量化模型与构建方式 1. **模型名称：价格分段体系**[14] * **模型构建思路**：通过技术分析，将指数价格走势分解为不同时间周期（如日线、周线）的趋势段，以判断市场当前所处的趋势状态和级别[14]。 * **模型具体构建过程**：报告未详细描述该模型的构建算法和具体公式，仅展示了其应用结果。从图表（图1）来看，该模型可能涉及对指数价格序列进行滤波或模式识别，以分离出不同频率的周期成分，并计算类似“dea”的指标来辅助判断[17]。 2. **模型名称：微观市场结构择时模型（知情交易者活跃度指标）**[15] * **模型构建思路**：通过监测市场微观结构数据（如订单流、成交明细等）来识别“知情交易者”的活跃程度，以此作为市场情绪和未来走势的先行指标[15]。 * **模型具体构建过程**：报告未提供该指标的具体计算方法和公式。其构建可能基于高频交易数据，通过分析大单净买入、订单簿不平衡、或特定交易模式来推断知情交易者的活动强度[15]。 3. **模型名称：公募基金仓位监测模型**[11] * **模型构建思路**：利用数理统计方法，基于基金净值、收益率序列与市场基准、行业指数收益率的关系，估算公募基金整体及在特定行业上的仓位配置变化[11]。 * **模型具体构建过程**：报告未提供该模型的具体构建过程和公式。通常此类模型采用回归分析（如带约束的横截面回归或时间序列模型），将基金收益率分解为基准、行业和个股暴露，从而反推其仓位调整[4]。 4. **因子名称：分析师行业景气预期因子**[19] * **因子构建思路**：基于卖方分析师对公司未来财务指标的一致预测（如ROE、净利润增速）及其变化，构建行业层面的景气度监测指标，以捕捉基本面预期的边际变化[19]。 * **因子具体构建过程**：计算申万一级行业对应的两个指标： 1. **一致预测滚动未来12个月ROE环比变化**：计算每个行业成分股未来12个月预测ROE的加权平均值，并观察其本周相对于上周的环比变化率[19]。 2. **一致预测净利润FTTM增速环比变化**：计算每个行业成分股未来12个月预测净利润增速的加权平均值，并观察其本周相对于上周的环比变化率[19]。 * **因子评价**：该因子能够及时反映机构研究者（分析师）对行业基本面展望的调整，是观测行业景气度边际变化的重要高频指标[19]。 5. **因子名称：行业融资融券净流入因子**[21] * **因子构建思路**：通过计算各行业融资净买入与融券净卖出的差额，监测杠杆资金在行业间的流向和偏好，作为市场情绪和资金面的观测指标[21]。 * **因子具体构建过程**：对于每个申万一级行业，计算指定周期（本周）内： $$行业融资融券净买入额 = \sum(行业内个股融资买入额 - 融资偿还额) - \sum(行业内个股融券卖出量 - 融券偿还量) \times 对应股价$$ 报告直接展示了计算结果（单位：亿元），正值代表净流入，负值代表净流出[21][23]。 6. **因子名称：BARRA风格因子**[24] * **因子构建思路**：采用经典的BARRA风险模型框架，计算一系列刻画股票不同风险收益特征的风格因子，以监测市场风格偏好和动态[24]。 * **因子具体构建过程**：报告未详细描述每个因子的具体计算公式。它引用了包括价值（EP、BP）、成长、动量、波动率、市值、非线性市值、盈利（盈利能力、盈利质量、盈利波动）、杠杆（财务杠杆）、流动性（换手）等在内的多维度风格因子[24][25]。这些因子通常基于股票的基本面数据、市场交易数据和历史收益率计算得到标准化暴露度。 模型的回测效果 （报告中未提供所列量化模型的明确回测绩效指标，如年化收益率、夏普比率、最大回撤等。） 因子的回测效果 1. **BARRA风格因子**，本周收益：换手因子 -0.1%， 财务杠杆因子 -0.1%， 盈利波动因子 -0.2%， 盈利质量因子 -0.1%， 盈利能力因子 0.0%， 投资质量因子 -0.4%， 长期反转因子 -0.1%， EP价值因子 0.2%， BP价值因子 -0.3%， 成长因子 0.3%， 动量因子 0.1%， 非线性市值因子 0.8%， 市值因子 0.3%， 波动率因子 0.8%， 贝塔因子 0.6%， 股息率因子 0.0%[25]。

量化模型与因子总结 量化因子与构建方式 1. **因子名称**：风格组相对拥挤度[123] * **因子构建思路**：通过计算两种风格指数换手率标准化值的差值及其历史分位，来衡量一种风格相对于另一种风格的交易拥挤程度[123] * **因子具体构建过程**： 1. 对于风格A和风格B，分别计算其指数的近252日平均换手率[123] 2. 将上述换手率数据在2005年1月1日至今的历史时间序列上进行Z-score标准化，得到Z-score_A与Z-score_B[123] 3. 计算二者差值：$$Diff = Z\_score\_A - Z\_score\_B$$[123] 4. 计算差值Diff的滚动6年历史分位数（历史数据量满1年且不足6年时，以全部历史数据进行计算），该分位数即为风格A相对于风格B的相对拥挤度[123] 2. **因子名称**：风格指数累计超额净值[124] * **因子构建思路**：以万得全A指数为基准，计算各风格指数相对于基准的累计超额表现，用于衡量风格的长期收益特征[124] * **因子具体构建过程**： 1. 以2020年1月4日为基准日，将各风格指数及万得全A指数的每日收盘点数除以基准日收盘点数，得到各自的累计净值[124] 2. 将各风格指数在交易日t的累计净值，除以同一交易日万得全A指数的累计净值，得到该风格指数相对于万得全A指数的累计超额净值[124] 3. **因子名称**：机构调研活跃度[125] * **因子构建思路**：通过计算板块（指数、行业）的日均机构调研次数相对于市场整体水平的标准化差异及其历史分位，来衡量机构关注度的热度[125] * **因子具体构建过程**： 1. 计算板块（指数、行业）近n个交易日的“日均机构调研次数”[125] 2. 将上述数据在滚动y年的历史时间序列上进行z-score标准化[125] 3. 将板块的标准化值与万得全A的标准化结果作差，得到“机构调研活跃度”[125] 4. 最后计算“机构调研活跃度”的滚动y年历史分位数[125] * **长期口径参数**：n取126（近半年），滚动窗口y为6年（历史数据量满3年且不足6年时，以全部历史数据进行计算）[125] * **短期口径参数**：n取63（近一季度），滚动窗口y为3年（历史数据量满1年且不足3年时，以全部历史数据进行计算）[125] 4. **因子名称**：股债风险溢价（ERP）[50] * **因子构建思路**：通过计算股票指数市盈率倒数与无风险利率（10年期国债收益率）的差值，来衡量股票市场相对于债券市场的风险溢价水平，用于评估股债性价比[50] * **因子具体构建过程**：对于特定指数，其ERP计算公式为：$$指数erp = \frac{1}{指数PE\_TTM} - 10年期中债国债到期收益率$$[50] * **因子评价**：该指标是衡量权益资产配置价值的重要参考，ERP处于历史较高分位时，通常意味着配置权益的性价比较高[50] 5. **因子名称**：滚动季度夏普率[37] * **因子构建思路**：计算万得全A指数滚动季度（约63个交易日）的夏普比率，用于衡量市场在承担单位风险下所获得的超额回报，作为市场情绪与风险的观测指标[37] * **因子评价**：该指标上升至历史极高位置通常表明市场情绪达到极端高峰，后续市场易进入震荡或调整状态；当其从高点回落时，市场回撤风险有所减弱[37] 6. **因子名称**：成交热度[26] * **因子构建思路**：使用周度日均自由流通换手率的历史分位值来衡量市场或特定板块、行业的交易活跃程度[26] * **因子具体构建过程**：成交热度 = 指定标的（如指数、行业）的周度日均自由流通换手率在其历史时间序列（报告中未明确具体区间）上的百分位值[26] 因子的回测效果 1. **风格组相对拥挤度因子**，成长vs红利相对拥挤度历史分位：68%[70]，小盘vs大盘相对拥挤度历史分位：39%[70]，微盘股vs中证800相对拥挤度历史分位：93%[70] 2. **风格指数累计超额净值因子**，成长较红利超额收益（近一周）：-2.0%[59]，小盘较大盘超额收益（近一周）：0.1%[59]，微盘股较基金重仓超额收益（近一周）：3.3%[59]，动量较反转超额收益（近一周）：-2.9%[59] 3. **股债风险溢价（ERP）因子**，万得全A指数ERP历史分位：63%[50]，沪深300指数ERP历史分位：64%[50]，中证500指数ERP历史分位：74%[50]，创业板指数ERP历史分位：87%[50] 4. **成交热度因子**，万得全A成交热度历史分位：82%[35]，消费板块成交热度历史分位：89%[35]，医药板块成交热度历史分位：67%[35]，纺织服装行业成交热度历史分位：100%[35]

