量化模型与构建方式 1. **模型名称：三维择时框架**[5][8] * **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，综合判断市场状态，进行择时判断[5][8]。 * **模型具体构建过程**：模型基于三个核心指标进行判断： 1. **分歧度**：衡量市场参与者观点的离散程度，上行趋势表示市场分歧加大[5][8]。 2. **流动性**：衡量市场资金面的松紧程度，下行趋势表示流动性趋紧[5][8]。 3. **景气度**：衡量宏观经济或企业盈利的景气程度，下行趋势表示景气度回落[5][8]。 综合三个指标的趋势（上行或下行）进行组合判断，例如“分歧度↑-流动性↓-景气度↓”对应“震荡下跌”的市场判断[5][8]。 2. **模型名称：热点趋势ETF策略**[32] * **模型构建思路**：基于ETF价格形态（最高价与最低价）的上涨趋势和短期市场关注度（换手率）来筛选ETF，构建投资组合[32]。 * **模型具体构建过程**： 1. **形态筛选**：首先筛选出最高价与最低价同时呈现上涨形态的ETF[32]。 2. **构建支撑阻力因子**：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[32]。 3. **关注度筛选**：在支撑阻力因子的多头组中，选择近5日换手率/近20日换手率最高的10只ETF，即短期市场关注度明显提升的品种[32]。 4. **组合构建**：对最终选出的10只ETF采用风险平价方法构建投资组合[32]。 3. **模型名称：融资-主动大单资金流共振策略**[40] * **模型构建思路**：结合融资融券资金流和主动大单资金流两个维度，寻找资金面产生共振的行业进行配置[37][40]。 * **模型具体构建过程**： 1. **构建行业融资融券资金因子**：计算行业个股的（融资净买入-融券净卖出）并加总，经过Barra市值因子中性化处理，取最近50日均值后的两周环比变化率[40]。 2. **构建行业主动大单资金因子**：计算行业主动大单净流入，经过最近一年成交量时序中性化处理，得到排序分位，并取最近10日均值[40]。 3. **策略逻辑**：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，剔除融资融券因子头部的行业，以提高策略稳定性[40]。 4. **行业剔除**：进一步剔除大金融板块[40]。 4. **模型名称：全天候配置模型**[44] * **模型构建思路**：通过资产选择、风险调整和结构对冲三项原则，构建不依赖宏观预测、追求长期收益稳定的分散化投资组合[44]。 * **模型具体构建过程**：采用循环对冲设计对冲构型，绕过宏观因素刻画，直接针对资产波动进行长期收益平衡[44]。按风险水平分为两个版本： 1. **高波版**：采用“四层结构化-股债金风险平价”构型[44][48]。 2. **低波版**：采用“五层结构化-风险预算”构型[44][53]。 模型的回测效果 1. **三维择时框架**：模型保持“震荡下跌”判断[5][8]。 2. **热点趋势ETF策略**：组合2025年以来收益58.34%，相比沪深300指数的超额收益为38.80%[5][32]。 3. **融资-主动大单资金流共振策略**：策略2018年以来费后年化超额收益14.3%，IR 1.4[40]。策略上周（截至报告期）实现-2.53%的绝对收益与1.88%的超额收益（相对行业等权）[40]。 4. **全天候配置模型（高波版）**：截至2025年，年化收益率11.8%，年平均最大回撤3.6%，夏普比率1.9[53]。2026年以来收益率1.9%[5][53]。 5. **全天候配置模型（低波版）**：截至2025年，年化收益率6.7%，年平均最大回撤2.0%，夏普比率2.4[53]。2026年以来收益率1.1%[5][53]。 量化因子与构建方式 1. **因子名称：风格因子（市值、盈利收益率、成长等）**[56] * **因子构建思路**：报告跟踪了包括市值、贝塔、动量、波动率、非线性市值、价值、流动性、盈利收益率、成长、杠杆在内的多个风格因子表现[57]。 * **因子具体构建过程**：未详细说明具体计算方式，但提及风格因子收益为多头减空头的收益表现[56][57]。 2. **因子名称：过去1个月的收益率标准差 (return std 1m)**[61][62] * **因子构建思路**：使用股票过去1个月收益率的标准差来衡量其近期波动[61][62]。 * **因子具体构建过程**：计算个股过去1个月（约21个交易日）日收益率的样本标准差[62]。 3. **因子名称：近63交易日平均换手率的自然对数 (swap 3m)**[61][62] * **因子构建思路**：使用近期换手率的自然对数来度量股票的流动性或交易活跃度[61][62]。 * **因子具体构建过程**：计算个股最近63个交易日的平均换手率，然后取其自然对数[62]。 4. **因子名称：过去1个月的平均换手率 (turnover mean 1m)**[61][62] * **因子构建思路**：使用近期平均换手率直接度量股票的流动性或交易活跃度[61][62]。 * **因子具体构建过程**：计算个股过去1个月（约21个交易日）的日换手率平均值[62]。 5. **因子名称：评级上下调差/评级上下调和 (est num diff)**[63][64] * **因子构建思路**：通过分析师评级上调与下调的家数差异，衡量市场对个股的一致预期变化[63][64]。 * **因子具体构建过程**：因子定义为（评级上调家数 - 评级下调家数）/（评级上调家数 + 评级下调家数）[64]。 6. **因子名称：十二个月残差动量 (specific mom12)**[63][64] * **因子构建思路**：使用剔除市场风险后的残差收益来衡量个股的特异性动量[63][64]。 * **因子具体构建过程**：未给出具体公式，但通常为个股过去12个月收益率对市场指数收益率回归后的残差序列计算的动量[64]。 7. **因子名称：近一个月一致预期净利润变化（FY1）占比 (mom1 np fy1)**[63][64] * **因子构建思路**：衡量近期市场对个股未来一年净利润一致预期的调整幅度[63][64]。 * **因子具体构建过程**：因子定义为（当前一致预测净利润FY1 - 1个月前一致预测净利润FY1）/ abs(1个月前一致预测净利润FY1)[64]。 8. **因子名称：单季度净利润同比增长 (考虑快报、预告) (yoy np q adv)**[63][64] * **因子构建思路**：使用包含业绩快报和预告信息的最新单季度净利润同比增长数据[63][64]。 * **因子具体构建过程**：未给出具体公式，但为基于最新财务信息（含快报、预告）计算的单季度净利润同比增长率[64]。 因子的回测效果 1. **风格因子（最近一周）**：市值因子收益1.59%，盈利收益率因子收益0.76%，成长因子收益0.42%，贝塔因子收益-2.34%，动量因子收益-2.20%，波动率因子收益-0.79%，流动性因子收益-1.87%[56][57]。 2. **过去1个月的收益率标准差 (return std 1m)**：近一周多头超额收益1.27%，近一个月多头超额收益1.14%[61][62]。 3. **近63交易日平均换手率的自然对数 (swap 3m)**：近一周多头超额收益1.26%，近一个月多头超额收益0.83%[61][62]。 4. **过去1个月的平均换手率 (turnover mean 1m)**：近一周多头超额收益1.26%，近一个月多头超额收益1.12%[61][62]。 5. **评级上下调差/评级上下调和 (est num diff)**：最近一年在沪深300指数中的多头超额收益33.24%[63][64]。 6. **十二个月残差动量 (specific mom12)**：最近一年在沪深300指数中的多头超额收益32.93%[63][64]。 7. **近一个月一致预期净利润变化（FY1）占比 (mom1 np fy1)**：最近一年在中证500指数中的多头超额收益16.98%[63][64]。 8. **单季度净利润同比增长 (考虑快报、预告) (yoy np q adv)**：最近一年在中证1000指数中的多头超额收益22.83%[63][64]。

