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：理想反转因子**[5][41] * **因子构建思路**：A股反转之力的微观来源是大单成交，通过每日平均单笔成交金额的大小，可以切割出反转属性最强的交易日[5][41] * **因子具体构建过程**： * 对选定股票，回溯取其过去20日的数据[41] * 计算该股票每日的平均单笔成交金额（成交金额/成交笔数）[41] * 将单笔成交金额高的10个交易日的涨跌幅加总，记作 M_high[41] * 将单笔成交金额低的10个交易日的涨跌幅加总，记作 M_low[41] * 理想反转因子 M = M_high – M_low[41] * 对所有股票都进行以上操作，计算各自的理想反转因子 M[41] 2. **因子名称：聪明钱因子**[5][42] * **因子构建思路**：从分钟行情数据的价量信息中，可以识别出机构参与交易的多寡，进而构造出跟踪聪明钱的因子[5] * **因子具体构建过程**： * 对选定股票，回溯取其过去10日的分钟行情数据[42] * 构造指标 $$S_t = |R_t| / (V_t)^{0.25}$$，其中 $$R_t$$ 为第t分钟涨跌幅，$$V_t$$ 为第t分钟成交量[42] * 将分钟数据按照指标 $$S_t$$ 从大到小进行排序，取成交量累积占比前20%的分钟，视为聪明钱交易[42] * 计算聪明钱交易的成交量加权平均价 VWAPsmart[44] * 计算所有交易的成交量加权平均价 VWAPall[44] * 聪明钱因子 Q = VWAPsmart / VWAPall[42] 3. **因子名称：APM因子**[5][43] * **因子构建思路**：在日内的不同时段，交易者的行为模式不同，反转强度也相应有所不同[5] * **因子具体构建过程**： * 对选定股票，回溯取其过去20日数据，记逐日隔夜的股票收益率为 $$r_{night}$$，隔夜的指数收益率为 $$R_{night}$$；逐日下午的股票收益率为 $$r_{afternoon}$$，下午的指数收益率为 $$R_{afternoon}$$[43] * 将得到的40组隔夜与下午的收益率数据 $$(r, R)$$ 进行回归：$$r = \alpha + \beta R + \epsilon$$，得到残差项 $$\epsilon$$[43] * 在40个残差中，隔夜残差记为 $$\epsilon_{night}$$，下午残差记为 $$\epsilon_{afternoon}$$，计算每日隔夜与下午残差的差值 $$\delta_t = \epsilon_{night} - \epsilon_{afternoon}$$[43] * 构造统计量 stat 来衡量隔夜与下午残差的差异程度，计算公式如下： $$\mathrm{stat}={\frac{\mu(\delta_{t})}{\sigma(\delta_{t})/{\sqrt{N}}}}$$[45] * 为了消除动量因子影响，将统计量 stat 对动量因子（股票过去20日的收益率 Ret20）进行横截面回归：$$stat = \alpha + \beta Ret20 + \epsilon$$[46] * 将回归得到的残差值 ε 作为 APM 因子[46] 4. **因子名称：理想振幅因子**[5][48] * **因子构建思路**：基于股价维度可以对振幅进行切割，不同价态下振幅因子所蕴含的信息存在结构性差异[5][48] * **因子具体构建过程**： * 对选定股票，回溯取其最近20个交易日数据，计算股票每日振幅（最高价/最低价-1）[48] * 选择收盘价较高的25%有效交易日，计算其振幅均值，得到高价振幅因子 V_high[48] * 选择收盘价较低的25%有效交易日，计算其振幅均值，得到低价振幅因子 V_low[48] * 理想振幅因子 V = V_high - V_low[48] 5. **因子名称：交易行为合成因子**[32] * **因子构建思路**：将多个交易行为因子进行合成，以获取更稳健的表现[32] * **因子具体构建过程**： * 因子值处理：将理想反转、聪明钱、APM、理想振幅因子在行业内进行因子去极值与因子标准化[32] * 因子权重确定：滚动选取过去12期各因子的ICIR值作为权重[32] * 因子合成：使用确定的权重对标准化后的因子值进行加权，形成交易行为合成因子[32] 