量化模型与构建方式 1. **模型名称**：网下打新收益测算模型[10][49][54] **模型构建思路**：通过假设条件，测算不同类别、不同规模账户参与网下新股申购，并在上市首日以均价卖出所能获得的理想化收益[10][49][54] **模型具体构建过程**： * **核心假设**： 1. 账户参与所有主板、科创板、创业板新股网下申购且全部打中[10] 2. 上市首日以市场均价卖出，忽略锁定期限制[10] 3. 对于科创板和创业板，假设报价全部入围[54] 4. 账户资金配置为一半沪市、一半深市且股票满仓[54] 5. 资金使用效率为90%[54] * **单只股票满中收益计算**： 1. 计算单只股票的“满中数量”：$$满中数量 = 可申购上限额度 \times 网下A类平均中签率$$[49] 2. 计算单只股票的“满中收益”：$$满中收益 = (首次开板价 - 首发价格) \times 满中数量$$[49] 3. 对于分多档询价的股票，使用A类平均中签率计算[10] * **账户累计打新收益率计算**： 1. 将指定时间段内（如逐月）所有新股的网下打新收益相加，得到该时间段的总收益[54][56] 2. 用总收益除以账户规模，得到打新收益率[56] **模型评价**：该模型提供了一个在理想化假设下的打新收益理论测算框架，用于跟踪和比较不同市场条件下的打新收益潜力，但实际收益会受到入围率、卖出价格、资金效率等多种因素影响[10][54] 模型的回测效果 1. **网下打新收益测算模型 (A类账户，2026年截至4/17)**[10] * 2亿规模账户打新收益率：0.70%[10] * 10亿规模账户打新收益率：0.34%[10] 2. **网下打新收益测算模型 (B类账户，2026年截至4/17)**[10] * 2亿规模账户打新收益率：0.61%[10] * 10亿规模账户打新收益率：0.29%[10] 3. **网下打新收益测算模型 (A类账户，2025年至今)**[56] * 1.5亿规模账户累计收益率：4.78%[56] * 2亿规模账户累计收益率：4.50%[56] * 3亿规模账户累计收益率：3.88%[56] * 5亿规模账户累计收益率：3.07%[56] * 10亿规模账户累计收益率：2.07%[56] 4. **网下打新收益测算模型 (B类账户，2025年至今)**[62] * 1.5亿规模账户累计收益率：3.72%[62] * 2亿规模账户累计收益率：3.48%[62] * 3亿规模账户累计收益率：2.93%[62] * 5亿规模账户累计收益率：2.20%[62] * 10亿规模账户累计收益率：1.33%[62] 量化因子与构建方式 1. **因子名称**：新股上市首日均价涨幅[2][22][45] **因子构建思路**：计算新股上市首日收盘均价相对于发行价格的涨跌幅，用以衡量新股上市初期的市场表现和打新收益空间[2][22][45] **因子具体构建过程**： * 获取新股上市首日的市场均价（首次开板价）和发行价格[49] * 计算涨幅：$$上市首日均价涨幅 = \frac{首次开板价 - 发行价格}{发行价格} \times 100\%$$[49] * 报告中对近期科创板、创业板新股分别计算了滚动平均涨幅[2][22] 2. **因子名称**：有效报价账户数[2][30] **因子构建思路**：统计在网下询价阶段提交有效报价的A类和B类投资者账户数量，用以反映打新市场的参与热度和竞争程度[2][30] **因子具体构建过程**：直接提取各板块最近一只新股在初步询价环节产生的A类、B类有效报价账户数量[30] 3. **因子名称**：满中收益[49][53] **因子构建思路**：测算在顶格申购且全部中签的理想情况下，单只新股能为特定类别账户带来的绝对收益金额，用于横向比较不同新股的打新价值[49][53] **因子具体构建过程**：使用模型部分所述公式计算单只新股的“满中收益”[49] 因子的回测效果 1. **新股上市首日均价涨幅因子 (近期20只新股滚动表现)**[2][22] * 科创板个股上市首日平均涨幅：240.19%[2][22] * 创业板个股上市首日平均涨幅：242.16%[2][22] 2. **有效报价账户数因子 (最近一只新股)**[30] * 科创板A类有效报价账户数：5371[30] * 科创板B类有效报价账户数：2053[30] * 创业板A类有效报价账户数：4975[30] * 创业板B类有效报价账户数：3202[30] * 沪市主板A类有效报价账户数：6365[30] * 沪市主板B类有效报价账户数：3551[30] * 深市主板A类有效报价账户数：5337[30] * 深市主板B类有效报价账户数：3399[30] 3. **满中收益因子 (近一个月内新上市股票，A类账户)**[49][53] * 最高满中收益（大普微）：53.36万元[49][53] * 次高满中收益（视涯科技）：21.80万元[49][53] * 第三高满中收益（宏明电子）：15.62万元[49][53] * 大部分股票满中收益位于0至100万元区间[49]

Smart Beta与生命周期优选组合模型总结 量化模型与构建方式 1. **模型名称：风格 Smart Beta 组合模型**[6] * **模型构建思路**：基于价值、成长、小盘三种历史相关性低的风格，分别构建旨在获取高beta弹性的“50组合”和追求长期稳健超额收益的“均衡50组合”[6]。 * **模型具体构建过程**： 1. **风格分类**：根据专题报告，将个股划分为价值、成长、小盘等不同风格类别[6]。 2. **组合构建目标**：针对每种风格，构建两个不同目标的组合： * **“50组合”**：目标为高beta弹性，旨在捕捉风格行情中的高收益[6]。 * **“均衡50组合”**：目标为长期稳健超额收益，旨在控制风险的同时获取稳定回报[6]。 3. **选股与加权**：在每种风格类别内，根据特定的量化因子（报告未在本周报中详述，需参考对应专题报告）筛选个股并构建包含50只股票的组合[6]。 2. **模型名称：生命周期优选组合模型**[6] * **模型构建思路**：以企业现金流模式为基础，将上市公司系统性地划分为不同的生命周期阶段，并针对各阶段的投资逻辑构建相应的优选组合[6]。 * **模型具体构建过程**： 1. **生命周期划分**：根据专题报告，以现金流为基础，将A股上市公司划分为初创、成长、成熟、整合（困境反转）四个生命周期阶段[6]。 2. **组合构建逻辑**：针对每个生命周期阶段，基于其特有的财务特征和市场表现逻辑（如成长阶段的增长潜力、困境反转阶段的修复机会等），设计相应的选股策略[6]。 3. **组合构建**：在每个生命周期阶段内，应用对应的选股策略筛选个股，构建优选组合，例如“成长优选”、“初创优选”、“成熟稳健”、“困境反转”组合[4][6]。 模型的回测效果 **注**：所有业绩数据统计周期为上周（2026.04.13-2026.04.17）、本月（2026.04.01-2026.04.17）及今年以来（2026.01.05-2026.04.17）[9]。超额收益基准已在表中列明。 