量化模型与构建方式 1. **模型名称：基金仓位测算模型**[2][13] * **模型构建思路**：通过数理统计方法估算公募主动权益基金在特定行业（如有色金属）上的配置比例，以监测机构持仓的集中度变化[2][13]。 * **模型具体构建过程**：报告未详细描述该模型的构建过程和具体公式，仅提及模型用于测算基金仓位[2][13]。 2. **模型名称：价格分段体系**[16][19] * **模型构建思路**：对指数价格序列进行分析，识别不同时间尺度（如日线、周线）上的价格走势结构，以判断市场所处的状态（如震荡）[16][19]。 * **模型具体构建过程**：报告未详细描述该模型的构建过程和具体公式。图表显示其分析结果包含“日线”、“周线”和“dea”指标，可能涉及移动平均或趋势分解技术[19]。 3. **模型名称：微观市场结构择时模型（知情交易者活跃度指标）**[17][20] * **模型构建思路**：构建一个反映知情交易者（即掌握非公开信息的交易者）活跃程度的指标，用于判断市场情绪和预测短期走势[17][20]。 * **模型具体构建过程**：报告未详细描述该指标的具体构建过程和计算公式。其数值可正可负，零轴上下代表不同的市场含义[17][20]。 模型的回测效果 （报告中未提供上述量化模型的具体回测效果指标取值。） 量化因子与构建方式 1. **因子名称：BARRA风格因子体系**[22][23] * **因子构建思路**：采用经典的BARRA多因子模型框架，从多个维度（基本面、市场、风险等）刻画股票收益的来源，以监测市场风格偏好[22][23]。 * **因子具体构建过程**：报告未详细描述每个因子的具体构建公式。但列出了本周监测的因子列表及其收益，包括： * **基本面与价值类**：换手、财务杠杆、盈利波动、盈利质量、盈利能力、投资质量、长期反转、EP价值、BP价值、成长、股息率[23]。 * **市场与交易类**：动量、非线性市值、市值、波动率、贝塔[23]。 因子的回测效果 1. **BARRA风格因子**，**本周收益（%）**：换手 -0.4%， 财务杠杆 -0.3%， 盈利波动 0.4%， 盈利质量 0.0%， 盈利能力 0.1%， 投资质量 -0.2%， 长期反转 0.0%， EP价值 -0.4%， BP价值 -0.3%， 成长 0.1%， 动量 -0.6%， 非线性市值 0.1%， 市值 0.5%， 波动率 0.7%， 贝塔 0.1%， 股息率 0.5%[23]。

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，综合判断市场状态，进行择时判断[8]。 * **模型具体构建过程：** 模型基于三个核心指标：市场分歧度指数、市场流动性指数、A股景气度指数2.0[13][26][24]。通过观察这三个指标的趋势（上行或下行）及其组合状态，形成对市场走势（如震荡下跌）的判断[8]。例如，当流动性保持下行趋势、分歧度保持上行趋势、景气度保持下行趋势时，框架判断市场为震荡下跌[8]。 2. **模型名称：热点趋势ETF策略** * **模型构建思路：** 结合价格形态（支撑阻力）和市场关注度（换手率变化），筛选出具有短期趋势和热度的ETF构建组合[32]。 * **模型具体构建过程：** 首先，根据K线形态，筛选出最高价与最低价同时呈现上涨形态的ETF[32]。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，并选择该因子得分处于多头组的ETF[32]。最后，在多头组中，选择近5日换手率与近20日换手率比值最高的10只ETF，即短期市场关注度明显提升的品种，构建风险平价组合[32]。 3. **模型名称：融资-主动大单资金流共振策略** * **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数据，寻找两种资金流产生共振效应的行业进行配置，以提高策略稳定性[40]。 * **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）进行行业加总，然后进行Barra市值因子中性化处理，再计算其最近50日均值，最后计算该均值的两周环比变化率[40]。 2. **构建行业主动大单资金因子：** 对行业的主动大单净流入数据进行最近一年成交量时序中性化处理，然后进行排序并计算最近10日均值[40]。 3. **策略逻辑：** 研究发现，融资融券因子的多头端在不同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[40]。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[40]。最后，再剔除大金融板块[40]。 4. **模型名称：全天候配置策略（高波版与低波版）** * **模型构建思路：** 通过循环对冲设计对冲构型，绕过对宏观因素的直接预测，直接针对资产波动进行长期收益平衡，旨在获取稳健的绝对收益，不依赖杠杆、预测或宏观假设[44]。 * **模型具体构建过程：** 策略遵循资产选择、风险调整、结构对冲三项基本原则[44]。具体采用循环对冲设计对冲构型[44]。根据风险水平不同，分为两个版本： * **高波版：** 采用四层结构化-股债金风险平价模型[44][48]。 * **低波版：** 采用五层结构化-风险预算模型[49][53]。 模型的回测效果 1. **三维择时框架**，模型评价：用于判断市场整体状态，本周保持震荡下跌判断[8]。 2. **热点趋势ETF策略**，2025年以来收益58.34%，相比沪深300指数的超额收益为38.80%[32]。 3. **融资-主动大单资金流共振策略**，2018年以来费后年化超额收益14.3%，信息比率（IR）1.4[40]；策略上周实现-2.53%的绝对收益与1.88%的超额收益（相对行业等权）[40]；模型评价：相对北向-大单共振策略回撤更小[40]。 4. **全天候配置策略（高波版）**，截至2025年年化收益率11.8%，年平均最大回撤3.6%，夏普比率1.9[53]；2026年以来收益率1.9%[53]。 5. **全天候配置策略（低波版）**，截至2025年年化收益率6.7%，年平均最大回撤2.0%，夏普比率2.4[53]；2026年以来收益率1.1%[53]。 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：** 根据ETF价格最高价和最低价近期的回归趋势陡峭程度，判断其支撑或阻力强度[32]。 * **因子具体构建过程：** 分别对ETF的最高价和最低价进行近20日的线性回归，根据回归系数的相对陡峭程度构建因子[32]。 2. **因子名称：行业融资融券资金因子** * **因子构建思路：** 衡量经过市值调整后的行业层面融资资金净流入的近期变化趋势[40]。 * **因子具体构建过程：** 因子 = 两周环比变化率( 最近50日均值( Barra市值中性化后的(行业∑(个股融资净买入-融券净卖出) ) ) )[40]。 3. **因子名称：行业主动大单资金因子** * **因子构建思路：** 衡量经过成交量调整后的行业主动大单资金净流入的近期强度[40]。 * **因子具体构建过程：** 因子 = 最近10日均值( 排序( 最近一年成交量时序中性化后的行业主动大单净流入 ) )[40]。 4. **风格因子组**：报告跟踪了市值、贝塔、动量、波动率、非线性市值、价值、流动性、盈利收益率、成长、杠杆等风格因子[57]。 5. **Alpha因子组**：报告从多维度观察了不同Alpha因子的表现，包括过去1个月的收益率标准差(`return std 1m`)、近63交易日平均换手率的自然对数(`swap 3m`)、过去1个月的平均换手率(`turnover mean 1m`)等[61][62]。