量化模型与构建方式 本报告为融资融券周报，主要描述市场数据、行业及标的券的融资融券特征，并未涉及用于预测或选股的量化模型或量化因子的构建、测试与评价。报告内容集中于对历史交易数据的统计与展示[1][9][12][28][29][32][35][42][48][49][52]。 量化因子与构建方式 报告未构建或测试任何用于量化投资的因子。文中提及的指标均为对市场融资融券交易行为的直接统计描述，并非用于预测未来收益的阿尔法因子。 模型的回测效果 报告未涉及任何量化模型的回测。 因子的回测效果 报告未涉及任何量化因子的回测。

量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[12][40][42] * **模型构建思路**：为了准确计算股指期货的升贴水，必须剔除指数成分股分红除息对价格指数造成的自然滑落影响，因此构建模型来预测从当前时刻到期货合约到期日之间，指数成分股分红所导致的点位下降总和[12][40][42]。 * **模型具体构建过程**：模型的核心是计算在特定时间窗口内，所有成分股分红对指数点位的总影响。具体流程如下[42][43][45]： 1. **确定计算范围**：设当前日期为 `t`，股指期货合约到期日为 `T`。对于指数中第 `n` 只成分股，其除权除息日为 `d_n`。只有当 `t < d_n ≤ T` 时，该股票的分红才被计入[42]。 2. **计算单只股票的分红影响点数**：对于满足条件的成分股，其分红导致的指数点位下降计算公式为： $$分红点数 = \sum_{n=1}^{N} [\frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价]$$ 其中，`N` 为指数成分股数量[42]。 3. **数据获取与预测**：计算上述公式需要四个核心数据：成分股权重、成分股分红金额、成分股总市值、指数收盘价[47]。总市值和指数收盘价可直接获取，而成分股权重和分红金额（尤其是对于尚未公布具体方案的公司）需要进行精细化估计[47]。 * **成分股权重**：采用中证指数公司每日披露的日度收盘权重数据，以确保权重准确性，避免使用月末权重估算带来的偏差[48][49]。 * **分红金额预测**：若公司已公布分红金额，则直接采用；若未公布，则需预测。分红金额可分解为 **净利润 × 股息支付率**，因此预测转化为对这两个指标的预测[50]。 * **净利润预测**：采用基于历史净利润分布的动态预测法[52]。若公司已公布年报、快报或业绩预告，则直接采用（业绩预告取上下限均值）；若未公布，则根据公司历史季度盈利分布的稳定性进行分类预测：对于盈利分布稳定的公司，按历史规律预测；对于不稳定的公司，使用上年同期利润作为预测值[52]。 * **股息支付率预测**：采用历史股息率代替[53]。具体规则为：若公司去年分红，则用去年股息支付率；若去年不分红，则用最近3年平均股息支付率；若从未分红，则默认今年不分红；当预测值大于100%时进行截尾处理[56]。 * **除息日预测**：采用基于历史间隔天数稳定性的线性外推法[54][59]。 * 若公司已公布除息日，则直接采用。 * 若未公布，则根据公司是否已公布分红预案、所处阶段（预案/决案）以及历史分红日期间隔的稳定性，选择使用历史日期或基于公告日进行线性外推。 * 若无可靠历史日期或预测日期不合理，则根据大多数公司分红集中在7月底前的规律，设置一个默认日期（如7月31日、8月31日或9月30日）作为预测除息日[59]。 2. **因子名称：已实现股息率与剩余股息率**[3][17] * **因子构建思路**：为了监控指数成分股分红的实施进度，将全年股息率拆分为已实现部分和待实现部分，分别反映已分红和待分红股票对指数股息率的贡献[17]。 * **因子具体构建过程**： 1. **已实现股息率**：计算本年度内**已完成现金分红**的成分股，其分红总额相对于其总市值的加权占比[17]。 $$已实现股息率 = \sum_{i=1}^{N_1} [\frac{个股已分红金额}{个股总市值} \times 个股权重]$$ 其中，`N1` 表示指数中今年已现金分红的公司数量[17]。 2. **剩余股息率**：计算本年度内**尚未进行现金分红**的成分股，其**预计**分红总额相对于其总市值的加权占比[17]。 $$剩余股息率 = \sum_{i=1}^{N_2} [\frac{个股待分红金额}{个股总市值} \times 个股权重]$$ 其中，`N2` 表示指数中尚未现金分红的公司数量，`个股待分红金额` 使用预测值（参见分红点位测算模型）[17]。 3. **因子名称：行业股息率中位数**[2][15] * **因子构建思路**：为了横向比较不同行业的分红吸引力，统计行业内已公布分红预案股票的股息率中位数[15]。 * **因子具体构建过程**：对于每个行业，筛选出当前已披露分红预案的个股，计算每只个股的预案股息率（预案分红金额 / 当前总市值），然后取该行业所有股票股息率的中位数[15]。 