1. **价值50模型**[9] * **周收益率**：-0.12% * **周超额收益**：-0.66%（基准：国证价值） * **月收益率**：-0.31% * **月超额收益**：-2.20% * **年收益率**：-0.96% * **年超额收益**：-2.00% * **最大相对回撤**：3.17% 2. **价值均衡50模型**[9] * **周收益率**：-1.47% * **周超额收益**：-2.01%（基准：国证价值） * **月收益率**：0.02% * **月超额收益**：-1.87% * **年收益率**：0.79% * **年超额收益**：-0.25% * **最大相对回撤**：6.82% 3. **成长50模型**[9] * **周收益率**：3.11% * **周超额收益**：0.00%（基准：国证成长） * **月收益率**：10.18% * **月超额收益**：1.64% * **年收益率**：6.24% * **年超额收益**：-2.18% * **最大相对回撤**：4.21% 4. **成长均衡50模型**[9] * **周收益率**：2.42% * **周超额收益**：-0.69%（基准：国证成长） * **月收益率**：9.04% * **月超额收益**：0.50% * **年收益率**：11.88% * **年超额收益**：3.46% * **最大相对回撤**：6.04% 5. **小盘50模型**[9] * **周收益率**：0.14% * **周超额收益**：-3.78%（基准：国证2000） * **月收益率**：0.97% * **月超额收益**：-8.08% * **年收益率**：6.57% * **年超额收益**：-3.20% * **最大相对回撤**：8.08% 6. **小盘均衡50模型**[9] * **周收益率**：3.62% * **周超额收益**：-0.31%（基准：国证2000） * **月收益率**：9.08% * **月超额收益**：0.03% * **年收益率**：8.04% * **年超额收益**：-1.73% * **最大相对回撤**：8.33% 7. **成长优选模型**[9] * **周收益率**：5.04% * **周超额收益**：2.11%（基准：偏股混基金指数） * **月收益率**：11.22% * **月超额收益**：2.33% * **年收益率**：17.62% * **年超额收益**：9.71% * **最大相对回撤**：4.03% 8. **成熟稳健模型**[9] * **周收益率**：1.29% * **周超额收益**：-1.01%（基准：中证800） * **月收益率**：5.79% * **月超额收益**：-0.92% * **年收益率**：3.25% * **年超额收益**：-1.02% * **最大相对回撤**：6.88% 9. **初创优选模型**[9] * **周收益率**：4.66% * **周超额收益**：1.97%（基准：中证全指） * **月收益率**：12.46% * **月超额收益**：5.41% * **年收益率**：9.59% * **年超额收益**：3.93% * **最大相对回撤**：11.22% 10. **困境反转模型**[9] * **周收益率**：1.91% * **周超额收益**：-0.78%（基准：中证全指） * **月收益率**：3.10% * **月超额收益**：-3.94% * **年收益率**：4.61% * **年超额收益**：-1.05% * **最大相对回撤**：3.94%

量化模型与构建方式 1. **模型名称**：多因子模型[15] **模型构建思路**：通过结合多个能够预测股票未来收益的因子，构建综合评分模型，以筛选出具有更高预期收益的股票组合[15] **模型具体构建过程**：报告未详细描述具体的多因子模型构建过程，仅提及存在采用多因子策略的基金类别[15] 2. **模型名称**：大数据驱动主动投资模型[15] **模型构建思路**：利用海量、非结构化的数据（如互联网文本、搜索数据、交易数据等）作为输入，通过机器学习或数据挖掘技术构建预测模型，指导投资决策[15] **模型具体构建过程**：报告未详细描述具体的大数据模型构建过程，仅提及存在采用大数据驱动主动投资策略的基金类别[15] 3. **模型名称**：行业主题轮动模型[15] **模型构建思路**：基于宏观经济、市场情绪、行业景气度等指标，判断不同行业或投资主题的未来表现，并动态调整投资组合的行业配置以获取超额收益[15] **模型具体构建过程**：报告未详细描述具体的轮动模型构建过程，仅提及存在采用行业主题轮动策略的基金类别[15] 模型的回测效果 （注：报告未提供具体量化模型的回测指标，如年化收益率、夏普比率、最大回撤、信息比率等。以下为报告中提及的各类策略基金在特定统计期内的收益表现中位数。） 1. 多因子模型基金，本周收益中位数2.85%[15]，本月收益中位数7.95%[19]，本季度收益中位数7.95%[19]，本年度收益中位数9.15%[19] 2. 大数据驱动主动投资模型基金，本周收益中位数2.14%[15]，本月收益中位数6.00%[20]，本季度收益中位数6.00%[20]，本年度收益中位数6.84%[20] 3. 行业主题轮动模型基金，本周收益中位数2.33%[15]，本月收益中位数7.36%[18]，本季度收益中位数7.36%[18]，本年度收益中位数6.95%[18] 量化因子与构建方式 （注：报告未提及任何具体的量化因子及其构建方法。） 因子的回测效果 （注：报告未提及任何具体的量化因子及其回测效果。）

量化模型与因子总结 量化模型与构建方式 1. **模型名称：Barra模型** * **模型构建思路：** 用于对基金或投资组合的收益进行归因分析，将总收益分解为市场因子、风格因子、行业因子以及残差项（Alpha）等部分，以清晰识别收益来源[24]。 * **模型具体构建过程：** 报告未详细描述Barra模型的具体构建步骤和公式，仅将其作为一种业绩归因方法使用。其核心思想是通过多因子模型框架，将投资组合的超额收益归因于一系列已知的风险因子（如市值、估值、动量等）和行业暴露，剩余的无法被这些因子解释的部分即为选股Alpha[24]。 * **模型评价：** 该模型是金融工程领域广泛使用的标准化风险模型和业绩归因工具，能够有效剥离市场Beta和风格暴露，从而评估基金经理的纯选股能力[24]。 2. **模型名称：目标风险配置模型** * **模型构建思路：** 根据投资者预设的风险等级（如保守、稳健、平衡、进取），确定一个长期稳定的股债资产配置比例中枢，通过投资于相应的宽基ETF来实现该配置目标，旨在提供与风险偏好匹配的标准化长期配置方案[55][58][59]。 * **模型具体构建过程：** 1. **风险分层：** 预先设定几个明确的风险等级及对应的战略资产配置（SAA）比例。例如，保守型（股票30%/债券70%）、稳健型（40%/60%）、平衡型（60%/40%）、进取型（80%/20%）[60][64]。 2. **底层工具映射：** 将股票和债券的配置权重，进一步细分为投资于不同区域、不同风格的底层ETF组合。例如，股票部分可配置于美国宽基ETF和新兴市场ETF，债券部分可配置于全市场债券ETF和国债ETF[67]。 3. **组合构建与再平衡：** 严格按照预设比例构建ETF-FOF组合，并通常以半年为周期进行定期再平衡，使组合权重回归战略配置中枢，以维持恒定的风险敞口[59][67]。 