根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **均线比较模型** - 构建思路：通过比较指数收盘价与不同周期均线（MA5/10/20/60/120/250）的关系，判断市场趋势强度[14][15] - 构建过程：计算各宽基指数收盘价与均线的偏离百分比，公式为： $$偏离百分比 = \frac{收盘价 - 均线值}{均线值} \times 100\%$$ 例如上证50 vs MA20偏离-0.4%[15] - 评价：能有效反映短期与长期市场修复状态 2. **风险溢价模型** - 构建思路：以十年期国债即期收益率为基准，计算股票指数超额收益[28][29] - 构建过程： $$风险溢价 = 指数收益率 - 无风险利率$$ 统计近1年/5年分位值及波动率，如创业板指风险溢价80.08%处于近5年高位[30][31] - 评价：中证1000/2000波动率更大，反映小盘股风险特征[35] 3. **PE-TTM估值模型** - 构建思路：动态跟踪滚动市盈率及其历史分位[40][45] - 构建过程：计算当前PE-TTM与历史分布的偏离，如中证500当前29.37，超近1年均值+1σ标准差的1.45%[46] - 评价：中证500/1000估值处于危险值(>80%分位)，创业板指估值最低(27.27%分位)[45] 量化因子与构建方式 1. **换手率因子** - 构建思路：反映市场交易活跃度[18] - 构建过程： $$换手率 = \frac{\sum(成分股流通股本 \times 个股换手率)}{\sum(成分股流通股本)}$$ 如中证2000换手率4.16显著高于其他指数 2. **股息率因子** - 构建思路：衡量现金分红回报[50][51] - 构建过程：统计当前值及历史分位，创业板指股息率1.3%处于近5年88.6%高位[55] - 评价：高股息资产在市场下行期防御性突出 3. **破净率因子** - 构建思路：统计市净率<1的个股占比[57] - 构建过程：计算各指数破净个股比例，上证50破净率22%最高反映大盘股低估 模型回测效果 1. **均线模型** - 中证2000相对MA250偏离+17.6%[15] - 创业板指相对MA5偏离+0.6% 2. **风险溢价模型** - 沪深300风险溢价0.75%，超近1年均值2.08σ[32] - 中证1000波动率1.97%为大盘股1.6倍 3. **PE-TTM模型** - 中证1000PE-TTM 40.43，超危险值(80%分位)[46] - 创业板指PE-TTM 31.44，低于均值-1σ 因子回测效果 1. **换手率因子** - 中证2000换手率4.16 vs 上证50仅0.21[18] 2. **股息率因子** - 上证50股息率3.66%，超近1年均值7.39%[55] 3. **破净率因子** - 沪深300破净率17% vs 创业板指仅3%[57]

根据研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称**：最优因子择时投资组合模型 **模型构建思路**：通过整合大量因子与预测变量构建择时策略，利用收缩技术防止过拟合[3] **模型具体构建过程**： - 使用Ledoit-Wolf协方差矩阵收缩估计量，计算最优收缩强度[25] - 采用Kozak-Nagel-Santosh收缩方法变体估计权重，公式为： $$\hat{W}_{t}=\left(\hat{\Sigma}_{t}+\hat{\overline{t}}_{t}\left[\begin{array}{cc}0&0\\ 0&\hat{D}_{t}\end{array}\right]\right)^{-1}\hat{\mu}_{t}$$ 其中前K个元素为原始因子平均收益，剩余为因子-预测变量组合收益[27] - 权重重新缩放使原始因子绝对权重之和为1[30] **模型评价**：收缩机制有效避免高维环境下的虚假择时信号[2] 2. **因子名称**：因子择时投资组合因子 **因子构建思路**：将因子收益与滞后预测变量交互形成择时信号[19] **因子具体构建过程**： - 定义标准化预测变量$X_{t-1}$和因子收益$F_t$ - 构建叉积因子：$$G_{t}=X_{t-1}F_{t}$$ 当$X_{t-1}$为正时做多因子，为负时做空[19] - 