量化模型与构建方式 本报告主要介绍AI Agent工具Hermes，并未涉及具体的量化投资模型或量化因子的构建、测试与评价[7]。报告内容聚焦于该工具的功能、架构及其在金融工程领域的潜在应用场景[1][39]。 量化因子与构建方式 本报告未涉及具体的量化因子构建。 模型的回测效果 本报告未提供任何量化模型的回测效果数据。 因子的回测效果 本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 根据研报内容，本报告主要进行历史复盘与定性分析，未涉及具体的量化模型或量化因子的构建、测试与回测。报告的核心在于总结全球主要资产在不同宏观环境下的表现规律，而非构建或测试可投资的量化策略或因子[6][7][11]。 报告通过梳理过去20年（2006-2026年）的数据，归纳了资产轮动的“共性逻辑”和不同市场的“分化逻辑”，并基于重大历史事件进行了复盘[6][7][11][17][18]。 **量化模型与构建方式** 1. 无相关内容。报告未提出或构建任何具体的量化预测模型、资产配置模型或择时模型。 **量化因子与构建方式** 1. 无相关内容。报告未构建或测试任何用于选股或解释收益的量化因子（如价值、动量、质量等）。 **模型的回测效果** 1. 无相关内容。 **因子的回测效果** 1. 无相关内容。

量化因子与构建方式 1. **因子名称：封板率** [17] * **因子构建思路**：通过计算当日最高价涨停且收盘涨停的股票数量占最高价涨停股票总数的比例，来衡量市场涨停板的“封板”强度，反映市场追涨情绪和资金封板意愿[17]。 * **因子具体构建过程**： 1. 选取上市满3个月以上的股票作为样本[13][14][17]。 2. 在交易日T，筛选出盘中最高价达到涨停价的股票集合A[17]。 3. 在集合A中，进一步筛选出收盘价也达到涨停价的股票集合B[17]。 4. 计算封板率，公式为： $$封板率 = \frac{集合B的股票数量}{集合A的股票数量}$$ [17] * **因子评价**：该因子是衡量市场短期投机情绪和涨停股质量的高频指标，封板率越高，通常意味着涨停板的可靠性越强，市场追涨热情越高[17]。 2. **因子名称：连板率** [17] * **因子构建思路**：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，来衡量市场涨停板的持续性，反映市场强势股的接力情绪[17]。 * **因子具体构建过程**： 1. 选取上市满3个月以上的股票作为样本[13][14][17]。 2. 在交易日T，统计前一日（T-1日）收盘涨停的股票数量N[17]。 3. 在交易日T，统计在T-1日和T日连续两日收盘均涨停的股票数量M[17]。 4. 计算连板率，公式为： $$连板率 = \frac{M}{N}$$ [17] * **因子评价**：该因子是衡量市场赚钱效应延续性和题材炒作热度的重要指标，连板率越高，表明市场短线资金活跃，强势股具有较好的持续性[17]。 3. **因子名称：大宗交易折价率** [27] * **因子构建思路**：通过计算大宗交易成交总额相对于当日成交份额总市值的折价比例，来反映大资金通过大宗交易平台交易的意愿成本，可作为观察机构或大股东态度的参考[27]。 * **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[27]。 2. 计算当日大宗交易的总成交金额（Sum_Amount）[27]。 3. 计算当日大宗交易成交份额按当日收盘价计算的总市值（Sum_MarketValue）[27]。 4. 计算折价率，公式为： $$折价率 = \frac{Sum\_Amount}{Sum\_MarketValue} - 1$$ [27] * **因子评价**：该因子反映了机构或大股东在批量交易时的“流动性折扣”，折价率越高，通常意味着卖方出让意愿更强，或买方议价能力更高，可能隐含了对个股的负面看法[27]。 4. **因子名称：股指期货年化贴水率** [29] * **因子构建思路**：通过计算股指期货主力合约价格与现货指数价格的基差，并进行年化处理，来衡量市场对未来指数走势的预期以及股指对冲的成本[29]。 * **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[29]。 2. 计算基差：基差 = 期货价格 - 现货指数价格[29]。当基差为负时，称为贴水。 3. 计算年化贴水率，公式为： $$年化贴水率 = \frac{基差}{现货指数价格} \times \frac{250}{合约剩余交易日数}$$ [29] 其中，250为一年中大致的大盘交易日数，用于年化处理[29]。 * **因子评价**：该因子是重要的市场情绪和资金面指标。深度贴水可能反映市场悲观预期、对冲需求旺盛或套利机制受限；升水则可能反映乐观预期。贴水率直接影响利用股指期货进行对冲的成本[29]。 因子的回测效果 *注：本报告为市场监测日报，主要展示各因子在特定日期的计算数值和近期统计特征，未提供基于长期历史数据的标准化回测绩效指标（如IC、IR、多空收益等）。以下为报告中提及的因子在特定日期的取值及统计特征。