量化模型与构建方式 1 周期分析模型 - 模型名称：周期分析模型[8] - 模型构建思路：基于技术分析，通过分析市场周期波动来判断趋势状态[8] - 模型具体构建过程：该模型通过识别市场价格的周期性波动特征，结合时间序列分析来判定市场趋势。具体构建时，会计算价格在不同周期窗口下的波动特征，并结合滤波技术提取周期成分，最终通过模式识别方法判断当前市场所处的周期阶段及趋势强度[8] 2 行业四轮驱动模型 - 模型名称：行业四轮驱动模型[2][9][15] - 模型构建思路：通过多维度指标进行行业轮动，捕捉板块内轮动机会[2][9] - 模型具体构建过程：模型从四个维度（驱动轮）对行业进行评估和筛选。具体构建过程包括： 1) 赚钱效应异动信号捕捉：监测行业价格和成交量的异常变动，识别潜在机会 2) 行业拥挤度分析：计算行业成交金额占比及其历史分位数 3) 行业分化程度跟踪：衡量板块间涨跌分化程度 4) 基本面与技术面结合：综合行业近期表现与历史Sharpe比率进行排序 模型最终输出建议关注的行业组合，如表中所列传媒、商贸零售、农林牧渔等行业[2][9][15] 量化因子与构建方式 1 股债收益差因子 - 因子名称：股债收益差[8] - 因子构建思路：通过比较股票与债券收益率差异来判断市场估值水平[8] - 因子具体构建过程：计算股票市场收益率与债券市场收益率的差值，并进行标准化处理。具体公式为： $$股债收益差 = \frac{股票收益率 - 债券收益率}{\sigma}$$ 其中$\sigma$为历史波动率。当该值处于2倍标准差之下时，表明市场可能接近阶段性高点[8] 2 行业分化程度因子 - 因子名称：行业分化程度[2][9][11] - 因子构建思路：衡量不同行业板块之间涨跌差异程度的指标[2][9] - 因子具体构建过程：计算各行业指数收益率的截面标准差，或者使用其他离散度度量指标来衡量行业间的分化程度。当分化程度达到历史高点附近时，可能预示市场需要高低切换[2][9][11] 3 行业拥挤度因子 - 因子名称：行业拥挤度[9][12] - 因子构建思路：通过成交金额占比来评估行业热度拥挤情况[9][12] - 因子具体构建过程：计算特定行业（如TMT板块）成交金额占市场总成交金额的比例，并计算其历史分位数。当该比例接近历史高点时，表明行业可能过于拥挤，需要警惕回调风险[9][12] 4 赚钱效应异动因子 - 因子名称：赚钱效应异动[15] - 因子构建思路：捕捉行业价格和成交量异常变动带来的赚钱效应变化[15] - 因子具体构建过程：监测行业指数的价格突破和成交量放大现象，当出现异常变动时生成信号。具体通过计算行业指数的短期收益率与成交量比值的异常值来识别潜在机会[15] 模型的回测效果 （报告中未提供具体的模型回测指标数值） 因子的回测效果 （报告中未提供具体的因子回测指标数值）

量化模型与构建方式 1. **模型名称**：250日新高距离模型[11] **模型构建思路**：通过计算当前价格与过去250日最高价的相对距离，来衡量股票或指数接近历史高点的程度，以此捕捉趋势强度和市场动量[11] **模型具体构建过程**：对于给定的标的（股票或指数），首先获取其最新收盘价 \( Closet \) 和过去250个交易日的收盘价时间序列，计算该时间序列的最大值 \( ts\_max(Close, 250) \)。然后，应用以下公式计算250日新高距离： $$ 250 \text{ 日新高距离 } = 1 - \frac{Closet}{ts\_max(Close, 250)} $$ 若最新收盘价创出新高，则分母等于分子，结果为0；若最新收盘价从高点回落，则结果为正值，表示回落的幅度[11] 量化因子与构建方式 1. **因子名称**：平稳创新高股票筛选因子[25][27] **因子构建思路**：在创250日新高的股票池中，结合分析师关注度、股价相对强弱、趋势延续性、股价路径平稳性及创新高持续性等多个维度，筛选出趋势更为稳健、动量效应可能更强的股票[25][27] **因子具体构建过程**：筛选过程分为多个步骤： a. 初筛股票池：筛选出过去20个交易日内曾创出250日新高的股票[19] b. 分析师关注度：要求股票在过去3个月内，获得“买入”或“增持”评级的分析师研报数量不少于5份[27] c. 股价相对强弱：要求股票过去250日的涨跌幅位于全市场所有股票的前20%[27] d. 股价平稳性与创新高持续性：在满足上述条件的股票池内，使用两个指标进行综合打分，并选取排名在前50%的股票。这两个指标是： - 价格路径平滑性（股价位移路程比）： $$ \text{平滑性} = \frac{\text{过去120日涨跌幅的绝对值}}{\text{过去120日日涨跌幅绝对值之和}} $$ 该比值越低，表明价格路径越平滑，趋势越稳定[25][27] - 创新高持续性：过去120日的250日新高距离在时间序列上的均值。