根据提供的研报内容，以下是关于量化因子与模型的总结： 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[2] * **因子具体构建过程**：首先计算一定周期（报告中为12天）内价格上涨日的平均涨幅和价格下跌日的平均跌幅，然后计算两者的比值RS，最后通过公式转换为RSI值[2] * **构建公式**： $$RSI = 100 – 100 / (1 + RS)$$[2] 其中，RS为一定周期内平均涨幅与平均跌幅的比值 * **因子评价**：RSI值大于70表示市场可能处于超买状态，小于30表示市场可能处于超卖状态，常用于判断市场短期走势[2] 2. **因子名称：净申购**[2] * **因子构建思路**：通过比较当前交易日基金净值与考虑收益率后的上一交易日净值的变化，来计算资金的净流入或流出情况[2] * **因子具体构建过程**：使用基金净值数据，根据特定公式计算得出当日净申购金额[2] * **构建公式**： $$NETBUY(T) = NAV(T)–NAV(T-1)*（1+R（T））$$[2] 其中，NETBUY(T)为T日净申购金额，NAV(T)为T日基金净值，NAV(T-1)为T-1日基金净值，R(T)为T日基金收益率 3. **因子名称：日内行情趋势**[2] * **因子构建思路**：采用高频数据（如5分钟级别）的日内成交价来描绘当日的价格波动趋势[2] * **因子具体构建过程**：基于日内分时成交数据生成趋势图，图中会标记出当日最高价和最低价等关键点位[2] 因子的回测效果 研报中未提供关于RSI相对强弱指标、净申购、日内行情趋势等因子的具体回测效果指标（如信息比率IR、年化收益率、夏普比率等）的测试结果取值。报告内容主要为ETF的各类指标数据展示，而非因子或模型的绩效回测[4][7]。

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察指标，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描述性分析。 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”部分均无相关内容可提供。

根据提供的金融工程点评报告，以下是报告中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：行业拥挤度监测模型**[3] * **模型构建思路**：该模型旨在对申万一级行业指数的拥挤度进行每日监测，以识别交易过热或过冷的行业[3] * **模型具体构建过程**：报告未提供该模型的具体构建细节、计算公式或参数说明 2. **模型名称：溢价率 Z-score 模型**[4] * **模型构建思路**：该模型用于搭建ETF产品筛选信号，通过滚动测算ETF的溢价率Z-score，来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细节、计算公式或参数说明 模型的回测效果 （报告未提供相关模型的回测效果指标取值） 量化因子与构建方式 （报告未明确提及独立的量化因子及其构建方式） 因子的回测效果 （报告未提供相关因子的回测效果指标取值）

根据提供的研报内容，该报告主要探讨了中美公募基金业绩比较基准的对比分析及发展趋势，并未涉及具体的量化模型或量化因子的构建、测试和评价。报告的核心内容聚焦于基金基准的现状、基金相对基准的跟踪误差分析以及影响偏离幅度的因素探讨[1][2][3]。 因此，本次总结将不包含“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”等部分。

量化模型与构建方式 1. 模型名称：基于因子的灵活非决定性资产配置 (FIFAA) **模型构建思路**：将量化方案的学术性/规范性与主观方案的前瞻性/灵活性进行组合，使用基于历史数据得到的量化结果与主观观点转换成资产-因子暴露的预期结果进行叠加[15] **模型具体构建过程**： 1. **构建宏观因子**：选择低相关、数量有限、经济逻辑清晰的宏观因子，要求具有可投资性/简洁性[15][20]。本文选择"经济增长、利率、通胀"三个因子[20][30]。经济增长因子用万得全A指数代表，利率因子用中债国债总财富指数代表，通胀因子用南华工业品/南华农产品/南华能化/南华黑色指数等权复合代表[20][30] 2. **资产向因子映射（计算历史风险载荷）**：使用岭回归计算每个资产相对于宏观多因子的风险载荷（beta）[32]。