量化模型与因子总结 量化模型与构建方式 本报告未涉及具体的量化交易模型或选股模型，主要对市场宽基指数的各类指标进行跟踪和统计分析[1][2][3][4][5][7][9][11][12][14][15][16][18][19][20][21][22][23][24][25][27][28][29][30][33][34][36][38][40][41][42][43][45][46][47][48][50][52][54][55][56][57][58][59]。 量化因子与构建方式 报告中对多个市场指标（可视为因子）进行了计算和跟踪，具体如下： 1. **因子名称：风险溢价** * **因子构建思路：** 以十年期国债即期收益率为无风险利率参考，计算股票指数收益率与其之差，用以衡量股票市场相对于无风险资产的超额回报和投资价值[27][28]。 * **因子具体构建过程：** 风险溢价 = 股票指数收益率 - 十年期国债即期收益率[27][28]。报告中对各宽基指数计算了当前风险溢价，并统计了其在近1年、近5年历史数据中的分位值、均值、波动率及与均值±1倍、±2倍标准差的偏离情况[30]。 2. **因子名称：股债性价比** * **因子构建思路：** 使用股票指数市盈率倒数（即盈利收益率）与十年期国债收益率的差值，来衡量股票资产相对于债券资产的吸引力[45]。 * **因子具体构建过程：** 股债性价比 = (1 / 指数PE-TTM) - 十年期国债即期收益率[45]。报告通过历史数据计算了该因子的80分位值（机会值）、20分位值（危险值）、均值及±1倍标准差区间，并观察当前值所处位置[45]。 3. **因子名称：指数换手率** * **因子构建思路：** 衡量指数成分股整体的交易活跃程度[18]。 * **因子具体构建过程：** 报告给出了具体的计算方法：指数换手率 = Σ(成分股流通股本 * 成分股换手率) / Σ(成分股流通股本)[18]。报告计算并展示了各宽基指数的当前换手率[3][18]。 4. **因子名称：破净率** * **因子构建思路：** 统计指数中市净率小于1的个股占比，用以反映市场整体的估值低迷程度或悲观情绪[54][56]。 * **因子具体构建过程：** 破净率 = (指数成分股中市净率(PB) < 1的股票数量) / 指数总成分股数量[54][56]。报告计算并展示了各宽基指数的当前破净率[5][57]。 5. **因子名称：收益分布形态指标（偏度与峰度）** * **因子构建思路：** 通过计算指数日收益率序列的偏度和峰度，来描述其分布的不对称性和尖峭程度，以反映市场收益的极端情况和风险特征[24]。 * **因子具体构建过程：** 报告计算了各宽基指数当前日收益率序列的偏度和峰度，并与近5年的历史均值进行对比。其中，峰度计算中减去了3（正态分布的峰度值）[24][25]。 6. **因子名称：均线相对位置** * **因子构建思路：** 通过比较指数当前价格与不同周期移动平均线（如MA5, MA10, MA20等）的位置关系，来判断短期、中期趋势[14]。 * **因子具体构建过程：** 计算指数收盘价相对于各移动平均线的百分比偏离，即 (收盘价 / 移动平均线 - 1) * 100%[15]。报告以此判断指数是否突破或位于均线之上/下[14]。 7. **因子名称：历史分位值（应用于PE-TTM、股息率、风险溢价）** * **因子构建思路：** 将估值或收益指标的当前值置于其历史时间序列中，计算其所处的百分位位置，以判断当前值的相对高低水平[41][52]。 * **因子具体构建过程：** 对于PE-TTM、股息率、风险溢价等指标，分别计算其在近1年、近5年以及全部历史数据中的分位值[30][41][42][52]。例如，PE-TTM近5年分位值为99.26%，表示当前值高于近5年内99.26%的交易日[41]。 模型的回测效果 本报告未涉及量化模型的回测效果。 因子的回测效果 报告展示了截至2026年2月9日，各宽基指数在不同因子上的具体取值或状态： 1. **风险溢价因子** * 上证50：当前值1.44%，近5年分位值92.62%[30] * 沪深300：当前值1.62%，近5年分位值94.76%[30] * 中证500：当前值2.016%，近5年分位值96.67%[4][30] * 中证1000：当前值2.26%，近5年分位值95.87%[30] * 中证2000：当前值2.11%，近5年分位值94.21%[4][30] * 中证全指：当前值1.90%，近5年分位值96.35%[4][30] * 创业板指：当前值2.97%，近5年分位值95.63%[30] 2. **股债性价比因子** * 当前状态：没有指数高于其近5年80%分位（机会值），中证500和中证全指低于其近5年20%分位（危险值）[5][45]。 3. **指数换手率因子** * 上证50：0.25[3][18] * 沪深300：0.63[3][18] * 中证500：1.89[3][18] * 中证1000：2.85[3][18] * 中证2000：4.02[3][18] * 中证全指：1.81[3][18] * 创业板指：3.55[3][18] 4. **破净率因子** * 上证50：24.0%[5][57] * 沪深300：16.67%[5][57] * 中证500：10.6%[5][57] * 中证1000：6.7%[5][57] * 中证2000：2.4%[5][57] * 中证全指：5.42%[5][57] 5. **PE-TTM及其分位值因子** * 上证50：当前值11.71，近5年分位值83.80%[41][42] * 沪深300：当前值14.21，近5年分位值88.93%[41][42] * 中证500：当前值37.72，近5年分位值99.26%[5][41][42] * 中证1000：当前值50.66，近5年分位值99.17%[41][42] * 中证2000：当前值171.68，近5年分位值93.14%[41][42] * 中证全指：当前值22.49，近5年分位值99.26%[5][41][42] * 创业板指：当前值43.35，近5年分位值64.71%[5][41][42] 6. **股息率及其分位值因子** * 上证50：当前值3.27%，近5年分位值33.47%[52] * 沪深300：当前值2.75%，近5年分位值37.02%[5][52] * 中证500：当前值1.25%，近5年分位值4.46%[5][50][52] * 中证1000：当前值1.00%，近5年分位值23.47%[52] * 中证2000：当前值0.70%，近5年分位值0.83%[5][50][52] * 中证全指：当前值1.94%，近5年分位值26.69%[52] * 创业板指：当前值0.87%，近5年分位值55.29%[5][52][55] 7. **均线相对位置因子** * 截至2026年2月9日，所有跟踪指数已突破5日均线；中证500仍在10日及20日均线之下；中证1000仍在20日均线之下；其余指数已突破10日及20日均线[3][14]。 8. **收益分布形态指标** * 峰度负偏离（当前峰度 - 近5年峰度）：创业板指最大（-2.55），中证500最小（-1.46）[24][25]。 * 偏度变化（当前偏度 - 近5年偏度）：创业板指负偏态最大（-0.61），中证500负偏态最小（-0.40）[24][25]。