因子的回测效果 1. **理想反转因子** * 全历史区间IC均值：-0.050[6][16] * 全历史区间rankIC均值：-0.061[6][16] * 全历史区间信息比率(IR)：2.48[6][16] * 全历史区间多空对冲月度胜率：78.1%[6][16] * 2025年10月多空对冲收益：1.63%[7][16] * 近12个月多空对冲月度胜率：66.7%[7][16] 2. **聪明钱因子** * 全历史区间IC均值：-0.038[6][21] * 全历史区间rankIC均值：-0.062[6][21] * 全历史区间信息比率(IR)：2.74[6][21] * 全历史区间多空对冲月度胜率：81.2%[6][21] * 2025年10月多空对冲收益：2.90%[7][21] * 近12个月多空对冲月度胜率：83.3%[7][21] 3. **APM因子** * 全历史区间IC均值：0.028[6][25] * 全历史区间rankIC均值：0.034[6][25] * 全历史区间信息比率(IR)：2.25[6][25] * 全历史区间多空对冲月度胜率：76.5%[6][25] * 2025年10月多空对冲收益：-1.13%[7][25] * 近12个月多空对冲月度胜率：41.7%[7][25] 4. **理想振幅因子** * 全历史区间IC均值：-0.054[6][28] * 全历史区间rankIC均值：-0.074[6][28] * 全历史区间信息比率(IR)：3.03[6][28] * 全历史区间多空对冲月度胜率：83.3%[6][28] * 2025年10月多空对冲收益：3.33%[7][28] * 近12个月多空对冲月度胜率：66.7%[7][28] 5. **交易行为合成因子** * 全历史区间IC均值：0.067[6][32] * 全历史区间rankIC均值：0.093[6][32] * 全历史区间多空对冲信息比率(IR)：3.33[6][32] * 全历史区间多空对冲月度胜率：80.0%[6][32] * 全历史区间多头对冲组均值年化收益率：8.30%[32] * 全历史区间多头对冲组均值收益波动比：2.64[32] * 全历史区间多头对冲组均值月度胜率：78.5%[32] * 2025年10月多空对冲收益：3.73%[7][32] * 近12个月多空对冲月度胜率：75.0%[7][32] * 在不同股票池中的信息比率(IR)： * 国证2000：2.88[32] * 中证1000：2.69[32] * 中证800：1.02[32]

根据提供的金融工程日报内容，报告主要描述了市场表现、情绪、资金流向等市场监测指标，并未涉及具体的量化模型或量化因子的构建、测试与评价。因此，本总结中量化模型与因子部分无相关内容。 **市场监测指标与计算方式** 1. **指标名称：封板率**[17] * **构建思路**：用于衡量涨停股票的封板质量，即最高价涨停的股票中，有多少能够维持涨停直至收盘[17] * **具体构建过程**：统计上市满3个月以上的股票。封板率的计算公式为： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ [17] 2. **指标名称：连板率**[17] * **构建思路**：用于衡量涨停板的持续性，即昨日涨停的股票中，有多少今日继续涨停[17] * **具体构建过程**：统计上市满3个月以上的股票。连板率的计算公式为： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ [17] 3. **指标名称：大宗交易折价率**[26] * **构建思路**：通过大宗交易成交价与市价的差异，反映大资金的交易偏好和市场情绪[26] * **具体构建过程**：计算每日大宗交易的折价率，公式为： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ [26] 4. **指标名称：股指期货年化贴水率**[28] * **构建思路**：衡量股指期货价格与现货指数价格的差异，并年化以方便比较，其变化反映市场对未来预期和套利成本[28] * **具体构建过程**：计算股指期货主力合约的年化贴水率，公式为： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ [28] 其中，基差 = 期货价格 - 现货价格。