根据提供的研报内容，以下是关于量化模型和因子的总结： 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，数值越小代表股价越接近历史高点，通常与动量效应和趋势跟踪策略相关[11] * **因子具体构建过程**：计算步骤如下 * 首先，计算过去250个交易日的收盘价最大值：`ts_max(Close, 250)` * 然后，使用最新收盘价 `Closet` 与上述最大值进行比较，计算公式为： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ * 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/模型名称：平稳创新高股票筛选模型**[23][26] * **模型构建思路**：该模型旨在从近期创250日新高的股票中，进一步筛选出价格路径相对平滑、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[23] * **模型具体构建过程**：这是一个多步骤的筛选流程，具体条件如下[23][26] * **初选股票池**：过去20个交易日内曾创出250日新高的股票[23] * **分析师关注度**：过去3个月内，获得“买入”或“增持”评级的分析师研报数量不少于5份[26] * **股价相对强弱**：过去250日涨跌幅位于全市场前20%[26] * **股价平稳性与创新高持续性筛选**：在满足以上条件的股票池内，使用以下两个指标综合打分，并选取排名在前50%的股票 * **价格路径平滑性**：使用股价位移路程比衡量，计算公式为 `过去120日涨跌幅的绝对值 / 过去120日日涨跌幅绝对值加总`[23][26] * **创新高持续性**：过去120日内的250日新高距离在时间序列上的均值[26] * **趋势延续性筛选**：计算过去5日的250日新高距离在时间序列上的均值，并最终选取该指标排序最靠前的50只股票[26] 模型/因子的回测效果 （注：研报中未提供模型或因子在历史数据上的系统化回测指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）及其具体数值，仅展示了特定时点的筛选结果和部分描述性统计，因此本部分无具体指标取值可总结。）

量化模型与构建方式 1. **模型名称：攻守兼备红利策略（原策略）**[18] * **模型构建思路**：采用类指数分层选股的方式，旨在通过多维度合成防御性和进攻性得分，在稳健组合内选择进攻性好的股票组合来战胜中证红利全收益指数[18] * **模型具体构建过程**： 1. **股票池筛选**：在中证全指成份股中筛选出连续分红的高股息股票池，筛选标准包括：过去一年日均总市值和日均成交额均在前80%；过去三年连续现金分红且每年税后现金股息率均大于0；过去一年股息支付率剔除前5%和负值；过去两年现金股息均实现正增长[18][21] 2. **防御性筛选**：在高股息股票池中，使用3年平均股息率TTM、480个交易日下行波动率、3年扣非ROE均值/标准差合成防御性得分，降序排序保留前30%个股，形成高股息防御股票池[18] 3. **进攻性筛选**：在高股息防御股票池中，使用预测股息率、相对动量240_20、单季度扣非净利润同比合成进攻性得分，降序排序保留前30或50只个股[18] 4. **组合构建**：对最终选出的股票采用股息率TTM加权，并控制银行个股数量占比上限在20%，形成月频或季频调仓策略[18] 2. **模型名称：轮动增强后的攻守兼备红利策略**[11][74] * **模型构建思路**：保留原策略分层选股的第一步防御性筛选，在第二步筛选时根据宏观预期修正信号，动态调整防御性得分和进攻性得分的权重，以进行风格轮动，提升组合表现，特别是回撤控制能力[3][11][74] * **模型具体构建过程**： 1. **股票池与防御性筛选**：与原策略相同，先筛选高股息股票池，然后计算防御性得分并保留前30%个股[11][74] 2. **轮动规则**：根据宏观预期修正信号（EWMA）决定第二步筛选的得分合成方式[11][74] * 当宏观预期上修时：仍仅使用进攻性得分筛选个股（即权重为100%进攻性得分）[74] * 当宏观预期下修时：使用综合得分筛选个股，综合得分 = 0.5 × 进攻性得分 + 0.5 × 防御性得分[74] 3. **最终筛选与组合构建**：根据上述轮动规则得到的得分，降序排序保留前30只个股，保留银行股数量占比不超过20%的要求，采用月频调仓，股息率TTM加权[74] * **模型评价**：轮动增强后的方案，回撤控制角度提升较明显[3][11] 模型的回测效果 1. **攻守兼备红利策略（原策略）**[25][30] * 年度收益（全区间年化）：14.88%[83] * 最大回撤（全区间）：27.88%[83] * 年化波动（全区间）：18.00%[83] * 胜率（全区间）：未直接提供，分年数据见原文表1、表2[25][30] * 夏普比（全区间）：未直接提供，分年数据见原文表1、表2[25][30] * 超额收益（相对中证红利全收益，全区间年化）：未直接提供，分年数据见原文表1、表2[25][30] * 信息比率（IR）（全区间）：未直接提供，分年数据见原文表1、表2[25][30] 2. **轮动增强后的攻守兼备红利策略**[80][83] * 年度收益（全区间年化）：15.32%[80][83] * 最大回撤（全区间）：24.37%[80][83] * 年化波动（全区间）：17.66%[80][83] * 胜率（全区间）：66.39%[80] * 夏普比（全区间）：0.89[80] * 