量化模型与构建方式 1. **模型名称**：封板率模型[16] **模型构建思路**：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强度[16] **模型具体构建过程**： 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. 从这些股票中，进一步识别收盘价也涨停的股票[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. **模型名称**：连板率模型[16] **模型构建思路**：通过计算连续两日收盘涨停的股票数量与昨日收盘涨停股票总数的比例，来衡量市场涨停板的连续性[16] **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[16] 2. 识别昨日收盘涨停的股票[16] 3. 从这些股票中，进一步识别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. **模型名称**：大宗交易折价率模型[25] **模型构建思路**：通过计算大宗交易成交金额与当日成交份额总市值的比例来反映大资金交易的折价情况，以观察大资金的投资偏好和市场情绪[25] **模型具体构建过程**： 1. 获取当日大宗交易的总成交金额[25] 2. 计算当日大宗交易成交份额按市场价格计算的总市值[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. **模型名称**：股指期货年化贴水率模型[27] **模型构建思路**：通过计算股指期货主力合约价格与现货指数价格之差（基差）的年化值，来衡量市场对未来走势的预期和股指对冲的成本[27] **模型具体构建过程**： 1. 计算基差：基差 = 股指期货价格 - 现货指数价格[27] 2. 计算年化贴水率，公式为： $$年化贴水率=基差/指数价格*(250/合约剩余交易日数)$$[27] 模型的回测效果 1. 封板率模型，2026年4月14日封板率值为73%[16] 2. 封板率模型，2026年4月14日封板率较前日变化为下降7%[16] 3. 连板率模型，2026年4月14日连板率值为21%[16] 4. 连板率模型，2026年4月14日连板率较前日变化为下降6%[16] 5. 大宗交易折价率模型，近半年以来平均折价率值为7.15%[25] 6. 大宗交易折价率模型，2026年4月13日折价率值为3.49%[25] 7. 股指期货年化贴水率模型，近一年以来上证50股指期货主力合约年化贴水率中位数为1.39%[27] 8. 股指期货年化贴水率模型，近一年以来沪深300股指期货主力合约年化贴水率中位数为4.85%[27] 9. 股指期货年化贴水率模型，近一年以来中证500股指期货主力合约年化贴水率中位数为10.86%[27] 10. 股指期货年化贴水率模型，近一年以来中证1000股指期货主力合约年化贴水率中位数为13.28%[27] 11. 股指期货年化贴水率模型，2026年4月14日上证50股指期货主力合约年化贴水率值为4.90%[27] 12. 股指期货年化贴水率模型，2026年4月14日上证50股指期货主力合约年化贴水率近一年分位点为26%[27] 13. 股指期货年化贴水率模型，2026年4月14日沪深300股指期货主力合约年化贴水率值为7.29%[27] 14. 股指期货年化贴水率模型，2026年4月14日沪深300股指期货主力合约年化贴水率近一年分位点为36%[27] 15. 股指期货年化贴水率模型，2026年4月14日中证500股指期货主力合约年化贴水率值为10.31%[27] 16. 股指期货年化贴水率模型，2026年4月14日中证500股指期货主力合约年化贴水率近一年分位点为56%[27] 17. 股指期货年化贴水率模型，2026年4月14日中证1000股指期货主力合约年化贴水率值为15.81%[27] 18. 股指期货年化贴水率模型，2026年4月14日中证1000股指期货主力合约年化贴水率近一年分位点为32%[27]

量化模型与构建方式 1. **模型/因子名称**：穿透修正后的机构投资者持有比例模型[8][17] * **构建思路**：为了更准确地反映ETF中机构投资者的实际持仓占比，避免因联接基金中个人投资者的存在而导致机构持有比例被高估，需要对ETF年报公布的原始机构投资者持有比例进行算法修正[8][17]。 * **具体构建过程**：该模型通过穿透联接基金的底层数据，从ETF公布的机构投资者持有份额中，剔除掉联接基金所持份额中属于个人投资者的部分。具体修正公式如下： $$修正后的机构投资者持有份额占比 = ETF公布的机构投资者持有份额占比 - 联接基金持有份额占比 × (1 - 联接基金中机构投资者持有比例)$$ 其中，“ETF公布的机构投资者持有份额占比”为原始数据，“联接基金持有份额占比”为联接基金持有该ETF的份额比例，“联接基金中机构投资者持有比例”为联接基金自身的机构投资者持有比例[8][17]。 2. **模型/因子名称**：ETF机构投资者精细化分类体系[25][27] * **构建思路**：为了更精准地把握不同类型机构的投资偏好与市场行为，基于ETF基金半年报披露的前十大持有人信息，构建一个多层次的机构投资者分类体系，以创建精细化的投资者画像[25]。 * **具体构建过程**：该分类体系通过对前十大持有人信息进行梳理分析，将机构投资者划分为多个层级[25]。 1. **一级分类**：首先，在联接基金之外，将机构持有人分为国资机构、保险机构、公募机构、外资机构、证券机构等共14个一级类别[25]。 2. **二级与三级分类**：在此基础上，根据账户类型、归属地和资金属性等维度进一步下沉，设置了19个二级分类和39个三级分类，以实现更精细的刻画[25][27]。例如，保险机构一级分类下，二级分类包括保险和保险资管；保险二级分类下，三级分类可细分为保险公司、保险集团、财产险、寿险等[27]。 模型的回测效果 *本报告为描述性统计分析报告，未提供模型或因子在历史数据上的量化回测绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。报告主要通过统计图表展示了各类机构投资者的持仓占比及其历史变化趋势[7][8][17][28][30][32][34]。* 量化因子与构建方式 *本报告未涉及用于预测资产价格或收益的传统量化因子（如价值、动量、质量等因子）的构建。报告核心内容是投资者结构分析，而非因子模型。* 因子的回测效果 *本报告未涉及量化因子的回测效果。*

量化模型与构建方式 **注：** 该研报为对主动管理型基金经理的定性及业绩分析报告，未涉及具体的量化模型或量化因子的构建、测试与评价。报告内容主要围绕基金经理的投资框架、历史业绩、仓位、行业配置、风格轮动、集中度等定性及描述性统计分析展开[1][11][14][15][19][23][32][37][40][45][46]。 量化因子与构建方式 **注：** 该研报未涉及任何量化因子的构建、测试与评价。 模型的回测效果 **注：** 该研报未涉及量化模型，因此无模型回测效果数据。 因子的回测效果 **注：** 该研报未涉及量化因子，因此无因子回测效果数据。

量化模型与构建方式 1. **模型名称：RNN 1.0 模型 (Alpha 因子单元挖掘模型)** * **模型构建思路**：将选股问题建模为监督学习任务，通过最小化模型预测与个股收益率标签之间的均方误差（MSE）来产生选股因子[6]。该模型假设个股收益率可拆解为 Alpha 信息和系统性风险信息[7]。 * **模型具体构建过程**：在模型训练前，对收益率标签进行人工风险中性化处理，例如对市值、行业、动量等常见风险因子进行截面回归或分组中性化，以分离 Alpha 与风险[8]。模型训练的目标是最小化预测残差的 MSE。个股收益率拆解公式为： $$r_{t}=alpha_{t}+\varepsilon_{t}$$ 其中，$r_{t}$ 表示个股收益率，$alpha_{t}$ 表示 Alpha 信息，$\varepsilon_{t}$ 表示噪声[7]。 * **模型评价**：该方法依赖于先验的风险模型，风险界定模糊，在市场风格突变时容易失效[13][14]。 2. **模型名称：ABCM 2.0 模型 (Alpha 与风险的二元挖掘模型)** * **模型构建思路**：将个股收益率进一步拆解为可预测的 Alpha 成分、可解释的风险成分以及噪声成分，通过不同的训练目标让模型自动识别 Alpha 和风险信息[15][16]。 * **模型具体构建过程**：个股收益率拆解为： $$r_{t}=alpha_{t}+risk_{t}+\varepsilon_{t}$$ 其中，$r_{t}$ 表示个股收益率，$alpha_{t}$ 表示可预测的广义 Alpha 成分，$risk_{t}$ 表示不可预测但可解释的风险成分，$\varepsilon_{t}$ 表示噪声[15]。 模型构建时，分别通过 MSE 损失函数和 R-square 损失函数来刻画 Alpha 和风险因子。RankIC 均值高且能贡献 R-square 的成分被吸收进 Alpha 因子；RankIC 均值接近 0 但 R-square 较高的成分被吸收进风险因子[16]。 3. **模型名称：StyleNet 3.0 模型 (Alpha 与风格的挖掘模型)** * **模型构建思路**：在 Alpha 与风险之间引入“风格”成分，认为存在一类具有截面解释力但选股能力不稳定、方向在特定条件下可被预测的“风格因子”[19][20]。模型通过拟合一批风格因子，并对其方向和权重进行预测，将风格因子转化为 Alpha 成分[22]。 * **模型具体构建过程**： 1. **核心公式**：将广义 Alpha 成分细化为： $$alpha=\alpha+\sum_{i}\beta^{i}\lambda^{i}$$ 其中，$\alpha$ 表示个股特质性收益率成分，$\beta^{i}$ 表示股票在第 $i$ 个风格因子上的暴露值，$\lambda^{i}$ 表示第 $i$ 个风格因子的未来收益率（假设可预测）[21][23]。 2. **网络结构**：将个股时序特征输入 RNN 提取截面特征 $h$[26]。 