根据提供的金融工程报告，以下是关于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：扩散指数行业轮动模型**[21] * **模型构建思路**：该模型基于价格动量原理，通过计算行业的扩散指数来识别具有向上趋势的行业，从而进行行业轮动配置[21][34] * **模型具体构建过程**：模型针对每个中信一级行业计算其扩散指数。具体过程涉及观察行业内成分股的表现，但报告中未提供计算扩散指数的具体公式和详细步骤[21][23] 2. **模型名称：GRU因子行业轮动模型**[29] * **模型构建思路**：该模型利用GRU（门控循环单元）深度学习网络对分钟频量价数据进行处理，生成GRU行业因子，以把握短期交易信息并进行行业轮动[29][35] * **模型具体构建过程**：模型使用历史分钟频量价数据训练GRU网络。GRU网络能够捕捉时间序列数据的依赖关系，输出每个行业的因子值。报告指出该模型在短周期表现较好，但未提供网络结构、输入特征、训练周期等具体构建细节和公式[29][35] 模型的回测效果 1. **扩散指数行业轮动模型** * 2025年11月以来超额收益：1.28%[26] * 2025年以来超额收益：6.21%[21][26] * 2024年全年超额收益：-5.82%[21] * 2023年全年超额收益：-4.58%[21] * 2022年全年超额收益：6.12%[21] 2. **GRU因子行业轮动模型** * 2025年11月以来超额收益：1.65%[32] * 2025年以来超额收益：-4.49%[29][32] 量化因子与构建方式 1. **因子名称：行业扩散指数**[23] * **因子构建思路**：该因子用于衡量某个行业整体趋势的强弱，数值越高代表该行业的向上趋势越强[23] * **因子具体构建过程**：报告未提供行业扩散指数因子的具体计算方法和公式，仅提供了截至特定日期的各行业因子取值[23][24] 2. **因子名称：GRU行业因子**[30] * **因子构建思路**：该因子由GRU深度学习模型生成，旨在从分钟频量价数据中提取有效信息，以预测行业短期表现[30][35] * **因子具体构建过程**：作为GRU模型的直接输出，每个行业对应一个因子值。报告未提供该因子值计算的具体技术细节和公式[30] 因子的回测效果 1. **行业扩散指数因子** * 报告未提供该因子独立的测试指标（如IC值、IR等），其效果直接体现在扩散指数行业轮动模型的超额收益上[21][26] 2. **GRU行业因子** * 报告展示了该因子的周度Rank IC序列和累计Rank IC曲线，但未给出具体的IC均值、IR等统计指标[31]

根据提供的研报内容，以下是关于量化模型与因子的总结。 量化因子与构建方式 1. **因子名称：大买单成交金额占比**[7] * **因子构建思路**：该因子旨在刻画大资金的买入行为。其核心思路是利用逐笔成交数据，通过还原买卖单并筛选大单，计算大买单的成交金额在总成交金额中的比例。[7] * **因子具体构建过程**： 1. 数据准备：获取股票的逐笔成交数据，数据中包含叫买序号和叫卖序号。[7] 2. 还原买卖单：根据逐笔成交数据中的叫买和叫卖序号，将逐笔成交数据还原为原始的买卖单数据。[7] 3. 筛选大单：对还原后的买卖单，按照每单的成交量设定阈值，筛选出符合条件的大额订单（大单）。[7] 4. 计算因子值：计算筛选出的大单中，所有买单（大买单）的成交金额之和，然后除以当日该股票的总成交金额，得到大买单成交金额占比。公式如下：[7] $$大买单成交金额占比 = \frac{大买单成交金额}{当日总成交金额}$$ * **因子评价**：该因子直接反映了大额资金的买入意愿和强度。 2. **因子名称：净主动买入金额占比**[7] * **因子构建思路**：该因子旨在刻画投资者的主动买入行为。其核心思路是利用逐笔成交数据中的买卖标志，区分主动买入和主动卖出，并计算其净额相对于总成交额的比例。[7] * **因子具体构建过程**： 1. 数据准备：获取股票的逐笔成交数据，数据中包含买卖标志。[7] 2. 界定主动交易：根据逐笔成交数据中的买卖标志，界定每一笔成交是属于主动买入还是主动卖出。[7] 3. 计算净额：将当日所有主动买入的成交金额相加，减去所有主动卖出的成交金额相加，得到净主动买入金额。[7] 4. 计算因子值：将计算得到的净主动买入金额除以当日该股票的总成交金额，得到净主动买入金额占比。公式如下：[7] $$净主动买入金额占比 = \frac{主动买入金额 - 主动卖出金额}{当日总成交金额}$$ * **因子评价**：该因子反映了市场中主动性的买卖压力，是衡量资金流向的重要指标。 因子的回测效果 1. **大买单成交金额占比因子**，近5日（20251103-20251107）指标值示例：海陆重工 93.0%[9]，摩恩电气 89.2%[9]，北辰实业 88.2%[9] 2. **净主动买入金额占比因子**，近5日（20251103-20251107）指标值示例：力聚热能 21.2%[10]，国投电力 21.1%[10]，乔治白 20.2%[10]

根据提供的金融工程日报内容，报告主要描述了市场表现、情绪指标和资金流向等观测性指标，并未涉及具体的量化模型或量化因子的构建、测试和评价。报告内容属于市场数据统计和描述，而非量化模型或因子研究。 因此，本报告中没有需要总结的量化模型或量化因子相关内容。

量化模型与构建方式 1 转债CRR定价模型 - **模型名称**：转债CRR定价模型[41] - **模型构建思路**：通过CRR二叉树模型计算可转债的理论价值，该模型比BSM模型更能准确反映内嵌条款和信用利差的影响[14] - **模型具体构建过程**：使用CRR二叉树模型对可转债进行定价，定义"定价偏离度"为转债CRR理论定价减去转债市场价格，定价偏离度越高说明转债价格越便宜[14]；模型在2024年7月进行迭代，增加了对正股退市风险的定价惩罚[45][51] - **模型评价**：该定价方式较直接观察溢价率更为合理，能够考虑正股波动等因素在转债时间价值上的影响[14] 2 转债低估值动量模型 - **模型名称**：转债低估值动量模型[46] - **模型构建思路**：结合估值指标和价量指标的多因子策略，寻找转股溢价率处于相对低位且正股具有上行趋势的转债[46] - **模型具体构建过程**：根据转债的估值（绝对定价及相对定价）在市场中的相对点位、以及正股过去短期的动量情况进行综合打分[48] 3 转债基金持仓DELTA跟踪模型 - **模型名称**：转债基金持仓DELTA跟踪模型[36] - **模型构建思路**：通过回归模型动态跟踪转债基金持仓的风格占比情况，计算加权DELTA值来监测基金持仓风格变化[36] - **模型具体构建过程**：将基金持仓中以可转债为主要配置标的的基金定义为转债基金，以回归模型动态跟踪其可转债持仓的风格占比情况，随后根据各风格指数的DELTA值加权计算得到转债基金的DELTA估计值[36] 