量化模型与因子总结 量化因子与构建方式 1. **因子名称**：连阴连阳因子[14] * **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，来衡量市场的短期趋势强度和持续性[14]。 * **因子具体构建过程**：对于每个交易日，判断当前指数收盘价相对于前一日收盘价的涨跌。若上涨，则连阳计数加1，连阴计数重置；若下跌，则连阴计数加1（以负数表示），连阳计数重置。计数从1开始，正数表示连阳天数，负数表示连阴天数[14]。 2. **因子名称**：指数与均线比较因子[17][18] * **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，来判断指数的短期、中期和长期趋势状态[17]。 * **因子具体构建过程**：计算指数收盘价相对于不同周期移动平均线的偏离百分比。公式为： $$偏离百分比 = (收盘价 / 移动平均线值 - 1) \times 100\%$$ 报告中使用的移动平均线包括MA5、MA20、MA60、MA120、MA250[18]。同时，也计算指数当前价格相对于近250日最高价和最低价的回撤或上涨幅度[17]。 3. **因子名称**：收益分布形态因子（峰度与偏度）[26][28] * **因子构建思路**：通过计算指数日收益率分布的峰度和偏度，来描述收益分布的集中程度和对称性（偏向正收益或负收益）[26]。 * **因子具体构建过程**： * **峰度**：计算指数日收益率序列的四阶中心矩与二阶中心矩平方的比值，用于衡量分布曲线尖峭或扁平的程度。报告中计算的是超额峰度（减去了正态分布的峰度3）[28]。峰度越大，说明收益率分布更集中[26]。 * **偏度**：计算指数日收益率序列的三阶中心矩与标准差三次方的比值，用于衡量分布的不对称性。正偏态表示极端正收益情形增加[26]。 4. **因子名称**：风险溢价因子[30][33] * **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参考，计算股票指数收益率与其之差，作为投资者承担市场风险所要求的额外回报，用于衡量市场的相对投资价值和风险补偿[30]。 * **因子具体构建过程**：风险溢价通常计算为指数市盈率倒数（E/P）与十年期国债到期收益率之差。报告中的“当前风险溢价”可能基于此逻辑或指数预期收益率计算[33]。同时，计算该风险溢价在近1年、近5年历史数据中的分位值，以判断其当前所处的相对位置[33]。 5. **因子名称**：股债性价比因子[44][46][47] * **因子构建思路**：将股票指数的估值收益率（市盈率TTM的倒数）与无风险收益率（十年期国债即期收益率）进行比较，其差值代表股票相对于债券的潜在超额收益，用于在大类资产间进行比价[44]。 * **因子具体构建过程**：计算公式为： $$股债性价比 = \frac{1}{PE_{TTM}} - 十年期国债即期收益率$$ 其中，$PE_{TTM}$ 为指数滚动市盈率[44]。报告通过计算该指标近5年的分位值（如80%分位为机会值，20%分位为危险值）来判断当前股票资产相对于债券的吸引力[46][47]。 6. **因子名称**：破净率因子[54][56] * **因子构建思路**：计算指数成分股中市净率（PB）小于1的个股数量占总成分股数量的比例，用以衡量市场整体或特定板块的估值低估程度和悲观情绪[54]。 * **因子具体构建过程**：首先，对指数中的每一个成分股，判断其市净率是否小于1。然后，统计满足条件的个股数量，最后计算其占指数总成分股数量的百分比[56]。破净率越高，表明市场估值越低，低估情况越普遍[54]。 因子的回测效果 *报告未提供基于历史数据的统一回测结果（如IC、IR、多空收益等）。报告主要展示了各因子在特定截面日（2026年3月30日）针对不同宽基指数的截面取值和状态描述。* 1. **连阴连阳因子**：在2026年3月30日，上证50、沪深300、中证500、中证1000、中证2000、中证全指均为2日连阳，创业板指为2日连阴[14]。 2. **指数与均线比较因子**：在2026年3月30日，上证50、沪深300、创业板指跌破5日线；上证50跌破60日线6.3%，跌破120日线5.9%；上证50与中证500距离近250日高位回撤均超过10%[17][18]。 3. **收益分布形态因子**： * **峰度**：当前所有指数峰度均低于近5年平均水平（差值为负）。其中，创业板指的峰度负偏离最大（-3.02），中证500的负偏离最小（-1.71）[26][28]。 * **偏度**：当前所有指数偏度均低于近5年平均水平。其中，创业板指的负偏态最大（当前偏度1.53 vs 近5年2.25，差值-0.72），沪深300与中证500的负偏态最小（差值均为-0.49）[26][28]。 4. **风险溢价因子**：在2026年3月30日，中证500（56.83%）和中证1000（56.35%）的风险溢价近5年分位值较高；沪深300（40.87%）和创业板指（33.02%）较低[31][33]。 5. **PE-TTM估值因子**：在2026年3月30日，中证500（95.7%）和中证全指（94.96%）的PE-TTM近5年分位值较高；上证50（76.03%）和创业板指（57.36%）较低[40][43][44]。 6. **股债性价比因子**：在2026年3月30日，没有指数高于其近5年80%分位（机会值），中证500低于其近5年20%分位（危险值）[47]。 7. **股息率因子**：在2026年3月30日，创业板指（53.88%）和沪深300（42.07%）的股息率近5年历史分位值较高；中证500（12.56%）和中证2000（9.09%）较低[51][52]。 8. **破净率因子**：在2026年3月30日，各指数破净率分别为：上证50（24.0%）、沪深300（17.33%）、中证500（10.6%）、中证1000（7.8%）、中证2000（3.2%）、中证全指（6.05%）[56]。