量化模型与构建方式 1. **模型名称**：基于交易动机因子及股票价差收益因子的选基策略[2][23] * **模型构建思路**：结合基金的交易动机和利润表中的股票价差收益，筛选出股票价差收益较高、拥有主动交易动机且业绩粉饰可能性较低的基金[23]。 * **模型具体构建过程**：首先，将基金的交易动机进行划分并构造基金交易动机因子。该因子由估值/流动性动机因子和业绩粉饰动机因子等权合成[48]。其中，估值/流动性动机因子根据基金报告期间资金流与股票买卖金额、累计买入/卖出股票金额2%以上或前20股票成交额占比数据计算得出[48]。其次，从基金利润表的股票投资收益科目中提取股票价差收益因子[48]。最后，将这两个因子相结合，构建选基策略[23]。 2. **模型名称**：交易独特性选基策略[3][31] * **模型构建思路**：根据基金经理的持股和交易明细构建网络，并计算基金经理的交易独特性指标，以此构建选基策略[3][31]。 * **模型具体构建过程**：先根据基金经理持股、交易数据构建基金经理网络，然后基于该网络计算出每个基金经理与其相关联基金经理在交易方面的差异，以此作为交易独特性因子[49]。基于该因子构建选基策略[31]。 3. **模型名称**：基于申报信息的行业主题ETF轮动策略[4][36] * **模型构建思路**：利用基金发行流程中申请材料公示阶段的前瞻性信息，构造因子筛选与申报ETF相近的行业主题ETF，以把握市场投资热点[4][36]。 * **模型具体构建过程**：先统计上个月申报的股票型ETF跟踪的指数，统计出该指数池与市场上指数的成分相似度，构建行业主题申报相似因子（T+1）[49]。基于该因子构建行业主题ETF轮动策略[36]。 量化因子与构建方式 1. **因子名称**：交易动机类因子[48] * **因子构建思路**：刻画基金经理的交易动机，包括估值/流动性动机和业绩粉饰动机[48]。 * **因子具体构建过程**：该因子由估值/流动性动机因子、业绩粉饰动机因子等权合成[48]。其中，估值/流动性动机因子根据基金报告期间资金流与股票买卖金额、累计买入/卖出股票金额2%以上或前20股票成交额占比数据计算得出[48]。 2. **因子名称**：股票价差收益因子[48] * **因子构建思路**：从基金利润表中提取基金经理通过股票交易实现的价差收益[48]。 * **因子具体构建过程**：该因子由基金利润表中股票价差收入（股票投资收益科目）计算而来[48]。 3. **因子名称**：交易独特性因子[49] * **因子构建思路**：基于基金经理网络，衡量基金经理交易行为与其关联基金经理的差异程度[49]。 * **因子具体构建过程**：先根据基金经理持股、交易数据构建基金经理网络，然后基于该网络计算出每个基金经理与其相关联基金经理在交易方面的差异[49]。 4. **因子名称**：行业主题申报相似因子（T+1）[36][49] * **因子构建思路**：利用新申报ETF的信息，计算其与现有行业主题ETF的相似度，以捕捉市场热点[36][49]。 * **因子具体构建过程**：先统计上个月申报的股票型ETF跟踪的指数，统计出该指数池与市场上指数的成分相似度，构建行业主题申报相似因子[49]。 5. **因子名称**：基金业绩动量类因子[48] * **因子构建思路**：综合多个维度衡量基金过去一段时间的业绩表现动量[48]。 * **因子具体构建过程**：该类因子由四个因子等权重合成，包含4因子模型alpha、夏普比率、区间胜率、HM模型中的择时能力系数，均用过去1年的基金净值数据进行计算[48]。 6. **因子名称**：选股能力因子[48] * **因子构建思路**：评估基金经理的选股能力[48]。 * **因子具体构建过程**：该因子根据多期Brinson模型，使用基金季频重仓股数据进行计算，由选股胜率、选股超额收益率两个因子等权重合成而来[48]。 7. **因子名称**：隐形交易能力因子[48] * **因子构建思路**：从收益和风险两个层面度量基金交易带来的贡献[48]。 * **因子具体构建过程**：该因子由隐形收益能力因子、风险转移能力因子等权重合成而来[48]。 8. **因子名称**：主动轮动收益因子[49] * **因子构建思路**：体现基金风格轮动带来的收益结果[49]。 * **因子具体构建过程**：该因子根据区间风格主动变化及区间风格因子收益计算[49]。 9. **因子名称**：绝对主动轮动指标[49] * **因子构建思路**：衡量基金经理主动进行风格调整的部分[49]。 * **因子具体构建过程**：该因子将基金报告期之间的风格变化，剔除了被动变化的部分，保留基金经理主动调整的部分[49]。 模型的回测效果 1. **基于交易动机因子及股票价差收益因子的选基策略**[23][27] * **1月份收益率**：10.96%[27] * **年化收益率**：11.56%[27] * **年化波动率**：21.60%[27] * **Sharpe比率**：0.54[27] * **最大回撤率**：48.39%[27] * **年化超额收益率**：3.87%[27] * **超额最大回撤率**：19.22%[27] * **信息比率(IR)**：0.64[27] * **1月份超额收益率**：3.60%[27] 2. **交易独特性选基策略**[31][35] * **1月份收益率**：8.03%[35] * **年化收益率**：14.26%[35] * **年化波动率**：19.47%[35] * **Sharpe比率**：0.73[35] * **最大回撤率**：37.26%[35] * **年化超额收益率**：5.70%[35] * **超额最大回撤率**：10.84%[35] * **信息比率(IR)**：1.10[35] * **1月份超额收益率**：0.86%[35] 3. **基于申报信息的行业主题ETF轮动策略**[36][40][43] * **1月份收益率**：22.66%[40] * **年化收益率**：22.45%[40] * **年化波动率**：21.39%[40] * **Sharpe比率**：1.05[40] * **最大回撤率**：34.89%[43] * **年化超额收益率**：13.84%[43] * **超额最大回撤率**：19.07%[43] * **信息比率(IR)**：0.76[43] * **1月份超额收益率**：18.18%[43]

