根据提供的行业景气度月报，以下是其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：煤炭行业利润预测模型**[9][10] - **模型构建思路**：基于动力煤价格的长协定价机制，结合价格因子和产能因子的同比变化，逐月估计煤炭行业的营收增速和利润增速[10] - **模型具体构建过程**：模型利用已确定的25年10月动力煤销售价格（根据9月底价格指数确定），并对比上年同期的价格和产能因子，通过回归或拟合方法预测行业利润增速[10][14] 2. **模型名称：生猪供需预测模型**[15] - **模型构建思路**：利用生猪从出生到出栏约6个月的周期规律，通过能繁母猪存栏量预测未来6个月的生猪潜在供给，并与历史需求对比以判断供需缺口[15] - **模型具体构建过程**： 1. 计算历史出栏系数：$$出栏系数 = \frac{单季度生猪出栏}{6个月前的能繁母猪存栏}$$[15] 2. 预测未来单季潜在产能：$$6个月后单季潜在产能 = 当前(t月)能繁母猪存栏 \times 上年同期(t+6月)的出栏系数$$[15][16] 3. 预测未来单季潜在需求：使用上年同期(t+6月)的单季度生猪出栏量作为需求预测值[16] 4. 通过比较潜在产能和潜在需求来判断供需关系 3. **模型名称：普钢行业利润预测模型**[18] - **模型构建思路**：通过跟踪普通钢材的综合售价，并综合考虑铁矿石、焦炭、喷吹煤、废钢等主要成本指标，构建模型以预测普钢行业的月度利润增速和单吨盈利[18] - **模型具体构建过程**：模型将钢材售价与各项主要原材料成本进行差值计算或回归分析，从而估算出行业利润水平[18][23] 4. **模型名称：结构材料行业盈利跟踪模型**[25] - **模型构建思路**：针对玻璃和水泥制造行业，根据其产品的价格指标和主要成本指标来跟踪行业的盈利变化[25] - **模型具体构建过程**：模型通过对比浮法玻璃等产品的市场价格与生产成本（如原材料、能源等），计算毛利水平，并观察其同比变化[25][28][30] 5. **模型名称：燃料型炼化行业利润预测模型**[31] - **模型构建思路**：利用成品油（燃料）价格与原油价格之间的变化关系（裂解价差）来测算行业利润增速，并结合油价和库存成本进行分析[31] - **模型具体构建过程**：模型关注成品油与原油的价差（裂解价差），并考虑原材料库存成本（例如，利用3个月前的油价低位带来的成本优势）来预测短期利润变化[31][34] 量化因子与构建方式 1. **因子名称：价格因子（煤炭）**[10] - **因子构建思路**：反映煤炭销售价格同比变化的指标，是预测煤炭行业利润的核心驱动因素之一[10] - **因子具体构建过程**：直接使用或计算动力煤等煤炭品种的月度销售价格，并与上年同期进行比较 2. **因子名称：产能因子（煤炭）**[10] - **因子构建思路**：反映煤炭行业产能利用情况或供给能力同比变化的指标，与价格因子共同影响利润预测[10] - **因子具体构建过程**：基于行业产量、产能利用率等数据构建同比指标 3. **因子名称：能繁母猪存栏量**[15][17] - **因子构建思路**：作为生猪供给的领先指标（领先约6个月），用于预测未来生猪出栏量和市场供需[15][17] - **因子具体构建过程**：直接采用农业农村部等官方机构公布的月度能繁母猪存栏数据 4. **因子名称：出栏系数**[15][16] - **因子构建思路**：衡量单位能繁母猪在特定周期内所能提供的生猪出栏量的效率指标，用于连接存栏量与未来供给[15][16] - **因子具体构建过程**：$$出栏系数 = \frac{单季度生猪出栏}{6个月前的能繁母猪存栏}$$，通常使用历史平均值或移动平均值进行计算和预测[15] 5. **因子名称：PMI滚动均值**[23][30] - **因子构建思路**：使用制造业采购经理指数（PMI）的滚动平均值（如12个月均值）作为宏观经济景气的平滑指标，用于判断工业材料需求前景[23][30] - **因子具体构建过程**：计算PMI指标的12个月移动平均值，并观察其环比变化是否超过设定的阈值 6. **因子名称：裂解价差（炼化）**[31] - **因子构建思路**：反映炼化企业将原油加工成成品油的盈利空间，是炼化行业利润的核心驱动因子[31] - **因子具体构建过程**：计算成品油价格与原油价格的差值或比值 