根据提供的研报内容，未发现涉及量化模型或量化因子的具体构建方法、公式或测试结果。文档主要包含以下市场数据和分析： 1 市场表现数据 - 北证50与沪深300指数对比涨跌幅区间展示[2] - 北交所与A股算数平均涨跌幅对比柱状图[5] - 北交所成交金额与换手率变化趋势图[7] 2 行业分析数据 - 北证与A股各行业当日涨跌幅对比图[8] - 北交所公司分行业市盈率情况图[11] - 北证与双创板块估值变化趋势图[12] 3 个股数据 - 涨幅前十股票的市场数据表（含市值、财务指标等）[9] - 跌幅前十股票的市场数据表（含市值、财务指标等）[10] 4 风险提示 - 政策支持力度、科技创新性、市场竞争等风险提示[14] 注：所有图表数据来源均标注为iFinD和中国银河证券研究院[6][8][9][10][11][13]

根据提供的证券研究报告内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称**：主动权益基金仓位模型 **模型构建思路**：通过统计Wind二级分类中普通股票型和偏股混合型基金的仓位变化，反映市场主动权益类基金的整体配置情况[27] **模型具体构建过程**： - 数据来源：Wind二级分类基金持仓数据 - 计算方式： $$仓位 = \frac{股票市值}{基金净值} \times 100\%$$ 其中股票市值包含A股、港股等权益类资产[26][27] **模型评价**：该模型能有效跟踪机构投资者风险偏好变化，但存在季度调仓滞后性[27] 2. **模型名称**：行业轮动监测模型 **模型构建思路**：基于申万一级行业分类，通过公募基金重仓股配置变化捕捉行业资金流向[31][34] **模型具体构建过程**： - 计算各行业持仓占比： $$行业占比_i = \frac{行业i持仓市值}{全部股票持仓市值} \times 100\%$$ - 计算环比变化： $$\Delta 行业占比_i = 当期占比_i - 上期占比_i$$[34][37] 模型的回测效果 1. 主动权益基金仓位模型：2025Q1仓位88.41%，环比上升29bp[27][29] 2. 行业轮动监测模型： - 全部基金加仓前五行业：有色金属(+1.52%)、汽车(+1.6%)、商贸零售(+239亿)、传媒(+235亿)、计算机(+0.42%)[34][48] - 减仓前五行业：电力设备(-1.47%)、通信(-1.04%)、非银金融(-0.88%)[34][48] 量化因子与构建方式 1. **因子名称**：基金加仓强度因子 **因子构建思路**：通过个股被基金增持的绝对金额和流通市值占比变化反映机构认可度[54][57] **因子具体构建过程**： - 计算加仓金额： $$加仓金额 = 当期持仓市值 - 上期持仓市值$$ - 计算流通市值占比变化： $$\Delta 占比 = \frac{当期持仓}{流通市值} - \frac{上期持仓}{流通市值}$$[54][57] 2. **因子名称**：行业集中度因子 **因子构建思路**：衡量基金在特定行业的配置集中程度[31][37] **因子具体构建过程**： - 计算赫芬达尔指数： $$HHI = \sum_{i=1}^n (行业占比_i)^2 \times 10000$$ 其中n为申万一级行业数量[31] 因子的回测效果 1. 基金加仓强度因子： - 比亚迪加仓246亿（流通市值占比+5.66%）[54] - 阿里巴巴-W加仓219亿（占比+0.98%）[54] 2. 行业集中度因子： - 电子行业占比17.05%（全部基金）、19.28%（主动基金）[31][37] - 电力设备行业占比10.63%（全部基金）、11.28%（主动基金）[31][37]

