根据提供的研报内容，以下是关于量化模型和因子的详细总结： 量化模型与构建方式 1. 模型名称：华宝指数产品轮动组合模型 模型构建思路：通过综合历史业绩、一致预期和微观交易结构三个维度对标的指数进行打分，选择得分靠前的指数对应的基金产品构建组合[7][8] 模型具体构建过程： - 历史业绩维度：计算标的指数的ROE_TTM环比变动、营业利润TTM环比增长率、归母净利润TTM环比增长率，加权合成历史业绩得分[9] - 一致预期维度：对指数成分股的一致预期净利润和ROE按流通市值加权合成，计算环比变化反映预期景气度边际变化[10] - 微观交易结构维度：在夏普比率基础上剥离区间最大涨幅，计算最近6个月和12个月的动量延续性因子[11] 模型评价：该模型通过多维度综合打分，能够有效捕捉指数的景气变化和动量特征，历史表现优异[14] 量化因子与构建方式 1. 因子名称：历史业绩因子 因子构建思路：通过财务指标的环比变化反映指数的历史盈利能力[9] 因子具体构建过程： - ROE_TTM环比变动：$\Delta ROE = ROE_{t} - ROE_{t-1}$ - 营业利润TTM环比增长率：$Growth_{OP} = \frac{OP_{t} - OP_{t-1}}{OP_{t-1}}$ - 归母净利润TTM环比增长率：$Growth_{NP} = \frac{NP_{t} - NP_{t-1}}{NP_{t-1}}$ 2. 因子名称：一致预期因子 因子构建思路：通过分析师预期数据合成指数层面的景气度指标[10] 因子具体构建过程： - 对成分股的一致预期净利润和ROE按流通市值加权：$E_{index} = \sum (w_i \cdot E_{i})$，其中$w_i$为成分股市值权重 - 计算环比变化：$\Delta E = \frac{E_{t} - E_{t-1}}{E_{t-1}}$ 3. 因子名称：动量延续性因子 因子构建思路：改进夏普比率以剔除极端涨幅的影响，刻画动量的持续性[11] 因子具体构建过程： - 计算区间收益率$R$和最大涨幅$MaxUp$ - 调整后夏普比率：$AdjSharpe = \frac{R - R_f}{\sigma} \cdot (1 - \frac{MaxUp}{R})$ 模型的回测效果 1. 华宝指数产品轮动组合模型 - 2025年前3个月收益率：-1.55% - 相对创业板指超额收益：正超额[14] - 最新推荐组合：科创人工智能ETF、养老ETF、券商ETF等[15][17] 因子的回测效果 1. 历史业绩因子 - 在标的指数间区分能力显著[9] 2. 一致预期因子 - 对预期景气度边际变化敏感[10] 3. 动量延续性因子 - 6个月和12个月因子长期区分能力突出[11] 注：报告中未提供具体的因子IC、IR等统计指标，故未列出相关数值[7][11][14]