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：三维择时框架**[7][11][12][16] * **模型构建思路**：通过综合评估市场分歧度、流动性和景气度三个维度的变化趋势，对市场短期走势进行判断[7][11] * **模型具体构建过程**：模型基于三个核心指标：市场分歧度指数、市场流动性指数和A股景气度指数[7][11][19][21][25] 通过观察这三个指标的趋势（如下行、扩大、回升）及其组合状态，形成对市场（如震荡下跌）的综合判断[7][11] 2. **模型名称：ETF热点趋势策略**[30][31][32] * **模型构建思路**：通过筛选价格形态呈上涨趋势且短期市场关注度提升的ETF，构建投资组合[30] * **模型具体构建过程**：首先，根据K线的最高价与最低价的上涨或下跌形态，选出最高价与最低价同时为上涨形态的ETF[30] 其次，根据最高价与最低价近20日回归系数的相对陡峭程度，构建支撑阻力因子[30] 最后，在支撑阻力因子的多头组中，选择近5日换手率/近20日换手率最高（即短期市场关注度明显提升）的10只ETF，构建风险平价组合[30] 3. **模型名称：资金流共振策略**[34][37][40] * **模型构建思路**：结合融资融券资金流和主动大单资金流，选择两类资金都看好的行业[34][37] * **模型具体构建过程**： * **行业融资融券资金因子**：定义为经Barra市值因子中性化后的（个股）融资净买入-融券净卖出，在行业层面加总，然后取最近50日均值，并计算其两周环比变化率[37] 公式为：`因子值 = (最近50日平均融资净买入额 - 最近50日平均融券净卖出额) / 上期50日平均值 * 100%`[37] * **行业主动大单资金因子**：定义为行业最近一年成交量时序中性化后的净流入排序，并取最近10日均值[37] * **策略规则**：在主动大单因子的头部打分行业内，剔除融资融券因子的头部行业（因融资融券因子多头端在某些市场状态下有稳定的负向超额收益），以提高策略稳定性[37] 进一步剔除大金融板块后，得到最终推荐的行业组合[37][40] 量化因子与构建方式 1. **因子名称：风格因子（size, beta, momentum, value, growth等）**[43][44] * **因子构建思路**：采用常见的风格因子体系，用于描述市场的风格特征[43][44] * **因子具体构建过程**：报告提及了多个风格因子，包括规模(size)、贝塔(beta)、动量(momentum)、波动率(volatility)、非线性市值(nlsize)、估值(value)、流动性(liquidity)、盈利收益率(earnings_yield)、成长(growth)、杠杆(leverage)等[44] 这些因子通常基于股价、市值、财务数据等计算，并进行了标准化处理[44] 2. **因子名称：Alpha因子（如io_to_float_a_share, top_ten_mean_stkvaluetonav等）**[47][48][49][50] * **因子构建思路**：从不同维度（如基金持仓、动量、分析师覆盖、财务质量等）构建选股因子[47][48] * **因子具体构建过程**：报告列出了多个Alpha因子及其释义： * `io_to_float_a_share`: 根据基金年报和半年报披露持股数统计，基金总持股数占个股流通股比值[48] * `top_ten_mean_stkvaluetonav`: 根据基金披露前十大重仓股，重仓股数占净值均值[48] * `mom_1y_1m`: 1年收益率减去1个月收益率[48] * `top_ten_io_to_float_a_share`: 根据基金披露前十大重仓股，重仓股数占个股流通股比值[48] * `ana_cov`: 过去90个交易日分析师预测数[48] * `tot_rd_ttm_to_sales`: 研发销售收入占比[50] * `tot_rd_ttm_to_assets`: 研发总资产占比[48][50] * `tot_rd_ttm_to_equity`: 研发净资产占比[48][50] * 其他因子如 `mom_6m`（6个月收益率）, `yoy_orps_q`（单季度每股营业收入同比增长率）等[50] 模型的回测效果 1. **三维择时框架**：模型保持对市场的震荡下跌判断[7] 2. **ETF热点趋势策略**：策略今年以来表现优于沪深300，累计超额收益为正[31] 3. **资金流共振策略**：策略2018年以来费后年化超额收益13.5%，信息比率(IR)为1.7，相对北向-大单共振策略回撤更小[37] 策略上周实现-1.5%的绝对收益与-0.7%的超额收益（相对行业等权）[37] 因子的回测效果 1. **风格因子近期表现**[43][44]： * **beta因子**：最近一周收益率为2.19%，本年收益率为26.61%[44] * **growth因子**：最近一周收益率为1.51%，近一月收益率为4.74%[43][44] * **value因子**：最近一周收益率为-1.42%，近一月收益率为-1.32%[43][44] * **size因子**：最近一周收益率为1.46%，本年收益率为-23.35%[44] * **momentum因子**：最近一周收益率为0.27%，本年收益率为-3.31%[44] 2. **Alpha因子多头超额表现**[47][48][49][50]： * **近期表现较好因子（近一周多头超额）**： * `io_to_float_a_share`: 1.32%[48] * `top_ten_mean_stkvaluetonav`: 1.00%[48] * `mom_1y_1m`: 0.94%[48] * `top_ten_io_to_float_a_share`: 0.92%[48] * **分指数表现（上周多头超额）**： * `tot_rd_ttm_to_sales`因子在沪深300中超额36.52%，在中证500中超额29.00%，在中证800中超额37.34%，在中证1000中超额39.13%[50] * `tot_rd_ttm_to_assets`因子在沪深300中超额37.87%，在中证500中超额25.27%，在中证800中超额37.86%，在中证1000中超额36.26%[50] * 整体看，小市值指数（如中证1000）下部分因子表现更好[49]

量化因子与构建方式 1 因子名称：估值因子[10]；因子构建思路：基于公司估值水平构建的因子，衡量股票价格相对于其基本面价值的偏离程度[10]；因子具体构建过程：包含多个细分因子，包括估值-EP（市盈率倒数）、估值-BP（市净率倒数）、估值-SP（市销率倒数）和股息率因子[11][12][13][14] 2 因子名称：成长因子[10]；因子构建思路：基于公司成长性指标构建的因子，衡量公司业务和盈利的增长能力[10]；因子具体构建过程：包含多个细分因子，包括营业收入增长率、净利润增长率和ROE增长率[11][12][13][14] 3 因子名称：盈利因子[10]；因子构建思路：基于公司盈利能力指标构建的因子，衡量公司创造利润的效率[10]；因子具体构建过程：包含多个细分因子，包括ROE（净资产收益率）、ROA（总资产收益率）、毛利率和净利率[11][12][13][14] 4 因子名称：小市值因子[10]；因子构建思路：基于公司市值规模构建的因子，衡量小市值股票的溢价效应[10]；因子具体构建过程：直接使用公司市值作为因子指标[11][12][13][14] 5 因子名称：反转因子[10]；因子构建思路：基于股票价格反转效应构建的因子，衡量过去表现差的股票未来可能出现的反弹[10]；因子具体构建过程：包含多个细分因子，包括1个月反转、3个月反转、衰减换手率加权3个月反转和衰减换手率加权6个月反转[11][12][13][14] 6 因子名称：波动率因子[10]；因子构建思路：基于股票价格波动性构建的因子，衡量股票风险水平[10]；因子具体构建过程：包含多个细分因子，包括1个月波动率、3个月波动率、FF三因子残差1个月波动率和FF三因子残差3个月波动率[11][12][13][14] 7 