根据提供的金融工程月报，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. 券商金股业绩增强组合模型 **模型构建思路**：该模型以券商金股股票池为选股空间，通过多因子方式优选个股，旨在构建能够稳定战胜偏股混合型基金指数的投资组合[12][42] **模型具体构建过程**： 1. 选股空间：每月汇总各家券商发布的金股，形成券商金股股票池[4][39] 2. 基准设定：以偏股混合型基金指数作为组合对标基准，以全体公募基金的行业分布为行业配置基准[42] 3. 组合构建：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[42] 4. 仓位管理：根据主动股基最近一个报告期的权益仓位中位数确定组合仓位[19][39] 5. 调仓频率：每月第一个交易日进行调仓[19] **模型评价**：该模型能够较好地跟踪偏股混合型基金指数的表现，并在此基础上获得稳定超额收益[12][42] 2. 券商金股指数模型 **模型构建思路**：通过汇总券商推荐的金股构建指数，表征卖方分析师推荐股票池的整体表现[19] **模型具体构建过程**： 1. 股票池构建：每月初汇总券商金股并进行去重处理[4][19] 2. 加权方式：根据金股被券商推荐的家数进行加权[19] 3. 调仓机制：每月第一个交易日收盘价进行调仓[19] 4. 仓位调整：以主动股基权益仓位中位数作为指数仓位[19] 量化因子与构建方式 1. 总市值因子 **因子构建思路**：基于股票的总市值规模构建的规模因子[3][29] **因子评价**：最近一个月和今年以来在券商金股股票池中表现较好[3][29] 2. 单季度超预期幅度因子 **因子构建思路**：衡量公司业绩超出市场预期程度的因子[3][29] **因子评价**：最近一个月在券商金股股票池中表现较好[3][29] 3. 波动率因子 **因子构建思路**：衡量股票价格波动程度的风险因子[3][29] **因子评价**：最近一个月表现较好，但今年以来表现较差[3][29] 4. 剥离涨停动量因子 **因子构建思路**：剔除涨停影响后的动量效应因子[3][29] **因子评价**：最近一个月在券商金股股票池中表现较差[3][29] 5. 单季度ROE因子 **因子构建思路**：基于单季度净资产收益率的盈利能力因子[3][29] **因子评价**：最近一个月在券商金股股票池中表现较差[3][29] 6. EPTTM因子 **因子构建思路**：基于盈利价格比的估值因子[3][29] **因子评价**：最近一个月和今年以来在券商金股股票池中表现均较差[3][29] 7. 单季度营收增速因子 **因子构建思路**：衡量公司营业收入增长能力的成长因子[3][29] **因子评价**：今年以来在券商金股股票池中表现较好[3][29] 8. 分析师净上调幅度因子 **因子构建思路**：反映分析师盈利预测上调程度的预期因子[3][29] **因子评价**：今年以来在券商金股股票池中表现较好[3][29] 9. 预期股息率因子 **因子构建思路**：基于预期股息支付的收益因子[3][29] **因子评价**：今年以来在券商金股股票池中表现较差[3][29] 模型的回测效果 1. 券商金股业绩增强组合 - 本月绝对收益：-0.77%[5][41] - 本月相对偏股混合型基金指数超额收益：1.37%[5][41] - 本年绝对收益：35.08%[5][41] - 本年相对偏股混合型基金指数超额收益：2.61%[5][41] - 主动股基排名分位点：40.13%（412/3469）[5][41] - 全样本年化收益：19.34%[46] - 全样本相对偏股混合型基金指数年化超额收益：14.38%[46] 2. 券商金股指数 - 本月收益：-2.34%[22] - 本年收益：28.59%[22] - 相对偏股混合型基金指数本月收益：-2.14%[22] - 相对偏股混合型基金指数本年收益：32.47%[22] 因子的回测效果 报告中提供了因子在券商金股股票池中的表现情况，但未给出具体的数值指标，仅进行了相对表现的定性描述[3][29]

根据提供的行业景气度月报，以下是其中涉及的量化模型和因子的总结： 量化因子与构建方式 1.煤炭行业利润增速预测因子 **因子构建思路**：通过价格因子和产能因子的同比变化来逐月估计煤炭行业的营收增速和利润增速[10] **因子具体构建过程**：由于动力煤长协机制约定根据每个月最后一期价格指数决定下一个月的销售价格，因此可以提前确定下个月的动力煤销售价格，结合产能因子同比变化进行利润预测[10] 2.生猪供需缺口预测因子 **因子构建思路**：利用生猪从出生到育肥出栏的6个月周期关系，通过能繁母猪存栏数据预测未来6个月的生猪供需情况[15] **因子具体构建过程**： - 出栏系数计算公式：$$出栏系数=单季度生猪出栏/能繁母猪存栏 lag6m$$[15] - 6个月后单季潜在产能计算公式：$$6个月后单季潜在产能= t月能繁母猪存栏*（t+6月上年同期出栏系数）$$[16] - 6个月后生猪潜在需求：$$6个月后生猪潜在需求=t+6月上年同期单季度生猪出栏$$[16] 3.普钢行业利润预测因子 **因子构建思路**：利用普通钢材综合售价和成本指标（铁矿石、焦炭、喷吹煤、废钢等）实现对普钢行业月度利润增速的预测和单吨盈利测算[18] 4.玻璃行业盈利跟踪因子 **因子构建思路**：根据价格指标和成本指标跟踪玻璃制造行业的盈利变化，并基于盈利变化设计配置信号[25] 5.水泥行业利润预测因子 **因子构建思路**：根据价格指标和成本指标跟踪水泥制造行业的盈利变化[25] 6.燃料型炼化利润预测因子 **因子构建思路**：利用成品油燃料价格变化和原油价格变化测算行业利润增速和裂解价差[27] 7.建筑装饰行业景气判断因子 **因子构建思路**：基于制造业PMI景气度和商品房销售情况，分析经济数据引发投资者对于基建托底发力的预期的可能性[25] 因子的回测效果 1.出栏系数法供需缺口因子 **测试结果**：历史经验来看，出栏系数法测算供需缺口能够有效识别生猪价格上行周期[16] 2.行业配置信号因子 **测试结果**：各行业配置信号的历史回测结果显示，基于利润景气度预测的配置信号在不同行业均有相应的超额收益表现[11][14][20][23][28][32][33][35][37]

