量化模型与因子总结 量化模型与构建方式 本报告为市场监测类日报，未涉及具体的量化选股模型或预测模型。 量化因子与构建方式 报告未构建用于选股或预测的量化因子，但定义并计算了多个用于监测市场状态和情绪的指标。 1. **因子名称：封板率** * 因子构建思路：通过计算盘中触及涨停且最终成功封住涨停的股票比例，来反映市场追涨资金的强度和涨停板的可靠性[16]。 * 因子具体构建过程：筛选上市满3个月以上的股票，统计在特定交易日（T日）内，最高价达到涨停价的股票数量，以及其中收盘价仍为涨停价的股票数量。封板率即为两者之比[16]。 * 计算公式： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ [16] 2. **因子名称：连板率** * 因子构建思路：通过计算连续两日涨停的股票占昨日涨停股票的比例，来反映市场热点的持续性和短线投机资金的活跃度[16]。 * 因子具体构建过程：筛选上市满3个月以上的股票，统计在特定交易日（T-1日）收盘涨停的股票数量，以及这些股票在T日收盘仍为涨停的股票数量。连板率即为两者之比[16]。 * 计算公式： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ [16] 3. **因子名称：大宗交易折价率** * 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卖出意愿，折价率高通常意味着卖出方让利意愿强或股票流动性担忧[25]。 * 因子具体构建过程：统计特定交易日所有发生的大宗交易，计算其总成交金额，并计算这些交易份额若按当日收盘价计算的总市值。折价率为两者之比减1[25]。 * 计算公式： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ [25] 4. **因子名称：股指期货年化贴水率** * 因子构建思路：将股指期货主力合约与现货指数之间的基差进行年化处理，以标准化衡量市场对冲成本、远期预期以及情绪（如贴水通常反映市场情绪偏谨慎或存在套利结构）[28]。 * 因子具体构建过程：计算股指期货主力合约价格与其标的指数价格之差（基差）。将基差除以指数价格，再乘以年化因子（250天除以合约剩余交易日数），得到年化贴水率。正值表示升水，负值表示贴水[28]。 * 计算公式： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ [28] 模型的回测效果 报告未涉及量化模型的回测。 因子的回测效果 报告未提供因子的历史回测表现（如IC、IR、多空收益等），但给出了特定日期的指标观测值及历史分位数。 1. **封板率因子**，2026年3月16日取值：70%[16] 2. **连板率因子**，2026年3月16日取值：18%[16] 3. **大宗交易折价率因子**，2026年3月13日取值：5.54%[25]；近半年平均值：7.15%[25] 4. **股指期货年化贴水率因子** * 上证50股指期货，2026年3月16日取值：4.42%[28]，近一年历史分位点：29%[28] * 沪深300股指期货，2026年3月16日取值：11.72%[28]，近一年历史分位点：9%[28] * 中证500股指期货，2026年3月16日取值：5.16%[28]，近一年历史分位点：80%[28] * 中证1000股指期货，2026年3月16日取值：18.54%[28]，近一年历史分位点：22%[28]

量化模型与构建方式 1. **模型名称：择时信号模型**[7] **模型构建思路：** 基于特定模型和历史数据，计算资产在未来短期内价格上行的概率估计，并以此生成多空观点[7]。 **模型具体构建过程：** 1. 模型输入历史数据，通过特定算法（报告中未明确具体算法，如逻辑回归、机器学习模型等）计算出一个“原始信号”值，该值代表模型对资产未来短期内价格上行的概率估计，以百分比形式表示[7]。公式为： $$原始信号 = f(历史数据)$$ 其中，`f` 代表未公开的模型算法，`历史数据` 为模型输入的特征变量。 2. 对原始信号进行5日移动平均（MA5）平滑处理，以降低信号的短期波动[3][6]。 $$MA5 = \frac{1}{5} \sum_{i=0}^{4} 原始信号_{t-i}$$ 3. 根据资产类型（利率债/股指/商品）和预设的阈值，将平滑后的信号（MA5）转化为具体的多空观点[7]。 * 对于利率债（如国债、中短票）：当 MA5 > 60% 时，观点为“看空”（报告中表述为“调整”）；当 MA5 < 40% 时，观点为“看多”；在40%至60%之间时，观点为“震荡”[7]。 * 对于股指和商品（如黄金、原油）：当 MA5 > 60% 时，观点为“看多”；当 MA5 < 40% 时，观点为“看空”（报告中表述为“调整”）；在40%至60%之间时，观点为“震荡”[7]。 量化因子与构建方式 *（注：本报告主要展示模型的应用结果，未详细阐述或构建具体的量化因子。报告内容集中于模型输出的择时信号及其应用，未涉及如价值、动量、波动率等传统量化因子的构建与分析。）* 模型的回测效果 *（注：本报告为日常跟踪报告，展示了模型在多个资产上的最新信号输出，但未提供历史回测的统计指标，如年化收益率、夏普比率、最大回撤、信息比率（IR）等。因此，此处无法列出模型在统一口径下的量化回测指标取值。）* 因子的回测效果 *（注：本报告未涉及具体量化因子的测试，因此无相关回测效果数据。）*

