量化模型与构建方式 1. **模型名称**：动量+拥挤度行业轮动策略[47] * **模型构建思路**：基于中信一级行业指数，通过结合动量效应和行业拥挤度指标，构建行业轮动策略，旨在规避过热行业并捕捉强势行业[47]。 * **模型具体构建过程**： 1. **数据准备**：获取过去5年的中信一级行业指数数据[47]。 2. **信号生成**： * 每月末，计算所有行业的**拥挤度**指标，并剔除拥挤度最高的30%的行业[47]。 * 在剩余的行业中，计算各行业过去一个月的**动量**表现，并进行排序[47]。 3. **组合构建**：选取动量排名前5的行业，进行等权配置[47]。 4. **调仓频率**：每月调仓一次[47]。 5. **基准比较**：基准为所有行业的等权组合[47]。 模型的回测效果 1. **动量+拥挤度行业轮动策略**，年化收益率XX%，最大回撤XX%，信息比率(IR)XX%，夏普比率XX%[49][50][51]。 *（注：报告图表中显示了年化收益率、最大回撤、策略净值曲线和绩效指标表格，但未在文本中提供具体数值，需从图表12、13、14中读取）[49][50][51]* 量化因子与构建方式 1. **因子名称**：动量因子[47] * **因子构建思路**：基于“强者恒强”的动量效应，认为过去一段时间表现好的行业在未来短期内仍可能延续强势[47]。 * **因子具体构建过程**：在每月末，计算各中信一级行业指数过去一个月的收益率，并以此作为动量因子值进行排序[47]。 2. **因子名称**：拥挤度因子[47] * **因子构建思路**：用于衡量行业交易过热或过度拥挤的程度，旨在规避因过度拥挤可能导致的反转风险[47]。 * **因子具体构建过程**：报告未给出具体的拥挤度因子计算公式。构建过程为每月末计算所有行业的拥挤度指标，并据此进行排序和剔除[47]。 3. **因子名称**：前沿因子（由“因子发现Agent”挖掘）[51][52] * **因子构建思路**：通过AI智能体自动抓取量化金融学术论文（如arXiv上的q-fin.PM, q-fin.ST, q-fin.CP分类），从中提炼潜在的、新颖的因子构建思路[51][52]。 * **因子具体构建过程**：流程包括：1) 定时抓取最新相关论文；2) 筛选与因子挖掘相关的文献；3) 提炼潜在的因子逻辑、构建方法；4) 评估其在A股市场的应用可行性、数据需求等；5) 结构化输出生成日报[52]。报告未提供具体因子实例的构建公式。 因子的回测效果 *（报告未提供动量因子、拥挤度因子或前沿挖掘因子的独立测试结果，如IC、IR、多空收益等。因子效果体现在其构成的行业轮动策略的整体回测绩效中）[47][49][50][51]*

量化模型与因子总结 量化模型与构建方式 1. **模型名称：转债风格轮动模型**[6][16][23] * **模型构建思路**：通过捕捉市场情绪指标，在偏股、平衡、偏债三类转债的低估指数之间进行动态轮动配置，以获取超越单一风格或等权基准的收益[6][16][23]。 * **模型具体构建过程**： 1. **风格划分与指数构建**：首先，根据平底溢价率将转债划分为三类：平底溢价率 > 15%为偏股型，< -15%为偏债型，其余为平衡型，并分别构建对应的等权指数[16][18]。 2. **市场情绪指标计算**：在单个转债层面计算两个市场情绪因子：转债20日动量和波动率偏离度。然后，在每个低估风格指数内部，取这两个因子值的中位数作为该指数的市场情绪捕捉指标[23]。 3. **轮动信号生成**：将各低估风格指数在两个市场情绪指标上的排名（Rank）相加，得到综合的“市场情绪捕捉指标”[23][24]。 $$转债风格市场情绪捕捉指标 = Rank（转债20日动量） + Rank（波动率偏离度）$$[24] 4. **仓位分配**：选择“市场情绪捕捉指标”排名较低（即情绪相对更差，预期未来可能反转）的风格指数进行配置。若排名相等则等权配置，若同时选中三种风格，则全仓配置平衡低估风格[16][23][24]。模型双周频调仓[6][23]。 2. **因子名称：转债综合估值因子**[5][17][18] * **因子构建思路**：融合转股溢价率偏离度和理论价值偏离度（蒙特卡洛模型）两个子因子，构建一个综合衡量转债估值高低的复合因子，旨在全市场及平衡型、偏债型转债中有效识别低估标的[5][17]。 * **因子具体构建过程**：分别计算每只转债的“转股溢价率偏离度”和“理论价值偏离度（蒙特卡洛模型）”两个因子值，然后对这两个因子值分别进行横截面排名（Rank），最后将排名相加得到综合估值因子[17][18]。 $$转债综合估值因子 = Rank（转股溢价率偏离度） + Rank（理论价值偏离度（蒙特卡洛模拟））$$[18] 3. **因子名称：转股溢价率偏离度因子**[5][17][18] * **因子构建思路**：衡量转债当前转股溢价率相对于其理论拟合值的偏离程度，偏离度越低可能表示转债估值相对越低[17][18]。 * **因子具体构建过程**：在每个时间截面上，使用转债的转股溢价率与转股价值进行非线性回归拟合，得到转股溢价率与转股价值的关系曲线。因子值为单个转债的实际转股溢价率减去其根据转股价值拟合出的理论转股溢价率[18]。 $$转股溢价率偏离度 = 转股溢价率 − 拟合转股溢价率$$[18] 4. **因子名称：理论价值偏离度因子（蒙特卡洛模型）**[5][17][18] * **因子构建思路**：通过蒙特卡洛模拟，充分考虑转债的转股、赎回、下修、回售等条款，计算其理论价值。因子衡量市场价格相对于理论价值的偏离百分比，偏离度越低可能表示转债越被低估[17][18]。 * **因子具体构建过程**：使用蒙特卡洛方法，在每个时点模拟大量（如10000条）正股价格路径，并依据转债各项条款计算每条路径下的现金流，再以同信用、同期限的利率作为贴现率计算理论价值。因子值为转债收盘价除以理论价值再减1[18]。 $$理论价值偏离度（蒙特卡洛模型） = 转债收盘价 / 理论价值（蒙特卡洛模型） - 1$$[18] 5. **因子名称：转债20日动量**[23][24] * **因子构建思路**：捕捉转债价格的短期趋势，作为市场情绪的代理指标之一[23]。 * **因子具体构建过程**：计算转债过去20个交易日的收益率作为动量因子值[23][24]。 