量化模型与因子总结 量化因子与构建方式 1. **因子名称**：价格区间因子[2][3] * **因子构建思路**：衡量股票在日内不同价格区间成交的活跃程度，以体现投资者对未来走势的预期[3] * **因子具体构建过程**：该因子由三个细分因子按特定权重合成[33][36] 1. **高价格80%区间成交量因子 (VH80TAW)**：计算股票在日内高价格（前80%）区间的总成交量，该因子值与未来收益呈负相关[33] 2. **高价格80%区间成交笔数因子 (MIH80TAW)**：计算股票在日内高价格（前80%）区间的总成交笔数，该因子值与未来收益呈负相关[33] 3. **低价格10%区间每笔成交量因子 (VPML10TAW)**：计算股票在日内低价格（后10%）区间的平均每笔成交量，该因子值与未来收益呈正相关[33] 4. **合成**：将上述三个细分因子按权重（VH80TAW: 25%， MIH80TAW: 25%， VPML10TAW: 50%）进行合成[36] 5. **中性化处理**：对合成后的因子进行行业和市值中性化处理，得到最终的价格区间因子[32][36] 2. **因子名称**：量价背离因子[2][3] * **因子构建思路**：衡量股票价格与成交量的相关性，相关性越低，未来上涨的可能性越高[3] * **因子具体构建过程**：该因子由两个衡量价格与成交量相关性的细分因子等权合成[40] 1. **价格与成交笔数相关性因子 (CorrPM)**：计算高频快照数据中价格与成交笔数的相关性[40] 2. **价格与成交量相关性因子 (CorrPV)**：计算高频快照数据中价格与成交量的相关性[40] 3. **合成**：对上述两个细分因子进行等权合成[40][42] 4. **中性化处理**：对合成后的因子进行行业和市值中性化处理，得到最终的量价背离因子[32][42] 3. **因子名称**：遗憾规避因子[2][3] * **因子构建思路**：基于行为金融学的遗憾规避理论，考察投资者卖出股票后股价反弹的比例和程度，以捕捉情绪对预期收益的影响[3][46] * **因子具体构建过程**：该因子由两个细分因子等权合成[46][51] 1. **卖出反弹占比因子 (LCVOLESW)**：利用逐笔成交数据区分主动卖单，计算卖出后股价反弹的交易占比[46] 2. **卖出反弹偏离因子 (LCPESW)**：利用逐笔成交数据区分主动卖单，计算卖出后股价反弹的偏离程度[46] 3. **合成**：对上述两个细分因子进行等权合成[51] 4. **中性化处理**：对合成后的因子进行行业和市值中性化处理，得到最终的遗憾规避因子[32][51] 4. **因子名称**：斜率凸性因子[2][3] * **因子构建思路**：从投资者耐心与供求关系弹性的角度出发，利用限价订单簿数据刻画委托量和委托价的关系（斜率和凸性）对预期收益的影响[3][54] * **因子具体构建过程**：该因子由两个细分因子等权合成[54][58] 1. **低档斜率因子 (Slope_abl)**：基于订单簿低档位的累计委托量和委托价计算买方或卖方的订单簿斜率[54] 2. **高档位卖方凸性因子 (Slope_alh)**：基于订单簿高档位的累计委托量和委托价计算卖方的订单簿凸性[54] 3. **合成**：对上述两个细分因子进行等权合成[58] 4. **中性化处理**：对合成后的因子进行行业和市值中性化处理，得到最终的斜率凸性因子[58] 5. **因子名称**：高频“金”组合合成因子[3] * **因子构建思路**：将多个表现较好的高频因子结合，以构建更稳健的选股信号[3] * **因子具体构建过程**：将价格区间因子、量价背离因子、遗憾规避因子三类高频因子进行等权合成[3][62] 6. **因子名称**：高频&基本面共振组合合成因子[4] * **因子构建思路**：将相关性较低的高频因子与有效的基本面因子结合，以提升多因子组合的表现[4][67] * **因子具体构建过程**：将价格区间因子、量价背离因子、遗憾规避因子三类高频因子，与一致预期、成长、技术三个基本面因子进行等权合成[4][67] 因子的回测效果 （注：以下因子表现均为在中证1000指数成分股内，进行行业市值中性化后的测试结果，基准为所有成分股等权配置[32]） 1. **价格区间因子**[32][36][39] * 上周多头超额收益率：-1.00%[32] * 本月以来多头超额收益率：-0.90%[32] * 今年以来多头超额收益率：4.56%[32] 2. **量价背离因子**[32][40][44] * 上周多头超额收益率：-2.21%[32] * 本月以来多头超额收益率：-1.48%[32] * 今年以来多头超额收益率：2.99%[32] 3. **遗憾规避因子**[32][46][53] * 上周多头超额收益率：0.45%[32] * 本月以来多头超额收益率：1.47%[32] * 今年以来多头超额收益率：0.42%[32] 4. **斜率凸性因子**[2][56][61] * 上周多头超额收益率：0.66%[2] * 本月以来多头超额收益率：0.25%[2] * 今年以来多头超额收益率：-5.54%[2] 量化模型与构建方式 1. **模型名称**：高频“金”组合中证1000指数增强策略[3][62] * **模型构建思路**：基于合成的高频“金”组合因子构建指数增强策略，以获取稳定的超额收益[3][62] * **模型具体构建过程**： 1. **因子合成**：如前述，将三类高频因子等权合成为高频“金”组合因子[3][62] 2. **选股与加权**：基于该因子值在中证1000成分股内选股并构建投资组合[62] 3. **策略设置**：调仓频率为周度，手续费率为单边千分之二，基准为中证1000指数[62] 4. **优化机制**：加入换手率缓冲机制以降低调仓成本[62] 2. **模型名称**：高频&基本面共振组合中证1000指数增强策略[4][67] * **模型构建思路**：将高频因子与基本面因子结合构建指数增强策略，旨在获得更优的风险调整后收益[4][67] * **模型具体构建过程**： 1. **因子合成**：如前述，将三类高频因子与三个基本面因子等权合成为共振组合因子[4][67] 2. **选股与加权**：基于该因子值在中证1000成分股内选股并构建投资组合[67] 3. **策略设置**：调仓频率为周度，手续费率为单边千分之二，基准为中证1000指数[67] 模型的回测效果 1. **高频“金”组合中证1000指数增强策略**[3][63][66] * 年化超额收益率：9.85%[3][63] * 跟踪误差：4.32%[63] * 信息比率(IR)：2.28[63] * 超额最大回撤：6.04%[3][63] * 上周超额收益：-2.06%[3][66] * 本月以来超额收益：-1.64%[3][66] * 今年以来超额收益：5.26%[3][66] 2. **高频&基本面共振组合中证1000指数增强策略**[4][69][71] * 年化超额收益率：13.93%[4][69] * 跟踪误差：4.20%[69] * 信息比率(IR)：3.31[69] * 超额最大回撤：4.52%[4][69] * 上周超额收益：-1.37%[4][71] * 本月以来超额收益：-1.33%[4][71] * 今年以来超额收益：5.24%[4][71]