量化模型与构建方式 该报告为基金业绩跟踪报告，未详细阐述具体的量化模型或量化因子的构建思路、过程及公式[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20] 量化因子与构建方式 报告未详细阐述具体的量化因子的构建思路、过程及公式[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20] 模型的回测效果 报告未提供具体量化模型的回测效果指标[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20] 因子的回测效果 报告未提供具体量化因子的回测效果指标[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20]

量化模型与构建方式 1. **模型/因子名称**：主动调仓比例计算模型 * **构建思路**：为了剔除持仓股票价格涨跌变动对基金行业配置比例的影响，从而更纯粹地反映基金经理的主动调仓行为，构建了主动调仓比例计算模型[51]。 * **具体构建过程**：首先计算各行业的被动调仓比例，该比例反映了仅因持仓股票价格变动导致的行业配置比例变化。然后，用基金整体行业配置比例的实际变动减去该被动调仓比例，得到主动调仓比例[51]。 * **模型评价**：该模型能有效剥离市场波动对持仓结构的干扰，更准确地衡量基金经理的主动管理行为。但报告也指出，该算法天然对持仓比例较小的行业误差较大，其参考意义主要针对持仓比例大的行业[51]。 2. **模型/因子名称**：基金净申购计算模型 * **构建思路**：为了衡量基金在季度间的真实资金流入/流出情况（即“吸金能力”），排除基金规模因净值涨跌而产生的自然变化，构建了净申购计算模型[45]。 * **具体构建过程**：使用基金当季末的规模，减去上季末规模经过当季净值涨跌调整后的部分，差额即为当季净申购额[45]。具体公式如下： $$净申购 = 当期规模 − 上期规模 × (1 + 当期涨跌幅)$$ 其中，“当期规模”和“上期规模”分别为报告期末和期初的基金资产净值，“当期涨跌幅”为该基金在报告期内的收益率[45]。 模型的回测效果 *本报告为基金持仓分析报告，未提供量化模型的回测指标（如年化收益率、夏普比率、最大回撤等）。报告核心内容为基于实际持仓数据的统计描述，而非对预测模型的历史模拟测试。* 量化因子与构建方式 *本报告未涉及用于选股或资产定价的量化因子（如价值、动量、质量等因子的构建）。报告中的“因子”主要指基金在不同行业的“配置比例”、“调仓比例”等统计指标，而非用于预测的阿尔法因子。* 因子的回测效果 *本报告未提供量化因子的历史表现测试结果（如IC值、IR、多空收益等）。报告展示的是基金在特定报告期（2025年第四季度）的持仓数据截面分析，而非因子的时间序列回测。*

量化模型与构建方式 1. **模型名称**：价值50组合[3][5] **模型构建思路**：基于价值风格，以高beta弹性为投资目标构建的Smart beta组合[5] **模型具体构建过程**：报告未详细描述具体构建过程，但指出其构建基于专题报告《基于投资目标的基础 Smart beta 组合构建与配置》，并选取了历史相关性低的价值风格[5] 2. **模型名称**：价值均衡50组合[3][5] **模型构建思路**：基于价值风格，以长期稳健超额收益为投资目标构建的Smart beta组合[5] **模型具体构建过程**：报告未详细描述具体构建过程，但指出其构建基于专题报告《基于投资目标的基础 Smart beta 组合构建与配置》，并选取了历史相关性低的价值风格[5] 3. **模型名称**：成长50组合[3][5] **模型构建思路**：基于成长风格，以高beta弹性为投资目标构建的Smart beta组合[5] **模型具体构建过程**：报告未详细描述具体构建过程，但指出其构建基于专题报告《基于投资目标的基础 Smart beta 组合构建与配置》，并选取了历史相关性低的成长风格[5] 4. **模型名称**：成长均衡50组合[3][5] **模型构建思路**：基于成长风格，以长期稳健超额收益为投资目标构建的Smart beta组合[5] **模型具体构建过程**：报告未详细描述具体构建过程，但指出其构建基于专题报告《基于投资目标的基础 Smart beta 组合构建与配置》，并选取了历史相关性低的成长风格[5] 5. **模型名称**：小盘50组合[3][5] **模型构建思路**：基于小盘风格，以高beta弹性为投资目标构建的Smart beta组合[5] **模型具体构建过程**：报告未详细描述具体构建过程，但指出其构建基于专题报告《基于投资目标的基础 Smart beta 组合构建与配置》，并选取了历史相关性低的小盘风格[5] 6. **模型名称**：小盘均衡50组合[3][5] **模型构建思路**：基于小盘风格，以长期稳健超额收益为投资目标构建的Smart beta组合[5] **模型具体构建过程**：报告未详细描述具体构建过程，但指出其构建基于专题报告《基于投资目标的基础 Smart beta 组合构建与配置》，并选取了历史相关性低的小盘风格[5] 模型的回测效果 1. **价值50组合**，周收益率0.19%[3][6]，周超额收益（相对国证价值）0.72%[6]，月收益率0.19%[6]，月超额收益0.72%[6]，年收益率0.70%[3][6]，年超额收益-1.14%[6]，最大相对回撤3.17%[6] 2. **价值均衡50组合**，周收益率0.22%[3][6]，周超额收益（相对国证价值）0.75%[6]，月收益率0.22%[6]，月超额收益0.75%[6]，年收益率8.68%[3][6]，年超额收益6.84%[6]，最大相对回撤1.78%[6] 3. **成长50组合**，周收益率-2.53%[3][6]，周超额收益（相对国证成长）-0.54%[6]，月收益率-2.53%[6]，月超额收益-0.54%[6]，年收益率1.29%[3][6]，年超额收益-2.26%[6]，最大相对回撤2.62%[6] 4. **成长均衡50组合**，周收益率-1.95%[3][6]，周超额收益（相对国证成长）0.04%[6]，月收益率-1.95%[6]，月超额收益0.04%[6]，年收益率6.55%[3][6]，年超额收益3.00%[6]，最大相对回撤2.48%[6] 5. **小盘50组合**，周收益率1.71%[3][6]，周超额收益（相对国证2000）3.45%[1][6]，月收益率1.71%[6]，月超额收益3.45%[6]，年收益率11.72%[3][6]，年超额收益4.48%[6]，最大相对回撤3.08%[6] 6. **小盘均衡50组合**，周收益率-0.52%[3][6]，周超额收益（相对国证2000）1.22%[6]，月收益率-0.52%[6]，月超额收益1.22%[6]，年收益率9.49%[3][6]，年超额收益2.25%[6]，最大相对回撤2.38%[6]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：人工智能全球大类资产配置模型**[44] * **模型构建思路**：将机器学习模型应用于大类资产配置问题，基于因子投资的思路，使用模型对各类资产进行打分排序，最终构建可投资的月频量化等权配置策略[44]。 * **模型具体构建过程**：报告未详细描述具体的机器学习模型算法、因子体系及打分排序的详细计算过程。其核心流程为：1) 输入宏观、市场等因子数据；2) 通过机器学习模型处理，输出对各资产的评分；3) 根据评分结果确定资产配置权重[44]。 2. **模型名称：基于动态宏观事件因子的股债轮动配置模型**[50] * **模型构建思路**：构建一个包含经济增长和货币流动性两大维度的动态宏观事件因子体系，并以此为基础，结合风险预算模型框架，输出针对不同风险偏好（保守型、稳健型、进取型）的股债配置权重[50]。 * **模型具体构建过程**： 1. **宏观择时模块构建**：选取经济增长和货币流动性两个维度的多个细分指标作为宏观事件因子[50][58]。例如，经济增长维度包括M1同比、PPI同比、PPI-CPI剪刀差、工业增加值同比、国债期限利差(10Y-1M)、发电量环比等指标；货币流动性维度包括M1-M2剪刀差、中美国债利差、中国国债与美国TIPS利差等指标[53]。 2. **信号生成**：每个细分指标根据其数值或变化方向，生成二值化的看多(1)或看空(0)信号[53]。 3. **信号合成**：将同一维度内各指标信号进行合成，得到该维度的总体信号强度（百分比形式）[6][54]。例如，2月份经济增长维度信号强度为40%，货币流动性维度信号强度为100%[6]。 4. **权重确定**：将宏观择时模块输出的信号（如股票仓位信号）[54]，输入到风险预算模型框架中，最终计算出保守型、稳健型、进取型三种配置方案中股票和债券的具体权重[50]。 3. **模型名称：基于红利风格择时配置模型**[58] * **模型构建思路**：基于经济增长与货币流动性两大维度构建动态宏观事件因子体系，对中证红利指数进行择时配置，以捕捉其相对A股的稳定优势并在市场偏弱时控制回撤[58]。 * **模型具体构建过程**： 1. **因子体系构建**：模型共使用经济增长与货币流动性两大维度共10项指标构建动态宏观事件因子体系[58]。报告列举了部分指标，包括：制造业PMI新出口订单、PPI同比、PPI-CPI剪刀差、Shibor 2W、Shibor 1M环比等[59][60]。 2. **信号生成与合成**：每个指标根据规则生成看多(1)或看空(0)信号[60]。将所有指标信号合成为一个最终的二值择时信号（1代表看多/满仓，0代表看空/空仓）[59]。例如，2月份最终合成信号为1[59]。 模型的回测效果 1. **人工智能全球大类资产配置模型**[46][49] * 回测期：2021年1月至2026年1月[46] * 年化收益率：7.22%[46][49] * 年化波动率：6.74%[49] * 最大回撤：-6.66%[46][49] * 夏普比率：1.07[46][49] * 年初至今收益率（截至2026年1月）：2.37%[46][49] 2. **基于动态宏观事件因子的股债轮动配置模型（进取型）**[51][57] * 回测期：2005年1月至2026年1月[51] * 年化复合收益率：20.15%[51][57] * 年化波动率：14.05%[57] * 最大回撤：-13.72%[57] * 夏普比率：1.31[57] * 收益回撤比：1.47[57] * 年初至今收益率（截至2026年1月）：3.65%[51][57] 3. **基于动态宏观事件因子的股债轮动配置模型（稳健型）**[51][57] * 回测期：2005年1月至2026年1月[51] * 年化复合收益率：10.85%[51][57] * 年化波动率：8.12%[57] * 最大回撤：-6.77%[57] * 夏普比率：1.19[57] * 收益回撤比：1.60[57] * 年初至今收益率（截至2026年1月）：1.22%[51][57] 4. **基于动态宏观事件因子的股债轮动配置模型（保守型）**[51][57] * 回测期：2005年1月至2026年1月[51] * 年化复合收益率：5.87%[51][57] * 年化波动率：3.20%[57] * 最大回撤：-3.55%[57] * 夏普比率：1.49[57] * 收益回撤比：1.65[57] * 年初至今收益率（截至2026年1月）：0.39%[51][57] 5. **基于红利风格择时配置模型**[59][61] * 年化收益率：15.85%[59][61] * 年化波动率：17.26%[59][61] * 最大回撤：-21.22%[59][61] * 夏普比率：0.90[59][61] * 最近1个月收益率（截至2026年1月）：0.00%[59][61] 量化因子与构建方式 1. **因子名称：动态宏观事件因子（用于股债轮动及红利择时）**[50][58] * **因子构建思路**：从经济增长和货币流动性两个宏观维度，选取具有预测性的高频或月度指标，将其转化为标准化的择时信号[50][53][58]。 * **因子具体构建过程**： 1. **指标选取**：选取一系列可量化的宏观指标。报告提及的指标包括但不限于： * **经济增长维度**：M1同比[53]、PPI同比[53]、PPI-CPI剪刀差[53]、工业增加值同比[53]、国债期限利差(10Y-1M)[53]、发电量当月值3个月移动平均环比[53]、制造业PMI新出口订单[60]、消费者信心指数[60]。 * **货币流动性维度**：M1-M2剪刀差[53]、中美国债利差(10Y)[53]、中国国债与美国TIPS利差(10年)[53]、Shibor 2W[60]、R007 20日移动平均[60]、Shibor 1M环比[60]、逆回购R007差额[62]。 2. **信号化处理**：对每个指标设定阈值或规则，将其原始数据转化为二值信号（通常1代表看多权益资产，0代表看空或中性）[53][60]。例如，当指标值高于某个临界值或环比改善时，发出看多信号(1)。 3. **因子应用**：这些信号既可以直接合成为最终的择时信号（如红利择时模型）[59]，也可以先合成各维度总信号，再作为输入进入更复杂的配置模型（如股债轮动模型）[6][54]。 因子的回测效果 （报告未单独提供动态宏观事件因子的独立回测绩效指标，其效果已体现在上述各配置模型的整体回测结果中。）

