量化模型与构建方式 1. 人工智能全球大类资产配置模型 * **模型名称**：人工智能全球大类资产配置模型[38] * **模型构建思路**：将机器学习模型应用到大类资产配置问题上，基于因子投资的思路，使用模型对各类资产进行打分排序，最终构建可投资的月频量化等权配置策略[38] * **模型具体构建过程**：报告未详细描述具体的机器学习模型算法、因子构成及打分排序的详细计算过程，仅提及了基于因子投资思路构建策略的整体框架[38] 2. 基于动态宏观事件因子的股债轮动配置模型 * **模型名称**：基于动态宏观事件因子的股债轮动配置模型[43] * **模型构建思路**：构建一个宏观择时模块，结合风险预算模型框架，输出不同风险偏好（保守、稳健、进取）的股债配置权重[43] * **模型具体构建过程**： 1. **宏观择时模块**：从经济增长和货币流动性两个维度构建动态宏观事件因子[43]。每个维度包含多个细分指标（因子），例如经济增长维度包括M1同比、PPI同比、PPI-CPI剪刀差、工业增加值同比、国债利差(10Y-1M)、发电量环比等；货币流动性维度包括M1-M2剪刀差、中美国债利差(10Y)、中国国债美国TIPS利差(10年)等[46]。 2. **信号生成**：每个细分指标根据其数值或变化发出看多信号（记为1）或看空信号（记为0）[46][54]。 3. **维度信号合成**：将同一维度下的多个细分因子信号进行合成，得到该维度的总体信号强度（例如60%）[43][45]。 4. **最终仓位确定**：综合经济增长和货币流动性维度的信号，通过风险预算模型框架，计算出最终的股票建议仓位，并据此构建保守型、稳健型和进取型三种不同风险偏好的配置策略[43][45]。 3. 红利风格择时配置模型 * **模型名称**：红利风格择时配置模型[50] * **模型构建思路**：使用经济增长和货币流动性共10个指标，通过动态事件因子体系构建针对中证红利指数的择时策略，以提升收益稳定性[50] * **模型具体构建过程**： 1. **因子构建**：选取经济增长和货币流动性两个维度的共10个指标作为动态事件因子。经济增长维度指标包括消费者信心指数、发电量环比、国债利差(10Y-3M)、中采制造业PMI新出口订单、PPI同比、PPI-CPI剪刀差；货币流动性指标包括Shibor2W、R007_MA20、Shibor1M环比、逆回购R007差额[54]。 2. **信号生成**：每个指标根据规则独立生成看多信号（1）或看空信号（0）[54]。 3. **信号合成**：将所有指标的信号进行合成，得到最终的择时信号（0%或100%），用于决定中证红利指数的推荐仓位[50][54]。 模型的回测效果 1. 人工智能全球大类资产配置模型 * **回测区间**：2021年1月至2025年12月[39] * **年化收益率**：6.78%[39] * **年化波动率**：6.53%[42] * **夏普比率**：1.04[39] * **最大回撤**：6.66%[39] * **基准（资产等权）年化收益率**：6.80%[39] * **基准夏普比率**：0.75[39] * **基准最大回撤**：12.67%[39] * **年初至今收益率（截至报告期）**：7.18%[40] * **基准年初至今收益率**：18.14%[40] 2. 基于动态宏观事件因子的股债轮动配置模型 * **回测区间**：2005年1月至2025年12月[43] * **进取型策略年化收益率**：20.03%[44] * **稳健型策略年化收益率**：10.84%[44] * **保守型策略年化收益率**：5.88%[44] * **基准（股债64）年化收益率**：8.97%[44] * **进取型策略年化波动率**：14.07%[49] * **稳健型策略年化波动率**：8.14%[49] * **保守型策略年化波动率**：3.20%[49] * **基准年化波动率**：16.49%[49] * **进取型策略夏普比率**：1.30[49] * **稳健型策略夏普比率**：1.18[49] * **保守型策略夏普比率**：1.48[49] * **基准夏普比率**：0.54[49] * **进取型策略最大回撤**：-13.72%[49] * **稳健型策略最大回撤**：-6.77%[49] * **保守型策略最大回撤**：-3.55%[49] * **基准最大回撤**：-46.24%[49] * **进取型策略年初至今收益率**：15.77%[49] * **稳健型策略年初至今收益率**：4.23%[49] * **保守型策略年初至今收益率**：0.70%[49] * **基准年初至今收益率**：15.95%[49] 3. 红利风格择时配置模型 * **模型具体测试结果取值**： * **年化收益率**：16.18%[50][53] * **年化波动率**：17.32%[53] * **夏普比率**：0.93[50][53] * **最大回撤**：-21.22%[50][53] * **基准（中证红利全收益指数）年化收益率**：11.28%[53] * **基准年化波动率**：22.60%[53] * **基准夏普比率**：0.57[53] * **基准最大回撤**：-36.80%[53] 量化因子与构建方式 1. 动态宏观事件因子（用于股债轮动及红利择时） * **因子构建思路**：从宏观经济指标中选取具有预测性的变量，将其转化为二值化（0/1）的择时信号，用于判断股票市场的整体或风格（红利）走势[43][50] * **因子具体构建过程**：报告列出了用于不同模型的细分宏观指标，其构建逻辑应为：当指标值或变化量超过（或低于）特定阈值时，发出看多信号（赋值为1），否则为看空信号（赋值为0）[46][54]。具体指标包括： * **经济增长维度**：M1同比、PPI同比、PPI-CPI剪刀差、工业增加值同比、国债利差(10Y-1M或10Y-3M)、发电量当月值3月移动平均环比、消费者信心指数、中采制造业PMI新出口订单等[46][54] * **货币流动性维度**：M1-M2剪刀差、中美国债利差(10Y)、中国国债美国TIPS利差(10年)、Shibor2W、R007_MA20、Shibor1M环比、逆回购R007差额等[46][54]

量化模型与构建方式 1. **模型名称**：固收+基金风险特征分类模型[21] **模型构建思路**：由于传统基于基金类型的分类方法难以充分刻画固收+产品的实际风险暴露水平，因此根据基金长期权益风险暴露水平对产品进行重新划分[21] **模型具体构建过程**： 1. 首先，确定“固收+”基金的研究口径：过去八个季度转债平均仓位不高于80%的混合债券型一级、二级基金，以及过去八个季度权益平均仓位（股票仓位 + 0.5×转债仓位）不高于40%、且权益仓位最大值不超过60%的偏债混合型和灵活配置型基金，并剔除权益仓位不足1%的基金及非初始基金[18] 2. 计算每只固收+基金过去八个季度的平均权益仓位，计算公式为： $$权益仓位 = 股票仓位 + 0.5 \times 转债仓位$$ 其中，股票仓位和转债仓位为基金定期报告披露的持仓比例[18][21] 3. 根据计算出的历史平均权益仓位，以15%和25%为临界值，将固收+基金划分为三类： * **稳健型**：平均权益仓位 ≤ 15% * **均衡型**：15% < 平均权益仓位 ≤ 25% * **激进型**：平均权益仓位 > 25%[21] 2. **模型名称**：固收+基金持仓风格分析模型[44] **模型构建思路**：为了刻画固收+基金在成长、估值和市值三个维度上的风格暴露特征，采用前十大重仓股持仓市值加权的方法进行计算[44] **模型具体构建过程**： 1. 