量化模型与构建方式 1. 三维择时框架 * **模型名称**：三维择时框架[8] * **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变化趋势，综合判断市场整体走势[8] * **模型具体构建过程**：模型基于三个独立的指数进行判断[12] 1. **市场分歧度指数**：衡量市场参与者观点的离散程度，下行趋势表示市场观点趋于一致[12][17] 2. **市场流动性指数**：衡量市场资金面的宽松程度，上行表示流动性改善[12][19] 3. **A股景气度指数2.0**：衡量上市公司整体盈利增长趋势，上行表示景气度提升[12][22] 当三个维度（分歧度下行、流动性上行、景气度上行）的趋势判断一致时，给出明确的看涨或看跌信号[8] 2. 热点趋势ETF策略 * **模型名称**：热点趋势ETF策略[29] * **模型构建思路**：结合价格形态（支撑阻力）与市场短期关注度（换手率变化）筛选ETF，构建组合[29] * **模型具体构建过程**： 1. **初筛形态**：根据K线的最高价与最低价的上涨或下跌形态，先选出最高价与最低价同时为上涨形态的ETF[29] 2. **计算支撑阻力因子**：根据最高价与最低价近20日回归系数的相对陡峭程度，构建支撑阻力因子[29] 3. **筛选高关注度标的**：在支撑阻力因子的多头组中，选择近5日换手率/近20日换手率最高的10只ETF，即短期市场关注度明显提升的标的[29] 4. **组合构建**：对最终选出的10只ETF构建风险平价组合[29] 3. ETF三策略融合模型 * **模型名称**：ETF三策略融合轮动模型[32] * **模型构建思路**：将基于基本面、质量低波、困境反转三种不同逻辑的行业轮动策略进行等权融合，实现因子与风格互补，降低单一策略风险[32] * **模型具体构建过程**： 1. **策略一：行业轮动策略**：核心因子包括超预期景气度、行业龙头效应、行业动量、拥挤度、通胀beta，旨在覆盖行业多维度特性，宏观适配性强[33] 2. **策略二：个股风格驱动策略**：核心因子包括个股动量、个股质量、个股波动率，聚焦个股质量与低波，防御性突出[33] 3. **策略三：困境反转策略**：核心因子包括PB_zscore、分析师长期预期、短期筹码交换，旨在捕捉估值修复与业绩反转机会[33] 4. **策略融合**：将上述三个策略的选股结果进行等权组合，形成最终的ETF轮动组合[32] 4. 资金流共振策略 * **模型名称**：融资-主动大单资金流共振策略[44] * **模型构建思路**：利用融资融券资金流与主动大单资金流两个维度，寻找资金形成共振效应的行业进行推荐[44][47] * **模型具体构建过程**： 1. **构建行业融资融券资金因子**：计算个股融资净买入-融券净卖出（即两融资金流）并在行业层面加总[41][44]。对该行业资金流进行barra市值因子中性化处理，然后计算其最近50日均值，最后计算该均值近两周的环比变化率[44] 2. **构建行业主动大单资金因子**：计算行业主动大单资金净流入，并对其进行最近一年成交量的时序中性化处理，得到排序分位值，最后取最近10日均值[44] 3. **策略逻辑**：研究发现，融资融券因子的多头端在不同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正向超额收益[45]。因此，策略在主动大单因子的头部打分行业内，剔除融资融券因子得分也较高的行业，以提高策略稳定性[45]。进一步剔除大金融板块后构建最终组合[45] 5. 多风格增强策略 * **模型名称**：多风格增强策略[59] * **模型构建思路**：在基础的多风格策略之上，叠加额外的增强因子，以在其他风格端增厚收益，抑制单一风格波动，实现在不同市场周期下的稳定超额收益[59] * **模型具体构建过程**：报告提及了多种具体的风格增强策略，包括质量增强、红利增强、长期成长增强、价值增强、低波增强、短期动量增强、长期动量增强策略[63]。这些策略均在对应的风格基准（如中证红利全收益、中证全指等）上，通过叠加增强因子进行优化[63] 量化因子与构建方式 1. 支撑阻力因子 * **因子名称**：支撑阻力因子[29] * **因子构建思路**：根据价格高点与低点的回归趋势陡峭程度，判断价格的支撑或阻力强度[29] * **因子具体构建过程**：分别对ETF的最高价和最低价序列计算近20日的线性回归系数，根据这两个回归系数的相对陡峭程度构建因子[29] 2. 短期关注度因子 * **因子名称**：短期关注度因子（换手率变化）[29] * **因子构建思路**：用短期换手率相对于中长期换手率的提升幅度，衡量市场关注度的短期变化[29] * **因子具体构建过程**：计算ETF的近5日平均换手率与近20日平均换手率的比值[29] 3. 