* 1. **封板率因子** * 2026年04月09日取值：**74%** [17] * 近期变动：较前一日下降10个百分点[17]。 2. **连板率因子** * 2026年04月09日取值：**13%** [17] * 近期变动：较前一日下降2个百分点[17]。 3. **大宗交易折价率因子** * 2026年04月08日单日取值：**6.45%** [27] * 近半年统计均值：**7.16%** [27] * 近半年日均成交金额：19亿元[27]。 4. **股指期货年化贴水率因子** * **上证50股指期货**： * 2026年04月09日取值：**4.36%** [29] * 近一年中位数：**1.39%** [29] * 当日分位点（近一年）：**31%** [29] * **沪深300股指期货**： * 2026年04月09日取值：**7.55%** [29] * 近一年中位数：**4.85%** [29] * 当日分位点（近一年）：**35%** [29] * **中证500股指期货**： * 2026年04月09日取值：**9.88%** [29] * 近一年中位数：**10.90%** [29] * 当日分位点（近一年）：**58%** [29] * **中证1000股指期货**： * 2026年04月09日取值：**13.94%** [29] * 近一年中位数：**13.18%** [29] * 当日分位点（近一年）：**44%** [29]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：行业拥挤度监测模型**[36] * **模型构建思路**：通过量化方法对申万一级行业指数的拥挤度进行每日监测，以识别市场过热或过冷的行业，为投资决策提供参考[36]。 * **模型具体构建过程**：报告未详细披露该模型的具体构建公式和计算步骤，仅提及了其功能和应用结果。模型每日输出各行业的拥挤度水平，并识别出拥挤度较高（如通信、石油石化）和较低（如计算机、纺服）的行业[36]。此外，模型还能监测行业拥挤度的周度变动情况，例如指出有色、医药、机械行业本周拥挤度变动较大[36]。 2. **模型名称：ETF产品关注信号模型（基于溢价率Z-score）**[43] * **模型构建思路**：根据ETF的溢价率Z-score模型搭建筛选信号，通过滚动测算识别存在潜在套利机会的ETF标的，同时提示标的回调风险[43]。 * **模型具体构建过程**：报告未给出该模型具体的Z-score计算公式和滚动窗口设定。模型的核心是基于溢价率指标进行标准化（Z-score）处理，并设定阈值来生成“建议关注”等交易信号[43]。模型最终输出一个包含基金代码、名称、跟踪指数等信息的ETF产品列表[44]。 模型的回测效果 （报告未提供相关量化模型的回测绩效指标，如年化收益率、夏普比率、最大回撤等。） 量化因子与构建方式 1. **因子名称：行业拥挤度**[36] * **因子构建思路**：衡量特定行业交易过热或过冷程度的指标，用于监测市场情绪和资金集中度[36]。 * **因子具体构建过程**：报告未披露该因子的具体计算方法和构成维度（如可能包含成交量、价格动量、分析师情绪等子因子）。因子每日更新，结果以热力图形式展示近30个交易日的行业拥挤度情况[38]。 2. **因子名称：溢价率Z-score**[43] * **因子构建思路**：将ETF的溢价率进行标准化处理，以衡量当前溢价率相对于其历史水平的偏离程度，用于发现统计意义上的异常值（套利机会）[43]。 * **因子具体构建过程**：报告未给出具体的计算公式。通常，Z-score的计算公式为： $$Z = \frac{X - \mu}{\sigma}$$ 其中，$X$代表当前溢价率，$\mu$代表滚动窗口内的历史溢价率均值，$\sigma$代表滚动窗口内的历史溢价率标准差。模型利用此标准化值生成交易信号[43]。 因子的回测效果 （报告未提供相关量化因子（如行业拥挤度、溢价率Z-score）的因子测试结果，如IC值、IR、多空收益等。）

量化模型与因子总结 量化因子与构建方式 1. **因子名称：融资买入额占成交额比例** * **因子构建思路：** 衡量融资买入行为在股票或行业整体交易中的活跃程度和相对重要性，反映市场杠杆资金的参与热度[1][36]。 * **因子具体构建过程：** 对于特定股票或行业，计算其在一段时间内（如一周）的融资买入总额与同期总成交金额的比值，通常以百分比表示[36][37]。 * **公式：** $$融资买入额占成交额比例 = \frac{融资买入额}{成交额} \times 100\%$$ * 公式说明：分子为指定周期内的融资买入金额总和，分母为同期总成交金额[37]。 2. **因子名称：融资余额占流通市值比例** * **因子构建思路：** 衡量融资盘规模相对于股票或行业流通盘的大小，反映杠杆资金在流通股本中的占比和潜在影响[36]。 * **因子具体构建过程：** 在特定时点（如周末），用股票或行业的融资余额除以其流通市值，计算结果以百分比表示[36][37]。 * **公式：** $$融资余额占流通市值比例 = \frac{融资余额}{流通市值} \times 100\%$$ * 公式说明：分子为截至计算时点的融资余额，分母为同一时点的流通市值[37]。 