当结果为负时表示贴水[28]。 **市场监测指标的当前取值** 1. **封板率与连板率**：2025年10月31日，封板率为61%，连板率为31%[17] 2. **大宗交易折价率**：截至2025年10月30日，近半年平均折价率为6.23%，当日折价率为5.18%[26] 3. **股指期货年化升贴水率**：2025年10月31日，上证50股指期货主力合约年化升水率为0.86%，沪深300主力合约年化贴水率为1.43%，中证500主力合约年化贴水率为8.63%，中证1000主力合约年化贴水率为13.18%[28]

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：250日新高距离**[11] - **因子构建思路**：该因子用于量化股票、指数或行业价格接近其历史最高点的程度，借鉴了动量效应和趋势跟踪策略的理论基础，认为价格接近新高的资产未来表现可能更优[11] - **因子具体构建过程**：计算最新收盘价相对于过去250个交易日最高收盘价的回落幅度。具体公式如下： $$250 日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，`Closet` 代表最新收盘价，`ts_max(Close, 250)` 代表过去250个交易日收盘价的最大值。当最新收盘价创出新高时，该因子值为0；当价格从高点回落时，该因子为正值，值越大表示回落幅度越大[11] 2. **因子名称：平稳创新高股票筛选因子（复合因子）**[26][28] - **因子构建思路**：在创新高股票的基础上，结合学术研究（如“温水煮青蛙”效应），进一步筛选那些价格路径平滑、趋势延续性好的股票，以增强动量效应的持续性[26] - **因子具体构建过程**：这是一个多步骤的复合筛选过程，具体条件如下： 1. **初选股票池**：筛选出过去20个交易日内创过250日新高的股票[26] 2. **分析师关注度**：过去3个月内，买入或增持评级的分析师研报数量不少于5份[28] 3. **股价相对强弱**：过去250日涨跌幅位于全市场前20%[28] 4. **股价平稳性与创新高持续性（综合打分）**：在满足上述条件的股票池内，使用以下两个指标进行综合打分，并选取排名在前50%的股票： - **价格路径平滑性**：使用股价位移路程比衡量，具体计算公式为 `过去120日涨跌幅的绝对值 / 过去120日日涨跌幅绝对值加总`[26] - **创新高持续性**：过去120日的250日新高距离在时间序列上的均值[28] 5. **趋势延续性**：依据过去5日的250日新高距离在时间序列上的均值进行排序，最终选取排名最靠前的50只股票[28] 模型的回测效果 （报告中未提供具体的量化模型回测绩效指标，如年化收益率、夏普比率等，因此本部分省略） 因子的回测效果 （报告中未提供单一因子或复合因子的具体回测绩效指标，如IC值、IR值、多空收益等，因此本部分省略） 关键指标取值（截至2025年10月31日） 1. **主要宽基指数 - 250日新高距离**[2][12] - 上证指数：1.53% - 深证成指：2.53% - 沪深300：2.26% - 中证500：2.89% - 中证1000：1.85% - 中证2000：2.22% - 创业板指：4.11% - 科创50指数：8.03% 2. **中信一级行业指数 - 250日新高距离（部分）**[13] - 家电行业：0.00% - 纺织服装行业：0.55% - 综合行业：1.08% - 基础化工行业：0.91% - 建材行业：0.57% 3. **创新高个股统计**[19][20] - 全市场创新高股票总数（过去20个交易日）：1077只 - **创新高个股数量占比（按指数）**： - 中证2000指数：16.90% - 中证1000指数：22.30% - 中证500指数：30.20% - 沪深300指数：31.00% - 创业板指：34.00% - 科创50指数：42.00% - **平稳创新高股票筛选结果**：50只[29]