除规模因子仅进行行业中性化外，其他因子均进行了市值和行业中性化处理[60]。 因子的回测效果 1. **风格因子近期表现**： * **市值因子**，本周收益1.59%，最近一月收益2.88%，本年收益-2.92%[57]。 * **盈利收益率因子**，本周收益0.76%，最近一月收益1.18%，本年收益-0.41%[57]。 * **成长因子**，本周收益0.42%，最近一月收益1.18%，本年收益1.95%[57]。 * **贝塔因子**，本周收益-2.34%，最近一月收益3.90%，本年收益7.91%[57]。 * **动量因子**，本周收益-2.20%，最近一月收益0.37%，本年收益1.51%[57]。 * **波动率因子**，本周收益-0.79%，最近一月收益-3.21%，本年收益-3.62%[57]。 * **流动性因子**，本周收益-1.87%，最近一月收益0.36%，本年收益0.38%[57]。 2. **Alpha因子近期表现（近一周多头超额）**： * **过去1个月的收益率标准差(`return std 1m`)**，近一周多头超额1.27%，近一个月多头超额1.14%[62]。 * **近63交易日平均换手率的自然对数(`swap 3m`)**，近一周多头超额1.26%，近一个月多头超额0.83%[62]。 * **过去1个月的平均换手率(`turnover mean 1m`)**，近一周多头超额1.26%，近一个月多头超额1.12%[62]。 3. **Alpha因子分指数表现（最近一年多头超额）**： * **评级上下调差/评级上下调和(`est num diff`)**，在沪深300中多头超额33.24%，在中证500中多头超额6.99%，在中证800中多头超额22.93%，在中证1000中多头超额6.15%[64]。 * **十二个月残差动量(`specific mom12`)**，在沪深300中多头超额32.93%，在中证500中多头超额10.27%，在中证800中多头超额24.75%，在中证1000中多头超额10.99%[64]。 * **单季度净利润同比增长 (`yoy np q adv`)**，在沪深300中多头超额24.01%，在中证500中多头超额12.78%，在中证800中多头超额25.76%，在中证1000中多头超额22.83%[64]。 * **近一个月一致预期净利润变化（FY1）占比(`mom1 np fy1`)**，在沪深300中多头超额16.99%，**在中证500中多头超额16.98%**，在中证800中多头超额25.58%，在中证1000中多头超额9.70%[64]。

量化模型与构建方式 1. **模型名称：择时雷达六面图综合择时模型** * 模型构建思路：从流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取二十一个指标对市场进行综合刻画，并概括为“估值性价比”、“宏观基本面”、“资金&趋势”、“拥挤度&反转”四大类，最终生成一个介于[-1,1]之间的综合择时分数[1][6] * 模型具体构建过程：首先，对每个单指标进行构建和标准化处理，将其转化为[-1, 0, 1]或连续标准化后的择时分数。然后，将六个维度的单指标分数汇总，形成每个维度的综合得分。最后，将六个维度的得分（或四大类得分）进一步综合，生成最终的[-1,1]区间内的市场择时观点[1][6] 量化因子与构建方式 1. **因子名称：货币方向因子** * 因子构建思路：通过比较货币政策工具利率与短端市场利率相对于90天前的平均变化方向，来判断当前货币政策是宽松还是收紧[10] * 因子具体构建过程：选取央行货币政策工具利率与短端市场利率，计算其相较于90天前的平均变化方向。若因子值>0，则判断货币政策宽松，发出看多信号（分数为1）；若因子值<0，则判断货币政策收紧，发出看空信号（分数为-1）[10] 2. **因子名称：货币强度因子** * 因子构建思路：基于“利率走廊”概念，通过计算短端市场利率相对于政策利率的偏离幅度，来表征货币环境的松紧强度[13] * 因子具体构建过程：计算偏离度 = DR007 / 7天逆回购利率 - 1，并对该偏离度进行平滑与z-score标准化，形成货币强度因子。若因子值 < -1.5倍标准差，则预期未来120个交易日为宽松环境，指标分数为1；若因子值 > 1.5倍标准差，则预期未来120个交易日指标分数为-1；否则为中性，分数为0[13] 3. **因子名称：信用方向因子** * 因子构建思路：使用中长期贷款指标的同比变化方向，来表征商业银行对实体经济的信贷传导是趋于宽松还是收紧[16] * 因子具体构建过程：计算中长期贷款当月值在过去十二个月的增量，并计算其同比值作为信用方向因子。若该因子值相比于三个月之前上升，则看多，分数为1；反之则看空，分数为-1[16] 4. **因子名称：信用强度因子** * 因子构建思路：捕捉新增人民币贷款数据是否大幅超预期或不及预期，以衡量信用扩张的强度[20] * 因子具体构建过程：计算信用强度因子 = (新增人民币贷款当月值 – 预期中位数) / 预期标准差。若因子值 > 1.5倍标准差，则定义未来60个交易日为信用显著超预期环境，分数为1；若因子值 < -1.5倍标准差，则未来60个交易日分数为-1；否则为中性，分数为0[20] 5. **因子名称：增长方向因子** * 因子构建思路：基于PMI数据的同比变化方向，来判断经济增长的趋势是向上还是向下[23] * 因子具体构建过程：选取中采制造业PMI、中采非制造业PMI、财新制造业PMI，计算其过去十二个月均值的同比值作为增长方向因子。若该因子值相比于三个月之前上升，则看多，分数为1；反之则看空，分数为-1[23] 6. **因子名称：增长强度因子** * 因子构建思路：捕捉PMI数据是否大幅超预期或不及预期，以衡量经济增长的强度[26] * 因子具体构建过程：计算PMI预期差 = (PMI – 预期中位数) / 预期标准差，作为增长强度因子。若因子值 > 1.5倍标准差，则定义未来60个交易日为增长显著超预期环境，分数为1；若因子值 < -1.5倍标准差，则未来60个交易日分数为-1[26] 7. **因子名称：通胀方向因子** * 因子构建思路：结合CPI和PPI的同比数据，判断通胀水平的变化方向，通胀下行通常为权益资产利好[29] * 因子具体构建过程：计算通胀方向因子 = 0.5 × CPI同比平滑值 + 0.5 × PPI同比原始值。若该因子值相较于三个月之前降低，则说明是通胀下行环境，此时看多，分数为1；反之看空，分数为-1[29] 8. **因子名称：通胀强度因子** * 因子构建思路：捕捉CPI和PPI数据是否大幅超预期或不及预期，以衡量通胀的强度[32] * 因子具体构建过程：分别计算CPI与PPI的预期差 = (披露值 – 预期中位数) / 预期标准差，并取两者的均值作为通胀强度因子。若通胀强度因子 < -1.5倍标准差，则定义未来60个交易日为通胀显著不及预期环境，分数为1；若因子值 > 1.5倍标准差，则未来60个交易日分数为-1[32] 9. **因子名称：席勒ERP因子** * 因子构建思路：使用经过周期调整的盈利（席勒PE）来计算股权风险溢价，以衡量股票相对于债券的长期估值性价比[34] * 因子具体构建过程：计算过去6年通胀调整后的平均盈利得到席勒PE，然后计算席勒ERP = 1/席勒PE - 10年期国债到期收益率。最后，计算该ERP值在过去6年时间窗口内的z-score作为分数[34] 10. **因子名称：PB因子** * 因子构建思路：使用市净率（PB）的倒数并标准化，作为衡量市场估值水平的指标[36] * 因子具体构建过程：将PB取相反数（PB × (-1)），并计算其过去6年时间窗口内的z-score，再用1.5倍标准差进行截尾处理，最后标准化到±1之间得到分数[36] 11. **因子名称：AIAE因子** * 因子构建思路：通过计算全市场权益资产配置比例，来反映市场整体的风险偏好水平[39] * 因子具体构建过程：构建A股的AIAE指标 = 中证全指总流通市值 / (中证全指总流通市值 + 实体总债务)。