量化模型与构建方式 量化模型 1. **模型名称**：PB-ROE-50组合[7][23] * **模型构建思路**：该模型基于PB（市净率）和ROE（净资产收益率）两个核心指标进行选股，旨在寻找估值合理且盈利能力强的公司[23]。 * **模型具体构建过程**：报告未详细描述该组合的具体构建公式和步骤，仅提及了其核心选股逻辑[23]。 2. **模型名称**：机构调研组合[7][25] * **模型构建思路**：该模型基于机构调研活动构建选股策略，分为公募调研选股策略和私募调研跟踪策略[3][25]。 * **模型具体构建过程**：报告未详细描述该组合的具体构建公式和步骤，仅提及了其策略类型[25]。 3. **模型名称**：大宗交易组合[7][29] * **模型构建思路**：基于“高成交、低波动”原则，从发生大宗交易的股票中筛选后续表现更佳的标的[29]。 * **模型具体构建过程**：报告提及了构建该组合的两个关键因子：“大宗交易成交金额比率”和“6日成交金额波动率”[29]。具体构建公式和步骤未在本文中详述，可参考其提及的过往报告[29]。 4. **模型名称**：定向增发组合[7][35] * **模型构建思路**：以定向增发的股东大会公告日为事件节点，构建事件驱动选股组合[35]。 * **模型具体构建过程**：报告提及构建时综合考虑了市值因素、调仓周期及仓位控制，但未给出具体构建公式和步骤，可参考其提及的过往报告[35]。 量化因子 1. **因子名称**：动量弹簧因子[1][12] * **因子构建思路**：未在报告中明确阐述。 * **因子具体构建过程**：报告未提供具体构建过程。 2. **因子名称**：早盘收益因子[1][12] * **因子构建思路**：未在报告中明确阐述。 * **因子具体构建过程**：报告未提供具体构建过程。 3. **因子名称**：毛利率TTM[1][12] * **因子构建思路**：使用过去十二个月（TTM）的毛利率作为基本面因子。 * **因子具体构建过程**：报告未提供具体计算公式。通常，毛利率TTM = (过去12个月营业收入 - 过去12个月营业成本) / 过去12个月营业收入。 4. **因子名称**：ROIC增强因子[1][12] * **因子构建思路**：未在报告中明确阐述。 * **因子具体构建过程**：报告未提供具体构建过程。 5. **因子名称**：市净率因子[1][12] * **因子构建思路**：使用市净率（PB）作为估值因子。 * **因子具体构建过程**：报告未提供具体计算公式。通常，市净率 = 市值 / 净资产。 6. **因子名称**：标准化预期外盈利[1][14] * **因子构建思路**：未在报告中明确阐述。 * **因子具体构建过程**：报告未提供具体构建过程。 7. **因子名称**：净利润断层[1][14] * **因子构建思路**：未在报告中明确阐述。 * **因子具体构建过程**：报告未提供具体构建过程。 8. **因子名称**：单季度ROE同比[1][14] * **因子构建思路**：使用单季度ROE的同比增长率作为成长性因子。 * **因子具体构建过程**：报告未提供具体计算公式。通常，单季度ROE同比 = (本期单季度ROE / 上年同期单季度ROE - 1)。 9. **因子名称**：单季度净利润同比增长率[2][16] * **因子构建思路**：使用单季度净利润的同比增长率作为成长性因子。 * **因子具体构建过程**：报告未提供具体计算公式。通常，单季度净利润同比增长率 = (本期单季度净利润 / 上年同期单季度净利润 - 1)。 10. **因子名称**：市销率TTM倒数[2][16] * **因子构建思路**：使用市销率（PS）的倒数作为估值因子。 * **因子具体构建过程**：报告未提供具体计算公式。通常，市销率TTM倒数 = 1 / (市值 / 过去12个月营业收入)。 11. **因子名称**：单季度EPS[2][16] * **因子构建思路**：使用单季度每股收益（EPS）作为盈利因子。 * **因子具体构建过程**：报告未提供具体计算公式。通常，单季度EPS = 单季度归属于母公司股东的净利润 / 期末总股本。 12. **因子名称**：对数市值因子[2][16] * **因子构建思路**：使用市值的自然对数作为规模因子。 * **因子具体构建过程**：报告未提供具体计算公式。通常，对数市值因子 = ln(市值)。 13. **因子名称**：6日成交金额的标准差[2][16] * **因子构建思路**：计算过去6个交易日成交金额的标准差，作为流动性或波动性因子。 * **因子具体构建过程**：报告未提供具体计算公式。 14. **因子名称**：下行波动率占比[2][16] * **因子构建思路**：未在报告中明确阐述。 * **因子具体构建过程**：报告未提供具体构建过程。 15. **因子名称**：动量因子[1][18] * **因子构建思路**：未在报告中明确阐述，通常指股票价格的中期趋势。 * **因子具体构建过程**：报告未提供具体构建过程。 16. **因子名称**：Beta因子[1][18] * **因子构建思路**：衡量股票相对于市场基准的系统性风险。 * **因子具体构建过程**：报告未提供具体构建过程。 17. **因子名称**：残差波动率因子[1][18] * **因子构建思路**：衡量剔除市场风险后的特异性波动率。 * **因子具体构建过程**：报告未提供具体构建过程。 18. **因子名称**：非线性市值因子[1][18] * **因子构建思路**：未在报告中明确阐述。 * **因子具体构建过程**：报告未提供具体构建过程。 19. **因子名称**：每股净资产因子[21] * **因子构建思路**：使用每股净资产（BVPS）作为基本面因子。 * **因子具体构建过程**：报告未提供具体计算公式。通常，每股净资产 = 净资产 / 总股本。 20. **因子名称**：每股经营利润TTM因子[21] * **因子构建思路**：使用过去十二个月（TTM）的每股经营利润作为基本面因子。 * **因子具体构建过程**：报告未提供具体计算公式。 21. **因子名称**：BP因子[21] * **因子构建思路**：即市净率（PB）的倒数，也称为账面市值比。 * **因子具体构建过程**：报告未提供具体计算公式。通常，BP因子 = 1 / PB = 净资产 / 市值。 22. **因子名称**：EP因子[21] * **因子构建思路**：即市盈率（PE）的倒数，也称为盈余收益率。 * **因子具体构建过程**：报告未提供具体计算公式。通常，EP因子 = 1 / PE = 每股收益 / 股价。 23. **因子名称**：流动性因子[21] * **因子构建思路**：未在报告中明确阐述，通常指与股票交易活跃度相关的因子。 * **因子具体构建过程**：报告未提供具体构建过程。 24. **因子名称**：大宗交易成交金额比率[29] * **因子构建思路**：用于大宗交易组合构建的关键因子，比率越高可能预示后续表现更佳[29]。 * **因子具体构建过程**：报告未提供具体计算公式。 25. **因子名称**：6日成交金额波动率[29] * **因子构建思路**：用于大宗交易组合构建的关键因子，波动率越低可能预示后续表现更佳[29]。 * **因子具体构建过程**：报告未提供具体计算公式。 模型的回测效果 1. **PB-ROE-50组合**，本周超越基准收益率（中证500）为-1.43%[23][24]，本周超越基准收益率（中证800）为-0.02%[23][24]，本周超越基准收益率（全市场）为-0.39%[23][24]，今年以来超额收益率（中证500）为0.15%[24]，今年以来超额收益率（中证800）为8.08%[24]，今年以来超额收益率（全市场）为8.59%[24]，本周绝对收益率为-1.03%（中证500）[24]、0.71%（中证800）[24]、-0.12%（全市场）[24]，今年以来绝对收益率为10.64%（中证500）[24]、13.52%（中证800）[24]、15.05%（全市场）[24] 2. **机构调研组合（公募调研选股）**，本周超越基准收益率（中证800）为-0.78%[25][26]，今年以来超额收益率（中证800）为-3.92%[26]，本周绝对收益率为-0.06%[26]，今年以来绝对收益率为0.91%[26] 3. **机构调研组合（私募调研跟踪）**，本周超越基准收益率（中证800）为-0.85%[25][26]，今年以来超额收益率（中证800）为6.14%[26]，本周绝对收益率为-0.13%[26]，今年以来绝对收益率为11.49%[26] 4. **大宗交易组合**，本周超越基准收益率（中证全指）为-0.65%[29][30]，今年以来超额收益率（中证全指）为6.20%[30]，本周绝对收益率为-0.38%[30]，今年以来绝对收益率为12.51%[30] 5. **定向增发组合**，本周超越基准收益率（中证全指）为-0.86%[35][36]，今年以来超额收益率（中证全指）为2.03%[36]，本周绝对收益率为-0.58%[36]，今年以来绝对收益率为8.09%[36] 因子的回测效果 *注：以下因子表现数据均为“最近1周”的收益，为剔除行业与市值影响后多头组合相对于基准指数的超额收益[12]。* 1. **动量弹簧因子**，最近1周收益为1.57%（沪深300）[12][13]、-0.24%（中证500）[14][15]、-0.03%（流动性1500）[16][17] 2. **早盘收益因子**，最近1周收益为1.47%（沪深300）[12][13]、-0.92%（中证500）[14][15]、-0.58%（流动性1500）[16][17] 3. **毛利率TTM**，最近1周收益为1.20%（沪深300）[12][13]、-2.17%（中证500）[14][15]、-0.59%（流动性1500）[16][17] 4. **ROIC增强因子**，最近1周收益为-2.10%（沪深300）[12][13]、-0.88%（中证500）[14][15]、-0.37%（流动性1500）[16][17] 5. **市净率因子**，最近1周收益为-2.07%（沪深300）[12][13]、-0.70%（中证500）[14][15]、-0.18%（流动性1500）[16][17] 6. **标准化预期外盈利**，最近1周收益为-0.88%（沪深300）[12][13]、0.54%（中证500）[14][15]、-0.19%（流动性1500）[16][17] 7. **净利润断层**，最近1周收益为-0.56%（沪深300）[12][13]、0.39%（中证500）[14][15]、0.27%（流动性1500）[16][17] 8. **单季度ROE同比**，最近1周收益为-1.33%（沪深300）[12][13]、0.38%（中证500）[14][15]、-0.06%（流动性1500）[16][17] 9. **单季度净利润同比增长率**，最近1周收益为-0.69%（沪深300）[12][13]、0.00%（中证500）[14][15]、0.79%（流动性1500）[16][17] 