量化模型与构建方式 根据研报内容，本报告主要对基金投顾产品进行分类统计和调仓行为分析，未涉及具体的量化模型或量化因子的构建、测试与评价。报告内容聚焦于产品业绩统计和持仓变动描述，属于市场表现分析范畴[1][2][3][4][11][12]。 模型的回测效果 （报告未涉及量化模型的回测效果） 量化因子与构建方式 （报告未涉及量化因子的构建与测试） 因子的回测效果 （报告未涉及量化因子的回测效果）

量化模型与构建方式 1. **模型名称**：转股溢价率计算模型[17] * **模型构建思路**：用于计算可转债的转股溢价率，以衡量可转债价格相对于其转换为股票后的价值的溢价程度[17]。 * **模型具体构建过程**： 1. 首先计算转股价值。转股价值等于（100元除以转股价格）再乘以正股收盘价。 2. 然后计算转股溢价率。转股溢价率等于（可转债收盘价减去转股价值）再除以转股价值。 3. 公式如下： $$转股价值 = \frac{100}{转股价格} \times 正股收盘价$$ $$转股溢价率 = \frac{可转债收盘价 - 转股价值}{转股价值}$$ 其中，转股价格为可转债发行时约定的将债券转换为每股股票所需支付的价格，正股收盘价为可转债对应正股在计算日的收盘价，可转债收盘价为可转债在计算日的收盘价[17]。 量化因子与构建方式 1. **因子名称**：信用评级因子[19][20][21] * **因子构建思路**：根据可转债的信用评级（如AAA、AA+、AA、AA-及以下）对个券进行分类，构建不同信用等级的指数，以观察不同信用风险水平转债的市场表现差异[20]。 * **因子具体构建过程**：使用万得（Wind）编制的可转债指数，包括万得可转债AAA指数、万得可转债AA+指数、万得可转债AA指数、万得可转债AA-及以下指数，分别代表对应信用评级的可转债组合的整体走势[20]。 * **因子评价**：该因子是衡量可转债信用风险和资质的重要维度，高信用评级转债通常波动性较低，而低信用评级转债可能蕴含更高的风险与收益弹性[20]。 2. **因子名称**：价格区间因子[22][31][33] * **因子构建思路**：根据可转债的市场价格将其划分为不同区间（如高价、中价、低价），构建相应指数，以分析不同价位转债的市场表现特征[22]。 * **因子具体构建过程**： 1. 报告展示了两种基于价格的分类方式。一种是基于Wind指数，将可转债分为高价、中价、低价三类，分别对应万得可转债高价指数、中价指数和低价指数[22]。 2. 另一种是更细致的统计分类，将可转债按价格划分为小于100元、100-110元、110-120元、120-130元、130-140元、大于140元六个区间，并统计各区间内的个券数量及转股溢价率中位数[31][33]。 * **因子评价**：价格是反映可转债股性和债性强弱的关键指标，低价债通常债性更强，高价债股性更显著，其表现与正股关联度更高[22][31]。 3. **因子名称**：规模因子[23] * **因子构建思路**：根据可转债的发行规模或正股市值规模，将可转债分为大盘、中盘、小盘等类别，构建相应指数，以观察不同规模转债的市场表现差异[23]。 * **因子具体构建过程**：使用万得（Wind）编制的可转债指数，包括万得可转债大盘指数、万得可转债中盘指数、万得可转债小盘指数，分别代表不同规模档次的可转债组合的整体走势[23]。 4. **因子名称**：双低因子[25] * **因子构建思路**：结合可转债的价格和转股溢价率两个维度，筛选出“价格较低”且“转股溢价率较低”的个券构成组合，旨在寻找兼具防守性和上涨弹性的标的[25]。 * **因子具体构建过程**：报告提及了万得可转债双低指数，该指数即采用了“双低”（低价格、低转股溢价率）策略进行成分券筛选[25]。 * **因子评价**：“双低”策略是转债市场经典的投资策略之一，通过平衡价格风险和溢价率风险，追求风险调整后的收益[25]。 5. **因子名称**：高价低溢价因子[25] * **因子构建思路**：在价格较高的可转债中，进一步筛选转股溢价率较低的个券构成组合，这类转债通常股性很强，与正股联动密切，旨在捕捉正股上涨带来的高弹性收益[25]。 * **因子具体构建过程**：报告提及了万得可转债高价低溢价率指数，该指数即采用了“高价低溢价”策略进行成分券筛选[25]。 * **因子评价**：该策略偏向进攻，适合在权益市场上涨或看好正股走势时使用，波动通常也大于双低策略[25]。 模型的回测效果 （报告中未提供具体量化模型的回测绩效指标） 因子的回测效果 1. **信用评级因子**：近一年（截至2026年2月27日）累计涨跌幅显示，不同信用评级转债指数表现分化。AA-及以下指数表现相对最强，AAA指数表现相对最弱[20]。 2. **价格区间因子**：近一年（截至2026年2月27日）累计涨跌幅显示，万得可转债高价指数表现显著优于中价指数和低价指数[22]。具体到价格区间统计，截至2026年2月27日，价格大于140元的个券数量最多（205只，占比55.26%），其转股溢价率中位数为23.63%；价格在120-130元区间的个券转股溢价率中位数最高，为72.27%[31]。 3. **规模因子**：近一年（截至2026年2月27日）累计涨跌幅显示，万得可转债小盘指数表现优于中盘指数和大盘指数[23]。 4. **双低因子**：近一年（截至2026年2月27日）累计涨跌幅显示，万得可转债双低指数表现稳健，但涨幅低于高价低溢价率指数[25]。 5. **高价低溢价因子**：近一年（截至2026年2月27日）累计涨跌幅显示，万得可转债高价低溢价率指数表现突出，累计涨幅领先于其他策略指数[25]。