该值越低，表明股票维持在历史高点附近的时间越长，创新高更具持续性[27] e. 趋势延续性：计算过去5日的250日新高距离在时间序列上的均值，并选取该值排序最靠前的50只股票作为最终的“平稳创新高股票”[27] 模型的回测效果 1. **250日新高距离模型**，截至2025年9月12日的具体取值： - 上证指数：0.33%[12] - 深证成指：0.43%[12] - 沪深300指数：0.57%[12] - 中证500指数：0.00%[12] - 中证1000指数：1.04%[12] - 中证2000指数：1.56%[12] - 创业板指：1.09%[12] - 科创50指数：1.95%[12] 因子的回测效果 1. **平稳创新高股票筛选因子**，截至2025年9月12日的应用结果： - 全市场初步筛选出的创新高股票数量：1620只[19] - 最终筛选出的平稳创新高股票数量：50只[27][28] - 这些股票在板块上的分布：周期板块17只，科技板块17只，制造板块、医药板块、消费板块、大金融板块共16只[28] - 这些股票在行业上的分布：基础化工行业（周期板块）和电子行业（科技板块）入选数量最多[28]

量化模型与构建方式 1 模型名称：中证人工智能主题指数[16]；模型构建思路：选取业务涉及为人工智能提供基础资源、技术以及应用支持的上市公司证券作为指数样本，以反映人工智能主题上市公司证券的整体表现[16]；模型具体构建过程：样本空间同中证全指指数的样本空间，即由满足以下条件的A股和红筹企业发行的存托凭证组成：非ST、*ST证券；科创板证券和北交所证券上市时间分别超过一年和两年；其他证券上市时间超过一个季度，除非该证券自上市以来日均总市值排在前30位[17]；然后进行可投资性筛选，过去一年日均成交金额排名位于样本空间前80%[18]；最后进行选样，对于样本空间内符合可投资性筛选条件的证券，选取业务涉及大数据、云计算、云存储、机器学习、机器视觉、人脸识别、语音语义识别、智能芯片等领域的上市公司证券作为待选样本，在上述待选样本中，按照过去一年日均总市值由高到低排名，选取排名前50的证券作为指数样本[19]；模型评价：指数聚焦AI主题股票，重仓股紧扣AI主题，科技龙头属性高，主题特征鲜明[3][20] 模型的回测效果 1 中证人工智能主题指数，预期2025年营业收入9723亿元，同比增速22.62%[27] 2 中证人工智能主题指数，预期2025年归母净利润816亿元，同比增速89.59%[27] 3 中证人工智能主题指数，预期2026年营业收入11198亿元，同比增速15.17%[27] 4 中证人工智能主题指数，预期2026年归母净利润1076亿元，同比增速31.86%[27] 5 中证人工智能主题指数，预期2027年营业收入12954亿元，同比增速15.68%[27] 6 中证人工智能主题指数，预期2027年归母净利润1334亿元，同比增速23.95%[27] 量化因子与构建方式 1 因子名称：TMT概念暴露度[26]；因子的构建思路：衡量指数成份股在TMT概念上的暴露程度[26]；因子具体构建过程：根据Wind概念分类，计算指数成份股在TMT概念上的权重占比[26] 2 因子名称：科技龙头概念暴露度[26]；因子的构建思路：衡量指数成份股在科技龙头概念上的暴露程度[26]；因子具体构建过程：根据Wind概念分类，计算指数成份股在科技龙头概念上的权重占比[26] 3 因子名称：人工智能+概念暴露度[26]；因子的构建思路：衡量指数成份股在人工智能+概念上的暴露程度[26]；因子具体构建过程：根据Wind概念分类，计算指数成份股在人工智能+概念上的权重占比[26] 4 因子名称：AI算力概念暴露度[26]；因子的构建思路：衡量指数成份股在AI算力概念上的暴露程度[26]；因子具体构建过程：根据Wind概念分类，计算指数成份股在AI算力概念上的权重占比[26] 5 因子名称：AIPC概念暴露度[26]；因子的构建思路：衡量指数成份股在AIPC概念上的暴露程度[26]；因子具体构建过程：根据Wind概念分类，计算指数成份股在AIPC概念上的权重占比[26] 6 因子名称：人工智能概念暴露度[26]；因子的构建思路：衡量指数成份股在人工智能概念上的暴露程度[26]；因子具体构建过程：根据Wind概念分类，计算指数成份股在人工智能概念上的权重占比[26] 7 因子名称：AI应用概念暴露度[26]；因子的构建思路：衡量指数成份股在AI应用概念上的暴露程度[26]；因子具体构建过程：根据Wind概念分类，计算指数成份股在AI应用概念上的权重占比[26] 8 因子名称：芯片概念暴露度[26]；因子的构建思路：衡量指数成份股在芯片概念上的暴露程度[26]；因子具体构建过程：根据Wind概念分类，计算指数成份股在芯片概念上的权重占比[26] 因子的回测效果 1 TMT概念暴露度，概念暴露度94.63%[26] 2 科技龙头概念暴露度，概念暴露度92.36%[26] 3 人工智能+概念暴露度，概念暴露度66.91%[26] 4 AI算力概念暴露度，概念暴露度51.66%[26] 5 AIPC概念暴露度，概念暴露度51.60%[26] 6 人工智能概念暴露度，概念暴露度45.36%[26] 7 AI应用概念暴露度，概念暴露度44.71%[26] 8 芯片概念暴露度，概念暴露度36.03%[26]

