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 * **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流程，构建对标不同基准指数的增强组合，力求稳定战胜基准[11][12] * **模型具体构建过程**： 1. **收益预测**：基于多因子模型对股票未来收益进行预测[12] 2. **风险控制**：在组合优化过程中施加多种约束以控制风险[12] 3. **组合优化**：在满足风险约束的条件下，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 * **模型构建思路**：为了在更贴近实际投资约束的条件下检验单因子的有效性，采用组合优化的方式，在控制行业、风格等暴露的前提下，构建最大化单因子暴露的组合，通过该组合相对于基准的表现来判断因子有效性[15][39] * **模型具体构建过程**： 1. **设定优化目标与约束**：采用如下组合优化模型构建MFE组合[39]： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ * **目标函数**：最大化组合在单因子上的加权暴露 $$f^{T}w$$，其中 $$f$$ 为因子取值向量，$$w$$ 为待求解的股票权重向量[39][40] * **约束条件1**：限制组合相对于基准指数的风格暴露，$$X$$ 为风格因子暴露矩阵，$$w_b$$ 为基准权重，$$s_l, s_h$$ 为风格暴露偏离上下限[40] * **约束条件2**：限制组合相对于基准指数的行业偏离，$$H$$ 为行业暴露矩阵，$$h_l, h_h$$ 为行业偏离上下限[40] * **约束条件3**：限制个股相对于基准权重的偏离，$$w_l, w_h$$ 为个股偏离上下限[40] * **约束条件4**：限制组合在基准成分股内的权重占比，$$B_b$$ 为成分股标识向量，$$b_l, b_h$$ 为占比上下限[40] * **约束条件5**：限制卖空及个股权重上限，$$\mathbf{0}\leq w\leq l$$[40] * **约束条件6**：组合满仓运作，$$\mathbf{1}^{T}w=1$$[40] 2. **参数设置示例**：对于沪深300、中证500指数，控制MFE组合在中信一级行业和市值因子上的相对暴露为0，个股相对于成分股最大偏离权重1%，成分股内权重占比100%[43] 3. **组合构建与换仓**：在每个月末，根据上述约束构建每个单因子的MFE组合，并在回测期内定期换仓，计算扣除交易费用后的收益[43] 3. 模型名称：公募重仓指数 * **模型构建思路**：为了测试因子在公募基金持仓风格下的有效性，通过汇总公募基金持股信息，构建一个代表公募基金整体持仓风格的指数，作为因子测试的样本空间[41] * **模型具体构建过程**： 1. **确定样本基金**：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，若基金转型则使用转型后半年以上的数据[42] 2. **获取持仓数据**：通过基金定期报告获取持股信息。若最新报告为半年报或年报，则使用全部持仓；若为季报，则结合前期的半年报或年报信息构建持仓数据[42] 3. **计算平均持仓**：将所有符合条件的基金持仓股票权重进行平均，得到公募基金平均持仓信息[42] 4. **筛选成分股**：将平均后的股票权重降序排序，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[42] 量化因子与构建方式 报告从估值、反转、成长、盈利、流动性、公司治理、分析师等维度构造了30余个常见因子[16][17]。 1. 估值类因子 * **因子名称**：BP * **因子构建思路**：衡量市净率的倒数，代表估值水平[17] * **因子具体构建过程**：净资产 / 总市值[17] * **因子名称**：单季EP * **因子构建思路**：衡量单季度盈利与市值的比率[17] * **因子具体构建过程**：单季度归母净利润 / 总市值[17] * **因子名称**：单季SP * **因子构建思路**：衡量单季度营收与市值的比率[17] * **因子具体构建过程**：单季度营业收入 / 总市值[17] * **因子名称**：EPTTM * **因子构建思路**：衡量滚动盈利与市值的比率[17] * **因子具体构建过程**：归母净利润TTM / 总市值[17] * **因子名称**：SPTTM * **因子构建思路**：衡量滚动营收与市值的比率[17] * **因子具体构建过程**：营业收入TTM / 总市值[17] * **因子名称**：EPTTM分位点 * **因子构建思路**：衡量当前EPTTM在历史区间中的相对位置[17] * **因子具体构建过程**：EPTTM在过去一年中的分位点[17] * **因子名称**：股息率 * **因子构建思路**：衡量现金分红回报率[17] * **因子具体构建过程**：最近四个季度预案分红金额 / 总市值[17] 2. 反转与动量类因子 * **因子名称**：一个月反转 * **因子构建思路**：捕捉短期价格反转效应[17] * **因子具体构建过程**：过去20个交易日涨跌幅[17] * **因子名称**：三个月反转 * **因子构建思路**：捕捉中期价格反转效应[17] * **因子具体构建过程**：过去60个交易日涨跌幅[17] * **因子名称**：一年动量 * **因子构建思路**：捕捉长期价格动量效应[17] * **因子具体构建过程**：近一年除近一月后动量[17] 3. 成长类因子 * **因子名称**：单季净利同比增速 * **因子构建思路**：衡量单季度净利润的同比增长情况[17] * **因子具体构建过程**：单季度净利润同比增长率[17] * **因子名称**：单季营收同比增速 * **因子构建思路**：衡量单季度营业收入的同比增长情况[17] * **因子具体构建过程**：单季度营业收入同比增长率[17] * **因子名称**：单季营利同比增速 * **因子构建思路**：衡量单季度营业利润的同比增长情况[17] * **因子具体构建过程**：单季度营业利润同比增长率[17] * **因子名称**：SUE * **因子构建思路**：衡量盈利超预期程度，并进行标准化处理[17] * **因子具体构建过程**：(单季度实际净利润 - 预期净利润) / 预期净利润标准差[17] * **因子名称**：SUR * **因子构建思路**：衡量营收超预期程度，并进行标准化处理[17] * **因子具体构建过程**：(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] * **因子名称**：单季超预期幅度 * **因子构建思路**：直接衡量盈利超预期的幅度[17] * **因子具体构建过程**：预期单季度净利润 / 财报单季度净利润[17] 4. 盈利类因子 * **因子名称**：单季ROE * **因子构建思路**：衡量单季度净资产收益率[17] * **因子具体构建过程**：单季度归母净利润 * 2 / (期初归母净资产 + 期末归母净资产)[17] * **因子名称**：单季ROA * **因子构建思路**：衡量单季度总资产收益率[17] * **因子具体构建过程**：单季度归母净利润 * 2 / (期初归母总资产 + 期末归母总资产)[17] * **因子名称**：DELTAROE * **因子构建思路**：衡量净资产收益率的同比变化[17] * **因子具体构建过程**：单季度净资产收益率 - 去年同期单季度净资产收益率[17] * **因子名称**：DELTAROA * **因子构建思路**：衡量总资产收益率的同比变化[17] * **因子具体构建过程**：单季度总资产收益率 - 去年同期单季度总资产收益率[17] 5. 流动性与波动类因子 * **因子名称**：非流动性冲击 * **因子构建思路**：衡量单位成交金额引起的价格冲击，反映流动性成本[17] * **因子具体构建过程**：过去20个交易日的日涨跌幅绝对值 / 成交额的均值[17] * **因子名称**：一个月换手 * **因子构建思路**：衡量短期交易活跃度[17] * **因子具体构建过程**：过去20个交易日换手率均值[17] * **因子名称**：三个月换手 * **因子构建思路**：衡量中期交易活跃度[17] * **因子具体构建过程**：过去60个交易日换手率均值[17] * **因子名称**：特异度 * **因子构建思路**：衡量个股收益中不能被常见风险因子解释的部分，即特质波动[17] * **因子具体构建过程**：1 - 过去20个交易日Fama-French三因子回归的拟合度[17] * **因子名称**：一个月波动 * **因子构建思路**：衡量短期价格波动率[17] * **因子具体构建过程**：过去20个交易日日内真实波幅均值[17] * **因子名称**：三个月波动 * **因子构建思路**：衡量中期价格波动率[17] * **因子具体构建过程**：过去60个交易日日内真实波幅均值[17] 6. 公司治理类因子 * **因子名称**：高管薪酬 * **因子构建思路**：衡量公司对高管的激励水平[17] * **因子具体构建过程**：前三高管报酬总额取对数[17] 7. 分析师类因子 * **因子名称**：预期EPTTM * **因子构建思路**：基于分析师一致预期的滚动盈利市值比[17] * **因子具体构建过程**：一致预期滚动EP[17] * **因子名称**：预期BP * **因子构建思路**：基于分析师一致预期的滚动市净率倒数[17] * **因子具体构建过程**：一致预期滚动PB[17] * **因子名称**：预期PEG * **因子构建思路**：结合增长与估值的综合指标[17] * **因子具体构建过程**：一致预期PEG[17] * **因子名称**：预期净利润环比 * **因子构建思路**：衡量分析师对未来盈利预期的调整方向[17] * **因子具体构建过程**：一致预期净利润 / 3个月前一致预期净利润[17] * **因子名称**：三个月盈利上下调 * **因子构建思路**：衡量过去一段时间内分析师盈利预测上调与下调的净家数占比[17] * **因子具体构建过程**：过去3个月内分析师(上调家数 - 下调家数) / 总家数[17] * **因子名称**：三个月机构覆盖 * **因子构建思路**：衡量近期受到机构关注的程度[17] * **因子具体构建过程**：过去3个月内机构覆盖数量[17] 模型的回测效果 1. 