对于每只固收+基金，获取其定期报告披露的前十大重仓股名单及持仓市值[44] 2. 为每只重仓股匹配其在全市场股票池中对应的风格因子值（成长因子、估值因子、市值因子）[44] 3. 以每只重仓股在该基金前十大重仓股中的持仓市值占前十大重仓股总市值的比例为权重，对个股的风格因子值进行加权平均，得到该基金在对应风格上的暴露值[44] 4. 将所有固收+基金的风格暴露值进行汇总，可以分析不同类型（稳健型、均衡型、激进型）或全市场固收+基金的整体风格暴露特征及变化趋势[44][47][48][51] 3. **模型名称**：固收+基金综合评分模型[37] **模型构建思路**：从产品的收益和风险维度出发，对固收+产品进行综合打分，以评估其风险收益性价比[37] **模型具体构建过程**： 1. 选取评价指标：近三年年化收益、近三年最大回撤[37] 2. 计算每只固收+基金在上述两个指标上的分位数排名[37] 3. 由于基金的回撤对债券占比过于敏感，因此对年化收益赋予更高的权重，综合得分计算公式为： $$综合得分 = 年化收益分位数 \times 1.5 + 最大回撤分位数$$ 其中，分位数越高代表在该指标上表现越好（收益更高或回撤更小）[37] 4. 根据综合得分对基金进行排序，得分高的基金被认为具有较好的风险收益性价比[37] 量化因子与构建方式 1. **因子名称**：权益仓位因子[18][21] **因子构建思路**：用于衡量固收+基金整体的风险暴露水平，是基金风险特征分类的核心依据[21] **因子具体构建过程**：根据基金定期报告（季报、半年报、年报）披露的资产组合数据，计算股票资产市值占基金资产净值的比例作为股票仓位，计算可转债资产市值占基金资产净值的比例作为转债仓位，然后按以下公式合成权益仓位因子： $$权益仓位 = 股票仓位 + 0.5 \times 转债仓位$$ 该公式体现了可转债资产兼具股性和债性的特征，将其一半的仓位计入权益风险暴露[18] 2. **因子名称**：成长风格因子[44] **因子构建思路**：用于衡量基金持仓组合在成长性维度上的暴露程度，反映基金对高成长性股票的偏好[44] **因子具体构建过程**：首先，在全市场股票层面构建成长风格因子（例如，使用营收增长率、净利润增长率等指标合成）。然后，对于单只基金，使用其前十大重仓股的持仓市值作为权重，对个股的成长因子值进行加权平均，得到该基金的成长风格因子暴露值[44] 3. **因子名称**：估值（价值）风格因子[45] **因子构建思路**：用于衡量基金持仓组合在估值水平维度上的暴露程度，反映基金对低估值（高价值）或高估值股票的偏好[45] **因子具体构建过程**：首先，在全市场股票层面构建估值风格因子（例如，使用市盈率PE、市净率PB等指标合成，通常低估值对应高价值因子值）。然后，对于单只基金，使用其前十大重仓股的持仓市值作为权重，对个股的估值因子值进行加权平均，得到该基金的估值风格因子暴露值[45] 4. **因子名称**：市值风格因子[46] **因子构建思路**：用于衡量基金持仓组合在市值规模维度上的暴露程度，反映基金对大市值或小市值股票的偏好[46] **因子具体构建过程**：首先，在全市场股票层面构建市值风格因子（通常使用股票总市值的对数）。然后，对于单只基金，使用其前十大重仓股的持仓市值作为权重，对个股的市值因子值进行加权平均，得到该基金的市值风格因子暴露值[46] 模型的回测效果 1. **固收+基金风险特征分类模型**，通过分类展示了不同类型基金在2025年的规模增长情况：稳健型年内规模提升3695.98亿元，均衡型提升2101.94亿元，激进型提升1902.49亿元[21] 2. **固收+基金综合评分模型**，应用该模型筛选出了各类别中表现前十的基金，例如稳健型中的平安瑞兴1年持有混合A（近三年年化收益8.61%，最大回撤2.03%），均衡型中的华夏磐泰混合A（近三年年化收益9.94%，最大回撤7.64%），激进型中的工银聚丰混合A（近三年年化收益10.76%，最大回撤5.39%）[38] 因子的回测效果 1. **权益仓位因子**，基于该因子分类的三类固收+基金在2020-2025年期间展现出不同的风险收益特征：激进型基金在权益上行周期中收益弹性最强，但回撤也大于其他两类；稳健型基金净值波动最小，表现出较强的韧性[31][35] 2. **成长风格因子**，分析显示各类固收+产品在成长风格上均有较高的正向暴露，其中激进型基金的成长特征最强。2020-2021年，激进型产品成长因子显著高于稳健型与均衡型；2022年后，三类产品的成长风格暴露逐步收敛[44][47] 3. **估值（价值）风格因子**，分析显示大部分固收+产品在价值因子上整体表现为负向暴露（即偏好估值较高的股票）。相对而言，稳健型固收+产品在多数时期对估值的容忍度较低，其价值因子暴露水平高于其他两类产品[45][48] 4. **市值风格因子**，分析显示均衡型固收+产品在大市值风格上的暴露相对更高。自2021年以后，各类型固收+产品在市值风格上的暴露整体趋于稳定[46][51]

量化模型与构建方式 1. **模型名称：多资产时序收益率联合重新排列（非参数蒙特卡洛模拟）**[13] * **模型构建思路**：通过随机抽取历史交易日，并将该日所有资产的收益率作为一个整体数据块进行重排，来生成模拟价格路径[13]。 * **模型具体构建过程**： 1. 获取多资产的历史日收益率序列[18]。 2. 随机抽取一个交易日，将该日所有资产的收益率作为一个“数据块”完整取出[18]。 3. 将抽取的“数据块”按顺序拼接，形成一条新的模拟路径[18]。 4. 重复此过程，直至生成所需时间长度的模拟序列[18]。 * **模型评价**：优点是完全依赖历史数据，无需对收益率分布做参数假设，且能自然保持抽取当日所有资产间的截面相关性[14]。局限是破坏了原始数据的时间序列结构（如波动率聚集性、自相关性），且对收益率均值的估计可能因样本的牛熊市主体而有偏[14]。适用于对均值不敏感的策略，如最小方差组合、风险平价组合优化[15]。 2. **模型名称：多资产时序收益率分块 Bootstrap（非参数蒙特卡洛模拟）**[19] * **模型构建思路**：将历史收益率序列划分为固定长度的时间块，并随机抽取整个时间块进行重排，以生成模拟路径[19]。 * **模型具体构建过程**： 1. 将多资产的历史收益率序列划分为固定长度（如20个交易日）的重叠或非重叠时间块[19]。 2. 随机抽取一个时间块，将该时间段内所有资产的收益率序列整体取出[19]。 3. 将抽取的时间块按顺序拼接，形成模拟路径[19]。 * **模型评价**：优点是在时间块内部，保留了资产间的截面相关性以及一定程度的短期时间序列特性（如波动率聚集和自相关性）[20]。局限是时间块边界处可能存在不连续性，且块长度的选择具有主观性，会影响对长周期依赖关系的捕捉[20]。适用于依赖于市场短期记忆效应的交易策略，如趋势跟踪、波动率目标、均值回归策略[21]。 3. **模型名称：残差 Bootstrap（因子模型法）**[23] * **模型构建思路**：基于多因子模型分离资产的系统性风险和特质性风险，通过对模型残差进行重抽样，并结合真实因子路径来重建资产价格路径[23]。 * **模型具体构建过程**： 1. **风险因子构建与收益计算**：选取并计算市场、市值、价值、动量等风格因子的历史日收益率序列[23]。 2. **多因子回归与残差提取**：将每个资产的收益率对所选因子进行截面回归，估计其因子暴露（β）。