根据提供的研报内容，以下是关于量化模型和因子的总结。报告主要围绕公募基金绿色投资的定性分析，未涉及具体的量化模型或量化因子的构建、测试与回测。报告的核心是使用“绿色收入占比”作为度量指标来分析基金的绿色投资特征。 量化因子与构建方式 1. **因子名称**：绿色收入占比[51] * **因子构建思路**：该因子用于对“绿色”进行可量化的界定，衡量上市公司总收入中，来自能够直接对标政策文件（如《绿色低碳转型产业指导目录（2024年版）》）认定为绿色活动的收入所占比例[51] * **因子具体构建过程**：研究报告使用的绿色收入数据由专业数据供应商生成，生成过程是基于《绿色低碳转型产业指导目录（2024年版）》对上市公司行业收入进行打标签[51]。该指标具体应用于基金分析时，衍生出以下两个核心度量指标： * **加权平均绿色收入比例**：将成分股的“绿色收入占比”与基金池对该股票的持仓权重相乘并加总，衡量基金池在股票投资上的每一元资金平均对应的绿色收入比例[58]。计算公式可表示为： $$ \text{加权平均绿色收入比例} = \sum_{i=1}^{n} (w_i \times \text{GreenRevenueRatio}_i) $$ 其中，$w_i$ 表示基金对股票 $i$ 的持仓权重，$\text{GreenRevenueRatio}_i$ 表示股票 $i$ 的绿色收入占比。 * **基金归属绿色收入总额（单位净值绿色收入贡献）**：以基金池对单只股票的市值持仓占该企业总市值的比例为“归属因子”，将企业的绿色收入“归属”至基金池[58]。计算公式可表示为： $$ \text{单位净值绿色收入贡献} = \frac{\sum_{i=1}^{n} \left( \frac{\text{基金持有股票i市值}}{\text{股票i总市值}} \times \text{股票i绿色收入} \right)}{\text{基金净值}} $$ * **因子评价**：该指标被认为是可测量、可比较、且与政策导向紧密对齐的硬指标，能够直接反映企业参与绿色经济的深度与广度，为检验绿色属性与投资价值的关系提供了坚实基础[51] 模型的回测效果 （报告未涉及量化模型的回测效果） 因子的回测效果 （报告未提供“绿色收入占比”因子在选股或组合构建中的传统量化回测结果，如IC值、IR值、多空收益等。报告主要展示了应用该因子进行描述性统计和分组分析的结果） 1. **绿色收入占比因子的应用分析结果**： * **绿色基金池整体水平**：2025年上半年，绿色基金池的加权平均绿色收入比例为21.22%，单位净值绿色收入贡献约为0.06元[58]。该值显著高于同期沪深300（约10.43%）与中证800（约9.73%）[58] * **绿色主题基金分组表现**：根据“加权平均绿色收入比例”将所有基金由浅绿至深绿分成五组，最深绿组（组5）的行业集中度（赫芬达尔指数）在2024年达到61.39%，远高于最浅绿组（组1）的24.05%，但在2025年上半年出现回落[79][82]。深绿基金（组4、5）的重仓行业从2020年围绕新能源汽车产业链（电力设备、基础化工、有色金属、汽车）转向2025年上半年的“电力设备+公用事业”（组5中两者合计占比85.58%）[83][86][87] * **分组业绩表现**：报告指出，基金组合的绿色成色与其业绩表现（收益、最大回撤、夏普比率）之间，并未呈现稳定、一致的关系[89]。深绿基金的业绩主要受其重仓赛道（如电力设备）的周期性波动驱动，而非“绿色”属性本身[89]

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. 风格拥挤度模型 - **模型名称**：风格拥挤度模型[123] - **模型构建思路**：通过计算各风格指数与市场基准（万得全A）的换手率差异，并标准化后计算历史分位，以衡量风格的交易拥挤程度[123] - **模型具体构建过程**： 1. 计算各风格指数近n个交易日（n=63，即近一个季度）的日均换手率 2. 计算万得全A指数相同时间窗口的日均换手率 3. 将风格指数换手率与万得全A换手率分别进行z-score标准化： $$Z_{style} = \frac{X_{style} - \mu_{style}}{\sigma_{style}}$$ $$Z_{market} = \frac{X_{market} - \mu_{market}}{\sigma_{market}}$$ 4. 计算标准化后的差值：$$Diff = Z_{style} - Z_{market}$$ 5. 计算该差值在滚动y年（y=6）历史窗口内的分位值，得到拥挤度分位数[123] 2. 风格超额净值模型 - **模型名称**：风格超额净值模型[124] - **模型构建思路**：以2016年1月4日为基准，计算各风格指数相对于万得全A的累计超额收益，用于评估风格的相对表现[124] - **模型具体构建过程**： 1. 以2016年1月4日为基准日，计算各风格指数的每日累计净值： $$CN_{style,t} = \frac{P_{style,t}}{P_{style,base}}$$ 2. 