量化模型与构建方式 1. **模型名称：长期行业主题基金标签与指数模型** * **模型构建思路**：为主动偏股基金构建完整的行业主题和细分赛道标签，以支持资产配置、主题投资和产品选择的需求，并构建相应的行业主题基金指数作为衡量工具[36]。 * **模型具体构建过程**： 1. **数据来源**：使用基金近四期（中报/年报）的持仓信息[36]。 2. **标签定义**：根据基金在长期运作中呈现的行业特征，定义三类长期行业标签： * **行业主题基金**：长期聚焦于特定行业的基金。 * **行业轮动基金**：在不同时期切换行业重心的基金。 * **行业均衡基金**：行业配置相对分散均衡的基金[36]。 3. **指数构建**：基于上述标签，构建不同行业主题（如国防军工、新能源、TMT等）的基金指数，以反映该类主题基金的整体风险收益表现[36]。 2. **模型名称：REITs系列指数模型** * **模型构建思路**：构建完整的REITs系列指数，为投资者提供基于指数化思想的资产配置新视角，综合反映REITs市场表现，并提供不同底层资产和项目类型的细分指数[48]。 * **模型具体构建过程**： 1. **指数类型**：同时提供价格指数和全收益指数，以考虑REITs的高分红特性[48]。 2. **加权方法**：采用分级靠档的方法，确保计算指数的份额保持相对稳定[48]。 3. **样本调整**：当样本成分名单或样本成分的调整市值出现非交易因素变动（如新发、扩募）时，采用除数修正法以保证指数的连续性[48]。 4. **指数分类**：构建综合指数、底层资产指数（如产权类、特许经营权类）和细分项目指数（如保障性租赁住房、生态环保等）[49]。 量化因子与构建方式 1. **因子名称：多因子ETF分类因子（红利、现金流、质量、低波、基本面、价值、动量、成长）** * **因子构建思路**：基于不同的量化投资逻辑或财务指标，对ETF产品进行分类，以区分其背后的投资风格与风险收益特征[60]。 * **因子具体构建过程**：报告未详细描述每个因子的具体计算公式，但根据常见的量化因子定义，其构建思路通常如下： * **红利因子**：通常基于股息率筛选高股息股票。 * **现金流因子**：通常基于自由现金流等指标筛选现金流充裕的公司。 * **质量因子**：通常基于盈利能力（如ROE）、盈利稳定性、财务杠杆等指标筛选优质公司。 * **低波因子**：通常基于股价历史波动率筛选波动率较低的股票。 * **基本面因子**：可能基于销售额、现金流、净资产、分红等基本面指标进行加权。 * **价值因子**：通常基于市盈率（PE）、市净率（PB）等估值指标筛选低估股票。 * **动量因子**：通常基于股票过去一段时间的收益率筛选强势股。 * **成长因子**：通常基于营收增长率、利润增长率等指标筛选高成长性公司[60]。 模型的回测效果 1. **长期行业主题基金指数**，本周收益率：国防军工 6.62%，新能源 6.34%，TMT 4.15%，行业均衡 3.08%，行业轮动 2.63%，周期 2.63%，金融地产 0.14%，消费 -0.21%，医药 -0.81%[36]。 2. **长期行业主题基金指数**，2025年12月月度收益率：行业均衡 4.70%，行业轮动 4.16%，医药 -4.57%，消费 -0.86%，TMT 6.12%，新能源 4.11%，金融地产 3.04%，国防军工 14.95%，周期 6.19%[38]。 因子的回测效果 1. **多因子ETF（红利）**，本周净流入 10.70亿元，本周回报 0.17%，近1月回报 -0.78%，今年以来回报 3.84%[60]。 2. **多因子ETF（现金流）**，本周净流入 6.97亿元，本周回报 1.02%，近1月回报 3.45%，今年以来回报 --[60]。 3. **多因子ETF（质量）**，本周净流入 0.09亿元，本周回报 2.64%，近1月回报 7.33%，今年以来回报 33.27%[60]。 4. **多因子ETF（低波）**，本周净流入 -0.02亿元，本周回报 2.11%，近1月回报 4.79%，今年以来回报 17.11%[60]。 5. **多因子ETF（基本面）**，本周净流入 -0.03亿元，本周回报 0.79%，近1月回报 0.75%，今年以来回报 8.05%[60]。 6. **多因子ETF（价值）**，本周净流入 -0.05亿元，本周回报 1.01%，近1月回报 2.58%，今年以来回报 13.61%[60]。 7. **多因子ETF（动量）**，本周净流入 -1.91亿元，本周回报 4.90%，近1月回报 11.68%，今年以来回报 44.62%[60]。 8. **多因子ETF（成长）**，本周净流入 -1.91亿元，本周回报 3.74%，近1月回报 7.43%，今年以来回报 34.70%[60]。

量化模型与构建方式 1. **模型名称**：红利风格择时模型[1][4][6] **模型构建思路**：构建一个综合因子来对红利风格进行择时判断，当综合因子值为正时发出正向信号[1][6] **模型具体构建过程**：模型由多个分项因子构成，每周计算各分项因子的数值，并通过一定方式（报告中未明确具体加权或合成公式）合成为一个综合因子值[6][7][11]。综合因子值大于0代表看多红利风格，小于0则未发出正向信号[1][6]。 **模型评价**：该模型旨在捕捉影响红利风格表现的多维度信息，包括宏观经济、利率环境、市场情绪和基本面等[7][11]。 量化因子与构建方式 1. **因子名称**：中国:非制造业PMI:服务业因子[11] **因子构建思路**：使用中国非制造业PMI中的服务业指数作为反映经济景气度的指标，用于判断对红利风格的影响[11]。 **因子具体构建过程**：直接采用“中国:非制造业PMI:服务业”的原始或处理后的时间序列数据作为因子值[11]。最新（2025.12.26）因子值为-0.80[11]。 2. **因子名称**：中国:M2:同比因子[11] **因子构建思路**：使用中国M2货币供应量的同比增速作为反映流动性环境的指标，用于判断对红利风格的影响[11]。 **因子具体构建过程**：直接采用“中国:M2:同比”的原始或处理后的时间序列数据作为因子值[11]。最新（2025.12.26）因子值为0.58[11]。 3. **因子名称**：美国:国债收益率:10年因子[7][11] **因子构建思路**：使用美国10年期国债收益率作为反映全球无风险利率和资金成本的指标，其变化会对红利资产的吸引力产生影响[7][11]。 **因子具体构建过程**：直接采用“美国:国债收益率:10年”的原始或处理后的时间序列数据作为因子值[11]。最新（2025.12.26）因子值为-0.91[11]。 4. **因子名称**：红利相对净值自身因子[11] **因子构建思路**：使用红利指数自身的相对净值表现（可能指其相对于自身均值的偏离或动量）作为技术面或趋势指标[11]。 **因子具体构建过程**：报告未详述具体计算方法，但给出了该因子的时间序列值[11]。最新（2025.12.26）因子值为-0.70[11]。 5. **因子名称**：中证红利股息率-10年期中债收益率因子[4][7][11] **因子构建思路**：计算中证红利指数的股息率与10年期中国国债收益率的利差，该利差反映了红利资产相对于债券的性价比，利差扩大对红利风格有利[4][7][11]。 **因子具体构建过程**：因子值 = 中证红利股息率 - 10年期中债收益率[11]。最新（2025.12.26）因子值为0.72[11]。 6. **因子名称**：融资净买入因子[11] **因子构建思路**：使用市场的融资净买入数据作为反映场内杠杆资金情绪和动向的指标[11]。 **因子具体构建过程**：报告未详述具体计算方法，但给出了该因子的时间序列值[11]。最新（2025.12.26）因子值为0.45[11]。 7. **因子名称**：行业平均景气度因子[7][11] **因子构建思路**：使用分析师对行业的景气度判断平均值，作为反映上市公司基本面预期的指标[7][11]。 **因子具体构建过程**：报告未详述具体计算方法，但给出了该因子的时间序列值[11]。最新（2025.12.26）因子值为1.65[11]。 模型的回测效果 *报告为周报，主要展示模型及因子最新时点的状态和观点，未提供历史回测的绩效指标（如年化收益率、夏普比率、最大回撤等）[1][6][11]。* 因子的回测效果 *报告为周报，主要展示各因子最新时点的数值及观点，未提供因子历史表现的测试结果（如IC值、IR、多空收益等）[11]。* 模型及因子最新状态与取值 (截至2025年12月26日) 1. **红利风格择时模型**，综合因子值: -0.55[1][4][6] 2. **中国:非制造业PMI:服务业因子**，因子值: -0.80，最新观点: 看多(1)[11] 3. **中国:M2:同比因子**，因子值: 0.58，最新观点: 中性(0)[11] 4. **美国:国债收益率:10年因子**，因子值: -0.91，最新观点: 中性(0)[11] 5. **红利相对净值自身因子**，因子值: -0.70，最新观点: 中性(0)[11] 6. **中证红利股息率-10年期中债收益率因子**，因子值: 0.72，最新观点: 看多(1)[11] 7. **融资净买入因子**，因子值: 0.45，最新观点: 中性(0)[11] 8. **行业平均景气度因子**，因子值: 1.65，最新观点: 中性(0)[11] *注：“最新观点”列中，“1”代表该因子发出看多红利风格的信号，“0”代表中性信号[11]。*