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：行业主动仓位因子**[23] - **因子构建思路**：为了剔除行业自身涨跌幅对基金持仓权重的影响，从而衡量基金经理真实的主动调仓行为，构建了行业主动增减仓因子[23] - **因子具体构建过程**： 1. 计算考虑行业涨跌幅后的被动仓位： $$ω_{2025Q3被动,行业i} = (1 + ret_{行业i}) * ω_{2025Q2,行业i}$$ 2. 将被动仓位标准化，使其总和为1： $$ω'_{2025Q3被动,行业i} = \frac{ω_{2025Q3被动,行业i}}{\sum ω_{2025Q3被动,行业i}}$$ 3. 计算主动增减仓幅度，即实际仓位与标准化被动仓位的差值： $$ω_{主动增减仓,行业i} = ω_{2025Q3,行业i} - ω'_{2025Q3被动,行业i}$$ 其中，$ω_{2025Q2}$ 和 $ω_{2025Q3}$ 分别代表利用2025年二季报和三季报计算得出的行业仓位，$ret_{行业i}$ 代表两个报告期之间该行业的涨跌幅[23] **2 因子名称：个股主动增减仓因子**[28] - **因子构建思路**：为了剔除个股自身价格变动对基金持仓市值的影响，从而精确衡量基金经理对个股的主动买卖操作，构建了个股主动增减仓因子[28] - **因子具体构建过程**： 1. 计算考虑个股涨跌幅后的被动持仓金额： $$V_{2025Q3被动,i} = (1 + ret_{个股i}) * V_{2025Q2,i}$$ 2. 计算主动增减仓金额，即实际持仓金额与被动持仓金额的差值： $$V_{主动增减仓,i} = V_{2025Q3,i} - V_{2025Q3被动,i}$$ 其中，$V_{2025Q2}$ 和 $V_{2025Q3}$ 分别代表利用2025年二季报和三季报计算得出的个股持仓金额，$ret_{个股i}$ 代表两个报告期之间该个股的涨跌幅[28] 因子的回测效果 **1 行业主动仓位因子**[23][29] - 2025年三季度，港股通行业主动加仓幅度最高，达3.11%[23] - A股市场中，通信行业主动加仓幅度最高[23] - 银行行业主动减仓幅度最高，为1.15%[23] **2 个股主动增减仓因子**[29][30] - 2025年三季度，主动加仓金额最高的个股是工业富联，金额为294.4亿元[29] - 主动加仓金额超过100亿元的个股还有阿里巴巴和中际旭创[29] - 主动减仓金额最高的个股是胜宏科技，金额为141.98亿元[30] - 主动减仓金额第二高的个股是美的集团，金额为92.56亿元[30]

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：MACD策略**[4][20] * **模型构建思路**：利用移动平均收敛散度指标对伦敦金进行择时交易，旨在捕捉中长期趋势[4][20][22] * **模型具体构建过程**：研报未详细说明MACD策略的具体构建参数和交易规则，但指出其具有能够捕捉中长期趋势、避免频繁交易、信号质量高等特点[22] * **模型评价**：该策略是测试中唯一战胜买入持有的技术指标策略，不仅收益出色，风险控制也优于基准，是伦敦金择时交易的最佳选择；在震荡市表现突出，但在强势上涨年份与买入持有持平[4][20][22] 2. **模型名称：双均线策略(SMA5/20)**[20] * **模型构建思路**：使用5日和20日简单移动平均线的交叉作为交易信号 * **模型具体构建过程**：研报未提供具体构建过程 3. **模型名称：EMA交叉策略**[20] * **模型构建思路**：使用指数移动平均线的交叉作为交易信号 * **模型具体构建过程**：研报未提供具体构建过程 4. **模型名称：布林带策略**[20] * **模型构建思路**：利用布林带指标产生交易信号 * **模型具体构建过程**：研报未提供具体构建过程 5. **模型名称：RSI策略**[20] * **模型构建思路**：利用相对强弱指标产生交易信号 * **模型具体构建过程**：研报未提供具体构建过程 6. **模型名称：KDJ策略**[20] * **模型构建思路**：利用KDJ指标产生交易信号 * **模型具体构建过程**：研报未提供具体构建过程 7. **模型名称：买入持有策略**[20] * **模型构建思路**：作为比较基准，在期初买入并一直持有资产 * **模型具体构建过程**：研报未提供具体构建过程 模型的回测效果 | 策略名称 | 交易次数 | 夏普比率 | 年化收益率(%) | 总收益率(%) | 