量化模型与构建方式 1. **模型/因子名称**：FOF穿透后权益资产占比计算模型[12] * **构建思路**：为了更准确地评估FOF产品的风险收益特征，需要穿透其持有的基金资产，计算其最终投资于股票等权益资产的真实比例[12]。 * **具体构建过程**：根据FOF披露的定期报告（年报/半年报），通过其持仓的基金和股票比例来估算穿透后的权益仓位[12]。具体计算公式为： $$W=\sum_{i}Fund_{i}\times Fund\_Stock_{i}+Stock$$ 其中，`Fund_i` 表示FOF持有的基金i的规模占其自身净值的比例，`Fund_Stock_i` 表示基金i的股票投资市值占其自身净值的比例，`Stock` 表示FOF直接投资的股票市值占其自身净值的比例[12]。对于成立不足3个月的FOF，使用其基准指数对应的权益仓位作为穿透后的权益资产占比[12]。 2. **模型/因子名称**：FOF分类模型[13] * **构建思路**：基于计算出的穿透后权益资产占比，对FOF产品进行标准化分类，以便于比较和分析[13]。 * **具体构建过程**：依据穿透后的权益资产占比 `W`，将FOF分为三类[13]： * 偏债型FOF：定义为 `W < 30%` 的FOF[13]。 * 平衡型FOF：定义为 `30% ≤ W < 60%` 的FOF[13]。 * 偏股型FOF：定义为 `W ≥ 60%` 的FOF[13]。 3. **模型/因子名称**：FOF预估净增持数量因子 (ΔN)[44][45] * **构建思路**：追踪FOF基金经理对某只重仓基金的投资动态，通过计算净增持该基金的FOF数量来反映其受青睐程度的变化[43]。 * **具体构建过程**：对比相邻两个报告期（如2025Q3和2025Q4）FOF的重仓基金数据[43]。单只基金的FOF预估净增持数量计算公式为： $$\Delta N=\sum_{i}I_{i}$$ 其中，相比上一报告期，本报告期第 `i` 只FOF对重仓基金的投资份额变化大于0时 `I_i = 1`；投资份额变化小于0时 `I_i = -1`；投资份额变化等于0时 `I_i = 0`[44][45]。 4. **模型/因子名称**：FOF预估净增持规模因子 (ΔMV)[46][48] * **构建思路**：在净增持数量的基础上，进一步考虑规模因素，以衡量FOF资金流入/流出某只重仓基金的绝对量[43]。 * **具体构建过程**：对于FOF重仓的某只基金，其FOF预估净增持规模的计算公式为： $$\Delta MV=\sum_{i}\Delta uv\times\Delta Share_{i}$$ 其中，`Δuv` 表示两个报告期间重仓基金的日度单位净值均值，`ΔShare_i` 表示相比上一报告期，本报告期第 `i` 只FOF对重仓基金的投资份额变化[46][48]。 5. **模型/因子名称**：FOF预估股票调仓市值因子 (ΔMV)[69][70] * **构建思路**：追踪FOF基金经理对直接投资股票标的的买卖动态，通过计算预估调仓市值来反映其股票投资策略的变化[64]。 * **具体构建过程**：对比相邻两个报告期FOF的重仓股票数据[64]。对于FOF重仓的某只股票，其FOF预估股票调仓市值的计算公式为： $$\Delta MV=\sum_{i}Close\times\Delta Share_{i}$$ 其中，`Close` 表示两个报告期间重仓股票的日度收盘价均值，`ΔShare_i` 表示相比上一报告期，本报告期第 `i` 只FOF对重仓股票的投资股数变化[69][70]。 模型的回测效果 （注：本报告为FOF市场数据统计与观察报告，未提供量化模型或因子在历史数据上的系统性回测结果，如年化收益率、夏普比率、信息比率(IR)、最大回撤等指标。报告内容主要为各类统计榜单和规模、数量、收益中位数等描述性数据。） 量化因子与构建方式 （注：本报告主要涉及对FOF市场及持仓的统计分析，并定义了用于统计分析的几个关键指标（如上述的ΔN和ΔMV）。这些指标更接近于用于观察和排序的统计量，而非传统意义上用于选股或择时的阿尔法因子。因此，本部分内容已合并至“量化模型与构建方式”中。） 因子的回测效果 （注：同上，报告未提供因子的IC、IR、多空收益等传统因子测试结果。）

量化模型与构建方式 1. **模型名称**：封板率计算模型[16] **模型构建思路**：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强度，反映市场追涨情绪和资金封板意愿[16] **模型具体构建过程**：首先，筛选出上市满3个月以上的股票。然后，识别出在当日交易中最高价达到涨停价的股票。最后，计算这些股票中收盘价仍为涨停的股票所占的比例。具体公式为： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[16] 2. **模型名称**：连板率计算模型[16] **模型构建思路**：通过计算连续两日收盘涨停的股票数量占前一日所有涨停股票数量的比例，来衡量市场涨停效应的持续性，反映市场炒作热度的延续性[16] **模型具体构建过程**：首先，筛选出上市满3个月以上的股票。然后，找出前一日（T-1日）收盘涨停的股票。最后，计算这些股票中在当日（T日）收盘也涨停的股票所占的比例。具体公式为： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[16] 3. **模型名称**：大宗交易折价率计算模型[25] **模型构建思路**：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比例，来反映大资金通过大宗交易平台交易的折价水平，可用于观察机构或大股东的交易情绪和流动性折价[25] **模型具体构建过程**：首先，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。然后，计算所有大宗交易的总成交金额。接着，根据当日股票的收盘价（或成交均价）计算这些成交份额对应的总市值。最后，计算折价率。具体公式为： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[25] 4. **模型名称**：股指期货年化贴水率计算模型[27] **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，以标准化衡量不同期限合约的升贴水程度，用于评估市场情绪、对冲成本及期现套利机会[27] **模型具体构建过程**：首先，获取股指期货主力合约的结算价和对应的现货指数收盘价，计算基差（期货价格 - 现货价格）。然后，获取该期货合约的剩余交易日数。最后，将基差率进行年化处理。具体公式为： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[27] **模型评价**：年化贴水率是衡量股指期货市场情绪和对冲成本的关键指标，升水通常代表市场情绪乐观或对冲需求低，贴水则相反[27] 模型的回测效果 1. 封板率计算模型，2026年1月27日封板率取值71%[16] 2. 封板率计算模型，较前日变化提升10%[16] 3. 连板率计算模型，2026年1月27日连板率取值19%[16] 4. 连板率计算模型，较前日变化提升3%[16] 5. 大宗交易折价率计算模型，近半年以来平均折价率取值6.84%[25] 6. 大宗交易折价率计算模型，2026年1月26日折价率取值5.41%[25] 7. 股指期货年化贴水率计算模型（上证50），近一年以来年化贴水率中位数取值0.68%[27] 8. 股指期货年化贴水率计算模型（上证50），2026年1月27日年化升水率取值2.97%[27] 9. 股指期货年化贴水率计算模型（沪深300），近一年以来年化贴水率中位数取值3.79%[27] 10. 股指期货年化贴水率计算模型（沪深300），2026年1月27日年化升水率取值2.08%[27] 11. 股指期货年化贴水率计算模型（中证500），近一年以来年化贴水率中位数取值11.11%[27] 12. 