量化模型与构建方式 1. 风格轮动模型 **模型名称**：基于微观的择时+打分风格轮动模型[4][9] **模型构建思路**：从基础风格因子（估值、市值、波动率、动量）出发，通过微观个股层面构造特征，使用随机森林模型进行风格择时和打分，最终构建月频风格轮动框架[4][9] **模型具体构建过程**： 1. 优选80个底层微观因子作为原始特征[9] 2. 基于80个基础微观指标，构造640个微观特征[4][9] 3. 通过常用指数作为风格股票池取代风格因子的绝对比例划分，构造新的风格收益作为标签[4][9] 4. 使用随机森林模型对单个风格进行择时，并得到每种风格的当期得分[4][9] 5. 通过滚动训练随机森林模型，有效规避过拟合风险，优选特征并得到风格推荐[9] 6. 根据择时结果与打分结果，综合构造月频风格轮动模型[4] 模型的回测效果 1. 风格轮动模型 **回测区间**：2017/01/01-2025/10/31[4][10] **年化收益率**：16.18%[4][10][11] **年化波动率**：20.28%[4][10][11] **信息比率(IR)**：0.80[4][10][11] **月度胜率**：59.43%[4][10][11] **最大回撤**：25.20%[11] 2. 策略对冲市场基准 **回测区间**：2017/01/01-2025/10/31[4][10] **年化收益率**：10.36%[4][10][11] **年化波动率**：10.85%[4][10][11] **信息比率(IR)**：0.95[4][10][11] **月度胜率**：54.72%[4][10][11] **历史最大回撤**：8.53%[4][10][11] 量化因子与构建方式 1. 基础风格因子 **因子名称**：估值、市值、波动率、动量[4][9] **因子的构建思路**：从微观个股层面出发，作为风格轮动模型的基础风格因子[9] 因子的回测效果 1. 2025年风格因子实际收益率（多空对冲） **动量因子收益率**：图中显示在2025年1月至10月期间有正有负，具体数值需从图表中读取[13] **波动率因子收益率**：图中显示在2025年1月至10月期间有正有负，具体数值需从图表中读取[13] **估值因子收益率**：图中显示在2025年1月至10月期间有正有负，具体数值需从图表中读取[13] **市值因子收益率**：图中显示在2025年1月至10月期间有正有负，具体数值需从图表中读取[13] 2. 2025年风格因子择时后收益率（多空对冲） **动量因子收益率**：图中显示在2025年1月至10月期间有正有负，具体数值需从图表中读取[18] **波动率因子收益率**：图中显示在2025年1月至10月期间有正有负，具体数值需从图表中读取[18] **估值因子收益率**：图中显示在2025年1月至10月期间有正有负，具体数值需从图表中读取[18] **市值因子收益率**：图中显示在2025年1月至10月期间有正有负，具体数值需从图表中读取[18]

量化模型与构建方式 1. 五维行业轮动模型 **模型名称**：五维行业轮动模型[8] **模型构建思路**：基于行业内部普遍存在的风格差异，利用风格指标对行业内部股票进行划分，通过构建行业内部离散指标与行业内部牵引指标合成行业最终因子[8] **模型具体构建过程**：以东吴金工特色选股多因子体系为基础，从微观个股层面出发构造模型[8] 根据东吴金工特色多因子划分标准对微观因子进行种类划分，将微观因子划分为五大类：波动率、基本面、成交量、情绪、动量[8] 以大类选股因子的风格偏好为参照，构建行业内部离散指标与行业内部牵引指标，最终得到五类合成行业因子[8] 构建了包含波动率、基本面、成交量、情绪、动量的五维行业轮动模型[8] **模型评价**：该模型从微观个股层面出发，能够捕捉行业内部的风格差异，具有较强的行业轮动能力[8] 量化因子与构建方式 1. 波动率因子 **因子名称**：波动率因子[8][17] **因子构建思路**：作为五维行业轮动模型的五大基础因子之一，用于衡量行业的波动特性[8] **因子具体构建过程**：基于行业内部股票的风格差异，利用波动率相关的风格指标对行业内部股票进行划分，构建行业内部离散指标与行业内部牵引指标，最终合成波动率行业因子[8] 2. 基本面因子 **因子名称**：基本面因子[8][17] **因子构建思路**：作为五维行业轮动模型的五大基础因子之一，用于衡量行业的基本面状况[8] **因子具体构建过程**：基于行业内部股票的风格差异，利用基本面相关的风格指标对行业内部股票进行划分，构建行业内部离散指标与行业内部牵引指标，最终合成基本面行业因子[8] 3. 成交量因子 **因子名称**：成交量因子[8][17] **因子构建思路**：作为五维行业轮动模型的五大基础因子之一，用于衡量行业的成交量特征[8] **因子具体构建过程**：基于行业内部股票的风格差异，利用成交量相关的风格指标对行业内部股票进行划分，构建行业内部离散指标与行业内部牵引指标，最终合成成交量行业因子[8] 4. 