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，未涉及具体的预测性或策略性量化模型（如多因子选股模型、风险模型等），也未对单一因子进行IC、IR等有效性检验。报告主要展示了对各宽基指数的多维度统计指标，这些指标可视为用于描述市场状态的“因子”或“特征”。 1. **因子名称：连阴连阳天数**[13] * **因子构建思路**：统计指数K线连续为阴线或阳线的天数，用于衡量市场的短期趋势强度和持续性。[13] * **因子具体构建过程**：从当前交易日开始向前追溯，若当日收益率为正则计数+1（连阳），为负则计数-1（连阴），连续同向则累计，方向改变则重新从±1开始计数。正数表示连阳天数，负数表示连阴天数。[13] 2. **因子名称：指数与均线比较**[16][17] * **因子构建思路**：计算指数收盘价相对于不同周期移动平均线（MA）的偏离百分比，用于判断指数相对于短期、中期、长期均线的位置（如是否跌破支撑）。[16] * **因子具体构建过程**：分别计算5日（MA5）、10日（MA10）、20日（MA20）、60日（MA60）、120日（MA120）、250日（MA250）简单移动平均线。然后计算收盘价相对于每条均线的偏离度。 $$偏离度 = \frac{收盘价 - 移动平均线值}{移动平均线值} \times 100\%$$ 例如，`vsMA5`列即为收盘价相对于MA5的偏离百分比。[17] 3. **因子名称：交易金额占比与换手率**[19] * **因子构建思路**：交易金额占比反映该指数成分股总成交额在市场中的活跃度份额；换手率衡量指数成分股整体的交易活跃程度。[19] * **因子具体构建过程**： * **交易金额占比**：计算该指数所有成分股当日总成交金额，除以中证全指所有成分股当日总成交金额。[19] * **换手率**：采用流通市值加权平均的方式计算指数整体换手率。 $$指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$$ [19] 4. **因子名称：日收益率分布形态（峰度与偏度）**[25][27] * **因子构建思路**：通过计算日收益率序列的峰度和偏度，描述收益率分布的尖锐程度（尾部厚度）和对称性（偏向正收益或负收益）。[25] * **因子具体构建过程**：选取特定时间窗口（如近一年、近五年）的日收益率数据，计算其样本峰度和样本偏度。报告中峰度计算减去了3（正态分布峰度值），因此“当前峰度”为超额峰度。[27] * **因子评价**：峰度负偏离越大，说明当前收益率分布相比历史更分散；负偏态越大，说明极端负收益情形增加的程度更高。[25] 5. **因子名称：风险溢价**[29][33] * **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参考，计算股票指数预期收益率（常用市盈率倒数或股息率估算）与无风险利率之差，衡量投资股票市场所要求的额外回报。[29] * **因子具体构建过程**：报告中的“当前风险溢价”应为指数预期收益率与十年期国债即期收益率的差值。具体计算公式未明确给出，常见构建方式为： $$风险溢价 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 或 $$风险溢价 = 股息率 - 十年期国债即期收益率$$ 然后计算该值在近1年、近5年历史序列中的分位值，以及相对于历史均值和标准差的偏离。[33] * **因子评价**：风险溢价存在均值复归现象。上证50等大盘指数的风险溢价分布更集中，而中证1000、中证2000和创业板指等小盘、成长指数的风险溢价分布较分散，不确定性更大。[30][36] 6. **因子名称：PE-TTM（滚动市盈率）分位值**[41][45] * **因子构建思路**：使用指数最新的市盈率（TTM）在其历史序列（如近1年、近5年、全历史）中所处的位置（分位值）来衡量其估值水平的高低。[41] * **因子具体构建过程**：每日计算指数的PE-TTM（总市值 / 最近四个季度归属母公司股东的净利润总额）。将当前PE-TTM值与选取的历史时间窗口内的所有PE-TTM值进行比较，计算其历史分位值。[45] * **因子评价**：PE-TTM分位数在经历探底拉升后，整体中枢上移并保持震荡上扬趋势，近期出现拐头向下迹象。[41] 7. **因子名称：股债性价比**[48] * **因子构建思路**：计算股票市场收益率（常用PE-TTM的倒数，即盈利收益率）与债券市场收益率（十年期国债即期收益率）的差值，用于比较两类资产的投资吸引力。[48] * **因子具体构建过程**： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 该因子本质是“风险溢价”的一种具体计算形式。[48] 8. **因子名称：股息率分位值**[50][55] * **因子构建思路**：使用指数最新的股息率在其历史序列中所处的位置（分位值）来衡量其现金分红回报率的相对水平。[50] * **因子具体构建过程**：每日计算指数的股息率（成分股现金分红总额 / 指数总市值）。将当前股息率值与选取的历史时间窗口内的所有股息率值进行比较，计算其历史分位值。[55] * **因子评价**：高股息率资产在市场低迷和利率下行期表现突出，可作为避风港。[50] 9. **因子名称：破净率**[56][59] * **因子构建思路**：计算指数中市净率（PB）小于1的个股数量占指数总成分股数量的比例，反映市场整体估值低迷或悲观的程度。[56] * **因子具体构建过程**：在指数成分股中，筛选出满足`市价 < 每股净资产`（即PB < 1）的个股，统计其数量，再除以指数总成分股数量。 $$破净率 = \frac{破净个股数}{指数总成分股数} \times 100\%$$ [56][59] * **因子评价**：破净率越高，表明市场低估情况越普遍；破净率越低，可能表明市场对未来发展持乐观态度。[58] 因子回测效果 报告未提供基于这些因子的策略回测结果（如年化收益率、夏普比率、最大回撤等）。报告主要提供了各宽基指数在**特定时点（2025年12月18日）** 的因子截面取值，以及部分因子值相对于其历史均值和标准差的偏离情况。 各宽基指数因子截面值（截至2025年12月18日） 1. **连阴连阳天数因子**：[13] * 上证50：日K连阳2天 * 沪深300：日K连阴2天 * 中证500：日K连阳2天 * 中证1000：日K连阳2天 * 中证2000：日K连阳2天 * 中证全指：日K连阳2天 * 创业板指：日K连阴2天 2. **指数与均线比较因子**（以`vsMA5`为例）：[17] * 上证50：0.4%（位于5日均线之上） * 沪深300：0.0%（位于5日均线处） * 中证500：-0.1%（跌破5日均线） * 中证1000：-0.2%（跌破5日均线） * 中证2000：-0.2%（跌破5日均线） * 中证全指：-0.1%（跌破5日均线） * 创业板指：-1.0%（跌破5日均线） 3. **交易金额占比与换手率因子**：[19] * **交易金额占比**： * 中证2000：25.25% * 沪深300：23.37% * 中证1000：21.34% * 中证500、上证50、创业板指、中证全指未列具体占比数值。 * **换手率**： * 中证2000：3.62 * 创业板指：2.08 * 中证1000：2.03 * 中证全指：1.47 * 中证500：1.39 * 沪深300：0.46 * 上证50：0.20 4. **日收益率分布形态因子**（当前vs近5年）：[27] * **峰度负偏离（当前峰度 - 近5年峰度）**： * 创业板指：-2.52 * 中证500：-2.29 * 上证50：-2.12 * 中证全指：-1.92 * 沪深300：-1.88 * 中证2000：-1.56 * 中证1000：-1.52 * **偏度变化（当前偏度 - 近5年偏度）**： * 创业板指：-0.62 * 中证500：-0.58 * 上证50：-0.59 * 沪深300：-0.47 * 中证全指：-0.47 * 中证1000：-0.39 * 中证2000：-0.37 5. **风险溢价因子**：[33] * **当前风险溢价**： * 上证50：0.22% * 中证2000：0.07% * 中证1000：-0.23% * 中证全指：-0.40% * 中证500：-0.53% * 沪深300：-0.60% * 创业板指：-2.18% * **近5年分位值**： * 上证50：61.90% * 中证2000：47.94% * 中证1000：40.00% * 中证全指：32.94% * 中证500：29.29% * 沪深300：25.56% * 创业板指：7.70% 6. **PE-TTM分位值因子**：[45] * **近5年历史分位值**： * 中证500：94.63% * 中证1000：93.39% * 中证全指：91.07% * 上证50：82.73% * 沪深300：82.64% * 中证2000：79.26% * 创业板指：56.03% 7. **股息率分位值因子**：[55] * **近5年历史分位值**： * 创业板指：66.03% * 中证1000：52.15% * 沪深300：38.26% * 中证全指：37.44% * 上证50：31.32% * 中证2000：31.07% * 中证500：25.87% 8. **破净率因子**：[59] * **当前破净率**： * 上证50：22.0% * 沪深300：16.0% * 中证500：11.2% * 中证1000：8.2% * 中证全指：6.4% * 中证2000：3.7% * 创业板指：nan%

量化模型与因子总结 量化因子与构建方式 1. **因子名称：RSI相对强弱指标**[2] * **因子构建思路**：通过计算一定周期内平均涨幅与平均跌幅的比值，来衡量市场或资产的超买或超卖状态，属于动量反转类技术指标[2]。 * **因子具体构建过程**： 1. 设定计算周期N（报告中为12天）[2]。 2. 计算周期内每日的涨跌幅。 3. 分别计算周期内所有上涨日涨幅的平均值（AvgGain）和所有下跌日跌幅绝对值的平均值（AvgLoss）[2]。 4. 计算相对强度RS：$$RS = \frac{AvgGain}{AvgLoss}$$[2] 5. 计算RSI值：$$RSI = 100 - \frac{100}{1 + RS}$$[2] * **因子评价**：该因子是经典的技术分析工具，用于判断市场短期内的极端情绪。当RSI高于70时，通常认为市场处于超买状态，可能面临回调风险；当RSI低于30时，则认为市场处于超卖状态，可能存在反弹机会[2]。 2. **因子名称：净申购（亿元）**[2] * **因子构建思路**：通过计算ETF基金单位净值的变化与基金份额自然增长（价格回报）的差异，来估算当日资金的净流入或净流出金额，反映投资者对特定ETF的主动买卖意愿[2]。 * **因子具体构建过程**： 1. 获取当日（T日）的基金单位净值NAV(T)和前一日（T-1日）的基金单位净值NAV(T-1)[2]。 2. 获取ETF跟踪指数在T日的收益率R(T)[2]。 3. 计算净申购金额NETBUY(T)：$$NETBUY(T) = NAV(T) - NAV(T-1) \times (1 + R(T))$$[2] 公式说明：NAV(T-1)*(1+R(T))代表了假设没有资金申赎、仅因指数涨跌导致的T日理论净值。实际净值NAV(T)与该理论值的差额，即由资金净申购（正值）或净赎回（负值）所导致[2]。 因子与模型的效果取值 **注**：本报告为ETF日频跟踪数据表，主要展示各ETF在特定日期的各项指标截面数据，而非基于历史数据的因子回测绩效。因此，以下为报告中展示的**2025年12月18日**各类ETF在相关因子上的具体取值[1]。 1. **RSI相对强弱指标** 因子取值（周期：12天）[2][4][7] * 华泰柏瑞沪深300ETF (510300.SH): 48.56 * 易方达沪深300ETF (510310.SH): 47.80 * 华夏上证50ETF (510050.SH): 34.90 * 南方中证500ETF (510500.SH): 50.43 * 华夏恒生科技ETF (513180.SH): 34.54 * 国泰中证全指证券公司ETF (512880.SH): 51.50 * 华宝中证银行ETF (512800.SH): 51.21 * 华泰柏瑞上证红利ETF (510880.SH): 41.54 * 国泰中证军工ETF (512660.SH): 62.54 * 易方达中证海外互联ETF (513050.SH): 33.83 2. **净申购（亿元）** 因子取值[2][4][7] * 华泰柏瑞沪深300ETF (510300.SH): 8.08 * 易方达创业板ETF (159915.SZ): 20.33 * 华夏上证50ETF (510050.SH): -1.09 * 南方中证1000ETF (512100.SH): -2.19 * 国泰中证全指证券公司ETF (512880.SH): -17.59 * 华泰柏瑞中证A500ETF (563360.SH): 18.97 * 华宝中证银行ETF (512800.SH): 1.56 * 华泰柏瑞红利低波ETF (512890.SH): 4.22 * 华夏国证半导体芯片ETF (159995.SZ): -9.25 * 易方达中证人工智能ETF (159819.SZ): -10.62

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**：通过构建模型对申万一级行业指数的拥挤度进行每日监测，以识别行业交易过热或过冷的状态[3]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建过程、所用指标及计算公式。 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过程及计算公式。 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**：用于衡量申万一级行业指数的交易拥挤程度，数值高低反映市场情绪和资金集中度[3]。 * **因子具体构建过程**：报告未详细说明该因子的具体构建过程、所用指标及计算公式。 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（Z-score）来度量当前溢价率在历史序列中的相对位置，以判断其是否处于异常水平[4]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算公式。通常，Z-score的计算公式为： $$Z = \frac{X - \mu}{\sigma}$$ 其中，$X$代表当前溢价率，$\mu$代表滚动窗口期内的溢价率均值，$\sigma$代表滚动窗口期内的溢价率标准差。 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）

