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（如沪深300、中证500等）的增强组合[11][12]。 * **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[12]。 2. **风险控制**：在组合优化中施加多种约束以控制风险[12]。 3. **组合优化**：采用组合优化模型求解最优权重。具体优化模型如下[40]： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ * **目标函数**：最大化组合在目标因子上的暴露，其中 \(f\) 为因子取值向量，\(w\) 为待求解的股票权重向量[40][41]。 * **约束条件**： * 风格暴露约束：\(X\) 为风格因子暴露矩阵，\(w_b\) 为基准权重，\(s_l\), \(s_h\) 为风格暴露偏离上下限[40][41]。 * 行业偏离约束：\(H\) 为行业暴露矩阵，\(h_l\), \(h_h\) 为行业偏离上下限[40][41]。 * 个股权重偏离约束：\(w_l\), \(w_h\) 为个股相对于基准权重的偏离上下限，通常设置为0.5%-1%[40][42]。 * 成分股权重占比约束：\(B_b\) 为成分股标识向量，\(b_l\), \(b_h\) 为成分股内权重占比上下限[40][41]。 * 卖空与权重上限约束：禁止卖空，并限制个股权重上限 \(l\)[40][41]。 * 满仓约束：组合权重之和为1[40][42]。 2. 模型名称：单因子MFE（Maximized Factor Exposure）组合模型 * **模型构建思路**：为了在更接近实际投资约束的条件下检验单因子的有效性，通过组合优化方式构建一个在控制行业、风格等暴露后，最大化该因子暴露的投资组合，并观察其相对于基准的表现[15][40]。 * **模型具体构建过程**： 1. 设定MFE组合的约束条件，包括控制行业暴露中性、风格暴露中性（如市值）、个股权重偏离幅度（如1%）、成分股内权重占比100%等[44]。 2. 将**国信金工指数增强组合模型**中的优化目标函数改为最大化特定单因子的暴露 \(f^{T}w\)，其他约束条件保持不变[40][44]。 3. 在每个月末，根据上述优化模型求解，构建每个单因子的MFE组合[44]。 4. 在回测期内定期换仓，计算组合收益并扣除交易费用（双边0.3%），最终计算其相对于基准的各项收益风险指标[44]。 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持仓风格下的有效性，通过汇总公募基金定期报告持仓，构建一个代表公募基金整体重仓股的指数，作为新的因子测试样本空间[42]。 * **模型具体构建过程**： 1. **样本基金选择**：选择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[43]。 2. **持仓数据获取与处理**：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[43]。 3. **计算平均持仓**：将所有符合条件的基金持仓合并，计算每只股票在所有基金中的平均权重[43]。 4. **选择成分股**：将股票按平均权重降序排列，选取累计权重达到90%的股票作为成分股，构建公募重仓指数[43]。 量化因子与构建方式 报告涉及30余个因子，涵盖估值、反转、成长、盈利、流动性、波动、公司治理和分析师等多个维度[16][17]。以下是各因子的名称与构建方式： 1. 估值类因子 * **因子名称**：BP * **因子构建思路**：衡量市净率的倒数，属于价值因子。 * **因子具体构建过程**：净资产 / 总市值[17]。 * **因子名称**：单季EP * **因子构建思路**：衡量单季度盈利与市值的比率。 * **因子具体构建过程**：单季度归母净利润 / 总市值[17]。 * **因子名称**：单季SP * **因子构建思路**：衡量单季度营收与市值的比率。 * **因子具体构建过程**：单季度营业收入 / 总市值[17]。 * **因子名称**：EPTTM * **因子构建思路**：衡量滚动盈利与市值的比率。 * **因子具体构建过程**：归母净利润TTM / 总市值[17]。 * **因子名称**：SPTTM * **因子构建思路**：衡量滚动营收与市值的比率。 * **因子具体构建过程**：营业收入TTM / 总市值[17]。 * **因子名称**：EPTTM一年分位点 * **因子构建思路**：衡量当前EPTTM在近一年历史中的相对位置。 * **因子具体构建过程**：EPTTM在过去一年中的分位点[17]。 * **因子名称**：股息率 * **因子构建思路**：衡量公司分红回报。 * **因子具体构建过程**：最近四个季度预案分红金额 / 总市值[17]。 2. 反转与动量类因子 * **因子名称**：一个月反转 * **因子构建思路**：衡量短期价格反转效应。 * **因子具体构建过程**：过去20个交易日涨跌幅[17]。 * **因子名称**：三个月反转 * **因子构建思路**：衡量中期价格反转效应。 * **因子具体构建过程**：过去60个交易日涨跌幅[17]。 * **因子名称**：一年动量 * **因子构建思路**：衡量长期价格动量效应。 * **因子具体构建过程**：近一年除近一月后动量[17]。 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。 * **因子具体构建过程**：单季度净利润同比增长率[17]。 * **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。 * **因子具体构建过程**：单季度营业收入同比增长率[17]。 * **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。 * **因子具体构建过程**：单季度营业利润同比增长率[17]。 * **因子名称**：SUE（标准化预期外盈利） * **因子构建思路**：衡量盈利超出分析师一致预期的程度，并做标准化处理。 * **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[17]。 * **因子名称**：SUR（标准化预期外收入） * **因子构建思路**：衡量营收超出分析师一致预期的程度，并做标准化处理。 * **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[17]。 * **因子名称**：单季超预期幅度 * **因子构建思路**：衡量实际盈利相对于预期盈利的比例。 * **因子具体构建过程**：预期单季度净利润 / 财报单季度净利润[17]。 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。 * **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)[17]。 * **因子名称**：单季ROA * **因子构建思路**：衡量单季度总资产收益率。 * **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)[17]。 * **因子名称**：DELTAROE * **因子构建思路**：衡量净资产收益率的同比变化。 * **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[17]。 * **因子名称**：DELTAROA * **因子构建思路**：衡量总资产收益率的同比变化。 * **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[17]。 5. 流动性类因子 * **因子名称**：非流动性冲击 * **因子构建思路**：衡量单位成交金额引起的价格冲击，反映流动性成本。 * **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[17]。 * **因子名称**：一个月换手 * **因子构建思路**：衡量短期换手率。 * **因子具体构建过程**：过去20个交易日换手率均值[17]。 * **因子名称**：三个月换手 * **因子构建思路**：衡量中期换手率。 * **因子具体构建过程**：过去60个交易日换手率均值[17]。 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（如市场、市值、估值）解释的部分。 * **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[17]。 * **因子名称**：一个月波动 * **因子构建思路**：衡量短期股价波动。 * **因子具体构建过程**：过去20个交易日日内真实波幅均值[17]。 * **因子名称**：三个月波动 * **因子构建思路**：衡量中期股价波动。 * **因子具体构建过程**：过去60个交易日日内真实波幅均值[17]。 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。 * **因子具体构建过程**：前三高管报酬总额取对数[17]。 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。 * **因子具体构建过程**：一致预期滚动EP[17]。 * **因子名称**：预期BP * **因子构建思路**：基于分析师一致预期的市净率倒数。 * **因子具体构建过程**：一致预期滚动PB[17]。 * **因子名称**：预期PEG * **因子构建思路**：结合成长性的估值指标。 * **因子具体构建过程**：一致预期PEG[17]。 * **因子名称**：预期净利润环比 * **因子构建思路**：衡量分析师对未来盈利增长预期的变化。 * **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[17]。 * **因子名称**：三个月盈利上下调 * **因子构建思路**：衡量过去一段时间内分析师盈利预测上调与下调的家数净差额。 * **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[17]。 * **因子名称**：三个月机构覆盖 * **因子构建思路**：衡量股票受机构关注度。 * **因子具体构建过程**：过去3个月内机构覆盖数量[17]。 