量化模型与构建方式 1. **模型名称**：中证360互联网+大数据100指数多因子选股模型[2][30][31] **模型构建思路**：该模型是一个量化策略指数编制模型，旨在通过引入独特的搜索因子，并结合传统的规模、成长、质量、反转因子，从“互联网+”概念股中综合筛选出评分最高的股票，以捕捉小盘科技股的投资机会[2][30][31]。 **模型具体构建过程**： * **样本空间**：以中证全指中属于“互联网+”概念的上市公司为样本，剔除ST股票和连续停牌超过5个交易日的股票[31]。 * **因子计算与评分**：对样本空间内的股票，分别计算以下五类因子，并对每个因子内的指标进行排序评分，然后取平均值得到该因子的最终评分[31]。 1. **规模因子**：选取总市值和流通市值，降序排列计算得分，两项评分取平均值为规模因子评分[31]。 2. **成长因子**：选取营业收入增长率、营业利润增长率、归属母公司的净利润增长率，升序排列计算得分，三项评分取平均值为成长因子评分[31]。 3. **质量因子**：选取BP因子（账面市值比）和ROE因子（净资产收益率），升序排列计算得分，两项评分取平均值为质量因子评分[31]。 4. **反转因子**：选取日涨跌幅偏度、日均换手率和涨跌幅因子，升序排列计算得分，三项因子评分取平均值为反转因子评分[31]。 5. **搜索因子**：分别计算长期和短期搜索因子评分，两项评分取平均值为搜索因子评分。其中，长期搜索因子采用过去一个月搜索量环比计算；短期搜索因子采用过去5日搜索量环比计算[31]。 * **综合评分与选样**：将各因子评分相加得到每只股票的综合评分，选取综合评分最高的前100只股票作为指数成份股[31]。 * **权重与调整**：指数采用等权重配置，每月审核并调整一次样本股[31]。 **模型评价**：该模型是国内率先将实时搜索数据融入指数构建体系的主题量化指数，其构建的指数在小盘股内部展现出较强的持续超额收益能力[2][30][49]。 量化因子与构建方式 1. **因子名称**：规模因子[31] **因子构建思路**：衡量公司的市值规模，通常小市值公司被认为具有更高的成长弹性和市场关注度[31]。 **因子具体构建过程**：选取总市值和流通市值两个指标，分别对股票进行降序排列并计算得分，然后将两项得分取平均值作为规模因子的最终评分[31]。 2. **因子名称**：成长因子[31] **因子构建思路**：衡量公司的盈利增长能力，高成长性的公司往往能获得市场溢价[31]。 **因子具体构建过程**：选取营业收入增长率、营业利润增长率、归属母公司的净利润增长率三个指标，分别对股票进行升序排列并计算得分，然后将三项得分取平均值作为成长因子的最终评分[31]。 3. **因子名称**：质量因子[31] **因子构建思路**：衡量公司的盈利质量和估值水平，通常结合估值与盈利能力指标[31]。 **因子具体构建过程**：选取BP因子（账面市值比，即市净率的倒数）和ROE因子（净资产收益率）两个指标，分别对股票进行升序排列并计算得分，然后将两项得分取平均值作为质量因子的最终评分[31]。 4. **因子名称**：反转因子[31] **因子构建思路**：捕捉股价的短期反转效应，即前期表现较差的股票在未来短期内可能反弹[31]。 **因子具体构建过程**：选取日涨跌幅偏度、日均换手率和涨跌幅因子三个指标，分别对股票进行升序排列并计算得分，然后将三项得分取平均值作为反转因子的最终评分[31]。 5. **因子名称**：搜索因子[31] **因子构建思路**：利用互联网搜索数据反映市场对上市公司的关注度变化，将用户行为数据转化为投资信号[31]。 **因子具体构建过程**：分别计算长期和短期搜索因子评分。长期搜索因子采用过去一个月搜索量的环比变化计算；短期搜索因子采用过去5日搜索量的环比变化计算。将长期和短期评分取平均值作为搜索因子的最终评分[31]。 6. **因子名称**：主题暴露度[45] **因子构建思路**：衡量指数或投资组合在特定市场概念或主题上的集中程度[45]。 **因子具体构建过程**：计算指数对第i个概念的暴露度，公式为： $$EXP_{i}=\sum_{j=1}^{N}k_{ij}\cdot w_{j}$$ 其中，$EXP_i$表示指数对第i个概念的暴露度；$j$表示指数中的第j只成份股，$N$为指数成份股数量；$w_j$为成份股$j$在指数中的权重；$k_{ij}$为指示变量，若成份股$j$属于概念$i$，则$k_{ij}=1$，否则$k_{ij}=0$[45]。 模型的回测效果 1. **中证360互联网+大数据100指数多因子选股模型**，年化收益率28.56%[3][47][53]，年化夏普比0.94[3][53]，年化波动率31.92%[53]，历史最大回撤52.48%[3][47][53] 因子的回测效果 1. **规模因子**，在TMT板块内多空测试中能够持续贡献正向超额收益[33][36] 2. **反转因子**，在TMT板块内多空测试中能够持续贡献正向超额收益[33][36] 3. **质量因子（PB_ROE）**，在TMT板块内多空测试中能够持续贡献正向超额收益[33][36] 4. **成长因子（归母净利润增长率）**，在TMT板块内多空测试中能够持续贡献正向超额收益[33][36]

量化模型与因子总结 量化模型与构建方式 1. 风格轮动综合打分模型 * **模型名称**：风格轮动综合打分模型[6][9] * **模型构建思路**：基于宏观数据构建市场风格轮动解决方案，通过三维度多因子打分，判断价值/成长风格与大盘/小盘风格的占优方向[6][9] * **模型具体构建过程**： 1. **价值成长轮动策略**：结合经济增长、流动性以及市场情绪指标，对价值与成长风格进行综合打分[6][9] 2. **大小盘轮动策略**：结合经济增长、流动性以及市场情绪指标，对大盘与小盘风格进行综合打分[6][9] 3. 最终输出一个综合分数，分数高低代表某种风格的得分高低，用于判断风格配置方向[9][11] 2. 