量化因子总结 量化因子与构建方式 1. **因子名称**：分钟资金流切割残差因子[1][3] * **因子构建思路**：参考“因子切割论”，对分钟资金流信息（大单/小单净流入金额）按照不同的切割指标（分钟价格、分钟涨跌幅、分钟振幅）进行切割，选取特定部分（如较高价格、较高涨跌幅、较高振幅）的资金流，再进行标准化和动量中性化处理，以构造残差因子[13]。 * **因子具体构建过程**： 1. **数据准备**：基于逐笔成交数据合成过去20日的分钟大单净流入金额和分钟小单净流入金额[13]。 2. **切割处理**：分别以分钟价格、分钟涨跌幅、分钟振幅作为切割指标，将每分钟的资金流数据按指标值排序。例如，选取价格较高的50%分钟对应的资金流数据[14]。 3. **残差因子构造**：对切割后得到的特定分钟资金流序列，参考日度资金流残差因子的构造方法，进行标准化和动量中性化两步处理，得到最终的切割残差因子[2][12]。 * **因子评价**：通过切割可以剖析市场内部精细结构，不同股价位置、涨跌幅、振幅下的资金流蕴含信息不同[13]。对比三种切割方案，分钟振幅切割得到的因子绩效最优[27]。 2. **因子名称**：分钟资金流时段残差因子[1][4] * **因子构建思路**：考虑到不同类型投资者对日内交易时段的偏好存在差异，将日内交易时段划分为不同区间（如第1小时、前半小时等），筛选出特定时段的分钟资金流信息，再构造残差因子[31]。 * **因子具体构建过程**： 1. **时段划分**：将日内交易时段划分为第1小时、第2小时、第3小时、第4小时、前半小时和整点时段（整点时刻后5分钟合并）[31]。 2. **数据筛选**：筛选出过去20日中，属于特定时段（如前半小时）的所有分钟资金流信息（大单/小单净流入金额）[31]。 3. **残差因子构造**：对筛选出的特定时段分钟资金流序列，进行标准化和动量中性化处理，构造得到时段残差因子[31]。 * **因子评价**：不同时段资金流蕴含信息不同，前半小时资金流信息构造的因子选股效果最优[31]。 3. **因子名称**：分钟资金流情景残差因子[1][5] * **因子构建思路**：根据市场情景状态（如上证指数的分钟指标）进行划分，选取在相同市场情景下的交易时刻，使用这些时刻对应的个股分钟资金流信息来构造残差因子[42]。 * **因子具体构建过程**： 1. **市场情景划分**：使用过去20日第1小时的数据，计算上证指数的分钟指标（振幅、1min涨跌幅、5min涨跌幅、符号成交额）。选取指标值靠前的50%交易分钟，定义为特定的市场情景[42]。 2. **数据匹配**：对于所有股票，选取其在上一步定义的特定市场情景时刻所对应的分钟资金流信息（大单/小单净流入金额）[42]。 3. **残差因子构造**：对匹配得到的特定情景分钟资金流序列，进行标准化和动量中性化处理，构造得到情景残差因子[42]。 * **因子评价**：5min涨跌幅指标能有效衡量市场趋势上涨情景，以此构造的情景残差因子选股效果最优[43]。 因子的回测效果 （数据区间：20130426-20250530[21][24][30][42]） 1. **分钟资金流切割残差因子（振幅方案）**[3][27] * **大单切割残差因子**：IC均值0.041，ICIR 3.23，RankIC均值0.045，RankICIR 3.34，多空对冲年化收益率15.9%，信息比率3.39[27]。 * **小单切割残差因子**：IC均值-0.047，ICIR -2.96，RankIC均值-0.054，RankICIR -3.32，多空对冲年化收益率17.7%，信息比率3.02[27]。 2. **分钟资金流时段残差因子（前半小时方案）**[4][36] * **大单时段残差因子**：IC均值0.043，ICIR 3.41，RankIC均值0.049，RankICIR 3.47，多空对冲年化收益率16.8%，信息比率3.64[36]。 * **小单时段残差因子**：IC均值-0.061，ICIR -3.47，RankIC均值-0.07，RankICIR -3.82，多空对冲年化收益率23.3%，信息比率3.65[36]。 3. **分钟资金流情景残差因子（5min涨跌幅方案）**[5][45] * **大单情景残差因子**：IC均值0.037，ICIR 3.88，RankIC均值0.04，RankICIR 3.86，多空对冲年化收益率14.1%，信息比率4.04[45]。 * **小单情景残差因子**：IC均值-0.054，ICIR -3.99，RankIC均值-0.059，RankICIR -4.15，多空对冲年化收益率21.2%，信息比率4.22[45]。 4. **分钟资金流情景残差因子（不同样本空间）**[55][60] * **大单情景残差-沪深300**：信息比率1.14[55][60]。 * **大单情景残差-中证500**：信息比率1.83[55][60]。 * **小单情景残差-沪深300**：信息比率1.63[55][60]。 * **小单情景残差-中证500**：信息比率2.48[55][60]。

量化模型与构建方式 1. **模型名称**：国信金工指数增强组合模型[10][11] **模型构建思路**：以多因子选股为主体，构建对标不同宽基指数的增强组合，力求稳定战胜基准[10] **模型具体构建过程**：构建流程主要包括收益预测、风险控制和组合优化三部分[11]。具体步骤未在报告中详细展开。 2. **模型名称**：单因子MFE组合模型[14][40] **模型构建思路**：为了在更贴近实际投资约束的条件下检验因子的有效性，采用组合优化的方式，在控制行业、风格等暴露的同时，最大化单因子暴露，构建最大化单因子暴露组合[40] **模型具体构建过程**：采用如下形式的组合优化模型来构建因子的 MFE 组合[40]： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ 其中，`f`为因子取值向量，`w`为待求解的股票权重向量，`wb`为基准指数成分股权重向量[40][41]。约束条件包括： * 风格暴露约束：`X`为风格因子暴露矩阵，`sl`和`sh`为风格因子相对暴露的上下限[41] * 行业偏离约束：`H`为行业暴露矩阵，`hl`和`hh`为行业偏离的上下限[41] * 个股权重偏离约束：`wl`和`wh`为个股相对于基准权重的偏离上下限[41] * 成分股内权重占比约束：`Bb`为成分股标识向量，`bl`和`bh`为成分股内权重占比的上下限[41] * 卖空限制与个股权重上限：`0 ≤ w ≤ l`[41] * 满仓运作约束：权重和为1，即 `1^T w = 1`[41] 具体构建时，对于沪深300和中证500指数，控制MFE组合相对于基准在中信一级行业和市值风格因子上的相对暴露为0，个股相对于成分股最大偏离权重1%，成分股内权重占比100%[44]。在每个月末根据约束条件构建每个单因子的MFE组合，并在回测期内换仓计算收益[44]。 3. **模型名称**：公募重仓指数[42] **模型构建思路**：为了测试因子在“机构风格”下的有效性，以公募基金的持股信息构建一个样本空间，该空间能反映公募基金整体的动态持仓风格[42] **模型具体构建过程**： * **选样空间**：普通股票型基金以及偏股混合型基金，剔除规模小于五千万且上市不足半年的基金[43] * **数据获取**：通过基金定期报告获取持股信息。