量化模型与构建方式 1. **模型名称：五维行业轮动模型**[8] * **模型构建思路**：基于行业内部普遍存在的风格差异，利用风格指标对行业内部股票进行划分，通过构建行业内部离散指标与行业内部牵引指标合成行业最终因子[8][3] * **模型具体构建过程**：以东吴金工特色选股多因子体系为基础，从微观个股层面出发[8] 首先，根据东吴金工特色多因子划分标准将微观因子划分为五大类：波动率、基本面、成交量、情绪、动量[8][3] 接着，以大类选股因子的风格偏好为参照，构建行业内部离散指标与行业内部牵引指标，最终得到五类合成行业因子[8] 最后，将这五类合成行业因子组合，构建成五维行业轮动模型[8] 模型的回测效果 1. **五维行业轮动模型（合成因子）**[12][13] * 年化收益率：21.10% (多空对冲)[12], 10.36% (多头超额)[13] * 年化波动率：10.84% (多空对冲)[12], 6.57% (多头超额)[13] * 信息比率(IR)：1.95 (多空对冲)[12], 1.58 (多头超额)[13] * 月度胜率：72.36% (多空对冲)[12], 69.92% (多头超额)[13] * 历史最大回撤：13.30% (多空对冲)[12], 9.36% (多头超额)[13] 量化因子与构建方式 1. **因子名称：波动率因子**[14] * **因子具体构建过程**：作为五维行业轮动模型的组成部分，其构建过程遵循模型的总体思路，即基于波动率大类下的微观个股因子，通过构建行业内部离散指标与行业内部牵引指标合成得到[8][3] 2. **因子名称：基本面因子**[14] * **因子具体构建过程**：作为五维行业轮动模型的组成部分，其构建过程遵循模型的总体思路，即基于基本面大类下的微观个股因子，通过构建行业内部离散指标与行业内部牵引指标合成得到[8][3] 3. **因子名称：成交量因子**[14] * **因子具体构建过程**：作为五维行业轮动模型的组成部分，其构建过程遵循模型的总体思路，即基于成交量大类下的微观个股因子，通过构建行业内部离散指标与行业内部牵引指标合成得到[8][3] 4. **因子名称：情绪因子**[14] * **因子具体构建过程**：作为五维行业轮动模型的组成部分，其构建过程遵循模型的总体思路，即基于情绪大类下的微观个股因子，通过构建行业内部离散指标与行业内部牵引指标合成得到[8][3] 5. **因子名称：动量因子**[14] * **因子具体构建过程**：作为五维行业轮动模型的组成部分，其构建过程遵循模型的总体思路，即基于动量大类下的微观个股因子，通过构建行业内部离散指标与行业内部牵引指标合成得到[8][3] 因子的回测效果 1. **波动率因子**[14] * 年化收益率：10.48% * 波动率：10.41% * 信息比率(IR)：1.01 * 胜率：59.38% * 最大回撤：14.81% * IC：-0.08 * ICIR：-1.33 * RankIC：-0.06 * RankICIR：-0.97 2. **基本面因子**[14] * 年化收益率：7.04% * 波动率：12.12% * 信息比率(IR)：0.58 * 胜率：56.25% * 最大回撤：26.32% * IC：0.15 * ICIR：3.25 * RankIC：0.04 * RankICIR：0.70 3. **成交量因子**[14] * 年化收益率：8.03% * 波动率：11.78% * 信息比率(IR)：0.68 * 胜率：59.38% * 最大回撤：18.40% * IC：-0.06 * ICIR：-0.96 * RankIC：-0.06 * RankICIR：-0.92 4. **情绪因子**[14] * 年化收益率：8.24% * 波动率：12.79% * 信息比率(IR)：0.64 * 胜率：64.84% * 最大回撤：14.79% * IC：0.04 * ICIR：0.54 * RankIC：0.03 * RankICIR：0.50 5. **动量因子**[14] * 年化收益率：11.50% * 波动率：10.59% * 信息比率(IR)：1.09 * 胜率：61.42% * 最大回撤：13.52% * IC：0.02 * ICIR：0.39 * RankIC：0.05 * RankICIR：0.75