超额收益（相对中证红利全收益，全区间年化）：6.12%[80] * 信息比率（IR）（全区间）：0.88[80] 量化因子与构建方式 1. **因子名称：防御性得分**[18][75] * **因子构建思路**：综合衡量股票在分红稳定性、风险控制和盈利质量方面的防御属性[18] * **因子具体构建过程**：防御性得分由以下三个因子按指定权重合成，每个指标先进行排序分位化处理（除下行波动率降序排序外，均升序排序）[75] * 3年平均股息率TTM：权重 0.5 * 480个交易日下行波动率：权重 0.3 * 3年扣非ROE均值/标准差：权重 0.2 2. **因子名称：进攻性得分**[18][75] * **因子构建思路**：综合衡量股票在未来分红潜力、价格趋势和盈利增长方面的进攻属性[18] * **因子具体构建过程**：进攻性得分由以下三个因子按指定权重合成，每个指标先进行排序分位化处理后升序排序[75] * 预测股息率：权重 0.5 * 相对动量_240_20：权重 0.3 * 单季度扣非净利润同比：权重 0.2 3. **因子名称：预测股息率**[49] * **因子构建思路**：使用过去平均股息支付率和分析师预测净利润来估算未来的股息率[49] * **因子具体构建过程**：预测股息率 = 过去三年股息支付率均值 * 分析师一致预测净利润 / 最新总市值[49] 4. **因子名称：三年平均股息率TTM**[49] * **因子构建思路**：使用近三年的股息率TTM数据进行平滑，以反映更稳定的分红水平[49] * **因子具体构建过程**：三年平均股息率TTM = (当前股息率TTM + 12个月前股息率TTM + 24个月前股息率TTM) / 3[49] 5. **因子名称：扣非净利润Q同比**[49] * **因子构建思路**：衡量公司最新单季度的扣非净利润同比增长情况[49] * **因子具体构建过程**：扣非净利润Q同比 = (最新单季度扣非净利润 - 去年同比期单季度扣非净利润) / abs(去年同比期单季度扣非净利润)[49] 6. **因子名称：3年扣非ROE均值/标准差**[49] * **因子构建思路**：衡量公司近三年扣非ROE的稳定性，比值越高说明盈利越稳定[49] * **因子具体构建过程**：3年扣非ROE均值/标准差 = 最近三年年报扣非净利润均值 / 最近三年年报扣非净利润标准差[49] 7. **因子名称：相对动量_240_20**[49] * **因子构建思路**：衡量股票当前价格相对于过去一段时间（剔除近期）最高点的位置，反映趋势强度[49] * **因子具体构建过程**：相对动量_240_20 = 当前股价 / (最近240交易日至最近20交易日之间的220个交易日收盘价最大值 - 最近240交易日至最近20交易日之间的220个交易日收盘价最小值)[49] 公式为：$$相对动量\_240\_20 = \frac{当前股价}{Max(Close_{t-240}, ..., Close_{t-20}) - Min(Close_{t-240}, ..., Close_{t-20})}$$ 8. **因子名称：480日下行波动**[49] * **因子构建思路**：衡量股票在过去480个交易日中下跌日的波动率，反映下行风险[49] * **因子具体构建过程**：计算过去480个交易日中日跌幅数据的标准差[49] 因子的回测效果 *（注：报告中对单个因子的回测效果主要体现在多空组合的分析师预期检验和收益检验中，并未提供类似模型的综合回测指标（如年化收益、最大回撤等）。检验结果以回归系数和P值形式呈现，表明因子在不同宏观预期下的有效性，具体数值详见原文表5至表14。）*

根据提供的研报内容，以下是关于量化模型和因子的总结。 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，数值越小表示股价越接近历史高点，通常与动量效应和趋势跟踪策略相关[11] * **因子具体构建过程**：计算步骤如下 * 首先，计算过去250个交易日的收盘价最大值：`ts_max(Close, 250)` * 然后，使用最新收盘价 `Closet` 与上述最大值进行比较，计算公式为： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ * 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：平稳创新高股票筛选因子（复合因子）**[23][26] * **因子构建思路**：该复合因子旨在从创新高的股票中，进一步筛选出那些价格路径平稳、趋势延续性好的股票，其理论基础在于平滑的动量效应可能更强[23] * **因子具体构建过程**：这是一个多步骤的筛选流程，具体条件如下 * **初选股票池**：筛选出过去20个交易日内创过250日新高的股票[19] * **分析师关注度**：过去3个月内，获得“买入”或“增持”评级的分析师研究报告不少于5份[26] * **股价相对强弱**：过去250日涨跌幅位于全市场前20%[26] * **股价平稳性与创新高持续性**：在满足以上条件的股票池内，使用以下两个指标综合打分，并选取排名在前50%的股票 * **价格路径平滑性**：使用股价位移路程比衡量，计算公式为 `过去120日涨跌幅的绝对值 / 过去120日日涨跌幅绝对值加总`[23][26] * **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] * **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，最终选取此指标排序最靠前的50只股票[26] 因子回测效果 *注：研报中未提供针对单个因子的历史回测绩效指标（如IC值、IR值、多空收益等），而是展示了基于特定因子（250日新高距离）和筛选方法（平稳创新高股票筛选）在特定时点（2025年11月28日）的截面数据结果。