量化模型与构建方式 1. **模型名称：宽基轮动策略**[13] * **模型构建思路**：基于市场情绪热度变化，构建一个简单的轮动策略。每周选择市场关注度（总热度）边际提升最显著的宽基指数进行投资，若热度提升最大的是非主流股票（“其他”组），则选择空仓[11][13]。 * **模型具体构建过程**： 1. 将全A股票按宽基指数成分股分组，包括沪深300、中证500、中证1000、中证2000以及不属于以上四组的“其他”股票[8]。 2. 计算每个宽基组每周的“总热度变化率”。具体为：对组内所有成分股的“个股总热度指标”进行求和，得到该组的周度总热度，再计算其相比上周的变化率[8][11]。 3. 对计算出的周度热度变化率取2周移动平均（MA2）进行平滑处理[11]。 4. 在每周最后一个交易日，买入“总热度变化率MA2”最大的宽基指数对应的股票组合。如果变化率最大的是“其他”组，则本周不持仓（空仓）[13]。 2. **模型名称：热门概念内低热度选股策略**[30][32] * **模型构建思路**：在短期内受市场情绪驱动、热度快速上升的概念板块中，逆向选择该概念内受关注度相对较低的个股，以期获得超额收益[29][30]。 * **模型具体构建过程**： 1. 每周筛选出“概念总热度变化率”最大的5个概念[32]。 2. 将这5个热门概念的所有成分股合并，作为初始选股股票池[32]。 3. 从股票池中剔除流通市值最小的20%的股票[32]。 4. 构建两个对比组合： * **热度TOP组合**：从每个热门概念中，选出“个股总热度指标”排名前10的个股，等权持有[32]。 * **热度BOTTOM组合**：从每个热门概念中，选出“个股总热度指标”排名最后10的个股，等权持有[32]。 量化因子与构建方式 1. **因子名称：个股总热度指标**[7] * **因子构建思路**：通过加总个股在交易软件中的用户行为数据（浏览、自选、点击），构建一个反映市场对单只股票关注度的代理指标，并经过标准化处理以消除市场整体活跃度的影响[7]。 * **因子具体构建过程**： 1. 对于单只股票，每日计算其浏览次数、加入自选次数和点击次数之和[7]。 2. 将该和值除以当日全市场所有股票的浏览、自选与点击次数之和，得到该股票热度在全市场的占比，实现日度横截面归一化[7]。 3. 将归一化后的占比乘以10000，使因子取值区间落在[0, 10000]之间[7]。 * **因子公式**： $$个股总热度指标_{i,t} = \frac{(浏览_{i,t} + 自选_{i,t} + 点击_{i,t})}{\sum_{j=1}^{N}(浏览_{j,t} + 自选_{j,t} + 点击_{j,t})} \times 10000$$ 其中，$i$ 代表股票，$t$ 代表日期，$N$ 代表全市场股票总数[7]。 2. **因子名称：聚合总热度指标**[7] * **因子构建思路**：将“个股总热度指标”在更高维度（如宽基指数、行业、概念）上进行聚合，得到反映该群体整体市场情绪热度的指标[7]。 * **因子具体构建过程**： 1. 确定一个股票集合 $G$（例如，沪深300的所有成分股、申万一级行业“商贸零售”的所有成分股、或“乳业”概念的所有成分股）[7][8]。 2. 对该集合 $G$ 内所有成分股在特定日期的“个股总热度指标”进行简单求和[7]。 * **因子公式**： $$聚合总热度指标_{G,t} = \sum_{i \in G} 个股总热度指标_{i,t}$$ 其中，$G$ 代表特定的股票群体[7]。 3. **因子名称：热度变化率MA2**[11][20] * **因子构建思路**：计算“聚合总热度指标”的周度环比变化率，并采用移动平均进行平滑，以捕捉市场情绪热度的边际变化趋势[11][20]。 * **因子具体构建过程**： 1. 对于某个股票群体 $G$，计算其第 $W$ 周的“聚合总热度指标”值 $H_{G,W}$[11]。 2. 计算周度热度变化率：$ChangeRate_{G,W} = (H_{G,W} / H_{G,W-1}) - 1$[16][27]。 3. 对计算出的周度变化率序列取2周移动平均：$ChangeRateMA2_{G,W} = (ChangeRate_{G,W} + ChangeRate_{G,W-1}) / 2$[11]。 模型的回测效果 1. **宽基轮动策略**[16] * 年化收益率：8.74%[16] * 最大回撤：23.5%[16] * 2025年收益：31.42%[16] 2. **热门概念内低热度选股策略（BOTTOM组合）**[34] * 年化收益率：15.71%[34] * 最大回撤：28.89%[34] * 2025年收益：41%[34] 因子的回测效果 *（注：报告中未提供单个因子的独立测试结果，如IC、IR等。仅展示了基于因子构建的策略组合表现，已汇总于“模型的回测效果”部分。）*

量化模型与构建方式 1. **模型名称**：量能择时模型[23] * **模型构建思路**：通过分析主要宽基指数的量能指标，判断市场短期走势，给出看多或看空的择时信号[23]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建过程和计算公式，仅展示了其对各宽基指数的择时观点输出[23]。 2. **模型名称**：沪深300上涨家数占比择时模型[25][27] * **模型构建思路**：通过计算沪深300指数成分股中近期上涨股票的家数占比，并对其进行平滑处理，利用快慢线的交叉来捕捉市场情绪变化，从而进行择时判断[25][27]。 * **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 = 沪深300指数成分股过去N日收益大于0的个股数占比[23]。其中N=230[25]。 2. 对基础指标进行平滑：分别计算该指标在窗口期N1和N2的移动平均值，作为慢线和快线，其中N1>N2[27]。报告中参数为N1=50，N2=35[25]。 3. 生成信号：当快线大于慢线时，看多沪深300指数；当快线小于慢线时，对市场持中性或谨慎态度[27]。 3. **模型名称**：均线情绪指标择时模型[31][34] * **模型构建思路**：基于沪深300指数收盘价与一组均线（八均线体系）的位置关系，构建情绪指标，通过判断价格位于多数均线之上或之下来进行择时[31][34]。 * **模型具体构建过程**： 1. 计算八均线数值：计算沪深300指数收盘价的8条均线，参数分别为8, 13, 21, 34, 55, 89, 144, 233[31]。 2. 计算当日指标值：统计当日沪深300指数收盘价大于这8条均线数值的数量[34]。 3. 生成信号：当收盘价大于均线数值的数量超过5条（即超过半数）时，看多沪深300指数[34]。 4. **因子名称**：横截面波动率[35] * **因子构建思路**：计算指数成分股收益率在截面上的离散程度，用于衡量市场分化程度和选股Alpha机会的强弱[35]。 * **因子具体构建过程**：报告未给出具体的计算公式，但明确指出该因子用于观察沪深300、中证500、中证1000等指数成分股的短期Alpha环境[35]。通常，横截面波动率上升意味着个股表现分化加大，选股获取Alpha的机会增加[35]。 5. **因子名称**：时间序列波动率[36] * **因子构建思路**：计算指数成分股收益率在时间序列上的波动程度，用于衡量市场整体波动水平和Alpha环境[36]。 * **因子具体构建过程**：报告未给出具体的计算公式，但将其作为市场赚钱效应的观察指标之一，用于评估沪深300、中证500、中证1000等指数的Alpha环境[36]。通常，时间序列波动率上升可能意味着市场波动加大，交易机会增多[36]。 6. **因子名称**：抱团基金分离度[80] * **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，来度量基金抱团行为的集中或瓦解程度[80]。 * **因子具体构建过程**： 1. 构造抱团基金组合（具体构造方法未详述）[80]。 2. 计算该组合内各基金在截面上的收益率标准差，即为分离度指标[80]。 3. 分离度指标值小，说明抱团基金表现趋同，抱团程度高；分离度指标值大，说明抱团行为正在瓦解[80]。 模型的回测效果 （注：本报告为市场跟踪周报，主要展示模型的最新信号和部分历史净值曲线，未提供统一的量化回测指标数值。因此，本部分根据报告内容描述模型表现。） 1. **沪深300上涨家数占比择时模型**：报告指出，该模型可以较快捕捉上涨机会，但会在市场过热阶段提前止盈而错失后续上涨收益，且对下跌市场的判断存在缺陷，难以有效规避下跌风险[24]。历史净值曲线显示其策略净值走势[28]。 2. **均线情绪指标择时模型**：报告展示了该策略的历史净值曲线，显示其相对于沪深300指数的表现[32]。 因子的回测效果 （注：本报告未提供因子IC、IR等传统测试结果，主要展示了因子的近期统计值和历史序列。） 1. **横截面波动率因子**： * 最近一周取值：沪深300为下降，中证500、中证1000为上升[35]。 * 近一季度平均值：沪深300为2.03%，中证500为2.32%，中证1000为2.44%[36]。 * 近一季度平均值历史分位（近半年）：沪深300为67.49%，中证500为59.52%，中证1000为64.94%[36]。 2. **时间序列波动率因子**： * 最近一周取值：沪深300、中证500、中证1000均环比上升[36]。 * 近一季度平均值：沪深300为0.66%，中证500为0.52%，中证1000为0.28%[39]。 * 近一季度平均值历史分位（近半年）：沪深300为57.76%，中证500为63.49%，中证1000为63.75%[39]。 3. **抱团基金分离度因子**：截至2025年12月19日，该因子值环比前一周小幅上行[80]。报告展示了其历史序列与抱团基金超额最大回撤的对比图[82]。

量化因子与构建方式 1. **因子名称：大买单成交金额占比**[7] * **因子构建思路**：该因子旨在刻画大资金的买入行为。通过逐笔成交数据还原买卖单，并筛选出大单，计算其中大买单的成交金额占当日总成交金额的比例。[7] * **因子具体构建过程**： 1. 使用逐笔成交数据，根据数据中的叫买和叫卖序号，将逐笔成交还原为买卖单数据。[7] 2. 按照每单的成交量设定阈值，筛选得到“大单”。[7] 3. 从大单中识别出“大买单”，并计算其成交金额。 4. 计算该因子值：大买单成交金额占当日总成交金额的比例。[7] * **因子评价**：该因子直接反映了大规模资金在特定标的上的买入强度，可用于跟踪主力资金动向。 2. **因子名称：净主动买入金额占比**[7] * **因子构建思路**：该因子旨在刻画投资者的主动买入行为。根据逐笔成交数据中的买卖标志界定主动买卖方向，计算净主动买入金额占当日总成交金额的比例。[7] * **因子具体构建过程**： 1. 使用逐笔成交数据，根据数据中的买卖标志，界定每一笔成交属于“主动买入”还是“主动卖出”。[7] 2. 分别汇总计算当日所有主动买入成交金额和主动卖出成交金额。 3. 计算净主动买入金额：主动买入成交金额 - 主动卖出成交金额。[7] 4. 计算该因子值：净主动买入金额占当日总成交金额的比例。[7] * **因子评价**：该因子反映了市场交易中主动买入力量的净强度，是衡量资金流向和投资者情绪的重要指标。 因子的回测效果 本报告未提供基于长期历史数据的因子回测绩效指标（如IC、IR、多空收益等），而是展示了特定时间窗口内（2025年12月15日至12月19日，共5个交易日）上述因子在不同维度标的上的计算值和历史分位数。所有指标均为“过去5日均值”及其“时序分位数”。[8][9][11][12][13][14][15][16] 1. **大买单成交金额占比因子** * **个股层面取值**：排名前列的个股因子值在85.2%至88.1%之间，其5日均值时序分位数普遍较高，多位于90%以上。[9] * **宽基指数层面取值**：主要宽基指数的因子5日均值在70.5%（创业板指）至73.8%（中证500）之间，其分位数差异较大，创业板指分位数仅6.1%，而上证指数、中证500分位数超过80%。[12] * **行业层面取值**：中信一级行业的因子5日均值在69.7%（电子）至80.3%（银行）之间。分位数较高的行业包括国防军工(98.0%)、非银行金融(98.8%)、电力及公用事业(97.1%)等。[13] * **ETF层面取值**：排名前列的ETF因子值在90.0%至93.4%之间，分位数较高的包括富国中证军工龙头ETF(100.0%)、鹏华中证国防ETF(99.6%)等。[15] 2. **净主动买入金额占比因子** * **个股层面取值**：排名前列的个股因子值在16.8%至26.2%之间，其5日均值时序分位数均为100.0%或接近100%。[10] * **宽基指数层面取值**：主要宽基指数的因子5日均值在0.1%（创业板指）至5.8%（上证50）之间。上证50的分位数高达92.6%，而其他指数分位数均低于21%。[12] * **行业层面取值**：中信一级行业的因子5日均值在-4.7%（电子）至12.7%（钢铁）之间。分位数较高的行业包括国防军工(91.0%)、食品饮料(32.8%)等。[13] * **ETF层面取值**：排名前列的ETF因子值在11.8%至18.2%之间，分位数较高的包括银华中证5G通信主题ETF(100.0%)、华夏中证细分食品饮料产业主题ETF(99.6%)等。[16]

量化模型与构建方式 1. **模型名称**：封板率计算模型[18] **模型构建思路**：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，来衡量涨停板的封板质量或市场追涨资金的坚决程度[18]。 **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[18]。 2. 识别在当日交易中，最高价达到涨停价的股票集合[18]。 3. 在上述集合中，进一步识别收盘价也达到涨停价的股票[18]。 4. 计算封板率，公式为： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[18] 2. **模型名称**：连板率计算模型[18] **模型构建思路**：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总数的比例，来衡量市场涨停效应的持续性[18]。 **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[18]。 2. 识别在T-1日收盘涨停的股票集合[18]。 3. 在上述集合中，进一步识别在T日收盘也涨停的股票[18]。 4. 