量化模型与构建方式 1. **模型名称**：理论打新收益率测算模型[1][10] **模型构建思路**：通过假设性条件，测算不同类别和规模的账户在理想情况下参与网下新股申购所能获得的年化收益率[10]。 **模型具体构建过程**： * **核心假设**：账户参与所有新股（主板、科创板、创业板）的网下打新，且报价全部入围（即中签），上市首日以市场均价（首次开板日均价）卖出，忽略锁定期限制[10][45]。 * **资金效率**：在90%的资金使用效率下进行测算[45][48]。 * **账户分类与规模**：分为A类（公募、社保等）和B类（保险、年金等）账户，并分别测试1.5亿、2亿、3亿、5亿、10亿等不同规模下的表现[45][48]。 * **收益计算**：对于每只新股，首先计算账户在该股上的“满中数量”，然后计算“满中收益”[38][41]。 * 满中数量计算公式： $$满中数量 = 可申购上限额度 × 网下A类（或B类）平均中签率$$ * 满中收益计算公式： $$满中收益 = (首次开板价 − 首发价格) × 满中数量$$ * **收益率计算**：将测算周期内（如2025年全年）所有新股的网下打新收益相加，除以账户规模，得到累计打新收益率[10][48]。 2. **模型名称**：近一个月打新收益测算模型[38] **模型构建思路**：测算A类机构对近期上市新股全部顶格申购并打满时，每只股票可获得的绝对收益[38]。 **模型具体构建过程**： * **范围**：针对近一个月内（例如2025年12月1日至12月31日）新上市的股票[38][45]。 * **计算方法**：使用“理论打新收益率测算模型”中相同的“满中数量”和“满中收益”公式进行计算，但此处是针对单只股票，且假设顶格打满（即使用“可申购上限额度”）[38][41]。 * **数据呈现**：列出每只新股的名称、上市日期及计算出的满中收益（单位：万元）[41][44]。 模型的回测效果 1. **理论打新收益率测算模型（A类账户，2025年全年）**[10][48][50] * 2亿规模账户打新收益率：3.80% * 10亿规模账户打新收益率：1.74% * 1.5亿规模账户累计打新收益（所有板块）：4.08% * 2亿规模账户累计打新收益（所有板块）：3.80% * 3亿规模账户累计打新收益（所有板块）：3.20% * 5亿规模账户累计打新收益（所有板块）：2.48% * 10亿规模账户累计打新收益（所有板块）：1.74% 2. **理论打新收益率测算模型（B类账户，2025年全年）**[10][53][54] * 2亿规模账户打新收益率：2.88% * 10亿规模账户打新收益率：1.03% * 1.5亿规模账户累计打新收益（所有板块）：3.12% * 2亿规模账户累计打新收益（所有板块）：2.88% * 3亿规模账户累计打新收益（所有板块）：2.34% * 5亿规模账户累计打新收益（所有板块）：1.69% * 10亿规模账户累计打新收益（所有板块）：1.03% 3. **近一个月打新收益测算模型（A类账户，2025年12月）**[45][47] * 中国铀业(001280.SZ) 满中收益：36.49万元（10亿规模） * 摩尔线程-U(688795.SH) 满中收益：240.43万元（10亿规模） * 百奥赛图(688796.SH) 满中收益：14.67万元（10亿规模） * 昂瑞微-UW(688790.SH) 满中收益：42.24万元（10亿规模） * 沐曦股份-U(688802.SH) 满中收益：246.33万元（10亿规模） * 优迅股份(688807.SH) 满中收益：24.68万元（10亿规模） * 天溯计量(301449.SZ) 满中收益：5.54万元（10亿规模） * 纳百川(301667.SZ) 满中收益：7.86万元（10亿规模） * 锡华科技(603248.SH) 满中收益：4.51万元（10亿规模） * 健信超导(688805.SH) 满中收益：12.53万元（10亿规模） * C双欣(001369.SZ) 满中收益：12.56万元（10亿规模） * C誉帆(001396.SZ) 满中收益：2.35万元（10亿规模） * C强一(688809.SH) 满中收益：40.15万元（10亿规模） * C新广益(301687.SZ) 满中收益：9.93万元（10亿规模） 量化因子与构建方式 1. **因子名称**：新股上市首日涨幅[2][20] **因子构建思路**：通过滚动统计近期上市新股首日的价格涨幅，来观察打新市场的短期盈利效应和热度[2]。 **因子具体构建过程**：选取近期上市的一批新股（例如最近20只），计算每只新股上市首日收盘价（或均价）相对于发行价格的涨幅，然后计算这批新股的平均涨幅[2][20]。报告分别对科创板个股和创业板个股进行了统计。 2. **因子名称**：有效报价账户数[2][21] **因子构建思路**：通过跟踪近期新股网下询价阶段的有效报价账户数量，来反映机构投资者参与打新的积极性和竞争程度[2]。 **因子具体构建过程**：提取最近上市的科创板、创业板、沪市主板、深市主板新股在询价环节最终的有效报价账户数量，并分别统计A类（公募、社保等）和B类（保险、年金等）账户的数量[2][21][26]。 因子的回测效果 1. **新股上市首日涨幅因子（滚动近期20只新股）**[2][20] * 科创板个股上市首日平均涨幅：258.09% * 创业板个股上市首日平均涨幅：231.27% 2. **有效报价账户数因子（最近一只新股）**[2][21][26] * 科创板新股： * A类有效报价账户数量：4687 * B类有效报价账户数量：2065 * 创业板新股： * A类有效报价账户数量：3879 * B类有效报价账户数量：2610 * 沪市主板新股： * A类有效报价账户数量：5200 * B类有效报价账户数量：2944 * 深市主板新股： * A类有效报价账户数量：4683 * B类有效报价账户数量：2918

