量化模型与构建方式 1. 模型名称：DTLC_RL (解耦时序对比学习强化学习模型) **模型构建思路**：构建一个兼具深度学习非线性预测能力与良好可解释性的选股框架。通过特征空间解耦，分别构建面向市场系统风险（β空间）、个股特异特征（α空间）和个股基本面信息（θ空间）的编码器，并通过对比学习与正交约束提升各空间表征的区分度与互补性，最后引入强化学习近端策略优化（PPO）算法以实现自适应调整各空间权重进行动态融合[2][11][12]。 **模型具体构建过程**： 1. **多层次因子解耦与表征学习**：构建三个在数学上正交的潜在表征空间[11]。 * **Beta空间（市场系统风险）**：使用时间卷积网络（TCN）作为编码器，输入为5个市场相关特征的60个交易日时序数据[67][68]。TCN采用因果卷积和扩张卷积来捕捉时序依赖关系[13][17][19]。因果卷积确保输出只依赖于当前及历史输入，其约束为： $$y_{t}=f(x_{t},x_{t-1},\dots,x_{t-k+1})$$ 其中$y_t$为t时刻输出，$x_{t-j}$为历史输入，$k$为卷积核大小[17]。扩张因果卷积操作定义为： $$H_{l}=\mathrm{ReLU}\left(\mathrm{BatchNorm}\left(\mathrm{CausalConv1d}(X_{l},k,d_{l})\right)\right)$$ 完整残差块为： $$B l o c k(X)=A c t i v a t i o n\left(X+F(X)\right)$$ $$F(X)=W_{2}*\sigma(W_{1}*X)$$ * **Alpha空间（个股特异特征）**：使用多尺度Transformer模型作为编码器，输入为13个日频量价时序特征[76][77]。模型区分20日、40日、60日三个尺度，分别用Transformer层编码后进行上采样和门控融合[78][80]。Transformer核心的自注意力机制计算如下： $$Q\;=\;X W_{Q}\;,\;\;K\;=\;X W_{K}\;,\;\;V\;=\;X W_{V}\;,$$ $$Z=A t t e n t i o n(Q,K,V)=s o f t m a x\left({\frac{Q K^{T}}{\sqrt{d_{k}}}}\right)V$$ 多头注意力机制为： $$M u l t i h e a d\left(Q\ ,\ K\ ,\ V\right)=C o n c a t\left(h e a d_{1}\ ,\ \ldots\ \ ,\ h e a d_{h}\right)W_{o}$$ * **Theta空间（个股基本面信息）**：使用门控残差多层感知机（GRN）作为编码器，输入为8个核心财务指标[88][92]。GRN包含特征变换、门控机制和残差连接[38][39][43][45]。其计算过程包括： $$\tilde{x}=\;W_{1}x\;+\;b_{1}$$ $$s\;=\;E L U(W_{2}\tilde{x}+\;b_{2})$$ $$g\;=\;\sigma\bigl(W_{g}\,x\;+\;b_{g}\bigr)$$ $$\tilde{x}=s\odot g\,+\,x$$ 最终输出为层归一化结果：$G R N\left(x\right)=\ L a y e r N o r m\left({\tilde{x}}\right)$[47]。 2. **对比学习增强表征稳健性**：在每个子空间内部引入对比学习机制，通过构建基于未来收益率相似性的正负样本对，驱使编码器学习到的表征能够拉近同类样本、推远异类样本[12][52]。使用InfoNCE损失函数： $$L_{\mathrm{InfotNCE}}=-E\left[l o g~\frac{e x p\left(f(x)^{\top}f(x^{+})/\tau\right)}{e x p\left(f(x)^{\top}f(x^{+})/\tau\right)+\sum_{i=1}^{N-1}~e x p\left(f(x)^{\top}f(x_{i}^{-})/\tau\right)}\right]$$ 其中相似度计算采用余弦相似度：$\sin(\mathbf{u},\mathbf{v})={\frac{\mathbf{u}^{\mathrm{{T}}}\mathbf{v}}{|\mathbf{u}||\mathbf{v}|}}$[55]。正样本为未来20日收益率相关系数大于80%的样本，负样本为相关系数小于0%的样本[104]。 3. **正交约束保障因子独立性**：设置正交化损失函数，强制要求三个子空间输出的表征向量在统计上接近相互独立，缓解多重共线性问题[12]。损失函数为三空间输出编码信息的协方差矩阵非对角线元素平方和[104]。 4. **强化学习驱动空间融合**：在三个编码器后引入强化学习动态复权的空间融合机制[116]。将三个子空间编码与市场环境特征拼接成状态$s_t$，输入策略网络（Actor）生成三维空间权重[120]。策略网络采用PPO算法进行优化，其目标是最大化期望累积回报： $$J(\theta)=E_{\tau^{-\pi_{\theta}}}[R(\tau)]=E_{\tau^{-\pi_{\theta}}}\left[\sum_{t=0}^{T}\gamma^{t}r_{t}\right]$$ PPO通过裁剪目标函数稳定策略更新： $$\mathrm{CLIP}\left(\theta\right)=E_{t}\left[mi\ n(r_{t}\left(\theta\right)\overline{A_{t}},\mathrm{clip}(r_{t}\left(\theta\right),1-\epsilon,1+\epsilon)\overline{A_{t}}\right]$$ 其中$r_t(\theta)$为新旧策略概率比：$r_{t}\left(\theta\right)=\frac{\pi_{\theta}\left(a_{t}\left|s_{t}\right.\right)}{\pi_{\theta_{\mathrm{old}}}\left(a_{t}\left|s_{t}\right.\right)}$[61][63]。优势函数$\hat{A_t}$通过广义优势估计（GAE）计算： $$A_{t}^{\widehat{\mathrm{GAE}\,(\gamma,\lambda)}}=\sum_{l=0}^{\infty}(\gamma\lambda)^{l}\delta_{t+l}$$ $$\delta_{t}=r_{t}+\gamma V(s_{t+1})-V(s_{t})$$ $$\widehat{A_{t}}=\delta_{t}+\gamma\lambda\widehat{A_{t+1}}$$ 奖励函数$r_t$由预测收益与实际收益的相关系数奖励$R_t^{IC}$、权重稳定性奖励$R_t^{stable}$和权重分散性奖励$R_t^{div}$组成： $$r_{t}=R_{t}^{I C}\big(\widehat{y_{t}},y_{y}\big)+\lambda_{s}R_{t}^{s t a b l e}+\lambda_{d}R_{t}^{d i v}$$ 加权融合后的特征通过预测头网络输出个股未来收益率预测$\hat{y_t}$[120][121]。 **模型评价**：该模型为深度学习在量化选股中的应用提供了一条兼具“非线性能力”与“可解释性”的路径[159]。 2. 模型名称：DTLC_Linear (线性融合模型) **模型构建思路**：作为强化学习融合版本的基准模型，将三个空间的编码信息进行合并，并通过单层线性层进行处理并接入预测头进行收益率预测[2][98]。 **模型具体构建过程**：将Beta、Alpha、Theta三个空间经过对比学习优化后的高维编码直接进行拼接，输入一个包含线性层和Softmax激活的轻量网络，动态生成空间权重，进而对编码进行加权融合，最终通过预测头输出收益率预测[98]。训练过程采用以信息系数（IC）最大化为核心目标的多任务损失函数，并同样引入了对比学习损失和正交约束损失[98][102]。 **模型评价**：为科学评估强化学习融合机制的实际贡献提供了可对比的基准[98]。 3. 模型名称：DTLC_Equal (等权融合模型) **模型构建思路**：作为简单的融合对照组，直接对三个空间独立训练出的因子进行等权求和[2][98]。 **模型具体构建过程**：分别训练Beta_TCN、Alpha_Transformer、Theta-ResMLP三个因子，然后将每个因子的值进行等权相加，得到最终的合成因子[98][103]。 