量化模型与构建方式 1. **模型名称**：封板率模型[16] **模型构建思路**：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股票总数的比例，来衡量市场涨停板的封板质量或资金封板的坚决程度[16] **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[16] 2. 确定当日盘中最高价达到涨停价的股票集合[16] 3. 从该集合中，进一步筛选出当日收盘价也为涨停价的股票[16] 4. 计算封板率，公式为： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[16] 2. **模型名称**：连板率模型[16] **模型构建思路**：通过计算连续两日收盘涨停的股票数量占前一日收盘涨停股票总数的比例，来衡量市场涨停效应的持续性[16] **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[16] 2. 确定前一日（T-1日）收盘涨停的股票集合[16] 3. 从该集合中，筛选出当日（T日）收盘也涨停的股票[16] 4. 计算连板率，公式为： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[16] 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总额与按当日市价计算的成交份额总市值的比率，来反映大额交易相对于市场价格的折价或溢价水平，常用于观察大资金的交易情绪和偏好[26] **因子具体构建过程**： 1. 获取当日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. 计算大宗交易总成交金额（Sum_Amount）[26] 3. 对于每笔大宗交易，用其成交数量乘以该证券当日的收盘价（或成交均价），得到按市价计算的该笔交易市值，然后加总所有交易的按市价计算市值（Sum_MarketValue）[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] 其中，“当日成交份额的总市值”即步骤3中计算得到的Sum_MarketValue。当结果为负时表示折价交易，为正时表示溢价交易[26]。 4. **因子名称**：股指期货年化贴水率因子[28] **因子构建思路**：通过计算股指期货价格与现货指数价格之间的基差，并进行年化处理，来衡量股指期货相对于现货指数的升贴水程度，用于反映市场对未来预期、对冲成本及市场情绪[28] **因子具体构建过程**： 1. 选定标的指数（如上证50、沪深300等）及其对应的股指期货主力合约[28] 2. 获取该股指期货主力合约的结算价或收盘价（F）以及标的指数的收盘价（S）[28] 3. 计算基差（Basis）：Basis = F - S[28] 4. 获取该期货合约的剩余交易日数（T）[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] 其中，指数价格为S，250为一年的大致交易日数。计算结果为正表示年化升水，为负表示年化贴水[28]。 模型的回测效果 1. 封板率模型，20260202当日封板率61%[16] 2. 封板率模型，较前日下降4%[16] 3. 连板率模型，20260202当日连板率20%[16] 4. 连板率模型，较前日提升10%[16] 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6.93%[26] 2. 大宗交易折价率因子，20260130当日折价率6.41%[26] 3. 股指期货年化贴水率因子（上证50），近一年以来中位数为0.63%[28] 4. 股指期货年化贴水率因子（上证50），20260202当日年化升水率为0.32%[28] 5. 股指期货年化贴水率因子（上证50），当日处于近一年来72%分位点[28] 6. 股指期货年化贴水率因子（沪深300），近一年以来中位数为3.79%[28] 7. 股指期货年化贴水率因子（沪深300），20260202当日年化贴水率为5.54%[28] 8. 股指期货年化贴水率因子（沪深300），当日处于近一年来33%分位点[28] 9. 股指期货年化贴水率因子（中证500），近一年以来中位数为11.15%[28] 10. 股指期货年化贴水率因子（中证500），20260202当日年化贴水率为14.87%[28] 11. 股指期货年化贴水率因子（中证500），当日处于近一年来30%分位点[28] 12. 股指期货年化贴水率因子（中证1000），近一年以来中位数为13.61%[28] 13. 股指期货年化贴水率因子（中证1000），20260202当日年化贴水率为11.60%[28] 14. 股指期货年化贴水率因子（中证1000），当日处于近一年来65%分位点[28]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：市场情绪监测模型**[13][14][16] * **模型构建思路：** 通过统计市场中涨停、跌停股票的数量及其后续表现，以及股票的封板与连板情况，来量化评估市场的短期投机情绪和赚钱效应[13][14][16]。 * **模型具体构建过程：** * **日内涨跌停家数统计：** 统计上市满3个月以上的股票在交易日盘中和收盘时的涨停、跌停股票数量[13]。 * **昨日涨跌停股今日表现统计：** 统计上市满3个月以上且昨日收盘涨停或跌停的股票在今日的收盘收益率[14]。 * **封板率计算：** 计算最高价涨停且收盘涨停的股票数占最高价涨停的股票总数的比例[16]。 * $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[16] * **连板率计算：** 计算连续两日收盘涨停的股票数占昨日收盘涨停的股票总数的比例[16]。 * $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[16] 2. **模型名称：市场资金流向监测模型**[19][22][26][28] * **模型构建思路：** 通过分析融资融券余额及交易占比、大宗交易折溢价、股指期货升贴水等数据，从不同维度监测市场资金面的松紧、大资金动向以及衍生品市场对未来走势的预期[19][22][26][28]。 * **模型具体构建过程：** * **两融余额与交易占比计算：** 计算融资融券余额占A股总流通市值的比重，以及融资买入额与融券卖出额之和占市场总成交额的比例[22]。 * **大宗交易折价率计算：** 统计大宗交易的总成交金额与按当日收盘价计算的成交股份总市值的比率，用以衡量折价幅度[26]。 * $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[26] * **股指期货年化贴水率计算：** 计算股指期货主力合约价格与现货指数价格之间的基差，并将其年化，以衡量对冲成本或市场预期[28]。 * $$年化贴水率 = \frac{基差}{指数价格} \times \left( \frac{250}{合约剩余交易日数} \right)$$[28] * **机构与陆股通资金流向统计：** 从龙虎榜数据中提取“机构专用席位”和“陆股通”的净流入/流出金额，并排序得到净流入和净流出前十的股票名单[37][38]。 3. **模型名称：折溢价监测模型**[23][26][28] * **模型构建思路：** 通过跟踪ETF、大宗交易和股指期货的折溢价情况，从不同交易品种和市场的价格差异中捕捉市场情绪、资金偏好和套利机会的信号[23][26][28]。 * **模型具体构建过程：** * **ETF折溢价统计：** 筛选日成交额超过100万的境内股票型ETF，计算其场内交易价格与IOPV（基金份额参考净值）或场外净值之间的差异，并列出溢价和折价幅度最大的前十名ETF[23]。 * **大宗交易折价率计算：** 同模型2中的相关部分[26]。 * **股指期货年化贴水率计算：** 同模型2中的相关部分[28]。 模型的回测效果 1. **市场情绪监测模型**，2026年02月02日收盘涨停股票数44只[13]，收盘跌停股票数130只[13]，昨日涨停股票今日收盘收益率0.40%[14]，昨日跌停股票今日收盘收益率-7.34%[14]，封板率61%[16]，连板率20%[16] 2. **市场资金流向监测模型**，截至2026年01月30日两融余额27153亿元[19]，融资余额26987亿元[19]，融券余额166亿元[19]，两融余额占流通市值比重2.6%[22]，两融交易占市场成交额比重9.4%[22] 3. **折溢价监测模型**，2026年01月30日大宗交易折价率6.41%[26]，近半年平均折价率6.93%[26] 量化因子与构建方式 1. **因子名称：ETF折溢价因子**[23] * **因子构建思路：** 利用ETF场内交易价格与基金净值之间的差异构建因子，溢价可能反映市场乐观情绪或套利资金流入，折价则可能反映悲观情绪或套利资金流出[23]。 * **因子具体构建过程：** 对于每只符合条件的ETF，计算其当日收盘价与IOPV（或估算净值）的差值或比率，得到溢价率或折价率[23]。 2. **因子名称：大宗交易折价率因子**[26] * **因子构建思路：** 通过大宗交易成交价相对于市价的折价幅度构建因子，较高的折价率可能意味着大股东或机构减持意愿较强，或市场承接力不足[26]。 * **因子具体构建过程：** 对于发生大宗交易的股票，根据其大宗交易总成交金额和按当日收盘价计算的成交股份总市值，计算折价率[26]。 * $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[26] 3. **因子名称：股指期货年化贴水率因子**[28] * **因子构建思路：** 利用不同股指期货主力合约相对于其标的指数的年化贴水率构建因子，贴水率的高低反映了市场对未来的预期以及股指对冲的成本，常用于市场情绪和风格判断[28]。 * **因子具体构建过程：** 分别计算上证50、沪深300、中证500、中证1000股指期货主力合约的年化贴水率[28]。 * $$年化贴水率 = \frac{基差}{指数价格} \times \left( \frac{250}{合约剩余交易日数} \right)$$[28] 4. **因子名称：机构调研热度因子**[31] * **因子构建思路：** 统计近期对上市公司进行调研的机构数量，构建反映机构关注度的因子，通常较高的调研热度可能预示着机构对该公司的兴趣增加[31]。 * **因子具体构建过程：** 统计近7天内（或近一周）对每家上市公司进行调研或参加分析师会议的机构家数[31]。 5. **因子名称：龙虎榜机构资金净流入因子**[37] * **因子构建思路：** 基于龙虎榜中“机构专用席位”的买卖数据，构建反映机构资金当日净流入强度的因子，通常用于捕捉机构资金的短期动向[37]。 * **因子具体构建过程：** 对于登上龙虎榜的股票，计算其“机构专用席位”买入总金额与卖出总金额的差值，得到净流入金额[37]。 6. **因子名称：龙虎榜陆股通资金净流入因子**[38] * **因子构建思路：** 基于龙虎榜中“陆股通”的买卖数据，构建反映北向资金当日净流入强度的因子，用于观察外资的短期交易行为[38]。 * **因子具体构建过程：** 对于登上龙虎榜的股票，计算其“陆股通”买入总金额与卖出总金额的差值，得到净流入金额[38]。 因子的回测效果 1. **ETF折溢价因子**，2026年01月30日溢价最多ETF：G60创新ETF申万菱信（溢价1.97%）[23]，折价最多ETF：现金流500ETF（折价2.21%）[23] 2. **大宗交易折价率因子**，2026年01月30日当日折价率6.41%[26]，近半年平均折价率6.93%[26] 3. **股指期货年化贴水率因子**，近一年中位数：上证50为0.63%[28]，沪深300为3.79%[28]，中证500为11.15%[28]，中证1000为13.61%[28]；2026年02月02日值：上证50年化升水率0.32%[28]，沪深300年化贴水率5.54%[28]，中证500年化贴水率14.87%[28]，中证1000年化贴水率11.60%[28] 4. **机构调研热度因子**，近一周调研机构较多公司示例：英唐智控（196家）[31]，精智达[31]，九号公司-WD[31] 5. **龙虎榜机构资金净流入因子**，2026年02月02日机构净流入前十股票示例：通源石油、通光线缆、卫星化学等[37]；机构净流出前十股票示例：盛屯矿业、开普云、锡业股份等[37] 6. **龙虎榜陆股通资金净流入因子**，2026年02月02日陆股通净流入前十股票示例：锡业股份、盛屯矿业、卫星化学等[38]；陆股通净流出前十股票示例：湖南黄金、深科技、天龙集团等[38]

