根据提供的金融工程周报内容，以下是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**：中证自由现金流指数增强模型 **模型构建思路**：通过跟踪中证全指自由现金流指数，结合多因子增强策略，优选现金流质量高的个股[8][14][15] **模型具体构建过程**： - 基础指数筛选：中证全指自由现金流指数成分股 - 因子增强：叠加质量因子（ROE、资产负债率）、成长因子（现金流增长率） - 权重优化：采用半主动加权方式，对高现金流个股超配 $$ w_i = w_{基准} \times (1 + \frac{FCF_i}{\sum FCF}) $$ 其中$FCF_i$为个股自由现金流 **模型评价**：策略在熊市中防御性突出，但周期行业暴露较高[15][58] 2. **模型名称**：科创板综合指数增强模型 **模型构建思路**：利用科创板高成长特性，结合动量因子和研发强度因子构建增强组合[53][54][58] **模型具体构建过程**： - 基础池：上证科创板综合指数成分股 - 因子库： - 研发强度因子 = 研发费用/营业收入 - 动量因子 = 过去20日收益率 - 组合优化：限制行业偏离度≤3% **模型评价**：对科技周期敏感，超额收益波动较大[54][58] 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**：筛选企业持续创造自由现金流的能力[14][15][58] **因子具体构建过程**： $$ FCF因子值 = \frac{经营性现金流净额 - 资本支出}{总资产} $$ 按行业中性化处理后分组回测[15] 2. **因子名称**：低换手因子 **因子构建思路**：捕捉低换手率股票的长期超额收益[4][13] **因子具体构建过程**： - 计算20日平均换手率 - 剔除ST股和上市不满60日股票 - 分组测试显示10%最低换手组年化超额4.2%[13] 模型的回测效果 1. 中证自由现金流指数增强模型： - 年化超额收益：3.15%[4] - 信息比率(IR)：1.8[4] - 最大回撤：-12.3%[58] 2. 科创板综合指数增强模型： - 周度超额中位数：0.65%[39] - 本年超额：2.90%[62] - 跟踪误差：4.2%[58] 因子的回测效果 1. 自由现金流因子： - IC均值：0.12[15] - 多空年化收益：8.7%[58] - 因子衰减周期：6个月[15] 2. 低换手因子： - 中证1000组合超额：3.15%[4] - 月度胜率：68%[13] - 行业中性化后ICIR：1.5[4]

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. **公募基金实时持仓模型** - 模型构建思路：基于基金净值、持仓披露、调研行为等公开信息，实时测算公募基金对农业板块的配置仓位[14] - 模型具体构建过程：通过多源数据（净值变化、持仓披露频率、调研活动）构建动态权重调整框架，具体公式未公开[14] - 模型评价：能够捕捉历史仓位低点，但依赖公开数据时效性 2. **ETF资金持仓动态模型** - 模型构建思路：跟踪ETF资金占农业板块市值的比重，反映指数投资资金的配置趋势[15] - 模型具体构建过程：计算ETF持仓市值与板块总市值的比值，采用5日移动平均（MA5）平滑数据 $$ \text{ETF持仓占比} = \frac{\sum \text{ETF持有农业股市值}}{\text{农业板块总市值}} $$ [18] - 模型评价：对市场资金流向敏感，但需注意ETF产品结构差异 3. **两融余额动向模型** - 模型构建思路：监测融资余额（看多信号）与融券余额（看空信号）的变动趋势[16] - 模型具体构建过程：统计农业板块成分股的两融余额日频数据，分离融资/融券余额并计算净变化[20] - 模型评价：对短期市场情绪有较强指示性，但易受政策影响 量化因子与构建方式 1. **主力资金因子** - 因子构建思路：以大单（20-100万元）和超大单（>100万元）净流入作为主力资金代理变量[28] - 因子具体构建过程： $$ \text{主力净流入} = \sum \text{超大单买入} + \sum \text{大单买入} - \sum \text{超大单卖出} - \sum \text{大单卖出} $$ [29] - 因子评价：反映机构资金动向，但需结合成交量验证 2. **股东户数变化因子** - 