因子名称：换手率因子[10]；因子构建思路：基于股票交易活跃度构建的因子，衡量市场关注度和流动性[10]；因子具体构建过程：包含多个细分因子，包括1个月日均换手率、3个月日均换手率和近1个月/近2年的日均换手率[11][12][13][14] 8 因子名称：超预期因子[10]；因子构建思路：基于公司业绩超预期程度构建的因子，衡量市场预期与实际业绩的差异[10]；因子具体构建过程：包含多个细分因子，包括SUR（收入超预期）和SUE（盈利超预期）[11][12][13][14] 9 因子名称：预期估值因子[10]；因子构建思路：基于分析师一致预期构建的估值因子，衡量未来预期估值水平[10]；因子具体构建过程：包含多个细分因子，包括预期EP_FY1（预期市盈率倒数）、预期PEG倒数_FY1和预期BP_FY1（预期市净率倒数）[11][12][13][14] 10 因子名称：预期净利润复合增速FY1[10]；因子构建思路：基于分析师一致预期构建的成长因子，衡量未来预期盈利增长能力[10]；因子具体构建过程：使用分析师预测的未来一年净利润复合增长率作为因子指标[11][12][13][14] 因子的回测效果 1 估值因子，本月以来Rank IC均值：沪深300为-11.02%[11]，中证500为6.54%[12]，中证1000为3.07%[13]，全A股为6.04%[14]；近一季度Rank IC均值：沪深300为-3.96%[11]，中证500为0.40%[12]，中证1000为-0.39%[13]，全A股为3.08%[14]；今年以来Rank IC均值：沪深300为-1.07%[11]，中证500为-0.51%[12]，中证1000为0.19%[13]，全A股为2.85%[14]；2015年以来Rank IC均值：沪深300为4.40%[11]，中证500为4.96%[12]，中证1000为4.88%[13]，全A股为6.24%[14] 2 成长因子，本月以来Rank IC均值：沪深300为9.19%[11]，中证500为4.10%[12]，中证1000为-0.22%[13]，全A股为-1.70%[14]；近一季度Rank IC均值：沪深300为4.73%[11]，中证500为2.79%[12]，中证1000为5.34%[13]，全A股为3.95%[14]；今年以来Rank IC均值：沪深300为6.31%[11]，中证500为3.59%[12]，中证1000为3.49%[13]，全A股为4.49%[14]；2015年以来Rank IC均值：沪深300为1.31%[11]，中证500为3.92%[12]，中证1000为3.81%[13]，全A股为2.96%[14] 3 盈利因子，本月以来Rank IC均值：沪深300为10.78%[11]，中证500为4.79%[12]，中证1000为3.27%[13]，全A股为0.25%[14]；近一季度Rank IC均值：沪深300为5.04%[11]，中证500为-1.37%[12]，中证1000为2.22%[13]，全A股为2.28%[14]；今年以来Rank IC均值：沪深300为5.45%[11]，中证500为1.99%[12]，中证1000为0.84%[13]，全A股为3.83%[14]；2015年以来Rank IC均值：沪深300为1.73%[11]，中证500为3.46%[12]，中证1000为3.55%[13]，全A股为3.13%[14] 4 小市值因子，本月以来Rank IC均值：沪深300为4.17%[11]，中证500为-6.83%[12]，中证1000为3.48%[13]，全A股为-4.98%[14]；近一季度Rank IC均值：沪深300为3.04%[11]，中证500为-8.50%[12]，中证1000为-1.55%[13]，全A股为-7.88%[14]；今年以来Rank IC均值：沪深300为1.39%[11]，中证500为3.01%[12]，中证1000为5.76%[13]，全A股为9.04%[14]；2015年以来Rank IC均值：沪深300为-1.84%[11]，中证500为1.12%[12]，中证1000为4.92%[13]，全A股为4.36%[14] 5 反转因子，本月以来Rank IC均值：沪深300为-9.98%[11]，中证500为4.28%[12]，中证1000为2.81%[13]，全A股为8.41%[14]；近一季度Rank IC均值：沪深300为-3.64%[11]，中证500为3.02%[12]，中证1000为5.33%[13]，全A股为9.00%[14]；今年以来Rank IC均值：沪深300为4.57%[11]，中证500为6.05%[12]，中证1000为7.87%[13]，全A股为9.77%[14]；2015年以来Rank IC均值：沪深300为4.06%[11]，中证500为4.97%[12]，中证1000为7.82%[13]，全A股为8.90%[14] 6 波动率因子，本月以来Rank IC均值：沪深300为-2.63%[11]，中证500为2.97%[12]，中证1000为9.77%[13]，全A股为12.12%[14]；近一季度Rank IC均值：沪深300为-4.45%[11]，中证500为1.60%[12]，中证1000为5.79%[13]，全A股为9.97%[14]；今年以来Rank IC均值：沪深300为0.36%[11]，中证500为1.84%[12]，中证1000为6.07%[13]，全A股为8.30%[14]；2015年以来Rank IC均值：沪深300为4.68%[11]，中证500为6.81%[12]，中证1000为8.22%[13]，全A股为9.22%[14] 7 换手率因子，本月以来Rank IC均值：沪深300为1.30%[11]，中证500为5.45%[12]，中证1000为16.37%[13]，全A股为16.55%[14]；近一季度Rank IC均值：沪深300为-4.42%[11]，中证500为0.99%[12]，中证1000为8.49%[13]，全A股为12.22%[14]；今年以来Rank IC均值：沪深300为-0.68%[11]，中证500为3.23%[12]，中证1000为8.04%[13]，全A股为10.33%[14]；2015年以来Rank IC均值：沪深300为3.84%[11]，中证500为6.98%[12]，中证1000为9.17%[13]，全A股为9.55%[14] 8 超预期因子，本月以来Rank IC均值：沪深300为6.11%[11]，中证500为-6.38%[12]，中证1000为-3.40%[13]，全A股为-4.17%[14]；近一季度Rank IC均值：沪深300为6.11%[11]，中证500为2.28%[12]，中证1000为2.63%[13]，全A股为1.95%[14]；今年以来Rank IC均值：沪深300为6.14%[11]，中证500为3.21%[12]，中证1000为3.25%[13]，全A股为2.94%[14]；2015年以来Rank IC均值：沪深300为2.69%[11]，中证500为2.58%[12]，中证1000为2.90%[13]，全A股为2.58%[14] 9 预期估值因子，本月以来Rank IC均值：沪深300为-12.20%[11]，中证500为1.83%[12]，中证1000为1.27%[13]，全A股为-3.28%[14]；近一季度Rank IC均值：沪深300为-3.75%[11]，中证500为-1.35%[12]，中证1000为-4.51%[13]，全A股为-2.78%[14]；今年以来Rank IC均值：沪深300为-2.62%[11]，中证500为0.16%[12]，中证1000为-1.23%[13]，全A股为-1.25%[14]；2015年以来Rank IC均值：沪深300为-0.80%[11]，中证500为0.42%[12]，中证1000为-0.28%[13]，全A股为0.42%[14] 10 预期净利润复合增速FY1因子，本月以来Rank IC均值：沪深300为4.61%[11]，中证500为-0.66%[12]，中证1000为3.40%[13]，全A股为0.97%[14]；近一季度Rank IC均值：沪深300为-2.29%[11]，中证500为1.08%[12]，中证1000为2.14%[13]，全A股为4.16%[14]；今年以来Rank IC均值：沪深300为1.09%[11]，中证500为1.38%[12]，中证1000为1.80%[13]，全A股为1.33%[14]；2015年以来Rank IC均值：沪深300为-0.27%[11]，中证500为0.58%[12]，中证1000为1.36%[13]，全A股为1.16%[14]

