量化模型与因子总结 量化模型与构建方式 1. **模型名称：平稳创新高股票筛选模型**[27] * **模型构建思路**：基于动量效应和“温水煮青蛙”效应，在近期创出250日新高的股票池中，通过多维度条件筛选出价格路径平稳、趋势延续性好的“平稳创新高”股票，以捕捉更强大的动量效应[27]。 * **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**：筛选上市满15个月，且在过去20个交易日内创出过250日新高的股票[19]。 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[29]。 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%[29]。 4. **股价平稳性筛选**：在满足步骤2和3的股票池内，使用“价格路径平滑性”和“创新高持续性”两个指标进行综合打分，选取排名在前50%的股票[29]。 5. **趋势延续性筛选**：在步骤4筛选出的股票中，根据“趋势延续性”指标进行排序，选取排名靠前的50只股票作为最终输出[29]。 2. **因子名称：250日新高距离**[11] * **因子构建思路**：借鉴George (2004)等研究及经典投资理论，使用股价距离其过去250日最高点的回落幅度来衡量股票的创新高状态与趋势强度，该值越小或为0，表明趋势越强[11]。 * **因子具体构建过程**：计算最新收盘价相对于过去250个交易日最高收盘价的回落比例。 * **公式**： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ * **公式说明**： * `Closet` 为股票的最新收盘价。 * `ts_max(Close, 250)` 为股票过去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；若股价从高点回落，则因子值为正，代表回落幅度[11]。 3. **因子名称：价格路径平滑性（股价位移路程比）**[27][29] * **因子构建思路**：参考Bali等人(2011)的研究，用于度量股价上涨过程的平稳性。平滑的上涨路径（高位移路程比）相比跳跃式路径，可能预示着更持续和稳健的动量[27]。 * **因子具体构建过程**：计算过去一段时间内股价的净涨幅（位移）与期间每日涨跌幅绝对值总和（路程）的比值。 * **公式**： $$价格路径平滑性 = \frac{过去120日涨跌幅的绝对值}{过去120日日涨跌幅绝对值加总}$$ * **公式说明**：该比值越接近1，表明股价上涨路径越平滑，回调少；比值越小，表明上涨过程中波动和回调越大[27]。 4. **因子名称：创新高持续性**[29] * **因子构建思路**：衡量股票在近期维持强势、接近其价格高点的持续能力。 * **因子具体构建过程**：计算股票过去120个交易日的“250日新高距离”在时间序列上的均值[29]。该均值越小，表明股票在近期越持续地保持在接近新高的位置。 5. **因子名称：趋势延续性**[29] * **因子构建思路**：衡量股票在极短期内的趋势强度，用于捕捉近期加速上涨或维持强势的股票。 * **因子具体构建过程**：计算股票过去5个交易日的“250日新高距离”在时间序列上的均值[29]。该均值越小，表明股票在最近一周内越强势。 模型的回测效果 （注：报告中未提供该筛选模型的历史回测绩效指标，如年化收益率、夏普比率、最大回撤等定量数据。） 因子的回测效果 （注：报告中未提供单个因子（如250日新高距离、价格路径平滑性等）的IC值、IR值、分组收益等历史测试结果。）

量化模型与构建方式 1. **模型名称**：风格组相对拥挤度模型[69][125] * **模型构建思路**：通过计算两个风格指数换手率Z-score的差值，并取其历史分位数，来衡量一种风格相对于另一种风格的交易拥挤程度[125]。 * **模型具体构建过程**： 1. 对于风格A和风格B，分别计算其指数的近252日平均换手率[125]。 2. 将上述换手率序列在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：$$Z\_score\_diff = Z\_score\_A - Z\_score\_B$$[125]。 4. 计算Z_score_diff的滚动6年历史分位数（若历史数据不足6年，则使用全部历史数据计算），该分位数即为风格A相对于风格B的“相对拥挤度”[125]。 2. **模型名称**：风格指数累计超额净值模型[126] * **模型构建思路**：以万得全A指数为基准，计算各风格指数的累计超额收益，用于衡量风格的长期相对表现[126]。 * **模型具体构建过程**： 1. 设定基准日（报告中为2020年1月4日）[126]。 2. 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[126]。 3. 将各风格指数的累计净值除以同一交易日的万得全A指数累计净值，得到该风格指数相对于万得全A指数的累计超额净值[126]。 3. **模型名称**：机构调研活跃度模型[127] * **模型构建思路**：通过计算板块或行业相对于全市场的机构调研热度历史分位数，来评估其受机构关注的程度[127]。 * **模型具体构建过程**： 1. 对于特定板块（指数、行业），计算其近n个交易日的“日均机构调研次数”[127]。 2. 将该日均调研次数在滚动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指数的标准化结果作差，得到“机构调研活跃度”[127]。 4. 计算“机构调研活跃度”的滚动y年历史分位数（若历史数据不足y年，则使用全部历史数据计算）[127]。 5. 报告中使用两种参数设置：长期口径（n=126日，y=6年）和短期口径（n=63日，y=3年）[127]。 4. **因子名称**：股债性价比因子（ERP）[51] * **因子构建思路**：通过计算股票指数市盈率倒数与无风险利率（10年期国债收益率）的差值，来衡量投资股票相对于债券的风险溢价水平[51]。 * **因子具体构建过程**： 1. 计算股票指数的市盈率倒数：$$Earnings\ Yield = 1 / PE\_TTM$$[51]。 2. 减去10年期国债到期收益率：$$ERP = Earnings\ Yield - 10Y\ Treasury\ Yield = 1 / PE\_TTM - 10Y\ Treasury\ Yield$$[51]。 