量化模型与构建方式 1. **模型名称**：无 **模型构建思路**：无 **模型具体构建过程**：无 量化因子与构建方式 1. **因子名称**：封板率[16] **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，来衡量涨停板的封板质量或市场追涨情绪[16] **因子具体构建过程**：筛选上市满3个月以上的股票，统计在特定交易日中，最高价曾达到涨停价的股票数量，以及在这些股票中收盘价仍为涨停价的股票数量，两者相除得到封板率[16] **因子计算公式**：$$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[16] **因子评价**：该指标反映了市场追涨资金的坚决程度，封板率越高，通常意味着涨停板的有效性或市场情绪越强[16] 2. **因子名称**：连板率[16] **因子构建思路**：通过计算连续两个交易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，来衡量市场涨停效应的持续性[16] **因子具体构建过程**：筛选上市满3个月以上的股票，统计在特定交易日（T日）收盘涨停的股票数量，以及这些股票中在下一个交易日（T+1日）收盘也涨停的股票数量，后者除以前者得到连板率[16] **因子计算公式**：$$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[16] **因子评价**：该指标反映了市场短线炒作热度的延续性，连板率越高，表明市场赚钱效应和投机情绪越强[16] 3. **因子名称**：大宗交易折价率[25] **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的差异比例，来反映大资金交易的折价水平，可作为观察机构或大股东交易情绪与偏好的指标[25] **因子具体构建过程**：收集每日大宗交易数据，包括每笔交易的成交金额和成交数量。计算所有大宗交易的总成交金额。同时，根据每笔交易的成交数量和该股票当日的收盘价（或成交均价）计算该笔交易若在二级市场成交的理论市值，并求和得到当日成交份额的总市值。最后计算折价率[25] **因子计算公式**：$$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[25] **因子评价**：折价率的高低能在一定程度上反映大资金的投资偏好和市场情绪，通常折价率越高，表明卖出方让利意愿越强或买方议价能力越高，可能隐含了对后市的谨慎看法[25] 4. **因子名称**：股指期货年化贴水率[27] **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，来衡量市场对未来走势的预期以及股指对冲的成本[27] **因子具体构建过程**：选取上证50、沪深300、中证500、中证1000等股指期货的主力合约。计算基差（股指期货价格 - 现货指数价格）。将基差除以现货指数价格，再乘以年化因子（250天除以合约剩余交易日数），得到年化贴水率。当结果为负时，表示贴水；为正时，表示升水[27] **因子计算公式**：$$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[27] **因子评价**：该指标综合反映了金融市场利率、股市分红、微观资金成本、套利力量和市场情绪等因素。贴水率的高低会影响利用股指期货进行对冲的成本，其变化也能在一定程度上反映市场对未来预期的乐观或悲观程度[27] 模型的回测效果 1. **无相关模型回测结果** 因子的回测效果 1. **封板率因子**：2025年12月10日，封板率取值为65%[16] 2. **连板率因子**：2025年12月10日，连板率取值为30%[16] 3. **大宗交易折价率因子**： * 近半年以来平均折价率取值为6.60%[25] * 2025年12月09日，当日折价率取值为10.95%[25] 4. **股指期货年化贴水率因子**： * **上证50股指期货**：近一年年化贴水率中位数取值为0.70%；2025年12月10日，当日年化贴水率取值为9.37%，处于近一年来9%分位点[27] * **沪深300股指期货**：近一年年化贴水率中位数取值为3.66%；2025年12月10日，当日年化贴水率取值为13.71%，处于近一年来4%分位点[27] * **中证500股指期货**：近一年年化贴水率中位数取值为11.22%；2025年12月10日，当日年化贴水率取值为16.87%，处于近一年来21%分位点[27] * **中证1000股指期货**：近一年年化贴水率中位数取值为13.67%；2025年12月10日，当日年化贴水率取值为17.76%，处于近一年来29%分位点[27]

量化模型与因子总结 量化因子与构建方式 1. 价格区间因子 * **因子名称**：价格区间因子 * **构建思路**：衡量股票在日内不同价格区间成交的活跃程度，以体现投资者对未来走势的预期[3]。具体而言，高价格区间成交越不活跃，或低价格区间大资金越活跃，股票未来上涨可能性越大[12]。 * **具体构建过程**： 1. 使用高频三秒快照数据[12]。 2. 构建三个细分因子： * **高价格80%区间成交量因子 (VH80TAW)**：衡量股票在日内高价格80%区间的成交量活跃度，与未来收益呈负相关[12]。 * **高价格80%区间成交笔数因子 (MIH80TAW)**：衡量股票在日内高价格80%区间的成交笔数活跃度，与未来收益呈负相关[12]。 * **低价格10%区间每笔成交量因子 (VPML10TAW)**：衡量股票在日内低价格10%区间的平均每笔成交量，与未来收益呈正相关[12]。 3. 以25%、25%和50%的权重对上述三个细分因子进行合成[14]。 4. 对合成后的因子进行行业和市值中性化处理[14]。 * **因子评价**：该因子展现出了较强的预测效果，在样本外表现出色，超额净值曲线稳定向上，今年以来表现比较稳定[3][16]。 2. 量价背离因子 * **因子名称**：量价背离因子 * **构建思路**：衡量股票价格与成交量的相关性，当量价出现背离时（相关性低），无论股价处于上升或下降通道，未来上涨的可能性均较高[20]。 * **具体构建过程**： 1. 利用高频快照数据[20]。 2. 分别计算快照成交价与快照成交量、成交笔数、每笔成交量的相关性[20]。 3. 选取在周频调仓下表现较好的两个细分因子： * **价格与成交笔数的相关性因子 (CorrPM)**[20] * **价格与成交量的相关性因子 (CorrPV)**[20] 4. 对上述两个细分因子进行等权合成[20]。 5. 对合成后的因子进行行业和市值中性化处理[20]。 * **因子评价**：该因子近几年表现不太稳定，多空净值曲线趋近走平，但去年超额收益处于历史较高水平，今年以来表现良好[3][22]。 3. 遗憾规避因子 * **因子名称**：遗憾规避因子 * **构建思路**：基于行为金融学的遗憾规避理论，考察投资者卖出股票后股价反弹的比例和程度。卖出后反弹占比越高或反弹程度越大，表明投资者遗憾情绪越强，股票未来预期收益更低[23]。 * **具体构建过程**： 1. 利用逐笔成交数据区分每笔交易的主动买卖方向[23]。 2. 在加入小单和尾盘交易限制后，因子表现有进一步提升[23]。 3. 选取在周频调仓下表现较好的两个细分因子： * **卖出反弹占比因子 (LCVOLESW)**[23] * **卖出反弹偏离因子 (LCPESW)**[23] 4. 对上述两个细分因子进行等权合成[28]。 5. 对合成后的因子进行行业和市值中性化处理[28]。 * **因子评价**：该因子展现了较好的预测效果，样本外超额收益稳定，表明A股投资者的遗憾规避情绪会显著影响股价预期收益[3][31]。 4. 斜率凸性因子 * **因子名称**：斜率凸性因子 * **构建思路**：从投资者耐心与供求关系弹性的角度出发，利用限价订单簿数据计算买卖双方的订单簿斜率。买方斜率越大（需求弹性小）或卖方斜率越小（供给弹性大），表明投资者对价格不敏感或不愿轻易降价，对应股票更高的预期收益[32]。 * **具体构建过程**： 1. 使用高频快照数据中的限价订单簿信息[32]。 2. 将委托量数据按照档位累加，用委托价和累计委托量计算买卖双方的订单簿斜率[32]。 3. 区分高档位和低档位投资者斜率因子，并根据两者的反向关系构建斜率凸性因子[32]。 4. 提取两个细分因子进行合成： * **低档斜率因子 (Slope_abl)**[32] * **高档位卖方凸性因子 (Slope_alh)**[32] 5. 对上述两个细分因子进行等权合成[35]。 6. 对合成后的因子进行行业和市值中性化处理[35]。 * **因子评价**：该因子自2016年以来收益保持平稳趋势，但在样本外整体表现比较平淡[35]。 5. 高频“金”组合合成因子 * **因子/模型名称**：高频“金”组合合成因子（用于构建中证1000指数增强策略） * **构建思路**：将多个有效的单一高频因子合成，以构建综合性的选股模型[3]。 * **具体构建过程**：将上述**价格区间因子**、**量价背离因子**、**遗憾规避因子**三类高频因子进行等权合成[3]。 6. 高频&基本面共振组合合成因子 * **因子/模型名称**：高频&基本面共振组合合成因子（用于构建中证1000指数增强策略） * **构建思路**：结合相关性较低的高频因子与基本面因子，以提升多因子投资组合的表现[44]。 * **具体构建过程**：将高频“金”组合合成因子（包含上述三类高频因子）与三个比较有效的基本面因子（一致预期、成长、技术因子）进行等权合成[44]。 量化模型的回测效果 1. 高频“金”组合中证1000指数增强策略 * **模型名称**：高频“金”组合中证1000指数增强策略 * **构建思路**：基于合成的高频“金”组合因子构建指数增强策略[39]。 * **具体构建过程**： 1. 使用高频“金”组合合成因子进行选股。 2. 策略调仓频率为周度，基准为中证1000指数[39]。 3. 手续费率为单边千分之二[39]。 4. 加入换手率缓冲机制以降低调仓成本[39]。 * **模型评价**：该策略在样本外表现出色，有着较强的超额收益水平[43]。 * **测试结果**： * 年化收益率：9.49%[40] * 年化波动率：23.87%[40] * Sharpe比率：0.40[40] * 最大回撤率：47.77%[40] * 双边换手率（周度）：14.66%[40] * 年化超额收益率：10.11%[40] * 跟踪误差：4.29%[40] * 信息比率(IR)：2.36[40] * 超额最大回撤：6.04%[40] * 上周超额收益：0.13%[3][43] * 本月以来超额收益：0.13%[3][43] * 今年以来超额收益：7.16%[3][43] 2. 高频&基本面共振组合中证1000指数增强策略 * **模型名称**：高频&基本面共振组合中证1000指数增强策略 * **构建思路**：基于合成的高频&基本面共振组合因子构建指数增强策略[44]。 * **具体构建过程**： 1. 使用高频&基本面共振组合合成因子进行选股。 2. 策略基准为中证1000指数[44]。 * **模型评价**：加入基本面因子后的指数增强策略各项业绩指标均有一定程度提升，在样本外表现稳定，有着较强的超额收益水平[44][48]。 * **测试结果**： * 年化收益率：13.66%[47] * 年化波动率：23.49%[47] * Sharpe比率：0.58[47] * 最大回撤率：39.60%[47] * 双边换手率（周度）：22.54%[47] * 年化超额收益率：14.21%[47] * 跟踪误差：4.19%[47] * 信息比率(IR)：3.39[47] * 超额最大回撤：4.52%[47] * 上周超额收益：0.35%[4][48] * 本月以来超额收益：0.35%[4][48] * 今年以来超额收益：7.03%[4][48] 量化因子的回测效果 （注：以下因子表现均为在中证1000指数成分股内，经过行业市值中性化处理后的结果[11]） 1. 价格区间因子 * **多空收益率**： * 上周：-0.88%[13] * 本月以来：-0.88%[13] * 今年以来：12.91%[13] * **多头超额收益率**： * 上周：-0.51%[2][13] * 本月以来：-0.51%[2][13] * 今年以来：4.98%[2][13] 2. 量价背离因子 * **多空收益率**： * 上周：1.73%[11][13] * 本月以来：1.73%[13] * 今年以来：16.24%[13] * **多头超额收益率**： * 上周：0.37%[2][13] * 本月以来：0.37%[2][13] * 今年以来：4.93%[2][13] 3. 遗憾规避因子 * **多空收益率**： * 上周：-0.13%[11][13] * 本月以来：-0.13%[13] * 今年以来：14.72%[13] * **多头超额收益率**： * 上周：0.03%[2][13] * 本月以来：0.03%[2][13] * 今年以来：-1.00%[2][13] 4. 斜率凸性因子 * **多头超额收益率**： * 上周：-0.35%[2] * 本月以来：-0.35%[2] * 今年以来：-6.11%[2] 5. 价格区间细分因子 * **高价格80%区间成交量因子 (VH80TAW)**： * 多空收益率（今年以来）：17.55%[12] * 多头超额收益率（上周）：-0.52%[12] * 多头超额收益率（本月以来）：-0.52%[12] * 多头超额收益率（今年以来）：5.64%[12] * **高价格80%区间成交笔数因子 (MIH80TAW)**： * 多空收益率（今年以来）：20.58%[12] * 多头超额收益率（上周）：-0.39%[12] * 多头超额收益率（本月以来）：-0.39%[12] * 多头超额收益率（今年以来）：7.15%[12] * **低价格10%区间每笔成交量因子 (VPML10TAW)**： * 多空收益率（今年以来）：2.81%[12] * 多头超额收益率（上周）：0.08%[12] * 多头超额收益率（本月以来）：0.08%[12] * 多头超额收益率（今年以来）：0.36%[12] 6. 量价背离细分因子 * **价格与成交笔数相关性因子 (CorrPM)**： * 多空收益率（上周）：2.60%[20] * 多空收益率（本月以来）：2.60%[20] * 多空收益率（今年以来）：28.03%[20] * 多头超额收益率（上周）：0.50%[20] * 多头超额收益率（本月以来）：0.50%[20] * 多头超额收益率（今年以来）：8.80%[20] * **价格与成交量相关性因子 (CorrPV)**： * 多空收益率（上周）：2.92%[20] * 多空收益率（本月以来）：2.92%[20] * 多空收益率（今年以来）：24.47%[20] * 多头超额收益率（上周）：0.52%[20] * 多头超额收益率（本月以来）：0.52%[20] * 多头超额收益率（今年以来）：10.71%[20] 7. 遗憾规避细分因子 * **卖出反弹占比因子 (LCVOLESW)**： * 多空收益率（上周）：0.10%[23] * 多空收益率（本月以来）：0.10%[23] * 多空收益率（今年以来）：-1.16%[23] * 多头超额收益率（上周）：-0.08%[26] * 多头超额收益率（本月以来）：-0.08%[26] * 多头超额收益率（今年以来）：-4.73%[26] * **卖出反弹偏离因子 (LCPESW)**： * 多空收益率（上周）：1.10%[23] * 多空收益率（本月以来）：1.10%[23] * 多空收益率（今年以来）：21.87%[23] * 多头超额收益率（上周）：0.17%[26] * 多头超额收益率（本月以来）：0.17%[26] * 多头超额收益率（今年以来）：-1.88%[26] 8. 斜率凸性细分因子 * **低档斜率因子 (Slope_abl)**： * 多空收益率（上周）：-0.92%[34] * 多空收益率（本月以来）：-0.92%[34] * 多空收益率（今年以来）：-5.51%[34] * 多头超额收益率（上周）：-0.51%[34] * 多头超额收益率（本月以来）：-0.51%[34] * 多头超额收益率（今年以来）：-9.82%[34] * **高档位卖方凸性因子 (Slope_alh)**： * 多空收益率（上周）：0.25%[34] * 多空收益率（本月以来）：0.25%[34] * 多空收益率（今年以来）：-13.42%[34] * 多头超额收益率（上周）：0.64%[34] * 多头超额收益率（本月以来）：0.64%[34] * 多头超额收益率（今年以来）：-4.05%[34]

