量化模型与因子总结 量化模型与构建方式 1. **模型名称**：恒生A股电网设备指数编制模型[37] **模型构建思路**：旨在综合反映中国A股市场电网设备行业上市公司证券整体表现，通过设定行业、流动性和市值标准，从A股市场中筛选出最具代表性的50只成分股[37] **模型具体构建过程**： 1. **确定样本空间**：在上海、深圳或北京证券交易所上市的A股（不包括REITs）[38] 2. **设定选样标准**： * **上市历史**：北京证券交易所A股上市最少一年[38] * **流动性**：过去6个月日均成交额至少2千万人民币[38] * **行业纯度**：公司收入中至少40%合计来自于电网设备相关的RBICS第六级子行业（现有成分股门槛降低至30%）[38] 3. **成分股筛选**：在满足上述条件的待选样本中，选取市值排名最高的50只证券作为成分股[38] 4. **定期调整规则**： * 样本股每半年调整一次[38] * 排名60名以下的现有成分股将从指数中剔除，排名40名或以上的非成分股将加入指数，最终调整数目以维持50只成分股为准[38] 5. **加权方式**：采用流通市值加权，并设置单只成分股权重上限为10%[38] 模型的回测效果 1. **恒生A股电网设备指数模型**，近一年区间收益108.72%[56]，近一年年化波动率27.42%[56]，近一年年化夏普比率4.42[56] 2. **恒生A股电网设备指数模型**，近三年区间收益134.46%[56]，近三年年化波动率24.63%[56]，近三年年化夏普比率1.52[56] 3. **恒生A股电网设备指数模型**，基日以来区间收益335.48%[56]，基日以来年化波动率27.13%[56]，基日以来年化夏普比率1.02[56] 量化因子与构建方式 1. **因子名称**：行业景气度因子（国内输变电）[10][11] **因子构建思路**：捕捉国内电网投资，特别是750kV主网架建设加速带来的行业阶跃式增长机会[10][11] **因子具体构建过程**：通过跟踪国家电网公司对特定电压等级关键设备（如750kV变压器、组合电器GIS）的招标量及同比增速变化来构建[11]。例如，2025年预计750kV变压器招标量同比增速达75%，组合电器招标量同比增速达84%[11] 2. **因子名称**：行业景气度因子（国内特高压）[16][17] **因子构建思路**：捕捉特高压项目核准与招标提速带来的产业链需求放量[16][17] **因子具体构建过程**：通过跟踪特高压直流/交流线路的年均核准数量、国网特高压设备及材料的年度招标金额来构建[17]。例如，“十五五”期间预计年均核准4条直流、2条交流线路，带动特高压设备/材料年均招标额分别达400亿元和200亿元以上[17] 3. **因子名称**：海外需求因子（出口增长）[20][21] **因子构建思路**：捕捉全球电网升级及新兴市场建设带来的中国电力设备出口增长机会[20][21] **因子具体构建过程**：通过跟踪海关总署发布的重点电力设备出口金额及同比增速来构建[21][22]。例如，2025年1-11月变压器出口金额同比增长35%，高压开关出口金额同比增长29%[21][28] 4. **因子名称**：技术创新驱动因子（AI算力需求）[33][34] **因子构建思路**：捕捉AI算力爆发对高功率密度、高效率供电架构（如高压直流、固态变压器SST）的迭代升级需求[33][34] **因子具体构建过程**：通过跟踪AI服务器平均机架功率密度的预测增长趋势，以及高压直流供电架构、固态变压器（SST）相比传统方案在效率、体积、成本等方面的优势来定性构建[33][34][35] 5. **因子名称**：盈利增长因子[5][46] **因子构建思路**：筛选在电网投资高景气周期下，能够实现订单兑现和盈利持续增长的上市公司[5][46] **因子具体构建过程**：通过计算并比较上市公司营业收入同比增长率和归母净利润同比增长率来构建[46][48]。例如，指数中多家龙头公司连续多年实现营收与净利润双增长，2025年三季报显示部分公司盈利增速显著[5][46][48] 6. **因子名称**：估值分位因子[6][52] **因子构建思路**：结合行业高景气背景，评估成分股当前估值在其历史区间中的位置，寻找具备动态安全边际或估值修复机会的标的[6][52] **因子具体构建过程**：计算成分股当前市盈率（PE-TTM）在过去五年历史中的百分位分位数[52]。截至2026年1月19日，指数成分股中有23只处于过去五年估值80%分位以上，同时有18只处于60%分位以下[52] 因子的回测效果 *注：本报告未提供上述单个因子的独立回测指标数值（如IC、IR、多空收益等）。报告展示的是整合了多种因子逻辑的“恒生A股电网设备指数”的整体表现[55][56]。*

量化模型与构建方式 1. **模型名称**：无 **模型构建思路**：无 **模型具体构建过程**：无 量化因子与构建方式 1. **因子名称**：封板率因子 **因子构建思路**：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，来衡量涨停板的封板强度和市场追涨情绪[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. 识别在当日盘中最高价达到涨停的股票[16] 3. 在步骤2的股票中，进一步识别收盘价仍为涨停的股票[16] 4. 计算封板率，公式为： $$封板率=最高价涨停且收盘涨停的股票数/最高价涨停的股票数$$ [16] 2. **因子名称**：连板率因子 **因子构建思路**：通过计算连续两日收盘涨停的股票数量占昨日收盘涨停股票总数的比例，来衡量市场涨停效应的延续性和短线炒作热度[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. 识别在昨日收盘涨停的股票[16] 3. 在步骤2的股票中，进一步识别在今日收盘也涨停的股票[16] 4. 计算连板率，公式为： $$连板率=连续两日收盘涨停的股票数/昨日收盘涨停的股票数$$ [16] 3. **因子名称**：大宗交易折价率因子 **因子构建思路**：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，来反映大额资金交易的折价水平，可作为观察大资金偏好的情绪指标[25] **因子具体构建过程**： 1. 获取当日所有大宗交易的成交金额和成交份额数量[25] 2. 根据成交份额数量和当日市场价格，计算该部分份额按市价计算的总市值[25] 3. 计算折价率，公式为： $$折价率=大宗交易总成交金额/当日成交份额的总市值-1$$ [25] 4. **因子名称**：股指期货年化升贴水率因子 **因子构建思路**：通过计算股指期货主力合约价格与现货指数价格的基差，并进行年化处理，来衡量市场对未来走势的预期、对冲成本以及市场情绪[27] **因子具体构建过程**： 1. 选定标的指数（如上证50、沪深300等）及其对应的股指期货主力合约[27] 2. 计算基差：基差 = 期货价格 - 现货指数价格[27] 3. 计算年化升贴水率，公式为： $$年化贴水率=基差/指数价格*(250/合约剩余交易日数)$$ 当结果为正值时表示升水，负值表示贴水[27] 模型的回测效果 1. **无相关模型回测结果** 因子的回测效果 1. **封板率因子**，2026年1月29日当日取值为64%[16] 2. **连板率因子**，2026年1月29日当日取值为24%[16] 3. **大宗交易折价率因子**，2026年1月28日当日取值为8.98%[25]；近半年以来平均取值为6.90%[25] 4. **股指期货年化升贴水率因子** **上证50股指期货**：2026年1月29日当日取值为5.22%（升水）[27]；近一年以来中位数取值为0.68%[27] **沪深300股指期货**：2026年1月29日当日取值为5.28%（升水）[27]；近一年以来中位数取值为3.79%[27] **中证500股指期货**：2026年1月29日当日取值为-0.02%（贴水）[27]；近一年以来中位数取值为-11.11%（贴水）[27] **中证1000股指期货**：2026年1月29日当日取值为-0.32%（贴水）[27]；近一年以来中位数取值为-13.61%（贴水）[27]