量化模型与构建方式 1. **模型名称**：封板率模型[18] **模型构建思路**：通过计算股票涨停后成功封住涨停板的概率，来衡量市场追涨情绪和涨停板的可靠性[18] **模型具体构建过程**：首先，筛选出上市满3个月以上的股票[18]。然后，找出在交易日盘中最高价达到涨停价的股票[18]。最后，计算这些股票中，收盘价仍为涨停的股票数量占比[18]。具体公式为： $$封板率=最高价涨停且收盘涨停的股票数/最高价涨停的股票数$$[18] 2. **模型名称**：连板率模型[18] **模型构建思路**：通过计算连续涨停股票的比例，来度量市场短线投机资金的活跃度和赚钱效应的持续性[18] **模型具体构建过程**：首先，筛选出上市满3个月以上的股票[18]。然后，找出前一个交易日收盘涨停的股票[18]。最后，计算这些股票中，当前交易日收盘也涨停的股票数量占比[18]。具体公式为： $$连板率=连续两日收盘涨停的股票数/昨日收盘涨停的股票数$$[18] 3. **模型名称**：大宗交易折价率模型[27] **模型构建思路**：通过计算大宗交易成交价相对于市场价格的折价幅度，来反映大资金的投资偏好和情绪，折价率高可能意味着大股东或机构减持意愿较强或对后市看法偏谨慎[27] **模型具体构建过程**：首先，获取当日所有大宗交易的成交总金额和成交股份对应的总市值（按当日市价计算）[27]。然后，用成交总金额除以总市值再减1，得到整体折价率[27]。具体公式为： $$折价率=大宗交易总成交金额/当日成交份额的总市值-1$$[27] 4. **模型名称**：股指期货年化升贴水率模型[29] **模型构建思路**：通过计算股指期货价格与现货指数价格之间的基差，并将其年化，来反映市场对未来走势的预期、对冲成本以及市场情绪[29] **模型具体构建过程**：首先，计算基差，即股指期货主力合约价格减去其标的现货指数价格[29]。然后，将基差除以现货指数价格，得到相对基差[29]。最后，考虑合约剩余期限，将相对基差年化处理[29]。具体公式为： $$年化贴水率=基差/指数价格*(250/合约剩余交易日数)$$[29] **模型评价**：年化升贴水率是影响股指对冲成本的关键因素，升水时对冲成本较低，贴水时对冲成本较高[29] 模型的回测效果 1. 封板率模型，2025年12月18日指标值为70%[18] 2. 连板率模型，2025年12月18日指标值为36%[18] 3. 大宗交易折价率模型，近半年平均折价率指标值为6.64%[27]；2025年12月17日指标值为7.59%[27] 4. 股指期货年化升贴水率模型，近一年中证500股指期货主力合约年化贴水率中位数指标值为11.22%[29]；近一年中证1000股指期货主力合约年化贴水率中位数指标值为13.61%[29]；2025年12月18日上证50股指期货主力合约年化贴水率指标值为29.32%[29]；2025年12月18日沪深300股指期货主力合约年化贴水率指标值为13.14%[29]；2025年12月18日中证500股指期货主力合约年化升水率指标值为0.58%[29]；2025年12月18日中证1000股指期货主力合约年化升水率指标值为10.30%[29] 量化因子与构建方式 1. **因子名称**：昨日涨停股今日收益因子[15] **因子构建思路**：通过计算前一日涨停股票在次日的平均收益率，来观察涨停板股票的短期动量效应或溢价情况[15] **因子具体构建过程**：首先，筛选出上市满3个月以上且前一个交易日收盘涨停的股票[15]。然后，计算这些股票在当前交易日的收盘收益率，并求其平均值[15]。 2. **因子名称**：昨日跌停股今日收益因子[15] **因子构建思路**：通过计算前一日跌停股票在次日的平均收益率，来观察跌停板股票的短期反转效应或情绪修复情况[15] **因子具体构建过程**：首先，筛选出上市满3个月以上且前一个交易日收盘跌停的股票[15]。然后，计算这些股票在当前交易日的收盘收益率，并求其平均值[15]。 3. **因子名称**：两融余额占比因子[23] **因子构建思路**：通过计算融资融券余额占市场流通市值的比例，来度量杠杆资金在市场的总体规模和参与程度[23] **因子具体构建过程**：首先，获取市场的总融资融券余额[20][23]。然后，获取市场的总流通市值[23]。最后，计算两融余额与流通市值的比值[23]。 4. **因子名称**：两融交易占比因子[23] **因子构建思路**：通过计算融资买入与融券卖出总额占市场总成交额的比例，来反映杠杆资金的交易活跃度[23] **因子具体构建过程**：首先，获取市场的总融资买入额和融券卖出额[23]。然后，获取市场的总成交额[23]。最后，计算两融交易额与市场总成交额的比值[23]。 5. **因子名称**：ETF折溢价因子[24] **因子构建思路**：通过计算ETF场内交易价格与其基金份额参考净值（IOPV）的偏离度，来捕捉市场套利机会和投资者情绪[24] **因子具体构建过程**：首先，筛选日成交额超过100万元的境内交易股票型ETF[24]。然后，计算每只ETF的折溢价率，公式为：(场内交易价格 / IOPV - 1) * 100%[24]。 6. **因子名称**：机构调研热度因子[31] **因子构建思路**：通过统计近期对上市公司进行调研的机构数量，来反映机构投资者对特定公司的关注度，可能隐含了基本面或事件性的投资机会[31] **因子具体构建过程**：统计近7天内（或近一周）对某家上市公司进行调研或参与分析师会议的机构家数[31]。 7. **因子名称**：龙虎榜机构净流入因子[37] **因子构建思路**：通过计算龙虎榜上机构专用席位买入与卖出某只股票的净差额，来观察机构资金对当日异动个股的买卖方向和力度[37] **因子具体构建过程**：首先，获取当日上榜龙虎榜的股票数据[37]。然后，针对每只股票，汇总其所有机构专用席位的买入总额和卖出总额[37]。最后，计算买入总额与卖出总额的差值，得到机构净流入金额[37]。 8. **因子名称**：龙虎榜陆股通净流入因子[38] **因子构建思路**：通过计算龙虎榜上陆股通席位买入与卖出某只股票的净差额，来观察北向资金对当日异动个股的买卖方向和力度[38] **因子具体构建过程**：首先，获取当日上榜龙虎榜的股票数据[38]。然后，针对每只股票，汇总其所有陆股通席位的买入总额和卖出总额[38]。最后，计算买入总额与卖出总额的差值，得到陆股通净流入金额[38]。 因子的回测效果 1. 昨日涨停股今日收益因子，2025年12月18日指标值为3.16%[15] 2. 昨日跌停股今日收益因子，2025年12月18日指标值为-0.54%[15] 3. 两融余额占比因子，近一年平均水平指标值约为2.4%[23]；2025年12月17日指标值为2.6%[23] 4. 两融交易占比因子，近一年平均水平指标值约为9.8%[23]；2025年12月17日指标值为10.1%[23] 5. ETF折溢价因子，2025年12月17日溢价最多的是现金流ETF永赢，指标值为0.90%[24]；2025年12月17日折价最多的是材料ETF，指标值为-0.84%[24] 6. 机构调研热度因子，近一周（截至2025年12月18日）调研机构最多的长安汽车，指标值为214家[31] 7. 龙虎榜机构净流入因子，2025年12月18日机构净流入前十的股票包括雪人集团、通宇通讯等[37] 8. 龙虎榜陆股通净流入因子，2025年12月18日陆股通净流入前十的股票包括天银机电、美年健康等[38]

