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. 微盘股指数择时与轮动模型** - **模型构建思路**：通过监控微盘股与茅指数的相对走势和动量，结合市场风险指标，构建择时和轮动策略[14][17] - **模型具体构建过程**： - 大小盘轮动指标：计算微盘股/茅指数相对净值，当该值高于其243日均线时倾向投资微盘股，反之投资茅指数[17] - 结合20日收盘价斜率：当微盘股和茅指数的20日斜率方向相反且一方为正时，选择投资斜率为正的指数[17] - 择时风控指标：基于十年期国债到期收益率同比（阈值30%）和微盘股波动率拥挤度同比（阈值55%），任一指标触及阈值则发出平仓信号[17] **2. 宏观择时策略** - **模型构建思路**：从经济增长和货币流动性两个维度构建宏观择时模型，用于确定中期权益配置仓位[41] - **模型具体构建过程**：模型综合经济增长信号（11月信号强度0%）和货币流动性信号（11月信号强度50%）得出整体权益推荐仓位（11月为25%）[41][42] 量化因子与构建方式 **1. 选股因子体系** - **因子构建思路**：构建八大类选股因子，在不同股票池中跟踪其表现[47][61][63] - **因子具体构建过程**： - **市值因子**：LN_MktCap = 流通市值的对数[61] - **价值因子**：包含BP_LR（账面市值比）、EP_FTTM（预期市盈率倒数）、SP_TTM（市销率倒数）等细分因子[61] - **成长因子**：包含NetIncome_SQ_Chg1Y（单季度净利润同比增速）、OperatingIncome_SQ_Chg1Y（单季度营业利润同比增速）等[63] - **质量因子**：包含ROE_FTTM（预期净资产收益率）、OCF2CurrentDebt（经营现金流负债比）等[63] - **一致预期因子**：包含EPS_FTTM_Chg3M（预期EPS变化率）、TargetReturn_180D（目标收益率）等[63] - **技术因子**：包含Volume_Mean_20D_240D（成交量比率）、Skewness_240D（收益率偏度）等[63] - **波动率因子**：包含Volatility_60D（60日波动率）、IV_CAPM（CAPM残差波动率）等[63] - **反转因子**：包含Price_Chg20D（20日收益率）、Price_Chg40D（40日收益率）等[63] **2. 可转债择券因子** - **因子构建思路**：从正股相关关系和转债估值两个维度构建可转债择券因子[56] - **因子具体构建过程**：正股因子从预测正股的因子构建，转债估值因子选取平价底价溢价率[56] 模型的回测效果 **1. 宏观择时模型** - 2025年年初至今收益率：13.55%[41] - 同期Wind全A收益率：25.61%[41] - 11月份权益推荐仓位：25%[41] 因子的回测效果 **1. 选股因子IC均值（全部A股，上周）** - 一致预期因子：-0.36%[48] - 市值因子：-20.90%[48] - 成长因子：-5.99%[48] - 反转因子：24.41%[48] - 质量因子：4.05%[48] - 技术因子：21.46%[48] - 价值因子：2.45%[48] - 波动率因子：21.97%[48] **2. 选股因子多空收益（全部A股，上周）** - 一致预期因子：-0.24%[48] - 市值因子：-2.98%[48] - 成长因子：-1.03%[48] - 反转因子：3.43%[48] - 质量因子：0.91%[48] - 技术因子：3.44%[48] - 价值因子：0.25%[48] - 波动率因子：3.19%[48] **3. 可转债择券因子** - 上周转债估值、正股财务质量、正股价值因子取得了正的IC均值[56]

根据提供的研报内容，以下是关于量化模型与因子的总结。报告核心内容为对A股市场网下打新策略的跟踪与收益测算，未涉及传统意义上的量化选股模型或多因子模型，而是构建了具体的打新收益测算模型。 量化模型与构建方式 1. **模型名称：网下打新收益测算模型**[11][47][53] * **模型构建思路**：通过设定一系列假设条件，模拟不同规模、不同类型的投资者账户（A类、B类）参与网下打新所能获得的理论收益，以跟踪和评估打新策略的市场表现。[11][47][53] * **模型具体构建过程**： * **核心假设**： * 账户参与所有新股（主板、科创板、创业板）的网下打新。[11][47] * 对于科创板和创业板新股，假设报价全部入围（即100%入围率）。