量化模型与构建方式 1 公募实时持仓测算模型 - **模型名称**：公募实时持仓测算模型 - **模型构建思路**：基于市场公开信息（如基金净值、持仓披露、调研行为等）对公募基金持仓进行实时估算，以监测资金配置动态[16] - **模型具体构建过程**： 1. 收集基金净值、持仓披露、调研行为等市场公开数据 2. 通过复杂处理流程（详见开源金融工程团队专题报告《偏股混合型基金指数（885001.WI）：优势、复制与超越》）进行实时测算 3. 输出公募基金对特定板块（如固态电池）的配置仓位水平 2 筹码收益因子 - **因子名称**：筹码收益因子 - **因子构建思路**：通过估算投资者在不同价格上的资金持仓，推算资金的平均持仓成本，并衡量当前价格相对于历史筹码成本的收益率，以反映赚钱效应[24] - **因子具体构建过程**： 1. 估算投资者在不同价格上的资金持仓分布 2. 计算历史筹码平均持仓成本 3. 计算当前价格相对于历史筹码成本的收益率，即筹码收益因子值 公式为： $$\text{筹码收益} = \frac{\text{当前价格} - \text{历史筹码平均成本}}{\text{历史筹码平均成本}} \times 100\%$$ - **因子评价**：该因子能够有效反映市场赚钱效应，较好时呈现动量效应，较弱时呈现反转效应[24] 3 雪球大V关注度因子 - **因子名称**：雪球大V关注度因子 - **因子构建思路**：利用雪球平台大V用户对上市公司和行业的关注行为（如观点分享、投资行为）构建选股因子，其具有丰富信息含量[32] - **因子具体构建过程**： 1. 收集雪球平台大V用户的关注行为数据（如对个股的讨论、分析） 2. 统计特定时间段内各股票被大V关注的数量 3. 以关注数量作为因子值，衡量市场关注度 4 主力资金因子 - **因子名称**：主力资金因子 - **因子构建思路**：选用大单（挂单金额20-100万元）与超大单（挂单金额>100万元）的加总，作为主力资金的代理变量，监测资金流入流出情况[35] - **因子具体构建过程**： 1. 收集个股的挂单数据，区分大单和超大单 2. 计算大单与超大单的加总额度 3. 以净流入（流出）金额作为因子值，衡量主力资金动向 5 龙虎榜资金因子 - **因子名称**：龙虎榜资金因子 - **因子构建思路**：基于交易所披露的龙虎榜数据（如营业部买入卖出金额），反映市场最活跃资金的交易动向[37] - **因子具体构建过程**： 1. 收集龙虎榜数据，包括上榜营业部的买入金额、卖出金额等 2. 计算营业部资金净流入（流出）额 3. 以净流入（流出）额作为因子值，衡量活跃资金动向 6 高频股东户数因子 - **因子名称**：高频股东户数因子 - **因子构建思路**：利用交易所互动平台提供的股东户数数据，构建因子反映股东户数变动，其大幅增加可能提示后续股价风险[39] - **因子具体构建过程**： 1. 收集个股的股东户数数据 2. 计算最新两期股东户数的变动比例 3. 以变动比例作为因子值，衡量股东户数增幅 模型的回测效果 （本报告中未提供量化模型的回测效果指标取值） 因子的回测效果 1 筹码收益因子 - 固态电池指数赚钱效应：11.11%[5][25] 2 雪球大V关注度因子 - 先导智能关注数量：136[33] - 国轩高科关注数量：78[33] - 上海洗霸关注数量：62[33] 3 主力资金因子 - 南都电源主力净流入：5.64万元[36] - 中一科技主力净流入：2.46万元[36] - 恩捷股份主力净流入：1.67万元[36] 4 龙虎榜资金因子 - 国轩高科营业部资金净流入：6.7亿元[38] - 金龙羽营业部资金净流入：2.5亿元[38] - 先导智能营业部资金净流入：-8.7亿元[38] 5 高频股东户数因子 - 金龙羽股东户数变动比例：164.33%[40] - 科恒股份股东户数变动比例：138.30%[40] - 诺德股份股东户数变动比例：97.16%[40]