量化因子与构建方式 1. **因子名称：大小盘风格** [13] * **因子构建思路**：通过比较不同市值风格指数的表现差异，来判断市场整体是偏向大盘股还是小盘股。[11] * **因子具体构建过程**：报告未提供具体的计算公式，但通常构建方式为计算大盘指数（如上证50、沪深300）与小盘指数（如中证1000、国证2000）的收益率之差或比值。当差值或比值为正时，表示大盘风格占优；为负时，表示小盘风格占优。[11][13] 2. **因子名称：价值成长风格** [13] * **因子构建思路**：通过比较价值风格指数与成长风格指数的表现差异，来判断市场整体是偏向价值股还是成长股。[11] * **因子具体构建过程**：报告未提供具体的计算公式，但通常构建方式为计算价值风格指数（如沪深300价值）与成长风格指数（如沪深300成长）的收益率之差或比值。当差值或比值为正时，表示价值风格占优；为负时，表示成长风格占优。[11][13] 3. **因子名称：大小盘风格波动** [13] * **因子构建思路**：衡量大小盘风格轮动的剧烈程度，波动上升表明风格切换频繁且幅度大。[11] * **因子具体构建过程**：报告未提供具体的计算公式，但通常构建方式为计算大小盘风格因子（如上述大小盘风格因子的收益率序列）在特定时间窗口（如过去20个交易日）内的波动率（如标准差）。[11][13] 4. **因子名称：价值成长风格波动** [13] * **因子构建思路**：衡量价值成长风格轮动的剧烈程度，波动上升表明风格切换频繁且幅度大。[11] * **因子具体构建过程**：报告未提供具体的计算公式，但通常构建方式为计算价值成长风格因子（如上述价值成长风格因子的收益率序列）在特定时间窗口（如过去20个交易日）内的波动率（如标准差）。[11][13] 5. **因子名称：行业指数超额收益离散度** [13] * **因子构建思路**：衡量不同行业间超额收益的差异程度，离散度高表明行业表现分化明显。[11] * **因子具体构建过程**：报告未提供具体的计算公式，但通常构建方式为计算各行业指数相对于市场基准（如万得全A）的超额收益率，然后计算这些超额收益率序列的截面标准差或极差。[11][13] 6. **因子名称：行业轮动度量** [13] * **因子构建思路**：衡量行业轮动的速度，数值高表明行业领涨领跌切换频繁。[11] * **因子具体构建过程**：报告未提供具体的计算公式，但常见构建方式包括计算相邻两期行业收益率排名的Spearman秩相关系数，或计算行业收益率排名的变动幅度。[11][13] 7. **因子名称：成分股上涨比例** [13] * **因子构建思路**：统计市场或特定指数中上涨股票的数量占比，反映市场的广度和赚钱效应。[11] * **因子具体构建过程**：报告未提供具体的计算公式，通常构建方式为：在特定指数（如沪深300）的成分股中，计算当日收盘价高于前一日收盘价的股票数量，再除以成分股总数量。[11][13] 8. **因子名称：前100个股成交额占比** [13] * **因子构建思路**：衡量市场成交额向头部个股集中的程度，占比上升表明交易集中度提高。[11] * **因子具体构建过程**：报告未提供具体的计算公式，通常构建方式为：计算全市场（或特定范围）成交额排名前100的个股的成交额之和，再除以全市场（或该范围）的总成交额。[11][13] 9. **因子名称：前5行业成交额占比** [13] * **因子构建思路**：衡量市场成交额向头部行业集中的程度，占比下降表明行业间交易热度趋于分散。[11] * **因子具体构建过程**：报告未提供具体的计算公式，通常构建方式为：计算各行业（按申万或中信行业分类）的总成交额，取成交额排名前5的行业，计算其成交额之和，再除以全市场总成交额。[11][13] 10. **因子名称：指数波动率** [13] * **因子构建思路**：衡量市场整体价格波动的剧烈程度，是市场风险的重要度量指标。[12] * **因子具体构建过程**：报告未提供具体的计算公式，通常构建方式为计算市场主要指数（如上证指数、沪深300）日收益率在特定时间窗口（如过去20个交易日）内的年化标准差。[12][13] 11. **因子名称：指数换手率** [13] * **因子构建思路**：衡量市场交易的活跃程度，换手率高表明市场交易活跃，资金进出频繁。[12] * **因子具体构建过程**：报告未提供具体的计算公式，通常构建方式为计算全市场（或特定指数）的总成交金额与其总流通市值的比值。[12][13] 12. **因子名称：趋势强度** [33] * **因子构建思路**：衡量商品期货价格趋势的明确性和持续性，强度高表明趋势明确，适合趋势跟踪策略。[26] * **因子具体构建过程**：报告未提供具体的计算公式，但通常构建方式可以基于南华商品指数或其各板块指数的价格序列，计算特定时间窗口内的动量指标（如过去N日的收益率）或趋势跟踪指标（如均线排列、ADX等）。[26][33] 13. **因子名称：市场波动水平** [33] * **因子构建思路**：衡量商品期货市场价格的波动剧烈程度。[26] * **因子具体构建过程**：报告未提供具体的计算公式，通常构建方式为计算南华商品指数或其各板块指数日收益率在特定时间窗口内的年化标准差。[26][33] 14. **因子名称：市场流动性** [33] * **因子构建思路**：衡量商品期货市场的交易活跃度和资金容量。[26] * **因子具体构建过程**：报告未提供具体的计算公式，通常构建方式可以基于各商品期货品种的成交额、持仓量等数据，进行加权或标准化后合成板块或市场整体的流动性指标。[26][33] 15. **因子名称：期限结构（基差动量）** [33] * **因子构建思路**：通过期货合约基差（现货价格与期货价格之差）的变化来反映市场对未来供需的预期变化，基差动量上升可能表明现货相对走强或近月合约相对走强。[26] * **因子具体构建过程**：报告未提供具体的计算公式，通常构建方式为计算主力合约与次主力合约的价差，或计算近月合约与远月合约的价差，并观察其变化率（动量）。[26][33] 16. **因子名称：期权隐含波动率** [37] * **因子构建思路**：从期权市场价格中反推出的市场对未来标的资产波动率的预期，是衡量市场情绪和风险偏好的重要指标。[37] * **因子具体构建过程**：报告未提供具体的计算公式，通常由期权定价模型（如Black-Scholes模型）反推得出，跟踪特定指数（如上证50、中证1000）平值期权的隐含波动率。[37] 17. **因子名称：期权波动率偏度** [37] * **因子构建思路**：衡量不同行权价看跌期权隐含波动率的差异，反映了市场对下行风险的担忧程度。看跌期权偏度上升，通常意味着市场对下跌的保护需求增加。[37] * **因子具体构建过程**：报告未提供具体的计算公式，通常构建方式为计算虚值看跌期权与平值期权的隐含波动率之差，或观察隐含波动率微笑曲线的形态。[37] 18. **因子名称：百元转股溢价率** [41] * **因子构建思路**：衡量可转债价格相对于其转股价值的溢价程度，是评估可转债估值高低的核心指标。[41] * **因子具体构建过程**：报告未提供具体的计算公式，通常构建方式为：（可转债市场价格 - 转股价值） / 转股价值 * 100%。其中，转股价值 = （100 / 转股价） * 正股价格。