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，研究表明股价接近其52周（或250日）最高价时，未来收益往往更高[11]。 * **因子具体构建过程**：对于每个标的（个股、指数或行业指数），计算其最新收盘价与过去250个交易日最高收盘价之间的相对距离。具体公式如下： $$250 日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，`Closet`代表最新收盘价，`ts_max(Close,250)`代表过去250个交易日收盘价的最大值[11]。若最新收盘价创出新高，则该因子值为0；若价格从高点回落，则该因子为正值，表示回落的幅度[11]。 2. **模型名称：平稳创新高股票筛选模型**[25][27] * **模型构建思路**：该模型旨在从近期创出新高的股票中，进一步筛选出价格路径相对平滑、趋势延续性好的“平稳创新高”股票。其依据是学术研究发现，遵循平滑价格路径的高动量股收益，相较遵循跳跃价格路径的高动量股收益更高[25]。 * **模型具体构建过程**：该模型是一个多步骤的筛选流程，具体步骤如下： 1. **初选股票池**：筛选上市满15个月，且在过去20个交易日内创出过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[27]。 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%[27]。 4. **股价平稳性与创新高持续性综合打分**：在满足上述条件的股票池内，使用以下两个指标进行综合打分，并选取排名在前50%的股票[27]： * **价格路径平滑性**：使用股价位移路程比进行衡量。位移为过去120日的涨跌幅绝对值，路程为过去120日日涨跌幅绝对值的加总[25]。 * **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[27]。 5. **趋势延续性筛选**：对经过上一步筛选的股票，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只股票作为最终输出[27]。 模型的回测效果 *本报告未提供量化模型（如平稳创新高股票筛选模型）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）。报告内容主要为截至特定时点（2026年2月6日）的截面数据展示和名单筛选[12][13][15][19][20][28]。* 因子的回测效果 *本报告未提供量化因子（如250日新高距离）的因子测试结果（如IC值、IR、多空收益、分组收益等）。报告内容主要为该因子在特定时点（2026年2月6日）于不同标的（指数、行业、个股）上的截面取值[12][13][15][31]。* 因子在特定时点的截面取值（截至2026年2月6日） 1. **250日新高距离因子** * **主要宽基指数取值**： * 上证指数: 2.39%[12] * 深证成指: 3.69%[12] * 沪深300指数: 3.07%[12] * 中证500指数: 5.29%[12] * 中证1000指数: 4.95%[12] * 中证2000指数: 3.67%[12] * 创业板指: 4.48%[12] * 科创50指数: 8.58%[12] * **部分中信一级行业指数取值（较近与较远）**： * 纺织服装: 0.35%[13] * 石油石化: 2.83%[13] * 建材: 2.16%[13] * 轻工制造: 1.15%[13] * 机械: 3.20%[13] * 银行: 距离250日新高较远[13] * 综合金融: 距离250日新高较远[13] * 医药: 距离250日新高较远[13] * 食品饮料: 距离250日新高较远[13] * 农林牧渔: 距离250日新高较远[13] * **部分概念指数取值（较近）**：万得微盘股日频等权、家居用品、HJT电池、新能源、光伏、石油天然气、造纸等概念指数距离250日新高较近[15]。 * **部分个股取值（来自平稳创新高股票列表）**： * 百龙创园(605016.SH): 0.0%[31] * 富特科技(301607.SZ): 0.0%[31] * 环旭电子(601231.SH): 0.0%[31] * 中国巨石(600176.SH): 0.0%[31] * 华锐精密(688059.SH): 0.0%[31] * 模塑科技(000700.SZ): 0.2%[31] * 亨通光电(600487.SH): 1.7%[31] * 桐昆股份(601233.SH): 1.9%[31] * 恒立液压(601100.SH): 1.2%[31]

量化模型与构建方式 1. **模型名称：黄金交易拥挤度仓位管理策略**[19] * **模型构建思路**：在长期看多黄金的前提下，通过监测交易拥挤度指标来规避短期过热风险，进行动态仓位调整以提升风险调整后收益[19]。 * **模型具体构建过程**： 1. 计算黄金价格40日乖离率：$$乖离率 = \frac{当前价格 - 40日移动平均价格}{40日移动平均价格} \times 100\%$$[19] 2. 获取沪金主力平值隐含波动率（IV）[19]。 3. 设置交易信号触发条件：当黄金价格40日乖离率超过9%，且沪金主力平值IV超过30%时，发出拥挤信号[21]。 4. 仓位管理规则：当触发拥挤信号时，将组合仓位降低至40%；否则，保持全仓持有黄金[21]。 2. **模型名称：10Y国债利率预测模型（结构化静态因子模型）**[44] * **模型构建思路**：利率由资金供需决定，通过结构化静态因子模型从宏观指标中抽象出四大驱动因子，共同刻画利率的变动方向[44]。 * **模型具体构建过程**： 1. 从精选的宏观指标中抽象出四大核心因子：经济增长、通货膨胀、债务杠杆、短期利率[44]。 2. 采用结构化静态因子模型（Structured Static Factor Model）整合四大因子，预测下月10Y国债利率的变动方向[44][47]。 3. 通过累加或累减实际利率变动来评估模型的择时效果[49]。 