量化模型与因子总结 量化因子与构建方式 1. **因子名称：融资净买入额** * **因子构建思路：** 衡量特定周期内（本月）融资买入资金与融资偿还资金的净差额，反映市场通过融资渠道对特定标的（如个股、行业、ETF）的净买入意愿和资金流向[34][36][54]。 * **因子具体构建过程：** 计算周期内每日融资买入额与融资偿还额的差值，并求和。对于个股、行业或ETF，其融资净买入额的计算逻辑一致。 $$融资净买入额 = \sum_{t=1}^{T} (融资买入额_t - 融资偿还额_t)$$ 其中，`t` 代表交易日，`T` 代表计算周期（如本月）。报告中的数值为周期内的累计值[56][58]。 2. **因子名称：融券净卖出额** * **因子构建思路：** 衡量特定周期内（本月）融券卖出量（额）与融券偿还量（额）的净差额，反映市场通过融券渠道对特定标的的净卖出（做空）意愿和资金流向[36][57]。 * **因子具体构建过程：** 计算周期内每日融券卖出额与融券偿还额的差值，并求和。对于个股、行业，其融券净卖出额的计算逻辑一致。 $$融券净卖出额 = \sum_{t=1}^{T} (融券卖出额_t - 融券偿还额_t)$$ 其中，`t` 代表交易日，`T` 代表计算周期（如本月）。报告中的数值为周期内的累计值[58]。 3. **因子名称：融资买入额占成交额比例** * **因子构建思路：** 衡量融资买入交易在标的整体成交中的活跃度与占比，比例越高，说明该标的的交易中由融资买入驱动的部分越大[39][42]。 * **因子具体构建过程：** 计算周期内融资买入总额占同期成交总额的比例。报告分别展示了行业和个股层面的该比例。 $$融资买入额占成交额比例 = \frac{\sum_{t=1}^{T} 融资买入额_t}{\sum_{t=1}^{T} 成交额_t} \times 100\%$$ 其中，`t` 代表交易日，`T` 代表计算周期（如本月）[42][56]。 4. **因子名称：融资余额占流通市值比例** * **因子构建思路：** 衡量融资余额相对于标的流通规模的大小，反映融资盘在该标的中的存量杠杆水平，比例越高，潜在的杠杆风险或关注度可能越高[39][42]。 * **因子具体构建过程：** 在特定时点（如月末），用标的的融资余额除以其流通市值。 $$融资余额占流通市值比例 = \frac{融资余额}{流通市值} \times 100\%$$ 报告展示了行业在1月30日时点的该比例数值[42]。 5. **因子名称：融券卖出额占成交额比例** * **因子构建思路：** 衡量融券卖出交易在标的整体成交中的活跃度与占比，反映市场做空交易的活跃程度[44][45]。 * **因子具体构建过程：** 计算周期内融券卖出总额占同期成交总额的比例。 $$融券卖出额占成交额比例 = \frac{\sum_{t=1}^{T} 融券卖出额_t}{\sum_{t=1}^{T} 成交额_t} \times 100\%$$ 其中，`t` 代表交易日，`T` 代表计算周期（如本月）。报告展示了行业层面的该比例[45]。 6. **因子名称：融券余额占流通市值比例** * **因子构建思路：** 衡量融券余额相对于标的流通规模的大小，反映做空盘在该标的中的存量规模[44][45]。 * **因子具体构建过程：** 在特定时点（如月末），用标的的融券余额除以其流通市值。 $$融券余额占流通市值比例 = \frac{融券余额}{流通市值} \times 100\%$$ 报告展示了行业在1月30日时点的该比例数值[45]。 7. **因子名称：融资余额占比（板块/指数）** * **因子构建思路：** 分析不同板块（主板、科创板、创业板）或不同市值指数（沪深300、中证500等）的融资余额在两融市场总融资余额中的结构占比，观察资金杠杆在不同属性板块间的分布与变化[17][20][22]。 * **因子具体构建过程：** 在特定时点，计算某板块（或指数成分股）的融资余额总和，除以沪深两市A股总融资余额。 $$板块融资余额占比 = \frac{板块融资余额}{沪深两市A股总融资余额} \times 100\%$$ $$指数融资余额占比 = \frac{指数成分股融资余额}{沪深两市A股总融资余额} \times 100\%$$ 报告计算了1月30日时点各板块及主要宽基指数成分股的融资余额占比[17][22]。 8. **因子名称：融券余额占比（板块/指数）** * **因子构建思路：** 分析不同板块或不同市值指数的融券余额在两融市场总融券余额中的结构占比，观察做空资金在不同属性板块间的分布与变化[17][23]。 * **因子具体构建过程：** 在特定时点，计算某板块（或指数成分股）的融券余额总和，除以沪深两市A股总融券余额。 $$板块融券余额占比 = \frac{板块融券余额}{沪深两市A股总融券余额} \times 100\%$$ $$指数融券余额占比 = \frac{指数成分股融券余额}{沪深两市A股总融券余额} \times 100\%$$ 报告计算了1月30日时点各板块及主要宽基指数成分股的融券余额占比[17][23]。 因子的回测效果 > 注：本报告为月度数据统计报告，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）。报告主要呈现了因子在特定计算周期（2026年1月）内的具体取值或排序结果。 1. **融资净买入额因子** * **行业层面取值（前五名）：** 有色金属、电子、非银金融[34] * **ETF层面取值（前五名）：** 南方中证500ETF (55,906.55万元)、华安黄金易(ETF) (47,588.06万元)、南方中证申万有色金属ETF (46,998.98万元)、广发中证传媒ETF (45,622.87万元)、国泰中证全指证券公司ETF (40,610.81万元)[49][50] * **个股层面取值（前五名）：** 中国平安 (820,465.77万元)、紫金矿业 (543,393.74万元)、天孚通信 (368,137.19万元)、招商银行 (318,135.63万元)、长江电力 (316,913.09万元)[54][56] 2. **融券净卖出额因子** * **行业层面取值（前五名）：** 有色金属、食品饮料、家用电器[36] * **个股层面取值（前五名）：** 贵州茅台 (5,417.00万元)、赤峰黄金 (3,044.54万元)、兴业银锡 (2,764.26万元)、美的集团 (2,732.83万元)、洛阳钼业 (2,003.81万元)[57][58] 3. **融资买入额占成交额比例因子** * **行业层面取值（前三名）：** 非银金融 (13.29%)、通信 (11.49%)、电子 (10.98%)[39][42] * **个股层面取值（前五名）：** 浙商银行 (21.66%)、光大银行 (20.60%)、楚天高速 (19.99%)、辽宁成大 (19.85%)、京东方A (19.84%)[55][56] 4. **融资余额占流通市值比例因子** * **行业层面取值（前三名）：** 计算机 (4.10%)、通信 (3.52%)、国防军工 (3.40%)[39][42] 5. **融券卖出额占成交额比例因子** * **行业层面取值（前三名）：** 食品饮料 (0.06%)、银行 (0.06%)、石油石化 (0.05%)[44][45] 6. **融券余额占流通市值比例因子** * **行业层面取值（前三名）：** 传媒 (0.02%)、有色金属 (0.02%)、国防军工 (0.01%)[44][45] 7. **融资余额占比（板块/指数）因子** * **板块层面取值（1月30日）：** 主板 (65.67%)、创业板 (23.09%)、科创板 (11.24%)[17] * **指数层面取值（1月30日）：** 沪深300 (36.34%)、其他 (24.23%)、中证1000 (20.52%)、中证500 (18.91%)[22] 8. **融券余额占比（板块/指数）因子** * **板块层面取值（1月30日）：** 主板 (72.18%)、创业板 (17.78%)、科创板 (10.03%)[17] * **指数层面取值（1月30日）：** 其他 (47.57%)、中证500 (21.42%)、沪深300 (20.49%)、中证1000 (10.51%)[23]

