量化模型与构建方式 1. **模型名称**：封板率模型[17] **模型构建思路**：通过计算当日盘中最高价涨停且收盘仍保持涨停的股票比例，来衡量市场涨停股的封板强度，反映市场追涨情绪和短线资金的封板意愿[17] **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[17] 2. 在交易日T，找出所有盘中最高价达到涨停的股票[17] 3. 在这些股票中，进一步筛选出收盘价仍为涨停的股票[17] 4. 计算封板率，公式为： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[17] 2. **模型名称**：连板率模型[17] **模型构建思路**：通过计算连续两日收盘涨停的股票占昨日涨停股票的比例，来衡量市场涨停效应的持续性，反映市场强势股的接力情绪[17] **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[17] 2. 在交易日T-1，找出所有收盘涨停的股票[17] 3. 在交易日T，从步骤2的股票中，筛选出当日收盘仍为涨停的股票[17] 4. 计算连板率，公式为： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[17] 3. **因子名称**：大宗交易折价率因子[26] **因子构建思路**：通过计算大宗交易成交价相对于市价的折价幅度，来反映大资金通过大宗交易渠道减持或调仓时的成本与意愿，折价率高低可视为大资金情绪或特定股票流动性的一个指标[26] **因子具体构建过程**： 1. 获取交易日T所有大宗交易的成交数据，包括每笔交易的成交金额和成交数量[26] 2. 计算当日该股票通过大宗交易成交份额的总市值，通常使用当日收盘价或成交均价作为市价基准[26] 3. 计算大宗交易总成交金额[26] 4. 计算折价率，公式为： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[26] 该值为负表示折价成交，绝对值越大表示折价幅度越大[26] 4. **因子名称**：股指期货年化贴水率因子[28] **因子构建思路**：通过计算股指期货主力合约价格相对于现货指数价格的年化基差，来衡量市场对未来指数的预期、对冲成本以及市场情绪。贴水率越高，通常意味着市场情绪偏谨慎或对冲成本较低[28] **因子具体构建过程**： 1. 选定标的指数（如上证50、沪深300、中证500、中证1000）及其对应的股指期货主力合约[28] 2. 在交易日T，获取标的指数的收盘价（现货价格）和股指期货主力合约的结算价（期货价格）[28] 3. 计算基差：基差 = 期货价格 - 现货价格[28] 4. 获取该主力合约的剩余交易日数[28] 5. 计算年化贴水率，公式为： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[28] 当该值为负时，表示股指期货处于贴水状态[28] 模型的回测效果 1. 封板率模型，20260203当日封板率取值78%[17] 2. 封板率模型，20260203较前日变化为提升17%[17] 3. 连板率模型，20260203当日连板率取值36%[17] 4. 连板率模型，20260203较前日变化为提升16%[17] 量化因子与构建方式 1. **因子名称**：大宗交易折价率因子[26] **因子构建思路**：通过计算大宗交易成交价相对于市价的折价幅度，来反映大资金通过大宗交易渠道减持或调仓时的成本与意愿，折价率高低可视为大资金情绪或特定股票流动性的一个指标[26] **因子具体构建过程**： 1. 获取交易日T所有大宗交易的成交数据，包括每笔交易的成交金额和成交数量[26] 2. 计算当日该股票通过大宗交易成交份额的总市值，通常使用当日收盘价或成交均价作为市价基准[26] 3. 计算大宗交易总成交金额[26] 4. 计算折价率，公式为： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[26] 该值为负表示折价成交，绝对值越大表示折价幅度越大[26] 2. **因子名称**：股指期货年化贴水率因子[28] **因子构建思路**：通过计算股指期货主力合约价格相对于现货指数价格的年化基差，来衡量市场对未来指数的预期、对冲成本以及市场情绪。贴水率越高，通常意味着市场情绪偏谨慎或对冲成本较低[28] **因子具体构建过程**： 1. 选定标的指数（如上证50、沪深300、中证500、中证1000）及其对应的股指期货主力合约[28] 2. 在交易日T，获取标的指数的收盘价（现货价格）和股指期货主力合约的结算价（期货价格）[28] 3. 