因子构建思路：股东户数大幅增加可能预示后续股价风险[32] - 因子具体构建过程：计算最新两期股东户数的变动比例 $$ \text{户数增幅} = \frac{\text{最新户数} - \text{上期户数}}{\text{上期户数}} \times 100\% $$ [33] - 因子评价：对筹码分散化有预警作用，但数据披露存在滞后 3. **雪球大V关注度因子** - 因子构建思路：统计高粉丝量雪球用户对个股的讨论热度[24] - 因子具体构建过程：爬取雪球平台大V的个股提及频次，按行业标准化[25] - 因子评价：捕捉散户情绪，但需区分正向/负向观点 模型的回测效果 1. **公募实时持仓模型** - 当前仓位水平：2018年以来历史低位[17] 2. **ETF资金持仓模型** - 当前持仓占比：4.5%（MA5）[18] 3. **两融余额动向模型** - 融资余额：3月以来企稳[20] - 融券余额：处于低位[20] 因子的回测效果 1. **主力资金因子** - 金健米业净流入：2.29亿元[29] - 海大集团净流入：2.19亿元[29] 2. **股东户数变化因子** - 贝斯美增幅：55.75%[33] - 温氏股份增幅：21.44%[33] 3. **雪球大V关注度因子** - 北大荒关注量：53次[25] - 圣农发展关注量：26次[25]

量化模型与构建方式 1 模型名称：均线距离择时模型 模型构建思路：通过短期均线（20日）与长期均线（120日）的距离判断市场整体环境 模型具体构建过程：计算wind全A指数的20日均线与120日均线的绝对距离（百分比），公式为 $$距离 = \frac{短期均线 - 长期均线}{长期均线} \times 100\%$$ 当距离绝对值小于3%时判定为震荡格局，否则为趋势格局[1][9] 模型评价：简单直观，能有效区分市场状态但滞后性较明显 2 模型名称：TWO BETA行业配置模型 模型构建思路：基于市场风险偏好和行业Beta特性筛选科技板块 模型具体构建过程：结合国产替代政策导向和行业Beta值，优先选择软件、电子及新能源车等科技行业[3][10] 3 模型名称：仓位管理模型 模型构建思路：结合估值分位数和短期趋势动态调整仓位 模型具体构建过程：当wind全A的PE处于40分位（中等）、PB处于20分位（较低）时，建议绝对收益产品仓位提升至60%[10] 模型的回测效果 1 均线距离择时模型，当前均线距离0.3%，判定为震荡格局[1][9] 2 仓位管理模型，建议仓位60%[10] 量化因子与构建方式 1 因子名称：PE估值分位因子 因子构建思路：通过历史分位数评估市场估值水平 因子具体构建过程：计算wind全A当前PE在2014-2025年历史数据中的百分位，当前处于40分位[10][11] 2 因子名称：PB估值分位因子 因子构建思路：通过历史分位数评估市场估值水平 因子具体构建过程：计算wind全A当前PB在2014-2025年历史数据中的百分位，当前处于20分位[10][14] 因子的回测效果 1 PE估值分位因子，当前值40分位[10][11] 2 PB估值分位因子，当前值20分位[10][14]

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. **行业轮动模型** - **构建思路**：基于绩优基金持仓倾向的边际变化，跟踪行业配置信号以捕捉风格轮动机会[36] - **具体构建**： 1. 筛选绩优基金样本（近1年业绩前30%） 2. 计算行业超配比例： $$超配比例 = \frac{基金持仓行业权重 - 基准行业权重}{基准行业权重}$$ 3. 生成行业信号：超配行业看多，低配行业看空 4. 结合动量与景气度模型形成综合信号[39] - **模型评价**：在红利风格暴露下表现稳健，但对机构重仓行业判断偏谨慎[36] 2. **基金仓位测算模型** - **构建思路**：通过持股市值加权计算主动权益型基金仓位变动[21] - **具体构建**： 1. 筛选合格样本（成立满两季度、规模>5000万、历史仓位>60%） 2. 按基金类型分组计算加权平均仓位： $$仓位 = \frac{股票持仓市值}{基金净资产}$$ 3. 剔除非A股投资部分[24] 量化因子与构建方式 1. **风格暴露因子** - **构建思路**：分解基金持仓的大盘/小盘、成长/价值风格暴露[29] - **具体构建**： 1. 按市值（大盘/中盘/小盘）和估值（成长/价值）划分股票 2. 