3. **因子名称：融券卖出额占成交额比例** * **因子构建思路：** 衡量融券卖出行为在股票或行业整体交易中的活跃程度，反映市场看空力量的参与度[40]。 * **因子具体构建过程：** 对于特定股票或行业，计算其在一段时间内（如一周）的融券卖出总额与同期总成交金额的比值，通常以百分比表示[40][41]。 * **公式：** $$融券卖出额占成交额比例 = \frac{融券卖出额}{成交额} \times 100\%$$ * 公式说明：分子为指定周期内的融券卖出金额总和，分母为同期总成交金额[41]。 4. **因子名称：融券余额占流通市值比例** * **因子构建思路：** 衡量融券盘规模相对于股票或行业流通盘的大小，反映市场看空头寸在流通股本中的占比[40]。 * **因子具体构建过程：** 在特定时点（如周末），用股票或行业的融券余额除以其流通市值，计算结果以百分比表示[40][41]。 * **公式：** $$融券余额占流通市值比例 = \frac{融券余额}{流通市值} \times 100\%$$ * 公式说明：分子为截至计算时点的融券余额，分母为同一时点的流通市值[41]。 5. **因子名称：融资净买入额** * **因子构建思路：** 直接衡量在一段时间内，融资资金是净流入还是净流出某只股票、ETF或行业，是观察杠杆资金动向的核心指标[1][30][45]。 * **因子具体构建过程：** 计算特定周期内（如一周）融资买入额与融资偿还额的差值[30][46]。 * **公式：** $$融资净买入额 = 融资买入额 - 融资偿还额$$ * 公式说明：正值表示融资资金净流入，负值表示净流出[30]。 6. **因子名称：融券净卖出额** * **因子构建思路：** 直接衡量在一段时间内，融券卖空力量是增强还是减弱，反映市场看空情绪的净变化[1][33][52]。 * **因子具体构建过程：** 计算特定周期内（如一周）融券卖出额与融券偿还额的差值[33][53]。 * **公式：** $$融券净卖出额 = 融券卖出额 - 融券偿还额$$ * 公式说明：正值表示融券卖空力量净增加，负值表示净减少[33]。 因子的回测效果 *本报告为市场数据跟踪周报，主要展示各因子在报告期（2026年4月1日至4月7日）的截面数据，未提供基于历史数据的长期回测绩效指标（如IC、IR、多空收益等）。以下为报告期内部分因子的具体取值示例：* 1. **融资买入额占成交额比例因子** * 行业层面：非银金融行业该比例为10.83%，通信行业为10.26%，纺织服饰行业为3.40%[37]。 * 个股层面：振德医疗该比例为39.92%，天马科技为31.08%，京东方A为23.10%[51]。 2. **融资余额占流通市值比例因子** * 行业层面：计算机行业该比例为4.52%，非银金融行业为3.59%，石油石化行业为0.64%[37]。 3. **融券卖出额占成交额比例因子** * 行业层面：煤炭行业该比例为0.10%，银行行业为0.09%，社会服务行业为0.01%[41]。 4. **融券余额占流通市值比例因子** * 行业层面：传媒行业该比例为0.02%，家用电器行业为0.02%，银行行业为0.00%[41]。 5. **融资净买入额因子** * 行业层面：医药生物行业融资净买入额较多，电力设备、电子行业融资净买入额较少[1][30]。 * 个股层面：天孚通信融资净买入额为117，003.35万元，阳光电源为71，063.42万元[51]。 * ETF层面：华泰柏瑞沪深300ETF融资净买入额为9，057.17万元，嘉实中证500ETF为7，708.00万元[46]。 6. **融券净卖出额因子** * 行业层面：电子、基础化工行业融券净卖出额较多，电力设备、银行行业融券净卖出额较少[1][33]。 * 个股层面：深信服融券净卖出额为1，642.09万元，春风动力为1，346.25万元[53]。

量化模型与构建方式 1. **模型名称：竞争优势组合模型**[12] * **模型构建思路**：基于竞争壁垒分析框架，将行业分类并识别具有不同竞争特性的企业，聚焦于“壁垒护盾型”行业中的主导或合作共赢企业，以及非壁垒行业中的高效运营企业，构建投资组合[12]。 * **模型具体构建过程**： 1. 行业分类：将行业细致分类为“壁垒护盾型”、“竞争激烈型”、“稳中求进型”和“寻求突破型”[12]。 2. 选股逻辑： * 在“壁垒护盾型”行业中，识别能够长期维持市场领导地位的“唯一主导”企业，以及能够通过合作维持高利润率的“合作共赢”企业[12]。 * 在非“壁垒护盾型”行业中，发掘通过高效管理和成本控制实现优异运营表现的“高效运营”企业[12]。 3. 组合构建：将“壁垒护盾型”行业中的“唯一主导+合作共赢”组合与无壁垒保护行业中的“高效运营”组合结合，得到“竞争优势”组合[13]。 2. **模型名称：安全边际组合模型**[17] * **模型构建思路**：通过计算个股的盈利能力价值作为安全边际，在具有综合竞争优势的股票池内，选择安全边际最大的标的构建组合，以捕捉企业内在价值与市场价值之间的差距[17]。 * **模型具体构建过程**： 1. 股票池：基于综合竞争优势筛选股票池[17]。 2. 价值计算：计算个股的盈利能力价值作为其安全边际的度量[17]。 3. 