3. **模型名称：目标日期配置模型（下滑曲线模型）** * **模型构建思路：** 以投资者的预计退休年份（目标日期）为锚点，随着时间推移，按照一条预设的“下滑曲线”动态降低组合中权益资产的比例，同时增加固定收益资产的比例，使投资组合的风险特征从早期的“资本增值”向后期的“稳健收益”平滑过渡，以满足生命周期投资需求[50][58][72]。 * **模型具体构建过程：** 1. **设定下滑曲线：** 预先规划好从当前日期到目标日期（及之后）整个时间段内，每一时点的目标股债配置比例。例如，距离退休45年至30年时，权益占比99%；退休当年，权益占比降至40%[74][77][78]。 2. **动态调整机制：** 基金根据当前日期距离目标日期的年限，自动对照下滑曲线调整其底层ETF组合中股票型ETF和债券型ETF的配置权重[72][74]。 3. **底层资产分散化：** 权益和固收部分的投资同样通过分散化的ETF组合实现，可能包含宽基、行业乃至REITs等资产[72][77]。 4. **模型名称：核心-卫星配置模型** * **模型构建思路：** 将投资组合分为“核心”和“卫星”两部分。“核心”部分通常配置于低费率、高流动性的宽基市场指数ETF，旨在获取市场稳定的Beta收益；“卫星”部分则配置于Smart Beta、行业主题或主动型ETF，旨在追求超额收益（Alpha），实现成本与收益增强的平衡[4][51]。 * **模型具体构建过程：** 报告未给出具体的构建公式或量化步骤，主要描述了其架构思想。管理人会确定一个核心仓位（如60%-80%）投资于像VOO（追踪标普500）这样的宽基ETF，剩余卫星仓位则根据策略观点，灵活配置于特定因子、行业或区域的ETF上[4][51]。 5. **模型名称：风险平价模型** * **模型构建思路：** 一种资产配置方法，其目标是让组合中的各类资产对整体组合的风险贡献度相等，而不是简单地均衡资金权重，从而更有效地实现分散化，理论上能在不同经济环境下提供更稳健的表现[48][52][53]。 * **模型具体构建过程：** 报告未详细阐述其具体构建过程。通常，该模型需要计算各类资产的风险度量（如波动率、协方差），并通过优化算法调整资产权重，使得每种资产的边际风险贡献一致。 6. **模型名称：衍生品风险管理框架（基于VaR）** * **模型构建思路：** 为使用衍生品的基金（包括ETF）建立统一的风险管理标准，通过风险价值（VaR）等量化指标来度量并限制组合的整体杠杆和风险敞口，防止过度投机，以符合监管的投资者保护原则[42][43][46]。 * **模型具体构建过程：** 1. **实施风险管理计划：** 要求基金设立正式的衍生品风险管理计划，并任命衍生品风险经理[42][46]。 2. **设定风险限额：** 基于风险价值（VaR）模型，为基金的整体风险暴露设定上限。VaR模型用于估算在特定置信水平和持有期内，投资组合可能的最大损失[42][43]。 3. **持续监控与报告：** 对衍生品头寸和组合整体风险进行持续监控，并履行相应的信息披露义务[42][46]。 模型的回测效果 > **注：** 本报告主要为产品与策略介绍，未提供系统性的模型回测结果与统一的绩效指标对比。以下为报告中提及的个别产品示例数据。 1. **iShares核心配置系列（目标风险模型）**，五年期年化收益率：保守型(AOK)约4.16%，平衡型(AOR)约8.46%，进取型(AOA)约11.00%[69]。 2. **iShares ESG责任配置系列（目标风险模型）**，五年期年化收益率：进取型(EAOA)约10.45%[69]。 3. **iShares LifePath系列（目标日期模型）**，2025年度收益率：已到期基金约12%，2070年到期基金约22%[78]。 量化因子与构建方式 > **注：** 本报告主要探讨资产配置模型与产品策略，未涉及针对个股或证券的传统量化因子（如价值、动量、质量等）的构建与分析。报告提到的“因子”主要指资产配置框架下的收益来源（如Beta、Alpha）或风险因子（在Barra模型中），但未给出这些因子的具体构建方法。 因子的回测效果 > **注：** 报告未提供任何量化因子的独立测试结果。

量化模型与构建方式 1. 模型名称：绿色转型板块资金流向分类模型[33] 模型构建思路：为追踪与碳中和进程相关的资金流向，将市场行业基于其在碳减排链条中的功能定位划分为不同板块[33] 模型具体构建过程：模型将A股行业划分为三个核心板块及一个其他板块，具体分类标准如下[33]： * **低碳核心板块**：涵盖直接贡献碳减排的行业，是新能源发电、绿色出行及减污降碳的核心环节。主要包括电力设备、环保，以及公用事业和汽车行业的部分领域[33]。 * **低碳支撑板块**：涵盖为产业绿色转型提供数字化、自动化和智能化支撑的行业，是提升社会整体能效与资源利用效率的关键赋能方。主要包括计算机、通信、电子及机械设备的部分领域[33]。 * **转型主体板块**：涵盖能源消耗强度高、排放基数大的行业，是碳减排的重点领域。主要包括火电、煤炭、钢铁、有色金属、化工等多个领域[33]。 * **其他板块**：除上述三类之外的所有行业[34]。 模型的回测效果 1. 绿色转型板块资金流向分类模型，本周主力净流入额（亿元）：低碳核心板块-160，低碳支撑板块-379，转型主体板块-48，其他板块-230[34] 2. 绿色转型板块资金流向分类模型，本周主力净流入率（%）：低碳核心板块-0.90，低碳支撑板块-0.87，转型主体板块-0.23，其他板块-0.68[34] 3. 绿色转型板块资金流向分类模型，本周成交额占比（%）：低碳核心板块15.31，低碳支撑板块37.36，转型主体板块18.05，其他板块29.27[34][37][40] 量化因子与构建方式 1. 因子名称：ESG事件关注度因子[42] 因子构建思路：通过统计全市场发生的ESG相关事件数量，并按照事件性质（正向、负向、中性）和议题维度（E、S、G）进行分类，以衡量市场的ESG舆情热度与结构[42][45] 因子具体构建过程： * **事件总数**：统计特定周期内（如本周）全市场发生的所有ESG事件数量[42]。本周录得1653件[42]。 * **事件性质分类**：将事件分为正向、负向、中性三类，并计算各类事件的数量及占比[42]。本周正向事件837件（占比50.6%），负向事件693件（占比41.9%），中性事件123件（占比7.4%）[42]。 * **议题维度分类**：将事件按环境（E）、社会（S）、治理（G）三个维度进行分类统计[45]。本周治理（G）类事件1411件（占比85.4%），环境（E）类事件197件，社会（S）类事件56件[45]。 * **热点议题识别**：在每个维度下，统计出现频率最高的具体议题[45][52]。例如，本周G维度TOP3热点议题为“战略合作”、“信披违规”、“减持”；E维度TOP3热点议题为“响应碳中和”、“正面环境事件”、“绿色产品”[47][52]。 2. 因子名称：行业ESG声量因子[48] 因子构建思路：统计各行业发生的ESG事件数量，以识别市场关注度最高的行业，并分析其内部的事件性质与议题构成[48][49][52] 因子具体构建过程： * **行业事件总数排序**：统计各行业在特定周期内发生的ESG事件总数，并进行排序[48]。本周事件总数前三的行业为：汽车（170件）、电力设备（156件）、电子（156件）[49][52]。 * **行业事件性质分布**：对重点行业，进一步统计其正向、负向、中性事件的数量[52]。例如，本周汽车行业正向事件116件，负向事件47件，中性事件7件[52]。 * **行业热点议题识别**：识别各重点行业内最受关注的TOP3议题[52]。例如，本周汽车行业TOP3议题为“战略合作”、“响应碳中和”、“安全事故”；电力设备行业为“战略合作”、“信披违规”、“响应碳中和”[52]。 因子的回测效果 1. ESG事件关注度因子，本周事件总数：1653件[42] 2. ESG事件关注度因子，本周正向事件占比：50.6%[42] 3. ESG事件关注度因子，本周负向事件占比：41.9%[42] 4. ESG事件关注度因子，本周治理（G）类事件占比：85.4%[45] 5. 行业ESG声量因子，本周事件总数TOP3行业：汽车（170件），电力设备（156件），电子（156件）[49][52] 6. 行业ESG声量因子，汽车行业正向事件占比：68.2%[49]

