量化因子与构建方式 1. 因子名称：传统换手率因子(Turn20) **因子构建思路**：基于传统量价选股模型，使用过去20个交易日的日均换手率作为选股指标，逻辑为过去一个月换手率越小的股票未来越有可能上涨，而换手率越大的股票未来越有可能下跌[6] **因子具体构建过程**：每月月底计算每只股票过去20个交易日的日均换手率，并对因子值做市值中性化处理[6] **因子评价**：该因子的逻辑并不完全正确，在换手率最大的分组中，组内成分股未来收益的差异较大，既有大跌的股票也有大涨的股票，导致误判了许多未来大涨的样本[7] 2. 因子名称：换手率分布均匀度因子(UTD) **因子构建思路**：借助成交量的分钟数据，对传统换手率因子进行改进，构造换手率分布均匀度因子，该因子对股票样本的误判程度明显减弱[7][3] **因子具体构建过程**：基于个股的分钟成交量数据构建换手率分布均匀度UTD因子，在剔除了市场常用风格、行业和东吴金工特色因子的干扰后，纯净UTD因子仍然具备一定的选股效果[3] **因子评价**：选股效果大幅优于传统因子，对股票样本的误判程度明显减弱[3] 因子的回测效果 1. 传统换手率因子(Turn20) **测试区间**：2006年1月1日至2021年4月30日[6] **测试范围**：全体A股[6] **月度IC均值**：-0.072[6] **年化ICIR**：-2.10[6] **多空对冲年化收益率**：33.41%[6] **信息比率**：1.90[6] **月度胜率**：71.58%[6] 2. 换手率分布均匀度因子(UTD) **测试区间**：2014年1月至2025年9月[1][7] **测试范围**：全体A股[1][7] **多空对冲年化收益率**：19.82%[1][7] **年化波动率**：7.39%[1][7] **信息比率**：2.68[1][7] **月度胜率**：77.30%[1][7] **月度最大回撤**：5.51%[1][7] **2025年9月表现**： - 10分组多头组合收益率：0.91%[11] - 10分组空头组合收益率：0.52%[11] - 10分组多空对冲收益率：0.39%[11]

根据研报内容，信息分布均匀度（UID）因子是核心内容，报告未涉及具体的量化模型，仅详细描述了该因子的构建与绩效。以下是总结： **量化因子与构建方式** 1. **因子名称**：信息分布均匀度因子（UID）[6] * **因子构建思路**：该因子是对传统换手率因子的改进，旨在利用个股的分钟数据，通过分析高频波动率来构建一个选股效果更优的因子[6] * **因子具体构建过程**：报告未提供UID因子的具体计算公式和构建步骤，仅提及它是借助涨跌幅的分钟数据，在计算每日高频波动率的基础上构造的[6] * **因子评价**：UID因子的选股效果大幅优于传统波动率因子，并且在剔除了市场常用风格和行业的干扰后，其纯净因子仍然具备不错的选股能力[1] **因子的回测效果** 1. **信息分布均匀度UID因子**（测试区间：2014年1月至2025年9月，全体A股，10分组多空对冲）[1][7][12] * 年化收益率：26.48% * 年化波动率：9.88% * 信息比率（IR）：2.68 * 月度胜率：78.72% * 月度最大回撤率：6.05% 2. **信息分布均匀度UID因子**（2025年9月，全体A股）[11] * 10分组多头组合收益率：1.84% * 10分组空头组合收益率：0.04% * 10分组多空对冲收益率：1.80%

根据提供的金融工程日报内容，报告主要描述了市场表现、情绪和资金流向等市场数据监测指标，并未涉及具体的量化模型或量化因子的构建、测试和评价。报告内容属于市场日常监测和描述性统计范畴[2][3][4][6][7][10][13][16][18][21][22][25][27][29][31][34][35]。 因此，本次总结无法提供关于量化模型或量化因子的名称、构建思路、具体构建过程、评价及测试结果等内容。

根据提供的金融工程日报内容，报告主要描述了市场表现、情绪和资金流向等观测指标，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和监测范畴。 因此，本次总结中“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”及“因子的回测效果”部分均无相关内容。

