量化模型与构建方式 1. **模型名称**: 四维综合择时模型[12] * **模型构建思路**: 该模型通过动态宏观、价量趋势、估值回归和非线性情绪四个维度，对市场（如万得全A、创业板综）发出综合择时信号，以指导仓位配置[12][13] * **模型具体构建过程**: 1. **动态宏观维度**: 选取一系列宏观指标（如中长期信贷脉冲、国内PPI、出口增速、美国利率等），根据其方向变化（上行/下行）和历史胜率（>54%）判断对市场的利多或利空影响，并综合形成宏观信号[13] 2. **价量趋势维度**: 通过PB离散度（截面MAD/MEDIAN）和交易量能（截断±2×std的标准化交易量能）两个指标，判断其最新值是否大于20日均值，从而生成价量趋势信号[13] 3. **估值回归维度**: 使用ERP（1/PE-3年存款利率）和PB中位数，计算其滚动12年分位数水平，生成估值回归信号[13][14] 4. **非线性情绪维度**: 综合多个情绪指标（如融资余额较全市场市值比、20日收益换手比、涨停跌停剪刀差等），计算其最新分位数水平并映射为情绪信号[13] 5. **综合信号生成**: 将四个维度的信号（动态宏观、价量趋势、估值回归、非线性情绪）进行加权综合，得到日度综合择时信号（仓位比例），并进一步计算5日均匀建仓信号[13] * **模型评价**: 该模型信号中性偏弱，认为短期权益市场维持弱势震荡的概率较大[1][10][11] 2. **模型名称**: 成长价值风格轮动模型[17] * **模型构建思路**: 该模型通过动态宏观、估值回归、短期动量、风格广度和风格拥挤五个维度的信号，综合判断成长与价值风格的相对强弱，并给出仓位配置建议[18] * **模型具体构建过程**: 1. **动态宏观信号**: 基于宏观环境判断对成长或价值风格的影响[18] 2. **估值回归信号**: 基于成长与价值风格的估值水平差异进行判断[18] 3. **短期动量信号**: 基于成长与价值风格的短期价格趋势进行判断[18] 4. **风格广度信号**: 基于市场内部风格表现的广度进行判断[18] 5. **风格拥挤信号**: 基于成长与价值风格的交易拥挤度进行判断[18] 6. **综合信号生成**: 将上述五个维度的信号进行综合，生成对成长风格的仓位建议，并计算5日平均仓位[18] * **模型评价**: 当前模型建议均衡配置，认为基本面偏弱、估值性价比不高、中期趋势走弱不支持成长风格反转走强[17] 3. **模型名称**: 小盘大盘风格轮动模型[20] * **模型构建思路**: 该模型从11个有效轮动指标出发，构建综合大小盘轮动信号，以判断小盘与大盘风格的相对强弱[20] * **模型具体构建过程**: 1. **选取指标**: 选取11个有效轮动指标，包括：A股龙虎榜买入强度、R007、融资买入余额变化、主题投资交易情绪、等级利差、期权波动率风险溢价、beta离散度、pb分化度、大宗交易折溢价率、中证1000MACD(10,20,10)、中证1000交易量能[21] 2. **生成信号**: 对每个指标，根据其最新值判断是否看多小盘（100%）或看空小盘（0%）[21] 3. **综合信号**: 将11个指标的信号进行综合，得到小盘综合信号（看多指标个数/11），并据此生成小盘或大盘的仓位建议[21] 4. **信号平滑**: 对综合信号进行3D平滑处理，得到最终的轮动信号[21] * **模型评价**: 当前模型建议均衡配置，小盘看多程度较前期有明显回升[20] 模型的回测效果 1. **四维综合择时模型（万得全A）**: * 今年以来择时收益率: 3.32%[12] * 今年以来超额收益: 2.46%[12] * 日度择时年化收益: 21.34%[16] * 日度择时年化波动率: 17.40%[16] * 日度择时最大回撤: 29.19%[16] * 日度择时夏普比率: 1.0844[16] * 日度择时收益回撤比: 0.7310[16] * 日度择时5日建仓年化收益: 19.07%[16] * 日度择时5日建仓年化波动率: 17.16%[16] * 日度择时5日建仓最大回撤: 26.92%[16] * 日度择时5日建仓夏普比率: 0.9869[16] * 日度择时5日建仓收益回撤比: 0.7085[16] * 满仓万得全A年化收益: 10.27%[16] * 满仓万得全A年化波动率: 25.72%[16] * 满仓万得全A最大回撤: 70.59%[16] * 满仓万得全A夏普比率: 0.4319[16] * 满仓万得全A收益回撤比: 0.1455[16] 2. **四维综合择时模型（创业板综）**: * 今年以来择时收益率: 15.87%[12] * 今年以来超额收益: 10.44%[12] * 日度择时年化收益: 27.81%[16] * 日度择时年化波动率: 21.63%[16] * 日度择时最大回撤: 21.82%[16] * 日度择时夏普比率: 1.1504[16] * 日度择时收益回撤比: 1.2744[16] * 日度择时5日建仓年化收益: 25.79%[16] * 日度择时5日建仓年化波动率: 20.85%[16] * 日度择时5日建仓最大回撤: 24.40%[16] * 日度择时5日建仓夏普比率: 1.1094[16] * 日度择时5日建仓收益回撤比: 1.0570[16] * 满仓创业板综年化收益: 13.69%[16] * 满仓创业板综年化波动率: 29.82%[16] * 满仓创业板综最大回撤: 67.38%[16] * 满仓创业板综夏普比率: 0.5131[16] * 满仓创业板综收益回撤比: 0.2032[16] 3. **成长价值风格轮动模型**: * 今年以来绝对收益: 18.76%[17] * 今年以来超额收益: 7.01%[17] * 综合信号1_无中性仓位_成长价值代理ETF累计收益: 2568.22%[18] * 综合信号1_无中性仓位_成长价值代理ETF年化收益: 