量化模型与构建方式 1. **模型名称**：无 **模型构建思路**：无 **模型具体构建过程**：无 量化因子与构建方式 1. **因子名称**：封板率因子 **因子构建思路**：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与资金追涨意愿[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. 统计在当日盘中最高价达到涨停的股票数量[16]。 3. 统计在当日最高价涨停且收盘价也涨停的股票数量[16]。 4. 计算封板率，公式为： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[16] 2. **因子名称**：连板率因子 **因子构建思路**：通过计算连续两日收盘涨停的股票数量占昨日收盘涨停股票总数的比例，来衡量市场涨停效应的延续性和短线炒作热度[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. 统计在昨日收盘涨停的股票数量[16]。 3. 统计在昨日和今日连续两日收盘都涨停的股票数量[16]。 4. 计算连板率，公式为： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[16] 3. **因子名称**：大宗交易折价率因子 **因子构建思路**：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差异，来反映大资金通过大宗交易渠道交易的折价或溢价水平，可作为市场情绪或特定股票流动性的观测指标[25]。 **因子具体构建过程**： 1. 获取当日所有大宗交易的成交数据，包括每笔交易的成交股数和成交价格[25]。 2. 计算每笔大宗交易按当日市价（假设为收盘价）计算的总市值：成交股数 × 当日市价[25]。 3. 汇总所有大宗交易的成交总金额和按市价计算的总市值[25]。 4. 计算整体折价率，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] 结果为负表示折价交易，为正表示溢价交易[25]。 4. **因子名称**：股指期货年化升贴水率因子 **因子构建思路**：通过计算股指期货主力合约价格与现货指数价格之间的基差，并进行年化处理，来衡量市场对未来走势的预期、对冲成本以及市场情绪[27]。 **因子具体构建过程**： 1. 选定标的指数（如上证50、沪深300等）及其对应的股指期货主力合约[27]。 2. 计算基差：基差 = 期货价格 - 现货指数价格[27]。 3. 获取该主力合约的剩余交易日数[27]。 4. 计算年化升贴水率，公式为： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[27] 结果为正表示年化升水，为负表示年化贴水[27]。 模型的回测效果 1. **无相关模型回测结果** 因子的回测效果 1. **封板率因子**，2026年1月29日当日取值为64%[16] 2. **连板率因子**，2026年1月29日当日取值为24%[16] 3. **大宗交易折价率因子**，2026年1月28日当日取值为8.98%[25]；近半年以来平均取值为6.90%[25] 4. **股指期货年化升贴水率因子** * **上证50股指期货**：2026年1月29日当日取值为年化升水5.22%[27]；近一年以来中位数为年化贴水0.68%[27] * **沪深300股指期货**：2026年1月29日当日取值为年化升水5.28%[27]；近一年以来中位数为年化贴水3.79%[27] * **中证500股指期货**：2026年1月29日当日取值为年化贴水0.02%[27]；近一年以来中位数为年化贴水11.11%[27] * **中证1000股指期货**：2026年1月29日当日取值为年化贴水0.32%[27]；近一年以来中位数为年化贴水13.61%[27]

量化模型与构建方式 1. 模型名称：主线一级行业配置模型 **模型构建思路**：通过分析行业型基金的选股Alpha共识，捕捉个股层面的主题性Alpha向行业层面Beta转化的机会，从而预判并配置即将启动的主线行业[1][28][29]。 **模型具体构建过程**： 1. **筛选优选基金**：每月底，基于基金前一季度报告的前十大重仓股[29]。 * 计算每只重仓股相对其所属中信一级行业指数的月度超额收益[29]。 * 取基金所有重仓股当月超额收益的中位数，作为该基金当月的选股Alpha代表值[29]。 * 对基金过去6个月的月度Alpha进行线性时间衰减加权（近期权重更高），计算综合选股能力得分[29]。 * 筛选得分位于全市场行业型基金前20%的基金，作为当期“优选基金”[29]。 2. **识别共识板块**：统计当期“优选基金”所属板块[29]。 * 若某一板块的优选基金数量占全部优选基金的比例超过50%，则判定该板块形成强选股共识[30]。 * 或，若某一板块内超过50%的基金进入了优选列表，也判定该板块存在集中性Alpha机会[30]。 * 若无板块满足条件，则当期空仓[30]。 3. **确定具体行业**：在识别出的共识板块内部，计算各一级行业在“优选基金”中的平均重仓占比，选择占比最高的行业纳入投资组合[32][33]。 **模型评价**：该模型对主线行情具有领先指示作用，能够前瞻性地捕捉市场核心行情[36][42][43]。但其表现受市场主线清晰度影响，在行业快速轮动、共识分散的阶段，超额收益会减弱[2][36]。 2. 模型名称：主线二级行业配置模型 **模型构建思路**：将主线一级行业配置模型的逻辑应用于更精细的二级行业层面，以识别更具结构性的细分赛道机会[52]。 **模型具体构建过程**： 1. **筛选优选基金**：每月末，基于基金前一季报重仓股数据，计算其相对于所属中信二级行业指数的月度超额收益中位数，并对过去6个月的超额收益进行线性时间衰减加权，筛选出综合得分位于前20%的行业型基金作为“优选基金”[52]。 2. **识别潜在二级行业主线**：通过“优选基金”的重仓股数据，从两个维度筛选形成共识的二级行业： * **核心维度**：计算所有优选基金的重仓股在各二级行业上的平均持仓占比，筛选出平均占比最高的3个二级行业[52]。 * **补充维度**：为避免新兴或小众行业因持仓基数低被忽略，若某二级行业在“优选基金”中的持仓占比，与其在全部行业型基金中的持仓占比的比值，超过核心维度中排名第一的行业的平均占比，则该行业也被视作主线行业[53]。 * 最终，由核心维度的前3个行业和补充维度的行业共同构成当期的二级行业主线组合[53]。 **模型评价**：该模型能够捕捉并放大结构性牛市中的产业机遇，但其超额可持续性依赖于市场中存在可被识别和延续的行业主线[57]。 3. 模型名称：ETF拟合行业指数模型 **模型构建思路**：为将主线行业策略应用于实际投资，采用一篮子权益ETF来拟合目标行业指数的收益，以解决直接投资行业指数的可行性问题[45]。 **模型具体构建过程**： 1. 在每月底，将目标一级行业指数和所有权益ETF过去20天的收益率进行带约束的回归[2][45]： $$R_{i,t}=\beta_{1}\times x_{1,t}+\cdots+\beta_{n}\times x_{n,t}+\epsilon_{t}$$ $$s.t. \beta_{1}+\cdots+\beta_{n}=1, 0\le\beta_{i}\le1$$ 其中，$$R_{i,t}$$和$$x_{i,t}$$分别为一级行业指数i和权益ETF在过去20个交易日的涨跌幅[45][46]。 