国信金工指数增强组合模型 * **沪深300指数增强组合**：本周超额收益1.60%，本年超额收益2.09%[5][14] * **中证500指数增强组合**：本周超额收益0.23%，本年超额收益-1.59%[5][14] * **中证1000指数增强组合**：本周超额收益1.77%，本年超额收益-0.36%[5][14] * **中证A500指数增强组合**：本周超额收益0.97%，本年超额收益1.63%[5][14] 因子的回测效果 （以下因子表现数据均基于单因子MFE组合在对应样本空间中的测试结果，指标包括最近一周、最近一月、今年以来及历史年化超额收益[18][20][22][24][26]） 1. 在沪深300样本空间中表现突出的因子（最近一周） * **标准化预期外盈利**：最近一周超额收益1.00%，最近一月2.34%，今年以来1.00%，历史年化4.34%[18] * **单季超预期幅度**：最近一周超额收益0.87%，最近一月1.88%，今年以来0.84%，历史年化4.11%[18] * **DELTAROE**：最近一周超额收益0.83%，最近一月2.93%，今年以来1.37%，历史年化4.78%[18] 2. 在中证500样本空间中表现突出的因子（最近一周） * **单季营收同比增速**：最近一周表现较好[1][21] * **特异度**：最近一周表现较好[1][21] * **预期净利润环比**：最近一周表现较好[1][21] 3. 在中证1000样本空间中表现突出的因子（最近一周） * **非流动性冲击**：最近一周超额收益1.34%，最近一月0.18%，今年以来1.13%，历史年化2.42%[23] * **一个月换手**：最近一周超额收益1.28%，最近一月-3.10%，今年以来-0.83%，历史年化6.19%[23] * **三个月换手**：最近一周超额收益1.20%，最近一月-3.28%，今年以来-1.07%，历史年化6.25%[23] 4. 在中证A500样本空间中表现突出的因子（最近一周） * **3个月盈利上下调**：最近一周超额收益0.99%，最近一月1.36%，今年以来0.60%，历史年化4.93%[25] * **标准化预期外收入**：最近一周超额收益0.89%，最近一月1.03%，今年以来0.84%，历史年化4.55%[25] * **特异度**：最近一周超额收益0.77%，最近一月1.29%，今年以来0.59%，历史年化1.35%[25] 5. 在公募重仓指数样本空间中表现突出的因子（最近一周） * **一年动量**：最近一周表现较好[1][27] * **DELTAROA**：最近一周表现较好[1][27] * **3个月盈利上下调**：最近一周表现较好[1][27]

量化模型与构建方式 1. 量价指纹生成模型 * **模型名称**：量价指纹生成模型[1][8] * **模型构建思路**：借鉴大语言模型的语义理解思想，将市场分钟级交易数据视为一种特殊“语言”，通过自监督学习框架，迫使模型理解日内量价行为中蕴含的动态语义与因果结构，最终生成一个低维、高信息密度的日度语义表征向量（即“量价指纹”）[1][8][9]。 * **模型具体构建过程**： 1. **输入数据**：每只股票每日的分钟级特征序列 $X \in \mathbb{R}^{T \times D}$，其中 $T=237$（交易分钟数），$D=32$（特征维度，包括4维价格特征和28维交易特征）[16]。 2. **特征预处理**： * **价格特征标准化**：除价格位置外，其余价格特征用当日开盘价进行标准化。$$ \tilde{p}_{t,d} = \frac{p_{t,d}}{p_{\mathrm{open}}} - 1 $$[16] * **交易特征标准化**：将每分钟特征值除以该特征过去20日所有分钟数值之和的均值。$$ {\tilde{f}}_{t,d} = {\frac{f_{t,d}}{S_{d}}}, \quad S_{d} = {\frac{1}{N_{\mathrm{hist}}}} \sum_{i=1}^{N_{\mathrm{hist}}} \sum_{t=1}^{T} f_{t,d}^{(i)} $$[17] 3. **模型架构**：采用编码器-双分支解码器架构的因果Transformer模型[26]。 * **固定正交投影层**：将输入 $X$ 投影到隐藏维度 $d_{\mathrm{model}}=128$，投影权重 $W_p$ 正交初始化并永久冻结。$$ H^{(0)} = X W_{p}, \quad W_{p}^{T}W_{p}=I $$[27][28] * **因果Transformer编码器**：共4层（$L=4$），每层包含带因果掩码的多头自注意力机制和前馈网络[30][33]。 * 多头注意力（$h=4$头）：$$ \mathrm{MultiHead}(Q,K,V) = \mathrm{Concat}(\mathrm{head}_{1}, \mathrm{head}_{2}, \ldots, \mathrm{head}_{h}) W_{O} $$ $$ \mathrm{head}_{i} = \mathrm{softmax}\left( \frac{Q_{i}K_{i}^{T}}{\sqrt{d_{k}}} + M \right) V_{i} $$ 其中因果掩码矩阵 $M$ 确保只能关注过去信息[30][31]。 * 前馈网络：$$ \mathrm{FFN}(x) = \mathrm{GELU}(xW_1 + b_1)W_2 + b_2 $$[33] * **双分支输出**： * **日度指纹生成分支**：提取编码器最后一层最后一个时间步的输出作为128维日度指纹向量 $e$。$$ e = H_{:,T}^{(L)} \in \mathbb{R}^{B \times d_{\mathrm{model}}} $$[35] * **序列重建分支**：对编码器输出进行层归一化后，通过线性层重建原始输入序列 $\widehat{X}$[37]。 4. **损失函数设计**：采用双任务自监督学习损失与防坍缩正则项相结合的总损失函数[42][47]。 * **前向损失（价格特征因果预测）**：$$ {\mathcal{L}}_{\mathrm{forward}} = {\frac{1}{N_{forward}}} \sum_{b=1}^{B} \sum_{t=1}^{T} \sum_{k=1}^{D_{r}} M_{f}[b,t,k] \cdot {\frac{(r_{b,t,k} - {\hat{r}}_{b,t,k})^{2}}{\sigma_{k}^{2}}} $$[42] * **后向损失（交易特征重建）**：$$ {\mathcal{L}}_{\mathrm{backward}} = {\frac{1}{N_{backward}}} \sum_{b=1}^{B} \sum_{t=1}^{T} \sum_{k=1}^{D_{f}} M_{b}[b,t,k] \cdot {\frac{(x_{b,t,k} - {\hat{x}}_{b,t,k})^{2}}{\sigma_{k}^{2}}} $$[42] * **防坍缩正则化**： * **多样性损失**：鼓励嵌入向量在特征空间中分散。$$ {\mathcal{L}}_{\mathrm{diversity}} = \lambda_{d} \cdot \mathbb{I}(\sigma_{e} < 0.1) \cdot (-\mathrm{log}(\sigma_{e} + \epsilon)) $$[44] * **正交性约束**：防止特征维度间冗余。$$ \mathcal{L}_{\mathrm{orthogonality}} = \lambda_{o} \cdot \parallel C - I \parallel_{F} $$[45] * **均匀性损失**：避免嵌入向量过度相似。$$ \mathcal{L}_{\mathrm{uniformity}} = \lambda_{u} \cdot \mathbb{I}(\bar{s} > \tau) \cdot \bar{s} $$[46] * **总损失**：$$ {\mathcal{L}}_{\mathrm{total}} = \lambda_{f}{\mathcal{L}}_{\mathrm{forward}} + \lambda_{b}{\mathcal{L}}_{\mathrm{backward}} + {\mathcal{L}}_{\mathrm{diversity}} + {\mathcal{L}}_{\mathrm{orthogonality}} + {\mathcal{L}}_{\mathrm{uniformity}} $$[47] 5. **训练细节**：采用滚动训练框架，每年年初使用过去三年的数据对模型进行微调，以维持嵌入空间的连续性[48]。具体参数如batch_size=512，学习率1e-4，使用Adam优化器等[49]。 2. 单流GRU预测模型 (模型1与模型2) * **模型名称**：单流GRU预测模型[51] * **模型构建思路**：使用过去20个交易日的日频特征（基础价量特征+量价因子或量价指纹），通过双层GRU网络捕捉时序依赖，预测股票未来5日的收益率，以生成选股因子[51][52]。 * **模型具体构建过程**： 1. **输入特征**： * **模型1（量价因子）**：过去20个交易日的每日高开低收、成交量、成交额（共6个基础特征）以及137个量价因子[51][52]。 * **模型2（量价指纹）**：过去20个交易日的每日高开低收、成交量、成交额（共6个基础特征）以及128维量价指纹[52]。 