组合构建：在股票池内选择安全边际最大的前50只股票[17]。 4. 权重设置：采用股息率加权的方式最大化组合的安全边际[17]。 5. 调仓频率：每年于5月1日、9月1日及11月1日进行组合调整[19]。 3. **模型名称：红利低波季调组合模型**[23] * **模型构建思路**：优化传统红利策略，避免陷入“高股息陷阱”。通过预测股息率并结合负向清单（如剔除股价表现极端、负债率异常的标的）来筛选标的，注重公司盈利的可持续性和长期价值[23]。 * **模型具体构建过程**： 1. 股息率筛选：不单纯追求最高股息率，报告指出股息率次高组拥有相对最高的胜率[23]。 2. 陷阱规避：通过股息率本身的预测加以规避“高股息陷阱”[23]。 3. 负向清单：考虑诸如剔除股价表现极端、负债率异常的标的等负向清单制度[23]。 4. **模型名称：AEG估值潜力组合模型**[27][30] * **模型构建思路**：基于超额收益增长（AEG）模型，寻找市场尚未充分认识到其增长潜力的公司。首先用AEG_EP因子初选，再结合股利再投资比率进行二次筛选[27][30]。 * **模型具体构建过程**： 1. **因子构建**：使用AEG_EP因子。AEG模型的核心公式用于计算权益价值，其中远期市盈率（V0/E1）等于正常市盈率加上增长溢价[27]。 * 超额收益增长（AEG）定义为带息收益超过机会成本的部分： $$A E G=Y_{t}-N_{t}=(E_{t}+r*D P S_{t-1})-(1+r)*E_{t-1}$$ * 基于AEG的估值公式为： $${{\frac{V_{0}}{E_{1}}=\frac{1}{r}+\frac{1}{r}*\frac{\left(\frac{A E G_{2}}{1+r}+\frac{A E G_{3}}{(1+r)^{2}}+\frac{A E G_{4}}{(1+r)^{3}}+\cdots\right)}}{{E_{1}}}}}$$ * 若无超额收益增长，则正常市盈率为： $${\frac{V_{0}}{E_{1}}}={\frac{1}{r}}$$ 其中，E为盈利，V为市值，r为要求回报率，DPS为每股股利[27]。 2. **组合构建**： * 首先用AEG_EP因子选取排名前100的股票[30]。 * 然后从中选择股利再投资比率高的前50只股票构建最终组合[30]。 5. **模型名称：中证800现金牛组合模型**[34][35] * **模型构建思路**：通过CFOR（自由现金流回报率）分析体系，深入评估企业的盈利能力和资产的现金生成效率，筛选出高质量、现金流稳定的“现金牛”公司[34]。 * **模型具体构建过程**： 1. **股票池构建**： * 构建两个高质量股票池的并集： * **池A（非金融）**：要求自由现金利润比率、经营资产回报率、净利润率、总资产周转率的稳定性，由高到低均位于中信一级行业40%分位数以上[35]。 * **池B（金融）**：在全A金融板块内，选择ROE位于40%分位数以上的股票[35]。 2. **最终筛选**：在合并后的高质量股票池中，进一步结合低波、低估值以及SUE（未预期盈余）因子进行筛选，得到最终持仓[35]。 6. **模型名称：困境反转组合模型**[41] * **模型构建思路**：利用库存周期刻画公司的困境反转，同时考虑景气加速恢复和定价错误的估值回归，旨在捕捉估值提升带来的收益，作为景气度投资策略的互补[41]。 * **模型具体构建过程**： 1. 刻画困境：利用库存周期来刻画公司所处的困境阶段[41]。 2. 因子叠加：结合反映景气加速恢复和定价错误的估值回归的相关因子[41]。 3. 标准化与选股：将相关因子标准化后叠加，选择综合得分最高的50只股票构建组合[41]。 模型的回测效果 （以下为各模型自2019年以来的回测表现，指标口径一致） 1. **竞争优势组合模型**，年化收益18.97%，夏普比率0.90，IR 0.09，最大回撤-19.32%，卡玛比率0.98[16] 2. **安全边际组合模型**，年化收益21.72%，夏普比率1.08，IR 0.16，最大回撤-16.89%，卡玛比率1.29[22] 3. **红利低波季调组合模型**，年化收益16.52%，夏普比率0.99，IR 0.16，最大回撤-21.61%，卡玛比率0.76[24] 4. **AEG估值潜力组合模型**，年化收益23.72%，夏普比率1.09，IR 0.14，最大回撤-24.02%，卡玛比率0.99[32] 5. **中证800现金牛组合模型**，年化收益13.20%，夏普比率0.66，IR 0.10，最大回撤-19.80%，卡玛比率0.67[37] 6. **困境反转组合模型**，年化收益23.57%，夏普比率0.95，IR 0.15，最大回撤-33.73%，卡玛比率0.70[43] 量化因子与构建方式 1. **因子名称：AEG_EP因子**[27][30] * **因子构建思路**：基于超额收益增长（AEG）模型构建的估值因子，用于识别那些带息收益增长超过机会成本、即具有增长潜力的公司[27]。 * **因子具体构建过程**：该因子源于AEG估值模型。首先计算超额收益增长（AEG），然后将其用于推导远期市盈率中的增长溢价部分。