量化模型与构建方式 1. **模型名称**：业绩预告跳空缺口事件驱动模型[21] **模型构建思路**：基于上市公司一季度业绩预告披露后股价出现向上跳空缺口这一事件，构建事件驱动策略，认为该事件预示着未来一段时间内个股能持续创造超额收益[21] **模型具体构建过程**： 1. 事件定义：将“一季度业绩预告披露完毕之后股价出现跳空缺口”定义为一类可交易事件。具体判定标准为：业绩预告披露日后的第一个交易日，其股价最低价高于披露日当天的最高价[21]。 2. 事件筛选：在历史数据（2016年至2025年）中，筛选出所有满足上述跳空缺口条件的事件，共计879次[21]。 3. 回测方法：在事件发生日（即跳空缺口出现当日）以收盘价买入对应股票，并持有固定周期（报告中测试了持有半年，即约120个交易日）[21]。 4. 收益计算：分别计算持有期内的平均绝对收益和平均超额收益。超额收益的基准为中证500指数[21]。 模型的回测效果 1. **业绩预告跳空缺口事件驱动模型**，历史（2016-2025年）事件发生次数为879次[21]，持有半年的平均绝对收益约为12%（根据图2纵坐标“平均收益”序列末端数值估算）[23]，持有半年的平均超额收益（相对于中证500指数）约为12%（根据图2纵坐标“平均超额”序列末端数值估算）[23]，超额收益持续周期约为4个月[21]。 量化因子与构建方式 1. **因子名称**：业绩预告同比增速[15] **因子构建思路**：利用上市公司发布的一季度业绩预告中的净利润同比增长数据，构建一个反映公司短期业绩增长势头的因子[15] **因子具体构建过程**：对于每家披露业绩预告的公司，取其预告中净利润增速的上限和下限，计算两者的算术平均值，作为该公司的业绩预告同比增速[15]。 公式为： $$业绩预告同比增速 = \frac{预告增速上限 + 预告增速下限}{2}$$ 其中，预告增速上限和下限来自公司官方发布的业绩预告[15]。 因子的回测效果 （报告中未提供基于业绩预告同比增速因子的分层回测或IC/IR等量化指标结果，仅提供了描述性统计，因此本部分无具体指标取值。）

量化模型与构建方式 1. **模型名称：期现对冲策略（连续对冲与最低贴水策略）**[39][40][41] * **模型构建思路**：基于股指期货的基差（期货价格与现货指数价格之差）进行套利或对冲。核心是利用期货合约到期时基差必然收敛的特性，通过做空期货来对冲现货多头风险，并试图从持续的负基差（贴水）中获取收益或降低对冲成本。[39] * **模型具体构建过程**： * **现货端**：持有对应标的指数（中证500、沪深300、上证50、中证1000）的全收益指数。[40][41] * **期货端**：做空对应标的的股指期货合约，名义本金与现货端市值相等。[40][41] * **资金分配**：现货端占用70%资金，期货端占用剩余30%资金作为保证金。[40][41] * **调仓与合约选择规则（分为两种策略）**： * **连续对冲策略**：分为“当月连续”和“季月连续”。持续持有当月或季月合约，直至该合约距离到期剩余不足2日，则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。[40] * **最低贴水策略**：调仓时，计算当日所有可交易期货合约的**年化基差**，选择年化基差贴水幅度最小（即负值最小，最接近零）的合约进行开仓。同一合约至少持有8个交易日，或在该合约距离到期剩余不足2日时进行调仓（排除剩余到期日不足8日的合约）。[41] * **回测设置**：回测区间为2022年7月22日至2026年4月17日，不考虑手续费、冲击成本及合约不可无限细分。[40][41] 2. **因子名称：分红调整年化基差**[16][17][18] * **因子构建思路**：由于股指期货价格已提前反映了合约存续期内指数成分股的预期分红，直接使用期货与指数的价差（实际基差）会因分红影响而产生偏差。该因子旨在剔除预期分红的影响，得到反映市场真实情绪和供需关系的“纯净”基差。[8][16] * **因子具体构建过程**： 1. 计算**预期分红调整后的基差**：在实际基差的基础上，加上合约存续期内尚未实现的预期分红点位。[17] $$预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红$$ 2. 将调整后的基差进行**年化处理**，以方便不同期限合约之间的比较。[17][18] $$年化基差 = \frac{(实际基差 + (预期)分红点位)}{指数价格} \times \frac{360}{合约剩余天数}$$ * **参数说明**：“存续期内未实现的预期分红”基于历史数据对指数未来一年的分红点位进行预测得出。[9][18] 3. **因子名称：波动率指数 (VIX)**[56] * **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编制，用于反映期权投资者对标的资产未来30日波动水平的预期。[56] * **因子具体构建过程**：报告未详细披露具体的VIX计算公式，但指出其编制方法在海外成熟模型基础上进行了适应性调整，旨在构建更贴合我国市场特征的波动率指数体系。[56] 4. **因子名称：偏度指数 (SKEW)**[60] * **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。该指数有助于洞察市场对潜在极端风险的担忧程度。[60] * **因子具体构建过程**：报告未详细披露具体的SKEW计算公式，但说明了其经济含义：当市场担忧下行风险时，看跌期权需求上升，会推高SKEW指数。通常SKEW高于100表明市场对大幅回调的担忧加剧。[60] 模型的回测效果 （回测区间：2022年7月22日至2026年4月17日）[40][41] 1. **IC（中证500）期现对冲模型**[43] * **当月连续对冲模型**：年化收益-3.42%，波动率3.80%，最大回撤-12.24%，净值0.8789，年换手次数12。[43] * **季月连续对冲模型**：年化收益-2.75%，波动率4.87%，最大回撤-10.94%，净值0.9019，年换手次数4。[43] * **最低贴水策略模型**：年化收益-1.89%，波动率4.55%，最大回撤-9.15%，净值0.9317，年换手次数17.26。[43] 2. **IF（沪深300）期现对冲模型**[48] * **当月连续对冲模型**：年化收益0.17%，波动率2.82%，最大回撤-3.95%，净值1.0065，年换手次数12。[48] * **季月连续对冲模型**：年化收益0.58%，波动率3.22%，最大回撤-4.03%，净值1.0217，年换手次数4。[48] * **最低贴水策略模型**：年化收益1.07%，波动率2.97%，最大回撤-4.06%，净值1.0403，年换手次数15.37。[48] 3. **IH（上证50）期现对冲模型**[51] * **当月连续对冲模型**：年化收益0.95%，波动率2.86%，最大回撤-4.22%，净值1.0357，年换手次数12。