量化模型与构建方式 1. **模型名称**：长期行业主题基金标签模型[38] **模型构建思路**：为主动偏股基金构建完整的行业主题和细分赛道标签，以支持资产配置、主题投资和产品选择的需求，并构建行业主题基金指数作为衡量工具[38] **模型具体构建过程**： 1. 数据来源：使用基金近四期（即最近两年）的中报和年报持仓信息[38] 2. 标签定义：根据基金长期持仓的行业特征，将其标签区分为三类： * **行业主题基金**：长期稳定集中于某个特定行业主题[38] * **行业轮动基金**：在不同时期切换不同的行业主题[38] * **行业均衡基金**：行业配置较为分散均衡[38] 3. 指数构建：基于上述标签分类，构建相应的行业主题基金指数，以反映各类主题基金的整体风险收益表现[38] 2. **模型名称**：公募REITs系列指数模型[48] **模型构建思路**：构建完整的REITs系列指数，为投资者提供基于指数化投资思想的资产配置新视角，综合反映REITs市场表现，并提供不同底层资产和项目类型的细分指数[48] **模型具体构建过程**： 1. 指数类型：构建综合指数、底层资产指数（如产权类、特许经营权类）和细分项目指数（如仓储物流、生态环保等），并考虑高分红特性，同时提供价格指数和全收益指数[48] 2. 计算方法： * 采用**分级靠档**的方法确保计算指数的份额保持相对稳定[48] * 当样本成分名单或样本成分的调整市值出现非交易因素变动时（如新发、扩募），采用**除数修正法**保证指数的连续性[48] * 除数修正法公式：$$新除数 = \frac{修正后的总市值}{修正前的收盘指数}$$ 其中，修正后的总市值指调整样本或市值后的新总市值，修正前的收盘指数为变动前最后一个交易日的指数收盘值，新除数用于后续的指数计算以保证连续性[48] 量化因子与构建方式 1. **因子名称**：多因子ETF分类因子[61] **因子构建思路**：在ETF市场跟踪中，根据其投资策略或暴露的风险收益特征，将股票型ETF进一步细分为多因子类别，以分析不同风格因子的资金流向和市场表现[61] **因子具体构建过程**： 1. 因子类别定义：报告中将ETF细分为多个因子类别，包括**红利**、**现金流**、**动量**、**成长**、**价值**、**基本面**、**质量**、**ESG**等[61] 2. 归类方法：根据ETF跟踪的指数名称、基金招募说明书披露的投资策略或市场公认的分类标准，将国内股票ETF划分到上述因子类别中[61] 3. 效果跟踪：统计每个因子类别下ETF的整体资金净流入、本周回报、近期回报等指标，用以观察不同因子的市场表现和资金偏好[61] 模型的回测效果 1. **长期行业主题基金标签模型** 生成的指数表现（截至2026年3月27日当周）[38]： * 医药主题基金周收益率：4.32% * 新能源主题基金周收益率：1.17% * 周期主题基金周收益率：1.13% * 行业轮动主题基金周收益率：-0.37% * 行业均衡主题基金周收益率：-0.50% * 国防军工主题基金周收益率：-1.07% * TMT主题基金周收益率：-1.48% * 消费主题基金周收益率：-1.50% * 金融地产主题基金周收益率：-1.98% 2. **公募REITs系列指数模型** 生成的指数表现（基日以来至2026年3月27日）[52]： * REITs综合指数：累计收益-5.81%，年化收益-1.25%，最大回撤-42.67%，夏普比率-0.27，年化波动10.34% * 产权类REITs指数：累计收益11.50%，年化收益2.31%，最大回撤-45.00%，夏普比率0.06，年化波动12.56% * 特许经营权类REITs指数：累计收益-24.85%，年化收益-5.82%，最大回撤-41.17%，夏普比率-0.81，年化波动9.03% * 消费基础设施REITs指数：累计收益48.92%，年化收益8.71%，最大回撤-9.89%，夏普比率0.69，年化波动10.53% * 新型基础设施REITs指数：累计收益17.33%，年化收益3.41%，最大回撤-5.08%，夏普比率0.15，年化波动12.48% 因子的回测效果 1. **多因子ETF分类因子** 各类别市场表现（截至2026年3月27日当周）[61]： * 红利因子ETF：本周净流入26.41亿元，本周回报-0.95% * 现金流因子ETF：本周净流入18.32亿元，本周回报-1.31% * 动量因子ETF：本周净流入2.39亿元，本周回报-2.02% * 成长因子ETF：本周净流入0.53亿元，本周回报-0.25% * 价值因子ETF：本周净流入0.18亿元，本周回报-1.05% * 基本面因子ETF：本周净流入-0.02亿元，本周回报-0.36% * 质量因子ETF：本周净流入-0.03亿元，本周回报-1.42% * ESG因子ETF：本周净流入0.27亿元，本周回报-1.33%

量化模型与构建方式 1. **模型名称**：大额买入与资金流向跟踪模型 * **模型构建思路**：通过逐笔成交数据构建“大买单成交金额占比”和“净主动买入金额占比”两个核心指标，分别用于刻画大资金的买入行为和投资者的主动买入行为，从而对个股、宽基指数、行业和ETF的资金流向进行跟踪[7]。 * **模型具体构建过程**： 1. **数据准备**：获取股票或ETF的逐笔成交数据，数据中需包含叫买序号、叫卖序号和买卖标志[7]。 2. **指标一：大买单成交金额占比** * **步骤1：还原买卖单**：根据逐笔成交数据中的叫买和叫卖序号，将数据还原为买卖单数据[7]。 * **步骤2：筛选大单**：按照每单的成交量设定阈值，筛选得到“大单”[7]。 * **步骤3：计算指标**：计算当日所有“大买单”（即大单中属于买入方向的单子）的成交金额总和，除以当日该证券的总成交金额，得到“大买单成交金额占比”[7]。 * **公式**：$$大买单成交金额占比 = \frac{\sum 大买单成交金额}{当日总成交金额} \times 100\%$$ 3. **指标二：净主动买入金额占比** * **步骤1：界定主动方向**：根据逐笔成交数据中的买卖标志，界定每笔成交属于“主动买入”还是“主动卖出”[7]。 * **步骤2：计算净额**：将当日所有“主动买入”成交金额的总和，减去所有“主动卖出”成交金额的总和，得到“净主动买入金额”[7]。 * **步骤3：计算指标**：将“净主动买入金额”除以当日该证券的总成交金额，得到“净主动买入金额占比”[7]。 * **公式**：$$净主动买入金额占比 = \frac{\sum 主动买入成交金额 - \sum 主动卖出成交金额}{当日总成交金额} \times 100\%$$ 4. **跟踪与排名**：对全市场个股、ETF或按整体法计算的宽基指数/行业，计算上述两个指标的过去5日移动平均值，并依据该均值进行排序，生成跟踪列表[4][8][9][10][11][12][13][14][15][16]。 