2. **特征预处理**： * **价格类特征**：采用对数变化率的时序标准化（样本内每个价格除以最新价格取对数）[52]。 * **成交量/额**：每日值除以20日均值[52]。 * **量价因子**：进行时序标准化、MAD去极值、截面zscore标准化[52]。 * **量价指纹**：作为预训练生成的语义表征，无需标准化[52]。 3. **模型结构**：双层GRU + 全连接层 + LayerNorm + ReLU激活 + dropout + 全连接输出层[53]。 4. **训练细节**：使用可微分RankIC作为损失函数，每年年初使用过去数据训练，并行训练3个不同随机种子的模型并集成预测，以提升稳健性[53]。 3. 双流GRU融合预测模型 (模型3) * **模型名称**：双流GRU融合预测模型[67] * **模型构建思路**：为了融合量价因子和量价指纹两类异构特征，采用双流GRU设计，让两个GRU流分别处理各自擅长的特征，最后将两个流的隐藏状态进行加权融合，再通过全连接层预测收益率，以充分利用信息的互补性[67]。 * **模型具体构建过程**： 1. **输入特征**：两个独立的数据流，一流输入基础特征+量价因子，另一流输入基础特征+量价指纹[67]。 2. **模型结构**：两个独立的单流GRU模块（结构与上述单流GRU相同）并行处理两个特征流，将两个GRU的最终隐藏状态通过可配置的权重进行融合，然后将融合后的特征输入全连接预测层[67][69]。 3. **训练与集成**：训练策略与单流GRU模型一致，每年训练3个集成模型[68]。 量化因子与构建方式 1. 模型1因子 * **因子名称**：基于量价因子的GRU预测因子[51] * **因子构建思路**：将预处理后的历史量价因子序列输入单流GRU预测模型，模型输出的预测值即为该因子[51][52]。 * **因子具体构建过程**：如上述“单流GRU预测模型 (模型1)”所述，模型每日根据过去20日数据生成的预测信号即为因子值[52]。 2. 模型2因子 * **因子名称**：基于量价指纹的GRU预测因子[52] * **因子构建思路**：将历史量价指纹序列输入单流GRU预测模型，模型输出的预测值即为该因子[52]。 * **因子具体构建过程**：如上述“单流GRU预测模型 (模型2)”所述，模型每日根据过去20日数据生成的预测信号即为因子值[52]。 * **因子评价**：该因子与市值风格因子的相关性极低，表明其捕捉的市场语义信息与传统市值维度存在差异，可能更多与日内资金节奏、多空博弈等动态特征相关[54][55]。 3. 模型3因子 (融合因子) * **因子名称**：量价因子与量价指纹融合预测因子[67] * **因子构建思路**：将量价因子和量价指纹分别输入双流GRU融合模型，模型融合两类信息后输出的预测值即为该因子[67]。 * **因子具体构建过程**：如上述“双流GRU融合预测模型 (模型3)”所述，模型每日生成的预测信号即为因子值[67]。 * **因子评价**：融合因子结合了量价因子的显式统计规律与量价指纹的隐式语义模式，提升了预测能力和模型稳定性[68][86]。 模型的回测效果 （回测期：2017/01/01-2025/12/31，全市场A股，周度换仓，暂不考虑交易费用）[59][68] | 模型 | 周度RankIC均值 | 年化RankICIR | 多空对冲年化收益 | 多空对冲年化波动率 | 多空对冲IR | 多空对冲周度胜率 | 多空对冲最大回撤率 | 多头超额年化收益 | 多头超额年化波动率 | 多头超额IR | 多头超额周度胜率 | 多头超额最大回撤率 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | **模型1 (量价因子)** | 0.106[65] | 6.64[65] | 81.23%[65] | 15.25%[65] | 5.33[65] | 74.95%[65] | 12.66%[65] | 19.00%[65] | 8.46%[65] | 2.24[65] | 65.01%[65] | 15.09%[65] | | **模型2 (量价指纹)** | 0.106[65] | 6.62[65] | 83.88%[65] | 15.50%[65] | 5.41[65] | 73.87%[65] | 11.65%[65] | 21.35%[65] | 7.45%[65] | 2.87[65] | 69.76%[65] | 12.09%[65] | | **模型3 (融合因子)** | 0.109[68] | 6.85[68] | 90.89%[68] | 15.27%[68] | 5.95[68] | 76.46%[68] | 11.54%[68] | 28.09%[74] | 不适用 | 不适用 | 不适用 | 不适用 | 因子的回测效果 （回测期：2017/01/01-2025/12/31，全市场A股，周度换仓，暂不考虑交易费用）[59][68] | 因子 | 周度RankIC均值 | 年化RankICIR | 多空对冲年化收益 | 多空对冲年化波动率 | 多空对冲IR | 多空对冲周度胜率 | 多空对冲最大回撤率 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | **模型3融合因子** | 0.109[68] | 6.85[68] | 90.89%[68] | 15.27%[68] | 5.95[68] | 76.46%[68] | 11.54%[68] | 指数增强组合表现 （基于模型3融合因子构建，回测期：2017/01/01-2025/12/31）[75][78][82] | 指数增强组合 | 超额年化收益 | 跟踪误差 | IR | 月度胜率 | 最大回撤 | | :--- | :--- | :--- | :--- | :--- | :--- | | **沪深300指数增强** | 7.12%[75] | 1.74%[75] | 4.10[75] | 86.11%[75] | 1.85%[75] | | **中证500指数增强** | 11.38%[78] | 3.47%[78] | 3.28[78] | 83.33%[78] | 4.76%[78] | | **中证1000指数增强** | 14.84%[82] | 3.45%[82] | 4.30[82] | 83.33%[82] | 2.95%[82] |

量化模型与构建方式 1. **模型名称：调研股等权指数模型** * **模型构建思路**：利用基金经理的上市公司调研行为作为信息源，认为调研活动蕴含了超越财报的深度认知与前瞻性判断，可以挖掘超额收益[5]。通过构建由被调研股票组成的等权投资组合，来模拟和追踪这一策略的收益表现[13]。 * **模型具体构建过程**： 1. **数据获取**：收集近半年（报告期为2025年7月1日至2025年12月31日）三类主动权益型基金经理的上市公司调研记录[4]。 2. **成分股确定**：将在此期间被调研过的所有公司（共555家）作为备选股票池[5]。 3. **纳入时点**：以个股在近半年内首次出现在调研名单的当日，作为该股票被纳入指数成分的时点[13]。 4. **权重设置**：采用等权重方式构建投资组合，即每只成分股在指数中的初始权重相等[13]。 5. **指数计算**：从纳入时点开始，计算该等权投资组合的净值走势，形成“调研股-全样本指数”[13]。 2. **模型名称：分风格调研股等权指数模型** * **模型构建思路**：在整体调研股模型的基础上，进一步根据基金经理的投资风格（成长、均衡、价值）进行分类，构建不同风格的调研股指数，以观察和分析不同风格基金经理调研行为的alpha差异[6]。 * **模型具体构建过程**： 1. **风格划分**：根据各基金经理代表性产品在25Q3季报的重仓持股情况，计算其风格得分。具体标准为：a) 以国证1000成分股在国证成长、价值指数中的权重孰高赋予“成长”或“价值”风格（相等则为“均衡”）；b) 将国证1000行业权重拆分为三类风格权重；c) 为“成长”、“均衡”、“价值”风格分别赋予100、0、-100的权重，计算各行业风格分；d) 用各基金产品25Q3重仓股的行业配比加权行业风格分，得到产品风格分；e) 风格分≥20为成长型，-20<风格分<20为均衡型，风格分≤-20为价值型[17]。 2. **分类构建**：分别针对成长型、均衡型、价值型基金经理，重复上述“调研股等权指数模型”的构建步骤（获取其调研记录、确定成分股、按首次调研日纳入、等权构建），形成“调研股-成长指数”、“调研股-均衡指数”、“调研股-价值指数”[27][34]。 3. **衍生模型**：报告还根据基金经理代表性产品的持仓，进一步按市值（大盘、中盘、小盘）和行业大类（TMT、制造、消费、周期、金融地产）进行了分类，并构建了相应的调研股指数，例如“调研股-金融地产指数”[5]。构建逻辑与分风格模型一致。 3. **模型名称：代表性基金净值等权指数模型** * **模型构建思路**：作为调研股策略的业绩基准，构建一个由进行过调研的基金经理所管理的代表性产品组成的等权组合，用以对比调研选股策略与基金经理实际管理产品业绩的差异[13]。 * **模型具体构建过程**： 1. **基金选取**：对于近半年进行过调研的每一位基金经理，选取其管理的规模最大的基金产品作为代表性基金[15]。 2. **纳入时点**：以基金经理在近半年内首次进行调研的当日，作为其代表性基金被纳入指数成分的时点[13]。 3. **权重设置与计算**：采用等权重方式，计算该基金组合的复权单位净值增长率，形成“代表性基金净值(等权)指数”[13]。 模型的回测效果 （注：所有测试结果的时间范围均为近半年，即2025年7月1日至2025年12月31日[4]，基准上证指数同期收益率为15.2%[13]） 1. **调研股-全样本(等权)模型**，累计收益率21.0%[13]，相较上证指数超额收益5.8%[4]，相较代表性基金超额收益-3.8%[4]。 2. **调研股-成长(等权)模型**，累计收益率20.5%[27]，相较上证指数超额收益5.3%[4]，相较代表性基金超额收益-8.7%[4]。 