016年-2020年超额较为显著，2021年-2024年上半年持续较弱[42]。 5. **质量红利策略** * 历史表现：在2016年、2017年、2023年超额较为显著[45]。 6. **价值红利策略** * 历史表现：在2009年、2017年、2021-2023年超额较为显著[47]。 7. **破产价值策略** * 历史表现：在2015-2016年、2021-2023年超额较为显著[52]。 量化因子与构建方式 1. **因子名称：预期净利润增速 (g_fttm)**[24][26] * **因子构建思路**：基于分析师对未来净利润的一致预期，衡量资产的预期成长性[24]。 * **因子具体构建过程**：报告中使用的是行业层面的预期净利润增速。具体计算为：使用未来12个月（FTM）的预测净利润均值，计算其同比或环比增速。该因子用于构建“预期成长策略”和计算“预期增速资产优势差”[24][26][38]。 * **因子评价**：是判断主题轮动和预期成长风格的核心指标[24]。 2. **因子名称：净利润增速 (g_ttm)**[28][29] * **因子构建思路**：基于过去12个月（TTM）已实现的净利润，衡量资产的实际成长性[28]。 * **因子具体构建过程**：报告中使用的是行业层面的净利润增速（g_ttm）。该因子用于计算“实际增速资产优势差”[28][29]。 3. **因子名称：业绩动量 (△g)**[28][39] * **因子构建思路**：衡量业绩增长趋势的变化，即增速的加速度[28]。 * **因子具体构建过程**：报告未给出明确定义，通常为近期净利润增速的变化值（如g_ttm的差分）。该因子是“实际成长策略”的筛选逻辑之一[16][39]。 4. **因子名称：标准化未预期盈余 (sue)**[39] * **因子构建思路**：衡量公司业绩超出市场一致预期的程度[39]。 * **因子具体构建过程**：报告未给出具体公式，但该因子是“实际成长策略”采用的因子之一[39]。 5. **因子名称：超预期营收 (sur)**[39] * **因子构建思路**：衡量公司营业收入超出市场一致预期的程度[39]。 * **因子具体构建过程**：报告未给出具体公式，但该因子是“实际成长策略”采用的因子之一[39]。 6. **因子名称：业绩动量 (jor)**[39] * **因子构建思路**：衡量业绩的动量效应[39]。 * **因子具体构建过程**：报告未给出具体公式，但该因子是“实际成长策略”采用的因子之一[39]。 7. **因子名称：净资产收益率 (ROE)**[30][32] * **因子构建思路**：衡量资产的盈利能力[30]。 * **因子具体构建过程**：报告中使用的是行业层面的ROE。该因子用于构建“盈利能力策略”、“质量红利策略”和计算“ROE优势差”[30][32][42][45]。 8. **因子名称：PB-ROE回归残差**[42] * **因子构建思路**：在控制盈利能力（ROE）后，衡量资产的估值相对高低，残差越低代表估值越便宜[42]。 * **因子具体构建过程**：每月末，在横截面上对行业进行回归：$$ PB = \alpha + \beta * ROE + \epsilon $$，取回归残差 `\epsilon` 作为因子值。该因子是“盈利能力策略”的核心筛选因子[42]。 9. **因子名称：股息率 (dp)**[34][37][45][47] * **因子构建思路**：衡量资产的现金分红回报率[34]。 * **因子具体构建过程**：报告中使用的是行业层面的股息率。该因子用于构建“质量红利策略”和“价值红利策略”，并用于计算“高股息资产拥挤度”[34][37][45][47]。 10. **因子名称：账面市值比 (bp)**[47] * **因子构建思路**：衡量资产的价值水平，bp越高代表估值越低[47]。 * **因子具体构建过程**：报告中使用的是行业层面的账面市值比。该因子是“价值红利策略”的筛选因子之一[47]。 11. **因子名称：市净率 (pb)**[52] * **因子构建思路**：衡量资产的估值水平，pb越低代表估值越低[52]。 * **因子具体构建过程**：报告中使用的是行业层面的市净率。该因子是“破产价值策略”的筛选因子之一[52]。 12. **因子名称：市值 (size)**[52] * **因子构建思路**：衡量资产的规模大小[52]。 * **因子具体构建过程**：报告中使用的是行业层面的平均总市值。