根据提供的研报内容，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：价格分段体系**[15] * **模型构建思路**：该模型用于对指数价格走势进行分段识别，以分析不同时间级别（如日线、周线）的趋势特征[15] * **模型具体构建过程**：模型通过计算指数价格的特定技术指标来划分走势段。报告中提到了“dea”指标，这通常是技术分析中MACD指标的一部分，即离差平均值（Difference Exponential Average）[18]。其构建可能涉及以下步骤： 1. 计算指数价格的EMA（指数移动平均线），常用参数为12日EMA和26日EMA。 2. 计算离差值DIF：$$DIF = EMA(close, 12) - EMA(close, 26)$$ 3. 计算dea，即DIF的EMA，常用参数为9日：$$DEA = EMA(DIF, 9)$$ 通过分析指数点位与dea等指标的关系，对价格走势进行分段[18] 2. **模型名称：微观市场结构择时模型**[16] * **模型构建思路**：通过监测“知情交易者”的市场行为来对权益市场进行择时判断[16] * **模型具体构建过程**：模型的核心是构建“知情交易者活跃度”指标。该指标通过分析市场高频交易数据（如订单流、成交明细等），识别出可能拥有信息优势的交易者的行为模式。当该指标上升时，表明知情交易者活跃度提高，可能预示着市场将有方向性变化[16][19]。报告显示，该指标数值在特定区间内波动（例如-0.0015至0.0030），其边际变化用于判断市场情绪[19] 3. **模型名称：分析师行业景气预期模型**[20] * **模型构建思路**：通过追踪分析师对上市公司的一致预测数据变化，来监测各行业的景气度变化趋势[20] * **模型具体构建过程**：模型计算申万一级行业的两个关键指标： 1. **一致预测滚动未来12个月ROE（ROEFTTM）环比变化**：反映市场对行业未来盈利能力预期的变化。 2. **一致预期净利润FTTM增速环比变化**：反映市场对行业未来成长性预期的变化。 通过计算这些指标本周相对于上周的环比变化率，并观察其近一季的趋势，来判断行业景气的边际变化[21] 4. **模型名称：风格监测模型**[23] * **模型构建思路**：基于BARRA多因子模型框架，监测不同风格因子在A股市场的收益表现，以洞察市场风格偏好[23] * **模型具体构建过程**：模型跟踪一系列风格因子的周度收益。这些因子包括： * **基本面类因子**：如价值因子（EP价值、BP价值）、成长因子、盈利能力因子、投资质量因子、盈利质量因子、盈利波动因子、财务杠杆因子。 * **交易类因子**：如动量因子、长期反转因子、波动率因子、换手率因子、流动性因子（报告中提及“近释”，可能指近期解禁或流动性相关因子）、贝塔因子。 * **市值类因子**：如市值因子、非线性市值因子。 模型通过回归分析等方法，计算这些因子在特定周期内（如本周）的风险溢价收益[24] 模型的回测效果 *报告未提供上述量化模型的具体回测指标数值（如年化收益率、夏普比率、最大回撤等）。* 量化因子与构建方式 1. **因子名称：BARRA风格因子**[23][24] * **因子构建思路**：基于BARRA风险模型体系，从不同维度刻画股票的风险收益特征，因子收益反映了市场对该特征的偏好程度[23] * **因子具体构建过程**：报告中提及了多个BARRA风格因子，其构建逻辑简述如下： * **价值因子**：如BP（账面市值比）价值因子，可能构建为 $$BP = \frac{Book Value}{Market Value}$$，衡量公司的估值水平。 * **成长因子**：通常基于历史营收、利润或预期增速构建。 * **盈利能力因子**：如ROE、ROA等。 * **投资质量因子**：衡量公司投资效率。 * **动量因子**：通常基于股票过去一段时间（如11个月剔除最近1个月）的收益率构建。 * **波动率因子**：基于股票历史收益率的波动性。 * **市值因子**：通常为股票总市值的对数。 * **非线性市值因子**：捕捉市值与收益之间的非线性关系。 每个因子在横截面上进行标准化等处理，因子收益即为该因子组合的超额收益[24] 因子的回测效果 *报告展示了风格因子在特定周期（本周）的收益表现，但未提供长期回测指标（如IC均值、IR等）。因子收益取值如下：* 1. **BARRA风格因子**[24] * 换手因子收益：-0.5% * 财务杠杆因子收益：0.1% * 盈利波动因子收益：0.0% * 盈利质量因子收益：0.3% * 盈利能力因子收益：0.3% * 投资质量因子收益：0.4% * 长期反转因子收益：-0.5% * EP价值因子收益：-0.3% * BP价值因子收益：0.2% * 成长因子收益：0.1% * 动量因子收益：1.2% * 非线性市值因子收益：-0.6% * 市值因子收益：-0.3% * 波动率因子收益：-0.5% * 流动性因子（近释）收益：1.3% * 股息率因子收益：-0.1%

