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]

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：券商金股组合模型**[13][18] * **模型构建思路**：基于全市场券商每月发布的“十大金股”推荐，通过汇总分析师的集体智慧来构建投资组合[12] * **模型具体构建过程**： * **数据准备**：每月初统计全市场多家券商（如41家）发布的十大金股，并对所有金股进行去重处理，得到最终的股票池（如287只）[13] * **组合分类**：根据股票是否在上月也被推荐，将金股池进一步划分为“新进金股”和“重复金股”两个子组合[13] * **权重设置**：在每个组合（全部金股、新进金股、重复金股）内部，按照各家券商的推荐次数对个股进行加权，以反映市场共识强度[18] * **组合构建**：分别构建全部金股组合、新进金股组合和重复金股组合，并进行绩效回顾[18] 2. **模型名称：开源金工优选金股组合模型**[23] * **模型构建思路**：在“新进金股”样本池的基础上，引入业绩超预期因子（SUE因子）进行二次筛选，以构建表现更优的投资组合[23] * **模型具体构建过程**： * **样本选择**：首先确定当月的“新进金股”作为初始股票池[23] * **因子筛选**：在“新进金股”池中，计算每只股票的业绩超预期因子（SUE因子）值[23] * **个股选择**：根据SUE因子值进行排序，选择排名前30位的金股[23] * **权重设置**：对最终选出的30只金股，按照券商的推荐家数进行加权，构建最终的“优选金股组合”[23] 量化因子与构建方式 1. **因子名称：业绩超预期因子（SUE因子）**[23] * **因子构建思路**：该因子用于识别上市公司实际盈利情况超出市场普遍预期的程度，通常这类股票后续有更好的价格表现[23] * **因子具体构建过程**：报告中提到该因子在新进金股组合中具有优异的选股能力，并用于优选金股组合的构建，但未提供具体的计算公式和构建细节[23] * **因子评价**：报告指出，该因子在“新进金股”组合中表现出优异的选股能力[23] 模型的回测效果 1. **券商金股组合模型**[21][26] * 9月收益率：3.1%[21] * 2025年收益率：39.2%[21] * 年化收益率：14.1%[21] * 年化波动率：23.6%[21] * 收益波动比：0.60[21] * 最大回撤：42.6%[21] 2. **新进金股组合**[21][26] * 9月收益率：2.2%[21] * 2025年收益率：41.6%[21] * 年化收益率：16.7%[21] * 年化波动率：24.2%[21] * 收益波动比：0.69[21] * 最大回撤：38.5%[21] 3. **重复金股组合**[21][26] * 9月收益率：3.9%[21] * 2025年收益率：38.0%[21] * 年化收益率：11.9%[21] * 年化波动率：23.8%[21] * 收益波动比：0.50[21] * 最大回撤：45.0%[21] 4. **开源金工优选金股组合模型**[23][26] * 9月收益率：3.4%[23][26] * 2025年收益率：42.3%[23][26] * 年化收益率：22.6%[26] * 年化波动率：25.5%[26] * 收益波动比：0.89[26] * 最大回撤：24.6%[26] * 2025年相对中证500超额收益：+12.8%[23]

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：港股多维定量择时模型**[24] * **模型构建思路**：从基本面、流动性、资金面、情绪面、估值五大维度筛选有效指标，构建复合打分模型以判断恒生指数的买卖时机[24] * **模型具体构建过程**： 1. 选取三个有效单因子信号：OECD中国经济领先指标、恒指期权认沽认购比（PCR）、外资净买入金额[24] 2. 每个指标独立给出恒生指数的看多或看空信号[24] 3. 将各期信号取均值作为最终的复合打分[24] 4. 设定交易规则：当复合打分 > 0.5 时，买入恒生指数；否则空仓[24] 2. **模型名称：港股多维定量选股模型**[5][19] * **模型构建思路**：系统梳理和测试价量、现金流、质量成长、股东回报等多类选股因子的有效性，并结合“真外资”持仓和分析师目标价进行综合筛选，以构建港股优选组合[5][19] * **模型具体构建过程**： 1. 