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：预期高股息组合模型**[3][8] * **模型构建思路**：该模型旨在构建一个高股息收益的投资组合。其核心是通过两阶段方法构建“预期股息率”指标，并辅以反转因子和盈利因子进行筛选，最终从沪深300成分股中优选股票构建组合[3][8]。 * **模型具体构建过程**：模型的构建遵循明确的选股步骤： 1. **确定股票池**：以沪深300成分股为初选池，剔除停牌及涨停的股票[13]。 2. **应用辅助筛选因子**： * **反转因子筛选**：剔除股票池中短期动量最高的20%股票（即21日累计涨幅最高的20%个股）[13]。 * **盈利因子筛选**：剔除股票池中盈利下滑的个股（即单季度净利润同比增长率小于0的股票）[13]。 3. **核心排序指标**：在通过上述筛选的剩余股票中，按“预期股息率”从高到低排序[9]。 4. **组合构建**：选取预期股息率最高的30只个股，采用等权重方式构建投资组合。组合每月底调仓一次[3][8][9]。 2. **模型名称：红利择时框架**[25][27] * **模型构建思路**：该模型是一个多因子合成信号模型，用于对中证红利指数进行择时判断，输出看多或看空的观点[25][27]。 * **模型具体构建过程**：模型综合了五个不同类别的因子信号： * **通胀因子**：PPI同比（高/低位），信号方向为正向（+）[27]。 * **流动性因子**：包括M2同比（高/低位）和M1-M2剪刀差（高/低位），信号方向均为负向（-）[27]。 * **利率因子**：美国10年期国债收益率（高/低位），信号方向为正向（+）[27]。 * **市场情绪因子**：红利股成交额占比（上/下行），信号方向为负向（-）[27]。 * **合成信号**：将上述五个单因子信号合成为一个综合信号。报告期内（2025年10月），合成信号值为0，代表对红利持“谨慎”或“看空”态度[25][27]。 模型的回测效果 1. **预期高股息组合模型**： * **回测期**：2009年2月2日至2017年8月31日（103个自然月）[11] * **累计收益**：358.90%[11] * **累计超额收益（相对于沪深300全收益指数）**：107.44%[11] * **年化超额收益**：8.87%[11] * **超额收益滚动一年最大回撤**：12.26%[11] * **月度超额胜率**：60.19%[11] 2. **红利择时框架**：报告中未提供该模型的历史回测效果数据。 量化因子与构建方式 1. **因子名称：预期股息率**[3][8] * **因子构建思路**：该因子是对未来股息支付能力的预测，而非简单的历史股息率。构建过程分为两个阶段，结合了已公告的分红信息和基于历史规律的预测[3][8]。 * **因子具体构建过程**：采用两阶段方法构建： * **第一阶段**：对于已经发布年报并公告利润分配方案的股票，直接根据其公告内容计算股息率[3][8]。 * **第二阶段**：对于尚未公告分红的股票，利用历史分红数据与相关基本面指标，预测其可能的分红并计算预期股息率[3][8]。 2. **因子名称：反转因子**[3][13] * **因子构建思路**：用于规避短期涨幅过高的股票，认为这类股票后续可能面临回调压力[3][13]。 * **因子具体构建过程**：计算股票的21日累计涨幅，并将其作为反向筛选指标，剔除涨幅最高的20%的股票[13]。 3. **因子名称：盈利因子（单季度净利润同比增长率）**[3][13] * **因子构建思路**：筛选盈利状况改善或稳定的公司，规避盈利下滑的股票[3][13]。 * **因子具体构建过程**：计算公司的单季度净利润同比增长率，并直接剔除该增长率小于0的股票[13]。 4. **因子名称：PPI同比（高/低位）**[27] * **因子构建思路**：作为通胀环境的代理变量，用于红利择时[27]。 5. **因子名称：M2同比（高/低位）**[27] * **因子构建思路**：作为流动性宽紧的代理变量，用于红利择时[27]。 6. **因子名称：M1-M2剪刀差（高/低位）**[27] * **因子构建思路**：作为经济活动活跃度的代理变量，用于红利择时[27]。 7. **因子名称：美国10年期国债收益率（高/低位）**[27] * **因子构建思路**：作为全球无风险利率和资金成本的代理变量，用于红利择时[27]。 8. **因子名称：红利股成交额占比（上/下行）**[27] * **因子构建思路**：作为市场对红利板块情绪热度的代理变量，用于红利择时[27]。 因子的回测效果 报告中未提供单个因子的历史表现数据（如IC值、IR值等）。

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：DecompGRU模型[9][17]** - **模型构建思路**：在GRU基线模型的基础上，通过两个简单的去均值模块实现时序和截面的信息交互上的改进[17] - **模型具体构建过程**：基于趋势分解的时序+截面端到端模型，分别基于IC、加权MSE损失函数训练两个模型[17] **2. 模型名称：宽基轮动策略模型[24][26]** - **模型构建思路**：通过热度周度变化率构建轮动策略，在每周最后一个交易日买入总热度变化率MA2最大的宽基[24] - **模型具体构建过程**：计算不同组股票周度热度变化率，并取MA2进行平滑处理，如果变化率最大的为"其他"组则空仓[24] **3. 