量化模型与因子总结 量化模型与构建方式 1. **模型名称：券商金股业绩增强组合**[38][43] * **模型构建思路**：以券商金股股票池为选股空间，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（作为公募基金整体表现的代表）的投资组合[12][38][43]。 * **模型具体构建过程**： 1. **选股空间与基准**：以每月汇总并去重后的券商金股股票池作为初始选股范围[12][18][43]。 2. **对标基准**：以偏股混合型基金指数（885001.WI）作为组合的对标业绩基准[12][38][43]。 3. **行业配置基准**：以全体公募基金的行业分布作为行业配置的基准[43]。 4. **组合构建方法**：采用组合优化的方式，在券商金股股票池内进行选股[43]。优化过程会控制组合与原始券商金股股票池在个股和风格因子上的偏离，以确保组合不脱离卖方分析师的核心观点[43]。 5. **仓位管理**：在计算组合收益时，会参考主动股基最近报告期的权益仓位中位数来设定组合仓位，以更公允地与偏股混合型基金指数比较[18]。例如，上月组合仓位为90%[38]。 2. **模型名称：券商金股指数**[18] * **模型构建思路**：通过汇总券商每月推荐的金股，构建一个表征卖方分析师推荐股票池整体表现的指数，用于跟踪和比较其市场表现[18]。 * **模型具体构建过程**： 1. **股票池构建**：每月初汇总各家券商推荐的金股，并进行去重处理[18]。 2. **加权方式**：根据每只金股被券商推荐的家数进行加权构建指数[18]。 3. **调仓规则**：于每月第一个交易日收盘价进行调仓[18]。 4. **仓位调整**：为与偏股混合型基金指数进行公允比较，在计算指数收益时，以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作为指数的仓位[18]。 量化因子与构建方式 报告提及了在券商金股股票池中测试的一系列常见选股因子，并跟踪了其多空收益表现[27]。以下是报告中明确列出名称的因子： 1. **因子名称：总市值**[3][28] * **因子表现**：最近一个月及今年以来，在券商金股股票池中表现较好[3][28]。 2. **因子名称：SUE (Standardized Unexpected Earnings，标准化未预期盈余)**[3][28] * **因子表现**：最近一个月在券商金股股票池中表现较好[3][28]。 3. **因子名称：预期股息率**[3][28] * **因子表现**：最近一个月在券商金股股票池中表现较好[3][28]。 4. **因子名称：EPTTM (扣非净利润/总市值)**[3][28] * **因子表现**：最近一个月及今年以来，在券商金股股票池中表现较差[3][28]。 5. **因子名称：剥离涨停动量**[3][28] * **因子表现**：最近一个月在券商金股股票池中表现较差[3][28]。 6. **因子名称：日内收益率**[3][28] * **因子表现**：最近一个月及今年以来，在券商金股股票池中表现较差[3][28]。 7. **因子名称：分析师净上调比例**[3][28] * **因子表现**：今年以来在券商金股股票池中表现较好[3][28]。 8. **因子名称：分析师净上调幅度**[3][28] * **因子表现**：今年以来在券商金股股票池中表现较好[3][28]。 9. **因子名称：单季度ROE**[3][28] * **因子表现**：今年以来在券商金股股票池中表现较差[3][28]。 10. **风格因子（基于Barra框架）**[4][30] * **因子构建思路**：用于分析券商金股股票池相对于全市场股票在主要投资风格上的偏好[30]。 * **因子表现**：本月（2026年3月）券商金股股票池整体偏向中市值、高估值、强动量风格[4][30]。 模型的回测效果 1. **券商金股业绩增强组合** * **本月（20260202-20260227）表现**：绝对收益2.32%，相对偏股混合型基金指数超额收益1.28%[5][42]。 * **本年（20260105-20260227）表现**：绝对收益14.06%，相对偏股混合型基金指数超额收益5.62%[5][42]。 * **本年排名**：在主动股基中排名19.91%分位点（741/3721）[5][42]。 * **历史表现（2018.1.2-2025.12.31）**：考虑仓位及交易费用后，年化收益21.71%，相对偏股混合型基金指数年化超额14.18%[44]。在2018年至2025年期间，每年业绩排名基本都在主动股基前30%的水平[12][44]。 2. **券商金股指数** * **本月（20260202-20260227）表现**：收益1.95%，同期偏股混合型基金指数收益1.04%[21]。 * **本年（20260105-20260227）表现**：收益9.70%，同期偏股混合型基金指数收益8.44%[21]。 因子的回测效果 （报告展示了在券商金股股票池中因子的近期表现，但未提供具体的指标数值，仅进行了定性排序）[27][28] 1. **近期表现较好的因子**：总市值、SUE、预期股息率（最近一个月）；总市值、分析师净上调比例、分析师净上调幅度（今年以来）[3][28]。 2. **近期表现较差的因子**：EPTTM、剥离涨停动量、日内收益率（最近一个月）；单季度ROE、EPTTM、日内收益率（今年以来）[3][28]。

量化模型与构建方式 1. **模型/因子名称**：风险溢价模型[30] * **构建思路**：以十年期国债即期收益率为无风险利率的参考，计算宽基指数相对于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[30]。 * **具体构建过程**：风险溢价的计算公式为指数收益率减去无风险利率。在报告中，具体表现为各宽基指数的“当前风险溢价”值[34]。 * **模型/因子评价**：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[31]。上证50的分布更集中，极端值也更靠近中心；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[37]。 2. **模型/因子名称**：股债性价比模型[49] * **构建思路**：以各指数PE-TTM的倒数和十年期国债即期收益率之差构建股债性价比指标，用于观察市场在股票和债券之间的相对吸引力[49]。 * **具体构建过程**：股债性价比 = (1 / 指数PE-TTM) - 十年期国债即期收益率。报告中通过图表展示了该指标的走势，并设置了基于近5年数据的80分位值（机会值）和20分位值（危险值）作为参考[49]。 