3. **调研股-均衡(等权)模型**，累计收益率25.7%[34]，相较上证指数超额收益10.5%[4]，相较代表性基金超额收益5.9%[4]。 4. **调研股-价值(等权)模型**，累计收益率18.3%[4]，相较上证指数超额收益3.0%[4]，相较代表性基金超额收益9.5%[4]。 5. **调研股-金融地产(等权)模型**，累计收益率33.2%[5]，相较上证指数超额收益18.0%[4]，相较代表性基金超额收益25.5%[4]。 6. **代表性基金净值(等权)模型**，累计收益率24.8%[13]。 量化因子与构建方式 1. **因子名称：调研事件因子** * **因子构建思路**：将“基金经理是否对某上市公司进行调研”这一事件本身作为一个信号因子。该因子捕捉了机构投资者关注度提升所可能带来的信息优势或市场关注度溢价[5]。 * **因子具体构建过程**： 1. **事件定义**：在时间点t，如果某上市公司在回溯期（如近一周、近一月、近三月、近半年）内被至少一位主动权益型基金经理调研过，则将该股票标记为事件发生[9][11]。 2. **因子取值**：通常构建为二值变量（0/1），1表示在观察期内有调研事件发生。也可根据调研次数、参与调研的基金经理人数或类型进行加权，形成多值因子[10]。 * **因子评价**：该因子逻辑直观，数据相对公开易得，能够反映机构投资者的实地调研行为及其背后的信息挖掘努力[5]。 因子的回测效果 （注：报告未提供基于该因子的分层回测、IC、IR等量化指标结果，仅展示了基于该因子构建的等权组合（即调研股指数）的整体收益表现[13][27][34]。）

量化模型与因子总结 量化因子与构建方式 1. **因子名称：250日新高距离**[11] * **因子构建思路**：该因子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，是趋势跟踪和动量策略的核心指标。其理论基础在于，研究表明股价接近其52周（约250日）最高价时，未来收益往往更高[11]。 * **因子具体构建过程**：对于每个标的（个股、指数或行业指数），计算其最新收盘价与过去250个交易日最高收盘价的相对距离。具体公式如下： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，$Closet$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]。当最新收盘价创出新高时，该因子值为0；当价格从高点回落时，该因子为正值，值越大表示回落幅度越大[11]。 2. **模型/策略名称：平稳创新高股票筛选模型**[23][26] * **模型构建思路**：该模型旨在从近期创出新高的股票中，进一步筛选出具有更强动量持续性的“平稳创新高”股票。其思路结合了分析师关注度、股价相对强度、以及动量在时间序列上的平滑性（而非跳跃性），后者相关研究指出平滑的动量效应可能更强大[23]。 * **模型具体构建过程**：该模型是一个多步骤的筛选流程，具体步骤如下： 1. **初选股票池**：首先筛选出上市满15个月，且在过去20个交易日内创出过250日新高的股票[19]。 2. **施加筛选条件**：在初选股票池上，依次应用以下条件进行筛选[26]： * **分析师关注度**：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]。 * **股价相对强弱**：过去250日涨跌幅位于全市场前20%[26]。 * **股价平稳性**：在满足以上条件的股票中，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（股价位移路程比）**：该指标用于衡量股价上涨路径的平稳程度，计算公式为过去120日涨跌幅的绝对值与过去120日日涨跌幅绝对值加总之比[23]。比值越高，表明价格路径越平滑（位移大而路程短）。 * **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[26]。该值越小，表明在观察期内股价持续接近高点。 3. **最终排序与选取**：对经过上述步骤筛选出的股票，计算其**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，并选取该指标排序最靠前的50只股票作为最终的“平稳创新高股票”[26]。 模型/因子的回测效果 *注：本报告为市场状态跟踪周报，未提供长期历史回测的量化指标（如年化收益率、夏普比率、信息比率IR等）。报告主要展示了特定时点（2026年1月16日）基于上述因子和模型的截面分析结果。* 1. **250日新高距离因子**，在**2026年1月16日**的截面取值示例如下[12][13][15]： * **主要宽基指数**：上证指数(1.52%)、深证成指(0.60%)、沪深300(1.23%)、中证500(0.20%)、中证1000(1.49%)、中证2000(1.77%)、创业板指(0.81%)、科创50(1.63%)[12]。 * **中信一级行业指数**：电子(0.00%)、有色金属(1.06%)、基础化工(0.25%)、机械(0.52%)、家电(0.69%)距离新高较近；食品饮料、银行、农林牧渔、房地产、医药行业距离新高较远[13]。 * **概念指数**：新能源汽车、矿山智能、光伏、充电桩、汽车配件精选、半导体、芯片等概念指数距离250日新高较近[15]。 2. **平稳创新高股票筛选模型**，在**截至2026年1月16日当周**的输出结果如下[19][20][27]： * **初选股票池规模**：全市场共有1204只股票在过去20个交易日创出250日新高[19]。 * **行业分布**：创新高个股数量最多的行业是机械(166只)、电子(128只)、基础化工(117只)；创新高个股数量占比最高的行业是国防军工(61.48%)、有色金属(52.85%)、石油石化(36.00%)[19]。 * **板块分布**：制造(388只)、科技(372只)板块创新高股票数量最多[20]。 * **指数分布**：中证500、创业板指中创新高个股数量占成份股比例较高，分别为31.60%和31.00%[20]。 * **最终筛选结果**：模型筛选出50只平稳创新高股票，例如亚翔集成、源杰科技、中际旭创等[27]。这些股票主要分布在周期(21只)和科技(19只)板块，其中有色金属和电子行业入选数量最多[27]。

量化模型与构建方式 1. 上下行收益差择时模型 * **模型名称**：上下行收益差多头策略[9] * **模型构建思路**：基于指数日内的价格行为（最高价、最低价、开盘价、收盘价）构建“上下行收益差”指标，通过计算该指标的移动平均（EMA）来判断市场趋势，进行择时交易[9]。 * **模型具体构建过程**： 1. 计算向上收益：$$向上收益 = \frac{当日最高价 - 当日开盘价}{当日收盘价}$$[9] 2. 计算向下收益：$$向下收益 = \frac{当日开盘价 - 当日最低价}{当日收盘价}$$[9] 3. 计算上下行收益差：$$上下行收益差 = 向上收益 - 向下收益$$[9] 4. 计算上下行收益差的N日指数移动平均值（EMA），例如N=60[9][14]。 5. 交易信号：当上下行收益差的60日EMA值大于0时，做多指数；当该值小于等于0时，平仓多头头寸[14]。 2. 上下行收益差多空策略 * **模型名称**：上下行收益差多空策略[14] * **模型构建思路**：在上下行收益差择时模型的基础上，将信号从“做多/平仓”扩展为“做多/做空”，构建多空策略以在下跌行情中也能获利[14]。 * **模型具体构建过程**： 1. 构建上下行收益差指标，并计算其60日EMA值，过程同上[9][14]。 2. 交易信号：如果上下行收益差指标的60日EMA值大于0，则做多指数；如果该值小于0，则做空指数[14]。 3. 成交额上下行收益差择时模型 * **模型名称**：成交额上下行收益差多头策略[21] * **模型构建思路**：将上下行收益差与成交额结合，构建“成交额上下行收益差”指标，旨在捕捉价量配合的行情[21]。 * **模型具体构建过程**： 1. 构建上下行收益差指标，过程同上[9]。 2. 计算成交额上下行收益差：$$成交额上下行收益差 = 上下行收益差 × 成交额$$[21] 3. 计算成交额上下行收益差的60日EMA值[21]。 4. 交易信号：当成交额上下行收益差指标的60日EMA值大于0时，做多指数；否则平仓多头头寸[21]。 4. 成交额上下行收益差多空策略 * **模型名称**：成交额上下行收益差多空策略[24] * **模型构建思路**：将成交额上下行收益差择时模型扩展为多空策略[24]。 * **模型具体构建过程**： 1. 构建成交额上下行收益差指标，并计算其60日EMA值，过程同上[21][24]。 2. 交易信号：当成交额上下行收益差指标的60日EMA值大于0时，做多指数；否则做空指数[24]。 5. 叠加信号成交额上下行收益差模型 * **模型名称**：叠加信号成交额上下行收益差多头策略[21] * **模型构建思路**：结合恒生指数（HSI）和恒生国企指数（HSCEI）两个相关指数的价量信号，当任一指数发出看多信号时即做多，以提高信号的覆盖率和稳定性[21]。 * **模型具体构建过程**： 1. 分别计算恒生指数和恒生国企指数的成交额上下行收益差指标及其60日EMA值[21]。 2. 交易信号：当恒生指数的成交额上下行收益差指标60日EMA值大于0，**或**恒生国企指数的成交额上下行收益差指标60日EMA值大于0时，做多指数；否则平仓多头头寸[21]。 6. 叠加信号成交额上下行收益差多空策略 * **模型名称**：叠加信号成交额上下行收益差多空策略[24] * **模型构建思路**：将叠加信号成交额上下行收益差模型扩展为多空策略[24]。 * **模型具体构建过程**： 1. 分别计算恒生指数和恒生国企指数的成交额上下行收益差指标及其60日EMA值[24]。 2. 交易信号：当恒生指数的成交额上下行收益差指标60日EMA值大于0，**或**恒生国企指数的成交额上下行收益差指标60日EMA值大于0时，做多指数；否则做空指数[24]。 