量化模型与构建方式 1. 指数复制模型 1.1 模型名称：完全复制 - **模型构建思路**：采用完全复制法，根据中证转债指数每月公布的权重数据进行持仓调整，力求最小化跟踪误差，体现纯被动管理的理想效果[14]。 - **模型具体构建过程**： 1. 根据中证转债指数每月公布的成分券及其权重进行持仓配置。 2. 对发布赎回公告的债券，参考指数编制方法，自赎回公告日后第五个交易日将该券剔除出成分券，并将其权重按比例分配至剩余持仓债券中[14]。 1.2 模型名称：权重抽样 - **模型构建思路**：针对完全复制持仓数量多、管理成本大的问题，利用指数权重“二八分化”的特点，抽取权重最大的一定比例转债来构建组合，以简化持仓[19]。 - **模型具体构建过程**： 1. 设定抽样比例 `r`（例如25%）[19]。 2. 从指数成分券中，抽取权重最大的前 `r` 比例的转债。 3. 将剩余未入选转债的权重，按比例分配至已抽取的转债中，形成最终组合权重[19]。 1.3 模型名称：分层权重抽样 - **模型构建思路**：考虑到不同转债股性与债性差异较大，先按平底溢价率将转债分类，再在每一类中应用权重抽样，以保持组合与指数的风格一致性[21]。 - **模型具体构建过程**： 1. **分类**：将转债按平底溢价率分为三类：偏股型（平底溢价率 > 20%）、平衡型（-20% ≤ 平底溢价率 ≤ 20%）、偏债型（平底溢价率 < -20%）[21]。 2. **层内抽样**：在每一类转债中，分别应用权重抽样方案（如抽取权重最大的前 `r` 比例转债，并重新分配权重）[22]。 3. **组合**：将三类转债的抽样组合，按照各类别在基准指数中的原始权重比例进行合并，得到最终组合[22]。 1.4 模型名称：分层权重抽样+层内等权 - **模型构建思路**：在分层权重抽样的基础上进行关键改进，通过层内等权配置来捕捉中小型转债的收益增强机会，实现收益与跟踪精度的更好平衡[4][25]。 - **模型具体构建过程**： 1. **分类**：与分层权重抽样相同，将转债按平底溢价率分为偏股型、平衡型、偏债型三类[25]。 2. **层内等权抽样**：在每一类别中，选取权重最大的前 `r` 比例（如25%）的转债，对这些入选的转债进行等权配置[25]。 3. **层间权重控制**：保持最终组合中，三类转债的总权重与它们在基准指数中的总权重一致[25]。 2. 指数增强模型 2.1 模型名称：全域增强 - **模型构建思路**：在全市场范围内，使用多个有效因子合成统一的alpha信号，并通过线性规划框架在控制跟踪误差和偏离度的约束下进行权重优化，以获取超额收益[29][35]。 - **模型具体构建过程**： 1. **因子处理**：每期对三个因子（转股溢价率偏离度、理论价值偏离度、当期收益率）在有效样本内进行标准化处理，并根据因子方向（预期与收益的关系）合成为一个alpha因子[35]。 2. **优化求解**：使用线性规划框架求解最优权重，具体约束条件如下[35][38]： - 优化目标：最大化组合对alpha因子的暴露。 - 个券权重偏离约束：上限1%。 - 行业权重偏离约束：上限3%。 - 跟踪误差约束：上限3%。 - 个券权重和约束：权重和为1。 2.2 模型名称：分层增强 - **模型构建思路**：针对不同类型转债的收益驱动因素差异，实施差异化的因子配置和分层优化，以进一步提升增强效果[5][41]。 - **模型具体构建过程**： 1. **分类与因子配置**：将转债按平底溢价率分为偏股型、平衡型、偏债型三类，并为每类转债选择不同的有效因子进行优化[41][42]： - 偏股型转债：使用转股溢价率偏离度、理论价值偏离度。 - 平衡型转债：使用转股溢价率偏离度、理论价值偏离度。 - 偏债型转债：使用当期收益率、理论价值偏离度。 2. **分层优化**：对每一类转债，使用与全域增强相同的线性规划框架（但约束条件更宽松）进行独立的权重优化[41][46]。 - 优化目标：最大化该类组合对所选因子的暴露。 - 个券权重偏离约束：上限3%。 - 行业权重偏离约束：上限5%。 - 跟踪误差约束：上限5%。 - 个券权重和约束：权重和等于该类转债在基准指数中的总权重。 3. **组合合并**：将三类转债的优化权重结果合并，得到最终的总组合权重[41]。 3. 量化因子与构建方式 3.1 因子名称：转股溢价率偏离度 - **因子构建思路**：衡量单个转债的转股溢价率相对于其转股价值（平价）所对应的合理溢价率水平的偏离程度，以识别估值偏高或偏低的个券[30][59]。 - **因子具体构建过程**： 1. 在每个截面时点，使用全市场可转债数据，以转股价值 (`x`) 为自变量，转股溢价率 (`y`) 为因变量，进行如下非线性回归拟合[59][61]： $$y_{i}=\alpha_{0}+\,\alpha_{1}\cdot\,{\frac{1}{x_{i}}}+\epsilon_{i}$$ 其中，`y_i` 为第 `i` 只转债的转股溢价率，`x_i` 为第 `i` 只转债的转股价值。 2. 根据拟合出的公式，计算每只转债的“拟合转股溢价率”。 3. 因子值为该转债的实际转股溢价率减去拟合转股溢价率[30]。 3.2 因子名称：理论价值偏离度（蒙特卡洛模型） - **因子构建思路**：通过蒙特卡洛模拟，充分考虑转债的转股、赎回、下修、回售等复杂条款，计算其理论价值，并用市场价格与理论价值的比值偏离度来衡量价格预期差[30][62]。 - **因子具体构建过程**： 1. **模型设定**：设定模型参数，包括正股价格、波动率、无风险利率、股息率、转股价、债券条款（赎回、回售、下修）及剩余期限等[63]。 2. **模拟路径**：假设股票价格遵循几何布朗运动，利用随机数生成器，模拟从当前时至转债到期日的数千至数百万条股票价格路径[63]。 3. **路径评估**：对每条模拟路径，在每个时间点检查是否触发各类条款，并判断最优行为（如是否转股、是否接受回售/赎回），计算该路径下转债的最终价值[63]。 4. **计算理论价值**：对所有模拟路径的最终价值取平均，得到预期到期价值，再按无风险利率贴现回当前，得到转债的理论价格[63]。 5. **计算因子**：因子值为 `(转债收盘价 / 理论价值) - 1`[30]。 3.3 因子名称：当期收益率 - **因子构建思路**：衡量转债作为债券的当期利息收益，属于债性因子[30]。 - **因子具体构建过程**：因子值为 `转债当期票息 / 转债收盘价`[30]。 模型的回测效果 （测试区间：20191231~20260130，基准：中证转债指数） 1. **完全复制模型**，年化超额收益-0.81%，年化跟踪误差0.89%，平均持仓数量406只[14][50]。 2. **权重抽样模型**，年化超额收益-2.95%，年化跟踪误差2.35%，平均持仓数量102只[19][50]。 3. **分层权重抽样模型**，年化超额收益-2.53%，年化跟踪误差2.14%，平均持仓数量102只[22][50]。 4. **分层权重抽样+层内等权模型**，年化超额收益-0.08%，年化跟踪误差2.44%，平均持仓数量102只[25][50]。 5. **全域增强模型**，年化超额收益1.61%，年化跟踪误差3.78%，平均持仓数量72只[35][50]。 6. **分层增强模型**，年化超额收益4.31%，年化跟踪误差3.62%，平均持仓数量76只[42][50]。 因子的回测效果 （RankIC测试区间：20191231~20241231） 1. **转股溢价率偏离度因子**，全域RankIC -9.03%，偏股型RankIC -9.68%，平衡型RankIC -11.71%，偏债型RankIC -6.65%[34]。 2. **理论价值偏离度因子**，全域RankIC -10.78%，偏股型RankIC -9.99%，平衡型RankIC -10.81%，偏债型RankIC -8.66%[34]。 3. **当期收益率因子**，全域RankIC 7.53%，偏股型RankIC 4.31%，平衡型RankIC 5.26%，偏债型RankIC 9.46%[34]。

