量化模型与因子总结 量化因子与构建方式 1. **因子名称：RSI相对强弱指标**[2] * **因子构建思路**：通过计算一定周期内平均涨幅与平均跌幅的比值，来衡量市场的超买或超卖状态，以判断短期价格走势的强弱[2]。 * **因子具体构建过程**： 1. 设定计算周期为12天[2]。 2. 计算周期内所有上涨日的平均涨幅（AvgGain）和所有下跌日的平均跌幅（AvgLoss）[2]。 3. 计算相对强度RS：RS = AvgGain / AvgLoss[2]。 4. 计算RSI值：$$RSI = 100 – \frac{100}{1 + RS}$$[2]。 * **因子评价**：RSI>70表示市场可能处于超买状态，RSI<30表示市场可能处于超卖状态，常用于识别短期反转机会[2]。 2. **因子名称：净申购金额**[2] * **因子构建思路**：通过比较ETF当前净值与根据前一日净值及收益率推算的理论净值之间的差额，来计算当日资金的净流入或流出情况[2]。 * **因子具体构建过程**： 1. 获取当日ETF净值NAV(T)和前一日ETF净值NAV(T-1)[2]。 2. 获取当日ETF的收益率R(T)[2]。 3. 计算净申购金额NETBUY(T)：$$NETBUY(T) = NAV(T) – NAV(T-1) \times (1 + R(T))$$[2]。该值代表以亿元为单位的资金净流入（正值）或净流出（负值）[2]。 因子与模型的效果展示 *注：报告以数据表格形式展示了各ETF的因子取值，未提供统一的回测绩效指标（如年化收益率、夏普比率、信息比率IR等）。以下根据报告表格内容，整理关键因子的典型取值区间。* 1. **RSI相对强弱指标**：报告中宽基与主题ETF的RSI值主要分布在30至70之间，例如宽基ETF多在50-55区间（如沪深300ETF约50-54），部分主题ETF如恒生科技ETFRSI为36.20，处于相对低位；而中证2000ETF、日经225ETF的RSI接近或超过60，处于相对高位[4][7]。 2. **净申购（亿元）**：该因子取值在不同ETF间差异巨大，既有大幅净流入（如南方中证500ETF净申购21.89亿元），也有显著净流出（如易方达创业板ETF净申购-10.88亿元），多数ETF的日净申购额在-1亿至+1亿元区间内波动[4][7]。 3. **流通市值（亿元）**：ETF规模差异显著，头部宽基ETF如华泰柏瑞沪深300ETF流通市值达2243.36亿元，而部分主题或小盘ETF流通市值不足10亿元（如鹏华中证800ETF仅0.39亿元）[4][7]。 4. **涨跌幅（%）**：报告日各ETF涨跌幅均为正，宽基指数中中证1000、中证2000相关ETF涨幅居前（约2.5%），主题ETF中芯片半导体、人工智能相关ETF涨幅突出（约3.5%-4.0%）[4][7]。 5. **机构持仓占比（%）**：宽基ETF的机构持仓占比普遍较高，如华夏中证1000ETF达97.69%，而部分行业主题或跨境ETF的机构持仓占比较低，如天弘创业板ETF为8.54%[4][7]。

量化模型与因子总结 量化因子与构建方式 1. **因子名称：日内高频偏度因子** * **因子构建思路：** 捕捉股票日内收益率分布的偏度特征，作为预测未来收益的指标[15]。 * **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式可参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[15]。该因子已对常规因子进行正交处理[15]。 2. **因子名称：日内下行波动占比因子** * **因子构建思路：** 利用高频数据分解已实现波动，计算下行波动部分在总波动中的占比[19]。 * **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式可参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[19]。该因子已对常规因子进行正交处理[19]。 3. **因子名称：开盘后买入意愿占比因子** * **因子构建思路：** 基于开盘后一段时间内的高频交易数据，度量市场买入意愿的强度[23]。 * **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式可参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[23]。该因子已对常规因子进行正交处理[23]。 4. **因子名称：开盘后买入意愿强度因子** * **因子构建思路：** 与买入意愿占比因子类似，但侧重于度量买入意愿的强度而非占比[29]。 * **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式可参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[29]。该因子已对常规因子进行正交处理[29]。 5. **因子名称：开盘后大单净买入占比因子** * **因子构建思路：** 计算开盘后一段时间内，大单净买入金额在总成交额中的占比，反映大资金的动向[34]。 6. **因子名称：开盘后大单净买入强度因子** * **因子构建思路：** 度量开盘后大单净买入的强度[39]。 7. **因子名称：改进反转因子** * **因子构建思路：** 在传统反转因子的基础上进行改进[44]。 8. **因子名称：尾盘成交占比因子** * **因子构建思路：** 计算尾盘阶段成交额在当日总成交额中的占比[49]。 9. **因子名称：平均单笔流出金额占比因子** * **因子构建思路：** 计算平均每笔流出交易的金额占比[53]。 10. **因子名称：大单推动涨幅因子** * **因子构建思路：** 衡量由大单交易推动的股价上涨幅度[58]。 11. **因子名称：深度学习高频因子（改进 GRU(50,2)+NN(10)）** * **因子构建思路：** 使用改进的GRU神经网络（50个隐藏单元，2层）结合一个10层的全连接神经网络（NN），从高频数据中提取预测信号[62]。 12. **因子名称：深度学习高频因子（残差注意力 LSTM(48,2)+NN(10)）** * **因子构建思路：** 使用带有残差连接和注意力机制的LSTM神经网络（48个隐藏单元，2层）结合一个10层的全连接神经网络（NN），从高频数据中提取预测信号[65]。 13. **因子名称：多颗粒度模型-5日标签因子** * **因子构建思路：** 使用深度学习模型（基于双向A-GRU训练）构建，以5日收益率为预测标签[68]。 * **因子评价：** 继续稳定表现[2][5]。 14. **因子名称：多颗粒度模型-10日标签因子** * **因子构建思路：** 使用深度学习模型（基于双向A-GRU训练）构建，以10日收益率为预测标签[71]。 * **因子评价：** 继续稳定表现[2][5]。 15. **因子名称：复合深度学习因子** * **因子构建思路：** 将“多颗粒度模型-5日标签”和“多颗粒度模型-10日标签”两个因子等权合成，作为AI增强组合的核心阿尔法信号[73]。 * **因子具体构建过程：** 合成公式为：多颗粒度模型-10日标签 * 0.5 + 多颗粒度模型-5日标签 * 0.5[73]。 量化模型与构建方式 1. **模型名称：AI指数增强组合模型** * **模型构建思路：** 以复合深度学习因子作为预期收益来源，通过组合优化在给定约束条件下构建投资组合，旨在最大化预期收益[73][76]。 * **模型具体构建过程：** * **核心阿尔法信号：** 使用复合深度学习因子（多颗粒度模型-10日标签*0.5 + 多颗粒度模型-5日标签*0.5）作为股票i的预期超额收益μi的来源[73]。 * **优化目标：** 最大化组合预期收益，目标函数为： $$max\sum\mu_{i}w_{i}$$ 其中，wi为股票i在组合中的权重，μi为股票i的预期超额收益[76]。 * **约束条件：** 根据不同产品设定不同的风险控制约束，包括个股权重上限、行业偏离、风格因子（市值、PB、ROE等）暴露、成分股权重下限以及换手率约束等[74][76]。 * **实践参数：** 测算中假定以次日均价成交，并扣除双边3‰的交易成本[77]。 * **模型评价：** AI增强组合继续强势表现[1][2][5]。 因子的回测效果 （数据来源：表2，统计区间：上周、2月、2026年以来（YTD），以及历史/2026年IC和RankMAE）[11][13] 1. **日内高频偏度因子**，历史IC 0.019，2026年IC 0.026，历史e^(-rank mae) 0.324，2026年e^(-rank mae) 0.328，上周多空收益 -1.11%，2月多空收益 -1.11%，2026YTD多空收益 2.89%，上周多头超额 -0.63%，2月多头超额 -0.63%，2026YTD多头超额 1.41%，2026年周胜率 4/5[11] 2. **日内下行波动占比因子**，历史IC 0.016，2026年IC 0.032，历史e^(-rank mae) 0.323，2026年e^(-rank mae) 0.326，上周多空收益 -0.61%，2月多空收益 -0.61%，2026YTD多空收益 4.14%，上周多头超额 -0.36%，2月多头超额 -0.36%，2026YTD多头超额 2.08%，2026年周胜率 4/5[11] 3. **开盘后买入意愿占比因子**，历史IC 0.026，2026年IC 0.032，历史e^(-rank mae) 0.321，2026年e^(-rank mae) 0.325，上周多空收益 -0.04%，2月多空收益 -0.04%，2026YTD多空收益 3.82%，上周多头超额 0.35%，2月多头超额 0.35%，2026YTD多头超额 1.76%，2026年周胜率 4/5[11] 4. **开盘后买入意愿强度因子**，历史IC 0.030，2026年IC 0.041，历史e^(-rank mae) 0.326，2026年e^(-rank mae) 0.333，上周多空收益 -0.79%，2月多空收益 -0.79%，2026YTD多空收益 3.56%，上周多头超额 -0.45%，2月多头超额 -0.45%，2026YTD多头超额 1.83%，2026年周胜率 4/5[11] 5. **开盘后大单净买入占比因子**，历史IC 0.035，2026年IC 0.032，历史e^(-rank mae) 0.322，2026年e^(-rank mae) 0.319，上周多空收益 0.34%，2月多空收益 0.34%，2026YTD多空收益 2.89%，上周多头超额 0.44%，2月多头超额 0.44%，2026YTD多头超额 1.44%，2026年周胜率 4/5[11] 6. **开盘后大单净买入强度因子**，历史IC 0.024，2026年IC 0.032，历史e^(-rank mae) 0.320，2026年e^(-rank mae) 0.320，上周多空收益 0.29%，2月多空收益 0.29%，2026YTD多空收益 2.15%，上周多头超额 0.23%，2月多头超额 0.23%，2026YTD多头超额 0.40%，2026年周胜率 3/5[11] 7. **改进反转因子**，历史IC 0.030，2026年IC 0.025，历史e^(-rank mae) 0.330，2026年e^(-rank mae) 0.330，上周多空收益 0.19%，2月多空收益 0.19%，2026YTD多空收益 2.93%，上周多头超额 0.18%，2月多头超额 0.18%，2026YTD多头超额 2.52%，2026年周胜率 4/5[11] 8. **尾盘成交占比因子**，历史IC 0.026，2026年IC 0.024，历史e^(-rank mae) 0.322，2026年e^(-rank mae) 0.318，上周多空收益 -0.40%，2月多空收益 -0.40%，2026YTD多空收益 3.90%，上周多头超额 0.27%，2月多头超额 0.27%，2026YTD多头超额 2.56%，2026年周胜率 4/5[11] 9. **平均单笔流出金额占比因子**，历史IC 0.008，2026年IC -0.021，历史e^(-rank mae) 0.317，2026年e^(-rank mae) 0.312，上周多空收益 -0.43%，2月多空收益 -0.43%，2026YTD多空收益 -1.99%，上周多头超额 -0.01%，2月多头超额 -0.01%，2026YTD多头超额 -0.51%，2026年周胜率 2/5[13] 10. **大单推动涨幅因子**，历史IC 0.018，2026年IC -0.001，历史e^(-rank mae) 0.325，2026年e^(-rank mae) 0.324，上周多空收益 -0.99%，2月多空收益 -0.99%，2026YTD多空收益 0.41%，上周多头超额 -0.76%，2月多头超额 -0.76%，2026YTD多头超额 0.11%，2026年周胜率 3/5[13] 11. **改进 GRU(50,2)+NN(10)因子**，历史IC 0.065，2026年IC 0.013，历史e^(-rank mae) 0.336，2026年e^(-rank mae) 0.323，上周多空收益 0.22%，2月多空收益 0.22%，2026YTD多空收益 2.36%，上周多头超额 -0.41%，2月多头超额 -0.41%，2026YTD多头超额 -0.11%，2026年周胜率 4/5[13] 12. **残差注意力 LSTM(48,2)+NN(10)因子**，历史IC 0.062，2026年IC 0.006，历史e^(-rank mae) 0.334，2026年e^(-rank