量化模型与构建方式 1. 模型名称：微盘股扩散指数择时模型（首次阈值法）[66]；模型构建思路：基于万得微盘股指数成分股过去20个交易日上涨比例构建扩散指数，通过设定固定阈值进行左侧反转交易[66]；模型具体构建过程：计算扩散指数，定义为万得微盘股指数成分股过去20个交易日处于上涨状态的比例[65]。当扩散指数大于等于0.9时发出空仓信号，当扩散指数小于等于0.1时发出满仓信号，其余时间维持上一期信号。必须满仓之后才能空仓，同时也必须空仓之后才能满仓[66]；模型评价：在样本内无法跑赢微盘股指数但回撤相对可控，2024年以来无法识别大级别熊市，属于“越跌越买”策略，在牛市来临时可能过早离场[66] 2. 模型名称：微盘股扩散指数择时模型（延迟阈值法）[69]；模型构建思路：基于扩散指数，通过设定阈值并进行延迟确认，进行右侧动量交易[69]；模型具体构建过程：计算扩散指数（同上）[65]。当扩散指数上一日在0.9以上且今日跌破0.9时发出空仓信号，当扩散指数上一日在0.1以下且今日突破0.1时发出满仓信号，其余时间维持上一期信号[69]；模型评价：在样本内无法跑赢微盘股指数但回撤相对可控，2024年以来同样无法识别大级别熊市，但在牛市来临时能避免过早离场，较好保留了上涨收益[69] 3. 模型名称：微盘股扩散指数择时模型（双均线法）[72]；模型构建思路：基于扩散指数的均线系统，自适应市场行情变化，进行趋势跟踪交易[72]；模型具体构建过程：计算扩散指数（同上）[65]。计算短期均线（扩散指数的10日简单移动平均，MA）和长期均线（短期均线的20日MA）。当短期均线上穿长期均线时满仓，当短期均线下穿长期均线时空仓[72]；模型评价：在样本内无法跑赢微盘股指数但回撤控制较好，2024年能在大熊市下跌间隙给出看空信号避免大幅下跌，在牛市来临时也能避免过早离场，但对趋势的识别有时因参数平滑不够而不够理想[72] 模型的回测效果 1. 首次阈值法模型，样本外跟踪起始年份2023年[66]，2024年表现无法识别大级别熊市且在牛市来临时过早离场[66]，2025年对底部把握较好并抓住上涨行情但于5月8日触发空仓信号[66] 2. 延迟阈值法模型，样本外跟踪起始年份2023年[69]，2024年表现无法识别大级别熊市但能避免牛市过早离场[69]，2025年抓住部分上涨行情但于5月15日触发空仓信号[69] 3. 双均线法模型，样本外跟踪起始年份2023年[72]，2024年表现能在大熊市中间隙给出看空信号避免大幅下跌且能避免牛市过早离场[72]，2025年抓住一段上涨行情且对动量行情捕捉较好但于8月4日触发空仓信号[72] 量化因子与构建方式 1. 因子名称：扩散指数[65]；因子的构建思路：用于短期衡量微盘股指数的市场情绪，计算成分股中上涨股票的比例[65]；因子具体构建过程：计算万得微盘股指数成分股在过去20个交易日中处于上涨状态的股票数量所占的比例[65]。定义公式为： $$ DiffusionIndex_t = \frac{Count(P_{i,t} > P_{i,t-1})}{N} $$ 其中，$P_{i,t}$ 代表股票i在交易日t的收盘价，$P_{i,t-1}$ 代表股票i在交易日t-1的收盘价，Count函数统计满足条件的股票数量，N为万得微盘股指数的成分股总数[65]

根据提供的研报内容，报告核心聚焦于打新市场跟踪，并未涉及传统意义上的量化选股模型或阿尔法因子。报告的核心是构建了一个用于测算不同条件下打新收益的**收益测算模型**。以下是总结： 量化模型与构建方式 1. **模型名称**：打新收益测算模型[47] **模型构建思路**：通过模拟不同规模、不同类型的账户（A类/C类投资者）参与所有新股打新的过程，来测算其理论打新收益率和打满收益[47] **模型具体构建过程**： - **单账户个股打新收益**：对于单只新股，其打新收益的计算公式为： $$单账户个股打新收益 = min（账户规模，申购上限） * 中签率 * 收益率$$[47] - **A/B/C类投资者打满收益**：假设账户资金足以顶格申购所有新股（即“打满”）时的理论收益，计算公式为： $$打满收益 = 申购上限 * 网下中签率 * 收益率$$[47] - **参数说明**： - `账户规模`：参与打新的账户资产规模，是模型的核心输入变量之一[47][49][52] - `申购上限`：单只新股网下申购的资金上限[31][47] - `中签率`：根据投资者类别（A类/C类）采用相应的网下发行实际中签率[31][47] - `收益率`：对于科创板和创业板新股，以及全面注册制下的主板新股，采用`上市首日成交均价`相对于`发行价`的涨跌幅；对于非注册制下的主板新股，采用`开板当日成交均价`相对于`发行价`的涨跌幅。若统计区间内主板新股尚未开板，则使用动态12个月内主板上市个股开板实现收益率的均值作为替代[47] - **汇总计算**：将计算期内所有新股的“单账户个股打新收益”或“打满收益”进行加总，得到月度、季度或年度累计收益，并可进一步除以账户规模得到收益率[47][49][52] 模型的回测效果 1. **打新收益测算模型 (A类投资者 - 5亿规模账户)**[49][52][53][54][55] - 2025年8月主板打新收益率：0.014%[49] - 2025年8月创业板打新收益率：0.066%[52] - 2025年8月科创板打新收益率：0.000%[53] - 2025年8月合计打新收益率：0.080%[54][55] - 2025年累计打新收益率：1.134%[54][55] 2. **打新收益测算模型 (C类投资者 - 5亿规模账户)**[49][52][53][54][56] - 2025年8月主板打新收益率：0.013%[49] - 2025年8月创业板打新收益率：0.064%[52] - 2025年8月科创板打新收益率：0.000%[53] - 2025年8月合计打新收益率：0.077%[54][56] - 2025年累计打新收益率：1.035%[54][56] 3. **打新收益测算模型 (打满收益 - A类投资者)**[49][52][53] - 2025年8月主板打满收益：6.77万元[49] - 2025年8月创业板打满收益：33.19万元[52] - 2025年8月科创板打满收益：0.00万元[53] - 2025年累计主板打满收益：248.87万元[49] - 2025年累计创业板打满收益：228.30万元[52] - 2025年累计科创板打满收益：198.43万元[53] 4. **打新收益测算模型 (打满收益 - C类投资者)**[49][52][53] - 2025年8月主板打满收益：6.44万元[49] - 2025年8月创业板打满收益：32.06万元[52] - 2025年8月科创板打满收益：0.00万元[53] - 2025年累计主板打满收益：216.15万元[49] - 2025年累计创业板打满收益：205.42万元[52] - 2025年累计科创板打满收益：193.74万元[53] 量化因子与构建方式 （本报告中未涉及独立的量化因子构建） 因子的回测效果 （本报告中未涉及独立的量化因子测试）

