根据提供的量化分析报告，以下是关于报告中涉及的量化模型和因子的详细总结。 量化模型与构建方式 1. 模型名称：择时雷达六面图模型[1][6] - **模型构建思路**：权益市场表现受多维度指标影响，该模型从流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取二十一个指标对市场进行刻画，并概括为“估值性价比”、“宏观基本面”、“资金&趋势”、“拥挤度&反转”四大类，最终生成[-1,1]之间的综合择时分数[1][6] - **模型具体构建过程**： 1. 从六个维度（流动性、经济面、估值面、资金面、技术面、拥挤度）选取共计21个底层指标[1][6] 2. 将六个维度概括为四大类：“估值性价比”（包含估值面）、“宏观基本面”（包含流动性、经济面）、“资金&趋势”（包含资金面、技术面）、“拥挤度&反转”（包含拥挤度）[1][6] 3. 每个底层指标根据其构建规则计算出一个介于[-1, 1]之间的分数，代表看空、中性或看多信号[12][15][17]等 4. 综合所有指标的分数，最终生成一个介于[-1,1]之间的综合择时分数[1][6] 量化因子与构建方式 1. 因子名称：货币方向因子[12] - **因子构建思路**：判断当前货币政策的方向，通过比较当前货币政策工具利率与短端市场利率相对于90天前的平均变化方向来识别政策宽松或收紧[12] - **因子具体构建过程**：选取央行使用的货币政策工具利率与短端市场利率，计算其相较于90天前的平均变化方向。若货币方向因子>0，则判断货币政策宽松（看多信号）；若货币方向因子<0，则判断货币政策收紧（看空信号）[12] 2. 因子名称：货币强度因子[15] - **因子构建思路**：基于“利率走廊”概念，表征短端市场利率相对于政策利率的偏离幅度，用以判断货币环境的宽松或紧张程度[15] - **因子具体构建过程**： 1. 计算偏离度：$$偏离度 = \frac{DR007}{7天逆回购利率} - 1$$[15] 2. 对偏离度进行平滑处理并计算Z-Score，得到货币强度因子[15] 3. 若货币强度因子 < -1.5倍标准差，则预期未来120个交易日为宽松环境（看多信号，分数为1）；若货币强度因子 > 1.5倍标准差，则预期未来120个交易日为紧张环境（看空信号，分数为-1）[15] 3. 因子名称：信用方向因子[17] - **因子构建思路**：表征商业银行对实体经济传导的松紧程度，使用中长期贷款指标进行体现，通过其变化趋势判断信用环境[17] - **因子具体构建过程**：计算中长期贷款当月值 -> 计算过去十二个月增量 -> 计算同比。若信用方向因子相比于三个月之前上升则看多（分数为1）；反之则看空（分数为-1）[17] 4. 因子名称：信用强度因子[20] - **因子构建思路**：捕捉信用指标是否大幅超预期或不及预期，反映信用的强度变化[20] - **因子具体构建过程**：计算信用强度因子 = (新增人民币贷款当月值 – 预期中位数) / 预期标准差。若信用强度因子 > 1.5倍标准差，则定义未来60个交易日为信用显著超预期环境（分数为1）；若信用强度因子 < -1.5倍标准差，则未来60个交易日分数为-1[20] 5. 因子名称：增长方向因子[24] - **因子构建思路**：基于PMI数据判断经济增长的方向变化[24] - **因子具体构建过程**：基于中采制造业PMI、中采非制造业PMI、财新制造业PMI数据，构建增长方向因子 = PMI -> 计算过去十二月均值 -> 计算同比。若增长方向因子相比于三个月之前上升则看多（分数为1）；反之则看空（分数为-1）[24] 6. 因子名称：增长强度因子[27] - **因子构建思路**：捕捉经济增长指标是否大幅超预期或不及预期[27] - **因子具体构建过程**：计算PMI预期差 = (PMI – 预期中位数) / 预期标准差。若增长强度因子 > 1.5倍标准差，则定义未来60个交易日为增长显著超预期环境（分数为1）；若增长强度因子 < -1.5倍标准差，则未来60个交易日分数为-1[27] 7. 因子名称：通胀方向因子[31] - **因子构建思路**：通过当前通胀水平判断其对货币政策的制约，以及未来货币政策空间，进而影响权益资产[31] - **因子具体构建过程**：计算通胀方向因子 = 0.5 × CPI同比平滑值 + 0.5 × PPI同比原始值。若通胀方向因子相较于三个月之前降低，则说明是通胀下行环境，此时看多（分数为1）；反之看空（分数为-1）[31] 8. 因子名称：通胀强度因子[32] - **因子构建思路**：捕捉通胀指标是否大幅超预期或不及预期[32] - **因子具体构建过程**：分别计算CPI与PPI预期差 = (披露值 – 预期中位数) / 预期标准差，并计算通胀强度因子 = CPI与PPI预期差均值。若通胀强度因子 < -1.5倍标准差，则定义未来60个交易日为通胀显著不及预期环境（分数为1）；若通胀强度因子 > 1.5倍标准差，则未来60个交易日分数为-1[32] 9. 因子名称：席勒ERP[36] - **因子构建思路**：通过计算经过通胀调整的长期平均盈利的市盈率倒数与无风险收益率的差值，来衡量市场的估值性价比，避免短期盈利波动干扰[36] - **因子具体构建过程**： 1. 计算过去6年通胀调整后的平均盈利，得到席勒PE[36] 2. 计算席勒ERP = 1 / 席勒PE - 10年期国债到期收益率[36] 3. 计算席勒ERP过去6年的Z-Score作为分数[36] 10. 因子名称：PB[38] - **因子构建思路**：使用市净率（PB）来衡量市场估值水平[38] - **因子具体构建过程**：对PB指标乘以-1，然后计算过去6年的Z-Score，并进行1.5倍标准差截尾处理后标准化到±1之间得到分数[38] 11. 因子名称：AIAE[42] - **因子构建思路**：全市场权益配置比例（Aggregate Investor Allocation to Equities），反映市场整体的风险偏好，基于投资者在风险资产和安全资产之间的动态配置平衡[42] - **因子具体构建过程**： 1. 