4. 因子名称：Beta_TCN **因子构建思路**：捕捉市场系统性风险，量化个股对市场风险因素的不同敏感度[67]。 **因子具体构建过程**：选取5个市场相关特征：收益率暴露(beta_mkt)、波动率敏感度(beta_vol)、流动性beta(beta_liq)、大小盘暴露(beta_size)、市场情绪敏感度(beta_sent)[67][72]。将这5个特征的60个交易日时序数据输入TCN编码器（结构如DTLC_RL模型中的Beta空间编码器），输出一个32维向量作为Beta空间编码，并进一步通过预测头输出收益率预测，形成因子[68][73]。 **因子评价**：可以挖掘出个股暴露在beta中的相关信息，具备一定的选股效果[73]。 5. 因子名称：Alpha_Transformer **因子构建思路**：挖掘个股特异性信息（Alpha）[76][81]。 **因子具体构建过程**：选取13个日频量价时序特征，如量价背离度(pvo)、压力支撑效率(sse)、波动率偏度(skew)等[77]。将这些特征的时序数据输入多尺度Transformer编码器（结构如DTLC_RL模型中的Alpha空间编码器），输出收益率预测，形成因子[78][80]。 **因子评价**：可以学习到一定程度的个股特异性信息，且与beta空间编码器学习的信息重合度相对适中[82]。 6. 因子名称：Theta-ResMLP **因子构建思路**：系统性地挖掘个股的财务安全边际与抗风险能力，基于价值投资理论中的安全边际原则[88][95]。 **因子具体构建过程**：选取8个核心财务指标特征：市盈率(pe)、市净率(pb)、ROE均值比标准差(roemeantostd)、股息率(dividendyield)、ROE环比(roemom)、EPS同比(epsyoy)、营业利润率(operatingprofit)、ROIC(roic)[88]。将这些截面特征输入门控残差MLP编码器（结构如DTLC_RL模型中的Theta空间编码器），输出收益率预测，形成因子[92][94]。 **因子评价**：可以学习到一定程度的个股基本面信息，且与beta、alpha空间编码器学习的信息重合度较低，边际信息提供量较大[96]。 模型的回测效果 （回测区间：2019年1月至2025年11月，全A范围，Top10%多头组合） 1. **DTLC_RL模型**，IC: 0.1250，ICIR: 4.38，年化收益率: 34.77%，年化波动率: 25.41%，信息比率: 1.37，最大回撤率: 40.65%，单边月均换手率: 0.71X[122][123]。 2. **DTLC_Linear模型**，IC: 0.1239，ICIR: 4.25，年化收益率: 32.95%，年化波动率: 24.39%，信息比率: 1.35，最大回撤率: 35.94%，单边月均换手率: 0.76[103][105]。 3. **DTLC_Equal模型**，IC: 0.1202，ICIR: 4.06，年化收益率: 32.46%，年化波动率: 25.29%，信息比率: 1.28，最大回撤率: 40.65%，单边月均换手率: 0.71[103][105]。 因子的回测效果 （回测区间：2019年1月至2025年11月，全A范围，Top10%多头组合） 1. **Beta_TCN因子**，IC: 0.0969，ICIR: 3.73，年化收益率: 27.73%，年化波动率: 27.19%，信息比率: 1.02，最大回撤率: 45.80%，单边月均换手率: 0.79X[2][73]。 2. **Alpha_Transformer因子**，IC: 0.1137，ICIR: 4.19，年化收益率: 32.66%，年化波动率: 23.04%，信息比率: 1.42，最大回撤率: 27.59%，单边月均换手率: 0.83X[2][80][81]。 3. **Theta-ResMLP因子**，IC: 0.0485，ICIR: 1.87，年化收益率: 23.88%，年化波动率: 23.96%，信息比率: 0.99，最大回撤率: 37.41%，单边月均换手率: 0.41X[2][94][95]。

量化模型与因子总结 量化模型与构建方式 本报告为市场数据跟踪报告，未涉及具体的量化选股或预测模型，因此无量化模型部分。 量化因子与构建方式 报告在跟踪分析中计算并使用了多个市场指标，这些指标可作为量化因子或用于构建因子。具体如下： 1. **因子名称：风险溢价** * **因子构建思路：** 以十年期国债即期收益率为无风险利率参考，计算各宽基指数相对于无风险利率的风险溢价，用于衡量其相对投资价值和偏离情况[27]。 * **因子具体构建过程：** 风险溢价的计算公式为宽基指数的收益率减去十年期国债即期收益率。报告中的“当前风险溢价”应为指数近期收益率（如日度或滚动收益率）与当前十年期国债即期收益率的差值[31]。具体公式可表示为： $$风险溢价 = R_{index} - R_{f}$$ 其中，$R_{index}$ 代表宽基指数的收益率，$R_{f}$ 代表十年期国债即期收益率。 2. **因子名称：股债性价比** * **因子构建思路：** 以各指数市盈率（PE-TTM）的倒数代表股票的潜在收益率，计算其与十年期国债即期收益率之差，作为衡量股票与债券相对吸引力的指标[46]。 * **因子具体构建过程：** 股债性价比的计算公式为指数市盈率（PE-TTM）的倒数减去十年期国债即期收益率[46]。具体公式可表示为： $$股债性价比 = \frac{1}{PE_{TTM}} - R_{f}$$ 其中，$PE_{TTM}$ 代表指数滚动市盈率，$R_{f}$ 代表十年期国债即期收益率。 3. **因子名称：股息率** * **因子构建思路：** 跟踪各指数的股息率，反映现金分红回报率，是红利投资风格的重要观察指标[48]。 * **因子具体构建过程：** 股息率通常计算为成分股过去12个月现金分红总额除以指数的总市值。报告中的“当前值”即为该计算结果[53]。 4. **因子名称：破净率** * **因子构建思路：** 计算指数中市净率小于1的个股占比，反映市场整体的估值态度和悲观程度[54][56]。 * **因子具体构建过程：** 破净率计算公式为指数成分股中破净（市净率PB < 1）的个股数量除以指数成分股总数量[57]。具体公式可表示为： $$破净率 = \frac{Count(PB_i < 1)}{N}$$ 其中，$PB_i$ 代表成分股i的市净率，$N$ 代表指数成分股总数。 5. **因子名称：指数换手率** * **因子构建思路：** 衡量指数的整体交易活跃度[17]。 * **因子具体构建过程：** 报告采用流通市值加权的方式计算指数换手率，公式为各成分股换手率按其流通股本加权的平均值[17]。具体公式为： $$指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$$ 6. **因子名称：收益分布形态指标（偏度与峰度）** * **因子构建思路：** 通过计算指数日收益率序列的偏度和峰度，分析其收益分布的特征和形态变化[23][25]。 * **因子具体构建过程：** * **偏度：** 衡量收益率分布的不对称性。正偏态表示极端正收益情形增加[23]。报告计算了当前偏度并与近5年历史偏度进行比较[25]。 * **峰度：** 衡量收益率分布的尖锐或平坦程度。报告中的峰度计算减去了3（正态分布的峰度值），因此“峰度负偏离”表示当前分布比历史分布更平坦[25]。峰度越大，说明收益率分布更集中[23]。 因子的回测效果 报告未提供基于历史数据的因子分层测试、多空组合收益等传统因子回测结果，而是展示了各因子在特定截止日（2025年12月24日）的截面取值或状态。各宽基指数在不同因子下的具体数值如下： 1. **风险溢价因子**[31] * 上证50：-0.08% * 沪深300：0.28% * 中证500：1.30% * 中证1000：1.53% * 中证2000：1.55% * 中证全指：0.89% * 创业板指：0.76% 2. **PE-TTM分位值因子（近5年）**[42][43] * 上证50：84.05% * 沪深300：85.62% * 中证500：96.94% * 中证1000：94.63% * 中证2000：84.30% * 中证全指：94.46% * 创业板指：59.17% 3. **股息率因子**[53] * 上证50：3.13% * 沪深300：2.73% * 中证500：1.41% * 中证1000：1.11% * 中证2000：0.77% * 中证全指：2.02% * 创业板指：0.96% 4. **破净率因子**[3][57] * 上证50：22.0% * 沪深300：16.0% * 中证500：10.8% * 中证1000：8.0% * 中证2000：3.25% * 中证全指：6.14% * 创业板指：未提供 5. **指数换手率因子**[2][17] * 上证50：0.19 * 沪深300：0.47 * 中证500：1.51 * 中证1000：2.2 * 中证2000：3.7 * 中证全指：1.55 * 创业板指：2.18 6. **收益分布峰度偏离因子（当前 vs. 近5年）**[25] * 上证50：-2.10 * 沪深300：-1.84 * 中证500：-2.28 * 中证1000：-1.35 * 中证2000：-1.44 * 中证全指：-1.87 * 创业板指：-2.63 7. **收益分布偏度偏离因子（当前 vs. 近5年）**[25] * 上证50：-0.58 * 沪深300：-0.46 * 中证500：-0.58 * 中证1000：-0.35 * 中证2000：-0.34 * 中证全指：-0.46 * 创业板指：-0.65