量化模型与构建方式 1.扩散指数行业轮动模型 - 模型名称：扩散指数行业轮动模型[24][25] - 模型构建思路：基于价格动量原理，通过计算行业扩散指数来捕捉行业趋势，选择向上趋势的行业进行配置[25][38] - 模型具体构建过程： 1. 计算每个中信一级行业的扩散指数，该指数反映行业价格趋势的强度[26] 2. 扩散指数的计算基于价格动量指标，具体公式未在报告中详细给出[25][38] 3. 每月末选择扩散指数排名前六的行业作为下月配置组合[25][29] 4. 2025年9月建议配置行业为综合、有色金属、通信、银行、传媒、商贸零售[25][29] - 模型评价：在趋势行情中能较好捕捉行业机会，但在市场风格切换至反转行情时可能失效[25][38] 2.GRU因子行业轮动模型 - 模型名称：GRU因子行业轮动模型[32][33] - 模型构建思路：基于分钟频量价数据，通过GRU深度学习网络生成行业因子，捕捉短期交易机会[32][39] - 模型具体构建过程： 1. 使用GRU（门控循环单元）深度学习网络处理分钟频量价数据[39] 2. 生成GRU行业因子，该因子反映行业短期表现预期[33] 3. 每周根据GRU因子值排名，选择排名靠前的行业进行配置[33][37] 4. 2025年8月29日当周调入石油石化，调出电子[37] - 模型评价：在短周期表现较好，长周期表现一般；对极端行情适应性较差[32][39] 模型的回测效果 1.扩散指数行业轮动模型 - 2025年累计超额收益：5.08%[24][29] - 2025年8月以来超额收益：4.54%[29] - 本周超额收益：1.94%[29] - 本周平均收益：2.97%[29] 2.GRU因子行业轮动模型 - 2025年累计超额收益：-7.65%[32][37] - 2025年8月以来超额收益：-2.53%[37] - 本周超额收益：0.93%[37] - 本周平均收益：1.85%[37] 量化因子与构建方式 1.行业扩散指数因子 - 因子名称：行业扩散指数[26][27] - 因子构建思路：基于价格动量原理，衡量行业价格趋势强度[25][38] - 因子具体构建过程：报告未提供详细计算公式，仅说明基于价格动量指标计算[25][38] - 因子评价：能有效识别趋势性行情，但在反转行情中效果较差[25][38] 2.GRU行业因子 - 因子名称：GRU行业因子[33][36] - 因子构建思路：基于分钟频量价数据，通过GRU神经网络生成行业预期表现因子[33][39] - 因子具体构建过程： 1. 使用GRU深度学习网络处理高频量价数据[39] 2. 输出行业因子值，正值表示看多，负值表示看空[33] 3. 因子计算具体公式未在报告中详细给出[33] - 因子评价：对短期交易信号捕捉能力较强，但长周期稳定性不足[32][39] 因子的回测效果 1.行业扩散指数因子 - 最新值排名前六行业：综合(1.0)、有色金属(0.973)、通信(0.971)、银行(0.965)、传媒(0.945)、商贸零售(0.916)[26] - 周度环比变化最大行业：电力及公用事业(+0.069)、综合(0.0)、银行(-0.004)[27][28] 2.GRU行业因子 - 最新值排名前六行业：石油石化(3.38)、非银行金融(3.16)、商贸零售(2.59)、食品饮料(1.29)、电力及公用事业(0.21)、煤炭(0.16)[33] - 周度环比变化最大行业：石油石化、非银行金融、商贸零售（提升较大）；计算机、电子、通信（下降较大）[33]

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 1. **模型名称：煤炭行业利润预测模型**[10][15] * **模型构建思路**：基于动力煤长协价格机制，利用价格因子和产能因子的同比变化来逐月估计煤炭行业的营收增速和利润增速[10] * **模型具体构建过程**：模型的核心是跟踪价格因子（如动力煤销售价格）和产能因子的同比变化。具体地，根据每个月最后一期的价格指数确定下个月的销售价格，然后将此价格与上年同期进行比较。同时，结合产能因子的同比变化，综合估算出行业的月度营收增速和利润增速[10][15] 2. **模型名称：生猪供需预测模型**[16][17][18] * **模型构建思路**：利用生猪从出生到出栏约6个月的周期特性，通过当前能繁母猪存栏量来预测未来6个月后的生猪供需缺口，进而判断价格趋势[16][17] * **模型具体构建过程**： 1. 计算历史出栏系数：$$出栏系数 = \frac{单季度生猪出栏}{6个月前能繁母猪存栏量}$$[16] 2. 预测未来潜在产能：$$6个月后单季潜在产能 = 当前(t月)能繁母猪存栏量 \times (t+6月上年同期出栏系数)$$[17] 3. 预测未来潜在需求：以预测目标季度（如26Q1）的上年同期单季度生猪出栏量作为需求预测值[17] 4. 比较潜在产能与潜在需求，判断供需缺口及价格走势[18] 3. **模型名称：普钢行业利润预测模型**[19][23] * **模型构建思路**：通过跟踪普通钢材的综合售价以及主要原材料（铁矿石、焦炭、喷吹煤、废钢）的成本价格，来测算普钢行业的月度利润增速和单吨盈利[19][23] * **模型具体构建过程**：模型通过监测普钢价格指数和一系列成本价格指数，计算价格与成本的差值或比值，从而估算出行业单吨利润及其同比变化[19][23] 4. **模型名称：结构材料（玻璃、水泥）盈利跟踪模型**[25][26] * **模型构建思路**：根据浮法玻璃、水泥的产品价格指标和相应的成本指标，跟踪计算其毛利变化，并基于盈利变化设计行业配置信号[25][26] * **模型具体构建过程**：模型持续跟踪玻璃和水泥的现货价格，并同步跟踪其生产成本（如原材料、能源等），通过（价格 - 成本）计算单吨毛利，并观察其同比变化[25][26] 5. **模型名称：燃料型炼化利润预测模型**[27][33] * **模型构建思路**：利用成品油燃料价格与原油价格的变化来测算行业利润增速和裂解价差（Crack Spread）[27][33] * **模型具体构建过程**：模型通过监测成品油（如汽油、柴油）价格和原油价格的变动，计算其价差（裂解价差）。价差的扩大通常意味着炼化利润的改善。