量化模型与构建方式 1 **模型名称：行业拥挤度监测模型** **模型构建思路：** 通过监测申万一级行业指数的拥挤度，识别当前市场过热或过冷的行业，为投资决策提供参考[3] **模型具体构建过程：** 模型每日计算各行业的拥挤度水平，具体计算方式未详细说明，但会输出各行业的拥挤度排名及变动情况[3] 2 **模型名称：溢价率Z-score模型** **模型构建思路：** 通过计算ETF溢价率的Z-score值，识别存在潜在套利机会的ETF产品，同时提示回调风险[4] **模型具体构建过程：** 模型滚动计算ETF溢价率的Z-score值，具体公式未详细说明，但会基于Z-score值生成ETF产品的关注信号[4] 量化因子与构建方式 1 **因子名称：行业拥挤度因子** **因子构建思路：** 用于衡量申万一级行业指数的市场拥挤程度，帮助识别行业过热或过冷状态[3] **因子具体构建过程：** 因子每日计算各行业的拥挤度，具体计算方式未详细说明，但会输出拥挤度排名及变动情况[3] 2 **因子名称：溢价率Z-score因子** **因子构建思路：** 用于衡量ETF溢价率相对于历史水平的偏离程度，识别潜在套利机会[4] **因子具体构建过程：** 因子滚动计算ETF溢价率的Z-score值，具体公式未详细说明，但会基于Z-score值生成ETF产品的关注信号[4] 模型的回测效果 （无相关内容） 因子的回测效果 （无相关内容）

量化因子与构建方式 1. **因子名称**：风险溢价因子[27][28] * **因子构建思路**：以十年期国债即期收益率为无风险利率的参考，计算各宽基指数相对于无风险利率的风险溢价，用以衡量其相对投资价值和偏离情况[27] * **因子具体构建过程**：风险溢价的计算公式为 `指数收益率 - 无风险利率`。具体而言，是使用各宽基指数的收益率减去十年期国债的即期收益率，其差值即为该指数的风险溢价[28][29]。该因子利用了风险溢价存在均值复归的现象[28] 2. **因子名称**：股债性价比因子[44] * **因子构建思路**：通过比较股票市场收益率（以PE-TTM的倒数代表）与债券市场收益率（十年期国债即期收益率）的差异，来判断股票和债券哪类资产更具投资吸引力[44] * **因子具体构建过程**：股债性价比的计算公式为 `(1 / PE-TTM) - 十年期国债即期收益率`[44]。其中，`(1 / PE-TTM)` 代表了股票的盈利收益率（Earnings Yield） 3. **因子名称**：股息率因子[46] * **因子构建思路**：跟踪各指数的股息率，其反映现金分红回报率，是红利投资风格的一种体现，尤其在市场低迷或利率下行期可能表现突出[46] * **因子具体构建过程**：股息率通常的计算公式为 `(近12个月现金分红总额 / 总市值) * 100%` 或 `(近12个月每股股利 / 每股股价) * 100%`[46][51] 4. **因子名称**：破净率因子[51][53] * **因子构建思路**：通过统计指数中市净率（PB）小于1的个股数量及其占比，来反映市场总体的估值态度和悲观情绪，占比越高通常意味着低估越普遍[51][53] * **因子具体构建过程**：破净率的计算公式为 `(指数成分股中破净股票数量 / 指数总成分股数量) * 100%`[51][53]。其中，破净股票是指其市净率（PB）小于1的股票，市净率计算公式为 `每股股价 / 每股净资产`[51] 5. **因子名称**：换手率因子[17][18] * **因子构建思路**：计算指数的换手率以衡量其成分股的交易活跃度和流动性[17][18] * **因子具体构建过程**：指数换手率的计算方式为 `Σ(成分股流通股本 * 成分股换手率) / Σ(成分股流通股本)`[18] 6. **因子名称**：交易金额占比因子[17][18] * **因子构建思路**：计算单一指数交易金额在全市场总交易金额中的占比，以观察资金在不同板块或指数间的流向和集中度[17][18] * **因子具体构建过程**：交易金额占比的计算公式为 `(该指数当天的交易金额 / 中证全指当天的交易金额) * 100%`[18] 7. **因子名称**：收益率分布形态因子（偏度与峰度）[24][25] * **因子构建思路**：通过分析指数日收益率的分布形态，特别是其偏度（Skewness）和峰度（Kurtosis），来捕捉收益分布的特征和极端收益出现的可能性[24][25] * **因子具体构建过程**： * **峰度**：计算指数日收益率序列的峰度，报告中在计算时减去了3（正态分布的峰度值），即计算超额峰度。峰度越大，说明收益率分布更集中（尖峰）[24][25] * **偏度**：计算指数日收益率序列的偏度。