计算万得全A指数的每日累计净值： $$CN_{market,t} = \frac{P_{market,t}}{P_{market,base}}$$ 3. 计算风格指数相对于万得全A的累计超额净值： $$Excess_{style,t} = \frac{CN_{style,t}}{CN_{market,t}}$$[124] 3. 机构调研活跃度模型 - **模型名称**：机构调研活跃度模型[125] - **模型构建思路**：通过计算板块/行业/指数的机构调研次数与市场基准的差异，并标准化后计算历史分位，以衡量机构关注度[125] - **模型具体构建过程**： 1. 计算板块（指数、行业）近n个交易日的"日均机构调研次数" 2. 计算万得全A指数相同时间窗口的"日均机构调研次数" 3. 将板块调研次数与市场调研次数分别进行z-score标准化 4. 计算标准化后的差值得到"机构调研活跃度" 5. 计算该活跃度在滚动历史窗口内的分位数： - 长期口径：n=126（近半年），滚动窗口=6年 - 短期口径：n=63（近一季度），滚动窗口=3年[125] 4. 股债性价比模型（ERP模型） - **模型名称**：股债性价比模型（ERP）[74] - **模型构建思路**：通过计算股票市场风险溢价（ERP）来评估股票相对于债券的配置价值[74] - **模型具体构建过程**： 1. 计算指数市盈率倒数：$$\frac{1}{PE_{TTM}}$$ 2. 减去10年期中债国债到期收益率： $$ERP = \frac{1}{PE_{TTM}} - R_{bond}^{10Y}$$[74] 3. 计算ERP在历史时间序列（2010年1月1日至今）的分位值 量化因子与构建方式 1. 动量因子 - **因子名称**：动量因子[27] - **因子构建思路**：以最近一年股票收益率减去最近一个月股票收益率（剔除涨停板）作为动量指标，选择动量特征强的股票[27] - **因子具体构建过程**： 1. 计算每只股票的动量指标：$$Momentum = R_{1Y} - R_{1M}$$ 2. 剔除涨停板股票的影响 3. 选择动量特征强且流动性高的前100只股票构建指数[27] - **因子评价**：能够较好地表征A股市场中最具动量特征的股票的整体走势[27] 2. 反转因子 - **因子名称**：反转因子[28] - **因子构建思路**：以最近一个月股票收益率作为筛选指标，选择反转效应强的股票[28] - **因子具体构建过程**： 1. 计算每只股票的最近一个月收益率 2. 选择反转效应强、流动性较好的前100只股票 3. 采用成分股近三个月日均成交量进行加权构建指数[28] - **因子评价**：旨在准确表征A股市场各阶段高反转特征个股的整体表现[28] 模型的回测效果 1. 风格拥挤度模型 - 成长风格拥挤度：16%（历史极低位置）[36] - 红利风格拥挤度：30%（历史较低位置）[36] - 小盘风格拥挤度：49%（历史均衡位置）[36] - 大盘风格拥挤度：92%（历史极高位置）[36] - 微盘股拥挤度：8%（历史极低位置）[36] - 基金重仓拥挤度：91%（历史极高位置）[36] 2. 风格超额净值表现 - 成长较红利超额：近一周2.6%，近一月8.4%，年初至今29.0%[26] - 小盘较大盘超额：近一周-0.9%，近一月0.5%，年初至今9.5%[26] - 微盘股较基金重仓超额：近一周-1.6%，近一月-1.7%，年初至今30.1%[26] - 动量较反转超额：近一周-0.7%，近一月-5.0%，年初至今22.7%[26] 3. 机构调研活跃度 长期口径（半年度）： - 沪深300：50%（均衡）[107] - 中证500：61%（较高）[107] - 创业板：61%（较高）[107] - 上游周期：96%（极高）[107] - 金融：4%（极低）[107] 短期口径（季度）： - 沪深300：44%（均衡）[107] - 中证500：66%（较高）[107] - 创业板：82%（极高）[107] - 上游周期：88%（极高）[107] - TMT：18%（极低）[107] 4. 股债性价比（ERP） - 万得全A ERP：2.6%，分位46%（均衡）[80] - 沪深300 ERP：5.2%，分位48%（均衡）[80] - 中证500 ERP：1.0%，分位65%（较高）[80] - 创业板 ERP：0.3%，分位84%（极高）[80]

根据提供的金融工程周报内容，该报告主要描述了大类资产和基金市场的表现概况，并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统计和业绩回顾[6][11][12][27][32][39][45][46][47][48][53][54][55][57]，未包含模型或因子的构建思路、具体过程、评价及测试结果。 因此，本次总结无相关量化模型或因子内容可提供。