资产收益率中无法被多因子模型解释的部分即为残差收益率[23]。 3. **残差的重抽样**：对残差矩阵进行跨时间的全局随机重排。此举彻底破坏了残差中可能存在的任何时间序列依赖，但严格保留了资产残差之间的横截面相关性结构[23]。 4. **路径重建**：使用历史的风险因子真实路径与估计的β相乘，再加上打乱后的残差，生成模拟价格路径[23]。 * **模型评价**：优点是清晰分离收益来源，是分析策略特质性Alpha和风险敞口的工具[24]。局限是条件于历史系统性风险情景的模拟，无法评估策略在未经历过的宏观环境或因子范式切换下的表现[24]。适用于资产有强有力的收益解释模型（因子模型解释力R²较高）的场景[25]。 4. **模型名称：基于几何布朗运动（GBM）的恒定协方差模拟**[28] * **模型构建思路**：假设资产价格服从几何布朗运动，通过估计历史收益率均值和协方差矩阵，并利用Cholesky分解生成相关的随机路径[28]。 * **模型具体构建过程**： 假设有n个相关资产，每个资产价格$S_i(t)$遵循几何布朗运动： $$d S_{i}(t)=\mu_{i}S_{i}(t)d t+\sigma_{i}S_{i}(t)d W_{i}(t),i=1,\ldots,n$$ 其中，$\mu_i$是资产i的漂移率（预期收益率）；$\sigma_i$是资产i的波动率；$W_i(t)$是标准布朗运动[28]。 经价格对数化和协方差矩阵Cholesky分解后，得到资产的离散化价格路径： $$S_{i}^{(j)}(t_{k})=X_{i}(0)\,e x p[(\,k\Delta t+\sum_{l=1}^{k}\sum_{p=1}^{n}L_{i p}Z_{l,p}^{(j)}\,]$$ 其中，$X_i(0) = \ln (S_i(0))$，$\Delta t$为时间步长，$L$为协方差矩阵进行Cholesky分解后得到的下三角矩阵，$Z_{l,p}^{(j)}$是第j条路径第l步第p个独立标准正态随机变量[28]。 * **模型评价**：优点在于模型仅需均值和协方差矩阵两个参数，即可快速生成大量相关资产路径，特别适合需要进行大量模拟的蒙特卡洛回测；且收益率是随机生成的，而非采样于历史样本[28]。局限在于正态性假设与“尖峰厚尾”现实不符，无法刻画现实中资产收益率分布的“尖峰厚尾”特征，因此严重低估极尾部风险发生的概率；且GBM路径是连续的，无法模拟由突发事件引起的价格跳跃[28]。适用于非尾部市场状态下的风险价值（VaR）、条件风险价值（CVaR）及最大回撤分布研究，以及多资产组合的分散化效果研究[29]。 5. **模型名称：A股风格轮动策略（截面动量与波动率双因子打分模型）**[35] * **模型构建思路**：使用经典的截面动量和波动率双因子，对风格ETF进行标准化打分，并持有得分最高的风格，以构建轮动策略[35]。 * **模型具体构建过程**： 1. 选择A股四种风格（红利、成长、大盘、中小盘）及其代表ETF作为轮动候选池[34]。 2. 计算每个风格ETF的动量因子和波动率因子。因子的计算涉及回望窗口长度N（参数，文中测试N ∈ [15, 20, 40]个交易日）[35]。 3. 对单个因子在截面上（即四个风格间）进行ZScore标准化[35]。 4. 将标准化后的动量因子得分和波动率因子得分进行等权加总，得到每个风格的综合得分[35]。 $$S c o r e_{i}=0.5*Z S c o r e_{i,m o m}+0.5*Z S c o r e_{i,v o l}$$ 5. 每日调仓，持有得分最高的风格ETF[35]。 模型的回测效果 （注：以下回测效果主要基于风格轮动策略模型在不同价格路径和参数下的测试结果） 1. **A股风格轮动策略模型**，在**历史真实价格路径**上，不同回望窗口（N）对应的**夏普比率**分别为：N=15日: 0.84， N=25日: 0.96， N=40日: 0.66[45]。 2. **A股风格轮动策略模型**，在**收益率联合重排模拟路径**上，不同回望窗口（N）对应的**夏普比率**分别为：N=15日: 0.22， N=25日: 0.19， N=40日: 0.16[45]。 3. **A股风格轮动策略模型**，在**GBM模拟路径**上，不同回望窗口（N）对应的**夏普比率**分别为：N=15日: 0.19， N=25日: 0.17， N=40日: 0.19[45]。

量化模型与因子总结 量化因子与构建方式 1. **因子名称：风险溢价因子**[25] * **因子构建思路**：以十年期国债即期收益率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，用于衡量其相对投资价值和偏离情况[25]。 * **因子具体构建过程**：风险溢价的计算公式为指数的预期收益率（通常用市盈率倒数或股息率等指标近似）减去无风险利率。报告中直接给出了各指数的“当前风险溢价”值，其计算逻辑为：风险溢价 = 指数收益率（或估值隐含收益率） - 十年期国债即期收益率[25][26][27]。 2. **因子名称：股债性价比因子**[44] * **因子构建思路**：以各指数市盈率（PE-TTM）的倒数和十年期国债即期收益率之差构建股债性价比指标，用于比较股票与债券资产的相对吸引力[44]。 * **因子具体构建过程**：股债性价比 = (1 / 指数PE-TTM) - 十年期国债即期收益率[44]。报告通过图表展示了该因子的历史走势，并设置了基于近5年数据的80分位值（机会值）和20分位值（危险值）作为参考阈值[44]。 3. **因子名称：股息率因子**[46] * **因子构建思路**：股息率反映现金分红回报率，是红利投资风格的核心指标。在市场低迷或利率下行期，高股息资产因其稳定的现金流和较低的估值而具备防御性[46]。 * **因子具体构建过程**：股息率 = 年度现金分红总额 / 总市值。报告直接列出了各宽基指数的当前股息率数值[51]。 4. **因子名称：破净率因子**[52] * **因子构建思路**：破净率表示市净率小于1的个股数量占比，用于反映市场整体的估值态度和悲观程度。破净率越高，表明市场低估情况越普遍；反之，则可能表明市场对未来发展持乐观态度[52][54]。 * **因子具体构建过程**：破净率 = (指数成分股中市净率小于1的个股数量) / (指数成分股总数量)。报告直接给出了各宽基指数的当前破净率数值[55]。 5. **因子名称：均线偏离因子**[13] * **因子构建思路**：通过计算指数收盘价与不同周期移动平均线（MA）的偏离程度，来评估指数的短期趋势强度、超买超卖状态以及距离支撑位的远近[13]。 * **因子具体构建过程**：计算指数收盘价相对于各条移动平均线（如MA5, MA10, MA20, MA60, MA120, MA250）的百分比偏离。计算公式为：$$ vsMA_N = (Close / MA_N - 1) \times 100\% $$，其中 $$ Close $$ 为当日收盘价，$$ MA_N $$ 为N日移动平均线[13]。报告在表格中直接列出了各指数相对于不同周期均线的偏离百分比[13]。 6. **因子名称：收益分布形态因子（偏度与峰度）**[21][23] * **因子构建思路**：通过计算指数日收益率分布的偏度和超额峰度，来刻画收益分布的不对称性和尖峰厚尾特征，从而评估市场极端收益出现的可能性和分布集中度[21][23]。 * **因子具体构建过程**： * **偏度**：衡量分布的不对称性。