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-0.59%，本年超额收益20.90%[5][14]。 * **中证500指数增强组合**：本周超额收益-0.54%，本年超额收益5.45%[5][14]。 * **中证1000指数增强组合**：本周超额收益-0.19%，本年超额收益15.64%[5][14]。 * **中证A500指数增强组合**：本周超额收益-0.24%，本年超额收益10.26%[5][14]。 因子的回测效果 （以下为各因子在**沪深300样本空间**中MFE组合的表现，指标包括最近一周、最近一月、今年以来及历史年化超额收益[18][19]） 1. **标准化预期外盈利(SUE)**，最近一周0.43%，最近一月2.55%，今年以来12.65%，历史年化4.22%[19]。 2. **DELTAROA**，最近一周0.42%，最近一月2.53%，今年以来16.29%，历史年化4.82%[19]。 3. **DELTAROE**，最近一周0.33%，最近一月2.78%，今年以来18.51%，历史年化4.52%[19]。 4. **单季营利同比增速**，最近一周0.32%，最近一月2.08%，今年以来14.54%，历史年化3.53%[19]。 5. **特异度**，最近一周0.25%，最近一月0.53%，今年以来3.02%，历史年化0.21%[19]。 6. **股息率**，最近一周0.24%，最近一月0.10%，今年以来4.27%，历史年化3.67%[19]。 7. **三个月波动**，最近一周0.23%，最近一月-0.33%，今年以来-2.81%，历史年化1.68%[19]。 8. **三个月换手**，最近一周0.21%，最近一月-0.58%，今年以来-5.29%，历史年化2.33%[19]。 9. **一年动量**，最近一周0.19%，最近一月2.03%，今年以来3.48%，历史年化2.78%[19]。 10. **BP**，最近一周0.18%，最近一月0.12%，今年以来-1.43%，历史年化2.63%[19]。 11. **单季净利同比增速**，最近一周0.16%，最近一月1.86%，今年以来14.83%，历史年化3.89%[19]。 12. **单季ROA**，最近一周0.16%，最近一月1.91%，今年以来15.16%，历史年化4.08%[19]。 13. **单季EP**，最近一周0.15%，最近一月0.30%，今年以来7.91%，历史年化5.24%[19]。 14. **预期净利润环比**，最近一周0.13%，最近一月1.80%，今年以来6.68%，历史年化1.75%[19]。 15. **一个月换手**，最近一周0.09%，最近一月-0.78%，今年以来-6.14%，历史年化1.23%[19]。 16. **一个月反转**，最近一周0.06%，最近一月-0.44%，今年以来-0.91%，历史年化-0.45%[19]。 17. **预期BP**，最近一周0.04%，最近一月-0.29%，今年以来-0.11%，历史年化2.92%[19]。 18. **SPTTM**，最近一周0.04%，最近一月-0.05%，今年以来-1.00%，历史年化1.98%[19]。 19. **单季超预期幅度**，最近一周0.02%，最近一月1.33%，今年以来10.75%，历史年化4.01%[19]。 20. **三个月反转**，最近一周0.02%，最近一月-0.98%，今年以来-0.22%，历史年化0.24%[19]。 21. **单季SP**，最近一周0.00%，最近一月-0.37%，今年以来-0.76%，历史年化2.77%[19]。 22. **一个月波动**，最近一周-0.01%，最近一月-0.90%，今年以来-2.21%，历史年化0.81%[19]。 23. **标准化预期外收入(SUR)**，最近一周-0.03%，最近一月0.84%，今年以来11.59%，历史年化4.70%[19]。 24. **预期PEG**，最近一周-0.04%，最近一月1.50%，今年以来11.92%，历史年化3.61%[19]。 25. **非流动性冲击**，最近一周-0.06%，最近一月-0.29%，今年以来-1.78%，历史年化0.40%[19]。 26. **单季ROE**，最近一周-0.07%，最近一月1.99%，今年以来21.69%，历史年化5.29%[19]。 27. **三个月盈利上下调**，最近一周-0.07%，最近一月1.91%，今年以来10.92%，历史年化5.36%[19]。 28. **EPTTM**，最近一周-0.09%，最近一月-0.37%，今年以来5.62%，历史年化4.21%[

量化模型与构建方式 1. **模型名称：港股精选组合模型**[15] * **模型构建思路**：该模型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[15][17] * **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[17] 2. **双层优选**：对上述股票池中的股票进行基本面和技术面两个维度的精选，具体筛选标准未在本文中详述，可参考其专题报告《基于分析师推荐视角的港股投资策略》[15][17] 2. **模型名称：平稳创新高股票筛选模型**[21][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[3][23] * **模型具体构建过程**： 1. **定义创新高距离**：统一使用250日新高距离来衡量创新高情况，计算公式如下[23]： $$250 日新高距离 = 1 - \frac{Close_t}{ts\_max(Close, 250)}$$ 其中，$Close_t$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。若最新收盘价创出新高，则该值为0；若最新收盘价较新高回落，则该值为正值，表示回落幅度[23] 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[24] * **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[24] * **股价相对强弱**：过去250日涨跌幅位于样本池前20%[24] * **股价平稳性**：在满足上述条件的股票池内，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）[24]： * **价格路径平滑性**：股价位移路程比，计算公式为 $\frac{过去120日涨跌幅绝对值}{过去120日日涨跌幅绝对值加总}$[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[24] * **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只股票作为最终筛选结果[24] 模型的回测效果 1. **港股精选组合模型**[20] * 全样本（20100101-20250630）年化收益：19.08%[20] * 全样本相对恒生指数年化超额收益：18.06%[20] * 全样本信息比率（IR）：1.19[20] * 全样本相对最大回撤：23.73%[20] * 全样本跟踪误差：14.60%[20] * 全样本收益回撤比：0.76[20] * 2025年（20250102-20251231）绝对收益：53.23%[2][18] * 2025年相对恒生指数超额收益：25.46%[2][18] * 2025年信息比率（IR）：1.19[20] * 2025年相对最大回撤：13.06%[20] * 2025年跟踪误差：16.65%[20] * 2025年收益回撤比：1.95[20] 量化因子与构建方式 1. **因子名称：250日新高距离**[21][23] * **因子构建思路**：该因子用于量化股票价格接近其过去250日最高点的程度，是动量效应和趋势跟踪策略中的一个常用指标[21] * **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，公式如下[23]： $$250 日新高距离 = 1 - \frac{Close_t}{ts\_max(Close, 250)}$$ 其中，$Close_t$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[23] * **因子评价**：该因子是识别市场风向标和强势股的重要工具，研究表明股价接近52周最高价时其未来收益可能更高[21] 2. **因子名称：价格路径平滑性（股价位移路程比）**[23][24] * **因子构建思路**：该因子用于衡量股价上涨或下跌过程的平稳性，位移路程比越大，表明股价趋势越平滑，波动越小[23][24] * **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，公式如下[23]： $$价格路径平滑性 = \frac{过去120日涨跌幅绝对值}{过去120日日涨跌幅绝对值加总}$$ 3. **因子名称：创新高持续性**[24] * **因子构建思路**：该因子通过计算过去一段时间内“250日新高距离”因子的时间序列均值，来评估股票维持创新高状态的持续能力[24] * **因子具体构建过程**：计算股票在过去120个交易日的“250日新高距离”因子的平均值[24] 4. **因子名称：趋势延续性**[24] * **因子构建思路**：该因子通过计算近期“250日新高距离”因子的时间序列均值，来评估股票创新高趋势在最近是否得以延续[24] * **因子具体构建过程**：计算股票在过去5个交易日的“250日新高距离”因子的平均值[24]