情绪因子 **因子名称**：情绪因子[8][17] **因子构建思路**：作为五维行业轮动模型的五大基础因子之一，用于衡量市场的情绪面变化[8] **因子具体构建过程**：基于行业内部股票的风格差异，利用情绪相关的风格指标对行业内部股票进行划分，构建行业内部离散指标与行业内部牵引指标，最终合成情绪行业因子[8] 5. 动量因子 **因子名称**：动量因子[8][17] **因子构建思路**：作为五维行业轮动模型的五大基础因子之一，用于捕捉行业的动量效应[8] **因子具体构建过程**：基于行业内部股票的风格差异，利用动量相关的风格指标对行业内部股票进行划分，构建行业内部离散指标与行业内部牵引指标，最终合成动量行业因子[8] 6. 合成因子 **因子名称**：合成因子[17] **因子构建思路**：将五个维度的因子进行综合，构建最终的行业轮动评分[17] **因子具体构建过程**：通过将波动率、基本面、成交量、情绪、动量五个维度的因子进行加权合成，得到每个行业的综合评分，用于行业轮动决策[17] 模型的回测效果 1. 五维行业轮动模型（多空对冲） **年化收益率**：21.41%[3][17] **年化波动率**：10.83%[3][17] **信息比率**：1.98[3][17] **月度胜率**：72.58%[3][17] **历史最大回撤**：13.30%[3][17] 2. 五维行业轮动模型（多头超额） **年化收益率**：10.50%[3][18] **年化波动率**：6.56%[3][18] **信息比率**：1.60[3][18] **月度胜率**：70.16%[3][18] **历史最大回撤**：9.36%[3][18] 因子的回测效果 1. 波动率因子 **年化收益率**：10.64%[17] **波动率**：10.38%[17] **信息比率**：1.02[17] **胜率**：59.69%[17] **最大回撤**：14.81%[17] **IC**：-0.08[17] **ICIR**：-1.36[17] **RankIC**：-0.06[17] **RankICIR**：-1.01[17] 2. 基本面因子 **年化收益率**：7.31%[17] **波动率**：12.10%[17] **信息比率**：0.60[17] **胜率**：56.59%[17] **最大回撤**：26.32%[17] **IC**：0.15[17] **ICIR**：3.25[17] **RankIC**：0.04[17] **RankICIR**：0.72[17] 3. 成交量因子 **年化收益率**：8.20%[17] **波动率**：11.74%[17] **信息比率**：0.70[17] **胜率**：59.69%[17] **最大回撤**：18.40%[17] **IC**：-0.06[17] **ICIR**：-0.99[17] **RankIC**：-0.07[17] **RankICIR**：-0.95[17] 4. 情绪因子 **年化收益率**：7.93%[17] **波动率**：12.78%[17] **信息比率**：0.62[17] **胜率**：64.34%[17] **最大回撤**：14.79%[17] **IC**：0.03[17] **ICIR**：0.51[17] **RankIC**：0.03[17] **RankICIR**：0.49[17] 5. 动量因子 **年化收益率**：11.26%[17] **波动率**：10.56%[17] **信息比率**：1.07[17] **胜率**：60.16%[17] **最大回撤**：13.52%[17] **IC**：0.02[17] **ICIR**：0.40[17] **RankIC**：0.05[17] **RankICIR**：0.74[17] 6. 合成因子 **年化收益率**：21.41%[17] **波动率**：10.83%[17] **信息比率**：1.98[17] **胜率**：72.58%[17] **最大回撤**：13.30%[17] **IC**：-0.03[17] **ICIR**：-0.63[17] **RankIC**：-0.10[17] **RankICIR**：-1.59[17]

根据研报内容，现对其中涉及的量化模型与因子进行总结如下： 量化模型与构建方式 1. 模型名称：CPPI + 风险预算基础模型 - **模型构建思路**：该模型旨在解决传统风险平价模型在备选资产波动率差异大时，过于集中配置低风险资产导致组合弹性不足的问题。其核心思路是首先利用固定比例保本策略（CPPI）对高波动的风险资产（权益资产和黄金）进行风险优化，平抑其波动率与回撤，然后将处理后的CPPI组合视为新的资产，再应用风险预算模型进行资产配置[10][35][68]。 - **模型具体构建过程**： 1. **CPPI组合构建**：对7个权益资产和1个黄金资产分别构建CPPI组合[35][42][45]。 - **参数设置**： - 保本周期：1个自然年度[52]。 - 保本比例（λ）：[60%, 70%, 80%][52][93]。 - 风险乘数（m）：[2, 3][52][93]。 - 风险资产上限（b）：[70%, 80%, 90%][52][93]。 - 无风险资产：使用货币基金，其预期年化收益率为保本期前一个自然年度的货基真实收益率[52]。 - 换仓频率：月度换仓（每月最后一个交易日收盘价计算比例，下月第一个交易日调仓）[39][64]。 - **计算步骤**： 1. 计算保本期末的保本金额：$$F_{T} = V_{0} \times \lambda$$，其中 $$V_{0}$$ 为保本周期初组合初始净值，$$\lambda$$ 为保本比例[35][41]。 2. 计算当前时点（t）为实现保本目标应投资于无风险资产的最低金额（$$F_{t}$$，即保本金额的折现值）：$$F_{t}=F_{T}\times e^{-r(T-t)}$$，其中r为无风险资产年化预期收益率，T为保本期末[35]。 