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）

根据提供的研报内容，以下是关于量化模型和因子的总结。报告主要涉及对市场风格和因子的跟踪分析，而非构建新的量化模型或因子。报告内容侧重于对现有风格指数和因子的表现、拥挤度、估值等进行监测和解读。 量化因子与构建方式 1. **因子名称：动量因子（由“长江动量指数”表征）[25]** * **因子构建思路：** 该因子旨在捕捉A股市场中具有强势动量特征的股票表现。其构建逻辑是选择近期表现强势（高动量）且流动性好的股票[25]。 * **因子具体构建过程：** 指数以最近一年股票收益率减去最近一个月股票收益率（剔除涨停板）作为动量指标，综合选择A股市场中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]。 * **因子评价：** 该指数能够较好地表征A股市场中最具动量特征的股票的整体走势[25]。 2. **因子名称：反转因子（由“长江反转指数”表征）[26]** * **因子构建思路：** 该因子旨在捕捉A股市场中具有反转效应（即近期表现弱势的股票可能反弹）的股票表现[26]。 * **因子具体构建过程：** 指数以最近一个月股票收益率作为筛选指标，综合选择A股市场中反转效应强、流动性较好的前100只股票作为指数成分股，并采用成分股近三个月日均成交量进行加权[26]。 * **因子评价：** 该指数旨在准确表征我国A股市场各阶段高反转特征个股的整体表现[26]。 3. **因子名称：风格拥挤度因子[36][119]** * **因子构建思路：** 该因子用于衡量特定风格（如成长、红利、小盘等）的交易热度或拥挤程度，以判断其配置风险与机会[36][119]。 * **因子具体构建过程：** 将各风格指数的近n个交易日的日均换手率在历史时间序列上进行z-score标准化，并与万得全A的标准化结果作差，最后计算该差值的滚动y年历史分位值[119]。 * 具体参数：n取63（近一个季度），滚动窗口为6年（历史数据量满1年且不足6年时，以全部历史数据进行计算）[119]。 * **因子评价：** 拥挤度分位值越高，表明该风格交易越拥挤，潜在风险可能越大；分位值越低，则表明该风格关注度较低，可能蕴含机会[36]。 4. **因子名称：风格超额净值因子[120]** * **因子构建思路：** 该因子用于衡量特定风格指数相对于市场基准（万得全A）的长期累计超额收益表现[120]。 * **因子具体构建过程：** 以2016年1月4日为基准日，计算各风格指数及万得全A指数的累计净值。将各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，得到各风格指数相对于万得全A指数的累计超额净值[120]。 5. **因子名称：机构调研活跃度因子[101][121]** * **因子构建思路：** 该因子用于衡量不同板块、行业或指数受到机构投资者关注的程度[101][121]。 * **因子具体构建过程：** 将板块（指数、行业）的近n个交易日的“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，并与万得全A的标准化结果作差得到“机构调研活跃度”，最后计算该活跃度的滚动y年历史分位数[121]。 * **长期口径参数：** n取126（近半年），滚动窗口为6年[121]。 * **短期口径参数：** n取63（近一季度），滚动窗口为3年[121]。 6. **因子名称：股债性价比因子（ERP）[69]** * **因子构建思路：** 该因子用于衡量权益资产相对于债券资产的估值吸引力，即风险溢价[69]。 * **因子具体构建过程：** 计算公式为： $$指数erp = 1/指数PE\_TTM – 10年期中债国债到期收益率$$ [69] 然后计算该ERP值在历史序列中的分位数。 因子的回测效果 1. **动量因子（长江动量指数）** * 近一周收益率：-5.3%[25] * 近一月收益率：-8.5%[25] * 年初至今收益率：25.4%[25] * 相对反转因子的超额收益（动量-反转）：近一周 -0.5%，近一月 -4.1%，年初至今 17.3%[25] 2. **反转因子（长江反转指数）** * 近一周收益率：-4.8%[25] * 近一月收益率：-4.5%[25] * 年初至今收益率：8.1%[25] 3. **成长因子（国证成长指数）** * 近一周收益率：-4.6%[25] * 近一月收益率：-0.8%[25] * 年初至今收益率：22.9%[25] * 相对红利因子超额收益（成长-红利）：近一周 -5.3%，近一月 -3.1%，年初至今 22.6%[25] * 当前拥挤度历史分位：41%（处于历史均衡位置）[36] 4. **红利因子（中证红利指数）** * 近一周收益率：0.7%[25] * 近一月收益率：2.3%[25] * 年初至今收益率：0.3%[25] * 当前拥挤度历史分位：45%（处于历史均衡位置）[36] 5. **小盘因子（巨潮小盘指数）** * 