24.86%[18] * 综合信号1_无中性仓位_成长价值代理ETF年化波动率: 24.58%[18] * 综合信号1_无中性仓位_成长价值代理ETF最大回撤: 46.00%[18] * 综合信号1_无中性仓位_成长价值代理ETF夏普比率: 0.94[18] * 综合信号1_无中性仓位_成长价值代理ETF收益回撤比: 0.54[18] * 综合信号1_无中性仓位_成长价值代理ETF年化超额收益率: 13.66%[18] * 综合信号1_无中性仓位_成长价值代理ETF月度超额胜率: 64.97%[18] * 综合信号1_无中性仓位_成长价值代理ETF年化跟踪误差: 12.00%[18] * 综合信号1_无中性仓位_成长价值代理ETF年化信息比率: 1.14[18] * 综合信号2_5D平均仓位_成长价值代理ETF累计收益: 3034.23%[18] * 综合信号2_5D平均仓位_成长价值代理ETF年化收益: 26.22%[18] * 综合信号2_5D平均仓位_成长价值代理ETF年化波动率: 24.46%[18] * 综合信号2_5D平均仓位_成长价值代理ETF最大回撤: 45.62%[18] * 综合信号2_5D平均仓位_成长价值代理ETF夏普比率: 0.99[18] * 综合信号2_5D平均仓位_成长价值代理ETF收益回撤比: 0.57[18] * 综合信号2_5D平均仓位_成长价值代理ETF年化超额收益率: 15.03%[18] * 综合信号2_5D平均仓位_成长价值代理ETF月度超额胜率: 66.67%[18] * 综合信号2_5D平均仓位_成长价值代理ETF年化跟踪误差: 11.32%[18] * 综合信号2_5D平均仓位_成长价值代理ETF年化信息比率: 1.33[18] * 成长价值代理ETF_等权累计收益: 380.33%[18] * 成长价值代理ETF_等权年化收益: 11.19%[18] * 成长价值代理ETF_等权年化波动率: 21.81%[18] * 成长价值代理ETF_等权最大回撤: 50.77%[18] * 成长价值代理ETF_等权夏普比率: 0.50[18] * 成长价值代理ETF_等权收益回撤比: 0.22[18] 4. **小盘大盘风格轮动模型**: * 今年以来超额收益: 3.93%[20] * 综合信号3D平滑年化收益: 19.27%[21] * 综合信号3D平滑年化超额收益率: 12.32%[21] * 综合信号3D平滑最大回撤: 40.70%[21] * 综合信号3D平滑平均换手间隔: 19交易日[21] * 综合信号3D平滑胜率: 50.20%[21]

量化模型与构建方式 1. 模型名称：卷积神经网络股价走势AI识别与分类模型[73] 模型构建思路：对每个个股窗口期内的价量数据构建标准化图表，使用卷积神经网络对图表化的价量数据与未来价格进行建模，并将学习的特征映射到行业主题板块中[73] 模型具体构建过程：首先对每个个股在特定窗口期内的价量数据（如价格、成交量等）进行标准化处理，生成标准化的价量图表[73][74]；然后利用卷积神经网络（CNN）对这些图表数据进行特征提取和学习，建立图表化数据与未来股价走势之间的映射关系[73]；最后，将模型学习到的特征映射到行业主题板块层面，输出当前市场环境下应关注的行业主题配置[73] 模型评价：该模型能够从价量图表中自动学习有效特征，并直接输出行业主题配置建议，是一种端到端的深度学习应用[73] 2. 模型名称：宏观因子趋势判断模型[52] 模型构建思路：利用宏观因子在最近一段时间内的走势作为未来资产趋势判断的依据，通过定义四类宏观因子事件来表现宏观因子的走势，并从历史上寻找对资产未来收益率影响较为显著的因子事件[52] 模型具体构建过程：首先跟踪25个国内外宏观指标[51]；然后采用历史均线，将宏观因子走势分为趋势上行和趋势下行[52]；接着定义四类宏观因子事件：短期高低点、连续上涨下跌、创历史新高新低、因子走势反转[52]；最后统计历史上宏观指标趋势对于资产未来一个月收益率的影响，筛选在宏观指标处于不同的变化趋势下，平均收益存在显著差异的资产[52] 模型的回测效果 1. 卷积神经网络股价走势AI识别与分类模型，截至2026年8月21日，最新配置主题为物流、交通运输、消费，具体包括中证现代物流指数、国证交通运输、中证全指运输指数、中证消费龙头指数、中证消费50指数[76][77] 2. 宏观因子趋势判断模型，当前宏观因子趋势对权益市场的影响如下：PMI（3月均线）看空，社融存量同比（1月均线）看空，10年期国债收益率（12月均线）看空，美元指数（1月均线）看多[53]

好的，作为一名熟练的金融工程分析师，我将对您提供的研报内容进行总结，并按照您的要求进行格式化输出。 量化模型与构建方式 1. **模型名称：三维择时框架** * **模型构建思路：** 通过监控市场分歧度、流动性和景气度三个维度的变化趋势，对市场未来走势进行综合判断[8]。 * **模型具体构建过程：** 该模型由三个核心指数构成：市场分歧度指数、市场流动性指数和A股景气度指数2.0。模型通过观察这三个指数的趋势（上行或下行）来形成综合判断。当流动性保持下行趋势，分歧度回升趋缓，景气度保持上行趋势时，模型给出震荡下跌的判断[8]。 * **模型评价：** 该模型提供了一个多维度、系统性的市场择时框架，避免了单一指标的局限性。 2. **模型名称：热点趋势ETF策略** * **模型构建思路：** 基于ETF的K线形态和交易量变化，筛选出具有上涨趋势且短期市场关注度显著提升的ETF，构建风险平价组合[29]。 * **模型具体构建过程：** 1. **形态筛选：** 选出最高价与最低价同时为上涨形态的ETF[29]。 2. **构建支撑阻力因子：** 对筛选出的ETF，计算其最高价与最低价近20日回归系数的相对陡峭程度，构建支撑阻力因子[29]。 3. **选择多头组：** 选择支撑阻力因子多头组中的ETF[29]。 