量化模型与构建方式 1. **模型名称：港股精选组合模型**[13][14] * **模型构建思路**：该模型旨在对分析师推荐股票池进行基本面和技术面的双层优选，挑选出同时具备基本面支撑和技术面共振的超预期股票，构建港股精选股票组合[13][14]。 * **模型具体构建过程**： 1. **构建分析师推荐股票池**：以分析师上调盈利预测、分析师首次关注、分析师研报标题超预期事件作为分析师推荐事件，构建初始股票池[14]。 2. **双层筛选**：对分析师推荐股票池中的股票进行基本面和技术面两个维度的精选[13][14]。 * **模型评价**：该模型结合了分析师的主观判断（事件驱动）与量化的客观筛选（基本面与技术面），旨在捕捉具备多重动能的股票。 2. **因子名称：250日新高距离**[21] * **因子构建思路**：用于量化股票价格接近其历史最高点的程度，是识别趋势和动量效应的重要指标[19][21]。 * **因子具体构建过程**：计算最新收盘价与过去250个交易日最高收盘价之间的相对距离。 * **公式**：$$250日新高距离 = 1 - \frac{Close_t}{ts\_max(Close, 250)}$$ * **公式说明**：`Close_t`为最新收盘价，`ts_max(Close, 250)`为过去250个交易日收盘价的最大值。若最新收盘价创出新高，则因子值为0；若最新收盘价较新高回落，则因子值为正，表示回落幅度[21]。 3. **模型名称：平稳创新高股票筛选模型**[21][22] * **模型构建思路**：根据分析师关注度、股价相对强弱、股价路径平稳性、创新高连续性等多个角度，在过去20个交易日创出过250日新高的股票池中，筛选出趋势更为稳健的“平稳创新高”股票[2][21]。 * **模型具体构建过程**：采用多步骤分层筛选。 1. **样本池**：全部港股，剔除成立时间不超过15个月的股票[22]。 2. **分析师关注度筛选**：过去6个月买入或增持评级的分析师研报不少于5份[22]。 3. **股价相对强弱筛选**：过去250日涨跌幅位于样本池前20%[22]。 4. **股价平稳性筛选**：在满足上述条件的股票池内，用以下两个指标综合打分，取排名在前50%的股票（最少取50只）[22]。 * **价格路径平滑性**：股价位移路程比。计算公式为：`过去120日涨跌幅绝对值 / 过去120日日涨跌幅绝对值加总`[21][22]。 * **创新高持续性**：过去120日的250日新高距离在时间序列上的均值[22]。 5. **趋势延续性筛选**：对经过上述筛选的股票，计算其过去5日的250日新高距离在时间序列上的均值，并取排序靠前的50只作为最终组合[22]。 模型的回测效果 1. **港股精选组合模型**，全样本（20100101-20251231）回测效果如下[14][18]： * 年化收益：19.08% * 相对恒生指数超额收益：18.06% * 信息比率(IR)：1.19 * 跟踪误差：14.60% * 最大回撤：23.73% * 收益回撤比：0.76 2. **港股精选组合模型**，分年度绩效表现详见下表（数据来源：表1）[18]： * **2010年**：绝对收益22.81%，超额收益17.49%，信息比1.33 * **2011年**：绝对收益-9.50%，超额收益10.48%，信息比1.14 * **2012年**：绝对收益42.96%，超额收益20.06%，信息比1.55 * **2013年**：绝对收益22.92%，超额收益20.06%，信息比1.78 * **2014年**：绝对收益16.06%，超额收益14.78%，信息比1.30 * **2015年**：绝对收益0.84%，超额收益8.00%，信息比0.60 * **2016年**：绝对收益12.93%，超额收益12.54%，信息比1.16 * **2017年**：绝对收益59.52%，超额收益23.53%，信息比1.36 * **2018年**：绝对收益-4.25%，超额收益9.37%，信息比0.78 * **2019年**：绝对收益42.85%，超额收益33.78%，信息比2.23 * **2020年**：绝对收益66.59%，超额收益70.00%，信息比2.60 * **2021年**：绝对收益7.49%，超额收益21.56%，信息比1.19 * **2022年**：绝对收益-7.73%，超额收益7.72%，信息比0.50 * **2023年**：绝对收益-13.57%，超额收益0.25%，信息比0.00 * **2024年**：绝对收益24.35%，超额收益6.68%，信息比0.48 * **2025年**：绝对收益53.23%，超额收益25.46%，信息比1.19 因子的回测效果 （报告中未提供单个因子的独立回测效果指标，如IC、IR等，因此本部分略过）

量化模型与构建方式 1. **模型名称**：进取组合[7] **模型构建思路**：未明确说明，但从名称推测为追求较高收益风险比的主动量化组合[7] **模型具体构建过程**：未详细说明，报告仅提及其为多因子组合[7][10] 2. **模型名称**：平衡组合[7] **模型构建思路**：未明确说明，但从名称推测为追求收益与风险平衡的主动量化组合[7] **模型具体构建过程**：未详细说明，报告仅提及其为多因子组合[7][10] 3. **模型名称**：沪深300增强组合[7] **模型构建思路**：未明确说明，为针对沪深300指数的增强策略，旨在获取超越基准的超额收益[7][14] **模型具体构建过程**：未详细说明[7][14] 4. **模型名称**：中证500增强组合[7] **模型构建思路**：未明确说明，为针对中证500指数的增强策略，旨在获取超越基准的超额收益[7][14] **模型具体构建过程**：未详细说明[7][14] 5. **模型名称**：中证1000增强组合[7] **模型构建思路**：未明确说明，为针对中证1000指数的增强策略，旨在获取超越基准的超额收益[7][14] **模型具体构建过程**：未详细说明[7][14] 6. **模型名称**：绩优基金的独门重仓股组合[7] **模型构建思路**：基于绩优基金的独门重仓股构建组合，旨在捕捉基金经理的独到选股能力[7][27] **模型具体构建过程**：未详细说明[7][27] 7. **模型名称**：盈利、增长、现金流三者兼优组合[7] **模型构建思路**：筛选在盈利、增长和现金流三个基本面维度上均表现优异的股票构建组合[7][29] **模型具体构建过程**：未详细说明[7][29] 8. **模型名称**：PB-盈利优选组合[7] **模型构建思路**：结合低估值（PB）和高盈利（盈利）两个维度筛选股票，构建有基本面支撑的低估值组合[7][31][33] **模型具体构建过程**：未详细说明[7][31][33] 9. **模型名称**：GARP组合[9] **模型构建思路**：采用“合理价格成长”策略，寻找具有稳定增长潜力且估值合理的股票[9][35] **模型具体构建过程**：未详细说明[9][35] 10. **模型名称**：小盘价值优选组合1[7] **模型构建思路**：在小盘股中筛选具有价值属性的股票构建组合[7][37] **模型具体构建过程**：未详细说明[7][37] 11. **模型名称**：小盘价值优选组合2[9] **模型构建思路**：在小盘股中筛选具有价值属性的股票构建组合，可能是与组合1采用不同筛选标准或权重的变体[9][39] **模型具体构建过程**：未详细说明[9][39] 12. **模型名称**：小盘成长组合[7] **模型构建思路**：在小盘股中筛选具有高成长属性的股票构建组合[7][41] **模型具体构建过程**：未详细说明[7][41] 模型的回测效果 1. **进取组合**，周收益率-0.93%[9]，周超额收益（相对中证500）1.63%[9]，月绝对收益13.78%[9]，月超额收益（相对中证500）1.66%[9]，年绝对收益13.78%[9]，年超额收益（相对中证500）1.66%[9]，跟踪误差20.60%[9]，最大相对回撤12.81%[9] 2. **平衡组合**，周收益率-0.86%[9]，周超额收益（相对中证500）1.70%[9]，月绝对收益12.77%[9]，月超额收益（相对中证500）0.65%[9]，年绝对收益12.77%[9]，年超额收益（相对中证500）0.65%[9]，跟踪误差17.86%[9]，最大相对回撤11.94%[9] 