根据提供的量化主题研报，以下是关于报告中涉及的量化模型与因子的总结。 量化模型与构建方式 1. **模型名称：择时雷达六面图**[1][6] * **模型构建思路**：权益市场的表现受到多维度指标因素的共同影响，该模型尝试从流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取二十一个指标对市场进行刻画，并将其概括为"估值性价比"、"宏观基本面"、"资金&趋势"、"拥挤度&反转"四大类，从而生成综合择时分数[1][6] * **模型具体构建过程**：首先，从六个维度（流动性、经济面、估值面、资金面、技术面、拥挤度）选取二十一个具体指标[1][6]；然后，将每个指标的处理结果（如方向判断、强度判断或标准化分数）映射到[-1, 1]区间，得到单个指标的分数[9][11][14][17][20][22][25][27][29][30][35][37][39][42][46][48][51][53][57][59][63][67]；接着，将六个维度的分数（可能是其下属指标分数的综合）概括为四大类分数（"估值性价比"、"宏观基本面"、"资金&趋势"、"拥挤度&反转"）[1][6]；最后，将四大类分数或所有指标分数综合，生成一个位于[-1,1]之间的最终综合择时分数[1][6] 量化因子与构建方式 1. **因子名称：货币方向因子**[11] * **因子构建思路**：判断当前货币政策的方向[11] * **因子具体构建过程**：选取央行使用的货币政策工具利率与短端市场利率，并计算其相较于90天前的平均变化方向[11]；若货币方向因子>0，则判断货币政策宽松，分数为1；若货币方向因子<0，则判断货币政策收紧，分数为-1[11] 2. **因子名称：货币强度因子**[14] * **因子构建思路**：表征短端市场利率相对于政策利率的偏离幅度，基于"利率走廊"的概念[14] * **因子具体构建过程**：计算偏离度=DR007/7天逆回购利率-1，并进行平滑与zscore标准化形成货币强度因子[14]；若货币强度因子<-1.5倍标准差，则预期未来120个交易日为宽松环境，指标分数为1；反之若货币强度因子>1.5倍标准差，则预期未来120个交易日指标分数为-1[14] 3. **因子名称：信用方向因子**[17] * **因子构建思路**：表征商业银行对实体经济传导时的松紧，使用中长期贷款指标进行体现[17] * **因子具体构建过程**：计算信用方向因子为：中长期贷款当月值 -> 计算过去十二个月增量 -> 计算同比[17]；若信用方向因子相比于三个月之前上升则看多，分数为1；反之则看空，分数为-1[17] 4. **因子名称：信用强度因子**[20] * **因子构建思路**：捕捉信用指标是否大幅超预期或者不及预期[20] * **因子具体构建过程**：构建信用强度因子=(新增人民币贷款当月值–预期中位数)/预期标准差[20]；若信用强度因子>1.5倍标准差，则定义未来60个交易日为信用显著超预期环境，分数为1；反之若信用强度因子<-1.5倍标准差，则未来60个交易日分数为-1[20] 5. **因子名称：增长方向因子**[22] * **因子构建思路**：基于PMI数据判断经济增长方向[22] * **因子具体构建过程**：基于中采制造业PMI、中采非制造业PMI、财新制造业PMI构建增长方向因子= PMI -> 计算过去十二月均值 -> 计算同比[22]；若增长方向因子相比于三个月之前上升则看多，分数为1；反之则看空，分数为-1[22] 6. **因子名称：增长强度因子**[25] * **因子构建思路**：捕捉经济增长指标是否大幅超预期或者不及预期[25] * **因子具体构建过程**：计算PMI预期差=(PMI–预期中位数)/预期标准差[25]；若增长强度因子>1.5倍标准差，则定义未来60个交易日为增长显著超预期环境，分数为1；反之若增长强度因子<-1.5倍标准差，则未来60个交易日分数为-1[25] 7. **因子名称：通胀方向因子**[27] * **因子构建思路**：判断通胀水平变化对货币政策空间的潜在影响[27] * **因子具体构建过程**：计算通胀方向因子=0.5×CPI同比平滑值+0.5×PPI同比原始值[27]；若通胀方向因子相较于三个月之前降低，则说明是通胀下行环境，此时看多，分数为1；反之看空，分数为-1[27] 8. **因子名称：通胀强度因子**[29] * **因子构建思路**：捕捉通胀指标是否大幅超预期或者不及预期[29] * **因子具体构建过程**：分别计算CPI与PPI预期差=(披露值–预期中位数)/预期标准差，并计算通胀强度因子=CPI与PPI预期差均值[29]；若通胀强度因子<-1.5倍标准差，则定义未来60个交易日为通胀显著不及预期环境，分数为1；反之若通胀强度因子>1.5倍标准差，则未来60个交易日分数为-1[29] 9. **因子名称：席勒ERP**[30] * **因子构建思路**：计算经过周期调整的股权风险溢价，以消除经济周期波动对盈利的干扰[30] * **因子具体构建过程**：计算过去6年通胀调整后的平均盈利得到席勒PE，然后计算席勒ERP=1/席勒PE-10年期国债到期收益率，并计算过去6年zscore作为分数[30] 10. **因子名称：PB**[35] * **因子构建思路**：使用市净率衡量估值水平[35] * **因子具体构建过程**：对PB指标进行处理：PB×(-1)并计算过去6年zscore，1.5倍标准差截尾后标准化到±1之间得到分数[35] 11. **因子名称：AIAE**[37] * **因子构建思路**：计算全市场权益配置比例，反映市场整体的风险偏好[37] * **因子具体构建过程**：构建A股的AIAE指标=中证全指总流通市值/(中证全指总流通市值+实体总债务)，将AIAE×(-1)并计算过去6年zscore得到分数[37] 12. **因子名称：两融增量**[39] * **因子构建思路**：通过两融余额变化判断市场杠杆资金情绪[39] * **因子具体构建过程**：计算融资余额-融券余额，并计算其过去120日均增量与过去240日均增量[39]；若120日均增量>过去240日均增量时杠杆资金上行并看多，分数为1；反之看空，分数为-1[39] 