行业轮动综合打分模型 * **模型名称**：行业轮动综合打分模型[6][14] * **模型构建思路**：构造宏观经济、中观基本面、微观技术面以及交易拥挤度四个维度的指标，通过综合打分对行业进行排序，选取排名靠前的行业进行配置[6][14] * **模型具体构建过程**： 1. **宏观指标构建**：将一级行业划分为上游周期、中游制造、下游消费、TMT、大金融五个板块，构建基于宏观增长与流动性二阶差分的象限划分体系，根据宏观状态推荐配置板块[18] 2. **基本面指标构建**：包含历史景气、景气变化与景气预期三个部分，对行业进行打分[21] 3. **技术面指标构建**：包含指数动量、龙头股动量与K线形态三个部分，对行业进行打分[25] 4. **拥挤度指标构建**：包含融资流入、换手率与成交占比三个部分，对行业进行打分[26] 5. **综合信号合成**：结合宏观、基本面和技术面三个维度的正向得分，同时负向配置拥挤度因子，构建行业轮动综合评价体系，得到每个行业的综合得分[30] * **模型评价**：该四维度行业轮动策略在历史上超额收益稳健[15] 3. ETF轮动映射模型 * **模型名称**：ETF轮动映射模型[32] * **模型构建思路**：将行业轮动模型产生的行业信号，通过一套规则映射到具体的ETF产品上，形成可交易的ETF轮动解决方案[32] * **模型具体构建过程**： 1. **ETF筛选**：整理ETF跟踪指数清单，每个指数仅保留规模最大的ETF，并根据规模和流动性进行筛选[32] 2. **行业映射**：对于有ETF跟踪的指数，统计指数成分股的行业权重，选择行业权重最大且行业成分股权重超过50%的行业作为指数对应的行业[32] 3. **指数选择**：对于每一个行业，若存在3个以上指数在该行业上成分股权重最高，则在这些指数中选择过去60天收益率相关性最低的3个指数作为行业对应的指数；若仅有3个及以内指数，则全部映射[32] 4. **最终映射**：计算每一个行业与指数的过去60天收益率的相关系数，选择相关性最强的一个指数对应的ETF作为该行业的最终映射标的[32] 量化因子与构建方式 1. 行业轮动宏观因子 * **因子构建思路**：基于宏观经济增长与流动性的二阶差分变化，划分宏观状态象限，从而推荐受益的行业板块[18] * **因子具体构建过程**： 1. 计算宏观经济增长指标的二阶差分（加速度）。 2. 计算流动性指标的二阶差分（加速度）。 3. 根据两个二阶差分的正负，将宏观状态划分为四个象限（例如：“扩张强化/衰退缓解”、“宽松加码/紧缩放缓”等）[18]。 4. 根据不同象限，给出对上游周期、中游制造、下游消费、大金融、TMT五大板块的配置建议[18]。 2. 行业轮动基本面因子 * **因子名称**：行业轮动基本面因子[21] * **因子构建思路**：从历史景气、景气变化与景气预期三个部分评估行业的基本面状况[21] * **因子具体构建过程**：报告未提供三个部分（历史景气、景气变化、景气预期）的具体计算方法和合成方式。 3. 行业轮动技术面因子 * **因子名称**：行业轮动技术面因子[25] * **因子构建思路**：从指数动量、龙头股动量与K线形态三个部分评估行业的技术面状况[25] * **因子具体构建过程**：报告未提供三个部分（指数动量、龙头股动量、K线形态）的具体计算方法和合成方式。 4. 行业轮动拥挤度因子 * **因子名称**：行业轮动拥挤度因子[26] * **因子构建思路**：从融资流入、换手率与成交占比三个部分评估行业的交易拥挤程度[26] * **因子具体构建过程**：报告未提供三个部分（融资流入、换手率、成交占比）的具体计算方法和合成方式。 模型的回测效果 1. 行业轮动综合打分模型 * **回测期**：2017年以来（至2026年1月30日）[16] * **年化收益**：18.4%[16] * **基准年化收益**（行业等权）：4.7%[16] * **超额年化收益**：13.7%[16] * **月度IC均值**：12.3%[16] * **月度ICIR**：1.41[16] * **分年度表现**：详见报告表1[16] 因子的回测效果 （报告中未提供单个因子的独立测试结果，如IC、IR等）

量化模型与构建方式 1. **模型名称：中证360互联网+大数据100指数多因子选股模型**[30][31] * **模型构建思路**：该模型是一个多因子量化选股模型，旨在通过结合独特的搜索数据与传统财务、交易数据，从“互联网+”主题股票中筛选出具有潜力的标的，以构建一个兼具小盘风格和科技属性的投资组合[30][31]。 * **模型具体构建过程**： 1. **确定样本空间**：以中证全指中属于“互联网+”概念的上市公司为样本，剔除ST股票和连续停牌超过5个交易日的股票[31]。 2. **计算因子评分**：对样本空间内的股票，分别计算以下五大类因子的评分，每类因子内部子因子评分取平均得到该因子评分[31]： * **规模因子**：选取总市值和流通市值，降序排列计算得分，两项评分取平均[31]。 * **成长因子**：选取营业收入增长率、营业利润增长率、归属母公司的净利润增长率，升序排列计算得分，三项评分取平均[31]。 * **质量因子**：选取BP因子和ROE因子，升序排列计算得分，两项评分取平均[31]。 * **反转因子**：选取日涨跌幅偏度、日均换手率和涨跌幅因子，升序排列计算得分，三项评分取平均[31]。 * **搜索因子**：分别计算长期和短期搜索因子评分，两项评分取平均。其中，长期搜索因子采用过去一个月搜索量环比计算；短期搜索因子采用过去5日搜索量环比计算[31]。 3. **计算综合评分与选样**：将各因子评分相加得到每只股票的综合评分，选取综合评分最高的前100只股票作为指数成份股[31]。 4. **权重设置与调整**：成份股采用等权重配置。指数每月审核并调整一次样本股，实施时间为每月第三个周五[31]。 * **模型评价**：该模型是国内率先将实时搜索数据融入指数构建体系的主题量化指数，通过多因子综合评分，旨在在小盘股中持续获取超额收益[30][49]。 量化因子与构建方式 1. **因子名称：规模因子**[31] * **因子构建思路**：通过市值指标衡量公司规模，通常小市值公司被认为具有更高的成长弹性[31]。 * **因子具体构建过程**：选取总市值和流通市值两个指标，分别对样本内股票降序排列计算得分，然后将两项得分取平均值作为最终的规模因子评分[31]。 2. **因子名称：成长因子**[31] * **因子构建思路**：通过营收和利润的增长速度来识别具有高成长潜力的公司[31]。 * **因子具体构建过程**：选取营业收入增长率、营业利润增长率、归属母公司的净利润增长率三个指标，分别对样本内股票升序排列计算得分，然后将三项得分取平均值作为最终的成长因子评分[31]。 3. **因子名称：质量因子**[31] * **因子构建思路**：结合估值与盈利能力，筛选性价比高且盈利质量好的公司[31]。 * **因子具体构建过程**：选取BP因子（市净率的倒数，即Book-to-Price）和ROE因子（净资产收益率），分别对样本内股票升序排列计算得分，然后将两项得分取平均值作为最终的质量因子评分[31]。 4. **因子名称：反转因子**[31] * **因子构建思路**：基于市场交易行为，捕捉短期内可能出现价格反转的股票[31]。 * **因子具体构建过程**：选取日涨跌幅偏度、日均换手率和涨跌幅因子三个指标，分别对样本内股票升序排列计算得分，然后将三项得分取平均值作为最终的反转因子评分[31]。 5. **因子名称：搜索因子**[31] * **因子构建思路**：利用互联网搜索数据的热度变化，捕捉市场关注度的动态，作为前瞻性情绪指标[31]。 * **因子具体构建过程**：分别计算长期搜索因子和短期搜索因子评分，然后取平均。 * **长期搜索因子**：采用过去一个月搜索量的环比变化进行计算[31]。 * **短期搜索因子**：采用过去5日搜索量的环比变化进行计算[31]。 6. **因子名称：主题暴露度计算因子**[45][46] * **因子构建思路**：用于量化指数或投资组合在特定主题或概念上的覆盖程度[45]。 * **因子具体构建过程**：计算指数对第 i 个概念的暴露度，公式如下： $$EXP_{i}=\sum_{j=1}^{N}k_{i j}\cdot w_{j}$$ 其中，$EXP_i$ 表示指数对第 i 个概念的暴露度；$j$ 表示指数中的第 j 只成份股，$N$ 为指数成份股数量；$w_j$ 为成份股 $j$ 在指数中的权重；$k_{ij}$ 为指示变量，若成份股 $j$ 属于概念 $i$，则 $k_{ij}=1$，否则 $k_{ij}=0$[45][46]。 模型的回测效果 1. **中证360互联网+大数据100指数多因子选股模型**，年化收益率28.56%[47]，年化夏普比0.94[47]，年化波动率31.92%[53]，历史最大回撤52.48%[47]。 2. **大成中证360互联网+大数据100基金（A类）**，自2019年以来年化收益率25.35%[61]，夏普比率0.96[61]，净值波动27.36%[64]，最大回撤37.54%[64]，管理费率0.80%[64]。 因子的回测效果 1. **市值、反转、PB_ROE、归母净利润增长率因子**：报告展示了这些因子在TMT板块内的多空净值走势，显示其在测试期内能够持续贡献正向超额收益[33][36]。

量化模型与构建方式 1. **模型名称**：基于PS估值与线性外推的基本面价值模型[3][10] **模型构建思路**：通过识别个股的历史底部估值倍数（PS），结合市场一致预期对未来营业收入进行线性外推，计算出未来特定年份的基本面价值，用以判断当前股价是否已充分反映未来的增长预期[3][10]。 **模型具体构建过程**： * **步骤1：确定底部估值倍数**。分析目标个股（如上海瀚讯）在特定时期（如2024年）的估值低点，确定其底部市销率（PS）倍数。例如，上海瀚讯2024年底部估值为16倍PS[3][10]。 * **步骤2：获取并外推预期营业收入**。获取Wind等数据源提供的市场一致预期，例如2026年和2027年的预期营业收入。采用线性外推法估算更远期的营业收入（如2028年）。具体为：根据2027年和2026年的一致预期营业收入，线性外推得到2028年的预期营业收入[10]。 * **步骤3：计算未来基本面价值**。将外推得到的未来预期营业收入乘以底部估值倍数（PS），计算出该未来时间点的基本面价值。公式为： $$目标年份基本面价值 = 目标年份预期营业收入 \times 底部PS倍数$$ 例如，上海瀚讯2028年每股基本面价值 = 线性外推的2028年预期营业收入 × 16倍PS[3][10]。 * **步骤4：与市场价格比较**。将计算得到的基本面价值与个股的历史最高股价或当前股价进行比较，以评估股价是否已透支未来增长[3][10]。 2. **模型名称**：市场涨幅与基本面增幅对比模型[4][11] **模型构建思路**：通过对比个股（或板块权重股）自低点以来的市场最大涨幅与基于一致预期可测算的未来基本面累计增幅，来衡量市场价格与基本面预期之间的匹配程度或差距[4][11]。 **模型具体构建过程**： * **步骤1：计算市场涨幅**。选取特定时间段（如2024年以来），计算个股在此期间的最大涨幅[4][11]。 * **步骤2：计算基本面累计增幅**。选取一个基准年份（如2023年）的净利润，并获取未来目标年份（如2028年）的一致预期净利润。计算预期净利润相对于基准年份的累计增速。公式为： $$基本面累计增速 = \frac{目标年份预期净利润 - 基准年份净利润}{基准年份净利润} \times 100\%$$ 例如，航天电子2028年预期净利润相对2023年的累计增速为132.37%[4][11]。 * **步骤3：对比分析**。将计算得到的市场最大涨幅与基本面累计增速进行对比，分析两者之间的差距，判断股价上涨在多大程度上由基本面增长支撑[4][11]。 量化因子与构建方式 1. **因子名称**：趋同股选择因子[3][10] **因子构建思路**：在ETF成分股中，寻找与所跟踪指数走势最为同步的个股，作为分析该ETF板块的代表性标的（趋同股）[3][10]。 **因子具体构建过程**：综合考虑两个维度进行选择： * **走势偏差**：计算各成分股股价走势与跟踪指数（如国证商用卫星通信产业指数）走势之间的偏差，偏差越小，趋同性越高[3][10]。 * **研究覆盖度**：考虑成分股被市场研究和分析师覆盖的程度，覆盖度越高，其基本面和预期数据越可获得和可靠[3][10]。 **因子评价**：该因子用于筛选出能有效代表板块整体走势和基本面的个股，简化分析框架，聚焦核心标的[3][10]。 模型的回测效果 （注：本报告未提供模型在历史数据上的系统性回测结果，如年化收益率、夏普比率、最大回撤等量化指标。报告中的分析基于特定时间窗口的静态计算和对比。） 因子的回测效果 （注：本报告未提供趋同股选择因子在历史选股中的有效性检验结果，如因子IC值、分组收益等量化指标。）