将该指标取相反数（AIAE × (-1)），并计算其过去6年时间窗口内的z-score得到分数[39] 12. **因子名称：两融增量因子** * 因子构建思路：通过比较融资融券余额的短期和长期平均增量，来判断杠杆资金的情绪和流向[42] * 因子具体构建过程：计算融资余额与融券余额的差值，并分别计算其过去120日的均增量和过去240日的均增量。若120日均增量 > 240日均增量，则看多，分数为1；反之看空，分数为-1[42] 13. **因子名称：成交额趋势因子** * 因子构建思路：通过分析成交额均线系统的排列关系，来判断市场成交热度和资金活跃度的趋势[45] * 因子具体构建过程：计算对数成交额的均线距离 = ma120 / ma240 - 1。当该均线距离的 max(10日) = max(30日) = max(60日) 时，发出看多信号，分数为1；当 min(10日) = min(30日) = min(60日) 时，发出看空信号，分数为-1；否则为中性，分数为0[45] 14. **因子名称：中国主权CDS利差因子** * 因子构建思路：将中国主权CDS利差的变化作为海外投资者对中国经济基本面预期和外资流入意愿的代理变量[48] * 因子具体构建过程：对平滑后的CDS利差计算其20日差分。若20日差分 < 0，说明CDS利差下降，海外预期转好，此时看多，分数为1；反之看空，分数为-1[48] 15. **因子名称：海外风险厌恶指数因子** * 因子构建思路：使用花旗风险厌恶指数（Citi RAI Index）的变化来衡量海外市场的整体风险偏好，进而影响外资流向[51] * 因子具体构建过程：对平滑后的风险厌恶指数计算其20日差分。若20日差分 < 0，说明外资风险偏好上升，此时看多，分数为1；反之看空，分数为-1[51] 16. **因子名称：价格趋势因子** * 因子构建思路：结合均线距离的方向和强度，来综合判断市场中长期的价格运行趋势[53] * 因子具体构建过程：首先计算价格均线距离 = ma120 / ma240 - 1。方向判断：若均线距离 > 0，趋势方向分数 = 1，反之为 -1。强度判断：若均线距离的 max(20日) = max(60日)，趋势强度分数为1；若 min(20日) = min(60日)，趋势强度分数为-1。最终趋势综合分数 = (趋势方向分数 + 趋势强度分数) / 2[53] 17. **因子名称：新高新低数因子** * 因子构建思路：将指数成分股创一年新高与新低的个股数量差作为市场反转信号，新低过多预示可能见底，新高过多预示可能见顶[56] * 因子具体构建过程：计算中证800成分股中，过去一年新低数减去新高数的差值，并取20日移动平均。若该平滑后的差值 > 0，说明近期新低较多，市场有见底预期，此时看多，分数为1；反之看空，分数为-1[56] 18. **因子名称：期权隐含升贴水因子** * 因子构建思路：将期权市场隐含的标的未来升贴水作为反转指标，用于衡量市场情绪的拥挤度[60] * 因子具体构建过程：若50ETF近5日收益率 < 0，且该指标的历史分位数 < 30%，则发出看多信号，持续20日，分数为1；若50ETF近5日收益率 > 0，且指标分位数 > 70%，则发出看空信号，持续20日，分数为-1[60] 19. **因子名称：期权VIX因子** * 因子构建思路：将期权隐含波动率（VIX）作为市场恐慌情绪和未来波动预期的指标，高VIX往往预示市场反转[61] * 因子具体构建过程：若50ETF近5日收益率 < 0，且VIX指标的历史分位数 > 70%，则发出看多信号，持续20日，分数为1；若50ETF近5日收益率 > 0，且VIX指标分位数 > 70%，则发出看空信号，持续20日，分数为-1[61] 20. **因子名称：期权SKEW因子** * 因子构建思路：将期权隐含偏度（SKEW）作为市场情绪和未来分布偏度的指标，用于判断市场反转[65] * 因子具体构建过程：若50ETF近5日收益率 < 0，且SKEW指标的历史分位数 > 70%，则发出看多信号，持续20日，分数为1；若50ETF近5日收益率 > 0，且SKEW指标分位数 < 30%，则发出看空信号，持续20日，分数为-1[65] 21. **因子名称：可转债定价偏离度因子** * 因子构建思路：通过计算可转债实际价格与模型理论定价的偏离度，来反映通过可转债暴露权益弹性的资金的拥挤情绪[68] * 因子具体构建过程：计算可转债定价偏离度 = 转债价格 / 模型定价 - 1。将该偏离度取相反数，并计算其过去3年时间窗口内的z-score作为分数。定价偏离度越高，拥挤度越高，分数越低[68] 模型的回测效果 * 本报告未提供择时雷达六面图综合择时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、信息比率IR等）的具体数值。 因子的回测效果 * 本报告提供了全部21个单因子在报告当周（最新）的择时信号分数，具体取值如下[9]： 1. 货币方向因子，当前分数：1.00 2. 货币强度因子，当前分数：0.00 3. 信用方向因子，当前分数：1.00 4. 信用强度因子，当前分数：0.00 5. 增长方向因子，当前分数：-1.00 6. 增长强度因子，当前分数：-1.00 7. 通胀方向因子，当前分数：-1.00 8. 通胀强度因子，当前分数：-1.00 9. 席勒ERP因子，当前分数：0.05 10. PB因子，当前分数：-0.57 11. AIAE因子，当前分数：-0.80 12. 两融增量因子，当前分数：-1.00 13. 成交额趋势因子，当前分数：0.00 14. 中国主权CDS利差因子，当前分数：-1.00 15. 海外风险厌恶指数因子，当前分数：-1.00 16. 价格趋势因子，当前分数：1.00 17. 新高新低数因子，当前分数：-1.00 18. 期权隐含升贴水因子，当前分数：1.00 19. 期权VIX因子，当前分数：1.00 20. 期权SKEW因子，当前分数：1.00 21. 可转债定价偏离度因子，当前分数：-1.00

量化模型与构建方式 1. **模型名称：进取组合**；模型构建思路：基于多因子模型构建的积极型股票组合[7][8] 2. **模型名称：平衡组合**；模型构建思路：基于多因子模型构建的稳健型股票组合[7][8] 3. **模型名称：沪深300增强组合**；模型构建思路：以跑赢沪深300指数为目标的量化增强策略[5][7] 4. **模型名称：中证500增强组合**；模型构建思路：以跑赢中证500指数为目标的量化增强策略[5][7] 5. **模型名称：中证1000增强组合**；模型构建思路：以跑赢中证1000指数为目标的量化增强策略[5][7] 6. **模型名称：绩优基金的独门重仓股组合**；模型构建思路：选取绩优基金所持有的非主流重仓股构建组合[5][7] 7. **模型名称：盈利、增长、现金流三者兼优组合**；模型构建思路：筛选在盈利、增长和现金流三个基本面维度均表现优异的股票[5][7] 8. **模型名称：PB-盈利优选组合**；模型构建思路：结合低市净率（PB）和高盈利能力的选股策略[5][7] 9. **模型名称：GARP组合**；模型构建思路：采用“合理价格成长”策略，寻找具有成长性且估值合理的股票[5][7] 10. **模型名称：小盘价值优选组合1**；模型构建思路：在小盘股中筛选具备价值属性的股票[7][37] 11. **模型名称：小盘价值优选组合2**；模型构建思路：另一种在小盘股中筛选价值股的方法[7][39] 12. **模型名称：小盘成长组合**；模型构建思路：在小盘股中筛选具备高成长属性的股票[5][7] 模型的回测效果 1. **进取组合**，周收益率-7.64%[9]，月收益率-10.00%[9]，年收益率9.48%[9]，周超额收益-1.82%[9]，月超额收益0.38%[9]，年超额收益5.53%[9]，跟踪误差22.00%[9]，最大相对回撤6.14%[9] 