量化因子与构建方式 1. **因子名称**：大买单成交金额占比因子 * **因子构建思路**：该因子旨在捕捉大额资金的买入强度，认为大买单占比高的股票可能受到机构或大资金的关注[7]。 * **因子具体构建过程**：与上述“模型具体构建过程”中“指标一：大买单成交金额占比”的构建过程完全相同[7]。 2. **因子名称**：净主动买入金额占比因子 * **因子构建思路**：该因子旨在刻画市场投资者的主动买入意愿，净主动买入占比高表明买方力量更强，资金呈净流入状态[7]。 * **因子具体构建过程**：与上述“模型具体构建过程”中“指标二：净主动买入金额占比”的构建过程完全相同[7]。 模型的回测效果 （注：本报告为周度跟踪报告，未提供长期回测绩效指标，如年化收益率、夏普比率、最大回撤等。因此，本部分根据报告内容展示特定时间窗口下的指标跟踪结果。） 1. **大额买入与资金流向跟踪模型**，在**个股**维度，近5个交易日（20260323-20260327）大买单成交金额占比排名前5的个股为：新能泰山(93.2%)、雪浪环境(85.7%)、中利集团(85.4%)、马钢股份(85.2%)、华远控股(85.0%)[4][9]；净主动买入金额占比排名前5的个股为：振德医疗(16.7%)、中国广核(15.9%)、浙能电力(12.6%)、华帝股份(12.3%)、陕西金叶(12.2%)[4][10]。 2. **大额买入与资金流向跟踪模型**，在**宽基指数**维度，近5个交易日（20260323-20260327）主要宽基指数的大买单成交金额占比5日均值在69.5%至73.7%之间，净主动买入金额占比5日均值在1.0%至3.2%之间[12]。 3. **大额买入与资金流向跟踪模型**，在**行业**维度，近5个交易日（20260323-20260327）大买单成交金额占比排名前5的中信一级行业为：银行(81.5%)、房地产(78.9%)、交通运输(78.8%)、钢铁(78.7%)、煤炭(78.4%)[4][13]；净主动买入金额占比排名前5的行业为：综合金融(12.6%)、医药(12.3%)、钢铁(10.8%)、食品饮料(10.6%)、商贸零售(9.1%)[4][13]。 4. **大额买入与资金流向跟踪模型**，在**ETF**维度，近5个交易日（20260323-20260327）大买单成交金额占比排名前5的ETF为：国泰中证A500ETF(92.4%)、华泰柏瑞中证A500ETF(92.1%)、汇添富MSCI中国A50互联互通ETF(91.5%)、鹏华国证石油天然气ETF(91.3%)、国泰上证10年期国债ETF(91.3%)[4][15]；净主动买入金额占比排名前5的ETF为：海富通上证城投债ETF(24.4%)、富国创业板人工智能ETF(19.4%)、国泰上证10年期国债ETF(16.9%)、华夏中证新能源汽车ETF(14.4%)、华夏中证细分有色金属产业ETF(14.2%)[4][16]。 因子的回测效果 （注：本报告未提供因子在选股模型中的IC、IR、多空收益等传统因子测试结果。此处展示的为因子在特定时点的截面取值及排名情况。） 1. **大买单成交金额占比因子**，在**个股**截面（20260323-20260327），因子值（5日均值）最高为93.2%（新能泰山），前10名因子值均超过84%[9]；在**ETF**截面，因子值最高为92.4%（国泰中证A500ETF），前10名因子值均超过90%[15]。 2. **净主动买入金额占比因子**，在**个股**截面（20260323-20260327），因子值（5日均值）最高为16.7%（振德医疗），前10名因子值均超过11%[10]；在**ETF**截面，因子值最高为24.4%（海富通上证城投债ETF），前10名因子值均超过7.8%[16]。

量化模型与构建方式 1. **模型名称**：量化交易优化模型[50] * **模型构建思路**：该模型用于在基金进行指数调仓或应对申赎时，优化交易执行，以降低市场冲击成本并减少跟踪误差[50]。 * **模型具体构建过程**：报告未详细描述该量化模型的具体构建公式和步骤，仅说明其应用场景和目标。模型在基金采用完全复制策略的基础上，根据市场的流动性情况，对交易进行优化[50]。 量化因子与构建方式 1. **因子名称**：规模因子 (Size Factor)[43] * **因子构建思路**：该因子源自Barra风险模型体系，用于刻画股票市值大小对其收益的影响[43]。报告通过观察300等权指数相对沪深300指数的超额收益与该因子收益的相关性，来分析指数在不同市场风格下的表现[43]。 * **因子具体构建过程**：报告未详细描述该因子的具体计算公式，但引用了Barra风格因子的月收益率数据进行分析[43]。 * **因子评价**：300等权指数相对沪深300的超额收益与规模因子收益率呈现明显的负相关关系，表明在小市值风格占优的市场环境中，300等权指数通常表现更优[43]。 2. **因子名称**：盈利因子 (Earnings Factor)[43] * **因子构建思路**：该因子同样源自Barra风险模型体系，用于刻画公司盈利能力对其收益的影响[43]。报告通过观察300等权指数相对沪深300指数的超额收益与该因子收益的相关性，来分析指数在不同市场风格下的表现[43]。 * **因子具体构建过程**：报告未详细描述该因子的具体计算公式，但引用了Barra风格因子的月收益率数据进行分析[43]。 * **因子评价**：300等权指数相对沪深300的超额收益与盈利因子收益率呈现明显的负相关关系，表明在盈利风格相对走弱的市场环境中，300等权指数通常更容易取得超额收益[43]。 模型的回测效果 （报告中未提供量化交易优化模型的具体回测指标数据） 因子的回测效果 （报告中未提供规模因子和盈利因子本身的因子测试结果，仅展示了它们与300等权指数超额收益的相关性分析结果[43]）

