量化模型与因子总结 量化模型与构建方式 本报告为市场数据跟踪报告，未涉及具体的量化选股或择时模型，因此无量化模型相关内容。 量化因子与构建方式 报告中对多个市场指标进行了跟踪和计算，这些指标可被视为用于描述市场状态或估值的“因子”。以下是报告中涉及的主要因子： 1. **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，用于衡量其相对投资价值和偏离情况[26]。 * **因子具体构建过程**：风险溢价的计算公式为指数收益率减去无风险利率。报告中具体计算了各宽基指数相对于十年期国债即期收益率的风险溢价，并统计了其近1年、近5年的分位值、均值及波动率等[29]。 $$风险溢价 = 指数收益率 - 十年期国债即期收益率$$ 其中，指数收益率通常使用指数的预期收益率或历史收益率，报告中展示的是当前风险溢价水平[29]。 2. **因子名称：股债性价比** * **因子构建思路**：以各指数PE-TTM的倒数（即盈利收益率）与十年期国债即期收益率之差来衡量股票资产相对于债券资产的吸引力[43]。 * **因子具体构建过程**：计算公式为各指数盈利收益率与十年期国债即期收益率的差值[43]。 $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 报告中将此差值作为股债性价比进行跟踪，并设定了基于近5年数据的80分位值（机会值）和20分位值（危险值）作为参考线[43]。 3. **因子名称：破净率** * **因子构建思路**：计算指数成分股中市净率小于1的个股占比，反映市场整体的估值态度和悲观程度[50][52]。 * **因子具体构建过程**：对于每个宽基指数，统计其成分股中满足“市净率(PB) < 1”条件的股票数量，再除以该指数的总成分股数量，得到百分比形式的破净率[50][53]。 $$破净率 = \frac{破净个股数}{指数总成分股数} \times 100\%$$ 报告跟踪了各主要宽基指数的当前破净率[53]。 4. **因子名称：交易金额占比** * **因子构建思路**：计算单一宽基指数的成交金额占全市场（以中证全指代表）成交金额的比例，用于观察资金在不同板块间的流动情况[16]。 * **因子具体构建过程**：以特定指数（如中证2000）当天的总成交金额，除以中证全指当天的总成交金额[16]。 $$交易金额占比_{指数} = \frac{指数当日交易金额}{中证全指当日交易金额} \times 100\%$$ 5. **因子名称：指数换手率** * **因子构建思路**：计算宽基指数的整体换手率，反映该板块内股票的交易活跃度[16]。 * **因子具体构建过程**：采用流通股本加权平均的方式计算指数换手率[16]。 $$指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$$ 6. **因子名称：收益分布峰度与偏度** * **因子构建思路**：计算指数日收益率分布的峰度和偏度，用于描述收益率分布的尖峭程度和对称性，反映市场收益的极端情况和分布形态变化[22][24]。 * **因子具体构建过程**：报告计算了各宽基指数日收益率序列的峰度（计算中减去了3，即与正态分布对比）和偏度，并对比了当前值与近5年历史值的差异[24]。峰度越大说明收益率分布更集中，正偏态显示极端正收益情形增加[22]。 因子的回测效果 本报告主要为市场状态跟踪，未提供基于历史数据的因子有效性检验（如IC、IR、多空收益等）。报告展示了各因子在**2025年12月11日**这个特定时点，对于**不同宽基指数**的截面取值情况。 1. **风险溢价因子** * 上证50：当前值-0.40%， 近1年分位值24.21%， 近5年分位值33.89%[29] * 沪深300：当前值-0.87%， 近1年分位值9.92%， 近5年分位值17.06%[29] * 中证500：当前值-1.03%， 近1年分位值12.70%， 近5年分位值15.71%[29] * 中证1000：当前值-1.31%， 近1年分位值11.11%， 近5年分位值14.21%[29] * 中证2000：当前值-1.70%， 近1年分位值8.73%， 近5年分位值11.03%[29] * 中证全指：当前值-1.11%， 近1年分位值9.92%， 近5年分位值13.02%[29] * 创业板指：当前值-1.42%， 近1年分位值12.30%， 近5年分位值15.95%[29] 2. **PE-TTM因子** * 上证50：当前值11.74， 近1年分位值73.14%， 近5年分位值82.56%[40] * 沪深300：当前值13.89， 近1年分位值71.49%， 近5年分位值80.91%[40] * 中证500：当前值32.35， 近1年分位值74.38%， 近5年分位值94.88%[40] * 中证1000：当前值46.77， 近1年分位值78.51%， 近5年分位值95.70%[40] * 中证2000：当前值153.96， 近1年分位值71.49%， 近5年分位值81.07%[40] * 中证全指：当前值20.88， 近1年分位值73.14%， 近5年分位值91.16%[40] * 创业板指：当前值40.99， 近1年分位值79.75%， 近5年分位值57.27%[40] 3. **股息率因子** * 上证50：当前值3.34%， 近1年分位值28.93%， 近5年分位值37.36%[49] * 沪深300：当前值2.79%， 近1年分位值32.64%， 近5年分位值39.34%[49] * 中证500：当前值1.38%， 近1年分位值25.21%， 近5年分位值15.95%[49] * 中证1000：当前值1.14%， 近1年分位值26.03%， 近5年分位值49.59%[49] * 中证2000：当前值0.77%， 近1年分位值19.42%， 近5年分位值14.79%[49] * 中证全指：当前值2.06%， 近1年分位值31.40%， 近5年分位值37.60%[49] * 创业板指：当前值1.01%， 近1年分位值16.94%， 近5年分位值67.60%[49] 4. **破净率因子** * 上证50：当前值20.0%[53] * 沪深300：当前值15.67%[53] * 中证500：当前值11.8%[53] * 中证1000：当前值8.2%[53] * 中证2000：当前值3.4%[53] * 中证全指：当前值6.37%[53] * 创业板指：当前值1.0%[53] 5. **交易金额占比因子** * 中证2000：当前值25.51%[16] * 沪深300：当前值23.93%[16] * 中证1000：当前值21.14%[16] * （其他指数未列出具体占比数值） 6. **指数换手率因子** * 中证2000：当前值4.26[16] * 中证1000：当前值2.4[16] * 创业板指：当前值2.34[16] * 中证全指：当前值1.69[16] * 中证500：当前值1.6[16] * 沪深300：当前值0.51[16] * 上证50：当前值0.23[16] 7. **收益分布峰度与偏度因子** * 上证50：当前峰度-0.05， 当前偏度1.31[24] * 沪深300：当前峰度0.59， 当前偏度1.53[24] * 中证500：当前峰度0.83， 当前偏度1.55[24] * 中证1000：当前峰度1.40， 当前偏度1.65[24] * 中证2000：当前峰度1.27， 当前偏度1.66[24] * 中证全指：当前峰度0.97， 当前偏度1.61[24] * 创业板指：当前峰度1.29， 当前偏度1.63[24]