量化模型与构建方式 1. **模型名称：微盘股轮动策略**[19][27] * **模型构建思路**：通过结合微盘股与茅指数的相对净值趋势和短期价格动量，构建大小盘轮动策略，以捕捉风格切换机会[19][27]。 * **模型具体构建过程**： * **子策略一：相对净值与年均线比较**。计算微盘股指数与茅指数的相对净值，当该相对净值高于其243日移动平均线时，倾向于投资微盘股；反之则投资茅指数[27]。 * **子策略二：20日收盘价斜率比较**。分别计算微盘股指数和茅指数的20日收盘价斜率。当两个指数的斜率方向相反且其中一方为正时，选择投资斜率为正的指数[27]。 * **综合策略**：综合以上两个子策略的信号，决定最终配置方向。报告指出，当前两个子策略信号出现分歧，导致轮动策略处于均衡配置状态[19]。 2. **模型名称：微盘股择时风控模型**[19][27] * **模型构建思路**：通过监控与市场风险相关的宏观及市场指标，在指标触及预设阈值时发出平仓信号，以控制微盘股投资的中期系统性风险[19][27]。 * **模型具体构建过程**： * **监控指标一：十年期国债到期收益率同比**。计算该指标的同比变化率，当该值触及30%的阈值时，发出风控信号[27]。 * **监控指标二：微盘股波动率拥挤度同比**。计算该指标的同比变化率，当该值触及55%的阈值时，发出风控信号[27]。 * **风控规则**：任一指标触及其对应阈值，则发出平仓信号[27]。 3. **模型名称：宏观择时模型**[49] * **模型构建思路**：基于经济增长和货币流动性等宏观维度构建动态事件因子，用于进行股债资产配置的择时判断[49]。 * **模型具体构建过程**：报告未详细描述该模型的构建过程，但指出其细节可参考历史研究报告《Beta 猎手系列：基于动态宏观事件因子的股债轮动策略》[49]。 模型的回测效果 1. **宏观择时模型**，2026年年初至今收益率为2.44%，同期Wind全A收益率为-1.15%[49]。截至2026年3月31日，模型对4月份经济增长层面信号强度为50%，货币流动性层面信号强度为0%，综合给出的股票推荐仓位为25%[49][50]。 量化因子与构建方式 1. **因子名称：一致预期因子 (排序方向：↑)**[64][67] * **因子构建思路**：使用分析师一致预期数据，捕捉市场对未来盈利预期的变化[64][67]。 * **因子具体构建过程**：包含多个细分因子，例如： * `EPS_FTTM_Chg3M`：未来12个月一致预期EPS过去3个月的变化率[67]。 * `ROE_FTTM_Chg3M`：未来12个月一致预期ROE过去3个月的变化率[67]。 * `TargetReturn_180D`：一致预期目标价相对于目前股价的收益率[67]。 2. **因子名称：成长因子 (排序方向：↑)**[64][67] * **因子构建思路**：使用公司财务数据的增长率，衡量公司的成长性[64][67]。 * **因子具体构建过程**：包含多个细分因子，例如： * `NetIncome_SQ_Chg1Y`：单季度净利润同比增速[64]。 * `OperatingIncome_SQ_Chg1Y`：单季度营业利润同比增速[64]。 * `Revenues_SQ_Chg1Y`：单季度营业收入同比增速[67]。 3. **因子名称：价值因子 (排序方向：↑)**[64][67] * **因子构建思路**：使用公司市值与账面价值、盈利、收入等指标的比率，寻找估值相对较低的股票[64][67]。 * **因子具体构建过程**：包含多个细分因子，例如： * `BP_LR`：最新年报账面净资产/最新市值[64]。 * `EP_FTTM`：未来12个月一致预期净利润/最新市值[64]。 * `SP_TTM`：过去12个月营业收入/最新市值[64]。 4. **因子名称：质量因子 (排序方向：↑)**[64][67] * **因子构建思路**：使用盈利能力、运营效率等财务指标，衡量公司的经营质量[64][67]。 * **因子具体构建过程**：包含多个细分因子，例如： * `ROE_FTTM`：未来12个月一致预期净利润/股东权益均值[67]。 * `GrossMargin_TTM`：过去12个月毛利率[67]。 * `Revenues2Asset_TTM`：过去12个月营业收入/总资产均值[67]。 5. **因子名称：技术因子 (排序方向：↓)**[64][67] * **因子构建思路**：使用成交量、换手率、价格形态等技术指标，捕捉市场交易行为特征[64][67]。 * **因子具体构建过程**：包含多个细分因子，例如： * `Volume_Mean_20D_240D`：20日成交量均值/240日成交量均值[67]。 * `Skewness_240D`：240日收益率偏度[67]。 * `Turnover_Mean_20D`：20日换手率均值[67]。 6. **因子名称：波动率因子 (排序方向：↓)**[64][67] * **因子构建思路**：使用历史收益率波动率或因子模型残差波动率，衡量股票的风险水平[64][67]。 * **因子具体构建过程**：包含多个细分因子，例如： * `Volatility_60D`：60日收益率标准差[67]。 * `IV_CAPM`：CAPM模型残差波动率[67]。 * `IV_FF`：Fama-French三因子模型残差波动率[67]。 7. **因子名称：反转因子 (排序方向：↓)**[64][67] * **因子构建思路**：使用过去不同时间窗口的收益率，捕捉股价的均值回归效应[64][67]。 * **因子具体构建过程**：包含多个细分因子，例如： * `Price_Chg20D`：20日收益率[67]。 * `Price_Chg60D`：60日收益率[67]。 * `Price_Chg120D`：120日收益率[67]。 8. **因子名称：市值因子 (排序方向：↓)**[64] * **因子构建思路**：使用公司流通市值，衡量公司规模大小[64]。 * **因子具体构建过程**：主要细分因子为`LN_MktCap`，即流通市值的对数[64]。 9. **因子名称：可转债正股一致预期因子**[63][64] * **因子构建思路**：从正股与可转债的相关关系出发，将用于预测正股的“一致预期因子”应用于可转债择券[63]。 * **因子具体构建过程**：报告未给出具体构建公式，但指出其来源于正股的一致预期因子[63]。 