10. **市销率TTM倒数**，最近1周收益为0.08%（沪深300）[12][13]、-0.06%（中证500）[14][15]、0.61%（流动性1500）[16][17] 11. **单季度EPS**，最近1周收益为0.80%（沪深300）[12][13]、-0.25%（中证500）[14][15]、0.56%（流动性1500）[16][17] 12. **对数市值因子**，最近1周收益为0.17%（沪深300）[12][13]、-0.27%（中证500）[14][15]、-1.69%（流动性1500）[16][17] 13. **6日成交金额的标准差**，最近1周收益为-0.14%（沪深300）[12][13]、-1.48%（中证500）[14][15]、-1.59%（流动性1500）[16][17] 14. **下行波动率占比**，最近1周收益为-1.22%（沪深300）[12][13]、-1.53%（中证500）[14][15]、-1.51%（流动性1500）[16][17] 15. **动量因子**，最近1周收益为0.84%（全市场）[1][18] 16. **Beta因子**，最近1周收益为-0.47%（全市场）[1][18] 17. **残差波动率因子**，最近1周收益为-0.43%（全市场）[1][18] 18. **非线性市值因子**，最近1周收益为-0.31%（全市场）[1][18]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：三维择时框架** * **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，综合判断市场整体状态和趋势，为择时提供参考[8]。 * **模型具体构建过程：** 模型包含三个核心指标：1) 市场分歧度指数，用于衡量市场参与者观点的离散程度[20]。2) 市场流动性指数，用于衡量市场资金面的宽松程度[25]。3) A股景气度指数2.0，用于衡量宏观经济和上市公司基本面的景气状况，该指数包含工业、金融等分项[23][25]。通过观察这三个指标的变化趋势（上行或下行）及其组合状态，形成对市场偏多、偏中或偏空的判断[8][12][14]。 2. **模型名称：热点趋势ETF策略** * **模型构建思路：** 结合技术形态（价格高低点）和市场关注度（换手率变化），筛选出处于上涨趋势且近期市场热度提升的ETF构建投资组合[30]。 * **模型具体构建过程：** 首先，根据K线的最高价与最低价的上涨或下跌形态，筛选出最高价与最低价同时呈现上涨形态的ETF。其次，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。然后，在支撑阻力因子的多头组中，选择近5日换手率与近20日换手率比值最高的ETF，即短期市场关注度明显提升的品种。最后，选取排名靠前的10只ETF，采用风险平价方法构建投资组合[30]。 3. **模型名称：资金流共振策略** * **模型构建思路：** 结合融资融券资金流和主动大单资金流两种不同类型的资金流向，寻找两种资金流产生共振（同时看好）的行业进行配置，以提高策略的稳定性[36][37]。 * **模型具体构建过程：** 1. **构建行业融资融券资金因子：** 对个股的（融资净买入-融券净卖出）在行业内加总，然后进行Barra市值因子中性化处理。取该中性化后值的最近50日均值，并计算其两周环比变化率[37]。 2. **构建行业主动大单资金因子：** 计算行业的主动大单净流入，并进行最近一年成交量时序中性化处理。将处理后的行业净流入值进行排序（分位化），并取最近10日均值作为因子值[37]。 3. **策略合成：** 研究发现，融资融券因子的多头端在某些市场状态下有稳定的负向超额收益，而主动大单因子（剔除极端多头行业后）有稳定的正向超额收益。因此，策略在主动大单因子的头部打分行业内，剔除融资融券因子得分也处于头部的行业，以提高策略稳定性。最后，再剔除大金融板块，得到最终推荐的行业[37][40]。 4. **模型名称：全天候配置策略** * **模型构建思路：** 通过选择多元资产、进行风险调整和结构化对冲，绕过对宏观因子的预测，直接针对资产波动进行配置，以实现长期稳健的绝对收益，并根据风险偏好分为高波和低波两个版本[43]。 * **模型具体构建过程：** 策略遵循三项基本原则：1) 资产选择：涵盖A股、H股、美股、债券、商品等多类资产。2) 风险调整：采用风险平价或风险预算方法调整资产权重。3) 结构对冲：采用循环对冲设计对冲构型，以熨平波动。具体分为两个版本： * **高波版：** 采用“四层结构化-股债金风险平价”方法构建组合[47]。 * **低波版：** 采用“五层结构化-风险预算”方法构建组合[48]。 5. **模型名称：经典线性多因子选股模型（指数增强策略核心）** * **模型构建思路：** 以多因子模型为核心，通过筛选有效因子、合成复合Alpha得分，并在基准指数约束下进行组合优化，力求获得稳定的超额收益[65]。 * **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[65]。 2. **因子加权：** 每月末，对入选的因子进行正交化处理，并采用Rank ICIR加权的方式合成复合因子，将其作为个股的Alpha得分[65]。 