量化因子与构建方式 1. **因子名称：理想反转因子** - **构建思路**：通过识别大单成交日来捕捉A股反转效应的微观来源，切割出反转属性最强的交易日[5][15] - **具体构建过程**： 1. 回溯股票过去20日数据，计算每日平均单笔成交金额（成交金额/成交笔数）[49] 2. 筛选单笔成交金额最高的10个交易日，计算其涨跌幅总和记为M_high 3. 筛选单笔成交金额最低的10个交易日，计算其涨跌幅总和记为M_low 4. 因子值M = M_high - M_low[49] - **评价**：因子逻辑清晰，聚焦大单驱动的反转效应，历史表现稳健[5][16] 2. **因子名称：聪明钱因子** - **构建思路**：从分钟级价量数据中识别机构交易行为，构造反映聪明钱交易价位的因子[5][15] - **具体构建过程**： 1. 取股票过去10日分钟行情数据，计算每分钟指标 $$S_t = |R_t| / (V_t)^{0.25}$$，其中$R_t$为分钟涨跌幅，$V_t$为分钟成交量[47] 2. 按$S_t$排序，选取成交量累积占比前20%的分钟作为聪明钱交易 3. 计算聪明钱交易的VWAP（VWAPsmart）和全部交易的VWAP（VWAPall） 4. 因子值Q = VWAPsmart / VWAPall[47] - **评价**：有效捕捉机构交易痕迹，因子区分度高[5][21] 3. **因子名称：APM因子** - **构建思路**：通过分析日内不同时段（上午/下午）股价行为差异构建反转因子[5][15] - **具体构建过程**： 1. 取股票过去20日数据，计算每日隔夜收益率$r_{night}$和下午收益率$r_{afternoon}$[48] 2. 对40组收益率数据回归：$$r = \alpha + \beta R + \epsilon$$（R为对应时段指数收益率） 3. 计算隔夜与下午残差差值$\delta_t = \epsilon_{night} - \epsilon_{afternoon}$ 4. 构造统计量 $$\mathrm{stat} = \frac{\mu(\delta_t)}{\sigma(\delta_t)/\sqrt{N}}$$[48] 5. 对动量因子回归取残差作为最终因子值[50] - **评价**：揭示日内交易模式差异，但需控制动量干扰[5][25] 4. **因子名称：理想振幅因子** - **构建思路**：基于股价高低状态切割振幅信息，捕捉结构性差异[5][15] - **具体构建过程**： 1. 计算股票过去20日每日振幅（最高价/最低价-1）[51] 2. 选取收盘价最高的25%交易日，计算振幅均值V_high 3. 选取收盘价最低的25%交易日，计算振幅均值V_low 4. 因子值V = V_high - V_low[51] - **评价**：价态切割增强信息纯度，多空收益显著[5][30] 5. **因子名称：交易行为合成因子** - **构建思路**：加权整合四个交易行为因子，提升稳定性[35] - **具体构建过程**： 1. 对单因子进行行业内去极值和标准化处理 2. 滚动12期ICIR加权计算合成因子值[35] - **评价**：组合效果优于单因子，尤其在中小盘股票中表现突出[35][42] --- 因子的回测效果 1. **理想反转因子** - 全历史IC均值：-0.051 - 全历史rankIC均值：-0.061 - 全历史IR：2.55 - 全历史多空对冲胜率：78.5% - 2025年4月多空收益：0.89% - 近12月胜率：66.7%[16][20] 2. **聪明钱因子** - 全历史IC均值：-0.038 - 全历史rankIC均值：-0.061 - 全历史IR：2.78 - 全历史多空对冲胜率：82.5% - 2025年4月多空收益：0.89% - 近12月胜率：100.0%[21][25] 3. **APM因子** - 全历史IC均值：0.030 - 全历史rankIC均值：0.034 - 全历史IR：2.32 - 全历史多空对冲胜率：77.6% - 2025年4月多空收益：-0.27% - 近12月胜率：75.0%[25][29] 4. **理想振幅因子** - 全历史IC均值：-0.054 - 全历史rankIC均值：-0.073 - 全历史IR：3.04 - 全历史多空对冲胜率：83.9% - 2025年4月多空收益：2.52% - 近12月胜率：83.3%[30][34] 5. **交易行为合成因子** - 全历史IC均值：0.068 - 全历史rankIC均值：0.092 - 全历史IR：3.36 - 全历史多空对冲胜率：82.2% - 2025年4月多空收益：0.99% - 近12月胜率：83.3%[35][40] - 国证2000中IR：3.00，中证1000中IR：2.98，中证800中IR：1.30[42] --- Barra风格因子表现（2025年4月） - 市值因子收益：0.09% - 账面市值比因子收益：0.11% - 成长因子收益：-0.19% - 盈利预期因子收益：-0.02%[4][14]

