量化模型与因子总结 量化模型与构建方式 1. **模型名称：主动权益型基金仓位测算模型**[24][27] * **模型构建思路**：通过分析公募基金的公开数据（如净值、持仓等），使用量化模型估算其股票资产的平均仓位水平，以监控市场主力资金的动向和风险偏好。 * **模型具体构建过程**： 1. **样本筛选**：从主动权益型基金（包括普通股票型、偏股混合型、灵活配置型、平衡混合型）中筛选合格样本。筛选门槛包括：成立期满两个季度、未到期、规模大于5000万元、过去四期平均仓位大于60%[27]。 2. **数据加权**：对合格样本的仓位进行持股市值加权计算，得到市场平均仓位[27]。 3. **剔除处理**：以上测算均剔除不完全投资于A股的基金[28]。 * **模型评价**：该模型是市场常用的监测公募基金仓位变化的工具，能够反映机构投资者的整体仓位水平和调仓趋势，为判断市场情绪和资金流向提供参考。 2. **模型名称：“固收+”基金仓位测算模型**[24][27] * **模型构建思路**：专门针对“固收+”基金（包括偏债混合型、混合债券型二级基金、灵活配置型基金）构建仓位测算模型，以监控这类风险偏好相对较低的资金的权益资产暴露情况。 * **模型具体构建过程**： 1. **样本筛选**：从“固收+”基金中筛选合格样本。筛选门槛包括：成立期满两个季度、未到期、规模大于5000万元、过去四期平均仓位在10%-30%之间[27]。 2. **数据加权**：对合格样本的仓位进行持股市值加权计算，得到市场平均仓位[27]。 3. **剔除处理**：以上测算均剔除不完全投资于A股的基金[28]。 3. **模型名称：公募基金风格仓位分析模型**[31] * **模型构建思路**：将公募基金的持仓股票按市值和成长/价值风格进行分类，计算基金在不同风格板块上的仓位分布，以分析其风格偏好和切换情况。 * **模型具体构建过程**： 1. **风格划分**：将股票划分为大盘成长、大盘价值、中盘成长、中盘价值、小盘成长、小盘价值六个风格板块。 2. **仓位计算**：基于主动偏股型基金的持仓数据，计算其资产配置在以上六个风格板块中的比例[31]。 3. **趋势分析**：通过比较不同时点的风格仓位，分析公募基金整体的风格动向。 4. **模型名称：公募基金行业仓位分析模型**[34] * **模型构建思路**：基于公募基金的持仓数据，计算其在不同行业（中信一级行业）上的配置比例，以监控主力资金在行业层面的流入流出和偏好变化。 * **模型具体构建过程**： 1. **行业分类**：采用中信一级行业分类标准。 2. **仓位计算**：从持股市值加权平均值来看，计算主动权益型基金在每个行业上的配置比例[34]。 3. **变化分析**：通过比较本周与上周的行业仓位，识别配置比例上调或下调较多的行业[34]。 5. **因子名称：主力/主动资金流因子**[49][50] * **因子构建思路**：根据同花顺对成交单的划分标准，将市场资金流分为特大单、大单、中单、小单，通过计算不同类别资金的净流入/流出额，构建反映主力资金和散户资金动向的因子。 * **因子具体构建过程**： 1. **资金划分标准**： * 特大单：成交量在20万股以上，或成交金额在100万元以上的成交单。 * 大单：成交量在6万股到20万股之间，或成交金额在30万到100万之间，或成交量占流通盘0.1%的成交单。 * 中单：成交量在1万股与6万股之间，或成交金额在5万到30万之间的成交单。 * 小单：成交量在1万股以下，或成交金额在5万元以下的成交单[49]。 2. **因子计算**：对于个股或行业，分别计算其特大单净流入额、大单净流入额、中单净流入额、小单净流入额。其中，主力资金流通常指特大单与大单的净流入之和；主动资金流（主买净额）是基于更细分的算法计算的主动买入净额[50]。 3. **衍生因子**：可进一步构建如“主力净流入&中小单净流出”、“主力净流出&中小单净流入”等复合因子，用于识别资金博弈的典型模式[50]。 模型的回测效果 *注：本报告为市场追踪周报，主要展示截至报告期（2025/12/5）的最新测算结果和近期变化，未提供长期历史回测的绩效指标（如年化收益率、夏普比率、最大回撤等）。以下为模型的最新输出值。* 1. **主动权益型基金仓位测算模型**，截至2025/12/5，主动权益型基金平均仓位约为88.59%。其中，普通股票型基金平均仓位约为91.61%（较上周下降0.21pct），偏股混合型基金平均仓位约为89.77%（较上周下降0.16pct），配置型基金平均仓位约为85.52%（较上周下降0.41pct）[24]。 2. **“固收+”基金仓位测算模型**，截至2025/12/5，“固收+”基金平均仓位约为23.16%，较上周下降0.20pct[24]。 3. **公募基金风格仓位分析模型**，截至2025/12/5，主动偏股型基金大盘成长仓位42.89%（较上周下降0.58pct），大盘价值仓位6.84%（较上周上升0.05pct），中盘成长仓位7.58%（较上周下降0.18pct），中盘价值仓位6%（较上周上升1.23pct），小盘成长仓位27.68%（较上周下降0.26pct），小盘价值仓位9.01%（较上周下降0.26pct）[31]。 因子的回测效果 *注：本报告展示了主力/主动资金流因子在报告期（2025/12/1-2025/12/5）内的具体数值，但未提供该因子在选股或择时上的长期有效性检验指标（如IC、IR、多空收益等）。以下为因子在当周的具体表现。* 1. **主力/主动资金流因子（个股层面）**： * **主力净流入&中小单净流出**的代表个股：天孚通信、京东方A、新易盛、宁德时代、TCL科技等[50]。 * **主力净流出&中小单净流入**的代表个股：香农芯创、蓝色光标、中兴通讯、东方财富、和而泰等[50]。 * **主动资金净买入**的代表个股：京东方A、天孚通信、紫金矿业、新易盛、TCL科技等[50]。 * **主动资金净卖出**的代表个股：贵州茅台、蓝色光标、三六零、多氟多、杰瑞股份等[50]。 * 具体各档资金净流入额TOP5及BTM5个股详见报告表3、表5[54][56]。 2. **主力/主动资金流因子（行业层面）**： * **主力净流入&中小单净流出**的代表行业：有色金属、煤炭、建材等[50]。 * **主力净流出&中小单净流入**的代表行业：计算机、基础化工、电子、传媒、医药等[50]。 * **主动资金净流入**居前的行业：通信、非银行金融、有色金属、家电、国防军工等[50]。 * **主动资金净流出**较多的行业：计算机、基础化工、传媒、医药、电力设备及新能源等[50]。 * 具体各档资金净流入额TOP5及BTM5行业详见报告表4、表6[55][57]。

量化模型与构建方式 1. **模型名称：周期分析模型**[1][6] * **模型构建思路**：通过分析市场指数的历史价格数据，识别并划分不同时间周期（如月线级别）的波动规律和趋势，以判断当前市场所处的周期阶段和未来可能的趋势方向[1][6]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建过程和数学公式，主要将其作为一种分析框架使用。其核心在于识别价格图表中的周期性波动特征，并结合其他技术分析方法进行综合判断[1][6]。 2. **模型名称：缠论及趋势分析模型**[1][6] * **模型构建思路**：基于缠论（一种技术分析理论）对市场走势进行形态划分和对比，识别类似的历史走势模式（如将2025年12月走势与2017年12月类比），并结合趋势分析来评估当前市场走势的强弱[1][6]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建过程和数学公式。其应用主要涉及对K线走势进行笔、线段、中枢等缠论元素的划分，并进行跨时间段的形态相似性比较，以辅助市场判断[1][6]。 3. **因子名称：趋势强度因子**[1][6] * **因子构建思路**：通过观察市场指数多条移动平均线（MA）的排列关系（如多头排列）及其变化，来量化市场向上或向下趋势的强度[1][6]。 * **因子具体构建过程**：报告未给出该因子的具体计算公式。其构建逻辑通常涉及计算短期、中期、长期等多条移动平均线，并观察它们是否呈现短期均线在上、长期均线在下的有序排列（多头排列），以及这种排列状态的改善或恶化程度，以此作为趋势强弱的度量[1][6]。 * **因子评价**：该因子能有效捕捉市场趋势的延续和转折信号，为判断市场整体格局提供量化依据[1][6]。 