[41] 19. **因子名称：纯债溢价率** [41] * **因子构建思路**：衡量可转债的债性，即其价格相对于其纯债价值的溢价，反映了其债券底部的保护程度。[41] * **因子具体构建过程**：报告未提供具体的计算公式，通常构建方式为：（可转债市场价格 - 纯债价值） / 纯债价值 * 100%。纯债价值是将可转债视为普通债券，用现金流贴现法计算得出的价值。[41] 20. **因子名称：低转股溢价率转债占比** [41] * **因子构建思路**：统计市场上转股溢价率处于低水平的可转债数量占比，反映市场整体股性较强或偏股型转债的丰富度。[41] * **因子具体构建过程**：报告未提供具体的计算公式，通常构建方式为：设定一个转股溢价率阈值（如10%或20%），计算全市场中转股溢价率低于该阈值的可转债数量，再除以可转债总数量。[41] 因子的回测效果 （注：本报告为市场环境跟踪周报，主要展示各因子在报告期（2025.12.08-2025.12.12）的取值方向或状态变化，未提供长期历史回测的定量指标（如年化收益率、夏普比率、IC值等）。以下为报告期各因子的表现简评汇总。） 1. **大小盘风格因子**，表现偏向小盘[11][13] 2. **价值成长风格因子**，表现偏向成长[11][13] 3. **大小盘风格波动因子**，波动下降[11][13] 4. **价值成长风格波动因子**，波动上升[11][13] 5. **行业指数超额收益离散度因子**，离散度下降[11][13] 6. **行业轮动度量因子**，轮动速度下降[11][13] 7. **成分股上涨比例因子**，上涨比例下降[11][13] 8. **前100个股成交额占比因子**，占比上升[11][13] 9. **前5行业成交额占比因子**，占比下降[11][13] 10. **指数波动率因子**，波动率下降[12][13] 11. **指数换手率因子**，换手率下降[12][13] 12. **趋势强度因子**，趋势强度上升（贵金属、有色板块较高）[26][33] 13. **市场波动水平因子**，能化板块波动率下降，其他板块上升[26][33] 14. **市场流动性因子**，黑色板块流动性下降，其他板块抬升[26][33] 15. **期限结构（基差动量）因子**，能化板块基差动量上升，其他板块下降[26][33] 16. **期权隐含波动率因子**，上证50与中证1000隐含波动率进一步下探[37] 17. **期权波动率偏度因子**，上证50看跌期权偏度下降，中证1000看跌期权偏度上升[37] 18. **百元转股溢价率因子**，维持在高位，变化较小[41] 19. **纯债溢价率因子**，有所降低[41] 20. **低转股溢价率转债占比因子**，再度下降，处于偏低水平[41]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：连阴连阳天数因子**[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**：从指定起始日开始，逐日判断指数收盘价相对于前一日收盘价的涨跌。若当日上涨，则连阳天数计数器加1，连阴天数计数器清零；若当日下跌，则连阴天数计数器加1（以负数表示），连阳天数计数器清零。最终输出一个带符号的整数，正数表示连阳天数，负数表示连阴天数[12]。 2. **因子名称：指数相对均线位置因子**[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，判断指数短期、中期和长期的趋势强度及突破状态[15][16]。 * **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（MA）。然后计算收盘价相对于各均线的百分比偏离度。公式为： $$相对均线位置 = \frac{收盘价 - 移动平均线}{移动平均线} \times 100\%$$ 例如，`vsMA5` 表示收盘价相对于5日均线的偏离百分比[16]。 3. **因子名称：指数换手率因子**[18] * **因子构建思路**：通过计算指数成分股的加权平均换手率，衡量整个指数的交易活跃度[18]。 * **因子具体构建过程**：对指数内所有成分股，以其流通股本为权重，对个股换手率进行加权平均。公式为： $$指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$$ 该值直接反映了指数整体的交易活跃程度[18]。 4. **因子名称：收益分布形态因子（峰度与偏度）**[24][26] * **因子构建思路**：通过计算指数日收益率分布的峰度和偏度，刻画收益分布的尖峰肥尾特征和不对称性，以衡量极端风险和收益偏向[24][26]。 * **因子具体构建过程**：基于指数在过去一段时间（如近5年）的日收益率序列，计算其峰度（Kurtosis）和偏度（Skewness）。报告中采用的峰度为超额峰度（Excess Kurtosis），即在计算出的峰度值基础上减去正态分布的峰度值3。公式分别为： $$样本偏度 = \frac{\frac{1}{n}\sum_{i=1}^{n}(r_i - \bar{r})^3}{[\frac{1}{n}\sum_{i=1}^{n}(r_i - \bar{r})^2]^{3/2}}$$ $$样本峰度 = \frac{\frac{1}{n}\sum_{i=1}^{n}(r_i - \bar{r})^4}{[\frac{1}{n}\sum_{i=1}^{n}(r_i - \bar{r})^2]^{2}} - 3$$ 其中，$r_i$ 为日收益率，$\bar{r}$ 为收益率均值，$n$ 为样本数[26]。 5. **因子名称：风险溢价因子**[28][32] * **因子构建思路**：以指数预期收益率与无风险利率（十年期国债即期收益率）之差作为风险溢价，衡量投资权益资产相对于无风险资产的超额回报补偿[28][32]。 * **因子具体构建过程**：风险溢价通常基于估值模型（如股息贴现模型）或历史均值估算。报告中展示的是当前风险溢价及其历史分位值。其核心计算可简化为： $$风险溢价 ≈ 指数预期收益率 - 无风险利率$$ 报告中进一步计算了当前风险溢价在近1年和近5年历史序列中的分位值，以及相对于历史均值加减1倍、2倍标准差的偏离程度[32]。 6. **因子名称：PE-TTM估值因子**[40][43][44] * **因子构建思路**：使用滚动市盈率（PE-TTM）作为估值指标，并通过其历史分位值判断当前估值水平的高低[40][43]。 * **因子具体构建过程**：计算指数总市值与其成分股过去12个月（TTM）净利润总和的比值，得到PE-TTM。公式为： $$PE-TTM = \frac{指数总市值}{\sum(成分股过去12个月净利润)}$$ 然后，将当前PE-TTM值放入其近1年、近5年或全部历史数据序列中，计算其所处的百分比分位值[44]。 7. **因子名称：股债性价比因子**[47] * **因子构建思路**：将股票资产的潜在收益率（用PE-TTM的倒数，即盈利收益率代表）与债券收益率（十年期国债即期收益率）进行比较，以判断股票相对于债券的吸引力[47]。 * **因子具体构建过程**：计算指数的盈利收益率与十年期国债收益率之差。公式为： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 该差值越大，表明股票相对于债券的性价比越高[47]。 