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[22] - **模型构建思路**：基于价格动量原理，通过计算行业的扩散指数来捕捉行业趋势，选择趋势向上的行业进行配置[37] - **模型具体构建过程**：模型通过计算各行业的扩散指数并进行排名，选择排名靠前的行业作为配置标的。截至2025年11月14日，扩散指数排名前六的行业为有色金属(0.991)、银行(0.968)、钢铁(0.949)、通信(0.918)、电力设备及新能源(0.914)、综合(0.885)[24]。模型进行月度轮动，2025年11月份建议配置的行业即为上述六个行业[27] - **模型评价**：该模型在趋势性行情下表现较好，但在市场风格从趋势转向反转时可能面临失效风险[37] 2. GRU因子行业轮动模型 - **模型名称**：GRU因子行业轮动模型[31] - **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，利用因子排名进行行业轮动[38] - **模型具体构建过程**：模型使用GRU深度学习网络处理分钟频量价数据，生成各行业的GRU因子值。根据因子值进行排名，选择排名靠前的行业进行配置。截至2025年11月14日，GRU行业因子排名前六的行业为综合(3.41)、房地产(2.63)、石油石化(2.13)、轻工制造(1.67)、钢铁(0.53)和综合金融(0.52)[32]。模型进行周度调仓，本周调入房地产，调出基础化工，当前配置行业为农林牧渔、电力及公用事业、房地产、交通运输、钢铁、石油石化[36] - **模型评价**：该模型在短周期表现较好，对交易信息把握能力强，但在长周期表现一般，且遭遇极端行情时可能失效[38] 模型的回测效果 1. 扩散指数行业轮动模型 - 本周平均收益：-1.26%[27] - 本周超额收益（相对于中信一级行业等权）：-1.99%[27] - 11月以来超额收益：-0.74%[27] - 2025年以来超额收益：1.84%[27] 2. GRU因子行业轮动模型 - 本周平均收益：1.72%[36] - 本周超额收益（相对于中信一级行业等权）：1.00%[36] - 11月以来超额收益：2.69%[36] - 2025年以来超额收益：-3.34%[36]

经过仔细审阅，该文档主要是一份关于ETF市场和主动/指数增强型基金的市场表现回顾与跟踪报告，其内容侧重于市场数据统计和基金产品业绩展示，并未涉及量化模型或量化因子的构建、测试与分析。 具体来说，报告内容主要包括： 1. ETF市场的一级市场资金流动情况和二级市场交易情况的数据统计[12][15] 2. 各类增强策略ETF和增强指数型基金的业绩表现跟踪，如超额收益率等指标[28][38][41] 3. 主动权益类基金的业绩排名和收益率统计[33][34][35][37] 4. 基金产品的发行与上市信息跟踪[29][30][31][32][43][44] 报告的核心是描述性统计和业绩汇总，并未阐述任何量化模型（如多因子模型、风险模型）或量化因子（如价值、动量、质量等因子）的构建思路、具体过程、公式或对其的理论评价。所有提及的“增强策略”均指已上市的基金产品名称或其投资策略类型，而非由报告作者构建并测试的量化模型或因子。 因此，根据任务要求，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可提供。报告内容集中于市场现状描述，而非量化分析方法论。

根据提供的金融工程日报内容，该报告主要描述了市场表现、情绪和资金流向等观察性指标，并未涉及具体的量化模型或量化因子的构建、测试与评价。报告内容属于市场数据统计和描述性分析范畴[1][2][3][5][6][8][11][12][15][17][20][21][24][26][28][30][33][34]。 因此，本次总结中**量化模型与构建方式**、**模型的回测效果**、**量化因子与构建方式**、**因子的回测效果**四个部分均无相关内容。