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：绿色转型板块资金流向分析模型[33] **模型构建思路**：为了追踪不同板块在碳中和进程中的资金流向，将与绿色或转型相关的行业划分为三类，基于各行业在碳减排链条中的功能定位进行划分，用于分析资金流动与市场结构趋势[33] **模型具体构建过程**： * **板块分类**：将A股市场行业划分为四个板块，分类标准如下： * **低碳核心板块**：涵盖电力设备、环保，以及公用事业和汽车行业的部分领域，直接贡献碳减排，是新能源发电、绿色出行及减污降碳的核心环节[34] * **低碳支撑板块**：包括计算机、通信、电子及机械设备的部分领域，为产业绿色转型提供数字化、自动化和智能化支撑，是提升社会整体能效与资源利用效率的关键赋能方[34] * **转型主体板块**：包括火电、煤炭、钢铁、有色金属、化工等多个领域，能源消耗强度高、排放基数大，是碳减排的重点领域，也是转型金融政策优先关注的对象[35] * **其他板块**：除以上三类之外的其他行业[35] * **指标计算**：对每个板块，计算以下两个核心指标以追踪资金流向： * **主力净流入额**：统计周期内（如一周）流入该板块的主力资金净额[35] * **主力净流入率**：主力净流入额与该板块周期内成交总额的比率，计算公式为： $$主力净流入率 = \frac{主力净流入额}{板块成交总额} \times 100\%$$ 该指标用于标准化比较不同规模板块间的资金流向强度[35] **模型评价**：该模型提供了一个结构化的框架，用于观察和分析在绿色转型主题下，不同功能定位的板块之间资金的动态变化和偏好，有助于理解市场对碳中和各环节的预期和情绪[33] 模型的回测效果 1. 绿色转型板块资金流向分析模型，本周主力净流入额：低碳核心板块-180亿元，低碳支撑板块-506亿元，转型主体板块36亿元，其他板块-442亿元[35] 2. 绿色转型板块资金流向分析模型，本周主力净流入率：低碳核心板块-0.88%，低碳支撑板块-1.58%，转型主体板块0.16%，其他板块-1.51%[35] 3. 绿色转型板块资金流向分析模型，本周成交额占比：低碳核心板块19.50%，低碳支撑板块30.67%，转型主体板块21.96%，其他板块27.87%[36] 量化因子与构建方式 1. **因子名称**：ESG事件舆情热度因子[43] **因子构建思路**：通过统计全市场上市公司发生的ESG相关事件数量、类型及正负向，构建反映ESG整体舆情热度和市场关注度的因子[43] **因子具体构建过程**： * **事件收集与分类**：收集统计周期内（如一周）全市场所有ESG相关事件[43] * **维度分类**：将事件按环境（E）、社会（S）、治理（G）三个维度进行分类统计[46] * **情感分类**：将每个事件标记为正向、负向或中性[43] * **因子计算**：计算以下指标： * **ESG事件总数**：统计周期内发生的ESG事件总数量[43] * **各维度事件数量及占比**：分别统计E、S、G维度的事件数量，并计算其占总事件数的比例[46] * **正/负/中性事件数量及占比**：分别统计正向、负向、中性事件的数量，并计算其占总事件数的比例[43] 2. **因子名称**：行业ESG事件集中度因子[49] **因子构建思路**：在ESG事件舆情热度因子的基础上，进一步按行业进行细分，识别ESG事件高发的行业以及各行业内的主要议题，构建反映行业层面ESG关注度和风险点的因子[49] **因子具体构建过程**： * **行业事件统计**：将收集到的ESG事件按所属行业进行分类[49] * **事件数量排序**：统计各行业发生的ESG事件总数，并排序找出事件数量前十的行业[49] * **议题分析**：针对每个重点行业，识别其周期内发生频率最高的前三个ESG议题（例如“战略合作”、“信披违规”、“减持”等）[53] * **情感分析**：统计各行业内正向、负向、中性事件的数量及占比[53] 因子的回测效果 1. ESG事件舆情热度因子，本周ESG事件总数：1539件[43] 2. ESG事件舆情热度因子，本周事件情感分布：正向事件848件（占比55.1%），负向事件580件（占比37.7%），中性事件111件（占比7.2%）[43] 3. ESG事件舆情热度因子，本周事件维度分布：环境（E）类事件203件，社会（S）类事件37件，治理（G）类事件1307件（占比约84.9%）[46] 4. 行业ESG事件集中度因子，本周事件数量前三行业：电力设备行业143件，电子行业139件，医药生物行业132件[49] 5. 行业ESG事件集中度因子，本周汽车行业正向事件占比：约71.2%[50]

量化模型与构建方式 1. **模型名称：微盘股轮动模型** [18][25] * **模型构建思路**：通过构建两个子策略（相对净值轮动与M1轮动）来动态决定在微盘股指数与茅指数之间的配置权重，以实现风格轮动收益[18][25]。 * **模型具体构建过程**： 1. **子策略一：相对净值与动量轮动** [18][25] * 计算微盘股指数与茅指数的**相对净值**（微盘股指数净值 / 茅指数净值）。 * 计算该相对净值的**243日均线**（年均线）[18]。 * 计算微盘股指数与茅指数各自的**20日收盘价斜率**（动量指标）[18]。 * **决策规则**：当相对净值高于其243日均线时，倾向于投资微盘股；反之则投资茅指数。同时，结合20日斜率，当两者方向相反且一方为正时，选择投资斜率为正的指数[25]。 2. **子策略二：M1轮动** [18] * 跟踪M1同比指标的**6个月移动平均值**。 * **决策规则**：当M1的6个月移动平均值下行时，中期配置从微盘股切换至茅指数；反之则切换至微盘股[18]。 3. **综合策略**：综合以上两个子策略的信号，决定最终的配置方向（微盘股、茅指数或均衡配置）[18]。 2. **模型名称：微盘股择时风控模型** [18][25] * **模型构建思路**：通过监控十年期国债利率和波动率拥挤度的同比变化，判断微盘股板块的中期系统性风险，并在风险过高时发出平仓信号[18][25]。 * **模型具体构建过程**： 1. **指标计算**： * 计算**十年期国债到期收益率的同比（YoY）** 变化[18]。 * 计算**微盘股波动率拥挤度的同比（YoY）** 变化[18]。 2. **风控规则**： * 设定**利率风控阈值**为0.3（30%），**拥挤度风控阈值**为0.55（55%）[25]。 * 若十年期国债收益率同比**触及或超过30%**，或波动率拥挤度同比**触及或超过55%**，则触发风控平仓信号[25]。 3. **模型名称：宏观择时模型** [50][52] * **模型构建思路**：基于经济增长和货币流动性两个维度的宏观信号，动态调整股票仓位，进行股债轮动配置[50]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建公式和步骤，但指出其根据经济增长和货币流动性层面生成信号强度，并综合得出股票仓位建议。具体细节需参考其历史研究报告[50]。 模型的回测效果 1. **宏观择时模型**，截至2026年2月28日，模型给出的3月份股票推荐仓位为**30%**（上月为70%），配置观点为**中性偏低**（上月为中性偏多）[52]。2025年年初至今收益率为**14.59%**，同期Wind全A收益率为**26.87%** [50]。 量化因子与构建方式 报告在附录中详细列出了国金证券的大类因子分类及细分因子定义，涵盖了八大类因子[65]。 