13. **因子名称：成交额趋势**[42] * **因子构建思路**：通过成交额变化判断市场成交热度与资金活跃度[42] * **因子具体构建过程**：对对数成交额计算其均线距离=ma120/ma240-1[42]；当均线距离的max(10)=max(30)=max(60)时看多，分数为1；当均线距离的min(10)=min(30)=min(60)时看空，分数为-1[42] 14. **因子名称：中国主权CDS利差**[46] * **因子构建思路**：通过中国主权CDS利差变化判断海外投资者对中国基本面的预期和外资流入意愿[46] * **因子具体构建过程**：当平滑后CDS利差的20日差分<0时，说明当前CDS利差下降，海外投资者预期中国基本面转好，外资流入意愿强，此时看多，分数为1；反之看空，分数为-1[46] 15. **因子名称：海外风险厌恶指数**[48] * **因子构建思路**：通过花旗风险厌恶指数（Citi RAI Index）判断海外市场的风险偏好[48] * **因子具体构建过程**：当平滑后风险厌恶指数的20日差分<0时，外资风险偏好上升，此时看多，分数为1；反之看空，分数为-1[48] 16. **因子名称：价格趋势**[51] * **因子构建思路**：使用均线距离衡量标的价格的中长期趋势与强度[51] * **因子具体构建过程**：计算均线距离（ma120/ma240-1）[51]；趋势方向判断：当均线距离>0时分数=1，反之为-1[51]；趋势强度判断：当均线距离的max(20)=max(60)时，趋势强度分数为1，当均线距离的min(20)=min(60)时，趋势强度分数为-1[51]；趋势综合分数=(趋势方向分数+趋势强度分数)/2[51] 17. **因子名称：新高新低数**[53] * **因子构建思路**：使用指数成分股的新高新低个数作为市场反转信号[53] * **因子具体构建过程**：计算中证800成分股占过去一年新低数-新高数的20日移动平均（ma20）[53]；当该值>0时，说明最近新低较多，市场有见底预期，此时看多，分数为1；反之发出看空信号，分数为-1[53][54] 18. **因子名称：期权隐含升贴水**[57] * **因子构建思路**：基于看涨看跌平价关系推导期权隐含的标的升贴水，反映期权市场对未来标的收益率的预期与情绪，作为反转指标[57] * **因子具体构建过程**：若50ETF近5日收益率<0，且指标分位数<30%，则看多持续20日，分数为1[57]；若50ETF近5日收益率>0，且指标分位数>70%，则看空持续20日，分数为-1[57] 19. **因子名称：期权VIX**[59] * **因子构建思路**：使用期权隐含波动率（VIX）指数反映投资者对未来波动率的预期与市场情绪，作为反转指标[59] * **因子具体构建过程**：若50ETF近5日收益率<0，且指标分位数>70%，则看多持续20日，分数为1[59]；若50ETF近5日收益率>0，且指标分位数>70%，则看空持续20日，分数为-1[59] 20. **因子名称：期权SKEW**[63] * **因子构建思路**：使用期权隐含偏度（SKEW）指数反映投资者对未来标的偏度的预期与市场情绪，作为反转指标[63] * **因子具体构建过程**：若50ETF近5日收益率<0，且指标分位数>70%，则看多持续20日，分数为1[63]；若50ETF近5日收益率>0，且指标分位数<30%，则看空持续20日，分数为-1[63] 21. **因子名称：可转债定价偏离度**[67] * **因子构建思路**：通过可转债定价偏离度反映市场情绪，作为反转指标[67] * **因子具体构建过程**：计算可转债定价偏离度=转债价格/模型定价-1，并计算分数=定价偏离度×(-1)并计算过去3年zscore得到分数[67] 模型的回测效果 （报告中未提供择时雷达六面图模型的量化回测指标，如年化收益率、夏普比率等） 因子的回测效果 （报告中主要提供了各因子在当前时间点的信号方向和分数，未提供历史回测的量化指标，如IC值、IR等）

根据研报内容，现总结如下： 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**[11] * **模型构建思路**：该模型旨在捕捉利率的趋势形态，通过核回归算法刻画利率数据的支撑线和阻力线，并根据长、中、短三个不同投资周期下利率走势的形态突破情况，生成复合择时信号[11] * **模型具体构建过程**： 1. **形态识别**：使用核回归算法对利率时间序列（如不同期限的国债YTM）进行拟合，生成代表趋势的支撑线和阻力线[11] 2. **多周期信号生成**：分别在长周期（平均切换频率为月度）、中周期（双周度）和短周期（周度）三个时间框架下，判断当前利率是否向上突破阻力线（看多信号）或向下突破支撑线（看空信号）[11][14][17][21] 3. **信号综合**：将三个周期的突破信号进行投票汇总。具体规则为： * 若三个周期中出现同向突破（看多或看空）的总票数达到或超过2票（即2/3），则生成明确的看多或看空信号[11][17] * 若同向突破总票数未达到2票（即1票对1票，或1票对0票等情况），则综合评分结果为中性震荡。若此前的信号为看多或看空，则当前结果可进一步细分为“中性偏多”或“中性偏空”[14][21] * **模型评价**：该模型通过多周期共振机制，旨在提高信号的稳定性，减少单一周期信号的噪音干扰[11] 量化因子与构建方式 1. **因子名称：利率水平结构因子**[8] * **因子构建思路**：该因子用于衡量利率市场的绝对水平，通过将1至10年的国债到期收益率（YTM）数据进行转化得到，并从均值回归的视角评估当前水平在历史中的相对位置[8] * **因子具体构建过程**：报告未提供具体的计算公式，但指出该因子是基于1年至10年期国债的YTM数据转化而来。