量化模型与构建方式 1. **模型名称：竞争优势组合** [11] * **模型构建思路**：基于竞争壁垒分析框架，根据行业竞争特性（壁垒护盾型、竞争激烈型、稳中求进型、寻求突破型）和企业战略地位（唯一主导、合作共赢、高效运营）进行选股[11]。 * **模型具体构建过程**：首先将行业分类，在“壁垒护盾型”行业中筛选具有显著管理竞争优势的“唯一主导”企业，以及能够通过合作维持高利润的“合作共赢”企业。对于非“壁垒护盾型”行业，则筛选能够通过高效管理和成本控制实现优异运营的“高效运营”企业。最后，将这两类股票组合构成“竞争优势”组合[11][12]。 2. **模型名称：安全边际组合** [17] * **模型构建思路**：基于企业竞争优势（护城河）计算其内在价值（盈利能力价值），选择内在价值与市场价值差距（安全边际）最大的股票构建组合[17]。 * **模型具体构建过程**：首先，分析企业的竞争优势，识别其需求侧和供给侧壁垒以评估可持续性。其次，计算企业的盈利能力价值作为其内在价值。最后，在具有综合竞争优势的股票池中，选择安全边际（内在价值与市值之差）最大的前50只标的，并采用股息率加权的方式构建投资组合，以最大化整体安全边际[17]。组合每年在5月1日、9月1日和11月1日进行调仓[19]。 3. **模型名称：红利低波季调组合** [23] * **模型构建思路**：在传统红利策略基础上进行优化，通过预测股息率和设置负向清单（如剔除股价表现极端、负债率异常的标的）来规避“高股息陷阱”，即避免因单纯追逐高股息率而忽视公司盈利可持续性和长期价值[23]。 * **模型具体构建过程**：报告指出，一方面可以通过股息率本身的预测来规避陷阱，另一方面考虑设置负向清单制度，例如剔除股价表现极端、负债率异常的标的[23]。 4. **模型名称：AEG估值潜力组合** [28][31] * **模型构建思路**：基于超额收益增长（AEG）模型，筛选市场尚未充分认识其增长潜力、且股利再投资比率高的公司[28][31]。 * **模型具体构建过程**：首先，使用AEG_EP因子（基于AEG模型计算的估值因子）筛选出排名前100的股票。然后，从这100只股票中进一步选择股利再投资比率高的前50只股票构建最终组合[28][31]。 * **涉及的核心公式**： 超额收益增长（AEG）定义为公司的带息收益超过其机会成本的部分： $$A E G=Y_{t}-N_{t}=(E_{t}+r*D P S_{t-1})-(1+r)*E_{t-1}$$ 其中，$Y_t$为第$t$期带息收益，$N_t$为第$t$期正常收益，$E_t$为第$t$期盈利，$r$为要求回报率，$DPS_{t-1}$为第$t-1$期每股股利。 基于AEG的估值模型将远期市盈率表示为正常市盈率与增长溢价之和： $${\frac{V_{0}}{E_{1}}}={\frac{1}{r}}+{\frac{1}{r}}*{\frac{\left({\frac{A E G_{2}}{1+r}}+{\frac{A E G_{3}}{(1+r)^{2}}}+{\frac{A E G_{4}}{(1+r)^{3}}}+\cdots\right)}{E_{1}}}$$ 其中，$V_0$是当期市值，$E_1$是第一期预测盈利。若无超额收益增长，则正常市盈率为 ${\frac{V_{0}}{E_{1}}}={\frac{1}{r}}$[28]。 5. **模型名称：中证800现金牛组合** [34][36] * **模型构建思路**：引入自由现金流回报率（CFOR）分析体系，从现金流角度深入评估企业的盈利能力和资产现金生成效率，筛选高质量、现金流稳定的“现金牛”公司[34]。 * **模型具体构建过程**：通过CFOR体系拆解企业的现金流量回报率，关注自由现金利润比率和经营资产回报率的稳定性。同时，结合传统的杜邦分析（净利润率、总资产周转率的稳定性）和低波、低估值、SUE（未预期盈余）等因子。选股流程为：在全A非金融股中，筛选自由现金利润比率、经营资产回报率、净利润率、总资产周转率四项指标由高到低均位于行业前40%分位数的股票，构成“非金融高质量股票池”；在金融板块内，筛选ROE位于行业前40%分位数的股票，构成“金融高质量股票池”。将两个股票池取并集后，再通过低波、低估值、SUE等因子进一步筛选，得到最终持仓[34][35]。 6. **模型名称：困境反转组合** [41] * **模型构建思路**：利用库存周期刻画公司的困境反转阶段，同时结合景气加速恢复和定价错误的估值回归，旨在捕捉估值提升带来的收益[41]。 * **模型具体构建过程**：利用库存周期识别处于困境反转阶段的公司。同时，考虑公司景气度加速恢复和估值低估的情况。将刻画困境反转、景气加速和低估的相关因子进行标准化并叠加，最终选取综合得分最高的50只股票构建组合[41]。 模型的回测效果 **（注：以下为各模型自2019年以来的历史表现，数据截至2025年12月31日）** [16][21][24][33][39][43] 1. **竞争优势组合**：年化收益19.84%，夏普比率0.93，IR 0.09，最大回撤-19.32%，卡玛比率1.03[16]。 2. **安全边际组合**：年化收益23.16%，夏普比率1.15，IR 0.16，最大回撤-16.89%，卡玛比率1.37[21]。 3. **红利低波季调组合**：年化收益16.87%，夏普比率1.00，IR 0.17，最大回撤-21.61%，卡玛比率0.78[24]。 4. **AEG估值潜力组合**：年化收益25.36%，夏普比率1.16，IR 0.15，最大回撤-24.02%，卡玛比率1.06[33]。 5. **中证800现金牛组合**：年化收益13.42%，夏普比率0.67，IR 0.09，最大回撤-19.80%，卡玛比率0.68[39]。 6. **困境反转组合**：年化收益24.53%，夏普比率0.99，IR 0.15，最大回撤-33.73%，卡玛比率0.73[43]。

量化模型与构建方式 1. **模型名称：DTW相似性择时模型**[7] * **模型构建思路**：基于技术分析中的“历史会重演”假设，通过计算当前市场行情与历史行情的相似度，寻找相似的历史片段，并根据这些历史片段后续的走势来预测未来并生成交易信号[22]。 * **模型具体构建过程**： 1. **相似性度量**：采用动态时间规整（DTW）距离而非欧氏距离作为衡量两个时间序列相似度的标准，以解决时间序列间可能存在的相位错配问题[24]。 2. **算法改进**：为避免传统DTW算法的“过度弯曲”和“病态匹配”问题，引入了增加边界限制条件的改进DTW算法（报告中提及了Sakoe-Chiba和Itakura Parallelogram两种方法）[26][28][30]。 3. **信号生成**：对于当前行情，在历史数据中筛选出DTW距离最小的若干个（即最相似的）历史行情片段。计算这些历史片段在未来特定周期（如5日或1日）的收益率，并以距离倒数为权重计算加权平均未来涨跌幅和加权标准差。最后，根据预测涨跌幅及其方差（波动率）与预设阈值的比较，生成“多”、“空”或“无信号”的交易决策[22]。 2. **模型名称：外资择时模型**[7] * **模型构建思路**：利用境外上市的、与A股相关的金融资产（富时中国A50股指期货和南方A50ETF）的价格信息，构建择时指标，捕捉外资动向对A股市场的预示作用[32]。 * **模型具体构建过程**： 1. **数据源**：选取富时中国A50股指期货（新加坡市场）和南方A50ETF（香港市场）作为信息源[32]。 2. **指标构建**： * 在富时中国A50股指期货上，构建“升贴水”和“价格背离”两个指标，并复合形成该资产的择时信号[32]。 * 在南方A50ETF上，构建“价格背离”指标，形成该资产的择时信号[32]。 3. **信号复合**：将来自富时中国A50股指期货和南方A50ETF的两个择时信号进行复合，最终形成统一的外资择时信号[32]。 模型的回测效果 1. **DTW相似性择时模型**： * 样本外表现（2022年11月以来）：绝对收益率34.75%[9]。 * 样本外表现（2022年11月以来）：最大回撤率21.36%[4]。 * 2024年以来信号切换次数：15次[12]。 2. **外资择时模型**： * 全样本表现（2014年12月30日至2024年12月31日）： * 多空策略年化收益：18.96%[15]。 * 多头策略年化收益：14.19%[15]。 * 多空策略最大回撤：25.69%[15]。 * 多头策略最大回撤：17.27%[15]。 * 日胜率：近55%[15]。 * 盈亏比：均超过2.5[15]。 * 样本外表现（2024年以来）： * 多头策略绝对收益：31.33%[4][18]。 * 多头策略最大回撤：8.23%[4][18]。 量化因子与构建方式 1. **因子名称：DTW距离** * **因子构建思路**：作为DTW择时模型的核心，用于弹性度量两个时间序列的相似性，克服了欧氏距离在时间序列比对上的局限性[24]。 * **因子具体构建过程**：该因子是模型的内核算法，报告未给出具体的计算公式，但详细说明了其原理：通过动态规划寻找两个序列之间的最优非线性对齐路径，使得沿该路径的累积距离最小，这个最小累积距离即为DTW距离[24][26]。 2. **因子名称：富时中国A50股指期货升贴水** * **因子构建思路**：通过计算富时中国A50股指期货价格与其标的指数净值之间的差异，反映境外投资者对A股市场的情绪和预期[32]。 * **因子具体构建过程**：报告未给出具体计算公式。通常，升贴水 = （期货价格 - 标的指数价格） / 标的指数价格。 3. **因子名称：价格背离（富时中国A50股指期货/南方A50ETF）** * **因子构建思路**：捕捉境外A股相关资产价格走势与境内A股基准指数（如沪深300）走势之间的差异，这种差异可能蕴含额外的信息[32]。 * **因子具体构建过程**：报告未给出具体计算公式。通常通过比较两类资产收益率序列的相关性或计算其价差来构建。 因子的回测效果 （报告中未单独提供上述因子的IC、IR等独立测试结果，所有效果均已体现在对应模型的回测业绩中。）

