量化模型与因子总结 量化模型与构建方式 1. **模型名称**：市场情绪风险监测模型[35] **模型构建思路**：通过监测市场宽基指数滚动夏普率的历史分位，来判断市场情绪是否达到极端水平，以预警市场可能的调整风险[35] **模型具体构建过程**：计算万得全A指数的滚动季度夏普率，并将其置于历史时间序列中进行分位计算，当夏普率上升至历史极高位置时，认为市场情绪达到极端高峰[35] 2. **模型名称**：风格拥挤度监测模型[2][69] **模型构建思路**：通过计算不同风格指数之间相对换手率的历史分位，来度量该风格交易的拥挤程度，为风格配置提供风险提示[2][69] **模型具体构建过程**：对于风格A和风格B，首先分别计算其近252日平均换手率在历史时间序列上的Z-score标准化值（Z-score_A与Z-score_B），然后计算二者差值（Z-score_A - Z-score_B）的滚动6年历史分位数[123] **公式**： $$相对拥挤度 = 历史分位数(Z\_score\_A - Z\_score\_B)$$ 其中，Z-score基于近252日平均换手率在2005年1月1日以来的历史序列计算[123] 3. **模型名称**：风格超额净值计算模型[69][124] **模型构建思路**：通过计算风格指数相对于市场基准（万得全A）的累计超额净值，来刻画该风格的长期相对表现[69][124] **模型具体构建过程**：以2020年1月4日为基准日，将各风格指数及万得全A指数的每日收盘价除以基准日收盘价，得到各自的累计净值。然后将各风格指数的累计净值除以同一交易日的万得全A指数累计净值，得到该风格指数相对于万得全A的累计超额净值[124] 4. **模型名称**：机构调研活跃度监测模型[125] **模型构建思路**：通过标准化并比较不同板块（指数、行业）的机构调研频率，来监测资金关注度的相对变化[125] **模型具体构建过程**：将板块近n个交易日的“日均机构调研次数”在滚动y年的历史时间序列上进行z-score标准化，并与万得全A的标准化结果作差，得到“机构调研活跃度”，最后计算该活跃度的滚动y年历史分位数[125]。报告提及两种参数设置：长期口径（n=126日，滚动窗口y=6年）和短期口径（n=63日，滚动窗口y=3年）[125] 量化因子与构建方式 1. **因子名称**：股债性价比因子（ERP）[50] **因子构建思路**：通过计算股票指数盈利收益率与无风险利率（10年期国债收益率）的差值，来衡量配置权益资产相对于债券的预期超额回报，即风险溢价[50] **因子具体构建过程**：对于特定股票指数，计算其盈利收益率（即市盈率TTM的倒数），然后减去10年期中债国债到期收益率[50] **公式**： $$指数erp = \frac{1}{指数PE\_TTM} – 10年期中债国债到期收益率$$ 其中，PE_TTM为指数滚动市盈率[50] 2. **因子名称**：成交热度因子[24] **因子构建思路**：使用换手率的历史分位来度量当前交易活跃度的相对水平，辅助判断市场或板块的情绪热度[24] **因子具体构建过程**：计算指数或行业的周度日均自由流通换手率，然后计算该换手率在历史时间区间（例如2005年1月1日至今）内的百分位值[24][30] 3. **因子名称**：长江动量因子[60] **因子构建思路**：通过计算经过调整的长期收益率来捕捉股票的动量效应[60] **因子具体构建过程**：以最近一年股票收益率减去最近一个月股票收益率（并剔除涨停板影响）作为动量指标[60]。该因子被用于构建“长江动量”指数，选取全市场动量特征强且流动性高的前100只股票[60] 4. **因子名称**：长江反转因子[61] **因子构建思路**：通过计算短期收益率来捕捉股票的反转效应[61] **因子具体构建过程**：以最近一个月股票收益率作为筛选指标[61]。该因子被用于构建“长江反转”指数，选取全市场反转效应强、流动性好的前100只股票，并采用近三个月日均成交量进行加权[61] 模型的回测效果 （注：本报告为市场跟踪周报，未提供模型的历史回测绩效指标，如年化收益率、夏普比率、最大回撤等。报告主要展示了模型或因子在特定时点的状态输出。） 因子的回测效果 （注：本报告为市场跟踪周报，未提供因子的历史IC、IR、多空收益等传统因子测试结果。报告主要展示了基于因子构建的指数或风格组合在近一周、近一月和年初至今的表现。） 1. **成长 vs 红利因子**：近一周相对收益为-1.3%，近一月为-3.7%，年初至今为-3.3%[59] 2. **小盘 vs 大盘因子**：近一周相对收益为-1.3%，近一月为1.0%，年初至今为9.9%[59] 3. **微盘股 vs 基金重仓因子**：近一周相对收益为0.3%，近一月为1.0%，年初至今为8.8%[59] 4. **动量 vs 反转因子**：近一周相对收益为-2.1%，近一月为-2.6%，年初至今为-6.7%[59]