量化模型与构建方式 1. A股大盘择时模型 - **模型名称**：A股多维择时模型[2][9] - **模型构建思路**：从估值、情绪、资金、技术四个维度对万得全A指数进行整体方向性判断，左侧指标（估值、情绪）采用反转逻辑规避风险，右侧指标（资金、技术）采用趋势逻辑捕捉机会[9] - **模型具体构建过程**： - 选取四个维度的具体指标： - 估值维度：股权风险溢价（ERP）[9][15] - 情绪维度：期权沽购比、期权隐含波动率、期货会员持仓比[9][15] - 资金维度：融资买入额[9][15] - 技术维度：布林带、个股涨跌成交额占比差[9][15] - 各维度日频发出信号，每日信号取值为0（看平）、+1（看多）、-1（看空）[9] - 以各维度得分之和的正负性作为大盘多空观点的依据[9] 2. 红利风格择时模型 - **模型名称**：红利风格择时模型[3][17] - **模型构建思路**：结合中证红利相对中证全指的动量、10Y-1Y期限利差和银行间质押式回购成交量三者的趋势进行择时[3][17] - **模型具体构建过程**： - 选取三个维度的指标： - 中证红利相对中证全指的动量：红利风格正向指标[21] - 10Y-1Y期限利差：红利风格负向指标[21] - 银行间质押式回购成交量：红利风格正向指标[21] - 三个指标从趋势维度日频发出信号，每日信号取值为0（看平）、+1（看多）、-1（看空）[17] - 以各维度得分之和的正负性作为红利风格多空观点的依据[17] - 当模型看好红利风格时全仓持有中证红利，不看好时全仓持有中证全指[17] 3. 大小盘风格择时模型 - **模型名称**：大小盘风格择时模型[3][22] - **模型构建思路**：采用基于拥挤度分域的趋势模型进行择时，在不同拥挤度区间采用不同参数的双均线模型判断趋势[3][22][24] - **模型具体构建过程**： - 以沪深300指数和万得微盘股指数为大小盘风格代表[22] - 从动量视角和成交视角计算大小盘风格拥挤度得分[22][26]： - 动量之差：计算万得微盘股指数与沪深300指数的多窗长（10/20/30/40/50/60日）动量之差，进一步计算各窗长动量之分的3.0/3.5/4.0/4.5/5.0年分位数的均值，对6个计算窗长下分位数最高的3个结果取均值作为小盘风格的动量得分，最低的3个结果取均值作为大盘风格的动量得分[26] - 成交额之比：计算万得微盘股指数与沪深300指数的多窗长（10/20/30/40/50/60日）成交额之比，进一步计算各窗长成交额之比的3.0/3.5/4.0/4.5/5.0年分位数的均值，对6个计算窗长下分位数最高的3个结果取均值作为小盘风格的成交量得分，最低的3个结果取均值作为大盘风格的成交量得分[26] - 将小盘风格的动量得分和成交量得分取均值得到小盘风格的拥挤度得分，大于90%视为触发高拥挤；将大盘风格的动量得分和成交量得分取均值得到大盘风格的拥挤度得分，小于10%视为触发高拥挤[26] - 若最近20个交易日中曾触发过高拥挤，视为运行在高拥挤区间，否则为低拥挤区间[24] - 在高拥挤区间采用小参数双均线模型应对风格反转，在低拥挤区间采用大参数双均线模型跟踪中长期趋势[24] 4. 行业轮动模型 - **模型名称**：遗传规划行业轮动模型[4][29][32] - **模型构建思路**：采用双目标遗传规划技术直接对行业指数的量价、估值等特征进行因子挖掘，每季度末更新因子库，周频调仓[4][29][32] - **模型具体构建过程**： - 底层资产为32个中信行业指数[29] - 使用双目标遗传规划，以|IC|和NDCG@5两个指标同时评价因子的分组单调性和多头组表现[32] - 采用NSGA-II算法提升因子多样性、降低过拟合风险[33] - 结合贪心策略和方差膨胀系数，将共线性较弱的多个因子合成为行业得分[33] - 每周末选出多因子综合得分最高的五个行业进行等权配置[4][29] - 最新一期权重最大的因子基于单行业流动性中性化后的估值水平构建[36]： - 在截面上，用全体行业市净率滚动4年分位数对标准化月度成交额开展带有常数项的一元线性回归，取残差，记作变量A[37] - 在过去15个交易日中，取A最小的9个交易日，取其之和，记作变量B[37] - 在过去15个交易日中，对B开展zscore标准化；对于大于2.5的数值，进行反转即乘以-1；最后计算这15个交易日之和[37] 5. 中国境内全天候增强组合 - **模型名称**：中国境内全天候增强组合[5][38] - **模型构建思路**：采用宏观因子风险预算框架，选取增长超预期/不及预期、通胀超预期/不及预期四种宏观风险源作为平价对象，在四象限风险平价的基础上基于宏观预期动量的观点主动偏配看好象限[5][38] - **模型具体构建过程**： - 宏观象限划分与资产选择：选择增长和通胀维度，根据是否超预期划分为四象限，结合"定量+定性"的方式确定各象限适配的资产[41] - 象限组合构建与风险度量：象限内资产等权构建子组合，注重刻画象限的下行风险[41] - 风险预算模型确定象限权重：每月底根据"象限观点"调整象限风险预算，进行主动偏配[41] - "象限观点"由宏观预期动量指标给出，该指标综合考虑资产价格交易的"买方预期动量"和经济指标预期差体现的"卖方预期差动量"[41] - 模型月频调仓，9月配置观点为超配"增长超预期"象限和"通胀超预期"象限[5] 模型的回测效果 1. A股多维择时模型 - 回测区间：2010-01-05至2025-09-26[14] - 年化收益：25.23%[14] - 最大回撤：-28.46%[14] - 夏普比率：1.17[14] - Calmar比率：0.89[14] - YTD收益：40.98%[14] - 上周收益：0.15%[14] 2. 红利风格择时模型 - 回测区间：2017-01-03至2025-09-26[20] - 年化收益：16.04%[20] - 最大回撤：-25.52%[20] - 夏普比率：0.87[20] - Calmar比率：0.63[20] - YTD收益：21.75%[20] - 上周收益：0.23%[20] 3. 大小盘风格择时模型 - 回测区间：2017-01-03至2025-09-26[27] - 年化收益：26.25%[27] - 最大回撤：-30.86%[27] - 夏普比率：1.09[27] - Calmar比率：0.85[27] - YTD收益：65.89%[27] - 上周收益：1.07%[27] 4. 遗传规划行业轮动模型 - 回测区间：2022-09-30至2025-09-26[32] - 年化收益：32.60%[32] - 年化波动：17.95%[32] - 夏普比率：1.82[32] - 最大回撤：-19.63%[32] - 卡玛比率：1.66[32] - 上周表现：0.27%[32] - YTD收益：36.44%[32] 5. 中国境内全天候增强组合 - 回测区间：2013-12-31至2025-09-26[42] - 年化收益：11.53%[42] - 年化波动：6.16%[42] - 夏普比率：1.87[42] - 最大回撤：-6.30%[42] - 卡玛比率：1.83[42] - 上周表现：0.66%[42] - YTD收益：9.02%[42]

量化模型与构建方式 1 模型名称：绝对收益ETF模拟组合[4][36]；模型构建思路：通过大类资产配置和权益资产内部轮动实现绝对收益目标，主要根据资产近期趋势分配风险预算并计算基础权重，同时结合月频行业轮动模型和红利资产择时观点[4][36]；模型具体构建过程：首先对大类资产近期趋势进行量化计算，趋势较强的资产赋予较高风险预算，根据风险预算计算大类资产的基础配置权重，然后在权益资产内部采用月频行业轮动模型生成每月行业配置观点，并叠加红利资产的择时观点，最终形成组合权重[4][36] 模型的回测效果 1 绝对收益ETF模拟组合，年化收益率6.61%，年化波动率3.81%，最大回撤4.65%，夏普比率1.73，Calmar比率1.42，今年以来收益率7.47%，近一周收益率0.13%[4][36][37]