mae) 0.317，上周多空收益 0.41%，2月多空收益 0.41%，2026YTD多空收益 0.90%，上周多头超额 -0.08%，2月多头超额 -0.08%，2026YTD多头超额 0.02%，2026年周胜率 3/5[13] 13. **多颗粒度模型-5日标签因子**，历史IC 0.079，2026年IC 0.051，历史e^(-rank mae) 0.343，2026年e^(-rank mae) 0.339，上周多空收益 0.65%，2月多空收益 0.65%，2026YTD多空收益 6.15%，上周多头超额 0.18%，2月多头超额 0.18%，2026YTD多头超额 3.45%，2026年周胜率 5/5[13] 14. **多颗粒度模型-10日标签因子**，历史IC 0.073，2026年IC 0.048，历史e^(-rank mae) 0.342，2026年e^(-rank mae) 0.342，上周多空收益 0.53%，2月多空收益 0.53%，2026YTD多空收益 4.60%，上周多头超额 0.26%，2月多头超额 0.26%，2026YTD多头超额 3.01%，2026年周胜率 4/5[13] 模型的回测效果 （数据来源：表3，统计区间：上周、2月、2026年以来（YTD））[14] 1. **AI空气指增模型（周度调仓）**，上周超额收益 3.63%，上周绝对收益 3.29%，2月超额收益 3.63%，2月绝对收益 3.29%，2026YTD超额收益 6.18%，2026YTD绝对收益 13.66%，2026年周胜率 3/5[14] 2. **AI空气指增模型（日度调仓）**，上周超额收益 3.83%，上周绝对收益 3.48%，2月超额收益 3.83%，2月绝对收益 3.48%，2026YTD超额收益 6.60%，2026YTD绝对收益 14.08%，2026年周胜率 3/5[14] 3. **中证500 AI增强宽约束模型（周度调仓）**，上周超额收益 2.25%，上周绝对收益 -0.42%，2月超额收益 2.25%，2月绝对收益 -0.42%，2026YTD超额收益 -0.11%，2026YTD绝对收益 9.01%，2026年周胜率 2/5[14] 4. **中证500 AI增强宽约束模型（日度调仓）**，上周超额收益 2.08%，上周绝对收益 -0.59%，2月超额收益 2.08%，2月绝对收益 -0.59%，2026YTD超额收益 -1.01%，2026YTD绝对收益 8.11%，2026年周胜率 2/5[14] 5. **中证500 AI增强严约束模型（周度调仓）**，上周超额收益 1.29%，上周绝对收益 -1.38%，2月超额收益 1.29%，2月绝对收益 -1.38%，2026YTD超额收益 -0.21%，2026YTD绝对收益 8.91%，2026年周胜率 2/5[14] 6. **中证500 AI增强严约束模型（日度调仓）**，上周超额收益 1.46%，上周绝对收益 -1.22%，2月超额收益 1.46%，2月绝对收益 -1.22%，2026YTD超额收益 0.44%，2026YTD绝对收益 9.56%，2026年周胜率 3/5[14] 7. **中证1000 AI增强宽约束模型（周度调仓）**，上周超额收益 2.66%，上周绝对收益 0.20%，2月超额收益 2.66%，2月绝对收益 0.20%，2026YTD超额收益 4.21%，2026YTD绝对收益 10.22%，2026年周胜率 3/5[14] 8. **中证1000 AI增强宽约束模型（日度调仓）**，上周超额收益 2.43%，上周绝对收益 -0.03%，2月超额收益 2.43%，2月绝对收益 -0.03%，2026YTD超额收益 3.40%，2026YTD绝对收益 9.40%，2026年周胜率 3/5[14] 9. **中证1000 AI增强严约束模型（周度调仓）**，上周超额收益 1.65%，上周绝对收益 -0.82%，2月超额收益 1.65%，2月绝对收益 -0.82%，2026YTD超额收益 2.55%，2026YTD绝对收益 8.56%，2026年周胜率 4/5[14] 10. **中证1000 AI增强严约束模型（日度调仓）**，上周超额收益 1.46%，上周绝对收益 -1.00%，2月超额收益 1.46%，2月绝对收益 -1.00%，2026YTD超额收益 3.90%，2026YTD绝对收益 9.90%，2026年周胜率 4/5[14]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：大买单成交金额占比**[8] * **因子构建思路**：该因子旨在刻画大资金的买入行为。通过逐笔成交数据还原买卖单，筛选出大单，并计算其中大买单的成交金额占总成交额的比例，以衡量大额资金买入的强度。[8] * **因子具体构建过程**： 1. 数据准备：获取股票的逐笔成交数据，数据中包含“叫买序号”和“叫卖序号”。[8] 2. 还原买卖单：根据逐笔成交数据中的叫买和叫卖序号，将逐笔成交数据还原为原始的买卖单数据。[8] 3. 筛选大单：对还原后的买卖单，按照每单的成交量设定阈值，筛选出符合条件的大额订单（大单）。[8] 4. 计算指标：针对每个交易日，计算所有被识别为“大买单”的成交金额之和，除以当日该股票的总成交金额，得到“大买单成交金额占比”。[8] 公式为： $$大买单成交金额占比 = \frac{\sum 大买单成交金额}{当日总成交金额} \times 100\%$$ 其中，分子为所有符合大单条件的买入订单的成交金额总和，分母为当日该股票的总成交金额。[8] * **因子评价**：该因子直接来源于高频交易数据，能够实时反映机构或大户等大资金的买入动向，是监测市场资金流向的重要微观指标。[8] 2. **因子名称：净主动买入金额占比**[8] * **因子构建思路**：该因子旨在刻画投资者的主动买入行为。通过逐笔成交数据中的买卖标志区分主动买入和主动卖出，计算两者金额的净差额占总成交额的比例，以反映市场主动买入的意愿强弱。[8] * **因子具体构建过程**： 1. 数据准备：获取股票的逐笔成交数据，数据中包含“买卖标志”。[8] 2. 界定主动买卖：根据逐笔成交数据中的买卖标志，判断每一笔成交是属于“主动买入”（以卖一价成交）还是“主动卖出”（以买一价成交）。[8] 3. 计算净额：将当日所有“主动买入”的成交金额相加，减去所有“主动卖出”的成交金额，得到“净主动买入金额”。[8] 4. 计算占比：将计算得到的净主动买入金额，除以当日该股票的总成交金额，得到“净主动买入金额占比”。[8] 公式为： $$净主动买入金额占比 = \frac{\sum 主动买入成交金额 - \sum 主动卖出成交金额}{当日总成交金额} \times 100\%$$ 其中，分子为主动买入与主动卖出的成交金额净差额，分母为当日该股票的总成交金额。[8] * **因子评价**：该因子剔除了被动成交（如被动接盘）的影响，纯粹反映投资者主动发起交易的意愿，是衡量市场情绪和资金流向的有效指标。