因此，此处列出的是筛选结果的统计值，而非传统意义上的因子回测绩效。* 1. **250日新高距离因子** * 截至2025年11月28日，主要指数该因子取值：上证指数3.50%，深证成指5.40%，沪深300指数4.66%，中证500指数6.85%，中证1000指数4.10%，中证2000指数2.78%，创业板指8.17%，科创50指数13.77%[12] * 截至2025年11月28日，中信一级行业中该因子取值较小的行业（距离新高较近）：家电行业0.92%，纺织服装行业2.88%，轻工制造行业1.45%，基础化工行业6.39%，通信行业5.48%[13] 2. **平稳创新高股票筛选因子** * 应用该复合因子筛选方法，在截至2025年11月28日的时点，从全市场1043只创新高股票中最终筛选出26只平稳创新高股票[27] * 这26只股票的板块分布为：周期板块10只，制造板块8只，科技板块、医药板块、消费板块、大金融板块均有股票入选[27]

根据提供的研报内容，总结如下： 量化模型与构建方式 1. **模型名称：GAN_GRU模型**[4][13] * **模型构建思路**：该模型是一种深度学习选股模型，首先利用生成式对抗网络（GAN）对量价时序特征进行增强处理，然后再利用门控循环单元（GRU）网络对处理后的时序特征进行编码，最终输出股票的预测收益作为选股因子[4][13]。 * **模型具体构建过程**： * **基础特征**：模型使用18个量价特征，包括日频特征（如前收盘价、开盘价、收盘价、最高价、最低价、成交量、成交金额、涨跌幅、振幅、换手率、均价）和月频特征（如月成交金额、月涨跌幅、月振幅、月换手率、月收盘最高价、月收盘最低价、月日均换手率）[14][17][19]。 * **数据预处理与采样**：使用所有个股过去400天内的18个量价特征，每5个交易日进行一次特征采样。每次采样的特征形状为40天*18个特征，用以预测未来20个交易日的累计收益[18]。在时序上对每个特征进行去极值和标准化处理，并在个股截面上进行标准化处理[18]。训练集与验证集的比例为80%:20%[18]。 * **基础模型（GRU+MLP）**：构建一个包含两层GRU层（GRU(128, 128)）和后续多层感知机（MLP(256, 64, 64)）的神经网络。模型最终输出的预测收益（pRet）作为选股因子[22]。 * **GAN特征增强**：为了提升特征质量，引入GAN模型对原始量价时序特征（Input_Shape=(40,18)）进行增强[33][37]。 * **生成器（G）**：采用长短期记忆网络（LSTM）作为生成器，以保留输入特征的时序性质。其目标是生成逼真的量价时序特征。生成器的损失函数为： $$L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))]$$ 其中，\(z\) 是随机噪声，\(G(z)\) 是生成器生成的数据，\(D(G(z))\) 是判别器判断生成数据为真实数据的概率[24][25]。 * **判别器（D）**：采用卷积神经网络（CNN）作为判别器，将量价时序特征视为二维图像进行处理。其目标是区分真实数据与生成数据。判别器的损失函数为： $$L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$$ 其中，\(x\) 是真实数据，\(D(x)\) 是判别器对真实数据的输出概率，\(D(G(z))\) 是判别器对生成数据的输出概率[27]。 * **训练过程**：生成器和判别器交替训练。先训练判别器，再训练生成器，循环迭代直至模型收敛[29][30][34]。 * **GAN_GRU整合**：将训练好的GAN模型中的生成器（G）用于处理原始量价时序特征，生成增强后的特征。然后将增强后的特征输入到前述的GRU+MLP基础模型中进行训练和预测[38]。 * **训练与预测设置**：采用半年滚动训练方式，每年6月30日和12月31日进行模型训练，用于未来半年的预测。回测采用月频调仓。选股范围为全A股，剔除ST股及上市不足半年的股票。训练超参数包括：batch_size为截面股票数量、优化器为Adam、学习速率为1e-4、损失函数为IC、早停轮数为10、最大训练轮数为50[15][18]。 量化因子与构建方式 1. **因子名称：GAN_GRU因子**[4][13] * **因子构建思路**：GAN_GRU因子是GAN_GRU模型最终输出的股票预测收益（pRet）[22]。该因子在用于测试前，会经过行业和市值中性化处理，并进行标准化[22]。 * **因子具体构建过程**：因子值直接来源于GAN_GRU模型的输出，即模型对每只股票未来20个交易日收益的预测值[18][22]。构建过程与上述GAN_GRU模型的构建过程完全一致。 