量化模型与因子总结 量化因子与构建方式 1. **因子名称：250日新高距离**[11] * **因子构建思路**：该因子用于衡量当前价格相对于过去一段时间内最高价格的回落幅度，是趋势跟踪和动量策略的核心指标。其理论基础在于，研究表明股价在接近其历史高点时，未来表现往往更优[11]。 * **因子具体构建过程**：对于给定股票在交易日t，计算其最新收盘价与过去250个交易日（约一年）最高收盘价的相对距离。 * 计算公式为： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ * 其中，`Closet` 代表股票在交易日t的最新收盘价，`ts_max(Close, 250)` 代表过去250个交易日收盘价的最大值[11]。 * 若最新收盘价创出过去250日新高，则因子值为0；若价格从高点回落，则因子值为正，数值越大表示回落幅度越大[11]。 2. **模型/策略名称：平稳创新高股票筛选模型**[26][28] * **模型构建思路**：该模型旨在从近期创出新高的股票中，进一步筛选出具有更强趋势延续潜力的“平稳创新高”股票。其思路结合了截面动量与时间序列动量的研究，认为遵循平滑价格路径、受到持续关注且趋势未发生逆转的动量股，其未来收益可能更佳[26]。 * **模型具体构建过程**：这是一个多步骤的筛选模型，具体流程如下： 1. **初选股票池**：首先，在上市满15个月的股票中，筛选出过去20个交易日内曾创出250日新高的股票[19]。 2. **应用多维度筛选条件**：在初选股票池中，依次应用以下条件进行筛选[26][28]： * **分析师关注度**：过去3个月内，获得“买入”或“增持”评级的分析师研报数量不少于5份[28]。 * **股价相对强弱**：过去250日涨跌幅位于全市场所有股票的前20%[28]。 * **股价平稳性与创新高持续性**：在满足以上条件的股票池内，使用两个指标进行综合打分，并选取排名在前50%的股票[28]。 * **价格路径平滑性**：使用“股价位移路程比”指标进行衡量。具体公式为：`过去120日涨跌幅的绝对值 / 过去120日日涨跌幅绝对值加总`[26]。该比值越接近1，表明价格路径越平滑（涨跌方向一致，波动小）。 * **创新高持续性**：使用`过去120日的250日新高距离在时间序列上的均值`进行衡量[28]。该均值越小，表明在近期内股价持续接近或创出新高的状态保持得越好。 3. **最终排序筛选**：对经过上述步骤筛选出的股票，依据 **“趋势延续性”** 指标进行排序。该指标为`过去5日的250日新高距离在时间序列上的均值`[28]。选取该指标排序最靠前的50只股票作为最终的“平稳创新高股票”[28]。 模型与因子的回测效果 > **注**：本报告主要为特定时点（2025年12月12日）的市场状态描述与股票筛选结果展示，并未提供基于历史数据的完整策略回测绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。因此，以下为报告中所列出的具体应用结果取值。 1. **250日新高距离因子应用结果**（截至2025年12月12日）[12][13][15] * **主要宽基指数取值**： * 上证指数：3.48% * 深证成指：3.40% * 沪深300指数：3.52% * 中证500指数：5.02% * 中证1000指数：3.62% * 中证2000指数：2.46% * 创业板指：3.91% * 科创50指数：12.36%[12] * **部分行业指数取值（距离新高较近）**： * 通信行业：2.14% * 有色金属行业：1.28% * 国防军工行业：3.88% * 家电行业：1.95% * 轻工制造行业：1.82%[13] * **部分概念指数取值（距离新高较近）**：卫星互联网、卫星导航、黄金、5G、十大军工集团、林木、工程机械等概念指数[15]。 2. **平稳创新高股票筛选模型应用结果**（截至2025年12月12日）[19][20][29] * **初选股票池规模**：共筛选出746只过去20个交易日创250日新高的股票[19]。 * **创新高股票分布**： * **数量最多的行业**：基础化工（90只）、机械（90只）、电子（68只）[19]。 * **占比最高的行业**：有色金属（27.42%）、纺织服装（25.25%）、农林牧渔（24.30%）[19]。 * **板块分布**：制造板块（228只，占比14.61%）、周期板块（202只，占比17.97%）、科技板块（181只，占比12.82%）数量最多[20]。 * **指数分布占比**：中证2000（14.45%）、中证1000（13.10%）、沪深300（12.33%）、中证500（10.20%）、创业板指（10.00%）、科创50（0.00%）[20]。 * **最终输出股票数量**：44只平稳创新高股票[29]。 * **最终股票板块分布**：周期板块（16只）、科技板块（16只）入选数量最多。其中，周期板块内以有色金属行业为主，科技板块内以电子行业为主[29]。

量化模型与构建方式 1. **模型名称**：中证全指自由现金流指数编制模型[4][48] * **模型构建思路**：通过一系列财务质量筛选，选取自由现金流率较高的上市公司证券构建指数，以反映现金流创造能力较强的上市公司证券的整体表现[4][48]。 * **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[49]。 2. **可投资性筛选**：过去一年日均成交金额排名位于样本空间前80%[49]。 3. **待选样本筛选**：在通过可投资性筛选的证券中，进一步选取同时满足以下条件的证券[49]： * 不属于金融或地产行业（按中证一级行业分类）[49]。 * 自由现金流和企业价值均为正[49]。 * 自由现金流计算公式：$$自由现金流 = 过去一年经营活动产生的现金流量净额 - 过去一年购建固定资产、无形资产和其他长期资产支付的现金$$[49] * 企业价值计算公式：$$企业价值 = 公司总市值 + 总负债 - 货币资金$$[49] * 连续5年经营活动产生的现金流量净额为正[49]。 * 盈利质量由高到低排名位于样本空间前80%[49]。盈利质量计算公式：$$盈利质量 = (过去一年经营活动产生的现金流量净额 - 过去一年营业利润) / 总资产$$[49] 4. **选样与加权**：将待选样本按照自由现金流率由高到低排名，选取排名前100的证券作为指数样本[49]。自由现金流率计算公式：$$自由现金流率 = 自由现金流 / 企业价值$$[49]。指数采用自由现金流加权，并将单一成分股权重上限设定为10%[4][26]。 5. **调整规则**：指数样本每季度调整一次（3月、6月、9月、12月的第二个星期五的下一交易日生效）[58]。 2. **模型名称**：国证自由现金流指数编制模型[34] * **模型构建思路**：从沪深北三家交易所中优选非金融地产股，通过财务质量与稳定性筛选，构建反映高自由现金流公司表现的指数[33]。 * **模型具体构建过程**： 1. **样本空间**：非ST、*ST证券；科创板、北交所证券上市超1年，其他证券上市超6个月；公司最近一年无重大违规、经营无异常、无重大亏损；证券价格无异常波动[34]。 2. **待选样本筛选**： * 剔除最近半年日均成交金额排名后20%的证券[34]。 * 剔除属于金融或房地产行业的证券[34]。 * 剔除近12个季度ROE稳定性排名后10%的证券[34]。 * 选取近一年自由现金流、企业价值和近三年经营活动现金流均为正的证券[34]。 * 剔除近一年经营活动现金流占营业利润比例排名后30%的证券[34]。 3. **选样与加权**：选取自由现金流率最高的100只证券作为指数样本[34]。自由现金流率计算公式同中证指数：$$自由现金流率 = 自由现金流 / 企业价值$$[36]。指数采用派氏加权法[36]。 3. **模型名称**：富时中国A股自由现金流聚焦指数编制模型[34] * **模型构建思路**：在富时中国A股自由流通指数成分股基础上，通过多维度排除低质量、高波动证券，聚焦于具有高质量自由现金流的公司[33]。 * **模型具体构建过程**： 1. **样本空间**：富时中国A股自由流通指数的成分股[34]。 2. **待选样本筛选**： * 排除金融房地产行业[34]。 * 排除过去12个月自由现金流为负的证券[34]。 * 排除质量排名后30%的证券[34]。 * 排除过去五年波动率最高的30%的证券[34]。 * 排除预期收益增长为负且预期销售增长为负的证券[34]。 3. **选样与加权**：选取50只自由现金流率最高的证券作为指数样本[34]。自由现金流率计算公式同中证指数：$$自由现金流率 = 自由现金流 / 企业价值$$[36]。指数采用自由现金流加权[36]。 量化因子与构建方式 1. **因子名称**：自由现金流因子[8] * **因子构建思路**：衡量企业在支付运营成本与资本开支后，可自由分配给所有资本提供者（股东和债权人）的现金，以更真实地反映企业的盈利质量与资金流动性[8]。 * **因子具体构建过程**：根据报告引用的注册估值分析师协会公式，自由现金流的计算为：$$自由现金流 = 经营活动产生的现金流量净额 - 资本性支出$$[10]。报告中在指数编制时使用的具体计算公式为：$$自由现金流 = 过去一年经营活动产生的现金流量净额 - 过去一年购建固定资产、无形资产和其他长期资产支付的现金$$[49]。 * **因子评价**：自由现金流是企业内在价值评估的根本基础，是检验盈利“含金量”的客观标尺，也是企业财务弹性、风险抵御能力、股东回报以及支持未来增长的关键资源[11][12][13][14][15]。 2. **因子名称**：自由现金流率因子[4][31] * **因子构建思路**：将自由现金流与企业价值（反映公司总价值）相结合，构建一个比率指标，用于横向比较不同规模公司的现金流创造效率[4][31]。 * **因子具体构建过程**：计算公式为：$$自由现金流率 = 自由现金流 / 企业价值$$[36]。其中，企业价值 = 公司总市值 + 总负债 - 货币资金[49]。 * **因子评价**：该因子是多个国内自由现金流指数核心的排序指标，旨在筛选出单位企业价值创造自由现金流能力更强的公司[31]。 3. **因子名称**：盈利质量因子[49] * **因子构建思路**：通过比较经营活动现金净流入与会计利润的差异，来评估企业盈利的现金实现程度，排除应计制会计下的粉饰可能[12][49]。 * **因子具体构建过程**：在中证全指自由现金流指数编制中，其计算公式为：$$盈利质量 = (过去一年经营活动产生的现金流量净额 - 过去一年营业利润) / 总资产$$[49]。该因子值越高，通常表示盈利的现金含量越高。 模型的回测效果 1. **中证全指自由现金流指数 (932365.CSI)**[4] * **全区间收益 (2015/1/5 - 2025/11/28)**：11.55%[28] * **2025年以来收益 (截至2025/11/28)**：10.55%[29][39] * **分年度收益**：2015年: 11.94%, 2016年: -3.96%, 2017年: 37.23%, 2018年: -18.63%, 2019年: 21.98%, 2020年: 9.94%, 2021年: 31.81%, 2022年: -9.18%, 2023年: 12.57%, 2024年: 36.86%[29] 2. **Pacer US Cash Cows 100 ETF (代表美国现金流策略)**[20] * **累计收益 (2016/12/19 - 2025/1/24)**：134.02%[22] * **年化收益**：11.10%[20][22] * **夏普比率 (Sharpe)**：0.54[20][22] * **年化波动率**：20.57%[22] * **最大回撤**：-39.64%[22] 3. **嘉信理财美国股利股票 ETF (代表美国红利策略)**[20] * **累计收益 (2016/12/19 - 2025/1/24)**：91.65%[22] * **年化收益**：8.39%[20][22] * **夏普比率 (Sharpe)**：0.48[20][22] * **年化波动率**：17.50%[22] * **最大回撤**：-33.37%[22] 4. **领航价值型 ETF (代表美国价值策略)**[20] * **累计收益 (2016/12/19 - 2025/1/24)**：87.67%[22] * **年化收益**：8.11%[20][22] * **夏普比率 (Sharpe)**：0.47[20][22] * **年化波动率**：17.36%[22] * **最大回撤**：-36.78%[22] 5. **中证红利指数 (000922)**[26] * **全区间收益 (2015/1/5 - 2025/11/28)**：4.21%[28] * **2025年以来收益 (截至2025/11/28)**：+0.64%[29] * **分年度收益**：2015年: 22.73%, 2016年: 47.82%, 2017年: 18.04%, 2018年: -19.73%, 2019年: 16.15%, 2020年: 3.59%, 2021年: 13.78%, 2022年: 45.63%, 2023年: 0.92%, 2024年: 12.74%[29] 6. **国证自由现金流指数**[39] * **全区间收益 (2015/1/5 - 2025/11/28)**：12.42%[39] 7. **中证500自由现金流指数**[39] * **2025年以来年化收益 (截至2025/11/28)**：20.96%[39] 8. **中银中证全指自由现金流 ETF (563760)**[2][76] * **累计收益 (2025/6/6上市 - 2025/12/9)**：19.11%[2][76] * **区间累计超额收益 (vs 中证现金流基准指数)**：3.06% (127个交易日)[2][76] * **年化超额收益**：7.06%[2][76] * **年化跟踪误差**：3.32%[76] * **日均绝对跟踪误差**：0.02%[2][76]