量化模型与因子总结 量化因子与构建方式 1. **因子名称**：风格相对拥挤度[70][128] * **因子构建思路**：通过计算不同风格指数（如成长vs红利、小盘vs大盘等）的换手率标准化值之差的历史分位，来衡量某一风格相对于另一风格的交易拥挤程度，用于判断风格的配置风险与性价比[70][128] * **因子具体构建过程**： 1. 对于风格A和风格B的指数，分别计算其近252日的平均换手率[128] 2. 将计算出的平均换手率值，置于从2005年1月1日至今的历史时间序列中进行Z-score标准化，得到Z-score_A和Z-score_B[128] 3. 计算两个标准化值的差值：Z-score_A - Z-score_B[128] 4. 计算该差值的滚动6年历史分位数（若历史数据量满1年但不足6年，则使用全部历史数据计算），该分位数即为风格A相对于风格B的相对拥挤度[128] 2. **因子名称**：风格累计超额净值[70][129] * **因子构建思路**：以万得全A指数为基准，计算各风格指数相对于基准的累计超额收益，用于跟踪风格表现的强弱[70][129] * **因子具体构建过程**： 1. 设定基准日（报告中为2020年1月4日）[129] 2. 将各风格指数及万得全A指数的每日收盘点数除以各自在基准日的收盘点数，得到各自的累计净值[129] 3. 将各风格指数在每个交易日的累计净值，除以同一交易日的万得全A指数累计净值，得到该风格指数相对于万得全A的累计超额净值[129] 3. **因子名称**：机构调研活跃度[130] * **因子构建思路**：通过计算板块、指数或行业在特定周期内日均机构调研次数的标准化活跃度及其历史分位，来衡量市场关注度的变化[130] * **因子具体构建过程**： 1. 对于目标板块（指数、行业），计算其近n个交易日的“日均机构调研次数”[130] 2. 将该值在滚动y年的历史时间序列上进行z-score标准化[130] 3. 将上述标准化结果与万得全A指数的同期标准化结果作差，得到“机构调研活跃度”[130] 4. 最后计算该“机构调研活跃度”的滚动y年历史分位数[130] * **长期口径参数**：n取126（近半年），滚动窗口y为6年（历史数据量满3年且不足6年时，以全部历史数据计算）[130] * **短期口径参数**：n取63（近一季度），滚动窗口y为3年（历史数据量满1年且不足3年时，以全部历史数据计算）[130] 4. **因子名称**：股债风险溢价（ERP）[51] * **因子构建思路**：通过计算股票指数市盈率倒数与无风险利率（10年期国债收益率）的差值，来衡量投资股票相对于债券的额外收益补偿，即股债性价比[51] * **因子具体构建过程**： 1. 计算股票指数的市盈率倒数：1 / 指数PE_TTM[51] 2. 减去当前10年期中债国债到期收益率[51] * **公式**：$$指数 erp = 1/指数 PE\_TTM – 10 年期国债到期收益率$$[51] 5. **因子名称**：滚动季度夏普率[37][39] * **因子构建思路**：计算指数滚动季度周期的夏普比率，用于衡量经风险调整后的收益，并作为市场情绪风险的观测指标[37][39] * **因子具体构建过程**：报告中未给出详细计算过程，但提及使用万得全A指数的滚动季度夏普率来观察市场情绪是否达到极端位置[37][39] 6. **因子名称**：成交热度[26] * **因子构建思路**：使用周度日均自由流通换手率的历史分位值，来衡量指数、板块或行业的交易活跃程度[26] * **因子具体构建过程**：成交热度 = 指数（或板块、行业）的周度日均自由流通换手率在历史时间区间（如2005年1月1日至今）内的历史分位值[26][35] 因子的回测效果 *注：本报告为市场跟踪周报，主要展示各因子或风格在特定时间窗口（近一周、近一月、年初至今）的表现状态或具体数值，而非长期历史回测结果。以下为报告截至2026年1月23日当周的数据汇总。