2025 年 05 月 18 日 主力资金有效性持续修复，景气预期超额收益开 始抬头 —行业和风格因子跟踪报告 投资要点 ▌ 行业因子最新变动情况 上周 3400 得而复失，回调后仍站上 3350。我们最新推荐 的非银行业收益亮眼。因子角度来看近期市场热点受事件 驱动影响较大，分析师短期预期表现更好，也能抓住非银 的反弹行情。此外市场资金驱动特征明显，主力资金因子 多头的非银、汽车领涨市场。动量反转层面处于反转因子 和短端动量的交接时刻，可以提前关注短期动量有效性的 回升。财报质量因子继续偏向成长口径，景气投资思路有 效性开始小幅回升。 整体看行业轮动因子指向内需成长板块：大盘成交金额持 续在 1.1 万亿以上，主题投资和景气投资均有反弹，主力 资金因子反弹延续，本期主力资金因子行业选择电子、电 力设备及新能源、医药、机械、有色金属、非银行金融。 长期分析师预期非银行金融、建材、交通运输、电力及公 用事业、有色金属，空头无意义。短期分析师预期指向农 林牧渔、消费者服务、非银行金融、机械、有色金属。本 期选择行业继续偏向内需中的成长，继续关注低位消费短 期反弹机会。 ▌ 定量行业推荐 基于权重分配，我们推荐内资 ...

根据提供的量化市场追踪周报内容，总结如下： 量化模型与构建方式 1. **行业轮动模型** - **模型构建思路**：基于绩优基金持仓倾向的边际变化构建行业轮动信号，捕捉机构资金配置方向[36] - **具体构建过程**： 1. 筛选绩优基金样本（近1年业绩前30%） 2. 计算行业超配比例：$$超配比例 = \frac{基金持仓权重 - 基准权重}{基准权重}$$ 3. 生成行业排名信号（1-28分位数），超配行业得分更高[36][40] - **模型评价**：对机构重仓行业（如电子、医药）的调仓行为敏感，但需结合动量因子优化短期效果[36] 2. **ETF资金流监控模型** - **模型构建思路**：通过主力/主动资金流划分标准（特大单/大单/中小单）追踪资金动向[58] - **具体构建过程**： 1. 按成交量划分资金类型： - 特大单：成交量>20万股或金额>100万元 - 大单：6-20万股或30-100万元 - 中小单：≤6万股或≤30万元 2. 计算净流入额：$$净流入额=\sum(主动买入金额-主动卖出金额)$$[58][59] 量化因子与构建方式 1. **基金仓位因子** - **因子构建思路**：通过持股市值加权计算主动权益基金在不同风格的仓位暴露[31] - **具体构建过程**： 1. 按市值-成长性矩阵划分6类风格：大盘成长/价值、中盘成长/价值、小盘成长/价值 2. 计算仓位变化：$$\Delta仓位 = 本周仓位 - 上周仓位$$[31][35] 2. **行业超配因子** - **因子构建思路**：衡量基金行业配置相对于基准的偏离程度[12] - **具体构建过程**： 1. 计算基准权重（如中证全指行业权重） 2. 计算超配比例：$$超配比例 = \frac{基金行业配置比例}{基准行业比例} - 1$$[12][35] 模型的回测效果 1. **行业轮动模型** - 多头组合年化超额收益：15.6%（vs 中证全指）[38] - 信息比率(IR)：1.32（2020-2025年）[38] 2. **ETF资金流模型** - 主力资金净流入TOP3行业：汽车（38.3亿）、机械（21.0亿）、基础化工（24.0亿）[59][63] - 主动资金净流出TOP3行业：非银金融（-19.6亿）、交通运输（-12.7亿）、银行（-11.1亿）[59][65] 因子的回测效果 1. **基金仓位因子** - 小盘成长仓位：49.11%（周环比+0.51pct）[31] - 电子行业仓位：17.65%（周环比-0.41pct）[35] 2. **行业超配因子** - 超配前三行业：电子（+17.65%）、医药（+11.80%）、电力设备（+7.01%）[35] - 低配前三行业：非银金融（-2.04%）、银行（-3.80%）、交通运输（-1.67%）[35] 数据说明 - 仓位测算样本：成立满两季度、规模>5000万、历史平均仓位>60%的主动权益基金[26] - 资金流数据来源：同花顺iFinD划分标准[58]

