量化模型与因子总结 量化模型与构建方式 1. **模型名称**：基于交易动机因子及股票价差收益因子的选基策略[2][24] * **模型构建思路**：通过结合刻画基金经理交易动机的因子和反映其股票交易直接收益的因子，筛选出股票价差收益较高、拥有主动交易动机且业绩粉饰可能性较低的基金[24]。 * **模型具体构建过程**： * **因子构建**：策略使用了两个核心因子。 1. **交易动机因子**：该因子由估值/流动性动机因子、业绩粉饰动机因子等权合成。其中，估值/流动性动机因子根据基金报告期间资金流与股票买卖金额、累计买入/卖出股票金额2%以上或前20股票成交额占比数据计算得出[47]。 2. **股票价差收益因子**：该因子由基金利润表中股票价差收入（股票投资收益科目）计算而来[47]。 * **策略构建**：将上述两个因子相结合，构建选基策略。策略采用半年频调仓，每年3月末/8月末进行调仓，从主动权益型基金中筛选，并扣除交易成本[24]。 2. **模型名称**：交易独特性选基策略[3][32] * **模型构建思路**：根据基金经理持股、交易的明细构建网络，并由此构建刻画基金经理交易独特性的指标，用于筛选基金[3][32]。 * **模型具体构建过程**： * **因子构建**：策略核心为**交易独特性因子**。先根据基金经理持股、交易数据构建基金经理网络，然后基于该网络计算出每个基金经理与其相关联基金经理在交易方面的差异[48]。 * **策略构建**：基于交易独特性因子构建选基策略。策略采用半年频调仓，在每年4月初/8月初进行调仓，选基范围为偏股混合型基金、普通股票型基金、灵活配置型基金，并扣除交易成本[32]。 3. **模型名称**：基于申报信息的行业主题ETF轮动策略[4][39] * **模型构建思路**：对基金发行全流程进行事件驱动研究，利用申请材料公示阶段具有前瞻性的信息，构造因子来筛选与申报ETF相近的行业主题ETF，以把握市场投资热点[4][39]。 * **模型具体构建过程**： * **因子构建**：策略核心为**行业主题申报相似因子（T+1）**。先统计上个月申报的股票型ETF跟踪的指数，统计出该指数池与市场上指数的成分相似度，从而构建该因子[48]。 * **策略构建**：基于行业主题申报相似因子构建ETF轮动策略。策略采用月频调仓，从行业主题ETF中进行筛选，交易费率为单边千分之一，基准为中证800指数[39]。 模型的回测效果 1. **基于交易动机因子及股票价差收益因子的选基策略**[28] * 12月份收益率：1.56% * 年化收益率：10.85% * 年化波动率：21.62% * Sharpe比率：0.50 * 最大回撤率：48.39% * 年化超额收益率（相对万得偏股混合型基金指数）：3.64% * 信息比率(IR)：0.61 * 超额最大回撤率：19.22% * 12月份超额收益率：-1.54% 2. **交易独特性选基策略**[36] * 12月份收益率：5.36% * 年化收益率：13.40% * 年化波动率：19.52% * Sharpe比率：0.69 * 最大回撤率：37.26% * 年化超额收益率（相对万得偏股混合型基金指数）：5.66% * 信息比率(IR)：1.09 * 超额最大回撤率：10.84% * 12月份超额收益率：2.27% 3. **基于申报信息的行业主题ETF轮动策略**[43][44] * 12月份收益率：5.84% * 年化收益率：19.22% * 年化波动率：21.05% * Sharpe比率：0.91 * 最大回撤率：34.89% * 年化超额收益率（相对中证800指数）：11.33% * 信息比率(IR)：0.64 * 超额最大回撤率：19.07% * 12月份超额收益率：2.53% 量化因子与构建方式 1. **因子名称**：交易动机因子[47] * **因子构建思路**：刻画基金经理的交易动机，区分为估值/流动性动机和业绩粉饰动机[47]。 * **因子具体构建过程**：该因子由**估值/流动性动机因子**、**业绩粉饰动机因子**等权合成。其中，估值/流动性动机因子根据基金报告期间资金流与股票买卖金额、累计买入/卖出股票金额2%以上或前20股票成交额占比数据计算得出[47]。 2. **因子名称**：股票价差收益因子[47] * **因子构建思路**：直接反映基金经理通过股票交易获取价差收益的能力[47]。 * **因子具体构建过程**：该因子由基金利润表中股票价差收入（股票投资收益科目）计算而来[47]。 3. **因子名称**：交易独特性因子[48] * **因子构建思路**：基于基金经理网络，度量基金经理交易行为与其关联基金经理的差异程度[48]。 * **因子具体构建过程**：先根据基金经理持股、交易数据构建基金经理网络，然后基于该网络计算出每个基金经理与其相关联基金经理在交易方面的差异[48]。 4. **因子名称**：行业主题申报相似因子（T+1）[48] * **因子构建思路**：利用新申报ETF的信息，计算其与现存行业主题ETF的相似度，以捕捉市场热点[48]。 * **因子具体构建过程**：先统计上个月申报的股票型ETF跟踪的指数，统计出该指数池与市场上指数的成分相似度，从而构建该因子[48]。 5. **因子名称**：基金业绩动量类因子[47] * **因子构建思路**：从多个维度衡量基金的历史业绩动量[47]。 * **因子具体构建过程**：该类因子由四个因子等权重合成，包含4因子模型alpha、夏普比率、区间胜率、HM模型中的择时能力系数，均用过去1年的基金净值数据进行计算[47]。 6. **因子名称**：选股能力因子[47] * **因子构建思路**：评估基金经理的选股能力[47]。 * **因子具体构建过程**：该因子根据多期Brinson模型，使用基金季频重仓股数据进行计算，由选股胜率、选股超额收益率两个因子等权重合成而来[47]。 7. **因子名称**：隐形交易能力因子[47] * **因子构建思路**：从收益和风险两个层面度量基金交易（非重仓股部分）带来的贡献[47]。 * **因子具体构建过程**：该因子由隐形收益能力因子、风险转移能力因子等权重合成而来[47]。 8. **因子名称**：主动轮动收益因子[48] * **因子构建思路**：体现基金风格轮动带来的结果收益[48]。 * **因子具体构建过程**：该因子根据区间风格主动变化及区间风格因子收益计算[48]。 9. **因子名称**：绝对主动轮动指标[48] * **因子构建思路**：剥离被动风格变化，纯粹衡量基金经理主动进行风格调整的部分[48]。 * **因子具体构建过程**：该因子将基金报告期之间的风格变化，剔除了被动变化的部分，保留基金经理主动调整的部分[48]。 10. **其他因子类别**：报告中还提及了**基金规模类因子**、**持有人结构类因子**、**含金量因子**等，但未详细描述其具体构建过程[47]。

