根据提供的研报内容，以下是关于量化模型与因子的总结。报告主要对宽基指数的市场表现和各类指标进行跟踪分析，并未涉及具体的量化交易模型或用于选股的阿尔法因子。报告内容侧重于市场指标的描述和比较。 量化模型与构建方式 报告未涉及具体的量化交易模型或阿尔法因子的构建。 量化因子与构建方式 报告未构建用于选股或组合优化的阿尔法因子，但详细描述并计算了多个用于评估宽基指数状态的市场指标，这些指标可被视为宏观或市场风格因子。其构建方式如下： **1. 因子名称：风险溢价** - **因子的构建思路**：以十年期国债即期收益率为无风险利率的参考，计算各宽基指数相对于无风险利率的风险溢价，以衡量其相对投资价值和偏离情况[26] - **因子具体构建过程**：风险溢价的计算公式为指数的收益率减去十年期国债即期收益率。报告中的具体计算过程未明确给出收益率计算窗口，但展示了当前风险溢价及其历史分位值等统计量[26][28][30] - **因子评价**：各跟踪指数的风险溢价有明显的均值复归现象，其中中证1000和中证2000的风险溢价波动率相对较大[27] **2. 因子名称：市盈率（PE-TTM）** - **因子的构建思路**：观察各指数的滚动市盈率作为估值参考，衡量各指数在当前时点的投资价值[38] - **因子具体构建过程**：PE-TTM为指数总市值除以指数成分股归母净利润总额。报告计算了当前PE-TTM值，并统计了其近1年、近5年及全历史的分位值[38][39][41] **3. 因子名称：股债性价比** - **因子的构建思路**：以各指数PE-TTM的倒数（即盈利收益率）与十年期国债即期收益率之差作为股债性价比的衡量指标[43] - **因子具体构建过程**：股债性价比 = (1 / 指数PE-TTM) - 十年期国债即期收益率。报告通过对比该指标与其历史分位值（如80%分位值为机会值，20%分位值为危险值）来判断市场位置[43] **4. 因子名称：股息率** - **因子的构建思路**：股息率反映现金分红回报率，红利投资是一种投资风格，跟踪该指标以观察其走势和变化趋势[45] - **因子具体构建过程**：股息率 = 指数成分股现金分红总额 / 指数总市值。报告计算了各指数的当前股息率及其历史分位值[45][46][50] **5. 因子名称：破净率** - **因子的构建思路**：破净意味着股票价格跌破公司每股净资产值，反映市场的估值态度，破净数和占比越高，低估的情况越普遍[50][52] - **因子具体构建过程**：指数破净率 = 指数成分股中市净率（股价/每股净资产）小于1的股票数量 / 指数总成分股数量。报告计算了各宽基指数的当前破净率[50][52] **6. 因子名称：均线相对位置** - **因子的构建思路**：通过比较指数收盘价与不同周期移动平均线（MA）的位置，判断指数短期和长期的趋势强度[13][14] - **因子具体构建过程**：计算指数收盘价相对于MA5、MA10、MA20、MA60、MA120、MA250的偏离幅度，公式为：(收盘价 / MA_n - 1) * 100%。例如，vsMA5 = (收盘价 / MA5 - 1) * 100%[14] **7. 因子名称：收益分布形态（偏度与峰度）** - **因子的构建思路**：通过分析指数日收益率的分布形态（偏度和峰度）及其与历史均值的偏离，来描述市场收益分布的特征变化[23][24] - **因子具体构建过程**：计算近5年（基准期）和当前（观测期）日收益率序列的偏度和峰度。报告中注明了峰度计算中减去了3（正态分布峰度），即计算超额峰度。偏度衡量分布的不对称性，峰度衡量分布的陡峭度[24] 模型的回测效果 报告未涉及量化模型的回测。 因子的回测效果 报告展示了上述市场指标因子在特定时点（2025年10月20日）的取值情况。 **1. 风险溢价因子取值** - 上证50：当前风险溢价0.23%，近5年分位值62.22%[30] - 沪深300：当前风险溢价0.52%，近5年分位值72.86%[30] - 中证500：当前风险溢价0.76%，近5年分位值76.19%[30] - 中证1000：当前风险溢价0.74%，近5年分位值72.70%[30] - 中证2000：当前风险溢价1.42%，近5年分位值85.08%[30] - 中证全指：当前风险溢价0.78%，近5年分位值78.49%[30] - 创业板指：当前风险溢价1.97%，近5年分位值88.81%[30] **2. 市盈率（PE-TTM）因子取值** - 上证50：当前值11.99，近5年分位值87.69%[41] - 沪深300：当前值14.22，近5年分位值85.12%[41] - 中证500：当前值33.75，近5年分位值98.26%[41] - 中证1000：当前值46.30，近5年分位值94.79%[41] - 中证2000：当前值157.76，近5年分位值82.89%[41] - 中证全指：当前值21.33，近5年分位值95.62%[41] - 创业板指：当前值42.66，近5年分位值58.02%[41] **3. 股息率因子取值** - 上证50：当前值3.20%，近5年分位值34.79%[50] - 沪深300：当前值2.66%，近5年分位值35.12%[50] - 中证500：当前值1.36%，近5年分位值16.61%[50] - 中证1000：当前值1.14%，近5年分位值50.66%[50] - 中证2000：当前值0.79%，近5年分位值24.13%[50] - 中证全指：当前值2.00%，近5年分位值35.04%[50] - 创业板指：当前值1.03%，近5年分位值71.07%[50] **4. 