6. **因子名称：波动率偏离度**[23][24] * **因子构建思路**：捕捉转债波动率相对于其历史常态的偏离，作为市场情绪的代理指标之一[23]。 * **因子具体构建过程**：报告未给出具体计算公式，但指出该因子用于衡量波动率的偏离度[23][24]。 7. **指标名称：百元转股溢价率**[3][12][39] * **构建思路**：构建一个在时间序列上可比的指标，用于衡量转债市场整体的估值水平，并通过其历史分位数判断当前转债相对于正股的配置价值[3][12]。 * **具体构建过程**：在每个时点，使用截面数据拟合转股溢价率($y_i$)与转股价值($x_i$)的关系曲线。拟合公式为： $$y_{i}=\alpha_{0}+\,\alpha_{1}\cdot\,{\frac{1}{x_{i}}}+\epsilon_{i}$$[40] 将转股价值=100代入拟合公式，得到的转股溢价率即为“百元转股溢价率”[39][40]。 8. **指标名称：修正YTM – 信用债YTM中位数**[4][12][41] * **构建思路**：针对偏债型转债，剥离转股条款对其到期收益率(YTM)的影响，计算修正后的YTM与同等级同期限信用债YTM的差值，用以衡量偏债型转债相对于信用债的配置性价比[4][12][41]。 * **具体构建过程**： 1. **计算修正YTM**：修正YTM = 转债YTM × (1 – 转股概率) + 预期转股的到期年化收益率 × 转股概率[41]。其中，转股概率通过BS模型计算获得[41]。 2. **计算差值中位数**：计算每只偏债型转债的修正YTM与同等级同期限企业债YTM的差值$X_i$，然后取所有偏债型转债该差值的中位数[41]。 $$“修正YTM – 信用债YTM”中位数 = median\{X_1, X_2, ... , X_n\}$$[41] 模型的回测效果 （注：以下效果基于回测区间2018年2月14日至2026年3月13日[21][26]） 1. **转债风格轮动模型**[26] * 年化收益：25.60% * 年化波动：16.95% * 最大回撤：15.89% * 信息比率(IR)：1.51 * 卡玛比率：1.61 因子的回测效果 （注：以下效果通过构建对应的低估指数来体现，回测区间为2018年2月14日至2026年3月13日[21]） 1. **转债综合估值因子 & 理论价值偏离度因子（应用效果）**[21] * **偏股转债低估指数**（由理论价值偏离度因子构建[5][19]） * 年化收益率：26.32% * 年化波动率：20.74% * 最大回撤：0.23 * 信息比率(IR)：1.27 * 卡玛比率：1.15 * **平衡转债低估指数**（由转债综合估值因子构建[5][19]） * 年化收益率：15.87% * 年化波动率：12.01% * 最大回撤：0.16 * 信息比率(IR)：1.32 * 卡玛比率：0.99 * **偏债转债低估指数**（由转债综合估值因子构建[5][19]） * 年化收益率：12.38% * 年化波动率：9.77% * 最大回撤：0.18 * 信息比率(IR)：1.27 * 卡玛比率：0.70 2. **低估值因子近期增强超额**（截至2026年3月13日近一月）[5][20] * 偏股转债低估指数超额：4.73% * 平衡转债低估指数超额：2.70% * 偏债转债低估指数超额：-0.05%

量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[11][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导致的指数点位自然下滑的影响。该模型旨在精确预测从当前时刻到股指期货合约到期日之间，指数成分股分红所导致的指数点位减少值（即分红点数）[11][42]。 * **模型具体构建过程**：模型的核心是预测每只成分股在期货合约存续期内的分红金额和除息日，并汇总计算对指数的影响。具体流程如下[42][43][45]： 1. **获取成分股及权重**：采用中证指数公司每日披露的日度收盘权重数据，确保每日个股权重的准确性，避免使用月末权重估算带来的偏差[48][49]。若需估算，公式为： $$W_{n,t}={\frac{w_{i0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{n})}}$$ 其中，$W_{n,t}$ 为当前日期 $t$ 成分股 $n$ 的估算权重，$w_{i0}$ 为最近一次公布权重日期 $t_0$ 时成分股 $n$ 的权重，$r_n$ 为 $t_0$ 到 $t$ 期间个股 $n$ 的非复权涨跌幅[48]。 2. **预测个股分红金额**：对于每只成分股，若已公布分红金额则直接采用；若未公布，则需预测。分红金额预测转化为对净利润和股息支付率的预测[45][50]。 * **净利润预测**：采用基于历史净利润分布的动态预测法。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）。若未披露，则根据其历史季度盈利分布稳定性进行分类：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，使用上年同期盈利作为预测值[52][55]。 * **股息支付率预测**：采用历史股息率代替。具体规则为：若公司去年分红，则以去年股息支付率作为今年预测值；若去年不分红，则以最近3年平均作为预测值；若从未分红，则默认今年不分红；当预期股息支付率大于100%时，进行截尾处理[53][56]。 3. **预测除息日**：采用基于历史间隔天数稳定性的线性外推法[54][57][59]。 * 若已公布除息日，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天数的稳定性，选择使用历史日期或进行线性外推。 * 若无法通过上述方法确定，则根据预测日期所在月份，采用默认日期（7月31日、8月31日或9月30日）[59]。 4. **计算指数分红点数**：汇总所有满足条件（除息日在当前日期之后、期货到期日之前）的成分股，计算其分红对指数点位的总影响。计算公式为： 分红点数 = $\sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$[42] 其中，$N$ 为指数成分股数量，要求个股除权除息日 $\tau$ 满足 $t < \tau \le T$，$T$ 为期货合约到期日[42]。 