若最新报告为半年报或年报，则使用全部持仓；若为季报，则需结合前期的半年报或年报信息[43] * **权重计算**：将符合条件基金的持仓股票权重平均，得到公募基金平均持仓信息[43] * **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%的股票作为成分股来构建指数[43] 量化因子与构建方式 报告从估值、反转、成长、盈利、流动性、公司治理、分析师等维度构造了30余个因子[15]。具体因子名称及计算方式如下[16]： 1. **因子名称**：BP **因子构建思路**：估值因子 **因子具体构建过程**：净资产/总市值[16] 2. **因子名称**：单季EP **因子构建思路**：估值因子 **因子具体构建过程**：单季度归母净利润/总市值[16] 3. **因子名称**：单季SP **因子构建思路**：估值因子 **因子具体构建过程**：单季度营业收入/总市值[16] 4. **因子名称**：EPTTM **因子构建思路**：估值因子 **因子具体构建过程**：归母净利润TTM/总市值[16] 5. **因子名称**：SPTTM **因子构建思路**：估值因子 **因子具体构建过程**：营业收入TTM/总市值[16] 6. **因子名称**：EPTTM分位点 **因子构建思路**：估值因子 **因子具体构建过程**：EPTTM在过去一年中的分位点[16] 7. **因子名称**：股息率 **因子构建思路**：估值因子 **因子具体构建过程**：最近四个季度预案分红金额/总市值[16] 8. **因子名称**：一个月反转 **因子构建思路**：反转因子 **因子具体构建过程**：过去20个交易日涨跌幅[16] 9. **因子名称**：三个月反转 **因子构建思路**：反转因子 **因子具体构建过程**：过去60个交易日涨跌幅[16] 10. **因子名称**：一年动量 **因子构建思路**：动量因子 **因子具体构建过程**：近一年除近一月后动量[16] 11. **因子名称**：单季净利同比增速 **因子构建思路**：成长因子 **因子具体构建过程**：单季度净利润同比增长率[16] 12. **因子名称**：单季营收同比增速 **因子构建思路**：成长因子 **因子具体构建过程**：单季度营业收入同比增长率[16] 13. **因子名称**：单季营利同比增速 **因子构建思路**：成长因子 **因子具体构建过程**：单季度营业利润同比增长率[16] 14. **因子名称**：SUE **因子构建思路**：成长因子 **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[16] 15. **因子名称**：SUR **因子构建思路**：成长因子 **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[16] 16. **因子名称**：单季超预期幅度 **因子构建思路**：成长因子 **因子具体构建过程**：预期单季度净利润 / 财报单季度净利润[16] 17. **因子名称**：单季ROE **因子构建思路**：盈利因子 **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）[16] 18. **因子名称**：单季ROA **因子构建思路**：盈利因子 **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）[16] 19. **因子名称**：DELTAROE **因子构建思路**：盈利因子 **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[16] 20. **因子名称**：DELTAROA **因子构建思路**：盈利因子 **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[16] 21. **因子名称**：非流动性冲击 **因子构建思路**：流动性因子 **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[16] 22. **因子名称**：一个月换手 **因子构建思路**：流动性因子 **因子具体构建过程**：过去20个交易日换手率均值[16] 23. **因子名称**：三个月换手 **因子构建思路**：流动性因子 **因子具体构建过程**：过去60个交易日换手率均值[16] 24. **因子名称**：特异度 **因子构建思路**：波动因子 **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[16] 25. **因子名称**：一个月波动 **因子构建思路**：波动因子 **因子具体构建过程**：过去20个交易日日内真实波幅均值[16] 26. **因子名称**：三个月波动 **因子构建思路**：波动因子 **因子具体构建过程**：过去60个交易日日内真实波幅均值[16] 27. **因子名称**：高管薪酬 **因子构建思路**：公司治理因子 **因子具体构建过程**：前三高管报酬总额取对数[16] 28. **因子名称**：预期EPTTM **因子构建思路**：分析师因子 **因子具体构建过程**：一致预期滚动EP[16] 29. **因子名称**：预期BP **因子构建思路**：分析师因子 **因子具体构建过程**：一致预期滚动BP[16] 30. **因子名称**：预期PEG **因子构建思路**：分析师因子 **因子具体构建过程**：一致预期PEG[16] 31. **因子名称**：预期净利润环比 **因子构建思路**：分析师因子 **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[16] 32. **因子名称**：三个月盈利上下调 **因子构建思路**：分析师因子 **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[16] 33. **因子名称**：三个月机构覆盖 **因子构建思路**：分析师因子 **因子具体构建过程**：过去3个月内机构覆盖数量[16] 34. **因子名称**：标准化预期外盈利 **因子构建思路**：未明确分类，但属于盈利预期类因子 **因子具体构建过程**：未在因子库表中明确给出公式，但名称表明其为标准化后的盈利超预期指标[18][20] 35. **因子名称**：标准化预期外收入 **因子构建思路**：未明确分类，但属于成长预期类因子 **因子具体构建过程**：未在因子库表中明确给出公式，但名称表明其为标准化后的收入超预期指标[18][20] 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0.62%，本年超额收益20.75%[4][13] 2. **国信金工中证500指数增强组合**，本周超额收益-0.37%，本年超额收益6.86%[4][13] 3. **国信金工中证1000指数增强组合**，本周超额收益0.97%，本年超额收益16.87%[4][13] 4. **国信金工中证A500指数增强组合**，本周超额收益0.85%，本年超额收益10.70%[4][13] 因子的回测效果 （以下因子表现数据均基于单因子MFE组合，在不同样本空间下，以“最近一周”、“最近一月”、“今年以来”、“历史年化”为时间窗口进行统计[17][19][21][23][25]） 1. **DELTAROE因子**，在沪深300样本空间中，最近一周超额收益0.74%，最近一月2.05%，今年以来16.88%，历史年化4.42%[18] 2. **股息率因子**，在沪深300样本空间中，最近一周超额收益0.68%，最近一月0.34%，今年以来4.38%，历史年化3.75%[18] 3. **DELTAROA因子**，在沪深300样本空间中，最近一周超额收益0.64%，最近一月1.51%，今年以来14.58%，历史年化4.70%[18] 4. **单季ROE因子**，在沪深300样本空间中，最近一周超额收益0.58%，最近一月3.18%，今年以来21.28%，历史年化5.30%[18] 