3. 计算安全垫（Cushion）：$$C_{t}=V_{t}-F_{t}$$，其中 $$V_{t}$$ 为t时刻组合总价值[36]。 4. 计算可投资于风险资产的金额（$$E_{t}$$）：$$E_{t}=max\{min\{m \times C_{t}, b \times V_{t}\}, 0\}$$，其中m为风险乘数，b为风险资产上限[37][38]。 5. 投资于无风险资产的金额为：$$B_{t}=V_{t}-E_{t}$$[38]。 2. **风险预算模型构建**：将各风险资产的CPPI组合与债券资产（中债0-3年国开债）、货币基金共同作为风险预算模型的备选资产池[68]。 - **最优化问题**：目标是使各资产的实际风险贡献（RC）与预设的风险预算（RB）偏差平方和最小。目标函数为：$$Objective\,function=\sum_{i=1}^{n}(RC_{i}-RB_{i})^{2}$$[68]。 - **优化算法**：使用scipy库的minimize函数，方法为SLSQP，最大循环次数（maxiter）为500，梯度范数容差阈值（gtol）为1e-5。为避免局部最优，分别使用等权和上期权重作为初始猜测，选择目标函数更小的结果[68][69][73]。 - **风险预算比例分配方式**（即因子构建）： - **波动率排名**：根据各CPPI组合在过去J个交易日的日度收益率波动率进行排名，波动率越高，分配的风险预算比例越高[70][72]。 - **上行波动率排名**：根据各CPPI组合在过去J个交易日的日度收益率的上行波动率（仅计算正收益日的波动率）进行排名，上行波动率越高，分配的风险预算比例越高[70][72]。 - **收益率排名（动量）**：根据各CPPI组合在过去J个交易日的收益率进行排名，收益率越高，分配的风险预算比例越高[70][72]。 - 参数J（窗口长度）的遍历范围为[21, 63, 126, 252]个交易日[74][93]。 - **资产仓位限制**： - 外股（美股+日股）CPPI组合总持仓不超过20%[2][67]。 - 黄金CPPI组合持仓不超过20%[2][67]。 - 货币基金持仓介于5%-10%之间。在得到风险预算权重后，计算货基配置比例，若低于5%则用债券补足，若超过10%则将超出部分分配给债券[2][67]。 - **换仓频率**：月度换仓[64]。 2. 模型名称：日度净值监控机制 - **模型构建思路**：为解决基础模型受月度换仓频率限制，难以应对市场短期剧烈波动导致大幅回撤的问题，在基础模型之上增加一个日度监控层。该机制通过每日监控基础模型的净值，在检测到短期大幅回撤风险时，主动将组合仓位切换至防御状态（95%债券+5%货基），以止损并控制回撤；当市场企稳后，再切换回基础模型的配置比例[2][78][79]。 - **模型具体构建过程**： 1. **监控标的**：基于"CPPI + 风险预算"基础模型的日度净值[79]。 2. **触发预警条件（进入防御状态）**：当基础模型净值满足以下两个条件时触发： - 近期最大回撤超过阈值θ：计算基础模型净值滚动N日的最大回撤，若该值超过阈值θ[80][89]。 - 净值低于均线：基础模型净值低于其M日移动平均线[80][89]。 3. **退出预警条件（恢复正常配置）**：当基础模型净值自下而上穿越其M日移动平均线时退出预警状态[80][81]。 4. **调仓规则**：T日产生信号，T+1日执行调仓[81]。 5. **信号处理细节**： - 连续触发预警信号仅首次有效，以避免信号干扰[84][85]。 - 未退出预警状态前，忽略其他进入预警的信号[86][87]。 6. **参数设置**： - 滚动最大回撤窗口（N）：[2, 3, 5, 10]个交易日[89][93]。 - 最大回撤阈值（θ）：从-0.5%到-5.0%，共11个备选值[89][93]。 - 退出预警上穿均线（M）：[2, 3, 5, 10, 15]个交易日[89][93]。 模型的回测效果 以下展示在不同最大回撤约束条件下，通过参数遍历优选出的最佳组合的回测表现。回测区间为2012年1月4日至2025年8月5日[64]。 | 风险偏好类别 | 优选风险预算方式 | 年化收益 | 最大回撤 | 年化波动率 | 夏普比率 | 卡玛比率 | 年化预警次数 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 低风险偏好（最大回撤≤3%） | 上行波动率排名 | 6.82%[95][96] | -2.91%[95][96] | 3.09%[96] | 2.207[96] | 2.344[96] | 2.9[96] | | 中风险偏好（最大回撤≤5%） | 上行波动率排名 | 7.66%[95][108] | -4.97%[95][108] | 3.81%[108] | 2.010[108] | 1.541[108] | 0.9[108] | | 高风险偏好（无最大回撤限制） | 波动率排名 | 8.15%[95][121] | -6.36%[95][121] | 5.02%[121] | 1.622[121] | 1.281[121] | 1.0[121] | 量化因子与构建方式 本报告的核心在于资产配置模型的构建，其风险预算分配方式依赖于以下三类因子来确定各资产的风险预算比例： 1. 因子名称：波动率排名因子 - **因子构建思路**：基于风险平价思想，认为波动率越高的资产，其风险贡献应越大，因此应分配更高的风险预算比例，以期各资产对组合的风险贡献相对均衡[70]。 - **因子具体构建过程**：对于每个备选资产（CPPI处理后的组合），计算其在过去J个交易日的日度收益率的年化波动率。