4. **构建组合：** 从多头组中，选择近5日换手率/近20日换手率最高，即短期市场关注度明显提升的10只ETF，构建风险平价组合[29]。 * **模型评价：** 该策略结合了趋势跟踪和短期热点捕捉，旨在获取超额收益。 3. **模型名称：资金流共振策略** * **模型构建思路：** 通过结合融资融券资金流和主动大单资金流，寻找两类资金共同看好的行业，并剔除不稳定因素，构建行业轮动策略[35]。 * **模型具体构建过程：** 1. **定义行业融资融券资金因子：** 将个股的融资净买入-融券净买入进行Barra市值因子中性化处理后加总到行业层面，取最近50日均值后的两周环比变化率[35]。 2. **定义行业主动大单资金因子：** 将行业最近一年成交量时序中性化后的净流入排序，取最近10日均值[35]。 3. **构建策略：** 在主动大单因子的头部打分内，剔除融资融券因子表现较差的行业，以提高策略稳定性。进一步剔除大金融板块后形成最终策略[35]。 * **模型评价：** 该策略通过双重资金流验证，提高了行业选择的胜率，并通过对冲设计降低了回撤。 4. **模型名称：全天候配置策略** * **模型构建思路：** 采用循环对冲设计，绕过宏观因素刻画，直击资产波动进行长期收益平衡，无需杠杆、预测或宏观假设即可获取稳健绝对收益[40]。 * **模型具体构建过程：** 策略遵循三项基本原则：1）资产选择；2）风险调整；3）结构对冲，进行平衡配置[40]。组合按风险水平分为高波版和低波版。高波版采用“四层结构化-股债金风险平价”构型[42]，低波版采用“五层结构化-风险预算”构型[48]。具体资产配置权重见下表[53]： | 资产大类 | 资产细类 | 高波版权重 | 低波版权重 | | :--- | :--- | :--- | :--- | | A股 | 成长100 | 2.93% | 0.26% | | A股 | 低波红利 | 11.46% | 1.04% | | H股 | 恒生科技 | 1.19% | 0.11% | | H股 | 港股通高股息 | 2.68% | 0.24% | | 美股 | 纳斯达克100 | 5.03% | 0.46% | | 债券 | 沪30年国债 | 63.04% | 5.70% | | 债券 | 沪城投债 | 0.00% | 90.96% | | 商品 | 黄金 | 9.67% | 0.87% | | 商品 | 有色金属 | 2.25% | 0.20% | | 商品 | 能源化工 | 0.62% | 0.06% | | 商品 | 豆粕 | 1.11% | 0.10% | * **模型评价：** 该策略旨在提供一种不依赖预测的稳健绝对收益解决方案，通过风险平价或风险预算实现资产配置。 5. **模型名称：指数增强策略（沪深300/中证500/中证1000）** * **模型构建思路：** 以经典线性多因子选股模型为核心，通过因子筛选、因子加权和组合优化三个步骤，构建相对于基准指数的增强组合[65]。 * **模型具体构建过程：** 1. **因子筛选：** 每年末，基于因子值之间的相关系数以及Rank ICIR指标，优选有效因子[65]。 2. **因子加权：** 每月末，对入选因子进行正交处理，并采用Rank ICIR加权方式合成复合因子，将其作为个股的Alpha得分[65]。 3. **组合优化：** 在给定风险约束条件下，以最大化复合因子暴露为目标，求解股票的最优权重，分别构建以沪深300、中证500和中证1000为基准的增强组合[65]。 * **模型评价：** 该策略通过系统化的多因子模型和优化流程，力求实现相对于基准指数的稳定超额收益。 模型的回测效果 1. **热点趋势ETF策略**，2025年以来收益59.70%，相比沪深300指数的超额收益为38.80%[29]。 2. **资金流共振策略**，2018年以来费后年化超额收益11.8%，信息比率1.1[35]。 3. **全天候配置策略（高波版）**，截至2025年，年化收益率11.8%，年平均最大回撤4.3%，夏普比率1.9[51]。2026年以来收益率为9.3%[51]。 4. **全天候配置策略（低波版）**，截至2025年，年化收益率6.7%，年平均最大回撤1.8%，夏普比率2.4[51]。2026年以来收益率为3.1%[51]。 5. **沪深300指数增强组合**，自2016年1月1日以来，年化超额收益10.0%，年化信息比2.29，超额最大回撤-5.3%[66]。本周超额收益1.1%，本月超额收益6.9%，本年超额收益为17.1%[62]。 6. **中证500指数增强组合**，自2016年1月1日以来，年化超额收益13.9%，年化信息比2.81[69]。本周超额收益1.4%，本月超额收益2.6%，本年超额收益为16.2%[62]。 7. **中证1000指数增强组合**，自2016年1月1日以来，年化超额收益16.9%，年化信息比3.36[73]。本周超额收益1.5%，本月超额收益1.8%，本年超额收益为11.1%[62]。 量化因子与构建方式 1. **因子名称：风格因子（价值、盈利收益率、杠杆）** * **因子构建思路：** 通过截面回归或排序，衡量个股在特定风格（如价值、盈利、杠杆）上的暴露程度[54]。 * **因子具体构建过程：** 报告未提供具体的构建公式，仅描述了其表现。价值因子反映高价值个股的市场关注度；盈利收益率因子反映高盈利收益率个股的市场青睐度；杠杆因子反映高杠杆个股的市场关注度[54]。 * **因子评价：** 这些因子用于刻画市场风格特征，帮助理解市场驱动因素。 2. **因子名称：Alpha因子（过去3个月换手率的标准差因子）** * **因子构建思路：** 衡量股票在过去3个月内日换手率的标准差，以捕捉换手率的波动性特征[58]。 * **因子具体构建过程：** 计算个股在过去3个月（约60个交易日）内，每日换手率的标准差。因子名称为`turnover_std_3m`[58]。 * **因子评价：** 该因子在本周表现最佳，显示出较强的短期选股能力[57]。 