量化模型与构建方式 1. **模型名称**：封板率计算模型[15] **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[15] **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[15] 2. 识别在当日盘中最高价达到涨停的股票[15] 3. 在步骤2的股票中，进一步识别收盘价仍为涨停的股票[15] 4. 计算封板率，公式为： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[15] 2. **模型名称**：连板率计算模型[15] **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延续性[15] **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[15] 2. 识别在昨日收盘涨停的股票[15] 3. 在步骤2的股票中，进一步识别今日收盘也涨停的股票[15] 4. 计算连板率，公式为： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[15] 3. **模型名称**：大宗交易折价率计算模型[24] **模型构建思路**：通过计算大宗交易成交总额与按当日市价计算的成交份额总市值的比例，来衡量大宗交易相对于市场价格的折价或溢价水平[24] **模型具体构建过程**： 1. 获取当日所有大宗交易的成交金额和成交份额数量[24] 2. 根据当日收盘价，计算成交份额对应的总市值[24] 3. 计算折价率，公式为： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[24] 4. **模型名称**：股指期货年化贴水率计算模型[26] **模型构建思路**：通过计算股指期货主力合约与现货指数之间的基差，并将其年化，来衡量股指期货的升贴水程度，反映市场情绪和对冲成本[26] **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[26] 2. 计算年化贴水率，公式为： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[26] 其中，基差为负表示贴水，年化贴水率结果即为贴水率[26] 量化因子与构建方式 1. **因子名称**：昨日涨停股今日收益因子[12] **因子构建思路**：统计前一交易日收盘涨停的股票在今日的平均收盘收益，用于观察涨停股的短期动量或反转效应[12] **因子具体构建过程**： 1. 筛选上市满3个月以上且昨日收盘涨停的股票[12] 2. 计算这些股票今日的收盘收益率[12] 3. 计算所有符合条件的股票收益率的平均值，作为因子取值[12] 2. **因子名称**：昨日跌停股今日收益因子[12] **因子构建思路**：统计前一交易日收盘跌停的股票在今日的平均收盘收益，用于观察跌停股的短期动量或反转效应[12] **因子具体构建过程**： 1. 筛选上市满3个月以上且昨日收盘跌停的股票[12] 2. 计算这些股票今日的收盘收益率[12] 3. 计算所有符合条件的股票收益率的平均值，作为因子取值[12] 3. **因子名称**：两融余额占比因子[20] **因子构建思路**：计算融资融券余额占A股总流通市值的比例，用于衡量杠杆资金在市场中的整体规模和活跃度[20] **因子具体构建过程**： 1. 获取当前市场的融资融券总余额[20] 2. 获取当前市场的总流通市值[20] 3. 计算占比，公式为： $$两融余额占比=\frac{两融余额}{总流通市值}$$[20] 4. **因子名称**：两融交易占比因子[20] **因子构建思路**：计算融资买入额与融券卖出额之和占市场总成交额的比例，用于衡量杠杆资金的交易活跃度[20] **因子具体构建过程**： 1. 获取当日的融资买入总额与融券卖出总额[20] 2. 获取当日的市场总成交额[20] 3. 计算占比，公式为： $$两融交易占比=\frac{融资买入额+融券卖出额}{市场总成交额}$$[20] 5. **因子名称**：ETF折溢价因子[21] **因子构建思路**：计算单只ETF的场内交易价格与其IOPV（基金份额参考净值）的差异百分比，用于捕捉市场情绪或套利机会[21] **因子具体构建过程**： 1. 筛选日成交额超过100万元的境内交易股票型ETF[21] 2. 对于每只ETF，计算其折溢价率，公式为： $$ETF折溢价率=\frac{ETF收盘价}{IOPV}-1$$[21] 结果为正表示溢价，为负表示折价[21] 6. **因子名称**：机构调研热度因子[28] **因子构建思路**：统计近一周内对上市公司进行调研的机构数量，作为衡量机构关注度的代理指标[28] **因子具体构建过程**： 1. 统计过去7天内，对每家上市公司进行调研或参加分析师会议的机构数量[28] 2. 该数量即为该股票的机构调研热度因子值[28] 7. **因子名称**：龙虎榜机构净流入因子[33] **因子构建思路**：根据龙虎榜数据，计算机构专用席位对单只股票的净买入金额，用于捕捉机构资金的动向[33] **因子具体构建过程**： 1. 从龙虎榜数据中，获取机构专用席位对某只股票的买入总额和卖出总额[33] 2. 计算净流入金额：净流入 = 买入总额 - 卖出总额[33] 该金额即为因子值，正值表示净买入，负值表示净卖出[33] 8. **因子名称**：龙虎榜陆股通净流入因子[34] **因子构建思路**：根据龙虎榜数据，计算陆股通席位对单只股票的净买入金额，用于捕捉北向资金的动向[34] **因子具体构建过程**： 1. 从龙虎榜数据中，获取陆股通席位对某只股票的买入总额和卖出总额[34] 2. 计算净流入金额：净流入 = 买入总额 - 卖出总额[34] 该金额即为因子值，正值表示净买入，负值表示净卖出[34] 模型的回测效果 1. 封板率计算模型，2025年12月31日封板率71%[15] 2. 连板率计算模型，2025年12月31日连板率19%[15] 3. 大宗交易折价率计算模型，近半年平均折价率6.65%，2025年12月30日折价率7.21%[24] 4. 股指期货年化贴水率计算模型，近一年中位数：上证50为0.89%，沪深300为3.79%，中证500为11.22%，中证1000为13.61%；2025年12月31日值：上证50为1.03%（47%分位），沪深300为3.32%（60%分位），中证500为7.02%（78%分位），中证1000为10.69%（72%分位）[26] 因子的回测效果 1. 昨日涨停股今日收益因子，2025年12月31日收益1.26%[12] 2. 昨日跌停股今日收益因子，2025年12月31日收益-3.65%[12] 3. 两融余额占比因子，截至2025年12月30日占比2.6%[20] 4. 两融交易占比因子，截至2025年12月30日占比10.6%[20] 5. ETF折溢价因子，2025年12月30日，溢价最高为汽车零件ETF（1.10%），折价最高为民企300ETF前海开源（-0.64%）[21] 6. 机构调研热度因子，近一周内，柳工被65家机构调研[28] 7. 龙虎榜机构净流入因子，2025年12月31日，净流入前十股票包括御银股份、天奇股份等；净流出前十股票包括航天发展、顺灏股份等[33] 8. 龙虎榜陆股通净流入因子，2025年12月31日，净流入前十股票包括中超控股、蓝色光标等；净流出前十股票包括航天发展、山子高科等[34]

量化模型与因子总结 量化模型与构建方式 **注：** 本研报主要对现有市场指数进行描述性分析和对比，并未构建新的量化模型或量化因子。报告详细介绍了八只主题指数的编制规则，这些规则可被视为既定的“指数构建模型”。以下将对这些指数构建方法进行总结。 1. **模型名称**：集中主题指数构建模型[3] * **模型构建思路**：围绕特定投资主题（如科技、低碳、消费），跨行业或跨产业链选取该领域内最具代表性的龙头公司，编制成分股数量较少（50只）、主题集中度高的指数，以精准跟踪结构性趋势[3]。 * **模型具体构建过程**： 1. **确定主题与样本空间**：根据指数定义，确定涵盖人工智能、互联网、内地消费、内地低碳等主题的上市公司证券池[4]。 2. **主题业务筛选**：从样本空间中，筛选出业务涉及对应主题领域的上市公司证券作为待选样本。例如，人工智能指数筛选业务涉及大数据、云计算、机器学习等领域的公司；低碳指数筛选业务涉及清洁能源发电、能源转换及存储等领域的公司[4]。 3. **市值排序与选样**：在待选样本中，按照过去一年的日均总市值由高到低进行排名[4]。 4. **确定成分股**：选取市值排名前50的证券作为指数样本[4]。 5. **权重设置与调整**：采用调整市值加权方式。指数样本每半年调整一次，调整实施时间为每年6月和12月的第二个星期五的下一交易日[4][5]。 2. **模型名称**：均衡主题指数构建模型[48] * **模型构建思路**：在特定主题/赛道内，通过扩大样本数量（100只）来实现更均衡的行业覆盖和更分散的个股权重，以降低单一标的或子行业波动对指数的冲击，代表指数包括新兴成指、科技100、消费服务、智能制造[48]。 * **模型具体构建过程**：各均衡主题指数的构建方法存在差异，具体如下： * **新兴成指**： 1. 从节能环保、新一代信息技术等战略新兴产业中选取待选样本[50]。 2. 计算每只证券的**市值得分**、**营收增速得分**和**ROE得分**[50]。 3. 将三项得分相加得到**综合得分**[50]。 4. 按照综合得分由低到高排名，选取排名前100的证券作为指数样本[50]。 * **科技100指数**： 1. 从科技主题空间（如航空航天、半导体、软件开发等）中选取待选样本[50]。 2. 选取**研发强度较高**、**盈利能力较强**且兼具**成长特征**的科技龙头公司[50]。 3. 计算**综合得分**并选取得分最高的100只证券作为指数样本[50]。 * **消费服务领先指数**： 1. 从食品饮料、医药生物、金融保险等消费服务相关行业中选取待选样本[50]。 2. 将待选样本按过去一年日均总市值由高到低排名[50]。 3. 在保证每个行业样本数量占比不超过30%的前提下，依次入选排名靠前的证券，直到数量达到100只[50]。 * **智能制造主题指数**： 1. 选取为智能制造提供关键技术装备、核心支撑软件以及应用智能制造进行生产的上市公司证券[50]。 2. 按照过去一年日均总市值由高到低排名[50]。 3. 选取排名前100名的证券作为指数样本[50]。 * **权重与调整**：均采用调整市值加权（新兴成指为调整后自由流通市值加权）。指数样本每半年调整一次，调整实施时间通常为每年6月和12月的第二个星期五的下一交易日[50]。 模型的回测效果 **注：** 报告未提供基于统一回测框架的模型绩效指标（如年化收益率、夏普比率等）。报告主要通过历史数据展示了各指数的市场表现和基本面特征，以下根据报告内容整理相关表现数据。 1. **集中主题指数市场表现与特征（截至2025年11月30日）**： * **年度收益**：2024年中后段有一轮快速冲高，2025年除内地消费外，人工智能、互联网和内地低碳收益已反超前期水平[24]。2020-2022年市场主线是内地低碳；2024年中至今，主线切换至AI/互联网[24]。 * **估值水平**：人工智能和互联网指数的PB/PE显著高于内地消费、内地低碳，体现了市场对其高成长性的定价[21]。内地消费、内地低碳的PB/PE长期处于低位，估值安全垫更厚[21]。 * **分红与股息**：自2018年至2022年，四大集中主题指数分红率逐年走高，其中内地消费分红率上涨最为明显[38]。