根据提供的研报内容，经过全面梳理，总结如下： 量化模型与构建方式 本报告未详细阐述具体的量化模型或量化因子的构建思路、过程及公式。 模型的回测效果 本报告未提供具体量化模型的回测效果指标取值。 量化因子与构建方式 1. **因子名称**：沪深300质量指数（作为兴证全球沪深300质量ETF的跟踪标的）[11] * **因子的构建思路**：该指数旨在从沪深300指数样本股中，筛选出在盈利能力、盈利稳定性与盈利质量等维度表现较好的公司[11] * **因子具体构建过程**：报告指出，该指数从沪深300样本空间中优选50只股票，具体筛选标准涉及盈利能力、盈利稳定性与盈利质量等多个维度，但未提供详细的因子计算公式和构建步骤[11] 因子的回测效果 本报告未提供沪深300质量指数或其底层因子的具体回测效果指标（如IC值、IR等）[11]

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股仓位择时策略**[13][14] * **模型构建思路**：该模型旨在对沪深300ETF进行多头仓位择时，通过特定的信号判断何时持有或调整仓位[13][14] * **模型具体构建过程**：报告展示了策略的历史净值曲线，并与沪深300指数的持有收益进行对比，但未详细说明其具体的信号生成逻辑和构建步骤[13][14] 2. **模型名称：A股多空择时策略**[16] * **模型构建思路**：该模型针对沪深300股指期货，进行多空双向的择时交易，旨在获取超越单纯持有的收益[16] * **模型具体构建过程**：报告展示了策略净值与基准的对比图，但未详细阐述其多空信号的具体生成方法和模型构建过程[16] 3. **模型名称：港股仓位择时策略**[15] * **模型构建思路**：该模型对港股市场进行仓位择时，以优化投资组合在港股市场的风险暴露[15] * **模型具体构建过程**：报告提及了该策略，但未提供其具体的构建过程和信号规则[15] 4. **模型名称：A股小微盘择时策略**[17][18] * **模型构建思路**：该模型专注于A股市场中小市值股票的择时策略[17][18] * **模型具体构建过程**：报告展示了该策略的图表，但未详细说明其针对小微盘股的具体择时方法[17][18] 5. **模型名称：A股红利成长择时策略**[21] * **模型构建思路**：该模型旨在在A股市场的红利风格和成长风格之间进行轮动择时[21] * **模型具体构建过程**：报告展示了策略表现图表，但未详细解释其如何定义和切换红利与成长风格的具体构建流程[21] 6. **模型名称：美股择时策略**[19][23] * **模型构建思路**：该模型对美股市场进行择时，并可能涉及杠杆ETF的使用，策略信号包括做多、做空和持仓[19][23] * **模型具体构建过程**：报告图表显示了“美股2倍开多信号”、“美股做空（空仓）信号”和“美股持仓（反弹）信号”，但未阐明这些信号的具体生成模型和规则[19][23] 7. **模型名称：黄金择时策略**[24][26] * **模型构建思路**：该模型为黄金资产提供择时交易信号[24][26] * **模型具体构建过程**：报告提及了该策略，但未提供其具体的模型构建细节[24][26] 8. **模型名称：ETF组合策略-偏股型**[27] * **模型构建思路**：该模型构建一个偏股型的ETF投资组合[27] * **模型具体构建过程**：报告展示了策略净值，但未说明其ETF选择、权重配置等具体组合构建方法[27] 9. **模型名称：ETF组合策略-偏债型**[29][31] * **模型构建思路**：该模型构建一个偏债型的ETF投资组合[29][31] * **模型具体构建过程**：报告展示了策略净值，但未详细描述其债券ETF的选择和组合管理过程[29][31] 模型的回测效果 报告中的图表展示了各策略的历史净值曲线，并与相应基准进行了对比，但未提供具体的量化指标取值（如年化收益率、夏普比率、最大回撤等）[13][14][16][17][18][21][23][24][26][27][29][31] 量化因子与构建方式 报告中未明确提及或详细描述具体的量化因子构建内容。 因子的回测效果 报告中未提供量化因子的测试结果。

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**：PB估值分化度[12] * **因子构建思路**：通过计算截面市净率（PB）的离散程度来衡量市场观点的分歧度，分歧度高时看多市场，反之则需谨慎[12] * **因子具体构建过程**：计算全市场股票的PB中位数（median）以及平均绝对偏差（mad），最终的因子值为mad与median的比值。公式为： $$ \text{PB估值分化度} = \frac{\text{mad}(PB)}{\text{median}(PB)} $$ 当该因子上行时，表明市场观点分歧大，可看多市场；下行时则需谨慎[12] 2. **因子名称**：主题投资交易情绪[13] * **因子构建思路**：通过统计每日涨幅显著的行业数量占比，来逆向衡量市场情绪的集中度与观点分化程度，情绪集中（分化度低）时看空，情绪分散（分化度高）时看多[13] * **因子具体构建过程**：首先，计算当日涨幅超过5%的申万三级行业的数量（Unique Count）。