量化模型与构建方式 1. **模型名称**：GAN_GRU模型[4][13] **模型构建思路**：利用生成式对抗网络（GAN）模型对量价时序特征进行增强处理，再利用门控循环单元（GRU）模型对处理后的时序特征进行编码，最终输出股票的未来收益预测值作为选股因子[4][13] **模型具体构建过程**： * **数据准备**：使用18个量价特征，包括日频特征（如前收盘价、开盘价、收盘价、最高价、最低价、成交量、成交金额、涨跌幅、振幅、换手率、均价）和月频特征（如月成交金额、月涨跌幅、月振幅、月换手率、月收盘最高价、月收盘最低价、月日均换手率）[17][19] * **特征采样**：对每只个股，取过去400天内的18个量价特征，每5个交易日进行一次采样，采样形状为40（天）* 18（特征），用以预测未来20个交易日的累计收益[18] * **数据处理**：每次采样的40天内，每个特征在时序上进行去极值和标准化处理；同时，每个特征在个股层面上进行截面标准化[18] * **GAN特征生成**： * **生成器（G）**：采用LSTM模型，输入原始量价时序特征（形状为(40, 18)），输出增强后的时序特征（形状仍为(40, 18)）[33][37] * **判别器（D）**：采用CNN模型，用于区分真实量价特征与生成器生成的特征[33] * **对抗训练**：生成器与判别器交替训练。生成器的目标是让判别器无法区分其生成的特征与真实特征，其损失函数为： $$L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))]$$ 其中，\(z\) 表示随机噪声，\(G(z)\) 表示生成器生成的数据，\(D(G(z))\) 表示判别器判断生成数据为真实数据的概率[24][25] 判别器的目标是准确区分真实数据与生成数据，其损失函数为： $$L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$$ 其中，\(x\) 表示真实数据，\(D(x)\) 表示判别器对真实数据的输出概率[27] * **GRU收益预测**：将GAN生成器输出的增强特征，输入到一个两层GRU网络（GRU(128, 128)）中，后面再接一个多层感知机（MLP(256, 64, 64)），模型最终输出的预测收益（pRet）即为GAN_GRU因子[22] * **模型训练**：采用半年滚动训练方式，训练时间点为每年的6月30日及12月31日，使用过去数据训练模型并用于未来半年的预测[18] * **股票筛选**：选取全市场股票，剔除ST及上市不足半年的股票[18] **模型评价**：该模型结合了GAN的数据增强能力和GRU的时序建模能力，旨在挖掘更深层次的量价时序规律以预测股票收益[4][13] 量化因子与构建方式 1. **因子名称**：GAN_GRU因子[4][13] **因子构建思路**：GAN_GRU模型最终输出的股票未来收益预测值，直接作为选股因子使用[4][13][22] **因子具体构建过程**：如上述模型构建过程所述，经过GAN特征生成和GRU模型预测后，得到每只股票的未来收益预测值（pRet），即为因子值[22]。在因子测试前，会对该因子值进行行业和市值中性化处理，并进行标准化[22] 模型的回测效果 1. GAN_GRU模型（因子）[41][42] * IC均值：0.1119***[41][42] * ICIR（未年化）：0.89[42] * 年化收益率：37.40%[42] * 年化波动率：23.39%[42] * 信息比率（IR）：1.60[42] * 最大回撤率：27.29%[42] * 年化超额收益率：22.42%[41][42] * 换手率：0.83X[42] * 最新一期IC（截至2025年12月29日）：0.0331***[41][42] * 近一年IC均值（截至2025年12月29日）：0.0669***[41][42] 因子的回测效果 1. GAN_GRU因子[41][42] * IC均值：0.1119***[41][42] * ICIR（未年化）：0.89[42] * 年化收益率：37.40%[42] * 年化波动率：23.39%[42] * 信息比率（IR）：1.60[42] * 最大回撤率：27.29%[42] * 年化超额收益率：22.42%[41][42] * 换手率：0.83X[42] * 最新一期IC（截至2025年12月29日）：0.0331***[41][42] * 近一年IC均值（截至2025年12月29日）：0.0669***[41][42]

量化模型与构建方式 1. 滤波方法（数据处理模型） 1. **模型名称**：HP滤波 (Hodrick-Prescott Filter)[10] * **模型构建思路**：将宏观经济时间序列分解为长期趋势成分和中期周期成分，以剔除长期趋势和短期噪声，提取周期波动[3][9]。 * **模型具体构建过程**：通过求解一个最小化问题来得到趋势成分。具体公式为： $$\operatorname*{min}\left\{\sum_{t=1}^{T}(y_{t}-g_{t})^{2}+\lambda\sum_{t=2}^{T-1}[(g_{t+1}-g_{t})-(g_{t}-g_{t-1})]^{2}\right\}$$ 其中，\(y_{t}\)为原始序列数据，\(g_{t}\)为待求解的趋势成分，\(\lambda\)为平滑参数，\(\lambda\)越大，趋势线越平滑[10]。在应用中，首先使用较大的\(\lambda\)去除长期趋势得到周期成分，再使用较小的\(\lambda\)过滤噪声，得到用于分析的中周期序列[10]。 * **模型评价**：可以直观地将时间序列分解为趋势和周期成分，符合经典宏观经济分析框架，但存在较严重的端点偏差问题，且无法识别不同频率的周期[3][42]。 2. **模型名称**：傅里叶变换[25] * **模型构建思路**：将时间序列数据分解为一系列不同频率、振幅和相位的正弦函数的叠加，以识别数据中存在的主要周期性规律[25][26]。 * **模型具体构建过程**：对时间序列进行傅里叶变换，公式为： $$F(f)=\int_{-\infty}^{\infty}f(x)e^{-i2\pi f(x)}\,\mathrm{d}x$$ 由于宏观经济数据通常非平稳，在应用傅里叶变换前，先使用HP滤波去除长周期趋势项，得到平稳序列，再进行变换以提取主要周期并拟合周期序列[26]。 * **模型评价**：适合分析历史数据的整体周期结构，尤其适用于探究经济周期的历史规律，但其假设周期结构在时间上恒定，短期内拟合度可能受到影响[3][42]。 3. **模型名称**：混合滤波[42] * **模型构建思路**：结合HP滤波和傅里叶变换两种方法的优点，以挖掘数据的周期性规律并观察短期趋势变化[3][42]。 * **模型具体构建过程**：将HP滤波与傅里叶变换叠加使用。实践中，使用傅里叶变换挖掘宏观数据的周期性规律，同时使用HP滤波观察因子短期上升或下降的趋势变化[42]。叠加使用后得到的序列既具有一定外推性，又保留了HP滤波在周期拟合上的灵活性[42]。 * **模型评价**：结合了两种方法的优势，所得序列兼具周期规律性和趋势观察的灵活性[42]。 2. 资产配置模型 1. **模型名称**：美林时钟模型[68] * **模型构建思路**：依据经济增长（以PMI同比增速代表）和通货膨胀（以PPI同比代表）两个核心指标的高低变化，将经济周期划分为四个阶段，并为每个阶段配置不同类别的大类资产[68][72]。 * **模型具体构建过程**：使用HP滤波处理后的PMI同比增速和PPI同比数据判断经济周期阶段，具体配置方案如下[68][72]： * 复苏期：PMI同比增速上行，PPI同比下行，配置60%股票、40%债券。 * 扩张期：PMI同比增速上行，PPI同比上行，配置60%商品、40%股票。 * 滞胀期：PMI同比增速下行，PPI同比上行，配置60%现金、40%商品。 * 衰退期：PMI同比增速下行，PPI同比下行，配置60%债券、40%现金。 * **模型评价**：是最著名的经济周期模型之一[68]。 2. **模型名称**：货币信用模型[76] * **模型构建思路**：作为美林时钟理论在中国市场的适应性改进，通过观察“货币”（以M2同比增速代表）和“信用”（以社会融资规模同比增速代表）两个核心驱动因素来指导大类资产配置[76]。 * **模型具体构建过程**：使用HP滤波处理后的M2同比和社会融资规模同比数据判断货币信用状态，具体配置方案如下[76]： * 宽货币宽信用：M2同比上行，社会融资规模同比上行，配置60%股票、40%商品。 * 紧货币宽信用：M2同比下行，社会融资规模同比上行，配置60%商品、40%股票。 * 紧货币紧信用：M2同比下行，社会融资规模同比下行，配置60%现金、40%债券。 * 宽货币紧信用：M2同比上行，社会融资规模同比下行，配置60%债券、40%股票。 量化因子与构建方式 1. **因子名称**：M1同比[3][9] * **因子构建思路**：作为代表货币供给量的宏观经济因子[3][9]。 * **因子具体构建过程**：报告直接采用了M1的同比增速数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 2. **因子名称**：M2同比[3][9] * **因子构建思路**：作为代表货币供给量的宏观经济因子[3][9]。 * **因子具体构建过程**：报告直接采用了M2的同比增速数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 3. **因子名称**：社会融资规模同比[3][9] * **因子构建思路**：作为代表货币供给量的宏观经济因子[3][9]。 * **因子具体构建过程**：报告直接采用了社会融资规模的同比增速数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 4. **因子名称**：1年期国债收益率同比差值[3][9] * **因子构建思路**：作为代表利率的宏观经济因子[3][9]。 * **因子具体构建过程**：报告采用了1年期国债收益率的同比差值数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 5. **因子名称**：PMI同比增速[3][9] * **因子构建思路**：作为代表经济增速的宏观经济因子[3][9]。 * **因子具体构建过程**：报告采用了PMI的同比增速数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 6. **因子名称**：PPI同比[3][9] * **因子构建思路**：作为代表通胀的宏观经济因子[3][9]。 * **因子具体构建过程**：报告直接采用了PPI的同比数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 7. **因子名称**：工业增加值同比[3][9] * **因子构建思路**：作为代表经济增速的宏观经济因子[3][9]。 * **因子具体构建过程**：报告直接采用了工业增加值的同比数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 8. **因子名称**：企业利润同比[3][9] * **因子构建思路**：作为代表经济增速的宏观经济因子[3][9]。 * **因子具体构建过程**：报告直接采用了企业利润的同比数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 模型的回测效果 （以下回测结果均基于2006年以来的数据） 1. **美林时钟模型**，累计收益807.28%，年化收益11.71%，波动率11.30%，最大回撤17.10%，夏普比率1.037，信息比率0.681，胜率56.49%[70]。 2. **货币信用模型**，累计收益558.45%，年化收益9.93%，波动率16.84%，最大回撤56.02%，夏普比率0.589，信息比率0.362，胜率56.90%[79]。 因子的回测效果 （以下回测结果均基于2006年以来的数据，使用HP滤波处理后因子进行择时） 1. 单因子股指择时表现 （策略：因子上升周期持有中证全指，下降周期空仓） 1. **M1同比因子**，累计收益971.09%，年化收益12.64%，波动率24.85%，最大回撤69.42%，夏普比率0.509，信息比率0.339，胜率57.74%[58]。 2. **M2同比因子**，累计收益100.26%，年化收益3.55%，波动率22.51%，最大回撤69.42%，夏普比率0.158，信息比率-0.237，胜率48.95%[58]。 3. **国债收益率同比差值因子**，累计收益685.90%，年化收益10.91%，波动率18.43%，最大回撤27.47%，夏普比率0.592，信息比率0.265，胜率49.79%[58]。 4. **社会融资规模同比因子**，累计收益731.39%，年化收益11.22%，波动率24.77%，最大回撤69.42%，夏普比率0.453，信息比率0.249，胜率53.56%[58]。 5. **PMI同比增速因子**，累计收益1436.01%，年化收益14.70%，波动率21.07%，最大回撤42.44%，夏普比率0.698，信息比率0.513，胜率54.39%[58]。 6. **PPI同比因子**，累计收益919.17%，年化收益12.36%，波动率20.58%，最大回撤42.44%，夏普比率0.601，信息比率0.355，胜率52.72%[58]。 7. **工业增加值同比因子**，累计收益124.56%，年化收益4.15%，波动率16.52%，最大回撤39.35%，夏普比率0.251，信息比率-0.226，胜率46.86%[58]。 8. **企业利润同比因子**，累计收益522.94%，年化收益9.62%，波动率18.37%，最大回撤42.44%，夏普比率0.524，信息比率0.172，胜率51.46%[58]。 2. 单因子股债择时表现 （策略：因子上升周期持有中证全指，下降周期持有国债指数；对照组为60%债券+40%股票的固定比例组合） 1. **M1同比因子**，累计收益1297.47%，年化收益14.16%，波动率24.84%，最大回撤69.42%，夏普比率0.570，信息比率0.432，胜率60.25%[61]。 2. **M2同比因子**，累计收益174.96%，年化收益5.21%，波动率22.56%，最大回撤69.42%，夏普比率0.231，信息比率-0.129，胜率53.14%[61]。 3. **国债收益率同比差值因子**，累计收益1358.04%，年化收益14.40%，波动率18.43%，最大回撤27.47%，夏普比率0.781，信息比率0.508，胜率56.07%[61]。 4. **社会融资规模同比因子**，累计收益1110.38%，年化收益13.34%，波动率24.76%，最大回撤69.42%，夏普比率0.539，信息比率0.381，胜率59.00%[61]。 5. **PMI同比增速因子**，累计收益2226.26%，年化收益17.12%，波动率21.07%，最大回撤42.44%，夏普比率0.813，信息比率0.669，胜率57.74%[61]。 6. **PPI同比因子**，累计收益1637.78%，年化收益15.41%，波动率20.59%，最大回撤42.44%，夏普比率0.749，信息比率0.558，胜率58.58%[61]。 7. **工业增加值同比因子**，累计收益274.27%，年化收益6.85%，波动率16.65%，最大回撤36.37%，夏普比率0.411，信息比率-0.026，胜率51.05%[61]。 8. **企业利润同比因子**，累计收益864.21%，年化收益12.05%，波动率18.39%，最大回撤42.44%，夏普比率0.655，信息比率0.340，胜率53.56%[61]。

