根据研报内容，总结如下： 量化模型与构建方式 1. 模型名称：报告解读智能体；模型构建思路：利用Coze平台构建能够自动解读金融报告的智能体，通过插件获取报告内容并调用大模型进行分析[28]；模型具体构建过程：在智能体编辑页面输入描述语句生成提示词，新建工作流编辑任务流程，使用文件读取插件提取文档内容及公式结构，配置大语言模型节点定义输出逻辑与格式规范[28][30]；模型评价：能够准确解读报告内容并呈现重要公式，提升报告分析效率[31] 2. 模型名称：财务数据分析智能体；模型构建思路：构建能够从网页或插件获取财务数据并用大模型进行分析的智能体[35]；模型具体构建过程：通过代码处理节点拼接网页URL，信息爬取节点实时获取财报数据，输入DeepSeek大模型节点进行综合分析[38]，或通过新浪财经插件获取数据后输入大模型分析[45][47]；模型评价：能够从多个维度生成财务分析和投资建议[39][48] 3. 模型名称：研报总结智能体；模型构建思路：构建能够爬取多篇策略研报并用大模型进行分析总结的智能体[52]；模型具体构建过程：使用插件爬取html代码，循环节点处理多条内容，大模型节点提取相关内容并写入飞书多维表格[52][55]，添加代码节点将JSON字符串转换为JavaScript对象[69]；模型评价：实现用自然语言从html代码中提取内容，节省编写代码的工作[69] 量化因子与构建方式 1. 因子名称：财务分析因子；因子构建思路：从财务数据中提取关键指标作为因子[35]；因子具体构建过程：通过爬取或插件获取归母净利润、营业总收入、营业成本、净利润、扣非净利润、股东权益合计、商誉、经营现金流量净额、基本每股收益、每股净资产、每股现金流、净资产收益率、总资产报酬率、毛利率等指标[36] 2. 因子名称：研报分析因子；因子构建思路：从策略研报中提取关键信息作为因子[52]；因子具体构建过程：通过爬取获取报告标题、内容、机构名称和链接等信息[55]，用大模型提取相关内容并分析总结[52] 模型的回测效果 1. 报告解读智能体，能够准确解读量化领域英文文献并呈现重要公式[31] 2. 财务数据分析智能体，能够从盈利能力、偿债能力、运营能力等维度生成分析[39][48] 3. 研报总结智能体，能够从多篇策略研报中提取关键信息并生成总结[52][60] 因子的回测效果 1. 财务分析因子，包含14个关键财务指标[36] 2. 研报分析因子，包含标题、内容、机构名称和链接等关键信息[55]

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称**：未明确提及具体量化模型名称 **模型构建思路**：研报主要跟踪基金市场动态和业绩表现，未详细描述量化模型的构建思路 **模型具体构建过程**：无具体构建步骤或公式 2. **因子名称**：未明确提及具体量化因子名称 **因子构建思路**：研报未详细描述量化因子的构建思路 **因子具体构建过程**：无具体构建步骤或公式 模型的回测效果 1. **主动量化产品** - 上周平均收益：0.00% - 年初至今平均收益：4.68%[21][25] 2. **量化对冲产品** - 上周平均收益：-0.01% - 年初至今平均收益：0.91%[21][25] 量化因子与构建方式 1. **因子名称**：未明确提及具体量化因子名称 **因子构建思路**：研报未详细描述量化因子的构建思路 **因子具体构建过程**：无具体构建步骤或公式 因子的回测效果 1. **指数增强型基金** - 上周相对基准超额收益最高：2.03%（银华中证全指医药卫生增强） - 年初至今相对基准超额收益最高：12.49%（中证2000增强ETF）[24][28] 2. **主动量化基金** - 上周净值增长率最高：7.28%（东吴智慧医疗量化策略A） - 年初至今净值增长率最高：33.94%（诺安多策略A）[24][28] 3. **量化对冲基金** - 上周净值增长率最高：0.69%（工银绝对收益A） - 年初至今净值增长率最高：3.95%（富国量化对冲策略三个月持有A）[24][28] 补充说明 - 研报中未提及具体的量化模型或因子构建细节，主要侧重于基金市场动态和业绩表现跟踪[6][21][25] - 部分量化产品的业绩表现数据可用于参考模型或因子效果[24][28]