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** [15] * **因子构建思路：** 通过计算当日最高价涨停且收盘涨停的股票数量占最高价涨停股票总数的比例，来衡量市场涨停板的封板强度和市场情绪的热度[15]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票[15]。 2. 在交易日T日，找出所有盘中最高价达到涨停价的股票集合A[15]。 3. 在集合A中，进一步筛选出收盘价也达到涨停价的股票集合B[15]。 4. 封板率计算公式为： $$封板率 = \frac{集合B的股票数量}{集合A的股票数量}$$ [15] 2. **因子名称：连板率因子** [15] * **因子构建思路：** 通过计算连续两日收盘涨停的股票数量占前一日收盘涨停股票数量的比例，来衡量市场涨停效应的延续性和短线资金的接力情绪[15]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票[15]。 2. 在交易日T-1日，找出所有收盘涨停的股票集合C[15]。 3. 在集合C中，筛选出在交易日T日收盘也涨停的股票集合D[15]。 4. 连板率计算公式为： $$连板率 = \frac{集合D的股票数量}{集合C的股票数量}$$ [15] 3. **因子名称：大宗交易折价率因子** [25] * **因子构建思路：** 通过计算大宗交易成交总额相对于其对应股票当日市值的折价幅度，来反映大资金的投资偏好、交易成本和市场情绪[25]。 * **因子具体构建过程：** 1. 获取当日所有大宗交易数据，包括每笔交易的成交金额和成交数量[25]。 2. 计算当日大宗交易总成交金额[25]。 3. 计算大宗交易涉及的所有成交份额，以其在当日二级市场的收盘价计算出的总市值[25]。 4. 折价率计算公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ [25] 结果为负表示折价交易，负值越大折价幅度越高[25]。 4. **因子名称：股指期货年化贴水率因子** [27] * **因子构建思路：** 通过计算股指期货主力合约价格与现货指数价格之间的基差，并进行年化处理，来衡量市场对未来走势的预期、对冲成本以及市场情绪[27]。 * **因子具体构建过程：** 1. 确定股指期货主力合约（如IH、IF、IC、IM）的当日结算价或收盘价[27]。 2. 获取对应现货指数（如上证50、沪深300、中证500、中证1000）的当日收盘价[27]。 3. 计算基差：基差 = 期货价格 - 现货价格[27]。 4. 计算年化贴水率，公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ [27] 结果为正当期指处于升水状态，结果为负则处于贴水状态[27]。该指标用于横向比较不同合约的贴水程度[27]。 因子的回测效果 *本报告为市场监测日报，主要展示了各类因子的构建方法和当日市场数据，并未提供因子在历史样本上的长期回测效果指标（如IC、IR、多空收益、夏普比率等）。*

量化模型与因子总结 量化因子与构建方式 1. **因子名称：风险溢价因子**[29] * **因子构建思路**：以十年期国债即期收益率为无风险利率参考，计算各宽基指数相对于无风险利率的风险溢价，用于衡量其相对投资价值和偏离情况[29]。 * **因子具体构建过程**：风险溢价的计算公式为指数收益率减去无风险利率。报告中具体计算了各宽基指数相对于十年期国债即期收益率的风险溢价，并统计了其当前值、历史分位值、均值和波动率等[31][33]。 2. **因子名称：股债性价比因子**[48] * **因子构建思路**：以各指数市盈率（PE-TTM）的倒数代表股票的潜在收益率，减去十年期国债即期收益率，其差值即为股债性价比，用于比较股票与债券的相对吸引力[48]。 * **因子具体构建过程**：股债性价比的计算公式为： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 报告中观察了该因子的走势，并与近5年数据计算的80分位值（机会值）、20分位值（危险值）、均值及±1倍标准差进行比较[48]。 3. **因子名称：股息率因子**[50] * **因子构建思路**：股息率反映现金分红回报率，是红利投资风格的核心指标。跟踪各指数的股息率，观察其走势和变化趋势[50]。 * **因子具体构建过程**：股息率通常计算为每股股息除以每股股价。报告中统计了各宽基指数的当前股息率、近1年及近5年历史分位值、均值和波动率等[52][56]。 4. **因子名称：破净率因子**[57] * **因子构建思路**：破净率表示市净率小于1的个股数量占比，用于反映市场整体的估值态度和低估情况的普遍性[57][58]。 * **因子具体构建过程**：首先识别指数成分股中市净率（PB）小于1的个股，然后计算其数量占指数总成分股数量的比例。报告中对各主要宽基指数的破净率进行了计算和跟踪[59]。 5. **因子名称：均线相对位置因子**[14][15] * **因子构建思路**：通过比较指数当前价格与不同周期移动平均线（MA）的位置关系，来刻画指数的短期、中期和长期趋势强度[14]。 * **因子具体构建过程**：计算指数收盘价相对于5日、10日、20日、60日、120日、250日移动平均线的偏离幅度，公式为： $$vsMA_N = \frac{收盘价 - MA_N}{MA_N} \times 100\%$$ 其中，N代表不同的均线周期[15]。 6. **因子名称：价格突破因子**[14] * **因子构建思路**：观察指数价格是否突破近250个交易日内的最高价或最低价，用于判断指数是否处于极端或强势状态[14]。 * **因子具体构建过程**：记录指数近250个交易日的最高价和最低价，计算当前收盘价相对于该高点和低点的偏离幅度[15]。 7. **因子名称：收益分布形态因子（偏度与峰度）**[25][27] * **因子构建思路**：通过计算指数日收益率分布的偏度和峰度，来描述收益分布的不对称性和尖峰厚尾特征，以评估极端收益出现的可能性[25]。 * **因子具体构建过程**： * **偏度**：衡量分布的不对称性。正偏态表示极端正收益情形增加[25]。 * **峰度**：衡量分布的尖峭程度。报告中计算的峰度减去了3（正态分布峰度值），因此“峰度负偏离”表示当前分布比历史基准更平坦[27]。 报告对比了各指数当前与近5年的偏度和峰度值[27]。 8. **因子名称：交易活跃度因子（换手率）**[18][19] * **因子构建思路**：换手率是衡量市场交易活跃程度和流动性的重要指标。 * **因子具体构建过程**：对于宽基指数，其换手率采用流通市值加权的方式计算，具体公式为： $$指数换手率 = \frac{\Sigma(成分股流通股本 \times 成分股换手率)}{\Sigma(成分股流通股本)}$$ 报告计算并比较了各宽基指数的当前换手率[18][19]。 9. **因子名称：估值分位因子（PE-TTM）**[41][44] * **因子构建思路**：使用滚动市盈率（PE-TTM）及其在历史数据中的分位值，来评估指数当前的估值水平高低[41]。 * **因子具体构建过程**：计算指数当前的PE-TTM，并统计该值在近1年、近5年以及全部历史数据中所处的百分位位置[44][45]。 因子的回测效果 （注：本报告为市场数据跟踪报告，未提供因子在选股或择时策略中的传统回测绩效指标（如年化收益、夏普比率、信息比率IR、最大回撤等）。报告主要展示了各因子在特定时点（2026年1月7日）对于不同宽基指数的截面取值和统计特征。） 1. **风险溢价因子**：当前值，上证50为-0.44%，沪深300为-0.30%，中证500为0.77%，中证1000为0.52%，中证2000为0.51%，中证全指为0.17%，创业板指为0.31%[33]。近5年分位值，中证500（76.19%）和中证1000（65.0%）较高，上证50（31.27%）和沪深300（38.57%）较低[4][33]。 2. **股债性价比因子**：截至报告时，没有指数高于其近5年80%分位（机会值），中证500和中证全指低于其近5年20%分位（危险值）[4][48]。 3. **股息率因子**：当前值，上证50为3.07%，沪深300为2.66%，中证500为1.32%，中证1000为1.05%，中证2000为0.74%，中证全指为1.94%，创业板指为0.92%[56]。近5年历史分位值，创业板指（57.77%）和沪深300（32.23%）较高，而中证500（9.67%）和中证2000（5.04%）较低[5][54][56]。 4. **破净率因子**：当前值，上证50为24.0%，沪深300为16.33%，中证500为10.2%，中证1000为7.6%，中证2000为3.25%，中证全指为5.96%[59]。 5. **均线相对位置因子**：2026年1月7日，所有跟踪指数收盘价均位于5日、10日、20日、60日、120日及250日均线之上[14]。例如，中证500 vsMA5为2.9%，vsMA250为24.0%[15]。 6. **价格突破因子**：2026年1月7日，中证500、中证1000、中证2000和中证全指的收盘价等于其近250日高位（偏离0.0%），创业板指亦如此[14][15]。 7. **收益分布形态因子**：当前峰度（减3后）与近5年对比，创业板指的负偏离最大（-2.77），中证1000的负偏离最小（-1.17）[25][27]。当前偏度与近5年对比，创业板指的负偏态最大（-0.67），中证1000的负偏态最小（-0.31）[25][27]。 8. **交易活跃度因子**：当前换手率，中证2000为4.7，创业板指为4.27，中证1000为3.21，中证500为2.63，中证全指为2.23，沪深300为0.79，上证50为0.31[18]。 9. **估值分位因子**：PE-TTM近5年分位值，中证500（99.92%）和中证1000（99.92%）极高，中证2000（90.0%）和创业板指（62.98%）相对较低[44][45]。