期望收益取决于预测变量与因子收益的协方差：$$E\left[G_{t}\right]=\mathrm{Cov}\left(X_{t-1},F_{t}\right)$$[21] **因子评价**：将时间序列预测转化为横截面组合优化问题[23] 模型的回测效果 1. **Fama-French因子择时模型**： - 年化收益4.71%，波动率5.81%，夏普比率0.81[40] - 评估比率0.79，最差12月收益-5.62%[41] - 60个月滚动夏普比率持续优于静态组合[46] 2. **Jensen因子择时模型（小预测集）**： - 年化收益2.97%，波动率2.01%，夏普比率1.48[64] - 扣除交易成本后夏普比率1.35[78] 3. **Jensen因子择时模型（大预测集）**： - 年化收益2.73%，波动率1.91%，夏普比率1.43[71] - 无收缩时夏普比率降至0.81[71] 量化因子与构建方式 1. **宏观预测因子**： - 包含实际1年期收益率、收益率曲线斜率(5y-1y)、Baa级债券与国债利差等6个变量[38] - 标准化为z值后与因子收益交互[36] 2. **因子特定预测因子**： - 基础变量：3个月收益、12个月收益、3个月日波动率[38] - 特征价差：B/M价差、资产增长价差、盈利能力价差[38] - 对Jensen因子集扩展至128个特征价差[38] 因子的回测效果 1. **收益率曲线斜率交互因子**： - 在Fama-French组合中权重排名第一[52] - 与盈利能力因子组合贡献显著超额收益[52] 2. **3个月市场收益交互因子**： - 与规模因子组合权重排名第二[52] - 捕捉市场动量对规模因子的预测效果[52] 3. **盈利能力价差因子**： - 在Jensen因子集中出现频率最高[68] - 与宏观变量组合形成稳定择时信号[68] 注：所有结果均基于1965-2022年月度数据，采用滚动窗口验证方法[31][32]

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **国证通用航空产业指数模型** - 模型构建思路：选取航空产业相关上市公司证券，反映通用航空产业证券价格变化[3] - 具体构建过程： - 选样空间：科创板/北交所证券上市超1年，其他证券上市超6个月，剔除ST/*ST及财务异常公司[30] - 样本筛选：按半年日均总市值排序，前50名入选，飞行器整机制造领域单股权重≤10%，其他≤2%[30] - 调仓频率：半年调整一次（6月/12月）[30] 2. **国证航天航空行业指数模型** - 模型构建思路：聚焦航天航空板块，反映行业证券价格变化[3] - 具体构建过程： - 选样空间：国证三级行业分类为航天航空，其他条件同通用航空指数[30] - 样本筛选：按半年日均自由流通市值+成交金额综合排序，单股权重≤15%，前五大合计≤60%[30] - 调仓规则：与通用航空指数同步调仓[30] 量化因子与构建方式 1. **市值因子** - 构建思路：区分指数成分股的市值风格分布[37] - 具体构建： - 通用航空指数：500亿以上市值权重3.68%，100亿以下17.37%[39] - 国证航天指数：500亿以上权重37.05%，分布更均衡[41] 2. **估值因子（PB）** - 构建思路：采用市净率评估板块安全边际[43] - 具体构建： $$ PB = \frac{总市值}{净资产} $$ - 通用航空指数PB=2.33倍（历史分位数32.8%）[46] - 国证航天指数PB=3.29倍（历史分位数52.9%）[48] 3. **盈利预期因子** - 构建思路：通过Wind一致预期数据捕捉盈利增长潜力[49] - 具体构建： - 每股收益：国证航天指数2025-2027年预期从0.38元增至0.78元，增速高于通用航空指数[53] - 归母净利润：国证航天指数2027年预期308.27亿元，复合增速显著[53] 4. **股息率因子** - 构建思路：衡量现金分红回报[58] - 具体取值： - 通用航空指数股息率0.63%，国证航天指数0.73%，均高于中证军工指数0.58%[61] 模型与因子评价 - **行业集中度**：国证航天指数国防军工权重96.24%，行业纯度更高[37] - **市值风格**：通用航空指数小市值特征更明显，国证航天指数大市值主导[39][41] - **盈利弹性**：国证航天指数在每股收益和归母净利润增速上更具优势[53] 回测效果指标 | 指标 | 通用航空指数 | 国证航天指数 | |---------------------|--------------|--------------| | 净资产收益率（2025）| 3.35% | 2.82% | [54] | 市净率（PB） | 2.33倍 | 3.29倍 | [46][48] | 股息率 | 0.63% | 0.73% | [61] | 每股收益（2027E） | 0.76元 | 0.78元 | [53] | 归母净利润（2027E） | 317.63亿元 | 308.27亿元 | [53]