模型的回测效果 * **股指分红点位测算模型**：模型在2024年和2025年对主要股指的全年分红点位预测误差基本稳定。对于上证50和沪深300指数，预测误差基本在5个指数点左右；对于中证500和中证1000指数，预测误差稍大，基本稳定在10个指数点左右[64]。对于股指期货合约（从当前至到期日）的分红点位预测，模型对各合约也具有较好的预测准确性[64]。 因子的回测效果 * **已实现股息率与剩余股息率因子**（截至2026年4月15日数据）[3]： * **上证50指数**：已实现股息率 0.00%，剩余股息率 2.43% * **沪深300指数**：已实现股息率 0.01%，剩余股息率 1.93% * **中证500指数**：已实现股息率 0.01%，剩余股息率 1.12% * **中证1000指数**：已实现股息率 0.00%，剩余股息率 0.89% * **行业股息率中位数因子**（基于已公布分红预案的股票统计）：煤炭、银行和钢铁行业的股息率排名前三[2][15]。

量化模型与构建方式 1. **模型名称**：封板率计算模型[16] **模型构建思路**：通过计算当日最高价涨停且收盘涨停的股票数量与最高价涨停股票总数的比例，来衡量市场涨停板的封板质量[16] **模型具体构建过程**： 首先筛选上市满3个月以上的股票，然后识别出在当日交易中最高价达到涨停价的股票，最后计算这些股票中收盘价也维持在涨停价的比例[16] 具体公式为： $$封板率=最高价涨停且收盘涨停的股票数/最高价涨停的股票数$$[16] 2. **模型名称**：连板率计算模型[16] **模型构建思路**：通过计算连续两日收盘涨停的股票数量占前一日收盘涨停股票总数的比例，来衡量市场涨停股的持续性和赚钱效应[16] **模型具体构建过程**： 首先筛选上市满3个月以上的股票，然后识别出前一日收盘涨停的股票，最后计算这些股票中在当日收盘也涨停的比例[16] 具体公式为： $$连板率=连续两日收盘涨停的股票数/昨日收盘涨停的股票数$$[16] 3. **模型名称**：大宗交易折价率计算模型[25] **模型构建思路**：通过比较大宗交易成交金额与按当日市价计算的市值，来衡量大额交易相对于市场价格的折价或溢价水平，反映大资金的投资偏好和情绪[25] **模型具体构建过程**： 首先获取当日大宗交易的总成交金额和成交份额，然后计算这些成交份额按当日市场价格计算的总市值，最后计算折价率[25] 具体公式为： $$折价率=大宗交易总成交金额/当日成交份额的总市值-1$$[25] 4. **模型名称**：股指期货年化贴水率计算模型[27] **模型构建思路**：通过计算股指期货价格与现货指数价格之间的基差，并将其年化，以标准化衡量不同合约的期货升贴水程度，反映市场对未来预期和套利成本[27] **模型具体构建过程**： 首先计算基差（股指期货价格 - 现货指数价格），然后除以现货指数价格得到相对基差，再根据合约剩余交易日数进行年化处理[27] 具体公式为： $$年化贴水率=基差/指数价格*(250/合约剩余交易日数)$$[27] 量化因子与构建方式 1. **因子名称**：两融余额占比因子[21] **因子构建思路**：通过计算融资融券余额占市场总流通市值的比重，来反映杠杆资金在市场中的整体规模和参与度[21] **因子具体构建过程**：使用截至统计日的两融余额数据，除以市场总流通市值[21] 2. **因子名称**：两融交易占比因子[21] **因子构建思路**：通过计算融资买入额与融券卖出额之和占市场总成交额的比例，来反映杠杆交易的活跃程度和市场情绪[21] **因子具体构建过程**：使用统计日内的融资买入额与融券卖出额之和，除以市场总成交额[21] 3. **因子名称**：ETF折溢价因子[23] **因子构建思路**：通过计算ETF场内交易价格与其IOPV（基金份额参考净值）或场外净值的差异，来捕捉市场短期情绪和套利机会[23] **因子具体构建过程**：筛选日成交额超过100万的境内交易股票型ETF，计算其交易价格与IOPV（或净值）的百分比差异[23] 4. **因子名称**：机构调研热度因子[29] **因子构建思路**：通过统计近7天内对上市公司进行调研的机构数量，来反映机构投资者对特定公司的关注度[29] **因子具体构建过程**：汇总近一周内（7天）对某家上市公司进行调研或参加其分析师会议的机构总数[29] 5. **因子名称**：龙虎榜机构净流入因子[35] **因子构建思路**：通过统计龙虎榜上“机构专用”席位对某只股票的净买入金额，来捕捉机构资金对个股的短期态度和动向[35] **因子具体构建过程**：从龙虎榜数据中提取“机构专用”席位对特定股票的买入总额与卖出总额，计算其差额（净买入额）[35] 6. **因子名称**：龙虎榜陆股通净流入因子[36] **因子构建思路**：通过统计龙虎榜上“陆股通”席位对某只股票的净买入金额，来反映北向资金对A股个股的短期交易偏好[36] **因子具体构建过程**：从龙虎榜数据中提取“陆股通”席位对特定股票的买入总额与卖出总额，计算其差额（净买入额）[36] 模型的回测效果 1. **封板率计算模型**，2026年4月15日封板率值为69%[16] 2. **连板率计算模型**，2026年4月15日连板率值为22%[16] 3. **大宗交易折价率计算模型**，近半年平均折价率值为7.14%，2026年4月14日折价率值为6.82%[25] 4. **股指期货年化贴水率计算模型**，近一年中位数年化贴水率值：上证50为1.39%，沪深300为4.85%，中证500为10.84%，中证1000为13.28%[27]。