量化因子与构建方式 1. **因子名称：已实现股息率**[3][16] * **因子构建思路**：衡量指数成分股中，在本年度内已经完成现金分红的公司，其分红总额相对于指数总市值的比率，反映已兑现的分红收益[3][16]。 * **因子具体构建过程**：统计截至计算日，指数成分股中今年已现金分红的公司，将其分红总额除以指数的总市值。公式表示为： 已实现股息率 = $\frac{\sum_{i=1}^{N_1} (成分股i的分红金额)}{\text{指数总市值}}$[16] 其中，$N_1$ 表示指数成分股中今年已现金分红的公司数量[16]。 2. **因子名称：剩余股息率**[3][16] * **因子构建思路**：衡量指数成分股中，预计在本年度内未来将进行现金分红的公司，其预测分红总额相对于指数总市值的比率，反映未来潜在的分红收益[3][16]。 * **因子具体构建过程**：统计截至计算日，指数成分股中尚未现金分红但预计将会分红的公司，使用模型预测其分红金额，汇总后除以指数的总市值。公式表示为： 剩余股息率 = $\frac{\sum_{i=1}^{N_2} (成分股i的预测分红金额)}{\text{指数总市值}}$[16] 其中，$N_2$ 表示指数成分股中尚未现金分红的公司数量[16]。 3. **因子名称：年化升贴水率**[4][12] * **因子构建思路**：在考虑指数成分股分红影响后，计算股指期货价格相对于其标的指数价格的偏离程度，并进行年化处理，以衡量期货合约的溢价或折价水平[11][12]。 * **因子具体构建过程**： 1. 计算扣除分红影响后的期货理论价差：**含分红价差** = **合约收盘价** - (**指数收盘价** - **分红点数**)[12]。其中“分红点数”为模型预测的从当前至合约到期日之间的累计分红点数。 2. 计算升贴水率：**升贴水** = **含分红价差** / **指数收盘价**[12]。 3. 进行年化：**年化升贴水** = **升贴水** / (**到期天数** / 365)[12]。 模型的回测效果 1. **股指分红点位测算模型** * **预测误差**：模型对上证50指数和沪深300指数全年预测误差基本在5个指数点左右；对中证500指数和中证1000指数的预测误差稍大，基本稳定在10个指数点左右[64]。 * **预测准确性**：模型对于上证50、沪深300、中证500及中证1000股指期货主力合约的股息点预测具有较好的准确性，各合约预测效果整体较好[64]。 因子的回测效果 1. **已实现股息率** (截至2026年3月18日)[3] * 上证50指数：0.00% * 沪深300指数：0.00% * 中证500指数：0.00% * 中证1000指数：0.00% 2. **剩余股息率** (截至2026年3月18日)[3] * 上证50指数：2.82% * 沪深300指数：2.14% * 中证500指数：1.17% * 中证1000指数：0.89% 3. **年化升贴水率** (截至2026年3月18日，主力合约)[4][12] * IH主力合约：-2.04% * IF主力合约：-6.75% * IC主力合约：-9.65% * IM主力合约：-11.28%

量化模型与构建方式 1. **模型名称**：多资产择时模型[1][5] * **模型构建思路**：该模型旨在对多种资产（包括利率债、信用债、股票指数、商品等）的未来短期走势进行概率化预测，并基于预测概率生成看多、调整（看空）或震荡的交易观点[1][5][6]。 * **模型具体构建过程**：模型的核心是计算一个“原始信号”，即模型对未来短期内资产价格（对于股指和商品）或到期收益率（对于债券）上行的概率估计[6]。报告未详细披露该概率的具体计算方法和所使用的因子。在得到每日的原始信号（概率估计值）后，会计算其5日移动平均值（MA5）以平滑信号[1][5]。最后，将原始信号或MA5与预设的阈值进行比较，以生成最终的多空观点[6]。具体规则如下： * 对于**利率债（如国债）和信用债（如中短票）**：当信号大于60%时，模型观点为“调整”（看空收益率下行）；当信号小于40%时，模型观点为“看多”（看多收益率上行）；信号在40%至60%之间时，观点为“震荡”[6]。 * 对于**股指和商品**：当信号大于60%时，模型观点为“看多”（看多价格上涨）；当信号小于40%时，模型观点为“调整”（看空价格下跌）；信号在40%至60%之间时，观点为“震荡”[6]。 * 公式：报告未给出原始信号的计算公式，但给出了信号平滑及观点生成的逻辑描述。 * **模型评价**：模型覆盖资产广泛，包括固收和权益等多类资产，提供了统一的量化择时框架[1][5]。其观点生成依赖于固定的阈值规则，逻辑清晰直接。 模型的回测效果 （注：报告主要展示了模型在特定日期的信号输出和观点，而非历史回测的统计指标。以下根据报告内容整理模型在2026年3月17日的信号取值及生成的观点。） 1. **多资产择时模型**，**30年国债**原始信号76.88%，MA5信号67.56%，模型观点为【调整】[1][5] 2. **多资产择时模型**，**3年AAA中短票**原始信号17.77%，MA5信号26.20%，模型观点为【看多】[1][5] 3. **多资产择时模型**，**10年国债**原始信号74.05%，MA5信号60.92%，模型观点为【调整】[1][5] 4. **多资产择时模型**，**2年国债**原始信号7.40%，MA5信号30.40%，模型观点为【看多】[1][5] 5. **多资产择时模型**，**万得全A指数**原始信号35.32%，MA5信号64.67%，模型观点为【调整】[1][5] 6. **多资产择时模型**，**中证红利全收益指数**原始信号65.65%，MA5信号55.78%，模型观点为【震荡】[1][5] 7. **多资产择时模型**，**恒生科技指数**原始信号62.49%，MA5信号59.50%，模型观点为【震荡】[1][5] 8. **多资产择时模型**，**科创50指数**原始信号86.91%，MA5信号77.16%，模型观点为【调整】[1][5] 9. **多资产择时模型**，**万得微盘指数**原始信号22.76%，MA5信号16.86%，模型观点为【看多】[1][5] 10. **多资产择时模型**，**国证2000指数**原始信号49.34%，MA5信号66.20%，模型观点为【调整】[1][5] 11. **多资产择时模型**，**COMEX黄金**原始信号74.78%，MA5信号38.96%，模型观点为【看多】[1][5] 12. **多资产择时模型**，**IPE布油**原始信号60.69%，MA5信号49.96%，模型观点为【震荡】[1][5]

