报告行业投资评级 - 报告未对特定行业给出明确的“看好”、“中性”或“看淡”评级，其核心内容是基于量化模型对多个资产类别（包括债券、股票指数、商品）的短期多空观点进行判断 [3][6] 报告核心观点 - 量化模型对多个关键资产给出了明确的短期多空观点，整体上对部分债券和商品持看多态度，而对部分股票指数和超长期国债持调整或震荡观点 [3][6] - 对于债券市场，模型看多3年AAA中短票和2年国债，对30年国债持调整观点，对10年国债持震荡观点 [3][6] - 对于股票市场，模型看多万得微盘指数，对万得全A指数、科创50指数、国证2000指数持调整观点，对中证红利全收益指数、恒生科技指数持震荡观点 [3][6] - 对于商品市场，模型看多COMEX黄金，对IPE布油持震荡观点 [3][6] 根据相关目录分别进行总结 量化日报 | 超长仍处调整区间 - 模型观点汇总：看多资产包括3年AAA中短票、2年国债、COMEX黄金、IPE布油；调整资产包括30年国债、恒生科技指数、科创50指数、国证2000指数；震荡资产包括10年国债、中证红利全收益指数、万得全A指数、万得微盘指数 [6] - **30年国债**：原始信号为62.58%，其5日移动平均（MA5）为66.26%，模型观点为【调整】，信号已持续【3】个交易日 [3][6] - **3年AAA中短票**：原始信号为16.06%，MA5为31.40%，模型观点由【震荡】转为【看多】，信号持续【1】个交易日 [3][6] - **10年国债**：原始信号为64.12%，MA5为49.35%，模型观点为【震荡】，信号持续【3】个交易日 [3][6] - **2年国债**：原始信号为29.05%，MA5为30.52%，模型观点为【看多】，信号持续【超过10】个交易日 [3][6] - **万得全A指数**：原始信号为73.94%，MA5为74.91%，模型观点为【调整】，信号持续【3】个交易日 [3][6] - **中证红利全收益指数**：原始信号为70.45%，MA5为46.67%，模型观点由【看多】转为【震荡】，信号持续【1】个交易日 [3][6] - **恒生科技指数**：原始信号为58.13%，MA5为53.25%，模型观点为【震荡】，信号持续【4】个交易日 [3][6] - **科创50指数**：原始信号为75.95%，MA5为69.47%，模型观点为【调整】，信号持续【超过10】个交易日 [3][6] - **万得微盘指数**：原始信号为18.67%，MA5为16.99%，模型观点为【看多】，信号持续【4】个交易日 [3][6] - **国证2000指数**：原始信号为43.82%，MA5为60.99%，模型观点为【调整】，信号持续【2】个交易日 [3][6] - **COMEX黄金**：原始信号为28.71%，MA5为25.89%，模型观点为【看多】，信号持续【超过10】个交易日 [3][6] - **IPE布油**：原始信号为62.79%，MA5为47.48%，模型观点由【看多】转为【震荡】，信号持续【1】个交易日 [3][6] - 模型阈值规则：对于利率（国债），模型输出百分比大于60%看空（调整），小于40%看多，中间为震荡；对于股指，模型输出百分比大于60%看多，小于40%看空（调整），中间为震荡 [7]

量化模型与构建方式 1. **模型名称：择时信号模型**[7] **模型构建思路：** 基于特定模型和历史数据，计算资产在未来短期内价格上行的概率估计，并以此生成多空观点[7]。 **模型具体构建过程：** 1. 模型输入历史数据，通过特定算法（报告中未明确具体算法，如逻辑回归、机器学习模型等）计算出一个“原始信号”值，该值代表模型对资产未来短期内价格上行的概率估计，以百分比形式表示[7]。公式为： $$原始信号 = f(历史数据)$$ 其中，`f` 代表未公开的模型算法，`历史数据` 为模型输入的特征变量。 2. 对原始信号进行5日移动平均（MA5）平滑处理，以降低信号的短期波动[3][6]。 $$MA5 = \frac{1}{5} \sum_{i=0}^{4} 原始信号_{t-i}$$ 3. 根据资产类型（利率债/股指/商品）和预设的阈值，将平滑后的信号（MA5）转化为具体的多空观点[7]。 * 对于利率债（如国债、中短票）：当 MA5 > 60% 时，观点为“看空”（报告中表述为“调整”）；当 MA5 < 40% 时，观点为“看多”；在40%至60%之间时，观点为“震荡”[7]。 * 对于股指和商品（如黄金、原油）：当 MA5 > 60% 时，观点为“看多”；当 MA5 < 40% 时，观点为“看空”（报告中表述为“调整”）；在40%至60%之间时，观点为“震荡”[7]。 量化因子与构建方式 *（注：本报告主要展示模型的应用结果，未详细阐述或构建具体的量化因子。报告内容集中于模型输出的择时信号及其应用，未涉及如价值、动量、波动率等传统量化因子的构建与分析。）* 模型的回测效果 *（注：本报告为日常跟踪报告，展示了模型在多个资产上的最新信号输出，但未提供历史回测的统计指标，如年化收益率、夏普比率、最大回撤、信息比率（IR）等。因此，此处无法列出模型在统一口径下的量化回测指标取值。）* 因子的回测效果 *（注：本报告未涉及具体量化因子的测试，因此无相关回测效果数据。）*

文章核心观点 - AI“养龙虾”（OpenClaw）的爆火，标志着市场对AI技术的需求从“能聊”（信息处理与生成）向“能做”（自主决策与闭环执行）的范式跃迁，其核心在于实现了“数据驱动+实时决策+自动执行”的技术范式，将大模型封装为可编排、可执行的智能体（Agent）[4] - 多家量化私募认为，这一现象与量化投资在“先训练后执行”的底层逻辑上高度相似，但其应用场景、风险属性和核心要求存在本质区别，量化投资面对的是充满博弈和不确定性的金融市场，对风险控制、策略迭代深度和泛化能力的要求远高于通用任务自动化[15][16][19] - AI智能体技术在量化投研中具有明确且广泛的应用场景，主要集中在自动化因子挖掘、实时风控、投研流程提效（如数据清洗、报告生成）以及处理另类数据等方面，但目前多数机构处于试点验证阶段，核心挑战在于数据安全、模型“幻觉”和与现有体系的融合[21][24][28] - AI技术正从量化行业的“可选项”变为“必选项”，AI智能体的发展将加剧行业竞争，可能加速行业分化，但最终竞争力取决于机构能否将AI技术与投资研究、数据工程和风险控制深度结合，而非单纯拥有技术工具[30][31] AI“养龙虾”反映的市场需求与核心竞争力 - **市场需求变化**：市场对AI的需求已从“看模型/看回答”升级为“看系统/看执行”，从被动应答、信息处理转向主动执行、完成闭环任务，并追求低门槛和全民可用[4][5][6] - **核心突破**：最核心的突破在于实现了从“指令式AI”到“目标驱动型AI”的跃迁，将大模型封装进可执行、可编排的智能体框架，赋予AI“手”和“脚”，实现“感知-决策-执行”的全流程自动化[4][6][7] - **核心竞争力**：核心竞争力是“数据驱动+实时决策+自动执行”的技术范式，具体表现为全流程自主闭环、低门槛适配性、场景泛化能力，以及“本地化部署+系统级权限+开源生态”构建的安全、私有且可扩展的“数字管家”能力[4][6][8] AI“养龙虾”的产业链投资价值 - **具备投资价值**：AI智能体在AI算力、AI应用、数据服务等相关产业链上具备明确的投资价值。