同时，也会考虑库存成本（如近期油价低位带来的成本下降）对利润的影响[27][33] 模型的回测效果 *（注：研报中展示了部分模型的历史回测图表（如图2、图5、图9、图10），但未提供具体的、可总结的量化指标数值（如年化收益率、夏普比率、信息比率IR等），因此此部分跳过）* 量化因子与构建方式 1. **因子名称：价格因子（煤炭）**[10] * **因子构建思路**：反映动力煤销售价格的变动情况，是预测煤炭行业利润的核心驱动因素之一[10] * **因子具体构建过程**：直接采用或根据动力煤长协价格指数确定月度销售价格，并计算其同比变化率[10] 2. **因子名称：产能因子（煤炭）**[10] * **因子构建思路**：反映煤炭行业生产能力的变动情况，是预测营收和利润的另一核心因素[10] * **因子具体构建过程**：具体构建方式未在提供片段中详细说明，但提及会跟踪其同比变化[10] 3. **因子名称：能繁母猪存栏量**[16][18] * **因子构建思路**：作为生猪供给的领先指标，能繁母猪的数量直接决定了约6个月后的生猪出栏潜力[16][18] * **因子具体构建过程**：直接采用农业农村部或相关统计部门公布的月度能繁母猪存栏数据[16][18] 4. **因子名称：出栏系数**[16][17] * **因子构建思路**：衡量能繁母猪到生猪出栏的转换效率，受养殖技术、疫情等因素影响[16][17] * **因子具体构建过程**：$$出栏系数 = \frac{单季度生猪出栏总量}{6个月前能繁母猪存栏量}$$[16] 5. **因子名称：PMI（采购经理指数）**[23][26] * **因子构建思路**：作为宏观经济景气度的衡量指标，尤其用于判断普钢、建筑等与宏观经济周期密切相关的行业的景气状况和投资预期[23][26] * **因子具体构建过程**：采用官方发布的制造业PMI数据。在模型中，会使用其滚动均值（如12个月滚动均值）并与设定的阈值进行比较，以产生配置信号[23][26] 6. **因子名称：裂解价差（Crack Spread）**[27] * **因子构建思路**：反映炼油厂将原油炼制成成品油的加工利润，是燃料型炼化行业盈利能力的核心观测指标[27] * **因子具体构建过程**：通常计算为一组成品油（如汽油和柴油）的价格与原油价格的加权差值[27] 7. **因子名称：油价同比变化**[34][35] * **因子构建思路**：油价的同比变化直接影响油服行业的收入预期和炼化行业的成本，是相关行业配置信号的重要依据[34][35] * **因子具体构建过程**：计算当前油价与上年同期油价的变化率[34][35] 8. **因子名称：新钻井数**[35] * **因子构建思路**：反映油服行业的活动水平和未来收入潜力，新钻井数的增加通常意味着行业景气的提升[35] * **因子具体构建过程**：采用诸如美国贝克休斯石油钻井数等市场常用指标，并观察其同比变化[35] 9. **因子名称：商品房销售面积**[26] * **因子构建思路**：作为房地产行业景气的同步或滞后指标，影响对水泥、玻璃、建筑装饰等下游行业的需求预期[26] * **因子具体构建过程**：采用国家统计局或行业机构发布的月度商品房销售面积数据，并计算其同比增速[26] 因子的回测效果 *（注：研报中未提供各个因子独立测试的量化绩效指标（如IC、IR、多空收益等），仅展示了基于这些因子构建的行业配置观点的历史回测图表。因此此部分跳过）*

根据提供的研报内容，以下是关于量化模型与因子的详细总结： 量化模型与构建方式 1. 宏观择时模型 - **模型构建思路**：基于经济增长和货币流动性两个维度的宏观事件因子，动态调整权益资产配置仓位[40] - **模型具体构建过程**：模型通过经济增长和货币流动性两个维度生成信号，经济增长层面信号强度为100%，货币流动性层面信号强度为0%，综合得出权益推荐仓位为50%[40] - **模型评价**：该模型提供了中期权益配置视角，2025年年初至今实现了1.34%的收益率，超越基准Wind全A的1.04%[40] 2. 微盘股择时与轮动模型 - **模型构建思路**：通过相对净值比较、价格斜率和风险指标监控，实现微盘股与茅指数之间的风格轮动和风险控制[18][27] - **模型具体构建过程**： 1) 大小盘轮动指标：计算微盘股/茅指数相对净值，高于243日均线则倾向投资微盘股，反之投资茅指数；结合20日收盘价斜率，当二者方向相反且一方为正时，选择投资斜率为正的指数[27] 2) 择时指标：基于十年期国债到期收益率（阈值0.3）和微盘股波动率拥挤度（阈值0.55），任一指标触及阈值则发出平仓信号[27] 量化因子与构建方式 1. 一致预期因子(↑) - **因子构建思路**：基于分析师一致预期数据构建的因子[56] - **因子具体构建过程**： - EPS_FTTM_Chg3M：未来12个月一致预期EPS过去3个月的变化率[56] - ROE_FTTM_Chg3M：未来12个月一致预期ROE过去3个月的变化率[56] - TargetReturn_180D：一致预期目标价相对于目前股价的收益率[56] 2. 市值因子(↓) - **因子构建思路**：衡量公司规模大小的因子[56] - **因子具体构建过程**： - LN_MktCap：流通市值的对数[56] 3. 成长因子(↑) - **因子构建思路**：衡量公司成长性的因子[56] - **因子具体构建过程**： - NetIncome_SQ_Chg1Y：单季度净利润同比增速[56] - OperatingIncome_SQ_Chg1Y：单季度营业利润同比增速[56] - Revenues_SQ_Chg1Y：单季度营业收入同比增速[56] 4. 反转因子(↓) - **因子构建思路**：基于价格反转效应的因子[56] - **因子具体构建过程**： - Price_Chg20D：20日收益率[56] - Price_Chg40D：40日收益率[56] - Price_Chg60D：60日收益率[56] - Price_Chg120D：120日收益率[56] 5. 质量因子(↑) - **因子构建思路**：衡量公司盈利质量和财务稳健性的因子[56] - **因子具体构建过程**： - ROE_FTTM：未来12个月一致预期净利润/股东权益均值[56] - OCF2CurrentDebt：过去12个月经营现金流净额/流动负债均值[56] - GrossMargin_TTM：过去12个月毛利率[56] - Revenues2Asset_TTM：过去12个月营业收入/总资产均值[56] 6. 技术因子(↓) - **因子构建思路**：基于量价技术指标的因子[56] - **因子具体构建过程**： - Volume_Mean_20D_240D：20日成交量均值/240日成交量均值[56] - Skewness_240D：240日收益率偏度[56] - Volume_CV_20D：20日成交量标准差/20日成交量均值[56] - Turnover_Mean_20D：20日换手率均值[56] 7. 价值因子(↑) - **因子构建思路**：衡量公司估值水平的因子[56] - **因子具体构建过程**： - BP_LR：最新年报账面净资产/最新市值[56] - EP_FTTM：未来12个月一致预期净利润/最新市值[56] - SP_TTM：过去12个月营业收入/最新市值[56] - EP_FY0：当期年报一致预期净利润/最新市值[56] - Sales2EV：过去12个月营业收入/企业价值[56] 8. 