量化模型与构建方式 1. **模型名称：卷积神经网络趋势观察模型**[79] * **模型构建思路**：利用卷积神经网络（CNN）对个股历史价量数据生成的标准化图表进行深度学习，识别图表中的特征模式，并建立这些模式与未来价格走势之间的映射关系。最终将学习到的有效特征应用于行业主题板块，生成配置建议。[79] * **模型具体构建过程**： 1. **数据准备**：为每个个股在特定窗口期内的价量数据（如价格、成交量）构建标准化的图表。这个过程可能包括数据归一化、时间序列到图像的转换等步骤，以生成CNN可处理的输入格式。[79] 2. **模型训练**：使用卷积神经网络对上述生成的图表化数据进行建模。模型的学习目标是建立图表特征与未来一段时间（报告中未明确具体期限）价格变动之间的关联。[79] 3. **特征映射与应用**：将训练好的CNN模型学习到的有效特征，从个股层面映射到更广泛的行业主题板块中，从而判断哪些行业主题在未来可能具有趋势性机会。[79] * **模型评价**：该模型属于利用深度学习技术进行市场趋势观察和行业配置的前沿方法，能够从复杂的价量图表中提取非线性特征。[79] 2. **模型名称：宏观因子事件模型**[56] * **模型构建思路**：通过跟踪一系列关键的国内外宏观指标，定义并识别其走势中的特定事件（如短期高低点、连续涨跌等），并从历史数据中筛选出对未来资产收益率有显著预测作用的“有效因子事件”，以此作为判断市场趋势的依据。[56] * **模型具体构建过程**： 1. **因子选择**：从货币政策、财政政策、流动性、通胀水平等多个角度，选取对市场影响较大的宏观因子，例如PMI、CPI同比、社融存量同比、10年期国债收益率、美元指数等。[56][59] 2. **事件定义**：针对每个宏观因子，定义四类走势事件：短期高点/低点、连续上涨/下跌、创历史新高/新低、因子走势反转。[56] 3. **有效性检验**：在历史数据中回溯，统计各类宏观因子事件发生后，相关资产（如股票、债券）在未来一段时间（例如一个月）的平均收益率，筛选出导致资产收益存在显著差异的事件，标记为“有效因子事件”。[56] 4. **趋势判断**：对于连续型指标，采用历史均线（如1月、3月、12月均线）将其走势划分为“上行”或“下行”趋势，并统计在该趋势下资产未来的平均表现，形成观点（如看多、震荡）。[58][59] 3. **模型名称：期权成交量看涨看跌比（CPR）模型**[49] * **模型构建思路**：通过监测上证50ETF期权成交量的看涨看跌比率（CPR）与其布林通道的相对位置，来判断蓝筹股市场的短期情绪和超买超卖风险。[49] * **模型具体构建过程**： 1. **计算CPR**：计算上证50ETF期权成交量的看涨看跌比率。具体公式未在报告中给出，通常为看涨期权成交量与看跌期权成交量之比。 2. **构建布林通道**：计算CPR的60日移动平均线作为中轨，并计算其标准差，以此构建布林通道的上轨和下轨。[49] 3. **生成信号**：当滚动20日的CPR值高于60日布林通道的上轨时，模型认为市场情绪过于乐观，蓝筹股短期存在超卖风险。[49] 4. **模型名称：GFTD模型**[83] * **模型构建思路**：报告中仅提及该模型名称及历史择时成功率，未详细说明其构建思路和过程。[83] 5. **模型名称：LLT模型**[83] * **模型构建思路**：报告中仅提及该模型名称及历史择时成功率，未详细说明其构建思路和过程。[83] 量化因子与构建方式 1. **因子名称：新高新低比例因子**[34] * **因子构建思路**：通过统计市场中创近期新高与新低的个股数量占比，来度量市场的整体强度与广度，是常用的市场情绪跟踪指标。[34] * **因子具体构建过程**： 1. **新高比例**：计算当日收盘价创近60日新高的个股数量，除以当日总上市个股数量（或样本空间内个股数量），得到百分比。公式为： $$新高比例 = \frac{创近60日新高个股数}{总个股数} \times 100\%$$ 2. **新低比例**：计算当日收盘价创近60日新低的个股数量，除以当日总上市个股数量（或样本空间内个股数量），得到百分比。公式为： $$新低比例 = \frac{创近60日新低个股数}{总个股数} \times 100\%$$ [34] 2. **因子名称：个股均线结构因子（均线强弱指标）**[38] * **因子构建思路**：通过计算市场中呈现特定均线多头排列与空头排列的个股数量差异占比，来反映市场整体的技术趋势强弱。[38] * **因子具体构建过程**： 1. **个股判断**：对于每只个股，判断其短期、中期、长期均线（如5日、20日、60日均线）是否呈多头排列（短期>中期>长期）或空头排列（短期<中期<长期）。[38] 2. **市场汇总**：统计全市场（或样本空间内）呈多头排列的个股数量（$N_{多头}$）和呈空头排列的个股数量（$N_{空头}$）。[38] 3. **计算指标**：计算多头排列个股数量与空头排列个股数量之差，再除以总个股数（或两者之和），得到百分比。报告中展示的指标可能为： $$均线强弱指标 = \frac{N_{多头} - N_{空头}}{总个股数} \times 100\%$$ 或类似形式。[38] 3. **因子名称：长期均线以上比例因子**[41] * **因子构建思路**：统计股价位于长期移动平均线（如200日均线）之上的个股比例，用以衡量市场长期趋势的强弱和广度。[41] * **因子具体构建过程**：计算当日收盘价位于其200日移动平均线之上的个股数量，除以总个股数（或样本空间内个股数量），得到百分比。[41] 4. **因子名称：风险溢价因子**[67] * **因子构建思路**：用股票市场的隐含收益率（市盈率倒数）减去无风险收益率（十年期国债收益率），衡量股票资产相对于债券资产的超额收益吸引力。[67][82] * **因子具体构建过程**：以中证全指为例，计算公式为： $$风险溢价 = \frac{1}{PE_{TTM}} - 十年期国债收益率$$ 其中，$PE_{TTM}$ 为中证全指的滚动市盈率。[67][82] 5. **因子名称：指数超买超卖因子**[70] * **因子构建思路**：通过某种量化方法计算主要指数和行业指数的超跌或超买程度，通常是一个百分比指标，用于识别市场极端状态。[70][71][74] * **因子具体构建过程**：报告中未给出该因子的具体计算公式，仅展示了统计结果。该因子可能基于价格偏离均线的幅度、RSI等震荡指标，或是创特定周期新低个股占比等方法构建。[70] 6. **因子名称：融资余额因子**[77] * **因子构建思路**：跟踪市场融资余额的绝对规模及其占流通市值的比例，作为衡量市场杠杆水平和投资者风险偏好的指标。[77] * **因子具体构建过程**： 1. **融资余额**：直接获取市场的总融资买入未偿还金额。[77] 2. **融资余额占比**：计算融资余额占A股流通市值的百分比。公式为： $$融资余额占比 = \frac{融资余额}{流通市值} \times 100\%$$ [77][78] 7. **因子名称：市场真实换手率因子**[52] * **因子构建思路**：考虑自由流通股本后计算的市场换手率，以更真实地反映市场的交易活跃度和资金流动情况。[52] * **因子具体构建过程**：计算市场总成交金额与自由流通市值的比率。以中证全指为例，公式可能为： $$真实换手率 = \frac{总成交金额}{自由流通市值} \times 100\%$$ [52] 8. **因子名称：基金仓位因子**[43] * **因子构建思路**：通过回归等方法估算普通股票型、偏股混合型等权益类公募基金的整体仓位水平，反映机构投资者的仓位变动。[43] * **因子具体构建过程**：选取普通股票、偏股混合、平衡混合、灵活配置等类型的基金（剔除联接基金），将其净值表现与中证800指数进行回归，估算其权益仓位，再按基金规模进行加权，得到整体权益基金仓位估计值。[43] 模型的回测效果 1. **GFTD模型**，历史择时成功率约80%[83] 2. **LLT模型**，历史择时成功率约80%[83] 因子的回测效果 *(注：本报告未提供各因子的具体回测指标（如IC、IR、多空收益等）数值，仅展示了部分因子在最新一期的状态或历史走势图。因此，本部分无法列出具体的指标取值。)*