5. **预期BP因子**，在中证500样本空间中，最近一周超额收益1.32%，最近一月1.21%，今年以来-0.05%，历史年化3.73%[20] 6. **BP因子**，在中证500样本空间中，最近一周超额收益1.18%，最近一月1.34%，今年以来-0.80%，历史年化3.79%[20] 7. **三个月机构覆盖因子**，在中证500样本空间中，最近一周超额收益1.11%，最近一月2.22%，今年以来5.82%，历史年化4.96%[20] 8. **预期PEG因子**，在中证1000样本空间中，最近一周超额收益1.14%，最近一月2.11%，今年以来8.78%，历史年化2.42%[22] 9. **单季SP因子**，在中证1000样本空间中，最近一周超额收益1.08%，最近一月0.39%，今年以来-1.05%，历史年化5.22%[22] 10. **SPTTM因子**，在中证1000样本空间中，最近一周超额收益1.05%，最近一月0.23%，今年以来-2.52%，历史年化3.92%[22] 11. **三个月换手因子**，在中证A500样本空间中，最近一周超额收益0.78%，最近一月0.66%，今年以来-7.91%，历史年化3.04%[24] 12. **DELTAROE因子**，在中证A500样本空间中，最近一周超额收益0.60%，最近一月1.65%，今年以来18.37%，历史年化4.34%[24] 13. **单季ROE因子**，在中证A500样本空间中，最近一周超额收益0.50%，最近一月3.06%，今年以来18.89%，历史年化3.60%[24] 14. **BP因子**，在公募重仓指数样本空间中，最近一周超额收益1.18%，最近一月-0.78%，今年以来-8.84%，历史年化0.67%[26] 15. **SPTTM因子**，在公募重仓指数样本空间中，最近一周超额收益1.07%，最近一月-1.21%，今年以来-8.15%，历史年化0.90%[26] 16. **预期BP因子**，在公募重仓指数样本空间中，最近一周超额收益1.04%，最近一月-0.51%，今年以来-9.22%，历史年化1.23%[26]

量化模型与构建方式 1. 股指期货分红点位预测模型 * **模型名称**：股指期货合约存续期内分红预测模型[9] * **模型构建思路**：基于信达金工衍生品研究报告系列二《股指期货分红点位预测》中的方法，对股指期货标的指数未来一年及具体合约存续期内的分红点位进行预测[9]。 * **模型具体构建过程**：报告未详细描述该模型的构建过程，但指出其方法基于系列研究报告。模型最终输出对中证500、沪深300、上证50、中证1000指数未来一年分红点位的预测值，以及对各期货合约（次月、当季、下季）存续期内分红点位的预测值[9][10][11][12][13][14][15][16][17][18]。 2. 基差修正模型 * **模型/因子名称**：分红调整后的年化基差[19][20] * **模型/因子构建思路**：由于指数成分股分红会提前反映在期货价格中并拉低基差，为准确分析合约基差，需要剔除分红影响，计算经预期分红调整后的年化基差[19]。 * **模型具体构建过程**： 1. 计算预期分红调整后的基差： $$预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红$$[20] 2. 将调整后的基差进行年化处理： $$年化基差 = \frac{(实际基差 + (预期)分红点位)}{指数价格} \times \frac{360}{合约剩余天数}$$[20] 报告中后续提及的基差均为按此公式计算的分红调整后的年化基差[20]。 3. 期现对冲策略模型 * **模型名称**：期现对冲策略（包括连续对冲策略与最低贴水策略）[44][45][46] * **模型构建思路**：策略原理基于信达金工衍生品研究报告系列三《股指期货基差收敛研究与对冲优化策略》中的基差收敛因素分析与优化策略[44]。通过做空股指期货对冲持有现货指数的风险，并利用不同的合约选择和调仓规则来优化对冲效果。 * **模型具体构建过程**： * **通用参数设置**： * **回测区间**：2022年7月22日至2025年12月19日[45][46]。 * **现货端**：持有对应标的指数（中证500、沪深300、上证50、中证1000）的全收益指数[45][46]。 * **期货端**：使用与现货端等额名义本金的股指期货合约进行做空对冲[45][46]。 * **资金分配**：现货端使用70%资金，期货端占用剩余30%资金[45][46]。 * **调仓再平衡**：每次调仓后根据产品净值重新计算现货及期货端数量[45][46]。 * **备注**：不考虑手续费、冲击成本及合约不可无限细分性质[45][46]。 * **策略一：连续对冲策略**[45] * **调仓规则**：连续持有季月或当月合约，直至该合约离到期剩余不足2日，在当日以收盘价平仓，并同时以收盘价卖空下一季月或当月合约[45]。 * **策略二：最低贴水策略**[46] * **调仓规则**：调仓时，计算当日所有可交易期货合约的年化基差，选择年化基差贴水幅度最小的合约开仓[46]。同一合约持有8个交易日后或该合约离到期剩余不足2日时，才可进行新合约选择（排除剩余到期日不足8日的合约）[46]。每次选择后，无论结果是否更换合约，都继续持有8个交易日[46]。 4. 信达期权系列指数模型 * **模型名称**：信达波动率指数 (Cinda-VIX) 与信达偏度指数 (Cinda-SKEW)[62][63][69] * **模型构建思路**：借鉴海外经验并结合中国场内期权市场实际情况，编制能够准确反映市场波动性预期和尾部风险预期的指数，以挖掘期权市场中隐含的市场情绪[62][63]。 * **模型具体构建过程**：报告未给出具体的计算公式，但指出具体算法基于信达金工衍生品研究报告系列四《挖掘期权市场中隐含的市场情绪》[63]。 * **Cinda-VIX**：反映期权市场投资者对标的资产未来波动率的预期，并具有期限结构，可反映不同期限内的波动预期[63]。 * **Cinda-SKEW**：通过捕捉不同行权价格期权隐含波动率(IV)的偏斜特征，来衡量市场对标的资产未来收益分布（尤其是尾部风险）的预期[69]。当SKEW指数超过100时，通常意味着投资者对市场未来可能出现大幅下跌风险的担忧加剧[70]。 模型的回测效果 （注：以下回测结果均基于**2022年7月22日至2025年12月19日**的回测区间[45][46]） 1. 中证500 (IC) 对冲策略表现[47][48] | 指标 | 当月连续对冲 | 季月连续对冲 | 最低贴水策略 | 指数表现 | | :--- | :--- | :--- | :--- | :--- | | 年化收益 | -3.42% | -2.58% | -1.93% | 3.93% | | 波动率 | 3.79% | 4.69% | 4.49% | 20.95% | | 最大回撤 | -11.27% | -8.74% | -8.75% | -31.46% | | 净值 | 0.8886 | 0.9149 | 0.9361 | 1.1399 | | 年换手次数 | 12 | 4 | 16.78 | —— | | 2025年以来收益 | -6.60% | -3.91% | -4.27% | 29.28% | 2. 沪深300 (IF) 对冲策略表现[49][53] | 指标 | 当月连续对冲 | 季月连续对冲 | 最低贴水策略 | 指数表现 | | :--- | :--- | :--- | :--- | :--- | | 年化收益 | 0.33% | 0.69% | 1.09% | 2.23% | | 波动率 | 2.89% | 3.23% | 3.00% | 16.98% | | 最大回撤 | -3.95% | -4.03% | -4.06% | -25.59% | | 净值 | 1.0112 | 1.0236 | 1.0376 | 1.0778 | | 年换手次数 | 12 | 4 | 15.01 | —— | | 2025年以来收益 | -1.21% | 0.37% | 0.40% | 19.57% | 3. 