行业融资融券资金因子 * **因子名称**：行业融资融券资金因子[44] * **因子构建思路**：衡量经市值调整后的行业层面两融资金流的近期变化趋势[44] * **因子具体构建过程**： 1. 计算个股的两融资金流：融资净买入 - 融券净卖出[41][44] 2. 在行业层面将个股资金流加总[44] 3. 对行业资金流进行barra市值因子中性化处理[44] 4. 计算中性化后资金流的最近50日移动平均值[44] 5. 计算该50日均值近两周的环比变化率作为最终因子值[44] 4. 行业主动大单资金因子 * **因子名称**：行业主动大单资金因子[44] * **因子构建思路**：衡量经成交量调整后的行业大单资金净流入的近期强度[44] * **因子具体构建过程**： 1. 计算行业的主动大单资金净流入[44] 2. 对该净流入进行最近一年成交量序列的时序中性化处理，并转换为排序分位值[44] 3. 取该分位值的最近10日移动平均值作为最终因子值[44] 5. 风格因子 报告跟踪了多种市场风格因子，包括： * **市值因子**[51] * **贝塔因子**[50][51] * **动量因子**[51] * **波动率因子**[51] * **非线性市值因子**[51] * **价值因子**[55] * **流动性因子**[50][55] * **盈利收益率因子**[55] * **成长因子**[50][55] * **杠杆因子**[55] 6. Alpha因子（选股因子） 报告从不同维度列举了多个Alpha因子，部分因子构建过程如下： * **3个月成交量均值因子 (ln_volume_mean_3m)**：过去3个月成交量的自然对数均值[56] * **3个月成交量标准差因子 (ln_volume_std_3m)**：过去3个月成交量的自然对数的标准差[56] * **单季度净利润同比增长（考虑快报、预告）因子 (yoy_np_q_adv)**：$$ yoy\_np\_q\_adv = \frac{NP_{q} - NP_{q-4}}{|NP_{q-4}|} $$，其中NP为单季度净利润，考虑快报和预告数据[58] * **单季度ROA同比差值（考虑快报、预告）因子 (roa_q_delta_adv)**：$$ roa\_q\_delta\_adv = ROA_{q} - ROA_{q-4} $$，其中ROA为单季度总资产收益率，考虑快报和预告数据[58] * **一致预期净利润变化（FY1）因子 (mom1_np_fy1)**：$$ mom1\_np\_fy1 = \frac{NP_{FY1}^{current} - NP_{FY1}^{1m\ ago}}{|NP_{FY1}^{1m\ ago}|} $$，其中NP_FY1为未来一年一致预测净利润[58] * **研发总资产占比因子 (tot_rd_ttm_to_assets)**：$$ tot\_rd\_ttm\_to\_assets = \frac{研发支出_{TTM}}{总资产} $$[58] * **SUE因子 (sue1)**：$$ sue1 = \frac{(NI_{q} - NI_{q-4}) - mean(NI_{t} - NI_{t-4}, t=q-7:q)}{std(NI_{t} - NI_{t-4}, t=q-7:q)} $$，其中NI为净利润，计算过去八个季度的标准化未预期盈余[58] 模型的回测效果 1. 热点趋势ETF策略 * **测试周期**：2025年以来[29] * **组合收益率**：43.6%[29] * **超额收益率（相对沪深300）**：22.4%[29] 2. ETF三策略融合轮动模型 * **测试周期**：2017年4月10日至2025年12月31日[34][37] * **全周期表现**[38]： * **组合收益率**：12.18% * **基准收益率**：2.08% * **超额收益率**：10.10% * **组合波动率**：16.54% * **信息比率(IR)**：1.07 * **最大回撤**：-24.55% * **夏普比率**：0.74 * **2025年表现**[38]： * **组合收益率**：27.29% * **基准收益率**：24.60% * **超额收益率**：2.69% 3. 融资-主动大单资金流共振策略 * **测试周期**：2018年以来[45] * **年化超额收益（费后）**：14.3%[45] * **信息比率(IR)**：1.4[45] * **近期表现（上周）**[45]： * **绝对收益率**：-0.94% * **超额收益率（相对行业等权）**：-0.95% 因子的回测效果 1. 