识别有效选股因子：近12月年化波动率（低波动）、全部资产现金回收率、股东回报（股息率+回购比率）、ROE波动率和roe_ttm同比等[5][19] 2. 结合“真外资”持仓数据进行分析[5][19] 3. 结合分析师目标价进行进一步筛选[5][19] 4. 最终形成“港股主动金股组合”和“港股定量优选30组合”[5][19][22][23] 量化因子与构建方式 1. **因子名称：卖空成交占比**[2][3][18][43] * **因子构建思路**：通过计算卖空成交金额占总成交金额的比例，来衡量市场的悲观情绪或对冲压力[2][3][18][43] * **因子具体构建过程**：报告中未给出具体计算公式，但提及该数据已飙升至17.78%的高位[2][3][18][43] 2. **因子名称：恒指期权认沽认购比（PCR）**[24][42] * **因子构建思路**：通过计算恒生指数看跌期权成交量与看涨期权成交量的比率，来反映期权市场投资者的情绪[24][42] * **因子具体构建过程**：报告给出了PCR的定义公式： $$PCR = \frac{\text{恒生指数看跌期权成交量}}{\text{恒生指数看涨期权成交量}}$$[42] 3. **因子名称：OECD中国经济领先指标**[24][26] * **因子构建思路**：利用OECD发布的中国经济领先指标作为宏观基本面代理变量，因其与港股上市公司基本面高度相关[24][26] * **因子具体构建过程**：直接使用OECD发布的数据。交易信号规则为：当OECD指标环比上行时，发出看多信号；指标走平或下行时，发出空仓信号[24][26] 4. **因子名称：外资净买入金额**[24][46] * **因子构建思路**：追踪注册地在中国大陆与香港之外的基金（定义为外资）对香港权益市场的净买入情况，作为资金面的观察指标[24][46] * **因子具体构建过程**：使用EPFR提供的全球基金资金流动数据，计算外资的净买入金额[46] 5. **因子名称：南向资金净买入**[3][4][46][47] * **因子构建思路**：跟踪内地通过港股通渠道净流入香港市场的资金，作为反映境内投资者对港股边际配置态度的重要指标[3][4][46][47] * **因子具体构建过程**：报告中未给出具体计算公式，但提及了近期净买入数据和重点增持的行业及个股[3][4][46][47] 6. **因子名称：近12月年化波动率**[5][19] * **因子构建思路**：衡量股票在过去一年内的价格波动风险，低波动因子在港股市场长期有效[5][19] * **因子具体构建过程**：报告中未给出具体计算公式 7. **因子名称：全部资产现金回收率**[5][19] * **因子构建思路**：评估公司全部资产产生现金的能力，是有效的现金流类因子[5][19] * **因子具体构建过程**：报告中未给出具体计算公式 8. **因子名称：股东回报（股息率+回购比率）**[5][19] * **因子构建思路**：综合衡量公司通过股息和股票回购回报股东的水平，该因子在港股市场长期有效[5][19] * **因子具体构建过程**：报告中未给出具体计算公式，但指明该因子由股息率与回购比率相加构成[5][19] 9. **因子名称：ROE波动率**[5][19] * **因子构建思路**：衡量公司净资产收益率（ROE）的稳定性，波动率低可能代表盈利质量更高[5][19] * **因子具体构建过程**：报告中未给出具体计算公式 10. **因子名称：roe_ttm同比**[5][19] * **因子构建思路**：计算滚动净资产收益率（ROE TTM）的同比增长率，作为成长性因子[5][19] * **因子具体构建过程**：报告中未给出具体计算公式 11. **因子名称：AH股溢价指数**[49][50] * **因子构建思路**：追踪同时在A股和H股上市的股票之间的价差，溢价指数高位回落可能预示港股相对A股有超额收益机会[49][50][51] * **因子具体构建过程**：指数根据成份股的A股及H股的流通市值，计算出A股相对H股的加权平均溢价[49] 模型的回测效果 1. **港股主动金股组合**[5][19] * 自2024年11月样本外以来，绝对收益高达+107.51%[5][19] * 相较恒生指数的超额收益为+74.83%[5][19] 2. **港股定量优选30组合**[5][19] * 自2024年11月初至今，绝对收益为+41.43%[5][19] * 相较港股高股息指数的超额收益为26.95%[5][19] 因子的回测效果 （报告中未提供单个因子的独立回测指标数据，如IC、IR等）

