量化模型与构建方式 1. **模型名称：进取组合**；模型构建思路：基于多因子模型构建的积极型股票组合[7][8] 2. **模型名称：平衡组合**；模型构建思路：基于多因子模型构建的稳健型股票组合[7][8] 3. **模型名称：沪深300增强组合**；模型构建思路：以跑赢沪深300指数为目标的量化增强策略[5][7] 4. **模型名称：中证500增强组合**；模型构建思路：以跑赢中证500指数为目标的量化增强策略[5][7] 5. **模型名称：中证1000增强组合**；模型构建思路：以跑赢中证1000指数为目标的量化增强策略[5][7] 6. **模型名称：绩优基金的独门重仓股组合**；模型构建思路：选取绩优基金所持有的非主流重仓股构建组合[5][7] 7. **模型名称：盈利、增长、现金流三者兼优组合**；模型构建思路：筛选在盈利、增长和现金流三个基本面维度均表现优异的股票[5][7] 8. **模型名称：PB-盈利优选组合**；模型构建思路：结合低市净率（PB）和高盈利能力的选股策略[5][7] 9. **模型名称：GARP组合**；模型构建思路：采用“合理价格成长”策略，寻找具有成长性且估值合理的股票[5][7] 10. **模型名称：小盘价值优选组合1**；模型构建思路：在小盘股中筛选具备价值属性的股票[7][37] 11. **模型名称：小盘价值优选组合2**；模型构建思路：另一种在小盘股中筛选价值股的方法[7][39] 12. **模型名称：小盘成长组合**；模型构建思路：在小盘股中筛选具备高成长属性的股票[5][7] 模型的回测效果 1. **进取组合**，周收益率-7.64%[9]，月收益率-10.00%[9]，年收益率9.48%[9]，周超额收益-1.82%[9]，月超额收益0.38%[9]，年超额收益5.53%[9]，跟踪误差22.00%[9]，最大相对回撤6.14%[9] 2. **平衡组合**，周收益率-6.73%[9]，月收益率-8.48%[9]，年收益率8.65%[9]，周超额收益-0.91%[9]，月超额收益1.89%[9]，年超额收益4.70%[9]，跟踪误差18.75%[9]，最大相对回撤4.99%[9] 3. **沪深300增强组合**，周收益率-4.58%[9]，月收益率-5.98%[9]，年收益率3.21%[9]，周超额收益-2.40%[9]，月超额收益-2.93%[9]，年超额收益4.57%[9]，跟踪误差7.44%[9]，最大相对回撤3.67%[9] 4. **中证500增强组合**，周收益率-5.25%[9]，月收益率-9.32%[9]，年收益率3.54%[9]，周超额收益0.58%[9]，月超额收益1.06%[9]，年超额收益-0.40%[9]，跟踪误差7.57%[9]，最大相对回撤3.17%[9] 5. **中证1000增强组合**，周收益率-4.37%[9]，月收益率-8.71%[9]，年收益率5.03%[9]，周超额收益0.87%[9]，月超额收益0.37%[9]，年超额收益2.56%[9]，跟踪误差8.21%[9]，最大相对回撤2.32%[9] 6. **绩优基金的独门重仓股组合**，周收益率-5.13%[9]，月收益率-13.20%[9]，年收益率1.91%[9]，周超额收益-2.77%[9]，月超额收益-8.43%[9]，年超额收益0.22%[9]，跟踪误差25.14%[9]，最大相对回撤8.93%[9] 7. **盈利、增长、现金流三者兼优组合**，周收益率-5.41%[9]，月收益率-11.81%[9]，年收益率-14.83%[9]，周超额收益-3.22%[9]，月超额收益-8.76%[9]，年超额收益-13.47%[9]，跟踪误差15.01%[9]，最大相对回撤15.84%[9] 8. **PB-盈利优选组合**，周收益率-4.29%[9]，月收益率-4.39%[9]，年收益率3.12%[9]，周超额收益-2.11%[9]，月超额收益-1.34%[9]，年超额收益4.48%[9]，跟踪误差12.84%[9]，最大相对回撤2.38%[9] 9. **GARP组合**，周收益率-5.80%[9]，月收益率-7.04%[9]，年收益率6.02%[9]，周超额收益-3.62%[9]，月超额收益-3.99%[9]，年超额收益7.38%[9]，跟踪误差11.69%[9]，最大相对回撤3.99%[9] 10. **小盘价值优选组合1**，周收益率-5.85%[9]，月收益率-7.96%[9]，年收益率3.42%[9]，周超额收益1.06%[9]，月超额收益0.99%[9]，年超额收益-4.03%[9]，跟踪误差12.01%[9]，最大相对回撤9.26%[9] 11. **小盘价值优选组合2**，周收益率-6.44%[9]，月收益率-8.78%[9]，年收益率8.20%[9]，周超额收益0.47%[9]，月超额收益0.17%[9]，年超额收益0.75%[9]，跟踪误差12.28%[9]，最大相对回撤5.84%[9] 12. **小盘成长组合**，周收益率-5.81%[9]，月收益率-8.95%[9]，年收益率3.86%[9]，周超额收益1.10%[9]，月超额收益0.00%[9]，年超额收益-3.60%[9]，跟踪误差11.11%[9]，最大相对回撤7.41%[9] 量化因子与构建方式 1. **因子名称：市值因子**；因子具体构建过程：按照股票的总市值进行排序，构建多空组合[44][45] 2. **因子名称：PB因子**；因子具体构建过程：按照股票的市净率（PB）进行排序，构建多空组合[44][45] 3. **因子名称：PE_TTM因子**；因子具体构建过程：按照股票的滚动市盈率（PE_TTM）进行排序，构建多空组合[44][45] 4. **因子名称：反转因子**；因子具体构建过程：按照股票过去一段时间的涨幅进行排序，低涨幅股票为多头，高涨幅股票为空头，构建多空组合[44][50] 5. **因子名称：换手率因子**；因子具体构建过程：按照股票的换手率进行排序，低换手率股票为多头，高换手率股票为空头，构建多空组合[44][50] 6. **因子名称：波动率因子**；因子具体构建过程：按照股票价格的波动率进行排序，低波动率股票为多头，高波动率股票为空头，构建多空组合[44][50] 7. **因子名称：ROE因子**；因子具体构建过程：按照股票的净资产收益率（ROE）进行排序，构建多空组合[44][53] 8. **因子名称：SUE因子**；因子具体构建过程：按照标准化未预期盈余（SUE）进行排序，构建多空组合[44][53] 9. **因子名称：预期净利润调整因子**；因子具体构建过程：按照分析师对净利润预期的调整幅度进行排序，构建多空组合[44][53] 因子的回测效果 **（注：以下为上周（2026.03.13-2026.03.20）全市场范围内的因子表现）** 1. **市值因子**，多头收益-1.45%[45]，空头收益0.76%[45]，多空收益-2.22%[45] 2. **PB因子**，多头收益0.92%[45]，空头收益0.98%[45]，多空收益-0.06%[45] 3. **PE_TTM因子**，多头收益0.54%[45]，空头收益-0.01%[45]，多空收益0.55%[45] 4. **反转因子**，多头收益0.66%[50]，空头收益-1.33%[50]，多空收益1.99%[50] 5. **换手率因子**，多头收益1.77%[50]，空头收益-0.46%[50]，多空收益2.23%[50] 6. **波动率因子**，多头收益2.18%[50]，空头收益-0.82%[50]，多空收益3.00%[50] 7. **ROE因子**，多头收益0.77%[53]，空头收益0.35%[53]，多空收益0.42%[53] 8. **SUE因子**，多头收益0.38%[53]，空头收益-0.09%[53]，多空收益0.48%[53] 9. **预期净利润调整因子**，多头收益0.32%[53]，空头收益-0.40%[53]，多空收益0.72%[53]