计算连板率，公式为： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[18] 3. **因子名称**：大宗交易折价率因子[27] **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份当日市值的折价幅度，来反映大资金交易的流动性折价或市场情绪[27]。 **因子具体构建过程**： 1. 获取当日所有大宗交易的成交数据，包括每笔成交的股份数量和成交价格[27]。 2. 计算每笔大宗交易的成交金额（成交价格 × 成交数量），并汇总得到当日大宗交易总成交金额[27]。 3. 计算每笔大宗交易成交股份在当日按市价计算的总市值（当日市价 × 成交数量），并汇总得到当日成交份额的总市值[27]。 4. 计算折价率，公式为： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[27] **因子评价**：折价率越高（负值越大），通常意味着大资金卖出意愿更强或流动性需求更高，可能反映偏负面的市场情绪[27]。 4. **因子名称**：股指期货年化贴水率因子[29] **因子构建思路**：通过计算股指期货主力合约价格相对于其标的现货指数的基差，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[29]。 **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[29]。 2. 计算基差：基差 = 股指期货价格 - 现货指数价格[29]。 3. 计算年化贴水率，公式为： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[29] 其中，公式中的“基差”若为负值，则计算结果为年化贴水率；若为正值，则为年化升水率[29]。 **因子评价**：年化贴水率（正值表示贴水，负值表示升水）是量化对冲策略的重要成本指标，其变化也常被视作市场情绪的风向标，贴水加深可能隐含市场对未来走势的悲观预期[29]。 模型的回测效果 1. 封板率计算模型，2025年12月22日封板率取值为71%[18] 2. 连板率计算模型，2025年12月22日连板率取值为25%[18] 因子的回测效果 1. 大宗交易折价率因子，近半年以来平均折价率取值为6.63%[27]；2025年12月19日当日折价率取值为5.21%[27] 2. 股指期货年化贴水率因子（上证50），近一年以来年化贴水率中位数取值为0.89%[29]；2025年12月22日当日年化贴水率取值为0.27%[29] 3. 股指期货年化贴水率因子（沪深300），近一年以来年化贴水率中位数取值为3.78%[29]；2025年12月22日当日年化贴水率取值为4.53%[29] 4. 股指期货年化贴水率因子（中证500），近一年以来年化贴水率中位数取值为11.22%[29]；2025年12月22日当日年化贴水率取值为8.15%[29] 5. 股指期货年化贴水率因子（中证1000），近一年以来年化贴水率中位数取值为13.61%[29]；2025年12月22日当日年化贴水率取值为12.34%[29]

量化模型与构建方式 1. **模型名称**：封板率计算模型[18] **模型构建思路**：通过计算当日最高价涨停且收盘涨停的股票数量与最高价涨停股票总数的比例，来衡量市场涨停板的封板质量[18] **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[18] 2. 识别在当日盘中最高价达到涨停价的股票[18] 3. 在步骤2的股票中，进一步识别收盘价仍为涨停价的股票[18] 4. 计算封板率，公式为： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[18] 2. **模型名称**：连板率计算模型[18] **模型构建思路**：通过计算连续两日收盘涨停的股票数量与昨日收盘涨停股票总数的比例，来衡量市场涨停板的连续性[18] **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[18] 2. 识别在昨日收盘涨停的股票[18] 3. 在步骤2的股票中，进一步识别今日收盘也涨停的股票[18] 4. 计算连板率，公式为： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[18] 3. **模型名称**：大宗交易折价率计算模型[27] **模型构建思路**：通过比较大宗交易成交金额与按市价计算的市值，计算折价率，以反映大资金的交易情绪和偏好[27] **模型具体构建过程**： 1. 获取当日大宗交易的总成交金额[27] 2. 获取大宗交易成交份额按当日市场价格计算的总市值[27] 3. 计算折价率，公式为： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[27] 4. **模型名称**：股指期货年化贴水率计算模型[29] **模型构建思路**：通过计算股指期货主力合约价格与现货指数价格的基差，并进行年化处理，来衡量市场对未来预期的情绪和对冲成本[29] **模型具体构建过程**： 1. 计算基差：基差 = 股指期货价格 - 现货指数价格[29] 2. 计算年化贴水率，公式为： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[29] 量化因子与构建方式 1. **因子名称**：昨日涨停股今日收益因子[15] **因子构建思路**：统计昨日收盘涨停的股票在今日的平均收盘收益，用于观察涨停股的短期动量或反转效应[15] **因子具体构建过程**： 1. 筛选上市满3个月以上且昨日收盘涨停的股票[15] 2. 计算这些股票在今日的收盘收益率[15] 3. 计算所有符合条件的股票收益率的平均值，作为因子取值[15] 2. **因子名称**：昨日跌停股今日收益因子[15] **因子构建思路**：统计昨日收盘跌停的股票在今日的平均收盘收益，用于观察跌停股的短期修复或继续下跌效应[15] **因子具体构建过程**： 1. 筛选上市满3个月以上且昨日收盘跌停的股票[15] 2. 计算这些股票在今日的收盘收益率[15] 3. 计算所有符合条件的股票收益率的平均值，作为因子取值[15] 3. **因子名称**：机构调研热度因子[31] **因子构建思路**：统计近一周内对上市公司进行调研的机构数量，作为衡量机构关注度的代理指标[31] **因子具体构建过程**： 1. 获取近7天内上市公司披露的投资者或分析师调研活动记录[31] 2. 对每只股票，统计参与调研的机构数量[31] 3. 该数量即为该股票的因子取值[31] 4. **因子名称**：龙虎榜机构净流入因子[37] **因子构建思路**：根据龙虎榜披露的机构专用席位买卖数据，计算单只股票的机构资金净流入金额，反映机构资金的短期动向[37] **因子具体构建过程**： 1. 从龙虎榜数据中获取某只股票当日机构专用席位的买入总额和卖出总额[37] 2. 计算净流入金额：净流入 = 买入总额 - 卖出总额[37] 3. 该净流入金额即为该股票的因子取值[37] 5. **因子名称**：龙虎榜陆股通净流入因子[38] **因子构建思路**：根据龙虎榜披露的陆股通买卖数据，计算单只股票的北向资金净流入金额，反映外资的短期动向[38] **因子具体构建过程**： 1. 