根据提供的研报内容，报告主要对ETF市场、主动权益及增强指数型基金的表现和发行情况进行回顾与跟踪，并未涉及具体的量化模型或量化因子的构建、测试与评价。报告内容以市场数据统计、基金业绩排名和资金流动情况为主[2][3][4][5][6][16][17][24][33][35][37][40][44]。 因此，本次总结中**没有**需要报告的量化模型或量化因子相关内容。

量化模型与因子总结 量化因子与构建方式 1. **因子名称：价值因子** * **因子构建思路：** 早期南向资金偏好高股息、低波动、具有估值安全垫的板块，其配置行为体现出对“价值因子”的暴露[41]。 * **因子具体构建过程：** 报告通过分析南向资金的历史行业配置比例来识别价值因子暴露。具体表现为，在2016-2018年期间，南向资金持仓高度集中于银行、保险、地产建筑、能源开采等典型低估值板块，其中银行与地产链条合计占比多次超过50%[41]。这种行业配置结构被视为资金早期以“价值因子”为核心的配置特征。 2. **因子名称：成长因子** * **因子构建思路：** 随着新经济标的纳入投资范围，南向资金的配置重心从低估值板块转向科技与新消费方向，体现出对“成长因子”的主动暴露[41][49]。 * **因子具体构建过程：** 报告通过观察二级行业配置权重的变化来捕捉成长因子。2019年以来，软件服务、专业零售、半导体等科技类板块的占比迅速提升，增配幅度显著超出其对应一级行业的权重变化[41]。这种在行业内部主动提升科技成长板块权重的行为，被视为从价值向成长的风格迁移，即增加了“成长因子”暴露。 3. **因子名称：防御因子** * **因子构建思路：** 在市场波动或成长行业调整阶段，南向资金增配具备稳健特征的行业，以强化组合的防御性，形成“防御因子”暴露[42][49]。 * **因子具体构建过程：** 报告通过分析资金净流入和持仓权重的变化来识别防御因子。2022年以来，药品及生物科技、公用事业、电讯等行业的权重有所回升或获得持续净流入[42][47]。这些行业通常具有需求稳定、现金流稳健或高分红特性，资金对其的增配行为构成了“防御因子”。 4. **因子名称：核心三角组合因子（复合因子）** * **因子构建思路：** 南向资金在长期配置中形成了以金融、科技、消费三大行业为核心的稳定结构，分别对应稳定收益、成长弹性和稳定需求三类长期因子，构成一个复合因子暴露[48]。 * **因子具体构建过程：** 报告通过长期跟踪一级行业配置比例来定义该复合因子。尽管市场周期轮动，但金融、信息科技、非必需消费三大行业的合计占比长期稳定在60%左右，构成南向资金最稳固的“核心三角组合”[36][48]。这个组合本身代表了多种风险收益特征的混合暴露。 5. **因子名称：多因子并存格局** * **因子构建思路：** 南向资金的配置风格从单一价值主导，逐步演进为价值、成长、防御等多种风格因子并存的复合格局[2][49]。 * **因子具体构建过程：** 报告通过综合审视不同时期的一级、二级行业配置比例及净流入结构，描绘出风格因子的演进路径。早期为“价值因子主导”[41][47]，随后切换至“科技成长”因子[41]，近年则叠加了防御与资源（如能源）因子，最终形成“价值—成长—防御”并存的多因子组合[42][49]。这并非一个单一因子，而是描述了资金整体配置中同时存在的多种风格因子暴露状态。 模型的回测效果 *本报告为南向资金行为分析报告，未涉及具体的量化策略模型，因此没有提供模型回测的各项指标（如年化收益率、夏普比率、最大回撤、信息比率IR等）结果。* 因子的回测效果 *本报告侧重于对南向资金历史配置行为中暴露出的风格因子进行定性分析和描述，并未对这些因子进行独立的量化回测，因此没有提供因子IC值、IR、多空收益等具体的因子测试指标结果。*

量化模型与因子总结 量化因子与构建方式 1. **因子名称**：价格区间因子[2][3] * **因子构建思路**：衡量股票在日内不同价格区间成交的活跃程度，以体现投资者对未来走势的预期[3] * **因子具体构建过程**：该因子由三个细分因子按特定权重合成[33][36] 1. **高价格80%区间成交量因子 (VH80TAW)**：计算股票在日内高价格（前80%）区间的总成交量，该因子值与未来收益呈负相关[33] 2. **高价格80%区间成交笔数因子 (MIH80TAW)**：计算股票在日内高价格（前80%）区间的总成交笔数，该因子值与未来收益呈负相关[33] 3. **低价格10%区间每笔成交量因子 (VPML10TAW)**：计算股票在日内低价格（后10%）区间的平均每笔成交量，该因子值与未来收益呈正相关[33] 4. **合成**：将上述三个细分因子按权重（VH80TAW: 25%， MIH80TAW: 25%， VPML10TAW: 50%）进行合成[36] 5. **中性化处理**：对合成后的因子进行行业和市值中性化处理，得到最终的价格区间因子[32][36] 2. **因子名称**：量价背离因子[2][3] * **因子构建思路**：衡量股票价格与成交量的相关性，相关性越低，未来上涨的可能性越高[3] * **因子具体构建过程**：该因子由两个衡量价格与成交量相关性的细分因子等权合成[40] 1. **价格与成交笔数相关性因子 (CorrPM)**：计算高频快照数据中价格与成交笔数的相关性[40] 2. **价格与成交量相关性因子 (CorrPV)**：计算高频快照数据中价格与成交量的相关性[40] 3. **合成**：对上述两个细分因子进行等权合成[40][42] 4. **中性化处理**：对合成后的因子进行行业和市值中性化处理，得到最终的量价背离因子[32][42] 3. **因子名称**：遗憾规避因子[2][3] * **因子构建思路**：基于行为金融学的遗憾规避理论，考察投资者卖出股票后股价反弹的比例和程度，以捕捉情绪对预期收益的影响[3][46] * **因子具体构建过程**：该因子由两个细分因子等权合成[46][51] 1. **卖出反弹占比因子 (LCVOLESW)**：利用逐笔成交数据区分主动卖单，计算卖出后股价反弹的交易占比[46] 2. **卖出反弹偏离因子 (LCPESW)**：利用逐笔成交数据区分主动卖单，计算卖出后股价反弹的偏离程度[46] 3. **合成**：对上述两个细分因子进行等权合成[51] 4. **中性化处理**：对合成后的因子进行行业和市值中性化处理，得到最终的遗憾规避因子[32][51] 4. **因子名称**：斜率凸性因子[2][3] * **因子构建思路**：从投资者耐心与供求关系弹性的角度出发，利用限价订单簿数据刻画委托量和委托价的关系（斜率和凸性）对预期收益的影响[3][54] * **因子具体构建过程**：该因子由两个细分因子等权合成[54][58] 1. **低档斜率因子 (Slope_abl)**：基于订单簿低档位的累计委托量和委托价计算买方或卖方的订单簿斜率[54] 2. **高档位卖方凸性因子 (Slope_alh)**：基于订单簿高档位的累计委托量和委托价计算卖方的订单簿凸性[54] 3. **合成**：对上述两个细分因子进行等权合成[58] 4. **中性化处理**：对合成后的因子进行行业和市值中性化处理，得到最终的斜率凸性因子[58] 5. **因子名称**：高频“金”组合合成因子[3] * **因子构建思路**：将多个表现较好的高频因子结合，以构建更稳健的选股信号[3] * **因子具体构建过程**：将价格区间因子、量价背离因子、遗憾规避因子三类高频因子进行等权合成[3][62] 6. **因子名称**：高频&基本面共振组合合成因子[4] * **因子构建思路**：将相关性较低的高频因子与有效的基本面因子结合，以提升多因子组合的表现[4][67] * **因子具体构建过程**：将价格区间因子、量价背离因子、遗憾规避因子三类高频因子，与一致预期、成长、技术三个基本面因子进行等权合成[4][67] 