量化因子与构建方式 1. **因子名称：传统动量因子** - **构建思路**：基于基金过去一段时间的业绩表现（如历史收益、夏普比、Alpha收益）作为动量指标，预测未来收益[3][4][5] - **具体构建过程**： - **历史收益因子**：计算基金过去20日、61日、122日、244日、366日、488日的收益率均值[20] - **夏普比因子**：计算基金过去不同窗口期的夏普比（收益/波动率）[25] - **Alpha动量因子**：通过Fama-French三因子模型剥离市场、市值和估值风险溢价，回归公式： $$R_{p}-r_{f}\!\sim\!\!\alpha+\beta_{1}(R_{M}-r_{f})+\beta_{2}(R_{M}-r_{f})^{2}+\beta_{3}S M B+\beta_{4}H M L+\varepsilon_{p}$$ 其中，$R_p$为基金收益，$r_f$为无风险利率，$R_M$为市场收益，$SMB$和$HML$分别为市值和估值因子[29][30] - **行业剥离Alpha动量**：在回归中加入Wind行业指数收益，公式： $$R_{p}-r_{f}{\sim}\alpha+\beta_{1}(R_{M}-r_{f})+\beta_{2}(R_{M}-r_{f})^{2}+\sum_{i=1}^{11}\beta_{2+i}\,l n d_{i}+\varepsilon_{p}$$ 其中$Ind_i$为行业指数收益[51] - **因子评价**：传统动量因子易受Beta风险干扰，尤其在行业轮动期表现不稳定[4][15][17] 2. **因子名称：低分化动量因子** - **构建思路**：筛选基金收益分化度较低的日期，计算其收益指标以降低Beta风险干扰[5][21][56] - **具体构建过程**： - **低分化收益因子**：按主动权益基金日度收益分化度分组，取分化度最低1/5样本的日度收益均值[66][67] - **低分化排序动量**：对分化度最低组的基金收益排序取均值[81] - **低分化夏普比**：计算分化度最低组的夏普比[86] - **合成低分化动量**：将上述三个因子等权合成[93] - **因子评价**：低分化日期收益对未来预测能力更强，受Beta干扰更小，时序稳定性显著优于传统动量[5][67][93] --- 因子的回测效果 1. **传统动量因子** - **历史收益因子（过去244日）**：Rank IC 5.81%，Rank ICIR 0.54，年化多空收益1.85%，胜率59.35%[20] - **夏普比因子（过去244日）**：Rank IC 6.44%，Rank ICIR 0.64，年化多空收益2.04%，胜率61.79%[25] - **Alpha动量因子（过去122日）**：Rank IC 6.01%，Rank ICIR 0.57，年化多空收益2.79%，胜率66.67%[31] - **行业剥离Alpha动量（过去122日）**：Rank IC 7.81%，Rank ICIR 0.97，年化多空收益5.04%，胜率69.92%[53] 2. **低分化动量因子** - **低分化收益因子（过去3个月）**：Rank IC 10.03%，Rank ICIR 1.06，年化多空收益9.23%，胜率69.11%[67][73] - **低分化排序动量（过去3个月）**：Rank IC 10.08%，Rank ICIR 1.09，年化多空收益8.39%，胜率68.29%[81] - **低分化夏普比（过去3个月）**：Rank IC 9.63%，Rank ICIR 1.10，年化多空收益9.89%，胜率71.54%[87] - **合成低分化动量**：Rank IC 10.10%，Rank ICIR 1.09，年化多空收益9.23%，胜率71%，最高组季均超额1.25%[93][94] --- 关键结论 - 低分化动量因子通过聚焦分化度低的日期，显著提升了因子稳定性和预测能力（Rank ICIR提升至1.09），且与传统动量因子相关性低（秩相关系数<26%）[5][93] - 传统动量因子在行业轮动月表现更弱（剔除后Rank ICIR从0.54升至0.66），均衡型基金中动量效应更强（Rank IC 7.86% vs 板块型2.44%）[15][17][46]

