根据研报内容，总结如下： 量化因子与构建方式 **1 因子名称：转股溢价率偏离度因子** - **因子构建思路**：衡量单只转债的转股溢价率相对于其理论拟合值的偏离程度，以评估估值是否异常[19] - **因子具体构建过程**：首先在每个时间截面上，使用全市场转债数据拟合转股溢价率与转股价值的关系曲线，拟合公式为 $$y_{i}=\alpha_{0}+\,\alpha_{1}\cdot\,{\frac{1}{x_{i}}}+\epsilon_{i}$$，其中 $y_i$ 为第 $i$ 只转债的转股溢价率，$x_i$ 为第 $i$ 只转债的转股价值[42]；接着计算每只转债的实际转股溢价率与拟合值的差值，即：转股溢价率偏离度 = 转股溢价率 − 拟合转股溢价率[19] **2 因子名称：理论价值偏离度因子（蒙特卡洛模型）** - **因子构建思路**：通过蒙特卡洛模拟充分考量转债的各项条款，计算其理论价值，并通过价格与理论价值的比较来衡量价格预期差[19] - **因子具体构建过程**：使用蒙特卡洛模拟方法，在每个时点模拟10000条路径，充分考虑转债的转股、赎回、下修、回售条款，并以同信用、同期限的利率作为贴现率计算转债的理论价值[19]；因子计算方式为：理论价值偏离度 = 转债收盘价 / 理论价值 - 1[19] **3 因子名称：转债综合估值因子** - **因子构建思路**：将转股溢价率偏离度和理论价值偏离度两个因子融合，构建一个综合性的估值评估指标[18] - **因子具体构建过程**：对转股溢价率偏离度和理论价值偏离度（蒙特卡洛模型）两个因子分别在全市场截面进行排名（Rank）[19]；然后将两个因子的排名相加，得到综合估值因子：转债综合估值因子 = Rank（转股溢价率偏离度） + Rank（理论价值偏离度（蒙特卡洛模拟））[19] - **因子评价**：该因子在全域、平衡型和偏债型转债上表现较优[18] **4 因子名称：转债20日动量因子** - **因子构建思路**：捕捉转债市场近期的价格动量趋势，作为市场情绪的判断指标之一[26] - **因子具体构建过程**：报告未详细说明具体计算方法，但提及在单个转债层面计算该因子值，并在风格指数内部取中位数作为该指数的市场情绪捕捉指标[26] **5 因子名称：波动率偏离度因子** - **因子构建思路**：捕捉转债波动率的异常变化，作为市场情绪的判断指标之一[26] - **因子具体构建过程**：报告未详细说明具体计算方法，但提及在单个转债层面计算该因子值，并在风格指数内部取中位数作为该指数的市场情绪捕捉指标[26] **6 因子名称：转债风格市场情绪捕捉指标** - **因子构建思路**：综合动量与波动率信息，构建一个综合指标用于判断市场情绪，进而指导风格轮动[26] - **因子具体构建过程**：在得到转债20日动量和波动率偏离度两个因子的排名后，将它们在风格指数层面的排名相加：转债风格市场情绪捕捉指标 = Rank（转债20日动量） + Rank（波动率偏离度）[27] 量化模型与构建方式 **1 模型名称：转债低估指数构建模型** - **模型构建思路**：首先将转债划分为偏股、平衡、偏债三种风格，然后在每种风格内选择估值最低的1/3标的构建低估指数，以实现低估值增强[17][20] - **模型具体构建过程**： 1. **风格划分**：根据平底溢价率对转债进行分类。平底溢价率大于15%的划分为偏股型转债，小于-15%的划分为偏债型转债，介于两者之间的划分为平衡型转债[19] 2. **构建基准指数**：为每种风格构建等权配置的基准指数，双周频调仓[19] 3. **筛选低估标的**： - 对于偏股转债低估指数，选择理论价值偏离度（蒙特卡洛模型）因子排名前1/3的转债[6][20] - 对于平衡转债低估指数和偏债转债低估指数，选择转债综合估值因子排名前1/3的转债[6][20] 4. **风险控制与限制**：在构建指数时，应用一系列筛选条件排除高风险标的，包括：正股收盘价小于1.3元、正股市值小于5亿元、正股ST、转债评级小于AA-、转债剩余规模小于2亿元、剩余期限小于30天、公告提示强制赎回[20]；此外，对于偏债转债低估指数，额外限制成分债对应正股的净利润TTM大于0[17][20]；同时，限制每种低估指数的成分债数量上限为30只[17][20] **2 模型名称：转债风格轮动模型** - **模型构建思路**：基于市场情绪指标，动态调整在偏股、平衡、偏债三类低估指数上的配置权重，以捕捉风格切换收益[17][26] - **模型具体构建过程**： 1. **计算风格情绪指标**：对于三类低估指数（偏股、平衡、偏债），分别计算其对应的转债20日动量和波动率偏离度因子的中位数[26]；然后对这三个风格指数在两大情绪指标上的表现进行跨风格排名（Rank）[27] 2. **计算综合排名**：将每个风格指数在两个情绪指标上的排名相加，得到市场情绪捕捉指标值[27] 