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** * **因子构建思路**：通过计算盘中触及涨停且最终成功封住涨停板的股票比例，来度量市场追涨情绪和涨停板的可靠性[17]。 * **因子具体构建过程**： 1. 选取上市满3个月以上的股票作为样本[17]。 2. 在指定交易日，识别出盘中最高价达到涨停价的股票集合。 3. 在上述集合中，进一步筛选出收盘价仍为涨停价的股票。 4. 计算封板率，公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ [17] 2. **因子名称：连板率** * **因子构建思路**：通过计算连续两日收盘涨停的股票比例，来度量市场涨停效应的持续性和短线投机资金的活跃度[17]。 * **因子具体构建过程**： 1. 选取上市满3个月以上的股票作为样本[17]。 2. 在指定交易日，获取前一日（T-1日）收盘涨停的股票列表。 3. 在上述列表中，筛选出当日（T日）收盘也涨停的股票。 4. 计算连板率，公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ [17] 3. **因子名称：大宗交易折价率** * **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，来反映大资金的投资偏好、流动性折价以及市场情绪[26]。 * **因子具体构建过程**： 1. 获取指定交易日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. 计算该交易日大宗交易的总成交金额和总成交份额[26]。 3. 根据总成交份额和该股票当日的市价（通常为收盘价），计算这些份额对应的总市值。 4. 计算折价率，公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ [26] * 公式说明：该值为负表示折价交易，绝对值越大表示折价越深。 4. **因子名称：股指期货年化贴水率** * **因子构建思路**：通过计算股指期货价格相对于现货指数价格的年化基差，来反映市场对未来走势的预期、对冲成本以及套利机会[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. 计算基差：基差 = 股指期货价格 - 现货指数价格[28]。 3. 获取该期货合约的剩余交易日数。 4. 计算年化贴水率，公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ [28] * 公式说明：该值为正表示期货升水，为负表示期货贴水。年化处理便于不同期限合约间的比较。 因子的回测效果 *本报告为市场监测日报，主要展示各指标在特定日期（2025年12月11日及附近）的截面数据或时间序列点位，未提供基于历史数据的因子分组回测绩效指标（如年化收益、夏普比率、IC值等）。因此，此处列出报告中提及的因子在观测日的具体数值。* 1. **封板率因子**，2025年12月11日取值：55%[17] 2. **连板率因子**，2025年12月11日取值：17%[17] 3. **大宗交易折价率因子**，2025年12月10日取值：9.03%[26]；近半年平均值：6.62%[26] 4. **股指期货年化贴水率因子** * **上证50股指期货**，2025年12月11日取值：10.12%[28]；近一年中位数：0.78%[28] * **沪深300股指期货**，2025年12月11日取值：11.52%[28]；近一年中位数：3.67%[28] * **中证500股指期货**，2025年12月11日取值：5.00%[28]；近一年中位数：11.22%[28] * **中证1000股指期货**，2025年12月11日取值：4.21%[28]；近一年中位数：13.67%[28]

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**：通过构建一个多维度指标体系，对申万一级行业指数的拥挤度进行每日监测，以识别行业交易过热或过冷的状态[3]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤、所采用的指标维度及合成方法。 2. **模型名称：溢价率Z-score模型**[4] * **模型构建思路**：通过计算ETF产品溢价率的历史Z-score值，来识别当前溢价率是否处于统计意义上的异常水平，从而筛选存在潜在套利机会或回调风险的ETF标的[4]。 * **模型具体构建过程**：报告未详细说明该模型的具体计算窗口期、Z-score阈值设定等构建细节。其核心公式应为： $$ Z = \frac{P - \mu}{\sigma} $$ 其中，\(P\)代表当前溢价率，\(\mu\)代表滚动窗口期内的历史溢价率均值，\(\sigma\)代表滚动窗口期内的历史溢价率标准差。 量化因子与构建方式 1. **因子名称：行业拥挤度**[3] * **因子构建思路**：综合多个市场维度（报告未明确具体维度，可能包括交易量、价格动量、资金流向等）构建一个衡量行业交易拥挤程度的综合指标[3]。 * **因子具体构建过程**：报告未提供该因子的具体构建过程和合成公式。 2. **因子名称：溢价率Z-score**[4] * **因子构建思路**：将ETF的实时溢价率与其自身历史表现进行标准化比较，得到一个表征当前溢价率偏离历史正常水平的统计值[4]。 * **因子具体构建过程**：作为溢价率Z-score模型的核心输出，其计算过程与上述模型公式一致，即对滚动窗口期内的历史溢价率序列进行标准化处理，得到当前溢价率的Z-score值。 模型的回测效果 （报告中未提供量化模型的回测效果指标数据） 因子的回测效果 （报告中未提供量化因子的回测效果指标数据）

量化模型与因子总结 量化因子与构建方式 1. **因子名称：风险溢价因子**[28] * **因子构建思路**：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，用于衡量其相对投资价值和偏离情况[28]。 * **因子具体构建过程**：风险溢价的计算公式为指数收益率减去无风险利率。报告中具体展示了各宽基指数相对于十年期国债即期收益率的风险溢价，并计算了其近1年和近5年的历史分位值[32]。公式可表示为： $$风险溢价 = 指数收益率 - 无风险利率$$ 其中，无风险利率采用十年期国债即期收益率。 2. **因子名称：股债性价比因子**[47] * **因子构建思路**：以各指数市盈率（PE-TTM）的倒数代表股票的潜在收益率，减去十年期国债即期收益率，得到股债利差，用于比较股票与债券的相对吸引力[47]。 * **因子具体构建过程**：股债性价比的计算公式为指数市盈率（PE-TTM）的倒数与十年期国债即期收益率之差[47]。公式可表示为： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 报告中通过该因子的历史走势图，结合近5年数据的80分位值（机会值）和20分位值（危险值）进行观察[47]。 3. **因子名称：股息率因子**[49] * **因子构建思路**：股息率反映现金分红回报率，是红利投资风格的核心指标，用于跟踪各指数的现金分红回报情况及其变化趋势[49]。 * **因子具体构建过程**：股息率通常计算为每股股息除以每股股价。报告中直接列出了各宽基指数的当前股息率数值，并计算了其近1年、近5年及全部历史的分位值[54]。 4. **因子名称：破净率因子**[55] * **因子构建思路**：破净率指市净率小于1的个股数量占比，用于反映市场整体的估值态度和悲观程度，破净率越高通常意味着市场低估越普遍[55][57]。 * **因子具体构建过程**：首先识别指数成分股中市净率（PB）小于1的个股，然后计算其数量占指数总成分股数量的比例[55]。公式可表示为： $$破净率 = \frac{市净率(PB) < 1的个股数量}{指数总成分股数量} \times 100\%$$ 报告中列出了各宽基指数在特定日期的破净率具体数值[58]。 5. **因子名称：指数换手率因子**[18] * **因子构建思路**：计算各宽基指数的整体换手率，用于衡量对应市场的交易活跃度和流动性情况[18]。 * **因子具体构建过程**：指数换手率采用流通市值加权平均的方式计算，具体公式为[18]： $$指数换手率 = \frac{\sum(成分股流通股本 \times 成分股换手率)}{\sum(成分股流通股本)}$$ 6. **因子名称：收益分布形态因子（偏度与峰度）**[24][26] * **因子构建思路**：通过计算指数日收益率分布的偏度和峰度，描述收益分布的不对称性和尖峰肥尾特征，以反映市场极端收益出现的可能性和分布集中程度[24][26]。 * **因子具体构建过程**： * **偏度**：衡量分布不对称性。正偏态表示极端正收益情形增加[24]。报告中计算了当前偏度与近5年偏度的差值[26]。 * **峰度**：衡量分布尾部厚度和尖峰程度。报告中在计算时减去了3（正态分布的峰度值），因此“峰度负偏离”表示当前分布比近5年基准更平坦[26]。公式可表示为： $$超额峰度 = 样本峰度 - 3$$ 因子的回测效果 （注：本报告主要为市场数据跟踪与统计，未提供基于历史数据的严格因子回测绩效指标，如年化收益率、夏普比率、信息比率(IR)等。以下为报告中给出的各因子在特定时点（2025年12月10日）的截面数据或统计值。） 