[47][53] * 资金配置为一半沪市、一半深市，且股票满仓。[47][53] * 新股在上市首日以“首次开板日均价”卖出。[11][43][47] * 资金使用效率设定为90%。[47][53] * A类分多档询价的股票以A类平均中签率计算。[11] * **单只股票满中收益计算**： * 首先计算“满中数量”：`满中数量 = 可申购上限额度 × 网下A类平均中签率`[43] * 然后计算“满中收益”：`满中收益 = (首次开板价 - 首发价格) × 满中数量`[43] * **账户总收益计算**： * 对于特定规模的账户，根据其资金规模是否达到每只新股的市值门槛，计算其在该股票上的实际打新收益（可能低于满中收益）。[47][48] * 将测算时间段内（如逐月或年初至今）所有上市新股的可获得收益相加，得到累计打新收益。[47][49][54] * **打新收益率计算**： * 打新收益率 = 累计打新收益 / 账户规模[11][47][49] 模型的回测效果 报告展示了不同规模账户在不同市场板块下的打新收益和收益率，数据截至2025年11月21日。[11][47][53] 1. **A类账户打新收益率（所有板块）**[11][49] * 1.5亿规模账户，2025年至今收益率：3.09% * 2亿规模账户，2025年至今收益率：2.81% * 3亿规模账户，2025年至今收益率：2.26% * 5亿规模账户，2025年至今收益率：1.64% * 10亿规模账户，2025年至今收益率：1.03% 2. **A类账户分板块打新收益率**[50][51][52] * **科创板**：2亿规模账户2025年至今收益率为0.77%[50] * **创业板**：2亿规模账户2025年至今收益率为1.29%[51] * **主板**：2亿规模账户2025年至今收益率为0.75%[52] 3. **B类账户打新收益率（所有板块）**[11][53][54] * 1.5亿规模账户，2025年至今收益率：2.63% * 2亿规模账户，2025年至今收益率：2.39% * 3亿规模账户，2025年至今收益率：1.91% * 5亿规模账户，2025年至今收益率：1.34% * 10亿规模账户，2025年至今收益率：0.80% 4. **B类账户分板块打新收益率**[55][56][57] * **科创板**：2亿规模账户2025年至今收益率为0.58%[55] * **创业板**：2亿规模账户2025年至今收益率为1.15%[56] * **主板**：2亿规模账户2025年至今收益率为0.66%[57] 量化因子与构建方式 （报告未涉及独立的量化因子构建） 因子的回测效果 （报告未涉及独立的量化因子测试）

根据提供的研报内容，以下是关于量化模型和因子的总结。报告主要涉及对市场指数的多维度跟踪分析，并未明确构建新的量化模型或因子，而是应用了多个经典的市场分析指标。因此，总结将围绕报告中出现的各类分析指标（可视为广义的“因子”）进行。 量化因子与构建方式 1. **因子名称：风险溢价**[29] * **因子构建思路**：以十年期国债即期收益率为无风险利率的参考，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[29] * **因子具体构建过程**：风险溢价的计算公式为： $$风险溢价 = 指数收益率 - 无风险利率$$ 其中，无风险利率采用十年期国债即期收益率[29][31] * **因子评价**：各跟踪指数的风险溢价有明显的均值复归现象，其中中证1000和中证2000的风险溢价波动率相对较大[30] 2. **因子名称：股债性价比**[47] * **因子构建思路**：以各指数PE-TTM的倒数代表股票的隐含收益率，计算其与十年期国债即期收益率之差，作为衡量股票与债券相对吸引力的指标[47] * **因子具体构建过程**：股债性价比的计算公式为： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$[47] 3. **因子名称：指数换手率**[18][19] * **因子构建思路**：通过计算指数的整体换手率，反映市场的交易活跃度和资金情绪[18] * **因子具体构建过程**：指数换手率的计算方式为： $$指数换手率 = \frac{\sum(成分股流通股本 \times 成分股换手率)}{\sum(成分股流通股本)}$$[19] 4. **因子名称：破净率**[50][56] * **因子构建思路**：统计指数中市净率（PB）小于1的个股数量占比，反映市场的估值态度和悲观程度[50][56] * **因子具体构建过程**：破净率计算公式为： $$破净率 = \frac{指数成分股中PB < 1的股票数量}{指数成分股总数} \times 100\%$$[56] 5. **因子名称：收益分布形态指标（偏度与峰度）**[25][27] * **因子构建思路**：通过计算指数日收益率的偏度和峰度，描述收益分布的不对称性和尖峰厚尾特征，以评估风险[25][27] * **因子具体构建过程**：报告中对峰度的计算减去了3（正态分布的峰度值），即计算超额峰度[27]。