量化模型与构建方式 1. **模型名称：分红调整年化基差计算模型**[8][17][18][19] * **模型构建思路**：为准确分析股指期货合约的基差水平，需要剔除标的指数成分股在合约存续期内预期分红的影响，从而得到反映市场真实情绪和定价的“纯净”基差[8][17]。 * **模型具体构建过程**： 1. 首先，基于指数成分股历史分红情况，预测未来一年内各标的指数的分红点位[9]。例如，2026年3月20日，预测中证500、沪深300、上证50、中证1000指数分红点位分别为85.33、79.37、60.61、63.91[9]。 2. 其次，根据合约的剩余到期日，将总分红点位分配到不同期限的合约上，得到该合约存续期内的预期分红点位[19]。例如，IC下季合约的预期分红点位为85.21[19]。 3. 然后，计算实际基差：实际基差 = 期货合约价格 - 标的指数价格[17]。 4. 接着，计算分红调整后的基差：分红调整后基差 = 实际基差 + 存续期内未实现的预期分红[18]。 5. 最后，将分红调整后的基差进行年化处理，得到最终用于分析的年化基差指标[18][19]。公式为： $$年化基差 = \frac{(实际基差 + 预期分红点位)}{指数价格} \times \frac{360}{合约剩余天数}$$[19] 其中，“预期分红点位”指该合约存续期内未实现的预期分红点位[19]。 2. **模型名称：期现对冲策略（连续对冲与最低贴水策略）**[40][41][42] * **模型构建思路**：通过做空股指期货合约来对冲持有现货指数（全收益指数）的风险，旨在获取基差收敛（或选择最低贴水合约以优化）带来的收益，降低组合波动[40]。 * **模型具体构建过程**： * **通用设置**： * 回测区间：2022年7月22日至2026年3月20日[41][42]。 * 现货端：使用70%的资金，持有对应标的指数的全收益指数[41][42]。 * 期货端：使用剩余30%的资金，做空与现货端等额名义本金的股指期货合约（IC/IF/IH/IM）[41][42]。 * 每次调仓后根据产品净值重新计算现货及期货头寸数量[41][42]。 * 不考虑手续费、冲击成本及合约不可无限细分[41][42]。 * **连续对冲策略调仓规则**： * 连续持有当月或季月合约[41]。 * 当持有合约距离到期日不足2天时，在当日以收盘价平仓，并同时以收盘价卖空下一份当月或季月合约[41]。 * **最低贴水策略调仓规则**： * 调仓时，计算当日所有可交易期货合约的年化基差[42]。 * 选择年化基差贴水幅度最小的合约进行开仓[42]。 * 同一合约至少持有8个交易日，或持有至该合约距离到期日不足2天时，才可再次调仓（排除剩余到期日不足8日的合约）[42]。 量化因子与构建方式 1. **因子名称：期权波动率指数（VIX）**[58] * **因子构建思路**：借鉴海外成熟经验，结合国内场内期权市场实际情况进行适应性调整，构建反映期权投资者对标的资产未来30日波动水平预期的指数[58]。 * **因子评价**：该指数能够反映市场对未来波动性的预期，并具备期限结构，可展示不同时间跨度内波动预期的差异[58]。期权市场参与者专业性较强，提升了该指数隐含信息的参考价值[57]。 2. **因子名称：偏度指数（SKEW）**[62] * **因子构建思路**：通过刻画不同行权价格下期权隐含波动率（IV）的偏斜形态，来衡量市场对标的资产未来收益率分布（尤其是尾部风险）的预期[62]。 * **因子具体构建过程**：当市场担忧下行风险时，看跌期权需求上升，推动低行权价区域的隐含波动率上升，导致波动率曲线呈现负偏斜（左偏），SKEW指数升高[62]。一般而言，SKEW指数高于100表明投资者对市场大幅回调的担忧加剧[62]。 * **因子评价**：SKEW指数是洞察市场对潜在极端风险担忧程度的有效工具，常被称为“黑天鹅指数”，能为期权交易与风险管理提供参考[62]。 模型的回测效果 1. **IC（中证500）期现对冲策略**[44] * 当月连续对冲模型：年化收益-3.27%，波动率3.82%，最大回撤-12.10%，净值0.8862，年换手次数12，2026年以来收益0.14%[44]。 * 季月连续对冲模型：年化收益-2.59%，波动率4.89%，最大回撤-10.94%，净值0.9090，年换手次数4，2026年以来收益0.02%[44]。 * 最低贴水策略模型：年化收益-1.66%，波动率4.55%，最大回撤-8.56%，净值0.9412，年换手次数17.63，2026年以来收益-0.03%[44]。 2. **IF（沪深300）期现对冲策略**[49] * 当月连续对冲模型：年化收益0.25%，波动率2.85%，最大回撤-3.95%，净值1.0093，年换手次数12，2026年以来收益-0.02%[49]。 * 季月连续对冲模型：年化收益0.67%，波动率3.24%，最大回撤-4.03%，净值1.0244，年换手次数4，2026年以来收益0.38%[49]。 * 最低贴水策略模型：年化收益1.16%，波动率2.99%，最大回撤-4.06%，净值1.0428，年换手次数15.70，2026年以来收益0.45%[49]。 3. **IH（上证50）期现对冲策略**[53] * 当月连续对冲模型：年化收益0.99%，波动率2.89%，最大回撤-4.22%，净值1.0364，年换手次数12，2026年以来收益-0.01%[53]。 * 季月连续对冲模型：年化收益1.98%，波动率3.30%，最大回撤-3.75%，净值1.0738，年换手次数4，2026年以来收益0.47%[53]。 * 最低贴水策略模型：年化收益1.62%，波动率2.94%，最大回撤-3.91%，净值1.0599，年换手次数15.15，2026年以来收益0.36%[53]。 4. **IM（中证1000）期现对冲策略**[55] * 当月连续对冲模型：年化收益-6.17%，波动率4.30%，最大回撤-21.04%，净值0.7936，年换手次数12，2026年以来收益-0.30%[55]。 * 季月连续对冲模型：年化收益-5.02%，波动率5.41%，最大回撤-18.06%，净值0.8295，年换手次数4，2026年以来收益-0.79%[55]。 * 最低贴水策略模型：年化收益-3.95%，波动率5.13%，最大回撤-14.41%，净值0.8638，年换手次数15.15，2026年以来收益0.04%[55]。 因子的回测效果 1. **VIX因子取值（截至2026年3月20日）**[58] * 上证50VIX(30日): 21.61[58] * 沪深300VIX(30日): 20.97[58] * 中证500VIX(30日): 34.19[58] * 中证1000VIX(30日): 28.52[58] 2. **SKEW因子取值（截至2026年3月20日）**[63] * 上证50SKEW: 100.79[63] * 沪深300SKEW: 103.11[63] * 中证500SKEW: 99.94[63] * 中证1000SKEW: 98.68[63]

