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、所使用的底层因子或计算公式。 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“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：$$溢价率 = (ETF市价 - ETF净值) / ETF净值$$ 2. 选取一个滚动时间窗口（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：$$Z_t = (溢价率_t - \mu) / \sigma$$ 其中，$$Z_t$$代表当前时点的溢价率Z-score值，用于衡量当前溢价率相对于其近期历史均值的标准化偏离[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**：综合多个维度衡量一个行业交易过热或过冷的程度，数值越高通常表示该行业越拥挤[3]。 * **因子具体构建过程**：报告未详细说明该因子的具体合成方法、涉及的子因子或计算公式。 2. **因子名称：溢价率Z-score**[4] * **因子构建思路**：衡量ETF当前溢价率在其近期历史分布中的位置，是一个标准化后的偏离度指标，用于判断溢价率是否处于极端水平[4]。 * **因子具体构建过程**：见上文“溢价率 Z-score 模型”的具体构建过程中对Z-score的计算描述[4]。 模型的回测效果 （报告未提供相关模型的回测绩效指标，如年化收益率、夏普比率、最大回撤等。） 因子的回测效果 （报告未提供相关因子的IC、IR、多空收益等检验指标。） 模型/因子的具体测试结果取值 1. **行业拥挤度监测模型** 与 **行业拥挤度因子** * **测试结果取值**：报告给出了截至前一交易日（2025/12/12）的监测结果。拥挤度排名靠前的行业为：通信、军工、电子[3]。拥挤度水平较低的行业为：计算机、汽车、传媒[3]。拥挤度变动较大的行业为：建筑装饰、房地产[3]。 2. **溢价率 Z-score 模型** 与 **溢价率Z-score因子** * **测试结果取值**：报告根据该模型输出了“ETF产品关注信号”列表，给出了建议关注的ETF产品，包括：双创龙头ETF(588330.SH)、红利国企ETF(510720.SH)、医疗创新ETF(516820.SH)、有色金属ETF(512400.SH)、工业有色ETF(560860.SH)[14]。报告未列出这些ETF具体的Z-score数值。

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：无 **模型构建思路**：无 **模型具体构建过程**：无 量化因子与构建方式 1. **因子名称**：封板率因子 **因子构建思路**：通过计算当日最高价涨停且收盘涨停的股票比例，来衡量市场涨停股的封板强度和市场情绪[18]。 **因子具体构建过程**：筛选上市满3个月以上的股票，统计在特定交易日满足以下两个条件的股票数量：1) 当日最高价达到涨停价；2) 当日收盘价涨停。封板率即为同时满足这两个条件的股票数与仅满足条件1的股票数之比[18]。 **计算公式**： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ **因子评价**：该因子是反映市场短期投机情绪和资金封板意愿的高频指标，封板率越高，通常意味着市场对涨停股的追捧情绪越强，短线赚钱效应越好[18]。 2. **因子名称**：连板率因子 **因子构建思路**：通过计算连续两日收盘涨停的股票比例，来衡量市场涨停股的持续性和龙头股的接力情绪[18]。 **因子具体构建过程**：筛选上市满3个月以上的股票，统计在特定交易日满足以下条件的股票数量：1) 当日收盘价涨停；2) 前一交易日收盘价也涨停。连板率即为同时满足这两个条件的股票数与前一交易日所有收盘涨停的股票数之比[18]。 **计算公式**： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ **因子评价**：该因子是衡量市场连板效应和题材炒作持续性的重要指标，连板率越高，表明市场短线资金接力意愿强，题材炒作可能具有较好的持续性[18]。 3. **因子名称**：大宗交易折价率因子 **因子构建思路**：通过计算大宗交易成交价相对于市价的折价幅度，来反映大资金（机构、股东等）的卖出意愿和折价交易情绪[27]。 **因子具体构建过程**：统计特定交易日所有大宗交易数据，计算总成交金额，并根据成交份额与当日收盘价计算对应的总市值。折价率为总成交金额与总市值之比减1[27]。 **计算公式**： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ **因子评价**：该因子通常被视为“聪明钱”或“内部人”情绪的指标。较高的折价率可能意味着大股东或机构急于套现或对后市看法偏谨慎；较低的折价率或溢价则可能反映接盘方看好后市[27]。 4. **因子名称**：股指期货年化贴水率因子 **因子构建思路**：通过计算股指期货主力合约价格相对于现货指数的年化基差，来反映市场对未来指数的预期、对冲成本以及市场情绪[29]。 **因子具体构建过程**：对于特定股指期货主力合约（如上证50、沪深300等），计算其结算价与对应现货指数收盘价的差值（基差）。然后将基差除以现货指数价格，再乘以年化因子（250天除以合约剩余交易日数），得到年化贴水率。当期货价格高于现货时，结果为年化升水率；反之则为年化贴水率[29]。 **计算公式**： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ **因子评价**：该因子是市场情绪和资金成本的重要风向标。深度贴水可能反映市场情绪悲观、对冲需求旺盛或存在套利机会；而升水或浅度贴水则可能反映市场情绪乐观或对冲成本较低[29]。不同指数期货的贴水率差异也能反映市场对不同风格板块的预期差异。 模型的回测效果 *无相关内容* 因子的回测效果 1. **封板率因子**：2025年12月15日，封板率取值为65%[18]。 2. **连板率因子**：2025年12月15日，连板率取值为20%[18]。 3. **大宗交易折价率因子**： * 近半年以来平均折价率取值为6.65%[27]。 * 2025年12月12日，当日折价率取值为4.59%[27]。 4. **股指期货年化贴水率因子**： * **历史中位数（近一年）**：上证50为0.89%，沪深300为3.70%，中证500为11.22%，中证1000为13.67%[29]。 * **当日取值（2025年12月15日）及历史分位**： * 上证50年化贴水率为6.84%，处于近一年16%分位点[29]。 * 沪深300年化贴水率为8.87%，处于近一年19%分位点[29]。 * 中证500年化升水率为1.61%，处于近一年97%分位点[29]。 * 中证1000年化贴水率为0.92%，处于近一年98%分位点[29]。

量化模型与构建方式 1. **模型名称**：绿色转型板块资金流向分析模型[34] **模型构建思路**：为追踪碳中和进程中的资金流向，将市场行业划分为不同功能定位的板块，并分析其主力资金净流入/流出情况[34] **模型具体构建过程**： * **板块分类**：基于各行业在碳减排链条中的功能定位，将与绿色或转型相关的行业划分为三类[34]： * **低碳核心板块**：涵盖直接贡献碳减排的行业，如电力设备、环保，以及公用事业和汽车行业的部分领域[39] * **低碳支撑板块**：包括为产业绿色转型提供数字化、自动化和智能化支撑的行业，如计算机、通信、电子及机械设备的部分领域[39] * **转型主体板块**：包括能源消耗强度高、排放基数大的重点减排领域，如火电、煤炭、钢铁、有色金属、化工等[39] * **资金流向计算**：计算每个板块的“主力净流入额”和“净流入率”等指标，以分析资金动向[35][36] **模型评价**：该分类模型有助于从资金层面观察市场对不同绿色转型环节的关注度和偏好变化，为趋势分析提供了结构化视角[34] 量化因子与构建方式 1. **因子名称**：ESG事件情绪因子[43] **因子构建思路**：通过统计全市场ESG相关事件的数量及正负向比例，构建反映市场ESG整体情绪和结构性热点的因子[43] **因子具体构建过程**： * **事件收集与分类**：收集全市场ESG相关事件，并按情绪方向分为正向、负向和中性三类[43] * **总量与结构计算**： * 计算周度ESG事件总数[43] * 计算正向事件占比：$$正向事件占比 = \frac{正向事件数量}{ESG事件总数}$$[43] * 计算负向事件占比：$$负向事件占比 = \frac{负向事件数量}{ESG事件总数}$$[43] * **维度与议题分析**：将事件按环境(E)、社会(S)、治理(G)三个维度进行划分，并统计各维度下的热点议题（如“战略合作”、“减持”、“绿色产品”等）[46][48] * **行业层面分析**：统计各行业发生的ESG事件数量及正负向比例，识别舆情积极或承压的行业[49][52] 2. **因子名称**：行业ESG舆情集中度因子[53] **因子构建思路**：通过计算ESG事件数量在行业间的分布，识别市场关注度最为集中的行业板块[53] **因子具体构建过程**： * 统计各行业本周ESG事件总数[52] * 计算头部行业事件合计占全市场总事件数的比例，例如报告中指出电子、电力设备与汽车三大行业合计占全市场总事件数的27.5%[53] 模型的回测效果 1. 