量化模型与构建方式 1. **模型名称：分红调整年化基差计算模型**[8][17][18][19] * **模型构建思路**：为准确分析股指期货合约的基差水平，需要剔除标的指数成分股在合约存续期内预期分红的影响，从而得到反映市场真实情绪和定价的“纯净”基差[8][17]。 * **模型具体构建过程**： 1. 首先，基于指数成分股历史分红情况，预测未来一年内各标的指数的分红点位[9]。例如，2026年3月20日，预测中证500、沪深300、上证50、中证1000指数分红点位分别为85.33、79.37、60.61、63.91[9]。 2. 其次，根据合约的剩余到期日，将总分红点位分配到不同期限的合约上，得到该合约存续期内的预期分红点位[19]。例如，IC下季合约的预期分红点位为85.21[19]。 3. 然后，计算实际基差：实际基差 = 期货合约价格 - 标的指数价格[17]。 4. 接着，计算分红调整后的基差：分红调整后基差 = 实际基差 + 存续期内未实现的预期分红[18]。 5. 最后，将分红调整后的基差进行年化处理，得到最终用于分析的年化基差指标[18][19]。公式为： $$年化基差 = \frac{(实际基差 + 预期分红点位)}{指数价格} \times \frac{360}{合约剩余天数}$$[19] 其中，“预期分红点位”指该合约存续期内未实现的预期分红点位[19]。 2. **模型名称：期现对冲策略（连续对冲与最低贴水策略）**[40][41][42] * **模型构建思路**：通过做空股指期货合约来对冲持有现货指数（全收益指数）的风险，旨在获取基差收敛（或选择最低贴水合约以优化）带来的收益，降低组合波动[40]。 * **模型具体构建过程**： * **通用设置**： * 回测区间：2022年7月22日至2026年3月20日[41][42]。 * 现货端：使用70%的资金，持有对应标的指数的全收益指数[41][42]。 * 期货端：使用剩余30%的资金，做空与现货端等额名义本金的股指期货合约（IC/IF/IH/IM）[41][42]。 * 每次调仓后根据产品净值重新计算现货及期货头寸数量[41][42]。 * 不考虑手续费、冲击成本及合约不可无限细分[41][42]。 * **连续对冲策略调仓规则**： * 连续持有当月或季月合约[41]。 * 当持有合约距离到期日不足2天时，在当日以收盘价平仓，并同时以收盘价卖空下一份当月或季月合约[41]。 * **最低贴水策略调仓规则**： * 调仓时，计算当日所有可交易期货合约的年化基差[42]。 * 选择年化基差贴水幅度最小的合约进行开仓[42]。 * 同一合约至少持有8个交易日，或持有至该合约距离到期日不足2天时，才可再次调仓（排除剩余到期日不足8日的合约）[42]。 量化因子与构建方式 1. **因子名称：期权波动率指数（VIX）**[58] * **因子构建思路**：借鉴海外成熟经验，结合国内场内期权市场实际情况进行适应性调整，构建反映期权投资者对标的资产未来30日波动水平预期的指数[58]。 * **因子评价**：该指数能够反映市场对未来波动性的预期，并具备期限结构，可展示不同时间跨度内波动预期的差异[58]。期权市场参与者专业性较强，提升了该指数隐含信息的参考价值[57]。 2. **因子名称：偏度指数（SKEW）**[62] * **因子构建思路**：通过刻画不同行权价格下期权隐含波动率（IV）的偏斜形态，来衡量市场对标的资产未来收益率分布（尤其是尾部风险）的预期[62]。 * **因子具体构建过程**：当市场担忧下行风险时，看跌期权需求上升，推动低行权价区域的隐含波动率上升，导致波动率曲线呈现负偏斜（左偏），SKEW指数升高[62]。一般而言，SKEW指数高于100表明投资者对市场大幅回调的担忧加剧[62]。 * **因子评价**：SKEW指数是洞察市场对潜在极端风险担忧程度的有效工具，常被称为“黑天鹅指数”，能为期权交易与风险管理提供参考[62]。 模型的回测效果 1. **IC（中证500）期现对冲策略**[44] * 当月连续对冲模型：年化收益-3.27%，波动率3.82%，最大回撤-12.10%，净值0.8862，年换手次数12，2026年以来收益0.14%[44]。 * 季月连续对冲模型：年化收益-2.59%，波动率4.89%，最大回撤-10.94%，净值0.9090，年换手次数4，2026年以来收益0.02%[44]。 * 最低贴水策略模型：年化收益-1.66%，波动率4.55%，最大回撤-8.56%，净值0.9412，年换手次数17.63，2026年以来收益-0.03%[44]。 2. **IF（沪深300）期现对冲策略**[49] * 当月连续对冲模型：年化收益0.25%，波动率2.85%，最大回撤-3.95%，净值1.0093，年换手次数12，2026年以来收益-0.02%[49]。 * 季月连续对冲模型：年化收益0.67%，波动率3.24%，最大回撤-4.03%，净值1.0244，年换手次数4，2026年以来收益0.38%[49]。 * 最低贴水策略模型：年化收益1.16%，波动率2.99%，最大回撤-4.06%，净值1.0428，年换手次数15.70，2026年以来收益0.45%[49]。 3. **IH（上证50）期现对冲策略**[53] * 当月连续对冲模型：年化收益0.99%，波动率2.89%，最大回撤-4.22%，净值1.0364，年换手次数12，2026年以来收益-0.01%[53]。 * 季月连续对冲模型：年化收益1.98%，波动率3.30%，最大回撤-3.75%，净值1.0738，年换手次数4，2026年以来收益0.47%[53]。 * 最低贴水策略模型：年化收益1.62%，波动率2.94%，最大回撤-3.91%，净值1.0599，年换手次数15.15，2026年以来收益0.36%[53]。 4. **IM（中证1000）期现对冲策略**[55] * 当月连续对冲模型：年化收益-6.17%，波动率4.30%，最大回撤-21.04%，净值0.7936，年换手次数12，2026年以来收益-0.30%[55]。 * 季月连续对冲模型：年化收益-5.02%，波动率5.41%，最大回撤-18.06%，净值0.8295，年换手次数4，2026年以来收益-0.79%[55]。 * 最低贴水策略模型：年化收益-3.95%，波动率5.13%，最大回撤-14.41%，净值0.8638，年换手次数15.15，2026年以来收益0.04%[55]。 因子的回测效果 1. **VIX因子取值（截至2026年3月20日）**[58] * 上证50VIX(30日): 21.61[58] * 沪深300VIX(30日): 20.97[58] * 中证500VIX(30日): 34.19[58] * 中证1000VIX(30日): 28.52[58] 2. **SKEW因子取值（截至2026年3月20日）**[63] * 上证50SKEW: 100.79[63] * 沪深300SKEW: 103.11[63] * 中证500SKEW: 99.94[63] * 中证1000SKEW: 98.68[63]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：PB-ROE-50 组合** * **模型构建思路：** 基于市净率（PB）和净资产收益率（ROE）两个核心指标进行选股，旨在寻找估值合理且盈利能力强的公司[23]。 * **模型具体构建过程：** 报告未详细描述该组合的具体构建公式和筛选步骤，仅提及其为基于PB和ROE的选股组合[23]。 2. **模型名称：机构调研组合（公募调研选股策略 & 私募调研跟踪策略）** * **模型构建思路：** 利用机构调研活动蕴含的信息进行选股[25]。 * **模型具体构建过程：** 报告未详细描述该组合的具体构建公式和筛选步骤，仅提及其为基于机构调研事件的选股策略[25]。 3. **模型名称：大宗交易组合** * **模型构建思路：** 根据“高成交、低波动”原则，从发生大宗交易的股票中筛选后续表现更佳的标的[29]。 * **模型具体构建过程：** 经过测算，选择“大宗交易成交金额比率”越高、“6日成交金额波动率”越低的股票。通过月频调仓方式构造组合[29]。 4. **模型名称：定向增发组合** * **模型构建思路：** 以股东大会公告日为时间节点，利用定向增发事件效应进行选股[35]。 * **模型具体构建过程：** 综合考虑市值因素、调仓周期以及对仓位的控制来构造组合，但报告未给出具体的量化公式[35]。 量化因子与构建方式 1. **因子名称：残差波动率因子** * **因子构建思路：** 衡量股票收益率中不能被市场或风格因子解释的波动部分，通常作为风险因子[18]。 * **因子具体构建过程：** 报告未提供具体构建公式。 2. **因子名称：市值因子（对数市值因子）** * **因子构建思路：** 捕捉公司规模（市值）对股票收益的影响，是常见的风格因子[18]。 * **因子具体构建过程：** 通常为股票市值的自然对数。报告中的具体因子为“对数市值因子”[13][15][17]。 3. **因子名称：流动性因子** * **因子构建思路：** 衡量股票交易的难易程度或成本，低流动性股票通常要求更高的收益补偿[18]。 * **因子具体构建过程：** 报告未提供具体构建公式，但提及了相关的流动性类因子，如“5日平均换手率”、“换手率相对波动率”等[13][15][17]。 4. **因子名称：估值因子** * **因子构建思路：** 基于公司财务数据与市值的比率，评估股票是否被高估或低估[18]。 * **因子具体构建过程：** 报告未提供统一构建公式，但列举了多个具体估值因子，如市盈率TTM倒数（EPTTM）、市净率因子（BP）、市销率TTM倒数等[13][15][17]。 5. **因子名称：Beta 因子** * **因子构建思路：** 衡量个股或组合相对于市场整体波动的敏感度[18]。 * **因子具体构建过程：** 报告未提供具体构建公式。 6. **因子名称：总资产增长率** * **因子构建思路：** 衡量公司资产规模的扩张速度，属于成长类因子[12][14][16]。 * **因子具体构建过程：** 报告未提供具体计算公式。 7. **因子名称：单季度总资产毛利率** * **因子构建思路：** 衡量公司单季度的资产盈利能力，属于盈利质量类因子[12]。 * **因子具体构建过程：** 报告未提供具体计算公式。 8. **因子名称：单季度ROE** * **因子构建思路：** 衡量公司单季度运用股东权益创造利润的效率，属于盈利能力因子[12][16]。 * **因子具体构建过程：** 报告未提供具体计算公式。 9. **因子名称：单季度营业收入同比增长率** * **因子构建思路：** 衡量公司单季度营业收入的增长情况，属于成长类因子[14][16]。 * **因子具体构建过程：** 报告未提供具体计算公式。 10. **因子名称：EPTTM分位点** * **因子构建思路：** 将股票的市盈率TTM倒数（EP）在其历史序列或横截面上进行分位数处理，以标准化估值水平[14]。 * **因子具体构建过程：** 报告未提供具体计算公式。 11. **因子名称：早盘收益因子** * **因子构建思路：** 基于股票在早盘时段的收益表现构建的因子，可能捕捉市场开盘时的情绪或隔夜信息反应[12][14][16]。 * **因子具体构建过程：** 报告未提供具体计算公式。 12. **因子名称：5分钟收益率偏度** * **因子构建思路：** 衡量股票在极短时间窗口（5分钟）内收益率分布的偏斜程度，属于高频或微观结构类因子[12][14]。 * **因子具体构建过程：** 报告未提供具体计算公式。 13. **因子名称：动量弹簧因子** * **因子构建思路：** 一种动量类因子，可能结合了动量效应和反转效应，或在动量失效后的反弹机会[12]。 * **因子具体构建过程：** 报告未提供具体计算公式。 14. **因子名称：5日反转** * **因子构建思路：** 基于股票过去5日的收益率进行反向操作，捕捉短期反转效应[14][15]。 * **因子具体构建过程：** 报告未提供具体计算公式。 15. **因子名称：换手率相对波动率** * **因子构建思路：** 结合换手率与价格波动率，可能用于衡量投机情绪或流动性风险[12][14]。 * **因子具体构建过程：** 报告未提供具体计算公式。 16. **因子名称：每股净资产因子** * **因子构建思路：** 衡量每股股票对应的净资产，属于基本面价值类因子[21]。 * **因子具体构建过程：** 报告未提供具体计算公式。 17. **因子名称：每股经营利润TTM因子** * **因子构建思路：** 衡量每股股票对应的过去十二个月经营利润，属于盈利能力因子[21]。 * **因子具体构建过程：** 报告未提供具体计算公式。 18. **因子名称：BP因子** * **因子构建思路：** 即市净率（Book-to-Price）因子，为账面价值与市值的比率，是常见的估值因子[21]。 * **因子具体构建过程：** 报告未提供具体计算公式。 19. **因子名称：EP因子** * **因子构建思路：** 即盈利价格比（Earnings-to-Price）因子，为盈利与市值的比率，是常见的估值因子[21]。 * **因子具体构建过程：** 报告未提供具体计算公式。 20. **因子名称：净资产增长率** * **因子构建思路：** 衡量公司净资产的增长情况，属于成长类因子[22]。 * **因子具体构建过程：** 报告未提供具体计算公式。 21. **因子名称：5日动量** * **因子构建思路：** 基于股票过去5日的收益率构建，捕捉短期动量效应[22]。 * **因子具体构建过程：** 报告未提供具体计算公式。 22. **因子名称：1月动量** * **因子构建思路：** 基于股票过去1个月的收益率构建，捕捉中期动量效应[22]。 * **因子具体构建过程：** 报告未提供具体计算公式。 23. **因子名称：净利润增长率** * **因子构建思路：** 衡量公司净利润的增长情况，属于成长类因子[22]。 * **因子具体构建过程：** 报告未提供具体计算公式。 24. **因子名称：成长** * **因子构建思路：** 综合性的成长风格因子，可能由多个成长指标合成[22]。 * **因子具体构建过程：** 报告未提供具体构建公式。 25. **因子名称：大宗交易成交金额比率** * **因子构建思路：** 用于大宗交易组合构建，衡量大宗交易成交的活跃度或占比[29]。 * **因子具体构建过程：** 报告未提供具体计算公式。 26. **因子名称：6日成交金额波动率** * **因子构建思路：** 用于大宗交易组合构建，衡量近期成交金额的波动情况[29]。 * **因子具体构建过程：** 报告未提供具体计算公式。 模型的回测效果 *注：所有业绩表现统计区间为 2026.01.05-2026.03.20，除非另有说明[24][26][30][36]。* 1. **PB-ROE-50 组合** * 本周超越基准收益率（中证500）：0.53%[23][24] * 本周超越基准收益率（中证800）：-1.35%[23][24] * 本周超越基准收益率（全市场）：-0.76%[23][24] * 今年以来超额收益率（中证500）：1.15%[24] * 今年以来超额收益率（中证800）：4.56%[24] * 今年以来超额收益率（全市场）：2.57%[24] * 本周绝对收益率（中证500）：-5.32%[24] * 本周绝对收益率（中证800）：-4.55%[24] * 本周绝对收益率（全市场）：-4.83%[24] * 今年以来绝对收益率（中证500）：5.14%[24] * 今年以来绝对收益率（中证800）：4.64%[24] * 今年以来绝对收益率（全市场）：3.38%[24] 2. **机构调研组合（公募调研选股策略）** * 本周超越基准收益率（中证800）：-3.57%[25][26] * 今年以来超额收益率（中证800）：-1.84%[26] * 本周绝对收益率：-6.70%[26] * 今年以来绝对收益率：-1.77%[26] 3. **机构调研组合（私募调研跟踪策略）** * 本周超越基准收益率（中证800）：-2.62%[25][26] * 今年以来超额收益率（中证800）：4.80%[26] * 本周绝对收益率：-5.77%[26] * 今年以来绝对收益率：4.88%[26] 4. **大宗交易组合** * 本周超越基准收益率（中证全指）：-1.88%[29][30] * 今年以来超额收益率（中证全指）：8.34%[30] * 本周绝对收益率：-5.89%[30] * 今年以来绝对收益率：9.20%[30] 5. **定向增发组合** * 本周超越基准收益率（中证全指）：0.68%[35][36] * 今年以来超额收益率（中证全指）：3.95%[36] * 本周绝对收益率：-3.44%[36] * 今年以来绝对收益率：4.78%[36] 因子的回测效果 *注：以下因子表现均为“最近1周”的收益，为剔除行业与市值影响后多头组合相对于基准指数的超额收益，统计截至2026.03.20[12][13][14][15][16][17]。