10. **因子名称：可转债正股成长因子**[63][64] * **因子构建思路**：从正股与可转债的相关关系出发，将用于预测正股的“成长因子”应用于可转债择券[63]。 * **因子具体构建过程**：报告未给出具体构建公式，但指出其来源于正股的成长因子[63]。 11. **因子名称：可转债估值因子**[63][64] * **因子构建思路**：直接从可转债自身特性出发构建估值指标[63]。 * **因子具体构建过程**：报告指出选取了“平价底价溢价率”作为转债估值因子，但未给出具体计算公式[63]。 因子的回测效果 （以下数据均基于“上周”时间窗口，因子多空收益单位为%）[55] 1. **一致预期因子**，全部A股IC均值1.85%，多空收益-0.18%[55]；沪深300 IC均值16.99%，多空收益2.41%[55]；中证500 IC均值3.82%，多空收益-0.40%[55]；中证1000 IC均值-0.13%，多空收益-0.12%[55] 2. **成长因子**，全部A股IC均值9.05%，多空收益1.70%[55]；沪深300 IC均值10.26%，多空收益0.95%[55]；中证500 IC均值10.90%，多空收益2.88%[55]；中证1000 IC均值10.43%，多空收益2.38%[55] 3. **价值因子**，全部A股IC均值-17.92%，多空收益-3.13%[55]；沪深300 IC均值-21.95%，多空收益-3.42%[55]；中证500 IC均值-27.01%，多空收益-4.08%[55]；中证1000 IC均值-26.75%，多空收益-4.66%[55] 4. **质量因子**，全部A股IC均值2.92%，多空收益0.13%[55]；沪深300 IC均值-4.02%，多空收益0.70%[55]；中证500 IC均值0.92%，多空收益-2.11%[55]；中证1000 IC均值-4.22%，多空收益-1.12%[55] 5. **技术因子**，全部A股IC均值-8.89%，多空收益-2.25%[55]；沪深300 IC均值-4.24%，多空收益-0.40%[55]；中证500 IC均值-14.07%，多空收益-1.28%[55]；中证1000 IC均值-7.85%，多空收益-2.02%[55] 6. **波动率因子**，全部A股IC均值-14.33%，多空收益-3.06%[55]；沪深300 IC均值-11.84%，多空收益-1.92%[55]；中证500 IC均值-17.39%，多空收益-3.86%[55]；中证1000 IC均值-16.93%，多空收益-3.89%[55] 7. **反转因子**，全部A股IC均值-6.63%，多空收益-2.72%[55]；沪深300 IC均值-3.71%，多空收益-1.90%[55]；中证500 IC均值-7.75%，多空收益-2.16%[55]；中证1000 IC均值-11.30%，多空收益-4.62%[55] 8. **市值因子**，全部A股IC均值0.25%，多空收益0.86%[55]；沪深300 IC均值-0.51%，多空收益-1.97%[55]；中证500 IC均值-21.66%，多空收益-5.40%[55]；中证1000 IC均值-18.14%，多空收益-3.02%[55]

量化模型与构建方式 1. **模型名称：市场择时体系**[2][6] * **模型构建思路**：通过计算市场宽基指数（wind全A）的短期均线与长期均线的距离差，来区分市场的整体环境（如震荡、上涨、下跌格局）[2][6]。 * **模型具体构建过程**： 1. 选择标的指数：wind全A指数。 2. 计算均线：计算wind全A指数的20日移动平均线（短期均线）和120日移动平均线（长期均线）[2][6]。 3. 计算均线距离差：计算短期均线与长期均线的相对距离，公式为： $$均线距离 = (短期均线 - 长期均线) / 长期均线 \times 100\%$$ 其中，短期均线为20日均线，长期均线为120日均线[2][6]。 4. 市场状态判断：根据均线距离的数值和绝对值大小来界定市场格局。例如，报告中指出“距离绝对值低于3%，市场进入典型的震荡格局”[2][6]。 2. **模型名称：仓位管理模型**[2][7] * **模型构建思路**：综合市场估值水平和短期趋势判断，为绝对收益产品提供股票仓位的量化建议[2][7]。 * **模型具体构建过程**： 1. 评估估值水平：计算wind全A指数的PE（市盈率）和PB（市净率）在其历史数据中的分位数位置，以判断估值处于中等、偏高等水平[2][7]。 2. 判断短期趋势：结合其他择时信号（如上述择时体系）对市场短期走势进行定性判断[2][7]。 3. 生成仓位建议：基于估值水平和短期趋势的综合判断，输出具体的仓位建议比例。例如，当前估值水平为“中等偏高水平”和“中等水平”，结合市场处于“震荡格局”的判断，模型建议仓位为50%[2][7]。 3. **模型名称：中期行业配置模型**[2][5][7] * **模型构建思路**：通过特定的子模型（如业绩趋势模型）来识别和推荐具有中长期配置价值的行业或板块[2][5][7]。 * **模型具体构建过程**：报告未详细描述该模型的整体构建过程，但提及了其核心子模型。 4. **因子/子模型名称：业绩趋势模型**[2][5][7] * **因子/模型构建思路**：作为中期行业配置模型的一部分，用于识别业绩趋势向好或具有确定性的行业板块[2][5][7]。 * **因子/模型具体构建过程**：报告未提供该模型或因子具体的构建公式和详细步骤，仅说明了其输出结果，即提示关注的行业方向（如电池、算力、有色产业链）[2][5][7]。 模型的回测效果 （注：本篇报告为周度市场观点，主要展示模型当前信号和结论，未提供历史回测的详细绩效指标，如年化收益率、夏普比率、最大回撤等。因此，本部分无具体指标取值。） 量化因子与构建方式 （注：报告明确提及的独立量化因子较少。业绩趋势可能是一个因子逻辑，但报告未将其作为独立因子阐述其构建过程。估值指标PE和PB被用作仓位管理模型的输入，但报告未将其构建为用于选股的标准化因子。因此，本部分无具体因子构建内容。） 因子的回测效果 （注：报告未提供独立因子的测试结果，如IC值、IR、多空收益等。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：A股技术打分模型**[1][2][9] * **模型构建思路**：旨在充分挖掘技术面信息以刻画市场状态，基于对当前市场状态的理解，从价格、量能、波动、趋势、拥挤等多维度形成对未来的打分观点[2][9]。 * **模型具体构建过程**：将市场状态细分为价格、量能、波动、趋势和拥挤五个维度，在每个维度内部筛选出有效的市场观测指标（共10个）[9]。基于每个单指标分别发出多空择时信号，然后将10个指标的择时信号等权投票，形成-1至+1之间的综合打分结果[9]。具体指标包括：价格维度（20日布林带、20日价格乖离率）、量能维度（20日换手乖离率、60日换手乖离率）、趋势维度（20日ADX、20日新高天数占比）、波动维度（60日换手率波动、期权隐含波动率）、拥挤维度（成分股涨停家数占比5日平均、期权持仓量PCR-5日平均）[12]。基于综合打分构建择时策略：得分大于+0.33看多，得分处于-0.33至+0.33之间看平，得分小于-0.33看空[11]。 