正偏态表示极端正收益情形增加，负偏态反之[21]。 * **峰度**：报告中计算的是超额峰度（峰度值减去了正态分布的峰度3），用于衡量分布相比正态分布的尖峰或平峰程度。峰度越大（正值），说明收益率分布更集中，尾部更厚；负值则说明分布更平缓[23]。 报告通过对比“当前值”与“近5年”历史值，来分析分布形态的近期变化[23]。 模型的回测效果 *本报告为市场数据跟踪报告，主要展示各类因子的当前状态和历史分位值，并未涉及基于这些因子构建投资组合模型并进行历史回测，因此无模型回测效果数据。* 因子的回测效果 *本报告未提供基于单因子或多因子组合进行选股或择时的历史回测绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。报告主要呈现的是各因子在特定时点（2026年1月6日）的截面数据、历史分位值以及近期统计特征（如均值、波动率）。* **各因子在报告基准日（2026年1月6日）的取值与统计特征如下：** 1. **风险溢价因子**[29] * **当前值**：上证50 (1.90%)， 沪深300 (1.54%)， 中证500 (2.12%)， 中证1000 (1.42%)， 中证2000 (1.21%)， 中证全指 (1.58%)， 创业板指 (0.74%) * **近5年分位值**：上证50 (96.19%)， 沪深300 (93.97%)， 中证500 (97.30%)， 中证1000 (87.54%)， 中证2000 (81.27%)， 中证全指 (93.33%)， 创业板指 (70.63%) * **近1年波动率**：上证50 (0.84%)， 沪深300 (0.96%)， 中证500 (1.28%)， 中证1000 (1.41%)， 中证2000 (1.61%)， 中证全指 (1.14%)， 创业板指 (1.84%) 2. **PE-TTM估值因子**[40][42] * **当前值**：上证50 (12.13)， 沪深300 (14.53)， 中证500 (35.49)， 中证1000 (48.34)， 中证2000 (162.84)， 中证全指 (22.16)， 创业板指 (43.01) * **近5年历史分位值**：上证50 (90.58%)， 沪深300 (92.23%)， 中证500 (99.92%)， 中证1000 (99.67%)， 中证2000 (89.50%)， 中证全指 (99.92%)， 创业板指 (62.73%) * **近1年波动率**：上证50 (0.49)， 沪深300 (0.76)， 中证500 (2.52)， 中证1000 (4.30)， 中证2000 (28.71)， 中证全指 (1.50)， 创业板指 (4.99) 3. **股息率因子**[51] * **当前值**：上证50 (3.05%)， 沪深300 (2.64%)， 中证500 (1.33%)， 中证1000 (1.05%)， 中证2000 (0.74%)， 中证全指 (1.94%)， 创业板指 (0.93%) * **近5年历史分位值**：上证50 (30.00%)， 沪深300 (31.65%)， 中证500 (10.58%)， 中证1000 (27.19%)， 中证2000 (5.21%)， 中证全指 (27.60%)， 创业板指 (57.93%) * **近1年波动率**：上证50 (0.44%)， 沪深300 (0.42%)， 中证500 (0.21%)， 中证1000 (0.15%)， 中证2000 (0.12%)， 中证全指 (0.32%)， 创业板指 (0.16%) 4. **破净率因子**[55] * **当前值**：上证50 (24.0%)， 沪深300 (16.33%)， 中证500 (10.2%)， 中证1000 (7.7%)， 中证2000 (3.1%)， 中证全指 (5.92%) 5. **均线偏离因子**[13] * **vsMA5偏离百分比**：上证50 (2.8%)， 沪深300 (2.2%)， 中证500 (3.3%)， 中证1000 (2.4%)， 中证2000 (2.0%)， 中证全指 (2.4%)， 创业板指 (1.9%) * **vsMA250偏离百分比**：上证50 (12.9%)， 沪深300 (15.3%)， 中证500 (23.2%)， 中证1000 (17.9%)， 中证2000 (18.9%)， 中证全指 (17.7%)， 创业板指 (33.8%) 6. **收益分布形态因子**[23] * **当前峰度（超额）**：上证50 (0.01)， 沪深300 (0.55)， 中证500 (0.81)， 中证1000 (1.48)， 中证2000 (1.32)， 中证全指 (0.93)， 创业板指 (1.01) * **当前偏度**：上证50 (1.32)， 沪深300 (1.52)， 中证500 (1.55)， 中证1000 (1.68)， 中证2000 (1.69)， 中证全指 (1.61)， 创业板指 (1.56) * **当前vs近5年峰度变化**：上证50 (-2.06)， 沪深300 (-1.85)， 中证500 (-2.18)， 中证1000 (-1.26)， 中证2000 (-1.51)， 中证全指 (-1.90)， 创业板指 (-2.74)

量化模型与构建方式 本报告主要分析国证商用卫星通信产业指数及其跟踪ETF的投资价值，未涉及具体的量化预测模型或选股因子的构建与测试。报告内容侧重于指数介绍、风格分析及历史绩效对比。 量化因子与构建方式 报告中对国证商用卫星通信产业指数进行了风格因子暴露分析，提及了一系列风格因子，但未详细阐述其构建过程。 1. **因子名称**：风格因子（估值、成长、盈利、规模、流动性、动量、杠杆、分红、波动率、技术）[53] * **因子构建思路**：通过多因子模型分析指数相对于基准（上证指数）的风格特征[53] * **因子具体构建过程**：报告未提供具体构建公式和过程，仅展示了最终的因子暴露结果。分析基于Wind数据，采用相对暴露值进行展示[53][55] 模型的回测效果 报告未涉及具体量化模型的回测效果。 因子的回测效果 报告未提供单个因子的具体测试结果取值。风格因子的分析结果以相对暴露值的形式展示，卫星通信指数呈现出高流动性、高波动、高动量的风格特征[53]。 指数绩效表现 报告详细对比了国证商用卫星通信产业指数与相关指数的历史绩效。 1. **指数名称**：国证商用卫星通信产业指数 * **近三月收益**：44.27%[51] * **近六月收益**：68.48%[51] * **近三年收益（年化）**：29.62%[51] * **夏普比率（近三年）**：1.07[51] * **卡玛比率（近三年）**：0.66[51] 2. **指数名称**：中证卫星产业指数 * **近三月收益**：42.94%[51] * **近六月收益**：64.68%[51] * **近三年收益（年化）**：25.60%[51] * **夏普比率（近三年）**：0.95[51] * **卡玛比率（近三年）**：0.62[51] 3. **指数名称**：中证军工指数 * **近三月收益**：14.31%[51] * **近六月收益**：24.81%[51] * **近三年收益（年化）**：8.47%[51] * **夏普比率（近三年）**：0.43[51] * **卡玛比率（近三年）**：0.22[51] 4. **指数名称**：沪深300指数 * **近三月收益**：0.21%[51] * **近六月收益**：18.06%[51] * **近三年收益（年化）**：6.34%[51] * **夏普比率（近三年）**：0.41[51] * **卡玛比率（近三年）**：0.26[51] 5. **指数名称**：中证500指数 * **近三月收益**：1.56%[51] * **近六月收益**：27.32%[51] * **近三年收益（年化）**：8.66%[51] * **夏普比率（近三年）**：0.47[51] * **卡玛比率（近三年）**：0.28[51]