破净率因子取值** - 上证50：20.0%[52] - 沪深300：15.67%[52] - 中证500：11.6%[52] - 中证1000：7.4%[52] - 中证2000：3.3%[52] - 中证全指：5.99%[52] - 创业板指：1.0%[52] **5. 均线相对位置因子取值（以vsMA5为例）** - 上证50：-0.3%[14] - 沪深300：-0.6%[14] - 中证500：-1.3%[14] - 中证1000：-1.3%[14] - 中证2000：-0.8%[14] - 中证全指：-0.8%[14] - 创业板指：0.1%[14] **6. 收益分布形态因子取值（当前vs近5年）** - **峰度偏离**： - 上证50：-1.62[24] - 沪深300：-1.21[24] - 中证500：-2.26[24] - 中证1000：-1.19[24] - 中证2000：-1.71[24] - 中证全指：-1.96[24] - 创业板指：-2.54[24] - **偏度偏离**： - 上证50：-0.43[24] - 沪深300：-0.28[24] - 中证500：-0.59[24] - 中证1000：-0.39[24] - 中证2000：-0.46[24] - 中证全指：-0.51[24] - 创业板指：-0.64[24]

金融工程日报 沪指缩量收涨，煤炭、培育钻石午后爆发 市场表现：今日(20251020) 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，板块指数中创业板指表现较好，风格指数中沪深 300 成长指 数表现较好。通信、煤炭、电新、机械、石油石化行业表现较好，有色金属、 农林牧渔、银行、食品饮料、钢铁行业表现较差。培育钻石、超硬材料、光 模块(CPO)、锂电电解液、广电系等概念表现较好，黄金精选、黄金珠宝、 珠宝、铅锌矿、稀土等概念表现较差。 证券研究报告 | 2025年10月20日 市场情绪：今日市场情绪较为高涨，收盘时有 95 只股票涨停，有 6 只股票 跌停。昨日涨停股票今日高开高走，收盘收益为 2.90%，昨日跌停股票今日 收盘收益为-0.83%。今日封板率 76%，较前日提升 14%，连板率 30%，较前日 提升 5%。 市场资金流向：截至 20251017 两融余额为 24294 亿元，其中融资余额 24128 亿元，融券余额 166 亿元。两融余额占流通市值比重为 2.6%，两融交易占市 场成交额比重为 10.2%。 折溢价：20251017 当日 ETF 溢价较多的是科创信息技术 E ...

根据提供的研报内容，以下是关于量化模型和因子的详细总结。 量化模型与构建方式 1. **模型名称：基于动态宏观事件因子的中证港股通大消费指数择时策略**[2][3] * **模型构建思路**：探索中国宏观经济对香港大消费主题上市公司的影响，从经济、通胀、货币和信用四个维度选取宏观数据，构建事件因子，并基于因子看多信号的比例来确定择时仓位[3][20][21] * **模型具体构建过程**： * **宏观数据选用与预处理**：从经济、通胀、货币和信用四大类中初选20余个宏观指标[21][23]。预处理步骤包括： * **频率对齐**：将日频数据统一为月频（取月末值或月均值）[27] * **缺失值填充**：对于缺失数据，使用过去12个月一阶差分值的中位数加上一期数值进行填充。公式为：$$X_{t}=X_{t-1}+Median_{diff12}$$[27] * **滤波处理**：对比原始数据和使用单向HP滤波处理后的数据，避免未来函数。单向HP滤波公式为：$${\hat{t}}_{t|t,\lambda}=\sum_{s=1}^{t}\omega_{t|t,s,\lambda}\cdot y_{s}=W_{t|t,\lambda}(L)\cdot y_{t}$$[28] * **数据结构变化**：对数据衍生出同比、环比、移动平均等格式[29] * **宏观事件因子构建**： * **确定事件方向**：计算宏观数据与下一期指数收益率的相关性，正相关则构建正向突破事件，负相关则构建反向突破事件[30] * **确定领先滞后性**：测试数据滞后0-4期，动态识别与资产的最佳领先滞后关系[30] * **生成事件因子**：构建三类事件因子（数据突破均线、突破中位数、同向变动），并设置不同参数，共生成28个因子事件[30][32] * **因子筛选指标**：主要使用收益率胜率（综合成功率与盈亏比）和开仓波动调整收益率（综合成功率、收益率和波动率）作为衡量指标[31][32]。