根据您提供的研报内容，这是一份《金融工程日报》，主要描述了市场在特定日期的表现、情绪、资金流向等各类指标，并未涉及具体的量化模型或量化因子的构建、测试与评价。 报告内容集中于对市场现状的统计性描述，例如： - 市场指数、行业、概念板块的日度表现[2][6][7][10] - 市场情绪指标，如涨跌停家数、封板率、连板率的计算与结果[14][15][18] - 资金流向指标，如两融余额及占比[2][20][23] - 折溢价指标，如ETF折溢价、大宗交易折溢价、股指期货升贴水的计算与结果[3][24][27][29] 这些内容属于市场监测和数据统计范畴，不具备量化模型或因子所需的构建思路、详细过程、回测效果等要素。因此，本次总结无法提取出符合任务要求的量化模型或因子信息。

根据提供的研报内容，该报告主要涉及ETF市场资金流动、交易情况以及各类基金（包括增强策略ETF和主动权益/增强指数型基金）的业绩表现跟踪。报告的核心内容是市场数据回顾和基金业绩统计，**并未涉及任何量化模型或量化因子的构建思路、具体构建过程或公式**。 因此，报告中不存在需要总结的量化模型或量化因子内容。报告内容主要为市场数据和业绩展示。

量化模型与构建方式 量化模型 1. **模型名称**：TimeMixer改进的机器学习选股模型[37][38] **模型构建思路**：在GBDT和NN模型族基础上，通过多目标、多模型融合策略进行改进，将GRU的hidden层输出与其他弱因子一同输入LightGBM进行集成，以提升模型表现[37][38] **模型具体构建过程**：首先对LightGBM和GRU模型进行精细调优，然后将GRU模型的隐藏层输出（hidden）连同其他弱因子作为输入特征，使用LightGBM模型进行集成学习，从而在GRU的基础上实现稳健提升[38] 2. **模型名称**：热门概念指数轮动策略[4][39][44] **模型构建思路**：基于TimeMixer机器学习模型生成个股Alpha因子，将其聚合到Wind热门概念指数上形成指数层面的因子信号，再构建指数轮动策略[4][39][44] **模型具体构建过程**：首先在个股层面开发Alpha因子，由于Wind热门概念指数采用等权重编制，按照指数成分股等权加权方式将个股Alpha因子聚合至各类热门概念指数，形成指数层面的因子信号，每周选择模型得分最高的10个概念指数进行等权配置[4][44] 3. **模型名称**：基于热点概念指数轮动效应的Alpha股票组合策略[5][64] **模型构建思路**：为提升策略可操作性，在概念指数轮动策略的基础上，从成分股中筛选更具代表性的少量标的构建投资组合[5][64] **模型具体构建过程**：基于周度策略的指数信号，在其成分股中按基于TimeMixer改进的机器学习模型Alpha因子排名，选出前20只股票等权构建投资组合[5][64] 4. **模型名称**：基于热门概念指数轮动效应的龙头股组合策略[6][69][70] **模型构建思路**：使用自由现金流率因子从热门概念指数成分股中筛选出龙头企业构建投资组合[6][69][70] **模型具体构建过程**：在每周的概念指数构成的成分股组合里，挑选出自由现金流率最大的2只股票等权构建组合[6][70] 量化因子 1. **因子名称**：月度动量因子[3][23] **因子构建思路**：评估Wind热门概念指数是否具备月度动量特征[3][23] **因子具体构建过程**：计算热门概念指数的月度收益率作为动量因子值[3][23] **因子评价**：因子表现一般，IC值较低，单调性弱于周度因子[3][23][31] 2. **因子名称**：周度动量因子[3][23] **因子构建思路**：评估Wind热门概念指数是否具备周度动量特征[3][23] **因子具体构建过程**：计算热门概念指数的周度收益率作为动量因子值[3][23] **因子评价**：因子表现略优于月度动量因子，但整体效果仍相对有限[3][23][31] 