构建A股的AIAE指标 = 中证全指总流通市值 / (中证全指总流通市值 + 实体总债务)[42] 2. 将AIAE乘以-1，然后计算过去6年的Z-Score得到分数[42] 12. 因子名称：两融增量[45] - **因子构建思路**：通过融资余额与融券余额的差值变化趋势，判断市场杠杆资金情绪[45] - **因子具体构建过程**：计算融资余额-融券余额，并计算其过去120日均增量与过去240日均增量。若120日均增量 > 过去240日均增量，则判断杠杆资金上行（看多，分数为1）；反之看空（分数为-1）[45] 13. 因子名称：成交额趋势[48] - **因子构建思路**：通过成交额的变化趋势判断市场成交热度和资金活跃度[48] - **因子具体构建过程**：对对数成交额计算其均线距离 = MA120 / MA240 - 1。当均线距离的max(10) = max(30) = max(60)时看多（分数为1）；当均线距离的min(10) = min(30) = min(60)时看空（分数为-1）[48] 14. 因子名称：中国主权CDS利差[52] - **因子构建思路**：中国主权CDS利差反映了海外投资者对中国经济与主权信用风险的定价，与PMI负相关，可作为外资流入意愿的指代变量[52] - **因子具体构建过程**：对平滑后的CDS利差计算其20日差分。若20日差分 < 0，说明CDS利差下降，海外投资者预期中国基本面转好，外资流入意愿强（看多，分数为1）；反之看空（分数为-1）[52] 15. 因子名称：海外风险厌恶指数[55] - **因子构建思路**：花旗风险厌恶指数（Citi RAI Index）由海外期权隐波、信用利差等数据组成，捕捉海外市场的风险偏好，影响外资流向[55] - **因子具体构建过程**：对平滑后的风险厌恶指数计算其20日差分。若20日差分 < 0，表明外资风险偏好上升（看多，分数为1）；反之看空（分数为-1）[55] 16. 因子名称：价格趋势[58] - **因子构建思路**：使用均线距离衡量标的价格的中长期趋势与强度[58] - **因子具体构建过程**： 1. 计算均线距离 = MA120 / MA240 - 1[58] 2. 趋势方向分数：若均线距离 > 0，则分数=1；反之为-1[58] 3. 趋势强度分数：若均线距离的max(20) = max(60)，则分数=1；若均线距离的min(20) = min(60)，则分数=-1[58] 4. 趋势综合分数 = (趋势方向分数 + 趋势强度分数) / 2[58] 17. 因子名称：新高新低数[61] - **因子构建思路**：通过指数成分股创一年新高与新低的个股数量差，作为市场反转信号[61] - **因子具体构建过程**：计算中证800成分股的（过去一年新高数 - 过去一年新低数）的20日移动平均（MA20）。若该值 > 0，说明近期新低较多，市场有见底预期（看多，分数为1）；反之说明有见顶可能（看空，分数为-1）[61] 18. 因子名称：期权隐含升贴水[64] - **因子构建思路**：基于看涨看跌平价关系推导期权隐含的标的升贴水，反映期权市场对未来标的收益率的预期与情绪，作为反转指标衡量市场拥挤度[64] - **因子具体构建过程**：若50ETF近5日收益率 < 0，且该指标分位数 < 30%，则看多持续20日（分数为1）；若50ETF近5日收益率 > 0，且指标分位数 > 70%，则看空持续20日（分数为-1）[64] 19. 因子名称：期权VIX指数[65] - **因子构建思路**：期权隐含波动率指数，反映投资者对未来波动率的预期与市场情绪，较高时市场倾向于反转[65] - **因子具体构建过程**：若50ETF近5日收益率 < 0，且该指标分位数 > 70%，则看多持续20日（分数为1）；若50ETF近5日收益率 > 0，且指标分位数 > 70%，则看空持续20日（分数为-1）[65] 20. 因子名称：期权SKEW指数[70] - **因子构建思路**：期权隐含偏度指数，反映投资者对未来标的偏度的预期与市场情绪，作为反转指标[70] - **因子具体构建过程**：若50ETF近5日收益率 < 0，且该指标分位数 > 70%，则看多持续20日（分数为1）；若50ETF近5日收益率 > 0，且指标分位数 < 30%，则看空持续20日（分数为-1）[70] 21. 因子名称：可转债定价偏离度[73] - **因子构建思路**：可转债估值水平能体现市场情绪，其定价偏离度可作为反转指标[73] - **因子具体构建过程**： 1. 计算可转债定价偏离度 = 转债价格 / 模型定价 - 1[73] 2. 计算分数 = 定价偏离度 × (-1) 然后计算过去3年的Z-Score[73] 3. 定价偏离度越高，拥挤度越高，分数越低[73] 模型的回测效果 1. **择时雷达六面图模型**，当前综合打分为-0.15分[1][6][8] 因子的回测效果 1. **货币方向因子**，当前分数为1分[10][12] 2. **货币强度因子**，当前分数为-1分[10][15] 3. **信用方向因子**，当前分数为1分[10][17] 4. **信用强度因子**，当前分数为0分[10][20][21] 5. **增长方向因子**，当前分数为1分[10][24][25] 6. **增长强度因子**，当前分数为-1分[10][27][28] 7. **通胀方向因子**，当前分数为-1分[10][31] 8. **通胀强度因子**，当前分数为0分[10][32][33] 9. **席勒ERP**，当前分数为0.08分[10][36][40] 10. **PB**，当前分数为-0.48分[10][38][39] 11. **AIAE**，当前分数为-0.80分[10][42] 12. **两融增量**，当前分数为-1分[10][45] 13. **成交额趋势**，当前分数为-1分[10][48][49] 14. **中国主权CDS利差**，当前分数为1分[10][52][53] 15. **海外风险厌恶指数**，当前分数为1分[10][55] 16. **价格趋势**，当前分数为0分[10][58][60] 17. **新高新低数**，当前分数为-1分[10][61] 18. **期权隐含升贴水**，当前分数为1分[10][64] 19. **期权VIX指数**，当前分数为1分[10][65][66] 20. **期权SKEW指数**，当前分数为-1分[10][70] 21. **可转债定价偏离度**，当前分数为-1分[10][73][74]