近一周收益率：-5.0%[25] * 近一月收益率：-2.7%[25] * 年初至今收益率：21.5%[25] * 相对大盘因子超额收益（小盘-大盘）：近一周 -3.1%，近一月 -3.1%，年初至今 6.7%[25] * 当前拥挤度历史分位：57%（处于历史均衡位置）[36] 6. **大盘因子（巨潮大盘指数）** * 近一周收益率：-1.9%[25] * 近一月收益率：0.4%[25] * 年初至今收益率：14.8%[25] * 当前拥挤度历史分位：100%（处于历史极高位置）[36] 7. **微盘股因子（万得微盘股指数）** * 近一周收益率：-1.5%[25] * 近一月收益率：0.2%[25] * 年初至今收益率：56.9%[25] * 相对基金重仓因子超额收益（微盘股-基金重仓）：近一周 2.2%，近一月 0.7%，年初至今 33.1%[25] * 当前拥挤度历史分位：5%（处于历史极低位置）[36] 8. **基金重仓因子（基金重仓指数）** * 近一周收益率：-3.7%[25] * 近一月收益率：-0.4%[25] * 年初至今收益率：23.8%[25] * 当前拥挤度历史分位：98%（处于历史极高位置）[36] 模型或因子指标取值总结 （本报告未提供传统意义上的量化模型回测指标，如夏普比率、信息比率(IR)、最大回撤等。所提供的“回测效果”主要为不同时间窗口的收益率和相对超额收益，以及拥挤度的历史分位数。）

根据研报内容，以下是涉及的量化模型和因子的总结： 量化模型与构建方式 1. **模型名称**：央国企高分红30组合[11] **模型构建思路**：聚焦于具有"稳健+成长"风格的央国企，通过高分红特征进行选股[11] **模型具体构建过程**：从央国企股票池中，选取30只高分红股票构建投资组合[11] 2. **模型名称**：攻守兼备红利50组合[11] **模型构建思路**：在红利策略基础上兼顾进攻和防守特性[11] **模型具体构建过程**：选取50只股票构建组合，平衡收益与风险[11] 3. **模型名称**：电子均衡配置增强组合[11] **模型构建思路**：在电子行业内进行均衡配置，实现风险分散[11] **模型具体构建过程**：在电子板块内多维度选股，实现组合的均衡配置[11] 4. **模型名称**：电子板块优选增强组合[11] **模型构建思路**：聚焦迈入成熟期的电子细分赛道龙头企业[11] **模型具体构建过程**：在电子板块内，优选各成熟细分行业的龙头公司构建组合[11] 模型的回测效果 1. **攻守兼备红利50组合**：2025年年初以来相对中证红利全收益超额约4.27%[18]，在红利类基金产品中绝对收益分位约44%[18] 2. **电子板块优选增强组合**：周度相对电子行业指数超额约1.92%[27]，周度收益在科技类基金产品中绝对收益分位约28%[27] 主动量化策略方法论 **构建思路**：遵循"自上而下"的选股逻辑，透过洞察和提炼行业、主题核心要点和逻辑，为量化模型输入清晰的选股思路[10] **构建价值**：有助于从海量基本面因子库内更高效地筛选出合理有效的选股因子，从而更为精准地定位赛道内潜力标的和主题高契合个股，同时也是对行业、主题逻辑的一层阶段性检验[10]

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：A股大盘择时模型** - **模型构建思路**：从估值、情绪、资金、技术四个维度对万得全A指数进行整体方向性判断，各维度日频发出信号，综合判断多空观点[9] - **模型具体构建过程**：四个维度每日信号取值为0、±1，分别代表看平、看多、看空[9]；估值和情绪维度采用反转逻辑，刻画市场均值回归特征；资金和技术维度采用趋势逻辑，刻画市场趋势延续特征[9]；以各维度得分之和的正负性作为大盘多空观点依据[9]；具体指标包括：估值维度-股权风险溢价(ERP)[15]；技术维度-布林带、个股涨跌成交额占比差[15]；资金维度-融资买入额[15]；情绪维度-期权期货指标(期权沽购比、期权隐含波动率、期货会员持仓比)[15] **2 模型名称：红利风格择时模型** - **模型构建思路**：结合中证红利相对中证全指的动量、10Y-1Y期限利差和银行间质押式回购成交量三者的趋势进行择时[17] - **模型具体构建过程**：三个指标从趋势维度日频发出信号，每日信号取值为0、+1、-1[17]；以各维度得分之和的正负性作为红利风格多空观点依据[17]；当模型看好红利风格时全仓持有中证红利，不看好时全仓持有中证全指[17]；具体指标逻辑：中证红利相对中证全指的动量为红利风格正向指标[21]；10Y-1Y期限利差为红利风格负向指标[21]；银行间质押式回购成交量为红利风格正向指标[21] **3 