量化模型与构建方式 1. 股指期货分红点位预测模型 1. **模型名称**：股指期货分红点位预测模型[9] 2. **模型构建思路**：基于信达金工衍生品研究报告系列二《股指期货分红点位预测》中的方法，对股指期货标的指数未来一年及合约存续期内的分红点位进行预测[9]。 3. **模型具体构建过程**：报告未详细描述该模型的构建过程，仅提及了预测结果。构建过程应参考其系列报告，核心是预测指数成分股在特定期间内的现金分红，并汇总为对指数点位的调整值[9]。 2. 基差修正模型 1. **模型名称**：分红调整年化基差计算模型[19] 2. **模型构建思路**：为剔除指数成分股分红对股指期货合约基差的影响，获得更纯粹反映市场情绪和供需关系的基差水平，对原始基差进行分红调整和年化处理[19]。 3. **模型具体构建过程**： * **步骤1**：计算实际基差。基差定义为期货合约收盘价与标的指数收盘价的差值[19]。 * **步骤2**：计算预期分红调整后的基差。公式为： $$预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红$$[19] 其中，“存续期内未实现的预期分红”即使用前述分红点位预测模型得到的数值[9]。 * **步骤3**：将调整后的基差进行年化处理，以便于不同期限合约间的比较。公式为： $$年化基差 = \frac{实际基差 + (预期)分红点位}{指数价格} \times \frac{360}{合约剩余天数}$$[19] 报告中后续提及的“基差”均指此分红调整后的年化基差[19]。 3. 期现对冲策略模型 1. **模型名称**：连续对冲策略[44] 2. **模型构建思路**：通过持续做空股指期货合约，对冲持有现货指数（全收益指数）的市场风险，旨在获取相对稳定的收益或降低组合波动[43][44]。 3. **模型具体构建过程**： * **回测区间**：2022年7月22日至2025年12月12日[44]。 * **现货端**：持有对应标的指数的全收益指数[44]。 * **期货端**：做空与现货端等名义本金的中证500、沪深300、上证50或中证1000股指期货合约[44]。 * **资金分配**：现货端使用70%资金，期货端占用剩余30%资金。每次调仓后根据产品净值重新计算现货及期货头寸数量[44]。 * **调仓规则**：连续持有季月或当月合约，直至该合约离到期剩余不足2日，在当日以收盘价进行平仓，并同时以当日收盘价继续卖空下一季月或当月合约[44]。 * **备注**：不考虑交易手续费、冲击成本及合约不可无限细分性质[44]。 4. 期现对冲策略模型（衍生） 1. **模型名称**：最低贴水策略[45] 2. **模型构建思路**：在连续对冲策略的基础上进行优化，通过动态选择年化基差贴水幅度最小的合约进行对冲，旨在降低对冲成本或获取更高的基差收敛收益[45]。 3. **模型具体构建过程**： * **回测区间**：2022年7月22日至2025年12月12日[45]。 * **现货端与期货端设置**：与连续对冲策略相同[45]。 * **调仓规则**： * 调仓时，计算当日所有可交易期货合约的年化基差[45]。 * 选择年化基差贴水幅度最小的合约进行开仓[45]。 * 同一合约至少持有8个交易日，或该合约离到期剩余不足2日时，才可重新选择新合约（排除剩余到期日不足8日的合约）[45]。 * 每次选择后，即使结果仍是持有原合约，也继续持有8个交易日[45]。 * **备注**：不考虑交易手续费、冲击成本及合约不可无限细分性质[45]。 5. 信达波动率指数 (Cinda-VIX) 1. **因子名称**：信达波动率指数 (Cinda-VIX)[61] 2. **因子构建思路**：借鉴海外VIX指数编制经验，结合中国场内期权市场实际情况进行调整，编制能够反映市场对标的资产未来波动率预期的指数[61]。 3. **因子具体构建过程**：报告未给出具体计算公式，但指出其具体算法基于信达金工衍生品研究报告系列四《挖掘期权市场中隐含的市场情绪》[61]。该因子具有期限结构，可以反映投资者对同一标的资产在不同期限内的波动预期[61]。 6. 信达波动率偏度指数 (Cinda-SKEW) 1. **因子名称**：信达波动率偏度指数 (Cinda-SKEW)[67] 2. **因子构建思路**：通过捕捉不同行权价格期权隐含波动率（IV）的偏斜特征，来衡量市场对标的资产未来收益分布（特别是尾部风险）的预期[67]。该指数又被称为“黑天鹅指数”[68]。 3. **因子具体构建过程**：报告未给出具体计算公式。其原理是，当市场对下跌的担忧加剧时，看跌期权需求增加，会导致波动率曲线出现偏斜，SKEW指数值升高（通常超过100）[67][68]。 模型的回测效果 （回测区间：2022年7月22日至2025年12月12日[44][45]） 1. **IC当月连续对冲模型**，年化收益-3.41%，波动率3.80%，最大回撤-11.20%，净值0.8893，年换手次数12，2025年以来收益-6.53%[47] 2. **IC季月连续对冲模型**，年化收益-2.42%，波动率4.70%，最大回撤-8.34%，净值0.9205，年换手次数4，2025年以来收益-3.35%[47] 3. **IC最低贴水策略模型**，年化收益-1.94%，波动率4.51%，最大回撤-8.70%，净值0.9360，年换手次数16.58，2025年以来收益-4.28%[47] 4. **IF当月连续对冲模型**，年化收益0.36%，波动率2.89%，最大回撤-3.95%，净值1.0121，年换手次数12，2025年以来收益-1.12%[52] 5. **IF季月连续对冲模型**，年化收益0.70%，波动率3.24%，最大回撤-4.03%，净值1.0240，年换手次数4，2025年以来收益0.42%[52] 6. **IF最低贴水策略模型**，年化收益1.08%，波动率3.01%，最大回撤-4.06%，净值1.0370，年换手次数15.10，2025年以来收益0.34%[52] 7. **IH当月连续对冲模型**，年化收益1.08%，波动率2.97%，最大回撤-4.22%，净值1.0369，年换手次数12，2025年以来收益0.60%[56] 8. **IH季月连续对冲模型**，年化收益2.02%，波动率3.36%，最大回撤-3.75%，净值1.0699，年换手次数4，2025年以来收益2.05%[56] 9. **IH最低贴水策略模型**，年化收益1.68%，波动率2.98%，最大回撤-3.91%，净值1.0578，年换手次数15.69，2025年以来收益1.66%[56] 10. **IM当月连续对冲模型**，年化收益-6.43%，波动率4.74%，最大回撤-14.00%，净值0.8316，年换手次数12，2025年以来收益-12.68%[58] 11. **IM季月连续对冲模型**，年化收益-4.70%，波动率5.76%，最大回撤-12.63%，净值0.8489，年换手次数4，2025年以来收益-7.26%[58] 12. **IM最低贴水策略模型**，年化收益-4.38%，波动率5.51%，最大回撤-11.11%，净值0.8684，年换手次数15.62，2025年以来收益-7.93%[58] 因子的回测效果 （截至2025年12月12日） 1. **上证50VIX (30日)**，取值15.93[61] 2. **沪深300VIX (30日)**，取值17.03[61] 3. **中证500VIX (30日)**，取值22.82[61] 4. **中证1000VIX (30日)**，取值20.49[61] 5. **上证50SKEW**，取值101.80[68] 6. **沪深300SKEW**，取值108.04[68] 7. **中证500SKEW**，取值104.65[68] 8. **中证1000SKEW**，取值108.10[68]