从龙虎榜数据中获取某只股票当日陆股通席位的买入总额和卖出总额[38] 2. 计算净流入金额：净流入 = 买入总额 - 卖出总额[38] 3. 该净流入金额即为该股票的因子取值[38] 模型的回测效果 1. **封板率计算模型**，2025年12月22日封板率取值为71%[18] 2. **连板率计算模型**，2025年12月22日连板率取值为25%[18] 3. **大宗交易折价率计算模型**，近半年平均折价率取值为6.63%，2025年12月19日折价率取值为5.21%[27] 4. **股指期货年化贴水率计算模型**，近一年中位数取值：上证50为0.89%，沪深300为3.78%，中证500为11.22%，中证1000为13.61%[29]。2025年12月22日取值：上证50为0.27%（60%分位点），沪深300为4.53%（42%分位点），中证500为8.15%（72%分位点），中证1000为12.34%（62%分位点）[29] 因子的回测效果 1. **昨日涨停股今日收益因子**，2025年12月22日因子取值为2.28%[15] 2. **昨日跌停股今日收益因子**，2025年12月22日因子取值为1.06%[15] 3. **机构调研热度因子**，近一周因子取值示例如下：长安汽车为214家，博盈特焊、神工股份、瑞德智能、民德电子、星辰科技、协创数据、瑞立科密等公司也位居前列[31] 4. **龙虎榜机构净流入因子**，2025年12月22日因子取值示例如下：净流入前十的股票有神农种业、雪人集团、艾森股份等；净流出前十的股票有通宇通讯、精智达、华人健康等[37] 5. **龙虎榜陆股通净流入因子**，2025年12月22日因子取值示例如下：净流入前十的股票有精智达、白银有色、海南华铁等；净流出前十的股票有豪恩汽电、博纳影业、天威视讯等[38]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：行业拥挤度监测模型**[3] * **模型构建思路**：通过构建模型，对申万一级行业指数的拥挤度进行每日监测，以识别行业交易过热或过冷的状态[3]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建过程和计算公式。 2. **模型名称：溢价率 Z-score 模型**[4] * **模型构建思路**：通过计算ETF溢价率的Z-score值，搭建ETF产品筛选信号模型，以识别存在潜在套利机会的标的[4]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建过程和计算公式。但根据名称推断，其核心步骤可能包括：计算目标ETF的溢价率（(市价 - IOPV) / IOPV），然后在设定的时间窗口（如过去N个交易日）内，计算该溢价率时间序列的均值和标准差，最后计算当前溢价率相对于该历史均值的Z-score值。公式可能为： $$Z_t = \frac{Premium_t - \mu_{t-N, t-1}}{\sigma_{t-N, t-1}}$$ 其中，$Z_t$为t日的Z-score值，$Premium_t$为t日的溢价率，$\mu_{t-N, t-1}$为过去N个交易日溢价率的均值，$\sigma_{t-N, t-1}$为过去N个交易日溢价率的标准差。 量化因子与构建方式 1. **因子名称：行业拥挤度**[3] * **因子构建思路**：衡量特定行业交易的热度或拥挤程度，数值高低可能反映市场情绪和潜在的反转风险[3]。 * **因子具体构建过程**：报告未详细说明该因子的具体构建过程和计算公式。 2. **因子名称：ETF溢价率**[4][6] * **因子构建思路**：衡量ETF交易价格与其参考净值（IOPV）的偏离程度，是判断ETF是否存在折溢价套利机会的基础指标[4][6]。 * **因子具体构建过程**：报告未给出详细构建公式，但根据金融常识，其计算公式通常为： $$溢价率 = \frac{ETF市价 - IOPV}{IOPV} \times 100\%$$ 其中，IOPV（Indicative Optimized Portfolio Value）为ETF的实时参考净值[6]。 模型的回测效果 （报告中未提供相关量化模型的回测效果指标数据，如年化收益率、夏普比率、最大回撤、信息比率IR等。） 因子的回测效果 （报告中未提供相关量化因子的回测效果指标数据，如因子IC值、IR、多空收益、分组收益等。）

量化模型与构建方式 1. 模型名称：CCBA/CCB定价模型 * **模型构建思路**：该模型是一个可转债定价模型，用于计算可转债的理论合理价格，从而衡量市场实际价格与理论价格的偏离程度（即估值水平）[6]。 * **模型具体构建过程**：报告未详细描述CCBA或CCB模型的具体构建公式和过程，但指出其源自专题报告《可转债的赎回概率调整定价模型》和《可转债定价模型与应用》[6][18][23]。模型的核心输出是转债的理论定价，并在此基础上计算“定价偏离度”因子。 2. 模型名称：CCB_out定价模型 * **模型构建思路**：在CCB定价模型的基础上，进一步考虑退市风险，以更全面地评估可转债的价值[23]。 * **模型具体构建过程**：报告未给出具体公式，仅说明其是在CCB模型基础上加入了退市风险调整[23]。其核心输出同样是转债的理论定价，并用于计算“定价偏离度”因子。 3. 模型名称：转债&股债组合轮动策略（择时模型） * **模型构建思路**：基于可转债市场的整体估值水平（定价偏离度），在可转债资产与一个股债组合之间进行动态资产配置。当转债低估时超配转债，高估时超配股债组合，以获取稳定的超额收益[11][17]。 * **模型具体构建过程**： 1. **构建基准组合**：构建一个股债组合作为比较基准，该组合由50%的7-10年期国债和50%的中证1000全收益指数构成[11]。 2. **计算估值分数**： a. 计算定价偏离度的Z值：$$Z值 = \frac{定价偏离度}{过去3年定价偏离度的标准差}$$[11] b. 对Z值进行截尾处理：按照±1.5倍标准差进行截尾[11]。 c. 将截尾后的Z值转换为分数：$$分数 = \frac{截尾后的Z值}{-1.5}$$[11] 3. **确定权重**：根据分数动态分配可转债的权重：$$转债权重 = 50\% + 50\% × 分数$$，剩余仓位配置上述股债组合[11]。 4. 模型名称：收益分解模型 * **模型构建思路**：将可转债的收益来源拆解为债底收益、正股拉动收益和转债估值收益三个部分，以便于分析不同时期收益的驱动因素[18]。 * **模型具体构建过程**：报告未给出具体公式，但指出该模型基于专题报告《可转债定价模型与应用》中的CCB模型进行构建[18]。 量化因子与构建方式 1. 因子名称：定价偏离度（基于CCBA/CCB/CCB_out模型） * **因子构建思路**：通过比较可转债市场价格与其理论模型定价的差异，来衡量转债的估值高低。该值为正表示溢价（高估），为负表示折价（低估）[6][23]。 * **因子具体构建过程**：$$定价偏离度 = \frac{转债市场价格}{模型理论定价} - 1$$[6][23] 其中，模型理论定价可分别采用CCBA、CCB或CCB_out模型计算。 2. 因子名称：正股动量因子 * **因子构建思路**：通过计算转债对应正股在过去一段时间内的价格涨幅，来衡量正股的上涨趋势强度[26][35]。 * **因子具体构建过程**：报告提到了两种构建方式： 1. **多期动量等权合成**：计算正股过去1个月、3个月、6个月的动量（收益率），然后进行等权打分合成一个综合动量因子[26]。 2. **单期动量**：直接使用正股过去1个月的动量[35]。 3. 因子名称：转债换手率因子 * **因子构建思路**：通过衡量转债自身的交易活跃度（换手率）以及相对于其正股的交易活跃度，来捕捉市场的关注度和流动性溢价[31][32][34]。 * **因子具体构建过程**：报告提到了两种构建方式： 1. **转债自身换手率**：计算转债的5日和21日换手率[31]。 2. **转债与股票换手率比率**：计算转债换手率与其正股换手率的比率，同样考虑5日和21日周期[31]。 4. 因子名称：信用债替代筛选因子 * **因子构建思路**：通过比较可转债的到期收益率（YTM）与信用债的收益率，筛选出收益率具备吸引力的转债，作为信用债的替代品[35]。 * **因子具体构建过程**：筛选条件为：转债的到期收益率（YTM）加上1%后，仍大于3年期AA级信用债的到期收益率（YTM）[35]。即：$$转债YTM + 1\% > 3年期AA级信用债YTM$$[35] 复合策略模型与构建方式 1. 模型名称：低估值策略 * **模型构建思路**：在偏债、平衡、偏股三个分域中，分别选取定价偏离度（基于CCB_out模型）最低的转债构建组合，并结合分域估值进行择时配置[23]。 * **模型具体构建过程**： 1. **选券**：在偏债、平衡、偏股三个分域中，分别选取定价偏离度最低的15只转债（共45只）[23]。 2. **筛选条件**：所选转债需满足“余额3亿以上且评级AA-及以上”[23]。 3. **分域择时**：根据三个分域市场的相对估值水平，超配估值过低的分域，低配估值过高的分域[23]。 2. 模型名称：低估值+强动量策略 * **模型构建思路**：在低估值策略的基础上，融入正股动量因子，旨在选取既便宜（低估值）又具备上涨趋势（强动量）的转债，以增强策略弹性[26]。 * **模型具体构建过程**：结合了“定价偏离度因子”与“正股动量因子”（正股过去1、3、6个月动量等权打分）进行综合选股[26]。其基础框架（分域选券、分域择时）与低估值策略相同。 3. 模型名称：低估值+高换手策略 * **模型构建思路**：先筛选市场低估的转债，再从中选择成交活跃（高换手）的个券进行配置，结合了估值与市场情绪因子[29]。 * **模型具体构建过程**： 1. **初筛**：使用CCB_out定价偏离度因子，选择全市场低估程度最低的50%的转债，形成初选池[29][31]。 2. **精选**：在初选池中，使用“高换手因子”进行筛选。该因子由转债换手率（5日、21日）以及转债与股票换手率比率（5日、21日）构成[31]。 4. 模型名称：平衡偏债增强策略 * **模型构建思路**：一个绝对收益型策略，专注于偏债型和平衡型转债，通过剔除偏股型转债并叠加换手率、动量等因子进行增强，旨在控制波动和回撤[32]。 * **模型具体构建过程**： 1. **初筛**：使用CCB_out定价偏离度因子，选择全市场低估程度最低的50%的转债，并从中去掉偏股型转债，形成低估池[32][34]。 2. **增强**：在低估池中，对偏债型转债使用“转债换手率因子+正股动量因子”进行增强；对平衡型转债使用“转债换手率因子”进行增强[32][34]。 5. 模型名称：信用债替代策略 * **模型构建思路**：一个绝对收益型策略，将可转债作为信用债的增强替代品。通过严格的收益率筛选和动量选股构建转债组合，并辅以波动率控制来管理风险[35]。 * **模型具体构建过程**： 1. **筛选转债池**：使用“信用债替代筛选因子”（转债YTM+1% > 3年期AA信用债YTM）进行筛选，且转债需满足余额3亿以上、评级AA-及以上[35]。 2. **构建转债组合**：在转债池中，选出正股1个月动量最强的20只转债进行等权配置，个券最大权重不超过2%[35]。 3. **组合构建与风控**：通过波动率控制方法降低短期回撤，剩余仓位配置信用债[35]。 6. 模型名称：波动率控制策略 * **模型构建思路**：一个多资产绝对收益型策略，将多个增强子策略（偏债、平衡、偏股）与信用债通过波动率控制方法进行组合，旨在将整体组合波动率控制在目标水平（4%）[37]。 * **模型具体构建过程**： 1. **构建子策略**：分别在偏债、平衡、偏股分域中，构建“低估值+强动量”的增强策略，各选取打分最高的15只转债，形成偏债增强、平衡增强、偏股增强三个子策略[37]。 2. **组合优化**：以上述三个增强子策略以及信用债作为基础资产，通过波动率控制模型进行资产配置，使整个“波动率控制策略”的组合波动率控制在4%左右[37]。 模型的回测效果 （以下回测结果均基于2018年至2025年12月19日的全样本年化数据，基准为“等权指数”） 1. **低估值策略**，区间收益20.5%，年化波动13.2%，最大回撤18.0%，区间超额收益9.7%，信息比率(IR)1.64[26] 2. **低估值+强动量策略**，区间收益24.3%，年化波动13.8%，最大回撤13.2%，区间超额收益13.1%，信息比率(IR)2.25[29] 3. **低估值+高换手策略**，区间收益23.2%，年化波动15.0%，最大回撤15.9%，区间超额收益12.1%，信息比率(IR)1.95[32] 4. **平衡偏债增强策略**，区间收益22.3%，年化波动12.1%，最大回撤13.9%（该策略为绝对收益型，未提供超额收益和IR）[35] 5. **信用债替代策略**，区间收益7.1%，年化波动2.1%，最大回撤2.8%（该策略为绝对收益型，未提供超额收益和IR）[37] 6. **波动率控制策略**，区间收益9.4%，年化波动4.4%，最大回撤4.4%（该策略为绝对收益型，未提供超额收益和IR）[41] 因子的回测效果 （报告未提供单个因子的独立测试指标取值）

量化模型与构建方式 1. **模型名称：长期行业主题基金标签与指数模型** * **模型构建思路**：为主动偏股基金构建完整的行业主题和细分赛道标签，以支持投资者在资产配置、主题投资、产品选择上的多样化需求，并构建相应的行业主题基金指数，作为衡量主题基金风险收益情况的工具[37]。 * **模型具体构建过程**： 1. **数据来源**：使用基金在近四期（中报/年报）的持仓信息[37]。 2. **标签定义**：根据基金的长期行业配置特征，将其标签区分为三类： * **行业主题基金**：长期稳定配置于特定行业的基金。 * **行业轮动基金**：在不同时期切换主要配置行业的基金。 * **行业均衡基金**：行业配置较为分散均衡的基金[37]。 3. **指数构建**：基于上述标签分类，构建相应的长期行业主题基金指数，以反映各类主题基金的整体表现[37]。 * **模型评价**：该模型为投资者提供了衡量主题基金风险收益情况的标准化工具，有助于进行更精细化的资产配置和产品选择[37]。 2. **模型名称：公募REITs系列指数模型** * **模型构建思路**：构建完整的REITs系列指数，以综合反映REITs市场表现，并提供基于不同底层资产、项目类型的细分指数，为投资者提供基于指数化投资思想的资产配置新视角[48]。 * **模型具体构建过程**： 1. **指数类型**：构建综合指数、底层资产指数（如产权类、特许经营权类）和细分项目指数（如生态环保、交通基础设施等）[48]。 