3. **确定配置权重**：根据市场情绪捕捉指标的逆序排序（指标值越小排名越优）选择配置标的[26]；若排名相等则等权配置，若同时选中三种风格，则最终100%仓位投资于平衡低估风格[17][26]；双周频调仓[26] 模型的回测效果 **1 偏股转债低估指数** - 年化收益率：25.45%[22] - 年化波动率：20.54%[22] - 最大回撤：-22.94%[22] - 信息比率（IR）：1.24[22] - 卡玛比率：1.11[22] - 月度胜率：61.96%[22] **2 平衡转债低估指数** - 年化收益率：14.90%[22] - 年化波动率：11.85%[22] - 最大回撤：-15.95%[22] - 信息比率（IR）：1.26[22] - 卡玛比率：0.93[22] - 月度胜率：63.04%[22] **3 偏债转债低估指数** - 年化收益率：13.28%[22] - 年化波动率：9.48%[22] - 最大回撤：-17.78%[22] - 信息比率（IR）：1.40[22] - 卡玛比率：0.75[22] - 月度胜率：58.70%[22] **4 转债风格轮动模型** - 年化收益：24.14%[30] - 年化波动：16.70%[30] - 最大回撤：-15.89%[30] - 信息比率（IR）：1.45[30] - 卡玛比率：1.52[30] - 月度胜率：64.13%[30] 因子的近期表现 **1 低估值因子增强超额（近2周）** - 在偏股转债中增强超额：-3.01%[6][21] - 在平衡转债中增强超额：-0.34%[6][21] - 在偏债转债中增强超额：-0.02%[6][21] **2 转债风格轮动近期表现** - 近4周收益：2.26%[7][28] - 2025年以来收益：37.81%[7][29]

根据研报内容，现总结如下： 量化因子与构建方式 1. **因子名称：250日新高距离**[11] * **因子构建思路**：该因子用于衡量当前股价相对于过去250个交易日最高价的回落幅度，数值越小表明股价越接近历史高点，通常与股票的强势和动量效应相关[11] * **因子具体构建过程**：计算步骤如下： 1. 取股票在过去250个交易日的收盘价序列 2. 计算该序列的最大值，记为 `ts_max(Close, 250)` 3. 取最新收盘价 `Closet` 4. 代入以下公式计算因子值： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 若最新收盘价创出新高，则因子值为0；若股价从高点回落，则因子值为正，代表回落幅度[11] 2. **因子名称：股价路径平滑性（位移路程比）**[26] * **因子构建思路**：该因子通过比较股价的净变动（位移）与总变动（路程）来衡量价格路径的平稳程度，比值越高表明价格趋势越平滑，动量效应可能更持续[26] * **因子具体构建过程**：计算过去120个交易日的股价数据。具体公式为： $$股价路径平滑性 = \frac{过去120日涨跌幅的绝对值}{过去120日日涨跌幅绝对值加总}$$ 其中，分子为区间起始日与结束日收盘价计算出的总涨跌幅的绝对值，分母为区间内每个交易日涨跌幅的绝对值之和[26] 3. **因子名称：创新高持续性**[26] * **因子构建思路**：该因子通过计算“250日新高距离”在时间序列上的均值，来衡量一只股票在较长时间内维持接近新高状态的能力，均值越小表明创新高持续性越好[26] * **因子具体构建过程**：选取过去120个交易日，每日计算该股票的“250日新高距离”，然后计算这120个数值的算术平均值。 4. **因子名称：趋势延续性**[26] * **因子构建思路**：该因子通过计算近期（如过去5日）“250日新高距离”在时间序列上的均值，来捕捉股票趋势在短期内的延续性，均值越小表明近期趋势越强[26] * **因子具体构建过程**：选取过去5个交易日，每日计算该股票的“250日新高距离”，然后计算这5个数值的算术平均值。 复合模型与构建方式 1. **模型名称：平稳创新高股票筛选模型**[24][26] * **模型构建思路**：该模型旨在从近期创过新高的股票中，进一步筛选出那些得到分析师关注、股价相对强弱突出、且价格路径平稳、趋势具有持续性的股票，以捕捉更稳健的动量机会[24][26] * **模型具体构建过程**：筛选过程分为多个步骤，具体如下： 1. **初选股票池**：筛选出过去20个交易日内创出过250日新高的股票[24] 2. **分析师关注度过滤**：要求过去3个月内，买入或增持评级的分析师研报数量不少于5份[26] 3. **股价相对强弱过滤**：要求过去250日涨跌幅位于全市场前20%[26] 4. **股价平稳性综合打分**：在满足上述条件的股票池内，使用“股价路径平滑性”和“创新高持续性”两个因子进行综合打分，并选取排名在前50%的股票[26] 5. **趋势延续性排序**：对经过上一步筛选的股票，依据“趋势延续性”因子进行排序，最终选取排名最靠前的50只股票作为“平稳创新高股票”[26] 因子与模型的测试结果取值 （注：报告中未提供因子或模型在历史回测中的量化绩效指标，如年化收益率、夏普比率、信息比率(IR)、最大回撤等。报告主要展示了在特定时点（2025年10月17日）应用因子和模型得到的截面统计结果和个股列表[12][13][15][19][20][27][30]。）