股指期货年化贴水率计算模型（中证500），2026年1月27日年化贴水率取值0.12%[27] 13. 股指期货年化贴水率计算模型（中证1000），近一年以来年化贴水率中位数取值13.61%[27] 14. 股指期货年化贴水率计算模型（中证1000），2026年1月27日年化贴水率取值2.33%[27] 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[13] **因子构建思路**：通过计算前一日收盘涨停的股票在次日的平均收益率，来捕捉涨停板后的动量效应或反转效应，用于观察短线资金的行为模式[13] **因子具体构建过程**：首先，筛选出上市满3个月以上且在前一日（T-1日）收盘涨停的股票。然后，计算这些股票在当日（T日）的收盘收益率。最后，计算所有符合条件的股票收益率的平均值（或等权平均）。该因子是事件驱动型因子，直接观测涨停事件后的股价表现[13] 2. **因子名称**：昨日跌停股今日收益因子[13] **因子构建思路**：通过计算前一日收盘跌停的股票在次日的平均收益率，来捕捉跌停板后的反转效应或恐慌情绪的延续，用于观察市场极端抛压后的修复能力[13] **因子具体构建过程**：首先，筛选出上市满3个月以上且在前一日（T-1日）收盘跌停的股票。然后，计算这些股票在当日（T日）的收盘收益率。最后，计算所有符合条件的股票收益率的平均值（或等权平均）。该因子是事件驱动型因子，直接观测跌停事件后的股价表现[13] 3. **因子名称**：机构调研热度因子[30] **因子构建思路**：通过统计近一段时间内（如一周）对上市公司进行调研的机构数量，来衡量机构投资者对公司的关注度，通常认为关注度越高可能隐含更多未公开信息或投资机会[30] **因子具体构建过程**：首先，收集上市公司披露的投资者关系活动记录。然后，统计每家公司在一定时间窗口内（报告中为近7天）被调研的机构家数。最后，将该数量作为该公司的因子值。这是一个基于公开信息的舆情类因子[30] 4. **因子名称**：龙虎榜机构净流入因子[35] **因子构建思路**：通过计算龙虎榜披露的机构专用席位在特定股票上的净买入金额，来捕捉机构资金的短期流向，用于识别受到机构资金青睐或抛弃的个股[35] **因子具体构建过程**：首先，获取当日龙虎榜数据。然后，对于每只上榜股票，汇总其所有机构专用席位的买入总额和卖出总额。最后，计算净流入金额（买入总额 - 卖出总额）。该因子值即为股票的机构资金净流入额，是一个资金流因子[35] 5. **因子名称**：龙虎榜陆股通净流入因子[36] **因子构建思路**：通过计算龙虎榜披露的陆股通席位在特定股票上的净买入金额，来观察北向资金的短期交易动向，用于跟踪外资对A股个股的偏好变化[36] **因子具体构建过程**：首先，获取当日龙虎榜数据。然后，对于每只上榜股票，汇总其所有陆股通席位的买入总额和卖出总额。最后，计算净流入金额（买入总额 - 卖出总额）。该因子值即为股票的陆股通资金净流入额，是一个资金流因子[36] 因子的回测效果 1. 昨日涨停股今日收益因子，2026年1月27日因子取值2.58%[13] 2. 昨日跌停股今日收益因子，2026年1月27日因子取值-0.43%[13] 3. 机构调研热度因子，近一周因子取值示例：神工股份被71家机构调研[30] 4. 龙虎榜机构净流入因子，2026年1月27日因子取值示例：宏景科技、协鑫集成等位于净流入前十[35] 5. 龙虎榜机构净流出因子，2026年1月27日因子取值示例：中国铀业、拉普拉斯等位于净流出前十[35] 6. 龙虎榜陆股通净流入因子，2026年1月27日因子取值示例：东芯股份、斯迪克等位于净流入前十[36] 7. 龙虎榜陆股通净流出因子，2026年1月27日因子取值示例：东方日升、中超控股等位于净流出前十[36]

量化因子与构建方式 1. **因子名称：大买单成交金额占比**[7] * **因子构建思路**：该因子旨在刻画大资金的买入行为。通过逐笔成交数据还原买卖单，筛选出大单，并计算其中大买单的成交金额占总成交额的比例。[7] * **因子具体构建过程**： 1. 数据准备：获取股票的逐笔成交数据，数据中包含“叫买序号”和“叫卖序号”字段。[7] 2. 还原买卖单：根据逐笔成交数据中的叫买和叫卖序号，将逐笔成交数据还原为原始的买卖单数据。[7] 3. 筛选大单：对还原后的买卖单，按照每单的成交量设定阈值，筛选出符合条件的大额订单（大单）。[7] 4. 计算指标：针对每个交易日，计算属于大买单的成交金额总和，然后除以该股票当日的总成交金额，得到大买单成交金额占比。[7] $$大买单成交金额占比 = \frac{当日大买单成交金额总和}{当日总成交金额}$$ * **因子评价**：该因子直接反映了机构或大户等大资金的买入意愿和强度，是监测资金动向的高频指标。 2. **因子名称：净主动买入金额占比**[7] * **因子构建思路**：该因子旨在刻画投资者的主动买入行为。通过逐笔成交数据判断交易的主动性，计算主动买入与主动卖出的净额占比。[7] * **因子具体构建过程**： 1. 数据准备：获取股票的逐笔成交数据，数据中包含“买卖标志”字段。[7] 2. 界定主动方向：根据逐笔成交数据中的买卖标志，判断每一笔成交是属于主动买入（以卖一价成交）还是主动卖出（以买一价成交）。[7] 3. 计算净额：将当日所有主动买入的成交金额相加，减去所有主动卖出的成交金额，得到净主动买入金额。[7] 4. 计算指标：将计算得到的净主动买入金额除以该股票当日的总成交金额，得到净主动买入金额占比。[7] $$净主动买入金额占比 = \frac{当日主动买入成交金额总和 - 当日主动卖出成交金额总和}{当日总成交金额}$$ * **因子评价**：该因子反映了市场交易中买方主动发起的攻击性力量，是衡量资金流向和投资者情绪的重要指标。 因子的回测效果 （注：本报告为跟踪周报，主要展示特定时间窗口内因子的截面排序结果和时序分位数，而非长期历史回测的统计指标。因此，以下“指标值”为报告期内计算的具体数值。） 1. **大买单成交金额占比因子**，在个股层面，近5日（20260119-20260123）指标值排名前列的包括：江化微 (96.1%)、锋龙股份 (94.9%)、宁波港 (86.4%)、红塔证券 (86.4%)、重庆钢铁 (86.1%)[9]。在宽基指数层面，近5日指标值分别为：上证指数 (73.2%)、上证50 (70.4%)、沪深300 (72.2%)、中证500 (74.0%)、创业板指 (71.4%)[12]。在行业层面，近5日指标值排名前五的中信一级行业为：钢铁 (78.6%)、煤炭 (77.7%)、传媒 (77.6%)、综合 (77.5%)、有色金属 (77.4%)[13]。在ETF层面，近5日指标值排名前列的包括：华泰柏瑞中证A500ETF (93.0%)、嘉实沪深300ETF (92.3%)、易方达沪深300ETF (92.1%)等[15]。 2. **净主动买入金额占比因子**，在个股层面，近5日（20260119-20260123）指标值排名前列的包括：辽港股份 (25.5%)、荣安地产 (22.8%)、北辰实业 (21.2%)、鞍钢股份 (20.6%)、安阳钢铁 (20.3%)[10]。在宽基指数层面，近5日指标值分别为：上证指数 (-0.6%)、上证50 (-9.0%)、沪深300 (-7.4%)、中证500 (4.9%)、创业板指 (-1.2%)[12]。在行业层面，近5日指标值排名前五的中信一级行业为：钢铁 (7.1%)、有色金属 (5.0%)、医药 (4.1%)、综合金融 (3.4%)、综合 (3.3%)[13]。在ETF层面，近5日指标值排名前列的包括：鹏华中证细分化工产业主题ETF (22.7%)、富国中证细分化工产业主题ETF (18.2%)、华夏创业板人工智能ETF (16.9%)等[16]。