3. **组合优化：** 在给定跟踪误差、行业中性、市值中性等风险约束条件下，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[65]。 量化因子与构建方式 1. **因子名称：支撑阻力因子（属于热点趋势ETF策略）** * **因子构建思路：** 通过分析ETF价格高点与低点的回归趋势，判断其上涨动能的强弱[30]。 * **因子具体构建过程：** 根据ETF的最高价与最低价近20日回归系数的相对陡峭程度来构建。具体公式未在报告中明确给出，但思路是衡量价格通道的斜率[30]。 2. **因子名称：行业融资融券资金因子** * **因子构建思路：** 衡量杠杆资金在行业层面的净流入强度及其近期变化[37]。 * **因子具体构建过程：** 首先，计算每个行业的融资融券资金流：行业内个股的（融资净买入-融券净卖出）之和。然后，对该资金流进行Barra市值因子中性化处理。接着，计算该中性化后序列的最近50日移动平均值。最后，计算该50日均值的两周环比变化率作为最终因子值[37]。 3. **因子名称：行业主动大单资金因子** * **因子构建思路：** 衡量机构或大资金在行业层面的主动买入强度[37]。 * **因子具体构建过程：** 首先，计算每个行业的主动大单净流入金额。然后，对该净流入进行最近一年成交量时序中性化处理（以消除市场整体成交活跃度的影响）。接着，将处理后的行业净流入值在全行业范围内进行排序并转化为分位数（例如0%-100%）。最后，取该分位数序列的最近10日移动平均值作为最终因子值[37]。 4. **风格因子：流动性因子、贝塔因子、波动率因子** * **因子构建思路：** 用于刻画市场当前呈现的风格特征，例如市场是偏好高流动性股票还是高波动性股票[55]。 * **因子具体构建过程：** 报告未详细描述具体计算方法，但指出这些因子用于描述“高流动性高贝塔高波动率”等市场风格特征[55]。 5. **Alpha因子（列举部分）：** * **因子名称：1年-1个月的收益率 (mom 1y 1m)** * **因子构建思路：** 动量因子，计算过去1年剔除最近1个月后的收益率，捕捉中长期动量效应[58][60]。 * **因子名称：单季度营业收入同比增速 (yoy or q)** * **因子构建思路：** 成长因子，衡量公司最新单季度营业收入的同比增长情况[58][60]。 * **因子名称：营业收入同比增速 (yoy or)** * **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[60]。 * **因子名称：十二个月残差动量 (specific mom12)** * **因子构建思路：** 残差动量因子，剥离市场风险后的过去12个月收益率动量，常用在沪深300等大市值股票中[61]。 * **因子名称：评级上下调差/评级上下调和 (est num diff)** * **因子构建思路：** 分析师情绪因子，通过券商评级上调与下调的家数差异来衡量市场对股票的预期变化，在大市值股票中表现突出[61]。 * **因子名称：一致预测净利润变化（FY1）占比 (mom1 np fy1, mom3 np fy1等)** * **因子构建思路：** 预期修正因子，衡量未来1年（FY1）一致预测净利润相对于1个月前或3个月前的变化幅度，在小市值指数中表现更佳[61]。 * **因子具体构建过程（以mom3 np fy1为例）：** $$mom3\ np\ fy1 = \frac{(当前一致预测np\ FY1 - 3个月前一致预测np\ FY1)}{|3个月前一致预测np\ FY1|}$$ [61] * **因子名称：单季度净利润同比增长(考虑快报、预告) (yoy np q adv)** * **因子构建思路：** 成长与事件驱动结合因子，利用业绩快报或预告信息更早地捕捉净利润增长信号[61]。 * **其他Alpha因子：** 报告还列出了大量其他Alpha因子，如每股营业收入同比增长率(yoy orps)、流动负债同比增长(cur liab yoy)、SUE因子(sue1)、研发销售收入占比(tot rd ttm to sales)等，均进行了市值和行业中性化处理（规模因子仅进行行业中性化）[57][60]。 模型的回测效果 1. **热点趋势ETF策略：** 2025年以来收益61.81%，相比沪深300指数的超额收益为36.97%[30]。 2. **资金流共振策略：** 2018年以来费后年化超额收益12.3%，IR 1.2，相对北向-大单共振策略回撤更小。策略上周绝对收益0.2%，相对行业等权超额收益0.4%[37]。 3. **全天候配置策略（截至2025年）：** * **高波版：** 年化收益率11.8%，年平均最大回撤3.6%，夏普比率1.9[52]。 * **低波版：** 年化收益率6.7%，年平均最大回撤2.0%，夏普比率2.4[52]。 * **2026年以来：** 高波版收益率6.2%，低波版收益率1.9%[52]。 4. **指数增强策略：** * **沪深300增强组合：** 本周超额收益0.3%，本月超额收益3.1%，本年超额收益7.2%[62]。 * **中证500增强组合：** 本周超额收益0.3%，本月超额收益0.8%，本年超额收益5.2%[62]。自2016年1月1日以来，年化超额收益13.3%，年化IR 2.78[70]。 * **中证1000增强组合：** 本周超额收益-0.4%，本月超额收益-2.4%，本年超额收益0.8%[62]。自2016年1月1日以来，年化超额收益16.4%，年化IR 3.45[74]。 