量化模型与因子总结 量化模型与构建方式 1. **模型名称：微盘股轮动与择时模型**[19][20][27] * **模型构建思路**：构建一个综合模型，用于在微盘股与茅指数（代表大盘核心资产）之间进行轮动配置，并监控微盘股的系统性风险以进行择时[19][20]。 * **模型具体构建过程**：该模型由两个子策略组成： * **轮动子策略**：结合两个指标生成配置信号。 1. **大小盘轮动指标**：计算微盘股指数与茅指数的相对净值。当该相对净值高于其243日移动平均线时，倾向于投资微盘股；反之则投资茅指数[19][27]。 2. **动量辅助指标**：计算微盘股指数和茅指数的20日收盘价斜率。当两个指数的斜率方向相反且一方为正时，选择投资斜率为正的指数[19][27]。 * **M1轮动子策略**：监控M1同比指标的6个月移动平均值。当该移动平均值下行时，中期配置从微盘股切换至茅指数[19]。 * **综合信号**：综合以上两个子策略的信号，决定最终配置方向（微盘股、茅指数或均衡配置）[19]。 * **择时风控子策略**：基于两个宏观风险指标监控微盘股的中期系统性风险，任一指标触及阈值则发出平仓信号。 1. **利率风险指标**：十年期国债到期收益率同比。阈值设为0.3（即30%）[27]。 2. **波动率风险指标**：微盘股波动率拥挤度同比。阈值设为0.55（即55%）[27]。 2. **模型名称：宏观择时模型**[48] * **模型构建思路**：基于动态宏观事件因子构建股债轮动策略，以判断中期权益资产的推荐仓位[48]。 * **模型具体构建过程**：模型从经济增长和货币流动性两个维度生成信号，并综合得出股票仓位建议。具体细节可参考相关历史研究报告[48]。 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%[48]。3月份模型给出的权益推荐仓位为30%，其中经济增长层面信号强度为0%，货币流动性层面信号强度为60%[48][49]。 量化因子与构建方式 1. **因子名称：一致预期因子**[67][70] * **因子构建思路**：使用分析师一致预期数据构建因子，预测未来盈利改善或股价上涨潜力[67][70]。 * **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[70]。 * `ROE_FTTM_Chg3M`：未来12个月一致预期ROE过去3个月的变化率[70]。 * `TargetReturn_180D`：一致预期目标价相对于目前股价的收益率[70]。 2. **因子名称：市值因子**[67] * **因子构建思路**：使用公司规模（市值）作为选股因子[67]。 * **因子具体构建过程**： * `LN_MktCap`：流通市值的对数[67]。 3. **因子名称：成长因子**[67][70] * **因子构建思路**：使用公司财务数据的增长指标来识别成长性高的公司[67][70]。 * **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[67]。 * `OperatingIncome_SQ_Chg1Y`：单季度营业利润同比增速[67]。 * `Revenues_SQ_Chg1Y`：单季度营业收入同比增速[70]。 * `ROE_FTTM`：未来12个月一致预期净利润/股东权益均值[70]。 4. **因子名称：反转因子**[70] * **因子构建思路**：基于股票过去一段时间的价格表现，认为过去表现差的股票未来可能反弹，过去表现好的股票未来可能回调[70]。 * **因子具体构建过程**：使用不同时间窗口的收益率作为因子，例如： * `Price_Chg20D`：20日收益率[70]。 * `Price_Chg40D`：40日收益率[70]。 * `Price_Chg60D`：60日收益率[70]。 * `Price_Chg120D`：120日收益率[70]。 5. **因子名称：质量因子**[70] * **因子构建思路**：使用公司的盈利能力、运营效率、财务稳健性等指标来评估公司质量[70]。 * **因子具体构建过程**：包含多个细分因子，例如： * `OCF2CurrentDebt`：过去12个月经营现金流净额/流动负债均值[70]。 * `GrossMargin_TTM`：过去12个月毛利率[70]。 * `Revenues2Asset_TTM`：过去12个月营业收入/总资产均值[70]。 6. **因子名称：技术因子**[70] * **因子构建思路**：基于市场交易数据（如成交量、换手率、价格形态）构建因子[70]。 * **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[70]。 * `Skewness_240D`：240日收益率偏度[70]。 * `Volume_CV_20D`：20日成交量标准差/20日成交量均值[70]。 * `Turnover_Mean_20D`：20日换手率均值[70]。 7. **因子名称：价值因子**[67][70] * **因子构建思路**：寻找市场价格低于其内在价值的公司，常用估值比率衡量[67][70]。 * **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[67]。 * `EP_FTTM`：未来12个月一致预期净利润/最新市值[67]。 * `SP_TTM`：过去12个月营业收入/最新市值[67]。 * `EP_FY0`：当期年报一致预期净利润/最新市值[67]。 * `Sales2EV`：过去12个月营业收入/企业价值[67]。 8. **因子名称：波动率因子**[70] * **因子构建思路**：使用股票收益率的波动性作为风险或特质的度量[70]。 * **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[70]。 * `IV_CAPM`：CAPM模型残差波动率[70]。 * `IV_FF`：Fama-French三因子模型残差波动率[70]。 * `IV_Carhart`：Carhart四因子模型残差波动率[70]。 9. **因子名称：可转债择券因子**[64] * **因子构建思路**：针对可转债构建量化择券因子，主要包括从正股维度迁移的因子和转债特有的估值因子[64]。 * **因子具体构建过程**： * **正股因子**：从预测正股的因子（如价值、成长、一致预期、财务质量）来构建可转债因子[64]。 * **转债估值因子**：使用平价底价溢价率等指标[64]。 