量化模型与构建方式 1. **模型名称**：封板率计算模型[17] **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意愿的强弱[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. 识别在当日盘中最高价达到涨停价的股票集合[17]。 3. 在上述集合中，进一步识别收盘价仍为涨停价的股票[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**：连板率计算模型[17] **模型构建思路**：通过计算连续两日收盘涨停的股票数量占昨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或题材炒作的接力情绪[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. 识别在昨日收盘涨停的股票集合[17]。 3. 在上述集合中，进一步识别今日收盘也涨停的股票[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. **模型名称**：大宗交易折价率计算模型[27] **模型构建思路**：通过比较大宗交易成交总额与按当日市价计算的成交份额总市值，计算折价率，以反映大资金交易的折扣水平或卖出意愿的强弱[27]。 **模型具体构建过程**： 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[27]。 2. 计算大宗交易总成交金额（∑(每笔成交金额)）[27]。 3. 计算当日成交份额按市价计算的总市值（∑(每笔成交份额 × 该股票当日收盘价)）[27]。 4. 计算折价率，公式为： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[27] 4. **模型名称**：股指期货年化升贴水率计算模型[29] **模型构建思路**：通过计算股指期货价格与现货指数价格的基差，并将其年化，以衡量股指期货相对于现货的溢价或折价程度，反映市场情绪和对冲成本[29]。 **模型具体构建过程**： 1. 选定特定股指期货的主力合约（如上证50、沪深300、中证500、中证1000）[29]。 2. 获取该主力合约的当日结算价或收盘价，以及对应现货指数的当日收盘价[29]。 3. 计算基差：基差 = 期货价格 - 现货指数价格[29]。 4. 计算年化升贴水率，公式为： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[29] 其中，公式计算结果为正表示升水，为负表示贴水[29]。 模型的回测效果 1. 封板率计算模型，20260211当日封板率取值为75%[17] 2. 封板率计算模型，20260211当日封板率较前日变化为下降5%[17] 3. 连板率计算模型，20260211当日连板率取值为23%[17] 4. 连板率计算模型，20260211当日连板率较前日变化为下降2%[17] 5. 大宗交易折价率计算模型，近半年以来平均折价率取值为6.93%[27] 6. 大宗交易折价率计算模型，20260210当日折价率取值为9.06%[27] 7. 股指期货年化升贴水率计算模型（上证50），近一年年化贴水率中位数取值为0.63%[29] 8. 股指期货年化升贴水率计算模型（上证50），20260211当日年化升水率取值为1.13%[29] 9. 股指期货年化升贴水率计算模型（上证50），20260211当日升水率所处近一年分位点为87%[29] 10. 股指期货年化升贴水率计算模型（沪深300），近一年年化贴水率中位数取值为3.79%[29] 11. 股指期货年化升贴水率计算模型（沪深300），20260211当日年化升水率取值为0.25%[29] 12. 股指期货年化升贴水率计算模型（沪深300），20260211当日升水率所处近一年分位点为91%[29] 13. 股指期货年化升贴水率计算模型（中证500），近一年年化贴水率中位数取值为11.15%[29] 14. 股指期货年化升贴水率计算模型（中证500），20260211当日年化升水率取值为1.51%[29] 15. 股指期货年化升贴水率计算模型（中证500），20260211当日升水率所处近一年分位点为96%[29] 16. 股指期货年化升贴水率计算模型（中证1000），近一年年化贴水率中位数取值为13.61%[29] 17. 股指期货年化升贴水率计算模型（中证1000），20260211当日年化升水率取值为0.21%[29] 18. 股指期货年化升贴水率计算模型（中证1000），20260211当日升水率所处近一年分位点为98%[29] 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[14] **因子构建思路**：计算昨日收盘涨停的股票在今日的平均收益，用于观察涨停股的次日溢价或回调效应[14]。 **因子具体构建过程**： 1. 筛选上市满3个月以上且昨日收盘涨停的股票[14]。 2. 计算这些股票今日的收盘收益（(今日收盘价/昨日收盘价)-1）[14]。 3. 对所有符合条件的股票收益进行等权平均，得到因子的日度取值[14]。 2. **因子名称**：昨日跌停股今日收益因子[14] **因子构建思路**：计算昨日收盘跌停的股票在今日的平均收益，用于观察跌停股的次日反弹或继续下跌效应[14]。 **因子具体构建过程**： 1. 筛选上市满3个月以上且昨日收盘跌停的股票[14]。 2. 计算这些股票今日的收盘收益（(今日收盘价/昨日收盘价)-1）[14]。 3. 对所有符合条件的股票收益进行等权平均，得到因子的日度取值[14]。 因子的回测效果 1. 昨日涨停股今日收益因子，20260211当日因子取值为0.12%[14] 2. 昨日跌停股今日收益因子，20260211当日因子取值为-1.39%[14]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：股权激励事件驱动选股模型**[1][3][4] * **模型构建思路**：基于上市公司发布股权激励草案这一事件，认为其传递了管理层对公司长期发展的信心，对股价有正向定价效应。通过筛选事件股票池，并利用激励方案中的关键特征（如激励规模、高管占比）进行优选，构建投资组合[3][14][117]。 * **模型具体构建过程**： 1. **股票池构建**：每月末，选取过去60个自然日内发布过股权激励草案的股票。同时，根据股权激励终止实施表，剔除在月末已知停止实施的股票，形成当期股权激励股票池[119]。 2. **指标计算与合成**：每月末，计算股票池内每只股票的两个指标： * **激励规模**：授予股份数占总股本的比例，作为正向指标[87][119]。 * **高管持股占比**：董事、监事及高级管理人员获授股数之和占激励计划总授予股数的比例，作为负向指标[63][86][119]。 3. 对上述两个指标在横截面上分别进行排序并做z-score标准化，然后等权合成得到每只股票的综合得分[119]。 4. **组合构建**：根据综合得分，优选排名前15的股票进行等权配置[119]。 5. **调仓与费用**：每月末调仓，手续费设置为双边千分之三[119]。 