2. 筛选初步回归系数大于1%的前十只ETF（不足十只以实际数量为准），再次重复上述回归计算，得到系数$$\beta_{1}^{\prime},\cdots,\beta_{10}^{\prime}$$[46]。 3. 拟合得到的行业指数下一月收益为： $$R_{i,t+1}=\beta_{1}^{\prime}\times x_{1,t+1}+\cdots+\beta_{10}^{\prime}\times x_{10,t+1}$$[46] **模型评价**：ETF组合对主线策略的拟合存在一定的收益损耗，但仍保留捕捉主线机会的业绩特点[46]。 4. 模型名称：行业轮动基金优选模型 **模型构建思路**：通过识别非行业型基金中的行业轮动型基金，并利用量化因子筛选其中具备更强轮动能力的基金，构建一个能在市场缺乏清晰主线时捕捉行业切换机会的基金组合[20][61]。 **模型具体构建过程**： 1. **识别行业轮动型基金**：计算基金每期前十大重仓股所属一级行业的占比，比较相邻两期占比之差，再滚动四个季度取均值，得到基金的行业换手率指标[61]。将各期行业变化率排名前30%的基金定义为“行业轮动型基金”[61]。 2. **因子筛选与组合构建**： * 通过基金因子回测发现，近一年动态收益（基金实际收益-季报前十大重仓股模拟持仓收益）和持仓市值风格（偏小盘）两个因子在分组中表现出明显的单调性，即因子值更高的基金未来表现更优的概率系统性更高[64]。 * 在行业换手率较高的基金中，筛选规模大于1亿元的产品，并依据近一年动态收益与持仓市值风格两个因子进行等权综合打分，选择得分最高的前10只基金，构建行业轮动基金组合[68]。 5. 模型名称：市场环境自适应配置模型 **模型构建思路**：利用市场流动性变化作为择时指标，动态切换“主线行业策略”和“行业轮动基金策略”，以应对不同市场环境，提高组合适应性[3][72]。 **模型具体构建过程**： 1. **择时信号**：使用中证800指数近200个交易日日均成交额的月度环比变化作为先行指标[3][72]。 * 当该指标提高（市场流动性扩张）时，下一个月配置“主线策略”（此处指ETF拟合的主线一级行业组合）[3][72]。 * 当该指标下降（市场流动性收缩）时，下一个月配置“行业轮动基金策略”（即行业轮动基金优选模型构建的组合）[3][72]。 2. **组合构建**：根据上述择时信号，每月动态选择表现更优的策略进行配置，形成“捕捉行业机会组合”[73]。 模型的回测效果 1. **主线一级行业配置模型**（以中信一级行业指数为标的，2016年初至2026年1月20日）[36] * 年化收益率：20.91% * 相对偏股基金指数年化超额收益：14.62% 2. **ETF拟合行业指数模型**（拟合主线一级行业策略，2016年初至2026年1月20日）[46] * 年化收益率：16.21% * 相对偏股基金指数年化超额收益：9.92% 3. **主线二级行业配置模型**（2016年初至2026年1月20日）[55] * 年化收益率：18.78% * 相对偏股基金指数年化超额收益：9.19% 4. **行业轮动基金优选模型**（Top10组合，2016年初至2026年1月20日）[68] * 年化收益率：15.05% * 年化夏普比率：0.71 * 相对偏股基金指数年化超额收益：8.60% 5. **市场环境自适应配置模型**（捕捉行业机会组合，2016年初至2026年1月20日）[73] * 年化收益率：19.61% * 年化夏普比率：0.77 * 相对偏股基金指数年化超额收益：13.32% 量化因子与构建方式 1. 因子名称：基金选股Alpha因子 **因子构建思路**：衡量行业型基金通过选股创造超额收益的能力，用于筛选出具备高选股能力的“优选基金”[29]。 **因子具体构建过程**： 1. 每月底，基于基金前一季度报告的前十大重仓股[29]。 2. 计算每只重仓股相对其所属行业指数（一级或二级）的月度超额收益[29][52]。 3. 取该基金所有重仓股当月超额收益的中位数，作为该基金当月的选股Alpha值[29][52]。 4. 对基金过去6个月的月度Alpha进行线性时间衰减加权，得到综合选股能力得分[29][52]。 2. 因子名称：行业换手率因子 **因子构建思路**：衡量基金调整其行业配置的频繁程度和幅度，用于识别以行业轮动为特征的基金[61]。 **因子具体构建过程**： 1. 计算基金每期报告（季报）中，前十大重仓股所属中信一级行业的持仓占比[61]。 2. 计算相邻两期各行业持仓占比之差的绝对值之和，得到单期行业变化率[61]。 3. 滚动四个季度，取行业变化率的均值，作为基金的行业换手率指标[61]。 3. 因子名称：动态收益因子 **因子构建思路**：衡量基金经理通过动态交易（如调仓、打新、择时等）创造的超额收益，捕捉其操作能力[64]。 **因子具体构建过程**： * 动态收益 = 基金实际收益 - 基于基金季报披露的前十大重仓股构建的模拟持仓收益[64]。 * 取近一年的动态收益作为因子值[64][68]。 4. 因子名称：持仓市值风格因子 **因子构建思路**：衡量基金持仓的市值偏好，用于筛选持仓更偏小盘的基金[64]。 **因子具体构建过程**： * 基于基金季报重仓股，分析其持仓市值风格，判断是否偏向小市值[64][68]。 * 因子具体计算方式在报告中未详细说明，但明确指出其分组单调性强[64]。 5. 因子名称：市场流动性择时因子 **因子构建思路**：将市场整体流动性的变化作为判断哪种行业配置策略更有效的择时指标[3][72]。 **因子具体构建过程**： * 计算中证800指数近200个交易日日均成交额的月度环比变化[3][72]。 * 根据该指标的方向（扩张或收缩）来决定下一个月的主导策略[3][72]。

量化模型与构建方式 1. **模型名称：恒定比例再平衡策略**[7][9] * **模型构建思路**：构建一个多资产（如股债）投资组合，并维持各类资产的初始目标权重比例不变。当市场波动导致实际权重偏离目标权重超过一定阈值或到达固定时间点时，执行再平衡操作，将资产权重调整回初始比例[7][9]。 * **模型具体构建过程**： 1. 设定初始资产配置比例，例如股票权重 $w_s$，债券权重 $w_b$，且 $w_s + w_b = 1$。 2. 定期（如季度、月度）或按条件（如权重偏离度超过预设阈值，如5%）检查组合中各资产的市值权重[7][10]。 3. 当触发再平衡条件时，计算需要调整的金额。假设当前股票市值为 $MV_s$，债券市值为 $MV_b$，组合总市值为 $MV_{total} = MV_s + MV_b$。目标股票市值应为 $MV_{total} \times w_s$，目标债券市值应为 $MV_{total} \times w_b$。 4. 执行交易：若当前股票市值高于目标，则卖出股票，买入债券；反之亦然，使调整后各资产市值权重恢复至 $w_s$ 和 $w_b$[7][39]。 2. **模型名称：目标风险策略**[7] * **模型构建思路**：基于预设的风险收益目标（如保守型、平衡型、进取型）进行资产配置。通过动态调整股债等资产的权重，将投资组合的整体风险（通常以波动率衡量）控制在特定水平[7]。 * **模型具体构建过程**： 1. 定义不同风险等级（如保守、平衡、进取）及其对应的目标波动率 $\sigma_{target}$。 2. 估计各类资产（如股票指数、债券指数）的历史波动率及资产间的相关性。 3. 使用优化模型（如均值-方差模型）求解，在组合波动率约束 $\sigma_p \approx \sigma_{target}$ 下，寻找最优的资产权重配置 $w_i$，以最大化预期收益或风险调整后收益。 4. 定期（如每半年或每年）根据市场情况重新估计参数并优化调整权重[7]。 