量化模型与构建方式 1. 模型名称：Barra CNE6 纯因子风险模型 - **模型构建思路**：Barra风险模型是一种多因子模型，旨在对资产收益率进行降维，以方便计算资产间的协方差矩阵，为投资组合的风险管理和优化提供依据[3]。该模型通过构建“纯因子组合”来评估因子收益率的实际大小，该组合对目标因子的暴露为1，对其他所有因子的暴露为0[3][19]。 - **模型具体构建过程**： 1. **基础模型设定**：在截面t，资产的收益率满足多元线性回归模型： $$R_{t}=\alpha+\beta\lambda_{t}+\varepsilon_{t}$$[9] 其中，$R_t$为N个资产的收益率向量，$\beta$为因子暴露矩阵，$\lambda_t$为因子收益率向量，$\varepsilon_t$为残差向量[9]。 2. **因子暴露标准化**：Barra对风格因子暴露进行市值加权标准化，以确保市场组合对所有风格因子中性（暴露为0）。标准化公式为： $$\widehat{\boldsymbol{\beta}_{t-1}^{j}}=\frac{{\boldsymbol{\beta}_{t-1}^{j}}-\frac{\sum_{i}^{N}s_{i,t-1}\beta_{i,t-1}^{j}}{\sum_{i}^{N}s_{i,t-1}}}{s t d({\boldsymbol{\beta}_{t-1}^{j}})}\,,j=1,\ldots,k$$[18] 其中，$s_{i,t-1}$为个股i在t-1时刻的流通市值[18]。 3. **处理共线性约束**：为解决国家因子与行业因子间的共线性，对行业因子收益率施加约束： $\sum_{i=1}^{P}s_{I_{i}}\lambda_{i}^{I_{i}}=0$[18] 其中，$s_{I_i}$是所有属于行业$I_i$的股票流通市值之和[18]。由此可推导出约束矩阵$C_t$，使得因子收益率$\lambda_t = C_t \gamma_t$[22]。 4. **处理异方差问题**：采用加权最小二乘法，假设个股特异性收益率方差与其市值平方根成反比，权重矩阵$W$为对角阵，其元素$w_{ii} = 1/\sqrt{s_i}$[20][22]。 5. **模型求解**：结合约束条件和加权矩阵，最终因子收益率的估计量为： $$\lambda_{t}=C_{t}(C_{t}\beta_{t-1}W^{-1}\beta_{t-1}C_{t})^{-1}C_{t}\beta_{t-1}W^{-1}R_{t}$$[25] 该式表明因子收益率可视为一篮子股票投资组合（即纯因子组合）的收益率[25]。 - **模型评价**：该模型通过带约束的加权最小二乘法解决了因子间的共线性与异方差问题，得到的纯因子组合能更纯净地评估因子收益[3][107]。但纯因子组合未考虑卖空等现实投资约束，可投资性较低[19]。 2. 因子名称：大类风格因子（共8类） - **因子的构建思路**：报告在Barra CNE6（CNTR）模型的基础上，受限于数据可得性，剔除了与分析师预期相关的因子，将剩余的二级、三级风格因子等权合成为8个大类一级因子，用于构建纯因子模型并进行检验[26][108]。 - **因子具体构建过程**： 1. **因子选取**：从Barra CNE6的9个大类因子中剔除Sentiment（情绪）因子，最终使用8个大类因子：Size（规模）、Volatility（波动率）、Liquidity（流动性）、Momentum（动量）、Quality（质量）、Value（价值）、Growth（成长）、Dividend Yield（股息率）[26][108]。 2. **数据清洗与标准化**： - **去极值**：采用3倍绝对中位差法处理极端值[31]。 - **标准化**：先进行截面Z-Score标准化：$\tilde{\beta}_i = (\beta_i - median(\boldsymbol{\beta})) / mad(\boldsymbol{\beta})$[31]。 - **市值中性化**：对标准化后的风格因子进行市值加权标准化，使其满足 $\sum_{i=1}^{N}\beta_{i}^{q}\,s_{i}=0$，以确保市场组合风格中性[32]。 3. **合成方法**：由于Barra未提供子因子合成权重，报告对所有子级因子采用等权合成的方式得到大类因子[26]。 模型的回测效果 1. **Barra CNE6 纯因子模型**，全样本回归 $R^2$ 均值约为 **11.45%**[71][108]。 2. **残差因子**，作为选股因子，中间层第5组年化收益达 **17.98%**，夏普比率为 **0.68**；第5组相较于第10组的超额年化收益为 **13.58%**，超额夏普比率为 **1.50**[82][108]。 量化因子与构建方式 （注：报告详细构建并测试了8个大类风格因子，其构建思路和过程已在上述“大类风格因子”部分统一描述。此处列出各因子名称及部分三级因子定义作为补充。） 1. 因子名称：Size（规模） - **三级因子**：LNCAP（流通市值的自然对数）、MIDCAP（中市值，由Size因子暴露立方正交化后处理得到）[114]。 2. 因子名称：Volatility（波动率） - **三级因子**： - Beta：股票收益率对沪深300收益率进行252交易日（半衰期63日）时间序列回归的系数[114]。 - Hist sigma：上述回归残差收益率的波动率[114]。 - Daily std：日收益率在过去252个交易日（半衰期42日）的波动率[114]。 - Cumulative range：过去12个月累积对数收益率的范围（最大值减最小值）[114]。 3. 因子名称：Liquidity（流动性） - **三级因子**： - Monthly share turnover：最近21个交易日股票换手率之和的对数[114]。 - Quarterly share turnover：过去3个月月换手率指数平均值的对数[114]。 - Annual share turnover：过去12个月月换手率指数平均值的对数[114]。 - Annualized traded value ratio：日换手率在252个交易日（半衰期63日）内的加权求和[114]。 4. 因子名称：Momentum（动量） - **三级因子**： - Short Term reversal：最近一个月（21个交易日，半衰期5日）的加权累积对数日收益率[114]。 - Seasonality：过去五年对应月份收益率的平均值[114]。 - Industry Momentum：个股相对于其所属中信一级行业的强度[114]。 - Relative strength & Historical alpha：动量相关指标[114]。 5. 因子名称：Quality（质量） - **三级因子**：涵盖杠杆（Market Leverage, Book Leverage, Debt to asset ratio）、盈利波动性（Variation in Sales, Earnings, Cash-Flows）、盈利质量（Accruals）、盈利能力（Asset turnover, Gross profitability, Return on assets等）、投资质量（Total Assets Growth Rate等）多个维度[29]。 6. 因子名称：Value（价值） - **三级因子**：主要包括账面市值比、盈余价格比、现金流价格比、企业价值倍数等估值指标，以及长期反转因子[29]。 7. 因子名称：Growth（成长） - **三级因子**：历史每股收益增长率和历史每股销售收入增长率[29]。 