3. **模型/因子名称**：破净率因子[57][59] * **构建思路**：通过计算市净率（PB）小于1的个股数量占比，来反映市场的整体估值态度和悲观/乐观程度[57][59]。 * **具体构建过程**：破净率 = (指数成分股中市净率小于1的股票数量) / (指数成分股总数)。报告计算了各宽基指数的当前破净率[60]。 * **因子评价**：破净意味着股票价格跌破公司每股净资产值。破净占比越高，低估的情况越普遍；破净数及占比越低，可能表明市场对未来发展持乐观态度[59]。 4. **模型/因子名称**：指数换手率因子[21] * **构建思路**：计算宽基指数的整体换手率，以反映市场交易活跃度[20]。 * **具体构建过程**：指数换手率计算方式为：$$\text{指数换手率} = \frac{\sum(\text{成分股流通股本} \times \text{成分股换手率})}{\sum(\text{成分股流通股本})}$$ [21] 5. **模型/因子名称**：收益分布形态指标（峰度与偏度）[27] * **构建思路**：通过计算指数日收益分布的峰度和偏度，分析收益率分布的集中程度和形态倾向（如是否具有极端正收益或负收益的倾向）[27]。 * **具体构建过程**：报告计算了各宽基指数“当前”与“近5年”的峰度和偏度，并进行比较。其中，峰度计算中减去了3（正态分布峰度）[28]。峰度越大，说明各区间段的收益率分布更集中；正偏态显示极端正收益情形增加的程度[27]。 模型的回测效果 *注：本报告主要为市场指标跟踪，未提供传统意义上的模型回测绩效指标（如年化收益率、夏普比率、最大回撤等）。以下为报告中对各指标在特定时点（2026年2月27日）的取值和统计结果。* 1. **风险溢价模型** * 当前风险溢价：上证50 (0.14%)， 沪深300 (-0.35%)， 中证500 (1.18%)， 中证1000 (0.82%)， 中证2000 (0.80%)， 中证全指 (0.38%)， 创业板指 (-1.04%)[34] * 近5年分位值：上证50 (57.22%)， 沪深300 (36.19%)， 中证500 (85.48%)， 中证1000 (74.21%)， 中证2000 (69.29%)， 中证全指 (65.79%)， 创业板指 (24.44%)[34] * 近1年波动率：上证50 (0.83%)， 沪深300 (0.94%)， 中证500 (1.29%)， 中证1000 (1.36%)， 中证2000 (1.49%)， 中证全指 (1.10%)， 创业板指 (1.79%)[34] 2. **PE-TTM估值指标** * 当前值：上证50 (11.48)， 沪深300 (14.14)， 中证500 (38.95)， 中证1000 (52.79)， 中证2000 (175.41)， 中证全指 (22.78)， 创业板指 (43.99)[45] * 近5年历史分位值：上证50 (80.41%)， 沪深300 (86.36%)， 中证500 (99.83%)， 中证1000 (100.00%)， 中证2000 (94.05%)， 中证全指 (100.00%)， 创业板指 (66.36%)[47] 3. **股息率因子** * 当前值：上证50 (3.36%)， 沪深300 (2.78%)， 中证500 (1.22%)， 中证1000 (0.96%)， 中证2000 (0.68%)， 中证全指 (1.92%)， 创业板指 (0.87%)[56] * 近5年历史分位值：上证50 (37.85%)， 沪深300 (38.93%)， 中证500 (1.16%)， 中证1000 (20.91%)， 中证2000 (0.08%)， 中证全指 (25.21%)， 创业板指 (55.21%)[56] 4. **破净率因子** * 当前破净率：上证50 (24.0%)， 沪深300 (16.33%)， 中证500 (9.6%)， 中证1000 (6.5%)， 中证2000 (2.15%)， 中证全指 (5.12%)[60] 5. **指数换手率因子** * 当前换手率：上证50 (0.26)， 沪深300 (0.79)， 中证500 (2.51)， 中证1000 (3.16)， 中证2000 (3.99)， 中证全指 (2.04)， 创业板指 (3.31)[20] 6. **收益分布形态指标** * 当前峰度（减3后）：上证50 (-0.18)， 沪深300 (0.53)， 中证500 (0.90)， 中证1000 (0.87)， 中证2000 (1.13)， 中证全指 (0.75)， 创业板指 (1.13)[28] * 当前偏度：上证50 (1.28)， 沪深300 (1.52)， 中证500 (1.56)， 中证1000 (1.49)， 中证2000 (1.59)， 中证全指 (1.53)， 创业板指 (1.60)[28]

量化模型与构建方式 1. **模型名称：券商金股组合（全部金股、新进金股、重复金股）**[1][12] * **模型构建思路**：汇总多家券商每月初发布的十大金股，构建投资组合，以捕捉分析师集体的研究观点[12]。 * **模型具体构建过程**： 1. 数据收集：统计全市场37家券商发布的月度金股[13]。 2. 样本处理：对金股去重，得到股票池（例如3月份为269只）[13]。 3. 组合分类：根据金股是否在上月出现，将全体金股分为“新进金股”和“重复金股”两类[13]。“全部金股”即为两者的合集。 4. 组合构建：在每类组合内部，按照各只金股获得的券商推荐次数进行加权，构建组合[18]。 5. 回测处理：只保留A股，剔除港股[18]。 2. **模型名称：开源金工优选金股组合**[23] * **模型构建思路**：基于历史研究发现新进金股收益更优，且业绩超预期因子（SUE）在其中具有选股能力，因此在新进金股样本中，结合SUE因子和券商推荐热度构建优选组合[23]。 * **模型具体构建过程**： 1. 样本选择：以每月的新进金股作为初始股票池[23]。 2. 因子筛选：计算新进金股池中每只股票的业绩超预期因子（SUE）[23]。 3. 股票筛选：选择SUE因子排名前30的金股[23]。 4. 组合构建：对筛选出的30只金股，按照其获得的券商推荐家数进行加权，构建“优选金股组合”[23]。 