3. **模型名称：风险平价策略**[7] * **模型构建思路**：使投资组合中每类资产对整体组合风险的贡献度相等，从而实现风险源的分散，确保组合在不同市场环境下表现相对稳健[7]。 * **模型具体构建过程**： 1. 计算各资产 $i$ 的边际风险贡献（Marginal Risk Contribution, MRC），即组合总风险 $\sigma_p$ 对资产权重 $w_i$ 的偏导数：$$MRC_i = w_i \times \frac{\partial \sigma_p}{\partial w_i}$$ 其中，组合波动率 $\sigma_p = \sqrt{\mathbf{w}^T \Sigma \mathbf{w}}$，$\Sigma$ 为资产收益率的协方差矩阵。 2. 计算各资产的风险贡献（Risk Contribution, RC）：$$RC_i = w_i \times \frac{\partial \sigma_p}{\partial w_i} = \frac{w_i (\Sigma \mathbf{w})_i}{\sqrt{\mathbf{w}^T \Sigma \mathbf{w}}}$$ 3. 通过数值优化方法，寻找一组资产权重 $w_i$，使得所有资产的风险贡献相等，即 $RC_i = RC_j, \forall i,j$[7]。 4. **模型名称：多因子选股模型（应用于指增固收+）**[47][57] * **模型构建思路**：在基准指数（如中证800）的成分股范围内，通过综合评估多个因子（如基本面、估值、技术等）对股票进行打分排序，筛选出预期具有超额收益的股票构建投资组合，以实现对基准指数的增强[47]。 * **模型具体构建过程**： 1. **因子池构建**：挖掘并测试长期有效的选股因子，形成因子库。例如，基本面因子（盈利能力、成长性）、估值因子（PE、PB）、技术因子等[47][57]。 2. **因子处理**：对原始因子数据进行标准化、去极值、行业中性化等处理。 3. **因子合成**：将低相关性的有效因子进行加权合成，得到综合得分。目标是在不同维度下聚类整合，最终形成统一的股票排名[47]。 4. **组合构建**：根据综合得分，在基准指数成分股池中优选一定数量的股票（例如，从中证800中筛选100只），并确定其权重，构建股票组合[47]。 量化因子与构建方式 1. **因子名称：自由现金流因子**[20][21] * **因子构建思路**：筛选自由现金流稳定、财务健康的企业。自由现金流是企业产生的、在满足了再投资需要之后剩余的现金流量，是衡量企业实际可支配回报的重要指标[21]。 * **因子具体构建过程**：通常使用自由现金流率等指标。例如，自由现金流/营业收入或自由现金流/市值。对股票池中的公司计算该指标，并据此排序，选择比率高的公司[20][21]。 2. **因子名称：红利（股息率）因子**[20][21] * **因子构建思路**：筛选高分红、盈利稳定的公司，属于价值风格投资工具。高股息通常意味着公司盈利稳定且愿意回报股东[21]。 * **因子具体构建过程**：使用股息率（每股股息/股价）作为核心指标。对股票池中的公司计算其股息率，并据此排序，选择股息率高的公司构成组合[20][21]。 3. **因子名称：低波动因子**[20] * **因子构建思路**：筛选股价历史波动率较低的股票。这类股票往往具有防御性，长期风险调整后收益可能更优。 * **因子具体构建过程**：计算股票在过去一定时期（如252个交易日）的日收益率标准差作为波动率指标。对股票池中的公司计算其历史波动率，并据此排序，选择波动率低的公司[20]。 4. **因子名称：转债量化因子体系**[57] * **因子构建思路**：针对可转债特性，建立包含估值、技术、成长等多维度的因子体系，对转债的质地和性价比进行综合打分，以辅助投资决策[57]。 * **因子具体构建过程**： 1. **估值类因子**：可能包括转股溢价率、纯债溢价率、到期收益率等，衡量转债的债底保护与股性估值。 2. **技术类因子**：可能包括正股动量、转债成交量、价格位置等。 3. **成长及其他因子**：关注正股的基本面成长性、信用评级等[57]。 4. **因子合成**：对各类因子进行标准化和加权，形成对每只可转债的综合评分，用于初筛和构建投资组合[57]。 模型的回测效果 *注：报告未提供具体量化模型的回测指标数值，仅对指数策略进行了历史业绩描述。* 因子的回测效果 *注：报告未提供单个因子的独立回测指标数值，仅展示了包含某些因子的Smart Beta指数（如红利低波、自由现金流）的历史收益风险特征[20][30]。* | 指数名称 (代表因子/策略) | 近三年年化收益率 | 近三年年化波动率 | 近三年最大回撤 | 近三年Calmar比率 | | :--- | :--- | :--- | :--- | :--- | | 中证800红利低波动全收益指数 (红利+低波) | 14.55%[20] | 13.60%[20] | -10.65%[20] | 1.37 (计算值) | | 中证800自由现金流全收益指数 (自由现金流) | 26.72%[20] | 18.56%[20] | -18.84%[20] | 1.42 (计算值) | | 国证自由现金流全收益指数 (自由现金流) | 27.18%[20] | 17.69%[20] | -15.84%[20] | 1.72 (计算值) | | 沪深300 (宽基) | 6.34%[20] | 17.35%[20] | -24.80%[20] | 0.26 (计算值) | | 中证500 (宽基) | 8.66%[20] | 21.69%[20] | -31.15%[20] | 0.28 (计算值) |

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策略模型，主要对市场指数进行多维度数据跟踪与统计分析[1][5]。 量化因子与构建方式 报告中对多个市场指数进行了多维度指标的计算和跟踪，这些指标可作为量化分析中的市场状态因子或宏观因子。 1. **因子名称：连阴连阳天数因子** * **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，来刻画市场的短期趋势强度和情绪持续性[13]。 * **因子具体构建过程**：对每个指数，从其日K线序列中识别连续上涨或下跌的交易日。从1开始计数，正数表示连续上涨的天数，负数表示连续下跌的天数。报告中分别展示了日K、周K、月K、季K、年K不同时间尺度下的连阴连阳天数[13]。 2. **因子名称：均线相对位置因子** * **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（MA）的位置关系，判断指数所处的短期、中期、长期趋势状态[16]。 * **因子具体构建过程**：计算各指数的5日(MA5)、10日(MA10)、20日(MA20)、60日(MA60)、120日(MA120)、250日(MA250)移动平均线。然后计算收盘价相对于各均线的百分比偏离：$$ vsMA_n = \frac{Close - MA_n}{MA_n} \times 100\% $$ 其中，$Close$为当日收盘价，$MA_n$为第n日移动平均线。结果为正表示收盘价位于均线之上，为负则表示位于均线之下[17]。 3. **因子名称：近250日高低位相对位置因子** * **因子构建思路**：通过比较指数当前价格与过去250个交易日内最高价和最低价的相对位置，衡量指数处于近期波动区间中的位置，识别是否突破或接近关键点位[16]。 * **因子具体构建过程**：计算各指数过去250个交易日的最高价（$High_{250}$）和最低价（$Low_{250}$）。