量化模型与因子总结 量化因子与构建方式 **1. 深度学习因子** 1. **因子名称**：agru_dailyquote[5][56] * **因子构建思路**：基于日频行情数据，使用注意力门控循环单元（AGRU）深度学习模型构建的Alpha因子[5]。 * **因子具体构建过程**：报告未提供该深度学习因子的具体构建公式和详细计算步骤，仅提及了模型类型（AGRU）和使用的数据源（日频行情）[5]。 * **因子评价**：在全市场月度换仓条件下，该因子历史RankIC均值为13.94%，历史胜率达91.63%，表现出较高的预测能力和稳定性[5][56]。 2. **因子名称**：DL_1[5][56] * **因子构建思路**：使用深度学习模型构建的Alpha因子[5]。 * **因子具体构建过程**：报告未提供该深度学习因子的具体构建公式和详细计算步骤[5]。 * **因子评价**：在全市场月度换仓条件下，该因子历史RankIC均值为14.08%，历史胜率为87.97%[5][56]。 3. **因子名称**：fimage[5][56] * **因子构建思路**：基于图像数据的深度学习因子[5]。 * **因子具体构建过程**：报告未提供该深度学习因子的具体构建公式和详细计算步骤[5]。 * **因子评价**：在全市场月度换仓条件下，该因子历史RankIC均值为5.17%，历史胜率为78.11%[5][56]。 **2. Level-2高频因子** 1. **因子名称**：integrated_bigsmall_longshort[5][56] * **因子构建思路**：综合大小单和长短单信息的复合因子[5][56]。 * **因子具体构建过程**：报告未提供该复合因子的具体构建公式和详细计算步骤[56]。 * **因子评价**：在全市场月度换仓条件下，该因子近期表现较好，近一月RankIC均值为15.18%，历史RankIC均值为11.10%，历史胜率为75.86%[5][56]。 2. **因子名称**：bigbuy[56] * **因子构建思路**：基于Level-2数据的大单买入因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 3. **因子名称**：bigsell[56] * **因子构建思路**：基于Level-2数据的大单卖出因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 4. **因子名称**：bigbuy_bigsell[56] * **因子构建思路**：大单买入与大单卖出合成的因子[56]。 * **因子具体构建过程**：报告未提供该合成因子的具体构建公式和详细计算步骤[56]。 5. **因子名称**：longbuy[56] * **因子构建思路**：基于Level-2数据的长单买入因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 6. **因子名称**：longsell[56] * **因子构建思路**：基于Level-2数据的长单卖出因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 7. **因子名称**：integrated_bigsmall[56] * **因子构建思路**：综合大小单信息的因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 8. **因子名称**：integrated_longshort[56] * **因子构建思路**：综合长短单信息的因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 **3. 分钟频因子** 1. **因子名称**：Amihud_illiq[5][58] * **因子构建思路**：衡量股票非流动性的因子，基于Amihud非流动性指标构建[5][58]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[58]。经典的Amihud非流动性指标计算公式通常为： $$Illiq_{it} = \frac{|R_{it}|}{VOLD_{it}}$$ 其中，$R_{it}$为股票i在第t日的收益率，$VOLD_{it}$为股票i在第t日的成交金额（以万元计）。因子值通常取一定时间窗口内的平均值。 * **因子评价**：在全市场月度换仓条件下，该因子近期表现较好，近一月RankIC均值为16.88%，历史RankIC均值为11.17%，历史胜率为74.95%[5][58]。 2. **因子名称**：real_var[56] * **因子构建思路**：日内已实现方差因子，衡量股票日内价格波动[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 3. **因子名称**：real_skew[56] * **因子构建思路**：日内已实现偏度因子，衡量股票日内收益率分布的不对称性[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 4. **因子名称**：real_kurtosis[56] * **因子构建思路**：日内已实现峰度因子，衡量股票日内收益率分布的尖峭程度[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 **4. 风格因子** 报告列出了盈利、成长、杠杆、流动、技术、规模、质量、估值共8大类45个风格因子[5][59][60]。这些均为传统基本面与市场面因子，报告未提供其具体构建过程。部分示例如下： 1. **因子名称**：销售净利率、毛利率、ROE、ROA（盈利类）[59] 2. **因子名称**：股东权益增长率、净利润增长率、EPS增长率（成长类）[59] 3. **因子名称**：资产负债率、长期负债比率（杠杆类）[59] 4. **因子名称**：1个月成交金额、换手率（流动类）[59] 5. **因子名称**：一个月股价反转、三个月股价反转（技术类）[59] 6. **因子名称**：流通市值、总资产（规模类）[59] 7. **因子名称**：存货周转率、流动比率（质量类）[60] 8. **因子名称**：EP、BP、SP、DP（估值类）[60] 因子的回测效果（全市场，月度换仓） 以下为报告“表1：因子表现分析（全市场，月度换仓）”中部分因子的历史表现汇总[56][58][59][60]。指标包括：近一周RankIC均值、近一月RankIC均值、近一年RankIC均值、历史以来RankIC均值、历史胜率。 1. **agru_dailyquote因子**，近一周RankIC均值5.18%，近一月RankIC均值12.44%，近一年RankIC均值14.42%，历史以来RankIC均值13.94%，历史胜率91.63%[56] 2. **DL_1因子**，近一周RankIC均值4.00%，近一月RankIC均值19.68%，近一年RankIC均值16.48%，历史以来RankIC均值14.08%，历史胜率87.97%[56] 3. **fimage因子**，近一周RankIC均值-0.17%，近一月RankIC均值3.95%，近一年RankIC均值3.92%，历史以来RankIC均值5.17%，历史胜率78.11%[56] 4. **integrated_bigsmall_longshort因子**，近一周RankIC均值-4.74%，近一月RankIC均值15.18%，近一年RankIC均值9.78%，历史以来RankIC均值11.10%，历史胜率75.86%[56] 5. **Amihud_illiq因子**，近一周RankIC均值-3.21%，近一月RankIC均值16.88%，近一年RankIC均值13.34%，历史以来RankIC均值11.17%，历史胜率74.95%[58] 6. **一个月股价反转因子**，近一周RankIC均值-13.27%，近一月RankIC均值-4.60%，近一年RankIC均值-9.14%，历史以来RankIC均值-7.01%，历史胜率68.05%[59] 7. **BP(行业相对)因子**，近一周RankIC均值-2.04%，近一月RankIC均值7.28%，近一年RankIC均值6.13%，历史以来RankIC均值6.29%，历史胜率71.92%[60] 模型的回测效果（指数增强） 以下为报告第二部分中，三个深度学习因子在控制行业、市值等偏离度，并进行月末换仓、双边千三计费的条件下，于“沪深300”板块进行指数增强策略的回测表现（2020-2025年）[21][34][49]。指标包括：总收益、年化收益率、最大回撤率、年化波动率、信息比率(IR)、夏普比率、收益回撤比。 1. **agru_dailyquote因子模型**，总收益68.73%，年化收益率9.29%，最大回撤率-7.29%，年化波动率4.30%，信息比率(IR)2.16，夏普比率1.58，收益回撤比1.27[21] 2. **DL_1因子模型**，总收益39.95%，年化收益率5.87%，最大回撤率-9.15%，年化波动率4.37%，信息比率(IR)1.34，夏普比率0.77，收益回撤比0.64[34] 3. **fimage因子模型**，总收益45.52%，年化收益率6.58%，最大回撤率-3.58%，年化波动率3.70%，信息比率(IR)1.78，夏普比率1.10，收益回撤比1.84[49]