量化模型与构建方式 1. **模型/因子名称：250日新高距离**[11] * **构建思路**：该指标用于衡量当前价格相对于过去一段时间内最高价格的回落幅度，以识别接近或创出新高的标的，作为市场趋势和动量的风向标[11]。 * **具体构建过程**：对于给定标的在时间t的收盘价，计算其过去250个交易日（约一年）收盘价的最大值。250日新高距离定义为1减去当前收盘价与过去250日最高收盘价的比值[11]。 * **公式**： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ * **公式说明**：`Closet` 为最新收盘价，`ts_max(Close,250)` 为过去250个交易日收盘价的最大值。当最新收盘价创出新高时，该值为0；当价格从高点回落时，该值为正，表示回落的幅度[11]。 2. **模型名称：平稳创新高股票筛选模型**[26][28] * **构建思路**：在近期创出250日新高的股票池中，进一步筛选出具有分析师关注、股价相对强势、且价格路径平滑、趋势延续性好的股票，旨在捕捉更持续、更稳健的动量效应[26][28]。 * **具体构建过程**：该模型是一个多步骤的筛选流程： 1. **初选股票池**：筛选出过去20个交易日曾创出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[28]。 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%[28]。 4. **股价平稳性与创新高持续性筛选**：在满足上述条件的股票池内，使用两个指标综合打分，并选取排名在前50%的股票[28]。 * **价格路径平滑性**：使用股价位移路程比指标，计算公式为 `过去120日涨跌幅的绝对值 / 过去120日日涨跌幅绝对值加总`[26]。该比值越接近1，表明价格路径越平滑。 * **创新高持续性**：使用过去120日的250日新高距离在时间序列上的均值来衡量[28]。 5. **趋势延续性筛选**：对经过上述步骤筛选后的股票，计算其过去5日的250日新高距离在时间序列上的均值，并选取该值排序靠前的50只股票作为最终的“平稳创新高股票”[28]。 模型的回测效果 *本报告未提供量化模型（如250日新高距离因子或多因子筛选模型）的历史回测绩效指标（如年化收益率、夏普比率、最大回撤、信息比率IR等）。报告内容主要为特定时点（2025年12月12日）的截面数据展示和名单筛选[12][29][32]。* 量化因子与构建方式 1. **因子名称：250日新高距离**（同上，亦作为因子使用） * **构建思路**：同模型部分所述，作为动量与趋势跟踪因子使用[11]。 * **具体构建过程**：同模型部分所述[11]。 * **因子评价**：该因子基于行为金融学中的“52周高点”效应，被广泛研究和应用于动量策略，是识别市场领头羊和趋势强度的重要工具[11][18]。 2. **因子名称：价格路径平滑性（位移路程比）**[26] * **构建思路**：通过比较一段时间内的净涨跌幅（位移）与期间每日涨跌幅绝对值之和（路程），来度量股价上涨或下跌过程的平滑程度。平滑的上涨路径可能意味着更持续的动量[26]。 * **具体构建过程**：计算过去120个交易日内，股票总涨跌幅的绝对值与期间每日收益率绝对值之和的比值[26]。 * **公式**： $$价格路径平滑性 = \frac{| \sum_{i=1}^{120} R_i |}{ \sum_{i=1}^{120} |R_i| }$$ * **公式说明**：`R_i` 代表第i日的收益率。分子为120日累计收益率的绝对值（位移），分母为120日内每日收益率绝对值之和（路程）。比值越接近1，表明趋势越单一、路径越平滑。 * **因子评价**：研究表明，遵循平滑价格路径的高动量股票，其未来收益可能高于遵循跳跃价格路径的高动量股票，这支持了投资者对平滑信息反应不足的“温水煮青蛙”效应[26]。 3. **因子名称：创新高持续性**[28] * **构建思路**：通过计算近期250日新高距离的均值，来衡量一只股票在创出新高后，其股价维持在高位附近的持续能力，而不仅仅是短暂触碰新高[28]。 * **具体构建过程**：计算股票在过去120个交易日中，每日的250日新高距离的时间序列均值[28]。 4. **因子名称：趋势延续性**[28] * **构建思路**：通过计算最近几个交易日250日新高距离的均值，来捕捉股票趋势在短期内的延续强度，值越小表明近期越接近或维持在新高位置[28]。 * **具体构建过程**：计算股票在过去5个交易日中，每日的250日新高距离的时间序列均值[28]。 因子的回测效果 *本报告未提供上述单个因子（如价格路径平滑性、创新高持续性等）的IC值、IR、多空收益等历史回测绩效指标。报告侧重于介绍因子构建方法并将其应用于当前时点的选股流程中[26][28][29]。*

量化模型与因子总结 量化因子与构建方式 1. **因子名称：自由现金流因子** * **因子构建思路：** 衡量企业在支付运营成本和必要资本开支后，可自由分配给所有资本提供者（股东和债权人）的现金，用以评估企业真实盈利质量、内在价值和财务健康状况[8]。 * **因子具体构建过程：** 1. **计算自由现金流 (FCF)：** 自由现金流等于过去一年经营活动产生的现金流量净额减去过去一年购建固定资产、无形资产和其他长期资产支付的现金[63]。 $$自由现金流 = 经营活动产生的现金流量净额 - 购建固定资产、无形资产和其他长期资产支付的现金$$ 2. **计算企业价值 (EV)：** 企业价值等于公司总市值加上总负债，再减去货币资金[63]。 $$企业价值 = 公司总市值 + 总负债 - 货币资金$$ 3. **计算自由现金流率：** 自由现金流率是核心排序指标，等于自由现金流除以企业价值[45][63]。 $$自由现金流率 = \frac{自由现金流}{企业价值}$$ 2. **因子名称：盈利质量因子** * **因子构建思路：** 用于筛选盈利质量较高的公司，作为构建自由现金流指数的前置筛选条件之一[63]。 * **因子具体构建过程：** 盈利质量的计算公式为（过去一年经营活动产生的现金流量净额减去过去一年营业利润）除以总资产[63]。盈利质量由高到低排名位于样本空间前80%的证券符合待选条件[63]。 $$盈利质量 = \frac{经营活动产生的现金流量净额 - 营业利润}{总资产}$$ 3. **因子名称：股息率因子（对比参考）** * **因子构建思路：** 传统红利策略的核心指标，依据企业历史现金分红情况选股，侧重反映盈利稳定性与分红意愿[28]。 * **因子具体构建过程：** 报告中提及的红利指数（如中证红利指数）主要依据过去三年平均现金股息率进行排序[32]。 量化模型与构建方式 1. **模型名称：中证全指自由现金流指数编制模型** * **模型构建思路：** 通过多因子筛选和加权，构建一个反映A股市场中现金流创造能力较强上市公司整体表现的指数[4][61]。 * **模型具体构建过程：** 1. **确定样本空间：** 中证全指指数的样本空间[63]。 