然后计算收盘价相对于近期高点和低点的百分比偏离：$$ vsHigh_{250} = \frac{Close - High_{250}}{High_{250}} \times 100\% $$ $$ vsLow_{250} = \frac{Close - Low_{250}}{Low_{250}} \times 100\% $$[17] 4. **因子名称：指数换手率因子** * **因子构建思路**：衡量指数整体成分股的交易活跃度，高换手率通常意味着市场关注度高或分歧大[19]。 * **因子具体构建过程**：报告中的指数换手率计算方式为成分股市值加权的平均换手率：$$ Turnover_{index} = \frac{\sum (CirculatingShares_i \times TurnoverRate_i)}{\sum CirculatingShares_i} $$ 其中，$CirculatingShares_i$为成分股i的流通股本，$TurnoverRate_i$为成分股i的换手率[19]。 5. **因子名称：收益分布形态因子（偏度与峰度）** * **因子构建思路**：通过计算指数日收益率分布的偏度（Skewness）和超额峰度（Excess Kurtosis），描述收益分布的不对称性和尖峰厚尾特征，用于评估尾部风险和市场情绪[25][26]。 * **因子具体构建过程**：计算各指数日收益率序列的偏度和峰度。报告中特别指出，其峰度计算中减去了3（正态分布的峰度值），因此给出的是超额峰度。通过比较“当前”与“近5年”的偏度、峰度值，观察分布形态的变化[26]。 6. **因子名称：风险溢价因子** * **因子构建思路**：以十年期国债即期收益率作为无风险利率的代理变量，计算股票指数的预期收益率（通常用市盈率倒数E/P表示）与之差，得到风险溢价，用于衡量股票市场相对于债券市场的投资价值与风险补偿[28]。 * **因子具体构建过程**：风险溢价计算公式为：$$ RiskPremium = \frac{1}{PE_{TTM}} - Y_{10} $$ 其中，$PE_{TTM}$为指数的滚动市盈率，$Y_{10}$为十年期国债即期收益率。报告计算了当前风险溢价，并统计了其在近1年、近5年历史序列中的分位值，以及相对于近期均值±1倍、±2倍标准差的偏离程度[32]。 7. **因子名称：PE-TTM估值因子** * **因子构建思路**：使用滚动市盈率（PE-TTM）及其历史分位值来评估指数的估值水平，判断其处于历史估值区间中的位置[40]。 * **因子具体构建过程**：计算各指数的当前PE-TTM值。然后计算该值在近1年、近5年以及全部历史数据中的分位值（百分比排名）。同时，计算近1年PE-TTM的均值和标准差，并分析当前值相对于均值±1倍、±2倍标准差的偏离百分比[44]。 8. **因子名称：股债性价比因子** * **因子构建思路**：该因子是风险溢价因子的另一种表现形式，即PE-TTM的倒数与十年期国债收益率的差值。通过观察其与历史分位值（如80%分位“机会值”、20%分位“危险值”）的比较，进行大类资产配置的择时判断[47]。 * **因子具体构建过程**：计算公式与风险溢价因子相同：$$ EquityBondYieldGap = \frac{1}{PE_{TTM}} - Y_{10} $$ 报告通过图表展示了该因子的时间序列，并标注了基于近5年数据计算的80%分位线（机会值）、20%分位线（危险值）、均值线以及均值±1倍标准差区间[47]。 9. **因子名称：股息率因子** * **因子构建思路**：跟踪指数的股息率（股息/价格），反映指数的现金分红回报水平。高股息率是红利投资风格的核心指标，尤其在市场低迷或利率下行期受到关注[49]。 * **因子具体构建过程**：计算各指数的当前股息率。同样计算其在近1年、近5年及全部历史数据中的分位值。并分析当前值相对于近1年均值±1倍、±2倍标准差的偏离百分比[54]。 10. **因子名称：破净率因子** * **因子构建思路**：计算指数中市净率（PB）小于1的成份股数量占比，反映市场整体估值低迷的程度和范围。破净率高可能意味着市场情绪悲观，估值普遍偏低[55][57]。 * **因子具体构建过程**：对于每个指数，筛选出其成份股中市净率小于1的股票。破净率计算公式为：$$ PriceBelowBookRatio = \frac{Count(PB_i < 1)}{TotalCount} \times 100\% $$ 其中，$Count(PB_i < 1)$为破净成份股数量，$TotalCount$为指数总成份股数量[58]。 因子的回测效果 本报告未提供基于上述因子的量化策略回测结果，如年化收益率、夏普比率、最大回撤等。报告主要呈现了截至2026年1月28日各因子的最新截面数据或时间序列状态值，具体如下： 1. **连阴连阳天数因子**：上证50日K连阴2天，中证500日K连阳2天，中证1000日K连阳2天，中证2000季K连阴5天，中证全指季K连阴5天等[13]。 2. **均线相对位置因子**：沪深300收盘价高于MA5约0.1%，中证2000收盘价低于MA5约0.7%，创业板指收盘价低于MA5约0.3%且低于MA10约0.2%，中证500收盘价高于MA20约5.7%[17]。 3. **近250日高低位相对位置因子**：中证500收盘价触及近250日高位（偏离0.0%），创业板指收盘价较近250日高位低1.9%，上证50收盘价较近250日低位高21.6%[17]。 4. **指数换手率因子**：中证2000换手率4.45，创业板指换手率4.21，中证1000换手率3.52，中证500换手率2.79，沪深300换手率1.16，上证50换手率0.58[19]。 5. **收益分布形态因子**：当前峰度（超额）：创业板指1.16，中证500 0.84，中证1000 0.85，中证2000 0.77，沪深300 0.60，中证全指0.65，上证50 -0.11。当前偏度：创业板指1.61，中证500 1.55，沪深300 1.54，中证2000 1.52，中证全指1.51，中证1000 1.48，上证50 1.30[26]。 6. **风险溢价因子**：当前值：中证500为0.60%，上证50为0.26%，沪深300为0.25%，中证全指为0.11%，中证1000为0.20%，创业板指为-0.58%，中证2000为-0.74%。近5年分位值：中证500为71.03%，上证50为63.89%，沪深300为63.89%，中证全指为54.92%，中证1000为53.73%，创业板指为35.48%，中证2000为25.71%[32]。 7. **PE-TTM估值因子**：当前值：中证2000为170.76，中证1000为51.61，创业板指为43.19，中证500为39.07，中证全指为22.64，沪深300为14.21，上证50为11.67。近5年分位值：中证500为100.00%，中证1000为99.92%，中证全指为99.92%，沪深300为88.35%，上证50为82.64%，中证2000为92.56%，创业板指为63.31%[44]。 8. **股债性价比因子**：截至报告期，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）[47]。 9. **股息率因子**：当前值：上证50为3.23%，沪深300为2.71%，中证全指为1.90%，中证500为1.20%，中证1000为0.98%，创业板指为0.87%，中证2000为0.70%。近5年分位值：创业板指为56.12%，沪深300为34.38%，上证50为32.07%，中证全指为25.12%，中证1000为23.31%，中证2000为0.83%，中证500为0.50%[54]。 10. **破净率因子**：当前值：上证50为24.0%，沪深300为16.67%，中证500为10.4%，中证全指为5.4%，中证1000为6.7%，中证2000为2.5%[58]。