收益率胜率公式为：$$\frac{N_{\sum r_i > 0}}{N}， N 为总开仓次数$$，开仓波动调整收益率公式为：$$\frac{\sum r_i / N}{\sqrt{\frac{1}{N-1} \sum (r_i - \bar{r})^2}}$$[32] * **因子事件初筛选**：筛选标准包括：通过t检验（95%置信区间）、收益率胜率>55%、事件发生次数>滚动窗口期数/6[32][33] * **因子叠加优化**：选择胜率最高的事件因子作为基础，再选择与基础因子相关性低于0.85的次高胜率因子进行叠加，若叠加后胜率提升则采用叠加因子[33] * **动态剔除**：若某期无因子通过筛选，则该宏观指标当期标记为空仓，不参与大类因子打分[33] * **确定最优滚动窗口**：在48, 60, 72, 84, 96个月等不同窗口下测试，根据开仓波动调整收益率选择每个宏观数据的最优参数[33][34] * **最终因子筛选**：在测试区间内，根据开仓波动调整收益率，最终筛选出5个表现最优的宏观事件因子[12][34][35] * **择时策略构建**：将最终选定的5个宏观事件因子的看多信号进行综合。当看多因子比例大于2/3时，大类因子信号标记为1（满仓）；当看多因子比例小于1/3时，信号标记为0（空仓）；比例介于两者之间时，信号标记为具体比例值（如66.7%）。该信号直接作为当期的择时仓位[3][35][37] 量化因子与构建方式 1. **因子名称：PMI:原材料价格**[35] * **因子构建思路**：作为通胀维度的指标，用于预测中证港股通大消费主题指数的走势[21][35] * **因子具体构建过程**：使用原始数据，最优滚动窗口为96个月[35] 2. **因子名称：中美国债利差10Y**[35] * **因子构建思路**：作为货币维度的指标，反映中美货币政策和流动性差异对港股市场的影响[21][23][35] * **因子具体构建过程**：使用原始数据，最优滚动窗口为72个月[35] 3. **因子名称：金融机构:中长期贷款余额:当月新增:滚动12M求和:同比**[35] * **因子构建思路**：作为信用维度的指标，反映中长期信贷投放情况，体现经济活力[23][35] * **因子具体构建过程**：使用原始数据，最优滚动窗口为48个月[35] 4. **因子名称：M1:同比**[35] * **因子构建思路**：作为货币维度的指标，反映企业活期存款和现金状况，是经济活跃度的晴雨表[23][35] * **因子具体构建过程**：使用原始数据，最优滚动窗口为48个月[35] 5. **因子名称：新增社融:滚动12个月求和:同比**[35] * **因子构建思路**：作为信用维度的指标，全面反映金融体系对实体经济的资金支持[23][35] * **因子具体构建过程**：使用原始数据，最优滚动窗口为96个月[35] 模型的回测效果 * **基于动态宏观事件因子的中证港股通大消费指数择时策略**[2][11][22] * **回测期**：2018年11月至2025年10月[2][11] * **年化收益率**：10.44%[2][11][22] * **年化波动率**：18.47%[22] * **最大回撤**：-29.72%[2][11][22] * **夏普比率**：0.59[2][11][22] * **收益回撤比**：0.35[2][11][22] * **平均仓位**：约46%[10] * **2025年9月收益率**：8.40%[11][12] 因子的回测效果 （报告中未单独列出上述5个因子的回测指标值，此部分略）

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：CCBA模型/CCB模型**[6][16][22] * **模型构建思路**：该模型是可转债的赎回概率调整定价模型，用于对可转债进行合理定价[6][16][22] * **模型具体构建过程**：模型的具体构建过程在专题报告《可转债的赎回概率调整定价模型》和《可转债定价模型与应用》中有详细介绍，本报告未详细展开[6][16][22] 2. **模型名称：CCB_out模型**[22] * **模型构建思路**：在CCB定价模型的基础上，进一步考虑退市风险，以更全面地评估可转债价值[22] * **模型具体构建过程**：模型的具体构建过程在专题报告《可转债定价模型与应用》中有介绍，本报告未详细展开[22] 3. **模型名称：收益分解模型**[16][18] * **模型构建思路**：用于将可转债的收益分解为不同来源，以便分析收益构成[16][18] * **模型具体构建过程**：通过该模型将近一个月转债的收益分别拆解为债底收益、股票拉动收益、转债估值收益[16][18] 其核心是将转债价格变动归因于几个关键驱动因素 4. **模型名称：转债&股债组合轮动策略**[9][11][15] * **模型构建思路**：基于转债市场估值水平（定价偏离度），在转债和股债组合之间进行择时配置，估值低时超配转债，估值高时超配股债组合[9][11][15] * **模型具体构建过程**： 1. 计算Z值：Z值 = 定价偏离度 / 过去3年定价偏离度的标准差[11] 2. 对Z值进行截尾处理：按照±1.5倍标准差进行截尾[11] 3. 计算分数：分数 = 截尾后的Z值 / -1.5[11] 4. 