该因子是“破产价值策略”的筛选因子之一[52]。 13. **因子名称：资产优势差 (Spread)**[24] * **因子构建思路**：用于因子择时或风格判断，通过比较头部资产与尾部资产在某个因子上的表现差异，来刻画该因子所代表风格的强弱趋势[24]。 * **因子具体构建过程**：对于某个因子（如g_fttm, g_ttm, ROE），每月计算该因子值最高的头部组（如Top 30%）的中位数与因子值最低的尾部组（如Bottom 30%）的中位数之差，即：$$ 优势差 = Top组中位数 - Bottom组中位数 $$[24][25]。该差值扩大表示头部资产相对尾部资产的优势在扩大，该风格可能占优。 14. **因子名称：拥挤度**[30][33][34] * **因子构建思路**：衡量某一类资产或因子交易的拥挤程度，过高可能预示风险[30][34]。 * **因子具体构建过程**：报告未给出具体计算方法，但提及用于评估ROE资产和高股息（DP）资产的交易状态[30][33][34][37]。

量化模型与构建方式 1. PB-ROE-50 组合 * **模型名称**： PB-ROE-50 组合[23] * **模型构建思路**： 基于市净率（PB）和净资产收益率（ROE）两个核心指标，筛选出估值相对较低且盈利能力较强的股票构建投资组合[23]。 * **模型具体构建过程**： 报告未详细描述该组合的具体构建步骤、筛选公式和调仓频率，仅提及其为基于PB和ROE的选股模型[23]。 2. 机构调研组合 * **模型名称**： 机构调研组合[25] * **模型构建思路**： 利用公募基金和私募基金的调研活动信息进行选股[25]。 * **模型具体构建过程**： 报告未详细描述该组合的具体构建步骤和规则，仅提及包含“公募调研选股策略”和“私募调研跟踪策略”两个子策略[25]。 3. 大宗交易组合 * **模型名称**： 大宗交易组合[29] * **模型构建思路**： 基于“高成交、低波动”原则，从发生大宗交易的股票中筛选后续表现更佳的标的[29]。 * **模型具体构建过程**： 1) 使用“大宗交易成交金额比率”和“6日成交金额波动率”两个指标[29]。2) 筛选“大宗交易成交金额比率”越高、“6日成交金额波动率”越低的股票[29]。3) 采用月频调仓方式构建组合[29]。 4. 定向增发组合 * **模型名称**： 定向增发组合[35] * **模型构建思路**： 以定向增发的股东大会公告日为事件节点，进行事件驱动选股[35]。 * **模型具体构建过程**： 报告未详细描述该组合的具体构建步骤和规则，仅提及以股东大会公告日为节点，并综合考虑市值因素、调仓周期和仓位控制[35]。 量化因子与构建方式 1. 大类风格因子 * **因子名称**： 动量因子、市值因子、Beta因子、盈利因子、流动性因子、负债因子、残差波动率因子[18] * **因子构建思路**： 从不同维度刻画市场的整体风格特征[18]。 * **因子具体构建过程**： 报告未详细描述这些大类因子的具体构建公式。 2. 行业内通用因子 * **因子名称**： 净资产增长率、净利润增长率、5日动量、1月动量、每股净资产、每股经营利润TTM、EP（盈利价格比）、BP（账面市值比）、成长、残差波动率、流动性、对数市值[22] * **因子构建思路**： 用于分析各行业内部的因子表现差异[21]。 * **因子具体构建过程**： 报告未详细描述这些行业内因子的具体构建公式。 3. 单因子（列举部分） 报告列出了大量单因子，仅提供名称和方向，未提供具体构建过程。以下为部分因子名称： * **基本面因子**： 单季度ROA同比、ROIC增强因子、单季度ROA、ROA稳定性、净利润断层、单季度EPS、总资产毛利率TTM、经营现金流比率、营业利润率TTM、净利润率TTM、毛利率TTM、单季度ROE、单季度ROE同比、标准化预期外盈利（SUE）、标准化预期外收入（SUR）、总资产增长率、单季度营业收入同比增长率、单季度营业利润同比增长率、单季度净利润同比增长率等[13][15][17]。 * **估值因子**： 市盈率TTM倒数（EP）、市净率因子（BP）、市销率TTM倒数、市盈率因子、EPTTM分位点等[13][15][17]。 * **技术及交易因子**： 动量调整大单、动量调整小单、早盘收益因子、早盘后收益因子、5日反转、动量弹簧因子、5分钟收益率偏度、下行波动率占比、换手率相对波动率、5日平均换手率、成交量的5日指数移动平均、5日成交量的标准差、6日成交金额的移动平均值、6日成交金额的标准差、日内波动率与成交金额的相关性、大单净流入、小单净流入等[13][15][17]。 * **规模因子**： 对数市值因子[13][15][17]。 模型的回测效果 （注：以下模型效果数据统计区间为2026.01.05-2026.04.03[24][26][30][36]） 1. **PB-ROE-50组合**，本周超越基准收益率（中证500）0.40%[23][24]，本周超越基准收益率（中证800）0.15%[23][24]，本周超越基准收益率（全市场）0.11%[23][24]，今年以来超额收益率（中证500）1.44%[24]，今年以来超额收益率（中证800）4.85%[24]，今年以来超额收益率（全市场）2.71%[24]，本周绝对收益率（中证500）-2.23%[24]，本周绝对收益率（中证800）-1.58%[24]，本周绝对收益率（全市场）-2.10%[24]，今年以来绝对收益率（中证500）2.38%[24]，今年以来绝对收益率（中证800）1.99%[24]，今年以来绝对收益率（全市场）0.50%[24] 2. **公募调研选股策略**，本周超越基准收益率 -5.07%[25][26]，今年以来超额收益率 -6.14%[26]，本周绝对收益率 -6.71%[26]，今年以来绝对收益率 -8.70%[26] 3. **私募调研跟踪策略**，本周超越基准收益率 -1.58%[25][26]，今年以来超额收益率 3.35%[26]，本周绝对收益率 -3.28%[26]，今年以来绝对收益率 0.53%[26] 4. **大宗交易组合**，本周超越基准收益率 0.65%[29][30]，今年以来超额收益率 8.93%[30]，本周绝对收益率 -1.57%[30]，今年以来绝对收益率 6.58%[30] 5. **定向增发组合**，本周超越基准收益率 -0.77%[35][36]，今年以来超额收益率 5.07%[36]，本周绝对收益率 -2.96%[36]，今年以来绝对收益率 2.80%[36] 因子的回测效果 （注：以下因子表现数据为“最近1周”收益，即2026.03.30-2026.04.03，收益为剔除行业与市值影响后多头组合相对于基准指数的超额收益[12]） 沪深300股票池因子表现[13] 1. **单季度ROA同比**，因子方向 正向，最近1周收益 1.34% 2. **ROIC增强因子**，因子方向 正向，最近1周收益 1.26% 3. **单季度ROA**，因子方向 正向，最近1周收益 0.89% 4. **对数市值因子**，因子方向 负向，最近1周收益 -2.18% 5. **单季度EPS**，因子方向 正向，最近1周收益 -1.81% 6. **6日成交金额的标准差**，因子方向 负向，最近1周收益 -1.70% 中证500股票池因子表现[15] 1. **总资产毛利率TTM**，因子方向 正向，最近1周收益 2.41% 2. **经营现金流比率**，因子方向 正向，最近1周收益 2.39% 3. **单季度总资产毛利率**，因子方向 正向，最近1周收益 2.32% 4. **市销率TTM倒数**，因子方向 正向，最近1周收益 -1.22% 5. **对数市值因子**，因子方向 负向，最近1周收益 -1.10% 6. **5日反转**，因子方向 负向，最近1周收益 -0.89% 流动性1500股票池因子表现[17] 1. **单季度ROA**，因子方向 正向，最近1周收益 1.32% 2. **ROIC增强因子**，因子方向 正向，最近1周收益 1.26% 3. **净利润率TTM**，因子方向 正向，最近1周收益 1.19% 4. **5日反转**，因子方向 负向，最近1周收益 -1.76% 5. **5分钟收益率偏度**，因子方向 负向，最近1周收益 -1.25% 6. **净利润断层**，因子方向 正向，最近1周收益 -0.77% 全市场大类因子表现[18] 1. **动量因子**，最近1周收益 1.56% 2. **市值因子**，最近1周收益 0.43% 3. **Beta因子**，最近1周收益 0.35% 4. **盈利因子**，最近1周收益 0.32% 5. **流动性因子**，最近1周收益 -1.26% 6. **负债因子**，最近1周收益 -0.48% 7. **残差波动率因子**，最近1周收益 -0.44%