2026年4月15日年化贴水率值：上证50为5.15%（分位点24%），沪深300为7.28%（分位点36%），中证500为9.89%（分位点58%），中证1000为14.13%（分位点42%）[27] 因子的回测效果 1. **两融余额占比因子**，截至2026年4月14日，两融余额占流通市值比重值为2.6%[21] 2. **两融交易占比因子**，截至2026年4月14日，两融交易占市场成交额比重值为10.3%[21] 3. **ETF折溢价因子**，2026年4月14日，溢价最高的大湾区ETF平安溢价值为0.94%，折价最高的国证2000ETF博时折价值为0.89%[23] 4. **机构调研热度因子**，近一周内，调研机构数量最多的晶盛机电，机构调研数量值为179家[29] 5. **龙虎榜机构净流入/流出因子**，2026年4月15日，机构专用席位净流入前十与净流出前十的股票名单已列出[35] 6. **龙虎榜陆股通净流入/流出因子**，2026年4月15日，陆股通席位净流入前十与净流出前十的股票名单已列出[36]

量化模型与构建方式 1. **模型名称**：封板率模型[16] **模型构建思路**：通过计算当日最高价涨停且收盘涨停的股票数量与最高价涨停股票总数的比例，来衡量市场涨停板的封板强度[16] **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[16] 2. 识别在当日盘中最高价达到涨停的股票[16] 3. 从这些股票中，进一步识别收盘价也涨停的股票[16] 4. 计算封板率，公式为： $$封板率=最高价涨停且收盘涨停的股票数/最高价涨停的股票数$$[16] 2. **模型名称**：连板率模型[16] **模型构建思路**：通过计算连续两日收盘涨停的股票数量与昨日收盘涨停股票总数的比例，来衡量市场涨停板的连续性[16] **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[16] 2. 识别昨日收盘涨停的股票[16] 3. 从这些股票中，进一步识别今日收盘也涨停的股票[16] 4. 计算连板率，公式为： $$连板率=连续两日收盘涨停的股票数/昨日收盘涨停的股票数$$[16] 3. **模型名称**：大宗交易折价率模型[25] **模型构建思路**：通过计算大宗交易成交金额与当日成交份额总市值的比例来反映大资金交易的折价情况，以观察大资金的投资偏好和市场情绪[25] **模型具体构建过程**： 1. 获取当日大宗交易的总成交金额[25] 2. 计算当日大宗交易成交份额按市场价格计算的总市值[25] 3. 计算折价率，公式为： $$折价率=大宗交易总成交金额/当日成交份额的总市值-1$$[25] 4. **模型名称**：股指期货年化贴水率模型[27] **模型构建思路**：通过计算股指期货主力合约价格与现货指数价格之差（基差）的年化值，来衡量市场对未来走势的预期和股指对冲的成本[27] **模型具体构建过程**： 1. 计算基差：基差 = 股指期货价格 - 现货指数价格[27] 2. 计算年化贴水率，公式为： $$年化贴水率=基差/指数价格*(250/合约剩余交易日数)$$[27] 模型的回测效果 1. 封板率模型，2026年4月14日封板率值为73%[16] 2. 封板率模型，2026年4月14日封板率较前日变化为下降7%[16] 3. 连板率模型，2026年4月14日连板率值为21%[16] 4. 连板率模型，2026年4月14日连板率较前日变化为下降6%[16] 5. 大宗交易折价率模型，近半年以来平均折价率值为7.15%[25] 6. 大宗交易折价率模型，2026年4月13日折价率值为3.49%[25] 7. 股指期货年化贴水率模型，近一年以来上证50股指期货主力合约年化贴水率中位数为1.39%[27] 8. 股指期货年化贴水率模型，近一年以来沪深300股指期货主力合约年化贴水率中位数为4.85%[27] 9. 股指期货年化贴水率模型，近一年以来中证500股指期货主力合约年化贴水率中位数为10.86%[27] 10. 股指期货年化贴水率模型，近一年以来中证1000股指期货主力合约年化贴水率中位数为13.28%[27] 11. 