2. **指数特性**：考虑到REITs的高分红特性，均提供价格指数和全收益指数[48]。 3. **计算方法**： * 采用分级靠档的方法以确保计算指数的份额保持相对稳定[48]。 * 当样本成分名单或样本成分的调整市值出现非交易因素的变动时（如新发、扩募等），采用除数修正法保证指数的连续性[48]。 * **模型评价**：该模型为长期投资者提供了利用REITs指数进行资产配置的有效工具，有助于把握REITs市场的长期投资机会[48]。 量化因子与构建方式 1. **因子名称：现金流因子** * **因子构建思路**：作为多因子ETF的细分类型之一，现金流因子旨在捕捉上市公司自由现金流相关的投资机会[61]。 * **因子具体构建过程**：报告中未详细描述该因子的具体计算过程，但提及了基于该因子构建的ETF产品（如“沪深300自由现金流指数”基金）[29][32]。通常，现金流因子可能基于公司的自由现金流、经营现金流等财务指标进行构建。 2. **因子名称：动量因子** * **因子构建思路**：作为多因子ETF的细分类型之一，动量因子旨在捕捉资产价格延续其历史趋势（上涨或下跌）的投资机会[61]。 * **因子具体构建过程**：报告中未详细描述该因子的具体计算过程，但提及了基于该因子构建的ETF产品[61]。通常，动量因子可能基于股票过去一段时间（如3个月、6个月、12个月）的收益率进行排序和构建。 3. **因子名称：价值因子** * **因子构建思路**：作为多因子ETF的细分类型之一，价值因子旨在捕捉市场价格低于其内在价值的投资机会[61]。 * **因子具体构建过程**：报告中未详细描述该因子的具体计算过程，但提及了基于该因子构建的ETF产品[61]。通常，价值因子可能基于市盈率（PE）、市净率（PB）、市销率（PS）等估值指标进行构建。 4. **因子名称：成长因子** * **因子构建思路**：作为多因子ETF的细分类型之一，成长因子旨在捕捉公司盈利或收入高增长潜力的投资机会[61]。 * **因子具体构建过程**：报告中未详细描述该因子的具体计算过程，但提及了基于该因子构建的ETF产品[61]。通常，成长因子可能基于营业收入增长率、净利润增长率等指标进行构建。 5. **因子名称：质量因子** * **因子构建思路**：作为多因子ETF的细分类型之一，质量因子旨在捕捉公司具有高质量财务特征（如高盈利能力、低负债、稳健经营）的投资机会[61]。 * **因子具体构建过程**：报告中未详细描述该因子的具体计算过程，但提及了基于该因子构建的ETF产品[61]。通常，质量因子可能基于净资产收益率（ROE）、资产回报率（ROA）、盈利稳定性等指标进行构建。 6. **因子名称：低波因子** * **因子构建思路**：作为多因子ETF的细分类型之一，低波因子旨在捕捉股价波动率较低、表现相对稳健的投资机会[61]。 * **因子具体构建过程**：报告中未详细描述该因子的具体计算过程，但提及了基于该因子构建的ETF产品[61]。通常，低波因子可能基于股票历史收益率的标准差或下行波动率进行构建。 7. **因子名称：基本面因子** * **因子构建思路**：作为多因子ETF的细分类型之一，基本面因子通常指基于公司基本面指标（如销售额、现金流、净资产、分红）综合加权构建的复合因子[61]。 * **因子具体构建过程**：报告中未详细描述该因子的具体计算过程，但提及了基于该因子构建的ETF产品[61]。 模型的回测效果 1. **长期行业主题基金指数模型**，本周收益率：金融地产主题2.17%，国防军工主题1.75%，周期主题1.68%，消费主题0.92%，行业轮动主题-0.32%，行业均衡主题-0.65%，新能源主题-1.66%，医药主题-1.85%，TMT主题-2.02%[37]。 2. **公募REITs系列指数模型**，基日以来业绩指标（截至2025年12月19日）： * **REITs综合指数**：本周收益-3.02%，累计收益-7.00%，年化收益-1.60%，最大回撤-42.67%，夏普比率-0.30，年化波动10.44%[52]。 * **产权类REITs指数**：本周收益-2.33%，累计收益10.14%，年化收益2.17%，最大回撤-45.00%，夏普比率0.05，年化波动12.73%[52]。 * **特许经营权类REITs指数**：本周收益-4.49%，累计收益-25.88%，年化收益-6.44%，最大回撤-41.17%，夏普比率-0.87，年化波动9.12%[52]。 * **生态环保REITs指数**：本周收益-1.02%，累计收益-12.78%，年化收益-2.99%，最大回撤-55.72%，夏普比率-0.29，年化波动15.35%[52]。 因子的回测效果 *注：报告中未提供各量化因子独立的回测绩效指标（如IC、IR、多空收益等）。报告仅在ETF市场跟踪部分，列出了基于各类因子构建的ETF细分产品在特定周期内的回报数据[61]。* 1. **多因子类ETF细分类型本周回报（2025.12.15-2025.12.19）**：现金流因子0.85%，动量因子-2.42%，价值因子1.09%，成长因子-1.17%，质量因子0.68%，低波因子0.24%，基本面因子0.25%[61]。 2. **多因子类ETF细分类型近1月回报**：现金流因子0.03%，动量因子7.74%，价值因子-0.07%，成长因子3.17%，质量因子3.03%，低波因子0.43%，基本面因子-1.36%[61]。 3. **多因子类ETF细分类型今年以来回报**：现金流因子数据暂缺，动量因子37.87%，价值因子12.54%，成长因子31.10%，质量因子29.85%，低波因子14.69%，基本面因子7.20%[61]。

量化模型与构建方式 1. **模型名称：基于分位数随机森林（QRF）分布预测的科技类ETF轮动策略**[1] * **模型构建思路**：针对科技类指数波动大、尾部风险高的特点，采用分位数随机森林模型预测指数未来周度收益率的完整分布，以更精确地刻画短期风险[28]。基于预测分布构建多维度评价体系筛选潜力指数，并结合仓位控制与组合优化方法，构建ETF轮动策略，旨在控制下行风险的同时获取超额收益[1][68]。 * **模型具体构建过程**： * **步骤1：指数分布预测**。使用分位数随机森林模型，以Fama-French五因子的周度收益率作为自变量，预测各科技大类行业指数未来一周收益率的分位数[52]。回归窗口为近104周数据[85]。通过预测得到的一系列分位数（如以5%为间隔），采用在相邻分位数间填充均匀分布的方法，近似得到指数的完整收益率分布，并可进行模拟抽样[42][43]。 * **步骤2：指数综合评价与初选**。基于步骤1得到的预测分布（或模拟样本），为每个指数计算7个指标并标准化，然后加权复合得到综合评分[61][66][67]。7个指标及其权重为：50%分位数（1倍）、75%分位数（1倍）、平均收益率（1倍）、Sharpe比率（2倍）、Sortino比率（1倍）、Omega比率（1倍）、胜率（1倍）[68]。选取综合评分最高的5支指数，并确保所选指数覆盖的最小行业层级最多出现一次，以防止行业过度集中[85]。 * **步骤3：ETF标的选取**。为步骤2选出的每支指数，选取追踪该指数、且过去21个交易日日均成交额最大的ETF作为投资标的[85]。 * **步骤4：组合权重优化**。对步骤3选出的5支ETF，采用结合指数收益率分布预测的二阶随机占优方法进行权重优化，以控制组合尾部风险[75]。