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：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**：报告未详细说明该模型的具体构建过程和计算公式 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的溢价率Z-score，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**：报告未详细说明该模型的具体构建过程和计算公式，但提及核心指标为“溢价率 Z-score”[4] 量化因子与构建方式 1. **因子名称：行业拥挤度**[3] * **因子构建思路**：用于衡量申万一级行业指数的交易拥挤程度[3] * **因子具体构建过程**：报告未详细说明该因子的具体构建过程和计算公式 2. **因子名称：溢价率 Z-score**[4] * **因子构建思路**：基于ETF溢价率计算的标准化分数，用于识别溢价率异常（过高或过低）的ETF产品[4] * **因子具体构建过程**：报告未详细说明该因子的具体构建过程和计算公式 模型的回测效果 （报告中未提供相关模型的回测效果指标取值） 因子的回测效果 （报告中未提供相关因子的回测效果指标取值） 模型/因子的应用结果 1. **行业拥挤度监测模型应用结果**[3] * 拥挤度靠前的行业：电力设备、钢铁、有色金属[3] * 拥挤度水平较低的行业：传媒、社会服务[3] * 拥挤度变动较大的行业：煤炭、汽车[3] 2. **溢价率 Z-score 模型应用结果（ETF产品关注信号）**[13] * 建议关注的ETF产品（部分列举）：基建ETF (159619.SZ)、红利国企ETF (510720.SH)、在线消费ETF (159728.SZ)、上海金ETF (159830.SZ)、A100ETF (561180.SH) 等[13]

根据研报内容，总结如下： 量化模型与构建方式 **1 模型名称：A股行业轮动模型** - **模型构建思路**：模型从资金、估值、情绪、动量、超买超卖和盈利共6个因子共同构建打分体系，用以研判行业综合评分[3][20] - **模型具体构建过程**：模型使用6个因子对行业进行打分[20] - 资金因子：以行业资金主力净流入率作为主要数据[20] - 估值因子：以该行业位于过去1年的估值分位作为主要数据来源[20] - 情绪因子：以上涨成分股比例作为主要数据来源[20] - 动量因子：以MACD指标作为主要数据来源[20] - 超买超卖因子：以RSI指标作为重要数据来源[20] - 盈利因子：以该行业的一致预测EPS位于过去1年的分位作为主要数据来源[20] - 最后将各因子得分加总得到行业综合评分[22] **2 模型名称：共识度选股模型** - **模型构建思路**：基于动量、价格等因子，结合高频资金流走势与股票价格走势相似度进行选股[4][23] - **模型具体构建过程**： 1. 在申万二级行业层面筛选出过去30天的高涨行业[23] 2. 通过股票月度数据计算动量因子、估值因子和上涨频率[23] 3. 结合资金高频分钟数据计算每支股票高频资金流入流出变化[23] 4. 在涨幅排名前三的二级行业的股票池中，选出各个二级行业中高频资金流走势与股票价格走势相似度最高的各五只股票[23] 模型的回测效果 （报告中未提供具体的模型回测效果指标取值） 量化因子与构建方式 **1 因子名称：资金因子** - **因子构建思路**：以行业资金主力净流入率衡量资金流向[20] - **因子具体构建过程**：通过对过去一段时间每日交易单中大于等于10万股或者金额大于等于20万元的成交金额的交易单作为主力资金流动进行统计，获得每日市场全部股票主力资金净流入数据，然后对股票按照申万一级行业进行行业划分，得到行业主力资金净流入率[3][15] **2 因子名称：估值因子** - **因子构建思路**：以行业历史估值分位衡量估值水平[20] - **因子具体构建过程**：计算该行业估值指标位于过去1年的分位数[20] **3 因子名称：情绪因子** - **因子构建思路**：以上涨成分股比例衡量市场情绪[20] - **因子具体构建过程**：计算行业内上涨股票的比例[20] **4 因子名称：动量因子** - **因子构建思路**：以MACD指标衡量价格动量[20] - **因子具体构建过程**：使用MACD指标作为主要数据来源[20] **5 因子名称：超买超卖因子** - **因子构建思路**：以RSI指标衡量超买超卖状态[20] - **因子具体构建过程**：使用RSI指标作为重要数据来源[20] **6 因子名称：盈利因子** - **因子构建思路**：以一致预测EPS的历史分位衡量盈利预期[20] - **因子具体构建过程**：计算该行业的一致预测EPS位于过去1年的分位数[20] 因子的回测效果 （报告中未提供具体的因子回测效果指标取值）