2. **平衡组合**，周收益率-6.73%[9]，月收益率-8.48%[9]，年收益率8.65%[9]，周超额收益-0.91%[9]，月超额收益1.89%[9]，年超额收益4.70%[9]，跟踪误差18.75%[9]，最大相对回撤4.99%[9] 3. **沪深300增强组合**，周收益率-4.58%[9]，月收益率-5.98%[9]，年收益率3.21%[9]，周超额收益-2.40%[9]，月超额收益-2.93%[9]，年超额收益4.57%[9]，跟踪误差7.44%[9]，最大相对回撤3.67%[9] 4. **中证500增强组合**，周收益率-5.25%[9]，月收益率-9.32%[9]，年收益率3.54%[9]，周超额收益0.58%[9]，月超额收益1.06%[9]，年超额收益-0.40%[9]，跟踪误差7.57%[9]，最大相对回撤3.17%[9] 5. **中证1000增强组合**，周收益率-4.37%[9]，月收益率-8.71%[9]，年收益率5.03%[9]，周超额收益0.87%[9]，月超额收益0.37%[9]，年超额收益2.56%[9]，跟踪误差8.21%[9]，最大相对回撤2.32%[9] 6. **绩优基金的独门重仓股组合**，周收益率-5.13%[9]，月收益率-13.20%[9]，年收益率1.91%[9]，周超额收益-2.77%[9]，月超额收益-8.43%[9]，年超额收益0.22%[9]，跟踪误差25.14%[9]，最大相对回撤8.93%[9] 7. **盈利、增长、现金流三者兼优组合**，周收益率-5.41%[9]，月收益率-11.81%[9]，年收益率-14.83%[9]，周超额收益-3.22%[9]，月超额收益-8.76%[9]，年超额收益-13.47%[9]，跟踪误差15.01%[9]，最大相对回撤15.84%[9] 8. **PB-盈利优选组合**，周收益率-4.29%[9]，月收益率-4.39%[9]，年收益率3.12%[9]，周超额收益-2.11%[9]，月超额收益-1.34%[9]，年超额收益4.48%[9]，跟踪误差12.84%[9]，最大相对回撤2.38%[9] 9. **GARP组合**，周收益率-5.80%[9]，月收益率-7.04%[9]，年收益率6.02%[9]，周超额收益-3.62%[9]，月超额收益-3.99%[9]，年超额收益7.38%[9]，跟踪误差11.69%[9]，最大相对回撤3.99%[9] 10. **小盘价值优选组合1**，周收益率-5.85%[9]，月收益率-7.96%[9]，年收益率3.42%[9]，周超额收益1.06%[9]，月超额收益0.99%[9]，年超额收益-4.03%[9]，跟踪误差12.01%[9]，最大相对回撤9.26%[9] 11. **小盘价值优选组合2**，周收益率-6.44%[9]，月收益率-8.78%[9]，年收益率8.20%[9]，周超额收益0.47%[9]，月超额收益0.17%[9]，年超额收益0.75%[9]，跟踪误差12.28%[9]，最大相对回撤5.84%[9] 12. **小盘成长组合**，周收益率-5.81%[9]，月收益率-8.95%[9]，年收益率3.86%[9]，周超额收益1.10%[9]，月超额收益0.00%[9]，年超额收益-3.60%[9]，跟踪误差11.11%[9]，最大相对回撤7.41%[9] 量化因子与构建方式 1. **因子名称：市值因子**；因子具体构建过程：按照股票的总市值进行排序，构建多空组合[44][45] 2. **因子名称：PB因子**；因子具体构建过程：按照股票的市净率（PB）进行排序，构建多空组合[44][45] 3. **因子名称：PE_TTM因子**；因子具体构建过程：按照股票的滚动市盈率（PE_TTM）进行排序，构建多空组合[44][45] 4. **因子名称：反转因子**；因子具体构建过程：按照股票过去一段时间的涨幅进行排序，低涨幅股票为多头，高涨幅股票为空头，构建多空组合[44][50] 5. **因子名称：换手率因子**；因子具体构建过程：按照股票的换手率进行排序，低换手率股票为多头，高换手率股票为空头，构建多空组合[44][50] 6. **因子名称：波动率因子**；因子具体构建过程：按照股票价格的波动率进行排序，低波动率股票为多头，高波动率股票为空头，构建多空组合[44][50] 7. **因子名称：ROE因子**；因子具体构建过程：按照股票的净资产收益率（ROE）进行排序，构建多空组合[44][53] 8. **因子名称：SUE因子**；因子具体构建过程：按照标准化未预期盈余（SUE）进行排序，构建多空组合[44][53] 9. **因子名称：预期净利润调整因子**；因子具体构建过程：按照分析师对净利润预期的调整幅度进行排序，构建多空组合[44][53] 因子的回测效果 **（注：以下为上周（2026.03.13-2026.03.20）全市场范围内的因子表现）** 1. **市值因子**，多头收益-1.45%[45]，空头收益0.76%[45]，多空收益-2.22%[45] 2. **PB因子**，多头收益0.92%[45]，空头收益0.98%[45]，多空收益-0.06%[45] 3. **PE_TTM因子**，多头收益0.54%[45]，空头收益-0.01%[45]，多空收益0.55%[45] 4. **反转因子**，多头收益0.66%[50]，空头收益-1.33%[50]，多空收益1.99%[50] 5. **换手率因子**，多头收益1.77%[50]，空头收益-0.46%[50]，多空收益2.23%[50] 6. **波动率因子**，多头收益2.18%[50]，空头收益-0.82%[50]，多空收益3.00%[50] 7. **ROE因子**，多头收益0.77%[53]，空头收益0.35%[53]，多空收益0.42%[53] 8. **SUE因子**，多头收益0.38%[53]，空头收益-0.09%[53]，多空收益0.48%[53] 9. **预期净利润调整因子**，多头收益0.32%[53]，空头收益-0.40%[53]，多空收益0.72%[53]

量化择时和拥挤度预警周报（20260320）内容总结 量化模型与构建方式 1. **模型名称：情绪择时模型**[13] * **模型构建思路**：通过构建涨跌停板相关因子来刻画市场的情绪强弱[13] * **模型具体构建过程**：模型包含多个细分情绪因子，包括净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益[17]。每个因子给出一个信号（0或1），综合这些信号得出一个总得分（满分5分）[13][17]。具体计算过程参考了专题报告《从涨停板、打板策略到赚钱效应引发的情绪择时指标》[13]。 2. **模型名称：趋势模型**[13] * **模型构建思路**：未明确说明，但从上下文看，是基于技术分析判断市场趋势的模型。 * **模型具体构建过程**：未详细说明。 3. **模型名称：加权模型**[13] * **模型构建思路**：未明确说明，可能是对多个模型信号进行加权综合的模型。 * **模型具体构建过程**：未详细说明。 4. **模型名称：高频资金流择时模型**[13] * **模型构建思路**：通过分析高频资金流的走势，对主要宽基指数发出买入或卖出信号[13]。 * **模型具体构建过程**：模型针对不同风险偏好的投资者，输出“激进多头”、“激进多空”、“稳健多头”、“稳健多空”四种信号[17]。具体计算过程参考了专题报告《高频资金流如何辅助宽基择时决策》[13]。 5. **模型/指标名称：均线强弱指数**[13] * **构建思路**：通过计算Wind二级行业指数的均线情况，来评估市场的整体强弱[13]。 * **具体构建过程**：未详细说明，但最终输出一个市场得分，并计算其在特定历史时期（如2023年以来）的百分位点[13]。 6. **模型/指标名称：SAR指标**[13] * **构建思路**：使用抛物线转向指标（SAR）来判断市场趋势的翻转点[13]。 * **具体构建过程**：未详细说明，但用于判断指数是否向下突破翻转指标[13]。 