正偏态显示极端正收益情形增加的程度[24] **因子的回测效果** 1. **风险溢价因子** * **当前风险溢价**：上证50: 0.37%, 沪深300: 0.20%, 中证500: 0.04%, 中证1000: 0.05%, 中证2000: 0.31%, 中证全指: 0.20%, 创业板指: 1.26%[31] * **近5年分位值**：上证50: 68.10%, 沪深300: 60.79%, 中证500: 50.48%, 中证1000: 48.97%, 中证2000: 54.68%, 中证全指: 58.65%, 创业板指: 80.79%[31] * **近1年波动率**：上证50: 1.22%, 沪深300: 1.38%, 中证500: 1.68%, 中证1000: 1.91%, 中证2000: 2.10%, 中证全指: 1.58%, 创业板指: 2.59%[31] 2. **PE-TTM因子** * **当前值**：上证50: 11.79, 沪深300: 13.95, 中证500: 33.34, 中证1000: 46.11, 中证2000: 162.77, 中证全指: 21.11, 创业板指: 41.46[41][42] * **近5年历史分位值**：上证50: 83.22%, 沪深300: 81.24%, 中证500: 98.93%, 中证1000: 94.55%, 中证2000: 85.95%, 中证全指: 96.12%, 创业板指: 56.20%[39][41][42] 3. **股息率因子** * **当前值**：上证50: 3.34%, 沪深300: 2.72%, 中证500: 1.35%, 中证1000: 1.14%, 中证2000: 0.77%, 中证全指: 2.02%, 创业板指: 1.00%[51] * **近5年历史分位值**：上证50: 37.85%, 沪深300: 37.60%, 中证500: 16.03%, 中证1000: 51.74%, 中证2000: 17.44%, 中证全指: 36.61%, 创业板指: 69.09%[49][51][52] 4. **破净率因子** * **当前破净率**：上证50: 18.0%, 沪深300: 15.67%, 中证500: 11.8%, 中证1000: 7.5%, 中证2000: 3.25%, 中证全指: 6.07%, 创业板指: 1.0%[3][53] 5. **换手率因子** * **当前换手率**：中证2000: 4.0, 创业板指: 3.0, 中证1000: 2.61, 中证全指: 1.73, 中证500: 1.68, 沪深300: 0.62, 上证50: 0.33[17] 6. **交易金额占比因子** * **当前交易金额占比**：沪深300: 27.43%, 中证2000: 22.8%, 中证1000: 20.29%[17] 7. **收益率分布形态因子（偏度与峰度）** * **当前峰度 (超额)**：上证50: 3.09, 沪深300: 3.65, 中证500: 3.32, 中证1000: 4.24, 中证2000: 2.86, 中证全指: 3.26, 创业板指: 5.30[25] * **当前偏度**：上证50: 2.16, 沪深300: 2.30, 中证500: 2.18, 中证1000: 2.26, 中证2000: 1.99, 中证全指: 2.18, 创业板指: 2.47[25] * **当前vs近5年峰度变化**：上证50: +1.38, 沪深300: +2.36, 中证500: +1.35, 中证1000: +2.98, 中证2000: +0.91, 中证全指: +2.20, 创业板指: +5.48[25] * **当前vs近5年偏度变化**：上证50: +0.35, 沪深300: +0.60, 中证500: +0.32, 中证1000: +0.63, 中证2000: +0.18, 中证全指: +0.57, 创业板指: +1.34[25]

量化因子与构建方式 1. **因子名称：封板率** **因子构建思路**：通过计算当日最高价涨停且收盘涨停的股票数量与最高价涨停的股票总数之比，来衡量市场涨停板的封板强度，反映市场情绪和资金追捧程度[17] **因子具体构建过程**： 1) 筛选上市满3个月以上的股票 2) 识别当日盘中最高价达到涨停价的股票集合 3) 从该集合中找出收盘价仍为涨停的股票 4) 计算封板率： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ **因子评价**：该因子直接反映市场炒作情绪的持续性，封板率越高说明涨停板可靠性越强，资金封板意愿越高[17] 2. **因子名称：连板率** **因子构建思路**：通过计算连续两日收盘涨停的股票数量与昨日收盘涨停股票总数之比，来衡量涨停板的延续性和市场接力情绪[17] **因子具体构建过程**： 1) 筛选上市满3个月以上的股票 2) 确定昨日收盘涨停的股票集合 3) 从该集合中找出今日收盘仍涨停的股票 4) 