[8] 因子的回测效果 （注：本报告为跟踪周报，主要展示当期指标截面排名和时序分位数，未提供基于历史回测的长期绩效指标（如IC、IR、多空收益等）。以下为报告期内各标的在指定窗口期（近5个交易日）的因子取值情况。） 1. **大买单成交金额占比因子** * **个股层面（近5日均值）**：排名前列的股票包括韩建河山(93.5%)、民爆光电(89.7%)、杭电股份(86.1%)等。[10] * **宽基指数层面（近5日均值）**：上证指数(72.5%)、上证50(71.4%)、沪深300(71.8%)、中证500(73.0%)、创业板指(68.7%)。[13] * **行业层面（中信一级行业，近5日均值）**：排名前列的行业包括银行(79.7%)、石油石化(78.6%)、钢铁(78.1%)等。[14] * **ETF层面（近5日均值）**：排名前列的ETF包括华泰柏瑞中证A500ETF(93.1%)、汇添富MSCI中国A50互联互通ETF(92.8%)、国泰上证10年期国债ETF(92.6%)等。[16] 2. **净主动买入金额占比因子** * **个股层面（近5日均值）**：排名前列的股票包括民生银行(21.1%)、凯瑞德(20.3%)、洲际油气(19.5%)等。[11] * **宽基指数层面（近5日均值）**：上证指数(1.2%)、上证50(-1.6%)、沪深300(-0.3%)、中证500(3.4%)、创业板指(0.0%)。[13] * **行业层面（中信一级行业，近5日均值）**：排名前列的行业包括石油石化(11.7%)、基础化工(8.9%)、电力及公用事业(5.9%)等。[14] * **ETF层面（近5日均值）**：排名前列的ETF包括富国中证光伏产业ETF(60.2%)、富国中证旅游主题ETF(18.0%)、富国中证消费50ETF(13.2%)等。[17]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：股指期货基差比例因子**[15][17][21] * **因子构建思路**：通过计算股指期货合约价格与其对应现货指数价格的相对差异（基差比例），来捕捉市场情绪、套利机会及对未来走势的预期[15][23]。 * **因子具体构建过程**：对于特定指数（如上证50、沪深300等），取其股指期货次月合约的结算价与对应现货指数的收盘价进行计算。具体公式为： $$基差比例 = \frac{期货合约结算价}{对应现货指数收盘价} - 1$$ 计算结果以百分比表示。正值代表期货升水（看涨情绪），负值代表期货贴水（看跌情绪或流动性紧张）[15][21][23]。 2. **因子名称：股指期货升贴水结构因子**[23][27][29] * **因子构建思路**：通过比较同一标的指数不同到期月份期货合约之间的基差比例差异，来分析市场情绪在期限结构上的分布，反映对远期走势的预期[23]。 * **因子具体构建过程**：对于同一标的指数（如沪深300、中证1000），分别计算其近月合约与远月合约（如次月、当季、下季合约）的基差比例。通过观察远月合约基差比例与近月合约基差比例的差值或整体曲线形态，判断市场情绪结构。报告中指出“远月贴水大于近月”是一种常见的结构[23][29]。 3. **因子名称：国债期货隐含收益率因子**[32][40][42] * **因子构建思路**：通过国债期货价格反推出的隐含到期收益率，与现货国债收益率进行比较，以反映期货市场投资者对利率走势的预期[32][40]。 * **因子具体构建过程**：以10年期国债期货为例，根据其市场价格和合约条款，通过定价模型反算出其对应的债券到期收益率，即为隐含收益率。将其与银行间市场10年期国债活跃券的到期收益率（现货收益率）进行对比。隐含收益率低于现货收益率，通常表明期货市场对债市情绪更为乐观[32][40][42]。 4. **因子名称：国债期货升贴水结构因子**[44][46][49] * **因子构建思路**：通过比较国债期货不同期限合约之间的价差，来反映市场对未来利率期限结构的预期[44]。 * **因子具体构建过程**：计算同一品种（如10年期或30年期国债期货）近月合约与远月合约的价格之差。价差在0附近波动表明市场对未来利率走势判断中性；升水（远月价格高于近月）可能预期利率下降；贴水（远月价格低于近月）可能预期利率上升[44][50]。 5. **因子名称：期权波动率指数（VIX）因子**[53][55] * **因子构建思路**：利用期权价格隐含的波动率数据编制指数，以衡量市场对未来30天股市波动性的预期，是市场恐慌或乐观情绪的晴雨表[53]。 * **因子具体构建过程**：报告跟踪了多个标的（如300ETF、50ETF、500ETF等）期权的VIX指数。该指数通常基于平价期权及虚值期权的隐含波动率，通过特定模型（如方差互换原理）计算得出，代表市场对未来波动率的一致预期[53][55]。 6. **因子名称：期权持仓量PCR（Put/Call Ratio）因子**[59][61][64] * **因子构建思路**：通过计算看跌期权（Put）与看涨期权（Call）的持仓量比值，来度量市场多空情绪和潜在转向信号[59]。 * **因子具体构建过程**：针对特定期权品种（如50ETF期权、300ETF期权），在每日收盘后，统计所有未平仓合约中看跌期权的总持仓量与看涨期权的总持仓量。计算公式为： $$持仓量PCR = \frac{看跌期权总持仓量}{看涨期权总持仓量}$$ PCR值上升通常表示看跌情绪加重或对冲需求增加，下降则表示看涨情绪升温[59][65]。 因子的回测效果 > **注**：本报告为市场监测月报，主要展示各因子的近期时序数据和状态描述，并未提供基于历史数据的统一回测绩效指标（如年化收益率、夏普比率、信息比率IR等）。因此，以下“测试结果”为报告中对各因子在观测期（2026年1月）内所呈现状态的定性或定量描述。 1. **股指期货基差比例因子** * **近期状态**：2026年1月，主要指数股指期货贴水幅度维持在低水平。上证50与沪深300贴水不明显，中证500和中证1000仍有一定贴水。具体地，IF（沪深300）和IM（中证1000）合约由贴水转为升水[3][20][22]。 2. **股指期货升贴水结构因子** * **近期状态**：结构上远月贴水大于近月，与过去一年相比变化不大。平均贴水比例相比上月收窄，反映出投资者情绪中性偏积极[29]。 3. **国债期货隐含收益率因子** * **近期状态**：截至2026年1月31日，10年期国债期货对应隐含收益率为1.69%，低于现货对应的1.80%，反映了投资者对于债市情绪乐观[40]。 4. **国债期货升贴水结构因子** * **近期状态**：2026年1月份，10年期国债期货近远月合约价差在0附近波动，说明投资者对未来债券市场情绪中性[50]。 5. **期权波动率指数（VIX）因子** * **近期状态**：2026年1月份，主要指数VIX中枢向上提升，市场波动率预期相比之前有所上升[5][55]。 6. **期权持仓量PCR（Put/Call Ratio）因子** * **近期状态**：期权市场PCR在2026年1月份有所下降，300ETF期权PCR和50ETF期权PCR下行，该指标显示市场情绪偏谨慎[5][65]。