量化模型与构建方式 1. 大类资产配置ETF组合模型 1. **模型名称**：固定比例ETF组合[21][34] * **模型构建思路**：结合战略配置模型（固定比例）与战术动态调整模型（基于宏观和技术指标打分）构建大类资产配置策略[21] * **模型具体构建过程**： * **战略配置**：以固定比例模型作为战略配置基础，设定各类资产的权重中枢[21][34] * **战术调整**：根据宏观指标和技术指标对风险资产进行月度定量打分，根据总得分调整权重，相应调高或调低货币资产的配置比例[21][34] * **标的与权重**：配置指数对应规模最大的ETF，权重中枢及调整范围见下表[34][36] 2. **模型名称**：控制波动率6% ETF组合[21][34] * **模型构建思路**：结合战略配置模型（控制波动率）与战术动态调整模型（基于宏观和技术指标打分）构建大类资产配置策略[21] * **模型具体构建过程**： * **战略配置**：以控制波动率模型（目标年化波动率6%）作为战略配置基础[21][34] * **战术调整**：根据宏观指标和技术指标对风险资产进行月度定量打分，根据总得分调整权重，相应调高或调低货币资产的配置比例[21][34] * **标的与权重**：配置指数对应规模最大的ETF，权重中枢及调整范围见下表[34][36] 3. **模型名称**：风险平价ETF组合[21][34] * **模型构建思路**：结合战略配置模型（风险平价）与战术动态调整模型（基于宏观和技术指标打分）构建大类资产配置策略[21] * **模型具体构建过程**： * **战略配置**：以风险平价模型作为战略配置基础[21][34] * **战术调整**：根据宏观指标和技术指标对风险资产进行月度定量打分，根据总得分调整权重，相应调高或调低货币资产的配置比例[21][34] * **标的与权重**：配置指数对应规模最大的ETF，权重中枢及调整范围见下表[34][36] 2. QDII-ETF组合模型 1. **模型名称**：QDII-ETF组合[44][53] * **模型构建思路**：从宏观视角及技术视角出发，对境外权益指数进行定量打分，构建QDII-ETF组合[44] * **模型具体构建过程**： * **战略配置**：采用固定比例模型作为战略配置基础，设定各指数权重中枢为10%[53][54] * **战术调整**：根据宏观指标和技术指标对境外权益指数进行月度定量打分，根据总得分调整权重，相应地调高或调低货币资产的配置比例[53] * **标的与权重**：配置指数对应规模最大的ETF，权重中枢为10%，调整权重为±5%[53][54] 3. 相对收益ETF组合模型 1. **模型名称**：相对收益ETF组合[61][73] * **模型构建思路**：从权益指数轮动策略出发，通过多维度优选指标筛选指数，并配置对应ETF构建组合[61] * **模型具体构建过程**： * **指数筛选**：从历史基本面、资金流、一致预期、宏观、动量、风格6个维度构建7个优选指标，计算各指数的Z值并加权求和得到综合得分[61][65][67] * **标的筛选**：筛选规模>2亿元、近1月日均成交额>0.1亿元、存续时间>180天且非转型的ETF[74] * **组合构建**：选取综合得分前20%的指数对应的ETF构建组合，约束组合中ETF数量最多10只，并对相同宽基、同类行业主题、SmartBeta指数产品数量设限[73][74][79] 2. **模型名称**：结合指数拥挤度的相对收益ETF组合[68][73] * **模型构建思路**：在相对收益ETF组合基础上，引入拥挤度指标，剔除短期拥挤度较高的指数以提升组合稳定性[68] * **模型具体构建过程**： * **拥挤度判断**：从成交额、波动水平、融资存量、融资增量、基金持仓、资金流6个维度构建拥挤度指标，若指标处于历史特定高分位数（如90%）则判定为拥挤[69][72] * **组合构建**：在优选指数的基础上，剔除被判定为拥挤的指数，再构建ETF组合[73] 4. 绝对收益ETF组合模型 1. **模型名称**：绝对收益ETF组合[84][89] * **模型构建思路**：以绝对收益为导向，从指数的基本面、分红及技术面特征出发构建指标，筛选稳定性高、分红可观、与市场相关性低的指数构建组合[84] * **模型具体构建过程**： * **指数筛选**：构建7个指标（基本面、分红、技术面各维度），计算各指数的Z值并按权重（基本面1/3、分红1/3、技术面1/3）加权求和得到综合得分[88][89][90] * **标的筛选**：筛选规模>2亿元、近1月日均成交额>0.1亿元、存续时间>180天且非转型的ETF[91] * **组合构建**：选取综合得分前20%的指数对应的ETF构建组合，约束组合中ETF数量最多5只，并对相同宽基、同类行业主题、SmartBeta指数产品数量设限[89][91][95] 5. 全天候多元配置ETF组合模型 1. **模型名称**：全天候多元配置ETF组合[7][100] * **模型构建思路**：综合前述四个ETF组合（A股大类资产配置、QDII-ETF、A股相对收益、A股绝对收益）的构建思路与标的筛选结果，构建全天候多元配置组合[7][12][13] * **模型具体构建过程**： * **战略配置**：采用固定比例模型作为战略配置基础，设定各大类资产的权重中枢[100] * **战术调整**：根据宏观及技术指标总得分调整A股、港股、海外权益及商品资产的权重，并相应调整货币资产比例[100] * **A股权益细分**：始终配置5%的绝对收益ETF组合，相对收益ETF组合权重在0%-10%之间动态调整[100] * **标的与权重**：配置指数对应规模最大的ETF，具体权重中枢及上下限见下表[100][101] 量化因子与构建方式 1. 宏观指标因子（用于大类资产及QDII-ETF组合） 1. **因子构建思路**：从宏观指标的趋势出发，研究其上行和下行对大类资产收益率的影响，筛选出能导致资产收益出现显著分化的宏观指标[24] 2. **因子具体构建过程**： * **有效性检验**：利用T检验判断某个宏观指标（取不同周期历史均线）处于趋势上行和下行时，某个资产的收益是否存在明显差别[24] * **T检验公式**： $$t={\frac{{\overline{{X_{1}}}}-{\overline{{X_{2}}}}}{\sqrt{\frac{(n_{1}-1){S_{1}}^{2}+(n_{2}-1){S_{2}}^{2}}{n_{1}+n_{2}-2}}({\frac{1}{n_{1}}}+{\frac{1}{n_{2}}})}}\sim t_{n_{1}+n_{2}-2}$$ 其中，$\overline{X_1}$、$\overline{X_2}$ 分别代表宏观指标趋势上行和下行情况下，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；$n_1$、$n_2$ 代表宏观指标处于趋势上行或下行的月份数量[24][26] * **打分规则**：对于筛选出的宏观指标，根据其趋势及影响方向（正向或负向），对对应资产进行月度打分，打分范围为-1、0、1[29][47] 2. 