计算连板率： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ **因子评价**：连板率越高表明市场炒作热情持续，短线资金接力意愿强，是衡量市场情绪延续性的有效指标[17] 3. **因子名称：大宗交易折价率** **因子构建思路**：通过计算大宗交易成交金额与当日成交份额总市值的比率减1，来反映大资金交易的折价水平，体现机构或大股东的减持意愿和市场承接能力[26] **因子具体构建过程**： 1) 获取当日所有大宗交易记录的成交金额和成交数量 2) 计算当日这些成交份额按收盘价计算的市值 3) 计算折价率： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ **因子评价**：折价率越高表明大资金卖出意愿越强或市场流动性越差，反之则表明机构资金看好或市场承接力强[26] 4. **因子名称：股指期货年化贴水率** **因子构建思路**：通过计算股指期货主力合约与现货指数之间的基差，并进行年化处理，来反映市场对未来指数的预期和套利成本[28] **因子具体构建过程**： 1) 获取股指期货主力合约价格和现货指数价格 2) 计算基差：基差 = 期货价格 - 现货价格 3) 计算年化贴水率： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ **因子评价**：年化贴水率越高表明市场对未来越悲观，套利成本越高；贴水率越低或升水表明市场预期乐观[28] 因子回测效果 1. **封板率因子**，20250910当日取值67%[17] 2. **连板率因子**，20250910当日取值24%[17] 3. **大宗交易折价率因子**，近半年以来平均取值6.02%，20250909当日取值5.79%[26] 4. **上证50股指期货年化贴水率因子**，近一年中位数0.21%，20250910当日取值2.18%，处于近一年38%分位点[28] 5. **沪深300股指期货年化贴水率因子**，近一年中位数2.38%，20250910当日取值10.42%，处于近一年10%分位点[28] 6. **中证500股指期货年化贴水率因子**，近一年中位数9.64%，20250910当日取值35.40%，处于近一年2%分位点[28] 7. **中证1000股指期货年化贴水率因子**，近一年中位数11.77%，20250910当日取值39.11%，处于近一年2%分位点[28]

量化模型与构建方式 1. 因子名称：封板率因子 因子构建思路：通过计算最高价涨停且收盘涨停的股票数与最高价涨停的股票数之比，衡量市场涨停板的封板强度[17] 因子具体构建过程： - 筛选上市满3个月以上的股票 - 计算当日最高价涨停的股票数量 - 计算当日最高价涨停且收盘涨停的股票数量 - 封板率 = 最高价涨停且收盘涨停的股票数 / 最高价涨停的股票数[17] $$封板率=\frac{N_{close\_limit}}{N_{high\_limit}}$$ 其中$N_{close\_limit}$表示最高价涨停且收盘涨停的股票数，$N_{high\_limit}$表示最高价涨停的股票数 因子评价：该因子能有效反映市场炒作情绪和涨停板的可靠性[17] 2. 因子名称：连板率因子 因子构建思路：通过计算连续两日收盘涨停的股票数与昨日收盘涨停的股票数之比，衡量市场连板效应的强度[17] 因子具体构建过程： - 筛选上市满3个月以上的股票 - 计算昨日收盘涨停的股票数量 - 计算连续两日收盘涨停的股票数量 - 连板率 = 连续两日收盘涨停的股票数 / 昨日收盘涨停的股票数[17] $$连板率=\frac{N_{consecutive\_limit}}{N_{prev\_limit}}$$ 其中$N_{consecutive\_limit}$表示连续两日收盘涨停的股票数，$N_{prev\_limit}$表示昨日收盘涨停的股票数 因子评价：该因子能有效反映市场连续炒作的热度和持续性[17] 3. 因子名称：大宗交易折价率因子 因子构建思路：通过计算大宗交易成交金额与当日成交份额总市值的比率减1，反映大资金的投资偏好和市场情绪[26] 因子具体构建过程： - 收集当日所有大宗交易数据 - 计算大宗交易总成交金额 - 计算当日成交份额的总市值 - 折价率 = 大宗交易总成交金额 / 当日成交份额的总市值 - 1[26] $$折价率=\frac{Total\_block\_trade\_amount}{Total\_market\_value}-1$$ 其中$Total\_block\_trade\_amount$表示大宗交易总成交金额，$Total\_market\_value$表示当日成交份额的总市值 因子评价：该因子能反映机构投资者和大资金的交易意愿和市场情绪[26] 4. 