根据研报内容，现总结如下： 量化因子与构建方式 1. **因子名称：250日新高距离**[11] * **因子构建思路**：该因子用于衡量当前股价相对于过去250个交易日最高价的回落幅度，以量化股票的创新高程度和趋势强度[11] * **因子具体构建过程**：具体计算方法是，取最新收盘价除以过去250个交易日收盘价的最大值，然后用1减去该比值[11] 公式为： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，$Closet$ 代表最新收盘价，$ts\_max(Close, 250)$ 代表过去250个交易日收盘价的最大值[11] 若最新收盘价创出新高，则该因子值为0；若股价自高点回落，则该因子为正值，代表回落幅度[11] 2. **因子名称：平稳创新高股票筛选因子（复合因子）**[24][26] * **因子构建思路**：该复合因子旨在从创新高股票中，进一步筛选出价格路径平稳、趋势延续性好的股票，其理论基础在于研究表明平滑的动量效应可能更强[24] * **因子具体构建过程**：筛选过程分为多个步骤： 1. **初筛股票池**：首先筛选出过去20个交易日内创过250日新高的股票[24] 2. **分析师关注度**：要求过去3个月内买入或增持评级的分析师研报不少于5份[26] 3. **股价相对强弱**：要求过去250日涨跌幅位于全市场前20%[26] 4. **股价平稳性与创新高持续性综合打分**：在满足上述条件的股票池内，使用以下两个指标进行综合打分，并选取排名在前50%的股票[26]： * **价格路径平滑性**：使用股价位移路程比指标，具体计算公式在报告中以图示表示，但未在文本中详细给出数学表达式[24] * **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[26] 5. **趋势延续性**：最后，根据过去5日的250日新高距离在时间序列上的均值进行排序，选取排名靠前的50只股票作为最终的平稳创新高股票[26] 因子回测效果 （注：本报告主要展示了特定时点（2025年10月17日）的截面数据和分析结果，并未提供因子在历史时间序列上的传统回测绩效指标（如年化收益率、夏普比率、信息比率IR等）[12][13][19][20][27][30][31][32]）

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：美元择时指标模型**[1][2][25] * **模型构建思路**：将美元需求细分为投资需求及避险需求两大类，从五大维度（美国基本面相对优势、美国利率相对优势、美元多空持仓差异、全球金融压力、美国财政赤字）出发，通过量化方法构建综合指标以判断美元走势[1] * **模型具体构建过程**： 1. **选取五个分项指标**：[1][25] * 美国基本面相对优势：使用花旗美国经济意外指数与花旗欧洲经济意外指数之差刻画[16] * 美国利率相对优势：使用美欧2年期国债收益率之差刻画[17] * 美元多空持仓差异：使用美元指数期货非商业多头与空头持仓之差刻画[18] * 全球金融压力：使用全球OFR金融压力指数刻画[21] * 美国财政赤字：使用美国财政赤字的12个月移动平均值（MA12）刻画[22] 2. **指标预处理**：[25] * 对于花旗经济意外指数及OFR金融压力指数，因其长期波动中枢为0，直接使用 * 对于美欧国债利率差、美元指数多空持仓差、美国财政赤字三项存在长期趋势的指标，通过滚动HP滤波剔除其长期趋势 3. **指标合成**：将所有指标经滚动去噪、标准化处理后等权合成，得到最终的美元择时指标，该指标以0作为历史波动中枢[25] * **模型评价**：该指标处于"0轴以上+边际上行"状态下时，对美元指数的上行判断胜率较高[2][29] 模型的回测效果 1. **美元择时指标模型**（回测区间：2006年2月至2025年8月）[35] * 指标状态为"0轴以上+边际上行"时：次月美元指数上行概率为74.1%，持续月份数为58个月[35] * 指标状态为"0轴以上+边际下行"时：次月美元指数上行概率为48.0%，持续月份数为25个月[35] * 