4. **指标名称：行业分歧度指标**[1][6] * **指标构建思路**：衡量不同行业板块在同一时期表现差异（涨跌同步性）的指标。当行业表现趋同（同涨同跌）时，分歧度低；当行业表现分化（涨跌互现）时，分歧度高[1][6]。 * **指标具体构建过程**：报告未给出该指标的具体计算公式。其常见构建方法可能基于各行业指数收益率的相关性矩阵、收益率截面标准差或特定熵模型来计算[1][6]。 * **指标评价**：历史经验表明，在牛市或上行格局中，行业分歧度处于低位往往对应市场的局部低点或重要底部，可作为判断市场情绪和阶段的重要逆向参考指标[1][6]。 5. **模型名称：行业四轮驱动模型**[1][6] * **模型构建思路**：一个用于捕捉行业轮动交易机会的量化模型，旨在识别短期内具有上涨潜力的行业或板块[1][6]。 * **模型具体构建过程**：报告未详细披露该模型的具体构建逻辑、因子构成和信号生成算法。从输出结果看，该模型会定期（如每日）生成包含“行业代码”、“行业简称”、“信号类型”（如“交易机会”）等信息的信号列表[15]。 模型的回测效果 （报告中未提供各模型或因子具体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）等数值结果。） 量化因子与构建方式 （因子与指标已在“量化模型与构建方式”部分列出，此处不再重复。） 因子的回测效果 （报告中未提供各因子具体的历史回测绩效指标，如IC值、ICIR、多空收益、因子收益率等数值结果。）

量化模型与构建方式 1. **模型名称：股指期货期现对冲策略（连续对冲）**[46][47] * **模型构建思路**：通过做空股指期货合约，对冲持有标的指数现货（全收益指数）的市场风险，旨在获取相对稳定的收益或降低组合波动[46]。 * **模型具体构建过程**： 1. **资金分配**：总资金的70%用于持有现货（标的指数的全收益指数），剩余30%作为期货保证金[47]。 2. **期货端操作**：做空与现货端名义本金相等的股指期货合约（IC/IF/IH/IM）[47]。 3. **调仓规则**：连续持有季月或当月合约。当所持合约距离到期日不足2天时，在当日收盘价平仓，并同时以收盘价卖空下一季月或当月合约[47]。 4. **动态调整**：每次调仓后，根据产品净值重新计算现货及期货端的持仓数量[47]。 2. **模型名称：股指期货期现对冲策略（最低贴水策略）**[46][48] * **模型构建思路**：在连续对冲策略的基础上进行优化，通过动态选择年化基差贴水幅度最小的合约进行对冲，旨在降低对冲成本或获取基差收敛收益[46][48]。 * **模型具体构建过程**： 1. **资金分配**：与连续对冲策略相同，现货端70%，期货保证金占用30%[48]。 2. **合约选择规则**：在调仓日，计算所有可交易期货合约的分红调整后年化基差，选择其中年化基差贴水幅度最小的合约进行开仓[48]。 3. **调仓规则**： * 同一合约至少持有8个交易日[48]。 * 若合约距离到期日不足2天，则必须调仓[48]。 * 排除剩余到期日不足8日的期货合约[48]。 * 每次选择后，无论是否更换合约，都继续持有8个交易日[48]。 4. **动态调整**：每次调仓后，根据产品净值重新计算现货及期货端的持仓数量[48]。 3. **因子名称：分红调整年化基差**[20] * **因子构建思路**：股指期货的实际基差受到指数成分股分红的影响，为准确分析期货合约的定价和情绪，需要剔除分红影响，计算经预期分红调整并年化后的基差[20]。 * **因子具体构建过程**： 1. 计算实际基差：$$基差 = 期货合约收盘价 - 标的指数收盘价$$[20] 2. 计算预期分红调整后的基差：$$预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红$$[20] 3. 将调整后的基差进行年化处理：$$年化基差 = \frac{实际基差 + (预期)分红点位}{指数价格} \times \frac{360}{合约剩余天数}$$[20] * 公式说明：`分红点位`为合约存续期内预估的指数分红点数[20]。 4. **因子名称：信达波动率指数 (Cinda-VIX)**[64] * **因子构建思路**：借鉴海外VIX指数编制方法，并结合中国场内期权市场实际情况进行调整，旨在反映期权市场投资者对标的资产未来波动率的预期[64]。 * **因子具体构建过程**：报告指出具体算法基于其系列研究报告，未在本文中详细展开，但给出了不同期限（如30日）的VIX计算结果[64]。 5. **因子名称：信达波动率偏斜指数 (Cinda-SKEW)**[74] * **因子构建思路**：通过捕捉不同行权价格期权隐含波动率（IV）的偏斜特征，来衡量市场对标的资产未来收益分布（特别是尾部风险）的预期，常被称为“黑天鹅指数”[74]。 * **因子具体构建过程**：报告指出具体算法基于其系列研究报告，未在本文中详细展开，但给出了SKEW指数的计算结果[74]。当SKEW指数超过100时，通常意味着市场对大幅下跌风险的担忧加剧[75]。 模型的回测效果 *回测区间：2022年7月22日至2025年12月5日[47][48]* 1. **IC当月连续对冲模型**，年化收益-3.38%，波动率3.81%，最大回撤-11.02%，净值0.8911，年换手次数12，2025年以来收益-6.35%[50] 2. **IC季月连续对冲模型**，年化收益-2.38%，波动率4.71%，最大回撤-8.34%，净值0.9223，年换手次数4，2025年以来收益-3.18%[50] 3. **IC最低贴水策略模型**，年化收益-1.89%，波动率4.52%，最大回撤-8.53%，净值0.9378，年换手次数16.68，2025年以来收益-4.10%[50] 4. **IF当月连续对冲模型**，年化收益0.37%，波动率2.90%，最大回撤-3.95%，净值1.0124，年换手次数12，2025年以来收益-1.09%[55] 5. **IF季月连续对冲模型**，年化收益0.70%，波动率3.25%，最大回撤-4.03%，净值1.0236，年换手次数4，2025年以来收益0.38%[55] 6. **IF最低贴水策略模型**，年化收益1.10%，波动率3.02%，最大回撤-4.06%，净值1.0374，年换手次数14.90，2025年以来收益0.38%[55] 7. **IH当月连续对冲模型**，年化收益1.06%，波动率2.97%，最大回撤-4.22%，净值1.0360，年换手次数12，2025年以来收益0.52%[59] 8. **IH季月连续对冲模型**，年化收益2.02%，波动率3.37%，最大回撤-3.75%，净值1.0696，年换手次数4，2025年以来收益2.02%[59] 9. **IH最低贴水策略模型**，年化收益1.67%，波动率2.99%，最大回撤-3.91%，净值1.0573，年换手次数15.49，2025年以来收益1.61%[59] 10. **IM当月连续对冲模型**，年化收益-6.42%，波动率4.74%，最大回撤-14.00%，净值0.8327，年换手次数12，2025年以来收益-12.55%[61] 11. **IM季月连续对冲模型**，年化收益-4.71%，波动率5.76%，最大回撤-12.63%，净值0.8506，年换手次数4，2025年以来收益-7.22%[61] 12. **IM最低贴水策略模型**，年化收益-4.37%，波动率5.51%，最大回撤-11.11%，净值0.8700，年换手次数15.67，2025年以来收益-7.81%[61] 因子的回测效果 *数据日期：2025年12月5日[64][75]* 1. **Cinda-VIX因子 (30日)**，上证50VIX取值15.95，沪深300VIX取值16.61，中证500VIX取值23.09，中证1000VIX取值20.50[64] 2. **Cinda-SKEW因子 (30日)**，上证50SKEW取值104.35，沪深300SKEW取值106.49，中证500SKEW取值101.91，中证1000SKEW取值106.75[75]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：基差比例因子**[15][17][22] * **因子构建思路**：通过计算股指期货价格与其对应现货指数价格的比值减去1，来衡量期货合约相对于现货的溢价或折价（升水或贴水）程度，以此反映市场情绪和套利空间[21]。 * **因子具体构建过程**：对于特定指数（如上证50、沪深300等），选取其股指期货次月合约的结算价，除以该指数当日的收盘价，然后减去1，得到基差比例。 * 公式为： $$基差比例 = \frac{期货结算价}{对应指数收盘价} - 1$$ * 其中，期货结算价为特定指数期货次月合约的日度结算价，对应指数收盘价为该指数当日的收盘价[22]。该比例为正表示期货升水，为负表示期货贴水。 2. **因子名称：国债期货隐含收益率因子**[30][37][39] * **因子构建思路**：通过国债期货的价格反推出其隐含的到期收益率，并与现货国债的到期收益率进行比较，以反映期货市场投资者对未来利率走势的预期[30][41]。 * **因子具体构建过程**：基于国债期货（如10年期国债期货T）的市场价格、合约面值、票面利率、剩余期限等要素，使用债券定价模型计算其隐含的到期收益率。报告中直接对比了该隐含收益率与现货国债收益率（如10年期国债收益率）[37][39]。 3. **因子名称：期权波动率指数（VIX）因子**[47][48] * **因子构建思路**：跟踪由期权市场价格计算得出的波动率指数，该指数反映了市场对未来30天标的资产波动性的预期，是衡量市场恐慌或乐观情绪的重要指标[47]。 * **因子具体构建过程**：报告直接引用了基于不同标的期权（如300ETF期权、1000股指期权等）计算得到的VIX指数数据[48][49]。该指数的具体计算通常基于一篮子期权（看涨和看跌）的隐含波动率，通过特定模型（如方差互换原理）合成。 4. **因子名称：期权持仓量PCR（Put/Call Ratio）因子**[59][61][63] * **因子构建思路**：计算看跌期权（Put）总持仓量与看涨期权（Call）总持仓量的比值，作为衡量市场情绪的逆向指标。PCR上升通常代表看跌情绪增加或市场情绪相对谨慎，但报告指出其上升也可能代表市场情绪相对较好，需结合具体市场环境解读[59]。 * **因子具体构建过程**：收集特定期权品种（如50ETF期权、300ETF期权）所有上市合约的日度持仓量数据，分别加总所有看跌期权合约的持仓量和所有看涨期权合约的持仓量，然后计算两者的比值。 * 公式为： $$持仓量PCR = \frac{看跌期权总持仓量}{看涨期权总持仓量}$$ 因子的回测效果 > **注意**：本报告为市场监测月报，主要展示各因子的近期走势和状态描述，并未提供基于历史数据的标准化回测绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。因此，以下“测试结果”为报告中描述的因子在特定时点（2025年11月）所呈现的状态或方向性结论。 1. **基差比例因子**：主要指数股指期货贴水幅度维持在低水平，上证50与沪深300贴水不明显，中证500和中证1000还有一定的贴水幅度[20]。远月贴水大于近月，平均贴水比例基本持平，反映出股指期货市场投资者对股票市场情绪中性[27]。 2. **国债期货隐含收益率因子**：截至2025年11月30日，10年期国债期货对应隐含收益率为1.74%，低于现货对应的1.83%，反映了投资者对于债市情绪乐观[37]。 3. **期权波动率指数（VIX）因子**：期权市场波动率与之前基本持平。1000指数期权波动率小幅低于标的的实际波动率，300ETF期权波动率与标的的实际波动率持平，显示期权当前价值合理或者低估[56]。 4. **期权持仓量PCR（Put/Call Ratio）因子**：在11月份，300ETF期权PCR和50ETF期权PCR上行，PCR指标显示市场情绪偏积极[65]。

量化模型与构建方式 1. **模型名称：PB-ROE-50组合** * **模型构建思路：** 基于市净率（PB）和净资产收益率（ROE）两个核心指标，构建一个价值与质量相结合的选股模型[23]。 * **模型具体构建过程：** 报告未详细描述该组合的具体构建公式和步骤，仅提及了其核心选股逻辑（PB和ROE）[23]。 2. **模型名称：公募调研选股策略** * **模型构建思路：** 利用公募基金调研上市公司的行为信息，构建事件驱动选股策略[25]。 * **模型具体构建过程：** 报告未详细描述该策略的具体构建公式和步骤，仅提及了其信息源（公募调研）[25]。 3. **模型名称：私募调研跟踪策略** * **模型构建思路：** 利用私募基金调研上市公司的行为信息，构建事件驱动选股策略[25]。 * **模型具体构建过程：** 报告未详细描述该策略的具体构建公式和步骤，仅提及了其信息源（私募调研）[25]。 4. **模型名称：大宗交易组合** * **模型构建思路：** 基于“高成交、低波动”原则，从发生大宗交易的股票中筛选后续表现更佳的标的[29]。 * **模型具体构建过程：** 报告提及了构建该组合的两个关键因子：“大宗交易成交金额比率”越高、“6日成交金额波动率”越低的股票，其后续表现更佳。组合通过月频调仓方式构造[29]。 5. **模型名称：定向增发事件驱动选股组合** * **模型构建思路：** 以定向增发的股东大会公告日为事件节点，构建事件驱动选股策略[35]。 * **模型具体构建过程：** 报告提及构建时综合考虑了市值因素、调仓周期以及对仓位的控制，但未给出具体公式和详细步骤[35]。 模型的回测效果 1. **PB-ROE-50组合**，本周超越基准收益率（中证500）0.76%[24]，本周超越基准收益率（中证800）0.21%[24]，本周超越基准收益率（全市场）-0.09%[24]，今年以来超额收益率（中证500）2.84%[24]，今年以来超额收益率（中证800）15.39%[24]，今年以来超额收益率（全市场）18.22%[24]，本周绝对收益率（中证500）1.71%[24]，本周绝对收益率（中证800）1.40%[24]，本周绝对收益率（全市场）0.68%[24]，今年以来绝对收益率（中证500）27.48%[24]，今年以来绝对收益率（中证800）36.63%[24]，今年以来绝对收益率（全市场）43.75%[24] 2. **公募调研选股策略**，本周超越基准收益率0.42%[26]，今年以来超额收益率16.98%[26]，本周绝对收益率1.61%[26]，今年以来绝对收益率38.51%[26] 3. **私募调研跟踪策略**，本周超越基准收益率0.29%[26]，今年以来超额收益率16.12%[26]，本周绝对收益率1.48%[26]，今年以来绝对收益率37.50%[26] 4. **大宗交易组合**，本周超越基准收益率-0.16%[30]，今年以来超额收益率39.03%[30]，本周绝对收益率0.61%[30]，今年以来绝对收益率69.06%[30] 5. **定向增发组合**，本周超越基准收益率-2.30%[36]，今年以来超额收益率-5.43%[36]，本周绝对收益率-1.55%[36]，今年以来绝对收益率15.00%[36] 量化因子与构建方式 1. **因子名称：单季度ROA** * **因子构建思路：** 衡量公司最近一个季度的资产盈利能力，属于盈利类因子[12]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常，单季度ROA = 单季度净利润 / 期初和期末平均总资产。 2. **因子名称：市销率TTM倒数** * **因子构建思路：** 估值类因子，市销率（Price-to-Sales）的倒数，值越高代表估值可能越低[12]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常，市销率TTM倒数 = 最近12个月营业收入 / 总市值。 3. **因子名称：日内波动率与成交金额的相关性** * **因子构建思路：** 量价关联因子，描述股票日内价格波动与成交金额的同步关系，负向因子表明相关性越低（量价背离）可能预示后续表现越好[12]。 * **因子具体构建过程：** 报告未提供具体计算公式。 4. **因子名称：5日平均换手率** * **因子构建思路：** 流动性因子，衡量股票近期交易活跃程度，通常作为负向因子使用[14]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常为最近5个交易日换手率的算术平均值。 5. **因子名称：6日成交金额的移动平均值** * **因子构建思路：** 流动性因子，衡量近期平均成交规模，通常作为负向因子使用[14]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常为最近6个交易日成交金额的简单移动平均。 