4 幂函数溢价率拟合模型 - **模型名称**：幂函数溢价率拟合模型[11] - **模型构建思路**：通过幂函数模型拟合截面转债的平价价值与转股溢价率关系，得到对应平价价值下的转债溢价率中枢[11] - **模型具体构建过程**：将截面转债的平价价值作为解释变量，转股溢价率作为被解释变量进行幂函数拟合[11] 5 BSM隐含波动率模型 - **模型名称**：BSM隐含波动率模型[33] - **模型构建思路**：通过BSM模型逆算得到全市场转债对应正股的隐含波动率，刻画投资者交易出的正股未来波动率预期[33] - **模型具体构建过程**：以BSM模型进行逆算，得到全市场转债所对应全体正股的隐含波动率中位数和余额加权结果[33] 6 短久期转债隐含预期模型 - **模型名称**：短久期转债隐含预期模型[34] - **模型构建思路**：利用短久期转债的转股溢价率反映市场对短期正股市场的预期表现[34] - **模型具体构建过程**：挑选市场中到期时间最短的1/3转债，以距离到期日的倒数对转股溢价率进行加权，计算得到短久期转债的隐含正股预期指数[34] 量化因子与构建方式 1 定价偏离度因子 - **因子名称**：定价偏离度因子[14] - **因子构建思路**：衡量转债市场价格与理论定价的偏离程度[14] - **因子具体构建过程**：定价偏离度 = 转债CRR定价 - 转债市价[14] 2 转股溢价率因子 - **因子名称**：转股溢价率因子[11][34] - **因子构建思路**：衡量转债价格相对于转换价值的溢价水平[11] - **因子具体构建过程**：通过截面统计得到债性、平衡和股性转债的溢价率中位数[12] 3 正股PB估值因子 - **因子名称**：正股PB估值因子[18] - **因子构建思路**：衡量转债对应正股的估值水平[18] - **因子具体构建过程**：以自下而上的方式对市场成分券的正股PB进行合成，形成全市场PB中位数指标[18] 4 分析师盈利预期因子 - **因子名称**：分析师盈利预期因子[22] - **因子构建思路**：反映分析师对正股未来盈利的预期强度[22] - **因子具体构建过程**：对当前财年和次一财年的预期数据进行时间加权合成未来12个月的预期增速，并计算同比值去除周期因素[22] 5 盈利预期分歧因子 - **因子名称**：盈利预期分歧因子[25] - **因子构建思路**：衡量分析师对盈利预期的一致程度[25] - **因子具体构建过程**：计算分析师未来12个月预期增速的标准差，并计算同比变化量数据以去除周期性[25] 模型的回测效果 1 转债CRR定价组合 - **当期收益**：0.13%[41][46] - **当年收益**：14.42%[46] - **年化收益**：15.71%[41][46] - **年化波动**：12.62%[46] - **最大回撤**：12.08%[41][46] - **收益波动比**：1.25[46] - **收益回撤比**：1.30[41][46] - **月度胜率**：63.83%[41][46] 2 转债低估值动量组合 - **当期收益**：1.50%[47][52] - **当年收益**：19.59%[52] - **年化收益**：16.33%[47][52] - **年化波动**：12.68%[52] - **最大回撤**：11.26%[47][52] - **收益波动比**：1.29[52] - **收益回撤比**：1.45[47][52] - **月度胜率**：67.02%[47][52] 因子的回测效果 1 定价偏离度因子 - **全市场中位数**：-8.56元[15] - **余额加权值**：-7.80元[15] - **股性转债中位数**：-8.56元[17] - **平衡转债中位数**：-9.50元[17] - **债性转债中位数**：-8.18元[17] - **股性转债加权值**：-6.28元[17] - **平衡转债加权值**：-9.08元[17] - **债性转债加权值**：-8.20元[17] 2 转股溢价率因子 - **股性转债中位数**：13.23%[12] - **平衡转债中位数**：30.49%[12] - **债性转债中位数**：63.73%[12] 3 正股PB估值因子 - **全市场PB中位数**：2.60[18] - **历史5年分位数**：91.39%[18] 4 分析师盈利预期因子 - **营收增速同比**：-2.88%[22][25] - **净利润增速同比**：0.20%[22][25] 5 盈利预期分歧因子 - **营业收入分歧**：-0.92%[25] - **净利润分歧**：-0.45%[25] 6 BSM隐含波动率因子 - **全市场中位数**：43.87%[33] - **余额加权值**：43.04%[33] 7 短久期隐含预期因子 - **隐含正股预期指数**：45.23[34] 8 基金持仓DELTA因子 - **全市场平均值**：72.12%[36] - **股性风格贡献**：47.41%[36] - **平衡风格贡献**：21.26%[36] - **债性风格贡献**：3.45%[36]

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：主动偏股基金仓位高频估测模型**[62] * **模型构建思路**：由于公募基金仓位披露频率低，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，对主动偏股基金的股票仓位进行相对高频的测算[62] * **模型具体构建过程**：以基金每日披露的净值序列作为因变量，在基准或构建的其他资产序列组成的自变量中，使用带约束条件的多元回归模型寻找基金仓位的最优估计结果。报告提及在自变量组合序列的选择和构建、回归模型选取、样本加权方式等细节上已有充分讨论，并采用构建各只基金的模拟组合来提升估算准确度[62]。模型进一步用于测算基金在各行业赛道的最新投向偏好[62] 2. **模型名称：REITs系列指数构建模型**[49] * **模型构建思路**：为投资者提供基于指数化投资思想的资产配置新视角，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、项目类型的细分REITs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。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。