量化模型与因子总结 量化模型与构建方式 根据提供的研报内容，**未发现**涉及具体的量化选股模型或多因子模型的构建与测试。报告主要为ETF市场的周度数据统计与描述，未展示如Alpha模型、风险模型等量化模型的构建思路、过程及评价。 量化因子与构建方式 根据提供的研报内容，**未发现**涉及具体的量化因子（如价值、动量、质量等）的构建、测试与分析。报告中的“估值分位数”等属于市场状态描述指标，并非用于选股或组合构建的量化因子。 模型的回测效果 **未提供相关内容**。 因子的回测效果 **未提供相关内容**。 报告核心内容概述 本报告为一篇ETF市场周报，主要对各类ETF的业绩、规模、估值、资金流向及管理人情况进行数据统计与描述[1][2][3][4][5][6]。报告核心内容总结如下： 1. **ETF业绩表现**：统计了上周（2026年03月30日至04月03日）不同资产类别、宽基、板块及主题ETF的周度收益率中位数[2][13]。例如，股票型ETF周度收益率中位数为-1.98%，宽基中上证50ETF跌幅最小（-0.24%），主题中医药ETF收益最高（2.44%）[2][13][15]。 2. **ETF规模与净申赎**：展示了截至上周末的ETF规模，并计算了上周的规模变动与净申赎规模[20][22][25]。计算方法为：使用上市后ETF当日的份额变动乘以收盘价来近似计算每日净申赎规模；为规避干扰，份额折算/拆分当日份额变动设为0，并剔除了分红导致的规模变动[25]。例如，上周股票型ETF总体净赎回245.39亿元，宽基中科创板ETF净申购最多（4.78亿元），主题中红利ETF净申购最多（18.21亿元）[3][25][28][33]。 3. **ETF基准指数估值情况**：使用每日各类别内ETF基准指数的估值（PE、PB）中位数代表该类ETF的估值，并计算该中位数在过去5年（科创板自2019年底起）的历史分位数[34]。例如，截至上周末，创业板类ETF的市盈率分位数相对较低（67.54%），医药ETF的估值分位数较前周明显提升[34][40][41]。 4. **ETF融资融券情况**：统计了股票型ETF的融资余额与融券余量变动[42]。并列出了上周日均融资买入额和融券卖出量最高的10只ETF[46][48]。例如，创业板类ETF和证券ETF的日均融资买入额较高，中证1000ETF和沪深300ETF的日均融券卖出量较高[5][46][48][49]。 5. **ETF管理人**：统计了各基金公司已上市的非货币ETF总管理规模及细分类型规模[50][51]。截至上周末，华夏、易方达、华泰柏瑞三家基金公司的管理规模排名前三[6][50]。

量化模型与构建方式 1. **模型名称：期现对冲策略（连续对冲与最低贴水策略）**[41] * **模型构建思路**：通过构建现货多头（持有标的指数）与期货空头（做空股指期货合约）的组合，利用股指期货基差（期货价格与现货指数价格的差值）的收敛特性来获取收益或进行风险管理[41]。 * **模型具体构建过程**： * **现货端**：持有对应标的指数（如中证500、沪深300等）的全收益指数[42][43]。 * **期货端**：做空对应标的的股指期货合约，名义本金与现货端相等[42][43]。 * **资金分配**：总资金的70%用于现货端，剩余30%作为期货保证金[42][43]。 * **调仓规则**（分为两种策略）： * **连续对冲策略**：连续持有当月或季月合约，直至该合约距离到期日不足2日时，在收盘价平仓并同时卖空下一份当月或季月合约[42]。 * **最低贴水策略**：调仓时，计算所有可交易期货合约的年化基差，选择年化基差贴水幅度最小的合约开仓。同一合约持有8个交易日后，或距离到期日不足2日时，才可重新选择新合约（排除剩余到期日不足8日的合约）[43]。 2. **因子名称：分红调整年化基差**[18][19] * **因子构建思路**：为了准确衡量股指期货合约的真实溢价或折价水平，需要剔除标的指数成分股在合约存续期内预期分红对期货价格的影响[18]。 * **因子具体构建过程**： 1. **预测分红点位**：基于指数成分股历史分红情况，预测未来一年内各标的指数的分红总点数[9]。例如，2026年4月3日预测中证500、沪深300、上证50、中证1000指数分红点位分别为83.85、72.11、51.65、63.46[9]。 2. **计算预期分红调整后的基差**：在期货实际基差的基础上，加上存续期内尚未实现的预期分红点数[19]。 $$预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红$$[19] 3. **年化处理**：将调整后的基差转化为年化形式，便于不同期限合约间的比较[19]。 $$年化基差 = \frac{(实际基差 + (预期)分红点位)}{指数价格} \times \frac{360}{合约剩余天数}$$[20] 3. **因子名称：波动率指数 (VIX)**[59] * **因子构建思路**：借鉴成熟市场经验，结合国内期权市场实际，构建反映市场对未来30日标的资产波动率预期的指数[59]。 * **因子具体构建过程**：报告未详细描述具体计算公式，但指出其编制方法进行了适应性调整，旨在构建更贴合我国市场特征的波动率指数体系[59]。该指数基于期权价格计算，反映了期权投资者对标的资产未来波动水平的预期[59]。 4. **因子名称：偏度指数 (SKEW)**[63] * **因子构建思路**：通过衡量不同行权价格下期权隐含波动率（IV）的偏斜形态，来刻画市场对标的资产未来收益率分布（尤其是尾部风险）的预期[63]。 * **因子具体构建过程**：报告未给出具体计算公式，但阐述了其原理。当投资者担忧下行风险时，看跌期权需求上升，会推高虚值看跌期权的隐含波动率，导致波动率曲线向左倾斜（负偏），SKEW指数升高。该指数常被视为“黑天鹅指数”，用于反映市场对潜在极端下跌风险的担忧程度[63]。 模型的回测效果 *回测区间：2022年7月22日至2026年4月3日[42][43]* 1. **IC（中证500）期现对冲模型**[45] * **当月连续对冲策略**：年化收益-3.34%，波动率3.81%，最大回撤-12.10%，净值0.8828，年换手次数12次，2026年以来收益-0.19%[45]。 * **季月连续对冲策略**：年化收益-2.61%，波动率4.88%，最大回撤-10.94%，净值0.9076，年换手次数4次，2026年以来收益-0.13%[45]。 * **最低贴水策略**：年化收益-1.69%，波动率4.55%，最大回撤-8.56%，净值0.9392，年换手次数17.43次，2026年以来收益-0.23%[45]。 * **指数表现（基准）**：年化收益5.04%，波动率21.25%，最大回撤-31.46%，净值1.1980，2026年以来收益-1.52%[45]。 2. **IF（沪深300）期现对冲模型**[50] * **当月连续对冲策略**：年化收益0.20%，波动率2.83%，最大回撤-3.95%，净值1.0074，年换手次数12次，2026年以来收益-0.21%[50]。 * **季月连续对冲策略**：年化收益0.65%，波动率3.22%，最大回撤-4.03%，净值1.0241，年换手次数4次，2026年以来收益0.35%[50]。 * **最低贴水策略**：年化收益1.15%，波动率2.98%，最大回撤-4.06%，净值1.0429，年换手次数15.52次，2026年以来收益0.46%[50]。 * **指数表现（基准）**：年化收益1.28%，波动率16.81%，最大回撤-25.59%，净值1.0478，2026年以来收益-5.87%[50]。 3. **IH（上证50）期现对冲模型**[54] * **当月连续对冲策略**：年化收益0.99%，波动率2.88%，最大回撤-4.22%，净值1.0369，年换手次数12次，2026年以来收益0.04%[54]。 * **季月连续对冲策略**：年化收益2.01%，波动率3.28%，最大回撤-3.75%，净值1.0756，年换手次数4次，2026年以来收益0.65%[54]。 * **最低贴水策略**：年化收益1.65%，波动率2.93%，最大回撤-3.91%，净值1.0618，年换手次数14.98次，2026年以来收益0.54%[54]。 * **指数表现（基准）**：年化收益-0.17%，波动率15.86%，最大回撤-22.96%，净值0.9937，2026年以来收益-8.68%[54]。 4. **IM（中证1000）期现对冲模型**[56] * **当月连续对冲策略**：年化收益-6.18%，波动率4.30%，最大回撤-21.04%，净值0.7913，年换手次数12次，2026年以来收益-0.54%[56]。 * **季月连续对冲策略**：年化收益-4.95%，波动率5.40%，最大回撤-18.06%，净值0.8298，年换手次数4次，2026年以来收益-0.76%[56]。 * **最低贴水策略**：年化收益-3.90%，波动率5.12%，最大回撤-14.41%，净值0.8640，年换手次数15.25次，2026年以来收益0.05%[56]。 * **指数表现（基准）**：年化收益1.89%，波动率24.02%，最大回撤-41.60%，净值1.0714，2026年以来收益-2.80%[56]。 因子的回测效果 *截至2026年4月3日数据* 1. **分红调整年化基差因子**[21][26][31][36] * **IC当季合约**：当前值-7.81%，周内高点-7.49%，低于2022年初以来中位数[21]。 * **IF当季合约**：当前值-4.92%，周内高点-4.32%，低于2022年初以来中位数[26]。 * **IH当季合约**：当前值-1.57%，周内高点-0.69%，低于2022年初以来中位数[31]。 * **IM当季合约**：当前值-10.99%，周内低点-12.15%，低于2022年初以来中位数[36]。 2. **波动率指数 (VIX) 因子**[59] * **上证50VIX (30日)**：当前值21.27，在2024年以来的分位数为71%[59]。 * **沪深300VIX (30日)**：当前值20.98，在2024年以来的分位数为69%[59]。 * **中证500VIX (30日)**：当前值33.68，在2024年以来的分位数为90%[59]。 * **中证1000VIX (30日)**：当前值29.68，在2024年以来的分位数为73%[59]。 3. **偏度指数 (SKEW) 因子**[64] * **上证50SKEW**：当前值102.87，在2024年以来的分位数为87.6%[64]。 * **沪深300SKEW**：当前值105.17，在2024年以来的分位数为85.2%[64]。 * **中证500SKEW**：当前值104.75，在2024年以来的分位数为91.1%[64]。 * **中证1000SKEW**：当前值102.88，在2024年以来的分位数为56.1%[64]。

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：电力系统三角配置策略模型[5][7][58] * **模型构建思路**：采用“防御+稳健+进攻”的资产配置框架，通过选取不同风险收益特征、代表电力产业链不同环节的指数产品进行组合，旨在控制组合整体波动的同时保留向上弹性，实现风险与收益的平衡[5][58][60]。 * **模型具体构建过程**： 1. **资产分类与选择**：将电力产业链资产划分为三类： * **防御端**：选择以高股息电力运营企业为主的**电力指数（H30199.CSI）**，对应产品为广发中证全指电力公用事业ETF（159611）[7][58]。 * **稳健端**：选择直接受益于电网建设投资确定性的**恒生A股电网设备指数（HSCAUPG.HI）**，对应产品为广发恒生A股电网设备ETF（159320）[7][63]。 * **进攻端**：选择覆盖光伏、动力电池、储能电池等高成长赛道的指数，包括： * **光伏龙头30指数（931798.CSI）**，对应产品为广发中证光伏龙头30ETF（560980）[11][63]。 * **国证新能源车电池指数**，对应产品为广发国证新能源车电池ETF（159755）[11][63]。 * **国证新能源电池指数**，对应产品为广发国证新能源电池ETF（159305）[11][63]。 2. **权重配置**：为三类资产设定固定的配置权重。防御端（电力指数）配置权重为30%，稳健端（电网设备指数）配置权重为25%，进攻端（三只产品合计）配置权重为45%（每只产品各15%）[58][63]。 模型的回测效果 1. **电力系统三角配置策略模型（各成分指数历史收益表现）**[67] * **电力指数（H30199.CSI）**：近十年累计收益35.21%，近八年37.89%，近五年43.35%，近三年26.14%，近一年23.66%，近半年14.63%，近三个月14.49%，近一个月15.45%[67]。 * **光伏龙头30指数（931798.CSI）**：近十年累计收益160.40%，近八年128.29%，近五年11.76%，近三年-14.99%，近一年77.17%，近半年42.70%，近三个月23.22%，近一个月9.45%[67]。 * **恒生A股电网设备指数（HSCAUPG.HI）**：近三年累计收益157.47%，近一年127.03%，近半年55.25%，近三个月33.14%，近一个月9.72%[67]。 * **新能电池指数（980032.CNI）**：近十年累计收益223.37%，近八年118.10%，近五年39.83%，近三年29.13%，近一年55.72%，近半年19.56%，近三个月8.78%，近一个月3.65%[67]。 * **新能源电池指数（980027.CNI）**：近十年累计收益211.08%，近八年193.36%，近五年73.28%，近三年30.88%，近一年63.63%，近半年20.01%，近三个月13.06%，近一个月8.13%[67]。 2. **电力系统三角配置策略模型（各成分指数估值表现，截至2026年3月13日）**[69][70] * **电力指数（H30199.CSI）**：市盈率（PE）19.54倍（近五年分位数52.73%），市净率（PB）1.90倍（近五年分位数87.85%）[69][70]。 * **光伏龙头30指数（931798.CSI）**：市盈率（PE）31.50倍（近五年分位数72.48%），市净率（PB）3.26倍（近五年分位数51.32%）[69][70]。 * **新能电池指数（980032.CNI）**：市盈率（PE）31.27倍（近五年分位数54.05%），市净率（PB）4.20倍（近五年分位数49.17%）[69][70]。 * **新能源电池指数（980027.CNI）**：市盈率（PE）31.22倍（近五年分位数94.64%），市净率（PB）4.68倍（近五年分位数98.70%）[69][70]。 量化因子与构建方式 1. **因子名称**：火电企业盈利稳定性因子[14][15] * **因子构建思路**：捕捉新型电力系统下，火电企业盈利模式从“赚电量差价”向“赚系统服务费”转变所带来的盈利波动性降低效应，其核心驱动在于容量电价和煤电联动机制[14][15]。 * **因子具体构建过程**：该因子并非通过单一公式构建，而是通过分析火电企业盈利驱动逻辑的转变来定性识别。关键观测点包括： 1. **容量电价收入**：作为提供系统可靠性的保底收益，构成企业盈利的稳定底部[15]。 2. **煤电联动传导**：燃料成本压力可向下游传导，平抑煤价波动对净利润的冲击[15]。 3. **ROE波动性**：观察火电企业历史ROE与煤价的负相关关系是否因上述机制而减弱，从而表现出更稳定的“类债资产”特征[15][17]。 2. **因子名称**：新能源“质变价值”因子[18][20] * **因子构建思路**：捕捉新能源资产价值从依赖补贴和政策驱动的“量增逻辑”，转向由市场化环境溢价和技术平价消纳能力驱动的“质变逻辑”[18]。 * **因子具体构建过程**：该因子通过多维度的市场化和技术指标来综合评估。关键构成部分包括： 1. **环境溢价**：通过绿证交易体系，体现“电能量价值+环境价值”的双重溢价，观测绿证价格变化（如图表3显示2025年回升）[18][21]。 2. **消纳与调节能力**：通过“新能源+储能”模式的成熟度以及是否获得容量补偿，将波动性电源重塑为具备调峰能力的可控电源，从而获得更确定的长期内部收益率（IRR）[20]。 3. **市场化收益**：脱离政策补贴，在电力市场（包括电量市场、辅助服务市场等）中实现收益的能力[18]。 3. **因子名称**：电网投资确定性因子[29][30] * **因子构建思路**：基于电网投资在新型电力系统建设中的刚性需求、抗周期属性以及政策规划确定性，捕捉相关资产的稳健增长特征[29][30]。 * **因子具体构建过程**：该因子通过宏观和行业层面的数据来验证。关键验证指标包括： 1. **投资增速**：跟踪电网投资完成额的同比增速，例如报告中指出2025年同比增长5.1%，“十五五”期间规划投资较“十四五”增长40%[29]。 2. **需求稳定性**：基于全社会用电量持续正增长的趋势，确认基础负荷的稳定性[30][31]。 3. **政策规划**：关注国家级电网建设规划（如特高压工程）和数字化升级政策（如《关于推进‘人工智能+’能源高质量发展的实施意见》）带来的确定性需求[36][41]。 4. **因子名称**：储能产业链景气度因子[42][46] * **因子构建思路**：通过跟踪储能电池及其上游关键原材料的价格变化，捕捉储能需求爆发带来的产业链景气度上行周期[42][46]。 * **因子具体构建过程**：该因子由一系列价格监测指标构成。核心价格序列包括： 1. **储能电池价格**：观测其价格变化周期，例如报告指出2025年下半年进入上涨周期[42]。 2. **上游资源品价格**：如电池级碳酸锂、氢氧化锂的价格走势（如图表12所示V型反转）[46][47]。 3. **关键材料价格**：包括六氟磷酸锂、电解液添加剂（VC）、电解液溶剂（EC）、铜箔加工费、隔膜价格等的变化情况，观察其是否因供需格局逆转而进入涨价或修复周期[50][52][54][56][57]。