从股息率看，内地消费和内地低碳较于人工智能和互联网具有明显优势[38]。 * **盈利能力**：人工智能和互联网指数的营业收入及净利润增长率相对于内地消费和内地低碳更高[40]。内地消费指数具有更高的净资产收益率（ROE）[40][47]。 * **成分特征**：行业分布集中，主题特征明显（如内地低碳在电力设备行业规模占比达91%）[6]。权重集中度高，第一大权重股占比均在10%以上[11]。成分股趋向大市值分布，市值大于1000亿的成分股规模占比均高于50%[14]。 2. **均衡主题指数市场表现与特征（截至2025年11月30日）**： * **年度收益**：2024年中后段开始快速冲高，2025年收益表现优异，尤其科技100和智能制造是2020年以来表现最优的一年[67]。智能制造、科技100受益于产业政策与技术落地，收益弹性大；消费服务因复苏节奏偏缓表现较弱[67]。 * **估值水平**：新兴成指、科技100和智能制造的PB/PE显著高于消费服务，2025年1月以来显著冲高[62]。消费服务是估值最低的板块，处于历史较低分位数，安全边际较厚[62]。 * **分红与股息**：新兴成指和科技100指数自2018年至2022年分红率逐年走高[75]。消费服务指数的股息率自2020年以来较其它指数具有明显优势[75]。 * **盈利能力**：消费服务指数净利润增长率相对于其它指数更高[84]。新兴成指总体具有更高的净资产收益率（ROE）[84][89]。 * **成分特征**：行业分布集中，主题特征明显（如智能制造在电子行业规模占比为40%）[51]。前10大成分股权重合计普遍在40%-50%，权重向头部集中[55]。成分股趋向大市值分布，市值大于1000亿的成分股规模占比均高于38%[60]。

量化模型与构建方式 **注：** 本报告为指数分析报告，主要对现有市场指数进行描述性统计和对比分析，并未涉及量化模型或量化因子的构建。报告内容聚焦于指数编制规则、成份股特征及历史表现，属于基准分析范畴，而非主动的量化策略或因子研究。因此，以下部分将总结报告中涉及的**指数编制方法**，这可视作一种特殊的“规则模型”。 指数编制规则（作为规则模型） 1. **模型名称：综合指数编制规则** * **模型构建思路：** 旨在覆盖特定股票市场（或板块）全部或绝大部分上市公司，提供最全面、最整体的市场表现画像，不进行主观筛选（除基本流动性或规模门槛）[3]。 * **模型具体构建过程：** 1. **样本空间：** 选取在上海证券交易所/深圳证券交易所/科创板/创业板上市的全部符合条件（如非风险警示等）的股票与存托凭证[4]。 2. **样本选取：** 将样本空间内所有证券作为指数样本[4]。对于新股，有特定的纳入时点规则，例如上证综指规定：上市以来日均总市值排名在沪市前10位的证券于上市满三个月后计入指数，其他证券于上市满一年后计入指数[4]。深证综指和创业板综规定新股在上市后第十一个交易日纳入指数计算[4]。 3. **加权方式：** 主要采用总市值加权法（上证综指、深证综指、科创综指）或流通市值加权法（创业板综）[4]。 4. **收益处理：** 分为价格指数（如上证综指）和全收益指数（如深证综指、科创综指、创业板综），后者将样本分红计入指数收益[4]。 5. **维护调整：** 样本被实施风险警示或终止上市时，会从指数样本中剔除[4]。 2. **模型名称：成份指数编制规则** * **模型构建思路：** 通过特定规则从目标市场中筛选出部分具有代表性的上市公司作为样本，旨在高效、典型地反映某一特定类别股票群体（如大盘股、科技股）的整体价格表现[50]。 * **模型具体构建过程：** 1. **样本空间：** 通常为对应市场或板块的全部上市公司。 2. **样本筛选（以科创50和创业板指为例）：** * **流动性筛选：** 对样本空间内的证券按照过去一年的日均成交金额由高到低排名，剔除排名后10%的证券作为待选样本[52]。 * **市值筛选：** 对待选样本按照过去一年的日均总市值由高到低排名，选取排名前50（科创50）或前100（创业板指）的证券作为指数样本[52]。 * **其他规则：** 创业板指在流动性筛选后，还会剔除国证ESG评级在B级以下的股票[52]。 3. **加权方式：** 采用调整市值加权（上证50、科创50）或自由流通市值加权（深证成指、创业板指）[52]。 4. **维护调整：** 定期调整（如每半年或每季度），每次调整数量比例原则上不超过10%，并可能设置缓冲区（如上证50）[52]。 模型的回测效果 **注：** 报告未对上述编制规则进行策略化的回测，而是对依据这些规则编制的具体指数进行了历史表现分析。以下为报告中提及的四大综合指数和四大成份指数在多个统计周期内的表现指标汇总。 综合指数历史表现 (截至2025年11月30日附近) 1. **上证综指 (000001.SH)** * 最近1年年化收益率: 约-5% (根据图12趋势估算)[33] * 最近1年年化波动率: 约15% (根据图13趋势估算)[33] * 最近1年夏普比率: 约-0.3 (根据图14趋势估算)[38] * 最近1年最大回撤: 约-20% (根据图15趋势估算)[40] * 2025年累计收益率: 约-10% (根据图9趋势估算)[28] * 最新PB(LF): 约1.2 (根据图7读取)[22] * 最新PE(TTM): 约12 (根据图8读取)[22] * 最新股息率: 约3.2% (根据图17趋势估算)[42] * 最新ROE: 约8% (根据图20读取)[49] 2. **深证综指 (399106.SZ)** * 最近1年年化收益率: 约0% (根据图12趋势估算)[33] * 最近1年年化波动率: 约18% (根据图13趋势估算)[33] * 最近1年夏普比率: 约0 (根据图14趋势估算)[38] * 最近1年最大回撤: 约-25% (根据图15趋势估算)[40] * 2025年累计收益率: 约5% (根据图9趋势估算)[28] * 最新PB(LF): 约2.0 (根据图7读取)[22] * 最新PE(TTM): 约25 (根据图8读取)[22] * 最新股息率: 约1.8% (根据图17趋势估算)[42] * 最新ROE: 约7% (根据图20读取)[49] 3. **科创综指 (000680.SH)** * 最近1年年化收益率: 约20% (根据图12趋势估算)[33] * 最近1年年化波动率: 约30% (根据图13趋势估算)[33] * 最近1年夏普比率: 约0.6 (根据图14趋势估算)[38] * 最近1年最大回撤: 约-35% (根据图15趋势估算)[40] * 2025年累计收益率: 约40% (根据图9趋势估算)[28] * 最新PB(LF): 约4.0 (根据图7读取)[22] * 最新PE(TTM): 约60 (根据图8读取)[22] * 最新股息率: 约0.5% (根据图17趋势估算)[42] * 最新ROE: 约4% (根据图20读取)[49] 4. **创业板综 (399102.SZ)** * 最近1年年化收益率: 约15% (根据图12趋势估算)[33] * 最近1年年化波动率: 约25% (根据图13趋势估算)[33] * 最近1年夏普比率: 约0.6 (根据图14趋势估算)[38] * 最近1年最大回撤: 约-30% (根据图15趋势估算)[40] * 2025年累计收益率: 约30% (根据图9趋势估算)[28] * 最新PB(LF): 约3.5 (根据图7读取)[22] * 最新PE(TTM): 约40 (根据图8读取)[22] * 最新股息率: 约0.7% (根据图17趋势估算)[42] * 最新ROE: 约10% (根据图20读取)[49] 成份指数历史表现 (截至2025年11月30日附近) 1. **上证50指数 (000016.SH)** * 最近1年年化收益率: 约-8% (根据图32趋势估算)[77] * 最近1年年化波动率: 约18% (根据图33趋势估算)[77] * 最近1年夏普比率: 约-0.4 (根据图34趋势估算)[79] * 最近1年最大回撤: 约-25% (根据图35趋势估算)[84] * 2025年累计收益率: 约-15% (根据图29趋势估算)[72] * 最新PB(LF): 约1.1 (根据图27读取)[68] * 最新PE(TTM): 约10 (根据图28读取)[70] * 最新股息率: 约3.8% (根据图37趋势估算)[91] * 最新ROE: 约11% (根据图40读取)[94] 2. **深证成指 (399001.SZ)** * 最近1年年化收益率: 约5% (根据图32趋势估算)[77] * 最近1年年化波动率: 约20% (根据图33趋势估算)[77] * 最近1年夏普比率: 约0.25 (根据图34趋势估算)[79] * 最近1年最大回撤: 约-30% (根据图35趋势估算)[84] * 2025年累计收益率: 约10% (根据图29趋势估算)[72] * 最新PB(LF): 约1.8 (根据图27读取)[68] * 最新PE(TTM): 约20 (根据图28读取)[70] * 最新股息率: 约2.2% (根据图37趋势估算)[91] * 最新ROE: 约9% (根据图40读取)[94] 3. **科创50指数 (000688.SH)** * 最近1年年化收益率: 约25% (根据图32趋势估算)[77] * 最近1年年化波动率: 约35% (根据图33趋势估算)[77] * 最近1年夏普比率: 约0.7 (根据图34趋势估算)[79] * 最近1年最大回撤: 约-40% (根据图35趋势估算)[84] * 2025年累计收益率: 约50% (根据图29趋势估算)[72] * 最新PB(LF): 约5.0 (根据图27读取)[68] * 最新PE(TTM): 约70 (根据图28读取)[70] * 最新股息率: 约0.6% (根据图37趋势估算)[91] * 最新ROE: 约8% (根据图40读取)[94] 4. **创业板指 (399006.SZ)** * 最近1年年化收益率: 约20% (根据图32趋势估算)[77] * 最近1年年化波动率: 约28% (根据图33趋势估算)[77] * 最近1年夏普比率: 约0.7 (根据图34趋势估算)[79] * 最近1年最大回撤: 约-35% (根据图35趋势估算)[84] * 2025年累计收益率: 约40% (根据图29趋势估算)[72] * 最新PB(LF): 约4.2 (根据图27读取)[68] * 最新PE(TTM): 约45 (根据图28读取)[70] * 最新股息率: 约0.8% (根据图37趋势估算)[91] * 最新ROE: 约14% (根据图40读取)[94] **(注：以上所有指标值均基于报告图表目测估算，可能存在误差，旨在展示各指数相对表现和特征。)**

