量化模型与构建方式 1. **模型名称：进取组合与平衡组合**[7] * **模型构建思路：** 基于多因子模型构建的量化股票组合，进取组合和平衡组合可能代表了不同的风险偏好或因子暴露水平。 * **模型具体构建过程：** 报告未详细说明具体的因子构成、权重分配和组合构建过程。仅提及其为“多因子组合”[7]。 2. **模型名称：沪深300/中证500/中证1000指数增强组合**[7] * **模型构建思路：** 在跟踪沪深300、中证500、中证1000指数的基础上，通过量化模型进行主动管理，旨在获取超越基准指数的超额收益。 * **模型具体构建过程：** 报告未详细说明具体的增强策略、因子模型或优化方法。 3. **模型名称：绩优基金的独门重仓股组合**[7] * **模型构建思路：** 通过筛选绩优基金（报告未定义具体标准）的独门重仓股（即被少数基金重仓持有的股票）来构建投资组合，旨在捕捉基金经理的独到选股能力。 * **模型具体构建过程：** 报告未详细说明绩优基金的筛选标准、独门重仓股的定义（如持仓比例、基金数量阈值）以及组合构建规则（如等权重或按持仓市值加权）。 4. **模型名称：盈利、增长、现金流三者兼优组合**[7] * **模型构建思路：** 同时筛选在盈利能力、增长能力和现金流质量三个方面表现优异的公司股票，构建投资组合。 * **模型具体构建过程：** 报告未详细说明用于衡量盈利、增长和现金流的具体财务指标、各维度的筛选阈值以及综合评分方法。 5. **模型名称：PB-盈利优选组合**[7] * **模型构建思路：** 结合低市净率（PB）和高盈利能力的双重标准进行选股，属于价值投资与质量投资相结合的策略。 * **模型具体构建过程：** 报告未详细说明PB和盈利指标的具体定义、如何将两者结合（如排序打分、构建复合因子）以及选股规则。 6. **模型名称：GARP组合**[7] * **模型构建思路：** 采用“合理价格增长”（GARP）策略，寻找那些具有稳定增长潜力但估值相对合理的股票，平衡成长与价值。 * **模型具体构建过程：** 报告未详细说明用于衡量增长和估值的具体指标、以及两者结合的量化规则。 7. **模型名称：小盘价值优选组合1 & 2**[7] * **模型构建思路：** 在小盘股范围内，优选具有价值特征的股票。组合1和组合2可能采用了不同的价值衡量标准或权重配置。 * **模型具体构建过程：** 报告未详细说明小盘股的定义（如市值分位）、价值因子的具体构成（如PB、PE、股息率等）以及组合构建细节。 8. **模型名称：小盘成长组合**[7] * **模型构建思路：** 在小盘股范围内，优选具有高成长特征的股票。 * **模型具体构建过程：** 报告未详细说明小盘股的定义、成长因子的具体构成（如收入增长率、净利润增长率等）以及组合构建细节。 模型的回测效果 1. **进取组合**，基准指数：中证500，周收益率：-1.00%，周超额收益：-1.41%，月收益率：5.55%，月超额收益：-2.73%，年收益率（2026YTD）：16.86%，年超额收益（2026YTD）：6.38%，跟踪误差（2026YTD）：21.54%，最大相对回撤（2026YTD）：6.14%[9] 2. **平衡组合**，基准指数：中证500，周收益率：-2.56%，周超额收益：-2.97%，月收益率：6.29%，月超额收益：-1.99%，年收益率（2026YTD）：18.36%，年超额收益（2026YTD）：7.88%，跟踪误差（2026YTD）：19.68%，最大相对回撤（2026YTD）：5.18%[9] 3. **沪深300增强组合**，基准指数：沪深300，周收益率：1.57%，周超额收益：0.71%，月收益率：8.18%，月超额收益：1.01%，年收益率（2026YTD）：9.10%，年超额收益（2026YTD）：6.09%，跟踪误差（2026YTD）：7.19%，最大相对回撤（2026YTD）：4.04%[9] 4. **中证500增强组合**，基准指数：中证500，周收益率：1.13%，周超额收益：0.72%，月收益率：9.20%，月超额收益：0.92%，年收益率（2026YTD）：12.05%，年超额收益（2026YTD）：1.57%，跟踪误差（2026YTD）：6.91%，最大相对回撤（2026YTD）：3.17%[9] 5. **中证1000增强组合**，基准指数：中证1000，周收益率：0.11%，周超额收益：0.15%，月收益率：9.23%，月超额收益：0.25%，年收益率（2026YTD）：13.35%，年超额收益（2026YTD）：4.01%，跟踪误差（2026YTD）：7.11%，最大相对回撤（2026YTD）：2.32%[9] 6. **绩优基金的独门重仓股组合**，基准指数：股票型基金总指数，周收益率：0.13%，周超额收益：-0.35%，月收益率：17.64%，月超额收益：9.77%，年收益率（2026YTD）：18.88%，年超额收益（2026YTD）：12.42%，跟踪误差（2026YTD）：23.58%，最大相对回撤（2026YTD）：8.70%[9] 7. **盈利、增长、现金流三者兼优组合**，基准指数：沪深300，周收益率：-0.41%，周超额收益：-1.27%，月收益率：8.87%，月超额收益：1.70%，年收益率（2026YTD）：-6.72%，年超额收益（2026YTD）：-9.73%，跟踪误差（2026YTD）：16.32%，最大相对回撤（2026YTD）：16.70%[9] 8. **PB-盈利优选组合**，基准指数：沪深300，周收益率：-1.61%，周超额收益：-2.47%，月收益率：-0.28%，月超额收益：-7.45%，年收益率（2026YTD）：0.24%，年超额收益（2026YTD）：-2.77%，跟踪误差（2026YTD）：13.29%，最大相对回撤（2026YTD）：9.39%[9] 9. **GARP组合**，基准指数：沪深300，周收益率：-0.18%，周超额收益：-1.05%，月收益率：3.25%，月超额收益：-3.92%，年收益率（2026YTD）：7.21%，年超额收益（2026YTD）：4.20%，跟踪误差（2026YTD）：11.61%，最大相对回撤（2026YTD）：7.28%[9] 10. **小盘价值优选组合1**，基准指数：微盘股指数，周收益率：0.63%，周超额收益：-0.01%，月收益率：3.57%，月超额收益：0.97%，年收益率（2026YTD）：9.53%，年超额收益（2026YTD）：-2.13%，跟踪误差（2026YTD）：12.97%，最大相对回撤（2026YTD）：9.26%[9] 11. **小盘价值优选组合2**，基准指数：微盘股指数，周收益率：0.16%，周超额收益：-0.48%，月收益率：5.99%，月超额收益：3.40%，年收益率（2026YTD）：15.26%，年超额收益（2026YTD）：3.59%，跟踪误差（2026YTD）：12.76%，最大相对回撤（2026YTD）：5.84%[9] 12. **小盘成长组合**，基准指数：微盘股指数，周收益率：0.36%，周超额收益：-0.28%，月收益率：6.69%，月超额收益：4.09%，年收益率（2026YTD）：9.10%，年超额收益（2026YTD）：-2.56%，跟踪误差（2026YTD）：11.28%，最大相对回撤（2026YTD）：7.96%[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，通常认为小市值股票存在规模溢价。 * **因子具体构建过程：** 报告未给出具体计算公式。通常为股票的总市值。 2. **因子名称：PB因子**[44] * **因子构建思路：** 市净率，衡量股票市值相对于其净资产价值的比率，是经典的价值因子。 * **因子具体构建过程：** 报告未给出具体计算公式。通常为股票市值除以归属于母公司股东的权益（或净资产）。 3. **因子名称：PE_TTM因子**[44] * **因子构建思路：** 滚动市盈率，衡量股票市值相对于其最近十二个月净利润的比率，是衡量估值水平的常用因子。 * **因子具体构建过程：** 报告未给出具体计算公式。通常为股票市值除以最近十二个月（TTM）的归属于母公司股东的净利润。 4. **因子名称：反转因子**[48] * **因子构建思路：** 基于股票过去一段时间的价格表现，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。 * **因子具体构建过程：** 报告未给出具体计算公式和回溯期。通常为过去N个交易日的收益率，取负值作为因子值（即过去涨得越多，因子值越小）。 5. **因子名称：换手率因子**[48] * **因子构建思路：** 衡量股票的交易活跃度，通常认为低换手率股票存在流动性溢价。 * **因子具体构建过程：** 报告未给出具体计算公式和计算窗口。通常为过去一段时间的日均成交金额除以流通市值。 6. **因子名称：波动率因子**[48] * **因子构建思路：** 衡量股票价格的波动程度，通常认为低波动率股票风险调整后收益更优。 * **因子具体构建过程：** 报告未给出具体计算公式和计算窗口。通常为过去一段时间内股票日收益率的标准差。 7. **因子名称：ROE因子**[54] * **因子构建思路：** 净资产收益率，衡量公司利用股东权益创造利润的能力，是重要的盈利质量因子。 * **因子具体构建过程：** 报告未给出具体计算公式和周期。通常为归属于母公司股东的净利润除以平均归属于母公司股东的权益。 8. **因子名称：SUE因子**[54] * **因子构建思路：** 标准化未预期盈余，衡量公司当期盈利超出市场预期的程度。 * **因子具体构建过程：** 报告未给出具体计算公式。通常为（公司当期实际EPS - 分析师一致预期的EPS）/ 过去一段时间内分析师预期误差的标准差。 9. **因子名称：预期净利润调整因子**[54] * **因子构建思路：** 跟踪分析师对公司未来盈利预测的调整情况，认为盈利预测上调的公司未来表现更好。 * **因子具体构建过程：** 报告未给出具体计算公式。通常为一定时间内，分析师对未来某期（如下一季度或下一年）净利润一致预期的调整幅度（如上调百分比）。 因子的回测效果 （测试方法：按照因子值对股票排序，选择最高与最低的10%股票构建等权组合，计算多头、空头及多空收益[43]） 1. **市值因子**，上周全市场多空收益：0.08%[44]，2026年4月以来全市场多空收益：-4.31%[44]，2026年以来全市场多空收益：3.26%[45] 2. **PB因子**，上周全市场多空收益：0.64%[44]，2026年4月以来全市场多空收益：-8.06%[44]，2026年以来全市场多空收益：-4.13%[45] 3. **PE_TTM因子**，上周全市场多空收益：-0.81%[44]，2026年4月以来全市场多空收益：-6.24%[44]，2026年以来全市场多空收益：-3.58%[45] 4. **反转因子**，上周全市场多空收益：-1.02%[48]，2026年4月以来全市场多空收益：0.18%[49]，2026年以来全市场多空收益：-5.95%[49] 5. **换手率因子**，上周全市场多空收益：0.16%[48]，2026年4月以来全市场多空收益：-6.00%[49]，2026年以来全市场多空收益：1.14%[49] 6. **波动率因子**，上周全市场多空收益：-0.45%[48]，2026年4月以来全市场多空收益：-5.89%[49]，2026年以来全市场多空收益：-2.23%[49] 7. **ROE因子**，上周全市场多空收益：0.97%[54]，2026年4月以来全市场多空收益：4.26%[54]，2026年以来全市场多空收益：6.22%[55] 8. **SUE因子**，上周全市场多空收益：0.59%[54]，2026年4月以来全市场多空收益：4.18%[54]，2026年以来全市场多空收益：6.76%[55] 9. **预期净利润调整因子**，上周全市场多空收益：0.99%[54]，2026年4月以来全市场多空收益：2.55%[54]，2026年以来全市场多空收益：4.33%[55]

量化模型与因子总结 量化模型与构建方式 **本报告未涉及具体的量化预测模型或策略模型，主要进行的是基于持仓数据的描述性统计分析**。 量化因子与构建方式 本报告未构建传统意义上的预测性阿尔法因子，而是基于基金持仓数据，定义并计算了一系列用于刻画基金对特定板块（如CPO、硬AI）配置情况的**描述性统计指标**。这些指标可视为分析基金行为的“观测因子”。 1. 板块配置仓位因子 * **因子名称**：CPO总仓位、硬AI联合仓位、双龙头合计仓位等。 * **因子构建思路**：通过计算基金对特定概念板块的持仓市值占其净资产的比例，来量化基金对该板块的配置强度与暴露程度[15]。 * **因子具体构建过程**： 1. **确定股票池**：CPO、存储芯片、算力租赁、液冷服务器、PCB等主题的股票池取自通达信概念指数成分股[15]。 2. **计算单只基金对单一主题的仓位**：对于某一只基金，其对于某个主题（如CPO）的仓位计算公式为： $$CPO仓位 = \frac{\sum_{i \in CPO股票池} (持仓股票i市值)}{基金净资产}$$ 其中，持仓股票i市值为该基金持有该股票的数量乘以期末股价[15]。 3. **计算“去重口径”的硬AI联合仓位**：为避免跨主题股票重复计算，按预设顺序（CPO -> 存储芯片 -> 算力租赁 -> 液冷服务器 -> PCB）依次剥离重合股，计算每个主题的新增仓位，然后加总得到基金的硬AI联合仓位[28][35]。 4. **计算“不去重口径”的主题仓位**：直接使用原始股票池计算每个主题的仓位，不进行跨主题去重，以反映基金经理对各细分环节的真实参与程度[39][42]。 5. **计算双龙头合计仓位**：针对中际旭创和新易盛两只股票，计算其合计持仓市值占基金净资产的比例[23]。 2. 基金参与度因子 * **因子名称**：板块持有基金数、基金参与率。 * **因子构建思路**：通过统计持有特定板块股票的基金数量及其在总体本中的占比，来衡量该板块在机构投资者中的普及程度和共识广度[16][23]。 * **因子具体构建过程**： 1. **定义“配置”**：将基金持仓明细中出现任一只特定板块（如A股CPO）概念股的基金，定义为当前配置该板块的基金[15]。 2. **统计绝对数量**：在指定报告期（如2025H2），统计配置了该板块的基金总数[16]。 