量化模型与因子总结 量化因子与构建方式 1. **因子名称**：日内高频偏度因子 **因子构建思路**：通过分析日内高频收益的分布特征，捕捉股票收益的非对称性，以此作为选股依据[13]。 **因子具体构建过程**：具体计算方式参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[13]。报告中提及该因子已对常规因子进行了正交化处理[13]。 2. **因子名称**：日内下行波动占比因子 **因子构建思路**：将已实现波动率分解，计算下行波动部分在总波动中的占比，用以衡量股价下跌时的波动风险[18]。 **因子具体构建过程**：具体计算方式参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[18]。报告中提及该因子已对常规因子进行了正交化处理[18]。 3. **因子名称**：开盘后买入意愿占比因子 **因子构建思路**：基于开盘后一段时间内的高频交易数据，通过直观逻辑或机器学习方法，计算反映市场买入意愿的指标[22]。 **因子具体构建过程**：具体计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[22][26]。报告中提及该因子已对常规因子进行了正交化处理[22]。 4. **因子名称**：开盘后买入意愿强度因子 **因子构建思路**：与买入意愿占比因子类似，但更侧重于衡量买入意愿的强度或力度[22][26]。 **因子具体构建过程**：具体计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[22][26]。报告中提及该因子已对常规因子进行了正交化处理[26]。 5. **因子名称**：开盘后大单净买入占比因子 **因子构建思路**：分析开盘后大额资金的净买入行为，计算其占总成交的比例，以捕捉主力资金的动向[31]。 6. **因子名称**：开盘后大单净买入强度因子 **因子构建思路**：衡量开盘后大额资金净买入行为的强度[34]。 7. **因子名称**：改进反转因子 **因子构建思路**：在传统反转因子的基础上进行改进，以提升其选股效果[40]。 8. **因子名称**：尾盘成交占比因子 **因子构建思路**：计算尾盘时段成交量在当日总成交量中的占比，用以捕捉尾盘资金的异动行为[45]。 9. **因子名称**：平均单笔流出金额占比因子 **因子构建思路**：通过分析平均单笔流出金额的占比，来衡量资金流出的压力[48]。 10. **因子名称**：大单推动涨幅因子 **因子构建思路**：衡量由大额买单所推动的股价上涨幅度，以识别由大资金驱动的价格上涨[55]。 11. **因子名称**：改进GRU(50,2)+NN(10)因子 **因子构建思路**：使用门控循环单元（GRU）神经网络结合全连接神经网络（NN），对高频数据进行深度学习建模，以提取有效的选股信号[60]。这是一个改进版本。 12. **因子名称**：残差注意力LSTM(48,2)+NN(10)因子 **因子构建思路**：使用带有残差连接和注意力机制的长短期记忆网络（LSTM）结合全连接神经网络（NN），构建深度学习选股因子[62]。 13. **因子名称**：多颗粒度模型-5日标签因子 **因子构建思路**：基于双向A-GRU网络训练的多颗粒度深度学习模型，使用5日收益率作为训练标签[65]。 14. **因子名称**：多颗粒度模型-10日标签因子 **因子构建思路**：基于双向A-GRU网络训练的多颗粒度深度学习模型，使用10日收益率作为训练标签[66]。 量化模型的构建方式 1. **模型名称**：周度调仓的中证500/1000 AI增强组合（宽/严约束） **模型构建思路**：基于深度学习因子（多颗粒度模型-10日标签）构建指数增强组合，通过优化求解在给定约束条件下最大化组合预期收益[70]。 **模型具体构建过程**： * **核心因子**：使用“多颗粒度模型-10日标签”因子作为股票的预期超额收益（μi）来源[70]。 * **优化目标**：最大化组合的预期收益，目标函数为： $$max\sum\mu_{i}w_{i}$$ 其中，wi为股票i的权重，μi为股票i的预期超额收益[71]。 * **约束条件**：组合构建受到一系列风险控制约束，包括个股权重上限、行业偏离、风格因子（如市值、PB、ROE等）暴露、成分股权重下限以及换手率控制等。宽约束和严约束的区别在于约束条件的数量和严格程度[71]。 * **回测设置**：假设以次日均价成交，并扣除双边3‰的交易成本[72]。 因子的回测效果 （数据来源：表2，周度高频、深度选股因子IC，RankMAE，多空收益，多头超额收益及月度胜率[10][12]） | 因子名称 | 历史IC | 2025年IC | 历史e^(-rank mae) | 2025年e^(-rank mae) | 上周多空收益 | 12月多空收益 | 2025YTD多空收益 | 2025年周胜率 | 上周多头超额 | 12月多头超额 | 2025YTD多头超额 | 2025年周胜率（多头） | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 日内高频偏度 | 0.019 | 0.020 | 0.324 | 0.326 | -0.29% | -1.85% | 21.72% | 31/50 | -0.49% | -1.40% | 5.20% | 26/50 | | 日内下行波动占比 | 0.016 | 0.017 | 0.323 | 0.324 | -0.96% | -2.20% | 18.22% | 33/50 | -0.77% | -1.69% | 1.90% | 27/50 | | 开盘后买入意愿占比 | 0.025 | 0.023 | 0.321 | 0.320 | -0.01% | -0.05% | 20.46% | 37/50 | -0.28% | -0.21% | 9.24% | 32/50 | | 开盘后买入意愿强度 | 0.030 | 0.026 | 0.326 | 0.326 | 1.03% | 0.47% | 27.63% | 37/50 | 0.82% | 0.59% | 11.22% | 35/50 | | 开盘后大单净买入占比 | 0.035 | 0.021 | 0.322 | 0.317 | 0.71% | 0.38% | 22.32% | 35/50 | 0.84% | 0.82% | 11.34% | 32/50 | | 开盘后大单净买入强度 | 0.024 | 0.015 | 0.320 | 0.316 | 1.09% | 0.64% | 12.75% | 30/50 | 0.90% | 0.83% | 9.46% | 34/50 | | 改进反转 | 0.030 | 0.020 | 0.330 | 0.330 | 1.04% | 0.56% | 21.98% | 37/50 | 0.85% | 0.47% | 8.36% | 28/50 | | 尾盘成交占比 | 0.026 | 0.016 | 0.322 | 0.319 | 1.69% | 1.98% | 17.67% | 33/50 | 1.01% | 0.65% | 5.92% | 27/50 | | 平均单笔流出金额占比 | 0.008 | -0.006 | 0.317 | 0.315 | 0.01% | -1.00% | -6.96% | 23/50 | -0.03% | -0.51% | -2.80% | 18/50 | | 大单推动涨幅 | 0.018 | 0.007 | 0.325 | 0.325 | -0.80% | -1.34% | 6.78% | 30/50 | 0.13% | -0.29% | 1.47% | 27/50 | | 改进GRU(50,2)+NN(10) | 0.066 | 0.045 | 0.336 | 0.332 | -0.43% | -1.60% | 45.90% | 40/50 | 0.55% | -0.06% | 7.30% | 28/50 | | 残差注意力LSTM(48,2)+NN(10) | 0.062 | 0.043 | 0.334 | 0.331 | 0.01% | -1.47% | 45.73% | 45/50 | 0.67% | -0.09% | 8.76% | 29/50 | | 多颗粒度模型-5日标签 | 0.080 | 0.064 | 0.343 | 0.340 | -0.84% | -1.34% | 65.67% | 44/50 | -0.45% | -0.92% | 23.74% | 39/50 | | 多颗粒度模型-10日标签 | 0.073 | 0.059 | 0.342 | 0.340 | -1.18% | -1.15% | 60.45% | 44/50 | -1.01% | -1.26% | 23.54% | 37/50 | 模型的回测效果 （数据来源：表3，周度调仓的AI增强组合超额收益及周度胜率[13]） | 模型名称 | 上周超额收益 | 12月超额收益 | 2025YTD超额收益 | 2025年周胜率 | | :--- | :--- | :--- | :--- | :--- | | 中证500 AI增强宽约束组合 | -2.80% | -3.04% | 5.03% | 28/50 | | 中证500 AI增强严约束组合 | -2.42% | -2.51% | 8.24% | 32/50 | | 中证1000 AI增强宽约束组合 | -3.54% | -4.18% | 13.63% | 33/50 | | 中证1000 AI增强严约束组合 | -2.35% | -2.88% | 17.29% | 32/50 |