3. **因子名称**：TimeMixer改进的机器学习选股因子[43] **因子构建思路**：将TimeMixer改进的GRU+LSTM机器学习模型应用到中证全指上生成选股Alpha因子[43] **因子具体构建过程**：使用TimeMixer改进的机器学习模型对中证全指成分股进行预测，生成个股的Alpha因子值[43] 4. **因子名称**：TimeMixer改进的机器学习概念指数因子[4][44] **因子构建思路**：将个股Alpha因子聚合到Wind热门概念指数上形成指数层面的因子[4][44] **因子具体构建过程**：由于Wind热门概念指数均为等权重指数，按照指数成分股等权加权方式将个股Alpha因子聚合到概念指数上[4][44] 5. **因子名称**：自由现金流率因子[6][70][72] **因子构建思路**：使用自由现金流与企业价值之比来识别龙头企业[6][70][72] **因子具体构建过程**：计算自由现金流率FCF2EV，公式为FCF/EV，其中自由现金流FCF = (1-t) * EBIT + 折旧摊销 - CapEx - 净运营变化，企业价值EV = 市值 + 总负债 – 货币资金[70] **因子评价**：自由现金流率高的企业抗风险能力强，能更真实地反映企业的盈利质量与资金状况，该因子偏向价值和大市值风格特征[6][72][75] 模型的回测效果 1. **TimeMixer改进的机器学习选股模型**[43][46] **IC均值**：10.68%[46] **多头年化收益率**：45.42%[46] **多头最大回撤率**：18.32%[46] **多头Sharpe比率**：1.91[46] **多头信息比率**：3.66[46] **多空年化收益率**：113.37%[46] **多空最大回撤率**：6.65%[46] **多空Sharpe比率**：7.69[46] **多空信息比率**：2.66[46] 2. **基于TimeMixer的热门概念指数轮动策略**[4][51][52] **年化收益率**：27.53%[52] **年化波动率**：20.58%[52] **Sharpe比率**：1.34[52] **最大回撤率**：26.23%[52] **年化超额收益率（相对中证全指）**：18.06%[52] **年化超额收益率（相对热门概念等权）**：9.02%[52] **跟踪误差（相对中证全指）**：10.46%[52] **跟踪误差（相对热门概念等权）**：11.92%[52] **信息比率（相对中证全指）**：1.73[52] **信息比率（相对热门概念等权）**：0.76[52] **超额最大回撤（相对中证全指）**：9.97%[52] **超额最大回撤（相对热门概念等权）**：21.74%[52] 3. **基于热点概念指数轮动效应的Alpha股票组合策略**[5][64][65] **年化收益率**：21.82%[65] **年化波动率**：16.77%[65] **Sharpe比率**：1.30[65] **最大回撤率**：24.19%[65] **年化超额收益率**：11.34%[65] **跟踪误差**：14.36%[65] **信息比率**：0.79[65] **超额最大回撤率**：22.87%[65] **周度双边换手率**：88.71%[65] 4. **基于热门概念指数轮动效应的龙头股组合策略**[6][70][71][73] **年化收益率**：30.27%[71] **年化波动率**：12.82%[71] **Sharpe比率**：1.61[71] **最大回撤率**：24.73%[71] **年化超额收益率（相对中证全指）**：20.63%[71] **年化超额收益率（相对热门概念等权）**：11.52%[71] **跟踪误差（相对中证全指）**：12.82%[73] **跟踪误差（相对热门概念等权）**：13.10%[73] **信息比率（相对中证全指）**：1.61[73] **信息比率（相对热门概念等权）**：0.88[73] **超额最大回撤（相对中证全指）**：21.65%[73] **超额最大回撤（相对热门概念等权）**：21.02%[73] 因子的回测效果 