量化模型与构建方式 1. **模型名称：优秀基金业绩增强组合** * **模型构建思路：** 从对标宽基指数转变为对标主动股基，在借鉴优秀基金持仓的基础上，采用量化方法进行增强，以达到优中选优的目的[4][13][49]。 * **模型具体构建过程：** 1. **基金优选：** 对基金进行优选，并对收益类因子进行分层中性化处理，以解决市场风格突变时的反转问题和持股风格集中化问题[49]。 2. **构建基准组合：** 根据优选基金的补全持仓构建优选基金持仓组合，该组合旨在跟踪主动股基中位数走势[49]。 3. **组合优化增强：** 以业绩分层视角下的优选基金持仓为选股空间和对标基准，采用组合优化的方法，控制组合与优选基金持仓在个股偏离、行业偏离及风格上的偏离，构建最终的投资组合[50]。 2. **模型名称：超预期精选组合** * **模型构建思路：** 以研报标题超预期与分析师全线上调净利润为条件筛选超预期事件股票池，接着对股票池进行基本面和技术面两个维度的精选，挑选出同时具备基本面支撑和技术面共振的股票构建组合[5][55]。 * **模型具体构建过程：** 1. **事件筛选：** 以“研报标题超预期”和“分析师全线上调净利润”为条件，筛选出超预期事件股票池[5][55]。 2. **双层优选：** 对超预期股票池中的股票，分别从基本面和技术面两个维度进行评分或筛选。 3. **组合构建：** 挑选出在两个维度上均表现优异的股票，构建超预期精选股票组合[5][55]。 3. **模型名称：券商金股业绩增强组合** * **模型构建思路：** 以券商金股股票池为选股空间和约束基准，采用组合优化的方式控制组合与券商金股股票池在个股、风格上的偏离，构建增强组合[6][60]。 * **模型具体构建过程：** 1. **确定股票池：** 以券商研究所每月推荐的金股构成初始股票池[6][60]。 2. **组合优化：** 在该股票池基础上，通过组合优化方法进行进一步精选。优化目标是在控制与券商金股股票池（作为基准）在个股和风格上偏离度的前提下，追求更高的预期收益，从而构建业绩增强组合[6]。 4. **模型名称：成长稳健组合** * **模型构建思路：** 采用“先时序、后截面”的方式，构建成长股二维评价体系。优先选择距离财报预约披露日较近的股票，当样本数量较多时，再采用多因子打分精选优质个股[7][65]。 * **模型具体构建过程：** 1. **事件定义与股票池筛选：** 以“研报标题超预期”和“上市公司业绩预增”作为利好事件，筛选成长股股票池[7][65]。 2. **时序分档：** 根据上市公司距离正式财报预约披露日的间隔天数对股票池进行分档，优先选择距离披露日较近的股票（即处于“超额收益释放黄金期”的股票）[7][65]。 3. **截面精选：** 当时序筛选后样本数量较多时，采用多因子打分模型在截面上进一步精选优质个股[7]。 4. **组合构建与风控：** 构建100只股票等权组合，并引入弱平衡机制、跃迁机制、缓冲机制和风险规避机制以降低换手、规避风险[65]。 模型的回测效果 1. **优秀基金业绩增强组合** * 全样本区间（2012.1.4-2025.12.31）年化收益（考虑仓位及交易费用）：21.40%[51][54] * 全样本区间相对偏股混合型基金指数年化超额收益：9.85%[51][54] * 2026年本年（截至2026.3.20）绝对收益（考虑仓位）：7.61%[2][16][24] * 2026年本年相对偏股混合型基金指数超额收益：6.70%[2][16][24] * 2026年本年（截至2026.3.20）在主动股基中排名分位点：13.20%[2][16][24] 2. **超预期精选组合** * 全样本区间（2010.1.4-2025.12.31）年化收益（考虑仓位及交易费用）：31.11%[56][59] * 全样本区间相对偏股混合型基金指数年化超额收益：23.98%[56][59] * 2026年本年（截至2026.3.20）绝对收益（考虑仓位）：6.86%[2][16][32] * 2026年本年相对偏股混合型基金指数超额收益：5.96%[2][16][32] * 2026年本年（截至2026.3.20）在主动股基中排名分位点：14.97%[2][16][32] 3. **券商金股业绩增强组合** * 全样本区间（2018.1.2-2025.12.31）年化收益（考虑仓位及交易费用）：21.71%[61][64] * 全样本区间相对偏股混合型基金指数年化超额收益：14.18%[61][64] * 2026年本年（截至2026.3.20）绝对收益（考虑仓位）：7.98%[2][16][37] * 2026年本年相对偏股混合型基金指数超额收益：7.08%[2][16][37] * 2026年本年（截至2026.3.20）在主动股基中排名分位点：12.25%[2][16][37] 4. **成长稳健组合** * 全样本区间（2012.1.4-2025.12.31）年化收益（考虑仓位及交易费用）：36.34%[66][69] * 全样本区间相对偏股混合型基金指数年化超额收益：26.33%[66][69] * 2026年本年（截至2026.3.20）绝对收益（考虑仓位）：12.36%[3][16][43] * 2026年本年相对偏股混合型基金指数超额收益：11.45%[3][16][43] * 2026年本年（截至2026.3.20）在主动股基中排名分位点：4.68%[3][16][43]

量化模型与构建方式 1. **模型名称：幂函数溢价率拟合模型** * **模型构建思路**：用于刻画可转债市场在不同平价水平下的转股溢价率中枢，通过拟合截面数据来观察溢价率曲线的结构变化[10]。 * **模型具体构建过程**：将截面中所有可转债的平价价值作为解释变量（X），其转股溢价率作为被解释变量（Y），使用幂函数模型进行拟合[10]。该模型旨在得到一个描述平价与溢价率之间平均关系的曲线，即“溢价率中枢”[10]。通过比较不同报告期（如相隔1个月）的拟合曲线，可以观察溢价率中枢在各个平价区间的变化情况[10]。 2. **模型名称：CRR二叉树定价模型** * **模型构建思路**：用于计算可转债的理论价值，相较于BSM等传统模型，该模型通过二叉树方法考虑了内嵌条款、信用利差等因素，旨在获得更高的定价精度[13]。 * **模型具体构建过程**：报告未详细描述CRR二叉树的具体构建步骤，但指出其用于计算全市场可转债的理论定价值[13]。基于此模型定价结果，定义了“定价偏离度”指标：定价偏离度 = 转债CRR理论定价 - 转债市场价格[13]。当偏离度为负时，表明市场价格高于理论定价，转债估值偏贵；反之则表明估值便宜[13]。 3. **因子名称：定价偏离度** * **因子构建思路**：基于CRR二叉树定价模型的结果，通过计算理论价值与市场价格的差值，来衡量可转债的估值高低，该因子考虑了正股波动率等因素对时间价值的影响，比直接观察溢价率更为合理[13]。 * **因子具体构建过程**：首先使用CRR二叉树模型计算每只可转债的理论价值[13]。然后，用该理论价值减去可转债的当前市场价格，即得到该转债的定价偏离度[13]。