量化模型与构建方式 1. **模型名称：情绪择时模型**[14] * **模型构建思路**：通过构建与涨跌停板相关的因子来刻画市场的情绪强弱，并综合多个情绪因子信号生成择时信号。[14] * **模型具体构建过程**：模型包含五个细分情绪因子：净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益。每个因子独立计算并生成信号（例如，0分或1分），最终将所有因子信号汇总，得到一个总分（满分5分）。[14][17] * **模型评价**：该模型用于判断市场情绪的强弱和方向。[14] 2. **模型名称：高频资金流择时模型**[14] * **模型构建思路**：通过分析高频资金流的走势，对主要宽基指数生成买入或卖出信号。[14] * **模型具体构建过程**：模型针对不同宽基指数（如沪深300、中证500等）分别构建。根据高频资金流数据，模型会生成四种不同风险偏好的信号：激进多头、激进多空、稳健多头、稳健多空。信号“1”代表正向（做多），“0”代表负向（不做多或做空）。[14][17][20] 3. **模型名称：因子拥挤度模型**[18] * **模型构建思路**：使用多个指标度量因子的拥挤程度，以预警因子可能因资金过度追逐而失效的风险。[18] * **模型具体构建过程**：对于每个待评估的因子（如小市值、低估值等），计算四个分项拥挤度指标： 1. **估值价差**：衡量因子多空组合的估值差异。 2. **配对相关性**：衡量因子内股票收益的相关性。 3. **长期收益反转**：可能指因子动量或反转效应。 4. **因子波动率**：衡量因子收益的波动情况。 将这四个分项指标得分标准化后，综合计算得到一个复合拥挤度分数。[18][19] 4. **模型名称：行业拥挤度模型**[23] * **模型构建思路**：构建指标度量不同行业的拥挤程度，以识别交易过热或关注度过高的行业。[23] * **模型具体构建过程**：报告提及该模型参考了专题报告《行业轮动系列研究 15——行业板块拥挤度》，但未在本周报中详述具体构建公式。模型输出结果为各行业的拥挤度数值。[23][25] 模型的回测效果 1. **情绪择时模型**，当前模型得分为0分（满分5分），趋势模型信号为负向，加权模型信号为负向。[14] 2. **高频资金流择时模型**，截至2026年1月30日，对主要宽基指数的信号为：沪深300指数（正向）、中证500指数（正向）、中证1000指数（负向）、中证2000指数（负向）。[14][17][20] 3. **因子拥挤度模型**，截至2026年1月30日，复合拥挤度分数为：小市值因子0.05，低估值因子-0.28，高盈利因子0.20，高盈利增长因子0.53。[19] 4. **行业拥挤度模型**，截至2026年1月30日，行业拥挤度较高的有：通信(2.46)、有色金属(2.28)、综合(1.82)、电子(1.71)、基础化工(1.59)；拥挤度上升幅度较大的有：电子(+1.11)、国防军工(+1.08)。[23][25][26] 量化因子与构建方式 1. **因子名称：流动性冲击指标**[2][8] * **因子构建思路**：基于沪深300指数构建，用于衡量当前市场流动性相对于历史水平的偏离程度。[2][8] * **因子具体构建过程**：报告未给出具体计算公式，但指出该指标数值代表“当前市场的流动性高于过去一年平均水平X倍标准差”。例如，数值5.07意味着流动性高于过去一年均值5.07个标准差。[8] 2. **因子名称：PUT-CALL比率**[2][8] * **因子构建思路**：使用上证50ETF期权的成交量数据计算，反映投资者对标的指数短期走势的乐观或谨慎情绪。[2][8] * **因子具体构建过程**：计算公式为PUT合约成交量除以CALL合约成交量。比率下降通常表示谨慎情绪下降或乐观情绪上升。[8] 3. **因子名称：五日平均换手率**[2][8] * **因子构建思路**：通过计算市场指数的近期平均换手率，来度量市场的交易活跃度。[2][8] * **因子具体构建过程**：计算上证综指或Wind全A指数最近五个交易日的换手率平均值。[8] 4. **因子名称：均线强弱指数**[14] * **因子构建思路**：通过Wind二级行业指数的均线情况来综合判断市场的整体技术强弱。[14] * **因子具体构建过程**：报告未给出具体计算公式，但指出该指数得分为172，处于2023年以来的59.50%分位点。[14] 5. **因子名称：估值价差（因子拥挤度分项）**[18][19] * **因子构建思路**：作为因子拥挤度的度量指标之一，用于衡量因子多空组合的估值差异。[18] * **因子具体构建过程**：报告未给出具体计算公式，但在因子拥挤度模型中以分项得分形式出现。[19] 6. **因子名称：配对相关性（因子拥挤度分项）**[18][19] * **因子构建思路**：作为因子拥挤度的度量指标之一，用于衡量因子内股票收益的相关性。[18] * **因子具体构建过程**：报告未给出具体计算公式，但在因子拥挤度模型中以分项得分形式出现。[19] 7. **因子名称：长期收益反转（因子拥挤度分项）**[18][19] * **因子构建思路**：作为因子拥挤度的度量指标之一，可能用于度量因子的动量或反转效应。[18] * **因子具体构建过程**：报告未给出具体计算公式，但在因子拥挤度模型中以分项得分形式出现。[19] 8. **因子名称：因子波动率（因子拥挤度分项）**[18][19] * **因子构建思路**：作为因子拥挤度的度量指标之一，用于衡量因子收益的波动情况。[18] * **因子具体构建过程**：报告未给出具体计算公式，但在因子拥挤度模型中以分项得分形式出现。[19] 因子的回测效果 1. **流动性冲击指标**，2026年1月30日数值为5.07。[8] 2. **PUT-CALL比率**，2026年1月30日数值为0.89。[8] 3. **五日平均换手率**，2026年1月30日，上证综指为1.75%（处于2005年以来84.56%分位点），Wind全A为2.49%（处于2005年以来89.72%分位点）。[8] 4. **均线强弱指数**，当前市场得分为172，处于2023年以来的59.50%分位点。[14] 5. **估值价差（因子拥挤度分项）**，截至2026年1月30日，小市值因子得分0.55，低估值因子得分-1.14，高盈利因子得分-0.48，高增长因子得分1.35。[19] 6. **配对相关性（因子拥挤度分项）**，截至2026年1月30日，小市值因子得分-0.46，低估值因子得分-0.57，高盈利因子得分-0.32，高增长因子得分-0.23。[19] 7. **长期收益反转（因子拥挤度分项）**，截至2026年1月30日，小市值因子得分0.54，低估值因子得分-1.63，高盈利因子得分1.61，高增长因子得分1.21。[19] 8. **因子波动率（因子拥挤度分项）**，截至2026年1月30日，小市值因子得分-0.45，低估值因子得分2.24，高盈利因子得分-0.02，高增长因子得分-0.24。[19]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：国信金工指数增强模型**[11][12] * **模型构建思路**：以多因子选股为核心，结合风险控制和组合优化，构建能够稳定战胜特定基准指数（如沪深300、中证500等）的投资组合[11][12]。 * **模型具体构建过程**：构建流程主要包括三部分： 1. **收益预测**：基于多因子模型对股票未来收益进行预测。 2. **风险控制**：对组合的风险暴露进行约束。 3. **组合优化**：在满足风险约束的条件下，通过优化算法求解最优的股票权重，以最大化预期收益或信息比率[12]。 2. **模型名称：单因子MFE组合模型**[15][40] * **模型构建思路**：为了在更贴近实际投资约束（如行业中性、风格中性）的条件下检验单个因子的有效性，构建最大化该因子暴露的投资组合（Maximized Factor Exposure Portfolio），通过观察该组合相对于基准的超额收益来判断因子在给定约束下的有效性[15][40]。 * **模型具体构建过程**：采用组合优化模型构建，具体步骤如下： 1. **设定约束条件**：包括控制组合相对于基准指数的风格暴露、行业暴露、个股权重偏离度、成分股内权重占比、禁止卖空及权重上限等[40][41][44]。 2. **构建优化问题**：目标函数为最大化组合在目标因子上的暴露。