量化模型与构建方式 1. 目标波动率配置模型 1. **模型名称**：目标波动率3%配置策略[84][85][86] * **模型构建思路**：构建一个以控制组合整体波动率为核心目标的资产配置策略，将年化波动率目标设定为3%[84][87]。 * **模型具体构建过程**：模型基于风险预算框架进行资产配置。具体过程未在提供内容中详细描述，但核心是通过动态调整各类资产（如股票、债券等ETF）的权重，使得整个投资组合的预期年化波动率稳定在3%左右[84][86]。 2. **模型名称**：目标波动率5%配置策略[89][90][91] * **模型构建思路**：构建一个以控制组合整体波动率为核心目标的资产配置策略，将年化波动率目标设定为5%[89][92]。 * **模型具体构建过程**：模型基于风险预算框架进行资产配置。具体过程未在提供内容中详细描述，但核心是通过动态调整各类资产（如股票、债券等ETF）的权重，使得整个投资组合的预期年化波动率稳定在5%左右[89][91]。 2. 宏观打分资产配置模型 1. **模型名称**：境内股债宏观打分配置策略[99][100][101] * **模型构建思路**：以获取绝对收益为目标，通过宏观指标对境内股债两类资产进行打分，动态调整配置比例，实现多元资产配置[101]。 * **模型具体构建过程**：每月末根据经济增长、通货膨胀、货币政策、估值、情绪等五大类宏观指标对股票和债券资产进行打分。根据打分结果决定下个月的资产配置比例。例如，当股票得分高时超配股票ETF（如沪深300、中证1000 ETF），低配债券ETF；反之则超配债券ETF，低配股票ETF[101][102]。 2. **模型名称**：全球资产宏观打分配置策略[104][105][106] * **模型构建思路**：以获取绝对收益为目标，通过宏观指标对全球范围内的多类资产（包括A股、港股、美股、德股、日股、黄金等）进行打分，动态调整配置比例，实现全球多元资产配置[106]。 * **模型具体构建过程**：每月末根据各类资产的宏观指标进行打分。根据打分结果决定下个月的资产配置比例。可配置的资产包括代表A股的沪深300ETF、中证1000ETF，代表港股的恒生指数ETF，代表美股的标普500ETF，代表德股的DAX指数ETF，代表日股的日经225指数ETF，以及黄金ETF等[106][107]。 3. 风格轮动配置模型 1. **模型名称**：大盘 vs 小盘风格轮动策略（基于中证800成分）[110][111] * **模型构建思路**：在中证800指数成分股范围内，通过多维度打分模型，动态判断并轮动配置大盘风格（沪深300）与小盘风格（中证500）的ETF[110]。 * **模型具体构建过程**：每月末进行调仓。首先，计算沪深300指数与中证500指数的风格得分，得分维度包括估值、盈利、成长、分析师预期、动量、波动率等。然后，比较两者得分，选择得分更高的一类风格进行超配，同时低配另一类风格。具体表现为：全仓持有得分高风格对应的ETF（如300ETF或500ETF）[110][112]。 2. **模型名称**：价值 vs 成长风格轮动策略[117][118] * **模型构建思路**：通过多维度打分模型，动态判断并轮动配置价值风格与成长风格的ETF[118]。 * **模型具体构建过程**：每月末进行调仓。选取代表价值风格的ETF（如上证红利ETF，510880.SH）和代表成长风格的ETF（如创业板ETF，159915.SZ）。通过多维度指标对价值和成长风格进行打分，比较两者得分，选择得分更高的一类风格进行超配，同时低配另一类风格[118][119]。 3. **模型名称**：300增强 vs 300ETF轮动策略[125][126][127] * **模型构建思路**：在沪深300指数范围内，通过多维度打分模型，动态选择是持有被动跟踪的300ETF，还是持有具备增强效应的主动管理型300增强基金[125][127]。 * **模型具体构建过程**：每月末进行调仓。对300增强基金（作为备选池）和基准300ETF进行多维度打分。如果300增强基金的综合得分超过300ETF，则配置300增强基金；否则，配置300ETF[127][128]。 4. 行业轮动配置模型 1. **模型名称**：四维度行业轮动策略（基本面+市场面）[130][131] * **模型构建思路**：从基本面、市场面、事件驱动、资金流向四个维度对行业进行打分，筛选出高景气度行业，构建ETF投资组合[131]。 * **模型具体构建过程**：每月末进行调仓。具体四个维度包括：1）基本面（如盈利增速、ROE变化）；2）市场面（如动量、波动率）；3）事件驱动（如政策、产业新闻）；4）资金流向（如北向资金、公募基金持仓）。对中证800的各二级行业进行打分，选取综合得分最高的若干个行业，等权配置其对应的行业ETF[131][132]。 2. **模型名称**：四象限月度行业轮动策略[133] * **模型构建思路**：根据行业的“景气度趋势”和“拥挤度”两个核心指标，将行业划分为四个象限，并据此进行行业轮动配置[133]。 * **模型具体构建过程**：每月末进行调仓。首先，计算每个行业的景气度趋势得分（反映基本面变化方向）和拥挤度得分（反映交易过热程度）。然后，将行业划分到“高景气-低拥挤”、“高景气-高拥挤”、“低景气-低拥挤”、“低景气-高拥挤”四个象限中。策略核心是超配“高景气-低拥挤”象限的行业，低配或规避“低景气-高拥挤”象限的行业，并配置对应的行业ETF[133]。 