因子的回测效果 *注：因子表现数据分为近期（周/月）表现和长期（近一年）在不同指数中的表现。* 1. **风格因子近期表现（截至2026年4月24日当周）：** * **流动性因子：** 正收益4.05%[55]。 * **贝塔因子：** 正收益3.85%[55]。 * **波动率因子：** 正收益3.59%[55]。 2. **Alpha因子近期表现（截至2026年4月24日）：** * **近一周多头超额收益前列因子：** * **1年-1个月的收益率 (mom 1y 1m):** 2.55%[58][60]。 * **单季度营业收入同比增速 (yoy or q):** 1.27%[58][60]。 * **营业收入同比增速 (yoy or):** 1.22%[60]。 * **近一个月多头超额收益前列因子：** * **1年-1个月的收益率 (mom 1y 1m):** 4.47%[60]。 * **营业收入同比增速 (yoy or):** 2.49%[60]。 * **单季度营业收入同比增速 (yoy or q):** 2.33%[60]。 3. **Alpha因子长期表现（最近一年，截至2026年4月24日，在不同宽基指数中的多头超额收益）：** * **在沪深300指数中表现突出的因子：** * **十二个月残差动量 (specific mom12):** 40.52%[61]。 * **评级上下调差/评级上下调和 (est num diff):** 35.46%[61]。 * **mom3 np fy1:** 34.07%[61]。 * **在中证500指数中表现突出的因子：** * **近一个月一致预测净利润变化（FY1）占比 (mom1 np fy1):** 22.57%[61]。 * **mom3 rev fy1:** 18.67%[61]。 * **mom3 np fy1:** 18.11%[61]。 * **在中证800指数中表现突出的因子：** * **mom3 np fy1:** 33.56%[61]。 * **1年-1个月的收益率 (mom 1y 1m):** 31.47%[61]。 * **十二个月残差动量 (specific mom12):** 31.30%[61]。 * **在中证1000指数中表现突出的因子：** * **mom3 rev fy1:** 22.14%[61]。 * **1年-1个月的收益率 (mom 1y 1m):** 20.99%[61]。 * **单季度净利润同比增长(考虑快报、预告) (yoy np q adv):** 20.84%[61]。

量化模型与构建方式 1. **模型名称：成交量模型**[11] * **模型构建思路**：基于市场成交量信息进行短期择时判断[9]。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程，仅提及其为短期择时模型之一[11]。 2. **模型名称：特征龙虎榜机构模型**[11] * **模型构建思路**：利用龙虎榜中的机构买卖行为特征进行短期择时[9][11]。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程，仅提及其为短期择时模型之一[11]。 3. **模型名称：特征成交量模型**[11] * **模型构建思路**：基于特定的成交量特征进行短期择时[9][11]。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程，仅提及其为短期择时模型之一[11]。 4. **模型名称：智能算法沪深300/中证500模型**[11] * **模型构建思路**：应用智能算法对沪深300或中证500指数进行短期择时判断[9][11]。 * **模型具体构建过程**：报告未详细描述具体算法、公式和过程，仅提及其为智能算法择时模型[11]。 5. **模型名称：涨跌停模型**[12] * **模型构建思路**：利用市场涨跌停股票数量或相关特征进行中期择时[9][12]。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程，仅提及其为中期择时模型之一[12]。 6. **模型名称：上下行收益差模型**[12] * **模型构建思路**：通过计算市场上行收益与下行收益的差值，或分析其分布特征，进行中期择时判断[9][12]。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程，仅提及其为中期择时模型之一[12]。 7. **模型名称：月历效应模型**[12] * **模型构建思路**：基于历史月份、星期等时间周期上的规律性效应进行中期择时[12]。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程，仅提及其为中期择时模型之一[12]。 8. **模型名称：长期动量模型**[13] * **模型构建思路**：基于资产的长期价格动量（趋势）进行长期择时判断[9][13]。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程，仅提及其为长期择时模型之一[13]。 9. **模型名称：A股综合兵器V3模型**[14] * **模型构建思路**：将短期、中期、长期等多个周期的择时模型信号进行耦合，形成综合择时观点，该模型偏防御或进攻[9][14]。 * **模型具体构建过程**：报告未详细描述各模型信号的具体耦合规则与权重分配[14]。 