5. **因子名称**：成交热度因子[25] * **因子构建思路**：使用周度日均自由流通换手率的历史分位数来衡量市场或板块的交易活跃度[25]。 * **因子具体构建过程**： 1. 计算指数或行业的周度日均自由流通换手率[25]。 2. 计算该换手率在历史时间区间（例如2005年1月1日至今）内的分位值，即为“成交热度”[25][33]。 6. **因子名称**：动量因子[62] * **因子构建思路**：以过去一年收益率减去过去一个月收益率（剔除涨停板）作为动量指标，筛选出动量特征强的股票[62]。 * **因子评价**：该因子能够较好地表征A股市场中最具动量特征的股票的整体走势[62]。 7. **因子名称**：反转因子[62] * **因子构建思路**：以最近一个月股票收益率作为筛选指标，选择反转效应强的股票[62]。 * **因子评价**：该因子旨在准确表征A股市场各阶段高反转特征个股的整体表现[62]。 模型的回测效果 1. **风格组相对拥挤度模型**，成长vs红利相对拥挤度历史分位：72%[69]；小盘vs大盘相对拥挤度历史分位：6%[69]；微盘股vs中证800相对拥挤度历史分位：59%[69] 2. **风格指数累计超额净值模型**，成长较红利累计超额净值（截至2026年4月16日）：约2.2[70]；小盘较大盘累计超额净值（截至2026年4月16日）：约1.8[74]；微盘股较中证800累计超额净值（截至2026年4月16日）：约5.8[77] 因子的回测效果 1. **股债性价比因子（ERP）**，万得全A指数ERP：2.5%[60]；万得全A指数ERP历史分位：55%[60]；沪深300指数ERP：5.2%[60]；沪深300指数ERP历史分位：59%[60]；创业板指数ERP：0.5%[60]；创业板指数ERP历史分位：85%[60] 2. **成交热度因子**，万得全A指数成交热度历史分位：83%[33]；创业板指数成交热度历史分位：92%[33]；机械行业成交热度历史分位：92%[33]；银行行业成交热度历史分位：49%[33] 3. **动量因子**，长江动量指数近一周收益率：5.8%[64]；近一月收益率：12.6%[64]；年初至今收益率：12.2%[64] 4. **反转因子**，长江反转指数近一周收益率：2.5%[64]；近一月收益率：-4.5%[64]；年初至今收益率：1.6%[64]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：公募基金实时持仓测算模型[4][20] * **模型构建思路**：基于市场公开信息，对公募基金持仓进行实时测算，以监测其配置仓位变化[4][20]。 * **模型具体构建过程**：这是一个复杂的处理流程，基于基金净值、持仓披露、调研行为等多维度公开信息进行综合测算。具体方法详见开源金融工程团队专题报告《偏股混合型基金指数（885001.WI）：优势、复制与超越》[20]。 2. **模型名称**：雪球大V用户选股行为alpha模型[31] * **模型构建思路**：分析雪球平台粉丝数量较多的“大V”用户的投资观点和行为，挖掘其中蕴含的选股alpha信息[31]。 * **模型具体构建过程**：报告未详细描述，具体方法详见开源金融工程团队专题报告《雪球大V用户的选股行为alpha》[31]。 3. **模型名称**：机构行为alpha细分结构模型[35] * **模型构建思路**：通过分析龙虎榜、机构调研、大宗交易等公开的机构行为数据，挖掘其中的alpha信息[35]。 * **模型具体构建过程**：报告未详细描述，具体方法详见开源金融工程团队专题报告《机构行为alpha的细分结构：龙虎榜、机构调研、大宗交易》[35]。 4. **模型名称**：高频股东数据隐含信息量模型[37] * **模型构建思路**：利用交易所互动平台提供的高频股东户数数据，研究其大幅变动对后续股价的预示作用[37]。 * **模型具体构建过程**：报告未详细描述，具体方法详见开源金融工程团队专题报告《高频股东数据的隐含信息量》[37]。 量化因子与构建方式 1. **因子名称**：ETF资金持仓占比[4][23] * **因子构建思路**：通过计算ETF资金持仓占板块股票流通市值的比例，来观察指数投资资金对特定板块的配置动向[4][23]。 * **因子具体构建过程**：因子值为ETF持仓市值占板块股票流通市值的比重，报告中使用了其5日移动平均线（MA5）进行平滑观察[27]。 2. **因子名称**：融资余额[4][24] * **因子构建思路**：使用融资融券交易中未偿还的融资总金额作为因子，其增加通常被视为市场看多情绪的指标[4][24]。 * **因子具体构建过程**：直接采用光模块板块成分股的融资余额总和作为因子值[24][28]。 3. **因子名称**：机构调研热度[4][26] * **因子构建思路**：以上市公司接受机构调研的次数作为因子，衡量机构投资者对公司的关注度[4][26]。 * **因子具体构建过程**：统计近三个月内，光模块板块各成分股被机构调研的总次数[26][30]。 4. **因子名称**：雪球大V关注度[4][31] * **因子构建思路**：统计雪球平台上粉丝较多的“大V”用户对某只股票的关注数量，作为市场情绪和关注度的代理变量[4][31]。 * **因子具体构建过程**：在指定时间段内（如2026年4月1日以来），统计关注某只股票的雪球大V用户数量[32]。 5. **因子名称**：主力资金净流入[4][33] * **因子构建思路**：将大单和超大单的净流入金额加总，作为主力资金动向的代理变量，用以观察大资金的流向[4][33]。 * **因子具体构建过程**：定义大单为挂单金额20-100万元的委托，超大单为挂单金额>100万元的委托。因子值为指定时间段内，个股大单与超大单净流入金额的加总值[33][34]。 6. **因子名称**：龙虎榜营业部资金净流入[4][35] * **因子构建思路**：利用龙虎榜公布的营业部交易数据，计算营业部资金的净流入额，反映最活跃市场资金的短期动向[4][35]。 * **因子具体构建过程**：对于登上龙虎榜的个股，计算其上榜当日买入金额前五与卖出金额前五的营业部，其买入总额与卖出总额的差值，即营业部资金净流入[36]。 7. **因子名称**：高频股东户数增幅[4][37] * **因子构建思路**：计算最新两期股东户数的变动比例，股东户数大幅增加可能暗示筹码分散，对后续股价构成潜在风险[37]。 * **因子具体构建过程**：基于交易所互动平台的最新两期股东户数信息，计算其变动比例。 $$变动比例 = \frac{最新股东户数 - 上期股东户数}{上期股东户数} \times 100\%$$ [38][40] 8. **因子名称**：放量因子[18][20] * **因子构建思路**：通过比较短期与长期平均成交额，识别成交量显著放大的个股[18][20]。 * **因子具体构建过程**：计算个股成交额的10日移动平均（MA10）与60日移动平均（MA60）的比值，作为放量程度的度量[20]。 $$放量程度 = \frac{成交额MA10}{成交额MA60}$$ [20] 模型的回测效果 *本报告为资金行为监测报告，未提供上述量化模型的回测效果指标。* 因子的回测效果 *本报告为资金行为监测报告，未提供上述量化因子在选股或预测方面的统一回测效果指标（如IC、IR、多空收益等）。报告主要展示了各因子在光模块板块上的近期截面排序或时间序列走势结果[4]。*