计算基差：基差 = 期货价格 - 现货价格[28] 4. 获取该主力合约的剩余交易日数[28] 5. 计算年化贴水率，公式为： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[28] 当该值为负时，表示股指期货处于贴水状态[28] 因子的回测效果 1. 大宗交易折价率因子，近半年以来平均折价率取值6.93%[26] 2. 大宗交易折价率因子，20260202当日折价率取值5.69%[26] 3. 上证50股指期货年化贴水率因子，近一年中位数取值0.63%[28] 4. 上证50股指期货年化贴水率因子，20260203当日值取值0.48%[28] 5. 上证50股指期货年化贴水率因子，20260203当日值近一年分位点取值52%[28] 6. 沪深300股指期货年化贴水率因子，近一年中位数取值3.79%[28] 7. 沪深300股指期货年化贴水率因子，20260203当日值取值1.41%[28] 8. 沪深300股指期货年化贴水率因子，20260203当日值近一年分位点取值78%[28] 9. 中证500股指期货年化贴水率因子，近一年中位数取值11.15%[28] 10. 中证500股指期货年化贴水率因子，20260203当日值取值0.53%[28] 11. 中证500股指期货年化贴水率因子，20260203当日值近一年分位点取值94%[28] 12. 中证1000股指期货年化贴水率因子，近一年中位数取值13.61%[28] 13. 中证1000股指期货年化贴水率因子，20260203当日值取值2.94%[28] 14. 中证1000股指期货年化贴水率因子，20260203当日值近一年分位点取值95%[28]

量化模型与构建方式 1. **模型名称**：封板率与连板率计算模型 **模型构建思路**：通过统计上市满3个月以上的股票在特定日期的涨停封板情况和连续涨停情况，来量化衡量市场的短期投机情绪和赚钱效应[17]。 **模型具体构建过程**： * **封板率**：统计在当日交易中，股价最高价曾达到涨停价，并且收盘价也维持在涨停价的股票数量。封板率即为该数量与当日所有最高价达到涨停价的股票总数之比[17]。 $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ * **连板率**：统计在当日收盘涨停的股票中，有多少只股票在前一日（昨日）收盘也是涨停的。连板率即为该数量与昨日所有收盘涨停的股票总数之比[17]。 $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ **模型评价**：这两个指标是衡量A股市场短线情绪和题材炒作持续性的常用观测指标，封板率高表明涨停板质量高、抛压小，连板率高表明市场接力意愿强、赚钱效应好[17]。 2. **模型名称**：大宗交易折价率计算模型 **模型构建思路**：通过计算大宗交易成交总额与按当日市价计算的对应份额总市值之间的差异，来反映大资金交易的折溢价水平，从而观察机构或大股东的买卖意愿和市场情绪[26]。 **模型具体构建过程**：首先获取当日所有大宗交易的成交总金额。然后，根据这些交易的成交份额和交易发生当日该证券的收盘价（或市价），计算这些份额对应的总市值。折价率即为成交总金额与总市值的比值减去1[26]。 $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ **模型评价**：大宗交易通常存在折价，折价率的高低可以反映大额股份转让的流动性折让程度，以及大资金对后市的看法。较高的折价可能意味着卖方出让意愿强烈或买方议价能力强[26]。 3. **模型名称**：股指期货年化贴水率计算模型 **构建思路**：通过计算股指期货主力合约价格与对应现货指数价格之间的基差，并将其年化，来标准化衡量期货合约的升贴水程度，用于评估市场预期、对冲成本及套利机会[28]。 **具体构建过程**：首先计算基差（期货价格 - 现货指数价格）。然后，将基差除以现货指数价格，得到相对基差。最后，用该相对基差乘以（250天 / 合约剩余交易日数），将其年化处理，得到年化贴水率（若结果为负，则为贴水；为正则为升水）[28]。 $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ **模型评价**：年化贴水率是量化对冲基金关注的核心指标之一，贴水率的高低直接影响股指期货空头持仓的对冲成本。贴水率收窄或转为升水，可能反映市场情绪转向乐观或现货需求强劲[28]。 量化因子与构建方式 1. **因子名称**：昨日涨停股今日收益因子 **因子构建思路**：通过计算前一交易日收盘涨停的股票在今日的平均收益率，来观察涨停股的次日溢价效应和短线资金接力情况[14]。 **因子具体构建过程**：筛选出上市满3个月以上，且在前一交易日（T-1日）收盘时股价涨停的股票。计算这些股票在今日（T日）的收盘收益率（(T日收盘价 / T日开盘价) - 1 或 (T日收盘价 / T-1日收盘价) - 1，报告中未明确，但通常为后者），并求其平均值[14]。 2. **因子名称**：昨日跌停股今日收益因子 **因子构建思路**：通过计算前一交易日收盘跌停的股票在今日的平均收益率，来观察极端抛压后的超跌反弹情况或继续下挫的动能[14]。 **因子具体构建过程**：筛选出上市满3个月以上，且在前一交易日（T-1日）收盘时股价跌停的股票。计算这些股票在今日（T日）的收盘收益率，并求其平均值[14]。 3. **因子名称**：两融交易活跃度因子 **因子构建思路**：通过计算融资融券交易额占市场总成交额的比例，来量化杠杆资金在市场中的参与程度和活跃度[22]。 **因子具体构建过程**：获取当日融资买入额与融券卖出额的总和，作为两融交易总额。获取当日全市场总成交额。计算两者比值[22]。 $$两融交易占比 = \frac{融资买入额 + 融券卖出额}{市场总成交额}$$ 4. **因子名称**：ETF折溢价因子 **因子构建思路**：通过计算ETF场内交易价格与其IOPV（基金份额参考净值）或场外净值之间的偏差，来捕捉短期市场情绪和套利机会[23]。 **因子具体构建过程**：对于日成交额超过100万元的境内股票型ETF，计算其当日收盘价与单位净值（或IOPV）的差值，再除以单位净值，得到折溢价率。溢价率为正，折价率为负[23]。 $$ETF折溢价率 = \frac{ETF收盘价 - 基金单位净值}{基金单位净值}$$ 5. **因子名称**：机构调研热度因子 **因子构建思路**：通过统计近期对上市公司进行调研的机构数量，来观察机构投资者对特定公司的关注度，通常被视为潜在的基本面信号[31]。 **因子具体构建过程**：统计近7个自然日内，对某家上市公司进行调研或参与其分析师会议的机构（如公募基金、券商、私募等）的总家数[31]。 6. **因子名称**：龙虎榜机构净流入因子 **因子构建思路**：通过汇总龙虎榜上“机构专用”席位对某只股票的净买入金额，来观察机构资金对当日异动个股的短期态度和动向[37]。 **因子具体构建过程**：对于当日登上龙虎榜的股票，汇总所有“机构专用”席位买入该股的总金额，减去所有“机构专用”席位卖出该股的总金额，得到机构净流入额[37]。 7. **因子名称**：龙虎榜陆股通净流入因子 **因子构建思路**：通过汇总龙虎榜上“陆股通”席位（北向资金）对某只股票的净买入金额，来观察外资对当日异动A股的短期交易行为[38]。 **因子具体构建过程**：对于当日登上龙虎榜的股票，汇总所有“陆股通”席位买入该股的总金额，减去所有“陆股通”席位卖出该股的总金额，得到陆股通净流入额[38]。 模型的回测效果 *注：本报告为市场日度监测报告，未提供模型的历史回测绩效指标（如年化收益率、最大回撤、夏普比率、信息比率IR等）。* 因子的回测效果 *注：本报告为市场日度监测报告，未提供因子的历史IC、IR、多空收益等量化回测绩效指标。报告仅提供了特定日期的因子截面数据或事件统计结果，例如：* 1. **昨日涨停股今日收益因子**，2026年02月03日，因子取值（平均收益）为 **4.35%**[14]。 2. **昨日跌停股今日收益因子**，2026年02月03日，因子取值（平均收益）为 **-1.26%**[14]。 3. **封板率模型**，2026年02月03日，模型输出（封板率）为 **78%**[17]。 4. **连板率模型**，2026年02月03日，模型输出（连板率）为 **36%**[17]。 5. **两融交易活跃度因子**，截至2026年02月02日，因子取值（占比）为 **9.3%**[22]。 6. **大宗交易折价率模型**，2026年02月02日，模型输出（折价率）为 **5.69%**；近半年平均值为 **6.93%**[26]。 7. **股指期货年化贴水率模型**，2026年02月03日，模型输出如下： * 上证50股指期货年化贴水率：**0.48%**，近一年中位数 **0.63%**，历史分位点 **52%**[28]。 * 沪深300股指期货年化贴水率：**1.41%**，近一年中位数 **3.79%**，历史分位点 **78%**[28]。 * 中证500股指期货年化贴水率：**0.53%**，近一年中位数 **11.15%**，历史分位点 **94%**[28]。 * 中证1000股指期货年化贴水率：**2.94%**，近一年中位数 **13.61%**，历史分位点 **95%**[28]。

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。*