因子的回测效果 （以下数据均基于“上周”时间窗口，IC均值为百分比，多空收益为百分比）[56] 1. **一致预期因子** * 全部A股 IC均值：2.24%， 多空收益：1.03%[56] * 沪深300 IC均值：-3.94%， 多空收益：-1.57%[56] * 中证500 IC均值：1.89%， 多空收益：0.78%[56] * 中证1000 IC均值：8.72%， 多空收益：2.02%[56] 2. **市值因子** * 全部A股 IC均值：-2.07%， 多空收益：-0.15%[56] * 沪深300 IC均值：0.93%， 多空收益：0.58%[56] * 中证500 IC均值：20.14%， 多空收益：3.31%[56] * 中证1000 IC均值：11.10%， 多空收益：0.77%[56] 3. **成长因子** * 全部A股 IC均值：-3.37%， 多空收益：0.06%[56] * 沪深300 IC均值：-17.25%， 多空收益：-0.29%[56] * 中证500 IC均值：1.14%， 多空收益：2.77%[56] * 中证1000 IC均值：-6.32%， 多空收益：-0.01%[56] 4. **反转因子** * 全部A股 IC均值：5.36%， 多空收益：0.37%[56] * 沪深300 IC均值：13.28%， 多空收益：0.81%[56] * 中证500 IC均值：16.64%， 多空收益：1.34%[56] * 中证1000 IC均值：7.80%， 多空收益：0.39%[56] 5. **质量因子** * 全部A股 IC均值：-6.95%， 多空收益：-1.44%[56] * 沪深300 IC均值：-0.76%， 多空收益：0.73%[56] * 中证500 IC均值：-4.95%， 多空收益：-2.15%[56] * 中证1000 IC均值：-8.44%， 多空收益：-1.68%[56] 6. **技术因子** * 全部A股 IC均值：12.50%， 多空收益：0.94%[56] * 沪深300 IC均值：2.99%， 多空收益：-0.83%[56] * 中证500 IC均值：11.04%， 多空收益：1.73%[56] * 中证1000 IC均值：13.76%， 多空收益：0.51%[56] 7. **价值因子** * 全部A股 IC均值：17.90%， 多空收益：2.18%[56] * 沪深300 IC均值：18.46%， 多空收益：6.33%[56] * 中证500 IC均值：22.43%， 多空收益：3.16%[56] * 中证1000 IC均值：25.13%， 多空收益：2.99%[56] 8. **波动率因子** * 全部A股 IC均值：未提供， 多空收益：未提供[56] * 沪深300 IC均值：21.49%， 多空收益：2.24%[56] * 中证500 IC均值：19.50%， 多空收益：3.29%[56] * 中证1000 IC均值：23.41%， 多空收益：2.09%[56] **因子评价**：过去一周，受地缘冲突与海外滞胀预期影响，市场资金追逐具有避险属性和涨价逻辑的资产，导致价值因子、波动率因子和技术因子表现极佳，而一致预期和成长因子继续承压[6][55]。展望未来，由于中东地缘风险与滞胀担忧仍在维持，预计价值因子仍会维持强势表现[6][55]。

量化模型与因子总结 量化模型与构建方式 根据提供的研报内容，报告主要对宽基指数进行多维度数据跟踪和统计分析，并未涉及用于预测或选股的量化模型（如多因子模型、机器学习模型等）的构建、测试与评价。报告内容侧重于市场状态描述和指标计算。 量化因子与构建方式 报告在分析过程中计算并展示了多个用于评估市场或指数状态的量化指标。这些指标可以被视为用于描述市场特征的“因子”。以下是报告中出现的所有因子及其构建方式： 1. **因子名称：连阴连阳天数** * **因子构建思路：** 通过计算指数K线连续为阴线或阳线的天数，来反映市场的短期趋势强度和持续性[12]。 * **因子具体构建过程：** 从当前交易日开始向前回溯，统计连续收盘价低于前一交易日收盘价（阴线）或高于前一交易日收盘价（阳线）的天数。正数表示连阳天数，负数表示连阴天数[12]。 2. **因子名称：指数与均线比较** * **因子构建思路：** 通过比较指数收盘价与不同周期的移动平均线（MA）的位置关系，来判断指数所处的趋势阶段（如是否突破或跌破关键均线）[15]。 * **因子具体构建过程：** 计算指数收盘价相对于各周期移动平均线的百分比偏离度。计算公式为： $$ 偏离度 = \frac{收盘价 - 移动平均线值}{移动平均线值} \times 100\% $$ 报告中计算了相对于MA5、MA10、MA20、MA60、MA120、MA250的偏离度[16]。 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：** 采用流通股本加权的方式计算指数整体换手率。具体公式为： $$ 指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)} $$ [20] 4. **因子名称：收益分布峰度与偏度** * **因子构建思路：** 通过计算指数日收益率分布的峰度和偏度，来描述收益分布的形态特征，如尖峰厚尾程度和分布对称性[25]。 * **因子具体构建过程：** 计算指定时间窗口（如近一年、近五年）内指数日收益率序列的峰度和偏度统计量。报告中注明，其峰度计算中减去了3（正态分布的峰度值），即计算的是超额峰度[27]。 5. **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作为无风险利率，计算股票指数的预期收益率与之差值，用以衡量投资股票市场所要求的额外风险补偿[29]。 * **因子具体构建过程：** 风险溢价通常计算为指数市盈率倒数（E/P）与无风险利率之差。报告中的具体计算公式未明确给出，但展示了结果，并计算了其在近1年、近5年的历史分位值[33]。 6. **因子名称：PE-TTM（滚动市盈率）** * **因子构建思路：** 使用最近十二个月（TTM）的净利润计算市盈率，作为衡量指数估值水平的核心指标[39]。 * **因子具体构建过程：** 计算公式为： $$ PE-TTM = \frac{指数总市值}{\sum (成分股最近十二个月净利润)} $$ 报告计算了其当前值、历史均值、波动率及相对于均值和标准差带的位置[43]。 7. **因子名称：股债性价比** * **因子构建思路：** 比较股票市场与债券市场的相对吸引力，通常用股票市场收益率（市盈率倒数）与债券收益率之差来表示[46]。 * **因子具体构建过程：** 计算公式为： $$ 股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率 $$ [46] 8. **因子名称：股息率** * **因子构建思路：** 反映指数成分股整体的现金分红回报率，是价值投资和红利策略关注的重要指标[48]。 * **因子具体构建过程：** 计算公式为： $$ 股息率 = \frac{\sum (成分股最近十二个月现金分红)}{\sum (成分股总市值)} \times 100\% $$ 报告计算了其当前值、历史分位值、均值及波动率[53]。 