量化模型与构建方式 1 **模型名称：行业拥挤度监测模型** - **模型构建思路**：通过多维度指标监测申万一级行业指数的拥挤程度，识别高拥挤和低拥挤行业[3] - **模型具体构建过程**： 1. 选取申万一级行业指数作为标的 2. 计算各行业的拥挤度指标（具体指标未在报告中明确列出，但可能包含价格波动、资金流向、换手率等） 3. 对指标进行标准化或分位数处理，生成每日拥挤度评分 4. 根据评分排名，识别高拥挤（如电力设备、电子）和低拥挤行业（如食品饮料、美容护理、石化）[3] 2 **模型名称：溢价率 Z-score 模型** - **模型构建思路**：通过计算ETF溢价率的Z-score值，识别存在套利机会的ETF产品[4] - **模型具体构建过程**： 1. 计算ETF的溢价率： $$溢价率 = \frac{ETF市价 - ETF净值}{ETF净值}$$ 2. 计算溢价率的滚动均值和滚动标准差（窗口期未明确） 3. 计算Z-score： $$Z = \frac{当前溢价率 - 滚动均值}{滚动标准差}$$ 4. 设定阈值（未明确具体值），筛选Z-score异常的ETF作为关注信号[4] --- 量化因子与构建方式 1 **因子名称：主力资金净流动因子** - **因子构建思路**：通过监测主力资金在行业或ETF中的净流入/流出情况，反映资金动向[2][5] - **因子具体构建过程**： 1. 计算单日或多日主力资金净流动金额： $$净流动金额 = 流入金额 - 流出金额$$ 2. 按行业（申万一级）或ETF类别（宽基、行业主题等）分类统计[5][11] 3. 生成排名（如TOP3流入/流出）或时间序列数据[5] --- 模型的回测效果 （报告中未提供模型回测结果） --- 因子的回测效果 1. **主力资金净流动因子**： - 近期表现（2025/9/22）： - 宽基ETF净流出71.31亿元，行业主题ETF净流出30.93亿元，风格策略ETF净流出0.39亿元，跨境ETF净流入20.46亿元[5] - 行业资金流向：电子行业主力资金流入，电力设备、传媒行业流出[3] - 近3日资金动向：减配计算机、电力设备；增配房地产、纺织服饰[3] 2. **行业拥挤度因子**： - 近期表现（截至2025/9/22）： - 高拥挤行业：电力设备、电子（拥挤度评分靠前） - 低拥挤行业：食品饮料、美容护理、石化（拥挤度评分较低） - 变动较大行业：煤炭、有色金属[3] 3. **ETF溢价率Z-score因子**： - 近期关注标的（2025/9/22）： - 道琼斯ETF（513400.SH）、中证500ETF平安（510590.SH）、中证500成长ETF（562340.SH）、香港证券ETF（513090.SH）、黄金ETF基金（518660.SH）[10] ---

根据研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 **1. 股指期现套利模型** - **模型构建思路**：当股指期货的市场价格偏离其理论价格时，通过在期货和现货市场上低买高卖并持有至基差收敛而获得收益[45] - **模型具体构建过程**：模型分为正向套利和反向套利两种策略[45] - 正向套利（现货低估、期货高估）：卖出期货合约，买入现货[45] - 反向套利（现货高估、期货低估）：买入期货合约，卖出现货[45] - 套利收益率计算公式： - 正向套利：$$P={\frac{(F_{\mathrm{t}}-S_{\mathrm{t}})-(S_{\mathrm{t}}+F_{\mathrm{t}}M_{\mathrm{t}})(1+r_{\mathrm{t}})^{\frac{T-t}{360}}-S_{\mathrm{t}}C s-F_{\mathrm{t}}C f)}{S_{\mathrm{t}}+F_{\mathrm{t}}M_{\mathrm{t}}}}$$[46] - 反向套利：$$P={\frac{(S_{t}-F_{t})-(S_{t}M l+F_{t}M_{f})(1+r_{f})^{\frac{T-t}{360}}-S_{t}C s-F_{t}C f-S_{t}r^{\frac{T-t}{360}})}{S_{t}M l+F_{t}M_{f}}}$$[46] - 参数说明：$S_t$、$F_t$为t时刻现货与期货价格，$S_T$、$F_T$为T时刻价格，$M_f$、$M_l$为期货与融券保证金比率，$C_s$、$C_f$为现货与期货交易费用比率，$r_f$为无风险利率，$r_l$为融券年利率[46] - 参数取值：股指期货单边交易费用取万分之零点二三，现货单边交易费用取千分之一，期货和融券保证金分别为20%和50%，融券利率为年化10.6%[46] **2. 股利预估模型** - **模型构建思路**：通过历史分红规律预测分红点位，修正基差率以跟踪市场真实的基差率水平[47] - **模型具体构建过程**： - 分红预测方法：对于已实施/已公布分红预案的按实际计算，未公布的采用EPS×预测派息率[47] - EPS取值规则： - 预测时间t小于10月：使用上年度数据，EPS取年报披露EPS，未披露时取上年度12月31日的EPS_TTM[47] - 预测时间t大于10月：对明年分红预测，EPS取t时间的EPS_TTM[47] - 预测派息率确定方法： - 稳定派息公司：取过去三年派息率均值[52] - 不稳定派息但盈利公司：取上一年度派息率[52] - 未盈利、上市不足一年等：预测派息率为0[52] - 分红点位计算公式：分红点位 = ∑(每股分红 × 指数收盘价 × 成分股权重 / 成分股收盘价) = ∑(EPS × 预测派息率 × 指数收盘价 × 成分股权重 / 成分股收盘价)[50] 量化因子与构建方式 **1. 基差率因子** - **因子构建思路**：衡量期货价格与现货价格之间的差异程度[13] - **因子具体构建过程**：$$基差率 = \frac{指数对应主力合约 - 指数}{指数}$$[13] - **因子评价**：基差变化与分红影响、投资者交易情绪的相关度较高[12] **2. 年化基差率因子** - **因子构建思路**：将基差率年化处理，便于跨期比较[15] - **因子具体构建过程**：$$年化基差率 = \frac{指数对应当季合约 - 指数}{指数} \div 剩余交易日天数 \times 252$$[15] **3. 