2. **模型名称：员工持股计划事件驱动选股模型**[1][3][4] * **模型构建思路**：基于上市公司发布员工持股计划草案这一事件，认为其体现了内部员工（尤其是非高管员工）对公司未来价值的认可和信心绑定。通过筛选事件股票池，并利用计划规模进行优选，构建投资组合[3][14][124]。 * **模型具体构建过程**： 1. **股票池构建**：每月末，选取过去60个自然日内发布过员工持股计划草案的股票。同时，根据员工持股计划终止实施表，剔除在月末已知停止实施的股票，形成当期员工持股计划股票池[124]。 2. **指标计算**：每月末，计算股票池内每只股票的**员工持股计划规模占比**，即员工持股计划涉及的股份数占公司总股本的比例，作为正向选股指标[89][124]。 3. **组合构建**：根据员工持股计划规模占比从高到低排序，优选排名前15的股票进行等权配置（若当月股票池不足15只，则全部持有）[124]。 4. **调仓与费用**：每月末调仓，手续费设置为双边千分之三[124]。 3. **模型名称：股票回购事件驱动选股模型**[1][3][4] * **模型构建思路**：基于上市公司发布股票回购预案这一事件，认为其在公司股价疲软时发布，可能传递价值低估信号或管理层托底信心。但事件后收益路径波动较大，因此引入基本面指标（归母净利润TTM）在事件股票池内进行横截面增强，以提升策略稳定性[3][82][129][131]。 * **模型具体构建过程**： 1. **股票池构建**：每月末，选取过去60个自然日内发布过股票回购预案的股票，构建股票回购事件股票池（统计从2018年开始以保证样本充足性）[131]。 2. **指标计算与选股**：每月末，计算股票池内每只股票的**归属母公司净利润（TTM）**。研究发现，当前盈利水平越低的公司，其回购事件对未来股价的提升作用可能越明显[131][132]。因此，按该指标从小到大排序（即盈利越低排名越靠前），选取排名前15的股票构建组合[133]。 3. **组合构建**：对选出的15只股票进行等权配置[133]。 4. **调仓与费用**：每月末调仓，手续费设置为双边千分之三[133]。 4. **模型名称：多策略融合组合模型**[4][138] * **模型构建思路**：股权激励、员工持股计划和股票回购三类事件在实施层面和市场反应上存在差异和互补性。通过将上述三个单一事件驱动策略的优选组合进行融合，从更综合的视角评估公司内部激励信号，以期获得更稳健的收益特征[4][138]。 * **模型具体构建过程**：在每月末，将**股权激励优选组合**、**员工持股计划优选组合**和**股票回购优选组合**这三个组合的持仓股票进行汇总，并通过等权方式合成一个新的复合投资组合[138]。 模型的回测效果 （以下回测结果均以中证800指数为基准，计算超额收益） 1. **股权激励优选组合**[121][122] * 年化收益率：27.02% * 年化超额收益率：24.84% * 年化波动率：33.16% * 夏普比率：0.83 * 信息比率(IR)：1.13 * 最大回撤：-54.89% 2. **员工持股计划优选组合**[127][128] * 年化收益率：20.92% * 年化超额收益率：18.30% * 年化波动率：29.00% * 夏普比率：0.73 * 信息比率(IR)：1.05 * 最大回撤：-57.34% 3. **股票回购优选组合**[136][137] * 年化收益率：16.04% * 年化超额收益率：14.89% * 年化波动率：27.75% * 夏普比率：0.60 * 信息比率(IR)：0.80 * 最大回撤：-36.15% 4. **多策略融合组合**[141][142] * 年化收益率：22.62% * 年化超额收益率：20.15% * 年化波动率：29.58% * 夏普比率：0.77 * 信息比率(IR)：1.13 * 最大回撤：-56.03% 量化因子与构建方式 1. **因子名称：股权激励规模因子**[87][119] * **因子构建思路**：激励规模占总股本比例越高，通常意味着公司对员工的激励力度越大，可能更能激发员工创造价值，市场反应可能更积极[87]。 * **因子具体构建过程**：在股权激励草案公告日，计算**授予股份数占总股本的比例**。若公告未说明总股本，则取草案发布前最近一次披露的总股本数据补齐[87]。该因子在模型中作为正向选股指标使用。 2. **因子名称：股权激励高管占比因子**[63][86][119] * **因子构建思路**：高管持股占比过高可能引发内部人控制风险，削弱股权激励的正向信号；而占比适中或偏低，可能意味着激励更普惠于核心技术人员和骨干，市场反应可能更好[86][99]。 * **因子具体构建过程**：在股权激励草案公告日，计算**董事、监事及高级管理人员获授股数之和占激励计划总授予股数的比例**[63]。该因子在模型中作为负向选股指标使用。 3. **因子名称：员工持股计划规模因子**[89][124] * **因子构建思路**：员工持股计划规模越大，反映员工与公司利益绑定程度和风险共担意愿越强，可能传递更强烈的内部信心信号[89]。 * **因子具体构建过程**：在员工持股计划草案公告日，计算**员工持股计划涉及的股份数占公司总股本的比例**[89]。该因子在模型中作为正向选股指标使用。 4. **因子名称：股票回购事件叠加归母净利润TTM因子**[131][133] * **因子构建思路**：在股票回购事件股票池内，引入基本面指标进行增强。测试发现，当期盈利水平（归母净利润TTM）越低的公司，发布回购预案后股价的潜在弹性可能越大，可能源于市场对其业绩修复或价值低估的预期更强[131][132]。 * **因子具体构建过程**：在股票回购预案公告日附近，使用最新报告的**归属母公司净利润（TTM）** 作为选股指标。在模型中，按该值从小到大排序进行选股[133]。 因子的回测效果 （报告中主要通过分组测试展示因子的区分能力，以下为关键发现） 1. **股权激励规模因子**：按授予股份数占总股本比例五分位分组，规模占比最高的组别在草案公告后60个交易日的累计收益率和年化收益率表现最好，呈现“激励规模占比越高效果越好”的阶梯式分化特征[87][90]。 2. **股权激励高管占比因子**：按高管持股占比五分位分组，占比最低至中等的组别公告后收益率表现更优，而高管占比最高的组别表现最弱，表明“高管持股占比越低效果越好”[96][100]。 3. **员工持股计划规模因子**：按员工持股计划规模占比五分位分组，虽然单调性不强，但总体趋势显示规模占比越大的组别，平均累计收益率越高[91][92]。 4. **股票回购事件叠加归母净利润TTM因子**：在股票回购事件股票池内，按归母净利润（TTM）三分组，该因子表现出一定的分组能力，多空对冲年化收益为12.77%，信息比率为1.04[131][134]。