量化模型与构建方式 1. 成交量模型 - 模型构建思路：基于市场成交量数据判断市场短期走势[8] - 模型具体构建过程：通过分析宽基指数的成交量变化情况，设定阈值判断市场中性信号[11] - 模型评价：短期有效的市场情绪指标 2. 低波动率模型 - 模型构建思路：利用市场波动率指标进行择时判断[11] - 模型具体构建过程：计算市场波动率指标，设定中性信号阈值[11] - 模型评价：风险控制型择时模型 3. 特征龙虎榜机构模型 - 模型构建思路：基于龙虎榜机构数据构建特征指标[11] - 模型具体构建过程：分析机构资金流向和交易行为，生成看多信号[11] - 模型评价：反映机构投资者情绪 4. 特征成交量模型 - 模型构建思路：构建特殊的成交量特征指标[11] - 模型具体构建过程：通过成交量异常变化模式识别，生成看空信号[11] - 模型评价：捕捉市场异常交易行为 5. 智能算法沪深300模型 - 模型构建思路：应用智能算法对沪深300指数进行择时[11] - 模型具体构建过程：采用机器学习算法分析多维度市场数据，输出中性信号[11] - 模型评价：基于人工智能的量化择时模型 6. 智能算法中证500模型 - 模型构建思路：应用智能算法对中证500指数进行择时[11] - 模型具体构建过程：采用机器学习算法分析多维度市场数据，输出看空信号[11] - 模型评价：基于人工智能的量化择时模型 7. 涨跌停模型 - 模型构建思路：通过涨跌停板数量分析市场情绪[12] - 模型具体构建过程：统计市场涨跌停股票数量及比例，判断中性信号[12] - 模型评价：反映市场极端情绪 8. 月历效应模型 - 模型构建思路：基于历史月历效应进行择时[12] - 模型具体构建过程：分析历史月份效应规律，输出中性信号[12] - 模型评价：基于季节性效应的择时模型 9. 长期动量模型 - 模型构建思路：利用长期动量效应进行市场判断[13] - 模型具体构建过程：计算长期价格动量指标，生成看多信号[13] - 模型评价：捕捉长期趋势的动量模型 10. A股综合兵器V3模型 - 模型构建思路：综合多因子进行市场综合判断[14] - 模型具体构建过程：整合多个择时模型信号，输出看空结论[14] - 模型评价：多因子综合择时体系 11. A股综合国证2000模型 - 模型构建思路：针对国证2000指数的综合择时模型[14] - 模型具体构建过程：结合多种技术指标，输出看空信号[14] - 模型评价：小盘股综合择时模型 12. 成交额倒波幅模型 - 模型构建思路：通过成交额与波动率关系进行港股择时[15] - 模型具体构建过程：分析成交额与波动率的倒置关系，生成看多信号[15] - 模型评价：港股市场特色择时指标 模型的回测效果 1. 成交量模型 - 信号状态：中性[11] - 覆盖指数：所有宽基指数[11] 2. 低波动率模型 - 信号状态：中性[11] 3. 特征龙虎榜机构模型 - 信号状态：看多[11] 4. 特征成交量模型 - 信号状态：看空[11] 5. 智能算法沪深300模型 - 信号状态：中性[11] 6. 智能算法中证500模型 - 信号状态：看空[11] 7. 涨跌停模型 - 信号状态：中性[12] 8. 月历效应模型 - 信号状态：中性[12] 9. 长期动量模型 - 信号状态：看多[13] 10. A股综合兵器V3模型 - 信号状态：看空[14] 11. A股综合国证2000模型 - 信号状态：看空[14] 12. 成交额倒波幅模型 - 信号状态：看多[15] 量化因子与构建方式 1. 形态学因子（杯柄形态） - 因子构建思路：基于技术分析中的杯柄形态识别[42] - 因子具体构建过程：识别价格走势中的杯柄形态模式，A点为起点，B点为杯底，C点为柄部突破点[46] - 因子评价：经典的技术分析形态因子 2. 形态学因子（双底形态） - 因子构建思路：基于技术分析中的双底形态识别[42] - 因子具体构建过程：识别W底形态，A点为左底，B点为中间高点，C点为右底突破点[50] - 因子评价：反转形态技术因子 3. 形态学因子（倒杯子形态） - 因子构建思路：基于技术分析中的倒杯子形态识别[59] - 因子具体构建过程：识别倒置的杯柄形态，A点为起点，C点为杯顶，E点为向下突破点[60] - 因子评价：负面技术形态预警因子 因子的回测效果 1. 杯柄形态因子 - 本周收益：-3.4%[42] - 相对上证综指超额收益：-2.22%[42] - 累计收益（2020年12月31日至今）：57.8%[42] - 相对上证综指累计超额收益：48.02%[42] 2. 双底形态因子 - 本周收益：1.94%[42] - 相对上证综指超额收益：0.41%[42] - 累计收益（2020年12月31日至今）：48.04%[42] - 相对上证综指累计超额收益：36.6%[42]