量化模型与构建方式 1. **模型名称：日历效应调整的指数增强模型**[7] * **模型构建思路**：基于对12个大类因子在季度、年末年初、春节、两会、国庆等特定日历窗口下表现规律的统计，在合成大类因子权重时进行动态调整，以增强多因子选股模型的收益并降低尾部风险[4][7]。 * **模型具体构建过程**： 1. **基础因子构建**：首先构建12个大类因子，每个大类因子由若干子类因子去异常、标准化后等权合成得到[16]。大类因子包括：价格稳定、成交稳定、流动性、拥挤度、反转、分析师、成长、质量、SUE、动量、价值、成交笔数[16]。 2. **日历效应识别**：以因子月度IC（信息系数）为基础，使用Welch检验比较日历窗口期与非日历窗口期因子IC的差异（超额差异水平），并使用单样本T检验判断日历窗口期内因子IC是否显著大于0（超额绝对水平），以此判断因子在特定日历效应下的选股能力差异[18]。 3. **权重调整规则制定**：根据上述统计检验结果，总结出各日历窗口下表现相对增强或减弱的因子规律[7][9]。例如：一季度拥挤度因子收益更弱；二季度基本面（除价值）和动量因子更强；三季度基本面（除价值）因子更弱、流动性因子更强；四季度基本面（除价值）和动量因子更弱；年末年初低波、拥挤度、质量、价值等低风险偏好因子更强；春节前因子多有效、春节后易失效；两会前因子弱、两会后因子强；国庆前后基本面因子弱、量价因子尚可[9][38][40][55][67][80][90]。 4. **动态权重合成**：在月度调仓时，根据当月的日历属性（如属于哪个季度、是否临近春节等），依据预先制定的权重调整规则，对12个大类因子的合成权重进行倾斜（例如，增加当期表现预期增强的因子权重，降低预期减弱的因子权重），从而构建出经过日历效应调整的复合因子得分，用于选股[7][91]。 模型的回测效果 1. **日历效应调整的指数增强模型**，在沪深300、中证500、中证1000指数上的增强策略显示，收益增强在2019年以后较为稳定，且日历效应调整可以降低尾部风险，提高月度胜率[9]。但报告指出，该模型在2025年7月后失效，原因是当时处于成长周期，而日历效应规则降低了基本面（除价值）因子的配置，导致错失其上涨机会[9]。 量化因子与构建方式 1. **因子名称：价格稳定因子**[16] * **因子构建思路**：通过多个子因子衡量股价的稳定性和波动特征，通常低波动、稳定的股票被认为风险较低[16]。 * **因子具体构建过程**：由4个子类因子去异常标准化后等权合成[16]。 * 残差波动率：Fama-French三因子模型回归残差的标准差。$$ \sigma_{\epsilon} = \sqrt{\frac{1}{T-1} \sum_{t=1}^{T} (\epsilon_t - \bar{\epsilon})^2} $$ 其中 $\epsilon_t$ 为t日的回归残差。 * 特异率：1减去Fama-French三因子模型回归的拟合优度（R²）。$$ Idio = 1 - R^2 $$ * 残差峰度：Fama-French三因子模型回归残差的峰度。 * 高价振幅：价格处于历史最高20%区间内的平均振幅。 2. **因子名称：成交稳定因子**[16] * **因子构建思路**：从成交量分布和集中度的角度衡量交易行为的稳定性[16]。 * **因子具体构建过程**：由4个子类因子去异常标准化后等权合成[16]。 * 换手率变异系数：换手率除以（标准差/平均值），即换手率的变异系数的倒数。 * 成交占比熵：以个股成交量占市场总成交量的比例作为概率p，计算熵值。$$ Entropy = -\sum p \cdot \log(p) $$ * 量大单买入强度：过去n个交易日，大买单成交额的（标准差/平均值）。 * 波峰：使用日内1分钟成交量K线数据，筛选出成交量大于均值+1倍标准差的K线，并计算这些K线中局部峰值数量的20日均值。 3. **因子名称：流动性因子**[16] * **因子构建思路**：衡量股票的交易活跃度和交易成本，流动性好的股票更容易买卖[16]。 * **因子具体构建过程**：由3个子类因子去异常标准化后等权合成[16]。 * 换手率：成交量 / 总股本。 * 非流动性：收益率的绝对值 / 总成交额。$$ Illiq = |r| / Volume $$ * 一致买入占比：盘口买一价上的买入成交额 / 总成交额。 4. **因子名称：拥挤度因子**[16] * **因子构建思路**：衡量交易行为的拥挤程度，可能反映过热或一致的交易行为[16]。 * **因子具体构建过程**：由3个子类因子去异常标准化后等权合成[16]。 * 量价相关性：成交量和复权收盘价的秩相关系数。 * 加权偏度：以成交量加权的收盘价偏度。 * 时量价比：时间加权价格 / 成交量加权价格。 5. **因子名称：反转因子**[16] * **因子构建思路**：捕捉股票的短期价格反转效应[16]。 * **因子具体构建过程**：由3个子类因子去异常标准化后等权合成[16]。 * 高量交易成本：价格处于最高20%区间的成交量 / 全价格区间的成交量。 * 每笔成交额：总成交额 / 成交笔数。 * 短期反转：以“5分钟成交量/成交笔数”作为划分标准，筛选出后20%的数据，计算其对数收益率之和。 6. **因子名称：分析师因子**[16] * **因子构建思路**：基于分析师预期数据，捕捉盈利增长预期带来的溢价[16]。 * **因子具体构建过程**：该大类因子目前仅包含1个子类因子[16]。 * 预期增长：分析师一致预期EPS的近两个月平均值 / 较远两个月平均值。 7. **因子名称：成长因子**[16] * **因子构建思路**：衡量公司的成长能力，高成长性公司通常更受市场青睐[16]。 * **因子具体构建过程**：由2个子类因子去异常标准化后等权合成[16]。 * 归母净利润同比：(本期季度归母净利润 - 去年同期季度归母净利润) / |去年同期季度归母净利润|。 * 营业收入同比：(本期季度营业收入 - 去年同期季度营业收入) / |去年同期季度营业收入|。 8. **因子名称：质量因子**[16] * **因子构建思路**：衡量公司的盈利质量、运营效率和财务稳健性[16]。 * **因子具体构建过程**：由5个子类因子去异常标准化后等权合成[16]。 * ROE：净利润 / 净资产。 * 总资产周转率：营业收入 / 总资产。 * 净利率：净利润 / 营业收入。 * 现金总资产比率：经营活动现金流净额 / 总资产。 * 现金营业收入比率：经营活动现金流净额 / 营业收入。 9. **因子名称：SUE因子**[16] * **因子构建思路**：衡量公司盈利的超预期程度，即标准化意外盈余[16]。 * **因子具体构建过程**：由5个子类因子去异常标准化后等权合成[16]。 * ROE 2年SUE：单季度扣非净利润归一化后对时间序列（如过去8个季度）进行线性回归的斜率项。 * 总资产周转率2年SUE：单季度扣非净利润对时间回归的斜率 / 平均净资产。 * 净利率2年SUE：（当期归母净利润 - 过去8个季度均值）/ 过去8个季度标准差。 * 现金总资产比率2年SUE：（当期GPOA - 过去8个季度均值）/ 过去8个季度标准差。 * 现金营业收入比率2年SUE：（当期销售毛利率 - 过去8个季度均值）/ 过去8个季度标准差。 10. **因子名称：动量因子**[16] * **因子构建思路**：捕捉股票价格的趋势延续效应[16]。 * **因子具体构建过程**：由3个子类因子去异常标准化后等权合成[16]。 * 半衰残差动量：过去240个交易日，基于Fama-French三因子模型的日度残差收益率，从第240日到第20日前进行累积。 * 长期动量：过去240个交易日（剔除最近20个交易日）的收益率。 * 排序动量：对日度收益率做截面排序，对过去240个交易日（剔除最近20日）的排序值求和。 11. **因子名称：价值因子**[16] * **因子构建思路**：衡量股票价格相对于其基本面价值的低估程度[16]。 * **因子具体构建过程**：由4个子类因子去异常标准化后等权合成[16]。 * BP：净资产 / 总市值。 * SALES2EV：营业收入 / 企业价值。 * DP：近12个月分红 / 总市值。 * EP：归母净利润（TTM）/ 总市值。 12. **因子名称：成交笔数因子**[16] * **因子构建思路**：从委托单的粒度分析交易行为，捕捉潜在的交易者结构或行为信息[16]。 * **因子具体构建过程**：由4个子类因子去异常标准化后等权合成[16]。 * 高量每笔成交：以5分钟成交量为划分，筛选出后20%的数据计算每笔成交额，再除以全时间段每笔成交额。 * 每笔流出额占比：以成交量为划分，计算每笔流出额 / 全区间每笔流出额。 * 收益偏度：收益率序列的偏度。 * ROE增长：过去8个季度的ROE对时间序列进行线性回归的斜率项。 * 总资产周转率增长：过去8个季度的总资产周转率对时间序列进行线性回归的斜率项。 因子的回测效果 （注：报告提供了大量因子在不同日历窗口下的统计检验t值（超额差异水平和超额绝对水平）及分年IC图表，但未提供统一的、可横向对比的因子绩效指标（如年化收益、夏普比率、IC均值等）。以下根据报告内容，总结部分因子在特定窗口下的表现规律。） 1. **动量因子**，在二季度表现增强（超额绝对水平t值多为正且较高），在一季度和四季度表现不稳定或较弱[9][22][32][40]。 2. **基本面因子（包含成长、质量、SUE）**，在二季度和年初表现增强，在三季度和四季度表现较弱[9][22][26][32][38][40]。 3. **流动性因子**，在三季度表现相对增强[26][40]。 4. **低波因子（价格稳定、成交稳定）**，在年末年初效应和春节前表现增强[38][44][55]。 5. **拥挤度因子**，在一季度表现相对较弱，在年末表现增强[18][44]。 6. **质量因子**，在年末表现增强[44]。 7. **价值因子**，在年末和春节前表现增强[44][55]。 8. **反转因子**，在春节后和两会前表现相对稍强[62][68]。 9. **分析师因子**，在国庆前表现相对较弱[80]。

量化模型与因子总结 量化因子与构建方式 1. **因子名称**：标准化预期外市净率[35] **因子构建思路**：属于超预期因子大类，旨在捕捉公司基本面（此处为市净率）超出市场一致预期的程度，预期超预期程度高的股票未来表现更好[35]。 **因子具体构建过程**：报告未提供该因子的具体计算公式，但指出超预期因子的详细介绍可参考系列报告《基于PEAD效应的超预期因子选股效果如何》[7]。通常，此类因子构建涉及计算财报实际公布值与分析师预测一致预期值的差异，并进行标准化处理。 2. **因子名称**：分析师预测净利润 FY1 的 120 日变动[35] **因子构建思路**：属于分析师因子大类，通过跟踪分析师对未来一期（FY1）净利润预测在近期（120日）内的调整方向与幅度，捕捉基本面预期的变化趋势[35]。 **因子具体构建过程**：报告未提供具体公式。通常构建方式为计算当前分析师对FY1净利润的一致预期值与120个交易日前的该值之间的相对变动率。 3. **因子名称**：过去 90 日报告上调比例[35] **因子构建思路**：属于分析师超预期因子大类，衡量近期（90日）内分析师发布上调评级报告的比例，反映分析师群体对公司的乐观情绪变化[35]。 **因子具体构建过程**：报告未提供具体公式。通常构建方式为：过去90日内，上调评级的研报数量除以研报总数（或上调与下调研报数量之和）。 4. **因子名称**：净经营资产收益率[36] **因子构建思路**：属于盈利因子大类，衡量公司利用净经营资产创造利润的效率，是盈利能力的重要指标[36]。 **因子具体构建过程**：报告未提供具体公式。通常计算公式为：$$净经营资产收益率 = \frac{营业利润}{净经营资产}$$。其中，净经营资产 = 经营资产 - 经营负债。 5. **因子名称**：过去 90 日公告后报告上调比例[36] **因子构建思路**：属于分析师超预期因子大类，特指在公司发布公告（如财报）后，分析师据此调整评级中上调的比例，用于捕捉对公告信息的积极解读[36]。 **因子具体构建过程**：报告未提供具体公式。构建逻辑与“过去90日报告上调比例”类似，但样本限定在公告日后发布的研报。 6. **因子名称**：分析师预测净利润 FY3 的 120 日变动[36] **因子构建思路**：属于分析师因子大类，跟踪分析师对未来第三年（FY3）净利润长期预测的调整趋势，反映长期盈利预期的变化[36]。 **因子具体构建过程**：报告未提供具体公式。构建方式与“分析师预测净利润 FY1 的 120 日变动”类似，但预测期变为FY3。 7. **因子名称**：分析师预测营收增长率-FY3[37] **因子构建思路**：属于分析师因子大类，直接采用分析师预测的未来第三年（FY3）营业收入增长率，作为公司长期成长性的代理指标[37]。 **因子具体构建过程**：报告未提供具体公式。通常直接使用机构一致预期的FY3营收增长率数据。 8. **因子名称**：分析师预测营收 FY3 的 120 日变动[37] **因子构建思路**：属于分析师因子大类，跟踪分析师对未来第三年（FY3）营业收入绝对预测值的近期调整趋势[37]。 **因子具体构建过程**：报告未提供具体公式。构建方式为计算当前FY3营收一致预期值与120个交易日前的该值之间的相对变动率。 9. **因子名称**：90 日盈利上调占比[37] **因子构建思路**：属于分析师超预期因子大类，衡量近期（90日）内分析师上调盈利预测（如EPS）的占比，反映盈利预期的改善程度[37]。 **因子具体构建过程**：报告未提供具体公式。通常构建方式为：过去90日内，发生盈利预测上调的机构数（或次数）占比。 10. **因子名称**：分析师预测净利润增长率 FY3[38] **因子构建思路**：属于分析师因子大类，采用分析师预测的未来第三年（FY3）净利润增长率，衡量长期盈利成长性[38]。 **因子具体构建过程**：报告未提供具体公式。通常直接使用机构一致预期的FY3净利润增长率数据。 11. **因子名称**：除去早盘 30 分钟后的涨跌幅[38] **因子构建思路**：属于高频分钟因子大类，通过剔除开盘时段可能存在的非理性波动或流动性冲击，捕捉更纯粹的股价变动信息[38]。 **因子具体构建过程**：报告未提供具体公式，但指出高频因子的详细介绍可参考系列报告《基于分钟数据的高频因子选股效果研究》[7]。通常构建为从开盘后30分钟开始计算至收盘的收益率。 12. **因子名称**：分析师预测 ROE-FY3 的 120 变动[39] **因子构建思路**：属于分析师因子大类，跟踪分析师对未来第三年（FY3）净资产收益率（ROE）预测值的近期调整趋势[39]。 **因子具体构建过程**：报告未提供具体公式。构建方式为计算当前FY3 ROE一致预期值与120个交易日前的该值之间的变动（绝对变动或相对变动）。 13. **因子名称**：分析师预测 ROA-FY3[39] **因子构建思路**：属于分析师因子大类，直接采用分析师预测的未来第三年（FY3）总资产收益率（ROA），作为长期盈利能力的代理指标[39]。 **因子具体构建过程**：报告未提供具体公式。通常直接使用机构一致预期的FY3 ROA数据。 14. **因子名称**：分析师预测 ROE-FY3[39] **因子构建思路**：属于分析师因子大类，直接采用分析师预测的未来第三年（FY3）净资产收益率（ROE），作为长期盈利能力的代理指标[39]。 **因子具体构建过程**：报告未提供具体公式。通常直接使用机构一致预期的FY3 ROE数据。 15. **因子名称**：单季度归母 ROE[35] **因子构建思路**：属于盈利因子大类，使用最新单季度的归母净资产收益率，反映公司近期的盈利能力和资本运用效率[35]。 **因子具体构建过程**：报告未提供具体公式。通常计算公式为：$$单季度归母ROE = \frac{单季度归母净利润}{期初和期末平均归母净资产}$$ 16. **因子名称**：单季度营业收入同比增长率[35] **因子构建思路**：属于成长因子大类，衡量公司最近一个季度营业收入相对于去年同期的增长情况，反映短期成长性[35]。 **因子具体构建过程**：报告未提供具体公式。通常计算公式为：$$单季度营业收入同比增长率 = \frac{本期单季度营业收入}{去年同期单季度营业收入} - 1$$ 17. **因子名称**：单季度归母 ROA 变动[35] **因子构建思路**：属于盈利因子大类，衡量单季度归母总资产收益率（ROA）相对于上一季度的变化，捕捉盈利能力的边际改善或恶化[35]。 **因子具体构建过程**：报告未提供具体公式。通常为当期单季度归母ROA与上一季度单季度归母ROA的差值。 18. **因子中性化处理** **构建思路**：为了排除市值和行业对因子选股效果的影响，使因子更纯粹地反映其背后的投资逻辑[34]。 **具体构建过程**： 1. 对初步计算得到的因子原始值进行预处理：采用绝对中位数法去极值，并进行Z-Score标准化[34]。 2. 横截面回归：在每个截面上，以标准化后的因子值作为因变量（y），以对数市值和申万一级行业虚拟变量作为自变量（X）进行回归[34]。 3. 取残差：将上述回归得到的残差作为每个股票的最终因子值。该残差即为经过市值和行业中性化处理后的因子暴露[34]。 19. **大类因子** **构建思路**：将逻辑相似的多个单因子聚合，形成更具代表性和稳定性的因子类别，以考察各类投资逻辑的整体表现[44]。 **具体构建过程**：报告提及的因子库包括估值、盈利、成长、公司治理、价量、超预期、分析师等多种投资逻辑的大类因子[34]。每个大类因子内部，对其包含的所有单因子采用等权加权的方式合成[44]。 因子的回测效果 *注：以下为截至2025年12月12日的“本年”区间内，在各股票池中表现较好或较差的单因子及其超额收益。数据来源于报告中的单因子表现总结及详细表格[35][36][37][38][39][41][42]。* | 股票池 | 因子名称 | 超额收益 | | :--- | :--- | :--- | | **沪深300** | 单季度归母 ROE | 25.63% | | **沪深300** | 单季度营业收入同比增长率 | 25.10% | | **沪深300** | 单季度归母 ROA 变动 | 22.51% | | **中证500** | 分析师预测净利润增长率 FY3 | 15.13% | | **中证500** | 分析师预测营收 FY3 的 120 日变动 | 14.74% | | **中证500** | 分析师预测营收增长率-FY3 | 14.74% | | **中证1000** | 分析师预测 ROE-FY3 的 120 变动 | 21.77% | | **中证1000** | 标准化预期外单季度归母 ROE-带漂移项 | 20.54% | | **中证1000** | 标准化预期外单季度归母净利润-带漂移项 | 20.32% | | **中证2000** | 标准化预期外单季度扣非净利润-带漂移项 | 25.17% | | **中证2000** | 过去 90 日报告上调比例 | 24.28% | | **中证2000** | 5 分钟成交量偏度 | 23.98% | | **中证全指** | 分析师预测 ROE-FY3 的 120 变动 | 27.33% | | **中证全指** | 单季度营业收入同比增长率 | 21.77% | | **中证全指** | 分析师预测 ROA-FY3 的 120 变动 | 21.27% | 大类因子的回测效果 *注：以下为截至2025年12月12日的“本年”区间内，各大类因子的超额收益与多空收益。数据来源于报告中的大类因子表现总结及详细表格[45][46][47]。* | 股票池 | 因子类别 | 超额收益 | 多空收益 | | :--- | :--- | :--- | :--- | | **沪深300** | 盈利 | 31.35% | 41.69% | | **沪深300** | 分析师超预期 | 27.31% | 35.22% | | **沪深300** | 成长 | 26.87% | 42.74% | | **沪深300** | 分析师 | 18.50% | 25.53% | | **沪深300** | 超预期 | 8.35% | 28.04% | | **中证500** | 成长 | 16.53% | 未提供 | | **中证500** | 分析师 | 9.54% | 未提供 | | **中证500** | 超预期 | 7.35% | 未提供 |

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，未涉及具体的预测性或策略性量化模型，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进行了跟踪和计算，这些指标可作为量化分析中的基础因子或特征。以下是报告中涉及的因子及其构建方式： 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，来刻画市场的短期趋势延续性[11]。 * **因子具体构建过程**：从当前交易日开始向前追溯，若当日收益率为正则计数+1（连阳），若为负则计数-1（连阴），连续同向则累计，直到方向改变则重新计数。正数表示连阳天数，负数表示连阴天数[11]。 2. **因子名称：指数与均线相对位置** * **因子构建思路**：通过比较指数收盘价与不同周期移动平均线（MA）的位置关系，判断市场短期、中期和长期的趋势状态及支撑压力位[14]。 * **因子具体构建过程**：分别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百分比。计算公式为： $$ vsMA = (Close / MA_n - 1) \times 100\% $$ 其中，$Close$为当日收盘价，$MA_n$为对应的n日移动平均线[15]。 3. **因子名称：交易金额占比** * **因子构建思路**：计算特定宽基指数成交额占全市场（以中证全指为代表）成交额的比例，用以观察资金在不同板块间的流动和聚集情况[17]。 * **因子具体构建过程**： $$ 交易金额占比 = \frac{指数当日交易金额}{中证全指当日交易金额} \times 100\% $$ [17] 4. **因子名称：指数换手率** * **因子构建思路**：衡量指数成分股的整体交易活跃度，计算基于流通市值的加权平均换手率[17]。 * **因子具体构建过程**： $$ 指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)} $$ [17] 5. **因子名称：收益分布峰度（超额）** * **因子构建思路**：计算指数日收益率分布的峰度，并与近5年历史峰度均值的差值，用以衡量当前收益率分布相对于历史常态是更集中（尖峰）还是更分散（低峰）[24]。 * **因子具体构建过程**：首先计算指数日收益率序列的峰度（报告中计算时减去了正态分布的峰度值3）[24]。然后计算“当前vs.近5年”值，即当前峰度减去近5年峰度均值[24]。负值表示当前分布比历史常态更分散（负偏离）[22]。 6. **因子名称：收益分布偏度** * **因子构建思路**：计算指数日收益率分布的偏度，并与近5年历史偏度均值的差值，用以衡量当前收益率分布的不对称方向（左偏或右偏）及极端程度[24]。 * **因子具体构建过程**：计算指数日收益率序列的偏度[24]。然后计算“当前vs.近5年”值，即当前偏度减去近5年偏度均值[24]。负值表示当前分布的负偏态（左偏）程度相对于历史常态在减弱，或正偏态程度在降低[22]。 7. **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，计算股票指数预期收益率（常用市盈率倒数，即盈利收益率）与之差值，衡量股票市场相对于债市的超额收益吸引力[27]。 * **因子具体构建过程**： $$ 风险溢价 = \frac{1}{PE_{TTM}} - R_f $$ 其中，$PE_{TTM}$为指数的滚动市盈率，$R_f$为十年期国债即期收益率[27]。报告中也计算了该风险溢价在近1年和近5年历史数据中的分位值[31]。 8. **因子名称：PE-TTM历史分位值** * **因子构建思路**：计算指数当前滚动市盈率（PE-TTM）在其自身历史（如近5年）数据中所处的位置，用于判断当前估值水平的高低[39]。 * **因子具体构建过程**：将指数当前的PE-TTM值与近5年（或指定窗口）的每日PE-TTM序列进行比较，计算其百分位排名[42][43]。 9. **因子名称：股债性价比** * **因子构建思路**：本质是风险溢价的另一种表现形式，直接比较股票盈利收益率（PE-TTM的倒数）与国债收益率的高低，数值越大代表股票相对债券的吸引力越强[46]。 * **因子具体构建过程**： $$ 股债性价比 = \frac{1}{PE_{TTM}} - R_f $$ 其中，$R_f$为十年期国债即期收益率[46]。报告会将其与历史分位值（如80%和20%）进行比较[46]。 