根据研报内容，本报告的核心是依据各宽基指数的官方编制规则，构建预测模型，对2025年12月的指数成分股调整进行预测。报告本身并未涉及传统的量化投资因子（如价值、动量等）或量化策略模型的构建与回测，其核心“模型”是指数成分股调整的预测框架。 量化模型与构建方式 1. **模型名称**：指数成分股调整预测模型[5][15][17][23][24][27][28][34] * **模型构建思路**：严格遵循各目标指数（沪深300、中证A500、科创50、中证500、创业板指）的官方编制方案，基于最新的市场数据（如市值、成交金额、行业分布等）进行系统性测算，以预测即将发生的成分股调入和调出名单[5][11][13][15][17][25][27][34] * **模型具体构建过程**： * **步骤一：确定样本空间**。根据指数编制规则，确定符合条件的股票池，通常要求剔除ST、*ST股票，并满足特定的上市时间要求[13] * **步骤二：应用选样方法**。 * **对于沪深300指数**：主要依据总市值排名。首先对样本空间内股票按过去一年日均总市值由高到低排名，原则上选取排名前300的证券作为样本[13] * **对于中证A500指数**：流程更为复杂。 1. 进行可投资性筛选，剔除中证ESG评价结果在C及以下的证券，并要求证券属于沪股通或深股通范围，且主板证券在所属中证三级行业内的自由流通市值占比不低于2%[13] 2. 在待选样本中，优先选取三级行业自由流通市值最大或总市值在样本空间内排名前1%的证券[13] 3. 在剩余待选样本中，按照中证一级行业，选取自由流通市值较大的证券，直至样本数量达到500只，并确保样本的一级行业自由流通市值分布与样本空间尽可能一致[13] * **对于科创50指数**：从科创板中选取市值大、流动性好的50只证券[24] * **对于中证500指数**：样本空间为剔除沪深300指数成分股及过去一年日均总市值排名前300的股票后，剩余股票中总市值排名靠前的500只[27] * **对于创业板指**：从创业板中选取流动性好、市值较大的100只股票，本次预测参考数据周期为过去半年[34] * **步骤三：应用缓冲区规则**。在调整时，为降低样本周转率，会设置缓冲区。例如，沪深300指数中，老样本在市值排名中位于前360名的优先保留；新样本排名前240名的优先纳入[13] * **步骤四：引入“历史落选股”剔除机制**。为提高预测稳健性，模型参考了历史调整数据。对于在过往定期调整中符合模型预测标准但最终未被纳入的股票（即“历史落选股”），在当前预测中暂不予考虑。不同指数的观察窗口不同： * **沪深300**：参考过往三次定期调整[15] * **中证A500**：参考此前两次定期调整，并将模型预测排名前250但未成功纳入的个股定义为“历史落选股”[17][19] * **科创50**：参考上一期调整结果[24] * **中证500**：参考上一轮调整结果[28] * **模型评价**：该预测框架基于公开规则和历史数据，具有较强的客观性和可重复性[5][15]；引入“历史落选股”机制旨在提升预测的稳健性，审慎处理历史回测中出现的异常情况[15][19][24][28] 模型的回测效果 （报告未提供预测模型本身的量化回测指标，如准确率、信息比率等。其效果通过预测名单本身和调整后的行业分布平衡性来体现。） * **沪深300预测模型**：预测华电新能、胜宏科技、宁波港等9支个股调入；TCL中环、纳思达、星宇股份等9支个股调出[16] * **中证A500预测模型**：预测国泰海通、领益智造、华大九天等33支个股调入；赛维时代、国机汽车、德方纳米等33支个股调出。模型测算显示，调整后指数样本与样本空间的一级行业自由流通市值占比高度接近，表明行业平衡约束有效[20][21][22][23] * **科创50预测模型**：预测诺诚健华-U、翱捷科技-U2支个股调入；航材股份、华熙生物2支个股调出[26] * **中证500预测模型**：预测北汽蓝谷、电投能源、申能股份等49支个股调入；坤彩科技、禾迈股份、兴齐眼药等49支个股调出[29][30][31][33][35] * **创业板指预测模型**：预测常山药业、惠城环保、罗博特科等8支个股调入；欧普康视、易华录、怡合达等8支个股调出[36] 量化因子与构建方式 （报告未涉及传统意义上的量化因子构建。） 因子的回测效果 （报告未涉及量化因子的回测效果。）

根据提供的ESG市场观察周报内容，该报告主要涉及市场动态、指数表现和事件追踪，并未包含具体的量化模型或量化因子的构建、测试与分析。报告内容聚焦于ESG相关政策新闻、市场数据回顾和舆情分析[1][2][3][4][5][6][7][8][9][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60]。 因此，本次总结无法提供关于量化模型或量化因子的名称、构建思路、具体过程、评价及测试结果。