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 1. **因子名称：总热度指标**[7] * **因子构建思路**：通过加总个股的浏览、自选与点击次数，并将其在全市场占比进行归一化，以此作为市场情绪热度的代理变量进行追踪[7]。 * **因子具体构建过程**： 1. 获取个股的浏览、自选与点击次数。 2. 计算这些次数之和。 3. 将此和值除以同一日全市场的总浏览、自选与点击次数之和，得到占比。 4. 将归一化后的数值乘以10000，使得指标取值区间为[0,10000]。 公式为： $$\text{总热度} = \frac{\text{个股浏览+自选+点击次数}}{\text{全市场浏览+自选+点击次数总和}} \times 10000$$ * **因子评价**：该因子被用作衡量市场“情绪热度”的代理变量。 2. **因子名称：宽基/行业/概念总热度**[7][8][19][26][27] * **因子构建思路**：将宽基指数、申万行业或概念板块内的所有成分股的总热度指标进行加和，得到该板块层面的聚合热度指标，用于追踪板块情绪[7][8][19]。 * **因子具体构建过程**：对于特定的股票分组（如沪深300、电力设备行业、赛马概念），将其包含的所有个股的总热度指标值直接求和。 公式为： $$\text{板块总热度} = \sum_{i \in \text{板块}} \text{总热度}_i$$ 其中，总热度_i 是上述“总热度指标”因子对于股票i的计算结果。 3. **因子名称：热度变化率**[9][15][19][26] * **因子构建思路**：计算宽基、行业或概念的总热度指标的周度变化率，以捕捉市场关注度的边际变化[9][15]。 * **因子具体构建过程**： 1. 计算当前周的板块总热度。 2. 计算上一周的板块总热度。 3. 计算周度变化率：$$\text{热度变化率} = \frac{\text{本周总热度} - \text{上周总热度}}{\text{上周总热度}}$$ 4. （可选）对周度变化率取2周移动平均（MA2）进行平滑处理[9][15][19][26]。 4. **因子名称：估值历史分位数**[3][37][38][40][41] * **因子构建思路**：计算宽基指数或行业当前的估值（如PETTM）在其自身历史序列中的分位数，用以判断当前估值水平在历史上的位置[3][37]。 * **因子具体构建过程**： 1. 选定估值指标（如滚动市盈率PETTM）和回溯期（如滚动5年或从2015年起）。 2. 获取标的（宽基或行业）在回溯期内每个历史时点的估值数据。 3. 将当前估值与历史估值序列进行比较，计算其分位数。 公式为：$$\text{历史分位数} = \frac{\text{历史序列中低于当前值的数量}}{\text{历史序列总数量}} \times 100\%$$ 报告中提及了两种回溯窗口：滚动5年[3][37]和从2015年开始至当前[38][40][41]。 模型的回测效果 1. **宽基轮动策略**[12][15] * **策略构建**：每周最后一个交易日买入总热度变化率MA2最大的宽基指数（如果是“其他”组则空仓）[12]。 * **年化收益率**: 8.74%[15] * **最大回撤**: 23.5%[15] * **2025年收益**: 32.7%[15] 2. **热门概念内选股策略（BOTTOM组合）**[30][32] * **策略构建**：每周选出热度变化最大的5个概念，排除概念成分股中流通市值最小的20%股票后，从每个概念中选出总热度排名最后的10只个股，等权构建组合[30]。 * **年化收益率**: 15.71%[32] * **最大回撤**: 28.89%[32] * **2025年收益**: 44.2%[32] 因子的回测效果 *(注：本报告未提供单一因子的独立回测指标（如IC、IR等），仅提供了基于因子构建的策略回测结果。)*

量化模型与构建方式 1 周期分析模型 - 模型名称：周期分析模型[8] - 模型构建思路：基于技术分析，通过分析市场周期波动来判断趋势状态[8] - 模型具体构建过程：该模型通过识别市场价格的周期性波动特征，结合时间序列分析来判定市场趋势。具体构建时，会计算价格在不同周期窗口下的波动特征，并结合滤波技术提取周期成分，最终通过模式识别方法判断当前市场所处的周期阶段及趋势强度[8] 2 行业四轮驱动模型 - 模型名称：行业四轮驱动模型[2][9][15] - 模型构建思路：通过多维度指标进行行业轮动，捕捉板块内轮动机会[2][9] - 模型具体构建过程：模型从四个维度（驱动轮）对行业进行评估和筛选。具体构建过程包括： 1) 赚钱效应异动信号捕捉：监测行业价格和成交量的异常变动，识别潜在机会 2) 行业拥挤度分析：计算行业成交金额占比及其历史分位数 3) 行业分化程度跟踪：衡量板块间涨跌分化程度 4) 基本面与技术面结合：综合行业近期表现与历史Sharpe比率进行排序 模型最终输出建议关注的行业组合，如表中所列传媒、商贸零售、农林牧渔等行业[2][9][15] 量化因子与构建方式 1 股债收益差因子 - 因子名称：股债收益差[8] - 因子构建思路：通过比较股票与债券收益率差异来判断市场估值水平[8] - 因子具体构建过程：计算股票市场收益率与债券市场收益率的差值，并进行标准化处理。具体公式为： $$股债收益差 = \frac{股票收益率 - 债券收益率}{\sigma}$$ 其中$\sigma$为历史波动率。当该值处于2倍标准差之下时，表明市场可能接近阶段性高点[8] 2 行业分化程度因子 - 因子名称：行业分化程度[2][9][11] - 因子构建思路：衡量不同行业板块之间涨跌差异程度的指标[2][9] - 因子具体构建过程：计算各行业指数收益率的截面标准差，或者使用其他离散度度量指标来衡量行业间的分化程度。当分化程度达到历史高点附近时，可能预示市场需要高低切换[2][9][11] 3 行业拥挤度因子 - 因子名称：行业拥挤度[9][12] - 因子构建思路：通过成交金额占比来评估行业热度拥挤情况[9][12] - 因子具体构建过程：计算特定行业（如TMT板块）成交金额占市场总成交金额的比例，并计算其历史分位数。当该比例接近历史高点时，表明行业可能过于拥挤，需要警惕回调风险[9][12] 4 赚钱效应异动因子 - 因子名称：赚钱效应异动[15] - 因子构建思路：捕捉行业价格和成交量异常变动带来的赚钱效应变化[15] - 因子具体构建过程：监测行业指数的价格突破和成交量放大现象，当出现异常变动时生成信号。具体通过计算行业指数的短期收益率与成交量比值的异常值来识别潜在机会[15] 模型的回测效果 （报告中未提供具体的模型回测指标数值） 因子的回测效果 （报告中未提供具体的因子回测指标数值）