量化模型与构建方式 1. **模型名称：微盘股/茅指数轮动模型**[2][17][24] * **模型构建思路**：通过比较微盘股与茅指数的相对价值和动量趋势，进行大小盘风格轮动配置[17][24]。 * **模型具体构建过程**： 1. **计算相对净值**：计算微盘股指数与茅指数的相对净值（微盘股指数净值 / 茅指数净值）[17]。 2. **计算年均线**：计算该相对净值的243日移动平均线（年均线）[17]。 3. **计算动量斜率**：分别计算微盘股指数和茅指数过去20日收盘价的斜率[17]。 4. **生成轮动信号**： * 当微盘股/茅指数相对净值 **高于** 其243日均线时，初始倾向投资微盘股；反之则倾向投资茅指数[24]。 * 结合动量斜率进行最终判断：当微盘股与茅指数的20日斜率方向相反，且其中一方为正时，选择投资斜率为正的指数[24]。 2. **模型名称：微盘股择时风控模型**[17][24] * **模型构建思路**：通过监控宏观利率和波动率拥挤度指标，对微盘股投资进行中期风险控制，在风险过高时发出平仓信号[17]。 * **模型具体构建过程**： 1. **计算风险指标**： * 计算十年期国债到期收益率的同比变化率（YoY）[17]。 * 计算微盘股波动率拥挤度的同比变化率（YoY）[17]。 2. **设置风险阈值**：十年期国债利率同比的阈值为30%，波动率拥挤度同比的阈值为55%[17][24]。 3. **生成风控信号**：当 **任一指标** 触及或超过其对应阈值时，模型发出平仓信号[24]。 3. **模型名称：宏观择时模型**[39][40] * **模型构建思路**：基于经济增长和货币流动性等多个宏观维度的信号，综合判断中期权益资产（股票）的推荐配置仓位[39][40]。 * **模型具体构建过程**：模型细节请参阅专题报告。本报告展示了其输出结果：模型分别对经济增长和货币流动性维度给出信号强度（百分比），并综合生成股票仓位建议[39][40]。例如，截至11月30日，经济增长信号强度为50%，货币流动性信号强度为60%，综合推荐的股票仓位为55%[40]。 模型的回测效果 1. **宏观择时模型**，2025年年初至今收益率13.57%[39]，同期Wind全A收益率25.65%[39]，超额收益表现参见图表[42][43]。 2. **微盘股/茅指数轮动模型**，截至2025年12月31日，微盘股对茅指数的相对净值为2.08[17]，高于其243日均线1.81[17]，但微盘股20日斜率0.01%等于茅指数20日斜率0.01%[17]，模型发出轮动至茅指数的信号[2][17]。 3. **微盘股择时风控模型**，截至2025年12月31日，十年期国债利率同比为10.27%[17]，未触及30%阈值；波动率拥挤度同比为-9.22%[17]，未触及55%阈值；因此中期风控信号未触发[2][17]。 量化因子与构建方式 1. **因子名称：一致预期因子**[44][56] * **因子构建思路**：使用分析师一致预期数据，捕捉市场对未来盈利预期的变化[56]。 * **因子具体构建过程**：包含多个细分因子，例如： * `EPS_FTTM_Chg3M`：未来12个月一致预期EPS过去3个月的变化率[58]。 * `ROE_FTTM_Chg3M`：未来12个月一致预期ROE过去3个月的变化率[58]。 * `TargetReturn_180D`：一致预期目标价相对于目前股价的收益率[58]。 2. **因子名称：市值因子**[44][56] * **因子构建思路**：捕捉规模效应，通常小市值股票长期表现可能优于大市值股票[56]。 * **因子具体构建过程**： * `LN_MktCap`：流通市值的自然对数[56]。 3. **因子名称：成长因子**[44][56] * **因子构建思路**：衡量公司的成长性，营收或利润增长更快的公司可能获得溢价[56]。 * **因子具体构建过程**：包含多个细分因子，例如： * `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[58]。 4. **因子名称：反转因子**[44][58] * **因子构建思路**：捕捉股价的均值回复现象，过去一段时间跌幅较大的股票未来可能反弹，涨幅过大的股票可能回调[58]。 * **因子具体构建过程**：包含多个不同时间窗口的收益率，例如： * `Price_Chg20D`：20日收益率[58]。 * `Price_Chg60D`：60日收益率[58]。 * `Price_Chg120D`：120日收益率[58]。 5. **因子名称：质量因子**[44][58] * **因子构建思路**：衡量公司的盈利能力和财务稳健性[58]。 * **因子具体构建过程**：包含多个细分因子，例如： * `ROE_FTTM`：未来12个月一致预期净利润/股东权益均值[58]。 * `GrossMargin_TTM`：过去12个月毛利率[58]。 * `Revenues2Asset_TTM`：过去12个月营业收入/总资产均值[58]。 6. **因子名称：技术因子**[44][58] * **因子构建思路**：基于价量数据，捕捉市场交易行为和技术形态[58]。 * **因子具体构建过程**：包含多个细分因子，例如： * `Volume_Mean_20D_240D`：20日成交量均值/240日成交量均值[58]。 * `Turnover_Mean_20D`：20日换手率均值[58]。 * `Skewness_240D`：240日收益率偏度[58]。 7. **因子名称：价值因子**[44][56] * **因子构建思路**：寻找价格低于其内在价值的股票，常用估值指标衡量[56]。 * **因子具体构建过程**：包含多个细分因子，例如： * `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]。 8. **因子名称：波动率因子**[44][58] * **因子构建思路**：捕捉波动率效应，低波动股票长期风险调整后收益可能更优[58]。 * **因子具体构建过程**：包含多个细分因子，例如： * `Volatility_60D`：60日收益率标准差[58]。 * `IV_CAPM`：CAPM模型残差波动率[58]。 * `IV_FF`：Fama-French三因子模型残差波动率[58]。 9. **因子名称：可转债正股成长因子**[53][54] * **因子构建思路**：从可转债对应的正股出发，使用预测正股成长的因子来构建可转债择券因子[53]。 * **因子具体构建过程**：报告未给出具体公式，但指出其构建逻辑是从预测正股的因子衍生而来[53]。 10. **因子名称：可转债正股财务质量因子**[53][54] * **因子构建思路**：从可转债对应的正股出发，使用衡量正股财务质量的因子来构建可转债择券因子[53]。 * **因子具体构建过程**：报告未给出具体公式，但指出其构建逻辑是从预测正股的因子衍生而来[53]。 11. **因子名称：可转债正股一致预期因子**[54] * **因子构建思路**：从可转债对应的正股出发，使用正股的一致预期因子来构建可转债择券因子[53]。 * **因子具体构建过程**：报告未给出具体公式。 12. **因子名称：可转债正股价值因子**[54] * **因子构建思路**：从可转债对应的正股出发，使用正股的价值因子来构建可转债择券因子[53]。 * **因子具体构建过程**：报告未给出具体公式。 13. **因子名称：可转债估值因子**[53][54] * **因子构建思路**：直接基于可转债自身的估值指标进行择券[53]。 * **因子具体构建过程**：选取了平价底价溢价率作为因子[53]。 因子的回测效果 （以下结果基于“今年以来”时间区间，股票池为“全部A股”，指标为IC均值）[45] 1. **一致预期因子**，IC均值1.97%[45] 2. **市值因子**，IC均值3.25%[45] 3. **成长因子**，IC均值1.54%[45] 4. **反转因子**，IC均值6.56%[45] 5. **质量因子**，IC均值0.52%[45] 6. **技术因子**，IC均值8.84%[45] 7. **价值因子**，IC均值3.99%[45] 8. **波动率因子**，IC均值8.76%[45] （以下结果为上周表现，股票池为“全部A股”，指标为IC均值）[45] 9. **一致预期因子**，IC均值-2.10%[45] 10. **市值因子**，IC均值-1.84%[45] 11. **成长因子**，IC均值2.87%[45] 12. **反转因子**，IC均值7.96%[45] 13. **质量因子**，IC均值5.87%[45] 14. **技术因子**，IC均值19.20%[45] 15. **价值因子**，IC均值5.04%[45] 16. **波动率因子**，IC均值18.68%[45]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：宏观指标趋势分析模型**[10] * **模型构建思路**：通过统计检验方法，判断单个宏观指标的趋势（上行或下行）是否对特定大类资产的未来收益率有显著影响，并据此形成资产配置观点[10]。 * **模型具体构建过程**： 1. 对每个宏观指标，使用历史均线法判断其在每个时点的趋势方向（上行或下行）[11]。 2. 分别统计宏观指标处于上行趋势和下行趋势时，对应大类资产未来1个月的月度收益率序列[10]。 3. 使用T检验判断两个收益率序列的均值是否存在显著差异。T值计算公式如下： $$t={\frac{\overline{{R_{1}}}-\overline{{R_{2}}}}{\sqrt{\frac{(n_{1}-1){S_{1}}^{2}+(n_{2}-1){S_{2}}^{2}}{n_{1}+n_{2}-2}}({\frac{1}{n_{1}}}+{\frac{1}{n_{2}}})}}\sim t_{n_{1}+n_{2}-2}$$ 其中，$\overline{R_1}$、$\overline{R_2}$ 分别代表宏观指标在上行和下行情况下，某大类资产的平均月度收益率；$S_1$、$S_2$ 代表对应情况下的月度收益率标准差；$n_1$、$n_2$ 分别代表宏观指标处于上行或下行的月份数量[10]。 4. 若t值显著，则认为该宏观指标趋势对该资产收益率有显著影响。根据指标最新趋势方向，给出“利多”（得分+1）或“利空”（得分-1）的观点[15]。 2. **模型名称：技术分析趋势判断模型**[16] * **模型构建思路**：根据不同大类资产的价格特性，构建差异化的趋势指标，以判断资产价格的短期趋势方向[16]。 * **模型具体构建过程**：针对不同资产类别采用不同的计算方法： * **权益资产**：趋势指标 = (历史2个月LLT平均月度涨跌幅) - (历史(T-12至T-2)个月LLT平均月度涨跌幅)。若结果为正，则趋势向上，得分+1；反之则趋势向下，得分-1[16][21]。 * **债券资产**：趋势指标 = (历史2个月收盘价平均月度涨跌幅) - (历史(T-12至T-2)个月收盘价平均月度涨跌幅)。若结果为正，则趋势向上，得分+1；反之则趋势向下，得分-1[16][21]。 * **黄金资产**：趋势指标 = 历史6个月收盘价平均月度涨跌幅。若结果为正，则趋势向上，得分+1；反之则趋势向下，得分-1[16][21]。 * **工业品资产**：趋势指标 = 历史2个月收盘价平均月度涨跌幅。若结果为正，则趋势向上，得分+1；反之则趋势向下，得分-1[16][21]。 3. **模型名称：权益资产估值指标模型**[21] * **模型构建思路**：使用股权风险溢价（ERP）的历史分位数来衡量权益资产的估值水平，分位数越高代表估值越低，越具投资价值[21]。 * **模型具体构建过程**： 1. 计算中证800指数的股权风险溢价（ERP）：ERP = 1 / PE(TTM) - 10年期国债到期收益率[21]。 2. 计算当前ERP在历史5年（滚动窗口）中的分位数： 分位数 = (当前ERP值 - 历史5年ERP最低值) / (历史5年ERP最高值 - 历史5年ERP最低值)[21]。 3. 