根据提供的研报内容，以下是关于量化模型与因子的总结。报告主要涉及对宽基指数的多维度指标跟踪和分析，并未明确构建新的量化交易模型或选股因子，而是对一系列市场观测指标进行了计算和解读。 量化因子与构建方式 1. **因子名称**：风险溢价因子[25] * **因子构建思路**：以十年期国债即期收益率为无风险利率参考，计算各宽基指数相对于无风险利率的风险溢价，用以衡量其相对投资价值和偏离情况[25] * **因子具体构建过程**：风险溢价的计算公式为宽基指数的收益率减去十年期国债即期收益率。报告中展示了当前风险溢价值，并计算了其在近1年和近5年历史数据中的分位值，以判断当前估值水平。此外，还计算了近1年的均值、波动率（标准差），并比较了当前值与均值上下1倍及2倍标准差区间的偏离程度[26][27][28][29] 2. **因子名称**：市盈率（PE-TTM）因子[37] * **因子构建思路**：使用滚动市盈率作为估值参考，衡量各宽基指数在当前时点的投资价值[37] * **因子具体构建过程**：报告直接引用了各宽基指数的PE-TTM当前值。为了进行历史对比，计算了该当前值在近1年、近5年以及全历史数据中的分位值。同时，也计算了近1年的均值、波动率，并分析了当前值相对于均值上下1倍及2倍标准差的位置[38][39][40][41] 3. **因子名称**：股债性价比因子[43] * **因子构建思路**：将股票估值与债券收益率结合，通过比较股票收益率（PE-TTM的倒数）与十年期国债收益率的差值，来判断股票和债券的相对吸引力[43] * **因子具体构建过程**：股债性价比的计算公式为： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 报告通过图表展示了该因子的历史走势，并设定了参考线：近5年数据的80分位值（机会值）、20分位值（危险值）、均值以及均值±1倍标准差，用以判断当前市场位置[43] 4. **因子名称**：股息率因子[45] * **因子构建思路**：跟踪各宽基指数的股息率，反映现金分红回报率，作为红利投资风格的观测指标[45] * **因子具体构建过程**：报告列出了各宽基指数的股息率当前值。与PE-TTM因子类似，计算了该当前值在近1年、近5年及全历史数据中的分位值。也计算了近1年的均值、波动率，并分析了当前值相对于均值上下不同标准差区间的偏离百分比[45][48][50][51] 5. **因子名称**：破净率因子[52] * **因子构建思路**：通过计算宽基指数中市净率（PB）小于1的个股数量占比（破净率），来反映市场的整体估值态度和悲观情绪[52] * **因子具体构建过程**：破净率的计算公式为： $$破净率 = \frac{指数成分股中破净个股数量}{指数成分股总数}$$ 报告给出了各宽基指数在当前时点的具体破净率数值[52] 6. **因子名称**：均线相对位置因子[13][14] * **因子构建思路**：通过比较指数收盘价与不同周期移动平均线（MA）的位置关系，判断指数的短期、中期趋势强弱[13][14] * **因子具体构建过程**：计算了指数收盘价相对于5日、10日、20日、60日、120日、250日移动平均线的偏离百分比（(收盘价/MA - 1) * 100%）。例如，vsMA5 = (收盘价 / MA5 - 1) * 100%。报告根据计算结果判断指数是位于均线之上还是之下[14] 7. **因子名称**：价格相对位置因子[13][14] * **因子构建思路**：通过比较指数当前价格与近250个交易日最高价和最低价的相对位置，评估指数处于长期行情中的高位还是低位区间[13][14] * **因子具体构建过程**：计算了指数收盘价相对于近250日高位和低位的偏离百分比。公式为：vs近250日高位 = (收盘价 / 近250日高位 - 1) * 100%；vs近250日低位 = (收盘价 / 近250日低位 - 1) * 100%[14] 8. **因子名称**：收益分布形态因子（偏度与峰度）[23] * **因子构建思路**：通过分析指数日收益率的分布形态（偏度和峰度），了解收益分布的特征，例如是否对称、是否存在肥尾现象等[23] * **因子具体构建过程**：报告计算了各宽基指数近5年的峰度、偏度以及当前时点的峰度、偏度，并通过当前值与近5年值的差值（当前vs.近5年）来观察分布形态的变化。注明了峰度计算中减去了3（正态分布的峰度值）[23] 因子的回测效果 （注：本报告为市场数据跟踪报告，未提供基于历史数据的因子分层回测结果，如IC、IR、多空收益等。报告主要呈现了各因子在特定时点的截面数值或近期统计值，故本部分无相关内容。） 模型的回测效果 （注：本报告未涉及具体的量化交易模型构建与回测，故本部分无相关内容。）