量化模型与构建方式 1. **模型名称：行业拥挤度监测模型**[3] * **模型构建思路**：通过构建一个量化模型，对申万一级行业指数的拥挤度进行每日监测，以识别市场过热或过冷的行业[3]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤、所使用的因子或计算公式。 2. **模型名称：溢价率 Z-score 模型**[4] * **模型构建思路**：通过计算ETF溢价率的Z-score值，搭建ETF产品筛选信号模型，以识别存在潜在套利机会的标的[4]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤和计算公式，仅提及核心思想是计算溢价率的Z-score。 量化因子与构建方式 1. **因子名称：行业拥挤度**[3] * **因子构建思路**：用于衡量某个行业交易过热或过冷的程度，数值越高可能表明该行业交易越拥挤[3]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算方法和构成指标。 2. **因子名称：溢价率 Z-score**[4] * **因子构建思路**：基于ETF的IOPV溢价率，通过标准化处理（计算Z-score）来度量当前溢价率在历史序列中的相对位置，用于发现异常溢价[4]。 * **因子具体构建过程**：报告未给出具体的计算公式。通常，Z-score的计算公式为： $$Z = \frac{X - \mu}{\sigma}$$ 其中，$X$代表当前交易日的ETF溢价率，$\mu$代表滚动窗口期内的历史溢价率均值，$\sigma$代表滚动窗口期内的历史溢价率标准差。 模型的回测效果 （报告未提供相关量化模型的回测效果指标数据） 因子的回测效果 （报告未提供相关量化因子的回测效果指标数据）

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**：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与资金追涨意愿。[16] * **因子具体构建过程**： 1. 选定股票池：上市满3个月以上的股票。[16] 2. 识别股票：找出当日盘中最高价达到涨停价的股票。[16] 3. 进一步筛选：从步骤2的股票中，找出当日收盘价也维持在涨停价的股票。[16] 4. 计算因子值：将步骤3的股票数量除以步骤2的股票数量，得到封板率。[16] * **公式**： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ [16] 2. **因子名称：连板率** [16] * **因子构建思路**：通过计算连续两日收盘涨停的股票占昨日所有涨停股票的比例，来衡量市场涨停效应的持续性及短线炒作热度。[16] * **因子具体构建过程**： 1. 选定股票池：上市满3个月以上的股票。[16] 2. 识别基准股票：找出前一交易日（昨日）收盘涨停的股票。[16] 3. 筛选连板股票：从步骤2的股票中，找出在当日（今日）收盘也维持涨停的股票。[16] 4. 计算因子值：将步骤3的股票数量除以步骤2的股票数量，得到连板率。[16] * **公式**： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ [16] 3. **因子名称：大宗交易折价率** [25] * **因子构建思路**：通过计算大宗交易成交总额相对于其对应股份当日市值的折价幅度，来反映大资金交易的流动性折价或特定偏好，可作为市场情绪或资金面压力的观测指标。[25] * **因子具体构建过程**： 1. 数据获取：获取当日所有大宗交易的成交金额及对应的成交股份数量。[25] 2. 计算理论市值：用当日该股票的收盘价乘以大宗交易的成交股份数量，得到该笔交易对应股份的当日总市值。对所有大宗交易重复此步骤并求和，得到“当日成交份额的总市值”。[25] 3. 计算因子值：将当日大宗交易总成交金额除以“当日成交份额的总市值”，然后减去1，得到整体折价率。[25] * **公式**： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ [25] 4. **因子名称：股指期货年化贴水率** [27] * **因子构建思路**：将股指期货价格与现货指数价格之间的基差进行年化处理，以标准化衡量股指期货的升贴水程度，用于反映市场对未来走势的预期、对冲成本以及市场情绪。[27] * **因子具体构建过程**： 1. 计算基差：基差 = 股指期货价格 - 现货指数价格。[27] 2. 计算年化因子：将基差除以现货指数价格，再乘以（250天除以合约剩余交易日数），得到年化贴水率。结果为正值表示升水，负值表示贴水。[27] * **公式**： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ [27] 因子的回测效果 *本报告为市场监测日报，主要展示因子的构建方法和当日市场数据，未提供基于历史数据的因子回测绩效指标（如IC、IR、多空收益、夏普比率等）。* [1][2][3][4][5][6][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39]

量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[11][41] * **模型构建思路**：为准确计算股指期货的升贴水，需要预测从当前时刻到期货合约到期日之间，指数成分股分红除息导致价格指数点位自然下滑的总点数[11][41]。该模型通过对成分股权重、分红金额、除息日等核心要素进行精细化预测来实现[11][42]。 * **模型具体构建过程**： 1. **核心公式**：假设当前日期为t，期货合约到期日为T，指数有N个成分股。第n个成分股的除权除息日为τ_n (t < τ_n ≤ T)，则期间的分红点数计算公式为： $$分红点数 = \sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$$[41] 2. **数据处理流程**：首先获取指数成分股及其日度权重[46]。然后对每只成分股进行判断与预测[42]： * 若公司已公布分红金额，则直接采用；若同时公布除息日，则直接采用，否则预测除息日[42]。 * 若公司未公布分红金额，则需预测。分红金额 = 净利润 × 股息支付率[47]。对净利润的预测采用“基于历史净利润分布的动态预测法”：根据公司季度盈利分布稳定性分类，对稳定公司按历史规律预测，对不稳定公司使用上年同期值[50]。对股息支付率的预测规则为：若去年分红则用去年支付率；若去年不分红则用最近3年平均；若从未分红则默认不分红；预测值大于100%时进行截尾处理[53]。 * 对除息日的预测采用“基于历史间隔天数稳定性的线性外推法”：若已公布则直接采用；若未公布，则根据公司是否已公布预案、所处阶段（预案或决案），判断历史从公告日到除息日的间隔天数是否稳定，若稳定则用该平均间隔天数进行线性外推，若不稳定则参考去年或前年的历史分红日期；若无合理历史日期参考，则根据预测时间点设置默认日期（如7月31日、8月31日或9月30日）[56]。 * **模型评价**：模型对于上证50指数和沪深300指数全年的预测准确度较高，对于中证500指数的预测误差稍大但基本稳定[61]。