岭回归在传统回归中加入了对于系数的二范数的惩罚项，回归形式为： $$y\,=\,X W\,=\,w_{1}x_{1}+\cdots+w_{n}x_{n}$$ 其损失函数为： $$L(w)\,=\,\sum_{i=1}^{n}(y_{i}-\sum w_{j}x_{i j})+\lambda\sum w_{j}^{2}$$ 其中y为资产收益，X为因子收益，w为待求系数，λ为惩罚项系数，本文λ选择1.0[32][34]。使用12个月的日频数据，月度滚动计算[32] 3. **资产向因子映射（计算主观风险载荷）**：将主观观点转化为"资产-因子"数值关系[35]。对于单资产单因子的有偏beta*，有如下关系： $$\beta_{f}^{*}\,=\,(1\quad F_{f})\,{\binom{\beta_{f}}{\beta_{!f}}}$$ 其中Ff为风格f相对于所有其他风格的单因子回归系数向量，βf为资产相对于风格f的多因子回归无偏系数，β!f为资产相对于除f外其他风格的多因子回归无偏系数[35][36]。向量化得到： $$\beta^{*}\,=\,F\beta^{*}$$ 其中F为m*m矩阵，其ij元素为风格i相对于风格j的回归系数，且对角线为1；β为资产相对于所有风格的多因子回归无偏系数[38]。则可推导出基于主观观点的无偏beta估计： $$\beta=F^{-1}\beta^{*}$$ 本文简化处理，利用资产价格走势的相对反转特性，对比资产近期动量变化与对应因子的动量变化来调整风险暴露[40]。具体地，对比资产近两个月的历史12个月涨跌幅变动值与对应因子近两个月的历史12个月涨跌幅变动值大小，当资产变动值大于风格变动值，则beta降低，调整系数设为0.8，反之设为1.2[40]。调整系数矩阵A示例为： | 资产/因子 | 万得全A | 标普500 | 中债国债 | 商品指数复合 | |---|---|---|---|---| | 中证红利全收益 | 0.80 | 0.00 | 0.00 | 0.00 | | 国证成长全收益 | 1.20 | 0.00 | 0.00 | 0.00 | | 国信价值全收益 | 1.20 | 0.00 | 0.00 | 0.00 | | 恒生指数 | 0.80 | 0.00 | 0.00 | 0.00 | | 纳斯达克100 | 0.00 | 1.20 | 0.00 | 0.00 | | 中债新综合 | 0.00 | 0.00 | 0.80 | 0.00 | | 黄金 | 0.00 | 0.00 | 0.00 | 0.80 | [40] 调整后主观风险载荷矩阵计算为： $$\tilde{B}\;=\;(A\cdot B)(F^{-1})^{T}$$ 最终采用历史风险载荷矩阵和主观风险载荷矩阵等权结合[43] 4. **组合优化**：对风格敞口无偏好，优化目标为在风格敞口差异尽量小的条件下最大化预期收益[44]。优化目标和约束条件为： $$m a x(w^{T}r)$$ $$s.\,t.\,w^{T}I\;=\;1$$ $$a b s(w^{T}\beta_{i}-w^{T}\beta_{j})<0.1*m a x(a b s(w^{T}\beta_{i}),a b s(w^{T}\beta_{j}))$$ 其中r为资产预期收益，w为待求最优权重，β为风险载荷[44]。预期收益设置：对于国内权益和港股使用"乐观-中性-悲观"预期三档，中性预期下年化收益设置为10%，当前价格高于历史95%分位数时预期收益为-15%，低于历史5%分位数时预期收益为25%；其他资产使用历史三年年化收益作为预期收益[44] 5. **再平衡**：允许一定程度的因子敞口偏离，以降低调仓频率和费用，本文采用月度再平衡[18][45] **模型评价**：该方法将量化和主观优点结合，提供了新的资产配置思路，即使在模型构建时做了较多简化，优化结果相对于多资产等权提供了更高的收益和风险收益比[2][26] 模型的回测效果 1. FIFAA模型（历史载荷优化组合） 年化收益13.63%，年化波动11.47%，最大回撤-18.97%[49][50] 2. FIFAA模型（调整载荷优化组合） 年化收益15.43%，年化波动16.46%，最大回撤-33.86%[49][50] 3. 资产等权组合（基准） 年化收益10.32%，年化波动11.91%，最大回撤-25.27%[49][50] 4. 