模型名称：大小盘风格择时模型** - **模型构建思路**：采用基于拥挤度分域的趋势模型进行择时，根据拥挤度状态选择不同参数的双均线模型判断趋势[22] - **模型具体构建过程**：以沪深300指数和万得微盘股指数为大小盘风格代表[22]；首先计算大小盘风格拥挤度得分：动量之差-计算万得微盘股指数与沪深300指数的10/20/30/40/50/60日动量之差，进一步计算各窗长动量之差的3.0/3.5/4.0/4.5/5.0年分位数的均值，对6个计算窗长下分位数最高的3个结果取均值作为小盘风格的动量得分，对分位数最低的3个结果取均值作为大盘风格的动量得分[26]；成交额之比-计算万得微盘股指数与沪深300指数的10/20/30/40/50/60日成交额之比，进一步计算各窗长成交额之比的3.0/3.5/4.0/4.5/5.0年分位数的均值，对6个计算窗长下分位数最高的3个结果取均值作为小盘风格的成交量得分，对分位数最低的3个结果取均值作为大盘风格的成交量得分[26]；将小盘风格的动量得分和成交量得分取均值得到小盘风格拥挤度得分，大于90%视为触发高拥挤；将大盘风格的动量得分和成交量得分取均值得到大盘风格拥挤度得分，小于10%视为触发高拥挤[26]；若最近20个交易日中曾触发过高拥挤，视为运行在高拥挤区间，采用小参数双均线模型；否则运行在低拥挤区间，采用大参数双均线模型[24] **4 模型名称：遗传规划行业轮动模型** - **模型构建思路**：采用遗传规划技术直接对行业指数的量价、估值等特征进行因子挖掘，每季度末更新因子库，周频调仓选出多因子综合得分最高的五个行业进行等权配置[29] - **模型具体构建过程**：底层资产为32个中信行业指数[29]；采用双目标遗传规划，使用|IC|和NDCG@5两个指标同时评价因子的分组单调性和多头组表现[32]；在NSGA-II算法加持下挖掘兼具分组表现单调、多头表现优秀的行业轮动因子[32]；对于挖掘得到的备选因子，结合贪心策略和方差膨胀系数，将共线性较弱的多个因子合成为行业得分[33]；最新一期权重最高的因子基于单行业阻力支撑位构建，具体计算过程：在过去25个交易日中，计算周度标准化最低价和月度标准化开盘价的协方差，记作变量A[37]；在过去15个交易日中，对周度标准化最高价开展zscore标准化，取标准化后大于2.0的日期，对A进行反转即乘以-1后，计算这15个交易日A之和[37] **5 模型名称：中国境内全天候增强组合** - **模型构建思路**：采用宏观因子风险预算框架，选取增长超预期/不及预期、通胀超预期/不及预期四种宏观风险源作为平价对象，在四象限风险平价基础上基于宏观预期动量的观点主动偏配看好象限[38] - **模型具体构建过程**：构建分为三步：宏观象限划分与资产选择-选择增长和通胀维度，根据是否超预期划分为四象限，结合"定量+定性"方式确定各象限适配资产[41]；象限组合构建与风险度量-象限内资产等权构建子组合，注重刻画象限的下行风险[41]；风险预算模型确定象限权重-每月底根据"象限观点"调整象限风险预算进行主动偏配，"象限观点"由宏观预期动量指标给出，该指标综合考虑资产价格交易的"买方预期动量"和经济指标预期差体现的"卖方预期差动量"[41]；模型月频调仓，10月配置观点为超配"增长超预期"象限和"通胀超预期"象限[5] 模型的回测效果 **1 A股大盘择时模型** - 今年以来扣费后收益：37.73%[2] - 同期万得全A涨跌幅：21.64%[2] - 超额收益：16.10%[2] - 上周超额收益：3.45%[2] - 回测区间年化收益：24.97%[14] - 最大回撤：-28.46%[14] - 夏普比率：1.16[14] - Calmar比率：0.88[14] **2 红利风格择时模型** - 今年以来收益：19.53%[17] - 同期基准收益：12.94%[17] - 超额收益：6.59%[17] - 回测区间年化收益：15.71%[20] - 最大回撤：-25.52%[20] - 夏普比率：0.85[20] - Calmar比率：0.62[20] **3 大小盘风格择时模型** - 今年以来收益：64.58%[24] - 同期基准收益：38.08%[24] - 超额收益：26.50%[24] - 回测区间年化收益：26.01%[27] - 最大回撤：-30.86%[27] - 夏普比率：1.08[27] - Calmar比率：0.84[27] **4 遗传规划行业轮动模型** - 今年以来绝对收益：39.41%[4] - 跑赢行业等权基准：19.56pct[4] - 回测区间年化收益：33.33%[32] - 年化波动：17.89%[32] - 夏普比率：1.86[32] - 最大回撤：-19.63%[32] - 卡玛比率：1.70[32] **5 中国境内全天候增强组合** - 今年以来绝对收益：10.74%[5] - 夏普比率：2.33[5] - 最大回撤：2.67%[5] - 卡玛比率：5.38[5] - 月度胜率：100%[5] - 回测区间年化收益：11.66%[42] - 年化波动：6.18%[42] - 夏普比率：1.89[42] - 最大回撤：-6.30%[42] - 卡玛比率：1.85[42] 量化因子与构建方式 **1 因子名称：遗传规划挖掘的行业轮动因子** - **因子构建思路**：采用遗传规划技术直接从行业指数的量价、估值等数据挖掘因子，不再依托逻辑设计行业打分规则[32] - **因子具体构建过程**：底层输入变量包括收盘价原始值、开盘价原始值、最高价原始值、最低价原始值、成交额原始值、换手率原始值等原始数据，以及标准化处理后的各类技术指标[36]；最新一期权重最高的因子表达式为：ts_grouping_deczscorecut_torch(ts_covariance_torch(wlow_st, mopen_st, 25), whigh_st, 15, 2.0, 2)，训练集IC为0.081，训练集NDCG@5为0.350，因子权重29.4%[36]