然后根据计算出的波动率数值对所有备选资产进行排名，波动率最高者排名第一。最终的风险预算比例根据此排名分配，排名越靠前（波动率越高），分配的比例越高[70][72]。参数J的遍历取值为21, 63, 126, 252个交易日[74][93]。 2. 因子名称：上行波动率排名因子 - **因子构建思路**：在波动率因子的基础上进行改进，只考虑资产上涨时的波动（上行波动率），旨在更侧重资产带来正收益的能力，而非总体风险[70]。 - **因子具体构建过程**：对于每个备选资产，首先筛选出在过去J个交易日中日度收益率为正的数据点。然后计算这些正收益数据的年化波动率，即上行波动率。根据计算出的上行波动率数值对所有备选资产进行排名，上行波动率最高者排名第一。最终的风险预算比例根据此排名分配[70][72]。参数J的遍历取值为21, 63, 126, 252个交易日[74][93]。 3. 因子名称：收益率排名因子（动量因子） - **因子构建思路**：基于动量效应，认为近期表现好的资产在未来短期内更有可能延续强势表现，因此应分配更高的风险预算比例以捕捉趋势[70]。 - **因子具体构建过程**：对于每个备选资产，计算其在过去J个交易日的总收益率。然后根据计算出的收益率数值对所有备选资产进行排名，收益率最高者排名第一。最终的风险预算比例根据此排名分配[70][72]。参数J的遍历取值为21, 63, 126, 252个交易日[74][93]。 因子的回测效果 报告中未单独提供上述因子在选股或截面上的传统IC、IR等测试结果。这些因子的效果最终体现在其驱动的风险预算模型所构建的资产组合的整体表现中，具体回测效果详见上文“模型的回测效果”部分。作为方法对比，报告展示了不经过CPPI处理，直接使用原始资产并应用这三种风险预算分配方式的结果，其表现（如最大回撤、卡玛比率等）均逊于“CPPI+日度监控”的完整模型，从而间接证明了CPPI风险优化环节以及日度监控机制的有效性[139][140]。

根据提供的券商金股解析月报，总结其中涉及的量化模型与因子内容如下： 量化模型与构建方式 1. **模型名称：开源金工优选金股组合**[26] * **模型构建思路**：基于历史研究发现，新进金股的收益水平通常优于重复出现的金股，同时，业绩超预期因子（SUE因子）在新进金股样本中展现出良好的选股能力。因此，该模型旨在通过结合“新进”属性和“业绩超预期”因子，从券商金股中进一步优选个股构建投资组合。[26] * **模型具体构建过程**： 1. **样本选择**：每月初，从全市场券商发布的金股列表中，筛选出相对于上个月为新进的金股，构成初始股票池。[26] 2. **因子应用**：在“新进金股”样本池内，计算每只股票的业绩超预期因子（SUE因子）值。[26] 3. **组合构建**：根据SUE因子值对股票进行排序，选择排名前30位的金股纳入最终组合。组合内个股的权重分配依据是各家券商的推荐数量进行加权。[26] 量化因子与构建方式 1. **因子名称：业绩超预期因子（SUE因子）**[26] * **因子构建思路**：该因子旨在捕捉上市公司实际公布的业绩与市场普遍预期之间的差异。当实际业绩显著超越市场预期时，可能预示着公司基本面的积极变化，从而驱动股价上涨。[26] * **因子具体构建过程**：报告指出该因子在新进金股中具有选股能力，但未提供SUE因子的具体计算公式和构建细节。[26] 模型的回测效果 1. **开源金工优选金股组合**[28] * 10月收益率：2.2% * 2025年收益率：45.4% * 年化收益率：22.9% * 年化波动率：25.4% * 收益波动比：0.90 * 最大回撤：24.6% 因子的回测效果 （报告中未提供SUE因子独立的测试结果指标取值）

根据研报内容，以下是关于量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：动量因子**[25] * **因子构建思路**：基于股价的历史表现，筛选出近期表现强势的股票，以捕捉趋势延续的效应[25] * **因子具体构建过程**：以“长江动量”指数为代表，其构建过程为：首先计算个股的动量指标，该指标为最近一年股票收益率减去最近一个月股票收益率（并剔除涨停板影响）；然后，在A股市场中综合选择动量特征强且流动性相对较高的前100只股票作为指数成分股[25] 2. **因子名称：反转因子**[26] * **因子构建思路**：基于股价的均值回归现象，筛选出近期表现弱势的股票，以捕捉价格反弹的效应[26] * **因子具体构建过程**：以“长江反转”指数为代表，其构建过程为：以最近一个月股票收益率作为筛选指标；然后，在A股市场中综合选择反转效应强、流动性较好的前100只股票作为指数成分股；最后，采用成分股近三个月日均成交量进行加权[26] 3. **因子名称：风格拥挤度因子**[33][127] * **因子构建思路**：通过比较不同风格指数的交易活跃度（换手率）在其历史序列中的相对位置，来衡量该风格交易的拥挤程度，作为风格配置的风险预警指标[33][127] * **因子具体构建过程**：对于特定的风格对比（如风格A vs 风格B）： 1. 分别计算风格A和风格B指数的近252日平均换手率时间序列。 2. 将上述时间序列在2005年1月1日以来的历史数据中进行Z-score标准化，得到Z-score_A与Z-score_B。 3. 计算二者差值：$$差值 = Z\text{-}score\_A - Z\text{-}score\_B$$ 4. 计算该差值的滚动6年历史分位数（若历史数据量满1年但不足6年，则以全部历史数据计算）。此分位数即为该风格对的相对拥挤度[127] 4. **因子名称：风格累计超额净值因子**[24][128] * **因子构建思路**：通过计算特定风格指数相对于市场基准（万得全A）的累计超额收益，来评估该风格的相对表现[24][128] * **因子具体构建过程**： 1. 