9. **因子名称：破净率** * **因子构建思路：** 统计指数中市净率（PB）小于1的个股占比，反映市场整体估值低迷或悲观的程度[54]。 * **因子具体构建过程：** 计算公式为： $$ 破净率 = \frac{指数中市净率 < 1 的成份股数量}{指数总成份股数量} \times 100\% $$ [57] 因子的回测效果 本报告为市场数据跟踪报告，未提供基于历史数据的因子回测结果（如IC、IR、多空收益、夏普比率等）。报告仅展示了各因子在**特定时点（2026年3月13日）** 对于**不同宽基指数**的截面取值或状态描述。具体数值如下： 1. **连阴连阳天数因子** * 上证50: -2 (日K连阴)[12] * 沪深300: 空[12] * 中证500: -3 (日K连阴)[12] * 中证1000: -2 (日K连阴)[12] * 中证2000: -3 (日K连阴)[12] * 中证全指: -2 (日K连阴)[12] * 创业板指: 空[12] 2. **指数与均线比较因子 (vsMA5)** * 上证50: -0.5%[16] * 沪深300: -0.02%[16] * 中证500: -1.2%[16] * 中证1000: -1.0%[16] * 中证2000: -1.4%[16] * 中证全指: -0.7%[16] * 创业板指: 0.4%[16] 3. **指数换手率因子** * 上证50: 0.41[18] * 沪深300: 0.94[18] * 中证500: 2.58[18] * 中证1000: 3.35[18] * 中证2000: 4.14[18] * 中证全指: 2.18[18] * 创业板指: 2.64[18] 4. **收益分布峰度与偏度因子 (当前vs近5年)** * **峰度偏离：** * 上证50: -1.79[27] * 沪深300: -1.85[27] * 中证500: -1.51[27] * 中证1000: -1.84[27] * 中证2000: -2.20[27] * 中证全指: -1.87[27] * 创业板指: -2.61[27] * **偏度偏离：** * 上证50: -0.51[27] * 沪深300: -0.47[27] * 中证500: -0.41[27] * 中证1000: -0.49[27] * 中证2000: -0.54[27] * 中证全指: -0.49[27] * 创业板指: -0.62[27] 5. **风险溢价因子 (近5年分位值)** * 上证50: 28.81%[33] * 沪深300: 34.21%[33] * 中证500: 9.37%[33] * 中证1000: 12.06%[33] * 中证2000: 15.08%[33] * 中证全指: 15.79%[33] * 创业板指: 46.35%[33] 6. **PE-TTM因子 (近5年历史分位值)** * 上证50: 80.58%[43] * 沪深300: 90.08%[43] * 中证500: 97.27%[43] * 中证1000: 97.52%[43] * 中证2000: 90.08%[43] * 中证全指: 97.77%[43] * 创业板指: 59.01%[43] 7. **股债性价比因子 (状态描述)** * 没有指数高于其近5年80%分位（机会值）[46] * 中证500和中证全指低于其近5年20%分位（危险值）[46] 8. **股息率因子 (近5年历史分位值)** * 上证50: 37.77%[53] * 沪深300: 36.61%[53] * 中证500: 8.02%[53] * 中证1000: 22.40%[53] * 中证2000: 4.21%[53] * 中证全指: 26.94%[53] * 创业板指: 55.12%[53] 9. **破净率因子** * 上证50: 22.0%[57] * 沪深300: 15.67%[57] * 中证500: 8.6%[57] * 中证1000: 6.6%[57] * 中证2000: 2.6%[57] * 中证全指: 5.16%[57]

量化模型与因子总结 根据提供的研报内容，该报告主要聚焦于ESG市场动态、政策与事件追踪，并未涉及具体的量化模型或量化因子的构建、测试与分析过程[1][2][3][4][5][6][7][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][28][29][30][31][33][34][35][36][37][38][39][40][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59]。 报告内容属于市场观察周报，其核心是： 1. **ESG政策与事件梳理**：汇总国内外与ESG相关的法律法规、金融产品发行及机构动态[1][10][11][12][13][14][15][16][17]。 2. **市场表现追踪**：对比了国内外一系列**已有的、公开的ESG主题指数**（如300 ESG、SEEE碳中和等）相对于基准指数的表现，并分析了碳市场、电力板块及绿色转型相关板块的资金流向[2][18][19][26][28][29][31][33][34]。 3. **舆情数据分析**：统计了全市场ESG事件的数量、正负向分布、维度（E/S/G）及行业分布，并列举了热点案例[3][42][45][48][49][52][53][54][55][56]。 报告中提及的指数（如300 ESG指数、SEEE碳中和指数）和板块分类（低碳核心、低碳支撑、转型主体）是用于描述市场现状的分析工具或观察维度，并非由报告作者构建和测试的量化模型或因子[19][31][33][34]。报告未提供任何关于模型/因子的构建思路、具体公式、回测过程、评价及基于统一口径的测试结果（如年化收益率、夏普比率、信息比率IR、最大回撤等）。 因此，本报告**不包含**需要总结的量化模型或量化因子内容。