跨期价差率因子** - **因子构建思路**：衡量不同期限期货合约之间的价格差异[13] - **因子具体构建过程**：$$跨期价差率 = \frac{当月合约价格 - 下月合约价格}{当月合约价格}$$[13] 模型的回测效果 *注：研报中未提供具体的模型回测效果指标取值* 因子的回测效果 **1. 基差率因子** - 沪深300期指主力合约基差率：-0.664%[13] - 中证500期指主力合约基差率：0.223%[13] - 中证1000期指主力合约基差率：0.243%[13] - 上证50期指主力合约基差率：-1.879%[13] **2. 年化基差率因子** - 沪深300期指当季合约年化基差率：-4.66%[11] - 中证500期指当季合约年化基差率：-12.51%[11] - 中证1000期指当季合约年化基差率：-14.77%[11] - 上证50期指当季合约年化基差率：-0.06%[11] **3. 跨期价差率因子** - 沪深300期指跨期价差分位数：78.30%[11] - 中证500期指跨期价差分位数：73.30%[11] - 中证1000期指跨期价差分位数：84.20%[11] - 上证50期指跨期价差分位数：63.90%[11]

根据您提供的研报内容，以下是关于量化模型与因子的总结： 量化因子与构建方式 1. **因子名称**：净股息率[46] **因子构建思路**：用于筛选高股息证券，是恒生港股通高股息率指数的核心选股标准，旨在反映公司的分红水平和相对估值[9][46]。 **因子具体构建过程**： 1. 计算每只证券的净股息率，公式为： $$净股息率 = \frac{除税后之每股派息}{股息数据截至日之收市价格}$$[46] 2. 每股派息指股息数据截止当天，过去一年公布的现金股息。若证券每半年（或每季）发放股息，即以最近两个中期（或四个季度)之总股息计算。[46] 3. 对净股息率高于7%的证券进行再度检视并重新计算，任何一次性现金之派息将被剔除。[46] 4. 最终，过去三年平均净股息率排名最高的50只证券会被选为指数成份股。[46] **因子评价**：该因子是红利策略中较为常用的指标，能体现企业的分红水平并从派息层面反映个股的相对估值水平，有助于在保证收益波动减小的同时提升收益的稳定性和投资者持有体验。[9] 模型的回测效果 1. **恒生港股通高股息率指数**，累计收益63.78%[71]，年化波动率20.41%[77] 2. **恒生港股通高股息率指数股息累计指数**，累计收益63.78%[71]，年化波动率20.39%[77] 因子的回测效果 1. **净股息率因子**，近12个月股息率6.05%[49][50]

根据提供的研报内容，该报告主要对A股市场主要宽基指数进行多维度数据跟踪和统计，并未涉及具体的量化交易模型或用于选股的量化因子。报告的核心内容是展示各类市场指标的当前状态和历史比较。 量化模型与构建方式 报告未涉及具体的量化交易模型。 量化因子与构建方式 报告未涉及用于选股或组合构建的量化因子。报告中所提及的均为对市场整体或宽基指数的描述性统计指标，例如风险溢价、PE-TTM等，这些指标用于衡量市场状态，而非作为预测未来收益的因子。 市场指标与构建方式 以下是报告中重点跟踪和分析的市场指标： **1 指标名称：风险溢价** * **指标构建思路**：以十年期国债即期收益率为无风险利率的参考，计算各宽基指数收益率与其的差值，用以衡量股票市场相对于无风险资产的超额收益和投资价值[25]。 * **指标具体构建过程**：风险溢价 = 宽基指数收益率 - 十年期国债即期收益率[26][27]。报告中对各指数的风险溢价进行了历史分布分析，并计算了其在近1年和近5年的分位值[27][29]。 * **指标评价**：各跟踪指数的风险溢价有明显的均值复归现象。中证1000和中证2000的风险溢价波动率相对较大[26]。上证50的分布更集中，而中证1000、中证2000和创业板指的风险溢价分布较分散，不确定性相对更大[32]。 **2 指标名称：市盈率（PE-TTM）** * **指标构建思路**：观察各指数的滚动市盈率作为估值参考，衡量各指数在当前时点的投资价值[37]。 * **指标具体构建过程**：PE-TTM = 总市值 / 最近12个月净利润总和。报告跟踪了各宽基指数的PE-TTM绝对值及其历史分位值[37][38][40]。 * **指标评价**：各宽基指数的PE-TTM分位数在2024年9月底附近探底后急速拉升，整体中枢上移，保持震荡上扬趋势[37]。 **3 指标名称：股债性价比** * **指标构建思路**：通过比较股票市场收益率与债券收益率的差异，辅助进行资产配置决策[43]。 * **指标具体构建过程**：股债性价比 = (1 / 宽基指数PE-TTM) - 十年期国债即期收益率[43]。报告将当前值与近5年的分位值（如80%分位和20%分位）进行比较[43]。 **4 指标名称：股息率** * **指标构建思路**：股息率反映现金分红回报率，红利投资是一种投资风格。在市场低迷时期，高股息因其稳定的现金流和较低的估值而成为避风港[45]。 * **指标具体构建过程**：股息率 = 近12个月现金分红总额 / 总市值。报告跟踪了各宽基指数的当前股息率及其历史分位值[45][50][51]。 **5 指标名称：破净率** * **指标构建思路**：破净意味着股票价格跌破公司每股净资产值，反映市场的估值态度。破净数和占比越高，低估的情况越普遍[50]。 * **指标具体构建过程**：破净率 = 指数成分股中市净率（PB）小于1的股票数量 / 指数总成分股数量。报告展示了各宽基指数的当前破净率[50][52]。 **6 指标名称：指数换手率** * **指标构建思路**：衡量市场的交易活跃度[16]。 * **指标具体构建过程**：指数换手率计算方式为：Σ(成分股流通股本 * 成分股换手率) / Σ(成分股流通股本)[16]。 **7 指标名称：收益分布形态（峰度和偏度）** * **指标构建思路**：通过分析日收益率的分布形态（峰度和偏度），了解收益分布的集中程度和偏斜方向[22]。 * **指标具体构建过程**：报告计算了各宽基指数当前日收益率分布的峰度（Kurtosis）和偏度（Skewness），并与近5年的历史数据进行比较。