量化因子与构建方式 1. **因子名称：封板率** * 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占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. 找出当日盘中最高价达到涨停价的股票集合A[16]。 3. 从集合A中找出当日收盘价也为涨停价的股票集合B[16]。 4. 计算封板率：$$封板率 = \frac{集合B的股票数量}{集合A的股票数量}$$[16] 2. **因子名称：连板率** * 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，来衡量市场涨停板的持续性和赚钱效应[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. 找出前一日（T-1日）收盘涨停的股票集合C[16]。 3. 从集合C中找出当日（T日）收盘也涨停的股票集合D[16]。 4. 计算连板率：$$连板率 = \frac{集合D的股票数量}{集合C的股票数量}$$[16] 3. **因子名称：大宗交易折价率** * 因子构建思路：通过计算大宗交易成交总额相对于当日市值的折价幅度，来反映大资金的投资偏好和市场情绪，折价率高通常意味着大资金卖出意愿较强或对后市看法谨慎[25]。 * 因子具体构建过程： 1. 统计当日所有大宗交易的成交总金额[25]。 2. 计算这些大宗交易对应股份在当日的总市值（按当日收盘价计算）[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] 4. **因子名称：股指期货年化贴水率** * 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的基差，并进行年化处理，来衡量市场对未来走势的预期和对冲成本，贴水率越高通常意味着市场情绪越悲观或对冲成本越高[27]。 * 因子具体构建过程： 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]。 3. 公式说明：该公式将基差相对于指数价格的比例进行年化处理，以便于不同期限合约之间的比较[27]。 因子的回测效果 1. 封板率因子，2026年4月1日取值为61%[16] 2. 连板率因子，2026年4月1日取值为15%[16] 3. 大宗交易折价率因子，2026年3月31日取值为9.80%[25]，近半年平均值为7.07%[25] 4. 上证50股指期货年化贴水率因子，2026年4月1日取值为4.10%[27]，近一年中位数为1.03%[27] 5. 沪深300股指期货年化贴水率因子，2026年4月1日取值为8.12%[27]，近一年中位数为4.65%[27] 6. 中证500股指期货年化贴水率因子，2026年4月1日取值为11.22%[27]，近一年中位数为10.99%[27] 7. 中证1000股指期货年化贴水率因子，2026年4月1日取值为14.92%[27]，近一年中位数为13.21%[27]

量化模型与构建方式 1. **模型/因子名称**：RSI相对强弱指标[2] **模型/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，来衡量市场或资产价格的超买或超卖状态[2] **模型/因子具体构建过程**： 1. 计算一定周期（报告中为12天）内每日的上涨幅度和下跌幅度。 2. 分别计算该周期内的平均涨幅（Average Gain）和平均跌幅（Average Loss）。 3. 计算相对强度（RS），即平均涨幅与平均跌幅的比值。 4. 将RS代入公式计算RSI值。 **公式**：$$RSI = 100 – 100 / (1 + RS)$$[2] 其中，RS = 一定周期内平均涨幅 / 一定周期内平均跌幅[2]。 **模型/因子评价**：RSI>70，市场处于超买状态；RSI<30，市场处于超卖状态[2]。 2. **模型/因子名称**：净申购（亿元）[2] **模型/因子构建思路**：通过计算ETF单位净值的变化与基金份额自然增长（收益率）的差异，来估算资金流入流出的净金额[2] **模型/因子具体构建过程**： 1. 获取T日和T-1日的ETF单位净值（NAV）。 2. 获取T日ETF的收益率（R）。 3. 将上述数据代入公式计算。 **公式**：$$NETBUY(T) = NAV(T)–NAV(T-1)*（1+R（T））$$[2] 其中，NETBUY(T)为T日的净申购金额，NAV(T-1)为前一交易日的ETF净值，R(T)为T日的收益率[2]。 模型的回测效果 （报告中未提供针对量化模型的回测效果数据，如年化收益率、夏普比率、最大回撤等指标。） 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，来衡量市场或资产价格的超买或超卖状态[2] **因子具体构建过程**： 1. 计算一定周期（报告中为12天）内每日的上涨幅度和下跌幅度。 2. 分别计算该周期内的平均涨幅（Average Gain）和平均跌幅（Average Loss）。 3. 计算相对强度（RS），即平均涨幅与平均跌幅的比值。 4. 将RS代入公式计算RSI值。 **公式**：$$RSI = 100 – 100 / (1 + RS)$$[2] 其中，RS = 一定周期内平均涨幅 / 一定周期内平均跌幅[2]。 **因子评价**：RSI>70，市场处于超买状态；RSI<30，市场处于超卖状态[2]。 2. **因子名称**：净申购（亿元）[2] **因子构建思路**：通过计算ETF单位净值的变化与基金份额自然增长（收益率）的差异，来估算资金流入流出的净金额[2] **因子具体构建过程**： 1. 获取T日和T-1日的ETF单位净值（NAV）。 2. 获取T日ETF的收益率（R）。 3. 将上述数据代入公式计算。 **公式**：$$NETBUY(T) = NAV(T)–NAV(T-1)*（1+R（T））$$[2] 其中，NETBUY(T)为T日的净申购金额，NAV(T-1)为前一交易日的ETF净值，R(T)为T日的收益率[2]。 