* 1. **风格相对拥挤度因子**，成长vs红利相对拥挤度历史分位：75%[70]；小盘vs大盘相对拥挤度历史分位：37%[70]；微盘股vs中证800相对拥挤度历史分位：0%[70] 2. **风格累计超额净值因子**，成长较红利超额收益：近一周 -1.4%，近一月 3.6%，年初至今 4.3%[61][64]；小盘较大盘超额收益：近一周 4.8%，近一月 14.5%，年初至今 13.4%[61][64]；微盘股较基金重仓超额收益：近一周 3.5%，近一月 3.4%，年初至今 3.1%[61][64]；动量较反转超额收益：近一周 -1.2%，近一月 2.7%，年初至今 -1.4%[61][64] 3. **股债风险溢价（ERP）因子**，万得全A指数ERP百分位：54%[58][60]；沪深300指数ERP百分位：61%[58][60]；中证500指数ERP百分位：65%[60]；创业板指数ERP百分位：85%[52][60] 4. **滚动季度夏普率因子**，万得全A指数滚动季度夏普率状态：从历史低位反弹，尚未触及预警位置[37] 5. **成交热度因子**，万得全A指数成交热度历史分位：92%[35]；沪深300指数成交热度历史分位：88%[35]；中证1000指数成交热度历史分位：93%[35]；创业板指数成交热度历史分位：97%[35]

根据研报内容，以下是关于量化模型与因子的总结： 量化模型与构建方式 1. 风格拥挤度模型 - **模型名称**：风格拥挤度模型[123] - **模型构建思路**：通过计算各风格指数与市场基准（万得全A）的换手率差异，并标准化后计算历史分位，以衡量风格的交易拥挤程度[123] - **模型具体构建过程**： 1. 计算各风格指数近n个交易日（n=63，即近一个季度）的日均换手率 2. 计算万得全A指数相同时间窗口的日均换手率 3. 将风格指数换手率与万得全A换手率分别进行z-score标准化： $$Z_{style} = \frac{X_{style} - \mu_{style}}{\sigma_{style}}$$ $$Z_{market} = \frac{X_{market} - \mu_{market}}{\sigma_{market}}$$ 4. 计算标准化后的差值：$$Diff = Z_{style} - Z_{market}$$ 5. 计算该差值在滚动y年（y=6）历史窗口内的分位值，得到拥挤度分位数[123] 2. 风格超额净值模型 - **模型名称**：风格超额净值模型[124] - **模型构建思路**：以2016年1月4日为基准，计算各风格指数相对于万得全A的累计超额收益，用于评估风格的相对表现[124] - **模型具体构建过程**： 1. 以2016年1月4日为基准日，计算各风格指数的每日累计净值： $$CN_{style,t} = \frac{P_{style,t}}{P_{style,base}}$$ 2. 计算万得全A指数的每日累计净值： $$CN_{market,t} = \frac{P_{market,t}}{P_{market,base}}$$ 3. 计算风格指数相对于万得全A的累计超额净值： $$Excess_{style,t} = \frac{CN_{style,t}}{CN_{market,t}}$$[124] 3. 机构调研活跃度模型 - **模型名称**：机构调研活跃度模型[125] - **模型构建思路**：通过计算板块/行业/指数的机构调研次数与市场基准的差异，并标准化后计算历史分位，以衡量机构关注度[125] - **模型具体构建过程**： 1. 计算板块（指数、行业）近n个交易日的"日均机构调研次数" 2. 计算万得全A指数相同时间窗口的"日均机构调研次数" 3. 将板块调研次数与市场调研次数分别进行z-score标准化 4. 计算标准化后的差值得到"机构调研活跃度" 5. 计算该活跃度在滚动历史窗口内的分位数： - 长期口径：n=126（近半年），滚动窗口=6年 - 短期口径：n=63（近一季度），滚动窗口=3年[125] 4. 股债性价比模型（ERP模型） - **模型名称**：股债性价比模型（ERP）[74] - **模型构建思路**：通过计算股票市场风险溢价（ERP）来评估股票相对于债券的配置价值[74] - **模型具体构建过程**： 1. 计算指数市盈率倒数：$$\frac{1}{PE_{TTM}}$$ 2. 减去10年期中债国债到期收益率： $$ERP = \frac{1}{PE_{TTM}} - R_{bond}^{10Y}$$[74] 3. 计算ERP在历史时间序列（2010年1月1日至今）的分位值 量化因子与构建方式 1. 动量因子 - **因子名称**：动量因子[27] - **因子构建思路**：以最近一年股票收益率减去最近一个月股票收益率（剔除涨停板）作为动量指标，选择动量特征强的股票[27] - **因子具体构建过程**： 1. 计算每只股票的动量指标：$$Momentum = R_{1Y} - R_{1M}$$ 2. 剔除涨停板股票的影响 3. 选择动量特征强且流动性高的前100只股票构建指数[27] - **因子评价**：能够较好地表征A股市场中最具动量特征的股票的整体走势[27] 2. 