量化模型与构建方式 1. **模型名称：转债综合估值因子模型**[21] * **模型构建思路**：从估值视角对可转债的配置价值进行系统性增强，筛选出在全域和分域上表现优异的估值因子，并将其融合构建综合因子[21]。 * **模型具体构建过程**： 1. 构建两个基础估值因子： * **转股溢价率偏离度因子**：计算为转债的转股溢价率减去其拟合转股溢价率，以衡量实际溢价率相对于拟合值的偏离度[22]。 * **理论价值偏离度（蒙特卡洛模型）因子**：计算为转债收盘价除以蒙特卡洛模拟得出的理论价值再减1，以衡量价格与理论价值的预期差[22]。 2. 将两个基础因子进行融合，构建**转债综合估值因子**。具体方法是对两个因子的截面排名进行相加[21][22]。 $$转债综合估值因子 = Rank（转股溢价率偏离度） + Rank（理论价值偏离度（蒙特卡洛模拟））$$ * **模型评价**：转债综合估值因子在全域、平衡型和偏债型转债上表现较优[21]。 2. **模型名称：低估风格指数构建模型**[20][22][23] * **模型构建思路**：根据转债的平底溢价率将其划分为偏股、平衡、偏债三种风格，并在每种风格内部，利用估值因子筛选出被低估的个券，构建等权配置的低估指数[20][22]。 * **模型具体构建过程**： 1. **风格划分**：将平底溢价率大于15%的转债划分为**偏股型**，小于-15%的划分为**偏债型**，其余为**平衡型**[20][22]。 2. **基础指数构建**：为每种风格构建等权指数（偏股转债指数、平衡转债指数、偏债转债指数），双周频调仓[22]。 3. **低估指数构建**： * 对于**平衡型**和**偏债型**转债，选择**转债综合估值因子**排名前1/3的个券，分别构建平衡转债低估指数和偏债转债低估指数[21][23]。 * 对于**偏股型**转债，选择**理论价值偏离度（蒙特卡洛模型）因子**排名前1/3的个券，构建偏股转债低估指数[21][23]。 4. **筛选与限制**： * 成分券数量上限为30只[20][23]。 * 排除正股收盘价<1.3元、正股市值<5亿元、正股ST、转债评级<AA-、转债剩余规模<2亿元、剩余期限<30天、公告提示强制赎回的个券[23]。 * 对于偏债转债低估指数，额外限制成分券对应正股的净利润TTM大于0[20][24]。 3. **模型名称：转债风格轮动模型**[28][29] * **模型构建思路**：利用市场情绪识别指标（动量与波动率偏离度）对三种低估风格指数进行轮动配置，以捕捉风格切换机会[28]。 * **模型具体构建过程**： 1. **计算市场情绪捕捉指标**：在单个转债层面计算**转债20日动量**和**波动率偏离度**因子，然后在每个低估风格指数内部取这两个因子值的中位数，作为该指数的情绪指标[28]。 2. **计算综合排名**：将各指数在两个情绪指标上的排名相加，得到**转债风格市场情绪捕捉指标**[28][29]。 $$转债风格市场情绪捕捉指标 = Rank（转债 20 日动量） + Rank（波动率偏离度）$$ 3. **确定仓位**：选择综合排名较低的指数进行配置。若排名相等则等权配置，若同时选中三种风格则100%投资于平衡低估风格[20][28][29]。双周频调仓[28]。 量化因子与构建方式 1. **因子名称：转股溢价率偏离度**[22] * **因子构建思路**：衡量转债的实际转股溢价率相对于其理论拟合值的偏离程度，使得不同平价水平的转债具有可比性[22]。 * **因子具体构建过程**：计算为转债的转股溢价率减去其拟合转股溢价率[22]。 $$转股溢价率偏离度 = 转股溢价率 − 拟合转股溢价率$$ * 拟合转股溢价率通过截面回归得到，具体公式为： $$y_{i}=\alpha_{0}+\,\alpha_{1}\cdot\,{\frac{1}{x_{i}}}+\epsilon_{i}$$ 其中，$y_i$为第i只转债的转股溢价率，$x_i$为第i只转债的转股价值[46]。 2. **因子名称：理论价值偏离度（蒙特卡洛模型）**[22] * **因子构建思路**：通过蒙特卡洛模拟充分考虑转债的各类条款，计算其理论价值，并用价格与理论价值的比率衡量估值高低[22]。 * **因子具体构建过程**：计算为转债收盘价除以蒙特卡洛模拟得出的理论价值，再减去1[22]。 $$理论价值偏离度 = 转债收盘价 / 理论价值（蒙特卡洛模型） - 1$$ * 理论价值通过蒙特卡洛模拟计算，每个时点模拟10000条路径，并以同信用同期限利率作为贴现率[22]。 3. **因子名称：百元转股溢价率**[3][16][46] * **因子构建思路**：构建一个在时序上可比的估值指标，用于衡量转债相对于正股的配置价值[3][16]。 * **因子具体构建过程**： 1. 在每个时点，使用截面数据拟合转股溢价率($y$)与转股价值($x$)的关系曲线，拟合公式为： $$y_{i}=\alpha_{0}+\,\alpha_{1}\cdot\,{\frac{1}{x_{i}}}+\epsilon_{i}$$[46] 2. 将转股价值$x$设定为100元，代入拟合公式，计算得到的$y$值即为“百元转股溢价率”[46]。 4. **因子名称：修正YTM – 信用债YTM**[4][16][47] * **因子构建思路**：剥离转股条款对转债到期收益率(YTM)的影响，修正后的YTM与同等级信用债YTM比较，以衡量偏债型转债相对于信用债的配置价值[4][16]。 * **因子具体构建过程**： 1. 计算单只偏债型转债的**修正YTM**： $$修正 YTM = 转债 YTM × (1 – 转股概率) + 预期转股的到期年化收益率 × 转股概率$$[47] * 其中，转股概率$N(d_2)$通过Black-Scholes模型计算得出[48]。 2. 计算该转债的修正YTM与同等级、同期限的企业债（信用债）YTM之差$X_i$[48]。 3. 计算截面所有偏债型转债$X_i$的**中位数**，作为市场整体指标[4][48]。 $$“修正 YTM – 信用债 YTM”中位数 = median\{X_1, X_2, ... , X_n\}$$ 5. **因子名称：转债20日动量**[28][29] * **因子构建思路**：作为市场情绪识别指标之一，用于风格轮动[28]。 * **因子具体构建过程**：报告中未给出具体计算公式，但指明为转债层面的20日动量因子[28][29]。 6. **因子名称：波动率偏离度**[28][29] * **因子构建思路**：作为市场情绪识别指标之一，用于风格轮动[28]。 * **因子具体构建过程**：报告中未给出具体计算公式，仅提及名称[28][29]。 模型的回测效果 （回测区间：2018-02-14 至 2025-12-12，除非特别说明） 1. **偏股转债低估指数**，年化收益率25.86%，年化波动率20.68%，最大回撤22.94%，信息比率(IR)1.25，卡玛比率1.13[25] 2. **平衡转债低估指数**，年化收益率14.96%，年化波动率11.97%，最大回撤15.95%，信息比率(IR)1.25，卡玛比率0.94[25] 3. **偏债转债低估指数**，年化收益率12.11%，年化波动率9.83%，最大回撤17.78%，信息比率(IR)1.23，卡玛比率0.68[25] 4. **转债风格轮动模型**，年化收益24.52%，年化波动16.81%，最大回撤15.89%，信息比率(IR)1.46，卡玛比率1.54[34] 因子的近期表现 （截至2025年12月12日，近2周） 1. **低估值因子（在偏股转债中）**，增强超额-2.89%[5][24] 2. **低估值因子（在平衡转债中）**，增强超额-0.82%[5][24] 3. **低估值因子（在偏债转债中）**，增强超额-0.74%[5][24]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：融资净买入额** * **因子构建思路：** 衡量特定周期内（如一周）融资买入资金与融资偿还资金的净差额，反映市场投资者通过融资渠道对特定标的（个股、行业、ETF）的净买入意愿和看多情绪[31][34][45][48]。 * **因子具体构建过程：** 对于单个标的，计算其在指定周期T内的融资净买入额。公式为： $$融资净买入额_T = \sum_{t \in T}(融资买入额_t - 融资偿还额_t)$$ 其中，`t`代表周期T内的单个交易日。报告中对不同对象（行业、ETF、个股）分别计算了该因子[31][36][46][50]。 2. **因子名称：融券净卖出额** * **因子构建思路：** 衡量特定周期内（如一周）融券卖出量与融券偿还量的净差额，反映市场投资者通过融券渠道对特定标的的净卖出意愿和看空情绪[34][52]。 * **因子具体构建过程：** 对于单个标的，计算其在指定周期T内的融券净卖出额。