3. **因子名称**：日内行情趋势[2] **因子构建思路**：采用5分钟级别的日内成交价构成趋势图，并结合当日最高价和最低价，以可视化方式展示日内价格走势[2] **因子具体构建过程**：报告中未详细描述具体计算过程，仅说明采用5分钟级别的成交价数据绘制趋势图，并用红点标注当日最高价和最低价[2]。 4. **因子名称**：机构持仓占比[2][3] **因子构建思路**：使用ETF基金定期报告（年报、半年报）披露的机构投资者持仓比例，并剔除对应联接基金的持有部分，以反映机构投资者的真实持仓情况[2][3] **因子具体构建过程**：报告中未详细描述具体计算过程，仅说明数据来源为定期报告披露数据，并进行了剔除联接基金持有份额的处理[2][3]。 因子的回测效果 （报告中未提供针对量化因子的回测效果数据，如IC值、IR、多空收益等指标。报告仅展示了各ETF在特定日期的因子截面取值，例如：） 1. **RSI相对强弱指标因子**，对于“华泰柏瑞沪深300ETF (510300.SH)”，其取值为35.55[3]；对于“南方中证500ETF (510500.SH)”，其取值为36.94[3]。 2. **净申购（亿元）因子**，对于“华泰柏瑞沪深300ETF (510300.SH)”，其取值为-5.88[3]；对于“南方中证500ETF (510500.SH)”，其取值为3.90[3]。 3. **机构持仓占比（%）因子**，对于“华泰柏瑞沪深300ETF (510300.SH)”，其取值为87.11[3]；对于“南方中证500ETF (510500.SH)”，其取值为83.21[3]。

量化模型与构建方式 1. **模型名称：EMDT策略（股指期货日内趋势策略）** * **模型构建思路：** 该策略是一种日内趋势策略，在每天开盘后的一段时间内，通过分析早盘价格数据来识别当天市场的主要模式（趋势或震荡），并据此决定是否进行趋势交易[40][43]。 * **模型具体构建过程：** 1. 在每个交易日股指期货开盘后的41分钟，截取早盘价格数据[43]。 2. 对早盘价格数据进行信号分解，计算代表趋势和震荡的信号能量[43]。 3. 根据计算出的信号能量进行判断：当早盘趋势信号较强时，认为当天市场以趋势为主，进行趋势交易；否则，认为当天市场以震荡为主，不进行交易[43]。 2. **模型名称：风格套利策略（股指期货跨品种套利）** * **模型构建思路：** 该策略通过捕捉大盘股（上证50）与小盘股（中证500）之间的相对强弱轮动来获利，是一种跨品种套利策略[40][44]。 * **模型具体构建过程：** 1. 在每个交易日收盘前，比较当日上证50指数与中证500指数的表现，判断大小盘风格强弱[44]。 2. 如果当日大盘风格强于小盘风格，则在收盘前执行“做多IH合约 + 做空等合约价值IC合约”的组合[44]。 3. 如果当日小盘风格强于大盘风格，则在收盘前执行“做多IC合约 + 做空等合约价值IH合约”的组合[44]。 3. **模型名称：SMT策略（股指期货日内模式识别策略）** * **模型构建思路：** 该策略是一种基于模式匹配的日内交易策略，核心思想是“历史会重演”，通过寻找与当前上午走势最相似的历史交易日，来预测当天下午的走势[40][45]。 * **模型具体构建过程：** 1. 在每个交易日，获取股指期货上午的走势图（价格序列）[45]。 2. 将当前交易日上午的走势与历史数据库中所有交易日上午的走势进行相似度匹配，找出最相似的一个或几个历史交易日[45]。 3. 根据这些最相似的历史交易日在对应日期午后的涨跌情况，综合判断当前交易日午后的涨跌方向[45]。 4. 根据预测的涨跌方向，在相应方向上开仓进行日内交易[45]。 4. **模型名称：SLM策略（股指期货隔夜统计语言模型策略）** * **模型构建思路：** 该策略采用统计语言模型算法，将价格涨跌序列视为“语言”，通过分析历史序列模式来预测下一个交易日的涨跌，是一种T+1隔夜交易策略[40][49]。 * **模型具体构建过程：** 1. 将股指期货的历史价格数据转化为涨跌序列（例如，用“1”代表上涨，“0”代表下跌）[49]。 2. 运用统计语言模型（如N-gram模型）对历史涨跌序列进行训练，学习不同长度序列后出现涨或跌的概率[49]。 3. 在每个交易日收盘前，根据最新的价格涨跌序列，使用训练好的模型预测下一个交易日的涨跌概率[49]。 4. 根据预测结果，在收盘前进行建仓，持有至下一个交易日收盘或达到止损条件时平仓[49]。 5. **模型名称：国债期货日内趋势策略（开盘区间突破）** * **模型构建思路：** 这是一种经典的日内趋势跟踪策略，当价格突破基于开盘价设定的区间时，认为趋势形成并开仓，在价格反向突破止损位时平仓[55]。 * **模型具体构建过程：** 1. 使用分钟级交易数据进行回测[56]。 2. 设定两个关键参数：突破区间宽度（2a，向上向下对称）和止损阈值（b%）[56]。 3. 在交易日开始时，以开盘价P_open为基准，计算突破区间上轨和下轨： $$上轨 = P_{open} \times (1 + a)$$ $$下轨 = P_{open} \times (1 - a)$$ 4. 当盘中价格向上突破上轨时，开仓做多；当盘中价格向下跌破下轨时，开仓做空[55]。 5. 开仓后，设置动态止损位。例如，做多后止损价为 `开仓价 × (1 - b)`；做空后止损价为 `开仓价 × (1 + b)`[55]。 6. 如果价格触及止损位，则平仓离场，并且当日不再进行新的交易[55]。 6. **模型名称：国债期货日间趋势策略（EMA均线交叉）** * **模型构建思路：** 该策略基于国债期货指数（如TF指数、T指数）的日收盘价，使用指数移动平均线（EMA）的金叉和死叉作为交易信号，进行日间趋势跟踪[60]。 * **模型具体构建过程：** 1. 选取标的：为避免期货合约交割的影响，使用TF指数和T指数（由各期限合约按持仓量加权计算）[60]。 2. 计算两条EMA均线：一条短周期均线（如快线），一条长周期均线（如慢线）[60]。 3. 生成交易信号：当短周期EMA线上穿长周期EMA线时，产生多头信号，做多指数；当短周期EMA线下穿长周期EMA线时，产生空头信号，做空指数[60]。 