根据研报内容，本报告主要涉及“打新收益测算模型”，不涉及量化因子。以下是总结： 量化模型与构建方式 1. **模型名称**：打新收益测算模型[10] **模型构建思路**：通过理论测算来评估不同类别（A类、B类）、不同规模账户参与网下打新的预期收益率[10][39][46] **模型具体构建过程**： * **基本假设**：假设账户参与所有新股（科创板、创业板、主板）打新，且报价全部入围；上市首日以市场均价（首次开板日均价）卖出，忽略锁定期限制；资金使用效率为90%[10][39][46] * **单只股票满中收益计算**： 1. 计算单只股票的满中数量：`满中数量 = 可申购上限额度 × 网下A类（或B类）平均中签率`[37] 2. 计算单只股票的满中收益：`满中收益 = (首次开板价 - 首发价格) × 满中数量`[37] * **账户总收益计算**：将测算时间段内（如逐月）所有新股的打新收益相加，得到账户在该时间段的总打新收益（单位：万元）[42][47] * **账户打新收益率计算**：`打新收益率 = 账户总打新收益 / 账户规模`[10][42][47] * **不同规模账户处理**：对于规模小于满中所需资金的账户，其单只股票收益按账户规模与申购上限额度的比例进行限制[41] 模型的回测效果 1. **打新收益测算模型（A类账户，2025年初至2025/11/14）**[10][42] * 2亿规模账户打新收益率：2.70% * 10亿规模账户打新收益率：0.98% 2. **打新收益测算模型（B类账户，2025年初至2025/11/14）**[10][47] * 2亿规模账户打新收益率：2.28% * 10亿规模账户打新收益率：0.75%

根据提供的研报内容，以下是关于量化模型和因子的总结。报告主要涉及两类模型：主动偏股基金仓位高频监控模型和REITs指数系列模型。 量化模型与构建方式 1. **模型名称：主动偏股基金仓位高频监控模型**[64] * **模型构建思路**：由于公募基金股票仓位披露频率低，该模型旨在通过定量方法对主动偏股基金的仓位进行相对高频的估算，并跟踪其行业配置动向[64]。 * **模型具体构建过程**：模型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。具体步骤包括： * 选择或构建一组资产序列作为自变量，这些自变量通常包括市场基准指数或代表不同行业/风格的指数序列。 * 采用带约束条件的多元回归模型，以基金净值序列为因变量，在选定的自变量组合中寻找基金仓位的最优估计结果。 * 通过构建各只基金的模拟组合来提升仓位估算的准确程度。 * 在估算整体仓位的基础上，进一步测算基金在各行业的配置偏好[64]。 2. **模型名称：REITs指数系列模型**[48] * **模型构建思路**：为投资者提供基于指数化投资思想的REITs资产配置工具，构建完整的REITs系列指数以综合反映REITs市场表现，并提供不同底层资产和项目类型的细分指数[48]。 * **模型具体构建过程**：报告构建了完整的REITs系列指数，包括综合指数、底层资产指数和细分项目指数。具体构建方法包括： * 考虑到REITs的高分红特性，均提供价格指数和全收益指数。 * 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。 * 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[48]。 模型的回测效果 1. **REITs指数系列模型**，截至2025年11月14日，主要指数业绩指标如下[50]： * REITs综合指数：本周收益0.87%，累计收益-1.72%，年化收益-0.39%，最大回撤-42.67%，夏普比率-0.18，年化波动10.53% * 产权类REITs指数：本周收益0.81%，累计收益15.02%，年化收益3.23%，最大回撤-45.00%，夏普比率0.13，年化波动12.85% * 特许经营权类REITs指数：本周收益1.00%，累计收益-19.64%，年化收益-4.84%，最大回撤-41.17%，夏普比率-0.69，年化波动9.14% * 保障性租赁住房REITs指数：本周收益1.51%，累计收益10.97%，年化收益2.39%，最大回撤-33.34%，夏普比率0.07，年化波动12.50% * 消费基础设施REITs指数：本周收益1.24%，累计收益51.27%，年化收益9.86%，最大回撤-9.89%，夏普比率0.78，年化波动10.75% 量化因子与构建方式 （报告未涉及具体的量化因子构建） 因子的回测效果 （报告未涉及具体的量化因子测试结果）