波动率因子(↓) - **因子构建思路**：衡量股票价格波动风险的因子[56] - **因子具体构建过程**： - Volatility_60D：60日收益率标准差[56] - IV_CAPM：CAPM模型残差波动率[56] - IV_FF：Fama-French三因子模型残差波动率[56] - IV_Carhart：Carhart四因子模型残差波动率[56] 9. 可转债择券因子 - **因子构建思路**：从正股与可转债的相关关系出发构建的量化择券因子[53] - **因子具体构建过程**： - 正股一致预期因子：基于正股一致预期数据构建[53] - 正股成长因子：基于正股成长性指标构建[53] - 正股财务质量因子：基于正股财务质量指标构建[53] - 正股价值因子：基于正股估值指标构建[53] - 转债估值因子：选取平价底价溢价率作为估值指标[53] 模型的回测效果 1. 宏观择时模型 - 2025年年初至今收益率：1.34%[40] - 同期Wind全A收益率：1.04%[40] - 超额收益：0.30%[40] 2. 微盘股择时与轮动模型 - 相对净值：微盘股对茅指数的相对净值升至1.88倍[18] - 年均线比较：显著高于243日均线（1.57倍）[18] - 斜率表现：万得微盘股20日收盘价斜率为0.2%，低于茅指数的0.7%[18] 因子的回测效果 1. 上周IC均值表现（全部A股） - 一致预期因子：0.17%[48] - 市值因子：-32.18%[48] - 成长因子：5.39%[48] - 反转因子：2.08%[48] - 质量因子：6.28%[48] - 技术因子：1.68%[48] - 价值因子：0.95%[48] - 波动率因子：2.63%[48] 2. 今年以来IC均值表现（全部A股） - 一致预期因子：2.66%[48] - 市值因子：7.54%[48] - 成长因子：1.97%[48] - 反转因子：7.34%[48] - 质量因子：0.94%[48] - 技术因子：9.23%[48] - 价值因子：4.37%[48] - 波动率因子：8.99%[48] 3. 上周因子多空收益（全部A股） - 一致预期因子：0.40%[48] - 市值因子：-4.96%[48] - 成长因子：1.77%[48] - 反转因子：-1.29%[48] - 质量因子：1.10%[48] - 技术因子：-0.25%[48] - 价值因子：-0.95%[48] 4. 今年以来因子多空收益（全部A股） - 一致预期因子：13.17%[48] - 市值因子：29.89%[48] - 成长因子：17.02%[48] - 反转因子：7.92%[48] - 质量因子：9.03%[48] - 技术因子：22.38%[48] - 价值因子：-10.24%[48] - 波动率因子：14.82%[48] 5. 可转债择券因子表现 - 正股一致预期因子：取得正的多空收益[53] - 正股成长因子：取得正的多空收益[53] - 正股财务质量因子：取得正的多空收益[53] - 正股价值因子：取得正的多空收益[53]

根据您提供的研报内容，经过全面梳理，总结如下： 量化模型与构建方式 本报告未涉及具体的量化模型构建。 模型的回测效果 本报告未提供量化模型的具体回测效果指标。 量化因子与构建方式 本报告未涉及具体的量化因子构建。 因子的回测效果 本报告未提供量化因子的具体回测效果指标。 其他核心内容总结 1. **8月行情强度分析** 8月市场行情实质强度较大，涨幅榜前20的个股中，有4只起涨时自由流通市值超过100亿，其中寒武纪-U起涨时市值达1402.95亿，且起涨时成交额均达到10亿量级[9]。 2. **9月强势行业研判** * **研判思路**：强势行业大概率由温和上涨过渡而来，而非由高低切换产生[12]。 * **一级行业表现**：电信业务、电子、计算机等行业在本轮行情中涨幅领先[12]。 * **二级行业表现**：通信设备行业8月涨幅断层式领先，达43.24%[15]。 * **具体观点**：通信设备行业权重股成交额未放大到难以为继的程度，预计其9月强势将继续；恒生医疗保健8月的横盘整理可能形成月线中继，9月有望转强；CPO（Co-packaged Optics，共封装光学）的强势预计能维持，而液冷和PCB（Printed Circuit Board，印制电路板）大概率转弱[15][18][37]。 3. **市场风格与节奏分析** * **大小盘风格**：8月下旬后，中小市值股票走势明显转弱，预计在下一阶段弹性不占优[34]。 * **牛市主线节奏**：历史上，主线行业的强势期过去后并不会立即转入下跌，会继续上涨至牛市见顶，但在下一阶段大概率不再有超额收益[26][37]。 --- **请注意**：以上总结严格基于您提供的研报内容。该报告主要为市场行情回顾与展望，侧重于定性分析和历史数据统计，并未包含量化模型、因子的构建过程及其回测效果的详细阐述。

量化模型与因子总结 量化因子与构建方式 1. **因子名称：规模因子** **因子构建思路**：通过股票市值规模来预测未来收益，通常小市值股票具有更高收益[19] **因子具体构建过程**：使用对数市值（lncap）作为细分因子，进行行业中性化处理和截面标准化[19] **因子评价**：整体在wind全A中表现良好，但最近一个月在所有股票池中出现较大回撤[46] 2. **因子名称：Beta因子** **因子构建思路**：衡量股票相对于市场的系统性风险，高Beta股票预期收益更高[19] **因子具体构建过程**：使用beta作为细分因子，进行行业市值中性化处理和截面标准化[19] **因子评价**：在整个回测区间中表现良好，上月在各股票池中为反向表现[57] 3. **因子名称：波动率因子** **因子构建思路**：通过股票价格波动率来预测未来收益，低波动率股票通常具有更好表现[19] **因子具体构建过程**：包含vol_1m、vol_3m、f_highlow_intraday_1m、f_highlow_intraday_3m、f_highlow_intraday_std_1m、f_highlow_intraday_std_3m等细分因子，进行行业市值中性化处理和截面标准化[19] **因子评价**：在整个回测区间内表现优异，但最近一月呈现反向表现[72] 4. **因子名称：价值因子** **因子构建思路**：通过估值指标寻找被低估的股票[19] **因子具体构建过程**：包含ep、bp、sp等细分因子，进行行业市值中性化处理和截面标准化[19] **因子评价**：在wind全A上有效性显著，但最近一个月表现不佳，各股票池回撤明显[86] 5. **因子名称：流动性因子** **因子构建思路**：通过股票流动性指标预测未来收益[19] **因子具体构建过程**：包含f_illiquidity_shock_1m、f_turnover_std_1m、f_turnover_std_3m、f_vstd_1m、f_turnover_1m、f_turnover_3m等细分因子，进行行业市值中性化处理和截面标准化[19] **因子评价**：整个回测期间表现优异，但最近一月表现不佳，在大市值股票池中显著反向[97] 