3. **学习 Alpha 与风格暴露**：通过两个 MLP 网络 $f_{\alpha}$ 和 $f_{\beta}$ 学习 $\alpha(x,\theta)$ 和 $\beta_{i}(x,\theta)$[27]： $$\alpha(x,\theta)=f_{\alpha}(h),\beta_{i}(x,\theta)=f_{\beta}(h)$$ 4. **构建风格收益率**：通过另一个 MLP 网络 $f_{\lambda}$ 度量个股对风格的影响程度，使用 ReLU 激活函数进行尾部剔除，归一化后形成风格因子多头组合的权重向量 $w$，与未来标准化收益率 $r$ 加权求和得到风格收益率 $\lambda_{i}(x,\theta)$[28]： $$\lambda_{i}(x,\theta)=\sum_{batch}\frac{ReLU(f_{\lambda}(h))*r}{\sum_{batch}ReLU(f_{\lambda}(h))}$$ 5. **预测风格收益率**：训练一个风格收益率预测器 $\gamma_{i}(x,\theta)$ 来逼近使用未来信息的 $\lambda_{i}(x,\theta)$。该预测器基于 attention 机制，计算个股表示向量 $h$ 与风格表示向量 $e_i$ 的相似度，对信息向量加权求和[29][30]： $$\gamma_{i}(x,\theta)=f_{\gamma}(Sim(w_{k}h,e_{i})w_{v}h)$$ 6. **损失函数**：总损失函数由个股收益率预测损失和风格收益率预测损失加权组成[31]： $$\left\|\alpha(x,\theta)+\sum_{i}\beta_{i}\left(x,\theta\right)\lambda_{i}(x,\theta)-r\right\|+\lambda\|\lambda_{i}(x,\theta)-\gamma_{i}(x,\theta)\|$$ 7. **样本外预测**：最终样本外个股收益率预测值为[31]： $$alpha=\alpha(x,\theta)+\sum_{i}\beta_{i}\left(x,\theta\right)\gamma_{i}(x,\theta)$$ * **模型评价**：能够更细致地捕捉市场的风格和行业信息，对市场风格切换的灵敏度更高[44][88]。 量化因子与构建方式 1. **因子名称：RNN 因子** * **因子构建思路**：由 RNN 1.0 模型产生，旨在捕捉纯净的 Alpha 信号[6][7]。 2. **因子名称：ABCM 因子** * **因子构建思路**：由 ABCM 2.0 模型产生，旨在分离出可预测的 Alpha 成分[15][16]。 3. **因子名称：StyleNet 因子** * **因子构建思路**：由 StyleNet 3.0 模型产生，旨在通过捕捉风格轮动信息来获取 Alpha 收益[20][22]。 * **因子评价**：与 RNN 和 ABCM 因子相关性较低，能提供增量信息；对市场风格切换更敏感，在风格突变的市场环境下表现更稳健[39][44][51]。 4. **因子名称：RNN+ABCM 因子** * **因子构建思路**：将 RNN 因子和 ABCM 因子加权合成得到的复合因子[42]。 5. **因子名称：合成因子** * **因子构建思路**：将 RNN、ABCM 和 StyleNet 三个因子加权合成得到的复合因子[42][51]。 模型的回测效果 *(注：报告主要提供了因子的回测效果，未单独列出各模型（如RNN 1.0, ABCM 2.0, StyleNet 3.0）的直接回测绩效指标。绩效指标均对应其产生的因子。)* 因子的回测效果 *(回测区间：20171229~20260324，中证全指多头组合，周度调仓)[35]* 1. **StyleNet 因子**，RankIC 10.44%，ICIR 0.88，RankIC胜率 85.35%，多头超额年化 37.03%，最大回撤 -13.38%，换手率 63.83%[43] 2. **ABCM 因子**，RankIC 12.27%，ICIR 1.11，RankIC胜率 85.86%，多头超额年化 44.03%，最大回撤 -13.32%，换手率 65.74%[43] 3. **RNN+ABCM 因子**，RankIC 15.37%，ICIR 1.32，RankIC胜率 91.92%，多头超额年化 43.58%，最大回撤 -19.45%，换手率 60.29%[43] 4. **合成因子**，RankIC 15.51%，ICIR 1.32，RankIC胜率 92.93%，多头超额年化 49.42%，最大回撤 -17.99%，换手率 58.68%[43] 因子在指数增强策略中的表现 *(回测区间：20171229~20260324，组合周频调仓，有交易成本与约束条件)[54]* 1. **沪深300指增** * **StyleNet 因子**，年化超额 13.20%，年化波动率 4.97%，信息比率(IR) 2.52，胜率 66.98%，最大回撤 -9.30%[52] * **RNN+ABCM 因子**，年化超额 14.88%，年化波动率 4.85%，信息比率(IR) 2.88，胜率 67.91%，最大回撤 -8.25%[52] * **合成因子**，年化超额 15.09%，年化波动率 4.89%，信息比率(IR) 2.90，胜率 69.07%，最大回撤 -7.01%[52] 2. **中证500指增** * **StyleNet 因子**，年化超额 17.76%，年化波动率 5.84%，信息比率(IR) 2.83，胜率 66.51%，最大回撤 -7.24%[58] * **RNN+ABCM 因子**，年化超额 18.68%，年化波动率 6.20%，信息比率(IR) 2.80，胜率 69.53%，最大回撤 -11.13%[58] * **合成因子**，年化超额 17.83%，年化波动率 6.27%，信息比率(IR) 2.65，胜率 69.07%，最大回撤 -10.83%[58] 3. **中证1000指增** * **StyleNet 因子**，年化超额 24.56%，年化波动率 6.08%，信息比率(IR) 3.65，胜率 69.30%，最大回撤 -6.95%[72] * **RNN+ABCM 因子**，年化超额 26.55%，年化波动率 6.61%，信息比率(IR) 3.60，胜率 72.33%，最大回撤 -11.90%[72] * **合成因子**，年化超额 27.98%，年化波动率 6.44%，信息比率(IR) 3.86，胜率 72.79%，最大回撤 -10.93%[72] 因子在行业轮动策略中的表现 *(回测区间：20171229~20260324，Top5行业等权，周度调仓，不考虑交易费用)[77]* 1. **StyleNet 因子**，RankIC 7.39%，ICIR 0.25，RankIC胜率 61.81%，多头超额年化 16.44%，多头绝对年化收益 21.19%，最大回撤 -9.43%[78] 2. **ABCM 因子**，RankIC 9.39%，ICIR 0.32，RankIC胜率 63.25%，多头超额年化 16.50%，多头绝对年化收益 20.93%，最大回撤 -12.17%[78] 3. **RNN+ABCM 因子**，RankIC 10.39%，ICIR 0.34，RankIC胜率 63.72%，多头超额年化 19.68%，多头绝对年化收益 23.84%，最大回撤 -12.87%[78] 4. **合成因子**，RankIC 10.68%，ICIR 0.35，RankIC胜率 63.48%，多头超额年化 19.39%，多头绝对年化收益 23.83%，最大回撤 -13.78%[78]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：国联安基金多因子增强模型[85][88][92][94][95] * **模型构建思路**：采用工业化流水线投研模式，通过多维度因子挖掘构建因子库，并利用多因子模型进行层层优选，结合超额收益预测与风险控制参数，在行业、风格偏离与换手率等约束下进行组合优化，以最大化组合超额预期收益[85][88][92]。 * **模型具体构建过程**： 1. **数据准备**：进行数据探索、清洗预处理及标准化取数，确保数据质量与使用便捷性[85]。 2. **因子挖掘**：通过人工逻辑与深度学习模型结合的方式，寻找底层逻辑强且长期有效的因子。因子库涵盖基本面、量价及另类因子等多个维度[85][92][94]。 3. **收益预测**：采用模型滚动训练、低参数化设计，严格区分样本内外数据以降低过拟合风险[85]。 4. **组合优化**： * **目标**：最大化组合超额预期收益率[92]。 * **约束**：依据产品定位与风控约束设置参数，如行业偏离度、风格偏离度、换手率等，并通过调仓频率匹配信号、均匀换手等方式获取收益[85][92]。 * **工具**：基于Barra模型提供自定义风控参数与波动控制方案[88]。 5. **模拟与实盘**：策略正式上线前需经过模拟跟踪，定期复盘优化。实盘采取从小规模到正常规模的渐进方式，每日跟踪组合表现并进行迭代优化[85]。 模型的回测效果 *注：报告未提供该多因子增强模型在历史回测中的具体指标数值，仅提供了国联安沪深300指数增强A基金的实际运作表现。以下为基金产品的实际表现数据[66][67]。* 1. **国联安沪深300指数增强A基金 (产品表现)**，上市以来（2024.1.23-2026.3.20）累计收益52.08%[66][67]，累计超额收益10.20%[66][67]，年化波动率17.34%[67]，最大回撤-12.96%[67]，信息比率(年化)1.07[67]，年化跟踪误差3.77%[66][67] 2. **国联安沪深300指数增强A基金 (产品表现)**，2025年以来（2025.1.1-2026.3.20）累计收益25.99%[67]，累计超额收益9.92%[67]，年化波动率14.46%[67]，最大回撤-10.16%[67]，信息比率(年化)3.62[67]，年化跟踪误差2.29%[67] 3. **国联安沪深300指数增强A基金 (产品表现)**，近三月（2025.12.20-2026.3.20）累计收益2.29%[67]，累计超额收益2.31%[67]，年化波动率12.72%[67]，最大回撤-3.26%[67]，信息比率(年化)5.48[67]，年化跟踪误差1.92%[67] 量化因子与构建方式 *注：报告提到了因子挖掘的流程和涵盖的维度，但未具体列出单个因子的名称、构建公式和详细过程[85][92][94]。* 1. **因子库构建思路**：策略基于多维度因子挖掘，涵盖基本面、量价及另类因子，以构建全面的因子库[92][94]。通过人工逻辑与深度学习模型结合的方式进行因子挖掘[85]。 因子的回测效果 *注：报告未提供具体单个因子的历史回测表现数据。*