是否战胜买入持有 | 最大回撤(%) | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | MACD 策略 | 975 | 0.59 | 7.62 | 4067.59 | 是 | -43.1 | | 买入持有策略 | 1 | 0.41 | 6.33 | 2164.8 | - | -70.29 | | 双均线策略(SMA5/20) | 798 | 0.48 | 6 | 1836.12 | 否 | -38.09 | | EMA 交叉策略 | 440 | 0.44 | 5.6 | 1498.17 | 否 | -53.14 | | 布林带策略 | 1520 | 0.36 | 4.23 | 720.05 | 否 | -56.63 | | RSI 策略 | 1684 | 0.33 | 3.55 | 488.68 | 否 | -42.73 | | KDJ 策略 | 994 | 0.25 | 2.44 | 240.84 | 否 | -38.41 | *数据来源：图表5[20]*

根据研报内容，现对其中涉及的量化模型与因子总结如下： 量化模型与构建方式 1. **模型名称：竞争优势组合模型**[10] * **模型构建思路**：基于企业竞争壁垒分析框架，将行业分类并识别具有不同竞争特性的企业（如"壁垒护盾型"、"高效运营"型），从中选股构建组合[10] * **模型具体构建过程**：首先，使用竞争壁垒分析框架对行业进行细致分类，识别出四类行业："壁垒护盾型"、"竞争激烈型"、"稳中求进型"和"寻求突破型"[10]。然后，在"壁垒护盾型"行业中，筛选识别具有显著管理竞争优势的"唯一主导"企业，以及能够通过合作避免竞争、维持高利润率的"合作共赢"企业[10]。对于非"壁垒护盾型"行业，则发掘那些通过高效管理和成本控制实现优异运营表现的"高效运营"企业[10]。最后，将"壁垒护盾型"行业中的"唯一主导+合作共赢"组合与无壁垒保护行业中的"高效运营"组合结合，形成最终的"竞争优势"组合[11] 2. **模型名称：安全边际组合模型**[15] * **模型构建思路**：通过计算个股的盈利能力价值作为安全边际，在具有综合竞争优势的股票池中选择安全边际最大的标的，以捕捉企业内在价值与市场价值之间的差距[15] * **模型具体构建过程**：核心是计算企业的安全边际，即内在价值与市场价值的差距[15]。在企业经营稳健且不考虑增长的情况下，将盈利能力价值视为更可靠的企业实际价值反映[15]。具体步骤是，先计算个股的盈利能力价值作为其安全边际的度量，然后在综合竞争优势股票池内，选择安全边际最大的前50只标的，并采用股息率加权的方式以最大化组合的整体安全边际[15][17]。组合每年在5月1日、9月1日和11月1日进行换仓，每次持有50只股票[17] 3. **模型名称：红利低波季调组合模型**[21] * **模型构建思路**：优化传统红利策略，避免陷入"高股息陷阱"，通过预测股息率并结合负向清单（如剔除股价表现极端、负债率异常的标的）来筛选具有盈利可持续性和长期价值的公司[21] * **模型具体构建过程**：报告指出，"高股息陷阱"的本质是投资者单纯追逐高股息率而忽视了公司盈利可持续性和长期价值[21]。因此，该模型的构建一方面依赖于对股息率本身的预测，以规避陷阱；另一方面，则考虑设置负向清单制度，例如剔除股价表现极端、负债率异常等不符合条件的标的，从而确保所选公司具备稳健的基本面[21] 4. **模型名称：AEG估值潜力组合模型**[25][29] * **模型构建思路**：基于超额收益增长模型，投资于那些市场尚未充分认识到其增长潜力的公司，通过考量带息收益增长超过机会成本的部分（即AEG）来评估公司价值[25][29] * **模型具体构建过程**：模型的核心是超额收益增长模型[25]。收益来源分为资产本身生成的收益和利息再投资产生的收益，二者加总为带息收益或全收益[25]。AEG是指带息收益增长超过机会成本的部分，计算公式如下： $$A E G=Y_{t}-N_{t}=(E_{t}+r*D P S_{t-1})-(1+r)*E_{t-1}$$ 其中，\(Y_t\) 是第t期的带息收益，\(N_t\) 是第t期的正常收益，\(E_t\) 是第t期的盈利，\(r\) 是要求回报率，\(DPS_{t-1}\) 是第t-1期的每股股利[25]。