根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. 封板率模型 - 模型构建思路：通过统计最高价涨停且收盘涨停的股票数与最高价涨停的股票数的比值，反映市场情绪[17] - 模型具体构建过程： $封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$ 其中分子为当日同时满足最高价涨停和收盘涨停的股票数量，分母为盘中最高价涨停的股票总数[17] 2. 连板率模型 - 模型构建思路：衡量连续两日涨停的股票占比，反映市场追涨情绪的持续性[17] - 模型具体构建过程： $连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$ 分子为昨日和今日均收盘涨停的股票数，分母为昨日收盘涨停的总股票数[17] 3. 股指期货年化贴水率模型 - 模型构建思路：计算股指期货主力合约与现货指数的基差年化值，用于评估市场预期和套利成本[28] - 模型具体构建过程： $年化贴水率 = \frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right)$ 基差=期货价格-现货价格，250为年化交易日数[28] 量化因子与构建方式 1. 大宗交易折价率因子 - 因子构建思路：通过大宗交易成交价与市价的偏离程度反映大资金动向[26] - 因子具体构建过程： $折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$ 总市值为大宗交易股票当日收盘价×成交股数[26] 2. ETF折溢价因子 - 因子构建思路：监测ETF场内交易价格与净值的偏离，捕捉套利机会[23] - 因子具体构建过程：直接取Wind计算的场内溢价率，公式为： $溢价率 = \frac{ETF收盘价 - 基金净值}{基金净值}$ 对日成交额>100万的股票型ETF进行筛选[23] 模型的回测效果 1. 封板率模型 - 当日封板率61%，较前日下降3%[17] 2. 连板率模型 - 当日连板率28%，较前日提升3%[17] 因子的回测效果 1. 大宗交易折价率因子 - 近半年平均折价率5.26%，当日折价率5.71%[26] 2. ETF折溢价因子 - 2000ETF增强当日溢价1.53%，物联网ETF招商折价0.71%[23] 3. 股指期货年化贴水率因子 - 中证1000股指期货当日贴水率13.33%，处于近一年34%分位点[28] - 中证500股指期货当日贴水率12.80%，处于近一年13%分位点[28] 模型评价 1. 封板率与连板率模型能有效捕捉短线资金情绪，但对极端市场环境敏感[17] 2. 股指期货贴水率模型在跨期套利和风险管理中具有实用价值[28] 因子评价 1. 大宗交易折价率因子对机构资金流向有较强指示意义[26] 2. ETF折溢价因子需结合流动性筛选以避免小规模ETF的噪音干扰[23]