反转因子 - **因子名称**：反转因子[28] - **因子构建思路**：以最近一个月股票收益率作为筛选指标，选择反转效应强的股票[28] - **因子具体构建过程**： 1. 计算每只股票的最近一个月收益率 2. 选择反转效应强、流动性较好的前100只股票 3. 采用成分股近三个月日均成交量进行加权构建指数[28] - **因子评价**：旨在准确表征A股市场各阶段高反转特征个股的整体表现[28] 模型的回测效果 1. 风格拥挤度模型 - 成长风格拥挤度：16%（历史极低位置）[36] - 红利风格拥挤度：30%（历史较低位置）[36] - 小盘风格拥挤度：49%（历史均衡位置）[36] - 大盘风格拥挤度：92%（历史极高位置）[36] - 微盘股拥挤度：8%（历史极低位置）[36] - 基金重仓拥挤度：91%（历史极高位置）[36] 2. 风格超额净值表现 - 成长较红利超额：近一周2.6%，近一月8.4%，年初至今29.0%[26] - 小盘较大盘超额：近一周-0.9%，近一月0.5%，年初至今9.5%[26] - 微盘股较基金重仓超额：近一周-1.6%，近一月-1.7%，年初至今30.1%[26] - 动量较反转超额：近一周-0.7%，近一月-5.0%，年初至今22.7%[26] 3. 机构调研活跃度 长期口径（半年度）： - 沪深300：50%（均衡）[107] - 中证500：61%（较高）[107] - 创业板：61%（较高）[107] - 上游周期：96%（极高）[107] - 金融：4%（极低）[107] 短期口径（季度）： - 沪深300：44%（均衡）[107] - 中证500：66%（较高）[107] - 创业板：82%（极高）[107] - 上游周期：88%（极高）[107] - TMT：18%（极低）[107] 4. 股债性价比（ERP） - 万得全A ERP：2.6%，分位46%（均衡）[80] - 沪深300 ERP：5.2%，分位48%（均衡）[80] - 中证500 ERP：1.0%，分位65%（较高）[80] - 创业板 ERP：0.3%，分位84%（极高）[80]

量化因子与构建方式 1. 因子名称：成长风格因子；因子构建思路：通过国证成长指数与万得全A指数的相对表现来捕捉成长风格相对于市场的超额收益[25][26]；因子具体构建过程：以2016年1月4日为基准日，计算国证成长指数的每日收盘点数除以基准日收盘点数得到累计净值，再将此累计净值除以同一交易日的万得全A指数累计净值，得到成长风格相对于万得全A的累计超额净值[122]；因子评价：成长风格拥挤度及超额净值持续处于历史低位[2][35] 2. 因子名称：红利风格因子；因子构建思路：通过中证红利指数与万得全A指数的相对表现来捕捉红利风格相对于市场的超额收益[25][26]；因子具体构建过程：以2016年1月4日为基准日，计算中证红利指数的每日收盘点数除以基准日收盘点数得到累计净值，再将此累计净值除以同一交易日的万得全A指数累计净值，得到红利风格相对于万得全A的累计超额净值[122]；因子评价：红利风格拥挤度近期处于历史较低位置[2][35] 3. 因子名称：小盘风格因子；因子构建思路：通过巨潮小盘指数与万得全A指数的相对表现来捕捉小盘风格相对于市场的超额收益[25][26]；因子具体构建过程：以2016年1月4日为基准日，计算巨潮小盘指数的每日收盘点数除以基准日收盘点数得到累计净值，再将此累计净值除以同一交易日的万得全A指数累计净值，得到小盘风格相对于万得全A的累计超额净值[122]；因子评价：小盘风格超额净值及拥挤度均处于历史低位[2][39] 4. 因子名称：大盘风格因子；因子构建思路：通过巨潮大盘指数与万得全A指数的相对表现来捕捉大盘风格相对于市场的超额收益[25][26]；因子具体构建过程：以2016年1月4日为基准日，计算巨潮大盘指数的每日收盘点数除以基准日收盘点数得到累计净值，再将此累计净值除以同一交易日的万得全A指数累计净值，得到大盘风格相对于万得全A的累计超额净值[122]；因子评价：大盘风格拥挤度近期上升至历史高位[2][39] 5. 因子名称：微盘股因子；因子构建思路：通过万得微盘股指数与万得全A指数的相对表现来捕捉微盘股风格相对于市场的超额收益[25][26]；因子具体构建过程：以2016年1月4日为基准日，计算万得微盘股指数的每日收盘点数除以基准日收盘点数得到累计净值，再将此累计净值除以同一交易日的万得全A指数累计净值，得到微盘股风格相对于万得全A的累计超额净值[122]；因子评价：微盘股拥挤度下降至历史低位[2][41] 6. 因子名称：基金重仓因子；因子构建思路：通过基金重仓指数与万得全A指数的相对表现来捕捉基金重仓风格相对于市场的超额收益[25][26]；因子具体构建过程：以2016年1月4日为基准日，计算基金重仓指数的每日收盘点数除以基准日收盘点数得到累计净值，再将此累计净值除以同一交易日的万得全A指数累计净值，得到基金重仓风格相对于万得全A的累计超额净值[122]；因子评价：基金重仓超额累计净值持续处于历史低位，拥挤度近期上行至历史高位[2][41] 7. 