量化模型与构建方式 1. **模型名称：成交量模型** - 模型构建思路：基于市场成交量变化判断短期市场情绪[10] - 模型具体构建过程：监测宽基指数成交量突破阈值（如20日均值），结合价格趋势确认信号[10] - 模型评价：对短期流动性敏感，但易受异常放量干扰[10] 2. **模型名称：低波动率模型** - 模型构建思路：利用波动率均值回归特性捕捉市场平静期[10] - 模型具体构建过程：计算指数历史波动率（如30日标准差），低于阈值时触发中性信号[10] 3. **模型名称：特征龙虎榜机构模型** - 模型构建思路：跟踪机构席位买卖行为预测资金流向[10] - 模型具体构建过程：统计龙虎榜机构净买入额占比，结合行业权重调整信号强度[10] 4. **模型名称：智能沪深300/中证500模型** - 模型构建思路：机器学习算法融合价量因子预测指数走势[10] - 模型具体构建过程：使用XGBoost集成技术指标（MACD、RSI）与资金流数据[10] 5. **模型名称：涨跌停模型** - 模型构建思路：通过涨停/跌停股比例衡量市场极端情绪[11] - 模型具体构建过程：计算全A股涨停家数占比，突破阈值触发看多信号[11] 6. **模型名称：长期动量模型** - 模型构建思路：捕捉指数12个月以上的趋势延续效应[12] - 模型具体构建过程：计算宽基指数年化收益率，高于无风险利率则看多[12] 7. **模型名称：A股综合兵器V3模型** - 模型构建思路：多因子耦合框架整合短中长期信号[13] - 模型具体构建过程：加权融合成交量（30%）、波动率（20%）、动量（50%）因子[13] 8. **模型名称：成交额倒波幅模型（港股）** - 模型构建思路：结合成交额与波动率倒数的中期趋势指标[14] - 模型具体构建过程：$$Signal = \frac{Turnover}{VIX_{10D}}$$，突破布林带上轨看多[14] 模型的回测效果 1. 成交量模型：周胜率62%，年化超额收益8.5%[10] 2. 智能沪深300模型：IR 1.2，最大回撤15.3%[10] 3. 涨跌停模型：月频IC 0.18，多头组合夏普比率1.8[11] 4. A股综合兵器V3模型：年化收益21.3%，信息比率2.1[13] 量化因子与构建方式 1. **因子名称：形态学因子（杯柄/双底）** - 因子构建思路：识别经典技术形态的突破信号[41][49] - 因子具体构建过程： - 杯柄形态：A点（左杯高点）→B点（杯底）→C点（右杯突破点），要求成交量在突破时放大[41] - 双底形态：A点（第一底）→B点（颈线）→C点（第二底突破），需满足形态长度>8周[49] - 因子评价：对中小市值股票更具显著性[41] 2. **因子名称：分析师预期调整因子** - 因子构建思路：捕捉盈利预测上调的alpha机会[18] - 因子具体构建过程：计算行业上调个股比例$$R_{up} = \frac{N_{up}}{N_{total}}$$，标准化后分层回测[18] 因子的回测效果 1. 杯柄形态因子：年化超额收益34.2%，胜率58.7%[41] 2. 双底形态因子：周频IC 0.15，组合年化夏普2.3[49] 3. 分析师预期因子：月度RankIC 0.21，多头组合IR 1.8[18]

根据研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 风格类风险因子 1. **Value因子** - 构建思路：衡量价值投资策略的有效性 - 具体构建：基于账面市值比（BP）和盈利收益率（EP）等指标 - 公式： $$ BP = \frac{净资产}{总市值} $$ $$ EP = \frac{归母净利润TTM}{总市值} $$ - 评价：市场对价值投资策略的认可度较高[10][12] 2. **Growth因子** - 构建思路：捕捉成长性股票的表现 - 具体构建：包括销售收入TTM的3年复合增速（Sales_growth）和净资产TTM的3年复合增速（Na_growth）[13] 3. **Volatility因子** - 构建思路：衡量股票波动性 - 具体构建：包括过去243天的标准波动率（Stdvol）和FF3特质波动率（Ivff）[13] 4. **Liquidity因子** - 构建思路：衡量股票流动性 - 具体构建：包括过去243天的平均对数换手率（TO）和流动性贝塔（Liquidity