根据提供的研报内容，以下是量化模型与因子的详细总结： --- 量化因子与构建方式 1. **因子名称：均线比较因子** - **构建思路**：通过比较指数价格与不同周期均线（MA5/MA10/MA20等）的相对位置，判断短期趋势强度[15] - **具体构建过程**： 计算各宽基指数收盘价与均线的偏离百分比： $$ vsMA = \frac{收盘价 - MA_n}{MA_n} \times 100\% $$ 其中$MA_n$为n日均线值（n=5,10,20等）[15] - **因子评价**：能有效捕捉指数短期超买超卖状态 2. **因子名称：风险溢价因子** - **构建思路**：以十年期国债收益率为无风险利率基准，计算指数超额收益[27][28] - **具体构建过程**： $$ 风险溢价 = 指数收益率 - 十年期国债即期收益率 $$ 统计近1年/5年分位值及波动率带[30] - **因子评价**：中证2000波动率显著高于上证50，反映小盘股风险补偿更高[28] 3. **因子名称：PE-TTM估值因子** - **构建思路**：跟踪滚动市盈率历史分位值判断估值偏离度[36][40] - **具体构建过程**： - 计算当前PE-TTM相对于近5年分布的百分位 - 设置±1倍标准差通道作为阈值参考[41] - **因子评价**：中证500当前分位值81.49%处于危险区间[40] 4. **因子名称：股息率因子** - **构建思路**：通过现金分红回报率捕捉防御性资产特征[45][48] - **具体构建过程**： $$ 股息率 = \frac{年度现金分红总额}{总市值} $$ 结合近5年93.22%分位值判断沪深300高股息属性[50] 5. **因子名称：破净率因子** - **构建思路**：统计市净率<1的个股占比反映市场悲观情绪[51][53] - **具体构建过程**： $$ 破净率 = \frac{破净个股数}{指数成分股总数} \times 100\% $$ 当前上证50破净率28%显著高于创业板指3%[53] --- 因子回测效果 1. **均线比较因子** - 中证2000突破10日均线幅度0.59%，突破20日均线幅度1.24%[15] - 创业板指低于MA60达-8.22%[15] 2. **风险溢价因子** - 中证2000近5年分位值75.63%，超+1倍标准差3.16%[30] - 沪深300风险溢价波动率1.37%低于创业板指2.52%[30] 3. **PE-TTM估值因子** - 中证500当前PE28.26，超+1倍标准差0.47%[41] - 创业板指PE分位值仅19.75%处于历史低位[40] 4. **股息率因子** - 沪深300股息率3.59%，超近1年均值13.85%[50] - 中证全指股息率2.72%接近+2倍标准差阈值[50] 5. **破净率因子** - 上证50破净率28%较近250日低位上升19.93%[15][53] - 中证1000破净率11.2%低于历史均值[53] --- 注：所有因子测试结果均基于2025年4月29日截面数据[11][15][30][41][50]

量化模型与构建方式 1. **模型名称**：GAN_GRU模型 - **模型构建思路**：结合生成式对抗网络（GAN）和门控循环单元（GRU）的深度学习模型，用于挖掘量价时序特征并预测股票收益[9][10] - **模型具体构建过程**： 1. **数据预处理**：使用过去400天的18个量价特征（如收盘价、成交量等），每5天采样一次，形成40×18的时序特征矩阵[14] 2. **GAN部分**： - 生成器（LSTM）：输入噪声生成模拟量价特征，损失函数为判别器对生成数据的判别概率： $$L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z))))]$$ [20] - 判别器（CNN）：区分真实与生成数据，损失函数为： $$L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$$ [23] 3. **GRU部分**：将GAN生成的特征输入GRU(128,128)层，接MLP(256,64,64)输出预测收益pRet作为选股因子[18] 4. **训练方式**：半年滚动训练，行业市值中性化处理[14][18] - **模型评价**：通过对抗训练提升特征生成能力，保留时序特性，适配金融数据的高噪声特点[29][33] --- 模型的回测效果 1. **GAN_GRU模型** - **IC均值**：11.73%（全A股，2019-2025）[37] - **ICIR**：0.90[38] - **年化超额收益率**：24.89%[38] - **信息比率（IR）**：1.66[38] - **最大回撤**：27.29%[38] - **最新一期IC**：0.22%（2025年4月）[37] - **行业表现**： - 当期IC最高行业：银行（33.46%）、钢铁（30.85%）[39] - 近一年超额收益最高行业：家用电器（5.56%）、石油石化（5.39%）[41] --- 量化因子与构建方式 1. **因子名称**：GAN_GRU因子 - **因子构建思路**：基于GAN_GRU模型输出的预测收益pRet，经行业市值中性化后作为选股因子[18][37] - **因子具体构建过程**： 1. 输入原始量价时序特征（40天×18维）[14] 2. 通过GAN生成增强特征，GRU编码后输出预测收益[34] 3. 截面标准化并剔除ST股及上市不足半年的股票[14] --- 因子的回测效果 1. **GAN_GRU因子** - **多头组合年化收益**：36.06%[38] - **年化波动率**：23.80%[38] - **换手率**：0.83[38] - **近一年IC均值**：11.44%[37] - **行业多头超额收益**：纺织服饰（6.78%）、基础化工（5.61%）[41] --- 多头组合示例（2025年4月） - **前十个股**：国网英大、海容冷链、陕西能源等[44][46] - **行业排名第一个股**：非银金融（国网英大）、机械设备（海容冷链）[44]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **风险溢价模型** - 构建思路：以十年期国债即期收益率为无风险利率基准，计算宽基指数相对无风险利率的风险溢价，衡量市场风险补偿水平[29] - 具体构建过程： $$风险溢价 = 指数收益率 - 十年期国债即期收益率$$ 其中指数收益率采用对数收益率计算，并统计近1年/5年分位值及波动率[31][32] - 模型评价：中证1000和中证2000风险溢价波动率显著高于其他指数，反映小盘股风险补偿波动更大[30] 2. **股债性价比模型** - 构建思路：通过PE-TTM倒数与国债收益率差值衡量股票相对债券的吸引力[42] - 具体构建过程： $$股债性价比 = \frac{1}{PE_{TTM}} - 十年期国债收益率$$ 结合历史分位值（80%为机会值，20%为危险值）判断当前估值水平[44] 3. **破净率监测模型** - 构建思路：统计市净率(PB)小于1的个股占比，反映市场整体低估程度[51] - 具体构建过程： $$破净率 = \frac{破净个股数}{指数成分股总数} \times 100\%$$ 跟踪各宽基指数破净率的历史分位变化[53] 量化因子与构建方式 1. **PE-TTM因子** - 构建思路：滚动12个月净利润计算的市盈率，作为估值核心指标[36] - 具体构建过程： $$PE_{TTM} = \frac{总市值}{最近12个月净利润}$$ 计算时剔除净利润为负的个股，并统计近5年分位值[40][41] 2. **股息率因子** - 构建思路：现金分红与股价比率，衡量红利投资价值[46] - 具体构建过程： $$股息率 = \frac{近12个月现金分红总额}{总市值} \times 100\%$$ 