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）两个核心估值与盈利指标，构建选股组合[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，仅提及其为基于PB和ROE的选股策略[23]。 2. **模型名称：公募调研选股策略** **模型构建思路：** 基于公募基金调研活动的事件驱动选股策略[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，仅提及其为公募调研选股策略[25]。 3. **模型名称：私募调研跟踪策略** **模型构建思路：** 基于私募基金调研活动的事件驱动选股策略[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，仅提及其为私募调研跟踪策略[25]。 4. **模型名称：大宗交易组合** **模型构建思路：** 根据“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股票[29]。 **模型具体构建过程：** 通过统计分析发现，“大宗交易成交金额比率”越高、“6日成交金额波动率”越低的股票后续表现更佳[29]。根据此原则，通过月频调仓方式构造组合[29]。具体计算公式未在本文中给出。 5. **模型名称：定向增发组合** **模型构建思路：** 以定向增发的股东大会公告日为事件节点，进行事件驱动选股[35]。 **模型具体构建过程：** 综合考虑市值因素、调仓周期以及对仓位的控制来构造组合[35]。具体计算公式和权重分配未在本文中给出。 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） -0.20%[24]，本周超越基准收益率（中证800） 1.98%[24]，本周超越基准收益率（全市场） 2.85%[24]，今年以来超额收益率（中证500） -2.37%[24]，今年以来超额收益率（中证800） 3.37%[24]，今年以来超额收益率（全市场） 4.12%[24]，本周绝对收益率（中证500） 1.98%[24]，本周绝对收益率（中证800） 2.19%[24]，本周绝对收益率（全市场） 3.34%[24]，今年以来绝对收益率（中证500） 7.66%[24]，今年以来绝对收益率（中证800） 7.91%[24]，今年以来绝对收益率（全市场） 9.88%[24] 2. **公募调研选股策略**，本周超越基准收益率 3.24%[26]，今年以来超额收益率 2.92%[26]，本周绝对收益率 3.45%[26]，今年以来绝对收益率 7.44%[26] 3. **私募调研跟踪策略**，本周超越基准收益率 2.59%[26]，今年以来超额收益率 4.93%[26]，本周绝对收益率 2.80%[26]，今年以来绝对收益率 9.53%[26] 4. **大宗交易组合**，本周超越基准收益率 3.94%[30]，今年以来超额收益率 4.66%[30]，本周绝对收益率 4.43%[30]，今年以来绝对收益率 10.46%[30] 5. **定向增发组合**，本周超越基准收益率 1.16%[36]，今年以来超额收益率 -0.57%[36]，本周绝对收益率 1.64%[36]，今年以来绝对收益率 4.94%[36] 量化因子与构建方式 1. **因子名称：6日成交金额的移动平均值** **因子构建思路：** 衡量股票近期成交活跃度的趋势[12]。 **因子具体构建过程：** 报告未给出具体计算公式，因子方向为负向[13]。 2. **因子名称：5日平均换手率** **因子构建思路：** 衡量股票短期流动性[12]。 **因子具体构建过程：** 报告未给出具体计算公式，因子方向为负向[13]。 3. **因子名称：净利润断层** **因子构建思路：** 事件驱动因子，捕捉公司净利润超预期增长带来的股价跳空上涨效应[12]。 **因子具体构建过程：** 报告未给出具体计算公式，因子方向为正向[13]。 4. **因子名称：总资产增长率** **因子构建思路：** 衡量公司资产规模扩张速度的基本面因子[14]。 **因子具体构建过程：** 报告未给出具体计算公式，因子方向为正向[15]。 5. **因子名称：早盘后收益因子** **因子构建思路：** 捕捉特定交易时段（早盘后）的股价行为模式[14]。 **因子具体构建过程：** 报告未给出具体计算公式，因子方向为负向[15]。 6. **因子名称：单季度ROA同比** **因子构建思路：** 衡量公司单季度资产盈利能力同比变化的基本面因子[14]。 **因子具体构建过程：** 报告未给出具体计算公式，因子方向为正向[15]。 7. **因子名称：单季度ROE** **因子构建思路：** 衡量公司单季度净资产盈利能力的基本面因子[16]。 **因子具体构建过程：** 报告未给出具体计算公式，因子方向为正向[17]。 8. **因子名称：总资产毛利率TTM** **因子构建思路：** 衡量公司过去十二个月总资产毛利创造能力的基本面因子[16]。 **因子具体构建过程：** 报告未给出具体计算公式，因子方向为正向[17]。 9. **因子名称：单季度ROA** **因子构建思路：** 衡量公司单季度资产盈利能力的基本面因子[16]。 **因子具体构建过程：** 报告未给出具体计算公式，因子方向为正向[17]。 10. **因子名称：Beta因子** **因子构建思路：** 衡量股票相对于市场整体波动性的风格因子[1]。 **因子具体构建过程：** 报告未给出具体计算公式。 11. **因子名称：市值因子** **因子构建思路：** 衡量公司规模大小的风格因子[1]。 **因子具体构建过程：** 报告未给出具体计算公式。 12. **因子名称：残差波动率因子** **因子构建思路：** 衡量股票特异性风险的风格因子[1]。 **因子具体构建过程：** 报告未给出具体计算公式。 13. **因子名称：流动性因子** **因子构建思路：** 衡量股票交易便利程度的风格因子[1]。 **因子具体构建过程：** 报告未给出具体计算公式。 14. **因子名称：净资产增长率因子** **因子构建思路：** 行业内分析使用的基本面因子，衡量公司净资产增长[21]。 **因子具体构建过程：** 报告未给出具体计算公式。 15. **因子名称：净利润增长率因子** **因子构建思路：** 行业内分析使用的基本面因子，衡量公司净利润增长[21]。 **因子具体构建过程：** 报告未给出具体计算公式。 16. **因子名称：每股净资产因子** **因子构建思路：** 行业内分析使用的基本面因子，衡量公司每股账面价值[21]。 **因子具体构建过程：** 报告未给出具体计算公式。 17. **因子名称：每股经营利润TTM因子** **因子构建思路：** 行业内分析使用的基本面因子，衡量公司每股经营利润[21]。 **因子具体构建过程：** 报告未给出具体计算公式。 18. **因子名称：BP因子** **因子构建思路：** 行业内分析使用的估值类因子，即市净率（PB）的倒数[21]。 **因子具体构建过程：** 报告未给出具体计算公式。 19. **因子名称：EP因子** **因子构建思路：** 行业内分析使用的估值类因子，即市盈率（PE）的倒数[21]。 **因子具体构建过程：** 报告未给出具体计算公式。 20. **因子名称：5日动量因子** **因子构建思路：** 行业内分析使用的动量类因子[22]。 **因子具体构建过程：** 报告未给出具体计算公式。 21. **因子名称：1月动量因子** **因子构建思路：** 行业内分析使用的动量类因子[22]。 **因子具体构建过程：** 报告未给出具体计算公式。 22. **因子名称：对数市值因子** **因子构建思路：** 行业内分析使用的规模风格因子[22]。 **因子具体构建过程：** 报告未给出具体计算公式。 *(注：报告中还提及了大量其他因子，如ROIC增强因子、标准化预期外盈利、市净率因子、大单净流入等，均未提供具体构建过程，此处不一一列举。)* 因子的回测效果 *(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. **6日成交金额的移动平均值因子**，最近1周收益 3.60%[13] 2. **5日平均换手率因子**，最近1周收益 3.53%[13] 3. **净利润断层因子**，最近1周收益 3.35%[13] 4. **总资产增长率因子**，最近1周收益 1.23%[15] 5. **早盘后收益因子**，最近1周收益 1.12%[15] 6. **单季度ROA同比因子**，最近1周收益 1.02%[15] 7. **单季度ROE因子**，最近1周收益 1.67%[17] 8. **总资产毛利率TTM因子**，最近1周收益 1.47%[17] 9. **单季度ROA因子**，最近1周收益 1.33%[17] 10. **Beta因子**，最近1周收益 1.22%[18] 11. **市值因子**，最近1周收益 -0.79%[18] 12. **残差波动率因子**，最近1周收益 -0.77%[18] 13. **流动性因子**，最近1周收益 -0.56%[18]

量化模型与构建方式 1. **模型名称：港股精选组合模型**[14][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[14][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. **基本面与技术面双层筛选**：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精选，具体筛选标准未在本文档中详细展开[14][15]。 3. **组合构建**：通过上述筛选，最终构建出港股精选股票组合[14]。 2. **因子名称：250日新高距离**[22] * **因子构建思路**：该因子用于量化股票价格接近其过去250个交易日最高点的程度，以识别创新高或接近新高的股票[20][22]。 * **因子具体构建过程**： 1. 计算股票在过去250个交易日内的收盘价最大值。 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： $$250日新高距离 = 1 - \frac{Close_t}{ts\_max(Close, 250)}$$ 其中，$Close_t$ 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[22]。 4. 若最新收盘价创出新高，则该因子值为0；若最新收盘价较新高回落，则该因子为正值，表示回落幅度[22]。 3. **模型名称：平稳创新高股票筛选模型**[22][23] * **模型构建思路**：该模型旨在从近期创过新高的股票中，进一步筛选出分析师关注度高、股价走势强劲且路径平稳的股票，以捕捉更高质量的趋势信号[2][22]。 * **模型具体构建过程**：在“过去20个交易日创出过250日新高的股票池”中，按以下步骤进行筛选[22][23]： 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[23]。 2. **分析师关注度筛选**：要求过去6个月内，获得“买入”或“增持”评级的分析师研报不少于5份[23]。 3. **股价相对强弱筛选**：要求过去250日涨跌幅位于样本池前20%[23]。 4. **股价平稳性综合打分**：在满足上述条件的股票池内，使用以下两个指标进行综合打分，并取排名在前50%的股票（最少取50只）[23]： * **价格路径平滑性**：使用“股价位移路程比”指标，具体计算公式未在文档中给出[23]。 * **创新高持续性**：计算过去120日的“250日新高距离”在时间序列上的均值[23]。 5. **趋势延续性筛选**：对经过上一步筛选的股票，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[23]。 模型的回测效果 1. **港股精选组合模型**[19] * 全样本（20100101-20251231）年化收益：19.08%[19] * 全样本相对恒生指数年化超额收益：18.06%[19] * 全样本信息比率（IR）：1.19[19] * 全样本跟踪误差：14.60%[19] * 全样本最大回撤：23.73%[19] * 全样本收益回撤比：0.76[19] 量化因子与构建方式 *（本报告中未单独列出除“250日新高距离”外的其他量化因子构建细节）* 因子的回测效果 *（本报告中未提供单个因子的独立测试结果）*

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：** 通过计算当日最高价涨停且收盘也涨停的股票数量占所有最高价涨停股票数量的比例，来衡量市场涨停板的封板强度和市场情绪[17]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票[17]。 2. 在交易日T，找出所有在盘中最高价达到涨停的股票集合。 3. 在上述集合中，找出收盘价仍为涨停的股票子集。 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：** 通过计算连续两个交易日收盘都涨停的股票数量占前一日所有涨停股票数量的比例，来衡量市场涨停板的连续性和赚钱效应的持续性[17]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票[17]。 2. 在交易日T，找出所有在T-1日收盘涨停的股票集合。 3. 在上述集合中，找出在T日收盘也涨停的股票子集。 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，来反映大额资金交易的折溢价情况，可作为大资金情绪和偏好的观察指标[26]。 * **因子具体构建过程：** 1. 获取交易日T所有大宗交易的成交数据，包括每笔的成交金额和成交数量[26]。 2. 计算大宗交易总成交金额。 3. 计算大宗交易成交份额按当日收盘价（或成交均价）计算的总市值。 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] *注：公式计算结果为负表示折价交易，为正表示溢价交易。* 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，来衡量股指期货的升贴水程度。该指标反映了市场对未来走势的预期、对冲成本以及市场情绪[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 = 期货价格 - 现货指数价格[28]。 3. 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] *注：计算结果为正表示期货升水，为负表示期货贴水。公式中250为年化常用的交易天数假设。* 因子的回测效果 *本报告为市场监测日报，主要展示因子的构建方法和当日/近期计算结果，未提供基于历史数据的长期回测绩效指标（如IC、IR、多空收益等）。因此，此处仅列出报告中给出的具体因子取值。* 1. **封板率因子**，2026年01月16日取值：**56%**[17] 2. **连板率因子**，2026年01月16日取值：**12%**[17] 3. **大宗交易折价率因子** * 近半年以来平均值：**6.76%**[26] * 2026年01月15日取值：**6.57%**[26] 4. **股指期货年化贴水率因子**（2026年01月16日） * 上证50股指期货主力合约年化升水率：**0.97%**[28] * 沪深300股指期货主力合约年化贴水率：**1.17%**[28] * 中证500股指期货主力合约年化贴水率：**1.73%**[28] * 中证1000股指期货主力合约年化贴水率：**4.17%**[28]