量化模型与构建方式 根据提供的研报内容，未发现涉及具体的量化模型或量化因子的构建过程、公式或详细测试[1][2][3][4][5][6][7][8][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][30][31][32][33][34][35][36][37][38][39][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60][61][62] 模型的回测效果 根据提供的研报内容，未发现涉及具体量化模型的回测效果指标[1][2][3][4][5][6][7][8][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][30][31][32][33][34][35][36][37][38][39][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60][61][62] 量化因子与构建方式 根据提供的研报内容，未发现涉及具体量化因子的构建过程、公式或详细测试[1][2][3][4][5][6][7][8][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][30][31][32][33][34][35][36][37][38][39][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60][61][62] 因子的回测效果 根据提供的研报内容，未发现涉及具体量化因子的回测效果指标[1][2][3][4][5][6][7][8][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][30][31][32][33][34][35][36][37][38][39][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60][61][62]

量化模型与构建方式 1. **模型名称**：风格Smart beta组合[6] **模型构建思路**：根据历史相关性低的价值、成长、小盘风格对个股进行分类，并基于高beta弹性和长期稳健超额收益两个不同投资目标，构建各风格的选股组合[6]。 **模型具体构建过程**：报告未详细描述各风格组合的具体因子构成和加权方式，但指出其构建方法参考了专题报告《基于投资目标的基础Smart beta组合构建与配置》[6]。 **模型评价**：旨在通过风格暴露获取系统性风险溢价，并针对不同风险收益目标（高弹性 vs 稳健超额）进行差异化构建[6]。 2. **模型名称**：生命周期优选组合[6] **模型构建思路**：以现金流为基础，将A股上市公司所处生命周期阶段系统性地划分为初创、成长、成熟、整合四个阶段，并基于不同阶段的投资逻辑构建优选组合[6]。 **模型具体构建过程**：报告未详细描述各生命周期组合的具体因子构成和加权方式，但指出其构建方法参考了专题报告《解码企业生命周期：股票投资的新范式探索》[6]。 **模型评价**：旨在通过识别企业所处的不同发展阶段，捕捉生命周期特定阶段的投资机会和风险特征[6]。 模型的回测效果 （数据统计期间：上周为2026年04月06日至04月10日，今年以来为2026年01月01日至04月10日，基准指数及最大相对回撤数据来源为表1[9]） 1. **价值50组合**，周收益率0.93%[9]，月收益率-0.19%[9]，年收益率-0.84%[9]，周超额收益（vs 国证价值）-0.73%[9]，月超额收益-1.53%[9]，年超额收益-1.33%[9]，最大相对回撤（vs 国证价值）3.17%[9] 2. **价值均衡50组合**，周收益率3.04%[9]，月收益率1.51%[9]，年收益率2.29%[9]，周超额收益（vs 国证价值）1.38%[9]，月超额收益0.17%[9]，年超额收益1.80%[9]，最大相对回撤（vs 国证价值）6.07%[9] 3. **成长50组合**，周收益率7.53%[9]，月收益率6.87%[9]，年收益率3.04%[9]，周超额收益（vs 国证成长）1.48%[9]，月超额收益1.59%[9]，年超额收益-2.11%[9]，最大相对回撤（vs 国证成长）4.21%[9] 4. **成长均衡50组合**，周收益率6.49%[9]，月收益率6.47%[9]，年收益率9.24%[9]，周超额收益（vs 国证成长）0.44%[9]，月超额收益1.19%[9]，年超额收益4.09%[9]，最大相对回撤（vs 国证成长）5.82%[9] 5. **小盘50组合**，周收益率5.08%[9]，月收益率0.82%[9]，年收益率6.42%[9]，周超额收益（vs 国证2000）-0.95%[9]，月超额收益-4.10%[9]，年超额收益0.79%[9]，最大相对回撤（vs 国证2000）5.52%[9] 6. **小盘均衡50组合**，周收益率6.99%[9]，月收益率5.27%[9]，年收益率4.27%[9]，周超额收益（vs 国证2000）0.97%[9]，月超额收益0.34%[9]，年超额收益-1.36%[9]，最大相对回撤（vs 国证2000）8.33%[9] 