量化模型与构建方式 1. **模型名称：量化大势研判行业配置策略（资产比较策略）**[8][12] * **模型构建思路**：基于产业生命周期理论，将权益资产划分为五种内在风格属性。通过“g>ROE>D”的优先级顺序，自下而上地比较所有资产的优劣，筛选出具有基本面优势的资产，其风格属性即代表未来市场主流风格，并据此进行行业配置。[8] * **模型具体构建过程**： 1. **风格定义与资产分类**：根据产业生命周期，将股票资产划分为五种风格：外延成长、质量成长、质量红利、价值红利、破产价值。[8] 2. **资产比较框架**：采用分级比较逻辑。 * **主流资产比较**：优先比较实际增速资产（g）、预期增速资产（gf）、盈利资产（ROE）三类。只要其中一类资产具备优势，市场资金就会集中配置，次级资产机会不大。[12] * **次级资产比较**：当主流资产均无优势时，转向比较次级资产，其优先级由拥挤度决定：质量红利 > 价值红利 > 破产价值。[12] 3. **优势判断与因子应用**：对每一类风格资产，使用特定的量化因子进行横向比较，筛选出优势行业。 * **预期成长（gf）**：比较分析师预期增速（g_fttm）。[9][38] * **实际成长（g）**：比较业绩动量，使用超预期因子，如sue、sur、jor。[9][40] * **盈利能力（ROE）**：在PB-ROE框架下，选择估值较低的高ROE资产，使用PB-ROE回归残差因子。[9][43] * **质量红利**：结合股息率（dp）和盈利能力（roe）进行综合打分。[46] * **价值红利**：结合股息率（dp）和市净率倒数（bp）进行综合打分。[49] * **破产价值**：结合低市净率（pb）和小市值（size）进行综合打分（打分最低）。[53] 4. **行业配置**：以中信二三级行业（整理合并后为202个）为标的，每期在每个占优的风格策略下，选择排名靠前的5个行业，以等权重方式进行配置。[19] * **模型评价**：该框架自2009年以来对A股的风格轮动具有较好的解释能力。[19] 2. **因子名称：资产优势差（Spread）**[25] * **因子构建思路**：用于刻画某类资产中头部资产（Top组）相对于尾部资产（Bottom组）的趋势变化，类似于因子择时中的Spread指标。通过监测优势差的扩张与收缩，来判断对应风格资产的景气度。[25] * **因子具体构建过程**： 1. 每月末，计算所有行业在特定因子（如预期增速g_fttm、实际增速g_ttm、ROE）上的数值。 2. 根据因子值对行业进行排序，并分为若干组（如十分位）。 3. 计算头部组（如Top组）因子值的中位数与尾部组（如Bottom组）因子值的中位数之差。 $$资产优势差 = Top组中位数 - Bottom组中位数$$ 4. 观察该差值的时间序列变化，若差值扩大（Δ为正），则表明头部资产相对优势在增强；若差值缩小（Δ为负），则表明优势在减弱。[25][29] 模型的回测效果 1. **量化大势研判行业配置策略（资产比较策略）**，年化收益27.67%（2009年以来），2009年超额收益51%，2010年超额收益14%，2011年超额收益-11%，2012年超额收益0%，2013年超额收益36%，2014年超额收益-4%，2015年超额收益16%，2016年超额收益-1%，2017年超额收益27%，2018年超额收益7%，2019年超额收益8%，2020年超额收益44%，2021年超额收益38%，2022年超额收益62%，2023年超额收益10%，2024年超额收益52%，2025年超额收益14%，2026年1月超额收益-1%。[20][22] 量化因子与构建方式 1. **因子名称：预期净利润增速（g_fttm）**[9][38] * **因子构建思路**：基于分析师对未来净利润的一致预期，衡量资产的成长潜力。适用于所有产业周期阶段，是预期成长风格的核心筛选指标。[9] * **因子具体构建过程**：报告未给出具体计算公式，但通常指未来十二个月（Forward Twelve Months）的预期净利润增长率，由市场分析师一致预测数据计算得出。 2. **因子名称：超预期因子簇（sue, sur, jor）**[40] * **因子构建思路**：衡量公司实际发布的业绩相对于市场预期的偏离程度，捕捉业绩动量。主要适用于转型期和成长期资产，是实际成长风格的核心筛选指标。[9][40] * **因子具体构建过程**：报告未给出具体计算公式。通常包括： * **SUE（Standardized Unexpected Earnings）**：标准化意外盈余， (实际EPS - 预期EPS) / 历史盈余波动率。 * **SUR（Surprise）**：意外程度， (实际EPS - 预期EPS) / 预期EPS绝对值。 * **JOR**：可能指业绩预告或快报相关的超预期指标。 3. **因子名称：PB-ROE回归残差**[43] * **因子构建思路**：在PB-ROE估值框架下，寻找盈利能力（ROE）较高但估值（PB）相对较低的资产，即“性价比”高的盈利资产。适用于成熟期资产。[9][43] * **因子具体构建过程**： 1. 在横截面上，对行业（或公司）的市净率（PB）与净资产收益率（ROE）进行回归。 $$PB = \alpha + \beta * ROE + \epsilon$$ 2. 计算回归残差 \(\epsilon\)。残差为负表示该行业的实际PB低于其ROE所对应的理论PB，即估值相对偏低，更具投资价值。 4. **因子名称：质量红利复合因子（dp+roe）**[46] * **因子构建思路**：综合考察资产的股息回报（dp）和盈利质量（roe），筛选出既能提供稳定现金分红又具备良好盈利能力的资产。适用于成熟期资产。[46] * **因子具体构建过程**：报告未给出具体的合成公式。通常做法是对股息率（dp）和净资产收益率（roe）分别进行横截面标准化或分位数排序，然后按一定权重（如等权）相加得到综合得分。 5. **因子名称：价值红利复合因子（dp+bp）**[49] * **因子构建思路**：综合考察资产的股息回报（dp）和账面价值（bp，即市净率的倒数），筛选出高股息且估值便宜的深度价值型资产。[49] * **因子具体构建过程**：报告未给出具体的合成公式。通常做法是对股息率（dp）和市净率倒数（bp）分别进行横截面标准化或分位数排序，然后按一定权重（如等权）相加得到综合得分。 6. **因子名称：破产价值复合因子（pb+size）**[53] * **因子构建思路**：寻找市净率（pb）极低、市值（size）较小的资产，这类资产可能蕴含并购重组、壳价值或极端低估的机会。适用于停滞期和衰退期资产。[53] * **因子具体构建过程**：报告明确指出该策略选取“PB+SIZE打分最低”的行业。[53] 通常做法是对市净率（pb）和市值（size）分别进行横截面标准化或分位数排序（注意：pb因子值小代表估值低，size因子值小代表市值小），然后按一定权重相加得到综合得分，并选择得分最低的资产。 7. **因子名称：拥挤度**[12][30][34] * **因子构建思路**：衡量某一类资产或策略的交易热门程度和资金集中度。拥挤度过高可能预示着短期风险加大，用于在次级资产比较中确定优先级，并作为主流资产配置的辅助风控指标。[12][30][34] * **因子具体构建过程**：报告未给出具体计算方法。常见的拥挤度指标可能包括：换手率分位数、估值分位数、资金流入强度、因子收益率波动率等。