7. 上下行收益差相似模型 * **模型名称**：上下行收益差相似多头策略[33] * **模型构建思路**：寻找与目标指数（恒生指数或恒生国企指数）高度相关的“相似指数”（如上证50指数），结合目标指数自身和相似指数的上下行收益差信号进行择时，以弥补单一指数信号的局限性[31][33]。 * **模型具体构建过程**： 1. 分别计算目标指数（如恒生指数）和相似指数（如上证50指数）的上下行收益差指标及其60日EMA值[33]。 2. 交易信号：当目标指数上下行收益差的60日EMA值看多，**或**相似指数上下行收益差的60日EMA值看多时，则做多目标指数[33]。 8. 上下行收益差相似多空策略 * **模型名称**：上下行收益差相似多空策略[33] * **模型构建思路**：将上下行收益差相似模型扩展为多空策略[33]。 * **模型具体构建过程**： 1. 分别计算目标指数（如恒生指数）和相似指数（如上证50指数）的上下行收益差指标及其60日EMA值[33]。 2. 交易信号：当目标指数上下行收益差的60日EMA值看多，**或**相似指数上下行收益差的60日EMA值看多时，则做多目标指数；否则做空目标指数[33]。 模型的回测效果 （注：以下所有回测时间均为2005-01-04至2025-12-19（A股）或2004-01-02至2025-12-19（港股），回测成本为单边万3、双边万6[14][21][34]） 1. 上下行收益差多头策略（A股指数）[12] * **上证综指**：年化收益11.57%，最大回撤35.84%，夏普比率0.592，胜率34.20%，盈亏比4.18[12] * **上证50**：年化收益16.28%，最大回撤23.64%，夏普比率0.761，胜率36.90%，盈亏比4.17[12] * **上证180**：年化收益17.46%，最大回撤28.45%，夏普比率0.85，胜率39.70%，盈亏比4.56[12] * **中证100**：年化收益18.12%，最大回撤25.72%，夏普比率0.85，胜率40.50%，盈亏比4.37[12] * **沪深300**：年化收益17.41%，最大回撤28.98%，夏普比率0.846，胜率38.90%，盈亏比4.51[12] * **中证800**：年化收益17.78%，最大回撤31.23%，夏普比率0.86，胜率42.80%，盈亏比3.96[12] * **深证成指**：年化收益15.83%，最大回撤38.21%，夏普比率0.702，胜率34.40%，盈亏比4.18[12] * **深证100**：年化收益18.05%，最大回撤37.17%，夏普比率0.789，胜率39.10%，盈亏比3.86[12] 2. 上下行收益差多空策略（A股指数）[15] * **上证综指**：年化收益12.23%，最大回撤50.38%，夏普比率0.512，胜率32.90%，盈亏比3.82[15] * **上证50**：年化收益21.21%，最大回撤37.43%，夏普比率0.83，胜率36.10%，盈亏比4.05[15] * **上证180**：年化收益24.25%，最大回撤35.43%，夏普比率0.943，胜率37.70%，盈亏比4.56[15] * **中证100**：年化收益23.59%，最大回撤31.01%，夏普比率0.912，胜率37.80%，盈亏比4.33[15] * **沪深300**：年化收益22.92%，最大回撤30.67%，夏普比率0.891，胜率37.70%，盈亏比4.03[15] * **中证800**：年化收益22.15%，最大回撤37.59%，夏普比率0.86，胜率35.80%，盈亏比4.29[15] * **深证成指**：年化收益20.24%，最大回撤42.47%，夏普比率0.737，胜率31.10%，盈亏比4.4[15] * **深证100**：年化收益22.13%，最大回撤52.13%，夏普比率0.795，胜率33.80%，盈亏比4.14[15] 3. 上下行收益差多头策略集（恒生指数）[22] * **上下行**：年化收益3.99%，最大回撤19.88%，夏普比率0.131，胜率46.70%，盈亏比2.21[22] * **成交额上下行**：年化收益4.66%，最大回撤19.9%，夏普比率0.192，胜率38.00%，盈亏比2.45[22] * **叠加信号成交额上下行**：年化收益9.64%，最大回撤20.45%，夏普比率0.531，胜率44.50%，盈亏比2.76[22] 4. 上下行收益差多空策略集（恒生指数）[26] * **上下行**：年化收益0.81%，最大回撤54.05%，夏普比率-0.007，胜率39.50%，盈亏比2.01[26] * **成交额上下行**：年化收益1.91%，最大回撤57.53%，夏普比率0.043，胜率34.00%，盈亏比2.2[26] * **叠加信号成交额上下行**：年化收益13.21%，最大回撤32.69%，夏普比率0.557，胜率41.30%，盈亏比2.45[26] 5. 上下行收益差多空策略集（恒生国企指数）[29] * **上下行**：年化收益8.06%，最大回撤64.55%，夏普比率0.317，胜率39.50%，盈亏比2.2[29] * **成交额上下行**：年化收益8.57%，最大回撤53.67%，夏普比率0.336，胜率38.60%，盈亏比2.37[29] * **叠加信号成交额上下行**：年化收益18.22%，最大回撤36.1%，夏普比率0.678，胜率41.60%，盈亏比2.62[29] 6. 上下行收益差相似策略（恒生指数与恒生国企指数）[36] * **相似策略多头：恒生指数**：年化收益8.86%，最大回撤41.72%，夏普比率0.4，胜率48.80%，盈亏比1.93[36] * **相似策略多头：恒生国企指数**：年化收益12.3%，最大回撤38.51%，夏普比率0.506，胜率45.10%，盈亏比2.56[36] * **相似策略多空：恒生指数**：年化收益12.65%，最大回撤42.08%，夏普比率0.522，胜率45.20%，盈亏比2.21[36] * **相似策略多空：恒生国企指数**：年化收益19.18%，最大回撤43.92%，夏普比率0.687，胜率45.10%，盈亏比2.73[36] 7. 上下行收益差相似策略（不同参数，上证50为相似指数）[40][41][42] * **均线参数40**： * 相似策略多头（恒生指数）：年化收益8%，最大回撤44.75%，夏普比率0.361[40] * 相似策略多头（恒生国企指数）：年化收益13%，最大回撤36.43%，夏普比率0.54[40] * 相似策略多空（恒生指数）：年化收益11.07%，最大回撤40.97%，夏普比率0.455[40] * 相似策略多空（恒生国企指数）：年化收益20.32%，最大回撤39.39%，夏普比率0.724[40] * **均线参数50**： * 相似策略多头（恒生指数）：年化收益7.62%，最大回撤46.06%，夏普比率0.339[41] * 相似策略多头（恒生国企指数）：年化收益12.69%，最大回撤34.64%，夏普比率0.521[41] * 相似策略多空（恒生指数）：年化收益10.3%，最大回撤43.65%，夏普比率0.423[41] * 相似策略多空（恒生国企指数）：年化收益19.69%，最大回撤39.1%，夏普比率0.702[41] * **均线参数70**： * 相似策略多头（恒生指数）：年化收益8.89%，最大回撤43.04%，夏普比率0.402[42] * 相似策略多头（恒生国企指数）：年化收益11.89%，最大回撤38.35%，夏普比率0.488[42] * 相似策略多空（恒生指数）：年化收益12.78%，最大回撤42.88%，夏普比率0.526[42] * 相似策略多空（恒生国企指数）：年化收益18.08%，最大回撤41.23%，夏普比率0.654[42] 8. 上下行收益差相似策略（不同参数，沪深300为相似指数）[43][44][45] * **均线参数50**： * 相似策略多头（恒生指数）：年化收益7.9%，最大回撤40.88%，夏普比率0.361[43] * 相似策略多头（恒生国企指数）：年化收益11.23%，最大回撤41.67%，夏普比率0.47[43] * 相似策略多空（恒生指数）：年化收益10.38%，最大回撤40.74%，夏普比率0.429[43] * 相似策略多空（恒生国企指数）：年化收益16.54%，最大回撤51.83%，夏普比率0.606[43] * **均线参数60**： * 相似策略多头（恒生指数）：年化收益10.01%，最大回撤35.35%，夏普比率0.471[44] * 相似策略多头（恒生国企指数）：年化收益12.57%，最大回撤34.08%，夏普比率0.53[44] * 相似策略多空（恒生指数）：年化收益14.43%，最大回撤37.55%，夏普比率0.599[44] * 相似策略多空（恒生国企指数）：年化收益19.38%，最大回撤40.47%，夏普比率0.7[44] * **均线参数70**： * 相似策略多头（恒生指数）：年化收益7.86%，最大回撤38.28%，夏普比率0.353[45] * 相似策略多头（恒生国企指数）：年化收益10.15%，最大回撤32.5%，夏普比率0.423[45] * 相似策略多空（恒生指数）：年化收益10.25%，最大回撤38.17%，夏普比率0.423[45] * 相似策略多空（恒生国企指数）：年化收益14.17%，最大回撤43.97%，夏普比率0.53[45]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：250日新高距离**[11] * **因子构建思路**：该因子用于衡量当前价格相对于过去一段时间内最高价格的回落幅度，是趋势跟踪和动量策略的核心指标。其理论基础在于，研究表明股价接近其52周（或250日）最高价时，未来收益往往更高[11]。 * **因子具体构建过程**：对于给定的证券（个股、指数或行业指数），计算其最新收盘价与过去250个交易日最高收盘价之间的相对距离。 * 具体计算公式为： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ * 公式说明： * `Closet` 代表证券在t日的最新收盘价。 * `ts_max(Close, 250)` 代表过去250个交易日收盘价序列中的最大值。 * 若最新收盘价创出过去250日新高，则因子值为0；若价格从高点回落，则因子值为正，数值越大表示回落幅度越大[11]。 2. **模型/策略名称：平稳创新高股票筛选模型**[23][26] * **模型构建思路**：该模型旨在从近期创出新高的股票中，进一步筛选出具有更强动量持续性和更平稳上涨路径的股票。其思路结合了截面动量（股价相对强弱）和时间序列动量（路径平滑性）的研究，认为遵循平滑价格路径的高动量股收益可能更高[23]。 * **模型具体构建过程**：这是一个多步骤的筛选模型，具体流程如下： 1. **初选股票池**：在上市满15个月的股票中，筛选出过去20个交易日曾创出250日新高的股票[19]。 2. **施加筛选条件**：在初选股票池中，依次应用以下条件进行筛选[26]： * **分析师关注度**：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。 * **股价相对强弱**：过去250日涨跌幅位于全市场前20%。 3. **综合打分与排序**：对满足上述条件的股票，使用以下两个指标进行综合打分，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”指标衡量。该指标可能定义为过去一段时间内的净涨跌幅与期间每日涨跌幅绝对值之和的比值，比值越高表明价格路径越平滑（上涨过程中回撤小）。报告中给出了示意图：`过去120日涨跌幅的绝对值 / 过去120日日涨跌幅绝对值加总`[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。该值越小，表明股票在近期持续接近或创出新高。 4. **最终筛选**：对经过综合打分筛选后的股票，再根据 **“趋势延续性”** 指标进行排序。该指标定义为 **过去5日的250日新高距离在时间序列上的均值**，取该值最小的前50只股票作为最终的“平稳创新高股票”[26]。 模型与因子的回测效果 > **注**：本报告主要为截至特定日期的截面数据跟踪与展示，未提供完整的回溯测试绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。以下为报告中给出的具体数据取值。 1. **250日新高距离因子** * **主要指数取值（截至2026年1月16日）**：上证指数 1.52%，深证成指 0.60%，沪深300 1.23%，中证500 0.20%，中证1000 1.49%，中证2000 1.77%，创业板指 0.81%，科创50 1.63%[12]。 * **行业指数取值（部分，截至2026年1月16日）**：电子 0.00%，有色金属 1.06%，基础化工 0.25%，机械 0.52%，家电 0.69%；食品饮料、银行、农林牧渔、房地产、医药行业距离较远[13]。 * **概念指数取值（部分，截至2026年1月16日）**：新能源汽车、矿山智能、光伏、充电桩、汽车配件精选、半导体、芯片等概念指数距离250日新高较近[15]。 2. **平稳创新高股票筛选模型** * **输出结果（截至2026年1月16日）**：该模型本周筛选出50只平稳创新高股票，例如亚翔集成、源杰科技、中际旭创等[27]。 * **创新高股票统计（模型初选池，截至2026年1月16日）**： * 全市场共有1204只股票在过去20个交易日创出250日新高[19]。 * **行业分布**：创新高个股数量最多的行业是机械（166只）、电子（128只）、基础化工（117只）；创新高个股数量占比最高的行业是国防军工（61.48%）、有色金属（52.85%）、石油石化（36.00%）[19]。 * **板块分布**：制造板块388只（占比24.76%），科技板块372只（占比26.33%），周期板块266只（占比23.67%），消费板块76只（占比15.83%），医药板块70只（占比14.29%），大金融板块29只（占比12.78%）[20]。 * **指数分布**：中证2000指数中有459只（占比22.95%），中证1000指数中有241只（占比24.10%），中证500指数中有158只（占比31.60%），沪深300指数中有72只（占比24.00%），创业板指中有31只（占比31.00%），科创50指数中有13只（占比26.00%）[20]。

量化模型与构建方式 1. 主动量化组合模型 1.1 红利优选组合 * **模型名称**：红利优选组合[28] * **模型构建思路**：选择股息率较高、基本面较优的股票构建组合，对标中证红利指数[30][39] * **模型具体构建过程**： 1. **流动性约束**：剔除市值、日均成交额最小的20%个股[30] 2. **分红基础池**：筛选过去1年红利支付率在0-1之间的股票[30] 3. **因子综合打分**：对股息率、PB_INT、SUE、ROE、盈利质量、分析师目标收益、低换手率共7个因子进行等权打分[33] 4. **组合构建与风控**：选择得分最高的50只股票构建股息率加权组合，并控制相对中证红利指数的行业偏离不超过3%[33] 1.2 PB盈利组合 * **模型名称**：PB盈利组合[28] * **模型构建思路**：选择估值较低、盈利能力较优的股票构建组合[33] * **模型具体构建过程**： 1. **基础池**：选取盈利因子（ROE+SUE）得分最高的1/5股票与PB最低的1/5股票的交集[33] 2. **市场关注度优选**：基于过去1个月日均换手率将全A个股等分为5组，剔除基础池中属于换手率最高组（D5）的股票[33] 3. **位序估值优选**：剔除长期（3年）位序估值低于10%、短期（半年）位序估值高于90%的个股[33] 1.3 GARP组合 * **模型名称**：GARP组合[28] * **模型构建思路**：选择估值较低、增长较快的股票构建组合[33] * **模型具体构建过程**： 1. **基础池**：选取增长因子（SUE、预期净利润调整、一致预期2年复合增速）得分最高的1/5股票与估值因子（BP、EP、3年股息率、1年股息率）最低的1/5股票的交集[33] 2. **市场关注度优选**：基于过去1个月日均换手率将全A个股等分为5组，剔除基础池中属于换手率最高组（D5）的股票[33] 3. **位序估值优选**：剔除长期（3年）位序估值低于10%、短期（半年）位序估值高于90%的个股[33] 1.4 成熟期优选组合 * **模型名称**：成熟期优选组合[28] * **模型构建思路**：选择成熟期公司中，稳健增长、盈利能力较优的股票构建组合[33] * **模型具体构建过程**： 1. **选股池**：构建成熟期个股池，条件为经营净现金流为正、投资净现金流为负、筹资净现金流为负[33] 2. **高估剔除**：剔除成熟企业基础池中PB最高的10%个股[33] 3. **增长因子初筛**：将加速增长、SUE两个因子等权打分，选择增长最快的100只股票构建初筛股票池[33] 4. **盈利能力优选**：在初筛股票池中，选择盈利因子最高的50只股票构建市值加权组合[33] 1.5 成长期优选组合 * **模型名称**：成长期优选组合[28] * **模型构建思路**：选择成长期公司中，预期较优、增长较快、趋势性较好的股票构建组合[33] * **模型具体构建过程**： 1. **选股池**：构建成长期个股池，条件为经营净现金流为正、投资净现金流为负、筹资净现金流为正[33] 2. **成长因子初筛**：将一致预期净利润调整、SUE、加速增长3个因子等权打分，选择成长性最高的100只股票构建初筛股票池[33] 3. **盈利能力优选**：在初筛的100只股票池中，将ROE同比、ROE、研发投入、动量因子等权打分，选择得分最高的50只股票构建市值加权组合[33] 1.6 小市值高增长组合 * **模型名称**：小市值高增长组合[28] * **模型构建思路**：选择增长较快的小市值个股构建组合[33] * **模型具体构建过程**：根据小市值、高增长因子构建多因子模型，选择复合得分最高的50只股票构建等权组合[33]。具体因子包括：小市值、盈利加速、SUE、预期净利润调整、累计研发投入、PB_INT、尾盘成交占比、开盘后大单净买入金额占比[33] 1.7 小盘价值组合 * **模型名称**：小盘价值组合[28] * **模型构建思路**：剔除高估值个股后，选择健康小市值公司构建组合[33] * **模型具体构建过程**： 1. **剔除高估值**：在全A股中剔除PB最高的20%的股票[33] 2. **多因子优选**：在剩余股票中，选择多因子得分最高的50只股票构建等权组合[33]。因子包括：市值、价值、增长、加速增长、累计研发投入占比、预期净利润调整、反转、尾盘成交占比、开盘大单净买入金额占比；为体现小盘特征，提升小市值因子权重至20%，其余因子权重均为10%[33] 2. 指数增强组合模型 2.1 线性多因子指数增强模型 * **模型名称**：线性多因子指数增强模型[41] * **模型构建思路**：根据风格、量价、基本面等因子构建线性多因子收益模型，在控制风格、个股、行业偏离等约束下，构建月度换仓的指数增强组合[41] * **模型具体构建过程**： 1. **因子池**：针对不同宽基指数（沪深300、中证500、中证1000、中证A500）使用略有差异的因子列表，主要包括市值、中盘、反转、波动率、换手率/成交额、估值类（PB/预期EP/股息率）、基本面类（ROE、SUE、研发占比、预期净利润调整、分析师覆盖度）、高频量价类（尾盘成交占比、开盘后买入意愿强度、改进反转/开盘后大单净买入金额占比）等[41] 2. **风险模型与约束**：主要控制市值、估值、个股、行业等维度的偏离，具体约束值因基准指数而异[42] 3. **因子加权方式**：测试了两种因子权重确定方式： * **IC均值加权**：根据因子历史IC均值确定权重[42] * **ICIR加权**：根据因子历史信息比率（ICIR）确定权重，公式为：$$权重_i = \frac{ICIR_i}{\sum_j ICIR_j}$$， 其中ICIR为因子IC均值除以其标准差[42][43] 4. **组合优化**：在给定因子暴露目标和风控约束下，通过优化求解得到最终持仓权重[41][42] 2.2 多策略复合指数增强模型 * **模型名称**：多策略复合沪深300指数增强模型[3][53] * **模型构建思路**：在基础指数增强策略上，加入域内和域外卫星策略，通过多策略形式改善组合业绩表现[3][53] * **模型具体构建过程**： 1. **基础指数增强策略**：权重占比60%，即上述线性多因子指数增强模型[3][53] 2. **域内卫星策略**：权重占比30%，主要基于动量、基本面因子在成分股内选股[3][53] 3. **域外卫星策略**：权重占比10%，即“小市值高增长组合”[3][53] 4. **复合方式**：将三个子策略按固定权重合并，形成最终的复合沪深300指数增强策略[3][53] 量化因子与构建方式 报告在构建各类模型时提及了丰富的量化因子，根据其属性分类如下： 1. 