量化模型与构建方式 **本报告为ETF市场周度数据统计与描述性分析报告，未涉及具体的量化选股模型或多因子模型。报告内容主要为对各类ETF的业绩、规模、估值、资金流向等指标的统计和描述，不包含模型或因子的构建、回测及效果评价。** [7][9][10] 量化因子与构建方式 **本报告为ETF市场周度数据统计与描述性分析报告，未涉及具体的量化选股因子。报告内容主要为对各类ETF的业绩、规模、估值、资金流向等指标的统计和描述，不包含因子的构建、回测及效果评价。** [7][9][10] 报告核心统计指标与方法 虽然报告未涉及量化模型或因子，但详细阐述了用于分析ETF市场的核心统计指标及其计算方法。 ETF业绩表现统计 1. **指标名称**：周度收益率 * **构建思路**：计算ETF在统计周期内的价格涨跌幅，以反映其短期市场表现[2]。 * **具体构建过程**：使用ETF的单位复权净值进行计算。统计周期为上周（2026年02月02日至2026年02月06日）。对于部分无法及时获取上周五单位复权净值的跨境ETF，使用其上周一至周四的收益进行统计[13][17]。 * **评价**：该指标是衡量ETF短期价格变动最直接的指标。 2. **指标名称**：涨跌幅中位数 * **构建思路**：为消除极端值影响，更稳健地反映某一类别ETF的整体表现，采用该类ETF周度收益率的中位数[2][13]。 * **具体构建过程**：首先计算某一类别（如宽基、板块、主题）内所有ETF的周度收益率，然后取该组数据的中位数作为代表值。例如，报告指出上周股票型ETF周度收益率中位数为-1.71%[2][13]。 * **评价**：中位数相比平均值对异常值不敏感，能更好地反映ETF群体的普遍表现。 ETF规模与资金流统计 1. **指标名称**：净申赎规模 * **构建思路**：通过ETF份额的变动来估算资金的流入流出情况，反映投资者行为[3]。 * **具体构建过程**：使用上市后ETF当日的份额变动乘以收盘价来近似计算每日净申赎规模。为规避份额折算/拆分的影响，份额折算/拆分当日的份额变动设为0。另外，为了排除分红对基金规模的影响，在计算规模变动时剔除了分红导致的基金规模变动[30][60]。 * **评价**：该指标是观察市场资金动向和投资者情绪的重要窗口。 2. **指标名称**：规模变动 * **构建思路**：衡量ETF总资产净值的变化，由价格变动和份额变动共同驱动[3]。 * **具体构建过程**：ETF总规模的计算基于其份额和单位净值。报告指出，在计算规模变动时，ETF在上市之后才参与规模和规模变动统计，ETF上市规模不计入规模变动中。同时，对分红的调整方式与净申赎计算保持一致[30][60]。 * **评价**：规模变动综合反映了资产价格变化和资金流入流出的共同影响。 ETF估值水平统计 1. **指标名称**：估值历史分位数 * **构建思路**：将当前估值水平置于历史序列中，判断其相对位置，用于评估ETF的估值高低[4]。 * **具体构建过程**：使用每日各类别内ETF基准指数的估值（市盈率PE或市净率PB）中位数代表该类ETF的估值。计算该中位数在过去5年历史数据中的分位数水平。例如，截至上周五，上证50ETF的市盈率处于81.77%的历史分位数水平[36][38]。 * **评价**：历史分位数是进行跨时间和跨类别估值比较的有效工具，能直观显示估值处于历史高位还是低位。 ETF融资融券情况统计 1. **指标名称**：日均融资买入额 / 日均融券卖出量 * **构建思路**：统计ETF在融资融券市场上的活跃度，反映杠杆资金和多空力量的动向[5]。 * **具体构建过程**：统计周期为上周一至周四。对股票型ETF的融资买入额和融券卖出量进行日均计算，并列出排名前十的ETF。例如，证券ETF和科创板ETF的日均融资买入额较高[52][53]。 * **评价**：这些指标反映了市场内活跃资金对特定ETF的看多或看空情绪。 ETF管理人统计 1. **指标名称**：基金管理人非货币ETF总规模 * **构建思路**：统计各基金公司管理的已上市、非货币ETF的总规模，以衡量其在ETF市场的管理能力和市场地位[6]。 * **具体构建过程**：截至统计日（上周五），汇总各基金管理人旗下所有已上市的非货币ETF的规模。报告列出了管理规模排名前20的基金公司[58]。 * **评价**：该指标是评估基金公司在被动投资领域竞争格局的核心指标。 统计指标结果摘要 **以下为报告中对上述核心统计指标在特定统计周期（2026年02月02日至02月06日当周）内的具体取值摘要：** ETF业绩表现指标取值 * **股票型ETF周度收益率中位数**：-1.71%[2][13] * **宽基ETF涨跌幅中位数**：上证50ETF为-0.82%（跌幅最小），科创板ETF为-4.40%[13] * **板块ETF涨跌幅中位数**：消费ETF为0.10%（收益最高），科技ETF为-5.02%[19] * **主题ETF涨跌幅中位数**：光伏ETF为3.09%（收益最高），AI ETF为-8.48%[19] ETF规模与资金流指标取值 * **股票型ETF净申赎规模**：净赎回20.56亿元[3][30] * **宽基ETF净申赎规模**：科创板ETF净申购最多，为55.01亿元；中证500ETF净赎回最多，为116.47亿元[3][30] * **板块ETF净申赎规模**：科技ETF净申购最多，为104.05亿元；周期ETF净赎回最多，为95.27亿元[33] * **主题ETF净申赎规模**：AI ETF净申购最多，为44.72亿元；光伏ETF净赎回最多，为8.00亿元[33] ETF估值指标取值（截至上周五历史分位数） * **宽基ETF市盈率分位数**：创业板类较低（64.44%），中证500较高（98.51%）[36][38] * **宽基ETF市净率分位数**：上证50较低（59.16%），中证500较高（98.51%）[38] * **板块ETF市盈率分位数**：大金融较低（23.84%），科技较高（94.88%）[42] * **主题ETF市盈率分位数**：光伏较高（99.34%），酒ETF估值分位数较前周明显提升[45] ETF融资融券指标取值（上周一至周四） * **股票型ETF融资余额**：由523.43亿元下降至520.46亿元[49] * **股票型ETF融券余量**：由22.05亿份上升至23.12亿份[49] * **日均融资买入额较高ETF**：证券ETF（4.39亿元）、科创板ETF（5.93亿元）[53] * **日均融券卖出量较高ETF**：中证1000ETF（27.53万手）、中证500ETF（12.30万手）[57] ETF管理人指标取值（截至上周五） * **非货币ETF管理规模前三**：华夏基金（7396亿元）、易方达基金（6832亿元）、华泰柏瑞基金（4335亿元）[58]

量化模型与构建方式 **注意：** 根据提供的研报内容，报告核心为ETF市场数据周度统计与描述，并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。因此，本部分无相关内容。 量化因子与构建方式 **注意：** 根据提供的研报内容，报告核心为ETF市场数据周度统计与描述，并未涉及具体的量化因子（如价值、动量、质量等）的构建、测试与评价。因此，本部分无相关内容。 模型的回测效果 **注意：** 根据提供的研报内容，报告未涉及任何量化模型的回测效果展示。因此，本部分无相关内容。 因子的回测效果 **注意：** 根据提供的研报内容，报告未涉及任何量化因子的回测效果（如IC、IR、多空收益等）展示。因此，本部分无相关内容。