技术指标因子（用于大类资产及QDII-ETF组合） 1. **因子构建思路**：从趋势、估值、资金流三个方面研究技术指标对大类资产表现的影响，筛选在不同时间段内整体有效的指标[31] 2. **因子具体构建过程**： * **指标筛选**：测试历史上不同技术指标，寻找在不同时间段内对未来1个自然月表现影响较为显著的指标[31][49] * **打分规则**：根据指标最新值进行月度打分。趋势、资金流指标打分范围为-1、0、1；估值指标打分范围为-2、-1、0、1、2[32][50] 3. 相对收益优选指标因子（用于相对收益ETF组合） 1. **因子构建思路**：从历史基本面、资金流、一致预期、宏观、动量、风格6个维度构建具体指标，作为筛选指数的定量依据[61] 2. **因子具体构建过程**： * **指标构成**：共7个指标，具体计算方法如下[64][67]： * **ROE_TTM环比变化**：根据加权整体法计算指数的ROE_TTM，并计算最近一个季度报告期的环比变化 * **净利润增速TTM环比变化**：根据加权整体法计算指数的净利润增速TTM，并计算最近一个季度报告期的环比变化 * **主动资金流入市值比**：根据加权整体法计算指数的主动净流入额指标 * **预期盈利增速估值匹配度**：从个股一致预期数据出发，根据加权整体法计算指数的预期利润增速，并计算估值与预期利润增速的比值 * **工业企业利润增速**：基于统计局月频细分行业工业企业利润数据，结合成分股权重计算指数利润增速 * **风格剥离超额收益信息比**：指数历史日频涨跌幅与风格指数回归，以残差项的信息比作为指标值 * **指数风格匹配度**：定量判断未来风格相对强弱，结合指数自身风格特征计算，公式为：指数风格匹配度 = 指数规模风格得分 * λ1 + 指数成长价值风格得分 * λ2，其中λ1、λ2分别为大小盘、成长价值月度观点 * **加权合成**：由于ROE_TTM环比变化与净利润增速TTM环比变化相关性较高，给予这两个指标共计1/6的权重（各1/12），其余5个指标各赋予1/6的权重。将各指标Z值按权重加权求和得到指数综合得分[65][68] 4. 拥挤度指标因子（用于相对收益ETF组合） 1. **因子构建思路**：从成交额、波动水平、融资存量、融资增量、基金持仓、资金流6个维度构建指标，定量刻画指数的拥挤度[68] 2. **因子具体构建过程**： * **指标构成与触发条件**：共6个指标，具体计算方法及拥挤触发条件如下[72]： * **成交额占比**：历史1个月指数成分股在全部A股中的成交额占比。拥挤条件：历史3年分位数 > 90% * **Beta**：历史1个月指数相对于万得全A的Beta。拥挤条件：历史5年分位数 > 90% * **融资余额市值比**：指数融资余额与指数流通市值的比值。拥挤条件：历史3年分位数 > 90% * **融资增量成交额比**：历史1个月指数融资净增量与指数成交额的比值。拥挤条件：历史1年分位数 > 90% * **基金持仓比例**：指数成分股在主动型权益基金重仓股中的持仓占比。拥挤条件：历史5年分位数 > 90% * **中小单主动买入额占比**：历史1个月指数成分股主动买入额占比(中单/小单)。拥挤条件：历史3年分位数 > 100% 5. 绝对收益指标因子（用于绝对收益ETF组合） 1. **因子构建思路**：从指数的基本面稳定性、分红可观性、与市场波动的低相关性三个维度出发构建指标，筛选符合绝对收益导向的指数[84] 2. **因子具体构建过程**： * **指标构成**：共7个指标，具体计算方法如下[90]： * **历史1年ROE_TTM均值/ROE_TTM标准差**：采用加权整体法计算指数的ROE_TTM，基于历史4个季度报告期数据构建 * **历史1年净利润增速TTM标准差**：采用加权整体法计算指数的净利润增速TTM，基于历史4个季度报告期数据构建 * **历史3年股息率**：采用加权整体法，结合指数历史3年现金分红额及最新市值构建 * **历史3年现金分红净利润比**：采用加权整体法，结合指数历史3年现金分红额及净利润构建 * **历史12个月Beta**：指数历史12个月日频收益率相对于万得全A指数的Beta * **历史12个月SemiBeta**：指数历史12个月日频收益率相对于万得全A指数的Beta（仅万得全A指数收益率为负时） * **历史12个月平均相关性**：指数历史12个月日频收益率与其它样本指数的平均相关系数 * **加权合成**：将基本面、分红、技术面特征指标的总权重均设定为1/3，各子指标权重具体分配见下表。将各指标Z值按权重加权求和得到指数综合得分[88][89] 模型的回测效果 （回测区间：2016.12.31 - 2025.11.30，另有注明者除外） 1. **固定比例ETF组合**，年化收益率9.75%，最大回撤4.85%，年化波动率5.67%[38][42] 2. **控制波动率6% ETF组合**，年化收益率8.41%，最大回撤6.42%，年化波动率5.84%[38][42] 3. **风险平价ETF组合**，年化收益率8.31%，最大回撤2.77%，年化波动率3.75%[38][42] 4. **QDII-ETF组合**，年化收益率18.51%，最大回撤16.78%，年化波动率11.64%[54][59] 5. **相对收益ETF组合**，年化收益率16.76%，最大回撤28.66%，年化波动率22.16%[78][82] 6. **相对收益ETF组合：结合指数拥挤度**，年化收益率19.32%，最大回撤25.69%，年化波动率21.87%[78][82] 7. **绝对收益ETF组合**，年化收益率12.33%，最大回撤26.11%，年化波动率17.53%[94][98] 8. **全天候多元配置ETF组合**（回测区间：2016.12.31 - 2025.12.26），年化收益率9.36%，最大回撤3.64%，年化波动率3.82%，月度胜率82.41%，滚动3月胜率98.11%，滚动1年胜率100%[7][101][105]

量化模型与构建方式 1. **模型名称**：风险溢价模型[29] **模型构建思路**：以十年期国债即期收益率为无风险利率参考，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[29] **模型具体构建过程**：风险溢价的计算公式为指数收益率减去无风险利率。报告中具体计算了各宽基指数相对于十年期国债即期收益率的风险溢价，并统计了其当前值、历史分位值、均值、波动率及相对于均值和标准差的偏离情况[29][31][33] 2. **模型名称**：股债性价比模型[48] **模型构建思路**：以各指数PE-TTM的倒数（即盈利收益率）与十年期国债即期收益率之差作为股债性价比指标，用于比较股票与债券的相对吸引力[48] **模型具体构建过程**：股债性价比的计算公式为： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 报告中通过该指标观察各宽基指数的走势，并与近5年数据计算的80分位值（机会值）、20分位值（危险值）、均值及±1倍标准差进行比较[48] 3. **模型名称**：指数分布形态分析模型[24][26] **模型构建思路**：通过计算各宽基指数日收益率分布的峰度和偏度，分析其分布形态特征及与历史基准的差异[24][26] **模型具体构建过程**： * **峰度**：计算指数日收益率分布的峰度，用以衡量收益率分布的集中程度。报告中在计算时减去了3（正态分布的峰度值），以便于比较[26] * **偏度**：计算指数日收益率分布的偏度，用以衡量分布的不对称性。