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**：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，反之则不发出[1][4][6]。 **模型具体构建过程**：模型通过综合多个分项因子来构建。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。具体综合方式未在报告中明确给出，但根据上下文推断，可能为加权求和或其他线性组合方式。最终，根据综合因子值的正负来判断择时观点[6][9][12]。 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[12] **因子构建思路**：使用中国非制造业PMI中的服务业数据作为反映经济景气的宏观指标，用于判断对红利风格的择时观点[12]。 **因子具体构建过程**：报告未详细说明该因子值的具体计算过程，仅给出了最新一期的因子值为-0.80[12]。 2. **因子名称**：中国:M2:同比因子[12] **因子构建思路**：使用中国M2货币供应量的同比数据作为反映流动性的宏观指标，用于判断对红利风格的择时观点[12]。 **因子具体构建过程**：报告未详细说明该因子值的具体计算过程，仅给出了最新一期的因子值为0.58[12]。 3. **因子名称**：美国:国债收益率:10年因子[12] **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指标，用于判断对红利风格的择时观点[9][12]。 **因子具体构建过程**：报告未详细说明该因子值的具体计算过程，仅给出了最新一期的因子值为-1.17[12]。 4. **因子名称**：红利相对净值自身因子[12] **因子构建思路**：可能基于红利指数或其相对净值的动量或趋势进行构建，用于捕捉红利风格自身的运行态势[12]。 **因子具体构建过程**：报告未详细说明该因子值的具体计算过程，仅给出了最新一期的因子值为-1.00[12]。 5. **因子名称**：中证红利股息率-10年期中债收益率因子[12] **因子构建思路**：计算中证红利指数的股息率与10年期中国国债收益率的差值，作为衡量红利资产相对吸引力的价差指标[12]。 **因子具体构建过程**：报告未详细说明该因子值的具体计算过程，仅给出了最新一期的因子值为-0.12[12]。 6. **因子名称**：融资净买入因子[12] **因子构建思路**：使用融资净买入数据作为反映市场情绪和杠杆资金偏好的指标，用于判断对红利风格的择时观点[9][12]。 **因子具体构建过程**：报告未详细说明该因子值的具体计算过程，仅给出了最新一期的因子值为-0.15[12]。 7. **因子名称**：行业平均景气度因子[12] **因子构建思路**：使用分析师行业景气度数据，反映整体企业盈利预期，用于判断对红利风格的择时观点[9][12]。 **因子具体构建过程**：报告未详细说明该因子值的具体计算过程，仅给出了最新一期的因子值为1.83[12]。 模型的回测效果 *报告为周度跟踪报告，未提供模型历史回测的详细绩效指标（如年化收益率、夏普比率、最大回撤等）。报告主要提供了模型的最新信号和因子值。* 因子的回测效果 *报告为周度跟踪报告，未提供各因子历史表现的详细统计指标（如IC值、IR、多空收益等）。报告主要提供了各因子在最新时点的因子值和择时观点。* **模型/因子在最新时点（2025年12月12日）的指标取值** 1. **红利风格择时模型**，综合因子值: -0.72[1][4][6] 2. **中国:非制造业PMI:服务业因子**，因子值: -0.80，最新观点: 1[12] 3. **中国:M2:同比因子**，因子值: 0.58，最新观点: 0[12] 4. **美国:国债收益率:10年因子**，因子值: -1.17，最新观点: 0[12] 5. **红利相对净值自身因子**，因子值: -1.00，最新观点: 0[12] 6. **中证红利股息率-10年期中债收益率因子**，因子值: -0.12，最新观点: 0[12] 7. **融资净买入因子**，因子值: -0.15，最新观点: 1[12] 8. **行业平均景气度因子**，因子值: 1.83，最新观点: 0[12]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：中性约束条件下最大化因子暴露组合[22] **模型构建思路**：在构建单因子投资组合时，采用一种优化方法，在确保投资组合相对基准指数在行业和风格暴露保持中性的基础上，最大化目标因子在组合中的暴露[22]。 **模型具体构建过程**：模型的具体构建方法在附录中提及，但正文未详细展开。其核心思想是通过优化求解，在满足行业和风格因子暴露中性（即组合在这些维度上的暴露与基准指数一致或为零）的约束条件下，使投资组合对目标因子的暴露达到最大[22]。 量化因子与构建方式 风格因子（共10个大类）[16] 构建思路：参考BARRA因子模型构建，以捕捉A股市场的风格变化[16]。大类风格因子通过细分因子合成[16]。 1. **因子名称**：估值因子 **因子具体构建过程**：估值因子 = BP。其中BP（Book to Price）为细分因子，构造方式为：归母股东权益 / 总市值[17]。 2. **因子名称**：成长因子 **因子具体构建过程**：成长因子 = (SGRO + EGRO) / 2[17]。 * 细分因子SGRO（Sales growth）：过去五个财年年报的每股营业收入按时间进行回归，将回归系数（斜率）除以每股营业收入的平均值，得到营业收入增长率SGRO[17]。 * 细分因子EGRO（Earnings growth）：过去五个财年年报的每股归母净利润按时间进行回归，将回归系数（斜率）除以每股归母净利润的平均值，得到归母净利润增长率EGRO[17]。 3. **因子名称**：盈利因子 **因子具体构建过程**：盈利因子 = (ETOP + CETOP) / 2[17]。 * 细分因子ETOP（Earnings-to-price ratio）：归母净利润TTM / 总市值[17]。 * 细分因子CETOP（Cash earnings-to-price ratio）：经营活动产生的现金流量净额TTM / 总资产[17]。 4. **因子名称**：规模因子 **因子具体构建过程**：规模因子 = LNCAP。其中LNCAP（Natural log of market cap）为细分因子，构造方式为：总市值的对数[17]。 5. **因子名称**：Beta因子 **因子具体构建过程**：Beta因子 = BETA。其中BETA为细分因子，构造方式为：将个股过去252个交易日的日收益率与中证全指日收益率进行半衰指数加权回归，半衰期为63个交易日。最终取回归系数作为BETA[17]。 6. **因子名称**：动量因子 **因子具体构建过程**：动量因子 = RSTR。其中RSTR（Relative strength）为细分因子，构造方式为：过去504个交易日个股累计收益率，不含最近21个交易日。其中收益率序列使用半衰指数加权，半衰期为126个交易日[17]。 7. **因子名称**：流动性因子 **因子具体构建过程**：流动性因子 = (STOM + STOQ + STOA) / 3[17]。 * 细分因子STOM（Share turnover, one month）：个股过去1个月的换手率加总，之后取对数[17]。 * 细分因子STOQ（Average share turnover, trailing 3 months）：个股过去3个月STOM的均值[17]。 * 细分因子STOA（Average share turnover, trailing 12 months）：个股过去12个月STOM的均值[17]。 8. **因子名称**：波动性因子 **因子具体构建过程**：波动性因子 = (DASTD + CMRA + HSIGMA) / 3[17]。 * 细分因子DASTD（Daily standard deviation）：过去250个交易日个股相对于所有股票等权指数的超额收益率的标准差。其中计算标准差时使用半衰指数加权，半衰期为40个交易日[17]。 * 细分因子CMRA（Cumulative range）：计算个股过去12个月内的累计对数收益率，将累计最高收益与累计最低收益做差得到CMRA[17]。 * 细分因子HSIGMA（Historical sigma）：计算BETA时残差的标准差[17]。 9. **因子名称**：非线性市值因子 **因子具体构建过程**：非线性市值因子 = NLSIZE。其中NLSIZE（Non-linear Size）为细分因子，构造方式为：将股票总市值对数的三次方与对数市值进行加权最小二乘回归，其中权重为对数市值的平方根，最终取回归残差作为NLSIZE。总市值越大或越小的股票NLSIZE越大，中市值股票NLSIZE小[17]。 10. **因子名称**：杠杆因子 **因子具体构建过程**：杠杆因子 = (MLEV + DTOA + BLEV) / 3[17]。 * 细分因子MLEV（Market leverage）：非流动负债 / 总市值[17]。 * 细分因子DTOA（Debt to assets）：总负债 / 总资产[17]。 * 细分因子BLEV（Book leverage）：非流动负债 / 归属母公司股东权益[17]。 选股因子（共53个）[21] 构建思路：构建了53个常用的选股因子，涵盖了估值、成长、质量、规模、反转、动量、流动性、波动性、分红、公司治理以及技术等多个方面[21]。在计算全市场股票池因子表现时，会对每个单因子进行中性化处理，消除其与行业、风格（规模、估值、成长）因子的相关性[47]。 **因子列表及具体构建过程如下表所示**[22]： | 因子类别 | 因子名称 | 构造方式 | 参考方向 | | :--- | :--- | :--- | :--- | | 估值 | BP | 归属母公司股东权益/总市值 | 正向[22] | | | 单季度EP | 单季度归母净利润/总市值 | 正向[22] | | | EP_TTM | 归母净利润TTM/总市值 | 正向[22] | | | 单季度SP | 单季度营业收入/总市值 | 正向[22] | | | SP_TTM | 营业收入TTM/总市值 | 正向[22] | | | 单季度CFEV | 单季度经营活动产生的现金流量净额/（市值 + 短期借款 + 长期借款 + 应付债券 - 货币资金） | 正向[22] | | | CFEV_TTM | 经营活动产生的现金流量净额TTM/（市值 + 短期借款 + 长期借款 + 应付债券 - 货币资金） | 正向[22] | | 成长 | 单季度净利润同比增速 | 单季度归母净利润同比增长率 | 正向[22] | | | 单季度营业收入同比增速 | 单季度营业收入同比增长率 | 正向[22] | | | 单季度营业利润同比增速 | 单季度营业利润同比增长率 | 正向[22] | | | 标准化预期外盈利 | （当前季度归母净利润 -（去年同期单度归母净利润+过去8个季度单季归母净利润同比增长均值））/ 过去8个季度的单季度归母净利润同比增长值的标准差 | 正向[22] | | | 标准化预期外收入 | （当前季度营业收入 -（去年同期单度营业收入+过去8个季度单季度营业收入同比增长均值））/ 过去8个季度的单季营业收入同比增长值的标准差 | 正向[22] | | | 单季度ROE同比 | ROE单季度同比变化 | 正向[22] | | | 单季度ROA同比 | ROA单季度同比变化 | 正向[22] | | 质量 | 单季度ROE | 单季度归母净利润/归属母公司股东权益 | 正向[22] | | | 单季度ROA | 单季度归母净利润/总资产 | 正向[22] | | | 单季度毛利率 | （单季度营业收入-单季度营业成本）/单季度营业收入 | 正向[22] | | | 单季度营业利润率 | 单季度营业利润/单季度营业收入 | 正向[22] | | | 单季度净利润率 | 单季度归母净利润/单季度营业收入 | 正向[22] | | | 盈余质量 | (经营活动现金流量净额-营业利润) /总资产 | 正向[22] | | | 流动比率 | 流动资产/流动负债 | 正向[22] | | 规模 | 对数市值 | 总市值的对数 | 负向[22] | | 反转 | 20日反转 | 个股过去20个交易日收益率 | 负向[22] | | | 60日反转 | 个股过去60个交易日收益率 | 负向[22] | | 动量 | 60日动量 | 个股过去60个交易日（排除近20日）收益率 | 正向[22] | | | 240日动量 | 个股过去240个交易日（排除近20日）收益率 | 正向[22] | | | 盈余公告前隔夜动量 | 个股盈余公告前20个交易日的隔夜收益 | 正向[22] | | | 盈余公告次日开盘跳空超额 | 个股盈余公告次日开盘价/昨日收盘价-中证全指次日开盘价/昨日收盘价 | 正向[22] | | 流动性 | 20日换手率 | 个股过去20个交易日换手率的平均值 | 负向[22] | | | 60日换手率 | 个股过去60个交易日换手率的平均值 | 负向[22] | | | 20日换手率波动 | 个股过去20个交易日换手率的标准差 | 负向[22] | | | 60日换手率波动 | 个股过去60个交易日换手率的标准差 | 负向[22] | | | 20日非流动性冲击 | 个股过去20个交易日的收益率绝对值/过去20日成交额的均值 | 正向[22] | | | 60日非流动性冲击 | 个股过去60个交易日的收益率绝对值/过去60日成交额的均值 | 正向[22] | | 波动性 | 20日收益率标准差 | 个股过去20个交易日的日收益率标准差 | 负向[22] | | | 60日收益率标准差 | 个股过去60个交易日的日收益率标准差 | 负向[22] | | | 20日特异度 | 个股过去20个交易日的日收益与Fama-French三因子回归的拟合度 | 负向[22] | | | 60日特异度 | 个股过去60个交易日的日收益与Fama-French三因子回归的拟合度 | 负向[22] | | | 20日三因子模型残差波动率 | 个股过去20个交易日的日收益对Fama-French三因子回归的残差的标准差 | 负向[22] | | | 120日三因子模型残差波动率 | 个股过去120个交易日的日收益对Fama-French三因子回归的残差的标准差 | 负向[22] | | | 240日三因子模型残差波动率 | 个股过去240个交易日的日收益对Fama-French三因子回归的残差的标准差 | 负向[22] | | 分红 | 股息率 | 最近4个季度分红/总市值 | 正向[22] | | 公司治理 | 前五大股东持股比例 | 前五大股东持股比例合计 | 正向[22] | | | 前十大股东持股比例 | 前十大股东持股比例合计 | 正向[22] | | 技术 | 20日成交额 | 过去20个交易日日均成交额 | 负向[22] | | | 60日成交额 | 过去60个交易日日均成交额 | 负向[22] | | | 60日偏度 | 过去60个交易日日度收益率数据计算的偏度 | 负向[22] | | | 240日偏度 | 过去240个交易日日度收益率数据计算的偏度 | 负向[22] | | | 20日成交量变异系数 | 过去20个交易日成交量的标准差 / 过去20个交易日成交量均值 | 负向[22] | | | 60日成交量变异系数 | 过去60个交易日成交量的标准差 / 过去60个交易日成交量均值 | 负向[22] | | | 20日成交量比率 | 过去20个交易日成交量均值/ 过去240个交易日成交量均值 | 负向[22] | | | 60日成交量比率 | 过去60个交易日成交量均值/ 过去240个交易日成交量均值 | 负向[22] | | | 120日成交量比率 | 过去120个交易日成交量均值/ 过去240个交易日成交量均值 | 负向[22] | 模型的回测效果 *注：报告中未提供“中性约束条件下最大化因子暴露组合”模型整体的综合回测指标（如年化收益、夏普比率等），仅提供了该模型框架下各单因子的超额收益表现。* 因子的回测效果 风格因子表现（近一周多空收益）[19] 1. Beta因子， 多空收益 4.54%[19] 2. 动量因子， 多空收益 4.34%[19] 3. 波动性因子， 多空收益 3.81%[19] 4. 规模因子， 多空收益 3.36%[19] 5. 流动性因子， 多空收益 1.59%[19] 6. 成长因子， 多空收益 1.15%[19] 7. 非线性市值因子， 多空收益 0.88%[19] 8. 盈利因子， 多空收益 0.61%[19] 9. 杠杆因子， 多空收益 -0.56%[19] 10. 估值因子， 多空收益 -3.71%[19] 选股因子表现（基于“中性约束条件下最大化因子暴露组合”） **以下为各股票池中，因子在“最近一周”窗口期的超额收益表现。** 沪深300股票池[24] 1. 标准化预期外盈利因子， 超额收益 0.87%[24] 2. 240日动量因子， 超额收益 0.78%[24] 3. 单季度净利润率因子， 超额收益 0.74%[24] 中证500股票池[28] 1. 单季度毛利率因子， 超额收益 1.49%[28] 2. 单季度营业利润率因子， 超额收益 1.26%[28] 3. 单季度净利润率因子， 超额收益 1.05%[28] 中证800股票池[33] 1. 单季度ROE因子， 超额收益 1.02%[33] 2. 盈余公告前隔夜动量因子， 超额收益 0.97%[33] 3. 标准化预期外盈利因子， 超额收益 0.94%[33] 中证1000股票池[38] 1. 单季度营业利润率因子， 超额收益 1.34%[38] 2. 单季度净利润率因子， 超额收益 1.25%[38] 3. 单季度营业利润同比增速因子， 超额收益 1.15%[38] 沪深300ESG股票池[42] 1. 标准化预期外盈利因子， 超额收益 0.96%[42] 2. 单季度营业利润同比增速因子， 超额收益 0.57%[42] 3. 单季度ROA因子， 超额收益 0.52%[42] 全市场股票池（近一周Rank IC）[46] 1. 单季度ROE因子， Rank IC 17.68%[46] 2. 单季度ROA因子， Rank IC 17.19%[46] 3. 单季度净利润率因子， Rank IC 16.25%[46]