1. **因子名称：市值因子 (Size)** [65] * **因子构建思路**：使用流通市值的对数作为公司规模的代理变量，通常小市值公司可能具备更高的风险溢价和成长性[65]。 * **因子具体构建过程**： * 细分因子：**LN_MktCap** * 公式：$$LN\_MktCap = ln(流通市值)$$ * 排序方向：**↓** （数值越小，即市值越小，因子值越优）[65]。 2. **因子名称：价值因子 (Value)** [65] * **因子构建思路**：寻找市场价格相对于公司基本面价值（如账面价值、盈利、销售收入等）被低估的股票[65]。 * **因子具体构建过程**： * 包含多个细分因子，例如： * **BP_LR**: 最新年报账面净资产 / 最新市值。 * **EP_FTTM**: 未来12个月一致预期净利润 / 最新市值。 * **SP_TTM**: 过去12个月营业收入 / 最新市值。 * **EP_FY0**: 当期年报一致预期净利润 / 最新市值。 * **Sales2EV**: 过去12个月营业收入 / 企业价值。 * 排序方向：**↑** （比率越高，代表估值可能越低，因子值越优）[65]。 3. **因子名称：成长因子 (Growth)** [65] * **因子构建思路**：筛选出在盈利、收入等财务指标上增长更快的公司[65]。 * **因子具体构建过程**： * 包含多个细分因子，例如： * **NetIncome_SQ_Chg1Y**: 单季度净利润同比增速。 * **OperatingIncome_SQ_Chg1Y**: 单季度营业利润同比增速。 * **Revenues_SQ_Chg1Y**: 单季度营业收入同比增速。 * 排序方向：**↑** （增速越高，因子值越优）[65]。 4. **因子名称：质量因子 (Quality)** [65] * **因子构建思路**：识别具有高盈利能力、稳健财务结构和良好运营效率的公司[65]。 * **因子具体构建过程**： * 包含多个细分因子，例如： * **ROE_FTTM**: 未来12个月一致预期净利润 / 股东权益均值。 * **OCF2CurrentDebt**: 过去12个月经营现金流净额 / 流动负债均值。 * **GrossMargin_TTM**: 过去12个月毛利率。 * **Revenues2Asset_TTM**: 过去12个月营业收入 / 总资产均值。 * 排序方向：**↑** （比率或利润率越高，因子值越优）[65]。 5. **因子名称：一致预期因子 (Consensus Expectation)** [65] * **因子构建思路**：利用分析师一致预期的变化和目标价，捕捉市场对公司未来业绩的乐观修正和上涨潜力[65]。 * **因子具体构建过程**： * 包含多个细分因子，例如： * **EPS_FTTM_Chg3M**: 未来12个月一致预期EPS过去3个月的变化率。 * **ROE_FTTM_Chg3M**: 未来12个月一致预期ROE过去3个月的变化率。 * **TargetReturn_180D**: 一致预期目标价相对于目前股价的收益率。 * 排序方向：**↑** （预期上调幅度或目标收益率越高，因子值越优）[65]。 6. **因子名称：技术因子 (Technical)** [65] * **因子构建思路**：基于价量数据，识别交易活跃度、价格分布形态等市场行为特征[65]。 * **因子具体构建过程**： * 包含多个细分因子，例如： * **Volume_Mean_20D_240D**: 20日成交量均值 / 240日成交量均值。 * **Skewness_240D**: 240日收益率偏度。 * **Volume_CV_20D**: 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。 * 排序方向：**↓** （报告未明确解释每个细分因子的具体逻辑，但整体大类排序方向为向下）[65]。 7. **因子名称：波动率因子 (Volatility)** [65] * **因子构建思路**：识别股价波动率较低、风险较小的股票，这类股票可能具有防御属性或低风险溢价[65]。 * **因子具体构建过程**： * 包含多个细分因子，例如： * **Volatility_60D**: 60日收益率标准差。 * **IV_CAPM**: CAPM模型残差波动率。 * **IV_FF**: Fama-French三因子模型残差波动率。 * **IV_Carhart**: Carhart四因子模型残差波动率。 * 排序方向：**↓** （波动率越低，因子值越优）[65]。 8. **因子名称：反转因子 (Reversal)** [65] * **因子构建思路**：认为过去一段时间内跌幅较大的股票在未来可能反弹，而涨幅过大的股票可能回调[65]。 * **因子具体构建过程**： * 包含多个细分因子，例如： * **Price_Chg20D**: 20日收益率。 * **Price_Chg40D**: 40日收益率。 * **Price_Chg60D**: 60日收益率。 * **Price_Chg120D**: 120日收益率。 * 排序方向：**↓** （过去收益率越低，因子值越优）[65]。 9. **因子名称：可转债择券因子** [59] * **因子构建思路**：为可转债构建专门的量化择券因子，包括从正股映射的因子（如正股一致预期、成长、财务质量、价值）以及转债特有的估值因子[59]。 * **因子具体构建过程**： * **正股类因子**：从预测正股的因子（如一致预期、成长等）来构建可转债因子[59]。 * **转债估值因子**：例如使用**平价底价溢价率**[59]。 因子的回测效果 报告提供了过去一周（截至2026年3月27日当周）及2026年年初以来，八大类选股因子在全部A股、沪深300、中证500、中证1000四个股票池中的IC均值和因子多空收益数据[56]。 1. **一致预期因子**，上周IC均值（全部A股）**7.37%**，年初以来IC均值（全部A股）**1.30%**；上周多空收益（全部A股）**1.26%**，年初以来多空收益（全部A股）**4.69%** [56]。 2. **市值因子**，上周IC均值（全部A股）**2.12%**，年初以来IC均值（全部A股）**2.08%**；上周多空收益（全部A股）**-1.48%**，年初以来多空收益（全部A股）**-3.07%** [56]。 3. **成长因子**，上周IC均值（全部A股）**0.90%**，年初以来IC均值（全部A股）**0.90%**；上周多空收益（全部A股）**0.47%**，年初以来多空收益（全部A股）**4.32%** [56]。 