3. **因子名称：Alpha因子（每天一个亿成交量能推动的股价涨幅因子）** * **因子构建思路：** 衡量单位成交量（1亿元）所能推动的股价涨幅，反映股票的流动性或价格冲击成本[58]。 * **因子具体构建过程：** 因子名称为`illiq`，其释义为“每天一个亿成交量能推动的股价涨幅”[58]。通常，该因子通过计算一段时间内绝对收益率与成交金额的比值来构建。 * **因子评价：** 该因子本周表现优异，显示出稳健的选股能力[57]。 4. **因子名称：Alpha因子（扣除非经常损益的净利润_TTM/总市值）** * **因子构建思路：** 衡量公司核心盈利能力与市值的比值，即剔除非经常性损益后的市盈率倒数[58]。 * **因子具体构建过程：** 因子名称为`ep_de`，其释义为“扣除非经常损益的净利润_TTM/总市值”[58]。其中，TTM代表最近12个月。 * **因子评价：** 该因子本周表现优异，显示出稳健的选股能力[57]。 5. **因子名称：Alpha因子（营业利润_TTM/销售费用_TTM）** * **因子构建思路：** 衡量公司每单位销售费用所能产生的营业利润，反映销售费用的投入产出效率[61]。 * **因子具体构建过程：** 因子名称为`oper_salesexp`，其释义为“营业利润_TTM/销售费用_TTM”[61]。 * **因子评价：** 该因子在沪深300指数中表现突出，超额收益显著[61]。 6. **因子名称：Alpha因子（评级上下调差/评级上下调和）** * **因子构建思路：** 衡量分析师对股票评级调整的方向和一致性，反映市场预期的变化[61]。 * **因子具体构建过程：** 因子名称为`est_num_diff`，其释义为“评级上下调差/评级上下调和”[61]。 * **因子评价：** 该因子在沪深300指数中表现突出，超额收益显著[61]。 7. **因子名称：Alpha因子（(当前一致预测eps_FY1-3个月前一致预测eps_FY1)/3个月前一致预测eps_FY1绝对值）** * **因子构建思路：** 衡量分析师对未来一年（FY1）每股收益（EPS）预测在最近3个月内的变化幅度，反映盈利预期的动量[61]。 * **因子具体构建过程：** 因子名称为`mom3_eps_fy1`，其释义为“(当前一致预测eps_FY1-3个月前一致预测eps_FY1)/3个月前一致预测eps_FY1绝对值”[61]。 * **因子评价：** 该因子在中证500指数中表现突出，超额收益显著[61]。 8. **因子名称：Alpha因子（一致预期EPS动量）** * **因子构建思路：** 衡量分析师对股票一致预期EPS的变动趋势，反映盈利预期的改善或恶化[61]。 * **因子具体构建过程：** 因子名称为`mom_est_eps`，其释义为“一致预期EPS动量”[61]。 * **因子评价：** 该因子在中证800指数中表现突出，超额收益显著[61]。 9. **因子名称：Alpha因子（1年-1个月的收益率）** * **因子构建思路：** 衡量股票在过去12个月（剔除最近1个月）的累计收益率，即中期动量因子[61]。 * **因子具体构建过程：** 因子名称为`mom_1y_1m`，其释义为“1年-1个月的收益率”[61]。 * **因子评价：** 该因子在中证1000指数中表现突出，反映出在小市值环境下市场对预期变化的反应更为敏锐[61]。 因子的回测效果 1. **风格因子（价值）**，最近一周截面收益为2.16%[55]。 2. **风格因子（盈利收益率）**，最近一周截面收益为1.86%[55]。 3. **风格因子（杠杆）**，最近一周截面收益为0.55%[55]。 4. **Alpha因子（过去3个月换手率的标准差）**，近一周多头超额收益为0.96%[58]。 5. **Alpha因子（每天一个亿成交量能推动的股价涨幅）**，近一周多头超额收益为0.90%[58]。 6. **Alpha因子（扣除非经常损益的净利润_TTM/总市值）**，近一周多头超额收益为0.75%[58]。 7. **Alpha因子（营业利润_TTM/销售费用_TTM）**，在沪深300中，最近一年多头超额收益为31.70%[61]。 8. **Alpha因子（评级上下调差/评级上下调和）**，在沪深300中，最近一年多头超额收益为30.37%[61]。 9. **Alpha因子（(当前一致预测eps_FY1-3个月前一致预测eps_FY1)/3个月前一致预测eps_FY1绝对值）**，在中证500中，最近一年多头超额收益为16.33%[61]。 10. **Alpha因子（一致预期EPS动量）**，在中证800中，最近一年多头超额收益为25.33%[61]。 11. **Alpha因子（1年-1个月的收益率）**，在中证1000中，最近一年多头超额收益为21.62%[61]。

好的，作为一名熟练的金融工程分析师，我将对您提供的这篇研报进行总结。请注意，该研报主要是一篇关于黄金定价逻辑、市场展望及嘉实上海金ETF产品介绍的分析报告，并未涉及任何量化模型或量化因子的构建、测试与评价。因此，以下总结将不包含模型或因子相关内容。 量化模型与构建方式 无相关内容 量化因子与构建方式 无相关内容