指标状态为"0轴以下+边际上行"时：次月美元指数上行概率为35.4%，持续月份数为48个月[35] * 指标状态为"0轴以下+边际下行"时：次月美元指数上行概率为49.0%，持续月份数为104个月[35] * 全样本期间：次月美元指数上行概率为52.3%，总月份数为235个月[35] 量化因子与构建方式 1. **因子名称：美国基本面相对优势因子**[1][16] * **因子构建思路**：当美国经济表现优于其他经济体时，美股等美国资产对海外投资者的吸引力上升，推动美元升值[1][16] * **因子具体构建过程**：使用花旗美国经济意外指数减去花旗欧洲经济意外指数，计算两者之差[16] 2. **因子名称：美国利率相对优势因子**[1][17] * **因子构建思路**：根据利率平价理论，美欧利率差异会影响投资者的套息活动，从而影响美元汇率[1][17] * **因子具体构建过程**：使用美国2年期国债收益率减去欧洲2年期国债收益率，计算两者之差[17] 3. **因子名称：美元多空持仓差异因子**[1][18] * **因子构建思路**：美元指数期货合约的多空持仓之差可直接反映投资者对美元后续走势的预期[1][18] * **因子具体构建过程**：使用美元指数期货的非商业多头持仓数量减去非商业空头持仓数量[18] 4. **因子名称：全球金融压力因子**[1][21] * **因子构建思路**：当全球发生危机事件时，美元作为世界货币具备避险属性，往往表现强势[1][21] * **因子具体构建过程**：直接使用全球OFR金融压力指数[21] 5. **因子名称：美国财政赤字因子**[1][22] * **因子构建思路**：美国财政赤字持续扩张可能引发对美国政府偿债能力的担忧，导致美元信用下滑，给美元指数带来下行压力[1][22] * **因子具体构建过程**：使用美国财政赤字的12个月移动平均值（MA12）[22]

根据提供的金融工程日报内容，报告主要描述了市场表现、情绪、资金流向等日度监测指标，并未涉及具体的量化模型或量化因子的构建、测试与评价。报告内容属于市场数据统计与描述范畴[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][30][31][32][33][34][35][36][37][38][39][40][41]。 因此，本总结中“量化模型与构建方式”及“量化因子与构建方式”部分无相关内容。报告的核心是市场监测指标，现将这些指标的构建思路与过程总结如下。 市场监测指标与构建方式 **1 指标名称：封板率** - **指标构建思路**：用于衡量涨停股票的封板质量，计算当日最高价涨停且收盘仍维持涨停的股票占比[15] - **指标具体构建过程**：筛选上市满3个月以上的股票，首先找出当日盘中最高价达到涨停价的股票集合，再从中找出收盘价仍为涨停的股票，计算两者比值 - 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 [15] **2 指标名称：连板率** - **指标构建思路**：用于衡量涨停股票的连续性，计算昨日涨停股票今日继续涨停的比例[15] - **指标具体构建过程**：筛选上市满3个月以上的股票，找出昨日收盘涨停的股票集合，再计算该集合中今日收盘也涨停的股票占比 - 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 [15] **3 指标名称：大宗交易折价率** - **指标构建思路**：通过大宗交易成交价与市价的差异反映大资金的交易情绪与偏好[25] - **指标具体构建过程**：统计当日所有大宗交易，计算总成交金额与按当日收盘价计算的成交份额总市值的比率并减去1 - 折价率 = 大宗交易总成交金额 / 当日成交份额的总市值 - 1 [25] **4 指标名称：股指期货年化贴水率** - **指标构建思路**：将股指期货与现货指数之间的基差进行年化处理，以标准化衡量期货的升贴水程度，反映市场预期和对冲成本[27] - **指标具体构建过程**：计算股指期货主力合约价格与现货指数价格的差值（基差），然后除以现货指数价格，再乘以年化因子（250天除以合约剩余交易日数） - 年化贴水率 = 基差 / 指数价格 * (250 / 合约剩余交易日数) [27] 指标取值 - **封板率**：2025年10月16日取值为65%[15] - **连板率**：2025年10月16日取值为19%[15] - **大宗交易折价率**：2025年10月15日取值为7.81%[25]；近半年平均值为6.13%[25] - **股指期货年化贴水率（2025年10月16日）**： - 上证50股指期货：0.04%，处于近一年51%分位点[27] - 沪深300股指期货：3.34%，处于近一年44%分位点[27] - 中证500股指期货：12.74%，处于近一年36%分位点[27] - 中证1000股指期货：14.45%，处于近一年39%分位点[27] - **股指期货年化贴水率近一年中位数**： - 上证50：0.05%[27] - 沪深300：2.72%[27] - 中证500：10.32%[27] - 中证1000：12.84%[27]