正偏态显示极端正收益情形增加，负偏态则相反[24] * 将当前时点的峰度、偏度与近5年历史数据进行比较，计算差值以观察形态变化[26] 量化因子与构建方式 1. **因子名称**：均线比较因子[16] **因子构建思路**：通过比较指数收盘价与不同周期移动平均线（MA）的位置关系，判断指数短期趋势与支撑压力情况[16] **因子具体构建过程**：计算指数收盘价相对于5日、10日、20日、60日、120日、250日移动平均线的偏离百分比。公式为： $$ vsMA_N = \frac{收盘价 - MA_N}{MA_N} \times 100\% $$ 其中，N代表不同的均线周期（如5，10，20等）[17] 2. **因子名称**：交易金额占比因子[19] **因子构建思路**：计算各宽基指数成交额占全市场（以中证全指为代表）成交额的比例，用以观察资金在不同风格板块间的流动情况[19] **因子具体构建过程**：因子计算公式为： $$ 交易金额占比 = \frac{该指数当日交易金额}{中证全指当日交易金额} \times 100\% $$ [19] 3. **因子名称**：指数换手率因子[19] **因子构建思路**：计算各宽基指数的整体换手率，反映市场交易活跃度[19] **因子具体构建过程**：采用流通市值加权平均的方式计算指数换手率，公式为： $$ 指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)} $$ [19] 4. **因子名称**：PE-TTM估值因子[41] **因子构建思路**：使用滚动市盈率（PE-TTM）作为估值参考，衡量各指数在当前时点的估值水平[41] **因子具体构建过程**：计算指数的PE-TTM值，并计算其在近1年、近5年以及全部历史数据中的分位值，以判断当前估值在历史中所处的位置[44][45] 5. **因子名称**：股息率因子[50] **因子构建思路**：股息率反映现金分红回报率，是红利投资风格的核心指标，用于在市场波动中寻找具有稳定现金流和低估值的标的[50] **因子具体构建过程**：计算各宽基指数的股息率（当期值），并统计其近1年、近5年及历史分位值、均值、波动率等，分析其当前水平与历史分布的相对关系[52][56] 6. **因子名称**：破净率因子[57] **因子构建思路**：破净率指市净率（PB）小于1的个股占比，该因子用于反映市场整体的估值态度和悲观程度，比率越高表明低估越普遍[57][58] **因子具体构建过程**：对于每个宽基指数，统计其成分股中市净率小于1的个股数量，并计算其占指数总成分股数量的百分比，即： $$ 破净率 = \frac{破净个股数}{指数总成分股数} \times 100\% $$ [57][59] 模型的回测效果 *注：本报告为市场数据跟踪报告，未提供量化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）。报告中对模型的评价主要为定性描述。* 因子的回测效果 *注：本报告主要展示各因子在特定时点（2025年12月29日）的截面取值或状态，未提供因子历史IC、IR、多空收益等传统回测绩效指标。报告中对因子的评价主要为定性描述。以下为报告中各宽基指数在所述因子上的具体取值：* 1. **均线比较因子** (2025年12月29日收盘价 vs. 各均线)[17] * **上证50**： vsMA5: 0.1%， vsMA10: 0.7%， vsMA20: 1.1%， vsMA60: 0.9%， vsMA120: 3.5%， vsMA250: 8.7% * **沪深300**： vsMA5: 0.01%， vsMA10: 0.9%， vsMA20: 1.2%， vsMA60: 0.8%， vsMA120: 4.6%， vsMA250: 12.0% * **中证500**： vsMA5: 0.7%， vsMA10: 2.4%， vsMA20: 3.5%， vsMA60: 3.1%， vsMA120: 7.5%， vsMA250: 17.6% * **中证1000**： vsMA5: 0.8%， vsMA10: 2.4%， vsMA20: 3.0%， vsMA60: 2.5%， vsMA120: 5.2%， vsMA250: 14.3% * **中证2000**： vsMA5: 0.8%， vsMA10: 2.3%， vsMA20: 2.9%， vsMA60: 3.5%， vsMA120: 5.6%， vsMA250: 16.1% * **中证全指**： vsMA5: 0.4%， vsMA10: 1.6%， vsMA20: 2.1%， vsMA60: 1.9%， vsMA120: 5.3%， vsMA250: 14.1% * **创业板指**： vsMA5: -0.2%， vsMA10: 1.3%， vsMA20: 2.0%， vsMA60: 3.0%， vsMA120: 12.2%， vsMA250: 30.8% 2. **交易金额占比因子** (2025年12月29日)[19] * **中证2000**： 23.74% * **沪深300**： 22.8% * **中证1000**： 22.05% * *其他指数未列出具体占比数值* 3. **指数换手率因子** (2025年12月29日)[19] * **中证2000**： 4.03 * **中证1000**： 2.66 * **创业板指**： 2.52 * **中证全指**： 1.78 * **中证500**： 1.78 * **沪深300**： 0.61 * **上证50**： 0.26 4. **PE-TTM估值因子** (2025年12月29日)[44][45] * **当前值**： * 上证50: 11.81， 沪深300: 14.17， 中证500: 33.81， 中证1000: 46.76， 中证2000: 158.24， 中证全指: 21.51， 创业板指: 41.67 * **近5年历史分位值**： * 上证50: 84.79%， 沪深300: 87.02%， 中证500: 97.60%， 中证1000: 95.45%， 中证2000: 86.45%， 中证全指: 96.03%， 创业板指: 59.17% 5. **股息率因子** (2025年12月29日)[52][56] * **当前值**： * 上证50: 3.13%， 沪深300: 2.72%， 中证500: 1.39%， 中证1000: 1.09%， 中证2000: 0.76%， 中证全指: 2.01%， 创业板指: 0.95% * **近5年历史分位值**： * 上证50: 30.58%， 沪深300: 35.95%， 中证500: 16.03%， 中证1000: 35.04%， 中证2000: 12.15%， 中证全指: 33.80%， 创业板指: 60.41% 6. **破净率因子** (2025年12月29日)[59] * **上证50**： 22.0% * **沪深300**： 16.0% * **中证500**： 10.6% * **中证1000**： 7.9% * **中证2000**： 3.35% * **中证全指**： 6.12% * *创业板指未列出破净率*

