量化模型与因子总结 量化因子与构建方式 1. **因子名称：连阴连阳天数因子**[12] * **因子构建思路**：通过计算指数K线连续为阴线或阳线的天数，来捕捉市场的短期趋势延续性[12]。 * **因子具体构建过程**：从指定起始日开始，逐日判断指数收盘价相对于前一日收盘价的涨跌。若当日上涨，则连阳天数计数器加1，连阴天数计数器清零；若当日下跌，则连阴天数计数器加1（以负数表示），连阳天数计数器清零。最终输出一个带符号的整数，正数表示连阳天数，负数表示连阴天数[12]。 2. **因子名称：指数相对均线位置因子**[15][16] * **因子构建思路**：通过比较指数收盘价与不同周期移动平均线（MA）的位置关系，判断指数短期、中期和长期的趋势强度及突破状态[15][16]。 * **因子具体构建过程**：首先计算指数收盘价的5日、10日、20日、60日、120日和250日简单移动平均线（MA）。然后计算收盘价相对于各均线的百分比偏离度。公式为： $$相对均线位置 = \frac{收盘价 - 移动平均线}{移动平均线} \times 100\%$$ 例如，`vsMA5` 表示收盘价相对于5日均线的偏离百分比[16]。 3. **因子名称：指数换手率因子**[18] * **因子构建思路**：通过计算指数成分股的加权平均换手率，衡量整个指数的交易活跃度[18]。 * **因子具体构建过程**：对指数内所有成分股，以其流通股本为权重，对个股换手率进行加权平均。公式为： $$指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$$ 该值直接反映了指数整体的交易活跃程度[18]。 4. **因子名称：收益分布形态因子（峰度与偏度）**[24][26] * **因子构建思路**：通过计算指数日收益率分布的峰度和偏度，刻画收益分布的尖峰肥尾特征和不对称性，以衡量极端风险和收益偏向[24][26]。 * **因子具体构建过程**：基于指数在过去一段时间（如近5年）的日收益率序列，计算其峰度（Kurtosis）和偏度（Skewness）。报告中采用的峰度为超额峰度（Excess Kurtosis），即在计算出的峰度值基础上减去正态分布的峰度值3。公式分别为： $$样本偏度 = \frac{\frac{1}{n}\sum_{i=1}^{n}(r_i - \bar{r})^3}{[\frac{1}{n}\sum_{i=1}^{n}(r_i - \bar{r})^2]^{3/2}}$$ $$样本峰度 = \frac{\frac{1}{n}\sum_{i=1}^{n}(r_i - \bar{r})^4}{[\frac{1}{n}\sum_{i=1}^{n}(r_i - \bar{r})^2]^{2}} - 3$$ 其中，$r_i$ 为日收益率，$\bar{r}$ 为收益率均值，$n$ 为样本数[26]。 5. **因子名称：风险溢价因子**[28][32] * **因子构建思路**：以指数预期收益率与无风险利率（十年期国债即期收益率）之差作为风险溢价，衡量投资权益资产相对于无风险资产的超额回报补偿[28][32]。 * **因子具体构建过程**：风险溢价通常基于估值模型（如股息贴现模型）或历史均值估算。报告中展示的是当前风险溢价及其历史分位值。其核心计算可简化为： $$风险溢价 ≈ 指数预期收益率 - 无风险利率$$ 报告中进一步计算了当前风险溢价在近1年和近5年历史序列中的分位值，以及相对于历史均值加减1倍、2倍标准差的偏离程度[32]。 6. **因子名称：PE-TTM估值因子**[40][43][44] * **因子构建思路**：使用滚动市盈率（PE-TTM）作为估值指标，并通过其历史分位值判断当前估值水平的高低[40][43]。 * **因子具体构建过程**：计算指数总市值与其成分股过去12个月（TTM）净利润总和的比值，得到PE-TTM。公式为： $$PE-TTM = \frac{指数总市值}{\sum(成分股过去12个月净利润)}$$ 然后，将当前PE-TTM值放入其近1年、近5年或全部历史数据序列中，计算其所处的百分比分位值[44]。 7. **因子名称：股债性价比因子**[47] * **因子构建思路**：将股票资产的潜在收益率（用PE-TTM的倒数，即盈利收益率代表）与债券收益率（十年期国债即期收益率）进行比较，以判断股票相对于债券的吸引力[47]。 * **因子具体构建过程**：计算指数的盈利收益率与十年期国债收益率之差。公式为： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 该差值越大，表明股票相对于债券的性价比越高[47]。 8. **因子名称：股息率因子**[49][54] * **因子构建思路**：通过指数成分股现金分红回报率，衡量指数的红利收益水平，适用于红利投资风格分析[49]。 * **因子具体构建过程**：计算指数成分股过去12个月现金分红总额与指数总市值的比值。公式为： $$股息率 = \frac{\sum(成分股过去12个月现金分红总额)}{指数总市值} \times 100\%$$ 同样，报告中也计算了当前股息率在近1年、近5年等历史序列中的分位值[54]。 9. **因子名称：破净率因子**[55][58] * **因子构建思路**：通过计算指数中市净率（PB）小于1的个股占比，反映市场整体的低估或悲观程度[55][58]。 * **因子具体构建过程**：遍历指数所有成分股，判断其市净率（股价/每股净资产）是否小于1。统计破净个股数量，并计算其占指数总成分股数量的比例。公式为： $$破净率 = \frac{破净个股数量}{指数成分股总数量} \times 100\%$$ 该比率越高，表明市场整体估值越低，悲观情绪可能越浓[58]。 因子的回测效果 （注：本报告主要为市场数据跟踪与因子现状展示，未提供基于历史数据的统一回测绩效指标（如年化收益率、夏普比率、信息比率IR等）。报告中的“测试结果”主要表现为各因子在特定截止日（2025年12月17日）的截面取值或状态描述。） 1. **连阴连阳天数因子**：截至2025年12月17日，中证500和创业板指为4连阳，中证1000为3连阴，中证2000为2连阴[12]。 2. **指数相对均线位置因子**：截至2025年12月17日，除中证1000和中证2000外，其余指数收盘价均高于其5日及20日均线；创业板指是唯一高于60日均线的指数[15][16]。 3. **指数换手率因子**：截至2025年12月17日，中证2000换手率最高（3.88），上证50换手率最低（0.23）[18]。 4. **收益分布形态因子**：截至报告期，创业板指峰度负偏离近5年水平最大（-2.43），中证1000最小（-1.56）；上证50和创业板指负偏态最大（均为-0.60），中证1000和中证2000最小（均为-0.40）[24][26]。 5. **风险溢价因子**：截至2025年12月17日，创业板指风险溢价近5年分位值最高（97.14%），中证2000最低（69.05%）；当前风险溢价均超过近1年均值加1倍标准差，其中创业板指超出最多（1.39%）[30][32]。 6. **PE-TTM估值因子**：截至2025年12月17日，中证500近5年分位值最高（95.04%），创业板指最低（57.69%）；当前PE-TTM普遍高于近1年均值减1倍标准差[43][44]。 7. **股债性价比因子**：截至报告期，没有指数高于其近5年80%分位（机会值），中证500低于其近5年20%分位（危险值）[47]。 8. **股息率因子**：截至2025年12月17日，创业板指近5年分位值最高（63.22%），中证500最低（24.55%）；当前股息率普遍低于近1年均值[52][54]。 9. **破净率因子**：截至报告期，上证50破净率最高（22.0%），中证2000最低（3.8%），创业板指未提供数据[58]。