量化模型与构建方式 1. **模型名称**：沪深300增强组合[4][8] * **模型构建思路**：基于多因子模型构建的沪深300指数增强策略，旨在获取超越基准指数的超额收益[4] * **模型具体构建过程**：报告未详细描述具体构建过程，仅展示了其业绩表现。通常此类模型会基于一系列选股因子（如风格、技术、基本面因子）对沪深300成分股进行综合评分，选取得分较高的股票构建组合，并可能进行权重优化以控制跟踪误差[4][8] 2. **模型名称**：中证500增强组合[4][8] * **模型构建思路**：基于多因子模型构建的中证500指数增强策略，旨在获取超越基准指数的超额收益[4] * **模型具体构建过程**：报告未详细描述具体构建过程，仅展示了其业绩表现。构建逻辑与沪深300增强组合类似，但应用于中证500成分股池[4][8] 3. **模型名称**：中证1000增强组合[4][8] * **模型构建思路**：基于多因子模型构建的中证1000指数增强策略，旨在获取超越基准指数的超额收益[4] * **模型具体构建过程**：报告未详细描述具体构建过程，仅展示了其业绩表现。构建逻辑与前述增强组合类似，但应用于中证1000成分股池[4][8] 4. **模型名称**：进取组合[8] * **模型构建思路**：以中证500为基准的多因子选股组合，风格可能更为激进[8] * **模型具体构建过程**：报告未详细描述具体构建过程，仅展示了其业绩表现[8] 5. **模型名称**：平衡组合[8] * **模型构建思路**：以中证500为基准的多因子选股组合，风格可能较为均衡[8] * **模型具体构建过程**：报告未详细描述具体构建过程，仅展示了其业绩表现[8] 6. **模型名称**：绩优基金的独门重仓股组合[4][8] * **模型构建思路**：通过筛选绩优基金的独门重仓股来构建投资组合，利用基金经理的选股能力获取超额收益[4] * **模型具体构建过程**：报告未详细描述具体构建过程，仅展示了其业绩表现。通常逻辑是定期分析绩优基金（如业绩排名靠前）的持仓报告，筛选出被少数基金独家重仓持有的股票构成组合[4][8] 7. **模型名称**：盈利、增长、现金流三者兼优组合[4][8] * **模型构建思路**：筛选在盈利能力、成长性和现金流质量三个维度均表现优异的股票构建组合[4] * **模型具体构建过程**：报告未详细描述具体构建过程和筛选标准，仅展示了其业绩表现[4][8] 8. **模型名称**：PB-盈利优选组合[4][8] * **模型构建思路**：结合低市净率（PB）和高盈利能力的选股策略，旨在寻找有基本面支撑的低估值股票[4][28] * **模型具体构建过程**：报告未详细描述具体构建过程和因子权重，仅展示了其业绩表现[4][8][28] 9. **模型名称**：GARP组合[8][32] * **模型构建思路**：采用“合理价格成长”策略，兼顾公司的成长性和估值水平[8][32] * **模型具体构建过程**：报告未详细描述具体构建过程，仅展示了其业绩表现[8][32] 10. **模型名称**：小盘价值优选组合1[8][34] * **模型构建思路**：在微盘股中优选具备价值特征的股票构建组合[8][34] * **模型具体构建过程**：报告未详细描述具体构建过程，仅展示了其业绩表现[8][34] 11. **模型名称**：小盘价值优选组合2[8][36] * **模型构建思路**：在微盘股中优选具备价值特征的股票构建的另一个组合，可能与组合1的筛选标准或权重不同[8][36] * **模型具体构建过程**：报告未详细描述具体构建过程，仅展示了其业绩表现[8][36] 12. **模型名称**：小盘成长组合[4][8] * **模型构建思路**：在微盘股中优选具备高成长特征的股票构建组合[4][38] * **模型具体构建过程**：报告未详细描述具体构建过程，仅展示了其业绩表现[4][8][38] 量化因子与构建方式 1. **因子名称**：市值因子[42] * **因子构建思路**：衡量公司规模大小的风格因子[42] * **因子具体构建过程**：报告未给出具体计算公式。通常为股票的总市值。在因子测试中，将股票按因子值排序，因子值低（小市值）的股票构成多头组合，因子值高（大市值）的股票构成空头组合[41][42] 2. **因子名称**：PB因子[42] * **因子构建思路**：市净率，衡量估值水平的风格因子[42] * **因子具体构建过程**：报告未给出具体计算公式。通常为股价除以每股净资产。在因子测试中，将股票按因子值排序，因子值低（低PB）的股票构成多头组合，因子值高（高PB）的股票构成空头组合[41][42] 3. **因子名称**：PE_TTM因子[42] * **因子构建思路**：滚动市盈率，衡量估值水平的风格因子[42] * **因子具体构建过程**：报告未给出具体计算公式。通常为股价除以最近十二个月每股收益。在因子测试中，将股票按因子值排序，因子值低（低PE）的股票构成多头组合，因子值高（高PE）的股票构成空头组合[41][42] 4. **因子名称**：反转因子[48] * **因子构建思路**：技术类因子，认为过去一段时间跌幅较大的股票未来可能反弹，涨幅较大的股票未来可能回调[48] * **因子具体构建过程**：报告未给出具体计算公式。通常计算过去一段时间的收益率并取负值。在因子测试中，将股票按因子值排序，因子值高（过去表现差）的股票构成多头组合，因子值低（过去表现好）的股票构成空头组合[41][48] 5. **因子名称**：换手率因子[48] * **因子构建思路**：技术类因子，衡量股票交易活跃程度[48] * **因子具体构建过程**：报告未给出具体计算公式。通常为一段时间内的成交股数除以流通股本。在因子测试中，将股票按因子值排序，因子值低（低换手）的股票构成多头组合，因子值高（高换手）的股票构成空头组合[41][48] 6. **因子名称**：波动率因子[48] * **因子构建思路**：技术类因子，衡量股票价格波动风险[48] * **因子具体构建过程**：报告未给出具体计算公式。通常计算过去一段时间收益率的标准差。在因子测试中，将股票按因子值排序，因子值低（低波动）的股票构成多头组合，因子值高（高波动）的股票构成空头组合[41][48] 7. **因子名称**：ROE因子[53] * **因子构建思路**：净资产收益率，衡量公司盈利能力的核心基本面因子[53] * **因子具体构建过程**：报告未给出具体计算公式。通常为净利润除以净资产。在因子测试中，将股票按因子值排序，因子值高（高ROE）的股票构成多头组合，因子值低（低ROE）的股票构成空头组合[41][53] 8. **因子名称**：SUE因子[53] * **因子构建思路**：标准化未预期盈余，衡量公司盈利增长超预期程度的基本面因子[53] * **因子具体构建过程**：报告未给出具体计算公式。通常为（当期实际EPS - 预期EPS）除以历史盈利波动的标准差。在因子测试中，将股票按因子值排序，因子值高（盈利超预期多）的股票构成多头组合，因子值低（盈利低于预期）的股票构成空头组合[41][53] 9. **因子名称**：预期净利润调整因子[53] * **因子构建思路**：反映分析师对公司未来盈利预测调整方向的基本面因子[53] * **因子具体构建过程**：报告未给出具体计算公式。通常计算一段时间内分析师对未来净利润一致预期的调整幅度。在因子测试中，将股票按因子值排序，因子值高（盈利预期上调）的股票构成多头组合，因子值低（盈利预期下调）的股票构成空头组合[41][53] 模型的回测效果 （数据期间：2025年12月31日至2026年01月16日）[8] 1. **沪深300增强组合**，绝对收益5.64%，超额收益3.44%，跟踪误差4.23%，最大相对回撤0.38%[8] 2. **中证500增强组合**，绝对收益7.98%，超额收益-2.30%，跟踪误差4.98%，最大相对回撤4.77%[8] 3. **中证1000增强组合**，绝对收益8.89%，超额收益0.50%，跟踪误差6.83%，最大相对回撤2.78%[8] 4. **进取组合**，绝对收益7.28%，超额收益-3.00%，跟踪误差20.28%，最大相对回撤12.81%[8] 5. **平衡组合**，绝对收益8.34%，超额收益-1.93%，跟踪误差17.57%，最大相对回撤11.94%[8] 6. **绩优基金的独门重仓股组合**，绝对收益8.89%，超额收益2.84%，跟踪误差18.53%，最大相对回撤3.12%[8] 7. **盈利、增长、现金流三者兼优组合**，绝对收益1.82%，超额收益-0.38%，跟踪误差10.21%，最大相对回撤3.01%[8] 8. **PB-盈利优选组合**，绝对收益1.72%，超额收益-0.48%，跟踪误差12.40%，最大相对回撤4.47%[8] 9. **GARP组合**，绝对收益4.89%，超额收益2.69%，跟踪误差11.68%，最大相对回撤2.90%[8] 10. **小盘价值优选组合1**，绝对收益5.91%，超额收益-0.60%，跟踪误差8.50%，最大相对回撤3.40%[8] 11. **小盘价值优选组合2**，绝对收益7.92%，超额收益1.40%，跟踪误差8.30%，最大相对回撤1.53%[8] 12. **小盘成长组合**，绝对收益6.21%，超额收益-0.31%，跟踪误差10.52%，最大相对回撤2.25%[8] 