远期市盈率 \(V_0/E_1\) 可以通过以下公式计算： $${\frac{V_{0}}{E_{1}}}={\frac{1}{r}}+\frac{1}{r}*\frac{\left(\frac{A E G_{2}}{1+r}+\frac{A E G_{3}}{(1+r)^{2}}+\frac{A E G_{4}}{(1+r)^{3}}+\cdots\right)}{E_{1}}$$ 如果预测没有超额收益增长，则正常市盈率为 \(V_0/E_1 = 1/r\)[25]。在具体构建组合时，首先使用AEG_EP因子选取排名前100的股票，然后从中选择股利再投资/P比率高的前50只股票构成最终组合[29] 5. **模型名称：中证800内现金牛组合模型**[32][33][34] * **模型构建思路**：通过CFOR分析体系深入评估企业的盈利能力和资产的现金生成效率，补充传统杜邦分解的不足，筛选出高质量、现金流稳定的"现金牛"公司[32][34] * **模型具体构建过程**：引入自由现金流和自由现金流回报率作为关键分析维度[32]。CFOR体系通过拆解现金流量回报率，揭示企业如何将经营活动产生的现金流转化为净利润，包括自由现金利润比率和经营资产回报率等指标[32]。选股流程包括：确保自由现金利润比率的稳定性、经营资产回报率的稳定性、净利润率的稳定性、总资产周转率的稳定性，要求这些指标由高到低均位于中信一级行业40%分位数以上，从而得到非金融高质量股票池；同时，在全A非金融范围内，筛选金融板块内ROE位于40%分位数以上的高质量股票池；将两个股票池取并集，并进一步结合低波、低估值以及SUE因子，CFOR拆解和ROE拆解等分析，最终确定持仓[33]。本报告着重关注中证800内的现金牛组合[34] 6. **模型名称：困境反转组合模型**[39][41] * **模型构建思路**：利用库存周期刻画公司的困境反转，结合景气加速恢复和定价错误的估值回归，旨在捕捉估值提升的收益，作为景气度投资的有效补充[39][41] * **模型具体构建过程**：该策略旨在捕捉估值短期波动带来的收益[39]。核心是利用库存周期来识别和刻画公司的困境反转时机[39][41]。同时，模型还考虑公司景气的加速恢复情况以及因市场定价错误带来的低估机会[39][41]。具体操作上，将反映困境反转、景气加速恢复和估值回归的相关因子进行标准化处理，然后叠加这些因子的得分，最终选取综合得分最高的50只股票构建投资组合[39] 模型的回测效果 1. **竞争优势组合模型**：自2012年以来年化收益18.51%，夏普比率0.72，信息比率0.09，最大回撤-47.68%，卡玛比率0.39[2]；自2019年以来年化收益20.36%，夏普比率0.95，信息比率0.12，最大回撤-19.32%，卡玛比率1.05[14] 2. **安全边际组合模型**：自2012年以来年化收益23.36%，夏普比率1.06，信息比率0.21，最大回撤-35.10%，卡玛比率0.67[2]；自2019年以来年化收益23.37%，夏普比率1.17，信息比率0.13，最大回撤-16.89%，卡玛比率1.38[19] 3. **红利低波季调组合模型**：自2014年以来年化收益19.06%，夏普比率0.91，信息比率0.16，最大回撤-43.06%，卡玛比率0.44[2]；自2019年以来年化收益16.81%，夏普比率0.98，信息比率0.16，最大回撤-21.61%，卡玛比率0.78[22] 4. **AEG估值潜力组合模型**：自2014年以来年化收益29.28%，夏普比率1.15，信息比率0.22，卡玛比率0.66[2]；自2019年以来年化收益24.88%，夏普比率1.13，信息比率0.17，最大回撤-24.02%，卡玛比率1.04[31] 5. **中证800内现金牛组合模型**：自2019年以来年化收益14.15%，夏普比率0.71，信息比率0.10，最大回撤-19.80%，卡玛比率0.71[3][37] 6. **困境反转组合模型**：自2019年以来年化收益25.17%，夏普比率1.01，信息比率0.15，最大回撤-33.73%，卡玛比率0.75[3][41] 量化因子与构建方式 1. **因子名称：AEG_EP因子**[29] * **因子构建思路**：作为AEG估值潜力组合的初选因子，用于初步筛选具有超额收益增长潜力的股票[29] * **因子具体构建过程**：该因子应用于AEG估值潜力组合的构建过程中，首先使用此因子从全市场股票中选取排名前100的股票作为初选池[29] 2. **因子名称：股利再投资/P比率因子**[29] * **因子构建思路**：在AEG估值潜力组合中，用于从初选股票池中进一步筛选出市场可能尚未充分认识其增长潜力的公司[29] * **因子具体构建过程**：在通过AEG_EP因子筛选出TOP100股票后，计算这些股票的股利再投资/P比率，并选择该比率高的前50只股票构成最终组合[29] 因子的回测效果 （报告中未单独提供上述因子的回测效果指标）