beta）[13] 5. **Trend因子** - 构建思路：捕捉趋势投资策略的表现 - 具体构建：基于EWMA（指数加权移动平均）计算趋势指标[13] 其他量化因子 1. **预期EPTTM因子** - 构建思路：基于分析师一致预期的滚动市盈率倒数 - 具体构建： $$ TTM\_FEP = \frac{一致预期滚动净利润}{总市值} $$ - 评价：在中证全指成分股中表现最佳[2][7] 2. **单季ROE因子** - 构建思路：衡量单季度净资产收益率 - 具体构建： $$ Quart\_ROE = \frac{单季净利润 \times 2}{期初净资产 + 期末净资产} $$ - 评价：在多个样本空间中表现突出[20][24][28] 3. **DELTAROE因子** - 构建思路：衡量净资产收益率的同比变化 - 具体构建： $$ Delta\_ROE = 单季ROE - 去年同期ROE $$ - 评价：在国证2000样本空间中表现显著[36][37] 4. **三个月UMR因子** - 构建思路：风险调整后的动量因子 - 评价：在创业板指样本空间中表现最佳[39][40] 因子回测效果 沪深300样本空间 - **高管薪酬因子**：最近一周收益0.91%，近一月收益1.78%[20] - **预期EPTTM因子**：最近一周收益0.85%，近一月收益0.80%[20] - **一个月反转因子**：最近一周收益-0.72%，近一月收益-1.83%[20] 中证500样本空间 - **单季ROE因子**：最近一周收益1.04%，近一月收益2.79%[24] - **单季营收同比增速因子**：最近一周收益1.02%，近一月收益3.23%[24] - **一个月反转因子**：最近一周收益-0.90%，近一月收益-0.34%[24] 中证1000样本空间 - **预期EPTTM因子**：最近一周收益1.23%，近一月收益1.86%[32] - **高管薪酬因子**：最近一周收益1.23%，近一月收益3.92%[32] - **三个月机构覆盖因子**：最近一周收益-0.61%，近一月收益-0.77%[32] 国证2000样本空间 - **一年动量因子**：最近一周收益3.13%，近一月收益6.05%[36] - **DELTAROE因子**：最近一周收益2.34%，近一月收益10.17%[36] - **预期PEG因子**：最近一周收益-2.95%，近一月收益-8.42%[36] 创业板指样本空间 - **三个月UMR因子**：最近一周收益7.07%，近一月收益6.61%[39] - **DELTAROA因子**：最近一周收益4.38%，近一月收益9.41%[39] - **标准化预期外盈利因子**：最近一周收益-3.85%，近一月收益-10.76%[39] 中证全指样本空间 - **预期EPTTM因子**：最近一周收益1.43%，近一月收益1.45%[44] - **3个月盈利上下调因子**：最近一周收益1.29%，近一月收益3.14%[44] - **一个月反转因子**：最近一周收益-1.23%，近一月收益-1.86%[44] 模型构建方式 1. **MFE组合构建模型** - 构建思路：最大化单因子暴露，同时控制行业和风格暴露 - 具体构建：通过线性规划求解，目标函数为最大化因子暴露，约束条件包括风格偏离、行业偏离、换手率等[59] - 公式： $$ \begin{array}{ll}max & f^{T}w \\ s.t. & s_{l}\leq X(w-w_{b})\leq s_{h} \\ & h_{l}\leq H(w-w_{b})\leq h_{h} \\ & w_{l}\leq w-w_{b}\leq w_{h} \\ & b_{l}\leq B_{b}w\leq b_{h} \\ & 0\leq w\leq l \\ & 1^{T}w=1 \\ & \Sigma|w-w_{0}|\leq to_{h}\end{array} $$ - 评价：适用于实际组合优化场景[59][60] 以上内容全面覆盖了研报中涉及的量化模型和因子，包括构建思路、具体过程、评价及测试结果。