然后，计算该数量占所有申万三级行业总数量的比例。最后，用1减去该比例，得到主题投资交易情绪因子。公式为： $$ \text{主题投资交易情绪} = 1 - \frac{\text{当日涨幅} > 5\% \text{的申万三级行业数量}}{\text{申万三级行业总数量}} $$ 信号构建上，当该因子上行时，表明市场观点分化度下降，需谨慎；下行时，表明观点分化度上行，可看多[13] 因子的回测效果 1. **PB估值分化度因子**，年化收益21.07%[15]，年化超额收益率15.82%[15]，最大回撤34.24%[15]，夏普比率1.0212[15]，收益回撤比0.6154[15]，年化信息比率(IR)0.8186[15]，平均换手间隔（交易日）9[15]，胜率（按交易）56.93%[15]，择时赔率（按交易）1.4422[15] 2. **主题投资交易情绪因子**，年化收益17.21%[15]，年化超额收益率11.96%[15]，最大回撤43.73%[15]，夏普比率0.8585[15]，收益回撤比0.3936[15]，年化信息比率(IR)0.6079[15]，平均换手间隔（交易日）10[15]，胜率（按交易）50.53%[15]，择时赔率（按交易）1.7791[15] 量化模型与构建方式 1. **模型名称**：短期量化择时模型[16][17][18][19] * **模型构建思路**：从宏观基本面、估值面、情绪面、流动性四个维度选取多个指标，通过各指标在历史分位上的表现综合判断，生成看多或看空的择时信号[16][17][18][20] * **模型具体构建过程**： * **基本面**：综合制造业PMI（>50为乐观）、信贷脉冲环比变化分位数（高分位数乐观）、M1同比增速（HP滤波去趋势）分位数（高分位数乐观）三个二级指标的信号，得出基本面总信号[16] * **估值面**：综合A股整体PE分位数（高分位数谨慎）、A股整体PB分位数（高分位数谨慎）两个二级指标的信号，得出估值面总信号[17] * **情绪面**：综合A股整体Beta离散度分位数（高分位数谨慎）、A股整体量能情绪分位数（高分位数乐观）、A股整体波动率分位数（中性）三个二级指标的信号，得出情绪面总信号[17] * **流动性**：综合货币利率指标分位数（低分位数乐观）、汇率预期指标分位数（低分位数乐观）、沪深净融资额5日均值分位数（高分位数谨慎）三个二级指标的信号，得出流动性总信号[18] * 最终的总仓位信号由上述四个维度的总信号综合判断得出[20] 2. **模型名称**：成长价值风格轮动模型[25][26] * **模型构建思路**：从基本面、估值面、情绪面三个维度选取特定指标，判断当前环境下应超配成长风格还是价值风格[25] * **模型具体构建过程**： * **基本面**：综合盈利斜率周期水平（斜率大利好成长）、利率综合周期水平（水平高利好价值）、信贷综合周期变化（走强利好成长）三个二级指标的信号，得出基本面总信号（例如，超配成长或价值）[25] * **估值面**：综合成长价值PE差分位数（低分位数利好成长）、成长价值PB差分位数（低分位数利好成长）两个二级指标的信号，得出估值面总信号[25] * **情绪面**：综合成长价值换手差分位数（低分位数利好价值）、成长价值波动差分位数（高分位数利好均衡）两个二级指标的信号，得出情绪面总信号[25] * 最终结合三个维度的总信号，给出超配成长或超配价值的建议[25] 3. **模型名称**：小盘大盘风格轮动模型[29][30] * **模型构建思路**：基于11个有效指标构建综合信号，判断应超配小盘风格还是大盘风格[29][30] * **模型具体构建过程**：报告提及该模型基于11个指标构建，但未详细列出所有指标的具体构建公式。明确提到的指标包括：主题投资交易情绪[30]、Beta离散度[30]、R007[30]、PB分化度[30]等。模型通过综合这些指标的信号（例如，指标利空小盘或利好大盘），最终生成看多小盘或看多大盘的综合信号[29][30] 模型的回测效果 1. **短期量化择时模型**，年化收益率17.13%[19]，年化波动率14.84%[19]，最大回撤15.49%[19]，夏普比率1.0052[19]，收益回撤比1.1057[19]，月度胜率66.23%[19]，季度胜率61.54%[19]，年度胜率78.57%[19] * **2024年以来表现**：年化收益率34.75%[23]，年化波动率16.88%[23]，最大回撤11.04%[23]，夏普比率1.7345[23]，收益回撤比3.1478[23]，月度胜率77.27%[23] 2. **成长价值风格轮动模型**，年化收益率13.41%[26]，年化波动率20.79%[28]，最大回撤43.07%[28]，夏普比率0.6136[28]，收益回撤比0.3112[28]，月度胜率58.82%[28] * **2025年以来表现**：策略收益率32.00%[26]，基准收益率21.89%[26]，超额收益率10.11%[26] 3. **小盘大盘风格轮动模型**，综合信号年化收益20.49%[33]，年化超额收益率13.34%[33]，最大回撤40.70%[33]，平均换手间隔（交易日）21[33]，胜率（按交易）50.65%[33] * **2025年以来表现**：超额收益率6.60%[30]