因子名称：股指期货年化贴水率因子 因子构建思路：通过计算股指期货基差与指数价格的比率并年化，反映市场对未来预期的情绪和对冲成本[28] 因子具体构建过程： - 选择股指期货主力合约 - 计算基差 = 期货价格 - 现货指数价格 - 计算年化贴水率 = 基差 / 指数价格 × (250 / 合约剩余交易日数)[28] $$年化贴水率=\frac{Basis}{Index\_price} \times \frac{250}{Days\_remaining}$$ 其中$Basis$表示基差(期货价格-现货价格)，$Index\_price$表示指数价格，$Days\_remaining$表示合约剩余交易日数 因子评价：该因子能有效反映市场情绪、预期和对冲成本，是重要的市场风向标[28] 模型的回测效果 （本报告中未提供具体的模型回测效果数据） 量化因子与构建方式 （已包含在量化模型与构建方式部分） 因子的回测效果 1. 封板率因子 20250910当日取值：67%[17] 近一个月变化：较前日下降2%[17] 2. 连板率因子 20250910当日取值：24%[17] 近一个月变化：较前日提升8%[17] 3. 大宗交易折价率因子 20250909当日取值：5.79%[26] 近半年平均值：6.02%[26] 近半年日均成交金额：14亿元[26] 20250909当日成交金额：19亿元[26] 4. 股指期货年化贴水率因子 上证50股指期货 20250910当日取值：2.18%[28] 近一年中位数：0.21%[28] 分位点：处于近一年来38%分位点[28] 沪深300股指期货 20250910当日取值：10.42%[28] 近一年中位数：2.38%[28] 分位点：处于近一年来10%分位点[28] 中证500股指期货 20250910当日取值：35.40%[28] 近一年中位数：9.64%[28] 分位点：处于近一年来2%分位点[28] 中证1000股指期货 20250910当日取值：39.11%[28] 近一年中位数：11.77%[28] 分位点：处于近一年来2%分位点[28]

量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[41][42][44] * **模型构建思路：** 精确预测股指期货合约存续期内，其标的价格指数因成分股分红除息导致的点位自然下滑，以准确计算期货合约的升贴水幅度[12][41] * **模型具体构建过程：** 模型核心是计算从当前时刻t到期货合约到期日T期间，指数所有成分股分红所导致的总分红点数。具体流程如下[41][42][44]： 1. **数据准备：** 获取指数成分股列表及精确的日度权重数据（非月末估算值）[47][48]。 2. **个股分红金额判断：** * 若公司已公布分红金额，则直接采用[44][49]。 * 若未公布，则需预测。分红金额由预测的净利润乘以预测的股息支付率得到，即：分红金额 = 净利润 × 股息支付率[49]。 3. **净利润预测：** 采用基于历史净利润分布的动态预测法[52]。 * 若公司已发布年报、快报或业绩预告，直接采用其数据（业绩预告取上下限均值）[50]。 * 若未发布，则根据其历史季度盈利分布稳定性进行分类预测：盈利稳定的公司按历史规律预测；盈利不稳定的公司采用上年同期值[52]。 4. **股息支付率预测：**[53][55] * 若公司去年分红，则采用去年股息支付率。 * 若去年不分红，则采用最近3年股息支付率平均值。 * 若从未分红，则默认今年不分红。 * 若预测值>100%，进行截尾处理。 5. **除息日预测：** 采用基于历史间隔天数稳定性的线性外推法[53][58]。 * 若已公布除息日，直接采用。 * 若未公布，则根据公司是否已发布预案、所处阶段（预案/决案），利用历史公告日到除息日的间隔天数的稳定性进行线性外推预测。 * 若无可靠历史数据，则根据日历采用默认日期（7月31日、8月31日或9月30日）[58]。 6. **计算总分红点数：** 汇总所有在(t, T]期间内有除息日的成分股的分红贡献。单个成分股的分红点数为：$$\text{分红点数} = \sum_{n=1}^{N} \left[ \frac{\text{成分股分红金额}}{\text{成分股总市值}} \times \text{成分股权重} \times \text{指数收盘价} \right]$$ 其中要求个股除权除息日满足 $t < \tau_n \leq T$[41]。 