风格因子近期表现（截至2025年12月31日） * **测试周期**：最近一周[51][55] * **市值因子收益**：-0.09%[51] * **贝塔因子收益**：1.47%[51] * **动量因子收益**：0.12%[51] * **波动率因子收益**：-0.71%[51] * **非线性市值因子收益**：0.01%[51] * **价值因子收益**：-0.89%[55] * **流动性因子收益**：0.16%[55] * **盈利收益率因子收益**：-0.78%[55] * **成长因子收益**：0.26%[55] * **杠杆因子收益**：-1.30%[55] 2. Alpha因子多头超额收益（截至2025年12月31日） * **测试周期**：近一周[56] * **3个月成交量均值因子 (ln_volume_mean_3m)**：0.68%[56] * **3个月成交量标准差因子 (ln_volume_std_3m)**：0.65%[56] * **6个月成交量均值因子 (ln_volume_mean_6m)**：0.61%[56] * **1个月与12个月成交量差值因子 (volume_1m_minus_12m)**：0.57%[56] * **1个月与12个月成交量比值因子 (volume_1m_div_12m)**：0.56%[56] * **3个月动量因子 (mom_3m)**：0.56%[56] 3. 分指数Alpha因子多头超额收益（上周，截至2025年12月31日） * **单季度ROA同比差值（考虑快报、预告）因子 (roa_q_delta_adv)**[58]： * **沪深300中超额**：28.46% * **中证500中超额**：5.09% * **中证800中超额**：18.15% * **中证1000中超额**：18.69% * **单季度净利润同比增长（考虑快报、预告）因子 (yoy_np_q_adv)**[58]： * **沪深300中超额**：24.46% * **中证500中超额**：8.23% * **中证800中超额**：17.73% * **中证1000中超额**：20.81% * **一致预期净利润变化（FY1）因子 (mom1_np_fy1)**[58]： * **沪深300中超额**：13.97% * **中证500中超额**：17.03% * **中证800中超额**：21.95% * **中证1000中超额**：9.30% * **研发总资产占比因子 (tot_rd_ttm_to_assets)**[58]： * **沪深300中超额**：11.80% * **中证500中超额**：18.21% * **中证800中超额**：20.87% * **中证1000中超额**：16.47% 4. 风格增强策略绩效（截至2025年12月31日） * **红利增强策略 (GL888002)**[63]： * **本周超额收益率（相对中证红利全收益）**：0.68% * **本年超额收益率**：14.44% * **最近一年年化收益率**：22.12% * **最近一年年化超额收益**：15.35% * **夏普比率**：1.92 * **区间最大回撤**：-5.40% * **低波增强策略 (GL888005)**[63]： * **本周超额收益率（相对中证全指）**：0.65% * **本年超额收益率**：4.37% * **最近一年年化收益率**：33.57% * **最近一年年化超额收益**：2.70% * **夏普比率**：2.67 * **区间最大回撤**：-8.73% * **长期成长增强策略 (GL888003)**[63]： * **本周超额收益率（相对中证全指）**：-0.13% * **本年超额收益率**：3.47% * **最近一年年化收益率**：34.66% * **最近一年年化超额收益**：3.80% * **夏普比率**：2.09 * **区间最大回撤**：-11.44%

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：三维择时框架**[7][11][12] * **模型构建思路**：通过综合评估市场分歧度、流动性和景气度三个维度的状态，对市场整体走势进行判断[7][11][12] * **模型具体构建过程**：模型基于三个核心指标： 1. 市场分歧度指数：衡量市场参与者观点的差异程度[11][16] 2. 