好的，作为一名熟练的金融工程分析师，我将为您总结这篇量化主题研报中的量化模型与因子内容。 量化因子与构建方式 1. 因子名称：市场因子 * **因子构建思路**：衡量A股市场的整体收益水平和交易集中度（拥挤度）[1][12]。 * **因子具体构建过程**： * **市场因子收益**：通过计算市场综合收益率来反映市场整体表现[1][12]。 * **市场综合拥挤度**：通过构建一个综合指标来衡量市场的系统性交易集中度。该指标由四个分项构成：结构、估值、趋势、换手[12]。拥挤度以标准差（σ）的形式表示，并计算其历史分位和周变化（Δσ）[1][12]。 * **公式**：市场综合拥挤度 = 综合σ [12] * **公式说明**：综合σ是一个标准化后的综合指标，用于衡量市场整体的拥挤程度。当σ值较高时，表明市场交易集中度较高；反之则较低[12]。历史分位用于判断当前拥挤度在历史中的相对位置[1][12]。 * **因子评价**：该因子用于识别市场整体的系统性风险水平，当拥挤度处于低位时，市场系统性风险较低[1]。 2. 因子名称：行业因子 * **因子构建思路**：衡量申万一级各行业的收益表现和交易拥挤度，用于识别行业层面的投资机会与风险[1][21]。 * **因子具体构建过程**： * **行业因子收益**：通过计算各申万一级行业指数的周收益率来反映行业表现[1][21]。 * **行业因子拥挤度**：构建与市场因子类似的综合拥挤度指标，包含结构、估值、趋势、换手四个分项，以综合σ、历史分位和周Δσ来衡量[20][22]。 * **贝塔调整超额收益**：为剔除市场整体波动的影响，计算行业的贝塔调整超额收益[21]。 * **公式**：贝塔调整超额收益 = 行业指数涨跌幅 − β × 中证全指涨跌幅 [21] * **公式说明**：β为该行业近250个交易日日收益对中证全指的回归系数，窗口截至周锚点[21]。该指标用于衡量行业在剔除市场系统性风险后的超额表现。 * **因子评价**：该因子用于识别行业层面的结构性机会与风险，特别是通过拥挤度指标预警交易过度集中的行业[1][22]。 3. 因子名称：风格因子 * **因子构建思路**：衡量A股市场不同风格（如动量、价值、股息率、大小盘等）的收益表现和交易拥挤度，用于识别风格层面的投资机会与风险[3][38]。 * **因子具体构建过程**： * **风格因子收益**：通过计算各风格因子的周收益率来反映其表现[3][38]。 * **风格因子拥挤度**：构建与市场、行业因子类似的综合拥挤度指标，包含结构、估值、趋势、换手四个分项，以综合σ、历史分位和周Δσ来衡量[36][38]。 * **因子列表**：报告跟踪了16个风格因子，包括动量、价值、股息率、流动性、盈利波动率、残差波动率、盈利质量、杠杆、投资质量、盈利能力、大小盘、中盘股、贝塔、成长、长期反转、民营企业[36]。 * **因子评价**：该因子用于识别市场风格轮动和交易集中度风险，例如，报告指出股息率因子因拥挤度分位站上90%而被视为风险信号[3][40]。 因子的回测效果 1. 市场因子 * 本周收益率：-1.56% [1][12] * 近一月（30个日历日）收益：-0.41% [12] * 综合拥挤度：0.05σ [1][12] * 拥挤度历史分位：32.3% [1][12] * 拥挤度周Δσ：-0.07 [1][12] 2. 行业因子 * **石油石化因子** * 本周收益率：+5.12% [1][21] * 近一月收益：+9.44% [28] * 综合拥挤度：0.28σ [20][28] * 拥挤度历史分位：81.9% [20][28] * 拥挤度周Δσ：+0.35 [1][28] * 主要驱动分项：趋势（3.48σ）[28] * **农林牧渔因子** * 本周收益率：+4.57% [1][21] * 综合拥挤度：+0.44σ [20] * 拥挤度历史分位：82.5% [20][23] * 拥挤度周Δσ：+0.59 [1][22] * 主要驱动分项：估值 [20] * **煤炭因子** * 本周收益率：+3.84% [1][21] * 综合拥挤度：+0.10σ [20] * 拥挤度历史分位：68.7% [20] * 主要驱动分项：趋势 [20] * **制药因子** * 本周收益率：+1.20% [20][33] * 近一月收益：+3.46% [33] * 综合拥挤度：+0.90σ [20][31] * 拥挤度历史分位：93.2% [20][31] * 拥挤度周Δσ：+0.18 [22][31] * 主要驱动分项：趋势（2.30σ）[31] * **环保因子** * 本周收益率：-0.71% [20][22] * 综合拥挤度：+0.18σ [20] * 拥挤度历史分位：91.6% [20][22] * 主要驱动分项：估值 [20] * **综合因子** * 本周收益率：+0.67% [20] * 综合拥挤度：+0.90σ [20] * 拥挤度历史分位：90.4% [20] * 主要驱动分项：趋势 [20] * **公用事业因子** * 本周收益率：-3.17% [1][21] * 综合拥挤度：+0.39σ [20] * 拥挤度历史分位：82.3% [20] * 主要驱动分项：结构 [20] * **汽车因子** * 本周收益率：-1.43% [20] * 综合拥挤度：-0.81σ [20] * 拥挤度历史分位：3.0% [20] * 主要驱动分项：结构 [20] * **动量因子（行业层面）** * 本周收益率：+1.07% [3][38] * 综合拥挤度：-0.65σ [36] * 拥挤度历史分位：8.8% [3][36] * 主要驱动分项：趋势 [36] 3. 风格因子 * **股息率因子** * 本周收益率：+0.34% [3][38] * 综合拥挤度：+0.51σ [36][38] * 拥挤度历史分位：92.9% [3][36] * 拥挤度周Δσ：+0.14 [38] * 主要驱动分项：趋势（1.62σ）[39] * **价值因子** * 本周收益率：+0.54% [36][38] * 综合拥挤度：-0.21σ [36] * 拥挤度历史分位：70.3% [3][36] * 拥挤度周Δσ：+0.20 [39] * 主要驱动分项：换手 [36] * **流动性因子** * 本周收益率：-0.96% [36][38] * 综合拥挤度：+0.31σ [36] * 拥挤度历史分位：86.1% [36] * 拥挤度周Δσ：+0.24 [39] * 主要驱动分项：趋势 [36] * **杠杆因子** * 本周收益率：-0.17% [36] * 综合拥挤度：+0.35σ [36] * 拥挤度历史分位：73.7% [3][36] * 拥挤度周Δσ：-0.27 [39] * 主要驱动分项：估值 [36] * **大小盘因子** * 本周收益率：-0.85% [36][38] * 综合拥挤度：+0.19σ [36] * 拥挤度历史分位：55.2% [36] * 拥挤度周Δσ：+0.24 [39] * 主要驱动分项：估值 [36] * **动量因子（风格层面）** * 本周收益率：+1.07% [3][38] * 综合拥挤度：-0.65σ [36] * 拥挤度历史分位：8.8% [3][36] * 主要驱动分项：趋势 [36]