量化模型与构建方式 1. **模型名称**：优秀基金业绩增强组合[4][13] **模型构建思路**：将对标基准从宽基指数转变为主动股基，在借鉴优秀基金持仓的基础上，采用量化方法进行增强，以达到优中选优的目的[4][47] **模型具体构建过程**： * **基金优选**：对基金进行优选，并对收益类因子进行分层中性化处理，以解决市场风格突变时的反转问题和持股风格集中化问题[47] * **构建基准组合**：根据优选基金的补全持仓构建优选基金持仓组合，该组合能较好地跟踪主动股基中位数走势[47] * **组合优化增强**：以业绩分层视角下的优选基金持仓为选股空间和对标基准，采用组合优化的方法控制组合与优选基金持仓在个股偏离、行业偏离及风格上的偏离，构建最终组合[48] 2. **模型名称**：超预期精选组合[5][13] **模型构建思路**：对超预期股票池进行基本面和技术面的双层优选，挑选出同时具备基本面支撑和技术面共振的超预期股票[5][53] **模型具体构建过程**： * **筛选股票池**：以研报标题出现“超预期”与分析师全线上调净利润为条件，筛选出超预期事件股票池[5][53] * **双层精选**：对超预期股票池中的股票，从基本面和技术面两个维度进行精选[5][53] 3. **模型名称**：券商金股业绩增强组合[6][13] **模型构建思路**：以券商金股股票池为选股空间和约束基准，采用组合优化的方式控制组合与券商金股股票池在个股、风格上的偏离[6] **模型具体构建过程**： * **确定股票池**：以券商金股股票池作为选股空间和对标基准[6][58] * **组合优化精选**：采用组合优化的方法，在控制与基准股票池在个股和风格上偏离的前提下，进行进一步精选[6] 4. **模型名称**：成长稳健组合[7][13] **模型构建思路**：采用“先时序、后截面”的方式，构建成长股二维评价体系，旨在高效获取成长股超额收益释放黄金期的收益[7][39][63] **模型具体构建过程**： * **筛选股票池**：以研报标题出现“超预期”及业绩大增为条件筛选成长股股票池[7][63] * **时序分档**：根据距离正式财报预约披露日的间隔天数对股票池进行分档，优先选择距离财报预约披露日较近的股票[7][63] * **截面精选**：当样本数量较多时，采用多因子打分精选优质个股[7][63] * **构建组合**：构建100只股票的等权组合，并引入弱平衡机制、跃迁机制、缓冲机制和风险规避机制以降低换手、规避风险[7][63] 模型的回测效果 1. **优秀基金业绩增强组合** * 全样本区间（2012.1.4-2025.6.30）年化收益（考虑仓位及交易费用）：20.31%[49] * 全样本区间相对偏股混合型基金指数年化超额收益：11.83%[49] * 本年（2025.1.2-2025.12.12）绝对收益（考虑仓位）：28.34%[2][14] * 本年相对偏股混合型基金指数超额收益：-3.00%[2][14] * 本周（2025.12.8-2025.12.12）绝对收益（考虑仓位）：2.14%[2][14] * 本周相对偏股混合型基金指数超额收益：1.44%[2][14] 2. **超预期精选组合** * 全样本区间（2010.1.4-2025.6.30）年化收益（考虑仓位及交易费用）：30.55%[54] * 全样本区间相对偏股混合型基金指数年化超额收益：24.68%[54] * 本年（2025.1.2-2025.12.12）绝对收益（考虑仓位）：41.78%[2][14] * 本年相对偏股混合型基金指数超额收益：10.44%[2][14] * 本周（2025.12.8-2025.12.12）绝对收益（考虑仓位）：0.72%[2][14] * 本周相对偏股混合型基金指数超额收益：0.01%[2][14] 3. **券商金股业绩增强组合** * 全样本区间（2018.1.2-2025.6.30）年化收益（考虑仓位及交易费用）：19.34%[59] * 全样本区间相对偏股混合型基金指数年化超额收益：14.38%[59] * 本年（2025.1.2-2025.12.12）绝对收益（考虑仓位）：36.74%[2][14] * 本年相对偏股混合型基金指数超额收益：5.40%[2][14] * 本周（2025.12.8-2025.12.12）绝对收益（考虑仓位）：1.62%[2][14] * 本周相对偏股混合型基金指数超额收益：0.91%[2][14] 4. **成长稳健组合** * 全样本区间（2012.1.4-2025.6.30）年化收益（考虑仓位及交易费用）：35.51%[64] * 全样本区间相对偏股混合型基金指数年化超额收益：26.88%[64] * 本年（2025.1.2-2025.12.12）绝对收益（考虑仓位）：49.78%[3][14] * 本年相对偏股混合型基金指数超额收益：18.45%[3][14] * 本周（2025.12.8-2025.12.12）绝对收益（考虑仓位）：0.09%[3][14] * 本周相对偏股混合型基金指数超额收益：-0.62%[3][14]

量化模型与构建方式 1. **模型名称：港股精选组合策略**[13][14] * **模型构建思路**：该策略旨在对分析师推荐股票池进行基本面和技术面的双层优选，挑选出同时具备基本面支撑和技术面共振的超预期股票，构建港股精选股票组合[13][14]。 * **模型具体构建过程**： 1. **构建分析师推荐股票池**：以分析师上调盈利预测、分析师首次关注、分析师研报标题超预期事件作为分析师推荐事件，构建初始股票池[14]。 2. **基本面与技术面精选**：对上述股票池中的股票，从基本面和技术面两个维度进行进一步筛选，具体筛选标准未在本文档中详细说明，但提及可参考专题报告《基于分析师推荐视角的港股投资策略》[13][14]。 2. **模型名称：平稳创新高股票筛选模型**[20][22][23] * **模型构建思路**：根据分析师关注度、股价相对强弱、股价路径平稳性、创新高连续性等多个角度，在过去20个交易日创出过250日新高的股票池中，筛选出“平稳创新高”的股票[2][22]。 * **模型具体构建过程**： 1. **定义创新高距离**：使用250日新高距离指标来衡量股票创新高情况。计算公式为： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，`Closet`为最新收盘价，`ts_max(Close, 250)`为过去250个交易日收盘价的最大值。该值越接近0，表示股价越接近历史高点[22]。 2. **设定筛选条件**： * **样本池**：全部港股，但剔除成立时间不超过15个月的股票[23]。 * **分析师关注度**：过去6个月内，买入或增持评级的分析师研报不少于5份[23]。 * **股价相对强弱**：过去250日涨跌幅位于样本池前20%[23]。 * **股价平稳性**：在满足上述条件的股票池内，使用以下两个指标综合打分，取排名在前50%的股票（最少取50只）[23]： * **价格路径平滑性**：股价位移路程比。具体计算公式为： $$股价位移路程比 = \frac{过去120日涨跌幅绝对值}{过去120日日涨跌幅绝对值加总}$$ 该指标用于衡量股价上涨路径的平滑程度[22][23]。 * **创新高持续性**：过去120日的250日新高距离在时间序列上的均值[23]。 * **趋势延续性**：过去5日的250日新高距离在时间序列上的均值，取排序靠前的50只股票[23]。 模型的回测效果 1. **港股精选组合策略**[18] * **全样本期 (20100101-20250630)**：年化收益 19.11%，相对恒生指数超额收益 18.48%，信息比(IR) 1.22，跟踪误差 14.55%，最大回撤 23.73%，收益回撤比 0.78[18]。 * **2025年 (截至20250630)**：绝对收益 41.02%，相对恒生指数超额收益 21.02%，信息比(IR) 2.03，跟踪误差 17.33%，最大回撤 10.77%，收益回撤比 1.95[18]。 * **2025年 (截至20251212)**：绝对收益 59.33%，相对恒生指数超额收益 29.83%[1][17]。 量化因子与构建方式 1. **因子名称：250日新高距离**[20][22] * **因子构建思路**：该因子用于量化股票价格接近其过去250个交易日最高点的程度，是识别趋势强度和动量效应的重要指标[20]。 * **因子具体构建过程**：计算最新收盘价与过去250个交易日最高收盘价的相对距离。具体公式为： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，`Closet`为最新收盘价，`ts_max(Close, 250)`为过去250个交易日收盘价的最大值。当股票创出新高时，该因子值为0；股价从高点回落越多，该因子值越大[22]。 2. **因子名称：股价位移路程比（价格路径平滑性）**[22][23] * **因子构建思路**：该因子用于衡量股价在上涨过程中的路径平稳性或平滑性，位移与路程的比值越大，表明上涨路径越直接、回撤越小[22][23]。 * **因子具体构建过程**：计算过去120日的累计涨跌幅绝对值与同期每日涨跌幅绝对值之和的比值。具体公式为： $$股价位移路程比 = \frac{过去120日涨跌幅绝对值}{过去120日日涨跌幅绝对值加总}$$ 该值介于0和1之间，值越大表明股价趋势越平稳[22][23]。 因子的回测效果 （报告中未提供单个因子的独立测试结果数据）