量化模型与构建方式 1. **模型名称：宏观评分模型**[9][31] * **模型构建思路**：通过构建一系列宏观因子（如国内景气、国内货币、国内信用等），对每个因子进行评分，并汇总得到对各大类资产的宏观综合评分，从而形成对资产的择时观点。[31] * **模型具体构建过程**： 1. 确定宏观因子体系：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、金融压力共9个宏观因子。[31] 2. 对每个宏观因子进行状态评估（例如扩张、收缩、中性），并转化为-1、0、1的评分。[31] 3. 根据各宏观因子对不同大类资产（如中证800、10年国债、标普500、黄金、原油、铜）的影响逻辑，确定每个因子对每类资产的映射评分（同样为-1， 0， 1）。[31] 4. 将每类资产对应的所有宏观因子评分加总，得到该资产的“宏观评分”。[31] 5. 根据“宏观评分”的数值高低，形成“看多”、“中性”、“谨慎”等择时观点。[31] 2. **模型名称：美股中期择时模型**[9][33] * **模型构建思路**：通过监测美国经济的景气度、市场资金流和金融压力等分项指标，综合判断美股的中期走势。[33][35] * **模型具体构建过程**： 1. 构建多个分项指标，主要包括“景气度”、“资金流”、“金融压力”。[35] 2. 将每个分项指标的历史数据计算其在滚动5年窗口内的分位数，将分位数映射为0-100的数值。[36] 3. 综合各分项指标的数值和走势，形成对美股的择时观点（如看多、看空）。模型结果显示，当景气度分项指标明显上行时，倾向于看多美股。[33][35] 3. **模型名称：黄金择时模型**[9][38] * **模型构建思路**：构建一个综合性的择时指标，用于判断黄金的短期走势和波动状态。[38] * **模型具体构建过程**：报告未详细说明该指标的具体构成公式，但指出其为一个综合指标，最新值为-0.45，并会每月更新。[38][41] 模型观点结合该指标数值及其他宏观、微观分析（如交易结构、美国经济内生动能）得出。[38] 4. **模型名称：原油择时模型**[9][42] * **模型构建思路**：通过构建“原油景气指数”来反映原油市场的基本面状况，并据此形成择时观点。[42] * **模型具体构建过程**：报告未详细说明“原油景气指数”的具体构建公式，但指出其是一个反映原油基本面的指标。当指数读数在0轴以下时，模型观点倾向于谨慎。[42][45] 5. **模型名称：大类资产配置策略**[6][42] * **模型构建思路**：在每月调仓时，根据量化配置信号为各类资产分配风险预算，并基于宏观因子体系调整组合的宏观风险暴露，最终得到资产配置方案。[6][42] * **模型具体构建过程**： 1. 生成各大类资产的量化配置信号（可能来源于前述的宏观评分模型、单资产择时模型等）。[6] 2. 根据配置信号，通过风险预算模型（Risk Budgeting）确定各类资产的初始配置权重。[6] 3. 引入宏观因子体系，对组合的整体宏观风险暴露（如对信用周期、通胀周期的暴露）进行调整和优化，以控制组合的宏观风险。[6] 4. 通过优化过程，得到最终的资产配置比例。[46] 量化因子与构建方式 1. **因子名称：美国经济景气指标**[3][40] * **因子构建思路**：构建一个指标来刻画美国经济的内生增长动能，并观察其与财政刺激力度的关系，以判断经济对财政的依赖程度。[3][40] * **因子具体构建过程**：报告未给出该指标的具体计算公式，但通过图表展示其与“美国财政赤字（12个月移动平均）”的走势对比。当该指标与财政赤字走势出现背离（即财政赤字下降或走平，而经济景气指标上升），则意味着美国经济对财政的依赖性减弱，内生动能启动。[3][40] 2. **因子名称：伦敦金现相较60日均线乖离率**[17][20] * **因子构建思路**：通过计算金价与其长期均线的偏离程度，来判断黄金是否处于超买或超卖状态。[17] * **因子具体构建过程**： 1. 计算伦敦金现价格的60日移动平均线（MA60）。 2. 计算乖离率（Bias），公式为： $$乖离率 = \frac{伦敦金现价格 - MA60}{MA60} \times 100\%$$ 3. 该因子用于衡量金价短期波动相对于长期趋势的偏离幅度，当乖离率创下近期新高时，表明黄金处于极端超涨状态。[17][20] 模型的回测效果 1. **大类资产配置策略**，1月收益2.7%，最近1年收益10.9%，最大回撤2.9%。[4][6][42] 2. **宏观评分模型**，对中证800、标普500、原油、铜的2月观点为“看多”，对10年国债观点为“中性”，对黄金观点为“谨慎”。[31] 3. **美股中期择时模型**，最新观点为“看多”。[33] 4. **黄金择时模型**，最新指标值为-0.45，较上月小幅改善，短期观点转为“震荡思维”，中期趋势仍维持看好。[38][41] 5. **原油择时模型**，最新“原油景气指数”读数为-0.08，维持在0轴以下，模型观点为“谨慎”。[42][45] 因子的回测效果 （报告未提供因子的独立历史回测绩效指标，如IC、IR等，仅展示了因子的当前状态或历史走势图，因此本部分无具体指标值可总结。）

根据提供的研报内容，该报告主要介绍了一款名为OpenClaw的开源AI智能体项目的部署与应用，属于技术工具介绍类报告。报告**未涉及**任何量化投资模型或量化因子的构建、测试与分析[8]。报告的核心内容是推广和指导如何部署使用OpenClaw这一AI助理工具，而非金融工程领域的量化研究。 因此，本报告**没有**需要总结的量化模型或量化因子相关内容。 报告提及的《量化看市场》系列虽旨在拓展量化方法在市场研究中的应用[8]，但本篇具体报告（系列之四）内容并未包含实际的量化模型或因子。报告中引用的其他系列报告标题（如形态学研究）可能涉及量化模型，但并非本篇报告的内容[5]。