8. 因子名称：Dividend Yield（股息率） - **三级因子**：股息价格比[29]。 因子的回测效果 （以下为**大类风格因子单因子分层回测**表现，数据来源于表2[64]） 1. **Growth因子**，Rank IC **-0.63%**，RankICIR **-0.119**，RankIC>0比例 **44.02%**，t值 **7.36**，单调性 **37.54%**[64]。 2. **Momentum因子**，Rank IC **-1.25%**，RankICIR **-0.090**，RankIC>0比例 **45.74%**，t值 **5.59**，单调性 **72.14%**[64]。 3. **Volatility因子**，Rank IC **-0.83%**，RankICIR **-0.047**，RankIC>0比例 **47.15%**，t值 **2.88**，单调性 **86.26%**[64]。 4. **DividendYield因子**，Rank IC **-0.30%**，RankICIR **-0.035**，RankIC>0比例 **46.71%**，t值 **2.15**，单调性 **90.82%**[64]。 5. **Size因子**，Rank IC **0.16%**，RankICIR **0.026**，RankIC>0比例 **50.21%**，t值 **1.59**，单调性 **43.50%**[64]。 6. **Value因子**，Rank IC **0.35%**，RankICIR **0.024**，RankIC>0比例 **50.39%**，t值 **1.47**，单调性 **74.12%**[64]。 7. **Quality因子**，Rank IC **0.24%**，RankICIR **0.022**，RankIC>0比例 **50.44%**，t值 **1.38**，单调性 **36.12%**[64]。 8. **Liquidity因子**，Rank IC **0.28%**，RankICIR **0.016**，RankIC>0比例 **50.60%**，t值 **1.01**，单调性 **92.27%**[64]。 （以下为**大类风格因子纯因子组合**回测表现，数据来源于表3[76]） 1. **Size因子**，年化收益 **-2.75%**，年化波动 **0.026**，最大回撤 **35.53%**，夏普比率 **-1.08**，VIF **1.21**，t均值 **2.31***，t值>2比例 **45.16%**[76]。 2. **Volatility因子**，年化收益 **1.93%**，年化波动 **0.049**，最大回撤 **12.43%**，夏普比率 **0.39**，VIF **1.10**，t均值 **3.50***，t值>2比例 **62.53%**[76]。 3. **Liquidity因子**，年化收益 **-5.90%**，年化波动 **0.033**，最大回撤 **60.88%**，夏普比率 **-1.81**，VIF **1.26**，t均值 **2.39***，t值>2比例 **46.68%**[76]。 4. **Momentum因子**，年化收益 **-5.57%**，年化波动 **0.042**，最大回撤 **58.64%**，夏普比率 **-1.32**，VIF **1.11**，t均值 **3.46***，t值>2比例 **62.14%**[76]。 5. **Growth因子**，年化收益 **-0.21%**，年化波动 **0.015**，最大回撤 **9.24%**，夏普比率 **-0.15**，VIF **1.50**，t均值 **1.62**，t值>2比例 **30.01%**[76]。 6. **DividendYield因子**，年化收益 **-0.85%**，年化波动 **0.016**，最大回撤 **17.09%**，夏普比率 **-0.52**，VIF **1.19**，t均值 **1.53**，t值>2比例 **28.73%**[76]。 7. **Quality因子**，年化收益 **0.35%**，年化波动 **0.016**，最大回撤 **8.45%**，夏普比率 **0.23**，VIF **1.09**，t均值 **1.45**，t值>2比例 **26.66%**[76]。 8. **Value因子**，年化收益 **1.38%**，年化波动 **0.028**，最大回撤 **13.83%**，夏普比率 **0.49**，VIF **1.14**，t均值 **2.03***，t值>2比例 **38.96%**[76]。

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[31]。 * **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，并统计了其在不同时间窗口（近1年、近5年）内的均值、波动率及分位值[33][35]。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，与十年期国债即期收益率（代表债券收益率）进行比较，其差值用于衡量股票相对于债券的吸引力[50]。 * **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）的倒数减去十年期国债即期收益率[50]。报告通过该指标观察其历史走势，并与近5年数据计算的80分位值（机会值）、20分位值（危险值）及均值进行比较[50]。公式可表示为： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 3. **因子名称：股息率** * **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。跟踪各指数的股息率，观察其走势和变化趋势，特别是在市场低迷或利率下行期的表现[52]。 * **因子具体构建过程**：股息率通常计算为成分股年度现金分红总额除以指数总市值。报告展示了各宽基指数的当前股息率，并统计了其近1年、近5年及历史分位值、均值、波动率等[57]。 4. **因子名称：破净率** * **因子构建思路**：破净率表示市净率小于1的个股数量占指数成分股总数的比例，用于反映市场整体的估值态度和悲观程度。破净率越高，表明市场低估情况越普遍；反之，可能表明市场对未来发展持乐观态度[59][61]。 * **因子具体构建过程**：首先识别指数中所有市净率（PB）小于1的成分股，然后计算其数量占指数成分股总数的百分比[59][62]。报告列出了各宽基指数在特定日期的破净率具体数值[62]。 5. **因子名称：指数相对均线位置** * **因子构建思路**：通过比较指数收盘价与不同周期的移动平均线（MA）的位置关系，来判断指数的短期、中期趋势强弱以及是否处于关键支撑或压力位附近[17]。 * **因子具体构建过程**：计算指数收盘价相对于5日、10日、20日、60日、120日、250日移动平均线的偏离百分比[19]。公式为： $$相对均线位置 = \frac{收盘价 - 移动平均线}{移动平均线} \times 100\%$$ 报告在表格中展示了各宽基指数相对于多条均线的具体偏离百分比[19]。 6. **因子名称：收益分布形态（偏度与峰度）** * **因子构建思路**：通过分析指数日收益率分布的偏度和峰度，来刻画收益分布的不对称性和尖峰厚尾特征，从而评估极端收益出现的可能性和分布集中程度[26][27]。 * **因子具体构建过程**：计算指数日收益率序列的偏度和峰度统计量。报告中特别指出，其峰度计算减去了3（正态分布的峰度值），因此“当前峰度”和“近5年峰度”均为超额峰度[29]。报告对比了当前值与近5年历史值的差异（当前vs.近5年）[29]。 7. **因子名称：交易活跃度（换手率）** * **因子构建思路**：换手率是衡量市场交易活跃程度和流动性的重要指标。指数换手率综合反映了其成分股的整体交易活跃度[21]。 * **因子具体构建过程**：指数换手率的计算方式为成分股换手率的流通股本加权平均[21]。