根据提供的华创证券《市场情绪监控周报（20251103-20251107）》，总结其中涉及的量化模型与因子如下： 量化模型与构建方式 1. 模型名称：宽基轮动策略[13] * 模型构建思路： 基于不同宽基指数（如沪深300、中证500等）周度热度变化率的短期动量效应进行轮动，选择市场情绪最热的板块进行投资，若情绪最热板块为非主流股票（“其他”组）则空仓以规避风险[11][13] * 模型具体构建过程： 1. 将全市场股票按宽基指数成分股分组，包括沪深300、中证500、中证1000、中证2000以及不属于以上四组的“其他”股票[8] 2. 计算每个分组在当周的总热度指标（定义为组内所有个股的浏览、自选与点击次数之和，并经全市场占比归一化处理）[7] 3. 计算每个分组周度总热度的变化率[11] 4. 对周度热度变化率进行2期移动平均（MA2）平滑处理，得到“热度变化率 MA2”[11] 5. 在每周最后一个交易日，选择“热度变化率 MA2”数值最大的宽基分组，买入该分组对应的指数或成分股[13] 6. 如果“热度变化率 MA2”最大的分组是“其他”组，则该周策略空仓[13] 2. 模型名称：概念热度选股策略[31] * 模型构建思路： 利用A股概念行情受行为因素影响大、持续时间短的特点，在每周热度变化最大的概念中，选取每个概念内关注度（总热度）最低的个股构建组合，以期获得因“反应不足”或“价值洼地”带来的超额收益[30][31] * 模型具体构建过程： 1. 在每周最后一个交易日，筛选出本周热度变化率最大的5个概念[31] 2. 将这5个概念的所有成分股作为备选股票池[31] 3. 从备选股票池中剔除流通市值最小的20%的股票[31] 4. 构建BOTTOM组合： 从每个热门概念中，选出总热度指标排名最后10位的个股，等权重持有[31] 5. （作为对比）构建TOP组合： 从每个热门概念中，选出总热度指标排名前10位的个股，等权重持有[31] 模型的回测效果 1. 宽基轮动策略[16] * 年化收益率：8.74%[16] * 最大回撤：23.5%[16] * 2025年收益：38.52%[16] 2. 概念热度选股策略（BOTTOM组合）[33] * 年化收益率：15.71%[33] * 最大回撤：28.89%[33] * 2025年收益：42%[33] 量化因子与构建方式 1. 因子名称：个股总热度[7] * 因子构建思路： 通过加总个股的浏览、自选与点击次数，并相对于全市场进行标准化，构建一个反映市场对单只股票关注度（情绪热度）的代理指标[7] * 因子具体构建过程： 1. 获取个股日度的浏览次数、自选次数、点击次数[7] 2. 将上述三个次数相加，得到股票的原始总热度值[7] 3. 计算该股票原始总热度值在当日全市场所有股票总热度值之和中的占比[7] 4. 将该占比乘以10000，使得因子取值区间落在[0, 10000]之间，得到最终的个股总热度因子值[7] * 公式：$个股总热度 = \frac{个股（浏览次数+自选次数+点击次数）}{当日全市场所有股票（浏览次数+自选次数+点击次数）之和} \times 10000$[7] 2. 因子名称：聚合总热度（宽基/行业/概念层面）[7] * 因子构建思路： 通过对特定群体（如宽基指数成分股、行业分类成分股、概念成分股）内的个股总热度因子值进行加总，得到反映该群体整体市场情绪热度的指标[7] * 因子具体构建过程： 1. 确定目标群体（例如，沪深300指数成分股、石油石化行业股票、科创次新股概念成分股）[7][8][20] 2. 将该群体内所有成分股的“个股总热度”因子值进行求和，得到该群体的聚合总热度[7] 3. 因子名称：热度变化率 MA2[11][20][28] * 因子构建思路： 计算聚合总热度指标的周度环比变化率，并采用移动平均进行平滑，以捕捉群体热度边际变化的趋势，用于监控情绪转向或动量[11][20][28] * 因子具体构建过程： 1. 计算目标群体本周的聚合总热度（$H_t$）与上周的聚合总热度（$H_{t-1}$）[11] 2. 计算周度热度变化率：$变化率_t = \frac{H_t - H_{t-1}}{H_{t-1}}$[11] 3. 对周度热度变化率进行2期移动平均计算，得到平滑后的“热度变化率 MA2”：$热度变化率MA2_t = \frac{变化率_t + 变化率_{t-1}}{2}$[11] 4. 因子名称：估值历史分位数[38][39][42] * 因子构建思路： 计算宽基指数或行业当前的估值（如市盈率PETTM）在其自身历史序列中所处的位置，以判断当前估值水平的高低[38][39][42] * 因子具体构建过程： 1. 选定估值指标（报告中主要使用市盈率PETTM，剔除负值）和回溯期（宽基常用滚动5年，行业常用自2015年起）[38][39] 2. 获取目标宽基或行业在回溯期内每个交易日的估值数据，形成历史序列[38][39] 3. 计算当前估值在该历史序列中的百分位排名，即估值历史分位数[38][39] 因子的回测效果 （注：报告中未提供上述因子独立的、系统性的回测绩效指标，如IC、IR等，仅展示了基于部分因子构建的策略表现。）