1. **月度动量因子**[23][26] **IC均值**：1.35%[26] **多头年化收益率**：22.17%[26] **多头最大回撤率**：38.91%[26] **多头Sharpe比率**：0.80[26] **多头信息比率**：0.36[26] **多空年化收益率**：11.13%[26] **多空最大回撤率**：29.07%[26] **多空Sharpe比率**：0.51[26] **多空信息比率**：-0.31[26] 2. **周度动量因子**[23][26] **IC均值**：2.38%[26] **多头年化收益率**：24.03%[26] **多头最大回撤率**：32.41%[26] **多头Sharpe比率**：0.93[26] **多头信息比率**：0.53[26] **多空年化收益率**：12.21%[26] **多空最大回撤率**：27.00%[26] **多空Sharpe比率**：0.58[26] **多空信息比率**：-0.26[26] 3. **TimeMixer改进的机器学习概念指数因子**[4][44][49] **IC均值**：7.27%[49] **多头年化收益率**：30.77%[49] **多头最大回撤率**：20.36%[49] **多头Sharpe比率**：1.44[49] **多头信息比率**：1.28[49]

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：基于行业市值调整后的南向资金港股行业轮动策略**[20] * **模型构建思路**：利用南向资金的流向数据，经过行业市值调整后，构建行业轮动策略以获取超额收益[20] * **模型具体构建过程**：报告提及该模型基于南向资金数据构建，并进行了行业市值调整，但未提供具体的构建步骤、选股规则或权重分配公式等详细过程[20] 2. **模型名称：基于行业市值调整后南向资金近三年分位的港股行业轮动策略**[20] * **模型构建思路**：在行业市值调整的基础上，进一步引入南向资金近三年分位值作为判断行业偏好的依据，以构建行业轮动策略[20] * **模型具体构建过程**：报告提及该模型使用了南向资金的近三年分位数据，并进行了行业市值调整，但未提供具体的分位值计算方法、信号生成机制或调仓频率等详细过程[20] 模型的回测效果 1. **基于行业市值调整后的南向资金港股行业轮动策略**：相较于恒生指数与各行业等权组合，能取得一定的超额收益[20][22] 2. **基于行业市值调整后南向资金近三年分位的港股行业轮动策略**：相较于恒生指数与各行业等权组合，能取得一定的超额收益[20][22] 量化因子与构建方式 1. **因子名称：行业市值调整后的南向资金净流入额**[20][23] * **因子构建思路**：将南向资金在特定行业的净流入额与该行业的市值规模相结合，以消除规模影响，更准确地反映资金偏好[20][23] * **因子具体构建过程**：报告提及该因子为南向资金净流入额经过行业市值调整后的结果，但未提供具体的调整公式或计算方法[20][23] 2. **因子名称：行业市值调整后南向资金近三年分位**[20][23] * **因子构建思路**：计算南向资金在特定行业的净流入额（经市值调整）在其近三年历史数据中的分位值，用以判断当前资金流向的历史相对水平[20][23] * **因子具体构建过程**：报告提及该因子为南向资金近三年分位值经过行业市值调整后的结果，但未提供具体的分位值计算方法和调整公式[20][23] 因子的回测效果 （研报中未提供单个因子的具体测试结果指标，如IC值、IR等，仅说明了基于因子构建的策略整体效果，故此部分略过）