10. **因子名称：股息率** * **因子构建思路**：计算指数整体的现金分红回报率，是价值投资和红利策略关注的核心指标[48]。 * **因子具体构建过程**：指数股息率通常为成分股过去12个月现金分红总额除以指数的总市值[53]。报告中也计算了其近1年及近5年的历史分位值[53]。 11. **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的个股数量占比，反映市场整体或特定板块的估值低迷程度[54]。 * **因子具体构建过程**： $$ 破净率 = \frac{指数内破净个股数}{指数成分股总数} \times 100\% $$ 其中，破净指个股的市净率小于1[54][57]。 因子的回测效果 本报告为市场状态跟踪报告，未提供基于上述因子的策略回测结果（如年化收益率、夏普比率、最大回撤等）。报告主要展示了各因子在特定时点（2025年12月15日）的截面数据或历史分位值，具体取值如下： 1. **连阴连阳天数因子**：当日，上证50连阳2天，沪深300连阳2天，中证2000连阳2天，中证全指连阴2天，中证1000连阴3天，中证2000连阴4天[11]。 2. **指数与均线相对位置因子**：当日，所有指数均低于5日均线；仅中证500高于10日均线(+0.3%)；仅中证1000低于20日均线(-0.04%)；上证50(-0.2%)和中证2000(-0.04%)低于60日均线，创业板指高于60日均线(+0.6%)[14][15]。 3. **交易金额占比因子**：当日，沪深300占比24.21%，中证2000占比23.6%，中证1000占比21.26%，创业板指占比约7.15%（根据图示估算），中证全指占比100%（基准），中证500占比约14.5%（根据图示估算），上证50占比约4.5%（根据图示估算）[17]。 4. **指数换手率因子**：当日，中证2000换手率3.66，中证1000换手率2.24，创业板指换手率2.15，中证全指换手率1.58，中证500换手率1.54，沪深300换手率0.51，上证50换手率0.23[17]。 5. **收益分布峰度（超额）因子**：当前vs近5年峰度差值：创业板指-2.36，上证50-2.16，中证500-2.12，沪深300-1.81，中证全指-1.79，中证2000-1.54，中证1000-1.28[24]。 6. **收益分布偏度因子**：当前vs近5年偏度差值：上证50-0.59，创业板指-0.58，中证500-0.53，沪深300-0.45，中证全指-0.44，中证2000-0.36，中证1000-0.34[24]。 7. **风险溢价因子**： * **当前值**：上证50 -0.26%，沪深300 -0.64%，中证500 -0.79%，中证1000 -0.85%，中证2000 -0.24%，中证全指 -0.64%，创业板指 -1.78%[31]。 * **近5年分位值**：上证50 40.16%，中证2000 38.73%，沪深300 24.44%，中证全指 24.05%，中证1000 23.41%，中证500 21.98%，创业板指 11.67%[31]。 8. **PE-TTM历史分位值因子**： * **近5年分位值**：中证500 94.96%，中证1000 93.80%，中证全指 91.07%，上证50 81.65%，沪深300 81.07%，中证2000 80.41%，创业板指 56.69%[42][43]。 * **当前值**：上证50 11.61，沪深300 13.90，中证500 32.45，中证1000 45.01，中证2000 152.69，中证全指 20.94，创业板指 40.64[43]。 9. **股债性价比因子**：当日，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）[46]。 10. **股息率因子**： * **当前值**：上证50 3.18%，沪深300 2.77%，中证全指 2.06%，中证500 1.45%，中证1000 1.14%，创业板指 0.98%，中证2000 0.79%[53]。 * **近5年分位值**：创业板指 65.29%，中证1000 51.16%，沪深300 38.68%，中证全指 37.44%，上证50 31.65%，中证2000 27.69%，中证500 24.96%[53]。 11. **破净率因子**：当日，上证50破净率22.0%，沪深300破净率16.0%，中证500破净率11.0%，中证1000破净率8.1%，中证2000破净率3.8%，中证全指破净率6.4%，创业板指破净率NaN%[57]。

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**：通过逐笔成交数据还原买卖单，筛选大单，计算大买单成交金额占总成交金额的比例，以刻画大资金的买入行为[7]。 * **因子具体构建过程**： 1. 使用逐笔成交数据，根据叫买和叫卖序号，将数据还原为买卖单数据[7]。 2. 按照每单的成交量筛选得到大单[7]。 3. 计算大买单的成交金额占当日总成交金额的比例[7]。 * 公式：$$大买单成交金额占比 = \frac{当日大买单成交金额}{当日总成交金额} \times 100\%$$ 2. **因子名称**：净主动买入金额占比[7] * **因子构建思路**：根据逐笔成交数据中的买卖标志，界定主动买入和主动卖出，计算两者成交金额之差占总成交金额的比例，以刻画投资者的主动买入行为[7]。 * **因子具体构建过程**： 1. 使用逐笔成交数据，根据买卖标志界定每笔成交属于主动买入还是主动卖出[7]。 2. 计算主动买入成交金额与主动卖出成交金额的差值，得到净主动买入金额[7]。 3. 计算净主动买入金额占当日总成交金额的比例[7]。 * 公式：$$净主动买入金额占比 = \frac{当日主动买入成交金额 - 当日主动卖出成交金额}{当日总成交金额} \times 100\%$$ 因子的回测效果 1. **大买单成交金额占比因子**，近5日（20251208-20251212）均值：再升科技 91.4%[9]，安妮股份 91.2%[9]，康欣新材 87.9%[9]，广田集团 87.6%[9]，中泰化学 87.5%[9]，宁波港 87.3%[9]，古越龙山 87.2%[9]，酒钢宏兴 87.1%[9]，富森美 87.1%[9]；上证指数 73.0%[12]，上证50 68.9%[12]，沪深300 72.0%[12]，中证500 73.3%[12]，创业板指 71.4%[12]；非银行金融行业 78.5%[13]，钢铁行业 78.2%[13]，银行业 78.1%[13]，房地产业 77.9%[13]，电力及公用事业行业 77.6%[13]；国泰中证A500ETF 91.5%[15]，国泰上证10年期国债ETF 91.1%[15]，华宝中证军工ETF 90.9%[15]，华宝中证银行ETF 90.7%[15]，广发中证军工ETF 90.5%[15]。 2. **净主动买入金额占比因子**，近5日（20251208-20251212）均值：热景生物 15.9%[10]，蓝晓科技 14.5%[10]，壹连科技 14.0%[10]，厦门银行 14.0%[10]，华懋科技 13.1%[10]，苑东生物 12.6%[10]，晋亿实业 12.6%[10]，东山精密 11.3%[10]；上证指数 0.8%[12]，上证50 3.1%[12]，沪深300 2.6%[12]，中证500 5.0%[12]，创业板指 3.5%[12]；非银行金融行业 6.3%[13]，电力设备及新能源行业 5.9%[13]，通信行业 2.5%[13]，电子行业 2.2%[13]，电力及公用事业行业 1.8%[13]；国泰上证10年期国债ETF 25.9%[16]，华夏中证5G通信主题ETF 19.1%[16]，华夏中证人工智能ETF 16.7%[16]，广发上证科创板50ETF 15.9%[16]，易方达中证科创创业50ETF 14.6%[16]。