量化模型与构建方式 1. **模型名称**：250日新高距离模型[11] **模型构建思路**：通过计算当前价格与过去250日最高价的相对距离，来衡量股票或指数接近历史高点的程度，以此捕捉趋势强度和市场动量[11] **模型具体构建过程**：对于给定的标的（股票或指数），首先获取其最新收盘价 \( Closet \) 和过去250个交易日的收盘价时间序列，计算该时间序列的最大值 \( ts\_max(Close, 250) \)。然后，应用以下公式计算250日新高距离： $$ 250 \text{ 日新高距离 } = 1 - \frac{Closet}{ts\_max(Close, 250)} $$ 若最新收盘价创出新高，则分母等于分子，结果为0；若最新收盘价从高点回落，则结果为正值，表示回落的幅度[11] 量化因子与构建方式 1. **因子名称**：平稳创新高股票筛选因子[25][27] **因子构建思路**：在创250日新高的股票池中，结合分析师关注度、股价相对强弱、趋势延续性、股价路径平稳性及创新高持续性等多个维度，筛选出趋势更为稳健、动量效应可能更强的股票[25][27] **因子具体构建过程**：筛选过程分为多个步骤： a. 初筛股票池：筛选出过去20个交易日内曾创出250日新高的股票[19] b. 分析师关注度：要求股票在过去3个月内，获得“买入”或“增持”评级的分析师研报数量不少于5份[27] c. 股价相对强弱：要求股票过去250日的涨跌幅位于全市场所有股票的前20%[27] d. 股价平稳性与创新高持续性：在满足上述条件的股票池内，使用两个指标进行综合打分，并选取排名在前50%的股票。这两个指标是： - 价格路径平滑性（股价位移路程比）： $$ \text{平滑性} = \frac{\text{过去120日涨跌幅的绝对值}}{\text{过去120日日涨跌幅绝对值之和}} $$ 该比值越低，表明价格路径越平滑，趋势越稳定[25][27] - 创新高持续性：过去120日的250日新高距离在时间序列上的均值。该值越低，表明股票维持在历史高点附近的时间越长，创新高更具持续性[27] e. 趋势延续性：计算过去5日的250日新高距离在时间序列上的均值，并选取该值排序最靠前的50只股票作为最终的“平稳创新高股票”[27] 模型的回测效果 1. **250日新高距离模型**，截至2025年9月12日的具体取值： - 上证指数：0.33%[12] - 深证成指：0.43%[12] - 沪深300指数：0.57%[12] - 中证500指数：0.00%[12] - 中证1000指数：1.04%[12] - 中证2000指数：1.56%[12] - 创业板指：1.09%[12] - 科创50指数：1.95%[12] 因子的回测效果 1. **平稳创新高股票筛选因子**，截至2025年9月12日的应用结果： - 全市场初步筛选出的创新高股票数量：1620只[19] - 最终筛选出的平稳创新高股票数量：50只[27][28] - 这些股票在板块上的分布：周期板块17只，科技板块17只，制造板块、医药板块、消费板块、大金融板块共16只[28] - 这些股票在行业上的分布：基础化工行业（周期板块）和电子行业（科技板块）入选数量最多[28]

量化模型与构建方式 1 模型名称：中证人工智能主题指数[16]；模型构建思路：选取业务涉及为人工智能提供基础资源、技术以及应用支持的上市公司证券作为指数样本，以反映人工智能主题上市公司证券的整体表现[16]；模型具体构建过程：样本空间同中证全指指数的样本空间，即由满足以下条件的A股和红筹企业发行的存托凭证组成：非ST、*ST证券；科创板证券和北交所证券上市时间分别超过一年和两年；其他证券上市时间超过一个季度，除非该证券自上市以来日均总市值排在前30位[17]；然后进行可投资性筛选，过去一年日均成交金额排名位于样本空间前80%[18]；最后进行选样，对于样本空间内符合可投资性筛选条件的证券，选取业务涉及大数据、云计算、云存储、机器学习、机器视觉、人脸识别、语音语义识别、智能芯片等领域的上市公司证券作为待选样本，在上述待选样本中，按照过去一年日均总市值由高到低排名，选取排名前50的证券作为指数样本[19]；模型评价：指数聚焦AI主题股票，重仓股紧扣AI主题，科技龙头属性高，主题特征鲜明[3][20] 模型的回测效果 1 中证人工智能主题指数，预期2025年营业收入9723亿元，同比增速22.62%[27] 2 中证人工智能主题指数，预期2025年归母净利润816亿元，同比增速89.59%[27] 3 中证人工智能主题指数，预期2026年营业收入11198亿元，同比增速15.17%[27] 4 中证人工智能主题指数，预期2026年归母净利润1076亿元，同比增速31.86%[27] 5 中证人工智能主题指数，预期2027年营业收入12954亿元，同比增速15.68%[27] 6 中证人工智能主题指数，预期2027年归母净利润1334亿元，同比增速23.95%[27] 量化因子与构建方式 1 因子名称：TMT概念暴露度[26]；因子的构建思路：衡量指数成份股在TMT概念上的暴露程度[26]；因子具体构建过程：根据Wind概念分类，计算指数成份股在TMT概念上的权重占比[26] 2 因子名称：科技龙头概念暴露度[26]；因子的构建思路：衡量指数成份股在科技龙头概念上的暴露程度[26]；因子具体构建过程：根据Wind概念分类，计算指数成份股在科技龙头概念上的权重占比[26] 3 因子名称：人工智能+概念暴露度[26]；因子的构建思路：衡量指数成份股在人工智能+概念上的暴露程度[26]；因子具体构建过程：根据Wind概念分类，计算指数成份股在人工智能+概念上的权重占比[26] 