AEG_EP因子 likely 是某种形式的盈利价格比与AEG增长预期的结合，具体用于从全市场股票中筛选出AEG模型下估值具有潜力的标的[27][30]。报告明确指出首先使用该因子进行初选[30]。 2. **因子名称：CFOR体系相关因子（自由现金利润比率、经营资产回报率）**[34][35] * **因子构建思路**：通过拆解现金流量回报率（CFOR），从自由现金流和资产现金生成效率的角度评估企业经营质量和稳定性，补充传统杜邦分析的不足[34]。 * **因子具体构建过程**：CFOR体系包含两个关键维度： * **自由现金利润比率**：衡量企业将经营活动产生的现金流转化为净利润的能力[34]。 * **经营资产回报率**：衡量企业资产的现金生成效率[34]。 在“现金牛”组合模型中，这两个比率的稳定性被用作筛选非金融行业高质量公司的重要标准[35]。 3. **因子名称：困境反转相关因子**[41] * **因子构建思路**：用于刻画公司困境反转、景气加速恢复以及定价错误的估值回归的多类因子[41]。 * **因子具体构建过程**： 1. **库存周期因子**：用于定量刻画公司所处的困境阶段[41]。 2. **景气加速恢复因子**：用于识别基本面景气度正在或即将改善的公司[41]。 3. **估值回归因子**：用于识别当前价格相对于其基本面存在定价错误（低估）、有估值修复潜力的公司[41]。 最终，将这些因子标准化后叠加，得到综合得分[41]。

量化模型与构建方式 1. **模型名称：大类资产择时模型**[1] * **模型构建思路**：该模型用于对多种大类资产（包括不同期限的债券、股票指数、商品等）进行短期多空方向择时。模型通过计算“原始信号”和其移动平均（MA5）来生成交易观点[2][6]。 * **模型具体构建过程**： 1. **信号生成**：模型每日计算一个代表资产未来短期内价格上行概率的百分比值，即“原始信号”[8]。例如，对于利率债（如国债），该百分比代表“未来短期内国债到期收益率上行的概率估计”；对于股指和商品，则代表其自身价格上行的概率估计[8]。 2. **信号平滑**：对原始信号进行5日移动平均计算，得到“择时信号MA5”[2][6][8]。公式为： $$MA5_t = \frac{Signal_t + Signal_{t-1} + Signal_{t-2} + Signal_{t-3} + Signal_{t-4}}{5}$$ 其中，$MA5_t$ 为第 $t$ 日的5日移动平均值，$Signal_{t-n}$ 为第 $t-n$ 日的原始信号。 3. **观点生成规则**：根据资产类型和信号阈值，将平滑后的信号（MA5）转化为具体的多空观点[8]。 * **对于利率债（如国债）**：当 $MA5 > 60\%$ 时，模型观点为“看空”（报告中表述为“调整”，即看空债券价格/看多收益率）；当 $MA5 < 40\%$ 时，模型观点为“看多”（看多债券价格/看空收益率）；当 $MA5$ 介于 $40\%$ 和 $60\%$ 之间时，观点为“震荡”[8]。 * **对于股指和商品**：当 $MA5 > 60\%$ 时，模型观点为“看多”；当 $MA5 < 40\%$ 时，模型观点为“看空”（报告中表述为“调整”）；当 $MA5$ 介于 $40\%$ 和 $60\%$ 之间时，观点为“震荡”[8]。 模型的回测效果 **注**：报告未提供模型在历史样本外的长期回测绩效指标（如年化收益率、夏普比率、最大回撤等）。报告展示的是模型在特定交易日（2026年4月8日及前9个交易日）对多个资产的最新信号输出和观点判断[2][6][8]。 1. **大类资产择时模型**，在 **2026-04-08** 交易日对各类资产的具体信号取值及观点如下[2][6][7][8]： * **30年国债**：原始信号 77.28%，MA5 为 83.74%，模型观点为【调整】 * **3年AAA中短票**：原始信号 6.99%，MA5 为 12.74%，模型观点为【看多】 * **5年国债**：原始信号 16.93%，MA5 为 76.66%，模型观点为【调整】 * **2年国债**：原始信号 6.84%，MA5 为 15.88%，模型观点为【看多】 * **万得全A指数**：原始信号 14.13%，MA5 为 64.06%，模型观点为【调整】 * **中证红利全收益指数**：原始信号 61.06%，MA5 为 74.73%，模型观点为【调整】 * **恒生科技指数**：原始信号 70.32%，MA5 为 77.12%，模型观点为【调整】 * **科创50指数**：原始信号 16.33%，MA5 为 65.82%，模型观点为【调整】 * **万得微盘指数**：原始信号 11.87%，MA5 为 66.94%，模型观点为【调整】 * **国证2000指数**：原始信号 23.46%，MA5 为 70.17%，模型观点为【调整】 * **COMEX黄金**：原始信号 27.64%，MA5 为 51.81%，模型观点为【震荡】 * **IPE布油**：原始信号 89.38%，MA5 为 42.54%，模型观点为【震荡】 * **COMEX铜**：原始信号 79.53%，MA5 为 89.94%，模型观点为【调整】 * **焦煤**：原始信号 82.53%，MA5 为 81.77%，模型观点为【调整】 量化因子与构建方式 **注**：本篇报告为量化日报，核心内容是展示择时模型的最新应用结果，并未详细披露模型底层所使用的具体量化因子及其构建方式。报告仅在风险提示部分提及模型依赖于“因子”，但未作说明[9]。