6. **因子名称：市盈率因子** * **因子构建思路：** 估值类因子，通常指市盈率（PE）或其倒数，衡量公司股价相对于其盈利水平的比值[16]。 * **因子具体构建过程：** 报告未提供具体计算公式。 7. **因子名称：单季度EPS** * **因子构建思路：** 盈利类因子，衡量公司最近一个季度的每股收益[16]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常，单季度EPS = 单季度归属于母公司股东的净利润 / 期末总股本。 8. **因子名称：市盈率TTM倒数** * **因子构建思路：** 估值类因子，滚动市盈率（PE TTM）的倒数，即盈利收益率（Earnings Yield）[16]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常，市盈率TTM倒数 = 最近12个月归属于母公司股东的净利润 / 总市值。 9. **因子名称：5日反转** * **因子构建思路：** 短期反转因子，认为过去短期内跌幅较大的股票在未来短期内可能有反弹，反之亦然，通常作为负向因子[12]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常为股票过去5个交易日的收益率，取负值。 10. **因子名称：对数市值因子** * **因子构建思路：** 规模因子，使用公司总市值的自然对数来衡量公司规模，通常作为负向因子（小市值效应）[12]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常，对数市值因子 = Ln(总市值)。 11. **因子名称：大类因子（盈利因子、市值因子、非线性市值因子、动量因子、残差波动率因子）** * **因子构建思路：** 将多个底层单因子按照其逻辑归属，合成代表某一特定风格维度的大类因子[1][18]。 * **因子具体构建过程：** 报告未提供具体合成方法。 12. **因子名称：行业内因子（如净资产增长率、净利润增长率、每股净资产、每股经营利润TTM、EP因子、BP因子、残差波动率、流动性、对数市值等）** * **因子构建思路：** 在申万一级行业内部，计算并比较各类因子的表现，以观察因子表现的行业差异性[21][22]。 * **因子具体构建过程：** 报告未提供行业内因子值的具体计算方法。 13. **因子名称：大宗交易成交金额比率** * **因子构建思路：** 用于大宗交易组合构建的特定因子，衡量大宗交易成交的活跃程度[29]。 * **因子具体构建过程：** 报告未提供具体计算公式。 14. **因子名称：6日成交金额波动率** * **因子构建思路：** 用于大宗交易组合构建的特定因子，衡量近期成交金额的稳定性[29]。 * **因子具体构建过程：** 报告未提供具体计算公式。 因子的回测效果 **（注：以下因子表现数据均为“最近1周”的收益，为剔除行业与市值影响后多头组合相对于基准指数的超额收益[12]。）** 1. **单季度ROA**，最近1周收益（沪深300）1.43%[13]，最近1周收益（中证500）0.78%[15]，最近1周收益（流动性1500）1.01%[17] 2. **市销率TTM倒数**，最近1周收益（沪深300）1.39%[13]，最近1周收益（中证500）0.54%[15]，最近1周收益（流动性1500）1.01%[17] 3. **日内波动率与成交金额的相关性**，最近1周收益（沪深300）1.36%[13]，最近1周收益（中证500）1.66%[15]，最近1周收益（流动性1500）1.11%[17] 4. **5日平均换手率**，最近1周收益（沪深300）0.75%[13]，最近1周收益（中证500）1.68%[15]，最近1周收益（流动性1500）0.84%[17] 5. **6日成交金额的移动平均值**，最近1周收益（沪深300）0.28%[13]，最近1周收益（中证500）1.30%[15]，最近1周收益（流动性1500）1.15%[17] 6. **市盈率因子**，最近1周收益（沪深300）0.91%[13]，最近1周收益（中证500）0.88%[15]，最近1周收益（流动性1500）2.13%[17] 7. **单季度EPS**，最近1周收益（沪深300）0.98%[13]，最近1周收益（中证500）1.04%[15]，最近1周收益（流动性1500）2.07%[17] 8. **市盈率TTM倒数**，最近1周收益（沪深300）0.93%[13]，最近1周收益（中证500）0.94%[15]，最近1周收益（流动性1500）1.86%[17] 9. **5日反转**，最近1周收益（沪深300）-1.25%[13]，最近1周收益（中证500）-0.48%[15]，最近1周收益（流动性1500）-1.44%[17] 10. **对数市值因子**，最近1周收益（沪深300）-1.70%[13]，最近1周收益（中证500）-1.21%[15]，最近1周收益（流动性1500）-0.33%[17] 11. **大类因子-盈利因子**，最近1周收益（全市场）0.61%[18] 12. **大类因子-市值因子**，最近1周收益（全市场）0.25%[18] 13. **大类因子-非线性市值因子**，最近1周收益（全市场）0.24%[18] 14. **大类因子-动量因子**，最近1周收益（全市场）0.23%[18] 15. **大类因子-残差波动率因子**，最近1周收益（全市场）-0.59%[18]

量化模型与构建方式 1. **模型名称**：封板率计算模型[17] **模型构建思路**：通过计算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，来衡量市场涨停板的封板质量[17] **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[17] 2. 识别在当日盘中最高价达到涨停的股票[17] 3. 在步骤2的股票中，进一步识别收盘价仍为涨停的股票[17] 4. 计算封板率，公式为： $$封板率=最高价涨停且收盘涨停的股票数/最高价涨停的股票数$$[17] 2. **模型名称**：连板率计算模型[17] **模型构建思路**：通过计算连续两日收盘涨停的股票数量占昨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[17] **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[17] 2. 识别在昨日收盘涨停的股票[17] 3. 在步骤2的股票中，进一步识别今日收盘也涨停的股票[17] 4. 计算连板率，公式为： $$连板率=连续两日收盘涨停的股票数/昨日收盘涨停的股票数$$[17] 3. **模型名称**：大宗交易折价率计算模型[26] **模型构建思路**：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，来反映大额交易的折溢价水平，从而体现大资金的交易情绪[26] **模型具体构建过程**： 1. 获取当日所有大宗交易的成交总金额[26] 2. 获取当日大宗交易成交份额按当日市价计算的总市值[26] 3. 计算折价率，公式为： $$折价率=大宗交易总成交金额/当日成交份额的总市值-1$$[26] 公式说明：当结果为负值时表示折价交易，正值表示溢价交易[26] 4. **模型名称**：股指期货年化贴水率计算模型[28] **模型构建思路**：通过计算股指期货主力合约价格与现货指数价格的基差，并进行年化处理，来衡量股指期货的升贴水程度，反映市场对未来走势的预期和对冲成本[28] **模型具体构建过程**： 1. 计算基差：基差 = 股指期货价格 - 现货指数价格[28] 2. 计算年化贴水率，公式为： $$年化贴水率=基差/指数价格*(250/合约剩余交易日数)$$[28] 公式说明：基差为负时表示贴水，年化贴水率为负；基差为正时表示升水，年化贴水率为正[28] 量化因子与构建方式 1. **因子名称**：两融余额占比因子[22] **因子构建思路**：通过计算融资融券余额占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度[22] **因子具体构建过程**： 1. 获取当前市场的融资余额与融券余额，求和得到两融余额[22] 2. 获取当前市场的总流通市值[22] 3. 计算占比：两融余额占比 = 两融余额 / 市场总流通市值[22] 2. **因子名称**：两融交易占比因子[22] **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程度[22] **因子具体构建过程**： 1. 获取当日的融资买入总额与融券卖出总额，求和得到两融交易总额[22] 2. 获取当日的市场总成交额[22] 3. 计算占比：两融交易占比 = 两融交易总额 / 市场总成交额[22] 模型的回测效果 （报告中未提供相关模型的长期历史回测效果指标，如年化收益率、夏普比率、最大回撤、信息比率等具体数值，故本部分省略） 因子的回测效果 （报告中未提供相关因子的长期历史回测效果指标，如IC值、ICIR、多空收益、因子收益率等具体数值，故本部分省略）