量化模型与构建方式 1. 风险趋势模型 **模型名称**：风险趋势模型[14] **模型构建思路**：该模型从风险维度和趋势维度对资产进行技术分析，风险维度评估标的位置的相对高低，趋势维度评估动量的相对强弱[14] **模型具体构建过程**：模型包含两个核心指标： 1. 风险度指标TR：用于衡量当前价格在历史区间中的相对位置，数值越高表示风险越大[14] 2. 趋势指标系统：包含济安线的慢线JAX与快线TMP，以及趋势指标TREND，通过快慢线的相对位置和交叉关系构建局部顶和局部底的触发信号[14] **模型评价**：该模型能够有效识别市场情绪变化和技术趋势转折点，为交易决策提供参考依据[14] 量化因子与构建方式 1. 风险度因子 **因子名称**：风险度（TR）[14] **因子构建思路**：通过计算当前价格在历史价格区间中的相对位置来评估市场风险水平[14] **因子具体构建过程**：风险度因子TR的计算基于价格在特定时间窗口内的相对位置，具体构建过程在2025年5月5日发布的《技术分析系列：双维框架研究之动能驱动与风险管控》研报中有详细定义[14] **因子评价**：该因子能够直观反映市场情绪的温和程度，数值越高表明市场风险越大[14] 2. 趋势动量因子 **因子名称**：趋势动量因子[14] **因子构建思路**：通过快线TMP与慢线JAX的相对位置和交叉关系来识别趋势动量变化[14] **因子具体构建过程**：基于济安线系统，当快线TMP向上穿越慢线JAX时形成多头信号，表明短期动量转强；当快慢线开口持续扩大时，表明中期上行趋势有望进一步稳固[14] **因子评价**：该因子能够有效捕捉趋势转折点和动量强弱变化，为技术分析提供重要参考[14] 模型的回测效果 1. 风险趋势模型 风险度：71.67[14] 趋势状态：快线刚刚上穿慢线，形成新的多头信号[14] 市场情绪：处于中枢上方但尚未进入高风险区间，显示市场情绪温和偏积极[14] 因子的回测效果 1. 风险度因子 当前取值：71.67（截至2025年11月28日）[14] 风险等级：中风险区，位于中枢上方[14] 2. 趋势动量因子 当前状态：快线向上穿越慢线，短期动量重新转强[14] 技术信号：进入新一轮上涨窗口，技术面已重新进入偏强运行区间[14]

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：港股 CCASS 优选 20 组合模型**[4][38] * **模型构建思路**：利用香港交易所的CCASS（中央结算及交收系统）数据，通过“先选经纪商，再选个股”的两步筛选法，构建一个由20只股票组成的月度调仓组合，旨在复制绩优经纪商的持仓以获取超额收益[4][38] * **模型具体构建过程**： 1. **选择绩优经纪商池**：在每月末的截面上，对全部经纪商计算两个指标：基于历史数据的“超额夏普比率”和“月度胜率”。将这两个指标分别进行标准化处理（例如Z-score标准化），然后等权相加得到一个综合得分。选取综合得分最高的N家经纪商构成当期的绩优经纪商池。报告中设定N=10[38][40] 2. **构建股票组合**：将资金等权分配给这N家绩优经纪商，然后汇总它们最新的持仓数据。将所有持仓股票按汇总后的权重从高到低排序，保留权重最高的M只股票。最后，对这M只股票进行等权配置，形成最终的股票组合。报告中设定M=20[40] * **模型评价**：该模型通过跟踪市场上表现优异的机构投资者的持仓行为，提供了一种基于市场聪明钱（Smart Money）动向的投资策略思路[4][38] 模型的回测效果 1. **港股 CCASS 优选 20 组合模型**[4][42][43] * **全区间（2020年1月 ~ 2025年11月）表现**： * 年化超额收益率：19.7%[42][43] * 年化波动率：7.6%[43] * 夏普比率：2.59[43] * 最大回撤：-6.0%[43] * 月度胜率：78.9%[43] * **分年度表现**： * **2020年**：年化超额收益率 37.4%，年化波动率 9.7%，夏普比率 3.85，最大回撤 -5.4%，月度胜率 91.7%[43] * **2021年**：年化超额收益率 11.5%，年化波动率 8.2%，夏普比率 1.40，最大回撤 -5.1%，月度胜率 50.0%[43] * **2022年**：年化超额收益率 12.2%，年化波动率 8.2%，夏普比率 1.48，最大回撤 -4.5%，月度胜率 75.0%[43] * **2023年**：年化超额收益率 20.3%，年化波动率 6.8%，夏普比率 2.99，最大回撤 -3.7%，月度胜率 