股指期货年化贴水率模型，2026年4月14日上证50股指期货主力合约年化贴水率值为4.90%[27] 12. 股指期货年化贴水率模型，2026年4月14日上证50股指期货主力合约年化贴水率近一年分位点为26%[27] 13. 股指期货年化贴水率模型，2026年4月14日沪深300股指期货主力合约年化贴水率值为7.29%[27] 14. 股指期货年化贴水率模型，2026年4月14日沪深300股指期货主力合约年化贴水率近一年分位点为36%[27] 15. 股指期货年化贴水率模型，2026年4月14日中证500股指期货主力合约年化贴水率值为10.31%[27] 16. 股指期货年化贴水率模型，2026年4月14日中证500股指期货主力合约年化贴水率近一年分位点为56%[27] 17. 股指期货年化贴水率模型，2026年4月14日中证1000股指期货主力合约年化贴水率值为15.81%[27] 18. 股指期货年化贴水率模型，2026年4月14日中证1000股指期货主力合约年化贴水率近一年分位点为32%[27]

量化模型与构建方式 1. **模型/因子名称**：穿透修正后的机构投资者持有比例模型[8][17] * **构建思路**：为了更准确地反映ETF中机构投资者的实际持仓占比，避免因联接基金中个人投资者的存在而导致机构持有比例被高估，需要对ETF年报公布的原始机构投资者持有比例进行算法修正[8][17]。 * **具体构建过程**：该模型通过穿透联接基金的底层数据，从ETF公布的机构投资者持有份额中，剔除掉联接基金所持份额中属于个人投资者的部分。具体修正公式如下： $$修正后的机构投资者持有份额占比 = ETF公布的机构投资者持有份额占比 - 联接基金持有份额占比 × (1 - 联接基金中机构投资者持有比例)$$ 其中，“ETF公布的机构投资者持有份额占比”为原始数据，“联接基金持有份额占比”为联接基金持有该ETF的份额比例，“联接基金中机构投资者持有比例”为联接基金自身的机构投资者持有比例[8][17]。 2. **模型/因子名称**：ETF机构投资者精细化分类体系[25][27] * **构建思路**：为了更精准地把握不同类型机构的投资偏好与市场行为，基于ETF基金半年报披露的前十大持有人信息，构建一个多层次的机构投资者分类体系，以创建精细化的投资者画像[25]。 * **具体构建过程**：该分类体系通过对前十大持有人信息进行梳理分析，将机构投资者划分为多个层级[25]。 1. **一级分类**：首先，在联接基金之外，将机构持有人分为国资机构、保险机构、公募机构、外资机构、证券机构等共14个一级类别[25]。 2. **二级与三级分类**：在此基础上，根据账户类型、归属地和资金属性等维度进一步下沉，设置了19个二级分类和39个三级分类，以实现更精细的刻画[25][27]。例如，保险机构一级分类下，二级分类包括保险和保险资管；保险二级分类下，三级分类可细分为保险公司、保险集团、财产险、寿险等[27]。 模型的回测效果 *本报告为描述性统计分析报告，未提供模型或因子在历史数据上的量化回测绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。报告主要通过统计图表展示了各类机构投资者的持仓占比及其历史变化趋势[7][8][17][28][30][32][34]。* 量化因子与构建方式 *本报告未涉及用于预测资产价格或收益的传统量化因子（如价值、动量、质量等因子）的构建。报告核心内容是投资者结构分析，而非因子模型。* 因子的回测效果 *本报告未涉及量化因子的回测效果。*

量化模型与构建方式 **注：** 该研报为对主动管理型基金经理的定性及业绩分析报告，未涉及具体的量化模型或量化因子的构建、测试与评价。报告内容主要围绕基金经理的投资框架、历史业绩、仓位、行业配置、风格轮动、集中度等定性及描述性统计分析展开[1][11][14][15][19][23][32][37][40][45][46]。 量化因子与构建方式 **注：** 该研报未涉及任何量化因子的构建、测试与评价。 模型的回测效果 **注：** 该研报未涉及量化模型，因此无模型回测效果数据。 因子的回测效果 **注：** 该研报未涉及量化因子，因此无因子回测效果数据。