量化模型与构建方式 1. **模型名称：股指期货期现套利模型**[46] * **模型构建思路**：当股指期货的市场价格偏离其理论价格时，通过在期货和现货市场进行反向操作（低买高卖），并持有至期货与现货价格在交割日收敛，从而获取无风险收益[46] * **模型具体构建过程**：模型分为正向套利和反向套利两种策略，并通过计算考虑交易成本后的套利收益率来判断是否存在套利机会[46] * **正向套利**：当期货价格被高估、现货价格被低估时，执行卖出期货合约、买入现货组合的操作[46]。其套利收益率计算公式为： $$P={\frac{(F_{\mathrm{t}}-S_{\mathrm{t}})-(S_{\mathrm{t}}+F_{\mathrm{t}}M_{\mathrm{f}})(1+r_{\mathrm{f}})^{\frac{T-t}{360}}-S_{\mathrm{t}}C s-F_{\mathrm{t}}C f)}{S_{\mathrm{t}}+F_{\mathrm{t}}M_{\mathrm{f}}}}$$ 其中，`S_t`和`F_t`分别为t时刻现货与期货的价格；`M_f`为期货保证金比率；`r_f`为无风险利率；`C_s`和`C_f`分别为现货与期货的交易费用比率；`T-t`为套利持有天数[46] * **反向套利**：当期货价格被低估、现货价格被高估时，执行买入期货合约、卖出现货组合的操作[46]。其套利收益率计算公式为： $$P={\frac{(S_{t}-F_{t})-(S_{t}M l+F_{t}M_{t})(1+r_{t})^{\frac{T-t}{360}}-S_{t}C s-F_{t}C f-S_{t}r^{\frac{T-t}{360}})}{S_{t}M l+F_{t}M_{t}}}$$ 其中，`M_l`为融券保证金比率；`r_l`为融券年利率[46] * **参数设定**：计算中，股指期货单边交易费用取万分之零点二三，现货单边交易费用取千分之一；期货和融券保证金比率分别取20%和50%；融券利率为年化10.6%；暂时不考虑分红影响[46] 2. **模型名称：大语言模型（LLM）卖方观点汇总模型**[41][42] * **模型构建思路**：利用大语言模型（ChatGPT和KIMI）对大量卖方策略报告进行自动化处理，提取并汇总市场及行业的共识与分歧观点，为投资者提供参考[41][42] * **模型具体构建过程**：通过设计多套提示词，让大语言模型完成从含观点研报筛选、市场与行业观点原文信息提取，到最终观点汇总的全流程[41]。具体工作流程参见报告中的流程图[43][45] 3. **因子名称：分红调整基差率**[12][48] * **因子构建思路**：指数成分股分红会导致现货指数点位直接回落，并在期货价格上形成“额外贴水”。通过预测未来分红对指数点位的影响，对原始基差率进行修正，以得到更真实反映市场情绪的基差率水平[48] * **因子具体构建过程**：首先预测未来特定期间内成分股的分红总额，然后将其折算为对指数点位的影响值，最后用该值调整基差率计算[12][48] * **分红点位预测**：核心是预测每只成分股在合约期内的每股分红[48][52]。预测方法基于历史分红规律，具体取决于公司是否已公布分红预案[48]： * **已实施/已公布分红预案**：按照实际实施或预案方案计算[48] * **未公布分红预案**：使用预测的每股收益（EPS）乘以预测的派息率进行估算[48] * **EPS取值方法**：根据预测时点不同，EPS取值来源不同[48][49]： * 若预测时点`t`在当年10月之前，预测的是本年度剩余分红，EPS取上一年度的年报EPS；若年报未披露，则取上一年度12月31日的EPS_TTM[48][49] * 若预测时点`t`在当年10月之后，预测的是下一年度的分红，EPS取当前时点`t`的EPS_TTM[48] * **预测派息率取值方法**：根据公司历史分红稳定性分为三类[51][52]： * **稳定派息**（过去三年稳定派息）：取过去三年派息率的均值[51][52] * **不稳定派息但盈利**：取上一年度的派息率[51][52] * **未盈利、上市不足一年或发生其他重大变化**：若无分红预告，则预测派息率为0[51][52] * **分红点位计算**：将各成分股的预测分红汇总，计算其对指数点位的总影响[52]： $$分红点位 = \sum (每股分红 * \frac{指数收盘价 * 成分股权重}{成分股收盘价}) = \sum (EPS * 预测派息率 * \frac{指数收盘价 * 成分股权重}{成分股收盘价})$$ * **基差率调整**：将原始基差率减去分红点位的影响，得到分红调整后的基差率[12] 模型的回测效果 （报告中未提供量化模型的回测绩效指标，如年化收益率、夏普比率、最大回撤等具体数值） 量化因子与构建方式 1. **因子名称：基差率**[13][17] * **因子构建思路**：衡量股指期货价格与标的指数现货价格之间的偏离程度，是市场情绪、资金成本和套利力量的综合体现[13] * **因子具体构建过程**：使用期货合约价格减去现货指数价格，再除以现货指数价格[13][17] * **公式**：$$基差率 = \frac{期货合约价格 - 现货指数价格}{现货指数价格}$$[13][17] * **年化基差率**：对于非当月合约，常将基差率年化以便比较，公式为：$$年化基差率 = \frac{期货合约价格 - 现货指数价格}{现货指数价格} / 剩余交易日天数 * 252$$[17] 2. **因子名称：跨期价差率**[13][26] * **因子构建思路**：衡量同一标的、不同到期月份期货合约之间的价格差异，反映市场对远期价格的预期以及合约间的流动性溢价等[13] * **因子具体构建过程**：使用近月合约价格减去远月合约价格，再除以近月合约价格[13][26] * **公式**：$$跨期价差率 = \frac{当月合约价格 - 下月/当季/下季合约价格}{当月合约价格}$$[13][26] * **历史分位数**：将当前价差率置于历史数据（如2019年以来）的分布中，计算其所在的分位数位置，以判断当前价差所处的历史水平[12] 3. **因子名称：分红预测点数**[12][39] * **因子构建思路**：预测未来一年内，指数成分股分红合计将对现货指数点位造成的下降幅度，用于调整期货定价和套利计算[12] * **因子具体构建过程**：如“分红调整基差率”因子构建过程中所述，汇总所有成分股的预测分红，并折算为对指数点位的具体影响值[12][39][52] 因子的回测效果 （报告中未提供量化因子在选股或多空组合中的测试结果，如IC值、IR、多空收益等具体数值）