量化模型与构建方式 1. **模型名称：含虚假信息的掠夺性交易博弈模型** [1][3] * **模型构建思路**：基于Carlin等（2007）与Carmona & Yang（2011）的微观结构框架，构建一个包含受害者与捕食者的掠夺性交易博弈模型，并引入虚假信息（即玩家误信失真的信号）[3]。该模型旨在分析信息扭曲对市场均衡与价格波动的影响[3]。 * **模型具体构建过程**： 1. 市场中有N个参与者，其中1个是受害者，其余N-1个是捕食者[24]。 2. 第n个参与者在时刻t持有的风险资产总量为 $X^{n}(t)$，其交易速率 $\alpha^{n}(t)$ 满足 $X^{n}(t)=X^{n}(0)+\int_{0}^{t}\alpha^{n}(s)\mathrm{d}s$ [24]。 3. 交易价格 $P_t$ 与中间价 $X_t^0$ 的关系为 $P_{t}-X_{t}^{0}=\lambda\sum_{i=1}^{N}\alpha_{t}^{i}$，其中 $\lambda$ 是弹性因子，代表临时价格冲击[24]。 4. 中间价的动态变化为 $\mathrm{d}X_{t}^{0}=\gamma\sum_{i=1}^{N}\alpha_{t}^{i}\mathrm{d}t+\sigma\mathrm{d}W_{t}$，其中 $\gamma$ 是可塑性因子，$\sigma$ 是波动率，$W_t$ 是布朗运动，代表永久价格冲击和噪声交易[24]。 5. 每个参与者n的目标是最大化利润 $J^{n}(\mathbf{\alpha})=\mathbb{E}\left(\int_{0}^{T}\alpha^{n}\left(X_{t}^{0}+\lambda\sum_{i=1}^{N}\alpha_{t}^{i}\right)\mathrm{d}t\right)$ [26]。 6. 引入虚假信息：受害者被迫交易的真实数量为 $x_0^1$，但其他参与者收到的是扭曲版本 $\tilde{x}_{0,i}^{1}=x_0^{1}+\epsilon$，其中 $\epsilon$ 是随机失真[27]。模型假设每个参与者都坚信自己收到的信息是真实的[27]。 * **模型评价**：该模型通过“信念固着偏差”合理化假设，将虚假信息问题与不确定性下的博弈区分开来，使得在虚假信息下求解系统可以沿用基于正确信息的博弈论框架[28]。 量化因子与构建方式 1. **因子名称：误差因子（Error Factor）** [30] * **因子构建思路**：用于刻画虚假信息的扭曲程度及其在参与者中的传播范围，是衡量虚假信息对价格过程影响的关键综合指标[30][33]。 * **因子具体构建过程**： * **基础情形（两类信息）**：假设市场中有 $N_c$ 个正确信息持有者和 $N_w$ 个虚假信息持有者，虚假信息为 $\tilde{x}_0^1$，真实信息为 $x_0^1$。误差因子 $\tilde{\nu}$ 定义为： $$\tilde{\nu}:=\frac{N_{w}}{N}\left(\tilde{x}_{0}^{1}-x_{0}^{1}\right).\tag{12}$$ 其中 $N = N_c + N_w$，$\frac{N_w}{N}$ 代表虚假信息的传播范围，$(\tilde{x}_{0}^{1}-x_{0}^{1})$ 代表信息扭曲程度[30][33]。 * **广义情形（多种信息）**：假设有 $\kappa$ 种不同的信息信念，第 $l$ 种信念 $\tilde{x}_{0, w_l}^{1}$ 有 $N_{w_l}$ 个追随者。广义误差因子 $\nu$ 定义为： $$\nu:=\frac{1}{N}\,\sum_{l=1}^{\kappa}N_{w_{l}}\left(\bar{x}_{0,w_{l}}^{1}-x_{0}^{1}\right).\tag{28}$$ 该定义是基础情形的推广，对不同信息失真的影响进行加权求和[56]。 2. **因子名称：最大预期价格波动（MPF）** [34] * **因子构建思路**：用于衡量在特定时间段内，由博弈引发的额外价格波动强度，即均衡价格的最大预期波动幅度[34]。 * **因子具体构建过程**：对于具有误差因子 $\nu$ 的博弈，在时间段 $[t_*, t^*]$ 内的最大预期价格波动定义为： $$M P F_{\nu}(t_{*},t^{*}):=\operatorname*{max}_{t_{1},t_{2}\in[t_{*},t^{*}]}\left|\mathbb{E}\left(X_{t_{1}}^{0}-X_{t_{2}}^{0}\right)\right|.$$ 该指标完全归因于受害者的交易约束及其他参与者的掠夺性交易意图[34]。 3. **因子名称：兼容集与容忍边界（$\mathcal{V}$, $b_1$, $b_2$）** [38] * **因子构建思路**：定义系统可以容忍而不引发额外价格波动的误差因子集合（$\mathcal{V}$），以及该集合的边界 $b_1$ 和 $b_2$，用于量化系统对虚假信息的容忍阈值[38][40]。 * **因子具体构建过程**： 1. **兼容集 $\mathcal{V}$**：定义为导致最小预期波动的误差因子集合，即 $\mathcal{V}:=\left\{\,\tilde{v}\in\mathbb{R}\,\Big{|}\,M\,PF_{\tilde{v}}(0,T)=\min_{\tilde{v}\in\mathbb{R}}\,\,M\,PF_{\tilde{v}}(0,T)\,\right\}$。其补集 $\tilde{\mathcal{V}}$ 包含所有会引发更大波动的误差因子[38]。 2. **容忍边界 $b_1$, $b_2$**：定理指出，误差因子 $\tilde{\nu}$ 属于 $\mathcal{V}$ 的条件是： $$\left\{\begin{array}{ll}b_{2}\leq\bar{v}\leq b_{1}&\mbox{if}\quad\sum_{i=1}^{N}x_{0}^{i}\geq0\\ b_{1}\leq\bar{v}\leq b_{2}&\mbox{if}\quad\sum_{i=1}^{N}x_{0}^{i}<0\end{array}\right.\tag{21}$$ 其中 $b_1, b_2 \in \mathbb{R}$ 为常数边界，其具体表达式依赖于市场参数 $\lambda \gamma^{-1}$、博弈时长 $T$、累计交易需求 $\sum x_0^i$ 和玩家数量 $N$ 等系统参数[38][40][42]。 4. **因子名称：误差因子与边界的距离（$D_{\bar{v},d}$）** [48] * **因子构建思路**：当误差因子超出容忍边界时，用于衡量其超出程度，该距离与引发的额外价格波动大小相关[48]。 * **因子具体构建过程**：对于固定的误差因子 $\bar{v}$ 和边界 $d$（$d_1$ 或 $d_2$），定义距离为： $$D_{\bar{v},d_{1}}:=\begin{cases}|\bar{v}-d_{1}\mid\text{if}\ Sign\ d_{1}=Sign\ \bar{v}\\ 0\ \ \text{else,}\end{cases}$$ $$D_{\bar{v},d_{2}}:=\begin{cases}|\bar{v}-d_{2}\mid\text{if}\ Sign\ d_{2}=Sign\ \bar{v}\\ 0\ \ \text{else.}\end{cases}$$ 该距离衡量了误差因子 $\bar{v}$ 超出容忍集合 $\mathcal{V}$ 的程度[48]。 5. **因子名称：信息更新时间（$\tau_n$）与误差容忍阈值（$\iota, \kappa_n$）** [100] * **因子构建思路**：描述参与者通过观察市场价格来更新（怀疑）自身信息的机制。当观测价格与预期价格的偏差超过个人容忍阈值时，触发信息更新[100]。 * **因子具体构建过程**：第 $n$ 个参与者的信息更新时间 $\tau_n$ 定义为： $$\tau_{n}=\inf\left\{t\geq0\,:\,X_{t}^{0}-\mathbb{E}_{n}\left(X_{t}^{0}\right)\in\left\{-t_{n},\tau_{n}\right\}\right\},\tag{43}$$ 其中 $\mathbb{E}_n(X_t^0)$ 是该参与者基于自身信息的预期价格，$[-\iota, \kappa_n]$ 是其误差容忍阈值，即触发怀疑的价格偏差区间[100]。 模型的回测效果 （注：本篇为理论推导型研报，未提供具体的数值回测结果，如年化收益率、夏普比率、最大回撤等指标。报告主要通过定理、引理和图表展示理论关系，例如误差因子对价格路径的影响[31][32]、参数对容忍边界的影响[41][43]、以及随机失真下特定事件发生的概率估计[60][65]。） 因子的回测效果 （注：本篇为理论推导型研报，未提供因子在选股或预测方面的具体数值测试结果，如IC、IR、多空收益等指标。报告主要分析因子的理论性质及其与其他变量的关系，例如误差因子与最大预期价格波动（MPF）的关系[38][48]、容忍边界随系统参数的动态变化[40][42]、以及信息更新时间的概率分布[100][103]。）

量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[12][43] * **模型构建思路**：为准确计算股指期货的升贴水，必须剔除指数成分股分红除息导致指数点位自然下滑的影响。该模型旨在精确预测从当前时刻到股指期货合约到期日之间，指数因成分股分红而将损失的点数。[12][43] * **模型具体构建过程**：模型的核心是计算在特定时间窗口内，所有成分股分红对指数点位的总影响。具体流程如下：[43][44] 1. **获取基础数据**：获取指数成分股列表、个股权重、个股总市值和指数收盘价。[48] 2. **预测个股分红信息**：对每只成分股，判断其分红金额和除息日是否已公布。若未公布，则需进行预测。[46] * **分红金额预测**：若公司未公布分红金额，则需预测。分红金额 = 净利润 × 股息支付率。[51] * **净利润预测**：采用“基于历史净利润分布的动态预测法”。若公司已公布年报、快报或业绩预告，则直接采用；否则，根据其历史季度盈利分布是否稳定，分别采用历史分布规律或上年同期利润进行预测。[53] * **股息支付率预测**：采用历史数据平均。若去年分红，则用去年股息支付率；若去年不分红，则用最近3年平均；若从未分红，则默认不分红；预测值大于100%时进行截尾处理。[54][57] * **除息日预测**：采用“基于历史间隔天数稳定性的线性外推法”。若公司已公布除息日，则直接采用。否则，根据公司是否已公布分红预案、所处阶段（预案或决案），以及历史从公告日到除息日的间隔天数的稳定性，进行线性外推或采用历史分红日期。若无合理历史日期，则根据多数公司在7月底前分红的规律，设置默认日期（如7月31日、8月31日或9月30日）。[55][58][60] 3. **计算指数分红点数**：汇总所有在时间窗口内（当前日期t 到期货到期日T）有分红的成分股，计算其对指数点位的总影响。公式如下：[43] $$分红点数 = \sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$$ 其中，要求个股除息日满足 $t < 除息日 \leq T$。 * **模型评价**：该模型通过精细化处理成分股权重、净利润、股息支付率和除息日等关键变量的预测，提升了分红点位预测的准确性。对于上证50和沪深300等大盘指数的预测误差较小，对于中证500和中证1000等指数预测误差稍大但基本稳定。[65] 2. **因子名称：日度成分股权重调整因子**[49] * **因子构建思路**：由于指数成分股的权重随股价涨跌每日变化，而主流数据通常只提供月末权重，为了更精确地计算分红对指数的影响，需要将月末静态权重调整至日度动态权重。[49] * **因子具体构建过程**：假设最近一次指数公司公布权重的日期为 $t_0$，该日成分股 $n$ 的权重为 $w_{n0}$。从 $t_0$ 到当前日期 $t$，个股 $n$ 的非复权涨跌幅为 $r_n$。则当前日期 $t$ 的估算权重 $W_{n,t}$ 为：[49] $$W_{n,t}={\frac{w_{n0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{i})}}$$ * **改进方法**：为避免成分股调整、解禁、配股等行为导致的估算偏差，报告采用中证指数公司每日披露的日度收盘权重数据，以获取精确的日度个股权重。[50] 模型的回测效果 1. **股指分红点位测算模型**，**预测误差（上证50指数）** 基本在5个点左右[65]，**预测误差（沪深300指数）** 基本在5个点左右[65]，**预测误差（中证500指数）** 基本在10个点左右[65]，**预测误差（中证1000指数）** 基本在10个点左右[65] 2. **股指分红点位测算模型**，**对股指期货合约股息点预测效果** 整体较好，具有较好的预测准确性[65] 量化因子与构建方式 1. **因子名称：已实现股息率**[17] * **因子构建思路**：计算指数成分股中，在当年已经完成现金分红的公司，其分红总额相对于指数总市值的比率，用以衡量截至当前时点指数已兑现的分红收益。[17] * **因子具体构建过程**：统计指数中今年已现金分红的公司集合，对每家公司，用其已分红金额除以其总市值，再乘以该公司在指数中的权重，最后对所有已分红公司进行求和。公式表示为：[17] $$全年已实现股息率 = \sum_{i=1}^{N_1} \frac{个股已分红金额}{个股总市值} \times 个股权重$$ 其中，$N_1$ 表示指数成分股中今年已现金分红的公司数量。 2. **因子名称：剩余股息率**[17] * **因子构建思路**：预测指数成分股中，在当年尚未进行现金分红的公司，其预期分红总额相对于指数总市值的比率，用以衡量未来一段时间指数可能获得的分红收益。[17] * **因子具体构建过程**：统计指数中今年尚未现金分红的公司集合，对每家公司，用其预测分红金额（通过前述分红点位模型中的方法预测）除以其总市值，再乘以该公司在指数中的权重，最后对所有未分红公司进行求和。公式表示为：[17] $$剩余股息率 = \sum_{i=1}^{N_2} \frac{个股预测分红金额}{个股总市值} \times 个股权重$$ 其中，$N_2$ 表示指数成分股中尚未现金分红的公司数量。 3. **因子名称：年化升贴水率**[13] * **因子构建思路**：在剔除预期分红影响后，计算股指期货价格相对于其标的指数价格的偏离程度，并将其年化，以标准化比较不同期限合约的升贴水幅度。[13] * **因子具体构建过程**： 1. 计算**含分红价差** = 期货合约收盘价 - (指数收盘价 - 预测的分红点数)。[13] 2. 计算**升贴水** = 含分红价差 / 指数收盘价。