3. **沪深300增强组合**，周收益率-0.39%[9]，周超额收益-0.47%[9]，月绝对收益6.85%[9]，月超额收益5.20%[9]，年绝对收益6.85%[9]，年超额收益5.20%[9]，跟踪误差4.86%[9]，最大相对回撤1.21%[9] 4. **中证500增强组合**，周收益率-1.74%[9]，周超额收益0.82%[9]，月绝对收益11.11%[9]，月超额收益-1.01%[9]，年绝对收益11.11%[9]，年超额收益-1.01%[9]，跟踪误差6.16%[9]，最大相对回撤4.77%[9] 5. **中证1000增强组合**，周收益率-0.97%[9]，周超额收益1.58%[9]，月绝对收益11.99%[9]，月超额收益3.31%[9]，年绝对收益11.99%[9]，年超额收益3.31%[9]，跟踪误差7.70%[9]，最大相对回撤2.78%[9] 6. **绩优基金的独门重仓股组合**，周收益率-2.71%[9]，周超额收益（相对股票型基金总指数）-3.29%[9]，月绝对收益6.03%[9]，月超额收益（相对股票型基金总指数）-1.06%[9]，年绝对收益6.03%[9]，年超额收益（相对股票型基金总指数）-1.06%[9]，跟踪误差21.80%[9]，最大相对回撤5.18%[9] 7. **盈利、增长、现金流三者兼优组合**，周收益率-4.06%[9]，周超额收益（相对沪深300）-4.15%[9]，月绝对收益0.20%[9]，月超额收益（相对沪深300）-1.45%[9]，年绝对收益0.20%[9]，年超额收益（相对沪深300）-1.45%[9]，跟踪误差13.12%[9]，最大相对回撤4.52%[9] 8. **PB-盈利优选组合**，周收益率0.92%[9]，周超额收益（相对沪深300）0.84%[9]，月绝对收益6.17%[9]，月超额收益（相对沪深300）4.52%[9]，年绝对收益6.17%[9]，年超额收益（相对沪深300）4.52%[9]，跟踪误差13.11%[9]，最大相对回撤4.47%[9] 9. **GARP组合**，周收益率0.95%[9]，周超额收益（相对沪深300）0.87%[9]，月绝对收益11.43%[9]，月超额收益（相对沪深300）9.78%[9]，年绝对收益11.43%[9]，年超额收益（相对沪深300）9.78%[9]，跟踪误差13.38%[9]，最大相对回撤2.90%[9] 10. **小盘价值优选组合1**，周收益率-2.44%[9]，周超额收益（相对微盘股指数）-1.29%[9]，月绝对收益7.89%[9]，月超额收益（相对微盘股指数）-2.83%[9]，年绝对收益7.89%[9]，年超额收益（相对微盘股指数）-2.83%[9]，跟踪误差9.39%[9]，最大相对回撤5.33%[9] 11. **小盘价值优选组合2**，周收益率-1.64%[9]，周超额收益（相对微盘股指数）-0.48%[9]，月绝对收益12.37%[9]，月超额收益（相对微盘股指数）1.66%[9]，年绝对收益12.37%[9]，年超额收益（相对微盘股指数）1.66%[9]，跟踪误差10.30%[9]，最大相对回撤3.05%[9] 12. **小盘成长组合**，周收益率-2.07%[9]，周超额收益（相对微盘股指数）-0.92%[9]，月绝对收益9.13%[9]，月超额收益（相对微盘股指数）-1.59%[9]，年绝对收益9.13%[9]，年超额收益（相对微盘股指数）-1.59%[9]，跟踪误差10.53%[9]，最大相对回撤3.01%[9] 量化因子与构建方式 1. **因子名称**：市值因子[44] **因子构建思路**：衡量公司规模大小，通常认为小市值股票存在溢价[44] **因子具体构建过程**：未详细说明，通常为股票的总市值[44] 2. **因子名称**：PB因子[44] **因子构建思路**：市净率，衡量估值水平，通常认为低估值股票存在溢价[44] **因子具体构建过程**：未详细说明，通常为股价除以每股净资产[44] 3. **因子名称**：PE_TTM因子[44] **因子构建思路**：滚动市盈率，衡量估值水平，通常认为低估值股票存在溢价[44] **因子具体构建过程**：未详细说明，通常为股价除以最近四个季度的每股收益之和[44] 4. **因子名称**：反转因子[49] **因子构建思路**：基于股价短期反转效应，认为过去表现差的股票未来可能反弹[49] **因子具体构建过程**：未详细说明，通常基于过去一段时间的收益率[49] 5. **因子名称**：换手率因子[49] **因子构建思路**：衡量股票流动性或交易活跃度，通常认为低换手率股票存在溢价[49] **因子具体构建过程**：未详细说明，通常为一段时间内的成交股数除以流通股数[49] 6. **因子名称**：波动率因子[49] **因子构建思路**：衡量股票价格波动风险，通常认为低波动率股票存在溢价[49] **因子具体构建过程**：未详细说明，通常为过去一段时间收益率的标准差[49] 7. **因子名称**：ROE因子[52] **因子构建思路**：净资产收益率，衡量公司盈利能力，通常认为高盈利股票存在溢价[52] **因子具体构建过程**：未详细说明，通常为净利润除以净资产[52] 8. **因子名称**：SUE因子[52] **因子构建思路**：标准化未预期盈余，衡量盈利增长超预期的程度，通常认为超预期增长的股票存在溢价[52] **因子具体构建过程**：未详细说明[52] 9. **因子名称**：预期净利润调整因子[52] **因子构建思路**：基于分析师对净利润预期的调整，通常认为预期上调的股票存在溢价[52] **因子具体构建过程**：未详细说明[52] 因子的回测效果 （注：因子测试方法为，按照因子值对股票排序，选择最高与最低的10%股票构建等权组合，计算多头、空头及多空收益[43]） 1. **市值因子**，上周全市场多头收益1.25%[44]，上周全市场空头收益1.05%[44]，上周全市场多空收益0.19%[44]，2026年以来全市场多空收益3.34%[44][45]，2026年以来沪深300多空收益5.78%[44][45]，2026年以来中证500多空收益-10.16%[44][45]，2026年以来中证1000多空收益-2.32%[44][45] 2. **PB因子**，上周全市场多头收益2.45%[44]，上周全市场空头收益-0.81%[44]，上周全市场多空收益3.26%[44]，2026年以来全市场多空收益-1.40%[44][45]，2026年以来沪深300多空收益-7.98%[44][45]，2026年以来中证500多空收益-3.81%[44][45]，2026年以来中证1000多空收益-3.18%[44][45] 3. **PE_TTM因子**，上周全市场多头收益1.22%[44]，上周全市场空头收益-1.34%[44]，上周全市场多空收益2.57%[44]，2026年以来全市场多空收益0.28%[44][45]，2026年以来沪深300多空收益-7.61%[44][45]，2026年以来中证500多空收益-7.92%[44][45]，2026年以来中证1000多空收益-2.38%[44][45] 4. **反转因子**，上周全市场多头收益0.06%[49]，上周全市场空头收益-2.06%[49]，上周全市场多空收益2.12%[49]，2026年以来全市场多空收益-3.86%[50]，2026年以来沪深300多空收益-5.13%[50]，2026年以来中证500多空收益-13.20%[50]，2026年以来中证1000多空收益0.01%[50] 5. **换手率因子**，上周全市场多头收益1.63%[49]，上周全市场空头收益-2.25%[49]，上周全市场多空收益3.89%[49]，2026年以来全市场多空收益2.68%[50]，2026年以来沪深300多空收益-6.99%[50]，2026年以来中证500多空收益-13.52%[50]，2026年以来中证1000多空收益-1.58%[50] 