4 因子名称：AI算力概念暴露度[26]；因子的构建思路：衡量指数成份股在AI算力概念上的暴露程度[26]；因子具体构建过程：根据Wind概念分类，计算指数成份股在AI算力概念上的权重占比[26] 5 因子名称：AIPC概念暴露度[26]；因子的构建思路：衡量指数成份股在AIPC概念上的暴露程度[26]；因子具体构建过程：根据Wind概念分类，计算指数成份股在AIPC概念上的权重占比[26] 6 因子名称：人工智能概念暴露度[26]；因子的构建思路：衡量指数成份股在人工智能概念上的暴露程度[26]；因子具体构建过程：根据Wind概念分类，计算指数成份股在人工智能概念上的权重占比[26] 7 因子名称：AI应用概念暴露度[26]；因子的构建思路：衡量指数成份股在AI应用概念上的暴露程度[26]；因子具体构建过程：根据Wind概念分类，计算指数成份股在AI应用概念上的权重占比[26] 8 因子名称：芯片概念暴露度[26]；因子的构建思路：衡量指数成份股在芯片概念上的暴露程度[26]；因子具体构建过程：根据Wind概念分类，计算指数成份股在芯片概念上的权重占比[26] 因子的回测效果 1 TMT概念暴露度，概念暴露度94.63%[26] 2 科技龙头概念暴露度，概念暴露度92.36%[26] 3 人工智能+概念暴露度，概念暴露度66.91%[26] 4 AI算力概念暴露度，概念暴露度51.66%[26] 5 AIPC概念暴露度，概念暴露度51.60%[26] 6 人工智能概念暴露度，概念暴露度45.36%[26] 7 AI应用概念暴露度，概念暴露度44.71%[26] 8 芯片概念暴露度，概念暴露度36.03%[26]

量化模型与构建方式 1 公募实时持仓测算模型 - **模型名称**：公募实时持仓测算模型 - **模型构建思路**：基于市场公开信息（如基金净值、持仓披露、调研行为等）对公募基金持仓进行实时估算，以监测资金配置动态[16] - **模型具体构建过程**： 1. 收集基金净值、持仓披露、调研行为等市场公开数据 2. 通过复杂处理流程（详见开源金融工程团队专题报告《偏股混合型基金指数（885001.WI）：优势、复制与超越》）进行实时测算 3. 输出公募基金对特定板块（如固态电池）的配置仓位水平 2 筹码收益因子 - **因子名称**：筹码收益因子 - **因子构建思路**：通过估算投资者在不同价格上的资金持仓，推算资金的平均持仓成本，并衡量当前价格相对于历史筹码成本的收益率，以反映赚钱效应[24] - **因子具体构建过程**： 1. 估算投资者在不同价格上的资金持仓分布 2. 计算历史筹码平均持仓成本 3. 计算当前价格相对于历史筹码成本的收益率，即筹码收益因子值 公式为： $$\text{筹码收益} = \frac{\text{当前价格} - \text{历史筹码平均成本}}{\text{历史筹码平均成本}} \times 100\%$$ - **因子评价**：该因子能够有效反映市场赚钱效应，较好时呈现动量效应，较弱时呈现反转效应[24] 3 雪球大V关注度因子 - **因子名称**：雪球大V关注度因子 - **因子构建思路**：利用雪球平台大V用户对上市公司和行业的关注行为（如观点分享、投资行为）构建选股因子，其具有丰富信息含量[32] - **因子具体构建过程**： 1. 收集雪球平台大V用户的关注行为数据（如对个股的讨论、分析） 2. 统计特定时间段内各股票被大V关注的数量 3. 以关注数量作为因子值，衡量市场关注度 4 主力资金因子 - **因子名称**：主力资金因子 - **因子构建思路**：选用大单（挂单金额20-100万元）与超大单（挂单金额>100万元）的加总，作为主力资金的代理变量，监测资金流入流出情况[35] - **因子具体构建过程**： 1. 收集个股的挂单数据，区分大单和超大单 2. 计算大单与超大单的加总额度 3. 以净流入（流出）金额作为因子值，衡量主力资金动向 5 龙虎榜资金因子 - **因子名称**：龙虎榜资金因子 - **因子构建思路**：基于交易所披露的龙虎榜数据（如营业部买入卖出金额），反映市场最活跃资金的交易动向[37] - **因子具体构建过程**： 1. 收集龙虎榜数据，包括上榜营业部的买入金额、卖出金额等 2. 计算营业部资金净流入（流出）额 3. 以净流入（流出）额作为因子值，衡量活跃资金动向 6 高频股东户数因子 - **因子名称**：高频股东户数因子 - **因子构建思路**：利用交易所互动平台提供的股东户数数据，构建因子反映股东户数变动，其大幅增加可能提示后续股价风险[39] - **因子具体构建过程**： 1. 收集个股的股东户数数据 2. 计算最新两期股东户数的变动比例 3. 以变动比例作为因子值，衡量股东户数增幅 模型的回测效果 （本报告中未提供量化模型的回测效果指标取值） 因子的回测效果 1 筹码收益因子 - 固态电池指数赚钱效应：11.11%[5][25] 2 雪球大V关注度因子 - 先导智能关注数量：136[33] - 国轩高科关注数量：78[33] - 上海洗霸关注数量：62[33] 3 主力资金因子 - 南都电源主力净流入：5.64万元[36] - 中一科技主力净流入：2.46万元[36] - 恩捷股份主力净流入：1.67万元[36] 4 龙虎榜资金因子 - 国轩高科营业部资金净流入：6.7亿元[38] - 金龙羽营业部资金净流入：2.5亿元[38] - 先导智能营业部资金净流入：-8.7亿元[38] 5 高频股东户数因子 - 金龙羽股东户数变动比例：164.33%[40] - 科恒股份股东户数变动比例：138.30%[40] - 诺德股份股东户数变动比例：97.16%[40]