考虑到REITs的高分红特性，指数均提供价格指数和全收益指数[49] 3. **因子名称：长期行业主题标签因子**[36] * **因子构建思路**：通过观察基金在近四期中报/年报的持仓信息来判断其长期的行业主题特征，构建主动偏股基金完整的行业主题和细分赛道标签，以支持资产配置、主题投资和产品选择的需求，并构建行业主题基金指数作为衡量工具[36] * **因子具体构建过程**：随着市场变化，基金在不同运作期间呈现的行业主题特征会发生变化。通过分析近四期财务报告（中报/年报）的持仓信息，将基金的长期行业标签区分为行业主题基金、行业轮动基金和行业均衡基金等不同类型[36] 模型的回测效果 1. **主动偏股基金仓位高频估测模型**，本周仓位变动：-0.11个百分点[62] 2. **REITs综合指数**，本周收益：-0.47%，累计收益：-2.57%，年化收益：-0.59%，最大回撤：-42.67%，夏普比率：-0.20，年化波动：10.55%[53] 3. **产权类REITs指数**，本周收益：-0.75%，累计收益：14.10%，年化收益：3.06%，最大回撤：-45.00%，夏普比率：0.12，年化波动：12.87%[53] 4. **特许经营权类REITs指数**，本周收益：0.14%，累计收益：-20.43%，年化收益：-5.08%，最大回撤：-41.17%，夏普比率：-0.72，年化波动：9.16%[53] 5. **生态环保REITs指数**，本周收益：0.73%，累计收益：-10.08%，年化收益：-2.39%，最大回撤：-55.72%，夏普比率：-0.25，年化波动：15.55%[53] 6. **交通基础设施REITs指数**，本周收益：0.08%，累计收益：-30.17%，年化收益：-7.87%，最大回撤：-41.29%，夏普比率：-1.04，年化波动：8.97%[53] 7. **园区基础设施REITs指数**，本周收益：-2.16%，累计收益：-14.20%，年化收益：-3.43%，最大回撤：-52.07%，夏普比率：-0.35，年化波动：13.94%[53] 8. **仓储物流REITs指数**，本周收益：-1.38%，累计收益：-2.64%，年化收益：-0.61%，最大回撤：-50.32%，夏普比率：-0.13，年化波动：15.69%[53] 9. **能源基础设施REITs指数**，本周收益：-0.18%，累计收益：11.34%，年化收益：2.48%，最大回撤：-18.41%，夏普比率：0.10，年化波动：10.15%[53] 10. **保障性租赁住房REITs指数**，本周收益：-0.60%，累计收益：9.32%，年化收益：2.05%，最大回撤：-33.34%，夏普比率：0.04，年化波动：12.52%[53] 11. **消费基础设施REITs指数**，本周收益：0.45%，累计收益：49.42%，年化收益：9.59%，最大回撤：-9.89%，夏普比率：0.75，年化波动：10.81%[53] 12. **市政设施REITs指数**，本周收益：2.25%，累计收益：30.54%，年化收益：6.27%，最大回撤：-13.79%，夏普比率：0.22，年化波动：21.85%[53] 13. **水利设施REITs指数**，本周收益：-0.89%，累计收益：24.12%，年化收益：5.05%，最大回撤：-16.72%，夏普比率：0.22，年化波动：16.12%[53] 14. **新型基础设施REITs指数**，本周收益：0.29%，累计收益：10.71%，年化收益：2.35%，最大回撤：-2.83%，夏普比率：0.07，年化波动：12.34%[53] 量化因子与构建方式 1. **因子名称：长期行业主题标签因子**[36] * **因子构建思路**：通过观察基金在近四期中报/年报的持仓信息来判断其长期的行业主题特征，构建主动偏股基金完整的行业主题和细分赛道标签，以支持资产配置、主题投资和产品选择的需求，并构建行业主题基金指数作为衡量工具[36] * **因子具体构建过程**：随着市场变化，基金在不同运作期间呈现的行业主题特征会发生变化。通过分析近四期财务报告（中报/年报）的持仓信息，将基金的长期行业标签区分为行业主题基金、行业轮动基金和行业均衡基金等不同类型[36] 因子的回测效果 1. **新能源主题基金因子**，本周涨跌幅：3.41%[36] 2. **金融地产主题基金因子**，本周涨跌幅：1.24%[36] 3. **周期主题基金因子**，本周涨跌幅：1.20%[36] 4. **行业轮动基金因子**，本周涨跌幅：0.41%[36] 5. **行业均衡基金因子**，本周涨跌幅：0.27%[36] 6. **TMT主题基金因子**，本周涨跌幅：-0.06%[36] 7. **国防军工主题基金因子**，本周涨跌幅：-0.45%[36] 8. **消费主题基金因子**，本周涨跌幅：-1.22%[36] 9. **医药主题基金因子**，本周涨跌幅：-4.73%[36]

根据研报内容，以下是关于量化因子和模型的详细总结。 量化因子与构建方式 **1 因子名称：持股数量 (Holding)** - **因子构建思路**：直接使用联交所披露易网站每日公布的港股通投资者合计持有数量原始数据，作为最基础的南向资金持仓存量指标[40][41] - **因子具体构建过程**：从天软数据库下载历史港股通持股明细数据，直接使用`Holding`字段的原始披露值，无需复杂计算[40][41] **2 因子名称：持股市值 (HoldingValue)** - **因子构建思路**：在持股数量的基础上，结合股票价格，计算南向资金持股市值，以货币形式衡量持仓规模[40][41] - **因子具体构建过程**：使用持股数量乘以对应股票的当日收盘价，公式为 `HoldingValue = Holding × Close`，其中`Close`为港股收盘价[40][41] **3 因子名称：持股占成交量比例 (H2Volume)** - **因子构建思路**：以港股的成交活跃度为基准对港股通持股量进行标准化，衡量南向资金的持股强度[40][41] - **因子具体构建过程**：使用持股数量除以该股票的当日成交量，公式为 `H2Volume = Holding / Volume`，其中`Volume`为港股成交量[40][41] **4 因子名称：持股占自由流通股比例 (H2Share)** - **因子构建思路**：衡量南向资金持股占自由流通股本的比例，反映资金对个股的“渗透度”[40][41] - **因子具体构建过程**：使用持股数量除以该股票的自由流通股本，公式为 `H2Share = Holding / FreeFloatShares`，等价于持股市值除以自由流通市值[40][41] **5 因子名称：持股稳定性 (HoldingStability(N))** - **因子构建思路**：衡量过去一段时间内南向资金持股比例的稳定性，反映其“持仓耐心”和长期配置属性[40][41] - **因子具体构建过程**：计算过去N日`H2Volume`指标的均值与标准差之比，公式为 $$HoldingStability(N) = \\frac{Mean(H2Volume, N)}{Std(H2Volume, N)}$$，其中N为时间窗口参数，研报中测试了3、5、10、20、60等值[40][41] **6 因子名称：持股数量变动 (ΔHolding)** - **因子构建思路**：计算相邻交易日持股数量的差值，作为最基础的南向资金每日流量指标[43][44] - **因子具体构建过程**：使用当日持股数量减去前一交易日持股数量，公式为 `ΔHolding = Holding_t − Holding_{t-1}`[43][44] **7 因子名称：净买入 (Inflow)** - **因子构建思路**：将持股数量变动转化为资金金额，反映南向资金净流入的绝对规模[43][44] - **因子具体构建过程**：使用持股数量变动乘以当日港股成交均价，公式为 `Inflow = ΔHolding × AvgPrice`，其中`AvgPrice`为成交额除以成交量计算得到的成交均价[26][43][44] **8 因子名称：净买入占持股市值比例 (Inflow2HV)** - **因子构建思路**：用当日持股市值对净流入金额进行标准化，提升不同股票间的可比性[43][44] - **因子具体构建过程**：使用当日净买入金额除以当日港股通持股市值，公式为 `Inflow2HV = Inflow / HoldingValue`。可衍生为N日累计指标`Inflow2HV(N) = Inflow(N) / HoldingValue`[43][44] **9 因子名称：净买入占成交额比例 (Inflow2Amt)** - **因子构建思路**：用当日个股成交额对净流入金额进行标准化，反映净买入在市场交易中的相对强度[43][44] - **因子具体构建过程**：使用当日净买入金额除以当日港股成交额，公式为 `Inflow2Amt = Inflow / Amount`。可衍生为N日累计指标[43][44] **10 因子名称：净买入占自由流通市值比例 (Inflow2Cap)** - **因子构建思路**：用自由流通市值对净流入金额进行标准化，反映资金流入相对于公司市值的规模[43][44] - **因子具体构建过程**：使用当日净买入金额除以当日港股自由流通市值，公式为 `Inflow2MV = Inflow / MarketValue`。可衍生为N日累计指标[43][44] **11 因子名称：持股增长率 (ΔHolding%)** - **因子构建思路**：计算持股数量的百分比变动，是对持股变动的另一种标准化方式[43][44] - **因子具体构建过程**：使用当日持股数量相对于前一日持股数量的增长率，公式为 `ΔHolding% = (Holding_t / Holding_{t-1}) − 1`[43][44] **12 模型名称：港股通资金流精选组合** - **模型构建思路**：将多个有效的持股与资金流因子合成一个综合因子，在此基础上构建选股策略[133][134] - **模型具体构建过程**： 1. **因子选择**：选取`HoldingStability(3)`, `HoldingStability(10)`, `Inflow2HV(3)`, `Inflow2Amt(3)`, `Inflow2Cap(3)`, `ΔHolding`, `Inflow`共7个因子[133][134] 2. **因子中性化**：以原始因子值为因变量，以流通市值、行业、PETTM、PBMRQ为自变量进行多元线性回归，取残差作为中性化后的因子[134] 3. **因子标准化**：将每个中性化后的因子在选股空间内转换为百分比排名[134] 4. **因子合成**：将标准化后的7个因子等权相加，得到最终的“持股与资金流因子”[134] 5. **组合构建**：每月底根据综合因子得分从高到低排序，选取排名前20的股票，按港股流通市值加权构建投资组合[135] 模型的回测效果 **1 港股通资金流精选组合（全港股通选股空间）** - 年化收益：27.01%[137][139] - 年化超额收益（vs 中证港股通综合全收益指数）：20.19%[137][139] - 年化波动：28.39%[139] - 最大回撤：-46.47%[139] - 夏普比率：0.88[137][139] - 超额最大回撤：-14.44%[139] **2 港股通资金流精选组合（大市值、高净利润、高流动性选股空间）** - 年化收益：21.70%[144][145] - 年化超额收益（vs 中证港股通综合全收益指数）：14.88%[144][145] - 年化波动：23.54%[145] - 最大回撤：-43.61%[145] - 夏普比率：0.83[145] - 超额最大回撤：-16.32%[145] 因子的回测效果 （测试区间：2017年3月底至2025年10月底，月度频率） **1 Holding因子** - 全港股通股票池：月均RankIC 1.24%，年化RankICIR 0.45，RankIC月度胜率 56.31%，多空年化收益 12.12%，多空最大回撤 -20.16%[47][86] - 低估值股票池：月均RankIC 2.98%，年化RankICIR 0.82，RankIC月度胜率 58.25%，多空年化收益 13.47%，多空最大回撤 -28.32%[86] **2 HoldingValue因子** - 全港股通股票池：月均RankIC 3.75%，年化RankICIR 1.34，RankIC月度胜率 66.02%，多空年化收益 14.45%，多空最大回撤 -19.82%[50][86] - 低估值股票池：月均RankIC 6.42%，年化RankICIR 1.83，RankIC月度胜率 72.82%，多空年化收益 25.84%，多空最大回撤 -23.37%[58][86] **3 H2Volume因子** - 全港股通股票池：月均RankIC 1.89%，年化RankICIR 0.69，RankIC月度胜率 52.43%，多空年化收益 7.96%，多空最大回撤 -17.70%[86] - 低估值股票池：月均RankIC 4.21%，年化RankICIR 1.12，RankIC月度胜率 58.25%，多空年化收益 13.41%，多空最大回撤 -32.31%[86] **4 H2Share因子** - 全港股通股票池：月均RankIC -0.63%，年化RankICIR -0.20，RankIC月度胜率 55.34%，多空年化收益 -6.30%，多空最大回撤 -47.54%[86] - 低估值股票池：月均RankIC 0.27%，年化RankICIR 0.08，RankIC月度胜率 45.63%，多空年化收益 8.67%，多空最大回撤 -23.19%[86] **5 