模型的回测效果 1. **目标波动率3%配置策略**，年化收益率6.74%，年化波动率3.37%，最大回撤-3.72%，夏普比率1.38，卡玛比率1.81，索提诺比率1.89[86] 2. **目标波动率5%配置策略**，年化收益率8.04%，年化波动率4.48%，最大回撤-4.41%，夏普比率1.33，卡玛比率1.82，索提诺比率1.79[91] 3. **权益增强资产配置策略**，年化收益率11.66%，年化波动率5.72%，最大回撤-8.64%，夏普比率1.67，卡玛比率1.35，索提诺比率2.28[96] 4. **境内股债宏观打分配置策略**，年化收益率6.98%，年化波动率3.74%，最大回撤-4.21%，夏普比率1.77，卡玛比率1.66，索提诺比率3.32[101] 5. **全球资产宏观打分配置策略**，年化收益率11.15%，年化波动率3.91%，最大回撤-3.40%，夏普比率2.76，卡玛比率3.28，索提诺比率5.24[106] 6. **大盘 vs 小盘风格轮动策略（基于中证800成分）**，年化收益率26.65%，年化波动率29.45%，最大回撤-56.91%，信息比率(IR)1.19，月度胜率63.89%[110] 7. **大盘 vs 小盘风格轮动策略（基于300ETF vs 1000ETF）**，年化收益率11.53%，年化波动率21.07%，最大回撤-35.19%，信息比率(IR)0.85，月度胜率61.11%[114] 8. **价值 vs 成长风格轮动策略**，年化收益率22.64%，年化波动率26.03%，最大回撤-56.48%，信息比率(IR)1.05，月度胜率53.85%[118] 9. **价值 vs 成长风格轮动策略（基于300ETF vs 创业板ETF）**，年化收益率25.58%，年化波动率23.75%，最大回撤-50.98%，信息比率(IR)1.51，月度胜率66.67%[122] 10. **300增强 vs 300ETF轮动策略**，年化收益率16.64%，年化波动率18.05%，最大回撤-29.93%，信息比率(IR)1.17，月度胜率56.67%[127] 11. **四维度行业轮动策略（基本面+市场面）**，年化收益率20.17%，年化波动率22.94%，最大回撤-35.59%，信息比率(IR)1.42，月度胜率66.67%[131] 12. **四象限月度行业轮动策略**，年化收益率16.22%，年化波动率26.14%，最大回撤-44.33%，信息比率(IR)1.02，月度胜率56.77%[133] 量化因子与构建方式 *（注：提供的报告内容主要侧重于资产配置模型和策略的构建与回测，未详细阐述底层个股层面的量化因子（如价值、动量、质量等因子）的构建方法。报告中的“风格轮动”和“行业轮动”是基于对风格指数或行业指数的综合打分，而非从个股因子合成到组合的传统量化因子模型。因此，本部分无具体量化因子构建内容。）* 因子的回测效果 *（注：同“量化因子与构建方式”部分说明，报告未提供底层量化因子的独立测试结果。）*

量化因子与构建方式 1. **因子名称：封板率** [16] * **因子构建思路**：通过计算盘中触及涨停并最终封住涨停的股票比例，来度量市场追涨情绪和涨停板的可靠性[16]。 * **因子具体构建过程**： 1. 筛选上市满3个月以上的股票[16]。 2. 找出在当日盘中最高价达到涨停价的股票集合A[16]。 3. 从集合A中，找出当日收盘价也为涨停价的股票集合B[16]。 4. 计算封板率，公式为： $$封板率 = \frac{集合B的股票数量}{集合A的股票数量}$$ [16] 2. **因子名称：连板率** [16] * **因子构建思路**：通过计算前一日涨停的股票在今日继续涨停的比例，来度量市场炒作的持续性和赚钱效应[16]。 * **因子具体构建过程**： 1. 筛选上市满3个月以上的股票[16]。 2. 找出前一日（T-1日）收盘价为涨停价的股票集合C[16]。 3. 从集合C中，找出当日（T日）收盘价也为涨停价的股票集合D[16]。 4. 计算连板率，公式为： $$连板率 = \frac{集合D的股票数量}{集合C的股票数量}$$ [16] 3. **因子名称：大宗交易折价率** [25] * **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，来反映大资金的投资偏好和情绪，折价率高可能意味着大资金出货意愿强或对后市看法谨慎[25]。 * **因子具体构建过程**： 1. 统计当日所有大宗交易的总成交金额[25]。 2. 计算这些大宗交易成交份额按当日市价计算的总市值[25]。 3. 计算折价率，公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ [25] 4. 该值为负表示折价，绝对值越大折价幅度越大[25]。 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相对于现货指数的年化基差，来反映市场对未来走势的预期和对冲成本，贴水率扩大可能反映市场情绪悲观或对冲需求增加[28]。 * **因子具体构建过程**： 1. 计算基差：基差 = 股指期货价格 - 现货指数价格[28]。 2. 计算年化贴水率，公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ [28] 3. 该值为正则表示期货升水，为负则表示期货贴水[28]。 因子的回测效果 1. **封板率因子**，2026年3月18日取值为73%[16] 2. **连板率因子**，2026年3月18日取值为25%[16] 3. **大宗交易折价率因子**，2026年3月17日取值为2.79%[25]；近半年平均取值为7.13%[25] 4. **股指期货年化贴水率因子** * **上证50股指期货**，2026年3月18日取值为11.93%（贴水）[28]；近一年中位数取值为0.85%[28] * **沪深300股指期货**，2026年3月18日取值为18.60%（贴水）[28]；近一年中位数取值为4.23%[28] * **中证500股指期货**，2026年3月18日取值为16.10%（贴水）[28]；近一年中位数取值为11.01%[28] * **中证1000股指期货**，2026年3月18日取值为25.00%（贴水）[28]；近一年中位数取值为13.33%[28]