量化模型与构建方式 1. **模型名称**：一致预期离散度策略[2][15] **模型构建思路**：基于“预期分歧越大，实际业绩超预期概率越大”的逻辑，在财报季（尤其是4月）构建行业轮动策略，买入分析师预期分歧大的行业，卖出预期分歧小的行业，以捕捉预期由分歧转向一致时的超额收益[2][11][15]。 **模型具体构建过程**： 1. **因子计算**：首先构建“行业一致预期离散度”因子（详见下文因子部分）[12]。 2. **组合构建**：在每月末（报告重点在4月末），根据计算出的各行业一致预期离散度指标进行排序。将指标值最大的3个行业等权构建为多头组合，将指标值最小的3个行业等权构建为空头组合[2][15]。 3. **基准选择**：以全行业等权组合作为比较基准[2][15]。 **模型评价**：该策略在4月财报季表现尤为突出，抓住了市场对基本面定价权重提升的窗口期，逻辑清晰，历史回测效果显著[15]。 量化因子与构建方式 1. **因子名称**：行业一致预期离散度[2][12] **因子构建思路**：通过衡量分析师对行业内个股未来一年（FY1）净利润预测的差异程度，来刻画市场对该行业业绩预期的分歧度。分歧度越大，指标值越高[2][11][12]。 **因子具体构建过程**： 1. **个股离散度计算**：对于每只个股，计算其FY1净利润预测的离散度。公式为： $$个股离散度 = \frac{净利润预测最大值 - 净利润预测最小值}{|净利润预测中位数|}$$[12] 该比值越大，表明分析师对该股票的净利润预测分歧越大[12]。 2. **行业汇总**：将属于同一行业的所有个股的离散度指标，先进行缩尾处理以规避极端值影响，然后按照个股权重（报告中未明确具体权重，通常为市值或等权）加权，得到行业的原始一致预期离散度指标[12]。 3. **横截面标准化**：由于不同行业的利润波动性存在固有差异（例如计算机行业的离散度长期系统性高于银行[14][16]），为使不同行业间的指标具有可比性，进一步计算每个行业原始指标在过去滚动2年窗口内的历史分位数[14]。最终使用的“行业一致预期离散度”指标即为该分位数。 模型的回测效果 1. **一致预期离散度策略**，在**2018年至2025年期间**，**4月份多头组合相对全行业等权基准的超额收益中位数**为**2%**[2][15]。 2. **一致预期离散度策略**，在**2018年至2025年期间**，**4月份多头组合的超额胜率**为**88%**（仅2018年4月超额收益为负）[2][15]。 3. **一致预期离散度策略**，长期回测显示，一致预期离散度较高的行业组合整体跑赢基准，而离散度较低的行业组合整体跑输基准[15][17]。 因子的回测效果 （报告中未单独提供因子IC、IR等传统因子测试结果，而是直接展示了基于该因子构建的策略表现。因此，本部分根据报告内容，展示因子最新截面数据。） 1. **行业一致预期离散度因子**，截至**2026年2月**，因子值**最高**的三个行业为：**商贸零售**、**通信**、**食品饮料**[3][18][21]。 2. **行业一致预期离散度因子**，截至**2026年2月**，因子值**最低**的三个行业为：**基础化工**、**有色金属**、**建筑材料**[3][18][21]。

量化模型与构建方式 1. **模型名称：长期行业主题基金标签与指数模型**[36] * **模型构建思路**：为满足投资者在资产配置、主题投资和产品选择上的多样化需求，构建主动偏股基金的行业主题和细分赛道标签，并构建相应的行业主题基金指数，作为衡量主题基金风险收益情况的工具[36]。 * **模型具体构建过程**： 1. **数据来源**：使用基金近四期（两年）的中报和年报持仓信息[36]。 2. **标签定义**：根据基金在长期运作中呈现的行业特征，将其长期行业标签区分为三类： * **行业主题基金**：长期稳定集中于某一特定行业。 * **行业轮动基金**：长期内行业配置发生显著变化。 * **行业均衡基金**：长期内行业配置较为分散均衡[36]。 3. **指数构建**：基于上述标签分类，构建不同行业主题（如新能源、消费、TMT等）的基金指数，以反映该主题下基金的整体表现[36]。 2. **模型名称：公募REITs系列指数模型**[46] * **模型构建思路**：为投资者提供基于指数化投资思想、利用REITs指数进行资产配置的新视角，构建完整的REITs系列指数以综合反映市场表现，并提供不同底层资产和项目类型的细分指数[46]。 * **模型具体构建过程**： 1. **指数类型**：考虑到REITs的高分红特性，同时提供价格指数和全收益指数[46]。 2. **加权方法**：采用分级靠档的方法以确保计算指数的份额保持相对稳定[46]。 3. **调整维护**：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（如新发、扩募）时，采用除数修正法保证指数的连续性[46]。 4. **指数分类**：构建综合指数、底层资产指数（如产权类、特许经营权类）以及细分项目指数（如生态环保、交通基础设施、园区基础设施等）[46][47][49]。 量化因子与构建方式 1. **因子名称：现金流因子**[59] * **因子构建思路**：作为多因子投资策略中的一个风格因子，聚焦于公司的自由现金流表现，旨在筛选现金流状况良好的公司[59]。 * **因子具体构建过程**：报告中未详细描述该因子的具体计算公式，但提及了跟踪该因子的ETF产品（如自由现金流ETF）[59][60]。通常，自由现金流因子可能基于公司的自由现金流（经营现金流减去资本支出）或其衍生指标（如自由现金流收益率）进行构建和排序。 2. **因子名称：红利因子**[59] * **因子构建思路**：作为多因子投资策略中的一个风格因子，聚焦于公司的股息分红，旨在筛选股息率较高或分红稳定的公司[59]。 * **因子具体构建过程**：报告中未详细描述该因子的具体计算公式，但提及了跟踪该因子的ETF产品（如红利低波100ETF）[59][60]。通常，红利因子可能基于股息率、股息支付率或连续分红年限等指标进行构建和排序。 3. **因子名称：价值因子**[59] * **因子构建思路**：作为多因子投资策略中的一个风格因子，聚焦于公司的估值水平，旨在筛选相对于其基本面（如盈利、资产）价格被低估的公司[59]。 * **因子具体构建过程**：报告中未详细描述该因子的具体计算公式，但提及了跟踪该因子的ETF产品[59]。通常，价值因子可能基于市盈率（PE）、市净率（PB）、市销率（PS）等估值指标进行构建和排序。 4. **因子名称：动量因子**[59] * **因子构建思路**：作为多因子投资策略中的一个风格因子，聚焦于股票价格的趋势，旨在筛选近期表现强势、具有持续上涨动能的股票[59]。 * **因子具体构建过程**：报告中未详细描述该因子的具体计算公式，但提及了跟踪该因子的ETF产品[59]。