6. **因子名称：动量与反转因子** **因子构建思路**：通过股票过去表现预测未来收益趋势[19] **因子具体构建过程**：包含f_reversal_1m、f_reversal_avg_1m、f_reversal_intraday_1m、f_reversal_discrete_1m、f_reserval_shift_1m、f_momentum_overnight_1y等细分因子，进行行业市值中性化处理和截面标准化[19] **因子评价**：在wind全A股票池中表现较优，但最近一月反转因子整体表现平庸[106] 7. **因子名称：技术因子** **因子构建思路**：通过技术指标预测股票未来收益[19] **因子具体构建过程**：包含RSI、BIAS、corr_turnover_price_1m、corr_turnover_pct_chg_return_1m等细分因子，进行行业市值中性化处理和截面标准化[19] **因子评价**：在wind全A和中证1000股票池中表现较优，但最近一月表现不显著[114] 8. **因子名称：盈利因子** **因子构建思路**：通过公司盈利能力指标预测股票未来收益[19] **因子具体构建过程**：包含roa_qua、roe_qua、net_margin_qua、profits_to_cost_qua、roic_qua等细分因子，进行行业市值中性化处理和截面标准化[19] **因子评价**：整个回测区间表现一般，最近一月在相对大市值股票池中表现较好[135] 9. **因子名称：成长因子** **因子构建思路**：通过公司成长性指标预测股票未来收益[19] **因子具体构建过程**：包含roa_qua_yoy、net_margin_qua_yoy、eps_basic_qua_yoy、opprofit_qua_yoy、oper_rev_qua_yoy等细分因子，进行行业市值中性化处理和截面标准化[19] **因子评价**：在沪深300股票池中表现较差，但最近一月表现较好，各股票池均呈现正向超额[143] 10. **因子名称：质量因子** **因子构建思路**：通过公司质量指标预测股票未来收益[19] **因子具体构建过程**：包含profit_to_debt_qua、inventory_turnover_qua、acct_rcv_turnover_qua、oper_netcash_to_oper_rev_ttm、tot_assets_cash_recovery_ttm、totasset_turnover_qua等细分因子，进行行业市值中性化处理和截面标准化[19] **因子评价**：在wind全A和中证1000股票池中表现稳定，最近一月更偏向大市值股票池[157] 11. **因子名称：红利因子** **因子构建思路**：通过分红指标预测股票未来收益[19] **因子具体构建过程**：包含div_ratio_ttm作为细分因子，进行行业市值中性化处理和截面标准化[19] **因子评价**：整个回测区间表现不错，但最近一月表现不佳，各股票池均出现明显回撤[174] 12. **因子名称：一致预期因子** **因子构建思路**：通过分析师一致预期数据预测股票未来收益[19] **因子具体构建过程**：包含con_peg、con_roe、con_roe_yoy等细分因子，进行行业市值中性化处理和截面标准化[19] **因子评价**：整个回测区间表现一般，最近一月在大市值股票池中呈现正向超额[186] 因子数据处理方法 **数据处理流程**： 1. 对所有因子进行去极值处理，使用缩尾法： $$\tilde{x}_{i}=\left\{\begin{array}{l l}{{q_{1-\alpha}(x),}}&{{x_{i}>q_{1-\alpha}(x),}}\\ {{q_{\alpha}(x),}}&{{x_{i}<q_{\alpha}(x),}}\\ {{x_{i},}}&{{e l s e.}}\end{array}\right.$$[199] 2. 对除对数市值外的其他因子做行业市值中性化处理 3. 对所有因子在截面进行z-score标准化： $$\tilde{x}_{i}=\frac{x_{i}-\mu}{\sigma},$$[202] 4. 行业市值中性化公式： $$X_{t}=\sum_{j}b_{t,j}\,I n d u_{j}+b_{t,m v}m v_{t}+\varepsilon_{t},$$[203] **因子测试方法**： 1. IC分析：计算Spearman秩相关系数 $$I C_{t}=C o r r(X_{t},R_{t+1}),$$[204] 2. 分层回测：将股票分为5层，每21个交易日调仓一次[20] 3. 回归分析：控制行业和市值因素 $$R_{t+1}=\sum_{j}b_{t,j}\,I n d u_{j}+b_{t,m v}m v_{t}+b_{t,f}X_{t}+\varepsilon_{t},$$[207] 因子回测效果 Wind全A股票池 | 因子类型 | 最近一月IC | 近一年IC均值 | 回测期间IC均值 | 最近一月多头超额 | 近一年多头超额 | 回测期间多头超额 | |---------|-----------|-------------|---------------|----------------|---------------|-----------------| | 规模因子 | -12.76% | 1.84% | 4.10% | -1.36% | -2.05% | 10.40% |[42] | Beta因子 | -11.56% | -1.37% | 1.34% | -0.79% | -5.11% | -7.72% |[42] | 波动率因子 | 1.57% | 9.20% | 10.39% | -0.83% | 0.87% | 11.31% |[42] | 价值因子 | -3.19% | 1.10% | 3.85% | -0.82% | -4.72% | 8.22% |[42] | 流动性因子 | -2.73% | 3.14% | 4.43% | -0.09% | 1.80% | 11.42% |[42] | 反转因子 | 4.99% | 8.19% | 5.91% | 0.31% | 1.85% | 1.28% |[42] | 技术因子 | 1.34% | 0.30% | 1.46% | 0.04% | -0.66% | -0.84% |[42] | 盈利因子 | 5.31% | 1.12% | 1.45% | 0.58% | -1.48% | -2.72% |[131] | 成长因子 | 7.72% | 2.09% | 1.12% | 1.29% | 4.33% | 3.03% |[131] | 质量因子 | 2.22% | 0.58% | 2.36% | 0.42% | -0.75% | 2.03% |[131] | 红利因子 | -3.42% | 1.20% | 