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：封板率与连板率计算模型 **模型构建思路**：通过统计上市满一定期限的股票在特定交易日内的涨停表现，计算封板率和连板率，用以衡量市场短线炒作情绪和赚钱效应的持续性[15]。 **模型具体构建过程**： * **封板率**：统计在当日盘中最高价曾达到涨停价，并且收盘价也维持在涨停价的股票数量，除以当日盘中最高价曾达到涨停价的股票总数[15]。 * **连板率**：统计连续两个交易日收盘价均涨停的股票数量，除以前一交易日收盘价涨停的股票总数[15]。 * **公式**： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 2. **模型名称**：大宗交易折价率计算模型 **模型构建思路**：通过比较大宗交易成交价格与二级市场价格的差异，计算折价率，以反映大资金的投资偏好和市场情绪[25]。 **模型具体构建过程**： * 统计每日大宗交易的总成交金额和对应股份的当日总市值[25]。 * 用大宗交易总成交金额除以对应股份的当日总市值，再减去1，得到折价率[25]。 * **公式**： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ 3. **模型名称**：股指期货年化贴水率计算模型 **模型构建思路**：计算股指期货主力合约价格与现货指数价格之间的基差，并将其年化，用以衡量市场对未来走势的预期以及股指对冲的成本[27]。 **模型具体构建过程**： * 计算基差：股指期货价格减去现货指数价格[27]。 * 计算年化贴水率：将基差除以现货指数价格，再乘以（250除以合约剩余交易日数）进行年化处理[27]。 * **公式**： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 量化因子与构建方式 1. **因子名称**：ETF折溢价因子 **因子构建思路**：通过计算ETF场内交易价格与其IOPV（基金份额参考净值）或场外净值之间的差异，构建折价或溢价因子，反映投资者对特定板块或指数的情绪[22]。 **因子具体构建过程**： * 筛选日成交额超过100万元的境内交易股票型ETF[22]。 * 计算每只ETF的折溢价率，即（场内交易价格 / 参考净值 - 1）[22]。 * 正值代表溢价，负值代表折价[22]。 2. **因子名称**：机构调研热度因子 **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，构建反映机构关注度的因子[29]。 **因子具体构建过程**： * 统计近7天内对上市公司进行调研或参加分析师会议的机构数量[29]。 * 以调研机构数量作为因子值，数量越多代表机构关注度越高[29]。 3. **因子名称**：龙虎榜机构资金流向因子 **因子构建思路**：根据交易所公布的龙虎榜数据，提取机构专用席位的买卖净额，构建反映机构资金短期流向的因子[35]。 **因子具体构建过程**： * 获取满足涨跌幅偏离值、振幅、换手率等条件的龙虎榜上榜股票数据[32][34]。 * 计算每只上榜股票的机构专用席位净买入（流入）金额[35]。 * 以净流入金额作为因子值，正值表示机构净买入，负值表示机构净卖出[35]。 4. **因子名称**：龙虎榜陆股通资金流向因子 **因子构建思路**：根据交易所公布的龙虎榜数据，提取陆股通席位的买卖净额，构建反映北向资金短期流向的因子[36]。 **因子具体构建过程**： * 获取满足涨跌幅偏离值、振幅、换手率等条件的龙虎榜上榜股票数据[32][34]。 * 计算每只上榜股票的陆股通席位净买入（流入）金额[36]。 * 以净流入金额作为因子值，正值表示北向资金净买入，负值表示北向资金净卖出[36]。 模型的回测效果 1. **封板率与连板率计算模型**，2026年3月31日封板率63%，连板率12%[15]。 2. **大宗交易折价率计算模型**，近半年平均折价率7.06%，2026年3月30日折价率6.16%[25]。 3. **股指期货年化贴水率计算模型**，2026年3月31日，上证50主力合约年化贴水率3.62%，处于近一年36%分位点；沪深300主力合约年化贴水率7.72%，处于近一年32%分位点；中证500主力合约年化贴水率11.69%，处于近一年44%分位点；中证1000主力合约年化贴水率14.61%，处于近一年38%分位点[27]。 因子的回测效果 1. **ETF折溢价因子**，2026年3月30日，溢价较多的ETF是科创综指ETF兴银，溢价1.14%；折价较多的ETF是中证1000增强ETF华泰柏瑞，折价0.43%[22]。 2. **机构调研热度因子**，近一周内，迈瑞医疗被356家机构调研，天顺风能、深南电路等公司也被较多机构调研[29]。 3. **龙虎榜机构资金流向因子**，2026年3月31日，机构专用席位净流入前十的股票包括平潭发展、欧科亿等；净流出前十的股票包括东鹏饮料、美诺华等[35]。 4. **龙虎榜陆股通资金流向因子**，2026年3月31日，陆股通净流入前十的股票包括平潭发展、神剑股份等；净流出前十的股票包括东鹏饮料、特发信息等[36]。

量化模型与构建方式 1. **模型名称**：中证500指数增强模型[1] * **模型构建思路**：基于公司治理是影响股票长期收益关键因素的投资逻辑，使用一系列体现公司治理能力的连续性财务因子结合部分技术面因子，构建多因子选股模型，以实现对中证500指数的增强[1][9]。 * **模型具体构建过程**： 1. **标的与频率**：针对中证500指数成分股，以月度频率调仓构建投资组合[3][43]。 2. **数据与处理**：回测区间为2021年3月18日至2026年3月18日[3][43]。为避免未来信息，财务数据使用规则为：1-4月调仓使用上年半年报数据，5-8月调仓使用上年年报数据，9-12月调仓使用当年半年报数据[3][43]。对数据进行缺失值处理和标准化等清洗[3][43]。 3. **因子选择**：模型使用动量因子、低波因子、低负债因子、营运能力因子、成长因子、盈利因子这六类因子展开构建[3][43]。其理论基础是多因子模型，即将股票收益率分解为多个因子的线性组合与残差项[40]。公式为： $$r_{i}=\sum_{k}\beta_{i k}f_{k}+\varepsilon_{i}$$ 其中，\(r_{i}\)为股票i的预期收益率，\(\beta_{i k}\)为股票i对k因子的敏感度，\(f_{k}\)为k因子的预期收益率，\(\varepsilon_{i}\)为残差[40]。 4. **组合构建**：报告未详细说明具体的因子合成、加权以及最终的组合优化方法。 * **模型评价**：该模型在中证500指数增强上具有较强适配性，因为中证500成分股多为成长期企业，其财务指标的微小变化对股票收益的影响更为显著[11]。相比过度依赖价量因子的策略，基于财务因子的策略更具长期稳定性，能有效规避短期市场波动干扰[11]。然而，该策略在因子构建、择时机制及选股效率等方面仍存在优化空间，例如因子较为单一，未纳入事件驱动因子，且缺乏择时机制和机器学习等先进算法[49][50]。 量化因子与构建方式 1. **因子名称**：盈利因子[3][43] * **因子构建思路**：从盈利能力维度衡量公司治理水平，选取反映股东回报效率和核心业务盈利空间的指标[10]。 * **因子具体构建过程**：具体使用了净资产收益率（ROE）与毛利率[10]。净资产收益率反映企业运用净资产盈利的效率，是衡量股东回报的核心指标；毛利率体现企业核心业务的盈利空间，是企业“护城河”的重要体现[10]。 2. **因子名称**：低负债因子[3][43] * **因子构建思路**：从偿债能力维度衡量公司治理水平，选取反映企业长期和短期财务风险与安全性的指标[10]。 * **因子具体构建过程**：具体使用了资产负债率与流动比率[10]。资产负债率反映企业长期负债水平与财务风险；流动比率体现企业短期偿债能力与财务流动性[10]。 3. **因子名称**：营运能力因子[3][43] * **因子构建思路**：从运营效率维度衡量公司治理水平，选取反映企业资金管理和库存管理效率的指标[10]。 * **因子具体构建过程**：具体使用了应收账款周转率与存货周转率[10]。应收账款周转率反映企业资金回笼效率与议价能力；存货周转率体现企业存货变现速度与库存管理水平[10]。 4. **因子名称**：成长因子[3][43] * **因子构建思路**：报告未明确说明该因子的具体构建思路，但结合中证500指数的成长型特征，该因子可能用于捕捉成分股的成长性[8]。 * **因子具体构建过程**：报告未详细说明成长因子的具体计算指标和公式。 5. **因子名称**：动量因子[3][43] * **因子构建思路**：作为技术面因子引入，旨在捕捉市场交易行为、资金流向与价格趋势信息，反映市场短期定价效率，与基本面因子结合使用[42]。 * **因子具体构建过程**：报告未详细说明动量因子的具体计算指标和公式。 6. **因子名称**：低波因子[3][43] * **因子构建思路**：作为技术面因子引入，旨在控制组合波动风险，实现基本面逻辑与市场动态的有机结合[42]。 * **因子具体构建过程**：报告未详细说明低波因子的具体计算指标和公式。 模型的回测效果 1. **中证500指数增强模型**[3][46][48] * **累计收益**：63.84% * **年化收益**：10.83% * **年化波动**：17.94% * **夏普比率**：0.60 * **最大回撤**：23.86% * **日胜率**：53.39% * **超额累计收益**：34.79% * **超额年化收益**：5.38% * **超额波动**：-2.92% * **超额夏普**：0.34 * **超额最大回撤**：-17.95% * **超额日胜率**：1.74%

量化模型与构建方式 1. **模型名称：GAN_GRU模型**[4][13] * **模型构建思路**：利用生成式对抗网络（GAN）对量价时序特征进行增强处理，再使用门控循环单元（GRU）模型对处理后的时序特征进行编码，以预测股票未来收益，并将预测值作为选股因子[4][13]。 * **模型具体构建过程**： 1. **数据准备**：选取所有个股过去400天内的18个量价特征（包括日频和月频特征，如收盘价、开盘价、成交量、换手率等）[14][17][19]。每5个交易日进行一次特征采样，采样形状为40*18（即过去40天的特征）[18]。 2. **数据处理**：对每次采样的40天内，每个特征在时序上进行去极值+标准化处理；同时，每个特征在个股截面上进行标准化处理[18]。 3. **GAN特征生成**： * **生成器（G）**：采用LSTM模型，输入原始量价时序特征（形状为(40, 18)），输出经处理后的量价时序特征（形状仍为(40, 18)）[33][37]。生成器的目标是让判别器无法区分其生成的数据与真实数据，其损失函数为： $$L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))]$$ 其中，\(z\) 表示随机噪声，\(G(z)\) 表示生成器生成的数据，\(D(G(z))\) 表示判别器判断生成数据为真实数据的概率[24][25]。 * **判别器（D）**：采用卷积神经网络（CNN）模型，用于判断输入数据是真实数据还是生成器生成的假数据[33]。其损失函数为： $$L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$$ 其中，\(x\) 是真实数据，\(D(x)\) 是判别器对真实数据的输出概率[27]。 * **训练过程**：生成器和判别器交替训练，直至生成器能生成足以欺骗判别器的逼真特征[29][30]。 4. **GRU收益预测**：将GAN生成的增强特征输入一个两层GRU网络（GRU(128, 128)），后接一个多层感知机（MLP(256, 64, 64)），模型最终输出为对未来20个交易日累计收益的预测值 \(pRet\)，该值即作为GAN_GRU选股因子[22]。 5. **模型训练与更新**：采用半年滚动训练方式，每年6月30日及12月31日训练模型，并用于未来半年的预测[18]。训练时使用80%的数据作为训练集，20%作为验证集，优化器为Adam，学习率为1e-4，损失函数为IC[18]。 6. **股票与样本筛选**：选取全市场股票，剔除ST及上市不足半年的股票；训练时剔除标签（label）为空值的样本[18]。 量化因子与构建方式 1. **因子名称：GAN_GRU因子**[4][13] * **因子构建思路**：基于GAN_GRU模型输出的股票未来收益预测值 \(pRet\) 构建选股因子[22]。 * **因子具体构建过程**： 1. 运行GAN_GRU模型，得到每只股票的未来收益预测值 \(pRet\)[22]。 2. 对原始因子值进行行业和市值中性化处理，以剥离行业和市值风格的影响[22]。 3. 对中性化后的因子值进行标准化处理[22]。 * **因子评价**：该因子是一个结合了生成式对抗网络特征增强和循环神经网络时序建模的深度学习因子，旨在更有效地挖掘量价数据中的时序预测信息[4][13]。 模型的回测效果 （本报告主要对GAN_GRU因子进行回测，未单独提供基础GRU+MLP模型的回测效果指标。） 因子的回测效果 1. **GAN_GRU因子**（全A股，月频调仓，2019年2月至2026年3月）[41][42] * IC均值：0.1095*** * ICIR（未年化）：0.88 * 年化收益率：36.03% * 年化波动率：21.87% * 信息比率（IR）：1.55 * 最大回撤率：27.29% * 年化超额收益率：21.87% * 换手率：0.82X * 近期IC（2026年3月27日）：0.1008*** * 近一年IC均值：0.0514***