经过仔细阅读研报内容，发现该报告主要侧重于市场行情回顾、技术走势分析和行业轮动观察，并未涉及具体的量化模型或量化因子的构建、测试及评价过程[7][10][13][36][45]。报告内容以描述性分析和统计展示为主，不包含模型或因子构建的公式、步骤及回测指标[8][11][47][49]。 因此，根据任务要求，本次总结无相关量化模型或因子内容可进行提取和展示。

根据提供的金融工程市场跟踪周报内容，以下是总结的量化模型与因子详情： 量化模型与构建方式 1. 量能择时模型 - **模型名称**：量能择时模型 - **模型构建思路**：通过分析市场交易量能变化来判断市场趋势和情绪，为宽基指数提供择时信号[23] - **模型具体构建过程**：基于主要宽基指数（上证指数、上证50、沪深300等）的量能指标进行计算和信号生成，具体方法未在报告中详细披露，但涉及对交易量数据的监测和阈值判断[23] 2. 沪深300上涨家数占比情绪指标 - **因子名称**：沪深300上涨家数占比 - **因子构建思路**：通过计算指数成分股中近期收益为正的股票数量占比，来捕捉市场情绪和行情拐点[24] - **因子具体构建过程**： 计算沪深300指数成分股过去N日收益大于0的个股数占比，公式为： $$ \text{上涨家数占比} = \frac{\text{过去N日收益大于0的个股数}}{\text{沪深300成分股总数}} $$ 其中N为参数，报告中未明确具体取值[24] 3. 动量情绪指标（基于上涨家数占比） - **模型名称**：动量情绪指标择时策略 - **模型构建思路**：通过对上涨家数占比指标进行不同窗口期的移动平均，捕捉情绪变动趋势并生成交易信号[28] - **模型具体构建过程**： 对沪深300上涨家数占比序列进行两次平滑计算： - 快线 = 移动平均(上涨家数占比, N2) - 慢线 = 移动平均(上涨家数占比, N1) 其中N1=230（长期窗口），N2=35（短期窗口），N=50（计算上涨家数占比的窗口）[28] 交易规则：当快线 > 慢线时，看多市场；当快线 < 慢线时，对市场持中性态度[28] 4. 均线情绪指标 - **模型名称**：八均线情绪指标 - **模型构建思路**：通过判断价格与多条移动平均线的位置关系来评估市场趋势状态和情绪[31] - **模型具体构建过程**： 1. 计算沪深300收盘价的8条移动平均线，参数分别为：8, 13, 21, 34, 55, 89, 144, 233[31] 2. 统计当日收盘价大于各均线值的数量[32] 3. 信号生成规则：当超过5条均线被价格突破时，看多沪深300指数[32] 5. 横截面波动率因子 - **因子名称**：横截面波动率 - **因子构建思路**：通过计算指数成分股收益率的截面标准差，来衡量市场分化程度和Alpha环境[36] - **因子具体构建过程**： 对于每个宽基指数（沪深300、中证500、中证1000），每日计算成分股收益率的横截面标准差： $$ \sigma_{cross} = \sqrt{\frac{1}{N-1} \sum_{i=1}^{N} (r_i - \bar{r})^2} $$ 其中$r_i$为个股收益率，$\bar{r}$为成分股平均收益率，N为成分股数量[36] 6. 时间序列波动率因子 - **因子名称**：时间序列波动率 - **因子构建思路**：通过计算指数成分股加权时间序列波动率，评估市场波动环境和Alpha机会[38] - **因子具体构建过程**： 计算各宽基指数成分股的加权时间序列波动率，具体方法未详细披露，但涉及对个股收益率时间序列的标准差计算和市值加权[38] 7. 基金抱团分离度指标 - **因子名称**：基金抱团分离度 - **因子构建思路**：通过计算抱团基金截面收益的标准差来衡量基金抱团程度，标准差小表示抱团程度高[84] - **因子具体构建过程**： 构建抱团基金组合，计算该组合截面收益率的标准差： $$ \text{分离度} = \sqrt{\frac{1}{M-1} \sum_{j=1}^{M} (R_j - \bar{R})^2} $$ 其中$R_j$为单只抱团基金收益率，$\bar{R}$为抱团基金平均收益率，M为抱团基金数量[84] 模型的回测效果 量能择时模型 - 上证指数：看空信号[24] - 上证50：看空信号[24] - 沪深300：看空信号[24] - 中证500：看空信号[24] - 中证1000：看空信号[24] - 创业板指：看空信号[24] - 北证50：看空信号[24] 动量情绪指标 - 快线开始拐头向下、慢线向上，快线位于慢线之上，预计维持乐观态度[28] 均线情绪指标 - 短期内沪深300指数处于情绪景气区间[34] 