3. **因子名称：业绩超预期因子（SUE因子）**[23] * **因子构建思路**：用于识别公司业绩超出市场预期的程度，通常与股价正向表现相关[23]。 * **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[23]。 模型的回测效果 1. **全部金股组合**：2月收益率2.9%，2026年以来收益率8.9%，年化收益率14.7%，年化波动率23.2%，收益波动比0.63，最大回撤42.6%[21]。 2. **新进金股组合**：2月收益率3.5%，2026年以来收益率10.7%，年化收益率17.5%，年化波动率23.8%，收益波动比0.73，最大回撤38.5%[21]。 3. **重复金股组合**：2月收益率2.4%，2026年以来收益率7.4%，年化收益率12.3%，年化波动率23.4%，收益波动比0.52，最大回撤45.0%[21]。 4. **开源金工优选金股组合**：2月收益率4.4%，2026年以来收益率15.5%，年化收益率24.4%，年化波动率25.1%，收益波动比0.97，最大回撤24.6%[26]。2026年相对中证500超额收益为-0.5%[23][26]。

量化模型与构建方式 1. **模型名称：长期行业主题基金分类模型**[35] * **模型构建思路**：为主动偏股基金构建完整的行业主题和细分赛道标签，以支持资产配置、主题投资和产品选择的需求，并构建相应的行业主题基金指数作为衡量工具[35]。 * **模型具体构建过程**： 1. **数据来源**：使用基金近四期（中报/年报）的持仓信息[35]。 2. **分类逻辑**：根据基金在长期持仓中呈现的行业特征，将其区分为三类： * **行业主题基金**：长期稳定集中于某一特定行业主题[35]。 * **行业轮动基金**：在不同时期切换所重仓的行业主题[35]。 * **行业均衡基金**：行业配置较为分散均衡[35]。 3. **指数构建**：基于上述分类，构建不同行业主题（如周期、TMT、消费等）的基金指数，以反映各类主题基金的整体表现[35]。 * **模型评价**：该模型为投资者提供了衡量主题基金风险收益情况的工具，有助于定位细分赛道的优质产品[35]。 2. **模型名称：REITs系列指数模型**[45] * **模型构建思路**：构建一套完整的公募REITs指数体系，包括综合指数、底层资产分类指数和细分项目指数，以综合反映REITs市场表现，并为指数化投资和资产配置提供新视角[45]。 * **模型具体构建过程**： 1. **指数类型**：构建价格指数和全收益指数，以同时反映价格变动和高分红特性[45]。 2. **样本处理**：采用分级靠档的方法确保计算指数的份额保持相对稳定[45]。 3. **除数修正法**：当样本成分名单或调整市值因非交易因素（如新发、扩募）变动时，采用除数修正法以保证指数的连续性[45]。 4. **指数分类**： * **综合指数**：REITs综合指数[46]。 * **底层资产指数**：如产权类REITs指数、特许经营权类REITs指数[46]。 * **细分项目指数**：如生态环保、交通基础设施、新型基础设施等REITs指数[46]。 * **模型评价**：该模型为长期投资者提供了基于指数化思想进行REITs资产配置的工具，有助于把握REITs市场的投资机会[45]。 量化因子与构建方式 1. **因子名称：多因子ETF分类体系中的风格因子**[57] * **因子构建思路**：在ETF市场跟踪中，将股票型ETF按照其跟踪指数所暴露的不同风格因子进行分类，以观察不同风格因子的市场表现和资金流向[57]。 * **因子具体构建过程**： 1. **因子类别**：报告明确列出了多因子类别下的细分子类，即风格因子，包括：价值、现金流、动量、基本面、质量、低波、成长、红利[57]。 2. **构建方式**：该分类基于ETF所跟踪的指数编制方法。例如，“红利因子”对应跟踪红利指数的ETF，“质量因子”对应跟踪质量指数的ETF。报告通过统计跟踪不同风格指数ETF的群体表现（如本周回报、资金净流入）来刻画因子的表现[57]。 模型的回测效果 1. **长期行业主题基金指数**：截至2026年2月27日当周，各主题基金指数涨跌幅如下：周期主题+6.93%，国防军工主题+4.30%，新能源主题+2.64%，行业轮动主题+2.43%，行业均衡主题+2.25%，TMT主题+1.93%，消费主题-0.78%，金融地产主题-0.84%，医药主题-1.76%[35]。 2. **REITs指数系列**：基日以来至2026年2月27日的业绩指标如下表所示[48]： | 指数名称 | 累计收益 | 年化收益 | 最大回撤 | 夏普比率 | 年化波动率 | | :--- | :--- | :--- | :--- | :--- | :--- | | REITs 综合指数 | -3.34% | -0.72% | -42.67% | -0.21 | 10.40% | | 产权类 REITs 指数 | 15.30% | 3.08% | -45.00% | 0.13 | 12.63% | | 特许经营权类 REITs 指数 | -24.20% | -5.74% | -41.17% | -0.80 | 9.09% | | 消费基础设施 REITs 指数 | 53.11% | 9.51% | -9.89% | 0.75 | 10.64% | | 新型基础设施 REITs 指数 | 21.85% | 4.30% | -3.95% | 0.23 | 12.34% | 因子的回测效果 1. **多因子ETF分类下的风格因子**：截至2026年2月27日当周，各风格因子对应的ETF细分板块表现如下[57]： * **现金流因子**：本周回报4.54%，近1月回报3.50%，今年以来回报10.32%，本周净流入1.40亿元。 * **质量因子**：本周回报3.96%，近1月回报1.70%，今年以来回报13.40%，本周净流出0.15亿元。 * **价值因子**：本周回报2.67%，近1月回报1.65%，今年以来回报9.36%，本周净流入2.25亿元。 * **成长因子**：本周回报2.22%，近1月回报-0.87%，今年以来回报7.90%，本周净流出1.10亿元。 * **低波因子**：本周回报1.54%，近1月回报0.85%，今年以来回报4.09%，本周净流出0.45亿元。 * **基本面因子**：本周回报1.69%，近1月回报1.38%，今年以来回报3.90%，本周净流出0.05亿元。 * **红利因子**：本周回报1.46%，近1月回报2.57%，今年以来回报3.41%，本周净流出21.26亿元。 * **动量因子**：本周回报0.87%，近1月回报-2.81%，今年以来回报-3.04%，本周净流入0.45亿元。