2. **模型名称：风格择时模型（红利风格）**[3][15] * **模型构建思路**：结合中证红利相对中证全指的动量、10Y-1Y期限利差和银行间质押式回购成交量三者的趋势进行红利风格择时[3]。 * **模型具体构建过程**：模型包含三个指标：1) 中证红利相对中证全指的动量（红利风格正向指标）；2) 10Y-1Y期限利差（红利风格负向指标）；3) 银行间质押式回购成交量（红利风格正向指标）[18]。三个指标从趋势维度日频发出信号，每日信号取值为0、+1、-1，分别代表看平、看多、看空[15]。以各维度得分之和的正负性，作为红利风格多空观点的依据[15]。当模型看好红利风格时，全仓持有中证红利；当模型不看好红利风格时，全仓持有中证全指[15]。 3. **模型名称：风格择时模型（大小盘风格）**[3][19] * **模型构建思路**：采用基于拥挤度分域的趋势模型进行大小盘风格择时，其中拥挤度采用小盘和大盘的动量之差和成交额之比刻画[3]。 * **模型具体构建过程**：以沪深300指数和万得微盘股指数为大小盘风格的代表[19]。首先计算大小盘风格拥挤度得分：1) 动量之差：计算万得微盘股指数与沪深300指数的10/20/30/40/50/60日动量之差，进一步计算各窗长动量之差的3.0/3.5/4.0/4.5/5.0年分位数的均值，对6个计算窗长下分位数最高的3个结果取均值，作为小盘风格的动量得分；对分位数最低的3个结果取均值，作为大盘风格的动量得分[23]。2) 成交额之比：计算万得微盘股指数与沪深300指数的10/20/30/40/50/60日成交额之比，进一步计算各窗长成交额之比的3.0/3.5/4.0/4.5/5.0年分位数的均值，对6个计算窗长下分位数最高的3个结果取均值，作为小盘风格的成交量得分；对分位数最低的3个结果取均值，作为大盘风格的成交量得分[23]。3) 将小盘风格的动量得分和成交量得分取均值，得到小盘风格的拥挤度得分，大于90%视为触发高拥挤；将大盘风格的动量得分和成交量得分取均值，得到大盘风格的拥挤度得分，小于10%视为触发高拥挤[23]。若最近20个交易日中，小盘或大盘风格曾触发过高拥挤，则模型运行在高拥挤区间，否则在低拥挤区间[21]。在高拥挤区间，采用参数值较小的双均线模型来应对风格反转；在低拥挤区间，采用参数值较大的双均线模型来跟踪中长期趋势[21]。 4. **模型名称：行业轮动模型（遗传规划模型）**[4][26] * **模型构建思路**：采用遗传规划技术直接对行业指数的量价、估值等特征进行因子挖掘，每季度末更新因子库，周频调仓，每周末选出多因子综合得分最高的五个行业进行等权配置[4][26]。 * **模型具体构建过程**：底层资产为33个中信行业指数[26]。模型采用多目标遗传规划，使用|IC|、IC胜率、NDCG@k三个指标来同时评价因子的分组单调性、时序稳定性和多头组表现[31]。在NSGA-II算法加持下，挖掘出兼具上述优点的行业轮动因子[31]。对于挖掘得到的备选因子，结合贪心策略和方差膨胀系数，将共线性较低的多个因子合成为行业得分[32]。因子挖掘的底层输入变量包括量价原始值、标准化值、分位数以及估值等数据[35]。在最新一期挖掘的因子中，权重最大的因子基于量价相关性构建，具体计算过程如下：1) 在时序上，针对单个行业，用其最近45个交易日的标准化月度成交额对标准化月度开盘价开展带有常数项的一元线性回归，取残差，记作变量A；2) 在时序上，将变量A除以其最近60个交易日的标准差，记作变量B；3) 对变量B采用HardSigmoid变换[35]。该因子表达式为：`ts_hardsigmoid_torch(ts_regres_torch(mamt_st, mopen_st, 45), 60)`[36]。 5. **模型名称：中国境内全天候增强组合**[5][37] * **模型构建思路**：采用宏观因子风险预算框架，选取增长超预期/不及预期、通胀超预期/不及预期四种宏观风险源作为平价对象；在四象限风险平价的基础上，基于宏观预期动量的观点主动超配看好象限，实现全天候增强[5][37]。 * **模型具体构建过程**：策略构建分为三步：1) 宏观象限划分与资产选择：选择增长和通胀维度，根据是否超预期划分为四象限（增长超预期、增长不及预期、通胀超预期、通胀不及预期），并结合“定量+定性”的方式确定各象限适配的资产[41]。2) 象限组合构建与风险度量：象限内资产等权构建子组合，注重刻画象限的下行风险[41]。3) 风险预算模型确定象限权重：每月底，根据“象限观点”调整象限风险预算，从而进行主动超配[41]。“象限观点”由宏观预期动量指标给出，该指标综合考虑资产价格交易的“买方预期动量”和经济指标预期差体现的“卖方预期差动量”[41]。 模型的回测效果 1. **A股技术打分模型**[14] * **回测区间**：2010-01-04 至 2026-04-17 * **年化收益**：20.58% * **年化波动**：17.30% * **最大回撤**：-23.74% * **夏普比率**：1.19 * **Calmar比率**：0.87 2. **风格择时模型（红利风格）**[16] * **回测区间**：2017-01-03 至 2026-04-17 * **年化收益**：17.14% * **最大回撤**：-25.52% * **夏普比率**：0.94 * **Calmar比率**：0.17 * **YTD收益**：13.82% * **上周收益**：2.70% 3. **风格择时模型（大小盘风格）**[24] * **回测区间**：2017-01-03 至 2026-04-17 * **年化收益**：27.40% * **最大回撤**：-32.05% * **夏普比率**：0.27 * **Calmar比率**：0.27 * **YTD收益**：9.48% * **上周收益**：0.59% 4. **行业轮动模型（遗传规划模型）**[29] * **回测区间**：2022-09-30 至 2026-04-17 * **年化收益**：31.56% * **年化波动**：17.93% * **夏普比率**：1.76 * **最大回撤**：-20.72% * **卡玛比率**：1.52 * **上周表现**：1.27% * **YTD收益**：9.63% 5. **中国境内全天候增强组合**[39] * **回测区间**：2013-12-31 至 2026-04-17 * **年化收益**：11.96% * **年化波动**：6.35% * **夏普比率**：1.88 * **最大回撤**：-6.30% * **卡玛比率**：1.90 * **上周表现**：1.20% * **YTD收益**：6.39% 量化因子与构建方式 1. **因子名称**：红利风格择时模型中的三个子因子[18] * **因子构建思路**：分别从动量、利率环境和资金面三个角度刻画红利风格的吸引力[18]。 * **因子具体构建过程**： * **相对动量因子**：计算中证红利指数相对中证全指的收益率动量，作为红利风格的正向指标[18]。 * **期限利差因子**：计算10年期与1年期国债收益率之差（10Y-1Y期限利差），作为红利风格的负向指标[18]。 * **银行间成交量因子**：采用银行间质押式回购成交量，作为红利风格的正向指标[18]。 2. **因子名称**：大小盘风格拥挤度得分因子[23] * **因子构建思路**：从动量差异和成交活跃度差异两个视角，综合计算大小盘风格的拥挤程度[19][23]。 * **因子具体构建过程**： * **动量得分**：分别计算小盘指数（万得微盘股）与大盘指数（沪深300）在不同时间窗口（10/20/30/40/50/60日）的动量之差，并计算各窗口动量之差在长周期（3.0/3.5/4.0/4.5/5.0年）的历史分位数均值[23]。对小盘风格，取6个窗口中分位数最高的3个结果计算均值作为其动量得分；对大盘风格，取分位数最低的3个结果计算均值作为其动量得分[23]。 * **成交量得分**：分别计算小盘指数与大盘指数在不同时间窗口（10/20/30/40/50/60日）的成交额之比，并计算各窗口成交额之比在长周期（3.0/3.5/4.0/4.5/5.0年）的历史分位数均值[23]。对小盘风格，取6个窗口中分位数最高的3个结果计算均值作为其成交量得分；对大盘风格，取分位数最低的3个结果计算均值作为其成交量得分[23]。 * **综合拥挤度得分**：将小盘（或大盘）风格的动量得分和成交量得分取均值，得到其最终的拥挤度得分[23]。小盘风格得分大于90%触发高拥挤，大盘风格得分小于10%触发高拥挤[23]。 3. **因子名称**：遗传规划挖掘的行业轮动因子（示例）[35][36] * **因子构建思路**：通过遗传规划算法自动挖掘行业量价数据中的有效规律，构建预测行业未来表现的因子[26][35]。 * **因子具体构建过程（以最新一期权重最高的因子为例）**： 1. 在时序上，针对单个行业，用其最近45个交易日的标准化月度成交额（`mamt_st`）对标准化月度开盘价（`mopen_st`）开展带有常数项的一元线性回归，取残差，记作变量A[35]。 2. 在时序上，将变量A除以其最近60个交易日的标准差，记作变量B[35]。 3. 对变量B采用HardSigmoid变换[35]。 * **因子表达式**：`ts_hardsigmoid_torch(ts_regres_torch(mamt_st, mopen_st, 45), 60)`[36]。 因子的回测效果 1. **A股技术打分模型子因子**[14] * **回测区间**：2010-01-04 至 2026-04-17 (部分因子起始日期不同) * **20日价格乖离率**：年化收益12.35%，夏普比率0.53 * **5日持仓量PCR平均**：年化收益15.41%，夏普比率0.63 * **20日换手率乖离率**：年化收益12.46%，夏普比率0.53 * **60日换手率乖离率**：年化收益17.23%，夏普比率0.73 * **20日ADX**：年化收益15.82%，夏普比率0.67 * **20日创新高占比**：年化收益8.13%，夏普比率0.50 * **1个月90%价值状态隐含波动率**：年化收益12.91%，夏普比率0.52 * **60日换手率波动**：年化收益11.30%，夏普比率0.78 * **5日涨停占比平均**：年化收益13.34%，夏普比率0.57 * **布林带**：年化收益4.22%，夏普比率0.18 2. **遗传规划行业轮动因子（示例）**[36] * **训练集表现**： * **IC**：0.066 * **IC胜率**：59.7% * **NDCG@k**：0.336 * **因子权重**：9.3%

量化模型与构建方式 1. **模型名称：三维择时框架**[10][14][16][18] * **模型构建思路**：通过构建分歧度、流动性、景气度三个维度的指标来综合判断市场趋势，进行择时[10][14][16]。 * **模型具体构建过程**：报告未详细说明三个具体指标的构建公式，但描述了其应用逻辑。模型通过观察分歧度、流动性、景气度三个指标的趋势变化（上行或下行）来形成综合的市场判断[10][14][16][18]。 2. **模型名称：热点趋势ETF策略**[33][34][35] * **模型构建思路**：基于ETF价格形态和短期市场关注度（换手率）来筛选并构建ETF投资组合[33]。 * **模型具体构建过程**： 1. **形态筛选**：根据K线的最高价与最低价的上涨或下跌形态，先选出最高价与最低价同时为上涨形态的ETF[33]。 2. **构建支撑阻力因子**：根据最高价与最低价近20日回归系数的相对陡峭程度，构建支撑阻力因子[33]。 3. **关注度筛选**：选择支撑阻力因子多头组中，近5日换手率/近20日换手率最高（即短期市场关注度明显提升）的10只ETF[33]。 4. **组合构建**：对筛选出的10只ETF构建风险平价组合[33]。 3. **模型名称：资金流共振策略**[38][41][42] * **模型构建思路**：结合融资融券资金流和主动大单资金流，寻找两种资金流产生共振效应的行业进行配置[38][41][42]。 * **模型具体构建过程**： 1. **构建行业融资融券资金因子**：定义融资融券资金流为融资净买入减去融券净卖出（个股加总）。对该资金流进行Barra市值因子中性化处理，然后取最近50日均值，并计算其两周环比变化率[42]。 2. **构建行业主动大单资金因子**：对行业主动大单净流入进行最近一年成交量时序中性化处理，然后排序并取最近10日均值[42]。 3. **策略合成**：在主动大单因子的头部打分行业内，剔除融资融券因子的头部行业（研究发现融资融券因子多头端在不同市场状态下有稳定的负向超额收益），以提高策略稳定性。进一步剔除大金融板块后，形成最终推荐行业组合[42]。 4. **模型名称：全天候配置策略**[47][49][51][53][55][57] * **模型构建思路**：通过资产选择、风险调整和结构对冲三项原则，构建分散化的投资组合，绕过宏观预测，追求长期稳健的绝对收益[47]。 * **模型具体构建过程**：报告提及采用“循环对冲设计对冲构型”，但未给出具体对冲公式。策略根据风险水平分为两个版本： * **高波版**：采用“四层结构化-股债金风险平价”方法构建组合[51][52]。 * **低波版**：采用“五层结构化-风险预算”方法构建组合[53][55]。 5. **模型名称：经典线性多因子选股模型（指数增强策略）**[68][71] * **模型构建思路**：以多因子选股模型为核心，通过因子筛选、加权合成Alpha得分，并在风险约束下优化组合权重，以获取相对于基准指数的稳定超额收益[68][71]。 * **模型具体构建过程**： 1. **因子筛选**：每年末，基于因子值之间的相关系数以及Rank ICIR指标，优选有效因子[71]。 2. **因子加权**：每月末，对入选因子进行正交处理，并采用Rank ICIR加权方式合成复合因子，将其作为个股的Alpha得分[71]。 3. **组合优化**：在给定风险约束条件下，以最大化复合因子暴露为目标，求解股票的最优权重，分别构建以沪深300、中证500和中证1000为基准的增强组合[71]。 