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** [17] * **因子构建思路**：通过计算当日最高价涨停且最终收盘也涨停的股票比例，来衡量市场追涨情绪和涨停板的可靠性[17]。 * **因子具体构建过程**： 1. 筛选上市满3个月以上的股票[17]。 2. 找出在当日交易中，最高价曾达到涨停价的股票集合。 3. 在上述集合中，进一步找出收盘价也涨停的股票。 4. 计算封板率，公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ [17] 2. **因子名称：连板率** [17] * **因子构建思路**：通过计算昨日涨停股票在今日继续涨停的比例，来衡量市场炒作的持续性和赚钱效应[17]。 * **因子具体构建过程**： 1. 筛选上市满3个月以上的股票[17]。 2. 找出前一日（昨日）收盘涨停的股票集合。 3. 在上述集合中，找出今日收盘也涨停的股票。 4. 计算连板率，公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ [17] 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卖出意愿[26]。 * **因子具体构建过程**： 1. 获取当日所有大宗交易的成交总金额。 2. 获取当日大宗交易成交份额按市价计算的总市值。 3. 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] 4. **因子名称：股指期货年化贴水率** [28] * **因子构建思路**：通过计算股指期货价格相对于现货指数的年化基差，来反映市场对未来走势的预期、对冲成本以及市场情绪[28]。 * **因子具体构建过程**： 1. 计算基差：股指期货价格减去现货指数价格[28]。 2. 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] * **公式说明**：当结果为负时，表示股指期货处于贴水状态；当结果为正时，表示处于升水状态[28]。计算中使用的250是一年的大致交易日数。 因子的回测效果 *本报告为市场监测日报，未提供因子的历史回测绩效指标（如IC、IR、多空收益等）。报告仅展示了特定日期的因子取值及历史分位点信息[28]。* 1. **封板率因子**，2026年1月6日取值：**83%**，较前日提升7个百分点[17]。 2. **连板率因子**，2026年1月6日取值：**41%**，较前日提升11个百分点，创近一个月新高[17]。 3. **大宗交易折价率因子**，2026年1月5日取值：**9.01%**，近半年以来平均值为6.66%[26]。 4. **股指期货年化贴水率因子**，2026年1月6日取值及历史分位点[28]： * **上证50股指期货**：年化升水率 **0.51%**，处于近一年来 **75%** 分位点。 * **沪深300股指期货**：年化贴水率 **1.41%**，处于近一年来 **76%** 分位点。 * **中证500股指期货**：年化贴水率 **1.89%**，处于近一年来 **96%** 分位点。 * **中证1000股指期货**：年化贴水率 **6.93%**，处于近一年来 **90%** 分位点。

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[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. 筛选上市满3个月以上的股票[17]。 2. 在每个交易日，识别出盘中最高价达到涨停价的股票[17]。 3. 在这些最高价涨停的股票中，进一步识别出收盘价也涨停的股票[17]。 4. 计算封板率，公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[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，反映市场炒作热度和龙头股的接力情绪[17]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票[17]。 2. 在每个交易日，识别出前一日（T-1日）收盘涨停的股票[17]。 3. 在这些昨日涨停的股票中，识别出当日（T日）收盘也涨停的股票[17]。 4. 计算连板率，公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[17] 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总额相对于当日这些股份市值的折价比例，来反映大额资金通过大宗交易渠道减持或调仓时的价格让步，可作为观察大资金态度的指标[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. 计算当日大宗交易的总成交金额[26]。 3. 计算大宗交易涉及股份以其当日收盘价计算的总市值[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 = Σ(每笔大宗交易成交股数 × 该股票当日收盘价)[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与现货指数价格之间的基差，并进行年化处理，来衡量市场对未来指数的预期、对冲成本以及市场情绪（如悲观预期导致深度贴水）[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. 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] 当结果为负时，表示贴水；为正时，表示升水[28]。公式中，250为一年中大约的交易天数，用于年化处理[28]。 因子的回测效果 > **注：** 本报告为市场监测日报，主要展示各类因子的构建方法和当日（或近期）的取值，并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）。因此，以下仅列出报告中提及的因子在特定日期的具体数值。 1. **封板率因子**，2026年01月06日取值：**83%**[17] 2. **连板率因子**，2026年01月06日取值：**41%**[17] 3. **大宗交易折价率因子**，2026年01月05日取值：**9.01%**[26]；近半年以来平均值：**6.66%**[26] 4. **股指期货年化贴水率因子** * **上证50股指期货**，2026年01月06日取值：**年化升水率 0.51%**[28]；近一年中位数：**年化贴水率 0.85%**[28] * **沪深300股指期货**，2026年01月06日取值：**年化贴水率 1.41%**[28]；近一年中位数：**年化贴水率 3.79%**[28] * **中证500股指期货**，2026年01月06日取值：**年化贴水率 1.89%**[28]；近一年中位数：**年化贴水率 11.15%**[28] * **中证1000股指期货**，2026年01月06日取值：**年化贴水率 6.93%**[28]；近一年中位数：**年化贴水率 13.61%**[28]