偏度（Skewness）和峰度（Kurtosis）的标准计算公式如下： $$偏度 = \frac{E[(R-\mu)^3]}{\sigma^3}$$ $$峰度 = \frac{E[(R-\mu)^4]}{\sigma^4}$$ 其中，\(R\)为收益率，\(\mu\)为收益率均值，\(\sigma\)为标准差 因子的回测效果 报告未提供针对上述因子的传统量化回测结果（如IC、IR、多空收益等），而是展示了各宽基指数在这些因子上的当前取值及历史分位情况。 1. **风险溢价因子**[33] * 上证50，当前风险溢价-1.75%，近5年分位值4.21% * 沪深300，当前风险溢价-2.45%，近5年分位值1.83% * 中证500，当前风险溢价-3.47%，近5年分位值0.63% * 中证1000，当前风险溢价-3.72%，近5年分位值1.11% * 中证2000，当前风险溢价-3.99%，近5年分位值1.83% * 中证全指，当前风险溢价-3.14%，近5年分位值0.71% * 创业板指，当前风险溢价-4.03%，近5年分位值1.19% 2. **PE-TTM因子**[44][45] * 上证50，当前值11.88，近5年历史分位值84.88% * 沪深300，当前值13.88，近5年历史分位值80.74% * 中证500，当前值31.24，近5年历史分位值94.63% * 中证1000，当前值45.27，近5年历史分位值94.21% * 中证2000，当前值147.04，近5年历史分位值77.02% * 中证全指，当前值20.56，近5年历史分位值90.08% * 创业板指，当前值38.31，近5年历史分位值50.74% 3. **股息率因子**[52][54] * 上证50，当前值3.30%，近5年历史分位值35.87% * 沪深300，当前值2.75%，近5年历史分位值38.43% * 中证500，当前值1.44%，近5年历史分位值23.97% * 中证1000，当前值1.16%，近5年历史分位值54.88% * 中证2000，当前值0.81%，近5年历史分位值34.05% * 中证全指，当前值2.08%，近5年历史分位值38.02% * 创业板指，当前值1.08%，近5年历史分位值72.81% 4. **破净率因子**[56] * 上证50，当前破净率22.0% * 沪深300，当前破净率16.0% * 中证500，当前破净率11.8% * 中证1000，当前破净率8.0% * 中证2000，当前破净率3.45% * 中证全指，当前破净率6.32% * 创业板指，当前破净率1.0% 5. **指数换手率因子**[18] * 中证2000，当前换手率4.81 * 创业板指，当前换手率2.96 * 中证1000，当前换手率2.92 * 中证全指，当前换手率1.99 * 中证500，当前换手率1.84 * 沪深300，当前换手率0.68 * 上证50，当前换手率0.36

根据提供的ESG市场观察周报内容，该报告主要涉及市场动态、政策解读和事件追踪，并未包含任何量化模型或量化因子的构建、测试与分析内容[1][2][3][4][5][6][7][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][39][40][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60][61][62] 报告的核心内容聚焦于以下几个方面： * **ESG政策与市场要闻速览**：总结了国内外关于碳市场扩容、CCER方法学更新、欧盟SFDR法规修订等最新动态[1][10][11][12][13][14][15][16] * **ESG市场表现追踪**：记录了代表性ESG指数、碳价、绿色电力指数等的短期价格波动和资金流向[2][20][21][26][28][30][33][34][40] * **ESG舆情热点分析**：统计并分类了全市场ESG事件的数量、正负向占比及主要议题分布[3][44][45][48][49][51][54] 因此，本总结中关于量化模型和因子的部分没有相关内容。