1. **风险溢价因子**，当前风险溢价：上证50(-0.32%)、沪深300(-0.15%)、中证500(0.48%)、中证1000(0.37%)、中证2000(0.17%)、中证全指(0.10%)、创业板指(-0.03%)[32]；近5年分位值：上证50(36.98%)、沪深300(44.76%)、中证500(68.41%)、中证1000(60.08%)、中证2000(50.56%)、中证全指(54.60%)、创业板指(51.90%)[32] 2. **股债性价比因子**，观察结论：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] 3. **股息率因子**，当前值：上证50(3.33%)、沪深300(2.73%)、中证500(1.37%)、中证1000(1.12%)、中证2000(0.75%)、中证全指(2.02%)、创业板指(0.99%)[54]；近5年分位值：上证50(37.11%)、沪深300(37.11%)、中证500(15.37%)、中证1000(45.21%)、中证2000(9.17%)、中证全指(35.70%)、创业板指(66.28%)[54] 4. **破净率因子**，当前值：上证50(24.0%)、沪深300(16.33%)、中证500(12.0%)、中证1000(8.1%)、中证2000(3.1%)、创业板指(1.0%)、中证全指(6.24%)[58] 5. **指数换手率因子**，当前值：中证2000(4.21)、中证1000(2.21)、创业板指(2.05)、中证全指(1.61)、中证500(1.35)、沪深300(0.52)、上证50(0.24)[18] 6. **收益分布形态因子（偏度与峰度）**，当前vs近5年峰度差：上证50(-2.11)、沪深300(-1.80)、中证500(-2.14)、中证1000(-1.35)、中证2000(-1.64)、中证全指(-1.83)、创业板指(-2.29)[26]；当前vs近5年偏度差：上证50(-0.58)、沪深300(-0.45)、中证500(-0.55)、中证1000(-0.36)、中证2000(-0.38)、中证全指(-0.45)、创业板指(-0.57)[26]

量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[41] * **模型构建思路**：为了准确计算股指期货的升贴水，必须考虑指数成分股分红除息导致价格指数点位自然滑落的影响。该模型旨在精确预测从当前时刻到股指期货合约到期日之间，指数因成分股分红而累计下跌的点数[11][41]。 * **模型具体构建过程**：模型的核心是计算在特定时间段内，所有成分股分红对指数点位的总影响。具体流程如下[41][42]： 1. **确定计算范围**：假设当前日期为 `t`，股指期货合约到期日为 `T`。对于指数中第 `n` 只成分股，其除权除息日需满足 `t < 除息日 ≤ T`[41]。 2. **计算总分红点数**：指数在 `t` 到 `T` 期间的分红点数计算公式为： $$分红点数 = \sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$$ 其中，`N` 为指数成分股数量，求和仅包含在 `t` 到 `T` 期间有分红的股票[41]。 3. **获取与预测核心输入数据**：公式中所需数据（成分股权重、分红金额等）的获取与预测方法如下： * **成分股权重**：采用中证指数公司每日披露的日度收盘权重数据，以确保准确性，避免因指数调整、个股行为导致估算偏差[46]。 * **分红金额**：若公司已公布分红金额，则直接采用；否则需进行估计。分红金额可分解为：`分红金额 = 净利润 × 股息支付率`[47]。 * **净利润预测**：采用“基于历史净利润分布的动态预测法”。若公司已公布年报、快报或业绩预告，则直接采用（业绩预告取上下限均值）；否则，根据公司历史季度盈利分布的稳定性进行分类预测[48][50]。 * **股息支付率预测**：采用历史数据平均进行预测。具体规则为：若去年分红，则用去年股息支付率；若去年不分红，则用最近3年平均；若从未分红，则默认不分红；预测值大于100%时进行截尾处理[51][53]。 * **除息日预测**：采用“基于历史间隔天数稳定性的线性外推法”。若已公布则直接采用；否则，根据公司是否已公布预案、所处阶段（预案/决案）以及历史公告日到除息日的间隔天数的稳定性，进行线性外推或采用历史分红日期；若无合理参考，则根据多数公司分红时间规律设置默认日期（如7月31日、8月31日或9月30日）[51][56]。 * **模型评价**：该模型通过精细化处理成分股权重、净利润、股息支付率和除息日等关键输入，实现了对指数分红点位的准确预测。回测显示，其对上证50和沪深300指数的预测误差较小，对中证500指数的预测也基本稳定[61]。 模型的回测效果 1. **股指分红点位测算模型**，2023年预测股息点与实际股息点误差：上证50指数和沪深300指数基本在5个点左右，中证500指数基本在10个点左右[61]。 2. **股指分红点位测算模型**，2024年预测股息点与实际股息点误差：上证50指数和沪深300指数基本在5个点左右，中证500指数基本在10个点左右[61]。 3. **股指分红点位测算模型**，对股指期货合约的预测效果：上证50和沪深300股指期货预测效果最好，中证500股指期货的预测偏离度稍大[61]。 量化因子与构建方式 1. **因子名称：已实现股息率**[3][17] * **因子构建思路**：衡量指数成分股中，在计算时点之前已经完成现金分红的公司，其分红总额相对于指数总市值的比率，反映已落袋为安的分红收益[17]。 * **因子具体构建过程**：计算截至某一时点，指数中所有已现金分红公司的累计分红总额与指数总市值的比值。公式表示为： $$已实现股息率 = \frac{\sum_{i=1}^{N1} (成分股i的分红金额)}{\sum_{i=1}^{N1} (成分股i的总市值)}$$ 其中，`N1` 表示指数成分股中今年已现金分红的公司数量[17]。 2. **因子名称：剩余股息率**[3][17] * **因子构建思路**：衡量指数成分股中，在计算时点之后预计还将进行现金分红的公司，其预测分红总额相对于指数总市值的比率，反映未来潜在的分红收益[17]。 * **因子具体构建过程**：计算截至某一时点，指数中所有尚未现金分红但预计会分红的公司的预测分红总额与指数总市值的比值。公式表示为： $$剩余股息率 = \frac{\sum_{j=1}^{N2} (成分股j的预测分红金额)}{\sum_{j=1}^{N2} (成分股j的总市值)}$$ 其中，`N2` 表示指数成分股中尚未现金分红的公司数量[17]。 3. **因子名称：年化升贴水率**[4][13] * **因子构建思路**：在扣除指数分红影响后，计算股指期货价格相对于其标的指数价格的偏离程度，并进行年化处理，以衡量期货合约的交易情绪和相对价值[11]。 * **因子具体构建过程**： 1. 首先计算扣除分红影响后的期货合约与指数的价差（含分红价差）。 2. 然后计算升贴水幅度：`升贴水 = 含分红价差 / 指数收盘价`。 3. 最后进行年化：`年化升贴水 = 升贴水 × (365 / 到期天数)`[13]。 因子的回测效果 1. **已实现股息率**，截至2025年12月10日取值：上证50指数为2.52%，沪深300指数为2.04%，中证500指数为1.25%，中证1000指数为0.96%[3]。 2. **剩余股息率**，截至2025年12月10日取值：上证50指数为0.42%，沪深300指数为0.24%，中证500指数为0.03%，中证1000指数为0.01%[3]。 3. **年化升贴水率**，截至2025年12月10日主力合约取值：IH为-4.55%，IF为-11.45%，IC为-18.74%，IM为-19.97%[4][13]。