量化模型与构建方式 1. **模型名称：港股精选组合模型**[13][15] * **模型构建思路：** 该模型旨在对分析师推荐股票池进行基本面和技术面的双层优选，挑选出同时具备基本面支撑和技术面共振的超预期股票，构建港股精选股票组合[13][15]。 * **模型具体构建过程：** 1. **构建分析师推荐股票池：** 以分析师上调盈利预测、分析师首次关注、分析师研报标题超预期事件作为分析师推荐事件，构建初始股票池[15]。 2. **基本面与技术面精选：** 对分析师推荐股票池中的股票，从基本面和技术面两个维度进行进一步筛选，具体筛选标准未在本文中详述，但提及可参考专题报告《基于分析师推荐视角的港股投资策略》[13][15]。 2. **因子名称：250日新高距离**[20] * **因子构建思路：** 用于量化股票价格接近其历史最高价的程度，作为判断股票是否“创新高”以及创新高后回落幅度的指标[18][20]。 * **因子具体构建过程：** 1. 计算过去250个交易日收盘价的最大值。 2. 使用最新收盘价与过去250日最高价计算距离。 3. 具体公式为： $$250 日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，$Closet$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[20]。 4. 若最新收盘价创出新高，则因子值为0；若最新收盘价较新高回落，则因子值为正值，表示回落幅度[20]。 3. **模型名称：平稳创新高股票筛选模型**[20][21] * **模型构建思路：** 根据分析师关注度、股价相对强弱、股价路径平稳性、创新高连续性等多个角度，在过去20个交易日创出过250日新高的股票池中，筛选出“平稳创新高”的股票[2][20]。 * **模型具体构建过程：** 1. **样本池：** 全部港股，但需剔除成立时间不超过15个月的股票[21]。 2. **分析师关注度筛选：** 过去6个月内，买入或增持评级的分析师研报不少于5份[21]。 3. **股价相对强弱筛选：** 过去250日涨跌幅位于样本池前20%[21]。 4. **股价平稳性筛选：** 在满足上述条件的股票池内，使用以下两个指标综合打分，取排名在前50%的股票（最少取50只）[21]。 * **价格路径平滑性：** 使用“股价位移路程比”指标，具体计算公式为： $$股价位移路程比 = \frac{过去120日涨跌幅绝对值}{过去120日日涨跌幅绝对值加总}$$ [20][21] * **创新高持续性：** 过去120日的250日新高距离在时间序列上的均值[21]。 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，并取排序靠前的50只股票作为最终输出[21]。 模型的回测效果 1. **港股精选组合模型**[15][17] * **全样本（20100101-20250630）年化收益：** 19.11%[15] * **全样本相对恒生指数年化超额收益：** 18.48%[15] * **全样本信息比（IR）：** 1.22[17] * **全样本最大回撤：** 23.73%[17] * **本周（20251201-20251205）绝对收益：** 1.12%[1][15] * **本周相对恒生指数超额收益：** 0.24%[1][15] * **本年（20250102-20251205）绝对收益：** 62.49%[1][15] * **本年相对恒生指数超额收益：** 32.45%[1][15] 量化因子与构建方式 *（本报告中未提供除“250日新高距离”外其他独立因子的详细构建与测试，该因子已作为“平稳创新高股票筛选模型”的组成部分在模型部分描述）* 因子的回测效果 *（本报告中未提供独立因子的回测效果数据）*

量化模型与构建方式 1. 模型名称：国信金工指数增强组合模型 * **模型构建思路**：以多因子选股为主体，通过收益预测、风险控制和组合优化三个主要流程，构建对标不同基准指数的增强组合，旨在稳定战胜各自基准[11][12] * **模型具体构建过程**： 1. **收益预测**：基于多因子模型对股票未来收益进行预测[12] 2. **风险控制**：在组合优化过程中施加多种约束条件以控制风险[12] 3. **组合优化**：采用组合优化模型求解最优股票权重，具体优化模型未在报告中详细展开，但参考附录中的MFE组合优化模型，其通用形式可能包含最大化预期收益或控制风险等目标函数，并施加行业、风格、个股权重等约束[12][41] 2. 模型名称：单因子MFE（Maximized Factor Exposure）组合模型 * **模型构建思路**：为了在更贴近实际投资约束的条件下检验单因子的有效性，采用组合优化的方式，在控制行业暴露、风格暴露等实际约束的同时，最大化组合在目标因子上的暴露，从而构建MFE组合，并通过该组合相对于基准的收益表现来判断因子有效性[41] * **模型具体构建过程**： 1. 设定组合优化模型，目标函数为最大化单因子暴露[41] 2. 模型约束条件包括： * 组合相对于基准指数的风格暴露限制[41][42] * 组合相对于基准指数的行业偏离限制[41][42] * 个股相对于基准指数成分股的权重偏离限制[41][42] * 组合在基准成分股内权重的占比限制[41][42] * 禁止卖空及个股权重上限限制[41][42] * 权重和为1，即满仓运作[41][42] 3. 具体优化模型数学表达式如下： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ 其中，`f`为因子取值向量，`w`为待求解的股票权重向量，`w_b`为基准指数成分股权重向量。`X`为风格因子暴露矩阵，`s_l`, `s_h`为风格暴露上下限。`H`为行业暴露矩阵，`h_l`, `h_h`为行业偏离上下限。`w_l`, `w_h`为个股权重偏离上下限。`B_b`为成分股标识向量，`b_l`, `b_h`为成分股内权重占比上下限。`l`为个股权重上限[41][42] 4. 实际操作中，为避免持仓过于集中，通常设置个股相对于其基准权重的最大偏离幅度为0.5%-1%[43] 5. 每月末根据约束条件为每个因子构建MFE组合，在回测期内换仓，计算扣除交易费用后的收益及风险指标[45] 3. 模型名称：公募重仓指数 * **模型构建思路**：为了测试因子在公募基金持仓风格下的有效性，通过汇总公募基金持仓信息，构建一个代表公募基金整体重仓股表现的指数，作为因子测试的新样本空间[43] * **模型具体构建过程**： 1. **选样空间**：选取普通股票型基金和偏股混合型基金，剔除规模小于五千万且上市不足半年的基金，若基金转型则使用转型后半年以上的数据[44] 2. **数据获取**：通过基金定期报告获取持股信息。若最新报告为半年报或年报，使用全部持仓；若为季报，则结合前期的半年报或年报信息构建持仓数据[44] 3. **指数构建**：将符合条件的所有基金持仓股票权重进行平均，得到公募基金平均持仓。将平均后的股票权重降序排序，选取累计权重达到90%的股票作为成分股，构建公募基金重仓指数[44] 量化因子与构建方式 报告从估值、反转、成长、盈利、流动性、公司治理、分析师等维度构造了30余个常见因子[16]。 1. 