量化模型与构建方式 本报告为市场数据跟踪报告，未涉及具体的量化交易模型或选股因子的构建与测试。报告主要对宽基指数的各类市场指标进行统计、计算和展示，这些指标可被视为用于描述市场状态或进行估值比较的“因子”或“指标”。以下总结报告中所涉及的主要量化指标及其构建方式。 **1. 指标名称：风险溢价** * **指标构建思路**：以十年期国债即期收益率为无风险利率，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，评估其投资价值和偏离程度[27]。 * **指标具体构建过程**：风险溢价 = 股票指数收益率 - 十年期国债即期收益率。报告中具体展示了各宽基指数的当前风险溢价、历史分位值、均值及波动率等统计量[31]。 **2. 指标名称：股债性价比** * **指标构建思路**：将股票指数市盈率（PE-TTM）的倒数视为股票的潜在收益率，然后减去十年期国债即期收益率，以此衡量股票相对于债券的吸引力[46]。 * **指标具体构建过程**：股债性价比 = (1 / 指数PE-TTM) - 十年期国债即期收益率[46]。报告通过图表展示了该指标的历史走势，并对比了其与近5年历史分位值（如80%分位的机会值和20%分位的危险值）的关系[46]。 **3. 指标名称：指数换手率** * **指标构建思路**：衡量宽基指数整体交易的活跃程度，计算其成分股按流通股本加权的平均换手率[18]。 * **指标具体构建过程**：报告给出了具体的计算公式：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]。 **4. 指标名称：破净率** * **指标构建思路**：统计指数成分股中市净率（PB）小于1的个股数量占比，反映市场整体的估值低迷程度或悲观情绪[54][56]。 * **指标具体构建过程**：破净率 = (指数成分股中市净率 < 1 的股票数量) / 指数成分股总数。报告列出了各主要宽基指数的当前破净率[57]。 **5. 指标名称：收益分布形态指标（偏度与峰度）** * **指标构建思路**：通过计算指数日收益率序列的偏度和峰度，描述其分布形态特征，例如分布是否对称、尾部是否厚重[24]。 * **指标具体构建过程**：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年的历史数据进行比较。其中注明，峰度计算中减去了3（正态分布的峰度值）[25]。偏度为正表示分布右偏（正收益极端情况更多），为负表示左偏（负收益极端情况更多）。峰度值（减3后）为正表示分布比正态分布更尖峭（尾部更厚），为负则表示更平缓[24]。 **6. 指标名称：均线比较指标** * **指标构建思路**：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，判断短期、中期和长期的市场趋势[15]。 * **指标具体构建过程**：计算指数收盘价相对于MA5、MA10、MA20、MA60、MA120、MA250的偏离百分比，公式为：偏离百分比 = (收盘价 / MA_n - 1) * 100%。报告中用“vsMA5”等列展示了具体数值[15][16]。 **7. 指标名称：连阴连阳天数** * **指标构建思路**：统计指数K线连续为阴线或阳线的天数，用于观察市场的连续上涨或下跌动能[12]。 * **指标具体构建过程**：从1开始计数，正数表示连续阳线的天数，负数表示连续阴线的天数[12]。 **8. 指标名称：交易金额占比** * **指标构建思路**：计算单一宽基指数成交额占全市场（以中证全指为代表）成交额的比例，反映资金在不同板块或风格间的聚集情况[18]。 * **指标具体构建过程**：交易金额占比 = 该指数当日交易金额 / 中证全指当日交易金额[18]。 指标的回测效果 本报告未提供基于这些指标的策略回测结果，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2月3日（报告基准日）这些指标的截面数据、历史分位值及与历史均值和标准差的比较。以下为部分指标在报告基准日的具体取值： **1. 风险溢价指标** [31] * 上证50：当前值1.04%，近5年分位值86.67% * 沪深300：当前值1.17%，近5年分位值88.33% * 中证500：当前值3.10%，近5年分位值98.73% * 中证1000：当前值2.92%，近5年分位值98.25% * 中证2000：当前值2.82%，近5年分位值96.98% * 中证全指：当前值2.11%，近5年分位值97.22% * 创业板指：当前值1.85%，近5年分位值87.14% **2. PE-TTM估值指标** [43] * 上证50：当前值11.52，近5年分位值81.24% * 沪深300：当前值13.99，近5年分位值83.72% * 中证500：当前值37.57，近5年分位值99.26% * 中证1000：当前值50.48，近5年分位值99.17% * 中证2000：当前值169.05，近5年分位值91.40% * 中证全指：当前值22.21，近5年分位值98.60% * 创业板指：当前值43.09，近5年分位值63.39% **3. 股息率指标** [53] * 上证50：当前值3.27%，近5年分位值33.55% * 沪深300：当前值2.76%，近5年分位值37.77% * 中证500：当前值1.25%，近5年分位值5.29% * 中证1000：当前值1.00%，近5年分位值23.72% * 中证2000：当前值0.70%，近5年分位值2.73% * 中证全指：当前值1.94%，近5年分位值27.02% * 创业板指：当前值0.87%，近5年分位值56.03% **4. 破净率指标** [57] * 上证50：24.0% * 沪深300：16.67% * 中证500：11.0% * 中证1000：6.8% * 中证2000：2.55% * 中证全指：5.56% * （创业板指未列出） **5. 收益分布形态指标（以当前值计）** [25] * 上证50：峰度 -0.14， 偏度 1.29 * 沪深300：峰度 0.58， 偏度 1.53 * 中证500：峰度 0.88， 偏度 1.56 * 中证1000：峰度 0.95， 偏度 1.50 * 中证2000：峰度 0.79， 偏度 1.51 * 中证全指：峰度 0.70， 偏度 1.53 * 创业板指：峰度 1.19， 偏度 1.61 **6. 资金与交易活跃度指标（2026年2月3日）** [18] * 交易金额占比：沪深300 (26.52%)、中证500 (21.61%)、中证1000 (20.92%) * 换手率：中证2000 (3.98)、创业板指 (3.75)、中证1000 (3.01)、中证500 (2.44)、中证全指 (1.98)、沪深300 (0.81)、上证50 (0.39)