具体流程包括：利用指数近8周日频收益率序列拟合GARCH模型，得到标准化残差序列并构建协方差矩阵[75][76]；生成多维正态分布样本，并映射到由QRF预测的分位数所构建的实际边际分布中，得到预测的联合分布模拟样本[79]；以该模拟样本为基础，以二阶随机占优条件作为约束，求解ETF最优持仓权重，并约束每支ETF权重不低于科技大类持仓总权重的5%[77][78][80][82]。 * **步骤5：整体仓位控制**。在每次调仓日，计算科技大类行业指数的平均收盘价序列的MACD指标，若出现“死叉”，则将总ETF持仓权重设为50%[71][72]。若未出现“死叉”，则计算市场波动率（基于上述指数滚动标准差均值）在过去252个交易日中的分位点，若该分位点大于50%，则总ETF持仓权重设为50%，否则设为(1-分位点)[72]。此步骤用于规避系统性下行风险[68]。 * **步骤6：最终持仓确定**。将步骤4得到的5支ETF优化权重，等比例缩放至步骤5确定的总ETF持仓权重，剩余仓位全部配置华安黄金ETF（518880.SH）以进行风险对冲[85][71]。 模型的回测效果 1. **基于QRF分布预测的科技类ETF轮动策略**（回测区间：2020年1月2日至2025年12月12日）[86] * 年化收益率：24.19%[86][88] * 年化波动率：20.58%[88] * Sharpe比率：1.1560[88] * Calmar比率：0.9061[88] * 最大回撤：-26.70%[88] * 累计收益率：245.45%（相较于科创50指数超额累计156.10%）[86][89] 量化因子与构建方式 1. **因子名称：Fama-French五因子**[44] * **因子构建思路**：作为资产定价模型，用于解释股票回报率的差异，包含市场、市值、价值、盈利和投资五个维度的系统性风险因子[44][46]。在本报告中，其周度收益率被用作分位数随机森林模型的自变量，以预测指数收益率分布[52]。 * **因子具体构建过程**：采用简易计算方法，日频计算，具体如下[46][49]： * **MKT（市场因子）**：每个交易日，在A股成分股中剔除风险警示板股票及最近报告期每股净利润为负的股票，以前一交易日总市值加权计算当日市场收益率，减去当日银行间同业拆借加权利率[49]。 * **SMB（市值因子）**：以上述股票池为样本，按前一交易日总市值从小到大均分为10组，做多第1组（最小市值），做空第10组（最大市值），以前一交易日总市值加权计算当日因子收益率[49]。 * **HML（价值因子）**：以上述股票池为样本，按前一交易日最近财年市净率（PB-LF）从大到小均分为10组，做多第1组（高市净率，价值股），做空第10组（低市净率，成长股），以前一交易日总市值加权计算当日因子收益率[49]。 * **RMW（盈利因子）**：以上述股票池为样本，按最近报告期营业利润从大到小均分为10组，做多第1组（高盈利），做空第10组（低盈利），以前一交易日总市值加权计算当日因子收益率[49]。 * **CMA（投资因子）**：以上述股票池为样本，按最近报告期净资产收益率（ROE）从小到大均分为10组，做多第1组（低ROE，投资保守），做空第10组（高ROE，投资激进），以前一交易日总市值加权计算当日因子收益率[49]。 2. **因子名称：基于QRF分布预测的指数轮动复合因子**[56][66] * **因子构建思路**：从预测的指数收益率分布中提取多个有效信号，综合收益率、风险调整后收益及胜率三个维度，构建一个用于指数轮动的综合评分因子[56]。 * **因子具体构建过程**： * **步骤1：计算基础指标**。利用QRF预测的分布（或生成的模拟样本），为每个指数计算以下7个指标[61][63][64]： * **收益率指标**：50%分位数（中位数）、75%分位数、平均收益率（通过模拟样本计算）[61]。 * **风险调整后收益指标**：Sharpe比率（无风险利率设为0）、Sortino比率（下行标准差）、Omega比率[63]。 * **胜率指标**：模拟样本中收益率大于0的样本频率[64]。 * **步骤2：指标标准化**。对每个指标进行截面标准化，以消除量纲影响[66]。公式为： $$X_{i j}={\frac{x_{i j}-{\overline{{x_{i}}}}}{S_{i}}}$$ 其中，$x_{ij}$为第$j$个指数第$i$个指标的实际值，$X_{ij}$为标准化后的值，$\overline{x_i}$为第$i$个指标的截面均值，$S_i$为截面样本标准差[67]。 * **步骤3：指标复合**。将标准化后的各指标按既定方向和权重加权求和，得到每个指数的最终复合评分[67]。公式为： $$S c o r e_{j}=\sum_{i=1}^{M}D_{i}\;W_{i}X_{i}$$ 其中，$Score_j$为第$j$个指数的总复合指标值，$D_i$为第$i$个指标的方向（全部为正向），$W_i$为第$i$个指标的权重[67][68]。 因子的回测效果 1. **50%分位数因子**，平均斯皮尔曼IC值：0.0642[62] 2. **75%分位数因子**，平均斯皮尔曼IC值：0.0582[62] 3. **平均收益率因子**，平均斯皮尔曼IC值：0.0719[62] 4. **Sharpe比率因子**，平均斯皮尔曼IC值：0.0616[64] 5. **Sortino比率因子**，平均斯皮尔曼IC值：0.0581[64] 6. **Omega比率因子**，平均斯皮尔曼IC值：0.0602[64] 7. **胜率因子**，平均斯皮尔曼IC值：0.0586[64] *(注：以上IC值为各指标与对应指数下一周真实收益率的斯皮尔曼秩相关系数在2020年至2025年12月12日期间的周度平均值)[61][63][64]*

量化模型与因子总结 量化模型与构建方式 本报告为市场数据跟踪报告，未涉及具体的量化选股或择时模型，因此无量化模型相关内容。 量化因子与构建方式 报告中对多个市场指标（可视为观测因子）进行了计算和跟踪，具体如下： 1. **因子名称：连阴连阳天数** * **因子构建思路**：通过计算指数K线连续为阴线或阳线的天数，来跟踪市场的短期趋势强度和持续性[12]。 * **因子具体构建过程**：从指定起始日开始，逐日判断指数收盘价涨跌。若当日收益率为正，则连阳天数加1，连阴天数重置为0；若为负，则连阴天数加1（以负数表示），连阳天数重置为0。正数表示连阳天数，负数表示连阴天数[12]。 2. **因子名称：指数与均线比较** * **因子构建思路**：通过计算指数收盘价相对于不同周期移动平均线（MA）的偏离百分比，来判断指数短期、中期和长期的趋势位置及支撑压力情况[15]。 * **因子具体构建过程**：首先计算各宽基指数在不同周期（如5日、10日、20日、60日、120日、250日）的简单移动平均线（MA）。然后计算指数收盘价相对于各均线的偏离百分比。公式为： $$偏离百分比 = \frac{收盘价 - 移动平均线}{移动平均线} \times 100\%$$ 例如，`vsMA5` 表示收盘价相对于5日均线的偏离百分比[15]。 3. **因子名称：交易金额占比** * **因子构建思路**：计算单一宽基指数成交额占全市场（以中证全指代表）成交额的比例，用以观察资金在不同风格板块间的流动和集中度[17]。 * **因子具体构建过程**：对于特定指数，在交易日T，计算其所有成分股的成交额之和。同时计算中证全指在交易日T的成交额。