模型的回测效果 1. **GAN_GRU模型**（基于其输出的因子进行回测，回测期间：2019年1月至2025年11月，月频调仓）[41][42] * IC均值：0.1131*** * ICIR（未年化）：0.90 * 换手率：0.83 * 年化收益率：37.52% * 年化波动率：23.52% * 信息比率（IR）：1.59 * 最大回撤率：27.29% * 年化超额收益率：23.14% 因子的回测效果 1. **GAN_GRU因子**[41][42] * 最新一期IC（截至2025年11月27日）：0.1241*** * 近一年IC均值（截至2025年11月27日）：0.0867*** * 近期行业IC表现（2025年10月当期，申万一级行业除综合）：社会服务(0.2198***)、房地产(0.2027***)、钢铁(0.1774***)、非银金融(0.1754***)、煤炭(0.1537***)[42] * 近一年行业IC均值（申万一级行业除综合）：非银金融(0.1401***)、钢铁(0.1367***)、商贸零售(0.1152***)、纺织服饰(0.1124***)、公用事业(0.1092***)[42] * 近期行业多头组合超额收益（2025年11月当期，相对行业指数）：环保(7.24%)、机械设备(4.37%)、房地产(4.03%)、纺织服饰(3.89%)、建筑材料(2.91%)[2][45] * 近一年行业多头组合月平均超额收益（相对行业指数）：建筑材料(2.15%)、房地产(1.97%)、社会服务(1.77%)、纺织服饰(1.71%)、商贸零售(1.62%)[2][46]

根据提供的研报内容，该报告主要对A股市场各宽基指数进行多维度数据跟踪和统计分析，并未涉及具体的量化交易模型或用于选股的量化因子构建。报告内容侧重于市场状态描述和指标展示。以下是基于报告内容的总结： 量化模型与构建方式 （报告未涉及具体的量化交易模型或选股因子，此部分无相关内容） 模型的回测效果 （报告未涉及具体的量化交易模型，此部分无相关内容） 量化因子与构建方式 （报告未涉及用于选股的量化因子构建，此部分无相关内容） 因子的回测效果 （报告未涉及用于选股的量化因子，此部分无相关内容） 市场指标与构建方式 1. **指标名称：连阴连阳天数**[12] * **指标构建思路**：用于跟踪指数K线连续为阴线或阳线的天数，反映市场短期的趋势强度[12] * **指标具体构建过程**：从1开始计数，正数表示连续阳线的天数，负数表示连续阴线的天数[12] 2. **指标名称：指数与移动平均线（MA）比较**[15][16] * **指标构建思路**：通过比较指数收盘价与不同周期移动平均线（如MA5, MA10, MA20, MA60等）的位置关系，判断指数当前相对于短期、中期和长期趋势的强弱[15][16] * **指标具体构建过程**：计算指数收盘价相对于各移动平均线的偏离百分比，公式为： $$偏离百分比 = \frac{收盘价 - 移动平均线值}{移动平均线值} \times 100\%$$ [16] 3. **指标名称：指数换手率**[18] * **指标构建思路**：衡量指数成分股整体的交易活跃度[18] * **指标具体构建过程**：采用流通股本加权平均的方式计算，公式为： $$指数换手率 = \frac{\sum(成分股流通股本 \times 成分股换手率)}{\sum(成分股流通股本)}$$ [18] 4. **指标名称：收益率分布形态（峰度与偏度）**[24][26] * **指标构建思路**：通过分析指数日收益率分布的峰度和偏度，描述收益分布的集中程度和不对称性[24][26] * **指标具体构建过程**：计算近一定时期（如近5年）和当前时期指数日收益率的峰度（计算中减去了正态分布的峰度值3）和偏度，并进行对比[26] 5. **指标名称：风险溢价**[28][32] * **指标构建思路**：以十年期国债即期收益率作为无风险利率，计算指数收益率与之差，衡量投资股票市场所要求的额外风险补偿[28][32] * **指标具体构建过程**：风险溢价 = 指数收益率 - 十年期国债即期收益率，并计算其在近1年、近5年等不同窗口期的分位值及统计特征（如均值、波动率、标准差区间）[28][32] 6. **指标名称：市盈率（PE-TTM）**[40][44][45] * **指标构建思路**：使用滚动市盈率作为估值参考，衡量指数投资价值[40][44] * **指标具体构建过程**：直接获取指数的PE-TTM值，并计算其在历史数据中的分位值，同时计算近1年的均值、波动率及标准差区间[44][45] 7. **指标名称：股债性价比**[47] * **指标构建思路**：将PE-TTM的倒数（近似代表股票的盈利收益率）与十年期国债收益率进行比较，辅助判断股票和债券资产的相对吸引力[47] * **指标具体构建过程**：股债性价比 = (1 / PE-TTM) - 十年期国债即期收益率[47] 8. **指标名称：股息率**[49][54] * **指标构建思路**：反映指数的现金分红回报水平，跟踪红利投资风格的表现[49] * **指标具体构建过程**：直接获取指数的股息率值，并计算其在历史数据中的分位值，同时计算近1年的均值、波动率及标准差区间[54] 9. **指标名称：破净率**[56] * **指标构建思路**：通过统计指数中市净率（PB）小于1的成份股占比，反映市场的整体估值态度和悲观程度[56] * **指标具体构建过程**：破净率 = (指数中破净个股数量 / 指数总成分股数量) × 100%[56] 指标的具体取值 （以下数据均为报告指定日期2025年11月27日的数值或截至该日的统计值） 1. **连阴连阳天数**[12] * 中证1000日K连阳：4天 * 中证2000周K连阴：-3天 * 其他指数日K、周K、月K、季K、年K的连阴连阳天数在报告中未显示具体数值或为空白 2. **指数与移动平均线比较**[16] * 各指数相对于MA5的偏离百分比在0.3%至1.7%之间（均在MA5之上） * 各指数相对于MA10的偏离百分比在-1.2%至0.01%之间（除创业板指外均低于MA10） * 各指数相对于MA20的偏离百分比在-3.0%至-1.3%之间（均低于MA20） * 各指数相对于MA60的偏离百分比在-3.1%至-0.5%之间（均低于MA60） 