根据研报内容，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：打新收益测算模型**[41] * **模型构建思路**：该模型旨在测算不同规模、不同类型的投资账户参与网下新股申购所能获得的收益率[41] * **模型具体构建过程**：模型的核心是计算单只新股对单个账户的贡献收益，并加总得到特定时间段内的总收益[41] * 单账户个股打新收益计算公式为： $$单账户个股打新收益 = min（账户规模，申购上限） * 中签率 * 收益率$$[41] * 其中： * `min（账户规模，申购上限）` 表示账户在该只新股上的有效申购金额[41] * `中签率` 采用个股网下打新的实际中签结果，区分A类（公募基金、社保基金等）和C类（私募基金、其他）投资者[41] * `收益率` 的计算方式根据新股上市板块有所不同： * 对于科创板、创业板及全面注册制下的主板新股，使用上市首日成交均价相对于发行价的涨跌幅[41] * 对于非注册制下的主板新股，采用开板当日成交均价相对于发行价的涨跌幅；若统计区间内新股尚未开板，则使用动态12个月内主板上市个股开板实现收益率的均值作为替代[41] * 总收益为统计区间内所有新股打新收益的加总，并除以账户规模得到打新收益率[41][42][48] * **模型评价**：该模型是打新市场分析中广泛使用的标准测算框架，能够较为直观地反映不同条件下的打新收益潜力[41] 2. **模型名称：打满收益测算模型**[41] * **模型构建思路**：该模型测算在顶格申购（即申购金额达到新股规定的申购上限）且全部中签的理想情况下，投资者可获得的绝对收益[41][51] * **模型具体构建过程**：模型计算公式为： $$A/B/C类投资者打满收益 = 申购上限 * A/B/C类网下中签率 * 收益率$$[41] * 公式中各参数含义与“打新收益测算模型”一致[41] * **模型评价**：该模型用于衡量单只新股的收益上限，为投资者评估新股吸引力提供参考[41][51] 3. **因子名称：基金打新参与度**[57] * **因子构建思路**：衡量公募基金产品参与网下新股询价的积极程度[57] * **因子具体构建过程**：因子计算公式为： $$参与度 = 参与报价新股数 / 网下询价发行新股总数$$[57] 4. **因子名称：基金报价入围率**[57] * **因子构建思路**：衡量公募基金产品新股报价的有效性，即报价位于发行价格区间内从而获得配售资格的比例[57] * **因子具体构建过程**：因子计算公式为： $$报价入围率 = 有效报价个数 / 参与报价新股数$$[57] 模型的回测效果 1. **打新收益测算模型（2025年9月，5亿规模账户）**[42][48] * A类投资者主板打新收益率：0.026%[42] * C类投资者主板打新收益率：0.025%[42] * A类投资者创业板打新收益率：0.125%[42] * C类投资者创业板打新收益率：0.103%[42] * A类投资者全市场（主板+创业板）打新收益率：0.151%[48] * C类投资者全市场（主板+创业板）打新收益率：0.129%[48] 2. **打新收益测算模型（2025年累计，5亿规模账户）**[43][46][48][50] * A类投资者全市场累计打新收益率：1.285%[48] * C类投资者全市场累计打新收益率：1.164%[50] 3. **打满收益测算模型（2025年9月）**[43][46][51] * A类投资者主板打满收益：13.26万元[43] * C类投资者主板打满收益：12.73万元[43] * A类投资者创业板打满收益：87.69万元[46] * C类投资者创业板打满收益：72.70万元[46] 因子的回测效果 1. **基金打新参与度与报价入围率（2025年9月，筛选条件：参与度>=90%，入围率>=85%，规模2-5亿）**[57][58] * 代表性基金（如稀土ETF易方达）参与度：100.0%[58] * 代表性基金（如稀土ETF易方达）报价入围率：100.0%[58] * 代表性基金（如稀土ETF易方达）估算打新收益率：0.404%[58] 2. **机构打新参与度与报价入围率（2025年9月，TOP机构）**[60][61] * 代表性机构（如易方达基金）参与度：100.0%[61] * 代表性机构（如易方达基金）报价入围率：100.0%[61] * 代表性机构（如易方达基金）估算打新收益：1.33亿元[61]