量化模型与因子总结 量化因子与构建方式 1. **因子名称：封板率[17]** * **因子构建思路：** 用于衡量股票涨停的“质量”或强度，即那些盘中触及涨停的股票，最终能成功封住涨停的比例[17]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票[17]。 2. 在每个交易日，识别出盘中最高价达到涨停价的股票[17]。 3. 在这些股票中，进一步筛选出收盘价仍为涨停价的股票[17]。 4. 计算封板率，公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[17] 2. **因子名称：连板率[17]** * **因子构建思路：** 用于衡量市场涨停效应的持续性，即昨日涨停的股票在今日继续涨停的比例[17]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票[17]。 2. 在每个交易日，识别出昨日收盘涨停的股票[17]。 3. 在这些股票中，进一步筛选出今日收盘也涨停的股票[17]。 4. 计算连板率，公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[17] 3. **因子名称：大宗交易折价率[26]** * **因子构建思路：** 通过大宗交易成交价与市场价格的差异来反映大资金的交易偏好和市场情绪，折价通常意味着卖方愿意以低于市价的价格出售[26]。 * **因子具体构建过程：** 1. 获取当日所有大宗交易的成交总金额和成交份额对应的总市值[26]。 2. 计算折价率，公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[26] 3. 该值为负表示折价交易，为负的程度越大，折价幅度越高[26]。 4. **因子名称：股指期货年化贴水率[28]** * **因子构建思路：** 衡量股指期货价格与现货指数价格之间的差异（基差），并将其年化以反映市场对未来走势的预期和对冲成本[28]。贴水（基差为负）通常隐含了市场对未来相对悲观的预期或较高的对冲成本[28]。 * **因子具体构建过程：** 1. 计算基差：股指期货价格减去现货指数价格[28]。 2. 计算年化贴水率，公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[28] 3. 该值为正表示期货升水（未来价格预期更高或对冲成本低），为负表示期货贴水（未来价格预期更低或对冲成本高）[28]。 因子的回测效果 1. **封板率因子**，2025年12月17日取值：**72%**[17] 2. **连板率因子**，2025年12月17日取值：**22%**[17] 3. **大宗交易折价率因子** * 近半年以来平均取值：**6.63%**[26] * 2025年12月16日当日取值：**4.62%**[26] 4. **股指期货年化贴水率因子** (2025年12月17日数据) * **上证50股指期货**：年化贴水率 **-18.71%** (处于近一年来2%分位点)[28] * **沪深300股指期货**：年化贴水率 **-4.57%** (处于近一年来41%分位点)[28] * **中证500股指期货**：年化升水率 **15.70%** (处于近一年来100%分位点)[28] * **中证1000股指期货**：年化升水率 **10.74%** (处于近一年来100%分位点)[28]

量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[12][43] * **模型构建思路**：为准确计算股指期货的升贴水幅度，必须考虑指数成分股分红除息导致价格指数点位自然滑落的影响，因此需要构建模型来预测从当前时刻到期货合约到期日之间，指数因分红而损失的点数[12][43] * **模型具体构建过程**：模型的核心是计算在特定时间窗口内，所有成分股分红对指数点位的总影响。具体流程如下[43][44][46]： 1. **获取基础数据**：获取指数成分股列表、个股权重、个股总市值和指数收盘价[48]。 2. **判断与预测分红信息**：对每只成分股进行如下操作[46]： * 若公司已公布分红金额，则直接采用；若同时公布了除息日，则直接采用，否则预测其除息日[46]。 * 若公司未公布分红金额，则需预测其分红金额。分红金额可分解为净利润与股息支付率的乘积，因此需分别预测净利润和股息支付率，再预测除息日[46][51]。 3. **计算分红点数**：对于在时间窗口 `(t, T]` 内有除息日的成分股，其贡献的分红点数计算公式为： $$分红点数 = \sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$$ 其中，`N` 为指数成分股数量，要求个股除息日满足 `t < 除息日 ≤ T`[43]。 * **模型评价**：该模型通过精细化处理成分股权重、净利润、股息支付率和除息日等核心指标的预测，旨在提高分红点位预测的准确性[12][43]。回测显示，模型对上证50和沪深300指数的预测准确度较高，误差基本在5个点左右；对中证500指数的预测误差稍大，但也基本稳定在10个点左右[65]。 2. **因子名称：年化已实现股息率与剩余股息率**[17] * **因子构建思路**：为了动态跟踪指数成分股在当年已兑现的分红收益以及未来尚待兑现的预期分红收益，分别计算“已实现股息率”和“剩余股息率”[17]。 * **因子具体构建过程**： 1. **已实现股息率**：计算从年初至当前时点，指数成分股中已实施现金分红的公司所带来的股息收益率的加权和。公式表示为： $$全年已实现股息率 = \sum_{i=1}^{N_1} \frac{个股已分红金额}{个股总市值} \times 个股权重$$ 其中，`N1` 表示指数成分股中今年已现金分红的公司数量[17]。 