量化模型与因子总结 根据所提供的研报内容，这是一份关于融资融券市场的周度数据统计报告，主要描述了市场概况、两融余额、行业及个股的融资融券行为特征。报告**未涉及**传统的多因子选股模型、Alpha因子构建或量化策略的回测。报告内容聚焦于**市场监控指标**的统计与展示。 因此，以下将报告中出现的、可用于量化监控或分析的**指标**（可视为广义的“因子”）进行总结。这些指标主要反映了市场情绪、资金流向和杠杆使用情况。 量化监控指标与构建方式 1. **指标名称**：融资买入额占成交额比例[34][35][48] * **构建思路**：衡量融资买入的活跃度，即市场中通过融资杠杆进行买入的交易占全部成交的比重，通常用于观测市场情绪和杠杆资金偏好。 * **具体构建过程**：计算特定标的（个股、行业或全市场）在特定周期内，融资买入金额与其总成交金额的比值。 $$融资买入额占成交额比例 = \frac{融资买入额}{成交额} \times 100\%$$ 公式中，融资买入额为报告期内通过融资交易买入标的证券的累计金额；成交额为同一报告期内该标的证券的累计成交金额。 2. **指标名称**：融资余额占流通市值比例[34][35] * **构建思路**：衡量融资杠杆资金在标的流通盘中的占比，反映杠杆资金对标的的持有程度和潜在影响。 * **具体构建过程**：计算在某一时点，标的的融资余额与其流通市值的比值。 $$融资余额占流通市值比例 = \frac{融资余额}{流通市值} \times 100\%$$ 公式中，融资余额为在计算时点，投资者融资买入后尚未偿还的金额；流通市值为该标的证券在计算时点的流通市值。 3. **指标名称**：融券卖出额占成交额比例[38][39] * **构建思路**：衡量融券卖出的活跃度，即市场中通过融券进行卖空交易占全部成交的比重，用于观测市场看空情绪和卖空力量。 * **具体构建过程**：计算特定标的在特定周期内，融券卖出金额与其总成交金额的比值。 $$融券卖出额占成交额比例 = \frac{融券卖出额}{成交额} \times 100\%$$ 公式中，融券卖出额为报告期内通过融券交易卖出标的证券的累计金额。 4. **指标名称**：融券余额占流通市值比例[38][39] * **构建思路**：衡量融券卖空头寸在标的流通盘中的占比，反映市场卖空力量的存量规模。 * **具体构建过程**：计算在某一时点，标的的融券余额与其流通市值的比值。 $$融券余额占流通市值比例 = \frac{融券余额}{流通市值} \times 100\%$$ 公式中，融券余额为在计算时点，投资者融券卖出后尚未偿还的证券按市值计算的金额。 5. **指标名称**：融资净买入额[29][43][46][48] * **构建思路**：反映融资资金在特定周期内的净流入情况，是观测杠杆资金动向的核心指标。 * **具体构建过程**：计算报告期内融资买入额与融资偿还额的差值。 $$融资净买入额 = 融资买入额 - 融资偿还额$$ 正值表示融资资金净流入，负值表示净流出。 6. **指标名称**：融券净卖出额[31][49][50] * **构建思路**：反映融券卖空力量在特定周期内的净增加情况，是观测卖空资金动向的核心指标。 * **具体构建过程**：计算报告期内融券卖出额与融券偿还额的差值。 $$融券净卖出额 = 融券卖出额 - 融券偿还额$$ 正值表示卖空头寸净增加，负值表示净减少。 7. **指标名称**：有负债投资者占比[23] * **构建思路**：衡量参与两融交易的投资者中，实际持有融资或融券负债的投资者比例，反映杠杆使用的广泛程度。 * **具体构建过程**：计算在某一时点，有融资融券负债的投资者数量与全体融资融券投资者数量的比值。 $$有负债投资者占比 = \frac{有融资融券负债的投资者数量}{全体融资融券投资者数量} \times 100\%$$ 指标的具体测试结果取值（基于报告期末或报告期数据） 报告提供了截至2026年3月17日当周（3月11日-3月17日）的各类指标数据。 1. **全市场/板块层面指标取值**： * 沪深两市两融余额：26,435.92亿元[12] * 融资余额：26,255.50亿元[12] * 融券余额：180.42亿元[12] * 户均融资融券余额：1,369,456元[23] * 有负债投资者占比：23.92%[23] * ETF融资余额：1091.51亿元[41] * ETF融券余额：82.13亿元[41] 2. **行业层面指标示例（部分行业）**： * **融资买入额占成交额比例**：非银金融(11.68%)、通信(10.07%)、电子(10.02%)、纺织服饰(3.71%)、轻工制造(4.12%)[35][38] * **融资余额占流通市值比例**：计算机(4.30%)、传媒(3.51%)、国防军工(3.40%)、银行(0.79%)、石油石化(0.71%)[35] * **融券卖出额占成交额比例**：食品饮料(0.13%)、银行(0.09%)、煤炭(0.07%)、轻工制造(0.02%)、社会服务(0.02%)[38][39][40] * **融券余额占流通市值比例**：传媒(0.02%)、国防军工(0.01%)、家用电器(0.01%)、银行(0.00%)、石油石化(0.00%)[39] 3. **个股层面指标示例（排名前列个股）**： * **融资净买入额前五**：宝丰能源(162,627.90万元)、寒武纪(106,446.87万元)、民生银行(72,685.38万元)、沪电股份(67,696.74万元)、宏景科技(60,314.84万元)[46][48] * **融资买入额占成交额比例前五**：吉贝尔(36.84%)、振德医疗(29.26%)、安旭生物(29.10%)、双元科技(27.69%)、民生银行(25.80%)[47][48] * **融券净卖出额前五**：贵州茅台(4,332.90万元)、金风科技(2,079.79万元)、华虹公司(1,690.73万元)、中联重科(1,630.73万元)、深科技(1,509.98万元)[49][50]