其数值代表利率的绝对水平，例如当前读数约为1.61%[8] 2. **因子名称：利率期限结构因子**[8] * **因子构建思路**：该因子用于衡量利率曲线的斜率，即长短期利率之间的利差，反映市场对远期利率的预期[8] * **因子具体构建过程**：报告未提供具体的计算公式。其数值代表期限利差，例如当前读数约为0.41%[8] 3. **因子名称：利率凸性结构因子**[8] * **因子构建思路**：该因子用于衡量利率曲线的弯曲程度，即凸性，反映利率曲线中长端利率相对于中短端利率的变化特征[8] * **因子具体构建过程**：报告未提供具体的计算公式。其数值代表凸性结构，例如当前读数约为-0.04%[8] 模型的回测效果 1. **基于5年期国债YTM的利率价量多周期择时策略**[25][28][33][37] * **长期表现（2007年12月31日至今）**：年化收益率5.5%，最大回撤2.88%，收益回撤比1.91，相对业绩基准的超额年化收益率1.07%，超额收益回撤比0.62，逐年绝对收益大于0的胜率100%，逐年超额收益大于0的胜率100%[25][37] * **短期表现（2024年底以来）**：年化收益率2.21%，最大回撤0.59%，收益回撤比3.74，相对业绩基准的超额年化收益率0.87%，超额收益回撤比2.44[25] 2. **基于10年期国债YTM的利率价量多周期择时策略**[28][33][37] * **长期表现（2007年12月31日至今）**：年化收益率6.09%，最大回撤2.74%，收益回撤比2.22，相对业绩基准的超额年化收益率1.65%，超额收益回撤比1.16，逐年绝对收益大于0的胜率100%，逐年超额收益大于0的胜率100%[28][37] * **短期表现（2024年底以来）**：年化收益率2.64%，最大回撤0.58%，收益回撤比4.57，相对业绩基准的超额年化收益率1.43%，超额收益回撤比3.64[28] 3. **基于30年期国债YTM的利率价量多周期择时策略**[33][37] * **长期表现（2007年12月31日至今）**：年化收益率7.37%，最大回撤4.27%，收益回撤比1.73，相对业绩基准的超额年化收益率2.41%，超额收益回撤比0.87，逐年绝对收益大于0的胜率94.44%，逐年超额收益大于0的胜率94.44%[33][37] * **短期表现（2024年底以来）**：年化收益率3.28%，最大回撤0.92%，收益回撤比3.59，相对业绩基准的超额年化收益率2.68%，超额收益回撤比3.3[33] 因子的回测效果 （报告中未提供利率水平、期限、凸性结构因子的独立测试结果）

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：周期分析模型**[7][9] * **模型构建思路**：通过分析指数的周期性波动规律，来判断当前市场所处的阶段（如震荡筑顶阶段）[7] * **模型具体构建过程**：报告未提供该模型的具体构建过程和公式 2. **模型名称：四轮驱动模型**[2][8] * **模型构建思路**：用于行业配置，通过综合多个维度发出交易机会信号[2][8] * **模型具体构建过程**：报告未提供该模型的具体构建过程和公式 量化因子与构建方式 1. **因子名称：中期趋势因子**[7] * **因子构建思路**：用于衡量指数（如科创50、创业板指）趋势的强度和稳定性[7] * **因子具体构建过程**：报告未提供该因子的具体构建过程和公式 * **因子评价**：该因子表现可用于判断趋势是否出现摇摆或是否更为稳健[7] 2. **因子名称：泛行业拥挤度**[7] * **因子构建思路**：以中证TMT指数为代表，衡量泛科技行业的交易拥挤程度[7] * **因子具体构建过程**：报告未提供该因子的具体构建过程和公式 模型的回测效果 （报告未提供量化模型的回测效果指标取值） 因子的回测效果 （报告未提供量化因子的回测效果指标取值）

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：期权PCR择时策略[5][73] - **模型构建思路**：该策略基于期权持仓量PCR（Put/Call Ratio）这一市场情绪指标进行择时，逻辑结合了顺趋势（PCR上行提示情绪较好）和反趋势（PCR较低指示情绪低点未来可能反转）两种模式[5][73] - **模型具体构建过程**：策略的具体构建方法参考了另一篇专题报告《捕捉情绪拐点—衍生品市场指标如何驱动权益投资》(2024-12-12)[73]，报告中未提供更详细的构建公式和参数说明 模型的回测效果 1. 期权PCR择时策略（上证50）[80] - 收益：14.20% - 最大回撤：24.96% - 年化波动率：18.33% - 胜率：50.58% - 卡尔玛比率：0.57 - 夏普比率：0.76 2. 期权PCR择时策略（沪深300）[79] - 收益：19.13% - 最大回撤：23.42% - 年化波动率：19.03% - 胜率：51.24% - 卡尔玛比率：0.82 - 夏普比率：0.97 量化因子与构建方式 1. 