* 1. **大类因子（全市场股票池）** * 残差波动率因子：0.40%[18] * 市值因子：0.40%[18] * 流动性因子：-0.43%[18] * 估值因子：-0.39%[18] * Beta 因子：-0.36%[18] 2. **单因子（沪深300股票池）** * 总资产增长率：2.17%[12][13] * 单季度总资产毛利率：1.11%[12][13] * 单季度ROE：1.11%[12][13] * 早盘收益因子：-4.08%[12][13] * 5分钟收益率偏度：-3.62%[12][13] * 动量弹簧因子：-3.52%[12][13] 3. **单因子（中证500股票池）** * 总资产增长率：2.99%[14][15] * 单季度营业收入同比增长率：2.90%[14][15] * EPTTM分位点：2.83%[14][15] * 5分钟收益率偏度：-0.57%[14][15] * 5日反转：-0.44%[14][15] * 换手率相对波动率：-0.41%[14][15] 4. **单因子（流动性1500股票池）** * 单季度营业收入同比增长率：2.33%[16][17] * 总资产增长率：2.20%[16][17] * 单季度ROE：2.05%[16][17] * 早盘收益因子：-1.09%[16][17] * 市盈率TTM倒数：-1.04%[16][17] * 市销率TTM倒数：-0.95%[16][17] 5. **行业内因子（申万一级行业，统计区间2026.03.16-2026.03.20）** * 每股净资产因子：在石油石化、交通运输行业正收益较为一致[21] * 每股经营利润TTM因子：在石油石化、交通运输行业正收益较为一致[21] * BP因子：在石油石化行业正收益较为一致[21] * EP因子：在石油石化行业正收益较为一致[21] * 残差波动率因子：在建筑装饰行业正收益较为一致[21] * 流动性因子：在建筑装饰行业正收益较为一致[21] * 对数市值因子（大市值风格）：在医药生物、交通运输、轻工制造行业表现显著[21]

量化模型与构建方式 1. **模型名称：国信金工指数增强组合模型**[11][12] * **模型构建思路**：以多因子选股为主体，通过收益预测、风险控制和组合优化三个主要步骤，构建能够稳定战胜特定基准指数（如沪深300、中证500等）的增强组合[11][12]。 * **模型具体构建过程**：构建流程主要包括三块： 1. **收益预测**：基于多因子模型对股票未来收益进行预测。 2. **风险控制**：控制组合相对于基准指数的风险暴露。 3. **组合优化**：在满足各项风险约束的条件下，通过优化算法求解最优的股票权重，以最大化预期收益或控制跟踪误差[12]。 2. **模型名称：单因子MFE组合模型**[15][41] * **模型构建思路**：为了在更贴近实际投资约束（如行业、风格中性）的条件下检验单因子的有效性，采用组合优化的方式，在控制各种实际约束的同时，最大化组合在目标因子上的暴露，从而构建最大化单因子暴露组合（Maximized Factor Exposure Portfolio, MFE组合）[15][41]。 * **模型具体构建过程**：采用如下组合优化模型构建因子的MFE组合[41]： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ * **目标函数**：$max\ f^{T}w$，其中 $f$ 为因子取值向量，$w$ 为待求解的股票权重向量，目标是最大化组合在单因子上的加权暴露[41]。 * **约束条件**： 1. 风格暴露约束：$s_{l}\leq X(w-w_{b})\leq s_{h}$，限制组合相对于基准指数权重 $w_b$ 在风格因子暴露矩阵 $X$ 上的偏离度在 $[s_l, s_h]$ 范围内[42]。 2. 行业偏离约束：$h_{l}\leq H(w-w_{b})\leq h_{h}$，限制组合相对于基准指数在行业暴露矩阵 $H$ 上的偏离度在 $[h_l, h_h]$ 范围内[42]。 3. 个股权重偏离约束：$w_{l}\leq w-w_{b}\leq w_{h}$，限制个股相对于其在基准指数中权重的偏离幅度在 $[w_l, w_h]$ 范围内[42]。 4. 成分股权重占比约束：$b_{l}\leq B_{b}w\leq b_{h}$，限制组合在基准指数成分股内的权重占比在 $[b_l, b_h]$ 范围内，其中 $B_b$ 为个股是否属于基准指数成分股的0-1向量[42]。 5. 卖空与权重上限约束：$\mathbf{0}\leq w\leq l$，禁止卖空，并限制个股权重上限为 $l$[42]。 6. 满仓约束：$\mathbf{1}^{T}\ w=1$，要求组合权重和为1，即满仓运作[43]。 * **模型评价**：该方法能够更真实地反映因子在实际投资约束下的选股能力，避免了传统十分组检验可能存在的偏差，使检验后认为“有效”的因子更可能在最终组合中发挥真实的收益预测作用[41]。 3. **模型名称：公募重仓指数构建模型**[43][44] * **模型构建思路**：为了测试因子在公募基金这一重要市场参与者持仓风格下的有效性，通过汇总公募基金的持股信息，构建一个代表“机构风格”的样本空间——公募重仓指数[43]。 * **模型具体构建过程**： 1. **选样空间**：选取普通股票型基金和偏股混合型基金，剔除规模小于五千万且上市不足半年的基金。若基金存在转型，则使用转型后半年以上的基金数据[44]。 2. **数据获取**：通过基金的定期报告（年报、半年报、季报）获取持股信息。对于季报，需结合前期的年报或半年报信息来构建完整的持仓数据[44]。 3. **指数构建**：将符合条件的所有基金的持仓股票权重进行平均，得到公募基金平均持仓信息。将平均后的股票权重按从高到低排序，选取累计权重达到90%的股票作为成分股，以此构建公募基金重仓指数[44]。 模型的回测效果 1. **国信金工指数增强组合模型**[5][14] * 沪深300指数增强组合：本周超额收益1.90%，本年超额收益5.84%[5][14] * 中证500指数增强组合：本周超额收益1.94%，本年超额收益3.61%[5] * 中证1000指数增强组合：本周超额收益1.13%，本年超额收益4.68%[5] * 中证A500指数增强组合：本周超额收益-0.90%，本年超额收益3.71%[5] 量化因子与构建方式 **（注：报告列出了详细的因子库，以下为各类别因子及其构建思路的总结）**[16][17] 1. **因子类别：估值因子**[17] * **构建思路**：衡量股票价格相对于其基本面价值的指标。 * **包含因子及具体构建过程**： * **BP**：净资产 / 总市值[17] * **单季EP**：单季度归母净利润 / 总市值[17] * **单季SP**：单季度营业收入 / 总市值[17] * **EPTTM**：归母净利润TTM / 总市值[17] * **SPTTM**：营业收入TTM / 总市值[17] * **EPTTM一年分位点**：EPTTM在过去一年中的分位点[17] * **股息率**：最近四个季度预案分红金额 / 总市值[17] 2. **因子类别：反转因子**[17] * **构建思路**：基于股票过去一段时间价格表现的反转效应。 * **包含因子及具体构建过程**： * **一个月反转**：过去20个交易日涨跌幅[17] * **三个月反转**：过去60个交易日涨跌幅[17] 3. **因子类别：成长因子**[17] * **构建思路**：衡量公司盈利或收入增长能力的指标。 * **包含因子及具体构建过程**： * **单季净利同比增速**：单季度净利润同比增长率[17] * **单季营收同比增速**：单季度营业收入同比增长率[17] * **单季营利同比增速**：单季度营业利润同比增长率[17] * **SUE（标准化预期外盈利）**：（单季度实际净利润 - 预期净利润）/ 预期净利润标准差[17] * **SUR（标准化预期外收入）**：（单季度实际营业收入 - 预期营业收入）/ 预期营业收入标准差[17] * **单季超预期幅度**：预期单季度净利润 / 财报单季度净利润[17] 4. **因子类别：盈利因子**[17] * **构建思路**：衡量公司盈利能力和盈利质量的指标。 * **包含因子及具体构建过程**： * **单季ROE**：单季度归母净利润 * 2 / (期初归母净资产 + 期末归母净资产)[17] * **单季ROA**：单季度归母净利润 * 2 / (期初总资产 + 期末总资产)[17] * **DELTAROE**：单季度净资产收益率 - 去年同期单季度净资产收益率[17] * **DELTAROA**：单季度总资产收益率 - 去年同期单季度总资产收益率[17] 5. **因子类别：流动性因子**[17] * **构建思路**：衡量股票交易活跃度和交易成本的指标。 * **包含因子及具体构建过程**： * **非流动性冲击**：过去20个交易日的日涨跌幅绝对值 / 成交额的均值[17] * **一个月换手**：过去20个交易日换手率均值[17] * **三个月换手**：过去60个交易日换手率均值[17] 6. **因子类别：波动因子**[17] * **构建思路**：衡量股票价格波动风险的指标。 * **包含因子及具体构建过程**： * **特异度**：1 - 过去20个交易日Fama-French三因子回归的拟合度[17] * **一个月波动**：过去20个交易日日内真实波幅均值[17] * **三个月波动**：过去60个交易日日内真实波幅均值[17] 7. **因子类别：公司治理因子**[17] * **构建思路**：衡量公司治理水平的指标。 * **包含因子及具体构建过程**： * **高管薪酬**：前三高管报酬总额取对数[17] 8. **因子类别：分析师因子**[17] * **构建思路**：基于卖方分析师一致预期数据的指标。 * **包含因子及具体构建过程**： * **预期EPTTM**：一致预期滚动EP[17] * **预期BP**：一致预期滚动PB[17] * **预期PEG**：一致预期PEG[17] * **预期净利润环比**：一致预期净利润 / 3个月前一致预期净利润[17] * **三个月盈利上下调**：过去3个月内分析师（上调家数 - 下调家数）/ 总家数[17] * **三个月机构覆盖**：过去3个月内机构覆盖数量[17] 因子的回测效果 **（注：以下为各样本空间中，部分因子在最近一周、最近一月、今年以来及历史年化四个窗口期的MFE组合超额收益表现。因子方向“正向”表示因子值越大越看好，“反向”反之。）** 1. **沪深300样本空间MFE组合表现**[19] * **单季ROE**：正向，最近一周1.07%，最近一月1.80%，今年以来2.56%，历史年化5.38%[19] * **单季超预期幅度**：正向，最近一周0.98%，最近一月0.15%，今年以来0.05%，历史年化3.81%[19] * **DELTAROA**：正向，最近一周0.95%，最近一月0.09%，今年以来1.15%，历史年化4.99%[19] * **BP**：正向，最近一周-0.87%，最近一月-0.34%，今年以来-0.49%，历史年化2.56%[19] * **预期BP**：正向，最近一周-0.86%，最近一月0.01%，今年以来0.01%，历史年化2.83%[19] * **单季SP**：正向，最近一周-0.51%，最近一月-0.63%，今年以来-0.77%，历史年化2.62%[19] 2. **中证500样本空间MFE组合表现**[21] * **单季净利同比增速**：正向，最近一周2.13%，最近一月3.39%，今年以来5.70%，历史年化7.47%[21] * **DELTAROA**：正向，最近一周1.70%，最近一月3.39%，今年以来4.02%，历史年化7.74%[21] * **预期净利润环比**：正向，最近一周1.67%，最近一月0.64%，今年以来0.66%，历史年化3.41%[21] * **SPTTM**：正向，最近一周-1.38%，最近一月-0.63%，今年以来-1.61%，历史年化2.78%[21] * **预期BP**：正向，最近一周-1.03%，最近一月1.15%，今年以来2.26%，历史年化3.48%[21] * **单季SP**：正向，最近一周-0.97%，最近一月0.12%，今年以来-0.50%，历史年化4.28%[21] 3. **中证1000样本空间MFE组合表现**[23] * **单季营收同比增速**：正向，最近一周1.78%，最近一月3.42%，今年以来6.85%，历史年化5.55%[23] * **EPTTM一年分位点**：正向，最近一周1.33%，最近一月1.19%，今年以来3.81%，历史年化6.14%[23] * **非流动性冲击**：正向，最近一周1.31%，最近一月2.13%，今年以来4.48%，历史年化2.43%[23] * **BP**：正向，最近一周-1.21%，最近一月1.01%，今年以来1.39%，历史年化2.60%[23] * **SPTTM**：正向，最近一周-1.16%，最近一月-0.89%，今年以来-2.40%，历史年化3.48%[23] * **预期BP**：正向，最近一周-1.05%，最近一月1.05%，今年以来1.27%，历史年化2.70%[23] 4. **中证A500样本空间MFE组合表现**[25] * **单季营收同比增速**：正向，最近一周1.47%，最近一月2.25%，今年以来2.94%，历史年化2.85%[25] * **单季ROE**：正向，最近一周1.46%，最近一月2.17%，今年以来1.92%，历史年化3.74%[25] * **单季ROA**：正向，最近一周1.40%，最近一月1.97%，今年以来2.79%，历史年化4.66%[25] * **BP**：正向，最近一周-0.66%，最近一月-0.66%，今年以来-0.36%，历史年化2.54%[25] * **预期BP**：正向，最近一周-0.61%，最近一月0.27%，今年以来1.44%，历史年化2.31%[25] * **SPTTM**：正向，最近一周-0.50%，最近一月-0.32%，今年以来-0.58%，历史年化2.22%[25] 5. **公募重仓指数样本空间MFE组合表现**[27] * **单季超预期幅度**：正向，最近一周1.94%，最近一月3.29%，今年以来4.38%，历史年化5.50%[27] * **单季营收同比增速**：正向，最近一周1.92%，最近一月3.38%，今年以来3.70%，历史年化1.92%[27] * **单季ROE**：正向，最近一周1.44%，最近一月2.21%，今年以来0.80%，历史年化2.36%[27] * **BP**：正向，最近一周-1.09%，最近一月0.11%，今年以来1.08%，历史年化0.57%[27] * **预期BP**：正向，最近一周-0.95%，最近一月1.11%，今年以来1.58%，历史年化1.12%[27] * **SPTTM**：正向，最近一周-0.94%，最近一月0.57%，今年以来0.15%，历史年化0.71%[27]