3. **计算参与率**：用配置了该板块的基金数量，除以当期披露全持仓的主动权益基金总数[16]。 $$板块参与率 = \frac{配置该板块的基金数}{当期披露全持仓的基金总数}$$ 3. 持仓结构集中度因子 * **因子名称**：龙头股内部持仓占比、前十大基金持股集中度。 * **因子构建思路**：通过分析基金在板块内部（如双龙头占CPO仓位比）或个股层面（如前十大基金持股占比）的仓位分布，来刻画配置的集中程度与资金结构[25][45]。 * **因子具体构建过程**： 1. **计算板块内部集中度**：对于已配置CPO的基金，计算其持有的双龙头股票合计市值占其CPO板块总持仓市值的比例[25]。 $$双龙头占CPO仓位比 = \frac{双龙头合计持仓市值}{CPO板块总持仓市值}$$ 2. **计算个股层面集中度**：对于特定个股（如新易盛），计算所有持有该股的基金中，持仓市值排名前十的基金其持股总数占所有基金持股总数的比例[45][47]。 模型的回测效果 **本报告未进行基于历史数据的策略回测，因此无相关模型回测效果指标**。 因子的回测效果 报告展示了基于2025H2截面数据及2023H1至2025H2时间序列数据，上述“描述性因子”的统计结果，用于刻画公募基金对CPO及硬AI板块的配置现状与演变特征。 1. CPO板块配置因子取值（2025H2截面） * **CPO总仓位（全样本）**：中位数 **4.17%**，75分位 **12.20%**，90分位 **26.12%**，最大值88.69%[16]。在总样本池中的仓位占比为 **13.24%**[16]。 * **CPO总仓位（已配置样本）**：中位数 **7.05%**[16]。 * **CPO参与率**：**78.53%** (3,701只/4,713只)[16]。 * **双龙头合计仓位（全样本）**：中位数 **0.00%**，75分位 **3.46%**，90分位 **12.74%**。在总池子中仓位占比 **4.60%**[23]。 * **双龙头合计仓位（持有任一龙头的样本）**：中位数 **5.41%**，75分位 **12.81%**，90分位 **18.15%**[23]。 * **双龙头高配基金**：双龙头仓位均超过8%的基金有 **268** 只，占全样本 **5.69%**，合计规模3,426.57亿元[17]。 * **双龙头占CPO仓位比（已配置样本）**：中位数 **1.83%**，75分位 **40.02%**，90分位 **60.84%**[25]。 2. 硬AI板块配置因子取值（2025H2截面） * **硬AI联合仓位（去重口径，全样本）**：中位数 **15.37%**，75分位 **30.92%**，90分位 **54.58%**。在总池子中仓位占比 **28.60%**[35]。 * **各主题新增参与率与仓位（去重口径）**： * 存储芯片：参与率 **80.56%**，总池子仓位占比 **7.23%**[35]。 * 算力租赁：参与率 **69.42%**，总池子仓位占比 **2.17%**[35]。 * 液冷服务器：参与率 **80.56%**，总池子仓位占比 **3.74%**[35]。 * PCB：参与率 **73.80%**，总池子仓位占比 **2.22%**[35]。 * **各主题真实仓位（不去重口径）**：CPO **13.24%**，存储芯片 **7.74%**，算力租赁 **3.10%**，液冷服务器 **9.19%**，PCB **5.81%**[40][42]。 * **硬AI高仓位基金**：硬AI联合仓位在70%以上的基金有 **185** 只，平均规模11.62亿元[35][43]。 * **CPO零配但配置其他硬AI的基金**：有 **794** 只，其中补充仓位达10%以上的占比 **47.27%**[35][43]。 3. 龙头股持仓结构因子取值（时间序列与截面） * **新易盛持股集中度（2025H2）**：前十大内基金持股占比 **92.00%**，基金数占比60.99%；前十外基金持股占比 **8.00%**，基金数占比39.01%[45][47]。 * **中际旭创持股集中度（2025H2）**：前十大内基金持股占比 **93.96%**，基金数占比68.19%；前十外基金持股占比 **6.04%**，基金数占比31.81%[45][48]。 * **新易盛持有基金数时间序列**：从2023H1的 **622** 只增长至2025H2的 **1,510** 只，持股总数在1.45至1.83亿股间波动，2025H2为 **1.69** 亿股[44][47]。 * **中际旭创持有基金数时间序列**：从2023H1的 **868** 只波动至2025H2的 **1,660** 只，持股总数在1.29至2.12亿股间波动，2025H2为 **1.46** 亿股[48]。 4. 按管理规模分组的配置因子取值（2025H2截面） * **不同规模组CPO仓位**：0-10亿组 **8.93%**，10-20亿组 **8.38%**，20-50亿组 **9.95%**，50-100亿组 **12.23%**，100亿以上组 **12.89%**[50][51]。 * **不同规模组硬AI总仓位**：0-10亿组 **20.80%**，10-20亿组 **20.58%**，20-50亿组 **22.83%**，50-100亿组 **25.29%**，100亿以上组 **26.58%**[50][51]。 5. 潜在增量结构因子取值（2025H2截面） * **低配账户数量**：已配置CPO但仓位低于10%的基金有 **2,291** 只，占已配置样本的 **61.90%**；其中仓位低于5%的有 **1,517** 只，占比 **40.99%**[55][64]。 * **零配账户数量**：当前未配置A股CPO的基金有 **1,012** 只[55][64]。

量化模型与构建方式 1. **模型名称：国信金工多因子指数增强模型**[10][11] * **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核心步骤，构建能够稳定战胜基准指数的增强组合[10][11] * **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[11] 2. **风险控制**：在组合优化过程中施加多种约束，以控制组合相对于基准的风险暴露[11] 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，以实现增强目标[11] 2. **模型名称：单因子MFE组合构建模型**[14][42] * **模型构建思路**：为了在更贴近实际投资约束（如行业、风格中性）的条件下检验单因子的有效性，通过组合优化方法构建最大化因子暴露组合（MFE组合），并观察其相对于基准的表现[14][42] * **模型具体构建过程**： 1. 采用组合优化模型，目标函数为最大化组合在目标因子上的暴露[42] 2. 