量化因子与构建方式 1. **因子名称**：大股东增减持行为[16] * **因子构建思路**：大股东的增减持行为被视为传递企业内在价值信号的重要方式，通过信号传递机制影响股价[16] * **因子具体构建过程**：通过监测上市公司大股东（通常指持股5%以上的股东）的股份变动情况来构建。具体为计算特定时间窗口内（如月度、季度）大股东净增持或净减持的股份数量或金额。净增持通常被视为积极信号，净减持被视为消极信号[16] 2. **因子名称**：股票质押行为[16] * **因子构建思路**：高比例的股票质押可能传递大股东资金链紧张、控制权稳定性不足的负面信号，并通过风险传导机制压制股价[16] * **因子具体构建过程**：通常构建两个指标：1) 公司整体质押比例，即公司累计质押股份总数占总股本的比例；2) 控股股东质押比例，即控股股东累计质押股份数占其持股总数的比例。报告指出，当第一大股东质押率超过50%或公司整体质押比例过高时，风险显著[16] 3. **因子名称**：管理层薪酬对利润的敏感度[20] * **因子构建思路**：该指标衡量管理层薪酬与企业盈利的挂钩程度，反映激励约束机制的有效性，通过利益绑定机制影响股价[20] * **因子具体构建过程**：通常计算管理层薪酬（如高管团队总薪酬或CEO薪酬）的年度变化率与公司净利润年度变化率之间的相关性或弹性系数。一个合理的敏感度区间表明激励有效，过高或过低都可能带来负面影响[20] 4. **因子名称**：资产负债率[22] * **因子构建思路**：衡量企业整体债务负担与长期偿债风险的核心指标，通过杠杆效应与风险信号传递影响股价，存在显著的区间效应[22] * **因子具体构建过程**：计算公式为： $$资产负债率 = \frac{负债总额}{资产总额} \times 100\%$$ 负债总额和资产总额均取自企业资产负债表。适度的资产负债率可能发挥财务杠杆正向作用，过高或过低均可能对股价产生负面影响[22][23] 5. **因子名称**：有息负债率[26] * **因子构建思路**：聚焦衡量需支付固定利息的债务占比，反映债务结构合理性，是债务治理结构优化的关键指标[26] * **因子具体构建过程**：计算公式为： $$有息负债率 = \frac{有息负债总额}{负债总额} \times 100\%$$ 有息负债通常包括短期借款、长期借款、应付债券、一年内到期的非流动负债（有息部分）等。较低的有息负债率表明债务结构健康，过高则可能带来现金流压力[26] 6. **因子名称**：流动比率[28] * **因子构建思路**：反映企业短期偿债能力，是衡量债务治理中短期流动性管控水平的关键指标[28] * **因子具体构建过程**：计算公式为： $$流动比率 = \frac{流动资产}{流动负债}$$ 流动资产和流动负债均取自企业资产负债表。该比率维持在合理区间表明短期偿债能力充足，过低则预示流动性风险，过高可能反映资金运用效率低下[28] 7. **因子名称**：现金流量利息保障倍数[31] * **因子构建思路**：反映企业经营现金流对利息支出的覆盖能力，是衡量债务治理中盈利与偿债匹配度的核心量化指标，比传统利息保障倍数更能真实反映偿债能力[31] * **因子具体构建过程**：计算公式为： $$现金流量利息保障倍数 = \frac{经营活动产生的现金流量净额}{利息支出}$$ 经营活动产生的现金流量净额取自现金流量表，利息支出通常取自利润表中的财务费用明细或附注。倍数较高表明偿债安全性高，倍数小于1则违约风险极高[31] 8. **因子名称**：应收账款周转率[33] * **因子构建思路**：反映企业应收账款的回收效率与管理水平，是衡量营运资金流动性的关键指标，通过现金流稳定性与坏账风险传导影响股价[33] * **因子具体构建过程**：计算公式为： $$应收账款周转率 = \frac{营业收入}{应收账款平均余额}$$ 营业收入取自利润表，应收账款平均余额通常为期初与期末应收账款余额的平均值。处于行业合理区间表明回款管理高效，过低则表明资金占用严重、坏账风险高[33] 9. **因子名称**：存货周转率[34] * **因子构建思路**：反映企业存货的变现效率与库存管理水平，直接关系到企业资金占用与盈利质量，通过盈利稳定性与流动性风险影响股价[34] * **因子具体构建过程**：计算公式为： $$存货周转率 = \frac{营业成本}{存货平均余额}$$ 营业成本取自利润表，存货平均余额通常为期初与期末存货余额的平均值。合理的周转率表明供应链管理高效，过低则表明存货积压、资金沉淀[34] 10. **因子名称**：营运资金周转率[35] * **因子构建思路**：反映企业营运资金的整体使用效率，是衡量营运资金管理综合水平的核心指标，通过整体资金效能传导影响股价[35] * **因子具体构建过程**：计算公式为： $$营运资金周转率 = \frac{营业收入}{营运资金平均余额}$$ 其中，营运资金 = 流动资产 - 流动负债。该比率较高且稳定表明营运资金使用效率高，过低则表明资金循环不畅、使用效率低下[35] 11. **因子名称**：现金周转率[36] * **因子构建思路**：反映企业现金及现金等价物的使用效率，聚焦衡量现金资产的流动性与增值能力，直接影响企业现金流安全与资金增值水平[36] * **因子具体构建过程**：计算公式为： $$现金周转率 = \frac{营业收入}{现金及现金等价物平均余额}$$ 现金及现金等价物平均余额通常取自资产负债表相关项目的期初与期末平均值。处于合理区间表明现金配置高效，过高可能流动性安全边际不足，过低则资金闲置[36][37] 12. **因子名称**：区间违规处罚次数[39] * **因子构建思路**：反映企业合规治理水平，直接体现公司治理中内控机制、信息披露机制的执行有效性，通过负面信号传递与风险溢价调整影响股价[39] * **因子具体构建过程**：在特定时间区间内（如过去一年），统计上市公司受到监管机构（如证监会、交易所）公开处罚的次数。次数为0表明合规水平高，次数较多则传递强烈的治理负面信号[39] 13. **因子名称**：区间诉讼次数[40] * **因子构建思路**：反映企业经营活动的法律风险与不确定性，间接体现公司治理中风险防控机制的完善程度，通过经营不确定性传导、现金流压力预警影响股价[40] * **因子具体构建过程**：在特定时间区间内，统计上市公司涉及的重大诉讼、仲裁案件次数（通常可通过公司公告、年报或数据库获取）。次数较少表明经营稳定性高，次数较多则显著提升经营不确定性和风险[40] 14. **因子名称**：ESG环境管理得分[42] * **因子构建思路**：衡量企业在生产经营过程中对生态环境的影响与保护力度，是ESG表现的基础维度，良好的表现能规避政策风险、获取资源支持并增强股价抗风险能力[42] * **因子具体构建过程**：采用第三方ESG评级机构（如同花顺、华证等）提供的环境维度评分。得分越高，表明企业在绿色生产、污染控制、清洁能源使用、碳中和等方面的实践越好[42] 15. **因子名称**：ESG社会管理得分[46] * **因子构建思路**：聚焦企业对员工、客户、供应商、社区等利益相关者的责任履行，良好的表现能够构建“声誉资本”，减少负面冲击，增强投资者信心[46] * **因子具体构建过程**：采用第三方ESG评级机构提供的社会维度评分。得分越高，表明企业在员工权益、产品安全、供应链管理、社区关系等方面的表现越佳[46] 16. **因子名称**：ESG治理管理得分[47] * **因子构建思路**：ESG框架下的公司治理维度，强调治理的全面性与可持续性，核心目标是降低代理成本、提升治理效率，并保障环境与社会责任的有效履行[47] * **因子具体构建过程**：采用第三方ESG评级机构提供的治理维度评分。得分越高，表明企业在股权结构、董事会独立性、信息披露、反舞弊与合规体系等方面越完善[47] 17. **因子名称**：上市公司信息披露评价[50] * **因子构建思路**：是对企业年度信息披露真实性、准确性、完整性、及时性与合规性的综合评级，是衡量披露质量的核心量化指标，通过信号传递与风险定价机制显著影响股价[50] * **因子具体构建过程**：直接采用证券交易所（如沪深交易所）每年对上市公司信息披露工作进行的考核评级结果，通常分为A（优秀）、B（良好）、C（合格）、D（不合格）等等级。评级为A是积极的信号[50][52] 18. **因子名称**：公司是否披露ESG报告[54] * **因子构建思路**：是衡量企业可持续发展信息披露水平的关键指标，披露行为通过降噪、信心赋能与长期价值绑定机制影响股票价格[54] * **因子具体构建过程**：构建一个二元虚拟变量，如果公司在特定报告期内（如上一个会计年度）发布了独立的ESG报告或社会责任报告，则取值为1，否则为0。披露ESG报告被视为传递可持续发展积极信号的行为[54] 因子的回测效果 *注：本报告主要进行理论框架构建和传导逻辑分析，未提供各因子的具体回测指标（如IC值、IR、多空收益等）的数值结果。报告仅在个别处提及了部分现象的统计或示例性数据，列举如下：* 1. **信息披露评价因子**：报告引用数据指出，2023-2024年度信息披露评价为A的沪市公司，在评价区间内股价上涨超15%[52] 2. **ESG报告披露因子**：报告指出，2024年度披露ESG报告的公司数量为2700家，未披露的有2655家[54] 3. **股票质押因子**：报告通过图表展示了累计质押数量占总股本比例、控股股东累计质押数量占持股比例的公司数量分布情况，但未给出与股价相关的具体测试数值[19] 4. **债务与营运资金类因子**：报告通过图表展示了资产负债率、有息负债率、流动比率等指标的区间分布情况，但未给出其与股价关系的具体测试数值[25][27][30]