估值类因子 * **因子名称**：PB（市净率）[41]、PB_INT（行业调整市净率）[33]、EP（盈利收益率）[33]、预期EP[41]、BP（账面市值比）[33]、股息率[33][41]、3年股息率[33]、1年股息率[33]、位序估值（长期/短期）[33] 2. 盈利与增长类因子 * **因子名称**：ROE（净资产收益率）[33][41]、ROE同比[33]、SUE（标准化未预期盈余）[33][41]、盈利质量[33]、加速增长[33]、预期净利润调整[33][41]、一致预期2年复合增速[33]、盈利加速[33] 3. 市值与风格类因子 * **因子名称**：市值[33][41]、中盘[41]、小市值[33]、价值[33] 4. 动量与反转类因子 * **因子名称**：动量[33]、反转[33][41]、改进反转[41] 5. 交易行为与流动性类因子 * **因子名称**：换手率[33][41]、成交额[41]、尾盘成交占比[33][41]、开盘后买入意愿强度[41]、开盘后大单净买入金额占比[33][41]、开盘大单净买入金额占比[33]、低换手率[33] 6. 创新与分析师类因子 * **因子名称**：研发占比[33][41]、累计研发投入[33]、累计研发投入占比[33]、分析师覆盖度[41]、分析师目标收益[33] 模型的回测效果 1. 主动量化组合（2025年度） * **红利优选组合**：组合收益15.0%，相对中证800超额-5.9%，相对中证红利（全）指数超额11.3%[34] * **PB盈利组合**：组合收益21.3%，相对中证800超额0.4%[34] * **GARP组合**：组合收益36.2%，相对中证800超额15.3%[34] * **成熟期优选组合**：组合收益29.2%，相对中证800超额8.3%[34] * **成长期优选组合**：组合收益84.1%，相对中证800超额63.2%，相对885001指数超额50.9%[5][34] * **小市值高增长组合**：组合收益69.1%，相对中证800超额48.2%，相对中证2000指数超额32.7%[34] * **小盘价值组合**：组合收益59.8%，相对中证800超额38.9%，相对中证2000指数超额23.3%[34] 2. 指数增强组合（2025年度） 2.1 IC均值加权方式 * **沪深300指数增强**：超额收益6.8%，超额波动率5.5%，信息比1.12，相对回撤5.2%[45] * **中证500指数增强**：超额收益3.1%，超额波动率4.4%，信息比0.54，相对回撤3.6%[46] * **中证1000指数增强**：超额收益5.1%，超额波动率4.9%，信息比0.82，相对回撤3.8%[47] * **中证A500指数增强**：超额收益4.8%，超额波动率4.5%，信息比0.93，相对回撤5.6%[49] 2.2 ICIR加权方式 * **沪深300指数增强**：超额收益10.7%，超额波动率5.3%，信息比1.79，相对回撤3.5%[45] * **中证500指数增强**：超额收益9.5%，超额波动率4.4%，信息比1.66，相对回撤2.9%[46] * **中证1000指数增强**：超额收益10.2%，超额波动率4.9%，信息比1.65，相对回撤4.4%[47] * **中证A500指数增强**：超额收益13.2%，超额波动率4.1%，信息比2.60，相对回撤2.7%[49] 3. 多策略复合指数增强模型（沪深300，全区间2014-2025） * **复合策略**：年化超额收益12.2%，信息比1.93[55] * **基础增强策略**：年化超额收益较复合策略低3.6%[55] * **模型评价**：复合策略相比于基础策略具有稳定的收益提升，分年度稳定性较高[3][55]，但个别年份相对回撤可能增加[55]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：转债综合估值因子模型**[5][19] * **模型构建思路**：基于转债的期权属性，认为高估值转债长期会带来负收益，因此从估值视角对转债配置进行系统性增强。通过筛选并融合在全域和分域上表现优异的估值因子来构建综合因子[5][19]。 * **模型具体构建过程**： 1. 筛选出两个基础估值因子：转股溢价率偏离度因子和理论价值偏离度（蒙特卡洛模型）因子[5][19]。 2. 将两个因子在横截面上分别进行排序（Rank）。 3. 将两个因子的排序值相加，得到转债综合估值因子[19]。 * **公式**： $$转债综合估值因子 = Rank（转股溢价率偏离度）+ Rank（理论价值偏离度（蒙特卡洛模拟））$$[19] 2. **模型名称：转债风格轮动模型**[6][27] * **模型构建思路**：通过捕捉市场情绪指标，在偏股、平衡、偏债三类转债的低估指数之间进行轮动配置，以获取超额收益[6][27]。 * **模型具体构建过程**： 1. **构建市场情绪捕捉指标**：在单个转债层面计算“转债20日动量”和“波动率偏离度”两个因子，然后在每个低估风格指数内部取这两个因子值的中位数，作为该指数的情绪指标[27]。 2. **计算综合情绪指标**：将各指数在两个情绪指标上的排名（Rank）相加[27]。 * **公式**： $$转债风格市场情绪捕捉指标 = Rank（转债 20 日动量）+ Rank（波动率偏离度）$$[27] 3. **确定仓位**：选择综合情绪指标排名相对较低（即市场情绪较好）的指数进行配置。若排名相等则等权配置，若同时选中三种风格则100%配置平衡低估风格[18][27]。 4. **调仓频率**：双周频调仓[6][27]。 量化因子与构建方式 1. **因子名称：转股溢价率偏离度**[5][20] * **因子构建思路**：衡量转债的转股溢价率相对于其理论拟合值的偏离程度，使得不同平价水平的转债具有可比性[20]。 * **因子具体构建过程**：计算转债的实际转股溢价率与通过截面数据拟合得到的转股溢价率之间的差值[5][20]。 * **公式**： $$转股溢价率偏离度 = 转股溢价率 − 拟合转股溢价率$$[20] 2. **因子名称：理论价值偏离度（蒙特卡洛模型）**[5][20] * **因子构建思路**：通过蒙特卡洛模拟充分考虑转债的各项条款，计算其理论价值，并用市场价格与理论价值的比值来衡量价格预期差[20]。 * **因子具体构建过程**： 1. 使用蒙特卡洛模拟（每个时点模拟10000条路径），并考虑转股、赎回、下修、回售条款，以同信用同期限利率作为贴现率计算转债的理论价值[20]。 2. 计算转债收盘价与理论价值的相对偏离[5][20]。 * **公式**： $$理论价值偏离度 = 转债收盘价 / 理论价值（蒙特卡洛模型） - 1$$[20] 3. **因子名称：百元转股溢价率**[3][14] * **因子构建思路**：构建一个在时序上可比的估值指标，用于衡量当转股价值为100元时，转债的溢价率水平，从而比较转债和正股的相对配置价值[3][14]。 * **因子具体构建过程**： 1. 在每个时点，使用截面上的转债数据，拟合转股溢价率（y）与转股价值（x）的关系曲线[46]。 2. 使用的拟合公式为： $$y_{i}=\alpha_{0}+\,\alpha_{1}\cdot\,{\frac{1}{x_{i}}}+\epsilon_{i}$$[47] 3. 将转股价值=100代入拟合公式，得到“百元转股溢价率”[46]。 4. **因子名称：修正YTM – 信用债YTM中位数**[4][14] * **因子构建思路**：针对偏债型转债，剥离转股条款对其到期收益率（YTM）的影响，得到修正后的YTM，再与同等级同期限的信用债YTM比较，以衡量偏债型转债和信用债的相对配置价值[4][14]。 * **因子具体构建过程**： 1. **计算修正YTM**：修正YTM = 转债YTM × (1 – 转股概率) + 预期转股的到期年化收益率 × 转股概率[48]。其中，转股概率N(d2)通过BS模型计算得出[48]。 2. **计算差值**：对每只偏债型转债，计算其修正YTM与同等级同期限企业债YTM的差值Xi[48]。 3. **取中位数**：在横截面上，取所有偏债型转债差值Xi的中位数[48]。 * **公式**： $$“修正 YTM – 信用债 YTM”中位数 = median\{X_1, X_2, ... , X_n\}$$[48] 5. **因子名称：转债20日动量**[6][27] * **因子构建思路**：作为市场情绪捕捉指标之一，用于转债风格轮动[6][27]。 * **因子具体构建过程**：报告中未详细说明具体计算方法，但提及该因子用于计算排名[27]。 6. **因子名称：波动率偏离度**[27] * **因子构建思路**：作为市场情绪捕捉指标之一，用于转债风格轮动[27]。 * **因子具体构建过程**：报告中未详细说明具体计算方法，但提及该因子用于计算排名[27]。 模型的回测效果 （注：以下模型效果基于回测区间：2018-02-14 至 2026-01-09[23][32]） 1. **偏股转债低估指数模型**[23] * 年化收益率：26.97% * 年化波动率：20.65% * 最大回撤：22.94% * 信息比率（IR）：1.31 * 卡玛比率：1.18 2. **平衡转债低估指数模型**[23] * 年化收益率：16.04% * 年化波动率：11.99% * 最大回撤：15.95% * 信息比率（IR）：1.34 * 卡玛比率：1.01 3. **偏债转债低估指数模型**[23] * 年化收益率：12.43% * 年化波动率：9.80% * 最大回撤：17.78% * 信息比率（IR）：1.27 * 卡玛比率：0.70 4. **转债风格轮动模型**[32] * 年化收益：25.65% * 年化波动：16.82% * 最大回撤：15.89% * 信息比率（IR）：1.52 * 卡玛比率：1.61 因子的近期测试结果 （注：以下为截至2026年1月9日的近2周增强超额收益[5][22]） 1. **低估值因子（在偏股转债中）**：超额收益 -3.25%[5][22] 2. **低估值因子（在平衡转债中）**：超额收益 -1.69%[22] 3. **低估值因子（在偏债转债中）**：超额收益 -0.64%[5][22]