根据提供的研报内容，以下是关于量化模型和因子的总结。研报主要涉及对ETF的跟踪监控，其中明确构建了一个量化因子。 量化因子与构建方式 **1 因子名称：RSI相对强弱指标[2]** * **因子构建思路**：通过计算一定周期内价格平均涨幅与平均跌幅的比值，来衡量市场的超买或超卖状态，从而判断短期趋势强度[2] * **因子具体构建过程**： 1. 首先，计算一定周期（N=12天）内每日上涨幅度和下跌幅度的平均值[2] 2. 计算相对强度RS，公式为： $$RS = \frac{N日内平均涨幅}{N日内平均跌幅}$$[2] 3. 将RS代入以下公式，得到RSI值： $$RSI = 100 – \frac{100}{1 + RS}$$[2] * **因子评价**：该指标常用于判断市场状态，当RSI>70时，认为市场处于超买状态；当RSI<30时，认为市场处于超卖状态[2] **2 因子名称：净申购[2]** * **因子构建思路**：通过当日净值与考虑收益率后的前日净值的变化，来计算当日资金的净流入流出情况，反映市场资金动向[2] * **因子具体构建过程**： 1. 计算公式为： $$NETBUY(T) = NAV(T) – NAV(T-1) \times (1 + R(T))$$[2] 2. 其中，NETBUY(T)为T日的净申购金额，NAV(T)为T日的ETF净值，NAV(T-1)为T-1日的ETF净值，R(T)为T日的ETF收益率[2] 因子的回测效果取值 研报以表格形式展示了多个ETF在特定日期的因子截面数据，以下是部分示例[4][6]： * **RSI相对强弱指标**： * 华泰柏瑞沪深300ETF (510300.SH): 58.17[4] * 南方中证500ETF (510500.SH): 51.89[4] * 华夏上证50ETF (510050.SH): 63.89[4] * 国泰中证煤炭ETF (515220.SH): 75.88[6] * 华夏机器人ETF (562500.SH): 42.23[6] * **净申购（亿元）**： * 华泰柏瑞沪深300ETF (510300.SH): -13.98[4] * 易方达沪深300ETF (510310.SH): 0.70[4] * 华宝中证银行ETF (512800.SH): 10.54[6] * 易方达中证海外互联ETF (513050.SH): 27.41[6] * 华夏中证人工智能ETF (515070.SH): -2.27[6]

根据研报内容，现对其中涉及的量化模型与因子总结如下： 量化因子与构建方式 1. **因子名称：国证2000增强因子**[31] * **因子构建思路**：针对国证2000指数成分股（小微盘股）的选股逻辑，筛选并合成有效的选股因子，以构建指数增强策略。[30] * **因子具体构建过程**： 1. 测试并发现技术、反转、特异波动率等因子在国证2000成分股上表现出色。[31] 2. 由于技术、反转和特异波动率因子相关性较高，对波动率因子进行去相关处理：将波动率因子对技术和反转因子做回归，取残差作为相对独立的波动率因子。$$ \text{残差波动率因子} = \text{特异波动率因子} - \text{回归模型预测值} $$[31] 3. 将成长、残差波动率、动量、技术、价值等各大类因子进行等权合成。[31] 4. 对合成的因子进行行业和市值中性化处理，最终得到国证2000增强因子。[31] * **因子评价**：该因子具有良好的预测效果。[31] 2. **因子名称：GBDT+NN机器学习选股因子**[42] * **因子构建思路**：选取结构差异化的GBDT（梯度提升树）和NN（神经网络）两类机器学习模型，使用不同的特征数据集进行训练，并融合多种预测标签，以构建在宽基指数上表现优异的选股因子。[5][42] * **因子具体构建过程**： 1. 分别训练GBDT和NN模型。[5][42] 2. 使用多种预测标签进行对比和融合。[5][42] 3. 最终构建出GBDT+NN融合选股因子。[5][42] 3. **因子名称：动态宏观事件因子（用于红利择时）**[57] * **因子构建思路**：使用经济增长和货币流动性共10个指标，通过动态事件因子体系构建择时策略，以判断中证红利指数的投资时机。[6][57] * **因子具体构建过程**：基于10个宏观指标（如消费者信心指数、发电量、国债利差、PMI新出口订单、PPI、Shibor等）生成信号，并综合这些信号得出最终的择时判断。