3. **模型名称：黄金择时模型（四因子模型）**[54] * **模型构建思路**：黄金走势主要对标美元信用，从反映美元信用的宏观指标中抽象出四大因子，采用结构化静态因子模型判断黄金价格方向[54]。 * **模型具体构建过程**： 1. 从精选的宏观指标中抽象出四大核心因子：美国经济、美国就业、美国财政、美国对外负债[54]。 2. 采用结构化静态因子模型整合四大因子，进行月度黄金走势的择时判断[54]。 4. **模型名称：房地产行业压力指数**[61] * **模型构建思路**：采用扩散指数法，通过房地产市场供给与需求各链路中的关键指标，从绝对水平和边际变动两个维度打分，加总标准化后衡量房地产市场的整体承压状态[61]。 * **模型具体构建过程**： 1. 选取房地产市场供给与需求链路中的关键指标（如土地成交量价、商品房销售面积、房价指数、新开工面积、开发贷款、个人住房贷款等）[61][64]。 2. 对每个指标从绝对水平和边际变动两个维度进行评分[61]。 3. 将所有指标的评分加总并进行标准化处理，得到房地产行业压力指数，指数值越大表示市场压力越大[61]。 5. **模型名称：A股景气度指数2.0**[27] * **模型构建思路**：考虑到A股净利润主要由金融业和工业构成，通过分别构建两者的高频景气度指数，加和得到整体A股利润的同步预测指数[27]。 * **模型具体构建过程**： 1. 分别构建金融业和工业的高频景气度指数[27]。 2. 将金融业景气度指数与工业景气度指数加和，得到整体的A股景气度指数2.0，用于同步预测万得全A净利润同比变化[27]。 6. **模型名称：三维择时体系（分歧度-流动性-景气度）**[38][41] * **模型构建思路**：从市场分歧度、流动性、景气度三个维度综合判断市场大势[38][41]。 * **模型具体构建过程**： 1. 分别构建或监测市场分歧度、流动性、景气度三个指标的变化趋势[41]。 2. 根据三个指标的状态（上升、下降、高位、低位等）进行综合判断，形成对市场整体走势的观点[38]。 7. **模型名称：印度权益市场二维择时框架（分歧度-流动性）**[71][75] * **模型构建思路**：从量价维度，通过市场分歧度和流动性两个指标的状态组合，对印度权益市场进行择时判断[71][75]。 * **模型具体构建过程**： 1. 分别计算印度权益市场的分歧度指标和流动性指标[71]。 2. 根据两个指标的上行/下行状态，将其划分为不同区域，对应不同的市场行情判断（如震荡、放量下跌等）[71][75]。 8. **模型名称：量化大势研判框架**[80][81] * **模型构建思路**：通过跟踪多类风格资产的优势差（Δgf, Δg, ΔROE等）变化，判断市场风格扩张或收缩状态，从而推荐占优风格[80][81]。 * **模型具体构建过程**： 1. 计算预期增速资产优势差（Δgf）、实际增速资产优势差（Δg）、ROE优势差（ΔROE）等指标[80]。 2. 根据这些优势差指标的变动方向（扩张或收缩），结合风格拥挤度，综合判断并推荐当期占优的市场风格（如预期成长、实际成长、盈利能力等）[80][81][85]。 9. **模型名称：国联民生金工多维行业配置策略**[99] * **模型构建思路**：采取“恒星+卫星”模式，将胜率赔率策略和出清反转策略以4:1的权重组合，策略内部行业等权持有，构建行业配置组合[99]。 * **模型具体构建过程**： 1. **胜率赔率策略**：从胜率（短周期超额收益概率，由行业景气度决定）和赔率（长周期绝对收益空间，由估值、股息率等决定）两个维度筛选行业[100][102]。 2. **出清反转策略**：从行业需求、供给、竞争格局三个维度划分行业状态，筛选处于“出清结束反转状态”的行业[106][111]。 3. 将两个子策略以4:1的权重合并，构成最终的多维行业配置策略组合[99]。 10. **因子名称：黄金价格乖离率**[19] * **因子构建思路**：衡量黄金价格相对于其移动平均线的偏离程度，乖离率越高意味着获利盘越大，短期回调风险越高[19]。 * **因子具体构建过程**：计算当前价格与40日移动平均价格的偏离百分比，公式为：$$乖离率 = \frac{当前价格 - 40日移动平均价格}{40日移动平均价格} \times 100\%$$[19] 11. **因子名称：沪金主力平值隐含波动率（IV）**[19] * **因子构建思路**：反映市场对未来黄金价格波动水平的预期，IV越高则预示价格大幅波动的风险越大[19]。 12. **因子名称：市值因子拥挤度**[93][95] * **因子构建思路**：用于观察小盘/大盘风格的交易拥挤程度，拥挤度越高意味着该风格存在过热和反转的可能[93]。 模型的回测效果 1. **黄金交易拥挤度仓位管理策略**，年化收益24.3%，年化波动15.0%，夏普比率1.62，最终净值3.57[21]。 2. **始终全仓持有黄金（基准）**，年化收益20.9%，年化波动16.6%，夏普比率1.26，最终净值3.04[21]。 3. **10Y国债利率预测模型**，2006年以来样本内外胜率约70%，2023年以来样本外胜率68%[47]。 4. **黄金择时模型（四因子模型）**，2008年以来胜率约65%，2023年以来样本外胜率78%[54]。 5. **国联民生金工多维行业配置策略**，2023年绝对收益2.36%，超额收益（相对中信一级行业等权）7.26%；2024年绝对收益15.23%，超额收益4.83%；2025年绝对收益31.35%，超额收益6.47%；2026年截至1月底绝对收益8.41%，超额收益3.34%[99]。 6. **胜率赔率策略**，2024年以来绝对收益70.68%，相较于中信一级行业等权基准超额收益19.61%[105]。 量化因子与构建方式 1. **因子名称：黄金价格乖离率**[19] * **因子构建思路**：衡量黄金价格相对于其移动平均线的偏离程度，乖离率越高意味着获利盘越大，短期回调风险越高[19]。 * **因子具体构建过程**：计算当前价格与40日移动平均价格的偏离百分比，公式为：$$乖离率 = \frac{当前价格 - 40日移动平均价格}{40日移动平均价格} \times 100\%$$[19] 2. **因子名称：沪金主力平值隐含波动率（IV）**[19] * **因子构建思路**：反映市场对未来黄金价格波动水平的预期，IV越高则预示价格大幅波动的风险越大[19]。 3. **因子名称：市值因子拥挤度**[93][95] * **因子构建思路**：用于观察小盘/大盘风格的交易拥挤程度，拥挤度越高意味着该风格存在过热和反转的可能[93]。 因子的回测效果 *(注：报告中未提供单个因子的独立回测指标值，如IC、IR等，故本部分略过)*