7. **模型/指标名称：因子拥挤度模型**[18] * **模型构建思路**：使用多个指标度量因子的拥挤程度，作为因子可能失效的预警[18]。 * **模型具体构建过程**：使用四个指标来度量因子拥挤度：估值价差、配对相关性、长期收益反转、因子波动率[18]。将这四个指标得分综合成一个复合拥挤度打分[18][19]。具体计算方法参考了专题报告《选股因子系列（四十二）——因子失效预警：因子拥挤》[18]。 8. **模型/指标名称：行业拥挤度模型**[22] * **模型构建思路**：评估各行业的拥挤程度，以识别过热或关注度过高的行业[22]。 * **模型具体构建过程**：未详细说明，但最终输出各行业的拥挤度数值及相对变化[22][23][24]。具体计算方法参考了专题报告《行业轮动系列研究 15——行业板块拥挤度》[22]。 量化因子与构建方式 1. **因子名称：流动性冲击指标**[4] * **因子构建思路**：基于沪深300指数构建，衡量当前市场流动性相对于过去一年平均水平的偏离程度[4]。 * **因子具体构建过程**：未详细说明，但指标数值表示当前流动性高于过去一年平均水平的标准差倍数[4]。 2. **因子名称：PUT-CALL比率**[4] * **因子构建思路**：使用上证50ETF期权成交量的认沽/认购比率，来观察投资者对短期走势的乐观或悲观情绪[4]。 * **因子具体构建过程**：未详细说明。 3. **因子名称：五日平均换手率**[4] * **因子构建思路**：计算上证综指和Wind全A指数的五日平均换手率，并观察其在历史（2005年以来）的分位点，以衡量交易活跃度[4]。 * **因子具体构建过程**：未详细说明。 4. **因子名称：情绪模型细分因子**[17] * **因子列表**：净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益[17]。 * **因子构建思路**：通过涨跌停板相关的数据构建，用于综合评估市场情绪[13][17]。 * **因子具体构建过程**：未详细说明。 5. **因子名称：常见选股因子**[18] * **因子列表**：小市值因子、低估值因子、高盈利因子、高盈利增长因子[18][19]。 * **因子构建思路**：这些是常见的量化选股因子，用于构建股票组合。 * **因子具体构建过程**：未在本报告中详细说明。 模型的回测效果/信号 1. **情绪模型**：当前得分为0分（满分5分）[13] 2. **趋势模型**：当前信号为负向[13] 3. **加权模型**：当前信号为负向[13] 4. **高频资金流模型**（截至报告时点）[17]： * 沪深300指数：激进多头0，激进多空-1，稳健多头0，稳健多空-1 * 中证500指数：激进多头0，激进多空-1，稳健多头0，稳健多空-1 * 中证1000指数：激进多头0，激进多空-1，稳健多头0，稳健多空-1 * 中证2000指数：激进多头0，激进多空-1，稳健多头0，稳健多空-1 5. **均线强弱指数**：当前市场得分为63，处于2023年以来的15.91%分位点[13] 6. **SAR指标**：Wind全A指数于3月3日向下突破翻转指标[13] 因子的回测效果/数值 1. **流动性冲击指标**（基于沪深300，周五值）：0.49[4] 2. **PUT-CALL比率**（上证50ETF期权，周五值）：0.67[4] 3. **五日平均换手率**（截至报告时点）[4]： * 上证综指：1.39%（处于2005年以来78.35%分位点） * Wind全A：1.94%（处于2005年以来81.64%分位点） 4. **因子拥挤度**（截至2026.03.20）[19]： * 小市值因子综合拥挤度：0.09 * 低估值因子综合拥挤度：-0.31 * 高盈利因子综合拥挤度：0.24 * 高盈利增长因子综合拥挤度：0.25 5. **行业拥挤度**（截至2026.03.20）[22][23][24]： * 拥挤度相对较高的行业：综合（2.10）、通信（1.76）、有色金属（1.45）、钢铁（1.19）、电子（1.18） * 拥挤度上升幅度较大的行业：石油石化（变化+1.53）、煤炭（变化+0.71）、公用事业（变化+0.63）、农林牧渔（变化+0.54）

量化模型与构建方式 **本报告为新股市场分析报告，未涉及具体的量化模型或量化因子的构建与测试。** 量化因子与构建方式 **本报告为新股市场分析报告，未涉及具体的量化模型或量化因子的构建与测试。** 模型的回测效果 **本报告为新股市场分析报告，未涉及具体的量化模型或量化因子的构建与测试。** 因子的回测效果 **本报告为新股市场分析报告，未涉及具体的量化模型或量化因子的构建与测试。** 报告核心数据与指标 **本报告主要对2026年1-2月及历史IPO市场表现进行统计分析，以下为报告中提及的关键指标数据汇总：** 1. 市场整体发行情况 - **2026年1-2月IPO发行家数**：17家[2][16] - **2026年1-2月IPO募资金额**：151.29亿元[2][16] - **2026年1-2月平均募资金额**：8.90亿元[18] - **2026年1-2月平均发行市盈率(PE)**：24.58[18] - **2025年全年IPO募资金额**：约1205.25亿元（主板598.26亿+科创板380.61亿+创业板226.38亿）[55] - **2025年全年IPO发行家数**：83家（主板36家+科创板19家+创业板28家）[55] 2. 新股上市表现（首日涨幅与破发率） - **2026年1-2月首日破发率**：0%[21][23] - **2026年1-2月首日平均涨幅**： - 科创板：278.22%[23][26] - 主板：140.86%（网下发行）[23][26] - 主板整体：126.74%[24] - **2025年全年首日平均涨幅**： - 科创板：241.93%[23] - 创业板：243.93%[23] - 主板：219.64%[23] - **2025年全年首日破发率**：0%（各板块）[23] 3. 网下询价与申购情况 - **2026年1-2月网下发行家数**：8家[18] - **2026年1-2月平均网下发行规模**：5.05亿元[18] - **2026年1-2月平均网下发行规模占比**：36.06%[18] - **2026年1月科创板询价账户数量均值**：8990户[33] - **2026年1月主板询价账户数量均值**：10304户[33] - **2026年2月创业板询价账户数量均值**：9193户[33] - **2026年1-2月平均让价幅度（发行价/"四数孰低"-1）**： - 科创板：1.43%[25][37] - 创业板：1.31%[37] - 主板：3.54%[37] - **2026年1-2月网下询价入围率**： - 科创板：87.48%[37] - 创业板：97.31%[37] - 主板：93.45%[37] - **2026年1-2月平均申购规模上限**：3.83亿元[64][66] 4. 新股申购收益（理想情况，100%入围） - **2026年1-2月A类账户总收益**：158.83万元[44][51] - **2026年1-2月B类账户总收益**：155.16万元[44][51] - **2026年1-2月每募资亿元对应A类收益**： - 科创板：2.48万元/亿元[55] - 主板：0.36万元/亿元[55] - **2025年全年每募资亿元对应A类收益**： - 科创板：2.14万元/亿元[55] - 创业板：1.59万元/亿元[55] - 主板：0.57万元/亿元[55] - **2026年1-2月5亿规模产品打新收益率**： - A类：0.30%[44] - B类：0.29%[44] 5. 科创板未盈利新股表现（2025Q4-2026年2月） - **上市数量**：7只[10][12] - **首日涨幅范围**：82.98% 至 600.07%[10] - **参与询价账户数量趋势**：逐项目增加，北芯生命接近9000户[12] - **A1档申购占比**：多数项目超过50%[12]