7. **因子名称：新钻井数（油服）**[38] - **因子构建思路**：反映油气勘探开发活动热度，是油服行业需求的领先指标[38] - **因子具体构建过程**：跟踪美国或全球活跃石油钻井平台数量等数据的同比变化 模型的回测效果 *（注：报告未提供具体模型的量化回测指标数值，如年化收益率、夏普比率、最大回撤等，此部分内容缺失）* 因子的回测效果 *（注：报告未提供具体因子的量化回测指标数值，如IC值、IR值、因子收益率等，此部分内容缺失）* **要特别注意**：本报告主要侧重于行业景气度的定性判断和配置观点的阐述，并未详细展示底层量化模型和因子的具体构建公式（除出栏系数等少数例子外）以及严格的量化回测绩效指标。

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. 宏观评分模型 - **模型构建思路**：基于多个宏观因子对各大类资产进行评分，形成配置观点[17][20] - **模型具体构建过程**：模型包含9个宏观因子：国内景气、国内货币、国内信用、国内通胀、全球景气、全球货币、全球通胀、美元、金融压力[20]。每个因子对每类资产给出评分（1、0或-1），将所有因子评分加总得到每类资产的宏观评分，根据总分形成看多、谨慎等观点[20]。具体评分规则为：$$宏观评分 = \sum_{i=1}^{9} 因子i评分$$ 2. 美股中期择时模型 - **模型构建思路**：从景气度、资金流、金融压力三个维度构建综合指标对美股进行中期择时[21][23] - **模型具体构建过程**：模型包含三个分项指标：景气度、资金流、金融压力[23]。将三个维度指标等权加总得到美股中期择时综合指标，根据指标读数判断市场观点[21][23]。具体构建公式为：$$美股择时指标 = \frac{景气度指标 + 资金流指标 + 金融压力指标}{3}$$ 3. 黄金择时模型 - **模型构建思路**：基于避险货币、央行态度、财政压力、金融压力等多个因子构建综合择时指标[24][26] - **模型具体构建过程**：模型包含四个核心分项指标：避险货币、央行态度、财政压力、金融压力[26][28]。通过综合这些指标得到黄金择时综合指标，根据指标数值判断黄金配置价值[24][25] 4. 原油择时模型 - **模型构建思路**：从需求、库存、美元指数、投资者预期、宏观风险水平等多个维度构建景气指数[27][30] - **模型具体构建过程**：模型包含五个分项指标：需求、库存、美元指数、投资者预期、宏观风险水平[30]。综合这些指标得到原油景气指数，根据指数读数判断原油市场观点[27][29]。具体构建过程为：$$原油景气指数 = f(需求, 库存, 美元指数, 投资者预期, 宏观风险水平)$$ 5. 大类资产配置模型 - **模型构建思路**：根据大类资产量化配置信号分配风险预算，并基于宏观因子体系调整组合的宏观风险暴露[3][31] - **模型具体构建过程**：模型首先获取各类资产的量化配置信号，然后计算各类资产对宏观风险的暴露程度，通过优化算法调整配置比例，控制组合波动风险[31][33] 模型的回测效果 1. 大类资产配置策略 - 9月收益：2.3%[3][31] - 最近1年收益：13.5%[3][31] - 最大回撤：2.9%[3][31] 2. 美股中期择时模型 - 最新指标读数：72.3[21] 3. 黄金择时模型 - 最新指标读数：-0.63[24] 4. 原油择时模型 - 9月景气指数：0.56[27] - 10月景气指数：0.39[27]

根据研报内容，本报告主要涉及对有色金属板块资金行为的监测与分析，其中包含多个量化因子和模型的构建与应用。以下是详细的总结： 量化因子与构建方式 1. **因子名称：公募实时持仓因子**[3][15] * **因子构建思路**：基于市场公开信息（如基金净值、持仓披露、调研行为）对公募基金的持仓进行实时测算，以反映机构资金对特定板块（如有色金属）的配置动态[3][15] * **因子具体构建过程**：报告指出这是一个复杂的处理流程，具体构建方法详见开源金融工程团队专题报告《偏股混合型基金指数（885001.WI）：优势、复制与超越》，但本文未提供详细公式和步骤[15] 2. **因子名称：ETF资金持仓因子**[3][17][18] * **因子构建思路**：通过计算ETF基金持有特定板块股票的市值占该板块总市值的比例，来观察指数投资资金的动向[3][17][18] * **因子具体构建过程**：计算ETF持仓占板块股票市值的比重，并采用5日移动平均（MA5）来平滑数据[18] $$ ETF持仓占比(MA5) = MA_5\left(\frac{ETF持有板块股票总市值}{板块股票总市值}\right) $$ 3. **因子名称：两融余额动向因子**[3][20] * **因子构建思路**：使用融资余额（未偿还的融资总金额）作为投资者市场情绪的代理变量，融资余额增加通常被视为看多信号[3][20] * **因子具体构建过程**：直接监测有色金属板块成分股的融资余额总和的时序变化[20] 4. **因子名称：筹码收益因子**[3][23] * **因子构建思路**：通过估算投资者在不同价格上的持仓成本，计算当前价格相对于历史筹码成本的收益率，用以反映市场的赚钱效应[3][23] * **因子具体构建过程**：筹码收益因子衡量当前价格相对于历史筹码成本的收益率[23] $$ 筹码收益 = \frac{当前价格 - 平均持仓成本}{平均持仓成本} $$ 其中，平均持仓成本通过对历史成交价格和成交量进行估算得到[23] * **因子评价**：研究表明，当市场赚钱效应较好时，筹码收益呈现动量效应；当赚钱效应较弱时，则呈现反转效应[23] 5. **因子名称：机构调研因子**[4][27] * **因子构建思路**：统计上市公司接受机构调研的次数，调研频繁通常意味着公司受到机构关注度高[4][27] * **因子具体构建过程**：直接统计特定时间段内（如2025年以来）各公司被机构调研的总次数[27] 6. **因子名称：雪球大V关注度因子**[4][30] * **因子构建思路**：统计雪球平台上粉丝数量较多的用户（大V）对特定股票的关注行为，作为市场关注度和情绪的信号[4][30] * **因子具体构建过程**：在特定时间段内（如9月15日以来），统计关注某只股票的雪球大V用户数量[30][31] 7. **因子名称：主力资金净流入因子**[4][34] * **因子构建思路**：将大单（挂单金额20-100万元）与超大单（挂单金额>100万元）的净流入金额加总，作为主力资金动向的代理变量[4][34] * **因子具体构建过程**： $$ 主力资金净流入 = 超大单净流入金额 + 大单净流入金额 $$ 其中，净流入金额为买入金额与卖出金额的差值[34] 8. **因子名称：龙虎榜因子**[4][38] * **因子构建思路**：利用交易所披露的龙虎榜数据，分析营业部资金的成交额和净流入情况，捕捉市场最活跃资金的动向[4][38] * **因子具体构建过程**：记录个股在龙虎榜上的营业部总成交额和营业部资金净流入额等数据[38][39] 9. **因子名称：高频股东户数变动因子**[4][40] * **因子构建思路**：基于交易所互动平台的高频数据，计算股东户数的变动比例，股东户数大幅增加可能预示风险[4][40] * **因子具体构建过程**： $$ 股东户数变动比例 = \frac{最新股东户数 - 上期股东户数}{上期股东户数} $$ 基于最新两期的股东户数信息进行计算[40][43] 因子的测试结果取值 1. **公募实时持仓因子**：测算结果显示，公募基金对有色金属板块配置仓位2025年8月以来有所反弹[3] 2. **ETF资金持仓因子**：测算结果显示，ETF资金持仓占有色金属板块股票市值比例8月以来持续上升[3] 3. **两融余额动向因子**：测算结果显示，有色金属板块融资余额7月以来持续攀升[3] 4. **筹码收益因子**：测算结果显示，有色金属指数当前赚钱效应为25.14%[3][25]；个股层面，截至10月9日，洛阳钼业筹码收益最高，为52.32%[26] 5. **机构调研因子**：2025年以来，北方稀土调研次数最多，为35次[27] 6. **雪球大V关注度因子**：9月15日以来，赣锋锂业受到雪球大V关注数量最多，为67个[31] 7. **主力资金净流入因子**：9月15日以来，石英股份主力净流入最多，为1.52亿元[35] 8. **龙虎榜因子**：9月15日以来，博威合金（2025年8月12日）营业部成交额为7.9亿元，营业部资金净流入为2.8亿元；金力永磁（2025年8月25日）营业部成交额为17.2亿元，营业部资金净流入为6.0亿元[39] 9. **高频股东户数变动因子**：股东户数增幅居前的个股中，赤峰黄金变动比例最高，为54.60%[41]