因子的回测效果 （注：以下因子表现均为在中证1000指数成分股内，进行行业市值中性化后的测试结果，基准为所有成分股等权配置[32]） 1. **价格区间因子**[32][36][39] * 上周多头超额收益率：-1.00%[32] * 本月以来多头超额收益率：-0.90%[32] * 今年以来多头超额收益率：4.56%[32] 2. **量价背离因子**[32][40][44] * 上周多头超额收益率：-2.21%[32] * 本月以来多头超额收益率：-1.48%[32] * 今年以来多头超额收益率：2.99%[32] 3. **遗憾规避因子**[32][46][53] * 上周多头超额收益率：0.45%[32] * 本月以来多头超额收益率：1.47%[32] * 今年以来多头超额收益率：0.42%[32] 4. **斜率凸性因子**[2][56][61] * 上周多头超额收益率：0.66%[2] * 本月以来多头超额收益率：0.25%[2] * 今年以来多头超额收益率：-5.54%[2] 量化模型与构建方式 1. **模型名称**：高频“金”组合中证1000指数增强策略[3][62] * **模型构建思路**：基于合成的高频“金”组合因子构建指数增强策略，以获取稳定的超额收益[3][62] * **模型具体构建过程**： 1. **因子合成**：如前述，将三类高频因子等权合成为高频“金”组合因子[3][62] 2. **选股与加权**：基于该因子值在中证1000成分股内选股并构建投资组合[62] 3. **策略设置**：调仓频率为周度，手续费率为单边千分之二，基准为中证1000指数[62] 4. **优化机制**：加入换手率缓冲机制以降低调仓成本[62] 2. **模型名称**：高频&基本面共振组合中证1000指数增强策略[4][67] * **模型构建思路**：将高频因子与基本面因子结合构建指数增强策略，旨在获得更优的风险调整后收益[4][67] * **模型具体构建过程**： 1. **因子合成**：如前述，将三类高频因子与三个基本面因子等权合成为共振组合因子[4][67] 2. **选股与加权**：基于该因子值在中证1000成分股内选股并构建投资组合[67] 3. **策略设置**：调仓频率为周度，手续费率为单边千分之二，基准为中证1000指数[67] 模型的回测效果 1. **高频“金”组合中证1000指数增强策略**[3][63][66] * 年化超额收益率：9.85%[3][63] * 跟踪误差：4.32%[63] * 信息比率(IR)：2.28[63] * 超额最大回撤：6.04%[3][63] * 上周超额收益：-2.06%[3][66] * 本月以来超额收益：-1.64%[3][66] * 今年以来超额收益：5.26%[3][66] 2. **高频&基本面共振组合中证1000指数增强策略**[4][69][71] * 年化超额收益率：13.93%[4][69] * 跟踪误差：4.20%[69] * 信息比率(IR)：3.31[69] * 超额最大回撤：4.52%[4][69] * 上周超额收益：-1.37%[4][71] * 本月以来超额收益：-1.33%[4][71] * 今年以来超额收益：5.24%[4][71]

量化模型与构建方式 1. **模型名称：长期行业主题基金标签与指数模型** * **模型构建思路**：为主动偏股基金构建完整的行业主题和细分赛道标签，以支持资产配置、主题投资和产品选择的需求，并构建相应的行业主题基金指数作为衡量工具[36]。 * **模型具体构建过程**： 1. **数据来源**：使用基金近四期（中报/年报）的持仓信息[36]。 2. **标签定义**：根据基金在长期运作中呈现的行业特征，定义三类长期行业标签： * **行业主题基金**：长期聚焦于特定行业的基金。 * **行业轮动基金**：在不同时期切换行业重心的基金。 * **行业均衡基金**：行业配置相对分散均衡的基金[36]。 3. **指数构建**：基于上述标签，构建不同行业主题（如国防军工、新能源、TMT等）的基金指数，以反映该类主题基金的整体风险收益表现[36]。 2. **模型名称：REITs系列指数模型** * **模型构建思路**：构建完整的REITs系列指数，为投资者提供基于指数化思想的资产配置新视角，综合反映REITs市场表现，并提供不同底层资产和项目类型的细分指数[48]。 * **模型具体构建过程**： 1. **指数类型**：同时提供价格指数和全收益指数，以考虑REITs的高分红特性[48]。 2. **加权方法**：采用分级靠档的方法，确保计算指数的份额保持相对稳定[48]。 3. **样本调整**：当样本成分名单或样本成分的调整市值出现非交易因素变动（如新发、扩募）时，采用除数修正法以保证指数的连续性[48]。 4. **指数分类**：构建综合指数、底层资产指数（如产权类、特许经营权类）和细分项目指数（如保障性租赁住房、生态环保等）[49]。 量化因子与构建方式 1. **因子名称：多因子ETF分类因子（红利、现金流、质量、低波、基本面、价值、动量、成长）** * **因子构建思路**：基于不同的量化投资逻辑或财务指标，对ETF产品进行分类，以区分其背后的投资风格与风险收益特征[60]。 * **因子具体构建过程**：报告未详细描述每个因子的具体计算公式，但根据常见的量化因子定义，其构建思路通常如下： * **红利因子**：通常基于股息率筛选高股息股票。 * **现金流因子**：通常基于自由现金流等指标筛选现金流充裕的公司。 * **质量因子**：通常基于盈利能力（如ROE）、盈利稳定性、财务杠杆等指标筛选优质公司。 * **低波因子**：通常基于股价历史波动率筛选波动率较低的股票。 * **基本面因子**：可能基于销售额、现金流、净资产、分红等基本面指标进行加权。 * **价值因子**：通常基于市盈率（PE）、市净率（PB）等估值指标筛选低估股票。 * **动量因子**：通常基于股票过去一段时间的收益率筛选强势股。 * **成长因子**：通常基于营收增长率、利润增长率等指标筛选高成长性公司[60]。 模型的回测效果 1. **长期行业主题基金指数**，本周收益率：国防军工 6.62%，新能源 6.34%，TMT 4.15%，行业均衡 3.08%，行业轮动 2.63%，周期 2.63%，金融地产 0.14%，消费 -0.21%，医药 -0.81%[36]。 2. **长期行业主题基金指数**，2025年12月月度收益率：行业均衡 4.70%，行业轮动 4.16%，医药 -4.57%，消费 -0.86%，TMT 6.12%，新能源 4.11%，金融地产 3.04%，国防军工 14.95%，周期 6.19%[38]。 因子的回测效果 1. **多因子ETF（红利）**，本周净流入 10.70亿元，本周回报 0.17%，近1月回报 -0.78%，今年以来回报 3.84%[60]。 2. **多因子ETF（现金流）**，本周净流入 6.97亿元，本周回报 1.02%，近1月回报 3.45%，今年以来回报 --[60]。 3. **多因子ETF（质量）**，本周净流入 0.09亿元，本周回报 2.64%，近1月回报 7.33%，今年以来回报 33.27%[60]。 4. **多因子ETF（低波）**，本周净流入 -0.02亿元，本周回报 2.11%，近1月回报 4.79%，今年以来回报 17.11%[60]。 5. **多因子ETF（基本面）**，本周净流入 -0.03亿元，本周回报 0.79%，近1月回报 0.75%，今年以来回报 8.05%[60]。 6. **多因子ETF（价值）**，本周净流入 -0.05亿元，本周回报 1.01%，近1月回报 2.58%，今年以来回报 13.61%[60]。 7. **多因子ETF（动量）**，本周净流入 -1.91亿元，本周回报 4.90%，近1月回报 11.68%，今年以来回报 44.62%[60]。 8. **多因子ETF（成长）**，本周净流入 -1.91亿元，本周回报 3.74%，近1月回报 7.43%，今年以来回报 34.70%[60]。