4.29% | -0.96% | -6.42% | 4.69% |[131] | 一致预期因子 | 1.63% | 6.00% | 2.23% | 0.51% | 4.82% | 12.74% |[131] 沪深300股票池 | 因子类型 | 最近一月IC | 近一年IC均值 | 回测期间IC均值 | 最近一月多头超额 | 近一年多头超额 | 回测期间多头超额 | |---------|-----------|-------------|---------------|----------------|---------------|-----------------| | 规模因子 | -0.12% | -1.55% | 0.61% | -1.08% | -4.83% | 2.09% |[43] | Beta因子 | -22.60% | -1.16% | 4.30% | -1.38% | -5.28% | -0.81% |[43] | 波动率因子 | -0.71% | 3.35% | 5.30% | 0.75% | -1.19% | 3.28% |[43] | 价值因子 | -6.63% | 4.03% | 4.34% | -0.77% | -2.32% | 7.79% |[43] | 流动性因子 | 3.05% | -2.17% | 0.77% | -1.22% | -2.13% | 2.84% |[43] | 反转因子 | 6.99% | 3.87% | 0.27% | 1.66% | 5.36% | -2.19% |[43] | 技术因子 | -9.83% | 1.94% | 0.28% | 0.91% | -0.27% | -0.65% |[43] | 盈利因子 | 15.10% | 2.82% | 0.48% | 4.12% | 8.86% | -0.99% |[132] | 成长因子 | 9.69% | 3.50% | -0.02% | 4.10% | 11.61% | -0.22% |[132] | 质量因子 | 8.02% | 1.50% | 2.42% | 1.67% | 3.18% | 0.35% |[132] | 红利因子 | -16.21% | 2.05% | 6.53% | -1.29% | -1.21% | 9.66% |[132] | 一致预期因子 | 9.56% | 3.07% | -0.44% | 0.91% | 8.60% | 10.70% |[132] 中证500股票池 | 因子类型 | 最近一月IC | 近一年IC均值 | 回测期间IC均值 | 最近一月多头超额 | 近一年多头超额 | 回测期间多头超额 | |---------|-----------|-------------|---------------|----------------|---------------|-----------------| | 规模因子 | -20.02% | -0.91% | 2.07% | -1.86% | -1.50% | 5.69% |[44] | Beta因子 | -18.23% | -1.45% | 4.01% | -1.52% | -6.93% | 1.18% |[44] | 波动率因子 | -0.16% | 5.24% | 7.16% | -0.74% | -0.93% | 4.87% |[44] | 价值因子 | -11.32% | -0.72% | 3.38% | -1.38% | -3.17% | 3.88% |[44] | 流动性因子 | -11.81% | -0.93% | 1.62% | -1.41% | 0.06% | 0.45% |[44] | 反转因子 | 4.73% | 5.10% | 0.70% | 0.43% | -1.19% | -5.97% |[44] | 技术因子 | 3.17% | 0.89% | 0.10% | -0.18% | -2.58% | -1.71% |[44] | 盈利因子 | -5.80% | -0.98% | -0.02% | 0.18% | -1.93% | -8.66% |[133] | 成长因子 | 7.78% | 2.70% | 1.46% | 1.61% | 4.83% | 0.89% |[133] | 质量因子 | -3.48% | -0.04% | 1.99% | 1.06% | 0.52% | 5.31% |[133] | 红利因子 | -14.00% | -1.63% | 4.51% | -1.79% | -5.13% | 6.45% |[133] | 一致预期因子 | -1.21% | 2.56% | -0.21% | -0.49% | -0.05% | -3.47% |[133] 中证1000股票池 | 因子类型 | 最近一月IC | 近一年IC均值 | 回测期间IC均值 | 最近一月多头超额 | 近一年多头超额 | 回测期间多头超额 | |---------|-----------|-------------|---------------|----------------|---------------|-----------------| | 规模因子 | -16.98% | 2.00% | 3.34% | -1.05% | -0.57% | 9.75% |[45] | Beta因子 | -11.47% | -1.13% | 2.55% | -0.09% | -5.05% | -4.19% |[45] | 波动率因子 | 3.33% | 6.67% | 8.51% | -0.25% | -2.35% | 4.22% |[45] | 价值因子 | -5.09% | 0.53% | 3.92% | -1.61% | -5.88% | 6.83% |[45] | 流动性因子 | -2.50% | 1.38% | 2.60% | -0.95% | 0.17% | 8.25% |[45] | 反转因子 | 4.97% | 6.28% | 3.39% | 0.41% | 2.12% | -0.85% |[45] | 技术因子 | 3.58% | 0.37% | 1.22% | -0.53% | -1.60% | 0.97% |[45] | 盈利因子 | 0.15% | 1.02% | 2.41% | -0.38% | -3.33% | 0.52% |[134] | 成长因子 | 8.03% | 4.11% | 1.98% | 1.34% | 8.25% | 6.66% |[134] | 质量因子 | 1.53% | -0.17% | 2.50% | 0.35% | -2.68% | 2.09% |[134] | 红利因子 | -1.28% | -0.85% | 3.12% | -1.48