量化模型与构建方式 1. **模型名称：港股精选组合模型**[13][15] * **模型构建思路**：该模型旨在对分析师推荐股票池进行基本面和技术面的双层优选，挑选出同时具备基本面支撑和技术面共振的超预期股票[13][15]。 * **模型具体构建过程**： 1. **构建分析师推荐股票池**：以分析师上调盈利预测、分析师首次关注、分析师研报标题超预期事件作为分析师推荐事件，构建初始股票池[15]。 2. **基本面与技术面精选**：对上述股票池中的股票进行基本面和技术面两个维度的筛选，具体筛选标准未在本文中详述，需参考其专题报告[13][15]。 2. **因子名称：250日新高距离**[20][22] * **因子构建思路**：该因子用于量化股票价格接近其历史最高价的程度，研究显示股价接近52周（约250日）最高价时，其未来收益可能更高[20]。 * **因子具体构建过程**：计算最新收盘价与过去250个交易日最高收盘价的相对距离。 公式为： $$250 日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，`Closet` 为最新收盘价，`ts_max(Close, 250)` 为过去250个交易日收盘价的最大值。若最新收盘价创出新高，则该因子值为0；若最新收盘价较新高回落，则该因子为正值，表示回落幅度[22]。 3. **模型名称：平稳创新高股票筛选模型**[22][23] * **模型构建思路**：从近期创过新高的股票中，根据分析师关注度、股价相对强弱、股价路径平稳性、创新高连续性等多个角度，筛选出趋势更为稳健的“平稳创新高”股票[2][22]。 * **模型具体构建过程**：在过去20个交易日创出过250日新高的股票池中，按以下步骤筛选： 1. **样本池**：全部港股，但剔除成立时间不超过15个月的股票[23]。 2. **分析师关注度筛选**：过去6个月内，获得“买入”或“增持”评级的分析师研报不少于5份[23]。 3. **股价相对强弱筛选**：过去250日涨跌幅位于样本池前20%[23]。 4. **股价平稳性筛选**：在满足上述条件的股票池内，使用以下两个指标综合打分，取排名在前50%的股票（最少取50只）[23]： * **价格路径平滑性**：使用“股价位移路程比”指标，计算公式为 `过去120日涨跌幅绝对值 / 过去120日日涨跌幅绝对值加总`[22][23]。 * **创新高持续性**：过去120日的250日新高距离在时间序列上的均值[23]。 5. **趋势延续性筛选**：对经过上一步筛选的股票，计算其过去5日的250日新高距离在时间序列上的均值，并取排序靠前的50只股票作为最终组合[23]。 模型的回测效果 1. **港股精选组合模型** * 全样本（20100101-20251231）回测表现：年化收益19.08%，相对恒生指数超额收益18.06%，年化跟踪误差14.60%，信息比率(IR)1.19，最大回撤23.73%，收益回撤比0.76[15][19]。 * 分年度绩效表现详见报告表1[19]。 * 近期表现：本周（20260316-20260320）绝对收益-1.46%，超额收益-0.72%；本年（20260102-20260320）绝对收益-6.44%，超额收益-5.06%[1][17]。 量化因子与构建方式 （本报告中未单独介绍除“250日新高距离”外的其他基础因子，该因子已在“模型”部分阐述。） 因子的回测效果 （本报告未提供“250日新高距离”因子单独的回测绩效指标。）

量化模型与构建方式 1. **模型名称：优秀基金业绩增强组合** * **模型构建思路：** 从对标宽基指数转变为对标主动股基，在借鉴优秀基金持仓的基础上，采用量化方法进行增强，以达到优中选优的目的[4][13][49]。 * **模型具体构建过程：** 1. **基金优选：** 对基金进行优选，并对收益类因子进行分层中性化处理，以解决市场风格突变时的反转问题和持股风格集中化问题[49]。 2. **构建基准组合：** 根据优选基金的补全持仓构建优选基金持仓组合，该组合旨在跟踪主动股基中位数走势[49]。 3. **组合优化增强：** 以业绩分层视角下的优选基金持仓为选股空间和对标基准，采用组合优化的方法，控制组合与优选基金持仓在个股偏离、行业偏离及风格上的偏离，构建最终的投资组合[50]。 2. **模型名称：超预期精选组合** * **模型构建思路：** 以研报标题超预期与分析师全线上调净利润为条件筛选超预期事件股票池，接着对股票池进行基本面和技术面两个维度的精选，挑选出同时具备基本面支撑和技术面共振的股票构建组合[5][55]。 * **模型具体构建过程：** 1. **事件筛选：** 以“研报标题超预期”和“分析师全线上调净利润”为条件，筛选出超预期事件股票池[5][55]。 2. **双层优选：** 对超预期股票池中的股票，分别从基本面和技术面两个维度进行评分或筛选。 3. **组合构建：** 挑选出在两个维度上均表现优异的股票，构建超预期精选股票组合[5][55]。 3. **模型名称：券商金股业绩增强组合** * **模型构建思路：** 以券商金股股票池为选股空间和约束基准，采用组合优化的方式控制组合与券商金股股票池在个股、风格上的偏离，构建增强组合[6][60]。 * **模型具体构建过程：** 1. **确定股票池：** 以券商研究所每月推荐的金股构成初始股票池[6][60]。 2. **组合优化：** 在该股票池基础上，通过组合优化方法进行进一步精选。优化目标是在控制与券商金股股票池（作为基准）在个股和风格上偏离度的前提下，追求更高的预期收益，从而构建业绩增强组合[6]。 4. **模型名称：成长稳健组合** * **模型构建思路：** 采用“先时序、后截面”的方式，构建成长股二维评价体系。优先选择距离财报预约披露日较近的股票，当样本数量较多时，再采用多因子打分精选优质个股[7][65]。 * **模型具体构建过程：** 1. **事件定义与股票池筛选：** 以“研报标题超预期”和“上市公司业绩预增”作为利好事件，筛选成长股股票池[7][65]。 2. **时序分档：** 根据上市公司距离正式财报预约披露日的间隔天数对股票池进行分档，优先选择距离披露日较近的股票（即处于“超额收益释放黄金期”的股票）[7][65]。 3. **截面精选：** 当时序筛选后样本数量较多时，采用多因子打分模型在截面上进一步精选优质个股[7]。 4. **组合构建与风控：** 构建100只股票等权组合，并引入弱平衡机制、跃迁机制、缓冲机制和风险规避机制以降低换手、规避风险[65]。 模型的回测效果 1. **优秀基金业绩增强组合** * 全样本区间（2012.1.4-2025.12.31）年化收益（考虑仓位及交易费用）：21.40%[51][54] * 全样本区间相对偏股混合型基金指数年化超额收益：9.85%[51][54] * 2026年本年（截至2026.3.20）绝对收益（考虑仓位）：7.61%[2][16][24] * 2026年本年相对偏股混合型基金指数超额收益：6.70%[2][16][24] * 2026年本年（截至2026.3.20）在主动股基中排名分位点：13.20%[2][16][24] 2. **超预期精选组合** * 全样本区间（2010.1.4-2025.12.31）年化收益（考虑仓位及交易费用）：31.11%[56][59] * 全样本区间相对偏股混合型基金指数年化超额收益：23.98%[56][59] * 2026年本年（截至2026.3.20）绝对收益（考虑仓位）：6.86%[2][16][32] * 2026年本年相对偏股混合型基金指数超额收益：5.96%[2][16][32] * 2026年本年（截至2026.3.20）在主动股基中排名分位点：14.97%[2][16][32] 3. **券商金股业绩增强组合** * 全样本区间（2018.1.2-2025.12.31）年化收益（考虑仓位及交易费用）：21.71%[61][64] * 全样本区间相对偏股混合型基金指数年化超额收益：14.18%[61][64] * 2026年本年（截至2026.3.20）绝对收益（考虑仓位）：7.98%[2][16][37] * 2026年本年相对偏股混合型基金指数超额收益：7.08%[2][16][37] * 2026年本年（截至2026.3.20）在主动股基中排名分位点：12.25%[2][16][37] 4. **成长稳健组合** * 全样本区间（2012.1.4-2025.12.31）年化收益（考虑仓位及交易费用）：36.34%[66][69] * 全样本区间相对偏股混合型基金指数年化超额收益：26.33%[66][69] * 2026年本年（截至2026.3.20）绝对收益（考虑仓位）：12.36%[3][16][43] * 2026年本年相对偏股混合型基金指数超额收益：11.45%[3][16][43] * 2026年本年（截至2026.3.20）在主动股基中排名分位点：4.68%[3][16][43]