量化模型与构建方式 1. **模型名称**：公募指数增强基金等权组合模型[6][17][20][21][26] **模型构建思路**：通过等权重配置同一指数增强基金类别下的多只产品，构建一个能够代表该类基金整体平均表现的组合[17][22]。 **模型具体构建过程**： * **基金筛选**：根据Wind投资类型二级分类，筛选出跟踪特定指数（如沪深300、中证500、中证1000、中证A500）的指数增强型基金[29]。 * **成立时间过滤**：在每次再平衡时点，仅纳入成立已满2个月的基金，以排除建仓期影响[17][22][30]。对于中证A500指增，由于存续时间较短，在统计本年收益时放宽要求，不要求满2个月[8][30]。 * **组合构建与再平衡**：将筛选出的基金进行等权重配置，形成组合。组合采用月度频率进行再平衡，即每月调整一次，使各成分基金恢复等权重[17][22]。 * **净值计算**：计算该等权组合的净值走势，用于观察该类基金整体的累计超额收益表现[6][17][20][21][26]。 2. **模型名称**：公募主动量化产品等权组合模型[6][17][25][27] **模型构建思路**：通过等权重配置多只主动量化基金，构建一个能够代表主动量化基金整体平均表现的组合[17]。 **模型具体构建过程**： * **基金筛选**：根据基金名称、投资目标、基金经理、招股说明书的投资策略、股票仓位等，从Wind投资类型为普通股票型、偏股混合型、灵活配置型的基金中定义并筛选出主动量化基金[29]。 * **成立时间过滤**：在每次再平衡时点，仅纳入成立已满2个月的基金[17]。 * **组合构建与再平衡**：将筛选出的基金进行等权重配置，形成组合。组合采用月度频率进行再平衡[17]。 * **净值计算**：计算该等权组合的净值走势，用于观察主动量化基金整体的累计绝对收益表现[6][17][25][27]。 3. **模型名称**：公募市场中性产品等权组合模型[6][17][24] **模型构建思路**：通过等权重配置多只股票市场中性策略基金，构建一个能够代表市场中性基金整体平均表现的组合[17]。 **模型具体构建过程**： * **基金筛选**：根据Wind投资类型二级分类，筛选出投资类型为“股票多空”的基金，定义为股票市场中性策略基金[29]。 * **成立时间过滤**：在每次再平衡时点，仅纳入成立已满2个月的基金[17]。 * **组合构建与再平衡**：将筛选出的基金进行等权重配置，形成组合。组合采用月度频率进行再平衡[17]。 * **净值计算**：计算该等权组合的净值走势，用于观察市场中性基金整体的累计绝对收益表现[6][17][24]。 模型的回测效果 1. 公募沪深300指增等权组合模型，近一年跟踪误差3.07%[8]，近一年信息比率(IR)未直接给出，可通过“近一年均值0.29%”与“近一年跟踪误差3.07%”估算。 2. 公募中证A500指增等权组合模型，本年跟踪误差5.94%[8]。 3. 公募中证500指增等权组合模型，近一年跟踪误差4.35%[8]，近一年信息比率(IR)未直接给出，可通过“近一年均值2.85%”与“近一年跟踪误差4.35%”估算。 4. 公募中证1000指增等权组合模型，近一年跟踪误差4.37%[8]，近一年信息比率(IR)未直接给出，可通过“近一年均值9.70%”与“近一年跟踪误差4.37%”估算。 5. 公募主动量化产品等权组合模型，近一年最大回撤13.10%[8]。 6. 公募市场中性产品等权组合模型，近一年最大回撤3.42%[8]。 量化因子与构建方式 1. **因子名称**：超额收益因子[1][2][3][8] **因子构建思路**：衡量指数增强基金相对于其跟踪基准的超额收益能力[29]。 **因子具体构建过程**： * **基准确定**：以基金所跟踪的标的指数对应的全收益指数作为比较基准[29]。 * **计算**：在指定时间窗口内（如本周、本月、本年等），计算基金净值增长率与基准指数增长率之差，即为该时间窗口的超额收益。 $$超额收益 = R_{fund} - R_{benchmark}$$ 其中，$R_{fund}$ 为基金收益率，$R_{benchmark}$ 为基准全收益指数收益率。 2. **因子名称**：跟踪误差因子[8] **因子构建思路**：衡量指数增强基金投资组合收益率与基准指数收益率之间的偏离程度，即投资组合的风险控制能力[8]。 **因子具体构建过程**： * **数据准备**：获取基金和基准指数在近一年内的日度收益率序列。 * **计算**：计算基金日收益率与基准日收益率之差的年化标准差。 $$年化跟踪误差 = \sqrt{242} \times Std(R_{fund, daily} - R_{benchmark, daily})$$ 其中，$Std$ 表示标准差，年化交易日数采用242天[29]。 3. **因子名称**：最大回撤因子[8] **因子构建思路**：衡量基金净值从前期高点下降到后期低点的最大幅度，用于评估基金的历史下行风险[8]。 **因子具体构建过程**： * **数据准备**：获取基金在指定时间窗口内（如近一年）的净值序列。 * **计算**：对于净值序列中的每一个时点，计算从该时点之前的历史最高点到该时点的回撤率，所有时点回撤率中的最大值即为该时间窗口的最大回撤。 $$回撤率(At\ Time\ t) = \frac{Peak_t - NAV_t}{Peak_t}$$ $$最大回撤 = Max(回撤率_1, 回撤率_2, ..., 回撤率_T)$$ 其中，$Peak_t$ 为时点 $t$ 之前的历史最高净值，$NAV_t$ 为时点 $t$ 的净值。 因子的回测效果 1. 超额收益因子（沪深300指增），本周均值0.21%[1][8]，本月均值0.33%[2][8]，本年均值-0.24%[3][8]，近一年均值0.29%[8]。 2. 超额收益因子（中证A500指增），本周均值-0.04%[1][8]，本月均值-0.03%[2][8]，本年均值1.04%[3][8]。 3. 超额收益因子（中证500指增），本周均值-0.44%[1][8]，本月均值-0.11%[2][8]，本年均值0.64%[3][8]，近一年均值2.85%[8]。 4. 超额收益因子（中证1000指增），本周均值-0.24%[1][8]，本月均值0.25%[2][8]，本年均值7.52%[3][8]，近一年均值9.70%[8]。 5. 超额收益因子（主动量化），本周均值-0.12%[1][8]，本月均值0.58%[2][8]，本年均值26.64%[3][8]，近一年均值21.68%[8]。 6. 超额收益因子（市场中性），本周均值-0.12%[1][8]，本月均值-0.10%[2][8]，本年均值1.03%[3][8]，近一年均值1.40%[8]。 7. 跟踪误差因子（沪深300指增），近一年均值3.07%[8]。 8. 跟踪误差因子（中证A500指增），本年均值5.94%[8]。 9. 跟踪误差因子（中证500指增），近一年均值4.35%[8]。 10. 跟踪误差因子（中证1000指增），近一年均值4.37%[8]。 11. 最大回撤因子（主动量化），近一年均值13.10%[8]。 12. 最大回撤因子（市场中性），近一年均值3.42%[8]。

量化模型与构建方式 1. **模型名称：全天候择时模型**[1][7] * **模型构建思路**：通过监测市场指数（如Wind全A、中证800等）的价量信号，判断市场短期走势。核心逻辑是捕捉放量上涨并突破多根均线的积极信号，作为市场结束调整、开启上涨行情的依据[1][7]。 * **模型具体构建过程**：模型监测特定市场指数。当指数出现“放量上涨”且“向上突破多根均线”时，模型将触发多头信号。报告未提供具体的成交量放大阈值、突破的均线周期组合以及突破幅度的量化定义[1][7]。 2. **模型名称：周期分析模型**[1][7][8] * **模型构建思路**：通过分析市场指数的长期价格波动，识别市场所处的周期性趋势阶段，用于判断市场中长期的运行方向[1][7][8]。 * **模型具体构建过程**：报告提及该模型用于判断市场处于“自2024年以来的月线级别上行趋势中”。这表明模型可能基于月度价格数据，运用了趋势识别技术（如移动平均线、趋势线等）来界定长期趋势的方向和起始点。具体构建方法和参数未详细说明[1][7][8]。 3. **模型名称：行业四轮驱动模型**[2][7][14] * **模型构建思路**：综合多种信号对行业进行排序和筛选，以发现具有潜在投资机会的行业。模型结合了趋势、动量、拥挤度等多维度信息[2][7][14]。 * **模型具体构建过程**：根据报告图表，该模型对每个行业输出多个字段，包括： * **行业排序**：模型对行业的综合评分排序[14]。 * **信号类型**：如“牛回头(潜在机会)”、“赚钱效应异动(潜在机会)”等，这些信号可能由特定的量化规则（如价格回调至关键均线后企稳、特定形态的动量突变等）触发[14]。 * **是否拥挤**：标识该行业交易是否处于拥挤状态（0表示不拥挤）[14]。 * **过去1年Sharpe排序**：行业基于过去一年夏普比率的排名[14]。 模型的具体构建公式和各类信号的生成规则未在报告中详细披露[2][7][14]。 4. **因子名称：交易拥挤度**[2][7][12] * **因子构建思路**：通过衡量特定板块或行业的成交金额占市场总成交金额的比例及其变化趋势，来评估该板块的交易热度和潜在风险。成交占比过高可能意味着交易拥挤，短期调整风险上升[2][7][12]。 * **因子具体构建过程**：对于特定板块（如TMT、先进制造），计算其成分股的总成交金额，然后除以全市场（或选定基准）的总成交金额，得到成交金额占比。通过跟踪该占比的近期变化（如“小幅抬升趋势”）来判断资金流向和板块热度[2][7][12]。 公式可表示为： $$板块交易拥挤度_t = \frac{板块总成交金额_t}{市场总成交金额_t}$$ 其中，$t$ 代表时间点（如交易日）[2][7][12]。 5. **分析方法：缠论日线笔结构分析**[1][7][10] * **构建思路**：运用缠论中的“笔”结构划分方法，对日线级别价格走势进行分解，以识别市场的调整结构（如“向下一笔”）和潜在转折点[1][7][10]。 * **具体构建过程**：根据缠论原理，通过识别顶分型和底分型来定义“笔”。报告指出“大盘在周五已形成向下一笔结构”，这意味着从某个近期高点开始，价格走势满足了形成“向下一笔”的规则（通常包含至少5根K线，且中间有顶分型和底分型）。这一结构被用来辅助判断“二次探底形态已基本构筑完成”[1][7][10]。 模型的回测效果 （报告中未提供任何量化模型的回测绩效指标，如年化收益率、夏普比率、最大回撤、信息比率（IR）等具体数值。） 因子的回测效果 （报告中未提供任何量化因子（如交易拥挤度）的IC值、IR、多空收益等具体测试结果数值。）