量化因子与构建方式 1. **因子名称：高频价格区间因子**[3][11] * **因子构建思路**：衡量股票在日内不同价格区间成交的活跃程度，以体现投资者对未来走势的预期[3]。研究发现，高价格区间成交越不活跃，或低价格区间大单越活跃，股票未来上涨可能性越大[11]。 * **因子具体构建过程**：该因子由三个细分因子加权合成。 * **细分因子1：高价格80%区间成交量因子 (VH80TAW)**。利用三秒快照数据，计算股票在日内高价格80%区间的成交量，该因子值与未来收益呈负相关[11]。 * **细分因子2：高价格80%区间成交笔数因子 (MIH80TAW)**。计算股票在日内高价格80%区间的成交笔数，该因子值与未来收益呈负相关[11]。 * **细分因子3：低价格10%区间每笔成交量因子 (VPML10TAW)**。计算股票在日内低价格10%区间的平均每笔成交量，该因子值与未来收益呈正相关[11]。 * **合成方法**：对上述三个细分因子，分别赋予25%、25%和50%的权重进行合成[14]。然后对合成后的因子进行行业和市值中性化处理[14]。 * **因子评价**：该因子展现出了较强的预测效果，今年以来表现比较稳定[3]。在样本外表现出色，超额净值曲线稳定向上[16]。 2. **因子名称：高频量价背离因子**[3][19] * **因子构建思路**：衡量股票价格与成交量的相关性，当量价出现背离时（相关性低），无论股价处于上升或下降通道，未来上涨的可能性均较高[19]。 * **因子具体构建过程**：该因子由两个细分因子等权合成。 * **细分因子1：价格与成交笔数相关性因子 (CorrPM)**。利用高频快照数据，计算快照成交价（或收益率）与快照成交笔数的相关性[19]。 * **细分因子2：价格与成交量相关性因子 (CorrPV)**。利用高频快照数据，计算快照成交价（或收益率）与快照成交量的相关性[19]。 * **合成方法**：对上述两个细分因子进行等权合成[19]。然后对合成后的因子进行行业和市值中性化处理[19]。 * **因子评价**：该因子近几年表现一直不太稳定，多空净值曲线趋近走平[3]。自2020年以来，收益呈现下降趋势，可能与高频因子被广泛使用有关[23]。但今年以来表现良好，能相对稳定获取正的超额收益[23]。 3. **因子名称：遗憾规避因子**[3][24] * **因子构建思路**：基于行为金融学的遗憾规避理论，考察投资者卖出股票后股价反弹的比例和程度。卖出后反弹占比越高或反弹程度越大，股票的预期收益会更低[24]。 * **因子具体构建过程**：该因子由两个细分因子等权合成。 * **细分因子1：卖出反弹占比因子 (LCVOLESW)**。利用逐笔成交数据区分主动买卖方向，计算卖出后股价反弹的交易占比[24]。 * **细分因子2：卖出反弹偏离因子 (LCPESW)**。利用逐笔成交数据区分主动买卖方向，计算卖出后股价反弹的程度[24]。 * **合成方法**：对上述两个细分因子进行等权合成[28]。然后对合成后的因子进行行业和市值中性化处理[28]。 * **因子评价**：该因子展现了较好的预测效果，样本外超额收益稳定，表明A股投资者的遗憾规避情绪会显著影响股价预期收益[3][31]。 4. **因子名称：斜率凸性因子**[3][32] * **因子构建思路**：从投资者耐心与供求关系弹性的角度出发，利用限价订单簿数据计算买卖双方的订单簿斜率，刻画其对股票预期收益的影响[3][32]。买方斜率越大（需求弹性小）或卖方斜率越小（供给弹性大），股票预期收益越高[32]。 * **因子具体构建过程**：该因子由两个细分因子等权合成。 * **细分因子1：低档斜率因子 (Slope_abl)**。将委托量数据按档位累加，用委托价和累计委托量计算低档位的订单簿斜率[32]。 * **细分因子2：高档位卖方凸性因子 (Slope_alh)**。将委托量数据按档位累加，用委托价和累计委托量计算高档位的卖方订单簿凸性[32]。 * **合成方法**：对上述两个细分因子进行等权合成[35]。然后对合成后的因子进行行业和市值中性化处理[35]。 * **因子评价**：该因子自2016年以来收益保持平稳趋势，但在样本外整体表现比较平淡[35]。 量化模型与构建方式 1. **模型名称：高频“金”组合中证1000指数增强策略**[4][38] * **模型构建思路**：将上述三类高频因子（价格区间、量价背离、遗憾规避）等权合成，构建纯高频因子的指数增强策略[4]。 * **模型具体构建过程**： * **因子合成**：将价格区间因子、量价背离因子、遗憾规避因子进行等权合成[4]。 * **策略设置**：以中证1000指数为基准，进行周频调仓[38]。手续费率为单边千分之二[38]。加入换手率缓冲机制以降低调仓成本[38]。 2. **模型名称：高频&基本面共振组合中证1000指数增强策略**[4][43] * **模型构建思路**：将高频因子与有效的传统基本面因子结合，以提升多因子投资组合的表现[43]。 * **模型具体构建过程**： * **因子池**：高频因子包括上述三类因子（价格区间、量价背离、遗憾规避）；基本面因子包括一致预期、成长和技术因子[43]。 * **因子合成**：将所有高频因子和基本面因子进行等权合成[4]。 * **策略设置**：以中证1000指数为基准，构建指数增强策略[43]。 因子的回测效果 （注：以下因子表现数据均基于中证1000指数成分股，并经过行业市值中性化处理[10]。超额收益基准为所有成分股等权配置[10]。） 1. **价格区间因子**，上周多空收益率2.18%[10]，本月以来多空收益率4.25%[12]，今年以来多空收益率4.25%[12]；上周多头超额收益率1.24%[10]，本月以来多头超额收益率1.60%[12]，今年以来多头超额收益率1.60%[12]。 2. **量价背离因子**，上周多空收益率3.60%[10]，本月以来多空收益率3.71%[12]，今年以来多空收益率3.71%[12]；上周多头超额收益率1.80%[10]，本月以来多头超额收益率2.41%[12]，今年以来多头超额收益率2.41%[12]。 3. **遗憾规避因子**，上周多空收益率0.02%[10]，本月以来多空收益率-0.91%[12]，今年以来多空收益率-0.91%[12]；上周多头超额收益率0.17%[10]，本月以来多头超额收益率-0.82%[12]，今年以来多头超额收益率-0.82%[12]。 4. **斜率凸性因子**，上周多头超额收益率-0.40%[2]，本月以来多头超额收益率-2.01%[2]，今年以来多头超额收益率-2.01%[2]。 模型的回测效果 1. **高频“金”组合中证1000指数增强策略**，年化收益率10.56%[39]，年化波动率23.75%[39]，Sharpe比率0.44[39]，最大回撤率47.77%[39]，双边换手率（周度）14.66%[39]，年化超额收益率9.58%[39]，跟踪误差4.36%[39]，信息比率(IR)2.20[39]，超额最大回撤6.53%[39]；上周超额收益0.68%[4]，本月以来超额收益-1.74%[4]，今年以来超额收益-1.34%[4]。 2. **高频&基本面共振组合中证1000指数增强策略**，年化收益率14.80%[45]，年化波动率23.39%[45]，Sharpe比率0.63[45]，最大回撤率39.60%[45]，双边换手率（周度）22.54%[45]，年化超额收益率13.70%[45]，跟踪误差4.23%[45]，信息比率(IR)3.24[45]，超额最大回撤4.97%[45]；上周超额收益0.18%[4]，本月以来超额收益-1.05%[4]，今年以来超额收益率-0.92%[4]。