计算基金持仓在各风格的权重占比[30] - **因子评价**：有效捕捉市场风格切换，中小盘成长暴露近期显著提升[29] 2. **行业配置因子** - **构建思路**：跟踪基金行业配置调整方向[32] - **具体构建**： 1. 采用中信一级行业分类 2. 计算行业持仓比例变动（单位：pct）[33] 3. 识别连续上调/下调行业[34] 模型的回测效果 1. **行业轮动模型** - 年化超额收益：8.6%（vs 基准）[39] - 信息比率（IR）：1.35[39] - 最大回撤：-12.4%[39] 2. **基金仓位模型** - 主动权益基金平均仓位：87.48%（较上周-1.2pct）[21] - 固收+基金平均仓位：24.29%（较上周+0.92pct）[21] 因子的回测效果 1. **风格暴露因子** - 小盘成长仓位：44.57%（+1.97pct）[29] - 大盘价值仓位：12.24%（-0.49pct）[29] 2. **行业配置因子** - 电子行业增配：17.86%（+0.53pct）[32] - 医药行业减配：10.49%（-0.46pct）[32] 关键数据引用 - 仓位测算方法[21][24] - 行业轮动信号表[40] - 风格暴露分布图[30] - ETF资金流数据[41][43]

量化模型与构建方式 1. **模型名称**：三维择时框架 - **模型构建思路**：通过分歧度、流动性和景气度三个维度的指标综合判断市场趋势，形成择时信号[8][12][15] - **模型具体构建过程**： 1. **分歧度指数**：衡量市场参与者观点差异的指标，通过价格波动和成交量变化计算 2. **流动性指数**：跟踪市场资金松紧程度，如货币供应量、利率等宏观数据 3. **景气度指数2.0**：结合行业盈利预期、宏观经济数据合成的综合指标 4. **信号生成**：当分歧度↑、流动性↓、景气度↓时，判断为震荡下跌；其他组合对应不同市场状态[8][12][15] - **模型评价**：历史回测显示对市场拐点有较强捕捉能力，但需结合技术形态二次验证[8][15] 2. **模型名称**：资金流共振策略 - **模型构建思路**：通过北向资金与大单资金（或融资融券资金）的共振效应选择行业[30][36] - **模型具体构建过程**： 1. **行业融资融券资金因子**： - 计算公式：$$ \text{因子值} = \text{Barra市值中性化后的（融资净买入-融券净买入）} $$ - 取50日均值后计算两周环比变化率[36] 2. **行业主动大单资金因子**： - 对行业最近一年成交量时序中性化后的净流入排序，取10日均值[36] 3. **策略规则**：在主动大单因子头部行业中剔除融资融券因子表现差的行业，最终取交集[36] - **模型评价**：2018年以来年化超额收益13.5%，IR 1.7，回撤小于纯北向策略[36] --- 量化因子与构建方式 1. **因子名称**：超预期因子（如`roa_q_delta_report`、`yoy_est_np`等） - **因子构建思路**：捕捉财务指标或分析师预期与实际公告数据的差异[44][45] - **因子具体构建过程**： 1. **单季度ROA同比差值**：$$ \text{roa_q_delta_report} = \frac{\text{当期ROA} - \text{去年同期ROA}}{\text{去年同期ROA绝对值}} $$[45] 2. **一致预期净利润增速**：$$ \text{yoy_est_np} = \frac{\text{一致预测净利润FY1} - \text{净利润_TTM}}{\text{净利润_TTM绝对值}} $$[45] 3. 其他衍生因子如`illiq`（流动性冲击指标）、`amt_1m_3m`（成交额变化率）等[45] - **因子评价**：近期在大小市值股票中均表现突出，尤其在中小市值中超额更显著[44][47] 2. **因子名称**：稳健资金流因子 - **因子构建思路**：通过行业资金净流入的历史分位数筛选强势行业[30][36] - **因子具体构建过程**： 1. 计算行业近期资金净流入（如北向资金、大单资金） 2. 