量化模型与构建方式 1. **模型/因子名称**：封板率[17] **模型/因子构建思路**：通过计算盘中最高价涨停且收盘涨停的股票数量与盘中最高价涨停的股票总数之比，来衡量市场涨停板的封板质量或资金封板的坚决程度[17] **模型/因子具体构建过程**： 1. 筛选出上市满3个月以上的股票[17] 2. 在目标交易日，识别出盘中最高价达到涨停价的股票集合[17] 3. 在上述集合中，进一步识别出收盘价也达到涨停价的股票[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. **模型/因子名称**：连板率[17] **模型/因子构建思路**：通过计算连续两日收盘涨停的股票数量与前一交易日收盘涨停的股票总数之比，来衡量市场涨停板的持续性和短线炒作热度[17] **模型/因子具体构建过程**： 1. 筛选出上市满3个月以上的股票[17] 2. 在目标交易日（T日），识别出前一交易日（T-1日）收盘涨停的股票集合[17] 3. 在上述集合中，进一步识别出T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. **模型/因子名称**：大宗交易折价率[26] **模型/因子构建思路**：通过计算大宗交易成交总额与按当日市价计算的成交份额总市值之间的差异比率，来反映大资金通过大宗交易渠道交易的折让程度，可作为观察大资金动向和市场情绪的指标[26] **模型/因子具体构建过程**： 1. 获取目标交易日所有大宗交易的成交数据，包括每笔交易的成交金额和成交数量[26] 2. 计算大宗交易总成交金额[26] 3. 计算大宗交易成交份额按当日收盘价（或成交均价）计算的总市值[26] 4. 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. **模型/因子名称**：股指期货年化贴水率[28] **模型/因子构建思路**：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，来量化股指期货的升贴水状态，用于衡量市场情绪、对冲成本及期现套利空间[28] **模型/因子具体构建过程**： 1. 选定目标股指期货合约（如主力合约）和对应的现货指数[28] 2. 计算基差：基差 = 期货价格 - 现货指数价格[28] 3. 获取该期货合约的剩余交易日数[28] 4. 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] 模型的回测效果 1. 封板率模型，2026年4月16日当日取值为77%[17] 2. 连板率模型，2026年4月16日当日取值为18%[17] 3. 大宗交易折价率因子，近半年以来平均取值为7.14%，2026年4月15日当日取值为4.62%[26] 4. 股指期货年化贴水率因子，近一年以来中位数取值：上证50为1.39%，沪深300为4.85%，中证500为10.84%，中证1000为13.18%[28]。2026年4月16日当日取值：上证50为3.91%，沪深300为7.22%，中证500为8.18%，中证1000为12.77%[28]

量化模型与因子总结 量化因子与构建方式 股票市场因子 1. **因子名称**：大小盘风格[10] * **因子构建思路**：衡量市场整体在市值维度上的风格偏向，即市场资金是更偏好大盘股还是小盘股[10]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式，仅通过定性分析判断风格偏向。根据上下文，通常基于不同市值指数（如沪深300与中证1000）的相对表现或市值因子收益率来度量[10]。 2. **因子名称**：价值成长风格[10] * **因子构建思路**：衡量市场整体在估值与成长性维度上的风格偏向，即市场资金是更偏好价值股还是成长股[10]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式，仅通过定性分析判断风格偏向。通常基于价值因子（如BP、EP）与成长因子（如营收增长率、净利润增长率）的相对表现来度量[10]。 3. **因子名称**：大小盘风格波动[10] * **因子构建思路**：衡量市值风格（大小盘）的波动剧烈程度，反映风格切换的频繁度与不确定性[10]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式。通常可计算市值风格因子收益率在特定窗口期（如20日或60日）的标准差或平均绝对偏差[10]。 4. **因子名称**：价值成长风格波动[10] * **因子构建思路**：衡量价值成长风格的波动剧烈程度，反映风格切换的频繁度与不确定性[10]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式。通常可计算价值成长风格因子收益率在特定窗口期（如20日或60日）的标准差或平均绝对偏差[10]。 5. **因子名称**：行业指数超额收益离散度[10] * **因子构建思路**：衡量不同行业指数相对于市场基准的超额收益的分散程度，用于刻画市场行业结构的集中度或分化程度[10]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式。通常计算各一级行业指数日度或周度超额收益（相对于全市场指数）在截面上的标准差或分位数差（如极差）[10]。 6. **因子名称**：行业轮动度量[10] * **因子构建思路**：衡量行业排名或领涨行业变化的快慢速度，用于判断市场热点是否具有持续性[10]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式。