7. **成长优选组合**，周收益率7.64%[9]，月收益率5.89%[9]，年收益率11.98%[9]，周超额收益（vs 偏股混基金指数）2.55%[9]，月超额收益0.09%[9]，年超额收益7.14%[9]，最大相对回撤（vs 偏股混基金指数）4.03%[9] 8. **成熟稳健组合**，周收益率5.00%[9]，月收益率4.45%[9]，年收益率1.94%[9]，周超额收益（vs 中证800）0.20%[9]，月超额收益0.13%[9]，年超额收益0.01%[9]，最大相对回撤（vs 中证800）5.80%[9] 9. **初创优选组合**，周收益率6.72%[9]，月收益率7.45%[9]，年收益率4.71%[9]，周超额收益（vs 中证全指）1.56%[9]，月超额收益3.21%[9]，年超额收益1.82%[9]，最大相对回撤（vs 中证全指）11.22%[9] 10. **困境反转组合**，周收益率3.61%[9]，月收益率1.17%[9]，年收益率2.65%[9]，周超额收益（vs 中证全指）-1.54%[9]，月超额收益-3.07%[9]，年超额收益-0.24%[9]，最大相对回撤（vs 中证全指）3.30%[9]

量化模型与构建方式 1. **模型名称：红利风格择时模型**[1][5] * **模型构建思路：** 构建一个多因子综合打分模型，用于对红利风格进行择时判断，模型输出综合因子值，根据其正负发出看多或看空信号[1][5][6]。 * **模型具体构建过程：** 模型综合了多个因子的信息。首先，选取了多个与红利风格相关的宏观、市场及价量因子。其次，对每个因子进行标准化或处理，得到每个因子的“因子值”。然后，将各因子值按照一定规则（如等权或设定权重）合成为“综合因子值”。最后，根据综合因子值的正负（例如，大于0为看多，小于0为看空）形成最终的择时观点[5][6][10]。 * **模型评价：** 该模型是一个多因素驱动的综合判断模型，旨在捕捉影响红利风格表现的多维度信息[6]。 量化因子与构建方式 1. **因子名称：中国:非制造业 PMI:服务业**[10] * **因子构建思路：** 使用中国非制造业PMI中的服务业指数作为反映经济景气度的宏观因子[10]。 * **因子具体构建过程：** 报告未详细说明该因子的具体计算过程，仅给出了其在特定时点的因子值。通常此类宏观因子会进行标准化或与历史均值/阈值比较后映射为因子得分[10]。 2. **因子名称：中国:M2:同比**[10] * **因子构建思路：** 使用中国广义货币供应量M2的同比增速作为反映货币环境宽松程度的宏观因子[10]。 * **因子具体构建过程：** 报告未详细说明该因子的具体计算过程，仅给出了其在特定时点的因子值。通常此类因子会进行标准化处理[10]。 3. **因子名称：美国:国债收益率:10年**[10] * **因子构建思路：** 使用美国10年期国债收益率作为反映全球无风险利率和资金成本的宏观因子[6][10]。 * **因子具体构建过程：** 报告未详细说明该因子的具体计算过程，仅给出了其在特定时点的因子值。通常此类因子会进行标准化或计算其变化率后映射为因子得分[6][10]。 4. **因子名称：红利相对净值自身**[10] * **因子构建思路：** 该因子可能指代红利指数或相关投资组合自身的价格动量或相对强弱[6][10]。 * **因子具体构建过程：** 报告未详细说明该因子的具体计算过程，仅给出了其在特定时点的因子值。可能基于价格或净值的短期表现计算动量[6][10]。 5. **因子名称：中证红利股息率-10年期中债收益率**[10] * **因子构建思路：** 构建一个价差因子，用中证红利指数的股息率减去10年期中国国债收益率，反映股票的相对吸引力（股权风险溢价）[10]。 * **因子具体构建过程：** 报告未给出具体计算公式，但根据名称，其构建过程应为： $$因子值 = 中证红利指数股息率 - 10年期中国国债收益率$$ 然后可能对该价差进行标准化或历史分位数处理得到最终的因子得分[10]。 6. **因子名称：融资净买入**[10] * **因子构建思路：** 使用融资净买入数据作为反映市场情绪和杠杆资金偏好的因子[6][10]。 * **因子具体构建过程：** 报告未详细说明该因子的具体计算过程，仅给出了其在特定时点的因子值。可能基于融资余额的日度或周度变化进行标准化[6][10]。 7. **因子名称：行业平均景气度**[10] * **因子构建思路：** 使用行业层面的平均景气度数据作为反映整体经济微观基础的因子[10]。 * **因子具体构建过程：** 报告未详细说明该因子的具体计算过程，仅给出了其在特定时点的因子值。可能是对多个行业景气指标进行平均或合成[10]。 模型的回测效果 *报告为周度跟踪报告，主要展示模型最新信号和因子值，未提供历史长期回测绩效指标（如年化收益率、夏普比率、最大回撤等）。* 因子的回测效果 *报告为周度跟踪报告，主要展示各因子最新一期的因子值和观点，未提供各因子历史长期的IC、IR、多空收益等检验指标。