不同风险载荷调整系数结果对比 - 系数=0.1：年化收益15.16%，年化波动16.42%，最大回撤-37.50%[57] - 系数=0.2：年化收益15.43%，年化波动16.46%，最大回撤-33.86%[57] - 系数=0.3：年化收益15.29%，年化波动16.29%，最大回撤-32.58%[57] - 系数=0.4：年化收益15.39%，年化波动15.95%，最大回撤-31.50%[57] - 系数=0.5：年化收益15.30%，年化波动15.73%，最大回撤-30.51%[57] 5. 不同预期收益设置结果对比 - 基准组合（历史3年年化收益）：历史载荷组合年化收益13.96%，调整载荷组合年化收益15.00%[69] - 中性预期=5%：历史载荷组合年化收益15.27%，调整载荷组合年化收益15.90%[70] - 中性预期=10%：历史载荷组合年化收益13.63%，调整载荷组合年化收益15.26%[71] - 中性预期=15%：历史载荷组合年化收益13.96%，调整载荷组合年化收益14.93%[72]

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：跨市场权益组合绩效评价模型**[2][12] * **模型构建思路**：为解决A+H等跨市场权益组合的事后绩效归因问题，构建一个能够精细化拆分收益来源（如汇率、市场、行业、风格、选股）的框架[2][12][13] * **模型具体构建过程**：模型构建分为几个关键步骤： * **货币收益处理**：首先将本币计价的组合超额收益拆分为外币计价资产超额收益和货币收益两部分[18][19][20]。本币计价资产收益率近似为：$$R_{t}^{r e f}\approx Q_{t}+R_{t}^{l o c}$$ 其中，\(Q_t\)为汇率变动损益，\(R_{t}^{l o c}\)为外币计价资产收益率。本币超额收益为：$$r_{t}^{r e f}\approx q_{t}+r_{t}^{l o c}$$ 其中，\(q_t\)为货币超额收益，\(r_{t}^{l o c}\)为外币计价资产超额收益[18][19][21] * **单一市场模型整合**：将M个市场的单一模型整合为一个全局模型。股票收益向量表示为：$$\mathbf{r}=\mathbf{X}\mathbf{f}+\mathbf{u}$$ 股票收益的方差协方差矩阵为：$$V a r(\mathbf{r})=\mathbf{X}V a r(\mathbf{f})\mathbf{X}^{\prime}+V a r(\mathbf{u})$$ 其中，残差协方差矩阵为对角阵，因子收益方差协方差矩阵 \(\Omega\) 是一个分块矩阵[23][24] * **结构化风险模型**：为解决直接估计全球因子协方差矩阵维度太高、估计不稳健的问题，引入结构化模型。假设各地区因子收益受全球市场因子影响：$$f_{\mu\alpha}^{M}=\sum_{\alpha}\beta_{\mu\alpha}^{M}F_{\alpha\alpha}+g_{\mu\alpha}^{M}$$ 最终因子收益协方差矩阵表示为：$$\Omega=\beta C o v(\mathbf{F},\mathbf{F})\beta^{\prime}+C o v(\mathbf{g},\mathbf{g})$$ 并通过矩阵 \(\mathbf{R}\) 进行修正，确保与单一市场模型风险矩阵一致：$$\Omega=R\Omega R$$ 其中修正矩阵为：$${\bf R}_{m}=d i a g(\sigma_{m})C o r(\Omega_{m}^{0})^{1/2}C o r(\Omega_{m})^{-1/2}d i a g(\sigma_{m}^{0})^{-1}$$ [28][29][31][32] * **最终模型框架**：跨市场股票收益模型为：$$\begin{array}{l}{{\mathbf{r}=\mathbf{X}\mathbf{f}+\mathbf{u}}}\\ {{C o v(\mathbf{r},\mathbf{r})=\mathbf{X}\mathbf{F}\mathbf{X}^{\prime}+C o v(\mathbf{u},\mathbf{u})}}\end{array}$$ 因子收益进一步由结构化模型表征：$$\mathbf{f}=\mathbf{B}_{w}+\mathbf{q}$$ $$\mathbf{F}=Cov(\mathbf{f},\mathbf{f})=\mathbf{B}\mathbf{B}^{\prime}+Cov(\mathbf{q},\mathbf{q})$$ [34][35] * **模型评价**：该模型旨在满足精细化、全面、灵敏、稳健的绩效评价要求，能够有效处理汇率影响和市场间因子表现差异的问题[13] 量化因子与构建方式 1. **因子类别：风格因子**[14][37] * **因子构建思路**：报告提及的风格因子是用于解释股票收益和进行组合风险收益归因的重要维度，在A股和港股市场分别构建[14][16][37] * **因子具体构建过程**：报告未详细描述每个风格因子的具体计算方法，但明确列出了所关注的风格因子类型。