优化模型如下： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ 其中，`f`为因子取值向量，`w`为待求解的股票权重向量，`w_b`为基准指数成分股权重向量。`X`为风格因子暴露矩阵，`H`为行业暴露矩阵，`B_b`为成分股标识向量。`s_l`, `s_h`, `h_l`, `h_h`, `w_l`, `w_h`, `b_l`, `b_h`, `l`分别为各项约束的上下限[40][41]。 3. **月度换仓**：在每个月末，根据最新的因子数据和约束条件，重新求解优化问题，构建每个单因子的MFE组合[44]。 4. **回测评估**：计算MFE组合历史收益，扣除交易费用（双边0.3%）后，计算其相对于基准指数的各项收益风险指标[44]。 3. **模型名称：公募重仓指数**[42][43] * **模型构建思路**：为了测试因子在公募基金持仓风格下的有效性，通过汇总公募基金定期报告的持仓信息，构建一个反映公募基金整体重仓股情况的指数，作为因子测试的新样本空间[42]。 * **模型具体构建过程**： 1. **样本基金筛选**：选取普通股票型及偏股混合型基金，剔除规模小于五千万且上市不足半年的基金[43]。 2. **持仓数据合成**：获取符合条件基金的最新定期报告（年报、半年报或季报）持仓信息，将所有基金对每只股票的持仓权重进行平均，得到公募基金平均持仓[43]。 3. **成分股选取**：将平均后的股票权重降序排序，选取累计权重达到90%的股票作为成分股，构建公募重仓指数[43]。 量化因子与构建方式 报告跟踪了来自估值、反转、成长、盈利、流动性、波动、公司治理和分析师等多个维度的30余个常见选股因子[16]。以下是部分因子的具体构建方式： 1. **因子名称：BP（市净率倒数）**[17] * **因子构建思路**：属于估值类因子，衡量公司净资产与市值的比率，值越高代表估值可能越低。 * **因子具体构建过程**：$$BP = \frac{净资产}{总市值}$$[17] 2. **因子名称：EPTTM（滚动市盈率倒数）**[17] * **因子构建思路**：属于估值类因子，衡量公司过去十二个月（TTM）的净利润与市值的比率。 * **因子具体构建过程**：$$EPTTM = \frac{归母净利润TTM}{总市值}$$[17] 3. **因子名称：股息率**[17] * **因子构建思路**：属于估值类因子，衡量公司现金分红回报。 * **因子具体构建过程**：$$股息率 = \frac{最近四个季度预案分红金额}{总市值}$$[17] 4. **因子名称：一个月反转**[17] * **因子构建思路**：属于反转类因子，认为过去短期内跌幅较大的股票未来可能反弹，涨幅较大的股票可能回调。 * **因子具体构建过程**：$$一个月反转 = 过去20个交易日涨跌幅$$[17] 5. **因子名称：三个月反转**[17] * **因子构建思路**：属于反转类因子，考察稍长周期的反转效应。 * **因子具体构建过程**：$$三个月反转 = 过去60个交易日涨跌幅$$[17] 6. **因子名称：单季营收同比增速**[17] * **因子构建思路**：属于成长类因子，衡量公司营业收入的最新增长情况。 * **因子具体构建过程**：$$单季营收同比增速 = 单季度营业收入同比增长率$$[17] 7. **因子名称：单季净利同比增速**[17] * **因子构建思路**：属于成长类因子，衡量公司净利润的最新增长情况。 * **因子具体构建过程**：$$单季净利同比增速 = 单季度净利润同比增长率$$[17] 8. **因子名称：SUE（标准化预期外盈利）**[17] * **因子构建思路**：属于成长类因子，衡量公司实际盈利超出市场一致预期的程度，并进行标准化处理。 * **因子具体构建过程**：$$SUE = \frac{单季度实际净利润 - 预期净利润}{预期净利润标准差}$$[17] 9. **因子名称：单季ROA**[17] * **因子构建思路**：属于盈利类因子，衡量公司总资产的盈利能力。 * **因子具体构建过程**：$$单季ROA = \frac{单季度归母净利润 \times 2}{期初归母总资产 + 期末归母总资产}$$[17] 10. **因子名称：单季ROE**[17] * **因子构建思路**：属于盈利类因子，衡量公司净资产的盈利能力。 * **因子具体构建过程**：$$单季ROE = \frac{单季度归母净利润 \times 2}{期初归母净资产 + 期末归母净资产}$$[17] 11. **因子名称：DELTAROA**[17] * **因子构建思路**：属于盈利类因子，衡量公司盈利能力（ROA）的同比改善情况。 * **因子具体构建过程**：$$DELTAROA = 单季度总资产收益率 - 去年同期单季度总资产收益率$$[17] 12. **因子名称：一个月换手**[17] * **因子构建思路**：属于流动性因子，通常认为换手率过高可能预示短期情绪过热。 * **因子具体构建过程**：$$一个月换手 = 过去20个交易日换手率均值$$[17] 13. **因子名称：特异度**[17] * **因子构建思路**：属于波动类因子，衡量股票收益中不能被常见风险因子（如Fama-French三因子）解释的部分，即特质波动。 * **因子具体构建过程**：$$特异度 = 1 - 过去20个交易日Fama-French三因子回归的拟合度$$[17] 14. **因子名称：预期PEG**[17] * **因子构建思路**：属于分析师预期类因子，在市盈率（PE）基础上结合成长性（G），衡量成长性估值水平。 * **因子具体构建过程**：$$预期PEG = 一致预期PEG$$[17] 15. **因子名称：预期净利润环比**[17] * **因子构建思路**：属于分析师预期类因子，反映分析师对公司未来净利润增长预期的变化。 * **因子具体构建过程**：$$预期净利润环比 = \frac{一致预期净利润}{3个月前一致预期净利润}$$[17] 16. **因子名称：三个月机构覆盖**[17] * **因子构建思路**：属于分析师类因子，反映机构对公司的关注度。 * **因子具体构建过程**：$$三个月机构覆盖 = 过去3个月内机构覆盖数量$$[17] 模型的回测效果 1. **国信金工沪深300指数增强组合**，本周超额收益0.00%，本年超额收益3.00%[5][14]。 2. **国信金工中证500指数增强组合**，本周超额收益0.01%，本年超额收益-0.88%[5][14]。 3. **国信金工中证1000指数增强组合**，本周超额收益0.90%，本年超额收益2.17%[5][14]。 4. **国信金工中证A500指数增强组合**，本周超额收益-0.53%，本年超额收益2.90%[5][14]。 因子的回测效果 （以下为以中证500指数为样本空间的单因子MFE组合部分表现示例，数据为“最近一周”超额收益）[21] 1. **股息率因子**，超额收益2.36%[21]。 2. **EPTTM因子**，超额收益2.24%[21]。 3. **BP因子**，超额收益2.17%[21]。 4. **预期BP因子**，超额收益2.09%[21]。 5. **一个月波动因子**，超额收益1.79%[21]。 6. **三个月波动因子**，超额收益1.73%[21]。 7. **DELTAROA因子**，超额收益1.72%[21]。 8. **单季EP因子**，超额收益1.42%[21]。 9. **EPTTM年分位点因子**，超额收益1.34%[21]。 10. **一个月换手因子**，超额收益1.02%[21]。 11. **预期EPTTM因子**，超额收益0.96%[21]。 12. **三个月换手因子**，超额收益0.88%[21]。 13. **一个月反转因子**，超额收益0.84%[21]。 14. **单季营收同比增速因子**，超额收益0.80%[21]。 15. **标准化预期外收入因子**，超额收益0.79%[21]。 16. **DELTAROE因子**，超额收益0.74%[21]。 17. **单季ROE因子**，超额收益0.70%[21]。 18. **标准化预期外盈利(SUE)因子**，超额收益0.67%[21]。 19. **单季SP因子**，超额收益0.67%[21]。 20. **特异度因子**，超额收益0.66%[21]。 21. **单季超预期幅度因子**，超额收益0.60%[21]。 22. **SPTTM因子**，超额收益0.57%[21]。 23. **一年动量因子**，超额收益0.55%[21]。 24. **非流动性冲击因子**，超额收益0.38%[21]。 25. **单季ROA因子**，超额收益0.13%[21]。 26. **3个月盈利上下调因子**，超额收益0.05%[21]。 27. **预期PEG因子**，超额收益-0.07%[21]。 28. **高管薪酬因子**，超额收益-0.33%[21]。 29. **单季净利同比增速因子**，超额收益-0.64%[21]。 30. **三个月反转因子**，超额收益-0.86%[21]。 31. **三个月机构覆盖因子**，超额收益-0.92%[21]。 32. **单季营利同比增速因子**，超额收益-1.01%[21]。 33. **预期净利润环比因子**，超额收益-1.56%[21]。