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[16] **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，来衡量涨停板的封板质量或市场追涨情绪[16] **因子具体构建过程**：筛选上市满3个月以上的股票，统计在特定交易日中，最高价曾达到涨停价的股票数量，以及在这些股票中收盘价仍为涨停价的股票数量，两者相除得到封板率[16] **因子计算公式**：$$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[16] **因子评价**：该指标反映了市场追涨资金的坚决程度，封板率越高，通常意味着涨停板的有效性或市场情绪越强[16] 2. **因子名称**：连板率[16] **因子构建思路**：通过计算连续两个交易日收盘涨停的股票数量占前一日收盘涨停股票总数的比例，来衡量市场涨停效应的持续性[16] **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（T日）收盘涨停的股票数量，以及这些股票中在下一个交易日（T+1日）收盘也涨停的股票数量，后者除以前者得到连板率[16] **因子计算公式**：$$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[16] **因子评价**：该指标反映了市场短线炒作热度的延续性，连板率越高，表明市场赚钱效应和投机情绪越强[16] 3. **因子名称**：大宗交易折价率[25] **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，来反映大资金交易的折价水平，可作为观察机构或大股东交易情绪与偏好的指标[25] **因子具体构建过程**：收集每日大宗交易数据，包括每笔交易的成交金额和成交数量。计算所有大宗交易的总成交金额。同时，根据每笔交易的成交数量和该股票当日的收盘价（或成交均价）计算该笔交易若在二级市场成交的理论市值，并求和得到当日成交份额的总市值。最后计算折价率[25] **因子计算公式**：$$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[25] **因子评价**：折价率的高低能在一定程度上反映大资金的投资偏好和市场情绪，通常折价率越高，表明卖出方让利意愿越强或买方议价能力越高，可能隐含了对后市的谨慎看法[25] 4. **因子名称**：股指期货年化贴水率[27] **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，来衡量市场对未来走势的预期以及股指对冲的成本[27] **因子具体构建过程**：选取上证50、沪深300、中证500、中证1000等股指期货的主力合约。计算基差（股指期货价格 - 现货指数价格）。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。当结果为负时，表示贴水；为正时，表示升水[27] **因子计算公式**：$$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[27] **因子评价**：该指标综合反映了金融市场利率、股市分红、微观资金成本、套利力量和市场情绪等因素。贴水率的高低会影响利用股指期货进行对冲的成本，其变化也能在一定程度上反映市场对未来预期的乐观或悲观程度[27] 模型的回测效果 1. **无相关模型回测结果** 因子的回测效果 1. **封板率因子**：2025年12月10日，封板率取值为65%[16] 2. **连板率因子**：2025年12月10日，连板率取值为30%[16] 3. **大宗交易折价率因子**： * 近半年以来平均折价率取值为6.60%[25] * 2025年12月09日，当日折价率取值为10.95%[25] 4. **股指期货年化贴水率因子**： * **上证50股指期货**：近一年年化贴水率中位数取值为0.70%；2025年12月10日，当日年化贴水率取值为9.37%，处于近一年来9%分位点[27] * **沪深300股指期货**：近一年年化贴水率中位数取值为3.66%；2025年12月10日，当日年化贴水率取值为13.71%，处于近一年来4%分位点[27] * **中证500股指期货**：近一年年化贴水率中位数取值为11.22%；2025年12月10日，当日年化贴水率取值为16.87%，处于近一年来21%分位点[27] * **中证1000股指期货**：近一年年化贴水率中位数取值为13.67%；2025年12月10日，当日年化贴水率取值为17.76%，处于近一年来29%分位点[27]

量化模型与因子总结 量化因子与构建方式 1. 价格区间因子 * **因子名称**：价格区间因子 * **构建思路**：衡量股票在日内不同价格区间成交的活跃程度，以体现投资者对未来走势的预期[3]。具体而言，高价格区间成交越不活跃，或低价格区间大资金越活跃，股票未来上涨可能性越大[12]。 * **具体构建过程**： 1. 使用高频三秒快照数据[12]。 2. 构建三个细分因子： * **高价格80%区间成交量因子 (VH80TAW)**：衡量股票在日内高价格80%区间的成交量活跃度，与未来收益呈负相关[12]。 * **高价格80%区间成交笔数因子 (MIH80TAW)**：衡量股票在日内高价格80%区间的成交笔数活跃度，与未来收益呈负相关[12]。 * **低价格10%区间每笔成交量因子 (VPML10TAW)**：衡量股票在日内低价格10%区间的平均每笔成交量，与未来收益呈正相关[12]。 3. 以25%、25%和50%的权重对上述三个细分因子进行合成[14]。 4. 对合成后的因子进行行业和市值中性化处理[14]。 * **因子评价**：该因子展现出了较强的预测效果，在样本外表现出色，超额净值曲线稳定向上，今年以来表现比较稳定[3][16]。 2. 量价背离因子 * **因子名称**：量价背离因子 * **构建思路**：衡量股票价格与成交量的相关性，当量价出现背离时（相关性低），无论股价处于上升或下降通道，未来上涨的可能性均较高[20]。 * **具体构建过程**： 1. 利用高频快照数据[20]。 2. 分别计算快照成交价与快照成交量、成交笔数、每笔成交量的相关性[20]。 3. 选取在周频调仓下表现较好的两个细分因子： * **价格与成交笔数的相关性因子 (CorrPM)**[20] * **价格与成交量的相关性因子 (CorrPV)**[20] 4. 对上述两个细分因子进行等权合成[20]。 5. 对合成后的因子进行行业和市值中性化处理[20]。 * **因子评价**：该因子近几年表现不太稳定，多空净值曲线趋近走平，但去年超额收益处于历史较高水平，今年以来表现良好[3][22]。 3. 遗憾规避因子 * **因子名称**：遗憾规避因子 * **构建思路**：基于行为金融学的遗憾规避理论，考察投资者卖出股票后股价反弹的比例和程度。卖出后反弹占比越高或反弹程度越大，表明投资者遗憾情绪越强，股票未来预期收益更低[23]。 * **具体构建过程**： 1. 利用逐笔成交数据区分每笔交易的主动买卖方向[23]。 2. 在加入小单和尾盘交易限制后，因子表现有进一步提升[23]。 3. 选取在周频调仓下表现较好的两个细分因子： * **卖出反弹占比因子 (LCVOLESW)**[23] * **卖出反弹偏离因子 (LCPESW)**[23] 4. 对上述两个细分因子进行等权合成[28]。 5. 对合成后的因子进行行业和市值中性化处理[28]。 * **因子评价**：该因子展现了较好的预测效果，样本外超额收益稳定，表明A股投资者的遗憾规避情绪会显著影响股价预期收益[3][31]。 4. 斜率凸性因子 * **因子名称**：斜率凸性因子 * **构建思路**：从投资者耐心与供求关系弹性的角度出发，利用限价订单簿数据计算买卖双方的订单簿斜率。买方斜率越大（需求弹性小）或卖方斜率越小（供给弹性大），表明投资者对价格不敏感或不愿轻易降价，对应股票更高的预期收益[32]。 * **具体构建过程**： 1. 使用高频快照数据中的限价订单簿信息[32]。 2. 将委托量数据按照档位累加，用委托价和累计委托量计算买卖双方的订单簿斜率[32]。 3. 区分高档位和低档位投资者斜率因子，并根据两者的反向关系构建斜率凸性因子[32]。 4. 提取两个细分因子进行合成： * **低档斜率因子 (Slope_abl)**[32] * **高档位卖方凸性因子 (Slope_alh)**[32] 5. 对上述两个细分因子进行等权合成[35]。 6. 对合成后的因子进行行业和市值中性化处理[35]。 * **因子评价**：该因子自2016年以来收益保持平稳趋势，但在样本外整体表现比较平淡[35]。 5. 高频“金”组合合成因子 * **因子/模型名称**：高频“金”组合合成因子（用于构建中证1000指数增强策略） * **构建思路**：将多个有效的单一高频因子合成，以构建综合性的选股模型[3]。 * **具体构建过程**：将上述**价格区间因子**、**量价背离因子**、**遗憾规避因子**三类高频因子进行等权合成[3]。 6. 