在峰度计算中减去了3（正态分布峰度）以观察偏离程度[22][23]。 指标的回测效果 报告未提供基于这些指标构建的投资策略的回测效果（如年化收益率、夏普比率等）。报告主要呈现了这些指标在特定时点（2025年9月22日）的截面数据以及短期（近1年）和中期（近5年）的历史统计值。部分关键指标的当前取值和历史分位值如下： **风险溢价近5年分位值 (截至2025-09-22)[29]** * 中证500: 76.11% * 上证50: 70.56% * 中证1000: 70.40% * 沪深300: 70.32% * 中证全指: 69.68% * 创业板指: 65.24% * 中证2000: 57.70% **PE-TTM近5年历史分位值 (截至2025-09-22)[40][41]** * 中证500: 99.92% * 中证全指: 96.78% * 中证1000: 95.70% * 中证2000: 86.78% * 沪深300: 82.07% * 上证50: 81.49% * 创业板指: 59.75% **股息率近5年历史分位值 (截至2025-09-22)[50][51]** * 创业板指: 65.04% * 中证1000: 41.07% * 上证50: 38.26% * 沪深300: 37.02% * 中证全指: 34.55% * 中证500: 14.30% * 中证2000: 12.31% **破净率 (截至2025-09-22)[52]** * 上证50: 24.0% * 沪深300: 17.0% * 中证500: 11.8% * 中证1000: 7.8% * 中证全指: 6.37% * 中证2000: 3.5% * 创业板指: 1.0%

量化模型与构建方式 1. 微盘股轮动模型 - **模型构建思路**：基于微盘股与茅指数的相对净值和价格动量进行大小盘风格轮动，以捕捉风格切换机会[20][22] - **模型具体构建过程**： 1. 计算微盘股/茅指数相对净值，并计算其243日移动平均线(MA243)[22] 2. 计算微盘股和茅指数的20日收盘价斜率[22] 3. 轮动规则：当相对净值高于年均线且微盘股20日斜率为正时，配置微盘股；当相对净值低于年均线且茅指数20日斜率为正时，配置茅指数；当二者方向相反且一方为正时，选择投资斜率为正的指数[22] 2. 微盘股择时风控模型 - **模型构建思路**：通过国债收益率和波动率拥挤度监控微盘股的系统性风险，发出平仓信号[22] - **模型具体构建过程**： 1. 计算十年期国债到期收益率同比变化率[22] 2. 计算波动率拥挤度同比变化率[22] 3. 风控规则：当十年期国债收益率同比触及30%阈值或波动率拥挤度同比触及55%阈值时，发出平仓信号[22] 3. 宏观择时策略 - **模型构建思路**：基于经济增长和货币流动性两个维度构建宏观事件因子，进行权益资产配置[41] - **模型具体构建过程**： 1. 经济增长层面信号强度计算[41] 2. 货币流动性层面信号强度计算[41] 3. 综合两个维度信号确定最终股票仓位[41] 4. 短期背离监控指标 - **模型构建思路**：通过日度和小时间级别的背离信号监控微盘股短期上涨动能[20] - **模型具体构建过程**： 1. 构建高胜率日度背离指标[20] 2. 构建小时级别预警信号[20] 3. 当背离信号触发时，表明短期上涨势能减弱[20] 量化因子与构建方式 1. 市值因子 - **因子构建思路**：使用流通市值的对数作为市值因子的代理变量[53] - **因子具体构建过程**：$$LN\_MktCap = \ln(流通市值)$$[53] 2. 价值因子 - **因子构建思路**：通过多个估值指标衡量股票的价值特征[53] - **因子具体构建过程**： - $$BP\_LR = \frac{最新年报账面净资产}{最新市值}$$[53] - $$EP\_FTTM = \frac{未来12个月一致预期净利润}{最新市值}$$[53] - $$SP\_TTM = \frac{过去12个月营业收入}{最新市值}$$[53] - $$EP\_FY0 = \frac{当期年报一致预期净利润}{最新市值}$$[53] - $$Sales2EV = \frac{过去12个月营业收入}{企业价值}$$[53] 3. 成长因子 - **因子构建思路**：通过财务指标同比增速衡量公司成长性[53] - **因子具体构建过程**： - $$NetIncome\_SQ\_Chg1Y = 单季度净利润同比增速$$[53] - $$OperatingIncome\_SQ\_Chg1Y = 单季度营业利润同比增速$$[53] - $$Revenues\_SQ\_Chg1Y = 单季度营业收入同比增速$$[53] 4. 质量因子 - **因子构建思路**：通过盈利能力、现金流质量和运营效率指标衡量公司质量[53][55] - **因子具体构建过程**： - $$ROE\_FTTM = \frac{未来12个月一致预期净利润}{股东权益均值}$$[53] - $$OCF2CurrentDebt = \frac{过去12个月经营现金流净额}{流动负债均值}$$[55] - $$GrossMargin\_TTM = 过去12个月毛利率$$[55] - $$Revenues2Asset\_TTM = \frac{过去12个月营业收入}{总资产均值}$$[55] 5. 一致预期因子 - **因子构建思路**：基于分析师一致预期变化和目标收益率构建预期类因子[55] - **因子具体构建过程**： - $$EPS\_FTTM\_Chg3M = 未来12个月一致预期EPS过去3个月的变化率$$[55] - $$ROE\_FTTM\_Chg3M = 未来12个月一致预期ROE过去3个月的变化率$$[55] - $$TargetReturn\_180D = 一致预期目标价相对于目前股价的收益率$$[55] 6. 技术因子 - **因子构建思路**：通过成交量、换手率和价格形态指标构建技术类因子[55] - **因子具体构建过程**： - $$Volume\_Mean\_20D\_240D = \frac{20日成交量均值}{240日成交量均值}$$[55] - $$Skewness\_240D = 240日收益率偏度$$[55] - $$Volume\_CV\_20D = \frac{20日成交量标准差}{20日成交量均值}$$[55] - $$Turnover\_Mean\_20D = 20日换手率均值$$[55] 7. 