2. **剩余股息率**：计算在当前时点之后，指数成分股中尚未分红但预计将进行分红的公司所带来的预期股息收益率的加权和。公式表示为： $$剩余股息率 = \sum_{i=1}^{N_2} \frac{个股预计分红金额}{个股总市值} \times 个股权重$$ 其中，`N2` 表示指数成分股中尚未现金分红的公司数量[17]。 3. **因子名称：年化升贴水幅度**[13] * **因子构建思路**：在扣除指数分红影响后，计算股指期货合约价格相对于其标的指数价格的偏离程度，并将其年化，以衡量期货合约的溢价或折价水平，反映市场情绪与风险偏好[12][13]。 * **因子具体构建过程**： 1. 计算扣除分红影响后的期货合约与指数的实际价差（含分红价差）[13]。 2. 使用该价差除以指数价格，得到即期升贴水率[13]。 3. 将即期升贴水率进行年化处理，公式为： $$年化升贴水 = \frac{含分红价差}{指数收盘价} \times \frac{365}{到期天数}$$ 其中，“到期天数”为从当前日期至期货合约到期日的自然日天数[13]。 模型的回测效果 1. **股指分红点位测算模型**，2023年预测误差（上证50/沪深300）约5个点以内，2023年预测误差（中证500）约10个点以内[65] 2. **股指分红点位测算模型**，2024年预测误差（上证50/沪深300）约5个点以内，2024年预测误差（中证500）约10个点以内[65] 量化因子与构建方式 1. **因子名称：动态成分股权重**[49][50] * **因子构建思路**：由于指数成分股的权重会随股价涨跌每日变化，而数据提供商通常只提供月末权重，为了更精确地计算分红影响，需要对日度个股权重进行动态估算或采用精确数据[49][50]。 * **因子具体构建过程**： * **估算方法**：假设最近一次公布权重日期为 `t_0`，该日成分股 `n` 的权重为 `w_n0`。从 `t_0` 到当前日期 `t`，个股 `n` 的非复权涨跌幅为 `r_n`，则当前日度的估算权重为： $$W_{n,t}={\frac{w_{n0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{i})}}$$ * **精确获取方法**：为规避成分股调整、解禁等事件导致的估算偏差，直接采用中证指数公司每日披露的日度收盘权重数据[50]。 2. **因子名称：个股净利润预测（基于历史分布动态预测法）**[51][54] * **因子构建思路**：对于未公布年报、快报或业绩预告的公司，需要预测其年度净利润以用于分红金额估计。该方法根据公司历史盈利分布的稳定性进行分类预测[54]。 * **因子具体构建过程**： 1. 若公司已公布年报、快报或业绩预告，则直接采用已公布的归母净利润数据（业绩预告取上下限均值）[52]。 2. 若公司未披露相关报告，则根据其历史季度盈利分布稳定性进行分类[54]： * **盈利分布稳定的公司**：按照其历史盈利分布规律进行预测[54]。 * **盈利分布不稳定的公司**：使用其上一年同期的盈利数据作为预测值[54]。 3. **因子名称：股息支付率预测**[55][57] * **因子构建思路**：利用公司历史股息支付行为的连续性或稳定性，来预测本年度的股息支付率[55]。 * **因子具体构建过程**： 1. 若公司去年进行了分红，则以去年的股息支付率作为今年的预测值[57]。 2. 若公司去年未分红，则以最近3年的平均股息支付率作为预测值[57]。 3. 若公司过去从未分红，则默认今年不分红[57]。 4. 当预测的股息支付率大于100%时，进行截尾处理（设为100%）[57]。 4. **因子名称：除息日预测（基于历史间隔天数稳定性的线性外推法）**[55][60] * **因子构建思路**：在分红金额确定或预测后，需要预测分红除息的具体日期。该方法依据公司已披露的信息和历史行为模式，通过判断关键日期间隔的稳定性进行外推或采用默认日期[55][60]。 * **因子具体构建过程**： 1. 若公司已公布除息日，则直接采用[60]。 2. 若未公布，则根据公司是否已公布分红预案进行判断[60]： * **已公布预案**：判断公司处于“预案”还是“决案”阶段。分析过去三年从“预案公告日”到“除息日”（或“股东大会公告日”到“除息日”）的间隔天数是否稳定。若稳定，则用该平均间隔天数与今年的对应公告日进行线性外推；若不稳定，则采用历史分红日期判断[60]。 * **未公布预案**：判断去年或前年是否分红，并采用对应的历史分红日期作为估计。若历史日期不合理（如在当前日前或距离太短），则采用默认日期[60]。 3. **默认日期规则**：基于大部分公司在7月底前分红的现象，设定默认日期。若预测日在7月21日前，设为7月31日；在7月22日至8月21日间，设为8月31日；否则设为9月30日[60]。 4. 若公司过去两年均未分红，则直接采用默认日期[60]。 因子的回测效果 *(注：报告未提供单个因子的独立测试结果取值，仅展示了整合模型后的整体预测精度。)*

量化模型与构建方式 1. **模型名称：Fama五因子模型**[34][36][37][38] * **模型构建思路**：该模型用于对基金或投资组合的收益进行归因分析，将收益分解为市场风险溢价、市值因子、账面市值比因子、盈利因子和投资因子五个系统性风险因子的暴露以及无法被这些因子解释的特质收益（Alpha）[34][37]。 * **模型具体构建过程**：模型通过多元线性回归，将投资组合的超额收益对五个因子的收益率进行回归。具体公式如下： $$R_{p,t} - R_{f,t} = \alpha_p + \beta_{MKT,p}MKT_t + \beta_{SMB,p}SMB_t + \beta_{HML,p}HML_t + \beta_{RMW,p}RMW_t + \beta_{CMA,p}CMA_t + \epsilon_{p,t}$$ 其中： * $R_{p,t} - R_{f,t}$ 表示投资组合在t期的超额收益。 * $\alpha_p$ 是模型的截距项，代表投资组合的特质收益（Alpha）。 * $MKT_t$ 是市场因子，代表市场投资组合的超额收益。 * $SMB_t$ 是规模因子，代表小市值股票组合与大市值股票组合的收益之差。 * $HML_t$ 是价值因子，代表高账面市值比股票组合与低账面市值比股票组合的收益之差。 * $RMW_t$ 是盈利因子，代表高盈利股票组合与低盈利股票组合的收益之差。 * $CMA_t$ 是投资因子，代表低投资水平股票组合与高投资水平股票组合的收益之差。 * $\beta$ 系数代表投资组合对各因子的敏感度（暴露）。 * $\epsilon_{p,t}$ 是残差项。 * **模型评价**：该模型被用于分析东吴移动互联A基金的收益来源和风险构成，结果显示其超额收益主要来自个股特异性Alpha而非系统性风格暴露，表明基金具备较强的个股选择能力[37]。同时，模型也揭示了基金在价值因子上的负向暴露以及市场因子是其主要风险来源[34][38]。 