量化模型与构建方式 1. **模型名称**：250日新高距离模型 - **模型构建思路**：通过计算当前收盘价与过去250日最高价的相对距离，衡量股票或指数接近历史高点的程度，用于捕捉市场趋势和动量效应[10] - **模型具体构建过程**： $$250\,日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，\(Closet\)为最新收盘价，\(ts\_max(Close,250)\)为过去250个交易日收盘价的最大值。若最新收盘价等于250日最高价，则距离为0；若回落，则距离为正值[10] - **模型评价**：基于经典动量理论，适用于趋势跟踪策略，但对市场反转信号不敏感 2. **模型名称**：平稳创新高股票筛选模型 - **模型构建思路**：结合分析师关注度、股价路径平稳性等多维度指标，从创新高股票中筛选具有持续动量的标的[23][25] - **模型具体构建过程**： - **筛选条件**： 1. 分析师关注度：过去3个月买入/增持评级研报≥5份[25] 2. 股价相对强弱：过去250日涨跌幅位于全市场前20%[25] 3. 股价平稳性： - 价格路径平滑性：计算位移路程比（过去120日涨跌幅绝对值 / 过去120日日涨跌幅绝对值加总）[23] - 创新高持续性：过去120日的250日新高距离时间序列均值[25] 4. 趋势延续性：过去5日的250日新高距离均值排序前50[25] 量化因子与构建方式 1. **因子名称**：250日新高距离因子 - **因子构建思路**：反映标的相对历史高点的位置，用于动量策略[10] - **因子具体构建过程**：同上述250日新高距离模型公式[10] - **因子评价**：简单直观，但需结合其他因子避免追高风险 2. **因子名称**：价格路径平滑性因子 - **因子构建思路**：通过位移路程比衡量股价波动平稳性，筛选平滑上涨的标的[23] - **因子具体构建过程**： $$位移路程比 = \frac{|过去120日涨跌幅|}{Σ|日涨跌幅|}$$ 比值越高表明价格路径越平滑[23] 模型的回测效果 1. **250日新高距离模型**： - 上证指数新高距离：3.23% - 中证2000新高距离：4.96% - 创业板指新高距离：19.86%[11][30] 2. **平稳创新高股票筛选模型**： - 筛选出42只股票，如胜宏科技（250日涨幅263%）、万辰集团（250日涨幅658%）[26][29] 因子的回测效果 1. **250日新高距离因子**： - 银行行业平均距离：0.88%（中信一级行业中排名前2）[12][30] - 医药行业创新高个股占比：24.95%（全行业最高）[18][21] 2. **价格路径平滑性因子**： - 筛选股票的平均位移路程比：0.82（高于全市场均值0.65）[23][29]

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. **模型名称：分红预测模型** - **模型构建思路**：基于上市公司分红信息（年报、快报、预警、分析师预测等）预测指数成分股分红对股指期货合约的影响[7][19][22] - **模型具体构建过程**： 1. **预估净利润**：按优先级采用年报>快报>预警>TTM净利润>分析师预测[22][23] 2. **计算税前分红总额**： - 已公布预案的直接采用 - 未公布预案的沿用历史分红率（若去年分红率>0） - 净利润为负则设分红率为0[26] 3. **计算指数影响**： $$股息点 = 股票权重 \times \left(\frac{税后分红总额}{最新市值}\right)$$ 权重动态调整公式： $$\mathrm{w_{it}={\frac{w_{i0}\times\mathrm{\scriptsize{\boldmath~(~1+R~)}~}}{\sum_{1}^{n}w_{i0}\times\mathrm{\scriptsize{\boldmath~(~1+R~)}~}}}}$$[24] 4. **预测合约影响值**： - 除权除息日预测：已公布的直接采用，未公布的参考历史时间差中位数[27][28] - 累加交割日前所有分红点数[28] - **模型评价**：需依赖历史分红率假设，市场突变时预测可能偏差[4][31] 2. **模型名称：股指期货定价模型** - **模型构建思路**：基于无套利原理计算含分红影响的期货理论价格[31][32] - **模型具体构建过程**： - **离散红利情况**： $$F_t = (S_t - D)(1 + r)$$ $$D = \sum_{i=1}^{m} D_i / (1 + \phi)$$ （D为红利现值，r为无风险利率）[31] - **连续红利情况**： $$F_t = S_t e^{(r - d)(T - t)}$$ （d为年化红利率）[32] --- 量化因子与构建方式 1. **因子名称：分红点数因子** - **因子构建思路**：量化分红对期货合约基差的直接影响[7][10][11][12][13] - **因子具体构建过程**： - 计算合约实际价差与含分红价差： $$含分红价差 = 实际价差 + 分红点数$$ - 年化对冲成本计算（剔除分红）： $$年化成本 = \left(\frac{实际价差}{收盘价}\right) \times \left(\frac{365}{合约剩余天数}\right)$$[10][11][12][13] 2. **因子名称：分红剩余影响因子** - **因子构建思路**：衡量分红对合约价格的未兑现影响比例[10][14] - **因子具体构建过程**： $$剩余影响比例 = \frac{分红点数}{收盘价} \times 100\%$$[10][14] --- 模型回测效果 1. **分红预测模型** - 上证50 6月合约分红点数预测：3.70点[7][10] - 沪深300 6月合约分红点数预测：4.71点[7][11] - 中证500 6月合约分红点数预测：10.68点[7][12] - 中证1000 6月合约分红点数预测：10.32点[7][13] 2. **股指期货定价模型** - 上证50 IH2506合约理论价差：-7.53点（实际-11.23点）[10] - 沪深300 IF2506合约理论价差：-3.07点（实际-7.78点）[11] --- 因子回测效果 1. **分红点数因子** - IH2507合约：分红点数46.89点，含分红价差-3.55点[10] - IC2509合约：分红点数41.13点，含分红价差-157.11点[12] 2. **分红剩余影响因子** - 上证50 6月合约剩余影响：0.14%[10][14] - 中证1000 6月合约剩余影响：0.17%[13][14] 3. **年化对冲成本（剔除分红）** - IH2506：14.67%（365天）[10] - IM2507：15.48%（365天）[13]

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称**：Black-Merton-Sholes模型 **模型构建思路**：用于期权定价，基于随机微分方程和布朗运动[12] **模型具体构建过程**： - 假设标的资产价格服从几何布朗运动 - 通过构建无风险套利组合推导出偏微分方程 - 最终定价公式为： $$C = S_0N(d_1) - Ke^{-rT}N(d_2)$$ 其中： $$d_1 = \frac{\ln(S_0/K) + (r + \sigma^2/2)T}{\sigma\sqrt{T}}$$ $$d_2 = d_1 - \sigma\sqrt{T}$$ **模型评价**：奠定了现代金融衍生品定价的理论基础[12] 2. **模型名称**：CRR（二叉树）期权定价模型 **模型构建思路**：通过离散化方法模拟标的资产价格路径[12] **模型具体构建过程**： - 将时间离散化为多个阶段 - 每个阶段资产价格以概率p上涨或下跌 - 通过反向递推计算期权价值 3. **模型名称**：Vasicek利率模型 **模型构建思路**：描述短期利率的随机过程[17] **模型具体构建过程**： - 假设利率服从均值回归过程： $$dr_t = a(b - r_t)dt + \sigma dW_t$$ - 用于固定收益证券定价 4. **模型名称**：马科维茨投资组合理论 **模型构建思路**：通过均值-方差分析优化资产配置[12] **模型具体构建过程**： - 计算资产预期收益和协方差矩阵 - 求解有效前沿： $$\min_w w^T\Sigma w \quad s.t. \quad w^T\mu = \mu_p, w^T\mathbf{1}=1$$ 5. **模型名称**：CAPM模型 **模型构建思路**：描述资产预期收益与系统风险的关系[12] **模型具体构建过程**： - 公式： $$E(R_i) = R_f + \beta_i(E(R_m) - R_f)$$ 量化因子与构建方式 1. **因子名称**：Smart Beta因子 **因子构建思路**：基于规则的非市值加权指数构建方法[27] **因子具体构建过程**： - 通过价值、质量、波动率等子因子加权 - 常见构建方法包括等权重、基本面加权等 2. **因子名称**：多因子选股模型 **因子构建思路**：结合多个阿尔法因子构建综合评分[31] **因子具体构建过程**： - 包括价值、动量、质量等因子库 - 通过因子标准化和加权得到综合得分 模型的回测效果 （注：原文未提供具体模型的回测指标数据） 因子的回测效果 （注：原文未提供具体因子的回测指标数据） 其他量化技术 1. **机器学习应用**： - 包括决策树、随机森林、SVM等传统方法[13] - 深度学习等复杂模型的应用[13] - 通过AI学习基金经理投资模式[13] 2. **量化策略类型**： - 股票多空策略[16] - CTA策略[16] - 宏观对冲策略[16] - 多策略组合[16] 以上内容总结自研报中关于量化理论和实践发展的历史回顾部分[12][13][16][17][27][31]，其中重点提取了具有明确构建方法的经典模型和因子。由于原文侧重行业发展综述，部分模型的详细参数和测试结果未予披露。

根据研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **因子名称：RSI相对强弱指标** - 因子构建思路：通过计算一定周期内平均涨幅和平均跌幅的比值，判断市场超买或超卖状态[2] - 因子具体构建过程： $$RSI = 100 - \frac{100}{1 + RS}$$ 其中RS为12天内平均涨幅与平均跌幅的比值。RSI>70为超买，RSI<30为超卖[2] - 因子评价：经典动量类指标，适用于短期趋势判断 2. **因子名称：日内行情趋势** - 因子构建思路：基于5分钟级别成交价绘制趋势图，标记当日最高/低价点[2] - 因子具体构建过程： - 提取5分钟级Tick数据 - 计算局部极值点（红点标记） - 生成价格波动通道[2] 3. **因子名称：净申购金额** - 因子构建思路：通过净值变化推算资金流动方向[2] - 因子具体构建过程： $$NETBUY(T) = NAV(T) - NAV(T-1) \times (1+R(T))$$ 其中NAV为ETF净值，R(T)为当日收益率[2] 因子回测效果 （注：原文未提供具体测试指标值，仅展示因子构建方法） 数据说明 - 数据频率：日频跟踪[2] - ETF分类标准：宽基指数（沪深300/中证500等）与主题指数（行业/风格）[2] - 基金池筛选：各类型中规模较大的ETF[2] - 特殊处理：新上市基金及QDII净值缺失值留空[3] 指标展示 - **RSI指标值范围**： - 科创50ETF最低（40.85-41.47）[4] - 红利低波动ETF最高（82.64）[6] - **净申购金额极值**： - 最大净流入：华夏沪港通恒生ETF（+13.49亿元）[6] - 最大净流出：国泰中证全指证券公司ETF（-6.01亿元）[6] 补充说明 - 机构持仓数据来自年报/半年报，剔除联接基金持有部分[3] - T+0交易标识用于区分跨境ETF品种[4][6]

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **封板率模型** - 模型构建思路：通过统计最高价涨停且收盘涨停的股票数与最高价涨停的股票数的比例，反映市场情绪[14] - 模型具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月以上的股票，计算当日封板率[14] - 模型评价：封板率提升表明市场情绪转强，可用于短线交易信号 2. **连板率模型** - 模型构建思路：通过统计连续两日收盘涨停的股票数与昨日收盘涨停的股票数的比例，反映市场持续性[14] - 模型具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 同样基于上市满3个月的股票样本[14] - 模型评价：连板率提升显示资金接力意愿增强 量化因子与构建方式 1. **股指期货年化贴水率因子** - 因子构建思路：通过计算股指期货主力合约与现货指数的基差年化值，反映市场预期与对冲成本[26] - 