公式为： $$指数换手率 = \frac{\sum(成分股流通股本 \times 成分股换手率)}{\sum(成分股流通股本)}$$ 报告列出了各宽基指数在特定日期的换手率具体数值[21]。 8. **因子名称：估值分位（PE-TTM分位值）** * **因子构建思路**：将指数当前的市盈率（PE-TTM）置于其历史时间序列中，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，作为估值参考[43][45]。 * **因子具体构建过程**：首先获取指数在特定历史窗口（如近1年、近5年或全部历史）的PE-TTM时间序列，然后将当前PE-TTM值与该序列比较，计算其分位值[47][48]。报告展示了各宽基指数PE-TTM的当前值及多个历史窗口的分位值[48]。 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9日）对于不同宽基指数的截面取值和统计描述，并未提供基于历史回溯的因子预测能力测试结果（如IC、IR、多空收益等）。因此，以下展示为各因子在报告基准日下的具体数值。） 1. **风险溢价因子** * 上证50，当前风险溢价-0.72%，近5年分位值20.63%[35] * 沪深300，当前风险溢价-0.52%，近5年分位值28.81%[35] * 中证500，当前风险溢价-0.72%，近5年分位值23.65%[35] * 中证1000，当前风险溢价-0.58%，近5年分位值30.00%[35] * 中证2000，当前风险溢价-0.54%，近5年分位值31.27%[35] * 中证全指，当前风险溢价-0.57%，近5年分位值26.03%[35] * 创业板指，当前风险溢价0.60%，近5年分位值66.59%[35] 2. **股债性价比因子** * 评价：没有指数高于其80%分位（机会值），中证500低于其20%分位（危险值）[50]。 3. **股息率因子** * 上证50，当前值3.31%，近5年分位值35.70%[57] * 沪深300，当前值2.72%，近5年分位值36.69%[57] * 中证500，当前值1.38%，近5年分位值15.79%[57] * 中证1000，当前值1.12%，近5年分位值47.02%[57] * 中证2000，当前值0.76%，近5年分位值9.92%[57] * 中证全指，当前值2.02%，近5年分位值35.62%[57] * 创业板指，当前值0.99%，近5年分位值66.20%[57] 4. **破净率因子** * 上证50，当前破净率22.0%[62] * 沪深300，当前破净率16.33%[62] * 中证500，当前破净率12.0%[62] * 中证1000，当前破净率8.0%[62] * 中证2000，当前破净率3.1%[62] * 创业板指，当前破净率1.0%[62] * 中证全指，当前破净率6.22%[62] 5. **指数相对均线位置因子** * 各宽基指数相对于5日、10日、20日、60日、120日、250日均线的具体偏离百分比详见报告表2[19]。 6. **收益分布形态（偏度与峰度）因子** * 各宽基指数当前偏度、峰度及其与近5年历史值的差异详见报告表3[29]。 7. **交易活跃度（换手率）因子** * 中证2000，当前换手率4.14[21] * 中证1000，当前换手率2.34[21] * 创业板指，当前换手率2.26[21] * 中证全指，当前换手率1.67[21] * 中证500，当前换手率1.47[21] * 沪深300，当前换手率0.56[21] * 上证50，当前换手率0.26[21] 8. **估值分位（PE-TTM分位值）因子** * 上证50，当前PE-TTM 11.85，近5年分位值84.46%[48] * 沪深300，当前PE-TTM 14.05，近5年分位值83.64%[48] * 中证500，当前PE-TTM 32.53，近5年分位值95.21%[48] * 中证1000，当前PE-TTM 47.21，近5年分位值96.86%[48] * 中证2000，当前PE-TTM 156.42，近5年分位值83.64%[48] * 中证全指，当前PE-TTM 21.10，近5年分位值92.23%[48] * 创业板指，当前PE-TTM 41.52，近5年分位值58.02%[48]

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，反映市场通过融资渠道对特定标的（个股、行业、ETF）的净买入意愿和资金流向[26][43]。 * **因子具体构建过程：** 1. 对于每个标的，计算指定周期（如一周）内的每日融资净买入额：`日融资净买入额 = 日融资买入额 - 日融资偿还额`。 2. 将周期内各日的融资净买入额进行加总，得到该周期的总融资净买入额。 3. 该因子可直接应用于个股、行业（申万一级行业）及ETF的分析[26][41][45]。 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，反映市场通过融券渠道对特定标的的净卖出（看空）意愿[27][47]。 * **因子具体构建过程：** 1. 对于每个标的，计算指定周期（如一周）内的每日融券净卖出额：`日融券净卖出额 = 日融券卖出额 - 日融券偿还额`。 2. 将周期内各日的融券净卖出额进行加总，得到该周期的总融券净卖出额。 3. 该因子可直接应用于个股及行业的分析[27][48]。 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成交中的活跃度与占比，比例越高，表明该标的的交易中杠杆资金的参与度越高[31][44]。 * **因子具体构建过程：** 1. 对于每个标的，计算指定周期（如一周）内的总融资买入额与总成交额。 2. 将总融资买入额除以总成交额，得到该周期融资买入额占成交额的比例。 3. 计算公式为： $$融资买入额占成交额比例 = \frac{周期内融资买入总额}{周期内成交总额} \times 100\%$$ 4. 该因子可应用于个股及行业的分析[33][45]。 4. **因子名称：融资余额占流通市值比例** * **因子构建思路：** 衡量融资余额相对于标的流通规模的大小，比例越高，表明该标的的杠杆资金持仓占比越大，潜在的偿还压力或对价格的影响也可能更大[31]。 * **因子具体构建过程：** 1. 在特定时点（如周末），获取标的的融资余额和流通市值。 2. 将融资余额除以流通市值，得到融资余额占流通市值的比例。 3. 计算公式为： $$融资余额占流通市值比例 = \frac{融资余额}{流通市值} \times 100\%$$ 4. 该因子可应用于行业的分析[33]。 5. **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成交中的占比，反映看空交易的活跃程度[35]。 * **因子具体构建过程：** 1. 对于每个标的，计算指定周期（如一周）内的总融券卖出额与总成交额。 2. 将总融券卖出额除以总成交额，得到该周期融券卖出额占成交额的比例。 3. 计算公式为： $$融券卖出额占成交额比例 = \frac{周期内融券卖出总额}{周期内成交总额} \times 100\%$$ 4. 该因子可应用于行业的分析[36]。 6. **因子名称：融券余额占流通市值比例** * **因子构建思路：** 衡量融券余额相对于标的流通规模的大小，反映市场现存看空头寸的规模占比[35]。 * **因子具体构建过程：** 1. 在特定时点（如周末），获取标的的融券余额和流通市值。 2. 将融券余额除以流通市值，得到融券余额占流通市值的比例。 3. 计算公式为： $$融券余额占流通市值比例 = \frac{融券余额}{流通市值} \times 100\%$$ 4. 该因子可应用于行业的分析[36]。 因子的回测效果 > 注：本报告为周度市场数据统计报告，未提供基于历史数据的长期因子回测绩效指标（如IC、IR、多空收益等）。报告主要展示了截至统计周期（2025年12月3日-12月9日）末，各类因子在横截面（跨行业、跨个股、跨ETF）上的具体取值和排名情况。 