模型的回测效果 1. **Fama五因子模型**，市场因子敏感度（近三个月、近六个月、近一年、近三年）均显著为正[34] 2. **Fama五因子模型**，价值因子敏感度在各时间窗口均显著为负[34] 3. **Fama五因子模型**，规模因子和投资因子敏感度长期表现疲弱[34] 4. **Fama五因子模型**，特质收益（Alpha）在各时间窗口均为正向贡献，是基金超额收益的主要来源[37] 5. **Fama五因子模型**，市场因子风险贡献（近三年）约为1.98，是主要风险来源[38] 6. **Fama五因子模型**，价值因子风险贡献（近三个月）高达2.42[38] 7. **Fama五因子模型**，特质风险（非系统性，近三年）达1.96[38] 量化因子与构建方式 1. **因子名称：市场因子（MKT）**[34][36][37][38] * **因子构建思路**：衡量市场整体风险溢价，即承担市场系统性风险所获得的补偿。 * **因子具体构建过程**：通常以全市场股票市值加权组合的收益率减去无风险利率（如国债收益率）来计算。 2. **因子名称：规模因子（SMB）**[34][36] * **因子构建思路**：衡量市值规模效应，即小市值公司股票相对于大市值公司股票的超额收益。 * **因子具体构建过程**：将股票按总市值排序，构建小市值股票组合和大市值股票组合，计算两者收益率之差。 3. **因子名称：价值因子（HML）**[34][36][38] * **因子构建思路**：衡量价值效应，即高账面市值比（被认为更“便宜”）的股票相对于低账面市值比（更“贵”）股票的超额收益。 * **因子具体构建过程**：将股票按账面市值比排序，构建高账面市值比股票组合和低账面市值比股票组合，计算两者收益率之差。 4. **因子名称：盈利因子（RMW）**[34][36] * **因子构建思路**：衡量盈利能力效应，即高盈利公司股票相对于低盈利公司股票的超额收益。 * **因子具体构建过程**：将股票按盈利能力（如营业利润率）排序，构建高盈利股票组合和低盈利股票组合，计算两者收益率之差。 5. **因子名称：投资因子（CMA）**[34][36] * **因子构建思路**：衡量投资水平效应，即低投资（保守）公司股票相对于高投资（激进）公司股票的超额收益。 * **因子具体构建过程**：将股票按投资水平（如资产增长率）排序，构建低投资股票组合和高投资股票组合，计算两者收益率之差。 因子的回测效果 *（注：本报告未提供上述五个基础因子独立的回测表现指标（如IC、IR等）。报告主要展示了基金对这些因子的暴露情况和因子对基金收益/风险的贡献度，这些内容已在“模型的回测效果”部分总结。）*

量化模型与构建方式 1. **模型名称：行业拥挤度监测模型**[3] * **模型构建思路**：通过构建一个量化模型，对申万一级行业指数的拥挤度进行每日监测，以识别市场情绪过热或过冷的行业[3]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤、所使用的指标或计算公式。 2. **模型名称：溢价率 Z-score 模型**[4] * **模型构建思路**：通过计算ETF溢价率的Z-score值，来识别当前溢价率相对于其历史水平的偏离程度，从而筛选出存在潜在套利机会或回调风险的ETF产品[4]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤，但提及了核心指标为“溢价率 Z-score”。通常，此类模型的构建过程可能包含以下步骤： 1. 计算ETF的日度溢价率：$$溢价率 = (ETF市价 - IOPV) / IOPV \times 100\%$$ 其中，IOPV为基金份额参考净值。 2. 选取一个滚动时间窗口（例如过去60个交易日），计算该窗口内溢价率的均值($$\mu$$)和标准差($$\sigma$$)。 3. 计算当前溢价率的Z-score值：$$Z_t = \frac{PremiumRate_t - \mu}{\sigma}$$ 其中，$$PremiumRate_t$$为当前交易日的溢价率。 4. 设定阈值（如Z-score > 2或 < -2），当Z-score超过阈值时，生成相应的关注或警示信号。 量化因子与构建方式 1. **因子名称：行业拥挤度**[3] * **因子构建思路**：综合多个市场维度（如交易活跃度、价格动量、估值水平等）来度量一个行业是否处于交易过度拥挤的状态[3]。 * **因子具体构建过程**：报告未详细说明该因子的具体构建方法、合成指标或计算公式。仅展示了最终结果（热力图）[9]。 2. **因子名称：主力资金净流入额**[3][10] * **因子构建思路**：跟踪大额资金（主力资金）在行业层面的净流入或净流出情况，以判断资金的动向和偏好[3]。 * **因子具体构建过程**：报告直接使用了Wind等数据提供商计算的主力资金净流入额数据，未说明其具体算法。通常，该因子基于逐笔成交数据，通过识别大单买卖来估算主力资金的流向[10]。 3. **因子名称：ETF资金净流入**[5][6] * **因子构建思路**：跟踪资金流入或流出特定ETF产品的规模，反映市场对相关板块或风格的态度[5]。 * **因子具体构建过程**：报告直接引用了ETF的日度资金净流入数据。该数据通常基于ETF的份额变动和单位净值计算得出：$$日资金净流入 = (当日总份额 - 前一日总份额) \times 当日单位净值$$[6]。 4. **因子名称：IOPV溢价率**[6] * **因子构建思路**：衡量ETF交易价格与其实时净值（IOPV）之间的偏离百分比，溢价率为正表示交易价格高于净值，可能存在高估或套利机会[6]。 * **因子具体构建过程**：报告直接引用了IOPV溢价率数据。其计算公式为：$$IOPV溢价率 = \frac{ETF市价 - IOPV}{IOPV} \times 100\%$$[6]。 模型的回测效果 （报告中未提供任何量化模型的回测效果指标，如年化收益率、夏普比率、最大回撤、信息比率IR等。） 因子的回测效果 （报告中未提供任何量化因子的回测效果指标，如IC值、IR、多空收益、分组收益等。仅展示了因子在特定时点的截面数据或时间序列数据。）