模型的回测效果 1. **热点趋势ETF策略**：2025年以来收益61.52%，相比沪深300指数的超额收益为37.74%[33] 2. **资金流共振策略**：2018年以来费后年化超额收益12.3%，信息比率(IR)1.2[42] 3. **全天候配置策略（高波版）**：截至2025年，年化收益率11.8%，年平均最大回撤3.6%，夏普比率1.9；2026年以来收益率5.8%[47][58] 4. **全天候配置策略（低波版）**：截至2025年，年化收益率6.7%，年平均最大回撤2.0%，夏普比率2.4；2026年以来收益率1.8%[47][58] 5. **沪深300指数增强组合**：自2016年1月1日以来，年化超额收益9.3%，年化信息比(IR)2.28，超额最大回撤-5.3%[72]；本周超额收益0.8%，本月超额收益2.7%，本年超额收益为6.7%[68] 6. **中证500指数增强组合**：自2016年1月1日以来，年化超额收益13.3%，年化信息比(IR)2.78[77]；本周超额收益-0.2%，本月超额收益0.5%，本年超额收益为4.8%[68] 7. **中证1000指数增强组合**：自2016年1月1日以来，年化超额收益16.5%，年化信息比(IR)3.46[80]；本周超额收益-1.1%，本月超额收益-2.0%，本年超额收益为1.2%[68] 量化因子与构建方式 1. **因子名称：风格因子（流动性、贝塔、波动率）**[61] * **因子构建思路**：报告提及市场呈现“高流动性高贝塔高波动率”的风格特征，但未给出这三个风格因子的具体构建公式[61]。 2. **因子名称：1年-1个月的收益率 (mom 1y 1m)**[64][66] * **因子构建思路**：动量因子，衡量过去1年剔除最近1个月后的收益率表现[64][66]。 3. **因子名称：单季度营业收入同比增速 (yoy or q)**[64][66] * **因子构建思路**：成长因子，衡量公司最近一个季度营业收入的同比增长情况[64][66]。 4. **因子名称：营业收入同比增速 (yoy or)**[66] * **因子构建思路**：成长因子，衡量公司营业收入的同比增长情况[66]。 5. **因子名称：十二个月残差动量 (specific mom12)**[66][67] * **因子构建思路**：动量因子，衡量剔除市场、行业等共同因素后的个股特异性收益在过去12个月的表现[66][67]。 6. **因子名称：评级上下调差/评级上下调和 (est num diff)**[67] * **因子构建思路**：情绪/预期因子，通过分析师评级上调与下调的家数差占总数和的比例，反映市场对个股的一致预期变化[67]。 7. **因子名称：近一个月一致预测净利润变化（FY1）占比 (mom1 np fy1)**[67] * **因子构建思路**：预期修正因子，衡量最近一个月内分析师对该公司未来一年(FY1)净利润一致预测值的变化幅度[67]。公式为： $$(当前一致预测np FY1 - 1个月前一致预测np FY1) / |1个月前一致预测np FY1|$$[67] 8. **因子名称：近三个月一致预测净利润预期变化占比（FY1） (mom3 np fy1)**[67] * **因子构建思路**：预期修正因子，衡量最近三个月内分析师对该公司未来一年(FY1)净利润一致预测值的变化幅度[67]。公式为： $$(当前一致预测np FY1 - 3个月前一致预测np FY1) / |3个月前一致预测np FY1|$$[67] 9. **因子名称：近三个月一致预测营业收入预期变化占比（FY1） (mom3 rev fy1)**[67] * **因子构建思路**：预期修正因子，衡量最近三个月内分析师对该公司未来一年(FY1)营业收入一致预测值的变化幅度[67]。公式为： $$(当前一致预测rev FY1 - 3个月前一致预测rev FY1) / |3个月前一致预测rev FY1|$$[67] 因子的回测效果 *（注：以下因子表现数据为截至2026年4月17日的近期表现，部分为近一周多头超额收益，部分为最近一年在不同指数内的多头超额收益）* 1. **流动性因子**：本周实现4.05%的正收益[61] 2. **贝塔因子**：本周录得3.85%的正收益[61] 3. **波动率因子**：本周录得3.59%的正收益[61] 4. **1年-1个月的收益率 (mom 1y 1m)**：近一周多头超额收益2.55%[64][66]；最近一年在沪深300中多头超额收益30.77%，在中证800中为31.47%，在中证1000中为20.99%[67] 5. **单季度营业收入同比增速 (yoy or q)**：近一周多头超额收益1.27%[64][66] 6. **营业收入同比增速 (yoy or)**：近一周多头超额收益1.22%[66] 7. **十二个月残差动量 (specific mom12)**：近一周多头超额收益0.94%[66]；最近一年在沪深300中多头超额收益40.52%，在中证800中为31.30%[67] 8. **评级上下调差/评级上下调和 (est num diff)**：最近一年在沪深300中多头超额收益35.46%[67] 9. **近一个月一致预测净利润变化（FY1）占比 (mom1 np fy1)**：最近一年在中证500中多头超额收益22.57%[67] 10. **近三个月一致预测净利润预期变化占比（FY1） (mom3 np fy1)**：最近一年在沪深300中多头超额收益34.07%，在中证800中为33.56%[67] 11. **近三个月一致预测营业收入预期变化占比（FY1） (mom3 rev fy1)**：最近一年在中证1000中多头超额收益22.14%[67]

量化模型与构建方式 1. **模型/因子名称：融资盘拥挤度信号** * **构建思路：** 通过分析个股融资余额的变化，识别因杠杆资金过度流入导致的交易拥挤，从而预判其后续因微观结构恶化而表现不佳的风险[2][8]。 * **具体构建过程：** 1. 计算每只股票当月的融资余额增幅（或融资净买入额）。 2. 将所有股票按当月融资增幅（或净买入额）从高到低排序。 3. 将排名在前10%的股票定义为“融资增幅前10%的拥挤个股”[2][8]。 * **模型/因子评价：** 杠杆资金的集中流入被视为一个负向的拥挤度信号，可能加剧个股的微观交易结构恶化，并带来集中平仓风险[2][8]。 模型的回测效果 1. 融资盘拥挤度信号模型，次月平均收益率0.92%[2][8] 量化因子与构建方式 1. **因子名称：库存周转月数** * **构建思路：** 利用行业的库存周转月数（即库存水平）作为衡量该行业对成本上行压力的“缓冲垫”厚度的指标，库存越高，行业产品价格滞后于成本上涨的时间可能越长[1][7]。 * **具体构建过程：** 报告未提供该因子的具体计算公式，但明确了其核心逻辑：行业的库存周转月数与其产品价格滞后于成本上行的时间长短呈现明显正相关性[1][7]。 * **因子评价：** 该因子可用于判断中下游行业在面临油价等成本冲击时的承受能力和价格传导时滞，为判断行业景气度和投资时机提供参考[1][7]。 2. **因子名称：被动涨价幅度** * **构建思路：** 测算各行业受油价上涨影响而被动涨价的幅度，以识别下游需求受抑制程度较大的行业。被动涨价幅度越大，表明下游拿货意愿下降越明显，潜在库存消耗越多[3][9]。 * **具体构建过程：** 报告未提供该因子的具体计算公式，但指出通过测算发现化工行业的被动涨价幅度在全行业中排名靠前[3][9]。 * **因子评价：** 该因子可用于识别在成本冲击下，下游需求暂时被抑制、库存可能被消耗的行业。一旦供应链恢复正常，这些行业可能面临较强的补库需求弹性[3][9]。 因子的回测效果 *注：报告中未提供“库存周转月数”和“被动涨价幅度”这两个因子的独立回测绩效指标（如IC、IR、多空收益等）。报告主要将其用于逻辑推演和行业比较，而非作为独立的选股因子进行历史回测。*