根据分位数区间给出估值得分：分位数 > 90%得+2分；70%-90%得+1分；30%-70%得0分；10%-30%得-1分；<10%得-2分[22]。 4. **模型名称：权益资产资金流指标模型**[27] * **模型构建思路**：通过计算指数月度主动净流入额的短期变化，来判断资金流向是处于流入还是流出状态[27]。 * **模型具体构建过程**： 1. 获取中证800指数的月度主动净流入额数据[27]。 2. 计算资金流指标：资金流指标 = (历史1个月主动净流入额) - (历史6个月平均月度主动净流入额)[27]。 3. 若该指标值为正，则认为处于资金流入状态，得分+1；若为负，则为资金流出状态，得分-1[27]。 5. **模型名称：固定比例+宏观指标+技术指标配置模型**[35] * **模型构建思路**：在固定比例（基准）资产配置的基础上，根据宏观指标和技术指标产生的月度信号，动态调整各类资产的配置权重[35]。 * **模型具体构建过程**： 1. 选定7类基础资产（权益、债券、黄金、工业品、货币等）并设定固定的基准配置权重[35][37]。 2. 每月末，汇总各资产的宏观指标得分和技术指标得分，得到总得分[34]。 3. 根据总得分方向（正或负），对非货币资产在基准权重上进行一定比例（如5%）的权重增减调整，并相应反向调整货币资产的配置比例，以保持总权重为100%[35]。 6. **模型名称：经典资产配置模型+宏观指标+技术指标**[43] * **模型构建思路**：以控制波动率模型或风险平价模型生成的权重作为基准组合，再叠加宏观与技术信号进行权重调整，并在换手率和权重上限方面施加约束以提高可行性[43]。 * **模型具体构建过程**： 1. 选择与固定比例模型相同的7类基础资产[43]。 2. 构建两个经典配置基准组合： * **控制波动率组合**：以控制年化波动率不超过6%为目标优化权重[43]。 * **风险平价组合**：以风险贡献度均衡为目标优化权重[43]。 3. 每月末，根据宏观与技术指标的总得分，对非货币资产的基准权重进行动态调整，并相应调整货币资产权重[43]。 4. 施加约束条件：权益资产总权重不超过30%，商品资产总权重不超过20%；单一资产月度换手率不超过20%，总月度换手率不超过30%[43]。 量化因子与构建方式 1. **因子名称：宏观指标趋势因子**[10] * **因子构建思路**：将宏观指标的历史均线方向（上行/下行）转化为对特定资产的看多（+1）或看空（-1）信号[10][15]。 * **因子具体构建过程**：对于每个宏观指标-资产对，根据T检验结果，若指标趋势对资产收益影响显著，则当最新均线方向为上行时，因子取值为+1（利多），下行时取值为-1（利空）；若不显著，则可能不产生信号或取值为0[10][15]。 2. **因子名称：资产价格趋势因子**[16] * **因子构建思路**：通过计算特定资产价格（或LLT指标）的短期与长期平均涨跌幅之差，或直接使用短期平均涨跌幅，来判断价格趋势方向[16]。 * **因子具体构建过程**：如模型部分所述，针对四类资产（权益、债券、黄金、工业品）分别计算其特定的趋势指标值。根据该值的正负，因子取值为+1（趋势向上）或-1（趋势向下）[16][21]。 3. **因子名称：股权风险溢价（ERP）分位数因子**[21] * **因子构建思路**：将权益资产的估值水平（ERP历史分位数）转化为多档得分因子，用于评估其估值吸引力[21][22]。 * **因子具体构建过程**：计算当前ERP的5年历史分位数，并根据预设阈值映射为离散得分：分位数>90%得+2，70%-90%得+1，30%-70%得0，10%-30%得-1，<10%得-2[21][22]。 4. **因子名称：资金流变化因子**[27] * **因子构建思路**：通过比较近期与中期资金净流入的差异，捕捉资金流向的边际变化，作为市场情绪的代理指标[27]。 * **因子具体构建过程**：计算“历史1个月主动净流入额”与“历史6个月平均月度主动净流入额”的差值。若差值为正，因子取值为+1（资金流入）；若为负，取值为-1（资金流出）[27]。 模型的回测效果 （数据区间：2006年4月 至 2025年12月31日） 1. **固定比例+宏观指标组合**，年化收益率9.46%，最大回撤11.30%，年化波动率6.03%[40] 2. **固定比例+技术指标组合**，年化收益率8.29%，最大回撤12.65%，年化波动率6.17%[40] 3. **固定比例+宏观指标+技术指标组合**，年化收益率10.22%，最大回撤9.34%，年化波动率6.24%[40] 4. **固定比例基准组合**，年化收益率6.43%，最大回撤18.63%，年化波动率5.84%[40] 5. **控制年化波动率6%+宏观指标+技术指标组合**，年化收益率9.10%，最大回撤5.06%，年化波动率4.94%[47] 6. **风险平价+宏观指标+技术指标组合**，年化收益率8.28%，最大回撤4.47%，年化波动率3.40%[47] 因子的回测效果 （注：报告中未提供单个因子的独立回测绩效指标，如IC、IR等。因子效果体现在其集成到配置模型后，模型整体表现的提升上。）

量化模型与构建方式 1. Barra机器学习因子模型 * **模型名称**：Barra MLP因子模型[30] * **模型构建思路**：突破传统线性多因子模型的限制，利用多层感知机（MLP）强大的非线性拟合能力，深度挖掘Barra风格因子与个股未来残差收益之间复杂、非线性的映射关系，以捕捉线性模型无法触及的高阶Alpha信息[30][31]。 * **模型具体构建过程**： 1. **长期风险模型构建与残差收益剥离**：以Barra CNE6框架为蓝本，构建包含1个国家因子、31个一级行业因子和15个长期风格因子的风险模型[36]。通过横截面回归将个股收益分解为共同因子解释部分和特质收益部分，回归残差即为剔除了市场、行业及主流风格影响后的特质收益，作为机器学习模型的预测目标[40]。 2. **机器学习模型滚动训练**：特征集为15个长期风格因子的当期暴露度，标签为下一期的个股残差收益率[41]。