根据您提供的研报内容，这是一份市场监测性质的日报，主要描述了特定交易日（2025年10月9日）的市场表现、情绪和资金流向等客观情况。经过全面审阅，该报告**未涉及**任何量化模型或量化因子的构建、测试与分析。报告内容集中于市场数据的统计与展示，而非模型或因子研究。 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、构建过程、评价及测试结果。 报告的核心内容为对市场各类指标的日常跟踪，具体包括： **市场表现** - 描述了宽基指数、风格指数、行业指数及概念板块在当日（20251009）的涨跌情况[6][7][10] **市场情绪指标** - **涨停/跌停家数**：统计了当日盘中及收盘的涨停、跌停股票数量[13] - **昨日涨跌停股今日表现**：统计了昨日涨停和跌停股票在今日的平均收益率[13] - **封板率**：构建思路为衡量涨停板的稳固程度，具体计算方式为：封板率 = 最高价涨停且收盘涨停的股票数 / 最高价涨停的股票数[16] - **连板率**：构建思路为衡量市场连续涨停的强度，具体计算方式为：连板率 = 连续两日收盘涨停的股票数 / 昨日收盘涨停的股票数[16] **市场资金流向指标** - **两融余额及占比**：展示融资融券余额及其占流通市值和总成交额的比例[18][21] - **ETF折溢价**：展示了特定ETF的折价或溢价幅度[22] - **大宗交易折价率**：构建思路为反映大宗交易的成交价格相对于市价的折扣，具体计算方式为：折价率 = 大宗交易总成交金额 / 当日成交份额的总市值 - 1[25] - **股指期货年化贴水率**：构建思路为标准化衡量股指期货相对于现货指数的基差水平，具体计算方式为：年化贴水率 = 基差 / 指数价格 * (250 / 合约剩余交易日数)[27] **机构行为** - **机构调研**：统计了近一周内被机构调研较多的上市公司[29] - **龙虎榜数据**：列出了龙虎榜中机构席位和陆股通资金净流入、净流出前列的股票[35][36]

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、资金流向等市场状况的统计和监测指标，并未涉及具体的量化模型或量化因子的构建、测试和评价。因此，以下部分将不适用。 量化模型与构建方式 （本报告中未涉及具体的量化模型） 模型的回测效果 （本报告中未涉及具体的量化模型及其回测效果） 量化因子与构建方式 （本报告中未涉及具体的量化因子） 因子的回测效果 （本报告中未涉及具体的量化因子及其回测效果） 报告内容主要为市场数据的日常统计与展示[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]。

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：市值因子**[2][16][21][23] * **因子构建思路**：基于宏观数据（如M1、PPI、汇率）和市场表现（如指数相对收益）来判断不同市值风格（小盘、中盘、大盘）的未来表现[2][16][23] * **因子具体构建过程**：研报中未提供该因子的具体计算公式和构建步骤，主要是基于宏观逻辑和市场观察进行定性判断 2. **因子名称：成长因子**[2][21][23] * **因子构建思路**：基于财报窗口期和增量资金流向，判断市场对成长风格的偏好[23] * **因子具体构建过程**：研报中未提供该因子的具体计算公式和构建步骤，主要是基于事件驱动（三季报）和资金流（ETF流入）进行定性判断 3. **因子名称：Beta因子**[2][21] * **因子构建思路**：根据市场表现，识别高弹性股票受青睐的程度[2][21] * **因子具体构建过程**：研报中未提供该因子的具体计算公式和构建步骤，其表现通过观察市场整体风险偏好得出 4. **因子名称：波动率因子**[2][21] * **因子构建思路**：根据市场表现，识别波动率因子表现突出的情况[2][21] * **因子具体构建过程**：研报中未提供该因子的具体计算公式和构建步骤 因子的回测效果 （注：研报中未提供上述因子的具体量化回测指标，如IC值、IR等，仅提供了定性表现描述，因此本部分无具体数值内容）