[65] 4. **因子名称：风格因子（分析用）**[14][16][19][24] * **因子构建思路**：通过分析全A市场在不同行情阶段（如牛市、下跌市）下各类风格因子的表现，来解释量化产品超额收益波动的原因并预测风格切换。[14] * **涉及的具体因子**：报告中分析的风格雷达包括：分析师一致预期因子、成长因子、动量因子、质量因子、技术因子、价值因子、波动因子、市值因子。[15][19][24] 量化模型与构建方式 1. **模型名称：国证2000指数增强策略**[30][35] * **模型构建思路**：基于专门构建的国证2000增强因子，在国证2000指数成分股内进行选股，以获取超越基准的超额收益。[30][35] * **模型具体构建过程**： * 每月月底调仓。[35] * 选取国证2000增强因子值排名前10%的股票。[35] * 以等权方式构建投资组合。[35] * 假设手续费率为单边千分之二。[35] 2. **模型名称：GBDT+NN机器学习指数增强策略**[5][42][46] * **模型构建思路**：基于GBDT+NN机器学习选股因子，通过组合优化方法控制跟踪误差和个股权重偏离，最大化因子暴露，构建针对不同宽基指数（沪深300、中证500、中证1000）的增强策略。[5][46] * **模型具体构建过程**： * 回测区间自2015年2月1日开始。[5] * 每月月初调仓。[5] * 假定手续费率单边千二。[5] * 通过对投资组合的跟踪误差进行控制，对个股权重偏离进行控制，最大化因子暴露。[5][46] 3. **模型名称：基于红利风格择时+红利股优选的固收+策略**[6][57] * **模型构建思路**：结合针对中证红利指数的动态宏观事件因子择时策略和在红利股内使用AI模型的选股策略，构建一个低波动、稳健的"固收+"策略。[6][57] * **模型具体构建过程**： * **择时部分**：使用动态宏观事件因子判断中证红利指数的仓位（0%-100%）。[57][65] * **选股部分**：利用AI模型（如GBDT+NN）在中证红利指数成分股内进行选股。[6][57] * 将择时信号与选股组合结合，形成最终的"固收+"策略组合。[6] 模型的回测效果 1. **国证2000指数增强策略**[38][39] * 年化收益率：23.94% * 年化波动率：24.05% * 夏普比率：1.00 * 最大回撤：42.49% * 年化超额收益率：13.18% * 跟踪误差：7.61% * 信息比率(IR)：1.73 * 超额最大回撤：10.19% * 9月收益率：-0.39% * 9月超额收益率：-0.86% 2. **GBDT+NN沪深300指数增强策略**[46][47] * 年化收益率：14.44% * 年化波动率：21.18% * Sharpe比率：0.68 * 最大回撤率：39.02% * 年化超额收益率：10.86% * 跟踪误差：6.01% * 信息比率(IR)：1.81 * 超额最大回撤：7.72% * 9月收益率：1.77% * 9月超额收益率：-1.44% 3. **GBDT+NN中证500指数增强策略**[49][51] * 年化收益率：13.80% * 年化波动率：23.46% * Sharpe比率：0.59 * 最大回撤率：41.29% * 年化超额收益率：10.27% * 跟踪误差：5.99% * 信息比率(IR)：1.71 * 超额最大回撤：8.34% * 9月收益率：2.08% * 9月超额收益率：-3.19% 4. **GBDT+NN中证1000指数增强策略**[54][55][57] * 年化收益率：17.97% * 年化波动率：26.46% * Sharpe比率：0.68 * 最大回撤率：43.51% * 年化超额收益率：15.83% * 跟踪误差：6.76% * 信息比率(IR)：2.34 * 超额最大回撤：7.53% * 9月收益率：0.96% * 9月超额收益率：-0.96% 5. **基于红利风格择时+红利股优选的固收+策略**[58] * 年化收益率：7.34% * 年化波动率：3.38% * 夏普比率：2.17 * 最大回撤：4.93% * 最近1个月收益率：-0.73% 因子的回测效果 1. **国证2000增强因子**[31][32] * IC平均值：12.54% * 最新月IC：6.91% * 风险调整的IC：1.08 * t统计量：12.56 2. **GBDT+NN选股因子（沪深300成分股）**[43] * 样本外整体IC均值：11.43% * 样本外整体多头年化超额收益率：15.39% * 本月IC：-11.91% * 本月多头超额收益率：-3.31% 3. **GBDT+NN选股因子（中证500成分股）**[48] * 样本外整体IC均值：9.77% * 样本外整体多头年化超额收益率：9.87% * 本月IC：9.87% * 