3. **指数换手率**[18] * 中证2000：3.88 * 创业板指：2.43 * 中证1000：2.17 * 中证全指：1.49 * 中证500：1.21 * 沪深300：0.46 * 上证50：0.23 4. **收益率分布形态**[26] * 当前峰度：创业板指 (1.44), 中证2000 (1.40), 中证1000 (1.35), 中证500 (0.91), 中证全指 (1.00), 沪深300 (0.61), 上证50 (0.05) * 当前偏度：中证2000 (1.67), 创业板指 (1.66), 中证1000 (1.63), 中证全指 (1.62), 中证500 (1.57), 沪深300 (1.54), 上证50 (1.33) 5. **风险溢价**[32] * 当前风险溢价：中证2000 (0.30%), 中证1000 (0.12%), 上证50 (0.01%), 中证全指 (-0.01%), 沪深300 (-0.06%), 中证500 (-0.21%), 创业板指 (-0.45%) * 近5年分位值：中证2000 (54.84%), 中证1000 (51.51%), 上证50 (51.27%), 中证全指 (49.60%), 沪深300 (48.89%), 中证500 (40.32%), 创业板指 (39.29%) 6. **PE-TTM**[45] * 当前值：中证2000 (152.46), 中证1000 (46.47), 创业板指 (39.51), 中证500 (31.81), 中证全指 (20.85), 沪深300 (13.96), 上证50 (11.88) * 近5年历史分位值：中证1000 (95.21%), 中证500 (94.63%), 中证全指 (91.65%), 上证50 (85.12%), 沪深300 (81.82%), 中证2000 (80.17%), 创业板指 (53.80%) 7. **股息率**[54] * 当前值：上证50 (3.30%), 沪深300 (2.74%), 中证全指 (2.05%), 中证500 (1.41%), 中证1000 (1.14%), 创业板指 (1.04%), 中证2000 (0.78%) * 近5年历史分位值：创业板指 (71.65%), 中证1000 (50.50%), 沪深300 (37.52%), 中证全指 (36.86%), 上证50 (35.79%), 中证2000 (19.01%), 中证500 (18.26%) 8. **破净率**[56] * 当前值：上证50 (22.0%), 沪深300 (16.0%), 中证500 (12.4%), 中证1000 (7.9%), 中证全指 (6.24%), 中证2000 (3.25%), 创业板指 (1.0%)

量化模型与构建方式 Barra风格因子模型 1. **模型名称**：Barra风格因子模型[3][13] 2. **模型构建思路**：该模型通过多个风格维度来刻画股票的风险收益特征，例如市值规模、价值/成长等[3][13] 3. **模型具体构建过程**：报告中未详细描述Barra风格因子的具体构建过程，仅提及了部分因子在特定月份的表现[3][13] 开源交易行为因子 1. **因子名称**：理想反转因子[4][14][41] 2. **因子构建思路**：A股反转之力的微观来源是大单成交，通过每日平均单笔成交金额的大小，可以切割出反转属性最强的交易日[4][14] 3. **因子具体构建过程**： * 对选定股票，回溯取其过去20日的数据[43] * 计算该股票每日的平均单笔成交金额（成交金额/成交笔数）[43] * 单笔成交金额高的10个交易日，涨跌幅加总，记作 M_high[43] * 单笔成交金额低的10个交易日，涨跌幅加总，记作 M_low[43] * 理想反转因子 M = M_high – M_low[43] * 对所有股票，都进行以上操作，计算各自的理想反转因子 M[43] 4. **因子名称**：聪明钱因子[4][14][42] 5. **因子构建思路**：从分钟行情数据的价量信息中，可以识别出机构参与交易的多寡，进而构造出跟踪聪明钱的因子[4][14] 6. **因子具体构建过程**： * 对选定股票，回溯取其过去10日的分钟行情数据[42] * 构造指标 $$S_t = |R_t| / (V_t)^{0.25}$$，其中 $$R_t$$ 为第t分钟涨跌幅，$$V_t$$ 为第t分钟成交量[42] * 将分钟数据按照指标 $$S_t$$ 从大到小进行排序，取成交量累积占比前20%的分钟，视为聪明钱交易[42] * 计算聪明钱交易的成交量加权平均价 VWAPsmart[44] * 计算所有交易的成交量加权平均价 VWAPall[44] * 聪明钱因子 $$Q = VWAP_{smart} / VWAP_{all}$$[42] 7. **因子名称**：APM因子[4][14][43] 8. **因子构建思路**：在日内的不同时段，交易者的行为模式不同，反转强度也相应有所不同[4][14] 9. **因子具体构建过程**： * 对选定股票，回溯取其过去20日数据，记逐日隔夜的股票收益率为 $$r_{night, t}$$，隔夜的指数收益率为 $$R_{night, t}$$；逐日下午的股票收益率为 $$r_{afternoon, t}$$，下午的指数收益率为 $$R_{afternoon, t}$$[43] * 将得到的40组隔夜与下午(r,R)的收益率数据进行回归：$$r = \alpha + \beta R + \epsilon$$，得到残差项 $$\epsilon$$[43] * 以上得到的40个残差中，隔夜残差记为 $$\epsilon_{night, t}$$，下午残差记为 $$\epsilon_{afternoon, t}$$，进一步计算每日隔夜与下午残差的差值 $$\delta_t = \epsilon_{night, t} - \epsilon_{afternoon, t}$$[43] * 构造统计量 stat 来衡量隔夜与下午残差的差异程度，计算公式如下（$$\mu$$ 为均值，$$\sigma$$ 为标准差）：$$\mathrm{stat}={\frac{\mu(\delta_{t})}{\sigma(\delta_{t})/{\sqrt{N}}}}$$[45] * 为了消除动量因子影响，将统计量 stat 对动量因子进行横截面回归：$$stat = \alpha + \beta Ret20 + \epsilon$$，其中 Ret20 为股票过去20日的收益率，代表动量因子[46] * 将回归得到的残差值 $$\epsilon$$ 作为 APM 因子[46] 10. **因子名称**：理想振幅因子[4][14][48] 11. **因子构建思路**：基于股价维度可以对振幅进行切割，不同价态下振幅因子所蕴含的信息存在结构性差异[4][14] 12. **因子具体构建过程**： * 对选定股票，回溯取其最近20个交易日数据，计算股票每日振幅（最高价/最低价-1）[48] * 选择收盘价较高的25%有效交易日，计算振幅均值得到高价振幅因子 V_high[48] * 选择收盘价较低的25%有效交易日，计算振幅均值得到低价振幅因子 V_low[48] * 将高价振幅因子 V_high 与低价振幅因子 V_low 作差，得到理想振幅因子 V = V_high - V_low[48] 13. **因子名称**：交易行为合成因子[5][32] 14. **因子构建思路**：将多个交易行为因子进行加权合成，以综合其信息[32] 15. **因子具体构建过程**： * 因子值方面，将理想反转、聪明钱、APM、理想振幅因子在行业内进行因子去极值与因子标准化[32] * 因子权重方面，滚动选取过去12期因子ICIR值作为权重，加权形成交易行为合成因子[32] 模型的回测效果 1. **Barra风格因子模型**：2025年11月，市值因子收益-0.18%，账面市值比因子收益0.20%，成长因子收益-0.23%，盈利预期因子收益-0.35%[3][13] 因子的回测效果 1. **理想反转因子**： * 全历史区间：IC均值 -0.049，rankIC均值 -0.060，信息比率 2.44，多空对冲月度胜率 77.7%[5][15] * 2025年11月：多空对冲收益 -1.52%[6][15] * 近12个月：多空对冲月度胜率 58.3%[6][15] 2. **聪明钱因子**： * 全历史区间：IC均值 -0.037，rankIC均值 -0.062，信息比率 2.72，多空对冲月度胜率 81.3%[5][19] * 2025年11月：多空对冲收益 0.22%[6][19] * 近12个月：多空对冲月度胜率 83.3%[6][19] 3. **APM因子**： * 全历史区间：IC均值 0.028，rankIC均值 0.033，信息比率 2.23，多空对冲月度胜率 76.0%[5][23] * 2025年11月：多空对冲收益 -0.43%[6][23] * 近12个月：多空对冲月度胜率 41.7%[6][23] 4. **理想振幅因子**： * 全历史区间：IC均值 -0.054，rankIC均值 -0.074，信息比率 3.03，多空对冲月度胜率 83.4%[5][27] * 2025年11月：多空对冲收益 0.49%[6][27] * 近12个月：多空对冲月度胜率 66.7%[6][27] 5. **交易行为合成因子**： * 全历史区间：IC均值 0.066，rankIC均值 0.093，多空对冲信息比率 3.30，多空对冲月度胜率 79.4%[5][32] * 全历史区间（多头对冲组均值）：年化收益率 8.26%，收益波动比 2.64，月度胜率 78.7%[32] * 2025年11月：多空对冲收益 -0.21%[6][32] * 近12个月：多空对冲月度胜率 66.7%[6][32] * 不同股票池信息比率：国证2000为2.86，中证1000为2.66，中证800为1.04[32]

根据研报内容，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：黄金定价中枢模型**[7][10][79] * **模型构建思路**：该模型旨在计算黄金价格中由实际利率、央行购金和ETF购金共同决定的理论价值中枢，以判断当前金价相对于其基本面定价的偏离程度[7][10][79]。 * **模型具体构建过程**：模型构建分为两个主要步骤： 1. **基础定价：实际利率非对称性回归**。首先，针对实际利率对金价影响的非对称性（即利率下行时金价上涨弹性高于利率上行时金价下跌弹性），对特定时期（如2023年10月以来的高位震荡下行区间）内的小级别实际利率上行和下行周期分别进行分段回归，计算出一个由实际利率单独决定的黄金价格中枢[79][80]。此步骤通过回归分析量化实际利率变动与金价涨跌幅之间的关系。 2. **需求端修正**。然后，在第一步得到的“实际利率定价中枢”基础上，叠加由央行净购金量和ETF净购金量所代表的需求端影响，进行修正，从而得到最终的、更全面的“利率+央行购金+ETF购金”综合定价中枢[10][79][100]。央行购金行为受国际风险事件和美元信用影响，与金价行情驱动较弱；而ETF购金量与金价高度相关[81][94]。 