6. **波动率因子**，上周全市场多头收益2.21%[49]，上周全市场空头收益-1.94%[49]，上周全市场多空收益4.16%[49]，2026年以来全市场多空收益-0.38%[50]，2026年以来沪深300多空收益-8.96%[50]，2026年以来中证500多空收益-17.87%[50]，2026年以来中证1000多空收益-2.42%[50] 7. **ROE因子**，上周全市场多头收益0.97%[52]，上周全市场空头收益-1.22%[52]，上周全市场多空收益2.20%[52]，2026年以来全市场多空收益2.84%[52][53]，2026年以来沪深300多空收益-0.92%[52][53]，2026年以来中证500多空收益-0.30%[52][53]，2026年以来中证1000多空收益6.47%[52][53] 8. **SUE因子**，上周全市场多头收益0.42%[52]，上周全市场空头收益-0.03%[52]，上周全市场多空收益0.45%[52]，2026年以来全市场多空收益1.74%[52][53]，2026年以来沪深300多空收益2.54%[52][53]，2026年以来中证500多空收益-2.39%[52][53]，2026年以来中证1000多空收益2.95%[52][53] 9. **预期净利润调整因子**，上周全市场多头收益-0.68%[52]，上周全市场空头收益-0.53%[52]，上周全市场多空收益-0.15%[52]，2026年以来全市场多空收益0.72%[52][53]，2026年以来沪深300多空收益1.92%[52][53]，2026年以来中证500多空收益2.04%[52][53]，2026年以来中证1000多空收益-1.51%[52][53]

量化模型与构建方式 1. **模型名称**：进取组合 **模型构建思路**：基于多因子模型构建的量化股票组合，追求较高风险下的超额收益[7] **模型具体构建过程**：报告未详细描述其具体因子构成和加权方式，仅说明其为多因子组合[7] 2. **模型名称**：平衡组合 **模型构建思路**：基于多因子模型构建的量化股票组合，追求风险与收益的平衡[7] **模型具体构建过程**：报告未详细描述其具体因子构成和加权方式，仅说明其为多因子组合[7] 3. **模型名称**：沪深300增强组合 **模型构建思路**：以沪深300指数为基准，通过量化模型进行增强，旨在获取稳定超额收益[5] **模型具体构建过程**：报告未详细描述其具体增强策略和因子构成[5] 4. **模型名称**：中证500增强组合 **模型构建思路**：以中证500指数为基准，通过量化模型进行增强，旨在获取稳定超额收益[5] **模型具体构建过程**：报告未详细描述其具体增强策略和因子构成[5] 5. **模型名称**：中证1000增强组合 **模型构建思路**：以中证1000指数为基准，通过量化模型进行增强，旨在获取稳定超额收益[5] **模型具体构建过程**：报告未详细描述其具体增强策略和因子构成[5] 6. **模型名称**：绩优基金的独门重仓股组合 **模型构建思路**：基于绩优基金的独门重仓股构建的组合，旨在捕捉基金经理的选股Alpha[5][7] **模型具体构建过程**：报告未详细描述其具体筛选和构建规则[5][7] 7. **模型名称**：盈利、增长、现金流三者兼优组合 **模型构建思路**：筛选在盈利、增长和现金流三个基本面维度均表现优异的股票构建的组合[7] **模型具体构建过程**：报告未详细描述其具体筛选标准和加权方式[7] 8. **模型名称**：PB-盈利优选组合 **模型构建思路**：结合低估值（PB）和高盈利能力的选股策略，寻找有基本面支撑的低估值股票[7][31] **模型具体构建过程**：报告未详细描述其具体因子合成与选股规则[7][31] 9. **模型名称**：GARP组合 **模型构建思路**：采用“合理价格成长”策略，兼顾公司的成长性与估值水平[35] **模型具体构建过程**：报告未详细描述其具体因子合成与选股规则[35] 10. **模型名称**：小盘价值优选组合1 **模型构建思路**：在小盘股中优选具备价值特征的股票构建的组合[7] **模型具体构建过程**：报告未详细描述其具体价值因子定义和选股规则[7] 11. **模型名称**：小盘价值优选组合2 **模型构建思路**：在小盘股中优选具备价值特征的股票构建的组合，可能与组合1在因子权重或筛选阈值上有所不同[7] **模型具体构建过程**：报告未详细描述其具体价值因子定义和选股规则[7] 12. **模型名称**：小盘成长组合 **模型构建思路**：在小盘股中优选具备高成长特征的股票构建的组合[7] **模型具体构建过程**：报告未详细描述其具体成长因子定义和选股规则[7] 量化因子与构建方式 1. **因子名称**：市值因子 **因子构建思路**：衡量公司规模大小的因子，通常认为小市值股票存在溢价[44] **因子具体构建过程**：报告未给出具体计算公式，通常使用总市值或流通市值作为代理变量[44] 2. **因子名称**：PB因子 **因子构建思路**：市净率因子，衡量估值水平，通常认为低估值股票存在溢价[44] **因子具体构建过程**：报告未给出具体计算公式，通常为股票价格除以每股净资产[44] 3. **因子名称**：PE_TTM因子 **因子构建思路**：滚动市盈率因子，衡量估值水平，通常认为低估值股票存在溢价[44] **因子具体构建过程**：报告未给出具体计算公式，通常为股票价格除以过去十二个月每股收益[44] 4. **因子名称**：反转因子 **因子构建思路**：技术类因子，认为过去一段时间跌幅较大的股票未来可能反弹，涨幅较大的股票未来可能回调[49] **因子具体构建过程**：报告未给出具体计算公式，通常基于过去一段时间的收益率构建[49] 5. **因子名称**：换手率因子 **因子构建思路**：技术类因子，衡量股票流动性，通常认为低换手率股票存在溢价[49] **因子具体构建过程**：报告未给出具体计算公式，通常基于过去一段时间的平均换手率构建[49] 6. **因子名称**：波动率因子 **因子构建思路**：技术类因子，衡量股票价格波动风险，通常认为低波动率股票存在溢价[49] **因子具体构建过程**：报告未给出具体计算公式，通常基于过去一段时间收益率的标准差构建[49] 7. **因子名称**：ROE因子 **因子构建思路**：净资产收益率因子，衡量公司盈利能力，通常认为高盈利能力股票存在溢价[52] **因子具体构建过程**：报告未给出具体计算公式，通常为净利润除以净资产[52] 8. **因子名称**：SUE因子 **因子构建思路**：标准化未预期盈余因子，衡量盈利增长超预期的程度，通常认为超预期增长的股票存在溢价[52] **因子具体构建过程**：报告未给出具体计算公式，通常为（当期实际EPS - 预期EPS）除以历史盈利波动[52] 9. **因子名称**：预期净利润调整因子 **因子构建思路**：基于分析师对净利润预测的调整构建的因子，通常认为上调盈利预测的股票存在溢价[52] **因子具体构建过程**：报告未给出具体计算公式，通常基于分析师一致预期净利润的变化率构建[52] 模型的回测效果 （数据统计区间：2025年12月31日至2026年1月30日）[9] 1. 进取组合，绝对收益13.78%，超额收益1.66%，跟踪误差20.60%，最大相对回撤12.81%[9] 2. 平衡组合，绝对收益12.77%，超额收益0.65%，跟踪误差17.86%，最大相对回撤11.94%[9] 3. 沪深300增强组合，绝对收益6.85%，超额收益5.20%，跟踪误差4.86%，最大相对回撤1.21%[9] 4. 中证500增强组合，绝对收益11.11%，超额收益-1.01%，跟踪误差6.16%，最大相对回撤4.77%[9] 5. 中证1000增强组合，绝对收益11.99%，超额收益3.31%，跟踪误差7.70%，最大相对回撤2.78%[9] 6. 绩优基金的独门重仓股组合，绝对收益6.03%，超额收益-1.06%，跟踪误差21.80%，最大相对回撤5.18%[9] 7. 盈利、增长、现金流三者兼优组合，绝对收益0.20%，超额收益-1.45%，跟踪误差13.12%，最大相对回撤4.52%[9] 8. PB-盈利优选组合，绝对收益6.17%，超额收益4.52%，跟踪误差13.11%，最大相对回撤4.47%[9] 9. GARP组合，绝对收益11.43%，超额收益9.78%，跟踪误差13.38%，最大相对回撤2.90%[9] 10. 