量化模型与构建方式 1. 股指期货分红点位预测模型 1. **模型名称**：股指期货分红点位预测模型[9] 2. **模型构建思路**：基于信达金工衍生品研究报告系列二《股指期货分红点位预测》中的方法，对股指期货标的指数未来一年及合约存续期内的分红点位进行预测[9]。 3. **模型具体构建过程**：报告未详细描述该模型的构建过程，仅提及了预测结果。构建过程应参考其系列报告，核心是预测指数成分股在特定期间内的现金分红，并汇总为对指数点位的调整值[9]。 2. 基差修正模型 1. **模型名称**：分红调整年化基差计算模型[19] 2. **模型构建思路**：为剔除指数成分股分红对股指期货合约基差的影响，获得更纯粹反映市场情绪和供需关系的基差水平，对原始基差进行分红调整和年化处理[19]。 3. **模型具体构建过程**： * **步骤1**：计算实际基差。基差定义为期货合约收盘价与标的指数收盘价的差值[19]。 * **步骤2**：计算预期分红调整后的基差。公式为： $$预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红$$[19] 其中，“存续期内未实现的预期分红”即使用前述分红点位预测模型得到的数值[9]。 * **步骤3**：将调整后的基差进行年化处理，以便于不同期限合约间的比较。公式为： $$年化基差 = \frac{实际基差 + (预期)分红点位}{指数价格} \times \frac{360}{合约剩余天数}$$[19] 报告中后续提及的“基差”均指此分红调整后的年化基差[19]。 3. 期现对冲策略模型 1. **模型名称**：连续对冲策略[44] 2. **模型构建思路**：通过持续做空股指期货合约，对冲持有现货指数（全收益指数）的市场风险，旨在获取相对稳定的收益或降低组合波动[43][44]。 3. **模型具体构建过程**： * **回测区间**：2022年7月22日至2025年12月12日[44]。 * **现货端**：持有对应标的指数的全收益指数[44]。 * **期货端**：做空与现货端等名义本金的中证500、沪深300、上证50或中证1000股指期货合约[44]。 * **资金分配**：现货端使用70%资金，期货端占用剩余30%资金。每次调仓后根据产品净值重新计算现货及期货头寸数量[44]。 * **调仓规则**：连续持有季月或当月合约，直至该合约离到期剩余不足2日，在当日以收盘价进行平仓，并同时以当日收盘价继续卖空下一季月或当月合约[44]。 * **备注**：不考虑交易手续费、冲击成本及合约不可无限细分性质[44]。 4. 期现对冲策略模型（衍生） 1. **模型名称**：最低贴水策略[45] 2. **模型构建思路**：在连续对冲策略的基础上进行优化，通过动态选择年化基差贴水幅度最小的合约进行对冲，旨在降低对冲成本或获取更高的基差收敛收益[45]。 3. **模型具体构建过程**： * **回测区间**：2022年7月22日至2025年12月12日[45]。 * **现货端与期货端设置**：与连续对冲策略相同[45]。 * **调仓规则**： * 调仓时，计算当日所有可交易期货合约的年化基差[45]。 * 选择年化基差贴水幅度最小的合约进行开仓[45]。 * 同一合约至少持有8个交易日，或该合约离到期剩余不足2日时，才可重新选择新合约（排除剩余到期日不足8日的合约）[45]。 * 每次选择后，即使结果仍是持有原合约，也继续持有8个交易日[45]。 * **备注**：不考虑交易手续费、冲击成本及合约不可无限细分性质[45]。 5. 信达波动率指数 (Cinda-VIX) 1. **因子名称**：信达波动率指数 (Cinda-VIX)[61] 2. **因子构建思路**：借鉴海外VIX指数编制经验，结合中国场内期权市场实际情况进行调整，编制能够反映市场对标的资产未来波动率预期的指数[61]。 3. **因子具体构建过程**：报告未给出具体计算公式，但指出其具体算法基于信达金工衍生品研究报告系列四《挖掘期权市场中隐含的市场情绪》[61]。该因子具有期限结构，可以反映投资者对同一标的资产在不同期限内的波动预期[61]。 6. 信达波动率偏度指数 (Cinda-SKEW) 1. **因子名称**：信达波动率偏度指数 (Cinda-SKEW)[67] 2. **因子构建思路**：通过捕捉不同行权价格期权隐含波动率（IV）的偏斜特征，来衡量市场对标的资产未来收益分布（特别是尾部风险）的预期[67]。该指数又被称为“黑天鹅指数”[68]。 3. **因子具体构建过程**：报告未给出具体计算公式。其原理是，当市场对下跌的担忧加剧时，看跌期权需求增加，会导致波动率曲线出现偏斜，SKEW指数值升高（通常超过100）[67][68]。 模型的回测效果 （回测区间：2022年7月22日至2025年12月12日[44][45]） 1. **IC当月连续对冲模型**，年化收益-3.41%，波动率3.80%，最大回撤-11.20%，净值0.8893，年换手次数12，2025年以来收益-6.53%[47] 2. **IC季月连续对冲模型**，年化收益-2.42%，波动率4.70%，最大回撤-8.34%，净值0.9205，年换手次数4，2025年以来收益-3.35%[47] 3. **IC最低贴水策略模型**，年化收益-1.94%，波动率4.51%，最大回撤-8.70%，净值0.9360，年换手次数16.58，2025年以来收益-4.28%[47] 4. **IF当月连续对冲模型**，年化收益0.36%，波动率2.89%，最大回撤-3.95%，净值1.0121，年换手次数12，2025年以来收益-1.12%[52] 5. **IF季月连续对冲模型**，年化收益0.70%，波动率3.24%，最大回撤-4.03%，净值1.0240，年换手次数4，2025年以来收益0.42%[52] 6. **IF最低贴水策略模型**，年化收益1.08%，波动率3.01%，最大回撤-4.06%，净值1.0370，年换手次数15.10，2025年以来收益0.34%[52] 7. **IH当月连续对冲模型**，年化收益1.08%，波动率2.97%，最大回撤-4.22%，净值1.0369，年换手次数12，2025年以来收益0.60%[56] 8. **IH季月连续对冲模型**，年化收益2.02%，波动率3.36%，最大回撤-3.75%，净值1.0699，年换手次数4，2025年以来收益2.05%[56] 9. **IH最低贴水策略模型**，年化收益1.68%，波动率2.98%，最大回撤-3.91%，净值1.0578，年换手次数15.69，2025年以来收益1.66%[56] 10. **IM当月连续对冲模型**，年化收益-6.43%，波动率4.74%，最大回撤-14.00%，净值0.8316，年换手次数12，2025年以来收益-12.68%[58] 11. **IM季月连续对冲模型**，年化收益-4.70%，波动率5.76%，最大回撤-12.63%，净值0.8489，年换手次数4，2025年以来收益-7.26%[58] 12. **IM最低贴水策略模型**，年化收益-4.38%，波动率5.51%，最大回撤-11.11%，净值0.8684，年换手次数15.62，2025年以来收益-7.93%[58] 因子的回测效果 （截至2025年12月12日） 1. **上证50VIX (30日)**，取值15.93[61] 2. **沪深300VIX (30日)**，取值17.03[61] 3. **中证500VIX (30日)**，取值22.82[61] 4. **中证1000VIX (30日)**，取值20.49[61] 5. **上证50SKEW**，取值101.80[68] 6. **沪深300SKEW**，取值108.04[68] 7. **中证500SKEW**，取值104.65[68] 8. **中证1000SKEW**，取值108.10[68]