常见构建方法包括计算相邻两期行业收益率排名的斯皮尔曼秩相关系数，或计算领涨行业（如前3名）的留存率[10]。 7. **因子名称**：成分股上涨比例[10] * **因子构建思路**：衡量市场整体的赚钱效应广度，即上涨股票数量占全体股票数量的比例[10]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式。通常针对特定宽基指数（如上证指数、沪深300、中证500、中证1000等），计算其成分股中当日或当周收益率为正的股票数量占总成分股数量的比例[10]。 8. **因子名称**：指数波动率[10] * **因子构建思路**：衡量市场整体的价格波动风险水平[10]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式。通常基于市场主要指数（如沪深300、万得全A）的日收益率序列，计算特定窗口期（如20日或60日）的年化波动率[10]。 9. **因子名称**：指数换手率[10] * **因子构建思路**：衡量市场整体的交易活跃度和流动性水平[10]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式。通常计算全市场或主要指数的日均成交金额与流通市值的比值[10]。 商品市场因子 1. **因子名称**：趋势强度[19][23] * **因子构建思路**：衡量商品期货价格趋势的明确性和持续性，用于判断市场处于趋势行情还是震荡行情[19][23]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式。通常可基于南华商品指数或其各板块指数，计算其价格与移动平均线的距离，或使用如ADX（平均趋向指数）等技术指标[19][23]。 2. **因子名称**：基差动量[19][23] * **因子构建思路**：衡量商品期货期限结构（近月合约与远月合约价差）的变化方向和速度，反映市场对未来供需预期的变化[19][23]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式。通常计算主力合约与次主力合约的价差（基差）在一段时间内的变化率[19][23]。 3. **因子名称**：市场波动水平[19][23] * **因子构建思路**：衡量商品期货市场整体的价格波动风险[19][23]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式。通常基于南华商品指数或其各板块指数的日收益率序列，计算特定窗口期的年化波动率[19][23]。 4. **因子名称**：市场流动性[19][23] * **因子构建思路**：衡量商品期货市场的交易活跃度和资金参与深度[19][23]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式。通常使用成交量、持仓量或其变化率作为代理指标[19][23]。 可转债市场因子 1. **因子名称**：百元转股溢价率[22] * **因子构建思路**：衡量可转债市场整体的估值水平，即转债价格相对于其转股价值的溢价程度[22]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式。通常计算市场中所有可转债的转股溢价率的中位数或平均值。单个转债的转股溢价率计算公式为：$$转股溢价率 = (转债价格 / 转股价值 - 1) \times 100\%$$ 其中，转股价值 = (正股价格 / 转股价格) \times 100[22]。 2. **因子名称**：纯债溢价率（按平价底价溢价率分组）[22] * **因子构建思路**：针对偏债型可转债，衡量其价格相对于纯债价值的溢价程度，反映其债性部分的估值和信用风险溢价[22]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式。通常将转债按平价底价溢价率（或转股溢价率）分组，计算各组内转债的纯债溢价率。单个转债的纯债溢价率计算公式为：$$纯债溢价率 = (转债价格 / 纯债价值 - 1) \times 100\%$$ 其中，纯债价值为将转债视为普通债券，用相同信用等级的企业债到期收益率对其未来现金流进行折现所得的价值[22]。 3. **因子名称**：低转股溢价率转债占比[22] * **因子构建思路**：衡量市场中股性较强、进攻性较强的转债标的比例，反映市场对正股上涨预期的强弱[22]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式。通常设定一个转股溢价率阈值（如20%或30%），统计转股溢价率低于该阈值的转债数量占全市场转债总数的比例[22]。 4. **因子名称**：可转债市场成交额[22] * **因子构建思路**：衡量可转债市场的交易活跃度和流动性水平[22]。 * **因子具体构建过程**：报告未提供具体的计算方法和公式。通常统计全市场可转债的日成交总金额[22]。 因子的回测效果 > **注意**：本报告为市场环境跟踪周报，主要展示各因子在特定报告期（2026.04.06-2026.04.10）的观察值和定性状态，并未提供基于长期历史数据的标准化回测指标（如IC、IR、多空收益、夏普比率等）。以下为报告期内各因子的具体表现描述。 股票市场因子表现（截至2026.04.10） 1. **大小盘风格因子**：风格偏向小盘[10]。 2. **价值成长风格因子**：风格偏向成长[10]。 3. **大小盘风格波动因子**：波动水平较高[10]。 4. **价值成长风格波动因子**：波动水平下降[10]。 5. **行业指数超额收益离散度因子**：离散度维持在极高水平，行业间收益差距较大[10]。 6. **行业轮动度量因子**：轮动速度继续下降，优势行业延续性较好[10]。 7. **成分股上涨比例因子**：各宽基指数中上涨股票占比较低[10]。 8. **指数波动率因子**：市场波动率上升至较高水平[10]。 9. **指数换手率因子**：市场换手率水平整体维持稳定[10]。 商品市场因子表现（截至2026.04.10） 1. **趋势强度因子**： * 黑色板块：趋势强度反弹上升[19][23]。 * 能化板块：趋势强度回落[19][23]。 * 农产品板块：趋势强度回落[19][23]。 * 金属板块：趋势强度仍在低位[19]。 2. **基差动量因子**： * 贵金属板块：基差动量上升[19][23]。 * 有色板块：基差动量上升[19][23]。 * 其他板块（黑色、能化、农产品）：基差动量呈下降趋势[19][23]。 3. **市场波动水平因子**： * 黑色板块：波动率大幅上升[19][23]。 * 其他板块（能化、农产品、金属）：波动率变化较小，基本持平[19][23]。 4. **市场流动性因子**： * 农产品板块：流动性上升[19][23]。 * 其他板块（黑色、能化、金属）：流动性均有所走低[19][23]。 可转债市场因子表现（截至2026.04.10） 1. **百元转股溢价率因子**：企稳后开始上升[22]。 2. **纯债溢价率因子**：偏债型转债的纯债溢价率同步上涨[22]。 3. **低转股溢价率转债占比因子**：占比并未回落[22]。 4. **可转债市场成交额因子**：重新站上中位数水平[22]。