上证50 (IH) 对冲策略表现[54][57] | 指标 | 当月连续对冲 | 季月连续对冲 | 最低贴水策略 | 指数表现 | | :--- | :--- | :--- | :--- | :--- | | 年化收益 | 1.02% | 1.95% | 1.58% | 1.58% | | 波动率 | 2.96% | 3.36% | 2.97% | 15.96% | | 最大回撤 | -4.22% | -3.75% | -3.91% | -22.96% | | 净值 | 1.0350 | 1.0679 | 1.0548 | 1.0547 | | 年换手次数 | 12 | 4 | 15.60 | —— | | 2025年以来收益 | 0.42% | 1.85% | 1.36% | 15.09% | 4. 中证1000 (IM) 对冲策略表现[58][61] | 指标 | 当月连续对冲 | 季月连续对冲 | 最低贴水策略 | 指数表现 | | :--- | :--- | :--- | :--- | :--- | | 年化收益 | -6.48% | -4.82% | -4.42% | 0.67% | | 波动率 | 4.73% | 5.75% | 5.50% | 25.40% | | 最大回撤 | -14.00% | -12.63% | -11.11% | -41.60% | | 净值 | 0.8319 | 0.8498 | 0.8693 | 0.9799 | | 年换手次数 | 12 | 4 | 15.73 | —— | | 2025年以来收益 | -12.98% | -7.87% | -8.19% | 26.44% | 量化因子与构建方式 （本报告未涉及独立的量化因子构建，主要围绕模型展开） 因子的回测效果 （本报告未涉及独立的量化因子回测）

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：国信金工指数增强组合模型[10][11] **模型构建思路**：以多因子选股为主体，分别构建对标不同宽基指数的增强组合，力求稳定战胜各自基准[10] **模型具体构建过程**：构建流程主要包括收益预测、风险控制和组合优化三部分[11]。具体步骤未在报告中详细展开。 2. **模型名称**：单因子MFE组合模型[14][40] **模型构建思路**：为了在更贴近实际投资约束（如控制行业、风格暴露）的条件下检验因子的有效性，采用组合优化的方式构建最大化单因子暴露组合（Maximized Factor Exposure Portfolio，简称MFE组合）[40] **模型具体构建过程**：采用如下形式的组合优化模型来构建因子的 MFE 组合[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，$f^{T} w$ 为组合在单因子上的加权暴露[40][41]。 * $w$ 为待求解的股票权重向量，$w_b$ 为基准指数成分股的权重向量[40][41]。 * 第一个约束限制了组合相对于基准指数的风格暴露，$X$ 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上下限[41]。 * 第二个约束限制了组合相对于基准指数的行业偏离，$H$ 为股票的行业暴露矩阵，$h_l$, $h_h$ 为行业偏离的上下限[41]。 * 第三个约束限制了个股相对于基准指数成分股的权重偏离，$w_l$, $w_h$ 为偏离的上下限[41]。 * 第四个约束限制了组合在基准成分股内权重的占比，$B_b$ 为个股是否属于基准成分股的0-1向量，$b_l$, $b_h$ 为占比的上下限[41]。 * 第五个约束禁止卖空并限制了个股权重上限 $l$[41]。 * 第六个约束要求权重和为1，即满仓运作[42]。 **模型评价**：该方法能更真实地反映因子在满足实际投资约束下的有效性，检验后认为“有效”的因子更可能在最终组合中发挥真实的收益预测作用[40] 模型的回测效果 1. **国信金工指数增强组合模型**，沪深300增强组合本周超额收益0.62%，本年超额收益20.75%[4][13] 2. **国信金工指数增强组合模型**，中证500增强组合本周超额收益-0.37%，本年超额收益6.86%[4][13] 3. **国信金工指数增强组合模型**，中证1000增强组合本周超额收益0.97%，本年超额收益16.87%[4][13] 4. **国信金工指数增强组合模型**，中证A500增强组合本周超额收益0.85%，本年超额收益10.70%[4][13] 量化因子与构建方式 报告从估值、反转、成长、盈利、流动性、公司治理、分析师等维度出发，构造了30余个因子[15]。具体因子名称及计算方式如下[16]： 1. **因子名称**：BP **因子构建思路**：估值因子 **因子具体构建过程**：净资产/总市值[16] 2. **因子名称**：单季EP **因子构建思路**：估值因子 **因子具体构建过程**：单季度归母净利润/总市值[16] 3. **因子名称**：单季SP **因子构建思路**：估值因子 **因子具体构建过程**：单季度营业收入/总市值[16] 4. **因子名称**：EPTTM **因子构建思路**：估值因子 **因子具体构建过程**：归母净利润TTM/总市值[16] 5. **因子名称**：SPTTM **因子构建思路**：估值因子 **因子具体构建过程**：营业收入TTM/总市值[16] 6. **因子名称**：EPTTM分位点 **因子构建思路**：估值因子 **因子具体构建过程**：EPTTM在过去一年中的分位点[16] 7. **因子名称**：股息率 **因子构建思路**：估值因子 **因子具体构建过程**：最近四个季度预案分红金额/总市值[16] 8. **因子名称**：一个月反转 **因子构建思路**：反转因子 **因子具体构建过程**：过去20个交易日涨跌幅[16] 9. **因子名称**：三个月反转 **因子构建思路**：反转因子 **因子具体构建过程**：过去60个交易日涨跌幅[16] 10. **因子名称**：一年动量 **因子构建思路**：动量因子 **因子具体构建过程**：近一年除近一月后动量[16] 11. **因子名称**：单季净利同比增速 **因子构建思路**：成长因子 **因子具体构建过程**：单季度净利润同比增长率[16] 12. **因子名称**：单季营收同比增速 **因子构建思路**：成长因子 **因子具体构建过程**：单季度营业收入同比增长率[16] 13. **因子名称**：单季营利同比增速 **因子构建思路**：成长因子 **因子具体构建过程**：单季度营业利润同比增长率[16] 14. **因子名称**：SUE **因子构建思路**：成长因子 **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[16] 15. **因子名称**：SUR **因子构建思路**：成长因子 **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[16] 16. **因子名称**：单季超预期幅度 **因子构建思路**：成长因子 **因子具体构建过程**：预期单季度净利润 / 财报单季度净利润[16] 17. **因子名称**：单季ROE **因子构建思路**：盈利因子 **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）[16] 18. **因子名称**：单季ROA **因子构建思路**：盈利因子 **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）[16] 19. **因子名称**：DELTAROE **因子构建思路**：盈利因子 **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[16] 20. **因子名称**：DELTAROA **因子构建思路**：盈利因子 **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[16] 