高频&基本面共振组合合成因子 * **因子/模型名称**：高频&基本面共振组合合成因子（用于构建中证1000指数增强策略） * **构建思路**：结合相关性较低的高频因子与基本面因子，以提升多因子投资组合的表现[44]。 * **具体构建过程**：将高频“金”组合合成因子（包含上述三类高频因子）与三个比较有效的基本面因子（一致预期、成长、技术因子）进行等权合成[44]。 量化模型的回测效果 1. 高频“金”组合中证1000指数增强策略 * **模型名称**：高频“金”组合中证1000指数增强策略 * **构建思路**：基于合成的高频“金”组合因子构建指数增强策略[39]。 * **具体构建过程**： 1. 使用高频“金”组合合成因子进行选股。 2. 策略调仓频率为周度，基准为中证1000指数[39]。 3. 手续费率为单边千分之二[39]。 4. 加入换手率缓冲机制以降低调仓成本[39]。 * **模型评价**：该策略在样本外表现出色，有着较强的超额收益水平[43]。 * **测试结果**： * 年化收益率：9.49%[40] * 年化波动率：23.87%[40] * Sharpe比率：0.40[40] * 最大回撤率：47.77%[40] * 双边换手率（周度）：14.66%[40] * 年化超额收益率：10.11%[40] * 跟踪误差：4.29%[40] * 信息比率(IR)：2.36[40] * 超额最大回撤：6.04%[40] * 上周超额收益：0.13%[3][43] * 本月以来超额收益：0.13%[3][43] * 今年以来超额收益：7.16%[3][43] 2. 高频&基本面共振组合中证1000指数增强策略 * **模型名称**：高频&基本面共振组合中证1000指数增强策略 * **构建思路**：基于合成的高频&基本面共振组合因子构建指数增强策略[44]。 * **具体构建过程**： 1. 使用高频&基本面共振组合合成因子进行选股。 2. 策略基准为中证1000指数[44]。 * **模型评价**：加入基本面因子后的指数增强策略各项业绩指标均有一定程度提升，在样本外表现稳定，有着较强的超额收益水平[44][48]。 * **测试结果**： * 年化收益率：13.66%[47] * 年化波动率：23.49%[47] * Sharpe比率：0.58[47] * 最大回撤率：39.60%[47] * 双边换手率（周度）：22.54%[47] * 年化超额收益率：14.21%[47] * 跟踪误差：4.19%[47] * 信息比率(IR)：3.39[47] * 超额最大回撤：4.52%[47] * 上周超额收益：0.35%[4][48] * 本月以来超额收益：0.35%[4][48] * 今年以来超额收益：7.03%[4][48] 量化因子的回测效果 （注：以下因子表现均为在中证1000指数成分股内，经过行业市值中性化处理后的结果[11]） 1. 价格区间因子 * **多空收益率**： * 上周：-0.88%[13] * 本月以来：-0.88%[13] * 今年以来：12.91%[13] * **多头超额收益率**： * 上周：-0.51%[2][13] * 本月以来：-0.51%[2][13] * 今年以来：4.98%[2][13] 2. 量价背离因子 * **多空收益率**： * 上周：1.73%[11][13] * 本月以来：1.73%[13] * 今年以来：16.24%[13] * **多头超额收益率**： * 上周：0.37%[2][13] * 本月以来：0.37%[2][13] * 今年以来：4.93%[2][13] 3. 遗憾规避因子 * **多空收益率**： * 上周：-0.13%[11][13] * 本月以来：-0.13%[13] * 今年以来：14.72%[13] * **多头超额收益率**： * 上周：0.03%[2][13] * 本月以来：0.03%[2][13] * 今年以来：-1.00%[2][13] 4. 斜率凸性因子 * **多头超额收益率**： * 上周：-0.35%[2] * 本月以来：-0.35%[2] * 今年以来：-6.11%[2] 5. 价格区间细分因子 * **高价格80%区间成交量因子 (VH80TAW)**： * 多空收益率（今年以来）：17.55%[12] * 多头超额收益率（上周）：-0.52%[12] * 多头超额收益率（本月以来）：-0.52%[12] * 多头超额收益率（今年以来）：5.64%[12] * **高价格80%区间成交笔数因子 (MIH80TAW)**： * 多空收益率（今年以来）：20.58%[12] * 多头超额收益率（上周）：-0.39%[12] * 多头超额收益率（本月以来）：-0.39%[12] * 多头超额收益率（今年以来）：7.15%[12] * **低价格10%区间每笔成交量因子 (VPML10TAW)**： * 多空收益率（今年以来）：2.81%[12] * 多头超额收益率（上周）：0.08%[12] * 多头超额收益率（本月以来）：0.08%[12] * 多头超额收益率（今年以来）：0.36%[12] 6. 量价背离细分因子 * **价格与成交笔数相关性因子 (CorrPM)**： * 多空收益率（上周）：2.60%[20] * 多空收益率（本月以来）：2.60%[20] * 多空收益率（今年以来）：28.03%[20] * 多头超额收益率（上周）：0.50%[20] * 多头超额收益率（本月以来）：0.50%[20] * 多头超额收益率（今年以来）：8.80%[20] * **价格与成交量相关性因子 (CorrPV)**： * 多空收益率（上周）：2.92%[20] * 多空收益率（本月以来）：2.92%[20] * 多空收益率（今年以来）：24.47%[20] * 多头超额收益率（上周）：0.52%[20] * 多头超额收益率（本月以来）：0.52%[20] * 多头超额收益率（今年以来）：10.71%[20] 7. 遗憾规避细分因子 * **卖出反弹占比因子 (LCVOLESW)**： * 多空收益率（上周）：0.10%[23] * 多空收益率（本月以来）：0.10%[23] * 多空收益率（今年以来）：-1.16%[23] * 多头超额收益率（上周）：-0.08%[26] * 多头超额收益率（本月以来）：-0.08%[26] * 多头超额收益率（今年以来）：-4.73%[26] * **卖出反弹偏离因子 (LCPESW)**： * 多空收益率（上周）：1.10%[23] * 多空收益率（本月以来）：1.10%[23] * 多空收益率（今年以来）：21.87%[23] * 多头超额收益率（上周）：0.17%[26] * 多头超额收益率（本月以来）：0.17%[26] * 多头超额收益率（今年以来）：-1.88%[26] 8. 斜率凸性细分因子 * **低档斜率因子 (Slope_abl)**： * 多空收益率（上周）：-0.92%[34] * 多空收益率（本月以来）：-0.92%[34] * 多空收益率（今年以来）：-5.51%[34] * 多头超额收益率（上周）：-0.51%[34] * 多头超额收益率（本月以来）：-0.51%[34] * 多头超额收益率（今年以来）：-9.82%[34] * **高档位卖方凸性因子 (Slope_alh)**： * 多空收益率（上周）：0.25%[34] * 多空收益率（本月以来）：0.25%[34] * 多空收益率（今年以来）：-13.42%[34] * 多头超额收益率（上周）：0.64%[34] * 多头超额收益率（本月以来）：0.64%[34] * 多头超额收益率（今年以来）：-4.05%[34]