量化模型与构建方式 1. **模型名称：时间序列PB-ROE模型**[1][8][12] * **模型构建思路**：该模型用于分析市场指数的时间序列回报，旨在通过基本面（ROE）和宏观变量（实际利率、通胀率）来解释和预测市场的估值水平（PB），并计算实际估值与模型预测的合理估值之间的偏离（残差）[1][8][12]。 * **模型具体构建过程**： 1. 模型的理论基础源于Wilcox (1984)的横截面PB-ROE模型，该模型在公司无分红和干净盈余假设下，建立了对数市净率（P/B）与净资产收益率（ROE）之间的线性关系[12]。 2. Wilcox & Philips(2005) 将其改进为适用于指数时间序列分析的模型，引入了实际利率和通胀率作为股东要求回报率的代理变量，以反映宏观因素的影响[8][12]。 3. 模型的具体回归方程如下： $$Ln(P/B)=a+b\cdot ROE+C\cdot RealInterest+d\cdot Inflation$$[8][12] 其中，`Ln(P/B)` 是指数市净率的自然对数，`ROE` 是指数的净资产收益率，`RealInterest` 是实际利率，`Inflation` 是通胀率，`a, b, c, d` 为回归系数[8][12]。 4. 使用历史数据（报告中提及在A股市场使用周度数据）对上述方程进行回归，得到拟合的“合理”估值线[13]。 5. 计算模型残差：残差 = 实际观测的 `Ln(P/B)` 值 - 模型预测的 `Ln(P/B)` 值[1][8]。残差代表了市场实际估值超出（或低于）基本面合理估值的部分，即估值偏离[1][8]。 * **模型评价**：该模型将估值分解为基本面驱动部分和情绪（或偏离）部分，为判断市场情绪和风险偏好提供了量化工具[1][8]。在A股市场的实证检验显示，其残差与未来短期市场表现存在显著相关性[2][13]。 量化因子与构建方式 1. **因子名称：PB-ROE残差**[1][8][13] * **因子构建思路**：作为时间序列PB-ROE模型的输出，该因子直接度量了市场整体估值相对于其基本面（ROE）和宏观环境所决定的“合理”水平的偏离程度，用以捕捉市场情绪和风险偏好的变化[1][8][13]。 * **因子具体构建过程**： 1. 首先，如上述模型构建过程所述，通过回归得到时间序列PB-ROE模型[8][12]。 2. 对于每一个时间点（如每周），计算该点的残差值： 残差 = 实际 `Ln(P/B)` - (a + b * `ROE` + c * `RealInterest` + d * `Inflation`)[1][8]。 3. 根据残差值的符号和大小进行解读：当残差 > 0 时，表示实际PB高于基本面合理值，市场情绪高涨，风险偏好提升；当残差 < 0 时，表示实际PB低于基本面合理值，市场情绪低迷，风险偏好下降[1][8]。 * **因子评价**：该因子是模型的核心产出，它将抽象的“市场情绪”和“估值泡沫/低估”进行了量化，并历史数据显示其与未来短期市场涨幅具有统计显著的正相关性[2][13]。 2. **因子名称：基于PB-ROE残差的仓位信号因子**[2][8][18] * **因子构建思路**：将连续的PB-ROE残差值根据其与历史统计分布的关系，离散化为具体的仓位配置建议，将估值偏离信号转化为可操作的投资决策[2][8][18]。 * **因子具体构建过程**： 1. 计算PB-ROE残差因子的历史均值（`μ`）和标准差（`σ`）[2][8]。 2. 以历史均值±1倍标准差为阈值，将残差划分为四个区间，并对应四档仓位建议[2][8][18][21]： * 残差值 > `μ + 1σ`：高仓位 (80%-100%)[3][9][18] * `μ` < 残差值 < `μ + 1σ`：低仓位[21] * `μ - 1σ` < 残差值 < `μ`：中等仓位[21] * 残差值 < `μ - 1σ`：中高仓位[18] 3. 根据当期计算出的残差值，落入哪个区间，即给出对应的周度仓位建议[3][9]。 模型的回测效果 （报告未提供具体模型的回测绩效指标，如年化收益率、夏普比率等。报告主要展示了因子与未来收益的相关性及分组表现。） 因子的回测效果 1. **PB-ROE残差因子** * **与未来收益的相关性**：在A股市场，PB-ROE残差与未来第1周指数涨幅总体显著正相关[2][13]。 * **分组表现**：将残差值升序分为4组，残差值最高的第4组未来第1周涨幅显著最高，体现了正相关性；残差值较低的组也有正收益，表明低估值时存在安全边际和投资机会[16]。 2. **基于PB-ROE残差的仓位信号因子** * **策略效果**：历史回测显示，依据该因子信号进行仓位择时的策略，能够有效降低回撤、提高收益[18]。

量化模型与构建方式 1. **模型名称：量能择时模型**[7][23] * **模型构建思路**：基于主要宽基指数的成交量能变化来判断市场短期趋势，并给出看多或谨慎（空）的择时信号[23]。 * **模型具体构建过程**：报告未详细描述该模型的具体计算步骤和公式，仅展示了其应用结果。模型根据量能指标的变化，对多个宽基指数（如上证指数、沪深300等）生成择时观点[23]。 2. **因子名称：沪深300上涨家数占比情绪指标**[24][25] * **因子构建思路**：通过计算沪深300指数成分股中过去一段时间内取得正收益的股票数量占比，来度量市场的整体情绪。该指标认为，当正收益股票增多时市场可能处于底部，而当大部分股票都上涨时情绪可能过热[24]。 * **因子具体构建过程**： 1. 对于沪深300指数的每一个成分股，计算其过去N日的收益率。 2. 统计过去N日收益率大于0的个股数量。 3. 计算该数量占沪深300指数总成分股数量的比例，即得到“沪深300指数N日上涨家数占比”。 $$沪深300指数N日上涨家数占比 = \frac{过去N日收益大于0的个股数}{沪深300指数总成分股数}$$[24] * **因子评价**：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，同时难以有效规避下跌风险[25]。 3. **模型名称：沪深300上涨家数占比择时模型（动量情绪指标）**[26][28] * **模型构建思路**：对“沪深300上涨家数占比”因子进行不同窗口期的平滑处理，通过比较快慢线的相对位置（金叉/死叉）来产生择时信号[26][28]。 * **模型具体构建过程**： 1. 计算基础因子：沪深300指数N日上涨家数占比（报告中N=230）[26]。 2. 对该因子序列分别计算窗口期为N1和N2的移动平均值，得到慢线和快线（报告中N1=50，N2=35，且N1>N2）[26][28]。 3. 生成交易信号：当快线大于慢线时，看多沪深300指数；否则，对市场持中性态度[26][28]。 4. **模型名称：均线情绪指标择时模型**[32][36] * **模型构建思路**：基于沪深300指数收盘价与一组长期均线（八均线体系）的相对位置关系，构建情绪指标并进行择时[32]。 * **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[32]。 2. 统计当日收盘价大于这八条均线数值的数量[36]。 3. 生成交易信号：当当前价格大于八均线指标值的数量超过5时，看多沪深300指数[36]。 5. **因子名称：横截面波动率**[37][38] * **因子构建思路**：计算特定指数（如沪深300、中证500等）成分股在横截面上的收益率波动率，用以衡量市场分化程度和选股（Alpha）环境的优劣[37]。 * **因子具体构建过程**：报告未给出具体的计算公式，但指出该指标用于观察指数成分股之间的收益离散程度。波动率上升通常意味着Alpha环境好转[37]。 6. **因子名称：时间序列波动率**[38][41] * **因子构建思路**：计算特定指数成分股加权的时间序列波动率，用于评估市场整体波动水平和Alpha环境[38]。 * **因子具体构建过程**：报告未给出具体的计算公式，但提及该指标是成分股加权后的结果。波动率变化可用于判断Alpha环境的好转或恶化[38][41]。 7. **因子名称：抱团基金分离度**[82] * **因子构建思路**：通过计算抱团基金组合截面收益的标准差，来度量基金抱团的程度。标准差越小，说明基金表现越趋同，抱团程度越高；反之则表示抱团正在瓦解[82]。 * **因子具体构建过程**： 1. 构造一个抱团基金组合。 2. 计算该组合内各基金在截面上的收益率。 3. 计算这些截面收益率的标准差，即为“分离度”指标[82]。 模型的回测效果 1. **动量情绪指标择时策略**，模型净值表现展示在历史回测图中，策略净值在情绪景气区间表现较好[29][30]。 2. **均线情绪指标择时策略**，模型净值表现展示在历史回测图中，策略在情绪景气区间运行[34]。 因子的回测效果 1. **横截面波动率因子**，近两年平均值：沪深300为2.01%，中证500为2.26%，中证1000为2.50%[38]。近一年平均值：沪深300为1.99%，中证500为2.28%，中证1000为2.52%[38]。近半年平均值：沪深300为2.03%，中证500为2.42%，中证1000为2.58%[38]。近一季度平均值：沪深300为2.14%，中证500为2.45%，中证1000为2.61%[38]。 2. **时间序列波动率因子**，近两年平均值：沪深300为1.01%，中证500为1.35%，中证1000为1.52%[41]。近一年平均值：沪深300为0.90%，中证500为1.14%，中证1000为1.20%[41]。近半年平均值：沪深300为0.82%，中证500为1.12%，中证1000为1.08%[41]。近一季度平均值：沪深300为0.96%，中证500为1.22%，中证1000为1.17%[41]。

量化模型与因子总结 量化模型与构建方式 1. **模型名称：PB-ROE-50组合** * **模型构建思路：** 基于市净率（PB）和净资产收益率（ROE）两个核心指标，构建一个价值与质量相结合的选股模型[23]。 * **模型具体构建过程：** 报告未详细描述该模型的构建公式和具体步骤，仅提及其为基于PB和ROE的选股组合[23]。 2. **模型名称：机构调研组合（公募调研选股策略、私募调研跟踪策略）** * **模型构建思路：** 利用机构调研事件作为信息源，构建事件驱动选股策略[25]。 * **模型具体构建过程：** 报告未详细描述该模型的构建公式和具体步骤，仅提及其为基于公募和私募调研事件的选股策略[25]。 3. **模型名称：大宗交易组合** * **模型构建思路：** 基于“高成交、低波动”原则，从发生大宗交易的股票中筛选后续表现更佳的标的[30]。 * **模型具体构建过程：** 报告提及该组合使用“大宗交易成交金额比率”和“6日成交金额波动率”两个指标，按照“高成交、低波动”的原则，通过月频调仓方式构造组合[30]。具体计算公式和选股细节未在本文中提供。 4. **模型名称：定向增发组合** * **模型构建思路：** 以定向增发（定增）的股东大会公告日为事件节点，构建事件驱动选股组合[35]。 * **模型具体构建过程：** 报告提及该组合综合考虑了市值因素、调仓周期以及对仓位的控制，但未提供具体的构建公式和选股细节[35]。 模型的回测效果 * **PB-ROE-50组合：** 本周超越基准收益率：中证500为0.59%，中证800为-0.50%，全市场为-2.81%[23][24]。今年以来超额收益率：中证500为-0.44%，中证800为5.47%，全市场为5.48%[24]。 * **机构调研组合（公募调研选股）：** 本周超越基准收益率（相对中证800）为-4.21%，今年以来超额收益率为-0.82%[25][26]。 * **机构调研组合（私募调研跟踪）：** 本周超越基准收益率（相对中证800）为-1.85%，今年以来超额收益率为6.52%[25][26]。 * **大宗交易组合：** 本周超越基准收益率（相对中证全指）为0.06%，今年以来超额收益率为5.62%[30][31]。 * **定向增发组合：** 本周超越基准收益率（相对中证全指）为0.13%，今年以来超额收益率为1.17%[35][36]。 量化因子与构建方式 **注：** 报告中列出了大量因子及其表现，但均未提供具体的构建思路、公式和过程。以下仅根据报告内容列出因子名称。 1. **大类因子：** 动量因子、盈利因子、Beta因子、流动性因子[1][18]。 2. **单因子（部分列举）：** * **估值类：** 市盈率因子、市盈率TTM倒数、市净率因子、市销率TTM倒数、BP因子、EP因子[1][12][14][21]。 * **盈利类：** 净利润率TTM、营业利润率TTM、单季度ROE、单季度ROA、单季度ROE同比、单季度ROA同比、标准化预期外盈利、经营现金流比率、ROIC增强因子、总资产毛利率TTM、毛利率TTM、单季度总资产毛利率、单季度EPS、每股经营利润TTM因子[1][12][13][14][15][16][17][21]。 * **成长类：** 单季度营业收入同比增长率、单季度营业利润同比增长率、单季度净利润同比增长率、净资产增长率因子、净利润增长率因子、总资产增长率[12][13][14][15][16][17][21]。 * **动量反转类：** 动量弹簧因子、5日反转、早盘收益因子、早盘后收益因子、5日动量、1月动量[12][13][14][15][16][17][21]。 * **交易行为/流动性类：** 大单净流入、小单净流入、动量调整大单、动量调整小单、5日平均换手率、换手率相对波动率、成交量的5日指数移动平均、5日成交量的标准差、6日成交金额的移动平均值、6日成交金额的标准差、流动性因子[12][13][14][15][16][17][18][21]。 * **波动率/风险类：** 下行波动率占比、日内波动率与成交金额的相关性、5分钟收益率偏度、残差波动率因子[12][13][14][15][16][17][21]。 * **质量/稳定性类：** ROE稳定性、ROA稳定性、EPTMM分位点、标准化预期外收入、净利润断层、每股净资产因子[12][13][14][15][16][17][21]。 * **规模类：** 对数市值因子[13][15][17]。 因子的回测效果 **注：** 因子表现数据为最近一周（2026.01.26-2026.01.30）剔除行业与市值影响后多头组合相对于基准指数的超额收益[12]。以下为各股票池中表现最佳和最差的三个因子。 * **沪深300股票池：** * 表现较好：市盈率因子 (1.70%)、净利润率TTM (1.03%)、营业利润率TTM (1.02%)[1][12]。 * 表现较差：早盘后收益因子 (-3.58%)、动量弹簧因子 (-3.50%)、5日反转 (-2.98%)[1][12]。 * **中证500股票池：** * 表现较好：市销率TTM倒数 (3.25%)、市盈率TTM倒数 (2.67%)、市盈率因子 (2.45%)[1][14]。 * 表现较差：5分钟收益率偏度 (-3.71%)、6日成交金额的移动平均值 (-2.69%)、5日反转 (-2.40%)[1][14]。 * **流动性1500股票池：** * 表现较好：经营现金流比率 (2.27%)、动量调整小单 (1.65%)、单季度ROA (1.62%)[2][16]。 * 表现较差：5分钟收益率偏度 (-3.03%)、早盘收益因子 (-2.65%)、5日平均换手率 (-2.21%)[2][16]。