量化模型与因子总结 量化因子与构建方式 1. **因子名称：封板率**[17] * **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数量占最高价涨停股票总数的比例，来衡量市场涨停股的封板强度，反映市场追涨情绪和短线资金的做多意愿。[17] * **因子具体构建过程**： 1. 筛选上市满3个月以上的股票。[17] 2. 在交易日T，找出所有在盘中最高价达到涨停价的股票集合A。[17] 3. 在集合A中，找出收盘价仍为涨停价的股票集合B。[17] 4. 计算封板率：封板率 = 集合B的股票数量 / 集合A的股票数量。[17] * 公式为： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[17] 2. **因子名称：连板率**[17] * **因子构建思路**：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数量的比例，来衡量市场涨停股的延续性，反映市场强势股的赚钱效应和短线投机氛围。[17] * **因子具体构建过程**： 1. 筛选上市满3个月以上的股票。[17] 2. 在交易日T-1，找出所有收盘涨停的股票集合C。[17] 3. 在交易日T，从集合C中找出收盘价再次涨停的股票集合D。[17] 4. 计算连板率：连板率 = 集合D的股票数量 / 集合C的股票数量。[17] * 公式为： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[17] 3. **因子名称：大宗交易折价率**[26] * **因子构建思路**：通过计算大宗交易成交总额与按当日市价计算的成交份额总市值的差异比例，来反映大资金通过大宗交易平台减持或调仓时的折让程度，可作为观察机构或大股东行为及市场情绪的指标。[26] * **因子具体构建过程**： 1. 获取交易日T所有大宗交易的成交数据，包括每笔交易的成交金额和成交数量。[26] 2. 计算当日大宗交易总成交金额。[26] 3. 对于每笔大宗交易，以其成交数量乘以该股票当日的收盘价（或成交均价），计算出按市价计算的市值，然后加总得到所有成交份额按市价计算的总市值。[26] 4. 计算折价率：折价率 = (大宗交易总成交金额 / 按市价计算的成交份额总市值) - 1。[26] * 公式为： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[26] 4. **因子名称：股指期货年化贴水率**[28] * **因子构建思路**：通过计算股指期货主力合约价格与现货指数价格之间的基差，并进行年化处理，来衡量市场对未来指数的预期、对冲成本以及市场情绪（如悲观预期导致深度贴水）。[28] * **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。[28] 2. 在交易日T，获取该股指期货主力合约的结算价（或收盘价）F，以及标的指数的收盘价S。[28] 3. 计算基差：基差 = F - S。[28] 4. 获取该主力合约的剩余交易日数N。[28] 5. 计算年化贴水率：年化贴水率 = (基差 / S) * (250 / N)。[28] * 公式为： $$年化贴水率=\frac{基差}{指数价格}\times\frac{250}{合约剩余交易日数}$$[28] * **因子评价**：该因子是衡量市场情绪和对冲成本的关键指标，深度贴水可能反映市场悲观预期，但也可能意味着更高的潜在对冲成本或套利机会。[28] 因子的回测效果 > 注：本报告为每日市场数据跟踪报告，未提供因子在长期历史数据上的回测绩效指标（如IC、IR、多空收益等）。报告仅展示了相关因子在特定日期（2025年12月12日及附近）的截面或时间序列取值。[17][26][28] 1. **封板率因子**，2025年12月12日取值：**83%**，较前日提升28个百分点。[17] 2. **连板率因子**，2025年12月12日取值：**39%**，较前日提升23个百分点。[17] 3. **大宗交易折价率因子**，2025年12月11日取值：**6.71%**，近半年平均值：6.63%。[26] 4. **股指期货年化贴水率因子** * **上证50股指期货**，2025年12月12日取值：**-13.10%**（贴水），近一年中位数：-0.85%，当前处于近一年**6%**分位点。[28] * **沪深300股指期货**，2025年12月12日取值：**-7.59%**（贴水），近一年中位数：-3.68%，当前处于近一年**27%**分位点。[28] * **中证500股指期货**，2025年12月12日取值：**2.94%**（升水），近一年中位数：-11.22%，当前处于近一年**98%**分位点。[28] * **中证1000股指期货**，2025年12月12日取值：**-6.20%**（贴水），近一年中位数：-13.67%，当前处于近一年**94%**分位点。[28]

量化模型与构建方式 1. 模型名称：国信金工指数增强组合模型 * **模型构建思路**：以多因子选股为主体，通过收益预测、风险控制和组合优化三个主要流程，构建能够稳定战胜特定基准指数的增强组合[10][11] * **模型具体构建过程**： 1. **收益预测**：基于多因子模型对股票未来收益进行预测[11] 2. **风险控制**：在组合优化过程中施加多种约束条件以控制风险[11] 3. **组合优化**：采用组合优化模型，在满足风险约束的条件下最大化预期收益或因子暴露，以得到最终的投资组合权重[11] 2. 模型名称：单因子MFE组合模型 * **模型构建思路**：为了在更贴近实际投资约束的条件下检验单因子的有效性，采用组合优化的方式，在控制行业、风格等暴露的前提下，构建最大化该单因子暴露的投资组合（Maximized Factor Exposure Portfolio），并通过该组合相对于基准的表现来判断因子有效性[14][39] * **模型具体构建过程**： 1. 设定优化目标为最大化组合在目标因子上的加权暴露[39] 2. 施加一系列实际投资中的约束条件，包括风格暴露、行业暴露、个股权重偏离、成分股内权重占比、禁止卖空及权重总和为1等[39][40] 3. 具体的组合优化模型如下： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ * **目标函数**：`max f^T w`，其中 `f` 为因子取值向量，`w` 为待求解的股票权重向量，`f^T w` 表示组合在单因子上的加权暴露[39] * **约束条件1**：`s_l ≤ X(w - w_b) ≤ s_h`，限制组合相对于基准指数 (`w_b`) 在风格因子（矩阵 `X`）上的暴露偏离在 `[s_l, s_h]` 范围内[40] * **约束条件2**：`h_l ≤ H(w - w_b) ≤ h_h`，限制组合相对于基准指数的行业偏离（矩阵 `H` 为行业暴露矩阵）在 `[h_l, h_h]` 范围内[40] * **约束条件3**：`w_l ≤ w - w_b ≤ w_h`，限制个股相对于基准指数成分股的权重偏离在 `[w_l, w_h]` 范围内[40] * **约束条件4**：`b_l ≤ B_b w ≤ b_h`，限制组合在基准指数成分股内的权重占比在 `[b_l, b_h]` 范围内，`B_b` 为标识是否为成分股的0-1向量[40] * **约束条件5**：`0 ≤ w ≤ l`，禁止卖空，并限制个股权重上限为 `l`[40] * **约束条件6**：`1^T w = 1`，要求权重和为1，即满仓运作[40] 4. 通常设置个股相对于基准权重的最大偏离幅度为0.5%-1%，以避免持仓过于集中[40] 5. 在回测中，于每月末根据约束条件构建每个单因子的MFE组合，换仓时双边扣除0.3%的交易费用，并计算相对于基准的收益风险指标[43] 3. 模型名称：公募重仓指数 * **模型构建思路**：为了测试因子在公募基金这一重要市场参与者持仓风格下的有效性，通过汇总公募基金持仓信息，构建一个代表“机构风格”的股票指数作为新的因子测试样本空间[41] * **模型具体构建过程**： 1. **确定样本基金**：选取普通股票型基金和偏股混合型基金，剔除规模小于五千万且上市不足半年的基金，若基金转型则使用转型后半年以上的数据[42] 2. **获取持仓数据**：从基金的定期报告（年报、半年报、季报）中获取持股信息。