公式为： $$融券净卖出额_T = \sum_{t \in T}(融券卖出量_t \times 卖出价_t - 融券偿还量_t \times 偿还价_t)$$ 实践中常以金额形式表示。报告中对不同对象（行业、个股）分别计算了该因子[34][41][52]。 3. **因子名称：融资买入额占成交额比例** * **因子构建思路：** 衡量融资买入交易在标的整体市场交易中的活跃度与占比，是观察杠杆资金参与程度和市场情绪热度的重要指标[35][36][49]。 * **因子具体构建过程：** 对于单个标的，计算其在指定周期T内的融资买入额占同期总成交额的比例。公式为： $$融资买入额占成交额比例_T = \frac{\sum_{t \in T}融资买入额_t}{\sum_{t \in T}成交额_t} \times 100\%$$ 报告中对行业和个股层面均计算并展示了该因子[36][50]。 4. **因子名称：融券卖出额占成交额比例** * **因子构建思路：** 衡量融券卖出交易在标的整体市场交易中的占比，用于观察卖空力量的活跃程度[40][41]。 * **因子具体构建过程：** 对于单个标的，计算其在指定周期T内的融券卖出额占同期总成交额的比例。公式为： $$融券卖出额占成交额比例_T = \frac{\sum_{t \in T}融券卖出额_t}{\sum_{t \in T}成交额_t} \times 100\%$$ 报告在行业层面计算并展示了该因子[41]。 5. **因子名称：融资余额占流通市值比例** * **因子构建思路：** 衡量融资杠杆资金在标的流通盘中的存量占比，反映杠杆资金对标的的总体持仓规模和潜在影响[35][36]。 * **因子具体构建过程：** 使用报告期末时点的融资余额与标的流通市值进行计算。公式为： $$融资余额占流通市值比例 = \frac{期末融资余额}{期末流通市值} \times 100\%$$ 报告在行业层面计算并展示了该因子[36]。 6. **因子名称：融券余额占流通市值比例** * **因子构建思路：** 衡量融券卖空头寸在标的流通盘中的存量占比，反映卖空力量的总体持仓规模[40][41]。 * **因子具体构建过程：** 使用报告期末时点的融券余额与标的流通市值进行计算。公式为： $$融券余额占流通市值比例 = \frac{期末融券余额}{期末流通市值} \times 100\%$$ 报告在行业层面计算并展示了该因子[41]。 因子的回测效果 > **注：** 本报告为市场数据周报，主要展示截至报告期（2025年12月10日-12月16日）各类因子的截面数据或时间序列最新值，并未提供基于历史数据的长期回测绩效指标（如年化收益率、夏普比率、信息比率IR等）。以下为报告中展示的因子在特定周期内的具体取值。 1. **融资净买入额因子** * **行业层面（上周）：** 国防军工、通信、商贸零售行业融资净买入额较多；电子、计算机、有色金属行业融资净买入额较少[31]。具体数值可参见行业融资净买入额情况图[33]及表3[36]。 * **ETF层面（上周）：** 融资净买入额前五名分别为：富国中债7-10年政策性金融债ETF（348,401.76万元）、博时中债0-3年国开行ETF（79,429.49万元）、海富通中证短融ETF（45,558.47万元）、国泰上证5年期国债ETF（39,840.35万元）、华泰柏瑞沪深300ETF（24,186.46万元）[45][46]。 * **个股层面（上周）：** 融资净买入额前五名分别为：新易盛（238,214.60万元）、中国平安（178,832.27万元）、航天电子（111,984.96万元）、招商银行（57,890.50万元）、特变电工（45,400.49万元）[48][50]。 2. **融券净卖出额因子** * **行业层面（上周）：** 汽车、食品饮料、交通运输行业融券净卖出额较多；非银金融、有色金属、银行行业融券净卖出额较少[34]。具体数值可参见行业融券净卖出额情况图[35]及表4[41]。 * **个股层面（上周）：** 融券净卖出额前五名分别为：贵州茅台（1,658.35万元）、胜宏科技（1,562.55万元）、中国平安（1,279.14万元）、拓荆科技（1,218.74万元）、华工科技（781.77万元）[52][53]。 3. **融资买入额占成交额比例因子** * **行业层面（上周）：** 比例较高的行业为非银金融（11.71%）、通信（11.59%）、国防军工（10.67%）；较低的行业为纺织服饰（4.17%）、轻工制造（5.15%）、综合（5.17%）[35][36][40]。 * **个股层面（上周）：** 比例前五名分别为：冠豪高新（27.07%）、中国能建（26.17%）、中绿电（25.82%）、永泰能源（25.39%）、轻纺城（25.19%）[49][50]。 4. **融券卖出额占成交额比例因子** * **行业层面（上周）：** 比例较高的行业为非银金融（0.09%）、石油石化（0.09%）、食品饮料（0.08%）；较低的行业为纺织服饰（0.01%）、轻工制造（0.01%）、社会服务（0.02%）[40][41][42]。 5. **融资余额占流通市值比例因子** * **行业层面（上周）：** 比例较高的行业为计算机（4.39%）、综合（3.49%）、通信（3.40%）；较低的行业为银行（0.74%）、石油石化（0.81%）、煤炭（0.91%）[35][36]。 6. **融券余额占流通市值比例因子** * **行业层面（上周）：** 比例较高的行业为传媒（0.02%）、房地产（0.02%）、国防军工（0.01%）；较低的行业为石油石化（0.00%）、银行（0.00%）、轻工制造（0.01%）[40][41][42]。

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** * **因子构建思路**：通过计算指数K线连续为阴线或阳线的天数，来反映市场的短期趋势强度和持续性[11]。 * **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，则连阳天数加1，连阴天数重置为0；若当日下跌，则连阴天数加1（以负数表示），连阳天数重置为0。最终输出一个序列，正数表示连阳天数，负数表示连阴天数[11]。 2. **因子名称：指数与均线比较** * **因子构建思路**：通过计算指数收盘价与不同周期移动平均线（MA）的偏离程度，来判断指数相对于其短期、中期和长期趋势线的位置，评估其超买或超卖状态[14]。 * **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偏离百分比。公式为： $$偏离百分比 = \frac{收盘价 - MA_n}{MA_n} \times 100\%$$ 其中，$MA_n$ 代表第n日的移动平均线[15]。报告中使用该公式计算了指数相对于MA5、MA10、MA20、MA60、MA120、MA250的偏离值[15]。 3. **因子名称：指数与历史高低位比较** * **因子构建思路**：通过计算指数当前价格相对于过去一段时间内最高价和最低价的回撤或上涨幅度，来衡量指数所处的历史价格区间和调整深度[14]。 * **因子具体构建过程**：选取近250个交易日作为观察窗口。找出该窗口期内的最高价（近250日高位）和最低价（近250日低位）。然后，计算当前收盘价相对于这两个极值的百分比变化。公式为： $$vs近250日高位 = \frac{收盘价 - 近250日高位}{近250日高位} \times 100\%$$ $$vs近250日低位 = \frac{收盘价 - 近250日低位}{近250日低位} \times 100\%$$ 报告中使用该公式计算了指数相对于近250日高位和低位的偏离值[15]。 4. **因子名称：交易金额占比** * **因子构建思路**：通过计算特定宽基指数日成交额占全市场（以中证全指为代表）日成交额的比例，来反映资金在不同风格或板块间的流动和聚集情况[17]。 * **因子具体构建过程**：公式为： $$交易金额占比 = \frac{该指数当日交易金额}{中证全指当日交易金额} \times 100\%$$ [17]。 5. **因子名称：指数换手率** * **因子构建思路**：通过计算以流通股本加权的成分股换手率均值，来衡量整个指数的交易活跃度[17]。 * **因子具体构建过程**：公式为： $$指数换手率 = \frac{\Sigma(成分股流通股本 \times 成分股换手率)}{\Sigma(成分股流通股本)}$$ [17]。 6. **因子名称：收益率分布峰度** * **因子构建思路**：通过计算指数日收益率分布的峰度（超额峰度），来衡量收益率分布的尖峭或扁平程度，反映极端收益率出现的概率[23][25]。 * **因子具体构建过程**：计算指数日收益率序列的峰度，并在计算中减去3（正态分布的峰度值），得到超额峰度。