因子名称：动量因子；因子构建思路：以最近一年股票收益率减去最近一个月股票收益率（剔除涨停板）作为动量指标，综合选择A股市场中动量特征强且流动性相对较高的股票[28]；因子具体构建过程：使用长江动量指数，该指数选取动量特征强且流动性高的前100只股票作为成分股[28] 8. 因子名称：反转因子；因子构建思路：以最近一个月股票收益率作为筛选指标，综合选择A股市场中反转效应强、流动性较好的股票[28]；因子具体构建过程：使用长江反转指数，该指数选取反转效应强且流动性好的前100只股票作为成分股，并采用成分股近三个月日均成交量进行加权[28] 9. 因子名称：风格拥挤度因子；因子构建思路：衡量各风格指数的交易活跃度相对于历史水平的位置[35][121]；因子具体构建过程：将各风格指数的近63个交易日（近一个季度）的日均换手率在历史时间序列上进行z-score标准化并与万得全A的结果作差，最后计算该差值的滚动6年分位值（历史数据量满1年且不足6年时，以全部历史数据进行计算）[121]；计算公式：$$拥挤度分位值 = Percentile_{6y}(Z(风格指数换手率_{63d}) - Z(万得全A换手率_{63d}))$$ 10. 因子名称：机构调研活跃度因子；因子构建思路：衡量各板块、指数、行业的机构调研活跃程度相对于历史水平的位置[103][123]；因子具体构建过程：分为长期和短期两个口径。长期口径：将板块（指数、行业）的近126个交易日（近半年）的"日均机构调研次数"在滚动6年的历史时间序列上进行z-score标准化并与万得全A的结果作差得到"机构调研活跃度"，最后计算其滚动6年历史分位数（历史数据量满3年且不足6年时，以全部历史数据进行计算）。短期口径：将板块（指数、行业）的近63个交易日（近一季度）的"日均机构调研次数"在滚动3年的历史时间序列上进行z-score标准化并与万得全A的结果作差得到"机构调研活跃度"，最后计算其滚动3年历史分位数（历史数据量满1年且不足3年时，以全部历史数据进行计算）[123]；计算公式：$$机构调研活跃度 = Z(日均机构调研次数_{n}) - Z(万得全A日均机构调研次数_{n})$$，其中n取126（长期）或63（短期） 11. 因子名称：估值因子（PE_TTM）；因子构建思路：使用市盈率（TTM）衡量股票估值水平[60][67]；因子具体构建过程：计算指数或行业的市盈率（TTM），并计算其在2010年1月1日至今时间区间内的历史分位值[60][69] 12. 因子名称：股债性价比因子（erp）；因子构建思路：通过风险溢价指标erp衡量配置权益资产的相对性价比[71][80]；因子具体构建过程：计算指数erp = 1/指数PE_TTM – 10年期中债国债到期收益率，并计算其在2010年1月1日至今时间区间内的历史分位值[71][80]；计算公式：$$erp = \frac{1}{PE\_TTM} - R_{10y国债}$$ 因子的回测效果 1. 成长风格因子，近一周超额收益2.6%[25]，近一月超额收益12.4%[25]，年初至今超额收益25.8%[25]，拥挤度历史分位15%[35] 2. 红利风格因子，近一周超额收益-1.1%[26]，近一月超额收益-2.3%[26]，年初至今超额收益-2.0%[26]，拥挤度历史分位30%[35] 3. 小盘风格因子，近一周超额收益0.6%[26]，近一月超额收益4.1%[26]，年初至今超额收益24.8%[26]，拥挤度历史分位41%[35] 4. 大盘风格因子，近一周超额收益-0.5%[26]，近一月超额收益2.7%[26]，年初至今超额收益14.3%[26]，拥挤度历史分位88%[35] 5. 微盘股因子，近一周超额收益-1.4%[26]，近一月超额收益-2.4%[26]，年初至今超额收益56.5%[26]，拥挤度历史分位10%[35] 6. 基金重仓因子，近一周超额收益0.6%[26]，近一月超额收益4.2%[26]，年初至今超额收益24.3%[26]，拥挤度历史分位90%[35] 7. 动量因子，近一周超额收益0.9%[26]，近一月超额收益-1.3%[26]，年初至今超额收益37.1%[26] 8. 反转因子，近一周超额收益1.6%[26]，近一月超额收益2.3%[26]，年初至今超额收益13.1%[26] 9. 成长较红利因子，近一周超额收益2.6%[25]，近一月超额收益12.4%[25]，年初至今超额收益25.8%[25] 10. 小盘较大盘因子，近一周超额收益1.1%[25]，近一月超额收益1.4%[25]，年初至今超额收益10.5%[25] 11. 微盘股较基金重仓因子，近一周超额收益-2.0%[25]，近一月超额收益-6.6%[25]，年初至今超额收益32.2%[25] 12. 动量较反转因子，近一周超额收益-0.6%[25]，近一月超额收益-3.6%[25]，年初至今超额收益24.0%[25]