量化模型与因子总结 量化模型与构建方式 1. AI主题指数轮动模型 **模型构建思路**：使用全频段量价融合因子对主题指数进行打分，构建周频调仓的指数轮动策略[3][6] **模型具体构建过程**： 1. 主题指数池：根据Wind的ETF基金分类，选取主题ETF基金跟踪的指数形成主题指数池，共有133个主题指数[9] 2. 因子：使用全频段量价融合因子，通过主题指数成分股的因子得分对每个主题指数进行打分[9] 3. 策略规则：每周最后一个交易日选择模型得分最高的10个主题指数等权配置，以下周第一个交易日开盘价买入，周频调仓，交易成本为双边万分之四[9] 2. AI概念指数轮动模型 **模型构建思路**：使用全频段量价融合因子对概念指数进行打分，构建周频调仓的指数轮动策略[11][13] **模型具体构建过程**： 1. 概念指数池：选取Wind热门概念指数，共有72个概念指数[15] 2. 因子：使用全频段量价融合因子，通过概念指数成分股的因子得分对每个概念指数进行打分[15] 3. 策略规则：每周最后一个交易日选择模型得分最高的10个概念指数等权配置，以下周第一个交易日开盘价买入，周频调仓，交易成本为双边万分之四[15] 3. AI行业轮动模型 **模型构建思路**：使用全频段量价融合因子对行业进行打分，构建自下而上的周频行业轮动策略[4][16] **模型具体构建过程**： 1. 行业池：主要为一级行业，其中食品饮料拆成食品、饮料和酒类，有色金属拆成工业金属、贵金属和稀有金属，不考虑综合和综合金融，共有32个行业[23] 2. 因子：使用全频段量价融合因子，通过行业成分股的因子得分对每个行业进行打分[23] 3. 策略规则：每周最后一个交易日选择模型得分最高的5个行业等权配置，以下周第一个交易日收盘价买入，周频调仓，不计交易成本[23] **模型评价**：能够利用AI模型的特征提取能力，充分挖掘多频段量价数据中的规律，与自上而下策略形成互补[16] 4. AI中证1000增强组合 **模型构建思路**：基于全频段融合因子构建中证1000指数的增强组合[1][27] **模型具体构建过程**： 1. 因子：全频段融合因子[29] 2. 组合构建方式：成分股权重不低于80%，个股权重偏离上限为0.8%，barra暴露小于0.3，周双边换手率控制为30%，周频调仓，交易费用为双边千分之四[29] 5. 文本FADT_BERT选股组合 **模型构建思路**：基于盈利预测调整场景下的文本因子构建主动量化选股组合[32] **模型具体构建过程**：对盈利预测调整场景下的文本因子进行升级，构建了forecast_adjust_txt_bert因子，并基于该因子的多头端基础股票池进行增强，构建top25的主动量化选股组合[32] 量化因子与构建方式 1. 全频段量价融合因子 **因子构建思路**：通过深度学习模型融合高频和低频量价数据信息[26] **因子具体构建过程**： 1. 首先用深度学习模型训练27个高频因子，得到高频深度学习因子[26] 2. 接着利用多任务学习对低频量价数据进行端到端挖掘，得到低频多任务因子[26] 3. 最后将高频深度学习因子和低频多任务因子合成为全频段融合因子[26] 2. 文本FADT_BERT因子 **因子构建思路**：在盈利预测调整场景下对文本因子进行升级[32] **因子具体构建过程**：对盈利预测调整场景下的文本因子进行升级，构建了forecast_adjust_txt_bert因子[32] 模型的回测效果 1. AI主题指数轮动模型 年化收益率16.76%，年化超额收益率10.61%，超额收益最大回撤20.79%，超额夏普比率0.82，今年以来收益率24.22%[8] 2. AI概念指数轮动模型 年化收益率23.06%，年化超额收益率10.78%，超额收益最大回撤19.48%，超额夏普比率0.91，今年以来收益率25.27%，今年以来超额收益率-0.98%[13] 3. AI行业轮动模型 年化收益率26.55%，年化超额收益率20.18%，超额收益最大回撤12.43%，超额夏普比率1.96，今年以来收益率23.70%，今年以来超额收益率1.52%[22] 4. AI中证1000增强组合 年化收益率20.19%，年化波动率23.47%，夏普比率0.86，最大回撤33.08%，年化超额收益率22.09%，年化跟踪误差6.07%，超额收益最大回撤7.55%，信息比率3.64，Calmar比率2.92，相对基准月胜率79.81%，调仓双边换手率32.60%[30] 5. 文本FADT_BERT选股组合 自2009年初回测以来年化收益率39.96%，相对中证500超额年化收益30.76%，组合夏普比率1.39[32] 因子的回测效果 1. 全频段量价融合因子 5日RankIC均值0.116，TOP层年化超额收益率29.98%，今年以来TOP层超额收益率16.97%[26] 2. 文本FADT_BERT因子 截至2025年10月17日，文本FADT_BERT组合本月以来绝对收益-2.29%，相对中证500超额收益3.06%，今年以来绝对收益20.49%，超额收益-2.04%[32]