波动率因子 - **因子构建思路**：通过不同模型的残差波动率和历史波动率衡量风险特征[55] - **因子具体构建过程**： - $$Volatility\_60D = 60日收益率标准差$$[55] - $$IV\_CAPM = CAPM模型残差波动率$$[55] - $$IV\_FF = Fama-French三因子模型残差波动率$$[55] - $$IV\_Carhart = Carhart四因子模型残差波动率$$[55] 8. 反转因子 - **因子构建思路**：通过不同时间窗口的收益率构建反转效应因子[55] - **因子具体构建过程**： - $$Price\_Chg20D = 20日收益率$$[55] - $$Price\_Chg40D = 40日收益率$$[55] - $$Price\_Chg60D = 60日收益率$$[55] - $$Price\_Chg120D = 120日收益率$$[55] 9. 可转债择券因子 - **因子构建思路**：从正股因子和转债估值两个维度构建可转债择券因子[50] - **因子具体构建过程**： - 正股一致预期因子：基于正股的一致预期指标[50] - 正股成长因子：基于正股的成长性指标[50] - 正股财务质量因子：基于正股的财务质量指标[50] - 正股价值因子：基于正股的估值指标[50] - 转债估值因子：使用平价底价溢价率衡量转债估值[50] 模型的回测效果 1. 宏观择时模型 - 2025年年初至今收益率：11.75%[41] - 同期Wind全A收益率：22.98%[41] - 9月份权益推荐仓位：75%[41] - 经济增长层面信号强度：100%[41] - 货币流动性层面信号强度：50%[41] 因子的回测效果 1. 大类因子IC均值与多空收益 - 质量因子：表现良好[45] - 量价类因子(低波和技术因子)：有所回暖[45] - 一致预期因子：有所承压[45] 2. 可转债择券因子 - 正股一致预期因子：取得正IC均值[50] - 正股财务质量因子：取得正IC均值[50] - 正股价值因子：取得正IC均值[50] - 转债估值因子：取得正IC均值[50]

量化模型与构建方式 1. 模型名称：主动偏股基金高频仓位测算模型；模型构建思路：以基金每日披露的净值序列为结果，利用带约束条件的多元回归模型，在基准或者构建的其他资产序列组成的自变量中寻找基金仓位的最优估计结果[64]；模型具体构建过程：以基金每日披露的净值序列为因变量，利用带约束条件的多元回归模型，在基准或构建的其他资产序列（自变量）中寻找基金仓位的最优估计结果。具体计算方式为，分别构建各只基金的模拟组合以提升仓位估算的准确程度，衡量主动偏股基金整体仓位的变动趋势，并进一步测算其在各行业赛道的最新投向偏好[64]；模型评价：该方法旨在解决公募基金仓位披露频率低的问题，为市场提供相对高频的仓位估算视角[64] 2. 模型名称：REITs系列指数；模型构建思路：为投资者提供一种基于指数化投资思想、利用REITs指数进行资产配置的新视角，构建完整的REITs系列指数以综合反映REITs市场表现，并提供衡量不同底层资产、项目类型的细分REITs指数[48]；模型具体构建过程：计算中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，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。考虑到REITs的高分红特性，均提供价格指数和全收益指数[48] 量化因子的构建方式 1. 因子名称：行业主题基金标签因子；因子构建思路：通过观察基金在近四期中报/年报的持仓信息判断其长期的行业主题标签，将基金的长期行业标签区别定义为行业主题基金、行业轮动基金和行业均衡基金，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，同时构建行业主题基金指数作为衡量工具[37]；因子具体构建过程：基于基金在近四期（中报/年报）的持仓信息，判断并定义其长期的行业主题标签。具体标签类别包括行业主题基金、行业轮动基金和行业均衡基金。并据此构建相应的行业主题基金指数[37]；因子评价：该因子体系有助于识别和跟踪基金在不同运作期间呈现出的不同行业主题特征，为主题投资和产品选择提供支持[37] 模型的回测效果 1. 主动偏股基金高频仓位测算模型，本周仓位变动-0.27pcts[64] 因子的回测效果 1. 行业主题基金标签因子（TMT主题），本周涨跌幅2.56%[37] 2. 行业主题基金标签因子（新能源主题），本周涨跌幅2.07%[37] 3. 行业主题基金标签因子（国防军工主题），本周涨跌幅1.50%[37] 4. 行业主题基金标签因子（行业均衡主题），本周涨跌幅0.92%[37] 5. 行业主题基金标签因子（行业轮动主题），本周涨跌幅0.49%[37] 6. 行业主题基金标签因子（消费主题），本周涨跌幅-0.53%[37] 7. 行业主题基金标签因子（周期主题），本周涨跌幅-1.63%[37] 8. 行业主题基金标签因子（医药主题），本周涨跌幅-2.41%[37] 9. 