根据研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 1. 因子名称：风格相对拥挤度[129] **因子构建思路**：通过计算不同风格指数的换手率标准化值差异，来衡量风格之间的相对拥挤程度[129] **因子具体构建过程**： 1. 分别计算风格A和风格B指数的近252日平均换手率 2. 在2005年1月1日以来的历史时间序列上计算Z-score标准化值Z-score_A与Z-score_B 3. 计算二者差值：$$Z-score_A - Z-score_B$$ 4. 计算该差值的滚动6年历史分位数（历史数据量满1年且不足6年时，以全部历史数据进行计算）[129] 2. 因子名称：风格指数累计超额净值[130] **因子构建思路**：以万得全A为基准，计算各风格指数的相对表现[130] **因子具体构建过程**： 1. 以2020年1月4日为基准日 2. 将各指数的每日收盘点数除以基准日收盘点数得到各风格指数及万得全A指数的累计净值 3. 将各风格指数的累计净值除以同一交易日的万得全A指数累计净值得到累计超额净值[130] 3. 因子名称：机构调研活跃度[131] **因子构建思路**：通过机构调研次数的标准化处理，衡量不同板块的机构关注度[131] **因子具体构建过程**： 1. 将板块（指数、行业）的近n个交易日的"日均机构调研次数"在滚动y年的历史时间序列上进行z-score标准化 2. 与万得全A的结果作差得到"机构调研活跃度" 3. 计算"机构调研活跃度"的滚动y年历史分位数 4. 长期口径参数：n取126（近半年），滚动窗口为6年 5. 短期口径参数：n取63（近一季度），滚动窗口为3年[131] 4. 因子名称：风险溢价（erp）[50] **因子构建思路**：通过比较股票收益率与债券收益率，衡量权益资产的相对吸引力[50] **因子具体构建过程**： 计算公式：$$erp = \frac{1}{PE_{TTM}} - 10年期中债国债到期收益率$$[50] 其中PE_TTM为滚动市盈率 5. 因子名称：动量因子[62] **因子构建思路**：基于股票过去一段时间的历史收益率构建动量指标[62] **因子具体构建过程**： 动量指标 = 最近一年股票收益率 - 最近一个月股票收益率（剔除涨停板）[62] 6. 因子名称：反转因子[62] **因子构建思路**：基于股票短期反转效应构建反转指标[62] **因子具体构建过程**： 以最近一个月股票收益率作为筛选指标[62] 因子的回测效果 1. 风格相对拥挤度因子[70][74][77] - 成长vs红利相对拥挤度：本周末66%，上周末67%，上年末1%[70] - 小盘vs大盘相对拥挤度：本周末41%，上周末39%，上年末5%[70] - 微盘股vs中证800相对拥挤度：本周末91%，上周末89%，上年末89%[70] 2. 风格表现因子[59][60] - 成长较红利超额：近一周3.0%，近一月-1.4%，年初至今25.6%[59][60] - 小盘较大盘超额：近一周1.6%，近一月-1.1%，年初至今7.5%[59][60] - 微盘股较基金重仓超额：近一周2.7%，近一月8.1%，年初至今52.2%[59][60] - 动量较反转超额：近一周7.5%，近一月0.2%，年初至今24.9%[59][60] 3. 风险溢价（erp）因子[58] - 万得全A erp：本周末2.8%，分位值62%；上周末2.9%，分位值65%[58] - 沪深300 erp：本周末5.3%，分位值64%；上周末5.4%，分位值66%[58] - 创业板 erp：本周末0.7%，分位值87%；上周末0.8%，分位值89%[58] - 中证500 erp：本周末1.3%，分位值74%；上周末1.4%，分位值76%[58] 4. 估值因子（PE_TTM）[48] - 万得全A PE_TTM：本周末21.7，分位值72%；上周末21.3，分位值71%[48] - 沪深300 PE_TTM：本周末13.9，分位值62%；上周末13.9，分位值61%[48] - 中证1000 PE_TTM：本周末46.4，分位值66%；上周末44.8，分位值63%[48] - 创业板 PE_TTM：本周末39.2，分位值31%；上周末37.7，分位值27%[48]

量化模型与构建方式 **1 模型名称：指数成分股调整冲击模型**[2][7][9] - **模型构建思路**：该模型旨在测算因指数成分股定期调整而产生的潜在交易性机会，通过计算个股因调入/调出指数而面临的资金净流入/流出规模，并与其流动性对比来衡量冲击程度[2][5] - **模型具体构建过程**：模型的核心是计算冲击系数（effect），具体步骤如下： - 首先，汇总个股在所有相关指数中因成分股调整（包括调入、调出及权重变化）而产生的买入总规模和卖出总规模[9] - 其次，计算个股的净调整规模，即预计买入规模与预计卖出规模之差[8][9] - 然后，获取个股过去两周的日均成交额作为流动性指标[8][9] - 最后，计算冲击系数，公式如下： $$\mathrm{effect}_{s}={\frac{\sum_{i}^{m}w t_{i n}*i n d e x_{-}s c a l e_{i}-\sum_{i}^{n}w t_{o u t}*i n d e x_{-}s c a l e_{i}}{a v g_{-}a m t_{s}}}$$[7] 其中，`effect_s` 表示股票s的冲击系数，`wt_in` 表示股票在指数中的买入权重，`wt_out` 表示股票在指数中的卖出权重，`index_scale_i` 表示跟踪该指数i的被动产品总规模，`avg_amt_s` 表示股票s过去两周的日均成交额[7][9] - 在权重处理上，对于拟调出个股采用指数公司公布的最新权重，对于拟调入个股则基于自由流通市值测算，并考虑了部分指数的特殊加权方式（如股息率、自由现金流加权）和个股权重上限等规则[9] 模型的回测效果 **1 指数成分股调整冲击模型，预计净调整规模(亿元) 48.65，冲击系数 0.57**[10] **2 指数成分股调整冲击模型，预计净调整规模(亿元) 47.91，冲击系数 1.31**[10] **3 指数成分股调整冲击模型，预计净调整规模(亿元) 34.87，冲击系数 3.37**[10] **4 指数成分股调整冲击模型，预计净调整规模(亿元) 34.75，冲击系数 2.23**[10] **5 指数成分股调整冲击模型，预计净调整规模(亿元) 34.07，冲击系数 0.98**[10] **6 指数成分股调整冲击模型，预计净调整规模(亿元) -56.79，冲击系数 -0.48**[13] **7 指数成分股调整冲击模型，预计净调整规模(亿元) -38.98，冲击系数 -0.20**[13] **8 指数成分股调整冲击模型，预计净调整规模(亿元) -31.25，冲击系数 -0.37**[13]