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：超预期增强行业轮动策略[13] **模型构建思路**：以基本面为核心，叠加估值面和资金面进行多维度行业分析[13] **模型具体构建过程**： * **因子构成**：模型综合了多个维度的因子。 * **基本面**：包括基于实际披露业绩构建的盈利因子和质量因子，以及基于研报文本分析与分析师预期构建的分析师预期因子和超预期因子[13]。超预期因子指公司公告的营业收入、净利润等指标超出市场一致预期的部分[13]。 * **估值面**：包含估值动量因子[13]。 * **资金面**：考虑北向持仓、公募持仓等[13]。 * **合成方式**：将上述多个因子合成一个综合的“超预期增强因子”[22]。 * **组合构建**：每月初根据合成的超预期增强因子对行业进行排序，选取排名前1/6（即5个）的行业，以等权方式构建投资组合，按月调仓[32]。 2. **模型名称**：景气度估值行业轮动策略[14] **模型构建思路**：主要基于估值动量、盈利与质量因子进行行业轮动[14] **模型具体构建过程**：策略构建方法与超预期增强行业轮动策略一致[14]，即每月初根据合成的因子对行业排序，选取排名前5的行业等权配置，按月调仓。其核心因子为估值动量、盈利和质量因子[14]。 3. **模型名称**：调研行业精选策略[14] **模型构建思路**：基于机构调研数据，从行业层面的调研热度与广度两个视角判断机构投资者关注度的动向[14] **模型具体构建过程**： * **因子构成**： * **调研热度因子**：通过覆盖公司的调研活动平均数来刻画行业内的公司受关注热度[14]。 * **调研广度因子**：通过行业的调研覆盖程度来刻画行业拥挤度，该因子排名越高代表调研广度越低、拥挤度越低[45]。 * **合成方式**：将调研热度与调研广度两个细分因子合成为“调研活动因子”[14][45]。 * **组合构建**：每月初根据合成的调研活动因子对行业进行排序，选取排名前5的行业，以等权方式构建投资组合，按月调仓[36]。 模型的回测效果 （注：以下指标为截至2026年1月的长期历史回测结果，其中“今年以来”指标在报告中特指2026年1月单月表现） 1. **超预期增强行业轮动策略** * 年化收益率：12.71%[33] * 年化波动率：25.16%[33] * 夏普比率：0.505[33] * 最大回撤率：54.44%[33] * 年化超额收益率（相对行业等权基准）：7.12%[33] * 月均双边换手率：68.75%[33] * 2026年1月收益率：3.20%[33] * 2026年1月超额收益率：2.36%[33] 2. **景气度估值行业轮动策略** * 年化收益率：10.07%[33] * 年化波动率：25.91%[33] * 夏普比率：0.389[33] * 最大回撤率：56.24%[33] * 年化超额收益率（相对行业等权基准）：4.85%[33] * 2026年1月收益率：3.76%[33] * 2026年1月超额收益率：2.92%[33] 3. **调研行业精选策略** * 测试期：2017年1月-2026年1月[42] * 年化收益率：6.26%[37] * 年化波动率：19.83%[42] * 夏普比率：0.316[37] * 最大回撤率：40.18%[42] * 年化超额收益率（相对行业等权基准）：2.14%[37] * 月均双边换手率：157.35%[37] * 2026年1月收益率：0.20%[37] * 2026年1月超额收益率：-0.64%[37] 量化因子与构建方式 1. **因子名称**：盈利因子[13] **因子构建思路**：基于公司实际披露的业绩构建[13] 2. **因子名称**：质量因子[13] **因子构建思路**：基于公司实际披露的业绩构建[13] 3. **因子名称**：估值动量因子[13] **因子构建思路**：属于估值面因子，用于捕捉估值趋势[13] 4. **因子名称**：分析师预期因子[13] **因子构建思路**：基于研报文本分析与分析师预期构建[13] 5. **因子名称**：超预期因子[13] **因子构建思路**：识别公司公告的业绩指标（如营业收入、净利润）超出市场一致预期的部分[13] 6. **因子名称**：北向流入因子[13] **因子构建思路**：属于资金面因子，考虑北向资金的持仓动向[13] 7. **因子名称**：调研活动因子[14] **因子构建思路**：综合机构调研的热度与广度信息，刻画机构投资者对行业的关注度[14] **因子具体构建过程**：由两个细分因子合成： * **调研热度**：通过行业内覆盖公司的调研活动平均数来刻画[14]。 * **调研广度**：通过行业的调研覆盖程度来刻画行业拥挤度，该因子值越高代表调研广度越低、拥挤度越低[45]。 8. **因子名称**：超预期增强因子[22] **因子构建思路**：将盈利、质量、估值动量、分析师预期、超预期等多个因子合成一个综合因子，用于超预期增强行业轮动策略[13][22] **因子评价**：在行业预测方面具有显著效果[32] 9. **因子名称**：景气度估值因子[14] **因子构建思路**：主要基于估值动量、盈利与质量因子合成，用于景气度估值行业轮动策略[14] 因子的回测效果 （注：以下单因子表现数据为2026年1月当月表现） 1. **盈利因子** * IC值：30.34%[17] * 多空收益：4.52%[17] * 多头超额收益：2.31%[17] 2. **质量因子** * IC值：-3.89%[18] * 多空收益：-0.86%[18] * 多头超额收益：-1.81%[18] 3. **估值动量因子** * IC值：44.09%[17] * 多空收益：4.41%[17] * 多头超额收益：1.80%[17] 4. **分析师预期因子** * IC值：12.91%[17] * 多空收益：0.22%[18] * 多头超额收益：-1.84%[18] 5. **超预期因子** * IC值：-39.85%[18] * 多空收益：-2.82%[18] * 多头超额收益：-1.20%[18] 6. **调研活动因子** * IC值：16.16%[17] * 多空收益：-0.63%[18] * 多头超额收益：-0.70%[18] 7. **超预期增强因子** * IC历史均值（2011年以来）：8.26%[22] * 风险调整的IC（2011年以来）：0.297[22] * 多空年化收益率（2011年以来）：17.85%[23] * 多空夏普比率（2011年以来）：1.01[23] * 2026年1月IC值：18.62%[23] * 2026年1月多空收益率：2.51%[23] 8. **调研活动因子（长期表现）** * IC历史均值（2017年以来）：9.09%[22] * 风险调整的IC（2017年以来）：0.469[22] * 多空年化收益率（2017年以来）：14.99%[27] * 多空夏普比率（2017年以来）：1.35[27]

量化模型与构建方式 根据提供的研报内容，该报告为一篇市场数据统计与描述周报，主要总结了融资融券市场的整体情况、行业特征及个股表现。报告**未涉及**用于预测或选股的量化模型（如多因子模型、机器学习模型等）或量化因子（如价值、动量、质量等传统alpha因子）的构建、测试与评价过程[1][2][4][9]。 报告的核心是呈现一系列与融资融券业务相关的**统计指标**。这些指标反映了市场参与者的交易行为与杠杆使用情况，但本身并非用于预测未来收益的量化因子或模型。以下是报告中系统化计算并展示的主要指标及其构建方式： 1. **指标名称：融资买入额占成交额比例**；指标构建思路：衡量融资买入交易的活跃度，即融资买入金额在总成交额中的占比[35]；指标具体构建过程：对于特定标的（如行业、个股、ETF），在指定周期（如上周）内，累计融资买入金额除以同期总成交金额，通常以百分比形式表示。 $$融资买入额占成交额比例 = \frac{融资买入额}{成交额} \times 100\%$$ 公式中，融资买入额指投资者通过融资方式买入证券的金额，成交额为同期该证券的总成交金额[37][49]。 2. **指标名称：融资余额占流通市值比例**；指标构建思路：衡量融资盘在标的流通盘中的整体杠杆水平或渗透程度[35]；指标具体构建过程：在特定时点（如2月10日），标的的融资余额除以其流通市值，通常以百分比形式表示。 $$融资余额占流通市值比例 = \frac{融资余额}{流通市值} \times 100\%$$ 公式中，融资余额指投资者尚未偿还的融资负债总额，流通市值指标的证券可流通股份的总市值[37]。 3. **指标名称：融券卖出额占成交额比例**；指标构建思路：衡量融券卖出交易的活跃度[39]；指标具体构建过程：对于特定标的（如行业），在指定周期内，累计融券卖出金额除以同期总成交金额，通常以百分比形式表示。 $$融券卖出额占成交额比例 = \frac{融券卖出额}{成交额} \times 100\%$$ 公式中，融券卖出额指投资者通过融券方式卖出证券的金额[40]。 4. **指标名称：融券余额占流通市值比例**；指标构建思路：衡量融券盘在标的流通盘中的规模[39]；指标具体构建过程：在特定时点，标的的融券余额除以其流通市值，通常以百分比形式表示。 $$融券余额占流通市值比例 = \frac{融券余额}{流通市值} \times 100\%$$ 公式中，融券余额指投资者借入证券卖出后尚未偿还的证券数量按市价计算的总价值[40]。 5. **指标名称：融资净买入额**；指标构建思路：反映特定周期内融资资金的净流入（正）或净流出（负）情况[29]；指标具体构建过程：在指定周期内，用融资买入额减去融资偿还额。 $$融资净买入额 = 融资买入额 - 融资偿还额$$ 该指标可用于分析行业、ETF或个股级别的融资资金流向[31][45][47]。 6. **指标名称：融券净卖出额**；指标构建思路：反映特定周期内融券交易的净卖出（正）或净偿还（负）情况[32]；指标具体构建过程：在指定周期内，用融券卖出量（或额）减去融券偿还量（或额）。 $$融券净卖出额 = 融券卖出额 - 融券偿还额$$ 该指标可用于分析行业或个股级别的融券资金动向[34][50]。 指标的回测效果 由于本报告为描述性周报，未提供任何基于历史数据的、系统性的策略回测结果（如年化收益率、夏普比率、最大回撤、信息比率IR等）。报告仅展示了截至报告期（2026年2月4日-2月10日）的各类指标截面数据或近期时间序列，无模型或因子绩效评价[10][12][37][40]。 报告中展示的指标具体取值示例如下： 1. **融资买入额占成交额比例**指标，在行业层面，上周非银金融行业为11.13%，通信行业为10.57%，纺织服饰行业为3.87%[37][39]；在个股层面，上周吉贝尔（688566）为29.27%，振德医疗（603301）为24.58%[49]。 2. **融资余额占流通市值比例**指标，在行业层面，上周计算机行业为4.09%，通信行业为3.42%，石油石化行业为0.66%[37]。 3. **融券卖出额占成交额比例**指标，在行业层面，上周煤炭行业为0.11%，食品饮料行业为0.09%，纺织服饰行业为0.01%[40]。 4. **融券余额占流通市值比例**指标，在行业层面，上周传媒行业为0.02%，通信行业为0.01%，银行行业为0.00%[40]。 5. **融资净买入额**指标，在行业层面，上周传媒行业净买入额较多，有色金属行业净买入额较少[29]；在ETF层面，易方达中证海外中国互联网50(QDII-ETF)净买入30,224.94万元[45]；在个股层面，中文在线（300364）净买入72,099.67万元[49]。 6. **融券净卖出额**指标，在行业层面，上周传媒、煤炭行业净卖出额较多[32]；在个股层面，兖矿能源（600188）净卖出1,491.55万元[51]。

量化模型与构建方式 本报告为市场数据跟踪报告，未涉及具体的量化交易模型或选股因子的构建与测试。报告主要对宽基指数的各类市场指标进行统计、计算和对比分析，这些指标本身可作为量化研究中的基础因子或参考数据。以下总结报告中涉及的计算指标（可视为基础因子）及其构建方式。 1. **指标名称：风险溢价**；指标的构建思路：以十年期国债即期收益率为无风险利率参考，计算股票指数收益率相对于无风险利率的溢价，用于衡量其相对投资价值和偏离情况[28]；指标具体构建过程：风险溢价 = 指数收益率 - 十年期国债即期收益率。报告中使用该公式计算了各宽基指数的当前风险溢价，并统计了近1年及近5年的分位值、均值、波动率及与均值±1倍/±2倍标准差的偏离情况[32] 2. **指标名称：股债性价比**；指标的构建思路：以股票指数市盈率倒数（即盈利收益率）与十年期国债收益率的差值来衡量股票相对于债券的吸引力[47]；指标具体构建过程：股债性价比 = (1 / 指数PE-TTM) - 十年期国债即期收益率。报告中将此差值的历史走势与近5年计算的80分位值（机会值）、20分位值（危险值）、均值及±1倍标准差区间进行对比[47] 3. **指标名称：指数换手率**；指标的构建思路：衡量指数成分股的整体交易活跃度[19]；指标具体构建过程：指数换手率 = Σ(成分股流通股本 * 成分股换手率) / Σ(成分股流通股本)。报告据此计算了各宽基指数的当前换手率[19] 4. **指标名称：破净率**；指标的构建思路：通过计算市净率小于1的个股占比，反映市场整体的估值态度和悲观程度[55][57]；指标具体构建过程：破净率 = (指数成分股中市净率(PB) < 1的股票数量) / 指数总成分股数量。报告列出了各宽基指数的当前破净率[58] 5. **指标名称：收益分布形态指标（峰度与偏度）**；指标的构建思路：通过计算指数日收益率分布的峰度和偏度，描述其分布形态特征，如尖峭程度和对称性[25]；指标具体构建过程：计算近一年日收益率序列的峰度(Kurtosis)和偏度(Skewness)。报告中特别指出，其峰度计算中减去了3（正态分布峰度），因此“峰度负偏离”表示当前分布比近5年基准更平坦[26]。偏度为正表示分布右偏（极端正收益情形更多）[25] 指标的计算结果 以下为报告中在**2026年2月10日**这个统一时点，对各宽基指数计算出的相关指标值。 1. **风险溢价**[32] * 上证50: 当前值0.17%， 近5年分位值59.68% * 沪深300: 当前值0.10%， 近5年分位值55.87% * 中证500: 当前值-0.066%， 近5年分位值45.63% * 中证1000: 当前值0.19%， 近5年分位值53.65% * 中证2000: 当前值-0.11%， 近5年分位值42.86% * 中证全指: 当前值0.06%， 近5年分位值51.75% * 创业板指: 当前值-0.37%， 近5年分位值41.35% 2. **PE-TTM分位值**[43][44] * 上证50: 当前值11.74， 近5年分位值84.38% * 沪深300: 当前值14.24， 近5年分位值89.75% * 中证500: 当前值37.72， 近5年分位值99.34% * 中证1000: 当前值50.85， 近5年分位值99.42% * 中证2000: 当前值171.72， 近5年分位值93.14% * 中证全指: 当前值22.53， 近5年分位值99.42% * 创业板指: 当前值43.20， 近5年分位值63.97% 3. **股息率分位值**[52][54] * 上证50: 当前值3.26%， 近5年分位值33.14% * 沪深300: 当前值2.75%， 近5年分位值36.69% * 中证500: 当前值1.25%， 近5年分位值4.38% * 中证1000: 当前值1.00%， 近5年分位值23.22% * 中证2000: 当前值0.70%， 近5年分位值0.83% * 中证全指: 当前值1.94%， 近5年分位值26.53% * 创业板指: 当前值0.87%， 近5年分位值55.70% 4. **换手率**[19] * 上证50: 0.23 * 沪深300: 0.57 * 中证500: 1.75 * 中证1000: 2.94 * 中证2000: 3.91 * 中证全指: 1.75 * 创业板指: 3.51 5. **破净率**[58] * 上证50: 24.0% * 沪深300: 16.67% * 中证500: 10.4% * 中证1000: 6.8% * 中证2000: 2.4% * 中证全指: 5.42% 6. **收益分布形态（当前vs近5年）**[26] * 峰度负偏离最大：创业板指 * 峰度负偏离最小：中证500 * 负偏态最大：创业板指 * 负偏态最小：中证500