根据提供的量化周报内容，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：A股景气指数模型**[27] * **模型构建思路**：该模型旨在对A股市场的景气度进行高频Nowcasting（即时预测），其核心目标是预测上证指数的归母净利润同比增速[27] * **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，仅说明其构建目标是Nowcasting上证指数归母净利润同比[27] 2. **模型名称：A股情绪指数模型**[30] * **模型构建思路**：该模型基于市场的波动率和成交额变化方向来刻画投资者情绪，并据此生成见底和见顶预警信号[30] * **模型具体构建过程**：模型将市场状态根据波动率和成交额的变化方向划分为四个象限。历史回测表明，只有在“波动率上行-成交额下行”的区间市场表现为显著负收益，其余三个区间均为显著正收益。基于此规律构建情绪指数，具体包括见底预警指数（基于价格/波动率）和见顶预警指数（基于成交量）[30][33] 3. **模型名称：指数增强组合模型**[44][51] * **模型构建思路**：构建能够跑赢特定基准指数（如中证500、沪深300）的投资组合[44][51] * **模型具体构建过程**：报告未详细说明具体的模型构建过程，但展示了根据策略模型生成的持仓明细[47][53] 4. **模型名称：主题挖掘算法**[44] * **模型构建思路**：通过分析新闻和研报文本，自动挖掘当前市场的热点主题投资机会[44] * **模型具体构建过程**：算法流程包括文本处理、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[44] 模型的回测效果 1. **中证500增强组合**：本周收益1.89%，跑赢基准0.91%。2020年至今，累计超额收益50.71%，最大回撤-5.73%[44] 2. **沪深300增强组合**：本周收益0.26%，跑输基准0.81%。2020年至今，累计超额收益37.70%，最大回撤-5.86%[51] 3. **A股情绪指数系统择时表现**：报告通过图表展示了该系统的历史择时表现，但未给出具体的数值指标[41] 量化因子与构建方式 1. **因子体系**：报告中提及参照BARRA因子模型，构建了十大类风格因子用于市场风格分析和组合收益归因[55] 2. **因子名称**：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）[55] 3. **因子构建思路**：这些因子用于刻画股票在不同维度的风险暴露，从而解释市场收益来源和组合表现[55][61] 4. **因子具体构建过程**：报告未提供每个因子的具体计算公式和构建细节[55] 因子的回测效果 1. **近期因子表现概览**： * **表现较好的因子**：高Beta、高成长因子近期表现优异[56] * **表现不佳的因子**：残差波动率、价值等因子近期表现不佳[56] 2. **本周因子表现**： * **风格因子**：市值因子超额收益较高，残差波动率因子呈现较为显著的负向超额收益[56] * **行业因子**：电子、电力设备、有色金属等行业因子相对市场市值加权组合获得较高超额收益；消费者服务、食品饮料、商贸零售等行业因子回撤较多[56] 3. **因子相关性**：本周流动性因子分别与Beta、动量、残差波动率因子呈现明显正相关性；价值因子分别与Beta、残差波动率、流动性等因子呈现明显负相关性[56]

量化模型与构建方式 1. 成交量模型 - 模型构建思路：基于市场成交量的变化来预测短期市场走势[10] - 模型具体构建过程：通过监测宽基指数的成交量变化，判断市场情绪和资金流向，当成交量显著放大时看多，缩量时看空，无明显变化时中性[10][12] 2. 低波动率模型 - 模型构建思路：利用市场波动率的高低来判断市场状态[10][12] - 模型具体构建过程：计算市场指数的波动率，当波动率处于低位时中性，高位时看空[12] 3. 特征龙虎榜机构模型 - 模型构建思路：通过分析龙虎榜机构资金流向预测市场走势[10][12] - 模型具体构建过程：监控龙虎榜机构资金的净流入流出情况，机构资金大幅净流入时看多[12] 4. 特征成交量模型 - 模型构建思路：基于特定特征成交量变化判断市场趋势[10][12] - 模型具体构建过程：分析特定板块或特征的成交量变化，当出现异常放量时看空[12] 5. 智能算法沪深300模型 - 模型构建思路：应用智能算法对沪深300指数进行预测[10][12] - 模型具体构建过程：采用机器学习算法分析历史价量数据，输出看空信号[12] 6. 智能算法中证500模型 - 模型构建思路：应用智能算法对中证500指数进行预测[10][12] - 模型具体构建过程：采用机器学习算法分析历史价量数据，输出看空信号[12] 7. 涨跌停模型 - 模型构建思路：通过涨跌停板数量变化判断市场情绪[10][13] - 模型具体构建过程：统计市场涨跌停股票数量比例，当比例处于正常区间时中性[13] 8. 月历效应模型 - 模型构建思路：利用历史月历效应规律预测市场走势[10][13] - 模型具体构建过程：分析历史同期月份的市场表现规律，当前无明显月历效应时中性[13] 9. 长期动量模型 - 模型构建思路：基于长期价格动量趋势判断市场方向[10][14] - 模型具体构建过程：计算长期价格动量指标，当显示向上趋势时看多[14] 10. A股综合兵器V3模型 - 模型构建思路：综合多种因子和信号的复合模型[10][15] - 模型具体构建过程：集成短期、中期、长期多个模型的信号，加权平均后输出看空信号[15] 11. A股综合国证2000模型 - 模型构建思路：专门针对国证2000指数的综合预测模型[10][15] - 模型具体构建过程：结合国证2000的特有价量特征和宏观因子，输出看空信号[15] 12. 成交额倒波幅模型 - 模型构建思路：通过成交额与波动率的关系预测港股走势[10][16] - 模型具体构建过程：计算成交额与波动率的比值，当比值显示积极信号时看多[16] 13. 形态识别模型（双底形态） - 模型构建思路：通过识别技术分析中的双底形态来选股[44][50] - 模型具体构建过程：识别价格走势中形成的W底形态，当价格突破颈线位时确认突破信号[50] 14. 形态识别模型（杯柄形态） - 模型构建思路：通过识别技术分析中的杯柄形态来选股[44][47] - 模型具体构建过程：识别价格走势中形成的杯状整理后带柄部突破的形态，当价格突破柄部高点时确认信号[47] 15. VIX指数模型 - 模型构建思路：利用波动率指数预测市场恐慌情绪[42][44] - 模型具体构建过程：计算期权隐含波动率，构建VIX指数，与大盘呈现负相关关系[42] 模型的回测效果 1. 形态识别模型表现 - 双底形态组合：本周下跌-2.12%，相对上证综指跑输-2.35%，累计上涨31.39%，跑赢上证综指19.31%[44] - 杯柄形态组合：本周下跌-0.7%，相对上证综指跑输-0.94%，累计上涨69.0%，跑赢上证综指56.92%[44] 2. 大师策略监控 - 价值型大师策略：19篇[38] - 成长型大师策略：6篇[38] - 综合型大师策略：8篇[38] 量化因子与构建方式 1. 成交量因子 - 因子构建思路：基于成交量变化捕捉资金流向[10][12] - 因子具体构建过程：计算相对成交量比率和成交量移动平均变化[12] 2. 波动率因子 - 因子构建思路：利用波动率测量市场风险程度[10][12] - 因子具体构建过程：计算历史波动率和已实现波动率[12] 3. 动量因子 - 因子构建思路：基于价格动量效应[10][14] - 因子具体构建过程：计算不同时间周期的收益率动量$$R_t = \frac{P_t}{P_{t-n}} - 1$$[14] 4. 龙虎榜资金因子 - 因子构建思路：捕捉机构资金流向[10][12] - 因子具体构建过程：统计龙虎榜机构买卖净额[12] 5. 涨跌停因子 - 因子构建思路：测量市场极端情绪[10][13] - 因子具体构建过程：计算涨跌停股票数量比例[13] 6. 月历效应因子 - 因子构建思路捕捉季节性规律[10][13] - 因子具体构建过程：分析历史同期月份收益表现[13] 7. 形态识别因子 - 因子构建思路：识别技术形态突破[44][47][50] - 因子具体构建过程：通过模式识别算法检测双底、杯柄等形态[47][50] 因子的回测效果 1. 形态识别因子表现 - 杯柄形态突破个股：上周6只个股中3只跑赢上证综指，平均超额收益-2.8%[45] - 双底形态突破个股：上周6只个股中1只跑赢上证综指，平均超额收益-2.59%[48] 2. 大师策略因子暴露 - 通过大师策略能发现收益靠前组合的因子暴露情况[38]