量化模型与构建方式 1. **模型名称：行业主线模型（相对强弱RSI指标）**[1][4][13] * **模型构建思路**：通过构建行业层面的相对强弱指标（RS），识别在每年特定时间窗口内表现极度强势的行业，这些行业有较大概率成为当年的市场主线[13]。 * **模型具体构建过程**： 1. 以31个申万一级行业指数为标的[13]。 2. 分别计算每个行业过去20、40、60个交易日的涨跌幅[13]。 3. 将这三个时间窗口的行业涨跌幅在全市场横截面上进行排名，并对排名进行归一化处理，得到三个归一化排名值：RS_20, RS_40, RS_60[13]。 4. 对三个归一化排名值取算术平均值，得到最终的行业相对强弱指数RS[13]。 $$ RS = (RS\_20 + RS\_40 + RS\_60) / 3 $$ 其中，RS_20、RS_40、RS_60分别为过去20、40、60日行业涨跌幅的横截面归一化排名值[13]。 2. **模型名称：行业景气度-趋势-拥挤度框架（右侧行业轮动模型）**[2][6][17] * **模型构建思路**：构建一个三维评估框架，从景气度（基本面）、趋势（技术面）和拥挤度（交易面）三个维度对行业进行综合评估，并衍生出两种适用于不同市场环境的配置方案[6][17]。 * **模型具体构建过程**：报告未详细描述三个维度的具体计算方式，但明确了两种具体的配置方案： 1. **行业景气模型（高景气+强趋势，规避高拥挤）**：以景气度为核心筛选标准，要求行业同时具备高景气度和强趋势，并利用拥挤度指标规避交易过热的风险，该方案进攻性较强，偏同步指标[17]。 2. **行业趋势模型（强趋势+低拥挤，规避低景气）**：以市场趋势为核心筛选标准，要求行业同时具备强趋势和低拥挤度，并规避低景气行业，该方案思路简单，持有体验感强，偏右侧指标[17]。 3. **模型名称：左侧库存反转模型**[3][27] * **模型构建思路**：从赔率-胜率角度出发，在处于或曾处于困境的板块中，挖掘那些分析师长期看好且库存压力不大、具备补库条件的行业，以捕捉行业困境反转行情[27]。 * **模型具体构建过程**：报告未提供该模型具体的因子构建和合成公式。 4. **模型名称：行业景气度选股模型**[25] * **模型构建思路**：将行业配置模型与选股模型相结合。首先根据行业配置模型确定行业权重，然后在行业内使用PB-ROE模型筛选估值性价比高的个股，构建股票组合[25]。 * **模型具体构建过程**： 1. 使用“行业景气度-趋势-拥挤度框架”确定各行业的配置权重[25]。 2. 在每个行业内，基于PB-ROE模型选取估值性价比位于前40%的股票[25]。 3. 对筛选出的股票，按流通市值和PB-ROE打分进行加权，得到最终的股票组合权重[25]。 量化因子与构建方式 1. **因子名称：相对强弱指数（RS）**[13] * **因子构建思路**：通过多期涨跌幅的横截面排名来度量行业在近期市场的相对强度[13]。 * **因子具体构建过程**：与“行业主线模型”的构建过程相同，核心是计算 $$ RS = (RS\_20 + RS\_40 + RS\_60) / 3 $$ [13]。 2. **因子名称：景气度**[17] * **因子构建思路**：用于衡量行业基本面的好坏，是行业轮动模型的核心维度之一[17]。 * **因子具体构建过程**：报告未提供具体计算方法。 3. **因子名称：趋势**[17] * **因子构建思路**：用于衡量行业价格动量的强弱，是行业轮动模型的核心维度之一[17]。 * **因子具体构建过程**：报告未提供具体计算方法。 4. **因子名称：拥挤度**[17] * **因子构建思路**：用于衡量行业交易的热度或风险，旨在规避交易过度拥挤的板块[17]。 * **因子具体构建过程**：报告未提供具体计算方法。 5. **因子名称：PB-ROE**[25] * **因子构建思路**：用于衡量股票的估值性价比，是选股模型的核心标准[25]。 * **因子具体构建过程**：报告未提供具体的因子合成公式，但表明其在行业内用于筛选估值性价比前40%的股票[25]。 模型的回测效果 （注：以下模型回测结果均基于报告所述历史数据，指标口径可能因模型而异） 1. **行业景气度-趋势-拥挤度框架（行业配置模型）**[17] * 基准：Wind全A指数[17] * 多头年化收益：22.0%[17] * 超额年化收益：13.4%[17] * 信息比率（IR）：1.5[17] * 超额最大回撤：-8.0%[17] * 月度胜率：67%[17] * 2026年1月绝对收益：6.5%[17] * 2026年1月超额收益：0.7%[17] 2. **行业景气度-趋势-拥挤度框架（ETF配置模型）**[22] * 基准：中证800指数[22] * 年化超额收益：16.6%[22] * 信息比率（IR）：1.9[22] * 超额最大回撤：10.8%[22] * 月度胜率：66%[22] * 2025年超额收益：21.4%[2][22] * 2026年1月绝对收益：9.0%[22] * 2026年1月超额收益：4.5%[2][22] 3. **行业景气度选股模型**[25] * 基准：Wind全A指数[25] * 多头年化收益：26.7%[25] * 超额年化收益：19.5%[25] * 信息比率（IR）：1.7[25] * 超额最大回撤：-15.4%[25] * 月度胜率：68%[25] * 2025年超额收益：5%[25] * 2026年1月超额收益：1.6%[2][25] 4. **左侧库存反转模型**[27] * 基准：行业等权组合[27] * 2023年绝对收益：13.4%[27] * 2023年超额收益：17.0%[27] * 2024年绝对收益：26.5%[27] * 2024年超额收益：15.4%[27] * 2025年绝对收益：28.7%[27] * 2025年超额收益：5.6%[27] * 2026年1月绝对收益：10.4%[2][27] * 2026年1月超额收益：4.8%[2][27]