优化问题的数学形式如下[42]： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ 其中： * $f$ 为股票在目标因子上的取值向量[42] * $w$ 为待求解的股票权重向量[42] * $w_b$ 为基准指数成分股的权重向量[43] * $X$ 为股票在风格因子上的暴露矩阵，$s_l$, $s_h$ 为风格因子相对暴露的上下限[43] * $H$ 为股票的行业暴露矩阵，$h_l$, $h_h$ 为行业偏离的上下限[43] * $w_l$, $w_h$ 为个股相对于基准权重的偏离上下限[43] * $B_b$ 为个股是否属于基准指数的0-1向量，$b_l$, $b_h$ 为成分股内权重占比的上下限[43] * $l$ 为个股权重上限，约束条件要求权重非负且和为1[43][44] 3. 具体构建步骤[46]： * 设定约束条件（如行业中性、市值中性、个股权重偏离限制等） * 在每月末，根据约束条件为每个单因子求解优化问题，得到MFE组合 * 在回测期内定期换仓，计算组合历史收益并扣除交易费用 3. **模型名称：公募重仓指数构建模型**[44] * **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，通过汇总公募基金定期报告的持仓信息，构建一个代表公募基金整体持仓风格的指数作为新的选股样本空间[44] * **模型具体构建过程**： 1. **样本筛选**：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[45] 2. **持仓获取**：从基金的定期报告（年报、半年报、季报）中获取持股信息。若最新报告为季报，需结合前期的年报或半年报信息[45] 3. **权重计算**：将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[45] 4. **成分股选取**：将平均后的股票权重降序排序，选取累计权重达到90%的股票作为指数成分股[45] 模型的回测效果 1. **国信金工多因子指数增强模型**[13] * 沪深300增强组合：本周超额收益-0.82%，本年超额收益6.43%[13] * 中证500增强组合：本周超额收益-0.68%，本年超额收益4.24%[13] * 中证1000增强组合：本周超额收益-0.49%，本年超额收益4.79%[13] * 中证A500增强组合：本周超额收益-0.87%，本年超额收益2.87%[13] 量化因子与构建方式 1. **因子名称：估值类因子**[16] * **因子构建思路**：衡量股票的估值水平，通常认为估值较低的股票具有更高的安全边际或投资价值[16] * **因子具体构建过程**： * **BP**：净资产 / 总市值[16] * **单季EP**：单季度归母净利润 / 总市值[16] * **单季SP**：单季度营业收入 / 总市值[16] * **EPTTM**：归母净利润TTM / 总市值[16] * **SPTTM**：营业收入TTM / 总市值[16] * **EPTTM分位点**：EPTTM在过去一年中的分位点[16] * **股息率**：最近四个季度预案分红金额 / 总市值[16] 2. **因子名称：反转类因子**[16] * **因子构建思路**：捕捉股票价格的短期反转效应，即过去表现差的股票未来可能反弹，或过去表现好的股票可能回调[16] * **因子具体构建过程**： * **一个月反转**：过去20个交易日涨跌幅[16] * **三个月反转**：过去60个交易日涨跌幅[16] * **一年动量**：近一年除近一月后动量[16] 3. **因子名称：成长类因子**[16] * **因子构建思路**：衡量公司盈利或收入的增长能力，高成长性的公司通常更受市场青睐[16] * **因子具体构建过程**： * **单季净利同比增速**：单季度净利润同比增长率[16] * **单季营收同比增速**：单季度营业收入同比增长率[16] * **单季营利同比增速**：单季度营业利润同比增长率[16] * **SUE**：(单季度实际净利润 - 预期净利润) / 预期净利润标准差[16] * **SUR**：(单季度实际营业收入 - 预期营业收入) / 预期营业收入标准差[16] * **单季超预期幅度**：预期单季度净利润 / 财报单季度净利润[16] 4. **因子名称：盈利类因子**[16] * **因子构建思路**：衡量公司的盈利能力和资产使用效率[16] * **因子具体构建过程**： * **单季ROE**：单季度归母净利润 * 2 / (期初归母净资产 + 期末归母净资产)[16] * **单季ROA**：单季度归母净利润 * 2 / (期初归母总资产 + 期末归母总资产)[16] * **DELTAROE**：单季度净资产收益率 - 去年同期单季度净资产收益率[16] * **DELTAROA**：单季度总资产收益率 - 去年同期单季度总资产收益率[16] 5. **因子名称：流动性类因子**[16] * **因子构建思路**：衡量股票交易的活跃程度和流动性风险[16] * **因子具体构建过程**： * **非流动性冲击**：过去20个交易日的日涨跌幅绝对值 / 成交额的均值[16] * **一个月换手**：过去20个交易日换手率均值[16] * **三个月换手**：过去60个交易日换手率均值[16] 6. **因子名称：波动类因子**[16] * **因子构建思路**：衡量股票价格的波动性或特异性风险[16] * **因子具体构建过程**： * **特异度**：1 - 过去20个交易日Fama-French三因子回归的拟合度[16] * **一个月波动**：过去20个交易日日内真实波幅均值[16] * **三个月波动**：过去60个交易日日内真实波幅均值[16] 7. **因子名称：公司治理因子**[16] * **因子构建思路**：从高管薪酬角度衡量公司治理水平[16] * **因子具体构建过程**： * **高管薪酬**：前三高管报酬总额取对数[16] 8. **因子名称：分析师类因子**[16] * **因子构建思路**：利用分析师的一致预期数据，捕捉市场对公司未来业绩的共识和预期变化[16] * **因子具体构建过程**： * **预期EPTTM**：一致预期滚动EP[16] * **预期BP**：一致预期滚动BP[16] * **预期PEG**：一致预期PEG[16] * **预期净利润环比**：一致预期净利润 / 3个月前一致预期净利润[16] * **三个月盈利上下调**：过去3个月内分析师（上调家数 - 下调家数）/ 总家数[16] * **三个月机构覆盖**：过去3个月内机构覆盖数量[16] 因子的回测效果 *注：以下因子表现数据均为其单因子MFE组合相对于对应基准指数的超额收益率，数据来源为各图表[18][20][22][24][26]。