8. **因子名称：股息率因子**[49][54] * **因子构建思路**：通过指数成分股现金分红回报率，衡量指数的红利收益水平，适用于红利投资风格分析[49]。 * **因子具体构建过程**：计算指数成分股过去12个月现金分红总额与指数总市值的比值。公式为： $$股息率 = \frac{\sum(成分股过去12个月现金分红总额)}{指数总市值} \times 100\%$$ 同样，报告中也计算了当前股息率在近1年、近5年等历史序列中的分位值[54]。 9. **因子名称：破净率因子**[55][58] * **因子构建思路**：通过计算指数中市净率（PB）小于1的个股占比，反映市场整体的低估或悲观程度[55][58]。 * **因子具体构建过程**：遍历指数所有成分股，判断其市净率（股价/每股净资产）是否小于1。统计破净个股数量，并计算其占指数总成分股数量的比例。公式为： $$破净率 = \frac{破净个股数量}{指数成分股总数量} \times 100\%$$ 该比率越高，表明市场整体估值越低，悲观情绪可能越浓[58]。 因子的回测效果 （注：本报告主要为市场数据跟踪与因子现状展示，未提供基于历史数据的统一回测绩效指标（如年化收益率、夏普比率、信息比率IR等）。报告中的“测试结果”主要表现为各因子在特定截止日（2025年12月17日）的截面取值或状态描述。） 1. **连阴连阳天数因子**：截至2025年12月17日，中证500和创业板指为4连阳，中证1000为3连阴，中证2000为2连阴[12]。 2. **指数相对均线位置因子**：截至2025年12月17日，除中证1000和中证2000外，其余指数收盘价均高于其5日及20日均线；创业板指是唯一高于60日均线的指数[15][16]。 3. **指数换手率因子**：截至2025年12月17日，中证2000换手率最高（3.88），上证50换手率最低（0.23）[18]。 4. **收益分布形态因子**：截至报告期，创业板指峰度负偏离近5年水平最大（-2.43），中证1000最小（-1.56）；上证50和创业板指负偏态最大（均为-0.60），中证1000和中证2000最小（均为-0.40）[24][26]。 5. **风险溢价因子**：截至2025年12月17日，创业板指风险溢价近5年分位值最高（97.14%），中证2000最低（69.05%）；当前风险溢价均超过近1年均值加1倍标准差，其中创业板指超出最多（1.39%）[30][32]。 6. **PE-TTM估值因子**：截至2025年12月17日，中证500近5年分位值最高（95.04%），创业板指最低（57.69%）；当前PE-TTM普遍高于近1年均值减1倍标准差[43][44]。 7. **股债性价比因子**：截至报告期，没有指数高于其近5年80%分位（机会值），中证500低于其近5年20%分位（危险值）[47]。 8. **股息率因子**：截至2025年12月17日，创业板指近5年分位值最高（63.22%），中证500最低（24.55%）；当前股息率普遍低于近1年均值[52][54]。 9. **破净率因子**：截至报告期，上证50破净率最高（22.0%），中证2000最低（3.8%），创业板指未提供数据[58]。

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[17]** * **因子构建思路：** 用于衡量股票涨停的“质量”或强度，即那些盘中触及涨停的股票，最终能成功封住涨停的比例[17]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票[17]。 2. 在每个交易日，识别出盘中最高价达到涨停价的股票[17]。 3. 在这些股票中，进一步筛选出收盘价仍为涨停价的股票[17]。 4. 计算封板率，公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[17] 2. **因子名称：连板率[17]** * **因子构建思路：** 用于衡量市场涨停效应的持续性，即昨日涨停的股票在今日继续涨停的比例[17]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票[17]。 2. 在每个交易日，识别出昨日收盘涨停的股票[17]。 3. 在这些股票中，进一步筛选出今日收盘也涨停的股票[17]。 4. 计算连板率，公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[17] 3. **因子名称：大宗交易折价率[26]** * **因子构建思路：** 通过大宗交易成交价与市场价格的差异来反映大资金的交易偏好和市场情绪，折价通常意味着卖方愿意以低于市价的价格出售[26]。 * **因子具体构建过程：** 1. 获取当日所有大宗交易的成交总金额和成交份额对应的总市值[26]。 2. 计算折价率，公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[26] 3. 该值为负表示折价交易，为负的程度越大，折价幅度越高[26]。 4. **因子名称：股指期货年化贴水率[28]** * **因子构建思路：** 衡量股指期货价格与现货指数价格之间的差异（基差），并将其年化以反映市场对未来走势的预期和对冲成本[28]。贴水（基差为负）通常隐含了市场对未来相对悲观的预期或较高的对冲成本[28]。 * **因子具体构建过程：** 1. 计算基差：股指期货价格减去现货指数价格[28]。 2. 计算年化贴水率，公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[28] 3. 该值为正表示期货升水（未来价格预期更高或对冲成本低），为负表示期货贴水（未来价格预期更低或对冲成本高）[28]。 因子的回测效果 1. **封板率因子**，2025年12月17日取值：**72%**[17] 2. **连板率因子**，2025年12月17日取值：**22%**[17] 3. **大宗交易折价率因子** * 近半年以来平均取值：**6.63%**[26] * 2025年12月16日当日取值：**4.62%**[26] 4. **股指期货年化贴水率因子** (2025年12月17日数据) * **上证50股指期货**：年化贴水率 **-18.71%** (处于近一年来2%分位点)[28] * **沪深300股指期货**：年化贴水率 **-4.57%** (处于近一年来41%分位点)[28] * **中证500股指期货**：年化升水率 **15.70%** (处于近一年来100%分位点)[28] * **中证1000股指期货**：年化升水率 **10.74%** (处于近一年来100%分位点)[28]