量化模型与因子总结 量化因子与构建方式 1. **因子名称：日内高频偏度因子** **因子构建思路：** 捕捉股票日内收益分布的非对称性特征，即偏度[15]。 **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式可参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[15]。 2. **因子名称：日内下行波动占比因子** **因子构建思路：** 分解已实现波动，衡量下行波动在总波动中的占比[17]。 **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式可参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[17]。 3. **因子名称：开盘后买入意愿占比因子** **因子构建思路：** 基于高频委托单数据，衡量开盘后一段时间内买方意愿的强度[23]。 **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式可参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[23]。 4. **因子名称：开盘后买入意愿强度因子** **因子构建思路：** 基于高频委托单数据，衡量开盘后一段时间内买方意愿的强度[28]。 **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式可参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[28]。 5. **因子名称：开盘后大单净买入占比因子** **因子构建思路：** 基于高频成交数据，衡量开盘后大单净买入的占比情况[33]。 6. **因子名称：开盘后大单净买入强度因子** **因子构建思路：** 基于高频成交数据，衡量开盘后大单净买入的强度[37]。 7. **因子名称：改进反转因子** **因子构建思路：** 对传统反转因子进行改进，以提升选股效果[41]。 8. **因子名称：尾盘成交占比因子** **因子构建思路：** 衡量尾盘时段成交额在当日总成交额中的占比[47]。 9. **因子名称：平均单笔流出金额占比因子** **因子构建思路：** 衡量平均单笔流出金额在总流出金额中的占比[51]。 10. **因子名称：大单推动涨幅因子** **因子构建思路：** 衡量由大单交易推动的股价上涨幅度[56]。 11. **因子名称：改进 GRU(50,2)+NN(10)** **因子构建思路：** 使用改进的GRU（门控循环单元）神经网络与全连接神经网络（NN）相结合，从高频数据中提取选股信号[61]。 12. **因子名称：残差注意力 LSTM(48,2)+NN(10)** **因子构建思路：** 使用带有残差连接和注意力机制的LSTM（长短期记忆）神经网络与全连接神经网络（NN）相结合，从高频数据中提取选股信号[64]。 13. **因子名称：多颗粒度模型-5日标签** **因子构建思路：** 基于双向A-GRU（注意力门控循环单元）深度学习模型训练得到的因子，使用5日收益作为训练标签[67]。 **因子具体构建过程：** 因子基于双向A-GRU训练得到[67]。 14. **因子名称：多颗粒度模型-10日标签** **因子构建思路：** 基于双向A-GRU（注意力门控循环单元）深度学习模型训练得到的因子，使用10日收益作为训练标签[70]。 **因子具体构建过程：** 因子基于双向A-GRU训练得到[70]。 量化模型与构建方式 1. **模型名称：AI指数增强组合模型** **模型构建思路：** 基于深度学习因子构建指数增强组合，通过优化模型在控制跟踪误差和各项约束的前提下最大化预期超额收益[73]。 **模型具体构建过程：** * **核心信号：** 使用深度学习因子（多颗粒度模型-10日标签 * 0.5 + 多颗粒度模型-5日标签 * 0.5）作为股票的预期超额收益（μi）来源[73]。 * **优化目标：** 最大化预期收益。目标函数为： $$max\sum\mu_{i}w_{i}$$ 其中，wi为股票i的权重，μi为股票i的预期超额收益[76]。 * **约束条件：** 根据不同组合类型（空气指增、中证500/1000宽/严约束）施加不同的风险控制约束，包括个股权重上限、行业偏离、风格因子（市值、PB、ROE等）暴露约束、成分股权重约束以及换手率约束[74][76]。 * **回测设置：** 假定以次日均价成交，并扣除双边3‰的交易成本[77]。 因子的回测效果 （数据来源：表2，周度高频、深度选股因子IC，RankMAE，多空收益，多头超额收益及月度胜率[11][13]） | 因子名称 | 历史IC | 2026年IC | 历史e^(-rank mae) | 2026年e^(-rank mae) | 上周多空收益 | 2月多空收益 | 2026YTD多空收益 | 2026年周胜率 | 上周多头超额 | 2月多头超额 | 2026YTD多头超额 | 2026年周胜率（多头） | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 日内高频偏度 | 0.019 | 0.030 | 0.324 | 0.327 | 0.49% | 0.31% | 4.31% | 6/7 | 0.18% | -0.15% | 1.89% | 5/7 | | 日内下行波动占比 | 0.016 | 0.036 | 0.323 | 0.327 | 0.23% | 1.06% | 5.81% | 6/7 | 0.08% | 0.50% | 2.94% | 5/7 | | 开盘后买入意愿占比 | 0.025 | 0.020 | 0.321 | 0.321 | 0.01% | -0.90% | 2.97% | 5/7 | -0.57% | -1.05% | 0.36% | 4/7 | | 开盘后买入意愿强度 | 0.030 | 0.024 | 0.326 | 0.327 | -0.41% | -1.93% | 2.42% | 4/7 | -0.65% | -1.48% | 0.80% | 4/7 | | 开盘后大单净买入占比 | 0.035 | 0.034 | 0.322 | 0.320 | 0.73% | 2.26% | 4.81% | 6/7 | -0.24% | 0.48% | 1.48% | 4/7 | | 开盘后大单净买入强度 | 0.024 | 0.029 | 0.320 | 0.319 | 0.46% | 1.84% | 3.70% | 5/7 | 0.04% | 0.70% | 0.87% | 5/7 | | 改进反转 | 0.030 | 0.013 | 0.330 | 0.329 | -1.12% | -0.68% | 2.06% | 4/7 | -0.08% | 0.61% | 2.95% | 5/7 | | 尾盘成交占比 | 0.026 | 0.024 | 0.322 | 0.319 | 0.28% | 0.45% | 4.75% | 5/7 | -0.41% | -0.51% | 1.77% | 4/7 | | 平均单笔流出金额占比 | 0.007 | -0.022 | 0.317 | 0.312 | -0.56% | -1.33% | -2.89% | 2/7 | 0.16% | -0.53% | -1.03% | 3/7 | | 大单推动涨幅 | 0.018 | 0.000 | 0.325 | 0.325 | -0.57% | -0.76% | 0.63% | 4/7 | 0.45% | 0.56% | 1.43% | 5/7 | | 改进 GRU(50,2)+NN(10) | 0.065 | 0.030 | 0.336 | 0.326 | 1.27% | 3.12% | 5.26% | 6/7 | 0.24% | 0.06% | 0.37% | 5/7 | | 残差注意力 LSTM(48,2)+NN(10) | 0.062 | 0.027 | 0.334 | 0.322 | 1.16% | 3.84% | 4.33% | 5/7 | 0.33% | 1.11% | 1.21% | 4/7 | | 多颗粒度模型-5日标签 | 0.079 | 0.048 | 0.343 | 0.336 | 0.22% | 2.13% | 7.62% | 7/7 | -0.04% | 0.46% | 3.74% | 6/7 | | 多颗粒度模型-10日标签 | 0.073 | 0.046 | 0.342 | 0.339 | -0.37% | 1.76% | 5.83% | 5/7 | -0.34% | 0.50% | 3.24% | 5/7 | 模型的回测效果 （数据来源：表3，周度调仓的AI增强组合超额收益及周度胜率[14]） | 模型/组合名称 | 上周超额收益 | 上周绝对收益 | 2月超额收益 | 2月绝对收益 | 2026YTD超额收益 | 2026YTD绝对收益 | 2026年周胜率 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | **AI空气指增** | | | | | | | | | 周度组合 | -1.13% | 2.25% | 1.34% | 5.23% | 3.74% | 15.79% | 3/7 | | 日度组合 | -0.57% | 2.81% | 2.22% | 6.11% | 4.93% | 16.98% | 3/7 | | **中证500 AI增强宽约束** | | | | | | | | | 周度组合 | -2.69% | 1.63% | -1.14% | 2.30% | -3.99% | 11.99% | 2/7 | | 日度组合 | -2.74% | 1.59% | -1.61% | 1.83% | -5.24% | 10.74% | 2/7 | | **中证500 AI增强严约束** | | | | | | | | | 周度组合 | -1.54% | 2.78% | 0.29% | 3.73% | -1.43% | 14.55% | 3/7 | | 日度组合 | -0.68% | 3.64% | 0.13% | 3.57% | -1.11% | 14.87% | 3/7 | | **中证1000 AI增强宽约束** | | | | | | | | | 周度组合 | -2.70% | 1.64% | -1.03% | 2.68% | 0.24% | 12.96% | 3/7 | | 日度组合 | -2.10% | 2.24% | -0.82% | 2.88% | -0.12% | 12.59% | 3/7 | | **中证1000 AI增强严约束** | | | | | | | | | 周度组合 | -1.03% | 3.31% | 0.06% | 3.76% | 0.86% | 13.57% | 4/7 | | 日度组合 | -1.14% | 3.20% | -0.62% | 3.09% | 1.74% | 14.45% | 4/7 |