[51] * **季月连续对冲模型**：年化收益1.97%，波动率3.27%，最大回撤-3.75%，净值1.0749，年换手次数4。[51] * **最低贴水策略模型**：年化收益1.61%，波动率2.92%，最大回撤-3.91%，净值1.0611，年换手次数14.83。[51] 4. **IM（中证1000）期现对冲模型**[53] * **当月连续对冲模型**：年化收益-6.26%，波动率4.29%，最大回撤-21.31%，净值0.7869，年换手次数12。[53] * **季月连续对冲模型**：年化收益-5.04%，波动率5.39%，最大回撤-18.06%，净值0.8255，年换手次数4。[53] * **最低贴水策略模型**：年化收益-3.99%，波动率5.11%，最大回撤-14.41%，净值0.8599，年换手次数15.10。[53] 因子的回测效果 （截至2026年4月17日的截面数据） 1. **分红调整年化基差因子**[19][24][29][34] * **IC当季合约**：当前值-4.20%，周内低点-6.85%，低于2022年初以来中位数。[19] * **IF当季合约**：当前值-3.70%，周内低点-5.02%，低于2022年初以来中位数。[24] * **IH当季合约**：当前值-1.20%，周内低点-1.82%，低于2022年初以来中位数。[29] * **IM当季合约**：当前值-8.55%，周内低点-11.90%，低于2022年初以来中位数。[34] 2. **波动率指数 (VIX) 因子**[56] * **上证50VIX_30**：当前值17.93，处于2024年以来32%的历史分位数。[56] * **沪深300VIX_30**：当前值18.67，处于2024年以来41%的历史分位数。[56] * **中证500VIX_30**：当前值32.70，处于2024年以来86%的历史分位数。[56] * **中证1000VIX_30**：当前值25.62，处于2024年以来36%的历史分位数。[56] 3. **偏度指数 (SKEW) 因子**[61] * **上证50SKEW**：当前值103.21，处于2024年以来90.2%的历史分位数。[61] * **沪深300SKEW**：当前值106.66，处于2024年以来90.9%的历史分位数。[61] * **中证500SKEW**：当前值105.66，处于2024年以来94.7%的历史分位数。[61] * **中证1000SKEW**：当前值108.85，处于2024年以来93.4%的历史分位数。[61]

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，构建能够稳定战胜基准指数的增强组合[11][12] * **模型具体构建过程**：模型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[12] 2. **风险控制**：通过组合优化控制组合相对于基准指数的各种风险暴露[12] 3. **组合优化**：在满足风险约束的条件下，最大化预期收益或优化其他目标，得到最终持仓权重[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、风格等暴露的同时，构建最大化该因子暴露的投资组合（Maximized Factor Exposure Portfolio），通过该组合相对于基准的表现来判断因子有效性[40] * **模型具体构建过程**：采用如下形式的组合优化模型来构建因子的 MFE 组合[40]： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ * **目标函数**：$max\ f^{T}w$，旨在最大化组合在单因子上的加权暴露。其中 $f$ 为因子取值向量，$w$ 为待求解的股票权重向量[40][41] * **约束条件1**：$s_{l}\leq X(w-w_{b})\leq s_{h}$，限制组合相对于基准指数在风格因子上的暴露偏离。$X$ 为股票对风格因子的暴露矩阵，$w_b$ 为基准指数成分股权重向量，$s_l$, $s_h$ 为风格因子相对暴露的下限及上限[40][41] * **约束条件2**：$h_{l}\leq H(w-w_{b})\leq h_{h}$，限制组合相对于基准指数的行业偏离。$H$ 为股票的行业暴露矩阵（One-Hot编码），$h_l$, $h_h$ 为行业偏离的下限及上限[40][41] * **约束条件3**：$w_{l}\leq w-w_{b}\leq w_{h}$，限制个股权重相对于基准指数成分股权重的偏离幅度，$w_l$, $w_h$ 为个股偏离的下限及上限[40][41] * **约束条件4**：$b_{l}\leq B_{b}w\leq b_{h}$，限制组合在基准指数成分股内的权重占比。$B_b$ 为个股是否属于基准指数成分股的0-1向量，$b_l$, $b_h$ 为成分股内权重的下限及上限[40][41] * **约束条件5**：$\mathbf{0}\leq w\leq l$，限制卖空（权重大于等于0），并限制个股权重上限 $l$[40][41] * **约束条件6**：$\mathbf{1}^{T}\ w=1$，要求所有权重之和为1，即组合满仓运作[40][41] * **具体实施流程**： 1. 设定MFE组合的约束条件，如控制行业暴露中性、市值暴露中性，个股相对基准最大偏离权重0.5%-1%，成分股内权重占比100%等[44] 2. 在每个月末，根据上述优化模型和约束条件，为每个单因子构建其MFE组合[44] 3. 在回测期内根据各期MFE组合换仓，计算历史收益并按双边0.3%扣除交易费用，最终计算相对于基准的各项收益风险指标[44] 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仓信息，构建一个代表“机构风格”的股票指数作为新的因子测试样本空间[42] * **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，若基金转型则使用转型后半年以上的数据[43] 2. **数据获取**：通过基金定期报告获取持股信息。最新报告为半年报或年报时，使用全部持仓；最新报告为季报时，需结合前期的半年报或年报信息构建持仓数据[43] 3. **指数构建**：将符合条件的所有基金持仓股票权重进行平均，得到公募基金平均持仓。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，构建公募基金重仓指数[43] 量化因子与构建方式 报告涉及估值、反转、成长、盈利、流动性、公司治理、分析师等7大类共30余个因子[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，属于估值因子[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，属于估值因子[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，属于估值因子[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，属于估值因子[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，属于估值因子[17] * **因子具体构建过程**：营业收入TTM / 总市值[17] * **因子名称**：EPTTM年分位点 * **因子构建思路**：衡量当前EPTTM在近一年历史中的相对位置，属于估值因子[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，属于估值因子[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. 