量化模型与构建方式 1. **模型名称**：封板率计算模型[16] **模型构建思路**：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[16] **模型具体构建过程**：首先，筛选出上市满3个月以上的股票。然后，找出在当日盘中最高价达到涨停价的股票。最后，计算这些股票中收盘价仍为涨停的股票所占的比例。具体公式为： $$封板率=最高价涨停且收盘涨停的股票数/最高价涨停的股票数$$[16] 2. **模型名称**：连板率计算模型[16] **模型构建思路**：通过计算连续两日收盘涨停的股票数量占前一日收盘涨停股票总数的比例，来衡量市场涨停板的延续性[16] **模型具体构建过程**：首先，筛选出上市满3个月以上的股票。然后，找出在前一日收盘涨停的股票。最后，计算这些股票中在当日收盘也涨停的股票所占的比例。具体公式为： $$连板率=连续两日收盘涨停的股票数/昨日收盘涨停的股票数$$[16] 3. **模型名称**：大宗交易折价率计算模型[25] **模型构建思路**：通过比较大宗交易成交金额与按市价计算的成交份额总市值，计算折价率，以反映大资金交易的折让程度和市场情绪[25] **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。然后，计算这些成交份额按当日市场价格计算的总市值。最后，用成交总金额除以总市值再减1，得到折价率。具体公式为： $$折价率=大宗交易总成交金额/当日成交份额的总市值-1$$[25] 4. **模型名称**：股指期货年化贴水率计算模型[27] **模型构建思路**：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，来衡量股指期货的升贴水程度，反映市场预期和对冲成本[27] **模型具体构建过程**：首先，计算基差（股指期货价格 - 现货指数价格）。然后，将基差除以现货指数价格，得到未年化的贴水率。最后，乘以年化因子（250除以合约剩余交易日数），得到年化贴水率。具体公式为： $$年化贴水率=基差/指数价格*(250/合约剩余交易日数)$$[27] **模型评价**：年化贴水率的大小会影响股指对冲的成本，其变化一定程度上能反映市场对于未来的预期[27] 模型的回测效果 1. 封板率计算模型，2026年1月26日封板率取值61%[16] 2. 封板率计算模型，较前日封板率变化-22%[16] 3. 连板率计算模型，2026年1月26日连板率取值16%[16] 4. 连板率计算模型，较前日连板率变化-7%[16] 5. 大宗交易折价率计算模型，近半年以来平均折价率取值6.86%[25] 6. 大宗交易折价率计算模型，2026年1月23日折价率取值9.23%[25] 7. 股指期货年化贴水率计算模型，近一年上证50股指期货年化贴水率中位数取值0.68%[27] 8. 股指期货年化贴水率计算模型，近一年沪深300股指期货年化贴水率中位数取值3.79%[27] 9. 股指期货年化贴水率计算模型，近一年中证500股指期货年化贴水率中位数取值11.11%[27] 10. 股指期货年化贴水率计算模型，近一年中证1000股指期货年化贴水率中位数取值13.61%[27] 11. 股指期货年化贴水率计算模型，2026年1月26日上证50股指期货年化升水率取值2.14%[27] 12. 股指期货年化贴水率计算模型，2026年1月26日沪深300股指期货年化升水率取值2.00%[27] 13. 股指期货年化贴水率计算模型，2026年1月26日中证500股指期货年化贴水率取值3.27%[27] 14. 股指期货年化贴水率计算模型，2026年1月26日中证1000股指期货年化贴水率取值6.90%[27] 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[13] **因子构建思路**：统计前一日收盘涨停的股票在次日的平均收益表现，用于观察涨停股的短期动量或反转效应[13] **因子具体构建过程**：首先，筛选出上市满3个月以上且在前一日收盘涨停的股票。然后，计算这些股票在当日的收盘收益，并求其平均值。该因子即为这个平均收益值[13] 2. **因子名称**：昨日跌停股今日收益因子[13] **因子构建思路**：统计前一日收盘跌停的股票在次日的平均收益表现，用于观察跌停股的短期动量或反转效应[13] **因子具体构建过程**：首先，筛选出上市满3个月以上且在前一日收盘跌停的股票。然后，计算这些股票在当日的收盘收益，并求其平均值。该因子即为这个平均收益值[13] 3. **因子名称**：两融余额占比因子[21] **因子构建思路**：计算融资融券余额占A股市场总流通市值的比重，用于衡量杠杆资金在市场中的整体规模和参与度[21] **因子具体构建过程**：首先，获取当前市场的融资余额与融券余额，相加得到两融余额。然后，获取A股市场的总流通市值。最后，计算两融余额占总流通市值的百分比[21] 4. **因子名称**：两融交易占比因子[21] **因子构建思路**：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，用于衡量杠杆资金交易的活跃程度[21] **因子具体构建过程**：首先，获取当日的融资买入总额与融券卖出总额，相加得到两融交易总额。然后，获取当日市场的总成交额。最后，计算两融交易总额占总成交额的百分比[21] 因子的回测效果 1. 昨日涨停股今日收益因子，2026年1月26日因子取值0.23%[13] 2. 昨日跌停股今日收益因子，2026年1月26日因子取值-5.26%[13] 3. 两融余额占比因子，2026年1月26日因子取值2.6%[21] 4. 两融交易占比因子，2026年1月26日因子取值9.5%[21]

量化模型与因子总结 量化模型与构建方式 本报告主要对宽基指数进行多维度数据跟踪与统计，未涉及具体的预测或选股量化模型。报告内容侧重于市场指标的描述性统计与历史对比分析。 量化因子与构建方式 报告在跟踪分析中涉及了多个用于衡量市场状态和指数特征的量化指标（因子）。 1. **因子名称：风险溢价**[25] * **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，计算各宽基指数收益率相对于无风险利率的溢价，用于衡量其相对投资价值和偏离情况[25]。 * **因子具体构建过程**：计算指数收益率与十年期国债即期收益率之差。报告中的“当前风险溢价”应为此差值。具体公式虽未明确给出，但标准计算方式为： $$风险溢价 = 指数收益率 - 无风险利率$$ 其中，无风险利率采用十年期国债即期收益率[25][26]。 2. **因子名称：股债性价比**[44] * **因子构建思路**：以各指数市盈率（PE-TTM）的倒数代表股票的潜在收益率，与十年期国债即期收益率（债券收益率）进行比较，其差值用于衡量股票相对于债券的投资吸引力[44]。 * **因子具体构建过程**：计算指数PE-TTM的倒数与十年期国债即期收益率之差。公式为： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 报告通过该因子的历史分位值（如80%分位为机会值，20%分位为危险值）来判断市场位置[44]。 3. **因子名称：指数换手率**[16] * **因子构建思路**：衡量指数成分股的整体交易活跃程度。 * **因子具体构建过程**：报告给出了具体的计算方法： $$指数换手率 = \frac{\sum(成分股流通股本 \times 成分股换手率)}{\sum(成分股流通股本)}$$ 即按流通股本加权的成分股换手率均值[16]。 4. **因子名称：交易金额占比**[16] * **因子构建思路**：衡量单个宽基指数成交额在全市场中的比重，反映资金流向与关注度。 * **因子具体构建过程**：计算该指数当天的交易金额除以中证全指当天的交易金额[16]。 5. **因子名称：破净率**[52][54] * **因子构建思路**：通过统计市净率小于1的个股占比，反映市场总体的估值低迷程度或悲观情绪。 * **因子具体构建过程**：对于每个宽基指数，计算其成分股中“破净”（市净率PB < 1）的个股数量，再除以该指数的总成分股数量[52][54]。 $$破净率 = \frac{破净个股数}{指数成分股总数}$$ 6. **因子名称：收益分布峰度（超额峰度）**[22][23] * **因子构建思路**：通过计算指数日收益率分布的峰度，衡量收益率分布的尖峭或扁平程度，反映收益分布的集中度和尾部风险。 * **因子具体构建过程**：报告采用超额峰度（Excess Kurtosis），即在计算峰度后减去正态分布的峰度值3。公式未明确给出，但标准峰度计算公式为： $$峰度 = \frac{E[(X-\mu)^4]}{(E[(X-\mu)^2])^2}$$ 报告中的“当前vs.