量化模型与构建方式 1. **模型名称**：红利风格择时模型[1][4][6] **模型构建思路**：构建一个综合因子来对红利风格进行择时判断，当综合因子值为正时发出正向信号[1][6] **模型具体构建过程**：模型由多个分项因子构成，每周计算各分项因子的数值，并通过一定方式（报告中未明确具体加权或合成公式）合成为一个综合因子值[6][7][11]。综合因子值大于0代表看多红利风格，小于0则未发出正向信号[1][6]。 **模型评价**：该模型旨在捕捉影响红利风格表现的多维度信息，包括宏观经济、利率环境、市场情绪和基本面等[7][11]。 量化因子与构建方式 1. **因子名称**：中国:非制造业PMI:服务业因子[11] **因子构建思路**：使用中国非制造业PMI中的服务业指数作为反映经济景气度的指标，用于判断对红利风格的影响[11]。 **因子具体构建过程**：直接采用“中国:非制造业PMI:服务业”的原始或处理后的时间序列数据作为因子值[11]。最新（2025.12.26）因子值为-0.80[11]。 2. **因子名称**：中国:M2:同比因子[11] **因子构建思路**：使用中国M2货币供应量的同比增速作为反映流动性环境的指标，用于判断对红利风格的影响[11]。 **因子具体构建过程**：直接采用“中国:M2:同比”的原始或处理后的时间序列数据作为因子值[11]。最新（2025.12.26）因子值为0.58[11]。 3. **因子名称**：美国:国债收益率:10年因子[7][11] **因子构建思路**：使用美国10年期国债收益率作为反映全球无风险利率和资金成本的指标，其变化会对红利资产的吸引力产生影响[7][11]。 **因子具体构建过程**：直接采用“美国:国债收益率:10年”的原始或处理后的时间序列数据作为因子值[11]。最新（2025.12.26）因子值为-0.91[11]。 4. **因子名称**：红利相对净值自身因子[11] **因子构建思路**：使用红利指数自身的相对净值表现（可能指其相对于自身均值的偏离或动量）作为技术面或趋势指标[11]。 **因子具体构建过程**：报告未详述具体计算方法，但给出了该因子的时间序列值[11]。最新（2025.12.26）因子值为-0.70[11]。 5. **因子名称**：中证红利股息率-10年期中债收益率因子[4][7][11] **因子构建思路**：计算中证红利指数的股息率与10年期中国国债收益率的利差，该利差反映了红利资产相对于债券的性价比，利差扩大对红利风格有利[4][7][11]。 **因子具体构建过程**：因子值 = 中证红利股息率 - 10年期中债收益率[11]。最新（2025.12.26）因子值为0.72[11]。 6. **因子名称**：融资净买入因子[11] **因子构建思路**：使用市场的融资净买入数据作为反映场内杠杆资金情绪和动向的指标[11]。 **因子具体构建过程**：报告未详述具体计算方法，但给出了该因子的时间序列值[11]。最新（2025.12.26）因子值为0.45[11]。 7. **因子名称**：行业平均景气度因子[7][11] **因子构建思路**：使用分析师对行业的景气度判断平均值，作为反映上市公司基本面预期的指标[7][11]。 **因子具体构建过程**：报告未详述具体计算方法，但给出了该因子的时间序列值[11]。最新（2025.12.26）因子值为1.65[11]。 模型的回测效果 *报告为周报，主要展示模型及因子最新时点的状态和观点，未提供历史回测的绩效指标（如年化收益率、夏普比率、最大回撤等）[1][6][11]。* 因子的回测效果 *报告为周报，主要展示各因子最新时点的数值及观点，未提供因子历史表现的测试结果（如IC值、IR、多空收益等）[11]。* 模型及因子最新状态与取值 (截至2025年12月26日) 1. **红利风格择时模型**，综合因子值: -0.55[1][4][6] 2. **中国:非制造业PMI:服务业因子**，因子值: -0.80，最新观点: 看多(1)[11] 3. **中国:M2:同比因子**，因子值: 0.58，最新观点: 中性(0)[11] 4. **美国:国债收益率:10年因子**，因子值: -0.91，最新观点: 中性(0)[11] 5. **红利相对净值自身因子**，因子值: -0.70，最新观点: 中性(0)[11] 6. **中证红利股息率-10年期中债收益率因子**，因子值: 0.72，最新观点: 看多(1)[11] 7. **融资净买入因子**，因子值: 0.45，最新观点: 中性(0)[11] 8. **行业平均景气度因子**，因子值: 1.65，最新观点: 中性(0)[11] *注：“最新观点”列中，“1”代表该因子发出看多红利风格的信号，“0”代表中性信号[11]。*

量化模型与构建方式 1. 大类资产配置ETF组合模型 1. **模型名称**：固定比例ETF组合[21][34] * **模型构建思路**：结合战略配置模型（固定比例）与战术动态调整模型（基于宏观和技术指标打分）构建大类资产配置策略[21] * **模型具体构建过程**： * **战略配置**：以固定比例模型作为战略配置基础，设定各类资产的权重中枢[21][34] * **战术调整**：根据宏观指标和技术指标对风险资产进行月度定量打分，根据总得分调整权重，相应调高或调低货币资产的配置比例[21][34] * **标的与权重**：配置指数对应规模最大的ETF，权重中枢及调整范围见下表[34][36] 2. **模型名称**：控制波动率6% ETF组合[21][34] * **模型构建思路**：结合战略配置模型（控制波动率）与战术动态调整模型（基于宏观和技术指标打分）构建大类资产配置策略[21] * **模型具体构建过程**： * **战略配置**：以控制波动率模型（目标年化波动率6%）作为战略配置基础[21][34] * **战术调整**：根据宏观指标和技术指标对风险资产进行月度定量打分，根据总得分调整权重，相应调高或调低货币资产的配置比例[21][34] * **标的与权重**：配置指数对应规模最大的ETF，权重中枢及调整范围见下表[34][36] 3. **模型名称**：风险平价ETF组合[21][34] * **模型构建思路**：结合战略配置模型（风险平价）与战术动态调整模型（基于宏观和技术指标打分）构建大类资产配置策略[21] * **模型具体构建过程**： * **战略配置**：以风险平价模型作为战略配置基础[21][34] * **战术调整**：根据宏观指标和技术指标对风险资产进行月度定量打分，根据总得分调整权重，相应调高或调低货币资产的配置比例[21][34] * **标的与权重**：配置指数对应规模最大的ETF，权重中枢及调整范围见下表[34][36] 2. QDII-ETF组合模型 1. **模型名称**：QDII-ETF组合[44][53] * **模型构建思路**：从宏观视角及技术视角出发，对境外权益指数进行定量打分，构建QDII-ETF组合[44] * **模型具体构建过程**： * **战略配置**：采用固定比例模型作为战略配置基础，设定各指数权重中枢为10%[53][54] * **战术调整**：根据宏观指标和技术指标对境外权益指数进行月度定量打分，根据总得分调整权重，相应地调高或调低货币资产的配置比例[53] * **标的与权重**：配置指数对应规模最大的ETF，权重中枢为10%，调整权重为±5%[53][54] 3. 