HoldingStability(3)因子** - 全港股通股票池：月均RankIC 2.75%，年化RankICIR 1.72，RankIC月度胜率 69.90%，多空年化收益 10.22%，多空最大回撤 -11.12%[65][86] - 低估值股票池：月均RankIC 4.13%，年化RankICIR 1.52，RankIC月度胜率 65.05%，多空年化收益 17.13%，多空最大回撤 -24.59%[77][86] **6 HoldingStability(10)因子** - 全港股通股票池：月均RankIC 3.99%，年化RankICIR 1.94，RankIC月度胜率 68.93%，多空年化收益 15.95%，多空最大回撤 -13.56%[65][86] - 低估值股票池：月均RankIC 6.42%，年化RankICIR 2.02，RankIC月度胜率 69.90%，多空年化收益 32.35%，多空最大回撤 -17.33%[77][86] **7 ΔHolding因子** - 全港股通股票池：月均RankIC 1.70%，年化RankICIR 0.88，RankIC月度胜率 60.19%，多空年化收益 9.03%，多空最大回撤 -10.41%[88][114] - 大市值股票池：月均RankIC 3.17%，年化RankICIR 1.08，RankIC月度胜率 61.17%，多空年化收益 8.95%，多空最大回撤 -12.54%[114] - 高净利润股票池：月均RankIC 4.55%，年化RankICIR 1.57，RankIC月度胜率 71.84%，多空年化收益 13.59%，多空最大回撤 -10.49%[114] **8 Inflow因子** - 全港股通股票池：月均RankIC 1.84%，年化RankICIR 0.92，RankIC月度胜率 61.17%，多空年化收益 9.42%，多空最大回撤 -9.60%[88][114] - 大市值股票池：月均RankIC 2.80%，年化RankICIR 0.95，RankIC月度胜率 59.22%，多空年化收益 9.98%，多空最大回撤 -14.56%[92][114] - 高净利润股票池：月均RankIC 4.39%，年化RankICIR 1.51，RankIC月度胜率 68.93%，多空年化收益 14.56%，多空最大回撤 -11.65%[114] **9 Inflow2HV因子** - 全港股通股票池：月均RankIC 1.31%，年化RankICIR 0.69，RankIC月度胜率 60.19%，多空年化收益 8.33%，多空最大回撤 -11.13%[114] - 大市值股票池：月均RankIC 3.00%，年化RankICIR 1.09，RankIC月度胜率 60.19%，多空年化收益 13.09%，多空最大回撤 -11.37%[95][114] - 高净利润股票池：月均RankIC 4.22%，年化RankICIR 1.50，RankIC月度胜率 65.05%，多空年化收益 14.83%，多空最大回撤 -8.89%[98][114] - 港股通消费指数内：月均RankIC 4.34%，年化RankICIR 1.02，RankIC月度胜率 61.19%[115] **10 Inflow2Amt因子** - 全港股通股票池：月均RankIC 1.60%，年化RankICIR 0.87，RankIC月度胜率 61.17%，多空年化收益 7.83%，多空最大回撤 -13.29%[114] - 大市值股票池：月均RankIC 3.00%，年化RankICIR 1.04，RankIC月度胜率 60.19%，多空年化收益 10.03%，多空最大回撤 -11.33%[95][114] - 高净利润股票池：月均RankIC 4.52%，年化RankICIR 1.61，RankIC月度胜率 66.02%，多空年化收益 16.03%，多空最大回撤 -14.38%[98][114] **11 Inflow2Cap因子** - 全港股通股票池：月均RankIC 1.30%，年化RankICIR 0.61，RankIC月度胜率 55.34%，多空年化收益 6.22%，多空最大回撤 -11.05%[114] - 大市值股票池：月均RankIC 2.77%，年化RankICIR 0.93，RankIC月度胜率 65.05%，多空年化收益 10.47%，多空最大回撤 -15.32%[95][114] - 高净利润股票池：月均RankIC 4.62%，年化RankICIR 1.53，RankIC月度胜率 69.90%，多空年化收益 14.41%，多空最大回撤 -11.73%[98][114] - 港股通高股息指数内：月均RankIC 3.68%，年化RankICIR 0.58，RankIC月度胜率 59.38%[115] **12 ΔHolding%因子** - 全港股通股票池：月均RankIC 1.33%，年化RankICIR 0.69，RankIC月度胜率 60.19%，多空年化收益 8.45%，多空最大回撤 -11.26%[114] - 大市值股票池：月均RankIC 3.01%，年化RankICIR 1.10，RankIC月度胜率 60.19%，多空年化收益 13.23%，多空最大回撤 -11.66%[114] - 高净利润股票池：月均RankIC 4.23%，年化RankICIR 1.49，RankIC月度胜率 63.11%，多空年化收益 15.14%，多空最大回撤 -8.63%[103][114]

根据提供的华创证券《市场情绪监控周报（20251103-20251107）》，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：宽基轮动策略[13]** * **模型构建思路：** 基于不同宽基指数（如沪深300、中证500等）周度热度变化率的短期动量效应进行轮动，选择市场情绪最热的板块进行投资，若情绪最热板块为非主流股票（“其他”组）则空仓以规避风险[11][13] * **模型具体构建过程：** 1. 将全市场股票按宽基指数成分股分组，包括沪深300、中证500、中证1000、中证2000以及不属于以上四组的“其他”股票[8] 2. 计算每个分组在当周的总热度指标（定义为组内所有个股的浏览、自选与点击次数之和，并经全市场占比归一化处理）[7] 3. 计算每个分组周度总热度的变化率[11] 4. 对周度热度变化率进行2期移动平均（MA2）平滑处理，得到“热度变化率 MA2”[11] 5. 在每周最后一个交易日，选择“热度变化率 MA2”数值最大的宽基分组，买入该分组对应的指数或成分股[13] 6. 如果“热度变化率 MA2”最大的分组是“其他”组，则该周策略空仓[13] 2. **模型名称：概念热度选股策略[31]** * **模型构建思路：** 利用A股概念行情受行为因素影响大、持续时间短的特点，在每周热度变化最大的概念中，选取每个概念内关注度（总热度）最低的个股构建组合，以期获得因“反应不足”或“价值洼地”带来的超额收益[30][31] * **模型具体构建过程：** 1. 