量化模型与因子总结 量化模型与构建方式 根据研报内容，报告主要对市场数据进行跟踪和统计分析，未涉及具体的预测性或策略性量化模型（如多因子选股模型、风险模型等）的构建。报告的核心是计算并展示一系列市场监控指标。 量化因子与构建方式 报告计算并跟踪了多个用于衡量市场状态和估值的指标，这些指标可以视为广义的“因子”。以下是这些因子的构建方式： 1. **因子名称**：风险溢价[25] * **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，计算各宽基指数收益率相对于无风险利率的溢价，用于衡量其相对投资价值和偏离情况[25]。 * **因子具体构建过程**：风险溢价 = 宽基指数收益率 - 十年期国债即期收益率[25]。报告中具体展示了各指数风险溢价的当前值、历史分位值、均值及波动率等统计量[30]。 2. **因子名称**：市盈率（PE-TTM）[38] * **因子构建思路**：使用滚动市盈率作为估值参考，衡量各指数在当前时点的投资价值[38]。 * **因子具体构建过程**：PE-TTM = 总市值 / 最近四个季度（TTM）的归母净利润总和。报告计算了各指数PE-TTM的当前值及其在近1年、近5年以及全部历史数据中的分位值[41][42]。 3. **因子名称**：股债性价比[45] * **因子构建思路**：通过比较股票收益率与债券收益率的差异，来判断股票资产相对于债券的吸引力[45]。 * **因子具体构建过程**：股债性价比 = (1 / PE-TTM) - 十年期国债即期收益率[45]。报告通过图表展示了该指标的走势，并与历史分位数进行比较[45]。 4. **因子名称**：股息率[46] * **因子构建思路**：反映现金分红回报率，是红利投资风格的重要指标，用于跟踪市场现金流回报和估值变化[47]。 * **因子具体构建过程**：股息率 = 近12个月现金分红总额 / 总市值。报告统计了各指数股息率的当前值、历史分位值、均值及波动率[52]。 5. **因子名称**：破净率[53] * **因子构建思路**：通过统计市净率小于1的个股占比，来反映市场整体的估值态度和悲观/乐观程度[53][55]。 * **因子具体构建过程**：破净率 = (指数成分股中市净率小于1的个股数量 / 指数总成分股数量) * 100%。报告列出了各主要宽基指数的当前破净率[56]。 6. **因子名称**：指数换手率[16] * **因子构建思路**：衡量市场交易活跃度。 * **因子具体构建过程**：报告提供了计算方法：指数换手率 = Σ(成分股流通股本 * 成分股换手率) / Σ(成分股流通股本)[16]。 7. **因子名称**：收益分布形态（偏度与峰度）[22] * **因子构建思路**：通过分析指数日收益率分布的偏度和峰度，来描述收益分布的不对称性和尖峭程度，反映市场极端收益出现的可能性[22]。 * **因子具体构建过程**：计算近一年日收益率序列的偏度和峰度，并与近五年的历史数据进行比较。报告中指出，峰度计算时减去了3（正态分布的峰度值）[23]。 因子的回测效果 本报告为市场数据跟踪报告，未提供基于上述因子的策略回测结果（如多空组合收益、信息比率IR、夏普比率等）。报告主要呈现了各因子在特定时点（2026年2月5日）的截面取值和历史分位情况，具体数值如下： 1. **风险溢价因子**[30] * 当前风险溢价：上证50 (-0.34%)， 沪深300 (-0.61%)， 中证500 (-1.85%)， 中证1000 (-1.70%)， 中证2000 (-1.23%)， 中证全指 (-1.12%)， 创业板指 (-1.55%) * 近5年分位值：上证50 (35.71%)， 沪深300 (25.0%)， 中证500 (6.03%)， 中证1000 (9.92%)， 中证2000 (17.30%)， 中证全指 (12.86%)， 创业板指 (14.13%) 2. **市盈率（PE-TTM）因子**[42] * 当前PE-TTM值：上证50 (11.63)， 沪深300 (14.10)， 中证500 (37.04)， 中证1000 (49.65)， 中证2000 (167.69)， 中证全指 (22.19)， 创业板指 (42.48) * 近5年历史分位值：上证50 (82.56%)， 沪深300 (85.45%)， 中证500 (98.60%)， 中证1000 (98.51%)， 中证2000 (90.50%)， 中证全指 (98.43%)， 创业板指 (61.40%) 3. **股息率因子**[52] * 当前股息率：上证50 (3.23%)， 沪深300 (2.75%)， 中证500 (1.27%)， 中证1000 (1.02%)， 中证2000 (0.71%)， 中证全指 (1.95%)， 创业板指 (0.88%) * 近5年历史分位值：上证50 (32.15%)， 沪深300 (36.86%)， 中证500 (7.36%)， 中证1000 (24.38%)， 中证2000 (4.05%)， 中证全指 (27.52%)， 创业板指 (56.12%) 4. **破净率因子**[56] * 当前破净率：上证50 (24.0%)， 沪深300 (16.67%)， 中证500 (10.4%)， 中证1000 (6.9%)， 中证2000 (2.45%)， 中证全指 (5.46%) 5. **收益分布形态因子**[23] * 当前峰度（vs. 近5年）：上证50 (-1.89)， 沪深300 (-1.84)， 中证500 (-1.46)， 中证1000 (-1.63)， 中证2000 (-1.95)， 中证全指 (-1.80)， 创业板指 (-2.56) * 当前偏度（vs. 近5年）：上证50 (-0.53)， 沪深300 (-0.45)， 中证500 (-0.40)， 中证1000 (-0.46)， 中证2000 (-0.49)， 中证全指 (-0.47)， 创业板指 (-0.61)