量化模型与构建方式 1. **模型名称**：华鑫市场情绪温度指标[5][8] **模型构建思路**：通过综合多个市场维度数据，构建一个能够量化市场整体情绪状态的摆荡指标，用于在震荡市中识别高抛低吸的参考点位[21] **模型具体构建过程**：模型从6大维度选取数据并构建综合评分[21]。具体构建过程未在报告中详细披露，但明确了其数据来源和指标性质。它是一个综合评分模型，通过对历史数据进行统计和回测，将多个维度的数据合成为一个0-100分的情绪指数[21] **模型评价**：该指标属于摆荡指标，类似于RSI，主要适用于震荡市，提供高抛低吸的参考[21]。在趋势性行情中可能出现钝化现象，即指标长时间维持在极端高位（如80以上）或低位（如20以下），此时指标的适用性需要重新判断[21] 量化因子与构建方式 1. **因子名称**：融资净买入额[22] **因子构建思路**：通过计算融资买入与融资偿还的差额，反映投资者通过融资杠杆对特定证券或市场的乐观情绪和买入意愿[22] **因子具体构建过程**：因子计算基于融资融券交易数据。对于单个证券或行业，在特定交易日（T日）的融资净买入额计算公式为： $$融资净买入额(T) = 融资买入额(T) - 融资偿还额(T)$$ 其中，融资买入额代表投资者当日借入资金买入股票的总额，融资偿还额代表投资者当日偿还融资负债的总额。该因子值通常以万元为单位呈现[10][12] 2. **因子名称**：融券净卖出额[22] **因子构建思路**：通过计算融券卖出与融券偿还的差额，反映投资者对特定证券或市场的悲观情绪和卖空意愿[22] **因子具体构建过程**：因子计算基于融资融券交易数据。对于单个证券或行业，在特定交易日（T日）的融券净卖出额计算公式为： $$融券净卖出额(T) = 融券卖出额(T) - 融券偿还额(T)$$ 其中，融券卖出额代表投资者当日借入证券并卖出的总额，融券偿还额代表投资者当日买入证券归还负债的总额。报告中的表格直接列出了该因子的计算结果[14][20] 3. **因子名称**：期间净买入额[21] **因子构建思路**：综合融资的看多力量和融券的看空力量，得到一个反映市场多空双方净力量对比的因子[21] **因子具体构建过程**：该因子是融资净买入因子与融券净卖出因子的复合因子。对于单个证券或行业，在特定交易日（T日）的期间净买入额计算公式为： $$期间净买入额(T) = 融资净买入额(T) - 融券净卖出额(T)$$ 公式说明：该计算将融券净卖出额视为空头力量，从代表多头力量的融资净买入额中减去，得到净多头力量。正值表示净多头力量占优，负值表示净空头力量占优[21] 4. **因子名称**：主力资金净流入额[11][16] **因子构建思路**：通过监控大额资金（主力资金）的流向，捕捉机构或大资金投资者对特定证券的短期交易动向[11] **因子具体构建过程**：报告未详细说明该因子的具体计算方法，但展示了其应用结果。通常，该因子基于Level-2行情数据中的大单、中单成交数据计算，将主动性买入的大额资金视为流入，主动性卖出的大额资金视为流出，其差额即为主力资金净流入额[10][13] 模型的回测效果 （报告中未提供华鑫市场情绪温度指标的具体回测绩效指标，如年化收益率、夏普比率、最大回撤等数值结果，因此本部分跳过） 因子的回测效果 （报告中未提供上述各因子的具体回测绩效指标，如IC值、IR、多空收益等数值结果，因此本部分跳过）

量化模型与构建方式 1. **模型名称**：红利风格择时模型[1][4][6] **模型构建思路**：通过构建一个综合因子，对红利风格进行择时判断[1][4][6] **模型具体构建过程**：模型综合了多个维度的分项因子，通过某种加权或合成方式得到最终的“综合因子值”[4][6][7][11]。报告未详细说明各因子的具体合成公式，但展示了各分项因子的最新值及综合结果[11]。综合因子值为正代表看多红利风格，为负代表看空[1][4][6]。 **模型评价**：因子值在0轴上下轻微波动是正常现象，可能位于风格切换的关键节点[4][6]。 量化因子与构建方式 1. **因子名称**：中国:非制造业 PMI:服务业[11] **因子构建思路**：使用中国服务业采购经理指数（PMI）作为反映经济景气度的宏观指标[11]。 **因子具体构建过程**：报告未提供该指标转化为模型所用因子值的具体计算过程，仅给出了标准化或处理后的因子数值[11]。 2. **因子名称**：中国:M2:同比[11] **因子构建思路**：使用中国广义货币供应量（M2）的同比增速作为反映货币环境的宏观指标[11]。 **因子具体构建过程**：报告未提供该指标转化为模型所用因子值的具体计算过程，仅给出了标准化或处理后的因子数值[11]。 3. **因子名称**：美国:国债收益率:10年[11] **因子构建思路**：使用美国10年期国债收益率作为反映全球无风险利率和资金成本的指标[4][7][11]。 **因子具体构建过程**：报告未提供该指标转化为模型所用因子值的具体计算过程，仅给出了标准化或处理后的因子数值[11]。美债利率下行被认为对红利风格有压制作用[4][7]。 4. **因子名称**：红利相对净值自身[11] **因子构建思路**：可能指红利指数相对于其自身历史净值或基准的表现，用于衡量红利风格的动量效应[4][7][11]。 **因子具体构建过程**：报告未提供该指标的具体计算过程，仅给出了标准化或处理后的因子数值[11]。报告指出“总体较强的红利动量对红利风格产生正贡献”[7]。 5. **因子名称**：中证红利股息率-10年期中债收益率[11] **因子构建思路**：计算中证红利指数的股息率与10年期中国国债收益率的差值，作为衡量红利资产相对吸引力的指标[11]。 **因子具体构建过程**：报告未提供该指标的具体计算过程，仅给出了标准化或处理后的因子数值[11]。 6. **因子名称**：融资净买入[11] **因子构建思路**：使用融资净买入数据作为反映市场情绪和杠杆资金偏好的指标[11]。 **因子具体构建过程**：报告未提供该指标转化为模型所用因子值的具体计算过程，仅给出了标准化或处理后的因子数值[11]。报告指出“市场情绪有所回暖，红利超额表现减弱”[7]。 7. **因子名称**：行业平均景气度[11] **因子构建思路**：使用行业平均景气度指标，可能反映整体经济的活跃程度[4][7][11]。 **因子具体构建过程**：报告未提供该指标的具体计算过程和构成，仅给出了标准化或处理后的因子数值[11]。行业景气度的回暖被认为对红利风格产生负贡献[4][7]。 模型的回测效果 1. **红利风格择时模型**，综合因子值（截至2026.02.27）为 -0.10[1][4][6][11]，综合因子值（截至2026.02.13）为 0.09[1][4][6][11]，综合因子值（截至2026.01.30）未给出具体数值但可从分项因子值推断[11]。 