金融工程 | 金工定期报告 2025 年 05 月 18 日 作者 吴先兴 分析师 SAC 执业证书编号：S1110516120001 wuxianxing@tfzq.com 相关报告 1 《金融工程：金融工程-因子跟踪周 报：小市值、资产周转率因子表现较好 -20250516》 2025-05-17 2 《金融工程：金融工程-哪些行业进 入高估区域？——估值与基金重仓股配 置监控 2025-05-17》 2025-05-17 3 《金融工程：金融工程-基金持仓与 基准偏离视角下的行业潜在冲击研究》 2025-05-14 金融工程 证券研究报告 量化择时周报：等待缩量 等待缩量 上周周报(20250512)认为：短期市场风险偏好在宏观不确定性和技术形态 的压制下，较难快速提升，建议维持中性仓位。最终 wind 全 A 全周上涨 0.72%。市值维度上，上周代表小市值股票的中证 2000 上涨 0.97%，中盘股 中证 500 下跌 0.1%，沪深 300 上涨 1.12%，上证 50 上涨 1.22%;上周中信一 级行业中，表现较强行业包括汽车、非银金融，汽车上涨 2.71%，国防军工、 计算机表现较弱，国防 ...

根据提供的研报内容，以下是量化模型与因子的详细总结： --- 量化模型与构建方式 1. **模型名称：全天候模型** - **模型构建思路**：通过技术面信号识别市场风险，预测震荡整理期[7] - **模型具体构建过程**：未披露具体公式，但基于多维度技术指标（如趋势线、波动率等）综合判断市场状态[7] - **模型评价**：对短期市场调整的预警效果较好，历史回测符合预期[7] 2. **模型名称：周期分析模型** - **模型构建思路**：监控不同级别趋势（如周线、日线）以区分短期调整与中长期趋势[7] - **模型具体构建过程**：未披露具体公式，但通过分解价格序列的周期成分（如傅里叶变换或小波分析）判断趋势持续性[7][8] - **模型评价**：有效区分短期波动与趋势反转，辅助判断市场蓄势阶段[7] 3. **模型名称：四轮驱动行业轮动模型** - **模型构建思路**：结合行业动量、拥挤度、止损信号等动态筛选优势行业[7][16] - **模型具体构建过程**： - **信号类型**：包括“强势上涨中继”“赚钱效应异动”等，触发条件未公开[16] - **止损规则**：基于顶背驰、死叉等技术信号动态出局[16] - **排序逻辑**：综合过去1年Sharpe比率、拥挤度等指标排序行业[16] - **模型评价**：多因子复合框架，兼顾进攻与防御性[16] --- 模型的回测效果 1. **全天候模型**：未披露具体指标值[7] 2. **周期分析模型**：未披露具体指标值[7][8] 3. **四轮驱动行业轮动模型**： - **行业推荐结果**：军工（Sharpe排序10）、家电（-12）、农林牧渔（28）等[16] --- 量化因子与构建方式 1. **因子名称：行业动量因子** - **因子构建思路**：捕捉行业短期赚钱效应异动信号[16] - **因子具体构建过程**：未披露公式，但涉及价格突破、成交量配合等条件[16] 2. **因子名称：拥挤度因子** - **因子构建思路**：监测行业交易过热风险（如0表示未拥挤）[16] - **因子具体构建过程**：可能基于换手率、资金流入等标准化指标[16] 3. **因子名称：Sharpe比率排序因子** - **因子构建思路**：按过去1年风险调整收益（Sharpe）排名行业[16] - **因子具体构建过程**： $$Sharpe = \frac{E[R_p - R_f]}{\sigma_p}$$ 其中 \(R_p\) 为行业收益，\(R_f\) 为无风险利率，\(\sigma_p\) 为收益波动率[16] --- 因子的回测效果 1. **行业动量因子**：未披露独立指标值[16] 2. **拥挤度因子**：家电、农林牧渔等拥挤度为0[16] 3. **Sharpe比率排序因子**：军工（10）、电子（3）、传媒（无数据）等[16] --- 注：未提及的模型/因子细节（如公式、指标口径）均因原文未披露而省略[7][16]