根据提供的金融工程日报内容，以下是量化模型与因子的结构化总结： --- 量化因子与构建方式 1. **封板率因子** - 构建思路：通过涨停股盘中表现衡量市场情绪强度[16] - 具体构建： $$封板率 = \frac{\text{最高价涨停且收盘涨停股票数}}{\text{最高价涨停股票数}}$$ 统计上市满3个月的股票，计算当日封板率[16] - 因子评价：反映短期资金炒作热度，对短线策略有参考价值 2. **连板率因子** - 构建思路：捕捉连续涨停股票的持续性[16] - 具体构建： $$连板率 = \frac{\text{连续两日收盘涨停股票数}}{\text{昨日收盘涨停股票数}}$$ 同样基于上市满3个月的股票样本[16] - 因子评价：高连板率预示主题炒作延续性较强 3. **大宗交易折价率因子** - 构建思路：通过大宗交易折价水平反映机构交易情绪[25] - 具体构建： $$折价率 = \frac{\text{大宗交易总成交金额}}{\text{当日成交份额总市值}} - 1$$ 统计近半年日均折价率作为基准[25] - 因子评价：折价扩大可能预示机构减持压力 4. **股指期货年化贴水率因子** - 构建思路：利用基差水平衡量市场对冲成本与预期[27] - 具体构建： $$年化贴水率 = \frac{\text{基差}}{\text{指数价格}} \times \left(\frac{250}{\text{合约剩余交易日数}}\right)$$ 分别计算上证50、沪深300、中证500、中证1000主力合约贴水率[27] - 因子评价：极端贴水反映市场悲观预期 --- 因子回测效果 1. **封板率因子** - 当日值：63%（较前日+1%）[16] - 近一月趋势：与连板率联动性显著[16] 2. **连板率因子** - 当日值：28%（较前日-0%）[16] 3. **大宗交易折价率因子** - 当日值：7.07%（近半年均值5.52%）[25] - 成交金额：6亿元（近半年日均13亿元）[25] 4. **股指期货年化贴水率因子** - 上证50：12.92%（近一年15%分位）[27] - 沪深300：14.51%（近一年10%分位）[27] - 中证500：19.57%（近一年10%分位）[27] - 中证1000：24.54%（近一年7%分位）[27] --- 注：报告中未提及具体量化模型，仅包含市场监测类因子。所有因子取值均为2025年6月11日数据[16][25][27]

量化模型与构建方式 1. DL_EM_Dynamic 因子 - 因子名称：DL_EM_Dynamic - 构建思路：采用矩阵分解算法从基金选股网络中提取股票内在属性，结合LSTM生成的动态因子表示[19] - 具体构建过程： 1. 基于基金持仓数据构建基金-股票网络矩阵 2. 使用矩阵分解提取基金和股票的内在属性矩阵 3. 将静态属性与LSTM生成的动态因子表示拼接 4. 输入MLP网络生成最终因子预测[19] - 因子评价：能够捕捉市场动态变化，增强模型表现[19] 2. Meta_RiskControl 因子 - 因子名称：Meta_RiskControl - 构建思路：在深度学习模型中加入风格因子暴露控制，结合元增量学习框架[25] - 具体构建过程： 1. 模型输出乘以股票因子暴露作为最终输出 2. 损失函数中加入风格偏离惩罚项 3. 使用ALSTM模型作为底层模型 4. 外层采用元增量学习框架进行定期更新[25] - 因子评价：有效控制模型回撤，降低风格波动[25] 3. Meta_Master 因子 - 因子名称：Meta_Master - 构建思路：利用市场状态信息和深度风险模型改进Transformer预测模型[35] - 具体构建过程： 1. 构建120个市场状态特征 2. 使用加权MSE损失函数放大多头端误差 3. 采用在线元增量学习定期更新模型 4. 结合深度风险模型计算市场状态[35] - 因子评价：适应动态市场变化，提升模型稳健性[35] 4. 深度学习可转债因子 - 因子名称：深度学习可转债因子 - 构建思路：使用GRU网络学习可转债非线性定价逻辑[50] - 具体构建过程： 1. 