因子的回测效果 1. **中国:非制造业 PMI:服务业 因子**，因子值（2026.02.27）为 -0.13[11]，因子值（2026.02.13）为 -0.13[11]，因子值（2026.01.30）为 -0.19[11] 2. **中国:M2:同比 因子**，因子值（2026.02.27）为 0.21[11]，因子值（2026.02.13）为 0.21[11]，因子值（2026.01.30）为 0.27[11] 3. **美国:国债收益率:10年 因子**，因子值（2026.02.27）为 -0.49[11]，因子值（2026.02.13）为 -0.23[11]，因子值（2026.01.30）为 -0.39[11] 4. **红利相对净值自身 因子**，因子值（2026.02.27）为 0.54[11]，因子值（2026.02.13）为 0.89[11]，因子值（2026.01.30）为 -0.11[11] 5. **中证红利股息率-10年期中债收益率 因子**，因子值（2026.02.27）为 0.03[11]，因子值（2026.02.13）为 0.17[11]，因子值（2026.01.30）为 0.43[11] 6. **融资净买入 因子**，因子值（2026.02.27）为 -1.59[11]，因子值（2026.02.13）为 -1.89[11]，因子值（2026.01.30）为 -1.76[11] 7. **行业平均景气度 因子**，因子值（2026.02.27）为 1.12[11]，因子值（2026.02.13）为 1.02[11]，因子值（2026.01.30）为 0.77[11]

量化模型与构建方式 1. **模型名称：基于赔率和胜率的风格轮动模型[1]** * **模型构建思路：** 通过计算不同风格（如成长/价值、大盘/小盘）的“赔率”和“胜率”，并基于一个综合得分公式来决定推荐配置的风格[1][11]。 * **模型具体构建过程：** 1. **赔率估计：** 认为市场风格的相对估值水平是其预期赔率的关键影响因素，两者呈负相关。根据最新的估值差分位数，推算出相对赔率估计值。例如，价值相对成长的赔率估计为1.23，大盘相对小盘的赔率估计为1.68[8]。 2. **胜率估计：** 通过一组宏观经济、市场技术等指标对风格进行打分，统计看多某一风格的指标数量占比作为其胜率。例如，成长风格胜率为56.25%，价值风格胜率为43.75%；小盘风格胜率为85.71%，大盘风格胜率为14.29%[10][11]。 3. **综合得分计算：** 根据公式计算每种风格的投资权重得分。得分高的风格为推荐配置方向[11]。 $$投资权重得分=(胜率*赔率-(1-胜率) )/赔率$$ 公式说明：该公式将胜率与赔率结合，计算经风险调整后的配置得分。 4. **生成观点：** 分别对成长/价值、大盘/小盘进行上述计算，选择得分高的风格进行组合，形成最终推荐（如小盘+成长）[7][11]。 2. **模型名称：DTW相似性择时策略[12]** * **模型构建思路：** 基于动态时间规整（DTW）算法，计算当前指数行情与历史行情的相似度，以相似历史片段的未来表现作为当前市场未来走势的参考，从而生成择时信号[12]。 * **模型具体构建过程：** 1. **计算相似度：** 使用DTW算法度量当前一段指数行情与历史各段行情之间的相似距离。 2. **筛选参照片段：** 筛选出与当前行情相似度最高的若干历史行情片段。 3. **计算未来预期：** 计算这些筛选出的历史行情片段在未来特定窗口期（如5日）的涨跌幅均值和标准差。计算时，以相似距离的倒数为权重进行加权平均[12]。 4. **生成信号：** 依据计算出的未来预期涨跌幅的平均值和标准差，形成“乐观”、“中性”等择时交易信号[12][13]。 模型的回测效果 *注：以下为报告中提供的策略回测结果，策略基于上述风格轮动模型进行风格选择，并对比等权基准。* 1. **成长价值轮动策略（代表：红利低波 vs 创业板综）** * 全样本年化收益：19.41%[19] * 全样本年化波动：23.63%[19] * 全样本最大回撤：29.09%[19] * 全样本夏普比率：0.82[19] * 全样本收益回撤比：0.67[19] * 相对基准（50%红利低波+50%创业板综）年化超额收益：13.09%[19] * 相对基准超额年化波动：12.49%[19] * 相对基准超额最大回撤：13.54%[19] * 相对基准超额夏普比率：1.05[19] * 2025年超额收益：34.56%[3][19] * 2026年至今年化超额收益：1.92%[3][19] 2. **大小盘轮动策略（代表：沪深300 vs 中证2000）** * 全样本年化收益：22.05%[24] * 全样本年化波动：23.19%[24] * 全样本最大回撤：28.66%[24] * 全样本夏普比率：0.95[24] * 全样本收益回撤比：0.77[24] * 相对基准（50%沪深300+50%中证2000）年化超额收益：18.10%[24] * 相对基准超额年化波动：9.04%[24] * 相对基准超额最大回撤：12.12%[24] * 相对基准超额夏普比率：2.00[24] * 2025年超额收益：16.84%[3][24] * 2026年至今年化超额收益：6.03%[3][24] 量化因子与构建方式 *注：报告未详细阐述底层因子的具体构建公式，但列出了用于计算风格胜率的指标集合。* 1. **因子类别：成长/价值风格胜率指标[10]** * **因子构建思路：** 选取一组对成长或价值风格有指示意义的宏观经济与市场指标，根据其状态发出支持成长或价值风格的信号，统计支持成长信号的指标占比作为成长风格胜率[10]。 * **因子具体构建过程：** 报告列出了7个指标，包括：国债、美债、CPI_PPI、PMI、中长期贷款、动量、强势股。每个指标根据其状态判断为“成长”或“价值”信号，最终成长风格胜率 = 发出“成长”信号的指标数量 / 总指标数量[10]。 2. **因子类别：大盘/小盘风格胜率指标[11]** * **因子构建思路：** 选取一组对大盘或小盘风格有指示意义的流动性、市场环境与行为指标，根据其状态发出支持大盘或小盘风格的信号，统计支持小盘信号的指标占比作为小盘风格胜率[11]。 * **因子具体构建过程：** 报告列出了7个指标，包括：Shibor、期限利差、市场趋势、市场波动、风格动量、风格拥挤度、月历效应。每个指标根据其状态判断为“大盘”或“小盘”信号，最终小盘风格胜率 = 发出“小盘”信号的指标数量 / 总指标数量[11]。