根据研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称**：成交量模型 - **构建思路**：基于市场成交量变化判断短期市场趋势[12] - **具体构建**：监测宽基指数成交量周环比变化，结合历史分位数阈值划分多空信号。当成交量突破80分位数且持续放量时触发看多，跌破20分位数时触发看空[12] - **评价**：对市场流动性变化敏感，但易受极端值干扰 2. **模型名称**：低波动率模型 - **构建思路**：利用波动率均值回归特性捕捉市场反转信号[12] - **具体构建**：计算指数20日波动率标准差，当波动率低于历史10%分位时看多，高于90%分位时看空[12] 3. **模型名称**：特征龙虎榜机构模型 - **构建思路**：跟踪机构席位净买入行为预测资金流向[12] - **具体构建**：$$ S_{net} = \sum_{i=1}^n (B_i - S_i) $$ 其中$B_i$为机构买入金额，$S_i$为卖出金额，当$S_{net}$连续3日为正时触发看多信号[12] 4. **模型名称**：智能沪深300模型 - **构建思路**：结合量价与基本面因子的多因子择时模型[12] - **具体构建**：动态加权PE、动量、换手率等因子，采用XGBoost算法生成信号[12] 5. **模型名称**：涨跌停模型 - **构建思路**：通过涨停/跌停家数比判断市场情绪[13] - **具体构建**：计算全市场涨停率$R_{up} = N_{up}/N_{total}$，当$R_{up}>15\%$看多，$R_{up}<5\%$看空[13] 6. **模型名称**：成交额倒波幅模型（港股） - **构建思路**：量价背离策略，成交额与波动率反向时预示变盘[16] - **具体构建**：$$ R = \frac{VOL_{5d}}{HV_{20d}} $$ 当$R>2$标准差时看空[16] 模型的回测效果 1. **成交量模型**：本周上证指数信号中性，年化IR 0.82[12] 2. **低波动率模型**：上证50信号中性，年化胜率58%[12] 3. **智能沪深300模型**：本周看空，近三月超额-1.2%[12] 4. **涨跌停模型**：全A信号中性，年化IR 1.05[13] 5. **成交额倒波幅模型**：恒生指数看空，近20日胜率63%[16] 量化因子与构建方式 1. **因子名称**：动量因子 - **构建思路**：价格趋势延续效应[14] - **具体构建**：$$ MOM_{21d} = \frac{P_t}{P_{t-21}} - 1 $$ 取行业标准化Z值[14] 2. **因子名称**：月历效应因子 - **构建思路**：捕捉月度周期规律[13] - **具体构建**：统计2005-2025年各月收益率均值，当本月历史胜率>60%时触发信号[13] 因子的回测效果 1. **动量因子**：国证2000指数年化IC 0.15[14] 2. **月历效应因子**：5月历史胜率53%，本周信号中性[13] 形态学模型 1. **杯柄形态** - **构建规则**：A点（左杯高点）-B点（杯底）-C点（右杯高点）突破形态，要求形态长度≥6周[44] - **测试结果**：2020年来累计超额39.09%，本周超额0.29%[40] 2. **双底形态** - **构建规则**：A点（第一底）-B点（颈线）-C点（第二底）突破，成交量需在突破时放大[49] - **测试结果**：本周超额1.68%，年化夏普1.72[40][49] 注：所有模型信号可通过http://t.hcquant.com实时查询[11]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称：宽基轮动策略** - **模型构建思路**：基于不同宽基指数（沪深300、中证500、中证1000、中证2000及"其他"组）的热度变化率MA2构建轮动策略，选择周度热度变化率最高的宽基指数进行投资[13][16] - **模型具体构建过程**： 1. 计算各宽基组内成分股的总热度指标（浏览、自选与点击次数之和的归一化值）[7] 2. 计算周度热度变化率并取MA2平滑处理[11] 3. 每周最后一个交易日买入总热度变化率MA2最大的宽基指数，若为"其他"组则空仓[13] - **模型评价**：策略2017年来年化收益率8.74%，最大回撤23.5%，2025年来收益8.32%[16] 2. **模型名称：热门概念组合策略** - **模型构建思路**：筛选高热度概念中的低关注度个股，利用市场行为偏差获取超额收益[31][33] - **模型具体构建过程**： 1. 