若最新报告为季报，需结合前期的年报或半年报信息构建完整持仓[42] 3. **计算平均持仓**：将所有符合条件基金的持仓股票权重进行平均，得到公募基金的平均持仓信息[42] 4. **筛选成分股**：将平均后的股票权重按从高到低排序，选取累计权重达到90%的股票作为成分股，以此构建公募基金重仓指数[42] 量化因子与构建方式 报告涉及估值、反转、成长、盈利、流动性、波动、公司治理、分析师共8大类30余个因子[15][16]。 1. 估值类因子 * **因子名称**：BP * **因子构建思路**：衡量公司净资产与市场价值的比例，属于价值型因子[16] * **因子具体构建过程**：净资产 / 总市值[16] * **因子名称**：单季EP * **因子构建思路**：使用单季度净利润衡量估值[16] * **因子具体构建过程**：单季度归母净利润 / 总市值[16] * **因子名称**：单季SP * **因子构建思路**：使用单季度营业收入衡量估值[16] * **因子具体构建过程**：单季度营业收入 / 总市值[16] * **因子名称**：EPTTM * **因子构建思路**：使用滚动净利润衡量估值[16] * **因子具体构建过程**：归母净利润TTM / 总市值[16] * **因子名称**：SPTTM * **因子构建思路**：使用滚动营业收入衡量估值[16] * **因子具体构建过程**：营业收入TTM / 总市值[16] * **因子名称**：EPTTM一年分位点 * **因子构建思路**：衡量当前EPTTM在历史一年中的相对位置[16] * **因子具体构建过程**：EPTTM在过去一年中的分位点[16] * **因子名称**：股息率 * **因子构建思路**：衡量公司分红回报[16] * **因子具体构建过程**：最近四个季度预案分红金额 / 总市值[16] 2. 反转类因子 * **因子名称**：一个月反转 * **因子构建思路**：捕捉短期价格反转效应[16] * **因子具体构建过程**：过去20个交易日涨跌幅[16] * **因子名称**：三个月反转 * **因子构建思路**：捕捉中期价格反转效应[16] * **因子具体构建过程**：过去60个交易日涨跌幅[16] * **因子名称**：一年动量 * **因子构建思路**：捕捉长期价格动量效应，通常排除最近一个月以避免与短期反转混淆[16] * **因子具体构建过程**：近一年除近一月后动量[16] 3. 成长类因子 * **因子名称**：单季净利同比增速 * **因子构建思路**：衡量单季度净利润的同比增长情况[16] * **因子具体构建过程**：单季度净利润同比增长率[16] * **因子名称**：单季营收同比增速 * **因子构建思路**：衡量单季度营业收入的同比增长情况[16] * **因子具体构建过程**：单季度营业收入同比增长率[16] * **因子名称**：单季营利同比增速 * **因子构建思路**：衡量单季度营业利润的同比增长情况[16] * **因子具体构建过程**：单季度营业利润同比增长率[16] * **因子名称**：标准化预期外盈利 (SUE) * **因子构建思路**：衡量实际净利润超出分析师一致预期的程度，并进行标准化处理[16] * **因子具体构建过程**：(单季度实际净利润 - 预期净利润) / 预期净利润标准差[16] * **因子名称**：标准化预期外收入 (SUR) * **因子构建思路**：衡量实际营业收入超出分析师一致预期的程度，并进行标准化处理[16] * **因子具体构建过程**：(单季度实际营业收入 - 预期营业收入) / 预期营业收入标准差[16] * **因子名称**：单季超预期幅度 * **因子构建思路**：直接衡量实际净利润相对于预期净利润的比例[16] * **因子具体构建过程**：预期单季度净利润 / 财报单季度净利润[16] 4. 盈利类因子 * **因子名称**：单季ROE * **因子构建思路**：衡量单季度净资产收益率[16] * **因子具体构建过程**：单季度归母净利润 * 2 / (期初归母净资产 + 期末归母净资产)[16] * **因子名称**：单季ROA * **因子构建思路**：衡量单季度总资产收益率[16] * **因子具体构建过程**：单季度归母净利润 * 2 / (期初归母总资产 + 期末归母总资产)[16] * **因子名称**：DELTAROE * **因子构建思路**：衡量净资产收益率的同比变化[16] * **因子具体构建过程**：单季度净资产收益率 - 去年同期单季度净资产收益率[16] * **因子名称**：DELTAROA * **因子构建思路**：衡量总资产收益率的同比变化[16] * **因子具体构建过程**：单季度总资产收益率 - 去年同期单季度总资产收益率[16] 5. 流动性类因子 * **因子名称**：非流动性冲击 * **因子构建思路**：衡量单位成交金额对价格造成的冲击，反映流动性成本[16] * **因子具体构建过程**：过去20个交易日的日涨跌幅绝对值 / 成交额的均值[16] * **因子名称**：一个月换手 * **因子构建思路**：衡量短期交易活跃度[16] * **因子具体构建过程**：过去20个交易日换手率均值[16] * **因子名称**：三个月换手 * **因子构建思路**：衡量中期交易活跃度[16] * **因子具体构建过程**：过去60个交易日换手率均值[16] 6. 波动类因子 * **因子名称**：特异度 * **因子构建思路**：衡量股价波动中不能被常见风险因子（如Fama-French三因子）解释的部分[16] * **因子具体构建过程**：1 - 过去20个交易日Fama-French三因子回归的拟合度 (R-squared)[16] * **因子名称**：一个月波动 * **因子构建思路**：衡量短期股价波动率[16] * **因子具体构建过程**：过去20个交易日日内真实波幅均值[16] * **因子名称**：三个月波动 * **因子构建思路**：衡量中期股价波动率[16] * **因子具体构建过程**：过去60个交易日日内真实波幅均值[16] 7. 公司治理类因子 * **因子名称**：高管薪酬 * **因子构建思路**：衡量公司高管薪酬水平[16] * **因子具体构建过程**：前三高管报酬总额取对数[16] 8. 分析师类因子 * **因子名称**：预期EPTTM * **因子构建思路**：基于分析师一致预期的滚动市盈率倒数[16] * **因子具体构建过程**：一致预期滚动EP[16] * **因子名称**：预期BP * **因子构建思路**：基于分析师一致预期的账面市值比[16] * **因子具体构建过程**：一致预期滚动PB[16] * **因子名称**：预期PEG * **因子构建思路**：结合成长性的估值指标[16] * **因子具体构建过程**：一致预期PEG[16] * **因子名称**：预期净利润环比 * **因子构建思路**：衡量分析师对未来净利润环比增长的预期[16] * **因子具体构建过程**：一致预期净利润 / 3个月前一致预期净利润[16] * **因子名称**：3个月盈利上下调 * **因子构建思路**：衡量过去一段时间内分析师对盈利预测的调整方向[16] * **因子具体构建过程**：过去3个月内分析师（上调家数 - 下调家数）/ 总家数[16] * **因子名称**：三个月机构覆盖 * **因子构建思路**：衡量公司受机构关注的程度[16] * **因子具体构建过程**：过去3个月内机构覆盖数量[16] 模型的回测效果 1. 国信金工指数增强组合模型 * **沪深300指数增强组合**：本周超额收益0.73%，本年超额收益19.95%[4][13] * **中证500指数增强组合**：本周超额收益-0.02%，本年超额收益7.36%[4][13] * **中证1000指数增强组合**：本周超额收益-0.31%，本年超额收益15.60%[4][13] * **中证A500指数增强组合**：本周超额收益0.09%，本年超额收益9.62%[4][13] 因子的回测效果 （以下因子表现均为其MFE组合相对于对应基准指数的超额收益） 1. 