模型名称：概念热度组合模型[41][45]** - **模型构建思路**：在每周最后一个交易日，选出本周热度变化最大的5个概念，将概念对应成分股作为选股股票池[45] - **模型具体构建过程**： - 排除股票池中流通市值最小的20%股票[45] - 从每个热门概念中选出总热度排名前10的个股，等权持有构建热度TOP组合[45] - 从每个热门概念中选出总热度排名最后的10只个股，等权持有构建BOTTOM组合[45] 量化因子与构建方式 **1. 因子名称：个股总热度因子[18]** - **因子构建思路**：从行为的角度探讨在个股层面因有限注意力导致的过度定价与反应不足现象[18] - **因子具体构建过程**：股票的浏览、自选与点击次数之和，以同一日在全市场占比的方式进行归一化，将归一化后的数值乘以10000[18] - **因子计算公式**：$$总热度 = \frac{浏览次数 + 自选次数 + 点击次数}{全市场总次数} \times 10000$$[18] - **因子评价**：将聚合的总热度看作"情绪热度"的代理变量进行追踪[18] **2. 因子名称：宽基热度变化率因子[19][24]** - **因子构建思路**：将全A样本按照宽基指数分组，对每一组中的成分股总热度指标进行求和处理[19] - **因子具体构建过程**：将全A样本按照沪深300、中证500、中证1000、中证2000以及"其他"来进行分组，计算周度热度变化率并取MA2平滑[19][24] **3. 因子名称：行业热度变化率因子[30]** - **因子构建思路**：采用相同方法获得行业层面的热度，计算每个申万一级、二级行业热度的周度变化率MA2[30] - **因子具体构建过程**：对每个申万一级、二级行业中的成分股总热度指标进行求和，计算周度变化率MA2[30] **4. 因子名称：概念热度变化率因子[38]** - **因子构建思路**：采用相同方法获得概念层面的热度，计算每个概念热度的周度变化率[38] - **因子具体构建过程**：对每个概念中的成分股总热度指标进行求和，计算周度变化率[38] 模型的回测效果 **1. DecompGRU TOP200多头组合[9][11]** - 累计绝对收益：38.64%[11] - 相对全A等权超额收益：13.8%[11] - 最大回撤：10.08%[11] - 周度胜率：64.29%[11] - 月度胜率：100%[11] - 9月绝对收益：4.19%[11] - 9月超额收益：3.4%[11] **2. ETF轮动组合[12][13][14]** - 累计绝对收益：21.54%[13] - 相对基准超额收益：-0.57%[13] - 最大回撤：7.82%[13] - 周度胜率：65.52%[13] - 月度胜率：66.67%[13] - 9月绝对收益：-1.68%[14] - 9月超额收益：-6.65%[14] **3. 宽基轮动策略[26][27]** - 2017年来年化收益率：8.74%[27] - 最大回撤：23.5%[27] - 2025年组合收益：32%[27] - 对比基准宽基等权组合收益：30%[27] **4. 概念热度BOTTOM组合[41]** - 年化收益：15.71%[41] - 最大回撤：28.89%[41] - 2025年收益：40%[41] 因子的回测效果 **1. 宽基热度动量组合[3][65]** - 2025年累计收益：36%[3][65] **2. 高热度概念+低热度个股组合[3][66]** - 2025年累计收益：42%[3][66]

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：扩散指数行业轮动模型**[25] * **模型构建思路**：基于价格动量原理，通过计算行业的扩散指数来捕捉行业趋势，选择趋势向上的行业进行配置[25][37] * **模型具体构建过程**：报告未详细描述扩散指数的具体计算过程和公式 2. **模型名称：GRU因子行业轮动模型**[32][38] * **模型构建思路**：基于分钟频量价数据，利用GRU（门控循环单元）深度学习网络生成行业因子，以把握交易信息并进行行业轮动[32][38] * **模型具体构建过程**：报告未提供GRU网络的具体结构、输入特征、训练过程以及行业因子生成的详细步骤和公式 模型的回测效果 1. **扩散指数行业轮动模型**[30] * 本周平均收益：2.59%[30] * 本周超额收益（相对中信一级行业等权）：0.70%[30] * 10月以来超额收益：-0.37%[30] * 2025年以来超额收益：4.60%[30] 2. **GRU因子行业轮动模型**[36] * 本周平均收益：2.88%[36] * 本周超额收益（相对中信一级行业等权）：1.01%[36] * 10月以来超额收益：1.67%[36] * 2025年以来超额收益：-6.55%[36] 量化因子与构建方式 1. **因子名称：行业扩散指数**[27] * **因子构建思路**：用于衡量行业价格趋势强度的指标[25][27] * **因子具体构建过程**：报告未提供行业扩散指数的具体计算方法和公式 2. **因子名称：GRU行业因子**[33] * **因子构建思路**：通过GRU深度学习模型从分钟频量价数据中提取出的，用于表征行业未来表现的合成因子[32][33][38] * **因子具体构建过程**：报告未提供GRU行业因子的具体计算方法和公式 因子的回测效果 （报告中未提供行业扩散指数和GRU行业因子独立的因子测试结果，如IC值、IR等）