绿色转型板块资金流向分析模型[34] * 本周低碳核心板块主力净流出额：约79亿元[35] * 本周低碳核心板块净流入率：-0.7%[35] * 本周低碳支撑板块主力净流出额：约535亿元[35] * 本周低碳支撑板块净流入率：-1.53%[35] * 本周转型主体板块主力净流出额：约120亿元[35] * 本周转型主体板块净流入率：-0.86%[35] * 本周各板块成交额占比：低碳核心12%，低碳支撑36%，转型主体14%，其他板块38%[35][38] 因子的回测效果 1. ESG事件情绪因子[43] * 本周全市场ESG事件总数：2279件[43] * 本周正向事件占比：50.2%[43] * 本周负向事件占比：38.3%[43] * 本周中性事件占比：11.4%[43] * 本周事件维度分布：环境(E)维度255件，社会(S)维度107件，治理(G)维度2315件[46][48] * 本周热点议题示例：治理(G)维度TOP3为“战略合作”（621件）、“减持”（406件）、“兼并收购”（250件）[48] 2. 行业ESG舆情集中度因子[53] * 本周ESG事件数量前三行业：电子（232件）、电力设备（205件）、汽车（190件）[52][53] * 前三行业事件数合计占比：27.5%[53] * 代表性行业正向事件占比：汽车行业72.1%，电力设备行业56.1%，电子行业34.1%[49][53]

量化模型与构建方式 本报告为可转债市场周度跟踪报告，未涉及具体的量化模型或量化因子的构建与测试。报告内容主要为市场行情、个券表现、估值分析和条款跟踪的数据统计与展示[1][4][7][10][20][33][42]。 量化因子与构建方式 本报告未涉及具体的量化因子构建过程。 模型的回测效果 本报告未涉及具体量化模型的回测效果。 因子的回测效果 本报告未涉及具体量化因子的回测效果。

量化模型与构建方式 1. 动态因子调整模型（小盘股票池“2+3”模型） * **模型名称**： 小盘股票池“2+3”动态因子调整模型[4][98] * **模型构建思路**： 针对小盘股票池因子表达稳定、动量效应强的特点，结合固定有效因子与动态动量筛选，并剔除高失效风险的因子，构建动态选股模型[4][93][98]。 * **模型具体构建过程**： 1. **固定因子选择**： 每期固定选择估值因子（BTOP）和残差波动率因子（VOLATILITY）[98]。 2. **动态因子筛选**： * **剔除高失效风险因子**： 在每个月末，剔除当期条件失效概率高于80%的因子[93][98]。 * **计算动量评分**： 对剩余因子，计算其中期动量（过去6个月RankIC均值）和长期动量（过去3至12个月RankICIR均值）[4][82]。 * **选择动态因子**： 根据动量评分，选取评分最高的前3个因子[98]。 3. **模型合成**： 将2个固定因子与3个动态筛选出的因子结合，构成每期用于选股的5个因子集合[98]。 4. **组合构建**： 使用这5个因子对股票进行等权打分，选取得分最高的50只股票构建等权投资组合[103]。 2. 动态因子调整模型（大盘股票池综合打分模型） * **模型名称**： 大盘股票池综合打分动态因子调整模型[4][109] * **模型构建思路**： 针对大盘股票池因子表达剧烈、失效反转风险高的特点，采用更严格的因子剔除标准，并将失效概率信息融入综合评分，以动态选择因子[4][106][109]。 * **模型具体构建过程**： 1. **初步剔除高失效风险因子**： 在每个月末，首先剔除当期条件失效概率高于70%的因子[109]。 2. **构建综合评分**： 对剩余因子，构建综合评分。评分结合了正向的动量指标和负向的失效风险指标[87][88]。 * **动量指标**： 包括中期动量（过去6个月RankIC均值）和长期动量（过去3至12个月RankICIR均值）[4][82]。 * **失效风险指标**： 使用条件失效概率 $P$（次月失效|当月状态）[74][87]。将失效风险转化为负向评分，例如使用 $1 - P$ 的形式[88]。 3. **选择动态因子**： 根据综合评分，选取评分最高的前5个因子[109]。 4. **组合构建**： 使用这5个因子对股票进行等权打分，并构建投资组合[109]。 3. 因子动量评估指标 * **指标名称**： 因子RankIC动量指标[4][62][66] * **指标构建思路**： 通过计算当期因子选股能力（RankIC）与历史不同窗口期选股能力均值之间的相关性，来刻画因子的动量效应，并寻找最优的动量观察窗口[4][63][66]。 * **指标具体构建过程**： 1. **定义动量窗口**： 使用“m_n”表示从过去第m个月开始，到过去第n个月结束的历史数据均值。例如，“3_12”表示跳空最近3个月，回溯过去第3至第12个月共10个月的数据均值[66]。 2. **计算历史动量**： 对于每个因子，在时间截面 $t$，计算其在指定历史窗口（如“3_12”）内的RankIC（或RankICIR）的均值，作为该因子的历史动量值 $Momentum_{t}^{m\_n}$[4][66]。 3. **评估动量效应**： 在时间截面 $t$，计算所有因子当期RankIC值 $RankIC_t$ 与其对应的历史动量值 $Momentum_{t}^{m\_n}$ 的截面斯皮尔曼秩相关系数[65]。该相关系数越高，表明因子的选股能力在指定窗口下延续性（动量效应）越强[66]。 4. **确定最优参数**： 通过比较不同“m_n”参数组合下的平均相关系数，发现“3_12”窗口（即近端跳空3个月，回溯12个月）的动量效应最为稳健和显著，被确立为最优动量窗口[4][66]。 4. 因子条件失效概率指标 * **指标名称**： 因子条件失效概率[4][72][74] * **指标构建思路**： 基于因子当期有效性状态，通过滚动历史窗口统计其下一期陷入或维持失效状态的概率，用以评估因子短期反转的潜在风险[4][74]。 * **指标具体构建过程**： 1. **定义状态**： 在每个月末，根据因子当期RankIC值的正负（是否符合预期方向）将其划分为“有效”或“失效”两种状态[74]。 2. **构建转移矩阵**： 滚动过去一年的历史数据，统计因子从“当月有效”转移到“次月失效”的频率，以及从“当月失效”维持到“次月失效”的频率[72][74]。 3. **计算条件概率**： 以当期因子的状态（有效或失效）为条件，计算其次月失效的条件概率 $P$（次月失效|当月状态）[74][87]。该概率即为当期关注的因子失效指标。 5. 因子收益与选股能力背离指标 * **指标名称**： 因子收益与RankIC滚动相关系数[55][56] * **指标构建思路**： 通过计算因子收益率与其实际选股能力（RankIC）在滚动窗口内的相关性，识别因子回报是否由基本面选股Alpha驱动，以预警交易拥挤和失效风险[55][56]。 * **指标具体构建过程**： 1. **计算时间序列**： 对于每个一级风格因子，分别计算其因子收益率时间序列和RankIC时间序列[55]。 2. **滚动计算相关性**： 采用6个月的向前滚动窗口（T-5期至T期），计算两个序列的斯皮尔曼秩相关系数[55]。 3. **设定风险阈值**： 分析发现，当滚动相关系数的绝对值突破0.75的阈值时，往往预示着因子面临显著的短期失效风险[4][57][60]。极端正相关可能反映“因子拥挤”，极端负相关可能反映市场的“非理性过激”[60]。 量化因子与构建方式 **注**：报告详细分析了一个包含15个一级风格因子的体系，但未提供所有因子的具体计算公式，仅给出了描述性定义[8]。以下列出报告中明确提及并进行分析的核心因子。 1. 估值类因子 * **因子名称**： 账面市值比（BTOP）[8][39] * **因子构建思路**： 属于估值因子，衡量股票的相对便宜程度，通常认为账面价值相对市值越高，股票未来回报可能越高[8]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“账面价值除以当前市值”[8]。 * **因子名称**： 股息率（DIVIDEND）[8][39] * **因子构建思路**： 属于估值因子，衡量公司分红回报水平，通常认为股息率越高，股票可能更具投资价值[8]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“滚动过去一年股息水平”[8]。 * **因子名称**： 盈利收益率（EARNING）[8][39] * **因子构建思路**： 属于估值/盈利因子，衡量公司盈利相对于市值的水平，通常认为盈利收益率越高，股票估值可能越低[8]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“各类盈利 vs 市值”[8]。 * **因子评价**： 估值类因子在大盘股内表现相对极端，选股力度可能更强但方向把控需更精准；BTOP因子在小盘股中优势更明显[39]。在慢牛、震荡、下行市场中更倾向正向表达[30]。 2. 质量类因子 * **因子名称**： 盈利变异性（EARNINGVAR）[8][50] * **因子构建思路**： 属于质量因子，衡量公司盈利的稳定程度，通常认为盈利波动越小，公司质量越高，未来股票回报可能越高（负向因子）[50]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“营业收入、净利润、现金的变异程度”[8]。 * **因子名称**： 盈收质量（PROFITABLITY）[8][50] * **因子构建思路**： 属于质量因子，衡量公司盈利的质量和水平，通常认为盈利质量越高，公司基本面越好，未来股票回报可能越高（正向因子）[50]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“营收、利润等水平”[8]。 * **因子评价**： 质量类因子在大盘股内存在明显的正向优势，选股区分度高，但在成长股票池内的选股效果弱于其他池[47][50]。盈收质量因子在2021年前后出现有效性分水岭[50]。 3. 价量类因子 * **因子名称**： 动量（MOMENTUM）[8][46] * **因子构建思路**： 属于价量因子，认为过去表现好的股票在未来一段时间内会延续其趋势（报告中定义方向为负）[8][46]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“收益率、alpha的动量”[8]。 * **因子评价**： 动量因子在大盘股内持续正向表达，大盘股动量效应显著；而在小盘股内反转效应显著[4][46]。该因子属于失效概率较高的因子之一[4][78]。 4. 波动与流动性因子 * **因子名称**： 残差波动率（VOLATILITY）[8][40] * **因子构建思路**： 属于波动率因子，衡量股票剔除市场影响后的特异性风险，通常认为波动率越低，股票风险越小，未来回报可能越高（负向因子）[8][40]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“收益与时间回归残差项的波动率”[8]。 * **因子名称**： 流动性（LIQUIDITY）[8][40] * **因子构建思路**： 属于流动性因子，衡量股票的交易便利程度，通常认为流动性越差，股票需要提供更高的风险补偿（负向因子）[8][40]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“短、中、长期的流动性”[8]。 * **因子评价**： 波动率和流动性因子在各个股票池内大多保持稳定的负向表达，失效概率较低[20][40][78]。当其RankIC出现异常正向放大后，市场往往上行[41]。 模型的回测效果 1. 小盘股票池“2+3”动态因子调整模型 * **回测区间**： 2016年1月4日 至 2025年11月28日[103] * **基准**： 中证1000与中证2000指数等权[103] * **业绩指标**： * 年化收益： 8.83%[103] * 年化波动： 21.08%[103] * 夏普比率： 0.42[103] * 最大回撤： 38.67%[103] * 卡玛比率： 0.23[103] * 超额年化收益： 11.47%[103] * 超额波动： 13.82%[103] * 信息比率（IR）： 0.83[103] * 超额最大回撤： 21.10%[103] 因子的回测效果 **注**：报告提供了多个因子在不同股票池和不同年份的RankICIR具体数值及排名[18][22][25][27][34][36][38][46][48][50]。以下选取全区间（约2013-2025年）在特定股票池的RankICIR均值进行概括性展示，以反映因子的长期表现差异。 1. 大盘股票池（沪深300）全区间RankICIR均值 * **BETA**: -0.19[22] * **BTOP**: 0.17[22] * **DIVIDEND**: 0.28[22] * **EARNING**: -0.26[22] * **EARNINGVAR**: 0.22[22] * **GROWTH**: -0.22[22] * **INVENSTMENT**: 0.18[22] * **LEVERAGE**: 0.01[22] * **LIQUIDITY**: -0.38[22] * **LTREVERSAL**: 0.14[22] * **MIDCAP**: -0.11[22] * **MOMENTUM**: 0.03[22] * **PROFITABLITY**: 0.00[22] * **SIZE**: 0.10[22] * **VOLATILITY**: -0.27[22] 2. 小盘股票池（中证1000+中证2000）全区间RankICIR均值 * **BETA**: -0.05[22] * **BTOP**: 0.37[22] * **DIVIDEND**: 0.37[22] * **EARNING**: -0.25[22] * **EARNINGVAR**: 0.23[22] * **GROWTH**: -0.11[22] * **INVENSTMENT**: 0.12[22] * **LEVERAGE**: 0.02[22] * **LIQUIDITY**: -0.54[22] * **LTREVERSAL**: 0.25[22] * **MIDCAP**: -0.36[22] * **MOMENTUM**: 0.06[22] * **PROFITABLITY**: -0.38[22] * **SIZE**: -0.39[22] * **VOLATILITY**: -0.39[22] 3. 成长股票池全区间RankICIR均值 * **BETA**: -0.13[25] * **BTOP**: 0.09[25] * **DIVIDEND**: 0.20[25] * **EARNING**: -0.23[25] * **EARNINGVAR**: 0.14[25] * **GROWTH**: -0.16[25] * **INVENSTMENT**: 0.21[25] * **LEVERAGE**: 0.01[25] * **LIQUIDITY**: -0.38[25] * **LTREVERSAL**: 0.09[25] * **MIDCAP**: -0.12[25] * **MOMENTUM**: 0.01[25] * **PROFITABLITY**: 0.08[25] * **SIZE**: 0.03[25] * **VOLATILITY**: -0.18[25] 4. 价值股票池全区间RankICIR均值 * **BETA**: -0.15[27] * **BTOP**: 0.22[27] * **DIVIDEND**: 0.34[27] * **EARNING**: -0.20[27] * **EARNINGVAR**: 0.25[27] * **GROWTH**: -0.19[27] * **INVENSTMENT**: 0.12[27] * **LEVERAGE**: -0.04[27] * **LIQUIDITY**: -0.42[27] * **LTREVERSAL**: 0.13[27] * **MIDCAP**: -0.25[27] * **MOMENTUM**: -0.17[27] * **PROFITABLITY**: 0.08[27] * **SIZE**: -0.08[27] * **VOLATILITY**: -0.40[27]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：风险溢价因子**[26] * **因子构建思路**：以十年期国债即期收益率为无风险利率的参考，计算各宽基指数相对于无风险利率的风险溢价，用以衡量其相对投资价值和偏离情况[26]。 * **因子具体构建过程**：风险溢价的计算公式为指数的预期收益率（通常用市盈率倒数或股息率等指标近似）减去无风险利率。报告中直接给出了各指数的“当前风险溢价”值，其计算逻辑为：风险溢价 = 指数收益率（或估值隐含收益率） - 十年期国债即期收益率[26][28]。具体计算中，指数收益率可能采用了基于市盈率（PE-TTM）的隐含收益率（即1/PE）或股息率。 2. **因子名称：股债性价比因子**[45] * **因子构建思路**：以各指数市盈率（PE-TTM）的倒数和十年期国债即期收益率之差作为股债性价比指标，用于比较股票资产与债券资产的相对吸引力[45]。 * **因子具体构建过程**：股债性价比 = (1 / 指数PE-TTM) - 十年期国债即期收益率[45]。该值越高，表明股票相对于债券的吸引力越强。 3. **因子名称：股息率因子**[47] * **因子构建思路**：股息率反映现金分红回报率，是红利投资风格的核心指标。在市场低迷或利率下行期，高股息资产因其稳定的现金流和较低的估值可能更具防御性或吸引力[47]。 * **因子具体构建过程**：股息率 = 年度现金分红总额 / 总市值。