因子的回测效果 （数据期间：2025年12月31日至2026年01月16日）[42][49][53] 1. **市值因子**，全市场多空收益0.16%，沪深300多空收益5.33%，中证500多空收益-9.74%，中证1000多空收益-2.90%[42][43] 2. **PB因子**，全市场多空收益-5.94%，沪深300多空收益-8.16%，中证500多空收益-12.18%，中证1000多空收益-8.70%[42][43] 3. **PE_TTM因子**，全市场多空收益-3.25%，沪深300多空收益-7.85%，中证500多空收益-11.41%，中证1000多空收益-6.82%[42][43] 4. **反转因子**，全市场多空收益-4.10%，沪深300多空收益-0.84%，中证500多空收益-13.83%，中证1000多空收益-1.38%[49] 5. **换手率因子**，全市场多空收益-2.11%，沪深300多空收益-6.95%，中证500多空收益-16.07%，中证1000多空收益-5.47%[49] 6. **波动率因子**，全市场多空收益-3.87%，沪深300多空收益-5.98%，中证500多空收益-15.65%，中证1000多空收益-4.06%[49] 7. **ROE因子**，全市场多空收益1.10%，沪深300多空收益0.13%，中证500多空收益-2.02%，中证1000多空收益1.16%[53] 8. **SUE因子**，全市场多空收益0.37%，沪深300多空收益2.40%，中证500多空收益-0.62%，中证1000多空收益0.17%[53] 9. **预期净利润调整因子**，全市场多空收益0.40%，沪深300多空收益3.35%，中证500多空收益2.00%，中证1000多空收益-1.55%[53]

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，力求稳定战胜基准[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以控制风险[12] 3. **组合优化**：在满足风险约束的条件下，通过优化算法求解最优的股票权重，以最大化预期收益或控制跟踪误差[12] 2. 模型名称：单因子MFE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、风格等暴露的前提下，构建最大化单因子暴露的组合，通过该组合相对于基准的表现来判断因子有效性[15][39] * **模型具体构建过程**： 1. **设定优化目标与约束**：采用如下组合优化模型构建MFE组合[39]： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ * **目标函数**：最大化组合在单因子上的加权暴露 $$f^{T}w$$，其中 $$f$$ 为因子取值向量，$$w$$ 为待求解的股票权重向量[39][40] * **约束条件1**：限制组合相对于基准指数的风格暴露，$$X$$ 为风格因子暴露矩阵，$$w_b$$ 为基准权重，$$s_l, s_h$$ 为风格暴露偏离上下限[40] * **约束条件2**：限制组合相对于基准指数的行业偏离，$$H$$ 为行业暴露矩阵，$$h_l, h_h$$ 为行业偏离上下限[40] * **约束条件3**：限制个股相对于基准权重的偏离，$$w_l, w_h$$ 为个股偏离上下限[40] * **约束条件4**：限制组合在基准成分股内的权重占比，$$B_b$$ 为成分股标识向量，$$b_l, b_h$$ 为占比上下限[40] * **约束条件5**：限制卖空及个股权重上限，$$\mathbf{0}\leq w\leq l$$[40] * **约束条件6**：组合满仓运作，$$\mathbf{1}^{T}w=1$$[40] 2. **参数设置示例**：对于沪深300、中证500指数，控制MFE组合在中信一级行业和市值因子上的相对暴露为0，个股相对于成分股最大偏离权重1%，成分股内权重占比100%[43] 3. **组合构建与换仓**：在每个月末，根据上述约束构建每个单因子的MFE组合，并在回测期内定期换仓，计算扣除交易费用后的收益[43] 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股信息，构建一个代表公募基金整体持仓风格的指数，作为因子测试的样本空间[41] * **模型具体构建过程**： 1. **确定样本基金**：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[42] 2. **获取持仓数据**：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，则使用全部持仓；若为季报，则结合前期的半年报或年报信息构建持仓数据[42] 3. **计算平均持仓**：将所有符合条件的基金持仓股票权重进行平均，得到公募基金平均持仓信息[42] 4. **筛选成分股**：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，以此构建公募基金重仓指数[42] 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][17]。 1. 估值类因子 * **因子名称**：BP * **因子构建思路**：衡量市净率的倒数，代表估值水平[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**：衡量单季度盈利与市值的比率[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**：衡量单季度营收与市值的比率[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**：衡量滚动盈利与市值的比率[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**：衡量滚动营收与市值的比率[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EPTTM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**：衡量现金分红回报率[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. 反转与动量类因子 * **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 * **因子构建思路**：衡量盈利超预期程度，并进行标准化处理[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 * **因子构建思路**：衡量营收超预期程度，并进行标准化处理[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**：直接衡量盈利超预期的幅度[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**：衡量单季度净资产收益率[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**：衡量单季度总资产收益率[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. 流动性与波动类因子 * **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] * **因子名称**：特异度 * **因子构建思路**：衡量个股收益中不能被常见风险因子解释的部分，即特质波动[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**：衡量短期价格波动率[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**：衡量中期价格波动率[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] 6. 公司治理类因子 * **因子名称**：高管薪酬 * **因子构建思路**：衡量公司对高管的激励水平[17] * **因子具体构建过程**：前三高管报酬总额取对数[17] 7. 