沪深300样本空间因子表现（最近一周/最近一月/今年以来/历史年化）[18] * **3个月盈利上下调**：0.93% / 2.01% / 9.86% / 5.36% * **标准化预期外盈利**：0.92% / 1.89% / 10.65% / 4.13% * **单季净利同比增速**：0.78% / 0.55% / 13.29% / 3.88% * **一年动量**：0.76% / 1.11% / 1.86% / 2.58% * **预期PEG**：0.72% / 1.07% / 10.69% / 3.60% * **单季营利同比增速**：0.71% / 0.46% / 12.89% / 3.47% * **单季ROE**：0.70% / 2.75% / 20.54% / 5.22% * **DELTAROE**：0.70% / 1.24% / 15.95% / 4.45% * **预期净利润环比**：0.64% / 0.62% / 4.71% / 1.59% * **单季ROA**：0.59% / 2.02% / 14.02% / 3.99% * **单季超预期幅度**：0.59% / 0.65% / 9.49% / 3.91% * **DELTAROA**：0.55% / 0.63% / 13.79% / 4.80% * **标准化预期外收入**：0.33% / 1.16% / 11.21% / 4.77% * **单季EP**：0.27% / 0.32% / 7.92% / 5.27% * **非流动性冲击**：0.25% / 0.12% / -1.49% / 0.32% * **单季营收同比增速**：0.20% / 0.05% / 18.08% / 4.67% * **三个月反转**：0.14% / -0.03% / 0.61% / 0.37% * **三个月换手**：0.12% / 0.26% / -4.78% / 2.37% * **预期EPTTM**：0.12% / 0.09% / 7.17% / 3.87% * **EPTTM一年分位点**：0.08% / -0.54% / 4.63% / 2.42% * **一个月反转**：0.06% / -0.24% / -1.08% / -0.37% * **一个月换手**：-0.01% / -0.24% / -5.27% / 1.34% * **一个月波动**：-0.07% / 0.11% / -1.15% / 1.02% * **特异度**：-0.11% / 0.06% / 2.15% / 0.15% * **EPTTM**：-0.12% / -0.08% / 6.19% / 4.34% * **单季SP**：-0.17% / -0.01% / -0.68% / 2.93% * **SPTTM**：-0.19% / 0.00% / -1.13% / 2.15% * **三个月波动**：-0.21% / -0.02% / -2.41% / 1.83% * **三个月机构覆盖**：-0.22% / 1.08% / 10.93% / 3.05% * **BP**：-0.32% / -0.48% / -1.63% / 2.70% *

量化模型与因子总结 量化因子与构建方式 1. **因子名称：250日新高距离**[11] * **因子构建思路**：该因子用于衡量当前价格相对于过去一段时间内最高价格的回落幅度，是趋势跟踪和动量策略的核心指标。其理论基础在于，研究表明股价在接近其历史高点时，未来表现往往更优[11]。 * **因子具体构建过程**：对于给定股票在交易日t，计算其最新收盘价与过去250个交易日（约一年）最高收盘价的相对距离。 * 计算公式为： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ * 其中，`Closet` 代表股票在交易日t的最新收盘价，`ts_max(Close, 250)` 代表过去250个交易日收盘价的最大值[11]。 * 若最新收盘价创出过去250日新高，则因子值为0；若价格从高点回落，则因子值为正，数值越大表示回落幅度越大[11]。 2. **模型/策略名称：平稳创新高股票筛选模型**[26][28] * **模型构建思路**：该模型旨在从近期创出新高的股票中，进一步筛选出具有更强趋势延续潜力的“平稳创新高”股票。其思路结合了截面动量与时间序列动量的研究，认为遵循平滑价格路径、受到持续关注且趋势未发生逆转的动量股，其未来收益可能更佳[26]。 * **模型具体构建过程**：这是一个多步骤的筛选模型，具体流程如下： 1. **初选股票池**：首先，在上市满15个月的股票中，筛选出过去20个交易日内曾创出250日新高的股票[19]。 2. **应用多维度筛选条件**：在初选股票池中，依次应用以下条件进行筛选[26][28]： * **分析师关注度**：过去3个月内，获得“买入”或“增持”评级的分析师研报数量不少于5份[28]。 * **股价相对强弱**：过去250日涨跌幅位于全市场所有股票的前20%[28]。 * **股价平稳性与创新高持续性**：在满足以上条件的股票池内，使用两个指标进行综合打分，并选取排名在前50%的股票[28]。 * **价格路径平滑性**：使用“股价位移路程比”指标进行衡量。具体公式为：`过去120日涨跌幅的绝对值 / 过去120日日涨跌幅绝对值加总`[26]。该比值越接近1，表明价格路径越平滑（涨跌方向一致，波动小）。 * **创新高持续性**：使用`过去120日的250日新高距离在时间序列上的均值`进行衡量[28]。该均值越小，表明在近期内股价持续接近或创出新高的状态保持得越好。 3. **最终排序筛选**：对经过上述步骤筛选出的股票，依据 **“趋势延续性”** 指标进行排序。该指标为`过去5日的250日新高距离在时间序列上的均值`[28]。选取该指标排序最靠前的50只股票作为最终的“平稳创新高股票”[28]。 模型与因子的回测效果 > **注**：本报告主要为特定时点（2025年12月12日）的市场状态描述与股票筛选结果展示，并未提供基于历史数据的完整策略回测绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。因此，以下为报告中所列出的具体应用结果取值。 1. **250日新高距离因子应用结果**（截至2025年12月12日）[12][13][15] * **主要宽基指数取值**： * 上证指数：3.48% * 深证成指：3.40% * 沪深300指数：3.52% * 中证500指数：5.02% * 中证1000指数：3.62% * 中证2000指数：2.46% * 创业板指：3.91% * 科创50指数：12.36%[12] * **部分行业指数取值（距离新高较近）**： * 通信行业：2.14% * 有色金属行业：1.28% * 国防军工行业：3.88% * 家电行业：1.95% * 轻工制造行业：1.82%[13] * **部分概念指数取值（距离新高较近）**：卫星互联网、卫星导航、黄金、5G、十大军工集团、林木、工程机械等概念指数[15]。 2. **平稳创新高股票筛选模型应用结果**（截至2025年12月12日）[19][20][29] * **初选股票池规模**：共筛选出746只过去20个交易日创250日新高的股票[19]。 * **创新高股票分布**： * **数量最多的行业**：基础化工（90只）、机械（90只）、电子（68只）[19]。 * **占比最高的行业**：有色金属（27.42%）、纺织服装（25.25%）、农林牧渔（24.30%）[19]。 * **板块分布**：制造板块（228只，占比14.61%）、周期板块（202只，占比17.97%）、科技板块（181只，占比12.82%）数量最多[20]。 * **指数分布占比**：中证2000（14.45%）、中证1000（13.10%）、沪深300（12.33%）、中证500（10.20%）、创业板指（10.00%）、科创50（0.00%）[20]。 * **最终输出股票数量**：44只平稳创新高股票[29]。 * **最终股票板块分布**：周期板块（16只）、科技板块（16只）入选数量最多。其中，周期板块内以有色金属行业为主，科技板块内以电子行业为主[29]。