根据提供的研报内容，以下是关于量化因子和模型的详细总结： 量化因子与构建方式 **1 因子名称：日内高频偏度因子** 因子构建思路：利用股票日内高频收益的分布偏度特征来预测未来收益[11] 因子具体构建过程：计算方式请参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[11] **2 因子名称：日内下行波动占比因子** 因子构建思路：通过分析已实现波动中下行波动的占比来选股[15] 因子具体构建过程：计算方式请参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[15] **3 因子名称：开盘后买入意愿占比因子** 因子构建思路：基于开盘后的交易行为数据度量市场买入意愿[21] 因子具体构建过程：计算方式请参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[21] **4 因子名称：开盘后买入意愿强度因子** 因子构建思路：衡量开盘后买入意愿的强度水平[25] 因子具体构建过程：计算方式请参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[25] **5 因子名称：开盘后大单净买入占比因子** 因子构建思路：分析开盘后大单净买入在总成交中的占比[28] **6 因子名称：开盘后大单净买入强度因子** 因子构建思路：度量开盘后大单净买入的强度[33] **7 因子名称：改进反转因子** 因子构建思路：在传统反转因子基础上进行优化改进[38] **8 因子名称：尾盘成交占比因子** 因子构建思路：利用尾盘成交在总成交中的占比信息[41] **9 因子名称：平均单笔流出金额占比因子** 因子构建思路：分析平均单笔流出金额的占比特征[47] **10 因子名称：大单推动涨幅因子** 因子构建思路：衡量大单交易对股价上涨的推动程度[52] **11 因子名称：改进GRU(50,2)+NN(10)因子** 因子构建思路：基于门控循环单元(GRU)和神经网络(NN)的深度学习模型[56] **12 因子名称：残差注意力LSTM(48,2)+NN(10)因子** 因子构建思路：结合残差注意力机制的长短期记忆网络(LSTM)模型[59] **13 因子名称：多颗粒度模型-5日标签因子** 因子构建思路：基于双向A-GRU训练的多时间颗粒度模型[60] 因子具体构建过程：因子基于双向A-GRU训练得到[60] **14 因子名称：多颗粒度模型-10日标签因子** 因子构建思路：基于双向A-GRU训练的多时间颗粒度模型[61] 因子具体构建过程：因子基于双向A-GRU训练得到[61] 量化模型与构建方式 **1 模型名称：中证500 AI增强宽约束组合** 模型构建思路：基于深度学习因子构建指数增强组合，采用较宽松的风险约束[65] 模型具体构建过程：优化目标为最大化预期收益，目标函数为： $$max\sum\mu_{i}w_{i}$$[66] 其中$w_i$为组合中股票i的权重，$\mu_i$为股票i的预期超额收益[66] **2 模型名称：中证500 AI增强严约束组合** 模型构建思路：基于深度学习因子构建指数增强组合，采用较严格的风险约束[65] 模型具体构建过程：优化目标为最大化预期收益，目标函数为： $$max\sum\mu_{i}w_{i}$$[66] **3 模型名称：中证1000 AI增强宽约束组合** 模型构建思路：基于深度学习因子构建指数增强组合，采用较宽松的风险约束[65] 模型具体构建过程：优化目标为最大化预期收益，目标函数为： $$max\sum\mu_{i}w_{i}$$[66] **4 模型名称：中证1000 AI增强严约束组合** 模型构建思路：基于深度学习因子构建指数增强组合，采用较严格的风险约束[65] 模型具体构建过程：优化目标为最大化预期收益，目标函数为： $$max\sum\mu_{i}w_{i}$$[66] 因子的回测效果 **1 日内高频偏度因子**：历史IC 0.027，2025年IC 0.043，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.329，9月多空收益4.61%，2025YTD多空收益17.00%，2025年月胜率6/9，9月多头超额2.15%，2025YTD多头超额5.55%，2025年多头月胜率5/9[8] **2 日内下行波动占比因子**：历史IC 0.025，2025年IC 