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盈利市值比[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滚动市净率倒数[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**：结合增长与估值的综合指标[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预期的调整方向[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净家数占比[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**：衡量近期受到机构关注的程度[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1.60%，本年超额收益2.09%[5][14] * **中证500指数增强组合**：本周超额收益0.23%，本年超额收益-1.59%[5][14] * **中证1000指数增强组合**：本周超额收益1.77%，本年超额收益-0.36%[5][14] * **中证A500指数增强组合**：本周超额收益0.97%，本年超额收益1.63%[5][14] 因子的回测效果 （以下因子表现数据均基于单因子MFE组合在对应样本空间中的测试结果，指标包括最近一周、最近一月、今年以来及历史年化超额收益[18][20][22][24][26]） 1. 在沪深300样本空间中表现突出的因子（最近一周） * **标准化预期外盈利**：最近一周超额收益1.00%，最近一月2.34%，今年以来1.00%，历史年化4.34%[18] * **单季超预期幅度**：最近一周超额收益0.87%，最近一月1.88%，今年以来0.84%，历史年化4.11%[18] * **DELTAROE**：最近一周超额收益0.83%，最近一月2.93%，今年以来1.37%，历史年化4.78%[18] 2. 在中证500样本空间中表现突出的因子（最近一周） * **单季营收同比增速**：最近一周表现较好[1][21] * **特异度**：最近一周表现较好[1][21] * **预期净利润环比**：最近一周表现较好[1][21] 3. 在中证1000样本空间中表现突出的因子（最近一周） * **非流动性冲击**：最近一周超额收益1.34%，最近一月0.18%，今年以来1.13%，历史年化2.42%[23] * **一个月换手**：最近一周超额收益1.28%，最近一月-3.10%，今年以来-0.83%，历史年化6.19%[23] * **三个月换手**：最近一周超额收益1.20%，最近一月-3.28%，今年以来-1.07%，历史年化6.25%[23] 4. 在中证A500样本空间中表现突出的因子（最近一周） * **3个月盈利上下调**：最近一周超额收益0.99%，最近一月1.36%，今年以来0.60%，历史年化4.93%[25] * **标准化预期外收入**：最近一周超额收益0.89%，最近一月1.03%，今年以来0.84%，历史年化4.55%[25] * **特异度**：最近一周超额收益0.77%，最近一月1.29%，今年以来0.59%，历史年化1.35%[25] 5. 在公募重仓指数样本空间中表现突出的因子（最近一周） * **一年动量**：最近一周表现较好[1][27] * **DELTAROA**：最近一周表现较好[1][27] * **3个月盈利上下调**：最近一周表现较好[1][27]

量化模型与构建方式 1. 量价指纹生成模型 * **模型名称**：量价指纹生成模型[1][8] * **模型构建思路**：借鉴大语言模型的语义理解思想，将市场分钟级交易数据视为一种特殊“语言”，通过自监督学习框架，迫使模型理解日内量价行为中蕴含的动态语义与因果结构，最终生成一个低维、高信息密度的日度语义表征向量（即“量价指纹”）[1][8][9]。 * **模型具体构建过程**： 1. **输入数据**：每只股票每日的分钟级特征序列 $X \in \mathbb{R}^{T \times D}$，其中 $T=237$（交易分钟数），$D=32$（特征维度，包括4维价格特征和28维交易特征）[16]。 2. **特征预处理**： * **价格特征标准化**：除价格位置外，其余价格特征用当日开盘价进行标准化。$$ \tilde{p}_{t,d} = \frac{p_{t,d}}{p_{\mathrm{open}}} - 1 $$[16] * **交易特征标准化**：将每分钟特征值除以该特征过去20日所有分钟数值之和的均值。$$ {\tilde{f}}_{t,d} = {\frac{f_{t,d}}{S_{d}}}, \quad S_{d} = {\frac{1}{N_{\mathrm{hist}}}} \sum_{i=1}^{N_{\mathrm{hist}}} \sum_{t=1}^{T} f_{t,d}^{(i)} $$[17] 3. **模型架构**：采用编码器-双分支解码器架构的因果Transformer模型[26]。 * **固定正交投影层**：将输入 $X$ 投影到隐藏维度 $d_{\mathrm{model}}=128$，投影权重 $W_p$ 正交初始化并永久冻结。$$ H^{(0)} = X W_{p}, \quad W_{p}^{T}W_{p}=I $$[27][28] * **因果Transformer编码器**：共4层（$L=4$），每层包含带因果掩码的多头自注意力机制和前馈网络[30][33]。 * 多头注意力（$h=4$头）：$$ \mathrm{MultiHead}(Q,K,V) = \mathrm{Concat}(\mathrm{head}_{1}, \mathrm{head}_{2}, \ldots, \mathrm{head}_{h}) W_{O} $$ $$ \mathrm{head}_{i} = \mathrm{softmax}\left( \frac{Q_{i}K_{i}^{T}}{\sqrt{d_{k}}} + M \right) V_{i} $$ 其中因果掩码矩阵 $M$ 确保只能关注过去信息[30][31]。 * 前馈网络：$$ \mathrm{FFN}(x) = \mathrm{GELU}(xW_1 + b_1)W_2 + b_2 $$[33] * **双分支输出**： * **日度指纹生成分支**：提取编码器最后一层最后一个时间步的输出作为128维日度指纹向量 $e$。$$ e = H_{:,T}^{(L)} \in \mathbb{R}^{B \times d_{\mathrm{model}}} $$[35] * **序列重建分支**：对编码器输出进行层归一化后，通过线性层重建原始输入序列 $\widehat{X}$[37]。 4. **损失函数设计**：采用双任务自监督学习损失与防坍缩正则项相结合的总损失函数[42][47]。 * **前向损失（价格特征因果预测）**：$$ {\mathcal{L}}_{\mathrm{forward}} = {\frac{1}{N_{forward}}} \sum_{b=1}^{B} \sum_{t=1}^{T} \sum_{k=1}^{D_{r}} M_{f}[b,t,k] \cdot {\frac{(r_{b,t,k} - {\hat{r}}_{b,t,k})^{2}}{\sigma_{k}^{2}}} $$[42] * **后向损失（交易特征重建）**：$$ {\mathcal{L}}_{\mathrm{backward}} = {\frac{1}{N_{backward}}} \sum_{b=1}^{B} \sum_{t=1}^{T} \sum_{k=1}^{D_{f}} M_{b}[b,t,k] \cdot {\frac{(x_{b,t,k} - {\hat{x}}_{b,t,k})^{2}}{\sigma_{k}^{2}}} $$[42] * **防坍缩正则化**： * **多样性损失**：鼓励嵌入向量在特征空间中分散。$$ {\mathcal{L}}_{\mathrm{diversity}} = \lambda_{d} \cdot \mathbb{I}(\sigma_{e} < 0.1) \cdot (-\mathrm{log}(\sigma_{e} + \epsilon)) $$[44] * **正交性约束**：防止特征维度间冗余。$$ \mathcal{L}_{\mathrm{orthogonality}} = \lambda_{o} \cdot \parallel C - I \parallel_{F} $$[45] * **均匀性损失**：避免嵌入向量过度相似。$$ \mathcal{L}_{\mathrm{uniformity}} = \lambda_{u} \cdot \mathbb{I}(\bar{s} > \tau) \cdot \bar{s} $$[46] * **总损失**：$$ {\mathcal{L}}_{\mathrm{total}} = \lambda_{f}{\mathcal{L}}_{\mathrm{forward}} + \lambda_{b}{\mathcal{L}}_{\mathrm{backward}} + {\mathcal{L}}_{\mathrm{diversity}} + {\mathcal{L}}_{\mathrm{orthogonality}} + {\mathcal{L}}_{\mathrm{uniformity}} $$[47] 5. **训练细节**：采用滚动训练框架，每年年初使用过去三年的数据对模型进行微调，以维持嵌入空间的连续性[48]。