7. **模型名称：国债期货跨品种套利策略（统计套利）** * **模型构建思路：** 该策略基于5年期与10年期国债期货价格差具有均值回复特性的假设，当价差偏离历史均值过远时，通过反向建仓来博取价差回归的收益[64]。 * **模型具体构建过程：** 1. 选取标的：5年期（TF）和10年期（T）国债期货的主力合约[64]。 2. 使用分钟级数据，以固定窗口（如5分钟或10分钟）计算两个合约价差（例如，TF价格 - T价格）的移动平均值（Mean）和标准差（Std）[64]。 3. 设定交易阈值：当实时价差 > Mean + 1 × Std 时，认为价差过大，执行“做空TF + 做多T”来“做空价差”[64]。 4. 当实时价差 < Mean - 1 × Std 时，认为价差过小，执行“做多TF + 做空T”来“做多价差”[64]。 5. 当价差回复到均值（Mean）水平时，平仓了结，获取利润[64]。 8. **模型名称：商品期货中长线趋势跟踪策略** * **模型构建思路：** 对多个大宗商品品种分别进行中长线趋势跟踪，通过多品种配置来分散风险，旨在捕捉商品市场的主要趋势行情[88]。 * **模型具体构建过程：** 报告未详细描述具体构建过程，但提及该策略基于广发金融工程团队早期研报《全球商品期货量化交易策略初探》，属于经典的趋势跟踪策略，可能涉及均线、通道突破等趋势判定方法[88]。 模型的回测效果 *以下回测结果均为2026年第一季度（Q1）数据。* 1. **EMDT策略**，总体收益率-3.92%，交易次数31次，盈利次数12次，成功率38.71%，平均盈利率0.44%，平均亏损率-0.48%，最大回撤-5.70%[47]。 2. **风格套利策略**，总体收益率3.91%，交易次数56次，盈利次数31次，成功率55.36%，平均盈利率0.56%，平均亏损率-0.53%，最大回撤-3.61%[47]。 3. **SMT策略**，总体收益率1.95%，交易次数56次，盈利次数17次，成功率30.36%，平均盈利率0.50%[46]。 4. **SLM策略**，总体收益率-0.86%，交易次数54次，盈利次数32次，成功率59.26%，平均盈利率0.65%，平均亏损率-0.97%，最大回撤-8.45%[50]。 5. **国债期货日内趋势策略（5年期）**，累积收益率-0.39%，最大回撤-0.39%[59][60]。 6. **国债期货日内趋势策略（10年期）**，累积收益率-0.39%，最大回撤-0.40%[59][60]。 7. **国债期货日间趋势策略（5年期指数）**，累积收益率-0.22%，最大回撤-0.47%[64]。 8. **国债期货日间趋势策略（10年期指数）**，累积收益率-0.55%，最大回撤-1.03%[64]。 9. **国债期货跨品种套利策略**，累积收益率1.78%，最大回撤-0.27%[67][68]。 10. **商品期货中长线趋势跟踪策略（多品种平均）**，季度平均收益率4.2%[92][94]。部分品种季度收益率：棉花4.7%，豆粕0.4%，铝-11.7%，螺纹-7.8%，焦炭-27.1%，铁矿6.1%，沥青42.9%，白糖-0.4%，棕榈油10.7%，塑料11.6%，甲醇19.3%，PTA28.8%，豆油4.3%，玉米5.3%，铜5.5%，锌5.3%，玻璃-19.2%，大豆10.0%，鸡蛋4.2%，PVC5.5%，苹果-9.9%[92][94]。 量化因子与构建方式 *本报告中未明确阐述独立的量化因子构建，所有内容均以完整的交易策略模型形式呈现。* 因子的回测效果 *本报告中未提供独立于模型的量化因子测试结果。*

量化模型与构建方式 1. **模型名称**：社融自下而上拆分预测框架[11] * **模型构建思路**：依据社融各子项的经济逻辑、高频数据、季节性特征等特点，分别构建子项预测模型，再汇总得到社融总量预测，旨在提高总量预测准确性的同时，提供结构信息预测[11]。 * **模型具体构建过程**：该框架是一个复合模型，由针对不同社融子项的多个预测方法组合而成。具体子项预测方式如下[12]： * **人民币贷款（企业贷款+居民短贷）**：以PMI与唐山钢厂产能利用率为自变量，对信贷大月和小月分别进行滚动回归预测[12]。 * **人民币贷款（居民中长贷）**：以住房按揭贷款为主，与商品房销售数据强相关。根据商品房销售代理指标与居民中长贷的三阶段特点进行预测[12]。 * **企业票据融资**：与转贴现利率呈明显负相关。以转贴现利率为外生变量，使用5年窗口的滚动自回归进行预测[12]。 * **政府债券**：可跟踪高频的发行到期数据，但存在口径差异。通过将月末新发政府债券计入下月，对高频跟踪数据进行口径调整[12]。 * **企业债券**：可跟踪高频的发行到期数据，但存在口径差异。使用5年窗口的滚动回归对企业债券子项重新配权，以降低口径差异[12]。 * **外币贷款**：平滑后与人民币汇率和中美国债利差相关性强，但月度间波动大。使用过去3个月均值作为预测[12]。 * **信托贷款**：资管新规后规模下降。通过跟踪集合信托以及单一信托发行到期的披露情况进行近似预测[12]。 * **委托贷款**：资管新规后规模压降且相对稳定。使用过去12个月均值作为预测，部分基建相关增量额外进行判断[12]。 * **未贴现银行承兑汇票**：鉴于票交所高频数据停止对外公布，使用过去三年同期平均值作近似估计[12]。 * **非金融企业境内股票融资**：可跟踪高频股权融资数据，但存在口径差异。将股权融资（包括IPO、增发、配股、优先股）的月频净融资数据扣除金融企业部分得到预测[12]。 * **贷款核销**：集中于季末特别是年末，季节效应显著。使用去年同期值作为预测[12]。 * **存款类金融机构资产支持证券**：信息披露少，增量规模不大。使用信贷ABS净融资高频跟踪进行预测[12]。 模型的回测效果 * 本报告未提供模型历史回测的具体绩效指标（如预测误差、决定系数R²等）[7][11][12][16][17][20]。报告通过展示2023年以来各月社融预测结果与实际值的对比图，以及2026年3月社融结构预测与去年同期的对比，来定性说明预测框架的准确性[16][18][20]。