2. **可投资性筛选：** 剔除过去一年日均成交金额排名位于样本空间后20%的证券[63]。 3. **待选样本筛选（多因子过滤）：** 从通过可投资性筛选的证券中，选取同时满足以下所有条件的证券作为待选样本[63]： * **行业过滤：** 不属于金融或房地产行业[63]。 * **因子正值要求：** 自由现金流和企业价值均为正[63]。 * **现金流稳定性要求：** 连续5年经营活动产生的现金流量净额为正[63]。 * **盈利质量要求：** 盈利质量排名位于样本空间前80%[63]。 4. **成分股选择：** 将待选样本按照**自由现金流率**由高到低排名，选取排名前100的证券作为指数样本[63]。 5. **加权方式：** 采用**自由现金流加权**[32][45]。 6. **权重上限：** 单一成分股权重上限为10%[32]。 7. **调样规则：** 每季度调整一次样本[32][75]。 2. **模型名称：其他国内自由现金流指数编制模型（衍生变体）** * **模型构建思路：** 基于相似的“自由现金流”核心逻辑，但在样本空间、筛选细节或加权方式上有所不同，以覆盖不同市值板块或满足特定编制目标[38]。 * **模型具体构建过程：** 报告列举了多只国内自由现金流指数，其核心构建思路与中证全指自由现金流指数类似，主要差异点包括： * **样本空间不同：** 如沪深300自由现金流指数、中证500自由现金流指数、中证800自由现金流指数分别以对应宽基指数样本为空间[42]；国证自由现金流指数覆盖沪深北三市[41]；富时中国A股自由现金流聚焦指数纳入港股通标的[41]。 * **筛选条件细节差异：** 例如，国证自由现金流指数剔除了近12个季度ROE稳定性排名后10%的证券以及近一年经营活动现金流占营业利润比例后30%的证券[41][42]；富时指数则排除了质量排名后30%、过去五年波动率最高30%以及预期收益增长为负的证券[42]。 * **加权方式差异：** 国证自由现金流指数使用派式加权法，而中证系列指数采用自由现金流加权[45]。 模型的回测效果 （注：以下效果数据主要针对基于自由现金流因子构建的指数模型，数据区间和对比基准可能不同，此处按报告呈现分组列出） 1. **海外现金流策略代表 (Pacer US Cash Cows 100 ETF)** * **数据区间：** 2016年12月19日至2025年1月24日[22] * **累计收益：** 134.02%[26] * **年化收益：** 11.10%[22][26] * **夏普比率 (Sharpe)：** 0.54[22][26] * **年化波动率：** 20.57%[26] * **最大回撤：** -39.64%[26] 2. **中证全指自由现金流指数** * **全区间表现 (2015年1月5日至2025年11月28日)：** * **累计收益：** 11.55%[34][37] * **分年度收益 (2015-2025年)：** 详见报告表格，例如2025年为10.55%，2024年为36.86%，2023年为12.57%等[37] * **与宽基指数对比 (截至2025年11月28日)：** * 近十年、近八年、近五年、近三年收益均优于沪深300、中证500、中证1000指数[88] * 近十年跑赢沪深300指数169.61个百分点[88] * **与红利指数对比 (2015-2025年)：** * 绝大多数年份跑赢中证红利指数[34] * 全区间累计收益 (11.55%) 优于中证红利指数 (4.21%)[34][37] 3. **中银中证全指自由现金流 ETF (563760)** * **数据区间：** 2025年6月6日上市以来至2025年12月9日（127个交易日）[2][99] * **累计收益率：** 19.11%[2][99] * **累计超额收益 (相对于中证全指自由现金流指数)：** 3.06%[2][99] * **年化超额收益：** 7.06%[2][99] * **年化跟踪误差：** 3.32%[99] * **日均绝对跟踪误差：** 0.02%[2][99] 因子的回测效果 （注：报告未提供单因子IC、IR等传统因子测试结果，主要展示了基于该因子构建的指数表现，故本部分略） 对模型或因子的评价 * **自由现金流因子评价：** 相比传统会计利润，能更真实地衡量企业盈利质量与资金流动性，是评估企业内在价值、财务健康状况与未来发展潜力的核心依据[8][11][12]。 * **自由现金流指数模型评价 (相对于红利策略)：** 弥补了传统红利策略在行业覆盖广度和未来表现预判方面的不足，聚焦于企业的内生增长能力，更契合追求长期成长与资本增值的投资者需求[4][28]。其编制方法旨在筛选出具备更高成长潜力与回报预期的上市公司组合[28]。

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[16] * **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，以监测其配置动向[4][16]。 * **模型具体构建过程**：该模型是一个复杂的处理流程，其具体构建方法在开源金融工程团队的专题报告《偏股混合型基金指数（885001.WI）：优势、复制与超越》中有详细阐述。报告指出，该模型综合利用了基金净值、定期持仓披露、调研行为等多维度公开信息进行测算[16]。 2. **模型名称**：雪球大V用户选股行为alpha模型[27] * **模型构建思路**：分析雪球平台上粉丝数量较多的“大V”用户的投资观点和行为，从中提取具有信息含量的选股信号[27]。 * **模型具体构建过程**：该模型的具体构建方法在开源金融工程团队的专题报告《雪球大V用户的选股行为alpha》中有详细阐述[27]。 3. **模型名称**：机构行为alpha细分结构模型[33] * **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，构建细分选股模型[33]。 * **模型具体构建过程**：该模型的具体构建方法在开源金融工程团队的专题报告《机构行为alpha的细分结构：龙虎榜、机构调研、大宗交易》中有详细阐述[33]。 4. **模型名称**：高频股东户数隐含信息模型[35] * **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，分析其变化所隐含的股价风险提示信息[35]。 * **模型具体构建过程**：该模型的具体构建方法在开源金融工程团队的专题报告《高频股东数据的隐含信息量》中有详细阐述[35]。 量化因子与构建方式 1. **因子名称**：ETF资金持仓占比[4][19] * **因子构建思路**：将ETF基金持有的某板块股票市值占该板块总市值的比例作为观察市场资金动态的代理变量[4][19]。 * **因子具体构建过程**：计算特定板块内，所有相关ETF基金持有的该板块股票总市值，再除以该板块所有股票的总流通市值（或总市值），得到持仓占比。报告中使用了5日移动平均（MA5）来平滑数据[24]。 * **因子评价**：ETF持仓动态已成为观察市场资金流向的重要窗口[19]。 