量化模型与构建方式 1 模型名称：扩散指数行业轮动模型[3][23][24]；模型构建思路：基于价格动量原理，通过计算行业扩散指数来捕捉行业趋势，选择扩散指数排名靠前的行业进行配置[24][36]；模型具体构建过程：首先，计算每个中信一级行业的扩散指数，该指数反映了行业内个股价格走势的强弱程度；然后，每周或每月跟踪各行业扩散指数的数值及其变化，并选择扩散指数排名前六的行业作为当期配置建议[25][28]；模型评价：该模型在趋势性行情中表现较好，能有效捕捉行业动量，但在市场风格切换至反转行情时可能面临失效风险[24][36] 2 模型名称：GRU因子行业轮动模型[3][6][31]；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，以把握短期交易信息并进行行业轮动[31][37]；模型具体构建过程：首先，收集各行业的分钟频量价数据；然后，将这些数据输入到GRU深度学习网络中进行训练，以生成GRU行业因子；最后，根据GRU行业因子的数值进行排序，选择因子排名靠前的行业进行配置[6][32][34]；模型评价：该模型对短周期行情有较好的自适应能力，但在长周期表现一般，且可能因极端行情而失效[31][37] 模型的回测效果 1 扩散指数行业轮动模型，2025年以来超额收益3.68%[3][23][28] 2 GRU因子行业轮动模型，2025年以来超额收益-7.53%[3][31][34] 量化因子与构建方式 1 因子名称：行业扩散指数[3][5][25]；因子的构建思路：通过量化行业内个股价格走势的强弱来构建一个综合指标，用以衡量行业的整体趋势强度[24][36]；因子具体构建过程：对于每个中信一级行业，计算其成分股中价格处于上涨趋势的股票比例或使用其他类似方法合成一个0到1之间的指数，数值越高代表行业趋势越强[25][26] 2 因子名称：GRU行业因子[3][6][32]；因子的构建思路：利用GRU深度学习模型处理高频量价数据，提取能够预测行业短期表现的因子[31][37]；因子具体构建过程：使用各行业的分钟频量价数据作为输入特征，通过训练好的GRU网络模型输出一个因子得分，该得分反映了模型对该行业未来表现的预测[32][37] 因子的回测效果 1 行业扩散指数因子，截至2025年9月26日，在通信行业的取值为0.949，在有色金属行业的取值为0.927，在银行业的取值为0.897，在电子行业的取值为0.864，在汽车行业的取值为0.859，在综合行业的取值为0.811[5][25] 2 GRU行业因子，截至2025年9月26日，在钢铁行业的取值为3.15，在房地产行业的取值为2.6，在建材行业的取值为2.08，在石油石化行业的取值为1.85，在交通运输行业的取值为0.81，在电力及公用事业的取值为0.01[6][32]

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. **公募基金仓位测算模型**[20][21][22][23] * **模型构建思路**： 通过持股市值加权平均的方法，测算主动权益型基金和“固收+”基金的整体仓位水平，以监控市场资金动向和风险偏好[20][21][22][23] * **模型具体构建过程**： 首先，根据基金类型（如普通股票型、偏股混合型等）和特定条件（如成立时间、规模、历史仓位）筛选合格样本[23]；然后，对合格样本的仓位数据按其持股市值进行加权平均计算，得到市场整体平均仓位[23]；具体筛选门槛包括：成立期满两个季度、未到期、规模大于5000万元、过去四期平均仓位大于60%（主动权益型）或在10%-30%之间（“固收+”基金），并剔除不完全投资于A股的基金[23] 2. **主动权益产品风格仓位模型**[27][28][29] * **模型构建思路**： 将主动偏股型基金的持仓按市值规模（大、中、小盘）和价值/成长风格进行划分，计算各类风格的配置比例，以分析基金风格偏好变化[27][28][29] * **模型具体构建过程**： 基于基金的持仓数据，将股票划分为大盘成长、大盘价值、中盘成长、中盘价值、小盘成长、小盘价值等风格类别；然后，加总计算主动偏股型基金在所有样本中，对每个风格类别的持仓市值占比，得到各风格的仓位百分比[27][28][29] 3. **主动权益产品行业仓位模型**[30][31] * **模型构建思路**： 基于中信一级行业分类，测算主动权益型基金在各行业的配置比例及其变动趋势，以跟踪基金行业配置动向[30][31] * **模型具体构建过程**： 使用基金的持仓数据，计算其在中信各一级行业（如电子、医药、银行等）的持股市值；然后，以持股市值加权平均值的方式，计算所有样本基金在每个行业的配置比例，并与前一期数据比较得出变动情况[30][31] 4. **主力/主动资金流统计模型**[47][48] * **模型构建思路**： 根据同花顺对成交单的划分标准，统计不同规模资金（特大单、大单、中单、小单）在个股和行业层面的净流入/流出情况，以分析资金动向[47][48] * **模型具体构建过程**： 首先，定义资金类型标准：特大单（成交量≥20万股或金额≥100万元）、大单（6万股≤成交量<20万股或30万元≤金额<100万元）、中单（1万股≤成交量<6万股或5万元≤金额<30万元）、小单（成交量<1万股或金额<5万元）[47]；然后，分别计算每个交易日各只股票或每个行业在不同资金类型上的买入总额与卖出总额之差，得到净流入额；最后，按周度等时间窗口汇总统计[48] 模型的回测效果 * **公募基金仓位测算模型**：截至2025/9/26，主动权益型基金平均仓位为90.31%，其中普通股票型基金仓位92.51%，偏股混合型基金仓位91.14%，配置型基金仓位88.03%，“固收+”基金平均仓位23.27%[20] * **主动权益产品风格仓位模型**：截至2025/9/26，主动偏股型基金大盘成长仓位32.35%，大盘价值仓位9.73%，中盘成长仓位6.73%，中盘价值仓位8.35%，小盘成长仓位36.19%，小盘价值仓位6.64%[27] * **主动权益产品行业仓位模型**：截至2025/9/26，主动权益型基金配置比例上调较多的行业有电子（约18.72%）、传媒（约2.12%）、计算机（约4.43%）、银行（约3.29%）、机械（约5.41%）；配比下调较多的行业有基础化工（约3.89%）、通信（约7.39%）、农林牧渔（约1.41%）、房地产（约0.83%）、交通运输（约1.44%）[30] * **主力/主动资金流统计模型**：本周（2025/9/22-2025/9/26）主力资金净流入银行，流出电子、计算机；主动资金主买净额约-2688.64亿元，净流入银行，流出机械、医药[48]