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：** 通过计算当日最高价涨停且最终收盘也涨停的股票数量占所有最高价涨停股票数量的比例，来衡量涨停板的封板强度和市场追涨情绪[15]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票[11][15]。 2. 找出在当日盘中最高价曾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： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ * **因子评价：** 该因子是衡量市场短期情绪和资金博弈热度的重要指标，较高的封板率通常意味着涨停板质量较高，抛压较小[15]。 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数量占前一日所有收盘涨停股票数量的比例，来度量市场涨停效应的持续性[15]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票[11][15]。 2. 确定前一日（T-1日）收盘涨停的股票集合。 3. 在上述集合中，筛选出当日（T日）收盘也涨停的股票。 4. 计算连板率，公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 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总额相对于这些股份当日市值的折价（或溢价）幅度，来反映大额资金交易的意愿和情绪，通常折价表示卖出方有较强的减持意愿[24]。 * **因子具体构建过程：** 1. 获取当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股数[24]。 2. 计算每笔大宗交易股份的当日市值（通常使用当日收盘价乘以成交股数）。 3. 汇总所有大宗交易的成交总金额和对应股份的总市值。 4. 计算整体折价率，公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ 结果为负表示折价，为正表示溢价[24]。 4. **因子名称：股指期货年化贴水率** * **因子构建思路：** 将股指期货主力合约价格与现货指数价格之间的基差，进行年化处理，以标准化衡量股指期货的升贴水程度，反映市场对未来走势的预期和对冲成本的高低[26]。 * **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[26]。 2. 计算基差：基差 = 期货价格 - 现货指数价格[26]。 3. 获取该主力合约的剩余交易日数。 4. 计算年化贴水率，公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 结果为负表示年化贴水，为正表示年化升水[26]。 因子的回测效果 （注：本报告为市场数据日报，未提供因子的长期历史回测绩效指标，如IC、IR、多空收益等。报告仅提供了特定日期的因子取值或近期统计值，具体如下：） 1. **封板率因子**，2026年02月05日取值为77%[15] 2. **连板率因子**，2026年02月05日取值为17%[15] 3. **大宗交易折价率因子**，2026年02月04日取值为9.61%[24]；近半年以来平均取值为6.96%[24] 4. **股指期货年化贴水率因子** * **上证50股指期货**，2026年02月05日取值为+0.78%（升水）[26]；近一年以来中位数为+0.63%（升水）[26] * **沪深300股指期货**，2026年02月05日取值为-1.12%（贴水）[26]；近一年以来中位数为-3.79%（贴水）[26] * **中证500股指期货**，2026年02月05日取值为-3.18%（贴水）[26]；近一年以来中位数为-11.15%（贴水）[26] * **中证1000股指期货**，2026年02月05日取值为-3.50%（贴水）[26]；近一年以来中位数为-13.61%（贴水）[26]

量化模型与构建方式 本报告为资金行为跟踪分析，未涉及具体的量化预测模型或选股因子的构建与回测。报告核心是通过观察和对比不同市场参与者的资金流向数据，来识别潜在的投资机会或市场结构变化[1]。报告中隐含的分析逻辑可以概括为一种基于资金流的观察框架。 1. **分析框架名称：公募与融资资金预期差分析框架**[1] * **构建思路**：通过对比公募基金（代表机构投资者）的持仓偏好与融资资金（代表杠杆交易者）的短期流向，寻找两者存在“预期差”的板块。当公募基金低配而融资资金近期净买入时，可能意味着该板块存在未被机构充分重视但已被敏锐资金布局的机会，上行阻力相对较小[4][24]。 * **具体构建过程**： 1. **数据准备**：获取两个核心数据集。一是公募基金定期报告（如四季报）披露的持仓数据，计算各行业板块相对于基准指数（如中证800）的超配或低配程度[24][26]。二是融资融券的每日明细数据，计算在特定时期（如融资保证金新规实施后）各板块的融资净买入额[24][26]。 2. **指标计算**： * 公募低配程度：通常计算为（公募基金在板块i的持仓市值占比 - 板块i在基准指数中的市值占比）[26]。该值为负且绝对值越大，表示公募基金相对低配越严重。 * 融资净买入：计算特定时间窗口内，板块i的融资买入额与融资偿还额的差值[26]。 3. **交叉分析**：将各板块以上述两个指标为横纵坐标，绘制散点图进行分析[26]。重点关注“公募低配程度高（横轴负值大）”且“融资净买入多（纵轴正值大）”的象限，这些板块被认为是具备潜在机会的方向[4][24]。 * **模型评价**：该框架是一种事件驱动或资金流驱动的分析思路，侧重于市场微观结构变化和不同资金行为的博弈，能够快速捕捉市场风格的边际变化和短期资金偏好[3][16]。 量化因子与构建方式 报告未构建传统的Alpha因子，但明确提出了用于筛选板块的复合观察指标。 1. **因子名称：新规后融资净买入** * **构建思路**：以融资保证金新规实施为事件分界点，观察之后一段时间内杠杆资金对各板块的净买入情况，用以识别受新规影响较小或反而获得杠杆资金青睐的板块[3][16]。 * **具体构建过程**：确定融资保证金新规生效的日期T。对于每个板块（或个股汇总至板块），计算从日期T开始到报告截止日（如1月底）的累计融资净买入额。公式为： $$ \text{新规后融资净买入}_i = \sum_{t=T}^{T_{end}} ( \text{融资买入额}_{i, t} - \text{融资偿还额}_{i, t} ) $$ 其中，i代表板块，t代表交易日[16][23]。 * **因子评价**：该指标反映了在交易成本（杠杆成本）上升的新环境下，高风险偏好资金的最新动向，有助于规避因去杠杆而面临抛压的板块，并发现资金新流入的领域[3][16]。 2. **因子名称：主动基金相对超低配程度** * **构建思路**：利用公募基金定期报告，计算其持仓相对于市场基准的偏离度，以衡量机构投资者对某个板块的偏好或冷落程度[24][26]。 * **具体构建过程**：以最近一期公募基金季报（如四季报）的全部持仓数据为基础。对于每个板块i，计算其两个比例： 1. 板块i在公募基金重仓股总市值中的占比。 2. 板块i在基准指数（如中证800）总市值中的占比。 将两者相减，得到超低配程度。公式为： $$ \text{超低配程度}_i = \frac{{\text{公募重仓股中板块i市值}}}{{\text{公募重仓股总市值}}} - \frac{{\text{基准指数中板块i市值}}}{{\text{基准指数总市值}}} $$ 结果为负表示低配，正值表示超配[26]。 * **因子评价**：该指标反映了机构资金的长期配置布局和拥挤度。低配板块可能意味着机构关注度低、潜在卖压小，也可能意味着存在未来增持（回补仓位）的空间[4][24]。 分析框架与因子的应用结果 报告基于上述框架和指标，对2026年1月底的市场进行了分析，并给出了观察结论。 1. **公募与融资资金预期差分析框架的应用结果**： * 通过绘制“主动基金相对超低配程度”（横轴）与“新规后融资净买入”（纵轴）的散点图，识别出以下特征板块[24][26]： * **公募低配且融资买入板块**：电力、基建、煤炭、船舶等板块。这些板块公募持仓比例相对中证800较低，但在融资保证金新规后获得了融资净流入，被认为可能存在机构仓位回补机会，上行阻力较小[4][24]。 * **公募持仓不低但融资买入板块**：通信设备、化学制药、贵金属等板块。尽管机构已有一定持仓，但融资盘可能在近期板块表现相对较弱时持续逢低买入[24]。 * **公募持仓拥挤且融资流出板块**：半导体、消费电子等硬科技板块。在新规实施后呈现出去杠杆特征，融资资金加速撤离[16][24]。 2. **新规后融资净买入因子的观察结果**： * **整体规模**：1月底融资余额规模保持在2.7万亿元附近，未出现大幅回落[3][16]。 * **流向结构**：新规实施前后发生显著转向[3][8]。 * **新规前（1月上半月）**：融资资金涌向高弹性板块，如半导体（净流入172亿元）[3][16]。 * **新规后（1月下半月）**：资金从高位科技板块流出，如半导体转为净流出75亿元，消费电子、软件、军工等板块也出现反转[3][16]。资金转向流入防御性及估值安全边际较高的板块，如保险、银行、基建、电力（下半月维持稳定正流入），以及工业金属、其他小金属、煤炭、农化等[3][16][22]。 3. **主动基金相对超低配程度因子的观察结果**： * 报告指出电力、基建、煤炭、船舶等板块处于公募基金相对中证800较低配的水平[4][24]。

量化模型与因子总结 量化模型与构建方式 根据研报内容，报告主要对市场数据进行跟踪和统计，未涉及具体的量化交易模型或选股模型的构建。报告的核心是计算并展示一系列用于衡量市场状态和估值的指标（因子）。 量化因子与构建方式 报告计算并跟踪了多个用于描述宽基指数市场特征的量化因子。 1. **因子名称**：风险溢价[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，计算股票指数收益率相对于无风险利率的溢价，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 = 股票指数的预期收益率或收益率 - 十年期国债即期收益率。报告中展示的“当前风险溢价”具体计算方式未明确给出，但核心是两者之差[28][32]。 2. **因子名称**：股债性价比[47] * **因子构建思路**：通过比较股票市场收益率与债券市场收益率的差异，来判断股票和债券哪类资产更具投资价值[47]。 * **因子具体构建过程**：股债性价比 = 股票指数PE-TTM的倒数 - 十年期国债即期收益率[47]。公式为： $$股债性价比 = \frac{1}{PE-TTM} - R_{f}$$ 其中，$PE-TTM$ 为指数滚动市盈率，$R_{f}$ 为十年期国债即期收益率。 3. **因子名称**：股息率[49] * **因子构建思路**：反映指数的现金分红回报率，是红利投资风格的重要跟踪指标[49]。 * **因子具体构建过程**：股息率 = 成分股现金分红总额 / 指数总市值。报告中的“当前值”即为该计算结果[49][54]。 4. **因子名称**：破净率[55] * **因子构建思路**：统计指数中市净率小于1的个股占比，反映市场整体的估值态度和悲观程度[55][57]。 * **因子具体构建过程**：破净率 = (指数成分股中市净率小于1的股票数量) / (指数成分股总数量)。报告中“破净率”即为此值[55][58]。 5. **因子名称**：收益分布形态指标（偏度与峰度）[25] * **因子构建思路**：通过计算指数日收益率分布的偏度和峰度，来描述收益率分布的不对称性和尖峭程度，以观察市场极端收益情形的变化[25]。 * **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[25]。计算公式（样本偏度）通常为： $$偏度 = \frac{n}{(n-1)(n-2)} \sum_{i=1}^{n} \left( \frac{r_i - \bar{r}}{s} \right)^3$$ 其中，$n$为样本数，$r_i$为日收益率，$\bar{r}$为样本均值，$s$为样本标准差。 * **峰度**：衡量分布尖峭程度。报告中计算的是超额峰度（峰度减去3），因此正态分布的超额峰度为0[26]。峰度越大，说明收益率分布更集中[25]。计算公式（样本超额峰度）通常为： $$峰度 = \left[ \frac{n(n+1)}{(n-1)(n-2)(n-3)} \sum_{i=1}^{n} \left( \frac{r_i - \bar{r}}{s} \right)^4 \right] - \frac{3(n-1)^2}{(n-2)(n-3)}$$ 6. **因子名称**：交易金额占比[19] * **因子构建思路**：衡量单个宽基指数成交额在全市场中的比重，反映资金流向和关注度[19]。 * **因子具体构建过程**：交易金额占比 = (该指数当日总成交金额) / (中证全指当日总成交金额)[19]。 7. **因子名称**：指数换手率[19] * **因子构建思路**：衡量指数成分股的整体交易活跃度[19]。 * **因子具体构建过程**：指数换手率 = Σ(成分股流通股本 * 成分股换手率) / Σ(成分股流通股本)[19]。 因子的回测效果 报告未提供基于历史数据的因子选股有效性回测结果（如IC、IR、多空收益等）。报告主要展示了各因子在**当前时点（2026年2月4日）** 的截面取值以及相对于自身历史的统计情况。 1. **风险溢价因子**[32] * 当前风险溢价：上证50 (1.13%)， 沪深300 (0.82%)， 中证500 (0.14%)， 中证1000 (-0.03%)， 中证2000 (0.10%)， 中证全指 (0.45%)， 创业板指 (-0.41%) * 近5年分位值：上证50 (88.57%)， 沪深300 (81.03%)， 中证500 (54.60%)， 中证1000 (45.24%)， 中证2000 (48.89%)， 中证全指 (67.86%)， 创业板指 (39.92%) 2. **PE-TTM因子**[43][45] * 当前值：上证50 (11.66)， 沪深300 (14.14)， 中证500 (37.72)， 中证1000 (50.52)， 中证2000 (169.35)， 中证全指 (22.38)， 创业板指 (43.10) * 近5年历史分位值：上证50 (82.73%)， 沪深300 (86.36%)， 中证500 (99.26%)， 中证1000 (99.17%)， 中证2000 (91.74%)， 中证全指 (98.76%)， 创业板指 (63.47%) 3. **股债性价比因子**[47] * 测试结果：没有指数高于其近5年80%分位（机会值），中证500和中证全指低于其近5年20%分位（危险值）[47]。 4. **股息率因子**[54][56] * 当前值：上证50 (3.23%)， 沪深300 (2.73%)， 中证500 (1.25%)， 中证1000 (1.00%)， 中证2000 (0.70%)， 中证全指 (1.93%)， 创业板指 (0.87%) * 近5年历史分位值：上证50 (31.90%)， 沪深300 (35.37%)， 中证500 (4.79%)， 中证1000 (23.64%)， 中证2000 (2.81%)， 中证全指 (26.28%)， 创业板指 (55.95%) 5. **破净率因子**[58] * 当前值：上证50 (24.0%)， 沪深300 (16.67%)， 中证500 (10.6%)， 中证1000 (6.6%)， 中证2000 (2.45%)， 中证全指 (5.42%) 6. **收益分布形态指标**[26] * 当前峰度（vs. 近5年）：上证50 (-1.86)， 沪深300 (-1.80)， 中证500 (-1.38)， 中证1000 (-1.51)， 中证2000 (-1.94)， 中证全指 (-1.76)， 创业板指 (-2.56) * 当前偏度（vs. 近5年）：上证50 (-0.52)， 沪深300 (-0.44)， 中证500 (-0.37)， 中证1000 (-0.43)， 中证2000 (-0.48)， 中证全指 (-0.46)， 创业板指 (-0.61) 7. **交易金额占比因子**[19] * 当前值：沪深300 (25.86%)， 中证2000 (21.38%)， 中证1000 (20.99%) 8. **指数换手率因子**[19] * 当前值：中证2000 (4.18)， 创业板指 (3.91)， 中证1000 (3.18)， 中证500 (2.41)， 中证全指 (2.08)， 沪深300 (0.8)， 上证50 (0.37)

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** [16] * **因子构建思路**：通过计算盘中触及涨停并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。[16] * **因子具体构建过程**： 1. 筛选上市满3个月以上的股票。[16] 2. 在指定交易日，找出盘中最高价达到涨停价的股票集合。 3. 在上述股票集合中，找出收盘价仍为涨停价的股票。 4. 计算封板率，公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ [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比例，来度量市场涨停效应的延续性和短线投机资金的活跃度。[16] * **因子具体构建过程**： 1. 筛选上市满3个月以上的股票。[16] 2. 在指定交易日，找出前一个交易日（T-1日）收盘涨停的股票集合。 