反转类因子 * **因子名称**：一个月反转 * **因子构建思路**：衡量短期价格反转效应[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**：衡量中期价格反转效应[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**：衡量长期价格动量效应[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，属于成长因子[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，属于成长因子[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，属于成长因子[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（标准化预期外盈利） * **因子构建思路**：衡量盈利超出分析师一致预期的标准化幅度，属于成长因子[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（标准化预期外收入） * **因子构建思路**：衡量收入超出分析师一致预期的标准化幅度，属于成长因子[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**：衡量盈利实际值与预期值的比例，属于成长因子[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，属于盈利因子[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，属于盈利因子[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，属于盈利因子[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，属于盈利因子[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. 流动性类因子 * **因子名称**：非流动性冲击 * **因子构建思路**：衡量因交易造成的价格冲击成本，属于流动性因子[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，属于流动性因子[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，属于流动性因子[17] * **因子具体构建过程**：过去60个交易日换手率均值[17] 6. 波动类因子 * **因子名称**：特异度 * **因子构建思路**：衡量股价波动中不能被常见风险因子解释的部分[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**：衡量短期股价波动率[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**：衡量中期股价波动率[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] 7. 公司治理类因子 * **因子名称**：高管薪酬 * **因子构建思路**：衡量公司高管薪酬水平，作为公司治理的代理变量[17] * **因子具体构建过程**：前三高管报酬总额取对数[17] 8. 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，属于分析师因子[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，属于分析师因子[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**：基于分析师一致预期的市盈率相对盈利增长比率，属于分析师因子[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**：衡量分析师对未来净利润环比增长的预期变化，属于分析师因子[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对盈利预测上调与下调的净家数比例，属于分析师因子[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**：衡量近期有多少家机构覆盖该公司，属于分析师因子[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-0.04%，本年超额收益7.27%[5][14] * **中证500指数增强组合**：本周超额收益0.03%，本年超额收益5.00%[5][14] * **中证1000指数增强组合**：本周超额收益-0.84%，本年超额收益5.35%[5][14] * **中证A500指数增强组合**：本周超额收益-0.46%，本年超额收益3.79%[5][14] 2. 公募基金指数增强产品（整体表现统计） * **沪深300指数增强产品**：最近一周超额收益中位数0.25%，最近一月0.60%，最近一季1.63%，今年以来2.15%[31][32] * **中证500指数增强产品**：最近一周超额收益中位数-0.09%，最近一月0.78%，最近一季2.30%，今年以来0.17%[34] * **中证1000指数增强产品**：最近一周超额收益中位数-0.33%，最近一月0.07%，最近一季2.53%，今年以来2.30%[36] * **中证A500指数增强产品**：最近一周超额收益中位数0.22%，最近一月0.82%，最近一季1.85%，今年以来1.61%[39] 因子的回测效果 （以下为各因子在对应样本空间下，其MFE组合在“最近一周”、“最近一月”、“今年以来”、“历史年化”四个时间窗口内的超额收益表现。因子方向“正向”表示因子值越大越好，“反向”表示因子值越小越好。） 1. 