2. **模型名称：黄金价格预测情景分析模型**[10][103] * **模型构建思路**：基于黄金定价中枢模型，通过设定关键变量（如实际利率、央行购金、ETF购金）的未来情景假设，来预测未来金价中枢的可能区间[10][103]。 * **模型具体构建过程**：该模型是定价中枢模型在预测层面的应用。具体过程是：首先确定未来一段时间（如2026年）关键驱动因素的假设值，例如： * 实际利率：假设未来一年下行100个基点（BP）[103]。 * 央行购金：假设维持约1000吨[103]。 * ETF购金：设定乐观、中性、保守三种情景（如中性假设为与当年相当，乐观与保守假设在此基础上浮动±20%）[103]。 然后将这些假设值代入定价中枢模型，计算出在不同情景下对应的未来金价中枢范围[103][104]。 模型的回测效果 （注：报告中未提供模型回测的具体量化指标，如年化收益率、夏普比率、最大回撤等数值结果。报告主要展示了历史周期中实际利率与金价的关系，以及当前和未来的定价中枢水平，但未以标准化的模型回测绩效指标形式呈现。） 量化因子与构建方式 1. **因子名称：实际利率 (Real Interest Rate)**[7][18][23] * **因子构建思路**：实际利率是黄金定价框架中的基础变量，反映了持有黄金的机会成本。实际利率上升，持有无息黄金的机会成本增加，对金价形成压力；反之，实际利率下降，持有黄金的吸引力增强[7][18]。 * **因子具体构建过程**：实际利率通常由名义利率减去预期通货膨胀率得出。报告中没有明确给出其使用的具体名义利率和通胀指标的计算公式，但指出其反映了资金的时间价值[18]。报告中展示的实际利率数据区间为-1%至3%[23]。 2. **因子名称：央行净购金 (Central Bank Net Gold Purchases)**[10][81][83] * **因子构建思路**：全球央行的净购金行为是黄金需求端的重要支撑，特别是自2022年以来规模显著提升，且受黄金行情驱动较弱，更多受国际风险事件和美元信用体系变化影响[10][81]。 * **因子具体构建过程**：因子直接使用全球央行每个时期（如年度、季度）净购入的黄金吨数来衡量[81][83]。报告中指出，2011-2019年稳定在约500吨/年，2022年后持续稳定在约1000吨/年[81]。 3. **因子名称：ETF净购金 (ETF Net Gold Purchases)**[10][92][94] * **因子构建思路**：黄金ETF的净购金量代表了趋势性投资资金的需求，与金价高度相关，是影响金价短期波动的重要因素之一[10][94]。 * **因子具体构建过程**：因子通过加总主要黄金ETF（如境外的SPDR Gold Shares (GLD)，境内的华安黄金ETF等）在每个时期的净申购/赎回所对应的黄金吨数来构建[88][90][92]。报告中提到，截至2025年第三季度，境外主要ETF净购金约229吨，境内ETF净购金约62吨[92]。 因子的回测效果 （注：报告中未提供因子测试的标准化绩效指标，如IC值、IR、多空收益等。报告主要通过历史图表和周期划分，定性或半定量地分析了这些因子（尤其是实际利率）在不同市场环境下与金价的关系，例如展示了不同实际利率周期中金价的涨跌幅[30][34]，以及实际利率趋势下行周期中的回归系数和R²[65]。）

根据提供的研报内容，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）**[12] * **模型构建思路**：BL模型是对传统均值-方差模型的改进，采用贝叶斯理论将投资者对市场的主观观点与量化配置模型相结合，以优化资产配置权重，解决均值-方差模型对预期收益过于敏感的问题[12] * **模型具体构建过程**：该模型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，具体构建过程可参考系列报告之二《手把手教你实现 Black-Litterman 模型》[13] 2. **模型名称：风险平价模型**[17][18] * **模型构建思路**：风险平价模型的核心思想是使投资组合中每类资产对整体风险的贡献相等，从而改进传统的均值-方差模型[17][18] * **模型具体构建过程**：构建过程分为三步：第一步，选择合适的底层资产；第二步，计算各资产对组合的风险贡献；第三步，通过求解优化问题，使各资产的实际风险贡献与预期风险贡献的偏离度最小，从而计算得到最终的持仓权重[19] 3. **模型名称：基于宏观因子的资产配置模型**[21] * **模型构建思路**：该模型构建了一个涵盖增长、通胀、利率、信用、汇率和流动性六大风险的宏观因子体系，旨在建立宏观研究与资产配置研究的桥梁，将宏观主观观点落地到资产配置层面[21] * **模型具体构建过程**：构建过程分为四步：第一步，每月末计算资产池中各类资产对宏观因子的暴露水平；第二步，以资产的风险平价组合作为基准，计算基准因子暴露；第三步，结合投资者对宏观未来一个月的主观判断（给定主观因子偏离值）和基准因子暴露，得到资产组合的因子暴露目标；第四步，通过模型反解得到下个月的各个资产配置权重[22] 模型的回测效果 1. **国内资产BL模型1**，上周收益-0.32%，11月份收益0.05%，2025年收益4.0%，年化波动2.18%，最大回撤1.31%[14] 2. **国内资产BL模型2**，上周收益-0.15%，11月份收益0.08%，2025年收益3.77%，年化波动1.95%，最大回撤1.06%[14] 3. **全球资产BL模型1**，上周收益-0.17%，11月份收益-0.26%，2025年收益0.78%，年化波动2.0%，最大回撤1.64%[14] 