证券研究报告 | 2025年02月17日 金融工程日报 沪指震荡收涨，AI 应用持续火爆 核心观点 金融工程日报 市场表现：今日(20250217) 大部分指数处于上涨状态，规模指数中中证 2000 指数表现较好，板块指数中北证 50 指数表现较好，风格指数中沪深 300 成 长指数表现较好。通信、消费者服务、机械、电子、电力公用事业行业表现 较好，有色金属、煤炭、传媒、银行、家电行业表现较差。宇树机器人、光 模块(CPO)、猴痘、高速铜连接、基站等概念表现较好，影视、黄金精选、 锂电负极、动漫、锂电电解液等概念表现较差。 市场情绪：今日市场情绪较为高涨，收盘时有 112 只股票涨停，有 8 只股票 跌停。昨日涨停股票今日收盘收益为 3.81%，昨日跌停股票今日收盘收益为 -0.47%。今日封板率 61%，较前日下降 7%，连板率 29%，较前日提升 6%。 市场资金流向：截至 20250214 两融余额为 18533 亿元，其中融资余额 18423 亿元，融券余额 109 亿元。两融余额占流通市值比重为 2.3%，两融交易占市 场成交额比重为 9.8%。 折溢价：20250214 当日 ETF 溢价较多的是 ...

量化模型与构建方式 1. **模型名称：市场情绪温度计** **模型构建思路**：基于融资资金活跃度指标及其他多个量化指标，通过算法计算市场情绪得分，反映市场情绪的热度[5] **模型具体构建过程**：市场情绪温度计模型结合了两个融资资金活跃度指标（融资余额占流通市值占比、当日融资买入额占全市场成交额占比）以及其他量化指标（全市场量能指标、区间换手率、历史波动率、上涨家数占比、股票期权持仓量多空比指标等），通过算法计算得出市场情绪得分，取值范围为0-100分，分数越高表示市场情绪越热[5][11] **模型评价**：该模型能够有效反映市场情绪的热度，帮助投资者判断市场情绪状态[5] 2. **模型名称：基于两融的市场风格分析** **模型构建思路**：通过分析沪深300指数与中证1000指数的收盘价及其融资余额的变化，判断市场的大小盘风格特征[23] **模型具体构建过程**：计算沪深300指数与中证1000指数的收盘价比价（沪深300指数收盘价除以中证1000指数收盘价）以及中证1000指数与沪深300指数的融资余额比价（中证1000指数融资余额除以沪深300指数融资余额），通过历史分位数判断市场风格[23][24] **模型评价**：该模型能够有效反映市场的大小盘风格特征，帮助投资者判断市场风格[23] 模型的回测效果 1. **市场情绪温度计模型**，当前市场情绪得分为77分，市场情绪状态为较热[5][12] 2. **基于两融的市场风格分析模型**，沪深300指数与中证1000指数的收盘价比价处于历史45%分位数，中证1000指数与沪深300指数的融资余额比价处于历史95%分位数[23][24] 量化因子与构建方式 1. **因子名称：融资余额占流通市值占比** **因子构建思路**：衡量存量的、偏长线交易的融资资金占全市场资金的比重[5][7] **因子具体构建过程**：计算融资余额占流通市值的比例，通过历史分位数判断其相对水平[5][7] **因子评价**：该因子能够反映长线融资资金的活跃度[5] 2. **因子名称：当日融资买入额占全市场成交额占比** **因子构建思路**：衡量偏短线交易的融资资金占全市场的比重[5][7] **因子具体构建过程**：计算当日融资买入额占全市场成交额的比例，通过历史分位数判断其相对水平[5][7] **因子评价**：该因子能够反映短线融资资金的活跃度[5] 因子的回测效果 1. **融资余额占流通市值占比因子**，当前数值处于70%历史分位数[5][7] 2. **当日融资买入额占全市场成交额占比因子**，上周日均值处于85%历史分位数[5][7]

量化模型与构建方式 1. **模型名称**：均线比较模型 **模型构建思路**：通过比较各宽基指数与其5日、10日、20日及60日均线的位置，判断指数的短期和中期趋势[8] **模型具体构建过程**：计算各宽基指数的收盘价与不同周期均线（MA5、MA10、MA20、MA60）的比值，判断指数是否位于均线之上或之下[8] **模型评价**：该模型能够有效反映指数的短期和中期趋势，适用于趋势跟踪策略[8] 2. **模型名称**：风险溢价模型 **模型构建思路**：以十年期国债即期收益率为无风险利率，计算各宽基指数的风险溢价，衡量其相对投资价值[15] **模型具体构建过程**：风险溢价 = 指数收益率 - 十年期国债即期收益率，并计算其近1年和近5年的分位值[15] **模型评价**：该模型能够有效衡量指数的相对投资价值，适用于价值投资策略[15] 3. **模型名称**：PE-TTM模型 **模型构建思路**：通过计算各宽基指数的PE-TTM（滚动市盈率），衡量其估值水平[21] **模型具体构建过程**：计算各指数的PE-TTM值，并分析其近1年和近5年的分位值[21] **模型评价**：该模型能够有效反映指数的估值水平，适用于估值投资策略[21] 模型的回测效果 1. **均线比较模型**：上证50、沪深300、中证500、中证1000、中证全指、创业板指均位于5日、10日、20日及60日均线之上，中证2000跌破5日均线[8] 2. **风险溢价模型**：创业板指（86.19%）和沪深300（80.48%）风险溢价近5年分位值较高，中证1000（66.19%）和中证2000（41.35%）较低[15] 3. **PE-TTM模型**：中证500（86.78%）和中证全指（74.71%）分位值较高，中证2000（47.93%）和创业板指（36.53%）分位值较低[21] 量化因子与构建方式 1. **因子名称**：换手率因子 **因子构建思路**：通过计算各宽基指数的换手率，衡量其流动性[9] **因子具体构建过程**：换手率 = Σ(成分股流通股本 * 成分股换手率) / Σ(成分股流通股本)[9] **因子评价**：该因子能够有效反映指数的流动性，适用于流动性分析[9] 2. **因子名称**：股息率因子 **因子构建思路**：通过计算各宽基指数的股息率，衡量其现金分红回报率[25] **因子具体构建过程**：股息率 = 年度现金分红 / 指数价格[25] **因子评价**：该因子能够有效反映指数的现金分红回报率，适用于红利投资策略[25] 3. **因子名称**：破净率因子 **因子构建思路**：通过计算各宽基指数的破净率，衡量其估值水平[30] **因子具体构建过程**：破净率 = 破净个股数 / 总个股数[30] **因子评价**：该因子能够有效反映指数的估值水平，适用于价值投资策略[30] 因子的回测效果 1. **换手率因子**：中证2000（4.31）、创业板指（3.5）、中证1000（3.07）、中证500（1.9）、中证全指（1.88）、沪深300（0.54）、上证50（0.34）[9] 2. **股息率因子**：沪深300（98.76%）和中证全指（94.05%）近5年历史分位值较高，中证2000（82.31%）和中证500（53.22%）较低[25] 3. **破净率因子**：上证50（24.0%）、沪深300（17.06%）、中证500（14.2%）、中证1000（10.5%）、中证2000（5.2%）、创业板指（1.0%）、中证全指（8.58%）[30]

量化模型与构建方式 1. **模型名称**：Heston模型 **模型构建思路**：用于计算近月平值期权的隐含波动率，作为市场的恐慌指数，反映市场参与者对未来波动性的预期[8] **模型具体构建过程**：通过期权定价模型计算隐含波动率，公式为： $$ \sigma_{imp} = \sqrt{\frac{2\pi}{T}} \frac{C}{S} $$ 其中，$\sigma_{imp}$为隐含波动率，$T$为期权到期时间，$C$为期权价格，$S$为标的资产价格[8] **模型评价**：Heston模型能够有效捕捉市场对未来波动性的预期，适用于恐慌指数的构建[8] 量化因子与构建方式 1. **因子名称**：多空形态剪刀差 **因子构建思路**：基于行业指数成分股的多空信号，构建多空形态剪刀差，用于行业择时策略[14] **因子具体构建过程**： - 如果当日没有看多形态的成分股，则看多形态的成分股数量为0 - 如果当日没有看空形态的成分股，则看空形态的成分股数量为0 - 如果当日看多形态和看空形态的成分股数量都为0，则多空形态剪刀差为0 - 多空形态剪刀差比率为： $$ \text{剪刀差比率} = \frac{\text{看多形态成分股数量} - \text{看空形态成分股数量}}{\text{总成分股数量}} $$[14] **因子评价**：该因子能够有效捕捉行业指数的多空信号，择时模型表现优秀[14] 模型的回测效果 1. **Heston模型**，上证50隐含波动率14.9%，沪深300隐含波动率15.76%，中证1000隐含波动率21.87%[9] 2. **多空形态剪刀差择时模型**，中信一级行业择时模型跑赢行业指数比率为100%[14] 因子的回测效果 1. **多空形态剪刀差因子**，商贸零售行业策略年化收益18.96%，建材行业策略年化收益25.59%，汽车行业策略年化收益27.35%[15]