1. **融资净买入额因子** * **行业层面取值（前五名）：** 电子、有色金属、通信行业融资净买入额较多[26]。 * **个股层面取值（前五名）：** 摩尔线程(203,816.20万元)、胜宏科技(200,910.05万元)、天孚通信(168,486.30万元)、工业富联(166,630.86万元)、长盈精密(70,060.45万元)[45]。 * **ETF层面取值（前五名）：** 易方达中证香港证券投资主题ETF(24,685.31万元)、华夏恒生科技ETF(10,616.31万元)、南方中证500ETF(8,883.54万元)、恒生科技ETF(8,152.65万元)、汇添富中证主要消费ETF(6,050.60万元)[41]。 2. **融券净卖出额因子** * **行业层面取值（前五名）：** 电子、有色金属、非银金融行业融券净卖出额较多[27]。 * **个股层面取值（前五名）：** 胜宏科技(3,315.24万元)、中国平安(3,187.94万元)、贵州茅台(2,077.66万元)、航天电子(1,558.46万元)、长川科技(1,307.89万元)[48]。 3. **融资买入额占成交额比例因子** * **行业层面取值（前三名与后三名）：** 较高的行业为非银金融(13.04%)、通信(12.28%)、银行(11.06%)；较低的行业为轻工制造(4.54%)、综合(4.73%)、纺织服饰(4.78%)[31][33]。 * **个股层面取值（前五名）：** 长虹华意(27.07%)、中国能建(25.25%)、圣诺生物(25.04%)、川恒股份(23.59%)、冠豪高新(23.30%)[45]。 4. **融资余额占流通市值比例因子** * **行业层面取值（前三名与后三名）：** 较高的行业为计算机(4.27%)、国防军工(3.30%)、房地产(3.25%)；较低的行业为银行(0.71%)、石油石化(0.81%)、煤炭(0.91%)[31][33]。 5. **融券卖出额占成交额比例因子** * **行业层面取值（前三名与后三名）：** 较高的行业为非银金融(0.09%)、银行(0.08%)、食品饮料(0.07%)；较低的行业为轻工制造(0.00%)、纺织服饰(0.01%)、社会服务(0.01%)[35][36]。 6. **融券余额占流通市值比例因子** * **行业层面取值（前三名与后三名）：** 较高的行业为传媒(0.02%)、房地产(0.02%)、钢铁(0.02%)；较低的行业为石油石化(0.00%)、银行(0.00%)、轻工制造(0.00%)[35][36]。

量化模型与构建方式 **注：** 本报告为ESG动态跟踪月报，主要内容为政策、市场及产品动态梳理，并未涉及具体的量化模型或量化因子的构建与测试。报告内容不包含模型/因子的名称、构建思路、具体构建过程、评价及测试结果取值。 模型的回测效果 **注：** 报告未涉及任何量化模型的回测效果。 量化因子与构建方式 **注：** 报告未涉及任何量化因子的构建。 因子的回测效果 **注：** 报告未涉及任何量化因子的测试结果。

量化模型与构建方式 1. **模型名称**：无 **模型构建思路**：无 **模型具体构建过程**：无 量化因子与构建方式 1. **因子名称**：封板率[16] **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，来衡量涨停板的封板强度和市场追涨情绪[16] **因子具体构建过程**：筛选上市满3个月以上的股票，统计在特定交易日（T日）内，最高价达到涨停价的股票集合，再从中统计收盘价也达到涨停价的股票数量，两者相除得到封板率[16] **计算公式**： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[16] 2. **因子名称**：连板率[16] **因子构建思路**：通过计算连续两个交易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，来衡量市场涨停效应的持续性[16] **因子具体构建过程**：筛选上市满3个月以上的股票，统计在特定交易日（T-1日）收盘涨停的股票集合，再从中统计在T日收盘也涨停的股票数量，两者相除得到连板率[16] **计算公式**： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[16] 3. **因子名称**：两融余额占比[21] **因子构建思路**：通过计算融资融券余额占A股市场总流通市值的比重，来反映杠杆资金在市场中的整体规模和参与程度[21] **因子具体构建过程**：获取特定日期的市场融资余额与融券余额之和（即两融余额），再除以当日A股市场的总流通市值[21] **计算公式**： $$两融余额占比=\frac{两融余额}{市场总流通市值}$$[21] 4. **因子名称**：两融交易占比[21] **因子构建思路**：通过计算融资买入额与融券卖出额之和占市场总成交额的比例，来反映杠杆资金交易的活跃度[21] **因子具体构建过程**：获取特定交易日的市场融资买入总额与融券卖出总额，求和后除以当日市场的总成交金额[21] **计算公式**： $$两融交易占比=\frac{融资买入额+融券卖出额}{市场总成交额}$$[21] 5. **因子名称**：ETF折溢价率[22] **因子构建思路**：通过计算ETF场内交易价格与其IOPV（基金份额参考净值）或场外净值之间的差异，来捕捉市场情绪和短期套利机会[22] **因子具体构建过程**：对于日成交额超过100万元的境内股票型ETF，计算其当日收盘价与单位净值（或IOPV）的差值占单位净值的百分比[22] **计算公式**： $$ETF折溢价率=\frac{ETF收盘价-单位净值}{单位净值} \times 100\%$$[22] 6. **因子名称**：大宗交易折价率[25] **因子构建思路**：通过计算大宗交易成交均价相对于二级市场价格的折让幅度，来观察大资金的交易意愿和情绪，折价率高通常意味着卖出方有较强的减持意愿或流动性需求[25] **因子具体构建过程**：统计特定交易日发生的所有大宗交易，计算其总成交金额，再除以按当日收盘价计算的这些交易股份的总市值，最后减去1得到整体折价率[25] **计算公式**： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[25] 7. **因子名称**：股指期货年化贴水率[27] **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，来量化市场对未来走势的预期、对冲成本以及情绪（贴水通常代表悲观预期或套保需求旺盛）[27] **因子具体构建过程**：对于特定股指期货主力合约（如上证50、沪深300等），计算其结算价与对应现货指数收盘价的差值（基差），除以现货指数价格，再乘以（250/合约剩余交易日数）进行年化[27] **计算公式**： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[27] **因子评价**：该因子是衡量市场情绪和对冲成本的重要指标，其变化受金融市场利率、股市分红、微观资金成本、套利力量等多重因素影响[27] 模型的回测效果 *无相关内容* 因子的回测效果 1. **封板率因子**，2025年12月9日取值为65%[16] 2. **连板率因子**，2025年12月9日取值为23%[16] 3. **两融余额占比因子**，截至2025年12月8日取值为2.6%[21] 4. **两融交易占比因子**，截至2025年12月8日取值为11.1%[21] 5. **大宗交易折价率因子**，2025年12月8日取值为8.94%，近半年平均值为6.54%[25] 6. **股指期货年化贴水率因子**，2025年12月9日取值如下： * 上证50股指期货：6.63%，近一年中位数为0.70%[27] * 沪深300股指期货：10.21%，近一年中位数为3.62%[27] * 中证500股指期货：11.82%，近一年中位数为11.22%[27] * 中证1000股指期货：13.88%，近一年中位数为13.67%[27]