量化模型与构建方式 1. **模型/因子名称**：Smart Beta 多因子复合模型 **模型/因子构建思路**：在指数编制方案中，采用红利、等权、低波动、价值、成长等单一因子或多个因子复合的方式来筛选成分股，以获取超越传统市值加权指数的风险调整后收益[13]。 **模型/因子具体构建过程**：报告未详细描述具体的因子合成公式或模型构建步骤，仅指出Smart Beta类基金跟踪的指数采用了此类方法。其核心思路是，在指数成分股的选择或权重分配上，不再仅依赖市值，而是依据一个或多个特定的因子（如股息率、波动率、估值、成长性）进行优化。例如，红利指数可能依据股息率筛选和加权；低波动指数可能依据历史波动率筛选和加权；价值指数可能依据市盈率、市净率等估值指标筛选和加权[13]。 2. **模型/因子名称**：指数增强模型 **模型/因子构建思路**：在跟踪某一基准指数（如沪深300、中证500）的基础上，通过量化模型（通常包含多因子选股、风险控制等模块）进行适度的主动偏离，旨在获取持续的超额收益（Alpha）[10]。 **模型/因子具体构建过程**：报告未披露具体的模型构建细节。通常，此类模型的构建过程包括：1) **因子库构建**：挖掘和测试一系列可能带来超额收益的因子（如价值、质量、动量、成长等）。2) **因子合成与股票打分**：将有效的因子通过线性或非线性方式合成一个综合得分，并对股票池内的股票进行排序。3) **组合优化**：在满足跟踪误差、行业中性、风格中性、换手率等约束条件下，优化投资组合权重，使其相对基准指数有正向预期超额收益，同时控制风险。4) **交易执行**：根据优化结果进行交易。 3. **模型/因子名称**：市场中性/对冲模型 **模型/因子构建思路**：通过同时构建股票多头组合和利用金融衍生品（如股指期货）建立空头头寸，对冲掉市场系统性风险（Beta），以获取纯粹的超额收益（Alpha），追求绝对收益[10]。 **模型/因子具体构建过程**：报告未披露具体的模型构建细节。通常，此类模型的构建过程包括：1) **Alpha模型**：构建一个能够预测股票相对强弱的多因子选股模型，形成多头组合。2) **Beta对冲**：使用股指期货等工具，建立与多头组合市场风险暴露（Beta）相匹配的空头头寸，使整个组合的市场净暴露接近于零。3) **风险控制**：严格控制组合的行业、风格等风险暴露，确保收益来源主要来自选股能力而非市场或风格波动。 模型的回测效果 *注：报告主要展示的是各类量化基金产品的业绩表现，而非底层量化模型本身的回测结果。以下数据为基金产品层面的绩效指标。* 1. **主动量化基金（宽基类-跟踪沪深300）** * 2026年1月超额收益均值：5.1%[3][26] * 2026年1月年化波动率均值：16.64%[27] * 2026年1月最大回撤均值：-2.44%[27] 2. **主动量化基金（宽基类-跟踪中证500）** * 2026年1月超额收益均值：-4.1%[3][28] * 2026年1月年化波动率均值：15.59%[33] * 2026年1月最大回撤均值：-2.43%[33] 3. **指数增强基金（宽基类-跟踪中证500）** * 2026年1月超额收益均值：-2.0%[4][46] * 2026年1月年化跟踪误差均值：6.8%[46] * 2026年1月年化波动率均值：17.06%[47] * 2026年1月最大回撤均值：-2.46%[47] 4. **指数增强基金（宽基类-跟踪沪深300）** * 2026年1月超额收益均值：1.1%[4][50] * 2026年1月年化跟踪误差均值：4.1%[50] * 2026年1月年化波动率均值：低于2025年12月（具体数值未提供）[50] * 2026年1月最大回撤：具体数值未提供，图表显示情况[53] 5. **对冲量化基金** * 2026年1月绝对收益率平均收益：0.25%[5][62] * 2026年1月基金净值波动率：高于2025年12月（具体数值未提供）[5][62] * 2026年1月最大回撤均值：与2025年12月相近（具体数值未提供）[5][62] 量化因子与构建方式 *注：报告未详细阐述单一因子的具体构建过程，仅在Smart Beta部分提及了因子的类型。* 1. **因子名称**：红利因子 **因子构建思路**：选取股息率较高的公司，这类公司通常现金流稳定、估值较低，长期可能带来超额回报[13]。 **因子具体构建过程**：报告未提供具体公式。通常构建方式为：$$股息率 = \frac{近12个月现金分红总额}{总市值}$$。依据该指标对股票进行排序或筛选。 2. **因子名称**：价值因子 **因子构建思路**：选取估值指标（如市盈率、市净率）较低的股票，认为其价格低于内在价值，未来有估值修复空间[13]。 **因子具体构建过程**：报告未提供具体公式。常见构建方式包括：$$市净率（PB）=\frac{总市值}{净资产}$$，$$市盈率（PE）=\frac{总市值}{净利润}$$。使用这些比率或其倒数进行排序。 3. **因子名称**：成长因子 **因子构建思路**：选取营收、净利润等财务指标增长较快的公司，预期其未来能继续保持高增长[13]。 **因子具体构建过程**：报告未提供具体公式。常见构建方式为计算营收增长率、净利润增长率等指标：$$净利润增长率 = \frac{本期净利润 - 上期净利润}{上期净利润}$$。 4. **因子名称**：低波动因子 **因子构建思路**：选取历史价格波动率较低的股票，这类资产风险相对较低，长期风险调整后收益可能更优[13]。 **因子具体构建过程**：报告未提供具体公式。通常使用一段时间内（如过去252个交易日）日收益率的标准差来衡量波动率。 5. **因子名称**：等权因子 **因子构建思路**：在构建指数或组合时，赋予每个成分股相同的权重，以降低大市值股票的影响，增加小市值股票的暴露[13]。 **因子具体构建过程**：对于包含N只股票的指数或组合，每只股票的权重为：$$权重 = \frac{1}{N}$$。 因子的回测效果 *注：报告未提供上述单一因子或复合因子的独立回测绩效指标（如IC、IR、多空收益等）。报告中的业绩表现均为应用了相关因子或模型的基金产品表现。*

量化模型与构建方式 1. 市场情绪追踪模型 1. **模型名称：上涨家数占比情绪指标**[11][12] * **模型构建思路**：通过计算指数成分股中近期获得正收益的股票数量占比来判断市场情绪。当正收益股票增多时，可能处于行情底部；当大部分股票都为正收益时，情绪可能过热，存在下跌风险[12]。 * **模型具体构建过程**： 1. 计算沪深300指数成分股在过去N日（报告中N=230）的收益率[12]。 2. 统计收益率大于0的个股数量。 3. 计算上涨家数占比：上涨家数占比 = (过去N日收益大于0的个股数) / (沪深300指数成分股总数)[12]。 * **模型评价**：该指标可以较快地捕捉上涨机会，但在市场过热阶段提前止盈会错失后续上涨收益，且对下跌市场的判断存在缺陷，难以有效规避下跌风险[12]。 2. **模型名称：动量情绪指标择时策略**[13][15][16] * **模型构建思路**：对“上涨家数占比情绪指标”进行不同窗口期的平滑处理，通过比较快慢线的相对位置来捕捉市场情绪的变动趋势，从而生成看多或看空的择时信号[13][15]。 * **模型具体构建过程**： 1. 计算沪深300指数N日（N=230）上涨家数占比[13]。 