量化模型与构建方式 1. 模型名称：Barra CNE6 纯因子风险模型 - **模型构建思路**：Barra风险模型是一种多因子模型，旨在对资产收益率进行降维，以方便计算资产间的协方差矩阵，为投资组合的风险管理和优化提供依据[3]。该模型通过构建“纯因子组合”来评估因子收益率的实际大小，该组合对目标因子的暴露为1，对其他所有因子的暴露为0[3][19]。 - **模型具体构建过程**： 1. **基础模型设定**：在截面t，资产的收益率满足多元线性回归模型： $$R_{t}=\alpha+\beta\lambda_{t}+\varepsilon_{t}$$[9] 其中，$R_t$为N个资产的收益率向量，$\beta$为因子暴露矩阵，$\lambda_t$为因子收益率向量，$\varepsilon_t$为残差向量[9]。 2. **因子暴露标准化**：Barra对风格因子暴露进行市值加权标准化，以确保市场组合对所有风格因子中性（暴露为0）。标准化公式为： $$\widehat{\boldsymbol{\beta}_{t-1}^{j}}=\frac{{\boldsymbol{\beta}_{t-1}^{j}}-\frac{\sum_{i}^{N}s_{i,t-1}\beta_{i,t-1}^{j}}{\sum_{i}^{N}s_{i,t-1}}}{s t d({\boldsymbol{\beta}_{t-1}^{j}})}\,,j=1,\ldots,k$$[18] 其中，$s_{i,t-1}$为个股i在t-1时刻的流通市值[18]。 3. **处理共线性约束**：为解决国家因子与行业因子间的共线性，对行业因子收益率施加约束： $\sum_{i=1}^{P}s_{I_{i}}\lambda_{i}^{I_{i}}=0$[18] 其中，$s_{I_i}$是所有属于行业$I_i$的股票流通市值之和[18]。由此可推导出约束矩阵$C_t$，使得因子收益率$\lambda_t = C_t \gamma_t$[22]。 4. **处理异方差问题**：采用加权最小二乘法，假设个股特异性收益率方差与其市值平方根成反比，权重矩阵$W$为对角阵，其元素$w_{ii} = 1/\sqrt{s_i}$[20][22]。 5. **模型求解**：结合约束条件和加权矩阵，最终因子收益率的估计量为： $$\lambda_{t}=C_{t}(C_{t}\beta_{t-1}W^{-1}\beta_{t-1}C_{t})^{-1}C_{t}\beta_{t-1}W^{-1}R_{t}$$[25] 该式表明因子收益率可视为一篮子股票投资组合（即纯因子组合）的收益率[25]。 - **模型评价**：该模型通过带约束的加权最小二乘法解决了因子间的共线性与异方差问题，得到的纯因子组合能更纯净地评估因子收益[3][107]。但纯因子组合未考虑卖空等现实投资约束，可投资性较低[19]。 2. 因子名称：大类风格因子（共8类） - **因子的构建思路**：报告在Barra CNE6（CNTR）模型的基础上，受限于数据可得性，剔除了与分析师预期相关的因子，将剩余的二级、三级风格因子等权合成为8个大类一级因子，用于构建纯因子模型并进行检验[26][108]。 - **因子具体构建过程**： 1. **因子选取**：从Barra CNE6的9个大类因子中剔除Sentiment（情绪）因子，最终使用8个大类因子：Size（规模）、Volatility（波动率）、Liquidity（流动性）、Momentum（动量）、Quality（质量）、Value（价值）、Growth（成长）、Dividend Yield（股息率）[26][108]。 2. **数据清洗与标准化**： - **去极值**：采用3倍绝对中位差法处理极端值[31]。 - **标准化**：先进行截面Z-Score标准化：$\tilde{\beta}_i = (\beta_i - median(\boldsymbol{\beta})) / mad(\boldsymbol{\beta})$[31]。 - **市值中性化**：对标准化后的风格因子进行市值加权标准化，使其满足 $\sum_{i=1}^{N}\beta_{i}^{q}\,s_{i}=0$，以确保市场组合风格中性[32]。 3. **合成方法**：由于Barra未提供子因子合成权重，报告对所有子级因子采用等权合成的方式得到大类因子[26]。 模型的回测效果 1. **Barra CNE6 纯因子模型**，全样本回归 $R^2$ 均值约为 **11.45%**[71][108]。 2. **残差因子**，作为选股因子，中间层第5组年化收益达 **17.98%**，夏普比率为 **0.68**；第5组相较于第10组的超额年化收益为 **13.58%**，超额夏普比率为 **1.50**[82][108]。 量化因子与构建方式 （注：报告详细构建并测试了8个大类风格因子，其构建思路和过程已在上述“大类风格因子”部分统一描述。此处列出各因子名称及部分三级因子定义作为补充。） 1. 因子名称：Size（规模） - **三级因子**：LNCAP（流通市值的自然对数）、MIDCAP（中市值，由Size因子暴露立方正交化后处理得到）[114]。 2. 因子名称：Volatility（波动率） - **三级因子**： - Beta：股票收益率对沪深300收益率进行252交易日（半衰期63日）时间序列回归的系数[114]。 - Hist sigma：上述回归残差收益率的波动率[114]。 - Daily std：日收益率在过去252个交易日（半衰期42日）的波动率[114]。 - Cumulative range：过去12个月累积对数收益率的范围（最大值减最小值）[114]。 3. 因子名称：Liquidity（流动性） - **三级因子**： - Monthly share turnover：最近21个交易日股票换手率之和的对数[114]。 - Quarterly share turnover：过去3个月月换手率指数平均值的对数[114]。 - Annual share turnover：过去12个月月换手率指数平均值的对数[114]。 - Annualized traded value ratio：日换手率在252个交易日（半衰期63日）内的加权求和[114]。 4. 因子名称：Momentum（动量） - **三级因子**： - Short Term reversal：最近一个月（21个交易日，半衰期5日）的加权累积对数日收益率[114]。 - Seasonality：过去五年对应月份收益率的平均值[114]。 - Industry Momentum：个股相对于其所属中信一级行业的强度[114]。 - Relative strength & Historical alpha：动量相关指标[114]。 5. 因子名称：Quality（质量） - **三级因子**：涵盖杠杆（Market Leverage, Book Leverage, Debt to asset ratio）、盈利波动性（Variation in Sales, Earnings, Cash-Flows）、盈利质量（Accruals）、盈利能力（Asset turnover, Gross profitability, Return on assets等）、投资质量（Total Assets Growth Rate等）多个维度[29]。 6. 因子名称：Value（价值） - **三级因子**：主要包括账面市值比、盈余价格比、现金流价格比、企业价值倍数等估值指标，以及长期反转因子[29]。 7. 因子名称：Growth（成长） - **三级因子**：历史每股收益增长率和历史每股销售收入增长率[29]。 8. 因子名称：Dividend Yield（股息率） - **三级因子**：股息价格比[29]。 因子的回测效果 （以下为**大类风格因子单因子分层回测**表现，数据来源于表2[64]） 1. **Growth因子**，Rank IC **-0.63%**，RankICIR **-0.119**，RankIC>0比例 **44.02%**，t值 **7.36**，单调性 **37.54%**[64]。 2. **Momentum因子**，Rank IC **-1.25%**，RankICIR **-0.090**，RankIC>0比例 **45.74%**，t值 **5.59**，单调性 **72.14%**[64]。 3. **Volatility因子**，Rank IC **-0.83%**，RankICIR **-0.047**，RankIC>0比例 **47.15%**，t值 **2.88**，单调性 **86.26%**[64]。 4. **DividendYield因子**，Rank IC **-0.30%**，RankICIR **-0.035**，RankIC>0比例 **46.71%**，t值 **2.15**，单调性 **90.82%**[64]。 5. **Size因子**，Rank IC **0.16%**，RankICIR **0.026**，RankIC>0比例 **50.21%**，t值 **1.59**，单调性 **43.50%**[64]。 6. **Value因子**，Rank IC **0.35%**，RankICIR **0.024**，RankIC>0比例 **50.39%**，t值 **1.47**，单调性 **74.12%**[64]。 7. **Quality因子**，Rank IC **0.24%**，RankICIR **0.022**，RankIC>0比例 **50.44%**，t值 **1.38**，单调性 **36.12%**[64]。 