估值类因子 * **因子名称**：BP * **因子构建思路**：衡量公司的账面价值与市场价值的比率，属于价值型因子[17] * **因子具体构建过程**：净资产 / 总市值[17] * **因子名称**：单季EP * **因子构建思路**：使用单季度净利润衡量估值[17] * **因子具体构建过程**：单季度归母净利润 / 总市值[17] * **因子名称**：单季SP * **因子构建思路**：使用单季度营业收入衡量估值[17] * **因子具体构建过程**：单季度营业收入 / 总市值[17] * **因子名称**：EPTTM * **因子构建思路**：使用滚动净利润衡量估值[17] * **因子具体构建过程**：归母净利润TTM / 总市值[17] * **因子名称**：SPTTM * **因子构建思路**：使用滚动营业收入衡量估值[17] * **因子具体构建过程**：营业收入TTM / 总市值[17] * **因子名称**：EPTTM分位点 * **因子构建思路**：衡量当前估值在历史区间中的相对位置[17] * **因子具体构建过程**：EPTTM在过去一年中的分位点[17] * **因子名称**：股息率 * **因子构建思路**：衡量公司的现金分红回报[17] * **因子具体构建过程**：最近四个季度预案分红金额 / 总市值[17] 2. 反转类因子 * **因子名称**：一个月反转 * **因子构建思路**：捕捉短期价格反转效应[17] * **因子具体构建过程**：过去20个交易日涨跌幅[17] * **因子名称**：三个月反转 * **因子构建思路**：捕捉中期价格反转效应[17] * **因子具体构建过程**：过去60个交易日涨跌幅[17] * **因子名称**：一年动量 * **因子构建思路**：捕捉长期价格动量效应[17] * **因子具体构建过程**：近一年除近一月后动量[17] 3. 成长类因子 * **因子名称**：单季净利同比增速 * **因子构建思路**：衡量单季度净利润的同比增长情况[17] * **因子具体构建过程**：单季度净利润同比增长率[17] * **因子名称**：单季营收同比增速 * **因子构建思路**：衡量单季度营业收入的同比增长情况[17] * **因子具体构建过程**：单季度营业收入同比增长率[17] * **因子名称**：单季营利同比增速 * **因子构建思路**：衡量单季度营业利润的同比增长情况[17] * **因子具体构建过程**：单季度营业利润同比增长率[17] * **因子名称**：SUE（标准化预期外盈利） * **因子构建思路**：衡量实际盈利超出分析师一致预期的标准化幅度[17] * **因子具体构建过程**：（单季度实际净利润 - 预期净利润）/ 预期净利润标准差[17] * **因子名称**：SUR（标准化预期外收入） * **因子构建思路**：衡量实际收入超出分析师一致预期的标准化幅度[17] * **因子具体构建过程**：（单季度实际营业收入 - 预期营业收入）/ 预期营业收入标准差[17] * **因子名称**：单季超预期幅度 * **因子构建思路**：衡量实际盈利与预期盈利的比率[17] * **因子具体构建过程**：预期单季度净利润 / 财报单季度净利润[17] 4. 盈利类因子 * **因子名称**：单季ROE * **因子构建思路**：衡量单季度股东权益的盈利能力[17] * **因子具体构建过程**：单季度归母净利润 * 2 / （期初归母净资产 + 期末归母净资产）[17] * **因子名称**：单季ROA * **因子构建思路**：衡量单季度总资产的盈利能力[17] * **因子具体构建过程**：单季度归母净利润 * 2 / （期初归母总资产 + 期末归母总资产）[17] * **因子名称**：DELTAROE * **因子构建思路**：衡量净资产收益率的同比变化[17] * **因子具体构建过程**：单季度净资产收益率 - 去年同期单季度净资产收益率[17] * **因子名称**：DELTAROA * **因子构建思路**：衡量总资产收益率的同比变化[17] * **因子具体构建过程**：单季度总资产收益率 - 去年同期单季度总资产收益率[17] 5. 流动性类因子 * **因子名称**：非流动性冲击 * **因子构建思路**：衡量单位成交金额引起的价格冲击，反映流动性成本[17] * **因子具体构建过程**：过去20个交易日的日涨跌幅绝对值 / 成交额的均值[17] * **因子名称**：一个月换手 * **因子构建思路**：衡量短期交易活跃度[17] * **因子具体构建过程**：过去20个交易日换手率均值[17] * **因子名称**：三个月换手 * **因子构建思路**：衡量中期交易活跃度[17] * **因子具体构建过程**：过去60个交易日换手率均值[17] 6. 波动类因子 * **因子名称**：特异度 * **因子构建思路**：衡量股价波动中不能被常见风险因子（如Fama-French三因子）解释的部分[17] * **因子具体构建过程**：1 - 过去20个交易日Fama-French三因子回归的拟合度[17] * **因子名称**：一个月波动 * **因子构建思路**：衡量短期股价波动率[17] * **因子具体构建过程**：过去20个交易日日内真实波幅均值[17] * **因子名称**：三个月波动 * **因子构建思路**：衡量中期股价波动率[17] * **因子具体构建过程**：过去60个交易日日内真实波幅均值[17] 7. 公司治理类因子 * **因子名称**：高管薪酬 * **因子构建思路**：衡量公司高管的薪酬水平[17] * **因子具体构建过程**：前三高管报酬总额取对数[17] 8. 分析师类因子 * **因子名称**：预期EPTTM * **因子构建思路**：基于分析师一致预期的滚动市盈率倒数[17] * **因子具体构建过程**：一致预期滚动EP[17] * **因子名称**：预期BP * **因子构建思路**：基于分析师一致预期的市净率倒数[17] * **因子具体构建过程**：一致预期滚动PB[17] * **因子名称**：预期PEG * **因子构建思路**：结合成长性的估值指标[17] * **因子具体构建过程**：一致预期PEG[17] * **因子名称**：预期净利润环比 * **因子构建思路**：衡量分析师对未来盈利增长预期的变化[17] * **因子具体构建过程**：一致预期净利润 / 3个月前一致预期净利润[17] * **因子名称**：三个月盈利上下调 * **因子构建思路**：衡量过去一段时间内分析师盈利预测上调与下调的家数净差额[17] * **因子具体构建过程**：过去3个月内分析师（上调家数 - 下调家数）/ 总家数[17] * **因子名称**：三个月机构覆盖 * **因子构建思路**：衡量公司受机构关注的程度[17] * **因子具体构建过程**：过去3个月内机构覆盖数量[17] 模型的回测效果 1. 国信金工指数增强组合模型 * **沪深300指数增强组合**：本周超额收益0.68%，本年超额收益18.98%[5][14] * **中证500指数增强组合**：本周超额收益0.13%，本年超额收益7.30%[5][14] * **中证1000指数增强组合**：本周超额收益0.77%，本年超额收益15.97%[5][14] * **中证A500指数增强组合**：本周超额收益0.87%，本年超额收益9.47%[5][14] 2. 公募基金指数增强产品（整体表现） * **沪深300指数增强产品**：最近一周超额收益中位数0.18%，最近一月0.51%，最近一季0.58%，今年以来3.04%[2][32] * **中证500指数增强产品**：最近一周超额收益中位数0.38%，最近一月0.58%，最近一季1.31%，今年以来4.24%[2][35] * **中证1000指数增强产品**：最近一周超额收益中位数0.54%，最近一月0.77%，最近一季2.06%，今年以来9.87%[2][37] * **中证A500指数增强产品**：最近一周超额收益中位数0.16%，最近一月0.32%，最近一季0.62%[3][40] 因子的回测效果 以下为各因子在对应样本空间中构建的MFE组合，在“最近一周”、“最近一月”、“今年以来”、“历史年化”四个时间窗口下的超额收益表现[18][20][22][24][26]。 1. 