小盘价值优选组合1，绝对收益7.89%，超额收益-2.83%，跟踪误差9.39%，最大相对回撤5.33%[9] 11. 小盘价值优选组合2，绝对收益12.37%，超额收益1.66%，跟踪误差10.30%，最大相对回撤3.05%[9] 12. 小盘成长组合，绝对收益9.13%，超额收益-1.59%，跟踪误差10.53%，最大相对回撤3.01%[9] 因子的回测效果 （数据统计区间：2025年12月31日至2026年1月30日）[44][45][50][52][53] 1. 市值因子，全市场多空收益3.34%，沪深300多空收益5.78%，中证500多空收益-10.16%，中证1000多空收益-2.32%[44][45] 2. PB因子，全市场多空收益-1.40%，沪深300多空收益-7.98%，中证500多空收益-3.81%，中证1000多空收益-3.18%[44][45] 3. PE_TTM因子，全市场多空收益0.28%，沪深300多空收益-7.61%，中证500多空收益-7.92%，中证1000多空收益-2.38%[44][45] 4. 反转因子，全市场多空收益-3.86%，沪深300多空收益-5.13%，中证500多空收益-13.20%，中证1000多空收益0.01%[50] 5. 换手率因子，全市场多空收益2.68%，沪深300多空收益-6.99%，中证500多空收益-13.52%，中证1000多空收益-1.58%[50] 6. 波动率因子，全市场多空收益-0.38%，沪深300多空收益-8.96%，中证500多空收益-17.87%，中证1000多空收益-2.42%[50] 7. ROE因子，全市场多空收益2.84%，沪深300多空收益-0.92%，中证500多空收益-0.30%，中证1000多空收益6.47%[52][53] 8. SUE因子，全市场多空收益1.74%，沪深300多空收益2.54%，中证500多空收益-2.39%，中证1000多空收益2.95%[52][53] 9. 预期净利润调整因子，全市场多空收益0.72%，沪深300多空收益1.92%，中证500多空收益2.04%，中证1000多空收益-1.51%[52][53]

量化模型与因子总结 量化因子与构建方式 1. **因子名称**：250日新高距离[11] * **因子构建思路**：该因子用于衡量当前价格相对于过去一段时间内最高价格的回落幅度，是趋势跟踪和动量策略的核心指标。其理论基础在于，研究表明股价接近其52周（或250日）最高价时，未来收益往往更高[11]。 * **因子具体构建过程**：对于每个标的（个股、指数、行业指数等），计算其最新收盘价与过去250个交易日最高收盘价之间的相对距离。 * 具体公式为： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ * 其中，`Closet`代表最新收盘价，`ts_max(Close, 250)`代表过去250个交易日收盘价的最大值[11]。 * 若最新收盘价创出新高，则因子值为0；若最新收盘价较新高回落，则因子值为正，表示回落的幅度[11]。 2. **模型/策略名称**：平稳创新高股票筛选模型[26][28] * **模型构建思路**：该模型旨在从近期创出新高的股票中，进一步筛选出具有更强、更持续动量效应的股票。其思路结合了截面动量和时间序列动量的研究，认为遵循平滑价格路径、具有持续创新高能力的“领头羊”股票，其动量效应可能更强大[18][26]。 * **模型具体构建过程**：这是一个多步骤的筛选流程，从全市场股票池开始，逐步应用多个条件进行过滤[26][28]。 * **步骤1：初筛股票池**。首先，在上市满15个月的股票池内，筛选出过去20个交易日曾创出250日新高的股票，形成初始创新高股票池[19]。 * **步骤2：应用多维度筛选条件**。在初始股票池上，依次应用以下五个维度的条件进行筛选[26][28]： 1. **分析师关注度**：过去3个月内，获得“买入”或“增持”评级的分析师研报数量不少于5份[28]。 2. **股价相对强弱**：过去250日涨跌幅位于全市场前20%[28]。 3. **股价路径平稳性**：使用“股价位移路程比”指标进行衡量。该指标计算公式为： $$股价位移路程比 = \frac{过去120日涨跌幅的绝对值}{过去120日日涨跌幅绝对值加总}$$ 该比值越接近1，表明价格路径越平滑（位移接近路程），波动越小。在满足前两个条件的股票池内，对此指标进行综合打分，并选取排名在前50%的股票[26][28]。 4. **创新高持续性**：计算过去120个交易日内，每日的“250日新高距离”在时间序列上的均值。该均值越小，表明股票在近期持续接近或创出新高[28]。 5. **趋势延续性**：计算过去5个交易日内，每日的“250日新高距离”在时间序列上的均值。该指标用于捕捉短期趋势的强度[28]。 * **步骤3：最终筛选**。对满足前四个条件的股票，按“趋势延续性”指标（过去5日新高距离均值）进行排序，最终选取排名最靠前的50只股票作为“平稳创新高股票”[28]。 模型与因子的回测效果 **注**：本报告主要为截至特定时点（2026年1月30日）的截面数据跟踪与展示，未提供完整的回溯测试绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。以下为报告中给出的具体时点数据取值。 1. **250日新高距离因子** 在主要宽基指数上的取值（截至2026年1月30日）[12] * 上证指数：1.14% * 深证成指：1.62% * 沪深300指数：1.76% * 中证500指数：2.68% * 中证1000指数：2.55% * 中证2000指数：3.34% * 创业板指：1.24% * 科创50指数：2.99% 2. **250日新高距离因子** 在部分中信一级行业指数上的取值（截至2026年1月30日）[13] * 通信行业：0.00% * 石油石化行业：0.47% * 建材行业：1.19% * 有色金属行业：7.82% * 轻工制造行业：1.55% * （报告提及食品饮料、银行、综合金融、医药、综合行业距离新高较远，但未给出具体数值）[13] 3. **平稳创新高股票筛选模型** 的输出结果（截至2026年1月30日）[29][32] * 模型最终筛选出50只股票，例如普冉股份、亚翔集成、源杰科技等[29]。 * 这些股票在板块分布上，周期板块有24只，科技板块有14只，制造、医药、消费、大金融板块分别有9只、1只、1只、1只[29][31]。 * 在行业分布上，周期板块内基础化工行业股票最多；科技板块内电子行业股票最多[29]。

量化模型与因子总结 量化因子与构建方式 1. **因子名称：250日新高距离**[11] * **因子构建思路**：该因子用于衡量当前价格相对于过去一段时间内最高价格的回落幅度，是趋势跟踪和动量策略的核心指标。其理论基础在于，研究表明股价接近其52周（或250日）最高价时，未来往往有更好的表现[11]。 * **因子具体构建过程**：对于每个标的（股票、指数等），计算其最新收盘价与过去250个交易日最高收盘价之间的相对距离。 * 具体公式为： $$250 日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ * 其中，`Closet` 代表最新收盘价，`ts_max(Close, 250)` 代表过去250个交易日收盘价的最大值[11]。 * 若最新收盘价创出新高，则该因子值为0；若最新收盘价较新高回落，则因子值为正，表示回落的幅度[11]。 2. **模型/策略名称：平稳创新高股票筛选模型**[26][28] * **模型构建思路**：该模型旨在从近期创出新高的股票中，进一步筛选出具有更强、更持续动量效应的股票。其思路结合了截面动量和时间序列动量的研究，认为遵循平滑价格路径、且创新高行为具有持续性的股票，其动量效应更为强大和可靠[26]。 * **模型具体构建过程**：这是一个多步骤的筛选模型，具体流程如下： 1. **初选股票池**：首先在上市满15个月的股票池内，筛选出过去20个交易日曾创出250日新高的股票[19]。 