中证小康产业指数的编制方法是什么？指标股有哪些？

摘要： 中证小康产业指数从消费、科技、医药等小康产业中选取100只股票，采用自由流通市值加权，每半年调整一次。指标股覆盖贵州茅台、宁德时代等龙头，反映经济转型趋势。

中证小康产业指数是什么

中证小康产业指数由中证指数有限公司编制，代码000991，基日为2004年12月31日，基点为1000点。该指数从沪深市场中选取100只属于小康产业范畴的上市公司证券作为指数样本，以反映受益于中国经济转型、消费升级、科技创新等趋势的上市公司整体表现。小康产业涵盖消费品、信息技术、医药卫生、电信业务、可选消费等领域。

编制方法

样本空间

指数样本空间由同时满足以下条件的沪深A股组成：上市时间超过一个季度，除非该股票自上市以来日均总市值排在前30位；非ST、*ST股票，非暂停上市股票；经营状况良好，最近一年无重大违法违规事件，财务报告无重大问题；股价无明显的异常波动或市场操纵。

选样方法

对样本空间内的股票，按照以下步骤进行筛选：

中证小康产业指数的编制方法是什么？指标股有哪些？

计算样本空间内股票过去一年日均总市值、日均成交金额。
剔除日均成交金额排名后20%的股票。
对剩余股票，根据中证行业分类，选取属于主要消费、可选消费、医药卫生、信息技术、电信业务等行业的股票。
在所选行业内，按照过去一年日均总市值由高到低排名，选取前100名作为指数样本。

加权方式

指数采用自由流通市值加权计算。自由流通市值 = 自由流通股本 × 收盘价。自由流通股本剔除限售股份、战略持股、国家股、冻结股份等非自由流通部分。单个样本权重不超过10%，前五大样本权重合计不超过40%。

调整周期

指数每半年调整一次样本，通常在每年6月和12月的第二个星期五的下一交易日实施。每次调整的样本比例不超过10%。权重因子随样本定期调整而调整，调整时间与样本调整相同。特殊情况下可能进行临时调整。

指标股一览

截至最新调整期，中证小康产业指数前十大权重股包括：

| 股票代码 | 股票名称 | 行业 | 权重（约） |

|---------|---------|------|-----------|

| 600519 | 贵州茅台 | 主要消费 | 9.8% |

| 300750 | 宁德时代 | 工业 | 5.2% |

| 000858 | 五粮液 | 主要消费 | 4.5% |

| 600036 | 招商银行 | 金融 | 3.9% |

| 000333 | 美的集团 | 可选消费 | 3.6% |

| 601318 | 中国平安 | 金融 | 3.2% |

| 600276 | 恒瑞医药 | 医药卫生 | 2.8% |

| 002415 | 海康威视 | 信息技术 | 2.5% |

| 600887 | 伊利股份 | 主要消费 | 2.3% |

| 000651 | 格力电器 | 可选消费 | 2.1% |

以上权重会随市场波动和定期调整而变化。指数完整成分股列表可通过中证指数官网或金融数据终端查询。

指数与期货的关联

中证小康产业指数本身没有对应的股指期货合约。中国金融期货交易所上市的股指期货品种包括沪深300、上证50、中证500、中证1000等。小康产业指数作为策略指数，更多用于基金产品跟踪和业绩基准。投资者若想通过期货工具管理小康产业相关风险，可参考沪深300或中证500期货进行替代对冲，但需注意基差和相关性差异。

量化交易中的使用

在量化策略中，中证小康产业指数可作为消费和科技板块的代理变量。以下Python代码演示如何获取该指数历史数据并计算简单移动平均策略信号。


import akshare as ak

import pandas as pd

import numpy as np

# 获取中证小康产业指数历史行情

df = ak.index_zh_a_hist(symbol="000991", period="daily", start_date="2020-01-01", end_date="2024-12-31")

df['date'] = pd.to_datetime(df['日期'])

df.set_index('date', inplace=True)

df = df[['收盘']].rename(columns={'收盘': 'close'})

# 计算20日和60日移动平均

df['ma20'] = df['close'].rolling(20).mean()

df['ma60'] = df['close'].rolling(60).mean()

# 生成交易信号：ma20上穿ma60买入，下穿卖出

df['signal'] = 0

df.loc[df['ma20'] > df['ma60'], 'signal'] = 1

df.loc[df['ma20'] <= df['ma60'], 'signal'] = 0

df['position'] = df['signal'].shift(1)

# 计算策略收益

df['return'] = df['close'].pct_change()

df['strategy_return'] = df['position'] * df['return']

# 输出累计收益

print(df[['return', 'strategy_return']].cumsum().iloc[-1])

运行该代码可获得指数均线策略的累计收益。实际交易需考虑手续费、滑点等因素。