确定权重：转债权重 = 50% + 50% × 分数，剩余仓位配置股债组合（50% 7-10Y国债 + 50% 中证1000全收益指数）[9][11] 量化因子与构建方式 1. **因子名称：定价偏离度因子**[6][22][25] * **因子构建思路**：通过比较可转债市场价格与其模型理论定价的差异，来衡量转债的估值高低[6][22][25] * **因子具体构建过程**：定价偏离度 = 转债价格 / CCBA模型定价（或CCB_out模型定价） - 1[6][22] 其中，CCBA模型定价或CCB_out模型定价为根据相应模型计算出的可转债理论价值 2. **因子名称：正股动量因子**[25][30][40] * **因子构建思路**：利用正股过去一段时间的价格动量来预测转债未来表现[25][30] * **因子具体构建过程**：使用正股过去1个月、3个月、6个月的动量进行等权打分构建[25] 具体计算方式为各期动量得分的等权平均值 3. **因子名称：转债换手率因子**[30][32][36] * **因子构建思路**：通过转债的成交活跃度（换手率）来捕捉市场热度[30][32] * **因子具体构建过程**：使用转债的5日和21日换手率[32] 具体构建方式未详细说明，可能为两个周期换手率的某种组合（如平均值） 4. **因子名称：高换手因子**[30][32] * **因子构建思路**：在低估转债池中，进一步筛选成交活跃度高的个券[30][32] * **因子具体构建过程**：综合使用转债换手率（5日、21日）以及转债与股票换手率的比率（5日、21日）来构建[32] 5. **因子名称：转债YTM因子**[40] * **因子构建思路**：通过可转债的到期收益率来评估其债性价值，并与信用债收益率进行比较[40] * **因子具体构建过程**：筛选条件是转债YTM + 1% > 3年期AA级信用债YTM[40] 量化策略与构建方式 1. **策略名称：低估值策略**[22][24] * **策略构建思路**：在偏债、平衡、偏股三个分域中，分别选取估值最低（定价偏离度最小）的转债进行配置，并根据分域市场相对估值进行分域择时[22][24] * **策略具体构建过程**： 1. 计算个券定价偏离度（使用CCB_out模型）[22] 2. 转债池筛选：余额3亿以上且评级AA-及以上[22] 3. 组合构建：在偏债、平衡、偏股分域中，分别选取定价偏离度最低的15只转债（共45只）[22] 4. 分域择时：根据偏债、平衡、偏股这三个分域市场的相对估值超配估值过低的分域，低配估值过高的分域[22] 2. **策略名称：低估值+强动量策略**[25][27] * **策略构建思路**：在低估值策略的基础上，引入正股动量因子，结合估值和动量进行选券[25][27] * **策略具体构建过程**：在低估值策略与分域择时的框架下，将定价偏离度因子与正股动量因子（正股过去1、3、6个月动量等权打分）相结合进行选券[25] 3. **策略名称：低估值+高换手策略**[30][32] * **策略构建思路**：先筛选市场上估值较低的转债，再从中选择成交活跃度高的个券进行配置[30][32] * **策略具体构建过程**： 1. 首先选择市场上定价偏离度（CCB_out模型）较低的前50%转债，形成低估转债池[30][32] 2. 在低估转债池中，使用转债高换手因子选择成交热度较高的转债进行配置[30][32] 4. **策略名称：平衡偏债增强策略**[36][38] * **策略构建思路**：专注于偏债和平衡型转债，通过剔除偏股转债控制风险，并在偏债和平衡券中分别运用换手率和动量因子增强收益[36][38] * **策略具体构建过程**： 1. 选择市场上定价偏离度（CCB_out模型）较低的前50%转债，并去掉偏股转债，形成低估池[36] 2. 在偏债转债中，使用转债换手率因子和正股动量因子选券[36][38] 3. 在平衡转债中，使用转债换手率因子选券[36][38] 5. **策略名称：信用债替代策略**[40][42] * **策略构建思路**：筛选债性较强（YTM较高）且优于信用债的转债，结合正股动量进行配置，并通过波动率控制管理风险，部分仓位配置信用债[40][42] * **策略具体构建过程**： 1. 转债池筛选：余额3亿以上、评级AA-及以上，且满足 转债YTM + 1% > 3年期AA级信用债YTM[40] 2. 组合构建：在转债池中选出正股1个月动量最强的20只转债进行配置，个券最大权重不超过2%[40] 3. 风险控制：通过波动率控制方法降低短期回撤，剩余仓位配置信用债[40][42] 6. **策略名称：波动率控制策略**[43][45] * **策略构建思路**：将不同风险收益特征的增强策略与信用债进行组合，通过动态调整仓位将整个组合的波动率控制在目标水平[43][45] * **策略具体构建过程**： 1. 子策略构建：在偏债、平衡、偏股分域中，分别构建低估值+强动量的增强策略（各选15只券）[43] 2. 资产组合：基于偏债增强、平衡增强、偏股增强三个策略以及信用债，通过波动率控制方式将组合波动控制在4%[43][45] 模型的回测效果 （注：报告中策略回测结果均以“等权指数”为基准，该指数为余额3亿以上且AA-及以上转债等权构成[18][22]） 1. **转债&股债组合轮动策略**：该择时策略能够实现稳定的超额收益[11][14] 2. **低估值策略**：全样本年化区间收益22.3%，年化波动13.5%，最大回撤15.6%，区间超额收益11.5%，信息比率2.00[25] 3. **低估值+强动量策略**：全样本年化区间收益24.5%，年化波动14.3%，最大回撤11.9%，区间超额收益13.5%，信息比率2.23[30] 4. **低估值+高换手策略**：全样本年化区间收益25.0%，年化波动15.3%，最大回撤15.9%，区间超额收益13.6%，信息比率2.16[34] 5. **平衡偏债增强策略**：全样本年化区间收益23.6%，年化波动12.2%，最大回撤13.4%[39] 6. **信用债替代策略**：全样本年化区间收益7.3%，年化波动2.1%，最大回撤2.8%[43] 7. **波动率控制策略**：全样本年化区间收益9.9%，年化波动4.4%，最大回撤4.2%[45] 因子的回测效果 （注：报告中未单独提供因子的回测效果指标，因子的有效性体现在整合了该因子的策略表现中）