量化模型与构建方式 **注意：** 根据提供的研报内容，该报告为公募REITs市场年度综述，主要涉及市场发行概况、资产分类、经营数据分析及未来展望，**并未涉及任何量化模型或量化因子的构建、测试与评价**。报告内容以描述性统计、分类对比和定性分析为主，不具备量化金融研究中模型或因子的典型特征（如因子定义、多空组合构建、回归分析、IC/IR计算等）。 因此，本总结中“量化模型与构建方式”及“量化因子与构建方式”部分无相关内容。 模型的回测效果 **注意：** 报告中未涉及任何量化模型，因此无模型回测效果数据。 量化因子与构建方式 **注意：** 报告中未涉及任何量化因子，因此无因子构建相关内容。 因子的回测效果 **注意：** 报告中未涉及任何量化因子，因此无因子测试效果数据。

量化模型与因子总结 量化因子与构建方式 1. **因子名称：封板率** * **因子构建思路：** 用于衡量股票涨停的“质量”或强度，反映市场追涨情绪和封板资金的决心[16]。 * **因子具体构建过程：** 首先筛选上市满3个月以上的股票。计算当日最高价达到涨停价的股票数量，以及在这些股票中收盘价仍为涨停价的股票数量。封板率即为后者除以前者所得的比值[16]。 * **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：** 用于衡量市场涨停效应的持续性，反映强势股的接力情绪和赚钱效应的扩散[16]。 * **因子具体构建过程：** 首先筛选上市满3个月以上的股票。计算前一日收盘涨停的股票数量，以及在这些股票中当日收盘再次涨停的股票数量。连板率即为后者除以前者所得的比值[16]。 * **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：** 通过大宗交易成交价与市价的差异，反映大资金的投资偏好、流动性折价以及市场情绪[25]。 * **因子具体构建过程：** 统计当日所有大宗交易数据，汇总总成交金额，并计算所交易股份按当日收盘价计算的总市值。折价率由总成交金额除以总市值后减1得到[25]。 * **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：** 衡量股指期货价格相对于现货指数的溢价或折价程度，并年化以方便不同期限合约间的比较，反映市场对未来预期、对冲成本及情绪[27]。 * **因子具体构建过程：** 首先计算基差（股指期货价格减去现货指数价格）。然后，将基差除以现货指数价格，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。结果为正值表示升水，负值表示贴水[27]。 * **公式：** $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ [27] 因子的回测效果 > **注：** 本报告为每日市场数据跟踪报告，未提供基于历史数据的因子回测绩效指标（如IC、IR、多空收益等）。报告仅展示了相关因子在特定日期的计算取值或历史统计值[16][25][27]。

量化模型与构建方式 1. **模型名称：股指分红点位预测模型**[45] * **模型构建思路**：为准确计算股指期货的升贴水幅度，必须考虑指数成分股分红除息导致价格指数点位自然滑落的影响。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，指数因成分股分红而将损失的点数（即分红点数）[12][45]。 * **模型具体构建过程**：模型的核心是计算指数在特定期间内的预期分红点数。具体流程如下[16][46]： 1. **数据获取与权重计算**：获取指数成分股及其日度权重。采用中证指数公司每日披露的日度收盘权重数据，以确保权重准确性[49][50]。 2. **个股分红信息判断与预测**：对每只成分股进行以下操作[46]： * **已公布分红方案**：若公司已公布分红金额和除息日，则直接采用。 * **未完全公布**：若仅公布分红金额但未公布除息日，或未公布任何分红信息，则需进行预测。 3. **分红金额预测**：分红金额 = 净利润 × 股息支付率[51]。 * **净利润预测**：采用“基于历史净利润分布的动态预测法”[53]。 * 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预测：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[53]。 * **股息支付率预测**： * 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年平均股息支付率作为预测值。 * 若过去从未分红，则默认今年不分红。 * 当预测股息支付率 > 100%时，进行截尾处理[54][57]。 4. **除息日预测**：采用“基于历史间隔天数稳定性的线性外推法”[55]。 * 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），并结合历史预案公告日/股东大会公告日到除息日的间隔天数的稳定性进行线性外推预测。 * 若上述方法不适用，则根据历史规律设置默认日期（如7月31日、8月31日或9月30日）[60]。 5. **汇总计算指数分红点数**：将满足条件（除息日在当前日期之后、合约到期日之前）的所有成分股的预期分红影响进行加权汇总[45]。 $$分红点数 = \sum_{n=1}^{N} \left( \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价 \right)$$ 其中，$N$为指数成分股数量，要求个股除息日 $\tau$ 满足 $t < \tau \leq T$（$t$为当前日，$T$为合约到期日）[45]。 * **模型评价**：该模型通过精细化处理成分股权重、净利润、股息支付率和除息日等核心预测环节，旨在提高分红点位预测的准确性[45]。回测显示，对于上证50和沪深300指数预测误差较小，对于中证500和中证1000指数预测也基本稳定[65]。 量化因子与构建方式 1. **因子名称：已实现股息率**[17] * **因子构建思路**：衡量指数成分股中，在当年已经完成现金分红的公司，其分红对指数股息率的贡献[17]。 * **因子具体构建过程**：计算指数中所有在今年已进行现金分红的成分股，其分红金额相对于其总市值的加权平均值[17]。 $$已实现股息率 = \sum_{i=1}^{N_1} \left( \frac{个股已分红金额}{个股总市值} \times 个股权重 \right)$$ 其中，$N_1$ 表示指数成分股中今年已现金分红的公司数量[17]。 2. **因子名称：剩余股息率**[17] * **因子构建思路**：衡量指数成分股中，尚未进行现金分红但预计将在当年剩余时间内分红的公司，其预期分红对指数股息率的贡献[17]。 * **因子具体构建过程**：计算指数中所有预计在今年将进行现金分红但尚未实施的成分股，其预期分红金额相对于其总市值的加权平均值[17]。 $$剩余股息率 = \sum_{j=1}^{N_2} \left( \frac{个股待分红金额}{个股总市值} \times 个股权重 \right)$$ 其中，$N_2$ 表示指数成分股中尚未现金分红的公司数量[17]。 3. **因子名称：年化升贴水**[13] * **因子构建思路**：在扣除指数预期分红影响后，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，以反映期货合约的溢价或折价水平[12][13]。 * **因子具体构建过程**： 1. 计算含分红影响的期现价差：$含分红价差 = 合约收盘价 - (指数收盘价 - 分红点数)$[13]。表中“分红”列即为模型预测的从当前到合约到期期间的分红点数[13]。 2. 计算升贴水幅度：$升贴水 = \frac{含分红价差}{指数收盘价 - 分红点数}$[13]。 