量化模型与构建方式 1. **模型名称**：红利风格择时模型[6] * **模型构建思路**：构建一个多因素综合打分模型，用于判断对红利风格资产是看多还是看空[6]。 * **模型具体构建过程**：该模型为多因子综合打分模型。首先，选取多个对红利风格有预测能力的因子。然后，对每个因子进行标准化或处理，得到每个因子的“因子值”。最后，将各因子值按一定规则（如等权或加权）合成，得到最终的“综合因子值”。根据综合因子值的符号（正或负）和阈值来判断择时观点[6][9][12]。 * **模型评价**：模型通过综合多个维度的信息（如宏观、利率、市场情绪、动量等）来对红利风格进行择时判断，旨在捕捉风格轮动的机会[9]。 2. **因子名称**：综合因子[6] * **因子的构建思路**：作为红利风格择时模型的最终输出，由多个分项因子合成，用以综合反映对红利风格的择时观点[6]。 * **因子具体构建过程**：该因子是模型的核心输出。报告未详细披露其具体的加权合成公式，但明确指出它是由表1中列出的各分项因子值通过模型规则计算得出的一个综合评分[6][12]。当综合因子值为正时，模型发出看多信号；为负时，则不发出看多信号[6]。 3. **因子名称**：中国:非制造业PMI:服务业因子[12] * **因子的构建思路**：使用中国服务业PMI作为反映国内经济景气度的宏观指标，用于判断其对红利风格的影响[12]。 * **因子具体构建过程**：报告未披露具体计算过程。该因子直接使用“中国:非制造业PMI:服务业”的原始或处理后的数据作为因子值[12]。 4. **因子名称**：中国:M2:同比因子[12] * **因子的构建思路**：使用中国M2货币供应量同比增速作为反映国内流动性环境的宏观指标，用于判断其对红利风格的影响[12]。 * **因子具体构建过程**：报告未披露具体计算过程。该因子直接使用“中国:M2:同比”的原始或处理后的数据作为因子值[12]。 5. **因子名称**：美国:国债收益率:10年因子[9][12] * **因子的构建思路**：使用美国10年期国债收益率作为反映全球无风险利率和资金成本的指标，用于判断其对红利风格（通常被视为类固收资产）的压制或支撑作用[9]。 * **因子具体构建过程**：报告未披露具体计算过程。该因子直接使用“美国:国债收益率:10年”的原始或处理后的数据作为因子值[12]。 6. **因子名称**：红利相对净值自身因子[12] * **因子的构建思路**：该因子可能衡量红利指数相对于其自身历史净值的动量或趋势强度，属于动量类因子[12]。 * **因子具体构建过程**：报告未披露具体计算过程。从名称推断，可能涉及计算红利指数当前净值与过去某段时间平均净值的比较[12]。 7. **因子名称**：中证红利股息率-10年期中债收益率因子[12] * **因子的构建思路**：计算中证红利指数的股息率与10年期中国国债收益率的差值（股息率溢价），用于衡量红利资产的相对吸引力。价差扩大通常对红利风格更有利[12]。 * **因子具体构建过程**：报告未披露具体计算公式。因子构建思路为：使用中证红利指数的股息率减去10年期中国国债收益率。公式可表示为： $$因子 = 中证红利股息率 - 10年期中债收益率$$ 其中，中证红利股息率和10年期中债收益率为原始数据或经过平滑处理的数据[12]。 8. **因子名称**：融资净买入因子[12] * **因子的构建思路**：使用融资净买入数据作为反映市场情绪和杠杆资金偏好的指标，用于判断市场情绪对红利风格的影响[9][12]。 * **因子具体构建过程**：报告未披露具体计算过程。该因子可能直接使用全市场或特定板块的融资净买入金额的标准化值作为因子值[12]。 9. **因子名称**：行业平均景气度因子[12] * **因子的构建思路**：使用行业平均景气度数据作为反映整体企业盈利预期的指标，用于判断宏观经济环境对红利风格的影响[12]。 * **因子具体构建过程**：报告未披露具体计算过程。该因子可能基于各行业景气度调查数据计算平均值或扩散指数得到[12]。 模型的回测效果 *注：本报告为周度跟踪报告，主要展示模型最新时点的输出结果和分项因子值，未提供完整的回测绩效指标（如年化收益率、夏普比率、最大回撤、信息比率IR等）。以下为模型及因子在特定时点的取值。* 1. **红利风格择时模型（综合因子）**，综合因子值（2026.03.20）：-0.26[6] 2. **红利风格择时模型（综合因子）**，综合因子值（2026.03.13）：-0.39[6] 因子的回测效果 *注：以下为各分项因子在特定时点的因子值，取自模型内部计算。* 1. **中国:非制造业PMI:服务业因子**，因子值（2026.03.20）：0.14[12] 2. **中国:M2:同比因子**，因子值（2026.03.20）：0.31[12] 3. **美国:国债收益率:10年因子**，因子值（2026.03.20）：-0.65[12] 4. **红利相对净值自身因子**，因子值（2026.03.20）：1.14[12] 5. **中证红利股息率-10年期中债收益率因子**，因子值（2026.03.20）：-0.30[12] 6. **融资净买入因子**，因子值（2026.03.20）：-0.49[12] 7. **行业平均景气度因子**，因子值（2026.03.20）：0.91[12]

量化模型与构建方式 1. **模型名称**：中证云计算50指数编制模型[27] **模型构建思路**：从全市场股票中，筛选出业务涉及云计算服务及硬件设备的上市公司，并综合考虑其流动性、成长性和规模，选取最具代表性的50只证券作为指数样本，以反映云计算产业整体表现[27][28] **模型具体构建过程**： 1. **确定样本空间**：同中证全指指数的样本空间[28] 2. **流动性筛选**：对样本空间内证券按照过去一年的日均成交金额由高到低排名，剔除排名后20%的证券[28] 3. **业务主题筛选**：在剩余样本中，选取业务涉及提供基础设施即服务（IaaS）、平台即服务（PaaS）、软件即服务（SaaS）以及为云计算提供服务器、存储等硬件设备的上市公司证券作为待选样本[28] 4. **成长性筛选**：对待选样本按照过去三年营业收入增速由高到低排名，剔除排名后20%的证券[28] 5. **规模选样**：对剩余待选样本按照过去一年日均总市值由高到低排名，选取排名前50的证券作为指数样本[28] 6. **样本补足**：若上述步骤选出的证券不足50只，则从被剔除的待选样本中按照过去三年营业收入增速由高到低依次补足50只[28] **模型评价**：该模型通过多维度筛选，旨在构建一个能够代表中国云计算产业核心龙头公司表现的指数，兼具主题纯度、流动性、成长性和规模代表性[27][28] 模型的回测效果 1. **中证云计算50指数编制模型**，年化收益率13.44%[29]，年化波动率37.63%[29]，最大回撤-67.12%[29]，夏普比率0.36[29]，2023/3/6-2026/3/6期间收益率138.94%[29]，累计收益293.10%[29] 量化因子与构建方式 1. **因子名称**：过去三年营业收入增速[28] **因子构建思路**：衡量公司过去一段时期内的业务成长能力，营业收入增长越快的公司被认为成长性越好[28] **因子具体构建过程**：计算公司过去三年营业收入的复合增长率。具体公式未在报告中明确给出，但标准计算方式通常为： $$营业收入增速 = \left( \frac{本期营业收入}{三年前同期营业收入} \right)^{\frac{1}{3}} - 1$$ 在指数编制中，该因子用于对所有待选样本进行排序和筛选[28] 2. **因子名称**：过去一年日均总市值[28] **因子构建思路**：衡量公司的市场规模，规模较大的公司通常被认为更具市场影响力和稳定性[28] **因子具体构建过程**：计算股票在过去一年内每个交易日的总市值（总股本×收盘价），然后求其平均值。具体公式未在报告中明确给出，但标准计算方式为： $$过去一年日均总市值 = \frac{\sum_{t=1}^{T} (总股本_t \times 收盘价_t)}{T}$$ 其中，T为过去一年的交易日总数。在指数编制中，该因子用于对通过成长性筛选的样本进行最终排序和选样[28] 3. **因子名称**：过去一年的日均成交金额[28] **因子构建思路**：衡量股票的流动性，成交活跃的股票更容易买卖，交易成本更低[28] **因子具体构建过程**：计算股票在过去一年内每个交易日的成交金额，然后求其平均值。具体公式未在报告中明确给出，但标准计算方式为： $$过去一年的日均成交金额 = \frac{\sum_{t=1}^{T} 成交金额_t}{T}$$ 其中，T为过去一年的交易日总数。在指数编制中，该因子用于初步剔除流动性较差的股票[28] 因子的回测效果 *（注：本报告未提供上述单个因子的独立测试结果，如IC、IR、多空收益等。报告展示的是综合运用这些因子构建的指数的整体表现。）*