量化模型与构建方式 **注意：** 根据提供的研报内容，报告主要描述了资产证券化（ABS）和不动产投资信托基金（REITs）市场的发行、成交及分层结构等市场数据与现状，并未涉及任何具体的量化模型或量化因子的构建、测试与分析。因此，本报告中**没有**需要总结的量化模型或量化因子内容。 模型的回测效果 **注意：** 报告中未涉及任何量化模型的回测效果。 量化因子与构建方式 **注意：** 报告中未涉及任何量化因子的构建与测试。 因子的回测效果 **注意：** 报告中未涉及任何量化因子的回测效果。

量化模型与构建方式 1. **模型名称：逆周期配置模型**[3][23] * **模型构建思路**：通过代理变量预测未来的宏观环境（如Slowdown），然后选择在不同宏观环境下预期表现最优的大类资产进行配置，以构建绝对收益组合[23]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建步骤和公式，仅提及了其应用场景和输出结果[23]。 2. **模型名称：宏观动量模型**[23] * **模型构建思路**：从经济增长、通货膨胀、利率、汇率和风险情绪等多个宏观维度出发，构建综合模型以对股票、债券等大类资产进行月度择时[23]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建步骤和公式，仅提及了其构建维度和应用目的[23]。 3. **模型名称：多周期黄金择时策略**[23] * **模型构建思路**：通过宏观、持仓、量价和情绪等多类因子，构建针对黄金资产的择时策略[23]。 * **模型具体构建过程**：报告未详细描述该策略的具体构建步骤和公式，仅提及了其构建因子类型[23]。 4. **模型名称：多因子行业轮动策略**[24] * **模型构建思路**：从行业历史基本面、预期基本面、情绪面、量价技术面、宏观经济等多个维度出发，构建综合因子模型进行行业轮动[24]。 * **模型具体构建过程**：报告未详细描述该策略的具体构建步骤和公式，仅提及了其构建因子维度[24]。 5. **模型名称：股债混合配置策略（基础框架）**[29] * **模型构建思路**：通过固定比例或风险平价等方法，将股票和债券资产进行混合配置，以追求绝对收益[29]。 * **模型具体构建过程**：报告提及了两种基础构建方法： * **股债X/Y再平衡策略**：设定固定的股票（X%）和债券（Y%）配置比例，并定期（如月度、季度）进行再平衡以维持该比例[4][37]。 * **股债风险平价策略**：根据股票和债券资产的风险贡献（如波动率）来动态分配权重，使各类资产对组合的整体风险贡献相等[4][30]。 6. **模型名称：行业ETF轮动增强策略**[4][24][28] * **模型构建思路**：在基础的股债混合配置策略（如股债20/80再平衡或风险平价）之上，将股票部分替换为基于多因子行业轮动模型选出的行业ETF组合，以增强收益[4][24][28]。 * **模型具体构建过程**： 1. 首先，确定一个由23个中信一级行业构成的基准池，并将其与市场上的ETF跟踪指数进行匹配[24][25]。 2. 然后，运用多因子行业轮动模型从基准池中筛选出看好的行业[24]。 3. 最后，将基础股债混合策略中分配给股票的仓位，等权或按模型信号配置给选出的行业ETF[28]。例如，在“（宏观择时+行业ETF轮动）股债20/80再平衡策略”中，股票端的30%仓位被等权配置给4只行业ETF[28]。 模型的回测效果 （数据统计区间：2026年1月1日至2026年1月31日） 1. **（宏观择时）股债20/80再平衡策略**，上周收益0.05%，本月收益0.56%，本年收益0.56%，年化波动率2.93%，最大回撤0.36%，夏普比率2.90[30] 2. **（宏观择时）股债风险平价策略**，上周收益0.04%，本月收益0.47%，本年收益0.47%，年化波动率1.50%，最大回撤0.20%，夏普比率4.74[30] 3. **（宏观择时）股、债、黄金风险平价策略**，上周收益0.26%，本月收益1.28%，本年收益1.28%，年化波动率2.96%，最大回撤0.49%，夏普比率6.90[30] 4. **（宏观择时+行业ETF轮动）股债20/80再平衡策略**，上周收益0.29%，本月收益0.89%，本年收益0.89%，年化波动率4.58%，最大回撤1.06%，夏普比率3.00[30] 5. **（宏观择时+行业ETF轮动）股债风险平价策略**，上周收益0.13%，本月收益0.55%，本年收益0.55%，年化波动率1.77%，最大回撤0.32%，夏普比率4.74[30] 量化因子与构建方式 1. **因子名称：PB盈利因子**[4][37] * **因子构建思路**：报告未详细说明，但从名称推断，可能结合了市净率（PB）和盈利相关指标（如ROE、盈利增长等），旨在捕捉估值合理且盈利能力强的股票。 * **因子具体构建过程**：报告未提供具体构建公式和步骤[4][37]。 2. **因子名称：高股息因子**[4][37] * **因子构建思路**：旨在筛选出股息率较高的股票，通常这类股票具有价值属性且能提供稳定的现金流回报。 * **因子具体构建过程**：报告未提供具体构建公式和步骤[4][37]。 3. **因子名称：小盘价值因子**[4][37] * **因子构建思路**：旨在捕捉小市值公司中的价值股，即市值较小且估值较低的股票。 * **因子具体构建过程**：报告未提供具体构建公式和步骤[4][37]。 4. **因子名称：小盘成长因子**[4][37] * **因子构建思路**：旨在捕捉小市值公司中的成长股，即市值较小且具有较高成长潜力的股票。 * **因子具体构建过程**：报告未提供具体构建公式和步骤[4][37]。 因子的回测效果 （数据统计区间：2026年1月1日至2026年1月31日，作为“量化固收+”策略的股票端） 1. **PB盈利因子（不择时+20/80月度再平衡）**，上周收益0.21%，本月收益1.30%，本年收益1.30%，年化波动率4.41%，最大回撤3.79%，夏普比率-0.20[37] 2. **高股息因子（不择时+20/80月度再平衡）**，上周收益0.09%，本月收益0.87%，本年收益0.87%，年化波动率3.90%，最大回撤3.47%，夏普比率-0.28[37] 3. **小盘价值因子（不择时+20/80月度再平衡）**，上周收益-0.34%，本月收益2.60%，本年收益2.60%，年化波动率6.66%，最大回撤7.74%，夏普比率-0.03[37] 4. **小盘成长因子（不择时+20/80月度再平衡）**，上周收益-0.43%，本月收益1.88%，本年收益1.88%，年化波动率6.77%，最大回撤8.07%，夏普比率-0.09[37]