量化模型与构建方式 1 **模型名称：行业拥挤度监测模型** **模型构建思路：** 通过监测申万一级行业指数的拥挤度，识别当前市场过热或过冷的行业，为投资决策提供参考[3] **模型具体构建过程：** 模型每日计算各行业的拥挤度水平，具体计算方式未详细说明，但会输出各行业的拥挤度排名及变动情况[3] 2 **模型名称：溢价率Z-score模型** **模型构建思路：** 通过计算ETF溢价率的Z-score值，识别存在潜在套利机会的ETF产品，同时提示回调风险[4] **模型具体构建过程：** 模型滚动计算ETF溢价率的Z-score值，具体公式未详细说明，但会基于Z-score值生成ETF产品的关注信号[4] 量化因子与构建方式 1 **因子名称：行业拥挤度因子** **因子构建思路：** 用于衡量申万一级行业指数的市场拥挤程度，帮助识别行业过热或过冷状态[3] **因子具体构建过程：** 因子每日计算各行业的拥挤度，具体计算方式未详细说明，但会输出拥挤度排名及变动情况[3] 2 **因子名称：溢价率Z-score因子** **因子构建思路：** 用于衡量ETF溢价率相对于历史水平的偏离程度，识别潜在套利机会[4] **因子具体构建过程：** 因子滚动计算ETF溢价率的Z-score值，具体公式未详细说明，但会基于Z-score值生成ETF产品的关注信号[4] 模型的回测效果 （无相关内容） 因子的回测效果 （无相关内容）

量化因子与构建方式 1. **因子名称**：风险溢价因子[27][28] * **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，用以衡量其相对投资价值和偏离情况[27] * **因子具体构建过程**：风险溢价的计算公式为 `指数收益率 - 无风险利率`。具体而言，是使用各宽基指数的收益率减去十年期国债的即期收益率，其差值即为该指数的风险溢价[28][29]。该因子利用了风险溢价存在均值复归的现象[28] 2. **因子名称**：股债性价比因子[44] * **因子构建思路**：通过比较股票市场收益率（以PE-TTM的倒数代表）与债券市场收益率（十年期国债即期收益率）的差异，来判断股票和债券哪类资产更具投资吸引力[44] * **因子具体构建过程**：股债性价比的计算公式为 `(1 / PE-TTM) - 十年期国债即期收益率`[44]。其中，`(1 / PE-TTM)` 代表了股票的盈利收益率（Earnings Yield） 3. **因子名称**：股息率因子[46] * **因子构建思路**：跟踪各指数的股息率，其反映现金分红回报率，是红利投资风格的一种体现，尤其在市场低迷或利率下行期可能表现突出[46] * **因子具体构建过程**：股息率通常的计算公式为 `(近12个月现金分红总额 / 总市值) * 100%` 或 `(近12个月每股股利 / 每股股价) * 100%`[46][51] 4. **因子名称**：破净率因子[51][53] * **因子构建思路**：通过统计指数中市净率（PB）小于1的个股数量及其占比，来反映市场总体的估值态度和悲观情绪，占比越高通常意味着低估越普遍[51][53] * **因子具体构建过程**：破净率的计算公式为 `(指数成分股中破净股票数量 / 指数总成分股数量) * 100%`[51][53]。其中，破净股票是指其市净率（PB）小于1的股票，市净率计算公式为 `每股股价 / 每股净资产`[51] 5. **因子名称**：换手率因子[17][18] * **因子构建思路**：计算指数的换手率以衡量其成分股的交易活跃度和流动性[17][18] * **因子具体构建过程**：指数换手率的计算方式为 `Σ(成分股流通股本 * 成分股换手率) / Σ(成分股流通股本)`[18] 6. **因子名称**：交易金额占比因子[17][18] * **因子构建思路**：计算单一指数交易金额在全市场总交易金额中的占比，以观察资金在不同板块或指数间的流向和集中度[17][18] * **因子具体构建过程**：交易金额占比的计算公式为 `(该指数当天的交易金额 / 中证全指当天的交易金额) * 100%`[18] 7. **因子名称**：收益率分布形态因子（偏度与峰度）[24][25] * **因子构建思路**：通过分析指数日收益率的分布形态，特别是其偏度（Skewness）和峰度（Kurtosis），来捕捉收益分布的特征和极端收益出现的可能性[24][25] * **因子具体构建过程**： * **峰度**：计算指数日收益率序列的峰度，报告中在计算时减去了3（正态分布的峰度值），即计算超额峰度。峰度越大，说明收益率分布更集中（尖峰）[24][25] * **偏度**：计算指数日收益率序列的偏度。正偏态显示极端正收益情形增加的程度[24] **因子的回测效果** 1. **风险溢价因子** * **当前风险溢价**：上证50: 0.37%, 沪深300: 0.20%, 中证500: 0.04%, 中证1000: 0.05%, 中证2000: 0.31%, 中证全指: 0.20%, 创业板指: 1.26%[31] * **近5年分位值**：上证50: 68.10%, 沪深300: 60.79%, 中证500: 50.48%, 中证1000: 48.97%, 中证2000: 54.68%, 中证全指: 58.65%, 创业板指: 80.79%[31] * **近1年波动率**：上证50: 1.22%, 沪深300: 1.38%, 中证500: 1.68%, 中证1000: 1.91%, 中证2000: 2.10%, 中证全指: 1.58%, 创业板指: 2.59%[31] 2. **PE-TTM因子** * **当前值**：上证50: 11.79, 沪深300: 13.95, 中证500: 33.34, 中证1000: 46.11, 中证2000: 162.77, 中证全指: 21.11, 创业板指: 41.46[41][42] * **近5年历史分位值**：上证50: 83.22%, 沪深300: 81.24%, 中证500: 98.93%, 中证1000: 94.55%, 中证2000: 85.95%, 中证全指: 96.12%, 创业板指: 56.20%[39][41][42] 3. **股息率因子** * **当前值**：上证50: 