市场流动性指数：衡量市场的资金充裕程度[11][18] 3. A股景气度指数2.0：衡量上市公司整体的经营景气状况[11][20] 通过观察这三个指标的趋势和组合状态（例如，流动性下行、分歧度扩大、景气度稳中有升），形成对市场（如震荡下跌）的判断[7][11][12] 2. **模型名称：热点趋势ETF策略**[25][26][27] * **模型构建思路**：结合价格形态、技术指标和市场关注度，筛选出具有短期上涨趋势的ETF构建投资组合[25][28] * **模型具体构建过程**：过程分为三步： 1. **形态筛选**：首先筛选出最高价与最低价同时呈现上涨形态的ETF[25] 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，构建衡量趋势陡峭程度的支撑阻力因子[25] 3. **关注度筛选与组合构建**：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（即短期关注度提升最明显）的10只ETF，最终采用风险平价方法构建组合[25][29] 3. **模型名称：资金流共振策略**[33][34][36] * **模型构建思路**：结合融资融券资金和主动大单资金两类资金流的动向，选择两类资金共同看好的行业[2][33] * **模型具体构建过程**： 1. **因子构建**： * **行业融资融券资金因子**：计算行业内个股的（融资净买入-融券净卖出）并加总，然后对Barra市值因子进行中性化处理，再取最近50日均值，并计算其两周环比变化率[33] * **行业主动大单资金因子**：计算行业的净流入数据，并对其进行最近一年成交量的时序中性化处理，然后进行排序，最后取最近10日均值[33] 2. **策略规则**：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（研究发现融资融券因子多头端在某些市场状态下有负向超额），以提升策略稳定性，并进一步剔除大金融板块[33] 3. **行业推荐**：每周选择经过上述处理后有资金共振效应的行业作为推荐[33][36] 模型的回测效果 1. **资金流共振策略**，年化超额收益13.5%[33]，信息比率(IR)1.7[33]，上周绝对收益0.98%[33]，上周超额收益（相对行业等权）-0.54%[33] 量化因子与构建方式 1. **因子名称：风格因子（Barra系列）**[39][40][43] * **因子构建思路**：采用经典的Barra风险模型框架中的风格因子，从不同维度刻画股票特征[39][40][43] * **因子具体构建过程**：报告提及了多个Barra风格因子，包括： * **规模因子(size)**：进行行业中性化处理[41] * **贝塔因子(beta)**：进行市值、行业中性化处理[41] * **成长因子(growth)**：进行市值、行业中性化处理[41] * 其他因子如动量(momentum)、波动率(volatility)、非线性规模(nlsize)、价值(value)、流动性(liquidity)、盈利收益率(earnings_yield)、杠杆(leverage)等，大部分进行了市值和行业中性化处理[41][43] 2. **因子名称：Alpha因子**[42][44][46] * **因子构建思路**：构建多种基于基本面、分析师预测、市场交易数据的因子，以捕捉超额收益[42][44][46] * **因子具体构建过程**：报告列举了大量具体因子及其计算方法，例如： * **成长类因子**：如每股营业收入同比增长率(yoy_orps)、资产负债率同比变化率(debt_ratio_yoy)、总负债同比增长(tot_liab_yoy)、单季度营业收入同比增速(yoy_or_q)等[42][44] * **动量类因子**：如1年-1个月的收益率(mom_1y_1m)、十二个月残差动量(specific_mom12)等[44] * **盈利质量类因子**：如单季度ROE同比差值(roe_q_delta_report)、单季度ROE(roe_q_report)等[44][46] * **分析师预测类因子**：如(当前一致预测np_FY1-3个月前一致预测np_FY1)/3个月前一致预测np_FY1绝对值(mom3_np_fy1)、评级上下调差/评级上下调和(est_num_diff)等[46] 因子的回测效果 1. **风格因子（最近一周收益）**，规模因子(size)1.57%[39][43]，贝塔因子(beta)1.08%[40][43]，成长因子(growth)0.42%[40][43]，动量因子(momentum)0.39%[43]，波动率因子(volatility)0.20%[43]，非线性规模因子(nlsize)1.31%[43]，价值因子(value)-0.13%[43]，流动性因子(liquidity)0.96%[43]，盈利收益率因子(earnings_yield)-0.67%[43]，杠杆因子(leverage)0.48%[43] 