以2020年1月4日为基准日。 2. 将风格指数和万得全A指数的每日收盘点数分别除以基准日的收盘点数，得到各自的累计净值。 3. 将风格指数的累计净值除以同一交易日的万得全A指数累计净值，得到风格指数相对于万得全A指数的累计超额净值[128] 5. **因子名称：机构调研活跃度因子**[109][129] * **因子构建思路**：通过计算板块、指数或行业在特定周期内的机构调研频率相对于其历史水平和市场整体水平的差异，来捕捉机构投资者的关注度变化[109][129] * **因子具体构建过程**： 1. 计算目标对象（板块、指数或行业）近n个交易日的“日均机构调研次数”。 2. 将该“日均机构调研次数”在滚动y年的历史时间序列上进行Z-score标准化，得到Z_score_target。 3. 同样计算万得全A的“日均机构调研次数”在相同窗口下的Z-score标准化值，得到Z_score_WindA。 4. 计算机构调研活跃度：$$机构调研活跃度 = Z\_score\_target - Z\_score\_WindA$$ 5. 最后计算该“机构调研活跃度”值的滚动y年历史分位数（长期口径：n=126, y=6年；短期口径：n=63, y=3年；历史数据不足时按规则取全部可用数据）[129] 6. **因子名称：股债性价比因子（ERP）**[77] * **因子构建思路**：通过计算股票指数的盈利收益率与无风险收益率的差值，来衡量投资股票市场相对于债券市场的风险补偿溢价[77] * **因子具体构建过程**：对于特定指数，其ERP计算公式为： $$指数ERP = \frac{1}{指数PE\_TTM} - 10年期中债国债到期收益率$$ 其中，PE_TTM为指数的滚动市盈率[77] 因子的回测效果 1. **动量因子**，近一周收益率2.5%，近一月收益率0.2%，年初至今收益率37.2%[25] 2. **反转因子**，近一周收益率2.0%，近一月收益率-1.9%，年初至今收益率11.8%[25] 3. **成长风格累计超额净值因子**，近一周超额0.6%，近一月超额-4.6%，年初至今超额27.8%[24] 4. **小盘风格累计超额净值因子**，近一周超额2.2%，近一月超额-1.1%，年初至今超额9.1%[24] 5. **微盘股风格累计超额净值因子**，近一周超额0.0%，近一月超额7.0%，年初至今超额39.9%[24] 6. **动量风格累计超额净值因子**，近一周超额0.5%，近一月超额2.1%，年初至今超额25.4%[24] 7. **成长 vs 红利风格拥挤度因子**，本周末历史分位69%，上周末历史分位69%，上年末历史分位1%[33] 8. **小盘 vs 大盘风格拥挤度因子**，本周末历史分位34%，上周末历史分位33%，上年末历史分位5%[33] 9. **微盘股 vs 中证800风格拥挤度因子**，本周末历史分位82%，上周末历史分位81%，上年末历史分位89%[33]

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：价值成长轮动策略模型**[6] * **模型构建思路**：基于宏观经济、流动性及市场情绪三个维度，通过多因子打分体系来预测价值与成长风格的相对表现[6] * **模型具体构建过程**：模型选取了三个维度的因子进行综合打分[6]： * **经济繁荣敏感度**：用于捕捉大盘股（通常与价值风格相关）对经济周期的敏感性[6] * **流动性宽松受益度**：用于捕捉成长股对流动性环境的敏感性[6] * **市场情绪与拥挤度**：用于刻画市场的风险偏好和交易拥挤情况[6] 将各因子得分加总，得到综合分数，以此判断风格偏向（例如，分数高则偏向成长风格）[6] 2. **模型名称：大小盘轮动策略模型**[6] * **模型构建思路**：与价值成长轮动策略模型类似，同样基于宏观经济、流动性及市场情绪三个维度构建打分体系，但目标在于预测大盘与小盘风格的相对表现[6] * **模型具体构建过程**：构建过程与价值成长轮动策略模型一致，但因子解读侧重于对不同市值风格的影响[6] 3. **模型名称：行业轮动综合模型**[11][22] * **模型构建思路**：构造宏观、基本面、技术面、拥挤度四个维度的指标（共10个）作为行业轮动框架，通过综合正负向指标来生成行业配置信号[11][22] * **模型具体构建过程**：模型包含四个引擎[11][22]： * **宏观指标引擎**：将一级行业划分为5个板块（上游周期、中游制造、下游消费、TMT、大金融），并构建基于宏观增长与流动性二阶差分的象限划分体系，根据所处象限推荐配置板块[13] * **基本面指标引擎**：包含历史景气、景气变化与景气预期三个部分，生成行业基本面得分[17] * **技术面指标引擎**：包含指数动量、龙头股动量与K线形态三个部分，生成行业技术面得分[18] * **拥挤度指标引擎**：包含融资流入、换手率与成交占比三个部分，生成行业拥挤度得分（作为负向指标使用）[21][22] 最终，结合宏观、基本面、技术面三个维度的正向得分，并负向配置拥挤度因子，构建行业轮动综合得分[22] 模型的回测效果 *报告未提供模型的历史回测绩效指标（如年化收益率、夏普比率、最大回撤等）。