沪深300样本空间因子表现[18][19] * **DELTAROA**：正向，最近一周1.31%，最近一月1.46%，今年以来2.63%，历史年化5.14% * **一年动量**：正向，最近一周1.31%，最近一月2.61%，今年以来3.19%，历史年化3.38% * **DELTAROE**：正向，最近一周1.24%，最近一月1.49%，今年以来2.85%，历史年化4.80% * **单季营收同比增速**：正向，最近一周1.13%，最近一月2.49%，今年以来3.37%，历史年化4.81% * **单季净利同比增速**：正向，最近一周1.08%，最近一月2.42%，今年以来4.19%，历史年化4.22% * **单季ROA**：正向，最近一周0.91%，最近一月1.83%，今年以来3.95%，历史年化4.37% * **单季营利同比增速**：正向，最近一周0.86%，最近一月1.90%，今年以来1.62%，历史年化3.72% * **单季ROE**：正向，最近一周0.83%，最近一月2.12%，今年以来4.35%，历史年化5.61% * **标准化预期外盈利(SUE)**：正向，最近一周0.78%，最近一月1.81%，今年以来2.53%，历史年化4.25% * **标准化预期外收入(SUR)**：正向，最近一周0.76%，最近一月1.14%，今年以来3.19%，历史年化4.93% * **预期PEG**：反向，最近一周0.68%，最近一月1.12%，今年以来4.15%，历史年化4.25% * **三个月反转**：反向，最近一周0.50%，最近一月0.74%，今年以来0.47%，历史年化0.23% * **单季超预期幅度**：正向，最近一周0.40%，最近一月0.87%，今年以来0.94%，历史年化3.87% * **三个月盈利上下调**：正向，最近一周0.29%，最近一月1.35%，今年以来1.59%，历史年化5.33% * **一个月反转**：反向，最近一周0.21%，最近一月-0.24%，今年以来2.89%，历史年化-0.75% * **预期净利润环比**：正向，最近一周0.13%，最近一月-0.10%，今年以来-2.91%，历史

量化模型与构建方式 1. **模型名称**：进取组合[9] * **模型构建思路**：基于多因子模型构建的量化股票组合，追求较高的风险调整后收益[7] * **模型具体构建过程**：报告未详细说明具体因子构成和权重分配方法，仅作为多因子模型的一种风险收益特征（进取型）的代表进行业绩展示[9] 2. **模型名称**：平衡组合[9] * **模型构建思路**：基于多因子模型构建的量化股票组合，追求风险与收益的平衡[7] * **模型具体构建过程**：报告未详细说明具体因子构成和权重分配方法，仅作为多因子模型的一种风险收益特征（平衡型）的代表进行业绩展示[9] 3. **模型名称**：沪深300增强组合[9] * **模型构建思路**：以沪深300指数为基准，通过量化模型进行增强，旨在获取稳定的超额收益[5] * **模型具体构建过程**：报告未详细说明具体增强策略和因子构成[9] 4. **模型名称**：中证500增强组合[9] * **模型构建思路**：以中证500指数为基准，通过量化模型进行增强，旨在获取稳定的超额收益[5] * **模型具体构建过程**：报告未详细说明具体增强策略和因子构成[9] 5. **模型名称**：中证1000增强组合[9] * **模型构建思路**：以中证1000指数为基准，通过量化模型进行增强，旨在获取稳定的超额收益[5] * **模型具体构建过程**：报告未详细说明具体增强策略和因子构成[9] 6. **模型名称**：绩优基金的独门重仓股组合[9] * **模型构建思路**：通过分析绩优基金的持仓，筛选其独门重仓股构建组合，旨在获取基金选股能力的Alpha[5][7] * **模型具体构建过程**：报告未详细说明具体的基金筛选标准、独门重仓股的定义以及组合构建方法[9] 7. **模型名称**：盈利、增长、现金流三者兼优组合[9] * **模型构建思路**：从盈利、增长和现金流三个基本面维度筛选优质公司构建组合[7] * **模型具体构建过程**：报告未详细说明具体的因子定义、筛选阈值和加权方式[9] 8. **模型名称**：PB-盈利优选组合[9] * **模型构建思路**：结合低估值（PB）和高盈利（盈利）两个维度，筛选有基本面支撑的低估值股票[7][31] * **模型具体构建过程**：报告未详细说明具体的因子定义、结合方式和筛选规则[9] 9. **模型名称**：GARP组合[9] * **模型构建思路**：采用“合理价格成长”策略，寻找兼具成长性和估值合理性的股票[35] * **模型具体构建过程**：报告未详细说明具体的成长与估值因子定义及结合方法[9] 10. **模型名称**：小盘价值优选组合1[9] * **模型构建思路**：在小盘股中优选价值型股票[7] * **模型具体构建过程**：报告未详细说明具体的小盘定义、价值因子定义及筛选方法[9] 11. **模型名称**：小盘价值优选组合2[9] * **模型构建思路**：在小盘股中优选价值型股票，可能是与组合1采用不同参数或因子权重的变体[39] * **模型具体构建过程**：报告未详细说明具体的小盘定义、价值因子定义及筛选方法，及其与组合1的差异[9] 12. **模型名称**：小盘成长组合[9] * **模型构建思路**：在小盘股中优选成长型股票[7] * **模型具体构建过程**：报告未详细说明具体的小盘定义、成长因子定义及筛选方法[9] 量化因子与构建方式 1. **因子名称**：市值因子[44] * **因子构建思路**：衡量公司规模大小的风格因子[44] * **因子具体构建过程**：报告未给出具体计算公式，通常使用总市值或流通市值[44] * **因子评价**：上周全市场范围内，大市值股票表现优于小市值股票[44] 2. **因子名称**：PB因子[44] * **因子构建思路**：市净率，衡量估值水平的风格因子[44] * **因子具体构建过程**：报告未给出具体计算公式，通常为股价除以每股净资产[44] * **因子评价**：上周全市场范围内，高估值（高PB）股票表现优于低估值股票[44] 3. **因子名称**：PE_TTM因子[44] * **因子构建思路**：滚动市盈率，衡量估值水平的风格因子[44] * **因子具体构建过程**：报告未给出具体计算公式，通常为股价除以最近四个季度的每股收益之和[44] * **因子评价**：上周全市场范围内，高估值（高PE）股票表现优于低估值股票[44] 4. **因子名称**：反转因子[49] * **因子构建思路**：技术类因子，认为过去表现差的股票未来可能反弹，过去表现好的股票未来可能回调[49] * **因子具体构建过程**：报告未给出具体计算公式，通常基于股票过去一段时间的收益率[49] * **因子评价**：上周全市场范围内，反转因子贡献负收益，即低涨幅股票表现弱于高涨幅股票[5][49] 5. **因子名称**：换手率因子[49] * **因子构建思路**：技术类因子，衡量股票交易活跃度[49] * **因子具体构建过程**：报告未给出具体计算公式，通常基于一段时间内的成交额或成交量[49] * **因子评价**：上周全市场范围内，换手率因子贡献负收益，即低换手率股票表现弱于高换手率股票[5][49] 6. **因子名称**：波动率因子[49] * **因子构建思路**：技术类因子，衡量股票价格波动风险[49] * **因子具体构建过程**：报告未给出具体计算公式，通常基于股票收益率的标准差[49] * **因子评价**：上周全市场范围内，波动率因子贡献负收益，即低波动率股票表现弱于高波动率股票[5][49] 