量化模型与构建方式 1. **模型名称：基于估值的动态定投模型** * **模型构建思路：** 根据指数估值（市盈率）的历史分位数，动态调整每期定投金额，在估值较低时多投，估值较高时少投或不投[54]。 * **模型具体构建过程：** 1. 每月初计算指数当前市盈率（PE）的五年历史分位数。 2. 根据分位数确定当期定投金额： * 若分位数 < 30%，则投入 1000 元。 * 若分位数介于 30% 至 70% 之间，则投入 500 元。 * 若分位数 > 70%，则投入 0 元[54]。 2. **模型名称：基于均线的动态定投模型** * **模型构建思路：** 根据指数价格相对于其长期均线的偏离程度，动态调整每期定投金额，在价格大幅低于均线时多投，价格大幅高于均线时少投或不投[54]。 * **模型具体构建过程：** 1. 每月初计算指标：$$ \text{偏离度} = \frac{\text{指数当前收盘价} - \text{500 日收盘价均价}}{\text{500 日收盘价均价}} $$[54] 2. 根据偏离度确定当期定投金额： * 若偏离度 < -50%，买入 1000 元。 * 若偏离度介于 -50% 至 -35%，买入 800 元。 * 若偏离度介于 -35% 至 -20%，买入 600 元。 * 若偏离度介于 -20% 至 20%，买入 500 元。 * 若偏离度介于 20% 至 35%，买入 400 元。 * 若偏离度介于 35% 至 50%，买入 200 元。 * 若偏离度 > 50%，买入 0 元[54]。 模型的回测效果 *注：以下回测结果均基于2019年至今的数据，定投年限为3年和5年，以XIRR（内部收益率）衡量收益[52][53][56][58]。* 1. **基于估值的动态定投模型 (PE智能定投)** * **中证红利指数**：3年期平均XIRR为9.24%，5年期平均XIRR为9.04%[56]。 * **红利低波100指数**：3年期平均XIRR为11.18%，5年期平均XIRR为10.75%[56]。 * **红利质量指数**：3年期平均XIRR为9.18%，5年期平均XIRR为8.98%[56]。 * **自由现金流指数**：3年期平均XIRR为20.21%，5年期平均XIRR为20.88%[58]。 * **沪深300指数**：3年期平均XIRR为2.16%，5年期平均XIRR为3.25%[58]。 2. **基于均线的动态定投模型 (均线智能定投)** * **中证红利指数**：3年期平均XIRR为9.19%，5年期平均XIRR为9.06%[56]。 * **红利低波100指数**：3年期平均XIRR为10.95%，5年期平均XIRR为10.61%[56]。 * **红利质量指数**：3年期平均XIRR为9.43%，5年期平均XIRR为9.22%[56][58]。 * **自由现金流指数**：3年期平均XIRR为21.01%，5年期平均XIRR为21.41%[58]。 * **沪深300指数**：3年期平均XIRR为0.08%，5年期平均XIRR为0.86%[58]。 量化因子与构建方式 1. **因子名称：红利（股息率）因子** * **因子构建思路：** 筛选具有稳定且较高现金分红能力的公司[21]。 * **因子具体构建过程：** 以中证红利指数为例，其核心筛选指标为过去三年平均现金股息率[21]。选股要求包括过去三年连续现金分红，且股利支付率大于0小于1[21]。最终按股息率排名选取前100只股票，并采用股息率加权[21]。 2. **因子名称：红利低波因子** * **因子构建思路：** 在红利因子的基础上，叠加低波动率因子，筛选高股息且股价相对稳定的公司[21]。 * **因子具体构建过程：** 以中证红利低波动100指数为例，其核心筛选指标为股息率和过去一年波动率[21]。选股要求过去三年连续现金分红且每年现金股息率大于0[21]。先按股息率选取前300只股票，再按波动率升序选取前100只，采用股息率/波动率加权[21][23]。 3. **因子名称：红利质量因子** * **因子构建思路：** 在红利因子的基础上，叠加质量因子，筛选高股息且盈利质量优秀的公司[21]。 * **因子具体构建过程：** 以中证全指红利质量指数为例，其核心筛选指标包括质量因子（如ROE、ROE标准差、经营性现金流负债比等）[23]。选股要求过去三年连续现金分红，且平均股利支付率在10%-100%之间[23]。先剔除股息率后50%的股票，再按ROE稳定性选取前80%，最后按质量综合得分选取50只，采用综合得分倾斜加权[23]。 4. **因子名称：红利价值因子** * **因子构建思路：** 在红利因子的基础上，叠加价值因子，筛选高股息且估值较低的公司[21]。 * **因子具体构建过程：** 以中证红利价值指数为例，其核心筛选指标为过去3年平均税后现金股息率和价值因子（BP、EP、CFP）[21]。选股要求过去3年连续现金分红且股息率大于0，红利支付率适中，每股股利正增长[21]。先按股息率选取75只，再按价值因子综合排名选取50只，采用股息率加权[21][23]。 5. **因子名称：自由现金流因子** * **因子构建思路：** 筛选能够产生充沛自由现金流、企业价值被低估且盈利质量高的公司，这类公司通常也具有价值属性[12][21]。 * **因子具体构建过程：** 以中证全指自由现金流指数为例，其核心筛选指标为自由现金流、企业价值和盈利质量[23]。选股要求近一年自由现金流、企业价值，以及近三年、近五年经营活动现金流为正，且盈利质量位于样本空间前80%[23]。按自由现金流率排名选取前100只股票，采用自由现金流加权，并剔除金融、地产行业[23]。 因子的回测效果 *注：报告主要通过对比不同Smart Beta指数（即不同因子组合策略）的历史表现来评估因子效果。以下为代表性指数的风险收益特征及定投表现[15][52][53]。* 1. **中证红利指数 (代表纯红利因子)** * **历史风险收益：** 作为基准，其表现被红利低波、红利质量和自由现金流类指数普遍超越[15]。 * **定投表现 (2019年至今)：** 表现稳定，1-5年定投平均XIRR在8.91%至10.16%之间，盈利概率高[53]。 * **因子暴露：** 侧重高股息、低估值、大市值[44]。 * **行业分布：** 集中度高，前三大行业（银行、煤炭、交通运输）占比50.88%[48]。 2. **中证红利低波动100指数 (代表红利低波因子)** * **历史风险收益：** 表现优于中证红利指数[15]。在指数下跌年份（如2018、2022年）表现更好，防守性强[24]。 * **定投表现 (2019年至今)：** 表现最稳定，1-5年定投平均XIRR在10.11%至10.96%之间，盈利概率高[53]。 * **因子暴露：** 侧重高股息、低估值、大市值[44]。 * **行业分布：** 前三大行业为银行、医药生物、公用事业[48]。 