量化模型与构建方式 1. 社融自下而上预测框架 **模型名称**：社融自下而上预测框架[8][9] **模型构建思路**：从社融各子项的经济逻辑、高频数据、季节性特征等角度出发，分别对各子项进行预测，再汇总得到社融总量预测，以更准确地预测总量和结构信息[8][9] **模型具体构建过程**： - **企业贷款+居民短贷**：以PMI与唐山钢厂产能利用率为自变量，对信贷大月和小月分别进行滚动回归预测[9] - **居民中长贷**：根据商品房销售代理指标与居民中长贷的三阶段特点进行预测[9] - **企业票据融资**：以转贴现利率为外生变量，使用5年窗口的滚动自回归进行预测[9] - **政府债券**：通过将月末新发政府债券计入下月，对政府债券发行到期高频跟踪数据进行口径调整[9] - **企业债券**：使用5年窗口的滚动回归对企业债券子项重新配权，以降低口径差异[9] - **外币贷款**：使用过去3个月均值作为预测[9] - **信托贷款**：通过跟踪集合信托以及单一信托发行到期的披露情况进行近似预测[9] - **委托贷款**：使用过去12个月均值作为预测，部分基建相关增量额外进行判断[9] - **未贴现银行承兑汇票**：使用过去三年同期平均值作近似估计[9] - **非金融企业境内股票融资**：将股权融资（包括IPO、增发、配股、优先股）的月频净融资数据扣除金融企业部分得到预测[9] - **贷款核销**：使用去年同期值作为预测[9] - **存款类金融机构资产支持证券**：信贷ABS净融资高频跟踪[9] 模型的回测效果 1. 社融自下而上预测框架 **2025年8月预测结果**： - 新增社融：26928亿元[9][17] - 同比变化：-0.34万亿元[9][17] - 社融TTM环比：-0.91%[9][17] - 社融存量同比增速：8.88%[9][17] - 新增人民币信贷：9435亿元[17] - 政府债券净融资：13606亿元[17] - 企业债券净融资：984亿元[17] **2025年7月预测结果**： - 新增社融预测值：15316亿元[17] - 实际值：11320亿元[17] - 预测误差：3996亿元[17] **历史预测效果**：自2023年以来各月社融预测结果见研报图2[12][14]

量化模型与构建方式 1. 上涨家数占比情绪指标 - **模型名称**：上涨家数占比情绪指标 - **模型构建思路**：通过计算指数成分股中近期正收益个股的占比来判断市场情绪，正收益股票增多可能预示行情底部，占比过高则可能预示情绪过热[12] - **模型具体构建过程**： 计算沪深300指数N日上涨家数占比： $$沪深300指数N日上涨家数占比 = \frac{沪深300指数成分股过去N日收益大于0的个股数}{总成分股数} \times 100\%$$ 其中N为时间窗口参数[12] - **模型评价**：该指标能较快捕捉上涨机会，但在市场过热阶段可能错失持续上涨收益，且对下跌市场的判断存在缺陷[12] 2. 动量情绪指标 - **模型名称**：动量情绪指标 - **模型构建思路**：通过对上涨家数占比指标进行不同窗口期的平滑处理，捕捉情绪变动趋势，快线高于慢线时看多市场[13][15] - **模型具体构建过程**： 1. 计算沪深300指数N日上涨家数占比（N=230）[13] 2. 分别计算窗口期为N1=50（慢线）和N2=35（快线）的移动平均值[13][15] 3. 当快线 > 慢线时，发出看多信号[15] 3. 均线情绪指标 - **模型名称**：均线情绪指标 - **模型构建思路**：通过计算收盘价与八条均线的位置关系判断市场趋势，价格高于多数均线时看多[19][24] - **模型具体构建过程**： 1. 计算沪深300收盘价的八条均线（参数：8, 13, 21, 34, 55, 89, 144, 233）[19] 2. 统计当日收盘价大于各均线值的数量[24] 3. 当数量超过5时，看多沪深300指数[24] 4. 基金抱团分离度指标 - **因子名称**：基金抱团分离度 - **因子构建思路**：以抱团基金截面收益的标准差作为抱团程度的代理变量，标准差小表示抱团程度高[25] - **因子具体构建过程**： 计算抱团基金组合在截面上的收益标准差[25] 5. PB-ROE-50策略 - **模型名称**：PB-ROE-50策略 - **模型构建思路**：基于PB-ROE定价模型寻找市场预期差，叠加超预期因子增强收益[29] - **模型具体构建过程**： 1. 使用Wilcox（1984）PB-ROE定价模型得到预期差股票池[29] 2. 结合SUE（未预期收益）、ROE同比增长等因子精选50只股票构建组合[29] 6. 机构调研策略 - **模型名称**：公募调研选股策略 - **模型构建思路**：通过上市公司被调研次数及调研前相对基准的涨跌幅选股[37] - **模型名称**：私募调研跟踪策略 - **模型构建思路**：通过知名私募调研数据挖掘超额收益[37] 7. 有息负债率因子 - **因子名称**：有息负债率 - **因子构建思路**：衡量企业有息负债占总资产的比例，识别偿债压力大的公司[42] - **因子具体构建过程**： 提供三种计算口径： - 传统口径：$$传统有息负债率 = \frac{短期借款+长期借款+应付债券}{总资产}$$[42] - 严苛口径：$$严苛有息负债率 = \frac{短期借款+应付利息+交易性金融负债+应付短期债券+租赁负债+长期借款+应付债券+长期应付款}{总资产}$$[42] - 宽松口径：$$宽松有息负债率 = \frac{短期借款+应付利息+交易性金融负债+应付短期债券+租赁负债+长期借款+应付债券+长期应付款+其他流动负债+划分为持有待售的负债+一年内到期的非流动负债}{总资产}$$[42] 8. 财务成本负担率因子 - **因子名称**：财务成本负担率 - **因子构建思路**：以利息费用占息税前利润的比例衡量企业还息压力[46] - **因子具体构建过程**： $$财务成本负担率 = \frac{财务费用：利息费用}{息税前利润}$$[46] 模型的回测效果 1. PB-ROE-50策略 - **中证500股票池**：今年以来超额收益率3.05%，上月超额收益率-0.54%，今年以来绝对收益率26.78%，上月绝对收益率12.52%[33] - **中证800股票池**：今年以来超额收益率15.45%，上月超额收益率5.22%，今年以来绝对收益率34.51%，上月绝对收益率16.86%[33] - **全市场股票池**：今年以来超额收益率18.76%，上月超额收益率7.61%，今年以来绝对收益率43.09%，上月绝对收益率19.17%[33] 2. 机构调研策略 - **公募调研选股策略**：今年以来超额收益率5.61%，上月超额收益率-1.33%，今年以来绝对收益率23.04%，上月绝对收益率9.60%[39] - **私募调研跟踪策略**：今年以来超额收益率12.04%，上月超额收益率-5.05%，今年以来绝对收益率30.53%，上月绝对收益率5.46%[39]