2. 分别对该指标序列进行窗口期为N1（N1=50）和N2（N2=35）的移动平均，得到慢线和快线，其中N1 > N2[13][15]。 3. 生成交易信号：当快线 > 慢线时，看多沪深300指数；当快线 ≤ 慢线时，对市场持谨慎观点[15]。 3. **模型名称：均线情绪指标择时策略**[21][25] * **模型构建思路**：利用八条不同周期的均线构成一个技术分析体系，通过统计当前价格位于这八条均线之上的数量来判断市场的趋势状态和情绪景气度[21][25]。 * **模型具体构建过程**： 1. 计算沪深300指数收盘价的八条均线，参数分别为：8, 13, 21, 34, 55, 89, 144, 233[21]。 2. 在每一个交易日，比较当日收盘价与这八条均线值的大小[25]。 3. 统计当日收盘价大于均线值的数量[25]。 4. 生成交易信号：当收盘价大于均线值的数量超过5时，看多沪深300指数[25]。 2. 基金抱团分离度指标 1. **因子名称：基金抱团分离度**[26] * **因子构建思路**：将抱团基金组合截面收益率的标准差作为衡量基金抱团程度的代理变量。标准差小说明基金表现趋同，抱团程度高；标准差大说明抱团正在瓦解[26]。 * **因子具体构建过程**： 1. 构造一个“抱团基金组合”[26]。 2. 在特定时点（如每日或每周），计算该组合内所有基金在同一时期的收益率[26]。 3. 计算这些收益率的截面标准差，该值即为“基金抱团分离度”[26]。 3. 量化选股策略模型 1. **模型名称：PB-ROE-50策略**[30] * **模型构建思路**：以PB-ROE定价模型为基础，寻找市场中的预期差（即实际估值与理论估值的差异），并叠加超预期因子（如SUE、ROE同比增长）来增强组合收益，最终精选50只股票构建投资组合[30]。 * **模型具体构建过程**： 1. **基础模型**：基于Wilcox（1984）推导的PB-ROE定价模型，筛选出存在预期差的股票池[30]。 2. **因子增强**：在预期差股票池中，使用SUE（标准化未预期收益）、ROE同比增长等超预期因子进行进一步筛选和排序[30]。 3. **组合构建**：根据因子综合得分，选取排名靠前的50只股票，等权构建PB-ROE-50投资组合[30]。 2. **模型名称：机构调研策略**[37] * **模型构建思路**：通过分析公募基金和知名私募基金的调研行为数据，挖掘其中蕴含的超额收益（Alpha）。核心是利用上市公司被调研的次数以及被调研前股票的相对表现进行选股[37]。 * **模型具体构建过程**：报告指出具体构建方法详见其系列报告之八[37]。根据描述，主要步骤应包括： 1. 收集并处理公募和私募的机构调研数据。 2. 计算上市公司在一定时期内被调研的总次数或频率。 3. 可能结合股票在被调研前相对于基准指数（如中证800）的涨跌幅表现。 4. 根据上述指标（如调研次数、前期表现）构建选股规则，形成公募调研选股组合和私募调研跟踪组合。 4. 负面清单因子 1. **因子名称：有息负债率**[41] * **因子构建思路**：有息负债是企业需要支付利息的负债，该比率越高，企业面临的偿债压力和流动性风险越大。该因子用于识别高财务风险的公司[41]。 * **因子具体构建过程**：报告提出了三种计算口径[41]。 * **传统有息负债率**： $$传统有息负债率 = \frac{短期借款 + 长期借款 + 应付债券}{总资产}$$ * **严苛有息负债率**： $$严苛有息负债率 = \frac{短期借款 + 应付利息 + 交易性金融负债 + 应付短期债券 + 租赁负债 + 长期借款 + 应付债券 + 长期应付款}{总资产}$$ * **宽松有息负债率**： $$宽松有息负债率 = \frac{短期借款 + 应付利息 + 交易性金融负债 + 应付短期债券 + 租赁负债 + 长期借款 + 应付债券 + 长期应付款 + 其他流动负债 + 划分为持有待售的负债 + 一年内到期的非流动负债}{总资产}$$ 2. **因子名称：财务成本负担率**[45] * **因子构建思路**：从利润表流量数据角度衡量企业实际面临的利息偿还压力，比基于资产负债表的存量指标更能反映企业当期负担[45]。 * **因子具体构建过程**： $$财务成本负担率 = \frac{财务费用：利息费用}{息税前利润}$$ 公式说明：分子为利润表中的“利息费用”科目（2018年后从“财务费用”中拆分），分母为息税前利润（EBIT）[45]。 模型的回测效果 1. **PB-ROE-50模型**，2026年1月超额收益率（相对基准）：基于中证500为 **-0.44%**，基于中证800为 **5.47%**，基于全市场为 **5.48%**[30][34]。2026年1月绝对收益率：基于中证500为 **11.63%**，基于中证800为 **10.20%**，基于全市场为 **11.54%**[34]。 2. **机构调研策略模型（公募调研选股）**，2026年1月超额收益率（相对中证800）为 **-0.82%**，2026年1月绝对收益率为 **3.63%**[38]。 3. **机构调研策略模型（私募调研跟踪）**，2026年1月超额收益率（相对中证800）为 **6.52%**，2026年1月绝对收益率为 **11.30%**[38]。 因子的回测效果 *注：报告中未提供负面清单因子（有息负债率、财务成本负担率）在历史回测中的具体指标值（如IC、IR、多空收益等），仅提供了截至报告日的截面排序结果。因此，此处不列出因子回测效果。*