涉及的风格因子包括：**市值、价值、动量、波动率（贝塔）、盈利、成长、分红、流动性（换手）** 等[16][37][42][44] 模型的回测效果 *报告未提供跨市场权益组合绩效评价模型的具体量化回测指标（如年化收益率、夏普比率、最大回撤等）。* 因子的回测效果 *报告未提供前述风格因子（如市值、动量等）的具体IC值、IR值、因子收益率等量化测试结果。报告中的图表（图8，图11）展示的是基于该模型框架对示例组合M进行绩效归因后，各收益来源（如汇率、市场、行业、风格、选股）对组合整体及其A股、港股仓位的具体贡献度数值，而非因子本身的独立表现[3][11][37][47]。*

量化模型与构建方式 1. **模型名称：逆周期配置模型**[24] **模型构建思路**：借助代理变量预测未来的宏观环境，然后选择不同环境下表现最优的几类资产构建绝对收益组合[24] **模型具体构建过程**：模型基于代理变量对未来的宏观环境进行预测，例如，2025年第四季度的预测结果为“Inflation”（通胀）环境，然后根据历史表现，配置在该预测环境下预期表现最优的大类资产[24] 2. **模型名称：宏观动量模型**[24] **模型构建思路**：从经济增长、通货膨胀、利率、汇率和风险情绪等多个维度出发构建模型，对股票、债券等大类资产进行择时[24] **模型具体构建过程**：模型综合了经济增长、通货膨胀、利率、汇率和风险情绪等多个维度的宏观指标，生成对股票、债券等大类资产的月度择时信号[24] 3. **模型名称：黄金择时策略**[24] **模型构建思路**：通过宏观、持仓、量价和情绪等因子构建多周期的黄金择时策略[24] **模型具体构建过程**：策略综合了宏观、持仓、量价和情绪等多类因子，并在不同时间周期上进行建模，以生成对黄金资产的择时信号[24] 4. **模型名称：行业ETF轮动策略**[25][26] **模型构建思路**：从行业历史基本面、预期基本面、情绪面、量价技术面、宏观经济等维度出发，构建多因子行业轮动策略，并应用于ETF投资[25] **模型具体构建过程**：首先，将市场上ETF的跟踪指数与中信一级行业匹配，确定由23个一级行业组成的基准池[25][26]。然后，基于行业轮动模型（融合了历史基本面、预期基本面、情绪面、量价技术面、宏观经济等多维度因子）生成行业配置观点。最后，根据模型观点选择相应的行业ETF并等权配置，例如2025年11月配置的五只ETF各占20%权重[27] 5. **模型名称：股债混合策略**[29] **模型构建思路**：通过股债资产配置构建绝对收益策略，主要包括再平衡和风险平价两种方式，并可叠加宏观择时和行业轮动进行增强[29][4] **模型具体构建过程**： * **基础配置**：采用固定的股债配置比例进行月度再平衡，如股债10/90或20/80组合[4][39]，或采用风险平价方法确定股债权重[30] * **增强方式**： * **宏观择时增强**：使用宏观动量模型等对股票、债券等大类资产进行择时，动态调整配置权重[4][30] * **行业轮动增强**：在股票端，使用行业ETF轮动策略替代宽基指数[4][30] * **资产扩展**：在股债基础上加入黄金，构建股、债、黄金风险平价策略[30] 6. **模型名称：量化固收+策略**[38][39] **模型构建思路**：为“固收+”产品的股票端提供量化解决方案，结合不同的股票风格策略与股债配置方法，并可引入择时模型[38][39] **模型具体构建过程**： * **债券端**：默认使用短债基金指数收益[39] * **股票端**：应用不同的量化选股风格策略，主要包括： * PB盈利因子策略[39] * 高股息因子策略[39] * 小盘价值因子策略[39] * 小盘成长因子策略[39] * 复合策略（如PB盈利+小盘成长）[39] * **配置与调整**： * 设定股债配置中枢，如10/90或20/80，并进行定期再平衡（月度或季度）[39] * 可引入宏观择时模型或逆周期配置模型对仓位进行动态调整[39] 模型的回测效果 1. **（宏观择时）股债20/80再平衡模型**，上周收益-0.05%，本月收益0.01%，本年收益5.24%，年化波动率（本年）3.53%，最大回撤（本年）1.78%，夏普比率（本年）1.72[30] 