量化因子与构建方式 1. 价格区间因子 **因子构建思路**：衡量股票在日内不同价格区间成交的活跃程度，以体现投资者对未来走势的预期[3] **因子具体构建过程**：利用三秒快照数据，分析不同价格区间的成交行为[12] - 高价格80%区间成交量因子（VH80TAW）：计算日内高价格80%区间的成交量，与未来收益呈负相关[12] - 高价格80%区间成交笔数因子（MIH80TAW）：计算日内高价格80%区间的成交笔数，与未来收益呈负相关[12] - 低价格10%区间每笔成交量因子（VPML10TAW）：计算日内低价格10%区间的平均每笔成交量，与未来收益呈正相关[12] - 合成方法：以25%、25%和50%的权重对三个细分因子进行合成，然后进行行业市值中性化处理[14] **因子评价**：展现出了较强的预测效果，今年以来表现比较稳定[3] 2. 量价背离因子 **因子构建思路**：衡量股票价格与成交量的相关性，相关性越低，未来上涨可能性越高[3] **因子具体构建过程**：利用高频快照数据计算价格与成交量的相关关系[22] - 价格与成交笔数相关性因子（CorrPM）：计算价格与成交笔数的相关性[22] - 价格与成交量相关性因子（CorrPV）：计算价格与成交量的相关性[22] - 合成方法：对两个细分因子进行等权合成，然后进行行业市值中性化处理[23] **因子评价**：近几年表现一直不太稳定，多空净值曲线趋近走平[3] 3. 遗憾规避因子 **因子构建思路**：通过考察股票当天被投资者卖出后反弹的比例和程度，体现投资者的遗憾规避情绪对股价预期收益的影响[3] **因子具体构建过程**：利用逐笔成交数据区分主动买卖方向，加入小单和尾盘限制[26] - 卖出反弹占比因子（LCVOLESW）：衡量卖出后股价反弹的占比[26] - 卖出反弹偏离因子（LCPESW）：衡量卖出后股价反弹的程度[26] - 合成方法：对两个细分因子进行等权合成，然后进行行业市值中性化处理[32] **因子评价**：样本外超额收益稳定，表明A股投资者的遗憾规避情绪会显著影响股价预期收益[3] 4. 斜率凸性因子 **因子构建思路**：从投资者耐心与供求关系弹性角度出发，刻画订单簿的斜率和凸性对预期收益的影响[3] **因子具体构建过程**：利用限价订单簿的委托量和委托价信息计算斜率[36] - 低档斜率因子（Slope_abl）：计算低档位的订单簿斜率[36] - 高档位卖方凸性因子（Slope_alh）：计算高档位的卖方凸性[36] - 合成方法：对两个细分因子进行等权合成，然后进行行业市值中性化处理[41] **因子评价**：因子自2016年以来收益保持平稳趋势[43] 量化模型与构建方式 1. 高频"金"组合中证1000指数增强策略 **模型构建思路**：将三类高频因子等权合成构建指数增强策略[3] **模型具体构建过程**： - 因子合成：将价格区间因子、量价背离因子、遗憾规避因子进行等权合成[3] - 调仓频率：周度调仓[44] - 手续费：单边千分之二[44] - 风险控制：加入换手率缓冲机制降低调仓成本[44] - 基准：中证1000指数[44] **模型评价**：在样本外表现出色，有较强的超额收益水平[47] 2. 高频&基本面共振组合中证1000指数增强策略 **模型构建思路**：将高频因子与有效的基本面因子结合提升多因子投资组合表现[48] **模型具体构建过程**： - 因子构成：高频因子（价格区间、量价背离、遗憾规避） + 基本面因子（一致预期、成长、技术因子）[48] - 合成方法：等权合成[48] - 调仓频率：周度调仓[48] - 基准：中证1000指数[48] **模型评价**：各项业绩指标均有提升，样本外表现稳定，有较强的超额收益水平[50] 因子的回测效果 1. 价格区间因子 - 上周多头超额收益率：0.28%[2][13] - 本月以来多头超额收益率：-0.41%[2][13] - 今年以来多头超额收益率：4.70%[2][13] - 上周多空收益率：-0.42%[13] - 本月以来多空收益率：-0.60%[13] - 今年以来多空收益率：13.53%[13] 2. 量价背离因子 - 上周多头超额收益率：0.18%[2][13] - 本月以来多头超额收益率：-1.47%[2][13] - 今年以来多头超额收益率：5.73%[2][13] - 上周多空收益率：1.82%[13] - 本月以来多空收益率：0.50%[13] - 今年以来多空收益率：15.99%[13] 3. 遗憾规避因子 - 上周多头超额收益率：-0.86%[2][13] - 本月以来多头超额收益率：-1.21%[2][13] - 今年以来多头超额收益率：1.04%[2][13] - 上周多空收益率：0.73%[13] - 本月以来多空收益率：1.04%[13] - 今年以来多空收益率：15.54%[13] 4. 斜率凸性因子 - 上周多头超额收益率：0.96%[2] - 本月以来多头超额收益率：0.63%[2] - 今年以来多头超额收益率：-7.40%[2] 模型的回测效果 1. 