量化模型与构建方式 1. **模型名称**：多空动能择时模型[1][2][6] **模型构建思路**：该模型通过计算特定指标（原始信号）来量化市场的多空动能，并基于该信号的数值及其移动平均线（MA5）来判断市场未来走势，生成“看多”、“调整”或“震荡”的观点[1][2][6]。 **模型具体构建过程**： * **步骤1：计算原始信号**。模型为每个标的（如30年国债、万得全A指数等）计算一个原始信号百分比值。该值代表模型计算出的市场多空动能强度，具体计算逻辑未在报告中详细披露，但可能基于价格、成交量或其他市场微观结构数据[2][6]。 * **步骤2：计算平滑信号**。对原始信号进行5日移动平均（MA5）处理，以平滑短期波动，得到更稳定的趋势信号。计算公式为： $$MA5_t = \frac{Signal_{t} + Signal_{t-1} + Signal_{t-2} + Signal_{t-3} + Signal_{t-4}}{5}$$ 其中，$MA5_t$ 代表第t日的5日移动平均值，$Signal_{t}$ 代表第t日的原始信号值[2][6]。 * **步骤3：生成交易观点**。结合原始信号和其MA5值，按照预设的阈值规则生成最终的交易观点（看多、调整、震荡）。具体规则未在报告中明确给出，但从结果推断，可能涉及比较原始信号与MA5，或两者与固定阈值（如50%）的关系[2][6]。 **模型评价**：该模型是一个应用于多类资产（债券、股票、商品）的通用择时框架，旨在捕捉市场动能的转折点。其优势在于规则明确，输出直观[1][2][6]。 模型的回测效果 （注：报告未提供模型在历史样本外的长期回测绩效指标，如年化收益率、夏普比率、最大回撤等。仅提供了模型在报告发布时点对各个标的的最新信号状态和观点[2][6][7]。） 1. **多空动能择时模型**，对30年国债的观点为【调整】，原始信号86.06%，MA5信号78.05%，信号持续超过10个交易日[2][6]。 2. **多空动能择时模型**，对3年AAA中短票的观点为【震荡】，原始信号44.54%，MA5信号51.95%，信号持续2个交易日[2][6]。 3. **多空动能择时模型**，对10年国债的观点为【震荡】，原始信号84.94%，MA5信号57.90%，信号持续2个交易日[2][6]。 4. **多空动能择时模型**，对2年国债的观点为【看多】，原始信号8.02%，MA5信号14.70%，信号持续超过10个交易日[2][6]。 5. **多空动能择时模型**，对万得全A指数的观点为【调整】，原始信号82.39%，MA5信号78.87%，信号持续5个交易日[2][6]。 6. **多空动能择时模型**，对中证红利全收益指数的观点为【调整】，原始信号74.71%，MA5信号76.97%，信号持续9个交易日[2][6]。 7. **多空动能择时模型**，对恒生科技指数的观点为【调整】，原始信号82.16%，MA5信号83.97%，信号持续10个交易日[2][6]。 8. **多空动能择时模型**，对科创50指数的观点为【调整】，原始信号76.15%，MA5信号82.51%，信号持续超过10个交易日[2][6]。 9. **多空动能择时模型**，对万得微盘指数的观点为【调整】，原始信号77.13%，MA5信号76.64%，信号持续5个交易日[2][6]。 10. **多空动能择时模型**，对国证2000指数的观点为【调整】，原始信号81.50%，MA5信号84.27%，信号持续超过10个交易日[2][6]。 11. **多空动能择时模型**，对COMEX黄金的观点为【震荡】，原始信号39.61%，MA5信号42.29%，信号持续5个交易日[2][6][7]。 12. **多空动能择时模型**，对IPE布油的观点为【震荡】，原始信号46.07%，MA5信号40.68%，信号持续超过10个交易日[2][6][7]。 量化因子与构建方式 （注：报告未详细阐述用于构建上述择时模型的具体底层量化因子。仅提及模型存在“因子失效风险”，表明其内部可能依赖一个或多个量化因子进行信号计算，但未说明这些因子的名称、构建思路和过程[8]。） 因子的回测效果 （注：报告未提供任何具体量化因子的测试结果或绩效指标[1][2][3][4][5][6][7][8][9][10][11][12][13][14]。）

量化模型与构建方式 1. **模型名称：券商金股指数** [12][20] * **模型构建思路**：将每月各券商推荐的金股汇总，构建一个能够表征卖方分析师推荐股票池整体表现的指数，并与公募基金整体表现（偏股混合型基金指数）进行对比[12][20]。 * **模型具体构建过程**： 1. 每月初汇总所有券商发布的当月金股。 2. 对股票池进行去重处理。 3. 根据每只股票被券商推荐的家数进行加权，构建组合[20]。 4. 每月第一个交易日按收盘价进行调仓[20]。 5. 为更公允地与偏股混合型基金指数比较，在计算指数收益时，会乘以一个仓位系数。该系数为每次调仓时点所能获取的主动股基最近一个报告期的权益仓位中位数[20]。 2. **模型名称：券商金股业绩增强组合** [12][40][45] * **模型构建思路**：以券商金股股票池为选股范围和约束基准，通过多因子模型进行优选，旨在构建一个能够稳定战胜偏股混合型基金指数（公募基金中位数代表）的投资组合[12][40][45]。 * **模型具体构建过程**： 1. **选股空间与基准**：以当月券商金股汇总去重后的股票池作为选股空间和约束基准[45]。 2. **行业配置基准**：以全体公募基金的行业分布作为行业配置基准[45]。 3. **组合构建方法**：采用组合优化的方式，在选股空间内进行选股。优化目标为最大化预期收益（基于多因子模型），同时控制组合与券商金股股票池在个股和风格上的偏离，并跟踪公募基金的行业分布[45]。 