因子名称：期权持仓量PCR[65][73] - **因子构建思路**：PCR（Put/Call Ratio）是衡量市场情绪的指标，通过计算看跌期权持仓量与看涨期权持仓量的比值来反映市场多空力量对比[65][73] - **因子具体构建过程**：PCR = 看跌期权持仓量 / 看涨期权持仓量[65]，该比值上升代表市场情绪相对较好，下降则可能预示情绪转弱 2. 因子名称：股指期货基差比例[18][23] - **因子构建思路**：通过计算期货价格与对应现货指数价格的相对差异，反映市场对未来走势的预期和情绪[18][23][25] - **因子具体构建过程**：基差比例 = （期货价格 / 对应指数 - 1）[23]，该指标为正值表示升水（看涨情绪），负值表示贴水（可能预示悲观或流动性紧张）[25] 3. 因子名称：期权隐含波动率（VIX）[51][53] - **因子构建思路**：VIX指数反映市场对未来30天股市波动性的预期，是衡量市场恐慌情绪的重要指标[51] - **因子具体构建过程**：基于期权市场价格计算得出的波动率指数，数值越高代表市场预期的未来波动越大，恐慌情绪越强[51][53] 因子的回测效果 *注：报告中主要展示了基于PCR因子构建的策略回测结果，未单独提供各因子的IC值、IR等传统因子测试指标[79][80]*

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：华福金工权益基金评价模型**[16][46] * **模型构建思路**：通过将基金收益率与一系列基准指数进行滚动窗口回归，选取拟合优度最高的指数作为基金的业绩参考基准，从而对基金进行风格分类和评价[16][46] * **模型具体构建过程**： 1. 选取22个基准指数作为自变量，基金收益率作为因变量[16][19] 2. 在每个月底，对每只基金逐个与基准指数进行一元线性回归，计算R²（拟合优度）[16] 3. 回归窗口期为6个月，进行滚动窗口回归，得到每个基金的R²时间序列矩阵[16] 4. 选取近6期R²的均值最大的那个指数，作为该基金当期的业绩参考指数[16] 5. 基金评价部分：基于上述方法确定的基准，计算基金的alpha（超额收益）和胜率[46][47] 6. 根据alpha的稳定性、趋势以及胜率在全市场的分位数，对基金进行综合打分并划分等级（如AAA, AA+, AA, BB+）[46][47] * **模型评价**：该模型能够形成立体的、面向所有主动权益基金的综合打分体系，有助于识别具有持续超额收益能力的基金[46] 模型的回测效果 1. **华福金工权益基金评价模型**，基金评级分布（2025年10月）：AAA级基金38只，AA+级基金81只，AA级基金175只，BB+级基金262只，其他基金2361只，有评分基金总计2917只[48][50] 2. **华福金工权益基金评价模型**，不同风格分类下绩优基金占比（2025年10月）：价值类基金绩优率23%，中小盘类基金绩优率最高（具体数值未列出），其余基金绩优率均较上月有所提升[50] 量化因子与构建方式 1. **因子名称：基金风格分类因子**[16][22] * **因子构建思路**：基于基金收益率与不同风格基准指数的相关性，将基金划分为大盘、中小盘、价值、成长、板块主题等风格类别[16][22] * **因子具体构建过程**： 1. 使用华福金工权益基金评价模型，为每只基金确定其业绩参考指数[16] 2. 根据业绩参考指数所属的预定义分类（大盘、中小盘、价值、成长、板块主题），将基金划入对应的风格类别[16][19][22] 因子的回测效果 1. **基金风格分类因子（价值类）**，2025年10月收益表现：样本数14只，最大值5.6%，0.75分位数3.9%，中位数3.7%，0.25分位数3.5%，最小值3.1%[22][23] 2. **基金风格分类因子（中小盘类）**，2025年10月收益表现：样本数195只，最大值6.3%，0.75分位数0.3%，中位数-1.1%，0.25分位数-2.4%，最小值-9.0%[22][23] 3. **基金风格分类因子（成长类）**，2025年10月收益表现：样本数444只，最大值8.2%，0.75分位数-1.2%，中位数-2.8%，0.25分位数-4.2%，最小值-10.5%[22][23] 4. **基金风格分类因子（大盘类）**，2025年10月收益表现：样本数82只，最大值2.2%，0.75分位数0.4%，中位数-0.1%，0.25分位数-0.9%，最小值-3.6%[22][23] 5. **基金风格分类因子（板块主题类）**，2025年10月收益表现：样本数39只，最大值3.1%，0.75分位数0.7%，中位数-0.1%，0.25分位数-2.3%，最小值-6.0%[22][23]

根据研报内容，本次任务主要涉及对指数调整事件的预测和影响分析，并未涉及传统意义上的量化模型或量化因子。报告的核心是应用指数编制规则进行成分股调整预测，并构建了一个“冲击系数”来衡量指数基金调仓对股价的潜在影响。 量化模型与构建方式 1. **模型/因子名称**：冲击系数 [6][9][10] * **构建思路**：该系数用于衡量因被动指数基金调仓（买入调入股票，卖出调出股票）对个股产生的价格冲击程度和持续时间，其核心思想是资金流动相对于股票流动性的比例 [6][9] * **具体构建过程**：冲击系数的计算公式如下 [6][9]： $$冲击系数 = \frac{被动买入金额 - 被动卖出金额}{日均成交额}$$ 其中： * `被动买入金额` = 跟踪该指数的被动基金总规模 × 股票在该指数中的估算权重 [5][6] * `被动卖出金额` = 跟踪该指数的被动基金总规模 × 股票在原指数中的权重（对于从其他指数调入的股票，此项可能不为零）[6][10] * `日均成交额` 为特定时间区间内的日均成交额，例如2025年8月1日至2025年10月31日 [9] * **模型评价**：该系数提供了一个量化视角来评估指数调整事件可能带来的短期交易机会或风险 [6] 模型的回测效果 报告未提供冲击系数模型的历史回测效果指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。 