量化模型与构建方式 1. **模型名称**：红利风格择时模型[5] * **模型构建思路**：构建一个多因子综合打分模型，用于判断对红利风格资产是看多还是看空[5]。模型通过跟踪多个宏观经济、市场情绪及风格自身动量的指标，综合计算出一个“综合因子值”，并根据该值的正负或变化发出交易信号[5]。 * **模型具体构建过程**： 1. 选取多个与红利风格表现相关的因子，包括宏观经济指标、市场情绪指标和风格动量指标[6]。 2. 对每个因子进行标准化或处理，使其具有可比性[10]。 3. 将处理后的各因子值，按照预设的权重或规则进行加总，得到“综合因子值”[5]。 4. 根据综合因子值的水平或变化方向（例如，值为正或较前值上升）生成择时观点（如“看多”或“看空”）[5]。 量化因子与构建方式 1. **因子名称**：综合因子[5] * **因子构建思路**：作为红利风格择时模型的核心输出，综合因子是多个底层因子的加权合成，用以综合反映对红利风格的择时观点[5]。 * **因子具体构建过程**：综合因子由以下7个底层因子合成，每个底层因子在最新时点（20260403）对综合因子的贡献值（即得分贡献）如表所示[10]。综合因子值为各贡献值之和。 * **中国:非制造业PMI:服务业**：反映国内服务业景气度，作为宏观经济状态变量[10]。 * **中国:M2:同比**：反映国内货币供应量增速，作为流动性状态变量[10]。 * **美国:国债收益率:10年**：反映全球无风险利率和资金成本，美债利率上行通常对红利股不利，但在本模型中最新贡献为正[6][10]。 * **红利相对净值自身**：反映红利风格自身的动量效应，即近期表现是否持续[6][10]。 * **中证红利股息率-10年期中债收益率**：反映红利资产的相对吸引力（股息率溢价）[10]。 * **融资净买入**：反映A股市场的杠杆资金情绪[6][10]。 * **行业平均景气度**：可能反映上市公司整体盈利预期[10]。 2. **因子名称**：美债利率因子（美国:国债收益率:10年）[6][10] * **因子构建思路**：使用美国10年期国债收益率作为代理变量，衡量全球无风险利率水平和资金成本，其变化会影响红利股等长久期资产的估值[6]。 * **因子具体构建过程**：直接采用美国10年期国债收益率的原始数据或经过处理（如去趋势、标准化）后的数据作为因子值[10]。 3. **因子名称**：动量因子（红利相对净值自身）[6][10] * **因子构建思路**：捕捉红利风格自身的趋势延续效应，即近期表现较好的风格在未来短期内可能继续占优[6]。 * **因子具体构建过程**：使用代表红利风格的指数或组合（如中证红利指数）的相对净值（可能相对于全市场基准）在最近一段时期（如前一周）的表现作为因子值[6][10]。 4. **因子名称**：市场情绪因子（融资净买入）[6][10] * **因子构建思路**：使用融资净买入金额作为衡量A股市场内投资者风险偏好的情绪指标[6]。 * **因子具体构建过程**：直接采用A股市场融资净买入的原始数据或经过处理（如标准化、缩放）后的数据作为因子值[10]。 5. **因子名称**：股息率溢价因子（中证红利股息率-10年期中债收益率）[10] * **因子构建思路**：计算红利指数股息率与长期国债收益率的差值，衡量红利资产相对于无风险资产的超额收益吸引力[10]。 * **因子具体构建过程**： $$因子值 = 中证红利指数股息率 - 10年期中债收益率$$ 其中，中证红利股息率为指数成分股的整体股息率，10年期中债收益率为中国10年期国债到期收益率[10]。 6. **因子名称**：宏观经济因子组（中国:非制造业PMI:服务业、中国:M2:同比、行业平均景气度）[10] * **因子构建思路**：选取一系列反映国内经济景气度、货币环境及产业盈利预期的宏观指标，作为判断市场整体和风格轮动的背景变量[10]。 * **因子具体构建过程**：直接采用相应宏观经济统计指标的发布值或经过处理（如去趋势、标准化）后的数据作为因子值[10]。 模型的回测效果 1. 红利风格择时模型，综合因子值（20260330-20260403）为0.13[3][5]。 2. 红利风格择时模型，综合因子值（20260323-20260327）为0.03[3][5]。 3. 红利风格择时模型，最新择时观点（截至20260403）为“维持看多信号”[3][5]。 因子的回测效果 （注：报告未提供各底层因子的独立历史测试指标（如IC、IR等），仅提供了它们在最新时点对综合因子的贡献值及观点。因此，此处展示最新时点的因子贡献及观点。） 1. 美债利率因子（美国:国债收益率:10年），最新得分贡献（20260403）为0.17，最新观点为1（看多）[10]。 2. 动量因子（红利相对净值自身），最新得分贡献（20260403）为0.12，最新观点为1（看多）[10]。 3. 市场情绪因子（融资净买入），最新得分贡献（20260403）为0.10，最新观点为1（看多）[10]。 4. 股息率溢价因子（中证红利股息率-10年期中债收益率），最新得分贡献（20260403）为-0.03，最新观点为0（非看多）[10]。 5. 宏观经济因子（中国:非制造业PMI:服务业），最新得分贡献（20260403）为-0.10，最新观点为0（非看多）[10]。 6. 宏观经济因子（中国:M2:同比），最新得分贡献（20260403）为-0.05，最新观点为0（非看多）[10]。 7. 宏观经济因子（行业平均景气度），最新得分贡献（20260403）为-0.09，最新观点为0（非看多）[10]。