量化模型与因子总结 量化模型与构建方式 1. **模型名称：风险平价/风险预算模型**[51] * **模型构建思路：** 以风险因子作为配置基础，通过调整各类资产权重，使组合中各类资产的风险贡献相等或按预设预算分配，以实现更优的风险分散[51]。 * **模型具体构建过程：** 报告提及的量化型产品（如Fidelity Risk Parity Fund和Invesco Balanced-Risk Allocation Fund）使用基于风险因子的风险平价框架[51]。具体构建过程未详细描述，但通常包括以下步骤：首先定义核心风险因子（如增长、通胀、利率、流动性或增长、防御、实际收益）[51]；其次，选择与这些因子相关的资产类别（如股票、债券、商品及其衍生品）作为投资标的[51]；然后，通过优化算法计算各资产权重，使得每个风险因子对投资组合整体风险的贡献度达到均衡（风险平价）或符合预设比例（风险预算）[51]。 2. **模型名称：多因子宏观/基本面量化框架**[50] * **模型构建思路：** 结合宏观、基本面和另类数据，通过量化模型生成资产配置信号，为投资决策提供基础框架[50]。 * **模型具体构建过程：** 报告提及的混合型策略产品（如Blackrock Tactical Opportunities Fund和PIMCO的产品）使用此类框架[50]。构建过程包括：数据收集，涵盖传统的宏观数据（GDP、通胀、就业）、资产基本面数据（债券到期收益率、信用风险、股票盈利增长、估值）以及另类数据（气候变化、央行会议纪要等）[50]；使用自然语言处理等技术将非结构化数据转换为量化信号[50]；搭建多因子模型，综合各类信号形成对资产类别的观点，并据此确定基础配置权重[50]。 3. **模型名称：Covered Call（备兑看涨期权）策略**[49] * **模型构建思路：** 通过持有股票现货并同时卖出该股票的看涨期权，在获得股票潜在上涨收益（部分）的同时，赚取权利金收入，旨在增强组合收益或降低波动[49]。 * **模型具体构建过程：** 报告提及生息策略产品会使用此策略[49]。具体构建过程为：投资组合持有某公司的股票现货[49]；同时，卖出以该公司股票为标的、特定行权价和到期日的看涨期权合约[49]；组合通过权利金获得额外收入，但牺牲了股票价格超过行权价部分的潜在收益[49]。 模型的回测效果 *注：报告未提供统一口径下各量化模型独立的回测指标（如年化收益、波动率、夏普比率、最大回撤等）。所提供的业绩数据均为应用了不同模型或策略的具体基金产品的表现，而非模型本身在历史数据上的测试结果。* 量化因子与构建方式 1. **因子名称：宏观风险因子**[51] * **因子构建思路：** 识别并量化驱动资产价格变动的核心宏观经济风险源，作为风险平价等模型进行资产配置的基础[51]。 * **因子具体构建过程：** 报告提及了两种因子集合：Fidelity使用的增长、通胀、利率、流动性因子[51]；Invesco使用的增长、防御、实际收益因子[51]。具体构建方法未详细说明，通常这类因子可通过主成分分析从一系列宏观经济时间序列中提取，或直接使用市场公认的代理指标（如工业产出增速代表增长，CPI同比代表通胀，国债收益率代表利率等）来构建[51]。 2. **因子名称：基本面因子**[50] * **因子构建思路：** 基于资产自身的基本面信息（如估值、盈利、质量等）构建指标，用于评估资产的内在价值与投资吸引力[50]。 * **因子具体构建过程：** 报告提到PIMCO的框架中会引入资产类别的基本面指标，例如股票的盈利增长、估值水平，债券的到期收益率、信用风险等[50]。这些通常是标准化后的财务或市场指标，例如市盈率（P/E）、市净率（P/B）、盈利增长率、股息率、信用利差等[50]。 因子的回测效果 *注：报告未提供上述量化因子在选股或资产配置中的独立测试结果（如IC值、IR、多空组合收益等）。*

量化模型与构建方式 1. **模型名称**：DFQ-TimesNet [2][4] **模型构建思路**：针对A股量价时序存在的显著多周期结构，基于TimesNet二维时序建模框架，将一维量价序列转为二维结构以解耦周期内波动与跨周期关联，从而提升周期特征捕捉能力和收益率预测的稳定性[3][4][20]。 **模型具体构建过程**：模型主要分为三个模块[34]。 * **输入特征嵌入模块**：将原始输入序列 `[batch, seq_len, C_in]` 映射到统一的高维特征表示空间 `[B, T, d_model]`。经实证测试，仅使用TokenEmbedding（采用核大小为3的1D卷积沿时间轴滑动）效果最优，不使用位置编码和时间戳编码[37][38][39]。 * **时序特征提取模块（TimesBlock）**：这是模型的核心，具体流程如下[39][41]： 1. **周期发现**：放弃不稳定的FFT自动周期识别方法，采用人为确定的5日（短周期，对应交易周）和60日（长周期，对应季度）双周期设定[42][44][46]。 2. **序列重塑**：对每个选定周期 `period`，将输入 `[batch, seq_len, d_model]` 填充至长度 `pad_len`（满足 `pad_len % period = 0`），然后重塑为 `[batch, num_period, period, d_model]`，其中 `num_period = pad_len / period`。最后将维度交换为 `[batch, d_model, num_period, period]` 以适配后续2D卷积[50]。 3. **Inception卷积**：对重塑后的二维张量，采用两层串联的Inception模块进行特征提取。