2. **因子名称**：融资余额[4][20] * **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衡量市场投资者看多情绪的指标[4][20]。 * **因子具体构建过程**：直接汇总计算特定板块所有成分股的融资余额总额。融资余额增加通常被视为投资者看多后市的信号[20]。 3. **因子名称**：融券余额[21] * **因子构建思路**：使用融资融券交易中未偿还的融券总金额作为衡量市场投资者看空情绪的指标。 * **因子具体构建过程**：直接汇总计算特定板块所有成分股的融券余额总额[21]。 4. **因子名称**：机构调研次数[5][23] * **因子构建思路**：统计上市公司接受机构调研的次数，作为机构关注度的代理变量[5][23]。 * **因子具体构建过程**：在指定时间窗口内（如2025年以来），累计每家上市公司被机构调研的总次数[23][26]。 5. **因子名称**：雪球大V关注数量[5][27] * **因子构建思路**：统计雪球平台上被粉丝数量较多的“大V”用户关注或讨论的个股数量，作为市场热门度和关注度的指标[5][27]。 * **因子具体构建过程**：在指定时间窗口内（如11月20日以来），统计每家上市公司被符合条件的雪球大V用户关注的数量[28]。 6. **因子名称**：主力资金净流入[5][29] * **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[5][29]。 * **因子具体构建过程**：首先定义大单（挂单金额20-100万元）和超大单（挂单金额>100万元）。在指定时间窗口内（如11月20日以来），计算每家上市公司每日大单与超大单的买入总额与卖出总额之差，即为主力资金净流入，可进行区间累计[29][30][32]。 7. **因子名称**：龙虎榜营业部资金净流入[33] * **因子构建思路**：利用龙虎榜公布的营业部交易数据，计算买卖双方营业部的资金净流入，反映最活跃资金的动向[33]。 * **因子具体构建过程**：对于登上龙虎榜的个股，将其当日买入金额最大的前五家营业部的买入总额，减去卖出金额最大的前五家营业部的卖出总额，得到营业部资金净流入[34]。 8. **因子名称**：高频股东户数增幅[5][35] * **因子构建思路**：基于最新两期股东户数，计算其增长幅度，作为持股分散度变化的指标[35][38]。 * **因子具体构建过程**：获取上市公司最新一期和上一期的股东户数。股东户数增幅的计算公式为： $$变动比例 = \frac{最新股东户数 - 上期股东户数}{上期股东户数} \times 100\%$$ 报告指出，股东户数的大幅增加可能对后续股价构成潜在风险提示[35][38]。 9. **因子名称**：成交额放量因子[15] * **因子构建思路**：通过比较短期和长期成交额均线的比值，识别成交量异常放大的个股[15]。 * **因子具体构建过程**：计算个股的10日成交额移动平均（MA10）与60日成交额移动平均（MA60）的比值，即： $$放量程度 = \frac{成交额MA10}{成交额MA60}$$ 该比值显著大于1表示近期成交活跃，出现放量[15]。 模型的回测效果 （注：本篇报告为资金行为监测报告，未提供上述量化模型的详细回测指标结果。） 因子的回测效果 （注：本篇报告为资金行为监测报告，主要展示各因子在商业航天板块的截面排序或监测结果，未提供因子在统一口径下的多空组合回测指标（如年化收益、夏普比率、信息比率IR等）数值。）

量化模型与因子总结 量化模型与构建方式 本报告为市场数据跟踪报告，未涉及具体的量化选股或择时模型，因此无量化模型相关内容。 量化因子与构建方式 报告中对多个市场指标进行了跟踪和计算，这些指标可被视为用于描述市场状态或估值的“因子”。以下是报告中涉及的主要因子： 1. **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为无风险利率参考，计算各宽基指数相对于无风险利率的风险溢价，用于衡量其相对投资价值和偏离情况[26]。 * **因子具体构建过程**：风险溢价的计算公式为指数收益率减去无风险利率。报告中具体计算了各宽基指数相对于十年期国债即期收益率的风险溢价，并统计了其近1年、近5年的分位值、均值及波动率等[29]。 $$风险溢价 = 指数收益率 - 十年期国债即期收益率$$ 其中，指数收益率通常使用指数的预期收益率或历史收益率，报告中展示的是当前风险溢价水平[29]。 2. **因子名称：股债性价比** * **因子构建思路**：以各指数PE-TTM的倒数（即盈利收益率）与十年期国债即期收益率之差来衡量股票资产相对于债券资产的吸引力[43]。 * **因子具体构建过程**：计算公式为各指数盈利收益率与十年期国债即期收益率的差值[43]。 $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 报告中将此差值作为股债性价比进行跟踪，并设定了基于近5年数据的80分位值（机会值）和20分位值（危险值）作为参考线[43]。 3. **因子名称：破净率** * **因子构建思路**：计算指数成分股中市净率小于1的个股占比，反映市场整体的估值态度和悲观程度[50][52]。 * **因子具体构建过程**：对于每个宽基指数，统计其成分股中满足“市净率(PB) < 1”条件的股票数量，再除以该指数的总成分股数量，得到百分比形式的破净率[50][53]。 $$破净率 = \frac{破净个股数}{指数总成分股数} \times 100\%$$ 报告跟踪了各主要宽基指数的当前破净率[53]。 4. **因子名称：交易金额占比** * **因子构建思路**：计算单一宽基指数的成交金额占全市场（以中证全指代表）成交金额的比例，用于观察资金在不同板块间的流动情况[16]。 * **因子具体构建过程**：以特定指数（如中证2000）当天的总成交金额，除以中证全指当天的总成交金额[16]。 $$交易金额占比_{指数} = \frac{指数当日交易金额}{中证全指当日交易金额} \times 100\%$$ 5. **因子名称：指数换手率** * **因子构建思路**：计算宽基指数的整体换手率，反映该板块内股票的交易活跃度[16]。 * **因子具体构建过程**：采用流通股本加权平均的方式计算指数换手率[16]。 $$指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$$ 6. **因子名称：收益分布峰度与偏度** * **因子构建思路**：计算指数日收益率分布的峰度和偏度，用于描述收益率分布的尖峭程度和对称性，反映市场收益的极端情况和分布形态变化[22][24]。 * **因子具体构建过程**：报告计算了各宽基指数日收益率序列的峰度（计算中减去了3，即与正态分布对比）和偏度，并对比了当前值与近5年历史值的差异[24]。峰度越大说明收益率分布更集中，正偏态显示极端正收益情形增加[22]。 因子的回测效果 本报告主要为市场状态跟踪，未提供基于历史数据的因子有效性检验（如IC、IR、多空收益等）。