本报告版权属于国投期货有限公司 1 不可作为投资依据，转载请注明出处 2025年12月15日 周度报告 期指长周期因子下降 金融工程周报 操作评级 股指 ☆☆☆ 国债 ☆☆☆ 王锴 金融工程组 010-58747784 gtaxinstitute@essence.com. cn Z0016943 F03091361 p 截至12月12日当周，A股整体呈结构化震荡走势，全市场日 均成交额为195万亿元，较上周增加近2600亿元，市场成 交活跃度小幅回升。三大指数涨跌不一，其中上证指数下跌 0.34%。短期增量政策与经济数据信息相对有限，市场结构 性特征显现。 p 从高频宏观基本面因子评分来看，期指方面，通胀指标8分， 流动性指标9分，估值指标11分，市场情绪指标9分。期债 方面，通胀指标8分，流动性指标10分，市场情绪指标6分。 期限结构方面，IH、IF、IC、IM 期末持仓量加权年化基差 率（分红调整）分别为 0.33%、-2.32%、-4.16%、- 9.95%，远月合约贴水再度扩大。 p 金融衍生品量化CTA策略上周净值没有变化。长周期方面， 社融数据虽然小幅超预期，但信贷数据M1和M2等均表现出 了超季 ...

量化模型与构建方式 1. **模型名称：卷积神经网络趋势观察模型**[83] * **模型构建思路**：使用卷积神经网络（CNN）对个股历史价量数据形成的标准化图表进行建模，学习图表特征与未来价格走势之间的关系，并将学习到的有效特征映射到行业主题板块，以识别具有趋势性机会的板块[83]。 * **模型具体构建过程**： 1. **数据准备**：为每个个股在特定窗口期内的价量数据构建标准化的图表[83][84]。 2. **模型训练**：使用卷积神经网络对上述图表化的价量数据与未来价格进行建模，学习能够预测未来价格走势的图表特征[83]。 3. **特征映射**：将训练好的模型学习到的特征映射到行业主题板块中，识别出模型认为未来具有上涨潜力的主题板块[83]。 4. **输出配置**：模型最终输出为看好的具体行业主题指数列表，作为配置建议[85]。 2. **模型名称：宏观因子事件模型**[58] * **模型构建思路**：通过跟踪一系列国内外宏观指标，定义其特定的走势事件（如短期高低点、连续涨跌等），并从历史数据中回测寻找对资产未来收益率有显著影响的“有效因子事件”，以此作为判断未来资产趋势的依据[58]。 * **模型具体构建过程**： 1. **因子选择**：跟踪25个国内外宏观指标，涵盖货币政策、财政政策、流动性、通胀水平及其他经济指标等多个维度[58]。 2. **事件定义**：定义四类宏观因子走势事件：短期高低点、连续上涨/下跌、创历史新高/新低、因子走势反转[58]。 3. **有效性检验**：从历史数据中回测，筛选出对资产未来收益率影响较为显著的“有效因子事件”[58]。 4. **趋势分析**：采用历史均线（如1月、3月、12月均线）将宏观因子走势分为趋势上行和趋势下行，统计在不同趋势下资产未来一个月收益率的显著差异，形成观点[60][61]。 3. **模型名称：期权成交量看涨看跌比（CPR）模型**[51] * **模型构建思路**：通过监测上证50ETF期权成交量看涨看跌比率（CPR）与其布林通道的相对位置，来判断蓝筹股是否存在短期超卖风险[51]。 * **模型具体构建过程**： 1. **计算CPR**：计算上证50ETF期权成交量的看涨看跌比率[51]。 2. **构建通道**：计算CPR的60日布林通道（通常包含上轨、中轨、下轨）[51]。 3. **信号生成**：当最近20个交易日的CPR低于其60日布林通道上轨时，模型认为蓝筹股短期不存在超卖风险[51]。 量化因子与构建方式 1. **因子名称：新高新低比例因子**[37] * **因子构建思路**：通过统计市场中创近期新高与新低的个股数量占比，来度量市场的极端情绪和趋势强度[37]。 * **因子具体构建过程**： * **新高比例**：计算创近60日新高的个股数量占全部个股总数的比例[3][37]。 * **新低比例**：计算创近60日新低的个股数量占全部个股总数的比例[3][37]。 2. **因子名称：个股均线结构因子**[41] * **因子构建思路**：通过计算均线呈多头排列与空头排列的个股数量之差占全体个股的比例，来反映市场整体的技术趋势强弱[41]。 * **因子具体构建过程**： * **均线强弱指标**：计算（多头排列个股数量 - 空头排列个股数量） / 全体个股数量[41]。该指标值上升表明市场整体技术面走强，下降则表明走弱[3][4]。 3. **因子名称：长期均线以上比例因子**[44] * **因子构建思路**：通过统计股价位于长期均线（如200日）之上的个股比例，来评估市场整体的长期趋势强弱和广度[44]。 * **因子具体构建过程**：计算当前价格位于200日长期移动平均线之上的个股数量占全体个股数量的比例[44]。 4. **因子名称：风险溢价因子**[70] * **因子构建思路**：通过计算股票市场收益率（市盈率倒数）与无风险收益率（十年期国债收益率）的差值，来衡量股票资产相对于债券资产的吸引力[86]。 * **因子具体构建过程**： 1. 计算中证全指的静态市盈率（PE_TTM）的倒数，即盈利收益率（EP）[86]。 2. 从EP中减去十年期国债收益率，得到风险溢价[86]。 $$风险溢价 = \frac{1}{PE\_{TTM}} - 十年期国债收益率$$ * **因子评价**：该指标是衡量股债性价比的核心指标，值越高通常表示股票相对债券越有吸引力[86]。 5. **因子名称：指数超买超卖因子**[73] * **因子构建思路**：通过特定算法计算主要指数和行业指数的超跌或超买状态，以识别市场或板块的极端位置[73]。 * **因子具体构建过程**：报告未详细说明具体计算算法，但展示了截至特定日期（2025年12月12日）各主要宽基指数和行业指数的“超跌指标”统计值[73][74][77][78]。 模型的回测效果 （报告中未提供具体模型的量化回测指标结果，如年化收益率、夏普比率、最大回撤等。） 因子的回测效果 （报告中未提供具体因子的IC值、IR、多空收益等量化测试结果。报告主要展示了部分因子在最新一期的状态取值。） 1. **新高新低比例因子**：截至2025年12月12日当周，创近60日新高个股数占比从前一期的8.4%升至8.5%；创近60日新低个股数占比从前一期的6.9%升至20%[3][4]。 2. **个股均线结构因子**：截至2025年12月12日当周，多头排列减空头排列个股占比从前一期的-6.9%降至-15%[3][4]。 3. **风险溢价因子**：截至2025年12月12日，中证全指风险溢价为2.82%，其历史均值加减两倍标准差边界分别为4.71%和未知下限[86]。 4. **宏观因子事件模型当前观点**：根据截至2025年12月12日的宏观因子趋势分析，对权益市场未来一个月的观点为：PMI、CPI同比、社融存量同比趋势显示市场可能“震荡”；10年期国债收益率和美元指数趋势显示“看多”[61]。

文章核心观点 - 人工智能行业正通过复杂、相互关联且高杠杆的金融安排进行大规模融资，其模式与2008年金融危机前的金融工程有相似之处，若行业增长不及预期，可能引发系统性金融风险 [1][5][7] 人工智能行业融资模式与规模 - 人工智能基础设施成本极高，保守估计今年数据中心支出将超过4000亿美元，麦肯锡预计到2030年将达近7万亿美元 [8] - 为支付巨额投资，行业采用创意融资手段，包括债务、股权互换及复杂金融工程 [8] - 人工智能公司整体面临巨大收支缺口，预计今年行业总收入600亿美元，但支出高达4000亿美元 [9][10] - 摩根士丹利预计，人工智能公司债务到2028年将升至1.5万亿美元 [11] 核心公司案例：CoreWeave - CoreWeave是一家从加密货币挖矿转型的数据中心运营商，是今年表现最佳的科技企业之一，股价自3月IPO后翻了一倍以上 [5] - 公司商业模式是采购高端芯片并建造/租赁数据中心，然后将算力出租给人工智能公司 [6] - 公司财务状况堪忧，预计今年收入50亿美元，支出约200亿美元，为填补缺口已举债140亿美元，其中一半以上将在一年内到期 [6] - 公司面临总额达340亿美元的租赁付款义务，款项在现在至2028年间陆续到期 [6] - 收入来源高度集中，仅微软一家客户就贡献其70%的收入，英伟达和OpenAI可能占另外20% [7] - 公司与多家巨头达成巨额协议，包括与OpenAI的220亿美元合作、与Meta的140亿美元协议、与英伟达的60亿美元安排 [5] - 英伟达和OpenAI同时也是CoreWeave的重要投资者，形成了复杂的财务互锁关系 [7] 行业巨头间的复杂财务互锁关系 - 英伟达处于行动核心，已达成50多笔交易，通过向人工智能公司投资（如对OpenAI的1000亿美元投资）来换取其购买芯片，资金最终回流至英伟达 [8] - OpenAI自身也达成一系列巨额采购协议，包括从甲骨文购买3000亿美元算力、从亚马逊购买380亿美元、从CoreWeave购买220亿美元 [9] - OpenAI同时是多家云服务商和芯片制造商的收入来源、投资方及财务合作伙伴，但其自身预计今年仅创造100亿美元收入，亏损至少150亿美元，且2029年前不指望盈利 [9] - 目前，唯一从人工智能热潮中赚取大量利润的公司是英伟达，其利润源于其他公司为博取未来利润而购买其芯片 [10] 令人担忧的金融工程手段 - 公司利用**特殊目的载体**进行表外融资，例如Meta通过与私募股权公司Blue Owl合作设立SPV，为耗资270亿美元的数据中心项目借款并回租，使债务不出现在资产负债表上 [12] - 总额达数十亿美元的数据中心债务被切割成**资产支持证券**并打包出售给投资者，在投机时期可能导致债务价值与基础资产脱钩 [13] - 出现**GPU抵押贷款**，数据中心运营商将现有芯片作为抵押品贷款购买新芯片，但芯片价值可能因新型号发布而下跌，存在引发贬值和贷款违约恶性循环的风险 [13] - 这些复杂的金融安排被专家视为危险信号，类似手段在2008年金融危机前被广泛使用 [13] 私人信贷的崛起与潜在风险 - 私募股权公司深度介入科技行业放贷，截至今年初已提供约4500亿美元**私人信贷**，预计未来两年还将再提供8000亿美元 [14] - 私人信贷市场是一个黑箱，这些实体无需披露贷款细节，使得监管机构无法评估系统风险 [14] - 私人信贷与其他金融体系联系紧密，美联储研究显示，目前非银行金融机构从银行获得的贷款中最多有四分之一流向了私人信贷公司，大型人寿保险公司已有近1万亿美元资金投入私人信贷 [15] - 这些联系意味着，大规模人工智能崩盘可能引发私人信贷违约潮，进而拖累大型银行和保险公司 [15] 政府监管与政策动向 - 联邦政府未加强监管，反而在放松，今年8月的一项行政命令指示机构放松监管，允许普通401(k)账户持有人直接投资于包括私人信贷在内的“另类资产”，可能使更广泛的公众暴露在人工智能贷款违约风险中 [15]

宏观与资产表现 - 截至12月5日当周，商品表现优于权益，韩国综指领涨全球股市，涨幅为4.4%[4][5] - 中国债券市场呈“熊陡”格局，收益率曲线上移；美国债券市场呈“牛陡”格局，CME FedWatch显示美联储12月降息25个基点的概率升至87.2%[6] - 年初至报告期，COMEX白银价格累计上涨101.9%，美元指数累计贬值8.8%[7] 行业景气与动态 - AI产业维持高景气，高端存储器DRAM DDR4现货均价达46.5美元，周环比上涨9.4%[9][11] - 服务消费同比表现强劲，11月以来上海迪士尼乐园拥挤度指数同比+75.0%，电影票房同比+227.7%[9][10] - 