量化模型与构建方式 1. **模型名称：分红调整年化基差计算模型**[8][17][18][19] * **模型构建思路**：为准确分析股指期货合约的基差水平，需要剔除标的指数成分股在合约存续期内预期分红的影响，从而得到反映市场真实情绪和定价的“纯净”基差[8][17]。 * **模型具体构建过程**： 1. 首先，基于指数成分股历史分红情况，预测未来一年内各标的指数的分红点位[9]。例如，2026年3月20日，预测中证500、沪深300、上证50、中证1000指数分红点位分别为85.33、79.37、60.61、63.91[9]。 2. 其次，根据合约的剩余到期日，将总分红点位分配到不同期限的合约上，得到该合约存续期内的预期分红点位[19]。例如，IC下季合约的预期分红点位为85.21[19]。 3. 然后，计算实际基差：实际基差 = 期货合约价格 - 标的指数价格[17]。 4. 接着，计算分红调整后的基差：分红调整后基差 = 实际基差 + 存续期内未实现的预期分红[18]。 5. 最后，将分红调整后的基差进行年化处理，得到最终用于分析的年化基差指标[18][19]。公式为： $$年化基差 = \frac{(实际基差 + 预期分红点位)}{指数价格} \times \frac{360}{合约剩余天数}$$[19] 其中，“预期分红点位”指该合约存续期内未实现的预期分红点位[19]。 2. **模型名称：期现对冲策略（连续对冲与最低贴水策略）**[40][41][42] * **模型构建思路**：通过做空股指期货合约来对冲持有现货指数（全收益指数）的风险，旨在获取基差收敛（或选择最低贴水合约以优化）带来的收益，降低组合波动[40]。 * **模型具体构建过程**： * **通用设置**： * 回测区间：2022年7月22日至2026年3月20日[41][42]。 * 现货端：使用70%的资金，持有对应标的指数的全收益指数[41][42]。 * 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）[41][42]。 * 每次调仓后根据产品净值重新计算现货及期货头寸数量[41][42]。 * 不考虑手续费、冲击成本及合约不可无限细分[41][42]。 * **连续对冲策略调仓规则**： * 连续持有当月或季月合约[41]。 * 当持有合约距离到期日不足2天时，在当日以收盘价平仓，并同时以收盘价卖空下一份当月或季月合约[41]。 * **最低贴水策略调仓规则**： * 调仓时，计算当日所有可交易期货合约的年化基差[42]。 * 选择年化基差贴水幅度最小的合约进行开仓[42]。 * 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天时，才可再次调仓（排除剩余到期日不足8日的合约）[42]。 量化因子与构建方式 1. **因子名称：期权波动率指数（VIX）**[58] * **因子构建思路**：借鉴海外成熟经验，结合国内场内期权市场实际情况进行适应性调整，构建反映期权投资者对标的资产未来30日波动水平预期的指数[58]。 * **因子评价**：该指数能够反映市场对未来波动性的预期，并具备期限结构，可展示不同时间跨度内波动预期的差异[58]。期权市场参与者专业性较强，提升了该指数隐含信息的参考价值[57]。 2. **因子名称：偏度指数（SKEW）**[62] * **因子构建思路**：通过刻画不同行权价格下期权隐含波动率（IV）的偏斜形态，来衡量市场对标的资产未来收益率分布（尤其是尾部风险）的预期[62]。 * **因子具体构建过程**：当市场担忧下行风险时，看跌期权需求上升，推动低行权价区域的隐含波动率上升，导致波动率曲线呈现负偏斜（左偏），SKEW指数升高[62]。一般而言，SKEW指数高于100表明投资者对市场大幅回调的担忧加剧[62]。 * **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”，能为期权交易与风险管理提供参考[62]。 模型的回测效果 1. **IC（中证500）期现对冲策略**[44] * 当月连续对冲模型：年化收益-3.27%，波动率3.82%，最大回撤-12.10%，净值0.8862，年换手次数12，2026年以来收益0.14%[44]。 * 季月连续对冲模型：年化收益-2.59%，波动率4.89%，最大回撤-10.94%，净值0.9090，年换手次数4，2026年以来收益0.02%[44]。 * 最低贴水策略模型：年化收益-1.66%，波动率4.55%，最大回撤-8.56%，净值0.9412，年换手次数17.63，2026年以来收益-0.03%[44]。 2. **IF（沪深300）期现对冲策略**[49] * 当月连续对冲模型：年化收益0.25%，波动率2.85%，最大回撤-3.95%，净值1.0093，年换手次数12，2026年以来收益-0.02%[49]。 * 季月连续对冲模型：年化收益0.67%，波动率3.24%，最大回撤-4.03%，净值1.0244，年换手次数4，2026年以来收益0.38%[49]。 * 最低贴水策略模型：年化收益1.16%，波动率2.99%，最大回撤-4.06%，净值1.0428，年换手次数15.70，2026年以来收益0.45%[49]。 3. **IH（上证50）期现对冲策略**[53] * 当月连续对冲模型：年化收益0.99%，波动率2.89%，最大回撤-4.22%，净值1.0364，年换手次数12，2026年以来收益-0.01%[53]。 * 季月连续对冲模型：年化收益1.98%，波动率3.30%，最大回撤-3.75%，净值1.0738，年换手次数4，2026年以来收益0.47%[53]。 * 最低贴水策略模型：年化收益1.62%，波动率2.94%，最大回撤-3.91%，净值1.0599，年换手次数15.15，2026年以来收益0.36%[53]。 4. **IM（中证1000）期现对冲策略**[55] * 当月连续对冲模型：年化收益-6.17%，波动率4.30%，最大回撤-21.04%，净值0.7936，年换手次数12，2026年以来收益-0.30%[55]。 * 季月连续对冲模型：年化收益-5.02%，波动率5.41%，最大回撤-18.06%，净值0.8295，年换手次数4，2026年以来收益-0.79%[55]。 * 最低贴水策略模型：年化收益-3.95%，波动率5.13%，最大回撤-14.41%，净值0.8638，年换手次数15.15，2026年以来收益0.04%[55]。 因子的回测效果 1. **VIX因子取值（截至2026年3月20日）**[58] * 上证50VIX(30日): 21.61[58] * 沪深300VIX(30日): 20.97[58] * 中证500VIX(30日): 34.19[58] * 中证1000VIX(30日): 28.52[58] 2. **SKEW因子取值（截至2026年3月20日）**[63] * 上证50SKEW: 100.79[63] * 沪深300SKEW: 103.11[63] * 中证500SKEW: 99.94[63] * 中证1000SKEW: 98.68[63]