量化模型与因子总结 量化因子与构建方式 **注：** 本报告为因子跟踪月报，主要展示了大量因子的表现结果，但未详细阐述每个因子的具体构建公式和过程。以下根据报告内容，对提及的因子进行分类和总结。 1. 深度学习因子 1. **因子名称**：agru_dailyquote[4][55] * **因子方向**：正 * **构建思路**：基于日频行情数据，使用AGRU（可能为注意力门控循环单元）深度学习模型构建的Alpha因子。 2. **因子名称**：DL_1[4][55] * **因子方向**：正 * **构建思路**：使用深度学习模型构建的Alpha因子。 3. **因子名称**：fimage[4][55] * **因子方向**：正 * **构建思路**：基于图像数据的深度学习因子。 2. Level-2高频因子 (重点时段类) 1. **因子名称**：keyperiod_ret_zero[4][55] * **因子方向**：负 * **构建思路**：基于Level-2数据，在重点时段构建的收益率相关因子。 2. **因子名称**：keyperiod_ret_low5pct[55] * **因子方向**：正 * **构建思路**：基于Level-2数据，在重点时段构建的与低分位数收益率相关的因子。 3. **因子名称**：keyperiod_price_low5pct[55] * **因子方向**：正 * **构建思路**：基于Level-2数据，在重点时段构建的与低分位数价格相关的因子。 4. **因子名称**：keyperiod_amount_top30pct[55] * **因子方向**：正 * **构建思路**：基于Level-2数据，在重点时段构建的与高成交额分位数相关的因子。 5. **因子名称**：keyperiod_amount_low50pct[55] * **因子方向**：负 * **构建思路**：基于Level-2数据，在重点时段构建的与低成交额分位数相关的因子。 6. **因子名称**：keyperiod_sync_low50pct[55] * **因子方向**：正 * **构建思路**：基于Level-2数据，在重点时段构建的与低同步性分位数相关的因子。 3. Level-2高频因子 (大小单类) 1. **因子名称**：bigbuy[55] * **因子方向**：正 * **构建思路**：基于Level-2大单买入数据构建的因子。 2. **因子名称**：bigsell[55] * **因子方向**：正 * **构建思路**：基于Level-2大单卖出数据构建的因子。 3. **因子名称**：bigbuy_bigsell[55] * **因子方向**：正 * **构建思路**：结合大单买入和大单卖出数据构建的复合因子。 4. **因子名称**：bigbuy_bigsell_H1[55] * **因子方向**：正 * **构建思路**：在特定时段（如开盘后第一小时H1）计算的大单买卖复合因子。 5. **因子名称**：bigbuy_bigsell_H8[55] * **因子方向**：正 * **构建思路**：在特定时段（如收盘前最后一小时H8）计算的大单买卖复合因子。 6. **因子名称**：integrated_bigsmall[55] * **因子方向**：正 * **构建思路**：综合大小单信息构建的集成因子。 4. Level-2高频因子 (长短单类) 1. **因子名称**：longbuy[55] * **因子方向**：正 * **构建思路**：基于Level-2长单买入数据构建的因子。 2. **因子名称**：longsell[55] * **因子方向**：正 * **构建思路**：基于Level-2长单卖出数据构建的因子。 3. **因子名称**：longbuy_longsell[55] * **因子方向**：正 * **构建思路**：结合长单买入和长单卖出数据构建的复合因子。 4. **因子名称**：longbuy_shortsell[55] * **因子方向**：正 * **构建思路**：结合长单买入和短单卖出数据构建的复合因子。 5. **因子名称**：shortbuy_longsell[55] * **因子方向**：正 * **构建思路**：结合短单买入和长单卖出数据构建的复合因子。 6. **因子名称**：shortbuy_shortsell[55] * **因子方向**：负 * **构建思路**：结合短单买入和短单卖出数据构建的复合因子。 7. **因子名称**：integrated_longshort[55] * **因子方向**：正 * **构建思路**：综合长短单信息构建的集成因子。 5. Level-2高频因子 (大小长短单复合类) 1. **因子名称**：bigbuy_longbuy_bigsell_longsell[55] * **因子方向**：正 * **构建思路**：综合大单、长单的买入卖出信息构建的复合因子。 2. **因子名称**：bigbuy_longbuy_bigsell_shortsell[55] * **因子方向**：正 * **构建思路**：综合大单买入、长单买入、大单卖出、短单卖出信息构建的复合因子。 3. **因子名称**：bigbuy_shortbuy_bigsell_longsell[55] * **因子方向**：正 * **构建思路**：综合大单买入、短单买入、大单卖出、长单卖出信息构建的复合因子。 4. **因子名称**：bigbuy_shortbuy_bigsell_shortsell[55] * **因子方向**：正 * **构建思路**：综合大单、短单的买入卖出信息构建的复合因子。 5. **因子名称**：bigbuy_shortbuy_bigsell_shortsell_H1[55] * **因子方向**：正 * **构建思路**：在特定时段（如H1）计算的大小长短单复合因子。 6. **因子名称**：integrated_bigsmall_longshort[55] * **因子方向**：正 * **构建思路**：综合大小单和长短单信息构建的集成因子。 6. Level-2高频因子 (集合竞价类) 1. **因子名称**：transaction_order_ratio_oa1[55] * **因子方向**：负 * **构建思路**：基于开盘集合竞价阶段的成交与委托比例构建的因子。 2. **因子名称**：withdrew_order_ratio_oa1[55] * **因子方向**：负 * **构建思路**：基于开盘集合竞价阶段的撤单与委托比例构建的因子。 3. **因子名称**：transaction_order_ratio_oa2[55] * **因子方向**：负 * **构建思路**：基于收盘集合竞价阶段的成交与委托比例构建的因子。 