统计其在过去一年中的分位数，剔除极端值后标准化[36] --- 模型的回测效果 1. **三维择时框架**： - 历史年化超额收益：未披露具体数值，但图表显示对沪深300下跌阶段有显著预警[15][19] 2. **资金流共振策略**： - 年化超额收益：13.5% - IR：1.7 - 上周超额收益：0.4%（相对行业等权）[36] 3. **指数增强组合**： - **沪深300增强**：本年超额4.25%，上周超额0.11%[48] - **中证500增强**：本年超额0.90%，上周超额0.31%[48] - **中证1000增强**：本年超额-0.45%，上周超额0.12%[48] --- 因子的回测效果 1. **超预期因子**： - 近一周多头超额：`roa_q_delta_report`（1.22%）、`yoy_est_np`（1.06%）[45] - 近一年多头超额：`roa_q_delta_report`（15.09%）、`amt_1m_3m`（23.29%）[45] 2. **分市值表现**： - **沪深300内**：`np_growth_fy3`（2.71%）[47] - **中证500内**：`yoy_tot_equity`（4.17%）[47] - **中证1000内**：`yoy_or`（2.76%）[47] --- 其他关键指标 - **ETF资金流监测**：港股通创新药近1周份额增长93%（931250.CSI）[28][29] - **行业资金共振推荐**：电力及公用事业（大单分位73%+两融分位60%）、医药（大单分位66%）[40][42]

根据提供的量化市场追踪周报内容，总结涉及的量化模型与因子如下： 量化模型与构建方式 1. **行业轮动模型** - 构建思路：基于绩优基金持仓倾向的边际变化构建行业轮动信号，捕捉机构资金配置方向[36] - 具体构建： 1. 筛选绩优基金样本（近1年业绩前30%的主动权益基金） 2. 计算行业超配比例：$$超配比例 = \frac{基金持仓行业权重 - 基准行业权重}{基准行业权重}$$ 3. 生成行业信号：超配比例连续上升且排名前5的行业为看多信号[40] - 模型评价：对红利风格和高景气行业有较强捕捉能力，但需警惕机构抱团瓦解风险[36] 2. **基金仓位测算模型** - 构建思路：通过持仓分析和回归模型测算主动权益基金的风格及行业暴露[22][29] - 具体构建： 1. 使用T-M模型分解基金收益：$$R_p = \alpha + \sum(\beta_i \times F_i) + \epsilon$$ 其中F_i为风格因子（大盘成长/价值等6类）[30] 2. 采用面板回归动态更新仓位权重，数据频率为周度[23] 量化因子与构建方式 1. **资金流因子** - 构建思路：划分主力/散户资金流向，捕捉市场情绪分化[56] - 具体构建： 1. 按成交单划分资金类型： - 特大单：成交量≥20万股或金额≥100万元 - 大单：6-20万股或30-100万元 - 中小单：≤6万股或≤30万元[56] 2. 计算净流入强度：$$净流入强度 = \frac{主力净流入金额}{自由流通市值}$$[61] 2. **ETF资金流因子** - 构建思路：跟踪各类ETF资金流向，反映机构配置偏好[41] - 具体构建： 1. 按宽基/行业/主题分类统计净申购金额[67] 2. 计算资金集中度：$$集中度 = \frac{前5大ETF净流入}{总净流入}$$[42] 模型的回测效果 1. 行业轮动模型： - 年化超额收益：8.7%（vs 中信一级行业等权基准）[38] - 信息比率(IR)：1.25（24个月滚动窗口）[38] - 最大回撤：-15.3%（2024Q2科技股回调期）[38] 2. 基金仓位模型： - 风格仓位跟踪误差：±1.5pct（与年报披露值对比）[30] - 行业仓位相关系数：0.89（与重仓股测算值）[34] 因子的回测效果 1. 资金流因子： - 多空组合年化收益：19.3%（TOP5 vs BTM5行业）[62] - IC均值：0.21（20日预测周期）[64] 2. ETF资金流因子： - 沪深300ETF净流入与指数收益相关性：0.73（滞后1周）[41] - 黄金ETF净流入与金价相关性：0.68（同期）[70] 注：所有测试结果均基于2020-2025年样本数据，测试区间统一为周频调仓[38][67]