3.34%, 沪深300: 2.72%, 中证500: 1.35%, 中证1000: 1.14%, 中证2000: 0.77%, 中证全指: 2.02%, 创业板指: 1.00%[51] * **近5年历史分位值**：上证50: 37.85%, 沪深300: 37.60%, 中证500: 16.03%, 中证1000: 51.74%, 中证2000: 17.44%, 中证全指: 36.61%, 创业板指: 69.09%[49][51][52] 4. **破净率因子** * **当前破净率**：上证50: 18.0%, 沪深300: 15.67%, 中证500: 11.8%, 中证1000: 7.5%, 中证2000: 3.25%, 中证全指: 6.07%, 创业板指: 1.0%[3][53] 5. **换手率因子** * **当前换手率**：中证2000: 4.0, 创业板指: 3.0, 中证1000: 2.61, 中证全指: 1.73, 中证500: 1.68, 沪深300: 0.62, 上证50: 0.33[17] 6. **交易金额占比因子** * **当前交易金额占比**：沪深300: 27.43%, 中证2000: 22.8%, 中证1000: 20.29%[17] 7. **收益率分布形态因子（偏度与峰度）** * **当前峰度 (超额)**：上证50: 3.09, 沪深300: 3.65, 中证500: 3.32, 中证1000: 4.24, 中证2000: 2.86, 中证全指: 3.26, 创业板指: 5.30[25] * **当前偏度**：上证50: 2.16, 沪深300: 2.30, 中证500: 2.18, 中证1000: 2.26, 中证2000: 1.99, 中证全指: 2.18, 创业板指: 2.47[25] * **当前vs近5年峰度变化**：上证50: +1.38, 沪深300: +2.36, 中证500: +1.35, 中证1000: +2.98, 中证2000: +0.91, 中证全指: +2.20, 创业板指: +5.48[25] * **当前vs近5年偏度变化**：上证50: +0.35, 沪深300: +0.60, 中证500: +0.32, 中证1000: +0.63, 中证2000: +0.18, 中证全指: +0.57, 创业板指: +1.34[25]

量化因子与构建方式 1. **因子名称：封板率** **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与最高价涨停的股票总数之比，来衡量市场涨停板的封板强度，反映市场情绪和资金追捧程度[17] **因子具体构建过程**： 1) 筛选上市满3个月以上的股票 2) 识别当日盘中最高价达到涨停价的股票集合 3) 从该集合中找出收盘价仍为涨停的股票 4) 计算封板率： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ **因子评价**：该因子直接反映市场炒作情绪的持续性，封板率越高说明涨停板可靠性越强，资金封板意愿越高[17] 2. **因子名称：连板率** **因子构建思路**：通过计算连续两日收盘涨停的股票数量与昨日收盘涨停股票总数之比，来衡量涨停板的延续性和市场接力情绪[17] **因子具体构建过程**： 1) 筛选上市满3个月以上的股票 2) 确定昨日收盘涨停的股票集合 3) 从该集合中找出今日收盘仍涨停的股票 4) 计算连板率： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ **因子评价**：连板率越高表明市场炒作热情持续，短线资金接力意愿强，是衡量市场情绪延续性的有效指标[17] 3. **因子名称：大宗交易折价率** **因子构建思路**：通过计算大宗交易成交金额与当日成交份额总市值的比率减1，来反映大资金交易的折价水平，体现机构或大股东的减持意愿和市场承接能力[26] **因子具体构建过程**： 1) 获取当日所有大宗交易记录的成交金额和成交数量 2) 计算当日这些成交份额按收盘价计算的市值 3) 计算折价率： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ **因子评价**：折价率越高表明大资金卖出意愿越强或市场流动性越差，反之则表明机构资金看好或市场承接力强[26] 4. **因子名称：股指期货年化贴水率** **因子构建思路**：通过计算股指期货主力合约与现货指数之间的基差，并进行年化处理，来反映市场对未来指数的预期和套利成本[28] **因子具体构建过程**： 1) 获取股指期货主力合约价格和现货指数价格 2) 计算基差：基差 = 期货价格 - 现货价格 3) 计算年化贴水率： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ **因子评价**：年化贴水率越高表明市场对未来越悲观，套利成本越高；贴水率越低或升水表明市场预期乐观[28] 因子回测效果 1. **封板率因子**，20250910当日取值67%[17] 2. **连板率因子**，20250910当日取值24%[17] 3. **大宗交易折价率因子**，近半年以来平均取值6.02%，20250909当日取值5.79%[26] 4. **上证50股指期货年化贴水率因子**，近一年中位数0.21%，20250910当日取值2.18%，处于近一年38%分位点[28] 5. **沪深300股指期货年化贴水率因子**，近一年中位数2.38%，20250910当日取值10.42%，处于近一年10%分位点[28] 6. **中证500股指期货年化贴水率因子**，近一年中位数9.64%，20250910当日取值35.40%，处于近一年2%分位点[28] 7. **中证1000股指期货年化贴水率因子**，近一年中位数11.77%，20250910当日取值39.11%，处于近一年2%分位点[28]