高频"金"组合中证1000指数增强策略 - 年化收益率：9.31%[44] - 年化波动率：23.97%[44] - Sharpe比率：0.39[44] - 最大回撤率：47.77%[44] - 双边换手率（周度）：14.66%[44] - 年化超额收益率：10.20%[3][44] - 跟踪误差：4.28%[44] - 信息比率：2.38[44] - 超额最大回撤：6.04%[3][44] - 上周超额收益：0.80%[3] - 本月以来超额收益：0.83%[3] - 今年以来超额收益：6.58%[3] 2. 高频&基本面共振组合中证1000指数增强策略 - 年化收益率：13.67%[50] - 年化波动率：23.59%[50] - Sharpe比率：0.58[50] - 最大回撤率：39.60%[50] - 双边换手率（周度）：22.54%[50] - 年化超额收益率：14.49%[4][50] - 跟踪误差：4.19%[50] - 信息比率：3.46[50] - 超额最大回撤：4.52%[4][50] - 上周超额收益：1.14%[4] - 本月以来超额收益：1.22%[4] - 今年以来超额收益：7.66%[4]

根据研报内容，本次报告主要涉及基金市场表现跟踪和ETF资金流向分析，未详细阐述具体的量化模型或量化因子的构建过程、公式及评价。报告内容侧重于市场数据统计和现有指数的业绩展示。 **量化模型与构建方式** 1. **模型/指数名称**：主动偏股基金高频仓位测算模型[63] * **模型构建思路**：由于公募基金股票仓位披露频率低，该模型利用基金每日净值序列，通过带约束条件的多元回归模型，在基准或其他资产序列组成的自变量中寻找基金仓位的最优估计结果，以实现对主动偏股基金仓位的相对高频跟踪[63] * **模型具体构建过程**：报告提及市场主流方式是以基金每日披露的净值序列为因变量，利用带约束条件的多元回归模型进行估算。报告中提到“我们分别构建各只基金的模拟组合提升仓位估算的准确程度”，但未提供具体的回归模型公式、约束条件设定、自变量（基准或资产序列）的选择与构建等详细步骤[63] 2. **模型/指数名称**：REITs系列指数（包括REITs综合指数、产权类REITs指数、特许经营权类REITs指数及各细分项目指数）[49][50][52] * **模型构建思路**：为综合反映REITs市场表现，提供衡量不同底层资产、项目类型的细分REITs指数，并考虑REITs的高分红特性，同时提供价格指数和全收益指数[49] * **模型具体构建过程**： * 计算中采用分级靠档的方法以确保计算指数的份额保持相对稳定[49] * 当样本成分名单或样本成分的调整市值出现非交易因素的变动时（如新发、扩募等），采用除数修正法保证指数的连续性[49] * 报告未提供具体的指数计算公式、权重确定方法（如按调整市值加权）等详细构建过程 3. **模型/指数名称**：长期行业主题基金指数（如金融地产、消费、周期、医药、行业轮动、行业均衡、新能源、国防军工、TMT主题基金指数）[37] * **模型构建思路**：通过观察基金在近四期中报/年报的持仓信息判断其长期的行业主题标签，将基金的长期行业标签区别定义为行业主题基金、行业轮动基金和行业均衡基金，并构建相应的行业主题基金指数，为投资者提供衡量主题基金风险收益情况的工具[37] * **模型具体构建过程**：报告未提供具体的指数构建公式、成分基金筛选细则、权重设定方法（如等权或按规模加权）等详细过程 **模型的回测效果** 1. **主动偏股基金高频仓位测算模型**：本周（2025.10.13-2025.10.17）主动偏股基金仓位相较上周上升0.16个百分点[63] 2. **REITs系列指数**：截至2025年10月17日，本周REITs综合指数下跌1.38%；产权类REITs指数下跌1.51%；特许经营权类REITs指数下跌1.16%；新型基础设施REITs指数上涨0.26%[50][52] 3. **长期行业主题基金指数**：截至2025年10月17日，本周金融地产、消费、周期、医药、行业轮动、行业均衡、新能源、国防军工、TMT主题基金指数涨跌幅分别为0.40%、-1.95%、-2.11%、-2.62%、-3.92%、-4.52%、-5.12%、-5.74%、-6.80%[37] **量化因子与构建方式** （报告中未涉及量化因子的构建） **因子的回测效果** （报告中未涉及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。 量化模型与构建方式 1. **模型名称：微盘股/茅指数轮动模型**[18][25] * **模型构建思路**：基于微盘股与茅指数的相对强弱关系进行风格轮动配置，并结合动量指标和风险指标进行择时[18][25] * **模型具体构建过程**： * **轮动信号**：计算微盘股指数与茅指数的相对净值（微盘股净值/茅指数净值），并计算其243日移动平均线（年均线）[18][25][28] 当相对净值高于其年均线时，倾向于投资微盘股；反之，则投资茅指数[25] 同时，计算微盘股和茅指数的20日收盘价斜率（动量）[18][25] 当两个指数的20日斜率方向相反且一方为正时，选择投资斜率为正的指数[25] * **择时风控信号**：监控两个指标[18][25]： 1. 