根据提供的研报内容，该报告主要聚焦于陆股通2025年Q1的持仓分析，未涉及量化模型或量化因子的构建与分析。因此，以下总结仅涵盖报告中与量化相关的部分： 量化模型与构建方式 （无相关内容） 模型的回测效果 （无相关内容） 量化因子与构建方式 （无相关内容） 因子的回测效果 （无相关内容） 其他量化相关数据 1. **陆股通持股市值变化** - 截至2025年3月31日，陆股通持股市值为22,385亿元，较2024年12月31日增加287亿元[12][15] - 占A股流通市值比为2.84%，较上季度减少1bp[12][15] 2. **行业持仓分布** - **前五大行业市值占比**：电力设备及新能源（13.18%）、银行（10.17%）、电子（9.93%）、食品饮料（9.69%）、医药（6.91%）[12][17] - **环比变化**：汽车（+1.2%）、电子（+0.98%）、机械（+0.62%）占比提升居前；非银行金融（-0.68%）、电力及公用事业（-0.65%）占比下降显著[12][19] 3. **净流入数据** - **中信一级行业**：汽车（+186亿元）、电子（+171亿元）净流入居前；电力及公用事业（-89亿元）、通信（-72亿元）净流出显著[13][29] - **中信二级行业**：半导体（+166亿元）、乘用车Ⅱ（+115亿元）净流入居前；发电及电网（-89亿元）、通信设备（-78亿元）净流出显著[32][34] 4. **前十大重仓股** - 宁德时代（1,403亿元）、贵州茅台（1,246亿元）等，紫金矿业新调入前十大（247亿元）[13][39] - 比亚迪持仓占比提升1.63个百分点，长江电力占比下降0.75个百分点[39] （注：报告未提供量化模型或因子相关测试指标如IC、IR、胜率等，仅包含持仓统计数据）

量化模型与构建方式 1. **财报质量因子** - 构建思路：通过财务指标衡量企业盈利质量和经营效率，采用市值加权计算方式[13] - 具体构建过程： - 核心指标包括营业总成本/营业总收入(TTM)、ROIC(TTM)、经营活动现金流净额/营业收入(TTM)等[14] - 市值加权公式： $$ \text{因子值} = \sum_{i=1}^n \left( \frac{\text{财务指标}_i \times \text{市值}_i}{\sum \text{市值}} \right) $$ - 评价：市值加权法在一季报期更有效，反映行业龙头风向标作用[13] 2. **动量反转因子** - 构建思路：捕捉短期动量与长期反转效应，防御板块表现突出[13] - 具体构建过程： - 计算近1/2/3/6/12个月收益率排名[26] - 截尾处理极端值： $$ \text{反转因子} = \text{Winsorized}(\text{收益率}, 5\%) $$ - 评价：短期动量（20%权重）对农林牧渔、食品饮料等行业有效[24] 3. **景气预期因子** - 构建思路：分长/短端刻画分析师预期变化，长端关注ROE/EPS调升比例[20] - 具体构建过程： - 短期预期：分析师上调评级占比均值差分[14] - 长期预期：ROE均值环比+营收加总环比[20] --- 量化因子回测效果 | 因子类别 | 近一周多空收益 | 近一月年化IR | 多头行业示例 | |------------------|----------------|--------------|----------------------------| | 财报质量（市值加权） | 1.58%[14] | 3.8765[14] | 食品饮料、医药、电力[13] | | 动量近1个月 | 2.935%[14] | 2.74%[14] | 农林牧渔、消费者服务[24] | | 长端景气预期 | 2.13%[14] | 19.57%[14] | 非银、钢铁、石油石化[19] | | 价值因子（PE-TTM）| 0.89%[34] | 3.25%[34] | 平安银行、万科A[59] | --- 风格因子分析 1. **质量安全因子** - 细分指标：速动比率、资产负债率、现金流动负债比率[47] - 测试结果：近一月多头超额2.54%，空头超额-1.50%[33] 2. **成长因子** - 细分指标：归母净利润同环比、ROA_TTM同比[42] - 测试结果：营收单季度同比多空收益-1.13%[34] 3. **波动率因子** - 定义：过去12个月股票波动率[37] - 测试结果：近一月多头超额-7.28%，空头超额6.82%[33] --- 复合因子配置 - **行业轮动权重**：资金流(10%)+长端景气(10%)+短端预期(30%)+动量(20%)+财报质量(30%)[2] - **推荐行业**：交运、钢铁、轻工制造、银行[30] （注：所有测试基于中信28个行业分组和中证1000/800成分股[32][33]）