在每周最后一个交易日，筛选出本周热度变化率最大的5个概念[31] 2. 将这5个概念的所有成分股作为备选股票池[31] 3. 从备选股票池中剔除流通市值最小的20%的股票[31] 4. **构建BOTTOM组合：** 从每个热门概念中，选出总热度指标排名最后10位的个股，等权重持有[31] 5. （作为对比）**构建TOP组合：** 从每个热门概念中，选出总热度指标排名前10位的个股，等权重持有[31] 模型的回测效果 1. **宽基轮动策略[16]** * 年化收益率：8.74%[16] * 最大回撤：23.5%[16] * 2025年收益：38.52%[16] 2. **概念热度选股策略（BOTTOM组合）[33]** * 年化收益率：15.71%[33] * 最大回撤：28.89%[33] * 2025年收益：42%[33] 量化因子与构建方式 1. **因子名称：个股总热度[7]** * **因子构建思路：** 通过加总个股的浏览、自选与点击次数，并相对于全市场进行标准化，构建一个反映市场对单只股票关注度（情绪热度）的代理指标[7] * **因子具体构建过程：** 1. 获取个股日度的浏览次数、自选次数、点击次数[7] 2. 将上述三个次数相加，得到股票的原始总热度值[7] 3. 计算该股票原始总热度值在当日全市场所有股票总热度值之和中的占比[7] 4. 将该占比乘以10000，使得因子取值区间落在[0, 10000]之间，得到最终的个股总热度因子值[7] * 公式：$$个股总热度 = \frac{个股（浏览次数+自选次数+点击次数）}{当日全市场所有股票（浏览次数+自选次数+点击次数）之和} \times 10000$$[7] 2. **因子名称：聚合总热度（宽基/行业/概念层面）[7]** * **因子构建思路：** 通过对特定群体（如宽基指数成分股、行业分类成分股、概念成分股）内的个股总热度因子值进行加总，得到反映该群体整体市场情绪热度的指标[7] * **因子具体构建过程：** 1. 确定目标群体（例如，沪深300指数成分股、石油石化行业股票、科创次新股概念成分股）[7][8][20] 2. 将该群体内所有成分股的“个股总热度”因子值进行求和，得到该群体的聚合总热度[7] 3. **因子名称：热度变化率 MA2[11][20][28]** * **因子构建思路：** 计算聚合总热度指标的周度环比变化率，并采用移动平均进行平滑，以捕捉群体热度边际变化的趋势，用于监控情绪转向或动量[11][20][28] * **因子具体构建过程：** 1. 计算目标群体本周的聚合总热度（$H_t$）与上周的聚合总热度（$H_{t-1}$）[11] 2. 计算周度热度变化率：$$变化率_t = \frac{H_t - H_{t-1}}{H_{t-1}}$$[11] 3. 对周度热度变化率进行2期移动平均计算，得到平滑后的“热度变化率 MA2”：$$热度变化率MA2_t = \frac{变化率_t + 变化率_{t-1}}{2}$$[11] 4. **因子名称：估值历史分位数[38][39][42]** * **因子构建思路：** 计算宽基指数或行业当前的估值（如市盈率PETTM）在其自身历史序列中所处的位置，以判断当前估值水平的高低[38][39][42] * **因子具体构建过程：** 1. 选定估值指标（报告中主要使用市盈率PETTM，剔除负值）和回溯期（宽基常用滚动5年，行业常用自2015年起）[38][39] 2. 获取目标宽基或行业在回溯期内每个交易日的估值数据，形成历史序列[38][39] 3. 计算当前估值在该历史序列中的百分位排名，即估值历史分位数[38][39] 因子的回测效果 （注：报告中未提供上述因子独立的、系统性的回测绩效指标，如IC、IR等，仅展示了基于部分因子构建的策略表现。）

根据提供的研报内容，以下是关于量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：网下打新收益测算模型** * **模型构建思路**：通过假设性的理想条件，测算不同规模、不同类型的投资者账户（A类/B类）参与网下新股申购所能获得的理论收益和收益率[11][44][48][52] * **模型具体构建过程**： 1. **基本假设**：假设账户参与所有新股打新、科创板和创业板报价全部入围、资金配置一半沪市一半深市且股票满仓、按首次开板日均价卖出、在90%的资金使用效率下进行测算[44][48][52] 2. **单只股票满中收益计算**：首先计算单只新股在顶格申购情况下的理论收益[42] * **满中数量计算**：`类满中数量 = 可申购上限额度 × 网下类平均中签率`[42] * **满中收益计算**：`满中收益 = (首次开板价 − 首发价格) × 满中数量`[42] 3. **账户规模调整**：对于不同规模的账户（如1.5亿、2亿、3亿、5亿、10亿），其单只股票的实际打新收益会受到申购上限的限制，当账户规模不足以顶格申购时，收益按比例缩减[46] 4. **累计收益与收益率计算**：将特定时间段内（如逐月、年初至今）所有新股的理论打新收益相加，得到累计收益，再除以账户规模，得到打新收益率[48][50][52][53] * `累计打新收益率 = (累计打新收益 / 账户规模) × 100%`[11][48][50][52] 模型的回测效果 1. **网下打新收益测算模型 (A类账户，截至2025/11/07)** * 2亿规模账户累计打新收益率：2.70%[11][50] * 10亿规模账户累计打新收益率：0.98%[11][50] 2. **网下打新收益测算模型 (B类账户，截至2025/11/07)** * 2亿规模账户累计打新收益率：2.28%[11][52][53] * 10亿规模账户累计打新收益率：0.75%[11][52] 量化因子与构建方式 1. **因子名称：新股上市首日涨幅** * **因子构建思路**：计算新股上市首日收盘价（或均价）相对于发行价的涨幅，用以衡量新股上市初期的市场表现和打新潜在收益[20] * **因子具体构建过程**： * `上市首日涨幅 = ((上市首日价格 − 发行价格) / 发行价格) × 100%`[20] * 报告中提供了特定时间段内（滚动近期20只新股）科创板（平均219.94%）和创业板（平均244.28%）的上市首日平均涨幅[20] 2. **因子名称：有效报价账户数** * **因子构建思路**：统计参与单只新股网下询价的有效机构账户数量，作为衡量打新竞争激烈程度的指标[2][23][26] * **因子具体构建过程**：直接提取新股发行公告中的A类（公募基金、社保基金等）和B类（保险公司、年金等）有效报价账户数量[2][23][26] * 示例：最近一只科创板新股，A类有效报价账户3763，B类有效报价账户1822[2][23] * 示例：最近一只创业板新股，A类有效报价账户约4709，B类有效报价账户2669[2][23] * 示例：最近一只主板新股，A类有效报价账户5534，B类有效报价账户2976[2][26] 因子的回测效果 1. **新股上市首日涨幅因子 (滚动近期20只新股)** * 科创板个股平均涨幅：219.94%[20] * 创业板个股平均涨幅：244.28%[20]