2. **Alpha因子（近一周多头超额收益）**，每股营业收入同比增长率(yoy_orps)2.62%[44]，资产负债率同比变化率(debt_ratio_yoy)2.57%[44]，总负债同比增长(tot_liab_yoy)2.53%[44]，单季度营业收入同比增速(yoy_or_q)2.51%[44]，流动负债同比增长(cur_liab_yoy)2.49%[44]，速动比率同比变化(quick_ratio_yoy)2.25%[44]，营业收入同比增速(yoy_or)2.14%[44]，(当期总资产-去年同期总资产)/去年同期总资产绝对值(yoy_total_assets)2.12%[44]，销售商品提供劳务收到的现金流变化/投入资本(delta_cashflow_goodsales_ic)2.03%[44]，应付账款同比变化(yoy_accpayable)1.94%[44]，1年-1个月的收益率(mom_1y_1m)1.76%[44]，十二个月残差动量(specific_mom12)1.74%[44]，营业利润_TTM/销售费用_TTM(oper_salesexp)1.67%[44]，单季度ROE同比差值(roe_q_delta_report)1.61%[44]，单季度ROE同比差值（考虑快报、预告）(roe_q_delta_adv)1.61%[44]，经营活动现金流入变化/投入资本(delta_cashinflow_ic)1.61%[44]，(净利润ttm-过去八个季度的净利润ttm均值)/过去八个季度的净利润ttm标准差(np_ttm_growth_std)1.61%[44]，流动比率同比变化率(cur_ratio_yoy)1.57%[44]，earnings_fttm 1.56%[44]，单季度每股收益同比增速(yoy_eps_q)1.56%[44] 3. **Alpha因子（在不同宽基指数内的近一周多头超额收益）** * **单季度ROE同比差值（考虑快报、预告）(roe_q_delta_adv)**，在沪深300中8.23%[46]，在中证500中4.55%[46]，在中证1000中9.38%[46]，在国证2000中4.96%[46] * **(当前一致预测np_FY1-3个月前一致预测np_FY1)/3个月前一致预测np_FY1绝对值(mom3_np_fy1)**，在沪深300中7.14%[46]，在中证500中5.60%[46]，在中证1000中9.54%[46]，在国证2000中4.19%[46] * **评级上下调差/评级上下调和(est_num_diff)**，在沪深300中7.73%[46]，在中证500中4.86%[46]，在中证1000中8.72%[46]，在国证2000中4.60%[46] * **(当前一致预测eps_FY1-3个月前一致预测eps_FY1)/3个月前一致预测eps_FY1绝对值(mom3_eps_fy1)**，在沪深300中7.70%[46]，在中证500中4.88%[46]，在中证1000中8.28%[46]，在国证2000中5.18%[46] * **单季度ROE同比差值(roe_q_delta_report)**，在沪深300中7.47%[46]，在中证500中3.84%[46]，在中证1000中8.11%[46]，在国证2000中3.09%[46]

量化模型与构建方式 1. 三维择时框架 - 模型名称：三维择时框架[7] - 模型构建思路：通过分歧度、流动性和景气度三个维度对市场进行择时判断[7] - 模型具体构建过程：监控市场分歧度指数、市场流动性指数和A股景气度指数2.0的变化趋势，当分歧度上行、流动性下行、景气度保持回升时，给出震荡下跌判断[7][11][23] 2. ETF热点趋势策略 - 模型名称：ETF热点趋势策略[29] - 模型构建思路：根据K线形态和换手率变化选择短期市场关注度提升的ETF构建组合[29] - 模型具体构建过程：首先选出最高价与最低价同时为上涨形态的ETF；然后根据最高价与最低价近20日回归系数的相对陡峭程度构建支撑阻力因子；最后选择因子多头组中近5日换手率/近20日换手率最高的10只ETF构建风险平价组合[29] 3. 资金流共振策略 - 模型名称：融资-主动大单资金流共振策略[35] - 模型构建思路：通过融资融券资金流与主动大单资金流的共振效应选择行业[35] - 模型具体构建过程： 1) 定义行业融资融券资金因子：barra市值因子中性化后的融资净买入-融券净买入（个股加总），取最近50日均值后的两周环比变化率 2) 定义行业主动大单资金因子：行业最近一年成交量时序中性化后的净流入排序，取最近10日均值 3) 在主动大单因子的头部打分内做融资融券因子的剔除，提高策略稳定性 4) 进一步剔除大金融板块[35] 模型的回测效果 1. 