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**：通过构建一个量化模型，对申万一级行业指数的拥挤度进行每日监测，以识别市场情绪过热或过冷的行业[3]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤、所使用的底层因子或计算公式。 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，来识别当前溢价率相对于其历史水平的偏离程度，从而筛选出存在潜在套利机会或回调风险的ETF产品[4]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤，但提及了核心指标“溢价率Z-score”。通常，此类模型的构建过程可能包含以下步骤： 1. 计算ETF的日度溢价率：$$溢价率 = (ETF市价 - ETF净值) / ETF净值$$ 2. 选取一个滚动时间窗口（如过去60个交易日），计算该窗口内溢价率的均值($$\mu$$)和标准差($$\sigma$$)。 3. 计算当前溢价率的Z-score值：$$Z_t = (溢价率_t - \mu) / \sigma$$ 其中，$$Z_t$$代表当前时点的溢价率Z-score值，用于衡量当前溢价率相对于其近期历史均值的标准化偏离[4]。 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**：综合多个维度衡量一个行业交易过热或过冷的程度，数值越高通常表示该行业越拥挤[3]。 * **因子具体构建过程**：报告未详细说明该因子的具体合成方法、涉及的子因子或计算公式。 2. **因子名称：溢价率Z-score**[4] * **因子构建思路**：衡量ETF当前溢价率在其近期历史分布中的位置，是一个标准化后的偏离度指标，用于判断溢价率是否处于极端水平[4]。 * **因子具体构建过程**：见上文“溢价率 Z-score 模型”的具体构建过程中对Z-score的计算描述[4]。 模型的回测效果 （报告未提供相关模型的回测绩效指标，如年化收益率、夏普比率、最大回撤等。） 因子的回测效果 （报告未提供相关因子的IC、IR、多空收益等检验指标。） 模型/因子的具体测试结果取值 1. **行业拥挤度监测模型** 与 **行业拥挤度因子** * **测试结果取值**：报告给出了截至前一交易日（2025/12/12）的监测结果。拥挤度排名靠前的行业为：通信、军工、电子[3]。拥挤度水平较低的行业为：计算机、汽车、传媒[3]。拥挤度变动较大的行业为：建筑装饰、房地产[3]。 2. **溢价率 Z-score 模型** 与 **溢价率Z-score因子** * **测试结果取值**：报告根据该模型输出了“ETF产品关注信号”列表，给出了建议关注的ETF产品，包括：双创龙头ETF(588330.SH)、红利国企ETF(510720.SH)、医疗创新ETF(516820.SH)、有色金属ETF(512400.SH)、工业有色ETF(560860.SH)[14]。报告未列出这些ETF具体的Z-score数值。

量化模型与因子总结 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**：封板率因子 **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比例，来衡量市场涨停股的封板强度和市场情绪[18]。 **因子具体构建过程**：筛选上市满3个月以上的股票，统计在特定交易日满足以下两个条件的股票数量：1) 当日最高价达到涨停价；2) 当日收盘价涨停。封板率即为同时满足这两个条件的股票数与仅满足条件1的股票数之比[18]。 **计算公式**： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ **因子评价**：该因子是反映市场短期投机情绪和资金封板意愿的高频指标，封板率越高，通常意味着市场对涨停股的追捧情绪越强，短线赚钱效应越好[18]。 2. **因子名称**：连板率因子 **因子构建思路**：通过计算连续两日收盘涨停的股票比例，来衡量市场涨停股的持续性和龙头股的接力情绪[18]。 **因子具体构建过程**：筛选上市满3个月以上的股票，统计在特定交易日满足以下条件的股票数量：1) 当日收盘价涨停；2) 前一交易日收盘价也涨停。连板率即为同时满足这两个条件的股票数与前一交易日所有收盘涨停的股票数之比[18]。 **计算公式**： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ **因子评价**：该因子是衡量市场连板效应和题材炒作持续性的重要指标，连板率越高，表明市场短线资金接力意愿强，题材炒作可能具有较好的持续性[18]。 3. **因子名称**：大宗交易折价率因子 **因子构建思路**：通过计算大宗交易成交价相对于市价的折价幅度，来反映大资金（机构、股东等）的卖出意愿和折价交易情绪[27]。 **因子具体构建过程**：统计特定交易日所有大宗交易数据，计算总成交金额，并根据成交份额与当日收盘价计算对应的总市值。折价率为总成交金额与总市值之比减1[27]。 **计算公式**： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ **因子评价**：该因子通常被视为“聪明钱”或“内部人”情绪的指标。较高的折价率可能意味着大股东或机构急于套现或对后市看法偏谨慎；较低的折价率或溢价则可能反映接盘方看好后市[27]。 4. **因子名称**：股指期货年化贴水率因子 **因子构建思路**：通过计算股指期货主力合约价格相对于现货指数的年化基差，来反映市场对未来指数的预期、对冲成本以及市场情绪[29]。 **因子具体构建过程**：对于特定股指期货主力合约（如上证50、沪深300等），计算其结算价与对应现货指数收盘价的差值（基差）。然后将基差除以现货指数价格，再乘以年化因子（250天除以合约剩余交易日数），得到年化贴水率。当期货价格高于现货时，结果为年化升水率；反之则为年化贴水率[29]。 **计算公式**： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ **因子评价**：该因子是市场情绪和资金成本的重要风向标。深度贴水可能反映市场情绪悲观、对冲需求旺盛或存在套利机会；而升水或浅度贴水则可能反映市场情绪乐观或对冲成本较低[29]。不同指数期货的贴水率差异也能反映市场对不同风格板块的预期差异。 模型的回测效果 *无相关内容* 因子的回测效果 1. **封板率因子**：2025年12月15日，封板率取值为65%[18]。 2. **连板率因子**：2025年12月15日，连板率取值为20%[18]。 3. **大宗交易折价率因子**： * 近半年以来平均折价率取值为6.65%[27]。 * 2025年12月12日，当日折价率取值为4.59%[27]。 4. **股指期货年化贴水率因子**： * **历史中位数（近一年）**：上证50为0.89%，沪深300为3.70%，中证500为11.22%，中证1000为13.67%[29]。 * **当日取值（2025年12月15日）及历史分位**： * 上证50年化贴水率为6.84%，处于近一年16%分位点[29]。 * 沪深300年化贴水率为8.87%，处于近一年19%分位点[29]。 * 中证500年化升水率为1.61%，处于近一年97%分位点[29]。 * 中证1000年化贴水率为0.92%，处于近一年98%分位点[29]。

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[34] **模型构建思路**：为追踪碳中和进程中的资金流向，将市场行业划分为不同功能定位的板块，并分析其主力资金净流入/流出情况[34] **模型具体构建过程**： * **板块分类**：基于各行业在碳减排链条中的功能定位，将与绿色或转型相关的行业划分为三类[34]： * **低碳核心板块**：涵盖直接贡献碳减排的行业，如电力设备、环保，以及公用事业和汽车行业的部分领域[39] * **低碳支撑板块**：包括为产业绿色转型提供数字化、自动化和智能化支撑的行业，如计算机、通信、电子及机械设备的部分领域[39] * **转型主体板块**：包括能源消耗强度高、排放基数大的重点减排领域，如火电、煤炭、钢铁、有色金属、化工等[39] * **资金流向计算**：计算每个板块的“主力净流入额”和“净流入率”等指标，以分析资金动向[35][36] **模型评价**：该分类模型有助于从资金层面观察市场对不同绿色转型环节的关注度和偏好变化，为趋势分析提供了结构化视角[34] 量化因子与构建方式 1. **因子名称**：ESG事件情绪因子[43] **因子构建思路**：通过统计全市场ESG相关事件的数量及正负向比例，构建反映市场ESG整体情绪和结构性热点的因子[43] **因子具体构建过程**： * **事件收集与分类**：收集全市场ESG相关事件，并按情绪方向分为正向、负向和中性三类[43] * **总量与结构计算**： * 计算周度ESG事件总数[43] * 计算正向事件占比：$$正向事件占比 = \frac{正向事件数量}{ESG事件总数}$$[43] * 计算负向事件占比：$$负向事件占比 = \frac{负向事件数量}{ESG事件总数}$$[43] * **维度与议题分析**：将事件按环境(E)、社会(S)、治理(G)三个维度进行划分，并统计各维度下的热点议题（如“战略合作”、“减持”、“绿色产品”等）[46][48] * **行业层面分析**：统计各行业发生的ESG事件数量及正负向比例，识别舆情积极或承压的行业[49][52] 2. **因子名称**：行业ESG舆情集中度因子[53] **因子构建思路**：通过计算ESG事件数量在行业间的分布，识别市场关注度最为集中的行业板块[53] **因子具体构建过程**： * 统计各行业本周ESG事件总数[52] * 计算头部行业事件合计占全市场总事件数的比例，例如报告中指出电子、电力设备与汽车三大行业合计占全市场总事件数的27.5%[53] 模型的回测效果 1. 