模型的回测效果 1. **股指分红点位测算模型**，2023年预测误差：上证50指数和沪深300指数误差约5点，中证500指数误差约10点[63] 2. **股指分红点位测算模型**，2024年预测误差：上证50指数和沪深300指数误差约5点，中证500指数误差约10点[63] 量化因子与构建方式 1. **因子名称：年化已实现股息率**[3][17] * **因子构建思路：** 计算指数中已实施现金分红的成分股所带来的股息收益占指数市值的比例[17] * **因子具体构建过程：** $$\text{已实现股息率} = \sum_{i=1}^{N_1} \left[ \frac{\text{成分股i已分红金额}}{\text{成分股i总市值}} \times \text{成分股权重} \right]$$ 其中，$N_1$ 代表指数中已现金分红的公司数量[17] 2. **因子名称：年化剩余股息率**[3][17] * **因子构建思路：** 计算指数中尚未进行现金分红的成分股，其预测分红金额所带来的股息收益占指数市值的比例[17] * **因子具体构建过程：** $$\text{剩余股息率} = \sum_{j=1}^{N_2} \left[ \frac{\text{成分股j预测分红金额}}{\text{成分股j总市值}} \times \text{成分股权重} \right]$$ 其中，$N_2$ 代表指数中尚未现金分红的公司数量[17] 因子的回测效果 1. **年化已实现股息率因子**，截至2025/9/10取值：上证50指数 2.15%[3][17]，沪深300指数 1.75%[3][17]，中证500指数 1.14%[3][17]，中证1000指数 0.85%[3][17] 2. **年化剩余股息率因子**，截至2025/9/10取值：上证50指数 0.61%[3][17]，沪深300指数 0.45%[3][17]，中证500指数 0.17%[3][17]，中证1000指数 0.10%[3][17]

量化模型与构建方式 1. 行业分化度指标 - **指标构建思路**：通过计算行业指数涨幅的离散程度来度量市场结构化特征，作为行业分化度的代理指标[1][12] - **具体构建过程**：计算申万一级行业指数的平均涨幅与中位数涨幅的差异，再计算该差异的20日移动平均值[1][12] - **指标评价**：该指标具有明显的均值回复特征，可用于判断市场极端分化后的反转时机[1][12] 2. 铜的宏观择时模型 - **模型构建思路**：通过宏观打分卡形式构建对铜的择时模型，并应用于有色金属行业指数择时[2][19] - **具体构建过程**：基于全球景气、全球通胀等宏观因子构建评分体系，当宏观评分大于0时，次月配置中证申万有色金属指数，否则配置Wind全A指数[2][19][20] $$ \text{信号} = \begin{cases} \text{配置有色金属指数} & \text{if 宏观评分} > 0 \\ \text{配置Wind全A指数} & \text{otherwise} \end{cases} $$ - **模型评价**：历史回测显示该模型能较好把握有色金属行业的强势行情，具备一定择时能力[20] 3. 行业拥挤度指标 - **指标构建思路**：监测行业交易拥挤程度，识别过度拥挤的行业[3][32] - **具体构建过程**：计算各行业拥挤度指标在滚动3年窗口内的分位数，设置95%作为预警阈值[2][3][32] - **指标评价**：拥挤度指标可用于识别交易结构过度拥挤的风险，提示需要谨慎的行业[2][3][32] 4. 综合配置策略 - **策略构建思路**：结合行业景气度信号和拥挤度指标，构建行业配置组合[4][35] - **具体构建过程**：配置景气上行及景气持平、且拥挤度较低的行业，其中景气持平行业的权重设置为景气上行行业的一半[4][35] $$ w_i = \begin{cases} k & \text{if 景气上行且拥挤度低} \\ 0.5k & \text{if 景气持平且拥挤度低} \\ 0 & \text{otherwise} \end{cases} $$ 其中k为权重调整系数，确保总权重为1 量化因子的回测效果 1. 铜的宏观择时模型 - 回测区间：2009年3月至2025年9月[20] - 相对Wind全A指数超额收益：245%[20] 2. 综合配置策略 - 最近1个月收益：4.6%[35][39] - 相对行业等权指数超额收益：-5.7%[4][35][39] - 相对中证800超额收益：-3.9%[4][35][39] - 最近3个月收益：14.4%[39] - 最近6个月收益：9.5%[39] - 2025年以来收益：12.6%[39] 行业拥挤度监测结果 截至2025年9月5日，拥挤度指标位于95%预警阈值以上的行业：[3][32][34] - 有色金属 - 电子 - 通信 - 机械设备 - 综合 过去1个月内拥挤度指标最大值曾突破95%预警阈值的行业：[3][32] - 美容护理 - 国防军工 - 医药生物