量化模型与构建方式 1. **模型名称**：中证全指自由现金流指数编制模型[4][48] * **模型构建思路**：通过一系列财务质量筛选，选取自由现金流率较高的上市公司证券构建指数，以反映现金流创造能力较强的上市公司证券的整体表现[4][48]。 * **模型具体构建过程**： 1. **确定样本空间**：同中证全指指数的样本空间[49]。 2. **可投资性筛选**：过去一年日均成交金额排名位于样本空间前80%[49]。 3. **待选样本筛选**：在通过可投资性筛选的证券中，进一步选取同时满足以下条件的证券[49]： * 不属于金融或地产行业（按中证一级行业分类）[49]。 * 自由现金流和企业价值均为正[49]。 * 自由现金流计算公式：$$自由现金流 = 过去一年经营活动产生的现金流量净额 - 过去一年购建固定资产、无形资产和其他长期资产支付的现金$$[49] * 企业价值计算公式：$$企业价值 = 公司总市值 + 总负债 - 货币资金$$[49] * 连续5年经营活动产生的现金流量净额为正[49]。 * 盈利质量由高到低排名位于样本空间前80%[49]。盈利质量计算公式：$$盈利质量 = (过去一年经营活动产生的现金流量净额 - 过去一年营业利润) / 总资产$$[49] 4. **选样与加权**：将待选样本按照自由现金流率由高到低排名，选取排名前100的证券作为指数样本[49]。自由现金流率计算公式：$$自由现金流率 = 自由现金流 / 企业价值$$[49]。指数采用自由现金流加权，并将单一成分股权重上限设定为10%[4][26]。 5. **调整规则**：指数样本每季度调整一次（3月、6月、9月、12月的第二个星期五的下一交易日生效）[58]。 2. **模型名称**：国证自由现金流指数编制模型[34] * **模型构建思路**：从沪深北三家交易所中优选非金融地产股，通过财务质量与稳定性筛选，构建反映高自由现金流公司表现的指数[33]。 * **模型具体构建过程**： 1. **样本空间**：非ST、*ST证券；科创板、北交所证券上市超1年，其他证券上市超6个月；公司最近一年无重大违规、经营无异常、无重大亏损；证券价格无异常波动[34]。 2. **待选样本筛选**： * 剔除最近半年日均成交金额排名后20%的证券[34]。 * 剔除属于金融或房地产行业的证券[34]。 * 剔除近12个季度ROE稳定性排名后10%的证券[34]。 * 选取近一年自由现金流、企业价值和近三年经营活动现金流均为正的证券[34]。 * 剔除近一年经营活动现金流占营业利润比例排名后30%的证券[34]。 3. **选样与加权**：选取自由现金流率最高的100只证券作为指数样本[34]。自由现金流率计算公式同中证指数：$$自由现金流率 = 自由现金流 / 企业价值$$[36]。指数采用派氏加权法[36]。 3. **模型名称**：富时中国A股自由现金流聚焦指数编制模型[34] * **模型构建思路**：在富时中国A股自由流通指数成分股基础上，通过多维度排除低质量、高波动证券，聚焦于具有高质量自由现金流的公司[33]。 * **模型具体构建过程**： 1. **样本空间**：富时中国A股自由流通指数的成分股[34]。 2. **待选样本筛选**： * 排除金融房地产行业[34]。 * 排除过去12个月自由现金流为负的证券[34]。 * 排除质量排名后30%的证券[34]。 * 排除过去五年波动率最高的30%的证券[34]。 * 排除预期收益增长为负且预期销售增长为负的证券[34]。 3. **选样与加权**：选取50只自由现金流率最高的证券作为指数样本[34]。自由现金流率计算公式同中证指数：$$自由现金流率 = 自由现金流 / 企业价值$$[36]。指数采用自由现金流加权[36]。 量化因子与构建方式 1. **因子名称**：自由现金流因子[8] * **因子构建思路**：衡量企业在支付运营成本与资本开支后，可自由分配给所有资本提供者（股东和债权人）的现金，以更真实地反映企业的盈利质量与资金流动性[8]。 * **因子具体构建过程**：根据报告引用的注册估值分析师协会公式，自由现金流的计算为：$$自由现金流 = 经营活动产生的现金流量净额 - 资本性支出$$[10]。报告中在指数编制时使用的具体计算公式为：$$自由现金流 = 过去一年经营活动产生的现金流量净额 - 过去一年购建固定资产、无形资产和其他长期资产支付的现金$$[49]。 * **因子评价**：自由现金流是企业内在价值评估的根本基础，是检验盈利“含金量”的客观标尺，也是企业财务弹性、风险抵御能力、股东回报以及支持未来增长的关键资源[11][12][13][14][15]。 2. **因子名称**：自由现金流率因子[4][31] * **因子构建思路**：将自由现金流与企业价值（反映公司总价值）相结合，构建一个比率指标，用于横向比较不同规模公司的现金流创造效率[4][31]。 * **因子具体构建过程**：计算公式为：$$自由现金流率 = 自由现金流 / 企业价值$$[36]。其中，企业价值 = 公司总市值 + 总负债 - 货币资金[49]。 * **因子评价**：该因子是多个国内自由现金流指数核心的排序指标，旨在筛选出单位企业价值创造自由现金流能力更强的公司[31]。 3. **因子名称**：盈利质量因子[49] * **因子构建思路**：通过比较经营活动现金净流入与会计利润的差异，来评估企业盈利的现金实现程度，排除应计制会计下的粉饰可能[12][49]。 * **因子具体构建过程**：在中证全指自由现金流指数编制中，其计算公式为：$$盈利质量 = (过去一年经营活动产生的现金流量净额 - 过去一年营业利润) / 总资产$$[49]。该因子值越高，通常表示盈利的现金含量越高。 模型的回测效果 1. **中证全指自由现金流指数 (932365.CSI)**[4] * **全区间收益 (2015/1/5 - 2025/11/28)**：11.55%[28] * **2025年以来收益 (截至2025/11/28)**：10.55%[29][39] * **分年度收益**：2015年: 11.94%, 2016年: -3.96%, 2017年: 37.23%, 2018年: -18.63%, 2019年: 21.98%, 2020年: 9.94%, 2021年: 31.81%, 2022年: -9.18%, 2023年: 12.57%, 2024年: 36.86%[29] 2. **Pacer US Cash Cows 100 ETF (代表美国现金流策略)**[20] * **累计收益 (2016/12/19 - 2025/1/24)**：134.02%[22] * **年化收益**：11.10%[20][22] * **夏普比率 (Sharpe)**：0.54[20][22] * **年化波动率**：20.57%[22] * **最大回撤**：-39.64%[22] 3. **嘉信理财美国股利股票 ETF (代表美国红利策略)**[20] * **累计收益 (2016/12/19 - 2025/1/24)**：91.65%[22] * **年化收益**：8.39%[20][22] * **夏普比率 (Sharpe)**：0.48[20][22] * **年化波动率**：17.50%[22] * **最大回撤**：-33.37%[22] 4. **领航价值型 ETF (代表美国价值策略)**[20] * **累计收益 (2016/12/19 - 2025/1/24)**：87.67%[22] * **年化收益**：8.11%[20][22] * **夏普比率 (Sharpe)**：0.47[20][22] * **年化波动率**：17.36%[22] * **最大回撤**：-36.78%[22] 5. **中证红利指数 (000922)**[26] * **全区间收益 (2015/1/5 - 2025/11/28)**：4.21%[28] * **2025年以来收益 (截至2025/11/28)**：+0.64%[29] * **分年度收益**：2015年: 22.73%, 2016年: 47.82%, 2017年: 18.04%, 2018年: -19.73%, 2019年: 16.15%, 2020年: 3.59%, 2021年: 13.78%, 2022年: 45.63%, 2023年: 0.92%, 2024年: 12.74%[29] 6. **国证自由现金流指数**[39] * **全区间收益 (2015/1/5 - 2025/11/28)**：12.42%[39] 7. **中证500自由现金流指数**[39] * **2025年以来年化收益 (截至2025/11/28)**：20.96%[39] 8. **中银中证全指自由现金流 ETF (563760)**[2][76] * **累计收益 (2025/6/6上市 - 2025/12/9)**：19.11%[2][76] * **区间累计超额收益 (vs 中证现金流基准指数)**：3.06% (127个交易日)[2][76] * **年化超额收益**：7.06%[2][76] * **年化跟踪误差**：3.32%[76] * **日均绝对跟踪误差**：0.02%[2][76]