根据提供的研报内容，以下是关于港股医药类指数的总结。报告主要对比了多个港股医药类指数及其跟踪ETF的情况，并未涉及具体的量化模型或量化因子的构建与分析。因此，总结将聚焦于报告中详细描述的指数。 量化因子与构建方式 报告内容未涉及量化因子的构建思路、过程或评价。 量化模型与构建方式 报告内容未涉及量化模型的构建思路、过程或评价。 指数的回测效果 1. **国证港股通创新药指数 (987018.CNI)** * 跟踪ETF总规模：341.32亿元[7][12] * 2025年收益率：87.47%[12] * 2024年收益率：-10.50%[12] * 2023年收益率：-22.80%[12] * 2022年收益率：-25.60%[12] * 2021年收益率：-21.59%[12] * 2020年收益率：88.80%[12] 2. **港股创新药指数 (931787.CSI)** * 跟踪ETF总规模：226.36亿元[7][12] * 2025年收益率：94.16%[12] * 2024年收益率：-10.80%[12] * 2023年收益率：-19.33%[12] * 2022年收益率：-20.63%[12] * 2021年收益率：-11.74%[12] * 2020年收益率：48.88%[12] 3. **中证港股通创新药指数 (931250.CSI)** * 跟踪ETF总规模：50.44亿元[12] * 2025年收益率：94.34%[12] * 2024年收益率：-14.40%[12] * 2023年收益率：-19.91%[12] * 2022年收益率：-23.26%[12] * 2021年收益率：-7.25%[12] * 2020年收益率：25.47%[12] 4. **恒生生物科技指数 (HSBIO.HI)** * 跟踪ETF总规模：75.66亿元[12] * 2025年收益率：83.07%[12] * 2024年收益率：-15.75%[12] * 2023年收益率：-23.98%[12] * 2022年收益率：-18.70%[12] * 2021年收益率：-27.79%[12] * 2020年收益率：51.55%[12] 5. **恒生医疗保健指数 (HSHCI.HI)** * 跟踪ETF总规模：72.22亿元[12] * 2025年收益率：75.22%[12] * 2024年收益率：-18.93%[12] * 2023年收益率：-24.52%[12] * 2022年收益率：-19.34%[12] * 2021年收益率：-29.63%[12] * 2020年收益率：41.85%[12] 6. **恒生港股通创新药及医疗保健指数 (HSSCHI.HI)** * 跟踪ETF总规模：33.60亿元[12] * 2025年收益率：88.57%[12] * 2024年收益率：-18.20%[12] * 2023年收益率：-21.63%[12] * 2022年收益率：-12.92%[12] * 2021年收益率：-32.34%[12] * 2020年收益率：30.72%[12] 7. **恒生港股通创新药指数 (HSSCID.HI)** * 跟踪ETF总规模：32.98亿元[12] * 2025年收益率：84.51%[12] * 2024年收益率：-12.83%[12] * 2023年收益率：-18.19%[12] * 2022年收益率：-19.31%[12] * 2021年收益率：-13.26%[12] * 2020年收益率：28.78%[12] 8. **恒生港股通创新药精选指数 (HSSCPB.HI)** * 跟踪ETF总规模：22.11亿元[12] * 2025年收益率：87.81%[12] * 2024年收益率：-14.16%[12] * 2023年收益率：-19.76%[12] * 2022年收益率：-16.48%[12] * 2021年收益率：-22.72%[12] 9. **恒生创新药指数 (HSIDI.HI)** * 跟踪ETF总规模：15.26亿元[12] * 2025年收益率：85.99%[12] * 2024年收益率：-16.01%[12] * 2023年收益率：-25.56%[12] * 2022年收益率：-19.04%[12] * 2021年收益率：-17.68%[12] * 2020年收益率：32.96%[12] 10. **港股通医疗主题指数 (932069.CSI)** * 跟踪ETF总规模：5.19亿元[12] * 2025年收益率：65.54%[12] * 2024年收益率：-25.08%[12] * 2023年收益率：-32.92%[12] * 2022年收益率：-15.99%[12] * 2021年收益率：-28.26%[12] * 2020年收益率：67.58%[12] 因子的回测效果 报告内容未提供量化因子的测试结果。