电子布行业因AI需求与产能“挤出效应”供应紧张，12月初厚布7628价格环比+0.2元/平，薄布价格环比+0.3-0.5元/平[21] - 造纸业中，11月白卡纸市场均价为4194元/吨，环比上涨3.30%；瓦楞纸市场均价为3164元/吨，环比上涨6.35%[15][16] 金融市场与资金 - 2025年11月，全市场公募基金资产净值合计36万亿元，新发基金份额945.67亿份，环比增长30.81%[24] - 12月首周，国有大行资金融出规模环比增加2966亿元至46935亿元；全市场杠杆率环比增加1.2%至109.0%[65][66] - 截至2025年12月7日，全国地方政府新增专项债年内累计发行额达44958.2亿元，同比上升[28] 公司业绩与展望 - 交通银行2025年第三季度单季营收及归母净利润同比增速分别为3.9%、2.5%，不良率较Q2末下降2bp至1.26%[35][36] - 滴滴出行2025年第三季度国际业务EBITA亏损16.83亿元，同比增亏13.87亿元，主要因巴西市场竞争加剧[40][42] - 合盛硅业预测2026年EPS为2.1元，增速达1701.5%，公司工业硅与有机硅单体产能行业占比分别为19%和30%[45]

招聘岗位与职责 - 公司招聘金融工程组实习生，工作地点为深圳、上海、北京，要求线下实习 [1] - 实习时间要求每周至少3天，总时长不少于3个月，实习考核优秀者有留用机会 [1] - 岗位职责包括数据处理、分析、统计，协助完成量化投资课题研究 [2] - 岗位职责包括协助进行金融工程策略模型的开发与跟踪 [2] 候选人基本要求 - 专业要求为数学、统计、物理、计算机、信息工程等理工科或金融工程相关专业 [3] - 学历要求为硕士或博士在读，特别优秀的大四保研生亦可，要求非应届（2027年及之后毕业） [3] - 技能要求熟练掌握Python等编程语言，熟悉SQL数据库，具备优秀编程能力与规范 [3] - 能力要求包括责任心强、自我驱动，并具备良好的信息搜集、逻辑思维、分析判断及沟通表达能力 [3] 候选人优先考虑项 - 具备扎实的金融市场基础知识，熟悉股票、债券、期货、指数及基金等核心概念 [4] - 数学基础好，有科研项目经历及SCI或EI收录的学术论文 [4] - 熟悉Wind、Bloomberg、天软等金融终端 [4] - 熟悉机器学习、深度学习，熟悉PyTorch、Linux，有GPU服务器使用及项目开发经验 [4] - 有其他机构量化投研相关实习经历 [4] 申请流程与方式 - 简历投递截止日期为2025年12月31日 [1] - 简历需投递至指定邮箱，邮件标题需按“【金融工程组】-【姓名】-【毕业学校】-【专业】”格式命名 [5] - 简历需以PDF格式发送，未按要求命名的邮件将被视作垃圾邮件处理 [5] - 简历收集截止后，公司将尽快为合格候选人安排笔试和面试 [5]

核心观点 - 报告对2026年宏观经济持积极看法，认为将走向供需新均衡，政策将更加积极，大类资产方面看多权益市场，债券利率预计小幅上行 [5][9][12] - 2025年11月制造业PMI环比小幅回升0.2个百分点至49.2%，经济预期修正下债券收益率有望趋势性上行 [14][15][19] - 港股市场11月价值板块占优，南下资金持续流入，量化组合维持高股息配置策略，超额收益创新高 [21][22][28][29][30] 宏观经济展望 - “十五五”规划三大要点为承前启后、科技强国、扩大内需，推测2026年实际GDP目标为5%左右 [5] - 供给端将通过做加法（如高质量服务供给）和做减法（如“反内卷”）推动平衡，2024年服务贸易限制性指数为0.225，高于OECD国家均值的0.19 [6] - 需求端外需预计保持稳定，2026年出口同比或在+2%左右；内需投资有限回升，消费潜力在于服务消费 [7] - 预计2026年CPI同比0.7%左右，PPI同比在乐观和悲观假设下分别为0.5%和-0.7%左右 [8] - 宏观政策将更加积极，货币政策适度宽松，适时降准降息；财政政策广义赤字规模可能增加1.7万亿，赤字率或提升至4.2% [9][10][11] 固定收益市场 - 2025年11月制造业PMI为49.2%，环比提升0.2个百分点，非制造业PMI为49.5%，环比下降0.6个百分点 [14] - 制造业景气水平小幅回升，生产活动有所修复，新出口订单环比提升1.7个百分点，生产指数环比提升0.3个百分点 [15] - 服务业PMI环比下降0.7个百分点至49.5%，2025年以来首次落入收缩区间，建筑业PMI环比提升0.5个百分点至49.6% [16][18] - 高技术制造业PMI为50.1%，连续10个月位于扩张区间，价格分类指数均有所改善，主要原材料购进价格指数环比提升1.1个百分点 [17] 港股市场与量化策略 - 2025年11月港股市场整体承压，恒生指数微跌0.2%，恒生科技指数跌5.2%，价值板块如农林牧渔、石油石化表现更优 [21] - 南下资金单月净流入1219亿港元，全年累计净流入额达13819亿港元，是2024年全年的171% [22] - 港股CCASS优选20组合11月收益率0.13%，超额收益率0.32%，全区间（2020.1~2025.11）超额年化收益率达19.7% [28][29] - 2025年12月组合持仓维持高股息配置，变化不大 [30]

科创板政策支持与市场影响 - 科创板设立七周年，已支持数百家企业上市，显著促进科创企业发展 [3][4] - 证监会推出“科创八条”和“科创十六条”等政策，提升资本市场对科技企业特别是未盈利企业的包容性 [3][4] - 未盈利企业适用第五套标准上市、科创债风险分担工具等组合拳拓宽融资渠道并降低融资成本 [3][9] 长三角科创企业特征 - 长三角民营科创企业更敢于投入人工智能、生物医药、新能源等硬核技术创新 [6] - 政策支持促使企业深度融入产学研融合及创新联合体，产业链协同创新更加紧密 [6] - 梯度培育体系推动企业向“专精特新”和“隐形冠军”方向发展，构建细分领域技术壁垒 [6] 科创企业融资需求变化 - 企业不同发展阶段需多元化资金支持，包括高效低成本的融资战略 [7] - 除融资外，企业更需通过股权纽带与战略伙伴建立长期合作关系 [7] - 并购需求显著增长，成为企业规模扩张、构建第二发展曲线及产业链整合的关键手段 [7] 融资渠道拓展具体措施 - 科创板“1+6”改革设科创成长层，重启未盈利企业第五套标准，2025年8月底前受理的15家IPO中4家为未盈利企业 [9] - 央行创设科创债风险分担工具，对AA级以下债券提供30%违约损失分担，2025年5-7月发行近650只科创债，融资规模超8400亿元，民营企业占比13% [9] - 商业银行建立专项信贷机制，扩大科技创新再贷款额度并优化流程 [9] 融资成本降低成效 - 2025年七部门联合发布科技金融新政，预计为中小科创企业新增融资超万亿元，融资成本节约50个基点以上 [10] - 科创债加权平均票面利率从1-4月的2.03%-2.47%降至5月的1.77%和6月的1.89%，利率显著下降 [10] 证券公司业务模式转型 - 证券公司从“通道”服务转向“全生命周期合伙人”，需重塑估值体系及客户网络 [3] - 深度整合AI、区块链、ETF等金融工程工具，嵌入产业链协同与区域创新生态 [3] - 服务重心从单一融资支持扩展至战略合作、并购整合等全方位赋能，与科创企业共筑新质生产力壁垒 [3][4]