根据研报内容，本报告主要对两次关税冲击下的A股市场交易结构进行对比分析，并未涉及具体的量化模型或量化因子的构建、测试与评价。报告的核心内容是对市场指数和行业层面的各类指标进行统计和对比，属于市场观察和描述性分析[2][6][7]。 因此，报告中**没有**需要总结的量化模型或量化因子内容。

量化模型与构建方式 1. 行业拥挤度监测模型 **模型名称**：行业拥挤度监测模型[3] **模型构建思路**：通过构建行业拥挤度监测模型，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公式和详细计算步骤，仅提及其功能为监测申万一级行业指数的每日拥挤度水平[3] 2. 溢价率Z-score模型 **模型名称**：溢价率Z-score模型[4] **模型构建思路**：根据溢价率Z-score模型搭建相关ETF产品筛选信号模型，通过滚动测算提供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公式和详细计算步骤，仅说明其用于ETF产品筛选和套利机会识别[4] **模型评价**：该模型可用于识别潜在套利机会，但需警惕标的回调风险[4] 量化因子与构建方式 1. 行业拥挤度因子 **因子名称**：行业拥挤度因子[3] **因子构建思路**：通过监测各行业的拥挤度水平，识别当前市场热度较高的行业和热度较低的行业[3] **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤，但明确该因子应用于申万一级行业指数的拥挤度监测[3] 模型的回测效果 *报告未提供具体模型的回测效果指标数据* 因子的回测效果 *报告未提供具体因子的回测效果指标数据* 监测结果展示 1. 行业拥挤度监测结果 - 电力设备、电子、有色金属拥挤度靠前[3] - 社会服务、食品饮料、商贸零售的拥挤度水平较低[3] - 建材、环保拥挤度变动较大[3] 2. 资金流向监测结果 - 前一交易日主力资金流入医药生物行业[3] - 主力资金流出电子、电力设备行业[3] - 近三个交易日主力资金持续减配电子、电力设备行业[3] 3. ETF产品关注信号 基于溢价率Z-score模型筛选出的建议关注ETF产品包括：中证A500ETF、中证A500ETF龙头、50ETF基金、日经ETF、H股ETF[13]

根据研报内容，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. Barra风格因子[14] **因子构建思路**：采用经典的Barra风险模型框架，构建多个维度（如市场、估值、盈利等）的风格因子，用于描述股票的风险收益特征[14] **因子具体构建过程**： - **Beta因子**：历史beta - **市值因子**：总市值取自然对数 - **动量因子**：历史超额收益率序列均值 - **波动因子**：$$0.74 \times 历史超额收益率序列波动率 + 0.16 \times 累积超额收益率离差 + 0.1 \times 历史残差收益率序列波动率$$ - **非线性市值因子**：市值风格的三次方 - **估值因子**：市净率倒数 - **流动性因子**：$$0.35 \times 月换手率 + 0.35 \times 季换手率 + 0.3 \times 年换手率$$ - **盈利因子**：$$0.68 \times 分析师预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率ttm倒数$$ - **成长因子**：$$0.18 \times 分析师预测长期盈利增长率 + 0.11 \times 分析师预测短期利率增长率 + 0.24 \times 盈利增长率 + 0.47 \times 营业收入增长率$$ - **杠杆因子**：$$0.38 \times 市场杠杆率 + 0.35 \times 账面杠杆 + 0.27 \times 资产负债率$$ 2. 技术类因子[19][26][30] **因子构建思路**：基于股价和交易量数据构建动量、波动率等技术指标因子 **因子具体构建过程**： - **20日动量因子**：基于20日价格变化的动量指标 - **60日动量因子**：基于60日价格变化的动量指标 - **120日动量因子**：基于120日价格变化的动量指标 - **20日波动因子**：基于20日价格波动率 - **60日波动因子**：基于60日价格波动率 - **120日波动因子**：基于120日价格波动率 - **中位数离差因子**：价格相对于中位数的偏离程度 3. 