量化模型与构建方式 1. **模型名称**：鹏华沪深 300 指数量化增强模型 **模型构建思路**：该模型旨在通过量化方法增强沪深 300 指数的表现，利用多因子选股和优化组合构建策略[10] **模型具体构建过程**：首先，选取多个有效因子，包括价值因子、动量因子、质量因子等，通过因子打分和加权构建股票池。然后，使用优化算法（如均值方差优化）构建组合，以最大化风险调整后的收益。公式如下： $$ \text{组合收益} = \sum_{i=1}^{n} w_i \cdot R_i $$ 其中，$w_i$ 为第 $i$ 只股票的权重，$R_i$ 为第 $i$ 只股票的预期收益[10] **模型评价**：该模型在历史回测中表现优异，能够显著提升沪深 300 指数的收益风险比[10] 2. **模型名称**：招商中证 A50 指数增强模型 **模型构建思路**：该模型通过量化方法增强中证 A50 指数的表现，结合基本面因子和技术面因子进行选股和组合优化[10] **模型具体构建过程**：首先，选取基本面因子（如 ROE、净利润增长率）和技术面因子（如动量、波动率），通过因子打分和加权构建股票池。然后，使用风险预算模型优化组合权重，以控制组合风险并提升收益。公式如下： $$ \text{风险预算} = \sum_{i=1}^{n} w_i \cdot \sigma_i $$ 其中，$w_i$ 为第 $i$ 只股票的权重，$\sigma_i$ 为第 $i$ 只股票的风险[10] **模型评价**：该模型在历史回测中表现稳定，能够有效提升中证 A50 指数的收益[10] 模型的回测效果 1. **鹏华沪深 300 指数量化增强模型**，年化收益率 12.5%，最大回撤 8.7%，信息比率（IR）1.8[10] 2. **招商中证 A50 指数增强模型**，年化收益率 10.8%，最大回撤 7.2%，信息比率（IR）1.5[10] 量化因子与构建方式 1. **因子名称**：自由现金流因子 **因子构建思路**：该因子通过衡量公司的自由现金流水平，评估其盈利能力和财务健康状况[1] **因子具体构建过程**：计算自由现金流因子时，使用以下公式： $$ \text{自由现金流} = \text{经营活动现金流} - \text{资本支出} $$ 然后，将自由现金流标准化为 Z 分数，用于因子打分[1] **因子评价**：该因子在历史回测中表现稳定，能够有效区分高收益和低收益股票[1] 2. **因子名称**：动量因子 **因子构建思路**：该因子通过衡量股票过去一段时间的价格变化，捕捉其趋势性[10] **因子具体构建过程**：计算动量因子时，使用以下公式： $$ \text{动量} = \frac{P_t}{P_{t-n}} - 1 $$ 其中，$P_t$ 为当前价格，$P_{t-n}$ 为 $n$ 期前的价格[10] **因子评价**：该因子在历史回测中表现优异，能够有效捕捉股票的趋势性收益[10] 因子的回测效果 1. **自由现金流因子**，年化收益率 8.6%，最大回撤 6.3%，信息比率（IR）1.2[1] 2. **动量因子**，年化收益率 9.4%，最大回撤 7.8%，信息比率（IR）1.3[10]

量化模型与构建方式 1. **模型名称**：主动偏股基金仓位高频估测模型 **模型构建思路**：通过基金每日披露的净值序列，利用带约束条件的多元回归模型，估算基金仓位[59] **模型具体构建过程**：以基金净值序列为因变量，基准或其他资产序列为自变量，通过多元回归模型寻找最优仓位估计结果。具体步骤包括： 1. 构建模拟组合，提升估算准确性 2. 使用除数修正法保证指数连续性 3. 衡量整体仓位变动趋势及行业投向偏好[59] **模型评价**：该方法能够相对高频地跟踪基金仓位变化，但估算结果与实际仓位可能存在差异[59] 量化因子与构建方式 1. **因子名称**：REITs 指数系列 **因子构建思路**：通过构建 REITs 系列指数，反映不同底层资产和项目类型的表现，提供价格指数和全收益指数[49] **因子具体构建过程**： 1. 采用分级靠档方法确保指数份额稳定 2. 使用除数修正法处理非交易因素变动（如新发、扩募等） 3. 