根据提供的研报内容，以下是其中涉及的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：短期择时模型**[13][14][16] * **模型构建思路**：该模型从宏观基本面、估值面、情绪面和流动性四个维度，选取多个二级指标进行综合判断，以生成对A股市场的短期仓位信号。 * **模型具体构建过程**： * **第一步：构建一级指标信号**。模型包含四个一级指标：基本面、估值面、情绪面、流动性。每个一级指标下包含若干二级指标。 * **第二步：计算二级指标信号**。每个二级指标根据其当前值在过去5年历史数据中的分位数，被赋予“乐观”（对应信号值1.00）、“中性”（对应信号值0.50）或“谨慎”（对应信号值0.00）的信号。 * **基本面指标**：包括制造业PMI是否大于50、信贷脉冲环比变化分位数、M1同比增速（HP滤波去趋势）分位数[13][16]。 * **估值面指标**：包括A股整体PE分位数、A股整体PB分位数[13][16]。 * **情绪面指标**：包括A股整体Beta离散度分位数、A股整体量能情绪分位数、A股整体波动率分位数[14][16]。 * **流动性指标**：包括货币利率指标分位数、汇率预期指标分位数、沪深净融资额5日均值分位数[14][16]。 * **第三步：合成一级指标信号**。每个一级指标的综合信号由其下属的二级指标信号值简单平均或加权平均得到。 * **第四步：生成总仓位信号**。最终的总仓位信号由四个一级指标的综合信号值再次平均得到，并根据阈值确定最终的仓位建议（例如，高仓位、中性仓位、低仓位）[16]。 2. **模型名称：成长价值风格轮动模型**[23][24][25] * **模型构建思路**：该模型从基本面、估值面、情绪面三个维度分析成长风格与价值风格的相对强弱，以决定超配成长或价值风格。 * **模型具体构建过程**： * **第一步：维度信号分析**。模型在三个维度上分别计算信号： * **基本面**：基于盈利周期斜率、利率综合周期水平、信贷综合周期变化三个指标。例如，盈利周期斜率大时利好成长风格[23][25]。 * **估值面**：基于成长价值PE估值差的分位数和PB估值差的分位数。当估值差的分位数较低，意味着均值回归上行，利好成长风格[23][25]。 * **情绪面**：基于成长价值换手差的分位数和波动差的分位数。换手差偏高利好成长风格[23][25]。 * **第二步：信号合成**：每个维度内的指标信号被综合（例如，加权平均或投票），得出该维度的最终建议仓位（如100%成长/0%价值）。 * **第三步：模型最终决策**：综合三个维度的建议，得出最终的风格配置建议（例如，超配成长）[23][25]。 3. **模型名称：小盘大盘风格轮动模型**[27][28][29] * **模型构建思路**：该模型基于专题研究，从流动性等多个视角选取11个有效指标，构建综合信号来判断小盘风格与大盘风格的轮动机会。 * **模型具体构建过程**： * **第一步：选取有效指标**。模型共使用11个指标，包括A股龙虎榜买入强度、R007、融资买入余额变化、主题投资交易情绪、等级利差、期权波动率风险溢价、beta离散度、pb分化度、大宗交易折溢价率、中证1000MACD(10,20,10)、中证1000交易量能[29]。 * **第二步：生成单个指标信号**。每个指标独立产生一个对小盘风格的仓位建议（0%或100%，或可能的中性仓位），例如，0%表示看空小盘（即看多大盘），100%表示看多小盘[29]。 * **第三步：合成综合信号**。将所有11个指标的信号进行综合（具体方法未在提供内容中详述，可能为平均或投票），得出最终的小盘风格综合仓位信号，其补集即为大盘风格仓位信号[27][29]。 模型的回测效果 1. **短期择时模型**[15][18][19][21] * 年化收益率：16.41%（基准为4.74%） * 年化超额收益率：11.66% * 年化波动率：14.82%（基准为11.60%） * 最大回撤：14.07%（基准为31.41%） * 夏普比率：0.9647（基准为0.2854） * 收益回撤比：1.1664（基准为0.1511） * 月度胜率：66.03%（基准为53.85%） * 2024年以来年化收益率：29.24%（基准为9.02%） * 2024年以来夏普比率：1.4804（基准为0.6509） 2. **成长价值风格轮动模型**[24][26] * 年化收益率：12.40%（基准为7.75%） * 年化超额收益率：4.65% * 年化波动率：20.82%（基准为20.69%） * 最大回撤：43.07%（基准为44.13%） * 夏普比率：0.5704（基准为0.3684） * 收益回撤比：0.2879（基准为0.1757） * 月度胜率：58.06%（基准为55.48%） * 2025年以来收益率：19.75%（基准为22.28%） 3. **小盘大盘风格轮动模型**[28][29] * 综合策略年化收益率：19.64%（基准未明确给出单一数值，但提及基准为沪深300和中证1000全收益指数的等权组合） * 综合策略年化超额收益率：12.63% * 综合策略最大回撤：40.70% * 2025年以来超额收益率：10.82% * 部分单一指标年化超额收益率示例：融资买入余额变化（5.66%）、中证1000交易量能（9.63%）[29] 量化因子与构建方式 1. **因子名称：Beta离散度**[12][14][16][29] * **因子构建思路**：用于衡量市场中个股收益率相对于市场基准收益率（Beta）的分散程度，反映市场共识度和交易主线明确性。 * **因子具体构建过程**：报告中未提供具体的计算公式，但指出该指标的分位数被用于情绪面分析。当Beta离散度偏高时，通常给出谨慎信号[14][16]。 2. **因子名称：PB分化度**[12][29] * **因子构建思路**：用于衡量市场中个股市净率（PB）的离散程度，反映估值层面的分化情况。 * **因子具体构建过程**：报告中未提供具体的计算公式，但指出该指标被用于情绪面分析和大小盘轮动模型。PB分化度下行被视为谨慎信号[12][29]。 3. **因子名称：量能情绪**[14][16][29] * **因子构建思路**：综合交易量能信息，反映市场交易活跃度和情绪强弱。 * **因子具体构建过程**：报告中未提供“量能情绪得分”的具体计算公式，但指出其分位数被用于情绪面分析。量能情绪偏弱时给出谨慎信号[14][16]。在大小盘轮动中，“中证1000交易量能”作为一个独立指标使用[29]。 4. **因子名称：成长价值估值差（PE/PB）**[23][25] * **因子构建思路**：计算成长风格与价值风格在估值指标（如PE中位数、PB中位数）上的差异，并通过其历史分位数判断均值回归方向。 * **因子具体构建过程**：报告中未提供具体的差值计算公式，但使用了“成长价值PE差分位数”和“成长价值PB差分位数”的概念。当这些差分位数较低时，认为估值差有均值回归上行的动力，利好成长风格[23][25]。 5. **因子名称：成长价值换手差/波动差**[23][25] * **因子构建思路**：计算成长风格与价值风格在换手率、波动率上的差异，反映市场对不同风格的情绪偏好和风险偏好。 * **因子具体构建过程**：报告中未提供具体的差值计算公式，但使用了“成长价值换手差分位数”和“成长价值波动差分位数”。例如，换手差偏高被认为利好成长风格[23][25]。 因子的回测效果 （注：提供的研报内容主要展示了整合这些因子的模型整体表现，未单独列出上述因子的独立回测绩效指标，如IC值、IR等。因此，此部分根据要求跳过。）