* 模型与因子的最新指标取值 1. **红利风格择时模型**，综合因子值 (2026.04.10): 0.06[1][5]，综合因子值 (2026.04.03): 0.13[1][5]，最新观点: 看多[1][5] 2. **中国:非制造业 PMI:服务业因子**，因子值 (2026.04.10): 0.95[10]，因子值 (2026.04.03): 0.95[10]，因子值 (2026.03.27): 0.14[10]，最新观点: 0[10] 3. **中国:M2:同比因子**，因子值 (2026.04.10): 0.46[10]，因子值 (2026.04.03): 0.46[10]，因子值 (2026.03.27): 0.31[10]，最新观点: 0[10] 4. **美国:国债收益率:10年因子**，因子值 (2026.04.10): 0.61[10]，因子值 (2026.04.03): 0.43[10]，因子值 (2026.03.27): -0.01[10]，最新观点: 1[10] 5. **红利相对净值自身因子**，因子值 (2026.04.10): 0.03[10]，因子值 (2026.04.03): 1.21[10]，因子值 (2026.03.27): 1.07[10]，最新观点: 1[10] 6. **中证红利股息率-10年期中债收益率因子**，因子值 (2026.04.10): -0.21[10]，因子值 (2026.04.03): -0.27[10]，因子值 (2026.03.27): -0.33[10]，最新观点: 0[10] 7. **融资净买入因子**，因子值 (2026.04.10): -0.68[10]，因子值 (2026.04.03): -0.98[10]，因子值 (2026.03.27): -1.05[10]，最新观点: 1[10] 8. **行业平均景气度因子**，因子值 (2026.04.10): 0.91[10]，因子值 (2026.04.03): 0.91[10]，因子值 (2026.03.27): 0.91[10]，最新观点: 0[10]

量化模型与构建方式 1. **模型名称**：权益类公募基金仓位估算模型[14] * **模型构建思路**：通过估算普通股票型基金和偏股混合型基金的权益类资产仓位，来监测公募基金对权益类资产的加仓或减仓情况，以此反映机构投资者对未来市场的预期[14]。 * **模型具体构建过程**：报告未详细描述具体的估算模型构建过程，仅提及了估算结果。通常此类模型会基于基金净值、持仓股票收益率等数据，使用回归或其他统计方法进行估算。 2. **因子名称**：行业间收益分化程度[30] * **因子构建思路**：以行业间收益率的标准差作为代理变量，衡量不同行业之间收益表现的差异或离散程度[30]。 * **因子具体构建过程**：计算所有中信一级行业在当周收益率的标准差。公式为： $$ \sigma_{return} = \sqrt{\frac{1}{N-1} \sum_{i=1}^{N} (r_i - \bar{r})^2} $$ 其中，\( N \) 为行业数量，\( r_i \) 为第 \( i \) 个行业的周收益率，\( \bar{r} \) 为所有行业周收益率的平均值[30]。 3. **因子名称**：行业间资金分化程度[33] * **因子构建思路**：以行业日均换手率的标准差作为代理变量，衡量资金在不同行业间分布的集中或离散程度，规避了因行业市值差异导致成交额不可比的问题[31][33]。 * **因子具体构建过程**：计算所有中信一级行业在当周日均换手率的标准差。公式为： $$ \sigma_{turnover} = \sqrt{\frac{1}{N-1} \sum_{i=1}^{N} (t_i - \bar{t})^2} $$ 其中，\( N \) 为行业数量，\( t_i \) 为第 \( i \) 个行业的周日均换手率，\( \bar{t} \) 为所有行业周日均换手率的平均值[33]。 4. **因子名称**：行业收益反转效应[29] * **因子构建思路**：通过计算近两周行业收益率在截面上的相关系数，来判断行业轮动是否存在反转效应[29]。 * **因子具体构建过程**：将本周各行业的收益率与上周各行业的收益率作为两个序列，计算它们的截面相关系数[29]。 5. **因子名称**：一致预期净利润两年复合增长率[37] * **因子构建思路**：使用机构对未来两年净利润复合增长率的一致预期数据，作为反映市场对未来盈利信心的晴雨表[37]。 * **因子具体构建过程**：直接采用Wind等数据提供商汇总的各公司或各指数成分股的一致预期数据，并计算其加权平均值或中位数，得到宽基指数或行业的预期复合增长率[37][38][39]。 6. **因子名称**：估值分位数（PE TTM）[37][40] * **因子构建思路**：计算当前市盈率（TTM）在历史序列中的分位数，以衡量其估值水平相对于历史的高低[37][40]。 * **因子具体构建过程**：对于宽基指数或行业，获取其过去五年（或指定历史窗口）的每日/每周PE（TTM）时间序列，将当前PE值置于该历史序列中，计算其百分位排名[39][40][42]。 模型的回测效果 （报告未提供相关模型的回测效果指标） 因子的回测效果 1. **行业间收益分化程度因子**：本周（2026.04.06-04.10）取值为 **2.91%**，较上周上行0.47%[30]。 2. **行业间资金分化程度因子**：本周（2026.04.06-04.10）取值为 **0.81%**，较上周上行0.05%，位于近三年历史分位数的 **35%** 附近[33][36]。 