量化因子与构建方式 报告未涉及传统意义上的选股或定价阿尔法因子（如价值、动量、质量等因子）的构建。 因子的回测效果 报告未提供任何量化因子的测试结果（如IC值、ICIR、因子收益率、多空收益等）。 指数调整预测结果（基于规则的应用） 报告基于各指数的官方编制方案，预测了多个指数的成分股调整名单及对应的冲击系数估算值 [5][10][16][18][20]。 1. **沪深300指数预测调整** [5][7] * 预测调入股票包括：安克创新、光启技术、宁波港、三安光电、华电新能、国联民生、东山精密、上海电气、瑞芯微、胜宏科技、指南针 [5][7] * 冲击系数较高的股票有：光启技术(1.89)、宁波港(1.89)、安克创新(1.77) [7] 2. **中证500指数预测调整** [10][11][15] * 预测调整50只成分股，调入股票包括：申能股份、电投能源、苏泊尔、正邦科技等 [10][11] * 冲击系数较高的股票有：申能股份(2.38)、电投能源(2.28)、苏泊尔(2.00) [11] 3. **上证50指数预测调整** [18][19] * 预测调整4只成分股，调入股票为：上汽集团、工业富联、中科曙光、北方稀土 [18][19] * 冲击系数从大到小依次为：上汽集团(1.03)、工业富联(0.60)、中科曙光(0.42)、北方稀土(0.22) [19] 4. **科创50指数预测调整** [20][21] * 预测调整2只成分股，调入股票为：翱捷科技-U、盛科通信-U [20][21] * 冲击系数分别为：翱捷科技-U(1.17)、盛科通信-U(0.89) [21]

量化模型与构建方式 1 PB-ROE-50 组合 - **模型名称**：PB-ROE-50 组合[23] - **模型构建思路**：基于市净率（PB）和净资产收益率（ROE）两个基本面指标进行选股，旨在挑选出估值合理且盈利能力强的股票[23] - **模型具体构建过程**：该组合的具体构建过程未在报告中详细阐述，但明确指出其核心是结合PB和ROE指标进行选股[23] 2 机构调研组合 - **模型名称**：机构调研组合[25] - **模型构建思路**：根据公募基金和私募基金的调研活动来构建选股策略，跟踪机构调研行为以挖掘潜在投资机会[25] - **模型具体构建过程**：报告提及了公募调研选股策略和私募调研跟踪策略，但未详细说明其具体的构建步骤和规则[25] 3 大宗交易组合 - **模型名称**：大宗交易组合[29] - **模型构建思路**：基于“高成交、低波动”原则，通过分析大宗交易数据来构建选股组合，认为大宗交易背后蕴含超额信息[29] - **模型具体构建过程**：组合根据“大宗交易成交金额比率”越高、“6日成交金额波动率”越低的准则进行月频调仓[29] 具体构建方法可参考2023年8月5日的报告《提炼大宗交易背后蕴含的超额信息——量化选股系列报告之十一》[29] 4 定向增发组合 - **模型名称**：定向增发组合[35] - **模型构建思路**：以定向增发事件作为驱动，在再融资政策收紧的背景下，分析定增事件效应并构建投资组合[35] - **模型具体构建过程**：以股东大会公告日为时间节点，综合考虑市值因素、调仓周期以及仓位控制来构造组合[35] 具体方法详见2023年11月26日报告《多角度解析定向增发中的投资机会——量化选股系列报告之十二》[35] 模型的回测效果 1 PB-ROE-50 组合业绩表现 - **中证500股票池**：本周超越基准收益率1.00%，今年以来超额收益率3.16%，本周绝对收益率0.96%，今年以来绝对收益率32.03%[24] - **中证800股票池**：本周超越基准收益率0.48%，今年以来超额收益率16.96%，本周绝对收益率1.07%，今年以来绝对收益率41.77%[24] - **全市场股票池**：本周超越基准收益率-2.00%，今年以来超额收益率19.87%，本周绝对收益率-1.38%，今年以来绝对收益率48.96%[24] 2 机构调研组合业绩表现 - **公募调研选股策略**：本周超越基准收益率0.00%，今年以来超额收益率12.56%，本周绝对收益率0.58%，今年以来绝对收益率36.44%[26] - **私募调研跟踪策略**：本周超越基准收益率-1.96%，今年以来超额收益率15.09%，本周绝对收益率-1.38%，今年以来绝对收益率39.50%[26] 3 大宗交易组合业绩表现 - **大宗交易组合**：本周超越基准收益率1.08%，今年以来超额收益率36.00%，本周绝对收益率1.71%，今年以来绝对收益率69.00%[30] 4 定向增发组合业绩表现 - **定向增发组合**：本周超越基准收益率1.93%，今年以来超额收益率-2.27%，本周绝对收益率2.57%，今年以来绝对收益率21.45%[36] 量化因子与构建方式 1 大类因子 - **估值因子**：本周在全市场股票池中获取正收益0.40%[18] - **市值因子**：本周在全市场股票池中获取负收益-0.72%，市场表现为小市值风格[18] - **非线性市值因子**：本周在全市场股票池中获取负收益-0.40%[18] - **动量因子**：本周在全市场股票池中获取负收益-0.79%，市场表现为反转效应[18] - **Beta因子**：本周在全市场股票池中获取负收益-0.43%[18] 