量化模型与构建方式 1. **模型名称**：封板率模型[17] **模型构建思路**：通过计算当日盘中最高价涨停且收盘仍保持涨停的股票比例，来衡量市场涨停股的封板强度，反映市场追涨情绪和短线资金的封板意愿[17] **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[17] 2. 在交易日T，找出所有盘中最高价达到涨停的股票[17] 3. 在这些股票中，进一步筛选出收盘价仍为涨停的股票[17] 4. 计算封板率，公式为： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[17] 2. **模型名称**：连板率模型[17] **模型构建思路**：通过计算连续两日收盘涨停的股票占昨日涨停股票的比例，来衡量市场涨停效应的持续性，反映市场强势股的接力情绪[17] **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[17] 2. 在交易日T-1，找出所有收盘涨停的股票[17] 3. 在交易日T，从步骤2的股票中，筛选出当日收盘仍为涨停的股票[17] 4. 计算连板率，公式为： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[17] 3. **因子名称**：大宗交易折价率因子[26] **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，来反映大资金通过大宗交易渠道减持或调仓时的成本与意愿，折价率高低可视为大资金情绪或特定股票流动性的一个指标[26] **因子具体构建过程**： 1. 获取交易日T所有大宗交易的成交数据，包括每笔交易的成交金额和成交数量[26] 2. 计算当日该股票通过大宗交易成交份额的总市值，通常使用当日收盘价或成交均价作为市价基准[26] 3. 计算大宗交易总成交金额[26] 4. 计算折价率，公式为： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[26] 该值为负表示折价成交，绝对值越大表示折价幅度越大[26] 4. **因子名称**：股指期货年化贴水率因子[28] **因子构建思路**：通过计算股指期货主力合约价格相对于现货指数价格的年化基差，来衡量市场对未来指数的预期、对冲成本以及市场情绪。贴水率越高，通常意味着市场情绪偏谨慎或对冲成本较低[28] **因子具体构建过程**： 1. 选定标的指数（如上证50、沪深300、中证500、中证1000）及其对应的股指期货主力合约[28] 2. 在交易日T，获取标的指数的收盘价（现货价格）和股指期货主力合约的结算价（期货价格）[28] 3. 计算基差：基差 = 期货价格 - 现货价格[28] 4. 获取该主力合约的剩余交易日数[28] 5. 计算年化贴水率，公式为： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[28] 当该值为负时，表示股指期货处于贴水状态[28] 模型的回测效果 1. 封板率模型，20260203当日封板率取值78%[17] 2. 封板率模型，20260203较前日变化为提升17%[17] 3. 连板率模型，20260203当日连板率取值36%[17] 4. 连板率模型，20260203较前日变化为提升16%[17] 量化因子与构建方式 1. **因子名称**：大宗交易折价率因子[26] **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，来反映大资金通过大宗交易渠道减持或调仓时的成本与意愿，折价率高低可视为大资金情绪或特定股票流动性的一个指标[26] **因子具体构建过程**： 1. 获取交易日T所有大宗交易的成交数据，包括每笔交易的成交金额和成交数量[26] 2. 计算当日该股票通过大宗交易成交份额的总市值，通常使用当日收盘价或成交均价作为市价基准[26] 3. 计算大宗交易总成交金额[26] 4. 计算折价率，公式为： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[26] 该值为负表示折价成交，绝对值越大表示折价幅度越大[26] 2. **因子名称**：股指期货年化贴水率因子[28] **因子构建思路**：通过计算股指期货主力合约价格相对于现货指数价格的年化基差，来衡量市场对未来指数的预期、对冲成本以及市场情绪。贴水率越高，通常意味着市场情绪偏谨慎或对冲成本较低[28] **因子具体构建过程**： 1. 选定标的指数（如上证50、沪深300、中证500、中证1000）及其对应的股指期货主力合约[28] 2. 在交易日T，获取标的指数的收盘价（现货价格）和股指期货主力合约的结算价（期货价格）[28] 3. 计算基差：基差 = 期货价格 - 现货价格[28] 4. 获取该主力合约的剩余交易日数[28] 5. 计算年化贴水率，公式为： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[28] 当该值为负时，表示股指期货处于贴水状态[28] 因子的回测效果 1. 大宗交易折价率因子，近半年以来平均折价率取值6.93%[26] 2. 大宗交易折价率因子，20260202当日折价率取值5.69%[26] 3. 上证50股指期货年化贴水率因子，近一年中位数取值0.63%[28] 4. 上证50股指期货年化贴水率因子，20260203当日值取值0.48%[28] 5. 上证50股指期货年化贴水率因子，20260203当日值近一年分位点取值52%[28] 6. 沪深300股指期货年化贴水率因子，近一年中位数取值3.79%[28] 7. 沪深300股指期货年化贴水率因子，20260203当日值取值1.41%[28] 8. 沪深300股指期货年化贴水率因子，20260203当日值近一年分位点取值78%[28] 9. 中证500股指期货年化贴水率因子，近一年中位数取值11.15%[28] 10. 中证500股指期货年化贴水率因子，20260203当日值取值0.53%[28] 11. 中证500股指期货年化贴水率因子，20260203当日值近一年分位点取值94%[28] 12. 中证1000股指期货年化贴水率因子，近一年中位数取值13.61%[28] 13. 中证1000股指期货年化贴水率因子，20260203当日值取值2.94%[28] 14. 中证1000股指期货年化贴水率因子，20260203当日值近一年分位点取值95%[28]