量化模型与构建方式 1. **模型名称**：封板率计算模型[19] **模型构建思路**：通过统计当日最高价涨停且收盘涨停的股票数量与最高价涨停的股票总数之比，来衡量涨停板的封板强度，反映市场追涨情绪和封板资金的意愿[19]。 **模型具体构建过程**：首先，筛选出上市满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集合。最后，计算在该集合中，收盘价也维持在涨停价的股票所占的比例。 **公式**： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ **模型评价**：该指标是衡量市场短线炒作情绪和资金承接力度的重要观测指标，封板率越高，通常意味着涨停板越稳固，市场做多情绪越强[19]。 2. **模型名称**：连板率计算模型[19] **模型构建思路**：通过统计连续两日收盘涨停的股票数量占前一日所有涨停股票数量的比例，来衡量市场涨停效应的持续性，反映题材炒作的接力情绪[19]。 **模型具体构建过程**：首先，筛选出上市满3个月以上的股票。然后，找出前一日（T-1日）收盘涨停的股票列表。最后，计算在该列表中，当日（T日）收盘也涨停的股票所占的比例。 **公式**： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ **模型评价**：该指标反映了市场热点题材的延续性和赚钱效应的扩散能力，连板率高通常意味着市场短线情绪活跃，资金接力意愿强[19]。 3. **模型名称**：大宗交易折价率计算模型[28] **模型构建思路**：通过比较大宗交易成交总额与按当日市价计算的成交份额总市值之间的差异，来计算折价率，用以观察大资金交易的偏好和市场情绪[28]。 **模型具体构建过程**：首先，获取当日所有大宗交易的成交数据，包括每笔交易的成交价格和成交数量。然后，计算这些成交份额若按当日股票收盘价（或成交均价）计算的总市值。最后，计算大宗交易总成交金额相对于该总市值的比率减1。 **公式**： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ **模型评价**：大宗交易折价率是观察机构、大股东等大资金交易行为的重要窗口，折价率的高低可以反映其减持意愿的强弱或接盘方对流动性的要求[28]。 4. **模型名称**：股指期货年化贴水率计算模型[31] **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，来衡量股指期货相对于现货指数的升贴水程度，用于评估市场对冲成本及远期预期[31]。 **模型具体构建过程**：首先，计算股指期货主力合约价格与对应现货指数价格之差，得到基差（基差 = 期货价格 - 现货价格）。然后，将基差除以现货指数价格得到相对基差。最后，考虑期货合约的剩余期限，将相对基差年化处理。 **公式**： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ **公式说明**：公式中基差为期货价格减去现货价格，当结果为负时表示贴水。年化处理时使用250个交易日作为一年的近似交易天数[31]。 **模型评价**：年化贴水率是量化对冲策略成本的核心指标，贴水率的高低直接影响对冲收益。同时，其变化也反映了市场对指数未来的预期、资金成本以及市场情绪等多重因素[31]。 模型的回测效果 （本报告为市场监测日报，未提供上述模型的长期历史回测效果指标，因此本部分内容缺失。） 量化因子与构建方式 （本报告主要描述市场状态指标和计算模型，未涉及用于选股或解释收益的量化因子构建，因此本部分内容缺失。） 因子的回测效果 （本报告未涉及量化因子，因此本部分内容缺失。）

量化模型与构建方式 1. **模型名称**：RSI相对强弱指标[2] **模型构建思路**：通过计算一定周期内平均涨幅与平均跌幅的比值，来衡量市场的超买或超卖状态[2] **模型具体构建过程**： 1. 计算一定周期（例如12天）内每日上涨幅度的平均值（AvgGain）和每日下跌幅度绝对值（即跌幅）的平均值（AvgLoss）[2]。 2. 计算相对强弱（RS），即平均涨幅与平均跌幅的比值：$$RS = \frac{AvgGain}{AvgLoss}$$[2] 3. 将RS代入公式，计算RSI值：$$RSI = 100 - \frac{100}{1 + RS}$$[2] **模型评价**：RSI>70表示市场可能处于超买状态，RSI<30表示市场可能处于超卖状态[2] 2. **模型名称**：净申购金额计算模型[2] **模型构建思路**：通过当日净值、前一日净值及净值增长率，反推计算当日ETF的净申购金额[2] **模型具体构建过程**： 1. 获取当日ETF的净值NAV(T)和前一日ETF的净值NAV(T-1)[2]。 2. 获取当日ETF的净值增长率R(T)[2]。 3. 将上述数据代入公式计算净申购金额NETBUY(T)：$$NETBUY(T) = NAV(T) - NAV(T-1) \times (1 + R(T))$$[2] 量化因子与构建方式 1. **因子名称**：RSI相对强弱因子[2] **因子构建思路**：基于RSI相对强弱指标模型计算出的数值，作为衡量ETF短期超买超卖状态的因子[2] **因子具体构建过程**：与RSI相对强弱指标模型的构建过程完全相同，最终输出RSI数值[2] 2. **因子名称**：净申购因子[2] **因子构建思路**：基于净申购金额计算模型得出的净申购金额，作为衡量资金流入流出ETF情况的因子[2] **因子具体构建过程**：与净申购金额计算模型的构建过程完全相同，最终输出净申购金额数值[2] 3. **因子名称**：涨跌幅因子[4][6] **因子构建思路**：直接采用ETF的日涨跌幅数据，作为衡量其价格变动情况的因子[4][6] **因子具体构建过程**：直接取用ETF的日涨跌幅百分比数据[4][6] 4. **因子名称**：流通市值因子[4][6] **因子构建思路**：采用ETF的流通市值数据，作为衡量其规模与流动性的因子[4][6] **因子具体构建过程**：直接取用ETF的流通市值数据[4][6] 5. **因子名称**：成交额因子[4][6] **因子构建思路**：采用ETF的日成交额数据，作为衡量其市场活跃度和流动性的因子[4][6] **因子具体构建过程**：直接取用ETF的日成交额数据[4][6] 6. **因子名称**：机构持仓占比因子[2][3][4][6] **因子构建思路**：采用ETF基金定期报告披露的机构持仓占比（剔除联接基金），作为衡量资金结构偏好的因子[2][3] **因子具体构建过程**：取用最近一期年报或半年报披露的机构持仓占比数据[2][3] 7. **因子名称**：管理费率因子[4][6] **因子构建思路**：采用ETF的管理费率数据，作为衡量其投资成本的因子[4][6] **因子具体构建过程**：直接取用ETF的管理费率数据[4][6] 8. **因子名称**：T+0交易因子[2][4][6] **因子构建思路**：采用ETF是否支持T+0交易方式的信息，作为衡量其交易灵活性的因子[2] **因子具体构建过程**：根据ETF品种特性，判断并标记其是否支持T+0交易[2] 因子的回测效果 （注：本报告为ETF数据跟踪日报，展示了各因子在特定日期的截面数据，而非历史回测的绩效指标。