量化模型与构建方式 1. **模型/因子名称：250日新高距离**[11] * **构建思路**：该指标用于衡量当前价格相对于过去一段时间内最高价格的回落幅度，以识别接近或创出新高的标的，作为市场趋势和动量的风向标[11]。 * **具体构建过程**：对于给定标的在时间t的收盘价，计算其过去250个交易日（约一年）收盘价的最大值。250日新高距离定义为1减去当前收盘价与过去250日最高收盘价的比值[11]。 * **公式**： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ * **公式说明**：`Closet` 为最新收盘价，`ts_max(Close,250)` 为过去250个交易日收盘价的最大值。当最新收盘价创出新高时，该值为0；当价格从高点回落时，该值为正，表示回落的幅度[11]。 2. **模型名称：平稳创新高股票筛选模型**[26][28] * **构建思路**：在近期创出250日新高的股票池中，进一步筛选出具有分析师关注、股价相对强势、且价格路径平滑、趋势延续性好的股票，旨在捕捉更持续、更稳健的动量效应[26][28]。 * **具体构建过程**：该模型是一个多步骤的筛选流程： 1. **初选股票池**：筛选出过去20个交易日曾创出250日新高的股票[19]。 2. **分析师关注度筛选**：要求过去3个月内获得“买入”或“增持”评级的分析师研报不少于5份[28]。 3. **股价相对强弱筛选**：要求过去250日涨跌幅位于全市场前20%[28]。 4. **股价平稳性与创新高持续性筛选**：在满足上述条件的股票池内，使用两个指标综合打分，并选取排名在前50%的股票[28]。 * **价格路径平滑性**：使用股价位移路程比指标，计算公式为 `过去120日涨跌幅的绝对值 / 过去120日日涨跌幅绝对值加总`[26]。该比值越接近1，表明价格路径越平滑。 * **创新高持续性**：使用过去120日的250日新高距离在时间序列上的均值来衡量[28]。 5. **趋势延续性筛选**：对经过上述步骤筛选后的股票，计算其过去5日的250日新高距离在时间序列上的均值，并选取该值排序靠前的50只股票作为最终的“平稳创新高股票”[28]。 模型的回测效果 *本报告未提供量化模型（如250日新高距离因子或多因子筛选模型）的历史回测绩效指标（如年化收益率、夏普比率、最大回撤、信息比率IR等）。报告内容主要为特定时点（2025年12月12日）的截面数据展示和名单筛选[12][29][32]。* 量化因子与构建方式 1. **因子名称：250日新高距离**（同上，亦作为因子使用） * **构建思路**：同模型部分所述，作为动量与趋势跟踪因子使用[11]。 * **具体构建过程**：同模型部分所述[11]。 * **因子评价**：该因子基于行为金融学中的“52周高点”效应，被广泛研究和应用于动量策略，是识别市场领头羊和趋势强度的重要工具[11][18]。 2. **因子名称：价格路径平滑性（位移路程比）**[26] * **构建思路**：通过比较一段时间内的净涨跌幅（位移）与期间每日涨跌幅绝对值之和（路程），来度量股价上涨或下跌过程的平滑程度。平滑的上涨路径可能意味着更持续的动量[26]。 * **具体构建过程**：计算过去120个交易日内，股票总涨跌幅的绝对值与期间每日收益率绝对值之和的比值[26]。 * **公式**： $$价格路径平滑性 = \frac{| \sum_{i=1}^{120} R_i |}{ \sum_{i=1}^{120} |R_i| }$$ * **公式说明**：`R_i` 代表第i日的收益率。分子为120日累计收益率的绝对值（位移），分母为120日内每日收益率绝对值之和（路程）。比值越接近1，表明趋势越单一、路径越平滑。 * **因子评价**：研究表明，遵循平滑价格路径的高动量股票，其未来收益可能高于遵循跳跃价格路径的高动量股票，这支持了投资者对平滑信息反应不足的“温水煮青蛙”效应[26]。 3. **因子名称：创新高持续性**[28] * **构建思路**：通过计算近期250日新高距离的均值，来衡量一只股票在创出新高后，其股价维持在高位附近的持续能力，而不仅仅是短暂触碰新高[28]。 * **具体构建过程**：计算股票在过去120个交易日中，每日的250日新高距离的时间序列均值[28]。 4. **因子名称：趋势延续性**[28] * **构建思路**：通过计算最近几个交易日250日新高距离的均值，来捕捉股票趋势在短期内的延续强度，值越小表明近期越接近或维持在新高位置[28]。 * **具体构建过程**：计算股票在过去5个交易日中，每日的250日新高距离的时间序列均值[28]。 因子的回测效果 *本报告未提供上述单个因子（如价格路径平滑性、创新高持续性等）的IC值、IR、多空收益等历史回测绩效指标。报告侧重于介绍因子构建方法并将其应用于当前时点的选股流程中[26][28][29]。*

量化模型与因子总结 量化因子与构建方式 1. **因子名称：自由现金流因子** * **因子构建思路：** 衡量企业在支付运营成本和必要资本开支后，可自由分配给所有资本提供者（股东和债权人）的现金，用以评估企业真实盈利质量、内在价值和财务健康状况[8]。 * **因子具体构建过程：** 1. **计算自由现金流 (FCF)：** 自由现金流等于过去一年经营活动产生的现金流量净额减去过去一年购建固定资产、无形资产和其他长期资产支付的现金[63]。 $$自由现金流 = 经营活动产生的现金流量净额 - 购建固定资产、无形资产和其他长期资产支付的现金$$ 2. **计算企业价值 (EV)：** 企业价值等于公司总市值加上总负债，再减去货币资金[63]。 $$企业价值 = 公司总市值 + 总负债 - 货币资金$$ 3. **计算自由现金流率：** 自由现金流率是核心排序指标，等于自由现金流除以企业价值[45][63]。 $$自由现金流率 = \frac{自由现金流}{企业价值}$$ 2. **因子名称：盈利质量因子** * **因子构建思路：** 用于筛选盈利质量较高的公司，作为构建自由现金流指数的前置筛选条件之一[63]。 * **因子具体构建过程：** 盈利质量的计算公式为（过去一年经营活动产生的现金流量净额减去过去一年营业利润）除以总资产[63]。盈利质量由高到低排名位于样本空间前80%的证券符合待选条件[63]。 $$盈利质量 = \frac{经营活动产生的现金流量净额 - 营业利润}{总资产}$$ 3. **因子名称：股息率因子（对比参考）** * **因子构建思路：** 传统红利策略的核心指标，依据企业历史现金分红情况选股，侧重反映盈利稳定性与分红意愿[28]。 * **因子具体构建过程：** 报告中提及的红利指数（如中证红利指数）主要依据过去三年平均现金股息率进行排序[32]。 量化模型与构建方式 1. **模型名称：中证全指自由现金流指数编制模型** * **模型构建思路：** 通过多因子筛选和加权，构建一个反映A股市场中现金流创造能力较强上市公司整体表现的指数[4][61]。 * **模型具体构建过程：** 1. **确定样本空间：** 中证全指指数的样本空间[63]。 2. **可投资性筛选：** 剔除过去一年日均成交金额排名位于样本空间后20%的证券[63]。 3. **待选样本筛选（多因子过滤）：** 从通过可投资性筛选的证券中，选取同时满足以下所有条件的证券作为待选样本[63]： * **行业过滤：** 不属于金融或房地产行业[63]。 * **因子正值要求：** 自由现金流和企业价值均为正[63]。 * **现金流稳定性要求：** 连续5年经营活动产生的现金流量净额为正[63]。 * **盈利质量要求：** 盈利质量排名位于样本空间前80%[63]。 4. **成分股选择：** 将待选样本按照**自由现金流率**由高到低排名，选取排名前100的证券作为指数样本[63]。 5. **加权方式：** 采用**自由现金流加权**[32][45]。 6. **权重上限：** 单一成分股权重上限为10%[32]。 7. **调样规则：** 每季度调整一次样本[32][75]。 2. **模型名称：其他国内自由现金流指数编制模型（衍生变体）** * **模型构建思路：** 基于相似的“自由现金流”核心逻辑，但在样本空间、筛选细节或加权方式上有所不同，以覆盖不同市值板块或满足特定编制目标[38]。 * **模型具体构建过程：** 报告列举了多只国内自由现金流指数，其核心构建思路与中证全指自由现金流指数类似，主要差异点包括： * **样本空间不同：** 如沪深300自由现金流指数、中证500自由现金流指数、中证800自由现金流指数分别以对应宽基指数样本为空间[42]；国证自由现金流指数覆盖沪深北三市[41]；富时中国A股自由现金流聚焦指数纳入港股通标的[41]。 * **筛选条件细节差异：** 例如，国证自由现金流指数剔除了近12个季度ROE稳定性排名后10%的证券以及近一年经营活动现金流占营业利润比例后30%的证券[41][42]；富时指数则排除了质量排名后30%、过去五年波动率最高30%以及预期收益增长为负的证券[42]。 * **加权方式差异：** 国证自由现金流指数使用派式加权法，而中证系列指数采用自由现金流加权[45]。 模型的回测效果 （注：以下效果数据主要针对基于自由现金流因子构建的指数模型，数据区间和对比基准可能不同，此处按报告呈现分组列出） 1. **海外现金流策略代表 (Pacer US Cash Cows 100 ETF)** * **数据区间：** 2016年12月19日至2025年1月24日[22] * **累计收益：** 134.02%[26] * **年化收益：** 11.10%[22][26] * **夏普比率 (Sharpe)：** 0.54[22][26] * **年化波动率：** 20.57%[26] * **最大回撤：** -39.64%[26] 2. **中证全指自由现金流指数** * **全区间表现 (2015年1月5日至2025年11月28日)：** * **累计收益：** 11.55%[34][37] * **分年度收益 (2015-2025年)：** 详见报告表格，例如2025年为10.55%，2024年为36.86%，2023年为12.57%等[37] * **与宽基指数对比 (截至2025年11月28日)：** * 近十年、近八年、近五年、近三年收益均优于沪深300、中证500、中证1000指数[88] * 近十年跑赢沪深300指数169.61个百分点[88] * **与红利指数对比 (2015-2025年)：** * 绝大多数年份跑赢中证红利指数[34] * 全区间累计收益 (11.55%) 优于中证红利指数 (4.21%)[34][37] 3. **中银中证全指自由现金流 ETF (563760)** * **数据区间：** 2025年6月6日上市以来至2025年12月9日（127个交易日）[2][99] * **累计收益率：** 19.11%[2][99] * **累计超额收益 (相对于中证全指自由现金流指数)：** 3.06%[2][99] * **年化超额收益：** 7.06%[2][99] * **年化跟踪误差：** 3.32%[99] * **日均绝对跟踪误差：** 0.02%[2][99] 因子的回测效果 （注：报告未提供单因子IC、IR等传统因子测试结果，主要展示了基于该因子构建的指数表现，故本部分略） 对模型或因子的评价 * **自由现金流因子评价：** 相比传统会计利润，能更真实地衡量企业盈利质量与资金流动性，是评估企业内在价值、财务健康状况与未来发展潜力的核心依据[8][11][12]。 * **自由现金流指数模型评价 (相对于红利策略)：** 弥补了传统红利策略在行业覆盖广度和未来表现预判方面的不足，聚焦于企业的内生增长能力，更契合追求长期成长与资本增值的投资者需求[4][28]。其编制方法旨在筛选出具备更高成长潜力与回报预期的上市公司组合[28]。

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：公募基金实时持仓测算模型[16] * **模型构建思路**：基于市场公开信息，对公募基金持仓进行实时测算，以监测其配置动向[4][16]。 * **模型具体构建过程**：该模型是一个复杂的处理流程，其具体构建方法在开源金融工程团队的专题报告《偏股混合型基金指数（885001.WI）：优势、复制与超越》中有详细阐述。报告指出，该模型综合利用了基金净值、定期持仓披露、调研行为等多维度公开信息进行测算[16]。 2. **模型名称**：雪球大V用户选股行为alpha模型[27] * **模型构建思路**：分析雪球平台上粉丝数量较多的“大V”用户的投资观点和行为，从中提取具有信息含量的选股信号[27]。 * **模型具体构建过程**：该模型的具体构建方法在开源金融工程团队的专题报告《雪球大V用户的选股行为alpha》中有详细阐述[27]。 3. **模型名称**：机构行为alpha细分结构模型[33] * **模型构建思路**：通过分析龙虎榜、机构调研、大宗交易等公开的机构行为数据，构建细分选股模型[33]。 * **模型具体构建过程**：该模型的具体构建方法在开源金融工程团队的专题报告《机构行为alpha的细分结构：龙虎榜、机构调研、大宗交易》中有详细阐述[33]。 4. **模型名称**：高频股东户数隐含信息模型[35] * **模型构建思路**：利用交易所互动平台提供的高频股东户数数据，分析其变化所隐含的股价风险提示信息[35]。 * **模型具体构建过程**：该模型的具体构建方法在开源金融工程团队的专题报告《高频股东数据的隐含信息量》中有详细阐述[35]。 量化因子与构建方式 1. **因子名称**：ETF资金持仓占比[4][19] * **因子构建思路**：将ETF基金持有的某板块股票市值占该板块总市值的比例作为观察市场资金动态的代理变量[4][19]。 * **因子具体构建过程**：计算特定板块内，所有相关ETF基金持有的该板块股票总市值，再除以该板块所有股票的总流通市值（或总市值），得到持仓占比。报告中使用了5日移动平均（MA5）来平滑数据[24]。 * **因子评价**：ETF持仓动态已成为观察市场资金流向的重要窗口[19]。 2. **因子名称**：融资余额[4][20] * **因子构建思路**：使用融资融券交易中未偿还的融资总金额作为衡量市场投资者看多情绪的指标[4][20]。 * **因子具体构建过程**：直接汇总计算特定板块所有成分股的融资余额总额。融资余额增加通常被视为投资者看多后市的信号[20]。 3. **因子名称**：融券余额[21] * **因子构建思路**：使用融资融券交易中未偿还的融券总金额作为衡量市场投资者看空情绪的指标。 * **因子具体构建过程**：直接汇总计算特定板块所有成分股的融券余额总额[21]。 4. **因子名称**：机构调研次数[5][23] * **因子构建思路**：统计上市公司接受机构调研的次数，作为机构关注度的代理变量[5][23]。 * **因子具体构建过程**：在指定时间窗口内（如2025年以来），累计每家上市公司被机构调研的总次数[23][26]。 5. **因子名称**：雪球大V关注数量[5][27] * **因子构建思路**：统计雪球平台上被粉丝数量较多的“大V”用户关注或讨论的个股数量，作为市场热门度和关注度的指标[5][27]。 * **因子具体构建过程**：在指定时间窗口内（如11月20日以来），统计每家上市公司被符合条件的雪球大V用户关注的数量[28]。 6. **因子名称**：主力资金净流入[5][29] * **因子构建思路**：将大单和超大单的净流入金额加总，作为主力资金动向的代理变量[5][29]。 * **因子具体构建过程**：首先定义大单（挂单金额20-100万元）和超大单（挂单金额>100万元）。在指定时间窗口内（如11月20日以来），计算每家上市公司每日大单与超大单的买入总额与卖出总额之差，即为主力资金净流入，可进行区间累计[29][30][32]。 7. **因子名称**：龙虎榜营业部资金净流入[33] * **因子构建思路**：利用龙虎榜公布的营业部交易数据，计算买卖双方营业部的资金净流入，反映最活跃资金的动向[33]。 * **因子具体构建过程**：对于登上龙虎榜的个股，将其当日买入金额最大的前五家营业部的买入总额，减去卖出金额最大的前五家营业部的卖出总额，得到营业部资金净流入[34]。 8. **因子名称**：高频股东户数增幅[5][35] * **因子构建思路**：基于最新两期股东户数，计算其增长幅度，作为持股分散度变化的指标[35][38]。 * **因子具体构建过程**：获取上市公司最新一期和上一期的股东户数。股东户数增幅的计算公式为： $$变动比例 = \frac{最新股东户数 - 上期股东户数}{上期股东户数} \times 100\%$$ 报告指出，股东户数的大幅增加可能对后续股价构成潜在风险提示[35][38]。 9. **因子名称**：成交额放量因子[15] * **因子构建思路**：通过比较短期和长期成交额均线的比值，识别成交量异常放大的个股[15]。 * **因子具体构建过程**：计算个股的10日成交额移动平均（MA10）与60日成交额移动平均（MA60）的比值，即： $$放量程度 = \frac{成交额MA10}{成交额MA60}$$ 该比值显著大于1表示近期成交活跃，出现放量[15]。 模型的回测效果 （注：本篇报告为资金行为监测报告，未提供上述量化模型的详细回测指标结果。） 因子的回测效果 （注：本篇报告为资金行为监测报告，主要展示各因子在商业航天板块的截面排序或监测结果，未提供因子在统一口径下的多空组合回测指标（如年化收益、夏普比率、信息比率IR等）数值。）