报告展示了各因子在**2025年12月11日**这个特定时点，对于**不同宽基指数**的截面取值情况。 1. **风险溢价因子** * 上证50：当前值-0.40%， 近1年分位值24.21%， 近5年分位值33.89%[29] * 沪深300：当前值-0.87%， 近1年分位值9.92%， 近5年分位值17.06%[29] * 中证500：当前值-1.03%， 近1年分位值12.70%， 近5年分位值15.71%[29] * 中证1000：当前值-1.31%， 近1年分位值11.11%， 近5年分位值14.21%[29] * 中证2000：当前值-1.70%， 近1年分位值8.73%， 近5年分位值11.03%[29] * 中证全指：当前值-1.11%， 近1年分位值9.92%， 近5年分位值13.02%[29] * 创业板指：当前值-1.42%， 近1年分位值12.30%， 近5年分位值15.95%[29] 2. **PE-TTM因子** * 上证50：当前值11.74， 近1年分位值73.14%， 近5年分位值82.56%[40] * 沪深300：当前值13.89， 近1年分位值71.49%， 近5年分位值80.91%[40] * 中证500：当前值32.35， 近1年分位值74.38%， 近5年分位值94.88%[40] * 中证1000：当前值46.77， 近1年分位值78.51%， 近5年分位值95.70%[40] * 中证2000：当前值153.96， 近1年分位值71.49%， 近5年分位值81.07%[40] * 中证全指：当前值20.88， 近1年分位值73.14%， 近5年分位值91.16%[40] * 创业板指：当前值40.99， 近1年分位值79.75%， 近5年分位值57.27%[40] 3. **股息率因子** * 上证50：当前值3.34%， 近1年分位值28.93%， 近5年分位值37.36%[49] * 沪深300：当前值2.79%， 近1年分位值32.64%， 近5年分位值39.34%[49] * 中证500：当前值1.38%， 近1年分位值25.21%， 近5年分位值15.95%[49] * 中证1000：当前值1.14%， 近1年分位值26.03%， 近5年分位值49.59%[49] * 中证2000：当前值0.77%， 近1年分位值19.42%， 近5年分位值14.79%[49] * 中证全指：当前值2.06%， 近1年分位值31.40%， 近5年分位值37.60%[49] * 创业板指：当前值1.01%， 近1年分位值16.94%， 近5年分位值67.60%[49] 4. **破净率因子** * 上证50：当前值20.0%[53] * 沪深300：当前值15.67%[53] * 中证500：当前值11.8%[53] * 中证1000：当前值8.2%[53] * 中证2000：当前值3.4%[53] * 中证全指：当前值6.37%[53] * 创业板指：当前值1.0%[53] 5. **交易金额占比因子** * 中证2000：当前值25.51%[16] * 沪深300：当前值23.93%[16] * 中证1000：当前值21.14%[16] * （其他指数未列出具体占比数值） 6. **指数换手率因子** * 中证2000：当前值4.26[16] * 中证1000：当前值2.4[16] * 创业板指：当前值2.34[16] * 中证全指：当前值1.69[16] * 中证500：当前值1.6[16] * 沪深300：当前值0.51[16] * 上证50：当前值0.23[16] 7. **收益分布峰度与偏度因子** * 上证50：当前峰度-0.05， 当前偏度1.31[24] * 沪深300：当前峰度0.59， 当前偏度1.53[24] * 中证500：当前峰度0.83， 当前偏度1.55[24] * 中证1000：当前峰度1.40， 当前偏度1.65[24] * 中证2000：当前峰度1.27， 当前偏度1.66[24] * 中证全指：当前峰度0.97， 当前偏度1.61[24] * 创业板指：当前峰度1.29， 当前偏度1.63[24]

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** * **因子构建思路**：通过计算盘中触及涨停且最终成功封住涨停板的股票比例，来度量市场追涨情绪和涨停板的可靠性[17]。 * **因子具体构建过程**： 1. 选取上市满3个月以上的股票作为样本[17]。 2. 在指定交易日，识别出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仍为涨停价的股票。 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** * **因子构建思路**：通过计算连续两日收盘涨停的股票比例，来度量市场涨停效应的持续性和短线投机资金的活跃度[17]。 * **因子具体构建过程**： 1. 选取上市满3个月以上的股票作为样本[17]。 2. 在指定交易日，获取前一日（T-1日）收盘涨停的股票列表。 3. 在上述列表中，筛选出当日（T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** * **因子构建思路**：通过计算大宗交易成交价相对于市价的折价幅度，来反映大资金的投资偏好、流动性折价以及市场情绪[26]。 * **因子具体构建过程**： 1. 获取指定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. 计算该交易日大宗交易的总成交金额和总成交份额[26]。 3. 根据总成交份额和该股票当日的市价（通常为收盘价），计算这些份额对应的总市值。 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] * 公式说明：该值为负表示折价交易，绝对值越大表示折价越深。 4. **因子名称：股指期货年化贴水率** * **因子构建思路**：通过计算股指期货价格相对于现货指数价格的年化基差，来反映市场对未来走势的预期、对冲成本以及套利机会[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[28]。 3. 获取该期货合约的剩余交易日数。 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] * 公式说明：该值为正表示期货升水，为负表示期货贴水。年化处理便于不同期限合约间的比较。 因子的回测效果 *本报告为市场监测日报，主要展示各指标在特定日期（2025年12月11日及附近）的截面数据或时间序列点位，未提供基于历史数据的因子分组回测绩效指标（如年化收益、夏普比率、IC值等）。因此，此处列出报告中提及的因子在观测日的具体数值。