根据提供的研报内容，以下是关于量化模型和因子的总结。报告主要涉及对市场状态的跟踪和描述性统计，未明确构建用于选股或择时的量化模型或因子。因此，以下总结将重点放在报告中用于分析市场状态的指标和计算方法上。 量化因子与构建方式 1. **因子名称**：风险溢价[25][26] * **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，以衡量其相对投资价值和偏离情况[25] * **因子具体构建过程**：风险溢价的计算公式为宽基指数的收益率减去十年期国债即期收益率。报告中展示了各指数的当前风险溢价值及其在不同时间窗口（近1年、近5年）内的统计分位值和波动率[26][27][28][29] 2. **因子名称**：股债性价比[43] * **因子构建思路**：使用各宽基指数PE-TTM的倒数作为股票预期收益的代理变量，并与十年期国债即期收益率进行比较，其差值即为股债性价比，用于判断股票和债券的相对吸引力[43] * **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`。报告中通过历史分位值（如80%分位为机会值，20%分位为危险值）来评估当前值在历史中的位置[43] 3. **因子名称**：破净率[50][52] * **因子构建思路**：计算各宽基指数中市净率（PB）小于1的个股数量占指数总成分股数量的比例，用以反映市场整体的估值态度和悲观情绪[50][52] * **因子具体构建过程**：破净率 = （指数成分股中PB < 1的股票数量 / 指数总成分股数量） × 100%。报告列出了各主要宽基指数在特定日期的破净率具体数值[50][52] 4. **因子名称**：指数换手率[15] * **因子构建思路**：衡量宽基指数的整体交易活跃程度[15] * **因子具体构建过程**：指数换手率并非简单平均，而是采用加权平均计算，公式为：`指数换手率 = Σ(成分股流通股本 * 成分股换手率) / Σ(成分股流通股本)`[15] 5. **因子名称**：交易金额占比[15] * **因子构建思路**：计算单一宽基指数的成交金额在全市场（以中证全指为代表）成交金额中的占比，用以观察资金在不同板块间的流向[15] * **因子具体构建过程**：`某指数交易金额占比 = （该指数当日交易金额 / 中证全指当日交易金额） × 100%`[15] 6. **因子名称**：收益分布形态指标（峰度与偏度）[21][23] * **因子构建思路**：通过分析宽基指数日收益率的分布形态，即峰度和偏度，来刻画收益分布的集中程度和对称性，并与历史时期进行对比[21][23] * **因子具体构建过程**：报告计算了近5年（基准期）和当前（观察期）的峰度和偏度。其中，峰度的计算减去了3（正态分布的峰度值），即报告中的峰度为超额峰度。偏度则直接计算。通过比较当前值与近5年基准值的差异（当前值 - 近5年值）来分析形态变化[21][23] 因子的回测效果 *报告未提供上述因子在选股或择时策略中的具体回测绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。报告内容主要为在特定时点（2025年11月18日）对这些因子的状态进行描述和展示其历史分位值[10][13][15][23][29][40][41][50][52]。*

经过仔细审阅，该文档主要是一份关于ETF市场和主动/指数增强型基金的市场表现回顾与跟踪报告，其内容侧重于市场数据统计和基金产品业绩展示，并未涉及量化模型或量化因子的构建、测试与分析。 具体来说，报告内容主要包括： 1. ETF市场的一级市场资金流动情况和二级市场交易情况的数据统计[12][15] 2. 各类增强策略ETF和增强指数型基金的业绩表现跟踪，如超额收益率等指标[28][38][41] 3. 主动权益类基金的业绩排名和收益率统计[33][34][35][37] 4. 基金产品的发行与上市信息跟踪[29][30][31][32][43][44] 报告的核心是描述性统计和业绩汇总，并未阐述任何量化模型（如多因子模型、风险模型）或量化因子（如价值、动量、质量等因子）的构建思路、具体过程、公式或对其的理论评价。所有提及的“增强策略”均指已上市的基金产品名称或其投资策略类型，而非由报告作者构建并测试的量化模型或因子。 因此，根据任务要求，本总结中关于“量化模型与构建方式”及“量化因子与构建方式”的部分没有相关内容可提供。报告内容集中于市场现状描述，而非量化分析方法论。