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：券商金股业绩增强组合**[39][43] * **模型构建思路**：该模型以券商金股股票池为选股空间，旨在通过多因子优选的方式，构建一个能够稳定战胜偏股混合型基金指数的投资组合[12][43] * **模型具体构建过程**：模型构建过程主要参考国信金工团队于2022年2月18日发布的专题报告《券商金股全解析——数据、建模与实践》[12][39]具体构建方法包括：以券商金股股票池为选股空间和约束基准；采用组合优化的方式控制组合与券商金股股票池在个股、风格上的偏离；以全体公募基金的行业分布为行业配置基准[43] 模型的回测效果 1. **券商金股业绩增强组合**[44][47] * 全样本年化收益（考虑仓位）：19.34%[47] * 相对偏股混合型基金指数年化超额收益：14.38%[47] * 在主动股基中排名分位点（2018-2025年每年）：均排在前30%水平[44] * 本月（2025年9月）绝对收益：-0.55%[5][42] * 本月相对偏股混合型基金指数超额收益：-3.50%[5][42] * 本年（2025年初至9月30日）绝对收益：33.26%[5][42] * 本年相对偏股混合型基金指数超额收益：1.19%[5][42] * 今年以来在主动股基中排名分位点：43.07%（1494/3469）[5][42] 量化因子与构建方式 1. **因子名称：日内收益率**[3][28] * **因子评价**：最近一个月在券商金股股票池中表现较好[3][28] 2. **因子名称：BP（账面市值比）**[3][28] * **因子评价**：最近一个月在券商金股股票池中表现较好，但今年以来表现较差[3][28] 3. **因子名称：波动率**[3][28] * **因子评价**：最近一个月在券商金股股票池中表现较好，但今年以来表现较差[3][28] 4. **因子名称：总市值**[3][28] * **因子评价**：最近一个月在券商金股股票池中表现较差，但今年以来表现较好[3][28] 5. **因子名称：SUE（标准未预期盈余）**[3][28] * **因子评价**：最近一个月在券商金股股票池中表现较差[3][28] 6. **因子名称：单季度超预期幅度**[3][28] * **因子评价**：最近一个月在券商金股股票池中表现较差[3][28] 7. **因子名称：单季度营收增速**[3][28] * **因子评价**：今年以来在券商金股股票池中表现较好[3][28] 8. **因子名称：分析师净上调幅度**[3][28] * **因子评价**：今年以来在券商金股股票池中表现较好[3][28] 9. **因子名称：预期股息率**[3][28] * **因子评价**：今年以来在券商金股股票池中表现较差[3][28] 因子的回测效果 （报告中未提供具体因子分组的量化指标值，如IC、IR等多空收益等，仅提供了定性表现评论，因此本部分略）

根据提供的ESG动态跟踪月报内容，报告主要涉及对政策、市场热点和投资进展的梳理，并未包含具体的量化模型或量化因子的构建、测试过程。报告内容聚焦于宏观动态、政策解读和市场数据概览。 因此，本次总结无法提供“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”等部分的内容。