2. **应用多维度筛选条件**：在初选股票池中，依次应用以下条件进行筛选[26][28]： * **分析师关注度**：过去3个月内，获得“买入”或“增持”评级的分析师研报数量不少于5份[28]。 * **股价相对强弱**：过去250日涨跌幅位于全市场前20%[28]。 * **股价平稳性与创新高持续性**：对满足以上条件的股票，使用两个指标综合打分，并取排名在前50%的股票[28]。 * **价格路径平滑性**：使用股价位移路程比指标，计算公式为 `过去120日涨跌幅的绝对值 / 过去120日日涨跌幅绝对值加总`[26]。 * **创新高持续性**：过去120日的250日新高距离在时间序列上的均值[28]。 3. **最终排序与选取**：在通过上述筛选的股票中，根据 **趋势延续性**（过去5日的250日新高距离在时间序列上的均值）进行排序，最终选取排名最靠前的50只股票作为“平稳创新高股票”[28]。 模型与因子的回测效果 > **注**：本报告主要为特定时点（2026年1月30日）的截面数据跟踪与展示，未提供基于历史回溯的标准化回测绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。以下为报告披露的当期具体数据取值。 1. **250日新高距离因子**，在主要宽基指数上的取值如下[12]： * 上证指数：1.14% * 深证成指：1.62% * 沪深300：1.76% * 中证500：2.68% * 中证1000：2.55% * 中证2000：3.34% * 创业板指：1.24% * 科创50：2.99% 2. **平稳创新高股票筛选模型**，输出的股票列表及部分特征[29][32]： * 模型本周（2026年1月30日）筛选出50只平稳创新高股票，例如普冉股份、亚翔集成、源杰科技等[29]。 * 板块分布：周期板块24只，科技板块14只，制造板块9只，医药板块1只，消费板块1只，大金融板块1只[29][31]。 * 行业分布：周期板块中以基础化工行业居多；科技板块中以电子行业居多[29]。

量化模型与因子总结 量化因子与构建方式 1. **因子名称：连阴连阳因子**[12] * **因子构建思路**：通过计算指数K线连续为阴线或阳线的天数，来捕捉市场的短期趋势延续性[12]。 * **因子具体构建过程**：对于每个指数，从当前交易日开始向前回溯，若当日收益率为正，则连阳天数加1，连阴天数重置为0；若当日收益率为负，则连阴天数加1（以负数表示），连阳天数重置为0。计数值从1开始，连续状态中断时，该因子值为空[12]。 2. **因子名称：均线比较因子**[15][16] * **因子构建思路**：通过比较指数收盘价与不同周期移动平均线（MA）的位置关系，来判断指数当前的短期、中期和长期趋势强度及支撑压力位[15]。 * **因子具体构建过程**：首先计算指数收盘价的5日、10日、20日、60日、120日和250日简单移动平均线。然后计算收盘价相对于各均线的百分比偏离值，公式为： $$ vsMA = (Close - MA_n) / MA_n \times 100\% $$ 其中，`Close`代表当日收盘价，`MA_n`代表第n日的移动平均线值（如MA5, MA10等）[16]。该因子值直接反映了价格相对于均线的位置。 3. **因子名称：近250日高位/低位比较因子**[15][16] * **因子构建思路**：通过计算指数收盘价相对于过去250个交易日最高点和最低点的位置，来衡量指数处于长期波动区间中的相对位置，识别潜在的超买或超卖状态[15]。 * **因子具体构建过程**：首先计算过去250个交易日的最高价（`High_250`）和最低价（`Low_250`）。然后计算收盘价相对于这两个极值的百分比偏离，公式为： $$ vs近250日高位 = (Close - High\_250) / High\_250 \times 100\% $$ $$ vs近250日低位 = (Close - Low\_250) / Low\_250 \times 100\% $$ 其中，`Close`代表当日收盘价[16]。 4. **因子名称：收益分布形态因子（峰度与偏度）**[24][25] * **因子构建思路**：通过计算指数日收益率分布的峰度和偏度，来刻画收益分布的尖峭程度和对称性，反映市场收益的尾部风险和极端收益情况[24]。 * **因子具体构建过程**： * **峰度**：计算近一定时期（如近一年）日收益率序列的峰度。报告中采用超额峰度，即在计算出的峰度值基础上减去正态分布的峰度值3，公式为： $$ 超额峰度 = \frac{1}{n} \sum_{i=1}^{n} \left( \frac{r_i - \bar{r}}{\sigma} \right)^4 - 3 $$ 其中，`n`为样本数，`r_i`为日收益率，`\bar{r}`为样本均值，`σ`为样本标准差[25]。正值表示分布比正态分布更尖峭（肥尾），负值表示更平缓。 * **偏度**：计算日收益率序列的偏度，公式为： $$ 偏度 = \frac{1}{n} \sum_{i=1}^{n} \left( \frac{r_i - \bar{r}}{\sigma} \right)^3 $$ 正值表示分布右偏（正收益极端值更多），负值表示左偏（负收益极端值更多）[25]。 5. **因子名称：风险溢价因子**[27][31] * **因子构建思路**：以十年期国债即期收益率作为无风险利率的代理变量，计算股票指数收益率与其之差，作为投资者因承担市场风险所要求的额外回报，用于衡量市场的相对投资价值和风险补偿[27]。 * **因子具体构建过程**：风险溢价定义为指数市盈率倒数（即盈利收益率）与十年期国债即期收益率之差。公式为： $$ 风险溢价 = \frac{1}{PE\_TTM} - R_f $$ 其中，`PE_TTM`为指数滚动市盈率，`R_f`为十年期国债即期收益率[31]。该因子值越高，代表股票相对债券的吸引力越大。 6. **因子名称：股债性价比因子**[46] * **因子构建思路**：与风险溢价因子思路一致，是风险溢价的另一种表述，通过观察其历史分位来判断当前股票资产相对于债券资产的估值吸引力[46]。 * **因子具体构建过程**：构建过程与风险溢价因子完全相同，即`1/PE_TTM`与十年期国债即期收益率之差[46]。报告中通过计算该差值在近5年历史数据中的分位值（如80%分位为机会值，20%分位为危险值）来进行判断。 7. **因子名称：滚动市盈率分位因子（PE-TTM分位值）**[39][42][44] * **因子构建思路**：将指数当前的滚动市盈率（PE-TTM）置于其历史时间序列中，计算其所处的百分位位置，以消除绝对值的影响，更纯粹地衡量估值在历史中的相对高低[39][42]。 * **因子具体构建过程**：首先获取指数在特定历史窗口（如近1年、近5年或全部历史）的每日PE-TTM时间序列。然后，将当前PE-TTM值与历史序列进行比较，计算其历史分位值。例如，近5年分位值90%表示当前PE-TTM值比过去5年中90%的时间都要高[44]。 8. **因子名称：股息率因子**[48][53] * **因子构建思路**：计算指数成分股现金分红回报率，用于跟踪红利投资风格，并在市场低迷或利率下行期作为衡量资产防御性和吸引力的指标[48]。 * **因子具体构建过程**：指数股息率通常通过汇总成分股过去12个月的总现金股息，再除以指数的总市值或价格来得到。报告中呈现了当前股息率及其在不同历史窗口（近1年、近5年等）的分位值[53]。 9. **因子名称：破净率因子**[54][57] * **因子构建思路**：计算指数中市净率小于1的个股数量占比，用以反映市场整体或特定板块的估值低迷程度和悲观情绪[54]。 * **因子具体构建过程**：对于指数中的每一个成分股，判断其市净率是否小于1。破净率因子即为市净率小于1的个股数量除以指数成分股总数量。公式为： $$ 破净率 = \frac{破净个股数}{指数成分股总数} \times 100\% $$ 该因子值越高，表明市场整体估值越低[57]。 因子的回测效果 *报告主要为市场数据跟踪和因子值展示，未提供基于这些因子的选股模型回测结果（如IC、IR、多空收益等）。以下为报告中给出的特定日期（2026年1月29日）各宽基指数在不同因子上的截面取值。* 1. **连阴连阳因子**：中证2000日K连阴2天，中证全指日K连阴2天，创业板指日K连阴2天，其他指数当日连阴连阳状态为空[12]。 