报告中直接列出了各宽基指数的当前股息率值[51]。 4. **因子名称：破净率因子**[52] * **因子构建思路**：破净率指的是市净率（PB）小于1的个股数量占比，用于反映市场整体的估值态度和悲观程度。破净率越高，表明市场低估的情况越普遍；反之，可能表明市场对未来发展持乐观态度[52][54]。 * **因子具体构建过程**：破净率 = (指数成分股中市净率(PB) < 1的股票数量) / 指数总成分股数量[52]。报告直接给出了各指数的当前破净率[55]。 5. **因子名称：收益分布形态因子（偏度与峰度）**[22][24] * **因子构建思路**：通过计算指数日收益率分布的偏度和峰度，来刻画收益分布的不对称性和尖峰厚尾特征，用于评估极端收益出现的可能性和分布集中程度[22]。 * **因子具体构建过程**： * **偏度 (Skewness)**：衡量收益率分布的不对称性。正偏态表示极端正收益情形增加，负偏态表示极端负收益情形增加[22]。计算公式为三阶标准化矩。 * **峰度 (Kurtosis)**：衡量收益率分布的尖峭程度。报告中指出“峰度越大，说明各区间段的收益率分布更集中”[22]。其计算中减去了3（正态分布的峰度值），因此报告中的“峰度”实为超额峰度[24]。 6. **因子名称：均线比较因子**[14] * **因子构建思路**：通过比较指数收盘价与不同周期移动平均线（MA）的位置关系，来判断指数的短期、中期趋势强弱[14]。 * **因子具体构建过程**：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。公式为：偏离百分比 = (收盘价 / MA_n - 1) * 100%[14]。报告中用“vsMA5”等列直接展示了该值。 7. **因子名称：换手率因子**[16] * **因子构建思路**：换手率反映了指数的交易活跃度和流动性情况[16]。 * **因子具体构建过程**：指数换手率计算方式为：指数换手率 = Σ(成分股流通股本 * 成分股换手率) / Σ(成分股流通股本)[16]。 因子的回测效果（指标取值） **注**：本报告主要为市场数据跟踪与统计，未提供基于因子构建投资组合并进行历史回测的绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。报告中所列数值均为特定时点（2025年12月12日）的因子截面值或历史统计值，并非回测绩效指标。 1. **风险溢价因子** * 当前值：上证50 (0.58%)， 沪深300 (0.62%)， 中证500 (1.22%)， 中证1000 (0.80%)， 中证2000 (0.66%)， 中证全指 (0.74%)， 创业板指 (0.96%)[30] * 近5年分位值：上证50 (76.83%)， 沪深300 (75.56%)， 中证500 (86.75%)， 中证1000 (74.13%)， 中证2000 (65.16%)， 中证全指 (76.83%)， 创业板指 (75.63%)[30] 2. **PE-TTM（估值因子）** * 当前值：上证50 (11.73)， 沪深300 (13.92)， 中证500 (32.74)， 中证1000 (47.15)， 中证2000 (154.93)， 中证全指 (20.98)， 创业板指 (41.36)[42] * 近5年分位值：上证50 (82.48%)， 沪深300 (81.24%)， 中证500 (95.45%)， 中证1000 (96.61%)， 中证2000 (82.23%)， 中证全指 (91.32%)， 创业板指 (57.77%)[42] 3. **股息率因子** * 当前值：上证50 (3.34%)， 沪深300 (2.79%)， 中证500 (1.38%)， 中证1000 (1.13%)， 中证2000 (0.76%)， 中证全指 (2.06%)， 创业板指 (1.00%)[51] * 近5年分位值：上证50 (37.52%)， 沪深300 (39.34%)， 中证500 (15.70%)， 中证1000 (47.19%)， 中证2000 (12.56%)， 中证全指 (37.52%)， 创业板指 (66.61%)[51] 4. **破净率因子** * 当前值：上证50 (24.0%)， 沪深300 (16.67%)， 中证500 (11.8%)， 中证1000 (8.7%)， 中证2000 (3.5%)， 创业板指 (1.0%)， 中证全指 (6.55%)[55] 5. **收益分布形态因子** * 当前峰度（超额）：上证50 (-0.05)， 沪深300 (0.63)， 中证500 (0.81)， 中证1000 (1.52)， 中证2000 (1.38)， 中证全指 (0.98)， 创业板指 (1.34)[24] * 当前偏度：上证50 (1.31)， 沪深300 (1.54)， 中证500 (1.55)， 中证1000 (1.68)， 中证2000 (1.68)， 中证全指 (1.61)， 创业板指 (1.65)[24] 6. **均线比较因子** * vsMA5（收盘价较5日均线偏离）：上证50 (-0.03%)， 沪深300 (-0.2%)， 中证500 (0.4%)， 中证1000 (-0.1%)， 中证2000 (-0.5%)， 中证全指 (-0.1%)， 创业板指 (0.03%)[14] * vsMA60（收盘价较60日均线偏离）：上证50 (0.1%)， 沪深300 (-0.2%)， 中证500 (-0.4%)， 中证1000 (-0.7%)， 中证2000 (0.2%)， 中证全指 (-0.3%)， 创业板指 (2.5%)[14] 7. **换手率因子** * 当前换手率：中证2000 (4.1)， 创业板指 (2.66)， 中证1000 (2.5)， 中证全指 (1.77)， 中证500 (1.74)， 沪深300 (0.65)， 上证50 (0.34)[16]

量化模型与构建方式 1. **模型名称：量能择时模型**[23] * **模型构建思路**：通过分析市场成交量的变化来判断市场趋势和买卖时机，当量能指标发出看多信号时，认为市场可能上涨[23]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建公式和计算步骤，仅提及其为一种择时信号[23]。 2. **模型名称：沪深300上涨家数占比择时模型**[24][27] * **模型构建思路**：通过计算沪深300指数成分股中过去一段时间内上涨股票的家数占比，来衡量市场情绪。当上涨家数占比高时，市场情绪可能过热；当上涨家数占比从低位回升时，可能预示市场底部[24]。 * **模型具体构建过程**： 1. 计算沪深300指数成分股过去N日收益大于0的个股数占比，得到原始指标[24]。 2. 对原始指标进行两次不同窗口期的移动平均平滑，得到快线（短期平滑线）和慢线（长期平滑线）[27]。 3. 生成交易信号：当快线大于慢线时，认为市场情绪上行，发出看多信号；当快线小于慢线时，认为市场情绪下行，持谨慎或中性态度[27]。 * **模型评价**：该指标可以较快捕捉上涨机会，但也会错失市场持续亢奋阶段的上涨收益，且对下跌市场的判断存在缺陷，难以有效规避下跌风险[25]。 3. **模型名称：均线情绪指标择时模型**[30][31] * **模型构建思路**：通过判断沪深300指数收盘价相对于一组长期均线的位置关系，来评估市场的趋势状态和情绪[30]。 * **模型具体构建过程**： 1. 计算沪深300收盘价的八条均线，参数分别为8, 13, 21, 34, 55, 89, 144, 233[30]。 2. 统计当日沪深300指数收盘价大于这八条均线指标值的数量[31]。 3. 生成交易信号：当收盘价大于均线的数量超过5条时，看多沪深300指数[31]。 4. **因子名称：横截面波动率**[34] * **因子构建思路**：衡量同一时间点（截面）上，某一指数（如沪深300）内所有成分股收益率之间的离散程度。波动率越高，表明个股表现分化越大，可能意味着Alpha（超额收益）机会更多[34]。 * **因子具体构建过程**：报告未给出具体的计算公式，但指出其用于观察市场赚钱效应和Alpha环境[34]。 5. **因子名称：时间序列波动率**[37] * **因子构建思路**：衡量指数成分股收益率随时间变化的波动程度。波动率上升可能意味着市场活跃度增加，Alpha环境改善[37]。 * **因子具体构建过程**：报告未给出具体的计算公式，但指出其用于观察市场赚钱效应和Alpha环境[37]。 6. **因子名称：基金抱团分离度**[81] * **因子构建思路**：通过计算抱团基金组合截面收益的标准差，来度量基金抱团的程度。标准差小表示抱团基金表现趋同，抱团程度高；标准差大表示抱团正在瓦解[81]。 * **因子具体构建过程**： 1. 构造抱团基金组合（具体构造方法未详述）[81]。 2. 计算该抱团基金组合在截面上的收益率标准差，作为分离度指标[81]。 模型的回测效果 （报告中未提供各择时模型的具体回测绩效指标数值，如年化收益率、夏普比率、最大回撤等。） 因子的回测效果 1. **横截面波动率因子** * **沪深300横截面波动率**：近两年平均值1.93%，近一年平均值1.89%，近半年平均值1.99%，近一季度平均值2.05%[37]。