该因子值为： $$交易金额占比_T = \frac{指数T日成交额}{中证全指T日成交额} \times 100\%$$ [17]。 4. **因子名称：指数换手率** * **因子构建思路**：衡量指数整体成分股的交易活跃度，采用流通市值加权的方式计算，比简单平均更能反映整体市场的换手情况[17]。 * **因子具体构建过程**：对于特定指数，在交易日T，计算其所有成分股的流通市值加权换手率。公式为： $$指数换手率_T = \frac{\sum (成分股流通股本_i \times 成分股换手率_{i,T})}{\sum (成分股流通股本_i)}$$ 其中，`i` 代表指数成分股[17]。 5. **因子名称：收益分布峰度与偏度** * **因子构建思路**：通过计算指数日收益率分布的峰度和偏度，来刻画收益分布的尖峭程度和对称性，并与历史分布进行比较，观察市场波动形态的变化[23][25]。 * **因子具体构建过程**：选取特定时间窗口（如近一年、近五年）的指数日收益率序列。计算该序列的峰度（Kurtosis）和偏度（Skewness）。报告中采用的峰度为超额峰度（Excess Kurtosis），即在计算值基础上减去正态分布的峰度3。公式分别为： $$峰度 = \frac{E[(R-\mu)^4]}{\sigma^4} - 3$$ $$偏度 = \frac{E[(R-\mu)^3]}{\sigma^3}$$ 其中，`R`为日收益率序列，`μ`为序列均值，`σ`为标准差，`E`为期望算子[25]。 6. **因子名称：风险溢价** * **因子构建思路**：以十年期国债即期收益率作为无风险利率的代理变量，计算股票指数预期收益率（常用市盈率倒数或股息率近似）与之差值，用以衡量股票市场相对于债券市场的风险补偿和投资价值[27][31]。 * **因子具体构建过程**：报告中风险溢价的计算基于股息率。对于特定指数，在交易日T，其风险溢价为： $$风险溢价_T = 指数股息率_T - 十年期国债即期收益率_T$$ 同时，计算该风险溢价在近1年、近5年时间窗口内的历史分位值，以判断当前风险溢价在历史中所处的位置[31]。 7. **因子名称：PE-TTM 分位值** * **因子构建思路**：计算指数当前滚动市盈率（PE-TTM）在其历史序列中所处的百分位位置，用以判断指数估值水平的高低[37][41]。 * **因子具体构建过程**：获取指数在特定回顾期（如近5年）内每个交易日的PE-TTM值，构成历史序列。将当前PE-TTM值与该历史序列进行比较，计算其百分位数。例如，95%的分位值表示当前估值比回顾期内95%的时间都要高[41][42]。 8. **因子名称：股债性价比** * **因子构建思路**：将股票指数市盈率的倒数（即盈利收益率）与十年期国债收益率进行比较，其差值可以衡量股票资产相对于债券资产的吸引力[44]。 * **因子具体构建过程**：对于特定指数，在交易日T，其股债性价比为： $$股债性价比_T = \frac{1}{PE-TTM_T} - 十年期国债即期收益率_T$$ 报告中将此差值的时间序列与基于历史数据计算的统计阈值（如80%分位、20%分位、均值±1倍标准差）进行对比[44]。 9. **因子名称：股息率** * **因子构建思路**：计算指数成分股的现金分红回报率，是价值投资和红利策略关注的核心指标，用于评估指数的现金回报能力和估值水平[46][51]。 * **因子具体构建过程**：指数股息率通常为其成分股过去12个月现金分红总额除以指数总市值。报告中也计算了当前股息率在近1年、近5年及全部历史数据中的分位值[51]。 10. **因子名称：破净率** * **因子构建思路**：计算指数中市净率（PB）小于1的个股数量占指数总成分股数量的比例，用以反映市场整体的悲观程度和估值底部的特征[52][55]。 * **因子具体构建过程**：对于特定指数，在交易日T，遍历其所有成分股，判断其市净率是否小于1。破净率计算公式为： $$破净率_T = \frac{市净率<1的成份股数量}{指数总成份股数量} \times 100\%$$ [55]。 因子的回测效果 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具体回测绩效指标（如IC、IR、多空收益、夏普比率等）。报告主要呈现了各因子在特定时点（2025年12月19日）的截面取值或时间序列上的当前状态，具体数值如下： 1. **连阴连阳天数因子**：上证50、中证500、中证1000、中证2000、中证全指均为连阳3天；创业板指为连阴2天[12]。 2. **指数与均线比较因子**：以`vsMA5`为例，上证50为0.6%，沪深300为0.4%，中证500为0.9%，中证1000为0.7%，中证2000为1.2%，中证全指为0.7%，创业板指为-0.02%[15]。 3. **交易金额占比因子**：中证2000为25.62%，沪深300为21.81%，中证1000为21.27%，中证500为未明确列示但低于前述，上证50、创业板指、中证全指占比未明确列示[17]。 4. **指数换手率因子**：中证2000为4.02，中证1000为2.22，创业板指为2.05，中证全指为1.64，中证500为1.6，沪深300为0.47，上证50为0.22[17]。 5. **收益分布峰度与偏度因子**：以“当前vs近5年”变化为例，峰度变化：创业板指为-2.58，中证500为-2.23，上证50为-2.12，中证全指为-1.87，沪深300为-1.88，中证2000为-1.59，中证1000为-1.43；偏度变化：创业板指为-0.63，中证500为-0.56，上证50为-0.59，中证全指为-0.46，沪深300为-0.47，中证2000为-0.38，中证1000为-0.37[25]。 6. **风险溢价因子**：当前值：中证2000为1.46%，中证500为0.96%，中证1000为0.78%，中证全指为0.76%，创业板指为0.48%，沪深300为0.33%，上证50为0.19%。近5年分位值：中证2000为86.03%，中证500为81.83%，中证全指为77.86%，中证1000为73.65%，沪深300为66.27%，创业板指为64.13%，上证50为60.00%[31]。 7. **PE-TTM 分位值因子**：近5年历史分位值：中证500为95.21%，中证1000为93.88%，中证全指为91.82%，沪深300为83.14%，上证50为82.56%，中证2000为81.07%，创业板指为56.78%[41][42]。 8. **股债性价比因子**：报告未给出具体数值，仅给出定性结论：没有指数高于其80%分位（机会值），中证500低于其20%分位（危险值）[44]。 9. **股息率因子**：当前值：上证50为3.17%，沪深300为2.76%，中证全指为2.05%，中证500为1.45%，中证1000为1.14%，创业板指为0.99%，中证2000为0.79%。近5年历史分位值：创业板指为65.37%，中证1000为49.09%，沪深300为38.18%，中证全指为36.69%，上证50为31.32%，中证2000为24.55%，中证500为24.38%[49][51]。 10. **破净率因子**：上证50为22.0%，沪深300为16.0%，中证500为11.0%，中证1000为8.0%，中证全指为6.1%，中证2000为3.25%，创业板指未提供[55]。