根据提供的金融工程市场跟踪周报，以下是总结的量化模型与因子内容。 量化模型与构建方式 1. **模型名称：量能择时模型**[22] * **模型构建思路**：通过分析主要宽基指数的成交量能状态，来判断市场短期走势，当量能与价格表现不匹配时，预示反弹力度可能减弱[22] * **模型具体构建过程**：报告未详细描述该模型的具体计算过程和公式，仅给出了基于该模型的最终观点信号[22] 2. **模型名称：沪深300上涨家数占比情绪指标**[23] * **模型构建思路**：利用市场强势股的示范效应，通过计算指数成分股中近期上涨股票的数量占比来判断市场情绪。情绪过低可能预示底部，情绪过高则提示风险[23] * **模型具体构建过程**：计算沪深300指数成分股在过去N日内收益率大于0的个股数量占成分股总数的比例。 具体公式为： $$沪深300指数N日上涨家数占比 = \frac{沪深300指数成分股过去N日收益大于0的个股数}{沪深300指数成分股总数}$$[23] 3. **模型名称：动量情绪指标择时模型**[28] * **模型构建思路**：对“沪深300上涨家数占比”指标进行平滑处理，通过比较短期和长期平滑线的相对位置来生成交易信号，以捕捉市场情绪的变动趋势[28] * **模型具体构建过程**： 1. 计算基础指标：沪深300指数N日上涨家数占比（N=230）[28] 2. 对该基础指标分别进行窗口期为N1=50和N2=35的移动平均，得到慢线和快线（N1>N2）[28] 3. 当快线大于慢线时，生成看多信号；当快线小于慢线时，对市场持谨慎或中性态度[28] 4. **模型名称：均线情绪指标择时模型**[31][32] * **模型构建思路**：基于技术分析中的均线理论，通过判断当前价格相对于一组均线的位置来评估市场趋势和情绪状态[31] * **模型具体构建过程**： 1. 计算沪深300收盘价的八条均线，参数分别为8, 13, 21, 34, 55, 89, 144, 233[31] 2. 统计当日沪深300收盘价位于这八条均线之上的数量[32] 3. 当收盘价位于五条及以上均线之上时，生成看多信号[32] 5. **因子名称：横截面波动率**[34] * **因子构建思路**：通过计算特定指数内所有成分股在同一时期收益率的离散程度，来衡量市场分化程度和选股（Alpha）环境的优劣[34] * **因子具体构建过程**：报告未提供该因子的具体计算公式，但指出其用于衡量沪深300、中证500、中证1000等指数成分股收益率的截面差异[34] 6. **因子名称：时间序列波动率**[38] * **因子构建思路**：通过计算指数成分股收益率在时间序列上的波动情况，来评估市场的整体波动水平和Alpha环境[38] * **因子具体构建过程**：报告未提供该因子的具体计算公式，但指出其用于衡量沪深300、中证500、中证1000等指数成分股加权后的时间序列波动率[38] 7. **因子名称：基金抱团分离度**[81] * **因子构建思路**：通过计算抱团基金组合截面收益率的标准差，来作为基金抱团程度的代理变量。标准差小表明抱团程度高，标准差大表明抱团瓦解[81] * **因子具体构建过程**：具体计算方式为抱团基金截面收益的标准差[81] 模型的回测效果 1. **动量情绪指标择时模型**，报告未提供具体的回测绩效指标，仅展示了策略净值表现图[29] 2. **均线情绪指标择时模型**，报告未提供具体的回测绩效指标，仅展示了策略净值表现图[33] 量化因子的回测效果 1. **横截面波动率因子**，近两年平均值：沪深300为1.92，中证500为2.11，中证1000为2.30[38]；近一年平均值：沪深300为1.88，中证500为2.12，中证1000为2.40[38]；近半年平均值：沪深300为1.97，中证500为2.14，中证1000为2.39[38]；近一季度平均值：沪深300为2.23，中证500为2.41，中证1000为2.59[38]；近一季度平均值占近两年分位：沪深300为80.54%，中证500为74.60%，中证1000为82.47%[38]；近一季度平均值占近一年分位：沪深300为79.71%，中证500为74.60%，中证1000为78.49%[38]；近一季度平均值占近半年分位：沪深300为78.05%，中证500为78.57%，中证1000为75.30%[38] 2. **时间序列波动率因子**，近两年平均值：沪深300为0.65%，中证500为0.47%，中证1000为0.26%[41]；近一年平均值：沪深300为0.61%，中证500为0.45%，中证1000为0.25%[41]；近半年平均值：沪深300为0.61%，中证500为0.45%，中证1000为0.24%[41]；近一季度平均值：沪深300为0.71%，中证500为0.52%，中证1000为0.27%[41]；近一季度平均值占近两年分位：沪深300为75.36%，中证500为78.57%，中证1000为82.07%[41]；近一季度平均值占近一年分位：沪深300为75.78%，中证500为76.19%，中证1000为79.28%[41]；近一季度平均值占近半年分位：沪深300为69.77%，中证500为76.19%，中证1000为74.10%[41]

根据提供的量化周报内容，以下是报告中所涉及的量化模型和因子的总结。 量化模型与构建方式 1. **模型名称：A股景气度高频指数模型**[31] * **模型构建思路**：该模型以上证指数归母净利润同比为Nowcasting（即时预测）目标，旨在构建一个能够高频反映A股整体景气度变化的指数[31]。 * **模型具体构建过程**：报告指出模型构建的详细方法请参考其前期研究报告《视角透析：A股景气度高频指数构建与观察》，因此本报告未提供具体构建公式和过程[31]。 2. **模型名称：A股情绪指数模型**[34] * **模型构建思路**：该模型基于市场的波动率和成交额变化来刻画投资者情绪。它将市场按照波动率和成交额的变化方向划分为四个象限，并据此构建包含见底预警与见顶预警的情绪指数[34]。 * **模型具体构建过程**：报告指出模型构建的详细方法请参考其前期研究报告《视角透析：A股情绪指数构建与观察》，因此本报告未提供具体构建公式和过程[34]。 3. **模型名称：主题挖掘算法模型**[49] * **模型构建思路**：该模型通过分析新闻和研报文本，从多个维度挖掘主题投资机会[49]。 * **模型具体构建过程**：模型构建过程涉及文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建、主题影响力因子构建等多个步骤。报告未提供每一步骤的详细公式[49]。 4. **模型名称：中证500指数增强模型**[49][52] * **模型构建思路**：通过量化策略模型构建投资组合，旨在获得超越中证500基准指数的超额收益[49]。 * **模型具体构建过程**：报告未详细说明该增强模型的具体因子构成和权重配置方法，仅给出了根据策略模型生成的当期持仓列表[52][55]。 5. **模型名称：沪深300指数增强模型**[56][59] * **模型构建思路**：通过量化策略模型构建投资组合，旨在获得超越沪深300基准指数的超额收益[56]。 * **模型具体构建过程**：报告未详细说明该增强模型的具体因子构成和权重配置方法，仅给出了根据策略模型生成的当期持仓列表[59][60]。 模型的回测效果 1. **中证500增强模型**：截至报告周，2020年至今，组合相对中证500指数超额收益49.37%，最大回撤-5.73%[49]。 2. **沪深300增强模型**：截至报告周，2020年至今，组合相对沪深300指数超额收益37.55%，最大回撤-5.86%[56]。 量化因子与构建方式 1. **因子体系：BARRA风格因子体系**[61] * **因子的构建思路**：参照国际通用的BARRA因子模型，针对A股市场构建十大类风格因子，用于解释股票收益的来源和进行组合绩效归因[61]。 * **因子具体构建过程**：报告列出了十大类风格因子的名称，包括市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）和杠杆（LVRG），但未提供每个因子的具体计算公式[61]。 因子的回测效果 *报告的本周因子表现分析部分未提供各个因子具体的量化回测指标（如IC值、IR值等），仅进行了定性的相对表现描述，因此本部分略过。* 模型或因子的评价 *报告中对上述模型和因子未提供明确的定性评价。*