计算价格指数和全收益指数，综合反映市场表现[49] **因子评价**：该因子能够有效衡量 REITs 市场的整体表现，适合长期投资者关注[49] 模型的回测效果 1. **主动偏股基金仓位高频估测模型**，本周仓位下降 0.16pcts[59] 2. **REITs 指数系列**，本周 REITs 综合指数上涨 1.43%，仓储物流 REITs 指数上涨 3.99%[49] 因子的回测效果 1. **REITs 指数系列**，产权类 REITs 指数本周收益 1.39%，特许经营权类 REITs 指数本周收益 1.48%[49] 2. **REITs 指数系列**，仓储物流 REITs 指数本周收益 3.99%，能源基础设施 REITs 指数本周收益 0.63%[49]

量化模型与构建方式 1. 模型名称：价值 Smart beta 组合；模型构建思路：基于历史相关性低的价值风格，构建高 beta 弹性和长期稳健超额收益的组合[9]；模型具体构建过程：选取价值风格的股票，构建价值 50 组合和价值均衡 50 组合，分别追求高 beta 弹性和长期稳健超额收益[9] 2. 模型名称：成长 Smart beta 组合；模型构建思路：基于历史相关性低的成长风格，构建高 beta 弹性和长期稳健超额收益的组合[9]；模型具体构建过程：选取成长风格的股票，构建成长 50 组合和成长均衡 50 组合，分别追求高 beta 弹性和长期稳健超额收益[9] 3. 模型名称：小盘 Smart beta 组合；模型构建思路：基于历史相关性低的小盘风格，构建高 beta 弹性和长期稳健超额收益的组合[9]；模型具体构建过程：选取小盘风格的股票，构建小盘 50 组合和小盘均衡 50 组合，分别追求高 beta 弹性和长期稳健超额收益[9] 模型的回测效果 1. 价值 50 组合，周收益率 0.54%，月收益率 -0.81%，年收益率 -1.35%，超额收益率 -0.76%，最大相对回撤 1.87%[10] 2. 价值均衡 50 组合，周收益率 -1.09%，月收益率 -1.92%，年收益率 -2.91%，超额收益率 -2.39%，最大相对回撤 3.40%[10] 3. 成长 50 组合，周收益率 1.20%，月收益率 4.24%，年收益率 4.38%，超额收益率 0.41%，最大相对回撤 2.49%[10] 4. 成长均衡 50 组合，周收益率 -0.30%，月收益率 3.70%，年收益率 8.12%，超额收益率 -1.10%，最大相对回撤 1.77%[10] 5. 小盘 50 组合，周收益率 1.34%，月收益率 6.61%，年收益率 5.35%，超额收益率 -0.64%，最大相对回撤 4.67%[10] 6. 小盘均衡 50 组合，周收益率 0.02%，月收益率 4.66%，年收益率 5.26%，超额收益率 -1.95%，最大相对回撤 3.15%[10]

量化模型与构建方式 1. 模型名称：理性预期均衡（REE）模型 - **模型构建思路**：通过构建多资产的理性预期均衡模型，分析因子投资的驱动因素、市场均衡动态及其内生上限[13][14] - **模型具体构建过程**： 1. **资产设置**：假设市场包含无风险资产和多个风险资产，风险资产的收益由系统性风险和异质性风险构成，公式为： $$v = (v_1, v_2, ..., v_l), \quad v_i = S + \epsilon_i$$ 其中，\(S\) 表示系统性风险，\(\epsilon_i\) 表示异质性风险[15] 2. **市场参与者设置**：市场中个人投资者分为三类：直接投资者、因子投资者和基本面投资者，比例满足： $$\lambda_h + \lambda_b + \lambda_a = 1$$ 基金经理分为技能型和隐性指数型，个人投资者通过支付搜索成本 \(c\) 识别基金经理的技能水平[17][19] 3. **管理费与效用函数**：因子投资和基本面投资的管理费分别为： $$\alpha_b = \frac{\eta_I}{\gamma}, \quad \alpha_a = \frac{\eta_I}{\gamma} + k$$ 其中，\(\eta_I\) 为价格无效系数，\(\gamma\) 为风险厌恶系数，\(k\) 为基本面信息成本[22] 4. **均衡条件**：在均衡条件下，因子投资、基本面投资和直接投资的比例由以下公式决定： - 内部均衡： $$\frac{\lambda_b}{\lambda_a} = \frac{\gamma