2. **均线比较因子**：上证50收盘价高于MA5 1.6%，高于MA10 1.5%，高于MA20 0.6%；沪深300收盘价高于MA5 0.8%，高于MA10 0.7%，高于MA20 0.4%；中证500收盘价低于MA5 -0.4%，高于MA10 1.1%；中证1000收盘价低于MA5 -0.7%，高于MA10 0.2%；中证2000收盘价低于MA5 -1.6%，低于MA10 -0.9%；中证全指收盘价低于MA5 -0.2%，高于MA10 0.4%；创业板指收盘价低于MA5 -0.7%，低于MA10 -0.6%，低于MA20 -0.5%[16]。 3. **近250日高位比较因子**：上证50收盘价低于近250日高位-1.5%，沪深300为-0.8%，中证500为-1.0%，中证1000为-1.6%，中证2000为-3.2%，中证全指为-0.6%，创业板指为-2.5%[16]。 4. **收益分布形态因子**：当前峰度（vs. 近5年）：上证50 -1.81，沪深300 -1.78，中证500 -1.45，中证1000 -1.65，中证2000 -2.10，中证全指 -1.81，创业板指 -2.53；当前偏度（vs. 近5年）：上证50 -0.50，沪深300 -0.43，中证500 -0.38，中证1000 -0.46，中证2000 -0.51，中证全指 -0.47，创业板指 -0.60[25]。 5. **风险溢价因子**：当前值：上证50 1.64%，沪深300 0.75%，中证500 -0.98%，中证1000 -0.81%，中证2000 -1.22%，中证全指 -0.19%，创业板指 -0.58%；近5年分位值：上证50 94.21%，沪深300 79.52%，中证500 16.35%，中证1000 23.89%，中证2000 17.70%，中证全指 40.71%，创业板指 35.40%[31]。 6. **股债性价比因子**：所有指数当前值均未高于其近5年80%分位（机会值）；中证500和中证全指当前值低于其近5年20%分位（危险值）[46]。 7. **滚动市盈率分位因子**：近5年历史分位值：中证全指 99.92%，中证500 99.75%，沪深300 90.17%，上证50 85.87%，中证2000 91.24%，创业板指 62.89%，中证1000 99.67%[42][44]。 8. **股息率因子**：当前值：上证50 3.19%，沪深300 2.69%，中证500 1.21%，中证1000 0.99%，中证2000 0.71%，中证全指 1.90%，创业板指 0.87%；近5年历史分位值：创业板指 56.20%，沪深300 33.14%，上证50 30.91%，中证全指 25.12%，中证1000 23.55%，中证2000 2.81%，中证500 1.24%[53][55]。 9. **破净率因子**：当前值：上证50 24.0%，沪深300 16.67%，中证500 10.2%，中证1000 6.6%，中证2000 2.35%，中证全指 5.32%[57]。

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：恒生A股电网设备指数编制模型[37] **模型构建思路**：旨在综合反映中国A股市场电网设备行业上市公司证券整体表现，通过设定行业、流动性和市值标准，从A股市场中筛选出最具代表性的50只成分股[37] **模型具体构建过程**： 1. **确定样本空间**：在上海、深圳或北京证券交易所上市的A股（不包括REITs）[38] 2. **设定选样标准**： * **上市历史**：北京证券交易所A股上市最少一年[38] * **流动性**：过去6个月日均成交额至少2千万人民币[38] * **行业纯度**：公司收入中至少40%合计来自于电网设备相关的RBICS第六级子行业（现有成分股门槛降低至30%）[38] 3. **成分股筛选**：在满足上述条件的待选样本中，选取市值排名最高的50只证券作为成分股[38] 4. **定期调整规则**： * 样本股每半年调整一次[38] * 排名60名以下的现有成分股将从指数中剔除，排名40名或以上的非成分股将加入指数，最终调整数目以维持50只成分股为准[38] 5. **加权方式**：采用流通市值加权，并设置单只成分股权重上限为10%[38] 模型的回测效果 1. **恒生A股电网设备指数模型**，近一年区间收益108.72%[56]，近一年年化波动率27.42%[56]，近一年年化夏普比率4.42[56] 2. **恒生A股电网设备指数模型**，近三年区间收益134.46%[56]，近三年年化波动率24.63%[56]，近三年年化夏普比率1.52[56] 3. **恒生A股电网设备指数模型**，基日以来区间收益335.48%[56]，基日以来年化波动率27.13%[56]，基日以来年化夏普比率1.02[56] 量化因子与构建方式 1. **因子名称**：行业景气度因子（国内输变电）[10][11] **因子构建思路**：捕捉国内电网投资，特别是750kV主网架建设加速带来的行业阶跃式增长机会[10][11] **因子具体构建过程**：通过跟踪国家电网公司对特定电压等级关键设备（如750kV变压器、组合电器GIS）的招标量及同比增速变化来构建[11]。例如，2025年预计750kV变压器招标量同比增速达75%，组合电器招标量同比增速达84%[11] 2. **因子名称**：行业景气度因子（国内特高压）[16][17] **因子构建思路**：捕捉特高压项目核准与招标提速带来的产业链需求放量[16][17] **因子具体构建过程**：通过跟踪特高压直流/交流线路的年均核准数量、国网特高压设备及材料的年度招标金额来构建[17]。例如，“十五五”期间预计年均核准4条直流、2条交流线路，带动特高压设备/材料年均招标额分别达400亿元和200亿元以上[17] 3. **因子名称**：海外需求因子（出口增长）[20][21] **因子构建思路**：捕捉全球电网升级及新兴市场建设带来的中国电力设备出口增长机会[20][21] **因子具体构建过程**：通过跟踪海关总署发布的重点电力设备出口金额及同比增速来构建[21][22]。例如，2025年1-11月变压器出口金额同比增长35%，高压开关出口金额同比增长29%[21][28] 4. **因子名称**：技术创新驱动因子（AI算力需求）[33][34] **因子构建思路**：捕捉AI算力爆发对高功率密度、高效率供电架构（如高压直流、固态变压器SST）的迭代升级需求[33][34] **因子具体构建过程**：通过跟踪AI服务器平均机架功率密度的预测增长趋势，以及高压直流供电架构、固态变压器（SST）相比传统方案在效率、体积、成本等方面的优势来定性构建[33][34][35] 5. **因子名称**：盈利增长因子[5][46] **因子构建思路**：筛选在电网投资高景气周期下，能够实现订单兑现和盈利持续增长的上市公司[5][46] **因子具体构建过程**：通过计算并比较上市公司营业收入同比增长率和归母净利润同比增长率来构建[46][48]。例如，指数中多家龙头公司连续多年实现营收与净利润双增长，2025年三季报显示部分公司盈利增速显著[5][46][48] 6. **因子名称**：估值分位因子[6][52] **因子构建思路**：结合行业高景气背景，评估成分股当前估值在其历史区间中的位置，寻找具备动态安全边际或估值修复机会的标的[6][52] **因子具体构建过程**：计算成分股当前市盈率（PE-TTM）在过去五年历史中的百分位分位数[52]。截至2026年1月19日，指数成分股中有23只处于过去五年估值80%分位以上，同时有18只处于60%分位以下[52] 因子的回测效果 *注：本报告未提供上述单个因子的独立回测指标数值（如IC、IR、多空收益等）。报告展示的是整合了多种因子逻辑的“恒生A股电网设备指数”的整体表现[55][56]。*