量化模型与构建方式 1. **模型名称：周期分析模型**[1][9] * **模型构建思路**：通过分析市场指数的历史价格数据，识别不同时间周期（如月线级别）下的趋势和转折点，以判断市场未来的可能走势[1][9] * **模型具体构建过程**：该模型通过对上证综指等主要宽基指数的历史价格序列进行分析，识别并跟踪自特定时点（如2024年初）开始的长期趋势（月线级别上行趋势）[1][9]。当价格出现调整甚至跌破短期通道时，模型用于评估长期趋势是否仍保持有效[1][9] 2. **模型名称：缠论及趋势分析模型**[8][12][14] * **模型构建思路**：基于缠中说禅理论，结合趋势分析，对市场指数的走势进行技术分析，识别类似的历史形态（如与2017年11月底至12月初的状态进行类比）以预测未来走势[1][8][12][14] * **模型具体构建过程**：该模型应用于上证综指等指数，通过分析K线图的笔、线段、中枢等缠论基本构件，结合趋势线分析，判断市场的当前结构（如上升通道）以及可能的演变路径（如震荡筑底）[1][8][12][14] 3. **模型名称：四轮驱动模型**[3][10][11] * **模型构建思路**：通过综合多个技术信号（如量价关系、超跌形态）对具体板块（如小盘成长、煤炭、中证半导体材料设备、科创材料）的未来走势进行判断[3][10][11] * **模型具体构建过程**：模型针对不同板块应用不同的分析逻辑： * 对于小盘成长板块，识别“周期分析低吸信号”，即价格回调后出现的特定技术买点[11] * 对于煤炭板块，关注调整过程中的“明显缩量”现象，作为企稳反弹的先行指标[11] * 对于中证半导体材料设备板块，观察“调整后缩量明显”并结合“当前出现适度放量”作为可能企稳反弹的信号[3][11] * 对于科创材料板块，识别“C浪超跌”后的企稳迹象，作为短期反弹的参考[11] 量化因子与构建方式 1. **因子名称：高频温度计**[1][9] * **因子构建思路**：通过计算主要宽基指数的高频数据，生成一个衡量市场短期情绪或超买超卖状态的指标，数值越低代表市场情绪越低迷，风险相对可控[1][9] * **因子具体构建过程**：报告提到主要宽基指数的“高频温度计均值仍低于20”，表明该因子可能是一个综合多个高频指标（如涨跌比率、波动率等）的复合指标，并将其数值归一化到某个区间（如0-100），低于20被视为“明显偏低水平”[1][9] 2. **因子名称：行业分歧度**[2][8][9][19] * **因子构建思路**：通过计算一级行业之间走势的差异程度，来衡量市场热点的集中或分散情况，指标处于偏低位置可能预示新主线酝酿[2][8][9][19] * **因子具体构建过程**：报告指出“当前一级行业的行业分歧度已降至近几年偏低位置”[2][9]。该因子的具体计算可能基于各行业指数的收益率或价格序列，通过计算其离散度（如标准差、变异系数）或相关性矩阵的特征值等方法来度量行业间的分化程度[2][8][9][19] 模型的回测效果 （报告中未提供具体模型的回测指标数值） 因子的回测效果 （报告中未提供具体因子的回测指标数值）

量化模型与构建方式 1. **模型名称：择时雷达六面图模型**[1][6] * **模型构建思路**：该模型旨在构建一个综合性的市场择时框架，认为权益市场表现受多维度因素共同影响。模型从流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取二十一个指标刻画市场，并将其概括为"估值性价比"、"宏观基本面"、"资金&趋势"、"拥挤度&反转"四大类，最终生成一个介于[-1,1]之间的综合择时分数。[1][6] * **模型具体构建过程**： * **步骤一：指标选取与分类**。从六个维度（流动性、经济面、估值面、资金面、技术面、拥挤度）选取二十一个具体指标。[1][6] * **步骤二：单指标信号生成**。每个指标根据其特定的构建逻辑和规则，被转化为一个看多（+1）、看空（-1）或中性（0）的信号。[9] * **步骤三：维度分数计算**。每个维度（如流动性）下各指标的打分进行平均或综合，得到该维度的综合分数，范围在[-1,1]之间。[8] * **步骤四：大类分数计算**。将六个维度的分数归类到四大类（"估值性价比"、"宏观基本面"、"资金&趋势"、"拥挤度&反转"），并进行综合。[1][6] * **步骤五：综合择时分数生成**。基于四大类的分数，最终生成一个[-1,1]之间的综合择时分数。[1][6] 量化因子与构建方式 1. **因子名称：货币方向因子**[11] * **因子构建思路**：判断当前货币政策的方向，通过比较货币政策工具利率与短端市场利率相对于历史时期的变化来确定宽松或收紧。[11] * **因子具体构建过程**：选取央行使用的货币政策工具利率与短端市场利率，计算其相较于90天前的平均变化方向。若货币方向因子>0，则判断货币政策宽松（看多信号，分数为1）；若货币方向因子<0，则判断货币政策收紧（看空信号，分数为-1）。[11] 2. **因子名称：货币强度因子**[13] * **因子构建思路**：表征短端市场利率相对于政策利率的偏离幅度，基于"利率走廊"概念，用于预期未来的货币环境。[13] * **因子具体构建过程**：计算偏离度=DR007/7天逆回购利率-1，并对该偏离度进行平滑与Z-Score标准化，得到货币强度因子。若货币强度因子<-1.5倍标准差，则预期未来120个交易日为宽松环境（分数为1）；若货币强度因子>1.5倍标准差，则预期未来120个交易日为收紧环境（分数为-1）。[13] 3. **因子名称：信用方向因子**[16] * **因子构建思路**：表征商业银行对实体经济传导信用的松紧程度，使用中长期贷款指标进行体现。[16] * **因子具体构建过程**：计算信用方向因子为：中长期贷款当月值 -> 计算过去十二个月增量 -> 计算同比。若信用方向因子相比于三个月之前上升则看多（分数为1）；反之则看空（分数为-1）。[16] 4. **因子名称：信用强度因子**[19] * **因子构建思路**：捕捉信用指标是否大幅超预期或不及预期，反映信用的强度变化。[19] * **因子具体构建过程**：构建信用强度因子=(新增人民币贷款当月值–预期中位数)/预期标准差。若信用强度因子>1.5倍标准差，则定义未来60个交易日为信用显著超预期环境（分数为1）；反之若信用强度因子<-1.5倍标准差，则未来60个交易日分数为-1。[19] 5. **因子名称：增长方向因子**[22] * **因子构建思路**：基于PMI数据判断经济增长的方向变化。[22] * **因子具体构建过程**：基于中采制造业PMI、中采非制造业PMI、财新制造业PMI构建增长方向因子= PMI -> 计算过去十二月均值 -> 计算同比。若增长方向因子相比于三个月之前上升则看多（分数为1）；反之则看空（分数为-1）。[22] 6. **因子名称：增长强度因子**[25] * **因子构建思路**：捕捉经济增长指标是否大幅超预期或不及预期。[25] * **因子具体构建过程**：计算PMI预期差=(PMI–预期中位数)/预期标准差。