近一季度平均值处于近两年、近一年、近半年分位数的71.22%、73.50%、69.15%[37]。 * **中证500横截面波动率**：近两年平均值2.11%，近一年平均值2.11%，近半年平均值2.16%，近一季度平均值2.27%[37]。近一季度平均值处于近两年、近一年、近半年分位数的57.94%、65.87%、61.90%[37]。 * **中证1000横截面波动率**：近两年平均值2.31%，近一年平均值2.39%，近半年平均值2.40%，近一季度平均值2.47%[37]。近一季度平均值处于近两年、近一年、近半年分位数的73.31%、71.71%、65.74%[37]。 2. **时间序列波动率因子** * **沪深300时序波动率**：近两年平均值0.65%，近一年平均值0.61%，近半年平均值0.62%，近一季度平均值0.64%[40]。近一季度平均值处于近两年、近一年、近半年分位数的60.25%、65.84%、59.21%[40]。 * **中证500时序波动率**：近两年平均值0.47%，近一年平均值0.45%，近半年平均值0.45%，近一季度平均值0.48%[40]。近一季度平均值处于近两年、近一年、近半年分位数的65.08%、66.67%、64.29%[40]。 * **中证1000时序波动率**：近两年平均值0.26%，近一年平均值0.25%，近半年平均值0.24%，近一季度平均值0.26%[40]。近一季度平均值处于近两年、近一年、近半年分位数的69.72%、71.71%、63.75%[40]。

量化模型与因子总结 量化因子与构建方式 一、基本面因子 1. 一致预期变化率因子 * **因子名称**：预测净利润(Y1)_chg_3m、预测净利润(Y2)_chg_3m[6] * **构建思路**：分析师给出的业绩预测往往过于乐观，因此采用一致预期（如净利润）的变化率来反映分析师观点的动态调整，比绝对预测值更具预测能力[7]。 * **具体构建过程**：计算未来第1年(FY1)或第2年(FY2)的预测净利润在过去3个月（或6个月）内的变化率。公式为： $$因子值 = \frac{当前一致预期值 - N个月前一致预期值}{|N个月前一致预期值|}$$ 其中，N为时间窗口，例如3个月或6个月[6]。 * **因子评价**：净利润的一致预期变化率是预测能力较强的因子，其中FY2（未来第二年）的一致预期3个月变化率表现相对更好，多头组合的超额收益更明显[7][11]。 2. 成长基本面因子 * **因子名称**：单季度:净利润环比增速、单季度:毛利率同比增速[17] * **构建思路**：从企业成长性角度，选取能反映短期业绩边际改善的指标。 * **具体构建过程**： * **单季度:净利润环比增速**：计算最新单季度净利润相对于上一季度的增长率。 * **单季度:毛利率同比增速**：计算最新单季度毛利率相对于上年同期的增长率[17]。 * **因子评价**：成长基本面因子在多头组合的表现上领先更多，尤其在特定市场阶段表现突出[28]。 3. 质量基本面因子 * **因子名称**：现金流净利润比[20] * **构建思路**：从经营质量角度，衡量企业盈利的现金含量，现金流净利润比越高，说明利润质量越好。 * **具体构建过程**：计算经营现金流净额与净利润的比值。 $$现金流净利润比 = \frac{经营现金流净额}{净利润}$$ 通常使用TTM（滚动12个月）数据[20]。 * **因子评价**：该因子在质量维度中表现相对更好，对空头行业的筛选效果较强[22][28]。 4. 综合基本面因子 * **因子名称**：基本面因子（未明确命名）[22] * **构建思路**：综合反映行业在成长和质量维度的基本面表现。 * **具体构建过程**：将成长维度的**单季度净利润同比增速**、**单季度毛利率同比增速**与质量维度的**现金流净利润比**三个因子进行等权合成[22]。 二、资金面因子 1. 机构资金净流入 * **因子名称**：机构资金流入[37] * **构建思路**：机构投资者具有信息和分析优势，其交易行为更为理性，资金流入的行业未来表现可能更好[31][34]。 * **具体构建过程**：使用高频成交数据，将挂单金额大于100万元的主动成交行为定义为机构资金。计算过去20个交易日各行业的机构资金主动买入与主动卖出的净差额，作为该行业的机构资金净流入额[35][38]。 2. 散户资金净流入 * **因子名称**：散户资金流入[37] * **构建思路**：个人投资者易受“羊群效应”影响，其资金往往在市场泡沫期流入、底部流出，交易方向可作为负向参考指标[31][34]。 * **具体构建过程**：将挂单金额小于4万元的主动成交行为定义为散户资金。计算过去20个交易日各行业的散户资金主动买入与主动卖出的净差额，作为该行业的散户资金净流入额[35][38]。 * **因子评价**：散户资金净流入表现为明显的负向关系，其空头筛选能力相对更强[38][42]。 三、技术面（量价）因子 1. 传统动量因子 * **因子名称**：动量_504d、动量_252d[47] * **构建思路**：利用行业价格的历史趋势（动量）来预测未来走势，是行业轮动中的经典指标[46]。 * **具体构建过程**：计算行业指数在过去N个交易日（如504天或252天）的累计收益率。 $$动量_N = \frac{当前价格}{N日前价格} - 1$$ [47] 2. 动量加速度因子 * **因子名称**：动量加速度[56] * **构建思路**：在传统一阶动量的基础上，通过计算趋势的边际变化率（近似二阶导）来刻画价格趋势的强弱变化，反映投资者短期交易情绪[52]。 * **具体构建过程**：对行业的超额收益曲线进行二次函数拟合，根据所得二次项系数（切线系数）来判断价格上涨或下跌的加速度[52][53]。 * **因子评价**：动量加速度通过二阶导方式进一步挖掘趋势信息，长期具有较好的行业选择效果[53]。 3. 行业内趋同度因子 * **因子名称**：行业内涨跌幅趋同度[74] * **构建思路**：衡量同行业内个股涨跌幅的一致性。趋同度上升意味着行业上涨逻辑得到个股层面的广泛确认，可能强化趋势；反之则意味着内部分化，趋势持续性存疑[73]。 * **具体构建过程**：为避免行业结构差异带来的偏误，采用趋同度的变化率而非绝对值进行分析。例如，计算当前行业内个股收益率的离散度指标（如标准差）与过去一段时间均值的比较[74]。 4. 交易拥挤度因子 * **因子名称**：交易拥挤度[66] * **构建思路**：衡量行业交易的活跃和过热程度。在不同市场阶段，高拥挤度的含义不同，需结合其他因子（如动量）进行分域判断[64][67]。 四、复合与分域模型 1. 多因子合成模型 * **模型名称**：合成因子（传统多因子框架）[61] * **模型构建思路**：将基本面、资金面、技术面等多个维度的有效因子进行线性合成，得到对行业的综合打分[63]。 * **模型具体构建过程**：报告未详细说明各因子的具体权重分配方法，但展示了合成后的因子表现[61]。 2. 因子分域轮动模型 * **模型名称**：基于因子分域的行业轮动模型[80] * **模型构建思路**：因子的有效性并非一成不变，依赖于市场状态、行业属性等“域”条件。该模型以动量状态作为分域依据，在不同域内动态调整其他量价因子的使用逻辑，以适应结构性行情[68][75]。 * **模型具体构建过程**： 1. **动量分域**：每期将全部行业按历史动量排序，等分为高、中、低三组[83]。 2. **分组差异化处理**： * **高动量组与低动量组**：采用定向因子处理规则。例如，在低动量组，对“行业内趋同度”因子取负绝对值（即 `-|D|`），以惩罚趋同度偏高或偏低的行业[83]。 * **中动量组**：仍按照各因子传统的IC方向进行线性合成[83]。 3. **模型整合**：将上述处理结果作为量价因子的升级模块，替换原有行业轮动模型中的标准化量价部分，形成新的轮动框架[82]。 * **模型评价**：相比传统多因子线性合成，分域方法能够更灵活地应对市场波动，实现更精细化的因子配置，在行业轮动加速的环境下表现更优[68][89]。 模型的回测效果 1. 多因子合成模型（传统框架） * Rank_IC: 9.89%[61] * IC_IR: 40.07%[61] * IC>0比例: 67.26%[61] * 五分组年化收益(Q1至Q5): -4.97%， 0.04%， -2.64%， 4.34%， 7.21%[61] * 策略年化收益率: 7.71%[91] * 年化波动率: 20.38%[91] * 夏普比率: 0.38[91] * 最大回撤: 41.55%[91] 2. 因子分域轮动模型（改进后框架） * Rank_IC: 11.69%[85] * IC_IR: 45.96%[85] * IC>0比例: 69.16%[85] * 五分组年化收益(Q1至Q5): -8.16%， -3.64%， 0.22%， 3.70%， 8.30%[85] * 策略年化收益率: 9.41%[91] * 年化波动率: 20.90%[91] * 夏普比率: 0.45[91] * 最大回撤: 35.91%[91] 因子的回测效果 （注：以下为报告中部分代表性因子的IC表现，测试基准与窗口期一致） 1. 