[13] 3. 计算**年化升贴水** = 升贴水 × (365 / 到期天数)。[13] 因子的回测效果 *(注：报告未提供单个因子的独立回测效果指标，如IC、IR等。报告展示的是基于模型和因子计算出的市场状态观测值。)* 1. **已实现股息率（截至2026年1月7日）**，**上证50指数** 0.00%[17]，**沪深300指数** 0.00%[17]，**中证500指数** 0.00%[17]，**中证1000指数** 0.00%[17] 2. **剩余股息率（截至2026年1月7日）**，**上证50指数** 2.34%[17]，**沪深300指数** 1.85%[17]，**中证500指数** 1.14%[17]，**中证1000指数** 0.89%[17] 3. **年化升贴水率（主力合约，截至2026年1月7日）**，**IH** -0.28%[13]，**IF** -2.69%[13]，**IC** -2.47%[13]，**IM** -12.36%[13] 4. **基差历史分位点（主力合约，截至2026年1月7日）**，**IH** 约38%[26]，**IF** 约45%[26]，**IC** 约72%[26]，**IM** 约48%[26]

量化模型与构建方式 1. **模型名称**：无 **模型构建思路**：无 **模型具体构建过程**：无 量化因子与构建方式 1. **因子名称**：封板率[16] **因子构建思路**：通过计算最高价涨停且收盘涨停的股票比例，来衡量市场涨停板的封板强度和市场情绪[16] **因子具体构建过程**：统计上市满3个月以上的股票，计算当日最高价涨停且收盘涨停的股票数量，再除以当日最高价涨停的股票总数[16] **因子计算公式**： $$封板率=最高价涨停且收盘涨停的股票数/最高价涨停的股票数$$ **因子评价**：该因子是衡量市场短期炒作情绪和资金封板意愿的常用指标[16] 2. **因子名称**：连板率[16] **因子构建思路**：通过计算连续两日收盘涨停的股票比例，来衡量市场涨停板的持续性和赚钱效应[16] **因子具体构建过程**：统计上市满3个月以上的股票，计算当日收盘涨停且前一日也收盘涨停的股票数量，再除以前一日收盘涨停的股票总数[16] **因子计算公式**： $$连板率=连续两日收盘涨停的股票数/昨日收盘涨停的股票数$$ **因子评价**：该因子反映了市场热点的持续性和短线追涨资金的活跃度[16] 3. **因子名称**：大宗交易折价率[25] **因子构建思路**：通过计算大宗交易成交价相对于市场价格的折价幅度，来反映大资金的交易情绪和偏好[25] **因子具体构建过程**：统计每日大宗交易的总成交金额和对应成交份额按当日市价计算的总市值，计算两者的比值减1[25] **因子计算公式**： $$折价率=大宗交易总成交金额/当日成交份额的总市值-1$$ **因子评价**：该因子是观察机构或大股东等大资金交易行为的重要指标，较高的折价率可能反映卖出方较强的减持意愿或流动性需求[25] 4. **因子名称**：股指期货年化贴水率[27] **因子构建思路**：通过计算股指期货价格相对于现货指数的年化基差，来反映市场对未来走势的预期和对冲成本[27] **因子具体构建过程**：计算股指期货主力合约价格与现货指数价格的差值（基差），除以现货指数价格，再乘以（250/合约剩余交易日数）进行年化处理[27] **因子计算公式**： $$年化贴水率=基差/指数价格*(250/合约剩余交易日数)$$ **因子评价**：该因子是量化对冲策略中重要的成本考量指标，其变化也常被视为市场情绪的风向标[27] 因子的回测效果 1. **封板率因子**，2026年1月7日取值为64%[16] 2. **连板率因子**，2026年1月7日取值为24%[16] 3. **大宗交易折价率因子**，2026年1月6日取值为9.26%[25]，近半年平均值为6.69%[25] 4. **股指期货年化贴水率因子**，2026年1月7日取值如下： * 上证50股指期货：0.23%[27] * 沪深300股指期货：2.69%[27] * 中证500股指期货：5.00%[27] * 中证1000股指期货：10.05%[27] * 近一年中位数分别为：0.85%、3.79%、11.15%、13.61%[27]

量化模型与构建方式 1. 人工智能全球大类资产配置模型 * **模型名称**：人工智能全球大类资产配置模型[38] * **模型构建思路**：将机器学习模型应用到大类资产配置问题上，基于因子投资的思路，使用模型对各类资产进行打分排序，最终构建可投资的月频量化等权配置策略[38] * **模型具体构建过程**：报告未详细描述具体的机器学习模型算法、因子构成及打分排序的详细计算过程，仅提及了基于因子投资思路构建策略的整体框架[38] 2. 基于动态宏观事件因子的股债轮动配置模型 * **模型名称**：基于动态宏观事件因子的股债轮动配置模型[43] * **模型构建思路**：构建一个宏观择时模块，结合风险预算模型框架，输出不同风险偏好（保守、稳健、进取）的股债配置权重[43] * **模型具体构建过程**： 1. **宏观择时模块**：从经济增长和货币流动性两个维度构建动态宏观事件因子[43]。每个维度包含多个细分指标（因子），例如经济增长维度包括M1同比、PPI同比、PPI-CPI剪刀差、工业增加值同比、国债利差(10Y-1M)、发电量环比等；货币流动性维度包括M1-M2剪刀差、中美国债利差(10Y)、中国国债美国TIPS利差(10年)等[46]。 2. **信号生成**：每个细分指标根据其数值或变化发出看多信号（记为1）或看空信号（记为0）[46][54]。 3. **维度信号合成**：将同一维度下的多个细分因子信号进行合成，得到该维度的总体信号强度（例如60%）[43][45]。 4. **最终仓位确定**：综合经济增长和货币流动性维度的信号，通过风险预算模型框架，计算出最终的股票建议仓位，并据此构建保守型、稳健型和进取型三种不同风险偏好的配置策略[43][45]。 3. 红利风格择时配置模型 * **模型名称**：红利风格择时配置模型[50] * **模型构建思路**：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针对中证红利指数的择时策略，以提升收益稳定性[50] * **模型具体构建过程**： 1. **因子构建**：选取经济增长和货币流动性两个维度的共10个指标作为动态事件因子。经济增长维度指标包括消费者信心指数、发电量环比、国债利差(10Y-3M)、中采制造业PMI新出口订单、PPI同比、PPI-CPI剪刀差；货币流动性指标包括Shibor2W、R007_MA20、Shibor1M环比、逆回购R007差额[54]。 2. **信号生成**：每个指标根据规则独立生成看多信号（1）或看空信号（0）[54]。 3. **信号合成**：将所有指标的信号进行合成，得到最终的择时信号（0%或100%），用于决定中证红利指数的推荐仓位[50][54]。 模型的回测效果 1. 人工智能全球大类资产配置模型 * **回测区间**：2021年1月至2025年12月[39] * **年化收益率**：6.78%[39] * **年化波动率**：6.53%[42] * **夏普比率**：1.04[39] * **最大回撤**：6.66%[39] * **基准（资产等权）年化收益率**：6.80%[39] * **基准夏普比率**：0.75[39] * **基准最大回撤**：12.67%[39] * **年初至今收益率（截至报告期）**：7.18%[40] * **基准年初至今收益率**：18.14%[40] 2. 