根据提供的研报内容，以下是关于量化模型与因子的总结。 量化模型与构建方式 1. **模型名称：博时中证500增强策略ETF量化模型**[3][48][51] * **模型构建思路**：该模型旨在对中证500指数进行有效跟踪的基础上，通过增强策略积极管理指数组合与控制风险，力争实现超越目标指数的投资收益[51] * **模型具体构建过程**：模型通过严格的投资程序约束和数量化风险管理手段进行运作。具体包括： * **组合构建与偏离控制**：基金持仓大部分来自中证500成分股，各月末截面中证500成分股内权重占比平均为84.64%，并严格控制个股权重偏离，89.40%的个股偏离绝对值不超过0.5%[4][56][58] * **行业与风格暴露**：模型在行业上表现出超配电子、机械、汽车等行业的正向暴露，在风格上偏好高成长、强长期动量、强盈利能力的股票[63][68] * **收益归因**：采用Brinson模型进行归因，将超额收益拆解为行业配置收益和行业内选股收益。结果显示，超额收益主要来源于行业内选股能力，在大部分行业都有正向选股超额，尤其在计算机、电子、电力设备及新能源等行业选择能力较强[4][66] * **模型评价**：该模型实现了对标的指数的紧密跟踪，同时通过选股贡献了稳健的超额收益，风险调整后收益表现突出[3][52][54] 模型的回测效果 1. **博时中证500增强策略ETF量化模型**[3][52][54][55] * 年化超额收益：7.76% * 年化跟踪误差：3.84% * 信息比率(IR)：1.79 * 相对最大回撤：6.66% * 超额卡玛比：1.16 * 月度胜率：65.63% * 夏普比率：0.71 量化因子与构建方式 1. **因子类别：风格因子**[68][73] * **因子构建思路**：分析基金持仓相对基准指数的风格暴露，以理解其选股偏好 * **因子具体构建过程**：根据基金每日披露的PCF清单计算持股权重，进而计算每月末基金相对基准中证500指数在各类风格因子上的暴露情况。研报提及的具体风格因子包括： * **成长因子**：基金在该因子上有正向暴露，说明偏好高成长性股票 * **长期动量因子**：基金在该因子上有正向暴露，说明偏好具有强长期动量的股票 * **盈利能力因子**：基金在该因子上有正向暴露，说明偏好强盈利能力的股票 * **非线性规模因子**：基金在该因子上有负向暴露 * **流动性因子**：基金在该因子上有负向暴露 因子的回测效果 *（注：研报中未提供具体风格因子的独立测试结果指标值，如IC、IR等，因此本部分略过）*

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：央国企高分红30组合**[15] * **模型构建思路**：该组合属于红利系列产品，聚焦于具有“稳健+成长”风格的央国企高分红股票[15] * **模型具体构建过程**：报告未详细说明该组合的具体选股因子和权重配置方法 2. **模型名称：攻守兼备红利50组合**[15] * **模型构建思路**：该组合属于红利系列产品，旨在实现攻守兼备的投资效果[15] * **模型具体构建过程**：报告未详细说明该组合的具体选股因子和权重配置方法 3. **模型名称：电子均衡配置增强组合**[15] * **模型构建思路**：该组合属于行业增强系列，聚焦电子板块，采用均衡配置的方式进行增强[15] * **模型具体构建过程**：报告未详细说明该组合的具体选股因子和权重配置方法 4. **模型名称：电子板块优选增强组合**[15] * **模型构建思路**：该组合属于行业增强系列，聚焦电子板块，特别关注迈入成熟期的细分赛道龙头企业进行优选[15] * **模型具体构建过程**：报告未详细说明该组合的具体选股因子和权重配置方法 模型的回测效果 1. **央国企高分红30组合**：本周（2025年11月17日至2025年11月21日）跑赢中证红利全收益指数，周度超额收益约为0.68%[8][21] 2. **攻守兼备红利50组合**：2025年年初以来相对中证红利全收益指数超额显著，约为6.14%[21]；本周（2025年11月17日至2025年11月21日）近期波动相对较大[8][21] 3. **电子均衡配置增强组合**：本周（2025年11月17日至2025年11月21日）略跑输电子全收益指数，未能实现正超额[8][31] 4. **电子板块优选增强组合**：本周（2025年11月17日至2025年11月21日）未能实现正超额[8][31] 量化因子与构建方式 （报告未涉及具体量化因子的构建细节） 因子的回测效果 （报告未涉及具体量化因子的测试结果）