量化模型与构建方式 1. 择时雷达六面图综合模型 - **模型名称**：择时雷达六面图综合模型 - **模型构建思路**：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21个指标，综合生成[-1,1]之间的择时分数，概括为四大类（估值性价比、宏观基本面、资金&趋势、拥挤度&反转）[2][7] - **模型具体构建过程**： 1. 对每个维度下的指标分别计算分数（部分指标通过z-score、阈值判断或趋势比较等方式生成[-1,0,1]或连续分数） 2. 将六个维度的分数综合处理（具体方法未详细说明）生成最终择时分数 - **模型评价**：能够多维度刻画市场状态，提供综合择时观点 --- 量化因子与构建方式 1. 货币方向因子 - **因子构建思路**：判断货币政策方向，通过利率变化方向表征宽松或收紧[11] - **因子具体构建过程**： 选取央行货币政策工具利率与短端市场利率，计算其相较于90天前的平均变化方向： - 若 >0，判断货币政策宽松（分数=1） - 若 <0，判断货币政策收紧（分数=-1）[11] 2. 货币强度因子 - **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”概念[15] - **因子具体构建过程**： 计算偏离度： $$偏离度 = \frac{DR007}{7天逆回购利率} - 1$$ 对偏离度进行平滑与z-score处理，形成货币强度因子： - 若 < -1.5倍标准差，则未来120日分数=1 - 若 > 1.5倍标准差，则未来120日分数=-1[15] 3. 信用方向因子 - **因子构建思路**：表征商业银行对实体经济传导的松紧，使用中长期贷款指标[18] - **因子具体构建过程**： 计算中长期贷款过去十二个月增量，再计算同比： - 若信用方向因子相比三个月前上升，则分数=1 - 若下降，则分数=-1[18] 4. 信用强度因子 - **因子构建思路**：捕捉信用指标是否大幅超预期或不及预期[22] - **因子具体构建过程**： 计算： $$信用强度因子 = \frac{新增人民币贷款当月值 - 预期中位数}{预期标准差}$$ - 若 >1.5倍标准差，则未来60日分数=1 - 若 <-1.5倍标准差，则未来60日分数=-1[22] 5. 增长方向因子 - **因子构建思路**：基于PMI数据判断经济增长方向[25] - **因子具体构建过程**： 使用中采制造业PMI、中采非制造业PMI、财新制造业PMI，计算过去十二月均值，再计算同比： - 若相比三个月前上升，则分数=1 - 若下降，则分数=-1[25] 6. 增长强度因子 - **因子构建思路**：捕捉经济增长指标是否大幅超预期或不及预期[28] - **因子具体构建过程**： 计算PMI预期差： $$增长强度因子 = \frac{PMI - 预期中位数}{预期标准差}$$ - 若 >1.5倍标准差，则未来60日分数=1 - 若 <-1.5倍标准差，则未来60日分数=-1[28] 7. 通胀方向因子 - **因子构建思路**：判断通胀水平对货币政策的影响[32] - **因子具体构建过程**： 计算： $$通胀方向因子 = 0.5 \times CPI同比平滑值 + 0.5 \times PPI同比原始值$$ - 若相较于三个月前降低，则分数=1 - 若上升，则分数=-1[32] 8. 通胀强度因子 - **因子构建思路**：捕捉通胀指标是否大幅超预期或不及预期[35] - **因子具体构建过程**： 分别计算CPI与PPI预期差： $$预期差 = \frac{披露值 - 预期中位数}{预期标准差}$$ 取两者均值作为通胀强度因子： - 若 <-1.5倍标准差，则未来60日分数=1 - 若 >1.5倍标准差，则未来60日分数=-1[35] 9. 席勒ERP因子 - **因子构建思路**：计算经通胀调整的盈利估值指标，衡量权益性价比[38] - **因子具体构建过程**： 计算过去6年通胀调整后的平均盈利（席勒PE），再计算： $$席勒 ERP = \frac{1}{席勒 PE} - 10年期国债到期收益率$$ 对席勒ERP计算过去6年z-score作为分数[38] 10. PB因子 - **因子构建思路**：使用PB指标衡量估值水平[40] - **因子具体构建过程**： 对PB×(-1)计算过去6年z-score，1.5倍标准差截尾后标准化到±1之间得到分数[40] 11. AIAE因子 - **因子构建思路**：衡量全市场权益配置比例，反映市场风险偏好[44] - **因子具体构建过程**： 计算： $$AIAE = \frac{中证全指总流通市值}{中证全指总流通市值 + 实体总债务}$$ 对AIAE×(-1)计算过去6年z-score得到分数[44] 12. 两融增量因子 - **因子构建思路**：通过两融余额变化判断市场情绪[47] - **因子具体构建过程**： 计算融资余额-融券余额，再计算120日均增量与240日均增量： - 若120日均增量 > 240日均增量，则分数=1 - 若120日均增量 < 240日均增量，则分数=-1[47] 13. 成交额趋势因子 - **因子构建思路**：通过成交额均线距离判断市场热度[50] - **因子具体构建过程**： 计算对数成交额的均线距离： $$均线距离 = \frac{ma120}{ma240} - 1$$ - 若max(10)=max(30)=max(60)，则分数=1 - 若min(10)=min(30)=min(60)，则分数=-1[50] 14. 中国主权CDS利差因子 - **因子构建思路**：通过CDS利差变化判断外资流入意愿[53] - **因子具体构建过程**： 对平滑后CDS利差计算20日差分： - 若20日差分 <0，则分数=1 - 若20日差分 >0，则分数=-1[53] 15. 海外风险厌恶指数因子 - **因子构建思路**：通过花旗风险厌恶指数判断海外市场风险偏好[56] - **因子具体构建过程**： 对平滑后风险厌恶指数计算20日差分： - 若20日差分 <0，则分数=1 - 若20日差分 >0，则分数=-1[56] 16. 价格趋势因子 - **因子构建思路**：通过均线距离判断价格趋势方向与强度[60] - **因子具体构建过程**： 计算均线距离： $$均线距离 = \frac{ma120}{ma240} - 1$$ - 趋势方向分数：若 >0则为1，否则为-1 - 趋势强度分数：若max(20)=max(60)则为1，若min(20)=min(60)则为-1 综合分数 = (趋势方向分数 + 趋势强度分数)/2[60] 17. 新高新低数因子 - **因子构建思路**：通过成分股新高新低个数判断市场反转信号[63] - **因子具体构建过程**： 计算中证800成分股过去一年新高数-新低数的ma20： - 若 >0，则分数=1 - 若 <0，则分数=-1[63] 18. 期权隐含升贴水因子 - **因子构建思路**：通过期权隐含升贴水判断市场情绪与拥挤度[66] - **因子具体构建过程**： 基于看涨看跌平价关系推导隐含升贴水： - 若50ETF近5日收益率<0且指标分位数<30%，则分数=1（持续20日） - 若50ETF近5日收益率>0且指标分位数>70%，则分数=-1（持续20日）[66] 19. 期权VIX指数因子 - **因子构建思路**：通过期权隐含波动率判断市场情绪[67] - **因子具体构建过程**： - 若50ETF近5日收益率<0且指标分位数>70%，则分数=1（持续20日） - 若50ETF近5日收益率>0且指标分位数>70%，则分数=-1（持续20日）[67] 20. 期权SKEW指数因子 - **因子构建思路**：通过期权隐含偏度判断市场情绪[72] - **因子具体构建过程**： - 若50ETF近5日收益率<0且指标分位数>70%，则分数=1（持续20日） - 若50ETF近5日收益率>0且指标分位数<30%，则分数=-1（持续20日）[72] 21. 可转债定价偏离度因子 - **因子构建思路**：通过可转债估值水平判断市场情绪[74] - **因子具体构建过程**： 计算： $$可转债定价偏离度 = \frac{转债价格}{模型定价} - 1$$ 对定价偏离度×(-1)计算过去3年z-score得到分数[74] --- 模型的回测效果 1. 择时雷达六面图综合模型 - 当前综合打分：-0.30分[2][7][9] --- 因子的回测效果 1. 货币方向因子 - 当前分数：1分[12] 2. 货币强度因子 - 当前分数：-1分[15] 3. 信用方向因子 - 当前分数：1分[19] 4. 信用强度因子 - 当前分数：0分[22] 5. 增长方向因子 - 当前分数：1分[26] 6. 增长强度因子 - 当前分数：-1分[29] 7. 通胀方向因子 - 当前分数：-1分[32] 8. 通胀强度因子 - 当前分数：0分[35] 9. 席勒ERP因子 - 当前分数：0.07分[42] 10. PB因子 - 当前分数：-0.46分[41] 11. AIAE因子 - 当前分数：-0.77分[44] 12. 两融增量因子 - 当前分数：1分[47] 13. 成交额趋势因子 - 当前分数：0分[50] 14. 中国主权CDS利差因子 - 当前分数：1分[54] 15. 海外风险厌恶指数因子 - 当前分数：-1分[57] 16. 价格趋势因子 - 当前分数：0分[62] 17. 新高新低数因子 - 当前分数：-1分[63] 18. 期权隐含升贴水因子 - 当前分数：-1分[66] 19. 期权VIX指数因子 - 当前分数：-1分[68] 20. 期权SKEW指数因子 - 当前分数：-1分[72] 21. 可转债定价偏离度因子 - 当前分数：-1.00分[74]