公式为： $$定价偏离度 = CRR理论定价 - 市场价格$$ 报告中分别计算了全市场以及按风格（股性、平衡、债性）划分的定价偏离度的截面中位数和余额加权值[14][16]。 4. **模型名称：BSM隐含波动率计算模型** * **模型构建思路**：将可转债视为正股的衍生品，通过其市场价格反向计算（逆算）出市场隐含的正股未来波动率，用以刻画投资者对已发转债对应正股部分的波动率预期[33]。 * **模型具体构建过程**：以BSM（Black-Scholes-Merton）期权定价模型为基础，将可转债的市场价格、条款等作为已知输入，通过数值方法逆解出使得模型价格等于市场价格的隐含波动率参数[33]。报告计算了全市场转债对应正股的隐含波动率中位数和余额加权值[33]。 5. **因子名称：短久期转债隐含正股预期指数** * **因子构建思路**：短久期转债的价格受长期基本面影响较小，其转股溢价率可反映市场对正股短期表现的预期。该指数通过挑选短久期转债并对其转股溢价率进行加权，旨在构建一个反映市场短期收益预期的指标[36]。 * **因子具体构建过程**：首先，从市场中筛选出到期时间最短的1/3的可转债[36]。然后，以每只转债距离到期日的天数的倒数作为权重，对其转股溢价率进行加权计算，最终得到“隐含正股预期指数”[36]。 6. **模型名称：转债基金持仓DELTA估计模型** * **模型构建思路**：通过回归模型动态跟踪以可转债为主要配置标的的基金（转债基金）的持仓风格占比，进而估算其整体持仓的DELTA值，以观察基金风格变化及其与正股市场的联动程度[38]。 * **模型具体构建过程**：首先，定义转债基金样本[38]。然后，使用回归模型动态分析这些基金的持仓，估算其持仓中股性、平衡、债性等不同风格转债的占比[38]。最后，根据各风格指数的DELTA值，对估算出的风格占比进行加权，计算得到转债基金的平均DELTA估计值[38]。 7. **模型名称：转债低估值动量组合** * **模型构建思路**：这是一个复合策略模型，核心思想是同时捕捉转债的估值低估（价值）和正股的上行趋势（动量）两个维度的Alpha[40]。通过筛选市场价格低于理论定价且正股具有动量的转债进行投资[40]。 * **模型具体构建过程**： * **样本初筛**：对全市场可转债进行初步筛选，条件包括：债项评级AA-及以上、余额2亿元及以上、正股历史无ST等特殊处理、历史无评级下调和负面展望、大股东质押比例<90%、最近10日内有成交、强赎进度<5日、未跌破债底[42]。 * **风格划分**：根据转债平价（转换价值）将其划分为三类：平价<90为债性转债，90≤平价≤110为平衡转债，平价>110为股性转债[42]。 * **择券标准**：在通过初筛的每个风格（债性、平衡、股性）组内，根据两个维度对转债进行综合打分：1) **估值**：包括绝对定价（如价格）和相对定价（如定价偏离度）在市场中的相对分位数；2) **动量**：正股过去短期的价格走势[42]。在每个风格组内，选取综合得分最高的10只转债，共计30只纳入最终持仓[42]。 * **组合管理**：持仓内个股权重为等权重，每月进行一次再平衡[42]。 模型的回测效果 1. **转债低估值动量组合**：2月绝对收益为1.21%，超额收益（相对于中证转债指数）为0.89%[2]。自2017年起的长期年化收益率为16.59%，年化波动率为12.62%，最大回撤为11.26%，收益波动比（年化收益/年化波动）为1.31，收益回撤比（年化收益/最大回撤）为1.47，月度胜率为67.35%[2][46]。 量化因子与构建方式 1. **因子名称：正股PB中位数（全市场）** * **因子构建思路**：由于转债对应正股与宽基指数成分存在结构差异，直接使用宽基估值指标不合理。该因子通过自下而上合成全市场转债对应正股的市净率（PB）中位数，以衡量转债底层资产的估值水平[19]。 * **因子具体构建过程**：计算每只可转债对应正股的市净率（PB），然后取全市场所有转债正股PB的截面中位数，得到“全市场转债正股PB中位数”指标[19]。同时，会计算该中位数在历史滚动区间（如5年）内的分位数，以判断其估值位置[19]。 2. **因子名称：未来12个月盈利预期增速（同比）** * **因子构建思路**：通过处理分析师一致预测数据，合成未来12个月的盈利预期，并进行同比处理以消除周期性，用以刻画分析师对转债正股盈利的情绪变化[22]。 * **因子具体构建过程**：对每只转债正股，获取分析师对当前财年（FY1）和下一财年（FY2）的营收及净利润一致预测值[22][25]。通过时间加权的方式将FY1和FY2的预测值合成为未来12个月（未来12m）的预测值，使数据更具连贯性[22]。然后，计算未来12m预测值相对于上年同期的同比变化，得到“未来12m营收增速同比”和“未来12m利润增速同比”[22]。最后，计算全市场所有转债正股的该同比值的截面中位数[22]。 3. **因子名称：未来12个月盈利预期分歧（同比）** * **因子构建思路**：通过计算分析师对未来12个月盈利预测的标准差，来度量市场观点的分歧程度，并进行同比处理以观察分歧的变化趋势[25]。 * **因子具体构建过程**：对每只转债正股，计算其所有分析师提供的未来12个月盈利（营收、净利润）预测值的标准差，作为该股票盈利预期的分歧度[25][27]。然后，计算该分歧度指标相对于上年同期的同比变化，以去除周期性[25]。最后，计算全市场所有转债正股的该同比分歧度值的截面中位数[25]。 因子的回测效果 （报告中未提供独立因子的历史回测绩效指标，如IC、IR等，因此本部分略过）

量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[11][42] * **模型构建思路**：为了准确计算股指期货的升贴水，必须剔除指数成分股分红除息导致的指数点位自然下滑的影响。该模型旨在精确预测从当前时刻到股指期货合约到期日之间，指数成分股分红所导致的指数点位减少值（即分红点数）[11][42]。 * **模型具体构建过程**：模型的核心是预测每只成分股在期货合约存续期内的分红金额和除息日，并汇总计算对指数的影响。具体流程如下[42][43][45]： 1. **获取成分股及权重**：采用中证指数公司每日披露的日度收盘权重数据，确保每日个股权重的准确性，避免使用月末权重估算带来的偏差[48][49]。若需估算，公式为： $$W_{n,t}={\frac{w_{i0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{n})}}$$ 其中，$W_{n,t}$ 为当前日期 $t$ 成分股 $n$ 的估算权重，$w_{i0}$ 为最近一次公布权重日期 $t_0$ 时成分股 $n$ 的权重，$r_n$ 为 $t_0$ 到 $t$ 期间个股 $n$ 的非复权涨跌幅[48]。 2. **预测个股分红金额**：对于每只成分股，若已公布分红金额则直接采用；若未公布，则需预测。分红金额预测转化为对净利润和股息支付率的预测[45][50]。 * **净利润预测**：采用基于历史净利润分布的动态预测法。若公司已公布年报、快报或业绩预告，则直接采用（业绩预告取上下限均值）。若未披露，则根据其历史季度盈利分布稳定性进行分类：对于盈利分布稳定的公司，按历史规律预测；对于不稳定的公司，使用上年同期盈利作为预测值[52][55]。 * **股息支付率预测**：采用历史股息率代替。具体规则为：若公司去年分红，则以去年股息支付率作为今年预测值；若去年不分红，则以最近3年平均作为预测值；若从未分红，则默认今年不分红；当预期股息支付率大于100%时，进行截尾处理[53][56]。 3. **预测除息日**：采用基于历史间隔天数稳定性的线性外推法[54][57][59]。 * 若已公布除息日，则直接采用。 * 若未公布，则根据公司是否已公布分红预案、所处阶段（预案/决案）以及历史分红日期间隔天数的稳定性，选择使用历史日期或进行线性外推。 * 若无法通过上述方法确定，则根据预测日期所在月份，采用默认日期（7月31日、8月31日或9月30日）[59]。 4. **计算指数分红点数**：汇总所有满足条件（除息日在当前日期之后、期货到期日之前）的成分股，计算其分红对指数点位的总影响。计算公式为： 分红点数 = $\sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$[42] 其中，$N$ 为指数成分股数量，要求个股除权除息日 $\tau$ 满足 $t < \tau \le T$，$T$ 为期货合约到期日[42]。 量化因子与构建方式 1. **因子名称：已实现股息率**[3][16] * **因子构建思路**：衡量指数成分股中，在本年度内已经完成现金分红的公司，其分红总额相对于指数总市值的比率，反映已兑现的分红收益[3][16]。 * **因子具体构建过程**：统计截至计算日，指数成分股中今年已现金分红的公司，将其分红总额除以指数的总市值。公式表示为： 已实现股息率 = $\frac{\sum_{i=1}^{N_1} (成分股i的分红金额)}{\text{指数总市值}}$[16] 其中，$N_1$ 表示指数成分股中今年已现金分红的公司数量[16]。 2. **因子名称：剩余股息率**[3][16] * **因子构建思路**：衡量指数成分股中，预计在本年度内未来将进行现金分红的公司，其预测分红总额相对于指数总市值的比率，反映未来潜在的分红收益[3][16]。 * **因子具体构建过程**：统计截至计算日，指数成分股中尚未现金分红但预计将会分红的公司，使用模型预测其分红金额，汇总后除以指数的总市值。公式表示为： 剩余股息率 = $\frac{\sum_{i=1}^{N_2} (成分股i的预测分红金额)}{\text{指数总市值}}$[16] 其中，$N_2$ 表示指数成分股中尚未现金分红的公司数量[16]。 3. **因子名称：年化升贴水率**[4][12] * **因子构建思路**：在考虑指数成分股分红影响后，计算股指期货价格相对于其标的指数价格的偏离程度，并进行年化处理，以衡量期货合约的溢价或折价水平[11][12]。 * **因子具体构建过程**： 1. 计算扣除分红影响后的期货理论价差：**含分红价差** = **合约收盘价** - (**指数收盘价** - **分红点数**)[12]。其中“分红点数”为模型预测的从当前至合约到期日之间的累计分红点数。 2. 计算升贴水率：**升贴水** = **含分红价差** / **指数收盘价**[12]。 3. 进行年化：**年化升贴水** = **升贴水** / (**到期天数** / 365)[12]。 模型的回测效果 1. **股指分红点位测算模型** * **预测误差**：模型对上证50指数和沪深300指数全年预测误差基本在5个指数点左右；对中证500指数和中证1000指数的预测误差稍大，基本稳定在10个指数点左右[64]。 * **预测准确性**：模型对于上证50、沪深300、中证500及中证1000股指期货主力合约的股息点预测具有较好的准确性，各合约预测效果整体较好[64]。 因子的回测效果 1. **已实现股息率** (截至2026年3月18日)[3] * 上证50指数：0.00% * 沪深300指数：0.00% * 中证500指数：0.00% * 中证1000指数：0.00% 2. **剩余股息率** (截至2026年3月18日)[3] * 上证50指数：2.82% * 沪深300指数：2.14% * 中证500指数：1.17% * 中证1000指数：0.89% 3. **年化升贴水率** (截至2026年3月18日，主力合约)[4][12] * IH主力合约：-2.04% * IF主力合约：-6.75% * IC主力合约：-9.65% * IM主力合约：-11.28%

量化模型与构建方式 1. **模型名称**：一致预期离散度策略[2][15] **模型构建思路**：基于“预期分歧越大，实际业绩超预期概率越大”的逻辑，在财报季（尤其是4月）构建行业轮动策略，买入分析师预期分歧大的行业，卖出预期分歧小的行业，以捕捉预期由分歧转向一致时的超额收益[2][11][15]。 **模型具体构建过程**： 1. **因子计算**：首先构建“行业一致预期离散度”因子（详见下文因子部分）[12]。 2. **组合构建**：在每月末（报告重点在4月末），根据计算出的各行业一致预期离散度指标进行排序。将指标值最大的3个行业等权构建为多头组合，将指标值最小的3个行业等权构建为空头组合[2][15]。 3. **基准选择**：以全行业等权组合作为比较基准[2][15]。 **模型评价**：该策略在4月财报季表现尤为突出，抓住了市场对基本面定价权重提升的窗口期，逻辑清晰，历史回测效果显著[15]。 量化因子与构建方式 1. **因子名称**：行业一致预期离散度[2][12] **因子构建思路**：通过衡量分析师对行业内个股未来一年（FY1）净利润预测的差异程度，来刻画市场对该行业业绩预期的分歧度。分歧度越大，指标值越高[2][11][12]。 **因子具体构建过程**： 1. **个股离散度计算**：对于每只个股，计算其FY1净利润预测的离散度。公式为： $$个股离散度 = \frac{净利润预测最大值 - 净利润预测最小值}{|净利润预测中位数|}$$[12] 该比值越大，表明分析师对该股票的净利润预测分歧越大[12]。 2. **行业汇总**：将属于同一行业的所有个股的离散度指标，先进行缩尾处理以规避极端值影响，然后按照个股权重（报告中未明确具体权重，通常为市值或等权）加权，得到行业的原始一致预期离散度指标[12]。 3. **横截面标准化**：由于不同行业的利润波动性存在固有差异（例如计算机行业的离散度长期系统性高于银行[14][16]），为使不同行业间的指标具有可比性，进一步计算每个行业原始指标在过去滚动2年窗口内的历史分位数[14]。最终使用的“行业一致预期离散度”指标即为该分位数。 模型的回测效果 1. **一致预期离散度策略**，在**2018年至2025年期间**，**4月份多头组合相对全行业等权基准的超额收益中位数**为**2%**[2][15]。 2. **一致预期离散度策略**，在**2018年至2025年期间**，**4月份多头组合的超额胜率**为**88%**（仅2018年4月超额收益为负）[2][15]。 3. **一致预期离散度策略**，长期回测显示，一致预期离散度较高的行业组合整体跑赢基准，而离散度较低的行业组合整体跑输基准[15][17]。 因子的回测效果 （报告中未单独提供因子IC、IR等传统因子测试结果，而是直接展示了基于该因子构建的策略表现。因此，本部分根据报告内容，展示因子最新截面数据。） 1. **行业一致预期离散度因子**，截至**2026年2月**，因子值**最高**的三个行业为：**商贸零售**、**通信**、**食品饮料**[3][18][21]。 2. **行业一致预期离散度因子**，截至**2026年2月**，因子值**最低**的三个行业为：**基础化工**、**有色金属**、**建筑材料**[3][18][21]。