* 1. **在沪深300样本空间中，近期表现突出的因子取值示例**[18] * **预期BP**：最近一周1.07%，最近一月0.53%，今年以来0.30%[18] * **预期PEG**：最近一周0.98%，最近一月1.61%，今年以来5.23%[18] * **预期EPTTM**：最近一周0.87%，最近一月1.76%，今年以来3.96%[18] * **一年动量**：最近一周0.32%，最近一月2.90%，今年以来3.55%[18] * **单季ROE**：最近一周-0.20%，最近一月1.49%，今年以来4.18%[18] 2. **在中证500样本空间中，近期表现突出的因子取值示例**[20] * **单季营收同比增速**：最近一周1.08%，最近一月3.98%，今年以来9.94%[20] * **预期净利润环比**：最近一周1.07%，最近一月1.93%，今年以来3.40%[20] * **特异度**：最近一周1.06%，最近一月1.13%，今年以来2.16%[20] * **单季净利同比增速**：最近一周-0.06%，最近一月2.26%，今年以来9.41%[20] * **DELTAROE**：最近一周-0.06%，最近一月0.86%，今年以来4.95%[20] 3. **在中证1000样本空间中，近期表现突出的因子取值示例**[22] * **单季营收同比增速**：最近一周0.55%，最近一月0.03%，今年以来7.71%[22] * **三个月机构覆盖**：最近一周0.36%，最近一月1.69%，今年以来4.02%[22] * **3个月盈利上下调**：最近一周0.22%，最近一月1.42%，今年以来3.29%[22] * **DELTAROA**：最近一周-0.97%，最近一月0.38%，今年以来4.34%[22] * **单季超预期幅度**：最近一周-1.31%，最近一月0.14%，今年以来3.43%[22] 4. **在中证A500样本空间中，近期表现突出的因子取值示例**[24] * **预期EPTTM**：最近一周1.01%，最近一月0.73%，今年以来4.63%[24] * **预期PEG**：最近一周0.87%，最近一月-1.20%，今年以来0.83%[24] * **标准化预期外收入**：最近一周0.37%，最近一月2.49%，今年以来6.31%[24] * **单季净利同比增速**：最近一周-0.44%，最近一月2.90%，今年以来3.55%[24] * **DELTAROE**：最近一周-0.44%，最近一月2.28%，今年以来4.27%[24] 5. **在公募重仓指数样本空间中，近期表现突出的因子取值示例**[26] * **3个月盈利上下调**：最近一周表现较好[26] * **一年动量**：最近一月表现较好[26] * **单季营收同比增速**：最近一月和今年以来表现较好[26] * **DELTAROA**：今年以来表现较好[26] * **单季净利同比增速**：最近一月和今年以来表现较好[26]

量化模型与构建方式 1. **模型名称：港股精选组合模型**[13][15] * **模型构建思路**：该模型旨在对分析师推荐股票池进行基本面和技术面的双层优选，挑选出同时具备基本面支撑和技术面共振的超预期股票，构建港股精选股票组合[13][15]。 * **模型具体构建过程**： 1. **构建分析师推荐股票池**：以分析师上调盈利预测、分析师首次关注、分析师研报标题超预期事件作为分析师推荐事件，构建初始股票池[15]。 2. **基本面与技术面精选**：对上述股票池中的股票进行基本面和技术面两个维度的精选，具体筛选标准未在提供内容中详细展开[13][15]。 * **模型评价**：根据历史回测，该模型在2010年至2025年的全样本区间内表现优异，年化收益和超额收益显著[15][19]。 2. **因子名称：250日新高距离**[22] * **因子构建思路**：用于量化股票价格接近其过去250个交易日最高价的程度，以捕捉创新高或接近新高的股票，这类股票常被研究认为具有动量效应和未来超额收益潜力[20][22]。 * **因子具体构建过程**： 1. 计算过去250个交易日的收盘价最大值：`ts_max(Close, 250)`[22]。 2. 使用最新收盘价 `Close_t` 与上述最大值进行比较[22]。 3. **因子公式**： $$250日新高距离 = 1 - \frac{Close_t}{ts\_max(Close, 250)}$$[22] 4. **公式说明**：`Close_t` 为最新收盘价，`ts_max(Close, 250)` 为过去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；若最新收盘价较新高回落，则因子值为正，表示回落幅度[22]。 3. **模型名称：平稳创新高股票筛选模型**[22][23] * **模型构建思路**：在近期创出过250日新高的股票池中，综合分析师关注度、股价相对强弱、股价路径平稳性、创新高连续性等多个角度，筛选出趋势更为稳健、质量更高的“平稳创新高”股票[2][22]。 * **模型具体构建过程**： 1. **初始股票池**：全部港股，但需剔除成立时间不超过15个月的股票[23]。 2. **创新高条件**：股票在过去20个交易日内曾创出250日新高[2][22]。 3. **分层筛选条件**： * **分析师关注度**：过去6个月内，获得“买入”或“增持”评级的分析师研报不少于5份[23]。 * **股价相对强弱**：过去250日涨跌幅位于样本池（满足创新高条件的股票）的前20%[23]。 * **股价平稳性**：在满足上述条件的股票池内，使用以下两个指标综合打分，取排名在前50%的股票（最少取50只）[23]： * **价格路径平滑性**：股价位移路程比（具体计算公式未提供）[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[23]。 * **趋势延续性**：过去5日的250日新高距离在时间序列上的均值，取排序靠前的50只股票[23]。 模型的回测效果 1. **港股精选组合模型**[15][19] * 全样本年化收益：19.08%[15][19] * 相对恒生指数年化超额收益：18.06%[15][19] * 全样本信息比(IR)：1.19[19] * 全样本跟踪误差：14.60%[19] * 全样本收益回撤比：0.76[19] * 全样本相对最大回撤：23.73%[19] 因子的回测效果 *(注：报告未提供“250日新高距离”因子的独立测试结果，如IC、IR等。)*

证券研究报告 | 金工专题报告 | | --- | hyzqdatemark 2026 年 04 月 25 日 有色金属被减仓，周期板块配置权重继续抬升 ——主动型公募基金 2026 年一季报分析 投资要点： 主动型公募基金规模仍在攀升，纯债基金发行遇冷 联系人 2026 年一季度受美伊冲突的干扰，市场在进入 3 月后开始下跌，主动权益基金整体 业绩偏弱，小部分基金业绩表现较为突出；2026 年一季度，主动型公募基金（不含 货币、另类、REITs、QDII、FOF、指增、指数基金）总规模从 2025 年四季度的 13.50 万亿元上升到 13.76 万亿元，纯债基金规模降低 2453 亿元，含权债基规模相对 2025 年四季度提高 4385 亿元，说明资金从风险较低的纯债基金切换至风险适中的含权债 基，体现出年初资金对收益的诉求。 主动权益基金 2026 年一季度，主动权益基金对港股的配置热情继续下降，从 2025 年二季度的 20.44%持续降低到一季度的 14.18%；对于创业板的配置意愿增强，由 2025 年一季 度的 13.46%抬升至 21.95%。 相比 2025 年四季度，一季度主动权益基金的行 ...