量化模型与构建方式 1. 风格因子模型 - **模型名称**：BARRA风格因子模型[16] - **模型构建思路**：参考BARRA因子模型构建10个风格因子，以捕捉A股市场的风格变化[16] - **模型具体构建过程**：通过细分因子合成大类风格因子，细分因子构造方式及大类因子合成方式见表3[16]。具体因子构建如下： - 估值因子=BP，其中BP（Book to Price）=归母股东权益/总市值[17] - 成长因子=（SGRO+EGRO）/2，其中： - SGRO（Sales growth）：过去五个财年年报的每股营业收入按时间进行回归，将回归系数（斜率）除以每股营业收入的平均值[17] - EGRO（Earnings growth）：过去五个财年年报的每股归母净利润按时间进行回归，将回归系数（斜率）除以每股归母净利润的平均值[17] - 盈利因子=（ETOP+CETOP）/2，其中： - ETOP（Earnings-to-price ratio）：归母净利润TTM/总市值[17] - CETOP（Cash earnings-to-price ratio）：经营活动产生的现金流量净额TTM/总资产[17] - 规模因子=LNCAP，其中LNCAP（Natural log of market cap）=总市值的对数[17] - Beta因子=BETA，将个股过去252个交易日的日收益率与中证全指日收益率进行半衰指数加权回归，半衰期为63个交易日，最终取回归系数作为BETA[17] - 动量因子=RSTR，其中RSTR（Relative strength）=过去504个交易日个股累计收益率，不含最近21个交易日，收益率序列使用半衰指数加权，半衰期为126个交易日[17] - 流动性因子=（STOM+STOQ+STOA）/3，其中： - STOM（Share turnover, one month）：个股过去1个月的换手率加总，之后取对数[17] - STOQ（Average share turnover, trailing 3 months）：个股过去3个月STOM的均值[17] - STOA（Average share turnover, trailing 12 months）：个股过去12个月STOM的均值[17] - 波动性因子=（DASTD+CMRA+HSIGMA）/3，其中： - DASTD（Daily standard deviation）：过去250个交易日个股相对于所有股票等权指数的超额收益率的标准差，计算标准差时使用半衰指数加权，半衰期为40个交易日[17] - CMRA（Cumulative range）：计算个股过去12个月内的累计对数收益率，将累计最高收益与累积最低收益做差[17] - HSIGMA（Historical sigma）：计算BETA时残差的标准差[17] - 非线性市值因子=NLSIZE，将股票总市值对数的三次方与对数市值进行加权最小二乘回归，其中权重为对数市值的平方根，最终取回归残差作为NLSIZE[17] - 杠杆因子=（MLEV+DTOA+BLEV）/3，其中： - MLEV（Market leverage）：非流动负债/总市值[17] - DTOA（Debt to assets）：总负债/总资产[17] - BLEV（Book leverage）：非流动负债/归属母公司股东权益[17] 2. 中性约束条件下最大化因子暴露组合构建方法 - **模型名称**：中性约束条件下最大化因子暴露组合[22][23] - **模型构建思路**：在确保投资组合相对基准指数在行业和风格暴露保持中性的基础上，最大化目标因子在组合中的暴露[23] - **模型具体构建过程**：参考附录中的具体构建方法[23] 量化因子与构建方式 1. 估值因子 1. **因子名称**：BP[22] - 因子构建思路：衡量账面价值与市场价值的比率[22] - 因子具体构建过程：归属母公司股东权益/总市值[22] - 参考方向：正向[22] 2. **因子名称**：单季度EP[22] - 因子构建思路：衡量单季度盈利与市值的比率[22] - 因子具体构建过程：单季度归母净利润/总市值[22] - 参考方向：正向[22] 3. **因子名称**：EP_TTM[22] - 因子构建思路：衡量滚动盈利与市值的比率[22] - 因子具体构建过程：归母净利润TTM/总市值[22] - 参考方向：正向[22] 4. **因子名称**：单季度SP[22] - 因子构建思路：衡量单季度营收与市值的比率[22] - 因子具体构建过程：单季度营业收入/总市值[22] - 参考方向：正向[22] 5. **因子名称**：SP_TTM[22] - 因子构建思路：衡量滚动营收与市值的比率[22] - 因子具体构建过程：营业收入TTM/总市值[22] - 参考方向：正向[22] 6. **因子名称**：单季度CFEV[22] - 因子构建思路：衡量单季度现金流与调整市值的比率[22] - 因子具体构建过程：单季度经营活动产生的现金流量净额/（市值+短期借款+长期借款+应付债券-货币资金）[22] - 参考方向：正向[22] 7. **因子名称**：CFEV_TTM[22] - 因子构建思路：衡量滚动现金流与调整市值的比率[22] - 因子具体构建过程：经营活动产生的现金流量净额TTM/（市值+短期借款+长期借款+应付债券-货币资金）[22] - 参考方向：正向[22] 2. 成长因子 8. **因子名称**：单季度净利润同比增速[22] - 因子构建思路：衡量单季度净利润同比增长情况[22] - 因子具体构建过程：单季度归母净利润同比增长率[22] - 参考方向：正向[22] 9. **因子名称**：单季度营业收入同比增速[22] - 因子构建思路：衡量单季度营业收入同比增长情况[22] - 因子具体构建过程：单季度营业收入同比增长率[22] - 参考方向：正向[22] 10. **因子名称**：单季度营业利润同比增速[22] - 因子构建思路：衡量单季度营业利润同比增长情况[22] - 因子具体构建过程：单季度营业利润同比增长率[22] - 参考方向：正向[22] 11. **因子名称**：标准化预期外盈利[22] - 因子构建思路：衡量盈利超出预期的程度[22] - 因子具体构建过程：（当前季度归母净利润-（去年同期单度归母净利润+过去8个季度单季归母净利润同比增长均值））/过去8个季度的单季度归母净利润同比增长值的标准差[22] - 参考方向：正向[22] 12. **因子名称**：标准化预期外收入[22] - 因子构建思路：衡量收入超出预期的程度[22] - 因子具体构建过程：（当前季度营业收入-（去年同期单度营业收入+过去8个季度单季度营业收入同比增长均值））/过去8个季度的单季度营业收入同比增长值的标准差[22] - 参考方向：正向[22] 13. **因子名称**：单季度ROE同比[22] - 因子构建思路：衡量单季度ROE同比变化[22] - 因子具体构建过程：ROE单季度同比变化[22] - 参考方向：正向[22] 14. **因子名称**：单季度ROA同比[22] - 因子构建思路：衡量单季度ROA同比变化[22] - 因子具体构建过程：ROA单季度同比变化[22] - 参考方向：正向[22] 3. 