根据您提供的研报内容，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：利率价量多周期择时模型**[10][24] * **模型构建思路**：该模型旨在通过识别不同投资周期下利率走势的形态突破（支撑线和阻力线），生成综合的交易信号，以实现对利率债的择时交易[10][24]。 * **模型具体构建过程**： 1. **趋势形态捕捉**：使用核回归算法对国债到期收益率（YTM）数据进行平滑处理，以刻画利率的支撑线和阻力线[10]。 2. **多周期信号生成**：模型在长周期（平均切换频率为月度）、中周期（双周度）和短周期（周度）三个时间维度上，分别判断当前利率是否向上突破阻力线或向下突破支撑线[10][13][16]。 3. **信号综合评分**：对三个周期的突破信号进行投票汇总。具体规则为： * 若三个周期中有至少两个周期出现同向突破信号（即“上行突破”或“下行突破”的票数达到2/3），则生成明确的看多或看空信号[10][16]。 * 若同向突破票数未达到2/3（例如1票上行突破对1票下行突破），则综合信号为中性震荡。若信号由看空转为中性但看多与看空票数未发生反转，则最终研判结果为中性偏空[13]。 * **模型评价**：该模型通过多周期共振机制，旨在提高信号的可靠性，并适应不同频率的交易需求[10]。 2. **模型名称：利率市场结构指标模型**[7] * **模型构建思路**：该模型通过将1至10年期的国债YTM数据转化为水平、期限和凸性三个结构指标，从均值回归的视角来评估当前利率市场的相对位置和形态[7]。 * **模型具体构建过程**： 1. **指标计算**：模型将整个收益率曲线信息浓缩为三个核心指标： * **水平结构（Level）**：反映了利率的绝对水平。 * **期限结构（Slope）**：反映了长短期利率的利差，即收益率曲线的斜率。 * **凸性结构（Curvature）**：反映了收益率曲线的弯曲程度。 2. **历史分位数定位**：将当前三个结构指标的读数，分别与过去3年、5年和10年的历史数据进行比较，计算其对应的分位数，以判断当前市场处于历史何种位置（例如，水平结构读数处于历史10年视角下的6%分位，意味着当前利率水平非常低）[7]。 模型的回测效果 1. **利率价量多周期择时模型（基于5年期国债YTM）**[25][37] * 长期年化收益率（2007年至今）：5.5% * 长期最大回撤：2.88% * 长期收益回撤比：1.91 * 长期超额收益率（相对久期等权基准）：1.07% * 长期超额收益回撤比：0.62 * 短期年化收益率（2024年底以来）：2.24% * 短期最大回撤：0.59% * 短期收益回撤比：3.8 * 短期超额收益率：0.81% * 短期超额收益回撤比：2.4 * 逐年绝对收益胜率（2008年以来）：100% * 逐年超额收益胜率：100% 2. **利率价量多周期择时模型（基于10年期国债YTM）**[28][37] * 长期年化收益率（2007年至今）：6.08% * 长期最大回撤：2.74% * 长期收益回撤比：2.22 * 长期超额收益率（相对久期等权基准）：1.65% * 长期超额收益回撤比：1.16 * 短期年化收益率（2024年底以来）：2.69% * 短期最大回撤：0.58% * 短期收益回撤比：4.65 * 短期超额收益率：1.39% * 短期超额收益回撤比：3.66 * 逐年绝对收益胜率（2008年以来）：100% * 逐年超额收益胜率：100% 3. **利率价量多周期择时模型（基于30年期国债YTM）**[33][37] * 长期年化收益率（2007年至今）：7.36% * 长期最大回撤：4.27% * 长期收益回撤比：1.72 * 长期超额收益率（相对久期等权基准）：2.41% * 长期超额收益回撤比：0.86 * 短期年化收益率（2024年底以来）：3.25% * 短期最大回撤：0.92% * 短期收益回撤比：3.54 * 短期超额收益率：2.57% * 短期超额收益回撤比：3.22 * 逐年绝对收益胜率（2008年以来）：94.44% * 逐年超额收益胜率：94.44% 量化因子与构建方式 1. **因子名称：利率水平结构因子**[7] * **因子构建思路**：该因子用于衡量利率市场的绝对水平，通过计算其历史分位数来判断当前利率处于高位还是低位[7]。 * **因子具体构建过程**：因子值为当前利率水平结构的读数（例如1.61%），并通过与历史区间比较得到其分位数[7]。 2. **因子名称：利率期限结构因子**[7] * **因子构建思路**：该因子用于衡量收益率曲线的斜率，即长短期利差，反映市场对远期利率的预期[7]。 * **因子具体构建过程**：因子值为当前利率期限结构的读数（例如0.42%），并通过与历史区间比较得到其分位数[7]。 3. **因子名称：利率凸性结构因子**[7] * **因子构建思路**：该因子用于衡量收益率曲线的弯曲程度，反映利率期限结构中的非线性变化[7]。 * **因子具体构建过程**：因子值为当前利率凸性结构的读数（例如-0.04%），并通过与历史区间比较得到其分位数[7]。 因子的回测效果 （报告中未提供这三个结构因子独立的回测绩效指标，如IC值、IR等，因此本部分略过）