* 1. **封板率因子**，2025年12月11日取值：55%[17] 2. **连板率因子**，2025年12月11日取值：17%[17] 3. **大宗交易折价率因子**，2025年12月10日取值：9.03%[26]；近半年平均值：6.62%[26] 4. **股指期货年化贴水率因子** * **上证50股指期货**，2025年12月11日取值：10.12%[28]；近一年中位数：0.78%[28] * **沪深300股指期货**，2025年12月11日取值：11.52%[28]；近一年中位数：3.67%[28] * **中证500股指期货**，2025年12月11日取值：5.00%[28]；近一年中位数：11.22%[28] * **中证1000股指期货**，2025年12月11日取值：4.21%[28]；近一年中位数：13.67%[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**：通过构建一个多维度指标体系，对申万一级行业指数的拥挤度进行每日监测，以识别行业交易过热或过冷的状态[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、所采用的指标维度及合成方法。 2. **模型名称：溢价率Z-score模型**[4] * **模型构建思路**：通过计算ETF产品溢价率的历史Z-score值，来识别当前溢价率是否处于统计意义上的异常水平，从而筛选存在潜在套利机会或回调风险的ETF标的[4]。 * **模型具体构建过程**：报告未详细说明该模型的具体计算窗口期、Z-score阈值设定等构建细节。其核心公式应为： $$ Z = \frac{P - \mu}{\sigma} $$ 其中，\(P\)代表当前溢价率，\(\mu\)代表滚动窗口期内的历史溢价率均值，\(\sigma\)代表滚动窗口期内的历史溢价率标准差。 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（报告未明确具体维度，可能包括交易量、价格动量、资金流向等）构建一个衡量行业交易拥挤程度的综合指标[3]。 * **因子具体构建过程**：报告未提供该因子的具体构建过程和合成公式。 2. **因子名称：溢价率Z-score**[4] * **因子构建思路**：将ETF的实时溢价率与其自身历史表现进行标准化比较，得到一个表征当前溢价率偏离历史正常水平的统计值[4]。 * **因子具体构建过程**：作为溢价率Z-score模型的核心输出，其计算过程与上述模型公式一致，即对滚动窗口期内的历史溢价率序列进行标准化处理，得到当前溢价率的Z-score值。 模型的回测效果 （报告中未提供量化模型的回测效果指标数据） 因子的回测效果 （报告中未提供量化因子的回测效果指标数据）

量化模型与因子总结 量化因子与构建方式 1. **因子名称：风险溢价因子**[28] * **因子构建思路**：以十年期国债即期收益率为无风险利率参考，计算各宽基指数相对于无风险利率的风险溢价，用于衡量其相对投资价值和偏离情况[28]。 * **因子具体构建过程**：风险溢价的计算公式为指数收益率减去无风险利率。报告中具体展示了各宽基指数相对于十年期国债即期收益率的风险溢价，并计算了其近1年和近5年的历史分位值[32]。公式可表示为： $$风险溢价 = 指数收益率 - 无风险利率$$ 其中，无风险利率采用十年期国债即期收益率。 2. **因子名称：股债性价比因子**[47] * **因子构建思路**：以各指数市盈率（PE-TTM）的倒数代表股票的潜在收益率，减去十年期国债即期收益率，得到股债利差，用于比较股票与债券的相对吸引力[47]。 * **因子具体构建过程**：股债性价比的计算公式为指数市盈率（PE-TTM）的倒数与十年期国债即期收益率之差[47]。公式可表示为： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 报告中通过该因子的历史走势图，结合近5年数据的80分位值（机会值）和20分位值（危险值）进行观察[47]。 3. **因子名称：股息率因子**[49] * **因子构建思路**：股息率反映现金分红回报率，是红利投资风格的核心指标，用于跟踪各指数的现金分红回报情况及其变化趋势[49]。 * **因子具体构建过程**：股息率通常计算为每股股息除以每股股价。报告中直接列出了各宽基指数的当前股息率数值，并计算了其近1年、近5年及全部历史的分位值[54]。 4. **因子名称：破净率因子**[55] * **因子构建思路**：破净率指市净率小于1的个股数量占比，用于反映市场整体的估值态度和悲观程度，破净率越高通常意味着市场低估越普遍[55][57]。 * **因子具体构建过程**：首先识别指数成分股中市净率（PB）小于1的个股，然后计算其数量占指数总成分股数量的比例[55]。公式可表示为： $$破净率 = \frac{市净率(PB) < 1的个股数量}{指数总成分股数量} \times 100\%$$ 报告中列出了各宽基指数在特定日期的破净率具体数值[58]。 5. **因子名称：指数换手率因子**[18] * **因子构建思路**：计算各宽基指数的整体换手率，用于衡量对应市场的交易活跃度和流动性情况[18]。 * **因子具体构建过程**：指数换手率采用流通市值加权平均的方式计算，具体公式为[18]： $$指数换手率 = \frac{\sum(成分股流通股本 \times 成分股换手率)}{\sum(成分股流通股本)}$$ 6. **因子名称：收益分布形态因子（偏度与峰度）**[24][26] * **因子构建思路**：通过计算指数日收益率分布的偏度和峰度，描述收益分布的不对称性和尖峰肥尾特征，以反映市场极端收益出现的可能性和分布集中程度[24][26]。 * **因子具体构建过程**： * **偏度**：衡量分布不对称性。正偏态表示极端正收益情形增加[24]。报告中计算了当前偏度与近5年偏度的差值[26]。 * **峰度**：衡量分布尾部厚度和尖峰程度。报告中在计算时减去了3（正态分布的峰度值），因此“峰度负偏离”表示当前分布比近5年基准更平坦[26]。公式可表示为： $$超额峰度 = 样本峰度 - 3$$ 因子的回测效果 （注：本报告主要为市场数据跟踪与统计，未提供基于历史数据的严格因子回测绩效指标，如年化收益率、夏普比率、信息比率(IR)等。以下为报告中给出的各因子在特定时点（2025年12月10日）的截面数据或统计值。） 