根据提供的金融工程月报，以下是关于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. 券商金股指数模型 - **模型构建思路**：券商金股组合能够体现总量分析师自上而下的配置能力和行业分析师自下而上的选股能力，并且研究发现该股票池能够较好地跟踪偏股混合型基金指数的表现[12][18] - **模型具体构建过程**：每月初汇总券商金股，根据其被券商推荐的家数进行加权构建指数，并于每月第一天收盘价进行调仓[18] 为了更公允地与偏股混合型基金指数比较，在计算收益时，以每次调仓时点所能获取的主动股基最近一个报告期的权益仓位中位数作为券商金股指数的仓位[18] 2. 券商金股业绩增强组合模型 - **模型构建思路**：以对标公募基金中位数为基准，在券商金股股票池中进行优选，目标是获得稳定战胜偏股混合型基金指数的表现[12][39][43] - **模型具体构建过程**：以券商金股股票池为选股空间和约束基准，采用组合优化的方式控制组合与券商金股股票池在个股、风格上的偏离，以全体公募基金的行业分布为行业配置基准进行构建[43] 组合考虑仓位及交易费用的影响[44] 量化因子与构建方式 1. 券商推荐家数因子 - **因子构建思路**：在券商金股股票池中，多人推荐的股票往往能够获得更高的市场关注度[31] - **因子具体构建过程**：统计每只股票被不同券商推荐为金股的家数，作为衡量市场关注度的指标[31][34] 2. 买方关注度因子 - **因子构建思路**：如果一只股票尚未被任何主动股基持有为前十大重仓股，说明其在公募基金经理群体中的关注度有待提升[35] - **因子具体构建过程**：识别本月券商金股股票池中，尚未被任何主动股基在最近一个季报中持有为前十大重仓股的样本[35][38] 3. 卖方关注度因子 - **因子构建思路**：如果某只股票在最近12个月均未被任何券商分析师推荐为金股，说明其在券商分析师群体中受到的关注相对较少[36] - **因子具体构建过程**：筛选本月金股中，属于近12个月以来首次出现在券商金股股票池中的样本[36][37] 4. 常见选股因子 报告中提到了在券商金股股票池中跟踪的多种常见选股因子[3][27]： - 日内收益率 - BP（账面市值比） - 波动率 - 总市值 - SUE（标准化未预期收益） - 单季度超预期幅度 - 单季度营收增速 - 分析师净上调幅度 - 预期股息率 模型的回测效果 1. 券商金股指数模型 - 本月（20250902-20250930）收益：3.65%[21] - 今年以来（20250102-20250930）收益：31.66%[21] - 同期偏股混合型基金指数收益：35.37%[21] 2. 券商金股业绩增强组合模型 **本月表现（2050901-20250930）**[5][42]： - 绝对收益：-0.55% - 相对偏股混合型基金指数超额收益：-3.50% **本年表现（20250102-20250930）**[5][42]： - 绝对收益：33.26% - 相对偏股混合型基金指数超额收益：1.19% - 在主动股基中排名分位点：43.07%（1494/3469） **历史表现（2018.1.2-2025.6.30）**[44][47]： - 年化收益：19.34% - 相对偏股混合型基金指数年化超额：14.38% - 2018-2025年期间，每年业绩排名都排在主动股基前30%的水平 因子的回测效果 1. 选股因子近期表现 **最近一个月表现**[3][27]： - 表现较好因子：日内收益率、BP、波动率 - 表现较差因子：总市值、SUE、单季度超预期幅度 **今年以来表现**[3][27]： - 表现较好因子：总市值、单季度营收增速、分析师净上调幅度 - 表现较差因子：波动率、预期股息率、BP 2. 行业因子表现 **本月行业组合收益**[22][23][25]： - 超额收益排名前三行业：计算机、房地产、汽车 **今年以来行业组合收益**[22][23][26]： - 超额收益排名前三行业：电子、汽车、计算机

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：A股赔率模型 - **模型构建思路**：基于股权风险溢价（ERP）和股息风险溢价（DRP）的标准化数值等权计算A股赔率，以衡量A股资产的估值吸引力[10] - **模型具体构建过程**：首先计算ERP和DRP，然后对这两个指标进行标准化处理，最后将标准化后的数值进行等权加总得到综合赔率指标[10] 2. 模型名称：宏观胜率评分卡模型 - **模型构建思路**：从货币、信用、增长、通胀和海外五个宏观因素出发，合成得到各资产的综合胜率指标[10][42] - **模型具体构建过程**：基于五个宏观因子构建评分体系，综合评估各类资产的胜率表现[10][42] 3. 模型名称：债券赔率模型 - **模型构建思路**：根据长短债预期收益差构建债券资产赔率指标，衡量债券市场的估值水平[11] - **模型具体构建过程**：使用利率债收益预测框架，基于长短债的预期收益差异来构建赔率指标[11] 4. 