在股指期货预测上，对三类合约都具有较好的预测准确性，其中上证50和沪深300股指期货的预测效果最好，中证500股指期货的偏离度稍大[61]。 量化因子与构建方式 1. **因子名称：已实现股息率**[16] * **因子构建思路**：计算指数成分股中，在当年已经完成现金分红的公司，其分红金额相对于其市值的比率，并按权重加总，用以衡量指数已兑现的分红收益[16]。 * **因子具体构建过程**：设指数成分股中今年已现金分红的公司数量为N1。对于其中第i家公司，其已分红金额为Div_i，总市值为Cap_i，在指数中的权重为w_i。则指数的全年已实现股息率计算公式为： $$全年已实现股息率 = \sum_{i=1}^{N1} \frac{Div_i}{Cap_i} \times w_i$$[16] 2. **因子名称：剩余股息率**[16] * **因子构建思路**：计算指数成分股中，在当年尚未进行现金分红的公司，其预测分红金额相对于其市值的比率，并按权重加总，用以衡量指数未来潜在的分红收益[16]。 * **因子具体构建过程**：设指数成分股中今年尚未现金分红的公司数量为N2。对于其中第j家公司，其预测分红金额为EstDiv_j，总市值为Cap_j，在指数中的权重为w_j。则指数的剩余股息率计算公式为： $$剩余股息率 = \sum_{j=1}^{N2} \frac{EstDiv_j}{Cap_j} \times w_j$$[16] 3. **因子名称：年化升贴水率**[12] * **因子构建思路**：计算股指期货合约价格相对于其标的指数价格（已考虑分红影响）的偏离程度，并进行年化处理，以衡量期货合约的交易情绪和定价水平[11][12]。 * **因子具体构建过程**： 1. 首先计算“含分红价差”：合约收盘价 - (指数收盘价 - 预测的从当前日次日到合约到期日的总分红点数)[12]。 2. 计算升贴水幅度：含分红价差 / 指数收盘价[12]。 3. 进行年化：年化升贴水 = 升贴水幅度 × (365 / 合约到期天数)[12]。 模型的回测效果 *注：报告未提供该分红点位测算模型在回测期间的统一量化指标（如年化收益率、夏普比率、最大回撤等）。报告主要通过图表展示了预测值与实际值的偏差来评估准确性[61]。* 因子的回测效果 *注：报告未提供上述股息率因子及年化升贴水因子在选股或定价模型中的历史回测表现指标（如IC值、IR、多空收益等）。报告主要展示了截至报告日的截面数据或近期时序走势[3][4][12]。* 1. **已实现股息率因子，截至2025年12月24日取值**：上证50指数为2.70%，沪深300指数为2.19%，中证500指数为1.23%，中证1000指数为0.97%[3][16]。 2. **剩余股息率因子，截至2025年12月24日取值**：上证50指数为0.15%，沪深300指数为0.08%，中证500指数为0.02%，中证1000指数为0.01%[3][16]。 3. **年化升贴水率因子，截至2025年12月24日取值（主力合约）**：IH为2.65%（升水），IF为-4.05%（贴水），IC为-5.50%（贴水），IM为-8.67%（贴水）[4][12]。

量化模型与构建方式 1. **模型名称：微盘股/茅指数轮动模型**[19][24] * **模型构建思路**：通过比较微盘股与茅指数的相对价值和动量趋势，判断市场风格偏向，从而在两者之间进行轮动配置，以获取更高的相对收益[19][24]。 * **模型具体构建过程**： 1. 计算微盘股与茅指数的相对净值：`微盘股/茅指数相对净值`[19]。 2. 计算该相对净值的243日移动平均线（年均线）[19][24]。 3. 分别计算微盘股指数和茅指数过去20个交易日的收盘价斜率（动量）[19][24]。 4. **轮动信号生成规则**： * 当`微盘股/茅指数相对净值`高于其243日均线，且`微盘股20日斜率`为正时，倾向于投资微盘股[19][24]。 * 当`微盘股/茅指数相对净值`低于其243日均线，或`微盘股20日斜率`为负而`茅指数20日斜率`为正时，轮动模型发出切换至茅指数的信号[19][24]。 2. **模型名称：微盘股择时风控模型**[19][24] * **模型构建思路**：监控与微盘股系统性风险相关的宏观和市场指标，当指标触及预设阈值时发出平仓信号，以控制中期风险[19][24]。 * **模型具体构建过程**： 1. 计算十年期国债到期收益率的同比变化率（`十年国债利率同比`）[19]。 2. 计算微盘股波动率拥挤度的同比变化率（`波动率拥挤度同比`）[19]。 3. **风控信号生成规则**：设定两个阈值，十年国债利率同比阈值为30%，波动率拥挤度同比阈值为55%[19][24]。当任一指标触及或超过其对应阈值时，模型发出平仓信号[19][24]。 3. **模型名称：宏观择时模型**[40] * **模型构建思路**：综合经济增长和货币流动性两个维度的宏观信号，动态调整权益资产（股票）的配置仓位[40]。 * **模型具体构建过程**：模型根据经济增长和货币流动性层面的信号强度，综合计算出推荐的股票仓位。例如，截至报告期，模型对经济增长的信号强度为50%，对货币流动性的信号强度为60%，最终给出的12月份权益推荐仓位为55%[40][41]。 量化因子与构建方式 1. **因子名称：一致预期因子**[46][57] * **因子构建思路**：基于分析师对未来盈利的一致预期数据构建因子，捕捉市场对上市公司未来业绩的共识变化[57]。 * **因子具体构建过程**：包含多个细分因子，例如： * `EPS_FTTM_Chg3M`：未来12个月一致预期EPS过去3个月的变化率[57]。 * `ROE_FTTM_Chg3M`：未来12个月一致预期ROE过去3个月的变化率[57]。 * `TargetReturn_180D`：一致预期目标价相对于目前股价的收益率[57]。 2. **因子名称：市值因子**[46][57] * **因子构建思路**：使用公司规模（市值）作为因子，通常小市值公司可能具有更高的风险溢价[57]。 * **因子具体构建过程**： * `LN_MktCap`：流通市值的对数[57]。 3. **因子名称：成长因子**[46][57] * **因子构建思路**：衡量公司盈利或收入的增长能力，高成长性的公司可能获得市场溢价[57]。 * **因子具体构建过程**：包含多个细分因子，例如： * `NetIncome_SQ_Chg1Y`：单季度净利润同比增速[57]。 * `OperatingIncome_SQ_Chg1Y`：单季度营业利润同比增速[57]。 * `Revenues_SQ_Chg1Y`：单季度营业收入同比增速[57]。 4. **因子名称：反转因子**[46][58] * **因子构建思路**：基于股票过去一段时间的价格表现，认为过去表现差的股票未来可能反弹，而过去表现好的股票未来可能回调[58]。 * **因子具体构建过程**：包含多个不同时间窗口的收益率因子，例如： * `Price_Chg20D`：20日收益率[58]。 * `Price_Chg40D`：40日收益率[58]。 * `Price_Chg60D`：60日收益率[58]。 * `Price_Chg120D`：120日收益率[58]。 5. **因子名称：质量因子**[46][57] * **因子构建思路**：衡量公司的盈利质量、财务稳健性和运营效率，高质量的公司通常被认为风险更低[57]。 * **因子具体构建过程**：包含多个细分因子，例如： * `ROE_FTTM`：未来12个月一致预期净利润/股东权益均值[57]。 * `OCF2CurrentDebt`：过去12个月经营现金流净额/流动负债均值[57]。 * `GrossMargin_TTM`：过去12个月毛利率[57]。 * `Revenues2Asset_TTM`：过去12个月营业收入/总资产均值[57]。 6. **因子名称：技术因子**[46][58] * **因子构建思路**：基于价量数据构建，捕捉市场的交易行为、情绪和趋势[58]。 * **因子具体构建过程**：包含多个细分因子，例如： * `Volume_Mean_20D_240D`：20日成交量均值/240日成交量均值[58]。 * `Skewness_240D`：240日收益率偏度[58]。 * `Volume_CV_20D`：20日成交量标准差/20日成交量均值[58]。 * `Turnover_Mean_20D`：20日换手率均值[58]。 7. **因子名称：价值因子**[46][57] * **因子构建思路**：衡量公司的估值水平，寻找价格低于其内在价值的股票[57]。 * **因子具体构建过程**：包含多个细分因子，例如： * `BP_LR`：最新年报账面净资产/最新市值[57]。 * `EP_FTTM`：未来12个月一致预期净利润/最新市值[57]。 * `SP_TTM`：过去12个月营业收入/最新市值[57]。 * `EP_FY0`：当期年报一致预期净利润/最新市值[57]。 * `Sales2EV`：过去12个月营业收入/企业价值[57]。 8. **因子名称：波动率因子**[46][58] * **因子构建思路**：衡量股票价格或收益的波动性，低波动率的股票可能具有防御属性或风险更低[58]。 * **因子具体构建过程**：包含多个细分因子，例如： * `Volatility_60D`：60日收益率标准差[58]。 * `IV_CAPM`：CAPM模型残差波动率[58]。 * `IV_FF`：Fama-French三因子模型残差波动率[58]。 * `IV_Carhart`：Carhart四因子模型残差波动率[58]。 9. **因子名称：可转债择券因子（正股一致预期、正股成长、正股财务质量、正股价值、转债估值）**[54] * **因子构建思路**：针对可转债特性构建择券因子，一部分因子从预测正股表现的角度出发（如正股一致预期、价值等），另一部分直接衡量转债的估值水平（如平价底价溢价率）[54]。 * **因子具体构建过程**：报告提及了五类可转债择券因子，包括正股一致预期、正股成长、正股财务质量、正股价值以及转债估值因子（如平价底价溢价率），但未给出具体构建公式[54]。 模型的回测效果 1. **宏观择时模型**：2025年年初至报告期的收益率为13.57%，同期Wind全A收益率为25.65%[40]。 因子的回测效果 *（以下因子表现数据均基于“上周”和“今年以来”两个时间窗口，在“全部A股”、“沪深300”、“中证500”、“中证1000”四个股票池中的IC均值和多空收益）[47]* 1. **一致预期因子** * **上周IC均值**：全部A股(-0.13%)， 沪深300(-3.26%)， 中证500(-1.98%)， 中证1000(-3.26%)[47]。 * **今年以来IC均值**：全部A股(1.93%)， 沪深300(4.73%)， 中证500(3.26%)， 中证1000(2.33%)[47]。 * **上周多空收益**：全部A股(-0.41%)， 沪深300(-0.31%)， 中证500(0.25%)， 中证1000(-0.66%)[47]。 * **今年以来多空收益**：全部A股(14.72%)， 沪深300(8.94%)， 中证500(22.18%)， 中证1000(21.22%)[47]。 2. **市值因子** * **上周IC均值**：全部A股(17.14%)， 沪深300(-3.23%)， 中证500(10.89%)， 中证1000(18.18%)[47]。 * **今年以来IC均值**：全部A股(3.79%)， 沪深300(-1.32%)， 中证500(2.08%)， 中证1000(3.22%)[47]。 * **上周多空收益**：全部A股(1.80%)， 沪深300(0.50%)， 中证500(0.90%)， 中证1000(1.83%)[47]。 * **今年以来多空收益**：全部A股(14.58%)， 沪深300(-3.98%)， 中证500(5.09%)， 中证1000(4.13%)[47]。 3. **成长因子** * **上周IC均值**：全部A股(-0.46%)， 沪深300(-10.58%)， 中证500(-7.15%)， 中证1000(-4.41%)[47]。 * **今年以来IC均值**：全部A股(1.38%)， 沪深300(4.12%)， 中证500(1.41%)， 中证1000(1.22%)[47]。 * **上周多空收益**：全部A股(0.24%)， 沪深300(-0.64%)， 中证500(-0.41%)， 中证1000(-1.15%)[47]。 * **今年以来多空收益**：全部A股(18.75%)， 沪深300(47.80%)， 中证500(2.83%)， 中证1000(13.38%)[47]。 4. **反转因子** * **上周IC均值**：全部A股(14.00%)， 沪深300(5.70%)， 中证500(12.53%)， 中证1000(16.69%)[47]。 * **今年以来IC均值**：全部A股(6.83%)， 沪深300(0.56%)， 中证500(4.10%)， 中证1000(6.63%)[47]。 * **上周多空收益**：全部A股(1.90%)， 沪深300(1.14%)， 中证500(2.46%)， 中证1000(1.68%)[47]。 * **今年以来多空收益**：全部A股(14.55%)， 沪深300(-24.31%)， 中证500(-7.75%)， 中证1000(11.20%)[47]。 5. **质量因子** * **上周IC均值**：全部A股(4.51%)， 沪深300(9.33%)， 中证500(9.95%)， 中证1000(5.73%)[47]。 * **今年以来IC均值**：全部A股(0.52%)， 沪深300(2.08%)， 中证500(1.35%)， 中证1000(0.12%)[47]。 * **上周多空收益**：全部A股(0.91%)， 沪深300(0.96%)， 中证500(1.92%)， 中证1000(0.86%)[47]。 * **今年以来多空收益**：全部A股(4.34%)， 沪深300(31.40%)， 中证500(0.85%)， 中证1000(-2.28%)[47]。 6. **技术因子** * **上周IC均值**：全部A股(16.08%)， 沪深300(8.60%)， 中证500(13.68%)， 中证1000(16.35%)[47]。 * **今年以来IC均值**：全部A股(8.92%)， 沪深300(3.40%)， 中证500(4.80%)， 中证1000(7.18%)[47]。 * **上周多空收益**：全部A股(0.84%)， 沪深300(1.55%)， 中证500(0.23%)， 中证1000(1.39%)[47]。 * **今年以来多空收益**：全部A股(41.96%)， 沪深300(10.99%)， 中证500(4.99%)， 中证1000(18.07%)[47]。 7. **价值因子** * **上周IC均值**：全部A股(17.99%)， 沪深300(13.77%)， 中证500(22.28%)， 中证1000(27.80%)[47]。 * **今年以来IC均值**：全部A股(4.23%)， 沪深300(3.28%)， 中证500(3.02%)， 中证1000(3.06%)[47]。 * **上周多空收益**：全部A股(2.30%)， 沪深300(1.27%)， 中证500(2.58%)， 中证1000(3.23%)[47]。 * **今年以来多空收益**：全部A股(-1.00%)， 沪深300(-9.33%)， 中证500(-8.29%)， 中证1000(-16.98%)[47]。 8. **波动率因子** * **上周IC均值**：全部A股(18.62%)， 沪深300(4.10%)， 中证500(16.49%)， 中证1000(25.23%)[47]。 * **今年以来IC均值**：全部A股(8.90%)， 沪深300(1.19%)， 中证500(4.72%)， 中证1000(7.25%)[47]。 * **上周多空收益**：全部A股(2.58%)， 沪深300(0.52%)， 中证500(2.90%)， 中证1000(3.04%)[47]。 * **今年以来多空收益**：全部A股(30.67%)， 沪深300(-28.15%)， 中证500(-13.97%)， 中证1000(6.00%)[47]。