近5年”列，展示了当前峰度与近5年峰度均值的差值[22][23]。 7. **因子名称：收益分布偏度**[22][23] * **因子构建思路**：通过计算指数日收益率分布的偏度，衡量分布的不对称性，正偏态意味着极端正收益情形更多。 * **因子具体构建过程**：标准偏度计算公式为： $$偏度 = \frac{E[(X-\mu)^3]}{(E[(X-\mu)^2])^{3/2}}$$ 报告中的“当前vs.近5年”列，展示了当前偏度与近5年偏度均值的差值[22][23]。 8. **因子名称：均线相对位置**[12][13] * **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，判断短期、中期和长期趋势。 * **因子具体构建过程**：计算指数收盘价相对于MA5、MA10、MA20、MA60、MA120、MA250的百分比偏离。例如： $$vsMA5 = \frac{收盘价 - MA5}{MA5} \times 100\%$$ 报告用此判断指数是否跌破或站上某条均线[12][13]。 9. **因子名称：近250日高位/低位相对位置**[12][13] * **因子构建思路**：衡量指数当前价格处于近期（250个交易日）价格区间中的位置，用于判断是否接近阶段高点或低点。 * **因子具体构建过程**：计算收盘价相对于近250交易日最高价和最低价的百分比偏离。例如： $$vs近250日高位 = \frac{收盘价 - 近250日高位}{近250日高位} \times 100\%$$ 因子的回测效果 报告未提供基于这些因子的策略回测结果（如IC、IR、多空收益等）。报告主要展示了各因子在特定时点（2026年1月26日）的截面取值或历史分位值，属于描述性统计，而非预测性因子的绩效测试。 **各宽基指数在报告基准日（2026-01-26）的因子取值如下：** 1. **风险溢价**：上证50为0.57%，沪深300为0.09%，中证500为-0.98%，中证1000为-1.25%，中证2000为-1.59%，中证全指为-0.67%，创业板指为-0.91%[29]。其近5年历史分位值分别为：76.11%， 55.16%， 16.27%， 15.16%， 12.22%， 22.38%， 27.54%[26][29]。 2. **PE-TTM分位值（近5年）**：中证500为99.92%，中证1000为99.92%，中证2000为93.14%，中证全指为99.83%，沪深300为86.78%，上证50为81.9%，创业板指为63.39%[40][41]。 3. **股债性价比状态**：没有指数高于其80%分位（机会值），中证500和中证全指低于其20%分位（危险值）[44]。 4. **交易金额占比**：沪深300为24.7%，中证1000为21.8%，中证500为21.46%[16]。 5. **指数换手率**：中证2000为5.34，创业板指为4.87，中证1000为4.06，中证500为3.13，中证全指为2.67，沪深300为1.1，上证50为0.53[16]。 6. **股息率分位值（近5年）**：创业板指为56.12%，沪深300为35.45%，上证50为32.81%，中证全指为25.45%，中证1000为23.47%，中证500为1.07%，中证2000为0.58%[49][51]。 7. **破净率**：上证50为24.0%，沪深300为16.67%，中证500为9.8%，中证1000为6.9%，中证全指为5.26%，中证2000为2.25%[55]。 8. **收益分布峰度（当前vs近5年）**：创业板指负偏离最大（-2.67），中证500负偏离最小（-1.51）[22][23]。 9. **收益分布偏度（当前vs近5年）**：创业板指负偏态最大（-0.64），中证500负偏态最小（-0.40）[22][23]。 10. **均线位置**：创业板指跌破10日均线（vsMA10为-0.4%）[12][13]。中证500、中证1000、中证2000、中证全指均创近250日新高后回调[12]。

量化模型与构建方式 1. **模型名称：微盘股轮动模型**[19][20][27] * **模型构建思路**：通过比较微盘股指数与茅指数的相对价值和短期动量，判断并轮动投资于表现更优的风格指数。[19][20][27] * **模型具体构建过程**： 1. **计算相对净值**：计算微盘股指数与茅指数的相对净值（微盘股指数净值 / 茅指数净值）。[27] 2. **计算年均线**：计算该相对净值的243日移动平均线（年均线）。[27] 3. **计算斜率**：分别计算微盘股指数和茅指数过去20日收盘价的斜率（趋势）。[27] 4. **生成信号**： * 当微盘股/茅指数相对净值 **高于** 其243日均线时，倾向于投资微盘股。[27] * 当微盘股/茅指数相对净值 **低于** 其243日均线时，倾向于投资茅指数。[27] * 结合20日斜率：当两个指数的20日斜率方向相反且一方为正时，选择投资斜率为正的指数，以应对潜在的风格切换。[27] 2. **模型名称：微盘股择时风控模型**[19][20][27] * **模型构建思路**：监控十年期国债收益率和微盘股波动率拥挤度的同比变化，当任一指标触及预设阈值时，发出平仓信号以控制中期系统性风险。[19][20][27] * **模型具体构建过程**： 1. **计算十年期国债收益率同比**：计算当前十年期国债到期收益率相对于一年前同期的变化率。[27] $$十年国债利率同比 = \frac{当前十年期国债到期收益率}{一年前同期十年期国债到期收益率} - 1$$ 2. **计算波动率拥挤度同比**：计算当前微盘股波动率拥挤度指标相对于一年前同期的变化率。[27] $$波动率拥挤度同比 = \frac{当前波动率拥挤度}{一年前同期波动率拥挤度} - 1$$ 3. **生成风控信号**：设定两个阈值，十年国债利率同比阈值为0.3（30%），波动率拥挤度同比阈值为0.55（55%）。[27] * 若 **十年国债利率同比 ≥ 30%** 或 **波动率拥挤度同比 ≥ 55%**，则触发风控信号，建议平仓。[27] * 否则，维持持仓。[27] 3. **模型名称：宏观择时模型**[47][50] * **模型构建思路**：基于经济增长和货币流动性两个宏观维度的动态事件因子，生成权益资产（股票）的配置仓位信号，进行股债轮动。[47] * **模型具体构建过程**：报告未详细描述具体构建过程，但指出模型根据经济增长和货币流动性层面生成信号强度，并综合得出股票仓位建议。具体细节需参考其历史研究报告《Beta 猎手系列：基于动态宏观事件因子的股债轮动策略》。[47][49] 模型的回测效果 1. **微盘股轮动模型**：报告未提供该模型历史回测的综合绩效指标（如年化收益率、夏普比率等），但提供了截至2025年12月31日的具体信号：维持茅指数信号，预期中期配置茅指数能有更高相对收益。[19][20] 2. **微盘股择时风控模型**：报告未提供该模型历史回测的综合绩效指标，但提供了截至2025年12月31日的监控值：波动率拥挤度同比为-33.43%，十年期国债到期收益率同比为9.93%，均未触及风控阈值，因此中期系统性风险处于可控范围，风控信号未触发。[19][20] 3. **宏观择时模型**： * 截至2025年12月31日，模型对1月份权益推荐仓位为 **60%**（上月为55%）。[47][50] * 模型对12月份经济增长层面信号强度为50%，货币流动性层面信号强度为60%。[47] * 择时策略2025年年初至今收益率为 **14.59%**，同期Wind全A收益率为26.87%。[47] 量化因子与构建方式 1. **因子名称：市值因子**[54][66] * **因子构建思路**：使用公司流通市值的对数作为代理变量，通常认为小市值公司具有更高的风险溢价和成长潜力。[66] * **因子具体构建过程**：$$LN\_MktCap = ln(流通市值)$$[66] * **因子评价**：报告指出，过去一周小市值因子在全市场范围内表现强势，是市场风格的主导因子之一。