量化模型与构建方式 1. **模型名称：转债综合估值因子模型**[21] * **模型构建思路**：从估值视角对可转债的配置价值进行系统性增强，筛选出在全域和分域上表现优异的估值因子，并将其融合构建综合因子[21]。 * **模型具体构建过程**： 1. 构建两个基础估值因子： * **转股溢价率偏离度因子**：计算为转债的转股溢价率减去其拟合转股溢价率，以衡量实际溢价率相对于拟合值的偏离度[22]。 * **理论价值偏离度（蒙特卡洛模型）因子**：计算为转债收盘价除以蒙特卡洛模拟得出的理论价值再减1，以衡量价格与理论价值的预期差[22]。 2. 将两个基础因子进行融合，构建**转债综合估值因子**。具体方法是对两个因子的截面排名进行相加[21][22]。 $$转债综合估值因子 = Rank（转股溢价率偏离度） + Rank（理论价值偏离度（蒙特卡洛模拟））$$ * **模型评价**：转债综合估值因子在全域、平衡型和偏债型转债上表现较优[21]。 2. **模型名称：低估风格指数构建模型**[20][22][23] * **模型构建思路**：根据转债的平底溢价率将其划分为偏股、平衡、偏债三种风格，并在每种风格内部，利用估值因子筛选出被低估的个券，构建等权配置的低估指数[20][22]。 * **模型具体构建过程**： 1. **风格划分**：将平底溢价率大于15%的转债划分为**偏股型**，小于-15%的划分为**偏债型**，其余为**平衡型**[20][22]。 2. **基础指数构建**：为每种风格构建等权指数（偏股转债指数、平衡转债指数、偏债转债指数），双周频调仓[22]。 3. **低估指数构建**： * 对于**平衡型**和**偏债型**转债，选择**转债综合估值因子**排名前1/3的个券，分别构建平衡转债低估指数和偏债转债低估指数[21][23]。 * 对于**偏股型**转债，选择**理论价值偏离度（蒙特卡洛模型）因子**排名前1/3的个券，构建偏股转债低估指数[21][23]。 4. **筛选与限制**： * 成分券数量上限为30只[20][23]。 * 排除正股收盘价<1.3元、正股市值<5亿元、正股ST、转债评级<AA-、转债剩余规模<2亿元、剩余期限<30天、公告提示强制赎回的个券[23]。 * 对于偏债转债低估指数，额外限制成分券对应正股的净利润TTM大于0[20][24]。 3. **模型名称：转债风格轮动模型**[28][29] * **模型构建思路**：利用市场情绪识别指标（动量与波动率偏离度）对三种低估风格指数进行轮动配置，以捕捉风格切换机会[28]。 * **模型具体构建过程**： 1. **计算市场情绪捕捉指标**：在单个转债层面计算**转债20日动量**和**波动率偏离度**因子，然后在每个低估风格指数内部取这两个因子值的中位数，作为该指数的情绪指标[28]。 2. **计算综合排名**：将各指数在两个情绪指标上的排名相加，得到**转债风格市场情绪捕捉指标**[28][29]。 $$转债风格市场情绪捕捉指标 = Rank（转债 20 日动量） + Rank（波动率偏离度）$$ 3. **确定仓位**：选择综合排名较低的指数进行配置。若排名相等则等权配置，若同时选中三种风格则100%投资于平衡低估风格[20][28][29]。双周频调仓[28]。 量化因子与构建方式 1. **因子名称：转股溢价率偏离度**[22] * **因子构建思路**：衡量转债的实际转股溢价率相对于其理论拟合值的偏离程度，使得不同平价水平的转债具有可比性[22]。 * **因子具体构建过程**：计算为转债的转股溢价率减去其拟合转股溢价率[22]。 $$转股溢价率偏离度 = 转股溢价率 − 拟合转股溢价率$$ * 拟合转股溢价率通过截面回归得到，具体公式为： $$y_{i}=\alpha_{0}+\,\alpha_{1}\cdot\,{\frac{1}{x_{i}}}+\epsilon_{i}$$ 其中，$y_i$为第i只转债的转股溢价率，$x_i$为第i只转债的转股价值[46]。 2. **因子名称：理论价值偏离度（蒙特卡洛模型）**[22] * **因子构建思路**：通过蒙特卡洛模拟充分考虑转债的各类条款，计算其理论价值，并用价格与理论价值的比率衡量估值高低[22]。 * **因子具体构建过程**：计算为转债收盘价除以蒙特卡洛模拟得出的理论价值，再减去1[22]。 $$理论价值偏离度 = 转债收盘价 / 理论价值（蒙特卡洛模型） - 1$$ * 理论价值通过蒙特卡洛模拟计算，每个时点模拟10000条路径，并以同信用同期限利率作为贴现率[22]。 3. **因子名称：百元转股溢价率**[3][16][46] * **因子构建思路**：构建一个在时序上可比的估值指标，用于衡量转债相对于正股的配置价值[3][16]。 * **因子具体构建过程**： 1. 在每个时点，使用截面数据拟合转股溢价率($y$)与转股价值($x$)的关系曲线，拟合公式为： $$y_{i}=\alpha_{0}+\,\alpha_{1}\cdot\,{\frac{1}{x_{i}}}+\epsilon_{i}$$[46] 2. 将转股价值$x$设定为100元，代入拟合公式，计算得到的$y$值即为“百元转股溢价率”[46]。 4. **因子名称：修正YTM – 信用债YTM**[4][16][47] * **因子构建思路**：剥离转股条款对转债到期收益率(YTM)的影响，修正后的YTM与同等级信用债YTM比较，以衡量偏债型转债相对于信用债的配置价值[4][16]。 * **因子具体构建过程**： 1. 计算单只偏债型转债的**修正YTM**： $$修正 YTM = 转债 YTM × (1 – 转股概率) + 预期转股的到期年化收益率 × 转股概率$$[47] * 其中，转股概率$N(d_2)$通过Black-Scholes模型计算得出[48]。 2. 计算该转债的修正YTM与同等级、同期限的企业债（信用债）YTM之差$X_i$[48]。 3. 计算截面所有偏债型转债$X_i$的**中位数**，作为市场整体指标[4][48]。 $$“修正 YTM – 信用债 YTM”中位数 = median\{X_1, X_2, ... , X_n\}$$ 5. **因子名称：转债20日动量**[28][29] * **因子构建思路**：作为市场情绪识别指标之一，用于风格轮动[28]。 * **因子具体构建过程**：报告中未给出具体计算公式，但指明为转债层面的20日动量因子[28][29]。 6. **因子名称：波动率偏离度**[28][29] * **因子构建思路**：作为市场情绪识别指标之一，用于风格轮动[28]。 * **因子具体构建过程**：报告中未给出具体计算公式，仅提及名称[28][29]。 模型的回测效果 （回测区间：2018-02-14 至 2025-12-12，除非特别说明） 1. **偏股转债低估指数**，年化收益率25.86%，年化波动率20.68%，最大回撤22.94%，信息比率(IR)1.25，卡玛比率1.13[25] 2. **平衡转债低估指数**，年化收益率14.96%，年化波动率11.97%，最大回撤15.95%，信息比率(IR)1.25，卡玛比率0.94[25] 3. **偏债转债低估指数**，年化收益率12.11%，年化波动率9.83%，最大回撤17.78%，信息比率(IR)1.23，卡玛比率0.68[25] 4. **转债风格轮动模型**，年化收益24.52%，年化波动16.81%，最大回撤15.89%，信息比率(IR)1.46，卡玛比率1.54[34] 因子的近期表现 （截至2025年12月12日，近2周） 1. **低估值因子（在偏股转债中）**，增强超额-2.89%[5][24] 2. **低估值因子（在平衡转债中）**，增强超额-0.82%[5][24] 3. **低估值因子（在偏债转债中）**，增强超额-0.74%[5][24]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：融资净买入额** * **因子构建思路：** 衡量特定周期内（如一周）融资买入资金与融资偿还资金的净差额，反映市场投资者通过融资渠道对特定标的（个股、行业、ETF）的净买入意愿和看多情绪[31][34][45][48]。 * **因子具体构建过程：** 对于单个标的，计算其在指定周期T内的融资净买入额。公式为： $$融资净买入额_T = \sum_{t \in T}(融资买入额_t - 融资偿还额_t)$$ 其中，`t`代表周期T内的单个交易日。报告中对不同对象（行业、ETF、个股）分别计算了该因子[31][36][46][50]。 2. **因子名称：融券净卖出额** * **因子构建思路：** 衡量特定周期内（如一周）融券卖出量与融券偿还量的净差额，反映市场投资者通过融券渠道对特定标的的净卖出意愿和看空情绪[34][52]。 * **因子具体构建过程：** 对于单个标的，计算其在指定周期T内的融券净卖出额。公式为： $$融券净卖出额_T = \sum_{t \in T}(融券卖出量_t \times 卖出价_t - 融券偿还量_t \times 偿还价_t)$$ 实践中常以金额形式表示。报告中对不同对象（行业、个股）分别计算了该因子[34][41][52]。 3. **因子名称：融资买入额占成交额比例** * **因子构建思路：** 衡量融资买入交易在标的整体市场交易中的活跃度与占比，是观察杠杆资金参与程度和市场情绪热度的重要指标[35][36][49]。 * **因子具体构建过程：** 对于单个标的，计算其在指定周期T内的融资买入额占同期总成交额的比例。公式为： $$融资买入额占成交额比例_T = \frac{\sum_{t \in T}融资买入额_t}{\sum_{t \in T}成交额_t} \times 100\%$$ 报告中对行业和个股层面均计算并展示了该因子[36][50]。 4. **因子名称：融券卖出额占成交额比例** * **因子构建思路：** 衡量融券卖出交易在标的整体市场交易中的占比，用于观察卖空力量的活跃程度[40][41]。 * **因子具体构建过程：** 对于单个标的，计算其在指定周期T内的融券卖出额占同期总成交额的比例。公式为： $$融券卖出额占成交额比例_T = \frac{\sum_{t \in T}融券卖出额_t}{\sum_{t \in T}成交额_t} \times 100\%$$ 报告在行业层面计算并展示了该因子[41]。 5. **因子名称：融资余额占流通市值比例** * **因子构建思路：** 衡量融资杠杆资金在标的流通盘中的存量占比，反映杠杆资金对标的的总体持仓规模和潜在影响[35][36]。 * **因子具体构建过程：** 使用报告期末时点的融资余额与标的流通市值进行计算。公式为： $$融资余额占流通市值比例 = \frac{期末融资余额}{期末流通市值} \times 100\%$$ 报告在行业层面计算并展示了该因子[36]。 6. **因子名称：融券余额占流通市值比例** * **因子构建思路：** 衡量融券卖空头寸在标的流通盘中的存量占比，反映卖空力量的总体持仓规模[40][41]。 * **因子具体构建过程：** 使用报告期末时点的融券余额与标的流通市值进行计算。公式为： $$融券余额占流通市值比例 = \frac{期末融券余额}{期末流通市值} \times 100\%$$ 报告在行业层面计算并展示了该因子[41]。 因子的回测效果 > **注：** 本报告为市场数据周报，主要展示截至报告期（2025年12月10日-12月16日）各类因子的截面数据或时间序列最新值，并未提供基于历史数据的长期回测绩效指标（如年化收益率、夏普比率、信息比率IR等）。以下为报告中展示的因子在特定周期内的具体取值。 1. **融资净买入额因子** * **行业层面（上周）：** 国防军工、通信、商贸零售行业融资净买入额较多；电子、计算机、有色金属行业融资净买入额较少[31]。具体数值可参见行业融资净买入额情况图[33]及表3[36]。 * **ETF层面（上周）：** 融资净买入额前五名分别为：富国中债7-10年政策性金融债ETF（348,401.76万元）、博时中债0-3年国开行ETF（79,429.49万元）、海富通中证短融ETF（45,558.47万元）、国泰上证5年期国债ETF（39,840.35万元）、华泰柏瑞沪深300ETF（24,186.46万元）[45][46]。 * **个股层面（上周）：** 融资净买入额前五名分别为：新易盛（238,214.60万元）、中国平安（178,832.27万元）、航天电子（111,984.96万元）、招商银行（57,890.50万元）、特变电工（45,400.49万元）[48][50]。 2. **融券净卖出额因子** * **行业层面（上周）：** 汽车、食品饮料、交通运输行业融券净卖出额较多；非银金融、有色金属、银行行业融券净卖出额较少[34]。具体数值可参见行业融券净卖出额情况图[35]及表4[41]。 * **个股层面（上周）：** 融券净卖出额前五名分别为：贵州茅台（1,658.35万元）、胜宏科技（1,562.55万元）、中国平安（1,279.14万元）、拓荆科技（1,218.74万元）、华工科技（781.77万元）[52][53]。 3. **融资买入额占成交额比例因子** * **行业层面（上周）：** 比例较高的行业为非银金融（11.71%）、通信（11.59%）、国防军工（10.67%）；较低的行业为纺织服饰（4.17%）、轻工制造（5.15%）、综合（5.17%）[35][36][40]。 * **个股层面（上周）：** 比例前五名分别为：冠豪高新（27.07%）、中国能建（26.17%）、中绿电（25.82%）、永泰能源（25.39%）、轻纺城（25.19%）[49][50]。 4. **融券卖出额占成交额比例因子** * **行业层面（上周）：** 比例较高的行业为非银金融（0.09%）、石油石化（0.09%）、食品饮料（0.08%）；较低的行业为纺织服饰（0.01%）、轻工制造（0.01%）、社会服务（0.02%）[40][41][42]。 5. **融资余额占流通市值比例因子** * **行业层面（上周）：** 比例较高的行业为计算机（4.39%）、综合（3.49%）、通信（3.40%）；较低的行业为银行（0.74%）、石油石化（0.81%）、煤炭（0.91%）[35][36]。 6. **融券余额占流通市值比例因子** * **行业层面（上周）：** 比例较高的行业为传媒（0.02%）、房地产（0.02%）、国防军工（0.01%）；较低的行业为石油石化（0.00%）、银行（0.00%）、轻工制造（0.01%）[40][41][42]。