具体参数如batch_size=512，学习率1e-4，使用Adam优化器等[49]。 2. 单流GRU预测模型 (模型1与模型2) * **模型名称**：单流GRU预测模型[51] * **模型构建思路**：使用过去20个交易日的日频特征（基础价量特征+量价因子或量价指纹），通过双层GRU网络捕捉时序依赖，预测股票未来5日的收益率，以生成选股因子[51][52]。 * **模型具体构建过程**： 1. **输入特征**： * **模型1（量价因子）**：过去20个交易日的每日高开低收、成交量、成交额（共6个基础特征）以及137个量价因子[51][52]。 * **模型2（量价指纹）**：过去20个交易日的每日高开低收、成交量、成交额（共6个基础特征）以及128维量价指纹[52]。 2. **特征预处理**： * **价格类特征**：采用对数变化率的时序标准化（样本内每个价格除以最新价格取对数）[52]。 * **成交量/额**：每日值除以20日均值[52]。 * **量价因子**：进行时序标准化、MAD去极值、截面zscore标准化[52]。 * **量价指纹**：作为预训练生成的语义表征，无需标准化[52]。 3. **模型结构**：双层GRU + 全连接层 + LayerNorm + ReLU激活 + dropout + 全连接输出层[53]。 4. **训练细节**：使用可微分RankIC作为损失函数，每年年初使用过去数据训练，并行训练3个不同随机种子的模型并集成预测，以提升稳健性[53]。 3. 双流GRU融合预测模型 (模型3) * **模型名称**：双流GRU融合预测模型[67] * **模型构建思路**：为了融合量价因子和量价指纹两类异构特征，采用双流GRU设计，让两个GRU流分别处理各自擅长的特征，最后将两个流的隐藏状态进行加权融合，再通过全连接层预测收益率，以充分利用信息的互补性[67]。 * **模型具体构建过程**： 1. **输入特征**：两个独立的数据流，一流输入基础特征+量价因子，另一流输入基础特征+量价指纹[67]。 2. **模型结构**：两个独立的单流GRU模块（结构与上述单流GRU相同）并行处理两个特征流，将两个GRU的最终隐藏状态通过可配置的权重进行融合，然后将融合后的特征输入全连接预测层[67][69]。 3. **训练与集成**：训练策略与单流GRU模型一致，每年训练3个集成模型[68]。 量化因子与构建方式 1. 模型1因子 * **因子名称**：基于量价因子的GRU预测因子[51] * **因子构建思路**：将预处理后的历史量价因子序列输入单流GRU预测模型，模型输出的预测值即为该因子[51][52]。 * **因子具体构建过程**：如上述“单流GRU预测模型 (模型1)”所述，模型每日根据过去20日数据生成的预测信号即为因子值[52]。 2. 模型2因子 * **因子名称**：基于量价指纹的GRU预测因子[52] * **因子构建思路**：将历史量价指纹序列输入单流GRU预测模型，模型输出的预测值即为该因子[52]。 * **因子具体构建过程**：如上述“单流GRU预测模型 (模型2)”所述，模型每日根据过去20日数据生成的预测信号即为因子值[52]。 * **因子评价**：该因子与市值风格因子的相关性极低，表明其捕捉的市场语义信息与传统市值维度存在差异，可能更多与日内资金节奏、多空博弈等动态特征相关[54][55]。 3. 模型3因子 (融合因子) * **因子名称**：量价因子与量价指纹融合预测因子[67] * **因子构建思路**：将量价因子和量价指纹分别输入双流GRU融合模型，模型融合两类信息后输出的预测值即为该因子[67]。 * **因子具体构建过程**：如上述“双流GRU融合预测模型 (模型3)”所述，模型每日生成的预测信号即为因子值[67]。 * **因子评价**：融合因子结合了量价因子的显式统计规律与量价指纹的隐式语义模式，提升了预测能力和模型稳定性[68][86]。 模型的回测效果 （回测期：2017/01/01-2025/12/31，全市场A股，周度换仓，暂不考虑交易费用）[59][68] | 模型 | 周度RankIC均值 | 年化RankICIR | 多空对冲年化收益 | 多空对冲年化波动率 | 多空对冲IR | 多空对冲周度胜率 | 多空对冲最大回撤率 | 多头超额年化收益 | 多头超额年化波动率 | 多头超额IR | 多头超额周度胜率 | 多头超额最大回撤率 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | **模型1 (量价因子)** | 0.106[65] | 6.64[65] | 81.23%[65] | 15.25%[65] | 5.33[65] | 74.95%[65] | 12.66%[65] | 19.00%[65] | 8.46%[65] | 2.24[65] | 65.01%[65] | 15.09%[65] | | **模型2 (量价指纹)** | 0.106[65] | 6.62[65] | 83.88%[65] | 15.50%[65] | 5.41[65] | 73.87%[65] | 11.65%[65] | 21.35%[65] | 7.45%[65] | 2.87[65] | 69.76%[65] | 12.09%[65] | | **模型3 (融合因子)** | 0.109[68] | 6.85[68] | 90.89%[68] | 15.27%[68] | 5.95[68] | 76.46%[68] | 11.54%[68] | 28.09%[74] | 不适用 | 不适用 | 不适用 | 不适用 | 因子的回测效果 （回测期：2017/01/01-2025/12/31，全市场A股，周度换仓，暂不考虑交易费用）[59][68] | 因子 | 周度RankIC均值 | 年化RankICIR | 多空对冲年化收益 | 多空对冲年化波动率 | 多空对冲IR | 多空对冲周度胜率 | 多空对冲最大回撤率 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | **模型3融合因子** | 0.109[68] | 6.85[68] | 90.89%[68] | 15.27%[68] | 5.95[68] | 76.46%[68] | 11.54%[68] | 指数增强组合表现 （基于模型3融合因子构建，回测期：2017/01/01-2025/12/31）[75][78][82] | 指数增强组合 | 超额年化收益 | 跟踪误差 | IR | 月度胜率 | 最大回撤 | | :--- | :--- | :--- | :--- | :--- | :--- | | **沪深300指数增强** | 7.12%[75] | 1.74%[75] | 4.10[75] | 86.11%[75] | 1.85%[75] | | **中证500指数增强** | 11.38%[78] | 3.47%[78] | 3.28[78] | 83.33%[78] | 4.76%[78] | | **中证1000指数增强** | 14.84%[82] | 3.45%[82] | 4.30[82] | 83.33%[82] | 2.95%[82] |