采用多周期滚动训练，窗口长度分别为72个月、36个月和24个月，每月月末利用最新数据对三个模型进行全量参数更新[41]。 3. **多周期预测信号合成**：每月末，三个独立训练的MLP模型分别输出预测值。对三个预测向量分别进行截面Z-Score标准化，然后采用等权平均或基于历史IC的加权平均，合成单一的初步机器学习因子[42][43]。 4. **因子正交化处理**：将合成因子作为因变量，对15个长期风格因子进行横截面回归，提取回归残差。此步骤确保新因子与现有Barra风格因子体系保持正交，提供纯粹的增量信息[44]。 5. **纯因子收益率计算与检验**：将正交化后的机器学习因子纳入增强的Barra风险模型（包含国家、行业、长期及短期风格因子）进行横截面回归，其回归系数即为“纯因子收益率”，用于量化该因子的实际贡献[45]。 2. mHC-MLP改进模型 * **模型名称**：mHC-MLP模型（流形约束超连接多层感知机）[4] * **模型构建思路**：针对金融数据低信噪比、非平稳的特性，在传统MLP基础上引入流形约束超连接（mHC）结构，从模型拓扑与几何约束两方面提升数值稳定性与抗外推能力，以抑制对噪声的过拟合，获得更稳健的因子信号[1][13]。 * **模型具体构建过程**： 1. **核心架构替换**：在Barra机器学习因子构建流程中，将步骤3.2的核心计算模块（传统MLP）替换为mHC架构，保持输入特征、目标变量及训练框架完全一致[48]。 2. **动态路由机制**：mHC层将单一特征流扩展为n个并行的子流（Sub-streams）。设输入特征维度为C，扩展率为n，则每一层l的状态更新公式为： $$X_{l+1} = H_{res} * X_l + H_{post}^T * F(H_{pre} * X_l, W_l)$$ 其中，`H_res`为残差连接矩阵，负责在n个子流间进行线性信息交换；`H_pre`为扇入映射，将n个子流信息压缩聚合；`F`为标准MLP块（Linear -> ReLU -> Linear），负责非线性特征提取；`H_post`为扇出映射，将提取的特征广播回n个子流[49][50]。 3. **流形约束**：对残差连接矩阵`H_res`施加双随机矩阵（Doubly Stochastic Matrix）约束，即要求矩阵元素非负，且每一行和与每一列和均为1[22][53]。此约束通过Sinkhorn-Knopp迭代算法在训练过程中实时投影实现[23][54]。该约束限制了矩阵的谱范数（≤1），保证了信号传播的非扩张性，提升了数值稳定性[23][55]。 4. **非负映射**：要求扇入映射`H_pre`和扇出映射`H_post`的参数保持非负，通常使用Sigmoid函数映射到(0,1)区间，确保特征聚合是基于“加权累加”而非“差分抵消”，使输出位于输入凸包内，抑制过度外推[24]。 5. **参数初始化与深度堆叠**：采用冷启动策略，将门控因子α初始化为0.01，使网络初期接近恒等映射[25][26]。得益于流形约束带来的稳定性，网络深度可从传统Barra MLP的3层扩展至6层，以学习更高阶的因子交互关系[56][57]。 * **模型评价**：mHC结构有效抑制了因子输出的尖峰-肥尾特性，使分布更接近正态，并表现出更高的长期稳定性[2]。其平滑与守恒特性有助于降低换手率、提升稳健性，但在由短期资金面博弈驱动的行情中，可能弱化对瞬时套利信号的响应，表现可能落后于更激进的无约束模型[2][75]。 模型的回测效果 1. **Barra MLP因子模型**，纯因子累计收益率超过15%[46]，t统计量达到2.8[46]，IC_IR指标为0.45[46]。 2. **mHC-MLP改进模型**，纯因子累计收益率为49%[75]（对比基准Barra MLP的56%[75]）。 量化因子与构建方式 1. Barra长期风格因子集 * **因子名称**：Size（规模）、Beta（贝塔）、Momentum（动量）、Residual Volatility（残差波动）、Non-linear Size（非线性规模）、Value（估值）、Growth（成长）、Liquidity（流动性）、Leverage（杠杆）、DivYild（股息率）、Profit（盈利）、EarnVar（盈利波动）、InvSqlty（投资质量）、EarnQlty（盈利质量）、LTRevrsl（长期反转）[38][40]。 * **因子构建思路**：涵盖市值、风险、动量、估值、成长性、流动性、财务质量等多个核心维度，用于构建长期风险模型并解释股票收益[36][40]。 * **因子具体构建过程**：作为Barra CNE6风险模型的标准组成部分，具体构建方法遵循MSCI Barra的规范[36][40]。 因子的回测效果 *注：报告未提供Barra单个长期风格因子的独立测试结果取值。*

量化模型与构建方式 1. 模型名称：万得可转债双低指数；模型构建思路：基于可转债价格和转股溢价率两个维度，构建“双低”策略，旨在筛选出价格相对较低且估值（溢价率）相对较低的个券，以平衡风险与收益[27]。模型具体构建过程：报告未详细说明该指数的具体构建规则和选样方法，仅提及其为一种策略指数。通常，“双低”策略的构建会计算每个可转债的“双低值”，例如：双低值 = 转债价格 + 转股溢价率 * 系数，然后选取双低值最小的若干只个券构成组合。报告未提供具体公式。 2. 模型名称：万得可转债高价低溢价率指数；模型构建思路：聚焦于价格较高但转股溢价率较低的可转债，这类转债通常股性较强，与正股联动更紧密，旨在捕捉正股上涨带来的弹性[27]。模型具体构建过程：报告未详细说明该指数的具体构建规则和选样方法，仅提及其为一种策略指数。通常，此类策略会设定价格和溢价率的筛选门槛，例如选取价格高于某一阈值且溢价率低于某一阈值的个券。 模型的回测效果 1. 万得可转债双低指数，近一年累计涨跌幅约25%[27] 2. 万得可转债高价低溢价率指数，近一年累计涨跌幅约35%[27] 量化因子与构建方式 1. 因子名称：转股溢价率；因子构建思路：衡量可转债价格相对于其转换价值的溢价程度，是评估可转债估值高低和股性强弱的核心指标[18][33]。