引入可转债特有时序因子 2. 将截面属性因子与GRU输出拼接 3. 预测未来收益[50] - 因子评价：相比传统策略收益显著提升[50] 模型的回测效果 1. DL_EM_Dynamic 因子 - 中证1000 RankIC均值12.1%[9] - 中证1000多头组合超额收益3.5%[9] - 年化超额收益23.4%，IR 2.03[23] 2. Meta_RiskControl 因子 - 全A RankIC均值12.8%[9] - 全A多头组合超额收益2.7%[9] - 沪深300增强组合年化超额收益15.0%，IR 1.58[30] 3. Meta_Master 因子 - 周度RankIC均值14.7%[9] - 全A多头组合超额收益3.9%[9] - 中证1000增强组合年化超额收益25.2%，IR 2.33[47] 4. 深度学习可转债因子 - 偏股型RankIC 11%，平衡型9.5%，偏债型3.9%[53] - 平衡+偏债组合年化超额收益10.9%[55]

根据提供的研报内容，以下是量化模型和因子的详细总结： 量化模型与构建方式 1. **逆周期配置模型** - 模型构建思路：通过代理变量预测未来的宏观环境，选择不同环境下表现最优的资产构建绝对收益组合[20] - 模型具体构建过程： 1. 预测宏观环境（如Inflation） 2. 根据环境选择资产（如股票、债券、商品） 3. 动态调整组合权重 - 模型评价：能够适应不同宏观周期，但依赖环境预测的准确性 2. **宏观动量模型** - 模型构建思路：从经济增长、通胀、利率等多维度构建择时信号[20] - 模型具体构建过程： 1. 计算宏观指标动量（如GDP、CPI等） 2. 生成多空信号 3. 应用于股票、债券等资产 3. **行业ETF轮动模型** - 模型构建思路：基于基本面、情绪面、量价技术面等多因子进行行业轮动[21] - 模型具体构建过程： 1. 匹配ETF跟踪指数与中信一级行业（23个行业基准池） 2. 计算因子得分（如历史基本面、预期基本面等） 3. 生成行业配置建议（等权重25%）[23] 4. **股债混合配置模型** - 模型构建思路：通过股债比例再平衡或风险平价控制组合波动[25] - 模型具体构建过程： - 再平衡策略：固定股债比例（如20/80）按月调整 - 风险平价策略：根据资产波动率动态分配权重 $$ w_i = \frac{1/\sigma_i}{\sum_{j=1}^n 1/\sigma_j} $$ 其中$\sigma_i$为资产i的年化波动率 5. **黄金择时策略** - 模型构建思路：结合宏观、持仓、量价和情绪因子多周期择时[20] 量化因子与构建方式 1. **PB盈利因子** - 构建思路：低估值+高盈利质量选股 - 具体构建： 1. 筛选PB低于行业中位数 2. 叠加ROE、盈利稳定性指标 2. **高股息因子** - 构建思路：选取持续高分红股票 - 具体构建： 1. 计算近3年股息率 2. 剔除分红不稳定的公司 3. **小盘价值因子** - 构建思路：小市值+价值特征组合 - 具体构建： 1. 按市值分为10组取最小30% 2. 叠加PB、PE等价值指标 4. **小盘成长因子** - 构建思路：小市值+高成长特征 - 具体构建： 1. 市值分组同小盘价值 2. 叠加营收增长率、净利润增长率 模型的回测效果 | 模型名称 | 本年收益 | 年化波动率 | 最大回撤 | 夏普比率 | |------------------------------|----------|------------|----------|----------| | 股债20/80再平衡 | -0.52% | 3.03% | 1.78% | -0.40 | | 股债风险平价 | 0.14% | 1.81% | 1.50% | 0.18 | | 股债黄金风险平价 | 0.91% | 2.27% | 1.49% | 0.95 | | 行业ETF轮动增强版20/80 | -0.30% | 3.38% | 1.64% | -0.21 | 因子的回测效果 | 因子组合（20/80配置） | 本年收益 | 年化波动率 | 最大回撤 | 夏普比率 | |-----------------------|----------|------------|----------|----------| | PB盈利 | 2.22% | 5.04% | 3.79% | 0.02 | | 高股息 | 1.26% | 4.51% | 3.47% | -0.13 | | 小盘价值 | 5.71% | 7.65% | 7.74% | 0.34 | | 小盘成长 | 5.16% | 7.76% | 8.07% | 0.29 | 注：所有测试数据截至2025年6月6日[26][35]