量化模型与构建方式 1. 国企基本面因子选股模型 * **模型名称**：国企基本面因子选股模型 * **模型构建思路**：首先将国企样本池按行业逻辑划分为红利型和成长型两大类，然后根据行业类型选择不同的基本面因子进行打分，最后综合通用因子和行业特色因子得分得到总分，并以此构建选股组合[3][5][6][7][10]。 * **模型具体构建过程**： 1. **样本池构建**：采用中证国企指数（000955.CSI）的所有成分股，以及北交所中上市满6个月、且公司属性为中央国有企业或地方国有企业的股票作为国企样本池[3]。 2. **行业分类**：依据ZX三级行业逻辑，将所有行业划分为红利型（包括资源品、公用事业、房地产、银行、证券、其他）和成长型（包括先进制造、软件服务和消费）两大类[3][4]。 3. **因子选择与打分**： * **通用因子**：基于“一利五率”央企业绩考核指标和国企分红特征，选择股息率（TTM）、资产负债率、ROE（TTM）、营业现金比率、全员劳动生产率等因子[5][6]。 * **行业特色因子**：根据行业特征选择不同的因子。例如，红利型行业中的资源品关注ROIC环比增量、毛利率等；银行关注资本充足率、拨备覆盖率环比增量等；成长型行业中的先进制造关注研发支出/营业总收入、EBIT_TTM环比增速等[6][8][10]。 4. **因子权重调整**：考虑到红利风格是国企的重要特征，对所有行业均上调股息率因子权重（红利型行业权重为4，成长型行业权重为2）。对于成长型行业，将资产负债率权重下调为0.5。其他所有因子权重为1[10]。 5. **得分计算**：对权重调整后的因子得分求平均值，分别得到通用因子得分和行业特色因子得分。最后，两项得分按通用因子得分30%、行业特色因子得分70%的权重加总并进行归一化处理，得到百分制总分[10][11]。 6. **组合构建**：选择总分前N（N=50）的个股，并根据基本面因子得分的三次方分配权重，权重计算公式为： $$w_{i}={\frac{s c o r e_{i}^{3}}{\sum_{i=1}^{N}s c o r e_{i}^{3}}}$$ [11] 2. 科技主题基本面因子选股模型 * **模型名称**：科技主题基本面因子选股模型 * **模型构建思路**：首先定义科技股样本池，并根据现金流特征划分企业生命周期（剔除震荡期和衰退期）。然后针对成长期和成熟期公司，分别选取通用因子和特色因子进行打分，并通过研发费用乘数调整总分，最终构建选股组合[19][20][21][22][23]。 * **模型具体构建过程**： 1. **样本池构建**：同时满足两个条件：1）所属SW三级行业属于电子、通信、计算机、电力设备、国防军工、传媒、医药、机械等的部分行业；2）最近一年研发费用占营业收入比例超过5%，或研发人员数量占员工总数超过10%[19][20][21]。 2. **生命周期划分**：采用Dickinson（2011）的方法，以调整后的经营、投资、融资现金流正负组合，将企业划分为引入期、成长期、成熟期、震荡期、衰退期。本策略从引入期、成长期和成熟期股票中选股，并将引入期和成长期统称为成长期[21][22][23]。 3. **因子选择**：分为通用因子和特色因子。通用因子包括毛利率环比增量、归母净利润成长能力、累计独立获得的发明专利数量、供应链因子（前5大供应商与客户金额占比合计）、平均距离因子。特色因子则根据生命周期阶段不同而有所侧重，例如成长期关注管理费用/营业总收入环比增量、研发费用折旧摊销占比环比增量、资产负债率；成熟期关注应收账款周转率、研发费用直接投入占比环比增量、PB-ROE[24][28]。 4. **单因子打分**：在同一时间截面上，正向因子按从低到高计算因子值在截面上的分位数，负向因子按从高到低计算因子值在截面上的分位数，分位数取值在0-100之间。成长期与成熟期股票分开排序[24]。 5. **总分计算**：首先，将5个通用因子和3个特色因子的得分，按以下公式计算初始总分： $$\mathbb{E}^{\mathbb{A}}\mathcal{H}=\frac{1}{5}M e a n(S_{i})+\frac{M e a n(S_{i})}{S t d(S_{i})}$$ 其中，$$S_i$$表示某一股票8项因子的得分。该公式旨在选出各方面表现较为均衡的个股[26][27]。 6. **研发费用乘数调整**：为体现对高研发行业的偏重，用研发费用乘数调整总分。研发费用乘数计算公式为：研发费用乘数 = 0.9 + 0.2 × Normalization( √( (研发费用/总市值)_行业 / (研发费用/总市值)_全A ) )，使得乘数取值范围在0.9-1.1之间。调整后总分 = 总分 × 研发费用乘数[28][29]。 7. **组合构建**：选择总分前50的个股，并按其基本面因子得分计算权重，权重计算公式为： $$w e i g h t_{i}={\frac{s c o r e_{i}}{\sum_{i=1}^{50}s c o r e_{i}}}$$ [30] 3. 消费主题基本面因子选股模型 * **模型名称**：消费主题基本面因子选股模型 * **模型构建思路**：首先定义并细分消费股样本池（分为日常制造型、可选制造型、日常服务型、可选服务型）。然后选取通用因子和分域特色因子进行打分，最后在基本面总分基础上引入市销率（PS）乘数调整权重，构建选股组合[38][39][40][46]。 * **模型具体构建过程**： 1. **样本池构建与分域**：筛选出业务/产品/服务直接to C的申万三级行业作为消费股样本池。并按日常消费/可选消费、制造业/服务业两个维度，将消费股细分为日常制造型、可选制造型、日常服务型、可选服务型4大类[38][39]。 2. **因子选择**：分为通用因子和特色因子。通用因子包括成长盈利现金流复合因子、经营现金流/营业收入、Wind ESG管理实践得分、Wind ESG争议事件得分、经济不确定性敏感度因子（abs_epu_beta）、应收账款周转率环比增量。特色因子则根据细分域选择，例如日常制造型关注市占率，可选制造型关注研发费用/总市值，日常服务型关注有形资产/负债环比增量，可选服务型关注直接营销投入占比和预收账款+合同负债同比增速[40][41]。 3. **单因子打分**：通用因子在整个样本池内排序打分；特色因子仅在细分域内排序打分。正向因子按从低到高计算分位数，负向因子按从高到低计算分位数，分位数取值0-100[41]。 4. **得分计算**：对每只个股，计算其通用因子得分（成长盈利现金流复合因子权重为2，其他通用因子权重为1）和特色因子得分（各特色因子权重为1）。然后，通用因子得分与特色因子得分按2:1的比例加权得到基本面总分[42][43]。 5. **市销率乘数调整**：为在基本面选股基础上兼顾估值，引入市销率（PS， TTM）乘数调整总分。首先将PS因子值转化为正数并计算乘数： $$P S_{\_}M u l t i p l i e r_{i}={\frac{1}{P S_{i}-M i n(P S_{i})+1}}$$ 然后，调整后总分 = 基本面总分 × PS乘数[46][47]。 