量化模型与因子总结 量化因子与构建方式 Barra风格因子 1. **因子名称**：市值因子[3][13] * **因子构建思路**：衡量公司规模大小，属于大/小盘风格因子[3][13]。 * **因子具体构建过程**：报告未提供具体构建公式，仅作为市场常见风格因子进行收益跟踪。 2. **因子名称**：账面市值比因子[3][13] * **因子构建思路**：衡量公司价值属性，属于价值/成长风格因子[3][13]。 * **因子具体构建过程**：报告未提供具体构建公式，仅作为市场常见风格因子进行收益跟踪。 3. **因子名称**：成长因子[3][13] * **因子构建思路**：衡量公司成长属性，属于价值/成长风格因子[3][13]。 * **因子具体构建过程**：报告未提供具体构建公式，仅作为市场常见风格因子进行收益跟踪。 4. **因子名称**：盈利预期因子[3][13] * **因子构建思路**：衡量公司盈利预期，属于价值/成长风格因子[3][13]。 * **因子具体构建过程**：报告未提供具体构建公式，仅作为市场常见风格因子进行收益跟踪。 开源交易行为因子 1. **因子名称**：理想反转因子[4][13][39] * **因子构建思路**：A股反转之力的微观来源是大单成交，通过每日平均单笔成交金额的大小，可以切割出反转属性最强的交易日[4][13]。 * **因子具体构建过程**： 1. 对选定股票，回溯取其过去20日的数据[41]。 2. 计算该股票每日的平均单笔成交金额（成交金额/成交笔数）[41]。 3. 单笔成交金额高的10个交易日，涨跌幅加总，记作 M_high[41]。 4. 单笔成交金额低的10个交易日，涨跌幅加总，记作 M_low[41]。 5. 理想反转因子 M = M_high – M_low[41]。 6. 对所有股票，都进行以上操作，计算各自的理想反转因子 M[41]。 2. **因子名称**：聪明钱因子[4][13][40] * **因子构建思路**：从分钟行情数据的价量信息中，识别出机构参与交易（聪明钱）的多寡，并跟踪其交易的相对价位高低[4][13][40]。 * **因子具体构建过程**： 1. 对选定股票，回溯取其过去10日的分钟行情数据[40]。 2. 构造指标 $$S_t = |R_t| / (V_t)^{0.25}$$，其中 $$R_t$$ 为第t分钟涨跌幅，$$V_t$$ 为第t分钟成交量[40]。 3. 将分钟数据按照指标 $$S_t$$ 从大到小进行排序，取成交量累积占比前20%的分钟，视为聪明钱交易[40]。 4. 计算聪明钱交易的成交量加权平均价 VWAP_smart[42]。 5. 计算所有交易的成交量加权平均价 VWAP_all[42]。 6. 聪明钱因子 $$Q = VWAP_{smart} / VWAP_{all}$$[40]。 3. **因子名称**：APM因子[4][13][41] * **因子构建思路**：在日内的不同时段，交易者的行为模式不同，反转强度也相应有所不同[4][13]。 * **因子具体构建过程**： 1. 对选定股票，回溯取其过去20日数据，记逐日隔夜的股票收益率为 $$r_{night}$$，隔夜的指数收益率为 $$R_{night}$$；逐日下午的股票收益率为 $$r_{afternoon}$$，下午的指数收益率为 $$R_{afternoon}$$[41]。 2. 将得到的40组隔夜与下午 (r, R) 的收益率数据进行回归：$$r = \alpha + \beta R + \epsilon$$，得到残差项 $$\epsilon$$[41]。 3. 以上得到的40个残差中，隔夜残差记为 $$\epsilon_{night}$$，下午残差记为 $$\epsilon_{afternoon}$$，进一步计算每日隔夜与下午残差的差值 $$\delta_t = \epsilon_{night} - \epsilon_{afternoon}$$[41]。 4. 构造统计量 stat 来衡量隔夜与下午残差的差异程度，计算公式如下（$$\mu$$ 为均值，$$\sigma$$ 为标准差，N为样本数）： $$\mathrm{stat}={\frac{\mu(\delta_{t})}{\sigma(\delta_{t})/{\sqrt{N}}}}$$[43] 5. 为了消除动量因子影响，将统计量 stat 对动量因子进行横截面回归：$$stat = \alpha + \beta Ret20 + \epsilon$$，其中 Ret20 为股票过去20日的收益率，代表动量因子[44]。 6. 将回归得到的残差值 $$\epsilon$$ 作为 APM 因子[44]。 4. **因子名称**：理想振幅因子[4][13][46] * **因子构建思路**：基于股价维度对振幅进行切割，不同价态下振幅因子所蕴含的信息存在结构性差异[4][13]。 * **因子具体构建过程**： 1. 对选定股票，回溯取其最近20个交易日数据，计算股票每日振幅（最高价/最低价 - 1）[46]。 2. 选择收盘价较高的25%有效交易日，计算振幅均值得到高价振幅因子 V_high[46]。 3. 选择收盘价较低的25%有效交易日，计算振幅均值得到低价振幅因子 V_low[46]。 4. 将高价振幅因子 V_high 与低价振幅因子 V_low 作差，得到理想振幅因子 V = V_high - V_low[46]。 5. **因子名称**：交易行为合成因子[5][30] * **因子构建思路**：将多个交易行为因子进行加权合成，以获取更稳健的Alpha[5][30]。 * **因子具体构建过程**： 1. **因子值处理**：将理想反转、聪明钱、APM、理想振幅四个交易行为因子在行业内进行因子去极值与因子标准化[30]。 2. **因子权重**：滚动选取过去12期各因子的ICIR值作为权重[30]。 3. **因子合成**：使用上述权重对标准化后的因子值进行加权，形成交易行为合成因子[30]。 因子的回测效果 全历史区间表现（行业市值中性） 1. **理想反转因子**：IC均值 -0.049[5][14]，rankIC均值 -0.060[5][14]，IR 2.42[5][14]，多空对冲月度胜率 77.8%[5][14]。 2. **聪明钱因子**：IC均值 -0.037[5][19]，rankIC均值 -0.061[5][19]，IR 2.69[5][19]，多空对冲月度胜率 80.1%[5][19]。 3. **APM因子**：IC均值 0.028[5][23]，rankIC均值 0.034[5][23]，IR 2.25[5][23]，多空对冲月度胜率 76.2%[5][23]。 4. **理想振幅因子**：IC均值 -0.053[5][26]，rankIC均值 -0.073[5][26]，IR 2.99[5][26]，多空对冲月度胜率 83.0%[5][26]。 5. **交易行为合成因子**：IC均值 0.066[5][30]，rankIC均值 0.093[5][30]，多空对冲IR 3.25[5][30]，多空对冲月度胜率 78.8%[5][30]。多头对冲组均值的年化收益率 8.09%，收益波动比 2.56，月度胜率 77.4%[30]。 2025年12月份表现 1. **理想反转因子**：多空对冲收益 0.14%[6][14]，近12个月多空对冲月度胜率 58.3%[6][14]。 2. **聪明钱因子**：多空对冲收益 -0.24%[6][19]，近12个月多空对冲月度胜率 75.0%[6][19]。 3. **APM因子**：多空对冲收益 1.08%[6][23]，近12个月多空对冲月度胜率 41.7%[6][23]。 4. **理想振幅因子**：多空对冲收益 -0.63%[6][26]，近12个月多空对冲月度胜率 58.3%[6][26]。 5. **交易行为合成因子**：多空对冲收益 -0.04%[6][30]，近12个月多空对冲月度胜率 58.3%[6][30]。 Barra风格因子2025年12月收益 1. **市值因子**：收益 1.06%[3][13]。 2. **账面市值比因子**：收益 -0.18%[3][13]。 3. **成长因子**：收益 0.20%[3][13]。 4. **盈利预期因子**：收益 0.94%[3][13]。 合成因子在不同股票池表现（全历史区间） 1. **交易行为合成因子（国证2000）**：IR 2.83[30]。 2. **交易行为合成因子（中证1000）**：IR 2.62[30]。 3. **交易行为合成因子（中证800）**：IR 1.00[30]。

量化模型与因子总结 量化模型与构建方式 本报告主要跟踪了基于多因子选股模型构建的指数增强策略的表现，并详细展示了单因子及大类因子的表现。报告提及的模型构建方法在过往系列报告中有详细说明，本报告未详细描述具体模型的构建过程，但明确了因子处理的核心流程[7][28]。 1. **模型名称**：多因子选股指数增强模型 * **模型构建思路**：从估值、盈利、成长、公司治理、价量、超预期等多种投资逻辑出发构建常用因子库，通过因子合成与组合优化，在目标指数成分股内进行选股，以获取超越基准指数的超额收益[7][28]。 * **模型具体构建过程**： * **因子库构建**：涵盖超预期、成长、分析师、高频分钟、公司治理、估值、价量、盈利等多个大类下的众多单因子[28][35][36]。 * **因子处理**：对因子进行标准化和中性化处理。具体步骤为： 1. 对因子原始值进行绝对中位数法去极值。 2. 进行Z-Score标准化。 3. 以标准化后的因子值为因变量，对数市值和中信一级行业虚拟变量为自变量进行横截面回归。 4. 将回归残差作为最终的因子值，以排除市值和行业的影响[28]。 * **组合构建**：报告中用于测试因子表现的组合构建方式为，在特定股票池内，根据因子值对股票进行排序分组，构建多头（前10%或16%）和空头（后10%或16%）的等权组合，以考察因子的选股能力[37]。 量化因子与构建方式 报告跟踪了大量单因子，并汇总为大类因子进行展示。以下根据报告内容，分类列出部分代表性因子。 超预期因子 1. **因子名称**：标准化预期外单季度归母净利润-带漂移项 * **因子构建思路**：衡量公司实际发布的归母净利润与市场预期之间的差异，并经过带漂移项的标准化处理，以捕捉盈利超预期带来的股价反应（PEAD效应）[7][35]。 2. **因子名称**：标准化预期外单季度归母ROA-带漂移项 * **因子构建思路**：衡量公司实际ROA与预期ROA的差异，经过标准化和漂移项调整，反映盈利能力的超预期情况[35]。 3. **因子名称**：标准化预期外市盈率（归母）-带漂移项 * **因子构建思路**：基于盈利超预期幅度构建的估值类超预期因子[35]。 4. **因子名称**：过去90日报告上调比例 * **因子构建思路**：跟踪过去一段时间内分析师报告上调盈利预测的比例，反映分析师群体对公司盈利预期的乐观变化[35]。 成长因子 1. **因子名称**：单季度归母ROA变动 * **因子构建思路**：计算公司最新单季度归母ROA相对于前一季度的变化，衡量盈利能力的成长性[35]。 2. **因子名称**：单季度营业收入同比增长率 * **因子构建思路**：计算公司最新单季度营业收入相对于去年同期的增长率，衡量收入的成长性[35]。 3. **因子名称**：单季度归母净利润同比增长率 * **因子构建思路**：计算公司最新单季度归母净利润相对于去年同期的增长率，衡量净利润的成长性[35]。 分析师因子 1. **因子名称**：分析师预测ROE-FY3的120变动 * **因子构建思路**：计算分析师对未来第三年（FY3）预测ROE在过去120日内的变动，反映分析师长期盈利预期调整的方向和幅度[34][35]。 