模型的回测效果 1. **券商金股指数** * 本月（20260302-20260331）绝对收益：-10.95%[23] * 本月（20260302-20260331）相对偏股混合型基金指数超额收益：-2.33% (计算：-10.95% - (-8.62%))[23] * 本年（20260105-20260331）绝对收益：-2.31%[23] * 本年（20260105-20260331）相对偏股混合型基金指数超额收益：-1.40% (计算：-2.31% - (-0.91%))[23] 2. **券商金股业绩增强组合** * **近期表现**： * 本月（20260302-20260331）绝对收益：-6.52%[5][44] * 本月（20260302-20260331）相对偏股混合型基金指数超额收益：2.10%[5][44] * 本年（20260102-20260331）绝对收益：6.62%[5][44] * 本年（20260102-20260331）相对偏股混合型基金指数超额收益：7.53%[5][44] * 本年（20260102-20260331）在主动股基中排名分位点：10.35% (385/3721)[5][44] * **历史表现（2018.1.2-2025.12.31）**： * 年化收益（考虑仓位及交易费用）：21.71%[46] * 相对偏股混合型基金指数年化超额收益：14.18%[46] * 各年度在主动股基中排名均基本位于前30%分位点[46] 量化因子与构建方式 1. **因子名称：单季度营收增速** [3][30] * **因子评价**：最近一个月（2026年3月）在券商金股股票池中表现较好[3][30]。 2. **因子名称：SUE (Standardized Unexpected Earnings，标准化未预期盈余)** [3][30] * **因子评价**：最近一个月（2026年3月）及今年以来（截至20260331）在券商金股股票池中均表现较好[3][30]。 3. **因子名称：单季度ROE** [3][30] * **因子评价**：最近一个月（2026年3月）在券商金股股票池中表现较好[3][30]。 4. **因子名称：总市值** [3][30] * **因子评价**：最近一个月（2026年3月）在券商金股股票池中表现较差；但今年以来（截至20260331）表现较好[3][30]。 5. **因子名称：BP (Book-to-Price Ratio，账面市值比)** [3][30] * **因子评价**：最近一个月（2026年3月）在券商金股股票池中表现较差[3][30]。 6. **因子名称：预期股息率** [3][30] * **因子评价**：最近一个月（2026年3月）及今年以来（截至20260331）在券商金股股票池中均表现较差[3][30]。 7. **因子名称：分析师净上调幅度** [3][30] * **因子评价**：今年以来（截至20260331）在券商金股股票池中表现较好[3][30]。 8. **因子名称：EPTTM (Trailing Twelve Months Earnings to Price，过去十二个月盈利价格比)** [3][30] * **因子评价**：今年以来（截至20260331）在券商金股股票池中表现较差[3][30]。 9. **因子名称：盈余公告后跳空超额** [3][30] * **因子评价**：今年以来（截至20260331）在券商金股股票池中表现较差[3][30]。 10. **风格因子（基于Barra框架）** [4][32] * **涉及风格**：市值、估值、动量等[4][32]。 * **因子评价**：本月（2026年4月）券商金股股票池整体偏向中市值、高估值、强动量风格[4][32]。 因子的回测效果 *注：报告未提供各因子在统一测试区间（如分五组多空）的具体指标值（如IC、IR、多空收益等），仅提供了在券商金股股票池内近期表现的定性排序[3][30]。*

量化模型与构建方式 1. **模型名称：券商金股组合（全部金股）**[12] * **模型构建思路**：汇总全市场多家券商每月初发布的十大金股，构建一个代表分析师集体智慧的投资组合[12]。 * **模型具体构建过程**： 1. 数据收集：统计全市场36家券商发布的月度金股[13]。 2. 股票池处理：对收集到的金股进行去重，得到最终的股票列表[13]。 3. 组合构建：以去重后的全部金股作为投资组合[17]。 4. 权重设置：组合内部按照各家券商的推荐次数进行加权[17]。 2. **模型名称：券商金股组合（新进金股）**[13][17] * **模型构建思路**：在全部券商金股中，筛选出相对于上个月为新推荐的股票，构建组合。基于历史研究发现新进金股收益表现更优[22]。 * **模型具体构建过程**： 1. 股票分类：将全体金股按照相对上月是否新进，分为新进金股和重复金股两类[13]。 2. 组合构建：选取新进金股类别中的所有股票构成组合[17]。 3. 权重设置：组合内部按照各家券商的推荐次数进行加权[17]。 3. **模型名称：券商金股组合（重复金股）**[13][17] * **模型构建思路**：在全部券商金股中，筛选出上个月也被推荐过的股票，构建组合[13]。 * **模型具体构建过程**： 1. 股票分类：将全体金股按照相对上月是否新进，分为新进金股和重复金股两类[13]。 2. 组合构建：选取重复金股类别中的所有股票构成组合[17]。 3. 权重设置：组合内部按照各家券商的推荐次数进行加权[17]。 4. **模型名称：开源金工优选金股组合**[22] * **模型构建思路**：结合历史研究结论，在新进金股样本池中，使用业绩超预期因子（SUE因子）进行优选，构建增强型金股组合[22]。 * **模型具体构建过程**： 1. 确定样本池：以每月的新进金股作为初始股票池[22]。 2. 因子选股：在样本池中，使用业绩超预期因子（SUE因子）进行排序，选择排名靠前的股票[22]。 3. 组合构建：选取SUE因子排名前30的金股构成最终组合[22]。 4. 权重设置：组合内部按照各家券商的推荐次数进行加权[22]。 5. **因子名称：业绩超预期因子（SUE因子）**[22] * **因子构建思路**：该因子用于衡量上市公司实际发布的业绩是否超过市场普遍预期，通常认为业绩超预期的股票未来有更好表现[22]。 * **因子具体构建过程**：报告中未提供SUE因子的具体计算公式和构建细节，仅提及该因子在新进金股组合中具有优异的选股能力，并被用于构建“开源金工优选金股组合”[22]。 