量化模型与构建方式 1. **模型名称：RNN 1.0 模型 (Alpha 因子单元挖掘模型)** * **模型构建思路**：将选股问题建模为监督学习任务，通过最小化模型预测与个股收益率标签之间的均方误差（MSE）来产生选股因子[6]。该模型假设个股收益率可拆解为 Alpha 信息和系统性风险信息[7]。 * **模型具体构建过程**：在模型训练前，对收益率标签进行人工风险中性化处理，例如对市值、行业、动量等常见风险因子进行截面回归或分组中性化，以分离 Alpha 与风险[8]。模型训练的目标是最小化预测残差的 MSE。个股收益率拆解公式为： $$r_{t}=alpha_{t}+\varepsilon_{t}$$ 其中，$r_{t}$ 表示个股收益率，$alpha_{t}$ 表示 Alpha 信息，$\varepsilon_{t}$ 表示噪声[7]。 * **模型评价**：该方法依赖于先验的风险模型，风险界定模糊，在市场风格突变时容易失效[13][14]。 2. **模型名称：ABCM 2.0 模型 (Alpha 与风险的二元挖掘模型)** * **模型构建思路**：将个股收益率进一步拆解为可预测的 Alpha 成分、可解释的风险成分以及噪声成分，通过不同的训练目标让模型自动识别 Alpha 和风险信息[15][16]。 * **模型具体构建过程**：个股收益率拆解为： $$r_{t}=alpha_{t}+risk_{t}+\varepsilon_{t}$$ 其中，$r_{t}$ 表示个股收益率，$alpha_{t}$ 表示可预测的广义 Alpha 成分，$risk_{t}$ 表示不可预测但可解释的风险成分，$\varepsilon_{t}$ 表示噪声[15]。 模型构建时，分别通过 MSE 损失函数和 R-square 损失函数来刻画 Alpha 和风险因子。RankIC 均值高且能贡献 R-square 的成分被吸收进 Alpha 因子；RankIC 均值接近 0 但 R-square 较高的成分被吸收进风险因子[16]。 3. **模型名称：StyleNet 3.0 模型 (Alpha 与风格的挖掘模型)** * **模型构建思路**：在 Alpha 与风险之间引入“风格”成分，认为存在一类具有截面解释力但选股能力不稳定、方向在特定条件下可被预测的“风格因子”[19][20]。模型通过拟合一批风格因子，并对其方向和权重进行预测，将风格因子转化为 Alpha 成分[22]。 * **模型具体构建过程**： 1. **核心公式**：将广义 Alpha 成分细化为： $$alpha=\alpha+\sum_{i}\beta^{i}\lambda^{i}$$ 其中，$\alpha$ 表示个股特质性收益率成分，$\beta^{i}$ 表示股票在第 $i$ 个风格因子上的暴露值，$\lambda^{i}$ 表示第 $i$ 个风格因子的未来收益率（假设可预测）[21][23]。 2. **网络结构**：将个股时序特征输入 RNN 提取截面特征 $h$[26]。 3. **学习 Alpha 与风格暴露**：通过两个 MLP 网络 $f_{\alpha}$ 和 $f_{\beta}$ 学习 $\alpha(x,\theta)$ 和 $\beta_{i}(x,\theta)$[27]： $$\alpha(x,\theta)=f_{\alpha}(h),\beta_{i}(x,\theta)=f_{\beta}(h)$$ 4. **构建风格收益率**：通过另一个 MLP 网络 $f_{\lambda}$ 度量个股对风格的影响程度，使用 ReLU 激活函数进行尾部剔除，归一化后形成风格因子多头组合的权重向量 $w$，与未来标准化收益率 $r$ 加权求和得到风格收益率 $\lambda_{i}(x,\theta)$[28]： $$\lambda_{i}(x,\theta)=\sum_{batch}\frac{ReLU(f_{\lambda}(h))*r}{\sum_{batch}ReLU(f_{\lambda}(h))}$$ 5. **预测风格收益率**：训练一个风格收益率预测器 $\gamma_{i}(x,\theta)$ 来逼近使用未来信息的 $\lambda_{i}(x,\theta)$。该预测器基于 attention 机制，计算个股表示向量 $h$ 与风格表示向量 $e_i$ 的相似度，对信息向量加权求和[29][30]： $$\gamma_{i}(x,\theta)=f_{\gamma}(Sim(w_{k}h,e_{i})w_{v}h)$$ 6. **损失函数**：总损失函数由个股收益率预测损失和风格收益率预测损失加权组成[31]： $$\left\|\alpha(x,\theta)+\sum_{i}\beta_{i}\left(x,\theta\right)\lambda_{i}(x,\theta)-r\right\|+\lambda\|\lambda_{i}(x,\theta)-\gamma_{i}(x,\theta)\|$$ 7. **样本外预测**：最终样本外个股收益率预测值为[31]： $$alpha=\alpha(x,\theta)+\sum_{i}\beta_{i}\left(x,\theta\right)\gamma_{i}(x,\theta)$$ * **模型评价**：能够更细致地捕捉市场的风格和行业信息，对市场风格切换的灵敏度更高[44][88]。 量化因子与构建方式 1. **因子名称：RNN 因子** * **因子构建思路**：由 RNN 1.0 模型产生，旨在捕捉纯净的 Alpha 信号[6][7]。 2. **因子名称：ABCM 因子** * **因子构建思路**：由 ABCM 2.0 模型产生，旨在分离出可预测的 Alpha 成分[15][16]。 