75.0%[43] * **2024年**：年化超额收益率 22.5%，年化波动率 6.7%，夏普比率 3.38，最大回撤 -3.7%，月度胜率 91.7%[43] * **2025年（截至11月）**：年化超额收益率 15.9%，年化波动率 5.0%，夏普比率 3.17，最大回撤 -2.0%，月度胜率 90.9%[43] * **近期表现（2025年11月）**： * 组合收益率：0.13%[4][42] * 基准（恒生指数）收益率：-0.18%[4][42] * 月度超额收益率：0.32%[4][42] 量化因子与构建方式 1. **因子名称：经纪商综合得分因子**[38][40] * **因子构建思路**：通过结合经纪商历史表现的风险调整后收益（超额夏普比率）和稳定性（月度胜率）两个维度，构建一个综合评分来识别长期表现优异的经纪商[38][40] * **因子具体构建过程**： 1. 对于每个经纪商，计算其历史（例如，从回测起始日至当前截面期）的“超额夏普比率”和“月度胜率”。 2. 对全市场所有经纪商的“超额夏普比率”时间序列进行标准化处理，得到每个经纪商的标准化超额夏普比率值。 3. 对全市场所有经纪商的“月度胜率”值进行标准化处理，得到每个经纪商的标准化月度胜率值。 4. 将每个经纪商的标准化超额夏普比率值与标准化月度胜率值等权相加，得到该经纪商的综合得分。 * 公式说明：该过程涉及标准化计算，例如，对于指标X，其标准化值 Z = (X - μ) / σ，其中μ为该指标在所有经纪商中的均值，σ为标准差。最终综合得分 = Z_夏普 + Z_胜率[38][40] 因子的回测效果 1. **经纪商综合得分因子**（应用于筛选出的部分绩优经纪商示例，回测区间：2019年9月26日至2025年8月8日）[41] * **辉立证券(香港)**：年化超额收益率 10.4%，年化超额波动率 6.0%，超额夏普比率 1.73，最大回撤 -3.8%，月度胜率 73.61%，周度胜率 64.17%[41] * **加福证券**：年化超额收益率 12.9%，年化超额波动率 10.0%，超额夏普比率 1.29，最大回撤 -10.9%，月度胜率 79.17%，周度胜率 55.70%[41] * **巨亨证券**：年化超额收益率 18.1%，年化超额波动率 11.0%，超额夏普比率 1.65，最大回撤 -12.0%，月度胜率 73.61%，周度胜率 60.26%[41] * **奕丰证券(香港)**：年化超额收益率 8.6%，年化超额波动率 5.5%，超额夏普比率 1.57，最大回撤 -4.1%，月度胜率 70.83%，周度胜率 59.61%[41] * **中润证券**：年化超额收益率 14.1%，年化超额波动率 8.7%，超额夏普比率 1.62，最大回撤 -9.1%，月度胜率 69.44%，周度胜率 57.65%[41] * **宝盛证券(香港)**：年化超额收益率 9.8%，年化超额波动率 7.1%，超额夏普比率 1.38，最大回撤 -5.9%，月度胜率 72.22%，周度胜率 57.98%[41] * **沪市港股通**：年化超额收益率 9.8%，年化超额波动率 6.6%，超额夏普比率 1.48，最大回撤 -7.2%，月度胜率 70.83%，周度胜率 57.65%[41] * **银河—联昌证券(香港)**：年化超额收益率 9.6%，年化超额波动率 5.9%，超额夏普比率 1.64，最大回撤 -4.4%，月度胜率 66.67%，周度胜率 60.59%[41] * **盈透证券香港**：年化超额收益率 12.3%，年化超额波动率 8.8%，超额夏普比率 1.40，最大回撤 -10.3%，月度胜率 69.44%，周度胜率 57.65%[41] * **新基立证券**：年化超额收益率 11.4%，年化超额波动率 9.1%，超额夏普比率 1.26，最大回撤 -8.6%，月度胜率 70.83%，周度胜率 57.33%[41]