每周选出热度变化率最大的5个概念[31] 2. 排除概念成分股中流通市值最小的20%股票[31] 3. 构建两个组合： - TOP组合：每个概念中总热度排名前10的个股等权持有 - BOTTOM组合：每个概念中总热度排名最后10的个股等权持有[31] - **模型评价**：BOTTOM组合年化收益15.71%，最大回撤28.89%，2025年收益18%[33] 模型的回测效果 1. **宽基轮动策略**：年化收益率8.74%，最大回撤23.5%，2025年收益8.32%[16] 2. **热门概念BOTTOM组合**：年化收益15.71%，最大回撤28.89%，2025年收益18%[33] 量化因子与构建方式 1. **因子名称：总热度指标** - **因子构建思路**：通过个股浏览、自选与点击行为的归一化聚合，反映市场情绪[7] - **因子具体构建过程**： $$ \text{总热度} = \left(\frac{\text{浏览+自选+点击次数}}{\text{全市场总值}}\right) \times 10000 $$ 取值区间[0,10000]，按日计算[7] 2. **因子名称：热度变化率MA2** - **因子构建思路**：捕捉宽基/行业/概念层面的关注度边际变化[11][20] - **因子具体构建过程**： 1. 计算周度热度变化率：$$\frac{H_t - H_{t-1}}{H_{t-1}}$$ 2. 取2周移动平均（MA2）平滑处理[11][20] 3. **因子名称：估值历史分位数** - **因子构建思路**：监控宽基/行业估值相对于历史水平的区位[40][43] - **因子具体构建过程**： 1. 宽基采用滚动5年PE/TTM分位数[40] 2. 行业采用2015年至今的PE/TTM分位数[43] 因子的回测效果 1. **总热度指标**：国防军工本周热度变化率+90.2%（正向最大），房地产-33.4%（负向最大）[27] 2. **宽基估值分位数**：沪深300（56%）、中证500（85%）、中证1000（76%）[41] 3. **行业估值分位数**： - 80%以上：电力设备、计算机、国防军工等[42] - 20%以下：家用电器、农林牧渔、公用事业等[42] 关键数据取值 1. **宽基热度变化率MA2**： - 沪深300 +2.96%（本周最高） - 中证2000 -1.84%（本周最低）[18] 2. **概念热度TOP5**：航运概念（+221.1%）、自由贸易港（+136.1%）、中韩自贸区（+129.9%）、工业大麻（+109.6%）、C2M概念（+77.6%）[35][37] 3. **二级行业热度变化TOP5**：航运港口、航空装备Ⅱ、地面兵装Ⅱ、纺织制造、军工电子Ⅱ[27]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称**：公募基金仓位估计模型 - **模型构建思路**：通过整合基金季报披露的前十大重仓股、上市公司十大股东信息及行业配置数据，模拟补全基金的全部股票持仓[7][8] - **模型具体构建过程**： 1. 利用基金季报（T期）的行业配置信息和T-1期半年报/年报的非重仓股持仓，假设非重仓股在各行业下持股种类不变，仅按比例调整权重，生成T期模拟持仓[9] 2. 将模拟持仓拆分为大、小盘组合，基于基金日收益率与对应指数收益率，采用加权最小二乘法估计每日仓位配置： $$ \text{基金日收益率} = \alpha + \beta_{\text{大盘}} \cdot R_{\text{大盘}} + \beta_{\text{小盘}} \cdot R_{\text{小盘}} + \epsilon $$ 其中$\beta_{\text{大盘}}$和$\beta_{\text{小盘}}$分别代表大盘和小盘组合的配置权重[11] - **模型评价**：解决了基金持仓披露滞后性问题，实现了日度仓位监控，但依赖历史持仓比例假设可能引入误差[11] 2. **模型名称**：基金风格监控模型 - **模型构建思路**：基于仓位估计结果，从大小盘配置、市值暴露、行业配置三个维度分析基金风格[11] - **模型具体构建过程**： 1. 