量化模型与构建方式 1. **模型名称**：封板率与连板率计算模型 **模型构建思路**：通过统计上市满3个月以上的股票在特定日期的涨停封板情况和连续涨停情况，来量化衡量市场的短期投机情绪和赚钱效应[17]。 **模型具体构建过程**： * **封板率**：统计在当日交易中，股价最高价曾达到涨停价，并且收盘价也维持在涨停价的股票数量。封板率即为该数量与当日所有最高价达到涨停价的股票总数之比[17]。 $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ * **连板率**：统计在当日收盘涨停的股票中，有多少只股票在前一日（昨日）收盘也是涨停的。连板率即为该数量与昨日所有收盘涨停的股票总数之比[17]。 $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ **模型评价**：这两个指标是衡量A股市场短线情绪和题材炒作持续性的常用观测指标，封板率高表明涨停板质量高、抛压小，连板率高表明市场接力意愿强、赚钱效应好[17]。 2. **模型名称**：大宗交易折价率计算模型 **模型构建思路**：通过计算大宗交易成交总额与按当日市价计算的对应份额总市值之间的差异，来反映大资金交易的折溢价水平，从而观察机构或大股东的买卖意愿和市场情绪[26]。 **模型具体构建过程**：首先获取当日所有大宗交易的成交总金额。然后，根据这些交易的成交份额和交易发生当日该证券的收盘价（或市价），计算这些份额对应的总市值。折价率即为成交总金额与总市值的比值减去1[26]。 $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ **模型评价**：大宗交易通常存在折价，折价率的高低可以反映大额股份转让的流动性折让程度，以及大资金对后市的看法。较高的折价可能意味着卖方出让意愿强烈或买方议价能力强[26]。 3. **模型名称**：股指期货年化贴水率计算模型 **构建思路**：通过计算股指期货主力合约价格与对应现货指数价格之间的基差，并将其年化，来标准化衡量期货合约的升贴水程度，用于评估市场预期、对冲成本及套利机会[28]。 **具体构建过程**：首先计算基差（期货价格 - 现货指数价格）。然后，将基差除以现货指数价格，得到相对基差。最后，用该相对基差乘以（250天 / 合约剩余交易日数），将其年化处理，得到年化贴水率（若结果为负，则为贴水；为正则为升水）[28]。 $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ **模型评价**：年化贴水率是量化对冲基金关注的核心指标之一，贴水率的高低直接影响股指期货空头持仓的对冲成本。贴水率收窄或转为升水，可能反映市场情绪转向乐观或现货需求强劲[28]。 量化因子与构建方式 1. **因子名称**：昨日涨停股今日收益因子 **因子构建思路**：通过计算前一交易日收盘涨停的股票在今日的平均收益率，来观察涨停股的次日溢价效应和短线资金接力情况[14]。 **因子具体构建过程**：筛选出上市满3个月以上，且在前一交易日（T-1日）收盘时股价涨停的股票。计算这些股票在今日（T日）的收盘收益率（(T日收盘价 / T日开盘价) - 1 或 (T日收盘价 / T-1日收盘价) - 1，报告中未明确，但通常为后者），并求其平均值[14]。 2. **因子名称**：昨日跌停股今日收益因子 **因子构建思路**：通过计算前一交易日收盘跌停的股票在今日的平均收益率，来观察极端抛压后的超跌反弹情况或继续下挫的动能[14]。 **因子具体构建过程**：筛选出上市满3个月以上，且在前一交易日（T-1日）收盘时股价跌停的股票。计算这些股票在今日（T日）的收盘收益率，并求其平均值[14]。 3. **因子名称**：两融交易活跃度因子 **因子构建思路**：通过计算融资融券交易额占市场总成交额的比例，来量化杠杆资金在市场中的参与程度和活跃度[22]。 **因子具体构建过程**：获取当日融资买入额与融券卖出额的总和，作为两融交易总额。获取当日全市场总成交额。计算两者比值[22]。 $$两融交易占比 = \frac{融资买入额 + 融券卖出额}{市场总成交额}$$ 4. **因子名称**：ETF折溢价因子 **因子构建思路**：通过计算ETF场内交易价格与其IOPV（基金份额参考净值）或场外净值之间的偏差，来捕捉短期市场情绪和套利机会[23]。 **因子具体构建过程**：对于日成交额超过100万元的境内股票型ETF，计算其当日收盘价与单位净值（或IOPV）的差值，再除以单位净值，得到折溢价率。溢价率为正，折价率为负[23]。 $$ETF折溢价率 = \frac{ETF收盘价 - 基金单位净值}{基金单位净值}$$ 5. **因子名称**：机构调研热度因子 **因子构建思路**：通过统计近期对上市公司进行调研的机构数量，来观察机构投资者对特定公司的关注度，通常被视为潜在的基本面信号[31]。 **因子具体构建过程**：统计近7个自然日内，对某家上市公司进行调研或参与其分析师会议的机构（如公募基金、券商、私募等）的总家数[31]。 6. **因子名称**：龙虎榜机构净流入因子 **因子构建思路**：通过汇总龙虎榜上“机构专用”席位对某只股票的净买入金额，来观察机构资金对当日异动个股的短期态度和动向[37]。 **因子具体构建过程**：对于当日登上龙虎榜的股票，汇总所有“机构专用”席位买入该股的总金额，减去所有“机构专用”席位卖出该股的总金额，得到机构净流入额[37]。 7. **因子名称**：龙虎榜陆股通净流入因子 **因子构建思路**：通过汇总龙虎榜上“陆股通”席位（北向资金）对某只股票的净买入金额，来观察外资对当日异动A股的短期交易行为[38]。 **因子具体构建过程**：对于当日登上龙虎榜的股票，汇总所有“陆股通”席位买入该股的总金额，减去所有“陆股通”席位卖出该股的总金额，得到陆股通净流入额[38]。 模型的回测效果 *注：本报告为市场日度监测报告，未提供模型的历史回测绩效指标（如年化收益率、最大回撤、夏普比率、信息比率IR等）。* 因子的回测效果 *注：本报告为市场日度监测报告，未提供因子的历史IC、IR、多空收益等量化回测绩效指标。报告仅提供了特定日期的因子截面数据或事件统计结果，例如：* 1. **昨日涨停股今日收益因子**，2026年02月03日，因子取值（平均收益）为 **4.35%**[14]。 2. **昨日跌停股今日收益因子**，2026年02月03日，因子取值（平均收益）为 **-1.26%**[14]。 3. **封板率模型**，2026年02月03日，模型输出（封板率）为 **78%**[17]。 4. **连板率模型**，2026年02月03日，模型输出（连板率）为 **36%**[17]。 5. **两融交易活跃度因子**，截至2026年02月02日，因子取值（占比）为 **9.3%**[22]。 6. **大宗交易折价率模型**，2026年02月02日，模型输出（折价率）为 **5.69%**；近半年平均值为 **6.93%**[26]。 7. **股指期货年化贴水率模型**，2026年02月03日，模型输出如下： * 上证50股指期货年化贴水率：**0.48%**，近一年中位数 **0.63%**，历史分位点 **52%**[28]。 * 沪深300股指期货年化贴水率：**1.41%**，近一年中位数 **3.79%**，历史分位点 **78%**[28]。 * 中证500股指期货年化贴水率：**0.53%**，近一年中位数 **11.15%**，历史分位点 **94%**[28]。 * 中证1000股指期货年化贴水率：**2.94%**，近一年中位数 **13.61%**，历史分位点 **95%**[28]。