量化模型与构建方式 1. **模型名称**：价值50组合[7] **模型构建思路**：基于价值风格，以追求高beta弹性为目标构建的Smart beta组合[7] **模型具体构建过程**：报告指出具体构建方法参考2024年10月5日发布的专题报告《基于投资目标的基础Smart beta组合构建与配置》[7]。本报告未提供详细的因子构成、权重计算等具体构建公式和步骤。 2. **模型名称**：价值均衡50组合[7] **模型构建思路**：基于价值风格，以追求长期稳健超额收益为目标构建的Smart beta组合[7] **模型具体构建过程**：报告指出具体构建方法参考2024年10月5日发布的专题报告《基于投资目标的基础Smart beta组合构建与配置》[7]。本报告未提供详细的因子构成、权重计算等具体构建公式和步骤。 3. **模型名称**：成长50组合[7] **模型构建思路**：基于成长风格，以追求高beta弹性为目标构建的Smart beta组合[7] **模型具体构建过程**：报告指出具体构建方法参考2024年10月5日发布的专题报告《基于投资目标的基础Smart beta组合构建与配置》[7]。本报告未提供详细的因子构成、权重计算等具体构建公式和步骤。 4. **模型名称**：成长均衡50组合[7] **模型构建思路**：基于成长风格，以追求长期稳健超额收益为目标构建的Smart beta组合[7] **模型具体构建过程**：报告指出具体构建方法参考2024年10月5日发布的专题报告《基于投资目标的基础Smart beta组合构建与配置》[7]。本报告未提供详细的因子构成、权重计算等具体构建公式和步骤。 5. **模型名称**：小盘50组合[7] **模型构建思路**：基于小盘风格，以追求高beta弹性为目标构建的Smart beta组合[7] **模型具体构建过程**：报告指出具体构建方法参考2024年10月5日发布的专题报告《基于投资目标的基础Smart beta组合构建与配置》[7]。本报告未提供详细的因子构成、权重计算等具体构建公式和步骤。 6. **模型名称**：小盘均衡50组合[7] **模型构建思路**：基于小盘风格，以追求长期稳健超额收益为目标构建的Smart beta组合[7] **模型具体构建过程**：报告指出具体构建方法参考2024年10月5日发布的专题报告《基于投资目标的基础Smart beta组合构建与配置》[7]。本报告未提供详细的因子构成、权重计算等具体构建公式和步骤。 模型的回测效果 1. **价值50组合**[8] **基准指数**：国证价值[8] **周收益率**：1.79%[8] **周超额收益**：0.85%[8] **月收益率**：2.23%[8] **月超额收益**：0.10%[8] **年收益率**：19.70%[8] **年超额收益**：9.04%[8] **最大相对回撤**：5.19%[8] 2. **价值均衡50组合**[8] **基准指数**：国证价值[8] **周收益率**：0.36%[8] **周超额收益**：-0.59%[8] **月收益率**：1.78%[8] **月超额收益**：-0.35%[8] **年收益率**：24.05%[8] **年超额收益**：13.39%[8] **最大相对回撤**：4.91%[8] 3. **成长50组合**[8] **基准指数**：国证成长[8] **周收益率**：3.71%[8] **周超额收益**：0.47%[8] **月收益率**：6.30%[8] **月超额收益**：1.35%[8] **年收益率**：28.75%[8] **年超额收益**：-2.37%[8] **最大相对回撤**：11.66%[8] 4. **成长均衡50组合**[8] **基准指数**：国证成长[8] **周收益率**：3.25%[8] **周超额收益**：0.02%[8] **月收益率**：7.57%[8] **月超额收益**：2.62%[8] **年收益率**：33.90%[8] **年超额收益**：2.78%[8] **最大相对回撤**：13.35%[8] 5. **小盘50组合**[8] **基准指数**：国证2000[8] **周收益率**：1.13%[8] **周超额收益**：-2.42%[8] **月收益率**：-1.34%[8] **月超额收益**：-5.42%[8] **年收益率**：49.75%[8] **年超额收益**：17.48%[8] **最大相对回撤**：10.89%[8] 6. **小盘均衡50组合**[8] **基准指数**：国证2000[8] **周收益率**：3.53%[8] **周超额收益**：-0.02%[8] **月收益率**：4.14%[8] **月超额收益**：0.06%[8] **年收益率**：45.36%[8] **年超额收益**：13.09%[8] **最大相对回撤**：4.56%[8]

量化模型与构建方式 1. **模型名称：基于Gaussian分布的Black-Litterman宏观择时策略** * **模型构建思路**：将ETF作为可交易标的，构建大类资产宏观择时策略。策略根据经济周期划分，对不同类别ETF的配置权重进行限制，并基于海外指标择时信号决定是否纳入海外资产[42][44]。 * **模型具体构建过程**： 1. 选取涵盖股票、商品、债券、境外、货币等品种的ETF，分别对应大类资产配置中的不同指数[42]。 2. 以ETF在不同周期的历史均值收益作为观点矩阵，分别输入基于Gaussian分布的Black-Litterman模型与基于Copula分布的Black-Litterman模型[43]。 3. 根据经济周期（复苏、过热、滞胀、衰退）对股票ETF、债券ETF、商品ETF和货币ETF的配置权重施加不同的下限约束[45]。 4. 对于海外资产（如标普500ETF），仅当海外指标发出择时信号时才纳入股票ETF类别进行配置，否则不配置[44]。 5. 通过上述模型和约束，最终计算出各类ETF的配置权重[43]。 2. **模型名称：动量择势策略** * **模型构建思路**：结合动量和拥挤度指标构建ETF交易策略，旨在捕捉价格动量，并在动量结束时通过拥挤度指标降低损失风险[53]。 * **模型具体构建过程**： 1. **动量指标**：使用XGBoost模型预测出的ETF上涨概率作为动量指标[53]。 2. **拥挤度指标**：以基金份额的历史分位数代表拥挤度[53]。 3. **板块筛选**：首先计算板块动量（板块内ETF动量均值）和板块拥挤度（板块内ETF份额总和的历史分位数）。选择动量排名前20且（1-历史分位数）排名前20的板块[53]。 4. **板块数量调整**：若初步选中的板块数量≥5个，则从中取（1-历史分位数）排名前5的板块；若<5个，则在筛选结果中加入纯债和黄金板块，以增加组合分散度[53]。 5. **ETF选择与权重**：在最终选定的板块内，选择动量最大的ETF。根据拥挤度计算ETF的配置权重[53]。 6. **调仓与训练**：策略每周调仓。每个季度末重新训练一次XGBoost模型[53]。 3. **模型名称：低波扩散行业轮动策略** * **模型构建思路**：将行业轮动策略应用于ETF，通过行业扩散指数因子捕捉行业动量，并叠加波动率因子进行改进，构建低波动的行业轮动模型[60][61]。 * **模型具体构建过程**： 1. **因子构建**：使用行业扩散指数因子，该因子是基于指数成分股上行状态合成的动量指标，相比传统动量因子更能反映指数涨跌背后的贡献来源[60]。 2. **模型改进**：在扩散指数因子的基础上，叠加波动率因子，构造“低波扩散”行业轮动模型[60]。 3. **ETF映射**：梳理已上市ETF，构建标的池。通过计算ETF跟踪指数与行业指数的相关性，将行业与ETF进行匹配，选择相关系数较高且规模靠前的ETF作为对应行业的可投资标的[61]。 4. **组合构建**：按月调仓，在选定的行业组内对ETF进行等权配置[61]。 4. **模型名称：资金流向策略** * **模型构建思路**：利用资金流向指标和风险度量指标筛选行业和ETF，并通过二阶随机占优优化方法确定最终持仓权重[64]。 * **模型具体构建过程**： 1. **行业筛选**：利用1倍权重的资金流向指标辅以0.5倍权重的风险度量指标，筛选出排名靠前的行业[64]。 2. **ETF筛选**：在筛选出的行业中，根据换手率和折溢价率指标进一步筛选出具体的ETF[64]。 3. **权重优化**：利用历史数据生成联合分布，使用二阶随机占优（SSD）优化方法计算并确定最终的ETF持仓权重[64]。 