因子具体构建过程：计算可转债收盘价与其转股价值之间的差额占转股价值的百分比。具体公式为： $$转股溢价率 = \frac{可转债收盘价 - 转股价值}{转股价值}$$ 其中，转股价值计算公式为： $$转股价值 = \frac{100}{转股价格} \times 正股收盘价$$ 公式中，转股价格为可转债发行时约定的将债券转换为股票的价格[18]。 2. 因子名称：转债价格；因子构建思路：直接反映可转债的市场交易价格，是判断其债底保护强度和上涨空间的基础因子[33]。因子具体构建过程：直接采用可转债在二级市场的收盘价。 3. 因子名称：信用评级；因子构建思路：根据发行主体的信用状况对可转债进行评级划分，反映其违约风险，不同评级的转债可能表现出不同的风险收益特征[21]。因子具体构建过程：采用外部评级机构（如中诚信、联合资信等）给出的可转债信用评级，报告中展示了AAA、AA+、AA、AA-及以下等不同评级分类[22]。 4. 因子名称：规模；因子构建思路：根据可转债的发行或剩余规模进行分类，不同规模的转债在流动性、波动性和市场关注度上可能存在差异[25]。因子具体构建过程：报告未明确说明具体规模划分标准，但展示了基于规模分类的指数（大盘、中盘、小盘）[25]。 因子的回测效果 1. 信用评级因子，近一年累计涨跌幅：AAA级指数约5%，AA+级指数约15%，AA级指数约25%，AA-及以下指数约30%[22] 2. 转债价格因子，近一年累计涨跌幅：低价指数约-5%，中价指数约15%，高价指数约30%[24] 3. 规模因子，近一年累计涨跌幅：大盘指数约15%，中盘指数约25%，小盘指数约30%[25] 4. 转股溢价率因子，报告未提供基于该因子分组的指数历史表现数据。

量化模型与构建方式 1. **模型名称：券商金股组合（全部金股、新进金股、重复金股）**[2][13] * **模型构建思路**：基于全市场多家券商每月发布的“十大金股”推荐，构建投资组合以捕捉分析师集体智慧[12]。 * **模型具体构建过程**： 1. **样本选择**：每月初，汇总全市场42家券商发布的月度金股推荐列表[13]。 2. **数据清洗**：对推荐股票进行去重处理，得到当月全体金股池[13]。根据股票是否在上月金股池中出现，将全体金股进一步划分为“新进金股”和“重复金股”两类[13]。 3. **组合构建**：分别构建“全部金股”、“新进金股”、“重复金股”三个组合。组合内个股的权重根据其获得的券商推荐次数进行加权确定[18]。 4. **调仓规则**：每月初按上述规则重新构建组合，并假设在月初以开盘价进行调仓。 2. **模型名称：开源金工优选金股组合**[24] * **模型构建思路**：在“新进金股”这一收益表现更优的样本池中[24]，引入业绩超预期因子（SUE因子）进行进一步筛选，以构建表现更优的精选组合[24]。 * **模型具体构建过程**： 1. **基础样本池**：选择每月“新进金股”作为基础股票池[24]。 2. **因子筛选**：在基础股票池中，计算每只股票的业绩超预期因子（SUE因子）值[24]。 3. **选股**：根据SUE因子值进行排序，选取排名前30的股票构成优选组合[24]。 4. **权重设置**：组合内个股的权重根据其获得的券商推荐次数进行加权确定[24]。 5. **调仓规则**：每月初按上述规则重新构建组合。 量化因子与构建方式 1. **因子名称：业绩超预期因子（SUE因子）**[24] * **因子构建思路**：该因子用于衡量公司最新公布的财务业绩相对于市场此前普遍预期的偏离程度，通常认为业绩超预期的股票未来有更好的表现[24]。 * **因子具体构建过程**：报告未提供SUE因子的具体计算公式和构建细节，仅提及该因子在新进金股组合中具有优异的选股能力[24]。 模型的回测效果 （数据区间：年化指标为2017年1月1日至2025年12月31日[21][27]；月度及年度收益为指定期间） 1. **全部金股组合**：12月收益率5.3%[4][21]，2025年收益率41.3%[4][21]，年化收益率13.9%[4][21]，年化波动率23.4%[21]，收益波动比0.59[21]，最大回撤42.6%[21] 2. **新进金股组合**：12月收益率3.6%[4][21]，2025年收益率44.6%[4][21]，年化收益率16.4%[21]，年化波动率23.9%[21]，收益波动比0.69[21]，最大回撤38.5%[21] 3. **重复金股组合**：12月收益率6.4%[4][21]，2025年收益率38.6%[4][21]，年化收益率11.6%[21]，年化波动率23.6%[21]，收益波动比0.49[21]，最大回撤45.0%[21] 4. **开源金工优选金股组合**：12月收益率5.8%[5][24][27]，2025年收益率52.3%[5][24][27]，2025年相对中证500超额收益率+21.9%[5][24]，年化收益率23.1%[5][24][27]，年化波动率25.2%[27]，收益波动比0.92[27]，最大回撤24.6%[27]

量化模型与构建方式 1. **模型名称：券商金股业绩增强组合**[38][42] * **模型构建思路**：以券商金股股票池为选股空间和约束基准，通过多因子模型进行优选，旨在获得稳定战胜偏股混合型基金指数的表现[12][42]。 * **模型具体构建过程**： 1. **选股空间与基准**：模型以每月汇总的券商金股股票池作为初始选股空间和约束基准[42]。 2. **行业配置基准**：以全体公募基金的行业分布作为行业配置基准[42]。 3. **组合优化**：采用组合优化的方式，在券商金股股票池内进行选股，同时控制组合与券商金股股票池在个股、风格上的偏离[42]。 4. **仓位调整**：为了与偏股混合型基金指数进行公允比较，在计算组合收益时，以每次调仓时点所能获取的主动股基最近一个报告期的权益仓位中位数作为组合的仓位[18][38]。 * **模型评价**：该模型旨在挖掘券商金股股票池中的Alpha潜力，并利用其能较好跟踪公募基金整体表现的特征进行增强[12][42]。 