量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[12][43] * **模型构建思路**：为准确计算股指期货的升贴水幅度，必须考虑指数成分股分红除息导致价格指数点位自然滑落的影响，因此需要构建模型来预测从当前时刻到期货合约到期日之间，指数因分红而损失的点数[12][43] * **模型具体构建过程**：模型的核心是计算在特定时间窗口内，所有成分股分红对指数点位的总影响。具体流程如下[43][44][46]： 1. **获取基础数据**：获取指数成分股列表、个股权重、个股总市值和指数收盘价[48]。 2. **判断与预测分红信息**：对每只成分股进行如下操作[46]： * 若公司已公布分红金额，则直接采用；若同时公布了除息日，则直接采用，否则预测其除息日[46]。 * 若公司未公布分红金额，则需预测其分红金额。分红金额可分解为净利润与股息支付率的乘积，因此需分别预测净利润和股息支付率，再预测除息日[46][51]。 3. **计算分红点数**：对于在时间窗口 `(t, T]` 内有除息日的成分股，其贡献的分红点数计算公式为： $$分红点数 = \sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$$ 其中，`N` 为指数成分股数量，要求个股除息日满足 `t < 除息日 ≤ T`[43]。 * **模型评价**：该模型通过精细化处理成分股权重、净利润、股息支付率和除息日等核心指标的预测，旨在提高分红点位预测的准确性[12][43]。回测显示，模型对上证50和沪深300指数的预测准确度较高，误差基本在5个点左右；对中证500指数的预测误差稍大，但也基本稳定在10个点左右[65]。 2. **因子名称：年化已实现股息率与剩余股息率**[17] * **因子构建思路**：为了动态跟踪指数成分股在当年已兑现的分红收益以及未来尚待兑现的预期分红收益，分别计算“已实现股息率”和“剩余股息率”[17]。 * **因子具体构建过程**： 1. **已实现股息率**：计算从年初至当前时点，指数成分股中已实施现金分红的公司所带来的股息收益率的加权和。公式表示为： $$全年已实现股息率 = \sum_{i=1}^{N_1} \frac{个股已分红金额}{个股总市值} \times 个股权重$$ 其中，`N1` 表示指数成分股中今年已现金分红的公司数量[17]。 2. **剩余股息率**：计算在当前时点之后，指数成分股中尚未分红但预计将进行分红的公司所带来的预期股息收益率的加权和。公式表示为： $$剩余股息率 = \sum_{i=1}^{N_2} \frac{个股预计分红金额}{个股总市值} \times 个股权重$$ 其中，`N2` 表示指数成分股中尚未现金分红的公司数量[17]。 3. **因子名称：年化升贴水幅度**[13] * **因子构建思路**：在扣除指数分红影响后，计算股指期货合约价格相对于其标的指数价格的偏离程度，并将其年化，以衡量期货合约的溢价或折价水平，反映市场情绪与风险偏好[12][13]。 * **因子具体构建过程**： 1. 计算扣除分红影响后的期货合约与指数的实际价差（含分红价差）[13]。 2. 使用该价差除以指数价格，得到即期升贴水率[13]。 3. 将即期升贴水率进行年化处理，公式为： $$年化升贴水 = \frac{含分红价差}{指数收盘价} \times \frac{365}{到期天数}$$ 其中，“到期天数”为从当前日期至期货合约到期日的自然日天数[13]。 模型的回测效果 1. **股指分红点位测算模型**，2023年预测误差（上证50/沪深300）约5个点以内，2023年预测误差（中证500）约10个点以内[65] 2. **股指分红点位测算模型**，2024年预测误差（上证50/沪深300）约5个点以内，2024年预测误差（中证500）约10个点以内[65] 量化因子与构建方式 1. **因子名称：动态成分股权重**[49][50] * **因子构建思路**：由于指数成分股的权重会随股价涨跌每日变化，而数据提供商通常只提供月末权重，为了更精确地计算分红影响，需要对日度个股权重进行动态估算或采用精确数据[49][50]。 * **因子具体构建过程**： * **估算方法**：假设最近一次公布权重日期为 `t_0`，该日成分股 `n` 的权重为 `w_n0`。从 `t_0` 到当前日期 `t`，个股 `n` 的非复权涨跌幅为 `r_n`，则当前日度的估算权重为： $$W_{n,t}={\frac{w_{n0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{i})}}$$ * **精确获取方法**：为规避成分股调整、解禁等事件导致的估算偏差，直接采用中证指数公司每日披露的日度收盘权重数据[50]。 2. **因子名称：个股净利润预测（基于历史分布动态预测法）**[51][54] * **因子构建思路**：对于未公布年报、快报或业绩预告的公司，需要预测其年度净利润以用于分红金额估计。该方法根据公司历史盈利分布的稳定性进行分类预测[54]。 * **因子具体构建过程**： 1. 若公司已公布年报、快报或业绩预告，则直接采用已公布的归母净利润数据（业绩预告取上下限均值）[52]。 2. 若公司未披露相关报告，则根据其历史季度盈利分布稳定性进行分类[54]： * **盈利分布稳定的公司**：按照其历史盈利分布规律进行预测[54]。 * **盈利分布不稳定的公司**：使用其上一年同期的盈利数据作为预测值[54]。 3. **因子名称：股息支付率预测**[55][57] * **因子构建思路**：利用公司历史股息支付行为的连续性或稳定性，来预测本年度的股息支付率[55]。 * **因子具体构建过程**： 1. 若公司去年进行了分红，则以去年的股息支付率作为今年的预测值[57]。 2. 若公司去年未分红，则以最近3年的平均股息支付率作为预测值[57]。 3. 若公司过去从未分红，则默认今年不分红[57]。 4. 当预测的股息支付率大于100%时，进行截尾处理（设为100%）[57]。 4. **因子名称：除息日预测（基于历史间隔天数稳定性的线性外推法）**[55][60] * **因子构建思路**：在分红金额确定或预测后，需要预测分红除息的具体日期。该方法依据公司已披露的信息和历史行为模式，通过判断关键日期间隔的稳定性进行外推或采用默认日期[55][60]。 * **因子具体构建过程**： 1. 若公司已公布除息日，则直接采用[60]。 2. 若未公布，则根据公司是否已公布分红预案进行判断[60]： * **已公布预案**：判断公司处于“预案”还是“决案”阶段。分析过去三年从“预案公告日”到“除息日”（或“股东大会公告日”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与今年的对应公告日进行线性外推；若不稳定，则采用历史分红日期判断[60]。 * **未公布预案**：判断去年或前年是否分红，并采用对应的历史分红日期作为估计。若历史日期不合理（如在当前日前或距离太短），则采用默认日期[60]。 3. **默认日期规则**：基于大部分公司在7月底前分红的现象，设定默认日期。若预测日在7月21日前，设为7月31日；在7月22日至8月21日间，设为8月31日；否则设为9月30日[60]。 4. 若公司过去两年均未分红，则直接采用默认日期[60]。 因子的回测效果 *(注：报告未提供单个因子的独立测试结果取值，仅展示了整合模型后的整体预测精度。)*