4. **反转因子**，上周IC均值（全部A股）**-12.58%**，年初以来IC均值（全部A股）**-0.28%**；上周多空收益（全部A股）**-2.82%**，年初以来多空收益（全部A股）**-8.93%** [56]。 5. **质量因子**，上周IC均值（全部A股）**-7.17%**，年初以来IC均值（全部A股）**-1.22%**；上周多空收益（全部A股）**-1.18%**，年初以来多空收益（全部A股）**-2.75%** [56]。 6. **技术因子**，上周IC均值（全部A股）**0.13%**，年初以来IC均值（全部A股）**5.43%**；上周多空收益（全部A股）**-0.54%**，年初以来多空收益（全部A股）**-1.51%** [56]。 7. **价值因子**，上周IC均值（全部A股）**-1.55%**，年初以来IC均值（全部A股）**5.27%**；上周多空收益（全部A股）**-1.40%**，年初以来多空收益（全部A股）**0.09%** [56]。 8. **波动率因子**，上周IC均值（全部A股）**-4.38%**，年初以来IC均值（全部A股）**6.47%**；上周多空收益（全部A股）**-1.32%**，年初以来多空收益（全部A股）**1.30%** [56]。

量化模型与构建方式 1. **模型名称：多资产择时模型**[3][7][8] * **模型构建思路**：该模型旨在对多种资产（包括不同期限的国债、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明确的多空或震荡观点[3][7][8]。 * **模型具体构建过程**：报告未详细描述模型的具体构建过程、所使用的算法或因子。模型的核心输出是一个“原始信号”，该信号是一个百分比数值，代表模型对未来短期内资产价格（对于债券是到期收益率，对于股票和商品是指数）上行概率的估计[8]。模型最终观点（看多、调整、震荡）的生成规则如下： 1. 对于利率债（如国债）和信用债（如中短票）：当原始信号大于60%时，模型观点为“调整”（看空收益率上行）；当原始信号小于40%时，模型观点为“看多”（看空收益率下行）；当原始信号介于40%和60%之间时，模型观点为“震荡”[8]。 2. 对于股票指数和商品：当原始信号大于60%时，模型观点为“调整”（看多指数上行）；当原始信号小于40%时，模型观点为“看多”（看空指数下行）；当原始信号介于40%和60%之间时，模型观点为“震荡”[8]。 3. 除了原始信号，模型还计算了其5日移动平均值（MA5），作为平滑后的信号参考[3][7][8]。 模型的回测效果 （注：报告未提供模型的历史回测绩效指标，如年化收益率、夏普比率、最大回撤等。仅提供了截至报告日（2026-03-27）的最新信号和观点。） 1. **多资产择时模型**，截至2026-03-27的模型输出如下[3][7][8]： * **30年国债**：原始信号82.96%，MA5信号74.29%，模型观点为【调整】，信号持续超过10个交易日。 * **3年AAA中短票**：原始信号65.06%，MA5信号70.31%，模型观点为【调整】，信号持续4个交易日。 * **10年国债**：原始信号32.66%，MA5信号60.66%，模型观点为【调整】，信号持续9个交易日。 * **2年国债**：原始信号14.63%，MA5信号14.69%，模型观点为【看多】，信号持续超过10个交易日。 * **万得全A指数**：原始信号83.02%，MA5信号64.68%，模型观点为【调整】，信号持续3个交易日。 * **中证红利全收益指数**：原始信号75.64%，MA5信号79.54%，模型观点为【调整】，信号持续7个交易日。 * **恒生科技指数**：原始信号85.67%，MA5信号77.95%，模型观点为【调整】，信号持续8个交易日。 * **科创50指数**：原始信号85.68%，MA5信号81.43%，模型观点为【调整】，信号持续超过10个交易日。 * **万得微盘指数**：原始信号84.58%，MA5信号67.86%，模型观点为【调整】，信号持续3个交易日。 * **国证2000指数**：原始信号91.59%，MA5信号79.07%，模型观点为【调整】，信号持续超过10个交易日。 * **COMEX黄金**：原始信号57.89%，MA5信号42.29%，模型观点为【震荡】，信号持续4个交易日。 * **IPE布油**：原始信号39.42%，MA5信号44.75%，模型观点为【震荡】，信号持续超过10个交易日。 量化因子与构建方式 （注：报告未提及任何具体的量化因子及其构建方式。） 因子的回测效果 （注：报告未提及任何具体的量化因子及其测试结果。）

量化模型与构建方式 1. 债券久期择时模型 * **模型名称**：改进的Diebold2006模型[10] * **模型构建思路**：利用改进的Diebold-Li模型，通过预测即期收益率曲线的水平、斜率、曲率三个因子，来映射不同久期债券的预期收益，从而实现久期择时[10]。 * **模型具体构建过程**： 1. 使用改进的Diebold2006模型对即期收益率曲线进行建模和预测[10]。 2. 将收益率曲线分解为水平、斜率、曲率三个因子[10]。 3. 对三个因子分别进行预测： * **水平因子**：基于宏观变量预判和政策利率跟随两个视角进行预测[10]。 * **斜率因子**与**曲率因子**：基于AR(1)模型进行预测[10]。 4. 将预测出的未来三个因子状态（上升/下降、陡峭/平坦、凸/凹）映射到不同久期债券的预期收益上，选择预期收益最高的久期进行配置[10][12]。 2. 黄金预期收益模型 * **模型名称**：基于TIPS收益率的黄金预期收益模型[22] * **模型构建思路**：将黄金的远期实际回报与美国抗通胀债券(TIPS)的远期实际回报相关联，通过估计两者之间的弹性系数k，并结合通胀预期，来预测黄金的名义预期收益率[22]。 * **模型具体构建过程**： 1. 建立黄金实际回报与TIPS实际回报之间的线性关系模型： $$E[Real\_Return^{gold}]=k\times E[Real\_Return^{Tips}]$$[22] 其中，k为弹性系数，通过扩展窗口OLS进行估计[22]。 2. 在黄金实际预期收益的基础上，加上预期通胀率，得到黄金的名义预期收益率： $$E[R^{gold}]=\pi^{e}+k\times E[Real\_Return^{Tips}]$$[22] 其中，$\pi^{e}$为预期通胀率，以美联储长期通胀目标2%作为代理[22]。 3. 当模型测算出的未来一年黄金预期收益率大于10%时，择时模型发出为期一年的看多信号[24]。 3. A股权益择时框架（多策略合成模型） * **模型名称**：A股权益择时多策略框架[29] * **模型构建思路**：从宏观流动性、信贷预期、跨境资金流、衍生品预期、市场资金流、技术分析六个维度分别构建子择时策略，然后通过动态调整各子策略权重合成综合择时信号，并基于此信号通过风险预算模型构建股债轮动组合[29]。 * **模型具体构建过程**： 1. **构建子策略**：在六个维度（宏观流动性、信贷预期、跨境资金流、衍生品预期、市场资金流、技术分析）下分别构建独立的择时子模型[29]。 2. **动态合成综合信号**：为使模型灵活适应市场环境，采用动态调整的方法为各子策略赋予权重，加权得到综合择时信号[31]。信号值越接近1表示越看多，越接近-1表示越看空[33]。 3. **构建股债轮动组合**：基于综合择时信号，运用风险预算模型动态分配股票和债券的仓位，构建股债轮动投资组合[29]。 4. 行业轮动体系3.0（多模型合成框架） * **模型名称**：行业轮动体系3.0[35] * **模型构建思路**：从交易行为、景气度、资金面、筹码结构、宏观驱动、技术分析六个维度出发，分别构建行业轮动子模型，然后对子模型的信号进行动态合成，以双周频优选行业[35]。 * **模型具体构建过程**： 1. **构建六个维度的子模型**： * **交易行为模型**：捕捉行业的日内动量与隔夜反转效应[35]。 * **景气度模型**：捕捉行业的盈余动量效应[35]。 * **资金流模型**：捕捉主动抢筹与被动派发行为[35]。 * **筹码结构模型**：捕捉持仓收益与阻力支撑效应[35]。 * **宏观驱动模型**：捕捉高频宏观预期在行业层面的映射[35]。 * **技术分析模型**：捕捉行业成分股在趋势、振荡、量能指标上的交易信号[35]。 2. **动态合成行业信号**：对上述六个子模型产生的信号进行动态加权合成，得到每个行业的最终得分[35][42]。权重根据模型近期的表现动态调整[42]。 3. **行业选择**：根据行业得分进行排序，选择得分高的行业作为看多方向[41]。 5. 转债风格轮动模型 * **模型名称**：转债风格轮动模型[16] * **模型构建思路**：在剔除高估值转债的基础上，选择能够捕捉市场情绪的指标，在转债的股性和债性两种主要风格之间进行轮动配置[16]。 * **模型具体构建过程**： 1. **剔除高估值转债**：构建**转股溢价率偏离度因子**和**理论价值偏离度因子**，综合筛选并剔除高估值转债[16]。 2. **构建风格轮动指标**：选择**转债20日动量**与**转债波动率偏离度**作为捕捉市场情绪的指标[16]。 3. **组合构建与调仓**：基于上述指标，构建转债风格轮动组合，每两周调仓一次[16]。根据信号在偏债低估转债指数和偏股型转债指数之间进行切换配置[16]。 6. ETF轮动组合构建模型 * **模型名称**：ETF轮动组合构建模型[46] * **模型构建思路**：利用行业轮动体系3.0产生的行业信号，选择对应的行业ETF构建投资组合，并通过分资金、分批次调仓的方式平滑调仓冲击[46]。 * **模型具体构建过程**： 1. **信号来源**：直接使用行业轮动体系3.0生成的行业得分作为ETF选择的依据[47]。 2. **组合构建**：每周选择得分最高的4个行业，并调入其对应的代表性ETF，每只ETF配置25%的权重[47]。 3. **调仓方式**：为平滑单双周调仓时点的扰动，将资金分为两份，每周对其中一份资金进行调仓。调入的ETF持有周期为两周[46]。 量化因子与构建方式 1. 百元转股溢价率因子 * **因子名称**：百元转股溢价率[13] * **因子构建思路**：构建一个在时间序列上可比的估值指标，用于衡量可转债与其正股之间的相对配置价值[13]。 * **因子具体构建过程**：计算每只可转债的转股溢价率，并以“百元”为单位进行标准化或调整，使得该指标在不同时期具有可比性。通过计算该指标在滚动历史窗口（如三年、五年）内的分位数，来判断当前转债相对于正股的估值高低[13]。 2. 修正YTM-信用债YTM因子 * **因子名称**：修正YTM–信用债YTM[15] * **因子构建思路**：通过剥离转股条款对转债到期收益率(YTM)的影响，得到“修正YTM”，再与同等级、同期限的信用债YTM比较，以衡量偏债型转债与信用债之间的相对配置价值[15]。 * **因子具体构建过程**： 1. 对偏债型转债的YTM进行修正，剔除转股期权价值的影响，得到纯债部分的收益率，即“修正YTM”[15]。 2. 计算“修正YTM”与同等级、同期限信用债YTM的差值[15]。 3. 计算全市场该差值的中位数，作为整体偏债型转债配置性价比的衡量指标。差值越低（或为负），说明偏债型转债相对于信用债的配置价值越低[15]。 3. 转股溢价率偏离度因子 * **因子名称**：转股溢价率偏离度因子[16] * **因子构建思路**：用于识别并剔除转股溢价率过高的可转债，即估值过高的转债[16]。 * **因子具体构建过程**：报告未给出具体公式，但思路是计算单只转债的转股溢价率与其自身历史均值或行业均值的偏离程度，偏离过大的被视为高估值标的[16]。 4. 理论价值偏离度因子 * **因子名称**：理论价值偏离度因子[16] * **因子构建思路**：用于识别并剔除市场价格严重偏离理论估值（如通过B-S模型计算）的可转债，即估值不合理的转债[16]。 * **因子具体构建过程**：报告未给出具体公式，但思路是计算转债市价与其通过模型计算出的理论价值之间的偏离度，偏离度过大的被视为估值不合理的标的[16]。 5. 转债20日动量因子 * **因子名称**：转债20日动量[16] * **因子构建思路**：作为捕捉市场情绪的指标之一，用于转债的风格轮动[16]。 * **因子具体构建过程**：计算可转债过去20个交易日的价格收益率，作为动量因子[16]。 6. 转债波动率偏离度因子 * **因子名称**：转债波动率偏离度[16] * **因子构建思路**：作为捕捉市场情绪的指标之一，用于转债的风格轮动[16]。 * **因子具体构建过程**：报告未给出具体公式，但思路是计算转债当前波动率与其历史波动率均值的偏离程度[16]。 模型的回测效果 1. **债券久期择时模型**：2026年3月，策略回报18.3bp，等权基准收益率6.4bp，超额收益11.9bp[12]。最近一年，策略回报1.57%，等权基准收益率-0.12%，超额收益1.69%[12]。 2. **黄金预期收益择时模型**：基于TIPS收益率的择时策略，在过去一年的绝对回报为62.0%[24]。 3. **A股权益择时框架（股债轮动组合）**：在全样本区间内，股债轮动组合（风险预算）年化收益率8.16%，最大回撤3.74%，收益波动比2.76，收益回撤比2.19[33]。2026年3月，组合收益为-0.44%[33]。 4. **行业轮动体系3.0**：2026年3月，行业多头组合收益为-6.42%，空头组合收益为-7.73%，行业等权基准收益为-7.23%，多头超额收益0.81%，空头超额收益0.5%，五分组多空组合收益为1.65%[38]。 5. **转债风格轮动模型**：2018年2月14日至2026年3月13日，策略年化收益为25.60%，最大回撤15.89%，信息比率(IR)1.51[16]。2026年以来收益为9.34%[16]。 6. **ETF轮动组合构建模型**：2026年3月，组合收益率为-5.69%，有ETF跟踪的行业平均收益率为-6.84%，超额收益率为1.14%[50]。 因子的回测效果 （报告中未提供单个因子的独立回测绩效指标，仅将其作为模型的一部分呈现结果。）