模型的回测效果 （数据区间：年化收益率、年化波动率、收益波动比、最大回撤为2017年1月1日至2026年3月31日；3月收益率和2026年收益率截至2026年3月31日）[20][24] 1. **全部金股组合**：3月收益率-8.4%，2026年收益率0.0%，年化收益率13.5%，年化波动率23.4%，收益波动比0.58，最大回撤42.6%[20] 2. **新进金股组合**：3月收益率-8.6%，2026年收益率1.7%，年化收益率16.2%，年化波动率23.9%，收益波动比0.68，最大回撤38.5%[20] 3. **重复金股组合**：3月收益率-8.2%，2026年收益率-1.4%，年化收益率11.2%，年化波动率23.5%，收益波动比0.47，最大回撤45.0%[20] 4. **开源金工优选金股组合**：3月收益率-9.1%，2026年收益率5.0%，年化收益率23.3%，年化波动率25.1%，收益波动比0.93，最大回撤24.6%[24] 基准指数回测效果 （数据区间：年化收益率、年化波动率、收益波动比、最大回撤为2017年1月1日至2026年3月31日；3月收益率和2026年收益率截至2026年3月31日）[20][24] 1. **沪深300指数**：3月收益率-5.5%，2026年收益率-3.9%，年化收益率3.1%，年化波动率20.8%，收益波动比0.15，最大回撤40.6%[20][24] 2. **中证500指数**：3月收益率-12.0%，2026年收益率2.0%，年化收益率2.4%，年化波动率23.9%，收益波动比0.10，最大回撤37.5%[20][24]

量化模型与构建方式 1. **模型名称：触底反弹模型**[7] **模型构建思路：** 通过定量方式刻画市场指数在经历波浪式下跌后，出现明显大幅度上涨的触底反弹信号，该信号对未来短期和中长期收益均具备预测能力[7][18]。 **模型具体构建过程：** 报告未详细说明该模型的具体数学定义和计算步骤，仅描述了其识别逻辑：在一个典型的触底反弹周期中，通常包括一个波浪式下跌趋势（内含数次较大幅度下跌与较小幅度反弹）和一个始于明显大幅度上涨的反弹拉升趋势[7][17]。模型仅使用时点日期之前的数据进行信号判断[7][18]。 量化因子与构建方式 1. **因子名称：行业反弹力度打分**[33] **因子构建思路：** 在大盘指数触发触底反弹信号时，为了更有效地进行行业轮动，不仅考虑信号本身，还叠加考虑各行业指数在信号触发日之前的涨跌情况，以评估各行业的反弹潜力[33]。 **因子具体构建过程：** 报告未提供该打分因子的具体计算公式和构建细节，仅说明其构建目的是为了在大盘反弹信号触发日，对31个申万一级行业进行排序分组[33][34]。 2. **因子名称：个股反弹力度打分**[49] **因子构建思路：** 在已筛选出的优势反弹行业（分组）内，进一步对个股进行排序，以优中选优，构建更具反弹潜力的个股组合[49]。 **因子具体构建过程：** 报告未提供该打分因子的具体计算公式和构建细节，仅说明其用于在行业分组内将个股再次细分为5组[49]。 模型的回测效果 1. **触底反弹模型（应用于中证全指）**， 信号触发后未来20日平均涨跌幅1.09%， 未来60日平均涨跌幅2.89%， 未来120日平均涨跌幅6.08%， 未来240日平均涨跌幅15.88%， 未来20日收益胜率57%， 未来60日收益胜率58%， 未来120日收益胜率56%， 未来240日收益胜率54%[18][22][27] 2. **触底反弹模型（应用于申万一级行业指数）**， 信号触发后各行业未来20日、60日、120日、240日平均涨跌幅及胜率详见报告表1与表2[22][26][27][29] 策略组合的回测效果 **注：** 以下所有策略组合均基于“触底反弹模型”产生的信号，并在信号触发后持有特定资产一段时间，非信号期间持有中证全指。回测期为2006年至2025年。 1. **大盘指数 -> 行业指数策略（持有第5组行业）** * **持有20日-其余中证全指组合**， 累计收益率1605.55%， 年化收益率15.85%， 最大回撤率71.61%， 年化波动率27.25%， 信息比率(IR)0.58， 夏普比率0.49， 收益回撤比0.22[39][40] * **持有60日-其余中证全指组合**， 累计收益率1406.33%， 年化收益率15.11%， 最大回撤率71.30%， 年化波动率28.03%， 信息比率(IR)0.54， 夏普比率0.45， 收益回撤比0.21[40] * **持有120日-其余中证全指组合**， 累计收益率1072.58%， 年化收益率13.62%， 最大回撤率71.30%， 年化波动率28.35%， 信息比率(IR)0.48， 夏普比率0.39， 收益回撤比0.19[40] * **持有240日-其余中证全指组合**， 累计收益率983.38%， 年化收益率13.16%， 最大回撤率71.30%， 年化波动率28.60%， 信息比率(IR)0.46， 夏普比率0.37， 收益回撤比0.18[40] 2. **大盘指数 -> 行业指数 -> 行业个股策略（持有第5组行业的第5组个股）** * **持有20日-其余中证全指组合**， 累计收益率11753.66%， 年化收益率28.11%， 最大回撤率67.51%， 年化波动率31.26%， 信息比率(IR)0.90， 夏普比率0.82， 收益回撤比0.42[57][59] * **持有60日-其余中证全指组合**， 累计收益率8351.80%， 年化收益率25.88%， 最大回撤率69.34%， 年化波动率33.76%， 信息比率(IR)0.77， 夏普比率0.69， 收益回撤比0.37[59] * **持有120日-其余中证全指组合**， 累计收益率6591.60%， 年化收益率24.36%， 最大回撤率69.36%， 年化波动率34.53%， 信息比率(IR)0.71， 夏普比率0.63， 收益回撤比0.35[59] * **持有240日-其余中证全指组合**， 累计收益率5174.51%， 年化收益率22.84%， 最大回撤率69.36%， 年化波动率34.96%， 信息比率(IR)0.65， 夏普比率0.58， 收益回撤比0.33[59] 3. **大盘指数 -> 大盘个股策略（持有第5组个股）** * **持有20日-其余中证全指组合**， 累计收益率7747.76%， 年化收益率25.40%， 最大回撤率67.60%， 年化波动率30.36%， 