量化模型与构建方式 1. **模型名称**：万得可转债双低指数模型[24][25] **模型构建思路**：该模型旨在构建一个同时考虑价格和溢价率两个维度的可转债投资组合，通常认为“双低”（低价格、低转股溢价率）的转债兼具债底保护与股性弹性[24][25]。 **模型具体构建过程**：报告未详细描述该指数的具体构建规则和选样方法，仅展示了其作为市场策略指数的历史表现[24][25]。通常，“双低”策略的构建过程涉及计算每只可转债的“双低值”，并选取该值最低的一篮子标的构成组合。常见的“双低值”计算公式为： $$双低值 = 可转债价格 + 转股溢价率 \times 系数$$ 其中，系数用于平衡价格和溢价率的量纲与影响程度，常取100。转股溢价率计算公式为： $$转股溢价率 = \frac{可转债收盘价 - 转股价值}{转股价值} \times 100\%$$ $$转股价值 = \frac{100}{转股价格} \times 正股收盘价$$ 模型评价：该模型是一种经典的可转债量化策略，通过平衡绝对价格风险和相对估值水平，寻求攻守兼备的投资机会[24][25]。 2. **模型名称**：万得可转债高价低溢价率指数模型[24][25] **模型构建思路**：该模型聚焦于高价可转债中溢价率相对较低的品种，旨在捕捉正股上涨趋势明确、转债跟涨能力强的投资机会[24][25]。 **模型具体构建过程**：报告未详细描述该指数的具体构建规则和选样方法，仅展示了其作为市场策略指数的历史表现[24][25]。通常，该策略会首先筛选价格处于高区间的可转债（例如价格大于130元），然后从中选取转股溢价率最低的一篮子标的构成组合。 模型评价：该模型是一种偏进攻型的可转债策略，适合在权益市场趋势向好时使用，对正股走势的依赖性较强[24][25]。 模型的回测效果 1. 万得可转债双低指数模型，近一年累计涨跌幅约40%-50%[24][25] 2. 万得可转债高价低溢价率指数模型，近一年累计涨跌幅约50%-60%[24][25] 量化因子与构建方式 1. **因子名称**：信用评级因子[20][21] **因子构建思路**：根据可转债发行主体的信用评级对可转债进行分类，观察不同信用资质转债的市场表现差异[20][21]。 **因子具体构建过程**：报告直接引用了万得编制的按信用评级分类的可转债指数（如AAA、AA+、AA、AA-及以下），未描述其具体构建细节。通常，该因子是基于第三方评级机构（如中诚信、联合资信等）对发行主体评定的信用等级进行划分[20][21]。 因子评价：信用评级是衡量可转债债底安全性和违约风险的核心因子，高评级转债通常波动较小，低评级转债可能弹性更大但风险也更高[20][21]。 2. **因子名称**：价格区间因子[21][22][32] **因子构建思路**：根据可转债的绝对价格水平将其划分为不同区间（如低价、中价、高价），分析不同价格区间转债的收益特征和估值水平[21][22][32]。 **因子具体构建过程**：报告展示了两种基于价格区间的分类方式。一是万得可转债价格指数，将转债划分为高价、中价、低价[21][22]。二是报告自身对全市场转债的统计分组，具体划分为：小于100元、100-110元、110-120元、120-130元、130-140元、大于140元[32]。分组依据是可转债的市价。 因子评价：价格是反映可转债股性和债性强弱最直观的指标，不同价格区间的转债具有不同的风险收益属性和驱动逻辑[21][22][32]。 3. **因子名称**：规模因子[24] **因子构建思路**：根据可转债的发行规模或存量规模将其划分为大盘、中盘、小盘，观察不同规模转债的市场表现差异[24]。 **因子具体构建过程**：报告直接引用了万得编制的按规模分类的可转债指数（大盘、中盘、小盘），未描述其具体划分的规模阈值[24]。 因子评价：规模因子可能影响转债的流动性、波动性以及受市场资金关注的程度[24]。 4. **因子名称**：转股溢价率因子[15][32][37] **因子构建思路**：转股溢价率衡量可转债价格相对于其转股价值的溢价程度，是评估转债估值高低和股性强弱的关键指标[15][32][37]。 **因子具体构建过程**：报告给出了转股溢价率的定义和计算公式[15]。对于个券，计算公式为： $$转股溢价率 = \frac{可转债收盘价 - 转股价值}{转股价值}$$ 其中， $$转股价值 = \frac{100}{转股价格} \times 正股收盘价$$ 在分析中，报告计算了不同价格区间内个券转股溢价率的中位数，并跟踪其周度变化[32][37][38]。 因子评价：转股溢价率是连接转债与正股的关键桥梁，低溢价率意味着转债跟涨正股的能力强，高溢价率则可能包含了对正股未来上涨的预期或债底价值的支撑[15][32][37]。 因子的回测效果 1. 信用评级因子，近一年累计涨跌幅：AA-及以下指数约35%，AA指数约25%，AA+指数约20%，AAA指数约5%[20][21] 2. 价格区间因子（万得指数），近一年累计涨跌幅：低价指数约-5%，中价指数约15%，高价指数约40%[21][22] 3. 规模因子，近一年累计涨跌幅：小盘指数约35%，中盘指数约25%，大盘指数约15%[24] 4. 转股溢价率因子，截至2026-02-06，不同价格区间转债的转股溢价率中位数分别为：>140元区间28.17%，130-140元区间37.74%，120-130元区间78.54%，110-120元区间37.86%，100-110元区间61.76%，<100元区间0.00%[32]

量化模型与构建方式 1. 微盘股轮动与择时模型 1. **模型名称**：微盘股轮动与择时模型 2. **模型构建思路**：通过构建相对净值、动量斜率及宏观指标（M1）的复合信号，在微盘股指数与茅指数之间进行轮动配置，并结合择时风控指标控制中期风险[18][27]。 3. **模型具体构建过程**： * **轮动子策略1（相对净值与年均线）**：计算微盘股指数与茅指数的相对净值（微盘股/茅指数）。当相对净值高于其243日移动平均线时，倾向于投资微盘股；反之则投资茅指数[27]。 * **轮动子策略2（20日收盘价斜率）**：分别计算微盘股指数与茅指数的20日收盘价斜率。当二者斜率方向相反且一方为正时，选择投资斜率为正的指数[27]。 * **轮动子策略3（M1高点轮动）**：监控M1同比指标的6个月移动平均值。当该平均值下行时，中期配置从微盘股切换至茅指数[18]。 * **综合轮动信号**：综合上述两个子策略（相对净值/斜率轮动与M1轮动）的信号，决定最终的配置方向（微盘股、茅指数或均衡配置）[18]。 * **择时风控指标**：设置两个风控阈值，任一指标触发则发出平仓信号[27]。 * 十年期国债到期收益率同比：阈值设为0.3（即30%）[27]。 * 微盘股波动率拥挤度同比：阈值设为0.55（即55%）[27]。 4. **模型评价**：该模型旨在捕捉大小盘风格切换机会，并通过宏观与市场情绪指标控制下行风险[18][19]。 2. 宏观择时模型 1. **模型名称**：宏观择时模型 2. **模型构建思路**：基于经济增长和货币流动性两个宏观维度构建信号，动态调整权益资产（股票）的配置仓位[47][48]。 3. **模型具体构建过程**：模型对经济增长和货币流动性层面分别给出信号强度（百分比形式），并综合生成最终的股票仓位建议[48]。 * **经济增长信号**：截至1月31日，信号强度为40%[48]。 * **货币流动性信号**：截至1月31日，信号强度为100%[48]。 * **股票仓位**：根据上述信号综合计算，2月份推荐的股票仓位为70%[47][48]。 4. **模型评价**：该模型为中期权益配置提供量化信号，旨在根据宏观环境变化调整风险暴露[47]。 3. 可转债择券模型 1. **模型名称**：可转债择券模型 2. **模型构建思路**：从正股基本面因子和转债估值因子两个维度构建量化因子，用于可转债的筛选与配置[57]。 