10. **模型名称：A股综合国证2000模型**[14] * **模型构建思路**：针对国证2000指数，将多周期择时模型信号进行耦合，形成综合择时观点[14]。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程[14]。 11. **模型名称：成交额倒波幅模型**[15] * **模型构建思路**：结合成交额与波动率（波幅）的倒置关系进行港股中期择时[15]。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程[15]。 12. **模型名称：上下行收益差相似多空模型**[15] * **模型构建思路**：在上下行收益差模型的基础上，结合相似性分析或多空对比逻辑，应用于港股（恒生指数、恒生国企指数）的择时[15]。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程[15]。 13. **模型名称：形态识别模型（杯柄形态、双底形态）**[42] * **模型构建思路**：通过识别股票价格走势中特定的技术形态（如杯柄形态、双底形态），在形态突破时进行交易[42]。 * **模型具体构建过程**： * **杯柄形态**：识别一段“U”型回调（杯身）和一段小幅回调或整理（杯柄），当价格放量突破杯柄上沿时视为买入信号[45]。 * **双底形态**：识别价格形成两个相近低点（W底），当价格放量突破颈线位时视为买入信号[51]。 * **模型评价**：作为经典的技术分析选股策略，能够捕捉趋势启动的节点[36][42]。 14. **模型名称：倒杯子形态风险模型**[61] * **模型构建思路**：识别股价在下跌趋势中反弹筑顶后再次破位下行的“倒杯子”形态，作为风险预警信号[61]。 * **模型具体构建过程**：报告未详细描述具体识别算法和阈值[61]。 模型的回测效果 1. **双底形态模型**，自2020年12月31日至今累计收益24.5%，相对上证综指超额收益7.03%[42]。 2. **杯柄形态模型**，自2020年12月31日至今累计收益23.73%，相对上证综指超额收益6.25%[42]。 量化因子与构建方式 1. **因子名称：分析师一致预期调整因子**[19] * **因子构建思路**：基于分析师对个股盈利预测的上调或下调比例，汇总到行业层面，反映市场对行业基本面的预期变化[19]。 * **因子具体构建过程**：计算行业内，被分析师上调盈利预测的个股数量占比，以及被下调盈利预测的个股数量占比[19]。 2. **因子名称：基金仓位因子**[22] * **因子构建思路**：利用公募基金定期报告或估算数据，计算其对各行业的持仓比例，反映机构资金动向[22]。 * **因子具体构建过程**： * **绝对仓位**：股票型基金或混合型基金在某个行业的持仓市值占其总股票市值的比例[28]。 * **超低配仓位**：基金在某个行业的持仓比例减去该行业市值占全市场（或基准）的比例。正值为超配，负值为低配[30]。 3. **因子名称：形态长度因子**[45][51] * **因子构建思路**：衡量技术形态（如杯柄、双底）从开始到突破所经历的时间周期，可能作为形态强度的辅助指标[45][51]。 * **因子具体构建过程**：形态识别点A到形态突破点C（或E）之间所跨越的周数[45][51]。 因子的回测效果 （报告中未提供单个因子的独立回测绩效指标，如IC、IR等）

量化模型与构建方式 1. **模型名称：期现连续对冲策略（当月/季月）**[42] **模型构建思路：** 通过持续做空股指期货合约来对冲持有标的指数现货的风险，利用股指期货的基差（通常为贴水）作为策略的收益来源之一[42] **模型具体构建过程：** 1. 回测区间：2022年7月22日至2026年4月24日[43] 2. 现货端：使用70%的资金，持有对应标的指数的全收益指数[43] 3. 期货端：使用剩余30%的资金，做空与现货端等额名义本金的股指期货合约（IC/IF/IH/IM）[43] 4. 调仓规则： * **连续持有**当月或季月合约[42] * 当持有合约距离到期日不足2日时，在当日以收盘价平仓，并同时以收盘价卖空下一个当月或季月合约[43] 5. 每次调仓后，根据产品净值重新计算现货及期货端的持仓数量[43] 6. 备注：模型不考虑交易手续费、冲击成本及期货合约的不可无限细分性质[43] 2. **模型名称：期现最低贴水对冲策略**[42] **模型构建思路：** 在期现对冲框架下，通过动态选择市场上年化基差贴水幅度最小的股指期货合约进行对冲，旨在最大化基差收敛带来的收益[42] **模型具体构建过程：** 1. 回测区间：2022年7月22日至2026年4月24日[44] 2. 现货端：使用70%的资金，持有对应标的指数的全收益指数[44] 3. 期货端：使用剩余30%的资金，做空与现货端等额名义本金的股指期货合约（IC/IF/IH/IM）[44] 4. 调仓规则： * 在调仓日，计算所有可交易期货合约的**分红调整年化基差**[44] * 选择年化基差**贴水幅度最小**的合约进行开仓[44] * 同一合约至少持有8个交易日，或持有至该合约距离到期日不足2日时，才可进行下一次调仓（排除剩余到期日不足8日的合约）[44] * 每次调仓选择后，即使结果仍是持有原合约，也需继续持有满8个交易日[44] 5. 每次调仓后，根据产品净值重新计算现货及期货端的持仓数量[44] 6. 