量化因子与构建方式 1. **因子名称**：成长风格拥挤度因子[37][38]；**因子构建思路**：通过计算风格指数与市场基准的换手率差异的标准化值，来衡量特定风格（成长）的交易拥挤程度[125]；**因子具体构建过程**：首先计算国证成长指数近63个交易日（一个季度）的日均换手率，并在其6年历史时间序列上进行z-score标准化。同时，计算万得全A指数同期的日均换手率并进行z-score标准化。最后，计算两个标准化值的差值，并将该差值映射到其滚动6年历史分位值上，得到成长风格拥挤度分位点。其计算过程可表示为： $$ \text{Z}_{\text{style}} = \frac{\text{Turnover}_{\text{style}} - \mu_{\text{style}}}{\sigma_{\text{style}}} $$ $$ \text{Z}_{\text{broad}} = \frac{\text{Turnover}_{\text{broad}} - \mu_{\text{broad}}}{\sigma_{\text{broad}}} $$ $$ \text{Crowding}_{\text{style}} = \text{Percentile}_{\text{6y}} (\text{Z}_{\text{style}} - \text{Z}_{\text{broad}}) $$ 其中，$\text{Turnover}_{\text{style}}$ 和 $\text{Turnover}_{\text{broad}}$ 分别为风格指数和万得全A的换手率，$\mu$ 和 $\sigma$ 为对应时间窗口内的均值和标准差，$\text{Percentile}_{\text{6y}}$ 表示计算6年滚动窗口的历史分位数。 2. **因子名称**：红利风格拥挤度因子[37][38]；**因子构建思路**：与成长风格拥挤度因子构建思路一致，但计算对象为中证红利指数[125]；**因子具体构建过程**：计算过程与成长风格拥挤度因子完全相同，仅将风格指数由国证成长替换为中证红利。 3. **因子名称**：小盘风格拥挤度因子[37][38]；**因子构建思路**：与成长风格拥挤度因子构建思路一致，但计算对象为巨潮小盘指数[125]；**因子具体构建过程**：计算过程与成长风格拥挤度因子完全相同，仅将风格指数由国证成长替换为巨潮小盘。 4. **因子名称**：大盘风格拥挤度因子[37][38]；**因子构建思路**：与成长风格拥挤度因子构建思路一致，但计算对象为巨潮大盘指数[125]；**因子具体构建过程**：计算过程与成长风格拥挤度因子完全相同，仅将风格指数由国证成长替换为巨潮大盘。 5. **因子名称**：微盘股风格拥挤度因子[37][38]；**因子构建思路**：与成长风格拥挤度因子构建思路一致，但计算对象为万得微盘股指数[125]；**因子具体构建过程**：计算过程与成长风格拥挤度因子完全相同，仅将风格指数由国证成长替换为万得微盘股。 6. **因子名称**：基金重仓风格拥挤度因子[37][38]；**因子构建思路**：与成长风格拥挤度因子构建思路一致，但计算对象为基金重仓指数[125]；**因子具体构建过程**：计算过程与成长风格拥挤度因子完全相同，仅将风格指数由国证成长替换为基金重仓。 7. **因子名称**：风格超额净值因子[37][38]；**因子构建思路**：通过计算风格指数相对于万得全A的累计净值比，来衡量风格的长期超额收益表现[126]；**因子具体构建过程**：以2016年1月4日为基准日，计算风格指数和万得全A指数的每日累计净值（当日收盘价/基准日收盘价）。将风格指数的累计净值除以同一交易日的万得全A指数累计净值，得到该风格指数相对于万得全A的累计超额净值。 8. **因子名称**：机构调研活跃度因子[107][110]；**因子构建思路**：通过计算板块或行业相对于市场的机构调研次数标准化差异的历史分位，来衡量其受机构关注的程度[127]；**因子具体构建过程**：计算板块（或指数、行业）近n个交易日（长期口径n=126，即近半年；短期口径n=63，即近一季度）的日均机构调研次数，并在滚动y年（长期口径y=6年；短期口径y=3年）的历史时间序列上进行z-score标准化。同时，计算万得全A同期的日均机构调研次数并进行z-score标准化。