通常，动量因子可能基于过去一段时间（如3个月、6个月、12个月）的收益率进行构建和排序。 5. **因子名称：成长因子**[59] * **因子构建思路**：作为多因子投资策略中的一个风格因子，聚焦于公司的成长能力，旨在筛选营收、盈利等增长较快的公司[59]。 * **因子具体构建过程**：报告中未详细描述该因子的具体计算公式，但提及了跟踪该因子的ETF产品[59]。通常，成长因子可能基于营收增长率、净利润增长率、盈利预测调整等指标进行构建和排序。 6. **因子名称：质量因子**[59] * **因子构建思路**：作为多因子投资策略中的一个风格因子，聚焦于公司的盈利质量和财务稳健性，旨在筛选具有高盈利能力、低负债和稳健经营的公司[59]。 * **因子具体构建过程**：报告中未详细描述该因子的具体计算公式，但提及了跟踪该因子的ETF产品[59]。通常，质量因子可能基于净资产收益率（ROE）、资产收益率（ROA）、毛利率、负债率等指标进行构建和排序。 模型的回测效果 1. **长期行业主题基金指数（截至2026年3月13日当周）**[36] * 新能源主题基金，本周收益率4.22% * 消费主题基金，本周收益率-0.23% * 金融地产主题基金，本周收益率-0.58% * 行业均衡主题基金，本周收益率-0.80% * 行业轮动主题基金，本周收益率-0.96% * 医药主题基金，本周收益率-1.09% * 周期主题基金，本周收益率-1.23% * TMT主题基金，本周收益率-1.69% * 国防军工主题基金，本周收益率-5.59% 2. **REITs指数系列（基日以来业绩，截至2026年3月13日）**[49] * REITs综合指数，累计收益-4.78%，年化收益-1.03%，最大回撤-42.67%，夏普比率-0.24，年化波动10.37% * 产权类REITs指数，累计收益12.93%，年化收益2.60%，最大回撤-45.00%，夏普比率0.09，年化波动12.59% * 特许经营权类REITs指数，累计收益-24.35%，年化收益-5.73%，最大回撤-41.17%，夏普比率-0.80，年化波动9.05% * 生态环保REITs指数，累计收益-11.61%，年化收益-2.58%，最大回撤-55.72%，夏普比率-0.27，年化波动15.05% * 交通基础设施REITs指数，累计收益-33.92%，年化收益-8.39%，最大回撤-44.19%，夏普比率-1.11，年化波动8.92% * 园区基础设施REITs指数，累计收益-15.36%，年化收益-3.46%，最大回撤-52.07%，夏普比率-0.36，年化波动13.63% * 仓储物流REITs指数，累计收益-3.23%，年化收益-0.69%，最大回撤-50.32%，夏普比率-0.14，年化波动15.31% * 能源基础设施REITs指数，累计收益6.45%，年化收益1.33%，最大回撤-18.41%，夏普比率-0.02，年化波动9.96% * 保障性租赁住房REITs指数，累计收益4.79%，年化收益0.99%，最大回撤-33.34%，夏普比率-0.04，年化波动12.29% * 消费基础设施REITs指数，累计收益49.88%，年化收益8.93%，最大回撤-9.89%，夏普比率0.70，年化波动10.60% * 市政设施REITs指数，累计收益15.79%，年化收益3.15%，最大回撤-20.26%，夏普比率0.08，年化波动19.62% * 水利设施REITs指数，累计收益18.87%，年化收益3.72%，最大回撤-21.47%，夏普比率0.14，年化波动15.82% * 新型基础设施REITs指数，累计收益18.29%，年化收益3.62%，最大回撤-5.08%，夏普比率0.17，年化波动12.59% 因子的回测效果 *注：报告中未提供单个因子的独立回测绩效指标（如IC、IR、多空收益等）。因子表现主要通过跟踪该因子的ETF产品资金流和短期收益来间接反映，但缺乏系统性的因子测试结果。因此，此部分无具体指标取值。*

量化模型与构建方式 1. **模型/因子名称**：南方基金“首趋E指”小程序双核心评价体系[12] **模型/因子构建思路**：该小程序为指数投资工具，其核心功能模块“比”环节，提炼了两个核心评价指标，用于横向对比不同指数的投资价值[12][14]。 **模型/因子具体构建过程**：构建了两个评价指标： * **热度值**：反映指数所代表的短期市场情绪与交易热度[14]。 * **潜力值**：衡量指数的中长期配置价值[14]。 **模型/因子评价**：该体系旨在将复杂的指数投资决策过程简化、标准化，通过“热度值”和“潜力值”两个维度，帮助投资者快速理解和比较不同指数的短期交易特征与长期投资价值[12][14]。 2. **模型/因子名称**：动态哑铃策略工具[14] **模型/因子构建思路**：作为“首趋E指”小程序的“投”环节工具，旨在帮助投资者构建攻守兼备的投资组合[14]。 **模型/因子具体构建过程**：该工具将投资组合的资产进行可视化拆解，分为两类： * **进攻型资产**：主要包括成长风格、科技主题的指数或基金[14]。 * **防守型资产**：主要包括红利指数、债券类资产、宽基蓝筹指数或基金[14]。 投资者可以通过调整这两类资产的配置比例，动态构建符合自身风险偏好的投资组合[14]。 模型的回测效果 （报告中未提供“首趋E指”小程序相关模型或策略的具体回测指标数据。） 量化因子与构建方式 （报告中未提供传统量化选股因子的具体构建细节。） 因子的回测效果 （报告中未提供传统量化选股因子的具体测试结果。）