结合波动率带（±1倍标准差）分析当前偏离程度[52] 3. **分布形态因子** - 构建思路：通过收益率分布的峰度和偏度捕捉市场极端波动特征[24] - 具体构建过程： $$峰度 = \frac{E[(X-\mu)^4]}{\sigma^4} - 3$$ $$偏度 = \frac{E[(X-\mu)^3]}{\sigma^3}$$ 对比近5年与当前值的偏离度[26] 模型的回测效果 1. **风险溢价模型** - 上证50近5年分位值55.08%，沪深300为45.48%，中证2000仅15.0%[32] - 中证1000近1年波动率2.01%，显著高于上证50的1.21%[32] 2. **PE-TTM因子** - 中证500当前PE-TTM 28.10，近5年分位值80.5%（危险阈值）[40] - 创业板指PE-TTM 29.14，近5年分位值仅19.5%[41] 3. **股息率因子** - 沪深300股息率3.58%，近5年分位值93.55%[52] - 中证2000股息率1.04%，近1年波动率0.16%[52] 因子的回测效果 1. **破净率因子** - 上证50破净率28.0%，创业板指仅3.0%[53] - 中证全指破净率中枢从2024年9月起下移[53] 2. **分布形态因子** - 创业板指当前峰度偏离+5.60，正偏态+1.40，均为极端值[26] - 中证2000峰度偏离-0.29，市场波动最小[26]

根据提供的文档内容，未发现涉及量化模型或量化因子的具体构建、测试结果或评价等相关信息。文档主要包含以下内容： 1. 北证50与沪深300的涨跌幅对比数据[2] 2. 北证与A股各行业当日涨跌幅对比图表[5] 3. 北证成交额与换手率情况图表[7][8] 4. 北交所涨幅前十和跌幅前十股票的市场数据表格[9][10] 5. 北交所公司市盈率分行业情况图表[12][13] 6. 北证与双创板块估值变化图表[15] 7. 风险提示、免责声明、分析师承诺等合规性内容[16][19][20][21] 文档内容主要为市场数据展示和合规声明，未包含任何量化模型或因子相关内容，因此无法按照要求进行总结。

根据提供的研报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：大小盘风格因子** - 因子构建思路：通过市场市值大小来区分大盘与小盘股票的风格偏向[13] - 因子具体构建过程：计算不同市值分组的股票表现差异，通常以大盘股（如前100只个股）与小盘股（如后100只个股）的收益率差值作为因子值 - 因子评价：上周风格偏向大盘，显示市场偏好稳健的大盘股[13] 2. **因子名称：价值成长风格因子** - 因子构建思路：通过估值指标（如PE、PB）区分价值型与成长型股票的风格偏向[13] - 因子具体构建过程：计算高估值（成长型）与低估值（价值型）股票组合的收益率差值 - 因子评价：上周风格偏向价值，显示市场风险偏好较低[13] 3. **因子名称：行业轮动因子** - 因子构建思路：捕捉行业间超额收益的离散变化[13] - 因子具体构建过程：计算各行业指数超额收益的标准差或极差 - 因子评价：上周行业轮动速度上升，显示热点切换加快[13] 4. **因子名称：商品趋势强度因子** - 因子构建思路：衡量商品期货价格的趋势性表现[28] - 因子具体构建过程：通过移动平均线或动量指标（如ROC）计算各商品板块的趋势强度 - 因子评价：能化、黑色板块趋势性强，有色、农产品板块趋势性弱[28] 5. **因子名称：期权隐波差值因子** - 因子构建思路：通过远月与近月隐含波动率差值反映市场预期[32] - 因子具体构建过程：计算同一标的期权不同到期月份的IV差值 - 因子评价：中证1000远月隐波差值下降，显示对小盘股短期担忧[32] 因子的回测效果 1. **大小盘风格因子** - 风格偏向：大盘[13] - 风格波动：下降[13] 2. **价值成长风格因子** - 风格偏向：价值[13] - 风格波动：下降[13] 3. **行业轮动因子** - 行业收益离散度：上升[13] - 轮动速度：上升[13] 4. **商品趋势强度因子** - 趋势强度分化：能化、黑色板块强，有色、农产品板块弱[28] - 基差动量分化：有色板块最高，黑色板块快速下降[28] 5. **期权隐波差值因子** - 中证1000隐波差值：下降[32] - 上证50隐波差值：上升[32] 注：报告中未提及具体模型构建或定量回测指标（如IC、IR等），因此仅总结定性结论[13][28][32]