基本面因子[22][26][29] **因子构建思路**：基于财务报表数据构建估值、盈利、成长等基本面指标 **因子具体构建过程**： - **估值类因子**：市盈率、市销率等估值指标 - **盈利类因子**：ROE、ROA、营业利润率等盈利能力指标 - **成长类因子**：ROC增长、ROA增长、营业利润增长等成长性指标 - **超预期增长类因子**：ROC超预期增长、ROA超预期增长、净利润超预期增长等 - **静态财务因子**：营业周转率等静态财务指标 量化模型与构建方式 1. GRU模型[20][32] **模型构建思路**：使用门控循环单元（GRU）神经网络预测股票收益，基于不同训练目标构建多个模型变体 **模型具体构建过程**： - **close1d模型**：预测未来一日close to close收益的GRU模型 - **open1d模型**：预测未来一日open to open收益的GRU模型 - **barra1d模型**：基于Barra因子体系预测收益的GRU模型 - **barra5d模型**：基于Barra因子体系预测5日收益的GRU模型 2. 多因子模型[32] **模型构建思路**：综合多个有效因子构建复合多因子选股模型 模型的回测效果 1. GRU模型多头组合表现[33] - **open1d模型**：近一周超额0.68%，近一月-1.02%，近三月-2.91%，近六月2.05%，今年以来4.85% - **close1d模型**：近一周超额1.29%，近一月-2.29%，近三月-6.21%，近六月0.42%，今年以来1.44% - **barra1d模型**：近一周超额-0.17%，近一月0.42%，近三月1.64%，近六月3.68%，今年以来5.22% - **barra5d模型**：近一周超额1.60%，近一月-2.60%，近三月-5.71%，近六月0.56%，今年以来3.45% 2. 多因子组合表现[33] - 近一周超额1.35%，近一月-0.76%，近三月-2.34%，近六月-1.07%，今年以来0.88% 因子的回测效果 1. 技术类因子多空收益表现[19][26][30] - **20日动量因子**：全市场近一周-1.61%，中证500近一周-3.50%，中证1000近一周-2.35% - **60日动量因子**：全市场近一周-3.11%，中证500近一周-3.51%，中证1000近一周-3.74% - **120日动量因子**：全市场近一周-2.86%，中证500近一周-3.81%，中证1000近一周-3.46% - **20日波动因子**：全市场近一周-3.10%，中证500近一周-3.97%，中证1000近一周-4.54% - **60日波动因子**：全市场近一周-2.78%，中证500近一周-2.30%，中证1000近一周-3.90% - **120日波动因子**：全市场近一周-1.93%，中证500近一周-3.38%，中证1000近一周-4.01% 2. 基本面因子多空收益表现[22][26][29] - **估值类因子**：沪深300内多数表现为负向，如市盈率因子近一周-1.62% - **盈利类因子**：沪深300内ROE因子近一周-0.86%，ROA因子近一周-0.71% - **成长类因子**：沪深300内ROC增长因子近一周0.68%，ROA增长因子近一周0.82% - **超预期增长类因子**：沪深300内ROC超预期增长近一周-0.25%，净利润超预期增长近一周0.68%

量化模型与构建方式 1. 扩散指数模型 - **模型名称**：扩散指数模型[6][37][38] - **模型构建思路**：通过监测微盘股指数成分股价格在未来不同时间窗口和涨跌幅阈值下的分布情况，来判断市场趋势和变盘临界点[37] - **模型具体构建过程**： 1. 横轴代表以当前时间为起点，未来N天后股价相对现在的涨跌幅阈值，从1.1（涨10%）到0.9（跌10%）[37] 2. 纵轴代表以当前时间为起点，回顾过去窗口期的长度T天或者未来N天，T从20到10代表从当前时间开始往后10个交易日，即N从0到10，N=20-T[37] 3. 计算在每个横纵坐标对应的条件下，微盘股扩散指数的具体数值[37] 4. 该指标主要用于监测未来扩散指数变盘的临界点，当前扩散指数值为0.50（横轴为20，纵轴为1.00）[37] 2. 首次阈值法（左侧交易） - **模型名称**：首次阈值法[6][40] - **模型构建思路**：作为扩散指数模型的左侧交易策略，在指标首次触及阈值时发出交易信号[6][40] - **模型具体构建过程**：当扩散指数收盘值达到0.0575时触发开仓信号[40] 3. 