根据提供的ETF业绩跟踪及资金流动周报内容，报告主要涉及对各类ETF基金的资金流动和业绩表现进行统计与描述，并未涉及具体的量化模型或量化因子的构建、测试及评价。报告内容集中于市场数据的汇总展示，例如不同类别ETF的资金流入流出规模、周度涨跌幅、成交额等[2][4][6][10][12][13][14][16][17][22][23]。 因此，本总结中关于量化模型与构建方式、模型的回测效果、量化因子与构建方式、因子的回测效果部分均无相关内容可提供。

根据提供的研报内容，该报告主要是一份可转债市场的定期跟踪报告，侧重于市场行情、个券表现和条款跟踪的数据统计与展示，并未涉及具体的量化模型或量化因子的构建、测试与分析过程[1][2][4][7][19][42][43]。报告内容多为市场指数的涨跌幅、成交量、转股溢价率等描述性统计，以及基于Wind等第三方数据源提供的现成指数（如不同信用评级、价格、规模、策略的转债指数）的走势对比[22][23][25][27][29]。 因此，本总结将主要列出报告中提及的、可作为量化分析基础的市场指标和分类方法。 量化因子与构建方式 1. **因子名称**：转股溢价率[10][18][35] * **因子的构建思路**：衡量可转债价格相对于其转换价值的溢价程度，是评估可转债估值高低和股性强弱的核心指标[18]。 * **因子具体构建过程**：对于单只可转债，其转股溢价率的计算公式如下： $$转股溢价率 = \frac{可转债收盘价 - 转股价值}{转股价值}$$ 其中，转股价值的计算公式为： $$转股价值 = \frac{100}{转股价格} \times 正股收盘价$$ 报告中展示了全市场转股溢价率的中位数、算术平均数以及不同价格区间内个券转股溢价率的中位数[10][18][35]。 2. **因子名称**：可转债价格区间[35] * **因子的构建思路**：根据可转债的市场价格将其划分到不同的区间，用以观察不同价位转债的数量分布和估值特征[35]。 * **因子具体构建过程**：报告中将可转债按价格划分为六个区间：小于100元、100-110元、110-120元、120-130元、130-140元、大于140元，并统计了每个区间内的个券数量及占比[35]。 3. **因子名称**：可转债分类（信用评级/价格/规模/策略）[22][23][25][27][29] * **因子的构建思路**：基于第三方数据（Wind）提供的分类指数，从信用评级、价格水平、发行规模、投资策略等不同维度对可转债市场进行划分，以观察各类别转债的收益表现[22][23][25][27][29]。 * **因子具体构建过程**：报告引用了Wind编制的系列指数，包括： * 信用评级指数：万得可转债AAA指数、AA+指数、AA指数、AA-及以下指数[22][23]。 * 价格指数：万得可转债高价指数、中价指数、低价指数[25]。 * 规模指数：万得可转债大盘指数、中盘指数、小盘指数[27]。 * 策略指数：万得可转债双低指数（低价格+低溢价率）、高价低溢价率指数[29]。 市场指标与指数表现 1. **中证转债指数**，周涨跌幅0.525%，相较于中证全指的绝对收益为1.057%[7] 2. **上证转债指数**，周涨跌幅0.290%[7] 3. **深证转债指数**，周涨跌幅0.780%[7] 4. **可转债市场转股溢价率中位数**，当前值26.24%，周环比变化-0.66%[10] 5. **可转债市场转股溢价率算术平均数**，当前值40.91%，周环比变化-0.80%[10] 6. **价格区间 <100元**的个券转股溢价率中位数0.00%，周环比变动0.00%[35] 7. **价格区间 100-110元**的个券转股溢价率中位数80.98%，周环比变动-20.04%[35] 8. **价格区间 110-120元**的个券转股溢价率中位数64.74%，周环比变动-6.49%[35] 9. **价格区间 120-130元**的个券转股溢价率中位数56.00%，周环比变动14.47%[35] 10. **价格区间 130-140元**的个券转股溢价率中位数24.90%，周环比变动9.09%[35] 11. **价格区间 >140元**的个券转股溢价率中位数12.84%，周环比变动9.47%[35]