量化模型与构建方式 1. 主动偏股基金高频仓位测算模型 - **模型名称**：主动偏股基金高频仓位测算模型 - **模型构建思路**：基于基金每日净值序列，采用带约束条件的多元回归模型，以基准或其他资产序列作为自变量，估算基金仓位变动趋势和行业配置偏好[67] - **模型具体构建过程**： 1. 以基金每日披露的净值序列作为因变量 2. 选择基准指数或其他资产序列作为自变量组合 3. 采用带约束条件的多元回归模型进行拟合 4. 通过回归系数估算基金的整体仓位水平和行业配置比例 5. 定期更新模型参数以反映最新市场情况 具体计算方式可参考2022年9月18日发布的《国内公募基金费率的发展现状和变化趋势》报告[67] 2. 行业主题基金分类模型 - **模型名称**：行业主题基金分类模型 - **模型构建思路**：基于基金历史持仓信息，构建完整的行业主题和细分赛道标签，区分行业主题基金、行业轮动基金和行业均衡基金[37] - **模型具体构建过程**： 1. 收集基金近四期中报/年报的持仓信息 2. 分析持仓的行业分布特征 3. 根据行业集中度确定基金分类： - 行业主题基金：持仓高度集中于特定行业 - 行业轮动基金：持仓行业随时间显著变化 - 行业均衡基金：持仓行业分布较为均衡 4. 构建行业主题基金指数，作为衡量主题基金风险收益的工具[37] 3. REITs指数构建模型 - **模型名称**：REITs系列指数构建模型 - **模型构建思路**：构建完整的REITs系列指数，包括综合指数、底层资产指数和细分项目指数，提供价格指数和全收益指数两种形式[49] - **模型具体构建过程**： 1. 采用分级靠档方法确保计算指数的份额保持相对稳定 2. 当样本成分名单或调整市值出现非交易因素变动时，采用除数修正法保证指数连续性 3. 构建以下指数类型： - REITs综合指数 - 底层资产指数（产权类REITs指数、特许经营权类REITs指数） - 细分项目指数（生态环保、交通基础设施、园区基础设施、仓储物流、能源基础设施、保障性租赁住房、消费基础设施、市政设施、水利设施、新型基础设施等） 4. 同时提供价格指数和全收益指数，以反映REITs的高分红特性[49] 量化因子与构建方式 1. 多因子ETF投资因子 - **因子名称**：多因子ETF投资因子 - **因子构建思路**：基于多种量化因子构建ETF投资策略，包括现金流、红利、成长、价值、基本面、低波、质量、动量等因子[64] - **因子具体构建过程**： 1. 选择因子类型：现金流、红利、成长、价值、基本面、低波、质量、动量 2. 对每个因子构建相应的ETF产品 3. 定期计算各因子ETF的收益和资金流向 4. 监控各因子ETF的市场表现和资金流动情况[64] 模型的回测效果 1. 主动偏股基金高频仓位测算模型 - 本周主动偏股基金仓位相较上周上升1.94个百分点[67] - 通信、有色金属、电力设备等行业获资金增配[67] - 医药生物、家用电器、机械设备等行业遭资金减持[67] 2. 行业主题基金分类模型 - TMT主题基金本周上涨5.85%[37] - 新能源主题基金本周上涨4.15%[37] - 行业均衡主题基金本周上涨3.52%[37] - 周期主题基金本周上涨3.30%[37] - 行业轮动主题基金本周上涨2.98%[37] - 国防军工主题基金本周上涨1.75%[37] - 消费主题基金本周上涨1.57%[37] - 金融地产主题基金本周下跌0.10%[37] - 医药主题基金本周下跌1.44%[37] 3. REITs指数构建模型 | 指数名称 | 本周收益 | 累计收益 | 年化收益 | 最大回撤 | 夏普比率 | 年化波动 | |---------|---------|---------|---------|---------|---------|---------| | REITs综合指数 | 1.36% | 0.94% | 0.22% | -42.67% | -0.12 | 10.70% | | 产权类REITs指数 | 1.53% | 16.73% | 3.76% | -46.13% | 0.17 | 13.23% | | 特许经营权类REITs指数 | 1.07% | -15.65% | -3.98% | -40.74% | -0.59 | 9.27% | | 生态环保REITs指数 | 0.25% | -8.59% | -2.12% | -55.72% | -0.23 | 15.80% | | 交通基础设施REITs指数 | 1.06% | -26.91% | -7.20% | -41.29% | -0.96 | 9.09% | | 园区基础设施REITs指数 | 1.18% | -8.17% | -2.01% | -52.07% | -0.25 | 14.16% | | 仓储物流REITs指数 | 1.54% | 1.75% | 0.42% | -50.32% | -0.07 | 15.95% | | 能源基础设施REITs指数 | 0.10% | 14.02% | 3.18% | -18.41% | 0.16 | 10.34% | | 保障性租赁住房REITs指数 | 1.92% | 13.28% | 3.02% | -33.34% | 0.12 | 12.61% | | 消费基础设施REITs指数 | 2.16% | 52.16% | 10.53% | -8.32% | 0.82 | 11.04% | | 市政设施REITs指数 | 5.70% | 28.32% | 6.13% | -13.79% | 0.19 | 23.95% | | 水利设施REITs指数 | 3.57% | 28.76% | 6.22% | -13.60% | 0.29 | 16.42% | | 新型基础设施REITs指数 | 1.28% | 5.04% | 1.18% | -2.83% | -1.54% | 20.81% | 因子的回测效果 1. 多因子ETF投资因子 | 因子类型 | 基金数量 | 基金规模(亿元) | 本周净流入(亿元) | 本周回报(%) | 近1月回报(%) | 今年以来回报(%) | |---------|---------|---------------|----------------|-----------|-------------|----------------| | 现金流 | 26 | 191.05 | 17.37 | 1.73 | 5.56 | - | | 红利 | 34 | 1007.63 | 6.71 | -1.18 | 0.23 | 3.78 | | 成长 | 12 | 29.48 | 4.18 | 5.36 | 12.05 | 28.14 | | 价值 | 13 | 32.11 | 1.37 | 0.49 | 4.50 | 10.14 | | 基本面 | 3 | 6.98 | -0.10 | 1.50 | 4.79 | 8.53 | | 低波 | 3 | 7.56 | -0.15 | 1.05 | 5.63 | 10.68 | | 质量 | 3 | 11.20 | -0.29 | 2.51 | 9.68 | 24.53 | | 动量 | 1 | 43.88 | -0.71 | 6.41 | 19.05 | 30.19 |