报告核心观点 - 报告基于行为金融学视角，构建了一个利用ETF资金流反转效应的指数轮动策略[1] - 核心发现是ETF资金流与指数收益的关系受持有人结构显著影响：个人投资者主导（低机构占比）的指数资金流呈现显著的反转效应，而机构主导的指数则不显著[2][3] - 基于此逻辑构建的策略表现优异，月度调仓下，2017年以来年化收益达16.75%，相对万得全A超额11.49%[6][85] 研究背景与市场发展 - 2016年以来，中国股票型ETF市场实现跨越式发展，规模从不足2000亿元增长至超过4.5万亿元，十年增长二十余倍[12] - 跟踪指数数量从不足60个增至400余个，产品覆盖宽基、行业主题、风格策略、跨境等多个维度，为策略构建提供了充足的数据和工具基础[12] ETF资金流、持有人结构与指数收益关系 - **持有人结构决定资金流性质**：个人投资者主导的指数，其资金流受“追涨杀跌”和“处置效应”等非理性行为驱动，成为市场情绪的反向指标[3][21] - **资金流与收益的两种模式**：高机构占比指数（如180金融）的资金流与价格呈正相关（动量效应），体现机构资金的理性配置；个人投资者主导指数（如动漫游戏、5G通信）则呈负相关（反转效应），资金流滞后于市场趋势[26][28][30][32] - **资金流强度定义**：报告构建了日指数资金流强度指标，即当日所有跟踪该指数的ETF资金流入总额占上一日指数跟踪规模的比例，并进行年度分位数标准化以增强可比性[35][36][40] - **时间序列检验结果**： - 资金流强度与指数收益整体呈负相关，与同期收益的负相关性最显著[40][44] - 这种负相关（反转效应）在低机构占比指数中表现尤为强烈，在高机构占比指数中则减弱甚至呈现微弱动量[40][45] - 10日资金流强度因子对低机构占比指数未来收益的反向预测作用最为显著[5][49][63] - 当资金流强度处于年分位20%以下低位时，未来5日的平均年化收益可达15%以上[41] - **横截面检验结果**： - 资金流分组下的指数历史收益呈现“微笑曲线”特征：资金流入与流出强度最高的两端均拥有较高的历史收益，揭示了“追涨”与“止盈”并存的复杂心理[4][38][57][62] - 在预测未来收益方面，10日资金流强度分位因子的分组单调性最佳，资金流出强度最高（分位最低）的指数未来预期收益最为可观[60][62] 基于资金流反转效应的指数轮动策略 - **策略构建要点**： - 样本空间：选取跟踪规模大于5亿元且机构占比低于70%的指数，以聚焦个人投资者主导、反转效应显著的可投资标的[64][67] - 有效可投指数数量持续攀升，2020年以来维持在40个以上，最新已接近200个[64] - 调仓方式：按10日资金流强度分位因子排序，剔除资金流入的指数，等权配置资金流出强度最高的前5个指数（TOP5组合）[67] - **策略表现**： - **周度调仓**（2017年1月至2026年1月）：年化收益12.00%，夏普比率0.54，相对万得全A年化超额收益7.07%[66][70] - **月度调仓**（同期）：年化收益16.75%，夏普比率0.76，最大回撤28.61%，相对万得全A年化超额收益11.49%，月度胜率达64%[6][73][74] - **持仓结构**：策略持仓板块分布相对均衡，前五大板块依次为宽基指数（约21%）、医药、风格策略、TMT以及金融地产（后四者权重均在10%至15%区间）[7][74] 稳健性检验 - **规模约束**：规模阈值在4-6亿元时，10日资金流强度分位处于5%以内的指数未来5日平均年化收益均在28%左右，规模约束稳健性强[77][78]；对TOP5组合的测试显示，规模约束在4-6亿区间策略表现接近且有小幅提升[78] - **机构占比约束**：机构占比约束设定在60%-80%区间内时，组合表现未见显著差异，但相较于无约束基准，增加约束后组合表现显著提升，证实剔除高机构占比指数能增强资金流因子的反向预测作用[79] - **持仓数量**：周度调仓策略中，将持仓精选至TOP 2-4时，策略收益进一步提升，但组合波动也随之加剧[82]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：宏观周期识别框架** * **模型构建思路**：为克服单一经济周期指标（如美林时钟）预测不稳定的问题，构建一个多维度、高维度的宏观周期识别框架，以更稳定地判断宏观状态，并分析其对大类资产价格的传导逻辑[8][9]。 * **模型具体构建过程**： 1. **变量选取**：同时考虑经济景气、通胀、利率、库存、信用五个维度的宏观指标[9]。 2. **宏观变量构建**：将宏观指数分别对宽基指数、代理宏观变量做回归，选取t值显著的细分宏观变量，用过去一年标准差倒数加权构建宏观因子变量[2]。 3. **数据滤波**：采用单边HP滤波器对宏观经济数据进行调整，消除短期波动对长期趋势判断的影响[2]。 4. **状态与趋势划分**：基于滤波后的变量，分别用因子动量划分宏观趋势（上行、下行）和用时序百分位划分宏观状态（高、中、低位）[2]。 5. **升维分析**：将宏观变量的边际变化（趋势）与所处状态（时序排位）结合，形成高维宏观变量，以分析其对资产价格的不同传导路径[2][8]。 2. **模型名称：中证全指择时策略** * **模型构建思路**：基于宏观变量组合，构建对中证全指的择时策略，根据宏观状态预测其未来收益上涨概率，进行多空操作[31]。 * **模型具体构建过程**： 1. **子策略构建**：分别构建“流动性+库存”和“流动性+信用”两个子策略，统计它们对中证全指未来收益是否上涨的预测值[31]。 2. **信号生成**：当任一子策略的预测值高于阈值（0.6）时，对中证全指做多，反之做空[31]。 3. **模型名称：红利指数择时策略** * **模型构建思路**：基于宏观变量组合，构建对红利指数的择时策略，根据宏观状态预测其未来收益上涨概率，进行多空操作[40]。 * **模型具体构建过程**： 1. **子策略构建**：分别构建“通胀+库存”和“库存+信用”两个子策略，计算它们对红利指数未来收益是否上涨的预测值[40]。 2. **信号生成**：对两个子策略的预测值求均值，当均值高于阈值（0.6）时，对红利指数做多，反之做空[40]。 4. **模型名称：风格轮动配置策略** * **模型构建思路**：基于有效的宏观因子组合，滚动预测六大风格指数的未来收益率，每月配置预期表现最优的风格，实现风格轮动[49][54]。 * **模型具体构建过程**： 1. **有效组合筛选**：通过测试宏观因子两两组合对风格轮动的有效性，筛选出“通胀+库存”和“通胀+信用”两个有效的宏观组合[49]。 2. **子策略构建**：对于每个有效宏观组合，滚动预测六大风格指数（大盘、小盘、成长、绩优、红利、价值）的未来远期收益率。将预测收益平滑后，在每月末选取预测收益率排名前二的风格指数，在下月进行等权配置[49]。 3. **策略综合**：综合两个子策略，将“通胀+库存”和“通胀+信用”子策略对风格指数的未来收益预测值进行截面排序并求均值。