7. **因子名称**：ROE因子[56] * **因子构建思路**：净资产收益率，衡量公司盈利能力的核心基本面因子[56] * **因子具体构建过程**：报告未给出具体计算公式，通常为净利润除以净资产[56] * **因子评价**：上周全市场范围内，ROE因子贡献正收益，即高盈利股票表现优于低盈利股票[5][56] 8. **因子名称**：SUE因子[56] * **因子构建思路**：标准化未预期盈余，衡量公司盈利增长超预期程度的基本面因子[56] * **因子具体构建过程**：报告未给出具体计算公式，通常为（当期实际盈利 - 预期盈利）/ 盈利预测的标准差[56] * **因子评价**：上周全市场范围内，SUE因子贡献正收益，即高增长股票表现优于低增长股票[5][56] 9. **因子名称**：预期净利润调整因子[56] * **因子构建思路**：衡量分析师对公司未来盈利预测调整方向的基本面因子[56] * **因子具体构建过程**：报告未给出具体计算公式，通常基于一定时期内分析师一致预期净利润的上调幅度或比例[56] * **因子评价**：上周全市场范围内，预期净利润调整因子贡献正收益，即盈利预期上调的股票表现更优[5][56] 模型的回测效果 （数据统计区间：2025年12月31日至2026年4月17日）[9] 1. **进取组合**，绝对收益18.04%，超额收益8.02%，跟踪误差21.94%，最大相对回撤6.14%[9] 2. **平衡组合**，绝对收益21.47%，超额收益11.44%，跟踪误差20.02%，最大相对回撤5.18%[9] 3. **沪深300增强组合**，绝对收益7.41%，超额收益5.28%，跟踪误差7.37%，最大相对回撤4.04%[9] 4. **中证500增强组合**，绝对收益10.80%，超额收益0.77%，跟踪误差6.97%，最大相对回撤3.17%[9] 5. **中证1000增强组合**，绝对收益13.22%，超额收益3.84%，跟踪误差7.29%，最大相对回撤2.32%[9] 6. **绩优基金的独门重仓股组合**，绝对收益18.73%，超额收益12.78%，跟踪误差23.85%，最大相对回撤8.70%[9] 7. **盈利、增长、现金流三者兼优组合**，绝对收益-6.33%，超额收益-8.46%，跟踪误差16.72%，最大相对回撤16.70%[9] 8. **PB-盈利优选组合**，绝对收益1.88%，超额收益-0.25%，跟踪误差13.60%，最大相对回撤6.96%[9] 9. **GARP组合**，绝对收益7.41%，超额收益5.28%，跟踪误差11.96%，最大相对回撤6.49%[9] 10. **小盘价值优选组合1**，绝对收益8.85%，超额收益-2.10%，跟踪误差13.18%，最大相对回撤9.26%[9] 11. **小盘价值优选组合2**，绝对收益15.07%，超额收益4.12%，跟踪误差12.92%，最大相对回撤5.84%[9] 12. **小盘成长组合**，绝对收益8.71%，超额收益-2.24%，跟踪误差11.44%，最大相对回撤7.96%[9] 因子的回测效果 （数据统计区间：2025年12月31日至2026年4月17日）[45][51][57] 1. **市值因子**，全市场多空收益3.15%，沪深300多空收益-3.65%，中证500多空收益-12.22%，中证1000多空收益-15.24%[45] 2. **PB因子**，全市场多空收益-4.83%，沪深300多空收益-13.01%，中证500多空收益-8.38%，中证1000多空收益-12.08%[45] 3. **PE_TTM因子**，全市场多空收益-2.73%，沪深300多空收益-1.49%，中证500多空收益-4.90%，中证1000多空收益-11.12%[45] 4. **反转因子**，全市场多空收益-4.86%，沪深300多空收益-9.53%，中证500多空收益-5.04%，中证1000多空收益-0.11%[51] 5. **换手率因子**，全市场多空收益0.97%，沪深300多空收益-11.09%，中证500多空收益-10.43%，中证1000多空收益-4.64%[51] 6. **波动率因子**，全市场多空收益-1.77%，沪深300多空收益-6.01%，中证500多空收益-9.86%，中证1000多空收益-4.16%[51] 7. **ROE因子**，全市场多空收益5.23%，沪深300多空收益6.44%，中证500多空收益4.61%，中证1000多空收益4.50%[57] 8. **SUE因子**，全市场多空收益6.12%，沪深300多空收益7.88%，中证500多空收益1.82%，中证1000多空收益4.92%[57] 9. **预期净利润调整因子**，全市场多空收益4.42%，沪深300多空收益19.06%，中证500多空收益5.23%，中证1000多空收益1.06%[57]

根据提供的金融工程日报内容，报告主要描述了市场表现、情绪、资金流向等各类指标和数据的统计与展示，并未涉及用于预测或选股的量化模型或量化因子的构建、测试与评价。报告内容属于市场数据监控和描述性统计范畴[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41]。 因此，本报告中**没有**需要总结的量化模型或量化因子相关内容。

量化模型与构建方式 1. **模型名称**：风险溢价模型 * **模型构建思路**：以十年期国债即期收益率为无风险利率基准，计算各宽基指数相对于该无风险利率的风险溢价，用以衡量其相对投资价值和偏离情况[28] * **模型具体构建过程**：风险溢价的计算公式为指数收益率减去十年期国债即期收益率。具体步骤包括：1) 获取各宽基指数的收益率序列；2) 获取十年期国债即期收益率序列；3) 将指数收益率减去国债即期收益率，得到风险溢价序列[28]。公式为： $$风险溢价 = 指数收益率 - 十年期国债即期收益率$$ * **模型评价**：各跟踪指数的风险溢价有明显的均值复归现象，其中中证1000和中证2000的风险溢价波动率相对较大[29]。上证50的风险溢价分布更集中，而中证1000、中证2000和创业板指的风险溢价分布较分散，不确定性相对更大[33] 2. **模型名称**：股债性价比模型 * **模型构建思路**：以各指数市盈率（PE-TTM）的倒数作为股票预期收益的代理变量，减去十年期国债即期收益率，得到股债利差，用以比较股票与债券的相对吸引力[39] * **模型具体构建过程**：股债性价比的计算公式为指数市盈率（PE-TTM）的倒数减去十年期国债即期收益率。具体步骤包括：1) 计算各宽基指数的PE-TTM；2) 求其倒数得到盈利收益率（E/P）；3) 用盈利收益率减去十年期国债即期收益率[39]。公式为： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 3. **因子名称**：连阴连阳因子 * **因子构建思路**：统计指数K线连续为阴线或阳线的天数，用以捕捉市场的短期动量或反转效应[11] * **因子具体构建过程**：从指数日收益率序列开始判断每日涨跌，若当日收益率为正则记为阳线（+1），为负则记为阴线（-1）。