量化模型与构建方式 1. 宏观周期识别框架 1. **模型名称**：宏观周期识别框架[9] 2. **模型构建思路**：为改善单一维度判断不稳定的问题，同时考虑经济景气、通胀、利率、库存、信用五个维度的宏观指标，构建高维宏观周期识别框架[9]。 3. **模型具体构建过程**： * **宏观因子变量构建**：将宏观指数分别对宽基指数、代理宏观变量做回归，选取t值显著的细分宏观变量，用过去一年标准差倒数加权构建宏观因子变量[2]。 * **数据处理**：采用单边HP滤波器对宏观经济数据进行调整，以消除短期波动对长期趋势判断的影响[2]。 * **状态与趋势划分**：基于滤波后的变量，分别用因子动量划分宏观趋势（上行、下行）和用时序百分位划分宏观状态（高、中、低位）[2]。 2. 中证全指择时策略 1. **模型名称**：中证全指择时策略[28] 2. **模型构建思路**：基于宏观变量组合（流动性+库存、流动性+信用）对中证全指未来上涨概率的预测值进行择时[26]。 3. **模型具体构建过程**：统计“流动性+库存”和“流动性+信用”两个子策略对中证全指未来收益是否上涨的预测值，当任一子策略的预测值高于阈值（0.6）时，对中证全指做多，反之做空[26]。 3. 红利指数择时策略 1. **模型名称**：红利指数择时策略[35] 2. **模型构建思路**：基于宏观变量组合（通胀+库存、库存+信用）对红利指数未来上涨概率的预测值进行择时[35]。 3. **模型具体构建过程**：计算“通胀+库存”和“库存+信用”两个子策略对红利指数未来收益是否上涨的预测值的均值，当该均值高于阈值（0.6）时，对红利指数做多，反之做空[35]。 4. 风格轮动配置策略 1. **模型名称**：风格轮动配置策略[48] 2. **模型构建思路**：利用有效的宏观因子两两组合，滚动预测六大风格指数的远期收益率，并基于预测结果进行月度调仓配置[42]。 3. **模型具体构建过程**： * **因子组合筛选**：筛选出“通胀+库存”和“通胀+信用”两个有效的宏观因子组合[43]。 * **收益预测与排序**：将两个子策略对风格指数未来收益的预测值进行截面排序并求均值[48]。 * **配置规则**：每月等权配置预测值排名前二的风格指数[48]。 模型的回测效果 1. 中证全指择时策略 * **回测期**：2012年1月末至2026年1月31日[28] * **年化收益**：16.56%[28] * **年化波动**：21.98%[29] * **夏普比率**：75.33%[29] * **最大回撤**：-28.10%[29] * **超额收益（相对中证全指）**：10.19%[28] * **跟踪误差**：35.06%[29] * **信息比率(IR)**：29.07%[29] * **相对最大回撤**：-50.30%[29] 2. 红利指数择时策略 * **回测期**：2012年1月末至2026年1月31日[35] * **年化收益**：10.97%[35] * **年化波动**：14.91%[41] * **夏普比率**：0.74[41] * **最大回撤**：-19.92%[41] * **超额收益（相对红利指数）**：8.49%[35] * **跟踪误差**：9.63%[41] * **信息比率(IR)**：0.88[41] * **相对最大回撤**：-12.47%[41] 3. 风格轮动配置策略 * **回测期**：2014年9月30日至2026年1月31日[48] * **年化收益**：14.79%[48] * **年化波动**：23.46%[52] * **夏普比率**：0.63[52] * **最大回撤**：-45.93%[52] * **超额收益（相对风格等权）**：4.61%[48] * **跟踪误差**：10.56%[52] * **信息比率(IR)**：0.44[52] * **相对最大回撤**：-31.16%[52] 量化因子与构建方式 1. 宏观因子变量 1. **因子名称**：宏观因子变量[2] 2. **因子构建思路**：通过回归筛选出对市场有显著影响的细分宏观变量，并进行加权合成，以构建综合性的宏观因子[2]。 3. **因子具体构建过程**： * 将宏观指数分别对宽基指数、代理宏观变量做回归[2]。 * 选取回归结果中t值显著的细分宏观变量[2]。 * 使用过去一年历史数据的标准差倒数对选出的变量进行加权，构建最终的宏观因子变量[2]。 2. 宏观趋势（因子动量） 1. **因子名称**：宏观趋势（因子动量）[2] 2. **因子构建思路**：基于滤波后的宏观变量，通过其动量方向来判断宏观经济的趋势是上行还是下行[2]。 3. **因子具体构建过程**：对经过单边HP滤波器处理后的宏观变量，计算其动量，并根据动量方向划分为“上行”或“下行”趋势[2]。 3. 宏观状态（时序百分位） 1. **因子名称**：宏观状态（时序百分位）[2] 2. **因子构建思路**：根据宏观变量在历史序列中所处的位置，来判断当前宏观状态处于高位、中位还是低位[2]。 3. **因子具体构建过程**：计算滤波后的宏观变量在历史时间序列上的百分位，根据设定的分位数阈值（例如，前30%为高位，中间40%为中位，后30%为低位）划分状态[2]。 4. 有效宏观因子组合 1. **因子名称**：通胀+库存组合、通胀+信用组合[43] 2. **因子构建思路**：将两个不同的宏观维度（状态或趋势）进行组合，形成对风格轮动预测更有效的复合因子信号[42][43]。 3. **因子具体构建过程**：报告通过测试发现，“通胀”与“库存”的组合，以及“通胀”与“信用”的组合，在预测风格指数未来收益率方面具有较好的有效性和互补性[43]。

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**：通过计算当日最高价触及涨停且收盘价维持涨停的股票比例，来衡量市场涨停股的封板强度，以此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. 识别在当日交易中，最高价达到涨停价的股票集合[17] 3. 从步骤2的股票集合中，进一步筛选出收盘价仍为涨停价的股票[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] **模型评价**：该指标是衡量市场短线炒作情绪和资金承接力度的重要高频指标，封板率高表明涨停板质量高，资金锁仓意愿强[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，反映市场接力炒作的热度[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. 识别在昨日收盘时涨停的股票集合[17] 3. 从步骤2的股票集合中，进一步筛选出今日收盘价仍为涨停价的股票[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] **模型评价**：该指标反映了市场赚钱效应的延续性，连板率高表明市场短线情绪活跃，强势股具备持续上涨动力[17] 3. **模型名称**：大宗交易折价率模型[26] **模型构建思路**：通过计算大宗交易成交总额相对于其对应股票当日市值的折价比例，来反映大资金通过大宗交易渠道减持或调仓时的成本与市场情绪[26] **模型具体构建过程**： 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. 计算大宗交易的总成交金额[26] 3. 