十年期国债到期收益率同比变化，阈值为30%（触及则发出平仓信号）[25] 2. 微盘股波动率拥挤度同比变化，阈值为55%（触及则发出平仓信号）[25] * **模型评价**：该模型旨在捕捉大小盘风格切换，并通过风险指标控制回撤[18][25] 2. **模型名称：宏观择时策略**[47][48] * **模型构建思路**：综合经济增长和货币流动性两个维度的宏观指标，生成权益资产的月度配置仓位建议[47][48] * **模型具体构建过程**：模型对经济增长和货币流动性分别进行评估，生成信号强度（百分比表示）[47][48] 最终的股票仓位建议由这两个维度的信号综合决定[47] 具体构建细节可参考其历史研究报告《Beta 猎手系列：基于动态宏观事件因子的股债轮动策略》[47] * **模型评价**：该模型从宏观基本面出发，为中期资产配置提供量化信号[47] 模型的回测效果 1. **宏观择时策略**[47] * 2025年年初至今收益率：13.57%[47] * 同期基准（Wind全A）收益率：25.65%[47] * 最新信号（截至9月30日）：10月份权益推荐仓位为50%（经济增长信号强度40%，货币流动性信号强度60%）[47][48] 量化因子与构建方式 1. **因子类别：选股因子**[51][52][60][62] * **因子构建思路**：报告跟踪了八大类选股因子，涵盖了价值、成长、质量、技术、波动率、反转、一致预期和市值等多个维度[51][52][60][62] * **因子具体构建过程**：报告附录提供了详细的因子分类和定义[60][62]，例如： * **价值因子 (↑)**：例如，市净率（BP_LR）定义为 $$BP\_LR = \frac{最新年报账面净资产}{最新市值}$$ [60] 预期市盈率（EP_FTTM）定义为 $$EP\_FTTM = \frac{未来12个月一致预期净利润}{最新市值}$$ [60] * **成长因子 (↑)**：例如，单季度净利润同比增速（NetIncome_SQ_Chg1Y）[60] * **质量因子 (↑)**：例如，预期净资产收益率（ROE_FTTM）定义为 $$ROE\_FTTM = \frac{未来12个月一致预期净利润}{股东权益均值}$$ [60] * **技术因子 (↓)**：例如，20日成交量与240日成交量均值之比（Volume_Mean_20D_240D）[62] * **反转因子 (↓)**：例如，20日收益率（Price_Chg20D）[62] * **波动率因子 (↓)**：例如，60日收益率标准差（Volatility_60D）[62] * **一致预期因子 (↑)**：例如，目标价180日收益率（TargetReturn_180D）[62] * **市值因子 (↓)**：例如，流通市值的对数（LN_MktCap）[60] * **因子评价**：不同因子在不同市场环境下表现各异，报告建议根据市场状况关注特定因子的配置机会[51] 2. **因子类别：可转债择券因子**[57] * **因子构建思路**：从正股相关因子和转债估值因子两个角度构建可转债择券因子[57] * **因子具体构建过程**： * **正股因子**：将预测正股表现的选股因子（如一致预期、价值、成长、财务质量）应用于可转债投资[57] * **转债估值因子**：使用平价底价溢价率作为估值因子[57] 因子的回测效果 1. **选股因子（上周表现 - 全部A股）**[52] * IC均值： * 反转因子：22.65%[52] * 价值因子：25.89%[52] * 技术因子：14.88%[52] * 波动率因子：24.30%[52] * 一致预期因子：3.00%[52] * 成长因子：-1.37%[52] * 质量因子：-0.08%[52] * 市值因子：-0.62%[52] * 多空收益： * 反转因子：1.34%[52] * 价值因子：1.97%[52] * 技术因子：2.24%[52] * 波动率因子：2.23%[52] * 一致预期因子：0.88%[52] * 成长因子：-0.18%[52] * 质量因子：-0.80%[52] * 市值因子：0.84%[52] 2. **可转债择券因子（上周表现）**[57] * 正股一致预期、正股价值和转债估值因子取得了正的IC均值[57]

根据提供的金融工程周报内容，以下是关于报告中涉及的量化模型和因子的总结。报告主要描述了市场表现和基金业绩，并未详细阐述具体的量化模型或因子构建方法。报告核心内容为对各类基金（如指数增强基金、量化对冲基金）业绩的统计和回顾[33][35]。 量化模型与构建方式 报告未详细描述具体的量化模型构建思路、过程或公式。 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。 量化因子与构建方式 报告未详细描述具体的量化因子构建思路、过程或公式。 因子的回测效果 报告未提供具体量化因子的回测效果指标。 基金业绩统计 报告对采用量化方法的公募基金进行了业绩统计，以下为相关基金类型的业绩表现[33][35]： **1. 指数增强型基金** - **本周超额收益中位数**: 0.24%[33][35] - **本年超额收益中位数**: 3.78%[33][35] **2. 量化对冲型基金** - **本周收益中位数**: -0.06%[33][35] - **本年收益中位数**: 0.68%[33][35] （注：报告未涉及量化模型或因子构建的具体方法论、公式或定性评价，主要内容为市场数据与基金业绩回顾。）