量化模型与构建方式 1. **模型名称**：优秀基金业绩增强组合[4][13] **模型构建思路**：将对标基准从宽基指数转变为主动股基，在借鉴优秀基金持仓的基础上，采用量化方法进行增强，以达到优中选优的目的[4][47] **模型具体构建过程**： * **基金优选**：对基金进行优选，并对收益类因子进行分层中性化处理，以解决市场风格突变时的反转问题和持股风格集中化问题[47] * **构建基准组合**：根据优选基金的补全持仓构建优选基金持仓组合，该组合能较好地跟踪主动股基中位数走势[47] * **组合优化增强**：以业绩分层视角下的优选基金持仓为选股空间和对标基准，采用组合优化的方法控制组合与优选基金持仓在个股偏离、行业偏离及风格上的偏离，构建最终组合[48] 2. **模型名称**：超预期精选组合[5][13] **模型构建思路**：对超预期股票池进行基本面和技术面的双层优选，挑选出同时具备基本面支撑和技术面共振的超预期股票[5][53] **模型具体构建过程**： * **筛选股票池**：以研报标题出现“超预期”与分析师全线上调净利润为条件，筛选出超预期事件股票池[5][53] * **双层精选**：对超预期股票池中的股票，从基本面和技术面两个维度进行精选[5][53] 3. **模型名称**：券商金股业绩增强组合[6][13] **模型构建思路**：以券商金股股票池为选股空间和约束基准，采用组合优化的方式控制组合与券商金股股票池在个股、风格上的偏离[6] **模型具体构建过程**： * **确定股票池**：以券商金股股票池作为选股空间和对标基准[6][58] * **组合优化精选**：采用组合优化的方法，在控制与基准股票池在个股和风格上偏离的前提下，进行进一步精选[6] 4. **模型名称**：成长稳健组合[7][13] **模型构建思路**：采用“先时序、后截面”的方式，构建成长股二维评价体系，旨在高效获取成长股超额收益释放黄金期的收益[7][39][63] **模型具体构建过程**： * **筛选股票池**：以研报标题出现“超预期”及业绩大增为条件筛选成长股股票池[7][63] * **时序分档**：根据距离正式财报预约披露日的间隔天数对股票池进行分档，优先选择距离财报预约披露日较近的股票[7][63] * **截面精选**：当样本数量较多时，采用多因子打分精选优质个股[7][63] * **构建组合**：构建100只股票的等权组合，并引入弱平衡机制、跃迁机制、缓冲机制和风险规避机制以降低换手、规避风险[7][63] 模型的回测效果 1. **优秀基金业绩增强组合** * 全样本区间（2012.1.4-2025.6.30）年化收益（考虑仓位及交易费用）：20.31%[49] * 全样本区间相对偏股混合型基金指数年化超额收益：11.83%[49] * 本年（2025.1.2-2025.12.12）绝对收益（考虑仓位）：28.34%[2][14] * 本年相对偏股混合型基金指数超额收益：-3.00%[2][14] * 本周（2025.12.8-2025.12.12）绝对收益（考虑仓位）：2.14%[2][14] * 本周相对偏股混合型基金指数超额收益：1.44%[2][14] 2. **超预期精选组合** * 全样本区间（2010.1.4-2025.6.30）年化收益（考虑仓位及交易费用）：30.55%[54] * 全样本区间相对偏股混合型基金指数年化超额收益：24.68%[54] * 本年（2025.1.2-2025.12.12）绝对收益（考虑仓位）：41.78%[2][14] * 本年相对偏股混合型基金指数超额收益：10.44%[2][14] * 本周（2025.12.8-2025.12.12）绝对收益（考虑仓位）：0.72%[2][14] * 本周相对偏股混合型基金指数超额收益：0.01%[2][14] 3. **券商金股业绩增强组合** * 全样本区间（2018.1.2-2025.6.30）年化收益（考虑仓位及交易费用）：19.34%[59] * 全样本区间相对偏股混合型基金指数年化超额收益：14.38%[59] * 本年（2025.1.2-2025.12.12）绝对收益（考虑仓位）：36.74%[2][14] * 本年相对偏股混合型基金指数超额收益：5.40%[2][14] * 本周（2025.12.8-2025.12.12）绝对收益（考虑仓位）：1.62%[2][14] * 本周相对偏股混合型基金指数超额收益：0.91%[2][14] 4. **成长稳健组合** * 全样本区间（2012.1.4-2025.6.30）年化收益（考虑仓位及交易费用）：35.51%[64] * 全样本区间相对偏股混合型基金指数年化超额收益：26.88%[64] * 本年（2025.1.2-2025.12.12）绝对收益（考虑仓位）：49.78%[3][14] * 本年相对偏股混合型基金指数超额收益：18.45%[3][14] * 本周（2025.12.8-2025.12.12）绝对收益（考虑仓位）：0.09%[3][14] * 本周相对偏股混合型基金指数超额收益：-0.62%[3][14]

量化模型与构建方式 1. **模型名称：港股精选组合策略**[13][14] * **模型构建思路**：该策略旨在对分析师推荐股票池进行基本面和技术面的双层优选，挑选出同时具备基本面支撑和技术面共振的超预期股票，构建港股精选股票组合[13][14]。 * **模型具体构建过程**： 1. **构建分析师推荐股票池**：以分析师上调盈利预测、分析师首次关注、分析师研报标题超预期事件作为分析师推荐事件，构建初始股票池[14]。 2. **基本面与技术面精选**：对上述股票池中的股票，从基本面和技术面两个维度进行进一步筛选，具体筛选标准未在本文档中详细说明，但提及可参考专题报告《基于分析师推荐视角的港股投资策略》[13][14]。 2. **模型名称：平稳创新高股票筛选模型**[20][22][23] * **模型构建思路**：根据分析师关注度、股价相对强弱、股价路径平稳性、创新高连续性等多个角度，在过去20个交易日创出过250日新高的股票池中，筛选出“平稳创新高”的股票[2][22]。 * **模型具体构建过程**： 1. **定义创新高距离**：使用250日新高距离指标来衡量股票创新高情况。计算公式为： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，`Closet`为最新收盘价，`ts_max(Close, 250)`为过去250个交易日收盘价的最大值。该值越接近0，表示股价越接近历史高点[22]。 2. **设定筛选条件**： * **样本池**：全部港股，但剔除成立时间不超过15个月的股票[23]。 * **分析师关注度**：过去6个月内，买入或增持评级的分析师研报不少于5份[23]。 * **股价相对强弱**：过去250日涨跌幅位于样本池前20%[23]。 * **股价平稳性**：在满足上述条件的股票池内，使用以下两个指标综合打分，取排名在前50%的股票（最少取50只）[23]： * **价格路径平滑性**：股价位移路程比。具体计算公式为： $$股价位移路程比 = \frac{过去120日涨跌幅绝对值}{过去120日日涨跌幅绝对值加总}$$ 该指标用于衡量股价上涨路径的平滑程度[22][23]。 * **创新高持续性**：过去120日的250日新高距离在时间序列上的均值[23]。 * **趋势延续性**：过去5日的250日新高距离在时间序列上的均值，取排序靠前的50只股票[23]。 模型的回测效果 1. **港股精选组合策略**[18] * **全样本期 (20100101-20250630)**：年化收益 19.11%，相对恒生指数超额收益 18.48%，信息比(IR) 1.22，跟踪误差 14.55%，最大回撤 23.73%，收益回撤比 0.78[18]。 * **2025年 (截至20250630)**：绝对收益 41.02%，相对恒生指数超额收益 21.02%，信息比(IR) 2.03，跟踪误差 17.33%，最大回撤 10.77%，收益回撤比 1.95[18]。 * **2025年 (截至20251212)**：绝对收益 59.33%，相对恒生指数超额收益 29.83%[1][17]。 量化因子与构建方式 1. **因子名称：250日新高距离**[20][22] * **因子构建思路**：该因子用于量化股票价格接近其过去250个交易日最高点的程度，是识别趋势强度和动量效应的重要指标[20]。 * **因子具体构建过程**：计算最新收盘价与过去250个交易日最高收盘价的相对距离。具体公式为： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，`Closet`为最新收盘价，`ts_max(Close, 250)`为过去250个交易日收盘价的最大值。当股票创出新高时，该因子值为0；股价从高点回落越多，该因子值越大[22]。 2. **因子名称：股价位移路程比（价格路径平滑性）**[22][23] * **因子构建思路**：该因子用于衡量股价在上涨过程中的路径平稳性或平滑性，位移与路程的比值越大，表明上涨路径越直接、回撤越小[22][23]。 * **因子具体构建过程**：计算过去120日的累计涨跌幅绝对值与同期每日涨跌幅绝对值之和的比值。具体公式为： $$股价位移路程比 = \frac{过去120日涨跌幅绝对值}{过去120日日涨跌幅绝对值加总}$$ 该值介于0和1之间，值越大表明股价趋势越平稳[22][23]。 因子的回测效果 （报告中未提供单个因子的独立测试结果数据）