根据提供的量化周报内容，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 模型名称：三维择时框架** - 模型构建思路：基于流动性、分歧度和景气度三个维度对市场状态进行判断[7] - 模型具体构建过程：通过监控流动性趋势（下行）、分歧度趋势（上行）和景气度趋势（稳中有升）三个维度的变化，综合判断市场处于震荡下跌状态[7] **2 模型名称：热点趋势ETF策略** - 模型构建思路：根据K线形态和换手率筛选短期市场关注度提升的ETF构建组合[28] - 模型具体构建过程：首先选出最高价与最低价同时为上涨形态的ETF；然后根据最高价与最低价近20日回归系数的相对陡峭程度构建支撑阻力因子；最后选择因子多头组中近5日换手率/近20日换手率最高（即短期市场关注度明显提升）的10只ETF构建风险平价组合[28] **3 模型名称：资金流共振策略** - 模型构建思路：结合融资融券资金流和主动大单资金流，选择两类资金都看好的行业[37] - 模型具体构建过程：定义行业融资融券资金因子为barra市值因子中性化后的融资净买入-融券净买入（个股加总），取最近50日均值后的两周环比变化率；定义行业主动大单资金因子为行业最近一年成交量时序中性化后的净流入排序，并取最近10日均值；在主动大单因子的头部打分内做融资融券因子的剔除，以提高策略稳定性[37] 模型的回测效果 **1 三维择时框架**：保持震荡下跌判断[7] **2 热点趋势ETF策略**：本周策略中主要包括家电、半导体、有色、国央企、石化、碳中和等行业、以及上证深证宽基等ETF[31] **3 资金流共振策略**：2018年以来费后年化超额收益13.5%，信息比率1.7，相对北向-大单共振策略回撤更小；策略上周超额收益录得正向超额收益，实现2.37%的绝对收益与4.96%的超额收益（相对行业等权）[37] 量化因子与构建方式 **1 因子名称：风格因子（Barra风格因子）** - 因子构建思路：采用Barra框架下的经典风格因子进行市场风格分析[41] - 因子具体构建过程：包括size（市值）、beta（贝塔）、momentum（动量）、volatility（波动率）、nlsize（非线性市值）、value（价值）、liquidity（流动性）、earnings yield（盈利收益率）、growth（成长）、leverage（杠杆）等因子[42] **2 因子名称：Alpha因子** - 因子构建思路：多维度观察不同因子的表现趋势，从各时间维度、宽基指数和行业板块等角度分析因子表现[43] - 因子具体构建过程：除规模因子外，均进行市值、行业中性化处理，规模因子进行行业中性化处理；按照流通市值加权测算不同大类因子的多头收益（因子方向下前1/5组）[43] 因子的回测效果 **1 风格因子近期表现**： - size因子：本年-23.40%，最近一月4.72%，最近一周1.39%[42] - beta因子：本年27.16%，最近一月2.83%，最近一周2.63%[42] - momentum因子：本年-3.08%，最近一月-0.40%，最近一周0.51%[42] - volatility因子：本年-18.85%，最近一月0.80%，最近一周0.39%[42] - nlsize因子：本年-18.02%，最近一月2.02%，最近一周0.98%[42] - value因子：本年-4.53%，最近一月-1.25%，最近一周-1.35%[42] - liquidity因子：本年-10.35%，最近一月0.52%，最近一周1.13%[42] - earnings yield因子：本年-10.40%，最近一月0.84%，最近一周-0.50%[42] - growth因子：本年-0.45%，最近一月4.73%，最近一周1.51%[42] - leverage因子：本年-9.29%，最近一月2.38%，最近一周-0.64%[42] **2 Alpha因子近期表现**： - 机构持仓类因子：io to float a share近一周多头超额1.33%，近一月3.68%[46] - 动量类因子：mom 1y 1m近一周多头超额0.94%，近一月1.79%[46] - 成长类因子：tot rd ttm to assets在不同宽基指数中表现稳健，在沪深300中多头超额22.36%，中证500中19.16%，中证1000中22.48%，中证800中26.49%[48]

根据研报内容，经过全面梳理，本报告主要涉及市场技术分析，未明确构建或测试具体的量化模型或量化因子。报告内容聚焦于对主要指数和行业板块的走势研判[6][7][10][11][14][15][18][19][22][23][26][27][30][31][34][35][38][39][42][43][45]，以及主题股票的表现统计[43]。 因此，本报告中未涉及需要总结的量化模型或量化因子相关内容。