若增长强度因子（即PMI预期差）>1.5倍标准差，则定义未来60个交易日为增长显著超预期环境（分数为1）；反之若增长强度因子<-1.5倍标准差，则未来60个交易日分数为-1。[25] 7. **因子名称：通胀方向因子**[27] * **因子构建思路**：判断通胀水平的变化方向，通胀下行通常意味着未来货币政策宽松空间较大，利好权益。[27] * **因子具体构建过程**：计算通胀方向因子=0.5×CPI同比平滑值+0.5×PPI同比原始值。若通胀方向因子相较于三个月之前降低，则说明是通胀下行环境，此时看多（分数为1）；反之看空（分数为-1）。[27] 8. **因子名称：通胀强度因子**[28] * **因子构建思路**：捕捉通胀指标是否大幅超预期或不及预期。[28] * **因子具体构建过程**：分别计算CPI与PPI预期差=(披露值–预期中位数)/预期标准差，并计算通胀强度因子=CPI与PPI预期差均值。若通胀强度因子<-1.5倍标准差，则定义未来60个交易日为通胀显著不及预期环境（分数为1）；反之若通胀强度因子>1.5倍标准差，则未来60个交易日分数为-1。[28] 9. **因子名称：席勒ERP**[32] * **因子构建思路**：使用经过周期调整的盈利来计算市盈率，进而得到股权风险溢价，以更稳定地衡量估值水平。[32] * **因子具体构建过程**：计算过去6年通胀调整后的平均盈利得到席勒PE，然后计算席勒ERP=1/席勒PE-10年期国债到期收益率，并对该席勒ERP计算过去6年的Z-Score作为分数。[32] 10. **因子名称：PB**[35] * **因子构建思路**：使用市净率的倒数并标准化来衡量估值，值越高代表估值越低，性价比越高。[35] * **因子具体构建过程**：对PB指标取负数（即-PB），然后计算过去6年的Z-Score，再经过1.5倍标准差截尾后标准化到±1之间得到分数。[35] 11. **因子名称：AIAE**[38] * **因子构建思路**：计算全市场权益配置比例，反映市场整体的风险偏好，基于风险资产和安全资产的相对供应量均衡逻辑。[38] * **因子具体构建过程**：构建A股的AIAE指标=中证全指总流通市值/(中证全指总流通市值 +实体总债务)。将AIAE取负数（即-AIAE）并计算过去6年的Z-Score得到分数。[38] 12. **因子名称：两融增量**[41] * **因子构建思路**：通过融资融券余额的增量变化判断市场杠杆资金情绪。[41] * **因子具体构建过程**：计算融资余额-融券余额，并计算其过去120日均增量与过去240日均增量。若120日均增量>过去240日均增量，则判断杠杆资金上行（看多，分数为1）；反之看空（分数为-1）。[41] 13. **因子名称：成交额趋势**[44] * **因子构建思路**：通过成交额的均线趋势判断市场成交热度和资金活跃度。[44] * **因子具体构建过程**：对对数成交额计算其均线距离=MA120/MA240-1。当均线距离的max(10日)=max(30日)=max(60日)时看多（分数为1）；当均线距离的min(10日)=min(30日)=min(60日)时看空（分数为-1）。[44] 14. **因子名称：中国主权CDS利差**[47] * **因子构建思路**：利用中国主权CDS利差反映海外投资者对中国经济和主权信用风险的定价，间接体现外资流入意愿。[47] * **因子具体构建过程**：对平滑后的CDS利差计算其20日差分。若20日差分<0，说明CDS利差下降，海外投资者预期中国基本面转好（看多，分数为1）；反之看空（分数为-1）。[47][48] 15. **因子名称：海外风险厌恶指数**[50] * **因子构建思路**：使用花旗风险厌恶指数（Citi RAI Index）捕捉海外市场的整体风险偏好，影响外资流向。[50] * **因子具体构建过程**：对平滑后的风险厌恶指数计算其20日差分。若20日差分<0，说明外资风险偏好上升（看多，分数为1）；反之看空（分数为-1）。[50] 16. **因子名称：价格趋势**[53] * **因子构建思路**：使用均线距离衡量标的价格的中长期趋势方向和强度。[53] * **因子具体构建过程**：计算价格均线距离=MA120/MA240-1。趋势方向分数：当均线距离>0时为1，反之为-1。趋势强度分数：当均线距离的max(20日)=max(60日)时为1，当min(20日)=min(60日)时为-1。趋势综合分数=(趋势方向分数+趋势强度分数)/2。[53] 17. **因子名称：新高新低数**[55] * **因子构建思路**：将指数成分股的新高与新低个数之差作为市场反转信号。[55] * **因子具体构建过程**：计算中证800成分股的（过去一年新低数-新高数）的20日移动平均（MA20）。若该MA20值>0，说明近期新低较多，市场有见底预期（看多，分数为1）；反之发出看空信号（分数为-1）。[55][56] 18. **因子名称：期权隐含升贴水**[59] * **因子构建思路**：基于期权定价推导出的隐含升贴水反映期权市场对未来标的收益率的预期与情绪，作为反转指标衡量拥挤度。[59] * **因子具体构建过程**：若50ETF近5日收益率<0，且该指标分位数<30%，则看多持续20日（分数为1）。若50ETF近5日收益率>0，且指标分位数>70%，则看空持续20日（分数为-1）。[59] 19. **因子名称：期权隐含波动率VIX**[60] * **因子构建思路**：期权VIX指数反映投资者对未来波动率的预期与市场情绪，作为反转指标。[60] * **因子具体构建过程**：若50ETF近5日收益率<0，且该指标分位数>70%，则看多持续20日（分数为1）。若50ETF近5日收益率>0，且指标分位数>70%，则看空持续20日（分数为-1）。[60] 20. **因子名称：期权隐含偏度SKEW**[65] * **因子构建思路**：期权SKEW指数反映投资者对未来标的偏度的预期与市场情绪，用作反转指标。[65] * **因子具体构建过程**：若50ETF近5日收益率<0，且该指标分位数>70%，则看多持续20日（分数为1）。若50ETF近5日收益率>0，且指标分位数<30%，则看空持续20日（分数为-1）。[65] 21. **因子名称：可转债定价偏离度**[67] * **因子构建思路**：通过可转债价格相对于模型定价的偏离度来反映市场情绪和拥挤度，作为反转指标。[67] * **因子具体构建过程**：计算可转债定价偏离度=转债价格/模型定价-1。因子分数=定价偏离度×(-1)并计算过去3年Z-Score得到。定价偏离度越高，拥挤度越高，分数越低。[67] 模型的回测效果 （报告未提供择时雷达六面图模型的具体回测指标数值，如年化收益率、夏普比率等，故本部分省略） 因子的回测效果 （报告主要提供了各因子在当前时间点的信号分数，未提供因子历史表现的量化回测指标，如IC值、IR等，故本部分省略。各因子当前信号分数见因子构建部分或文档[9]）