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，来衡量市场涨停股的封板强度，反映市场追涨情绪和短线资金的做多意愿。[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. 在交易日T，找出所有在盘中最高价达到涨停价的股票集合A。[17] 3. 在集合A中，找出收盘价仍为涨停价的股票集合B。[17] 4. 计算封板率：封板率 = 集合B的股票数量 / 集合A的股票数量。[17] * 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数量的比例，来衡量市场涨停股的延续性，反映市场强势股的赚钱效应和短线投机氛围。[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. 在交易日T-1，找出所有收盘涨停的股票集合C。[17] 3. 在交易日T，从集合C中找出收盘价再次涨停的股票集合D。[17] 4. 计算连板率：连板率 = 集合D的股票数量 / 集合C的股票数量。[17] * 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减持或调仓时的折让程度，可作为观察机构或大股东行为及市场情绪的指标。[26] * **因子具体构建过程**： 1. 获取交易日T所有大宗交易的成交数据，包括每笔交易的成交金额和成交数量。[26] 2. 计算当日大宗交易总成交金额。[26] 3. 对于每笔大宗交易，以其成交数量乘以该股票当日的收盘价（或成交均价），计算出按市价计算的市值，然后加总得到所有成交份额按市价计算的总市值。[26] 4. 计算折价率：折价率 = (大宗交易总成交金额 / 按市价计算的成交份额总市值) - 1。[26] * 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，来衡量市场对未来指数的预期、对冲成本以及市场情绪（如悲观预期导致深度贴水）。[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. 在交易日T，获取该股指期货主力合约的结算价（或收盘价）F，以及标的指数的收盘价S。[28] 3. 计算基差：基差 = F - S。[28] 4. 获取该主力合约的剩余交易日数N。[28] 5. 计算年化贴水率：年化贴水率 = (基差 / S) * (250 / N)。[28] * 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] * **因子评价**：该因子是衡量市场情绪和对冲成本的关键指标，深度贴水可能反映市场悲观预期，但也可能意味着更高的潜在对冲成本或套利机会。[28] 因子的回测效果 > 注：本报告为每日市场数据跟踪报告，未提供因子在长期历史数据上的回测绩效指标（如IC、IR、多空收益等）。报告仅展示了相关因子在特定日期（2025年12月12日及附近）的截面或时间序列取值。[17][26][28] 1. **封板率因子**，2025年12月12日取值：**83%**，较前日提升28个百分点。[17] 2. **连板率因子**，2025年12月12日取值：**39%**，较前日提升23个百分点。[17] 3. **大宗交易折价率因子**，2025年12月11日取值：**6.71%**，近半年平均值：6.63%。[26] 4. **股指期货年化贴水率因子** * **上证50股指期货**，2025年12月12日取值：**-13.10%**（贴水），近一年中位数：-0.85%，当前处于近一年**6%**分位点。[28] * **沪深300股指期货**，2025年12月12日取值：**-7.59%**（贴水），近一年中位数：-3.68%，当前处于近一年**27%**分位点。[28] * **中证500股指期货**，2025年12月12日取值：**2.94%**（升水），近一年中位数：-11.22%，当前处于近一年**98%**分位点。[28] * **中证1000股指期货**，2025年12月12日取值：**-6.20%**（贴水），近一年中位数：-13.67%，当前处于近一年**94%**分位点。[28]

量化模型与构建方式 1. 模型名称：国信金工指数增强组合模型 * **模型构建思路**：以多因子选股为主体，通过收益预测、风险控制和组合优化三个主要流程，构建能够稳定战胜特定基准指数的增强组合[10][11] * **模型具体构建过程**： 1. **收益预测**：基于多因子模型对股票未来收益进行预测[11] 2. **风险控制**：在组合优化过程中施加多种约束条件以控制风险[11] 3. **组合优化**：采用组合优化模型，在满足风险约束的条件下最大化预期收益或因子暴露，以得到最终的投资组合权重[11] 2. 模型名称：单因子MFE组合模型 * **模型构建思路**：为了在更贴近实际投资约束的条件下检验单因子的有效性，采用组合优化的方式，在控制行业、风格等暴露的前提下，构建最大化该单因子暴露的投资组合（Maximized Factor Exposure Portfolio），并通过该组合相对于基准的表现来判断因子有效性[14][39] * **模型具体构建过程**： 1. 设定优化目标为最大化组合在目标因子上的加权暴露[39] 2. 施加一系列实际投资中的约束条件，包括风格暴露、行业暴露、个股权重偏离、成分股内权重占比、禁止卖空及权重总和为1等[39][40] 3. 具体的组合优化模型如下： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ * **目标函数**：`max f^T w`，其中 `f` 为因子取值向量，`w` 为待求解的股票权重向量，`f^T w` 表示组合在单因子上的加权暴露[39] * **约束条件1**：`s_l ≤ X(w - w_b) ≤ s_h`，限制组合相对于基准指数 (`w_b`) 在风格因子（矩阵 `X`）上的暴露偏离在 `[s_l, s_h]` 范围内[40] * **约束条件2**：`h_l ≤ H(w - w_b) ≤ h_h`，限制组合相对于基准指数的行业偏离（矩阵 `H` 为行业暴露矩阵）在 `[h_l, h_h]` 范围内[40] * **约束条件3**：`w_l ≤ w - w_b ≤ w_h`，限制个股相对于基准指数成分股的权重偏离在 `[w_l, w_h]` 范围内[40] * **约束条件4**：`b_l ≤ B_b w ≤ b_h`，限制组合在基准指数成分股内的权重占比在 `[b_l, b_h]` 范围内，`B_b` 为标识是否为成分股的0-1向量[40] * **约束条件5**：`0 ≤ w ≤ l`，禁止卖空，并限制个股权重上限为 `l`[40] * **约束条件6**：`1^T w = 1`，要求权重和为1，即满仓运作[40] 4. 通常设置个股相对于基准权重的最大偏离幅度为0.5%-1%，以避免持仓过于集中[40] 5. 在回测中，于每月末根据约束条件构建每个单因子的MFE组合，换仓时双边扣除0.3%的交易费用，并计算相对于基准的收益风险指标[43] 3. 模型名称：公募重仓指数 * **模型构建思路**：为了测试因子在公募基金这一重要市场参与者持仓风格下的有效性，通过汇总公募基金持仓信息，构建一个代表“机构风格”的股票指数作为新的因子测试样本空间[41] * **模型具体构建过程**： 1. **确定样本基金**：选取普通股票型基金和偏股混合型基金，剔除规模小于五千万且上市不足半年的基金，若基金转型则使用转型后半年以上的数据[42] 2. **获取持仓数据**：从基金的定期报告（年报、半年报、季报）中获取持股信息。若最新报告为季报，需结合前期的年报或半年报信息构建完整持仓[42] 3. **计算平均持仓**：将所有符合条件基金的持仓股票权重进行平均，得到公募基金的平均持仓信息[42] 4. **筛选成分股**：将平均后的股票权重按从高到低排序，选取累计权重达到90%的股票作为成分股，以此构建公募基金重仓指数[42] 量化因子与构建方式 报告涉及估值、反转、成长、盈利、流动性、波动、公司治理、分析师共8大类30余个因子[15][16]。 1. 估值类因子 * **因子名称**：BP * **因子构建思路**：衡量公司净资产与市场价值的比例，属于价值型因子[16] * **因子具体构建过程**：净资产 / 总市值[16] * **因子名称**：单季EP * **因子构建思路**：使用单季度净利润衡量估值[16] * **因子具体构建过程**：单季度归母净利润 / 总市值[16] * **因子名称**：单季SP * **因子构建思路**：使用单季度营业收入衡量估值[16] * **因子具体构建过程**：单季度营业收入 / 总市值[16] * **因子名称**：EPTTM * **因子构建思路**：使用滚动净利润衡量估值[16] * **因子具体构建过程**：归母净利润TTM / 总市值[16] * **因子名称**：SPTTM * **因子构建思路**：使用滚动营业收入衡量估值[16] * **因子具体构建过程**：营业收入TTM / 总市值[16] * **因子名称**：EPTTM一年分位点 * **因子构建思路**：衡量当前EPTTM在历史一年中的相对位置[16] * **因子具体构建过程**：EPTTM在过去一年中的分位点[16] * **因子名称**：股息率 * **因子构建思路**：衡量公司分红回报[16] * **因子具体构建过程**：最近四个季度预案分红金额 / 总市值[16] 2. 