延迟阈值法（右侧交易） - **模型名称**：延迟阈值法[6][44] - **模型构建思路**：作为扩散指数模型的右侧交易策略，在指标确认趋势后发出交易信号[6][44] - **模型具体构建过程**：当扩散指数收盘值达到0.1825时给予开仓信号[44] 4. 双均线法（自适应交易） - **模型名称**：双均线法[6][45] - **模型构建思路**：采用双均线系统进行自适应交易决策，根据均线关系判断多空信号[6][45] - **模型具体构建过程**：当短期均线下穿长期均线时发出空仓信号[45] 5. 小市值低波50策略 - **模型名称**：小市值低波50策略[8][16][33] - **模型构建思路**：在微盘股成分股中优选小市值和低波动的50只股票构建投资组合[8][16][33] - **模型具体构建过程**： 1. 选择万得微盘股指数成分股作为股票池[8][16] 2. 使用市值因子和波动率因子进行排序筛选[8][16] 3. 选取市值最小、波动率最低的50只股票[8][16] 4. 每双周调仓一次，费用双边千三[8][16][33] 模型的回测效果 1. **首次阈值法**，于2025年9月23日触发开仓信号[6][40] 2. **延迟阈值法**，于2025年9月25日给予开仓信号[6][44] 3. **双均线法**，于2025年8月4日收盘给予空仓信号[6][45] 4. **小市值低波50策略**，2024年收益7.07%，超额-2.93%；2025年YTD收益58.55%，本周超额0.14%[8][16][33] 量化因子与构建方式 1. 杠杆因子 - **因子名称**：杠杆因子[5][16][31] - **因子构建思路**：衡量公司的财务杠杆水平[5][16][31] - **因子评价**：本周表现优异，rankic值为0.176，显著高于历史平均的-0.006[5][16][31] 2. 自由流通比例因子 - **因子名称**：自由流通比例因子[5][16][31] - **因子构建思路**：反映股票的自由流通股本占总股本的比例[5][16][31] - **因子评价**：本周表现良好，rankic值为0.156，明显高于历史平均的-0.013[5][16][31] 3. 股息率因子 - **因子名称**：股息率因子[5][16][31] - **因子构建思路**：计算公司股息与股价的比率[5][16][31] - **因子评价**：本周表现稳定，rankic值为0.109，高于历史平均的0.021[5][16][31] 4. 单季度净资产收益率因子 - **因子名称**：单季度净资产收益率因子[5][16][31] - **因子构建思路**：衡量公司单季度的净资产盈利能力[5][16][31] - **因子评价**：本周表现较好，rankic值为0.091，显著高于历史平均的0.022[5][16][31] 5. 成长因子 - **因子名称**：成长因子[5][16][31] - **因子构建思路**：评估公司的成长性和发展潜力[5][16][31] - **因子评价**：本周表现积极，rankic值为0.091，明显高于历史平均的-0.003[5][16][31] 6. 未复权股价因子 - **因子名称**：未复权股价因子[5][16][31] - **因子构建思路**：使用未复权股价作为因子指标[5][16][31] - **因子评价**：本周表现较差，rankic值为-0.363，显著低于历史平均的-0.014[5][16][31] 7. 贝塔因子 - **因子名称**：贝塔因子[5][16][31] - **因子构建思路**：衡量股票相对于市场的系统性风险[5][16][31] - **因子评价**：本周表现不佳，rankic值为-0.3，明显低于历史平均的0.006[5][16][31] 8. 非流动性因子 - **因子名称**：非流动性因子[5][16][31] - **因子构建思路**：评估股票的流动性状况[5][16][31] - **因子评价**：本周表现弱势，rankic值为-0.197，显著低于历史平均的0.04[5][16][31] 9. 过去10天收益率因子 - **因子名称**：过去10天收益率因子[5][16][31] - **因子构建思路**：计算股票过去10天的收益率表现[5][16][31] - **因子评价**：本周表现较差，rankic值为-0.187，低于历史平均的-0.061[5][16][31] 10. 