3. **行业收益反转效应因子**：近两周（报告期）行业收益率截面相关系数为 **-9.9%**[29]。 4. **一致预期净利润两年复合增长率因子**（宽基指数）： * 上证50：**6.02%**，环比变化 **+0.06%**[39] * 沪深300：**9.06%**，环比变化 **-0.04%**[39] * 中证500：**24.59%**，环比变化 **+0.03%**[39] * 中证1000：**30.53%**，环比变化 **+0.21%**[39] * 创业板指：**34.38%**，环比变化 **-0.06%**[39] * 万得全A：**13.96%**，环比变化 **-0.05%**[39] 5. **估值分位数（PE TTM）因子**（宽基指数）： * 上证50：**77.27%**，环比变化 **+1.74%** 分位数[39] * 沪深300：**91.74%**，环比变化 **+9.75%** 分位数[39] * 中证500：**96.45%**，环比变化 **+2.56%** 分位数[39] * 中证1000：**96.61%**，环比变化 **+6.45%** 分位数[39] * 创业板指：**63.72%**，环比变化 **+11.90%** 分位数[39] * 万得全A：**97.02%**，环比变化 **+2.98%** 分位数[39]

量化模型与构建方式 1. **模型/因子名称：封板率** * **构建思路：** 衡量市场涨停股中能够将涨停价格维持到收盘的强度，是反映市场追涨情绪和封板资金力度的指标[15]。 * **具体构建过程：** 1. 筛选上市满3个月以上的股票[15]。 2. 统计在当日盘中最高价曾达到涨停价的股票数量[15]。 3. 从上述股票中，进一步统计收盘价仍为涨停价的股票数量[15]。 4. 计算封板率：$$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[15] 2. **模型/因子名称：连板率** * **构建思路：** 衡量涨停股在次日继续涨停的概率，反映市场短线投机情绪的延续性和赚钱效应[15]。 * **具体构建过程：** 1. 筛选上市满3个月以上的股票[15]。 2. 统计在昨日收盘价为涨停价的股票数量[15]。 3. 从上述股票中，统计在今日收盘价仍为涨停价的股票数量[15]。 4. 计算连板率：$$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[15] 3. **模型/因子名称：两融余额占比** * **构建思路：** 通过计算融资融券余额占市场流通总市值的比例，来衡量杠杆资金在市场中的整体规模和重要性[21]。 * **具体构建过程：** 1. 获取某一时点的市场融资余额与融券余额总和，即两融余额[17][21]。 2. 获取同一时点的市场总流通市值[21]。 3. 计算占比：$$两融余额占比 = \frac{两融余额}{市场总流通市值}$$[21] 4. **模型/因子名称：两融交易占比** * **构建思路：** 通过计算融资买入额与融券卖出额之和占市场总成交额的比例，来衡量杠杆资金交易的活跃度[21]。 * **具体构建过程：** 1. 统计某一时期内的融资买入总额与融券卖出总额，求和得到两融交易总额[21]。 2. 统计同一时期内的市场总成交额[21]。 3. 计算占比：$$两融交易占比 = \frac{融资买入额 + 融券卖出额}{市场总成交额}$$[21] 5. **模型/因子名称：大宗交易折价率** * **构建思路：** 通过计算大宗交易成交价相对于市场价格的折扣率，来反映大额资金对股票的买卖意愿和情绪，通常折价意味着大资金卖出意愿较强或买入意愿较弱[25]。 * **具体构建过程：** 1. 统计当日所有大宗交易的成交总金额[25]。 2. 计算当日这些大宗交易成交份额按市场价格计算的总市值[25]。 3. 计算折价率：$$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[25] 6. **模型/因子名称：股指期货年化贴水率** * **构建思路：** 将股指期货主力合约与现货指数之间的基差（贴水或升水）进行年化处理，以标准化衡量市场对未来走势的预期以及股指对冲的成本[27]。 * **具体构建过程：** 1. 计算基差：$$基差 = 股指期货价格 - 现货指数价格$$[27] 2. 计算年化贴水率：$$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[27] * 公式说明：基差除以现货指数价格得到相对基差，再乘以年化因子（250个交易日除以合约剩余交易日数）得到年化收益率概念的年化贴水率[27]。 模型的回测效果 *本报告为市场监测日报，未提供量化模型或因子在历史样本外的长期回测表现指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。* 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传统阿尔法因子（如价值、动量、质量等）的构建。* 因子的回测效果 *本报告未提供量化因子的IC值、IR值、多空收益、分组收益等历史回测表现指标。*