2. **因子名称**：分析师预测净利润FY3的120日变动 * **因子构建思路**：计算分析师对未来第三年预测净利润在过去120日内的变动[30][35]。 3. **因子名称**：EPS120日变动FY3 * **因子构建思路**：计算分析师对未来第三年预测EPS在过去120日内的变动[30][34][35]。 高频分钟因子 1. **因子名称**：1分钟路径动量 * **因子构建思路**：基于分钟级别行情数据构建的动量类因子，捕捉极短期的价格趋势[7][32][36]。 2. **因子名称**：20日日内收益 * **因子构建思路**：基于日内的价格行为模式构建的因子[32][36]。 3. **因子名称**：5分钟成交量偏度 * **因子构建思路**：基于分钟成交量分布特征构建的因子[30][36]。 价量因子 1. **因子名称**：60日特异度 * **因子构建思路**：可能衡量股价的特异性波动，通常特质波动率越低，因子值越好[30][31][32][36]。 2. **因子名称**：20日日均交易金额 * **因子构建思路**：衡量股票的近期流动性，报告显示该因子与收益呈负相关（越小越好）[30][36]。 3. **因子名称**：1个月自由流通换手率 * **因子构建思路**：衡量股票的换手率，即流动性指标[31][32][36]。 盈利因子 1. **因子名称**：单季度归母ROE * **因子构建思路**：使用最新财务报告的单季度归母净利润计算ROE，衡量公司的股东权益回报率[30][36]。 2. **因子名称**：单季度扣非ROA * **因子构建思路**：使用最新财务报告的单季度扣非净利润计算ROA，衡量公司的总资产盈利能力[36]。 估值因子 1. **因子名称**：EP60日变化 * **因子构建思路**：衡量市盈率倒数（Earnings-to-Price）在60日内的变化，跟踪估值水平的变动[33][36]。 2. **因子名称**：股息率 * **因子构建思路**：公司现金分红与股价的比率，是传统的估值类因子[33][36]。 公司治理因子 1. **因子名称**：60日持股比例变动 * **因子构建思路**：可能跟踪大股东、管理层或机构投资者的持股比例变化，作为公司内部人行为的代理变量[33]。 2. **因子名称**：前三高管薪酬 * **因子构建思路**：将公司高管的薪酬水平作为治理或激励程度的代理变量[32][36]。 模型的回测效果 报告展示了基于因子库构建的指数增强策略在多个宽基指数上的样本外表现[7]。 1. **沪深300指数增强策略**：截至2025年12月26日，本年收益27.19%，超额收益8.84%，超额最大回撤-3.15%[4]。 2. **中证500指数增强策略**：截至2025年12月26日，本年收益31.54%，超额收益1.28%，超额最大回撤-4.76%[4]。 3. **中证1000指数增强策略**：截至2025年12月26日，本年收益42.2%，超额收益14.54%，超额最大回撤-5.59%[4]。 4. **中证2000指数增强策略**：截至2025年12月26日，本年收益63.87%，超额收益27.31%，超额最大回撤-5.23%[4]。 因子的回测效果 单因子表现（以“本年超额收益”为例，取自各股票池表现前列的因子） 报告以“单因子组合优化”形式展示了各因子在不同股票池和不同时间窗口（上周、本月、本年）的超额收益[35][36]。以下选取部分在本年（截至2025年12月26日）表现突出的因子： 1. **分析师预测ROE-FY3的120变动**：中证全指股票池超额收益30.55%[34][35]。 2. **单季度归母ROE**：沪深300股票池超额收益26.18%[30][36]。 3. **标准化预期外单季度扣非净利润-带漂移项**：中证2000股票池超额收益25.88%[33][35]。 4. **单季度归母ROA变动**：沪深300股票池超额收益25.76%[30][35]。 5. **单季度营业收入同比增长率**：沪深300股票池超额收益25.58%[30][35]。 6. **过去90日报告上调比例**：沪深300股票池超额收益24.70%[35]。 7. **分析师预测ROE-FY3的120变动**：中证1000股票池超额收益24.06%[32][35]。 8. **单季度扣非ROA**：沪深300股票池超额收益24.02%[36]。 9. **分析师预测净利润FY3的120日变动**：中证全指股票池超额收益23.94%[34][35]。 10. **EPS120日变动FY3**：中证全指股票池超额收益23.78%[34][35]。 大类因子表现（本年超额收益） 报告将单因子按逻辑归类，并等权合成大类因子，考察其表现[37]。 1. **盈利因子**：在沪深300股票池本年超额收益33.2%[38]。 2. **分析师超预期因子**：在沪深300股票池本年超额收益30.25%[38]。 3. **成长因子**：在沪深300股票池本年超额收益29.73%[38]。 4. **分析师因子**：在沪深300股票池本年超额收益27.45%（根据上下文及表格数据推断）[38]。 5. **公司治理因子**：在沪深300股票池本年超额收益12.71%（根据上下文及表格数据推断）[38]。 6. **高频分钟因子**：在沪深300股票池本年超额收益-0.11%（根据上下文及表格数据推断）[38]。 7. **估值因子**：在沪深300股票池本年超额收益-0.40%（根据上下文及表格数据推断）[38]。 8. **价量因子**：在沪深300股票池本年超额收益-4.01%（根据上下文及表格数据推断）[38]。

量化模型与构建方式 1. **模型名称**：GAN_GRU模型[4][13] **模型构建思路**：利用生成式对抗网络（GAN）模型对量价时序特征进行增强处理，再利用门控循环单元（GRU）模型对处理后的时序特征进行编码，最终输出股票的未来收益预测值作为选股因子[4][13] **模型具体构建过程**： * **数据准备**：使用18个量价特征，包括日频特征（如前收盘价、开盘价、收盘价、最高价、最低价、成交量、成交金额、涨跌幅、振幅、换手率、均价）和月频特征（如月成交金额、月涨跌幅、月振幅、月换手率、月收盘最高价、月收盘最低价、月日均换手率）[17][19] * **特征采样**：对每只个股，取过去400天内的18个量价特征，每5个交易日进行一次采样，采样形状为40（天）* 18（特征），用以预测未来20个交易日的累计收益[18] * **数据处理**：每次采样的40天内，每个特征在时序上进行去极值和标准化处理；同时，每个特征在个股层面上进行截面标准化[18] * **GAN特征生成**： * **生成器（G）**：采用LSTM模型，输入原始量价时序特征（形状为(40, 18)），输出增强后的时序特征（形状仍为(40, 18)）[33][37] * **判别器（D）**：采用CNN模型，用于区分真实量价特征与生成器生成的特征[33] * **对抗训练**：生成器与判别器交替训练。生成器的目标是让判别器无法区分其生成的特征与真实特征，其损失函数为： $$L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))]$$ 其中，\(z\) 表示随机噪声，\(G(z)\) 表示生成器生成的数据，\(D(G(z))\) 表示判别器判断生成数据为真实数据的概率[24][25] 判别器的目标是准确区分真实数据与生成数据，其损失函数为： $$L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$$ 其中，\(x\) 表示真实数据，\(D(x)\) 表示判别器对真实数据的输出概率[27] * **GRU收益预测**：将GAN生成器输出的增强特征，输入到一个两层GRU网络（GRU(128, 128)）中，后面再接一个多层感知机（MLP(256, 64, 64)），模型最终输出的预测收益（pRet）即为GAN_GRU因子[22] * **模型训练**：采用半年滚动训练方式，训练时间点为每年的6月30日及12月31日，使用过去数据训练模型并用于未来半年的预测[18] * **股票筛选**：选取全市场股票，剔除ST及上市不足半年的股票[18] **模型评价**：该模型结合了GAN的数据增强能力和GRU的时序建模能力，旨在挖掘更深层次的量价时序规律以预测股票收益[4][13] 量化因子与构建方式 1. **因子名称**：GAN_GRU因子[4][13] **因子构建思路**：GAN_GRU模型最终输出的股票未来收益预测值，直接作为选股因子使用[4][13][22] **因子具体构建过程**：如上述模型构建过程所述，经过GAN特征生成和GRU模型预测后，得到每只股票的未来收益预测值（pRet），即为因子值[22]。在因子测试前，会对该因子值进行行业和市值中性化处理，并进行标准化[22] 模型的回测效果 1. GAN_GRU模型（因子）[41][42] * IC均值：0.1119***[41][42] * ICIR（未年化）：0.89[42] * 年化收益率：37.40%[42] * 年化波动率：23.39%[42] * 信息比率（IR）：1.60[42] * 最大回撤率：27.29%[42] * 年化超额收益率：22.42%[41][42] * 换手率：0.83X[42] * 最新一期IC（截至2025年12月29日）：0.0331***[41][42] * 近一年IC均值（截至2025年12月29日）：0.0669***[41][42] 因子的回测效果 1. GAN_GRU因子[41][42] * IC均值：0.1119***[41][42] * ICIR（未年化）：0.89[42] * 年化收益率：37.40%[42] * 年化波动率：23.39%[42] * 信息比率（IR）：1.60[42] * 最大回撤率：27.29%[42] * 年化超额收益率：22.42%[41][42] * 换手率：0.83X[42] * 最新一期IC（截至2025年12月29日）：0.0331***[41][42] * 近一年IC均值（截至2025年12月29日）：0.0669***[41][42]