量化模型与构建方式 国信金工指数增强模型 - **模型名称**：国信金工指数增强模型[12][13] - **模型构建思路**：以多因子选股为主体，构建对标不同基准指数的增强组合，力求稳定战胜基准[12][13] - **模型具体构建过程**：构建流程主要包括收益预测、风险控制和组合优化三块，分别以沪深300、中证500、中证1000及中证A500指数为基准构建指数增强组合[13] 单因子MFE组合构建模型 - **模型名称**：最大化因子暴露组合（MFE组合）[16][41] - **模型构建思路**：采用组合优化方式检验控制了各种实际约束后单因子的有效性，将组合优化的目标函数修改为最大化单因子暴露[41] - **模型具体构建过程**：采用如下形式的组合优化模型来构建因子的MFE组合： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$[41] 其中f为因子取值，$f^{T}w$为组合在单因子上的加权暴露，w为待求解的股票权重向量。约束条件包括：组合在风格因子上的偏离度、行业偏离度、个股权重偏离度、成分股权重占比控制、个股权重上下限控制等[41][42] 公募重仓指数构建模型 - **模型名称**：公募重仓指数[43] - **模型构建思路**：以公募基金的持股信息构建公募重仓指数，测试因子在"机构风格"下的有效性[43] - **模型具体构建过程**：选取普通股票型基金和偏股混合型基金，通过基金定期报告获取持股信息，将符合条件基金的持仓股票权重平均获得公募基金平均持仓信息，选取累计权重达到90%的股票作为成分股[44] 量化因子与构建方式 估值类因子 - **因子名称**：BP[18] - **因子构建思路**：衡量公司估值水平[18] - **因子具体构建过程**：净资产/总市值[18] - **因子名称**：单季EP[18] - **因子构建思路**：衡量单季度盈利估值[18] - **因子具体构建过程**：单季度归母净利润/总市值[18] - **因子名称**：单季SP[18] - **因子构建思路**：衡量单季度收入估值[18] - **因子具体构建过程**：单季度营业收入/总市值[18] - **因子名称**：EPTTM[18] - **因子构建思路**：衡量滚动盈利估值[18] - **因子具体构建过程**：归母净利润TTM/总市值[18] - **因子名称**：SPTTM[18] - **因子构建思路**：衡量滚动收入估值[18] - **因子具体构建过程**：营业收入TTM/总市值[18] - **因子名称**：EPTTM分位点[18] - **因子构建思路**：衡量相对估值水平[18] - **因子具体构建过程**：EPTTM在过去一年中的分位点[18] - **因子名称**：股息率[18] - **因子构建思路**：衡量分红收益[18] - **因子具体构建过程**：最近四个季度预案分红金额/总市值[18] 反转动量类因子 - **因子名称**：一个月反转[18] - **因子构建思路**：衡量短期反转效应[18] - **因子具体构建过程**：过去20个交易日涨跌幅[18] - **因子名称**：三个月反转[18] - **因子构建思路**：衡量中期反转效应[18] - **因子具体构建过程**：过去60个交易日涨跌幅[18] - **因子名称**：一年动量[18] - **因子构建思路**：衡量动量效应[18] - **因子具体构建过程**：近一年除近一月后动量[18] 成长类因子 - **因子名称**：单季净利同比增速[18] - **因子构建思路**：衡量净利润增长[18] - **因子具体构建过程**：单季度净利润同比增长率[18] - **因子名称**：单季营收同比增速[18] - **因子构建思路**：衡量收入增长[18] - **因子具体构建过程**：单季度营业收入同比增长率[18] - **因子名称**：单季营利同比增速[18] - **因子构建思路**：衡量营业利润增长[18] - **因子具体构建过程**：单季度营业利润同比增长率[18] - **因子名称**：SUE（标准化预期外盈利）[18] - **因子构建思路**：衡量盈利超预期程度[18] - **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[18] - **因子名称**：SUR（标准化预期外收入）[18] - **因子构建思路**：衡量收入超预期程度[18] - **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[18] - **因子名称**：单季超预期幅度[18] - **因子构建思路**：衡量盈利超预期幅度[18] - **因子具体构建过程**：预期单季度净利润/财报单季度净利润[18] 盈利类因子 - **因子名称**：单季ROE[18] - **因子构建思路**：衡量净资产收益率[18] - **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）[18] - **因子名称**：单季ROA[18] - **因子构建思路**：衡量资产收益率[18] - **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）[18] - **因子名称**：DELTAROE[18] - **因子构建思路**：衡量ROE变化[18] - **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[18] - **因子名称**：DELTAROA[18] - **因子构建思路**：衡量ROA变化[18] - **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[18] 流动性类因子 - **因子名称**：非流动性冲击[18] - **因子构建思路**：衡量流动性冲击成本[18] - **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[18] - **因子名称**：一个月换手[18] - **因子构建思路**：衡量短期换手率[18] - **因子具体构建过程**：过去20个交易日换手率均值[18] - **因子名称**：三个月换手[18] - **因子构建思路**：衡量中期换手率[18] - **因子具体构建过程**：过去60个交易日换手率均值[18] 波动类因子 - **因子名称**：特异度[18] - **因子构建思路**：衡量特异性风险[18] - **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[18] - **因子名称**：一个月波动[18] - **因子构建思路**：衡量短期波动率[18] - **因子具体构建过程**：过去20个交易日日内真实波幅均值[18] - **因子名称**：三个月波动[18] - **因子构建思路**：衡量中期波动率[18] - **因子具体构建过程**：过去60个交易日日内真实波幅均值[18] 公司治理类因子 - **因子名称**：高管薪酬[18] - **因子构建思路**：衡量高管激励水平[18] - **因子具体构建过程**：前三高管报酬总额取对数[18] 分析师类因子 - **因子名称**：预期EPTTM[18] - **因子构建思路**：衡量预期盈利估值[18] - **因子具体构建过程**：一致预期滚动EP[18] - **因子名称**：预期BP[18] - **因子构建思路**：衡量预期市净率[18] - **因子具体构建过程**：一致预期滚动PB[18] - **因子名称**：预期PEG[18] - **因子构建思路**：衡量成长估值[18] - **因子具体构建过程**：一致预期PEG[18] - **因子名称**：预期净利润环比[18] - **因子构建思路**：衡量预期盈利变化[18] - **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[18] - **因子名称**：三个月盈利上下调[18] - **因子构建思路**：衡量分析师预期调整[18] - **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[18] - **因子名称**：三个月机构覆盖[18] - **因子构建思路**：衡量机构关注度[18] - **因子具体构建过程**：过去3个月内机构覆盖数量[18] 