量化模型与构建方式 1. **模型/因子名称**：封板率[18] **模型/因子构建思路**：用于衡量市场情绪和涨停股票的封板质量，计算当日最高价触及涨停且最终收盘涨停的股票比例[18] **模型/因子具体构建过程**：统计上市满3个月以上的股票。首先，筛选出当日最高价达到涨停价的股票。然后，在这些股票中，计算收盘价也达到涨停价的股票数量。封板率即为收盘涨停的股票数与最高价涨停的股票数之比[18]。 **公式**： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[18] 2. **模型/因子名称**：连板率[18] **模型/因子构建思路**：用于衡量市场涨停效应的持续性，计算昨日涨停的股票在今日继续涨停的比例[18] **模型/因子具体构建过程**：统计上市满3个月以上的股票。首先，确定昨日收盘涨停的股票数量。然后，在这些股票中，计算今日收盘也涨停的股票数量。连板率即为连续两日收盘涨停的股票数与昨日收盘涨停的股票数之比[18]。 **公式**： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[18] 3. **模型/因子名称**：大宗交易折价率[28] **模型/因子构建思路**：通过大宗交易成交价与市场价格的差异，反映大资金的交易情绪和偏好[28] **模型/因子具体构建过程**：计算每日所有大宗交易的总体折价水平。首先，汇总当日所有大宗交易的总成交金额。然后，计算这些大宗交易对应份额按当日收盘价计算的总市值。折价率即为总成交金额与总市值的比值减去1[28]。 **公式**： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[28] 4. **模型/因子名称**：股指期货年化贴水率[30] **模型/因子构建思路**：将股指期货主力合约与现货指数的基差进行年化处理，用于衡量市场情绪、对冲成本及对未来市场的预期[30] **模型/因子具体构建过程**：针对上证50、沪深300、中证500、中证1000等股指期货的主力合约进行计算。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，得到相对基差。最后，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**： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[30] 模型的回测效果 （本报告为市场监测日报，未提供量化模型的历史回测绩效指标。） 量化因子与构建方式 （本报告中的“封板率”、“连板率”、“大宗交易折价率”、“股指期货年化贴水率”等，在量化投资中通常被视为市场情绪或资金面因子，其构建方式已在“量化模型与构建方式”部分详细阐述。报告未提供其他独立的阿尔法因子。） 因子的回测效果 （本报告为市场监测日报，未提供量化因子的历史IC、IR、多空收益等回测绩效指标。但报告提供了部分因子在特定日期的观测值及历史分位数。） 1. **封板率因子**，2026年4月8日取值84%[18]，较前日提升8个百分点[18] 2. **连板率因子**，2026年4月8日取值15%[18]，较前日下降3个百分点[18] 3. **大宗交易折价率因子**，2026年4月7日当日取值7.50%[28]，近半年以来平均取值7.18%[28] 4. **股指期货年化贴水率因子**，2026年4月8日当日取值：上证50为3.70%[30]，沪深300为6.21%[30]，中证500为7.28%[30]，中证1000为11.40%[30]；近一年中位数取值：上证50为1.20%[30]，沪深300为4.81%[30]，中证500为10.90%[30]，中证1000为13.18%[30]

量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[11][40][42] * **模型构建思路**：为了准确计算股指期货的升贴水，需要精确预测从当前时刻到期货合约到期日之间，指数成分股分红除息导致价格指数点位自然下滑的总点数[11][42]。该模型通过精细化处理成分股权重、分红金额、除息日等关键变量来实现预测[11][42]。 * **模型具体构建过程**： 1. **核心公式**：指数在t时刻至期货到期日T时刻之间的预测分红点数计算公式为： $$分红点数 = \sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$$ 其中，求和条件为个股除权除息日τ满足 t < τ ≤ T[40]。 