然后进行连续计数：若当前日与前一日的符号相同，则连阳（或连阴）天数加1；若符号不同，则计数重置为1。最终输出一个序列，正数表示连阳天数，负数表示连阴天数[11] 4. **因子名称**：相对均线位置因子 * **因子构建思路**：计算指数收盘价相对于不同周期移动平均线（MA）的位置，用以判断指数当前处于短期、中期还是长期的趋势之中[14] * **因子具体构建过程**：分别计算指数收盘价的5日（MA5）、10日（MA10）、20日（MA20）、60日（MA60）、120日（MA120）和250日（MA250）简单移动平均线。然后计算收盘价相对于每条均线的百分比偏离，公式为： $$相对MA_n位置 = \frac{收盘价 - MA_n}{MA_n} \times 100\%$$ 其中n代表不同的周期（5, 10, 20, 60, 120, 250）[15] 5. **因子名称**：指数换手率因子 * **因子构建思路**：计算宽基指数的整体换手率，反映市场对该指数成分股的交易活跃度[17] * **因子具体构建过程**：指数换手率的计算采用流通市值加权平均法。具体公式为： $$指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$$ 该计算避免了总股本中非流通部分的影响，更能反映实际可交易部分的活跃程度[18] 6. **因子名称**：收益分布形态因子（偏度与超额峰度） * **因子构建思路**：通过计算指数日收益率序列的偏度和超额峰度，来描述收益率分布的不对称性和尾部厚度，捕捉市场极端行情出现的概率变化[23][25] * **因子具体构建过程**：1) 收集指数近期的日收益率序列；2) 计算该序列的偏度，衡量分布的不对称性，正偏态表示极端正收益情形增加；3) 计算该序列的峰度并减去3（正态分布的峰度值），得到超额峰度，衡量分布的尖峭或扁平程度，峰度越大说明收益率分布更集中[23][25] 7. **因子名称**：市盈率分位值因子（PE-TTM分位值） * **因子构建思路**：计算指数当前市盈率（PE-TTM）在其历史序列中所处的分位值，用以判断当前估值相对于历史的水平[34][38] * **因子具体构建过程**：1) 获取指数在特定历史窗口期（如近1年、近5年或全历史）的每日PE-TTM序列；2) 将当前PE-TTM值与该历史序列进行比较；3) 计算当前值在该历史序列中的百分比排名，即为分位值。例如，近5年分位值90%表示当前PE-TTM值比近5年内90%的时间都要高[38][39] 8. **因子名称**：股息率因子 * **因子构建思路**：计算指数的股息率（现金分红回报率），作为价值投资和红利投资风格的衡量指标，特别是在市场低迷或利率下行时期[45] * **因子具体构建过程**：指数股息率通常基于其成分股计算。具体公式为： $$指数股息率 = \frac{\sum (成分股近12个月现金分红总额)}{\sum (成分股总市值)} \times 100\%$$ 报告中也采用了历史分位值的方法来评估当前股息率的相对水平[45][49] 9. **因子名称**：破净率因子 * **因子构建思路**：计算指数中市净率（PB）小于1的个股数量占比，用以衡量市场整体或特定板块的估值低迷程度和悲观情绪[48] * **因子具体构建过程**：1) 获取指数所有成分股的市净率（PB）；2) 统计其中PB值小于1的个股数量；3) 计算破净个股数量占指数总成分股数量的百分比，即得到破净率[48]。公式为： $$破净率 = \frac{破净个股数}{指数总成分股数} \times 100\%$$ 模型的回测效果 *注：本报告为市场状态跟踪报告，未提供模型在历史数据上的系统化回测绩效指标（如年化收益率、最大回撤、夏普比率、信息比率IR等）。报告主要展示了各模型/因子在特定时点（2026年4月16日）的截面取值或状态描述。* 因子的回测效果 *注：本报告为市场状态跟踪报告，未提供因子在历史数据上的系统化回测绩效指标（如IC值、IR值、多空收益、分组收益等）。报告主要展示了各因子在特定时点（2026年4月16日）的截面取值或状态描述[11][15][17][25][31][39][50][51]。*

量化模型与因子总结 量化模型与构建方式 1. **模型名称：平稳创新高股票筛选模型**[27] * **模型构建思路**：基于动量效应和“温水煮青蛙”效应，在近期创出250日新高的股票池中，通过多维度条件筛选出价格路径平稳、趋势延续性好的“平稳创新高”股票，以捕捉更强大的动量效应[27]。 * **模型具体构建过程**：该模型是一个多步骤筛选流程，具体步骤如下： 1. **初选股票池**：筛选上市满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. **分析师关注度筛选**：要求过去3个月内，获得“买入”或“增持”评级的分析师研报不少于5份[29]。 3. **股价相对强弱筛选**：要求过去250日涨跌幅位于全市场前20%[29]。 4. **股价平稳性筛选**：在满足步骤2和3的股票池内，使用“价格路径平滑性”和“创新高持续性”两个指标进行综合打分，选取排名在前50%的股票[29]。 5. **趋势延续性筛选**：在步骤4筛选出的股票中，根据“趋势延续性”指标进行排序，选取排名靠前的50只股票作为最终输出[29]。 2. **因子名称：250日新高距离**[11] * **因子构建思路**：借鉴George (2004)等研究及经典投资理论，使用股价距离其过去250日最高点的回落幅度来衡量股票的创新高状态与趋势强度，该值越小或为0，表明趋势越强[11]。 * **因子具体构建过程**：计算最新收盘价相对于过去250个交易日最高收盘价的回落比例。 * **公式**： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ * **公式说明**： * `Closet` 为股票的最新收盘价。 * `ts_max(Close, 250)` 为股票过去250个交易日收盘价的最大值。 * 若最新收盘价创出新高，则因子值为0；若股价从高点回落，则因子值为正，代表回落幅度[11]。 3. **因子名称：价格路径平滑性（股价位移路程比）**[27][29] * **因子构建思路**：参考Bali等人(2011)的研究，用于度量股价上涨过程的平稳性。平滑的上涨路径（高位移路程比）相比跳跃式路径，可能预示着更持续和稳健的动量[27]。 * **因子具体构建过程**：计算过去一段时间内股价的净涨幅（位移）与期间每日涨跌幅绝对值总和（路程）的比值。 * **公式**： $$价格路径平滑性 = \frac{过去120日涨跌幅的绝对值}{过去120日日涨跌幅绝对值加总}$$ * **公式说明**：该比值越接近1，表明股价上涨路径越平滑，回调少；比值越小，表明上涨过程中波动和回调越大[27]。 4. **因子名称：创新高持续性**[29] * **因子构建思路**：衡量股票在近期维持强势、接近其价格高点的持续能力。 * **因子具体构建过程**：计算股票过去120个交易日的“250日新高距离”在时间序列上的均值[29]。该均值越小，表明股票在近期越持续地保持在接近新高的位置。 5. **因子名称：趋势延续性**[29] * **因子构建思路**：衡量股票在极短期内的趋势强度，用于捕捉近期加速上涨或维持强势的股票。 * **因子具体构建过程**：计算股票过去5个交易日的“250日新高距离”在时间序列上的均值[29]。该均值越小，表明股票在最近一周内越强势。 模型的回测效果 （注：报告中未提供该筛选模型的历史回测绩效指标，如年化收益率、夏普比率、最大回撤等定量数据。） 因子的回测效果 （注：报告中未提供单个因子（如250日新高距离、价格路径平滑性等）的IC值、IR值、分组收益等历史测试结果。）