根据研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称**：机构投资者穿透识别模型 - **模型构建思路**：修正ETF公布的机构投资者持有比例，剔除联接基金中个人投资者的影响，以更准确反映机构实际持仓占比[6] - **模型具体构建过程**： 修正公式： $$修正后机构持仓占比 = 原始机构持仓占比 - 联接基金持仓占比 \times (1 - 联接基金中机构占比)$$ 其中： - 原始机构持仓占比：ETF定期报告披露值 - 联接基金持仓占比：ETF持有的联接基金份额比例 - 联接基金中机构占比：联接基金自身的机构投资者比例[6][27] 2. **模型名称**：ETF机构投资者分类体系 - **模型构建思路**：基于前十大持有人信息构建三级分类框架，细化机构投资者类型[47] - **模型具体构建过程**： - 一级分类（14类）：国资机构、保险机构、公募机构等 - 二级分类（19类）：如保险机构下设保险公司、保险资管等 - 三级分类（39类）：如保险公司进一步分为寿险、健康险等[47] 量化因子与构建方式 1. **因子名称**：机构持仓比例因子 - **因子构建思路**：通过穿透修正后的机构持仓比例反映不同类型ETF的机构偏好[6][27] - **因子具体构建过程**： - 按ETF类型分组计算：股票型/债券型/货币型等 - 按细分方向分组：宽基/行业/主题/Smart Beta等 - 动态跟踪各分组机构占比变化[37][58] 2. **因子名称**：机构持仓收益相关性因子 - **因子构建思路**：分析机构持仓比例与ETF收益/风险的关系[84][94] - **因子具体构建过程**： - 将全市场ETF按机构持仓比例分11组（0-10%,...,90-100%） - 计算每组持有期平均收益与最大回撤[85][98] 模型回测效果 1. **机构穿透模型**： - 宽基ETF修正后机构占比达72.52%（中证500）至92.37%（中证800）[37] - Smart Beta ETF修正后机构占比50.74%（2024年）[37] 2. **分类体系模型**： - 国资机构在宽基ETF持仓占比49.95%（2024年）[57] - 保险机构在行业ETF持仓占比6.4%（2024年）[62] 因子回测效果 1. **机构持仓比例因子**： - 最优收益区间：50%-60%持仓比例组年化收益领先[84] - 风险控制：>60%持仓比例组最大回撤降低15%-20%[98] 2. **收益相关性因子**： - 牛市阶段：低机构持仓组收益弹性高30%[94] - 熊市阶段：高机构持仓组回撤减少25%[103] （注：原文未提供具体IR值或其他量化指标）

量化模型与构建方式 1 模型名称：计算机指数偏离修复模型 模型构建思路：基于申万一级计算机指数相对沪深300指数的偏离-回归特性，通过统计回撤序列确定买入阈值，当价格偏离超过阈值时触发买入信号[4][5][6] 模型具体构建过程： - 计算计算机指数收盘价相对沪深300指数的归一化值cl - 计算cl在区间内的回撤序列W - 提取W中单次回撤的最大值，降序排列为序列S - 计算S总和T，逐步累加S直至达到T的80%，保留剩余序列S1 - 对S1迭代执行上述筛选过程直至结果稳定，得到有效回撤集合C - 取C中最大值的80%作为阈值，当W>阈值时信号为1（买入），W=0时信号为0（平仓），否则维持前值[6] 模型评价：样本内表现依赖历史数据统计，样本外出现超额负收益，对计算机指数配置价值判断参考性有限[6][7] 模型的回测效果 1 计算机指数偏离修复模型 区间策略总收益：78.50% 标的买入并持有收益：152.35% 总超额：-73.86% 最大回撤：54.68% 最长回撤时间：2261交易日[6] （注：原文未提及因子相关内容，故跳过该部分总结）