行业主题基金标签因子（金融地产主题），本周涨跌幅-2.68%[37] 10. REITs指数系列（REITs综合指数），本周收益-0.16%，累计收益0.05%，年化收益0.01%，最大回撤-42.67%，夏普比率-0.14，年化波动10.63%[52] 11. REITs指数系列（产权类REITs指数），本周收益0.13%，累计收益16.08%，年化收益3.57%，最大回撤-46.13%，夏普比率0.16，年化波动13.15%[52] 12. REITs指数系列（特许经营权类REITs指数），本周收益-0.65%，累计收益-16.84%，年化收益-4.25%，最大回撤-40.74%，夏普比率-0.62，年化波动9.22%[52] 13. REITs指数系列（生态环保REITs指数），本周收益-4.11%，累计收益-11.90%，年化收益-2.94%，最大回撤-55.72%，夏普比率-0.28，年化波动15.74%[52] 14. REITs指数系列（交通基础设施REITs指数），本周收益-0.70%，累计收益-28.13%，年化收益-7.48%，最大回撤-41.29%，夏普比率-0.99，年化波动9.04%[52] 15. REITs指数系列（园区基础设施REITs指数），本周收益0.09%，累计收益-9.55%，年化收益-2.33%，最大回撤-52.07%，夏普比率-0.27，年化波动14.08%[52] 16. REITs指数系列（仓储物流REITs指数），本周收益0.27%，累计收益1.13%，年化收益0.27%，最大回撤-50.32%，夏普比率-0.08，年化波动15.85%[52] 17. REITs指数系列（能源基础设施REITs指数），本周收益-0.19%，累计收益13.27%，年化收益2.98%，最大回撤-18.41%，夏普比率0.14，年化波动10.25%[52] 18. REITs指数系列（保障性租赁住房REITs指数），本周收益-0.14%，累计收益13.34%，年化收益2.99%，最大回撤-33.34%，夏普比率0.12，年化波动12.59%[52] 19. REITs指数系列（消费基础设施REITs指数），本周收益-0.04%，累计收益52.31%，年化收益10.41%，最大回撤-8.32%，夏普比率0.82，年化波动10.87%[52] 20. REITs指数系列（市政设施REITs指数），本周收益0.45%，累计收益25.38%，年化收益5.47%，最大回撤-13.79%，夏普比率0.17，年化波动22.95%[52] 21. REITs指数系列（水利设施REITs指数），本周收益0.87%，累计收益28.82%，年化收益6.14%，最大回撤-13.60%，夏普比率0.29，年化波动16.12%[52] 22. REITs指数系列（新型基础设施REITs指数），本周收益1.32%，累计收益5.68%，年化收益1.31%，最大回撤-2.83%，夏普比率-0.01，年化波动15.33%[52]

量化模型与构建方式 1 模型名称：量能择时模型；模型构建思路：通过分析主要宽基指数的成交量变化来判断市场短期走势和交易情绪[12]；模型具体构建过程：监测各宽基指数（上证指数、上证50、沪深300、中证500、中证1000、创业板指、北证50）的量能变化，当量能收缩时发出谨慎（空）信号，当量能扩张时发出乐观信号[25]；模型评价：该模型能较快捕捉市场情绪变化，但对下跌市场的判断存在缺陷，难以有效规避下跌风险[26] 2 模型名称：沪深300上涨家数占比情绪指标；模型构建思路：通过计算指数成分股中近期取得正收益的个股数量占比来判断市场情绪[25]；模型具体构建过程：计算沪深300指数成分股过去N日（报告中N=230）收益大于0的个股数占比，公式为 $$沪深300指数N日上涨家数占比 = \frac{过去N日收益大于0的个股数}{沪深300指数成分股总数}$$[25][29]；模型评价：该指标可以较快捕捉上涨机会，但在市场过热阶段会提前止盈离场，错失持续上涨收益，且难以有效规避下跌风险[26] 3 模型名称：动量情绪指标择时模型；模型构建思路：通过对上涨家数占比指标进行不同窗口期的平滑处理来捕捉市场情绪的变动趋势[27]；模型具体构建过程：首先计算沪深300指数N日上涨家数占比，然后分别进行窗口期为N1（长窗口，N1=50）和N2（短窗口，N2=35）的移动平均，得到慢线和快线，当快线大于慢线时，看多沪深300指数[27][29]；模型评价：该模型通过双均线交叉捕捉趋势，能较好判断市场情绪拐点[27] 4 模型名称：均线情绪指标；模型构建思路：利用八条不同周期的均线构成体系，通过判断收盘价与均线系统的相对位置来评估市场趋势状态[33]；模型具体构建过程：计算沪深300收盘价的八条均线（参数为8, 13, 21, 34, 55, 89, 144, 233），统计当日收盘价大于各均线值的数量，当该数量超过5时，看多沪深300指数[34]；模型评价：该指标状态与沪深300的涨跌变化规律较为清晰[33] 5 模型名称：抱团基金分离度指标；模型构建思路：通过计算抱团基金组合截面收益的标准差来实时监控基金抱团程度[80]；模型具体构建过程：构建抱团基金组合，计算该组合截面收益的标准差，分离度值小说明抱团程度高，表现趋同；分离度值大说明抱团正在瓦解[80]；模型评价：该指标是基金抱团程度的有效代理变量[80] 量化因子的构建方式 1 因子名称：横截面波动率因子；因子构建思路：通过计算指数成分股收益率的横截面标准差来衡量市场分化程度和Alpha环境[39]；因子具体构建过程：对于特定指数（如沪深300、中证500、中证1000），每日计算其所有成分股收益率的横截面标准差，作为当日的横截面波动率值[39][40]；因子评价：该因子值高表明市场分化大，Alpha机会多；值低表明市场趋同，Alpha环境差[39] 2 因子名称：时间序列波动率因子；因子构建思路：通过计算指数成分股加权时间序列波动率来衡量市场整体波动水平和Alpha环境[41]；因子具体构建过程：对于特定指数，每日计算其所有成分股收益率的加权时间序列标准差，作为当日的时间序列波动率值[41][43]；因子评价：该因子值高表明市场波动大，Alpha机会多；值低表明市场波动小，Alpha环境差[41] 模型的回测效果 1 量能择时模型，截至2025年9月19日，对上证指数、上证50、沪深300、中证500、中证1000、创业板指、北证50均发出"空"信号[25] 2 动量情绪指标择时模型，截至2025年9月19日，快线仍处于慢线上方，维持看多观点[27] 3 均线情绪指标，截至2025年9月19日，沪深300指数处于情绪景气区间[34] 4 抱团基金分离度指标，截至2025年9月19日，分离度环比前一周小幅下降[80] 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1.88%，中证500为2.05%，中证1000为2.25%；近一年平均值：沪深300为1.96%，中证500为2.19%，中证1000为2.46%；近半年平均值：沪深300为1.83%，中证500为2.01%，中证1000为2.30%；近一季度平均值：沪深300为1.98%，中证500为2.12%，中证1000为2.37%[41] 2 时间序列波动率因子，近两年平均值：沪深300为0.64%，中证500为0.46%，中证1000为0.26%；近一年平均值：沪深300为0.67%，中证500为0.49%，中证1000为0.28%；近半年平均值：沪深300为0.59%，中证500为0.43%，中证1000为0.24%；近一季度平均值：沪深300为0.62%，中证500为0.44%，中证1000为0.24%[44]