三维择时框架 - 历史表现：提供市场择时判断，建议逐步谨慎[7] 2. ETF热点趋势策略 - 今年以来表现：相对沪深300累计超额收益表现良好[31] 3. 资金流共振策略 - 2018年以来费后年化超额收益：13.5%[35] - 信息比率(IR)：1.7[35] - 上周表现：实现0.9%的绝对收益与-1%的超额收益（相对行业等权）[35] 量化因子与构建方式 1. 风格因子 - 因子名称：size因子[39] - 因子构建思路：衡量市值风格的影响[39] - 因子具体构建过程：基于市值大小构建组合，大市值股票组合与小市值组合对比[39] - 因子名称：beta因子[40] - 因子构建思路：衡量贝塔风格的影响[40] - 因子具体构建过程：基于股票贝塔值构建组合，高贝塔组合与低贝塔组合对比[40] - 因子名称：growth因子[40] - 因子构建思路：衡量成长风格的影响[40] - 因子具体构建过程：基于成长性指标构建组合，高成长个股与低成长个股对比[40] 2. Alpha因子 - 因子名称：每股营业收入同比增长率(yoy_orps)[44] - 因子构建思路：衡量公司营收增长能力[44] - 因子名称：资产负债率同比变化率(debt_ratio_yoy)[44] - 因子构建思路：衡量公司负债结构变化[44] - 因子名称：总负债同比增长(tot_liab_yoy)[44] - 因子构建思路：衡量公司负债增长情况[44] - 因子名称：单季度营业收入同比增速(yoy_or_q)[44] - 因子构建思路：衡量公司单季度营收增长[44] - 因子名称：流动负债同比增长(cur_liab_yoy)[44] - 因子构建思路：衡量公司流动负债变化[44] - 因子名称：单季度ROE同比差值(roe_q_delta_report)[44] - 因子构建思路：衡量公司单季度ROE同比变化[44] - 因子名称：单季度ROE同比差值（考虑快报、预告）(roe_q_delta_adv)[47] - 因子构建思路：考虑快报预告的ROE同比变化[47] - 因子名称：分析师预测调整因子(mom3_np_fy1)[47] - 因子构建思路：衡量分析师预测净利润的变化[47] - 因子具体构建过程：$$mom3\_np\_fy1 = \frac{当前一致预测np\_FY1 - 3个月前一致预测np\_FY1}{|3个月前一致预测np\_FY1|}$$[47] 因子的回测效果 1. 风格因子近期表现 - size因子：最近一周收益1.57%[43] - beta因子：最近一周收益1.08%[43] - growth因子：最近一周收益0.42%[43] - momentum因子：最近一周收益0.39%[43] - nlsize因子：最近一周收益1.31%[43] - value因子：最近一周收益-0.13%[43] - liquidity因子：最近一周收益0.96%[43] - earnings_yield因子：最近一周收益-0.67%[43] - leverage因子：最近一周收益0.48%[43] - volatility因子：最近一周收益0.20%[43] 2. Alpha因子近期表现 不同时间维度表现（近一周多头超额）： - 每股营业收入同比增长率(yoy_orps)：2.62%[44] - 资产负债率同比变化率(debt_ratio_yoy)：2.57%[44] - 总负债同比增长(tot_liab_yoy)：2.53%[44] - 单季度营业收入同比增速(yoy_or_q)：2.51%[44] - 流动负债同比增长(cur_liab_yoy)：2.49%[44] - 速动比率同比变化(quick_ratio_yoy)：2.25%[44] - 营业收入同比增速(yoy_or)：2.14%[44] - 总资产同比增长(yoy_total_assets)：2.12%[44] - 销售现金流变化指标(delta_cashflow_goodsales_ic)：2.03%[44] - 应付账款同比变化(yoy_accpayable)：1.94%[44] 不同指数下的表现（上周多头超额）： - 单季度ROE同比差值（考虑快报、预告）(roe_q_delta_adv)： - 沪深300：8.23% - 中证500：4.55% - 中证1000：9.38% - 国证2000：4.96%[47] - 分析师预测净利润变化(mom3_np_fy1)： - 沪深300：7.14% - 中证500：5.60% - 中证1000：9.54% - 国证2000：4.19%[47] - 评级调整因子(est_num_diff)： - 沪深300：7.73% - 中证500：4.86% - 中证1000：8.72% - 国证2000：4.60%[47]