3. 进行年化处理：$年化升贴水 = \left(1 + 升贴水\right)^{\frac{365}{到期天数}} - 1$（或采用线性近似）[13]。 模型的回测效果 *注：报告未提供该模型在历史回测中的具体量化指标（如年化收益率、夏普比率、最大回撤等）。报告通过对比预测值与实际值来评估模型精度[65]。* 因子的回测效果 *注：报告未提供上述因子（已实现股息率、剩余股息率、年化升贴水）在选股或定价方面的具体回测绩效指标（如IC值、IR、多空收益等）。报告主要展示了这些因子在特定时点（2026年1月28日）的截面取值或时间序列走势[3][4][13][17]。* 1. **已实现股息率因子取值（截至2026年1月28日）**[3][17] * 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. **剩余股息率因子取值（截至2026年1月28日）**[3][17] * 上证50指数：2.29% * 沪深300指数：1.76% * 中证500指数：1.01% * 中证1000指数：0.83% 3. **年化升贴水因子取值（截至2026年1月28日）**[4][13] * IH主力合约(IH2602.CFE)：2.68% * IF主力合约(IF2602.CFE)：3.07% * IC主力合约(IC2602.CFE)：3.59% * IM主力合约(IM2602.CFE)：1.26%

量化模型与构建方式 1. **模型名称：因子挖掘2.0模型框架（GRU+GAT_SA加权_考虑财务）**[2][18] * **模型构建思路**：在1.0版本（LSTM+MLP）基础上进行升级，通过GRU网络挖掘时序信息，通过GAT网络挖掘股票间的截面关联信息，并使用自注意力（SA）加权方式融合不同关联网络（行业、财务、资金流）的GAT输出，最后拼接财务指标以增强多头表现。[2][18][24][25][32][35] * **模型具体构建过程**： 1. **输入**：使用不同的特征集（如PV、G、C等）作为模型输入。[19] 2. **时序信息提取**：输入特征首先通过GRU（门控循环单元）网络，提取时间序列上的隐藏信息。[24] 3. **截面信息提取**：将GRU的输出作为GAT（图注意力网络）的输入。GAT网络根据预定义的股票关联图（如行业关联、财务关联、资金流关联）聚合邻居节点的信息。[25][27] 4. **多网络融合**：对于三种不同关联网络（行业、财务、资金流）的GAT输出，不采用简单等权合成，而是引入一个可学习的MLP层进行SA加权。该MLP层的输入为过去20日的Barra风格因子收益，输出经Softmax归一化后得到各网络的动态权重。[7][32] 5. **财务信息融合**：将SA加权融合后的GAT输出，与截面标准化后的财务指标（9大类，含原始值、同比、环比）进行拼接。[35][36][37] 6. **输出**：拼接后的特征通过一个全连接层（MLP），输出最终的因子预测值。[35] 2. **模型名称：收益率牵引因子模型**[27] * **模型构建思路**：基于资金流关联网络，通过聚合同状态股票集的收益率信息来构建选股因子，是GAT网络思想的雏形。[27] * **模型具体构建过程**： 1. **构建关联状态**：在每个交易日，回看过去20个交易日，根据小单净流入强度将股票分为20种状态。[27] 2. **计算同状态股票集收益**：对于股票A，找到与其处于相同状态的所有股票，计算该股票集合的收益平均值。[27] 3. **计算因子值**：将股票A自身的收益对同状态股票集收益平均值进行回归，所得的残差即为股票A的因子值。[27] $$因子值_A = 残差(收益_A \sim 同状态股票集平均收益)$$ 3. **因子名称：ML_C（综合深度学习因子）**[7][69] * **因子构建思路**：将多个单一特征集（PV, G, C, HF, DP）以及二维度交叉挖掘出的因子，按照其多头收益表现进行加权合成，得到最终的综合因子。[69] * **因子具体构建过程**： 1. **单一维度挖掘**：使用“GRU+GAT_SA加权_考虑财务”模型，分别对PV、G、C、HF、DP五个特征集进行训练，得到五个基础因子。[68] 2. **二维度交叉挖掘**：尝试将任意两个特征维度放在一起进行联合挖掘，维度间使用SA加权，得到一系列二维因子。[69] 3. **合成**：将步骤1得到的基础因子和步骤2得到的二维因子，按照各自的多头收益表现进行加权，合成最终的ML_C因子。[69] 4. **因子名称：G（技术指标和K线状态变量）**[7][19][45] * **因子构建思路**：从图形识别思路出发，基于基础行情（开、高、低、收、成交量）计算技术指标和合成K线，并通过状态变量编码进行特征拓展。[45] * **因子具体构建过程**：报告未提供具体计算的技术指标列表和K线状态变量编码公式，但指出其转化思路来源于《深度学习赋能技术分析》报告。[45][46] 5. **因子名称：C（大小单资金流）**[7][19][52] * **因子构建思路**：基于大小单资金流原始数据，通过计算衍生指标和状态变量来增强特征。[52][54] * **因子具体构建过程**： 1. **原始数据**：使用AshareMoneyFlow基础表中的资金流数据。[52] 2. **衍生指标**：计算如资金流过去250日的分位点等特征。[54] 3. **状态变量转化**：针对每类资金流（如买入、卖出、主动买入、主动卖出），每日判断四个问题：净买入>0？主动净买入>0？主动买入比例>0.5？主动卖出比例>0.5？将答案转化为状态变量。[54][55] 6. **因子名称：HF（高频特征）**[7][19][59] * **因子构建思路**：将高频数据降维至日度特征进行挖掘。[59] * **因子具体构建过程**：输入特征包括两部分：1) 分钟收益率和分钟成交量相关衍生指标；2) 逐笔成交数据降频至分钟频后计算的相关衍生指标，具体指标来源于前期相关报告。[59] 7. **因子名称：DP（遗传算法有效因子）**[7][19][60] * **因子构建思路**：将前期通过遗传算法挖掘出的有效因子（Alpha185因子集）作为特征，输入深度学习模型进行“再掘金”。[60][65] * **因子具体构建过程**：从Alpha185因子集中，筛选在2017年之前表现较好且缺失度较低的48个因子作为输入特征。在挖掘时，由于输入已是有效因子，不再使用时序网络（GRU），而直接采用GAT网络进行截面信息挖掘。[60][65] 8. **模型名称：行业轮动因子合成模型**[89][91][92] * **模型构建思路**：采用自下而上的方法，将个股因子通过多种方式聚合至行业层面，构建行业轮动因子。[89] * **模型具体构建过程**： 1. **聚合方法**：对个股因子采用5种聚合方式生成行业因子：(1)因子值均值（等权）；(2)因子值市值加权；(3)因子值分域后等权（前1/3标1，后2/3标-1，其余0，取均值）；(4)因子值分域后市值加权；(5)选取因子值前20%的股票，统计其数量占行业股票总数的比例。[89] 2. **因子选取与合成**：选取“综合因子ML_C”等5个特定因子在特定聚合方式下生成的行业轮动因子，进行等权合成，得到最终的行业轮动因子。[91][92] 9. **模型名称：强化学习风格优选模型**[5][76][77] * **模型构建思路**：针对深度学习因子风格倾向性强的问题，结合强化学习进行风格轮动，实现Alpha与Beta的协同优选，以降低极端市场环境下的回撤。[5][76] * **模型具体构建过程**：基于《深度学习赋能风格轮动和多策略融合》中的方案，将风格轮动转化为截面标的优选问题，使用强化学习SAC方法进行日度决策。在调仓日，汇总过去20个交易日的风格action值进行排序，选取排名靠前的10种风格。