量化模型与构建方式 1. 模型名称：风险溢价模型 - 模型构建思路：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，衡量其相对投资价值和偏离情况[29] - 模型具体构建过程：风险溢价 = 指数收益率 - 十年期国债即期收益率[29][30][31] - 模型评价：各跟踪指数的风险溢价有明显的均值复归现象，中证1000和中证2000的风险溢价波动率相对较大[30] 2. 模型名称：股债性价比模型 - 模型构建思路：以各指数PE-TTM的倒数与十年期国债即期收益率之差作为股债性价比指标，观察其走势和投资价值[48] - 模型具体构建过程：股债性价比 = (1/PE-TTM) - 十年期国债即期收益率[48] 3. 模型名称：破净率分析模型 - 模型构建思路：通过市净率指标分析股票价格与每股净资产的关系，破净率反映市场估值态度[55][57] - 模型具体构建过程：破净率 = (市净率 < 1的股票数量) / 总股票数量[55][57] - 模型评价：破净数和占比越高，低估的情况越普遍；破净数及占比越低，可能表明市场对未来发展持乐观态度[57] 量化因子与构建方式 1. 因子名称：均线比较因子 - 因子构建思路：通过比较指数价格与不同周期移动平均线的关系，判断市场趋势和支撑阻力位[15] - 因子具体构建过程：计算指数收盘价与MA5、MA10、MA20、MA60、MA120、MA250的偏离幅度[17] $$偏离幅度 = (收盘价 - 移动平均价) / 移动平均价 × 100\%$$[17] 2. 因子名称：换手率因子 - 因子构建思路：通过计算各宽基指数的换手率，反映市场交易活跃度[19][20] - 因子具体构建过程：$$换手率 = Σ(成分股流通股本 × 成分股换手率) / Σ(成分股流通股本)$$[20] 3. 因子名称：收益分布形态因子 - 因子构建思路：通过分析日收益率的分布特征，包括峰度和偏度，反映市场收益分布形态[24][26] - 因子具体构建过程： - 峰度计算：$$Kurtosis = \frac{E[(X - μ)^4]}{(E[(X - μ)^2])^2} - 3$$（减去正态分布峰度3）[27] - 偏度计算：$$Skewness = \frac{E[(X - μ)^3]}{(E[(X - μ)^2])^{3/2}}$$[27] 4. 因子名称：PE-TTM估值因子 - 因子构建思路：使用滚动市盈率作为估值参考，衡量各指数在当前时点的投资价值[41][43] - 因子具体构建过程：PE-TTM = 总市值 / 最近12个月净利润[45][46] 5. 因子名称：股息率因子 - 因子构建思路：反映现金分红回报率，红利投资是一种投资风格[50] - 因子具体构建过程：股息率 = 年度现金分红 / 当前股价[55][56] 模型的回测效果 1. 风险溢价模型 - 近1年分位值：上证50(38.89%)、沪深300(49.60%)、中证500(28.57%)、中证1000(26.59%)、中证2000(23.41%)、中证全指(28.17%)、创业板指(43.25%)[32] - 近5年分位值：上证50(45.87%)、沪深300(54.52%)、中证500(31.75%)、中证1000(31.11%)、中证2000(24.21%)、中证全指(35.95%)、创业板指(47.62%)[32] 2. 股债性价比模型 - 当前状态：没有指数高于其80%分位，中证500低于其20%分位[48] 3. 破净率分析模型 - 当前破净率：上证50(26.0%)、沪深300(17.0%)、中证500(11.6%)、中证1000(7.4%)、中证2000(3.35%)、创业板指(1.0%)、中证全指(6.17%)[57] 因子的回测效果 1. 均线比较因子 - 当前vsMA5偏离：上证50(-0.9%)、沪深300(-0.4%)、中证500(-0.3%)、中证1000(-0.5%)、中证2000(-0.8%)、中证全指(-0.5%)、创业板指(-0.2%)[17] - 当前vsMA250偏离：上证50(8.2%)、沪深300(14.1%)、中证500(21.3%)、中证1000(19.4%)、中证2000(22.3%)、中证全指(17.6%)、创业板指(40.6%)[17] 2. 换手率因子 - 当前换手率：上证50(0.34)、沪深300(0.69)、中证500(2.4)、中证1000(3.06)、中证2000(4.56)、中证全指(2.09)、创业板指(3.28)[19] 3. 收益分布形态因子 - 当前峰度：上证50(2.82)、沪深300(3.58)、中证500(3.51)、中证1000(4.62)、中证2000(3.01)、中证全指(3.34)、创业板指(4.63)[27] - 当前偏度：上证50(2.11)、沪深300(2.28)、中证500(2.22)、中证1000(2.31)、中证2000(2.03)、中证全指(2.20)、创业板指(2.37)[27] 4. PE-TTM估值因子 - 当前值：上证50(11.57)、沪深300(13.97)、中证500(34.29)、中证1000(47.40)、中证2000(164.39)、中证全指(21.33)、创业板指(44.03)[46] - 近5年分位值：上证50(81.65%)、沪深300(81.57%)、中证500(99.75%)、中证1000(95.45%)、中证2000(86.45%)、中证全指(96.61%)、创业板指(59.50%)[45][46] 5. 股息率因子 - 当前值：上证50(3.37%)、沪深300(2.70%)、中证500(1.32%)、中证1000(1.11%)、中证2000(0.75%)、中证全指(1.99%)、创业板指(0.96%)[55] - 近5年分位值：上证50(38.26%)、沪深300(37.19%)、中证500(14.88%)、中证1000(44.46%)、中证2000(13.14%)、中证全指(34.96%)、创业板指(66.03%)[53][56]