报告对比了“当前”与“近5年”的峰度值[25]。 7. **因子名称：收益率分布偏度** * **因子构建思路**：通过计算指数日收益率分布的偏度，来衡量收益率分布的不对称性，即正收益或负收益的极端情形出现的倾向[23][25]。 * **因子具体构建过程**：计算指数日收益率序列的偏度。报告对比了“当前”与“近5年”的偏度值[25]。 8. **因子名称：风险溢价** * **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（通常用市盈率倒数E/P近似）与无风险利率的差值，作为投资者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水平[27]。 * **因子具体构建过程**：公式为： $$风险溢价 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 报告中使用该公式计算了各宽基指数的当前风险溢价，并统计了其近1年、近5年的分位值、均值及波动率等[31]。 9. **因子名称：PE-TTM分位值** * **因子构建思路**：将指数当前的滚动市盈率（PE-TTM）置于其历史数据中，计算其所处的百分位位置，以判断当前估值在历史上的相对高低水平[39][42]。 * **因子具体构建过程**：收集指数在指定历史窗口期（如近1年、近5年或全部历史）的每日PE-TTM数据。将当前PE-TTM值与历史数据序列进行比较，计算其历史分位值。报告展示了各指数当前PE-TTM的近1年、近5年及全历史分位值[43]。 10. **因子名称：股债性价比** * **因子构建思路**：本质是风险溢价的另一种表现形式，直接比较股票市场收益率（PE-TTM的倒数）与债券市场收益率（十年期国债即期收益率）的差值，为资产配置提供参考[46]。 * **因子具体构建过程**：公式与风险溢价相同： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 报告通过图表展示了该因子的走势，并标注了基于近5年数据计算的机会值（80分位）、危险值（20分位）及均值±1倍标准差区间[46]。 11. **因子名称：股息率** * **因子构建思路**：计算指数成分股的总现金分红与总市值的比率，反映投资该指数所能获得的现金分红回报率，是价值投资和红利策略的重要参考指标[48]。 * **因子具体构建过程**：报告直接引用了各宽基指数的当前股息率数据，并计算了其近1年、近5年及全历史分位值，同时提供了近1年均值和波动率等统计指标[53]。 12. **因子名称：破净率** * **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，反映市场整体或特定板块的估值低迷程度和悲观情绪[54][56]。 * **因子具体构建过程**：对指数内的每一个成分股，判断其市净率是否小于1。统计满足条件的个股数量，并除以指数成分股总数。公式为： $$破净率 = \frac{破净个股数}{指数成分股总数} \times 100\%$$ 报告列出了各宽基指数当前的破净率数值[57]。 因子的回测效果 （注：本报告为市场数据跟踪报告，主要展示各因子在特定时点（2025年12月16日）的截面数据或历史统计值，并未提供基于因子构建投资策略并进行历史回测的绩效指标（如年化收益、夏普比率、信息比率IR、最大回撤等）。因此，此处无法提供符合任务要求的“回测效果”指标取值。）

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**：通过计算当日最高价涨停且收盘涨停的股票数量占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和市场情绪[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. 找出在当日盘中最高价达到涨停价的股票集合。 3. 在上述集合中，进一步筛选出收盘价也涨停的股票。 4. 计算封板率，公式为： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[17] 2. **因子名称：连板率**[17] * **因子构建思路**：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连续性和赚钱效应的持续性[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. 找出前一日收盘涨停的股票集合。 3. 在上述集合中，进一步筛选出当日收盘也涨停的股票。 4. 计算连板率，公式为： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[17] 3. **因子名称：大宗交易折价率**[26] * **因子构建思路**：通过计算大宗交易成交总额相对于当日成交份额总市值的折价幅度，来反映大资金的交易偏好和市场情绪[26]。 * **因子具体构建过程**： 1. 获取当日所有大宗交易的总成交金额。 2. 计算当日通过大宗交易成交的股票份额，按当日收盘价计算的总市值。 3. 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] 4. **因子名称：股指期货年化升贴水率**[28] * **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，来反映市场对未来走势的预期、对冲成本以及市场情绪[28]。 * **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[28]。 2. 计算基差：基差 = 股指期货价格 - 现货指数价格。 3. 计算年化升贴水率，公式为： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[28] *注：公式中“年化贴水率”为通用名称，当计算结果为正时，表示年化升水率；为负时，表示年化贴水率。* 因子回测效果 *本报告为市场监测日报，未提供因子的历史回测效果指标（如IC、IR、多空收益等）的具体数值。报告主要展示了各因子在特定计算日（2025年12月16日及附近日期）的截面取值或市场整体水平*[17][26][28]。 1. **封板率因子**，2025年12月16日取值：65%[17]。 2. **连板率因子**，2025年12月16日取值：23%[17]。 3. **大宗交易折价率因子**，2025年12月15日市场整体折价率：4.82%；近半年平均折价率：6.64%[26]。 4. **股指期货年化升贴水率因子**，2025年12月16日取值： * 上证50股指期货年化贴水率：9.55%[28]。 * 沪深300股指期货年化升水率：3.42%[28]。 * 中证500股指期货年化升水率：10.57%[28]。 * 中证1000股指期货年化升水率：8.56%[28]。

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，以识别市场热度较高或较低的行业[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、所使用的子因子或计算公式。 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和计算公式。通常，此类模型会计算ETF的IOPV溢价率相对于其历史均值和标准差的标准化分数（Z-score）。一个可能的构建过程是： 1. 计算ETF在交易日t的IOPV溢价率：$$溢价率_t = (ETF市价_t / IOPV_t - 1) * 100\%$$ 2. 选取过去N个交易日（如60日或120日）的溢价率序列，计算其滚动均值($$\mu_t$$)和滚动标准差($$\sigma_t$$)。 3. 计算交易日t的溢价率Z-score值：$$Z_t = (溢价率_t - \mu_t) / \sigma_t$$ 4. 根据Z-score的阈值（如Z > 2 或 Z < -2）生成交易信号[4]。 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**：综合多个维度指标，衡量某一行业交易过热或过冷的程度[3]。 * **因子具体构建过程**：报告未详细说明该因子的具体构成、各维度指标及其合成方法。 2. **因子名称：主力资金净流入额**[3][10] * **因子构建思路**：衡量大额资金（主力资金）在特定时间段内对某一行业指数的净买入或净卖出金额，反映大资金的动向[3]。 * **因子具体构建过程**：报告直接使用了“主力净流入额”这一数据，未说明其具体计算方式。通常，该数据来源于行情软件，通过统计大单、中单、小单的成交额差值得出。 