模型名称：美联储流动性指数模型 - **模型构建思路**：结合数量维度和价格维度构建美联储流动性指数，用于评估市场流动性状况[15] - **模型具体构建过程**：从联储负债端存款准备金、净流动性、联储信用支持、预期引导、市场隐含、公告意外等多个维度综合构建流动性指数[16] 5. 模型名称：行业轮动三维评价模型 - **模型构建思路**：基于趋势-景气度-拥挤度三维评价体系进行行业轮动配置[34][36] - **模型具体构建过程**：使用行业过去12个月信息比率刻画行业动量和趋势，以行业的换手率比率、波动率比率和beta比率刻画行业的交易拥挤度，结合景气度指标形成三维评价体系[34] 6. 模型名称：赔率+胜率增强型策略 - **模型构建思路**：结合各资产的赔率与胜率策略的风险预算，在目标波动率约束的条件下构建资产配置策略[3][39][45] - **模型具体构建过程**：将赔率策略的风险预算和胜率策略的风险预算进行简单相加得到综合得分，据此进行资产配置权重调整[45] 量化因子与构建方式 1. 因子名称：价值因子 - **因子构建思路**：基于价值风格的三标尺（赔率、趋势、拥挤度）进行综合评价[19][22] - **因子具体构建过程**：从赔率、趋势和拥挤度三个维度对价值风格进行量化评分，赔率回升至0.9倍标准差，趋势位于-0.3倍标准差，拥挤度处于-1.4倍标准差的较低水平[19][22] 2. 因子名称：小盘因子 - **因子构建思路**：基于小盘风格的三标尺进行综合评价[20][23] - **因子具体构建过程**：小盘因子的赔率处于-0.2倍标准差（中性水平），趋势位于1.6倍标准差（极高水平），拥挤度回落至-0.5倍标准差（中低水平）[20][23] 3. 因子名称：质量因子 - **因子构建思路**：基于质量风格的三标尺进行综合评价[24][26] - **因子具体构建过程**：质量风格赔率当前位于1.4倍标准差，拥挤度处于-0.5倍标准差的较低水平，趋势处于-1.2倍标准差的较低水平[24][26] 4. 因子名称：成长因子 - **因子构建思路**：基于成长风格的三标尺进行综合评价[27][29] - **因子具体构建过程**：成长因子趋势回升至0.1倍标准差的中等水平，赔率位于0.8倍标准差，拥挤度升至1.0倍标准差[27][29] 模型的回测效果 1. 赔率+胜率增强型策略 - 2011年以来年化收益7.0%，最大回撤2.8%[3][45] - 2014年以来年化收益7.6%，最大回撤2.7%[3][45] - 2019年以来年化收益7.2%，最大回撤2.8%[3][45] 2. 赔率增强型策略 - 2011年以来年化收益6.6%，最大回撤3.0%[39][41] - 2014年以来年化收益7.5%，最大回撤2.4%[39][41] - 2019年以来年化收益7.0%，最大回撤2.4%[39][41] 3. 胜率增强型策略 - 2011年以来年化收益7.0%，最大回撤2.8%[42][44] - 2014年以来年化收益7.7%，最大回撤2.3%[42][44] - 2019年以来年化收益6.3%，最大回撤2.3%[42][44] 4. 行业轮动三维评价模型 - 2011年以来超额表现13.1%，跟踪误差11.0%，最大回撤25.4%，信息比率1.18[35] - 2014年以来超额表现13.0%，跟踪误差12.0%，最大回撤25.4%，信息比率1.08[35] - 2019年以来超额表现10.8%，跟踪误差10.7%，最大回撤12.3%，信息比率1.02[35] 因子的回测效果 1. 价值因子 - 赔率：0.9倍标准差[19][22] - 趋势：-0.3倍标准差[19][22] - 拥挤度：-1.4倍标准差[19][22] - 综合得分：3分[19] 2. 小盘因子 - 赔率：-0.2倍标准差[20][23] - 趋势：1.6倍标准差[20][23] - 拥挤度：-0.5倍标准差[20][23] - 综合得分：2.2分[20] 3. 质量因子 - 赔率：1.4倍标准差[24][26] - 趋势：-1.2倍标准差[24][26] - 拥挤度：-0.5倍标准差[24][26] - 综合得分：0.6分[24] 4. 成长因子 - 赔率：0.8倍标准差[27][29] - 趋势：0.1倍标准差[27][29] - 拥挤度：1.0倍标准差[27][29] - 综合得分：0.1分[27]