基于动态宏观事件因子的股债轮动配置模型 * **回测区间**：2005年1月至2025年12月[43] * **进取型策略年化收益率**：20.03%[44] * **稳健型策略年化收益率**：10.84%[44] * **保守型策略年化收益率**：5.88%[44] * **基准（股债64）年化收益率**：8.97%[44] * **进取型策略年化波动率**：14.07%[49] * **稳健型策略年化波动率**：8.14%[49] * **保守型策略年化波动率**：3.20%[49] * **基准年化波动率**：16.49%[49] * **进取型策略夏普比率**：1.30[49] * **稳健型策略夏普比率**：1.18[49] * **保守型策略夏普比率**：1.48[49] * **基准夏普比率**：0.54[49] * **进取型策略最大回撤**：-13.72%[49] * **稳健型策略最大回撤**：-6.77%[49] * **保守型策略最大回撤**：-3.55%[49] * **基准最大回撤**：-46.24%[49] * **进取型策略年初至今收益率**：15.77%[49] * **稳健型策略年初至今收益率**：4.23%[49] * **保守型策略年初至今收益率**：0.70%[49] * **基准年初至今收益率**：15.95%[49] 3. 红利风格择时配置模型 * **模型具体测试结果取值**： * **年化收益率**：16.18%[50][53] * **年化波动率**：17.32%[53] * **夏普比率**：0.93[50][53] * **最大回撤**：-21.22%[50][53] * **基准（中证红利全收益指数）年化收益率**：11.28%[53] * **基准年化波动率**：22.60%[53] * **基准夏普比率**：0.57[53] * **基准最大回撤**：-36.80%[53] 量化因子与构建方式 1. 动态宏观事件因子（用于股债轮动及红利择时） * **因子构建思路**：从宏观经济指标中选取具有预测性的变量，将其转化为二值化（0/1）的择时信号，用于判断股票市场的整体或风格（红利）走势[43][50] * **因子具体构建过程**：报告列出了用于不同模型的细分宏观指标，其构建逻辑应为：当指标值或变化量超过（或低于）特定阈值时，发出看多信号（赋值为1），否则为看空信号（赋值为0）[46][54]。具体指标包括： * **经济增长维度**：M1同比、PPI同比、PPI-CPI剪刀差、工业增加值同比、国债利差(10Y-1M或10Y-3M)、发电量当月值3月移动平均环比、消费者信心指数、中采制造业PMI新出口订单等[46][54] * **货币流动性维度**：M1-M2剪刀差、中美国债利差(10Y)、中国国债美国TIPS利差(10年)、Shibor2W、R007_MA20、Shibor1M环比、逆回购R007差额等[46][54]

量化模型与构建方式 1. **模型名称**：固收+基金风险特征分类模型[21] **模型构建思路**：由于传统基于基金类型的分类方法难以充分刻画固收+产品的实际风险暴露水平，因此根据基金长期权益风险暴露水平对产品进行重新划分[21] **模型具体构建过程**： 1. 首先，确定“固收+”基金的研究口径：过去八个季度转债平均仓位不高于80%的混合债券型一级、二级基金，以及过去八个季度权益平均仓位（股票仓位 + 0.5×转债仓位）不高于40%、且权益仓位最大值不超过60%的偏债混合型和灵活配置型基金，并剔除权益仓位不足1%的基金及非初始基金[18] 2. 计算每只固收+基金过去八个季度的平均权益仓位，计算公式为： $$权益仓位 = 股票仓位 + 0.5 \times 转债仓位$$ 其中，股票仓位和转债仓位为基金定期报告披露的持仓比例[18][21] 3. 根据计算出的历史平均权益仓位，以15%和25%为临界值，将固收+基金划分为三类： * **稳健型**：平均权益仓位 ≤ 15% * **均衡型**：15% < 平均权益仓位 ≤ 25% * **激进型**：平均权益仓位 > 25%[21] 2. **模型名称**：固收+基金持仓风格分析模型[44] **模型构建思路**：为了刻画固收+基金在成长、估值和市值三个维度上的风格暴露特征，采用前十大重仓股持仓市值加权的方法进行计算[44] **模型具体构建过程**： 1. 对于每只固收+基金，获取其定期报告披露的前十大重仓股名单及持仓市值[44] 2. 为每只重仓股匹配其在全市场股票池中对应的风格因子值（成长因子、估值因子、市值因子）[44] 3. 以每只重仓股在该基金前十大重仓股中的持仓市值占前十大重仓股总市值的比例为权重，对个股的风格因子值进行加权平均，得到该基金在对应风格上的暴露值[44] 4. 将所有固收+基金的风格暴露值进行汇总，可以分析不同类型（稳健型、均衡型、激进型）或全市场固收+基金的整体风格暴露特征及变化趋势[44][47][48][51] 3. **模型名称**：固收+基金综合评分模型[37] **模型构建思路**：从产品的收益和风险维度出发，对固收+产品进行综合打分，以评估其风险收益性价比[37] **模型具体构建过程**： 1. 选取评价指标：近三年年化收益、近三年最大回撤[37] 2. 计算每只固收+基金在上述两个指标上的分位数排名[37] 3. 由于基金的回撤对债券占比过于敏感，因此对年化收益赋予更高的权重，综合得分计算公式为： $$综合得分 = 年化收益分位数 \times 1.5 + 最大回撤分位数$$ 其中，分位数越高代表在该指标上表现越好（收益更高或回撤更小）[37] 4. 根据综合得分对基金进行排序，得分高的基金被认为具有较好的风险收益性价比[37] 量化因子与构建方式 1. **因子名称**：权益仓位因子[18][21] **因子构建思路**：用于衡量固收+基金整体的风险暴露水平，是基金风险特征分类的核心依据[21] **因子具体构建过程**：根据基金定期报告（季报、半年报、年报）披露的资产组合数据，计算股票资产市值占基金资产净值的比例作为股票仓位，计算可转债资产市值占基金资产净值的比例作为转债仓位，然后按以下公式合成权益仓位因子： $$权益仓位 = 股票仓位 + 0.5 \times 转债仓位$$ 该公式体现了可转债资产兼具股性和债性的特征，将其一半的仓位计入权益风险暴露[18] 2. **因子名称**：成长风格因子[44] **因子构建思路**：用于衡量基金持仓组合在成长性维度上的暴露程度，反映基金对高成长性股票的偏好[44] **因子具体构建过程**：首先，在全市场股票层面构建成长风格因子（例如，使用营收增长率、净利润增长率等指标合成）。然后，对于单只基金，使用其前十大重仓股的持仓市值作为权重，对个股的成长因子值进行加权平均，得到该基金的成长风格因子暴露值[44] 3. **因子名称**：估值（价值）风格因子[45] **因子构建思路**：用于衡量基金持仓组合在估值水平维度上的暴露程度，反映基金对低估值（高价值）或高估值股票的偏好[45] **因子具体构建过程**：首先，在全市场股票层面构建估值风格因子（例如，使用市盈率PE、市净率PB等指标合成，通常低估值对应高价值因子值）。然后，对于单只基金，使用其前十大重仓股的持仓市值作为权重，对个股的估值因子值进行加权平均，得到该基金的估值风格因子暴露值[45] 4. **因子名称**：市值风格因子[46] **因子构建思路**：用于衡量基金持仓组合在市值规模维度上的暴露程度，反映基金对大市值或小市值股票的偏好[46] **因子具体构建过程**：首先，在全市场股票层面构建市值风格因子（通常使用股票总市值的对数）。然后，对于单只基金，使用其前十大重仓股的持仓市值作为权重，对个股的市值因子值进行加权平均，得到该基金的市值风格因子暴露值[46] 模型的回测效果 1. **固收+基金风险特征分类模型**，通过分类展示了不同类型基金在2025年的规模增长情况：稳健型年内规模提升3695.98亿元，均衡型提升2101.94亿元，激进型提升1902.49亿元[21] 2. **固收+基金综合评分模型**，应用该模型筛选出了各类别中表现前十的基金，例如稳健型中的平安瑞兴1年持有混合A（近三年年化收益8.61%，最大回撤2.03%），均衡型中的华夏磐泰混合A（近三年年化收益9.94%，最大回撤7.64%），激进型中的工银聚丰混合A（近三年年化收益10.76%，最大回撤5.39%）[38] 因子的回测效果 1. **权益仓位因子**，基于该因子分类的三类固收+基金在2020-2025年期间展现出不同的风险收益特征：激进型基金在权益上行周期中收益弹性最强，但回撤也大于其他两类；稳健型基金净值波动最小，表现出较强的韧性[31][35] 2. **成长风格因子**，分析显示各类固收+产品在成长风格上均有较高的正向暴露，其中激进型基金的成长特征最强。2020-2021年，激进型产品成长因子显著高于稳健型与均衡型；2022年后，三类产品的成长风格暴露逐步收敛[44][47] 3. **估值（价值）风格因子**，分析显示大部分固收+产品在价值因子上整体表现为负向暴露（即偏好估值较高的股票）。相对而言，稳健型固收+产品在多数时期对估值的容忍度较低，其价值因子暴露水平高于其他两类产品[45][48] 4. **市值风格因子**，分析显示均衡型固收+产品在大市值风格上的暴露相对更高。自2021年以后，各类型固收+产品在市值风格上的暴露整体趋于稳定[46][51]