3. **因子名称：ETF IOPV溢价率**[6][12] * **因子构建思路**：衡量ETF交易价格相对于其实时估算净值(IOPV)的偏离程度，是判断ETF是否存在折溢价套利机会的基础指标[6][12]。 * **因子具体构建过程**：报告直接列出了“IOPV溢价率(%)”数据。其计算公式通常为：$$溢价率 = (ETF市价 / IOPV - 1) * 100\%$$ 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。） 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、IR、多空收益等。报告仅展示了因子在特定时点的截面取值或排名情况。） 1. **行业拥挤度因子截面取值（前一交易日）**[3] * 拥挤度水平靠前的行业：通信、军工、建材[3]。 * 拥挤度水平较低的行业：计算机、汽车[3]。 * 拥挤度变动较大的行业：银行、化工、建材[3]。 2. **主力资金净流入额因子截面取值（前一交易日）**[3] * 主力资金流入的行业：军工、商贸零售、食饮[3]。 * 主力资金流出的行业：有色、电子[3]。 3. **主力资金净流入额因子截面取值（近三个交易日）**[3][10] * 主力资金增配的行业：银行、钢铁[3]。 * 主力资金减配的行业：电子、通信[3]。 * 具体数值见图表4（对应文档10中的表格数据）[10]。 4. **ETF IOPV溢价率因子截面取值（数据截止日）**[6][12] * 具体ETF的溢价率数值见图表1（对应文档6中的表格数据）[6]。 * 根据溢价率Z-score模型筛选出的“建议关注”ETF产品列表见图表5（对应文档12中的表格数据）[12]。

量化模型与因子总结 量化因子与构建方式 **1. 深度学习因子** 1. **因子名称**：agru_dailyquote[5][56] * **因子构建思路**：基于日频行情数据，使用注意力门控循环单元（AGRU）深度学习模型构建的Alpha因子[5]。 * **因子具体构建过程**：报告未提供该深度学习因子的具体构建公式和详细计算步骤，仅提及了模型类型（AGRU）和使用的数据源（日频行情）[5]。 * **因子评价**：在全市场月度换仓条件下，该因子历史RankIC均值为13.94%，历史胜率达91.63%，表现出较高的预测能力和稳定性[5][56]。 2. **因子名称**：DL_1[5][56] * **因子构建思路**：使用深度学习模型构建的Alpha因子[5]。 * **因子具体构建过程**：报告未提供该深度学习因子的具体构建公式和详细计算步骤[5]。 * **因子评价**：在全市场月度换仓条件下，该因子历史RankIC均值为14.08%，历史胜率为87.97%[5][56]。 3. **因子名称**：fimage[5][56] * **因子构建思路**：基于图像数据的深度学习因子[5]。 * **因子具体构建过程**：报告未提供该深度学习因子的具体构建公式和详细计算步骤[5]。 * **因子评价**：在全市场月度换仓条件下，该因子历史RankIC均值为5.17%，历史胜率为78.11%[5][56]。 **2. Level-2高频因子** 1. **因子名称**：integrated_bigsmall_longshort[5][56] * **因子构建思路**：综合大小单和长短单信息的复合因子[5][56]。 * **因子具体构建过程**：报告未提供该复合因子的具体构建公式和详细计算步骤[56]。 * **因子评价**：在全市场月度换仓条件下，该因子近期表现较好，近一月RankIC均值为15.18%，历史RankIC均值为11.10%，历史胜率为75.86%[5][56]。 2. **因子名称**：bigbuy[56] * **因子构建思路**：基于Level-2数据的大单买入因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 3. **因子名称**：bigsell[56] * **因子构建思路**：基于Level-2数据的大单卖出因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 4. **因子名称**：bigbuy_bigsell[56] * **因子构建思路**：大单买入与大单卖出合成的因子[56]。 * **因子具体构建过程**：报告未提供该合成因子的具体构建公式和详细计算步骤[56]。 5. **因子名称**：longbuy[56] * **因子构建思路**：基于Level-2数据的长单买入因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 6. **因子名称**：longsell[56] * **因子构建思路**：基于Level-2数据的长单卖出因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 7. **因子名称**：integrated_bigsmall[56] * **因子构建思路**：综合大小单信息的因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 8. **因子名称**：integrated_longshort[56] * **因子构建思路**：综合长短单信息的因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 **3. 分钟频因子** 1. **因子名称**：Amihud_illiq[5][58] * **因子构建思路**：衡量股票非流动性的因子，基于Amihud非流动性指标构建[5][58]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[58]。经典的Amihud非流动性指标计算公式通常为： $$Illiq_{it} = \frac{|R_{it}|}{VOLD_{it}}$$ 其中，$R_{it}$为股票i在第t日的收益率，$VOLD_{it}$为股票i在第t日的成交金额（以万元计）。因子值通常取一定时间窗口内的平均值。 * **因子评价**：在全市场月度换仓条件下，该因子近期表现较好，近一月RankIC均值为16.88%，历史RankIC均值为11.17%，历史胜率为74.95%[5][58]。 2. **因子名称**：real_var[56] * **因子构建思路**：日内已实现方差因子，衡量股票日内价格波动[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 3. **因子名称**：real_skew[56] * **因子构建思路**：日内已实现偏度因子，衡量股票日内收益率分布的不对称性[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 4. **因子名称**：real_kurtosis[56] * **因子构建思路**：日内已实现峰度因子，衡量股票日内收益率分布的尖峭程度[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 **4. 风格因子** 报告列出了盈利、成长、杠杆、流动、技术、规模、质量、估值共8大类45个风格因子[5][59][60]。这些均为传统基本面与市场面因子，报告未提供其具体构建过程。部分示例如下： 1. **因子名称**：销售净利率、毛利率、ROE、ROA（盈利类）[59] 2. **因子名称**：股东权益增长率、净利润增长率、EPS增长率（成长类）[59] 3. **因子名称**：资产负债率、长期负债比率（杠杆类）[59] 4. **因子名称**：1个月成交金额、换手率（流动类）[59] 5. **因子名称**：一个月股价反转、三个月股价反转（技术类）[59] 6. **因子名称**：流通市值、总资产（规模类）[59] 7. **因子名称**：存货周转率、流动比率（质量类）[60] 8. **因子名称**：EP、BP、SP、DP（估值类）[60] 因子的回测效果（全市场，月度换仓） 以下为报告“表1：因子表现分析（全市场，月度换仓）”中部分因子的历史表现汇总[56][58][59][60]。指标包括：近一周RankIC均值、近一月RankIC均值、近一年RankIC均值、历史以来RankIC均值、历史胜率。 