量化模型与因子总结 量化模型与构建方式 **本报告未涉及具体的量化预测模型或策略模型，主要进行的是基于持仓数据的描述性统计分析**。 量化因子与构建方式 本报告未构建传统意义上的预测性阿尔法因子，而是基于基金持仓数据，定义并计算了一系列用于刻画基金对特定板块（如CPO、硬AI）配置情况的**描述性统计指标**。这些指标可视为分析基金行为的“观测因子”。 1. 板块配置仓位因子 * **因子名称**：CPO总仓位、硬AI联合仓位、双龙头合计仓位等。 * **因子构建思路**：通过计算基金对特定概念板块的持仓市值占其净资产的比例，来量化基金对该板块的配置强度与暴露程度[15]。 * **因子具体构建过程**： 1. **确定股票池**：CPO、存储芯片、算力租赁、液冷服务器、PCB等主题的股票池取自通达信概念指数成分股[15]。 2. **计算单只基金对单一主题的仓位**：对于某一只基金，其对于某个主题（如CPO）的仓位计算公式为： $$CPO仓位 = \frac{\sum_{i \in CPO股票池} (持仓股票i市值)}{基金净资产}$$ 其中，持仓股票i市值为该基金持有该股票的数量乘以期末股价[15]。 3. **计算“去重口径”的硬AI联合仓位**：为避免跨主题股票重复计算，按预设顺序（CPO -> 存储芯片 -> 算力租赁 -> 液冷服务器 -> PCB）依次剥离重合股，计算每个主题的新增仓位，然后加总得到基金的硬AI联合仓位[28][35]。 4. **计算“不去重口径”的主题仓位**：直接使用原始股票池计算每个主题的仓位，不进行跨主题去重，以反映基金经理对各细分环节的真实参与程度[39][42]。 5. **计算双龙头合计仓位**：针对中际旭创和新易盛两只股票，计算其合计持仓市值占基金净资产的比例[23]。 2. 基金参与度因子 * **因子名称**：板块持有基金数、基金参与率。 * **因子构建思路**：通过统计持有特定板块股票的基金数量及其在总体本中的占比，来衡量该板块在机构投资者中的普及程度和共识广度[16][23]。 * **因子具体构建过程**： 1. **定义“配置”**：将基金持仓明细中出现任一只特定板块（如A股CPO）概念股的基金，定义为当前配置该板块的基金[15]。 2. **统计绝对数量**：在指定报告期（如2025H2），统计配置了该板块的基金总数[16]。 3. **计算参与率**：用配置了该板块的基金数量，除以当期披露全持仓的主动权益基金总数[16]。 $$板块参与率 = \frac{配置该板块的基金数}{当期披露全持仓的基金总数}$$ 3. 持仓结构集中度因子 * **因子名称**：龙头股内部持仓占比、前十大基金持股集中度。 * **因子构建思路**：通过分析基金在板块内部（如双龙头占CPO仓位比）或个股层面（如前十大基金持股占比）的仓位分布，来刻画配置的集中程度与资金结构[25][45]。 * **因子具体构建过程**： 1. **计算板块内部集中度**：对于已配置CPO的基金，计算其持有的双龙头股票合计市值占其CPO板块总持仓市值的比例[25]。 $$双龙头占CPO仓位比 = \frac{双龙头合计持仓市值}{CPO板块总持仓市值}$$ 2. **计算个股层面集中度**：对于特定个股（如新易盛），计算所有持有该股的基金中，持仓市值排名前十的基金其持股总数占所有基金持股总数的比例[45][47]。 模型的回测效果 **本报告未进行基于历史数据的策略回测，因此无相关模型回测效果指标**。 因子的回测效果 报告展示了基于2025H2截面数据及2023H1至2025H2时间序列数据，上述“描述性因子”的统计结果，用于刻画公募基金对CPO及硬AI板块的配置现状与演变特征。 1. CPO板块配置因子取值（2025H2截面） * **CPO总仓位（全样本）**：中位数 **4.17%**，75分位 **12.20%**，90分位 **26.12%**，最大值88.69%[16]。在总样本池中的仓位占比为 **13.24%**[16]。 * **CPO总仓位（已配置样本）**：中位数 **7.05%**[16]。 * **CPO参与率**：**78.53%** (3,701只/4,713只)[16]。 * **双龙头合计仓位（全样本）**：中位数 **0.00%**，75分位 **3.46%**，90分位 **12.74%**。在总池子中仓位占比 **4.60%**[23]。 * **双龙头合计仓位（持有任一龙头的样本）**：中位数 **5.41%**，75分位 **12.81%**，90分位 **18.15%**[23]。 * **双龙头高配基金**：双龙头仓位均超过8%的基金有 **268** 只，占全样本 **5.69%**，合计规模3,426.57亿元[17]。 * **双龙头占CPO仓位比（已配置样本）**：中位数 **1.83%**，75分位 **40.02%**，90分位 **60.84%**[25]。 2. 硬AI板块配置因子取值（2025H2截面） * **硬AI联合仓位（去重口径，全样本）**：中位数 **15.37%**，75分位 **30.92%**，90分位 **54.58%**。在总池子中仓位占比 **28.60%**[35]。 * **各主题新增参与率与仓位（去重口径）**： * 存储芯片：参与率 **80.56%**，总池子仓位占比 **7.23%**[35]。 * 算力租赁：参与率 **69.42%**，总池子仓位占比 **2.17%**[35]。 * 液冷服务器：参与率 **80.56%**，总池子仓位占比 **3.74%**[35]。 * PCB：参与率 **73.80%**，总池子仓位占比 **2.22%**[35]。 * **各主题真实仓位（不去重口径）**：CPO **13.24%**，存储芯片 **7.74%**，算力租赁 **3.10%**，液冷服务器 **9.19%**，PCB **5.81%**[40][42]。 * **硬AI高仓位基金**：硬AI联合仓位在70%以上的基金有 **185** 只，平均规模11.62亿元[35][43]。 * **CPO零配但配置其他硬AI的基金**：有 **794** 只，其中补充仓位达10%以上的占比 **47.27%**[35][43]。 3. 龙头股持仓结构因子取值（时间序列与截面） * **新易盛持股集中度（2025H2）**：前十大内基金持股占比 **92.00%**，基金数占比60.99%；前十外基金持股占比 **8.00%**，基金数占比39.01%[45][47]。 * **中际旭创持股集中度（2025H2）**：前十大内基金持股占比 **93.96%**，基金数占比68.19%；前十外基金持股占比 **6.04%**，基金数占比31.81%[45][48]。 * **新易盛持有基金数时间序列**：从2023H1的 **622** 只增长至2025H2的 **1,510** 只，持股总数在1.45至1.83亿股间波动，2025H2为 **1.69** 亿股[44][47]。 * **中际旭创持有基金数时间序列**：从2023H1的 **868** 只波动至2025H2的 **1,660** 只，持股总数在1.29至2.12亿股间波动，2025H2为 **1.46** 亿股[48]。 4. 按管理规模分组的配置因子取值（2025H2截面） * **不同规模组CPO仓位**：0-10亿组 **8.93%**，10-20亿组 **8.38%**，20-50亿组 **9.95%**，50-100亿组 **12.23%**，100亿以上组 **12.89%**[50][51]。 * **不同规模组硬AI总仓位**：0-10亿组 **20.80%**，10-20亿组 **20.58%**，20-50亿组 **22.83%**，50-100亿组 **25.29%**，100亿以上组 **26.58%**[50][51]。 5. 潜在增量结构因子取值（2025H2截面） * **低配账户数量**：已配置CPO但仓位低于10%的基金有 **2,291** 只，占已配置样本的 **61.90%**；其中仓位低于5%的有 **1,517** 只，占比 **40.99%**[55][64]。 * **零配账户数量**：当前未配置A股CPO的基金有 **1,012** 只[55][64]。

量化模型与因子总结 根据所提供的研报内容，该报告主要侧重于市场回顾、行业比较和走势推演，并未涉及传统意义上的量化模型（如多因子选股模型、风险模型）或量化因子（如价值、动量、质量等因子的具体构建与测试）[1][2][3][4]。报告中的分析更多是基于历史价格数据的统计、图表形态观察和主观逻辑推演。 报告内容中与量化分析相关的部分主要体现在对市场数据的统计处理和分类比较上，具体如下： 量化模型与构建方式 **1. 模型名称：行业弹性比较模型** * **模型构建思路**：通过计算并比较不同行业指数在特定时间区间内的价格涨幅，以衡量各行业在牛市中的相对强弱和弹性[5]。 * **模型具体构建过程**： 1. 确定基准时间点（例如：2024年2月5日，被视为本轮牛市的起点）[6]。 2. 选取截至分析日（2026年4月17日）的各行业指数价格高点[6]。 3. 计算每个行业的“区间最大涨幅”，公式为： $$区间最大涨幅(\%) = \frac{区间高点价格 - 起涨日价格}{起涨日价格} \times 100\%$$ 其中，起涨日价格对应基准时间点的指数价格，区间高点价格为截至分析日的历史最高价格[6]。 4. 按“区间最大涨幅”从高到低对行业进行排序，形成行业弹性排行榜[6]。 **2. 模型名称：分类股票走势比较模型** * **模型构建思路**：将A股股票按是否被公募基金重仓以及是否属于“50”成分股进行分类，分别构建组合并计算其累计净值，以观察不同类别股票的市场表现差异[11][12]。 * **模型具体构建过程**： 1. **股票分类**： * **公募重仓50（A股）**：被公募基金重仓且属于某“50”指数成分股的A股股票[12]。 * **公募重仓非50（A股）**：被公募基金重仓但不属于“50”指数成分股的A股股票[12]。 * **非公募重仓股（A股）**：未被公募基金重仓的A股股票[12]。 2. **净值计算**：以某个特定起始日期（报告中未明确，推测为年初）为基点，将各类别组合的初始净值设为1.00，随后根据组合内股票的价格变化计算每日或每周的累计净值[12]。 3. **走势比较**：绘制三类组合累计净值随时间变化的曲线，并进行比较分析[12]。 模型的回测效果 （注：报告中未提供上述模型在历史样本外的严格回测绩效指标，如年化收益率、夏普比率、最大回撤等。仅提供了截至报告日的统计结果。） 1. **行业弹性比较模型**，截至2026年4月17日，通信行业区间最大涨幅为292.24%，有色金属为260.72%，电子为184.01%[6]。 2. **分类股票走势比较模型**，年初至2026年4月17日，公募重仓50（A股）累计净值为1.16，公募重仓非50（A股）为1.11，非公募重仓股（A股）为1.06[12]。 量化因子与构建方式 （注：报告中未涉及可用于选股或解释收益的量化因子（如估值、成长、动量等）的构建与测试。） 因子的回测效果 （注：报告中未涉及量化因子的回测效果。）

用户增长与市场渗透 - 过去三天有上千万考生和家长使用夸克高考各项服务 [1] - 高考志愿大模型生成的志愿报告超500万份 [1] - 近一半需求来自三线及以下城市 [1] 产品应用与技术能力 - 高考志愿大模型展现规模化应用能力 单日生成报告超166万份 [1] - 下沉市场渗透率显著 三线及以下城市贡献50%需求 [1]