2. **（宏观择时）股债风险平价模型**，上周收益0.00%，本月收益0.00%，本年收益2.38%，年化波动率（本年）1.79%，最大回撤（本年）1.50%，夏普比率（本年）1.54[30] 3. **（宏观择时）股、债、黄金风险平价模型**，上周收益0.00%，本月收益-0.01%，本年收益4.25%，年化波动率（本年）2.21%，最大回撤（本年）1.49%，夏普比率（本年）2.23[30] 4. **（宏观择时+行业ETF轮动）股债20/80再平衡模型**，上周收益-0.23%，本月收益-0.25%，本年收益8.28%，年化波动率（本年）5.57%，最大回撤（本年）2.54%，夏普比率（本年）1.73[30] 5. **（宏观择时+行业ETF轮动）股债风险平价模型**，上周收益-0.05%，本月收益-0.10%，本年收益3.40%，年化波动率（本年）2.25%，最大回撤（本年）1.45%，夏普比率（本年）1.75[30] 6. **行业ETF轮动策略**，上周收益-2.89%（超额-2.42%），本月累计收益-2.92%（超额-3.08%）[3][25] 7. **不择时+10/90月度再平衡量化固收+模型（PB盈利股票端）**，上周收益0.22%，本月收益0.22%，本年收益3.45%，年化波动率（本年）2.28%，最大回撤（本年）1.82%，夏普比率（本年）0.18[39] 8. **不择时+10/90月度再平衡量化固收+模型（高股息股票端）**，上周收益0.16%，本月收益0.16%，本年收益2.77%，年化波动率（本年）2.03%，最大回撤（本年）1.39%，夏普比率（本年）0.02[39] 9. **不择时+10/90月度再平衡量化固收+模型（小盘价值股票端）**，上周收益0.13%，本月收益0.13%，本年收益6.37%，年化波动率（本年）3.45%，最大回撤（本年）3.69%，夏普比率（本年）0.58[39] 10. **不择时+10/90月度再平衡量化固收+模型（小盘成长股票端）**，上周收益0.05%，本月收益0.05%，本年收益6.30%，年化波动率（本年）3.51%，最大回撤（本年）3.86%，夏普比率（本年）0.56[39] 11. **不择时+20/80月度再平衡量化固收+模型（PB盈利股票端）**，上周收益0.42%，本月收益0.42%，本年收益5.70%，年化波动率（本年）4.59%，最大回撤（本年）3.79%，夏普比率（本年）0.36[39] 12. **不择时+20/80月度再平衡量化固收+模型（高股息股票端）**，上周收益0.30%，本月收益0.30%，本年收益4.32%，年化波动率（本年）4.08%，最大回撤（本年）3.47%，夏普比率（本年）0.22[39] 13. **不择时+20/80月度再平衡量化固收+模型（小盘价值股票端）**，上周收益0.24%，本月收益0.24%，本年收益11.72%，年化波动率（本年）6.94%，最大回撤（本年）7.74%，夏普比率（本年）0.70[39] 14. **不择时+20/80月度再平衡量化固收+模型（小盘成长股票端）**，上周收益0.08%，本月收益0.08%，本年收益11.56%，年化波动率（本年）7.07%，最大回撤（本年）8.07%，夏普比率（本年）0.68[39] 15. **宏观择时+20/80月度再平衡量化固收+模型（PB盈利股票端）**，上周收益0.22%，本月收益0.22%，本年收益6.82%，年化波动率（本年）5.12%，最大回撤（本年）3.65%，夏普比率（本年）0.44[39] 16. **宏观择时+20/80月度再平衡量化固收+模型（高股息股票端）**，上周收益0.16%，本月收益0.16%，本年收益5.67%，年化波动率（本年）4.44%，最大回撤（本年）2.63%，夏普比率（本年）0.37[39] 17. **宏观择时+20/80月度再平衡量化固收+模型（小盘价值股票端）**，上周收益0.13%，本月收益0.13%，本年收益12.32%，年化波动率（本年）8.00%，最大回撤（本年）7.21%，夏普比率（本年）0.65[39] 18. **宏观择时+20/80月度再平衡量化固收+模型（小盘成长股票端）**，上周收益0.05%，本月收益0.05%，本年收益13.17%，年化波动率（本年）7.98%，最大回撤（本年）7.34%，夏普比率（本年）0.71[39] 19. **逆周期+20/80季度再平衡量化固收+模型（PB盈利+小盘价值股票端）**，上周收益0.43%，本月收益0.43%，本年收益5.74%，年化波动率（本年）4.56%，最大回撤（本年）3.70%，夏普比率（本年）0.36[39] 