根据研报内容，以下是其中涉及的量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：风险溢价因子**[25] * **因子构建思路**：以十年期国债即期收益率为无风险利率参考，计算各宽基指数相对于无风险利率的风险溢价，以衡量其相对投资价值和偏离情况[25] * **因子具体构建过程**：风险溢价的计算公式为宽基指数的收益率减去十年期国债即期收益率。报告中具体展示了各指数的当前风险溢价值及其历史分位值[26][27][29] $$风险溢价 = 指数收益率 - 无风险利率$$ 其中，无风险利率采用十年期国债即期收益率[25][26] 2. **因子名称：股债性价比因子**[42] * **因子构建思路**：通过比较股票估值收益（使用PE-TTM的倒数）与债券收益率（十年期国债即期收益率）的差异，来衡量股债两类资产的相对吸引力[42] * **因子具体构建过程**：股债性价比的计算公式为各宽基指数PE-TTM的倒数与十年期国债即期收益率之差[42] $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 报告中通过对比该因子当前值与近5年历史分位值（如80%分位值为机会值，20%分位值为危险值）进行分析[42] 3. **因子名称：破净率因子**[49][51] * **因子构建思路**：破净率指市净率低于1的个股在指数成分股中的占比，用于反映市场的整体估值态度和悲观情绪[49][51] * **因子具体构建过程**：破净率因子计算公式为指数成分股中破净个股数量除以指数总成分股数量[51] $$破净率 = \frac{指数成分股中破净个股数量}{指数总成分股数量}$$ 报告中计算并列出了各宽基指数在特定时点的破净率[51] 4. **因子名称：股息率因子**[44][49] * **因子构建思路**：股息率反映现金分红回报率，是红利投资风格的重要指标，尤其在市场低迷或利率下行期受到关注[44] * **因子具体构建过程**：股息率通常计算为每股股息除以每股股价。报告中直接给出了各宽基指数的当前股息率及其历史分位值等统计信息[49] 5. **因子名称：指数换手率因子**[16] * **因子构建思路**：换手率用于衡量指数的交易活跃度[16] * **因子具体构建过程**：指数换手率的计算方式为指数成分股的换手率按其流通股本加权的平均值[16] $$指数换手率 = \frac{\sum(成分股流通股本 \times 成分股换手率)}{\sum(成分股流通股本)}$$ 报告中列出了各宽基指数在特定日期的换手率[16] 6. **因子名称：收益分布形态因子（偏度与峰度）**[22][23] * **因子构建思路**：通过分析指数日收益率的分布形态（偏度和峰度）来刻画其收益特征和极端风险情况[22][23] * **因子具体构建过程**：计算指数日收益率序列的偏度（衡量分布不对称性）和峰度（衡量分布尖峭程度，报告中计算时减去了正态分布的峰度值3）[23] 报告中对比了各指数当前收益分布的偏度、峰度与其近5年历史均值的差异[22][23] 因子的回测效果 1. **风险溢价因子**[29] * 当前风险溢价：上证50 (-0.21%), 沪深300 (-1.20%), 中证500 (-2.47%), 中证1000 (-1.96%), 中证2000 (-1.58%), 中证全指 (-1.60%), 创业板指 (-4.00%) * 近5年分位值：上证50 (42.06%), 沪深300 (9.76%), 中证500 (2.62%), 中证1000 (8.25%), 中证2000 (12.46%), 中证全指 (7.46%), 创业板指 (1.19%) 2. **PE-TTM因子（估值因子）**[39][40] * 当前PE-TTM值：上证50 (11.84), 沪深300 (14.15), 中证500 (34.36), 中证1000 (47.10), 中证2000 (160.09), 中证全指 (21.41), 创业板指 (42.33) * 近5年历史分位值：上证50 (84.79%), 沪深300 (84.21%), 中证500 (99.01%), 中证1000 (95.04%), 中证2000 (84.88%), 中证全指 (96.53%), 创业板指 (57.36%) 3. **股债性价比因子**[42] * 近5年分位值比较：没有指数高于其80%分位（机会值），中证500低于其20%分位（危险值） 4. **股息率因子**[49] * 当前股息率：上证50 (3.29%), 沪深300 (2.67%), 中证500 (1.33%), 中证1000 (1.11%), 中证2000 (0.78%), 中证全指 (1.99%), 创业板指 (1.01%) * 近5年历史分位值：上证50 (35.79%), 沪深300 (35.70%), 中证500 (15.21%), 中证1000 (43.80%), 中证2000 (19.17%), 中证全指 (34.55%), 创业板指 (69.67%) 5. **破净率因子**[51] * 当前破净率：上证50 (24.0%), 沪深300 (16.67%), 中证500 (11.0%), 中证1000 (7.3%), 中证2000 (3.35%), 中证全指 (6.01%), 创业板指 (1.0%) 6. **指数换手率因子**[16] * 当前换手率：上证50 (0.51), 沪深300 (1.14), 中证500 (2.45), 中证1000 (3.14), 中证2000 (4.2), 中证全指 (2.21), 创业板指 (3.32) 7. **收益分布形态因子**[23] * 当前峰度 vs 近5年峰度差值：上证50 (-1.68), 沪深300 (-1.22), 中证500 (-1.91), 中证1000 (-1.17), 中证2000 (-1.55), 中证全指 (-1.97), 创业板指 (-2.06) * 当前偏度 vs 近5年偏度差值：上证50 (-0.44), 沪深300 (-0.29), 中证500 (-0.48), 中证1000 (-0.37), 中证2000 (-0.44), 中证全指 (-0.51), 创业板指 (-0.51)