一致预期因子 * **预测净利润(Y2)_chg_3m**: * Rank_IC: 6.17%[6] * IC_IR: 25.22%[6] * IC>0比例: 63.03%[6] * 五分组年化收益(Q1至Q5): -4.44%， -3.83%， -2.86%， 2.56%， 2.77%[6] 2. 成长基本面因子 * **单季度:净利润环比增速**: * Rank_IC: 3.86%[17] * IC_IR: 19.07%[17] * IC>0比例: 54.96%[17] * 五分组年化收益(Q1至Q5): 0.04%， -0.29%， 0.33%， 4.21%， 4.81%[17] * **单季度:毛利率同比增速**: * Rank_IC: 3.63%[17] * IC_IR: 17.62%[17] * IC>0比例: 56.69%[17] * 五分组年化收益(Q1至Q5): -4.60%， -3.89%， -2.68%， -2.09%， 0.87%[17] 3. 质量基本面因子 * **现金流净利润比**: * Rank_IC: 4.90%[20] * IC_IR: 25.01%[20] * IC>0比例: 58.78%[20] * 五分组年化收益(Q1至Q5): -2.17%， 1.37%， 1.36%， 4.67%， 3.88%[20] 4. 资金面因子 * **机构资金流入**: * Rank_IC: 5.09%[37] * IC_IR: 18.97%[37] * IC>0比例: 59.23%[37] * **散户资金流入**: * Rank_IC: -3.79%[37] * IC_IR: -13.41%[37] * IC>0比例: 42.31%[37] 5. 技术面因子 * **动量_504d**: * Rank_IC: 4.49%[47] * IC_IR: 14.08%[47] * IC>0比例: 61.68%[47] * 五分组年化收益(Q1至Q5): -2.02%， -3.91%， 0.35%， 1.79%， 4.01%[47] * **动量加速度**: * Rank_IC: 3.80%[56] * IC_IR: 12.58%[56] * IC>0比例: 55.65%[56] * 五分组年化收益(Q1至Q5): -3.11%， -1.59%， -2.97%， 1.99%， 2.44%[56]

量化模型与构建方式 1. 恒星策略（宽基ETF配置模型） * **模型名称**：配置宽基ETF复刻偏股型基金指数模型[4][24] * **模型构建思路**：通过配置宽基ETF来复刻偏股型基金指数（930950.CSI）的收益，使持仓在风格和暴露上靠近主动权益基金[4][24] * **模型具体构建过程**： 1. **指数池构建**：每月末，仅保留宽基ETF的跟踪指数作为基础池[23] 2. **回归确定权重**：使用过去N个交易日的宽基指数日频收益率数据，对偏股型基金指数进行回归，得到各指数的配置权重[4][23][24] 3. **权重筛选**：剔除回归权重小于设定阈值（如5%）的指数[23][24][28] 4. **ETF产品优选**：对于筛选后剩余的每个指数，从跟踪该指数的所有ETF中，筛选出成本更低、流动性更强、跟踪更稳定的1-2只产品，形成最终的宽基ETF持仓池[4][24][36] 5. **持仓与换仓**：根据回归得到的权重配置对应的优选ETF，持有至下个月末，然后重复上述过程进行换仓[23] 2. 卫星策略（行业主题/策略ETF轮动模型） * **模型名称**：行业主题、策略ETF分层聚类与优选模型[4][46] * **模型构建思路**：基于价格行为对行业主题和策略指数进行聚类，并在各类别中通过多维度指标优选ETF，构建旨在获取超额收益的卫星组合[4][46] * **模型具体构建过程**： 1. **指数分层聚类**：每半年，基于行业主题和策略类指数过去半年的日收益率数据，计算年化收益、波动、夏普等特征，使用Ward方法进行层次聚类，将走势相似的指数归为一类[47][49][50] 2. **指数初筛（剔除与优选）**： * **剔除基本面景气度差的指数**：从成长、盈利、营运三个维度，使用多个财务指标（如固定资产TTM同比、净利润TTM环比差分等）计算指数基本面景气度得分。在同一聚类内部，剔除得分后20%的指数；之后在所有剩余指数中，再次剔除截面得分后20%的指数[53][55] * **优选高动量、高夏普、低拥挤度指数**：结合价格动量（如180日和240日隔夜动量等权）、中短期夏普（近半年、近一年）、以及拥挤度（成分股交易额占全市场比在过去40天的分位数）等指标进行打分，优选排名靠前的指数[56][57][58] 3. **ETF产品优选**：对初筛后每个指数保留的ETF产品，使用以下6个因子进行综合打分，优选前10名产品等权构建卫星组合[4][46][58][87] * **价格趋势强度因子**：过去20日ETF收盘价对序列[1,2,…20]进行线性回归，得到的斜率。斜率越大，表示近期上涨趋势越强[60][61] * **隔夜动量因子**：过去180日与240日的隔夜收益率（收盘价至次日开盘价的收益率）的等权组合[57][64] * **量能因子**：短期成交量均值与长期成交量均值的比值，用于刻画近期放量程度。计算公式为： $$量能 = \frac{MA(短期)}{MA(长期)}$$ 其中，$MA(短期)$为过去5日成交量均值，$MA(长期)$为过去240日成交量均值[63][64] * **价能因子**：近期价格均值与远期价格均值的比值，用于刻画价格相对强弱。计算公式为： $$价能 = \frac{MA(近期)}{MA(远期)}$$ 其中，$MA(近期)$为过去20日价格均值，$MA(远期)$为5个交易日之前的20日价格均值[63][64] * **市场关注度边际上行因子**：近期换手率相较于上一期的提升程度，例如（近5日换手率/近10日换手率）的边际变化[73] * **价涨份额升因子**：价能因子与基金份额变化的结合，优选价格上涨同时份额也增长的ETF[74][78] 4. **持仓与换仓**：每月末根据因子打分结果换仓，持有优选出的前10只ETF[87] 3. 复合轮动策略（恒星+卫星组合模型） * **模型名称**：ETF趋势轮动策略[4][89] * **模型构建思路**：将恒星策略（控制跟踪误差）和卫星策略（追求超额收益）相结合，并根据市场交易活跃度动态调整两者权重，以平衡收益与风险[4][89][98] * **模型具体构建过程**： 1. **基础组合构建**：分别构建恒星策略组合和卫星策略组合[89] 2. **权重动态调整**：根据市场交易活跃度指标，动态决定卫星策略的持仓权重$w$，恒星策略权重则为$(1-w)$[89][97][98] * **市场交易活跃度计算**：计算全市场成交量前2%的个股成交量之和占全市场总成交量的比例，将该比例转化为过去两年的历史百分位，并取过去3个月的移动平均值作为最终活跃度指标[97] * **权重映射公式**：将活跃度指标映射到卫星策略权重区间（如0.6至0.8之间）。报告给出了一个示例性公式： $$w = 0.6 + \frac{活跃度 - min_{t-24 \leq \tau \leq t}(活跃度)}{max_{t-24 \leq \tau \leq t}(活跃度) - min_{t-24 \leq \tau \leq t}(活跃度)} * 0.2$$[97] * **调整逻辑**：市场交易活跃度越高，则赋予卫星策略的权重$w$越大，以博取更高超额收益；市场活跃度越低，则赋予恒星策略的权重$(1-w)$越大，以控制跟踪误差和回撤[4][98] 3. **组合与换仓**：每月末，按照动态权重将资金分配到两个策略的最新持仓中，形成最终投资组合[89] 模型的回测效果 * **恒星策略（宽基ETF配置模型）**：测试区间为2016年1月4日至2025年11月28日，采用过去10日回归、剔除权重小于5%、同一指数保留1只ETF的参数设定[40][41] * 年化收益：7.53%[40] * 年化波动：20.61%[40] * 夏普比率：0.37[40] * 最大回撤：-38.83%[40] * 超额收益（相对偏股型基金指数）：年化3.07%[40] * 跟踪误差：6.83%[40] * 信息比率(IR)：0.45[40] * 超额最大回撤：-21.31%[40] * **卫星策略（行业主题/策略ETF轮动模型）**：测试区间为2016年1月4日至2025年11月28日[84][87] * 年化收益：12.68%[84] * 年化波动：20.19%[84] * 夏普比率：0.63[84] * 最大回撤：-35.84%[84] * 超额收益（相对偏股型基金指数）：年化8.01%[84] * 跟踪误差：11.06%[84] * 信息比率(IR)：0.72[84] * 超额最大回撤：-14.28%[84] * 超额月度胜率：59.32%[87] * 赔率：1.31倍[87] * **复合轮动策略（恒星+卫星组合模型）**： * **固定权重示例（卫星权重60%）**：测试区间为2016年1月4日至2025年11月28日[93][95] * 年化收益：10.92%[93] * 年化波动：19.59%[93] * 夏普比率：0.56[93] * 最大回撤：-35.01%[93] * 超额收益（相对偏股型基金指数）：年化6.32%[93] * 跟踪误差：8.08%[93] * 信息比率(IR)：0.78[93] * 超额最大回撤：-9.45%[93] * 超额月度胜率：56.78%[95] * 赔率：1.53倍[95] * **动态权重策略**：测试区间为2016年1月4日至2025年11月28日[4] * 年化收益：11.93%[4] * 夏普比率：0.59[4] * 超额收益（相对偏股型基金指数）：年化7.29%[4] * 信息比率(IR)：0.75[4] * 超额月度胜率：55.08%[4] * 赔率：1.62倍[4] 量化因子与构建方式 1. 