1. **agru_dailyquote因子**，近一周RankIC均值5.18%，近一月RankIC均值12.44%，近一年RankIC均值14.42%，历史以来RankIC均值13.94%，历史胜率91.63%[56] 2. **DL_1因子**，近一周RankIC均值4.00%，近一月RankIC均值19.68%，近一年RankIC均值16.48%，历史以来RankIC均值14.08%，历史胜率87.97%[56] 3. **fimage因子**，近一周RankIC均值-0.17%，近一月RankIC均值3.95%，近一年RankIC均值3.92%，历史以来RankIC均值5.17%，历史胜率78.11%[56] 4. **integrated_bigsmall_longshort因子**，近一周RankIC均值-4.74%，近一月RankIC均值15.18%，近一年RankIC均值9.78%，历史以来RankIC均值11.10%，历史胜率75.86%[56] 5. **Amihud_illiq因子**，近一周RankIC均值-3.21%，近一月RankIC均值16.88%，近一年RankIC均值13.34%，历史以来RankIC均值11.17%，历史胜率74.95%[58] 6. **一个月股价反转因子**，近一周RankIC均值-13.27%，近一月RankIC均值-4.60%，近一年RankIC均值-9.14%，历史以来RankIC均值-7.01%，历史胜率68.05%[59] 7. **BP(行业相对)因子**，近一周RankIC均值-2.04%，近一月RankIC均值7.28%，近一年RankIC均值6.13%，历史以来RankIC均值6.29%，历史胜率71.92%[60] 模型的回测效果（指数增强） 以下为报告第二部分中，三个深度学习因子在控制行业、市值等偏离度，并进行月末换仓、双边千三计费的条件下，于“沪深300”板块进行指数增强策略的回测表现（2020-2025年）[21][34][49]。指标包括：总收益、年化收益率、最大回撤率、年化波动率、信息比率(IR)、夏普比率、收益回撤比。 1. **agru_dailyquote因子模型**，总收益68.73%，年化收益率9.29%，最大回撤率-7.29%，年化波动率4.30%，信息比率(IR)2.16，夏普比率1.58，收益回撤比1.27[21] 2. **DL_1因子模型**，总收益39.95%，年化收益率5.87%，最大回撤率-9.15%，年化波动率4.37%，信息比率(IR)1.34，夏普比率0.77，收益回撤比0.64[34] 3. **fimage因子模型**，总收益45.52%，年化收益率6.58%，最大回撤率-3.58%，年化波动率3.70%，信息比率(IR)1.78，夏普比率1.10，收益回撤比1.84[49]

量化模型与构建方式 1. **模型名称：日历效应调整的指数增强模型**[7] * **模型构建思路**：基于对12个大类因子在季度、年末年初、春节、两会、国庆等特定日历窗口下表现规律的统计，在合成大类因子权重时进行动态调整，以增强多因子选股模型的收益并降低尾部风险[4][7]。 * **模型具体构建过程**： 1. **基础因子构建**：首先构建12个大类因子，每个大类因子由若干子类因子去异常、标准化后等权合成得到[16]。大类因子包括：价格稳定、成交稳定、流动性、拥挤度、反转、分析师、成长、质量、SUE、动量、价值、成交笔数[16]。 2. **日历效应识别**：以因子月度IC（信息系数）为基础，使用Welch检验比较日历窗口期与非日历窗口期因子IC的差异（超额差异水平），并使用单样本T检验判断日历窗口期内因子IC是否显著大于0（超额绝对水平），以此判断因子在特定日历效应下的选股能力差异[18]。 3. **权重调整规则制定**：根据上述统计检验结果，总结出各日历窗口下表现相对增强或减弱的因子规律[7][9]。例如：一季度拥挤度因子收益更弱；二季度基本面（除价值）和动量因子更强；三季度基本面（除价值）因子更弱、流动性因子更强；四季度基本面（除价值）和动量因子更弱；年末年初低波、拥挤度、质量、价值等低风险偏好因子更强；春节前因子多有效、春节后易失效；两会前因子弱、两会后因子强；国庆前后基本面因子弱、量价因子尚可[9][38][40][55][67][80][90]。 4. **动态权重合成**：在月度调仓时，根据当月的日历属性（如属于哪个季度、是否临近春节等），依据预先制定的权重调整规则，对12个大类因子的合成权重进行倾斜（例如，增加当期表现预期增强的因子权重，降低预期减弱的因子权重），从而构建出经过日历效应调整的复合因子得分，用于选股[7][91]。 模型的回测效果 1. **日历效应调整的指数增强模型**，在沪深300、中证500、中证1000指数上的增强策略显示，收益增强在2019年以后较为稳定，且日历效应调整可以降低尾部风险，提高月度胜率[9]。但报告指出，该模型在2025年7月后失效，原因是当时处于成长周期，而日历效应规则降低了基本面（除价值）因子的配置，导致错失其上涨机会[9]。 量化因子与构建方式 1. **因子名称：价格稳定因子**[16] * **因子构建思路**：通过多个子因子衡量股价的稳定性和波动特征，通常低波动、稳定的股票被认为风险较低[16]。 * **因子具体构建过程**：由4个子类因子去异常标准化后等权合成[16]。 * 残差波动率：Fama-French三因子模型回归残差的标准差。$$ \sigma_{\epsilon} = \sqrt{\frac{1}{T-1} \sum_{t=1}^{T} (\epsilon_t - \bar{\epsilon})^2} $$ 其中 $\epsilon_t$ 为t日的回归残差。 * 特异率：1减去Fama-French三因子模型回归的拟合优度（R²）。$$ Idio = 1 - R^2 $$ * 残差峰度：Fama-French三因子模型回归残差的峰度。 * 高价振幅：价格处于历史最高20%区间内的平均振幅。 2. **因子名称：成交稳定因子**[16] * **因子构建思路**：从成交量分布和集中度的角度衡量交易行为的稳定性[16]。 * **因子具体构建过程**：由4个子类因子去异常标准化后等权合成[16]。 * 换手率变异系数：换手率除以（标准差/平均值），即换手率的变异系数的倒数。 * 成交占比熵：以个股成交量占市场总成交量的比例作为概率p，计算熵值。$$ Entropy = -\sum p \cdot \log(p) $$ * 量大单买入强度：过去n个交易日，大买单成交额的（标准差/平均值）。 * 波峰：使用日内1分钟成交量K线数据，筛选出成交量大于均值+1倍标准差的K线，并计算这些K线中局部峰值数量的20日均值。 3. **因子名称：流动性因子**[16] * **因子构建思路**：衡量股票的交易活跃度和交易成本，流动性好的股票更容易买卖[16]。 * **因子具体构建过程**：由3个子类因子去异常标准化后等权合成[16]。 * 换手率：成交量 / 总股本。 * 非流动性：收益率的绝对值 / 总成交额。$$ Illiq = |r| / Volume $$ * 一致买入占比：盘口买一价上的买入成交额 / 总成交额。 4. **因子名称：拥挤度因子**[16] * **因子构建思路**：衡量交易行为的拥挤程度，可能反映过热或一致的交易行为[16]。 * **因子具体构建过程**：由3个子类因子去异常标准化后等权合成[16]。 * 量价相关性：成交量和复权收盘价的秩相关系数。 * 加权偏度：以成交量加权的收盘价偏度。 * 时量价比：时间加权价格 / 成交量加权价格。 5. **因子名称：反转因子**[16] * **因子构建思路**：捕捉股票的短期价格反转效应[16]。 * **因子具体构建过程**：由3个子类因子去异常标准化后等权合成[16]。 * 高量交易成本：价格处于最高20%区间的成交量 / 全价格区间的成交量。 * 每笔成交额：总成交额 / 成交笔数。 * 短期反转：以“5分钟成交量/成交笔数”作为划分标准，筛选出后20%的数据，计算其对数收益率之和。 6. **因子名称：分析师因子**[16] * **因子构建思路**：基于分析师预期数据，捕捉盈利增长预期带来的溢价[16]。 * **因子具体构建过程**：该大类因子目前仅包含1个子类因子[16]。 * 预期增长：分析师一致预期EPS的近两个月平均值 / 较远两个月平均值。 7. **因子名称：成长因子**[16] * **因子构建思路**：衡量公司的成长能力，高成长性公司通常更受市场青睐[16]。 * **因子具体构建过程**：由2个子类因子去异常标准化后等权合成[16]。 * 归母净利润同比：(本期季度归母净利润 - 去年同期季度归母净利润) / |去年同期季度归母净利润|。 * 营业收入同比：(本期季度营业收入 - 去年同期季度营业收入) / |去年同期季度营业收入|。 8. **因子名称：质量因子**[16] * **因子构建思路**：衡量公司的盈利质量、运营效率和财务稳健性[16]。 * **因子具体构建过程**：由5个子类因子去异常标准化后等权合成[16]。 * ROE：净利润 / 净资产。 * 总资产周转率：营业收入 / 总资产。 * 净利率：净利润 / 营业收入。 * 现金总资产比率：经营活动现金流净额 / 总资产。 * 现金营业收入比率：经营活动现金流净额 / 营业收入。 