量化模型与构建方式 1. **模型名称**：中证360互联网+大数据100指数多因子选股模型[2][30][31] **模型构建思路**：该模型是一个量化策略指数编制模型，旨在通过引入独特的搜索因子，并结合传统的规模、成长、质量、反转因子，从“互联网+”概念股中综合筛选出评分最高的股票，以捕捉小盘科技股的投资机会[2][30][31]。 **模型具体构建过程**： * **样本空间**：以中证全指中属于“互联网+”概念的上市公司为样本，剔除ST股票和连续停牌超过5个交易日的股票[31]。 * **因子计算与评分**：对样本空间内的股票，分别计算以下五类因子，并对每个因子内的指标进行排序评分，然后取平均值得到该因子的最终评分[31]。 1. **规模因子**：选取总市值和流通市值，降序排列计算得分，两项评分取平均值为规模因子评分[31]。 2. **成长因子**：选取营业收入增长率、营业利润增长率、归属母公司的净利润增长率，升序排列计算得分，三项评分取平均值为成长因子评分[31]。 3. **质量因子**：选取BP因子（账面市值比）和ROE因子（净资产收益率），升序排列计算得分，两项评分取平均值为质量因子评分[31]。 4. **反转因子**：选取日涨跌幅偏度、日均换手率和涨跌幅因子，升序排列计算得分，三项因子评分取平均值为反转因子评分[31]。 5. **搜索因子**：分别计算长期和短期搜索因子评分，两项评分取平均值为搜索因子评分。其中，长期搜索因子采用过去一个月搜索量环比计算；短期搜索因子采用过去5日搜索量环比计算[31]。 * **综合评分与选样**：将各因子评分相加得到每只股票的综合评分，选取综合评分最高的前100只股票作为指数成份股[31]。 * **权重与调整**：指数采用等权重配置，每月审核并调整一次样本股[31]。 **模型评价**：该模型是国内率先将实时搜索数据融入指数构建体系的主题量化指数，其构建的指数在小盘股内部展现出较强的持续超额收益能力[2][30][49]。 量化因子与构建方式 1. **因子名称**：规模因子[31] **因子构建思路**：衡量公司的市值规模，通常小市值公司被认为具有更高的成长弹性和市场关注度[31]。 **因子具体构建过程**：选取总市值和流通市值两个指标，分别对股票进行降序排列并计算得分，然后将两项得分取平均值作为规模因子的最终评分[31]。 2. **因子名称**：成长因子[31] **因子构建思路**：衡量公司的盈利增长能力，高成长性的公司往往能获得市场溢价[31]。 **因子具体构建过程**：选取营业收入增长率、营业利润增长率、归属母公司的净利润增长率三个指标，分别对股票进行升序排列并计算得分，然后将三项得分取平均值作为成长因子的最终评分[31]。 3. **因子名称**：质量因子[31] **因子构建思路**：衡量公司的盈利质量和估值水平，通常结合估值与盈利能力指标[31]。 **因子具体构建过程**：选取BP因子（账面市值比，即市净率的倒数）和ROE因子（净资产收益率）两个指标，分别对股票进行升序排列并计算得分，然后将两项得分取平均值作为质量因子的最终评分[31]。 4. **因子名称**：反转因子[31] **因子构建思路**：捕捉股价的短期反转效应，即前期表现较差的股票在未来短期内可能反弹[31]。 **因子具体构建过程**：选取日涨跌幅偏度、日均换手率和涨跌幅因子三个指标，分别对股票进行升序排列并计算得分，然后将三项得分取平均值作为反转因子的最终评分[31]。 5. **因子名称**：搜索因子[31] **因子构建思路**：利用互联网搜索数据反映市场对上市公司的关注度变化，将用户行为数据转化为投资信号[31]。 **因子具体构建过程**：分别计算长期和短期搜索因子评分。长期搜索因子采用过去一个月搜索量的环比变化计算；短期搜索因子采用过去5日搜索量的环比变化计算。将长期和短期评分取平均值作为搜索因子的最终评分[31]。 6. **因子名称**：主题暴露度[45] **因子构建思路**：衡量指数或投资组合在特定市场概念或主题上的集中程度[45]。 **因子具体构建过程**：计算指数对第i个概念的暴露度，公式为： $$EXP_{i}=\sum_{j=1}^{N}k_{ij}\cdot w_{j}$$ 其中，$EXP_i$表示指数对第i个概念的暴露度；$j$表示指数中的第j只成份股，$N$为指数成份股数量；$w_j$为成份股$j$在指数中的权重；$k_{ij}$为指示变量，若成份股$j$属于概念$i$，则$k_{ij}=1$，否则$k_{ij}=0$[45]。 模型的回测效果 1. **中证360互联网+大数据100指数多因子选股模型**，年化收益率28.56%[3][47][53]，年化夏普比0.94[3][53]，年化波动率31.92%[53]，历史最大回撤52.48%[3][47][53] 因子的回测效果 1. **规模因子**，在TMT板块内多空测试中能够持续贡献正向超额收益[33][36] 2. **反转因子**，在TMT板块内多空测试中能够持续贡献正向超额收益[33][36] 3. **质量因子（PB_ROE）**，在TMT板块内多空测试中能够持续贡献正向超额收益[33][36] 4. **成长因子（归母净利润增长率）**，在TMT板块内多空测试中能够持续贡献正向超额收益[33][36]

量化模型与因子总结 量化模型与构建方式 1. 风格轮动综合打分模型 * **模型名称**：风格轮动综合打分模型[6][9] * **模型构建思路**：基于宏观数据构建市场风格轮动解决方案，通过三维度多因子打分，判断价值/成长风格与大盘/小盘风格的占优方向[6][9] * **模型具体构建过程**： 1. **价值成长轮动策略**：结合经济增长、流动性以及市场情绪指标，对价值与成长风格进行综合打分[6][9] 2. **大小盘轮动策略**：结合经济增长、流动性以及市场情绪指标，对大盘与小盘风格进行综合打分[6][9] 3. 最终输出一个综合分数，分数高低代表某种风格的得分高低，用于判断风格配置方向[9][11] 2. 行业轮动综合打分模型 * **模型名称**：行业轮动综合打分模型[6][14] * **模型构建思路**：构造宏观经济、中观基本面、微观技术面以及交易拥挤度四个维度的指标，通过综合打分对行业进行排序，选取排名靠前的行业进行配置[6][14] * **模型具体构建过程**： 1. **宏观指标构建**：将一级行业划分为上游周期、中游制造、下游消费、TMT、大金融五个板块，构建基于宏观增长与流动性二阶差分的象限划分体系，根据宏观状态推荐配置板块[18] 2. **基本面指标构建**：包含历史景气、景气变化与景气预期三个部分，对行业进行打分[21] 3. **技术面指标构建**：包含指数动量、龙头股动量与K线形态三个部分，对行业进行打分[25] 4. **拥挤度指标构建**：包含融资流入、换手率与成交占比三个部分，对行业进行打分[26] 5. **综合信号合成**：结合宏观、基本面和技术面三个维度的正向得分，同时负向配置拥挤度因子，构建行业轮动综合评价体系，得到每个行业的综合得分[30] * **模型评价**：该四维度行业轮动策略在历史上超额收益稳健[15] 3. ETF轮动映射模型 * **模型名称**：ETF轮动映射模型[32] * **模型构建思路**：将行业轮动模型产生的行业信号，通过一套规则映射到具体的ETF产品上，形成可交易的ETF轮动解决方案[32] * **模型具体构建过程**： 1. **ETF筛选**：整理ETF跟踪指数清单，每个指数仅保留规模最大的ETF，并根据规模和流动性进行筛选[32] 2. **行业映射**：对于有ETF跟踪的指数，统计指数成分股的行业权重，选择行业权重最大且行业成分股权重超过50%的行业作为指数对应的行业[32] 3. **指数选择**：对于每一个行业，若存在3个以上指数在该行业上成分股权重最高，则在这些指数中选择过去60天收益率相关性最低的3个指数作为行业对应的指数；若仅有3个及以内指数，则全部映射[32] 4. **最终映射**：计算每一个行业与指数的过去60天收益率的相关系数，选择相关性最强的一个指数对应的ETF作为该行业的最终映射标的[32] 量化因子与构建方式 1. 