好的，作为一名熟练的金融工程分析师，我将对您提供的研报内容进行总结。 量化因子与构建方式 1. **因子名称**：250日新高距离[10] * **因子构建思路**：衡量当前收盘价与过去250个交易日最高价之间的差距，用于识别股票或指数是否处于或接近其年度高点，是趋势追踪和动量策略的基础指标[10]。 * **因子具体构建过程**： 1. 获取股票或指数的最新收盘价 $Close_t$[10]。 2. 计算过去250个交易日收盘价的最大值 $ts\_max(Close, 250)$[10]。 3. 计算250日新高距离，公式如下[10]： $$250日新高距离 = 1 - \frac{Close_t}{ts\_max(Close, 250)}$$ 其中，$Close_t$ 为最新收盘价，$ts\_max(Close, 250)$ 为过去250个交易日收盘价的最大值。若最新收盘价创出新高，则距离为0；若回落，则距离为正值，表示回落幅度[10]。 2. **因子名称**：平稳创新高股票筛选因子[25][28] * **因子构建思路**：在创出250日新高的股票池中，通过多个维度筛选出价格路径平滑、趋势延续性强的股票，旨在捕捉更稳健的动量效应，避免“彩票型”股票的剧烈波动风险[25][28]。 * **因子具体构建过程**：该筛选方法由多个子因子构成，具体步骤如下[25][28]： 1. **样本空间**：上市满15个月的股票，且在过去20个交易日创出过250日新高[19][25]。 2. **分析师关注度**：过去3个月，获得买入或增持评级的分析师研报不少于5份[28]。 3. **股价相对强弱**：过去250日涨跌幅位于全市场前20%[28]。 4. **股价平稳性**：在满足上述条件的股票池内，使用以下两个指标综合打分，取排名在前50%的股票[28]： * **价格路径平滑性**：股价位移路程比[28]。 * **创新高持续性**：过去120日的250日新高距离在时间序列上的均值[28]。 5. **趋势延续性**：过去5日的250日新高距离在时间序列上的均值，取排序靠前的50只[28]。 模型或因子测试结果取值 1. **250日新高距离** * **主要指数**（截至2026年8月21日）[11][33]： * 上证指数：7.95% * 深证成指：13.92% * 沪深300：8.71% * 中证500：13.03% * 中证1000：15.12% * 中证2000：17.63% * 创业板指：18.90% * 科创50：25.11% * **部分中信一级行业指数**（截至2026年8月21日）[12][33]： * 煤炭：7.90% * 通信：27.19% * 电子：27.34% * 石油石化：18.60% * 银行：4.58% * **部分概念指数**（截至2026年8月21日）：银行精选、CRO、煤炭开采精选、医疗服务精选、煤炭、黄金、高频PCB等概念指数距离250日新高较近[15][33]。 2. **创新高个股统计** * **总体情况**（截至2026年8月21日）：共151只股票在过去20个交易日间创出250日新高[19][34]。 * **行业分布**（截至2026年8月21日）[19][34]： * 创新高个股数量最多：医药（36只）、机械（10只）、银行（9只）。 * 创新高个股数量占比最高：银行（21.43%）、医药（7.30%）、交通运输（6.61%）。 * **板块分布**（截至2026年8月21日）[20][34]： * 医药板块：36只，占比7.30% * 制造板块：30只，占比1.88% * 周期板块：30只，占比2.65% * 科技板块：23只，占比1.61% * 消费板块：17只，占比3.56% * 大金融板块：15只，占比6.61% * **指数分布**（截至2026年8月21日）[20][34]： * 中证2000：50只，占比2.50% * 中证1000：21只，占比2.10% * 中证500：17只，占比3.40% * 沪深300：14只，占比4.67% * 创业板指：3只，占比3.00% * 科创50：1只，占比2.00% 3. **平稳创新高股票筛选结果** * **筛选结果**（截至2026年8月21日）：共筛选出9只平稳创新高的股票，包括药明康德、松发股份、恒逸石化等[29][34]。 * **板块分布**（截至2026年8月21日）：制造板块和医药板块各有3只入选，数量最多[29][34]。 * **具体股票信息**（截至2026年8月21日）[32]： * 药明康德（医药/医疗服务）：流通市值4028亿元，250日新高距离3.0%，过去250日涨跌幅81%，过去20日涨跌幅31%。 * 昭衍新药（医药/医疗服务）：流通市值309亿元，250日新高距离8.6%，过去250日涨跌幅58%，过去20日涨跌幅-1%。 * 皓元医药（医药/化学原料药）：流通市值208亿元，250日新高距离3.0%，过去250日涨跌幅85%，过去20日涨跌幅32%。 * 恒逸石化（石油石化/其他石化）：流通市值791亿元，250日新高距离0.0%，过去250日涨跌幅248%，过去20日涨跌幅32%。 * 睿创微纳（电子/集成电路）：流通市值747亿元，250日新高距离8.3%，过去250日涨跌幅133%，过去20日涨跌幅4%。 * 亿联网络（通信/通信终端及配件）：流通市值303亿元，250日新高距离1.6%，过去250日涨跌幅28%，过去20日涨跌幅10%。 * 江河集团（建筑/建筑装修）：流通市值148亿元，250日新高距离0.0%，过去250日涨跌幅79%，过去20日涨跌幅56%。 * 松发股份（机械/船舶制造）：流通市值426亿元，250日新高距离1.1%，过去250日涨跌幅245%，过去20日涨跌幅20%。 * 比音勒芬（纺织服装/体育及户外品牌）：流通市值95亿元，250日新高距离8.1%，过去250日涨跌幅55%，过去20日涨跌幅1%。