量化模型与构建方式 根据提供的研报内容，该报告主要介绍了将OpenClaw AI Agent框架与本地大模型推理工具LM Studio进行连接和部署的技术方案，并未涉及任何用于金融市场分析的量化模型或量化因子[7]。报告的核心是技术部署指南，而非金融量化研究。 因此，报告中**没有**涉及以下内容： 1. 用于选股、择时或资产配置的量化模型。 2. 用于解释或预测资产收益的量化因子（如价值、动量、质量等）。 3. 对上述模型或因子的回测效果及指标分析。 报告的主要内容聚焦于本地化AI部署的技术路径、软件配置和操作步骤[1][8][46]。

量化模型与因子总结 量化模型与构建方式 1. **模型名称：卷积神经网络趋势观察模型**[1][75] * **模型构建思路**：使用卷积神经网络（CNN）对图表化的个股价量数据进行建模，学习其与未来价格走势之间的关系，并将学习到的特征映射到行业主题板块中，以识别具有趋势性机会的板块[1][75]。 * **模型具体构建过程**： 1. **数据准备**：为每个个股在特定窗口期内的价量数据构建标准化的图表[75]。研报中提及了“标准化数据价量图表”，但未给出具体标准化方法和图表形式（如K线图、价量组合图等）的细节[76]。 2. **模型训练**：使用卷积神经网络对上述图表化的数据进行训练，目标是建立图表特征与未来价格变动之间的映射关系[1][75]。报告未提供具体的网络结构、损失函数、训练周期等细节。 3. **特征映射与应用**：将训练好的模型学习到的特征应用于行业或主题板块层面，从而生成对板块未来走势的判断[1][75]。最终输出为看好的具体指数列表[76]。 2. **模型名称：宏观因子事件模型**[51][53] * **模型构建思路**：通过跟踪一系列国内外宏观指标，定义其特定的走势事件（如短期高低点、连续涨跌等），并从历史数据中筛选出对资产未来收益率有显著影响的“有效因子事件”，以此作为判断未来资产趋势的依据[51]。 * **模型具体构建过程**： 1. **因子选择**：跟踪25个国内外宏观指标，涵盖货币政策、财政政策、流动性、通胀水平及其他经济指标[51]。 2. **事件定义**：定义四类宏观因子事件来描述指标走势：短期高低点、连续上涨下跌、创历史新高新低、因子走势反转[51]。 3. **有效性检验**：从历史数据中寻找“有效因子事件”，即那些对资产未来收益率影响较为显著的因子事件[51]。 4. **趋势判断**：采用历史均线（如1月、3月、12月均线）将宏观因子走势分为趋势上行和趋势下行，并统计在不同趋势下资产未来一个月的平均收益，筛选出收益存在显著差异的资产[53]。例如，当PMI指标处于其3月均线趋势上行时，对股票市场持看多观点[54]。 3. **模型名称：GFTD模型**[78] * **模型构建思路**：报告仅在风险提示部分提及该模型名称，指出其历史择时成功率约为80%。未提供该模型的任何构建思路、过程或细节[78]。 4. **模型名称：LLT模型**[78] * **模型构建思路**：报告仅在风险提示部分提及该模型名称，指出其历史择时成功率约为80%。未提供该模型的任何构建思路、过程或细节[78]。 模型的回测效果 （注：报告中未提供任何量化模型的回测效果指标数据，如年化收益率、夏普比率、最大回撤、信息比率（IR）等。） 量化因子与构建方式 1. **因子名称：新高新低比例因子**[31] * **因子构建思路**：通过统计市场中创近期新高与新低的个股数量占比，来度量市场的极端情绪和趋势强度[31]。 * **因子具体构建过程**： * **60日新高比例**：计算当日收盘价创过去60日新高的个股数量占全部A股个股总数的比例[1][31]。 * **60日新低比例**：计算当日收盘价创过去60日新低的个股数量占全部A股个股总数的比例[1][31]。 2. **因子名称：个股均线结构因子**[36] * **因子构建思路**：通过计算处于不同均线排列状态（多头、空头）的个股占比，来反映市场整体的技术面强弱[36]。 * **因子具体构建过程**： * **均线强弱指标**：计算呈现多头排列的个股数量与呈现空头排列的个股数量之差，再除以总个股数（或直接表示为比例差）[1][36]。报告中的表述为“多头排列减空头排列个股占比”[1]。 3. **因子名称：长期均线以上比例因子**[39] * **因子构建思路**：统计股价位于长期均线（如200日均线）之上的个股比例，用以衡量市场长期趋势的强弱和广度[39]。 * **因子具体构建过程**： * **200日长期均线之上比例**：计算当日收盘价位于其200日移动平均线之上的个股数量占全部A股个股总数的比例[39][40]。 4. **因子名称：风险溢价因子**[62][77] * **因子构建思路**：通过计算股票市场收益率（以市盈率倒数表示）与无风险收益率（十年期国债收益率）之差，来衡量股票资产相对于债券资产的吸引力[62][77]。 * **因子具体构建过程**： * 以中证全指为例，风险溢价 = （1 / 中证全指静态PE_TTM） - 十年期国债收益率[77]。 * 公式可表示为：$$风险溢价 = \frac{1}{PE_{TTM}} - R_{10Y}$$ 其中，$PE_{TTM}$ 为指数市盈率（滚动十二个月），$R_{10Y}$ 为十年期国债收益率。 5. **因子名称：指数超买超卖因子**[65][69] * **因子构建思路**：通过测量当前指数价格相对于其历史价格区间的位置，来判断指数是否处于超跌或超买状态[65][69]。 * **因子具体构建过程**：报告未给出该因子的具体计算公式。通常此类因子可能基于历史分位数、布林带、RSI等指标构建。报告中展示了主要指数和行业指数的“超跌指标统计”图，但未说明其计算方法[66][70]。 因子的回测效果 （注：报告中未提供任何量化因子的IC值、IR、多空收益、分组测试效果等回测结果数据。仅展示了部分因子如新高新低比例、均线结构、风险溢价等的当前数值或时间序列图表[31][36][40][63][66][70]。）