备注：模型不考虑交易手续费、冲击成本及期货合约的不可无限细分性质[44] 量化因子与构建方式 1. **因子名称：分红调整年化基差**[19][20][21] **因子构建思路：** 股指期货的实际基差受到标的指数成分股在合约存续期内分红的影响，为了准确衡量期货合约的定价偏差，需要从实际基差中剔除预期分红的效应，并进行年化处理以便于跨期比较[9][19][20] **因子具体构建过程：** 1. 首先，基于指数成分股历史分红情况，预测标的指数在特定期货合约存续期内的**预期分红点位**（例如，IC当季合约存续期内预期分红点位为81.10）[10][21] 2. 计算**预期分红调整后的基差**：$$预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红$$[20] 其中，实际基差 = 期货合约收盘价 - 标的指数收盘价[19] 3. 将调整后的基差进行**年化处理**，得到最终因子：$$年化基差 = \frac{实际基差 + (预期)分红点位}{指数价格} \times \frac{360}{合约剩余天数}$$[21] 2. **因子名称：波动率指数 (VIX)**[58][59] **因子构建思路：** 借鉴海外成熟经验并结合国内期权市场实际，通过计算一系列期权合约的隐含波动率，构建反映市场对未来30天标的资产波动率预期的指数[58][59] **因子评价：** VIX指数能够反映期权投资者对标的资产未来波动水平的预期，具备期限结构，可用于分析市场在不同时间跨度内的波动预期差异[59] 3. **因子名称：偏度指数 (SKEW)**[58][63] **因子构建思路：** 通过计算不同行权价格下期权隐含波动率的偏斜形态，构建用于刻画市场对标的资产未来收益率分布（尤其是尾部风险）预期的指数[63] **因子具体构建过程：** SKEW指数衡量波动率曲线的偏斜程度。当市场担忧下跌风险时，看跌期权需求上升，虚值看跌期权的隐含波动率被推高，导致波动率曲线向左倾斜（负偏），SKEW指数值升高[63] **因子评价：** SKEW指数是洞察市场对潜在极端风险担忧程度的有效工具，常被称为“黑天鹅指数”。指数高于100通常表明投资者对市场大幅回调的担忧加剧[63] 模型的回测效果 （回测区间：2022年7月22日至2026年4月24日）[43][44] 1. **IC当月连续对冲模型**，年化收益-3.39%，波动率3.80%，最大回撤-12.24%，净值0.8792，年换手次数12，2026年以来收益-0.56%[46] 2. **IC季月连续对冲模型**，年化收益-2.75%，波动率4.86%，最大回撤-10.94%，净值0.9013，年换手次数4，2026年以来收益-0.76%[46] 3. **IC最低贴水策略模型**，年化收益-1.90%，波动率4.54%，最大回撤-9.19%，净值0.9311，年换手次数17.16，2026年以来收益-1.04%[46] 4. **IF当月连续对冲模型**，年化收益0.14%，波动率2.82%，最大回撤-3.95%，净值1.0052，年换手次数12，2026年以来收益-0.43%[51] 5. **IF季月连续对冲模型**，年化收益0.56%，波动率3.21%，最大回撤-4.03%，净值1.0210，年换手次数4，2026年以来收益0.04%[51] 6. **IF最低贴水策略模型**，年化收益1.05%，波动率2.97%，最大回撤-4.06%，净值1.0396，年换手次数15.28，2026年以来收益0.14%[51] 7. **IH当月连续对冲模型**，年化收益0.90%，波动率2.86%，最大回撤-4.22%，净值1.0340，年换手次数12，2026年以来收益-0.25%[54] 8. **IH季月连续对冲模型**，年化收益1.94%，波动率3.26%，最大回撤-3.75%，净值1.0743，年换手次数4，2026年以来收益0.52%[54] 9. **IH最低贴水策略模型**，年化收益1.56%，波动率2.91%，最大回撤-3.91%，净值1.0596，年换手次数14.75，2026年以来收益0.32%[54] 10. **IM当月连续对冲模型**，年化收益-6.28%，波动率4.28%，最大回撤-21.53%，净值0.7852，年换手次数12，2026年以来收益-1.15%[56] 11. **IM季月连续对冲模型**，年化收益-5.15%，波动率5.38%，最大回撤-18.06%，净值0.8210，年换手次数4，2026年以来收益-1.65%[56] 12. **IM最低贴水策略模型**，年化收益-4.06%，波动率5.10%，最大回撤-14.41%，净值0.8569，年换手次数15.28，2026年以来收益-0.65%[56] 因子的回测效果 （截至2026年4月24日） 1. **分红调整年化基差因子**（IC当季），取值-5.33%[22] 2. **分红调整年化基差因子**（IF当季），取值-3.25%[27] 3. **分红调整年化基差因子**（IH当季），取值-0.14%[32] 4. **分红调整年化基差因子**（IM当季），取值-8.26%[37] 5. **VIX因子**（上证50，30日），取值17.86，2024年以来分位数31%[4][59] 6. **VIX因子**（沪深300，30日），取值17.92，2024年以来分位数32%[4][59] 7. **VIX因子**（中证500，30日），取值29.56，2024年以来分位数69%[4][59] 8. **VIX因子**（中证1000，30日），取值25.88，2024年以来分位数39%[4][59] 9. **SKEW因子**（上证50），取值101.94，2024年以来分位数81.5%[64] 10. **SKEW因子**（沪深300），取值106.28，2024年以来分位数89.0%[64] 11. **SKEW因子**（中证500），取值105.32，2024年以来分位数92.8%[64] 12. **SKEW因子**（中证1000），取值107.81，2024年以来分位数91.2%[64]