因此，此处展示的是各因子在报告日期的具体取值样例。） 1. **RSI相对强弱因子**，华泰柏瑞沪深300ETF(510300.SH)取值43.34[4]，易方达沪深300ETF(510310.SH)取值44.03[4]，华夏沪深300ETF(510330.SH)取值43.93[4] 2. **净申购因子**，华泰柏瑞沪深300ETF(510300.SH)取值11.01亿元[4]，易方达沪深300ETF(510310.SH)取值-2.90亿元[4]，华夏沪深300ETF(510330.SH)取值0.73亿元[4] 3. **涨跌幅因子**，华泰柏瑞沪深300ETF(510300.SH)取值-0.73%[4]，易方达沪深300ETF(510310.SH)取值-0.60%[4]，华夏沪深300ETF(510330.SH)取值-0.66%[4] 4. **流通市值因子**，华泰柏瑞沪深300ETF(510300.SH)取值2059.70亿元[4]，易方达沪深300ETF(510310.SH)取值1423.00亿元[4]，华夏沪深300ETF(510330.SH)取值926.14亿元[4] 5. **成交额因子**，华泰柏瑞沪深300ETF(510300.SH)取值33.89亿元[4]，易方达沪深300ETF(510310.SH)取值8.15亿元[4]，华夏沪深300ETF(510330.SH)取值5.58亿元[4] 6. **机构持仓占比因子**，华泰柏瑞沪深300ETF(510300.SH)取值87.11%[4]，易方达沪深300ETF(510310.SH)取值90.08%[4]，华夏沪深300ETF(510330.SH)取值93.09%[4] 7. **管理费率因子**，华泰柏瑞沪深300ETF(510300.SH)取值0.15%[4]，易方达沪深300ETF(510310.SH)取值0.15%[4]，华夏沪深300ETF(510330.SH)取值0.15%[4] 8. **T+0交易因子**，华泰柏瑞沪深300ETF(510300.SH)取值“否”[4]，易方达沪深300ETF(510310.SH)取值“否”[4]，华夏沪深300ETF(510330.SH)取值“否”[4]

量化模型与构建方式 根据研报内容，本报告主要进行历史规律总结和事件分析，未构建具体的量化选股模型或量化因子。报告的核心是通过历史事件回测，总结在不同宏观情境下（特别是油价冲击）的大类资产和行业板块表现规律，以指导配置。因此，报告的分析框架更接近于一个**事件驱动的宏观分析模型**。 1. **模型名称**：油价冲击四阶段资产表现分析模型 * **模型构建思路**：将历史上的油价供给冲击事件作为研究对象，分析事件发生后不同时间窗口内各类资产的价格表现，总结出市场反应的典型阶段和规律[7][8][9]。 * **模型具体构建过程**： 1. **事件定义与样本选取**：选取历史上六次主要的石油供给冲击事件作为研究样本，包括三次石油危机、伊拉克战争、利比亚内战和俄乌战争[10]。 2. **时间窗口设定**：以事件起始日（T日）为基准，观察事件发生后多个固定时间窗口的资产表现，包括10日、1个月、3个月、6个月、1年、2年等[21][24][29]。 3. **资产与板块分类**：将资产分为大类资产（全球主要股指、债券、外汇、商品）和权益内部行业板块（美股行业、A股行业）[21][24][29]。 4. **绩效计算**： * 对于大类资产，计算其在各时间窗口内的绝对收益率[21][30]。 * 对于行业板块，计算其在各时间窗口内相对于基准指数（如标普500、万得全A）的超额收益（相对收益）以及取得正超额收益的样本事件比例（相对胜率）[24][29]。 5. **情境分类**：根据油价冲击是否持续影响通胀与政策，将样本事件分为两类情境进行分析： * **滞涨型样本**：包括第一次、第二次石油危机和2022年俄乌冲突。特征是油价冲击持续传导至通胀，并引发政策以抗通胀为优先[20][21][22]。 * **非滞涨型样本**：包括第三次石油危机、伊拉克战争、利比亚内战。特征是供给冲击对通胀和政策的持续传导有限，政策未极端转向抗通胀[27][28][31]。 * **模型评价**：该模型提供了一个基于历史事件回测的、结构化的分析框架，能够清晰刻画油价冲击后资产价格演变的典型路径和不同宏观情境下的资产表现分化，对当前市场判断具有参考意义[17][36]。 模型的回测效果 本报告未提供传统量化模型中常见的如年化收益率、夏普比率、最大回撤、信息比率（IR）等统一口径的绩效指标。其“回测效果”体现在对不同情境下历史资产表现的数据统计和规律总结上。 1. **滞涨型样本情境下的资产表现规律** [21][22][24][26] * **大类资产表现**：能源（布油）表现最强，黄金偏强，权益资产（如标普500、欧股、A股、港股）普遍承压，利率（10Y美债收益率）上行，美元走强。 * **美股行业表现**：能源、公用事业、原材料、通信、医疗保健、必需消费等防御和上游周期板块相对占优，胜率高；信息技术、可选消费、工业、金融、地产等成长和流动性敏感板块相对承压。 * **关键判断**：高油价持续并触发“紧政策、低增长”组合是导致滞涨交易格局的核心。 2. **非滞涨型样本情境下的资产表现规律** [28][30][31] * **大类资产表现**：权益资产未必进入系统性熊市，以美股为代表的海外市场可能出现修复；黄金表现较好；美元走弱，利率下行或震荡；油价上涨但涨幅和持续性可能不及滞涨型样本。 * **A股行业表现**：煤炭、银行、传媒、公用事业、食品饮料、交通运输等行业在部分时间窗口表现相对较好；国防军工、环保、电子、电力设备等行业相对偏弱。 * **关键判断**：若油价冲击未持续传导至通胀与政策，则市场更可能从短期冲击回归基本面修复逻辑，但不同市场和风格分化明显。 3. **跨情境的共性规律** [14][17][36] * **市场反应四阶段**：恐慌交易（防御资产占优）→ 反转交易（超跌修复）→ 滞涨预期交易（若高油价持续）→ 现实交易（回归基本面与政策现实）。 * **核心影响变量**：油价高位维持的持续性、通胀预期变化、政策在“稳增长”与“抗通胀”间的权衡。 * **估值影响**：起始估值较高的市场对高利率和滞涨约束更敏感，表现压力更大[35][36]。