根据研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 Barra风格因子 **1 因子名称：Beta** **因子构建思路：** 衡量股票相对于市场的系统性风险[15] **因子具体构建过程：** 采用历史beta值进行计算[15] **2 因子名称：市值** **因子构建思路：** 衡量公司规模大小[15] **因子具体构建过程：** 对总市值取自然对数[15] $$市值 = ln(总市值)$$ **3 因子名称：动量** **因子构建思路：** 衡量股票价格趋势[15] **因子具体构建过程：** 计算历史超额收益率序列的均值[15] **4 因子名称：波动** **因子构建思路：** 综合衡量股票价格波动特征[15] **因子具体构建过程：** 采用加权组合方式计算波动率[15] $$波动 = 0.74 \times 历史超额收益率序列波动率 + 0.16 \times 累积超额收益率离差 + 0.1 \times 历史残差收益率序列波动率$$ **5 因子名称：非线性市值** **因子构建思路：** 捕捉市值因子的非线性效应[15] **因子具体构建过程：** 对市值风格进行三次方变换[15] $$非线性市值 = 市值^3$$ **6 因子名称：估值** **因子构建思路：** 衡量股票估值水平[15] **因子具体构建过程：** 采用市净率的倒数[15] $$估值 = \frac{1}{市净率}$$ **7 因子名称：流动性** **因子构建思路：** 衡量股票交易活跃程度[15] **因子具体构建过程：** 采用不同时间窗口换手率的加权组合[15] $$流动性 = 0.35 \times 月换手率 + 0.35 \times 季换手率 + 0.3 \times 年换手率$$ **8 因子名称：盈利** **因子构建思路：** 综合衡量公司盈利能力[15] **因子具体构建过程：** 采用多种盈利指标的加权组合[15] $$盈利 = 0.68 \times 分析师预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率TTM倒数$$ **9 因子名称：成长** **因子构建思路：** 衡量公司成长性[15] **因子具体构建过程：** 综合多种增长指标的加权组合[15] $$成长 = 0.18 \times 分析师预测长期盈利增长率 + 0.11 \times 分析师预测短期利率增长率 + 0.24 \times 盈利增长率 + 0.47 \times 营业收入增长率$$ **10 因子名称：杠杆** **因子构建思路：** 衡量公司财务杠杆水平[15] **因子具体构建过程：** 采用多种杠杆指标的加权组合[15] $$杠杆 = 0.38 \times 市场杠杆率 + 0.35 \times 账面杠杆 + 0.27 \times 资产负债率$$ GRU模型因子 **11 因子名称：barra1d模型** **因子构建思路：** 基于GRU神经网络构建的量化因子模型[4][8] **因子具体构建过程：** 采用GRU神经网络对市场数据进行建模，输入特征包含Barra风格因子，预测周期为1天[4][8] **12 因子名称：barra5d模型** **因子构建思路：** 基于GRU神经网络构建的量化因子模型[4][8] **因子具体构建过程：** 采用GRU神经网络对市场数据进行建模，输入特征包含Barra风格因子，预测周期为5天[4][8] **13 因子名称：open1d模型** **因子构建思路：** 基于GRU神经网络构建的量化因子模型[4][8] **因子具体构建过程：** 采用GRU神经网络对开盘价相关数据进行建模，预测周期为1天[4][8] **14 因子名称：close1d模型** **因子构建思路：** 基于GRU神经网络构建的量化因子模型[4][8] **因子具体构建过程：** 采用GRU神经网络对收盘价相关数据进行建模，预测周期为1天[4][8] **15 因子名称：多因子组合** **因子构建思路：** 综合多个因子的复合策略[8] **因子具体构建过程：** 将多个单一因子进行组合配置，形成综合性的多因子策略[8] 因子的回测效果 Barra风格因子多空收益表现（全市场） | 因子名称 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | |---------|---------|---------|---------|----------|----------|----------| | 动量 | 3.49% | -6.50% | -22.13% | -14.88% | -18.33% | -17.11% | | Beta | 2.21% | -7.75% | 6.80% | 28.44% | 9.16% | 19.67% | | 波动 | 1.90% | -3.76% | -12.86% | 6.09% | 8.66% | -11.40% | | 流动性 | 1.67% | 46.39% | 8.56% | 8.77% | 20.41% | 25.21% | | 市值 | 0.45% | -6.89% | -12.57% | -39.47% | -41.79% | -34.81% | | 非线性市值 | 0.28% | -6.47% | -12.98% | -34.37% | -39.42% | -30.77% | | 成长 | 0.22% | 2.03% | 2.39% | 0.89% | -9.61% | 4.14% | | 盈利 | 1.43% | 3.55% | 7.94% | 14.39% | 3.18% | 1.16% | | 杠杆 | 2.13% | 4.08% | -4.92% | 16.59% | 6.54% | 1.95% | | 估值 | 3.52% | 6.78% | 0.22% | 4.37% | 16.82% | 16.61% | GRU模型多头组合超额收益表现 | 策略因子名称 | 近一周 | 近一月 | 近三月 | 近六月 | 今年以来 | |-------------|-------|-------|-------|-------|----------| | open1d | 0.32% | 1.81% | -0.69% | 1.36% | 6.02% | | close1d | 1.41% | 4.17% | -1.73% | 2.27% | 4.33% | | barra1d | -0.34% | -0.65% | 0.92% | 1.80% | 4.71% | | barra5d | 1.44% | 5.42% | -0.50% | 2.74% | 7.34% | | 多因子 | 0.57% | 2.54% | -0.60% | -0.01% | 0.89% |