3. **模型具体构建过程**： * **正股因子**：从预测正股表现的因子出发，构建适用于可转债的因子，主要包括正股一致预期、正股成长、正股财务质量、正股价值等[57]。 * **转债估值因子**：选取平价底价溢价率作为衡量转债估值水平的因子[57]。 * **因子应用**：通过跟踪这些因子的IC均值和多空组合净值表现，指导可转债的择券[57][58]。 量化因子与构建方式 1. 大类选股因子（国金证券分类） 报告跟踪了八大类选股因子，其定义如下[60][62]： 1. **因子名称**：市值因子 (排序方向：↓) * **因子构建思路**：捕捉规模效应，通常小市值股票具有更高的预期收益。 * **因子具体构建过程**：使用流通市值的自然对数。 $$LN\_MktCap = ln(流通市值)$$ * **细分因子**：LN_MktCap[60]。 2. **因子名称**：价值因子 (排序方向：↑) * **因子构建思路**：寻找估值相对较低的股票。 * **因子具体构建过程**：采用多种估值比率。 $$BP\_LR = \frac{最新年报账面净资产}{最新市值}$$ $$EP\_FTTM = \frac{未来12个月一致预期净利润}{最新市值}$$ $$SP\_TTM = \frac{过去12个月营业收入}{最新市值}$$ $$EP\_FY0 = \frac{当期年报一致预期净利润}{最新市值}$$ $$Sales2EV = \frac{过去12个月营业收入}{企业价值}$$ * **细分因子**：BP_LR, EP_FTTM, SP_TTM, EP_FY0, Sales2EV[60]。 3. **因子名称**：成长因子 (排序方向：↑) * **因子构建思路**：寻找盈利或收入增长较快的公司。 * **因子具体构建过程**：采用单季度财务数据的同比增速。 $$NetIncome\_SQ\_Chg1Y = \frac{单季度净利润_{当期} - 单季度净利润_{去年同期}}{|单季度净利润_{去年同期}|}$$ （OperatingIncome_SQ_Chg1Y, Revenues_SQ_Chg1Y 构建方式类似） * **细分因子**：NetIncome_SQ_Chg1Y, OperatingIncome_SQ_Chg1Y, Revenues_SQ_Chg1Y[60]。 4. **因子名称**：质量因子 (排序方向：↑) * **因子构建思路**：寻找盈利能力、运营效率或财务稳健性高的公司。 * **因子具体构建过程**：采用多种盈利和效率指标。 $$ROE\_FTTM = \frac{未来12个月一致预期净利润}{股东权益均值}$$ $$OCF2CurrentDebt = \frac{过去12个月经营现金流净额}{流动负债均值}$$ $$GrossMargin\_TTM = \frac{过去12个月毛利润}{过去12个月营业收入}$$ $$Revenues2Asset\_TTM = \frac{过去12个月营业收入}{总资产均值}$$ * **细分因子**：ROE_FTTM, OCF2CurrentDebt, GrossMargin_TTM, Revenues2Asset_TTM[60]。 5. **因子名称**：一致预期因子 (排序方向：↑) * **因子构建思路**：捕捉分析师预期上调带来的正向股价反应。 * **因子具体构建过程**：衡量一致预期的变化幅度或潜在上涨空间。 $$EPS\_FTTM\_Chg3M = \frac{EPS_{一致预期, 当前} - EPS_{一致预期, 3个月前}}{|EPS_{一致预期, 3个月前}|}$$ （ROE_FTTM_Chg3M构建方式类似） $$TargetReturn\_180D = \frac{一致预期目标价 - 当前股价}{当前股价}$$ * **细分因子**：EPS_FTTM_Chg3M, ROE_FTTM_Chg3M, TargetReturn_180D[60]。 6. **因子名称**：技术因子 (排序方向：↓) * **因子构建思路**：捕捉量价行为中的特定模式，如成交量活跃度、分布特征等。 * **因子具体构建过程**： $$Volume\_Mean\_20D\_240D = \frac{20日成交量均值}{240日成交量均值}$$ $$Skewness\_240D = 240日收益率分布的偏度$$ $$Volume\_CV\_20D = \frac{20日成交量标准差}{20日成交量均值}$$ $$Turnover\_Mean\_20D = 20日换手率均值$$ * **细分因子**：Volume_Mean_20D_240D, Skewness_240D, Volume_CV_20D, Turnover_Mean_20D[60]。 7. **因子名称**：波动率因子 (排序方向：↓) * **因子构建思路**：寻找股价波动率较低（低波）的股票，这类股票可能风险调整后收益更佳。 * **因子具体构建过程**：采用历史收益率标准差或因子模型残差波动率。 $$Volatility\_60D = 60日收益率的标准差$$ $$IV\_CAPM = CAPM模型残差的标准差$$ （IV_FF, IV_Carhart 构建方式类似，分别基于Fama-French三因子和Carhart四因子模型） * **细分因子**：Volatility_60D, IV_CAPM, IV_FF, IV_Carhart[60]。 8. **因子名称**：反转因子 (排序方向：↓) * **因子构建思路**：捕捉股价短期反转效应，即过去一段时间跌幅较大的股票未来可能反弹，涨幅较大的可能回调。 * **因子具体构建过程**：直接使用过去一段时间的收益率。 $$Price\_Chg20D = \frac{收盘价_{当前} - 收盘价_{20个交易日前}}{收盘价_{20个交易日前}}$$ （Price_Chg40D, Price_Chg60D, Price_Chg120D 构建方式类似） * **细分因子**：Price_Chg20D, Price_Chg40D, Price_Chg60D, Price_Chg120D[62]。 2. 可转债择券因子 1. **因子名称**：正股一致预期因子 * **因子构建思路**：将适用于股票的一致预期因子迁移至可转债择券，通过正股基本面预测转债表现[57]。 2. **因子名称**：正股成长因子 * **因子构建思路**：将适用于股票的成长因子迁移至可转债择券[57]。 3. **因子名称**：正股财务质量因子 * **因子构建思路**：将适用于股票的质量因子迁移至可转债择券[57]。 4. **因子名称**：正股价值因子 * **因子构建思路**：将适用于股票的价值因子迁移至可转债择券[57]。 5. **因子名称**：转债估值因子（平价底价溢价率） * **因子构建思路**：直接衡量可转债自身的估值水平，溢价率越低可能投资价值越高[57]。 模型的回测效果 1. **宏观择时模型**：2025年年初至今收益率为14.59%，同期Wind全A收益率为26.87%[47]。 因子的回测效果 (全部A股，近期表现) 1. **反转因子**，IC均值 18.93%[52] 2. **市值因子**，IC均值 14.79%[52] 3. **价值因子**，近期表现强劲[5][52] 4. **技术因子**，近期表现强劲[5][52] 5. **波动率因子**，近期表现强劲[5][52] 6. **成长因子**，近期表现相对较弱，有所回调[5][52] 7. **一致预期因子**，近期表现相对较弱，有所回调[5][52] 可转债择券因子的回测效果 (近期表现) 1. **正股价值因子**，取得了较高的IC均值[57] 2. **转债估值因子**，取得了较高的IC均值[57]