根据提供的研报内容，该报告主要是一份可转债市场的定期跟踪报告，侧重于市场行情、个券表现和条款跟踪的数据统计与展示，并未涉及具体的量化模型或量化因子的构建、测试与分析过程[1][2][4][7][19][42][43]。报告内容多为市场指数的涨跌幅、成交量、转股溢价率等描述性统计，以及基于Wind等第三方数据源提供的现成指数（如不同信用评级、价格、规模、策略的转债指数）的走势对比[22][23][25][27][29]。 因此，本总结将主要列出报告中提及的、可作为量化分析基础的市场指标和分类方法。 量化因子与构建方式 1. **因子名称**：转股溢价率[10][18][35] * **因子的构建思路**：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]。 * **因子具体构建过程**：对于单只可转债，其转股溢价率的计算公式如下： $$转股溢价率 = \frac{可转债收盘价 - 转股价值}{转股价值}$$ 其中，转股价值的计算公式为： $$转股价值 = \frac{100}{转股价格} \times 正股收盘价$$ 报告中展示了全市场转股溢价率的中位数、算术平均数以及不同价格区间内个券转股溢价率的中位数[10][18][35]。 2. **因子名称**：可转债价格区间[35] * **因子的构建思路**：根据可转债的市场价格将其划分到不同的区间，用以观察不同价位转债的数量分布和估值特征[35]。 * **因子具体构建过程**：报告中将可转债按价格划分为六个区间：小于100元、100-110元、110-120元、120-130元、130-140元、大于140元，并统计了每个区间内的个券数量及占比[35]。 3. **因子名称**：可转债分类（信用评级/价格/规模/策略）[22][23][25][27][29] * **因子的构建思路**：基于第三方数据（Wind）提供的分类指数，从信用评级、价格水平、发行规模、投资策略等不同维度对可转债市场进行划分，以观察各类别转债的收益表现[22][23][25][27][29]。 * **因子具体构建过程**：报告引用了Wind编制的系列指数，包括： * 信用评级指数：万得可转债AAA指数、AA+指数、AA指数、AA-及以下指数[22][23]。 * 价格指数：万得可转债高价指数、中价指数、低价指数[25]。 * 规模指数：万得可转债大盘指数、中盘指数、小盘指数[27]。 * 策略指数：万得可转债双低指数（低价格+低溢价率）、高价低溢价率指数[29]。 市场指标与指数表现 1. **中证转债指数**，周涨跌幅0.525%，相较于中证全指的绝对收益为1.057%[7] 2. **上证转债指数**，周涨跌幅0.290%[7] 3. **深证转债指数**，周涨跌幅0.780%[7] 4. **可转债市场转股溢价率中位数**，当前值26.24%，周环比变化-0.66%[10] 5. **可转债市场转股溢价率算术平均数**，当前值40.91%，周环比变化-0.80%[10] 6. **价格区间 <100元**的个券转股溢价率中位数0.00%，周环比变动0.00%[35] 7. **价格区间 100-110元**的个券转股溢价率中位数80.98%，周环比变动-20.04%[35] 8. **价格区间 110-120元**的个券转股溢价率中位数64.74%，周环比变动-6.49%[35] 9. **价格区间 120-130元**的个券转股溢价率中位数56.00%，周环比变动14.47%[35] 10. **价格区间 130-140元**的个券转股溢价率中位数24.90%，周环比变动9.09%[35] 11. **价格区间 >140元**的个券转股溢价率中位数12.84%，周环比变动9.47%[35]