量化模型与因子总结 量化模型与构建方式 本报告为市场数据跟踪报告，未涉及具体的量化选股或择时模型，也未构建用于预测收益的量化因子。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[1][10]。 量化因子与构建方式 报告计算并跟踪了多个用于描述市场状态和估值水平的指标，这些指标可被视为观测市场的“因子”。 1. **因子名称：风险溢价** * **因子构建思路：** 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与其之差，用以衡量股票市场相对于无风险资产的超额回报和投资价值[28]。 * **因子具体构建过程：** 风险溢价 = 指数收益率 - 十年期国债即期收益率。报告中具体展示了各宽基指数的当前风险溢价、历史分位值、均值和波动率等统计量[32]。 2. **因子名称：股债性价比** * **因子构建思路：** 将股票估值指标的倒数与无风险利率进行比较，用以判断股票与债券资产的相对吸引力[45]。 * **因子具体构建过程：** 股债性价比 = (1 / 指数PE-TTM) - 十年期国债即期收益率[45]。报告通过对比该值与其历史分位（如80%分位为机会值，20%分位为危险值）来评估当前市场状态[45]。 3. **因子名称：指数换手率** * **因子构建思路：** 衡量市场或特定板块的交易活跃程度[18]。 * **因子具体构建过程：** 报告中对宽基指数换手率的计算方式为：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)[18]。 4. **因子名称：破净率** * **因子构建思路：** 通过统计市净率小于1的个股占比，反映市场总体的估值低迷程度或悲观情绪[53][55]。 * **因子具体构建过程：** 破净率 = (指数成分股中市净率小于1的股票数量) / (指数成分股总数)[53]。报告跟踪了各宽基指数的破净率及其历史变化[56]。 5. **因子名称：收益分布形态指标（偏度与峰度）** * **因子构建思路：** 通过计算指数日收益率分布的偏度和超额峰度，描述收益分布的不对称性和尖峰肥尾特征，用以观测市场极端行情出现的概率变化[24][26]。 * **因子具体构建过程：** 报告计算了各指数当前日收益率序列的偏度和峰度，并与近5年历史同期数据进行比较。其中，峰度计算减去了3（正态分布的峰度值），因此“当前峰度”实为超额峰度[26]。 因子的回测效果 报告未提供基于这些因子的策略回测结果，如信息比率(IR)、夏普比率等。报告主要呈现了这些因子在特定时点（2025年12月23日）的截面取值和历史分位情况。 1. **风险溢价因子**，当前值：上证50(0.23%)、沪深300(0.19%)、中证500(0.01%)、中证1000(-0.22%)、中证2000(-0.63%)、中证全指(-0.08%)、创业板指(0.40%)[32]；近5年分位值：上证50(62.46%)、沪深300(60.16%)、中证500(49.21%)、中证1000(40.08%)、中证2000(28.57%)、中证全指(46.59%)、创业板指(62.54%)[31][32]。 2. **PE-TTM因子**，当前值：上证50(11.80)、沪深300(14.11)、中证500(33.07)、中证1000(45.61)、中证2000(154.14)、中证全指(21.24)、创业板指(41.40)[43]；近5年分位值：上证50(84.38%)、沪深300(85.45%)、中证500(95.87%)、中证1000(93.88%)、中证2000(81.65%)、中证全指(93.39%)、创业板指(58.43%)[42][43]。 3. **股息率因子**，当前值：上证50(3.13%)、沪深300(2.73%)、中证500(1.42%)、中证1000(1.12%)、中证2000(0.78%)、中证全指(2.03%)、创业板指(0.97%)[52]；近5年分位值：上证50(30.74%)、沪深300(36.61%)、中证500(20.99%)、中证1000(45.62%)、中证2000(21.90%)、中证全指(35.70%)、创业板指(62.40%)[50][52]。 4. **破净率因子**，当前值：上证50(22.0%)、沪深300(16.0%)、中证500(10.8%)、中证1000(8.0%)、中证2000(3.3%)、中证全指(6.18%)[56]。 5. **换手率因子**，当前值：中证2000(3.99)、中证1000(2.26)、创业板指(2.07)、中证全指(1.67)、中证500(1.55)、沪深300(0.51)、上证50(0.22)[18]。 6. **收益分布峰度因子**，当前值：上证50(-0.03)、沪深300(0.56)、中证500(0.75)、中证1000(1.35)、中证2000(1.39)、中证全指(0.94)、创业板指(1.06)[26]；当前vs近5年差值：上证50(-2.10)、沪深300(-1.84)、中证500(-2.21)、中证1000(-1.38)、中证2000(-1.47)、中证全指(-1.87)、创业板指(-2.63)[26]。 7. **收益分布偏度因子**，当前值：上证50(1.31)、沪深300(1.52)、中证500(1.54)、中证1000(1.65)、中证2000(1.68)、中证全指(1.61)、创业板指(1.57)[26]；当前vs近5年差值：上证50(-0.58)、沪深300(-0.46)、中证500(-0.56)、中证1000(-0.35)、中证2000(-0.35)、中证全指(-0.46)、创业板指(-0.65)[26]。

量化因子总结 量化因子与构建方式 1. **因子名称**：大小盘风格因子[12] * **因子构建思路**：用于衡量市场风格在大盘股与小盘股之间的偏向程度[10]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式，仅通过定性描述（如“偏向大盘”）来跟踪风格方向[10][12]。 2. **因子名称**：价值成长风格因子[12] * **因子构建思路**：用于衡量市场风格在价值股与成长股之间的偏向程度[10]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式，仅通过定性描述（如“偏向价值”）来跟踪风格方向[10][12]。 3. **因子名称**：大小盘风格波动因子[12] * **因子构建思路**：用于衡量大小盘风格因子的波动水平[10]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式，仅通过定性描述（如“波动下降”）来跟踪其变化[10][12]。 4. **因子名称**：价值成长风格波动因子[12] * **因子构建思路**：用于衡量价值成长风格因子的波动水平[10]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式，仅通过定性描述（如“波动下降”）来跟踪其变化[10][12]。 5. **因子名称**：行业指数超额收益离散度因子[12] * **因子构建思路**：用于衡量不同行业指数超额收益的分散程度，反映市场行业结构的集中或分化情况[10]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式，仅通过定性描述（如“离散度上升”）来跟踪其变化[10][12]。 6. **因子名称**：行业轮动度量因子[12] * **因子构建思路**：用于衡量行业间轮动切换的速度[10]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式，仅通过定性描述（如“速度上升”）来跟踪其变化[10][12]。 7. **因子名称**：成分股上涨比例因子[12] * **因子构建思路**：用于衡量市场成分股中上涨股票的比例，反映市场的广度[10]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式，仅通过定性描述（如“比例下降”）来跟踪其变化[10][12]。 8. **因子名称**：前100个股成交额占比因子[12] * **因子构建思路**：计算成交额排名前100的个股成交额占市场总成交额的比例，用于度量个股交易的集中度[10]。 * **因子具体构建过程**：报告未提供具体的计算公式，仅通过定性描述（如“集中度持平”）来跟踪其变化[10][12]。 9. **因子名称**：前5行业成交额占比因子[12] * **因子构建思路**：计算成交额排名前5的行业成交额占市场总成交额的比例，用于度量行业交易的集中度[10]。 * **因子具体构建过程**：报告未提供具体的计算公式，仅通过定性描述（如“集中度下降”）来跟踪其变化[10][12]。 10. **因子名称**：指数波动率因子[12] * **因子构建思路**：用于衡量市场整体的波动水平[11]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式，仅通过定性描述（如“波动率下降”）来跟踪其变化[11][12]。 