3. **中证全指红利质量指数 (代表红利质量因子)** * **历史风险收益：** 表现优于中证红利指数，年化收益更高但波动性也更大[15]。在指数显著上涨年份（如2017、2019、2020年）表现更好[24]。 * **定投表现 (2019年至今)：** 收益波动较大，1-5年定投平均XIRR在8.47%至15.38%之间[52][53]。 * **因子暴露：** 更看重企业的盈利质量和成长性[44]。 * **行业分布：** 前三大行业为有色金属、食品饮料、医药生物[48]。 4. **中证全指自由现金流指数 (代表自由现金流因子)** * **历史风险收益：** 表现优于中证红利指数，年化收益更高但波动性也更大[15]。在指数震荡或反转年份（如2021、2023、2024年）表现更好[24]。 * **定投表现 (2019年至今)：** 收益均值显著高于其他指数，1-5年定投平均XIRR在19.49%至22.65%之间[52][53]。 * **因子暴露：** 更看重企业的盈利质量和成长性[44]。 * **行业分布：** 前三大行业为汽车、石油石化、有色金属[48]。

量化模型与构建方式 **注：** 本报告主要涉及量化因子，未提及具体的量化模型。以下为报告中详细描述的交易行为因子及其构建方法。 1. **因子名称：理想反转因子** [4][38] * **因子构建思路：** 传统反转因子的微观来源是大额成交。通过识别单笔成交金额高的交易日（即大单交易日），可以构建出反转效应更强的因子[4][38]。 * **因子具体构建过程：** 1. 对选定股票，回溯取其过去20个交易日的数据[40]。 2. 计算该股票每日的平均单笔成交金额（成交金额/成交笔数）[40]。 3. 将单笔成交金额高的10个交易日的涨跌幅加总，记作 M_high[40]。 4. 将单笔成交金额低的10个交易日的涨跌幅加总，记作 M_low[40]。 5. 理想反转因子 M = M_high – M_low[40]。 6. 对所有股票重复以上步骤，计算各自的理想反转因子 M[40]。 2. **因子名称：聪明钱因子** [4][39] * **因子构建思路：** 从分钟行情数据中识别出机构（聪明钱）参与交易的时段，通过比较聪明钱交易均价与全时段交易均价的相对高低来构建因子[4][39]。 * **因子具体构建过程：** 1. 对选定股票，回溯取其过去10日的分钟行情数据[39]。 2. 构造指标 $$S_t = |R_t| / (V_t)^{0.25}$$，其中 $$R_t$$ 为第t分钟涨跌幅，$$V_t$$ 为第t分钟成交量[39]。 3. 将分钟数据按照指标 $$S_t$$ 从大到小进行排序，取成交量累积占比前20%的分钟，视为聪明钱交易[39]。 4. 计算聪明钱交易的成交量加权平均价 VWAP_smart[41]。 5. 计算所有交易的成交量加权平均价 VWAP_all[41]。 6. 聪明钱因子 Q = VWAP_smart / VWAP_all[39]。 3. **因子名称：APM因子** [4][40] * **因子构建思路：** 在日内不同时段（如隔夜与下午），交易者行为模式不同，股价的反转强度也不同。该因子旨在捕捉这种日内不同时段残差收益的差异模式[4][40]。 * **因子具体构建过程：** 1. 对选定股票，回溯取其过去20日数据，记逐日隔夜的股票收益率为 $$r_{night}$$，隔夜的指数收益率为 $$R_{night}$$；逐日下午的股票收益率为 $$r_{afternoon}$$，下午的指数收益率为 $$R_{afternoon}$$[40]。 2. 将得到的40组隔夜与下午的收益率数据 $$(r, R)$$ 进行回归：$$r = \alpha + \beta R + \epsilon$$，得到残差项 $$\epsilon$$[40]。 3. 在得到的40个残差中，隔夜残差记为 $$\epsilon_{night}$$，下午残差记为 $$\epsilon_{afternoon}$$，进一步计算每日隔夜与下午残差的差值 $$\delta_t = \epsilon_{night} - \epsilon_{afternoon}$$[40]。 4. 构造统计量 stat 来衡量隔夜与下午残差的差异程度，计算公式如下：$$\mathrm{stat}={\frac{\mu(\delta_{t})}{\sigma(\delta_{t})/{\sqrt{N}}}}$$，其中 $$\mu$$ 为均值，$$\sigma$$ 为标准差[40][42]。 5. 为消除动量因子影响，将统计量 stat 对动量因子（过去20日收益率 Ret20）进行横截面回归：$$stat = a + b * Ret20 + \epsilon$$[43]。 6. 将回归得到的残差值 $$\epsilon$$ 作为 APM 因子[43]。 4. **因子名称：理想振幅因子** [4][45] * **因子构建思路：** 股价处于不同价位（高价态与低价态）时，其振幅所蕴含的信息存在结构性差异。通过分离高价态和低价态的振幅信息并作差，可以构建更有效的因子[4][45]。 * **因子具体构建过程：** 1. 对选定股票，回溯取其最近20个交易日数据，计算股票每日振幅（最高价/最低价 - 1）[45]。 2. 选择收盘价较高的25%有效交易日，计算其振幅均值，得到高价振幅因子 V_high[45]。 3. 选择收盘价较低的25%有效交易日，计算其振幅均值，得到低价振幅因子 V_low[45]。 4. 将高价振幅因子 V_high 与低价振幅因子 V_low 作差，得到理想振幅因子 V = V_high - V_low[45]。 5. **因子名称：交易行为合成因子** [29] * **因子构建思路：** 将上述四个交易行为因子（理想反转、聪明钱、APM、理想振幅）通过一定方法合成一个综合因子，以提升稳定性和表现[29]。 * **因子具体构建过程：** 1. **因子值处理：** 将上述四个交易行为因子在行业内进行因子去极值与因子标准化[29]。 2. **因子加权：** 滚动选取过去12期各因子的ICIR值作为权重，加权形成交易行为合成因子[29]。 模型的回测效果 *本部分无相关内容。* 量化因子与构建方式 *（因子构建方式已在上文“量化模型与构建方式”部分详细列出，此处不再重复）* 因子的回测效果 **注：** 以下因子回测结果均为“行业市值中性化”后的表现。指标分为“全历史区间”和“2026年3月当月/近12个月”两个窗口期。Barra风格因子仅提供当月收益。 