量化模型与因子总结 量化因子与构建方式 1. **因子名称：连阴连阳天数** * **因子构建思路**：通过计算指数K线连续为阴线或阳线的天数，来反映市场的短期趋势强度和持续性[11]。 * **因子具体构建过程**：从指定起始日开始，逐日判断指数收盘价相对于前一日收盘价的涨跌。若当日上涨，则连阳天数加1，连阴天数重置为0；若当日下跌，则连阴天数加1（以负数表示），连阳天数重置为0。最终输出一个序列，正数表示连阳天数，负数表示连阴天数[11]。 2. **因子名称：指数与均线比较** * **因子构建思路**：通过计算指数收盘价与不同周期移动平均线（MA）的偏离程度，来判断指数相对于其短期、中期和长期趋势线的位置，评估其超买或超卖状态[14]。 * **因子具体构建过程**：首先，计算指数收盘价的5日、10日、20日、60日、120日和250日简单移动平均线（MA）。然后，计算收盘价相对于各均线的偏离百分比。公式为： $$偏离百分比 = \frac{收盘价 - MA_n}{MA_n} \times 100\%$$ 其中，$MA_n$ 代表第n日的移动平均线[15]。报告中使用该公式计算了指数相对于MA5、MA10、MA20、MA60、MA120、MA250的偏离值[15]。 3. **因子名称：指数与历史高低位比较** * **因子构建思路**：通过计算指数当前价格相对于过去一段时间内最高价和最低价的回撤或上涨幅度，来衡量指数所处的历史价格区间和调整深度[14]。 * **因子具体构建过程**：选取近250个交易日作为观察窗口。找出该窗口期内的最高价（近250日高位）和最低价（近250日低位）。然后，计算当前收盘价相对于这两个极值的百分比变化。公式为： $$vs近250日高位 = \frac{收盘价 - 近250日高位}{近250日高位} \times 100\%$$ $$vs近250日低位 = \frac{收盘价 - 近250日低位}{近250日低位} \times 100\%$$ 报告中使用该公式计算了指数相对于近250日高位和低位的偏离值[15]。 4. **因子名称：交易金额占比** * **因子构建思路**：通过计算特定宽基指数日成交额占全市场（以中证全指为代表）日成交额的比例，来反映资金在不同风格或板块间的流动和聚集情况[17]。 * **因子具体构建过程**：公式为： $$交易金额占比 = \frac{该指数当日交易金额}{中证全指当日交易金额} \times 100\%$$ [17]。 5. **因子名称：指数换手率** * **因子构建思路**：通过计算以流通股本加权的成分股换手率均值，来衡量整个指数的交易活跃度[17]。 * **因子具体构建过程**：公式为： $$指数换手率 = \frac{\Sigma(成分股流通股本 \times 成分股换手率)}{\Sigma(成分股流通股本)}$$ [17]。 6. **因子名称：收益率分布峰度** * **因子构建思路**：通过计算指数日收益率分布的峰度（超额峰度），来衡量收益率分布的尖峭或扁平程度，反映极端收益率出现的概率[23][25]。 * **因子具体构建过程**：计算指数日收益率序列的峰度，并在计算中减去3（正态分布的峰度值），得到超额峰度。报告对比了“当前”与“近5年”的峰度值[25]。 7. **因子名称：收益率分布偏度** * **因子构建思路**：通过计算指数日收益率分布的偏度，来衡量收益率分布的不对称性，即正收益或负收益的极端情形出现的倾向[23][25]。 * **因子具体构建过程**：计算指数日收益率序列的偏度。报告对比了“当前”与“近5年”的偏度值[25]。 8. **因子名称：风险溢价** * **因子构建思路**：以十年期国债即期收益率作为无风险利率的参考，计算股票指数预期收益率（通常用市盈率倒数E/P近似）与无风险利率的差值，作为投资者承担市场风险所要求的额外回报，用于衡量市场的相对投资价值和风险水平[27]。 * **因子具体构建过程**：公式为： $$风险溢价 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 报告中使用该公式计算了各宽基指数的当前风险溢价，并统计了其近1年、近5年的分位值、均值及波动率等[31]。 9. **因子名称：PE-TTM分位值** * **因子构建思路**：将指数当前的滚动市盈率（PE-TTM）置于其历史数据中，计算其所处的百分位位置，以判断当前估值在历史上的相对高低水平[39][42]。 * **因子具体构建过程**：收集指数在指定历史窗口期（如近1年、近5年或全部历史）的每日PE-TTM数据。将当前PE-TTM值与历史数据序列进行比较，计算其历史分位值。报告展示了各指数当前PE-TTM的近1年、近5年及全历史分位值[43]。 10. **因子名称：股债性价比** * **因子构建思路**：本质是风险溢价的另一种表现形式，直接比较股票市场收益率（PE-TTM的倒数）与债券市场收益率（十年期国债即期收益率）的差值，为资产配置提供参考[46]。 * **因子具体构建过程**：公式与风险溢价相同： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 报告通过图表展示了该因子的走势，并标注了基于近5年数据计算的机会值（80分位）、危险值（20分位）及均值±1倍标准差区间[46]。 11. **因子名称：股息率** * **因子构建思路**：计算指数成分股的总现金分红与总市值的比率，反映投资该指数所能获得的现金分红回报率，是价值投资和红利策略的重要参考指标[48]。 * **因子具体构建过程**：报告直接引用了各宽基指数的当前股息率数据，并计算了其近1年、近5年及全历史分位值，同时提供了近1年均值和波动率等统计指标[53]。 12. **因子名称：破净率** * **因子构建思路**：计算指数中市净率（PB）小于1的个股数量占指数总成分股数量的比例，反映市场整体或特定板块的估值低迷程度和悲观情绪[54][56]。 * **因子具体构建过程**：对指数内的每一个成分股，判断其市净率是否小于1。统计满足条件的个股数量，并除以指数成分股总数。公式为： $$破净率 = \frac{破净个股数}{指数成分股总数} \times 100\%$$ 报告列出了各宽基指数当前的破净率数值[57]。 因子的回测效果 （注：本报告为市场数据跟踪报告，主要展示各因子在特定时点（2025年12月16日）的截面数据或历史统计值，并未提供基于因子构建投资策略并进行历史回测的绩效指标（如年化收益、夏普比率、信息比率IR、最大回撤等）。因此，此处无法提供符合任务要求的“回测效果”指标取值。）