3. **因子名称：StyleNet 因子** * **因子构建思路**：由 StyleNet 3.0 模型产生，旨在通过捕捉风格轮动信息来获取 Alpha 收益[20][22]。 * **因子评价**：与 RNN 和 ABCM 因子相关性较低，能提供增量信息；对市场风格切换更敏感，在风格突变的市场环境下表现更稳健[39][44][51]。 4. **因子名称：RNN+ABCM 因子** * **因子构建思路**：将 RNN 因子和 ABCM 因子加权合成得到的复合因子[42]。 5. **因子名称：合成因子** * **因子构建思路**：将 RNN、ABCM 和 StyleNet 三个因子加权合成得到的复合因子[42][51]。 模型的回测效果 *(注：报告主要提供了因子的回测效果，未单独列出各模型（如RNN 1.0, ABCM 2.0, StyleNet 3.0）的直接回测绩效指标。绩效指标均对应其产生的因子。)* 因子的回测效果 *(回测区间：20171229~20260324，中证全指多头组合，周度调仓)[35]* 1. **StyleNet 因子**，RankIC 10.44%，ICIR 0.88，RankIC胜率 85.35%，多头超额年化 37.03%，最大回撤 -13.38%，换手率 63.83%[43] 2. **ABCM 因子**，RankIC 12.27%，ICIR 1.11，RankIC胜率 85.86%，多头超额年化 44.03%，最大回撤 -13.32%，换手率 65.74%[43] 3. **RNN+ABCM 因子**，RankIC 15.37%，ICIR 1.32，RankIC胜率 91.92%，多头超额年化 43.58%，最大回撤 -19.45%，换手率 60.29%[43] 4. **合成因子**，RankIC 15.51%，ICIR 1.32，RankIC胜率 92.93%，多头超额年化 49.42%，最大回撤 -17.99%，换手率 58.68%[43] 因子在指数增强策略中的表现 *(回测区间：20171229~20260324，组合周频调仓，有交易成本与约束条件)[54]* 1. **沪深300指增** * **StyleNet 因子**，年化超额 13.20%，年化波动率 4.97%，信息比率(IR) 2.52，胜率 66.98%，最大回撤 -9.30%[52] * **RNN+ABCM 因子**，年化超额 14.88%，年化波动率 4.85%，信息比率(IR) 2.88，胜率 67.91%，最大回撤 -8.25%[52] * **合成因子**，年化超额 15.09%，年化波动率 4.89%，信息比率(IR) 2.90，胜率 69.07%，最大回撤 -7.01%[52] 2. **中证500指增** * **StyleNet 因子**，年化超额 17.76%，年化波动率 5.84%，信息比率(IR) 2.83，胜率 66.51%，最大回撤 -7.24%[58] * **RNN+ABCM 因子**，年化超额 18.68%，年化波动率 6.20%，信息比率(IR) 2.80，胜率 69.53%，最大回撤 -11.13%[58] * **合成因子**，年化超额 17.83%，年化波动率 6.27%，信息比率(IR) 2.65，胜率 69.07%，最大回撤 -10.83%[58] 3. **中证1000指增** * **StyleNet 因子**，年化超额 24.56%，年化波动率 6.08%，信息比率(IR) 3.65，胜率 69.30%，最大回撤 -6.95%[72] * **RNN+ABCM 因子**，年化超额 26.55%，年化波动率 6.61%，信息比率(IR) 3.60，胜率 72.33%，最大回撤 -11.90%[72] * **合成因子**，年化超额 27.98%，年化波动率 6.44%，信息比率(IR) 3.86，胜率 72.79%，最大回撤 -10.93%[72] 因子在行业轮动策略中的表现 *(回测区间：20171229~20260324，Top5行业等权，周度调仓，不考虑交易费用)[77]* 1. **StyleNet 因子**，RankIC 7.39%，ICIR 0.25，RankIC胜率 61.81%，多头超额年化 16.44%，多头绝对年化收益 21.19%，最大回撤 -9.43%[78] 2. **ABCM 因子**，RankIC 9.39%，ICIR 0.32，RankIC胜率 63.25%，多头超额年化 16.50%，多头绝对年化收益 20.93%，最大回撤 -12.17%[78] 3. **RNN+ABCM 因子**，RankIC 10.39%，ICIR 0.34，RankIC胜率 63.72%，多头超额年化 19.68%，多头绝对年化收益 23.84%，最大回撤 -12.87%[78] 4. **合成因子**，RankIC 10.68%，ICIR 0.35，RankIC胜率 63.48%，多头超额年化 19.39%，多头绝对年化收益 23.83%，最大回撤 -13.78%[78]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：国联安基金多因子增强模型[85][88][92][94][95] * **模型构建思路**：采用工业化流水线投研模式，通过多维度因子挖掘构建因子库，并利用多因子模型进行层层优选，结合超额收益预测与风险控制参数，在行业、风格偏离与换手率等约束下进行组合优化，以最大化组合超额预期收益[85][88][92]。 * **模型具体构建过程**： 1. **数据准备**：进行数据探索、清洗预处理及标准化取数，确保数据质量与使用便捷性[85]。 2. **因子挖掘**：通过人工逻辑与深度学习模型结合的方式，寻找底层逻辑强且长期有效的因子。因子库涵盖基本面、量价及另类因子等多个维度[85][92][94]。 3. **收益预测**：采用模型滚动训练、低参数化设计，严格区分样本内外数据以降低过拟合风险[85]。 4. **组合优化**： * **目标**：最大化组合超额预期收益率[92]。 * **约束**：依据产品定位与风控约束设置参数，如行业偏离度、风格偏离度、换手率等，并通过调仓频率匹配信号、均匀换手等方式获取收益[85][92]。 * **工具**：基于Barra模型提供自定义风控参数与波动控制方案[88]。 5. **模拟与实盘**：策略正式上线前需经过模拟跟踪，定期复盘优化。实盘采取从小规模到正常规模的渐进方式，每日跟踪组合表现并进行迭代优化[85]。 模型的回测效果 *注：报告未提供该多因子增强模型在历史回测中的具体指标数值，仅提供了国联安沪深300指数增强A基金的实际运作表现。以下为基金产品的实际表现数据[66][67]。* 1. **国联安沪深300指数增强A基金 (产品表现)**，上市以来（2024.1.23-2026.3.20）累计收益52.08%[66][67]，累计超额收益10.20%[66][67]，年化波动率17.34%[67]，最大回撤-12.96%[67]，信息比率(年化)1.07[67]，年化跟踪误差3.77%[66][67] 2. **国联安沪深300指数增强A基金 (产品表现)**，2025年以来（2025.1.1-2026.3.20）累计收益25.99%[67]，累计超额收益9.92%[67]，年化波动率14.46%[67]，最大回撤-10.16%[67]，信息比率(年化)3.62[67]，年化跟踪误差2.29%[67] 3. **国联安沪深300指数增强A基金 (产品表现)**，近三月（2025.12.20-2026.3.20）累计收益2.29%[67]，累计超额收益2.31%[67]，年化波动率12.72%[67]，最大回撤-3.26%[67]，信息比率(年化)5.48[67]，年化跟踪误差1.92%[67] 量化因子与构建方式 *注：报告提到了因子挖掘的流程和涵盖的维度，但未具体列出单个因子的名称、构建公式和详细过程[85][92][94]。* 1. **因子库构建思路**：策略基于多维度因子挖掘，涵盖基本面、量价及另类因子，以构建全面的因子库[92][94]。通过人工逻辑与深度学习模型结合的方式进行因子挖掘[85]。 因子的回测效果 *注：报告未提供具体单个因子的历史回测表现数据。*

量化模型与构建方式 根据提供的研报内容，未发现涉及具体的量化模型或量化因子的构建过程、公式或详细测试[1][2][3][4][5][6][7][8][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][30][31][32][33][34][35][36][37][38][39][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60][61][62] 模型的回测效果 根据提供的研报内容，未发现涉及具体量化模型的回测效果指标[1][2][3][4][5][6][7][8][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][30][31][32][33][34][35][36][37][38][39][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60][61][62] 量化因子与构建方式 根据提供的研报内容，未发现涉及具体量化因子的构建过程、公式或详细测试[1][2][3][4][5][6][7][8][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][30][31][32][33][34][35][36][37][38][39][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60][61][62] 因子的回测效果 根据提供的研报内容，未发现涉及具体量化因子的回测效果指标[1][2][3][4][5][6][7][8][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][30][31][32][33][34][35][36][37][38][39][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60][61][62]