5. **模型名称：分位数回归策略（基于分位数随机森林的科技类ETF策略）** * **模型构建思路**：基于分位数随机森林算法对科技类行业指数的未来收益率分布进行预测，筛选收益风险比最优的科技类ETF，并经过仓位调整和权重优化得出最终持仓[71]。 * **模型具体构建过程**： 1. **分布预测**：使用分位数随机森林算法对科技大类二级行业指数的未来收益率分布进行预测建模[71]。 2. **指数筛选**：利用预测结果抽样计算指数基于预测分布的复合指标，并以此作为筛选指标来选择指数[71]。 3. **ETF选择**：根据流动性和规模指标，选择追踪上述筛选出指数的对应ETF[71]。 4. **仓位调整与优化**：对选出的ETF组合，经过MACD和波动率指标进行仓位调整，再使用二阶随机占优方法优化持仓权重，得出最终配置[71]。 模型的回测效果 （以下回测结果均截至2025年12月15日，除非特别说明） 1. **基于Gaussian分布的B-L宏观择时策略**，年化收益率9.03%[45]，年化波动率0.21%[46]，夏普比率2.8899[45]，Calmar比率2.8099[45]，最大回撤-4.95%[45]。 2. **动量择势策略**，年化收益率13.89%[54]，年化波动率21.99%[55]，夏普比率0.3898[54]，Calmar比率0.8097[54]，最大回撤-23.96%[54]。 3. **低波扩散行业轮动策略**，年化收益率15.55%[61]，年化超额收益率9.19%[61]，年化波动率21.25%[62]，夏普比率0.90[62]，最大回撤-41.53%[61]，超额最大回撤-19.86%[61]。 4. **资金流向策略**，年化收益率7.16%[64]，年化波动率11.54%[67]，夏普比率0.0617[64]，Calmar比率0.1277[64]，最大回撤-59.69%[64]。 5. **分位数回归策略**，年化收益率19.25%[72]，年化波动率15.03%[73]，夏普比率1.0617[72]，Calmar比率0.5257[72]，最大回撤-19.69%[72]。

量化模型与构建方式 本报告为市场数据跟踪报告，未涉及具体的量化选股模型或策略模型，也未构建用于选股的量化因子。报告主要对宽基指数的各类市场指标进行统计、计算和对比分析[1][2][3][4][5][7][9][11][12][13][15][17][18][19][20][21][22][23][24][25][27][28][29][30][31][34][35][37][38][39][40][41][42][44][45][46][47][49][51][52][53][54][55][56][57]。 报告计算并展示了多个用于衡量市场状态和指数特征的指标，这些指标可被视为用于描述市场或指数特征的“因子”或“信号”。以下是对这些指标构建方式的总结： 1. **指标名称：连阴连阳天数**；指标构建思路：统计指数K线连续为阴线或阳线的天数，以观察市场趋势的持续性[12]；指标具体构建过程：从当前交易日开始向前回溯，若当日收益率为正则计数加1（连阳），若为负则计数减1（连阴），计数从1开始，直到趋势发生反转。报告中以正数表示连阳天数，负数表示连阴天数[12]。 2. **指标名称：指数与均线比较**；指标构建思路：计算指数收盘价相对于不同周期移动平均线（MA）的偏离度，以判断指数所处的趋势强度和位置[15]；指标具体构建过程：首先计算指数的5日、10日、20日、60日、120日、250日简单移动平均线（MA）。然后计算收盘价相对于各均线的百分比偏离。公式为： $$偏离度 = \frac{收盘价 - 移动平均线}{移动平均线} \times 100\%$$ 例如，“vsMA5”即代表收盘价相对于5日均线的百分比偏离[15]。 3. **指标名称：指数换手率**；指标构建思路：衡量指数整体交易的活跃程度[17]；指标具体构建过程：采用流通市值加权平均的方式计算指数成分股的换手率。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，成分股换手率通常由当日成交额除以流通市值计算得到[17]。 4. **指标名称：收益分布峰度与偏度**；指标构建思路：通过统计描述方法分析指数日收益率分布的尖峭程度和对称性，以观察市场收益特征的变化[23][25]；指标具体构建过程：计算指数在特定时间窗口（如近一年）内日收益率序列的峰度（Kurtosis）和偏度（Skewness）。报告中采用的峰度为超额峰度（Excess Kurtosis），即在计算值基础上减去正态分布的峰度3。公式分别为： $$样本偏度 = \frac{\frac{1}{n} \sum_{i=1}^{n} (r_i - \bar{r})^3}{[\frac{1}{n} \sum_{i=1}^{n} (r_i - \bar{r})^2]^{3/2}}$$ $$样本峰度 = \frac{\frac{1}{n} \sum_{i=1}^{n} (r_i - \bar{r})^4}{[\frac{1}{n} \sum_{i=1}^{n} (r_i - \bar{r})^2]^{2}} - 3$$ 其中，$r_i$ 为日收益率，$\bar{r}$ 为收益率均值，$n$ 为样本数[25]。 5. **指标名称：风险溢价**；指标构建思路：计算股票指数预期收益率超过无风险利率的部分，用于衡量市场风险补偿和投资价值[27][28][29]；指标具体构建过程：使用指数市盈率倒数（E/P）作为预期收益率的代理变量，减去十年期国债即期收益率作为无风险利率。公式为： $$风险溢价 = \frac{1}{PE\_TTM} - 十年期国债即期收益率$$ 报告中对风险溢价计算了当前值、历史分位值、均值和波动率等统计量[31]。 6. **指标名称：股债性价比**；指标构建思路：比较股票市场与债券市场的相对吸引力，是风险溢价的另一种常见表达形式[44]；指标具体构建过程：与风险溢价计算方式相同，即指数市盈率倒数与十年期国债收益率之差[44]。 7. **指标名称：股息率**；指标构建思路：跟踪指数成分股的现金分红回报率，用于观察红利风格的投资价值[46][47]；指标具体构建过程：指数股息率通常为成分股过去12个月现金分红总额与指数总市值的比率。报告展示了当前值及历史分位值等[51][53]。 8. **指标名称：破净率**；指标构建思路：统计指数中市净率（PB）小于1的个股占比，反映市场整体的估值悲观程度或低估普遍性[52][54][55]；指标具体构建过程：遍历指数所有成分股，判断其市净率是否小于1，计算破净个股数量占总成分股数量的百分比。公式为： $$破净率 = \frac{破净个股数}{指数成分股总数} \times 100\%$$ 报告列出了各宽基指数的当前破净率[55]。 指标的回测效果 报告未提供基于这些指标的策略回测结果，如年化收益率、夏普比率、最大回撤等。报告主要呈现了这些指标在特定时点（2025年12月26日）的截面取值以及与历史统计区间的对比情况[12][15][17][25][31][42][51][55]。 **各宽基指数指标取值（截至2025年12月26日）** 1. **连阴连阳天数**：上证50连阳2日[12]，沪深300连阳6日[12]，中证500连阳3日[12]，中证1000连阳3日[12]，中证2000无连阳连阴记录[12]，中证全指连阳3日[12]，创业板指连阳5日[12]。 2. **指数与MA5偏离度**：上证50为0.5%[15]，沪深300为0.5%[15]，中证500为1.5%[15]，中证1000为1.4%[15]，中证2000为1.2%[15]，中证全指为1.0%[15]，创业板指为0.7%[15]。 3. **指数换手率**：中证2000为4.25[17]，中证1000为2.68[17]，创业板指为2.67[17]，中证全指为1.81[17]，中证500为1.78[17]，沪深300为0.53[17]，上证50为0.2[17]。 4. **当前收益分布峰度（vs. 