计算大宗交易成交份额（股票数量）按当日收盘价计算的总市值[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] **模型评价**：折价率的高低可以反映大资金交易的紧迫程度和对后市的看法，通常折价率越高，表明卖出方让利越多，可能隐含其相对悲观的预期或较强的减持意愿[26] 4. **模型名称**：股指期货年化贴水率模型[28] **模型构建思路**：通过计算股指期货主力合约价格与现货指数价格之间的基差，并进行年化处理，来衡量市场对冲成本、远期预期以及市场情绪（如乐观或悲观）[28] **模型具体构建过程**： 1. 计算基差：股指期货主力合约价格减去对应的现货指数价格[28] 2. 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，基差 = 期货价格 - 现货价格。当结果为正值时，表示年化升水率；为负值时，表示年化贴水率[28]。 **模型评价**：年化贴水率是量化对冲策略的重要成本指标，贴水率收窄或转为升水，通常意味着市场情绪转向乐观，对冲成本降低[28] 模型的回测效果 1. 封板率模型，20260210当日封板率80%[17] 2. 连板率模型，20260210当日连板率24%[17] 3. 大宗交易折价率模型，近半年以来平均折价率6.89%，20260209当日折价率5.16%[26] 4. 股指期货年化贴水率模型，近一年以来上证50、沪深300、中证500、中证1000股指期货主力合约的年化贴水率中位数分别为0.63%、3.79%、11.15%、13.61%[28]；20260210当日，上证50年化升水率2.28%，沪深300年化贴水率0.07%，中证500年化贴水率2.14%，中证1000年化贴水率2.93%[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[14] **因子构建思路**：通过计算昨日收盘涨停的股票在今日的平均收益率，来捕捉涨停板股票的动量效应或反转效应，作为市场情绪和短线策略的参考[14] **因子具体构建过程**： 1. 筛选上市满3个月以上且昨日收盘涨停的股票[14] 2. 计算这些股票在今日的收盘收益率[14] 3. 对所有符合条件的股票收益率进行平均，得到该因子的取值[14] **因子评价**：该因子反映了涨停股在次日的整体表现，正值表明存在涨停动量效应，负值则可能意味着涨停后获利回吐压力较大[14] 2. **因子名称**：昨日跌停股今日收益因子[14] **因子构建思路**：通过计算昨日收盘跌停的股票在今日的平均收益率，来观察极端下跌股票的超跌反弹或继续下跌的动能，作为市场恐慌情绪修复的指标[14] **因子具体构建过程**： 1. 筛选上市满3个月以上且昨日收盘跌停的股票[14] 2. 计算这些股票在今日的收盘收益率[14] 3. 对所有符合条件的股票收益率进行平均，得到该因子的取值[14] **因子评价**：该因子反映了市场对极端下跌股票的再定价过程，正值可能意味着恐慌情绪缓解后的超跌反弹，负值则表明下跌趋势可能延续[14] 3. **因子名称**：两融余额占比因子[22] **因子构建思路**：通过计算融资融券余额占A股流通市值的比例，来衡量杠杆资金在市场中的整体规模和参与深度[22] **因子具体构建过程**： 1. 获取当前市场的融资余额与融券余额，求和得到两融余额[19][22] 2. 获取当前市场的总流通市值[22] 3. 计算占比，公式为： $$两融余额占比=\frac{两融余额}{流通市值}$$[22] **因子评价**：该因子是观测市场杠杆水平的重要宏观指标，占比上升通常意味着投资者风险偏好提升，杠杆资金活跃[22] 4. **因子名称**：两融交易占比因子[22] **因子构建思路**：通过计算融资买入额与融券卖出额之和占市场总成交额的比例，来反映杠杆资金的交易活跃度及其对市场流动性的贡献[22] **因子具体构建过程**： 1. 获取当日融资买入总额与融券卖出总额，求和得到两融交易总额[22] 2. 获取当日市场总成交额[22] 3. 计算占比，公式为： $$两融交易占比=\frac{融资买入额+融券卖出额}{市场总成交额}$$[22] **因子评价**：该因子直接反映了杠杆资金在市场日常交易中的活跃程度，是衡量市场情绪和资金面的高频指标[22] 5. **因子名称**：ETF折溢价因子[23] **因子构建思路**：通过计算ETF场内交易价格与其估算净值（IOPV）的偏离程度，来捕捉套利机会并反映投资者对特定板块或宽基指数的短期情绪[23] **因子具体构建过程**： 1. 筛选日成交额超过100万元的境内股票型ETF[23] 2. 对于每只ETF，计算其折溢价率，公式为： $$ETF折溢价率=\frac{ETF收盘价}{基金份额参考净值(IOPV)}-1$$[23] 3. 正值代表溢价，负值代表折价[23] **因子评价**：显著的溢价可能反映投资者情绪高涨、急于买入，而折价可能反映流动性需求或看空情绪，是观察资金流向和市场情绪的微观指标[23] 6. **因子名称**：机构调研热度因子[31] **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，来衡量机构投资者对特定公司的关注度，作为基本面研究热度与潜在信息优势的代理变量[31] **因子具体构建过程**： 1. 统计近7天内（一周）对上市公司进行调研或参加分析师会议的机构数量[31] 2. 按机构数量对上市公司进行排序或直接取数量值[31] **因子评价**：机构调研频繁通常意味着公司有值得关注的基本面变化或事件，可能吸引机构资金布局，但需注意信息滞后和“调研陷阱”[31] 7. **因子名称**：龙虎榜机构净流入因子[37] **因子构建思路**：通过统计龙虎榜上机构专用席位买入与卖出金额的净差额，来识别机构资金当日对特定股票的净买入强度，作为机构动向和资金共识的观察窗口[37] **因子具体构建过程**： 1. 获取当日披露龙虎榜的股票数据[37] 2. 对于每只上榜股票，汇总其机构专用席位的买入总额与卖出总额[37] 3. 计算净流入金额：机构买入总额 - 机构卖出总额[37] **因子评价**：机构大额净流入通常被视为积极的信号，表明有专业投资者看好，但需结合股价位置、市场环境以及是否有一家机构独大等情况综合判断[37] 8. **因子名称**：龙虎榜陆股通净流入因子[38] **因子构建思路**：通过统计龙虎榜上陆股通席位买入与卖出金额的净差额，来观察北向资金（外资）对特定A股的短期交易偏好和资金流向[38] **因子具体构建过程**： 1. 获取当日披露龙虎榜的股票数据[38] 2. 对于每只上榜股票，汇总其陆股通席位的买入总额与卖出总额[38] 3. 计算净流入金额：陆股通买入总额 - 陆股通卖出总额[38] **因子评价**：陆股通资金被称为“聪明钱”，其净流入动向对市场有一定影响力，是观察外资短期情绪和风格偏好的重要指标[38] 因子的回测效果 1. 昨日涨停股今日收益因子，20260210当日收益为2.74%[14] 2. 昨日跌停股今日收益因子，20260210当日收益为-1.23%[14] 3. 两融余额占比因子，截至20260209，占比为2.6%[22] 4. 两融交易占比因子，截至20260209，占比为9.5%[22] 5. ETF折溢价因子，20260209当日，溢价较多的影视ETF溢价1.66%，折价较多的沪港深500ETF富国折价0.83%[23] 6. 机构调研热度因子，近一周内，环旭电子被114家机构调研[31] 7. 龙虎榜机构净流入因子，20260210当日，机构净流入前十的股票包括巨力索具、杭电股份等，净流出前十的股票包括中文在线、万达电影等[37] 8. 龙虎榜陆股通净流入因子，20260210当日，陆股通净流入前十的股票包括光线传媒、浙文互联等，净流出前十的股票包括中文在线、万向钱潮等[38]