量化模型与构建方式 1. **模型名称**：风格Smart beta组合[6] **模型构建思路**：根据历史相关性低的价值、成长、小盘风格对个股进行分类，并基于高beta弹性和长期稳健超额收益两个不同投资目标，构建各风格的选股组合[6]。 **模型具体构建过程**：报告未详细描述各风格组合的具体因子构成和加权方式，但指出其构建方法参考了专题报告《基于投资目标的基础Smart beta组合构建与配置》[6]。 **模型评价**：旨在通过风格暴露获取系统性风险溢价，并针对不同风险收益目标（高弹性 vs 稳健超额）进行差异化构建[6]。 2. **模型名称**：生命周期优选组合[6] **模型构建思路**：以现金流为基础，将A股上市公司所处生命周期阶段系统性地划分为初创、成长、成熟、整合四个阶段，并基于不同阶段的投资逻辑构建优选组合[6]。 **模型具体构建过程**：报告未详细描述各生命周期组合的具体因子构成和加权方式，但指出其构建方法参考了专题报告《解码企业生命周期：股票投资的新范式探索》[6]。 **模型评价**：旨在通过识别企业所处的不同发展阶段，捕捉生命周期特定阶段的投资机会和风险特征[6]。 模型的回测效果 （数据统计期间：上周为2026年04月06日至04月10日，今年以来为2026年01月01日至04月10日，基准指数及最大相对回撤数据来源为表1[9]） 1. **价值50组合**，周收益率0.93%[9]，月收益率-0.19%[9]，年收益率-0.84%[9]，周超额收益（vs 国证价值）-0.73%[9]，月超额收益-1.53%[9]，年超额收益-1.33%[9]，最大相对回撤（vs 国证价值）3.17%[9] 2. **价值均衡50组合**，周收益率3.04%[9]，月收益率1.51%[9]，年收益率2.29%[9]，周超额收益（vs 国证价值）1.38%[9]，月超额收益0.17%[9]，年超额收益1.80%[9]，最大相对回撤（vs 国证价值）6.07%[9] 3. **成长50组合**，周收益率7.53%[9]，月收益率6.87%[9]，年收益率3.04%[9]，周超额收益（vs 国证成长）1.48%[9]，月超额收益1.59%[9]，年超额收益-2.11%[9]，最大相对回撤（vs 国证成长）4.21%[9] 4. **成长均衡50组合**，周收益率6.49%[9]，月收益率6.47%[9]，年收益率9.24%[9]，周超额收益（vs 国证成长）0.44%[9]，月超额收益1.19%[9]，年超额收益4.09%[9]，最大相对回撤（vs 国证成长）5.82%[9] 5. **小盘50组合**，周收益率5.08%[9]，月收益率0.82%[9]，年收益率6.42%[9]，周超额收益（vs 国证2000）-0.95%[9]，月超额收益-4.10%[9]，年超额收益0.79%[9]，最大相对回撤（vs 国证2000）5.52%[9] 6. **小盘均衡50组合**，周收益率6.99%[9]，月收益率5.27%[9]，年收益率4.27%[9]，周超额收益（vs 国证2000）0.97%[9]，月超额收益0.34%[9]，年超额收益-1.36%[9]，最大相对回撤（vs 国证2000）8.33%[9] 7. **成长优选组合**，周收益率7.64%[9]，月收益率5.89%[9]，年收益率11.98%[9]，周超额收益（vs 偏股混基金指数）2.55%[9]，月超额收益0.09%[9]，年超额收益7.14%[9]，最大相对回撤（vs 偏股混基金指数）4.03%[9] 8. **成熟稳健组合**，周收益率5.00%[9]，月收益率4.45%[9]，年收益率1.94%[9]，周超额收益（vs 中证800）0.20%[9]，月超额收益0.13%[9]，年超额收益0.01%[9]，最大相对回撤（vs 中证800）5.80%[9] 9. **初创优选组合**，周收益率6.72%[9]，月收益率7.45%[9]，年收益率4.71%[9]，周超额收益（vs 中证全指）1.56%[9]，月超额收益3.21%[9]，年超额收益1.82%[9]，最大相对回撤（vs 中证全指）11.22%[9] 10. **困境反转组合**，周收益率3.61%[9]，月收益率1.17%[9]，年收益率2.65%[9]，周超额收益（vs 中证全指）-1.54%[9]，月超额收益-3.07%[9]，年超额收益-0.24%[9]，最大相对回撤（vs 中证全指）3.30%[9]