本月多头超额收益率：-1.62% 4. **GBDT+NN选股因子（中证1000成分股）**[52][53] * 样本外整体IC均值：13.49% * 样本外整体多头年化超额收益率：16.10% * 本月IC：9.77% * 本月多头超额收益率：-0.68% 5. **中证红利选股策略（AI模型）**[58] * 年化收益率：18.83% * 年化波动率：21.08% * 夏普比率：0.89 * 最大回撤：38.52% * 最近1个月收益率：-3.08% * 今年以来收益率：6.47% 6. **红利择时策略**[58] * 年化收益率：13.58% * 年化波动率：15.36% * 夏普比率：0.88 * 最大回撤：25.05% * 最近1个月收益率：-1.10% * 今年以来收益率：-0.43%

根据研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 1. **模型名称：Black-Litterman模型（BL模型）**[26] * **模型构建思路**：BL模型是对传统均值-方差模型（MVO）的改进，采用贝叶斯理论将投资者的主观观点与量化配置模型结合起来，通过投资者对市场的分析预测资产收益，进而优化资产配置权重[26] * **模型具体构建过程**：报告跟踪了两种国内资产BL策略[27] * **BL策略1**：认为市场均衡权重未知，每月末使用各资产过去五年的历史收益作为市场均衡收益率Π，并指定风险厌恶系数δ的值（例如δ=10）由于风险厌恶系数和目标波动率存在对应关系，指定δ便相当于指定了目标波动率[33] * **BL策略2**：对市场均衡权重进行人为指定（股:债:转债:商品:黄金=10:80:5:2.5:2.5），使用各资产过去五年的历史收益作为市场均衡收益率Π，反解市场风险厌恶系数δ此时每一期的δ是动态变化的，相当于每一期的目标波动率也在变化[33] 2. **模型名称：风险平价模型**[32][35] * **模型构建思路**：风险平价模型的核心思想是把投资组合的整体风险分摊到每类资产（因子）中去，使得每类资产（因子）对投资组合整体风险的贡献相等该模型从各资产（因子）的预期波动率及预期相关性出发，计算得到初始资产配置权重下各资产（因子）对投资组合的风险贡献，然后对各资产（因子）实际风险贡献与预期风险贡献间的偏离度进行优化，从而得到最终资产配置权重[35] * **模型具体构建过程**：构建过程分三步第一步，选择合适的底层资产（报告中使用8类国内资产）第二步，计算资产对组合的风险贡献第三步，求解优化问题计算持仓权重同时，采用过去五年的日度收益率估计协方差矩阵，用于提升协方差矩阵的估计稳定性[35] 3. **模型名称：基于宏观因子的资产配置策略**[40][41] * **模型构建思路**：该框架建立了一个宏观研究与资产配置研究的桥梁，通过构造涵盖增长、通胀、利率、信用、汇率和流动性六大风险的宏观因子体系，将对于宏观的主观观点进行资产方面的落地[40] * **模型具体构建过程**：按以下四步构建策略第一步，每月末计算资产的因子暴露水平第二步，以资产的风险平价组合作为基准，计算出基准因子暴露第三步，根据对宏观未来一个月的判断，给定一个主观因子偏离值，结合基准因子暴露，得到资产组合的因子暴露目标第四步，带入模型反解得到下个月的各个资产配置权重在计算因子暴露时，使用基于先验信息的Lasso回归，并采用滚动重采样（Bootstrap）的方式提高稳健性，即在每月末以过去10年为滚动窗口期，随机挑选起始日期并取长度为2年的时间序列作为输入变量，重复采样3000次，最终取回归结果的中位数作为因子暴露值[41] 模型的回测效果 1. **国内资产BL策略1**，2025年收益3.58%[4][31]，9月收益0.19%[4]，最大回撤1.31%[4][31]，年化波动2.19%[4][31]，夏普比率1.177[19]，卡玛比率2.732[19] 2. **国内资产BL策略2**，2025年收益3.18%[4][31]，9月收益0.20%[4]，最大回撤1.06%[4][31]，年化波动1.99%[4][31]，夏普比率1.096[19]，卡玛比率2.992[19] 3. **国内资产风险平价策略**，2025年收益3.12%[4][39]，9月收益0.18%[4]，最大回撤0.76%[4][39]，年化波动1.34%[4][39]，夏普比率1.582[19]，卡玛比率4.098[19] 4. **基于宏观因子的资产配置策略**，2025年收益3.42%[4][46]，9月收益0.48%[4]，最大回撤0.65%[4][46]，年化波动1.32%[4][46]，夏普比率1.837[19]，卡玛比率5.235[19] 5. **全球资产BL策略1**，2025年收益0.99%[50]，9月收益0.26%[50]，最大回撤1.64%[50]，年化波动1.98%[50]，夏普比率-0.005[19]，卡玛比率0.604[19] 