量化模型与构建方式 1. 可转债随机森林策略 - **模型名称**：可转债随机森林策略[16][17] - **模型构建思路**：利用随机森林这一机器学习方法，以决策树为基础筛选出每期具有超额收益潜力的可转债标的，构建高胜率可转债择券策略[17] - **模型具体构建过程**：采用随机森林算法，通过多棵决策树进行集成学习，每棵树基于不同的样本和特征子集训练，最终通过投票或平均方式得到最终预测结果，用于筛选具有超额收益潜力的可转债标的[17] 2. 多维度择时模型 - **模型名称**：多维度择时模型[18][19] - **模型构建思路**：根据宏观、微观、中观信号将A股划分为9个状态，分别对应多空信号形成三维大周期择时信号，在此基础上叠加股指期货基差产生的衍生品信号，合成四维度非线性择时模型[18] - **模型具体构建过程**： 1. 宏观维度：从短期货币流动性、长端利率、信用、经济增长以及汇率五个维度刻画宏观环境运行状态[21] 2. 中观维度：通过行业景气指数构建，基于产业链系统分析追踪上下游行业部门，对行业进行财务指标分解，重构行业景气度追踪框架[27][30] 3. 微观维度：以估值、风险溢价、波动率以及流动性四类均值回复性较强的因子刻画各宽基指数的微观结构风险[35] 4. 衍生品维度：基于股指期货基差与指数自身的相关性趋势构建日频择时信号[43] 5. 信号合成：将四个维度的信号综合，形成最终的多维度择时信号[18][19] 3. 宏观Logit模型 - **模型名称**：宏观Logit模型[24][25] - **模型构建思路**：通过Logit回归模型对宏观环境状态进行预测[24] - **模型具体构建过程**：使用短期货币流动性、长端利率、信用、经济增长以及汇率五个维度的宏观变量，经过平稳化处理后，构建Logit回归模型来预测宏观环境状态[21][24] - **模型评价**：能够有效预测宏观环境变化，为择时策略提供宏观维度的信号支持[24] 4. 中观景气度2.0模型 - **模型名称**：中观景气度2.0模型[27][28] - **模型构建思路**：通过追踪行业主营业务的营收和成本情况来监控行业整体的景气度[27] - **模型具体构建过程**： 1. 基于产业链系统分析，追踪上下游行业部门[30] 2. 对行业进行财务指标分解，挖掘可追踪的重点指标[30] 3. 重构行业的景气度追踪框架[30] 4. 计算各行业景气指数后，按上证指数每日各行业市值权重加权合成新景气指数2.0[27] - **模型评价**：能够领先预测A股盈利扩张周期，有效反映行业景气变化[28][29] 5. 微观结构风险模型 - **模型名称**：微观结构风险模型[35][36] - **模型构建思路**：以估值、风险溢价、波动率以及流动性四类均值回复性较强的因子刻画各宽基指数的微观结构风险[35] - **模型具体构建过程**： 1. 估值：市盈率与市净率在过去5年中所处分位数的均值[36] 2. 风险溢价：ERP(ep-rf:市盈率倒数减去一年期定存利率)在过去5年中所处的分位数[36] 3. 波动率：50日波动率在过去5年中所处分位数[36] 4. 流动性：自由流通市值换手率在过去5年中所处分位数[36] 5. 结构风险因子：四因子等权相加[36] - **模型评价**：能够有效刻画市场微观结构风险，为择时策略提供微观维度的信号支持[36] 6. 行业轮动策略2.0 - **模型名称**：行业轮动策略2.0[68][69] - **模型构建思路**：通过信用及企业盈利构建经济四象限，开发多维度行业风格因子，构建适用于A股市场的行业轮动策略[68][69] - **模型具体构建过程**： 1. 构建经济四象限：[企业盈利上行，信用上行]、[企业盈利上行，信用下行]、[企业盈利下行，信用上行]、[企业盈利下行，信用下行][68] 2. 开发多维度行业风格因子：包括一致预期景气、超越预期盈利、龙头效应、行业估值泡沫、反转因子、动量因子、拥挤度、通胀beta[69] 3. 在四个经济象限分别对各因子进行有效性检验[69] 4. 基于因子轮动配置相应的高预期收益行业[69] - **模型评价**：宏观适配性强，覆盖行业多维度特性，能够实现有效的行业轮动[69][78] 7. ETF轮动策略 - **模型名称**：ETF轮动策略[78][79] - **模型构建思路**：将基于基本面轮动、质量低波、困境反转三维度行业轮动策略进行等权组合，实现因子与风格的互补[78] - **模型具体构建过程**： 1. 基本面轮动策略：使用超预期景气度、行业龙头效应、行业动量、拥挤度、通胀beta等因子[78] 2. 质量低波策略：聚焦个股质量与低波，防御性突出[78] 3. 困境反转策略：使用PB_zscore、分析师长期预期、短期筹码交换等因子捕捉估值修复与业绩反转机会[78] 4. 将三个策略等权组合，形成最终的ETF轮动策略[78] - **模型评价**：能够实现因子与风格的互补，降低单一策略的风险[78] 8. 遗传规划指数增强模型 - **模型名称**：遗传规划指数增强模型[88][93][97][102] - **模型构建思路**：使用遗传规划算法挖掘选股因子，构建指数增强组合[88][93][97][102] - **模型具体构建过程**： 1. 股票池：根据不同指数选择对应的成分股[88][93][97][102] 2. 训练集：2016年1月1日-2020年12月31日[88][93][97][102] 3. 因子挖掘：由遗传规划因子挖掘模型挖掘多个初始种群，经过多代多轮得到最终因子集合[88][93][97][102] 4. 策略：每周最后一个交易日选择模型得分最高的每个行业内的前10%的股票构建多头组合，以下周第一个交易日开盘价买入，周频调仓，交易成本为双边千三[88][93][97][102] - **模型评价**：能够有效挖掘具有预测能力的选股因子，实现稳定的超额收益[88][93][97][102] 量化因子与构建方式 1. Barra CNE6风格因子 - **因子名称**：Barra CNE6风格因子[45][46] - **因子构建思路**：包括9个一级风格因子和20个二级风格因子，通过计算各个风格因子近期收益，评估不同因子在近期市场中的表现[45] - **因子具体构建过程**：规模（市值、非线性市值）、波动性（BETA、残差波动率）、流动性（流动性）、动量（短期反转、季节、行业动量、动量）、质量（杠杆、盈利变动率、盈利质量、盈利能力、投资质量）、价值（价值、盈利、长期反转）、成长（成长）、分析师预期（分析师预期）、红利（红利）[45] 2. 