相对收益ETF组合模型 1. **模型名称**：相对收益ETF组合[61][73] * **模型构建思路**：从权益指数轮动策略出发，通过多维度优选指标筛选指数，并配置对应ETF构建组合[61] * **模型具体构建过程**： * **指数筛选**：从历史基本面、资金流、一致预期、宏观、动量、风格6个维度构建7个优选指标，计算各指数的Z值并加权求和得到综合得分[61][65][67] * **标的筛选**：筛选规模>2亿元、近1月日均成交额>0.1亿元、存续时间>180天且非转型的ETF[74] * **组合构建**：选取综合得分前20%的指数对应的ETF构建组合，约束组合中ETF数量最多10只，并对相同宽基、同类行业主题、SmartBeta指数产品数量设限[73][74][79] 2. **模型名称**：结合指数拥挤度的相对收益ETF组合[68][73] * **模型构建思路**：在相对收益ETF组合基础上，引入拥挤度指标，剔除短期拥挤度较高的指数以提升组合稳定性[68] * **模型具体构建过程**： * **拥挤度判断**：从成交额、波动水平、融资存量、融资增量、基金持仓、资金流6个维度构建拥挤度指标，若指标处于历史特定高分位数（如90%）则判定为拥挤[69][72] * **组合构建**：在优选指数的基础上，剔除被判定为拥挤的指数，再构建ETF组合[73] 4. 绝对收益ETF组合模型 1. **模型名称**：绝对收益ETF组合[84][89] * **模型构建思路**：以绝对收益为导向，从指数的基本面、分红及技术面特征出发构建指标，筛选稳定性高、分红可观、与市场相关性低的指数构建组合[84] * **模型具体构建过程**： * **指数筛选**：构建7个指标（基本面、分红、技术面各维度），计算各指数的Z值并按权重（基本面1/3、分红1/3、技术面1/3）加权求和得到综合得分[88][89][90] * **标的筛选**：筛选规模>2亿元、近1月日均成交额>0.1亿元、存续时间>180天且非转型的ETF[91] * **组合构建**：选取综合得分前20%的指数对应的ETF构建组合，约束组合中ETF数量最多5只，并对相同宽基、同类行业主题、SmartBeta指数产品数量设限[89][91][95] 5. 全天候多元配置ETF组合模型 1. **模型名称**：全天候多元配置ETF组合[7][100] * **模型构建思路**：综合前述四个ETF组合（A股大类资产配置、QDII-ETF、A股相对收益、A股绝对收益）的构建思路与标的筛选结果，构建全天候多元配置组合[7][12][13] * **模型具体构建过程**： * **战略配置**：采用固定比例模型作为战略配置基础，设定各大类资产的权重中枢[100] * **战术调整**：根据宏观及技术指标总得分调整A股、港股、海外权益及商品资产的权重，并相应调整货币资产比例[100] * **A股权益细分**：始终配置5%的绝对收益ETF组合，相对收益ETF组合权重在0%-10%之间动态调整[100] * **标的与权重**：配置指数对应规模最大的ETF，具体权重中枢及上下限见下表[100][101] 量化因子与构建方式 1. 宏观指标因子（用于大类资产及QDII-ETF组合） 1. **因子构建思路**：从宏观指标的趋势出发，研究其上行和下行对大类资产收益率的影响，筛选出能导致资产收益出现显著分化的宏观指标[24] 2. **因子具体构建过程**： * **有效性检验**：利用T检验判断某个宏观指标（取不同周期历史均线）处于趋势上行和下行时，某个资产的收益是否存在明显差别[24] * **T检验公式**： $$t={\frac{{\overline{{X_{1}}}}-{\overline{{X_{2}}}}}{\sqrt{\frac{(n_{1}-1){S_{1}}^{2}+(n_{2}-1){S_{2}}^{2}}{n_{1}+n_{2}-2}}({\frac{1}{n_{1}}}+{\frac{1}{n_{2}}})}}\sim t_{n_{1}+n_{2}-2}$$ 其中，$\overline{X_1}$、$\overline{X_2}$ 分别代表宏观指标趋势上行和下行情况下，某大类资产的平均月度收益率；$S_1$、$S_2$ 代表对应情况下的月度收益率标准差；$n_1$、$n_2$ 代表宏观指标处于趋势上行或下行的月份数量[24][26] * **打分规则**：对于筛选出的宏观指标，根据其趋势及影响方向（正向或负向），对对应资产进行月度打分，打分范围为-1、0、1[29][47] 2. 技术指标因子（用于大类资产及QDII-ETF组合） 1. **因子构建思路**：从趋势、估值、资金流三个方面研究技术指标对大类资产表现的影响，筛选在不同时间段内整体有效的指标[31] 2. **因子具体构建过程**： * **指标筛选**：测试历史上不同技术指标，寻找在不同时间段内对未来1个自然月表现影响较为显著的指标[31][49] * **打分规则**：根据指标最新值进行月度打分。趋势、资金流指标打分范围为-1、0、1；估值指标打分范围为-2、-1、0、1、2[32][50] 3. 相对收益优选指标因子（用于相对收益ETF组合） 1. **因子构建思路**：从历史基本面、资金流、一致预期、宏观、动量、风格6个维度构建具体指标，作为筛选指数的定量依据[61] 2. **因子具体构建过程**： * **指标构成**：共7个指标，具体计算方法如下[64][67]： * **ROE_TTM环比变化**：根据加权整体法计算指数的ROE_TTM，并计算最近一个季度报告期的环比变化 * **净利润增速TTM环比变化**：根据加权整体法计算指数的净利润增速TTM，并计算最近一个季度报告期的环比变化 * **主动资金流入市值比**：根据加权整体法计算指数的主动净流入额指标 * **预期盈利增速估值匹配度**：从个股一致预期数据出发，根据加权整体法计算指数的预期利润增速，并计算估值与预期利润增速的比值 * **工业企业利润增速**：基于统计局月频细分行业工业企业利润数据，结合成分股权重计算指数利润增速 * **风格剥离超额收益信息比**：指数历史日频涨跌幅与风格指数回归，以残差项的信息比作为指标值 * **指数风格匹配度**：定量判断未来风格相对强弱，结合指数自身风格特征计算，公式为：指数风格匹配度 = 指数规模风格得分 * λ1 + 指数成长价值风格得分 * λ2，其中λ1、λ2分别为大小盘、成长价值月度观点 * **加权合成**：由于ROE_TTM环比变化与净利润增速TTM环比变化相关性较高，给予这两个指标共计1/6的权重（各1/12），其余5个指标各赋予1/6的权重。将各指标Z值按权重加权求和得到指数综合得分[65][68] 4. 拥挤度指标因子（用于相对收益ETF组合） 1. **因子构建思路**：从成交额、波动水平、融资存量、融资增量、基金持仓、资金流6个维度构建指标，定量刻画指数的拥挤度[68] 2. **因子具体构建过程**： * **指标构成与触发条件**：共6个指标，具体计算方法及拥挤触发条件如下[72]： * **成交额占比**：历史1个月指数成分股在全部A股中的成交额占比。拥挤条件：历史3年分位数 > 90% * **Beta**：历史1个月指数相对于万得全A的Beta。拥挤条件：历史5年分位数 > 90% * **融资余额市值比**：指数融资余额与指数流通市值的比值。拥挤条件：历史3年分位数 > 90% * **融资增量成交额比**：历史1个月指数融资净增量与指数成交额的比值。拥挤条件：历史1年分位数 > 90% * **基金持仓比例**：指数成分股在主动型权益基金重仓股中的持仓占比。拥挤条件：历史5年分位数 > 90% * **中小单主动买入额占比**：历史1个月指数成分股主动买入额占比(中单/小单)。拥挤条件：历史3年分位数 > 100% 5. 