量化模型与构建方式 1. **模型名称：多资产时序收益率联合重新排列（非参数蒙特卡洛模拟）**[13] * **模型构建思路**：通过随机抽取历史交易日，并将该日所有资产的收益率作为一个整体数据块进行重排，来生成模拟价格路径[13]。 * **模型具体构建过程**： 1. 获取多资产的历史日收益率序列[18]。 2. 随机抽取一个交易日，将该日所有资产的收益率作为一个“数据块”完整取出[18]。 3. 将抽取的“数据块”按顺序拼接，形成一条新的模拟路径[18]。 4. 重复此过程，直至生成所需时间长度的模拟序列[18]。 * **模型评价**：优点是完全依赖历史数据，无需对收益率分布做参数假设，且能自然保持抽取当日所有资产间的截面相关性[14]。局限是破坏了原始数据的时间序列结构（如波动率聚集性、自相关性），且对收益率均值的估计可能因样本的牛熊市主体而有偏[14]。适用于对均值不敏感的策略，如最小方差组合、风险平价组合优化[15]。 2. **模型名称：多资产时序收益率分块 Bootstrap（非参数蒙特卡洛模拟）**[19] * **模型构建思路**：将历史收益率序列划分为固定长度的时间块，并随机抽取整个时间块进行重排，以生成模拟路径[19]。 * **模型具体构建过程**： 1. 将多资产的历史收益率序列划分为固定长度（如20个交易日）的重叠或非重叠时间块[19]。 2. 随机抽取一个时间块，将该时间段内所有资产的收益率序列整体取出[19]。 3. 将抽取的时间块按顺序拼接，形成模拟路径[19]。 * **模型评价**：优点是在时间块内部，保留了资产间的截面相关性以及一定程度的短期时间序列特性（如波动率聚集和自相关性）[20]。局限是时间块边界处可能存在不连续性，且块长度的选择具有主观性，会影响对长周期依赖关系的捕捉[20]。适用于依赖于市场短期记忆效应的交易策略，如趋势跟踪、波动率目标、均值回归策略[21]。 3. **模型名称：残差 Bootstrap（因子模型法）**[23] * **模型构建思路**：基于多因子模型分离资产的系统性风险和特质性风险，通过对模型残差进行重抽样，并结合真实因子路径来重建资产价格路径[23]。 * **模型具体构建过程**： 1. **风险因子构建与收益计算**：选取并计算市场、市值、价值、动量等风格因子的历史日收益率序列[23]。 2. **多因子回归与残差提取**：将每个资产的收益率对所选因子进行截面回归，估计其因子暴露（β）。资产收益率中无法被多因子模型解释的部分即为残差收益率[23]。 3. **残差的重抽样**：对残差矩阵进行跨时间的全局随机重排。此举彻底破坏了残差中可能存在的任何时间序列依赖，但严格保留了资产残差之间的横截面相关性结构[23]。 4. **路径重建**：使用历史的风险因子真实路径与估计的β相乘，再加上打乱后的残差，生成模拟价格路径[23]。 * **模型评价**：优点是清晰分离收益来源，是分析策略特质性Alpha和风险敞口的工具[24]。局限是条件于历史系统性风险情景的模拟，无法评估策略在未经历过的宏观环境或因子范式切换下的表现[24]。适用于资产有强有力的收益解释模型（因子模型解释力R²较高）的场景[25]。 4. **模型名称：基于几何布朗运动（GBM）的恒定协方差模拟**[28] * **模型构建思路**：假设资产价格服从几何布朗运动，通过估计历史收益率均值和协方差矩阵，并利用Cholesky分解生成相关的随机路径[28]。 * **模型具体构建过程**： 假设有n个相关资产，每个资产价格$S_i(t)$遵循几何布朗运动： $$d S_{i}(t)=\mu_{i}S_{i}(t)d t+\sigma_{i}S_{i}(t)d W_{i}(t),i=1,\ldots,n$$ 其中，$\mu_i$是资产i的漂移率（预期收益率）；$\sigma_i$是资产i的波动率；$W_i(t)$是标准布朗运动[28]。 经价格对数化和协方差矩阵Cholesky分解后，得到资产的离散化价格路径： $$S_{i}^{(j)}(t_{k})=X_{i}(0)\,e x p[(\,k\Delta t+\sum_{l=1}^{k}\sum_{p=1}^{n}L_{i p}Z_{l,p}^{(j)}\,]$$ 其中，$X_i(0) = \ln (S_i(0))$，$\Delta t$为时间步长，$L$为协方差矩阵进行Cholesky分解后得到的下三角矩阵，$Z_{l,p}^{(j)}$是第j条路径第l步第p个独立标准正态随机变量[28]。 * **模型评价**：优点在于模型仅需均值和协方差矩阵两个参数，即可快速生成大量相关资产路径，特别适合需要进行大量模拟的蒙特卡洛回测；且收益率是随机生成的，而非采样于历史样本[28]。局限在于正态性假设与“尖峰厚尾”现实不符，无法刻画现实中资产收益率分布的“尖峰厚尾”特征，因此严重低估极尾部风险发生的概率；且GBM路径是连续的，无法模拟由突发事件引起的价格跳跃[28]。适用于非尾部市场状态下的风险价值（VaR）、条件风险价值（CVaR）及最大回撤分布研究，以及多资产组合的分散化效果研究[29]。 5. **模型名称：A股风格轮动策略（截面动量与波动率双因子打分模型）**[35] * **模型构建思路**：使用经典的截面动量和波动率双因子，对风格ETF进行标准化打分，并持有得分最高的风格，以构建轮动策略[35]。 * **模型具体构建过程**： 1. 选择A股四种风格（红利、成长、大盘、中小盘）及其代表ETF作为轮动候选池[34]。 2. 计算每个风格ETF的动量因子和波动率因子。因子的计算涉及回望窗口长度N（参数，文中测试N ∈ [15, 20, 40]个交易日）[35]。 3. 对单个因子在截面上（即四个风格间）进行ZScore标准化[35]。 4. 将标准化后的动量因子得分和波动率因子得分进行等权加总，得到每个风格的综合得分[35]。 $$S c o r e_{i}=0.5*Z S c o r e_{i,m o m}+0.5*Z S c o r e_{i,v o l}$$ 5. 每日调仓，持有得分最高的风格ETF[35]。 模型的回测效果 （注：以下回测效果主要基于风格轮动策略模型在不同价格路径和参数下的测试结果） 1. **A股风格轮动策略模型**，在**历史真实价格路径**上，不同回望窗口（N）对应的**夏普比率**分别为：N=15日: 0.84， N=25日: 0.96， N=40日: 0.66[45]。 2. **A股风格轮动策略模型**，在**收益率联合重排模拟路径**上，不同回望窗口（N）对应的**夏普比率**分别为：N=15日: 0.22， N=25日: 0.19， N=40日: 0.16[45]。 3. **A股风格轮动策略模型**，在**GBM模拟路径**上，不同回望窗口（N）对应的**夏普比率**分别为：N=15日: 0.19， N=25日: 0.17， N=40日: 0.19[45]。