标准化预期盈利因子 - **因子名称**：标准化预期盈利因子[5][16][31] - **因子构建思路**：基于标准化处理的预期盈利指标[5][16][31] - **因子评价**：本周表现不理想，rankic值为-0.055，明显低于历史平均的0.013[5][16][31] 因子的回测效果 1. **杠杆因子**，本周rankic 0.176，历史平均-0.006[5][16][31] 2. **自由流通比例因子**，本周rankic 0.156，历史平均-0.013[5][16][31] 3. **股息率因子**，本周rankic 0.109，历史平均0.021[5][16][31] 4. **单季度净资产收益率因子**，本周rankic 0.091，历史平均0.022[5][16][31] 5. **成长因子**，本周rankic 0.091，历史平均-0.003[5][16][31] 6. **未复权股价因子**，本周rankic -0.363，历史平均-0.014[5][16][31] 7. **贝塔因子**，本周rankic -0.3，历史平均0.006[5][16][31] 8. **非流动性因子**，本周rankic -0.197，历史平均0.04[5][16][31] 9. **过去10天收益率因子**，本周rankic -0.187，历史平均-0.061[5][16][31] 10. **标准化预期盈利因子**，本周rankic -0.055，历史平均0.013[5][16][31]

根据研报内容，总结如下： 量化模型与构建方式 1. LPPL模型 - **模型构建思路**：用于识别市场泡沫和判断价格走势的临界点，通过拟合价格在泡沫期的对数周期性幂律行为来预测趋势反转[1][7][18] - **模型具体构建过程**：研报中未提供LPPL模型的具体构建公式和参数细节，但提到该模型显示创业板、科创50自6月份以来的上涨短期内已基本见到顶部[1][7][18] 2. A股景气指数模型 - **模型构建思路**：以上证指数归母净利润同比为Nowcasting目标构建A股景气度高频指数，用于观测宏观经济景气周期[29] - **模型具体构建过程**：研报中未提供A股景气指数的具体构建公式，但提到该指数用于跟踪景气下行周期和上升周期[29] 3. A股情绪指数模型 - **模型构建思路**：基于市场波动率和成交额的变化方向构造情绪指数，将市场划分为四个象限来识别情绪状态[33] - **模型具体构建过程**：将市场按照波动率和成交额的变化方向划分为四个象限，其中波动上-成交下的区间为显著负收益，其余都为显著正收益，据此构造A股情绪指数（包含见底预警与见顶预警）[33] 4. 主题挖掘算法 - **模型构建思路**：根据新闻和研报文本挖掘主题投资机会，通过文本处理、主题关键词提取、主题个股关系挖掘等多维度描述主题投资机会[47] - **模型具体构建过程**：通过对文本处理，主题关键词提取，主题个股关系挖掘，主题活跃周期构建，主题影响力因子构建等多个维度描述主题投资机会[47] 5. 风格因子模型 - **模型构建思路**：参照BARRA因子模型，对A股市场构建十大类风格因子，用于风格分析和收益归因[56] - **模型具体构建过程**：构建的十大类风格因子包括：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）和杠杆（LVRG）[56] 量化因子与构建方式 1. 行业因子 - **因子构建思路**：基于不同行业的市场表现构建因子，用于分析行业相对市场市值加权组合的超额收益[57] - **因子具体构建过程**：研报中提及有色金属、钢铁、国防军工等行业因子相对市场市值加权组合跑出较高超额收益，消费者服务、银行等行业因子回撤较多[57] 2. 风格因子 - **因子构建思路**：基于BARRA框架构建十大类风格因子，用于分析市场风格特征和收益来源[56][57] - **因子具体构建过程**：包括市值、BETA、动量、残差波动率、非线性市值、估值、流动性、盈利、成长和杠杆等十大类因子[56] 模型的回测效果 1. 中证500增强组合 - **本周表现**：收益1.08%，跑赢基准1.27%[47] - **长期表现**：2020年至今，组合相对中证500指数超额收益53.54%，最大回撤-5.73%[47] 2. 沪深300增强组合 - **本周表现**：收益率-0.35%，跑赢基准0.17%[53] - **长期表现**：2020年至今，组合相对沪深300指数超额收益38.74%，最大回撤-5.86%[53] 3. A股情绪指数系统 - **当前信号**：A股情绪见底指数信号为空，A股情绪见顶指数信号为空，综合信号为空[35][38] 因子的回测效果 1. 风格因子近期表现 - **价值因子**：超额收益较高[57] - **Beta因子**：呈较为显著的负向超额收益[57] - **残差波动率因子**：呈较为显著的负向超额收益[57] - **杠杆因子**：高杠杆股表现优异[57] - **成长因子**：高成长股表现优异[57] 2. 行业因子近期表现 - **正向超额收益**：有色金属、钢铁、国防军工等行业因子相对市场市值加权组合跑出较高超额收益[57] - **负向超额收益**：消费者服务、银行等行业因子回撤较多[57]