3. 在上述股票集合中，找出当前交易日（T日）收盘也涨停的股票。 4. 计算连板率，公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ [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价格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。[25] * **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。[25] 2. 计算大宗交易的总成交金额。 3. 计算大宗交易成交份额按当日收盘价计算的总市值。 4. 计算折价率，公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ [25] *注：结果为负表示折价交易，正数表示溢价交易。* 4. **因子名称：股指期货年化贴水率** [27] * **因子构建思路**：通过计算股指期货价格与现货指数价格之间的基差，并进行年化处理，来反映市场对未来走势的预期、对冲成本以及市场情绪。[27] * **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。[27] 2. 计算基差：基差 = 期货价格 - 现货指数价格。 3. 计算年化贴水率，公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ [27] *注：结果为负表示期货贴水，正数表示期货升水。公式中250为年化常用的交易日数量。* 因子的回测效果 *注：本报告为日度市场数据跟踪报告，未提供因子的长期历史回测绩效指标（如IC、IR、多空收益等）。报告主要展示了因子在特定观察日（2026年2月3日或4日）的截面取值或时间序列上的当前状态。* 1. **封板率因子**，2026年2月4日当日取值为 **74%** [16] 2. **连板率因子**，2026年2月4日当日取值为 **18%** [16] 3. **大宗交易折价率因子**： * 近半年以来平均值：**-6.95%** [25] * 2026年2月3日当日值：**-10.30%** [25] 4. **股指期货年化贴水率因子**： * **上证50股指期货**：2026年2月4日当日年化升水率为 **0.80%**，处于近一年来 **79%** 分位点[27] * **沪深300股指期货**：2026年2月4日当日年化贴水率为 **-1.04%**，处于近一年来 **82%** 分位点[27] * **中证500股指期货**：2026年2月4日当日年化升水率为 **1.68%**，处于近一年来 **97%** 分位点[27] * **中证1000股指期货**：2026年2月4日当日年化贴水率为 **-0.44%**，处于近一年来 **97%** 分位点[27] * *近一年年化贴水率中位数*：上证50为 **0.63%**，沪深300为 **-3.79%**，中证500为 **-11.15%**，中证1000为 **-13.61%** [27]

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[16]** * **因子构建思路：** 用于衡量涨停股票的封板质量，即有多少在盘中触及涨停的股票能够将涨停状态维持到收盘[16]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票[16]。 2. 在每个交易日，统计满足以下两个条件的股票数量： * 条件A：当日最高价达到涨停价[16]。 * 条件B：当日收盘价达到涨停价[16]。 3. 计算封板率，公式为： $$封板率 = \frac{满足条件A且满足条件B的股票数}{满足条件A的股票数}$$[16] 2. **因子名称：连板率[16]** * **因子构建思路：** 用于衡量涨停股票的连续性，即昨日涨停的股票中有多少能够在今日继续涨停[16]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票[16]。 2. 在每个交易日，统计满足以下两个条件的股票数量： * 条件A：在交易日T-1日收盘涨停[16]。 * 条件B：在交易日T日收盘涨停[16]。 3. 计算连板率，公式为： $$连板率 = \frac{满足条件A且满足条件B的股票数}{满足条件A的股票数}$$[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价相对于市场价格的折价幅度，来反映大资金的交易情绪和偏好[25]。 * **因子具体构建过程：** 1. 获取当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份额[25]。 2. 计算大宗交易总成交金额[25]。 3. 计算大宗交易成交份额按当日收盘价计算的总市值[25]。 4. 计算折价率，公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[25] 该值为负表示折价交易，负值越大折价幅度越高[25]。 4. **因子名称：股指期货年化贴水率[27]** * **因子构建思路：** 计算股指期货价格与现货指数价格之间基差的年化比率，用于衡量市场对未来预期、对冲成本以及情绪[27]。 * **因子具体构建过程：** 1. 选定股指期货合约（如上证50、沪深300、中证500、中证1000的主力合约）及其对应的现货指数[27]。 2. 计算基差：基差 = 期货价格 - 现货指数价格[27]。 3. 计算年化贴水率，公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[27] 当结果为正时，表示期货升水；结果为负时，表示期货贴水[27]。 因子的回测效果 *本报告为市场监测日报，主要展示市场指标的实时或近期状态，未提供基于历史数据的系统性因子回测绩效指标（如IC、IR、多空收益、夏普比率等）。报告中提及的因子取值均为特定日期的观测值，而非长期回测统计结果。