量化模型与构建方式 1. **模型名称**：主动股基风格划分模型[15] **模型构建思路**：参考晨星（Morningstar）的划分方法，对个股进行大小盘及价值成长风格的区分，然后根据基金持仓在各类风格上的得分，将主动管理型股票基金划分为不同的风格类别（如成长型、均衡型、价值型）[15]。 **模型具体构建过程**： * **第一步：个股风格划分**。参考晨星方法，使用特定的指标（如市值、估值、盈利增长等）对每只股票进行打分，将其划分为大盘、中盘、小盘以及价值、均衡、成长等风格类别[15]。 * **第二步：基金风格得分计算**。对于每只基金，获取其定期报告（如年报、中报）的完整持仓[15]。根据持仓中每只股票所属的风格类别及其在基金中的权重，计算该基金在各个风格维度上的加权得分[15]。 * **第三步：基金风格归类**。根据基金在价值-成长维度上的得分，将其最终归类为“成长型”、“均衡型”或“价值型”基金[15]。为了保证风格划分的稳定性，要求基金在当前及过去一个报告期的持仓风格保持一致[15]。 2. **模型名称**：主动股基持仓组合构建模型[35] **模型构建思路**：为了分析单只基金相对于主动股基整体（中位数）的持仓特征，需要构建一个代表主动股基整体持仓的基准组合[35]。 **模型具体构建过程**： * **第一步：数据获取**。获取所有主动管理型股票基金在特定报告期（如2024年年报、2025年中报）的完整持仓数据[35]。 * **第二步：加权构建组合**。将所有主动股基的持仓合并，按照各基金持股市值在所有基金总持股市值中的占比进行加权，从而构建一个代表主动股基整体持仓的股票组合[35]。 3. **模型名称**：Barra风格因子暴露分析模型[38] **模型构建思路**：使用Barra风险模型框架，分析单只基金（中银量化选股）的持仓组合相对于主动股基整体持仓组合，在一系列风格因子上的暴露程度，以定量刻画其风格偏好[38]。 **模型具体构建过程**： * **第一步：确定分析对象**。计算需要分析的目标基金（中银量化选股）的持仓组合[38]。 * **第二步：确定基准组合**。使用前述“主动股基持仓组合构建模型”得到代表市场整体风格的基准组合[35][38]。 * **第三步：计算因子暴露**。将目标基金持仓组合与基准持仓组合在Barra模型定义的一系列风格因子（如市值、成长、动量、价值等）上进行回归分析，得到的回归系数即为目标基金相对基准的风格因子暴露值[38]。正值表示在该因子上有正向暴露（偏向该风格），负值表示负向暴露[38]。 量化因子与构建方式 1. **因子名称**：成长因子[15] **因子构建思路**：用于识别和衡量上市公司成长性的指标，通常与公司的盈利增长、收入增长、资本扩张等相关[15]。 **因子具体构建过程**：报告中未详细说明该因子的具体计算公式，但指出参考了晨星（Morningstar）的划分方法，该方法通常会综合考量营收增长率、盈利增长率、净资产收益率等多项指标来定义成长风格[15]。 2. **因子名称**：价值因子[15] **因子构建思路**：用于识别和衡量上市公司估值水平的指标，通常与公司的市盈率、市净率、股息率等相关[15]。 **因子具体构建过程**：报告中未详细说明该因子的具体计算公式，但指出参考了晨星（Morningstar）的划分方法，该方法通常会综合考量市盈率、市净率、市销率等估值指标来定义价值风格[15]。 3. **因子名称**：动量因子[38] **因子构建思路**：基于“强者恒强”的假设，认为过去一段时间表现好的股票，在未来短期内仍将继续表现较好[38]。 **因子具体构建过程**：报告中未详细说明该因子的具体计算公式。在Barra模型中，动量因子通常由股票过去一段时间的收益率经过标准化和特殊处理得到。 4. **因子名称**：市值因子[38] **因子构建思路**：反映公司规模大小的指标，通常以总市值或流通市值来衡量[38]。 **因子具体构建过程**：报告中未详细说明该因子的具体计算公式。在Barra模型中，市值因子通常取公司总市值的自然对数，并经过标准化处理。 模型的回测效果 1. **主动股基风格划分模型**：根据该模型划分，A股市场中成长型主动股基的数量占比远高于均衡型和价值型基金[15]。 2. **主动股基持仓组合构建模型**：该模型用于构建分析基准，其效果体现在后续的行业偏离和风格暴露分析中，例如中银量化选股持仓与据此模型构建的主动股基整体持仓组合，行业最大偏离不超过5%[38]。 3. **Barra风格因子暴露分析模型**：应用该模型对中银量化选股的分析显示，其持仓相对主动股基整体在成长、动量因子上有正向暴露，在市值因子上偏向中等市值暴露[38]。 因子的回测效果 1. **成长因子**：中银量化选股持仓在该因子上有正向暴露，表明其偏好成长风格的股票[38]。 2. **价值因子**：报告中未单独给出该因子在基金上的暴露值。 3. **动量因子**：中银量化选股持仓在该因子上有正向暴露，表明其偏好具有动量效应的股票[38]。 4. **市值因子**：中银量化选股持仓在该因子上偏向中等市值暴露，表明其偏好中等市值规模的股票[38]。

量化模型与因子总结 量化因子与构建方式 1. **因子名称：封板率** [17] * **因子构建思路**：通过计算当日最高价触及涨停且收盘价也维持在涨停的股票比例，来衡量市场涨停股的封板强度与资金追涨意愿。该指标越高，表明涨停股的封板质量越高，市场追涨情绪越强。[17] * **因子具体构建过程**： 1. 筛选上市满3个月以上的股票。[17] 2. 在每个交易日，识别出盘中最高价达到涨停价的股票集合。 3. 在上述股票集合中，进一步筛选出收盘价也维持在涨停价的股票。 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. **因子名称：连板率** [17] * **因子构建思路**：通过计算昨日涨停的股票中，今日继续涨停的比例，来衡量市场涨停效应的持续性以及短线投机资金的活跃度。该指标越高，表明市场接力炒作情绪越浓厚。[17] * **因子具体构建过程**： 1. 筛选上市满3个月以上的股票。[17] 2. 在每个交易日，识别出前一日（T-1日）收盘涨停的股票集合。 3. 在上述股票集合中，进一步筛选出当日（T日）收盘也涨停的股票。 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** [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（如产业资本、机构）的卖出意愿或对股票流动性的补偿要求。折价率越高，通常表明大资金卖出意愿越强或市场承接力不足。[26] * **因子具体构建过程**： 1. 获取当日所有大宗交易的成交数据，包括每笔交易的成交金额和成交数量。[26] 2. 计算当日大宗交易的总成交金额。 3. 计算大宗交易成交份额按当日市价计算的总市值。 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] 4. **因子名称：股指期货年化贴水率** [28] * **因子构建思路**：通过计算股指期货价格相对于现货指数价格的年化基差，来反映市场对未来走势的预期、对冲成本以及市场情绪。贴水（负基差）通常意味着市场对未来预期偏谨慎或对冲需求旺盛，升水则相反。[28] * **因子具体构建过程**： 1. 选定股指期货主力合约（如IH、IF、IC、IM）及其对应的现货指数（如上证50、沪深300、中证500、中证1000）。[28] 2. 计算基差：基差 = 期货价格 - 现货指数价格。 3. 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] * **公式说明**：该公式将基差相对于指数价格的比率进行年化处理，以便于不同期限合约之间的比较。当结果为负时，表示年化贴水；为正时，表示年化升水。[28] 因子的回测效果 *本报告为市场监测日报，未提供因子的历史回测绩效指标（如IC、IR、多空收益等）。报告主要展示了相关因子在特定时点（2026年1月15日及附近日期）的截面或时间序列取值。* [17][26][28] 1. **封板率因子**，2026年1月15日取值：**70%** [17] 2. **连板率因子**，2026年1月15日取值：**15%** [17] 3. **大宗交易折价率因子**，2026年1月14日取值：**7.31%**；近半年平均值：**6.76%** [26] 4. **股指期货年化贴水率因子** * **上证50股指期货**，2026年1月15日取值：**0.49%** (年化升水率) [28] * **沪深300股指期货**，2026年1月15日取值：**-0.64%** (年化贴水率) [28] * **中证500股指期货**，2026年1月15日取值：**-1.25%** (年化贴水率) [28] * **中证1000股指期货**，2026年1月15日取值：**-3.44%** (年化贴水率) [28]