计算两个标准化值的差值得到“机构调研活跃度”，最后计算该活跃度值的滚动历史分位数（窗口期与标准化窗口期一致）。 9. **因子名称**：风险溢价（ERP）因子[73][80]；**因子构建思路**：通过计算股票市场市盈率倒数与无风险利率的差值，来衡量投资股票的额外风险补偿[73]；**因子具体构建过程**：对于特定指数，其ERP计算公式为： $$ \text{ERP} = \frac{1}{\text{PE\_TTM}}} - R_{\text{f}} $$ 其中，$\text{PE\_TTM}$ 为该指数的滚动市盈率，$R_{\text{f}}$ 为10年期中债国债到期收益率。计算出的ERP值会进一步被映射到其历史分位数以判断当前性价比。 **因子的回测效果** 1. 成长风格拥挤度因子，当前历史分位值13%[37][38] 2. 红利风格拥挤度因子，当前历史分位值23%[37][38] 3. 小盘风格拥挤度因子，当前历史分位值16%[37][38] 4. 大盘风格拥挤度因子，当前历史分位值51%[37][38] 5. 微盘股风格拥挤度因子，当前历史分位值28%[37][38] 6. 基金重仓风格拥挤度因子，当前历史分位值72%[37][38] 7. 成长较红利超额净值因子，近一周收益率6.6%，近一月收益率15.2%，年初至今收益率19.4%[27][28] 8. 小盘较大盘超额净值因子，近一周收益率-0.1%，近一月收益率1.5%，年初至今收益率8.7%[27][28] 9. 微盘股较基金重仓超额净值因子，近一周收益率-6.5%，近一月收益率-10.2%，年初至今收益率31.8%[27][28] 10. 动量较反转超额净值因子，近一周收益率0.9%，近一月收益率9.3%，年初至今收益率29.3%[27][28] 11. 万得全A指数ERP因子，当前值2.7%，当前历史分位值49%[80] 12. 沪深300指数ERP因子，当前值5.2%，当前历史分位值50%[80] 13. 中证500指数ERP因子，当前值1.1%，当前历史分位值68%[80] 14. 创业板指数ERP因子，当前值0.6%，当前历史分位值87%[80]

根据研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **因子名称：长江动量因子** - **构建思路**：基于股票过去一年的收益率减去最近一个月的收益率（剔除涨停板）构建动量指标，筛选A股市场中动量特征强且流动性高的股票[27] - **具体构建过程**： 1. 计算每只股票过去12个月的收益率$$R_{12m}$$ 2. 计算最近1个月的收益率$$R_{1m}$$（剔除涨停板股票） 3. 动量指标定义为$$Momentum = R_{12m} - R_{1m}$$ 4. 按动量指标排序，选取前100只股票作为成分股，采用等权重或流动性加权[27] - **因子评价**：能有效捕捉A股市场的动量效应，尤其在趋势性行情中表现突出[27] 2. **因子名称：长江反转因子** - **构建思路**：利用短期反转效应，筛选近期表现弱势但流动性较好的股票[28] - **具体构建过程**： 1. 计算每只股票最近1个月的收益率$$R_{1m}$$ 2. 按$$R_{1m}$$升序排序，选取后100只股票作为成分股 3. 采用近3个月日均成交量加权[28] - **因子评价**：在震荡市中表现优于动量因子，但对交易成本敏感[28] 3. **因子名称：风格拥挤度因子** - **构建思路**：通过换手率标准化差异衡量风格过热或过冷状态[122] - **具体构建过程**： 1. 计算风格指数近63个交易日的日均换手率$$T_{style}$$ 2. 计算万得全A同期换手率$$T_{benchmark}$$ 3. 对两者分别进行Z-score标准化： $$Z_{style} = \frac{T_{style} - \mu_{style}}{\sigma_{style}}$$ $$Z_{benchmark} = \frac{T_{benchmark} - \mu_{benchmark}}{\sigma_{benchmark}}$$ 4. 拥挤度=$$Z_{style} - Z_{benchmark}$$，再计算6年滚动分位数[122] 4. **因子名称：机构调研活跃度因子** - **构建思路**：反映机构对板块/行业的关注度差异[124] - **具体构建过程**： 1. 统计板块近126个交易日的日均调研次数$$V_{sector}$$ 2. 计算万得全A同期值$$V_{benchmark}$$ 3. 标准化后计算活跃度差值： $$Activity = \frac{V_{sector} - \mu_{sector}}{\sigma_{sector}} - \frac{V_{benchmark} - \mu_{benchmark}}{\sigma_{benchmark}}$$ 4. 