量化模型与构建方式 1. **模型名称：国信金工多因子指数增强模型**[11][12] * **模型构建思路**：以多因子选股为主体，通过收益预测、风险控制和组合优化三个核心步骤，构建能够稳定战胜特定基准指数（如沪深300、中证500等）的增强组合[11][12]。 * **模型具体构建过程**： 1. **收益预测**：基于多因子模型对股票未来收益进行预测[12]。 2. **风险控制**：在组合优化中施加多种约束以控制风险，包括行业暴露、风格暴露、个股权重偏离、换手率等[12][40]。 3. **组合优化**：在满足上述约束的条件下，通过优化算法求解最优的股票权重，目标通常是最大化预期收益或最大化风险调整后收益[12][40]。具体优化模型形式如下（以最大化单因子暴露为例）[40]： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ * **公式说明**： * $f$ 为因子取值向量，$w$ 为待求解的股票权重向量，$f^{T}w$ 表示组合在该因子上的加权暴露[40][41]。 * $w_b$ 为基准指数成分股的权重向量[41]。 * $X$ 为股票对风格因子的暴露矩阵，$s_l$, $s_h$ 为风格因子相对暴露的下限及上限，此约束控制组合的风格暴露[41]。 * $H$ 为股票的行业暴露矩阵（One-Hot编码），$h_l$, $h_h$ 为组合行业偏离的下限及上限，此约束控制组合的行业暴露[41]。 * $w_l$, $w_h$ 为个股相对于基准权重的偏离下限及上限，此约束控制个股权重偏离[41]。 * $B_b$ 为个股是否属于基准指数成分股的0-1向量，$b_l$, $b_h$ 为成分股内权重的下限及上限，此约束控制组合在成分股内的权重占比[41]。 * $0 \leq w \leq l$ 约束禁止卖空并限制个股权重上限[41]。 * $1^{T}w=1$ 约束要求权重和为1，即满仓运作[41][42]。 2. **模型名称：单因子MFE（Maximized Factor Exposure）组合模型**[15][40] * **模型构建思路**：为了在更贴近实际投资约束（如行业、风格中性）的条件下检验单因子的有效性，通过组合优化的方式，构建一个在满足所有约束条件下最大化该因子暴露的投资组合，并通过该组合相对于基准的表现来判断因子有效性[15][40]。 * **模型具体构建过程**[40][44]： 1. **设定约束**：根据目标基准指数，设定MFE组合的约束条件，包括控制行业暴露为0、控制市值等风格因子暴露为0、限制个股相对于基准的最大偏离权重（如0.5%-1%）、要求成分股内权重占比100%等[44]。 2. **构建组合**：在每个调仓日（如月末），将待检验的因子值向量 $f$ 代入上述优化模型的目标函数，在设定的约束条件下求解最优权重 $w$，得到该因子的MFE组合[40][44]。 3. **回测评估**：在回测期内定期（如每月）换仓，计算MFE组合的历史收益，扣除交易费用（如双边0.3%）后，计算其相对于基准指数的各项收益风险指标，以评估因子表现[44]。 3. **模型名称：公募重仓指数模型**[42] * **模型构建思路**：为了测试因子在公募基金持仓风格下的有效性，通过汇总公募基金定期报告持仓，构建一个代表公募基金整体重仓股构成的指数，作为新的因子测试样本空间[42]。 * **模型具体构建过程**[42][43]： 1. **样本筛选**：选取普通股票型基金和偏股混合型基金，剔除规模小于五千万且上市不足半年的基金[43]。 2. **持仓合并**：获取符合条件的基金最新定期报告（年报、半年报或季报）的全部持仓信息。对于季报，需结合前期的年报或半年报信息来构建完整的持仓数据[43]。 3. **权重平均与排序**：将所有基金的持仓股票权重进行平均，得到公募基金平均持仓。将平均后的股票权重降序排序[43]。 4. **选取成分股**：选取累计权重达到90%的股票作为成分股，以此构建公募基金重仓指数[43]。 量化因子与构建方式 （报告共列出30余个因子，分为7大类，以下按类别及表1内容详细列出）[16][17] 1. **估值类因子** * **因子名称**：BP * **因子构建思路**：衡量市净率的倒数，属于价值因子。 * **因子具体构建过程**：净资产 / 总市值[17]。 * **因子名称**：单季EP * **因子构建思路**：衡量单季度盈利与市值的比率。 * **因子具体构建过程**：单季度归母净利润 / 总市值[17]。 * **因子名称**：单季SP * **因子构建思路**：衡量单季度营收与市值的比率。 * **因子具体构建过程**：单季度营业收入 / 总市值[17]。 * **因子名称**：EPTTM * **因子构建思路**：衡量滚动盈利与市值的比率。 * **因子具体构建过程**：归母净利润TTM / 总市值[17]。 * **因子名称**：SPTTM * **因子构建思路**：衡量滚动营收与市值的比率。 * **因子具体构建过程**：营业收入TTM / 总市值[17]。 * **因子名称**：EPTTM分位点 * **因子构建思路**：衡量当前EPTTM在历史区间内的相对位置。 * **因子具体构建过程**：EPTTM在过去一年中的分位点[17]。 * **因子名称**：股息率 * **因子构建思路**：衡量公司分红回报。 * **因子具体构建过程**：最近四个季度预案分红金额 / 总市值[17]。 2. **反转类因子** * **因子名称**：一个月反转 * **因子构建思路**：捕捉短期价格反转效应。 * **因子具体构建过程**：过去20个交易日涨跌幅[17]。 * **因子名称**：三个月反转 * **因子构建思路**：捕捉中期价格反转效应。 * **因子具体构建过程**：过去60个交易日涨跌幅[17]。 * **因子名称**：一年动量 * **因子构建思路**：捕捉长期价格动量效应。 * **因子具体构建过程**：近一年除近一月后动量[17]。 3. **成长类因子** * **因子名称**：单季净利同比增速 * **因子构建思路**：衡量单季度净利润的同比增长。 * **因子具体构建过程**：单季度净利润同比增长率[17]。 * **因子名称**：单季营收同比增速 * **因子构建思路**：衡量单季度营业收入的同比增长。 * **因子具体构建过程**：单季度营业收入同比增长率[17]。 * **因子名称**：单季营利同比增速 * **因子构建思路**：衡量单季度营业利润的同比增长。 * **因子具体构建过程**：单季度营业利润同比增长率[17]。 * **因子名称**：SUE (Standardized Unexpected Earnings) * **因子构建思路**：衡量盈利超出预期的标准化幅度。 * **因子具体构建过程**：（单季度实际净利润 - 预期净利润）/ 预期净利润标准差[17]。 * **因子名称**：SUR (Standardized Unexpected Revenue) * **因子构建思路**：衡量营收超出预期的标准化幅度。 * **因子具体构建过程**：（单季度实际营业收入 - 预期营业收入）/ 预期营业收入标准差[17]。 * **因子名称**：单季超预期幅度 * **因子构建思路**：衡量盈利超预期的相对幅度。 * **因子具体构建过程**：预期单季度净利润 / 财报单季度净利润[17]。 4. **盈利类因子** * **因子名称**：单季ROE * **因子构建思路**：衡量单季度净资产收益率。 * **因子具体构建过程**：单季度归母净利润 * 2 / (期初归母净资产 + 期末归母净资产)[17]。 * **因子名称**：单季ROA * **因子构建思路**：衡量单季度总资产收益率。 * **因子具体构建过程**：单季度归母净利润 * 2 / (期初归母总资产 + 期末归母总资产)[17]。 * **因子名称**：DELTAROE * **因子构建思路**：衡量ROE的同比变化。 * **因子具体构建过程**：单季度净资产收益率 - 去年同期单季度净资产收益率[17]。 * **因子名称**：DELTAROA * **因子构建思路**：衡量ROA的同比变化。 * **因子具体构建过程**：单季度总资产收益率 - 去年同期单季度总资产收益率[17]。 5. **流动性类因子** * **因子名称**：非流动性冲击 * **因子构建思路**：衡量单位成交金额引起的价格冲击。 * **因子具体构建过程**：过去20个交易日的日涨跌幅绝对值 / 成交额的均值[17]。 * **因子名称**：一个月换手 * **因子构建思路**：衡量短期交易活跃度。 * **因子具体构建过程**：过去20个交易日换手率均值[17]。 * **因子名称**：三个月换手 * **因子构建思路**：衡量中期交易活跃度。 * **因子具体构建过程**：过去60个交易日换手率均值[17]。 