20. **逆周期+20/80季度再平衡量化固收+模型（PB盈利+小盘成长股票端）**，上周收益0.43%，本月收益0.43%，本年收益5.74%，年化波动率（本年）4.56%，最大回撤（本年）3.70%，夏普比率（本年）0.36[39] 量化因子与构建方式 1. **因子名称：PB盈利因子**[39] **因子的构建思路**：作为量化固收+策略股票端的选股风格因子之一[39] **因子具体构建过程**：报告中未详细描述该因子的具体计算方式，但指出其是构建股票组合的基础风格因子之一[39] 2. **因子名称：高股息因子**[39] **因子的构建思路**：作为量化固收+策略股票端的选股风格因子之一[39] **因子具体构建过程**：报告中未详细描述该因子的具体计算方式，但指出其是构建股票组合的基础风格因子之一[39] 3. **因子名称：小盘价值因子**[39] **因子的构建思路**：作为量化固收+策略股票端的选股风格因子之一，结合了小盘和价值两种风格特征[39] **因子具体构建过程**：报告中未详细描述该因子的具体计算方式，但指出其是构建股票组合的基础风格因子之一[39] 4. **因子名称：小盘成长因子**[39] **因子的构建思路**：作为量化固收+策略股票端的选股风格因子之一，结合了小盘和成长两种风格特征[39] **因子具体构建过程**：报告中未详细描述该因子的具体计算方式，但指出其是构建股票组合的基础风格因子之一[39] 因子的回测效果 （报告未单独提供因子的回测效果指标，因子表现已体现在上述各类量化固收+模型的回测结果中）

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：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[2] * **因子具体构建过程**： 1. 计算一定周期（例如12天）内每日涨幅的平均值（AvgGain）和每日跌幅的平均值（AvgLoss）[2] 2. 计算相对强弱（RS）：RS = AvgGain / AvgLoss[2] 3. 计算RSI值：$$RSI = 100 - \frac{100}{1 + RS}$$[2] * **因子评价**：RSI>70表示市场可能处于超买状态，RSI<30表示市场可能处于超卖状态，常用于判断市场短期趋势反转点[2] 2. **因子名称：净申购**[2] * **因子构建思路**：通过计算ETF基金净值的变化与价格回报的关系，来估算当日资金的净流入或流出金额[2] * **因子具体构建过程**： 1. 获取当日ETF净值NAV(T)和前一日ETF净值NAV(T-1)[2] 2. 获取ETF当日价格回报率R(T)[2] 3. 计算净申购金额：$$NETBUY(T) = NAV(T) - NAV(T-1) \times (1 + R(T))$$[2] 因子的回测效果 研报中未提供针对RSI因子或净申购因子的系统性回测结果，如信息比率（IR）、收益率等指标[4][7]

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：股指分红点位测算模型**[12][41][42] * **模型构建思路**：为准确计算股指期货的升贴水幅度，必须剔除指数成分股分红除息导致指数点位自然滑落的影响。该模型旨在精细预测从当前时刻到股指期货合约到期日之间，指数成分股分红所导致的指数点位下降总数（即分红点数）[12][41] * **模型具体构建过程**：模型的核心是计算特定时间窗口内的指数分红点数，公式如下：[41] $$分红点数 = \sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$$ 其中，求和针对所有除权除息日介于当前日期t和期货到期日T之间的成分股（t < 除息日 ≤ T）。具体构建流程包括以下几个关键步骤：[42][44] * **步骤1：获取精确的日度成分股权重**。若指数公司提供日度权重数据则直接采用[48]。否则，基于最近一次公布的权重和期间股价涨跌幅进行估算，公式为：[47] $$W_{n,t} = \frac{w_{n0} \times (1 + r_n)}{\sum_{i=1}^{N} w_{i0} \times (1 + r_i)}$$ 其中，`W_{n,t}`是当前日期t成分股n的权重，`w_{n0}`是基准日t_0成分股n的权重，`r_n`是成分股n从t_0到t的非复权涨跌幅。 * **步骤2：预测成分股分红金额**。若公司已公布分红金额，则直接采用。