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。)*

量化模型与构建方式 根据提供的报告内容，该报告主要是一份关于公募基金季度持仓的统计分析报告，旨在描述和总结不同类型基金在2026年第一季度的资产配置、行业偏好和个股调整情况[11]。报告的核心是描述性统计分析，并未涉及预测性、策略性的量化模型（如多因子选股模型、风险模型、择时模型等）或量化因子（如价值、动量、质量等选股因子）的构建与测试。 报告中对基金分类和部分指标的计算，可以视为一种基础的统计模型或分析方法，但并非传统意义上的量化投资模型或因子。 1. **模型名称**：主动型公募基金分类模型[11] * **模型构建思路**：为了便于观察公募基金的配置变动，报告在Wind基金分类的基础上，构建了一个自定义的基金分类体系，将主动型公募基金划分为四大类[11]。 * **模型具体构建过程**： 1. 首先，排除货币市场基金、另类投资基金、REITs、QDII、FOF、指数增强和被动指数基金[11]。 2. 将剩余的主动型公募基金根据其历史权益仓位和投资范围，划分为四个大类，合计11个小类[11]。 3. **主动权益基金**：包括普通股票型、偏股混合型，以及**过去四个季度权益仓位超过70%**的灵活配置型基金（定义为“高仓位灵活配置型”）[11]。 4. **股债混合型基金**：包括平衡混合型、偏债混合型，以及**不满足上述高仓位条件**的灵活配置型基金（定义为“中低仓位灵活配置型”）[11]。 5. **含权债基**：包括混合债券型一级基金、混合债券型二级基金和可转换债券型基金[72]。 6. **纯债基金**：包括中长期纯债型基金和短期纯债型基金[87]。 2. **模型/因子名称**：主动加减仓分析模型 * **模型构建思路**：为了排除市场涨跌对基金持仓市值变动的干扰，更纯粹地反映基金经理主动调整仓位的行为，报告对行业和个股的持仓变动进行了“收益剥离”[37][46]。 * **模型具体构建过程**： 1. 计算某个行业（或个股）在报告期（2026Q1）相对于基期（2025Q4）的持仓权重变化。 2. 该权重变化包含了因股价涨跌带来的被动变化和基金经理主动买卖带来的主动变化。 3. 通过剥离该行业（或个股）自身的价格收益，来估算纯粹的主动调整部分。报告未给出具体的剥离公式，但这是行业分析中常见的“主动加减仓”计算方法，其核心思想是： * 假设在无主动交易的情况下，持仓市值的变化完全由价格涨跌幅驱动。 * 主动加减仓市值 ≈ 报告期持仓市值 - (基期持仓市值 × (1 + 标的期间涨跌幅)) * 或者，主动加减仓比例 ≈ 报告期持仓权重 - (基期持仓权重 × (1 + 标的相对收益))。 4. 报告中列举了基于此方法计算出的行业主动加减仓排名（如通信、基础化工、医药被主动加仓最多）和个股主动加减仓排名（如亨通光电、中天科技被主动加仓最多）[37][46][61][71]。 模型的回测效果 本报告为持仓统计分析报告，未对上述分类模型或主动加减仓分析模型进行历史回测，因此没有提供如年化收益率、夏普比率、最大回撤、信息比率(IR)等量化回测绩效指标。 报告主要展示的是**描述性统计结果**，具体如下： 1. **主动型公募基金分类模型**，各类基金2026年一季度规模与份额变动值[19]，2026年一季度业绩分位数（最小值、25%分位、中位数、75%分位、最大值）[14][15] 2. **主动加减仓分析模型**，主动权益基金2026年一季度行业主动加仓比例：通信 +1.44%、基础化工 +0.75%、医药 +0.63%[37]；行业主动减仓比例：有色金属 -1.07%、港股信息技术 -0.91%、港股可选消费 -0.62%[37] 3. **主动加减仓分析模型**，主动权益基金2026年一季度个股主动加仓市值：亨通光电 +87.92亿元、中天科技 +56.78亿元、潍柴动力 +46.01亿元[47]；个股主动减仓市值：紫金矿业 -128.36亿元、寒武纪 -101.42亿元、生益科技 -92.85亿元[47] 4. **主动加减仓分析模型**，股债混合型基金2026年一季度行业主动加仓比例：交通运输 +2.75%、基础化工 +2.68%、石油石化 +1.66%[61]；行业主动减仓比例：有色金属 -3.19%、电子 -2.21%、传媒 -0.94%[61] 5. **主动加减仓分析模型**，股债混合型基金2026年一季度个股主动加仓市值：贵州茅台 +7.53亿元、中国石油 +5.35亿元、中国东航 +5.32亿元[71]；个股主动减仓市值：紫金矿业 -17.58亿元、寒武纪 -5.80亿元、天孚通信 -4.50亿元[71] 量化因子与构建方式 本报告未涉及任何用于选股或资产定价的量化因子（如估值因子、盈利因子、成长因子、技术因子等）的构建。 因子的回测效果 本报告未涉及任何量化因子，因此没有因子的IC值、IR、多空收益、分组测试等回测效果数据。

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]