量化模型与因子总结 量化模型与构建方式 本报告未涉及具体的量化交易模型或选股模型，主要对市场宽基指数的各类指标进行跟踪和统计分析[1][2][3][4][5][7][9][11][12][14][15][16][18][19][20][21][22][23][24][25][27][28][29][30][33][34][36][38][40][41][42][43][45][46][47][48][50][52][54][55][56][57][58][59]。 量化因子与构建方式 报告中对多个市场指标（可视为因子）进行了计算和跟踪，具体如下： 1. **因子名称：风险溢价** * **因子构建思路：** 以十年期国债即期收益率为无风险利率参考，计算股票指数收益率与其之差，用以衡量股票市场相对于无风险资产的超额回报和投资价值[27][28]。 * **因子具体构建过程：** 风险溢价 = 股票指数收益率 - 十年期国债即期收益率[27][28]。报告中对各宽基指数计算了当前风险溢价，并统计了其在近1年、近5年历史数据中的分位值、均值、波动率及与均值±1倍、±2倍标准差的偏离情况[30]。 2. **因子名称：股债性价比** * **因子构建思路：** 使用股票指数市盈率倒数（即盈利收益率）与十年期国债收益率的差值，来衡量股票资产相对于债券资产的吸引力[45]。 * **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[45]。报告通过历史数据计算了该因子的80分位值（机会值）、20分位值（危险值）、均值及±1倍标准差区间，并观察当前值所处位置[45]。 3. **因子名称：指数换手率** * **因子构建思路：** 衡量指数成分股整体的交易活跃程度[18]。 * **因子具体构建过程：** 报告给出了具体的计算方法：指数换手率 = Σ(成分股流通股本 * 成分股换手率) / Σ(成分股流通股本)[18]。报告计算并展示了各宽基指数的当前换手率[3][18]。 4. **因子名称：破净率** * **因子构建思路：** 统计指数中市净率小于1的个股占比，用以反映市场整体的估值低迷程度或悲观情绪[54][56]。 * **因子具体构建过程：** 破净率 = (指数成分股中市净率(PB) < 1的股票数量) / 指数总成分股数量[54][56]。报告计算并展示了各宽基指数的当前破净率[5][57]。 5. **因子名称：收益分布形态指标（偏度与峰度）** * **因子构建思路：** 通过计算指数日收益率序列的偏度和峰度，来描述其分布的不对称性和尖峭程度，以反映市场收益的极端情况和风险特征[24]。 * **因子具体构建过程：** 报告计算了各宽基指数当前日收益率序列的偏度和峰度，并与近5年的历史均值进行对比。其中，峰度计算中减去了3（正态分布的峰度值）[24][25]。 6. **因子名称：均线相对位置** * **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（如MA5, MA10, MA20等）的位置关系，来判断短期、中期趋势[14]。 * **因子具体构建过程：** 计算指数收盘价相对于各移动平均线的百分比偏离，即 (收盘价 / 移动平均线 - 1) * 100%[15]。报告以此判断指数是否突破或位于均线之上/下[14]。 7. **因子名称：历史分位值（应用于PE-TTM、股息率、风险溢价）** * **因子构建思路：** 将估值或收益指标的当前值置于其历史时间序列中，计算其所处的百分位位置，以判断当前值的相对高低水平[41][52]。 * **因子具体构建过程：** 对于PE-TTM、股息率、风险溢价等指标，分别计算其在近1年、近5年以及全部历史数据中的分位值[30][41][42][52]。例如，PE-TTM近5年分位值为99.26%，表示当前值高于近5年内99.26%的交易日[41]。 模型的回测效果 本报告未涉及量化模型的回测效果。 因子的回测效果 报告展示了截至2026年2月9日，各宽基指数在不同因子上的具体取值或状态： 1. **风险溢价因子** * 上证50：当前值1.44%，近5年分位值92.62%[30] * 沪深300：当前值1.62%，近5年分位值94.76%[30] * 中证500：当前值2.016%，近5年分位值96.67%[4][30] * 中证1000：当前值2.26%，近5年分位值95.87%[30] * 中证2000：当前值2.11%，近5年分位值94.21%[4][30] * 中证全指：当前值1.90%，近5年分位值96.35%[4][30] * 创业板指：当前值2.97%，近5年分位值95.63%[30] 2. **股债性价比因子** * 当前状态：没有指数高于其近5年80%分位（机会值），中证500和中证全指低于其近5年20%分位（危险值）[5][45]。 3. **指数换手率因子** * 上证50：0.25[3][18] * 沪深300：0.63[3][18] * 中证500：1.89[3][18] * 中证1000：2.85[3][18] * 中证2000：4.02[3][18] * 中证全指：1.81[3][18] * 创业板指：3.55[3][18] 4. **破净率因子** * 上证50：24.0%[5][57] * 沪深300：16.67%[5][57] * 中证500：10.6%[5][57] * 中证1000：6.7%[5][57] * 中证2000：2.4%[5][57] * 中证全指：5.42%[5][57] 5. **PE-TTM及其分位值因子** * 上证50：当前值11.71，近5年分位值83.80%[41][42] * 沪深300：当前值14.21，近5年分位值88.93%[41][42] * 中证500：当前值37.72，近5年分位值99.26%[5][41][42] * 中证1000：当前值50.66，近5年分位值99.17%[41][42] * 中证2000：当前值171.68，近5年分位值93.14%[41][42] * 中证全指：当前值22.49，近5年分位值99.26%[5][41][42] * 创业板指：当前值43.35，近5年分位值64.71%[5][41][42] 6. **股息率及其分位值因子** * 上证50：当前值3.27%，近5年分位值33.47%[52] * 沪深300：当前值2.75%，近5年分位值37.02%[5][52] * 中证500：当前值1.25%，近5年分位值4.46%[5][50][52] * 中证1000：当前值1.00%，近5年分位值23.47%[52] * 中证2000：当前值0.70%，近5年分位值0.83%[5][50][52] * 中证全指：当前值1.94%，近5年分位值26.69%[52] * 创业板指：当前值0.87%，近5年分位值55.29%[5][52][55] 7. **均线相对位置因子** * 截至2026年2月9日，所有跟踪指数已突破5日均线；中证500仍在10日及20日均线之下；中证1000仍在20日均线之下；其余指数已突破10日及20日均线[3][14]。 8. **收益分布形态指标** * 峰度负偏离（当前峰度 - 近5年峰度）：创业板指最大（-2.55），中证500最小（-1.46）[24][25]。 * 偏度变化（当前偏度 - 近5年偏度）：创业板指负偏态最大（-0.61），中证500负偏态最小（-0.40）[24][25]。