根据研报内容，现总结如下： 量化模型与构建方式 1. 行业主线模型：相对强弱RSI指标[10] - **模型构建思路**：通过计算行业在不同时间窗口的涨跌幅排名，构建一个综合的相对强弱指标，用于识别年度可能领涨的行业主线[10] - **模型具体构建过程**： 1. 配置标的为29个申万一级行业[10] 2. 分别计算每个行业过去20、40、60个交易日的涨跌幅[10] 3. 对这三个时间窗口的行业涨跌幅进行横截面排名，并对排名做归一化处理，得到RS_20, RS_40, RS_60[10] 4. 计算三个归一化排名的算术平均值，得到最终的行业相对强弱指数RS[10] 公式为：$$ RS = (RS\_20 + RS\_40 + RS\_60)/3 $$[10] 2. 行业轮动模型：景气度-趋势-拥挤度框架[14] - **模型构建思路**：结合行业的景气度、价格趋势和交易拥挤度三个维度，形成两种适用于不同市场环境的右侧行业配置方案[14][16] - **模型具体构建过程**：该框架包含两种具体方案： 1. **行业景气模型**：筛选具有高景气度和强趋势的行业，但同时需要规避交易拥挤度过高的行业，属于进攻性较强的同步策略[14] 2. **行业趋势模型**：筛选具有强趋势和低拥挤度的行业，规避低景气行业，属于思路简单、持有体验感强的右侧策略[14] 模型最新配置权重为：电新19%、传媒16%、计算机12%、化工11%、地产9%、家电7%、通信7%、农业7%、轻工7%、商贸零售6%[6][14] 3. 左侧库存反转模型[24] - **模型构建思路**：从赔率-胜率角度出发，在处于困境或困境有所反弹的板块中，挖掘分析师长期看好且库存压力不大、具备补库条件的行业，以捕捉行业困境反转行情[24] - **模型评价**：该模型旨在弥补景气和动量因子在近两年效果衰退时可能出现的阶段性失效问题[24] 模型的回测效果 1. **行业景气度-趋势-拥挤度框架**[14][19][20] - 多头年化收益：22.1%[14] - 超额年化收益（基准：Wind全A）：13.8%[14] - 信息比率（IR）：1.51[14] - 超额最大回撤：-8.0%[14] - 月度胜率：68%[14] - 2023年超额收益（Wind全A）：7.3%[14] - 2024年超额收益（Wind全A）：5.7%[14] - 2025年以来超额收益（Wind全A）：2.8%[14] - ETF组合年化超额收益（基准：中证800）：16.1%[19] - ETF组合信息比率（IR）：1.8[19] - ETF组合超额最大回撤：10.8%[19] - ETF组合月度胜率：66%[19] - ETF组合2025年以来超额收益（中证800）：15.4%[2][19] 2. **行业景气度选股模型**（行业配置叠加PB-ROE选股）[20] - 多头年化收益：26.7%[20] - 超额年化收益（基准：Wind全A）：19.9%[20] - 信息比率（IR）：1.7[20] - 超额最大回撤：-15.4%[20] - 月度胜率：68%[20] - 2025年以来超额收益（Wind全A）：5.5%[2][20] 3. **左侧库存反转模型**[24] - 基准：行业等权指数[24] - 2023年绝对收益：13.4%[24] - 2023年超额收益（行业等权）：17.0%[24] - 2024年绝对收益：26.5%[24] - 2024年超额收益（行业等权）：15.4%[24] - 2025年至今绝对收益：26.4%[2][24] - 2025年至今超额收益（行业等权）：7.8%[2][24] 量化因子与构建方式 1. PB-ROE估值性价比因子[20] - **因子构建思路**：用于行业内选股，筛选估值与盈利匹配度高的股票，即寻找具有高性价比的投资标的[20] - **因子具体构建过程**：在行业景气度模型确定的行业内，选取PB-ROE指标排名前40%的股票，再结合流通市值和PB-ROE打分进行加权[20]