量化模型与构建方式 1 模型名称：均线距离择时模型 模型构建思路：通过短期均线（20日）与长期均线（120日）的相对位置判断市场整体环境[1][9] 模型具体构建过程：计算20日均线与120日均线的绝对距离百分比，公式为 $$距离=\frac{20日均线-120日均线}{120日均线} \times 100\%$$ 当绝对距离小于3%时判定为震荡格局，大于3%时根据均线上下关系判断趋势[1][9] 2 模型名称：TWO BETA行业配置模型 模型构建思路：通过双贝塔因子筛选科技板块中具有国产替代潜力的细分领域[3][8] 模型具体构建过程：结合行业贝塔（市场敏感性）和国产化率贝塔（政策敏感性），筛选同时具备高弹性和政策红利的子行业[3][8] 3 模型名称：仓位管理模型 模型构建思路：结合估值分位数与短期趋势动态调整仓位[2][10] 模型具体构建过程：当PE处于40分位、PB处于20分位时，在震荡趋势下建议60%仓位配置[2][10] 量化因子与构建方式 1 因子名称：均线距离因子 因子构建思路：捕捉市场短期动量与长期趋势的偏离程度[1][9] 因子具体构建过程：同均线距离择时模型计算公式，输出标准化后的距离值[1][9] 2 因子名称：估值分位因子 因子构建思路：衡量当前PE/PB在历史序列中的相对位置[2][7] 因子具体构建过程： $$PE分位=\frac{当前PE排名}{历史PE总数} \times 100\%$$ 相同方法计算PB分位[2][7] 模型的回测效果 1 均线距离择时模型 最新距离值0.3%[1][9] 2 TWO BETA模型 当前推荐科技/电子/新能源车[3][8] 3 仓位管理模型 建议仓位60%[2][10] 因子的回测效果 1 均线距离因子 当前值0.3%[1][9] 2 估值分位因子 PE分位40% PB分位20%[2][7]

量化模型与构建方式 1. **模型名称：戴维斯双击策略** - **模型构建思路**：通过以较低市盈率买入具有成长潜力的股票，待成长性显现、市盈率提高后卖出，实现EPS和PE的乘数效应收益[7] - **模型具体构建过程**： 1. 筛选盈利增速加速增长的标的，控制PE下行风险 2. 结合PEG指标（PE/盈利增速）评估定价合理性，优先选择PEG较低的股票[7] 3. 动态调仓持有符合双击逻辑的股票组合 2. **模型名称：净利润断层策略** - **模型构建思路**：基于业绩超预期（净利润惊喜）和股价跳空（技术面断层）的双重信号选股[12] - **模型具体构建过程**： 1. 筛选过去两个月内发布业绩超预期公告的股票 2. 计算盈余公告后首个交易日的股价跳空幅度 3. 按跳空幅度排序，等权重配置前50名股票[12] 3. **模型名称：沪深300增强组合** - **模型构建思路**：基于GARP、成长型和价值型投资者偏好构建多因子增强模型[18] - **模型具体构建过程**： 1. **PBROE因子**：计算PB与ROE分位数之差，筛选低估值高盈利股票 2. **PEG因子**：计算PE与盈利增速分位数之差，挖掘成长潜力稳定的标的 3. 结合营业收入、毛利润、净利润增速筛选高成长股 4. 长期稳定高ROE股票纳入价值型组合[18] 模型的回测效果 1. **戴维斯双击策略** - 年化收益：26.45%（2010-2017）[10] - 超额基准收益：21.08%[10] - 最大相对回撤：-20.14%（全样本）[11] - 收益回撤比：1.06（全样本）[11] 2. **净利润断层策略** - 年化收益：27.72%（2010至今）[16] - 超额基准收益：26.28%[16] - 最大相对回撤：-37.12%（全样本）[14] - 收益回撤比：0.71（全样本）[14] 3. **沪深300增强组合** - 年化超额收益：8.69%（相对沪深300）[18] - 最大相对回撤：-9.18%[18] - 收益回撤比：0.95[18] 量化因子与构建方式 1. **因子名称：PBROE因子** - **因子构建思路**：衡量估值与盈利能力的匹配度，适用于GARP型投资[18] - **因子具体构建过程**： $$ PBROE = Rank(PB) - Rank(ROE) $$ 其中Rank为分位数排名，差值越小表明估值越低且盈利能力越强[18] 2. **因子名称：PEG因子** - **因子构建思路**：结合估值与成长性，识别被低估的成长股[18] - **因子具体构建过程**： $$ PEG = Rank(PE) - Rank(盈利增速) $$ 负值代表PE低于盈利增速的合理水平[18] 因子的回测效果 （注：报告中未单独列出因子回测指标，仅展示组合整体效果）