经过仔细阅读和分析提供的金融工程周报，该报告主要聚焦于市场回顾、基金产品动态和公募基金业绩表现。报告内容并未涉及具体的量化选股模型或量化因子的构建思路、详细过程和测试结果。报告中的“量化”部分仅限于对现有量化公募基金（如指数增强基金、量化对冲基金）的整体业绩统计和展示，并未阐述其内部使用的模型或因子[36][38]。 因此，根据任务要求，本总结将主要呈现报告中提到的基金业绩表现数据。 量化公募基金业绩表现 **1. 指数增强基金** * **基金类型**：指数增强基金 * **业绩描述**：统计了指数增强基金相对于其业绩基准的超额收益。新成立基金在6个月建仓期满后参与统计[36]。 * **业绩表现**： * **上周超额收益中位数**：0.05% [36] * **本年至今超额收益中位数**：4.00% [36] **2. 量化对冲型基金** * **基金类型**：量化对冲型基金 * **业绩描述**：统计了量化对冲型基金的绝对收益。新成立基金在6个月建仓期满后参与统计[36]。 * **业绩表现**： * **上周收益中位数**：-0.15% [36] * **本年至今收益中位数**：0.62% [36] 基金业绩明细（周度及年度） **1. 指数增强基金周度超额业绩前十[57]** | 基金名称 | 本周超额收益 | 本年至今超额收益 | | :--- | :--- | :--- | | 申万菱信中证500指数增强A | 1.17% | -6.03% | | 平安中证500指数增强A | 1.09% | 1.42% | | 鹏华中证1000增强策略ETF | 0.95% | 3.29% | | 浙商中证500指数增强A | 0.93% | 1.78% | | 嘉实中证1000指数增强A | 0.90% | 10.06% | | 招商创业板指数增强A | 0.89% | 6.03% | | 财通中证ESG100指数增强A | 0.89% | 1.40% | | 万家国证2000指数增强A | 0.74% | 9.84% | | 国投瑞银上证科创板综合价格指数增强A | 0.74% | - | | 太平中证A500指数增强A | 0.72% | - | **2. 量化对冲基金周度业绩前十[58]** | 基金名称 | 本周收益 | 本年至今收益 | | :--- | :--- | :--- | | 德邦量化对冲策略A | 0.18% | -2.77% | | 富国量化对冲策略三个月持有A | 0.12% | 2.15% | | 工银绝对收益A | 0.08% | 1.49% | | 嘉实对冲套利A | 0.00% | -0.54% | | 华宝量化对冲A | -0.01% | 1.15% | | 华泰柏瑞量化对冲 | -0.03% | 1.19% | | 光大阳光对冲策略6个月持有A | -0.05% | 1.44% | | 国联智选对冲策略3个月定开 | -0.05% | -4.55% | | 富国绝对收益多策略A | -0.08% | 0.51% | | 华泰柏瑞量化收益 | -0.11% | 0.57% | **3. 普通公募基金周度业绩前三（按类型）[56]** | 基金类型 | 基金名称 | 本周收益 | 本年至今收益 | | :--- | :--- | :--- | :--- | | 主动权益 | 招商体育文化休闲A | 2.10% | 21.65% | | 灵活配置型 | 德邦稳盈增长A | 4.53% | 2.06% | | 平衡混合型 | 方正富邦均衡精选A | -0.38% | 2.99% | | 偏债混合型 | 宝盈祥琪A | 0.21% | -3.85% | | 混合债券型二级 | 人保鑫利回报A | 1.13% | 2.39% | | 混合债券型一级 | 人保鑫盛纯债A | 0.47% | 0.84% | | 中长期纯债基金 | 富国臻利纯债定开 | 1.78% | 2.73% | | 短期纯债基金 | 嘉实3个月理财A | 0.09% | 1.38% | | 货币型基金 | 嘉合货币A | 0.03% | 1.21% | | 另类基金 | 德邦量化对冲策略A | 0.18% | -2.77% |