量化模型与因子总结 量化因子与构建方式 1. **因子名称：封板率**[17] * **因子构建思路**：通过计算当日最高价涨停且收盘涨停的股票数量占最高价涨停股票总数的比例，来衡量市场涨停板的封板强度和市场情绪[17]。 * **因子具体构建过程**： 1. 筛选上市满3个月以上的股票[17]。 2. 找出在当日盘中最高价达到涨停价的股票集合。 3. 在上述集合中，进一步筛选出收盘价也涨停的股票。 4. 计算封板率，公式为： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[17] 2. **因子名称：连板率**[17] * **因子构建思路**：通过计算连续两日收盘涨停的股票数量占前一日收盘涨停股票总数的比例，来衡量市场涨停板的连续性和赚钱效应的持续性[17]。 * **因子具体构建过程**： 1. 筛选上市满3个月以上的股票[17]。 2. 找出前一日收盘涨停的股票集合。 3. 在上述集合中，进一步筛选出当日收盘也涨停的股票。 4. 计算连板率，公式为： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[17] 3. **因子名称：大宗交易折价率**[26] * **因子构建思路**：通过计算大宗交易成交总额相对于当日成交份额总市值的折价幅度，来反映大资金的交易偏好和市场情绪[26]。 * **因子具体构建过程**： 1. 获取当日所有大宗交易的总成交金额。 2. 计算当日通过大宗交易成交的股票份额，按当日收盘价计算的总市值。 3. 计算折价率，公式为： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[26] 4. **因子名称：股指期货年化升贴水率**[28] * **因子构建思路**：通过计算股指期货主力合约价格与现货指数价格之间的基差，并进行年化处理，来反映市场对未来走势的预期、对冲成本以及市场情绪[28]。 * **因子具体构建过程**： 1. 选定标的指数（如上证50、沪深300等）及其对应的股指期货主力合约[28]。 2. 计算基差：基差 = 股指期货价格 - 现货指数价格。 3. 计算年化升贴水率，公式为： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[28] *注：公式中“年化贴水率”为通用名称，当计算结果为正时，表示年化升水率；为负时，表示年化贴水率。* 因子回测效果 *本报告为市场监测日报，未提供因子的历史回测效果指标（如IC、IR、多空收益等）的具体数值。报告主要展示了各因子在特定计算日（2025年12月16日及附近日期）的截面取值或市场整体水平*[17][26][28]。 1. **封板率因子**，2025年12月16日取值：65%[17]。 2. **连板率因子**，2025年12月16日取值：23%[17]。 3. **大宗交易折价率因子**，2025年12月15日市场整体折价率：4.82%；近半年平均折价率：6.64%[26]。 4. **股指期货年化升贴水率因子**，2025年12月16日取值： * 上证50股指期货年化贴水率：9.55%[28]。 * 沪深300股指期货年化升水率：3.42%[28]。 * 中证500股指期货年化升水率：10.57%[28]。 * 中证1000股指期货年化升水率：8.56%[28]。

量化模型与构建方式 1. **模型名称：行业拥挤度监测模型**[3] * **模型构建思路**：通过构建一个量化模型，对申万一级行业指数的拥挤度进行每日监测，以识别市场热度较高或较低的行业[3]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤、所使用的子因子或计算公式。 2. **模型名称：溢价率 Z-score 模型**[4] * **模型构建思路**：通过计算ETF溢价率的Z-score值，来识别存在潜在套利机会或回调风险的ETF产品[4]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤和计算公式。通常，此类模型会计算ETF的IOPV溢价率相对于其历史均值和标准差的标准化分数（Z-score）。一个可能的构建过程是： 1. 计算ETF在交易日t的IOPV溢价率：$$溢价率_t = (ETF市价_t / IOPV_t - 1) * 100\%$$ 2. 选取过去N个交易日（如60日或120日）的溢价率序列，计算其滚动均值($$\mu_t$$)和滚动标准差($$\sigma_t$$)。 3. 计算交易日t的溢价率Z-score值：$$Z_t = (溢价率_t - \mu_t) / \sigma_t$$ 4. 根据Z-score的阈值（如Z > 2 或 Z < -2）生成交易信号[4]。 量化因子与构建方式 1. **因子名称：行业拥挤度**[3] * **因子构建思路**：综合多个维度指标，衡量某一行业交易过热或过冷的程度[3]。 * **因子具体构建过程**：报告未详细说明该因子的具体构成、各维度指标及其合成方法。 2. **因子名称：主力资金净流入额**[3][10] * **因子构建思路**：衡量大额资金（主力资金）在特定时间段内对某一行业指数的净买入或净卖出金额，反映大资金的动向[3]。 * **因子具体构建过程**：报告直接使用了“主力净流入额”这一数据，未说明其具体计算方式。通常，该数据来源于行情软件，通过统计大单、中单、小单的成交额差值得出。 3. **因子名称：ETF IOPV溢价率**[6][12] * **因子构建思路**：衡量ETF交易价格相对于其实时估算净值(IOPV)的偏离程度，是判断ETF是否存在折溢价套利机会的基础指标[6][12]。 * **因子具体构建过程**：报告直接列出了“IOPV溢价率(%)”数据。其计算公式通常为：$$溢价率 = (ETF市价 / IOPV - 1) * 100\%$$ 模型的回测效果 （报告中未提供任何量化模型的回测效果指标数据，如年化收益率、夏普比率、最大回撤、信息比率(IR)等。） 因子的回测效果 （报告中未提供任何量化因子的回测效果指标数据，如IC值、IR、多空收益等。报告仅展示了因子在特定时点的截面取值或排名情况。） 1. **行业拥挤度因子截面取值（前一交易日）**[3] * 拥挤度水平靠前的行业：通信、军工、建材[3]。 * 拥挤度水平较低的行业：计算机、汽车[3]。 * 拥挤度变动较大的行业：银行、化工、建材[3]。 2. **主力资金净流入额因子截面取值（前一交易日）**[3] * 主力资金流入的行业：军工、商贸零售、食饮[3]。 * 主力资金流出的行业：有色、电子[3]。 3. **主力资金净流入额因子截面取值（近三个交易日）**[3][10] * 主力资金增配的行业：银行、钢铁[3]。 * 主力资金减配的行业：电子、通信[3]。 * 具体数值见图表4（对应文档10中的表格数据）[10]。 4. **ETF IOPV溢价率因子截面取值（数据截止日）**[6][12] * 具体ETF的溢价率数值见图表1（对应文档6中的表格数据）[6]。 * 根据溢价率Z-score模型筛选出的“建议关注”ETF产品列表见图表5（对应文档12中的表格数据）[12]。