k + \eta_t}{\gamma k \mu + \eta_t} > 1$$[27] - 委托投资主导： $$\lambda_b \in \left(\frac{1}{2}, \frac{1}{\mu + 1}\right]$$[29] - 基本面投资主导： $$\lambda_a \in \left(\frac{1}{\mu + 1}, 1\right]$$[32] 5. **因子投资上限**：因子投资的资本比例存在上限，公式为： $$\lambda_b \leq \frac{1}{1 + \mu}$$ 其中，\(\mu\) 为技能型基金经理的比例[34] - **模型评价**：该模型首次将个人投资者金融行为纳入均衡经济模型，揭示了因子投资的内生上限及其对市场稳定性的影响[50][51] --- 模型的回测效果 1. 理性预期均衡（REE）模型 - **因子投资比例**：在内部均衡下，因子投资比例高于基本面投资比例[27][28] - **因子投资上限**：因子投资的资本占比不能超过市场总份额的 \(\frac{1}{1 + \mu}\)，当 \(\mu = 1\) 时，因子投资最多占据市场份额的一半[34][35] --- 量化因子与构建方式 1. 因子名称：因子投资比例因子 - **因子的构建思路**：通过分析因子投资的驱动因素，揭示其需求变化的动态特征[39][41] - **因子具体构建过程**： 1. **搜索成本的影响**：因子投资需求与搜索成本呈“驼峰型”关系，初期搜索成本降低会减少隐性指数基金数量并压缩管理费，但过度降低会使资金转向基本面投资[39][40] 2. **基本面信息成本的影响**：因子投资需求随着基本面信息成本的增加而减少[41] 3. **风险厌恶水平的影响**：因子投资需求随着风险厌恶程度的变化先增加后减少，中等风险厌恶水平下因子投资需求达到峰值[41][46] 4. **特质风险和供给不确定性的影响**：因子投资需求随着特质风险和供给不确定性的增加而增加[44][47] 5. **财富不平等的影响**：财富和认知能力的不平等会影响因子投资需求，财富差距扩大和认知能力差异加剧均会增加因子投资的吸引力[48][49] - **因子评价**：因子投资比例因子能够有效捕捉因子投资需求的动态变化，揭示了因子投资的驱动机制[50] --- 因子的回测效果 1. 因子投资比例因子 - **搜索成本的影响**：因子投资需求在搜索成本降低的初期增加，但当搜索成本趋近于零时，因子投资需求下降[39][40] - **风险厌恶水平的影响**：中等风险厌恶水平下，因子投资需求达到峰值[41][46] - **特质风险和供给不确定性的影响**：高特质风险和高供给不确定性均会增加因子投资需求[44][47] - **财富不平等的影响**：财富差距扩大和认知能力差异加剧均会提升因子投资需求[48][49]

量化模型与构建方式 1. **模型名称**：深度学习高频因子（改进 GRU(50,2)+NN(10)） **模型构建思路**：基于改进的GRU（门控循环单元）和神经网络（NN）构建，用于捕捉高频数据中的非线性关系[11] **模型具体构建过程**：模型采用GRU(50,2)作为基础结构，结合NN(10)进行特征提取和预测，具体公式为： $$h_t = GRU(x_t, h_{t-1})$$ $$y_t = NN(h_t)$$ 其中，$h_t$为GRU的隐藏状态，$y_t$为预测输出[11] **模型评价**：该模型在高频数据中表现稳定，能够有效捕捉市场短期波动[11] 2. **模型名称**：深度学习高频因子（残差注意力 LSTM(48,2)+NN(10)） **模型构建思路**：基于残差注意力机制和LSTM（长短期记忆网络）构建，用于增强模型对长期依赖关系的捕捉能力[12] **模型具体构建过程**：模型采用LSTM(48,2)作为基础结构，结合残差注意力机制和NN(10)进行特征提取和预测，具体公式为： $$h_t = LSTM(x_t, h_{t-1})$$ $$y_t = NN(h_t + Attention(h_t))$$ 其中，$Attention(h_t)$为残差注意力机制的输出[12] **模型评价**：该模型在捕捉长期依赖关系方面表现优异，适合处理复杂的高频数据[12] 3. **模型名称**：深度学习因子（多颗粒度模型-5 日标签） **模型构建思路**：基于双向AGRU（注意力门控循环单元）构建，用于捕捉不同时间颗粒度下的市场特征[13] **模型具体构建过程**：模型采用双向AGRU进行训练，具体公式为： $$h_t = AGRU(x_t, h_{t-1})$$ $$y_t = NN(h_t)$$ 其中，$h_t$为AGRU的隐藏状态，$y_t$为预测输出[13] **模型评价**：该模型在多颗粒度数据中表现良好，能够有效捕捉不同时间尺度的市场变化[13] 4. **模型名称**：深度学习因子（多颗粒度模型-10 日标签） **模型构建思路**：基于双向AGRU构建，用于捕捉更长周期的市场特征[14] **模型具体构建过程**：模型采用双向AGRU进行训练，具体公式为： $$h_t = AGRU(x_t, h_{t-1})$$ $$y_t = NN(h_t)$$ 其中，$h_t$为AGRU的隐藏状态，$y_t$为预测输出[14] **模型评价**：该模型在长周期数据中表现稳定，适合捕捉市场的中长期趋势[14] 5. **模型名称**：周度调仓的中证 500 AI 增强组合 **模型构建思路**：基于深度学习因子（多颗粒度模型-10 日标签）构建，目标是通过优化组合权重最大化预期收益[15] **模型具体构建过程**：模型的目标函数为： $$m a x\sum\mu_{i}w_{i}$$ 其中，$w_i$为组合中股票$i$的权重，$\mu_i$为股票$i$的预期超额收益[15] **模型评价**：该组合在风险控制和收益优化方面表现良好，适合中证500指数的增强策略[15] 6. **模型名称**：周度调仓的中证 1000 AI 增强组合 **模型构建思路**：基于深度学习因子（多颗粒度模型-10 日标签）构建，目标是通过优化组合权重最大化预期收益[15] **模型具体构建过程**：模型的目标函数为： $$m a x\sum\mu_{i}w_{i}$$ 其中，$w_i$为组合中股票$i$的权重，$\mu_i$为股票$i$的预期超额收益[15] **模型评价**：该组合在风险控制和收益优化方面表现良好，适合中证1000指数的增强策略[15] 模型的回测效果 1. **深度学习高频因子（改进 GRU(50,2)+NN(10)）**，本周多空收益率0.10%，2月多空收益率0.22%，2025年多空收益率0.54%[11] 2. **深度学习高频因子（残差注意力 LSTM(48,2)+NN(10)）**，本周多空收益率0.18%，2月多空收益率0.30%，2025年多空收益率0.89%[12] 3. **深度学习因子（多颗粒度模型-5 日标签）**，本周多空收益率-0.20%，2月多空收益率-0.21%，2025年多空收益率1.14%[13] 4. **深度学习因子（多颗粒度模型-10 日标签）**，本周多空收益率-0.27%，2月多空收益率-0.38%，2025年多空收益率0.90%[14] 5. **周度调仓的中证 500 AI 增强组合**，本周多空收益率-0.66%，2月多空收益率-2.39%，2025年多空收益率-1.94%[15] 6. **周度调仓的中证 1000 AI 增强组合**，本周多空收益率-0.56%，2月多空收益率-1.45%，2025年多空收益率-0.37%[15] 量化因子与构建方式 1. **因子名称**：高频偏度因子 **因子构建思路**：通过计算股票收益分布的偏度，捕捉市场中的极端波动[6] **因子具体构建过程**：因子计算方式参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[6] **因子评价**：该因子在捕捉市场极端波动方面表现良好[6] 2. **因子名称**：下行波动占比因子 **因子构建思路**：通过计算下行波动在总波动中的占比，捕捉市场中的下行风险[7] **因子具体构建过程**：因子计算方式参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[7] **因子评价**：该因子在捕捉下行风险方面表现稳定[7] 3. **因子名称**：开盘后买入意愿占比因子 **因子构建思路**：通过计算开盘后买入意愿在总交易中的占比，捕捉市场中的短期情绪[8] **因子具体构建过程**：因子计算方式参考专题报告《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》[8] **因子评价**：该因子在捕捉短期市场情绪方面表现良好[8] 4. **因子名称**：开盘后买入意愿强度因子 **因子构建思路**：通过计算开盘后买入意愿的强度，捕捉市场中的短期情绪强度[9] **因子具体构建过程**：因子计算方式参考专题报告《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》[9] **因子评价**：该因子在捕捉短期情绪强度方面表现稳定[9] 5. **因子名称**：开盘后大单净买入占比因子 **因子构建思路**：通过计算开盘后大单净买入在总交易中的占比，捕捉市场中的大单交易行为[10] **因子具体构建过程**：因子计算方式参考专题报告《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》[10] **因子评价**：该因子在捕捉大单交易行为方面表现良好[10] 6. **因子名称**：开盘后大单净买入强度因子 **因子构建思路**：通过计算开盘后大单净买入的强度，捕捉市场中的大单交易强度[10] **因子具体构建过程**：因子计算方式参考专题报告《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》[10] **因子评价**：该因子在捕捉大单交易强度方面表现稳定[10] 7. **因子名称**：改进反转因子 **因子构建思路**：通过改进传统反转因子，捕捉市场中的反转效应[11] **因子具体构建过程**：因子计算方式参考专题报告《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》[11] **因子评价**：该因子在捕捉市场反转效应方面表现良好[11] 8. **因子名称**：尾盘成交占比因子 **因子构建思路**：通过计算尾盘成交在总交易中的占比，捕捉市场中的尾盘交易行为[12] **因子具体构建过程**：因子计算方式参考专题报告《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》[12] **因子评价**：该因子在捕捉尾盘交易行为方面表现稳定[12] 9. **因子名称**：平均单笔流出金额占比因子 **因子构建思路**：通过计算平均单笔流出金额在总交易中的占比，捕捉市场中的资金流出行为[13] **因子具体构建过程**：因子计算方式参考专题报告《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》[13] **因子评价**：该因子在捕捉资金流出行为方面表现良好[13] 10. **因子名称**：大单推动涨幅因子 **因子构建思路**：通过计算大单交易对股价涨幅的推动力，捕捉市场中的大单影响力[14] **因子具体构建过程**：因子计算方式参考专题报告《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》[14] **因子评价**：该因子在捕捉大单影响力方面表现稳定[14] 因子的回测效果 1. **高频偏度因子**，本周多空收益率-0.14%，2月多空收益率0.02%，2025年多空收益率2.88%[6] 2. **下行波动占比因子**，本周多空收益率0.11%，2月多空收益率0.45%，2025年多空收益率2.82%[7] 3. **开盘后买入意愿占比因子**，本周多空收益率-0.07%，2月多空收益率-0.50%，2025年多空收益率0.71%[8] 4. **开盘后买入意愿强度因子**，本周多空收益率-0.28%，2月多空收益率-0.67%，2025年多空收益率0.44%[9] 5. **开盘后大单净买入占比因子**，本周多空收益率0.27%，2月多空收益率0.26%，2025年多空收益率0.96%[10] 6. **开盘后大单净买入强度因子**，本周多空收益率0.26%，2月多空收益率0.01%，2025年多空收益率0.71%[10] 7. **改进反转因子**，本周多空收益率0.17%，2月多空收益率0.03%，2025年多空收益率0.33%[11] 8. **尾盘成交占比因子**，本周多空收益率-0.05%，2月多空收益率0.25%，2025年多空收益率1.05%[12] 9. **平均单笔流出金额占比因子**，本周多空收益率-0.01%，2月多空收益率0.03%，2025年多空收益率0.45%[13] 10. **大单推动涨幅因子**，本周多空收益率0.13%，2月多空收益率0.04%，2025年多空收益率0.82%[14]

根据提供的文档内容，未发现与量化模型或量化因子相关的具体内容，因此无法提取相关信息进行总结