量化模型与构建方式 1. **模型名称**：封板率计算模型[16] **模型构建思路**：通过统计股票在交易日内达到涨停价并最终维持涨停收盘的情况，来衡量市场涨停板的封板强度，反映市场追涨情绪和资金封板意愿[16]。 **模型具体构建过程**：首先筛选出上市满3个月以上的股票。在目标交易日，找出所有盘中最高价达到涨停价的股票。然后，在这些股票中，统计收盘价仍为涨停价的股票数量。封板率即为收盘涨停的股票数除以盘中最高价涨停的股票数[16]。 **公式**： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[16] 2. **模型名称**：连板率计算模型[16] **模型构建思路**：通过统计连续两个交易日收盘涨停的股票比例，来衡量市场涨停板的持续性，反映市场热点题材的延续性和短线资金的接力情绪[16]。 **模型具体构建过程**：首先筛选出上市满3个月以上的股票。统计前一交易日（T-1日）所有收盘涨停的股票数量。然后，在这些昨日涨停的股票中，统计在目标交易日（T日）收盘仍为涨停的股票数量。连板率即为连续两日收盘涨停的股票数除以昨日收盘涨停的股票数[16]。 **公式**： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[16] 3. **模型名称**：大宗交易折价率计算模型[25] **模型构建思路**：通过计算大宗交易成交价格相对于该证券当日市值的折扣比例，来反映大额资金交易的折价水平，可用于观察机构或大股东的减持成本或交易意愿[25]。 **模型具体构建过程**：首先获取目标交易日所有大宗交易的成交总金额。然后，计算这些成交份额若按当日收盘价（或成交均价）计算所对应的总市值。折价率即为大宗交易总成交金额除以当日成交份额的总市值再减1[25]。 **公式**： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[25] 4. **模型名称**：股指期货年化贴水率计算模型[27] **模型构建思路**：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，以标准化衡量不同期限合约的贴水或升水程度，反映市场对未来走势的预期和对冲成本[27]。 **模型具体构建过程**：首先计算基差，即股指期货主力合约价格减去其对应的现货指数价格（当期货价格低于现货价格时，基差为负，表示贴水）。然后，将基差除以现货指数价格，得到相对基差。最后，将此相对基差年化处理，乘以年化因子（250除以合约剩余交易日数），得到年化贴水率[27]。 **公式**： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[27] **模型评价**：该指标综合反映了金融市场利率、股市分红、微观资金成本、套利力量和市场情绪等多方面因素，其变化能体现市场对未来的预期[27]。 模型的回测效果 1. 封板率计算模型，2026年4月24日封板率取值为68%[16] 2. 封板率计算模型，2026年4月24日封板率较前日变化为下降2%[16] 3. 连板率计算模型，2026年4月24日连板率取值为17%[16] 4. 连板率计算模型，2026年4月24日连板率较前日变化为下降1%[16] 5. 大宗交易折价率计算模型，2026年4月23日折价率取值为6.83%[25] 6. 大宗交易折价率计算模型，近半年以来平均折价率取值为7.20%[25] 7. 股指期货年化贴水率计算模型，2026年4月24日上证50股指期货主力合约年化贴水率取值为3.68%[27] 8. 股指期货年化贴水率计算模型，2026年4月24日沪深300股指期货主力合约年化贴水率取值为7.90%[27] 9. 股指期货年化贴水率计算模型，2026年4月24日中证500股指期货主力合约年化贴水率取值为9.43%[27] 10. 股指期货年化贴水率计算模型，2026年4月24日中证1000股指期货主力合约年化贴水率取值为11.48%[27] 11. 股指期货年化贴水率计算模型，近一年以来上证50股指期货主力合约年化贴水率中位数取值为1.39%[27] 12. 股指期货年化贴水率计算模型，近一年以来沪深300股指期货主力合约年化贴水率中位数取值为4.85%[27] 13. 股指期货年化贴水率计算模型，近一年以来中证500股指期货主力合约年化贴水率中位数取值为10.60%[27] 14. 股指期货年化贴水率计算模型，近一年以来中证1000股指期货主力合约年化贴水率中位数取值为12.84%[27] 量化因子与构建方式 1. **因子名称**：昨日涨停股今日收益因子[13] **因子构建思路**：通过计算前一交易日涨停的股票在今日的收益率，来观察涨停股在次日的表现，常用于衡量涨停板策略的溢价效应或反转效应[13]。 **因子具体构建过程**：首先筛选出上市满3个月以上且前一交易日（T-1日）收盘涨停的股票。然后，计算这些股票在目标交易日（T日）的收盘收益率（(T日收盘价 / T-1日收盘价) - 1）。该因子通常取这些股票收益率的平均值或中位数[13]。 2. **因子名称**：昨日跌停股今日收益因子[13] **因子构建思路**：通过计算前一交易日跌停的股票在今日的收益率，来观察跌停股在次日的表现，常用于衡量市场恐慌情绪的释放或超跌反弹的可能性[13]。 **因子具体构建过程**：首先筛选出上市满3个月以上且前一交易日（T-1日）收盘跌停的股票。然后，计算这些股票在目标交易日（T日）的收盘收益率（(T日收盘价 / T-1日收盘价) - 1）。该因子通常取这些股票收益率的平均值或中位数[13]。 因子的回测效果 1. 昨日涨停股今日收益因子，2026年4月24日因子取值为0.11%[13] 2. 昨日跌停股今日收益因子，2026年4月24日因子取值为-3.24%[13]

量化模型与构建方式 1. **模型/因子名称**：风险溢价模型[29] * **构建思路**：以十年期国债即期收益率为无风险利率参考，计算各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[29] * **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。报告中具体计算了各宽基指数相对于十年期国债即期收益率的风险溢价，并统计了其在不同时间窗口（近1年、近5年）内的分位值、均值、波动率及与均值加减标准差倍数的差值[31][33] * **模型评价**：各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[30]。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[35] 2. **模型/因子名称**：股债性价比模型[42] * **构建思路**：以各指数市盈率（PE-TTM）的倒数作为股票预期收益率的近似，减去十年期国债即期收益率，得到股债利差，用以衡量股票相对于债券的吸引力[42] * **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。报告中将此指标与近5年历史数据计算的80分位值（机会值）、20分位值（危险值）、均值及±1倍标准差进行比较分析[45] 3. **因子名称**：峰度与偏度因子[24][25] * **构建思路**：通过计算各宽基指数日收益率的峰度和偏度，分析其收益分布的特征、集中程度和形态倾向[19][24] * **具体构建过程**： * 峰度：衡量收益率分布的尖峭或扁平程度。报告中的峰度计算减去了3（正态分布的峰度值），因此“峰度负偏离”表示当前分布比近5年基准更平坦[25]。 * 偏度：衡量收益率分布的不对称性。正偏态表示极端正收益情形增加[24]。 * **因子评价**：峰度越大，说明各区间段的收益率分布更集中。创业板指的峰度负偏离最大，上证50的峰度负偏离最小[24]。正偏态显示极端正收益情形增加的程度，创业板指的负偏态最大，上证50的负偏态最小[24]。 