4. **因子名称**：transaction_order_ratio_oa[55] * **因子方向**：负 * **构建思路**：综合集合竞价信息构建的成交委托比因子。 5. **因子名称**：selltransaction_sellorder_ratio_ca[55] * **因子方向**：负 * **构建思路**：基于集合竞价的卖出成交与卖出委托比例构建的因子。 7. Level-2高频因子 (市价单类) 1. **因子名称**：marketorder_ratio[55] * **因子方向**：负 * **构建思路**：市价单占比因子。 2. **因子名称**：marketbuyorder_limitbuyorder_ratio[55] * **因子方向**：负 * **构建思路**：市价买单与限价买单的比例因子。 3. **因子名称**：marketbuyorder_limitsellorder_ratio[55] * **因子方向**：负 * **构建思路**：市价买单与限价卖单的比例因子。 4. **因子名称**：marketsellorder_limitbuyorder_ratio[55] * **因子方向**：负 * **构建思路**：市价卖单与限价买单的比例因子。 5. **因子名称**：marketsellorder_limitsellorder_ratio[55] * **因子方向**：负 * **构建思路**：市价卖单与限价卖单的比例因子。 8. 分钟频因子 (日内价格相关) 1. **因子名称**：real_var[4][55] * **因子方向**：负 * **构建思路**：基于分钟频数据计算的日内已实现方差。 2. **因子名称**：real_skew[55] * **因子方向**：负 * **构建思路**：基于分钟频数据计算的日内已实现偏度。 3. **因子名称**：real_kurtosis[55] * **因子方向**：负 * **构建思路**：基于分钟频数据计算的日内已实现峰度。 4. **因子名称**：real_upvar[55] * **因子方向**：负 * **构建思路**：基于分钟频上涨阶段计算的已实现方差。 5. **因子名称**：real_downvar[55] * **因子方向**：负 * **构建思路**：基于分钟频下跌阶段计算的已实现方差。 6. **因子名称**：ratio_realupvar[55] * **因子方向**：负 * **构建思路**：上涨方差与总方差的比率。 7. **因子名称**：ratio_realdownvar[55] * **因子方向**：正 * **构建思路**：下跌方差与总方差的比率。 8. **因子名称**：trendratio[55] * **因子方向**：负 * **构建思路**：趋势比率因子。 9. **因子名称**：ret_intraday[55] * **因子方向**：负 * **构建思路**：日内收益率因子。 10. **因子名称**：intraday_maxdrawdown[55] * **因子方向**：正 * **构建思路**：日内最大回撤因子。 9. 分钟频因子 (成交量相关) 1. **因子名称**：ratio_volumeH1[55] * **因子方向**：负 * **构建思路**：特定时段（如H1）成交量与全天成交量的比率。 2. **因子名称**：ratio_volumeH2[55] * **因子方向**：正 * **构建思路**：特定时段（如H2）成交量与全天成交量的比率。 3. **因子名称**：ratio_volumeH3[55] * **因子方向**：正 * **构建思路**：特定时段（如H3）成交量与全天成交量的比率。 4. **因子名称**：ratio_volumeH4[55] * **因子方向**：正 * **构建思路**：特定时段（如H4）成交量与全天成交量的比率。 5. **因子名称**：ratio_volumeH5[55] * **因子方向**：正 * **构建思路**：特定时段（如H5）成交量与全天成交量的比率。 6. **因子名称**：ratio_volumeH6[55] * **因子方向**：正 * **构建思路**：特定时段（如H6）成交量与全天成交量的比率。 7. **因子名称**：ratio_volumeH7[55] * **因子方向**：正 * **构建思路**：特定时段（如H7）成交量与全天成交量的比率。 8. **因子名称**：ratio_volumeH8[55] * **因子方向**：负 * **构建思路**：特定时段（如H8）成交量与全天成交量的比率。 9. **因子名称**：corr_VP[55] * **因子方向**：负 * **构建思路**：成交量与价格的相关系数。 10. **因子名称**：corr_VR[55] * **因子方向**：负 * **构建思路**：成交量与收益率的相关系数。 11. **因子名称**：corr_VRlag[55] * **因子方向**：负 * **构建思路**：成交量与滞后收益率的相关系数。 12. **因子名称**：corr_VRlead[55] * **因子方向**：正 * **构建思路**：成交量与领先收益率的相关系数。 13. **因子名称**：Amihud_illiq[55] * **因子方向**：正 * **构建思路**：Amihud非流动性指标，衡量单位成交金额引起的价格冲击。 10. 分钟频因子 (盘前相关) 1. **因子名称**：ret_overnight[55] * **因子方向**：正 * **构建思路**：隔夜收益率因子。 2. **因子名称**：ret_open2AH1[55] * **因子方向**：正 * **构建思路**：开盘价至上午某高点（AH1）的收益率。 3. **因子名称**：ret_open2AL1[55] * **因子方向**：正 * **构建思路**：开盘价至上午某低点（AL1）的收益率。 4. **因子名称**：ret_open2AH2[55] * **因子方向**：正 * **构建思路**：开盘价至下午某高点（AH2）的收益率。 5. **因子名称**：ret_open2AL2[55] * **因子方向**：负 * **构建思路**：开盘价至下午某低点（AL2）的收益率。 6. **因子名称**：diverge_A1[55] * **因子方向**：负 * **构建思路**：盘前分歧度因子A1。 7. **因子名称**：diverge_A2[55] * **因子方向**：负 * **构建思路**：盘前分歧度因子A2。 11. 分钟频因子 (开盘后相关) 1. **因子名称**：ret_H1[55] * **因子方向**：负 * **构建思路**：开盘后第一小时（H1）收益率。 