[54] 2. **因子名称：价值因子**[54][66] * **因子构建思路**：通过多种估值比率衡量公司价格是否低于其内在价值，例如市净率、市盈率、市销率的倒数等。[66] * **因子具体构建过程**：报告列出了多个细分价值因子，例如： * $$BP\_LR = \frac{最新年报账面净资产}{最新市值}$$ * $$EP\_FTTM = \frac{未来12个月一致预期净利润}{最新市值}$$ * $$SP\_TTM = \frac{过去12个月营业收入}{最新市值}$$[66] * **因子评价**：报告指出，过去一周价值因子全线飘红，显示市场资金在追逐小盘弹性的同时，风险偏好回归对低估值的重视。[54] 3. **因子名称：成长因子**[66] * **因子构建思路**：通过公司财务指标的增长率来衡量其未来的成长潜力。[66] * **因子具体构建过程**：报告列出了多个细分成长因子，例如： * $$NetIncome\_SQ\_Chg1Y = 单季度净利润同比增速$$ * $$OperatingIncome\_SQ\_Chg1Y = 单季度营业利润同比增速$$ * $$Revenues\_SQ\_Chg1Y = 单季度营业收入同比增速$$[66] 4. **因子名称：质量因子**[66] * **因子构建思路**：通过盈利能力、运营效率、财务稳健性等指标衡量公司的经营质量。[66] * **因子具体构建过程**：报告列出了多个细分质量因子，例如： * $$ROE\_FTTM = \frac{未来12个月一致预期净利润}{股东权益均值}$$ * $$OCF2CurrentDebt = \frac{过去12个月经营现金流净额}{流动负债均值}$$ * $$GrossMargin\_TTM = 过去12个月毛利率$$[66] 5. **因子名称：一致预期因子**[54][66] * **因子构建思路**：基于分析师一致预期的变化或目标价空间，捕捉市场对未来盈利预期的调整。[66] * **因子具体构建过程**：报告列出了多个细分一致预期因子，例如： * $$EPS\_FTTM\_Chg3M = 未来12个月一致预期EPS过去3个月的变化率$$ * $$TargetReturn\_180D = 一致预期目标价相对于目前股价的收益率$$[66] * **因子评价**：报告指出，随着年报预告披露期接近尾声，市场短期脱离对于高业绩预期板块的追逐，使得一致预期因子表现走弱。[54] 6. **因子名称：技术因子**[54][66] * **因子构建思路**：基于价量数据构建指标，反映市场的交易行为、流动性和动量特征。[66] * **因子具体构建过程**：报告列出了多个细分技术因子，例如： * $$Volume\_Mean\_20D\_240D = \frac{20日成交量均值}{240日成交量均值}$$ * $$Turnover\_Mean\_20D = 20日换手率均值$$[66] * **因子评价**：报告指出，过去一周量价类因子（技术和低波因子）表现良好，并预期未来一周小市值和量价类因子能维持表现。[54] 7. **因子名称：波动率因子**[66] * **因子构建思路**：通过股票收益率的历史波动率或模型残差波动率来衡量其风险水平，通常低波动股票具有更稳定的表现。[66] * **因子具体构建过程**：报告列出了多个细分波动率因子，例如： * $$Volatility\_60D = 60日收益率标准差$$ * $$IV\_CAPM = CAPM模型残差波动率$$ * $$IV\_FF = Fama-French三因子模型残差波动率$$[66] 8. **因子名称：反转因子**[66] * **因子构建思路**：基于股票过去一段时间的收益率，认为过去表现差的股票未来可能反弹，而过去表现好的股票可能回调。[66] * **因子具体构建过程**：报告列出了多个细分反转因子，例如： * $$Price\_Chg20D = 20日收益率$$ * $$Price\_Chg60D = 60日收益率$$ * $$Price\_Chg120D = 120日收益率$$[66] 9. **因子名称：可转债正股一致预期因子**[59] * **因子构建思路**：从正股与可转债的相关关系出发，将用于预测正股的“一致预期”类因子应用于可转债择券。[59] 10. **因子名称：可转债正股价值因子**[59] * **因子构建思路**：从正股与可转债的相关关系出发，将用于预测正股的“价值”类因子应用于可转债择券。[59] 11. **因子名称：可转债正股成长因子**[59] * **因子构建思路**：从正股与可转债的相关关系出发，将用于预测正股的“成长”类因子应用于可转债择券。[59] 12. **因子名称：可转债正股财务质量因子**[59] * **因子构建思路**：从正股与可转债的相关关系出发，将用于预测正股的“财务质量”类因子应用于可转债择券。[59] 13. **因子名称：可转债估值因子**[59] * **因子构建思路**：直接从可转债自身的估值指标出发进行择券，选取的指标是平价底价溢价率。[59] 因子的回测效果 （以下数据均基于“上周”和“今年以来”两个时间窗口，在全部A股、沪深300、中证500、中证1000四个股票池中的表现） 1. **一致预期因子**： * **IC均值（上周）**：全部A股 0.21%， 沪深300 -8.80%， 中证500 -1.51%， 中证1000 -0.18%[55] * **IC均值（今年以来）**：全部A股 2.25%， 沪深300 -2.73%， 中证500 0.51%， 中证1000 0.84%[55] * **因子多空收益（上周）**：全部A股 0.08%， 沪深300 0.10%， 中证500 -1.46%， 中证1000 -0.87%[55] * **因子多空收益（今年以来）**：全部A股 -0.07%， 沪深300 0.45%， 中证500 -5.89%， 中证1000 -2.20%[55] 2. **市值因子**： * **IC均值（上周）**：全部A股 10.97%， 沪深300 33.47%， 中证500 -2.07%， 中证1000 4.74%[55] * **IC均值（今年以来）**：全部A股 7.41%， 沪深300 19.70%， 中证500 -8.85%， 中证1000 -0.66%[55] * **因子多空收益（上周）**：全部A股 1.62%， 沪深300 3.11%， 中证500 1.70%， 中证1000 0.06%[55] * **因子多空收益（今年以来）**：全部A股 2.65%， 沪深300 7.23%， 中证500 -10.20%， 中证1000 -0.45%[55] 3. **成长因子**： * **IC均值（上周）**：全部A股 7.53%， 沪深300 -11.51%， 中证500 1.18%， 中证1000 4.51%[55] * **IC均值（今年以来）**：全部A股 5.72%， 沪深300 3.62%， 中证500 2.91%， 中证1000 2.77%[55] * **因子多空收益（上周）**：全部A股 1.29%， 沪深300 -2.91%， 中证500 1.64%， 中证1000 0.45%[55] * **因子多空收益（今年以来）**：全部A股 2.89%， 沪深300 0.59%， 中证500 4.64%， 中证1000 0.14%[55] 4. **反转因子**： * **IC均值（上周）**：全部A股 -2.85%， 沪深300 -4.27%， 中证500 -5.74%， 中证1000 4.07%[55] * **IC均值（今年以来）**：全部A股 -2.45%， 沪深300 0.53%， 中证500 -9.15%， 中证1000 -0.03%[55] * **因子多空收益（上周）**：全部A股 -1.30%， 沪深300 -1.84%， 中证500 -2.80%， 中证1000 0.20%[55] * **因子多空收益（今年以来）**：全部A股 -4.25%， 沪深300 -3.14%， 中证500 -13.15%， 中证1000 -2.79%[55] 