4. **因子名称**：市盈率（PE-TTM）分位因子[36][38] * **构建思路**：观察各指数的滚动市盈率（PE-TTM）作为估值参考，并通过计算其历史分位值来衡量当前估值在历史中所处的位置[36] * **具体构建过程**：计算各宽基指数当前的PE-TTM值，并统计其在近1年、近5年以及全部历史数据中的分位值。同时，计算近1年的均值和波动率，并分析当前值相对于均值加减1倍、2倍标准差的偏离百分比[41][42] 5. **因子名称**：股息率因子[46] * **构建思路**：股息率反映现金分红回报率，是红利投资风格的核心指标。跟踪各指数的股息率，观察其走势和变化趋势[46] * **具体构建过程**：计算各宽基指数当前的股息率，并统计其在近1年、近5年以及全部历史数据中的分位值。同时，计算近1年的均值和波动率，并分析当前值相对于均值加减1倍、2倍标准差的偏离百分比[49] 6. **因子名称**：破净率因子[51] * **构建思路**：破净率表示市净率小于1的个股数量占比，反映市场的整体估值态度和低估的普遍程度[51] * **具体构建过程**：统计各宽基指数成分股中，市净率（PB）小于1的个股数量，并计算其占该指数总成分股数量的比例[53] 模型的回测效果 *注：本报告为市场数据跟踪报告，未提供基于历史数据的策略回测绩效指标（如年化收益率、夏普比率、最大回撤等）。报告中对各模型/因子的分析主要基于当前时点的截面数据比较和历史分位值统计，无传统意义上的回测结果展示。* 因子的回测效果 *注：本报告为市场数据跟踪报告，未提供单因子或复合因子的分层回测、IC/IR等绩效指标。报告中对各因子的分析侧重于当前状态描述和历史分位比较，无因子有效性检验的回测结果。*

量化模型与构建方式 1. **模型名称：250日新高距离模型** [11] * **模型构建思路**：该模型旨在追踪市场趋势，通过计算当前收盘价与过去250个交易日最高收盘价的相对距离，来量化个股、行业或指数接近其历史高点的程度。其理论基础在于研究表明，股价接近52周（约250日）最高价时，未来收益往往更高[11]。 * **模型具体构建过程**：对于任意标的（个股、行业指数、宽基指数），计算其最新收盘价相对于过去250个交易日最高收盘价的距离。具体公式如下： $$250 日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，$Closet$ 为最新收盘价，$ts\_max(Close, 250)$ 为过去250个交易日收盘价的最大值[11]。若最新收盘价创出新高，则距离为0；若较新高回落，则距离为正值，表示回落幅度[11]。 2. **模型名称：平稳创新高股票筛选模型** [24][27] * **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趋势延续潜力的“平稳创新高”股票。其思路基于研究结论：遵循平滑价格路径的高动量股收益，相较遵循跳跃价格路径的高动量股收益更高[24]。模型从分析师关注度、股价相对强弱、趋势延续性、股价路径平稳性、创新高持续性等多个角度进行综合筛选[24]。 * **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**：筛选出过去20个交易日内创出过250日新高的股票[24]。 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[27]。 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%[27]。 4. **股价平稳性筛选**：在满足上述条件的股票池内，使用以下两个指标综合打分，并选取排名在前50%的股票[27]。 * **价格路径平滑性**：使用股价位移路程比进行衡量。公式为： $$价格路径平滑性 = \frac{过去 120 日涨跌幅的绝对值}{过去 120 日日涨跌幅绝对值加总}$$ 该比值越小，表明价格路径越平滑[24]。 * **创新高持续性**：计算过去120日内的250日新高距离在时间序列上的均值。该值越小，表明在观察期内越持续地接近或创出新高[27]。 5. **趋势延续性筛选**：计算过去5日的250日新高距离在时间序列上的均值，并最终选取该值排序靠前的50只股票作为“平稳创新高股票”[27]。 模型的回测效果 *本报告未提供模型（如250日新高距离策略或平稳创新高筛选策略）的历史回测绩效指标（如年化收益率、夏普比率、最大回撤、信息比率IR等）。报告主要展示了特定时点（2026年4月24日）的截面数据和应用结果[12][13][15][19][20][28]。* 量化因子与构建方式 1. **因子名称：250日新高距离因子** [11] * **因子构建思路**：该因子用于度量股票价格接近其一年内最高点的程度，作为动量或趋势强度的代理变量[11]。 * **因子具体构建过程**：对于每只股票，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，$Closet$ 为股票的最新收盘价，$ts\_max(Close, 250)$ 为该股票过去250个交易日收盘价的最大值[11]。 * **因子评价**：该因子是动量效应和趋势跟踪策略中的经典指标，文献与实战均支持其有效性[11]。 2. **因子名称：价格路径平滑性因子** [24] * **因子构建思路**：该因子用于衡量股票价格上涨过程的“平稳性”或“连续性”，其理论基础是平滑的动量可能比跳跃的动量更具持续性[24]。 * **因子具体构建过程**：计算股票在过去120个交易日内，总涨跌幅（位移）与每日涨跌幅绝对值之和（路程）的比值。具体公式如下： $$价格路径平滑性 = \frac{|P_{t} - P_{t-120}|}{\sum_{i=t-119}^{t} |R_{i}|}$$ 其中，$P_{t}$ 为当前价格，$P_{t-120}$ 为120日前价格，$R_{i}$ 为第i日的收益率。报告中的公式表述为：过去120日涨跌幅的绝对值 / 过去120日日涨跌幅绝对值加总[24]。 * **因子评价**：该因子旨在捕捉“温水煮青蛙”效应，即平滑的趋势可能因投资者关注不足而产生更强大的动量[24]。 3. **因子名称：创新高持续性因子** [27] * **因子构建思路**：该因子用于衡量股票在一段较长时间内（如120日）持续接近或创出新高的能力，而非单次创新高。 * **因子具体构建过程**：计算股票在过去120个交易日内，其每日的“250日新高距离”的时间序列均值。该均值越小，表明股票在观察期内越持续地保持在历史高位附近[27]。 4. **因子名称：趋势延续性因子** [27] * **因子构建思路**：该因子用于衡量股票在短期（如5日）内其创新高趋势的延续强度。 * **因子具体构建过程**：计算股票在过去5个交易日内，其每日的“250日新高距离”的时间序列均值。选取该均值最小的股票，代表其短期创新高趋势最强、延续性最好[27]。 因子的回测效果 *本报告未提供上述量化因子（250日新高距离、价格路径平滑性等）的独立因子测试结果（如IC值、IR、多空收益等）。报告重点在于展示如何将这些因子应用于特定时点的股票筛选，并列出筛选结果[28][31]。*