根据提供的研报内容，总结如下： 量化模型与构建方式 1. **模型名称：基于基本面价值区间的动态仓位配置模型**[3][10][11] * **模型构建思路**：通过计算个股（航天电子）未来不同年份（T+1, T+2）的基本面价值，并以此构建价格区间，根据股价在区间内的相对位置动态调整配置仓位[3][10][11] * **模型具体构建过程**： 1. **确定基准估值倍数**：以航天电子在2025年4月形成的底部区域估值为基准，确定其市盈率（PE）倍数为39倍[3][10] 2. **计算基本面价值**：使用Wind一致预期的未来年份每股收益（EPS）乘以基准PE倍数，得到未来年份的基本面价值。例如，2027年（T+2年）的基本面价值计算公式为： $$ 基本面价值_{T+2} = EPS_{T+2} \times 39 $$[3][10] 3. **划分基本面价值区间**：模型主要关注T-1年、T+1年和T+2年的基本面价值，并以此划分价格区间[3][11] 4. **设定仓位规则**： * 当股价处于T-1年和T+1年基本面价值区间内时，配置仓位为满仓（100%）[3][11] * 当股价处于T+1年和T+2年基本面价值区间内时，配置仓位根据股价在该区间内的相对位置动态决定，具体计算方式未详细说明[3][11] * **模型评价**：该模型通过结合估值锚定和动态仓位管理，旨在控制下行风险[4][11] 模型的回测效果 1. **基于基本面价值区间的动态仓位配置模型**[4][11] * **回测期间**：2025年7月1日至2025年10月24日[4][11] * **期末收益**：13.77%[4][11] * **最大回撤**：3.68%[4][11] * **夏普比率**：优于买入持有策略（具体数值未列出）[4][11] * **收益回撤比**：优于买入持有策略（具体数值未列出）[4][11] 2. **基准策略（买入持有卫星ETF）**[4][11] * **回测期间**：2025年7月1日至2025年10月24日[4][11] * **期末收益**：12.97%[4][11] * **最大回撤**：12.58%[4][11] 量化因子与构建方式 1. **因子名称：趋同股选择因子**[3][10] * **因子构建思路**：从ETF的成分股中筛选出与ETF整体走势具有高相关性且研究覆盖度高的个股，作为分析的代表性股票（趋同股）[3][10] * **因子具体构建过程**：综合考虑成分股与卫星通信指数（卫星ETF跟踪的指数）的走势偏差和研究覆盖度进行选择。报告中指出航天电子（600879.SH）在2025年1月1日至2025年10月24日期间被选为最佳趋同股[3][10]

根据提供的研报内容，报告核心是使用“趋同股分析模型”对创业板人工智能ETF（159363.SZ）进行配置价值分析，并未涉及传统意义上的多因子模型或量化因子构建。以下是总结内容： **量化模型与构建方式** 1. **模型名称**：趋同股分析模型[3][7] * **模型构建思路**：通过筛选出与标的指数（创业板人工智能指数）走势高度相关且研究覆盖度高的成分股（即“趋同股”），以其作为分析基准，来评估整个ETF的投资情绪和风险[3][7] * **模型具体构建过程**： 1. **确定标的与时间窗口**：标的为创业板人工智能ETF（跟踪创业板人工智能指数，970070.CNI），分析时间为2025年1月1日至2025年10月27日[3][7] 2. **筛选趋同股**：从指数成分股中，综合考虑个股与指数的走势偏差和研究覆盖度，选出最佳趋同股，本例中为协创数据(300857.SZ)[3][7] 3. **确定趋同股定价基准（PE）**：分析趋同股的历史估值，以其在业绩高增长阶段股价阶段性底部时的市盈率（PE）作为定价依据。