本地部署推动端侧硬件需求，云端部署利好云服务商；企业级定制化应用（如金融流程自动化）空间广阔；隐私计算、数据清洗等配套服务需求增长[11][12] - **价值需理性看待**：投资价值需穿透现象看本质，更应关注支撑其运行的通用型智能体架构及底层基础设施（如算力调度、边缘计算），而非单一实验案例。需考察其是否具备闭环的商业落地能力及可持续的护城河（如私有数据、场景Know-how），对缺乏实际场景支撑的纯概念项目应持谨慎态度[11][12] - **产业链环节分化**：算力/云服务短期受益最直接；应用层当前有价值但未来竞争将收紧；数据服务价值暂不明显，因为OpenClaw的核心逻辑是用户喂养私有数据，与传统数据标注商业模式存在根本差异[13] AI“养龙虾”与量化投资的异同 - **相似之处**：两者在底层逻辑上都遵循“先训练（养成）、后执行、再优化”的范式，依赖海量数据与算力，追求通过反馈闭环实现持续优化，并强调纪律化、自动化的7×24小时执行[15][16][18] - **核心区别**： - **环境与目标**：AI“养龙虾”是在规则相对清晰的环境中提升流程执行效率（降本增效），而量化投资是在充满噪声、强博弈、持续变化的金融市场中寻求风险收益平衡下的超额收益[16][17][19] - **风险属性**：量化投资面对的是真金白银的市场风险、策略失效风险，对风险控制（模型可验证、过程可监控）的要求极端严苛；AI“养龙虾”主要面临操作风险（如权限失控）[15][17] - **专业深度**：量化投资需要“手术刀”般的专业精度和极强的泛化能力，避免过拟合；通用智能体（Agent）往往追求“什么都能做”的广度，但专业深度可能不足[16][19] AI“养龙虾”能力在量化投研的具体应用场景 - **自动化研究流程**：应用于自动化因子工程、策略回测、另类数据（新闻、舆情）的实时抓取与结构化处理，提升策略迭代效率[24][26][28] - **投研流程提效**：自动完成数据清洗、信息整理、会议纪要生成、研报撰写等重复性工作，让研究员聚焦于逻辑判断[22][24] - **实时风控与交易执行**：实时监控市场流动性、政策舆情、持仓风险等多维度信号，并秒级响应调整交易指令[21][24] - **非核心模块开发**：利用智能体辅助代码生成与测试，释放研究人员精力[27] - **当前应用阶段与挑战**：多数机构处于“试点验证与内部工具化”阶段，应用于非核心交易环节。核心挑战包括数据与策略资产的绝对安全、模型“幻觉”、权限管理与合规审查[22][24][28][29] AI智能体对量化行业竞争格局的影响 - **加速行业分化**：AI技术正成为量化行业的重要基础设施，可能加剧行业分化。头部机构凭借更强的技术、人才、数据和算力基础，能更快将工具优势转化为长期优势，扩大规模效应[30][31] - **改变竞争维度**：行业竞争从“算力+模型”的军备竞赛，延伸至“工程化落地+人机协作”的效率竞赛，对机构的管理和组织架构提出全新考验[28][32] - **非颠覆性洗牌**：技术本身不会颠覆行业多元生态，真正的“洗牌”本质是优胜劣汰。最终竞争力取决于机构能否将AI技术与深刻的投资哲学、扎实的投研、严谨的风控深度融合，并构建能够激发创新的内部组织生态[30][31][32]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：微盘股轮动与择时模型**[19][20][27] * **模型构建思路**：构建一个综合模型，用于在微盘股与茅指数（代表大盘核心资产）之间进行轮动配置，并监控微盘股的系统性风险以进行择时[19][20]。 * **模型具体构建过程**：该模型由两个子策略组成： * **轮动子策略**：结合两个指标生成配置信号。 1. **大小盘轮动指标**：计算微盘股指数与茅指数的相对净值。当该相对净值高于其243日移动平均线时，倾向于投资微盘股；反之则投资茅指数[19][27]。 2. **动量辅助指标**：计算微盘股指数和茅指数的20日收盘价斜率。当两个指数的斜率方向相反且一方为正时，选择投资斜率为正的指数[19][27]。 * **M1轮动子策略**：监控M1同比指标的6个月移动平均值。当该移动平均值下行时，中期配置从微盘股切换至茅指数[19]。 * **综合信号**：综合以上两个子策略的信号，决定最终配置方向（微盘股、茅指数或均衡配置）[19]。 * **择时风控子策略**：基于两个宏观风险指标监控微盘股的中期系统性风险，任一指标触及阈值则发出平仓信号。 1. **利率风险指标**：十年期国债到期收益率同比。阈值设为0.3（即30%）[27]。 2. **波动率风险指标**：微盘股波动率拥挤度同比。阈值设为0.55（即55%）[27]。 2. **模型名称：宏观择时模型**[48] * **模型构建思路**：基于动态宏观事件因子构建股债轮动策略，以判断中期权益资产的推荐仓位[48]。 * **模型具体构建过程**：模型从经济增长和货币流动性两个维度生成信号，并综合得出股票仓位建议。具体细节可参考相关历史研究报告[48]。 模型的回测效果 1. **宏观择时模型**，2025年年初至今收益率为14.59%，同期Wind全A收益率为26.87%[48]。3月份模型给出的权益推荐仓位为30%，其中经济增长层面信号强度为0%，货币流动性层面信号强度为60%[48][49]。 量化因子与构建方式 1. **因子名称：一致预期因子**[67][70] * **因子构建思路**：使用分析师一致预期数据构建因子，预测未来盈利改善或股价上涨潜力[67][70]。 * **因子具体构建过程**：包含多个细分因子，例如： * `EPS_FTTM_Chg3M`：未来12个月一致预期EPS过去3个月的变化率[70]。 * `ROE_FTTM_Chg3M`：未来12个月一致预期ROE过去3个月的变化率[70]。 * `TargetReturn_180D`：一致预期目标价相对于目前股价的收益率[70]。 2. **因子名称：市值因子**[67] * **因子构建思路**：使用公司规模（市值）作为选股因子[67]。 * **因子具体构建过程**： * `LN_MktCap`：流通市值的对数[67]。 3. **因子名称：成长因子**[67][70] * **因子构建思路**：使用公司财务数据的增长指标来识别成长性高的公司[67][70]。 * **因子具体构建过程**：包含多个细分因子，例如： * `NetIncome_SQ_Chg1Y`：单季度净利润同比增速[67]。 * `OperatingIncome_SQ_Chg1Y`：单季度营业利润同比增速[67]。 * `Revenues_SQ_Chg1Y`：单季度营业收入同比增速[70]。 * `ROE_FTTM`：未来12个月一致预期净利润/股东权益均值[70]。 4. **因子名称：反转因子**[70] * **因子构建思路**：基于股票过去一段时间的价格表现，认为过去表现差的股票未来可能反弹，过去表现好的股票未来可能回调[70]。 * **因子具体构建过程**：使用不同时间窗口的收益率作为因子，例如： * `Price_Chg20D`：20日收益率[70]。 * `Price_Chg40D`：40日收益率[70]。 * `Price_Chg60D`：60日收益率[70]。 * `Price_Chg120D`：120日收益率[70]。 5. **因子名称：质量因子**[70] * **因子构建思路**：使用公司的盈利能力、运营效率、财务稳健性等指标来评估公司质量[70]。 * **因子具体构建过程**：包含多个细分因子，例如： * `OCF2CurrentDebt`：过去12个月经营现金流净额/流动负债均值[70]。 * `GrossMargin_TTM`：过去12个月毛利率[70]。 * `Revenues2Asset_TTM`：过去12个月营业收入/总资产均值[70]。 6. **因子名称：技术因子**[70] * **因子构建思路**：基于市场交易数据（如成交量、换手率、价格形态）构建因子[70]。 * **因子具体构建过程**：包含多个细分因子，例如： * `Volume_Mean_20D_240D`：20日成交量均值/240日成交量均值[70]。 * `Skewness_240D`：240日收益率偏度[70]。 * `Volume_CV_20D`：20日成交量标准差/20日成交量均值[70]。 * `Turnover_Mean_20D`：20日换手率均值[70]。 7. **因子名称：价值因子**[67][70] * **因子构建思路**：寻找市场价格低于其内在价值的公司，常用估值比率衡量[67][70]。 * **因子具体构建过程**：包含多个细分因子，例如： * `BP_LR`：最新年报账面净资产/最新市值[67]。 * `EP_FTTM`：未来12个月一致预期净利润/最新市值[67]。 * `SP_TTM`：过去12个月营业收入/最新市值[67]。 * `EP_FY0`：当期年报一致预期净利润/最新市值[67]。 * `Sales2EV`：过去12个月营业收入/企业价值[67]。 8. **因子名称：波动率因子**[70] * **因子构建思路**：使用股票收益率的波动性作为风险或特质的度量[70]。 * **因子具体构建过程**：包含多个细分因子，例如： * `Volatility_60D`：60日收益率标准差[70]。 * `IV_CAPM`：CAPM模型残差波动率[70]。 * `IV_FF`：Fama-French三因子模型残差波动率[70]。 * `IV_Carhart`：Carhart四因子模型残差波动率[70]。 9. **因子名称：可转债择券因子**[64] * **因子构建思路**：针对可转债构建量化择券因子，主要包括从正股维度迁移的因子和转债特有的估值因子[64]。 * **因子具体构建过程**： * **正股因子**：从预测正股的因子（如价值、成长、一致预期、财务质量）来构建可转债因子[64]。 * **转债估值因子**：使用平价底价溢价率等指标[64]。 因子的回测效果 （以下数据均基于“上周”时间窗口，IC均值为百分比，多空收益为百分比）[56] 1. **一致预期因子** * 全部A股 IC均值：2.24%， 多空收益：1.03%[56] * 沪深300 IC均值：-3.94%， 多空收益：-1.57%[56] * 中证500 IC均值：1.89%， 多空收益：0.78%[56] * 中证1000 IC均值：8.72%， 多空收益：2.02%[56] 2. **市值因子** * 全部A股 IC均值：-2.07%， 多空收益：-0.15%[56] * 沪深300 IC均值：0.93%， 多空收益：0.58%[56] * 中证500 IC均值：20.14%， 多空收益：3.31%[56] * 中证1000 IC均值：11.10%， 多空收益：0.77%[56] 3. **成长因子** * 全部A股 IC均值：-3.37%， 多空收益：0.06%[56] * 沪深300 IC均值：-17.25%， 多空收益：-0.29%[56] * 中证500 IC均值：1.14%， 多空收益：2.77%[56] * 中证1000 IC均值：-6.32%， 多空收益：-0.01%[56] 4. **反转因子** * 全部A股 IC均值：5.36%， 多空收益：0.37%[56] * 沪深300 IC均值：13.28%， 多空收益：0.81%[56] * 中证500 IC均值：16.64%， 多空收益：1.34%[56] * 中证1000 IC均值：7.80%， 多空收益：0.39%[56] 5. **质量因子** * 全部A股 IC均值：-6.95%， 多空收益：-1.44%[56] * 沪深300 IC均值：-0.76%， 多空收益：0.73%[56] * 中证500 IC均值：-4.95%， 多空收益：-2.15%[56] * 中证1000 IC均值：-8.44%， 多空收益：-1.68%[56] 6. **技术因子** * 全部A股 IC均值：12.50%， 多空收益：0.94%[56] * 沪深300 IC均值：2.99%， 多空收益：-0.83%[56] * 中证500 IC均值：11.04%， 多空收益：1.73%[56] * 中证1000 IC均值：13.76%， 多空收益：0.51%[56] 7. **价值因子** * 全部A股 IC均值：17.90%， 多空收益：2.18%[56] * 沪深300 IC均值：18.46%， 多空收益：6.33%[56] * 中证500 IC均值：22.43%， 多空收益：3.16%[56] * 中证1000 IC均值：25.13%， 多空收益：2.99%[56] 8. **波动率因子** * 全部A股 IC均值：未提供， 多空收益：未提供[56] * 沪深300 IC均值：21.49%， 多空收益：2.24%[56] * 中证500 IC均值：19.50%， 多空收益：3.29%[56] * 中证1000 IC均值：23.41%， 多空收益：2.09%[56] **因子评价**：过去一周，受地缘冲突与海外滞胀预期影响，市场资金追逐具有避险属性和涨价逻辑的资产，导致价值因子、波动率因子和技术因子表现极佳，而一致预期和成长因子继续承压[6][55]。展望未来，由于中东地缘风险与滞胀担忧仍在维持，预计价值因子仍会维持强势表现[6][55]。

2026 年 03 月 16 日 万家基金乔亮：前沿量化实现稳定 超额，双重策略力争战胜偏股混基 指数 相关研究 ——基金经理研究系列报告之九十三 《重塑基金业绩衡量体系：另辟蹊 径探索定量选基新思路——基金投 资策略研究系列报告之八》 2025/05/09 证券分析师 奚佳诚 A0230523070004 xijc@swsresearch.com 蒋辛 A0230521080002 jiangxin@swsresearch.com 邓虎 A0230520070003 denghu@swsresearch.com 联系人 奚佳诚 A0230523070004 xijc@swsresearch.com 权 益 量 化 研 究 证 券 研 究 报 告 请务必仔细阅读正文之后的各项信息披露与声明 股 票 基 金 ⚫ 万家基金乔亮：美国斯坦福大学工商管理博士，曾任美国巴克莱国际投资管理公司投资部 基金经理，加拿大退休基金国际投资管理公司量化投资部基金经理，南方基金管理有限公 司数量化投资部投资经理，通联数据股份公司联合创始人、首席投资官，上海寻乾资产管 理有限公司投资总监、总经理，巨杉(上海)资产管理有限公司量化投资 ...