21. **因子名称**：非流动性冲击 **因子构建思路**：流动性因子 **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[16] 22. **因子名称**：一个月换手 **因子构建思路**：流动性因子 **因子具体构建过程**：过去20个交易日换手率均值[16] 23. **因子名称**：三个月换手 **因子构建思路**：流动性因子 **因子具体构建过程**：过去60个交易日换手率均值[16] 24. **因子名称**：特异度 **因子构建思路**：波动因子 **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[16] 25. **因子名称**：一个月波动 **因子构建思路**：波动因子 **因子具体构建过程**：过去20个交易日日内真实波幅均值[16] 26. **因子名称**：三个月波动 **因子构建思路**：波动因子 **因子具体构建过程**：过去60个交易日日内真实波幅均值[16] 27. **因子名称**：高管薪酬 **因子构建思路**：公司治理因子 **因子具体构建过程**：前三高管报酬总额取对数[16] 28. **因子名称**：预期EPTTM **因子构建思路**：分析师因子 **因子具体构建过程**：一致预期滚动EP[16] 29. **因子名称**：预期BP **因子构建思路**：分析师因子 **因子具体构建过程**：一致预期滚动BP[16] 30. **因子名称**：预期PEG **因子构建思路**：分析师因子 **因子具体构建过程**：一致预期PEG[16] 31. **因子名称**：预期净利润环比 **因子构建思路**：分析师因子 **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[16] 32. **因子名称**：三个月盈利上下调 **因子构建思路**：分析师因子 **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[16] 33. **因子名称**：三个月机构覆盖 **因子构建思路**：分析师因子 **因子具体构建过程**：过去3个月内机构覆盖数量[16] 34. **因子名称**：标准化预期外盈利 **因子构建思路**：未明确分类，但出现在因子表现列表中[18][20] **因子具体构建过程**：报告中未给出具体计算公式，但名称暗示其为经过标准化的盈利超预期指标。 35. **因子名称**：标准化预期外收入 **因子构建思路**：未明确分类，但出现在因子表现列表中[18][20] **因子具体构建过程**：报告中未给出具体计算公式，但名称暗示其为经过标准化的收入超预期指标。 因子的回测效果 （以下为各因子在**最近一周**、**最近一月**、**今年以来**、**历史年化**四个时间窗口下的MFE组合超额收益表现，数据分别来源于不同样本空间的监控结果[18][20][22][24][26]） 1. **DELTAROE因子**，最近一周超额收益0.74%（沪深300）[18]，最近一月超额收益2.05%（沪深300）[18]，今年以来超额收益16.88%（沪深300）[18]，历史年化超额收益4.42%（沪深300）[18] 2. **股息率因子**，最近一周超额收益0.68%（沪深300）[18]，最近一月超额收益0.34%（沪深300）[18]，今年以来超额收益4.38%（沪深300）[18]，历史年化超额收益3.75%（沪深300）[18] 3. **DELTAROA因子**，最近一周超额收益0.64%（沪深300）[18]，最近一月超额收益1.51%（沪深300）[18]，今年以来超额收益14.58%（沪深300）[18]，历史年化超额收益4.70%（沪深300）[18] 4. **预期BP因子**，最近一周超额收益1.32%（中证500）[20]，最近一月超额收益1.21%（中证500）[20]，今年以来超额收益-0.05%（中证500）[20]，历史年化超额收益3.73%（中证500）[20] 5. **BP因子**，最近一周超额收益1.18%（中证500）[20]，最近一月超额收益1.34%（中证500）[20]，今年以来超额收益-0.80%（中证500）[20]，历史年化超额收益3.79%（中证500）[20] 6. **三个月机构覆盖因子**，最近一周超额收益1.11%（中证500）[20]，最近一月超额收益2.22%（中证500）[20]，今年以来超额收益5.82%（中证500）[20]，历史年化超额收益4.96%（中证500）[20] 7. **预期PEG因子**，最近一周超额收益1.14%（中证1000）[22]，最近一月超额收益2.11%（中证1000）[22]，今年以来超额收益8.78%（中证1000）[22]，历史年化超额收益2.42%（中证1000）[22] 8. **单季SP因子**，最近一周超额收益1.08%（中证1000）[22]，最近一月超额收益0.39%（中证1000）[22]，今年以来超额收益-1.05%（中证1000）[22]，历史年化超额收益5.22%（中证1000）[22] 9. **SPTTM因子**，最近一周超额收益1.05%（中证1000）[22]，最近一月超额收益0.23%（中证1000）[22]，今年以来超额收益-2.52%（中证1000）[22]，历史年化超额收益3.92%（中证1000）[22] 10. **三个月换手因子**，最近一周超额收益0.78%（中证A500）[24]，最近一月超额收益0.66%（中证A500）[24]，今年以来超额收益-7.91%（中证A500）[24]，历史年化超额收益3.04%（中证A500）[24] 11. **单季ROE因子**，最近一周超额收益0.50%（中证A500）[24]，最近一月超额收益3.06%（中证A500）[24]，今年以来超额收益18.89%（中证A500）[24]，历史年化超额收益3.60%（中证A500）[24] 12. **单季ROA因子**，最近一周超额收益0.19%（中证A500）[24]，最近一月超额收益2.91%（中证A500）[24]，今年以来超额收益16.49%（中证A500）[24]，历史年化超额收益4.37%（中证A500）[24]

量化模型与构建方式 1. **模型名称**：情绪择时模型[12] * **模型构建思路**：通过构建与市场涨跌停板相关的因子来刻画市场的情绪强弱，并基于此进行择时判断[12]。 * **模型具体构建过程**：模型包含五个细分情绪因子，分别为净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益[14]。每个因子根据其数值或状态给出0或1的信号，最终将五个因子的信号值相加，得到总分（满分5分）作为情绪模型的得分[12][14]。 2. **模型名称**：趋势模型[12] * **模型构建思路**：未在报告中详细说明，但作为与情绪模型并列的择时模型，其信号用于判断市场趋势方向[12]。 * **模型具体构建过程**：报告未提供具体构建过程，仅提及模型信号为负向[12]。 3. **模型名称**：加权模型[12] * **模型构建思路**：未在报告中详细说明，但作为与情绪模型并列的择时模型，其信号用于判断市场趋势方向[12]。 * **模型具体构建过程**：报告未提供具体构建过程，仅提及模型信号为负向[12]。 4. **模型/指标名称**：均线强弱指数[12] * **构建思路**：通过计算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[12]。 * **具体构建过程**：报告未提供具体计算公式。构建过程为：基于Wind二级行业指数，计算其均线相关指标，并综合打分。当前市场得分为170，处于2023年以来的60.6%分位点[12]。 5. **指标名称**：流动性冲击指标[2] * **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过去一年平均水平的偏离程度[2]。 * **具体构建过程**：报告未提供具体计算公式。指标数值代表当前市场流动性高于过去一年平均水平的倍数标准差。例如，指标值为0.41意味着流动性高于过去一年平均水平0.41倍标准差[2]。 6. **指标名称**：PUT-CALL比率[2] * **构建思路**：使用上证50ETF期权的成交量比率（认沽期权成交量/认购期权成交量）来反映投资者对短期走势的谨慎或乐观情绪[2]。 * **具体构建过程**：$$PUT-CALL比率 = \frac{认沽期权成交量}{认购期权成交量}$$ 比率下降通常意味着投资者谨慎程度下降[2]。 7. **因子名称**：因子拥挤度（复合指标）[15] * **因子构建思路**：因子拥挤是指跟踪或投资某一因子的资金过多，导致该因子收益或收益稳定性下降的现象。拥挤度指标可作为因子失效的预警指标[15]。 * **因子具体构建过程**：使用四个子指标综合度量因子拥挤程度，包括估值价差、配对相关性、长期收益反转、因子波动率[15]。报告指出详细计算方法请参考对应专题报告，未在本文中给出具体公式[15]。综合打分由这四个分项指标合成[19]。 量化模型的回测效果 1. 情绪择时模型，模型得分0分（满分5分）[12] 2. 趋势模型，信号方向为负向[12] 3. 加权模型，信号方向为负向[12] 4. 均线强弱指数，当前得分170，历史分位点（2023年以来）60.6%[12] 5. 流动性冲击指标（基于沪深300），当前数值0.41[2] 6. PUT-CALL比率（上证50ETF期权），当前数值0.83[2] 量化因子与构建方式 1. **因子名称**：小市值因子拥挤度[4][19] * **因子构建思路**：衡量小市值因子的拥挤程度，预警其可能失效的风险[15]。 * **因子具体构建过程**：作为复合因子拥挤度的一种，其具体构建过程与前述“因子拥挤度（复合指标）”一致，由估值价差、配对相关性、市场波动、收益反转四个子指标合成[15][19]。报告未提供各子指标的具体公式。 2. **因子名称**：低估值因子拥挤度[4][19] * **因子构建思路**：衡量低估值因子的拥挤程度，预警其可能失效的风险[15]。 * **因子具体构建过程**：构建过程同“小市值因子拥挤度”，为复合指标[15][19]。 3. **因子名称**：高盈利因子拥挤度[4][19] * **因子构建思路**：衡量高盈利因子的拥挤程度，预警其可能失效的风险[15]。 * **因子具体构建过程**：构建过程同“小市值因子拥挤度”，为复合指标[15][19]。 4. **因子名称**：高盈利增长因子拥挤度[4][19] * **因子构建思路**：衡量高盈利增长（高增长）因子的拥挤程度，预警其可能失效的风险[15]。 * **因子具体构建过程**：构建过程同“小市值因子拥挤度”，为复合指标[15][19]。 5. **因子名称**：行业拥挤度[21] * **因子构建思路**：衡量特定行业板块的拥挤程度[21]。 * **因子具体构建过程**：报告指出详细计算方法请参考对应专题报告《行业轮动系列研究 15——行业板块拥挤度》，未在本文中给出具体公式[21]。 6. **因子名称**：净涨停占比（情绪因子）[14] * **因子构建思路**：作为情绪择时模型的细分因子之一，用于刻画市场情绪[14]。 * **因子具体构建过程**：报告未提供具体计算公式，仅给出其当前信号值为0[14]。 7. **因子名称**：跌停次日收益（情绪因子）[14] * **因子构建思路**：作为情绪择时模型的细分因子之一，用于刻画市场情绪[14]。 * **因子具体构建过程**：报告未提供具体计算公式，仅给出其当前信号值为0[14]。 8. **因子名称**：涨停板占比（情绪因子）[14] * **因子构建思路**：作为情绪择时模型的细分因子之一，用于刻画市场情绪[14]。 * **因子具体构建过程**：报告未提供具体计算公式，仅给出其当前信号值为0[14]。 9. **因子名称**：跌停板占比（情绪因子）[14] * **因子构建思路**：作为情绪择时模型的细分因子之一，用于刻画市场情绪[14]。 * **因子具体构建过程**：报告未提供具体计算公式，仅给出其当前信号值为0[14]。 10. **因子名称**：高频打板收益（情绪因子）[14] * **因子构建思路**：作为情绪择时模型的细分因子之一，用于刻画市场情绪[14]。 * **因子具体构建过程**：报告未提供具体计算公式，仅给出其当前信号值为0[14]。 量化因子的回测效果 1. 小市值因子拥挤度，综合打分0.22，估值价差0.58，配对相关性-0.09，市场波动-0.18，收益反转0.56[19] 2. 低估值因子拥挤度，综合打分-0.51，估值价差-0.72，配对相关性0.04，市场波动-0.23，收益反转-1.12[19] 3. 高盈利因子拥挤度，综合打分0.05，估值价差-0.69，配对相关性-0.08，市场波动-0.31，收益反转1.27[19] 4. 高盈利增长因子拥挤度，综合打分0.22，估值价差0.66，配对相关性-0.46，市场波动0.37，收益反转0.29[19] 5. 净涨停占比（情绪因子），当前信号0[14] 6. 跌停次日收益（情绪因子），当前信号0[14] 7. 涨停板占比（情绪因子），当前信号0[14] 8. 跌停板占比（情绪因子），当前信号0[14] 9. 高频打板收益（情绪因子），当前信号0[14]

量化模型与构建方式 1. **模型名称：成交量模型**[9][12] * **模型构建思路**：基于价量关系进行短期市场择时，认为成交量变化能反映市场情绪和趋势强度[9]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程。 2. **模型名称：特征龙虎榜机构模型**[12] * **模型构建思路**：利用龙虎榜中机构资金的买卖行为作为特征，构建短期择时模型。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程。 3. **模型名称：特征成交量模型**[12] * **模型构建思路**：基于特定的成交量特征（可能与常规成交量模型不同）进行短期择时。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程。 4. **模型名称：智能算法沪深300/中证500模型**[12] * **模型构建思路**：应用智能算法（如机器学习）对沪深300或中证500指数进行择时。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程。 5. **模型名称：涨跌停模型**[13] * **模型构建思路**：通过分析市场中涨停和跌停股票的数量或比例，判断市场中期情绪和动能[9]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程。 6. **模型名称：上下行收益差模型**[13] * **模型构建思路**：通过计算市场上涨股票与下跌股票的收益差异，衡量市场内部动量和强度，用于中期择时[9]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程。 7. **模型名称：月历效应模型**[13] * **模型构建思路**：基于历史数据中存在的特定月份或时间段的规律性表现进行中期择时。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程。 8. **模型名称：长期动量模型**[14] * **模型构建思路**：依据长期价格趋势（动量）进行择时，认为过去表现好的资产未来仍可能延续趋势[9]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程。 9. **模型名称：A股综合兵器V3模型**[15] * **模型构建思路**：将不同周期、不同策略的多个择时模型信号进行耦合，形成综合性的市场观点，旨在攻守兼备[9]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程。 