量化模型与构建方式 1. **模型名称：Fama五因子模型**[34][36][37][38] * **模型构建思路**：该模型用于对基金或投资组合的收益进行归因分析，将收益分解为市场风险溢价、市值因子、账面市值比因子、盈利因子和投资因子五个系统性风险因子的暴露以及无法被这些因子解释的特质收益（Alpha）[34][37]。 * **模型具体构建过程**：模型通过多元线性回归，将投资组合的超额收益对五个因子的收益率进行回归。具体公式如下： $$R_{p,t} - R_{f,t} = \alpha_p + \beta_{MKT,p}MKT_t + \beta_{SMB,p}SMB_t + \beta_{HML,p}HML_t + \beta_{RMW,p}RMW_t + \beta_{CMA,p}CMA_t + \epsilon_{p,t}$$ 其中： * $R_{p,t} - R_{f,t}$ 表示投资组合在t期的超额收益。 * $\alpha_p$ 是模型的截距项，代表投资组合的特质收益（Alpha）。 * $MKT_t$ 是市场因子，代表市场投资组合的超额收益。 * $SMB_t$ 是规模因子，代表小市值股票组合与大市值股票组合的收益之差。 * $HML_t$ 是价值因子，代表高账面市值比股票组合与低账面市值比股票组合的收益之差。 * $RMW_t$ 是盈利因子，代表高盈利股票组合与低盈利股票组合的收益之差。 * $CMA_t$ 是投资因子，代表低投资水平股票组合与高投资水平股票组合的收益之差。 * $\beta$ 系数代表投资组合对各因子的敏感度（暴露）。 * $\epsilon_{p,t}$ 是残差项。 * **模型评价**：该模型被用于分析东吴移动互联A基金的收益来源和风险构成，结果显示其超额收益主要来自个股特异性Alpha而非系统性风格暴露，表明基金具备较强的个股选择能力[37]。同时，模型也揭示了基金在价值因子上的负向暴露以及市场因子是其主要风险来源[34][38]。 模型的回测效果 1. **Fama五因子模型**，市场因子敏感度（近三个月、近六个月、近一年、近三年）均显著为正[34] 2. **Fama五因子模型**，价值因子敏感度在各时间窗口均显著为负[34] 3. **Fama五因子模型**，规模因子和投资因子敏感度长期表现疲弱[34] 4. **Fama五因子模型**，特质收益（Alpha）在各时间窗口均为正向贡献，是基金超额收益的主要来源[37] 5. **Fama五因子模型**，市场因子风险贡献（近三年）约为1.98，是主要风险来源[38] 6. **Fama五因子模型**，价值因子风险贡献（近三个月）高达2.42[38] 7. **Fama五因子模型**，特质风险（非系统性，近三年）达1.96[38] 量化因子与构建方式 1. **因子名称：市场因子（MKT）**[34][36][37][38] * **因子构建思路**：衡量市场整体风险溢价，即承担市场系统性风险所获得的补偿。 * **因子具体构建过程**：通常以全市场股票市值加权组合的收益率减去无风险利率（如国债收益率）来计算。 2. **因子名称：规模因子（SMB）**[34][36] * **因子构建思路**：衡量市值规模效应，即小市值公司股票相对于大市值公司股票的超额收益。 * **因子具体构建过程**：将股票按总市值排序，构建小市值股票组合和大市值股票组合，计算两者收益率之差。 3. **因子名称：价值因子（HML）**[34][36][38] * **因子构建思路**：衡量价值效应，即高账面市值比（被认为更“便宜”）的股票相对于低账面市值比（更“贵”）股票的超额收益。 * **因子具体构建过程**：将股票按账面市值比排序，构建高账面市值比股票组合和低账面市值比股票组合，计算两者收益率之差。 4. **因子名称：盈利因子（RMW）**[34][36] * **因子构建思路**：衡量盈利能力效应，即高盈利公司股票相对于低盈利公司股票的超额收益。 * **因子具体构建过程**：将股票按盈利能力（如营业利润率）排序，构建高盈利股票组合和低盈利股票组合，计算两者收益率之差。 5. **因子名称：投资因子（CMA）**[34][36] * **因子构建思路**：衡量投资水平效应，即低投资（保守）公司股票相对于高投资（激进）公司股票的超额收益。 * **因子具体构建过程**：将股票按投资水平（如资产增长率）排序，构建低投资股票组合和高投资股票组合，计算两者收益率之差。 因子的回测效果 *（注：本报告未提供上述五个基础因子独立的回测表现指标（如IC、IR等）。报告主要展示了基金对这些因子的暴露情况和因子对基金收益/风险的贡献度，这些内容已在“模型的回测效果”部分总结。）*

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，以识别市场情绪过热或过冷的行业[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、所使用的指标或计算公式。 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，来识别当前溢价率相对于其历史水平的偏离程度，从而筛选出存在潜在套利机会或回调风险的ETF产品[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，但提及了核心指标为“溢价率 Z-score”。通常，此类模型的构建过程可能包含以下步骤： 1. 计算ETF的日度溢价率：$$溢价率 = (ETF市价 - IOPV) / IOPV \times 100\%$$ 其中，IOPV为基金份额参考净值。 2. 选取一个滚动时间窗口（例如过去60个交易日），计算该窗口内溢价率的均值($$\mu$$)和标准差($$\sigma$$)。 3. 计算当前溢价率的Z-score值：$$Z_t = \frac{PremiumRate_t - \mu}{\sigma}$$ 其中，$$PremiumRate_t$$为当前交易日的溢价率。 4. 设定阈值（如Z-score > 2或 < -2），当Z-score超过阈值时，生成相应的关注或警示信号。 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**：综合多个市场维度（如交易活跃度、价格动量、估值水平等）来度量一个行业是否处于交易过度拥挤的状态[3]。 * **因子具体构建过程**：报告未详细说明该因子的具体构建方法、合成指标或计算公式。仅展示了最终结果（热力图）[9]。 2. **因子名称：主力资金净流入额**[3][10] * **因子构建思路**：跟踪大额资金（主力资金）在行业层面的净流入或净流出情况，以判断资金的动向和偏好[3]。 * **因子具体构建过程**：报告直接使用了Wind等数据提供商计算的主力资金净流入额数据，未说明其具体算法。通常，该因子基于逐笔成交数据，通过识别大单买卖来估算主力资金的流向[10]。 3. **因子名称：ETF资金净流入**[5][6] * **因子构建思路**：跟踪资金流入或流出特定ETF产品的规模，反映市场对相关板块或风格的态度[5]。 * **因子具体构建过程**：报告直接引用了ETF的日度资金净流入数据。该数据通常基于ETF的份额变动和单位净值计算得出：$$日资金净流入 = (当日总份额 - 前一日总份额) \times 当日单位净值$$[6]。 4. **因子名称：IOPV溢价率**[6] * **因子构建思路**：衡量ETF交易价格与其实时净值（IOPV）之间的偏离百分比，溢价率为正表示交易价格高于净值，可能存在高估或套利机会[6]。 * **因子具体构建过程**：报告直接引用了IOPV溢价率数据。其计算公式为：$$IOPV溢价率 = \frac{ETF市价 - IOPV}{IOPV} \times 100\%$$[6]。 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，如年化收益率、夏普比率、最大回撤、信息比率IR等。） 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，如IC值、IR、多空收益、分组收益等。仅展示了因子在特定时点的截面数据或时间序列数据。）