行业轮动因子 - **因子名称**：行业轮动因子[55][57] - **因子构建思路**：通过多维度行业风格因子构建行业轮动策略[55][57] - **因子具体构建过程**：包括一致预期行业景气度、超越预期盈利、龙头效应、北向资金、估值beta、动量因子、反转因子、拥挤度等因子[57] 模型的回测效果 1. 可转债随机森林策略 - 本周超额收益：0.64%[16] 2. 多维度择时模型 - 最新信号：多头（1）[19] 3. 宏观Logit模型 - 最新预测值：0.919[24][25] 4. 中观景气度2.0模型 - 当前景气指数：0.913[28][31] - 剔除大金融板块景气指数：1.288[28][31] 5. 行业轮动策略2.0 - 无剔除版年化超额收益：9.44%[71] - 双剔除版年化超额收益：10.14%[71] 6. ETF轮动策略 - 年化超额收益率：12.84%[82] - 夏普率：0.89[82] - 今年以来超额收益率：14.34%[82] 7. 遗传规划指数增强模型 沪深300指数增强 - 年化超额收益率：17.91%[91][92] - 夏普率：1.05[91][92] - 今年以来超额收益率：-4.35%[91][92] - 本周收益率：-1.14%[91] - 本周超额收益率：-0.70%[91] 中证500指数增强 - 年化超额收益率：11.78%[95] - 夏普率：0.85[95] - 今年以来超额收益率：-2.92%[95] - 本周收益率：-0.41%[95] - 本周超额收益率：-0.73%[95] 中证1000指数增强 - 年化超额收益率：17.97%[98][99] - 夏普率：0.93[98][99] - 今年以来超额收益率：-1.80%[98][99] - 本周收益率：-1.01%[98] - 本周超额收益率：-1.22%[98] 中证全指指数增强 - 年化超额收益率：24.84%[103] - 夏普率：1.33[103] - 今年以来超额收益率：11.36%[103] - 本周收益率：-0.27%[103] - 本周超额收益率：-0.09%[103] 因子的回测效果 1. Barra CNE6风格因子 - 2025年9月15日至2025年9月19日：规模因子表现较好，波动性因子表现较差[46] - 本月（9月以来）：波动性因子表现较好[46] - 最近一年：动量（反转）因子和波动性因子表现较好[46] 2. 行业轮动因子 - 一致预期行业景气度月收益率：0.40%[57] - 超越预期盈利月收益率：-0.21%[57] - 龙头效应月收益率：-1.18%[57] - 北向资金月收益率：0.63%[57] - 估值beta月收益率：2.37%[57] - 动量因子月收益率：-0.95%[57] - 反转因子月收益率：0.95%[57] - 拥挤度月收益率：0.15%[57]

量化模型与构建方式 1. 扩散指数行业轮动模型 - **模型名称**：扩散指数行业轮动模型[25][26] - **模型构建思路**：基于价格动量原理，通过计算行业扩散指数来捕捉行业趋势，选择扩散指数排名靠前的行业进行配置[26][38] - **模型具体构建过程**： 1. 选取中信一级行业作为标的[27] 2. 计算每个行业的扩散指数，扩散指数反映了行业价格趋势的强度[27] 3. 定期（如月度）选择扩散指数排名前六的行业作为配置组合[26][30] 4. 具体配置行业根据最新扩散指数值确定，例如2025年9月配置行业为综合、有色金属、通信、银行、传媒、商贸零售[26][30] 2. GRU因子行业轮动模型 - **模型名称**：GRU因子行业轮动模型[33][34] - **模型构建思路**：基于分钟频量价数据，通过GRU（门控循环单元）深度学习网络生成行业因子，捕捉交易信息中的规律进行行业轮动[34][38] - **模型具体构建过程**： 1. 使用分钟频量价数据作为输入[38] 2. 通过GRU深度学习网络处理数据，生成每个行业的GRU因子值[34][38] 3. GRU因子值反映了行业短期的动量或交易信号[34] 4. 定期（如周度）选择GRU因子排名靠前的行业作为配置组合，例如调入煤炭、调出房地产[36] 模型的回测效果 1. 扩散指数行业轮动模型 - 2025年以来超额收益：2.76%[25][30] - 2025年9月以来超额收益：-1.88%[30] - 本周超额收益：-1.41%[30] 2. GRU因子行业轮动模型 - 2025年以来超额收益：-7.78%[33][36] - 2025年9月以来超额收益：-0.10%[36] - 本周超额收益：-0.38%[36] 量化因子与构建方式 1. 行业扩散指数因子 - **因子名称**：行业扩散指数[27] - **因子构建思路**：通过计算行业价格数据的扩散指数，衡量行业趋势强度[27] - **因子具体构建过程**： 1. 获取中信一级行业的价格数据[27] 2. 计算每个行业的扩散指数值，具体计算方法未详细说明，但扩散指数值介于0到1之间，值越高表示趋势越强[27] 3. 例如，截至2025年9月19日，有色金属行业的扩散指数为0.978，银行行业为0.968[27] 2. GRU行业因子 - **因子名称**：GRU行业因子[34] - **因子构建思路**：基于GRU深度学习网络处理分钟频量价数据，生成代表行业短期动量的因子[34][38] - **因子具体构建过程**： 1. 输入分钟频量价数据到GRU网络[38] 2. 网络输出每个行业的GRU因子值，值越高表示行业动量越强[34] 3. 例如，截至2025年9月19日，有色金属行业的GRU因子值为7.4，石油石化行业为5.38[34] 因子的回测效果 （注：报告中未提供因子的独立回测指标，如IC、IR等，仅提供了基于因子构建的模型回测结果）