11. **因子名称**：指数换手率因子[12] * **因子构建思路**：用于衡量市场整体的交易活跃度[11]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式，仅通过定性描述（如“换手率下降”）来跟踪其变化[11][12]。 12. **因子名称**：商品期货趋势强度因子[29] * **因子构建思路**：用于衡量商品期货市场各板块的价格趋势强弱程度[24]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式，仅通过定性描述（如“趋势强度上升”）来跟踪各板块的变化[24][29]。 13. **因子名称**：商品期货市场波动水平因子[29] * **因子构建思路**：用于衡量商品期货市场各板块的波动率水平[24]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式，仅通过定性描述（如“波动率上升”）来跟踪各板块的变化[24][29]。 14. **因子名称**：商品期货市场流动性因子[29] * **因子构建思路**：用于衡量商品期货市场各板块的流动性水平[24]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式，仅通过定性描述（如“流动性抬升”）来跟踪各板块的变化[24][29]。 15. **因子名称**：商品期货期限结构因子（基差动量）[29] * **因子构建思路**：通过基差动量的变化来跟踪商品期货市场的期限结构特征[24]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式，仅通过定性描述（如“基差动量上升”）来跟踪各板块的变化[24][29]。 16. **因子名称**：期权隐含波动率因子[32] * **因子构建思路**：跟踪上证50与中证1000指数期权的隐含波动率水平，反映市场对未来波动的预期[32]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式，仅描述其从低位反弹的现象[32]。 17. **因子名称**：期权波动率偏度因子[32] * **因子构建思路**：跟踪看涨与看跌期权的波动率偏度，用于分析市场风险偏好和压力分布[32]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式，仅描述不同指数偏度的变化方向（如“双降”、“上升”）[32]。 18. **因子名称**：百元转股溢价率因子[34] * **因子构建思路**：用于衡量可转债市场整体的估值水平[34]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式，仅描述其维持震荡上升趋势[34]。 19. **因子名称**：纯债溢价率因子（按平价底价溢价率分组）[34] * **因子构建思路**：对偏债型可转债分组，计算其纯债溢价率，用于分析债性估值变化[34]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式，仅描述其小幅上升[34]。 20. **因子名称**：低转股溢价率转债占比因子[34] * **因子构建思路**：计算市场中低转股溢价率可转债的占比，用于观察估值结构[34]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式，仅描述其持续下降并处于偏低水平[34]。 21. **因子名称**：可转债市场成交额因子[34] * **因子构建思路**：跟踪可转债市场的总成交额，用于衡量市场活跃度[34]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式，仅描述其回暖并站上历史中位数[34]。 因子的回测效果 （注：本报告为市场环境跟踪周报，主要展示各因子在特定时间窗口（2025.12.15-2025.12.19）的当期状态和方向性变化，未提供历史回测的量化指标（如IC、IR、多空收益等）。所有因子取值均为定性描述，汇总如下表。） | 因子名称 | 上周简评/取值 | | :--- | :--- | | 大小盘风格因子 | 风格偏向大盘[12] | | 价值成长风格因子 | 风格偏向价值[12] | | 大小盘风格波动因子 | 大小盘风格波动下降[12] | | 价值成长风格波动因子 | 价值成长风格波动下降[12] | | 行业指数超额收益离散度因子 | 行业收益离散度上升[12] | | 行业轮动度量因子 | 行业轮动速度上升[12] | | 成分股上涨比例因子 | 成分股上涨比例下降[12] | | 前100个股成交额占比因子 | 个股成交集中度持平[12] | | 前5行业成交额占比因子 | 行业成交集中度下降[12] | | 指数波动率因子 | 市场波动率下降[12] | | 指数换手率因子 | 市场换手率表现下降[12] | | 商品期货趋势强度因子 | 黑色板块趋势强度下降，其他板块上升[29] | | 商品期货市场波动水平因子 | 贵金属及农产品板块波动率下降，其他板块上升[29] | | 商品期货市场流动性因子 | 能化及农产品板块流动性下降，其他板块抬升[29] | | 商品期货期限结构因子（基差动量） | 能化及黑色板块基差动量上升，其他板块下降[29] | | 期权隐含波动率因子（上证50/中证1000） | 从低位水平有所反弹[32] | | 期权波动率偏度因子（上证50） | 看涨与看跌期权偏度双降[32] | | 期权波动率偏度因子（中证1000） | 看跌期权偏度周内继续上升[32] | | 百元转股溢价率因子 | 再创年内新高，维持震荡上升趋势[34] | | 纯债溢价率因子（偏债型分组） | 小幅上升[34] | | 低转股溢价率转债占比因子 | 持续下降，处于偏低水平[34] | | 可转债市场成交额因子 | 回暖，重新站到历史一年中位数上方[34] |

量化模型与构建方式 1. **模型名称：高景气成长与红利策略轮动择时模型**[59] * **模型构建思路：** 构建一个系统化的定量模型，用于在“高景气成长”策略（以创业板指为代表）和“红利”策略（以中证红利全收益指数为代表）之间进行月度轮动配置，以捕捉不同市场环境下的优势风格[59]。 * **模型具体构建过程：** 1. **信号指标选取：** 从单因子测试中选取五个有效指标：期限利差、社融增速、CPI与PPI四象限、美债利率、资金博弈（ETF、险资、外资）[59]。 2. **信号生成：** 每月底，根据每个指标的状态，分别给出买入高景气成长或买入红利的配置信号（例如，指标值为0或1）[58][59]。 3. **综合打分：** 将五个指标当期给出的信号值取均值，作为最终的复合打分[59]。 4. **配置决策：** 根据复合打分的高低，决定下一个月在成长与红利之间的配置比例。例如，截至2025年12月12日，模型建议红利与成长的配置比例为60:40[55][59]。 2. **模型名称：黄金择时模型**[31][32] * **模型构建思路：** 通过构建一个多维度指标体系，对黄金价格进行择时判断，以区分配置仓位和交易仓位[30][31]。 * **模型具体构建过程：** 1. **指标体系构建：** 选取与黄金价格相关的六大类细分指标，包括：抗通胀属性（美国10年期盈亏平衡通胀率）、金融属性（实际利率）、货币属性（美国联邦政府财政赤字、商业银行总负债）、避险属性（经济政策不确定性指数）、资金与衍生品（CFTC黄金投机净多仓）、需求属性（中国央行黄金储备）以及技术指标（MAMA）[32]。 2. **信号处理：** 对部分低频数据（如月度、周度数据）进行时滞处理，以匹配交易频率。例如，财政赤字数据记录15个交易日时滞，商业银行负债数据记录25个交易日时滞，CFTC持仓数据记录6个交易日时滞，中国央行购金数据记录6个交易日时滞[32]。 3. **观点集成：** 对每个指标给出最新的多空观点（表中以“1”或“0”表示），综合这些观点形成对黄金的择时判断[32]。技术指标MAMA的参数设置为：fastlimit=0.1， slowlimit=0.01[32]。 模型的回测效果 1. **高景气成长与红利策略轮动择时模型**，累计收益193.47%，年化收益17.54%，最大回撤27.08%，年化波动率22.95%，年化夏普比率0.76，Calmar比率0.65[56]。 * **业绩基准（等权配置）**，累计收益60.61%，年化收益5.02%，最大回撤35.22%，年化波动率20.69%，年化夏普比率0.24，Calmar比率0.14[56]。 * **轮动策略相对基准的超额年化收益**为11.77%[59]。 量化因子与构建方式 1. **因子名称：期限利差因子**[59] * **因子构建思路：** 作为成长/红利轮动模型的输入指标之一，反映宏观经济预期和流动性环境，通常利差走阔有利于成长风格[59]。 2. **因子名称：社融增速因子**[59] * **因子构建思路：** 作为成长/红利轮动模型的输入指标之一，反映国内信用扩张程度和实体经济融资需求，影响市场风险偏好和风格[59]。 3. **因子名称：CPI与PPI四象限因子**[59] * **因子构建思路：** 作为成长/红利轮动模型的输入指标之一，通过分析消费者价格指数（CPI）与生产者价格指数（PPI）的相对位置和走势，判断经济所处的通胀周期阶段，从而对风格资产进行择时[58][59]。 4. **因子名称：美债利率因子**[59] * **因子构建思路：** 作为成长/红利轮动模型的输入指标之一，反映全球无风险利率和流动性预期，尤其影响对利率敏感的高估值成长板块[59]。 5. **因子名称：资金博弈因子**[59] * **因子构建思路：** 作为成长/红利轮动模型的输入指标之一，综合跟踪ETF、保险资金、外资（北向资金）等不同类型资金的流向和行为，捕捉市场情绪和风格偏好[59]。 因子的回测效果 （报告中未提供上述单个因子的独立测试结果取值）

量化模型与构建方式 1. **模型名称：Sharpe模型**[17][50][52] * **模型构建思路**：该模型用于对基金进行业绩归因，分析其收益来源，特别是股债轮动和风格（如大盘/小盘、价值/成长）的切换情况[50][52] * **模型具体构建过程**：报告未详细描述Sharpe模型的具体构建公式和步骤，仅展示了其归因结果。根据金融工程常识，Sharpe模型通常指基于William F. Sharpe提出的资产类别因子模型，用于将投资组合的超额收益分解为对不同资产类别或风格因子暴露所带来的收益。一般构建过程包括：1) 选择一组基准资产类别或风格指数作为因子；2) 在每一期，通过约束回归（如使权重非负且和为1）找到投资组合收益对这些因子收益的最佳拟合；3) 拟合系数即为该期投资组合在各因子上的配置权重，残差即为选股能力（Alpha）[50][52] * **模型评价**：通过该模型分析，可以看出基金经理胡中原在管理华商润丰A时进行了明显的股债轮动操作，并且基金的整体风格历史偏向小盘成长，但在2025年下半年逐渐切换为大盘成长[50][52] 模型的回测效果 1. Sharpe模型， 分析显示华商润丰A历史整体风格偏向小盘成长，2025年下半年起逐渐切换为大盘成长[50][52] 量化因子与构建方式 1. **因子名称：行业配置超额收益因子**[9][29][31][32] * **因子构建思路**：通过计算基金持仓行业相对于行业基准的平均季度收益，来评估基金经理行业配置能力，判断其是否能持续获取行业贝塔收益[9][29][31] * **因子具体构建过程**：统计基金在特定时间段内（如2019Q3-2025Q3）所有历史持仓行业。对于每个被重仓持有的行业，计算其平均季度收益和平均季度超额收益。其中，超额收益为个股或行业组合收益减去对应行业指数的收益。报告以华商润丰A为例，展示了其重仓行业（如通信、电子）的平均季度收益和超额收益[29][31][32] 2. **因子名称：个股配置收益因子**[9][35][38] * **因子构建思路**：通过计算基金前十大重仓股在持有期内的收益和超额收益，来评估基金经理的个股选择能力和持股胜率[9][35][38] * **因子具体构建过程**：按历史持有次数对基金的前十大重仓股进行排序。对于每只股票，计算其在基金报告期所在季度的涨跌幅作为收益，并计算其相对于所属行业指数涨跌幅的超额收益。进一步计算单只股票的平均收益、累计收益、平均超额收益和累计超额收益。例如，报告统计了中际旭创、天孚通信等个股的持有次数和收益情况[35][38] 3. **因子名称：行业集中度与相关性控制因子**[3][12][36][37] * **因子构建思路**：通过控制单一行业的最大仓位上限，并配置相关性低的行业，来分散组合风险，控制回撤[3][12][36] * **因子具体构建过程**：包含两个具体规则：1) **单一行业仓位限制**：设定单一行业占股票投资市值的比例不超过30%（在特殊强势行情下可阶段性突破）[3][12][36]。2) **低相关性行业配置**：在任何时点都配置至少两个相关性极低的行业方向。通过计算重仓行业日涨跌幅的相关系数矩阵来验证，例如在2022年上半年，配置的电力设备、交通运输、有色金属、社会服务等行业间相关性较低（如有色金属与社会服务相关性仅12%）[36][37] 4. **因子名称：核心-卫星策略因子**[42][44][45] * **因子构建思路**：采用“核心-卫星”资产配置策略，核心仓位长期重点配置于长期主线（如AI算力），卫星仓位围绕主线进行灵活轮动，以捕捉阶段性机会[42][44] * **因子具体构建过程**：1) **核心仓位构建**：长期且高比例配置于判断为长期景气主线的行业龙头股，并持续持有。例如，华商润丰A长期重仓光通信龙头股中际旭创、新易盛、天孚通信[42][44]。2) **卫星仓位构建**：围绕核心主线，在衍生方向（如AI服务器、AI应用、汽车电子）进行灵活轮动和调整，持仓周期相对较短，权重相对较低[42][44] 5. **因子名称：股债择时因子**[4][28][40] * **因子构建思路**：基于宏观判断和市场位置，自上而下灵活调整股票和债券的配置比例，以捕捉市场节奏，控制风险[4][28][40] * **因子具体构建过程**：根据对宏观经济、市场估值和情绪的研判，动态调整基金资产在股票、债券、现金等大类资产上的配置比例。例如，在2020年初判断牛市而高配股票，2020年底因市场情绪高涨而提前降仓，2024年初判断市场见底而大幅加仓至90%以上，2025年三季度趋势打破后降仓防御[28][40] 6. **因子名称：债券久期管理因子**[4][12][53][54][57] * **因子构建思路**：根据市场利率变化和宏观预期，调整债券组合的久期，以管理利率风险并增厚收益[4][12][53] * **因子具体构建过程**：观察市场利率（如10年期国债收益率）水平，在利率低位时降低组合久期或杠杆，在利率高位时拉长久期或增加杠杆。例如，华商润丰A在2019H2-2023H1平均久期为0.96年（中短久期策略），2023H2配置长期国债后久期提升至5.43年[53][54][57] 7. **因子名称：信用债评级筛选因子**[12][61][63][64][65][67] * **因子构建思路**：在信用债投资中，通过设定严格的信用评级门槛，规避信用下沉风险，主要配置高等级信用债[12][61][63] * **因子具体构建过程**：设定信用债入库的最低评级要求。例如，华商润丰A重仓信用债的评级始终要求在AA+以上，且2019年三季度后全部为AAA级；华商安恒A自成立以来，重仓信用债的债项评级和主体评级全部为AAA[61][63][64][65][67] 因子的回测效果 1. 行业配置超额收益因子， 华商润丰A绝大多数持仓行业获得正超额收益，通信、电子行业平均每只股票每个季度上涨32%、51%，且都有不俗的超额收益[29][31][32] 2. 个股配置收益因子， 华商润丰A持股胜率高，个股超额收益明显，例如中际旭创重仓10次，平均收益39%，累计收益386%，平均超额收益30%，累计超额收益301%[35][38] 3. 行业集中度与相关性控制因子， 华商润丰A近7年最大回撤-27.31%，优于灵活配置型基金指数（-34.04%）[18][20]；在2022H1市场下行期，通过配置低相关性行业（如电力设备与交通运输相关性30%，有色金属与社会服务相关性12%）有效控制回撤[36][37] 4. 核心-卫星策略因子， 华商润丰A在近四个季度坚守AI算力核心仓位（如中际旭创、新易盛），同时卫星仓位灵活轮动，策略清晰[42][44][45] 5. 股债择时因子， 华商润丰A在2020年通过高仓位捕捉到大牛市（年度涨幅59%），并在2020年底提前降仓避免了随后的市场调整[28] 6. 债券久期管理因子， 华商润丰A在2020H2利率低位时杠杆率达126.58%，在2021年初利率阶段高点时降低杠杆，此后保持稳定[53][54] 7. 信用债评级筛选因子， 华商润丰A自2021年提高债券持仓以来，前五大重仓债券以利率债为主，信用债持仓评级高，有效规避了信用风险[61][63]