好的，作为一名金融工程分析师，我对您提供的研报内容进行了分析。该研报主要是一篇关于中证港股通医疗主题指数及其对应ETF的投资价值分析报告，并未涉及具体的量化模型或量化因子的构建、回测与评价。报告的核心内容是对指数编制方案、成分股特征、市场表现及投资价值的定性分析。 因此，根据您的任务要求，本报告不包含量化模型或量化因子的相关内容。 **量化模型与构建方式** 无相关内容 **模型的回测效果** 无相关内容 **量化因子与构建方式** 无相关内容 **因子的回测效果** 无相关内容

好的，作为一名熟练的金融工程分析师，我将对您提供的研报内容进行总结。经分析，该研报为一份关于美股13F持仓报告的分析，主要描述了市场概况、机构调仓动向和重点股票持仓情况，并未涉及任何量化模型或量化因子的构建、测试与评价。 因此，根据您的要求，本总结中不包含量化模型与量化因子相关内容。

量化模型与构建方式 1. 模型名称：封板率[18] 模型构建思路：衡量涨停股票在触及涨停价后最终成功封板的比例，反映市场封板意愿强度[18] 模型具体构建过程：统计上市满3个月以上的股票，计算最高价涨停且收盘涨停的股票数占最高价涨停股票数的比例[18] 公式： $$封板率=最高价涨停且收盘涨停的股票数/最高价涨停的股票数$$ 模型评价：无 2. 模型名称：连板率[18] 模型构建思路：衡量昨日涨停股票今日继续涨停的比例，反映市场连板赚钱效应的持续性[18] 模型具体构建过程：统计上市满3个月以上的股票，计算连续两日收盘涨停的股票数占昨日收盘涨停股票数的比例[18] 公式： $$连板率=连续两日收盘涨停的股票数/昨日收盘涨停的股票数$$ 模型评价：无 3. 模型名称：大宗交易折价率[27] 模型构建思路：衡量大宗交易成交价格相对于当日市场价格的折价程度，反映大资金的投资偏好和情绪[27] 模型具体构建过程：计算大宗交易总成交金额与当日成交份额的总市值之比，再减去1[27] 公式： $$折价率=大宗交易总成交金额/当日成交份额的总市值-1$$ 模型评价：无 4. 模型名称：股指期货年化贴水率[29] 模型构建思路：衡量股指期货价格相对于现货指数的贴水程度，反映市场对未来预期的表现及对冲成本[29] 模型具体构建过程：计算基差与指数价格的比值，乘以250个交易日与合约剩余交易日数的比值进行年化[29] 公式： $$年化贴水率=基差/指数价格*(250/合约剩余交易日数)$$ 模型评价：无 模型的回测效果 1. 封板率，当日值为61%[18]，较前日下降10%[18] 2. 连板率，当日值为13%[18]，较前日提升3%[18] 3. 大宗交易折价率，近半年平均值为6.05%[27]，当日值为2.70%[27] 4. 股指期货年化贴水率，上证50近一年中位数为3.30%[29]，当日值为9.35%[29]，处于近一年来12%分位点[29] 5. 股指期货年化贴水率，沪深300近一年中位数为6.78%[29]，当日值为10.04%[29]，处于近一年来16%分位点[29] 6. 股指期货年化贴水率，中证500近一年中位数为9.86%[29]，当日值为13.56%[29]，处于近一年来19%分位点[29] 7. 股指期货年化贴水率，中证1000近一年中位数为11.62%[29]，当日值为11.54%[29]，处于近一年来51%分位点[29]

量化因子与构建方式 1. 因子名称：单因子（涵盖估值、盈利、成长、公司治理、价量、超预期等多种投资逻辑）[39] 因子的构建思路：从多种投资逻辑出发构建常用因子库，用于选股[39] 因子具体构建过程：在初步计算得到因子原始值后，首先进行绝对中位数法去极值，并进行Z-Score标准化，然后以每个股票标准化后的因子作为因变量，对数市值和中信一级行业虚拟变量作为自变量进行横截面回归，将回归后的残差作为每个股票因子值[39] 因子评价：经过中性化处理后的因子，排除了市值和行业的影响，可以更好地反映因子的投资逻辑和选股效果[39] 2. 因子名称：大类因子（包括超预期、成长、分析师、分析师超预期、高频分钟、公司治理、估值、价量、市值、盈利）[49][50][58][63][67][71] 因子的构建思路：将单因子按投资逻辑归类，内部权重使用等权加权方式，采用分组测试考察大类因子表现[49] 因子具体构建过程：每类因子内部权重使用等权加权方式，采用分组测试考察大类因子表现。其中，中证500、中证1000、中证2000和中证全指股票池分10组，沪深300股票池分6组。多头组合为每周末前10%（或16%）股票等权组合，空头组合为每周末后10%（或16%）股票等权组合。大类因子超额收益计算方式为每周多头组合收益-基准指数；多空收益计算方式为每周多头组合收益-空头组合收益[49] 量化模型与构建方式 1. 模型名称：指数增强策略（沪深300、中证500、中证1000、中证2000）[76] 模型构建思路：基于权益因子库的数百个因子，筛选出在对应指数股票池中有效的因子，使用多因子选股模型在指数成分股内分别构建周度指数增强策略[76] 模型具体构建过程：对于沪深300股票池，控制市值行业严格中性，设置个股权重上限8%和个股权重偏离上限3%；对于中证500股票池，控制市值行业严格中性，设置个股权重偏离上限1%和个股权重上限1%；对于中证1000股票池，控制市值最大偏离0.5标准差，行业最大偏离2.5%，设置个股权重偏离上限1%和个股权重上限1%；对于中证2000股票池，控制市值最大偏离0.5标准差，行业最大偏离2.5%，设置个股权重偏离上限0.5%和个股权重上限0.5%[76] 单因子测试结果 1. 