2. **数据获取与处理流程**：如图16所示，流程分为以下步骤[43][45]： * 获取指数成分股及其日度权重[48][49]。 * 对每只成分股： * **若已公布分红金额**：判断是否公布除息日。若已公布，则直接采用；若未公布，则估计其除息日[45]。 * **若未公布分红金额**：需估计其分红金额。分红金额 = 净利润 × 股息支付率，因此需分别估计净利润和股息支付率，再估计除息日[45][50]。 3. **关键变量估计方法**： * **成分股权重**：采用中证指数公司每日披露的日度收盘权重数据，以保证准确性[49]。报告也提及了在无法获取精确日度权重时的估算方法：假设最近一次公布权重日期为t_0，权重为w_n0，t日到t_0日个股非复权涨跌幅为r_n，则t日权重估算公式为： $$W_{n,t}={\frac{w_{i0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{n})}}$$[48] * **净利润预测**：采用基于历史净利润分布的动态预测法[52]。 * 若公司已公布年报、快报或业绩预告，则直接采用（业绩预告取上下限均值）[52]。 * 若未披露，则根据公司季度盈利分布稳定性分类预测：盈利分布稳定的公司按历史规律预测；盈利分布不稳定的公司，使用上年同期盈利作为预测值[52]。 * **股息支付率预测**： * 若公司去年分红，则以去年股息支付率作为今年预测值[56]。 * 若公司去年不分红，则以最近3年股息支付率平均作为预测值[56]。 * 若公司过去从未分红，则默认今年不分红[56]。 * 当预期股息支付率大于100%时，进行截尾处理[56]。 * **除息日预测**：采用基于历史间隔天数稳定性的线性外推法，具体步骤如流程图18所示[54][57][59]： * 若已公布除息日，则直接采用[59]。 * 若未公布，则根据公司是否已公布分红预案、所处阶段（预案/决案）进行判断[59]。 * 利用历史“预案公告日到除息日”或“股东大会公告日到除息日”的间隔天数的稳定性进行线性外推[59]。 * 若无可靠历史数据或外推结果不合理，则采用默认日期（根据预测时间点，设为7月31日、8月31日或9月30日）[59]。 量化因子与构建方式 1. **因子名称：已实现股息率**[3][16] * **因子构建思路**：衡量指数成分股中，在本年度已经完成现金分红的公司，其分红对指数股息率的贡献[16]。 * **因子具体构建过程**：计算指数成分股中，今年已现金分红的公司的分红总额与其总市值之比，再按个股权重进行加权求和[16]。 $$已实现股息率 = \sum_{n=1}^{N1} \frac{个股已分红金额}{个股总市值} \times 个股权重$$ 其中，N1表示指数成分股中今年已现金分红的公司数量[16]。 2. **因子名称：剩余股息率**[3][16] * **因子构建思路**：衡量指数成分股中，尚未进行现金分红但预计将会分红的公司，其待分红部分对指数未来股息率的预期贡献[16]。 * **因子具体构建过程**：计算指数成分股中，尚未现金分红的公司的待分红总额（基于已公布预案或模型预测）与其总市值之比，再按个股权重进行加权求和[16]。 $$剩余股息率 = \sum_{n=1}^{N2} \frac{个股待分红金额}{个股总市值} \times 个股权重$$ 其中，N2表示指数成分股中尚未现金分红的公司数量[16]。 3. **因子名称：年化升贴水**[4][12] * **因子构建思路**：将股指期货合约价格与经分红调整后的现货指数价格之间的价差，进行年化处理，以标准化比较不同期限合约的升贴水程度[11]。 * **因子具体构建过程**： 1. 计算含分红价差：合约收盘价 - (指数收盘价 - 从当前至到期日的预测分红点数)[12]。 2. 计算升贴水幅度：含分红价差 / 指数收盘价[12]。 3. 年化处理：将升贴水幅度根据合约到期天数进行年化[12]。 模型的回测效果 1. **股指分红点位测算模型** * **预测误差**：模型对主要指数全年股息点的预测误差基本稳定[64]。 * 上证50指数：误差基本在5个点左右[64]。 * 沪深300指数：误差基本在5个点左右[64]。 * 中证500指数：误差基本在10个点左右[64]。 * 中证1000指数：误差基本在10个点左右[64]。 * **预测准确性**：对于股指期货当月主力合约，模型在2024年和2025年的预测股息点与实际股息点对比显示，各合约预测效果较好，具有较好的预测准确性[64]。 因子的回测效果 1. **已实现股息率因子** (截至2026年4月8日)[3] * 上证50指数：0.00% * 沪深300指数：0.00% * 中证500指数：0.01% * 中证1000指数：0.00% 2. **剩余股息率因子** (截至2026年4月8日)[3] * 上证50指数：2.47% * 沪深300指数：1.98% * 中证500指数：1.17% * 中证1000指数：0.91% 3. **年化升贴水因子** (主力合约，截至2026年4月8日)[4][12] * IH主力合约(IH2604.CFE)：-4.28% * IF主力合约(IF2604.CFE)：-5.42% * IC主力合约(IC2604.CFE)：4.55% * IM主力合约(IM2604.CFE)：-4.17%