0.037，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.326，9月多空收益3.44%，2025YTD多空收益14.16%，2025年月胜率7/9，9月多头超额0.72%，2025YTD多头超额1.58%，2025年多头月胜率5/9[8] **3 开盘后买入意愿占比因子**：历史IC 0.031，2025年IC 0.030，历史e^(-rank mae) 0.322，2025年e^(-rank mae) 0.324，9月多空收益0.45%，2025YTD多空收益10.17%，2025年月胜率6/9，9月多头超额0.30%，2025YTD多头超额3.83%，2025年多头月胜率7/9[8] **4 开盘后买入意愿强度因子**：历史IC 0.035，2025年IC 0.030，历史e^(-rank mae) 0.326，2025年e^(-rank mae) 0.329，9月多空收益0.49%，2025YTD多空收益11.13%，2025年月胜率7/9，9月多头超额0.68%，2025YTD多头超额4.60%，2025年多头月胜率6/9[8] **5 开盘后大单净买入占比因子**：历史IC 0.041，2025年IC 0.036，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.324，9月多空收益2.09%，2025YTD多空收益16.20%，2025年月胜率8/9，9月多头超额0.58%，2025YTD多头超额8.16%，2025年多头月胜率8/9[8] **6 开盘后大单净买入强度因子**：历史IC 0.033，2025年IC 0.028，历史e^(-rank mae) 0.323，2025年e^(-rank mae) 0.322，9月多空收益1.59%，2025YTD多空收益12.01%，2025年月胜率8/9，9月多头超额1.21%，2025YTD多头超额6.55%，2025年多头月胜率8/9[8] **7 改进反转因子**：历史IC 0.032，2025年IC 0.016，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.331，9月多空收益-0.74%，2025YTD多空收益4.14%，2025年月胜率5/9，9月多头超额-0.17%，2025YTD多头超额4.07%，2025年多头月胜率6/9[8] **8 尾盘成交占比因子**：历史IC 0.049，2025年IC 0.032，历史e^(-rank mae) 0.332，2025年e^(-rank mae) 0.323，9月多空收益3.11%，2025YTD多空收益15.09%，2025年月胜率7/9，9月多头超额1.03%，2025YTD多头超额6.55%，2025年多头月胜率6/9[8] **9 平均单笔流出金额占比因子**：历史IC 0.020，2025年IC 0.009，历史e^(-rank mae) 0.317，2025年e^(-rank mae) 0.319，9月多空收益-0.86%，2025YTD多空收益3.22%，2025年月胜率5/9，9月多头超额0.56%，2025YTD多头超额3.43%，2025年多头月胜率7/9[8] **10 大单推动涨幅因子**：历史IC 0.016，2025年IC 0.011，历史e^(-rank mae) 0.322，2025年e^(-rank mae) 0.327，9月多空收益2.62%，2025YTD多空收益7.76%，2025年月胜率7/9，9月多头超额1.48%，2025YTD多头超额3.63%，2025年多头月胜率6/9[8] 模型的回测效果 **1 中证500 AI增强宽约束组合**：上周超额收益-0.99%，9月超额收益-4.80%，2025YTD超额收益-0.06%，2025年周胜率23/40[11] **2 中证500 AI增强严约束组合**：上周超额收益-1.00%，9月超额收益-2.32%，2025YTD超额收益2.66%，2025年周胜率24/40[11] **3 中证1000 AI增强宽约束组合**：上周超额收益-1.48%，9月超额收益-1.06%，2025YTD超额收益7.53%，2025年周胜率26/40[11] **4 中证1000 AI增强严约束组合**：上周超额收益-0.79%，9月超额收益-0.12%，2025YTD超额收益13.11%，2025年周胜率25/40[11]