* 量化因子与构建方式 1. **因子名称：行业轮动宏观因子**[13] * **因子构建思路**：基于宏观经济增长和流动性的二阶差分（变化速度）来划分经济象限，从而判断对不同行业板块的利好程度[13] * **因子具体构建过程**：构建一个象限体系，横轴为宏观经济增长的二阶差分，纵轴为流动性的二阶差分[13]根据当前数据点所处的象限（如“扩张强化/衰退缓解”和“宽松加码/紧缩放缓”），给出对应的板块配置建议（如大金融、中游制造）[13] 2. **因子名称：行业轮动基本面因子**[17] * **因子构建思路**：从历史、变化和预期三个角度衡量行业的景气度[17] * **因子具体构建过程**：因子由三个子部分构成： * 历史景气 * 景气变化 * 景气预期 综合这三个部分生成各行业的基本面得分[17] 3. **因子名称：行业轮动技术面因子**[18] * **因子构建思路**：从市场交易数据中捕捉行业的动量趋势和形态信号[18] * **因子具体构建过程**：因子由三个子部分构成： * 指数动量 * 龙头股动量 * K线形态 综合这三个部分生成各行业的技术面得分[18] 4. **因子名称：行业轮动拥挤度因子**[21][22] * **因子构建思路**：通过融资、换手和成交数据衡量行业的交易热度和潜在风险[21] * **因子具体构建过程**：因子由三个子部分构成： * 融资流入 * 换手率 * 成交占比 综合这三个部分生成各行业的拥挤度得分，该因子在综合模型中作为负向指标使用[21][22] 因子的回测效果 *报告未提供因子的历史测试绩效指标（如IC值、ICIR、因子收益率等）。*

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：价格分段体系**[16] * **模型构建思路**：通过分析价格在不同时间尺度（如日线、周线）上的走势，对市场状态进行划分和识别[16] * **模型具体构建过程**：模型通过计算不同时间周期的价格走势（如上证综指的日线和周线）并进行比较，以识别趋势的共振或分化。报告中提到了“dea”指标，该指标通常是技术分析中MACD（指数平滑异同移动平均线）的组成部分。MACD的计算过程一般包含以下步骤： 1. 计算短期（如12日）和长期（如26日）的指数移动平均线（EMA）： $$EMA(close, N) = close_t * \frac{2}{N+1} + EMA_{t-1} * (1 - \frac{2}{N+1})$$ 其中，`close`为收盘价，`N`为时间周期。 2. 计算离差值（DIF）： $$DIF = EMA(close, 12) - EMA(close, 26)$$ 3. 计算离差平均值（DEA，即MACD的信号线），通常为DIF的9日EMA： $$DEA = EMA(DIF, 9)$$ 模型通过观察不同周期（日线、周线）的DEA指标与价格走势的关系，来判断市场的分段状态[16][19] 2. **模型名称：微观市场结构择时模型**[17] * **模型构建思路**：通过监测市场中“知情交易者”的活跃度变化，来判断市场未来的走势[17] * **模型具体构建过程**：该模型构建了一个“知情交易者活跃度指标”。虽然报告未详细说明其具体计算方法，但通常这类模型会基于高频交易数据、订单簿信息或特定的大单交易行为来识别和追踪可能拥有信息优势的交易者的活动，并据此合成一个综合指标来反映其交易意愿和活跃程度[17][20] 3. **因子名称：分析师行业景气预期因子**[21] * **因子构建思路**：利用分析师对上市公司未来业绩的一致预测数据，构建反映行业景气度变化的因子[21] * **因子具体构建过程**：因子具体包含两个维度： 1. **一致预期ROE变化**：计算申万一级行业成分股的分析师一致预测滚动未来12个月ROE（ROEFTTM）的环比变化率[21][22] 2. **一致预期净利润增速变化**：计算申万一级行业成分股的分析师一致预测滚动未来12个月净利润（FTTM）增速的环比变化率[21][22] 通过监测这些指标的变化，来捕捉行业基本面的预期变动[21] 4. **因子名称：融资融券净流入因子**[23] * **因子构建思路**：通过分析两融资金在不同行业间的净流入/流出情况，来捕捉资金的短期偏好和动向[23] * **因子具体构建过程**：计算特定时间段内（如本周）各行业的融资净买入额与融券净卖出额的差值，作为该行业的融资融券净流入额。公式可表示为： $$行业融资融券净流入额 = \sum(融资买入额 - 融资偿还额) - \sum(融券卖出额 - 融券偿还额)$$ 该因子反映了杠杆资金对行业的看法和配置行为[23][28] 5. **因子名称：BARRA风格因子**[24] * **因子构建思路**：采用经典的BARRA风险模型框架，从多个维度（如价值、成长、动量、质量等）刻画股票的风格特征，并分析其收益表现[24] * **因子具体构建过程**：报告提及了多个BARRA风格因子，包括： * **价值类因子**：如EP（盈利价格比）价值、BP（账面价格比）价值[24][25] * **成长类因子**[24][25] * **动量类因子**：如短期动量[24][25] * **质量类因子**：如盈利质量、盈利能力、投资质量[24][25] * **交易类因子**：如换手率、波动率、流动性（“近释”可能指近期解禁或流动性指标）[24][25] * **规模类因子**：如市值、非线性市值[24][25] * **杠杆类因子**：如财务杠杆[24][25] 这些因子均按照BARRA模型的标准方法构建，用于解释股票的超额收益[24] 模型的回测效果 *报告未提供具体量化模型的回测效果指标取值。* 因子的回测效果 1. **BARRA风格因子**[24][25] * **本周收益**：换手因子 -0.5%，财务杠杆因子 0.1%，盈利波动因子 0.0%，盈利质量因子 0.3%，盈利能力因子 0.3%，投资质量因子 0.4%，长期反转因子 -0.5%，EP价值因子 -0.3%，BP价值因子 0.2%，成长因子 0.1%，动量因子 1.2%，非线性市值因子 -0.6%，市值因子 -0.3%，波动率因子 -0.5%，流动性因子 1.3%，股息率因子 -0.1%[25] * **上周收益**：换手因子 -0.6%，财务杠杆因子 -0.1%，盈利波动因子 0.2%，盈利质量因子 -0.1%，盈利能力因子 -0.5%，投资质量因子 0.2%，长期反转因子 0.0%，EP价值因子 0.0%，BP价值因子 -0.1%，成长因子 0.0%，动量因子 -0.4%，非线性市值因子 -0.6%，市值因子 -0.5%，波动率因子 0.7%，流动性因子 -1.0%，股息率因子 0.3%[25]