根据研报内容，本报告主要涉及对市场风格、估值、资金面等状态的跟踪和描述，并未详细阐述具体的量化模型或量化因子的构建过程、公式及回测结果。报告的核心是展示各类市场指标的当前水平和历史分位。 量化因子与构建方式 **1 因子名称：风格拥挤度**[36][122] * **因子构建思路**：通过计算风格指数相对于市场整体（万得全A）的换手率活跃度差异，并观察其在历史序列中的位置，来衡量该风格交易的拥挤程度[36][122] * **因子具体构建过程**： 1. 计算风格指数和万得全A指数近n个交易日（n=63，即近一个季度）的日均换手率[122] 2. 分别在各自的历史时间序列（滚动窗口为6年）上对换手率进行z-score标准化[122] 3. 将风格指数的标准化换手率减去万得全A的标准化换手率，得到差值[122] 4. 计算该差值在滚动y年（y=6）历史序列中的分位值，即为风格拥挤度历史分位[122] **2 因子名称：风格指数累计超额净值**[25][123] * **因子构建思路**：通过计算风格指数相对于万得全A指数的累计净值表现，来衡量风格的长期超额收益情况[25][123] * **因子具体构建过程**： 1. 以2016年1月4日为基准日，将风格指数和万得全A指数的每日收盘价除以基准日的收盘价，分别得到各自的累计净值[123] 2. 将风格指数的累计净值除以同一交易日的万得全A指数累计净值，得到该风格指数相对于万得全A的累计超额净值[123] **3 因子名称：机构调研活跃度**[104][124] * **因子构建思路**：通过计算板块、指数或行业相对于市场整体的机构调研热度差异，并观察其在历史序列中的位置，来衡量机构关注度的变化[104][124] * **因子具体构建过程**： 1. 计算板块（指数、行业）和万得全A近n个交易日的“日均机构调研次数”[124] 2. 分别在各自的历史时间序列（长期口径滚动窗口为6年，短期口径为3年）上对调研次数进行z-score标准化[124] 3. 将板块的标准化调研次数减去万得全A的标准化调研次数，得到“机构调研活跃度”[124] 4. 计算该活跃度在滚动y年（长期口径y=6，短期口径y=3）历史序列中的分位数[124] * **长期口径参数**：n取126（近半年）[124] * **短期口径参数**：n取63（近一季度）[124] **4 因子名称：股债风险溢价（ERP）**[72] * **因子构建思路**：通过计算股票指数市盈率的倒数与无风险收益率（10年期国债到期收益率）的差值，来衡量投资股票市场相对于债券市场的超额回报预期，即股债性价比[72] * **因子具体构建过程**： 1. 计算指数的ERP值，公式为： $$指数ERP = \frac{1}{指数PE\_TTM} - 10年期中债国债到期收益率$$[72] 2. 计算该ERP值在历史序列（2010年1月1日至今）中的分位值[72][79] 因子与模型的效果指标取值 **1 风格拥挤度历史分位（截至本周末）**[36] * 成长风格：25%[36] * 红利风格：36%[36] * 小盘风格：56%[36] * 大盘风格：98%[36] * 微盘股风格：7%[36] * 基金重仓风格：95%[36] **2 风格指数表现（近一周）**[25] * 中证红利绝对收益：1.8%[25] * 国证成长绝对收益：-1.4%[25] * 成长较红利超额收益：-3.2%[25] * 巨潮小盘绝对收益：-0.2%[25] * 巨潮大盘绝对收益：-0.6%[25] * 小盘较大盘超额收益：0.3%[25] * 万得微盘股绝对收益：0.5%[25] * 基金重仓绝对收益：-0.6%[25] * 微盘股较基金重仓超额收益：1.0%[25] * 长江动量绝对收益：-3.3%[25] * 长江反转绝对收益：-0.3%[25] * 动量较反转超额收益：-3.0%[25] **3 机构调研活跃度历史分位（长期口径，截至本周末）**[106] * 沪深300：49%[106] * 中证500：64%[106] * 创业板：54%[106] * 上游周期板块：99%[106] * 金融板块：2%[106] * 有色金属行业：97%[106] * 钢铁行业：97%[106] * 交通运输行业：95%[106] * 医药行业：4%[106] * 银行行业：5%[106] * 机械行业：13%[106] **4 估值水平（PE_TTM历史分位，截至本周末）**[70] * 万得全A：92%[70] * 沪深300：81%[70] * 中证500：75%[70] * 创业板：42%[70] * 消费板块：15%[70] * 医药板块：87%[70] * TMT板块：63%[70] **5 股债性价比（ERP历史分位，截至本周末）**[79] * 万得全A：44%[79] * 沪深300：46%[79] * 中证500：65%[79] * 创业板：84%[79] * 消费板块：94%[79] * 医药板块：83%[79] * 金融板块：58%[79]