取6年滚动分位数[124] 因子的回测效果 1. **长江动量因子** - 近一周超额收益3.3%，近一月1.7%，年初至今17.0%[26] - 当前拥挤度分位数11%（成长风格对比）[36] 2. **长江反转因子** - 近一周超额收益-1.9%，近一月4.5%，年初至今2.8%[26] - 与主动型基金规模呈负相关性（资金流入时反转效应减弱）[47] 3. **微盘股因子** - 较基金重仓股超额收益：近一周2.5%，近一月5.4%，年初至今42.0%[26] - 当前拥挤度分位数53%（历史均衡水平）[36] 4. **红利风格因子** - 当前估值分位数39%，ERP分位数98%（极高性价比）[68][80] - 与美债利率负相关性显著（利率下行时跑输成长）[44] 关键模型逻辑 1. **超额净值计算模型** - 以2016年1月4日为基准日，计算风格指数与万得全A的累计净值比[123] - 公式：$$ExcessReturn = \frac{P_{style,t}/P_{style,base}}{P_{benchmark,t}/P_{benchmark,base}} - 1$$ 2. **股债性价比模型(ERP)** - 计算逻辑：$$ERP = \frac{1}{PE_{TTM}} - Y_{10y\_bond}$$[71] - 当前万得全A的ERP为3.2%，处于64%历史分位[80] 3. **利率联动模型** - 美债利率与A股风格相关性： - 利率下行时大盘股/成长股占优（国证成长跑赢中证红利4.0%）[44] - 利率变动解释度达60%以上[18][19] （注：所有因子测试结果均基于2025年8月1日最新数据[26][36]）

根据研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **因子名称：动量因子** - **构建思路**：通过计算股票过去一段时间（1年）的收益率减去最近一个月收益率，筛选出动量特征强的股票[27] - **具体构建过程**： - 计算动量指标：$$ \text{动量} = R_{1年} - R_{1月} $$ - 选取A股市场中动量特征强且流动性高的前100只股票构成指数[27] - **因子评价**：能有效表征市场动量效应，但需剔除涨停板干扰[27] 2. **因子名称：反转因子** - **构建思路**：基于短期（1个月）收益率筛选反转效应显著的股票[28] - **具体构建过程**： - 以最近1个月收益率作为筛选指标 - 选取反转效应强、流动性好的前100只股票，按近3个月日均成交量加权[28] - **因子评价**：适合捕捉市场短期反转机会，但对流动性要求较高[28] 3. **因子名称：风格拥挤度因子** - **构建思路**：通过换手率标准化差异衡量风格交易拥挤程度[34][120] - **具体构建过程**： - 计算标准化差值：$$ \text{拥挤度} = \text{z-score}(\frac{\text{风格指数换手率}}{\text{万得全A换手率}}) $$ - 滚动计算历史分位值（1年窗口用6年数据）[120] - **因子评价**：拥挤度低位预示风格配置性价比提升[34] 4. **因子名称：机构调研活跃度因子** - **构建思路**：通过机构调研次数差异反映资金关注度[104][122] - **具体构建过程**： - 计算板块/行业日均调研次数z-score - 与万得全A基准作差后计算历史分位（半年用6年数据）[122] - **因子评价**：高分位预示潜在过热风险[104] 因子回测效果 1. **动量因子** - 近一月超额收益7.2%，年初至今5.9%[27] - IR（1年）：0.85[27] 2. **反转因子** - 近一月超额1.7%，年初至今-2.6%[27] - IR（1年）：0.32[27] 3. **成长风格因子** - 当前拥挤度0%（历史极低），近一月超额3.6%[34][12] - 与红利风格年化相关性：-0.45[34] 4. **微盘股因子** - 年初至今超额26.5%，但拥挤度快速降至6%[40][16] - 波动率（年化）：38.2%[16] 其他关键指标 - **股债性价比指标**： $$ \text{ERP} = \frac{1}{\text{PE\_TTM}} - \text{10年国债收益率} $$ 当前万得全A ERP分位77%，创业板97%[69][75] - **融资余额因子**： 当前处于历史99%分位，季度环比与指数收益拐点同步[98][45] 注：所有因子测试结果均基于2025年5月数据[19]