Barra风格因子（2026年3月收益） 1. **市值因子**， 当月收益 -0.18%[3][13] 2. **账面市值比因子**， 当月收益 0.45%[3][13] 3. **成长因子**， 当月收益 -0.60%[3][13] 4. **盈利预期因子**， 当月收益 -0.46%[3][13] 开源交易行为因子（全历史区间） 1. **理想反转因子**， IC均值 -0.048[5][14]， rankIC均值 -0.060[5][14]， 信息比率(IR) 2.37[5][14]， 多空对冲月度胜率 77.1%[5][14] 2. **聪明钱因子**， IC均值 -0.037[5][19]， rankIC均值 -0.062[5][19]， 信息比率(IR) 2.68[5][19]， 多空对冲月度胜率 80.5%[5][19] 3. **APM因子**， IC均值 0.028[5][23]， rankIC均值 0.034[5][23]， 信息比率(IR) 2.26[5][23]， 多空对冲月度胜率 76.0%[5][23] 4. **理想振幅因子**， IC均值 -0.053[5][26]， rankIC均值 -0.073[5][26]， 信息比率(IR) 2.98[5][26]， 多空对冲月度胜率 82.7%[5][26] 5. **交易行为合成因子**， IC均值 0.065[5][29]， rankIC均值 0.093[5][29]， 多空对冲信息比率(IR) 3.24[5][29]， 多空对冲月度胜率 79.3%[5][29] 开源交易行为因子（2026年3月及近12个月表现） 1. **理想反转因子**， 3月多空对冲收益 -0.47%[6][14]， 近12个月多空对冲月度胜率 50.0%[6][14] 2. **聪明钱因子**， 3月多空对冲收益 1.35%[6][19]， 近12个月多空对冲月度胜率 66.7%[6][19] 3. **APM因子**， 3月多空对冲收益 1.50%[6][23]， 近12个月多空对冲月度胜率 41.7%[6][23] 4. **理想振幅因子**， 3月多空对冲收益 2.08%[6][26]， 近12个月多空对冲月度胜率 66.7%[6][26] 5. **交易行为合成因子**， 3月多空对冲收益 2.45%[6][29]， 近12个月多空对冲月度胜率 58.3%[6][29] 交易行为合成因子补充表现 1. **交易行为合成因子（多头对冲各组均值）**， 全历史年化收益率 8.07%[29]， 收益波动比 2.57[29]， 月度胜率 77.1%[29] 2. **交易行为合成因子（分股票池信息比率）**， 在国证2000中信息比率(IR) 2.83[30]， 在中证1000中信息比率(IR) 2.61[30]， 在中证800中信息比率(IR) 0.92[30]

量化模型与构建方式 1. **模型名称**：长期行业主题基金标签模型[38] **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，以支持资产配置、主题投资和产品选择的需求，并构建行业主题基金指数作为衡量工具[38] **模型具体构建过程**： 1. 数据来源：使用基金近四期（即最近两年）的中报和年报持仓信息[38] 2. 标签定义：根据基金长期持仓的行业特征，将其标签区分为三类： * **行业主题基金**：长期稳定集中于某个特定行业主题[38] * **行业轮动基金**：在不同时期切换不同的行业主题[38] * **行业均衡基金**：行业配置较为分散均衡[38] 3. 指数构建：基于上述标签分类，构建相应的行业主题基金指数，以反映各类主题基金的整体风险收益表现[38] 2. **模型名称**：公募REITs系列指数模型[48] **模型构建思路**：构建完整的REITs系列指数，为投资者提供基于指数化投资思想的资产配置新视角，综合反映REITs市场表现，并提供不同底层资产和项目类型的细分指数[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（如仓储物流、生态环保等），并考虑高分红特性，同时提供价格指数和全收益指数[48] 2. 计算方法： * 采用**分级靠档**的方法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变动时（如新发、扩募），采用**除数修正法**保证指数的连续性[48] * 除数修正法公式：$$新除数 = \frac{修正后的总市值}{修正前的收盘指数}$$ 其中，修正后的总市值指调整样本或市值后的新总市值，修正前的收盘指数为变动前最后一个交易日的指数收盘值，新除数用于后续的指数计算以保证连续性[48] 量化因子与构建方式 1. **因子名称**：多因子ETF分类因子[61] **因子构建思路**：在ETF市场跟踪中，根据其投资策略或暴露的风险收益特征，将股票型ETF进一步细分为多因子类别，以分析不同风格因子的资金流向和市场表现[61] **因子具体构建过程**： 1. 因子类别定义：报告中将ETF细分为多个因子类别，包括**红利**、**现金流**、**动量**、**成长**、**价值**、**基本面**、**质量**、**ESG**等[61] 2. 归类方法：根据ETF跟踪的指数名称、基金招募说明书披露的投资策略或市场公认的分类标准，将国内股票ETF划分到上述因子类别中[61] 3. 效果跟踪：统计每个因子类别下ETF的整体资金净流入、本周回报、近期回报等指标，用以观察不同因子的市场表现和资金偏好[61] 模型的回测效果 1. **长期行业主题基金标签模型** 生成的指数表现（截至2026年3月27日当周）[38]： * 医药主题基金周收益率：4.32% * 新能源主题基金周收益率：1.17% * 周期主题基金周收益率：1.13% * 行业轮动主题基金周收益率：-0.37% * 行业均衡主题基金周收益率：-0.50% * 国防军工主题基金周收益率：-1.07% * TMT主题基金周收益率：-1.48% * 消费主题基金周收益率：-1.50% * 金融地产主题基金周收益率：-1.98% 2. **公募REITs系列指数模型** 生成的指数表现（基日以来至2026年3月27日）[52]： * REITs综合指数：累计收益-5.81%，年化收益-1.25%，最大回撤-42.67%，夏普比率-0.27，年化波动10.34% * 产权类REITs指数：累计收益11.50%，年化收益2.31%，最大回撤-45.00%，夏普比率0.06，年化波动12.56% * 特许经营权类REITs指数：累计收益-24.85%，年化收益-5.82%，最大回撤-41.17%，夏普比率-0.81，年化波动9.03% * 消费基础设施REITs指数：累计收益48.92%，年化收益8.71%，最大回撤-9.89%，夏普比率0.69，年化波动10.53% * 新型基础设施REITs指数：累计收益17.33%，年化收益3.41%，最大回撤-5.08%，夏普比率0.15，年化波动12.48% 因子的回测效果 1. **多因子ETF分类因子** 各类别市场表现（截至2026年3月27日当周）[61]： * 红利因子ETF：本周净流入26.41亿元，本周回报-0.95% * 现金流因子ETF：本周净流入18.32亿元，本周回报-1.31% * 动量因子ETF：本周净流入2.39亿元，本周回报-2.02% * 成长因子ETF：本周净流入0.53亿元，本周回报-0.25% * 价值因子ETF：本周净流入0.18亿元，本周回报-1.05% * 基本面因子ETF：本周净流入-0.02亿元，本周回报-0.36% * 质量因子ETF：本周净流入-0.03亿元，本周回报-1.42% * ESG因子ETF：本周净流入0.27亿元，本周回报-1.33%