绿色转型板块资金流向分析模型[34] * 本周低碳核心板块主力净流出额：约79亿元[35] * 本周低碳核心板块净流入率：-0.7%[35] * 本周低碳支撑板块主力净流出额：约535亿元[35] * 本周低碳支撑板块净流入率：-1.53%[35] * 本周转型主体板块主力净流出额：约120亿元[35] * 本周转型主体板块净流入率：-0.86%[35] * 本周各板块成交额占比：低碳核心12%，低碳支撑36%，转型主体14%，其他板块38%[35][38] 因子的回测效果 1. ESG事件情绪因子[43] * 本周全市场ESG事件总数：2279件[43] * 本周正向事件占比：50.2%[43] * 本周负向事件占比：38.3%[43] * 本周中性事件占比：11.4%[43] * 本周事件维度分布：环境(E)维度255件，社会(S)维度107件，治理(G)维度2315件[46][48] * 本周热点议题示例：治理(G)维度TOP3为“战略合作”（621件）、“减持”（406件）、“兼并收购”（250件）[48] 2. 行业ESG舆情集中度因子[53] * 本周ESG事件数量前三行业：电子（232件）、电力设备（205件）、汽车（190件）[52][53] * 前三行业事件数合计占比：27.5%[53] * 代表性行业正向事件占比：汽车行业72.1%，电力设备行业56.1%，电子行业34.1%[49][53]

量化模型与构建方式 本报告为可转债市场周度跟踪报告，未涉及具体的量化模型或量化因子的构建与测试。报告内容主要为市场行情、个券表现、估值分析和条款跟踪的数据统计与展示[1][4][7][10][20][33][42]。 量化因子与构建方式 本报告未涉及具体的量化因子构建过程。 模型的回测效果 本报告未涉及具体量化模型的回测效果。 因子的回测效果 本报告未涉及具体量化因子的回测效果。

量化模型与构建方式 1. 动态因子调整模型（小盘股票池“2+3”模型） * **模型名称**： 小盘股票池“2+3”动态因子调整模型[4][98] * **模型构建思路**： 针对小盘股票池因子表达稳定、动量效应强的特点，结合固定有效因子与动态动量筛选，并剔除高失效风险的因子，构建动态选股模型[4][93][98]。 * **模型具体构建过程**： 1. **固定因子选择**： 每期固定选择估值因子（BTOP）和残差波动率因子（VOLATILITY）[98]。 2. **动态因子筛选**： * **剔除高失效风险因子**： 在每个月末，剔除当期条件失效概率高于80%的因子[93][98]。 * **计算动量评分**： 对剩余因子，计算其中期动量（过去6个月RankIC均值）和长期动量（过去3至12个月RankICIR均值）[4][82]。 * **选择动态因子**： 根据动量评分，选取评分最高的前3个因子[98]。 3. **模型合成**： 将2个固定因子与3个动态筛选出的因子结合，构成每期用于选股的5个因子集合[98]。 4. **组合构建**： 使用这5个因子对股票进行等权打分，选取得分最高的50只股票构建等权投资组合[103]。 2. 动态因子调整模型（大盘股票池综合打分模型） * **模型名称**： 大盘股票池综合打分动态因子调整模型[4][109] * **模型构建思路**： 针对大盘股票池因子表达剧烈、失效反转风险高的特点，采用更严格的因子剔除标准，并将失效概率信息融入综合评分，以动态选择因子[4][106][109]。 * **模型具体构建过程**： 1. **初步剔除高失效风险因子**： 在每个月末，首先剔除当期条件失效概率高于70%的因子[109]。 2. **构建综合评分**： 对剩余因子，构建综合评分。评分结合了正向的动量指标和负向的失效风险指标[87][88]。 * **动量指标**： 包括中期动量（过去6个月RankIC均值）和长期动量（过去3至12个月RankICIR均值）[4][82]。 * **失效风险指标**： 使用条件失效概率 $P$（次月失效|当月状态）[74][87]。将失效风险转化为负向评分，例如使用 $1 - P$ 的形式[88]。 3. **选择动态因子**： 根据综合评分，选取评分最高的前5个因子[109]。 4. **组合构建**： 使用这5个因子对股票进行等权打分，并构建投资组合[109]。 3. 因子动量评估指标 * **指标名称**： 因子RankIC动量指标[4][62][66] * **指标构建思路**： 通过计算当期因子选股能力（RankIC）与历史不同窗口期选股能力均值之间的相关性，来刻画因子的动量效应，并寻找最优的动量观察窗口[4][63][66]。 * **指标具体构建过程**： 1. **定义动量窗口**： 使用“m_n”表示从过去第m个月开始，到过去第n个月结束的历史数据均值。例如，“3_12”表示跳空最近3个月，回溯过去第3至第12个月共10个月的数据均值[66]。 2. **计算历史动量**： 对于每个因子，在时间截面 $t$，计算其在指定历史窗口（如“3_12”）内的RankIC（或RankICIR）的均值，作为该因子的历史动量值 $Momentum_{t}^{m\_n}$[4][66]。 3. **评估动量效应**： 在时间截面 $t$，计算所有因子当期RankIC值 $RankIC_t$ 与其对应的历史动量值 $Momentum_{t}^{m\_n}$ 的截面斯皮尔曼秩相关系数[65]。该相关系数越高，表明因子的选股能力在指定窗口下延续性（动量效应）越强[66]。 4. **确定最优参数**： 通过比较不同“m_n”参数组合下的平均相关系数，发现“3_12”窗口（即近端跳空3个月，回溯12个月）的动量效应最为稳健和显著，被确立为最优动量窗口[4][66]。 4. 因子条件失效概率指标 * **指标名称**： 因子条件失效概率[4][72][74] * **指标构建思路**： 基于因子当期有效性状态，通过滚动历史窗口统计其下一期陷入或维持失效状态的概率，用以评估因子短期反转的潜在风险[4][74]。 * **指标具体构建过程**： 1. **定义状态**： 在每个月末，根据因子当期RankIC值的正负（是否符合预期方向）将其划分为“有效”或“失效”两种状态[74]。 2. **构建转移矩阵**： 滚动过去一年的历史数据，统计因子从“当月有效”转移到“次月失效”的频率，以及从“当月失效”维持到“次月失效”的频率[72][74]。 3. **计算条件概率**： 以当期因子的状态（有效或失效）为条件，计算其次月失效的条件概率 $P$（次月失效|当月状态）[74][87]。该概率即为当期关注的因子失效指标。 5. 因子收益与选股能力背离指标 * **指标名称**： 因子收益与RankIC滚动相关系数[55][56] * **指标构建思路**： 通过计算因子收益率与其实际选股能力（RankIC）在滚动窗口内的相关性，识别因子回报是否由基本面选股Alpha驱动，以预警交易拥挤和失效风险[55][56]。 * **指标具体构建过程**： 1. **计算时间序列**： 对于每个一级风格因子，分别计算其因子收益率时间序列和RankIC时间序列[55]。 2. **滚动计算相关性**： 采用6个月的向前滚动窗口（T-5期至T期），计算两个序列的斯皮尔曼秩相关系数[55]。 3. **设定风险阈值**： 分析发现，当滚动相关系数的绝对值突破0.75的阈值时，往往预示着因子面临显著的短期失效风险[4][57][60]。极端正相关可能反映“因子拥挤”，极端负相关可能反映市场的“非理性过激”[60]。 量化因子与构建方式 **注**：报告详细分析了一个包含15个一级风格因子的体系，但未提供所有因子的具体计算公式，仅给出了描述性定义[8]。以下列出报告中明确提及并进行分析的核心因子。 1. 估值类因子 * **因子名称**： 账面市值比（BTOP）[8][39] * **因子构建思路**： 属于估值因子，衡量股票的相对便宜程度，通常认为账面价值相对市值越高，股票未来回报可能越高[8]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“账面价值除以当前市值”[8]。 * **因子名称**： 股息率（DIVIDEND）[8][39] * **因子构建思路**： 属于估值因子，衡量公司分红回报水平，通常认为股息率越高，股票可能更具投资价值[8]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“滚动过去一年股息水平”[8]。 * **因子名称**： 盈利收益率（EARNING）[8][39] * **因子构建思路**： 属于估值/盈利因子，衡量公司盈利相对于市值的水平，通常认为盈利收益率越高，股票估值可能越低[8]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“各类盈利 vs 市值”[8]。 * **因子评价**： 估值类因子在大盘股内表现相对极端，选股力度可能更强但方向把控需更精准；BTOP因子在小盘股中优势更明显[39]。在慢牛、震荡、下行市场中更倾向正向表达[30]。 2. 质量类因子 * **因子名称**： 盈利变异性（EARNINGVAR）[8][50] * **因子构建思路**： 属于质量因子，衡量公司盈利的稳定程度，通常认为盈利波动越小，公司质量越高，未来股票回报可能越高（负向因子）[50]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“营业收入、净利润、现金的变异程度”[8]。 * **因子名称**： 盈收质量（PROFITABLITY）[8][50] * **因子构建思路**： 属于质量因子，衡量公司盈利的质量和水平，通常认为盈利质量越高，公司基本面越好，未来股票回报可能越高（正向因子）[50]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“营收、利润等水平”[8]。 * **因子评价**： 质量类因子在大盘股内存在明显的正向优势，选股区分度高，但在成长股票池内的选股效果弱于其他池[47][50]。盈收质量因子在2021年前后出现有效性分水岭[50]。 3. 价量类因子 * **因子名称**： 动量（MOMENTUM）[8][46] * **因子构建思路**： 属于价量因子，认为过去表现好的股票在未来一段时间内会延续其趋势（报告中定义方向为负）[8][46]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“收益率、alpha的动量”[8]。 * **因子评价**： 动量因子在大盘股内持续正向表达，大盘股动量效应显著；而在小盘股内反转效应显著[4][46]。该因子属于失效概率较高的因子之一[4][78]。 4. 波动与流动性因子 * **因子名称**： 残差波动率（VOLATILITY）[8][40] * **因子构建思路**： 属于波动率因子，衡量股票剔除市场影响后的特异性风险，通常认为波动率越低，股票风险越小，未来回报可能越高（负向因子）[8][40]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“收益与时间回归残差项的波动率”[8]。 * **因子名称**： 流动性（LIQUIDITY）[8][40] * **因子构建思路**： 属于流动性因子，衡量股票的交易便利程度，通常认为流动性越差，股票需要提供更高的风险补偿（负向因子）[8][40]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“短、中、长期的流动性”[8]。 * **因子评价**： 波动率和流动性因子在各个股票池内大多保持稳定的负向表达，失效概率较低[20][40][78]。当其RankIC出现异常正向放大后，市场往往上行[41]。 模型的回测效果 1. 小盘股票池“2+3”动态因子调整模型 * **回测区间**： 2016年1月4日 至 2025年11月28日[103] * **基准**： 中证1000与中证2000指数等权[103] * **业绩指标**： * 年化收益： 8.83%[103] * 年化波动： 21.08%[103] * 夏普比率： 0.42[103] * 最大回撤： 38.67%[103] * 卡玛比率： 0.23[103] * 超额年化收益： 11.47%[103] * 超额波动： 13.82%[103] * 信息比率（IR）： 0.83[103] * 超额最大回撤： 21.10%[103] 因子的回测效果 **注**：报告提供了多个因子在不同股票池和不同年份的RankICIR具体数值及排名[18][22][25][27][34][36][38][46][48][50]。以下选取全区间（约2013-2025年）在特定股票池的RankICIR均值进行概括性展示，以反映因子的长期表现差异。 1. 大盘股票池（沪深300）全区间RankICIR均值 * **BETA**: -0.19[22] * **BTOP**: 0.17[22] * **DIVIDEND**: 0.28[22] * **EARNING**: -0.26[22] * **EARNINGVAR**: 0.22[22] * **GROWTH**: -0.22[22] * **INVENSTMENT**: 0.18[22] * **LEVERAGE**: 0.01[22] * **LIQUIDITY**: -0.38[22] * **LTREVERSAL**: 0.14[22] * **MIDCAP**: -0.11[22] * **MOMENTUM**: 0.03[22] * **PROFITABLITY**: 0.00[22] * **SIZE**: 0.10[22] * **VOLATILITY**: -0.27[22] 2. 小盘股票池（中证1000+中证2000）全区间RankICIR均值 * **BETA**: -0.05[22] * **BTOP**: 0.37[22] * **DIVIDEND**: 0.37[22] * **EARNING**: -0.25[22] * **EARNINGVAR**: 0.23[22] * **GROWTH**: -0.11[22] * **INVENSTMENT**: 0.12[22] * **LEVERAGE**: 0.02[22] * **LIQUIDITY**: -0.54[22] * **LTREVERSAL**: 0.25[22] * **MIDCAP**: -0.36[22] * **MOMENTUM**: 0.06[22] * **PROFITABLITY**: -0.38[22] * **SIZE**: -0.39[22] * **VOLATILITY**: -0.39[22] 3. 成长股票池全区间RankICIR均值 * **BETA**: -0.13[25] * **BTOP**: 0.09[25] * **DIVIDEND**: 0.20[25] * **EARNING**: -0.23[25] * **EARNINGVAR**: 0.14[25] * **GROWTH**: -0.16[25] * **INVENSTMENT**: 0.21[25] * **LEVERAGE**: 0.01[25] * **LIQUIDITY**: -0.38[25] * **LTREVERSAL**: 0.09[25] * **MIDCAP**: -0.12[25] * **MOMENTUM**: 0.01[25] * **PROFITABLITY**: 0.08[25] * **SIZE**: 0.03[25] * **VOLATILITY**: -0.18[25] 4. 价值股票池全区间RankICIR均值 * **BETA**: -0.15[27] * **BTOP**: 0.22[27] * **DIVIDEND**: 0.34[27] * **EARNING**: -0.20[27] * **EARNINGVAR**: 0.25[27] * **GROWTH**: -0.19[27] * **INVENSTMENT**: 0.12[27] * **LEVERAGE**: -0.04[27] * **LIQUIDITY**: -0.42[27] * **LTREVERSAL**: 0.13[27] * **MIDCAP**: -0.25[27] * **MOMENTUM**: -0.17[27] * **PROFITABLITY**: 0.08[27] * **SIZE**: -0.08[27] * **VOLATILITY**: -0.40[27]