10. **模型名称：A股综合国证2000模型**[15] * **模型构建思路**：针对国证2000指数，综合多个择时模型信号形成观点。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程。 11. **模型名称：成交额倒波幅模型（港股）**[16] * **模型构建思路**：结合成交额与波动率（波幅）的倒数关系，对港股市场进行中期择时。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程。 12. **模型名称：恒生指数上下行收益差模型（港股）**[16] * **模型构建思路**：原理与A股上下行收益差模型类似，应用于恒生指数进行中期择时。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程。 13. **模型名称：杯柄形态识别模型**[44][47] * **模型构建思路**：识别股价图表中的“杯柄”形态，该形态被认为是上涨趋势中的持续整理形态，突破后有望延续上涨[44]。 * **模型具体构建过程**：报告未提供具体的形态识别算法和量化规则。 14. **模型名称：双底形态识别模型**[44][53] * **模型构建思路**：识别股价图表中的“双底”（W底）形态，该形态被认为是下跌趋势末期的反转形态，突破颈线后有望开启上涨[44]。 * **模型具体构建过程**：报告未提供具体的形态识别算法和量化规则。 15. **模型名称：倒杯子形态识别模型**[61] * **模型构建思路**：识别股价图表中的“倒杯子”形态，该形态被认为是下跌趋势中的持续整理形态，是典型的负向风险形态，突破后可能延续下跌[61]。 * **模型具体构建过程**：报告未提供具体的形态识别算法和量化规则。 模型的回测效果 *报告未提供各量化模型详细的历史回测绩效指标（如年化收益率、夏普比率、最大回撤等）。报告主要展示了模型在特定周期（本周）对各类宽基指数发出的择时信号（看多、看空、中性）[12][13][14][15][16]。* 量化因子与构建方式 *本报告为市场监控与择时周报，核心内容为展示已构建的各类择时模型的观点和部分形态识别结果，并未详细阐述用于选股或Alpha策略的底层量化因子的构建思路与过程。报告中提到的“大师策略”监控了33个策略，涉及价值、成长、综合等类型，但未具体说明这些策略所使用的因子[37]。* 因子的回测效果 *报告未提供具体量化因子的测试结果（如IC值、IR、多空收益等）。*

量化模型与构建方式 本报告为市场追踪周报，未涉及具体的量化选股模型或多因子模型的构建与测试。报告主要描述了基于高频数据测算的基金仓位模型，以及基于成交单划分的资金流因子。 1. **模型名称：主动权益型基金仓位测算模型**[22][23] * **模型构建思路**：通过分析公募基金的净值与持仓数据，估算其整体的股票资产配置比例（即仓位），以追踪市场主力资金的动向和情绪。 * **模型具体构建过程**： 1. **样本筛选**：对主动权益型基金设定合格样本门槛，包括：成立期满两个季度、未到期、规模大于5000万元、过去四期平均仓位大于60%。对“固收+”基金设定门槛为：成立期满两个季度、未到期、规模大于5000万元、过去四期平均仓位在10%-30%[23]。 2. **数据基础**：使用聚源、同花顺iFinD等数据源的基金净值与持仓数据[23]。 3. **加权计算**：对合格样本，按其持股市值进行加权，计算得到市场平均仓位[23]。 4. **范围限定**：以上测算均剔除不完全投资于A股的基金[24]。 2. **因子名称：主力/主动资金流因子**[50][51] * **因子构建思路**：根据同花顺对成交单的划分标准，将市场交易资金分为特大单、大单、中单、小单，通过计算不同类别资金的净流入/流出情况，构建反映主力资金和散户资金动向的因子。 * **因子具体构建过程**： 1. **资金分类标准**： * 特大单：成交量在20万股以上，或成交金额在100万元以上的成交单。 * 大单：成交量在6万股到20万股之间，或成交金额在30万到100万之间，或成交量占流通盘0.1%的成交单。 * 中单：成交量在1万股与6万股之间，或成交金额在5万到30万之间的成交单。 * 小单：成交量在1万股以下，或成交金额在5万元以下的成交单[50]。 2. **因子计算**：对于个股或行业，分别计算特定周期内（如本周）特大单、大单、中单、小单的净买入金额（流入-流出）。通常将特大单与大单的净流入合计视为主力资金流，将中单与小单的净流入合计视为中小单资金流[51]。主动资金流的计算逻辑类似，但可能基于更复杂的算法识别“主动”买卖盘。 * **因子评价**：该因子是监测市场短期资金情绪和结构分化的重要高频指标，可用于判断资金在行业和个股间的轮动方向[51]。 模型的回测效果 （报告未提供仓位测算模型的量化回测指标，如历史预测准确率、跟踪误差等。） 因子的回测效果 （报告未提供资金流因子的量化回测指标，如IC值、IR、多空收益等。报告仅展示了因子在当周的具体取值情况。） 1. **主力/主动资金流因子**（截至2025/12/19当周） * **个股主力资金净流入TOP5**：永辉超市、C优迅、中国平安、山子高科、C昂瑞-UW等[51]。 * **行业主力资金净流入TOP5**：商贸零售、消费者服务、纺织服装、银行、食品饮料等[51]。 * **行业主力资金净流出TOP5**：电子、电力设备及新能源、计算机、机械、通信等[51]。 * **个股主动资金净流入TOP5**：新易盛、中国平安、航天电子、永辉超市、贵州茅台等[51]。 * **行业主动资金净流入TOP5**：非银行金融、有色金属、银行、食品饮料、交通运输等[51]。 * **行业主动资金净流出TOP5**：电子、电力设备及新能源、机械、计算机、汽车等[51]。

量化模型与构建方式 1. **模型名称：周期分析模型**[1][6] * **模型构建思路**：通过分析市场价格的周期性波动规律，来判断大盘中期的主要趋势方向[1][6] * **模型具体构建过程**：报告未详细描述该模型的具体构建过程和公式，仅提及了其分析结论[1][6][7] 2. **模型名称：缠论及趋势分析模型**[1][6][11] * **模型构建思路**：结合缠论技术分析理论对市场走势进行结构划分，并利用趋势因子指标判断市场趋势的强弱状态[1][6][11] * **模型具体构建过程**：报告未详细描述该模型的具体构建过程和公式。其中提及的“趋势因子指标”构建思路为：通过观察大盘均线系统的排列与修复情况，来判断趋势的强弱。当均线系统修复并呈现多头排列时，趋势因子指标进入偏强状态[1][6] 3. **模型名称：历史走势相似性对比模型**[1][6][12] * **模型构建思路**：将当前市场的走势（如调整时间、幅度等特征）与历史特定时期（如2017年12月）的走势进行对比，寻找相似性，以辅助判断当前市场可能所处的阶段和未来走向[1][6][12] * **模型具体构建过程**：报告未详细描述该模型的具体构建过程和量化规则[1][6][12] 4. **模型名称：行业四轮驱动模型（行业轮动模型）**[1][6][14] * **模型构建思路**：通过多维度信号捕捉不同行业的交易机会，为板块配置提供建议[1][6][14] * **模型具体构建过程**：报告未详细描述该四轮驱动的具体构成维度、信号生成规则及合成公式。模型最终输出结果为提示具有“交易机会”的行业列表[1][6][14] 模型的回测效果 （报告中未提供任何量化模型的回测效果指标数据，如年化收益率、夏普比率、最大回撤、信息比率IR等） 量化因子与构建方式 1. **因子名称：趋势因子**[1][6] * **因子构建思路**：通过分析价格均线系统的状态来量化市场趋势的强度[1][6] * **因子具体构建过程**：报告未给出该因子的具体计算公式。构建思路描述为：观察大盘指数（如上证综指）的均线系统（如短期、中期、长期均线）。当短期均线向上穿越长期均线，且各均线呈多头向上排列时，认为趋势修复，因子指标进入“偏强状态”；反之则为偏弱状态[1][6] 因子的回测效果 （报告中未提供任何量化因子的回测效果指标数据，如IC值、ICIR、因子收益率、分组收益单调性等）