反转类因子 * **因子名称**：一个月反转 * **因子构建思路**：捕捉短期价格反转效应[16] * **因子具体构建过程**：过去20个交易日涨跌幅[16] * **因子名称**：三个月反转 * **因子构建思路**：捕捉中期价格反转效应[16] * **因子具体构建过程**：过去60个交易日涨跌幅[16] * **因子名称**：一年动量 * **因子构建思路**：捕捉长期价格动量效应，通常排除最近一个月以避免与短期反转混淆[16] * **因子具体构建过程**：近一年除近一月后动量[16] 3. 成长类因子 * **因子名称**：单季净利同比增速 * **因子构建思路**：衡量单季度净利润的同比增长情况[16] * **因子具体构建过程**：单季度净利润同比增长率[16] * **因子名称**：单季营收同比增速 * **因子构建思路**：衡量单季度营业收入的同比增长情况[16] * **因子具体构建过程**：单季度营业收入同比增长率[16] * **因子名称**：单季营利同比增速 * **因子构建思路**：衡量单季度营业利润的同比增长情况[16] * **因子具体构建过程**：单季度营业利润同比增长率[16] * **因子名称**：标准化预期外盈利 (SUE) * **因子构建思路**：衡量实际净利润超出分析师一致预期的程度，并进行标准化处理[16] * **因子具体构建过程**：(单季度实际净利润 - 预期净利润) / 预期净利润标准差[16] * **因子名称**：标准化预期外收入 (SUR) * **因子构建思路**：衡量实际营业收入超出分析师一致预期的程度，并进行标准化处理[16] * **因子具体构建过程**：(单季度实际营业收入 - 预期营业收入) / 预期营业收入标准差[16] * **因子名称**：单季超预期幅度 * **因子构建思路**：直接衡量实际净利润相对于预期净利润的比例[16] * **因子具体构建过程**：预期单季度净利润 / 财报单季度净利润[16] 4. 盈利类因子 * **因子名称**：单季ROE * **因子构建思路**：衡量单季度净资产收益率[16] * **因子具体构建过程**：单季度归母净利润 * 2 / (期初归母净资产 + 期末归母净资产)[16] * **因子名称**：单季ROA * **因子构建思路**：衡量单季度总资产收益率[16] * **因子具体构建过程**：单季度归母净利润 * 2 / (期初归母总资产 + 期末归母总资产)[16] * **因子名称**：DELTAROE * **因子构建思路**：衡量净资产收益率的同比变化[16] * **因子具体构建过程**：单季度净资产收益率 - 去年同期单季度净资产收益率[16] * **因子名称**：DELTAROA * **因子构建思路**：衡量总资产收益率的同比变化[16] * **因子具体构建过程**：单季度总资产收益率 - 去年同期单季度总资产收益率[16] 5. 流动性类因子 * **因子名称**：非流动性冲击 * **因子构建思路**：衡量单位成交金额对价格造成的冲击，反映流动性成本[16] * **因子具体构建过程**：过去20个交易日的日涨跌幅绝对值 / 成交额的均值[16] * **因子名称**：一个月换手 * **因子构建思路**：衡量短期交易活跃度[16] * **因子具体构建过程**：过去20个交易日换手率均值[16] * **因子名称**：三个月换手 * **因子构建思路**：衡量中期交易活跃度[16] * **因子具体构建过程**：过去60个交易日换手率均值[16] 6. 波动类因子 * **因子名称**：特异度 * **因子构建思路**：衡量股价波动中不能被常见风险因子（如Fama-French三因子）解释的部分[16] * **因子具体构建过程**：1 - 过去20个交易日Fama-French三因子回归的拟合度 (R-squared)[16] * **因子名称**：一个月波动 * **因子构建思路**：衡量短期股价波动率[16] * **因子具体构建过程**：过去20个交易日日内真实波幅均值[16] * **因子名称**：三个月波动 * **因子构建思路**：衡量中期股价波动率[16] * **因子具体构建过程**：过去60个交易日日内真实波幅均值[16] 7. 公司治理类因子 * **因子名称**：高管薪酬 * **因子构建思路**：衡量公司高管薪酬水平[16] * **因子具体构建过程**：前三高管报酬总额取对数[16] 8. 分析师类因子 * **因子名称**：预期EPTTM * **因子构建思路**：基于分析师一致预期的滚动市盈率倒数[16] * **因子具体构建过程**：一致预期滚动EP[16] * **因子名称**：预期BP * **因子构建思路**：基于分析师一致预期的账面市值比[16] * **因子具体构建过程**：一致预期滚动PB[16] * **因子名称**：预期PEG * **因子构建思路**：结合成长性的估值指标[16] * **因子具体构建过程**：一致预期PEG[16] * **因子名称**：预期净利润环比 * **因子构建思路**：衡量分析师对未来净利润环比增长的预期[16] * **因子具体构建过程**：一致预期净利润 / 3个月前一致预期净利润[16] * **因子名称**：3个月盈利上下调 * **因子构建思路**：衡量过去一段时间内分析师对盈利预测的调整方向[16] * **因子具体构建过程**：过去3个月内分析师（上调家数 - 下调家数）/ 总家数[16] * **因子名称**：三个月机构覆盖 * **因子构建思路**：衡量公司受机构关注的程度[16] * **因子具体构建过程**：过去3个月内机构覆盖数量[16] 模型的回测效果 1. 国信金工指数增强组合模型 * **沪深300指数增强组合**：本周超额收益0.73%，本年超额收益19.95%[4][13] * **中证500指数增强组合**：本周超额收益-0.02%，本年超额收益7.36%[4][13] * **中证1000指数增强组合**：本周超额收益-0.31%，本年超额收益15.60%[4][13] * **中证A500指数增强组合**：本周超额收益0.09%，本年超额收益9.62%[4][13] 因子的回测效果 （以下因子表现均为其MFE组合相对于对应基准指数的超额收益） 1. 沪深300样本空间因子表现（最近一周/最近一月/今年以来/历史年化）[18] * **3个月盈利上下调**：0.93% / 2.01% / 9.86% / 5.36% * **标准化预期外盈利**：0.92% / 1.89% / 10.65% / 4.13% * **单季净利同比增速**：0.78% / 0.55% / 13.29% / 3.88% * **一年动量**：0.76% / 1.11% / 1.86% / 2.58% * **预期PEG**：0.72% / 1.07% / 10.69% / 3.60% * **单季营利同比增速**：0.71% / 0.46% / 12.89% / 3.47% * **单季ROE**：0.70% / 2.75% / 20.54% / 5.22% * **DELTAROE**：0.70% / 1.24% / 15.95% / 4.45% * **预期净利润环比**：0.64% / 0.62% / 4.71% / 1.59% * **单季ROA**：0.59% / 2.02% / 14.02% / 3.99% * **单季超预期幅度**：0.59% / 0.65% / 9.49% / 3.91% * **DELTAROA**：0.55% / 0.63% / 13.79% / 4.80% * **标准化预期外收入**：0.33% / 1.16% / 11.21% / 4.77% * **单季EP**：0.27% / 0.32% / 7.92% / 5.27% * **非流动性冲击**：0.25% / 0.12% / -1.49% / 0.32% * **单季营收同比增速**：0.20% / 0.05% / 18.08% / 4.67% * **三个月反转**：0.14% / -0.03% / 0.61% / 0.37% * **三个月换手**：0.12% / 0.26% / -4.78% / 2.37% * **预期EPTTM**：0.12% / 0.09% / 7.17% / 3.87% * **EPTTM一年分位点**：0.08% / -0.54% / 4.63% / 2.42% * **一个月反转**：0.06% / -0.24% / -1.08% / -0.37% * **一个月换手**：-0.01% / -0.24% / -5.27% / 1.34% * **一个月波动**：-0.07% / 0.11% / -1.15% / 1.02% * **特异度**：-0.11% / 0.06% / 2.15% / 0.15% * **EPTTM**：-0.12% / -0.08% / 6.19% / 4.34% * **单季SP**：-0.17% / -0.01% / -0.68% / 2.93% * **SPTTM**：-0.19% / 0.00% / -1.13% / 2.15% * **三个月波动**：-0.21% / -0.02% / -2.41% / 1.83% * **三个月机构覆盖**：-0.22% / 1.08% / 10.93% / 3.05% * **BP**：-0.32% / -0.48% / -1.63% / 2.70% *