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：成交量模型**[1][13] * **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[13] * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程 2. **模型名称：特征成交量模型**[1][13] * **模型构建思路：** 通过分析具有特定特征的成交量来预测市场走势[1][13] * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程 3. **模型名称：特征龙虎榜机构模型**[1][13] * **模型构建思路：** 利用龙虎榜中机构投资者的交易行为特征来预测市场[1][13] * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程 4. **模型名称：智能算法模型**[1][13] * **模型构建思路：** 应用智能算法（如机器学习等）对市场数据进行学习以进行预测，针对不同宽基指数（如沪深300、中证500）有独立模型[1][13] * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程 5. **模型名称：涨跌停模型**[1][14] * **模型构建思路：** 通过分析市场中涨停和跌停股票的数量或比例来判断市场情绪和中期走势[1][14] * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程 6. **模型名称：月历效应模型**[1][14] * **模型构建思路：** 基于历史数据中存在的特定月份或时期的规律性表现来预测市场[1][14] * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程 7. **模型名称：长期动量模型**[1][15] * **模型构建思路：** 依据资产价格的长期趋势（动量）来预测未来走势[1][15] * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程 8. **模型名称：A股综合兵器V3模型**[1][16] * **模型构建思路：** 一个综合性的A股市场择时模型，整合了多个信号源[1][16] * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程 9. **模型名称：A股综合国证2000模型**[1][16] * **模型构建思路：** 专门针对国证2000指数的综合性择时模型[1][16] * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程 10. **模型名称：成交额倒波幅模型**[1][16] * **模型构建思路：** 结合成交额和波动率（倒波幅）来预测港股市场中期走势[1][16] * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程 11. **模型名称：杯柄形态识别模型**[43][45][47] * **模型构建思路：** 基于技术分析中的杯柄形态（Cup with Handle）来识别个股的潜在突破机会[43][45][47] * **模型具体构建过程：** 模型识别股价走势中的特定形态，该形态由A点（左杯沿）、B点（杯底）、C点（右杯沿/柄部起点）等关键点定义。当股价在形成“杯”状整理后，在柄部区域进行小幅回调，最终放量突破柄部上轨时，视为买入信号[47][54] 12. **模型名称：双底形态识别模型**[43][48][51] * **模型构建思路：** 基于技术分析中的双底形态（W底）来识别个股的潜在反转机会[43][48][51] * **模型具体构建过程：** 模型识别股价走势中的特定形态，该形态由A点（第一个底）、B点（颈线位）、C点（第二个底）等关键点定义。当股价第二次探底不破前低，并放量突破颈线位时，视为买入信号[51][53] 13. **模型名称：倒杯子形态识别模型**[58] * **模型构建思路：** 识别典型的负向技术形态，用于预警个股的下跌风险[58] * **模型具体构建过程：** 在一波下跌后，股价出现筑顶（A点），随后再次下跌并实现向下突破（E点），形态完成，预示股价可能延续下跌趋势[58] 模型的回测效果 *报告未提供明确的量化回测指标（如年化收益率、夏普比率等），主要展示了模型的最新信号和部分形态组合的阶段性表现。* 1. **杯柄形态组合**：截至报告期，自2020年12月31日以来累计上涨70.89%，同期上证综指上涨14.28%，跑赢56.61个百分点[43] 2. **双底形态组合**：截至报告期，自2020年12月31日以来累计上涨34.32%，同期上证综指上涨14.28%，跑赢20.03个百分点[43] 量化因子与构建方式 *本报告主要侧重于市场择时模型和技术形态识别，未详细阐述用于选股或阿尔法策略的底层量化因子及其构建方式。* 因子的回测效果 *报告未涉及量化因子的独立测试结果。*