量化模型与构建方式 1. **模型名称：主动偏股基金高频仓位测算模型**[69] * **模型构建思路**：由于公募基金股票仓位披露频率低，该模型旨在利用每日净值序列，通过带约束条件的多元回归模型，对主动偏股基金的股票仓位进行相对高频的估算[69]。 * **模型具体构建过程**：模型以基金每日披露的净值序列为因变量，以基准指数或其他构建的资产序列作为自变量[69]。通过带约束条件的多元回归，寻找能最优解释基金净值变动的自变量权重组合，该权重即对应基金在各资产（尤其是股票）上的仓位估计[69]。报告中提到，为提升估算准确性，会为各只基金分别构建模拟组合，并在此基础上进一步测算其行业配置动向[69]。具体计算方式可参考其2022年9月18日发布的专题报告[69]。 2. **模型名称：长期行业主题基金标签与指数构建模型**[40] * **模型构建思路**：为满足资产配置、主题投资等需求，构建主动偏股基金的行业主题和细分赛道标签，并据此构建行业主题基金指数，作为衡量主题基金风险收益的工具[40]。 * **模型具体构建过程**：通过分析基金在最近四期中期报告和年度报告中的持仓信息，来判断其长期的行业主题特征[40]。根据持仓的集中度和稳定性，将基金的长期行业标签区分为三类：**行业主题基金**（持仓持续集中于特定行业）、**行业轮动基金**（持仓行业在不同报告期之间有显著变化）、**行业均衡基金**（持仓行业分布相对分散且稳定）[40]。基于这些标签，构建相应的行业主题基金指数[40]。 3. **模型名称：公募REITs系列指数构建模型**[53] * **模型构建思路**：为REITs市场提供指数化投资工具，构建综合反映市场表现的REITs系列指数，并提供按底层资产和项目类型划分的细分指数，同时考虑高分红特性提供价格指数和全收益指数[53]。 * **模型具体构建过程**： 1. **样本选择与权重**：采用分级靠档的方法确定成分券的权重，以确保指数份额的相对稳定[53]。 2. **指数维护**：当样本成分名单或调整市值因非交易因素（如新发、扩募）变动时，采用除数修正法来保证指数的连续性[53]。 3. **指数类别**：构建了综合指数、按底层资产划分的产权类和特许经营权类指数、以及按细分项目划分的多个指数（如生态环保、交通基础设施等）[53]。 量化因子与构建方式 1. **因子名称：现金流因子**[66] * **因子构建思路**：作为多因子ETF中的一个细分类别，该因子旨在捕捉与公司自由现金流相关的选股逻辑，通常认为现金流充裕的公司更具投资价值或财务质量更高[66]。 * **因子具体构建过程**：报告未详细描述该因子的具体计算方式。但从上下文推断，它属于多因子策略ETF的构建基础之一，这类ETF通常基于特定的量化因子（如现金流、价值、动量等）编制指数，并以此作为ETF的跟踪标的[66]。 2. **因子名称：价值因子**[66] * **因子构建思路**：作为多因子ETF中的一个细分类别，该因子旨在捕捉被市场低估的股票，通常使用市净率、市盈率等估值指标来衡量[66]。 * **因子具体构建过程**：报告未详细描述该因子的具体计算方式。它属于多因子策略ETF的构建基础之一[66]。 3. **因子名称：动量因子**[66] * **因子构建思路**：作为多因子ETF中的一个细分类别，该因子旨在捕捉股票价格的趋势延续效应，即过去表现好的股票在未来一段时间内可能继续表现良好[66]。 * **因子具体构建过程**：报告未详细描述该因子的具体计算方式。它属于多因子策略ETF的构建基础之一[66]。 4. **因子名称：质量因子**[66] * **因子构建思路**：作为多因子ETF中的一个细分类别，该因子旨在筛选具有高质量财务特征的公司，如高盈利能力、低负债、稳定的收益等[66]。 * **因子具体构建过程**：报告未详细描述该因子的具体计算方式。它属于多因子策略ETF的构建基础之一[66]。 5. **因子名称：成长因子**[66] * **因子构建思路**：作为多因子ETF中的一个细分类别，该因子旨在筛选具有高成长潜力的公司，通常关注收入、利润或现金流的增长率[66]。 * **因子具体构建过程**：报告未详细描述该因子的具体计算方式。它属于多因子策略ETF的构建基础之一[66]。 6. **因子名称：低波因子**[66] * **因子构建思路**：作为多因子ETF中的一个细分类别，该因子旨在筛选股价波动率较低的股票，这类股票通常被认为风险相对较低[66]。 * **因子具体构建过程**：报告未详细描述该因子的具体计算方式。它属于多因子策略ETF的构建基础之一[66]。 模型的回测效果 1. **主动偏股基金高频仓位测算模型**，本周仓位变动：相较上周下降0.22个百分点[69] 2. **长期行业主题基金指数**，本周收益率： * 周期主题：2.92%[2][40] * 国防军工主题：2.49%[2][40] * 金融地产主题：1.38%[2][40] * 行业轮动基金：1.30%[2][40] * 行业均衡基金：1.15%[2][40] * TMT主题：0.79%[2][40] * 新能源主题：-0.56%[2][40] * 消费主题：-0.89%[2][40] * 医药主题：-1.56%[2][40] 3. **公募REITs系列指数**，基日以来业绩指标（截至2025年12月5日）[57]： * REITs综合指数：累计收益-3.90%，年化收益-0.89%，最大回撤-42.67%，夏普比率-0.23，年化波动10.47% * 产权类REITs指数：累计收益12.70%，年化收益2.72%，最大回撤-45.00%，夏普比率0.10，年化波动12.77% * 特许经营权类REITs指数：累计收益-21.76%，年化收益-5.35%，最大回撤-41.17%，夏普比率-0.75，年化波动9.09% * 消费基础设施REITs指数：累计收益48.36%，年化收益9.25%，最大回撤-9.89%，夏普比率0.73，年化波动10.61% * （其他细分指数业绩指标详见报告表10）[57] 因子的回测效果 *报告未提供基于上述单个量化因子的独立回测效果数据。报告中提及的因子是作为多因子策略ETF的底层逻辑，其表现已融入对应ETF的业绩中，但未进行因子层面的单独测试和展示。*

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，未涉及具体的量化投资模型或选股模型的构建与测试。 量化因子与构建方式 报告中对多个市场指标（可视为观测因子）进行了计算和跟踪，具体如下： 1. **因子名称**：风险溢价因子[27] * **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[27]。 * **因子具体构建过程**：风险溢价 = 指数收益率 - 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及其历史分位值[27][29]。 2. **因子名称**：市盈率（PE-TTM）因子[39] * **因子构建思路**：观察各指数的滚动市盈率作为估值参考，衡量各指数在当前时点的投资价值[39]。 * **因子具体构建过程**：计算指数成分股的总市值除以归属于母公司股东的净利润（TTM）之和，得到指数的PE-TTM[39]。报告跟踪了该因子的当前值及其在不同历史窗口（近1年、近5年、全历史）的分位值[43][44]。 3. **因子名称**：股债性价比因子[46] * **因子构建思路**：以股票市场收益率（用PE-TTM的倒数近似）与债券市场收益率（十年期国债即期收益率）之差来衡量股票相对于债券的吸引力[46]。 * **因子具体构建过程**：股债性价比 = (1 / 指数PE-TTM) - 十年期国债即期收益率[46]。报告通过对比该因子当前值与历史分位值（如80%分位的机会值和20%分位的危险值）来判断市场状态[46]。 4. **因子名称**：股息率因子[48] * **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，跟踪其走势以观察市场风格和估值变化[48]。 * **因子具体构建过程**：计算指数成分股的现金分红总额除以指数总市值，得到指数的股息率[48]。