本例中，协创数据在2023年9月底部估值为22倍PE（基于2023年预期净利润）[3][7] 4. **计算趋同股基本面价值**：使用确定的PE基准（22倍）和Wind一致预期的未来净利润，计算趋同股未来的每股基本面价值。计算公式为： $$基本面价值 = 预期净利润 \times 定价PE$$ 具体到每股： $$每股基本面价值 = 预期每股收益 \times 定价PE$$[7] 5. **外推未来价值并与股价比较**：计算未来多年（如2027年、2028年）的预期每股基本面价值，并将当前或历史最高股价与之比较。本例中，计算了协创数据2027年预期价值为144.44元/股，线性外推2028年价值为190.95元/股，并与2025年9月29日最高股价185.9元/股比较[7] 6. **推断ETF整体情绪**：基于趋同股股价已接近或达到其远期基本面价值的判断，推断其所代表的ETF整体投资情绪高企，提示风险[3][7] * **模型评价**：该模型提供了一种通过个股深度分析来洞察板块或指数整体估值情绪的方法[3][7] **模型的回测效果** （报告中未提供该模型的量化回测指标，如年化收益率、夏普比率、信息比率（IR）、最大回撤等具体数值）

根据提供的报告内容，经过全面审阅，该文档为一份市场每日复盘报告，主要描述了特定交易日（2025年10月30日）的全球市场表现、资金流向、风格与行业涨跌等市场概况[2][3][4][5][15][21][25][27][29][32][33]。报告内容侧重于市场数据呈现和描述性分析，并未涉及任何量化模型或量化因子的构建思路、具体过程、效果测试或评价。 因此，本总结中关于“量化模型与构建方式”及“量化因子与构建方式”的部分没有相关内容。报告的核心是市场行情总结，而非量化策略研究。 **量化模型与构建方式** *（此部分在报告中无相关内容）* **模型的回测效果** *（此部分在报告中无相关内容）* **量化因子与构建方式** *（此部分在报告中无相关内容）* **因子的回测效果** *（此部分在报告中无相关内容）*

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：行业拥挤度监测模型**[3] * **模型构建思路**：通过构建模型，对申万一级行业指数的拥挤度进行每日监测，以识别拥挤度较高或较低的行业[3] * **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 2. **模型名称：溢价率 Z-score 模型**[4] * **模型构建思路**：通过滚动测算ETF产品的溢价率Z-score，搭建ETF产品筛选信号模型，以识别存在潜在套利机会的标的[4] * **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 量化因子与构建方式 1. **因子名称：行业拥挤度**[3] * **因子构建思路**：用于衡量申万一级行业指数的交易拥挤程度[3] * **因子具体构建过程**：报告未提供该因子的具体构建过程和公式 * **因子评价**：拥挤度较高的行业可能意味着风险积聚，拥挤度较低的行业可能值得关注[3] 2. **因子名称：溢价率 Z-score**[4] * **因子构建思路**：用于识别ETF价格相对于其净值是否存在显著偏离，从而提示套利机会或回调风险[4] * **因子具体构建过程**：报告未提供该因子的具体构建过程和公式 * **因子评价**：该因子有助于发现潜在的套利机会，但同时也需警惕标的回调风险[4] 模型的回测效果 （报告未提供相关模型的回测效果指标取值） 因子的回测效果 （报告未提供相关因子的回测效果指标取值） 模型/因子的应用结果 1. **行业拥挤度监测模型应用结果**[3] * 监测日期：2025年10月29日的前一交易日[3] * 拥挤度较高行业：电力设备、有色金属[3] * 拥挤度较低行业：食品饮料、社会服务[3] * 拥挤度变动较大行业：非银金融、家用电器[3] 2. **溢价率 Z-score 模型应用结果**[14] * 生成建议关注的ETF产品列表（基于模型信号）[14]： * 中证A500ETF天弘 (159360.SZ) * 中证1000ETF增强 (561280.SH) * 化工50ETF (516120.SH) * 创业板价值ETF (159966.SZ) * 银行ETF优选 (517900.SH)