沪深300样本空间因子表现[18][19] * **单季ROE**：1.15%， 1.73%， 19.60%， 5.10% * **三个月机构覆盖**：0.89%， 1.58%， 11.22%， 3.09% * **EPTTM**：0.70%， 0.77%， 6.35%， 4.39% * **单季EP**：0.66%， 0.84%， 7.59%， 5.17% * **高管薪酬**：0.62%， 0.57%， 3.83%， 3.14% * **单季ROA**：0.61%， 0.92%， 13.26%， 3.88% * **预期EPTTM**：0.59%， 0.97%， 7.03%， 3.88% * **三个月盈利上下调**：0.58%， 0.38%， 8.70%， 5.25% * **SPTTM**：0.45%， 0.82%， -0.91%， 2.15% * **单季SP**：0.38%， 0.67%， -0.49%， 2.95% * **标准化预期外收入(SUR)**：0.37%， 0.55%， 10.80%， 4.67% * **DELTAROE**：0.37%， 0.42%， 15.04%， 4.34% * **股息率**：0.36%， 0.65%， 4.10%， 3.73% * **预期PEG**：0.31%， 0.38%， 9.79%， 3.52% * **标准化预期外盈利(SUE)**：0.30%， 0.32%， 9.49%， 4.03% * **预期BP**：0.24%， 0.89%， 0.39%， 3.01% * **三个月波动**：0.23%， 1.45%， -2.17%， 1.80% * **BP**：0.23%， 0.83%， -1.27%， 2.64% * **特异度**：0.21%， 0.44%， 2.28%， 0.13% * **单季营利同比增速**：0.18%， -0.74%， 11.99%， 3.41% * **一年动量**：0.15%， -0.73%， 0.97%， 2.47% * **一个月波动**：0.13%， 1.31%， -1.07%， 0.99% * **DELTAROA**：0.10%， -0.23%， 13.08%， 4.69% * **三个月换手**：0.09%， 0.74%， -4.92%， 2.33% * **三个月反转**：0.07%， 0.70%， 0.44%， 0.31% * **单季净利同比增速**：0.01%， -0.71%， 12.29%， 3.80% * **一个月换手**：-0.11%， 0.27%， -5.26%， 1.30% * **非流动性冲击**：-0.16%， 0.10%， -1.78%， 0.21% * **单季超预期幅度**：-0.28%， -0.22%， 8.76%， 3.85% * **单季营收同比增速**：-0.36%， -0.88%， 17.82%， 4.66% * **预期净利润环比**：-0.37%， -0.75%， 3.94%， 1.50% * **EPTTM一年分位

量化模型与构建方式 1. **模型名称**：优秀基金业绩增强组合[4][13] **模型构建思路**：将对标基准从宽基指数转变为主动股基，在借鉴优秀基金持仓的基础上，采用量化方法进行增强，以达到优中选优的目的[4][50]。 **模型具体构建过程**： * **基金优选**：对基金进行优选，并对收益类因子进行分层中性化处理，以解决市场风格突变时的反转问题和持股风格集中化问题[50]。 * **构建基准组合**：根据优选基金的补全持仓，构建优选基金持仓组合，该组合能较好地跟踪主动股基中位数走势[50]。 * **组合优化增强**：以业绩分层视角下的优选基金持仓为选股空间和对标基准，采用组合优化的方法，控制组合与优选基金持仓在个股偏离、行业偏离及风格上的偏离，构建最终组合[51]。 2. **模型名称**：超预期精选组合[5][13] **模型构建思路**：筛选超预期事件股票池，然后对池内股票进行基本面和技术面两个维度的精选，挑选出同时具备基本面支撑和技术面共振的股票构建组合[5][56]。 **模型具体构建过程**： * **筛选股票池**：以研报标题出现“超预期”与分析师全线上调净利润为条件，筛选出超预期事件股票池[5][56]。 * **双层优选**：对超预期股票池中的股票，进行基本面和技术面两个维度的精选[5][56]。 3. **模型名称**：券商金股业绩增强组合[6][13] **模型构建思路**：以券商金股股票池为选股空间和约束基准，通过组合优化控制与基准在个股、风格上的偏离，构建增强组合[6]。 **模型具体构建过程**： * **确定基准**：以券商金股股票池为选股空间和对标基准[6][61]。 * **组合优化**：采用组合优化的方式，控制组合与券商金股股票池在个股、风格上的偏离，构建最终组合[6]。 4. **模型名称**：成长稳健组合[7][13] **模型构建思路**：采用“先时序、后截面”的方式构建成长股二维评价体系，旨在高效获取成长股在利好事件触发前后超额收益释放最强烈的阶段收益[7][66]。 **模型具体构建过程**： * **筛选股票池**：以研报标题出现“超预期”及业绩大增为条件筛选成长股股票池[7]。 * **时序分档**：根据距离正式财报预约披露日的间隔天数进行分档，优先选择距离财报预约披露日较近的股票[7][66]。 * **截面精选**：当样本数量较多时，采用多因子打分精选优质个股[7]。 * **组合构建与风控**：构建100只股票等权组合，并引入弱平衡机制、跃迁机制、缓冲机制和风险规避机制以降低换手、规避风险[66]。 模型的回测效果 1. **优秀基金业绩增强组合** * 全样本区间（2012.1.4-2025.6.30）年化收益（考虑仓位及交易费用）：20.31%[52][55] * 全样本区间相对偏股混合型基金指数年化超额收益：11.83%[52][55] * 2025年（截至2025.12.5）绝对收益（考虑仓位）：25.64%[2][14] * 2025年（截至2025.12.5）相对偏股混合型基金指数超额收益：-4.78%[2][14] * 2025年（截至2025.12.5）在主动股基中排名分位点：54.37%[2][14] 2. **超预期精选组合** * 全样本区间（2010.1.4-2025.6.30）年化收益（考虑仓位及交易费用）：30.55%[57][59] * 全样本区间相对偏股混合型基金指数年化超额收益：24.68%[57][59] * 2025年（截至2025.12.5）绝对收益（考虑仓位）：40.76%[2][14] * 2025年（截至2025.12.5）相对偏股混合型基金指数超额收益：10.35%[2][14] * 2025年（截至2025.12.5）在主动股基中排名分位点：26.09%[2][14] 3. **券商金股业绩增强组合** * 全样本区间（2018.1.2-2025.6.30）年化收益（考虑仓位及交易费用）：19.34%[62][65] * 全样本区间相对偏股混合型基金指数年化超额收益：14.38%[62][65] * 2025年（截至2025.12.5）绝对收益（考虑仓位）：34.55%[2][14] * 2025年（截至2025.12.5）相对偏股混合型基金指数超额收益：4.14%[2][14] * 2025年（截至2025.12.5）在主动股基中排名分位点：36.29%[2][14] 4. **成长稳健组合** * 全样本区间（2012.1.4-2025.6.30）年化收益（考虑仓位及交易费用）：35.51%[67][70] * 全样本区间相对偏股混合型基金指数年化超额收益：26.88%[67][70] * 2025年（截至2025.12.5）绝对收益（考虑仓位）：49.66%[3][14] * 2025年（截至2025.12.5）相对偏股混合型基金指数超额收益：19.24%[3][14] * 2025年（截至2025.12.5）在主动股基中排名分位点：15.36%[3][14]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：国证2000指数增强策略模型** * **模型构建思路**：针对国证2000指数成分股（小微盘股），筛选出在该类股票上表现更优的选股因子，构建合成因子，并以此为基础构建指数增强策略[32]。 * **模型具体构建过程**： 1. **因子筛选与合成**：测试并筛选在国证2000成分股上表现突出的技术、反转、特异波动率等因子，合成各大类因子[33]。 2. **因子独立性处理**：由于技术、反转和特异波动率因子相关性较高，将波动率因子对技术和反转因子做回归求残差，得到相对独立的波动率因子[34]。 3. **最终因子构建**：将各大类因子再次等权合成，并进行行业市值中性化，得到最终的“国证2000增强因子”[34]。 4. **策略组合构建**：每月月底，取增强因子值排名前10%的股票，以等权方式构建多头组合进行调仓[37]。 2. **模型名称：基于TimeMixer改进的TSGRU+LGBM机器学习选股模型** * **模型构建思路**：针对原有GBDT+NN融合因子近期失效的问题，引入TimeMixer时序预测框架的多尺度混合与季节/趋势分解机制改进GRU模型，再通过LightGBM集成TSGRU的隐向量与传统量化因子，以更好地捕捉近期市场信息[3][43]。 * **模型具体构建过程**： 1. **模型改进**：基于TimeMixer框架，将其多尺度混合与季节/趋势分解机制引入GRU模型，形成TSGRU模型[3][43]。 2. **特征集成**：使用LightGBM模型，将TSGRU模型输出的隐向量（捕捉时序特征）与传统量化因子进行集成，生成最终的机器学习选股因子[3][43]。 3. **模型名称：基于TSGRU+LGBM因子的指数增强策略模型** * **模型构建思路**：将上述TSGRU+LGBM机器学习选股因子应用于指数增强策略，通过对投资组合的跟踪误差和个股权重偏离进行控制，来最大化因子暴露[4][48]。 * **模型具体构建过程**： 1. **因子输入**：使用TSGRU+LGBM模型生成的选股因子[4]。 2. **组合优化**：在构建策略时，对投资组合的跟踪误差进行控制，同时对个股权重偏离进行控制，以最大化因子暴露[4][48]。 3. **回测设定**：回测区间自2018年2月1日开始，手续费率假设为单边千分之二，每月月初调仓[4][48]。 4. **模型名称：基于红利风格择时+红利股优选的固收+策略模型** * **模型构建思路**：结合宏观指标构建的动态事件因子进行红利指数择时，同时利用AI模型在红利指数成分股内进行优选，构建一个结合了择时和选股的固收+策略[5][56]。 * **模型具体构建过程**： 1. **择时策略构建**：使用经济增长和货币流动性共10个指标，通过动态事件因子体系构建红利指数择时策略[5][56]。 2. **选股策略构建**：利用AI模型（报告中提及GBDT+NN模型）在中证红利指数成分股内进行测试和选股[5][56]。 3. **策略组合**：将择时信号与选股结果相结合，构建固收+策略组合[5]。 模型的回测效果 1. **国证2000指数增强策略模型** * 年化收益率：23.79%[41] * 年化波动率：23.93%[41] * 夏普比率：0.99[41] * 最大回撤：42.49%[41] * 年化超额收益率：13.39%[41] * 跟踪误差：7.69%[41] * 信息比率(IR)：1.74[41] * 超额最大回撤：10.19%[41] * 11月收益率：0.21%[41] * 11月超额收益率：1.84%[2][41] 2. **基于TSGRU+LGBM因子的沪深300指数增强策略模型** * 年化收益率：7.46%[49] * 年化波动率：17.42%[49] * Sharpe比率：0.43[49] * 最大回撤率：28.55%[49] * 年化超额收益率：6.12%[49] * 跟踪误差：4.66%[49] * 信息比率(IR)：1.31[49] * 超额最大回撤：6.64%[49] * 11月收益率：1.07%[49] * 11月超额收益率：3.49%[4][49] 3. **基于TSGRU+LGBM因子的中证500指数增强策略模型** * 年化收益率：12.68%[53] * 年化波动率：20.41%[53] * Sharpe比率：0.62[53] * 最大回撤率：31.34%[53] * 年化超额收益率：9.87%[53] * 跟踪误差：4.92%[53] * 信息比率(IR)：2.01[53] * 超额最大回撤：6.67%[53] * 11月收益率：-3.46%[53] * 11月超额收益率：1.60%[4][53] 4. **基于TSGRU+LGBM因子的中证1000指数增强策略模型** * 年化收益率：15.64%[55] * 年化波动率：22.82%[55] * Sharpe比率：0.69[55] * 最大回撤率：31.75%[55] * 年化超额收益率：13.35%[55] * 跟踪误差：5.37%[55] * 信息比率(IR)：2.48[55] * 超额最大回撤：6.17%[55] * 11月收益率：-2.22%[55] * 11月超额收益率：0.99%[4][55] 5. **基于红利风格择时+红利股优选的固收+策略模型** * 年化收益率：7.33%[57] * 年化波动率：3.37%[57] * 夏普比率：2.17[57] * 最大回撤：4.93%[57] * 最近1个月收益率：-0.03%[5][57] 量化因子与构建方式 1. **因子名称：国证2000增强因子** * **因子构建思路**：综合在国证2000成分股上表现优异的多类因子，通过合成与中性化处理，构建一个具有良好预测能力的复合因子[33][34]。 * **因子具体构建过程**： 1. 测试并合成技术、反转、特异波动率等大类因子[33]。 2. 为降低相关性，将波动率因子对技术和反转因子做回归，取残差作为新的相对独立的波动率因子[34]。公式表示为： $$ResidualVolFactor = VolFactor - \beta_1 \cdot TechFactor - \beta_2 \cdot ReversalFactor$$ 其中，$VolFactor$为原始波动率因子，$TechFactor$和$ReversalFactor$分别为技术因子和反转因子，$\beta_1$和$\beta_2$为回归系数。 3. 将成长、残差波动率、动量、技术、价值等各大类因子进行等权合成[35]。 4. 对合成后的因子进行行业和市值中性化处理，得到最终的增强因子[34]。 2. **因子名称：TSGRU+LGBM机器学习选股因子** * **因子构建思路**：融合改进的时序模型（TSGRU）提取的隐向量特征与传统量化因子，通过LightGBM集成学习生成选股信号[3][43]。 * **因子具体构建过程**： 1. 使用改进的TSGRU模型处理时序数据，输出表征股票近期市场信息的隐向量[3][43]。 2. 将这些隐向量与传统的基本面、技术面等量化因子共同作为特征[43]。 3. 使用LightGBM模型对上述特征进行训练和预测，输出最终的因子值（选股得分）[3][43]。 3. **因子名称：动态宏观事件因子（用于红利择时）** * **因子构建思路**：基于经济增长和货币流动性等多维度宏观指标，构建一个能够发出择时信号的动态事件因子体系[5][56]。 * **因子具体构建过程**： 1. 选取消费者信心指数、发电量、国债利差、PMI新出口订单、PPI、PPI-CPI剪刀差、Shibor、R007等共10个经济增长和货币流动性指标[5][56]。 2. 通过动态事件因子体系处理这些指标，为每个指标生成0或1的信号（例如，0代表看空/空仓，1代表看多/持仓）[61]。 3. 综合所有指标的信号，生成最终的择时信号（0%或100%仓位）[60][61]。 4. **因子名称：GBDT+NN融合选股因子（用于红利股优选）** * **因子构建思路**：结合梯度提升树（GBDT）和神经网络（NN）两类结构差异的模型，使用不同的特征和预测标签进行训练并融合，以增强选股因子的稳定性和预测能力[3][43]。 * **因子具体构建过程**： 1. 分别使用GBDT和NN模型进行训练，选取不同的特征数据集和多种预测标签进行对比[3][43]。 2. 将两类模型的预测结果进行融合，构建出最终的GBDT+NN机器学习选股因子[3][43]。 因子的回测效果 1. **国证2000增强因子** * IC均值：12.63%[34][35] * IC T统计量：12.79[34][35] * 最新月IC值：12.54%[2][35] 2. **TSGRU+LGBM机器学习选股因子（在沪深300成分股中）** * 样本外IC均值：8.69%[44][45] * 样本外多头年化超额收益率：7.24%[44][45] * 本月IC值：37.05%[44][45] * 本月多头超额收益率：3.51%[44][45] 3. **TSGRU+LGBM机器学习选股因子（在中证500成分股中）** * 样本外IC均值：9.12%[49] * 样本外多头年化超额收益率：6.57%[49] * 本月IC值：17.40%[49] * 本月多头超额收益率：0.74%[49] 4. **TSGRU+LGBM机器学习选股因子（在中证1000成分股中）** * 样本外IC均值：11.90%[53] * 样本外多头年化超额收益率：13.46%[53] * 本月IC值：11.52%[53] * 本月多头超额收益率：0.12%[53] 5. **红利股优选因子（GBDT+NN选股策略）** * 年化收益率：18.81%[57] * 年化波动率：20.98%[57] * 夏普比率：0.90[57] * 最大回撤：38.52%[57] * 最近1个月收益率：-0.07%[5][57] * 今年以来收益率：9.07%[57]