量化模型与构建方式 1. **模型名称**：风格组相对拥挤度模型[69][125] * **模型构建思路**：通过计算两个风格指数换手率Z-score的差值，并取其历史分位数，来衡量一种风格相对于另一种风格的交易拥挤程度[125]。 * **模型具体构建过程**： 1. 对于风格A和风格B，分别计算其指数的近252日平均换手率[125]。 2. 将上述换手率序列在2005年1月1日以来的历史时间序列上进行Z-score标准化，得到Z-score_A与Z-score_B[125]。 3. 计算二者差值：$$Z\_score\_diff = Z\_score\_A - Z\_score\_B$$[125]。 4. 计算Z_score_diff的滚动6年历史分位数（若历史数据不足6年，则使用全部历史数据计算），该分位数即为风格A相对于风格B的“相对拥挤度”[125]。 2. **模型名称**：风格指数累计超额净值模型[126] * **模型构建思路**：以万得全A指数为基准，计算各风格指数的累计超额收益，用于衡量风格的长期相对表现[126]。 * **模型具体构建过程**： 1. 设定基准日（报告中为2020年1月4日）[126]。 2. 将各风格指数及万得全A指数的每日收盘价除以基准日收盘价，得到各自的累计净值[126]。 3. 将各风格指数的累计净值除以同一交易日的万得全A指数累计净值，得到该风格指数相对于万得全A指数的累计超额净值[126]。 3. **模型名称**：机构调研活跃度模型[127] * **模型构建思路**：通过计算板块或行业相对于全市场的机构调研热度历史分位数，来评估其受机构关注的程度[127]。 * **模型具体构建过程**： 1. 对于特定板块（指数、行业），计算其近n个交易日的“日均机构调研次数”[127]。 2. 将该日均调研次数在滚动y年的历史时间序列上进行Z-score标准化[127]。 3. 将上述标准化值与万得全A指数的标准化结果作差，得到“机构调研活跃度”[127]。 4. 计算“机构调研活跃度”的滚动y年历史分位数（若历史数据不足y年，则使用全部历史数据计算）[127]。 5. 报告中使用两种参数设置：长期口径（n=126日，y=6年）和短期口径（n=63日，y=3年）[127]。 4. **因子名称**：股债性价比因子（ERP）[51] * **因子构建思路**：通过计算股票指数市盈率倒数与无风险利率（10年期国债收益率）的差值，来衡量投资股票相对于债券的风险溢价水平[51]。 * **因子具体构建过程**： 1. 计算股票指数的市盈率倒数：$$Earnings\ Yield = 1 / PE\_TTM$$[51]。 2. 减去10年期国债到期收益率：$$ERP = Earnings\ Yield - 10Y\ Treasury\ Yield = 1 / PE\_TTM - 10Y\ Treasury\ Yield$$[51]。 5. **因子名称**：成交热度因子[25] * **因子构建思路**：使用周度日均自由流通换手率的历史分位数来衡量市场或板块的交易活跃度[25]。 * **因子具体构建过程**： 1. 计算指数或行业的周度日均自由流通换手率[25]。 2. 计算该换手率在历史时间区间（例如2005年1月1日至今）内的分位值，即为“成交热度”[25][33]。 6. **因子名称**：动量因子[62] * **因子构建思路**：以过去一年收益率减去过去一个月收益率（剔除涨停板）作为动量指标，筛选出动量特征强的股票[62]。 * **因子评价**：该因子能够较好地表征A股市场中最具动量特征的股票的整体走势[62]。 7. **因子名称**：反转因子[62] * **因子构建思路**：以最近一个月股票收益率作为筛选指标，选择反转效应强的股票[62]。 * **因子评价**：该因子旨在准确表征A股市场各阶段高反转特征个股的整体表现[62]。 模型的回测效果 1. **风格组相对拥挤度模型**，成长vs红利相对拥挤度历史分位：72%[69]；小盘vs大盘相对拥挤度历史分位：6%[69]；微盘股vs中证800相对拥挤度历史分位：59%[69] 2. **风格指数累计超额净值模型**，成长较红利累计超额净值（截至2026年4月16日）：约2.2[70]；小盘较大盘累计超额净值（截至2026年4月16日）：约1.8[74]；微盘股较中证800累计超额净值（截至2026年4月16日）：约5.8[77] 因子的回测效果 1. **股债性价比因子（ERP）**，万得全A指数ERP：2.5%[60]；万得全A指数ERP历史分位：55%[60]；沪深300指数ERP：5.2%[60]；沪深300指数ERP历史分位：59%[60]；创业板指数ERP：0.5%[60]；创业板指数ERP历史分位：85%[60] 2. **成交热度因子**，万得全A指数成交热度历史分位：83%[33]；创业板指数成交热度历史分位：92%[33]；机械行业成交热度历史分位：92%[33]；银行行业成交热度历史分位：49%[33] 3. **动量因子**，长江动量指数近一周收益率：5.8%[64]；近一月收益率：12.6%[64]；年初至今收益率：12.2%[64] 4. **反转因子**，长江反转指数近一周收益率：2.5%[64]；近一月收益率：-4.5%[64]；年初至今收益率：1.6%[64]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：公募基金实时持仓测算模型[4][20] * **模型构建思路**：基于市场公开信息，对公募基金持仓进行实时测算，以监测其配置仓位变化[4][20]。 * **模型具体构建过程**：这是一个复杂的处理流程，基于基金净值、持仓披露、调研行为等多维度公开信息进行综合测算。具体方法详见开源金融工程团队专题报告《偏股混合型基金指数（885001.WI）：优势、复制与超越》[20]。 2. **模型名称**：雪球大V用户选股行为alpha模型[31] * **模型构建思路**：分析雪球平台粉丝数量较多的“大V”用户的投资观点和行为，挖掘其中蕴含的选股alpha信息[31]。 * **模型具体构建过程**：报告未详细描述，具体方法详见开源金融工程团队专题报告《雪球大V用户的选股行为alpha》[31]。 3. **模型名称**：机构行为alpha细分结构模型[35] * **模型构建思路**：通过分析龙虎榜、机构调研、大宗交易等公开的机构行为数据，挖掘其中的alpha信息[35]。 * **模型具体构建过程**：报告未详细描述，具体方法详见开源金融工程团队专题报告《机构行为alpha的细分结构：龙虎榜、机构调研、大宗交易》[35]。 4. **模型名称**：高频股东数据隐含信息量模型[37] * **模型构建思路**：利用交易所互动平台提供的高频股东户数数据，研究其大幅变动对后续股价的预示作用[37]。 * **模型具体构建过程**：报告未详细描述，具体方法详见开源金融工程团队专题报告《高频股东数据的隐含信息量》[37]。 量化因子与构建方式 1. **因子名称**：ETF资金持仓占比[4][23] * **因子构建思路**：通过计算ETF资金持仓占板块股票流通市值的比例，来观察指数投资资金对特定板块的配置动向[4][23]。 * **因子具体构建过程**：因子值为ETF持仓市值占板块股票流通市值的比重，报告中使用了其5日移动平均线（MA5）进行平滑观察[27]。 2. **因子名称**：融资余额[4][24] * **因子构建思路**：使用融资融券交易中未偿还的融资总金额作为因子，其增加通常被视为市场看多情绪的指标[4][24]。 * **因子具体构建过程**：直接采用光模块板块成分股的融资余额总和作为因子值[24][28]。 3. **因子名称**：机构调研热度[4][26] * **因子构建思路**：以上市公司接受机构调研的次数作为因子，衡量机构投资者对公司的关注度[4][26]。 * **因子具体构建过程**：统计近三个月内，光模块板块各成分股被机构调研的总次数[26][30]。 4. **因子名称**：雪球大V关注度[4][31] * **因子构建思路**：统计雪球平台上粉丝较多的“大V”用户对某只股票的关注数量，作为市场情绪和关注度的代理变量[4][31]。 * **因子具体构建过程**：在指定时间段内（如2026年4月1日以来），统计关注某只股票的雪球大V用户数量[32]。 5. **因子名称**：主力资金净流入[4][33] * **因子构建思路**：将大单和超大单的净流入金额加总，作为主力资金动向的代理变量，用以观察大资金的流向[4][33]。 * **因子具体构建过程**：定义大单为挂单金额20-100万元的委托，超大单为挂单金额>100万元的委托。因子值为指定时间段内，个股大单与超大单净流入金额的加总值[33][34]。 6. **因子名称**：龙虎榜营业部资金净流入[4][35] * **因子构建思路**：利用龙虎榜公布的营业部交易数据，计算营业部资金的净流入额，反映最活跃市场资金的短期动向[4][35]。 * **因子具体构建过程**：对于登上龙虎榜的个股，计算其上榜当日买入金额前五与卖出金额前五的营业部，其买入总额与卖出总额的差值，即营业部资金净流入[36]。 7. **因子名称**：高频股东户数增幅[4][37] * **因子构建思路**：计算最新两期股东户数的变动比例，股东户数大幅增加可能暗示筹码分散，对后续股价构成潜在风险[37]。 * **因子具体构建过程**：基于交易所互动平台的最新两期股东户数信息，计算其变动比例。 $$变动比例 = \frac{最新股东户数 - 上期股东户数}{上期股东户数} \times 100\%$$ [38][40] 8. **因子名称**：放量因子[18][20] * **因子构建思路**：通过比较短期与长期平均成交额，识别成交量显著放大的个股[18][20]。 * **因子具体构建过程**：计算个股成交额的10日移动平均（MA10）与60日移动平均（MA60）的比值，作为放量程度的度量[20]。 $$放量程度 = \frac{成交额MA10}{成交额MA60}$$ [20] 模型的回测效果 *本报告为资金行为监测报告，未提供上述量化模型的回测效果指标。* 因子的回测效果 *本报告为资金行为监测报告，未提供上述量化因子在选股或预测方面的统一回测效果指标（如IC、IR、多空收益等）。报告主要展示了各因子在光模块板块上的近期截面排序或时间序列走势结果[4]。*

量化模型与构建方式 1. **模型/因子名称**：封板率[17] **模型/因子构建思路**：通过计算盘中最高价涨停且收盘涨停的股票数量与盘中最高价涨停的股票总数之比，来衡量市场涨停板的封板质量或资金封板的坚决程度[17] **模型/因子具体构建过程**： 1. 筛选出上市满3个月以上的股票[17] 2. 在目标交易日，识别出盘中最高价达到涨停价的股票集合[17] 3. 在上述集合中，进一步识别出收盘价也达到涨停价的股票[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/因子名称**：连板率[17] **模型/因子构建思路**：通过计算连续两日收盘涨停的股票数量与前一交易日收盘涨停的股票总数之比，来衡量市场涨停板的持续性和短线炒作热度[17] **模型/因子具体构建过程**： 1. 筛选出上市满3个月以上的股票[17] 2. 在目标交易日（T日），识别出前一交易日（T-1日）收盘涨停的股票集合[17] 3. 在上述集合中，进一步识别出T日收盘也涨停的股票[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. **模型/因子名称**：大宗交易折价率[26] **模型/因子构建思路**：通过计算大宗交易成交总额与按当日市价计算的成交份额总市值之间的差异比率，来反映大资金通过大宗交易渠道交易的折让程度，可作为观察大资金动向和市场情绪的指标[26] **模型/因子具体构建过程**： 1. 获取目标交易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. 计算大宗交易总成交金额[26] 3. 计算大宗交易成交份额按当日收盘价（或成交均价）计算的总市值[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] 4. **模型/因子名称**：股指期货年化贴水率[28] **模型/因子构建思路**：通过计算股指期货价格与现货指数价格之间的基差，并将其年化，来量化股指期货的升贴水状态，用于衡量市场情绪、对冲成本及期现套利空间[28] **模型/因子具体构建过程**： 1. 选定目标股指期货合约（如主力合约）和对应的现货指数[28] 2. 计算基差：基差 = 期货价格 - 现货指数价格[28] 3. 获取该期货合约的剩余交易日数[28] 4. 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] 模型的回测效果 1. 封板率模型，2026年4月16日当日取值为77%[17] 2. 连板率模型，2026年4月16日当日取值为18%[17] 3. 大宗交易折价率因子，近半年以来平均取值为7.14%，2026年4月15日当日取值为4.62%[26] 4. 股指期货年化贴水率因子，近一年以来中位数取值：上证50为1.39%，沪深300为4.85%，中证500为10.84%，中证1000为13.18%[28]。2026年4月16日当日取值：上证50为3.91%，沪深300为7.22%，中证500为8.18%，中证1000为12.77%[28]