报告行业投资评级 未提及 报告的核心观点 万家基金乔亮带领的团队构建科学量化投资体系，采用双重增强主动量化策略，旗下万家量化睿选和万家元贞量化选股长期表现领先，万家元贞量化选股收益来源多样且具备一定产品特征 [3][7][11] 根据相关目录分别进行总结 万家基金乔亮：前沿量化实现稳定超额，双重策略力争战胜偏股混基指数 - 基金经理基本信息：乔亮是美国斯坦福大学工商管理博士，有丰富从业经历，2019年7月入职万家基金，截至2025Q4在管11只基金，规模64.04亿元，9只管理超2年的产品较基准有显著超额，万家量化睿选和万家元贞量化选股采用885001增强策略 [3][7] - 量化团队框架：以多因子选股模型为基础，结合风险预测、组合优化、收益风险归因系统形成全流程量化管理闭环，具备因子体系广且深、风险控制精细系统、策略迭代自适应的特点 [11] - 战胜偏股基金指数的路径：采用双重增强主动量化策略，先构建“优秀权益基金持仓指数”，再在此基础上挖掘额外超额收益，结合主动基金智慧和量化模型效率 [16] 乔亮所管885001增强策略产品业绩表现 - 业绩走势：万家量化睿选2022年以来累计回报38.23%，万家元贞量化选股2023/6/30至2026/2/28累计回报47.65%，均领先885001，2025年下半年以来超额显著且信息比率高 [21][24] - 相对表现：万家量化睿选和万家元贞量化选股季度收益胜率较好，万家元贞量化选股季度绝对收益胜率66.7%，季度平均回报4.08%，较885001季度胜率66.7%，季度平均超额1.78% [28] - 超额业绩动量：近一年万家量化睿选与万家元贞量化超额动量分位数分别为99.8%和99.6%，近两年分位数超95%，逆境表现更强，防守和进攻属性较好 [32] 万家元贞量化选股产品特征分析 - 投资策略特征：个股持仓分散，前十大占比10% - 16%，前三十大占比30% - 35%，换手率高，2024年各期超10倍，25H1降至9倍左右，无过度市值下沉操作 [35] - 持仓行业分布：各期行业分布有适度变化，会主动调整寻求超额收益，相对885001行业分布偏离度可控，25H1偏离度收敛 [43][46] - 收益拆分：超额收益来源多样，交易、行业配置、资产配置和选股均有贡献，科技创新板块绝对收益贡献多，2025年以来多行业创造较高相对收益 [50][55] 万家元贞量化选股产品信息 - 产品成立于2023年3月，由乔亮担任基金经理，目标是控制风险、保持流动性前提下实现资产增值，管理费率1.20%，托管费率0.20% [60]

量化模型与构建方式 1. **模型名称：三维择时框架**[6][9] * **模型构建思路**：通过监测市场分歧度、流动性和景气度三个维度的趋势变化，综合判断市场整体走势（震荡上涨、震荡下跌、趋势上涨、趋势下跌）[6][9]。 * **模型具体构建过程**：报告未详细描述三个具体指数的构建公式，但明确了其构建逻辑。市场分歧度指数用于衡量投资者观点分歧程度[16]。市场流动性指数用于衡量市场资金面松紧状况[23]。A股景气度指数2.0用于衡量上市公司盈利增长趋势[19]。通过观察这三个指数的变化趋势（上行或下行），将其映射到“分歧度-流动性-景气度”三维坐标系中，从而对市场状态进行判断[9]。 2. **模型名称：ETF热点趋势策略**[27] * **模型构建思路**：结合技术形态（价格趋势）和市场情绪（换手率变化），筛选出处于强势上涨趋势且市场关注度短期显著提升的ETF构建组合[27]。 * **模型具体构建过程**： 1. **初选**：根据K线形态，筛选出最高价与最低价同时呈现上涨形态的ETF[27]。 2. **构建支撑阻力因子**：基于最高价与最低价近20日的回归系数，计算其相对陡峭程度，以此构建因子[27]。 3. **筛选关注度提升品种**：在支撑阻力因子的多头组中，选择近5日换手率与近20日换手率比值最高的ETF，即短期市场关注度明显提升的品种[27]。 4. **组合构建**：最终选择10只ETF，采用风险平价方法构建投资组合[27]。 3. **模型名称：融资-主动大单资金流共振策略**[34] * **模型构建思路**：利用融资融券资金流和主动大单资金流两种不同类型资金的共振效应，筛选出资金面共同看好的行业[34]。 * **模型具体构建过程**： 1. **构建行业融资融券资金因子**：计算行业内个股的融资净买入减去融券净卖出并加总，然后使用Barra市值因子进行中性化处理。取该中性化后序列的最近50日均值，并计算其两周环比变化率[34]。 2. **构建行业主动大单资金因子**：计算行业资金净流入，并使用行业最近一年的成交量进行时序中性化处理，然后进行排序打分。取该排序分值的最近10日均值[34]。 3. **策略逻辑**：研究发现，融资融券因子的多头端在某些市场状态下有稳定的负向超额收益，而主动大单因子（剔除极端多头行业后）有稳定的正向超额收益。因此，策略在主动大单因子的头部打分行业内，剔除融资融券因子也处于头部的行业，以提高策略稳定性。最后，再剔除大金融板块[34]。 4. **模型名称：全天候配置策略（高波版与低波版）**[38] * **模型构建思路**：通过资产选择、风险调整和结构对冲三项原则，构建分散化的投资组合，旨在不依赖宏观预测和杠杆的情况下获取稳健的绝对收益[38]。 * **模型具体构建过程**：报告未提供具体的资产配置权重计算公式，但阐述了核心设计原则。 1. **核心原则**：遵循资产选择、风险调整、结构对冲三项基本原则以实现收益稳定[38]。 2. **对冲构型**：采用循环对冲设计，直接针对资产波动进行长期收益平衡，绕过对宏观因素的刻画[38]。 3. **组合分类**：根据风险水平分为高波版和低波版。高波版采用“四层结构化-股债金风险平价”方法；低波版采用“五层结构化-风险预算”方法[38][40][42]。 4. **资产类别**：组合涵盖A股、H股、美股、债券、商品（黄金、有色金属、能源化工、豆粕）等多种资产[48]。 量化因子与构建方式 1. **因子名称：支撑阻力因子**[27] * **因子构建思路**：通过计算价格高点与低点回归线的陡峭程度，来衡量ETF价格的上涨动力或阻力强度[27]。 * **因子具体构建过程**：对于每只ETF，分别对其最高价和最低价序列进行近20日的线性回归。该因子的值即为两个回归线斜率的相对陡峭程度，具体计算公式未在报告中给出[27]。 2. **因子名称：行业融资融券资金因子**[34] * **因子构建思路**：衡量经过市值调整后的行业层面融资客资金流向的近期变化强度[34]。 * **因子具体构建过程**： 1. 计算行业内各股票的融资净买入与融券净卖出之差，并在行业内加总，得到原始行业两融资金流。 2. 使用Barra市值因子对该原始序列进行横截面中性化处理。 3. 计算中性化后序列的50日移动平均值。 4. 计算该50日均值的两周环比变化率，作为最终的因子值[34]。 3. **因子名称：行业主动大单资金因子**[34] * **因子构建思路**：衡量经过自身成交量调整后的行业层面主力资金（大单）净流入强度的近期平均水平[34]。 * **因子具体构建过程**： 1. 计算行业的主动大单资金净流入额。 2. 使用该行业自身最近一年的成交量时间序列，对资金净流入序列进行时序中性化处理。 3. 将中性化后的序列在全市场行业内进行排序并转化为分位数打分。 4. 取该排序分值的10日移动平均值，作为最终的因子值[34]。 4. **风格因子组**：报告提及了价值因子、盈利收益率因子、杠杆因子，并指出本周市场呈现“高价值高盈利收益率高杠杆”的风格特征，但未提供这些因子的具体构建公式[49]。 5. **Alpha因子组**：报告列出了大量Alpha因子及其近期表现，但未提供具体构建公式。这些因子主要包括： * **估值类**：未来三年一致预期市盈率倒数（ep_fy3）、市盈率倒数fttm（ep_fttm）、一致预期市盈率倒数（est_ep）、市销率倒数（sp）、股息率（dividend_yield_ratio）等[54]。 * **盈利与质量类**：营业收入TTM（or_ttm）、经营现金流TTM/总市值（ocfp）、单季度ROA同比差值（roa_q_delta_adv）、营业利润TTM/销售费用TTM（oper_salesexp）等[54][57]。 * **成长与预期类**：一致预期净利润（FY1）变化占比（mom1_np_fy1）、一致预期营收（FY1）变化占比（mom3_rev_fy1）、一致预期EPS变化占比（mom3_eps_fy1）、PEG（peg）等[56][57]。 * **动量与波动类**：一周收益标准差（return_std_1w）、十二个月收益标准差（return_std_12m）、3月最高价/3月最低价（close_max_div_min_3m）、2年的收益率（mom_2y）、十二个月残差动量（specific_mom12）等[54][57]。 * **情绪与交易类**：近252交易日平均换手率的自然对数（swap_1y）、换手率波动（turnover_std_3m）等[54]。 * **分析师预期类**：评级上下调差/评级上下调和（est_num_diff）、est eps刷量（mom_est_eps）等[57]。 模型的回测效果 1. **三维择时框架**：报告展示了该框架的历史状态划分图（图3、图4），但未提供具体的量化回测指标（如年化收益率、夏普比率等）[9][12]。 2. **ETF热点趋势策略**：2025年以来，策略收益为65.46%，相比沪深300指数的超额收益为43.25%[27]。 3. **融资-主动大单资金流共振策略**： * 2018年以来费后年化超额收益为14.3%，信息比率（IR）为1.3[34]。 * 策略上周（报告期）绝对收益为-1.51%，相对行业等权基准的超额收益为-0.91%[34]。 4. **全天候配置策略**： * **高波版**：截至2025年，年化收益率11.8%，年平均最大回撤3.6%，夏普比率1.9。2026年以来收益率2.9%[46]。 * **低波版**：截至2025年，年化收益率6.7%，年平均最大回撤2.0%，夏普比率2.4。2026年以来收益率1.3%[46]。 因子的回测效果 1. **风格因子（本周表现）**： * 价值因子周收益：3.08%[49] * 盈利收益率因子周收益：2.10%[49] * 杠杆因子周收益：1.93%[49] 2. **Alpha因子（近一周多头超额收益）**：报告以表格形式列出了近一周和近一个月表现最好的20个因子及其多头超额收益[54]。部分关键因子近一周表现如下： * 未来三年一致预期市盈率倒数（ep_fy3）：1.13%[54] * 一周收益标准差（return_std_1w）：1.07%[54] * 十二个月收益标准差（return_std_12m）：1.00%[54] * 市盈率倒数fttm（ep_fttm）：0.99%[54] * 一致预期市盈率倒数（est_ep）：0.99%[54] 3. **Alpha因子（分指数最近一年多头超额收益）**：报告展示了在不同宽基指数（沪深300、中证500、中证800、中证1000）中，最近一年表现最佳的因子及其超额收益[57]。部分代表性因子表现如下： * **沪深300中表现最佳**：评级上下调差/评级上下调和（est_num_diff），超额收益34.58%[57] * **中证500中表现最佳**：一致预期净利润（FY1）变化占比（mom1_np_fy1），超额收益15.80%[57] * **中证800中表现最佳**：一致预期净利润（FY1）变化占比（mom3_np_fy1），超额收益28.07%[57] * **中证1000中表现最佳**：单季度净利润同比增长(考虑快报、预告)（yoy_np_q_adv），超额收益23.09%[57]

量化因子总结 量化因子与构建方式 1. **因子名称：估值因子** [17] * **因子构建思路：** 通过衡量股票价格与其基本面价值（如盈利、净资产、销售额）的相对高低，来识别被市场低估或高估的股票[9]。价值风格被视为典型的防御性因子[10]。 * **因子具体构建过程：** 估值因子是一个大类因子，由多个细分估值因子合成。报告展示了其细分因子，主要包括： * **估值-EP (盈利收益率因子):** 通常为每股收益(EPS)与股价(P)的比率，即 $$EP = \frac{EPS}{P}$$，代表单位价格对应的盈利水平[18]。 * **估值-BP (账面市值比因子):** 通常为每股净资产(BPS)与股价(P)的比率，即 $$BP = \frac{BPS}{P}$$，代表单位价格对应的净资产[18]。 * **估值-SP (销售收入市值比因子):** 通常为每股销售收入(SPS)与股价(P)的比率，即 $$SP = \frac{SPS}{P}$$，代表单位价格对应的销售收入[18]。 * **股息率:** 通常为每股股息(DPS)与股价(P)的比率，即 $$股息率 = \frac{DPS}{P}$$，代表股票的现金回报率[18]。 2. **因子名称：成长因子** [17] * **因子构建思路：** 通过衡量公司基本面指标（如营业收入、净利润）的增长速度，来识别具有高成长潜力的股票[2]。 * **因子具体构建过程：** 成长因子是一个大类因子，由多个衡量增长的细分因子合成。报告展示了其细分因子，主要包括： * **营业收入增长率** [18] * **净利润增长率** [18] * **ROE增长率** [18] 3. **因子名称：盈利因子** [17] * **因子构建思路：** 通过衡量公司的盈利能力，如净资产收益率、总资产收益率等，来识别盈利质量高、盈利能力强的公司[2]。 * **因子具体构建过程：** 盈利因子是一个大类因子，由多个衡量盈利能力的细分因子合成。报告展示了其细分因子，主要包括： * **ROE (净资产收益率)** [18] * **ROA (总资产收益率)** [18] * **毛利率** [18] * **净利率** [18] 4. **因子名称：小市值因子** [17] * **因子构建思路：** 认为市值较小的公司可能具有更高的成长性和弹性，长期来看能获得超额收益[2]。 