每层模块并行使用多个不同大小的2D卷积核（如1x1, 3x3, 5x5等），以同时捕捉不同尺度的周期特征。第一层将通道数由 `d_model` 提升至 `d_ff`，经GELU激活后，第二层将通道数映射回 `d_model`，输出维度仍为 `[batch, d_model, num_period, period]`[51][53][54]。 4. **融合输出**：将每个周期经Inception处理后的输出 `[batch, d_model, num_period, period]` 置换并展开回 `[batch, seq_len, d_model]`。将不同周期的输出合并后 `[batch, seq_len, d_model, K]`（K为周期个数），采用直接平均的方式融合，得到 `[batch, seq_len, d_model]`。最后，将该输出与TimesBlock的原始输入相加，构成残差连接[56][58][59]。 * **预测输出模块**：从TimesBlock的最终输出 `[batch, seq_len, d_model]` 中，选取最后一个时间步得到 `[batch, d_model]`，再通过一个全连接层 `nn.Linear(d_model, c_out)` 投影到预测目标维度 `c_out`，得到最终预测值 `[batch, c_out]`[36][60][61]。 **模型评价**：该模型通过二维多周期建模有效挖掘A股量价周期规律，具备强周期感知能力，且规避了Transformer的计算瓶颈，更适配长时序量价数据[4][8][64][65]。 模型的回测效果 （注：以下所有模型测试结果均基于中证全指股票池，测试区间为2020.01.01-2025.08.29，预测标签为未来20日收益率[88]。指标“信息比率”的英文是IR。） 1. **DFQ-TimesNet模型**，IC 12.50%，IC_IR 1.24，rankIC 14.51%，rankIC_IR 1.33，多头月度胜率 77.94%，多头日超额收益夏普比 3.07，多头日超额年化收益 30.05%，多头日超额收益最大回撤 -7.09%，多头月均单边换手率 77.49%[89][90]。 量化因子与构建方式 1. **因子名称**：TimesNet因子 [88] **因子的构建思路**：将DFQ-TimesNet模型对个股未来收益的预测值作为选股因子[88]。 **因子具体构建过程**：使用经过最优配置训练的DFQ-TimesNet模型进行推断。模型输入为经过处理的60个基础量价特征序列，输出即为每个样本（股票）的预测收益率，该值被用作因子得分[71][72][88]。具体数据处理和模型配置如下： * **样本空间**：中证全指同期成分股[67]。 * **数据区间**：训练集（2014-2018）、验证集（2019）、测试集（2020-2025.6.30），数据集间设有隔离间隙[67]。 * **解释变量X处理**：按每日截面做Z-score标准化 + clip(-3,3)，用0填充缺失值[68]。 * **预测标签Y**：个股未来20日收益率，按每日截面做Z-score标准化[68][73]。 * **输入特征**：60个基础量价特征（包括原始日线行情、基于分钟线和level2数据提取的日频特征）[71]。 * **关键超参**：序列长度 `seq_len=60`，隐藏层大小 `hidden_size=128`，周期 `periods=[5,60]`，TimesBlock层数 `e_layers=1`，Inception中间通道数 `hidden_size2=128`等[76]。 因子的回测效果 （注：以下因子测试结果涵盖多个股票池，测试区间为2020.01.01-2025.08.29[88]。不同股票池的分组数不同：中证全指20组，沪深300和中证500为5组，中证1000为10组[88]。） 1. **TimesNet因子（中证全指股票池）**，IC 12.50%，IC_IR 1.24，rankIC 14.51%，rankIC_IR 1.33，多头月度胜率 77.94%，多头日超额收益夏普比 3.07，多头日超额年化收益 30.05%，多头日超额收益最大回撤 -7.09%，多头月均单边换手率 77.49%[89][90]。 2. **TimesNet因子（沪深300股票池）**，IC 6.23%，IC_IR 0.72，rankIC 7.69%，rankIC_IR 0.81，多头月度胜率 70.59%，多头日超额收益夏普比 1.70，多头日超额年化收益 9.10%，多头日超额收益最大回撤 -7.31%，多头月均单边换手率 68.10%[29]。 3. **TimesNet因子（中证500股票池）**，IC 9.13%，IC_IR 1.10，rankIC 10.70%，rankIC_IR 1.18，多头月度胜率 77.94%，多头日超额收益夏普比 2.42，多头日超额年化收益 18.47%，多头日超额收益最大回撤 -6.30%，多头月均单边换手率 74.70%[32]。 4. **TimesNet因子（中证1000股票池）**，IC 11.71%，IC_IR 1.40，rankIC 13.68%，rankIC_IR 1.50，多头月度胜率 83.82%，多头日超额收益夏普比 2.99，多头日超额年化收益 25.63%，多头日超额收益最大回撤 -5.37%，多头月均单边换手率 77.49%[35]。

量化模型与构建方式 1. 模型名称：语言化技术分析 (VTA) - **模型构建思路**：为了解决LLM在金融时间序列预测中可解释性与精度难以兼顾的问题，提出一个融合语言推理与时间序列预测的框架[4][19]。该框架旨在将股价历史数据转换为可解释的语言推理链，并以此条件化调节预测输出，实现准确且可解释的股票预测[4][19]。 - **模型具体构建过程**：VTA框架包含三个核心组件[4][25]： 1. **时间序列推理模块**：将股价时间序列数据通过文本标注器转换为包含统计信息和金融技术指标的文本描述[30]。使用提出的Time-GRPO方法训练LLM，使其基于这些文本标注生成语言推理链[19][30]。Time-GRPO的训练目标结合了格式奖励和基于预测精度的逆MSE奖励[32]。训练流水线分为三个阶段：冷启动RL微调、基于拒绝采样的监督微调(SFT)、以及为技术分析任务优化的RL微调[33]。 2. **时间序列预测模块**：采用基于LLM的骨干模型进行跨模态对齐[35]。具体过程为：将时间序列输入X通过嵌入层和多头注意力层，获得投影时间token $F_{time}$[35]。