量化模型与构建方式 1. **模型名称：三维择时框架**[6][9] * **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趋势变化，综合判断市场整体走势（震荡上涨、震荡下跌、趋势上涨、趋势下跌）[6][9]。 * **模型具体构建过程**：报告未详细描述三个具体指数的构建公式，但明确了其构建逻辑。市场分歧度指数用于衡量投资者观点分歧程度[16]。市场流动性指数用于衡量市场资金面松紧状况[23]。A股景气度指数2.0用于衡量上市公司盈利增长趋势[19]。通过观察这三个指数的变化趋势（上行或下行），将其映射到“分歧度-流动性-景气度”三维坐标系中，从而对市场状态进行判断[9]。 2. **模型名称：ETF热点趋势策略**[27] * **模型构建思路**：结合技术形态（价格趋势）和市场情绪（换手率变化），筛选出处于强势上涨趋势且市场关注度短期显著提升的ETF构建组合[27]。 * **模型具体构建过程**： 1. **初选**：根据K线形态，筛选出最高价与最低价同时呈现上涨形态的ETF[27]。 2. **构建支撑阻力因子**：基于最高价与最低价近20日的回归系数，计算其相对陡峭程度，以此构建因子[27]。 3. **筛选关注度提升品种**：在支撑阻力因子的多头组中，选择近5日换手率与近20日换手率比值最高的ETF，即短期市场关注度明显提升的品种[27]。 4. **组合构建**：最终选择10只ETF，采用风险平价方法构建投资组合[27]。 3. **模型名称：融资-主动大单资金流共振策略**[34] * **模型构建思路**：利用融资融券资金流和主动大单资金流两种不同类型资金的共振效应，筛选出资金面共同看好的行业[34]。 * **模型具体构建过程**： 1. **构建行业融资融券资金因子**：计算行业内个股的融资净买入减去融券净卖出并加总，然后使用Barra市值因子进行中性化处理。取该中性化后序列的最近50日均值，并计算其两周环比变化率[34]。 2. **构建行业主动大单资金因子**：计算行业资金净流入，并使用行业最近一年的成交量进行时序中性化处理，然后进行排序打分。取该排序分值的最近10日均值[34]。 3. **策略逻辑**：研究发现，融资融券因子的多头端在某些市场状态下有稳定的负向超额收益，而主动大单因子（剔除极端多头行业后）有稳定的正向超额收益。因此，策略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，以提高策略稳定性。最后，再剔除大金融板块[34]。 4. **模型名称：全天候配置策略（高波版与低波版）**[38] * **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，旨在不依赖宏观预测和杠杆的情况下获取稳健的绝对收益[38]。 * **模型具体构建过程**：报告未提供具体的资产配置权重计算公式，但阐述了核心设计原则。 1. **核心原则**：遵循资产选择、风险调整、结构对冲三项基本原则以实现收益稳定[38]。 2. **对冲构型**：采用循环对冲设计，直接针对资产波动进行长期收益平衡，绕过对宏观因素的刻画[38]。 3. **组合分类**：根据风险水平分为高波版和低波版。高波版采用“四层结构化-股债金风险平价”方法；低波版采用“五层结构化-风险预算”方法[38][40][42]。 4. **资产类别**：组合涵盖A股、H股、美股、债券、商品（黄金、有色金属、能源化工、豆粕）等多种资产[48]。 量化因子与构建方式 1. **因子名称：支撑阻力因子**[27] * **因子构建思路**：通过计算价格高点与低点回归线的陡峭程度，来衡量ETF价格的上涨动力或阻力强度[27]。 * **因子具体构建过程**：对于每只ETF，分别对其最高价和最低价序列进行近20日的线性回归。该因子的值即为两个回归线斜率的相对陡峭程度，具体计算公式未在报告中给出[27]。 2. **因子名称：行业融资融券资金因子**[34] * **因子构建思路**：衡量经过市值调整后的行业层面融资客资金流向的近期变化强度[34]。 * **因子具体构建过程**： 1. 计算行业内各股票的融资净买入与融券净卖出之差，并在行业内加总，得到原始行业两融资金流。 2. 使用Barra市值因子对该原始序列进行横截面中性化处理。 3. 计算中性化后序列的50日移动平均值。 4. 计算该50日均值的两周环比变化率，作为最终的因子值[34]。 3. **因子名称：行业主动大单资金因子**[34] * **因子构建思路**：衡量经过自身成交量调整后的行业层面主力资金（大单）净流入强度的近期平均水平[34]。 * **因子具体构建过程**： 1. 计算行业的主动大单资金净流入额。 2. 使用该行业自身最近一年的成交量时间序列，对资金净流入序列进行时序中性化处理。 3. 将中性化后的序列在全市场行业内进行排序并转化为分位数打分。 4. 取该排序分值的10日移动平均值，作为最终的因子值[34]。 4. **风格因子组**：报告提及了价值因子、盈利收益率因子、杠杆因子，并指出本周市场呈现“高价值高盈利收益率高杠杆”的风格特征，但未提供这些因子的具体构建公式[49]。 5. **Alpha因子组**：报告列出了大量Alpha因子及其近期表现，但未提供具体构建公式。这些因子主要包括： * **估值类**：未来三年一致预期市盈率倒数（ep_fy3）、市盈率倒数fttm（ep_fttm）、一致预期市盈率倒数（est_ep）、市销率倒数（sp）、股息率（dividend_yield_ratio）等[54]。 * **盈利与质量类**：营业收入TTM（or_ttm）、经营现金流TTM/总市值（ocfp）、单季度ROA同比差值（roa_q_delta_adv）、营业利润TTM/销售费用TTM（oper_salesexp）等[54][57]。 * **成长与预期类**：一致预期净利润（FY1）变化占比（mom1_np_fy1）、一致预期营收（FY1）变化占比（mom3_rev_fy1）、一致预期EPS变化占比（mom3_eps_fy1）、PEG（peg）等[56][57]。 * **动量与波动类**：一周收益标准差（return_std_1w）、十二个月收益标准差（return_std_12m）、3月最高价/3月最低价（close_max_div_min_3m）、2年的收益率（mom_2y）、十二个月残差动量（specific_mom12）等[54][57]。 * **情绪与交易类**：近252交易日平均换手率的自然对数（swap_1y）、换手率波动（turnover_std_3m）等[54]。 * **分析师预期类**：评级上下调差/评级上下调和（est_num_diff）、est eps刷量（mom_est_eps）等[57]。 模型的回测效果 1. **三维择时框架**：报告展示了该框架的历史状态划分图（图3、图4），但未提供具体的量化回测指标（如年化收益率、夏普比率等）[9][12]。 2. **ETF热点趋势策略**：2025年以来，策略收益为65.46%，相比沪深300指数的超额收益为43.25%[27]。 3. **融资-主动大单资金流共振策略**： * 2018年以来费后年化超额收益为14.3%，信息比率（IR）为1.3[34]。 * 策略上周（报告期）绝对收益为-1.51%，相对行业等权基准的超额收益为-0.91%[34]。 4. **全天候配置策略**： * **高波版**：截至2025年，年化收益率11.8%，年平均最大回撤3.6%，夏普比率1.9。2026年以来收益率2.9%[46]。 * **低波版**：截至2025年，年化收益率6.7%，年平均最大回撤2.0%，夏普比率2.4。2026年以来收益率1.3%[46]。 因子的回测效果 1. **风格因子（本周表现）**： * 价值因子周收益：3.08%[49] * 盈利收益率因子周收益：2.10%[49] * 杠杆因子周收益：1.93%[49] 2. **Alpha因子（近一周多头超额收益）**：报告以表格形式列出了近一周和近一个月表现最好的20个因子及其多头超额收益[54]。部分关键因子近一周表现如下： * 未来三年一致预期市盈率倒数（ep_fy3）：1.13%[54] * 一周收益标准差（return_std_1w）：1.07%[54] * 十二个月收益标准差（return_std_12m）：1.00%[54] * 市盈率倒数fttm（ep_fttm）：0.99%[54] * 一致预期市盈率倒数（est_ep）：0.99%[54] 3. **Alpha因子（分指数最近一年多头超额收益）**：报告展示了在不同宽基指数（沪深300、中证500、中证800、中证1000）中，最近一年表现最佳的因子及其超额收益[57]。部分代表性因子表现如下： * **沪深300中表现最佳**：评级上下调差/评级上下调和（est_num_diff），超额收益34.58%[57] * **中证500中表现最佳**：一致预期净利润（FY1）变化占比（mom1_np_fy1），超额收益15.80%[57] * **中证800中表现最佳**：一致预期净利润（FY1）变化占比（mom3_np_fy1），超额收益28.07%[57] * **中证1000中表现最佳**：单季度净利润同比增长(考虑快报、预告)（yoy_np_q_adv），超额收益23.09%[57]

量化模型与构建方式 **注：** 该报告为历史牛市行业表现的复盘研究，未涉及具体的量化模型或量化因子构建。报告的核心内容是对不同牛市阶段中，各行业（长江一级行业）的涨幅、弹性、超额收益等表现进行统计和对比分析，属于历史规律总结和定性描述，并未提出新的量化模型或因子[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15]。 量化因子与构建方式 **注：** 该报告未构建新的量化因子。报告中用于衡量行业表现的核心指标是**“区间最大涨幅”**，其定义为行业指数在特定时间段内从最低点到最高点的最大涨幅[20]。报告以此作为衡量行业弹性的主要标准，并基于此指标进行排序和对比分析[20][28][46]。 模型的回测效果 **注：** 报告未涉及量化模型，因此无模型回测效果。 因子的回测效果 **注：** 报告未构建量化因子，因此无因子回测效果。但报告对历史四轮牛市中各行业基于“区间最大涨幅”等指标的表现进行了详尽的统计，具体结果如下： **1. 第一轮牛市（2005年6月6日至2007年10月16日）行业弹性排名** * 综合金融，区间最大涨幅1955%，超额收益月份数22个月[28] * 房地产，区间最大涨幅1000%，超额收益月份数10个月[28] * 非金属材料，区间最大涨幅894%，超额收益月份数15个月[28] * 机械设备，区间最大涨幅884%，超额收益月份数15个月[28] * 金属材料及矿业，区间最大涨幅858%，超额收益月份数14个月[28] * 煤炭，区间最大涨幅842%，超额收益月份数13个月[28] * 家用装饰及休闲，区间最大涨幅808%，超额收益月份数13个月[28] * 油气石化，区间最大涨幅805%，超额收益月份数17个月[28] * 商业贸易，区间最大涨幅758%，超额收益月份数9个月[28] * 电力及新能源设备，区间最大涨幅726%，超额收益月份数14个月[28] **2. 第二轮牛市（2012年12月4日至2015年6月3日）行业弹性排名** * 计算机，区间最大涨幅891%，超额收益月份数22个月[46] * 家用装饰及休闲，区间最大涨幅542%，超额收益月份数22个月[46] * 传媒互联网，区间最大涨幅537%，超额收益月份数17个月[46] * 国防军工，区间最大涨幅509%，超额收益月份数17个月[46] * 电信业务，区间最大涨幅454%，超额收益月份数20个月[46] * 电力及新能源设备，区间最大涨幅393%，超额收益月份数21个月[46] * 环保，区间最大涨幅388%，超额收益月份数15个月[46] * 社会服务，区间最大涨幅380%，超额收益月份数20个月[46] * 电子，区间最大涨幅354%，超额收益月份数20个月[46] * 综合金融，区间最大涨幅348%，超额收益月份数13个月[46] **3. 第三轮牛市（2018年10月19日至2021年7月21日）行业弹性排名** * 电力及新能源设备，区间最大涨幅502%，超额收益月份数19个月[55] * 食品饮料，区间最大涨幅425%，超额收益月份数19个月[55] * 国防军工，区间最大涨幅373%，超额收益月份数15个月[55] * 有色金属，区间最大涨幅365%，超额收益月份数15个月[55] * 医药生物，区间最大涨幅364%，超额收益月份数18个月[55] * 电子，区间最大涨幅361%，超额收益月份数18个月[55] * 基础化工，区间最大涨幅342%，超额收益月份数16个月[55] * 汽车，区间最大涨幅337%，超额收益月份数16个月[55] * 机械设备，区间最大涨幅332%，超额收益月份数17个月[55] * 计算机，区间最大涨幅329%，超额收益月份数15个月[55] **4. 第四轮牛市（2024年2月5日至今）行业弹性排名（截至报告时）** * 电信业务，区间最大涨幅84.79%[25] * 金属材料及矿业，区间最大涨幅82.68%[25] * 电子，区间最大涨幅48.18%[25] * 电力及新能源设备，区间最大涨幅40.71%[25] * 国防军工，区间最大涨幅39.70%[25] * 化学品，区间最大涨幅39.26%[25] * 机械设备，区间最大涨幅39.14%[25] * 保险，区间最大涨幅31.36%[25] * 传媒互联网，区间最大涨幅30.08%[25] * 非金属材料，区间最大涨幅28.16%[25]