根据研报内容，以下是涉及的量化模型和因子的总结： 量化模型与构建方式 **1 模型名称：A股大盘择时模型[2][10]** - 模型构建思路：从估值、情绪、资金、技术四个维度对万得全A指数进行整体方向性判断[10] - 模型具体构建过程：各维度日频发出信号，每日信号取值为0、±1，分别代表看平、看多、看空三种观点[10] 估值和情绪采用反转逻辑，刻画A股市场均值回归特征；资金和技术采用趋势逻辑，刻画市场趋势延续特征[10] 以各维度得分之和的正负性作为大盘多空观点的依据[10] - 模型评价：左侧指标规避风险，右侧指标捕捉机会[10] **2 模型名称：红利风格择时模型[3][18]** - 模型构建思路：结合中证红利相对中证全指的动量、10Y-1Y期限利差和银行间质押式回购成交量三者的趋势进行择时[3][18] - 模型具体构建过程：三个指标从趋势维度日频发出信号，每日信号取值为0、+1、-1，分别代表看平、看多、看空三种观点[18] 以各维度得分之和的正负性作为红利风格多空观点的依据[18] 当模型看好红利风格时全仓持有中证红利，不看好时全仓持有中证全指[18] **3 模型名称：大小盘风格择时模型[3][23]** - 模型构建思路：采用基于拥挤度分域的趋势模型进行择时，其中拥挤度采用小盘和大盘的动量之差和成交额之比刻画[3][23] - 模型具体构建过程：首先从动量视角和成交视角计算大小盘风格拥挤度得分[23] 若最近20个交易日中曾触发过高拥挤，视为运行在高拥挤区间，否则为低拥挤区间[25] 在高拥挤区间采用参数值较小的双均线模型应对风格反转，在低拥挤区间采用参数值较大的双均线模型跟踪中长期趋势[25] **4 模型名称：遗传规划行业轮动模型[4][30]** - 模型构建思路：采用遗传规划技术直接对行业指数的量价、估值等特征进行因子挖掘，每季度末更新因子库[4][33] - 模型具体构建过程：底层资产为32个中信行业指数，因子更新频率为季频，调仓频率为周频[30] 使用|IC|和NDCG@5两个指标同时评价因子的分组单调性和多头组表现[33] 在NSGA-II算法加持下挖掘兼具分组表现单调、多头表现优秀的行业轮动因子[33] **5 模型名称：中国境内全天候增强组合[5][39]** - 模型构建思路：采用宏观因子风险预算框架，选取增长超预期/不及预期、通胀超预期/不及预期四种宏观风险源作为平价对象[5][39] - 模型具体构建过程：在四象限风险平价基础上，基于宏观预期动量的观点主动偏配看好象限[5] 构建分为三步：宏观象限划分与资产选择、象限组合构建与风险度量、风险预算模型确定象限权重[42] 每月底根据"象限观点"调整象限风险预算进行主动偏配[42] 模型的回测效果 **1 A股大盘择时模型[15]** - 年化收益：24.94% - 最大回撤：-28.46% - 夏普比率：1.16 - Calmar比率：0.88 - YTD：43.84% - 上周收益：5.28% **2 红利风格择时模型[21]** - 年化收益：15.67% - 最大回撤：-25.52% - 夏普比率：-0.26 - Calmar比率：0.85 - YTD：20.86% - 上周收益：-3.63% **3 大小盘风格择时模型[28]** - 年化收益：27.04% - 最大回撤：-32.05% - 夏普比率：1.13 - Calmar比率：0.84 - YTD：71.14% - 上周收益：-7.80% **4 遗传规划行业轮动模型[33]** - 年化收益：30.83% - 年化波动：17.74% - 夏普比率：1.74 - 最大回撤：-19.63% - 卡玛比率：1.57 - 上周表现：-4.39% - YTD：35.44% **5 中国境内全天候增强组合[43]** - 年化收益：11.51% - 年化波动：6.18% - 夏普比率：1.86 - 最大回撤：-6.30% - 卡玛比率：1.83 - 上周表现：-1.53% - YTD：10.75% 量化因子与构建方式 **1 因子名称：大小盘风格拥挤度因子[23][27]** - 因子构建思路：从动量视角和成交视角计算大小盘风格拥挤度得分[23] - 因子具体构建过程： 1) 动量之差：计算万得微盘股指数与沪深300指数的10/20/30/40/50/60日动量之差，计算各窗长动量之差的3.0/3.5/4.0/4.5/5.0年分位数的均值，对6个计算窗长下分位数最高的3个结果取均值作为小盘风格的动量得分；对分位数最低的3个结果取均值作为大盘风格的动量得分[27] 2) 