行业轮动宏观因子 * **因子构建思路**：基于宏观经济增长与流动性的二阶差分变化，划分宏观状态象限，从而推荐受益的行业板块[18] * **因子具体构建过程**： 1. 计算宏观经济增长指标的二阶差分（加速度）。 2. 计算流动性指标的二阶差分（加速度）。 3. 根据两个二阶差分的正负，将宏观状态划分为四个象限（例如：“扩张强化/衰退缓解”、“宽松加码/紧缩放缓”等）[18]。 4. 根据不同象限，给出对上游周期、中游制造、下游消费、大金融、TMT五大板块的配置建议[18]。 2. 行业轮动基本面因子 * **因子名称**：行业轮动基本面因子[21] * **因子构建思路**：从历史景气、景气变化与景气预期三个部分评估行业的基本面状况[21] * **因子具体构建过程**：报告未提供三个部分（历史景气、景气变化、景气预期）的具体计算方法和合成方式。 3. 行业轮动技术面因子 * **因子名称**：行业轮动技术面因子[25] * **因子构建思路**：从指数动量、龙头股动量与K线形态三个部分评估行业的技术面状况[25] * **因子具体构建过程**：报告未提供三个部分（指数动量、龙头股动量、K线形态）的具体计算方法和合成方式。 4. 行业轮动拥挤度因子 * **因子名称**：行业轮动拥挤度因子[26] * **因子构建思路**：从融资流入、换手率与成交占比三个部分评估行业的交易拥挤程度[26] * **因子具体构建过程**：报告未提供三个部分（融资流入、换手率、成交占比）的具体计算方法和合成方式。 模型的回测效果 1. 行业轮动综合打分模型 * **回测期**：2017年以来（至2026年1月30日）[16] * **年化收益**：18.4%[16] * **基准年化收益**（行业等权）：4.7%[16] * **超额年化收益**：13.7%[16] * **月度IC均值**：12.3%[16] * **月度ICIR**：1.41[16] * **分年度表现**：详见报告表1[16] 因子的回测效果 （报告中未提供单个因子的独立测试结果，如IC、IR等）

量化模型与构建方式 1. **模型名称：中证360互联网+大数据100指数多因子选股模型**[30][31] * **模型构建思路**：该模型是一个多因子量化选股模型，旨在通过结合独特的搜索数据与传统财务、交易数据，从“互联网+”主题股票中筛选出具有潜力的标的，以构建一个兼具小盘风格和科技属性的投资组合[30][31]。 * **模型具体构建过程**： 1. **确定样本空间**：以中证全指中属于“互联网+”概念的上市公司为样本，剔除ST股票和连续停牌超过5个交易日的股票[31]。 2. **计算因子评分**：对样本空间内的股票，分别计算以下五大类因子的评分，每类因子内部子因子评分取平均得到该因子评分[31]： * **规模因子**：选取总市值和流通市值，降序排列计算得分，两项评分取平均[31]。 * **成长因子**：选取营业收入增长率、营业利润增长率、归属母公司的净利润增长率，升序排列计算得分，三项评分取平均[31]。 * **质量因子**：选取BP因子和ROE因子，升序排列计算得分，两项评分取平均[31]。 * **反转因子**：选取日涨跌幅偏度、日均换手率和涨跌幅因子，升序排列计算得分，三项评分取平均[31]。 * **搜索因子**：分别计算长期和短期搜索因子评分，两项评分取平均。其中，长期搜索因子采用过去一个月搜索量环比计算；短期搜索因子采用过去5日搜索量环比计算[31]。 3. **计算综合评分与选样**：将各因子评分相加得到每只股票的综合评分，选取综合评分最高的前100只股票作为指数成份股[31]。 4. **权重设置与调整**：成份股采用等权重配置。指数每月审核并调整一次样本股，实施时间为每月第三个周五[31]。 * **模型评价**：该模型是国内率先将实时搜索数据融入指数构建体系的主题量化指数，通过多因子综合评分，旨在在小盘股中持续获取超额收益[30][49]。 量化因子与构建方式 1. **因子名称：规模因子**[31] * **因子构建思路**：通过市值指标衡量公司规模，通常小市值公司被认为具有更高的成长弹性[31]。 * **因子具体构建过程**：选取总市值和流通市值两个指标，分别对样本内股票降序排列计算得分，然后将两项得分取平均值作为最终的规模因子评分[31]。 2. **因子名称：成长因子**[31] * **因子构建思路**：通过营收和利润的增长速度来识别具有高成长潜力的公司[31]。 * **因子具体构建过程**：选取营业收入增长率、营业利润增长率、归属母公司的净利润增长率三个指标，分别对样本内股票升序排列计算得分，然后将三项得分取平均值作为最终的成长因子评分[31]。 3. **因子名称：质量因子**[31] * **因子构建思路**：结合估值与盈利能力，筛选性价比高且盈利质量好的公司[31]。 * **因子具体构建过程**：选取BP因子（市净率的倒数，即Book-to-Price）和ROE因子（净资产收益率），分别对样本内股票升序排列计算得分，然后将两项得分取平均值作为最终的质量因子评分[31]。 4. **因子名称：反转因子**[31] * **因子构建思路**：基于市场交易行为，捕捉短期内可能出现价格反转的股票[31]。 * **因子具体构建过程**：选取日涨跌幅偏度、日均换手率和涨跌幅因子三个指标，分别对样本内股票升序排列计算得分，然后将三项得分取平均值作为最终的反转因子评分[31]。 5. **因子名称：搜索因子**[31] * **因子构建思路**：利用互联网搜索数据的热度变化，捕捉市场关注度的动态，作为前瞻性情绪指标[31]。 * **因子具体构建过程**：分别计算长期搜索因子和短期搜索因子评分，然后取平均。 * **长期搜索因子**：采用过去一个月搜索量的环比变化进行计算[31]。 * **短期搜索因子**：采用过去5日搜索量的环比变化进行计算[31]。 6. **因子名称：主题暴露度计算因子**[45][46] * **因子构建思路**：用于量化指数或投资组合在特定主题或概念上的覆盖程度[45]。 * **因子具体构建过程**：计算指数对第 i 个概念的暴露度，公式如下： $$EXP_{i}=\sum_{j=1}^{N}k_{i j}\cdot w_{j}$$ 其中，$EXP_i$ 表示指数对第 i 个概念的暴露度；$j$ 表示指数中的第 j 只成份股，$N$ 为指数成份股数量；$w_j$ 为成份股 $j$ 在指数中的权重；$k_{ij}$ 为指示变量，若成份股 $j$ 属于概念 $i$，则 $k_{ij}=1$，否则 $k_{ij}=0$[45][46]。 模型的回测效果 1. **中证360互联网+大数据100指数多因子选股模型**，年化收益率28.56%[47]，年化夏普比0.94[47]，年化波动率31.92%[53]，历史最大回撤52.48%[47]。 2. **大成中证360互联网+大数据100基金（A类）**，自2019年以来年化收益率25.35%[61]，夏普比率0.96[61]，净值波动27.36%[64]，最大回撤37.54%[64]，管理费率0.80%[64]。 因子的回测效果 1. **市值、反转、PB_ROE、归母净利润增长率因子**：报告展示了这些因子在TMT板块内的多空净值走势，显示其在测试期内能够持续贡献正向超额收益[33][36]。