量化模型与构建方式 1. **模型/因子名称**：250日新高距离[11] * **构建思路**：该指标用于衡量当前价格相对于过去250个交易日最高点的回落幅度，以追踪市场或个股的趋势强度。当价格创出新高时，该值为0；价格从高点回落时，该值为正，表示回落的百分比[11]。 * **具体构建过程**：对于给定标的（如个股、指数），在时间点t，计算其250日新高距离。具体公式如下： $$250日新高距离 = 1 - \frac{Close_t}{ts\_max(Close, 250)}$$ 其中，$Close_t$代表最新收盘价，$ts\_max(Close, 250)$代表过去250个交易日收盘价的最大值[11]。 2. **模型/因子名称**：平稳创新高股票筛选模型[23][26] * **构建思路**：该模型旨在从近期创出250日新高的股票中，进一步筛选出具备分析师关注、股价强势、且价格路径平稳、趋势延续性好的股票。其理论基础在于研究表明，遵循平滑价格路径的高动量股票未来收益可能更高[23]。 * **具体构建过程**：模型采用多步骤筛选法，具体流程如下： 1. **初选股票池**：筛选出过去20个交易日内曾创出250日新高的股票[19]。 2. **分析师关注度筛选**：要求过去3个月内，获得“买入”或“增持”评级的分析师研报数量不少于5份[26]。 3. **股价相对强弱筛选**：要求过去250日涨跌幅位于全市场所有股票的前20%[26]。 4. **股价平稳性与趋势延续性筛选**：在满足上述条件的股票池内，使用以下两个指标综合打分，并选取排名在前50%的股票[26]。 * **价格路径平滑性**：使用股价位移路程比进行衡量。位移指过去120日的净涨跌幅，路程指过去120日内每日涨跌幅绝对值的总和。该比值越高，表明价格路径越平滑[23]。 * **创新高持续性**：过去120个交易日的250日新高距离在时间序列上的均值。该值越小，表明股票在近期持续接近或创出新高[26]。 5. **最终排序筛选**：根据**趋势延续性**指标（即过去5日的250日新高距离在时间序列上的均值）对第4步筛选出的股票进行排序，选取排名最靠前的50只股票[26]。 模型的回测效果 *本报告未提供量化模型或因子在历史回测中的具体绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）数值。报告内容主要为截至特定日期（2026年3月20日）的截面数据展示和筛选结果列举[12][19][27]。* 量化因子与构建方式 1. **因子名称**：250日新高距离因子[11] * **构建思路**：同上述模型中的指标，作为动量或趋势跟踪类因子使用，值越小表明趋势越强[11]。 * **具体构建过程**：同上述模型中的构建过程[11]。 * **因子评价**：该因子受到学术研究和实战投资家的共同关注，被认为是捕捉趋势和识别市场领头羊的有效工具[11][18]。 2. **因子名称**：价格路径平滑性因子（位移路程比）[23] * **构建思路**：衡量股价上涨或下跌过程的平稳程度，避免因短期剧烈波动（跳跃）带来的干扰。研究显示平滑的动量可能产生更强的动量效应[23]。 * **具体构建过程**：计算过去一定期间（报告中提及120日）内，价格净变动（位移）与价格总变动（路程）的比率。公式可表达为： $$价格路径平滑性 = \frac{|P_{t} - P_{t-n}|}{\sum_{i=1}^{n} |P_{t-i+1} - P_{t-i}|}$$ 其中，$P_t$为当期价格，$n$为回溯期（如120日）。分子为位移（净涨跌幅的绝对值），分母为路程（每日涨跌幅绝对值的总和）[23]。 3. **因子名称**：创新高持续性因子[26] * **构建思路**：通过计算近期250日新高距离的均值，来度量股票在较长时间窗口内维持强势、接近高点的持续能力[26]。 * **具体构建过程**：计算股票在过去120个交易日内，每日的250日新高距离的平均值[26]。 4. **因子名称**：趋势延续性因子[26] * **构建思路**：通过计算近期（如过去5日）250日新高距离的均值，来捕捉股票短期趋势的强弱和延续性[26]。 * **具体构建过程**：计算股票在过去5个交易日内，每日的250日新高距离的平均值[26]。 因子的回测效果 *本报告未提供单个量化因子在历史回测中的具体绩效指标（如因子IC值、ICIR、多空收益、分组收益等）数值。报告内容主要为截至特定日期（2026年3月20日）的截面数据展示和筛选结果列举[12][19][27]。*

量化模型与因子总结 量化因子与构建方式 1. **因子名称：RSI相对强弱指标**[2] * **因子构建思路**：通过计算一定周期内平均涨幅与平均跌幅的比值，来衡量市场的超买或超卖状态，以判断短期趋势的强弱[2]。 * **因子具体构建过程**： 1. 设定计算周期为12天[2]。 2. 计算周期内所有上涨日的平均涨幅（AvgGain）和所有下跌日的平均跌幅（AvgLoss）[2]。 3. 计算相对强度（RS）： $$RS = \frac{AvgGain}{AvgLoss}$$ 4. 计算RSI值： $$RSI = 100 – \frac{100}{(1 + RS)}$$ 5. 根据RSI值进行状态判断：RSI > 70为超买状态，RSI < 30为超卖状态[2]。 2. **因子名称：净申购金额**[2] * **因子构建思路**：通过计算ETF当日净值变动与理论净值变动之间的差额，来估算当日资金的净流入（申购）或净流出（赎回）情况，反映市场资金动向[2]。 * **因子具体构建过程**： 1. 获取当日ETF净值（NAV(T)）和前一日ETF净值（NAV(T-1)）[2]。 2. 获取ETF所跟踪指数在当日的收益率（R(T)）[2]。 3. 计算净申购金额（NETBUY(T)）： $$NETBUY(T) = NAV(T) – NAV(T-1) * (1 + R(T))$$ 其中，NETBUY(T)为T日的净申购金额[2]。 因子的回测效果 （注：本报告为数据跟踪日报，未提供因子在历史回测中的具体表现指标，如IC、IR、多空收益等。报告仅展示了特定时点（2026-03-19）各ETF的因子截面数据[4][6]。）

量化专题报告总结 量化模型与构建方式 1. **模型名称**：基于XGBoost的因子配置模型[4] **模型构建思路**：将量化大势研判框架中的市场环境特征与Barra因子、Alpha因子结合，利用XGBoost模型捕捉非线性关系和条件依赖，以提升因子选股效果[4][82] **模型具体构建过程**： * **数据准备**：选取A股非新股、非ST、非一字涨停、未停牌的股票[93]。自变量包括10个Barra CNE5因子、85个Alpha因子以及10个市场环境特征[82]。因变量为股票下个月的收益率[89]。 * **数据处理**：对因子进行截面zscore标准化，并用3倍标准差进行截尾处理[89]。 * **模型训练与验证**：采用滚动窗口（后改为扩展窗口）训练[89][110]。初始设置为使用5年数据（前4年训练，后1年验证），预测未来1年，从2019年滚动至2025年[89]。损失函数为MSE，并设置早停机制（连续10轮验证集损失无改善即停止）[89]。 * **关键改进**：发现XGBoost难以自动学习市场环境特征与Alpha因子之间的条件依赖关系后，显式构造了交互因子[105]。具体方法为：将10个市场环境特征分别与85个Alpha因子相乘，生成850个一阶交互因子[106]。随后进行筛选，仅保留在训练集和验证集上ICIR显著高于对应原始Alpha因子的交互因子，以控制维度[106]。 * **最终方案**：模型最终采用扩展窗口训练，并输入Barra因子、市场环境特征、Alpha因子以及筛选后的显式交互因子[110]。 2. **模型名称**：国联民生金工量化大势研判框架（行业配置策略）[70] **模型构建思路**：基于产业周期与资产特征的系统性映射定义风格资产，根据市场风险偏好对风格优先级进行分层判断，用于行业配置[70][72] **模型具体构建过程**：框架定义了五类风格资产：预期成长(gf)、实际成长(g)、盈利能力(ROE)、高股息(D)、破净/并购(B/P)[70]。在市场风险偏好存在 `g > ROE > D > BP` 的基本假设下，对市场风格的优先级进行分层判断[72]。核心是构建五个市场环境特征指标[78]： * **Δgf**（预期成长边际变化）：中信细分行业分析师预期增速(fttm)排序后等分五组，取Top组中位数与Bottom组中位数的差值，经平滑后再进行差分[78]。 * **Δg**（实际成长边际变化）：中信细分行业财报实际利润增速(ttm)排序后等分五组，取Top组中位数与Bottom组中位数的差值，经平滑后再进行差分[78]。 * **ΔROE**（盈利能力边际变化）：中信细分行业ROE(ttm)排序后等分五组，取Top组中位数平滑后差分[81]。 * **Crowd_ROE**（ROE资产拥挤度）：中信细分行业ROE(ttm)排序后等分五组，计算Top组的Beta因子暴露水平[81]。 * **Crowd_DP**（红利资产拥挤度）：中信细分行业股息率排序后等分五组，计算Top组近1月成交量/近3月成交量的因子暴露水平[81]。 模型的回测效果 1. **基于XGBoost的因子配置模型（最终版）**，样本外测试期（2019-2025年）[110]： * IC均值：0.08[110] * ICIR：0.66[110] * RankIC均值：0.11[110] * RankICIR：0.88[110] * IC>0占比：71.43%[110] * G10（多头）年化收益率：28.36%[110] 2. **国联民生金工量化大势研判框架（行业配置策略）**，历史回测期（2009年以来）[72]： * 年化收益：27.81%[72] 量化因子与构建方式 1. **因子类别**：市场环境特征（10个）[82] **因子构建思路**：部分源自量化大势研判框架，用于刻画市场整体风格与状态，作为因子择时的条件变量[78][82] **因子具体构建过程**： * **Δgf, Δg, ΔROE, Crowd_ROE, Crowd_DP**：构建方法同上述大势研判框架[78][81]。 * **Market_vol20**：万得全A指数20日波动率[85]。 * **Market_vol60**：万得全A指数60日波动率[85]。 * **Position_52w**：万得全A指数价格处于过去52周的分位水平[85]。 * **Market_mom**：万得全A指数价格3个月动量[85]。 * **Market_amt**：万得全A指数成交量200日均线的趋势差分[85]。 2. **因子类别**：Barra CNE5因子（10个）[82] **因子构建思路**：采用经典的Barra风险模型因子，作为模型的基础输入[82] 3. **因子类别**：Alpha因子（85个）[82] **因子构建思路**：涵盖价格、情绪、成长、质量、价值、动量等多个维度的月频选股因子[83] **因子具体构建过程**：报告列出了85个因子的名称和类型，例如价格类的`clo_5d_60d`、`return_std_1m`，情绪类的`ivol`、`turnover_mean_1m`，成长类的`roe_q_report`、`yoy_eps_q`，质量类的`roe_q_adv`、`sp_adj`，价值类的`bp`、`ep_fttm`，动量类的`mom_1y`、`reverse_1m`等[83]。具体计算方式未在报告中详细说明。 4. **因子类别**：显式交互因子（最多850个，经筛选后保留）[106] **因子构建思路**：为了捕捉市场环境特征对Alpha因子有效性的条件影响，显式构造两者的一阶交互项[105][106] **因子具体构建过程**：将10个市场环境特征分别与85个Alpha因子逐元素相乘，生成850个交互因子[106]。公式可表示为： $$交互因子_{i,j} = 市场环境特征_i \times Alpha因子_j$$ 其中，`i` 取1到10，`j` 取1到85[106]。随后进行筛选，仅保留那些在训练集和验证集上ICIR显著高于对应原始Alpha因子的交互因子[106]。 因子的回测效果 *注：报告未提供单个因子的独立测试结果，仅提供了整合所有因子后的模型整体表现。*

量化模型与因子总结 量化模型与构建方式 1. **模型名称：市场情绪指标模型** [1][14][15][18] * **模型构建思路：** 通过统计市场中涨停、跌停股票的数量及其后续表现，以及股票的封板与连板情况，构建反映市场短期投机情绪和赚钱效应的指标。 * **模型具体构建过程：** * **日内涨跌停家数：** 统计上市满3个月以上的股票在盘中及收盘时的涨停和跌停数量[14]。 * **昨日涨跌停股今日表现：** 统计上市满3个月以上且昨日收盘涨停或跌停的股票在今日的收盘收益率[15]。 * **封板率：** 计算最高价涨停且收盘涨停的股票数占最高价涨停的股票数的比例[18]。 $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ * **连板率：** 计算连续两日收盘涨停的股票数占昨日收盘涨停的股票数的比例[18]。 $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 2. **模型名称：市场资金流向模型** [20][23][27] * **模型构建思路：** 通过分析融资融券余额、交易占比，以及大宗交易的折价情况，构建反映市场杠杆资金活跃度和大资金交易情绪的指标。 * **模型具体构建过程：** * **两融余额及占比：** 计算融资融券总余额，及其占市场总流通市值的比重；计算两融交易额（融资买入额+融券卖出额）占市场总成交额的比例[20][23]。 * **大宗交易折价率：** 统计大宗交易的总成交金额与当日成交份额总市值的差异，计算折价率[27]。 $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 3. **模型名称：市场折溢价模型** [25][29] * **模型构建思路：** 通过监测ETF场内交易价格与净值（IOPV）的差异，以及股指期货价格与现货指数的基差，构建反映市场定价效率、套利机会及投资者情绪的指标。 * **模型具体构建过程：** * **ETF折溢价：** 筛选日成交额超过100万的境内交易股票型ETF，计算其场内交易价格与IOPV的差异[25]。 * **股指期货年化升贴水率：** 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，以衡量对冲成本或市场预期[29]。 $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 4. **模型名称：机构关注度模型** [32][35][38][39] * **模型构建思路：** 通过统计机构调研上市公司的频率，以及分析龙虎榜中机构席位、陆股通资金的买卖动向，构建反映机构投资者关注度和资金流向的指标。 * **模型具体构建过程：** * **机构调研热度：** 统计近7天内对上市公司进行调研或举行分析师会议的机构数量，并列出排名靠前的公司[32]。 * **龙虎榜机构/陆股通资金流：** 根据交易所公布的龙虎榜数据，汇总“机构专用”席位和“陆股通”席位在个股上的净买入或净卖出金额，并列出净流入和净流出排名前十的股票[38][39]。 模型的回测效果 *本报告为市场日度监测报告，主要展示各类模型在特定日期的观测值，未提供历史回测的绩效指标（如年化收益率、夏普比率、最大回撤等）。* 报告中的“测试结果”体现为各指标在报告日的具体数值或状态[7][8][11][14][15][18][20][23][25][27][29][32][38][39]。 1. **市场情绪指标模型 (2026-03-19)** * 收盘涨停家数：36只[14] * 收盘跌停家数：17只[14] * 昨日涨停股今日收益率：0.95%[15] * 昨日跌停股今日收益率：-1.81%[15] * 封板率：72%[18] * 连板率：17%[18] 2. **市场资金流向模型 (截至2026-03-18)** * 两融余额：26，546亿元[20] * 融资余额：26，365亿元[20] * 融券余额：180亿元[20] * 两融余额占流通市值比重：2.6%[23] * 两融交易占市场成交额比重：9.4%[23] * 大宗交易日均成交金额（近半年）：22亿元[27] * 大宗交易当日成交金额（2026-03-18）：12亿元[27] * 大宗交易平均折价率（近半年）：7.11%[27] * 大宗交易当日折价率（2026-03-18）：6.94%[27] 3. **市场折溢价模型 (2026-03-18/19)** * ETF最大溢价：沪港深消费龙头ETF招商，溢价2.58%[25] * ETF最大折价：G60创新ETF申万菱信，折价0.56%[25] * 上证50股指期货年化升水率：33.99%，处于近一年100%分位点[29] * 沪深300股指期货年化升水率：18.27%，处于近一年100%分位点[29] * 中证500股指期货年化升水率：29.55%，处于近一年100%分位点[29] * 中证1000股指期货年化升水率：46.04%，处于近一年100%分位点[29] 4. **机构关注度模型 (近一周/2026-03-19)** * 机构调研最多公司：蓝帆医疗，被148家机构调研[32] * 机构席位净流入前十股票：固德电材、九安医疗、纳百川等[38] * 机构席位净流出前十股票：桐昆股份、通源石油、铜牛信息等[38] * 陆股通净流入前十股票：金开新能、宏桥控股、九安医疗等[39] * 陆股通净流出前十股票：莲花控股、天壕能源、顺钠股份等[39]