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：利率价量多周期择时模型**[10][21][24] * **模型构建思路**：基于核回归算法捕捉利率趋势形态，刻画利率数据的支撑线和阻力线，根据不同投资周期下利率走势的形态突破情况，给出多周期复合择时观点[10][24] * **模型具体构建过程**： * 使用核回归算法对利率（YTM）时间序列进行平滑处理，以识别趋势并生成支撑线和阻力线[10] * 在长周期（平均切换频率为月度）、中周期（平均切换频率为双周度）和短周期（平均切换频率为周度）三个不同时间尺度上，分别判断当前利率是否向上突破阻力线或向下突破支撑线[10][21] * 综合三个周期的突破信号生成最终择时观点：当三个周期中有至少两个周期发出同向突破信号（例如，两个或以上周期为向下突破），且利率趋势非反向时，则产生明确的看多或看空信号；否则信号为中性[10][21][24] * 对于美国市场，模型逻辑类似，但最终信号会结合近期信号历史进行微调，例如“中性偏多”的判断[21] 2. **模型名称：利率多周期交易策略**[24][29] * **模型构建思路**：将上述利率价量多周期择时信号转化为具体的久期配置策略，通过在不同信号下超配或低配不同久期的债券组合来获取超额收益[24] * **模型具体构建过程**： * **投资标的**：根据模型久期偏好选择不同久期的债券指数[24] * 短久期：综合债1-3 (CBA00121) * 中久期：综合债3-5 (CBA00131) * 长久期：根据基础YTM期限对应选择（5年期YTM模型对应综合债5-7 (CBA00141)，10年期对应综合债7-10 (CBA00151)，30年期对应综合债10以上 (CBA00161)）[24] * **组合构建规则**[24][29]： * 看多信号（长久期）：当短、中、长周期中，有至少2个周期下的利率形态向下突破支撑线，且利率趋势非向上时，满配长久期；当条件满足但利率趋势向上时，配置1/2中久期+1/2长久期 * 看空信号（短久期）：当短、中、长周期中，有至少2个周期下的利率形态向上突破阻力线，且利率趋势非向下时，满配短久期；当条件满足但利率趋势向下时，配置1/2中久期+1/2短久期 * 中性信号：其余时间三种久期等权配置 * **业绩基准**：久期等权策略，即1/3短久期 + 1/3中久期 + 1/3长久期[29] * **止损方式**：当单日组合超额收益小于-0.5%时，调整持仓为等权配置[29] 量化因子与构建方式 1. **因子名称：利率水平结构因子**[7] * **因子构建思路**：从收益率曲线中提取出代表整体利率水平的信息[7] * **因子具体构建过程**：将1至10年的国债到期收益率（YTM）数据通过特定方法（报告中未明确给出具体公式，但提及是转化）计算出一个综合读数，用以衡量利率市场的整体水平[7] 2. **因子名称：利率期限结构因子**[7] * **因子构建思路**：从收益率曲线中提取出代表期限利差的信息[7] * **因子具体构建过程**：基于1至10年国债YTM数据，通过特定方法计算出一个代表长短期利差水平的读数[7] 3. **因子名称：利率凸性结构因子**[7] * **因子构建思路**：从收益率曲线中提取出代表曲线凸性程度的信息[7] * **因子具体构建过程**：基于1至10年国债YTM数据，通过特定方法计算出一个代表收益率曲线弯曲程度（凸性）的读数[7] 模型的回测效果 1. **基于5年期国债YTM价量的多周期交易策略**[25][37] * 长期年化收益率：5.5% (2007.12.31至今) * 长期最大回撤：2.88% * 长期收益回撤比：1.91 * 长期超额收益率（相对久期等权基准）：1.07% * 长期超额收益回撤比：0.62 * 短期年化收益率（2024年底以来）：1.86% * 短期最大回撤：0.59% * 短期收益回撤比：3.16 * 短期超额收益率：0.85% * 短期超额收益回撤比：2.17 * 逐年绝对收益胜率（2008年以来）：100% * 逐年超额收益胜率（2008年以来）：100% 2. **基于10年期国债YTM价量的多周期交易策略**[28][37] * 长期年化收益率：6.09% (2007.12.31至今) * 长期最大回撤：2.74% * 长期收益回撤比：2.22 * 长期超额收益率（相对久期等权基准）：1.66% * 长期超额收益回撤比：1.16 * 短期年化收益率（2024年底以来）：2.42% * 短期最大回撤：0.58% * 短期收益回撤比：4.19 * 短期超额收益率：1.55% * 短期超额收益回撤比：3.53 * 逐年绝对收益胜率（2008年以来）：100% * 逐年超额收益胜率（2008年以来）：100% 3. **基于30年期国债YTM价量的多周期交易策略**[33][37] * 长期年化收益率：7.38% (2007.12.31至今) * 长期最大回撤：4.27% * 长期收益回撤比：1.73 * 长期超额收益率（相对久期等权基准）：2.42% * 长期超额收益回撤比：0.87 * 短期年化收益率（2024年底以来）：3.11% * 短期最大回撤：0.92% * 短期收益回撤比：3.39 * 短期超额收益率：2.87% * 短期超额收益回撤比：3.28 * 逐年绝对收益胜率（2008年以来）：94.44% * 逐年超额收益胜率（2008年以来）：94.44% 因子的回测效果 （报告中未提供利率水平、期限、凸性结构因子的独立回测绩效指标）