量化模型与构建方式 1. **模型名称**：无 **模型构建思路**：无 **模型具体构建过程**：无 量化因子与构建方式 1. **因子名称**：封板率因子 **因子构建思路**：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，来衡量涨停板的封板强度和市场追涨情绪[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. 识别在当日盘中最高价达到涨停的股票[16] 3. 在步骤2的股票中，进一步识别收盘价仍为涨停的股票[16] 4. 计算封板率，公式为： $$封板率=最高价涨停且收盘涨停的股票数/最高价涨停的股票数$$ [16] 2. **因子名称**：连板率因子 **因子构建思路**：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延续性和短线炒作热度[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. 识别在昨日收盘涨停的股票[16] 3. 在步骤2的股票中，进一步识别在今日收盘也涨停的股票[16] 4. 计算连板率，公式为： $$连板率=连续两日收盘涨停的股票数/昨日收盘涨停的股票数$$ [16] 3. **因子名称**：大宗交易折价率因子 **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例，来反映大额资金交易的折价水平，可作为观察大资金偏好的情绪指标[25] **因子具体构建过程**： 1. 获取当日所有大宗交易的成交金额和成交份额数量[25] 2. 根据成交份额数量和当日市场价格，计算该部分份额按市价计算的总市值[25] 3. 计算折价率，公式为： $$折价率=大宗交易总成交金额/当日成交份额的总市值-1$$ [25] 4. **因子名称**：股指期货年化升贴水率因子 **因子构建思路**：通过计算股指期货主力合约价格与现货指数价格的基差，并进行年化处理，来衡量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. 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[27] 2. 计算基差：基差 = 期货价格 - 现货指数价格[27] 3. 计算年化升贴水率，公式为： $$年化贴水率=基差/指数价格*(250/合约剩余交易日数)$$ 当结果为正值时表示升水，负值表示贴水[27] 模型的回测效果 1. **无相关模型回测结果** 因子的回测效果 1. **封板率因子**，2026年1月29日当日取值为64%[16] 2. **连板率因子**，2026年1月29日当日取值为24%[16] 3. **大宗交易折价率因子**，2026年1月28日当日取值为8.98%[25]；近半年以来平均取值为6.90%[25] 4. **股指期货年化升贴水率因子** **上证50股指期货**：2026年1月29日当日取值为5.22%（升水）[27]；近一年以来中位数取值为0.68%[27] **沪深300股指期货**：2026年1月29日当日取值为5.28%（升水）[27]；近一年以来中位数取值为3.79%[27] **中证500股指期货**：2026年1月29日当日取值为-0.02%（贴水）[27]；近一年以来中位数取值为-11.11%（贴水）[27] **中证1000股指期货**：2026年1月29日当日取值为-0.32%（贴水）[27]；近一年以来中位数取值为-13.61%（贴水）[27]

量化模型与构建方式 1. **模型名称**：无 **模型构建思路**：无 **模型具体构建过程**：无 量化因子与构建方式 1. **因子名称**：封板率因子 **因子构建思路**：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与资金追涨意愿[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. 统计在当日盘中最高价达到涨停的股票数量[16]。 3. 统计在当日最高价涨停且收盘价也涨停的股票数量[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. **因子名称**：连板率因子 **因子构建思路**：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延续性和短线炒作热度[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. 统计在昨日收盘涨停的股票数量[16]。 3. 统计在昨日和今日连续两日收盘都涨停的股票数量[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 **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差异，来反映大资金通过大宗交易渠道交易的折价或溢价水平，可作为市场情绪或特定股票流动性的观测指标[25]。 **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股数和成交价格[25]。 2. 计算每笔大宗交易按当日市价（假设为收盘价）计算的总市值：成交股数 × 当日市价[25]。 3. 汇总所有大宗交易的成交总金额和按市价计算的总市值[25]。 4. 计算整体折价率，公式为： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[25] 结果为负表示折价交易，为正表示溢价交易[25]。 4. **因子名称**：股指期货年化升贴水率因子 **因子构建思路**：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. 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[27]。 2. 计算基差：基差 = 期货价格 - 现货指数价格[27]。 3. 获取该主力合约的剩余交易日数[27]。 4. 计算年化升贴水率，公式为： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[27] 结果为正表示年化升水，为负表示年化贴水[27]。 模型的回测效果 1. **无相关模型回测结果** 因子的回测效果 1. **封板率因子**，2026年1月29日当日取值为64%[16] 2. **连板率因子**，2026年1月29日当日取值为24%[16] 3. **大宗交易折价率因子**，2026年1月28日当日取值为8.98%[25]；近半年以来平均取值为6.90%[25] 4. **股指期货年化升贴水率因子** * **上证50股指期货**：2026年1月29日当日取值为年化升水5.22%[27]；近一年以来中位数为年化贴水0.68%[27] * **沪深300股指期货**：2026年1月29日当日取值为年化升水5.28%[27]；近一年以来中位数为年化贴水3.79%[27] * **中证500股指期货**：2026年1月29日当日取值为年化贴水0.02%[27]；近一年以来中位数为年化贴水11.11%[27] * **中证1000股指期货**：2026年1月29日当日取值为年化贴水0.32%[27]；近一年以来中位数为年化贴水13.61%[27]