量化模型与因子总结 量化模型与构建方式 根据研报内容，报告主要对市场数据进行跟踪、统计和分析，未涉及具体的量化选股模型或策略模型的构建。报告的核心是计算并展示了一系列用于评估市场状态和指数价值的量化指标（因子）。 量化因子与构建方式 报告计算了多个用于描述宽基指数市场特征的量化因子。 1. **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为无风险利率参考，计算股票指数收益率相对于无风险利率的超额收益，用于衡量市场的相对投资价值和风险补偿[28]。 * **因子具体构建过程**：风险溢价 = 指数收益率 - 十年期国债即期收益率。报告中展示的是当前风险溢价数值及其在不同历史窗口（近1年、近5年）内的分位值，同时计算了相对于近期均值±1倍、±2倍标准差的偏离程度[32]。 2. **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[38]。 * **因子具体构建过程**：PE-TTM = 指数总市值 / 指数成分股最近十二个月净利润之和。报告计算了当前PE-TTM值，并分析了其在近1年、近5年以及全历史区间内的分位值，同时计算了相对于近期均值±1倍、±2倍标准差的偏离百分比[43]。 3. **因子名称：股债性价比** * **因子构建思路**：将股票指数的潜在收益率（用PE-TTM的倒数近似表示）与无风险利率（十年期国债收益率）进行比较，用以判断股票资产相对于债券资产的吸引力[45]。 * **因子具体构建过程**：股债性价比 = (1 / 指数PE-TTM) - 十年期国债即期收益率。报告通过图表展示了该因子的历史走势，并标注了基于近5年数据计算的80分位值（机会值）和20分位值（危险值）[45]。 4. **因子名称：股息率** * **因子构建思路**：反映指数成分股的现金分红回报率，是红利投资风格的重要参考指标[47]。 * **因子具体构建过程**：股息率 = 指数成分股年度现金分红总额 / 指数总市值。报告列出了当前股息率，并计算了其在近1年、近5年及全历史区间内的分位值，同时分析了相对于近期均值±1倍、±2倍标准差的偏离百分比[52]。 5. **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，用以反映市场整体的估值低迷程度或悲观情绪[53][55]。 * **因子具体构建过程**：破净率 = (指数成分股中市净率 < 1的股票数量) / 指数成分股总数量。报告列出了各主要宽基指数当前的破净率具体数值[4][56]。 6. **因子名称：收益分布形态指标（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和峰度，来描述收益分布的不对称性和尖峰肥尾特征，以评估市场风险结构[24]。 * **因子具体构建过程**： * 偏度（Skewness）：衡量分布不对称性。正偏态表示极端正收益情形更多。报告计算了当前偏度并与近5年均值比较[26]。 * 峰度（Kurtosis）：衡量分布尖峭程度。报告中计算的是超额峰度（Excess Kurtosis），即在计算值中减去了正态分布的峰度值3。峰度值越大，表示收益率分布更集中（尖峰）或尾部更厚[26]。公式分别为： $$ Skewness = \frac{E[(X-\mu)^3]}{\sigma^3} $$ $$ Excess\ Kurtosis = \frac{E[(X-\mu)^4]}{\sigma^4} - 3 $$ 其中，\(X\)为日收益率序列，\(\mu\)为均值，\(\sigma\)为标准差。 7. **因子名称：均线相对位置** * **因子构建思路**：通过比较指数收盘价与不同周期移动平均线（MA）的位置，判断指数的短期、中期和长期趋势强度[15]。 * **因子具体构建过程**：计算指数收盘价相对于5日、10日、20日、60日、120日及250日移动平均线的偏离百分比。例如，vsMA5 = (收盘价 / MA5 - 1) * 100%。报告以表格形式展示了各指数相对于各条均线的位置[16]。 8. **因子名称：换手率** * **因子构建思路**：衡量指数整体的交易活跃度[18]。 * **因子具体构建过程**：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]。 9. **因子名称：交易金额占比** * **因子构建思路**：衡量单个宽基指数成交额在全市场中的比重，反映资金关注度[18]。 * **因子具体构建过程**：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]。 因子的回测效果 本报告为市场数据跟踪报告，未提供基于这些因子的选股策略回测结果（如多空组合收益、IC、IR等）。报告主要呈现了各因子在特定时点（2026年3月18日）的截面数据或历史分位值，用于状态描述而非因子有效性检验。 **各因子在主要宽基指数上的当前取值（截至2026年3月18日）** | 因子名称 | 上证50 | 沪深300 | 中证500 | 中证1000 | 中证2000 | 中证全指 | 创业板指 | 数据来源表/图 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | **风险溢价** | -0.08% | 0.44% | 1.00% | 0.95% | 1.56% | 0.80% | 2.01% | 表4[32] | | **风险溢价近5年分位值** | 48.02% | 70.71% | 82.14% | 77.78% | 86.90% | 78.89% | 88.81% | 表4[32] | | **PE-TTM当前值** | 11.54 | 14.19 | 36.57 | 49.38 | 166.87 | 22.25 | 41.76 | 表5[43] | | **PE-TTM近5年分位值** | 82.23% | 89.17% | 96.78% | 96.69% | 88.35% | 97.02% | 59.83% | 表5[43] | | **股息率当前值** | 3.34% | 2.76% | 1.30% | 1.01% | 0.71% | 1.96% | 0.87% | 表6[52] | | **股息率近5年分位值** | 36.20% | 36.86% | 8.26% | 23.80% | 5.12% | 27.77% | 53.97% | 表6[52] | | **破净率** | 22.0% | 15.67% | 9.6% | 7.0% | 2.8% | 5.44% | nan% | 正文[4][56] | | **当前换手率** | 0.33 | 0.71 | 1.85 | 2.72 | 3.64 | 1.79 | 2.31 | 正文[18] | | **交易金额占比** | 未列具体值 | 26.09% | 未列具体值 | 20.9% | 22.1% | 基准(100%) | 未列具体值 | 正文[18] | | **收益分布当前峰度(超额)** | -0.11 | 0.61 | 0.71 | 0.66 | 0.59 | 0.60 | 0.99 | 表3[26] | | **收益分布当前偏度** | 1.29 | 1.53 | 1.51 | 1.45 | 1.47 | 1.49 | 1.56 | 表3[26] | **注**：均线相对位置、股债性价比具体数值未在表格中集中列示，详见报告表2[16]和图6[45]。