根据中信一级行业分类计算行业配置权重[18] 2. 结合市值分组（大/小盘）计算风格暴露值，通过历史分位点评估当前配置水平[19] --- 模型的回测效果 1. **公募基金仓位估计模型** - 普通股票型基金仓位中位数：86.31%（2025-05-16），周环比下降1.99%[13] - 偏股混合型基金仓位中位数：82.48%，周环比下降2.79%[13] - 大盘组合仓位变动：普通股票型下降1.07%，偏股混合型下降1.74%[14] - 小盘组合仓位变动：普通股票型下降0.91%，偏股混合型下降1.06%[14] 2. **基金风格监控模型** - 行业配置权重：电子（14.36%普通股票型）、医药（10.79%）、电力设备（9.31%）[18] - 行业分位点：机械（94.1%偏股混合型）、汽车（99.26%）、医药（12.18%普通股票型）[19] --- 量化因子与构建方式 1. **因子名称**：市值暴露因子 - **因子构建思路**：通过基金持仓的大/小盘组合权重差异捕捉市值风格偏好[11] - **因子具体构建过程**： $$ \text{市值暴露} = \frac{\text{小盘组合权重} - \text{大盘组合权重}}{\text{总股票仓位}} $$ 结果标准化为历史分位点（如普通股票型小盘仓位分位点19.38%）[14][16] 2. **因子名称**：行业动量因子 - **因子构建思路**：跟踪基金行业配置周度变动方向[20][21] - **因子具体构建过程**：计算各行业仓位周度变化百分比（如电子行业仓位下降，医药行业上升）[21] --- 因子的回测效果 1. **市值暴露因子** - 普通股票型小盘仓位分位点：19.38%（2016年以来）[14] - 偏股混合型小盘仓位分位点：25.36%[14] 2. **行业动量因子** - 周度增仓行业：非银行金融（+0.5%）、医药（+0.3%）[21] - 周度减仓行业：电子（-1.0%）、计算机（-0.8%）[21]

根据提供的研报内容，以下是量化模型与因子的详细总结： --- 量化模型与构建方式 1. **模型名称：行业拥挤度监测模型** - **模型构建思路**：通过监测申万一级行业指数的拥挤度，识别行业当前的市场热度与潜在风险[3] - **模型具体构建过程**： 1. 计算各行业指数的历史分位数（近30个交易日），反映当前值相对于历史水平的相对位置 2. 结合主力资金流动数据（如净流入额）辅助判断市场情绪 3. 输出拥挤度热力图，标注高拥挤（如交通运输、纺织服饰、美容护理）与低拥挤行业（如传媒、社会服务、房地产）[3][11] - **模型评价**：能够动态捕捉行业短期过热或低估状态，但需结合资金流向数据增强信号有效性[3] 2. **模型名称：溢价率 Z-score 模型** - **模型构建思路**：通过滚动计算ETF溢价率的Z-score，筛选存在套利机会的标的[4] - **模型具体构建过程**： 1. 计算ETF的IOPV（参考净值）溢价率：$$ \text{溢价率} = \frac{\text{市价} - \text{IOPV}}{\text{IOPV}} \times 100\% $$ 2. 滚动计算溢价率的均值（μ）与标准差（σ），生成Z-score：$$ Z = \frac{\text{当前溢价率} - μ}{σ} $$ 3. 设定阈值（如Z>2为高溢价信号，Z<-2为低溢价信号）[4][13] - **模型评价**：适用于捕捉短期套利机会，但需警惕市场流动性风险导致的模型失效[4] --- 模型的回测效果 1. **行业拥挤度监测模型**： - 高拥挤行业（交通运输、纺织服饰）历史分位数达90%以上，低拥挤行业（传媒、电子）分位数低于30%[11] - 主力资金近3日净流入医药生物（+2.7亿元）、美容护理（+8.02亿元），流出电子（-141.3亿元）、计算机（-141.03亿元）[12] 2. **溢价率 Z-score 模型**： - 标普油气ETF（159518.SZ）、电池ETF（159755.SZ）等因Z-score信号被列为建议关注标的[13] --- 量化因子与构建方式 1. **因子名称：主力资金净流入因子** - **因子构建思路**：通过监测主力资金净流入额，判断行业或ETF的资金动向[3][12] - **因子具体构建过程**： 1. 