量化模型与构建方式 1. **模型/因子名称**：风险溢价模型[28] **模型/因子构建思路**：以十年期国债即期收益率为无风险利率参考，计算各宽基指数相对于无风险利率的风险溢价，用以衡量其相对投资价值和偏离情况[28] **模型/因子具体构建过程**：计算指数收益率与无风险收益率之差。具体公式为： $$风险溢价 = 指数收益率 - 十年期国债即期收益率$$ 报告中展示了各指数的当前风险溢价、历史分位值、均值及波动率等统计指标[32] 2. **模型/因子名称**：股债性价比模型[47] **模型/因子构建思路**：以各指数PE-TTM的倒数代表股票预期收益率，减去十年期国债即期收益率，其差值作为股债性价比指标，用于观察股票相对债券的吸引力[47] **模型/因子具体构建过程**：计算公式为： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 报告中通过绘制该指标的历史走势，并叠加其近5年的80分位值（机会值）、20分位值（危险值）、均值及±1倍标准差线进行分析[47] 3. **模型/因子名称**：破净率因子[56] **因子构建思路**：计算指数成分股中市净率小于1的个股占比，用以反映市场整体的估值态度和低估的普遍程度[56][58] **因子具体构建过程**：对于每个宽基指数，统计其成分股中满足“市净率(PB) < 1”条件的股票数量，然后计算该数量占指数总成分股数量的比例。 $$破净率 = \frac{指数中市净率小于1的成份股数量}{指数总成份股数量} \times 100\%$$ 报告跟踪了各指数破净率的历史走势和当前值[59] 4. **模型/因子名称**：指数换手率因子[19] **因子构建思路**：计算宽基指数的整体换手率，反映该指数所代表市场的整体交易活跃度[19] **因子具体构建过程**：采用流通市值加权平均的方式计算指数换手率。具体公式为： $$指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$$ 报告计算并列出了各宽基指数的当前换手率[19] 5. **模型/因子名称**：收益分布形态指标（偏度与峰度）[25][26] **因子构建思路**：通过计算指数日收益率序列的偏度和峰度，分析其收益分布的特征，例如极端收益出现的可能性和分布集中程度[25] **因子具体构建过程**： * **偏度**：衡量收益率分布的不对称性。正偏态表示极端正收益情形增加[25]。 * **峰度**：衡量收益率分布的陡峭或扁平程度。报告中计算的是超额峰度（减去了正态分布的峰度值3），峰度越大，说明收益率分布更集中[23][25][26]。 报告对比了各指数当前与近5年的偏度和峰度值[26]。 模型的回测效果 *本报告为市场数据跟踪报告，未提供基于历史数据的模型策略回测结果，如年化收益率、夏普比率、最大回撤等量化指标。报告主要呈现了各类指标在特定时点（2026年2月6日）的截面数据、历史分位值及统计特征。* 量化因子与构建方式 *（注：本报告中的“因子”多体现为可直接观测或计算的市场指标，而非用于选股的多因子模型中的阿尔法因子。相关构建方式已在“量化模型与构建方式”部分列出。）* 因子的回测效果 *报告未提供因子在历史样本内的IC值、IR值、多空收益等传统因子测试结果。* 报告主要展示了各指标在**当前时点（2026年2月6日）** 的取值及其相对于自身历史的统计位置，具体如下： 1. **风险溢价因子**[32] * 当前值：上证50(-0.70%)、沪深300(-0.58%)、中证500(-0.004%)、中证1000(-0.21%)、中证2000(0.42%)、中证全指(-0.24%)、创业板指(-0.74%) * 近5年历史分位值：上证50(20.95%)、沪深300(25.95%)、中证500(48.41%)、中证1000(39.92%)、中证2000(57.14%)、中证全指(38.17%)、创业板指(31.35%) 2. **PE-TTM因子**[44] * 当前值：上证50(11.59)、沪深300(14.05)、中证500(37.02)、中证1000(49.57)、中证2000(168.23)、中证全指(22.15)、创业板指(42.21) * 近5年历史分位值：上证50(81.90%)、沪深300(84.63%)、中证500(98.51%)、中证1000(98.43%)、中证2000(90.66%)、中证全指(98.26%)、创业板指(60.83%) 3. **股息率因子**[55] * 当前值：上证50(3.29%)、沪深300(2.77%)、中证500(1.27%)、中证1000(1.02%)、中证2000(0.71%)、中证全指(1.96%)、创业板指(0.89%) * 近5年历史分位值：上证50(34.21%)、沪深300(38.76%)、中证500(7.36%)、中证1000(24.38%)、中证2000(3.88%)、中证全指(28.43%)、创业板指(56.36%) 4. **破净率因子**[59] * 当前值：上证50(24.0%)、沪深300(16.67%)、中证500(10.6%)、中证1000(7.0%)、中证2000(2.45%)、中证全指(5.5%) 5. **指数换手率因子**[19] * 当前值：中证2000(3.96%)、创业板指(3.26%)、中证1000(2.83%)、中证500(1.96%)、中证全指(1.79%)、沪深300(0.62%)、上证50(0.28%) 6. **收益分布形态指标**[26] * **当前峰度（超额）**：上证50(-0.23)、沪深300(0.55)、中证500(0.87)、中证1000(0.76)、中证2000(0.99)、中证全指(0.66)、创业板指(1.21) * **当前偏度**：上证50(1.26)、沪深300(1.53)、中证500(1.55)、中证1000(1.46)、中证2000(1.56)、中证全指(1.51)、创业板指(1.62)