报告跟踪了该因子的当前值及其历史分位值[53]。 5. **因子名称**：破净率因子[54] * **因子构建思路**：破净率表示市净率小于1的个股占比，反映市场整体的估值态度和悲观/乐观程度[54][56]。 * **因子具体构建过程**：破净率 = (指数成分股中市净率小于1的个股数量) / (指数成分股总数量)[54]。报告计算并展示了各宽基指数的当前破净率[57]。 6. **因子名称**：价格与均线相对位置因子[14] * **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，判断市场短期趋势和强度[14]。 * **因子具体构建过程**：计算指数收盘价相对于5日、10日、20日、60日、120日、250日移动平均线的偏离百分比，公式为：$$偏离百分比 = (收盘价 / MA_n - 1) \times 100\%$$[15]。报告通过表格展示了各指数相对于各条均线的具体偏离值[15]。 7. **因子名称**：收益分布形态因子（偏度与峰度）[23] * **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，以评估市场风险结构[23]。 * **因子具体构建过程**：计算指数日收益率序列的偏度（衡量分布不对称性）和超额峰度（计算中减去了3，即相对于正态分布的偏离）[23][25]。报告对比了当前值与近5年历史值的差异[25]。 8. **因子名称**：换手率因子[17] * **因子构建思路**：换手率衡量市场交易活跃度，是反映市场情绪和流动性的重要指标[17]。 * **因子具体构建过程**：指数换手率计算方式为：$$\text{指数换手率} = \frac{\sum(\text{成分股流通股本} \times \text{成分股换手率})}{\sum(\text{成分股流通股本})}$$[17]。报告计算并列出了各宽基指数的当前换手率[17]。 9. **因子名称**：交易金额占比因子[17] * **因子构建思路**：计算各宽基指数交易金额占全市场（以中证全指为代表）的比例，用于观察资金在不同板块间的流向和集中度[17]。 * **因子具体构建过程**：交易金额占比 = 该指数当天交易金额 / 中证全指当天交易金额[17]。报告计算并展示了各指数的交易金额占比[17]。 因子的回测效果 本报告为市场状态跟踪报告，未提供基于历史数据的因子分层测试、多空组合收益、信息比率（IR）等量化回测绩效指标。报告主要展示了各因子在特定截止日（2025年12月8日）的截面取值或时间序列上的当前状态，具体数值如下： 1. **风险溢价因子**：当前风险溢价：上证50 (0.57%)， 沪深300 (0.80%)， 中证500 (1.04%)， 中证1000 (1.09%)， 中证2000 (1.46%)， 中证全指 (1.01%)， 创业板指 (2.60%)[31]。近5年分位值：创业板指 (93.41%)， 中证2000 (85.79%)， 中证500 (83.41%)， 中证全指 (83.73%)， 中证1000 (81.19%)， 沪深300 (80.56%)， 上证50 (76.11%)[30][31]。 2. **市盈率（PE-TTM）因子**：当前值：上证50 (11.88)， 沪深300 (14.09)， 中证500 (32.74)， 中证1000 (47.48)， 中证2000 (157.16)， 中证全指 (21.20)， 创业板指 (41.38)[44]。近5年历史分位值：中证1000 (97.52%)， 中证500 (95.54%)， 中证全指 (92.98%)， 上证50 (85.62%)， 沪深300 (84.30%)， 中证2000 (84.30%)， 创业板指 (57.69%)[41][43][44]。 3. **股债性价比因子**：报告指出，在2025年12月8日，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）[46]。 4. **股息率因子**：当前值：上证50 (3.30%)， 沪深300 (2.71%)， 中证500 (1.37%)， 中证1000 (1.12%)， 中证2000 (0.75%)， 中证全指 (2.01%)， 创业板指 (1.00%)[53]。近5年历史分位值：创业板指 (66.69%)， 中证1000 (44.55%)， 沪深300 (36.28%)， 上证50 (35.12%)， 中证全指 (34.96%)， 中证500 (15.54%)， 中证2000 (8.84%)[51][53][55]。 5. **破净率因子**：当前值：上证50 (22.0%)， 沪深300 (16.33%)， 中证500 (11.6%)， 中证1000 (7.9%)， 中证全指 (6.08%)， 中证2000 (2.95%)， 创业板指 (1.0%)[57]。 6. **价格与均线相对位置因子**：以 vsMA5（收盘价相对于5日均线偏离百分比）为例，取值如下：创业板指 (3.1%)， 中证2000 (1.8%)， 中证500 (1.5%)， 中证1000 (1.5%)， 中证全指 (1.4%)， 沪深300 (1.2%)， 上证50 (1.1%)[15]。 7. **收益分布形态因子**：当前峰度（超额）：中证1000 (1.43)， 创业板指 (1.27)， 中证2000 (1.17)， 中证全指 (1.00)， 中证500 (0.87)， 沪深300 (0.65)， 上证50 (0.03)[25]。当前偏度：上证50 (1.33)， 沪深300 (1.54)， 中证500 (1.56)， 中证全指 (1.62)， 创业板指 (1.62)， 中证2000 (1.64)， 中证1000 (1.65)[25]。 8. **换手率因子**：当前值：中证2000 (4.34)， 创业板指 (2.78)， 中证1000 (2.47)， 中证全指 (1.77)， 中证500 (1.69)， 沪深300 (0.61)， 上证50 (0.26)[17]。 9. **交易金额占比因子**：当前值：沪深300 (24.95%)， 中证2000 (24.75%)， 中证1000 (21.02%)[17]。

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：央国企高分红30组合[14] * **模型构建思路**：属于红利系列产品，聚焦于具有高分红特征的央国企，构建一个包含30只股票的投资组合[14]。 * **模型具体构建过程**：报告未详细说明该组合的具体选股因子、权重配置及调仓规则。 2. **模型名称**：攻守兼备红利50组合[14] * **模型构建思路**：属于红利系列产品，旨在平衡收益与风险，构建一个包含50只股票的红利投资组合[14]。 * **模型具体构建过程**：报告未详细说明该组合的具体选股因子、权重配置及调仓规则。 3. **模型名称**：电子均衡配置增强组合[14] * **模型构建思路**：属于行业增强系列产品，聚焦于电子板块，通过均衡配置的方式构建增强组合，旨在跑赢电子板块基准[14]。 * **模型具体构建过程**：报告未详细说明该组合的具体选股因子、权重配置及调仓规则。 4. **模型名称**：电子板块优选增强组合[14] * **模型构建思路**：属于行业增强系列产品，聚焦于电子板块内迈入成熟期的细分赛道龙头企业，构建优选增强组合[14]。 * **模型具体构建过程**：报告未详细说明该组合的具体选股因子、权重配置及调仓规则。 模型的回测效果 1. **央国企高分红30组合**：本周超额收益约0.41%（相对于中证红利全收益）[21]。 2. **攻守兼备红利50组合**：本周超额收益约0.75%（相对于中证红利全收益）[21]；2025年初以来累计超额收益约8.94%（相对于中证红利全收益）[21]。 3. **电子均衡配置增强组合**：本周超额收益约1.78%（相对于电子全收益指数）[29]。 4. **电子板块优选增强组合**：本周超额收益约1.53%（相对于电子全收益指数）[29]。 量化因子与构建方式 * 报告未提及具体的底层量化因子构建方式。