量化模型与构建方式 1. **模型名称：煤炭行业利润预测模型**[9][10] * **模型构建思路**：基于动力煤长协定价机制，利用价格因子和产能因子的同比变化，逐月估计煤炭行业的营收增速和利润增速[10]。 * **模型具体构建过程**：模型的核心是利用已确定的月度动力煤销售价格（由长协机制决定）以及产能数据。通过计算价格因子（如煤价指数）和产能因子（如产量）的同比变化，将这些变化映射到行业整体的营收和利润增速预测上。具体公式未在报告中明确给出，但逻辑是：营收增速 ≈ f(价格同比变化， 销量同比变化)；利润增速 ≈ g(营收增速， 成本变化)。报告根据此模型预测了2026年2月煤炭行业利润同比微负增长[10][14]。 2. **模型名称：生猪供需缺口测算模型（出栏系数法）**[15][16] * **模型构建思路**：利用生猪从出生到出栏约6个月的生长周期，建立当前能繁母猪存栏量与未来6个月后生猪潜在供给量之间的关系，并与历史同期需求进行对比，以测算未来供需缺口[15]。 * **模型具体构建过程**： 1. 首先计算历史“出栏系数”，即单季度生猪出栏量与6个月前的能繁母猪存栏量之比。公式为： $$出栏系数 = \frac{单季度生猪出栏}{能繁母猪存栏_{滞后6个月}}}$$ 2. 利用当前（t月）的能繁母猪存栏量和上年同期（t+6月）的出栏系数，预测6个月后的潜在单季度生猪供给能力。公式为： $$6个月后单季潜在产能 = t月能繁母猪存栏 \times (t+6月上年同期出栏系数)$$ 3. 将预测的潜在供给与上年同期（t+6月）的实际单季度生猪出栏量（作为需求预测值）进行比较，判断供需缺口[15][16][17]。 3. **模型名称：普钢行业利润预测模型**[18] * **模型构建思路**：综合考虑普通钢材的综合售价以及铁矿石、焦炭、喷吹煤、废钢等主要成本指标，构建模型以预测普钢行业的月度利润增速和单吨盈利[18]。 * **模型具体构建过程**：模型通过跟踪普钢综合售价和一系列关键原材料成本价格，计算单吨毛利或利润。具体公式未在报告中明确给出，但逻辑可表示为：单吨利润 ≈ 普钢综合售价 - (铁矿石成本 + 焦炭成本 + 喷吹煤成本 + 废钢成本 + 其他)。基于此模型，报告预测了2026年1月普钢行业利润同比微负增长[18][22]。 4. **模型名称：结构材料（玻璃、水泥）盈利跟踪模型**[24] * **模型构建思路**：根据浮法玻璃、水泥等产品的价格指标和相应的成本指标（如纯碱、煤炭等），跟踪计算行业的毛利或利润变化[24]。 * **模型具体构建过程**：对于玻璃行业，通过浮法玻璃市场价格减去主要成本（如纯碱、燃料等）计算单吨毛利。对于水泥行业，通过水泥价格减去煤炭等成本估算利润。报告根据2026年1月数据，测算浮法玻璃毛利同比延续负增长，并预测水泥行业利润同比延续负增长[24][26]。 5. **模型名称：燃料型炼化行业利润预测模型**[27] * **模型构建思路**：利用成品油（燃料）价格变化和原油价格变化之间的差异（裂解价差）来测算行业利润增速[27]。 * **模型具体构建过程**：模型核心是跟踪裂解价差，即成品油价格与原油成本价之差。利润增速与裂解价差的变动密切相关。报告基于此模型预测2026年1月燃料型炼化行业利润同比小幅下降[27][28]。 量化因子与构建方式 1. **因子名称：价格因子（煤炭）**[10] * **因子构建思路**：反映煤炭产品价格变动对行业营收的影响，是煤炭行业利润预测模型的关键输入之一[10]。 * **因子具体构建过程**：采用动力煤价格指数，具体为根据长协机制确定的月度销售价格。通过计算该价格的同比变化，作为驱动营收预测的因子[10]。 2. **因子名称：产能因子（煤炭）**[10] * **因子构建思路**：反映煤炭产量或供给能力变动对行业营收的影响，是煤炭行业利润预测模型的另一关键输入[10]。 * **因子具体构建过程**：采用煤炭产量或相关产能指标，计算其同比变化，与价格因子一同用于营收和利润预测[10]。 3. **因子名称：出栏系数**[15] * **因子构建思路**：衡量能繁母猪存栏转化为生猪出栏的效率，是连接当前存栏与未来供给的核心中间变量[15]。 * **因子具体构建过程**：计算历史各季度“生猪出栏量”与“6个月前的能繁母猪存栏量”的比值。该系数用于预测未来的潜在产能[15]。 4. **因子名称：PMI滚动均值（普钢、建筑装饰）**[22][26] * **因子构建思路**：用于判断制造业景气周期，作为普钢和建筑装饰行业配置信号的依据之一[22][26]。 * **因子具体构建过程**：计算制造业采购经理指数（PMI）过去12个月的滚动平均值，并观察其环比变化。报告指出，当该滚动均值环比变化未超过特定阈值时，维持中性观点[22][26]。 5. **因子名称：裂解价差（燃料型炼化）**[27] * **因子构建思路**：直接反映炼化企业将原油加工为成品油的盈利空间，是行业利润的核心驱动因子[27]。 * **因子具体构建过程**：跟踪成品油（如汽油、柴油）价格与原油采购成本之间的价差。价差扩大通常意味着行业利润改善，反之则利润承压[27]。 6. **因子名称：油价同比变化（炼化、油服）**[27][34][35] * **因子构建思路**：油价变动直接影响炼化行业的成本和油服行业的收入预期，是这两个行业配置信号的关键观察因子[27][34][35]。 * **因子具体构建过程**：计算原油价格的同比变化。报告指出，当油价保持同比下降时，对炼化和油服行业维持中性观点[34][35]。 7. **因子名称：新钻井数同比变化（油服）**[35] * **因子构建思路**：反映油气勘探开发活动的活跃度，是油服行业需求的前瞻性指标[35]。 * **因子具体构建过程**：跟踪美国新钻井数量等指标，观察其同比变化。报告指出，当新钻井数同比变化不大时，对油服行业维持中性观点[35]。 模型的回测效果 *报告未提供具体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）。报告中的图表（如图2、图5、图9、图10）展示了基于模型产生的配置信号与行业指数历史超额收益的走势对比，但未给出统一的绩效汇总表或具体数值[11][20][28][37]。* 因子的回测效果 *报告未提供单个因子的独立测试结果（如IC、IR、多空收益等）。因子效果的评价融合在行业景气判断和配置观点中，例如指出“出栏系数法测算供需缺口能够有效识别生猪价格上行周期”[16]，但未给出该因子的具体量化指标。*