量化模型与构建方式 1. **模型名称：调研股等权指数模型** * **模型构建思路**：利用基金经理的上市公司调研行为作为信息源，认为调研活动蕴含了超越财报的深度认知与前瞻性判断，可以挖掘超额收益[5]。通过构建由被调研股票组成的等权投资组合，来模拟和追踪这一策略的收益表现[13]。 * **模型具体构建过程**： 1. **数据获取**：收集近半年（报告期为2025年7月1日至2025年12月31日）三类主动权益型基金经理的上市公司调研记录[4]。 2. **成分股确定**：将在此期间被调研过的所有公司（共555家）作为备选股票池[5]。 3. **纳入时点**：以个股在近半年内首次出现在调研名单的当日，作为该股票被纳入指数成分的时点[13]。 4. **权重设置**：采用等权重方式构建投资组合，即每只成分股在指数中的初始权重相等[13]。 5. **指数计算**：从纳入时点开始，计算该等权投资组合的净值走势，形成“调研股-全样本指数”[13]。 2. **模型名称：分风格调研股等权指数模型** * **模型构建思路**：在整体调研股模型的基础上，进一步根据基金经理的投资风格（成长、均衡、价值）进行分类，构建不同风格的调研股指数，以观察和分析不同风格基金经理调研行为的alpha差异[6]。 * **模型具体构建过程**： 1. **风格划分**：根据各基金经理代表性产品在25Q3季报的重仓持股情况，计算其风格得分。具体标准为：a) 以国证1000成分股在国证成长、价值指数中的权重孰高赋予“成长”或“价值”风格（相等则为“均衡”）；b) 将国证1000行业权重拆分为三类风格权重；c) 为“成长”、“均衡”、“价值”风格分别赋予100、0、-100的权重，计算各行业风格分；d) 用各基金产品25Q3重仓股的行业配比加权行业风格分，得到产品风格分；e) 风格分≥20为成长型，-20<风格分<20为均衡型，风格分≤-20为价值型[17]。 2. **分类构建**：分别针对成长型、均衡型、价值型基金经理，重复上述“调研股等权指数模型”的构建步骤（获取其调研记录、确定成分股、按首次调研日纳入、等权构建），形成“调研股-成长指数”、“调研股-均衡指数”、“调研股-价值指数”[27][34]。 3. **衍生模型**：报告还根据基金经理代表性产品的持仓，进一步按市值（大盘、中盘、小盘）和行业大类（TMT、制造、消费、周期、金融地产）进行了分类，并构建了相应的调研股指数，例如“调研股-金融地产指数”[5]。构建逻辑与分风格模型一致。 3. **模型名称：代表性基金净值等权指数模型** * **模型构建思路**：作为调研股策略的业绩基准，构建一个由进行过调研的基金经理所管理的代表性产品组成的等权组合，用以对比调研选股策略与基金经理实际管理产品业绩的差异[13]。 * **模型具体构建过程**： 1. **基金选取**：对于近半年进行过调研的每一位基金经理，选取其管理的规模最大的基金产品作为代表性基金[15]。 2. **纳入时点**：以基金经理在近半年内首次进行调研的当日，作为其代表性基金被纳入指数成分的时点[13]。 3. **权重设置与计算**：采用等权重方式，计算该基金组合的复权单位净值增长率，形成“代表性基金净值(等权)指数”[13]。 模型的回测效果 （注：所有测试结果的时间范围均为近半年，即2025年7月1日至2025年12月31日[4]，基准上证指数同期收益率为15.2%[13]） 1. **调研股-全样本(等权)模型**，累计收益率21.0%[13]，相较上证指数超额收益5.8%[4]，相较代表性基金超额收益-3.8%[4]。 2. **调研股-成长(等权)模型**，累计收益率20.5%[27]，相较上证指数超额收益5.3%[4]，相较代表性基金超额收益-8.7%[4]。 3. **调研股-均衡(等权)模型**，累计收益率25.7%[34]，相较上证指数超额收益10.5%[4]，相较代表性基金超额收益5.9%[4]。 4. **调研股-价值(等权)模型**，累计收益率18.3%[4]，相较上证指数超额收益3.0%[4]，相较代表性基金超额收益9.5%[4]。 5. **调研股-金融地产(等权)模型**，累计收益率33.2%[5]，相较上证指数超额收益18.0%[4]，相较代表性基金超额收益25.5%[4]。 6. **代表性基金净值(等权)模型**，累计收益率24.8%[13]。 量化因子与构建方式 1. **因子名称：调研事件因子** * **因子构建思路**：将“基金经理是否对某上市公司进行调研”这一事件本身作为一个信号因子。该因子捕捉了机构投资者关注度提升所可能带来的信息优势或市场关注度溢价[5]。 * **因子具体构建过程**： 1. **事件定义**：在时间点t，如果某上市公司在回溯期（如近一周、近一月、近三月、近半年）内被至少一位主动权益型基金经理调研过，则将该股票标记为事件发生[9][11]。 2. **因子取值**：通常构建为二值变量（0/1），1表示在观察期内有调研事件发生。也可根据调研次数、参与调研的基金经理人数或类型进行加权，形成多值因子[10]。 * **因子评价**：该因子逻辑直观，数据相对公开易得，能够反映机构投资者的实地调研行为及其背后的信息挖掘努力[5]。 因子的回测效果 （注：报告未提供基于该因子的分层回测、IC、IR等量化指标结果，仅展示了基于该因子构建的等权组合（即调研股指数）的整体收益表现[13][27][34]。）

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250个交易日最高点的回落幅度，是趋势跟踪和动量策略的核心指标。其理论基础在于，研究表明股价接近其52周（约250日）最高价时，未来收益往往更高[11]。 * **因子具体构建过程**：对于每个标的（个股、指数或行业指数），计算其最新收盘价与过去250个交易日最高收盘价的相对距离。具体公式如下： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，$Closet$代表最新收盘价，$ts\_max(Close, 250)$代表过去250个交易日收盘价的最大值[11]。当最新收盘价创出新高时，该因子值为0；当价格从高点回落时，该因子为正值，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**[23][26] * **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动量持续性的“平稳创新高”股票。其思路结合了分析师关注度、股价相对强度、以及动量在时间序列上的平滑性（而非跳跃性），后者相关研究指出平滑的动量效应可能更强大[23]。 * **模型具体构建过程**：该模型是一个多步骤的筛选流程，具体步骤如下： 1. **初选股票池**：首先筛选出上市满15个月，且在过去20个交易日内创出过250日新高的股票[19]。 2. **施加筛选条件**：在初选股票池上，依次应用以下条件进行筛选[26]： * **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[26]。 * **股价相对强弱**：过去250日涨跌幅位于全市场前20%[26]。 * **股价平稳性**：在满足以上条件的股票中，使用以下两个指标综合打分，并选取排名在前50%的股票[26]： * **价格路径平滑性（股价位移路程比）**：该指标用于衡量股价上涨路径的平稳程度，计算公式为过去120日涨跌幅的绝对值与过去120日日涨跌幅绝对值加总之比[23]。比值越高，表明价格路径越平滑（位移大而路程短）。 * **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[26]。该值越小，表明在观察期内股价持续接近高点。 3. **最终排序与选取**：对经过上述步骤筛选出的股票，计算其**趋势延续性**指标，即过去5日的250日新高距离在时间序列上的均值，并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”[26]。 模型/因子的回测效果 *注：本报告为市场状态跟踪周报，未提供长期历史回测的量化指标（如年化收益率、夏普比率、信息比率IR等）。报告主要展示了特定时点（2026年1月16日）基于上述因子和模型的截面分析结果。* 1. **250日新高距离因子**，在**2026年1月16日**的截面取值示例如下[12][13][15]： * **主要宽基指数**：上证指数(1.52%)、深证成指(0.60%)、沪深300(1.23%)、中证500(0.20%)、中证1000(1.49%)、中证2000(1.77%)、创业板指(0.81%)、科创50(1.63%)[12]。 * **中信一级行业指数**：电子(0.00%)、有色金属(1.06%)、基础化工(0.25%)、机械(0.52%)、家电(0.69%)距离新高较近；食品饮料、银行、农林牧渔、房地产、医药行业距离新高较远[13]。 * **概念指数**：新能源汽车、矿山智能、光伏、充电桩、汽车配件精选、半导体、芯片等概念指数距离250日新高较近[15]。 2. **平稳创新高股票筛选模型**，在**截至2026年1月16日当周**的输出结果如下[19][20][27]： * **初选股票池规模**：全市场共有1204只股票在过去20个交易日创出250日新高[19]。 * **行业分布**：创新高个股数量最多的行业是机械(166只)、电子(128只)、基础化工(117只)；创新高个股数量占比最高的行业是国防军工(61.48%)、有色金属(52.85%)、石油石化(36.00%)[19]。 * **板块分布**：制造(388只)、科技(372只)板块创新高股票数量最多[20]。 * **指数分布**：中证500、创业板指中创新高个股数量占成份股比例较高，分别为31.60%和31.00%[20]。 * **最终筛选结果**：模型筛选出50只平稳创新高股票，例如亚翔集成、源杰科技、中际旭创等[27]。这些股票主要分布在周期(21只)和科技(19只)板块，其中有色金属和电子行业入选数量最多[27]。