计算单日主力资金净流入额：$$ \text{净流入额} = \text{主力买入额} - \text{主力卖出额} $$ 2. 滚动统计3日/5日累计净流入额，识别持续流入或流出的趋势[12] - **因子评价**：对短期市场情绪敏感，但需结合其他因子（如拥挤度）避免噪声干扰[3] 2. **因子名称：ETF溢价率因子** - **因子构建思路**：捕捉ETF市价与净值偏离带来的套利机会[4][13] - **因子具体构建过程**：同溢价率 Z-score 模型中的溢价率计算步骤[4] --- 因子的回测效果 1. **主力资金净流入因子**： - 近3日净流入靠前行业：医药生物（+2.7亿元）、煤炭（+1.33亿元）[12] - 净流出靠前行业：电子（-141.3亿元）、计算机（-141.03亿元）[12] 2. **ETF溢价率因子**： - 标普油气ETF（513350.SH）等因溢价率异常触发Z-score信号[13] --- 以上总结严格基于研报中提及的模型、因子及数据，未包含免责声明等非核心内容[3][4][11][12][13]

根据提供的研报内容，以下是军工板块资金行为监测中涉及的量化模型与因子总结： --- 量化模型与构建方式 1. **公募基金实时持仓测算模型** - 构建思路：基于基金净值、持仓披露、调研行为等市场公开信息，动态跟踪公募基金对军工板块的配置仓位[16] - 具体构建过程： 1. 整合基金净值数据与定期持仓披露信息 2. 结合调研行为数据（如机构调研频次）作为辅助信号 3. 通过回归模型估算实时仓位变化，公式为： $$ \text{仓位}_t = \alpha + \beta \cdot \text{净值波动}_t + \gamma \cdot \text{调研强度}_t + \epsilon_t $$ 其中，$\alpha$为基准仓位，$\beta$和$\gamma$为因子权重[16] - 模型评价：能够捕捉短期资金动向，但对非公开信息（如未披露调研）敏感度较低 2. **ETF资金持仓动态模型** - 构建思路：通过ETF规模与成分股市值占比变化，监测被动资金流向[19] - 具体构建过程： 1. 计算军工ETF持仓占板块流通市值的比例： $$ \text{ETF占比}_t = \frac{\sum \text{ETF持有军工股市值}_t}{\text{军工板块流通市值}_t} $$ 2. 采用5日移动平均（MA5）平滑噪声[20] - 模型评价：反映长期资金配置趋势，但滞后于主动交易行为 3. **主力资金代理变量模型** - 构建思路：以大单（20-100万元）和超大单（>100万元）交易额之和作为主力资金代理[30] - 具体构建过程： 1. 筛选符合金额阈值的委托单 2. 按交易日聚合净流入金额： $$ \text{主力净流入}_t = \sum \text{超大单买入}_t + \sum \text{大单买入}_t - \sum \text{卖出}_t $$[33] 4. **高频股东户数风险预警模型** - 构建思路：股东户数增幅与股价潜在风险负相关[35] - 具体构建过程： 1. 计算相邻披露期股东户数变动比例： $$ \text{变动比例} = \frac{\text{户数}_{t} - \text{户数}_{t-1}}{\text{户数}_{t-1}} $$ 2. 设定阈值（如30%）触发预警信号[36] --- 模型的回测效果 1. **公募基金实时持仓模型** - 2025年以来军工板块仓位下降0.8%[18] 2. **ETF资金持仓模型** - 2024年以来持仓占比上升至4.7%（MA5）[21] 3. **主力资金代理变量模型** - 5月1日后主力净流入Top3个股：宗申动力（2.17亿）、中航沈飞（1.72亿）、联创光电（1.38亿）[33] 4. **高频股东户数模型** - 预警案例：航锦科技股东户数增幅131.98%（2025年4-5月）[36] --- 其他监测指标（非模型/因子） - **两融余额动向**：融资余额9月25日后反弹，融券余额维持低位[24] - **龙虎榜热点**：中航成飞营业部净流入9.0亿（20250512）[32] - **雪球大V关注度**：中航成飞获117次讨论（5月1日以来）[27][29] 注：研报未提供IR或夏普比率等量化指标，故未列出相关测试结果。