1. **风险溢价因子**，当前风险溢价：上证50(-0.32%)、沪深300(-0.15%)、中证500(0.48%)、中证1000(0.37%)、中证2000(0.17%)、中证全指(0.10%)、创业板指(-0.03%)[32]；近5年分位值：上证50(36.98%)、沪深300(44.76%)、中证500(68.41%)、中证1000(60.08%)、中证2000(50.56%)、中证全指(54.60%)、创业板指(51.90%)[32] 2. **股债性价比因子**，观察结论：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] 3. **股息率因子**，当前值：上证50(3.33%)、沪深300(2.73%)、中证500(1.37%)、中证1000(1.12%)、中证2000(0.75%)、中证全指(2.02%)、创业板指(0.99%)[54]；近5年分位值：上证50(37.11%)、沪深300(37.11%)、中证500(15.37%)、中证1000(45.21%)、中证2000(9.17%)、中证全指(35.70%)、创业板指(66.28%)[54] 4. **破净率因子**，当前值：上证50(24.0%)、沪深300(16.33%)、中证500(12.0%)、中证1000(8.1%)、中证2000(3.1%)、创业板指(1.0%)、中证全指(6.24%)[58] 5. **指数换手率因子**，当前值：中证2000(4.21)、中证1000(2.21)、创业板指(2.05)、中证全指(1.61)、中证500(1.35)、沪深300(0.52)、上证50(0.24)[18] 6. **收益分布形态因子（偏度与峰度）**，当前vs近5年峰度差：上证50(-2.11)、沪深300(-1.80)、中证500(-2.14)、中证1000(-1.35)、中证2000(-1.64)、中证全指(-1.83)、创业板指(-2.29)[26]；当前vs近5年偏度差：上证50(-0.58)、沪深300(-0.45)、中证500(-0.55)、中证1000(-0.36)、中证2000(-0.38)、中证全指(-0.45)、创业板指(-0.57)[26]

量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[41] * **模型构建思路**：为了准确计算股指期货的升贴水，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。该模型旨在精确预测从当前时刻到股指期货合约到期日之间，指数因成分股分红而累计下跌的点数[11][41]。 * **模型具体构建过程**：模型的核心是计算在特定时间段内，所有成分股分红对指数点位的总影响。具体流程如下[41][42]： 1. **确定计算范围**：假设当前日期为 `t`，股指期货合约到期日为 `T`。对于指数中第 `n` 只成分股，其除权除息日需满足 `t < 除息日 ≤ T`[41]。 2. **计算总分红点数**：指数在 `t` 到 `T` 期间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，求和仅包含在 `t` 到 `T` 期间有分红的股票[41]。 3. **获取与预测核心输入数据**：公式中所需数据（成分股权重、分红金额等）的获取与预测方法如下： * **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，以确保准确性，避免因指数调整、个股行为导致估算偏差[46]。 * **分红金额**：若公司已公布分红金额，则直接采用；否则需进行估计。分红金额可分解为：`分红金额 = 净利润 × 股息支付率`[47]。 * **净利润预测**：采用“基于历史净利润分布的动态预测法”。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）；否则，根据公司历史季度盈利分布的稳定性进行分类预测[48][50]。 * **股息支付率预测**：采用历史数据平均进行预测。具体规则为：若去年分红，则用去年股息支付率；若去年不分红，则用最近3年平均；若从未分红，则默认不分红；预测值大于100%时进行截尾处理[51][53]。 * **除息日预测**：采用“基于历史间隔天数稳定性的线性外推法”。若已公布则直接采用；否则，根据公司是否已公布预案、所处阶段（预案/决案）以及历史公告日到除息日的间隔天数的稳定性，进行线性外推或采用历史分红日期；若无合理参考，则根据多数公司分红时间规律设置默认日期（如7月31日、8月31日或9月30日）[51][56]。 * **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关键输入，实现了对指数分红点位的准确预测。回测显示，其对上证50和沪深300指数的预测误差较小，对中证500指数的预测也基本稳定[61]。 模型的回测效果 1. **股指分红点位测算模型**，2023年预测股息点与实际股息点误差：上证50指数和沪深300指数基本在5个点左右，中证500指数基本在10个点左右[61]。 2. **股指分红点位测算模型**，2024年预测股息点与实际股息点误差：上证50指数和沪深300指数基本在5个点左右，中证500指数基本在10个点左右[61]。 3. **股指分红点位测算模型**，对股指期货合约的预测效果：上证50和沪深300股指期货预测效果最好，中证500股指期货的预测偏离度稍大[61]。 量化因子与构建方式 1. **因子名称：已实现股息率**[3][17] * **因子构建思路**：衡量指数成分股中，在计算时点之前已经完成现金分红的公司，其分红总额相对于指数总市值的比率，反映已落袋为安的分红收益[17]。 * **因子具体构建过程**：计算截至某一时点，指数中所有已现金分红公司的累计分红总额与指数总市值的比值。公式表示为： $$已实现股息率 = \frac{\sum_{i=1}^{N1} (成分股i的分红金额)}{\sum_{i=1}^{N1} (成分股i的总市值)}$$ 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. **因子名称：剩余股息率**[3][17] * **因子构建思路**：衡量指数成分股中，在计算时点之后预计还将进行现金分红的公司，其预测分红总额相对于指数总市值的比率，反映未来潜在的分红收益[17]。 * **因子具体构建过程**：计算截至某一时点，指数中所有尚未现金分红但预计会分红的公司的预测分红总额与指数总市值的比值。公式表示为： $$剩余股息率 = \frac{\sum_{j=1}^{N2} (成分股j的预测分红金额)}{\sum_{j=1}^{N2} (成分股j的总市值)}$$ 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：年化升贴水率**[4][13] * **因子构建思路**：在扣除指数分红影响后，计算股指期货价格相对于其标的指数价格的偏离程度，并进行年化处理，以衡量期货合约的交易情绪和相对价值[11]。 * **因子具体构建过程**： 1. 首先计算扣除分红影响后的期货合约与指数的价差（含分红价差）。 2. 然后计算升贴水幅度：`升贴水 = 含分红价差 / 指数收盘价`。 3. 最后进行年化：`年化升贴水 = 升贴水 × (365 / 到期天数)`[13]。 因子的回测效果 1. **已实现股息率**，截至2025年12月10日取值：上证50指数为2.52%，沪深300指数为2.04%，中证500指数为1.25%，中证1000指数为0.96%[3]。 2. **剩余股息率**，截至2025年12月10日取值：上证50指数为0.42%，沪深300指数为0.24%，中证500指数为0.03%，中证1000指数为0.01%[3]。 3. **年化升贴水率**，截至2025年12月10日主力合约取值：IH为-4.55%，IF为-11.45%，IC为-18.74%，IM为-19.97%[4][13]。