绝对收益指标因子（用于绝对收益ETF组合） 1. **因子构建思路**：从指数的基本面稳定性、分红可观性、与市场波动的低相关性三个维度出发构建指标，筛选符合绝对收益导向的指数[84] 2. **因子具体构建过程**： * **指标构成**：共7个指标，具体计算方法如下[90]： * **历史1年ROE_TTM均值/ROE_TTM标准差**：采用加权整体法计算指数的ROE_TTM，基于历史4个季度报告期数据构建 * **历史1年净利润增速TTM标准差**：采用加权整体法计算指数的净利润增速TTM，基于历史4个季度报告期数据构建 * **历史3年股息率**：采用加权整体法，结合指数历史3年现金分红额及最新市值构建 * **历史3年现金分红净利润比**：采用加权整体法，结合指数历史3年现金分红额及净利润构建 * **历史12个月Beta**：指数历史12个月日频收益率相对于万得全A指数的Beta * **历史12个月SemiBeta**：指数历史12个月日频收益率相对于万得全A指数的Beta（仅万得全A指数收益率为负时） * **历史12个月平均相关性**：指数历史12个月日频收益率与其它样本指数的平均相关系数 * **加权合成**：将基本面、分红、技术面特征指标的总权重均设定为1/3，各子指标权重具体分配见下表。将各指标Z值按权重加权求和得到指数综合得分[88][89] 模型的回测效果 （回测区间：2016.12.31 - 2025.11.30，另有注明者除外） 1. **固定比例ETF组合**，年化收益率9.75%，最大回撤4.85%，年化波动率5.67%[38][42] 2. **控制波动率6% ETF组合**，年化收益率8.41%，最大回撤6.42%，年化波动率5.84%[38][42] 3. **风险平价ETF组合**，年化收益率8.31%，最大回撤2.77%，年化波动率3.75%[38][42] 4. **QDII-ETF组合**，年化收益率18.51%，最大回撤16.78%，年化波动率11.64%[54][59] 5. **相对收益ETF组合**，年化收益率16.76%，最大回撤28.66%，年化波动率22.16%[78][82] 6. **相对收益ETF组合：结合指数拥挤度**，年化收益率19.32%，最大回撤25.69%，年化波动率21.87%[78][82] 7. **绝对收益ETF组合**，年化收益率12.33%，最大回撤26.11%，年化波动率17.53%[94][98] 8. **全天候多元配置ETF组合**（回测区间：2016.12.31 - 2025.12.26），年化收益率9.36%，最大回撤3.64%，年化波动率3.82%，月度胜率82.41%，滚动3月胜率98.11%，滚动1年胜率100%[7][101][105]

量化模型与构建方式 1. **模型名称**：风险溢价模型[29] **模型构建思路**：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[29] **模型具体构建过程**：风险溢价的计算公式为指数收益率减去无风险利率。报告中具体计算了各宽基指数相对于十年期国债即期收益率的风险溢价，并统计了其当前值、历史分位值、均值、波动率及相对于均值和标准差的偏离情况[29][31][33] 2. **模型名称**：股债性价比模型[48] **模型构建思路**：以各指数PE-TTM的倒数（即盈利收益率）与十年期国债即期收益率之差作为股债性价比指标，用于比较股票与债券的相对吸引力[48] **模型具体构建过程**：股债性价比的计算公式为： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 报告中通过该指标观察各宽基指数的走势，并与近5年数据计算的80分位值（机会值）、20分位值（危险值）、均值及±1倍标准差进行比较[48] 3. **模型名称**：指数分布形态分析模型[24][26] **模型构建思路**：通过计算各宽基指数日收益率分布的峰度和偏度，分析其分布形态特征及与历史基准的差异[24][26] **模型具体构建过程**： * **峰度**：计算指数日收益率分布的峰度，用以衡量收益率分布的集中程度。报告中在计算时减去了3（正态分布的峰度值），以便于比较[26] * **偏度**：计算指数日收益率分布的偏度，用以衡量分布的不对称性。正偏态显示极端正收益情形增加，负偏态则相反[24] * 将当前时点的峰度、偏度与近5年历史数据进行比较，计算差值以观察形态变化[26] 量化因子与构建方式 1. **因子名称**：均线比较因子[16] **因子构建思路**：通过比较指数收盘价与不同周期移动平均线（MA）的位置关系，判断指数短期趋势与支撑压力情况[16] **因子具体构建过程**：计算指数收盘价相对于5日、10日、20日、60日、120日、250日移动平均线的偏离百分比。公式为： $$ vsMA_N = \frac{收盘价 - MA_N}{MA_N} \times 100\% $$ 其中，N代表不同的均线周期（如5，10，20等）[17] 2. **因子名称**：交易金额占比因子[19] **因子构建思路**：计算各宽基指数成交额占全市场（以中证全指为代表）成交额的比例，用以观察资金在不同风格板块间的流动情况[19] **因子具体构建过程**：因子计算公式为： $$ 交易金额占比 = \frac{该指数当日交易金额}{中证全指当日交易金额} \times 100\% $$ [19] 3. **因子名称**：指数换手率因子[19] **因子构建思路**：计算各宽基指数的整体换手率，反映市场交易活跃度[19] **因子具体构建过程**：采用流通市值加权平均的方式计算指数换手率，公式为： $$ 指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)} $$ [19] 4. **因子名称**：PE-TTM估值因子[41] **因子构建思路**：使用滚动市盈率（PE-TTM）作为估值参考，衡量各指数在当前时点的估值水平[41] **因子具体构建过程**：计算指数的PE-TTM值，并计算其在近1年、近5年以及全部历史数据中的分位值，以判断当前估值在历史中所处的位置[44][45] 5. **因子名称**：股息率因子[50] **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，用于在市场波动中寻找具有稳定现金流和低估值的标的[50] **因子具体构建过程**：计算各宽基指数的股息率（当期值），并统计其近1年、近5年及历史分位值、均值、波动率等，分析其当前水平与历史分布的相对关系[52][56] 6. **因子名称**：破净率因子[57] **因子构建思路**：破净率指市净率（PB）小于1的个股占比，该因子用于反映市场整体的估值态度和悲观程度，比率越高表明低估越普遍[57][58] **因子具体构建过程**：对于每个宽基指数，统计其成分股中市净率小于1的个股数量，并计算其占指数总成分股数量的百分比，即： $$ 破净率 = \frac{破净个股数}{指数总成分股数} \times 100\% $$ [57][59] 模型的回测效果 *注：本报告为市场数据跟踪报告，未提供量化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）。报告中对模型的评价主要为定性描述。* 因子的回测效果 *注：本报告主要展示各因子在特定时点（2025年12月29日）的截面取值或状态，未提供因子历史IC、IR、多空收益等传统回测绩效指标。报告中对因子的评价主要为定性描述。以下为报告中各宽基指数在所述因子上的具体取值：* 1. **均线比较因子** (2025年12月29日收盘价 vs. 