量化模型与构建方式 1. 滤波方法（数据处理模型） 1. **模型名称**：HP滤波 (Hodrick-Prescott Filter)[10] * **模型构建思路**：将宏观经济时间序列分解为长期趋势成分和中期周期成分，以剔除长期趋势和短期噪声，提取周期波动[3][9]。 * **模型具体构建过程**：通过求解一个最小化问题来得到趋势成分。具体公式为： $$\operatorname*{min}\left\{\sum_{t=1}^{T}(y_{t}-g_{t})^{2}+\lambda\sum_{t=2}^{T-1}[(g_{t+1}-g_{t})-(g_{t}-g_{t-1})]^{2}\right\}$$ 其中，\(y_{t}\)为原始序列数据，\(g_{t}\)为待求解的趋势成分，\(\lambda\)为平滑参数，\(\lambda\)越大，趋势线越平滑[10]。在应用中，首先使用较大的\(\lambda\)去除长期趋势得到周期成分，再使用较小的\(\lambda\)过滤噪声，得到用于分析的中周期序列[10]。 * **模型评价**：可以直观地将时间序列分解为趋势和周期成分，符合经典宏观经济分析框架，但存在较严重的端点偏差问题，且无法识别不同频率的周期[3][42]。 2. **模型名称**：傅里叶变换[25] * **模型构建思路**：将时间序列数据分解为一系列不同频率、振幅和相位的正弦函数的叠加，以识别数据中存在的主要周期性规律[25][26]。 * **模型具体构建过程**：对时间序列进行傅里叶变换，公式为： $$F(f)=\int_{-\infty}^{\infty}f(x)e^{-i2\pi f(x)}\,\mathrm{d}x$$ 由于宏观经济数据通常非平稳，在应用傅里叶变换前，先使用HP滤波去除长周期趋势项，得到平稳序列，再进行变换以提取主要周期并拟合周期序列[26]。 * **模型评价**：适合分析历史数据的整体周期结构，尤其适用于探究经济周期的历史规律，但其假设周期结构在时间上恒定，短期内拟合度可能受到影响[3][42]。 3. **模型名称**：混合滤波[42] * **模型构建思路**：结合HP滤波和傅里叶变换两种方法的优点，以挖掘数据的周期性规律并观察短期趋势变化[3][42]。 * **模型具体构建过程**：将HP滤波与傅里叶变换叠加使用。实践中，使用傅里叶变换挖掘宏观数据的周期性规律，同时使用HP滤波观察因子短期上升或下降的趋势变化[42]。叠加使用后得到的序列既具有一定外推性，又保留了HP滤波在周期拟合上的灵活性[42]。 * **模型评价**：结合了两种方法的优势，所得序列兼具周期规律性和趋势观察的灵活性[42]。 2. 资产配置模型 1. **模型名称**：美林时钟模型[68] * **模型构建思路**：依据经济增长（以PMI同比增速代表）和通货膨胀（以PPI同比代表）两个核心指标的高低变化，将经济周期划分为四个阶段，并为每个阶段配置不同类别的大类资产[68][72]。 * **模型具体构建过程**：使用HP滤波处理后的PMI同比增速和PPI同比数据判断经济周期阶段，具体配置方案如下[68][72]： * 复苏期：PMI同比增速上行，PPI同比下行，配置60%股票、40%债券。 * 扩张期：PMI同比增速上行，PPI同比上行，配置60%商品、40%股票。 * 滞胀期：PMI同比增速下行，PPI同比上行，配置60%现金、40%商品。 * 衰退期：PMI同比增速下行，PPI同比下行，配置60%债券、40%现金。 * **模型评价**：是最著名的经济周期模型之一[68]。 2. **模型名称**：货币信用模型[76] * **模型构建思路**：作为美林时钟理论在中国市场的适应性改进，通过观察“货币”（以M2同比增速代表）和“信用”（以社会融资规模同比增速代表）两个核心驱动因素来指导大类资产配置[76]。 * **模型具体构建过程**：使用HP滤波处理后的M2同比和社会融资规模同比数据判断货币信用状态，具体配置方案如下[76]： * 宽货币宽信用：M2同比上行，社会融资规模同比上行，配置60%股票、40%商品。 * 紧货币宽信用：M2同比下行，社会融资规模同比上行，配置60%商品、40%股票。 * 紧货币紧信用：M2同比下行，社会融资规模同比下行，配置60%现金、40%债券。 * 宽货币紧信用：M2同比上行，社会融资规模同比下行，配置60%债券、40%股票。 量化因子与构建方式 1. **因子名称**：M1同比[3][9] * **因子构建思路**：作为代表货币供给量的宏观经济因子[3][9]。 * **因子具体构建过程**：报告直接采用了M1的同比增速数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 2. **因子名称**：M2同比[3][9] * **因子构建思路**：作为代表货币供给量的宏观经济因子[3][9]。 * **因子具体构建过程**：报告直接采用了M2的同比增速数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 3. **因子名称**：社会融资规模同比[3][9] * **因子构建思路**：作为代表货币供给量的宏观经济因子[3][9]。 * **因子具体构建过程**：报告直接采用了社会融资规模的同比增速数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 4. **因子名称**：1年期国债收益率同比差值[3][9] * **因子构建思路**：作为代表利率的宏观经济因子[3][9]。 * **因子具体构建过程**：报告采用了1年期国债收益率的同比差值数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 5. **因子名称**：PMI同比增速[3][9] * **因子构建思路**：作为代表经济增速的宏观经济因子[3][9]。 * **因子具体构建过程**：报告采用了PMI的同比增速数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 6. **因子名称**：PPI同比[3][9] * **因子构建思路**：作为代表通胀的宏观经济因子[3][9]。 * **因子具体构建过程**：报告直接采用了PPI的同比数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 7. **因子名称**：工业增加值同比[3][9] * **因子构建思路**：作为代表经济增速的宏观经济因子[3][9]。 * **因子具体构建过程**：报告直接采用了工业增加值的同比数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 8. **因子名称**：企业利润同比[3][9] * **因子构建思路**：作为代表经济增速的宏观经济因子[3][9]。 * **因子具体构建过程**：报告直接采用了企业利润的同比数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 模型的回测效果 （以下回测结果均基于2006年以来的数据） 1. **美林时钟模型**，累计收益807.28%，年化收益11.71%，波动率11.30%，最大回撤17.10%，夏普比率1.037，信息比率0.681，胜率56.49%[70]。 2. **货币信用模型**，累计收益558.45%，年化收益9.93%，波动率16.84%，最大回撤56.02%，夏普比率0.589，信息比率0.362，胜率56.90%[79]。 因子的回测效果 （以下回测结果均基于2006年以来的数据，使用HP滤波处理后因子进行择时） 1. 单因子股指择时表现 （策略：因子上升周期持有中证全指，下降周期空仓） 1. **M1同比因子**，累计收益971.09%，年化收益12.64%，波动率24.85%，最大回撤69.42%，夏普比率0.509，信息比率0.339，胜率57.74%[58]。 2. **M2同比因子**，累计收益100.26%，年化收益3.55%，波动率22.51%，最大回撤69.42%，夏普比率0.158，信息比率-0.237，胜率48.95%[58]。 3. **国债收益率同比差值因子**，累计收益685.90%，年化收益10.91%，波动率18.43%，最大回撤27.47%，夏普比率0.592，信息比率0.265，胜率49.79%[58]。 4. **社会融资规模同比因子**，累计收益731.39%，年化收益11.22%，波动率24.77%，最大回撤69.42%，夏普比率0.453，信息比率0.249，胜率53.56%[58]。 5. **PMI同比增速因子**，累计收益1436.01%，年化收益14.70%，波动率21.07%，最大回撤42.44%，夏普比率0.698，信息比率0.513，胜率54.39%[58]。 6. **PPI同比因子**，累计收益919.17%，年化收益12.36%，波动率20.58%，最大回撤42.44%，夏普比率0.601，信息比率0.355，胜率52.72%[58]。 7. **工业增加值同比因子**，累计收益124.56%，年化收益4.15%，波动率16.52%，最大回撤39.35%，夏普比率0.251，信息比率-0.226，胜率46.86%[58]。 8. **企业利润同比因子**，累计收益522.94%，年化收益9.62%，波动率18.37%，最大回撤42.44%，夏普比率0.524，信息比率0.172，胜率51.46%[58]。 2. 单因子股债择时表现 （策略：因子上升周期持有中证全指，下降周期持有国债指数；对照组为60%债券+40%股票的固定比例组合） 1. **M1同比因子**，累计收益1297.47%，年化收益14.16%，波动率24.84%，最大回撤69.42%，夏普比率0.570，信息比率0.432，胜率60.25%[61]。 2. **M2同比因子**，累计收益174.96%，年化收益5.21%，波动率22.56%，最大回撤69.42%，夏普比率0.231，信息比率-0.129，胜率53.14%[61]。 3. **国债收益率同比差值因子**，累计收益1358.04%，年化收益14.40%，波动率18.43%，最大回撤27.47%，夏普比率0.781，信息比率0.508，胜率56.07%[61]。 4. **社会融资规模同比因子**，累计收益1110.38%，年化收益13.34%，波动率24.76%，最大回撤69.42%，夏普比率0.539，信息比率0.381，胜率59.00%[61]。 5. **PMI同比增速因子**，累计收益2226.26%，年化收益17.12%，波动率21.07%，最大回撤42.44%，夏普比率0.813，信息比率0.669，胜率57.74%[61]。 6. **PPI同比因子**，累计收益1637.78%，年化收益15.41%，波动率20.59%，最大回撤42.44%，夏普比率0.749，信息比率0.558，胜率58.58%[61]。 7. **工业增加值同比因子**，累计收益274.27%，年化收益6.85%，波动率16.65%，最大回撤36.37%，夏普比率0.411，信息比率-0.026，胜率51.05%[61]。 8. **企业利润同比因子**，累计收益864.21%，年化收益12.05%，波动率18.39%，最大回撤42.44%，夏普比率0.655，信息比率0.340，胜率53.56%[61]。