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：扩散指数模型**[6] * **模型构建思路：** 该模型用于监测微盘股市场未来变盘的临界点，通过预测在不同涨跌幅情景下扩散指数的未来值来判断市场风险[6][38] * **模型具体构建过程：** 模型构建了一个透视表，横轴代表从当前时点起未来N天后股价相对现在的涨跌幅（从上涨10%到下跌10%），纵轴代表回顾过去或未来的窗口期长度T天（从20天到10天）[38]。对于给定的未来涨跌幅（横轴值）和未来时间点（由纵轴T计算得到N=20-T），可以查表得到对应的扩散指数预测值。例如，横轴0.95（代表下跌5%）和纵轴15天（代表N=5天后）对应的扩散指数值为0.69[38]。当前扩散指数值为0.82（对应横轴20，纵轴1.00）[38]。该模型包含三种具体的交易策略： * **首次阈值法（左侧交易）：** 于2025年9月23日收盘触发开仓信号[6][43] * **延迟阈值法（右侧交易）：** 于2025年9月25日收盘触发开仓信号[6][47] * **双均线法（自适应交易）：** 于2025年10月13日收盘给予看多信号[6][48] 2. **模型名称：小市值低波50策略**[8][16][34] * **模型构建思路：** 在万得微盘股指数成分股中，结合小市值和低波动两个特征，优选50只股票构建投资组合[8][16][34] * **模型具体构建过程：** 策略的股票池限定为万得微盘股指数的成分股[8][16]。首先，在成分股内计算市值和波动率指标。然后，优选同时具备小市值和低波动特征的50只股票构成投资组合。组合每双周调仓一次[8][16]。基准为万得微盘股指数(8841431.WI)，回测考虑双边千三的交易费用[8][16] 模型的回测效果 1. **扩散指数模型**，当前信号：看多（左侧阈值法、右侧阈值法、双均线法均给出看多信号）[6][39] 2. **小市值低波50策略**，2024年收益：7.07%[8][16]，2024年超额收益（相对基准）：-2.93%[8][16]，2025年至今（YTD）收益：77.82%[8][16]，本周超额收益（相对基准）：1.50%[8][16] 量化因子与构建方式 1. **因子名称：自由流通比例因子**[5][16][32] * **因子表现：** 本周rankic值为0.108，历史平均rankic值为-0.012[5][16][32] 2. **因子名称：杠杆因子**[5][16][32] * **因子表现：** 本周rankic值为0.104，历史平均rankic值为-0.006[5][16][32] 3. **因子名称：10天总市值换手率因子**[5][16][32] * **因子表现：** 本周rankic值为0.099，历史平均rankic值为-0.059[5][16][32] 4. **因子名称：10天自由流通市值换手率因子**[5][16][32] * **因子表现：** 本周rankic值为0.098，历史平均rankic值为-0.061[5][16][32] 5. **因子名称：股息率因子**[5][16][32] * **因子表现：** 本周rankic值为0.065，历史平均rankic值为0.022[5][16][32] 6. **因子名称：未复权股价因子**[5][16][32] * **因子表现：** 本周rankic值为-0.296，历史平均rankic值为-0.017[5][16][32] 7. **因子名称：贝塔因子**[5][16][32] * **因子表现：** 本周rankic值为-0.263，历史平均rankic值为0.003[5][16][32] 8. **因子名称：非线性市值因子**[5][16][32] * **因子表现：** 本周rankic值为-0.239，历史平均rankic值为-0.035[5][16][32] 9. **因子名称：对数市值因子**[5][16][32] * **因子表现：** 本周rankic值为-0.239，历史平均rankic值为-0.035[5][16][32] 10. **因子名称：残差波动率因子**[5][16][32] * **因子表现：** 本周rankic值为-0.193，历史平均rankic值为-0.039[5][16][32] 报告中还提及了其他因子，包括pb倒数、流动性、过去10天收益率、单季度净利润增速、成交额、盈利、单季度净资产收益率、标准化预期盈利、成长、pe_ttm倒数、动量、过去一年波动率、非流动性等，并给出了其本周和历史的rankic值[32][33] 因子的回测效果 1. **自由流通比例因子**，本周rankic：0.108[5][16][32]，历史平均rankic：-0.012[5][16][32] 2. **杠杆因子**，本周rankic：0.104[5][16][32]，历史平均rankic：-0.006[5][16][32] 3. **10天总市值换手率因子**，本周rankic：0.099[5][16][32]，历史平均rankic：-0.059[5][16][32] 4. **10天自由流通市值换手率因子**，本周rankic：0.098[5][16][32]，历史平均rankic：-0.061[5][16][32] 5. **股息率因子**，本周rankic：0.065[5][16][32]，历史平均rankic：0.022[5][16][32] 6. **未复权股价因子**，本周rankic：-0.296[5][16][32]，历史平均rankic：-0.017[5][16][32] 7. **贝塔因子**，本周rankic：-0.263[5][16][32]，历史平均rankic：0.003[5][16][32] 8. **非线性市值因子**，本周rankic：-0.239[5][16][32]，历史平均rankic：-0.035[5][16][32] 9. **对数市值因子**，本周rankic：-0.239[5][16][32]，历史平均rankic：-0.035[5][16][32] 10. **残差波动率因子**，本周rankic：-0.193[5][16][32]，历史平均rankic：-0.039[5][16][32]