因子具体构建过程： $$年化贴水率=\frac{基差}{指数价格}×\frac{250}{合约剩余交易日数}$$ 涵盖上证50、沪深300、中证500和中证1000主力合约[26] - 因子评价：贴水率分位数可判断市场超卖/超买状态 2. **大宗交易折价率因子** - 因子构建思路：通过大宗交易成交价与市价的偏离度反映大资金动向[23] - 因子具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计近半年日均折价率与单日异常值[23] - 因子评价：折价率扩大可能预示机构调仓行为 模型的回测效果 1. 封板率模型： - 当日封板率72%，较前日提升9%[14] - 近一个月封板率均值65%[14] 2. 连板率模型： - 当日连板率32%，较前日提升4%[14] - 近一个月连板率中位数28%[14] 因子的回测效果 1. 股指期货年化贴水率因子： - 上证50年化贴水率14.05%（近一年13%分位）[26] - 中证1000年化贴水率23.83%（近一年9%分位）[26] 2. 大宗交易折价率因子： - 当日折价率5.81%，高于半年均值5.53%[23] - 半年日均成交金额13亿元，当日19亿元[23] 注：研报未涉及传统多因子模型（如价值/动量因子）或复合策略的具体构建，主要聚焦市场微观结构指标[14][23][26]

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. **均线比较模型** - 构建思路：通过比较指数收盘价与不同周期均线（MA5/10/20/60/120/250）的关系，判断市场趋势强度[14][15] - 构建过程：计算各宽基指数收盘价与均线的偏离百分比，公式为： $$偏离百分比 = \frac{收盘价 - 均线值}{均线值} \times 100\%$$ 例如上证50 vs MA20偏离-0.4%[15] - 评价：能有效反映短期与长期市场修复状态 2. **风险溢价模型** - 构建思路：以十年期国债即期收益率为基准，计算股票指数超额收益[28][29] - 构建过程： $$风险溢价 = 指数收益率 - 无风险利率$$ 统计近1年/5年分位值及波动率，如创业板指风险溢价80.08%处于近5年高位[30][31] - 评价：中证1000/2000波动率更大，反映小盘股风险特征[35] 3. **PE-TTM估值模型** - 构建思路：动态跟踪滚动市盈率及其历史分位[40][45] - 构建过程：计算当前PE-TTM与历史分布的偏离，如中证500当前29.37，超近1年均值+1σ标准差的1.45%[46] - 评价：中证500/1000估值处于危险值(>80%分位)，创业板指估值最低(27.27%分位)[45] 量化因子与构建方式 1. **换手率因子** - 构建思路：反映市场交易活跃度[18] - 构建过程： $$换手率 = \frac{\sum(成分股流通股本 \times 个股换手率)}{\sum(成分股流通股本)}$$ 如中证2000换手率4.16显著高于其他指数 2. **股息率因子** - 构建思路：衡量现金分红回报[50][51] - 构建过程：统计当前值及历史分位，创业板指股息率1.3%处于近5年88.6%高位[55] - 评价：高股息资产在市场下行期防御性突出 3. **破净率因子** - 构建思路：统计市净率<1的个股占比[57] - 构建过程：计算各指数破净个股比例，上证50破净率22%最高反映大盘股低估 模型回测效果 1. **均线模型** - 中证2000相对MA250偏离+17.6%[15] - 创业板指相对MA5偏离+0.6% 2. **风险溢价模型** - 沪深300风险溢价0.75%，超近1年均值2.08σ[32] - 中证1000波动率1.97%为大盘股1.6倍 3. **PE-TTM模型** - 中证1000PE-TTM 40.43，超危险值(80%分位)[46] - 创业板指PE-TTM 31.44，低于均值-1σ 因子回测效果 1. **换手率因子** - 中证2000换手率4.16 vs 上证50仅0.21[18] 2. **股息率因子** - 上证50股息率3.66%，超近1年均值7.39%[55] 3. **破净率因子** - 沪深300破净率17% vs 创业板指仅3%[57]