各均线)[17] * **上证50**： vsMA5: 0.1%， vsMA10: 0.7%， vsMA20: 1.1%， vsMA60: 0.9%， vsMA120: 3.5%， vsMA250: 8.7% * **沪深300**： vsMA5: 0.01%， vsMA10: 0.9%， vsMA20: 1.2%， vsMA60: 0.8%， vsMA120: 4.6%， vsMA250: 12.0% * **中证500**： vsMA5: 0.7%， vsMA10: 2.4%， vsMA20: 3.5%， vsMA60: 3.1%， vsMA120: 7.5%， vsMA250: 17.6% * **中证1000**： vsMA5: 0.8%， vsMA10: 2.4%， vsMA20: 3.0%， vsMA60: 2.5%， vsMA120: 5.2%， vsMA250: 14.3% * **中证2000**： vsMA5: 0.8%， vsMA10: 2.3%， vsMA20: 2.9%， vsMA60: 3.5%， vsMA120: 5.6%， vsMA250: 16.1% * **中证全指**： vsMA5: 0.4%， vsMA10: 1.6%， vsMA20: 2.1%， vsMA60: 1.9%， vsMA120: 5.3%， vsMA250: 14.1% * **创业板指**： vsMA5: -0.2%， vsMA10: 1.3%， vsMA20: 2.0%， vsMA60: 3.0%， vsMA120: 12.2%， vsMA250: 30.8% 2. **交易金额占比因子** (2025年12月29日)[19] * **中证2000**： 23.74% * **沪深300**： 22.8% * **中证1000**： 22.05% * *其他指数未列出具体占比数值* 3. **指数换手率因子** (2025年12月29日)[19] * **中证2000**： 4.03 * **中证1000**： 2.66 * **创业板指**： 2.52 * **中证全指**： 1.78 * **中证500**： 1.78 * **沪深300**： 0.61 * **上证50**： 0.26 4. **PE-TTM估值因子** (2025年12月29日)[44][45] * **当前值**： * 上证50: 11.81， 沪深300: 14.17， 中证500: 33.81， 中证1000: 46.76， 中证2000: 158.24， 中证全指: 21.51， 创业板指: 41.67 * **近5年历史分位值**： * 上证50: 84.79%， 沪深300: 87.02%， 中证500: 97.60%， 中证1000: 95.45%， 中证2000: 86.45%， 中证全指: 96.03%， 创业板指: 59.17% 5. **股息率因子** (2025年12月29日)[52][56] * **当前值**： * 上证50: 3.13%， 沪深300: 2.72%， 中证500: 1.39%， 中证1000: 1.09%， 中证2000: 0.76%， 中证全指: 2.01%， 创业板指: 0.95% * **近5年历史分位值**： * 上证50: 30.58%， 沪深300: 35.95%， 中证500: 16.03%， 中证1000: 35.04%， 中证2000: 12.15%， 中证全指: 33.80%， 创业板指: 60.41% 6. **破净率因子** (2025年12月29日)[59] * **上证50**： 22.0% * **沪深300**： 16.0% * **中证500**： 10.6% * **中证1000**： 7.9% * **中证2000**： 3.35% * **中证全指**： 6.12% * *创业板指未列出破净率*

量化模型与构建方式 1. **模型名称**：价值50组合[7] **模型构建思路**：基于价值风格，以追求高beta弹性为目标构建的Smart beta组合[7] **模型具体构建过程**：报告指出具体构建方法参考2024年10月5日发布的专题报告《基于投资目标的基础Smart beta组合构建与配置》[7]。本报告未提供详细的因子构成、权重计算等具体构建公式和步骤。 2. **模型名称**：价值均衡50组合[7] **模型构建思路**：基于价值风格，以追求长期稳健超额收益为目标构建的Smart beta组合[7] **模型具体构建过程**：报告指出具体构建方法参考2024年10月5日发布的专题报告《基于投资目标的基础Smart beta组合构建与配置》[7]。本报告未提供详细的因子构成、权重计算等具体构建公式和步骤。 3. **模型名称**：成长50组合[7] **模型构建思路**：基于成长风格，以追求高beta弹性为目标构建的Smart beta组合[7] **模型具体构建过程**：报告指出具体构建方法参考2024年10月5日发布的专题报告《基于投资目标的基础Smart beta组合构建与配置》[7]。本报告未提供详细的因子构成、权重计算等具体构建公式和步骤。 4. **模型名称**：成长均衡50组合[7] **模型构建思路**：基于成长风格，以追求长期稳健超额收益为目标构建的Smart beta组合[7] **模型具体构建过程**：报告指出具体构建方法参考2024年10月5日发布的专题报告《基于投资目标的基础Smart beta组合构建与配置》[7]。本报告未提供详细的因子构成、权重计算等具体构建公式和步骤。 5. **模型名称**：小盘50组合[7] **模型构建思路**：基于小盘风格，以追求高beta弹性为目标构建的Smart beta组合[7] **模型具体构建过程**：报告指出具体构建方法参考2024年10月5日发布的专题报告《基于投资目标的基础Smart beta组合构建与配置》[7]。本报告未提供详细的因子构成、权重计算等具体构建公式和步骤。 6. **模型名称**：小盘均衡50组合[7] **模型构建思路**：基于小盘风格，以追求长期稳健超额收益为目标构建的Smart beta组合[7] **模型具体构建过程**：报告指出具体构建方法参考2024年10月5日发布的专题报告《基于投资目标的基础Smart beta组合构建与配置》[7]。本报告未提供详细的因子构成、权重计算等具体构建公式和步骤。 模型的回测效果 1. **价值50组合**[8] **基准指数**：国证价值[8] **周收益率**：1.79%[8] **周超额收益**：0.85%[8] **月收益率**：2.23%[8] **月超额收益**：0.10%[8] **年收益率**：19.70%[8] **年超额收益**：9.04%[8] **最大相对回撤**：5.19%[8] 2. **价值均衡50组合**[8] **基准指数**：国证价值[8] **周收益率**：0.36%[8] **周超额收益**：-0.59%[8] **月收益率**：1.78%[8] **月超额收益**：-0.35%[8] **年收益率**：24.05%[8] **年超额收益**：13.39%[8] **最大相对回撤**：4.91%[8] 3. **成长50组合**[8] **基准指数**：国证成长[8] **周收益率**：3.71%[8] **周超额收益**：0.47%[8] **月收益率**：6.30%[8] **月超额收益**：1.35%[8] **年收益率**：28.75%[8] **年超额收益**：-2.37%[8] **最大相对回撤**：11.66%[8] 4. **成长均衡50组合**[8] **基准指数**：国证成长[8] **周收益率**：3.25%[8] **周超额收益**：0.02%[8] **月收益率**：7.57%[8] **月超额收益**：2.62%[8] **年收益率**：33.90%[8] **年超额收益**：2.78%[8] **最大相对回撤**：13.35%[8] 5. **小盘50组合**[8] **基准指数**：国证2000[8] **周收益率**：1.13%[8] **周超额收益**：-2.42%[8] **月收益率**：-1.34%[8] **月超额收益**：-5.42%[8] **年收益率**：49.75%[8] **年超额收益**：17.48%[8] **最大相对回撤**：10.89%[8] 6. **小盘均衡50组合**[8] **基准指数**：国证2000[8] **周收益率**：3.53%[8] **周超额收益**：-0.02%[8] **月收益率**：4.14%[8] **月超额收益**：0.06%[8] **年收益率**：45.36%[8] **年超额收益**：13.09%[8] **最大相对回撤**：4.56%[8]