近5年）**：上证50偏离-2.05[25]，沪深300偏离-1.81[25]，中证500偏离-2.26[25]，中证1000偏离-1.26[25]，中证2000偏离-1.53[25]，中证全指偏离-1.88[25]，创业板指偏离-2.68[25]。 5. **当前风险溢价近5年分位值**：中证500为72.30%[31]，上证50为69.92%[31]，沪深300为65.63%[31]，中证全指为62.70%[31]，中证1000为59.21%[31]，创业板指为55.79%[31]，中证2000为44.05%[31]。 6. **PE-TTM近5年历史分位值**：中证500为97.69%[42]，中证全指为96.20%[42]，中证1000为95.70%[42]，沪深300为86.69%[42]，中证2000为86.53%[42]，上证50为84.13%[42]，创业板指为59.67%[42]。 7. **当前股息率近5年历史分位值**：创业板指为59.75%[51][53]，沪深300为36.03%[51][53]，中证1000为35.21%[51]，中证全指为33.72%[51]，上证50为30.91%[51]，中证500为15.62%[51][49]，中证2000为12.23%[51][49]。 8. **当前破净率**：上证50为22.0%[55]，沪深300为16.0%[55]，中证500为10.6%[55]，中证1000为8.0%[55]，中证全指为6.08%[55]，中证2000为3.2%[55]。

量化模型与构建方式 1. **模型名称**：中证机器人指数编制模型[22][23] **模型构建思路**：构建一个能够反映A股市场机器人产业链相关上市公司整体表现的指数[22] **模型具体构建过程**： * **样本空间**：同中证全指指数的样本空间[23] * **流动性筛选**：对样本空间内证券，按照过去一年日均成交金额由高到低排名，剔除排名后20%的证券[23] * **主题筛选**：对样本空间内剩余证券，选取为机器人生产提供软件和硬件的上市公司作为待选样本，包括但不限于：系统方案商、数字化车间与生产线系统集成商、自动化设备制造商、底层自动化零部件商以及其他与机器人相关的公司[23] * **选样**：从待选样本中选出所有机器人主题公司的证券，并按照过去一年日均总市值由高到低排名，选取排名前100的证券作为指数样本，不足100只时全部纳入[23] * **加权方式**：调整市值加权，且单个样本权重不超过10%[23] * **定期调整**：指数样本每半年调整一次，样本调整实施时间分别为每年6月和12月的第二个星期五的下一交易日[23] 2. **模型名称**：华夏中证机器人ETF跟踪复制模型[47][48][50] **模型构建思路**：采用完全复制策略及适当的替代性策略，以紧密跟踪中证机器人指数，追求跟踪偏离度和跟踪误差最小化[47][48][50] **模型具体构建过程**： * **投资目标**：紧密跟踪标的指数（中证机器人指数），力争日均跟踪偏离度的绝对值不超过0.2%，年跟踪误差不超过2%[48] * **核心策略**：主要采用完全复制法，即按照标的指数的成份股构成及其权重构建投资组合，并根据指数成份股及其权重的变动进行相应调整[50] * **辅助策略**：在特殊情况下（如法律法规限制、流动性不足等），可采用适当的替代性策略调整投资组合，以更好地实现跟踪目标[50] 模型的回测效果 1. **中证机器人指数编制模型**，年化收益率4.76%[41][42]，年化夏普比0.30[41][42]，年化波动率30.62%[42]，最大回撤67.24%[42] 2. **华夏中证机器人ETF跟踪复制模型**，全样本期年化超额收益0.65%[50][53]，全样本期年化跟踪误差0.36%[50][53]，全样本期超额信息比(IR)1.60[53] 量化因子与构建方式 1. **因子名称**：营收同比增长因子[18] **因子构建思路**：通过公司营业收入同比增长率来筛选机器人产业链中收入端保持较快增长的企业[18] **因子具体构建过程**：计算每只成分股在特定报告期（如2025年第三季度）的营业收入同比增长率。具体公式为： $$营收同比增长率 = \frac{本期营业收入 - 去年同期营业收入}{去年同期营业收入} \times 100\%$$ 报告中指出，2025年三季度，中证机器人指数成分股中有约2/3企业实现营收同比增长，28只成分股单季度营收同比增速超过20%[18] 2. **因子名称**：预期净利润增速因子[28] **因子构建思路**：使用市场一致预期的未来净利润增长率，作为评估指数未来盈利修复能力和成长性的前瞻性指标[28] **因子具体构建过程**：采用券商分析师对指数成分股未来净利润的预测值，汇总计算得到指数整体的预期净利润增速。报告中给出了中证机器人指数2025年、2026年的预期净利润增速分别为57.35%和31.56%[28] 3. **因子名称**：预期净资产收益率(ROE)因子[29] **因子构建思路**：通过预测未来的净资产收益率及其变化，评估指数的盈利质量和改善预期[29] **因子具体构建过程**：基于盈利预测数据，计算指数未来的净资产收益率(ROE)。报告中预计中证机器人指数2025年、2026年、2027年的ROE分别为8.23%、11.33%和11.34%，ROE分别增长2.38%、3.09%和1.34%[29] 因子的回测效果 *注：本报告未提供上述单个因子的独立回测绩效指标（如IC、IR、多空收益等），而是将这些因子作为分析指数基本面和投资价值的定性或定量依据。因此，此处无具体的因子回测效果数据。*

量化模型与构建方式 1. **模型名称**：产业链Agent[5] **模型构建思路**：利用大语言模型的生成与分析能力，结合RAG方法从海量文本知识库中检索信息，以挖掘并构建产业链图谱，并确保结果的合理性、时效性与专业性[5] **模型具体构建过程**：首先，构建一个由海量新闻、研报等文本构成的本地知识库。当需要梳理特定产业链时，利用RAG方法从该知识库中自动检索相关信息。随后，基于大语言模型对检索到的信息进行理解与推理，从中挖掘产业链上下游关系、关键节点等信息，最终生成结构化的产业链图谱并提供相关的概念股票池[5] 量化因子与构建方式 1. **因子名称**：领涨因子[2][8] **因子构建思路**：基于股票的量价数据构建，旨在捕捉在特定概念板块中表现领先、涨幅突出的股票特征[2][8] **因子具体构建过程**：报告未详细描述该因子的具体计算公式和构建步骤，仅提及它是基于量价数据构造的，并用于在“商业航天”概念股池中进行筛选[2][8] 2. **因子名称**：尖峰右偏因子[2][8] **因子构建思路**：基于股票的量价数据构建，旨在捕捉价格分布具有尖峰、右偏（即可能存在大幅上涨潜力）统计特征的股票[2][8] **因子具体构建过程**：报告未详细描述该因子的具体计算公式和构建步骤，仅提及它是基于量价数据构造的，并用于在“商业航天”概念股池中进行筛选[2][8] 3. **复合因子/增强组合构建**：商业航天概念增强组合[2][8] **构建思路**：在通过“产业链Agent”模型得到的“商业航天”概念股票池基础上，结合领涨因子和尖峰右偏因子进行综合筛选，以构建表现更优的投资组合[2][8] **具体构建过程**：首先，获取由模型生成的“商业航天”概念股票池[5][8]。然后，基于量价数据分别计算池中每只股票的领涨因子得分和尖峰右偏因子得分。最后，根据因子综合得分（报告未明确具体合成方式）筛选出排名前五的股票，构成最终的“商业航天”概念增强组合[2][8] 模型的回测效果 （报告中未提供“产业链Agent”模型的相关回测效果指标数据） 因子的回测效果 （报告中未提供“领涨因子”和“尖峰右偏因子”的独立测试结果指标数据） 增强组合的测试结果取值 1. **商业航天概念增强组合**，最终筛选出的股票为：信维通信、斯瑞新材、中国卫星、航天发展、航天电子[8]