质量因子 15. **因子名称**：单季度ROE[22] - 因子构建思路：衡量单季度净资产收益率[22] - 因子具体构建过程：单季度归母净利润/归属母公司股东权益[22] - 参考方向：正向[22] 16. **因子名称**：单季度ROA[22] - 因子构建思路：衡量单季度总资产收益率[22] - 因子具体构建过程：单季度归母净利润/总资产[22] - 参考方向：正向[22] 17. **因子名称**：单季度毛利率[22] - 因子构建思路：衡量单季度毛利率水平[22] - 因子具体构建过程：（单季度营业收入-单季度营业成本）/单季度营业收入[22] - 参考方向：正向[22] 18. **因子名称**：单季度营业利润率[22] - 因子构建思路：衡量单季度营业利润率水平[22] - 因子具体构建过程：单季度营业利润/单季度营业收入[22] - 参考方向：正向[22] 19. **因子名称**：单季度净利润率[22] - 因子构建思路：衡量单季度净利润率水平[22] - 因子具体构建过程：单季度归母净利润/单季度营业收入[22] - 参考方向：正向[22] 20. **因子名称**：盈余质量[22] - 因子构建思路：衡量盈余质量[22] - 因子具体构建过程：（经营活动现金流量净额-营业利润）/总资产[22] - 参考方向：正向[22] 21. **因子名称**：流动比率[22] - 因子构建思路：衡量流动性风险[22] - 因子具体构建过程：流动资产/流动负债[22] - 参考方向：正向[22] 4. 规模因子 22. **因子名称**：对数市值[22] - 因子构建思路：衡量公司规模[22] - 因子具体构建过程：总市值的对数[22] - 参考方向：负向[22] 5. 反转因子 23. **因子名称**：20日反转[22] - 因子构建思路：衡量短期反转效应[22] - 因子具体构建过程：个股过去20个交易日收益率[22] - 参考方向：负向[22] 24. **因子名称**：60日反转[22] - 因子构建思路：衡量中期反转效应[22] - 因子具体构建过程：个股过去60个交易日收益率[22] - 参考方向：负向[22] 6. 动量因子 25. **因子名称**：60日动量[22] - 因子构建思路：衡量中期动量效应[22] - 因子具体构建过程：个股过去60个交易日（排除近20日）收益率[22] - 参考方向：正向[22] 26. **因子名称**：240日动量[22] - 因子构建思路：衡量长期动量效应[22] - 因子具体构建过程：个股过去240个交易日（排除近20日）收益率[22] - 参考方向：正向[22] 27. **因子名称**：盈余公告前隔夜动量[22] - 因子构建思路：衡量盈余公告前的隔夜动量效应[22] - 因子具体构建过程：个股盈余公告前20个交易日的隔夜收益[22] - 参考方向：正向[22] 28. **因子名称**：盈余公告次日开盘跳空超额[22] - 因子构建思路：衡量盈余公告次日的开盘跳空效应[22] - 因子具体构建过程：个股盈余公告次日开盘价/昨日收盘价-中证全指次日开盘价/昨日收盘价[22] - 参考方向：正向[22] 7. 流动性因子 29. **因子名称**：20日换手率[22] - 因子构建思路：衡量短期换手率水平[22] - 因子具体构建过程：个股过去20个交易日换手率的平均值[22] - 参考方向：负向[22] 30. **因子名称**：60日换手率[22] - 因子构建思路：衡量中期换手率水平[22] - 因子具体构建过程：个股过去60个交易日换手率的平均值[22] - 参考方向：负向[22] 31. **因子名称**：20日换手率波动[22] - 因子构建思路：衡量短期换手率波动[22] - 因子具体构建过程：个股过去20个交易日换手率的标准差[22] - 参考方向：负向[22] 32. **因子名称**：60日换手率波动[22] - 因子构建思路：衡量中期换手率波动[22] - 因子具体构建过程：个股过去60个交易日换手率的标准差[22] - 参考方向：负向[22] 33. **因子名称**：20日非流动性冲击[22] - 因子构建思路：衡量短期非流动性冲击[22] - 因子具体构建过程：个股过去20个交易日的收益率绝对值/过去20日成交额的均值[22] - 参考方向：正向[22] 34. **因子名称**：60日非流动性冲击[22] - 因子构建思路：衡量中期非流动性冲击[22] - 因子具体构建过程：个股过去60个交易日的收益率绝对值/过去60日成交额的均值[22] - 参考方向：正向[22] 8. 波动性因子 35. **因子名称**：20日收益率标准差[22] - 因子构建思路：衡量短期收益波动[22] - 因子具体构建过程：个股过去20个交易日的日收益率标准差[22] - 参考方向：负向[22] 36. **因子名称**：60日收益率标准差[22] - 因子构建思路：衡量中期收益波动[22] - 因子具体构建过程：个股过去60个交易日的日收益率标准差[22] - 参考方向：负向[22] 37. **因子名称**：20日特异度[22] - 因子构建思路：衡量短期特异度[22] - 因子具体构建过程：个股过去20个交易日的日收益与Fama-French三因子回归的拟合度[22] - 参考方向：负向[22] 38. **因子名称**：60日特异度[22] - 因子构建思路：衡量中期特异度[22] - 因子具体构建过程：个股过去60个交易日的日收益与Fama-French三因子回归的拟合度[22] - 参考方向：负向[22] 39. **因子名称**：20日三因子模型残差波动率[22] - 因子构建思路：衡量三因子模型残差的短期波动[22] - 因子具体构建过程：个股过去20个交易日的日收益对Fama-French三因子回归的残差的标准差[22] - 参考方向：负向[22] 40. **因子名称**：120日三因子模型残差波动率[22] - 因子构建思路：衡量三因子模型残差的中期波动[22] - 因子具体构建过程：个股过去120个交易日的日收益对Fama-French三因子回归的残差的标准差[22] - 参考方向：负向[22] 41. **因子名称**：240日三因子模型残差波动率[22] - 因子构建思路：衡量三因子模型残差的长期波动[22] - 因子具体构建过程：个股过去240个交易日的日收益对Fama-French三因子回归的残差的标准差[22] - 参考方向：负向[22] 9. 分红因子 42. **因子名称**：股息率[22] - 因子构建思路：衡量分红收益[22] - 因子具体构建过程：最近4个季度分红/总市值[22] - 参考方向：正向[22] 10. 公司治理因子 43. **因子名称**：前五大股东持股比例[22] - 因子构建思路：衡量股权集中度[22] - 因子具体构建过程：前五大股东持股比例合计[22] - 参考方向：正向[22] 44. **因子名称**：前十大股东持股比例[22] - 因子构建思路：衡量股权集中度[22] - 因子具体构建过程：前十大股东持股比例合计[22] - 参考方向：正向[22] 11. 技术因子 45. **因子名称**：20日成交额[22] - 因子构建思路：衡量短期成交活跃度[22] - 因子具体构建过程：过去20个交易日日均成交额[22] - 参考方向：负向[22] 46. **因子名称**：60日成交额[22] - 因子构建思路：衡量中期成交活跃度[22] - 因子具体构建过程：过去60个交易日日均成交额[22] - 参考方向：负向[22] 47. **因子名称**：60日偏度[22] - 因子构建思路：衡量中期收益偏度[22] - 因子具体构建过程：过去60个交易日日度收益率数据计算的偏度[22] - 参考方向：负向[22] 48. **因子名称**：240日偏度[22] - 因子构建思路：衡量长期收益偏度[22] - 因子具体构建过程：过去240个交易日日度收益率数据计算的偏度[22] - 参考方向：负向[22] 49. **因子名称**：20日成交量变异系数[22] - 因子构建思路：衡量短期成交量波动[22] - 因子具体构建过程：过去20个交易日成交量的标准差/过去20个交易日成交量均值[22] - 参考方向：负向[22] 50. **因子名称**：60日成交量变异系数[22] - 因子构建思路：衡量中期成交量波动[22] - 因子具体构建过程：过去60个交易日成交量的标准差/过去60个交易日成交量均值[22] - 参考方向：负向[22] 51. **因子名称**：20日成交量比率[22] - 因子构建思路：衡量