基本面景气度因子簇 * **因子构建思路**：从成长、盈利、营运三个维度，选取多个财务指标来刻画指数成分股基本面的景气度及其边际变化，用于在同一聚类内剔除基本面较差的指数[53][55] * **因子具体构建过程**：针对每个指数，计算其成分股在以下财务指标上的综合得分，指标方向如下表所示[54][55] | 能力维度 | 指标 | 方向 | | :--- | :--- | :--- | | 成长能力 | 固定资产TTM同比 | 正 | | 成长能力 | 固定资产TTM环比差分 | 负 | | 成长能力 | 归母净资产TTM环比差分 | 正 | | 盈利能力 | 净利润TTM环比差分 | 正 | | 盈利能力 | 单季度净利率同比 | 正 | | 盈利能力 | 净资产收益率TTM环比 | 正 | | 营运能力 | 固定资产周转率环比差分 | 正 | | 营运能力 | 营业成本TTM环比差分 | 正 | | 营运能力 | 成本费用利用率环比 | 正 | | 营运能力 | 财务费用率同比 | 负 | | 营运能力 | 财务费用TTM同比 | 负 | | 营运能力 | 营业成本率环比 | 负 | | 营运能力 | 营业成本率同比 | 负 | 2. 量价类优选因子簇（用于ETF产品优选） * **价格趋势强度因子** * **因子构建思路**：通过线性回归斜率刻画ETF价格的短期上涨趋势强度，优先选择处于明确上涨趋势的产品[60][61] * **因子具体构建过程**：取ETF过去20个交易日的收盘价$P_t$，对时间序列$[1, 2, ..., 20]$进行线性回归，回归系数（斜率）即为因子值[60][61] * **隔夜动量因子** * **因子构建思路**：使用隔夜收益率（收盘到开盘）构建动量指标，认为其更能反映交易者的真实交易动机，受日内市场噪音影响较小[57][64] * **因子具体构建过程**：分别计算过去180个交易日和240个交易日的隔夜收益率（$R_{overnight} = \frac{Open_{t+1}}{Close_t} - 1$），将两个周期的动量值等权合成作为最终因子值[57][64] * **量能因子** * **因子构建思路**：通过对比短期与长期成交量均值，刻画近期成交是否异常放量，避免追高过度拥挤的产品[63][64][71] * **因子具体构建过程**：计算过去5日成交量均值$MA_{short}$和过去240日成交量均值$MA_{long}$，因子值为$MA_{short} / MA_{long}$[63][64] * **价能因子** * **因子构建思路**：通过对比近期与远期的价格均值，刻画价格的短期相对强弱[63][64] * **因子具体构建过程**：计算过去20日价格均值$MA_{recent}$，以及5个交易日之前的20日价格均值$MA_{forward}$，因子值为$MA_{recent} / MA_{forward}$[63][64] * **市场关注度边际上行因子** * **因子构建思路**：捕捉市场关注度（以换手率为代理变量）在短期内的提升，优选热度正在上升的ETF[73] * **因子具体构建过程**：例如，计算（近5日换手率/近10日换手率）相较于上一期的变化值[73] * **价涨份额升因子** * **因子构建思路**：结合价格变化与资金流向（基金份额变化），优选“价量齐升”的ETF，认为这是更健康的上涨信号[74][78] * **因子具体构建过程**：将“价能因子”与“基金份额变化”相结合构建复合因子[74] 3. 市场交易活跃度因子 * **因子构建思路**：用于动态调整恒星与卫星策略的权重，刻画整体市场的交易活跃程度[97][98] * **因子具体构建过程**： 1. 每日计算全市场成交量前2%的个股的成交量之和，占全市场总成交量的比例。 2. 将该比例在**过去两年**的历史数据中转化为百分位数。 3. 对得到的每日百分位序列，取**过去3个月**的移动平均值，作为最终的市场交易活跃度指标[97]。 因子的回测效果 * **量能因子分组表现**：测试区间为2018年至2025年11月28日，将因子值正序排列分为5组（第1组因子值低，第5组因子值高）[65][69] * 第1组（明显放量）年度收益：2018年(-31.27%), 2019年(29.19%), 2020年(36.34%), 2021年(-10.52%), 2022年(-22.90%), 2023年(-4.44%), 2024年(12.69%), 2025年至今(26.92%)[65] * 第5组（明显缩量）年度收益：2018年(-13.96%), 2019年(42.39%), 2020年(19.84%), 2021年(20.13%), 2022年(-9.40%), 2023年(-4.28%), 2024年(14.77%), 2025年至今(28.35%)[65] * **因子评价**：因子并非完全单调，但因子值排名靠后的两组（对应明显放量的产品）收益明显较弱。即便在牛市，高量能产品面临的回撤压力也可能更大[71] * **价能因子分组表现**：测试区间为2018年至2025年11月28日，分组方式同上[65][69] * 第1组（价格涨幅相对强弱较弱）年度收益：2018年(-26.62%), 2019年(36.19%), 2020年(22.75%), 2021年(7.54%), 2022年(-10.01%), 2023年(-14.98%), 2024年(5.75%), 2025年至今(18.49%)[65] * 第5组（价格涨幅相对强弱较强）年度收益：2018年(-19.26%), 2019年(38.83%), 2020年(44.90%), 2021年(6.79%), 2022年(-26.73%), 2023年(-4.79%), 2024年(13.97%), 2025年至今(50.73%)[65] * **市场关注度因子分组表现**：测试区间为2018年至2025年11月28日[72] * 第1组年度收益：2018年(-24.92%), 2019年(31.63%), 2020年(23.74%), 2021年(5.86%), 2022年(-24.87%), 2023年(2.12%), 2024年(12.53%), 2025年至今(35.64%)[72] * 第5组年度收益：2018年(-25.20%), 2019年(34.28%), 2020年(40.03%), 2021年(-0.78%), 2022年(-19.90%), 2023年(-9.56%), 2024年(17.00%), 2025年至今(44.71%)[72] * **价涨份额升因子分组表现**：测试区间为2018年至2025年11月28日[72] * 第1组年度收益：2018年(-22.66%), 2019年(39.88%), 2020年(33.30%), 2021年(3.43%), 2022年(-21.91%), 2023年(-12.19%), 2024年(7.55%), 2025年至今(30.68%)[72] * 第5组年度收益：2018年(-18.01%), 2019年(41.03%), 2020年(18.39%), 2021年(15.95%), 2022年(-12.56%), 2023年(-8.01%), 2024年(15.28%), 2025年至今(24.95%)[72] * **因子评价**：市场关注度、价涨份额升因子的第四、第五组（因子值高）年度累计收益较其余组别优势显著。价涨份额升因子在多数年份呈现第五组收益优于第一组的特征[77] *