根据提供的金融工程报告，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.扩散指数行业轮动模型 - **模型名称**：扩散指数行业轮动模型[25] - **模型构建思路**：基于价格动量原理，选择具有向上趋势的行业进行配置[38] - **模型具体构建过程**：通过计算各行业的扩散指数来识别趋势方向，选择扩散指数排名靠前的行业作为投资组合。具体构建过程包括跟踪各中信一级行业的扩散指数值，并定期（如月度）根据指数排名进行行业轮动配置[27][30]。该模型的核心是捕捉行业的趋势性行情。 - **模型评价**：在趋势性行情中表现较好，但在市场风格从趋势转向反转时可能面临失效风险[26][38] 2.GRU因子行业轮动模型 - **模型名称**：GRU因子行业轮动模型[33] - **模型构建思路**：基于分钟频量价数据，通过GRU深度学习网络生成行业因子，把握交易信息[33][39] - **模型具体构建过程**：使用GRU（Gated Recurrent Unit）深度学习网络处理高频量价数据，生成各行业的GRU因子值。模型根据GRU因子排名进行行业配置，定期调整持仓[34][36]。GRU网络能够捕捉时间序列数据的长期依赖关系。 - **模型评价**：在短周期表现较好，对交易信息把握能力强，但在长周期表现一般，极端行情下可能失效[33][39] 模型的回测效果 1.扩散指数行业轮动模型 - 2025年以来超额收益：3.42%[25][30] - 2025年10月以来超额收益：-1.21%[30] - 本周超额收益：-0.85%[30] 2.GRU因子行业轮动模型 - 2025年以来超额收益：-5.40%[33][36] - 2025年10月以来超额收益：2.51%[36] - 本周超额收益：0.86%[36] 量化因子与构建方式 1.行业扩散指数因子 - **因子名称**：行业扩散指数[27] - **因子构建思路**：衡量行业价格趋势强度，数值越高代表向上趋势越强[27] - **因子具体构建过程**：通过对各行业价格数据进行特定计算得到扩散指数值，用于评估行业的趋势强度。截至2025年10月17日，扩散指数排名前六的行业为有色金属(0.979)、通信(0.931)、银行(0.929)、钢铁(0.849)、电子(0.833)、电力设备及新能源(0.816)[27] 2.GRU行业因子 - **因子名称**：GRU行业因子[34] - **因子构建思路**：基于深度学习技术从高频量价数据中提取行业特征[34] - **因子具体构建过程**：通过GRU神经网络处理分钟频量价数据，生成代表行业特征的因子值。截至2025年10月17日，GRU行业因子排名前六的行业为纺织服装(4.22)、综合(2.68)、交通运输(2.16)、钢铁(2.00)、电力及公用事业(1.84)和石油石化(1.08)[34] 因子的回测效果 1.行业扩散指数因子 - 本周环比提升较大的行业：消费者服务(+0.271)、煤炭(+0.251)、商贸零售(+0.127)[28][29] - 本周环比下降较大的行业：石油石化(-0.102)、汽车(-0.040)、建筑(-0.039)[28][29] 2.GRU行业因子 - 本周环比提升较大的行业：食品饮料、电力及公用事业、房地产[34] - 本周环比下降较大的行业：汽车、建筑、建材[34]

根据提供的金融工程周报内容，现对报告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**：上证科创板创新成长策略精选指数模型[13] * **模型构建思路**：该模型旨在落实“科创板八条”，从科创板上市公司中筛选出兼具科技创新能力和高成长性的证券作为指数样本，以反映此类公司的整体表现[13] * **模型具体构建过程**：模型选样过程综合考量传统因子和创新性评价体系： 1. 初步筛选：基于市值、基本面等传统因子[13] 2. 创新评价：融入浦发银行科创评价体系，该体系基于“科技创新力、团队创新力、股权创新力”三类指标，计算得出代表企业科创实力的综合得分[14] 3. 最终选样：从科创板各行业上市公司中，最终选取80只兼具创新“硬实力”与发展“高质量”的上市公司证券作为指数样本[13] 模型的回测效果 （报告中未提供该指数模型的具体回测指标数据） 量化因子与构建方式 1. **因子名称**：浦发银行科创评价因子[14] * **因子构建思路**：通过构建多维度指标体系，量化评估科技企业的科技创新实力[14] * **因子具体构建过程**：该因子是一个复合因子，其得分（设为 \( S_{tech} \) ）由三个子维度指标综合计算得出： $$ S_{tech} = f(I_{innovation}, I_{team}, I_{equity}) $$ 其中： * \( I_{innovation} \) 代表“科技创新力”指标得分 * \( I_{team} \) 代表“团队创新力”指标得分 * \( I_{equity} \) 代表“股权创新力”指标得分 * \( f \) 为具体的合成函数，将三个子维度得分汇总为最终的综合科创评价得分[14] 因子的回测效果 （报告中未提供该因子的独立测试结果数据）