量化模型与构建方式 1. 模型名称：主线一级行业配置模型 **模型构建思路**：通过分析行业型基金的选股Alpha共识，捕捉个股层面的主题性Alpha向行业层面Beta转化的机会，从而预判并配置即将启动的主线行业[1][28][29]。 **模型具体构建过程**： 1. **筛选优选基金**：每月底，基于基金前一季度报告的前十大重仓股[29]。 * 计算每只重仓股相对其所属中信一级行业指数的月度超额收益[29]。 * 取基金所有重仓股当月超额收益的中位数，作为该基金当月的选股Alpha代表值[29]。 * 对基金过去6个月的月度Alpha进行线性时间衰减加权（近期权重更高），计算综合选股能力得分[29]。 * 筛选得分位于全市场行业型基金前20%的基金，作为当期“优选基金”[29]。 2. **识别共识板块**：统计当期“优选基金”所属板块[29]。 * 若某一板块的优选基金数量占全部优选基金的比例超过50%，则判定该板块形成强选股共识[30]。 * 或，若某一板块内超过50%的基金进入了优选列表，也判定该板块存在集中性Alpha机会[30]。 * 若无板块满足条件，则当期空仓[30]。 3. **确定具体行业**：在识别出的共识板块内部，计算各一级行业在“优选基金”中的平均重仓占比，选择占比最高的行业纳入投资组合[32][33]。 **模型评价**：该模型对主线行情具有领先指示作用，能够前瞻性地捕捉市场核心行情[36][42][43]。但其表现受市场主线清晰度影响，在行业快速轮动、共识分散的阶段，超额收益会减弱[2][36]。 2. 模型名称：主线二级行业配置模型 **模型构建思路**：将主线一级行业配置模型的逻辑应用于更精细的二级行业层面，以识别更具结构性的细分赛道机会[52]。 **模型具体构建过程**： 1. **筛选优选基金**：每月末，基于基金前一季报重仓股数据，计算其相对于所属中信二级行业指数的月度超额收益中位数，并对过去6个月的超额收益进行线性时间衰减加权，筛选出综合得分位于前20%的行业型基金作为“优选基金”[52]。 2. **识别潜在二级行业主线**：通过“优选基金”的重仓股数据，从两个维度筛选形成共识的二级行业： * **核心维度**：计算所有优选基金的重仓股在各二级行业上的平均持仓占比，筛选出平均占比最高的3个二级行业[52]。 * **补充维度**：为避免新兴或小众行业因持仓基数低被忽略，若某二级行业在“优选基金”中的持仓占比，与其在全部行业型基金中的持仓占比的比值，超过核心维度中排名第一的行业的平均占比，则该行业也被视作主线行业[53]。 * 最终，由核心维度的前3个行业和补充维度的行业共同构成当期的二级行业主线组合[53]。 **模型评价**：该模型能够捕捉并放大结构性牛市中的产业机遇，但其超额可持续性依赖于市场中存在可被识别和延续的行业主线[57]。 3. 模型名称：ETF拟合行业指数模型 **模型构建思路**：为将主线行业策略应用于实际投资，采用一篮子权益ETF来拟合目标行业指数的收益，以解决直接投资行业指数的可行性问题[45]。 **模型具体构建过程**： 1. 在每月底，将目标一级行业指数和所有权益ETF过去20天的收益率进行带约束的回归[2][45]： $$R_{i,t}=\beta_{1}\times x_{1,t}+\cdots+\beta_{n}\times x_{n,t}+\epsilon_{t}$$ $$s.t. \beta_{1}+\cdots+\beta_{n}=1, 0\le\beta_{i}\le1$$ 其中，$$R_{i,t}$$和$$x_{i,t}$$分别为一级行业指数i和权益ETF在过去20个交易日的涨跌幅[45][46]。 2. 筛选初步回归系数大于1%的前十只ETF（不足十只以实际数量为准），再次重复上述回归计算，得到系数$$\beta_{1}^{\prime},\cdots,\beta_{10}^{\prime}$$[46]。 3. 拟合得到的行业指数下一月收益为： $$R_{i,t+1}=\beta_{1}^{\prime}\times x_{1,t+1}+\cdots+\beta_{10}^{\prime}\times x_{10,t+1}$$[46] **模型评价**：ETF组合对主线策略的拟合存在一定的收益损耗，但仍保留捕捉主线机会的业绩特点[46]。 4. 模型名称：行业轮动基金优选模型 **模型构建思路**：通过识别非行业型基金中的行业轮动型基金，并利用量化因子筛选其中具备更强轮动能力的基金，构建一个能在市场缺乏清晰主线时捕捉行业切换机会的基金组合[20][61]。 **模型具体构建过程**： 1. **识别行业轮动型基金**：计算基金每期前十大重仓股所属一级行业的占比，比较相邻两期占比之差，再滚动四个季度取均值，得到基金的行业换手率指标[61]。将各期行业变化率排名前30%的基金定义为“行业轮动型基金”[61]。 2. **因子筛选与组合构建**： * 通过基金因子回测发现，近一年动态收益（基金实际收益-季报前十大重仓股模拟持仓收益）和持仓市值风格（偏小盘）两个因子在分组中表现出明显的单调性，即因子值更高的基金未来表现更优的概率系统性更高[64]。 * 在行业换手率较高的基金中，筛选规模大于1亿元的产品，并依据近一年动态收益与持仓市值风格两个因子进行等权综合打分，选择得分最高的前10只基金，构建行业轮动基金组合[68]。 5. 模型名称：市场环境自适应配置模型 **模型构建思路**：利用市场流动性变化作为择时指标，动态切换“主线行业策略”和“行业轮动基金策略”，以应对不同市场环境，提高组合适应性[3][72]。 **模型具体构建过程**： 1. **择时信号**：使用中证800指数近200个交易日日均成交额的月度环比变化作为先行指标[3][72]。 * 当该指标提高（市场流动性扩张）时，下一个月配置“主线策略”（此处指ETF拟合的主线一级行业组合）[3][72]。 * 当该指标下降（市场流动性收缩）时，下一个月配置“行业轮动基金策略”（即行业轮动基金优选模型构建的组合）[3][72]。 2. **组合构建**：根据上述择时信号，每月动态选择表现更优的策略进行配置，形成“捕捉行业机会组合”[73]。 模型的回测效果 1. **主线一级行业配置模型**（以中信一级行业指数为标的，2016年初至2026年1月20日）[36] * 年化收益率：20.91% * 相对偏股基金指数年化超额收益：14.62% 2. **ETF拟合行业指数模型**（拟合主线一级行业策略，2016年初至2026年1月20日）[46] * 年化收益率：16.21% * 相对偏股基金指数年化超额收益：9.92% 3. **主线二级行业配置模型**（2016年初至2026年1月20日）[55] * 年化收益率：18.78% * 相对偏股基金指数年化超额收益：9.19% 4. **行业轮动基金优选模型**（Top10组合，2016年初至2026年1月20日）[68] * 年化收益率：15.05% * 年化夏普比率：0.71 * 相对偏股基金指数年化超额收益：8.60% 5. **市场环境自适应配置模型**（捕捉行业机会组合，2016年初至2026年1月20日）[73] * 年化收益率：19.61% * 年化夏普比率：0.77 * 相对偏股基金指数年化超额收益：13.32% 量化因子与构建方式 1. 因子名称：基金选股Alpha因子 **因子构建思路**：衡量行业型基金通过选股创造超额收益的能力，用于筛选出具备高选股能力的“优选基金”[29]。 **因子具体构建过程**： 1. 每月底，基于基金前一季度报告的前十大重仓股[29]。 2. 计算每只重仓股相对其所属行业指数（一级或二级）的月度超额收益[29][52]。 3. 取该基金所有重仓股当月超额收益的中位数，作为该基金当月的选股Alpha值[29][52]。 4. 对基金过去6个月的月度Alpha进行线性时间衰减加权，得到综合选股能力得分[29][52]。 2. 因子名称：行业换手率因子 **因子构建思路**：衡量基金调整其行业配置的频繁程度和幅度，用于识别以行业轮动为特征的基金[61]。 **因子具体构建过程**： 1. 计算基金每期报告（季报）中，前十大重仓股所属中信一级行业的持仓占比[61]。 2. 计算相邻两期各行业持仓占比之差的绝对值之和，得到单期行业变化率[61]。 3. 滚动四个季度，取行业变化率的均值，作为基金的行业换手率指标[61]。 3. 因子名称：动态收益因子 **因子构建思路**：衡量基金经理通过动态交易（如调仓、打新、择时等）创造的超额收益，捕捉其操作能力[64]。 **因子具体构建过程**： * 动态收益 = 基金实际收益 - 基于基金季报披露的前十大重仓股构建的模拟持仓收益[64]。 * 取近一年的动态收益作为因子值[64][68]。 4. 因子名称：持仓市值风格因子 **因子构建思路**：衡量基金持仓的市值偏好，用于筛选持仓更偏小盘的基金[64]。 **因子具体构建过程**： * 基于基金季报重仓股，分析其持仓市值风格，判断是否偏向小市值[64][68]。 * 因子具体计算方式在报告中未详细说明，但明确指出其分组单调性强[64]。 5. 因子名称：市场流动性择时因子 **因子构建思路**：将市场整体流动性的变化作为判断哪种行业配置策略更有效的择时指标[3][72]。 **因子具体构建过程**： * 计算中证800指数近200个交易日日均成交额的月度环比变化[3][72]。 * 根据该指标的方向（扩张或收缩）来决定下一个月的主导策略[3][72]。