* 1. **封板率因子**，2026年02月04日取值为 **74%**[16] 2. **连板率因子**，2026年02月04日取值为 **18%**[16] 3. **大宗交易折价率因子**，2026年02月04日取值为 **10.30%**[25]；近半年以来平均取值为 **6.95%**[25] 4. **股指期货年化贴水率因子** * **上证50股指期货**，2026年02月04日取值为 **0.80%** (升水)[27]；近一年中位数取值为 **0.63%** (贴水)[27] * **沪深300股指期货**，2026年02月04日取值为 **-1.04%** (贴水)[27]；近一年中位数取值为 **-3.79%** (贴水)[27] * **中证500股指期货**，2026年02月04日取值为 **1.68%** (升水)[27]；近一年中位数取值为 **-11.15%** (贴水)[27] * **中证1000股指期货**，2026年02月04日取值为 **-0.44%** (贴水)[27]；近一年中位数取值为 **-13.61%** (贴水)[27]

量化模型与构建方式 1. **模型名称**：港股 CCASS 优选 20 组合[4][35] **模型构建思路**：利用港交所CCASS数据，通过“先选经纪商，再选个股”的两步筛选法，构建月度调仓的股票组合，以复制绩优经纪商的持仓[4][35] **模型具体构建过程**： * **步骤一：筛选绩优经纪商池**。以月末为截面，对全部经纪商计算两个指标：超额夏普比率（相对于基准）和月度胜率。将这两个指标分别进行标准化处理，然后等权相加得到每个经纪商的综合得分。选取综合得分最高的N家经纪商构成当期的绩优经纪商池[39]。 * **步骤二：构建股票组合**。将资金等权分配给这N家经纪商，汇总它们最新的持仓。将所有汇总持仓的股票按合计权重从高到低排序，保留权重最高的M只股票。最后，对这M只股票进行等权配置，形成当期的股票组合[39]。 * **参数设定**：在报告中，设定经纪商数量 N=10，股票数量 M=20[39]。基准指数为恒生指数[4]。 模型的回测效果 1. **港股 CCASS 优选 20 组合**，**全区间（2020.1~2026.1）年化超额收益率** 19.3%[41]，**全区间超额夏普比率** 2.45[41]，**全区间最大回撤** -7.6%[42]，**全区间月度胜率** 75.3%[42] 2. **港股 CCASS 优选 20 组合**，**2026年1月收益率** 6.32%[41]，**2026年1月超额收益率（相对恒生指数）** -0.53%[41] 3. **港股 CCASS 优选 20 组合**，**2020年年化超额收益率** 30.9%[42]，**2020年夏普比率** 2.99[42]，**2020年最大回撤** -4.8%[42]，**2020年月度胜率** 75.0%[42] 4. **港股 CCASS 优选 20 组合**，**2021年年化超额收益率** 12.0%[42]，**2021年夏普比率** 1.49[42]，**2021年最大回撤** -4.9%[42]，**2021年月度胜率** 66.7%[42] 5. **港股 CCASS 优选 20 组合**，**2022年年化超额收益率** 11.9%[42]，**2022年夏普比率** 1.41[42]，**2022年最大回撤** -6.0%[42]，**2022年月度胜率** 66.7%[42] 6. **港股 CCASS 优选 20 组合**，**2023年年化超额收益率** 22.5%[42]，**2023年夏普比率** 3.21[42]，**2023年最大回撤** -3.3%[42]，**2023年月度胜率** 75.0%[42] 7. **港股 CCASS 优选 20 组合**，**2024年年化超额收益率** 23.2%[42]，**2024年夏普比率** 3.19[42]，**2024年最大回撤** -3.9%[42]，**2024年月度胜率** 91.7%[42] 8. **港股 CCASS 优选 20 组合**，**2025年年化超额收益率** 18.6%[42]，**2025年夏普比率** 3.44[42]，**2025年最大回撤** -2.6%[42]，**2025年月度胜率** 83.3%[42] 9. **港股 CCASS 优选 20 组合**，**2026年以来年化超额收益率** -6.2%[42]，**2026年以来夏普比率** -1.28[42]，**2026年以来最大回撤** -1.8%[42]，**2026年以来月度胜率** 0.0%[42] 量化因子与构建方式 1. **因子名称**：经纪商综合得分[39] **因子构建思路**：通过标准化并合成经纪商的超额夏普比率和月度胜率两个绩效指标，得到一个用于横向比较和筛选经纪商的综合分数[39] **因子具体构建过程**： * 在每月末的截面上，对于每个经纪商，计算其历史（或指定回溯期）相对于基准（如恒生指数）的**超额夏普比率**和**月度胜率**[39]。 * 分别对全市场所有经纪商的这两个指标值进行**标准化处理**（例如Z-Score标准化）[39]。 * 将标准化后的超额夏普比率与标准化后的月度胜率进行**等权相加**，得到该经纪商的综合得分[39]。 * 公式可表示为： $$综合得分_i = Z(超额夏普比率_i) + Z(月度胜率_i)$$ 其中，$Z(\cdot)$ 代表标准化处理，$i$ 代表第 $i$ 个经纪商[39]。 因子的回测效果 （报告中未提供“经纪商综合得分”因子在选股层面的独立测试结果，仅将其作为中间步骤用于筛选经纪商，因此本部分无相关内容。）

量化模型与构建方式 根据提供的研报内容，该报告为一份市场数据统计周报，主要描述融资融券业务的整体市场概况、行业及个股数据，并未涉及具体的量化模型或量化因子的构建、测试与评价。因此，**本报告中未包含需要总结的量化模型或量化因子**。 模型的回测效果 报告中未涉及量化模型，因此无相关内容。 量化因子与构建方式 报告中未涉及量化因子，因此无相关内容。 因子的回测效果 报告中未涉及量化因子，因此无相关内容。