沪深300股票池，上周（2026-08-10至2026-08-14）超额收益较好的因子：EP120日score，超额收益1.9%[40]；单季度扣非ROE，超额收益1.51%[40]；过去90日机构最新盈利预测调整幅度，超额收益1.47%[40] 2. 沪深300股票池，本年超额收益较好的因子：5日持股比例变动，超额收益17.79%[40]；过去60天盈利调整，超额收益14.34%[40]；5日净流入，超额收益13.49%[40] 3. 中证500股票池，上周（2026-08-10至2026-08-14）超额收益较好的因子：分析师预测营收增长率-FY3，超额收益1.12%[41]；1分钟路径动量，超额收益0.94%[41]；单季度营业收入同比增长率，超额收益0.84%[41] 4. 中证500股票池，本年超额收益较好的因子：分析师预测营收FY3的120日变动，超额收益7.02%[41]；标准化预期外单季度扣非净利润-带漂移项，超额收益6.22%[41]；过去120天营收调整，超额收益5.98%[41] 5. 中证1000股票池，上周（2026-08-10至2026-08-14）超额收益较好的因子：20日日内收益，超额收益2.4%[42]；除去早盘30分钟后的涨跌幅，超额收益1.84%[42]；分析师预测净利润FY3的120日变动，超额收益1.58%[42] 6. 中证1000股票池，本年超额收益较好的因子：分析师预测SP20日变化，超额收益21.28%[42]；EPS120日变动FY3，超额收益20.66%[42]；分析师预测净利润FY3的120日变动，超额收益19.68%[42] 7. 中证2000股票池，上周（2026-08-10至2026-08-14）超额收益较好的因子：一个月涨跌幅，超额收益1.51%[43]；过去60天营收调整，超额收益1.5%[43]；5分钟收益率偏度，超额收益1.45%[43] 8. 中证2000股票池，本年超额收益较好的因子：标准化预期外单季度扣非净利润，超额收益16.45%[43]；单季度扣非ROE变动，超额收益15.99%[43]；标准化预期外单季度扣非净利润-带漂移项，超额收益15.9%[43] 9. 中证全指股票池，上周（2026-08-10至2026-08-14）超额收益较好的因子：过去60天盈利调整，超额收益1.55%[45]；20日日内收益，超额收益1.51%[45]；分析师预测营收增长率-FY3，超额收益1.42%[45] 10. 中证全指股票池，本年超额收益较好的因子：单季度营业收入同比增长率，超额收益20.25%[45]；分析师预测ROA-FY3的120变动，超额收益17.3%[45]；单季度扣非ROA变动，超额收益16.79%[45] 大类因子测试结果 1. 沪深300股票池，上周（2026-08-10至2026-08-14）超额收益较好的大类因子：盈利，超额收益2.27%[50]；分析师，超额收益1.79%[50]；分析师超预期，超额收益0.8%[50] 2. 沪深300股票池，本年超额收益较好的大类因子：分析师，超额收益25.14%[50]；分析师超预期，超额收益14.98%[50]；盈利，超额收益5.23%[50] 3. 中证500股票池，上周（2026-08-10至2026-08-14）超额收益较好的大类因子：分析师，超额收益0.42%[58]；盈利，超额收益0.29%[58]；成长，超额收益0.19%[58] 4. 中证500股票池，本年超额收益较好的大类因子：成长，超额收益6.45%[58]；分析师超预期，超额收益2.28%[58]；分析师，超额收益0.64%[58] 5. 中证1000股票池，上周（2026-08-10至2026-08-14）超额收益较好的大类因子：分析师，超额收益0.86%[63]；超预期，超额收益-0.13%[63]；成长，超额收益-0.51%[63] 6. 中证1000股票池，本年超额收益较好的大类因子：超预期，超额收益6.56%[63]；分析师，超额收益6.4%[63]；成长，超额收益5.48%[63] 7. 中证2000股票池，上周（2026-08-10至2026-08-14）超额收益较好的大类因子：市值，超额收益1.06%[67]；分析师超预期，超额收益0.52%[67]；高频分钟，超额收益0.14%[67] 8. 中证2000股票池，本年超额收益较好的大类因子：超预期，超额收益11.29%[67]；成长，超额收益8.6%[67]；价量，超额收益7.46%[67] 9. 中证全指股票池，上周（2026-08-10至2026-08-14）超额收益较好的大类因子：市值，超额收益3.01%[71]；成长，超额收益1.49%[71]；分析师，超额收益1.42%[71] 10. 中证全指股票池，本年超额收益较好的大类因子：超预期，超额收益9.21%[71]；成长，超额收益8.11%[71]；分析师，超额收益5.3%[71] 指数增强策略测试结果 1. 沪深300指数增强策略，截至2026年8月14日，上周超额收益0.51%[77]；本月超额收益2.5%[77]；本年超额收益5.48%[77]；超额收益最大回撤-4.64%[77] 2. 中证500指数增强策略，截至2026年8月14日，上周超额收益0.05%[77]；本月超额收益-0.05%[77]；本年超额收益0.53%[77]；超额收益最大回撤-7.3%[77] 3. 中证1000指数增强策略，截至2026年8月14日，上周超额收益-0.78%[80]；本月超额收益-3.66%[80]；本年超额收益2.44%[80]；超额收益最大回撤-12.18%[80] 4. 中证2000指数增强策略，截至2026年8月14日，上周超额收益-0.57%[80]；本月超额收益-3.61%[80]；本年超额收益8.11%[80]；超额收益最大回撤-9.33%[80]