量化模型与因子总结 量化因子与构建方式 一、 高频量价因子系列 报告构建了11个特色量价因子，并合成为一个综合量价因子[6][41]。 **1. 因子名称：** 适度冒险因子 **因子构建思路：** 基于成交量激增时刻蕴含的alpha信息构建[41]。 **因子具体构建过程：** 报告未提供具体构建公式，仅说明该因子源自《成交量激增时刻蕴含的 alpha 信息——多因子选股系列研究之一》[41]。 **2. 因子名称：** 完整潮汐因子 **因子构建思路：** 基于个股成交量的潮汐变化构建[41]。 **因子具体构建过程：** 报告未提供具体构建公式，仅说明该因子源自《个股成交量的潮汐变化及“潮汐”因子构建——多因子选股系列研究之二》[41]。 **3. 因子名称：** 勇攀高峰因子 **因子构建思路：** 基于个股波动率的变动构建[41]。 **因子具体构建过程：** 报告未提供具体构建公式，仅说明该因子源自《个股波动率的变动及“勇攀高峰”因子构建——多因子选股系列研究之三》[41]。 **4. 因子名称：** 球队硬币因子 **因子构建思路：** 基于个股动量效应的识别构建[41]。 **因子具体构建过程：** 报告未提供具体构建公式，仅说明该因子源自《个股动量效应的识别及“球队硬币”因子构建——多因子选股系列研究之四》[41]。该因子数据源为日频数据，其余因子均根据分钟频数据计算得到[41]。 **5. 因子名称：** 云开雾散因子 **因子构建思路：** 基于波动率的波动率与投资者模糊性厌恶构建[41]。 **因子具体构建过程：** 报告未提供具体构建公式，仅说明该因子源自《波动率的波动率与投资者模糊性厌恶——多因子选股系列研究之五》[41]。 **6. 因子名称：** 飞蛾扑火因子 **因子构建思路：** 基于个股股价跳跃及其对振幅因子的改进构建[41]。 **因子具体构建过程：** 报告未提供具体构建公式，仅说明该因子源自《个股股价跳跃及其对振幅因子的改进——多因子选股系列研究之六》[41]。 **7. 因子名称：** 草木皆兵因子 **因子构建思路：** 基于显著效应、极端收益扭曲决策权重构建[41]。 **因子具体构建过程：** 报告未提供具体构建公式，仅说明该因子源自《显著效应、极端收益扭曲决策权重和“草木皆兵”因子——多因子选股系列研究之八》[41]。 **8. 因子名称：** 水中行舟因子 **因子构建思路：** 基于个股成交额的市场跟随性构建[41]。 **因子具体构建过程：** 报告未提供具体构建公式，仅说明该因子源自《个股成交额的市场跟随性与“水中行舟”因子——多因子选股系列研究之九》[41]。 **9. 因子名称：** 花隐林间因子 **因子构建思路：** 基于推动个股价格变化的因素分解构建[41]。 **因子具体构建过程：** 报告未提供具体构建公式，仅说明该因子源自《推动个股价格变化的因素分解与“花隐林间”因子——多因子选股系列研究之十》[41]。 **10. 因子名称：** 待著而救因子 **因子构建思路：** 基于大单成交后的跟随效应构建[41]。 **因子具体构建过程：** 报告未提供具体构建公式，仅说明该因子源自《大单成交后的跟随效应与“待著而救”因子——多因子选股系列研究之十一》[41]。 **11. 因子名称：** 多空博弈因子 **因子构建思路：** 报告未提供具体构建思路。 **因子具体构建过程：** 报告未提供具体构建过程。 **高频因子处理方式：** 除“球队硬币”因子外，其余所有因子均根据分钟频数据计算得到。为了降低因子换手率，对所有因子进行了月度频率的平滑处理，即高频因子低频化处理[41]。 **因子评价：** 上述因子虽然由高频数据计算得到，但是在月度频率上仍然有较为出色的选股能力[6][41]。 二、 综合量价因子 **1. 因子名称：** 综合量价因子 **因子构建思路：** 将上述11个高频量价因子正交化后简单等权合成[45]。 **因子具体构建过程：** 报告未提供正交化和合成的具体数学公式，仅说明构建方法为“正交化后简单等权合成”[45]。 **因子评价：** 其表现相较于单个因子大幅提升[45]。 三、 预期类因子系列 报告构建了2个特色预期类因子[51]。 **1. 因子名称：** 真知灼见因子 **因子构建思路：** 解析分析师预期与动量、估值之间的关系[51]。 **因子具体构建过程：** 报告未提供具体构建公式。 **2. 因子名称：** 预期惯性因子 **因子构建思路：** 解析分析师预期与动量、估值之间的关系[51]。 **因子具体构建过程：** 报告未提供具体构建公式。 **因子评价：** 预期惯性因子一直保持多空净值、多头超额净值稳定向上，无明显回撤[51]。 量化模型的回测效果 报告提及了多个指数增强组合和“预期惯性”组合，但未详细说明其模型构建过程，仅提供了绩效数据[5][36][39]。 量化因子的回测效果 一、 高频量价因子系列（长期表现） 测试数据为全市场十分组多空组合表现[43]。 1. **适度冒险因子**，Rank IC -9.42%，Rank ICIR -4.87，多空组合年化收益率 39.04%，多空组合年化波动率 9.21%，多空组合信息比率 4.24，多空组合月度胜率 90.32%，多空组合最大回撤 -5.58%[43] 2. **完整潮汐因子**，Rank IC -7.70%，Rank ICIR -4.15，多空组合年化收益率 25.63%，多空组合年化波动率 8.74%，多空组合信息比率 2.93，多空组合月度胜率 81.45%，多空组合最大回撤 -8.19%[43] 3. **勇攀高峰因子**，Rank IC 6.07%，Rank ICIR 4.89，多空组合年化收益率 21.03%，多空组合年化波动率 5.75%，多空组合信息比率 3.65，多空组合月度胜率 87.90%，多空组合最大回撤 -2.55%[43] 4. **球队硬币因子**，Rank IC -9.73%，Rank ICIR -4.62，多空组合年化收益率 39.63%，多空组合年化波动率 10.93%，多空组合信息比率 3.63，多空组合月度胜率 82.26%，多空组合最大回撤 -8.63%[43] 5. **云开雾散因子**，Rank IC -10.27%，Rank ICIR -4.72，多空组合年化收益率 30.76%，多空组合年化波动率 9.17%，多空组合信息比率 3.35，多空组合月度胜率 83.87%，多空组合最大回撤 -6.86%[43] 6. **飞蛾扑火因子**，Rank IC -9.36%，Rank ICIR -4.69，多空组合年化收益率 38.15%，多空组合年化波动率 10.10%，多空组合信息比率 3.78，多空组合月度胜率 90.32%，多空组合最大回撤 -6.19%[43] 7. **草木皆兵因子**，Rank IC -8.92%，Rank ICIR -4.49，多空组合年化收益率 32.37%，多空组合年化波动率 8.21%，多空组合信息比率 3.94，多空组合月度胜率 85.48%，多空组合最大回撤 -4.05%[43] 8. **水中行舟因子**，Rank IC -9.13%，Rank ICIR -5.00，多空组合年化收益率 34.76%，多空组合年化波动率 8.12%，多空组合信息比率 4.28，多空组合月度胜率 86.29%，多空组合最大回撤 -3.51%[43] 9. **花隐林间因子**，Rank IC -9.60%，Rank ICIR -5.67，多空组合年化收益率 34.77%，多空组合年化波动率 7.71%，多空组合信息比率 4.51，多空组合月度胜率 88.71%，多空组合最大回撤 -4.15%[43] 10. **待著而救因子**，Rank IC -9.28%，Rank ICIR -4.23，多空组合年化收益率 33.16%，多空组合年化波动率 9.45%，多空组合信息比率 3.51，多空组合月度胜率 83.87%，多空组合最大回撤 -8.09%[43] 11. **多空博弈因子**，报告未提供其长期绩效指标[43]。 二、 综合量价因子 1. **综合量价因子（长期表现）**，Rank IC -12.64%，Rank ICIR -5.48，多空组合年化收益率 49.23%，多空组合年化波动率 10.66%，多空组合信息比率 4.62，多空组合月度胜率 91.94%，多空组合最大回撤 -4.84%[45] 2. **综合量价因子（今年以来表现）**，全市场十分组多空组合相对收益 22.61%，多头组合超额收益 7.84%[6][45] 三、 高频量价因子系列（今年以来及近期表现） 测试数据为全市场十分组多空对冲收益[46]。 1. **适度冒险因子**，上周 -1.24%，12月以来 -1.60%，今年以来 12.84%[46] 2. **完整潮汐因子**，上周 -0.95%，12月以来 -0.65%，今年以来 10.93%[46] 3. **勇攀高峰因子**，上周 -0.70%，12月以来 -1.03%，今年以来 12.99%[46] 4. **球队硬币因子**，上周 -0.75%，12月以来 -1.23%，今年以来 14.33%[46] 5. **云开雾散因子**，上周 -1.01%，12月以来 -1.41%，今年以来 16.46%[46] 6. **飞蛾扑火因子**，上周 -0.47%，12月以来 -1.20%，今年以来 17.80%[46] 7. **草木皆兵因子**，上周 -1.29%，12月以来 -2.35%，今年以来 5.22%[46] 8. **水中行舟因子**，上周 -0.39%，12月以来 0.24%，今年以来 16.38%[46] 9. **花隐林间因子**，上周 -1.40%，12月以来 -0.96%，今年以来 12.51%[46] 10. **待著而救因子**，上周 0.01%，12月以来 0.72%，今年以来 9.49%[46] 11. **多空博弈因子**，上周 -1.63%，12月以来 -1.90%，今年以来 18.14%[46] 12. **综合量价因子**，上周 -1.72%，12月以来 -1.59%，今年以来 22.61%[46] 四、 主要风格因子（今年以来表现） 1. **市值因子**，多头超额收益率 17.07%[37][40] 2. **分析师预期调整因子**，多头超额收益率 8.33%[37][40] 3. **方正特色量价因子**，多头超额收益率 7.84%[37][40]