根据提供的研报内容，总结其中涉及的量化模型与因子如下。 量化模型与构建方式 1. **模型名称：逆周期配置模型**[7] * **模型构建思路**：从逆周期视角出发，采用信用利差和期限利差作为代理变量，预测未来的宏观环境（经济增长和通货膨胀变化方向），并根据不同的宏观环境阶段（Growth, Inflation, Slowdown）选择表现最优的资产构建绝对收益组合[7] * **模型具体构建过程**： 1. 使用信用利差预测下个季度的经济增长变化方向[7] 2. 使用期限利差预测下个季度的通货膨胀变化方向[7] 3. 根据信用利差和期限利差的信号组合，将宏观环境划分为 Growth、Inflation、Slowdown 三种阶段[7] 4. 在不同宏观环境下，超配、低配或维持基准配置于特定资产（如沪深300、国证2000、南华商品指数、中债国债总财富指数）[7][8]例如，Inflation环境下维持股票基准配置比例（沪深300，20%），并配置30%的南华商品[8] 2. **模型名称：宏观动量模型**[9][13][14] * **模型构建思路**：通过综合评估经济增长、通货膨胀、汇率、利率、风险情绪等多个大类因子下的具体指标（小类因子）的最新变化，对股票、债券、黄金等大类资产在未来一个月的表现进行择时判断，生成正向或负向信号[9][10][13][14] * **模型具体构建过程**： 1. 为每类资产（如Wind全A、中债国债总净价指数、黄金）设定一组相关的大类因子和小类因子[10][13][14] 2. 每个小类因子有其预设的“影响方向”（1或-1，代表因子值上升对资产价格的正面或负面影响）[10][13] 3. 判断每个小类因子的“最新变化”（1代表上升，-1代表下降，0代表无明显变化）[10][13] 4. 将“影响方向”与“最新变化”相乘，得到每个小类因子的“分项信号”（1, 0, 或 -1）[10][13] 5. 将同一大类因子下所有小类因子的“分项信号”进行汇总（具体汇总方法未明确给出，但结果为大类因子的汇总信号，如1或-1）[10][13] 6. 将所有大类因子的汇总信号再次汇总，得到该资产的“总信号”（1为正向，-1为负向）[10][13] 3. **因子名称：行业复合趋势因子**[14][16][17] * **因子构建思路**：从行业维度构建一个复合指标，作为观察市场整体行情启动的信号，当因子绝对值超过一定水平时，预示市场后续可能上涨；当因子在顶部位置突降时，则可能触发空仓信号[14] * **因子具体构建过程**：报告中指出详细计算方法请参考对应专题报告，因此具体构建过程未在此月报中详细列出[14] 模型的回测效果 1. **逆周期配置模型**：以股债20-80为基准，展示了截至2025年09月30日的累计净值走势图[11] 2. **行业复合趋势因子组合**：在2015年1月至2025年9月期间，累积收益为122.66%，超额收益为48.42%[17] 量化因子与构建方式 1. **因子名称：经济增长因子（用于宏观动量模型）**[10][13] * **因子构建思路**：通过PMI、PMI预期误差、工业增加值误差、标普全球中国通用制造业PMI等具体指标的变化来判断经济增长动量，进而影响资产价格[10][13] * **因子具体构建过程**：作为宏观动量模型的一部分，其信号生成过程遵循模型整体规则，即（影响方向 × 最新变化）[10][13] 2. **因子名称：通货膨胀因子（用于宏观动量模型）**[10][13] * **因子构建思路**：通过PPI当月同比、PPI预期误差、CRB指数、CPI当月同比等具体指标的变化来判断通货膨胀动量，进而影响资产价格[10][13] * **因子具体构建过程**：作为宏观动量模型的一部分，其信号生成过程遵循模型整体规则，即（影响方向 × 最新变化）[10][13] 3. **因子名称：汇率因子（用于宏观动量模型）**[10][13] * **因子构建思路**：通过CFETS人民币汇率指数、美元中间价等具体指标的变化来判断汇率动量，进而影响资产价格[10][13] * **因子具体构建过程**：作为宏观动量模型的一部分，其信号生成过程遵循模型整体规则，即（影响方向 × 最新变化）[10][13] 4. **因子名称：利率因子（用于宏观动量模型）**[10][13] * **因子构建思路**：通过不同期限的中债国债、国开债、企业债到期收益率等具体指标的变化来判断利率动量，进而影响资产价格[10][13] * **因子具体构建过程**：作为宏观动量模型的一部分，其信号生成过程遵循模型整体规则，即（影响方向 × 最新变化）[10][13] 5. **因子名称：风险情绪因子（用于宏观动量模型）**[10][13] * **因子构建思路**：通过Wind全A前一个月收益率、Wind全A前一个月波动率（滚动6个月）变化等具体指标来判断市场风险情绪，进而影响资产价格[10][13] * **因子具体构建过程**：作为宏观动量模型的一部分，其信号生成过程遵循模型整体规则，即（影响方向 × 最新变化）[10][13] 6. **因子名称：基本面因子（用于黄金择时）**[14] * **因子构建思路**：通过预期通胀、实际利率、全球负收益债规模、美国M2等具体指标来判断黄金的基本面情况[14] * **因子具体构建过程**：具体信号生成方法未明确给出，但直接给出了分项信号（1或-1）[14] 7. **因子名称：持仓因子（用于黄金择时）**[14] * **因子构建思路**：通过CFTC掉期商持仓、CFTC管理基金持仓等具体指标来判断市场参与者持仓变化[14] * **因子具体构建过程**：具体信号生成方法未明确给出，但直接给出了分项信号（1或-1）[14] 8. **因子名称：技术因子（用于黄金择时）**[14] * **因子构建思路**：通过伦敦金10月均线、伦敦金20月均线等具体技术指标来判断黄金价格趋势[14] * **因子具体构建过程**：具体信号生成方法未明确给出，但直接给出了分项信号（1或-1）[14] 因子的回测效果 1. **行业复合趋势因子**：根据2025年9月底数据，因子值为-0.30[17]上月（2025年9月）因子发出正向信号，同期Wind全A收益率为2.80%[17]

根据提供的研报内容，这是一份可转债市场跟踪报告，主要对市场行情、个券表现和条款进行统计描述，并未涉及具体的量化模型或量化因子的构建、测试与评价。报告内容集中于市场数据的展示和总结[1][2][4][7][17][32][42]。 因此，本总结中“量化模型与构建方式”及“量化因子与构建方式”部分无相关内容。 **模型的回测效果** （无相关内容） **因子的回测效果** （无相关内容）

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. **因子名称：Barra CNE5 风格因子**[36][38] * **因子构建思路**：采用行业标准的Barra CNE5模型定义的风格因子，用于分析基金的投资风格偏好，通过计算基金持仓在这些因子上的暴露度来刻画其风格特征[36][38] * **因子具体构建过程**：模型共定义了10个风格因子，每个因子的具体构建定义如下[38]： * **Beta（贝塔）**：定义为股票超额收益与市场收益的回归系数，代表对市场收益的敏感度 * **Momentum（动量）**：定义为Relative Strength，即股票的相对强弱，代表动量效应 * **Size（市值）**：定义为股票市值的对数，代表大盘风格 * **Earnings Yield（盈利）**：定义为Earnings-to-Price，即市盈率的倒数，代表盈利性 * **Residual Volatility（残差波动率）**：定义为日收益标准差、历史标准差等，代表波动性 * **Growth（成长）**：定义为盈利增长率、销售收入增长率等，代表成长性 * **BP（B/P）**：定义为Book-to-Price，即市净率的倒数，代表价值风格 * **Leverage（杠杆）**：定义为财务杠杆率，代表财务杠杆水平 * **Liquidity（流动性）**：定义为换手率，代表流动性水平 * **Non-linear Size（非线性市值）**：定义为股票市值的立方，用于捕捉中盘股效应 模型的回测效果 1. **华商鑫安基金风格暴露**，Beta因子暴露较高[39]，动量因子暴露高于基准[39]，成长因子暴露较高[39]，流动性因子暴露较高[39]，非线性市值因子暴露较高[39]，市值因子暴露低于基准[39]，盈利因子暴露低于基准[39]，B/P因子暴露低于基准[39]，杠杆因子暴露低于基准[39] 2. **华商双驱优选基金风格暴露**，风格暴露特征与华商鑫安类似，相对其基准（沪深300）也呈现出市值偏小、成长属性更强的特点[41] 因子的回测效果 1. **Barra CNE5风格因子**，应用于基金风格分析显示基金经理投资框架成熟稳定，因子暴露波动较小[39]，基金呈现稳定的中盘成长风格[39]