9. **因子名称：SUE因子**[16] * **因子构建思路**：衡量公司盈利的超预期程度，即标准化意外盈余[16]。 * **因子具体构建过程**：由5个子类因子去异常标准化后等权合成[16]。 * ROE 2年SUE：单季度扣非净利润归一化后对时间序列（如过去8个季度）进行线性回归的斜率项。 * 总资产周转率2年SUE：单季度扣非净利润对时间回归的斜率 / 平均净资产。 * 净利率2年SUE：（当期归母净利润 - 过去8个季度均值）/ 过去8个季度标准差。 * 现金总资产比率2年SUE：（当期GPOA - 过去8个季度均值）/ 过去8个季度标准差。 * 现金营业收入比率2年SUE：（当期销售毛利率 - 过去8个季度均值）/ 过去8个季度标准差。 10. **因子名称：动量因子**[16] * **因子构建思路**：捕捉股票价格的趋势延续效应[16]。 * **因子具体构建过程**：由3个子类因子去异常标准化后等权合成[16]。 * 半衰残差动量：过去240个交易日，基于Fama-French三因子模型的日度残差收益率，从第240日到第20日前进行累积。 * 长期动量：过去240个交易日（剔除最近20个交易日）的收益率。 * 排序动量：对日度收益率做截面排序，对过去240个交易日（剔除最近20日）的排序值求和。 11. **因子名称：价值因子**[16] * **因子构建思路**：衡量股票价格相对于其基本面价值的低估程度[16]。 * **因子具体构建过程**：由4个子类因子去异常标准化后等权合成[16]。 * BP：净资产 / 总市值。 * SALES2EV：营业收入 / 企业价值。 * DP：近12个月分红 / 总市值。 * EP：归母净利润（TTM）/ 总市值。 12. **因子名称：成交笔数因子**[16] * **因子构建思路**：从委托单的粒度分析交易行为，捕捉潜在的交易者结构或行为信息[16]。 * **因子具体构建过程**：由4个子类因子去异常标准化后等权合成[16]。 * 高量每笔成交：以5分钟成交量为划分，筛选出后20%的数据计算每笔成交额，再除以全时间段每笔成交额。 * 每笔流出额占比：以成交量为划分，计算每笔流出额 / 全区间每笔流出额。 * 收益偏度：收益率序列的偏度。 * ROE增长：过去8个季度的ROE对时间序列进行线性回归的斜率项。 * 总资产周转率增长：过去8个季度的总资产周转率对时间序列进行线性回归的斜率项。 因子的回测效果 （注：报告提供了大量因子在不同日历窗口下的统计检验t值（超额差异水平和超额绝对水平）及分年IC图表，但未提供统一的、可横向对比的因子绩效指标（如年化收益、夏普比率、IC均值等）。以下根据报告内容，总结部分因子在特定窗口下的表现规律。） 1. **动量因子**，在二季度表现增强（超额绝对水平t值多为正且较高），在一季度和四季度表现不稳定或较弱[9][22][32][40]。 2. **基本面因子（包含成长、质量、SUE）**，在二季度和年初表现增强，在三季度和四季度表现较弱[9][22][26][32][38][40]。 3. **流动性因子**，在三季度表现相对增强[26][40]。 4. **低波因子（价格稳定、成交稳定）**，在年末年初效应和春节前表现增强[38][44][55]。 5. **拥挤度因子**，在一季度表现相对较弱，在年末表现增强[18][44]。 6. **质量因子**，在年末表现增强[44]。 7. **价值因子**，在年末和春节前表现增强[44][55]。 8. **反转因子**，在春节后和两会前表现相对稍强[62][68]。 9. **分析师因子**，在国庆前表现相对较弱[80]。

量化模型与因子总结 量化因子与构建方式 1. **因子名称**：标准化预期外市净率[35] **因子构建思路**：属于超预期因子大类，旨在捕捉公司基本面（此处为市净率）超出市场一致预期的程度，预期超预期程度高的股票未来表现更好[35]。 **因子具体构建过程**：报告未提供该因子的具体计算公式，但指出超预期因子的详细介绍可参考系列报告《基于PEAD效应的超预期因子选股效果如何》[7]。通常，此类因子构建涉及计算财报实际公布值与分析师预测一致预期值的差异，并进行标准化处理。 2. **因子名称**：分析师预测净利润 FY1 的 120 日变动[35] **因子构建思路**：属于分析师因子大类，通过跟踪分析师对未来一期（FY1）净利润预测在近期（120日）内的调整方向与幅度，捕捉基本面预期的变化趋势[35]。 **因子具体构建过程**：报告未提供具体公式。通常构建方式为计算当前分析师对FY1净利润的一致预期值与120个交易日前的该值之间的相对变动率。 3. **因子名称**：过去 90 日报告上调比例[35] **因子构建思路**：属于分析师超预期因子大类，衡量近期（90日）内分析师发布上调评级报告的比例，反映分析师群体对公司的乐观情绪变化[35]。 **因子具体构建过程**：报告未提供具体公式。通常构建方式为：过去90日内，上调评级的研报数量除以研报总数（或上调与下调研报数量之和）。 4. **因子名称**：净经营资产收益率[36] **因子构建思路**：属于盈利因子大类，衡量公司利用净经营资产创造利润的效率，是盈利能力的重要指标[36]。 **因子具体构建过程**：报告未提供具体公式。通常计算公式为：$$净经营资产收益率 = \frac{营业利润}{净经营资产}$$。其中，净经营资产 = 经营资产 - 经营负债。 5. **因子名称**：过去 90 日公告后报告上调比例[36] **因子构建思路**：属于分析师超预期因子大类，特指在公司发布公告（如财报）后，分析师据此调整评级中上调的比例，用于捕捉对公告信息的积极解读[36]。 **因子具体构建过程**：报告未提供具体公式。构建逻辑与“过去90日报告上调比例”类似，但样本限定在公告日后发布的研报。 6. **因子名称**：分析师预测净利润 FY3 的 120 日变动[36] **因子构建思路**：属于分析师因子大类，跟踪分析师对未来第三年（FY3）净利润长期预测的调整趋势，反映长期盈利预期的变化[36]。 **因子具体构建过程**：报告未提供具体公式。构建方式与“分析师预测净利润 FY1 的 120 日变动”类似，但预测期变为FY3。 7. **因子名称**：分析师预测营收增长率-FY3[37] **因子构建思路**：属于分析师因子大类，直接采用分析师预测的未来第三年（FY3）营业收入增长率，作为公司长期成长性的代理指标[37]。 **因子具体构建过程**：报告未提供具体公式。通常直接使用机构一致预期的FY3营收增长率数据。 8. **因子名称**：分析师预测营收 FY3 的 120 日变动[37] **因子构建思路**：属于分析师因子大类，跟踪分析师对未来第三年（FY3）营业收入绝对预测值的近期调整趋势[37]。 **因子具体构建过程**：报告未提供具体公式。构建方式为计算当前FY3营收一致预期值与120个交易日前的该值之间的相对变动率。 9. **因子名称**：90 日盈利上调占比[37] **因子构建思路**：属于分析师超预期因子大类，衡量近期（90日）内分析师上调盈利预测（如EPS）的占比，反映盈利预期的改善程度[37]。 **因子具体构建过程**：报告未提供具体公式。通常构建方式为：过去90日内，发生盈利预测上调的机构数（或次数）占比。 10. **因子名称**：分析师预测净利润增长率 FY3[38] **因子构建思路**：属于分析师因子大类，采用分析师预测的未来第三年（FY3）净利润增长率，衡量长期盈利成长性[38]。 **因子具体构建过程**：报告未提供具体公式。通常直接使用机构一致预期的FY3净利润增长率数据。 11. **因子名称**：除去早盘 30 分钟后的涨跌幅[38] **因子构建思路**：属于高频分钟因子大类，通过剔除开盘时段可能存在的非理性波动或流动性冲击，捕捉更纯粹的股价变动信息[38]。 **因子具体构建过程**：报告未提供具体公式，但指出高频因子的详细介绍可参考系列报告《基于分钟数据的高频因子选股效果研究》[7]。通常构建为从开盘后30分钟开始计算至收盘的收益率。 12. **因子名称**：分析师预测 ROE-FY3 的 120 变动[39] **因子构建思路**：属于分析师因子大类，跟踪分析师对未来第三年（FY3）净资产收益率（ROE）预测值的近期调整趋势[39]。 **因子具体构建过程**：报告未提供具体公式。构建方式为计算当前FY3 ROE一致预期值与120个交易日前的该值之间的变动（绝对变动或相对变动）。 13. **因子名称**：分析师预测 ROA-FY3[39] **因子构建思路**：属于分析师因子大类，直接采用分析师预测的未来第三年（FY3）总资产收益率（ROA），作为长期盈利能力的代理指标[39]。 **因子具体构建过程**：报告未提供具体公式。通常直接使用机构一致预期的FY3 ROA数据。 14. **因子名称**：分析师预测 ROE-FY3[39] **因子构建思路**：属于分析师因子大类，直接采用分析师预测的未来第三年（FY3）净资产收益率（ROE），作为长期盈利能力的代理指标[39]。 **因子具体构建过程**：报告未提供具体公式。通常直接使用机构一致预期的FY3 ROE数据。 15. **因子名称**：单季度归母 ROE[35] **因子构建思路**：属于盈利因子大类，使用最新单季度的归母净资产收益率，反映公司近期的盈利能力和资本运用效率[35]。 **因子具体构建过程**：报告未提供具体公式。通常计算公式为：$$单季度归母ROE = \frac{单季度归母净利润}{期初和期末平均归母净资产}$$ 16. **因子名称**：单季度营业收入同比增长率[35] **因子构建思路**：属于成长因子大类，衡量公司最近一个季度营业收入相对于去年同期的增长情况，反映短期成长性[35]。 **因子具体构建过程**：报告未提供具体公式。通常计算公式为：$$单季度营业收入同比增长率 = \frac{本期单季度营业收入}{去年同期单季度营业收入} - 1$$ 17. **因子名称**：单季度归母 ROA 变动[35] **因子构建思路**：属于盈利因子大类，衡量单季度归母总资产收益率（ROA）相对于上一季度的变化，捕捉盈利能力的边际改善或恶化[35]。 **因子具体构建过程**：报告未提供具体公式。通常为当期单季度归母ROA与上一季度单季度归母ROA的差值。 18. **因子中性化处理** **构建思路**：为了排除市值和行业对因子选股效果的影响，使因子更纯粹地反映其背后的投资逻辑[34]。 **具体构建过程**： 1. 对初步计算得到的因子原始值进行预处理：采用绝对中位数法去极值，并进行Z-Score标准化[34]。 2. 横截面回归：在每个截面上，以标准化后的因子值作为因变量（y），以对数市值和申万一级行业虚拟变量作为自变量（X）进行回归[34]。 3. 取残差：将上述回归得到的残差作为每个股票的最终因子值。该残差即为经过市值和行业中性化处理后的因子暴露[34]。 19. **大类因子** **构建思路**：将逻辑相似的多个单因子聚合，形成更具代表性和稳定性的因子类别，以考察各类投资逻辑的整体表现[44]。 **具体构建过程**：报告提及的因子库包括估值、盈利、成长、公司治理、价量、超预期、分析师等多种投资逻辑的大类因子[34]。每个大类因子内部，对其包含的所有单因子采用等权加权的方式合成[44]。 因子的回测效果 *注：以下为截至2025年12月12日的“本年”区间内，在各股票池中表现较好或较差的单因子及其超额收益。数据来源于报告中的单因子表现总结及详细表格[35][36][37][38][39][41][42]。* | 股票池 | 因子名称 | 超额收益 | | :--- | :--- | :--- | | **沪深300** | 单季度归母 ROE | 25.63% | | **沪深300** | 单季度营业收入同比增长率 | 25.10% | | **沪深300** | 单季度归母 ROA 变动 | 22.51% | | **中证500** | 分析师预测净利润增长率 FY3 | 15.13% | | **中证500** | 分析师预测营收 FY3 的 120 日变动 | 14.74% | | **中证500** | 分析师预测营收增长率-FY3 | 14.74% | | **中证1000** | 分析师预测 ROE-FY3 的 120 变动 | 21.77% | | **中证1000** | 标准化预期外单季度归母 ROE-带漂移项 | 20.54% | | **中证1000** | 标准化预期外单季度归母净利润-带漂移项 | 20.32% | | **中证2000** | 标准化预期外单季度扣非净利润-带漂移项 | 25.17% | | **中证2000** | 过去 90 日报告上调比例 | 24.28% | | **中证2000** | 5 分钟成交量偏度 | 23.98% | | **中证全指** | 分析师预测 ROE-FY3 的 120 变动 | 27.33% | | **中证全指** | 单季度营业收入同比增长率 | 21.77% | | **中证全指** | 分析师预测 ROA-FY3 的 120 变动 | 21.27% | 大类因子的回测效果 *注：以下为截至2025年12月12日的“本年”区间内，各大类因子的超额收益与多空收益。数据来源于报告中的大类因子表现总结及详细表格[45][46][47]。* | 股票池 | 因子类别 | 超额收益 | 多空收益 | | :--- | :--- | :--- | :--- | | **沪深300** | 盈利 | 31.35% | 41.69% | | **沪深300** | 分析师超预期 | 27.31% | 35.22% | | **沪深300** | 成长 | 26.87% | 42.74% | | **沪深300** | 分析师 | 18.50% | 25.53% | | **沪深300** | 超预期 | 8.35% | 28.04% | | **中证500** | 成长 | 16.53% | 未提供 | | **中证500** | 分析师 | 9.54% | 未提供 | | **中证500** | 超预期 | 7.35% | 未提供 |

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，因此无量化模型相关内容。 量化因子与构建方式 报告中对多个市场指标进行了跟踪和计算，这些指标可作为量化分析中的基础因子或特征。以下是报告中涉及的因子及其构建方式： 1. **因子名称：连阴连阳天数** * **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，来刻画市场的短期趋势延续性[11]。 * **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），若为负则计数-1（连阴），连续同向则累计，直到方向改变则重新计数。正数表示连阳天数，负数表示连阴天数[11]。 2. **因子名称：指数与均线相对位置** * **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，判断市场短期、中期和长期的趋势状态及支撑压力位[14]。 * **因子具体构建过程**：分别计算指数收盘价相对于5日、10日、20日、60日、120日、250日移动平均线的偏离百分比。计算公式为： $$ vsMA = (Close / MA_n - 1) \times 100\% $$ 其中，$Close$为当日收盘价，$MA_n$为对应的n日移动平均线[15]。 3. **因子名称：交易金额占比** * **因子构建思路**：计算特定宽基指数成交额占全市场（以中证全指为代表）成交额的比例，用以观察资金在不同板块间的流动和聚集情况[17]。 * **因子具体构建过程**： $$ 交易金额占比 = \frac{指数当日交易金额}{中证全指当日交易金额} \times 100\% $$ [17] 4. **因子名称：指数换手率** * **因子构建思路**：衡量指数成分股的整体交易活跃度，计算基于流通市值的加权平均换手率[17]。 * **因子具体构建过程**： $$ 指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)} $$ [17] 5. **因子名称：收益分布峰度（超额）** * **因子构建思路**：计算指数日收益率分布的峰度，并与近5年历史峰度均值的差值，用以衡量当前收益率分布相对于历史常态是更集中（尖峰）还是更分散（低峰）[24]。 * **因子具体构建过程**：首先计算指数日收益率序列的峰度（报告中计算时减去了正态分布的峰度值3）[24]。然后计算“当前vs.近5年”值，即当前峰度减去近5年峰度均值[24]。负值表示当前分布比历史常态更分散（负偏离）[22]。 6. **因子名称：收益分布偏度** * **因子构建思路**：计算指数日收益率分布的偏度，并与近5年历史偏度均值的差值，用以衡量当前收益率分布的不对称方向（左偏或右偏）及极端程度[24]。 * **因子具体构建过程**：计算指数日收益率序列的偏度[24]。然后计算“当前vs.近5年”值，即当前偏度减去近5年偏度均值[24]。负值表示当前分布的负偏态（左偏）程度相对于历史常态在减弱，或正偏态程度在降低[22]。 7. **因子名称：风险溢价** * **因子构建思路**：以十年期国债即期收益率作为无风险利率，计算股票指数预期收益率（常用市盈率倒数，即盈利收益率）与之差值，衡量股票市场相对于债市的超额收益吸引力[27]。 * **因子具体构建过程**： $$ 风险溢价 = \frac{1}{PE_{TTM}} - R_f $$ 其中，$PE_{TTM}$为指数的滚动市盈率，$R_f$为十年期国债即期收益率[27]。报告中也计算了该风险溢价在近1年和近5年历史数据中的分位值[31]。 