量化模型与因子总结 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[18] * **模型构建思路**：通过统计上市满3个月以上的股票，计算其涨停封板成功率以及连续涨停的概率，用以衡量市场短线炒作的热度和持续性[18]。 * **模型具体构建过程**： 1. **封板率**：筛选出在交易日盘中最高价曾达到涨停价的股票，再从中统计收盘价仍为涨停的股票数量，两者之比即为封板率[18]。 公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[18] 2. **连板率**：统计前一日收盘涨停的股票中，在当日收盘仍为涨停的股票数量，两者之比即为连板率[18]。 公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[18] 2. **模型名称**：大宗交易折价率计算模型[28] * **模型构建思路**：通过计算大宗交易成交价相对于市值的折价幅度，来反映大额资金的交易情绪和偏好[28]。 * **模型具体构建过程**：统计每日所有大宗交易的总成交金额，并计算这些交易份额若按当日市价计算的总市值，用总成交金额除以总市值再减1得到整体折价率[28]。 公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[28] 3. **模型名称**：股指期货年化贴水率计算模型[30] * **模型构建思路**：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，用以衡量市场对未来走势的预期以及股指对冲的成本[30]。 * **模型具体构建过程**：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天除以合约剩余交易日数），得到年化贴水率[30]。 公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[30] * **模型评价**：该指标受金融市场利率、股市分红、市场情绪等多因素影响，其变化能反映市场预期[30]。 模型的回测效果 1. 封板率与连板率计算模型，2026年4月3日封板率取值68%[18]，2026年4月3日连板率取值19%[18]。 2. 大宗交易折价率计算模型，近半年平均折价率取值7.15%[28]，2026年4月2日折价率取值4.10%[28]。 3. 股指期货年化贴水率计算模型，近一年中证500股指期货年化贴水率中位数取值10.99%[30]，2026年4月3日中证500股指期货年化贴水率取值11.90%[30]。 量化因子与构建方式 1. **因子名称**：ETF折溢价因子[25] * **因子构建思路**：利用ETF场内交易价格与场外净值（IOPV）的差异构建因子，反映投资者对特定板块或主题的情绪[25]。 * **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，计算其收盘价与IOPV的差值占IOPV的比例，即为该ETF的日度折溢价率[25]。 2. **因子名称**：机构调研热度因子[32] * **因子构建思路**：统计近期对上市公司进行调研的机构数量，作为衡量机构关注度的代理变量[32]。 * **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[32]。 3. **因子名称**：龙虎榜机构净流入因子[37] * **因子构建思路**：通过龙虎榜公布的机构专用席位买卖数据，构建反映机构资金当日净流入强度的因子[34][37]。 * **因子具体构建过程**：对于登上龙虎榜的个股，汇总其所有机构专用席位的买入总额与卖出总额，两者之差即为该股票的机构净流入额[37]。 因子的回测效果 （注：报告未提供基于上述因子的策略回测结果，如年化收益、夏普比率、最大回撤等量化指标，故本部分无具体数值可总结。）