模型的回测效果 国信金工指数增强模型 - 沪深300指数增强组合：本周超额收益0.64%，本年超额收益17.85%[6][15] - 中证500指数增强组合：本周超额收益0.00%，本年超额收益7.07%[6][15] - 中证1000指数增强组合：本周超额收益0.21%，本年超额收益14.89%[6][15] - 中证A500指数增强组合：本周超额收益0.44%，本年超额收益8.26%[6][15] 公募基金指数增强产品 - 沪深300指数增强产品：最近一周超额收益最高2.01%，最低-0.78%，中位数0.19%；最近一月最高2.08%，最低-3.17%，中位数0.37%；最近一季最高4.33%，最低-2.62%，中位数0.11%；今年以来最高11.73%，最低-5.45%，中位数2.64%[2][33] - 中证500指数增强产品：最近一周超额收益最高0.93%，最低-2.16%，中位数0.05%；最近一月最高2.84%，最低-1.72%，中位数0.49%；最近一季最高3.84%，最低-4.24%，中位数0.27%；今年以来最高13.94%，最低-9.33%，中位数3.72%[2][35] - 中证1000指数增强产品：最近一周超额收益最高1.47%，最低-0.59%，中位数0.39%；最近一月最高3.56%，最低-2.41%，中位数-0.29%；最近一季最高6.15%，最低-1.92%，中位数1.14%；今年以来最高20.54%，最低-1.90%，中位数9.35%[2][37] - 中证A500指数增强产品：最近一周超额收益最高0.83%，最低-0.51%，中位数0.20%；最近一月最高2.06%，最低-1.24%，中位数0.39%；最近一季最高3.23%，最低-2.95%，中位数0.02%[3][40] 因子的回测效果 沪深300样本空间中因子表现 - 最近一周表现较好因子：三个月机构覆盖、一年动量、单季ROE等[1][20] - 最近一周表现较差因子：一个月波动、三个月反转、一个月换手等[1][20] - 最近一月表现较好因子：三个月波动、预期BP、一个月波动等[20] - 最近一月表现较差因子：单季净利同比增速、单季营利同比增速、一年动量等[20] - 今年以来表现较好因子：单季营收同比增速、单季ROE、DELTAROE等[20] - 今年以来表现较差因子：一个月换手、三个月换手、三个月波动等[20] 中证500样本空间中因子表现 - 最近一周表现较好因子：一年动量、预期净利润环比、DELTAROE等[1][22] - 最近一周表现较差因子：三个月波动、一个月波动、三个月换手等[1][22] - 最近一月表现较好因子：BP、预期BP、非流动性冲击等[22] - 最近一月表现较差因子：标准化预期外盈利、单季营收同比增速、3个月盈利上下调等[22] - 今年以来表现较好因子：预期PEG、单季营收同比增速、预期净利润环比等[22] - 今年以来表现较差因子：一个月波动、一个月换手、三个月波动等[22] 中证1000样本空间中因子表现 - 最近一周表现较好因子：单季营收同比增速、DELTAROA、标准化预期外收入等[1][24] - 最近一周表现较差因子：三个月波动、一个月波动、三个月反转等[1][24] - 最近一月表现较好因子：非流动性冲击、单季营收同比增速、BP等[24] - 最近一月表现较差因子：预期PEG、3个月盈利上下调、单季SP等[24] - 今年以来表现较好因子：标准化预期外盈利、单季营收同比增速、标准化预期外收入等[24] - 今年以来表现较差因子：一个月波动、三个月波动、一年动量等[24] 中证A500样本空间中因子表现 - 最近一周表现较好因子：一年动量、标准化预期外盈利、标准化预期外收入等[1][26] - 最近一周表现较差因子：一个月波动、三个月波动、预期EPTTM等[1][26] - 最近一月表现较好因子：预期BP、BP、股息率等[26] - 最近一月表现较差因子：一年动量、单季净利同比增速、DELTAROA等[26] - 今年以来表现较好因子：单季营收同比增速、DELTAROE、单季ROE等[26] - 今年以来表现较差因子：三个月换手、一个月换手、三个月波动等[26] 公募重仓指数样本空间中因子表现 - 最近一周表现较好因子：一年动量、预期净利润环比、单季超预期幅度等[1][28] - 最近一周表现较差因子：一个月波动、三个月波动、一个月换手等[1][28] - 最近一月表现较好因子：BP、一个月波动、预期BP等[28] - 最近一月表现较差因子：单季净利同比增速、单季营利同比增速、特异度等[28] - 今年以来表现较好因子：预期PEG、单季营收同比增速、DELTAROE等[28] - 今年以来表现较差因子：一个月波动、三个月波动、一个月换手等[28]

量化模型与构建方式 1. **公募基金仓位测算模型** **模型构建思路**：通过分析公募基金的持仓数据，估算其股票资产的平均配置比例，以反映市场主力资金的仓位水平和操作情绪[21][22] **模型具体构建过程**： - 首先确定基金样本池：主动权益型基金包括普通股票型、偏股混合型、灵活配置型、平衡混合型四类；“固收+”基金包括偏债混合型基金、混合债券型二级基金、灵活配置型基金[22] - 设定样本筛选门槛：成立期满两个季度、未到期、规模大于5000万元。主动权益型基金要求过去四期平均仓位大于60%；“固收+”基金要求过去四期平均仓位在10%-30%[22] - 剔除不完全投资于A股的基金[23] - 计算市场平均仓位：对合格样本按其持股市值进行加权计算得到最终的平均仓位数据[22] 2. **主动权益产品风格仓位模型** **模型构建思路**：将主动权益型基金的持仓按照市值风格（大盘、中盘、小盘）和估值风格（成长、价值）进行划分，计算各风格板块的仓位占比，以追踪基金的风格暴露变化[28] **模型具体构建过程**： - 基于持仓数据，将股票资产按市值和估值指标分类为六大风格板块：大盘成长、大盘价值、中盘成长、中盘价值、小盘成长、小盘价值[28] - 计算每只基金在各风格板块的持仓市值占比 - 对所有样本基金进行持股市值加权，得到整体风格仓位分布，例如大盘成长仓位43.47%，小盘价值仓位9.27%等[28] 3. **主动权益产品行业仓位模型** **模型构建思路**：基于基金持仓数据，计算其在各行业（中信一级行业）的配置比例，监测资金在行业层面的动向[32] **模型具体构建过程**： - 将基金持仓的股票映射到中信一级行业分类 - 计算每只基金在各行业的持仓市值占比 - 对所有样本基金进行持股市值加权，得到整体行业仓位分布，例如电子行业仓位20.89%，医药行业仓位10.09%等[32][33] 4. **主力/主动资金流统计模型** **模型构建思路**：根据同花顺对成交单的分类标准（特大单、大单、中单、小单），统计不同资金规模的净流入/流出情况，以判断主力资金和散户资金的动向[49] **模型具体构建过程**： - 定义资金划分标准[49]： - 特大单：成交量在20万股以上，或成交金额在100万元以上 - 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% - 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 - 小单：成交量在1万股以下，或成交金额在5万元以下 - 分别计算个股和行业在不同资金类型上的净流入额（买入金额-卖出金额）[54][55][56][57] - 主动资金流为主力资金（特大单+大单）的净流入情况[50] 模型的回测效果 1. **公募基金仓位测算模型**，主动权益型基金平均仓位88.85%，普通股票型基金平均仓位91.82%，偏股混合型基金平均仓位89.93%，配置型基金平均仓位85.93%，“固收+”基金平均仓位23.16%[21] 2. **主动权益产品风格仓位模型**，大盘成长仓位43.47%，大盘价值仓位6.79%，中盘成长仓位7.76%，中盘价值仓位4.77%，小盘成长仓位27.94%，小盘价值仓位9.27%[28] 3. **主动权益产品行业仓位模型**，电子行业仓位20.89%，食品饮料行业仓位3.30%，石油石化行业仓位0.94%，农林牧渔行业仓位1.54%，商贸零售行业仓位0.77%，国防军工行业仓位3.90%，传媒行业仓位1.81%，医药行业仓位10.09%，银行行业仓位1.93%，综合金融行业仓位0.52%[32][33] 4. **主力/主动资金流统计模型**，本周主力资金净流入电子行业163.36亿元（特大单），净流入通信行业91.85亿元（特大单），净流出计算机行业-59.45亿元（特大单），净流出传媒行业-31.11亿元（特大单）；主动资金（主买净额）约-563.32亿元，净流入电子、通信、有色金属等行业[50][55][57] 量化因子与构建方式 1. **ETF资金净流入因子** **因子构建思路**：通过计算不同类型ETF（宽基、行业、主题风格等）的资金净流入（份额变动×单位净值），追踪聪明资金在不同板块的配置偏好[36][37][38] **因子具体构建过程**： - 收集各ETF的日度份额数据和单位净值数据 - 计算每日资金净流入额：$$资金净流入额 = (当日份额 - 前一日份额) × 当日单位净值$$ - 按ETF类型（宽基指数、行业指数-TMT、行业指数-金融、行业指数-消费、行业指数-周期制造、主题风格指数-风格、主题风格指数-主题、境外指数、债券指数、商品指数）进行汇总[36][37][38][58][62] - 可统计近1周、近1月、近3月等不同时间窗口的累计净流入额 因子的回测效果 1. **ETF资金净流入因子**，宽基ETF本周净流出-205.94亿元，行业ETF-TMT本周净流出-111.72亿元，行业ETF-金融本周净流出-20.45亿元，行业ETF-消费本周净流出-4.12亿元，行业ETF-周期制造本周净流出-38.02亿元，主题风格ETF-风格本周净流入26.51亿元，主题风格ETF-主题本周净流出-36.47亿元，境外指数ETF本周净流入40.98亿元，债券指数ETF本周净流出-12.47亿元，商品指数ETF本周净流入18.67亿元[36][37][38][58][62]

根据研报内容，本次分析的核心是评估指数样本股调整对个股的潜在资金冲击，并识别投资机会。报告构建了一个核心的量化模型来测算综合冲击，并应用此模型对具体个股进行了测算。 量化模型与构建方式 1. **模型名称：个股综合冲击测算模型**[11] * **模型构建思路：** 为了全面反映一只股票因被多个指数同时调入或调出而产生的综合资金影响，该模型综合考虑了每个相关指数的跟踪规模、股票在该指数中的权重变化以及股票自身的流动性。[11] * **模型具体构建过程：** 1. 确定研究样本：选取所有跟踪规模在50亿元以上的A股指数。[1][14] 2. 获取基础数据：收集各指数的编制规则（特别是权重上限规则）、最新调样公告、指数跟踪规模（fund_size）以及个股过去20日的平均成交金额（amount_avg_20）。[11][15][16] 3. 计算单指数冲击：对于每只股票（s）和每个涉及调样的指数（i），估算其因调入或调出产生的权重变化（wt_chg_s_i）。调入时，权重变化为估算的新权重；调出时，权重变化为当前权重的负值。[11][19] 4. 计算综合冲击系数：将单指数冲击与指数规模相乘，再除以个股的流动性指标，以标准化冲击效果。最后，对股票s在所有相关指数上的冲击进行加总。公式如下：[11] $$effect\_total_{s}=\sum_{i=1}^{n}\frac{wt\_chg_{s_{i}}\times fund\_size_{i}}{amount\_avg_{s_{i}}20}$$ 其中，`effect_total_s` 代表股票s的综合冲击系数，`wt_chg_s_i` 代表股票s在指数i上的权重变化（单位：%），`fund_size_i` 代表指数i的跟踪规模（单位：亿元），`amount_avg_s_20` 代表股票s过去20日的平均成交金额（单位：亿元），`n` 代表涉及股票s调样的指数总数。 * **模型评价：** 该模型提供了一个相对全面的视角，能够量化多指数重叠调样对个股产生的综合资金影响，有助于投资者识别潜在的投资机会和风险。[11][19] 模型的回测效果 * **个股综合冲击测算模型**，**综合冲击系数**：报告列出了具体股票的测算值，例如塔牌集团为6.35，江中药业为6.23，正邦科技为5.58（净调入组）；深高速为-13.30，万和电气为-12.58，天佑德酒为-9.26（净调出组）。[17][18] * **个股综合冲击测算模型**，**净冲击资金（亿元）**：报告列出了具体股票的测算值，例如塔牌集团为5.84，江中药业为7.92，正邦科技为16.33（净调入组）；深高速为-6.27，万和电气为-5.99，天佑德酒为-3.76（净调出组）。[17][18] * **个股综合冲击测算模型**，**近20日日均成交额（亿元）**：报告列出了具体股票的数值，例如塔牌集团为0.92，江中药业为1.27，正邦科技为2.93（净调入组）；深高速为0.47，万和电气为0.48，天佑德酒为0.41（净调出组）。[17][18] * **个股综合冲击测算模型**，**自由流通市值（亿元）**：报告列出了具体股票的数值，例如塔牌集团为56.00，江中药业为76.75，正邦科技为219.54（净调入组）；深高速为27.21，万和电气为26.26，天佑德酒为26.21（净调出组）。[17][18] 量化因子与构建方式 （本报告中未涉及独立的量化因子构建，核心内容为上述冲击测算模型的应用） 因子的回测效果 （本报告中未涉及独立的量化因子测试） 特别案例应用 * **案例名称：权重上限导致的被动资金流出测算**[19][20] * **应用思路：** 针对指数中设有单一样本权重上限的情况，测算那些当前权重已超过上限的“不变样本”在调样生效后因权重被动下调而面临的资金流出压力。[19] * **具体测算过程：** 1. 识别目标股票与指数：识别出中际旭创和新易盛在CS人工智、通信设备等多个行业主题指数中的当前权重已超过指数设定的权重上限。[19][20] 2. 计算单指数流出金额：对于每个相关指数，流出金额 = （当前权重 - 权重上限） × 指数跟踪规模。[20] 3. 汇总总流出金额：将目标股票在所有相关指数上的被动流出金额进行加总。[20] 4. 计算冲击系数：使用综合冲击模型类似的逻辑，冲击系数 = 总流出金额 / 个股近期日均成交额。[19][20] * **测算结果：** * **中际旭创**，**总流出金额（亿元）**：-63.47[20] * **中际旭创**，**冲击系数**：-0.36[20] * **新易盛**，**总流出金额（亿元）**：-27.08[20] * **新易盛**，**冲击系数**：-0.20[20]