[77][80] 模型的回测效果 *测试区间均为2020年1月1日至2025年11月28日，双周频调仓，因子经市值行业中性化处理。多头超额基准：全市场为中证全指，宽基内为对应宽基指数。[24]* 1. **GRU+GAT_SA加权_考虑财务模型 (基于PV特征集)**，10日RankIC 11.7%，年化RankICIR 5.7，多空对冲年化收益 58.9%，多空对冲信息比率 5.1，多空对冲最大回撤 -4.8%，多空对冲胜率 82.7%，多头超额年化收益 24.1%，多头超额信息比率 3.0，多头超额最大回撤 -5.4%，多头超额胜率 72.0%。[39][44] 2. **GRU+GAT_SA加权_考虑财务模型 (基于G特征集)**，10日RankIC 11.0%，年化RankICIR 5.8，多空对冲年化收益 59.9%，多空对冲信息比率 6.2，多空对冲最大回撤 -2.5%，多空对冲胜率 82.7%，多头超额年化收益 23.3%，多头超额信息比率 3.3，多头超额最大回撤 -5.4%，多头超额胜率 75.3%。[47][49] 3. **GRU+GAT_SA加权_考虑财务模型 (基于C特征集)**，10日RankIC 10.6%，年化RankICIR 5.1，多空对冲年化收益 56.4%，多空对冲信息比率 5.2，多空对冲最大回撤 -4.4%，多空对冲胜率 81.3%，多头超额年化收益 19.5%，多头超额信息比率 2.8，多头超额最大回撤 -5.6%，多头超额胜率 70.0%。[56][58] 4. **GRU+GAT_SA加权_考虑财务模型 (基于HF特征集)**，10日RankIC 11.6%，年化RankICIR 5.9，多空对冲年化收益 57.5%，多空对冲信息比率 5.8，多空对冲最大回撤 -5.2%，多空对冲胜率 82.0%，多头超额年化收益 19.1%，多头超额信息比率 2.6，多头超额最大回撤 -7.4%，多头超额胜率 73.3%。[59][62] 5. **GRU+GAT_SA加权_考虑财务模型 (基于DP特征集)**，10日RankIC 11.4%，年化RankICIR 6.2，多空对冲年化收益 49.2%，多空对冲信息比率 4.4，多空对冲最大回撤 -4.7%，多空对冲胜率 76.0%，多头超额年化收益 20.3%，多头超额信息比率 2.8，多头超额最大回撤 -4.6%，多头超额胜率 70.0%。[65][66] 6. **PV和G因子合成 (基于GRU+GAT_SA加权_考虑财务模型)**，全市场10日RankIC 12.4%，年化RankICIR 6.0，多空对冲年化收益 66.7%，多空对冲信息比率 6.0，多空对冲最大回撤 -4.5%，多空对冲胜率 82.7%，多头超额年化收益 24.5%，多头超额信息比率 3.3，多头超额最大回撤 -3.9%，多头超额胜率 75.3%。[50][51] 7. **ML_C (综合深度学习因子)**，全市场10日RankIC 14.2%，年化RankICIR 6.3，多空对冲年化收益 72.7%，多空对冲信息比率 6.1，多空对冲最大回撤 -4.8%，多空对冲胜率 82.0%，多头超额年化收益 26.1%，多头超额信息比率 3.1，多头超额最大回撤 -5.0%，多头超额胜率 74.0%。[7][72] 8. **ML_C因子在沪深300样本空间**，10日RankIC 8.6%，年化RankICIR 2.7，多空对冲年化收益 26.4%，多空对冲信息比率 1.9，多空对冲最大回撤 -14.6%，多空对冲胜率 60.7%，多头超额年化收益 12.4%，多头超额信息比率 1.3，多头超额最大回撤 -6.3%，多头超额胜率 57.3%。[73][75] 9. **ML_C因子在中证500样本空间**，10日RankIC 9.4%，年化RankICIR 3.5，多空对冲年化收益 37.9%，多空对冲信息比率 2.8，多空对冲最大回撤 -15.5%，多空对冲胜率 70.0%，多头超额年化收益 13.7%，多头超额信息比率 2.0，多头超额最大回撤 -5.3%，多头超额胜率 66.7%。[73][75] 10. **ML_C因子在中证1000样本空间**，10日RankIC 11.8%，年化RankICIR 4.7，多空对冲年化收益 57.0%，多空对冲信息比率 4.1，多空对冲最大回撤 -12.4%，多空对冲胜率 78.0%，多头超额年化收益 17.3%，多头超额信息比率 2.3，多头超额最大回撤 -8.1%，多头超额胜率 65.3%。[74][75] 11. **行业轮动因子 (5因子等权合成)**，10日RankIC 9.21%，多头年化收益 17.93%，多头年化波动率 25.44%，多头最大回撤 -20.23%，多头胜率 54.67%，夏普比率 0.70，多空对冲年化收益 22.41%，多空对冲信息比率 1.70，多空对冲最大回撤 -9.96%，多空对冲胜率 60.00%。[92][94] 12. **上证50增强 (行业轮动方案)**，超额年化收益 4.95%，超额年化波动率 2.17%，超额信息比率 2.28，超额最大回撤 -1.98%。[5][95][97] 13. **上证50增强 (Barra优化框架)**，超额年化收益 5.82%，超额年化波动率 2.78%，超额信息比率 2.09，超额最大回撤 -3.03%。[99][101] 14. **沪深300增强 (Barra优化框架)**，超额年化收益 6.77%，超额年化波动率 3.29%，超额信息比率 2.06，超额最大回撤 -3.81%。[5][103][106] 15. **中证500增强 (Barra优化框架)**，超额年化收益 10.72%，超额年化波动率 3.78%，超额信息比率 2.83，超额最大回撤 -3.31%。[5][103][109] 16. **中证1000增强 (Barra优化框架)**，超额年化收益 14.41%，超额年化波动率 4.42%，超额信息比率 3.26，超额最大回撤 -3.34%。[5][103][112] 量化因子与构建方式 1. **因子名称：收益率牵引因子**[27] * **因子构建思路**：基于资金流关联网络，通过聚合同状态股票集的收益率信息来构建选股因子。[27] * **因子具体构建过程**： 1. **构建关联状态**：在每个交易日，回看过去20个交易日，根据小单净流入强度将股票分为20种状态。[27] 2. **计算同状态股票集收益**：对于股票A，找到与其处于相同状态的所有股票，计算该股票集合的收益平均值。[27] 3. **计算因子值**：将股票A自身的收益对同状态股票集收益平均值进行回归，所得的残差即为股票A的因子值。[27] $$因子值_A = 残差(收益_A \sim 同状态股票集平均收益)$$ * **因子评价**：该因子具备一定的选股效果，是GAT网络挖掘因子思想的雏形。[27] 2. **因子名称：开源金工特色大小单资金流人工因子（大单残差、小单残差、主动买卖、散户羊群效应、超大单关注度）**[52][53] * **因子构建思路**：基于AshareMoneyFlow基础表，从不同角度人工构建的交易行为因子。[52] * **因子具体构建过程**：报告未提供具体公式，仅列出因子名称及来源报告。[53] 因子的回测效果 *测试区间均为2020年1月1日至2025年11月28日，双周频调仓。[53]* 1. **收益率牵引因子**，10日RankIC 2.3%。[27] 2. **大单残差因子**，10日RankIC 2.1%，RankICIR 1.6。[53] 3. **小单残差因子**，10日RankIC -2.2%，RankICIR -1.9。[53] 4. **主动买卖因子**，10日RankIC 4.8%，RankICIR 3.5。[53] 5. **散户羊群效应因子**，10日RankIC -3.0%，RankICIR -2.3。[53] 6. **超大单关注度因子**，10日RankIC 5.3%，RankICIR 3.9。[53]