8. **Liquidity因子**，Rank IC **0.28%**，RankICIR **0.016**，RankIC>0比例 **50.60%**，t值 **1.01**，单调性 **92.27%**[64]。 （以下为**大类风格因子纯因子组合**回测表现，数据来源于表3[76]） 1. **Size因子**，年化收益 **-2.75%**，年化波动 **0.026**，最大回撤 **35.53%**，夏普比率 **-1.08**，VIF **1.21**，t均值 **2.31***，t值>2比例 **45.16%**[76]。 2. **Volatility因子**，年化收益 **1.93%**，年化波动 **0.049**，最大回撤 **12.43%**，夏普比率 **0.39**，VIF **1.10**，t均值 **3.50***，t值>2比例 **62.53%**[76]。 3. **Liquidity因子**，年化收益 **-5.90%**，年化波动 **0.033**，最大回撤 **60.88%**，夏普比率 **-1.81**，VIF **1.26**，t均值 **2.39***，t值>2比例 **46.68%**[76]。 4. **Momentum因子**，年化收益 **-5.57%**，年化波动 **0.042**，最大回撤 **58.64%**，夏普比率 **-1.32**，VIF **1.11**，t均值 **3.46***，t值>2比例 **62.14%**[76]。 5. **Growth因子**，年化收益 **-0.21%**，年化波动 **0.015**，最大回撤 **9.24%**，夏普比率 **-0.15**，VIF **1.50**，t均值 **1.62**，t值>2比例 **30.01%**[76]。 6. **DividendYield因子**，年化收益 **-0.85%**，年化波动 **0.016**，最大回撤 **17.09%**，夏普比率 **-0.52**，VIF **1.19**，t均值 **1.53**，t值>2比例 **28.73%**[76]。 7. **Quality因子**，年化收益 **0.35%**，年化波动 **0.016**，最大回撤 **8.45%**，夏普比率 **0.23**，VIF **1.09**，t均值 **1.45**，t值>2比例 **26.66%**[76]。 8. **Value因子**，年化收益 **1.38%**，年化波动 **0.028**，最大回撤 **13.83%**，夏普比率 **0.49**，VIF **1.14**，t均值 **2.03***，t值>2比例 **38.96%**[76]。

量化模型与因子总结 量化因子与构建方式 1. **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，用于衡量其相对投资价值和偏离情况[31]。 * **因子具体构建过程**：风险溢价的计算公式为指数收益率减去无风险利率。报告中具体计算了各宽基指数相对于十年期国债即期收益率的风险溢价，并统计了其在不同时间窗口（近1年、近5年）内的均值、波动率及分位值[33][35]。公式可表示为： $$风险溢价 = 指数收益率 - 无风险利率$$ 其中，无风险利率采用十年期国债即期收益率。 2. **因子名称：股债性价比** * **因子构建思路**：以各指数市盈率（PE-TTM）的倒数代表股票的潜在收益率，与十年期国债即期收益率（代表债券收益率）进行比较，其差值用于衡量股票相对于债券的吸引力[50]。 * **因子具体构建过程**：股债性价比的计算公式为指数市盈率（PE-TTM）的倒数减去十年期国债即期收益率[50]。报告通过该指标观察其历史走势，并与近5年数据计算的80分位值（机会值）、20分位值（危险值）及均值进行比较[50]。公式可表示为： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 3. **因子名称：股息率** * **因子构建思路**：股息率反映现金分红回报率，是红利投资风格的核心指标。跟踪各指数的股息率，观察其走势和变化趋势，特别是在市场低迷或利率下行期的表现[52]。 * **因子具体构建过程**：股息率通常计算为成分股年度现金分红总额除以指数总市值。报告展示了各宽基指数的当前股息率，并统计了其近1年、近5年及历史分位值、均值、波动率等[57]。 4. **因子名称：破净率** * **因子构建思路**：破净率表示市净率小于1的个股数量占指数成分股总数的比例，用于反映市场整体的估值态度和悲观程度。破净率越高，表明市场低估情况越普遍；反之，可能表明市场对未来发展持乐观态度[59][61]。 * **因子具体构建过程**：首先识别指数中所有市净率（PB）小于1的成分股，然后计算其数量占指数成分股总数的百分比[59][62]。报告列出了各宽基指数在特定日期的破净率具体数值[62]。 5. **因子名称：指数相对均线位置** * **因子构建思路**：通过比较指数收盘价与不同周期的移动平均线（MA）的位置关系，来判断指数的短期、中期趋势强弱以及是否处于关键支撑或压力位附近[17]。 * **因子具体构建过程**：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[19]。公式为： $$相对均线位置 = \frac{收盘价 - 移动平均线}{移动平均线} \times 100\%$$ 报告在表格中展示了各宽基指数相对于多条均线的具体偏离百分比[19]。 6. **因子名称：收益分布形态（偏度与峰度）** * **因子构建思路**：通过分析指数日收益率分布的偏度和峰度，来刻画收益分布的不对称性和尖峰厚尾特征，从而评估极端收益出现的可能性和分布集中程度[26][27]。 * **因子具体构建过程**：计算指数日收益率序列的偏度和峰度统计量。报告中特别指出，其峰度计算减去了3（正态分布的峰度值），因此“当前峰度”和“近5年峰度”均为超额峰度[29]。报告对比了当前值与近5年历史值的差异（当前vs.近5年）[29]。 7. **因子名称：交易活跃度（换手率）** * **因子构建思路**：换手率是衡量市场交易活跃程度和流动性的重要指标。指数换手率综合反映了其成分股的整体交易活跃度[21]。 * **因子具体构建过程**：指数换手率的计算方式为成分股换手率的流通股本加权平均[21]。公式为： $$指数换手率 = \frac{\sum(成分股流通股本 \times 成分股换手率)}{\sum(成分股流通股本)}$$ 报告列出了各宽基指数在特定日期的换手率具体数值[21]。 8. **因子名称：估值分位（PE-TTM分位值）** * **因子构建思路**：将指数当前的市盈率（PE-TTM）置于其历史时间序列中，计算其所处的百分位位置，以判断当前估值在历史上的相对高低水平，作为估值参考[43][45]。 * **因子具体构建过程**：首先获取指数在特定历史窗口（如近1年、近5年或全部历史）的PE-TTM时间序列，然后将当前PE-TTM值与该序列比较，计算其分位值[47][48]。报告展示了各宽基指数PE-TTM的当前值及多个历史窗口的分位值[48]。 因子的回测效果 （注：本报告为市场数据跟踪报告，主要展示各因子在特定时点（2025年12月9日）对于不同宽基指数的截面取值和统计描述，并未提供基于历史回溯的因子预测能力测试结果（如IC、IR、多空收益等）。因此，以下展示为各因子在报告基准日下的具体数值。） 1. **风险溢价因子** * 上证50，当前风险溢价-0.72%，近5年分位值20.63%[35] * 沪深300，当前风险溢价-0.52%，近5年分位值28.81%[35] * 中证500，当前风险溢价-0.72%，近5年分位值23.65%[35] * 中证1000，当前风险溢价-0.58%，近5年分位值30.00%[35] * 中证2000，当前风险溢价-0.54%，近5年分位值31.27%[35] * 中证全指，当前风险溢价-0.57%，近5年分位值26.03%[35] * 创业板指，当前风险溢价0.60%，近5年分位值66.59%[35] 2. **股债性价比因子** * 评价：没有指数高于其80%分位（机会值），中证500低于其20%分位（危险值）[50]。 