5. **因子名称：反转因子** [17] * **因子构建思路：** 基于市场短期过度反应或反应不足的假设，认为过去一段时间表现较差的股票在未来可能反弹，而表现过好的股票可能回调[2]。 * **因子具体构建过程：** 反转因子是一个大类因子，由多个不同时间窗口和计算方法的细分反转因子合成。报告展示了其细分因子，主要包括： * **1个月反转:** 基于过去1个月的收益率构建[18]。 * **3个月反转:** 基于过去3个月的收益率构建[18]。 * **衰减换手率加权3个月反转:** 在3个月反转的基础上，使用衰减的换手率对历史收益率进行加权，以更强调近期价格行为[18]。 * **衰减换手率加权6个月反转:** 在6个月反转的基础上，使用衰减的换手率对历史收益率进行加权[18]。 6. **因子名称：波动率因子** [17] * **因子构建思路：** 基于“波动率溢价”或“彩票效应”等市场异象，认为低波动率的股票长期可能获得更高的风险调整后收益[2]。 * **因子具体构建过程：** 波动率因子是一个大类因子，由多个衡量不同维度波动率的细分因子合成。报告展示了其细分因子，主要包括： * **1个月波动率** [18] * **3个月波动率** [18] * **FF三因子残差1个月波动率:** 计算股票收益率在剔除Fama-French三因子（市场、市值、估值）影响后的残差，再计算该残差的1个月波动率，以衡量特质风险[18]。 * **FF三因子残差3个月波动率:** 计算FF三因子残差的3个月波动率[18]。 7. **因子名称：换手率因子** [17] * **因子构建思路：** 通常作为流动性或投资者情绪的代理变量，低换手率可能意味着关注度低或流动性折价，长期可能产生超额收益[2]。 * **因子具体构建过程：** 换手率因子是一个大类因子，由多个不同时间窗口的换手率细分因子合成。报告展示了其细分因子，主要包括： * **1个月日均换手率** [18] * **3个月日均换手率** [18] * **近1个月/近2年的日均换手率:** 通过比较短期和长期换手率，捕捉换手率的相对变化[18]。 8. **因子名称：超预期因子** [17] * **因子构建思路：** 捕捉公司实际发布的财务数据与市场一致预期之间的差异（Surprise），认为业绩超预期的公司未来股价有正面反应[2]。 * **因子具体构建过程：** 超预期因子是一个大类因子，由两个常见的超预期细分因子合成。报告展示了其细分因子： * **SUR (收入超预期):** 衡量实际营业收入与一致预期营业收入的差异[18]。 * **SUE (盈利超预期):** 衡量实际每股收益(EPS)与一致预期EPS的差异[18]。 9. **因子名称：预期类因子** [17] * **因子构建思路：** 直接使用分析师对未来财务指标的预期数据（而非历史数据）构建因子，旨在更前瞻地反映市场对公司基本面的看法[2]。 * **因子具体构建过程：** 报告展示了两个主要的预期大类因子及其细分因子： * **预期估值因子:** * **预期EP_FY1:** 基于未来12个月(FY1)的一致预期每股收益计算的预期盈利收益率[18]。 * **预期PEG倒数_FY1:** 基于未来12个月(FY1)的一致预期盈利增长率和预期市盈率构建的PEG指标倒数，用于衡量成长性与估值的匹配度[18]。 * **预期BP_FY1:** 基于未来12个月(FY1)的一致预期每股净资产计算的预期账面市值比[18]。 * **预期净利润复合增速FY1:** 基于未来一段时间（如未来2-3年）的一致预期净利润计算的复合年增长率[18]。 10. **因子名称：去均值估值因子** [9] * **因子构建思路：** 对原始的估值因子IC序列进行去均值处理，以更好地剥离长期趋势，凸显其周期性的波动特征，用于观察价值风格的周期性变化[9]。 * **因子具体构建过程：** 报告未详细说明去均值的方法，但通常做法是从原始估值因子的月度IC序列中减去其历史长期均值或移动均值[9]。 因子的回测效果 *注：以下所有指标均为“Rank IC 均值”，数据截至2026年3月13日，频率为月频[18][19][20][21]。* 1. **估值因子** * 沪深300成分股：23.65%[18] * 中证500成分股：17.00%[19] * 中证1000成分股：23.49%[20] * 全A股：21.04%[21] 2. **成长因子** * 沪深300成分股：-2.71%[18] * 中证500成分股：3.61%[19] * 中证1000成分股：-1.51%[20] * 全A股：-2.38%[21] 3. **盈利因子** * 沪深300成分股：4.58%[18] * 中证500成分股：3.62%[19] * 中证1000成分股：-2.83%[20] * 全A股：-0.89%[21] 4. **小市值因子** * 沪深300成分股：-1.17%[18] * 中证500成分股：12.28%[19] * 中证1000成分股：4.58%[20] * 全A股：2.85%[21] 5. **反转因子** * 沪深300成分股：9.59%[18] * 中证500成分股：4.88%[19] * 中证1000成分股：5.15%[20] * 全A股：5.85%[21] 6. **波动率因子** * 沪深300成分股：19.31%[18] * 中证500成分股：10.91%[19] * 中证1000成分股：15.34%[20] * 全A股：19.49%[21] 7. **换手率因子** * 沪深300成分股：11.80%[18] * 中证500成分股：4.73%[19] * 中证1000成分股：6.90%[20] * 全A股：10.46%[21] 8. **超预期因子** * 沪深300成分股：-7.46%[18] * 中证500成分股：6.38%[19] * 中证1000成分股：-0.50%[20] * 全A股：-2.98%[21] 9. **预期估值因子** * 沪深300成分股：7.78%[18] * 中证500成分股：14.44%[19] * 中证1000成分股：20.96%[20] * 全A股：13.74%[21] 10. **预期净利润复合增速FY1因子** * 沪深300成分股：-9.05%[18] * 中证500成分股：-1.44%[19] * 中证1000成分股：1.09%[20] * 全A股：-4.48%[21]