对LLM的词嵌入进行PCA降维获得主要词嵌入 $\hat{E}_{text}$[35]。将 $F_{time}$ 和 $\hat{E}_{text}$ 通过多头交叉注意力层进行对齐，得到对齐后的文本token $X_{text}$，计算公式为： $$X_{t e x t}=\,S o f t m a x(\,Q K^{\mathsf{T}}\,/\,\sqrt{C}\,)\,V,$$ 其中 $Q = F_{time}W_Q$, $K = \hat{E}_{text}W_K$, $V = \hat{E}_{text}W_V$[35]。$F_{time}$ 和 $X_{text}$ 被送入连续的Transformer模块，并通过特征正则化损失 $\mathcal{L}_{feature}$ 和输出匹配损失 $\mathcal{L}_{output}$ 来引导模态对齐[35]。 3. **联合条件训练模块**：以推理模型输出的描述性属性类别c（如最大值、最小值、均值）为条件，对时间序列预测模型的输出进行调节[38]。模型同时训练条件预测和无条件预测，损失函数为： $${\mathcal{L}}_{\mathrm{forecast}}(\phi)=\mathbb{E}\mathbf{x},\mathbf{y},\mathbf{c}\left[\left\|{\hat{\mathbf{y}}}_{\psi}(\mathbf{X},{\bar{\mathbf{c}}})-\mathbf{y}\right\|^{2}\right],$$ 其中 $\tilde{\bf c}$ 以概率 $p_{uncond}$ 被替换为无条件标识符[38]。最终预测为条件预测与无条件预测的加权组合： $${\hat{\mathbf{y}}}=s\cdot{\hat{\mathbf{y}}}_{\psi}(\mathbf{X},\mathbf{c})+(1-s)\cdot{\hat{\mathbf{y}}}_{\theta}(\mathbf{X})$$ 其中s为引导尺度超参数[38]。 - **模型评价**：VTA框架成功地将语言推理与时间序列预测有效结合，在保持预测精度的同时提供了可解释性[5][47]。其多阶段微调流水线和联合条件训练设计被证明对提升性能至关重要[48]。 2. 模型/方法名称：Time-GRPO - **构建思路**：为优化LLM在时间序列推理任务中的表现，在分组相对策略优化（GRPO）的基础上进行改进，提出专门用于时间序列推理的强化学习训练目标Time-GRPO[19][30]。其目的是教会LLM生成能够提高时间序列预测精度的语言推理链[32]。 - **具体构建过程**：Time-GRPO的训练目标结合了两种奖励[32]： 1. **格式奖励**：强制模型在生成推理链时使用特定的标签（如`<think>`和`</think>`）来包裹思考过程[32]。 2. **逆MSE奖励**：旨在最大化时间序列预测的期望精度，奖励函数定义为： $$R(\hat{y}) = 1 / ( \lambda \cdot ||\hat{y} - y||_2^2 )$$ 其中 $\lambda$ 是超参数，$\hat{y}$ 是模型预测的时间序列，$y$ 是真实值。使用逆MSE是因为奖励分数需要被最大化[32]。 模型通过多阶段强化学习流水线（冷启动RL、SFT、任务优化RL）使用该目标进行优化[33]。 3. 因子/指标名称：技术分析指标（用于文本标注） - **构建思路**：为了给LLM提供可解释的金融信号作为推理依据，从股价数据中提取经典的技术分析指标，并将其转化为文本描述[30][31]。这些指标是金融从业者广泛使用的分析工具，蕴含了预测信号[17]。 - **具体构建过程**：通过文本标注函数f，将时间序列输入X转换为包含以下指标的文本标注 $X'$[30]。报告中列举了部分指标及其计算公式[31]： - **简单移动平均(SMA)**：$$SMA = (1/n) \Sigma Price_i$$ - **指数移动平均(EMA)**：$$EMA_t = Price_t \cdot \alpha + EMA_{t-1} \cdot (1-\alpha)$$ - **动量(Momentum)**：$$Momentum = Close_t - Close_{t-n}$$ - **相对强弱指数(RSI)**：$$RSI = 100 - 100/ (1+AvgGain/AvgLoss)$$ - **MACD线**：$$MACD = EMA_{12} - EMA_{26}$$ - **威廉指标(%R)**：$$Williams \%R = (HH-Close) / (HH-LL) \times (-100)$$ - **布林带(Bollinger Bands)**：上轨=$MA+k\cdot\sigma$、下轨=$MA-k\cdot\sigma$ - **随机振荡指标(Stochastic Oscillator)**：$$\%K = (Close-LL) / (HH-LL) \times 100$$ - **因子评价**：这些指标为LLM提供了结构化的、可解释的金融领域先验知识，是模型能够进行高质量语言推理的基础[31][57]。消融实验表明，移除这些指标会导致预测性能下降，证明了其有效性[52][53]。 模型的回测效果 1. VTA模型 - **预测精度指标 (All Data 平均值)**：MSE为0.1178，MAE为0.2122[47]。 - **投资组合指标 (各数据集平均值)**：年化收益率为0.2409，波动率为0.1185，最大回撤为-0.0883，夏普比率(IR)为1.7190[70]。 2. 基准模型（部分列举） 以下为报告中部分表现较好的基准模型在“All Data”上的平均预测精度及投资组合夏普比率[47][70]： - **CALF**：MSE为0.1235，MAE为0.2180；夏普比率为1.4566[47][70]。 - **TimeLLM**：MSE为0.1262，MAE为0.2210；夏普比率为1.5230[47][70]。 - **TimesNet**：MSE为0.1286，MAE为0.2229；夏普比率为1.2748[47][70]。 - **Autoformer**：MSE为0.1290，MAE为0.2297；夏普比率为1.4736[47][70]。 - **Non-stationary Transformer**：MSE为0.1380，MAE为0.2300；夏普比率为1.4430[47][70]。 - **FiLM**：MSE为0.1449，MAE为0.2385；夏普比率为1.4421[47][70]。 - **DeepSeek-R1**：MSE为0.1428，MAE为0.2323；夏普比率为1.4074[47][70]。 - **GPT-4.1 mini**：MSE为0.2014，MAE为0.2376；夏普比率为1.3096[47][70]。 因子的回测效果 （注：报告未提供单个技术分析因子独立的选股或预测能力测试结果，因子作为整体被用于VTA模型的文本标注输入，其效果体现在VTA模型的整体性能提升中[30][47][53]。）