4. **全球资产BL模型2**，上周收益0.01%，11月份收益0.08%，2025年收益2.7%，年化波动1.59%，最大回撤1.28%[14] 5. **国内资产风险平价模型**，上周收益-0.27%，11月份收益-0.09%，2025年收益3.6%，年化波动1.32%，最大回撤0.76%[20] 6. **全球资产风险平价模型**，上周收益-0.2%，11月份收益-0.07%，2025年收益3.04%，年化波动1.42%，最大回撤1.2%[20] 7. **基于宏观因子的资产配置模型**，上周收益-0.31%，11月份收益-0.01%，2025年收益4.43%，年化波动1.55%，最大回撤0.64%[27] 量化因子与构建方式 1. **因子名称：宏观因子（增长、通胀、利率、信用、汇率、流动性）**[21] * **因子的构建思路**：构建一个涵盖六大宏观风险的因子体系，用于宏观因子资产配置框架[21] * **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[22] 因子的回测效果 （报告中未提供宏观因子的独立测试结果指标）

经过仔细审阅提供的金融工程日报内容，该报告主要描述了特定日期（2025年11月27日）的市场表现、情绪和资金流向等客观数据统计，并未涉及任何需要构建或回测的量化模型或量化因子。报告内容属于市场数据跟踪和描述性统计范畴[2][3][4][6][7][9][12][15][17][20][21][24][26][28][31][34][35]。 因此，根据任务要求，本总结中关于量化模型与构建方式、模型的回测效果、量化因子与构建方式、因子的回测效果部分均无相关内容，故予以跳过，不进行输出。

根据提供的金融工程日报内容，该报告主要描述了市场表现、情绪、资金流向等各类指标的当日数据和计算方法，并未涉及具体的量化投资模型（如多因子模型、风险模型等）或用于选股的量化因子（如价值、动量、成长等因子）的构建与测试。报告内容更侧重于市场数据的统计与展示。 因此，报告中涉及的模型或因子相关内容总结如下： 量化因子与构建方式 1. **因子名称：封板率[16]** * **因子构建思路：** 通过计算当日最高价涨停且收盘仍涨停的股票数量占当日最高价涨停股票总数的比例，来衡量涨停股的封板强度，反映市场追涨情绪和短线资金的活跃度[16]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票。 2. 找出当日盘中最高价达到涨停价的股票集合。 3. 在上述股票集合中，找出当日收盘价仍为涨停价的股票。 4. 计算封板率，公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ [16] 2. **因子名称：连板率[16]** * **因子构建思路：** 通过计算连续两个交易日收盘均涨停的股票数量占前一个交易日收盘涨停股票数量的比例，来衡量市场涨停效应的持续性，反映龙头股的出现概率和市场炒作热度[16]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票。 2. 找出前一个交易日（T-1日）收盘涨停的股票集合。 3. 在上述股票集合中，找出当日（T日）收盘也涨停的股票。 4. 计算连板率，公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ [16] 3. **因子名称：大宗交易折价率[25]** * **因子构建思路：** 通过计算大宗交易成交总额与按当日市价计算的成交股份总市值的差异率，来观察大额资金的交易成本或意愿，折价率高低可反映大资金对相关股票的短期看法[25]。 * **因子具体构建过程：** 1. 获取当日所有大宗交易数据，包括每笔交易的成交金额和成交数量。 2. 计算当日大宗交易总成交金额。 3. 计算大宗交易成交股份按当日收盘价（或成交均价）计算的总市值。 4. 计算折价率，公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ [25] 4. **因子名称：股指期货年化贴水率[27]** * **因子构建思路：** 通过计算股指期货价格与现货指数价格的基差，并进行年化处理，来衡量市场对未来走势的预期以及股指期货对冲的成本，贴水率的变化可反映市场情绪的变化[27]。 * **因子具体构建过程：** 1. 选取特定股指期货的主力合约（如上证50、沪深300等）。 2. 计算基差：基差 = 期货价格 - 现货指数价格。 3. 计算年化贴水率，公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ [27] * 公式说明：基差除以指数价格得到简单贴水率，再乘以年化因子（250天/合约剩余交易日数）得到年化贴水率[27]。 模型的回测效果 （报告中未涉及量化模型的回测结果） 因子的回测效果 （报告中未涉及上述因子的历史回测表现指标，如IC、IR、多空收益等，仅提供了特定日期的观测值） 1. **封板率因子**：2025年11月26日取值为67%[16]。 2. **连板率因子**：2025年11月26日取值为27%[16]。 3. **大宗交易折价率因子**：近半年以来平均折价率为6.40%，2025年11月25日当日折价率为10.80%[25]。 4. **股指期货年化贴水率因子**： * 近一年中位数：上证50为0.49%，沪深300为3.45%，中证500为10.90%，中证1000为13.39%[27]。 * 2025年11月26日取值：上证50为3.56%，沪深300为8.02%，中证500为11.75%，中证1000为14.66%[27]。