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **增强策略ETF模型** - 模型构建思路：通过量化方法对基准指数进行增强，以获取超额收益[25][26] - 模型具体构建过程： 1. 选择基准指数（如沪深300、中证500等） 2. 采用多因子选股模型，结合基本面、技术面等因子 3. 通过优化算法构建投资组合，控制跟踪误差 4. 定期调整组合权重 - 模型评价：该模型能够有效获取超额收益，但受市场环境影响较大[26] 2. **指数增强基金模型** - 模型构建思路：在跟踪基准指数的同时，通过量化方法获取超额收益[42] - 模型具体构建过程： 1. 确定基准指数（如沪深300、中证1000等） 2. 构建多因子模型，包括价值、成长、动量等因子 3. 优化组合权重，控制跟踪误差 4. 定期再平衡 - 模型评价：长期来看能够稳定获取超额收益，但短期可能受市场波动影响[42] 量化因子与构建方式 1. **多因子选股模型** - 因子构建思路：结合多种因子进行选股，提高组合收益[42] - 因子具体构建过程： 1. 价值因子：如PE、PB等 2. 成长因子：如营收增长率、净利润增长率等 3. 动量因子：如过去6个月收益率 4. 质量因子：如ROE、毛利率等 5. 通过因子加权构建综合评分 - 因子评价：能够有效区分股票优劣，但因子有效性会随时间变化[42] 模型的回测效果 1. **增强策略ETF模型** - 上周超额收益率：最高1.88%（鹏华上证科创板50成份增强策略ETF）[27] - 2025年以来超额收益率：最高6.64%（工银中证1000增强策略ETF）[27] - 近1年超额收益率：最高14.89%（银华中证2000增强策略ETF）[27] 2. **指数增强基金模型** - 上周超额收益率： - 沪深300增强：最高1.14%[42] - 中证500增强：最高0.59%[42] - 中证1000增强：最高0.84%[42] - 国证2000增强：最高1.04%[42] - 近1年超额收益率： - 沪深300增强：最高15.24%[42] - 中证500增强：最高9.84%[42] - 中证1000增强：最高17.26%[42] - 国证2000增强：最高22.77%[42] 因子的回测效果 1. **多因子选股模型** - 主动量化基金上周收益率中位数：1.53%[36] - 近1年收益率中位数：12.79%[36] - TMT主题基金近1年收益率中位数：22.40%[37] - 金融地产主题基金近1年收益率中位数：21.36%[37] 注：报告中未提供具体的因子构建公式，因此未列出相关公式内容。

根据提供的金融工程日报内容，该报告主要涉及市场表现、情绪指标和资金流向的统计分析，但未提及具体的量化模型或因子构建方法。以下是可提取的关键指标分类整理： --- 市场情绪指标 1. **封板率** - 构建思路：反映涨停股的封板稳定性[17] - 计算公式： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ - 测试结果：当日封板率62%（较前日下降4%）[17] 2. **连板率** - 构建思路：衡量涨停股的连续性[17] - 计算公式： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ - 测试结果：当日连板率29%（较前日下降4%）[17] --- 资金流向指标 1. **两融交易占比** - 构建思路：评估融资融券交易活跃度[22] - 计算方式：两融交易额（融资买入+融券卖出）占市场总成交额比例 - 测试结果：当日占比9.1%，近一年均值8.8%[22] 2. **大宗交易折价率** - 构建思路：反映大资金交易情绪[26] - 计算公式： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ - 测试结果：当日折价率6.04%，近半年均值5.50%[26] 3. **股指期货年化贴水率** - 构建思路：衡量期货市场对现货的预期[28] - 计算公式： $$年化贴水率=\frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right)$$ - 测试结果： - 上证50：19.15%（近一年中位数1.44%）[28] - 沪深300：19.78%（近一年中位数3.16%）[28] - 中证500：21.60%（近一年中位数8.97%）[28] - 中证1000：24.29%（近一年中位数12.10%）[28] --- 机构行为指标 1. **龙虎榜机构净流入/流出** - 构建思路：追踪机构席位资金动向[36] - 测试结果： - 净流入前十包括富春股份、中超控股等[36] - 净流出前十包括跨境通、广康生化等[36] 2. **陆股通净流入/流出** - 构建思路：监测外资通过沪深股通的交易[37] - 测试结果： - 净流入包括百利电气、恒宝股份等[37] - 净流出包括盈峰环境、锦江航运等[37] --- 其他市场指标 1. **ETF折溢价** - 测试结果： - 溢价最高：半导体ETF南方（1.23%）[23] - 折价最高：沪港深500ETF基金（-0.70%）[23] 2. **行业/概念表现** - 测试结果： - 最佳行业：银行（+0.48%）、医药（+0.33%）[7] - 最差概念：移动转售（-7.92%）、边缘计算（-4.36%）[10] --- 注：报告中未涉及量化模型或因子构建的详细方法论，以上均为市场统计指标[1][2][3][4][5][6]。

量化模型与构建方式 1. **模型名称**：股指分红点位测算模型 - **模型构建思路**：通过精细化处理成分股权重、分红金额、除息日等核心指标，预测指数成分股分红对股指期货升贴水的影响[12][38] - **模型具体构建过程**： 1. **成分股权重计算**：采用中证指数公司日度权重数据，若需估算则使用公式： $$W_{n,t}={\frac{w_{i0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{n})}}$$ 其中，\(w_{i0}\)为最近公布权重，\(r_n\)为个股涨跌幅[45][46] 2. **分红金额预测**：若未公布分红金额，则通过净利润×股息支付率估算。净利润预测采用历史分布动态法（分稳定/不稳定两类公司）[47][50]，股息支付率采用历史均值或截尾处理[51][53] 3. **除息日预测**：基于预案/决案公告日与历史间隔天数的线性外推，或默认日期（7-9月末）[51][56] - **模型评价**：对上证50和沪深300预测误差较小（5点内），中证500误差稍大（10点内）[61] 2. **模型名称**：股息率计算模型 - **模型构建思路**：统计已披露分红预案个股的股息率，分行业比较[2][15] - **模型具体构建过程**： - 已实现股息率 = 已分红公司分红总额 / 当前指数总市值 - 剩余股息率 = 未分红公司预计分红总额 / 当前指数总市值[17] 模型的回测效果 1. **股指分红点位测算模型**： - 上证50预测误差：±5点[61] - 沪深300预测误差：±5点[61] - 中证500预测误差：±10点[61] 2. **股息率计算模型**： - 煤炭、银行、钢铁行业股息率中位数排名前三[2][15] 量化因子与构建方式 1. **因子名称**：年化升贴水因子 - **因子构建思路**：反映股指期货主力合约相对于指数的贴水幅度，扣除分红影响[4][12] - **因子具体构建过程**： $$年化升贴水 = \left(\frac{期货价格 - 指数价格 + 分红点数}{指数价格}\right) \times \frac{365}{到期天数} \times 100\%$$ 数据来源：IH/IF/IC/IM主力合约收盘价及分红点数[13] 2. **因子名称**：股息支付率因子 - **因子构建思路**：基于历史股息支付率稳定性预测当期支付率[51][53] - **因子具体构建过程**： - 若去年分红，直接采用去年值 - 若去年不分红，采用近3年均值 - 若从未分红，默认支付率为0[53] 因子的回测效果 1. **年化升贴水因子**（2025年6月10日）： - IH主力合约：-2.11%[4][13] - IF主力合约：-6.35%[4][13] - IC主力合约：-13.84%[4][13] - IM主力合约：-22.25%[4][13] 2. **股息支付率因子**： - 历史分位点有效性：IH/IF/IC/IM主力合约分别处于30%/30%/39%/20%分位[27][31][36]