2. **因子名称**：ret_close2H1[55] * **因子方向**：负 * **构建思路**：收盘前某时段至收盘的收益率。 3. **因子名称**：corr_VPH1[55] * **因子方向**：负 * **构建思路**：开盘后第一小时（H1）成交量与价格的相关系数。 4. **因子名称**：corr_VRH1[55] * **因子方向**：正 * **构建思路**：开盘后第一小时（H1）成交量与收益率的相关系数。 5. **因子名称**：corr_VRleadH1[55] * **因子方向**：正 * **构建思路**：开盘后第一小时（H1）成交量与领先收益率的相关系数。 6. **因子名称**：corr_VRlagH1[55] * **因子方向**：负 * **构建思路**：开盘后第一小时（H1）成交量与滞后收益率的相关系数。 7. **因子名称**：real_varH1[55] * **因子方向**：负 * **构建思路**：开盘后第一小时（H1）的已实现方差。 8. **因子名称**：real_skewH1[55] * **因子方向**：负 * **构建思路**：开盘后第一小时（H1）的已实现偏度。 9. **因子名称**：real_kurtosisH1[55] * **因子方向**：正 * **构建思路**：开盘后第一小时（H1）的已实现峰度。 12. 分钟频因子 (收盘前相关) 1. **因子名称**：ret_H8[55] * **因子方向**：负 * **构建思路**：收盘前最后一小时（H8）收益率。 2. **因子名称**：corr_VPH8[55] * **因子方向**：负 * **构建思路**：收盘前最后一小时（H8）成交量与价格的相关系数。 3. **因子名称**：corr_VRH8[55] * **因子方向**：负 * **构建思路**：收盘前最后一小时（H8）成交量与收益率的相关系数。 4. **因子名称**：corr_VRleadH8[55] * **因子方向**：负 * **构建思路**：收盘前最后一小时（H8）成交量与领先收益率的相关系数。 5. **因子名称**：corr_VRlagH8[55] * **因子方向**：负 * **构建思路**：收盘

量化模型与构建方式 1. **模型名称：宏观指标趋势模型** [17] * **模型构建思路**：通过统计检验方法（T检验），判断单个宏观指标的趋势（上行或下行）是否对大类资产未来一个月的收益率有显著影响，并以此为基础构建打分模型[17]。 * **模型具体构建过程**： 1. 对于每个宏观指标，计算其不同周期的历史月度均线，并根据该均线判断指标在每个月处于“趋势上行”或“趋势下行”状态[17][18]。 2. 分别统计在宏观指标“趋势上行”和“趋势下行”两种情况下，对应大类资产未来1个自然月的月度收益率序列[17]。 3. 对上述两个收益率序列进行T检验，计算t值。t值越大，表明该宏观指标的趋势变化对该大类资产未来表现的影响越显著[17]。 4. 筛选出历史上t值显著（即影响显著）的宏观指标，用于后续月度打分[17]。 5. 每月末，根据筛选出的宏观指标的当前趋势方向（上行记+1分，下行记-1分）及其对资产的影响方向（正向或负向），计算每个大类资产的宏观视角总得分[31]。 * **T检验公式**： $$t={\frac{{\overline{{R_{1}}}}-{\overline{{R_{2}}}}}{\sqrt{\frac{(n_{1}-1){S_{1}}^{2}+(n_{2}-1){S_{2}}^{2}}{n_{1}+n_{2}-2}}({\frac{1}{n_{1}}}+{\frac{1}{n_{2}}})}}\sim t_{n_{1}+n_{2}-2}$$ 其中，$\overline{R_1}$、$\overline{R_2}$分别代表宏观指标在趋势上行和趋势下行的不同情况下，某个大类资产未来1个自然月的平均月度收益率；$S_1$、$S_2$代表对应情况下收益率的标准差；$n_1$、$n_2$分别代表宏观指标处于趋势上行或趋势下行的月份数量[17]。 2. **因子名称：技术视角-趋势因子** [22] * **因子构建思路**：基于大类资产价格（收盘价或LLT指标）计算历史平均涨跌幅，以此判断资产价格的趋势方向，并转化为打分信号[22]。 * **因子具体构建过程**：对于不同大类资产，采用不同的计算周期（如2个月、6个月等）计算其价格的平均月度涨跌幅[33]。具体为： 1. **权益资产**：使用“历史2个月LLT平均月度涨跌幅”与“历史(T-12至T-2)个月LLT平均月度涨跌幅”进行比较判断[33]。 2. **债券、黄金、工业品资产**：使用“历史N个月收盘价平均月度涨跌幅”与更长期的历史平均涨跌幅进行比较判断（N取2或6）[33]。 3. 若计算出的趋势指标为正，则认为趋势向上，记+1分；若为负，则认为趋势向下，记-1分[22]。 3. **因子名称：技术视角-估值因子** [23] * **因子构建思路**：计算股权风险溢价（ERP）及其历史分位数，以此衡量权益资产的估值水平，并根据分位数区间进行打分[23][25]。 * **因子具体构建过程**： 1. 计算股权风险溢价（ERP）：ERP = 中证800指数PE(TTM)的倒数 - 10年期国债到期收益率[23]。 2. 计算ERP的历史5年分位数：分位数 = (当前ERP值 - 历史5年ERP最低值) / (历史5年ERP最高值 - 历史5年ERP最低值)[23]。 3. 根据分位数所在区间赋予估值得分：高于90%为+2分，70%-90%为+1分，30%-70%为0分，10%-30%为-1分，低于10%为-2分[25]。 4. **因子名称：技术视角-资金流因子** [26] * **因子构建思路**：通过计算指数月度主动净流入额的边际变化，来衡量权益资产资金面的整体情况，并转化为打分信号[26]。 * **因子具体构建过程**： 1. 以日度频率计算个股的主动净流入额，并加总得到指数月度主动净流入额[26]。 2. 计算该月度主动净流入额数据的边际变化（报告未明确具体计算公式，通常为当期值与历史均值或前期值的比较）[26]。 3. 若资金流指标为正，则认为资金面边际改善及资金流入，记+1分；若为负，则认为资金面边际恶化及资金流出，记-1分[26]。 5. **模型名称：综合打分配置模型** [35] * **模型构建思路**：结合宏观视角和技术视角的月度打分结果，形成对各大类资产或权益风格的最终观点，并以此调整基准配置组合的权重，构建主动配置组合[35]。 * **模型具体构建过程**： 1. **观点生成**：对每个大类资产或权益风格，分别计算其宏观视角总得分（相关宏观指标得分之和）和技术视角总得分（趋势、估值、资金流等得分之和），两者相加得到最新总得分，根据总得分形成“看好”、“看空”或“看平”等观点[35][56]。 2. **组合构建**： * **设定基准组合**：为各大类资产或权益风格设定固定的基准配置权重[35][57]。 * **权重调整**：根据月度最新信号（观点），对看好的资产/风格在其基准权重上增加一个固定的“调整权重”，对看空的资产/风格则减少相应的“调整权重”，并相应调整货币资产或另一风格资产的配置比例以保持总权重为100%[35][36][57]。 * 报告展示了三种基准组合的增强版本： a. **固定比例+宏观/技术指标组合**：在固定权重基准组合（权益20%、债券60%、商品15%、货币5%）上，根据宏观或技术指标信号调整[36]。 b. **控制年化波动率6%+宏观指标+技术指标组合**：在控制组合年化波动率不超过6%的基准权重上，根据宏观和技术指标信号调整[46]。 c. **风险平价+宏观指标+技术指标组合**：在风险平价模型确定的基准权重上，根据宏观和技术指标信号调整[46]。 模型的回测效果 1. **固定比例+宏观指标+技术指标组合** [40][44] * 年化收益率：10.20%[40] * 最大回撤：9.27%[40] * 年化波动率：6.14%[40] * 2026年1月收益率：3.75%[36] 2. **控制年化波动率6%+宏观指标+技术指标组合** [50][51] * 年化收益率：10.46%[50] * 最大回撤：7.37%[50] * 年化波动率：5.54%[50] * 2026年1月收益率：5.60%[51] 3. **风险平价+宏观指标+技术指标组合** [50][51] * 年化收益率：8.29%[50] * 最大回撤：4.58%[50] * 年化波动率：3.39%[50] * 2026年1月收益率：2.01%[51] 4. **大小盘轮动组合** [61][62] * 年化收益率：14.30%[61] * 最大回撤：49.10%[61] * 年化波动率：22.30%[61] * 2026年1月收益率：8.47%，超额收益（相对基准）2.54%[62] 5. **成长价值轮动组合** [68] * 年化收益率：14.43%[68] * 最大回撤：45.18%[68] * 年化波动率：21.57%[68] * 2026年1月收益率：5.66%，超额收益（相对基准）1.51%[68]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：封板率[16]** * **因子构建思路：** 用于衡量市场涨停股票的封板质量，即那些盘中触及涨停的股票，最终能够维持涨停至收盘的比例[16]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票[16]。 2. 在每个交易日，统计满足以下两个条件的股票数量： * 条件A：当日最高价达到涨停价[16]。 * 条件B：当日收盘价达到涨停价[16]。 3. 封板率计算公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[16] 2. **因子名称：连板率[16]** * **因子构建思路：** 用于衡量市场涨停效应的持续性，即前一日涨停的股票，在下一交易日继续涨停的比例[16]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票[16]。 2. 在每个交易日，统计满足以下两个条件的股票数量： * 条件A：该股票在昨日（T-1日）收盘涨停[16]。 * 条件B：该股票在今日（T日）收盘涨停[16]。 3. 连板率计算公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[16] 3. **因子名称：大宗交易折价率[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，来反映大资金的投资偏好和市场情绪[26]。 * **因子具体构建过程：** 1. 获取当日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份额[26]。 2. 计算当日大宗交易的总成交金额[26]。 3. 计算当日大宗交易成交份额按当日市价计算的总市值[26]。 4. 折价率计算公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[26] 4. **因子名称：股指期货年化贴水率[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，来反映市场对未来走势的预期和对冲成本[28]。 * **因子具体构建过程：** 1. 选定标的指数（如上证50、沪深300等）及其对应的股指期货主力合约[28]。 2. 计算基差：基差 = 股指期货价格 - 现货指数价格[28]。 3. 年化贴水率计算公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[28] 4. 当计算结果为正时，表示年化升水；为负时，表示年化贴水[28]。 因子与模型的效果指标取值 1. **封板率因子**，20260202当日取值：61%[16] 2. **连板率因子**，20260202当日取值：20%[16] 3. **大宗交易折价率因子**，20260130当日取值：6.41%[26]；近半年以来平均取值：6.93%[26] 4. **股指期货年化贴水率因子** * **上证50股指期货**，20260202当日取值：年化升水率0.32%[28]；近一年中位数：年化贴水率0.63%[28] * **沪深300股指期货**，20260202当日取值：年化贴水率5.54%[28]；近一年中位数：年化贴水率3.79%[28] * **中证500股指期货**，20260202当日取值：年化贴水率14.87%[28]；近一年中位数：年化贴水率11.15%[28] * **中证1000股指期货**，20260202当日取值：年化贴水率11.60%[28]；近一年中位数：年化贴水率13.61%[28]