量化模型与因子总结 量化因子与构建方式 1. **因子名称：风险溢价因子**[25] * **因子构建思路**：以十年期国债即期收益率为无风险利率的参考，计算各宽基指数相对于无风险利率的风险溢价，用于衡量其相对投资价值和偏离情况[25]。 * **因子具体构建过程**：风险溢价的计算公式为指数的预期收益率（通常用市盈率倒数或股息率等指标近似）减去无风险利率。报告中直接给出了各指数的“当前风险溢价”值，其计算逻辑为：风险溢价 = 指数收益率（或估值隐含收益率） - 十年期国债即期收益率[25][26][27]。 2. **因子名称：股债性价比因子**[44] * **因子构建思路**：以各指数市盈率（PE-TTM）的倒数和十年期国债即期收益率之差构建股债性价比指标，用于比较股票与债券资产的相对吸引力[44]。 * **因子具体构建过程**：股债性价比 = (1 / 指数PE-TTM) - 十年期国债即期收益率[44]。报告通过图表展示了该因子的历史走势，并设置了基于近5年数据的80分位值（机会值）和20分位值（危险值）作为参考阈值[44]。 3. **因子名称：股息率因子**[46] * **因子构建思路**：股息率反映现金分红回报率，是红利投资风格的核心指标。在市场低迷或利率下行期，高股息资产因其稳定的现金流和较低的估值而具备防御性[46]。 * **因子具体构建过程**：股息率 = 年度现金分红总额 / 总市值。报告直接列出了各宽基指数的当前股息率数值[51]。 4. **因子名称：破净率因子**[52] * **因子构建思路**：破净率表示市净率小于1的个股数量占比，用于反映市场整体的估值态度和悲观程度。破净率越高，表明市场低估情况越普遍；反之，则可能表明市场对未来发展持乐观态度[52][54]。 * **因子具体构建过程**：破净率 = (指数成分股中市净率小于1的个股数量) / (指数成分股总数量)。报告直接给出了各宽基指数的当前破净率数值[55]。 5. **因子名称：均线偏离因子**[13] * **因子构建思路**：通过计算指数收盘价与不同周期移动平均线（MA）的偏离程度，来评估指数的短期趋势强度、超买超卖状态以及距离支撑位的远近[13]。 * **因子具体构建过程**：计算指数收盘价相对于各条移动平均线（如MA5, MA10, MA20, MA60, MA120, MA250）的百分比偏离。计算公式为：$$ vsMA_N = (Close / MA_N - 1) \times 100\% $$，其中 $$ Close $$ 为当日收盘价，$$ MA_N $$ 为N日移动平均线[13]。报告在表格中直接列出了各指数相对于不同周期均线的偏离百分比[13]。 6. **因子名称：收益分布形态因子（偏度与峰度）**[21][23] * **因子构建思路**：通过计算指数日收益率分布的偏度和超额峰度，来刻画收益分布的不对称性和尖峰厚尾特征，从而评估市场极端收益出现的可能性和分布集中度[21][23]。 * **因子具体构建过程**： * **偏度**：衡量分布的不对称性。正偏态表示极端正收益情形增加，负偏态反之[21]。 * **峰度**：报告中计算的是超额峰度（峰度值减去了正态分布的峰度3），用于衡量分布相比正态分布的尖峰或平峰程度。峰度越大（正值），说明收益率分布更集中，尾部更厚；负值则说明分布更平缓[23]。 报告通过对比“当前值”与“近5年”历史值，来分析分布形态的近期变化[23]。 模型的回测效果 *本报告为市场数据跟踪报告，主要展示各类因子的当前状态和历史分位值，并未涉及基于这些因子构建投资组合模型并进行历史回测，因此无模型回测效果数据。* 因子的回测效果 *本报告未提供基于单因子或多因子组合进行选股或择时的历史回测绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。报告主要呈现的是各因子在特定时点（2026年1月6日）的截面数据、历史分位值以及近期统计特征（如均值、波动率）。* **各因子在报告基准日（2026年1月6日）的取值与统计特征如下：** 1. **风险溢价因子**[29] * **当前值**：上证50 (1.90%)， 沪深300 (1.54%)， 中证500 (2.12%)， 中证1000 (1.42%)， 中证2000 (1.21%)， 中证全指 (1.58%)， 创业板指 (0.74%) * **近5年分位值**：上证50 (96.19%)， 沪深300 (93.97%)， 中证500 (97.30%)， 中证1000 (87.54%)， 中证2000 (81.27%)， 中证全指 (93.33%)， 创业板指 (70.63%) * **近1年波动率**：上证50 (0.84%)， 沪深300 (0.96%)， 中证500 (1.28%)， 中证1000 (1.41%)， 中证2000 (1.61%)， 中证全指 (1.14%)， 创业板指 (1.84%) 2. **PE-TTM估值因子**[40][42] * **当前值**：上证50 (12.13)， 沪深300 (14.53)， 中证500 (35.49)， 中证1000 (48.34)， 中证2000 (162.84)， 中证全指 (22.16)， 创业板指 (43.01) * **近5年历史分位值**：上证50 (90.58%)， 沪深300 (92.23%)， 中证500 (99.92%)， 中证1000 (99.67%)， 中证2000 (89.50%)， 中证全指 (99.92%)， 创业板指 (62.73%) * **近1年波动率**：上证50 (0.49)， 沪深300 (0.76)， 中证500 (2.52)， 中证1000 (4.30)， 中证2000 (28.71)， 中证全指 (1.50)， 创业板指 (4.99) 3. **股息率因子**[51] * **当前值**：上证50 (3.05%)， 沪深300 (2.64%)， 中证500 (1.33%)， 中证1000 (1.05%)， 中证2000 (0.74%)， 中证全指 (1.94%)， 创业板指 (0.93%) * **近5年历史分位值**：上证50 (30.00%)， 沪深300 (31.65%)， 中证500 (10.58%)， 中证1000 (27.19%)， 中证2000 (5.21%)， 中证全指 (27.60%)， 创业板指 (57.93%) * **近1年波动率**：上证50 (0.44%)， 沪深300 (0.42%)， 中证500 (0.21%)， 中证1000 (0.15%)， 中证2000 (0.12%)， 中证全指 (0.32%)， 创业板指 (0.16%) 4. **破净率因子**[55] * **当前值**：上证50 (24.0%)， 沪深300 (16.33%)， 中证500 (10.2%)， 中证1000 (7.7%)， 中证2000 (3.1%)， 中证全指 (5.92%) 5. **均线偏离因子**[13] * **vsMA5偏离百分比**：上证50 (2.8%)， 沪深300 (2.2%)， 中证500 (3.3%)， 中证1000 (2.4%)， 中证2000 (2.0%)， 中证全指 (2.4%)， 创业板指 (1.9%) * **vsMA250偏离百分比**：上证50 (12.9%)， 沪深300 (15.3%)， 中证500 (23.2%)， 中证1000 (17.9%)， 中证2000 (18.9%)， 中证全指 (17.7%)， 创业板指 (33.8%) 6. **收益分布形态因子**[23] * **当前峰度（超额）**：上证50 (0.01)， 沪深300 (0.55)， 中证500 (0.81)， 中证1000 (1.48)， 中证2000 (1.32)， 中证全指 (0.93)， 创业板指 (1.01) * **当前偏度**：上证50 (1.32)， 沪深300 (1.52)， 中证500 (1.55)， 中证1000 (1.68)， 中证2000 (1.69)， 中证全指 (1.61)， 创业板指 (1.56) * **当前vs近5年峰度变化**：上证50 (-2.06)， 沪深300 (-1.85)， 中证500 (-2.18)， 中证1000 (-1.26)， 中证2000 (-1.51)， 中证全指 (-1.90)， 创业板指 (-2.74)