6. **组合构建**：选择调整后总分前50的个股，并按其调整后总分计算权重，权重计算公式为： $$w e l g h t_{i}={\frac{S c o r e_{i}^{a d j}}{\sum_{i=1}^{50}S c o r e_{i}^{a d j}}}$$ [48] 模型的回测效果 1. 国企基本面因子选股多头策略 * **回测区间**：2019年12月31日至2025年12月31日，每月末调仓，不考虑交易费用[12]。 * **年化收益率**：22.93%[12][15] * **年化波动率**：20.85%[15] * **Sharpe比率**：1.0961[12][15] * **Calmar比率**：0.9963[12][15] * **最大回撤**：-23.01%[12][15] * **年化超额收益率（vs 中证国企指数）**：18.34%[12][15] * **超额收益Sharpe比率**：1.5709[12][15] * **超额收益Calmar比率**：1.4118[12][15] * **超额收益最大回撤**：-12.99%[12][15] 2. 科技主题基本面因子选股多头策略 * **回测区间**：2019年12月31日至2025年12月31日，每月末调仓，不考虑交易费用[31]。 * **年化收益率**：30.61%[31][34] * **年化波动率**：27.61%[34] * **Sharpe比率**：1.1070[31][34] * **Calmar比率**：0.8962[31][34] * **最大回撤**：-34.16%[31][34] * **月度胜率**：65.28%[34] * **年化超额收益率（vs 科技股样本池平均收益）**：10.98%[31][34] * **超额收益Sharpe比率**：1.4966[31][34] * **超额收益Calmar比率**：1.2670[31][34] * **超额收益最大回撤**：-8.66%[31][34] 3. 消费主题基本面因子选股多头策略 * **回测区间**：2019年12月31日至2025年12月31日，每月末调仓，不考虑交易费用[49]。 * **年化收益率**：24.86%[49][52] * **年化波动率**：22.99%[52] * **Sharpe比率**：1.0825[49][52] * **Calmar比率**：1.0197[49][52] * **最大回撤**：-24.38%[49][52] * **月度胜率**：68.06%[52] * **年化超额收益率（vs 50%中证主要消费+50%中证可选消费）**：21.02%[49][52] * **超额收益Sharpe比率**：1.0807[49][52] * **超额收益Calmar比率**：0.4505[49][52] * **超额收益最大回撤**：-46.66%[49][52]

量化模型与构建方式 1. 景气度边际改善+动量综合因子行业轮动模型 * **模型名称**：景气度边际改善+动量综合因子行业轮动模型[45] * **模型构建思路**：通过结合反映行业景气度边际变化的基本面因子和动量因子，构建行业轮动策略，以筛选出未来表现可能占优的行业[45]。 * **模型具体构建过程**： 1. **因子选择**：选取两个基本面因子作为“景气度边际改善”的代理指标： * 净利润增速环比变化 * ROA(TTM)同比增速环比变化[45] 2. **行业筛选**：在每个调仓时点（如季报公布后），计算所有中信一级行业在上述两个因子上的数值并进行排名[45]。 3. **组合构建**：根据因子排名筛选行业，构建多头组合。报告示例中，在估值分位数较高的行业中，选取两个景气度改善因子排名均靠前的行业进行配置[45]。 * **模型评价**：该模型构建的行业轮动策略从2008年至今表现有效，且在2025年仍有较好表现[45]。 2. ROIC利率定价模型 * **模型名称**：ROIC利率定价模型[51] * **模型构建思路**：以权益市场的资本回报率(ROIC)为基准，通过观察其与债券市场隐含ROIC的匹配关系，并结合权益市场的盈利预期，来间接推断利率的中枢点位[51]。 * **模型具体构建过程**： 1. **计算权益ROIC**：采用两种口径计算。 * **A股上市公司（除金融）口径**：根据个股的利润和总资产数据，自下而上汇总计算全市场ROIC值[51]。 * **规模以上工业企业口径**：根据披露的宏观经济数据计算权益ROIC值，以反映更广义的企业投资回报情况[56]。 2. **计算债市隐含ROIC**：根据公式计算债券市场隐含的ROIC水平。公式为： $$ROIC = (无风险利率 + 股票风险溢价) \times 股权比例 + (无风险利率 + 信用风险溢价) \times 债权比例$$[51] 其中，无风险利率为30年国债到期收益率，信用风险溢价为AAA级企业债信用利差，股权占比参考A股（除金融）数据进行合成[51][52]。 3. **推断利率中枢**：由于2014年以来权益ROIC与债市隐含ROIC数据贴合度较高，且权益市场的盈利预期已知，因此可以权益市场ROIC数据为锚进行反向推算，结合利差数据，间接计算出市场利率的中枢值与预期上下界[60][61]。 3. 利率多周期择时策略（基于核回归的形态识别） * **模型名称**：招商利率多周期择时策略（基于核回归的形态识别算法）[75] * **模型构建思路**：通过核回归算法刻画利率市场交易过程中的支撑线和阻力线点位，来研判短、中、长周期下利率趋势的突破情况，从而给出复合择时观点，进行波段交易[75]。 * **模型具体构建过程**： 1. **趋势形态识别**：使用核回归算法对国债到期收益率(YTM)的价量数据进行平滑处理，识别出不同周期下的趋势线（支撑线与阻力线）[75]。 2. **突破信号生成**：当利率价格突破识别出的关键趋势线时，生成相应的交易信号[75]。 3. **策略执行**：基于生成的信号，对5年期、10年期、30年期国债YTM进行趋势交易[75][77]。 4. 纯债CARRY策略 * **模型名称**：纯债CARRY策略[82] * **模型构建思路**：通过动态调整债券组合的杠杆水平，在资金成本较低时加杠杆以获取更高的票息收益，从而增厚组合回报[82]。 * **模型具体构建过程**： 1. **标的选择**：以3-5年信用债作为投资标的[82]。 2. **杠杆决策规则**：根据资金成本（R007）的高低动态调整杠杆仓位。 * 当资金借贷成本较贵（R007水平高于滚动5年历史80分位数）时，配置100%债券（不加杠杆）[82]。 * 在其余时段，均配置140%的债券（即加40%的杠杆）[82]。 5. 可转债期权定价模型 * **模型名称**：可转债期权定价模型（基于二叉树定价法）[92] * **模型构建思路**：以期权二叉树定价法为基础，结合可转债的条款、正股的退市风险等多方面因素，对可转债进行理论定价，并通过计算市场价与理论价的偏离度来评估估值高低[92]。 * **模型具体构建过程**： 1. **理论定价**：使用二叉树模型，输入正股价格、波动率、无风险利率、转股条款、赎回条款、回售条款、修正条款等参数，计算可转债的理论价值[92]。 2. **估值指标计算**：计算“定价偏离度”，公式为： $$定价偏离度 = \frac{转债二叉树理论定价}{转债市场价格} - 1$$[92] 该值为正则表示低估，为负则表示高估[92]。 量化因子与构建方式 1. 景气度边际改善因子 * **因子名称**：景气度边际改善因子[45] * **因子构建思路**：用于捕捉行业盈利能力在边际上的变化趋势，以识别景气度正在提升的行业[45]。 * **因子具体构建过程**：包含两个具体因子： 1. **净利润增速环比变化**：计算行业最新报告期的净利润同比增速与前一个报告期净利润同比增速的差值（或变化率）[45]。 2. **ROA(TTM)同比增速环比变化**：计算行业最新报告期的ROA(TTM)同比增速与前一个报告期ROA(TTM)同比增速的差值（或变化率）[45]。 2. 定价偏离度因子 * **因子名称**：定价偏离度因子[92] * **因子构建思路**：衡量可转债市场价格相对于其理论内在价值的偏离程度，作为判断转债估值贵贱的指标[92]。 * **因子具体构建过程**： 1. 如前述模型所述，首先利用二叉树模型计算每只可转债的理论定价[92]。 2. 对每只转债，计算其定价偏离度： $$定价偏离度 = \frac{理论定价}{市场价格} - 1$$[92] 该因子可直接用于横向比较不同转债的估值水平。 模型的回测效果 1. 景气度边际改善+动量综合因子行业轮动模型 * **测试区间**：2009年至2025年[46] * **年化收益率**：行业多头组合为18.60%，等权基准为10.12%，超额收益为8.49%[46] * **逐年收益率**：2025年多头组合收益为33.53%，基准为23.19%，超额收益为10.34%[46] 2. 利率多周期择时策略（基于5年YTM） * **测试区间**：2025年样本外表现[75] * **年化收益率**：2.19%[77] * **最大回撤**：0.72%[77] * **收益回撤比**：3.72[77] * **超额收益率（相对基准）**：0.78%[77] 3. 利率多周期择时策略（基于10年YTM） * **测试区间**：2025年样本外表现[75] * **年化收益率**：2.48%[77] * **最大回撤**：0.97%[77] * **收益回撤比**：4.29[77] * **超额收益率（相对基准）**：1.26%[77] 4. 利率多周期择时策略（基于30年YTM） * **测试区间**：2025年样本外表现[75] * **年化收益率**：3.26%[77] * **最大回撤**：1.71%[77] * **收益回撤比**：3.56[77] * **超额收益率（相对基准）**：2.79%[77] 5. 纯债CARRY策略 * **测试区间**：2014年12月31日至2025年12月31日[86][88] * **年化收益率**：CARRY组合为5.56%，基准（中债信用债3-5年）为4.89%[88] * **年化波动率**：CARRY组合为1.47%，基准为1.13%[88] * **最大回撤**：CARRY组合为6.07%，基准为4.46%[88] * **收益波动比**：CARRY组合为3.77，基准为4.32[88] * **收益回撤比**：CARRY组合为0.92，基准为1.10[88] * **逐年超额收益**：2023年84BP，2024年121BP，2025年21BP[83]

量化模型与构建方式 1. **模型名称：宏观评分模型**[7][24] * **模型构建思路**：通过评估一系列宏观因子对各类资产的影响，形成对大类资产的择时观点[24]。 * **模型具体构建过程**： 1. 选取一组宏观因子，包括国内景气、国内货币、国内信用、国内通胀、全球景气、全球货币、全球通胀、美元、金融压力等[24][26]。 2. 对每个宏观因子，评估其对每类资产（如中证800、10年国债、标普500、黄金、原油、铜）的影响方向（看多、看空或中性）和强度，并给出评分（例如，1表示正面影响，-1表示负面影响，0表示中性）[24][26]。 3. 将各宏观因子对同一资产的评分进行综合，得到该资产的宏观评分[24][26]。 4. 根据综合评分的高低，形成对各类资产的择时观点（如看多、谨慎、中性）[24][26]。 2. **模型名称：美股择时模型**[7][25] * **模型构建思路**：从景气度、资金流、金融压力三个维度构建分项指标，综合判断美股中期走势[25][29]。 * **模型具体构建过程**： 1. 构建三个分项指标：景气度、资金流、金融压力[29]。 2. 将每个分项指标的历史数值转换为滚动5年分位数，以标准化处理[29]。 3. 将三个分项指标的分位数进行平均，得到美股中期择时指标[25]。 4. 根据该指标的绝对水平或变化趋势，形成对美股的看多或看空观点[25]。 3. **模型名称：黄金择时模型**[7][27] * **模型构建思路**：综合避险货币、央行态度、财政压力、金融压力等多个分项指标，构建黄金择时指标[27][32]。 * **模型具体构建过程**： 1. 选取并构建多个影响黄金价格的分项指标，包括避险货币、央行态度、财政压力、金融压力等[32]。 2. 通过一定的方法（报告中未明确具体公式）将各分项指标合成为一个综合的黄金择时指标[27][30]。 3. 根据该综合指标的数值和走势，判断黄金的投资机会[27]。 4. **模型名称：原油择时模型**[7][33] * **模型构建思路**：构建原油景气指数来反映原油市场的基本面状况，并据此进行择时[33]。 * **模型具体构建过程**： 1. 构建原油景气指数，该指数旨在综合反映原油市场的供需等基本面情况[33][34]。 2. 根据该指数的读数（例如，以0轴为界）来判断原油市场的景气程度，指数为负表示基本面趋于恶化[33]。 3. 基于景气指数的判断，形成对原油的谨慎或乐观观点[33]。 5. **模型名称：大类资产配置策略**[3][35] * **模型构建思路**：根据量化配置信号分配各类资产的风险预算，并结合宏观因子体系调整组合的宏观风险暴露，以得到最终的资产配置方案[3][35]。 * **模型具体构建过程**： 1. 生成各大类资产（如中证800、标普500、黄金、铜、原油、10年国债、短融）的量化配置信号[3]。 2. 根据这些信号为每类资产分配风险预算[3]。 3. 基于宏观因子体系（可能来自宏观评分模型），对组合的整体宏观风险暴露进行调整和优化[3][35]。 4. 通过优化过程，计算出各类资产的最优配置权重[35][37]。 量化因子与构建方式 1. **因子名称：国内景气因子**[2][23] * **因子构建思路**：构建一个用于衡量国内经济增长景气程度的指标[2]。 * **因子具体构建过程**：报告中未详细说明该因子的具体构建公式和过程，仅提及该因子用于指示国内经济增长压力[2][20][23]。 2. **因子名称：国内信用因子**[2][23] * **因子构建思路**：构建一个用于衡量国内信用周期和宽松程度的指标[2]。 * **因子具体构建过程**：报告中未详细说明该因子的具体构建公式和过程，仅提及该因子用于指示国内信用环境[2][20][23]。 模型的回测效果 1. **大类资产配置策略**，12月收益0.8%[3][35]，最近1年收益11.3%[3][35]，最大回撤2.9%[3][35] 2. **宏观评分模型**，2026年1月对中证800观点：中性[26]，对10年国债观点：看多[26]，对标普500观点：看多[26]，对黄金观点：谨慎[26]，对原油观点：看多[26]，对铜观点：看多[26] 3. **美股择时模型**，美股中期择时指标最新读数72.9[25]，模型观点：看多[25] 4. **黄金择时模型**，黄金择时指标最新值-0.51[27]，模型观点：看好[27] 5. **原油择时模型**，原油景气指数最新读数-0.05[33]，模型观点：谨慎[33] 因子的回测效果 （报告中未提供量化因子的独立测试结果指标值）