否则，通过预测净利润和股息支付率来估算：[49] `分红金额 = 净利润 × 股息支付率` * **净利润预测**：采用基于历史净利润分布的动态预测法。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）。若未披露，则根据其季度盈利分布稳定性进行分类预测：[52] * 盈利分布稳定的公司，按其历史盈利分布规律预测。 * 盈利分布不稳定的公司，使用其上一年同期盈利作为预测值。 * **股息支付率预测**：[53][55] * 若公司去年分红，则用去年股息支付率作为今年预测值。 * 若去年不分红，则用最近3年股息支付率平均值作为预测值。 * 若从未分红，则预测今年不分红。 * 若预测值大于100%，进行截尾处理。 * **步骤3：预测成分股除息日**。若公司已公布除息日，则直接采用。否则，按以下逻辑推断：[53][58] * 若公司已公布分红预案或决案，则检查历史从预案/股东大会公告日到除息日的间隔天数的稳定性。若稳定，则用该历史平均间隔天数与今年对应公告日进行线性外推；若不稳定，则采用历史分红日期判断。 * 若未公布预案，且去年或前年有分红，则以对应的历史分红日期作为估计，但需判断该日期是否合理（如是否在当前日期之前或太近）。 * 若上述方法均不适用，则采用默认日期（如7月31日、8月31日或9月30日）作为估计。 * **模型评价**：该模型对上证50和沪深300指数分红的预测准确度较高，对中证500指数的预测误差稍大但在可接受范围内，整体上对股指期货合约的股息点预测具有较好的准确性[63] 模型的回测效果 1. **股指分红点位测算模型**，2023年预测股息点与实际股息点误差基本在5个点以内（上证50、沪深300），中证500指数误差基本稳定在10个点以内[63] 2. **股指分红点位测算模型**，2024年预测股息点与实际股息点误差基本在5个点以内（上证50、沪深300），中证500指数误差基本稳定在10个点以内[63] 3. **股指分红点位测算模型**，2023年上证50、沪深300、中证500股指期货主力合约的预测股息点与实际股息点对比显示预测效果良好[63] 4. **股指分红点位测算模型**，2024年上证50、沪深300、中证500股指期货主力合约的预测股息点与实际股息点对比显示预测效果良好[63] 量化因子与构建方式 1. **因子名称：股息率**[2][16] * **因子构建思路**：衡量上市公司分红回报水平的常用指标，通过比较不同行业或个股的股息率，可识别高分红投资机会[2][16] * **因子具体构建过程**：对于已披露分红预案的个股，使用预案分红金额除以当前总市值来计算当前股息率[16] `股息率 = 预案分红金额 / 当前总市值` 2. **因子名称：已实现股息率**[3][18] * **因子构建思路**：反映指数成分股中在本年度已经完成现金分红的公司所带来的股息收益占指数市值的比例[3][18] * **因子具体构建过程**：对指数中今年已现金分红的公司，计算其分红总额占指数总市值的比例。公式可表示为：[18] `已实现股息率 = (∑(已分红公司i的分红金额) / 指数总市值)` 报告中提及了更复杂的公式结构，但原文公式显示不完整[18] 3. **因子名称：剩余股息率**[3][18] * **因子构建思路**：反映指数成分股中在本年度尚未进行现金分红但预计将会分红的公司，其预期分红所带来的股息收益占指数市值的比例[3][18] * **因子具体构建过程**：对指数中今年尚未现金分红的公司，计算其预测分红总额占指数总市值的比例。公式可表示为：[18] `剩余股息率 = (∑(未分红公司j的预测分红金额) / 指数总市值)` 报告中提及了更复杂的公式结构，但原文公式显示不完整[18] 因子的回测效果 （注：研报中未提供股息率、已实现股息率、剩余股息率等因子的历史回测绩效指标，如IC、IR、多空收益等，因此本部分省略）

经过仔细阅读，您提供的这份文档标题为《金融工程日报》，其内容主要是对特定交易日（2025年11月19日）市场表现的描述性统计和数据汇总，而非构建量化模型或量化因子的研究报告[2][5]。 该报告涵盖了市场指数表现、行业与概念板块涨跌、市场情绪指标（如涨跌停家数、封板率、连板率）、资金流向（如两融余额）、以及各类折溢价指标（如ETF折溢价、大宗交易折价率、股指期货升贴水）等市场监测内容[2][3][6][7][9][12][14][17][20][21][24][26][28][30][33][34]。 **因此，本报告中并未涉及需要总结的量化模型或量化因子的构建思路、具体过程、评价及测试结果。**