2 单因子（列举部分） 报告在沪深300、中证500和流动性1500股票池中跟踪了大量单因子的表现[12][14][16] 因子方向包括正向和负向，收益为剔除行业与市值影响后多头组合相对于基准指数的超额收益[12] 例如市盈率TTM倒数、市净率因子、总资产毛利率TTM等[13][15][17] 因子的回测效果 1 沪深300股票池因子表现（部分因子） - **市盈率TTM倒数**：最近1周收益3.05%，最近1月收益8.84%，最近1年收益5.38%，最近10年收益58.36%[13] - **市盈率因子**：最近1周收益2.30%，最近1月收益6.90%，最近1年收益-5.53%，最近10年收益18.98%[13] - **市净率因子**：最近1周收益2.06%，最近1月收益5.65%，最近1年收益-4.89%，最近10年收益34.98%[13] - **总资产毛利率TTM**：最近1周收益-2.11%，最近1月收益-5.93%，最近1年收益7.00%，最近10年收益-15.93%[13] 2 中证500股票池因子表现（部分因子） - **市盈率TTM倒数**：最近1周收益2.71%，最近1月收益7.16%，最近1年收益-0.03%，最近10年收益45.90%[15] - **市净率因子**：最近1周收益2.07%，最近1月收益4.41%，最近1年收益-6.49%，最近10年收益48.83%[15] - **市盈率因子**：最近1周收益1.74%，最近1月收益5.59%，最近1年收益-2.56%，最近10年收益25.32%[15] - **总资产毛利率TTM**：最近1周收益-2.13%，最近1月收益-4.89%，最近1年收益0.13%，最近10年收益17.65%[15] 3 流动性1500股票池因子表现（部分因子） - **市盈率TTM倒数**：最近1周收益1.74%，最近1月收益3.82%，最近1年收益-0.37%，最近10年收益59.73%[17] - **市盈率因子**：最近1周收益1.68%，最近1月收益3.19%，最近1年收益-3.03%，最近10年收益41.51%[17] - **市净率因子**：最近1周收益1.34%，最近1月收益4.18%，最近1年收益-4.58%，最近10年收益77.40%[17] - **早盘后收益因子**：最近1周收益-3.00%，最近1月收益-1.10%，最近1年收益12.49%，最近10年收益69.92%[17]

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：港股精选组合模型**[14][15] * **模型构建思路**：该模型旨在对分析师推荐股票池进行基本面和技术面的双层优选，挑选出同时具备基本面支撑和技术面共振的超预期股票[14][15] * **模型具体构建过程**：首先，以分析师上调盈利预测、分析师首次关注、分析师研报标题超预期事件作为分析师推荐事件，构建初始的分析师推荐股票池[15]；接着，对该股票池中的股票进行基本面和技术面两个维度的精选，最终构建出港股精选股票组合[14][15] 2. **因子名称：平稳创新高股票筛选因子**[20][22][23] * **因子构建思路**：基于动量效应和趋势跟踪策略的有效性，从创出250日新高的股票中，根据分析师关注度、股价相对强弱、股价路径平稳性、创新高连续性等角度筛选出趋势更为稳健的“平稳创新高”股票[20][22][23] * **因子具体构建过程**： * **样本池**：全部港股，但需剔除成立时间不超过15个月的股票[23] * **核心指标**：250日新高距离，用于量化创新高情况，其计算公式为： $$250\ 日新高距离 = 1 - \frac{Close_t}{ts\_max(Close, 250)}$$ 其中，`Close_t` 为最新收盘价，`ts_max(Close, 250)` 为过去250个交易日收盘价的最大值[22]；若最新收盘价创出新高，则该值为0；若股价回落，则为正值，表示回落幅度[22] * **筛选条件**（在“过去20个交易日创出过250日新高的股票池”中应用）[22][23]： 1. **分析师关注度**：过去6个月内，发布买入或增持评级的分析师研报不少于5份[23] 2. **股价相对强弱**：过去250日涨跌幅位于全样本池的前20%[23] 3. **股价平稳性**：在满足上述条件的股票池内，使用以下两个指标综合打分，选取排名前50%的股票（最少取50只）[23]： * **价格路径平滑性（位移路程比）**：具体计算为 `过去120日涨跌幅绝对值 / 过去120日日涨跌幅绝对值加总`[22][23] * **创新高持续性**：过去120日的250日新高距离在时间序列上的均值[23] 4. **趋势延续性**：在满足股价平稳性条件的股票中，选取“过去5日的250日新高距离在时间序列上的均值”排序靠前的50只股票[23] 模型的回测效果 1. **港股精选组合模型**[15][18][19] * 回测区间：20100101-20250630[15] * 年化收益：19.11%[15][19] * 超额收益（相对恒生指数）：18.48%[15][19] * 信息比率（IR）：1.22[19] * 跟踪误差：14.55%[19] * 收益回撤比：0.78[19] * 最大回撤：23.73%[19] 因子的回测效果 *（注：研报中未提供“平稳创新高股票筛选因子”独立的量化回测绩效指标，如IC、IR等，仅展示了应用该因子筛选出的具体股票列表及其板块分布）[23][26]*