根据提供的研报内容，总结其中涉及的量化模型与因子如下。 量化模型与构建方式 1. **模型名称：价格分段体系**[17] * **模型构建思路**：该模型用于对市场价格走势进行多时间维度的划分和识别，以判断当前市场所处的趋势阶段[17] * **模型具体构建过程**：模型通过分析上证综指的日线和周线级别的价格数据，识别出不同时间尺度下的价格分段结果，从而判断市场趋势是上行、下行还是震荡[17][20] 2. **模型名称：微观市场结构择时模型**[18] * **模型构建思路**：通过监测“知情交易者活跃度”这一指标，来捕捉市场内部具有信息优势的交易者的行为变化，从而对市场短期走势进行判断[18] * **模型具体构建过程**：报告未详细描述该指标的具体计算方法，但指出其变化与市场走势同步，可用于判断市场情绪和资金动向[18][21] 3. **模型名称：基金仓位估算模型**[4][15] * **模型构建思路**：该模型旨在估算公募主动权益基金在不同板块（如TMT）的持仓比例，以监测机构资金的配置情况和市场拥挤度[4][15] * **模型具体构建过程**：报告未给出具体的构建公式和过程，但展示了模型的应用结果，例如估算出公募基金对TMT板块的累计持仓占比[4][15] 4. **模型名称：交易拥挤度模型**[4][15] * **模型构建思路**：该模型用于衡量特定板块或资产的交易热度是否处于极端水平，通常使用历史分位数来评估当前交易的拥挤程度[4][15] * **模型具体构建过程**：报告未给出具体的构建公式，但说明了其应用方式，即计算板块拥挤度在滚动3年历史数据中的分位数，例如90%分位以上表示交易非常拥挤[4][15] 5. **因子名称：分析师行业景气预期因子**[22] * **因子构建思路**：基于分析师一致预测数据，构建反映行业基本面景气度变化的因子，包括预期净资产收益率（ROE）和预期净利润增速的变化[22] * **因子具体构建过程**：因子计算涉及申万一级行业对应的两个指标： 1. 一致预测滚动未来12个月ROE的环比变化率。 2. 一致预期净利润滚动未来12个月增速（FTTM）的环比变化率[22][23] * **因子评价**：该因子可用于追踪行业基本面的边际改善或恶化情况[22][23] 6. **因子名称：融资融券净买入因子**[24] * **因子构建思路**：通过监测各行业融资融券资金的净流入/流出情况，构建反映杠杆资金偏好的因子[24] * **因子具体构建过程**：因子值为行业维度本周的融资净买入额与融券净卖出额的差值，即：$$期间净买入额 = 融资净买入额 - 融券净卖出额$$[24][26] 该因子按行业计算，取值单位为亿元[24][26] 7. **因子名称：BARRA风格因子**[27] * **因子构建思路**：采用国际通用的BARRA风险模型框架，从多个维度（如价值、成长、动量、质量、波动率等）刻画市场的风格偏好和股票收益来源[27] * **因子具体构建过程**：报告列出了多个BARRA风格因子，但未详细描述每个因子的具体计算公式。涉及的因子包括：换手、财务杠杆、盈利波动、盈利质量、盈利能力、投资质量、长期反转、EP价值、BP价值、成长、动量、非线性市值、市值、波动率、贝塔（近诺）、股息率等[27][28] * **因子评价**：该系列因子体系成熟，能全面解析市场风格收益，有助于进行风险控制和风格配置[27][28] 模型的回测效果 （报告中未提供相关量化模型的具体回测指标数值） 因子的回测效果 1. **BARRA风格因子**[27][28] * **因子名称**：换手；**本周收益**：-0.6% * **因子名称**：财务杠杆；**本周收益**：-0.1% * **因子名称**：盈利波动；**本周收益**：0.2% * **因子名称**：盈利质量；**本周收益**：-0.1% * **因子名称**：盈利能力；**本周收益**：-0.5% * **因子名称**：投资质量；**本周收益**：0.2% * **因子名称**：长期反转；**本周收益**：0.0% * **因子名称**：EP价值；**本周收益**：0.0% * **因子名称**：BP价值；**本周收益**：-0.1% * **因子名称**：成长；**本周收益**：0.0% * **因子名称**：动量；**本周收益**：-0.4% * **因子名称**：非线性市值；**本周收益**：-0.6% * **因子名称**：市值；**本周收益**：-0.5% * **因子名称**：波动率；**本周收益**：0.7% * **因子名称**：贝塔（近诺）；**本周收益**：-1.0% * **因子名称**：股息率；**本周收益**：0.3%