6. **波动类因子** * **因子名称**：特异度 * **因子构建思路**：衡量个股收益中不能被常见风险因子解释的部分（异质波动）。 * **因子具体构建过程**：1 - 过去20个交易日Fama-French三因子回归的拟合度[17]。 * **因子名称**：一个月波动 * **因子构建思路**：衡量短期股价波动。 * **因子具体构建过程**：过去20个交易日日内真实波幅均值[17]。 * **因子名称**：三个月波动 * **因子构建思路**：衡量中期股价波动。 * **因子具体构建过程**：过去60个交易日日内真实波幅均值[17]。 7. **公司治理类因子** * **因子名称**：高管薪酬 * **因子构建思路**：衡量公司治理水平（之一）。 * **因子具体构建过程**：前三高管报酬总额取对数[17]。 8. **分析师类因子** * **因子名称**：预期EPTTM * **因子构建思路**：基于分析师一致预期的滚动盈利市值比。 * **因子具体构建过程**：一致预期滚动EP[17]。 * **因子名称**：预期BP * **因子构建思路**：基于分析师一致预期的滚动市净率倒数。 * **因子具体构建过程**：一致预期滚动PB[17]。 * **因子名称**：预期PEG * **因子构建思路**：结合成长性与估值。 * **因子具体构建过程**：一致预期PEG[17]。 * **因子名称**：预期净利润环比 * **因子构建思路**：衡量分析师对未来盈利增长预期的变化。 * **因子具体构建过程**：一致预期净利润 / 3个月前一致预期净利润[17]。 * **因子名称**：三个月盈利上下调 * **因子构建思路**：衡量分析师盈利预测调整的净情绪。 * **因子具体构建过程**：过去3个月内分析师（上调家数 - 下调家数）/ 总家数[17]。 * **因子名称**：三个月机构覆盖 * **因子构建思路**：衡量公司受机构关注度。 * **因子具体构建过程**：过去3个月内机构覆盖数量[17]。 模型的回测效果 1. **国信金工沪深300指数增强组合**，本周超额收益0.00%，本年超额收益3.00%[5][14]。 2. **国信金工中证500指数增强组合**，本周超额收益0.01%，本年超额收益-0.88%[5][14]。 3. **国信金工中证1000指数增强组合**，本周超额收益0.90%，本年超额收益2.17%[5][14]。 4. **国信金工中证A500指数增强组合**，本周超额收益-0.53%，本年超额收益2.90%[5][14]。 因子的回测效果 （以下因子表现数据均摘自各样本空间下“最近一周”、“最近一月”、“今年以来”和“历史年化”四个维度的MFE组合超额收益。数据来源为报告中对应图表，此处仅选取部分代表性因子及完整数据行进行展示，以说明格式。）[19][21][23][25][27] 1. **中证500样本空间因子表现示例**[21]： * **股息率因子**，因子方向正向，最近一周2.36%，最近一月0.06%，今年以来0.42%，历史年化5.61%[21]。 * **EPTTM因子**，因子方向正向，最近一周2.24%，最近一月2.60%，今年以来-2.33%，历史年化4.36%[21]。 * **BP因子**，因子方向正向，最近一周2.17%，最近一月0.42%，今年以来0.37%，历史年化3.52%[21]。 * **三个月反转因子**，因子方向反向，最近一周-0.86%，最近一月-5.83%，今年以来-5.05%，历史年化-2.45%[21]。 2. **中证1000样本空间因子表现示例**[23]： * **单季ROA因子**，因子方向正向，最近一周2.40%，最近一月1.34%，今年以来1.78%，历史年化6.93%[23]。 * **单季ROE因子**，因子方向正向，最近一周2.17%，最近一月2.74%，今年以来3.15%，历史年化7.79%[23]。 * **一个月反转因子**，因子方向反向，最近一周-1.18%，最近一月-3.01%，今年以来-2.34%，历史年化4.33%[23]。 3. **中证A500样本空间因子表现示例**[25]： * **股息率因子**，因子方向正向，最近一周1.47%，最近一月-0.05%，今年以来-0.35%，历史年化3.32%[25]。 * **单季营收同比增速因子**，因子方向正向，最近一周1.42%，最近一月0.40%，今年以来0.85%，历史年化2.67%[25]。 * **预期净利润环比因子**，因子方向正向，最近一周-1.11%，最近一月-0.93%，今年以来-1.09%，历史年化3.70%[25]。

量化模型与构建方式 1. **模型/因子名称**：公募指数增强基金等权组合模型[7][19] **模型/因子构建思路**：将同一跟踪指数（如沪深300、中证500等）下的所有公募指数增强基金进行等权配置，构建一个组合，用以观察该类策略的整体表现[7][19]。 **模型/因子具体构建过程**： * 基金筛选：根据Wind投资类型二级分类为“指数增强型”的基金，并按其跟踪的指数（如沪深300、中证500、中证1000、中证A500）进行分类[32]。 * 组合构建：在每月再平衡时点，将满足条件的基金（成立满2个月）纳入组合，并采用等权重配置[24]。 * 净值计算：计算该等权组合的净值走势，并与对应的全收益指数进行比较，得到累计超额净值[19][33]。 2. **模型/因子名称**：公募主动量化基金等权组合模型[7][19] **模型/因子构建思路**：将符合主动量化定义的所有公募基金进行等权配置，构建一个组合，用以观察主动量化策略的整体表现[7][19]。 **模型/因子具体构建过程**： * 基金筛选：筛选Wind投资类型为普通股票型、偏股混合型、灵活配置型的基金，并根据基金名称、投资目标、基金经理、招股说明书中的投资策略、股票仓位等定义，确定为主动量化基金[32]。 * 组合构建：在每月再平衡时点，将满足条件的基金（成立满2个月）纳入组合，并采用等权重配置[24]。 * 净值计算：计算该等权组合的累计净值走势[19]。 3. **模型/因子名称**：公募市场中性基金等权组合模型[7][19] **模型/因子构建思路**：将公募股票市场中性策略基金进行等权配置，构建一个组合，用以观察市场中性策略的整体表现[7][19]。 **模型/因子具体构建过程**： * 基金筛选：筛选Wind投资类型二级分类为“股票多空”的基金，定义为股票市场中性策略基金[32]。 * 组合构建：在每月再平衡时点，将满足条件的基金（成立满2个月）纳入组合，并采用等权重配置[24]。 * 净值计算：计算该等权组合的累计净值走势[19]。 4. **模型/因子名称**：公募量化固收+基金等权组合模型[13] **模型/因子构建思路**：将符合量化固收+定义的所有公募基金进行等权配置，构建一个组合，用以观察量化固收+策略的整体表现[13]。 **模型/因子具体构建过程**： * 基金筛选：筛选Wind投资类型为偏债混合型、一级债基、二级债基和灵活配置型的基金，并根据基金名称、投资目标、基金经理、招股说明书中的投资策略、股票仓位等定义，确定为量化固收+基金[32]。 * 组合构建：在每月再平衡时点，将满足条件的基金（成立满2个月）纳入组合，并采用等权重配置[24]。 * 净值计算：计算该等权组合的累计收益分布[13]。 模型的回测效果 1. **公募沪深300指增等权组合模型** * 本周超额收益均值：-0.03%[10] * 本月超额收益均值：0.94%[10] * 本年超额收益均值：0.94%[10] * 近一年跟踪误差均值：3.20%[10] 2. **公募中证A500指增等权组合模型** * 本周超额收益均值：-0.01%[10] * 本月超额收益均值：0.36%[10] * 本年超额收益均值：0.36%[10] * 本年跟踪误差均值：3.99%[10] 3. **公募中证500指增等权组合模型** * 本周超额收益均值：0.42%[10] * 本月超额收益均值：-1.88%[10] * 本年超额收益均值：-1.88%[10] * 近一年跟踪误差均值：4.50%[10] 4. **公募中证1000指增等权组合模型** * 本周超额收益均值：0.24%[10] * 本月超额收益均值：0.73%[10] * 本年超额收益均值：0.73%[10] * 近一年跟踪误差均值：4.38%[10] 5. **公募主动量化基金等权组合模型** * 本周收益均值：-1.09%[10] * 本月收益均值：6.61%[10] * 本年收益均值：6.61%[10] * 近一年最大回撤均值：12.53%[10] 6. **公募市场中性基金等权组合模型** * 本周收益均值：-0.03%[10] * 本月收益均值：0.24%[10] * 本年收益均值：0.24%[10] * 近一年最大回撤均值：3.72%[10] 7. **公募量化固收+基金等权组合模型** * 本周收益均值：-0.03%[13] * 本月收益均值：0.24%[13] * 本年收益均值：0.24%[13]