成交额之比：计算万得微盘股指数与沪深300指数的10/20/30/40/50/60日成交额之比，计算各窗长成交额之比的3.0/3.5/4.0/4.5/5.0年分位数的均值，对6个计算窗长下分位数最高的3个结果取均值作为小盘风格的成交量得分；对分位数最低的3个结果取均值作为大盘风格的成交量得分[27] 3) 将小盘风格的动量得分和成交量得分取均值得到小盘风格的拥挤度得分，大于90%视为触发高拥挤；将大盘风格的动量得分和成交量得分取均值得到大盘风格的拥挤度得分，小于10%视为触发高拥挤[27] **2 因子名称：遗传规划行业轮动因子[37]** - 因子构建思路：基于单行业阻力支撑位构建[37] - 因子具体构建过程： 1) 在过去25个交易日中，计算周度标准化最低价和月度标准化开盘价的协方差，记作变量A[38] 2) 在过去15个交易日中，对周度标准化最高价开展zscore标准化，取标准化后大于2.0的日期，对A进行反转即乘以-1后，计算这15个交易日A之和[38] 因子表达式：$$ts\_grouping\_deczscorecut\_torch(ts\_covariance\_torch(wlow\_st, mopen\_st, 25), whigh\_st, 15, 2.0, 2)$$[37]

量化模型与构建方式 商品融合策略 1. **模型名称**：商品融合策略[25] **模型构建思路**：该策略旨在捕捉商品市场中的基本面、carry和动量等风险溢价，通过整合三个子策略来构建一个综合性的商品投资组合[25][26] **模型具体构建过程**：首先构建三个独立的子策略模拟组合，分别是商品期限结构模拟组合、商品时序动量模拟组合和商品截面仓单模拟组合，然后采用三策略等权的方式将这三个子策略组合起来，形成最终的融合策略[25][26] 商品期限结构模拟组合 2. **模型名称**：商品期限结构模拟组合[25][26] **模型构建思路**：该策略基于展期收益率因子来刻画商品的升贴水状态，旨在从商品的期限结构（carry）中获取收益[26] **模型具体构建过程**：策略动态地做多展期收益率高的品种，同时做空展期收益率低的品种，其核心因子是展期收益率，用于衡量商品期货的持有收益或成本[26] 商品时序动量模拟组合 3. **模型名称**：商品时序动量模拟组合[25][26] **模型构建思路**：该策略基于多个技术指标来刻画境内商品的中长期价格趋势，旨在从价格的动量效应中获利[26] **模型具体构建过程**：策略动态地做多处于趋势上涨状态的资产，同时做空处于趋势下跌状态的资产，其核心是动量因子[26] 商品截面仓单模拟组合 4. **模型名称**：商品截面仓单模拟组合[25][26] **模型构建思路**：该策略基于仓单因子来刻画境内商品基本面的变化情况，旨在从商品供需基本面的变化中获取收益[26] **模型具体构建过程**：策略动态地做多仓单下降的资产（通常暗示供应趋紧或需求增加），同时做空仓单增长的资产（通常暗示供应过剩或需求疲软），其核心是仓单因子[26] 模型的回测效果 1. **商品融合策略**，近两周收益0.97%，今年以来收益3.16%[25][28] 2. **商品期限结构模拟组合**，近两周收益2.31%，今年以来收益7.46%[25][28] 3. **商品时序动量模拟组合**，近两周收益-0.38%，今年以来收益-3.19%[25][28] 4. **商品截面仓单模拟组合**，近两周收益0.98%，今年以来收益5.43%[25][28] 量化因子与构建方式 展期收益率因子 1. **因子名称**：展期收益率因子[26] **因子构建思路**：该因子用于量化商品期货合约由于远近月价差（期限结构）而产生的持有收益或成本，即carry收益[26] **因子具体构建过程**：通过计算特定商品期货合约的展期收益率来构建，展期收益率反映了持有该期货合约至到期并展期到下一个合约的预期收益或成本 动量因子 2. **因子名称**：动量因子[26] **因子构建思路**：该因子用于捕捉商品价格的中长期趋势，基于技术分析指标来判断资产的涨跌趋势[26] **因子具体构建过程**：综合运用多个技术指标（如均线、MACD等）来量化商品价格的动量状态，判断其处于上涨趋势还是下跌趋势 仓单因子 3. **因子名称**：仓单因子[26] **因子构建思路**：该因子通过追踪商品仓单数量的变化来反映其基本面供需状况的变动[26] **因子具体构建过程**：基于商品注册仓单的数据进行计算，仓单的增减直接关联到可交割实物量的变化，从而指示供需平衡的潜在变动 因子的回测效果 *（注：报告中未提供各因子独立的回测绩效指标，如IC值、IR等，仅提供了基于这些因子构建的策略组合的业绩表现。）*