信息比率(IR)0.84， 夏普比率0.75， 收益回撤比0.38[70][75] * **持有60日-其余中证全指组合**， 累计收益率8979.24%， 年化收益率26.35%， 最大回撤率69.15%， 年化波动率32.19%， 信息比率(IR)0.82， 夏普比率0.74， 收益回撤比0.38[70][75] * **持有120日-其余中证全指组合**， 累计收益率5452.56%， 年化收益率23.17%， 最大回撤率69.15%， 年化波动率32.78%， 信息比率(IR)0.71， 夏普比率0.63， 收益回撤比0.34[75] * **持有240日-其余中证全指组合**， 累计收益率4601.30%， 年化收益率22.11%， 最大回撤率69.15%， 年化波动率33.13%， 信息比率(IR)0.67， 夏普比率0.59， 收益回撤比0.32[75] 4. **基准：中证全指** * **中证全指**， 累计收益率565.01%， 年化收益率10.33%， 最大回撤率71.48%， 年化波动率26.13%， 信息比率(IR)0.40， 夏普比率0.30， 收益回撤比0.14[39][40][59][75]

量化模型与因子总结 量化因子与构建方式 1. **因子名称**：连阴连阳因子[14] * **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，来衡量市场的短期趋势强度和持续性[14]。 * **因子具体构建过程**：对于每个交易日，判断当前指数收盘价相对于前一日收盘价的涨跌。若上涨，则连阳计数加1，连阴计数重置；若下跌，则连阴计数加1（以负数表示），连阳计数重置。计数从1开始，正数表示连阳天数，负数表示连阴天数[14]。 2. **因子名称**：指数与均线比较因子[17][18] * **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，来判断指数的短期、中期和长期趋势状态[17]。 * **因子具体构建过程**：计算指数收盘价相对于不同周期移动平均线的偏离百分比。公式为： $$偏离百分比 = (收盘价 / 移动平均线值 - 1) \times 100\%$$ 报告中使用的移动平均线包括MA5、MA20、MA60、MA120、MA250[18]。同时，也计算指数当前价格相对于近250日最高价和最低价的回撤或上涨幅度[17]。 3. **因子名称**：收益分布形态因子（峰度与偏度）[26][28] * **因子构建思路**：通过计算指数日收益率分布的峰度和偏度，来描述收益分布的集中程度和对称性（偏向正收益或负收益）[26]。 * **因子具体构建过程**： * **峰度**：计算指数日收益率序列的四阶中心矩与二阶中心矩平方的比值，用于衡量分布曲线尖峭或扁平的程度。报告中计算的是超额峰度（减去了正态分布的峰度3）[28]。峰度越大，说明收益率分布更集中[26]。 * **偏度**：计算指数日收益率序列的三阶中心矩与标准差三次方的比值，用于衡量分布的不对称性。正偏态表示极端正收益情形增加[26]。 4. **因子名称**：风险溢价因子[30][33] * **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参考，计算股票指数收益率与其之差，作为投资者承担市场风险所要求的额外回报，用于衡量市场的相对投资价值和风险补偿[30]。 * **因子具体构建过程**：风险溢价通常计算为指数市盈率倒数（E/P）与十年期国债到期收益率之差。报告中的“当前风险溢价”可能基于此逻辑或指数预期收益率计算[33]。同时，计算该风险溢价在近1年、近5年历史数据中的分位值，以判断其当前所处的相对位置[33]。 5. **因子名称**：股债性价比因子[44][46][47] * **因子构建思路**：将股票指数的估值收益率（市盈率TTM的倒数）与无风险收益率（十年期国债即期收益率）进行比较，其差值代表股票相对于债券的潜在超额收益，用于在大类资产间进行比价[44]。 * **因子具体构建过程**：计算公式为： $$股债性价比 = \frac{1}{PE_{TTM}} - 十年期国债即期收益率$$ 其中，$PE_{TTM}$ 为指数滚动市盈率[44]。报告通过计算该指标近5年的分位值（如80%分位为机会值，20%分位为危险值）来判断当前股票资产相对于债券的吸引力[46][47]。 6. **因子名称**：破净率因子[54][56] * **因子构建思路**：计算指数成分股中市净率（PB）小于1的个股数量占总成分股数量的比例，用以衡量市场整体或特定板块的估值低估程度和悲观情绪[54]。 * **因子具体构建过程**：首先，对指数中的每一个成分股，判断其市净率是否小于1。然后，统计满足条件的个股数量，最后计算其占指数总成分股数量的百分比[56]。破净率越高，表明市场估值越低，低估情况越普遍[54]。 因子的回测效果 *报告未提供基于历史数据的统一回测结果（如IC、IR、多空收益等）。报告主要展示了各因子在特定截面日（2026年3月30日）针对不同宽基指数的截面取值和状态描述。* 1. **连阴连阳因子**：在2026年3月30日，上证50、沪深300、中证500、中证1000、中证2000、中证全指均为2日连阳，创业板指为2日连阴[14]。 2. **指数与均线比较因子**：在2026年3月30日，上证50、沪深300、创业板指跌破5日线；上证50跌破60日线6.3%，跌破120日线5.9%；上证50与中证500距离近250日高位回撤均超过10%[17][18]。 3. **收益分布形态因子**： * **峰度**：当前所有指数峰度均低于近5年平均水平（差值为负）。其中，创业板指的峰度负偏离最大（-3.02），中证500的负偏离最小（-1.71）[26][28]。 * **偏度**：当前所有指数偏度均低于近5年平均水平。其中，创业板指的负偏态最大（当前偏度1.53 vs 近5年2.25，差值-0.72），沪深300与中证500的负偏态最小（差值均为-0.49）[26][28]。 4. **风险溢价因子**：在2026年3月30日，中证500（56.83%）和中证1000（56.35%）的风险溢价近5年分位值较高；沪深300（40.87%）和创业板指（33.02%）较低[31][33]。 