量化模型与构建方式 1. **模型名称**：基于交易动机因子及股票价差收益因子的选基策略[2][23] * **模型构建思路**：结合基金的交易动机和利润表中的股票价差收益，筛选出股票价差收益较高、拥有主动交易动机且业绩粉饰可能性较低的基金[23]。 * **模型具体构建过程**：首先，将基金的交易动机进行划分并构造基金交易动机因子。该因子由估值/流动性动机因子和业绩粉饰动机因子等权合成[48]。其中，估值/流动性动机因子根据基金报告期间资金流与股票买卖金额、累计买入/卖出股票金额2%以上或前20股票成交额占比数据计算得出[48]。其次，从基金利润表的股票投资收益科目中提取股票价差收益因子[48]。最后，将这两个因子相结合，构建选基策略[23]。 2. **模型名称**：交易独特性选基策略[3][31] * **模型构建思路**：根据基金经理的持股和交易明细构建网络，并计算基金经理的交易独特性指标，以此构建选基策略[3][31]。 * **模型具体构建过程**：先根据基金经理持股、交易数据构建基金经理网络，然后基于该网络计算出每个基金经理与其相关联基金经理在交易方面的差异，以此作为交易独特性因子[49]。基于该因子构建选基策略[31]。 3. **模型名称**：基于申报信息的行业主题ETF轮动策略[4][36] * **模型构建思路**：利用基金发行流程中申请材料公示阶段的前瞻性信息，构造因子筛选与申报ETF相近的行业主题ETF，以把握市场投资热点[4][36]。 * **模型具体构建过程**：先统计上个月申报的股票型ETF跟踪的指数，统计出该指数池与市场上指数的成分相似度，构建行业主题申报相似因子（T+1）[49]。基于该因子构建行业主题ETF轮动策略[36]。 量化因子与构建方式 1. **因子名称**：交易动机类因子[48] * **因子构建思路**：刻画基金经理的交易动机，包括估值/流动性动机和业绩粉饰动机[48]。 * **因子具体构建过程**：该因子由估值/流动性动机因子、业绩粉饰动机因子等权合成[48]。其中，估值/流动性动机因子根据基金报告期间资金流与股票买卖金额、累计买入/卖出股票金额2%以上或前20股票成交额占比数据计算得出[48]。 2. **因子名称**：股票价差收益因子[48] * **因子构建思路**：从基金利润表中提取基金经理通过股票交易实现的价差收益[48]。 * **因子具体构建过程**：该因子由基金利润表中股票价差收入（股票投资收益科目）计算而来[48]。 3. **因子名称**：交易独特性因子[49] * **因子构建思路**：基于基金经理网络，衡量基金经理交易行为与其关联基金经理的差异程度[49]。 * **因子具体构建过程**：先根据基金经理持股、交易数据构建基金经理网络，然后基于该网络计算出每个基金经理与其相关联基金经理在交易方面的差异[49]。 4. **因子名称**：行业主题申报相似因子（T+1）[36][49] * **因子构建思路**：利用新申报ETF的信息，计算其与现有行业主题ETF的相似度，以捕捉市场热点[36][49]。 * **因子具体构建过程**：先统计上个月申报的股票型ETF跟踪的指数，统计出该指数池与市场上指数的成分相似度，构建行业主题申报相似因子[49]。 5. **因子名称**：基金业绩动量类因子[48] * **因子构建思路**：综合多个维度衡量基金过去一段时间的业绩表现动量[48]。 * **因子具体构建过程**：该类因子由四个因子等权重合成，包含4因子模型alpha、夏普比率、区间胜率、HM模型中的择时能力系数，均用过去1年的基金净值数据进行计算[48]。 6. **因子名称**：选股能力因子[48] * **因子构建思路**：评估基金经理的选股能力[48]。 * **因子具体构建过程**：该因子根据多期Brinson模型，使用基金季频重仓股数据进行计算，由选股胜率、选股超额收益率两个因子等权重合成而来[48]。 7. **因子名称**：隐形交易能力因子[48] * **因子构建思路**：从收益和风险两个层面度量基金交易带来的贡献[48]。 * **因子具体构建过程**：该因子由隐形收益能力因子、风险转移能力因子等权重合成而来[48]。 8. **因子名称**：主动轮动收益因子[49] * **因子构建思路**：体现基金风格轮动带来的收益结果[49]。 * **因子具体构建过程**：该因子根据区间风格主动变化及区间风格因子收益计算[49]。 9. **因子名称**：绝对主动轮动指标[49] * **因子构建思路**：衡量基金经理主动进行风格调整的部分[49]。 * **因子具体构建过程**：该因子将基金报告期之间的风格变化，剔除了被动变化的部分，保留基金经理主动调整的部分[49]。 模型的回测效果 1. **基于交易动机因子及股票价差收益因子的选基策略**[23][27] * **1月份收益率**：10.96%[27] * **年化收益率**：11.56%[27] * **年化波动率**：21.60%[27] * **Sharpe比率**：0.54[27] * **最大回撤率**：48.39%[27] * **年化超额收益率**：3.87%[27] * **超额最大回撤率**：19.22%[27] * **信息比率(IR)**：0.64[27] * **1月份超额收益率**：3.60%[27] 2. **交易独特性选基策略**[31][35] * **1月份收益率**：8.03%[35] * **年化收益率**：14.26%[35] * **年化波动率**：19.47%[35] * **Sharpe比率**：0.73[35] * **最大回撤率**：37.26%[35] * **年化超额收益率**：5.70%[35] * **超额最大回撤率**：10.84%[35] * **信息比率(IR)**：1.10[35] * **1月份超额收益率**：0.86%[35] 3. **基于申报信息的行业主题ETF轮动策略**[36][40][43] * **1月份收益率**：22.66%[40] * **年化收益率**：22.45%[40] * **年化波动率**：21.39%[40] * **Sharpe比率**：1.05[40] * **最大回撤率**：34.89%[43] * **年化超额收益率**：13.84%[43] * **超额最大回撤率**：19.07%[43] * **信息比率(IR)**：0.76[43] * **1月份超额收益率**：18.18%[43]