5. **质量因子**： * **IC均值（上周）**：全部A股 -6.17%， 沪深300 -19.17%， 中证500 -13.04%， 中证1000 -11.20%[55] * **IC均值（今年以来）**：全部A股 3.05%， 沪深300 1.08%， 中证500 -4.73%， 中证1000 -0.86%[55] * **因子多空收益（上周）**：全部A股 -0.69%， 沪深300 -3.29%， 中证500 0.05%， 中证1000 -0.96%[55] * **因子多空收益（今年以来）**：全部A股 1.45%， 沪深300 -0.88%， 中证500 -4.69%， 中证1000 1.51%[55] 6. **技术因子**： * **IC均值（上周）**：全部A股 6.77%， 沪深300 -4.67%， 中证500 3.45%， 中证1000 5.79%[55] * **IC均值（今年以来）**：全部A股 3.02%， 沪深300 -4.23%， 中证500 -5.47%， 中证1000 -0.55%[55] * **因子多空收益（上周）**：全部A股 -0.39%， 沪深300 -1.41%， 中证500 -0.60%， 中证1000 -0.59%[55] * **因子多空收益（今年以来）**：全部A股 -1.95%， 沪深300 -4.69%， 中证500 -13.04%， 中证1000 -4.09%[55] 7. **价值因子**： * **IC均值（上周）**：全部A股 14.54%， 沪深300 14.95%， 中证500 20.03%， 中证1000 22.00%[55] * **IC均值（今年以来）**：全部A股 0.25%， 沪深300 0.80%， 中证500 -5.63%， 中证1000 -2.89%[55] * **因子多空收益（上周）**：全部A股 1.42%， 沪深300 0.26%， 中证500 3.68%， 中证1000 3.31%[55] * **因子多空收益（今年以来）**：全部A股 -3.09%， 沪深300 -3.34%， 中证500 -8.43%， 中证1000 -2.43%[55] 8. **波动率因子**： * **IC均值（上周）**：全部A股 5.56%， 沪深300 1.98%， 中证500 -1.57%， 中证1000 10.41%[55] * **IC均值（今年以来）**：全部A股 0.82%， 沪深300 -0.12%， 中证500 -8.94%， 中证1000 -0.88%[55] * **因子多空收益（上周）**：全部A股 -1.11%， 沪深300 -1.33%， 中证500 -2.28%， 中证1000 -0.03%[55] * **因子多空收益（今年以来）**：全部A股 -3.70%， 沪深300 -1.95%， 中证500 -13.49%， 中证1000 -3.47%[55]

量化模型与构建方式 根据您提供的报告内容，该报告主要对公募基金2025年四季度的持仓和规模变动进行描述性统计分析，并未涉及用于预测或选股的量化模型或量化因子的构建、测试与评价。报告的核心是基金持仓数据的整理、分类和对比分析，而非开发新的量化策略或因子。 报告中对数据的处理和分析方法，可以视为一种**分析框架或分类模型**，具体如下： 1. **模型/框架名称**：公募基金分类与持仓分析框架 2. **模型构建思路**：为了系统性地观察和分析公募基金的配置行为，报告在Wind基金分类的基础上，建立了一个自定义的四级分类体系，并对不同类别基金的规模、仓位、板块及行业配置进行统计和对比[11]。 3. **模型具体构建过程**： * **第一步：基金分类**。将全市场公募基金划分为四大类，合计11个小类[11]。 * **主动权益基金**：包括普通股票型、偏股混合型，以及**过去四个季度权益仓位超过7成的灵活配置型基金**（定义为高仓位灵活配置型）[11][32]。 * **股债混合型基金**：包括平衡混合型、偏债混合型，以及**不满足上述高仓位条件的灵活配置型基金**（定义为中低仓位灵活配置型）[11][52]。 * **含权债基**：包括混合债券型一级基金、混合债券型二级基金和可转换债券型基金[75]。 * **纯债基金**：包括中长期纯债基金和短期纯债基金[90]。 * **第二步：数据统计与计算**。基于上述分类，对每一类基金计算以下指标[12][17][18]： * 规模与份额的绝对变动及环比增长率。 * 权益仓位中位数、杠杆率中位数。 * 持仓分布：按宽基指数（如沪深300、中证1000）、上市板块（主板、创业板、港股）、中信一级行业进行统计。 * 板块配置：划分为周期、大金融、科技、医药、消费等板块，计算配置比例及变动。 * **第三步：主动调仓计算**。为排除市场涨跌对持仓权重的影响，计算基金的主动增减仓。其核心思路是剥离价格变动的影响，估算基金经理的真实买卖行为。虽然没有给出具体公式，但根据金融工程常识，其计算过程通常可表示为： * 对于行业或个股i，其在报告期（t期）的权重为 $$W_{i,t}$$。 * 其在上一报告期（t-1期）的权重为 $$W_{i,t-1}$$。 * 假设其从t-1期到t期持有不变，仅因价格涨跌，其在t期的理论权重应为：$$W_{i, t}^{theoretical} = \frac{W_{i,t-1} \times (1 + R_{i,t})}{\sum_{j} [W_{j,t-1} \times (1 + R_{j,t})]}$$，其中 $$R_{i,t}$$ 为i在t期内的收益率。 * 则主动增减仓幅度为：$$\Delta W_{i,t}^{active} = W_{i,t} - W_{i, t}^{theoretical}$$[42][43][50][64]。 * 报告中的“主动加减仓市值”即基于此原理计算得出[50][51][64][74]。 4. **模型评价**：该框架结构清晰，分类标准明确，能够有效地从不同风险收益特征和资产配置角度拆解公募基金的整体行为，为观察市场资金流向和机构配置偏好提供了实用的分析工具。 模型的回测效果 此报告为基金持仓的定期统计分析，不涉及基于历史数据的策略回测，因此没有年化收益率、夏普比率、最大回撤、信息比率（IR）等量化策略回测指标。 报告展示了所构建的分析框架在**2025年第四季度**这个单一时间窗口下的应用结果，主要呈现为各类统计指标的**截面数据**，而非时间序列上的回测表现。具体取值如下： 1. **公募基金分类与持仓分析框架** 在2025年第四季度的应用结果： * **基金规模与份额变动**：主动权益基金规模环比减少1823亿元，份额减少727亿份（-2.81%）；含权债基规模环比增加2398亿元，份额增加1973亿份；纯债基金规模环比减少868亿元，份额减少871亿份（-1.35%）[17]。 * **业绩表现中位数（2025Q4）**：主动权益基金为-1.19%，股债混合型基金为0.40%，含权债基为0.55%，纯债基金为0.53%[14]。 * **权益仓位中位数（2025Q4）**：主动权益基金为90.63%[33]；股债混合型基金为23.86%[53]。 * **杠杆率中位数（2025Q4）**：含权债基为108.89%[76]；纯债基金为111.28%[91]。 * **板块配置比例（2025Q4，主动权益基金）**：科技45.26%，周期28.31%，医药9.24%，消费（未明确总值，部分细分下降），大金融5.62%[39]。 * **行业配置权重（2025Q4，主动权益基金前三位）**：电子19.16%，通信9.31%，电力设备及新能源7.78%[42]。 * **主动增减仓示例（2025Q4，主动权益基金个股）**：主动加仓前三为中国平安（69.17亿元）、东山精密（63.62亿元）、天华新能（32.77亿元）；主动减仓前三为工业富联（-158.83亿元）、亿纬锂能（-64.20亿元）、中际旭创（-54.40亿元）[51]。 量化因子与构建方式 该报告未涉及任何用于选股或择时的量化因子（如价值、动量、质量等因子）的构建与测试。 因子的回测效果 该报告未涉及任何量化因子的回测，因此没有因子IC值、IR、多空收益、分组收益等因子测试指标。