量化模型与因子总结 量化模型与构建方式 1. **模型/因子名称**：市场情绪监测模型（封板率与连板率）[16] * **模型/因子构建思路**：通过统计上市股票的涨停封板情况和连续涨停情况，来量化市场短期炒作情绪和赚钱效应的强弱。[16] * **模型/因子具体构建过程**： * **封板率**：统计当日最高价曾触及涨停的股票中，最终收盘价仍为涨停的股票比例。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] * **连板率**：统计前一日收盘涨停的股票中，在当日继续收盘涨停的股票比例。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] 2. **模型/因子名称**：市场资金监测模型（两融余额与交易占比）[23] * **模型/因子构建思路**：通过计算融资融券余额及其交易额在市场中的占比，来反映杠杆资金的活跃程度和市场风险偏好。[23] * **模型/因子具体构建过程**： * **两融余额占比**：计算融资融券余额占A股市场总流通市值的比重。 * **两融交易占比**：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。[23] 3. **模型/因子名称**：折溢价监测模型（ETF折溢价、大宗交易折溢价、股指期货升贴水）[24][27][29] * **模型/因子构建思路**：通过观察ETF、大宗交易和股指期货的价格与其对应基础资产净值或现货价格之间的差异，来捕捉市场情绪、大资金动向及对未来市场的预期。[24][27][29] * **模型/因子具体构建过程**： * **ETF折溢价**：直接观察ETF场内交易价格与其IOPV（基金份额参考净值）的差异。[24] * **大宗交易折价率**：计算大宗交易成交总额与按当日收盘价计算的相同份额总市值之间的比率差。计算公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ [27] * **股指期货年化贴水率**：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，以衡量对冲成本或市场预期。计算公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ [29] 其中，基差 = 期货价格 - 现货价格。 模型的回测效果 1. **市场情绪监测模型（封板率与连板率）**，2026年1月30日封板率65%[16]，连板率10%[16] 2. **市场资金监测模型（两融余额与交易占比）**，截至2026年1月29日，两融余额占流通市值比重2.6%[23]，两融交易占市场成交额比重9.6%[23] 3. **折溢价监测模型（ETF折溢价）**，2026年1月29日，溢价较多的ETF为油气ETF博时（溢价4.13%）[24]，折价较多的ETF为国证2000ETF工银（折价2.03%）[24] 4. **折溢价监测模型（大宗交易折溢价）**，近半年平均折价率6.93%[27]，2026年1月29日当日折价率7.58%[27] 5. **折溢价监测模型（股指期货升贴水）**，近一年年化贴水率中位数：上证500.65%[29]、沪深3003.78%[29]、中证50011.11%[29]、中证100013.61%[29]；2026年1月30日当日年化升贴水率：上证50升水2.11%（近一年92%分位）[29]、沪深300升水0.85%（近一年90%分位）[29]、中证500贴水0.84%（近一年94%分位）[29]、中证1000升水0.60%（近一年98%分位）[29]

量化模型与因子总结 量化模型与构建方式 本报告为市场监测日报，未涉及具体的量化选股模型或多因子模型。报告主要展示和计算了一系列用于监测市场状态、情绪和资金流向的量化指标。 量化因子与构建方式 报告涉及多个用于市场监测的量化指标，可视为市场状态因子或情绪因子。 1. **因子名称：封板率** [16] * **因子构建思路**：通过计算盘中触及涨停且最终成功封住涨停板的股票比例，来反映市场追涨资金的强度和涨停板的可靠性。[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. 在指定交易日，找出盘中最高价达到涨停价的股票集合。 3. 在上述股票集合中，找出收盘价仍为涨停价的股票。 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. **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涨停股票的比例，来反映市场短线炒作的延续性和赚钱效应。[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. 在指定交易日，找出前一日（T-1日）收盘涨停的股票集合。 3. 在上述股票集合中，找出当日（T日）收盘也涨停的股票。 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** [27] * **因子构建思路**：通过计算大宗交易成交总额相对于其市值的折价比例，来反映大资金的投资偏好和减持意愿，折价率高通常意味着卖出方让利较多或接盘方要求较高的风险补偿。[27] * **因子具体构建过程**： 1. 获取指定交易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。[27] 2. 计算大宗交易总成交金额。 3. 计算大宗交易成交份额按当日收盘价计算的总市值。 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. **因子名称：股指期货年化贴水率** [29] * **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的基差，并进行年化处理，来反映市场对未来走势的预期、对冲成本以及市场情绪。升水（正基差）通常表示市场预期乐观或对冲需求低，贴水（负基差）则相反。[29] * **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。[29] 2. 计算基差：基差 = 股指期货价格 - 现货指数价格。[29] 3. 计算年化贴水率，公式为： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ [29] * **公式说明**：公式将基差率（基差/指数价格）年化，以方便不同期限合约之间的比较。其中250为一年中大约的交易天数。[29] 模型的回测效果 报告未涉及量化模型的回测效果。 因子的回测效果 报告未提供上述因子的历史回测表现（如IC、IR、多空收益等）。报告主要展示了这些因子在特定交易日（2026年1月30日及附近日期）的截面或时间序列取值，用于描述当日市场状态。 1. **封板率因子**，2026年1月30日取值：65%[16] 2. **连板率因子**，2026年1月30日取值：10%[16] 3. **大宗交易折价率因子**，2026年1月29日取值：7.58%[27]；近半年以来平均值：6.93%[27] 4. **股指期货年化贴水率因子**，2026年1月30日取值及历史分位点：[29] * 上证50股指期货：年化升水率 2.11%，处于近一年来92%分位点[29] * 沪深300股指期货：年化升水率 0.85%，处于近一年来90%分位点[29] * 中证500股指期货：年化贴水率 0.84%，处于近一年来94%分位点[29] * 中证1000股指期货：年化升水率 0.60%，处于近一年来98%分位点[29] * **历史中位数参考值（近一年）**：[29] * 上证50：0.65% * 沪深300：3.78% * 中证500：11.11% * 中证1000：13.61%