5. **PE-TTM估值因子**：在2026年3月30日，中证500（95.7%）和中证全指（94.96%）的PE-TTM近5年分位值较高；上证50（76.03%）和创业板指（57.36%）较低[40][43][44]。 6. **股债性价比因子**：在2026年3月30日，没有指数高于其近5年80%分位（机会值），中证500低于其近5年20%分位（危险值）[47]。 7. **股息率因子**：在2026年3月30日，创业板指（53.88%）和沪深300（42.07%）的股息率近5年历史分位值较高；中证500（12.56%）和中证2000（9.09%）较低[51][52]。 8. **破净率因子**：在2026年3月30日，各指数破净率分别为：上证50（24.0%）、沪深300（17.33%）、中证500（10.6%）、中证1000（7.8%）、中证2000（3.2%）、中证全指（6.05%）[56]。

量化模型与因子总结 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**：通过统计上市满一定期限的股票在特定交易日内的涨停表现，计算封板率和连板率，用以衡量市场短线炒作情绪和赚钱效应的持续性[15]。 **模型具体构建过程**： * **封板率**：统计在当日盘中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，除以当日盘中最高价曾达到涨停价的股票总数[15]。 * **连板率**：统计连续两个交易日收盘价均涨停的股票数量，除以前一交易日收盘价涨停的股票总数[15]。 * **公式**： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 2. **模型名称**：大宗交易折价率计算模型 **模型构建思路**：通过比较大宗交易成交价格与二级市场价格的差异，计算折价率，以反映大资金的投资偏好和市场情绪[25]。 **模型具体构建过程**： * 统计每日大宗交易的总成交金额和对应股份的当日总市值[25]。 * 用大宗交易总成交金额除以对应股份的当日总市值，再减去1，得到折价率[25]。 * **公式**： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ 3. **模型名称**：股指期货年化贴水率计算模型 **模型构建思路**：计算股指期货主力合约价格与现货指数价格之间的基差，并将其年化，用以衡量市场对未来走势的预期以及股指对冲的成本[27]。 **模型具体构建过程**： * 计算基差：股指期货价格减去现货指数价格[27]。 * 计算年化贴水率：将基差除以现货指数价格，再乘以（250除以合约剩余交易日数）进行年化处理[27]。 * **公式**： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 量化因子与构建方式 1. **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）或场外净值之间的差异，构建折价或溢价因子，反映投资者对特定板块或指数的情绪[22]。 **因子具体构建过程**： * 筛选日成交额超过100万元的境内交易股票型ETF[22]。 * 计算每只ETF的折溢价率，即（场内交易价格 / 参考净值 - 1）[22]。 * 正值代表溢价，负值代表折价[22]。 2. **因子名称**：机构调研热度因子 **因子构建思路**：统计近一周内对上市公司进行调研的机构数量，构建反映机构关注度的因子[29]。 **因子具体构建过程**： * 统计近7天内对上市公司进行调研或参加分析师会议的机构数量[29]。 * 以调研机构数量作为因子值，数量越多代表机构关注度越高[29]。 3. **因子名称**：龙虎榜机构资金流向因子 **因子构建思路**：根据交易所公布的龙虎榜数据，提取机构专用席位的买卖净额，构建反映机构资金短期流向的因子[35]。 **因子具体构建过程**： * 获取满足涨跌幅偏离值、振幅、换手率等条件的龙虎榜上榜股票数据[32][34]。 * 计算每只上榜股票的机构专用席位净买入（流入）金额[35]。 * 以净流入金额作为因子值，正值表示机构净买入，负值表示机构净卖出[35]。 4. **因子名称**：龙虎榜陆股通资金流向因子 **因子构建思路**：根据交易所公布的龙虎榜数据，提取陆股通席位的买卖净额，构建反映北向资金短期流向的因子[36]。 **因子具体构建过程**： * 获取满足涨跌幅偏离值、振幅、换手率等条件的龙虎榜上榜股票数据[32][34]。 * 计算每只上榜股票的陆股通席位净买入（流入）金额[36]。 * 以净流入金额作为因子值，正值表示北向资金净买入，负值表示北向资金净卖出[36]。 模型的回测效果 1. **封板率与连板率计算模型**，2026年3月31日封板率63%，连板率12%[15]。 2. **大宗交易折价率计算模型**，近半年平均折价率7.06%，2026年3月30日折价率6.16%[25]。 3. **股指期货年化贴水率计算模型**，2026年3月31日，上证50主力合约年化贴水率3.62%，处于近一年36%分位点；沪深300主力合约年化贴水率7.72%，处于近一年32%分位点；中证500主力合约年化贴水率11.69%，处于近一年44%分位点；中证1000主力合约年化贴水率14.61%，处于近一年38%分位点[27]。 因子的回测效果 1. **ETF折溢价因子**，2026年3月30日，溢价较多的ETF是科创综指ETF兴银，溢价1.14%；折价较多的ETF是中证1000增强ETF华泰柏瑞，折价0.43%[22]。 2. **机构调研热度因子**，近一周内，迈瑞医疗被356家机构调研，天顺风能、深南电路等公司也被较多机构调研[29]。 3. **龙虎榜机构资金流向因子**，2026年3月31日，机构专用席位净流入前十的股票包括平潭发展、欧科亿等；净流出前十的股票包括东鹏饮料、美诺华等[35]。 4. **龙虎榜陆股通资金流向因子**，2026年3月31日，陆股通净流入前十的股票包括平潭发展、神剑股份等；净流出前十的股票包括东鹏饮料、特发信息等[36]。