量化模型与构建方式 该报告为基金业绩跟踪报告，未详细阐述具体的量化模型或量化因子的构建思路、过程及公式[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20] 量化因子与构建方式 报告未详细阐述具体的量化因子的构建思路、过程及公式[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20] 模型的回测效果 报告未提供具体量化模型的回测效果指标[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20] 因子的回测效果 报告未提供具体量化因子的回测效果指标[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20]

量化模型与构建方式 1. **模型/因子名称**：主动调仓比例计算模型 * **构建思路**：为了剔除持仓股票价格涨跌变动对基金行业配置比例的影响，从而更纯粹地反映基金经理的主动调仓行为，构建了主动调仓比例计算模型[51]。 * **具体构建过程**：首先计算各行业的被动调仓比例，该比例反映了仅因持仓股票价格变动导致的行业配置比例变化。然后，用基金整体行业配置比例的实际变动减去该被动调仓比例，得到主动调仓比例[51]。 * **模型评价**：该模型能有效剥离市场波动对持仓结构的干扰，更准确地衡量基金经理的主动管理行为。但报告也指出，该算法天然对持仓比例较小的行业误差较大，其参考意义主要针对持仓比例大的行业[51]。 2. **模型/因子名称**：基金净申购计算模型 * **构建思路**：为了衡量基金在季度间的真实资金流入/流出情况（即“吸金能力”），排除基金规模因净值涨跌而产生的自然变化，构建了净申购计算模型[45]。 * **具体构建过程**：使用基金当季末的规模，减去上季末规模经过当季净值涨跌调整后的部分，差额即为当季净申购额[45]。具体公式如下： $$净申购 = 当期规模 − 上期规模 × (1 + 当期涨跌幅)$$ 其中，“当期规模”和“上期规模”分别为报告期末和期初的基金资产净值，“当期涨跌幅”为该基金在报告期内的收益率[45]。 模型的回测效果 *本报告为基金持仓分析报告，未提供量化模型的回测指标（如年化收益率、夏普比率、最大回撤等）。报告核心内容为基于实际持仓数据的统计描述，而非对预测模型的历史模拟测试。* 量化因子与构建方式 *本报告未涉及用于选股或资产定价的量化因子（如价值、动量、质量等因子的构建）。报告中的“因子”主要指基金在不同行业的“配置比例”、“调仓比例”等统计指标，而非用于预测的阿尔法因子。* 因子的回测效果 *本报告未提供量化因子的历史表现测试结果（如IC值、IR、多空收益等）。报告展示的是基金在特定报告期（2025年第四季度）的持仓数据截面分析，而非因子的时间序列回测。*

量化模型与构建方式 1. **模型名称**：价值50组合[3][5] **模型构建思路**：基于价值风格，以高beta弹性为投资目标构建的Smart beta组合[5] **模型具体构建过程**：报告未详细描述具体构建过程，但指出其构建基于专题报告《基于投资目标的基础 Smart beta 组合构建与配置》，并选取了历史相关性低的价值风格[5] 2. **模型名称**：价值均衡50组合[3][5] **模型构建思路**：基于价值风格，以长期稳健超额收益为投资目标构建的Smart beta组合[5] **模型具体构建过程**：报告未详细描述具体构建过程，但指出其构建基于专题报告《基于投资目标的基础 Smart beta 组合构建与配置》，并选取了历史相关性低的价值风格[5] 3. **模型名称**：成长50组合[3][5] **模型构建思路**：基于成长风格，以高beta弹性为投资目标构建的Smart beta组合[5] **模型具体构建过程**：报告未详细描述具体构建过程，但指出其构建基于专题报告《基于投资目标的基础 Smart beta 组合构建与配置》，并选取了历史相关性低的成长风格[5] 4. **模型名称**：成长均衡50组合[3][5] **模型构建思路**：基于成长风格，以长期稳健超额收益为投资目标构建的Smart beta组合[5] **模型具体构建过程**：报告未详细描述具体构建过程，但指出其构建基于专题报告《基于投资目标的基础 Smart beta 组合构建与配置》，并选取了历史相关性低的成长风格[5] 5. **模型名称**：小盘50组合[3][5] **模型构建思路**：基于小盘风格，以高beta弹性为投资目标构建的Smart beta组合[5] **模型具体构建过程**：报告未详细描述具体构建过程，但指出其构建基于专题报告《基于投资目标的基础 Smart beta 组合构建与配置》，并选取了历史相关性低的小盘风格[5] 6. **模型名称**：小盘均衡50组合[3][5] **模型构建思路**：基于小盘风格，以长期稳健超额收益为投资目标构建的Smart beta组合[5] **模型具体构建过程**：报告未详细描述具体构建过程，但指出其构建基于专题报告《基于投资目标的基础 Smart beta 组合构建与配置》，并选取了历史相关性低的小盘风格[5] 模型的回测效果 1. **价值50组合**，周收益率0.19%[3][6]，周超额收益（相对国证价值）0.72%[6]，月收益率0.19%[6]，月超额收益0.72%[6]，年收益率0.70%[3][6]，年超额收益-1.14%[6]，最大相对回撤3.17%[6] 2. **价值均衡50组合**，周收益率0.22%[3][6]，周超额收益（相对国证价值）0.75%[6]，月收益率0.22%[6]，月超额收益0.75%[6]，年收益率8.68%[3][6]，年超额收益6.84%[6]，最大相对回撤1.78%[6] 3. **成长50组合**，周收益率-2.53%[3][6]，周超额收益（相对国证成长）-0.54%[6]，月收益率-2.53%[6]，月超额收益-0.54%[6]，年收益率1.29%[3][6]，年超额收益-2.26%[6]，最大相对回撤2.62%[6] 4. **成长均衡50组合**，周收益率-1.95%[3][6]，周超额收益（相对国证成长）0.04%[6]，月收益率-1.95%[6]，月超额收益0.04%[6]，年收益率6.55%[3][6]，年超额收益3.00%[6]，最大相对回撤2.48%[6] 5. **小盘50组合**，周收益率1.71%[3][6]，周超额收益（相对国证2000）3.45%[1][6]，月收益率1.71%[6]，月超额收益3.45%[6]，年收益率11.72%[3][6]，年超额收益4.48%[6]，最大相对回撤3.08%[6] 6. **小盘均衡50组合**，周收益率-0.52%[3][6]，周超额收益（相对国证2000）1.22%[6]，月收益率-0.52%[6]，月超额收益1.22%[6]，年收益率9.49%[3][6]，年超额收益2.25%[6]，最大相对回撤2.38%[6]