2. **模型名称：券商金股指数**[18] * **模型构建思路**：将每月券商推荐的金股汇总，构建一个表征卖方分析师推荐股票池整体表现的指数，用于跟踪和比较[18]。 * **模型具体构建过程**： 1. **股票池构建**：每月初汇总各券商推荐的金股[18]。 2. **加权方式**：根据股票被券商推荐的家数进行加权[18]。 3. **调仓规则**：于每月第一天收盘价进行调仓[18]。 4. **仓位调整**：在计算指数收益时，以每次调仓时点所能获取的主动股基最近一个报告期的权益仓位中位数作为指数仓位，以更公允地与偏股混合型基金指数比较[18]。 模型的回测效果 1. **券商金股业绩增强组合**[41][43][46] * **本月（20251201-20251231）绝对收益**：5.24%[41] * **本月相对偏股混合型基金指数超额收益**：2.18%[41] * **本年（20250102-20251231）绝对收益**：40.66%[41] * **本年相对偏股混合型基金指数超额收益**：7.47%[41] * **本年（截至20251231）在主动股基中排名分位点**：32.60%（1131/3469）[41] * **全样本（2018.1.2-2025.12.31）年化收益**：21.71%（考虑仓位及交易费用）[43] * **全样本年化超额收益（相对偏股混合型基金指数）**：14.18%[43] 2. **券商金股指数**[21] * **本月（20251201-20251231）收益**：4.88%[21] * **本年（20250102-20251231）收益**：31.29%[21] 量化因子与构建方式 1. **因子名称：单季度ROE**[3][28] * **因子评价**：最近一个月及今年以来在券商金股股票池中表现较好[3][28]。 2. **因子名称：分析师净上调幅度**[3][28] * **因子评价**：最近一个月在券商金股股票池中表现较好[3][28]。 3. **因子名称：经营性现金净流量**[3][28] * **因子评价**：最近一个月在券商金股股票池中表现较好[3][28]。 4. **因子名称：波动率**[3][28] * **因子评价**：最近一个月及今年以来在券商金股股票池中表现较差[3][28]。 5. **因子名称：单季度营收增速**[3][28] * **因子评价**：最近一个月表现较差，但今年以来表现较好[3][28]。 6. **因子名称：日内收益率**[3][28] * **因子评价**：最近一个月在券商金股股票池中表现较差[3][28]。 7. **因子名称：总市值**[3][28] * **因子评价**：今年以来在券商金股股票池中表现较好[3][28]。 8. **因子名称：EPTTM**[3][28] * **因子评价**：今年以来在券商金股股票池中表现较差[3][28]。 9. **因子名称：预期股息率**[3][28] * **因子评价**：今年以来在券商金股股票池中表现较差[3][28]。 10. **复合因子/筛选视角：买方关注度（低）**[4][35] * **构建思路**：筛选出尚未被任何主动股基持有为前十大重仓股的券商金股，这类股票在公募基金经理群体中的关注度可能较低，被推荐后关注度提升潜力大[4][35]。 * **具体构建过程**：获取本月券商金股股票池中，尚未被任何一只主动股基在最近一个季报中持有为前十大重仓股的样本[35]。 11. **复合因子/筛选视角：卖方关注度（低）**[4][36] * **构建思路**：筛选出近12个月首次被推荐为金股的股票，这类股票在券商分析师群体中前期关注度相对较少[4][36]。 * **具体构建过程**：识别本月金股中，属于近12个月以来首次出现在券商金股股票池中的样本[36]。 因子的回测效果 （报告中未提供具体因子的指标数值，仅提供了定性表现排序）[3][28]

量化模型与构建方式 **本报告为基金市场周报，主要回顾市场表现、基金业绩及行业动态，未涉及具体的量化模型或量化因子的构建思路、过程及公式。** [1][2][3][4][6][9][10][11][12][13][14][15][22][24][25][26][29][30][32][33][35][38][44][46][47][48][49][50][51][52][53][54][55][56][57][58] 模型的回测效果 **本报告未涉及具体量化模型的回测效果指标。** [1][2][3][4][6][9][10][11][12][13][14][15][22][24][25][26][29][30][32][33][35][38][44][46][47][48][49][50][51][52][53][54][55][56][57][58] 量化因子与构建方式 **本报告未涉及具体量化因子的构建思路、过程及公式。** [1][2][3][4][6][9][10][11][12][13][14][15][22][24][25][26][29][30][32][33][35][38][44][46][47][48][49][50][51][52][53][54][55][56][57][58] 因子的回测效果 **本报告未涉及具体量化因子的回测效果指标。** [1][2][3][4][6][9][10][11][12][13][14][15][22][24][25][26][29][30][32][33][35][38][44][46][47][48][49][50][51][52][53][54][55][56][57][58]