3. **股息率因子** * 上证50，当前值3.31%，近5年分位值35.70%[57] * 沪深300，当前值2.72%，近5年分位值36.69%[57] * 中证500，当前值1.38%，近5年分位值15.79%[57] * 中证1000，当前值1.12%，近5年分位值47.02%[57] * 中证2000，当前值0.76%，近5年分位值9.92%[57] * 中证全指，当前值2.02%，近5年分位值35.62%[57] * 创业板指，当前值0.99%，近5年分位值66.20%[57] 4. **破净率因子** * 上证50，当前破净率22.0%[62] * 沪深300，当前破净率16.33%[62] * 中证500，当前破净率12.0%[62] * 中证1000，当前破净率8.0%[62] * 中证2000，当前破净率3.1%[62] * 创业板指，当前破净率1.0%[62] * 中证全指，当前破净率6.22%[62] 5. **指数相对均线位置因子** * 各宽基指数相对于5日、10日、20日、60日、120日、250日均线的具体偏离百分比详见报告表2[19]。 6. **收益分布形态（偏度与峰度）因子** * 各宽基指数当前偏度、峰度及其与近5年历史值的差异详见报告表3[29]。 7. **交易活跃度（换手率）因子** * 中证2000，当前换手率4.14[21] * 中证1000，当前换手率2.34[21] * 创业板指，当前换手率2.26[21] * 中证全指，当前换手率1.67[21] * 中证500，当前换手率1.47[21] * 沪深300，当前换手率0.56[21] * 上证50，当前换手率0.26[21] 8. **估值分位（PE-TTM分位值）因子** * 上证50，当前PE-TTM 11.85，近5年分位值84.46%[48] * 沪深300，当前PE-TTM 14.05，近5年分位值83.64%[48] * 中证500，当前PE-TTM 32.53，近5年分位值95.21%[48] * 中证1000，当前PE-TTM 47.21，近5年分位值96.86%[48] * 中证2000，当前PE-TTM 156.42，近5年分位值83.64%[48] * 中证全指，当前PE-TTM 21.10，近5年分位值92.23%[48] * 创业板指，当前PE-TTM 41.52，近5年分位值58.02%[48]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：融资净买入额** * **因子构建思路：** 衡量特定周期内（如一周）融资买入资金与融资偿还资金的净差额，反映市场通过融资渠道对特定标的（个股、行业、ETF）的净买入意愿和资金流向[26][43]。 * **因子具体构建过程：** 1. 对于每个标的，计算指定周期（如一周）内的每日融资净买入额：`日融资净买入额 = 日融资买入额 - 日融资偿还额`。 2. 将周期内各日的融资净买入额进行加总，得到该周期的总融资净买入额。 3. 该因子可直接应用于个股、行业（申万一级行业）及ETF的分析[26][41][45]。 2. **因子名称：融券净卖出额** * **因子构建思路：** 衡量特定周期内（如一周）融券卖出量与融券偿还量的净差额，反映市场通过融券渠道对特定标的的净卖出（看空）意愿[27][47]。 * **因子具体构建过程：** 1. 对于每个标的，计算指定周期（如一周）内的每日融券净卖出额：`日融券净卖出额 = 日融券卖出额 - 日融券偿还额`。 2. 将周期内各日的融券净卖出额进行加总，得到该周期的总融券净卖出额。 3. 该因子可直接应用于个股及行业的分析[27][48]。 3. **因子名称：融资买入额占成交额比例** * **因子构建思路：** 衡量融资买入交易在标的整体成交中的活跃度与占比，比例越高，表明该标的的交易中杠杆资金的参与度越高[31][44]。 * **因子具体构建过程：** 1. 对于每个标的，计算指定周期（如一周）内的总融资买入额与总成交额。 2. 将总融资买入额除以总成交额，得到该周期融资买入额占成交额的比例。 3. 计算公式为： $$融资买入额占成交额比例 = \frac{周期内融资买入总额}{周期内成交总额} \times 100\%$$ 4. 该因子可应用于个股及行业的分析[33][45]。 4. **因子名称：融资余额占流通市值比例** * **因子构建思路：** 衡量融资余额相对于标的流通规模的大小，比例越高，表明该标的的杠杆资金持仓占比越大，潜在的偿还压力或对价格的影响也可能更大[31]。 * **因子具体构建过程：** 1. 在特定时点（如周末），获取标的的融资余额和流通市值。 2. 将融资余额除以流通市值，得到融资余额占流通市值的比例。 3. 计算公式为： $$融资余额占流通市值比例 = \frac{融资余额}{流通市值} \times 100\%$$ 4. 该因子可应用于行业的分析[33]。 5. **因子名称：融券卖出额占成交额比例** * **因子构建思路：** 衡量融券卖出交易在标的整体成交中的占比，反映看空交易的活跃程度[35]。 * **因子具体构建过程：** 1. 对于每个标的，计算指定周期（如一周）内的总融券卖出额与总成交额。 2. 将总融券卖出额除以总成交额，得到该周期融券卖出额占成交额的比例。 3. 计算公式为： $$融券卖出额占成交额比例 = \frac{周期内融券卖出总额}{周期内成交总额} \times 100\%$$ 4. 该因子可应用于行业的分析[36]。 6. **因子名称：融券余额占流通市值比例** * **因子构建思路：** 衡量融券余额相对于标的流通规模的大小，反映市场现存看空头寸的规模占比[35]。 * **因子具体构建过程：** 1. 在特定时点（如周末），获取标的的融券余额和流通市值。 2. 将融券余额除以流通市值，得到融券余额占流通市值的比例。 3. 计算公式为： $$融券余额占流通市值比例 = \frac{融券余额}{流通市值} \times 100\%$$ 4. 该因子可应用于行业的分析[36]。 因子的回测效果 > 注：本报告为周度市场数据统计报告，未提供基于历史数据的长期因子回测绩效指标（如IC、IR、多空收益等）。报告主要展示了截至统计周期（2025年12月3日-12月9日）末，各类因子在横截面（跨行业、跨个股、跨ETF）上的具体取值和排名情况。 1. **融资净买入额因子** * **行业层面取值（前五名）：** 电子、有色金属、通信行业融资净买入额较多[26]。 * **个股层面取值（前五名）：** 摩尔线程(203,816.20万元)、胜宏科技(200,910.05万元)、天孚通信(168,486.30万元)、工业富联(166,630.86万元)、长盈精密(70,060.45万元)[45]。 * **ETF层面取值（前五名）：** 易方达中证香港证券投资主题ETF(24,685.31万元)、华夏恒生科技ETF(10,616.31万元)、南方中证500ETF(8,883.54万元)、恒生科技ETF(8,152.65万元)、汇添富中证主要消费ETF(6,050.60万元)[41]。 2. **融券净卖出额因子** * **行业层面取值（前五名）：** 电子、有色金属、非银金融行业融券净卖出额较多[27]。 * **个股层面取值（前五名）：** 胜宏科技(3,315.24万元)、中国平安(3,187.94万元)、贵州茅台(2,077.66万元)、航天电子(1,558.46万元)、长川科技(1,307.89万元)[48]。 3. **融资买入额占成交额比例因子** * **行业层面取值（前三名与后三名）：** 较高的行业为非银金融(13.04%)、通信(12.28%)、银行(11.06%)；较低的行业为轻工制造(4.54%)、综合(4.73%)、纺织服饰(4.78%)[31][33]。 * **个股层面取值（前五名）：** 长虹华意(27.07%)、中国能建(25.25%)、圣诺生物(25.04%)、川恒股份(23.59%)、冠豪高新(23.30%)[45]。 4. **融资余额占流通市值比例因子** * **行业层面取值（前三名与后三名）：** 较高的行业为计算机(4.27%)、国防军工(3.30%)、房地产(3.25%)；较低的行业为银行(0.71%)、石油石化(0.81%)、煤炭(0.91%)[31][33]。 5. **融券卖出额占成交额比例因子** * **行业层面取值（前三名与后三名）：** 较高的行业为非银金融(0.09%)、银行(0.08%)、食品饮料(0.07%)；较低的行业为轻工制造(0.00%)、纺织服饰(0.01%)、社会服务(0.01%)[35][36]。 6. **融券余额占流通市值比例因子** * **行业层面取值（前三名与后三名）：** 较高的行业为传媒(0.02%)、房地产(0.02%)、钢铁(0.02%)；较低的行业为石油石化(0.00%)、银行(0.00%)、轻工制造(0.00%)[35][36]。