8. **因子名称：PE-TTM历史分位值** * **因子构建思路**：计算指数当前滚动市盈率（PE-TTM）在其自身历史（如近5年）数据中所处的位置，用于判断当前估值水平的高低[39]。 * **因子具体构建过程**：将指数当前的PE-TTM值与近5年（或指定窗口）的每日PE-TTM序列进行比较，计算其百分位排名[42][43]。 9. **因子名称：股债性价比** * **因子构建思路**：本质是风险溢价的另一种表现形式，直接比较股票盈利收益率（PE-TTM的倒数）与国债收益率的高低，数值越大代表股票相对债券的吸引力越强[46]。 * **因子具体构建过程**： $$ 股债性价比 = \frac{1}{PE_{TTM}} - R_f $$ 其中，$R_f$为十年期国债即期收益率[46]。报告会将其与历史分位值（如80%和20%）进行比较[46]。 10. **因子名称：股息率** * **因子构建思路**：计算指数整体的现金分红回报率，是价值投资和红利策略关注的核心指标[48]。 * **因子具体构建过程**：指数股息率通常为成分股过去12个月现金分红总额除以指数的总市值[53]。报告中也计算了其近1年及近5年的历史分位值[53]。 11. **因子名称：破净率** * **因子构建思路**：计算指数中市净率（PB）小于1的个股数量占比，反映市场整体或特定板块的估值低迷程度[54]。 * **因子具体构建过程**： $$ 破净率 = \frac{指数内破净个股数}{指数成分股总数} \times 100\% $$ 其中，破净指个股的市净率小于1[54][57]。 因子的回测效果 本报告为市场状态跟踪报告，未提供基于上述因子的策略回测结果（如年化收益率、夏普比率、最大回撤等）。报告主要展示了各因子在特定时点（2025年12月15日）的截面数据或历史分位值，具体取值如下： 1. **连阴连阳天数因子**：当日，上证50连阳2天，沪深300连阳2天，中证2000连阳2天，中证全指连阴2天，中证1000连阴3天，中证2000连阴4天[11]。 2. **指数与均线相对位置因子**：当日，所有指数均低于5日均线；仅中证500高于10日均线(+0.3%)；仅中证1000低于20日均线(-0.04%)；上证50(-0.2%)和中证2000(-0.04%)低于60日均线，创业板指高于60日均线(+0.6%)[14][15]。 3. **交易金额占比因子**：当日，沪深300占比24.21%，中证2000占比23.6%，中证1000占比21.26%，创业板指占比约7.15%（根据图示估算），中证全指占比100%（基准），中证500占比约14.5%（根据图示估算），上证50占比约4.5%（根据图示估算）[17]。 4. **指数换手率因子**：当日，中证2000换手率3.66，中证1000换手率2.24，创业板指换手率2.15，中证全指换手率1.58，中证500换手率1.54，沪深300换手率0.51，上证50换手率0.23[17]。 5. **收益分布峰度（超额）因子**：当前vs近5年峰度差值：创业板指-2.36，上证50-2.16，中证500-2.12，沪深300-1.81，中证全指-1.79，中证2000-1.54，中证1000-1.28[24]。 6. **收益分布偏度因子**：当前vs近5年偏度差值：上证50-0.59，创业板指-0.58，中证500-0.53，沪深300-0.45，中证全指-0.44，中证2000-0.36，中证1000-0.34[24]。 7. **风险溢价因子**： * **当前值**：上证50 -0.26%，沪深300 -0.64%，中证500 -0.79%，中证1000 -0.85%，中证2000 -0.24%，中证全指 -0.64%，创业板指 -1.78%[31]。 * **近5年分位值**：上证50 40.16%，中证2000 38.73%，沪深300 24.44%，中证全指 24.05%，中证1000 23.41%，中证500 21.98%，创业板指 11.67%[31]。 8. **PE-TTM历史分位值因子**： * **近5年分位值**：中证500 94.96%，中证1000 93.80%，中证全指 91.07%，上证50 81.65%，沪深300 81.07%，中证2000 80.41%，创业板指 56.69%[42][43]。 * **当前值**：上证50 11.61，沪深300 13.90，中证500 32.45，中证1000 45.01，中证2000 152.69，中证全指 20.94，创业板指 40.64[43]。 9. **股债性价比因子**：当日，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）[46]。 10. **股息率因子**： * **当前值**：上证50 3.18%，沪深300 2.77%，中证全指 2.06%，中证500 1.45%，中证1000 1.14%，创业板指 0.98%，中证2000 0.79%[53]。 * **近5年分位值**：创业板指 65.29%，中证1000 51.16%，沪深300 38.68%，中证全指 37.44%，上证50 31.65%，中证2000 27.69%，中证500 24.96%[53]。 11. **破净率因子**：当日，上证50破净率22.0%，沪深300破净率16.0%，中证500破净率11.0%，中证1000破净率8.1%，中证2000破净率3.8%，中证全指破净率6.4%，创业板指破净率NaN%[57]。

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**：通过逐笔成交数据还原买卖单，筛选大单，计算大买单成交金额占总成交金额的比例，以刻画大资金的买入行为[7]。 * **因子具体构建过程**： 1. 使用逐笔成交数据，根据叫买和叫卖序号，将数据还原为买卖单数据[7]。 2. 按照每单的成交量筛选得到大单[7]。 3. 计算大买单的成交金额占当日总成交金额的比例[7]。 * 公式：$$大买单成交金额占比 = \frac{当日大买单成交金额}{当日总成交金额} \times 100\%$$ 2. **因子名称**：净主动买入金额占比[7] * **因子构建思路**：根据逐笔成交数据中的买卖标志，界定主动买入和主动卖出，计算两者成交金额之差占总成交金额的比例，以刻画投资者的主动买入行为[7]。 * **因子具体构建过程**： 1. 使用逐笔成交数据，根据买卖标志界定每笔成交属于主动买入还是主动卖出[7]。 2. 计算主动买入成交金额与主动卖出成交金额的差值，得到净主动买入金额[7]。 3. 计算净主动买入金额占当日总成交金额的比例[7]。 * 公式：$$净主动买入金额占比 = \frac{当日主动买入成交金额 - 当日主动卖出成交金额}{当日总成交金额} \times 100\%$$ 因子的回测效果 1. **大买单成交金额占比因子**，近5日（20251208-20251212）均值：再升科技 91.4%[9]，安妮股份 91.2%[9]，康欣新材 87.9%[9]，广田集团 87.6%[9]，中泰化学 87.5%[9]，宁波港 87.3%[9]，古越龙山 87.2%[9]，酒钢宏兴 87.1%[9]，富森美 87.1%[9]；上证指数 73.0%[12]，上证50 68.9%[12]，沪深300 72.0%[12]，中证500 73.3%[12]，创业板指 71.4%[12]；非银行金融行业 78.5%[13]，钢铁行业 78.2%[13]，银行业 78.1%[13]，房地产业 77.9%[13]，电力及公用事业行业 77.6%[13]；国泰中证A500ETF 91.5%[15]，国泰上证10年期国债ETF 91.1%[15]，华宝中证军工ETF 90.9%[15]，华宝中证银行ETF 90.7%[15]，广发中证军工ETF 90.5%[15]。 2. **净主动买入金额占比因子**，近5日（20251208-20251212）均值：热景生物 15.9%[10]，蓝晓科技 14.5%[10]，壹连科技 14.0%[10]，厦门银行 14.0%[10]，华懋科技 13.1%[10]，苑东生物 12.6%[10]，晋亿实业 12.6%[10]，东山精密 11.3%[10]；上证指数 0.8%[12]，上证50 3.1%[12]，沪深300 2.6%[12]，中证500 5.0%[12]，创业板指 3.5%[12]；非银行金融行业 6.3%[13]，电力设备及新能源行业 5.9%[13]，通信行业 2.5%[13]，电子行业 2.2%[13]，电力及公用事业行业 1.8%[13]；国泰上证10年期国债ETF 25.9%[16]，华夏中证5G通信主题ETF 19.1%[16]，华夏中证人工智能ETF 16.7%[16]，广发上证科创板50ETF 15.9%[16]，易方达中证科创创业50ETF 14.6%[16]。