量化模型与构建方式 本报告为市场数据跟踪报告，未涉及具体的量化交易模型或选股因子的构建与测试。报告主要对宽基指数的各类市场指标进行统计、计算和展示，这些指标可被视为用于描述市场状态或进行指数间比较的“特征”或“指标因子”。以下总结报告中所涉及的全部指标因子及其构建方式。 1. **因子名称**：连阴连阳计数[13] **因子的构建思路**：统计指数K线连续为阴线或阳线的天数，用于观察市场的连续上涨或下跌趋势[13]。 **因子具体构建过程**：从当前交易日开始向前追溯，计算连续收盘价上涨（阳线）或下跌（阴线）的天数。计数从1开始，正数表示连阳天数，负数表示连阴天数[13]。 2. **因子名称**：指数与均线比较[16][17] **因子的构建思路**：计算指数收盘价相对于不同周期移动平均线（MA）的偏离百分比，用于判断指数短期与长期的相对位置及支撑压力情况[16]。 **因子具体构建过程**：分别计算指数收盘价相对于5日、10日、20日、60日、120日、250日移动平均线的百分比偏离。公式为： $$偏离百分比 = \frac{收盘价 - 移动平均线}{移动平均线} \times 100\%$$ 例如，“vsMA5”即代表收盘价相对于5日均线的偏离百分比[17]。 3. **因子名称**：指数与近期高低位比较[16][17] **因子的构建思路**：计算指数收盘价相对于过去一定窗口期内最高价和最低价的偏离百分比，用于衡量指数处于近期波动区间中的相对位置[16]。 **因子具体构建过程**：选取近250个交易日，找出期间的最高价（近250日高位）和最低价（近250日低位）。分别计算收盘价相对于这两个价格的百分比偏离[17]。公式为： $$vs近250日高位 = \frac{收盘价 - 近250日高位}{近250日高位} \times 100\%$$ $$vs近250日低位 = \frac{收盘价 - 近250日低位}{近250日低位} \times 100\%$$ 4. **因子名称**：交易金额占比[19] **因子的构建思路**：计算单一宽基指数成交额占全市场（以中证全指代表）成交额的比例，用于观察资金在不同板块或风格间的流向[19]。 **因子具体构建过程**：对于特定指数，计算其所有成分股在当日的总成交金额，然后除以中证全指所有成分股在当日的总成交金额[19]。公式为： $$交易金额占比 = \frac{指数成分股当日总成交金额}{中证全指成分股当日总成交金额} \times 100\%$$ 5. **因子名称**：指数换手率[19] **因子的构建思路**：计算指数整体的换手率，反映该指数所代表板块的交易活跃度[19]。 **因子具体构建过程**：采用流通股本加权平均的方式计算。公式为： $$指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$$ 其中，成分股换手率通常为当日成交股数与其流通股本之比[19]。 6. **因子名称**：收益率分布峰度与偏度[25][27] **因子的构建思路**：计算指数日收益率分布的峰度和偏度，用于描述收益率分布的尖峭程度和对称性，反映收益的集中情况和极端收益出现的偏向[25]。 **因子具体构建过程**：基于指数在过去一段时间（如近一年或近五年）的日收益率序列，计算其高阶矩统计量。报告中使用的峰度为超额峰度（Excess Kurtosis），即在计算出的峰度值基础上减去正态分布的峰度值3[27]。偏度计算则衡量分布的不对称性。 7. **因子名称**：风险溢价[29][33] **因子的构建思路**：计算股票指数预期收益率超过无风险利率的部分，作为投资者承担市场风险所要求的额外回报，用于衡量市场的相对投资价值[29]。 **因子具体构建过程**：以指数的市盈率倒数（1/PE-TTM）作为其预期收益率的近似，减去十年期国债即期收益率作为无风险利率，得到风险溢价[33][48]。报告中也计算了该风险溢价在近1年、近5年历史数据中的分位值，以及相对于其历史均值加减标准差带的偏离情况[33]。 8. **因子名称**：PE-TTM分位值[44][45] **因子的构建思路**：计算指数当前市盈率（TTM）在其自身历史序列中所处的位置，用于判断当前估值水平的高低[44]。 **因子具体构建过程**：首先获取指数在过去一段时间（如近5年）每个交易日的PE-TTM序列。然后将当前PE-TTM值与该历史序列进行比较，计算其百分位排名，即分位值[45]。例如，97.6%的分位值表示当前估值比近5年中97.6%的时间都要高。 9. **因子名称**：股债性价比[48] **因子的构建思路**：通过比较股票收益率（市盈率倒数）与债券收益率（十年期国债利率）的差值，为资产配置提供参考[48]。 **因子具体构建过程**：计算公式与风险溢价相同，即： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 报告通过观察该值是否突破其历史分位值（如80%分位的“机会值”和20%分位的“危险值”）来进行判断[48]。 10. **因子名称**：股息率[50][55] **因子的构建思路**：计算指数的现金分红回报率，是红利投资风格的核心指标，尤其在市场低迷或利率下行期受到关注[50]。 **因子具体构建过程**：指数股息率通常为其成分股过去12个月现金分红总额与指数总市值的比率。报告同样展示了当前股息率及其在近1年、近5年历史中的分位值[55]。 11. **因子名称**：破净率[56][59] **因子的构建思路**：计算指数中市净率（PB）小于1的个股数量占比，反映市场整体或特定板块的估值低迷程度[56]。 **因子具体构建过程**：对于特定指数，统计其所有成分股中，满足“股价 < 每股净资产”（即PB<1）条件的个股数量，再将该数量除以指数成分股总数，得到破净率[59]。破净率越高，表明市场整体估值越低。 因子的回测效果 本报告未对上述因子进行预测能力或选股有效性的量化回测。报告主要呈现了这些因子在特定截止日期（2025年12月31日）对于不同宽基指数的截面取值或历史统计值，属于描述性统计分析，而非因子回测结果。

根据提供的研报内容，该报告主要是一份市场周报，总结了基金市场动态、各类基金表现和市场数据。报告本身**并未详细阐述任何具体的量化模型或量化因子的构建过程、公式或测试结果**。报告内容侧重于市场回顾、基金业绩统计和产品发行情况。 因此，根据任务要求，报告中**没有**需要总结的量化模型或量化因子内容。 量化模型与构建方式 （无相关内容） 模型的回测效果 （无相关内容） 量化因子与构建方式 （无相关内容） 因子的回测效果 （无相关内容）