量化模型与构建方式 本报告为融资融券周报，主要描述市场数据、行业及标的券的融资融券特征，并未涉及用于预测或选股的量化模型或量化因子的构建、测试与评价。报告内容集中于对历史交易数据的统计与展示[1][9][12][28][29][32][35][42][48][49][52]。 量化因子与构建方式 报告未构建或测试任何用于量化投资的因子。文中提及的指标均为对市场融资融券交易行为的直接统计描述，并非用于预测未来收益的阿尔法因子。 模型的回测效果 报告未涉及任何量化模型的回测。 因子的回测效果 报告未涉及任何量化因子的回测。

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][40][42] * **模型构建思路**：为了准确计算股指期货的升贴水，必须剔除指数成分股分红除息对价格指数造成的自然滑落影响，因此构建模型来预测从当前时刻到期货合约到期日之间，指数成分股分红所导致的点位下降总和[12][40][42]。 * **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[42][43][45]： 1. **确定计算范围**：设当前日期为 `t`，股指期货合约到期日为 `T`。对于指数中第 `n` 只成分股，其除权除息日为 `d_n`。只有当 `t < d_n ≤ T` 时，该股票的分红才被计入[42]。 2. **计算单只股票的分红影响点数**：对于满足条件的成分股，其分红导致的指数点位下降计算公式为： $$分红点数 = \sum_{n=1}^{N} [\frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价]$$ 其中，`N` 为指数成分股数量[42]。 3. **数据获取与预测**：计算上述公式需要四个核心数据：成分股权重、成分股分红金额、成分股总市值、指数收盘价[47]。总市值和指数收盘价可直接获取，而成分股权重和分红金额（尤其是对于尚未公布具体方案的公司）需要进行精细化估计[47]。 * **成分股权重**：采用中证指数公司每日披露的日度收盘权重数据，以确保权重准确性，避免使用月末权重估算带来的偏差[48][49]。 * **分红金额预测**：若公司已公布分红金额，则直接采用；若未公布，则需预测。分红金额可分解为 **净利润 × 股息支付率**，因此预测转化为对这两个指标的预测[50]。 * **净利润预测**：采用基于历史净利润分布的动态预测法[52]。若公司已公布年报、快报或业绩预告，则直接采用（业绩预告取上下限均值）；若未公布，则根据公司历史季度盈利分布的稳定性进行分类预测：对于盈利分布稳定的公司，按历史规律预测；对于不稳定的公司，使用上年同期利润作为预测值[52]。 * **股息支付率预测**：采用历史股息率代替[53]。具体规则为：若公司去年分红，则用去年股息支付率；若去年不分红，则用最近3年平均股息支付率；若从未分红，则默认今年不分红；当预测值大于100%时进行截尾处理[56]。 * **除息日预测**：采用基于历史间隔天数稳定性的线性外推法[54][59]。 * 若公司已公布除息日，则直接采用。 * 若未公布，则根据公司是否已公布分红预案、所处阶段（预案/决案）以及历史分红日期间隔的稳定性，选择使用历史日期或基于公告日进行线性外推。 * 若无可靠历史日期或预测日期不合理，则根据大多数公司分红集中在7月底前的规律，设置一个默认日期（如7月31日、8月31日或9月30日）作为预测除息日[59]。 2. **因子名称：已实现股息率与剩余股息率**[3][17] * **因子构建思路**：为了监控指数成分股分红的实施进度，将全年股息率拆分为已实现部分和待实现部分，分别反映已分红和待分红股票对指数股息率的贡献[17]。 * **因子具体构建过程**： 1. **已实现股息率**：计算本年度内**已完成现金分红**的成分股，其分红总额相对于其总市值的加权占比[17]。 $$已实现股息率 = \sum_{i=1}^{N_1} [\frac{个股已分红金额}{个股总市值} \times 个股权重]$$ 其中，`N1` 表示指数中今年已现金分红的公司数量[17]。 2. **剩余股息率**：计算本年度内**尚未进行现金分红**的成分股，其**预计**分红总额相对于其总市值的加权占比[17]。 $$剩余股息率 = \sum_{i=1}^{N_2} [\frac{个股待分红金额}{个股总市值} \times 个股权重]$$ 其中，`N2` 表示指数中尚未现金分红的公司数量，`个股待分红金额` 使用预测值（参见分红点位测算模型）[17]。 3. **因子名称：行业股息率中位数**[2][15] * **因子构建思路**：为了横向比较不同行业的分红吸引力，统计行业内已公布分红预案股票的股息率中位数[15]。 * **因子具体构建过程**：对于每个行业，筛选出当前已披露分红预案的个股，计算每只个股的预案股息率（预案分红金额 / 当前总市值），然后取该行业所有股票股息率的中位数[15]。 模型的回测效果 * **股指分红点位测算模型**：模型在2024年和2025年对主要股指的全年分红点位预测误差基本稳定。对于上证50和沪深300指数，预测误差基本在5个指数点左右；对于中证500和中证1000指数，预测误差稍大，基本稳定在10个指数点左右[64]。对于股指期货合约（从当前至到期日）的分红点位预测，模型对各合约也具有较好的预测准确性[64]。 因子的回测效果 * **已实现股息率与剩余股息率因子**（截至2026年4月15日数据）[3]： * **上证50指数**：已实现股息率 0.00%，剩余股息率 2.43% * **沪深300指数**：已实现股息率 0.01%，剩余股息率 1.93% * **中证500指数**：已实现股息率 0.01%，剩余股息率 1.12% * **中证1000指数**：已实现股息率 0.00%，剩余股息率 0.89% * **行业股息率中位数因子**（基于已公布分红预案的股票统计）：煤炭、银行和钢铁行业的股息率排名前三[2][15]。