量化模型与构建方式 1. **模型名称**：红利风格择时模型[1][4][6] **模型构建思路**：通过构建一个综合因子来对红利风格进行择时，当综合因子值为正时发出正向信号[1][4][6] **模型具体构建过程**：模型由多个分项因子组合而成。首先，对每个分项因子计算其因子值。然后，将所有分项因子的因子值进行综合，得到一个综合因子值。综合因子值的计算逻辑未在本文中详细披露，但根据上下文，应为各分项因子值的某种加权或合成[6][7][10]。最终，根据综合因子值的正负来判断对红利风格的择时观点：综合因子值大于0发出正向看多信号，小于0则未发出正向信号[1][4][6]。 量化因子与构建方式 1. **因子名称**：中国:非制造业PMI:服务业因子[10] **因子构建思路**：使用中国非制造业PMI中的服务业指数作为反映经济景气度的宏观因子[10] **因子具体构建过程**：直接采用“中国:非制造业PMI:服务业”这一经济指标的最新数据，并计算其对应的因子值。具体计算过程未在本文中披露[10]。 2. **因子名称**：中国:M2:同比因子[10] **因子构建思路**：使用中国M2货币供应量的同比增速作为反映流动性环境的宏观因子[10] **因子具体构建过程**：直接采用“中国:M2:同比”这一经济指标的最新数据，并计算其对应的因子值。具体计算过程未在本文中披露[10]。 3. **因子名称**：美国:国债收益率:10年因子[7][10] **因子构建思路**：使用美国10年期国债收益率作为反映全球无风险利率和资金成本的因子[7][10] **因子具体构建过程**：直接采用“美国:国债收益率:10年”这一市场指标的最新数据，并计算其对应的因子值。具体计算过程未在本文中披露[7][10]。 4. **因子名称**：红利相对净值自身因子[7][10] **因子构建思路**：使用红利风格指数自身的相对净值表现作为动量或趋势因子，反映其近期的强弱[7][10] **因子具体构建过程**：基于“红利相对净值”这一指标计算其对应的因子值。具体计算过程未在本文中披露[7][10]。 5. **因子名称**：中证红利股息率-10年期中债收益率因子[10] **因子构建思路**：使用中证红利指数的股息率与10年期中国国债收益率的差值作为股债性价比因子[10] **因子具体构建过程**：计算“中证红利股息率”减去“10年期中债收益率”的差值，并基于该差值计算对应的因子值。具体计算过程未在本文中披露[10]。 6. **因子名称**：融资净买入因子[7][10] **因子构建思路**：使用市场的融资净买入数据作为反映市场情绪和杠杆资金偏好的因子[7][10] **因子具体构建过程**：直接采用“融资净买入”这一市场交易数据，并计算其对应的因子值。具体计算过程未在本文中披露[7][10]。 7. **因子名称**：行业平均景气度因子[10] **因子构建思路**：使用行业层面的平均景气度数据作为反映整体经济微观基础的因子[10] **因子具体构建过程**：基于“行业平均景气度”这一指标计算其对应的因子值。具体计算过程未在本文中披露[10]。 模型的回测效果 1. 红利风格择时模型，综合因子值（20260123）为-0.57[1][4][6] 2. 红利风格择时模型，综合因子值（20260116）为-0.77[1][6] 3. 红利风格择时模型，综合因子值（20251231）未在本文中直接给出，但根据分项因子值推断其曾为正值[10] 因子的回测效果 1. 中国:非制造业PMI:服务业因子，因子值（20260123）为-0.19[10] 2. 中国:M2:同比因子，因子值（20260123）为0.27[10] 3. 美国:国债收益率:10年因子，因子值（20260123）为-0.56[10] 4. 红利相对净值自身因子，因子值（20260123）为-1.46[10] 5. 中证红利股息率-10年期中债收益率因子，因子值（20260123）为0.76[10] 6. 融资净买入因子，因子值（20260123）为1.86[10] 7. 行业平均景气度因子，因子值（20260123）为0.78[10]

量化模型与构建方式 1. **模型名称**：价值50组合[5] **模型构建思路**：基于价值风格，以高beta弹性为投资目标构建的Smart beta组合[5] **模型具体构建过程**：报告未详细描述具体构建过程，但指出其构建基于专题报告《基于投资目标的基础 Smart beta 组合构建与配置》，目标是追求高beta弹性[5] 2. **模型名称**：价值均衡50组合[5] **模型构建思路**：基于价值风格，以长期稳健超额收益为投资目标构建的Smart beta组合[5] **模型具体构建过程**：报告未详细描述具体构建过程，但指出其构建基于专题报告《基于投资目标的基础 Smart beta 组合构建与配置》，目标是追求长期稳健超额收益[5] 3. **模型名称**：成长50组合[5] **模型构建思路**：基于成长风格，以高beta弹性为投资目标构建的Smart beta组合[5] **模型具体构建过程**：报告未详细描述具体构建过程，但指出其构建基于专题报告《基于投资目标的基础 Smart beta 组合构建与配置》，目标是追求高beta弹性[5] 4. **模型名称**：成长均衡50组合[5] **模型构建思路**：基于成长风格，以长期稳健超额收益为投资目标构建的Smart beta组合[5] **模型具体构建过程**：报告未详细描述具体构建过程，但指出其构建基于专题报告《基于投资目标的基础 Smart beta 组合构建与配置》，目标是追求长期稳健超额收益[5] 5. **模型名称**：小盘50组合[5] **模型构建思路**：基于小盘风格，以高beta弹性为投资目标构建的Smart beta组合[5] **模型具体构建过程**：报告未详细描述具体构建过程，但指出其构建基于专题报告《基于投资目标的基础 Smart beta 组合构建与配置》，目标是追求高beta弹性[5] 6. **模型名称**：小盘均衡50组合[5] **模型构建思路**：基于小盘风格，以长期稳健超额收益为投资目标构建的Smart beta组合[5] **模型具体构建过程**：报告未详细描述具体构建过程，但指出其构建基于专题报告《基于投资目标的基础 Smart beta 组合构建与配置》，目标是追求长期稳健超额收益[5] 模型的回测效果 1. **价值50组合**，周收益率1.38%[6]，周超额收益（相对国证价值）0.53%[6]，月收益率-0.11%[6]，月超额收益-1.47%[6]，年收益率-0.11%[6]，年超额收益-1.47%[6]，最大相对回撤2.43%[6] 2. **价值均衡50组合**，周收益率4.59%[6]，周超额收益（相对国证价值）3.73%[6]，月收益率8.27%[6]，月超额收益6.91%[6]，年收益率8.27%[6]，年超额收益6.91%[6]，最大相对回撤0.56%[6] 3. **成长50组合**，周收益率-0.37%[6]，周超额收益（相对国证成长）-1.13%[6]，月收益率5.13%[6]，月超额收益-1.15%[6]，年收益率5.13%[6]，年超额收益-1.15%[6]，最大相对回撤1.30%[6] 4. **成长均衡50组合**，周收益率3.79%[6]，周超额收益（相对国证成长）3.03%[6]，月收益率10.01%[6]，月超额收益3.73%[6]，年收益率10.01%[6]，年超额收益3.73%[6]，最大相对回撤1.33%[6] 5. **小盘50组合**，周收益率3.71%[6]，周超额收益（相对国证2000）0.38%[6]，月收益率11.57%[6]，月超额收益-0.66%[6]，年收益率11.57%[6]，年超额收益-0.66%[6]，最大相对回撤3.08%[6] 6. **小盘均衡50组合**，周收益率4.27%[6]，周超额收益（相对国证2000）0.94%[6]，月收益率12.88%[6]，月超额收益0.65%[6]，年收益率12.88%[6]，年超额收益0.65%[6]，最大相对回撤2.38%[6]