因子的回测效果 横截面波动率因子 - 沪深300近一季度平均值：2.04%，占近两年分位：73.50%[38] - 中证500近一季度平均值：2.19%，占近两年分位：67.46%[38] - 中证1000近一季度平均值：2.40%，占近两年分位：66.14%[38] 时间序列波动率因子 - 沪深300近一季度平均值：0.63%，占近两年分位：61.70%[41] - 中证500近一季度平均值：0.45%，占近两年分位：74.60%[41] - 中证1000近一季度平均值：0.24%，占近两年分位：59.76%[41] 基金抱团分离度指标 - 基金抱团分离度环比上周下降[84] - 最近一周抱团股和抱团基金超额收益小幅上升[84]

根据研报内容，以下是关于量化因子和模型的总结： 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：基于股票日内高频收益的分布特征构建，捕捉收益分布的非对称性[13] - 因子具体构建过程：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》[13] **2 因子名称：日内下行波动占比因子** - 因子构建思路：通过分解已实现波动，衡量下行波动在总波动中的占比[18] - 因子具体构建过程：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》[18] **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，衡量买入意愿的强度[22] - 因子具体构建过程：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》[22] **4 因子名称：开盘后买入意愿强度因子** - 因子构建思路：进一步量化开盘后买入意愿的强度水平[26] - 因子具体构建过程：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》[26] **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交易中的占比[30] **6 因子名称：开盘后大单净买入强度因子** - 因子构建思路：衡量开盘后大单净买入的强度水平[35] **7 因子名称：改进反转因子** - 因子构建思路：对传统反转因子进行改进优化[40] **8 因子名称：尾盘成交占比因子** - 因子构建思路：分析尾盘成交在当日总成交中的占比[45] **9 因子名称：平均单笔流出金额占比因子** - 因子构建思路：衡量平均单笔流出金额的相对占比[51] **10 因子名称：大单推动涨幅因子** - 因子构建思路：分析大单交易对股价涨幅的推动作用[56] **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[61] **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[62] **13 因子名称：多颗粒度模型-5日标签因子** - 因子构建思路：基于多时间颗粒度数据，使用5日收益标签训练[67] - 因子具体构建过程：因子基于双向AGRU训练得到[67] **14 因子名称：多颗粒度模型-10日标签因子** - 因子构建思路：基于多时间颗粒度数据，使用10日收益标签训练[68] - 因子具体构建过程：因子基于双向AGRU训练得到[68] 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，采用相对宽松的约束条件[72] - 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$$max\sum\mu_{i}w_{i}$$，其中$w_i$为股票权重，$\mu_i$为预期超额收益[73] **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，采用严格的约束条件[72] **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，采用相对宽松的约束条件[72] **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，采用严格的约束条件[72] 因子的回测效果 **1 日内高频偏度因子**：历史IC 0.027，2025年IC 0.042，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.329，9月多空收益3.82%，2025YTD多空收益16.22%，2025年月胜率6/9，9月多头超额1.74%，2025YTD多头超额5.14%[9] **2 日内下行波动占比因子**：历史IC 0.025，2025年IC 