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：国信金工指数增强组合模型**[11] * **模型构建思路**：以多因子选股为主体，构建对标不同基准指数的增强组合，力求稳定战胜各自基准[10] * **模型具体构建过程**：构建流程主要包括收益预测、风险控制和组合优化三块[11] 2. **模型名称：单因子MFE组合模型**[38][39][42] * **模型构建思路**：采用组合优化的方式，在满足实际投资约束条件（如控制行业暴露、风格暴露等）下，检验单因子的有效性，使检验后认为"有效"的因子更可能在最终组合中发挥真实的收益预测作用[38] * **模型具体构建过程**：采用组合优化模型来构建最大化单因子暴露组合（Maximized Factor Exposure Portfolio，简称MFE组合）[38] 具体优化模型如下： $$\begin{array}{ll}max&f^{T}w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}w=1\end{array}$$ 其中，f为因子取值向量，w为待求解的股票权重向量，wb为基准指数成分股权重向量[38][39] 约束条件包括： * 组合在风格因子上的偏离度（X为风格因子暴露矩阵，sl, sh为偏离上下限）[39] * 组合相对于基准指数的行业偏离（H为行业暴露矩阵，hl, hh为偏离上下限）[39] * 个股权重相对于基准指数的偏离（wl, wh为偏离上下限）[39] * 组合在基准成分股内的权重占比控制（Bb为成分股标识向量，bl, bh为占比上下限）[39] * 卖空限制和个股权重上限控制[39] * 权重和为1的满仓运作约束[39] 构建过程为：每月末根据约束条件构建每个单因子的MFE组合，在回测期内换仓并计算收益，按双边0.3%扣除交易费用后，计算相对于基准的收益风险指标[42] 对于不同基准指数，约束参数设置不同，例如对中证500和沪深300控制行业和市值暴露为0，个股最大偏离权重1%[42] 3. **模型名称：公募重仓指数模型**[40][41] * **模型构建思路**：以公募基金的持股信息构建指数，测试因子在"机构风格"下的有效性，从而更精确判断因子对公募持仓池的选股有效性[40] * **模型具体构建过程**：选样空间为普通股票型基金和偏股混合型基金（剔除规模小于五千万且上市不足半年的基金）[41] 通过基金定期报告获取持股信息，对符合条件的基金计算平均持仓权重[41] 将股票按平均权重降序排序，选取累计权重达到90%的股票作为成分股来构建公募基金重仓指数[41] 模型的回测效果 1. **国信金工指数增强组合模型**，本周超额收益0.01%，本年超额收益18.92%（沪深300增强）[13] 2. **国信金工指数增强组合模型**，本周超额收益-0.26%，本年超额收益7.89%（中证500增强）[13] 3. **国信金工指数增强组合模型**，本周超额收益-0.63%，本年超额收益16.63%（中证1000增强）[13] 4. **国信金工指数增强组合模型**，本周超额收益0.20%，本年超额收益9.84%（中证A500增强）[13] 量化因子与构建方式 报告中详细列出了因子库，包含估值、反转、成长、盈利、流动性、公司治理、分析师等维度的30余个因子[15][16] 以下为部分因子示例： 1. **因子名称：BP**[16] * **因子构建思路**：属于估值类因子 * **因子具体构建过程**：净资产/总市值[16] 2. **因子名称：EPTTM**[16] * **因子构建思路**：属于估值类因子 * **因子具体构建过程**：归母净利润TTM/总市值[16] 3. **因子名称：一个月反转**[16] * **因子构建思路**：属于反转类因子 * **因子具体构建过程**：过去20个交易日涨跌幅[16] 4. **因子名称：一年动量**[16] * **因子构建思路**：属于动量类因子 * **因子具体构建过程**：近一年除近一月后动量[16] 5. **因子名称：单季净利同比增速**[16] * **因子构建思路**：属于成长类因子 * **因子具体构建过程**：单季度净利润同比增长率[16] 6. **因子名称：单季ROE**[16] * **因子构建思路**：属于盈利类因子 * **因子具体构建过程**：单季度归母净利润*2/（期初归母净资产+期末归母净资产）[16] 7. **因子名称：非流动性冲击**[16] * **因子构建思路**：属于流动性类因子 * **因子具体构建过程**：过去20个交易日的日涨跌幅绝对值/成交额的均值[16] 8. **因子名称：三个月波动**[16] * **因子构建思路**：属于波动类因子 * **因子具体构建过程**：过去60个交易日日内真实波幅均值[16] 9. **因子名称：高管薪酬**[16] * **因子构建思路**：属于公司治理类因子 * **因子具体构建过程**：前三高管报酬总额取对数[16] 10. **因子名称：预期EPTTM**[16] * **因子构建思路**：属于分析师类因子 * **因子具体构建过程**：一致预期滚动EP[16] 因子的回测效果 因子的回测效果体现在不同样本空间（沪深300、中证500、中证1000、中证A500、公募重仓指数）下，其单因子MFE组合在不同时间窗口（最近一周、最近一月、今年以来、历史年化）的超额收益表现[17][18][19][20][21][22][23][24][25][26] 具体数值详见原文图表，此处不一一列举。