量化模型与构建方式 1. **模型名称**：大额买入与资金流向跟踪模型 * **模型构建思路**：通过逐笔成交数据构建“大买单成交金额占比”和“净主动买入金额占比”两个核心指标，分别用于刻画大资金的买入行为和投资者的主动买入行为，从而对个股、宽基指数、行业和ETF的资金流向进行跟踪[7]。 * **模型具体构建过程**： 1. **数据准备**：获取股票或ETF的逐笔成交数据，数据中需包含叫买序号、叫卖序号和买卖标志[7]。 2. **指标一：大买单成交金额占比** * **步骤1：还原买卖单**：根据逐笔成交数据中的叫买和叫卖序号，将数据还原为买卖单数据[7]。 * **步骤2：筛选大单**：按照每单的成交量设定阈值，筛选得到“大单”[7]。 * **步骤3：计算指标**：计算当日所有“大买单”（即大单中属于买入方向的单子）的成交金额总和，除以当日该证券的总成交金额，得到“大买单成交金额占比”[7]。 * **公式**：$$大买单成交金额占比 = \frac{\sum 大买单成交金额}{当日总成交金额} \times 100\%$$ 3. **指标二：净主动买入金额占比** * **步骤1：界定主动方向**：根据逐笔成交数据中的买卖标志，界定每笔成交属于“主动买入”还是“主动卖出”[7]。 * **步骤2：计算净额**：将当日所有“主动买入”成交金额的总和，减去所有“主动卖出”成交金额的总和，得到“净主动买入金额”[7]。 * **步骤3：计算指标**：将“净主动买入金额”除以当日该证券的总成交金额，得到“净主动买入金额占比”[7]。 * **公式**：$$净主动买入金额占比 = \frac{\sum 主动买入成交金额 - \sum 主动卖出成交金额}{当日总成交金额} \times 100\%$$ 4. **跟踪与排名**：对全市场个股、ETF或按整体法计算的宽基指数/行业，计算上述两个指标的过去5日移动平均值，并依据该均值进行排序，生成跟踪列表[4][8][9][10][11][12][13][14][15][16]。 量化因子与构建方式 1. **因子名称**：大买单成交金额占比因子 * **因子构建思路**：该因子旨在捕捉大额资金的买入强度，认为大买单占比高的股票可能受到机构或大资金的关注[7]。 * **因子具体构建过程**：与上述“模型具体构建过程”中“指标一：大买单成交金额占比”的构建过程完全相同[7]。 2. **因子名称**：净主动买入金额占比因子 * **因子构建思路**：该因子旨在刻画市场投资者的主动买入意愿，净主动买入占比高表明买方力量更强，资金呈净流入状态[7]。 * **因子具体构建过程**：与上述“模型具体构建过程”中“指标二：净主动买入金额占比”的构建过程完全相同[7]。 模型的回测效果 （注：本报告为周度跟踪报告，未提供长期回测绩效指标，如年化收益率、夏普比率、最大回撤等。因此，本部分根据报告内容展示特定时间窗口下的指标跟踪结果。） 1. **大额买入与资金流向跟踪模型**，在**个股**维度，近5个交易日（20260323-20260327）大买单成交金额占比排名前5的个股为：新能泰山(93.2%)、雪浪环境(85.7%)、中利集团(85.4%)、马钢股份(85.2%)、华远控股(85.0%)[4][9]；净主动买入金额占比排名前5的个股为：振德医疗(16.7%)、中国广核(15.9%)、浙能电力(12.6%)、华帝股份(12.3%)、陕西金叶(12.2%)[4][10]。 2. **大额买入与资金流向跟踪模型**，在**宽基指数**维度，近5个交易日（20260323-20260327）主要宽基指数的大买单成交金额占比5日均值在69.5%至73.7%之间，净主动买入金额占比5日均值在1.0%至3.2%之间[12]。 3. **大额买入与资金流向跟踪模型**，在**行业**维度，近5个交易日（20260323-20260327）大买单成交金额占比排名前5的中信一级行业为：银行(81.5%)、房地产(78.9%)、交通运输(78.8%)、钢铁(78.7%)、煤炭(78.4%)[4][13]；净主动买入金额占比排名前5的行业为：综合金融(12.6%)、医药(12.3%)、钢铁(10.8%)、食品饮料(10.6%)、商贸零售(9.1%)[4][13]。 4. **大额买入与资金流向跟踪模型**，在**ETF**维度，近5个交易日（20260323-20260327）大买单成交金额占比排名前5的ETF为：国泰中证A500ETF(92.4%)、华泰柏瑞中证A500ETF(92.1%)、汇添富MSCI中国A50互联互通ETF(91.5%)、鹏华国证石油天然气ETF(91.3%)、国泰上证10年期国债ETF(91.3%)[4][15]；净主动买入金额占比排名前5的ETF为：海富通上证城投债ETF(24.4%)、富国创业板人工智能ETF(19.4%)、国泰上证10年期国债ETF(16.9%)、华夏中证新能源汽车ETF(14.4%)、华夏中证细分有色金属产业ETF(14.2%)[4][16]。 因子的回测效果 （注：本报告未提供因子在选股模型中的IC、IR、多空收益等传统因子测试结果。此处展示的为因子在特定时点的截面取值及排名情况。） 1. **大买单成交金额占比因子**，在**个股**截面（20260323-20260327），因子值（5日均值）最高为93.2%（新能泰山），前10名因子值均超过84%[9]；在**ETF**截面，因子值最高为92.4%（国泰中证A500ETF），前10名因子值均超过90%[15]。 2. **净主动买入金额占比因子**，在**个股**截面（20260323-20260327），因子值（5日均值）最高为16.7%（振德医疗），前10名因子值均超过11%[10]；在**ETF**截面，因子值最高为24.4%（海富通上证城投债ETF），前10名因子值均超过7.8%[16]。