0.036，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.326，9月多空收益2.86%，2025YTD多空收益13.58%，2025年月胜率7/9，9月多头超额0.55%，2025YTD多头超额1.41%[9] **3 开盘后买入意愿占比因子**：历史IC 0.032，2025年IC 0.030，历史e^(-rank mae) 0.322，2025年e^(-rank mae) 0.324，9月多空收益0.68%，2025YTD多空收益10.39%，2025年月胜率6/9，9月多头超额0.54%，2025YTD多头超额4.07%[9] **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0.65%，2025YTD多空收益11.29%，2025年月胜率7/9，9月多头超额0.60%，2025YTD多头超额4.52%[9] **5 开盘后大单净买入占比因子**：历史IC 0.041，2025年IC 0.035，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.324，9月多空收益1.49%，2025YTD多空收益15.60%，2025年月胜率8/9，9月多头超额0.35%，2025YTD多头超额7.93%[9] **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0.88%，2025YTD多空收益11.30%，2025年月胜率8/9，9月多头超额0.80%，2025YTD多头超额6.14%[9] **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-0.81%，2025YTD多空收益4.07%，2025年月胜率5/9，9月多头超额-0.63%，2025YTD多头超额3.61%[9] **8 尾盘成交占比因子**：历史IC 0.049，2025年IC 0.030，历史e^(-rank mae) 0.332，2025年e^(-rank mae) 0.323，9月多空收益2.13%，2025YTD多空收益14.11%，2025年月胜率7/9，9月多头超额0.58%，2025YTD多头超额6.10%[9] **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) 0.318，9月多空收益-0.48%，2025YTD多空收益3.59%，2025年月胜率5/9，9月多头超额0.80%，2025YTD多头超额3.67%[9] **10 大单推动涨幅因子**：历史IC 0.016，2025年IC 0.010，历史e^(-rank mae) 0.322，2025年e^(-rank mae) 0.327，9月多空收益2.23%，2025YTD多空收益7.36%，2025年月胜率7/9，9月多头超额1.19%，2025YTD多头超额3.34%[9] 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-1.36%，9月超额收益-3.85%，2025YTD超额收益0.94%，2025年周胜率23/39[13] **2 中证500 AI增强严约束组合**：上周超额收益-1.35%，9月超额收益-1.33%，2025YTD超额收益3.70%，2025年周胜率24/39[13] **3 中证1000 AI增强宽约束组合**：上周超额收益0.40%，9月超额收益0.42%，2025YTD超额收益9.15%，2025年周胜率26/39[13] **4 中证1000 AI增强严约束组合**：上周超额收益-0.19%，9月超额收益0.67%，2025YTD超额收益14.01%，2025年周胜率25/39[13]

根据提供的金融工程周报，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. 流动性冲击指标 **模型构建思路**：通过计算当前市场流动性相对于历史水平的偏离程度，来评估市场流动性状况[2] **模型具体构建过程**：基于沪深300指数构建，计算当前流动性相对于过去一年平均水平的标准化偏差[2] **模型评价**：该指标越高表明市场流动性越好，高于历史平均水平[2] 2. PUT-CALL比率模型 **模型构建思路**：通过上证50ETF期权成交量中认沽期权与认购期权的比率来反映市场情绪[2] **模型具体构建过程**：计算认沽期权成交量与认购期权成交量的比值[2] **模型评价**：比率下降表明投资者对短期走势的谨慎程度降低[2] 3. 换手率指标模型 **模型构建思路**：使用五日平均换手率来度量市场交易活跃度[2] **模型具体构建过程**：分别计算上证综指和Wind全A的五日平均换手率，并与历史分位点进行比较[2] **模型评价**：换手率分位点较高时表明交易活跃度相对历史水平有所下降[2] 4. SAR指标模型 **模型构建思路**：抛物线转向指标，用于识别市场趋势的转折点[10] **模型具体构建过程**：Wind全A指数于9月11日向上突破翻转指标，产生买入信号[10][12] **模型评价**：该指标继续维持正向信号，表明趋势向好[10] 5. 