6. **全球资产BL策略2**，2025年收益2.07%[50]，9月收益0.25%[50]，最大回撤1.28%[50]，年化波动1.63%[50]，夏普比率0.656[19]，卡玛比率1.616[19] 7. **全球资产风险平价策略**，2025年收益2.58%[50]，9月收益0.21%[50]，最大回撤1.20%[50]，年化波动1.47%[50]，夏普比率1.075[19]，卡玛比率2.160[19] 量化因子与构建方式 1. **因子名称：宏观因子体系**[40][41] * **因子的构建思路**：构造了涵盖增长、通胀、利率、信用、汇率和流动性六大风险的宏观因子体系[40] * **因子具体构建过程**：通过Factor Mimicking Portfolio方法构造了增长、通胀等六大宏观风险的高频宏观因子[41] 因子的回测效果 （报告中未提供宏观因子本身的独立测试结果，如IC值、IR等）

根据提供的研报内容，报告主要分析了北上资金的行业配置和净流入情况，并未涉及传统的量化模型（如多因子模型、风险模型等）或量化因子（如价值、动量等）的构建与测试。报告的核心是描述性统计分析。 因此，本次总结将重点放在报告中用于分析的资金流指标上。该指标可以被视为一个分析因子。 量化因子与构建方式 **1 因子名称：行业资金净流入因子**[2][5][16] **1.1 因子的构建思路** 该因子的构建思路是，为了更真实地反映北上资金主动的配置行为，需要剔除因股票价格涨跌导致的持股市值被动变化的影响，从而计算出资金在特定行业上的主动净流入额。[5][16] **1.2 因子具体构建过程** 报告虽未给出完整的数学公式，但详细描述了计算过程，具体步骤如下： 1. **确定时间区间**：例如，报告中选择的时间区间为2025年第二季度至2025年第三季度（2025Q2至2025Q3）[5][16] 2. **计算期初和期末持股市值**：对于每个行业内的所有个股，分别计算北上资金在期初（2025Q2末）和期末（2025Q3末）的持股市值[2][11] 3. **剥离价格影响**：通过调整期初持仓来剥离行业自身涨跌幅的影响。具体方法是，将期初的持股市值根据该行业（或行业内个股）在计算期内的涨跌幅进行调整，得到一个“假设期末持仓市值”。这个假设值代表了如果北上资金在此期间没有进行任何主动买卖操作，仅因价格波动其持仓市值应变为多少[5][16][28] * 计算逻辑可表示为：`假设期末持仓市值 = 期初持股市值 × (1 + 行业期间收益率)` 4. **计算主动净流入**：将实际的期末持股市值与上述“假设期末持仓市值”相减，其差额即为北上资金在该行业上的主动净流入（或流出）金额[5][16][28] * 计算逻辑可表示为：`行业资金净流入 = 实际期末持股市值 - 假设期末持仓市值` * 如果结果为正值，表示资金净流入；如果为负值，表示资金净流出。 **1.3 因子评价** 该因子提供了一种更清晰的视角来观察资金的主动配置动向，比单纯比较期初和期末持仓市值的变化更能反映真实的资金意愿。[5][16][28] 因子的回测效果 报告未提供该因子在历史回测中的表现指标（如年化收益率、夏普比率、信息比率IR等）。报告仅展示了特定时间段（2025年第三季度）的计算结果。[5][16] **1 行业资金净流入因子，在2025Q3的取值情况** * **一级行业净流入TOP5**：电子、电力及新能源设备、农产品、化学品、非金属材料 [5][16] * **一级行业净流出TOP5**：银行、食品饮料、公用事业、综合金融、家电制造 [5][16] * **二级行业净流入TOP5**：零部件及元器件、新能源车设备、通用机械、新能源设备及制造、显示器件 [20] * **二级行业净流出TOP5**：国有行、白酒、股份行、电力、证券及期货 [20]

根据提供的研报内容，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：行业拥挤度监测模型**[3] * **模型构建思路**：通过构建模型对申万一级行业指数的拥挤度进行每日监测，以识别拥挤度较高和较低的行业[3] * **模型具体构建过程**：报告未提供该模型的具体构建过程和公式 2. **模型名称：溢价率 Z-score 模型**[4] * **模型构建思路**：通过滚动测算ETF产品的溢价率Z-score，来搭建ETF产品筛选信号模型，以发现存在潜在套利机会的标的[4] * **模型具体构建过程**：报告未提供该模型的具体构建过程和公式 量化因子与构建方式 报告未明确描述独立因子的构建思路与过程。 模型的回测效果 报告未提供上述模型的量化回测效果指标（如年化收益率、夏普比率、最大回撤等）。 因子的回测效果 报告未提供具体因子的测试结果取值。