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、情绪和资金流向等日度统计数据，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跟踪和描述性统计范畴[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][29][30][31][32][33][34][35][36][37][38][39]。 因此，本报告中未发现需要总结的量化模型或量化因子相关内容。

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：股指分红点位测算模型**[13][42] * **模型构建思路**：该模型旨在精确测算股指期货合约存续期内，其标的指数因成分股分红除息而导致的理论点位自然滑落值（即分红点数），以更准确地计算股指期货的升贴水幅度[13][42] * **模型具体构建过程**：模型的核心是计算从当前时刻（t）到期货合约到期日（T）之间，所有成分股除息所带来的指数点位影响总和[42] 具体构建流程如下[43]： * **步骤1：获取基础数据**。获取指数成分股列表、指数收盘价、成分股总市值等可直接获取的准确数据[45] * **步骤2：确定成分股权重**。为精确计算，模型采用中证指数公司每日披露的日度收盘权重数据，而非基于月末权重的估算值，以确保权重的准确性[46][47] 若需估算，公式为： $$W_{n,t}={\frac{w_{i0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{n})}}$$ 其中，`W_{n,t}` 为当前日期t的估算权重，`w_{i0}` 为最近一次指数公司公布权重日（t_0）的权重，`r_n` 为个股从t_0到t期间的非复权涨跌幅[46] * **步骤3：预测个股分红金额**。对于每只成分股，若已公布分红金额则直接采用，否则需进行预测。分红金额由净利润和股息支付率决定：`分红金额 = 净利润 × 股息支付率`[48] * **净利润预测**：采用基于历史净利润分布的动态预测法[51] 若公司已公布年报、快报或业绩预告，则直接采用（业绩预告取上下限均值）；若未公布，则根据其历史季度盈利分布稳定性进行分类预测：对于盈利分布稳定的公司，按其历史规律预测；对于不稳定的公司，使用上年同期盈利作为预测值[49][51] * **股息支付率预测**：采用历史数据平均法。若去年分红，则用去年股息支付率；若去年不分红，则用最近3年平均；若从未分红，则默认今年不分红；当预测值大于100%时进行截尾处理[52][54] * **步骤4：预测除息日**。采用基于历史间隔天数稳定性的线性外推法[52] 若公司已公布除息日，则直接采用[57] 否则： * 若未公布分红预案，则参考去年或前年的分红日期，但需判断其合理性（如是否在当前日期之前或距离太近）[57] * 若已公布预案，则根据其所处分红阶段（预案或决案），判断过去三年从相应公告日到除息日的间隔天数是否稳定。若稳定，则用该平均间隔天数与今年公告日进行线性外推；若不稳定，则参考历史分红日期[57] * 若无合适的历史日期参考，则根据预测时间点设置默认日期（7月31日、8月31日或9月30日）[57] * **步骤5：计算总分红点数**。汇总所有满足条件（除息日介于t和T之间）的成分股分红对指数的影响，核心公式为： `分红点数 = Σ [ (成分股分红金额 / 成分股总市值) × 成分股权重 × 指数收盘价 ]`[42] * **模型评价**：该模型对股指分红点位的测算具有较好的预测准确性，尤其对于上证50和沪深300指数效果更佳[62] 量化因子与构建方式 1. **因子名称：股息率**[3][16] * **因子构建思路**：通过计算上市公司预案分红金额与其当前总市值的比率，来衡量股票的现金分红回报水平[16] * **因子具体构建过程**：因子计算基于已披露的分红预案。对于单只股票，其股息率因子的计算公式为： `个股股息率 = 预案分红金额 / 当前总市值`[16] 在行业层面，通过对行业内已公布预案股票的个股股息率进行统计，得到行业中位数等统计值用于比较[3][16] 模型的回测效果 1. **股指分红点位测算模型**： * **预测误差（2023年）**：对上证50指数和沪深300指数的预测误差基本在5个点左右，对中证500指数的预测误差基本稳定在10个点左右[62] * **预测误差（2024年）**：对上证50指数和沪深300指数的预测误差基本在5个点左右，对中证500指数的预测误差基本稳定在10个点左右[62] * **预测准确性**：模型对于上证50、沪深300及中证500股指期货合约的预测股息点与实际股息点相比，具有较好的预测准确性，其中上证50和沪深300股指期货的预测效果最好，中证500股指期货的偏离度稍大[62] 因子的回测效果 1. **股息率因子**： * **行业排名（截至2025年10月14日）**：各行业已公布分红预案股票的股息率中位数排名中，煤炭、银行和钢铁行业的股息率排名前三[3][16]