均线强弱指数模型 **模型构建思路**：通过Wind二级行业指数计算市场整体技术面强弱程度[10] **模型具体构建过程**：基于均线系统构建综合得分，当前市场得分为150，处于2023年以来的53.3%分位点[10][16] **模型评价**：指数下降至近50%分位点，出现震荡趋势[10] 6. 情绪择时模型 **模型构建思路**：基于涨跌停板相关因子构建的情绪择时指标[10] **模型具体构建过程**：包含趋势模型和加权模型两个子模型，当前情绪模型得分为1分（满分5分）[10][13] **模型评价**：情绪模型较上周有所降低，趋势模型信号为正向，加权模型信号为负向[10] 7. 情绪因子细分模型 **模型构建思路**：通过多个细分情绪因子综合刻画市场情绪强弱[14] **模型具体构建过程**：包含净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益等五个细分因子[14] **模型具体构建过程**：各因子信号分别为：净涨停占比0、跌停次日收益0、涨停板占比0、跌停板占比0、高频打板收益1[14] 8. 因子拥挤度模型 **模型构建思路**：度量因子投资资金过度集中导致的收益稳定性下降现象[15] **模型具体构建过程**：使用估值价差、配对相关性、长期收益反转、因子波动率四个指标综合度量因子拥挤程度[15] **模型具体构建过程**：综合打分公式为四个分项指标的综合评估[15][18] 9. 行业拥挤度模型 **模型构建思路**：评估各行业板块的资金拥挤程度[21] **模型具体构建过程**：基于多维指标构建行业拥挤度评分体系[21] **模型评价**：拥挤度较高的行业可能存在回调风险[21] 模型的回测效果 流动性冲击指标 - 当前值：1.86[2] - 前一周值：1.33[2] PUT-CALL比率模型 - 当前值：0.91[2] - 前一周值：1.14[2] 换手率指标模型 - 上证综指五日平均换手率：1.27%，处于2005年以来75.73%分位点[2] - Wind全A五日平均换手率：1.91%，处于2005年以来81.47%分位点[2] 均线强弱指数模型 - 当前得分：150[10] - 历史分位点：53.3%（2023年以来）[10] 情绪择时模型 - 情绪模型得分：1分（满分5分）[10] - 趋势模型信号：正向[10] - 加权模型信号：负向[10] 量化因子与构建方式 1. 小市值因子 **因子构建思路**：基于市值规模选股的有效因子[18] **因子具体构建过程**：作为常见选股因子之一，其拥挤度通过复合指标评估[18] 2. 低估值因子 **因子构建思路**：基于估值水平选股的有效因子[18] **因子具体构建过程**：作为常见选股因子之一，其拥挤度通过复合指标评估[18] 3. 高盈利因子 **因子构建思路**：基于盈利能力选股的有效因子[18] **因子具体构建过程**：作为常见选股因子之一，其拥挤度通过复合指标评估[18] 4. 高盈利增长因子 **因子构建思路**：基于盈利增长能力选股的有效因子[18] **因子具体构建过程**：作为常见选股因子之一，其拥挤度通过复合指标评估[18] 5. 情绪细分因子 **因子构建思路**：通过市场微观结构数据构建情绪监测因子[14] **因子具体构建过程**：包含净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益等五个细分因子[14] 因子的回测效果 因子拥挤度指标（2025年9月26日） 小市值因子 - 估值价差：1.08[18] - 配对相关性：0.06[18] - 市场波动：-0.42[18] - 收益反转：0.85[18] - 综合打分：0.40[18] 低估值因子 - 估值价差：-1.25[18] - 配对相关性：-0.03[18] - 市场波动：-0.09[18] - 收益反转：-1.32[18] - 综合打分：-0.67[18] 高盈利因子 - 估值价差：-0.17[18] - 配对相关性：0.14[18] - 市场波动：-0.84[18] - 收益反转：0.48[18] - 综合打分：-0.10[18] 高盈利增长因子 - 估值价差：1.91[18] - 配对相关性：0.46[18] - 市场波动：-0.94[18] - 收益反转：-0.82[18] - 综合打分：0.15[18] 行业拥挤度指标（2025年9月26日） 高拥挤度行业 - 有色金属：1.58[18][23] - 通信：1.40[18][23] - 综合：1.38[18][23] - 电力设备：1.19[18][23] - 电子：0.97[18][23] 拥挤度变化较大行业 - 电力设备：从-0.06上升至1.19，变化1.25[24] - 国防军工：从0.35下降至-0.77，变化-1.12[24] - 传媒：从-1.00上升至-0.66，变化0.34[24] - 电子：从0.65上升至0.97，变化0.32[24]