量化模型与构建方式 1. **模型名称**：量化交易优化模型[50] * **模型构建思路**：该模型用于在基金进行指数调仓或应对申赎时，优化交易执行，以降低市场冲击成本并减少跟踪误差[50]。 * **模型具体构建过程**：报告未详细描述该量化模型的具体构建公式和步骤，仅说明其应用场景和目标。模型在基金采用完全复制策略的基础上，根据市场的流动性情况，对交易进行优化[50]。 量化因子与构建方式 1. **因子名称**：规模因子 (Size Factor)[43] * **因子构建思路**：该因子源自Barra风险模型体系，用于刻画股票市值大小对其收益的影响[43]。报告通过观察300等权指数相对沪深300指数的超额收益与该因子收益的相关性，来分析指数在不同市场风格下的表现[43]。 * **因子具体构建过程**：报告未详细描述该因子的具体计算公式，但引用了Barra风格因子的月收益率数据进行分析[43]。 * **因子评价**：300等权指数相对沪深300的超额收益与规模因子收益率呈现明显的负相关关系，表明在小市值风格占优的市场环境中，300等权指数通常表现更优[43]。 2. **因子名称**：盈利因子 (Earnings Factor)[43] * **因子构建思路**：该因子同样源自Barra风险模型体系，用于刻画公司盈利能力对其收益的影响[43]。报告通过观察300等权指数相对沪深300指数的超额收益与该因子收益的相关性，来分析指数在不同市场风格下的表现[43]。 * **因子具体构建过程**：报告未详细描述该因子的具体计算公式，但引用了Barra风格因子的月收益率数据进行分析[43]。 * **因子评价**：300等权指数相对沪深300的超额收益与盈利因子收益率呈现明显的负相关关系，表明在盈利风格相对走弱的市场环境中，300等权指数通常更容易取得超额收益[43]。 模型的回测效果 （报告中未提供量化交易优化模型的具体回测指标数据） 因子的回测效果 （报告中未提供规模因子和盈利因子本身的因子测试结果，仅展示了它们与300等权指数超额收益的相关性分析结果[43]）

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：绿色转型板块资金流向分析模型[33] **模型构建思路**：为了追踪不同板块在碳中和进程中的资金流向，将与绿色或转型相关的行业划分为三类，基于各行业在碳减排链条中的功能定位进行划分，用于分析资金流动与市场结构趋势[33] **模型具体构建过程**： * **板块分类**：将A股市场行业划分为四个板块，分类标准如下： * **低碳核心板块**：涵盖电力设备、环保，以及公用事业和汽车行业的部分领域，直接贡献碳减排，是新能源发电、绿色出行及减污降碳的核心环节[34] * **低碳支撑板块**：包括计算机、通信、电子及机械设备的部分领域，为产业绿色转型提供数字化、自动化和智能化支撑，是提升社会整体能效与资源利用效率的关键赋能方[34] * **转型主体板块**：包括火电、煤炭、钢铁、有色金属、化工等多个领域，能源消耗强度高、排放基数大，是碳减排的重点领域，也是转型金融政策优先关注的对象[35] * **其他板块**：除以上三类之外的其他行业[35] * **指标计算**：对每个板块，计算以下两个核心指标以追踪资金流向： * **主力净流入额**：统计周期内（如一周）流入该板块的主力资金净额[35] * **主力净流入率**：主力净流入额与该板块周期内成交总额的比率，计算公式为： $$主力净流入率 = \frac{主力净流入额}{板块成交总额} \times 100\%$$ 该指标用于标准化比较不同规模板块间的资金流向强度[35] **模型评价**：该模型提供了一个结构化的框架，用于观察和分析在绿色转型主题下，不同功能定位的板块之间资金的动态变化和偏好，有助于理解市场对碳中和各环节的预期和情绪[33] 模型的回测效果 1. 绿色转型板块资金流向分析模型，本周主力净流入额：低碳核心板块-180亿元，低碳支撑板块-506亿元，转型主体板块36亿元，其他板块-442亿元[35] 2. 绿色转型板块资金流向分析模型，本周主力净流入率：低碳核心板块-0.88%，低碳支撑板块-1.58%，转型主体板块0.16%，其他板块-1.51%[35] 3. 绿色转型板块资金流向分析模型，本周成交额占比：低碳核心板块19.50%，低碳支撑板块30.67%，转型主体板块21.96%，其他板块27.87%[36] 量化因子与构建方式 1. **因子名称**：ESG事件舆情热度因子[43] **因子构建思路**：通过统计全市场上市公司发生的ESG相关事件数量、类型及正负向，构建反映ESG整体舆情热度和市场关注度的因子[43] **因子具体构建过程**： * **事件收集与分类**：收集统计周期内（如一周）全市场所有ESG相关事件[43] * **维度分类**：将事件按环境（E）、社会（S）、治理（G）三个维度进行分类统计[46] * **情感分类**：将每个事件标记为正向、负向或中性[43] * **因子计算**：计算以下指标： * **ESG事件总数**：统计周期内发生的ESG事件总数量[43] * **各维度事件数量及占比**：分别统计E、S、G维度的事件数量，并计算其占总事件数的比例[46] * **正/负/中性事件数量及占比**：分别统计正向、负向、中性事件的数量，并计算其占总事件数的比例[43] 2. **因子名称**：行业ESG事件集中度因子[49] **因子构建思路**：在ESG事件舆情热度因子的基础上，进一步按行业进行细分，识别ESG事件高发的行业以及各行业内的主要议题，构建反映行业层面ESG关注度和风险点的因子[49] **因子具体构建过程**： * **行业事件统计**：将收集到的ESG事件按所属行业进行分类[49] * **事件数量排序**：统计各行业发生的ESG事件总数，并排序找出事件数量前十的行业[49] * **议题分析**：针对每个重点行业，识别其周期内发生频率最高的前三个ESG议题（例如“战略合作”、“信披违规”、“减持”等）[53] * **情感分析**：统计各行业内正向、负向、中性事件的数量及占比[53] 因子的回测效果 1. ESG事件舆情热度因子，本周ESG事件总数：1539件[43] 2. ESG事件舆情热度因子，本周事件情感分布：正向事件848件（占比55.1%），负向事件580件（占比37.7%），中性事件111件（占比7.2%）[43] 3. ESG事件舆情热度因子，本周事件维度分布：环境（E）类事件203件，社会（S）类事件37件，治理（G）类事件1307件（占比约84.9%）[46] 4. 行业ESG事件集中度因子，本周事件数量前三行业：电力设备行业143件，电子行业139件，医药生物行业132件[49] 5. 行业ESG事件集中度因子，本周汽车行业正向事件占比：约71.2%[50]