量化模型与构建方式 1. 分红预测模型 **模型名称**：分红预测模型 **模型构建思路**：基于上市公司已公布的分红信息，结合历史分红率和净利润预测，构建分红点数预测模型[7][9] **模型具体构建过程**： 1. 预估成分股净利润：采用年报>快报>预警>三季报净利润TTM>分析师盈利预测的优先顺序进行预估[21] 2. 计算税前分红总额： - 已公布分红预案的直接采用公布值 - 未公布预案但去年有分红的，假设分红率不变 - 去年未分红或净利润为负的设分红率为0[26] 3. 计算分红对指数影响： - 股息率=税后分红总额/最新市值 - 股息点=股票权重×股息率 - 权重调整公式： $$\mathrm{w_{it}={\frac{w_{i0}\times\mathrm{\scriptsize{\boldmath~(~1+R~)}~}}{\sum_{1}^{n}w_{i0}\times\mathrm{\scriptsize{\boldmath~(~1+R~)}~}}}}$$[24] 4. 预测分红对各合约影响： - 已公布除权除息日的直接采用 - 未公布的参考最近一次分红年度的除息日 - 调整预测除息日早于股东大会日的情况[27][28] 2. 股指期货定价模型 **模型名称**：股指期货理论定价模型 **模型构建思路**：基于无套利原理，考虑分红现值和资金成本构建期货定价模型[30] **模型具体构建过程**： 1. 离散红利分配情况： - 红利现值D计算公式： $$\mathbf{D}=\sum_{\mathrm{i=1}}^{\mathrm{m}}\mathbf{D}_{\mathrm{i}}\,/(1+\phi)$$ - 期货定价公式： $$F_t = (S_t - D)(1 + r)$$[30] 2. 连续红利分配情况： - 期货定价公式： $$F_t = S_t e^{(r-d)(T-t)}$$[31] 量化因子与构建方式 1. 分红影响因子 **因子名称**：分红点数因子 **因子构建思路**：量化分红对股指期货合约价格的影响程度[7][10] **因子具体构建过程**： 1. 收集各成分股分红数据（实施、股东大会通过、董事会预案等状态）[9] 2. 按合约到期日累计预测分红金额 3. 计算分红点数=累计分红金额/指数乘数[11][12] 4. 计算含分红价差=实际价差+分红点数[2][3] 2. 对冲成本因子 **因子名称**：年化对冲成本因子 **因子构建思路**：衡量持有期货合约至到期的对冲成本[10][11] **因子具体构建过程**： 1. 计算剔除分红后的实际价差 2. 年化对冲成本公式： - 按365天计算：实际价差/收盘价×365/剩余天数 - 按243天计算：实际价差/收盘价×243/剩余天数[11][12] 模型的回测效果 1. 分红预测模型 - IH2506合约：分红点数18.48，剩余影响0.68%[11] - IF2506合约：分红点数23.58，剩余影响0.61%[12] - IC2506合约：分红点数44.47，剩余影响0.78%[12] - IM2506合约：分红点数36.22，剩余影响0.60%[12] 2. 对冲成本模型 - IH2506合约：年化对冲成本1.14%（365天），1.11%（243天）[11] - IF2506合约：年化对冲成本5.23%（365天），5.08%（243天）[12] - IC2506合约：年化对冲成本12.69%（365天），12.32%（243天）[12] - IM2506合约：年化对冲成本16.86%（365天），16.37%（243天）[12] 因子的回测效果 1. 分红点数因子 - IH2506合约：分红点数18.48，含分红价差-2.98[11] - IF2506合约：分红点数23.58，含分红价差-19.50[12] - IC2506合约：分红点数44.47，含分红价差-69.58[12] - IM2506合约：分红点数36.22，含分红价差-98.09[12] 2. 实际价差因子 - IH2506合约：实际价差-21.46[11] - IF2506合约：实际价差-43.09[12] - IC2506合约：实际价差-114.05[12] - IM2506合约：实际价差-134.32[12]