量化市场因子表现 - 本周全市场股票池中，估值因子、盈利因子、杠杆因子和市值因子分别获取正收益0.43%、0.35%、0.27%和0.26%，市场表现为大市值风格；动量因子和成长因子分别获取负收益-0.66%和-0.28%，市场表现为反转效应[4] - 在沪深300股票池中，表现较好的因子有经营现金流比率(1.68%)、成交量的5日指数移动平均(1.19%)和总资产毛利率TTM(0.93%)；表现较差的因子有小单净流入(-2.99%)、5日反转(-2.42%)和动量调整小单(-1.62%)[5] - 在中证500股票池中，表现较好的因子有下行波动率占比(3.30%)、市盈率因子(3.24%)和市盈率TTM倒数(3.06%)；表现较差的因子有单季度总资产毛利率(-0.51%)、小单净流入(-0.33%)和单季度ROA(-0.31%)[5] - 在流动性1500股票池中，表现较好的因子有市盈率TTM倒数(1.56%)、市净率因子(1.33%)和单季度EPS(0.65%)；表现较差的因子有毛利率TTM(-1.94%)、总资产毛利率TTM(-1.83%)和标准化预期外收入(-1.58%)[5] 因子行业表现特征 - 基本面因子在各行业表现分化，每股净资产因子和每股经营利润TTM因子在煤炭、综合行业正收益较为一致[6] - 估值类因子中，BP因子和EP因子在多数行业正收益明显[6] - 残差波动率因子和流动性因子在房地产行业表现为正收益[6] - 市值风格上，本周公用事业、电气设备、建筑装饰行业大市值风格显著[6] 量化策略组合跟踪 - 本周PB-ROE-50组合在中证500股票池中获取正超额收益0.77%，但在中证800和全市场股票池中分别获得负超额收益-1.15%和-1.79%[8] - 本周公募调研选股策略相对中证800获得正超额收益0.26%，而私募调研跟踪策略相对中证800获得负超额收益-2.32%[9] - 本周大宗交易组合相对中证全指获取正超额收益0.92%[10] - 本周定向增发组合相对中证全指获取负超额收益-0.87%[11]

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**[11][12] * **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，构建对标不同宽基指数的增强组合，目标是稳定战胜各自基准[11][12]。 * **模型具体构建过程：** 模型构建流程主要包括三块： 1. **收益预测：** 基于多因子模型进行股票收益预测（具体因子库见下文量化因子部分）[12]。 2. **风险控制：** 通过组合优化模型控制组合相对于基准指数在风格、行业、个股等方面的风险暴露[12]。 3. **组合优化：** 在满足风险约束的条件下，通过优化算法求解最优的股票权重，以最大化预期收益或信息比率[12]。 2. **模型名称：单因子MFE组合模型**[15][42] * **模型构建思路：** 为了在更接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，在控制行业暴露、风格暴露等实际约束的前提下，构建最大化单因子暴露的组合，通过该组合相对于基准的收益表现来判断因子有效性[42]。 * **模型具体构建过程：** 采用如下组合优化模型构建因子的MFE组合[42]： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ * **目标函数：** $max\ f^{T}w$，即最大化组合在单因子上的加权暴露。其中 $f$ 为因子取值向量，$w$ 为待求解的股票权重向量[42]。 * **约束条件：** 1. **风格暴露约束：** $s_{l}\leq X(w-w_{b})\leq s_{h}$。$X$ 为股票对风格因子的暴露矩阵，$w_b$ 为基准指数权重向量，$s_l$, $s_h$ 为风格因子相对暴露的下限及上限[43]。 2. **行业偏离约束：** $h_{l}\leq H(w-w_{b})\leq h_{h}$。$H$ 为股票的行业暴露矩阵，$h_l$, $h_h$ 为组合行业偏离的下限及上限[43]。 3. **个股权重偏离约束：** $w_{l}\leq w-w_{b}\leq w_{h}$。$w_l$, $w_h$ 为个股相对于基准权重的偏离下限及上限[43]。 4. **成分股权重占比约束：** $b_{l}\leq B_{b}w\leq b_{h}$。$B_b$ 为个股是否属于基准指数成分股的0-1向量，$b_l$, $b_h$ 为成分股内权重的下限及上限[43]。 5. **卖空与权重上限约束：** $\mathbf{0}\leq w\leq l$，禁止卖空并限制个股权重上限[43]。 6. **满仓约束：** $\mathbf{1}^{T}\ w=1$，即权重和为1，组合满仓运作[43]。 * **模型评价：** 该方法比传统的十分组检验更能反映因子在实际投资约束下的真实有效性[42]。 3. **模型名称：公募重仓指数构建模型**[44] * **模型构建思路：** 为了测试因子在“机构风格”下的有效性，通过汇总公募基金持仓信息，构建一个公募基金重仓指数，作为因子测试的样本空间[44]。 * **模型具体构建过程：** 1. **选样空间：** 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[45]。 2. **持仓数据获取：** 通过基金的定期报告获取持股信息。若最新报告为半年报或年报，则使用全部持仓；若为季报，则结合前期的半年报或年报信息构建持仓数据[45]。 3. **权重计算：** 将所有符合条件基金的持仓股票权重进行平均，得到公募基金平均持仓信息[45]。 4. **成分股筛选：** 将平均后的股票权重降序排序，选取累计权重达到90%的股票作为成分股，构建公募基金重仓指数[45]。 量化因子与构建方式 1. **因子名称：估值类因子**[17] * **构建思路：** 从公司市值与基本面财务指标（如净资产、净利润、营业收入）的比值角度衡量股票估值水平[17]。 * **具体构建过程：** * **BP：** 净资产 / 总市值[17] * **单季 EP：** 单季度归母净利润 / 总市值[17] * **单季 SP：** 单季度营业收入 / 总市值[17] * **EPTTM：** 归母净利润TTM / 总市值[17] * **SPTTM：** 营业收入TTM / 总市值[17] * **EPTTM分位点：** EPTTM在过去一年中的分位点[17] * **股息率：** 最近四个季度预案分红金额 / 总市值[17] * **预期 EPTTM：** 一致预期滚动EP[17] * **预期 BP：** 一致预期滚动PB[17] * **预期 PEG：** 一致预期PEG[17] 2. **因子名称：反转与动量类因子**[17] * **构建思路：** 捕捉股票价格在短期、中期和长期的趋势反转或延续现象[17]。 * **具体构建过程：** * **一个月反转：** 过去20个交易日涨跌幅[17] * **三个月反转：** 过去60个交易日涨跌幅[17] * **一年动量：** 近一年除近一月后动量[17] 3. **因子名称：成长类因子**[17] * **构建思路：** 衡量公司营业收入、净利润等财务指标的同比增长情况，以及业绩是否超出市场预期[17]。 * **具体构建过程：** * **单季净利同比增速：** 单季度净利润同比增长率[17] * **单季营收同比增速：** 单季度营业收入同比增长率[17] * **单季营利同比增速：** 单季度营业利润同比增长率[17] * **SUE (标准化预期外盈利)：** (单季度实际净利润 - 预期净利润) / 预期净利润标准差[17] * **SUR (标准化预期外收入)：** (单季度实际营业收入 - 预期营业收入) / 预期营业收入标准差[17] * **单季超预期幅度：** 预期单季度净利润 / 财报单季度净利润[17] * **预期净利润环比：** 一致预期净利润 / 3个月前一致预期净利润[17] 4. **因子名称：盈利类因子**[17] * **构建思路：** 衡量公司运用资产和净资产创造利润的能力及其变化[17]。 * **具体构建过程：** * **单季 ROE：** 单季度归母净利润 * 2 / (期初归母净资产 + 期末归母净资产)[17] * **单季 ROA：** 单季度归母净利润 * 2 / (期初归母总资产 + 期末归母总资产)[17] * **DELTAROE：** 单季度净资产收益率 - 去年同期单季度净资产收益率[17] * **DELTAROA：** 单季度总资产收益率 - 去年同期单季度总资产收益率[17] 5. **因子名称：流动性、波动与公司治理类因子**[17] * **构建思路：** 分别从股票交易活跃度、价格波动特性以及公司治理结构角度构建选股指标[17]。 * **具体构建过程：** * **非流动性冲击：** 过去20个交易日的日涨跌幅绝对值 / 成交额的均值[17] * **一个月换手：** 过去20个交易日换手率均值[17] * **三个月换手：** 过去60个交易日换手率均值[17] * **特异度：** 1 - 过去20个交易日Fama-French三因子回归的拟合度[17] * **一个月波动：** 过去20个交易日日内真实波幅均值[17] * **三个月波动：** 过去60个交易日日内真实波幅均值[17] * **高管薪酬：** 前三高管报酬总额取对数[17] 6. **因子名称：分析师类因子**[17] * **构建思路：** 基于卖方分析师的盈利预测、评级调整和覆盖情况构建因子，反映市场一致预期和关注度的变化[17]。 * **具体构建过程：** * **三个月盈利上下调：** 过去3个月内分析师(上调家数 - 下调家数) / 总家数[17] * **三个月机构覆盖：** 过去3个月内机构覆盖数量[17] 模型的回测效果 1. **国信金工沪深300指数增强组合**，本周超额收益0.55%，本年超额收益3.93%[5][14] 2. **国信金工中证500指数增强组合**，本周超额收益2.40%，本年超额收益1.53%[5][14] 3. **国信金工中证1000指数增强组合**，本周超额收益0.20%，本年超额收益3.61%[5][14] 4. **国信金工中证A500指数增强组合**，本周超额收益1.00%，本年超额收益4.83%[5][14] 因子的回测效果 *(注：以下因子回测结果均基于单因子MFE组合模型，指标为“最近一周超额收益”、“最近一月超额收益”、“今年以来超额收益”、“历史年化超额收益”。数据来源为各样本空间对应的图表。)* 1. **在沪深300样本空间中：**[18] * **预期EPTTM因子**，最近一周1.64%，最近一月2.08%，今年以来2.81%，历史年化3.84%[18] * **EPTTM因子**，最近一周1.34%，最近一月1.94%，今年以来2.93%，历史年化4.27%[18] * **单季营利同比增速因子**，最近一周-0.87%，最近一月-0.41%，今年以来-0.50%，历史年化3.52%[18] * **一年动量因子**，最近一周-0.83%，最近一月-0.32%，今年以来-0.51%，历史年化3.08%[18] * **预期净利润环比因子**，最近一周-0.79%，最近一月-1.84%，今年以来-3.02%，历史年化1.55%[18] 2. **在中证500样本空间中：**[21] * **预期EPTTM因子**，最近一周2.90%，最近一月4.50%，今年以来1.83%，历史年化3.17%[21] * **单季EP因子**，最近一周2.40%，最近一月3.65%，今年以来2.29%，历史年化7.57%[21] * **标准化预期外盈利(SUE)因子**，最近一周2.25%，最近一月2.79%，今年以来3.82%，历史年化8.20%[21] * **预期净利润环比因子**，最近一周0.06%，最近一月-1.62%，今年以来-1.23%，历史年化3.32%[21] * **三个月机构覆盖因子**，最近一周0.22%，最近一月-1.34%，今年以来-4.78%，历史年化4.09%[21] 3. **在中证1000样本空间中：**[23] * **预期PEG因子**，最近一周1.87%，最近一月2.42%，今年以来3.73%，历史年化2.27%[23] * **三个月反转因子**，最近一周1.33%，最近一月0.97%，今年以来1.85%，历史年化-2.01%[23] * **预期BP因子**，最近一周1.19%，最近一月2.62%，今年以来2.56%，历史年化2.64%[23] * **一年动量因子**，最近一周-1.91%，最近一月-1.05%，今年以来0.24%，历史年化-0.61%[23] * **单季ROA因子**，最近一周-0.62%，最近一月-0.93%，今年以来-0.93%，历史年化6.41%[23] * **三个月机构覆盖因子**，最近一周-0.58%，最近一月-0.57%，今年以来1.97%，历史年化6.55%[23] 4. **在中证A500样本空间中：**[25] * **预期EPTTM因子**，最近一周2.51%，最近一月3.94%，今年以来3.88%，历史年化2.10%[25] * **EPTTM因子**，最近一周1.99%，最近一月3.12%，今年以来3.39%，历史年化3.20%[25] * **三个月反转因子**，最近一周1.91%，最近一月1.30%，今年以来0.29%，历史年化-0.45%[25] * **一年动量因子**，最近一周-1.07%，最近一月-1.24%，今年以来-2.50%，历史年化1.95%[25] * **三个月机构覆盖因子**，最近一周-0.41%，最近一月-1.94%，今年以来-1.77%，历史年化3.19%[25] * **预期净利润环比因子**，最近一周-0.18%，最近一月2.60%，今年以来-3.43%，历史年化3.49%[25] 5. **在公募重仓指数样本空间中：**[27] * **预期EPTTM因子**，最近一周表现较好[27] * **预期PEG因子**，最近一周表现较好[27] * **三个月反转因子**，最近一周表现较好[27] * **一年动量因子**，最近一周表现较差[27] * **三个月机构覆盖因子**，最近一周表现较差[27] * **标准化预期外收入(SUR)因子**，最近一周表现较差[27]