量化模型与构建方式 1. **模型名称**：日收益率分布形态分析模型[18][19] * **模型构建思路**：通过统计各宽基指数日收益率在历史不同时期的分布情况，分析其分布特征、胜率和形态倾向，并比较当前分布与历史基准的差异[18][19]。 * **模型具体构建过程**： 1. 收集各宽基指数近一年及近6年（剔除近一年）的日收益率数据[19]。 2. 将日收益率划分为若干区间，统计各区间出现的频次，绘制分布图以观察收益分布特征[18]。 3. 计算分布的峰度和偏度，用以衡量分布的集中程度和偏态方向[24]。峰度计算中减去了3（正态分布的峰度值）以进行对比[25]。 4. 对比当前（近一年）的峰度、偏度与近5年（基准期）的对应值，计算差值（当前 vs. 近5年），以观察分布形态的变化[25]。 2. **模型名称**：风险溢价分析模型[27] * **模型构建思路**：以十年期国债即期收益率作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，并观察其均值复归现象[27]。 * **模型具体构建过程**： 1. 确定无风险利率：采用十年期国债即期收益率[27]。 2. 计算风险溢价：风险溢价 = 指数收益率 - 十年期国债即期收益率[27]。具体计算时，指数收益率通常采用其预期收益率或历史平均收益率，但报告中展示的“当前风险溢价”可能基于特定计算（如指数市盈率倒数与国债收益率之差，见股债性价比部分）[46]。 3. 统计分析：计算风险溢价的近1年/5年均值、波动率、分位值，以及当前值与均值±1倍/±2倍标准差的差值，用以判断当前风险溢价的相对位置和偏离程度[31]。 3. **模型名称**：股债性价比分析模型[46] * **模型构建思路**：通过比较股票市场的潜在收益率（以市盈率倒数代表）与债券市场收益率（十年期国债即期收益率）的差值，来判断股票和债券两类资产的相对吸引力[46]。 * **模型具体构建过程**： 1. 计算股票潜在收益率：使用各宽基指数的市盈率（PE-TTM）的倒数，即盈利收益率（Earnings Yield）[46]。 $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 2. 历史分位分析：计算该指标近5年的历史分位值，并设定80%分位值为“机会值”，20%分位值为“危险值”[46]。 3. 趋势与区间判断：观察股债性价比的走势图，并结合其与机会值、危险值及均值的相对位置，判断当前股票资产相对于债券资产的估值吸引力[46]。 量化因子与构建方式 1. **因子名称**：均线比较因子[13] * **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（MA）的位置关系，判断指数的短期、中期和长期趋势强度及支撑压力情况[13]。 * **因子具体构建过程**： 1. 计算移动平均线：分别计算指数收盘价的5日（MA5）、10日（MA10）、20日（MA20）、60日（MA60）、120日（MA120）、250日（MA250）简单移动平均线[14]。 2. 计算相对位置：计算当前收盘价相对于各条移动平均线的百分比偏离[14]。 $$vsMA_N = \frac{收盘价 - MA_N}{MA_N} \times 100\%$$ 其中，N代表移动平均线的周期（如5，10，20等）[14]。 2. **因子名称**：近250日高位/低位回撤因子[13] * **因子构建思路**：衡量指数当前价格相对于其过去250个交易日内最高点和最低点的位置，用以评估指数从近期高点回落的幅度或从低点反弹的强度[13]。 * **因子具体构建过程**： 1. 确定极值：计算指数在过去250个交易日内的最高价（近250日高位）和最低价（近250日低位）[14]。 2. 计算回撤/反弹幅度：计算当前收盘价相对于近250日高位和低位的百分比变化[14]。 $$vs近250日高位 = \frac{收盘价 - 近250日高位}{近250日高位} \times 100\%$$ $$vs近250日低位 = \frac{收盘价 - 近250日低位}{近250日低位} \times 100\%$$ 3. **因子名称**：换手率因子[17] * **因子构建思路**：衡量市场对某一宽基指数成分股的交易活跃程度，高换手率通常意味着高流动性或高关注度[17]。 * **因子具体构建过程**：指数换手率计算方式为成分股流通股本加权平均的换手率[18]。 $$指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$$ 4. **因子名称**：交易金额占比因子[17] * **因子构建思路**：衡量某一宽基指数的总成交金额在整个市场（以中证全指为代表）中的比重，反映资金在不同风格板块间的分布情况[17]。 * **因子具体构建过程**：计算该指数当天的总成交金额除以中证全指当天的总成交金额[18]。 $$交易金额占比 = \frac{指数当日交易金额}{中证全指当日交易金额} \times 100\%$$ 5. **因子名称**：破净率因子[54] * **因子构建思路**：统计指数成分股中市净率（PB）小于1的个股数量占比，用以衡量市场整体或特定板块的估值低估程度和悲观情绪[54][56]。 * **因子具体构建过程**： 1. 判断成分股是否“破净”：对于指数中的每一个成分股，计算其市净率（股价/每股净资产），若市净率 < 1，则判定为破净股[54]。 2. 计算破净率：破净个股数量除以指数成分股总数量[57]。 $$破净率 = \frac{破净个股数}{指数成分股总数} \times 100\%$$ 模型的回测效果 *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）。报告主要展示各模型/因子在特定时点（2026年2月2日）的截面分析结果和近期历史统计特征[31][43][53]。* 因子的回测效果 *本报告为市场数据跟踪报告，未提供量化因子的历史IC、IR、多空收益等传统因子测试结果。报告主要展示各因子在特定时点（2026年2月2日）的截面取值和近期历史统计特征[14][17][31][43][53][57]。* 1. **均线比较因子**：2026年2月2日，所有跟踪指数同时跌破5、10、20日均线；上证50和沪深300跌破了60日均线[13]。具体相对位置参见表2[14]。 2. **近250日高位回撤因子**：2026年2月2日，中证500距离其近250日高位回撤了6.6%，中证1000回撤了5.9%[13][14]。 3. **换手率因子**：2026年2月2日，各宽基指数换手率分别为：中证2000 (4.26)、创业板指 (3.85)、中证1000 (3.1)、中证500 (2.68)、中证全指 (2.15)、沪深300 (0.92)、上证50 (0.48)[17]。 4. **交易金额占比因子**：2026年2月2日，沪深300交易金额占比最高（28.38%），其次为中证500（21.35%）和中证2000（20.52%）[17]。 5. **破净率因子**：当前（报告时点），各指数破净率为：上证50 (24.0%)、沪深300 (16.67%)、中证500 (11.0%)、中证1000 (7.0%)、中证2000 (2.7%)、中证全指 (5.66%)[57]。