每月等权配置最终预测值排名前二的风格指数[54]。 模型的回测效果 1. **中证全指择时策略**（回测期：2012年1月末至2026年2月28日） * 年化收益：15.34%[34][36] * 年化波动：22.02%[36] * 夏普比率：0.74[36] * 最大回撤：-28.10%[36] * 超额收益（相对中证全指）：10.31%[34][36] * 跟踪误差：34.16%[36] * 信息比率(IR)：0.30[36] * 相对最大回撤：-50.30%[36] 2. **红利指数择时策略**（回测期：2012年1月末至2026年2月28日） * 年化收益：10.32%[40][42][43] * 年化波动：13.74%[42][43] * 夏普比率：0.75[42][43] * 最大回撤：-19.92%[42][43] * 超额收益（相对红利指数）：7.97%[40][42][43] * 跟踪误差：9.23%[42][43] * 信息比率(IR)：0.86[42][43] * 相对最大回撤：-12.47%[42][43] 3. **风格轮动配置策略**（回测期：2014年9月30日至2026年2月28日） * 年化收益：14.79%[54][59] * 年化波动：21.81%[59] * 夏普比率：0.64[59] * 最大回撤：-45.93%[59] * 超额收益（相对风格等权基准）：4.61%[54][59] * 跟踪误差：10.28%[59] * 信息比率(IR)：0.52[59] * 相对最大回撤：-81.71%[59] 量化因子与构建方式 1. **因子名称：宏观因子变量** * **因子构建思路**：从大量细分宏观指标中，筛选出对市场（宽基指数或代理变量）有显著预测能力的变量，并合成综合性的宏观因子[2]。 * **因子具体构建过程**： 1. **变量筛选**：将宏观指数分别对宽基指数、代理宏观变量做回归，选取t值显著的细分宏观变量[2]。 2. **加权合成**：使用过去一年标准差倒数对筛选出的显著变量进行加权，构建宏观因子变量[2]。 3. **公式**：假设有N个显著变量 $X_i$，其过去一年标准差为 $\sigma_i$，则宏观因子 $F$ 可表示为： $$ F = \sum_{i=1}^{N} w_i X_i, \quad 其中 \quad w_i = \frac{1/\sigma_i}{\sum_{j=1}^{N} (1/\sigma_j)} $$ 2. **因子名称：宏观状态与趋势因子** * **因子构建思路**：对处理后的宏观数据，从“状态”（水平位置）和“趋势”（边际变化）两个维度进行刻画，形成可用于资产配置的高维信号[2]。 * **因子具体构建过程**： 1. **数据预处理**：使用单边HP滤波器对原始宏观因子变量进行调整，得到平滑序列 $hp\_cpt$，以消除短期波动[2][21]。 2. **趋势划分**：基于滤波后变量计算因子动量，据此刻画宏观趋势为“上行”或“下行”[2]。 3. **状态划分**：计算滤波后变量在历史时序上的百分位，据此刻画宏观状态为“高”、“中”或“低”位[2][21]。 因子的回测效果 （报告未提供独立因子的回测绩效指标，如IC、IR等。因子效果体现在其驱动的各类择时与轮动策略的绩效中。）

量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[12][43] * **模型构建思路**：为准确计算股指期货的升贴水，需要精确估计指数成分股在期货合约存续期内分红所导致的指数点位自然滑落（即分红点数）[12][43]。该模型通过精细化处理成分股权重、分红金额、除息日等核心要素，实现对指数分红点位的预测[12][43]。 * **模型具体构建过程**： 1. **核心公式**：指数从当前时刻 `t` 到期货合约到期日 `T` 期间的分红点数计算公式为： $$分红点数 = \sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$$ 其中，求和仅针对除权除息日 `τ` 满足 `t < τ ≤ T` 的成分股[43]。 2. **数据获取与处理流程**：如图16所示，首先获取指数成分股及其日度权重[44][49][50]。然后对每只成分股进行以下判断与估计[46]： * **已公布分红方案**：若公司已公布分红金额和除息日，则直接采用[46]。 * **未公布分红方案**：需依次预测**分红金额**和**除息日**[46]。 * **分红金额预测**：分红金额 = 净利润 × 股息支付率[51]。 * **净利润预测**：采用“基于历史净利润分布的动态预测法”[53]。若公司已公布年报、快报或业绩预告，则直接采用（业绩预告取上下限均值）；否则，根据其历史季度盈利分布是否稳定进行分类预测（见图17）[53]。 * **股息支付率预测**：采用历史数据替代[54]。 * 若去年分红，则以去年股息支付率为预测值[57]。 * 若去年不分红，则以最近3年平均股息支付率为预测值[57]。 * 若从未分红，则默认今年不分红[57]。 * 若预测值大于100%，则进行截尾处理[57]。 * **除息日预测**：采用“基于历史间隔天数稳定性的线性外推法”[55]。具体步骤如图18所示[60]： * 若已公布除息日，则直接采用[60]。 * 若未公布分红预案，则参考去年或前年的分红日期，并判断其合理性（是否在当前时点前、距离太近或在股东大会前），不合理则采用默认日期[60]。 * 若已公布分红预案，则根据所处阶段（预案或决案），判断历史从该阶段公告日到除息日的间隔天数是否稳定。若稳定，则用历史平均间隔天数与今年公告日进行线性外推；若不稳定，则参考历史分红日期[60]。 * 若无可靠历史日期或过去两年未分红，则采用默认日期（根据预测时间点，设为7月31日、8月31日或9月30日）[60]。 * **模型评价**：模型对于上证50和沪深300指数的预测准确度较高，对于中证500和中证1000指数的预测误差稍大但基本稳定[65]。整体来看，对各股指期货合约的股息点预测效果较好[65]。 2. **模型/因子名称：成分股权重日度估算模型**[49] * **模型构建思路**：由于指数成分股权重每日变动，而数据提供商通常只提供月末权重，因此需要一种方法估算日度权重，以更精确地计算分红影响[49]。 * **模型具体构建过程**： * **估算公式**：假设最近一次公布权重日期为 `t_0`，成分股 `n` 的权重为 `w_n0`。从 `t_0` 到当前日 `t`，个股非复权涨跌幅为 `r_n`，则当前日权重 `W_{n,t}` 估算为： $$W_{n,t}={\frac{w_{n0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{n})}}$$[49] * **精确替代**：报告指出，为更准确并避免成分股调整、解禁等事件的影响，最终采用了中证指数公司每日披露的日度收盘权重数据，而非上述估算值[50]。 3. **因子名称：已实现股息率与剩余股息率**[17] * **因子构建思路**：用于衡量指数成分股中，本年度已经完成现金分红和尚未进行现金分红的部分，分别占指数总市值的比例，以反映分红进度[17]。 * **因子具体构建过程**： * **已实现股息率**：计算指数中本年度已现金分红的公司，其分红金额总和占这些公司总市值的比例，并按个股权重加权[17]。 * **剩余股息率**：计算指数中本年度尚未现金分红的公司，其预计分红金额总和占这些公司总市值的比例，并按个股权重加权[17]。 * 公式描述：设 `N1` 和 `N2` 分别为指数中已分红和未分红的公司数量，则： * 全年已实现股息率 = Σ(个股已分红金额 / 个股总市值 × 个股权重)，对 `N1` 家公司求和[17]。 * 全年剩余股息率 = Σ(个股待分红金额 / 个股总市值 × 个股权重)，对 `N2` 家公司求和[17]。 模型的回测效果 1. **股指分红点位测算模型**[65] * **预测误差（2024年 & 2025年）**：对上证50和沪深300指数的预测误差基本在5个点左右；对中证500和中证1000指数的预测误差稍大，基本稳定在10个点左右[65]。 * **预测准确性**：对2024年及2025年各股指期货当月主力合约的预测股息点与实际股息点对比显示，模型对各合约都具有较好的预测准确性[65]。 量化因子与构建方式 1. **因子名称：行业股息率中位数**[15] * **因子构建思路**：统计各行业内已披露分红预案的个股的股息率，并取中位数，以比较不同行业的分红吸引力[15]。 * **因子具体构建过程**：对于每个行业，计算所有已公布分红预案股票的“预案分红金额/当前总市值”，然后取该组数据的中位数[15]。 因子的回测效果 （报告未提供相关因子的历史回测表现指标，如IC、IR、多空收益等。）

量化模型与构建方式 1. **模型名称：宏观资金面信号择时策略**[70] * **模型构建思路**：通过监测外部宏观利率环境（美债收益率）和汇率资金面（人民币汇率）的变化，构建一个综合信号来对A股市场进行择时判断[70]。 * **模型具体构建过程**： 1. **美债信号（长期宏观信号）**：计算10年期美债收益率的18个月移动平均值。当最新收益率低于该均值时，发出偏多信号（+1）；当最新收益率高于该均值时，发出偏空信号（-1）[74][75]。 * 公式：$$Signal_{bond} = \begin{cases} +1, & \text{if } Y_{10Y\_UST} < MA(Y_{10Y\_UST}, 18M) \\ -1, & \text{if } Y_{10Y\_UST} > MA(Y_{10Y\_UST}, 18M) \end{cases}$$ * 其中，$Y_{10Y\_UST}$ 为10年期美债收益率，$MA(\cdot, 18M)$ 表示18个月移动平均。 2. **汇率信号（短期资金信号）**：观察美元兑人民币汇率（USDCNY）的月度变化。若月度涨跌幅为负（人民币升值），则发出偏多信号（+1）；若月度涨跌幅为正（人民币贬值），则发出偏空信号（-1）[76]。 * 公式：$$Signal_{fx} = \begin{cases} +1, & \text{if } \Delta USDCNY_{monthly} < 0 \\ -1, & \text{if } \Delta USDCNY_{monthly} > 0 \end{cases}$$ * 其中，$\Delta USDCNY_{monthly}$ 为USDCNY汇率的月度涨跌幅。 3. **综合信号**：将美债信号与汇率信号结合，形成最终的宏观资金面择时信号。当两者均发出偏多信号时，综合信号为偏多[77]。 量化因子与构建方式 1. **因子名称：股指期货基差比例**[16][22] * **因子构建思路**：通过计算股指期货价格相对于其标的指数现货价格的溢价或折价比例（基差），来反映市场情绪和套利力量[16][24]。 * **因子具体构建过程**：使用股指期货次月合约的结算价与对应标的指数收盘价进行计算[16][22]。 * 公式：$$Basis\ Ratio = \frac{Futures\ Price}{Underlying\ Index\ Price} - 1$$ * 其中，$Futures\ Price$ 为股指期货次月合约价格，$Underlying\ Index\ Price$ 为对应的标的指数价格。结果为正表示升水（期货价格高于现货），为负表示贴水（期货价格低于现货）[22]。 * **因子评价**：该因子是衡量市场情绪、流动性预期和套利成本的重要指标。升水通常表示市场看涨情绪或存在正向套利空间，贴水则可能反映看跌情绪或流动性紧张[24]。 2. **因子名称：国债期货隐含收益率**[41][43] * **因子构建思路**：通过国债期货价格反推出的债券到期收益率，反映期货市场参与者对未来利率水平的预期[33]。 * **因子具体构建过程**：基于国债期货合约的价格，使用债券定价模型反算出的对应期限国债的到期收益率[41][43]。 * 公式：由国债期货价格 $P_{futures}$ 通过债券定价公式反解出到期收益率 $y$，满足 $$P_{futures} = \sum_{i=1}^{n} \frac{CF_i}{(1+y/f)^{t_i}}$$ * 其中，$CF_i$ 为第 $i$ 期现金流，$f$ 为年付息频率，$t_i$ 为第 $i$ 期现金流的时间（年）。 * **因子评价**：该因子是连接期货市场与现货市场利率预期的桥梁。与现货收益率比较，可以反映市场对未来利率走势的乐观或悲观情绪[41]。 3. **因子名称：期权波动率指数（VIX）**[54][56] * **因子构建思路**：通过期权市场价格计算得出的波动率指数，反映市场对未来30天标的资产价格波动率的预期[54]。 * **因子具体构建过程**：通常采用CBOE的VIX计算方法，利用近月和次近月一系列看涨、看跌期权的价格，通过模型计算得出隐含波动率，并加权合成未来30天的预期波动率[56]。 * （报告未给出具体计算公式，仅说明其为反映未来30天波动率预期的指数[54]） * **因子评价**：被称为“恐慌指数”，是衡量市场风险情绪和不确定性程度的关键指标。VIX上升通常伴随市场担忧加剧，下降则反映市场情绪趋于平稳[54][57]。 4. **因子名称：期权持仓量PCR（Put/Call Ratio）**[60] * **因子构建思路**：计算看跌期权（Put）与看涨期权（Call）的持仓量比值，用以衡量市场多空情绪和风险偏好[60]。 * **因子具体构建过程**：选取特定标的（如50ETF、300ETF）的期权合约，统计所有上市合约的看跌期权总持仓量与看涨期权总持仓量，并计算其比值[62][65]。 * 公式：$$PCR_{OI} = \frac{Total\ Put\ Open\ Interest}{Total\ Call\ Open\ Interest}$$ * **因子评价**：PCR上升可能意味着市场避险情绪升温（买入看跌期权保护增多），下降则可能反映市场投机或看涨情绪占优。是观测市场情绪变化的常用指标[60][66]。 模型的回测效果 1. **宏观资金面信号择时策略**[80][83] * 年化收益率：**16.7%**[83] * 年化波动率：**19.2%**[83] * 夏普比率：**0.87**[83] * 最大回撤：**-25.1%**[83] * 信息比率（IR）：**1.21**[83] 因子的回测效果 （注：报告未提供单个因子的独立回测绩效指标，如IC、IR、多空收益等。报告主要展示了各因子在特定时间窗口的观测值，用于定性判断市场状态。）