量化模型与构建方式 1. **模型名称**：风格相对拥挤度模型[70] * **模型构建思路**：通过计算不同风格指数换手率标准化值的差异及其历史分位，来衡量某一风格相对于另一风格的交易拥挤程度，以判断其配置性价比和潜在风险[70]。 * **模型具体构建过程**： 1. 对于风格A和风格B的指数，分别计算其近252个交易日的平均换手率[125]。 2. 将上述平均换手率在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：$$Diff = Z-score_A - Z-score_B$$[125]。 4. 计算该差值Diff在滚动6年窗口期内的历史分位数（若历史数据满1年但不足6年，则使用全部历史数据计算）[125]。此分位数即为风格A相对于风格B的相对拥挤度指标。 2. **模型名称**：风格累计超额净值模型[126] * **模型构建思路**：通过计算风格指数相对于市场基准（万得全A）的累计净值比，来刻画该风格的长期超额收益表现[126]。 * **模型具体构建过程**： 1. 以2020年1月4日为基准日，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序列[126]。 2. 将各风格指数在每个交易日的累计净值，除以同一交易日万得全A指数的累计净值，得到该风格指数相对于万得全A的累计超额净值[126]。公式为：$$风格累计超额净值_t = \frac{风格指数累计净值_t}{万得全A累计净值_t}$$。 3. **模型名称**：机构调研活跃度模型[127] * **模型构建思路**：通过标准化和比较不同板块（或指数、行业）的机构调研频率，构建活跃度指标并计算其历史分位，以衡量市场关注度的相对冷热[127]。 * **模型具体构建过程**： 1. 对于特定板块，计算其近n个交易日的“日均机构调研次数”[127]。 2. 将该日均值在滚动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指数的同期标准化结果作差，得到“机构调研活跃度”[127]。 4. 计算该“机构调研活跃度”在滚动y年窗口期内的历史分位数[127]。 * **参数设置**：长期口径取n=126（近半年），滚动窗口y=6年（数据满3年不足6年用全部数据）[127]。短期口径取n=63（近一季度），滚动窗口y=3年（数据满1年不足3年用全部数据）[127]。 4. **因子名称**：风险溢价因子 (ERP)[50] * **因子构建思路**：通过比较股票市场估值倒数与无风险利率的差值，来衡量投资股票市场相对于债券市场的超额回报预期，即股债性价比[50]。 * **因子具体构建过程**：对于特定指数，其ERP计算公式为：$$指数ERP = \frac{1}{指数PE\_TTM} - 10年期中债国债到期收益率$$[50]。其中，PE_TTM为指数滚动市盈率。 5. **因子名称**：动量因子[61] * **因子构建思路**：基于股价的延续性效应，认为过去一段时间表现好的股票在未来短期内仍将保持强势[61]。 * **因子具体构建过程**：报告中引用的“长江动量”指数构建方法为，以最近一年股票收益率减去最近一个月股票收益率（剔除涨停板）作为动量指标，综合选择A股市场中动量特征强且流动性相对较高的前100只股票作为指数成分股[61]。 6. **因子名称**：反转因子[62] * **因子构建思路**：基于股价的均值回归效应，认为过去短期内表现较差的股票在未来可能迎来反弹[62]。 * **因子具体构建过程**：报告中引用的“长江反转”指数构建方法为，以最近一个月股票收益率作为筛选指标，综合选择A股市场中反转效应强、流动性较好的前100只股票作为指数成分股，并采用成分股近三个月日均成交量进行加权[62]。 模型的回测效果 1. 成长 vs 红利 相对拥挤度模型，本周末历史分位值75%，上周末72%，上年末70%[70] 2. 小盘 vs 大盘 相对拥挤度模型，本周末历史分位值7%，上周末6%，上年末39%[70] 3. 微盘股 vs 中证800 相对拥挤度模型，本周末历史分位值58%，上周末59%，上年末90%[70] 因子的回测效果 1. 成长-红利因子，近一周收益率0.1%，近一月收益率7.8%，年初至今收益率4.4%[60][61] 2. 小盘-大盘因子，近一周收益率0.4%，近一月收益率2.4%，年初至今收益率9.4%[60][61] 3. 动量-反转因子，近一周收益率-0.5%，近一月收益率12.4%，年初至今收益率10.3%[60][61] 4. 万得全A风险溢价因子(ERP)，本周末值2.4%，历史分位53%，状态“均衡”[58][59] 5. 沪深300风险溢价因子(ERP)，本周末值5.1%，历史分位57%，状态“均衡”[58][59] 6. 创业板指风险溢价因子(ERP)，本周末值0.5%，历史分位84%，状态“极高”[58][59]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：市场情绪监测模型**[11] * **模型构建思路**：通过统计市场中涨停、跌停股票的数量及其后续表现，以及股票的封板与连板情况，来量化市场的短期投机情绪和赚钱效应。 * **模型具体构建过程**： * **日内涨跌停家数**：统计上市满3个月以上的股票在盘中及收盘时的涨停和跌停数量[11]。 * **昨日涨跌停股今日表现**：统计昨日收盘涨停或跌停的股票在今日的收盘收益率，用以观察涨停/跌停股票的持续性[11]。 * **封板率**：计算最高价涨停且收盘涨停的股票数占最高价涨停股票总数的比例，用以衡量涨停板的稳固程度[14]。 $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ * **连板率**：计算连续两日收盘涨停的股票数占昨日收盘涨停股票总数的比例，用以衡量市场追高连板的热情[14]。 $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 2. **模型名称：市场资金与流动性监测模型**[16][19][23][25] * **模型构建思路**：通过分析融资融券余额及交易占比、大宗交易折溢价、股指期货升贴水等数据，从资金面和衍生品交易角度监测市场流动性和投资者预期。 * **模型具体构建过程**： * **两融余额与交易占比**：计算融资融券余额占市场总流通市值的比重，以及融资买入额与融券卖出额之和占市场总成交额的比例，反映杠杆资金的市场参与度和活跃度[19]。 * **大宗交易折溢价**：统计大宗交易的折价率，反映大资金交易的偏好和情绪。折价率计算公式为[23]： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ * **股指期货年化贴水率**：计算股指期货主力合约相对于现货指数的年化基差，反映市场对未来指数的预期和对冲成本。年化贴水率计算公式为[25]： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 其中，基差 = 股指期货价格 - 现货指数价格。 3. **模型名称：机构行为跟踪模型**[27][30][33][34] * **模型构建思路**：通过跟踪机构调研、龙虎榜中机构席位及陆股通（北向资金）的买卖动向，来观察机构投资者的关注点和资金流向。 * **模型具体构建过程**： * **机构调研热度**：统计近7天内对上市公司进行调研的机构数量，列出被调研机构数量最多的公司[27]。 * **龙虎榜机构席位净流入/流出**：根据交易所公布的龙虎榜数据，汇总“机构专用”席位在上榜股票中的买入与卖出金额差额，列出净流入和净流出额前十的股票[33]。 * **龙虎榜陆股通净流入/流出**：根据交易所公布的龙虎榜数据，汇总“陆股通”席位（北向资金）在上榜股票中的买入与卖出金额差额，列出净流入和净流出额前十的股票[34]。 * **龙虎榜上榜条件**：报告列出了沪市/深市主板、中小板与科创板、创业板股票登上龙虎榜所需满足的不同价格波动、振幅、换手率等条件[30][32][36]。 量化因子与构建方式 1. **因子名称：ETF折溢价因子**[20] * **因子构建思路**：利用股票型ETF在场内交易价格与场外净值之间的差异，构建折溢价指标，以此捕捉市场短期情绪或套利机会。 * **因子具体构建过程**：筛选日成交额超过100万元的境内交易股票型ETF，计算其场内交易价格与IOPV（基金份额参考净值）之间的百分比差额。溢价表示交易价格高于净值，折价则相反[20]。 模型的回测效果 *本报告为市场监测日报，主要展示各类模型在特定日期的观测结果，未提供历史回测的绩效指标（如年化收益率、夏普比率、最大回撤等）。* 因子的回测效果 *本报告为市场监测日报，主要展示ETF折溢价因子在特定日期的截面数据，未提供该因子在历史选股中的有效性测试结果（如IC值、IR、多空收益等）。*