量化模型与构建方式 **注：** 本报告为ESG市场观察周报，主要内容为政策、市场动态与舆情追踪，**未涉及**具体的量化选股模型或多因子模型的构建、测试与评价。报告中对市场板块的分类和资金流向分析，可视为一种用于市场观察的**分类框架**，而非用于产生超额收益的量化因子或模型。 1. **分类框架名称：绿色转型板块分类框架**[31] * **构建思路：** 为了便于追踪不同行业在碳中和进程中的资金流向，根据各行业在碳减排链条中的功能定位，将与绿色或转型相关的行业划分为三个类别。[31] * **具体构建过程：** 该分类基于行业功能定位进行划分，并非严格的环境绩效评价。具体分类标准如下：[31][33] 1. **低碳核心板块：** 涵盖直接贡献碳减排的行业，是新能源发电、绿色出行及减污降碳的核心环节。包括电力设备、环保，以及公用事业和汽车行业的部分领域。[33] 2. **低碳支撑板块：** 涵盖为产业绿色转型提供数字化、自动化和智能化支撑的行业，是提升社会整体能效与资源利用效率的关键赋能方。包括计算机、通信、电子及机械设备的部分领域。[33] 3. **转型主体板块：** 涵盖能源消耗强度高、排放基数大的重点减排领域，也是转型金融政策优先关注的对象。包括火电、煤炭、钢铁、有色金属、化工等多个领域。[33] 模型的回测效果 **注：** 报告未提供任何量化模型的回测效果数据。 量化因子与构建方式 **注：** 报告未涉及用于选股或定价的量化因子的构建与测试。 因子的回测效果 **注：** 报告未提供任何量化因子的回测效果数据。

量化模型与因子总结 根据提供的研报内容，这是一份关于公募基金业绩比较基准要素库的政策点评报告，并非传统的量化策略或因子研究。报告的核心是分析新发布的基准要素库对市场的影响，并未涉及具体的量化模型、因子构建、回测或效果评价。 因此，报告中**没有**涉及以下内容： 1. 量化模型的名称、构建思路、具体过程或评价。 2. 量化因子的名称、构建思路、具体过程或评价。 3. 模型或因子在历史数据上的回测效果（如年化收益率、夏普比率、信息比率IR、最大回撤等指标）。 报告的主要内容聚焦于： * **事件描述**：基金业协会发布了公募基金业绩比较基准要素库（一类库、二类库）及运作说明[2][5][12]。 * **入库标准分析**：详细阐述了一类库和二类库的入库条件，例如对指数成份证券数量、权重集中度、市值规模、使用率等的要求[13][14][16]。 * **市场覆盖分析**：统计并分析了当前主动权益基金、被动及增强基金对基准要素库的覆盖情况，指出一类库覆盖了约89.27%的主动权益基金，而二类库覆盖约10.21%[8][24][26]。 * **结论与展望**：认为一类库覆盖度高，可能不会引发大量基准调整；随着规范化推进，二类库覆盖度有望提升；被动及增强基金可能加大对覆盖薄弱基准指数的配置[8][25]。 **总结**：本研报属于政策解读与市场数据分析范畴，不包含可总结的量化模型或因子。

量化模型与构建方式 本报告为基金投顾产品月度业绩统计与调仓行为解析，未涉及具体的量化模型或量化因子的构建与测试[1][6][8]。报告内容主要集中于对现有基金投顾产品的分类、业绩回顾及持仓变动的描述性分析[2][3][11][12]。 量化因子与构建方式 本报告未涉及具体的量化因子构建。 模型的回测效果 本报告未涉及量化模型的回测效果测试。 因子的回测效果 本报告未涉及量化因子的回测效果测试。

量化模型与构建方式 1. **模型名称：DecompGRU深度学习选股模型**[8] * **模型构建思路**：基于趋势分解的时序+截面端到端深度学习模型，用于预测股票未来收益，并据此构建选股组合[8]。 * **模型具体构建过程**：模型架构基于《AI+HI系列（7）：DecompGRU：基于趋势分解的时序+截面端到端模型》报告[8]。具体构建过程未在本文中详细描述，但应用方式为：使用该模型对股票进行集成打分，每周根据得分最高的股票构建组合[8]。 2. **模型名称：宽基热度动量轮动策略**[21] * **模型构建思路**：利用不同宽基指数（及“其他”组）周度热度变化率的短期动量进行轮动，买入热度上升最快的宽基指数[21]。 * **模型具体构建过程**： 1. 将全A股票按沪深300、中证500、中证1000、中证2000及“其他”分组[16]。 2. 计算每组股票周度的“总热度”指标：对组内所有个股的“总热度”指标（定义见下文情绪因子）进行求和[16]。 3. 计算每组热度指标的周度变化率，并取2周移动平均（MA2）进行平滑[19]。 4. 在每周最后一个交易日，买入总热度变化率MA2最大的宽基组对应的指数（或等权组合），若变化率最大的为“其他”组则空仓[21]。 3. **模型名称：高热度概念+低热度个股选股模型**[39][41] * **模型构建思路**：在每周热度上升最快的概念板块中，选取该概念内市场关注度（热度）最低的个股，利用市场对热门板块内低关注度个股的反应不足或延迟来获取超额收益[38][41]。 * **模型具体构建过程**： 1. 在每周最后一个交易日，选出本周热度变化率最大的5个概念[41]。 2. 将这5个概念对应的所有成分股作为选股股票池，并排除股票池中流通市值最小的20%股票[41]。 3. 从每个热门概念中，选出其成分股中“总热度”指标排名最后的10只个股[41]。 4. 等权持有上述筛选出的所有个股，构建“BOTTOM”组合[41]。 模型的回测效果 1. **DecompGRU深度学习选股模型（多头TOP200组合）**[10] * 样本外累计绝对收益：74.91%[10] * 相对全指等权超额收益：38.96%[10] * 最大回撤：10.08%[10] * 绝对收益周度胜率：68.18%[10] * 绝对收益月度胜率：100%[10] * 2026年1月绝对收益：8.99%[10] * 2026年1月超额收益：0.98%[10] 2. **DecompGRU深度学习选股模型（ETF轮动组合）**[13][14] * 样本外累计绝对收益：40.08%[13] * 相对万得主题ETF指数超额收益：5.93%[13] * 最大回撤：7.82%[13] * 绝对收益周度胜率：64.44%[13] * 绝对收益月度胜率：70.00%[13] * 2026年1月绝对收益：10.98%[14] * 2026年1月超额收益：3.37%[14] 3. **宽基热度动量轮动策略**[24] * 2017年以来年化收益率：8.74%[24] * 最大回撤：23.5%[24] * 2026年累计收益：6.6%[24] 4. **高热度概念+低热度个股选股模型（BOTTOM组合）**[42] * 历史年化收益：15.71%[42] * 最大回撤：28.89%[42] * 2026年以来累计收益：3.7%[42] 量化因子与构建方式 1. **因子名称：个股总热度**[15] * **因子构建思路**：利用同花顺用户行为数据（浏览、自选、点击），构建反映市场对个股关注度的情绪代理指标[15]。 * **因子具体构建过程**： 1. 获取个股每日的浏览、自选与点击次数[15]。 2. 将这三项数据求和[15]。 3. 将该和值除以当日全市场所有股票的该项和值总和，进行归一化[15]。 4. 将归一化后的数值乘以10000，使得因子取值区间落在[0, 10000][15]。 * **公式**： $$个股总热度_{i,t} = \frac{(浏览_{i,t} + 自选_{i,t} + 点击_{i,t})}{\sum_{j=1}^{N}(浏览_{j,t} + 自选_{j,t} + 点击_{j,t})} \times 10000$$ 其中，$i$ 代表个股，$t$ 代表交易日，$N$ 代表全市场股票总数[15]。 2. **因子名称：宽基/行业/概念总热度**[16] * **因子构建思路**：将个股层面的总热度因子向上聚合，得到宽基指数、行业或概念板块层面的整体市场情绪热度指标[15][16]。 * **因子具体构建过程**：对于特定的股票集合$G$（例如某个宽基指数的所有成分股、某个申万行业的所有股票、或某个概念的所有成分股），将其包含的所有个股在$t$日的“个股总热度”值进行求和[16]。 * **公式**： $$集合G的总热度_{t} = \sum_{i \in G} 个股总热度_{i,t}$$ [16] 3. **因子名称：热度变化率（MA2）**[19][28] * **因子构建思路**：计算宽基、行业或概念“总热度”指标的周度环比变化，并平滑处理，以捕捉市场关注度的边际变化趋势[19][28]。 * **因子具体构建过程**： 1. 计算集合$G$在第$w$周的“总热度”值（通常为周五的数值或周均值）[19]。 2. 计算周度热度变化率：$(本周总热度 - 上周总热度) / 上周总热度$[19]。 3. 对计算出的周度变化率序列取2周移动平均（MA2），得到平滑后的热度变化率因子[19][28]。 因子的回测效果 *(注：本报告未提供单个因子的独立分层测试结果，如多空组合收益、IC值、IR等。所有因子效果均通过上述构建的具体策略模型来体现。)*

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：双低策略转债指数[29] * **模型构建思路**：基于可转债的“价格”和“转股溢价率”两个核心估值指标，构建一个综合评分（即“双低值”）较低的转债组合，以捕捉兼具债底保护与股性弹性的投资机会[29]。 * **模型具体构建过程**：该模型通过构建“万得可转债双低指数”来体现。其核心是计算每只可转债的“双低值”，该值通常为转债价格与转股溢价率之和。模型选取市场上“双低值”排名靠前的可转债构成指数成分，并定期调整。其中，转股溢价率的计算公式为： $$转股溢价率 = \frac{可转债收盘价 - 转股价值}{转股价值}$$ 而转股价值的计算公式为： $$转股价值 = \frac{100}{转股价格} \times 正股收盘价$$ 因此，双低值（Score）可表示为： $$Score = P_{cb} + \frac{P_{cb} - \frac{100}{P_{conv}} \times P_{stock}}{\frac{100}{P_{conv}} \times P_{stock}}$$ 其中，$P_{cb}$代表可转债收盘价，$P_{conv}$代表转股价格，$P_{stock}$代表正股收盘价[19]。 2. **模型名称**：高价低溢价率策略转债指数[29] * **模型构建思路**：专注于筛选价格较高但转股溢价率较低的可转债，这类转债股性较强，与正股股价联动更紧密，旨在捕捉正股上涨带来的弹性收益[29]。 * **模型具体构建过程**：该模型通过构建“万得可转债高价低溢价率指数”来体现。其构建逻辑是，在价格较高的可转债池中（例如价格大于某一阈值），进一步筛选出转股溢价率最低的一批个券组成指数。这本质上是一个在约束条件下的排序筛选模型，先以价格为条件划定范围，再以转股溢价率为指标进行优选[29]。 量化因子与构建方式 1. **因子名称**：转股溢价率[19] * **因子构建思路**：衡量可转债价格相对于其转换为股票后的价值（转股价值）的溢价程度，是评估可转债估值高低和股性强弱的核心指标[19]。 * **因子具体构建过程**：对于单只可转债，在特定时点（如日度），使用收盘价数据计算其转股溢价率。计算公式为： $$转股溢价率 = \frac{可转债收盘价 - 转股价值}{转股价值}$$ 其中，转股价值 = (100 / 转股价格) × 正股收盘价[19]。 * **因子评价**：该因子是连接可转债与正股的关键桥梁。较低的转股溢价率通常意味着转债的股性更强，价格随正股波动更敏感；较高的转股溢价率则意味着债性更强，但股性弹性不足[19]。 2. **因子名称**：转债价格[35] * **因子构建思路**：可转债的市场交易价格，是反映其绝对价位和债底保护程度的基础因子[35]。 * **因子具体构建过程**：直接采用可转债在二级市场的收盘价[35]。 * **因子评价**：价格是划分可转债属性（债性、平衡性、股性）的基础。通常，价格越低，债底保护越强，下跌空间相对有限；价格越高，则股性越强，波动更大[35]。 3. **因子名称**：信用评级[22] * **因子构建思路**：根据发行主体的信用状况，由评级机构给出的信用等级，用于评估可转债的违约风险[22]。 * **因子具体构建过程**：采用第三方评级机构（如中诚信、联合资信等）对可转债或其发行主体给出的最新公开信用评级，如AAA、AA+、AA、AA-及以下等[22]。 * **因子评价**：信用评级是衡量可转债信用风险和债底稳定性的重要因子。高评级转债信用风险低，但票息和弹性可能较低；低评级转债则相反，信用风险较高，但可能提供更高的风险补偿[22]。 4. **因子名称**：转债规模[27] * **因子构建思路**：以可转债的发行规模或剩余规模作为因子，用于区分大盘、中盘、小盘转债，规模可能影响其流动性和市场表现特征[27]。 * **因子具体构建过程**：通常采用可转债的当前剩余规模（即未转股的余额）作为规模因子的取值。研报中引用的“万得可转债大盘/中盘/小盘指数”即是按此规模分类构建的[27]。 模型的回测效果 （注：研报中未提供具体模型的量化回测指标数值，如年化收益率、夏普比率、最大回撤等。仅展示了不同策略指数近一年的累计涨跌幅走势图[29]） 因子的回测效果 （注：研报中未提供单因子的IC、IR、多空收益等量化回测指标数值。仅展示了按不同因子（信用评级[22]、价格[25]、规模[27]）分类的指数近一年的累计涨跌幅走势图，用于定性观察不同因子分组的历史表现差异。）