量化模型与构建方式 1. **模型名称：三维择时框架** [3] * **模型构建思路**：通过监测市场分歧度、流动性和景气度三个维度的变化趋势，综合判断市场整体走势，进行择时判断[3]。 * **模型具体构建过程**：报告未详细描述该框架三个维度的具体计算方法和综合判断规则，仅提及了其应用和结论[3]。 2. **模型名称：ETF热点趋势策略** [29] * **模型构建思路**：结合K线形态、价格趋势的陡峭程度（支撑阻力因子）以及短期市场关注度（换手率变化），筛选出处于热点上升趋势的ETF构建投资组合[29]。 * **模型具体构建过程**： 1. 筛选形态：首先选出最高价与最低价同时为上涨形态的ETF[29]。 2. 计算支撑阻力因子：根据最高价与最低价近20日回归系数的相对陡峭程度构建[29]。 3. 筛选关注度：在支撑阻力因子的多头组中，选择近5日换手率/近20日换手率最高的ETF，即短期关注度明显提升的品种[29]。 4. 组合构建：最终选取10只ETF，采用风险平价方法构建组合[29]。 3. **模型名称：资金流共振策略** [37] * **模型构建思路**：结合融资融券资金流和主动大单资金流两个维度，寻找两种资金流产生共振效应的行业进行推荐[34][37]。 * **模型具体构建过程**： 1. **构建融资融券资金因子**：计算行业融资净买入-融券净卖出（个股加总），用Barra市值因子进行中性化，取最近50日均值后的两周环比变化率[37]。 2. **构建主动大单资金因子**：计算行业主动大单净流入，用行业最近一年成交量进行时序中性化后排序，并取最近10日均值[37]。 3. **策略逻辑**：在主动大单因子的头部打分行业内，剔除融资融券因子也处于头部的行业（根据历史回测，融资融券因子多头端在某些市场状态下有稳定的负向超额收益）[37]。进一步剔除大金融板块以提高策略稳定性[37]。 4. **模型名称：全天候配置策略** [42] * **模型构建思路**：通过资产选择、风险调整和结构对冲三项原则，构建分散化的投资组合，绕过宏观预测，直接针对资产波动进行平衡配置，以获取稳健的绝对收益[42]。 * **模型具体构建过程**：报告提及该策略采用“循环对冲设计对冲构型”，但未给出具体构建公式和步骤。策略按风险水平分为两个版本： * **高波版**：采用“四层结构化-股债金风险平价”方法[46][47]。 * **低波版**：采用“五层结构化-风险预算”方法[48]。 模型的回测效果 1. **ETF热点趋势策略** [29] * 2025年以来收益：56.47%[29] * 2025年以来相对沪深300超额收益：38.62%[29] 2. **资金流共振策略** [37] * 2018年以来费后年化超额收益：14.3%[37] * 信息比率(IR)：1.3[37] * 上周绝对收益：-0.87%[37] * 上周超额收益（相对行业等权）：-0.33%[37] 3. **全天候配置策略** [53] * **高波版**： * 截至2025年年化收益率：11.8%[53] * 截至2025年年平均最大回撤：3.6%[53] * 截至2025年夏普比率：1.9[53] * 2026年以来收益率：1.8%[3][53] * **低波版**： * 截至2025年年化收益率：6.7%[53] * 截至2025年年平均最大回撤：2.0%[53] * 截至2025年夏普比率：2.4[53] * 2026年以来收益率：1.2%[3][53] 量化因子与构建方式 1. **因子名称：风格因子（波动率、动量、杠杆等）** [56] * **因子构建思路**：报告跟踪了一系列常见的风格因子，用于描述市场的风格特征，如市值、贝塔、动量、波动率、价值、流动性、成长、杠杆等[56][57]。 * **因子具体构建过程**：报告未提供这些风格因子的具体计算公式。 2. **因子名称：Alpha因子（多维度）** [60] * **因子构建思路**：从不同时间维度、宽基指数和行业板块等角度，构建并测试了大量选股因子，以观察其在不同环境下的表现[60]。 * **因子具体构建过程**：报告列出了多个Alpha因子，但仅提供了部分因子的定义说明，未给出统一的详细计算公式。所有因子（除规模因子外）均进行了市值、行业中性化处理；规模因子仅进行行业中性化处理[60]。部分因子示例如下： * **十二个月残差动量 (specific mom12)**：未提供公式[62]。 * **1年-1个月的收益率 (mom 1y 1m)**：未提供公式[62]。 * **管理费用/总销售收入 (gaexp sales)**：未提供公式[62]。 * **每股收益同比增速 (yoy eps)**：未提供公式[62]。 * **ROE同比变化 (yoy roe)**：$$(当期 ROE - 去年同期 ROE) / |去年同期 ROE|$$ [62] * **营业利润波动 (op growth std)**：$$(营业利润 - 过去八个季度的营业利润均值) / 过去八个季度的营业利润标准差$$ [62] * **单季度ROA同比差值(考虑快报、预告) (roa q delta adv)**：未提供公式[62]。 * **评级上下调差/评级上下调和 (est num diff)**：未提供公式[64]。 * **一致预测净利润变化(FY1)占比 (mom1 np fy1)**：$$(当前一致预测np FY1 - 1个月前一致预测np FY1) / |1个月前一致预测np FY1|$$ [64] * **营业收入意外 (sue1)**：$$(营业收入同比delta - 过去八个季度的营业收入同比delta均值) / 过去八个季度的营业收入同比delta标准差$$ [62] 因子的回测效果 1. **风格因子近期表现（最近一周）** [57] * 波动率因子：1.95% * 动量因子：1.58% * 杠杆因子：0.96% * 市值因子：-1.58% * 贝塔因子：-0.73% * 价值因子：0.10% * 流动性因子：0.32% * 成长因子：-0.29% 2. **Alpha因子近期表现（近一周多头超额收益）** [62] * 十二个月残差动量 (specific mom12)：0.87% * 1年-1个月的收益率 (mom 1y 1m)：0.79% * 管理费用/总销售收入 (gaexp sales)：0.75% * 每股收益同比增速 (yoy eps)：0.52% * ROE同比变化 (yoy roe)：0.50% 3. **Alpha因子分指数表现（最近一年多头超额收益）** [64] * **在沪深300中表现突出**： * 十二个月残差动量 (specific mom12)：33.21% * 评级上下调差/评级上下调和 (est num diff)：33.05% * **在中证500中表现突出**： * 一致预测净利润变化(FY1)占比 (mom1 np fy1)：16.36% * **在中证1000中表现突出**： * 单季度净利润同比增长(考虑快报、预告) (yoy np q adv)：20.62%