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：预期高股息组合模型**[3][8] * **模型构建思路**：该模型旨在构建一个高股息股票组合，其核心是预测股票的预期股息率，而非仅依赖历史股息率。模型采用两阶段方法构建预期股息率指标，并辅以反转因子和盈利因子进行辅助筛选，最终在沪深300成份股中优选个股构建组合。[3][8] * **模型具体构建过程**： 1. **确定股票池**：以沪深300指数成份股为初选池，剔除其中处于停牌或涨停状态的股票。[9] 2. **应用辅助筛选因子**： * **剔除高动量股**：剔除股票池中短期动量最高的20%股票，即21日累计涨幅最高的20%个股。此步骤旨在应用反转因子，避开近期涨幅过大的股票。[13] * **剔除盈利下滑股**：剔除股票池中盈利下滑的个股，即单季度净利润同比增长率小于0的股票。此步骤旨在应用盈利因子，确保公司基本面健康。[13] 3. **排序与最终选股**：在完成上述筛选的剩余股票池中，按照计算出的“预期股息率”进行降序排序，选取排名最高的30只股票。[9] 4. **组合构建**：对最终选出的30只股票采用等权重方式构建投资组合。组合每月底调仓一次。[3][8] 2. **模型名称：红利择时框架**[23][25] * **模型构建思路**：该模型是一个多因子合成信号模型，用于判断对红利策略（如中证红利指数）的整体市场时机（看多或看空）。它综合了来自通胀、流动性、利率和市场情绪四个类别的五个单因子信号。[23][25] * **模型具体构建过程**： * 模型包含五个单因子信号，每个信号根据其预设的宏观经济或市场状况方向，输出看多（信号值为1）或看空（信号值为0）红利的观点。[23][25] * **单因子列表**： * **通胀因子**：PPI同比（高/低位），方向为正向（+），即PPI处于高位时看多红利。[25] * **流动性因子1**：M2同比（高/低位），方向为负向（-），即M2处于高位时看空红利。[25] * **流动性因子2**：M1-M2剪刀差（高/低位），方向为负向（-），即剪刀差处于高位时看空红利。[25] * **利率因子**：美国10年期国债收益率（高/低位），方向为正向（+），即美债收益率处于高位时看多红利。[25] * **市场情绪因子**：红利股成交额占比（上/下行），方向为负向（-），即占比处于上行趋势时看空红利。[25] * **合成信号**：将上述五个单因子信号合成为一个综合信号，用于给出最终的择时观点。[23][25] 模型的回测效果 1. **预期高股息组合模型**[11] * **回测区间**：2009年2月2日至2017年8月31日（103个自然月）[11] * **基准对比**：沪深300全收益指数[11] * **累计收益**：358.90%[11] * **累计超额收益**：107.44%[11] * **年化超额收益**：8.87%[11] * **超额收益滚动一年最大回撤**：12.26%[11] * **月度超额胜率**：60.19%[11] 2. **预期高股息组合模型 (近期表现)**[14] * **观察期间**：2025年11月[14] * **基准对比1**：沪深300指数[14] * **组合月收益**：0.70%[14] * **基准月收益**：-2.37%[14] * **相对基准超额收益**：3.08%[14] * **基准对比2**：中证红利指数[14] * **基准月收益**：-1.61%[14] * **相对基准超额收益**：2.31%[14] 3. **红利择时框架**[23][25] * **最新观点时间**：2025年12月[23] * **合成信号值**：0 (代表看空红利)[23][25] * **模型观点**：对中证红利指数持谨慎态度[3][23] 量化因子与构建方式 1. **因子名称：预期股息率因子**[3][8][14] * **因子构建思路**：该因子旨在预测股票未来可能实现的股息率，而非使用历史数据。构建分为两个阶段，第一阶段基于已公告的分红方案，第二阶段基于历史分红和基本面指标进行预测。[3][8][14] * **因子具体构建过程**：报告未提供具体的计算公式和预测模型细节，但明确了构建逻辑分为两阶段： * **第一阶段**：对于已经发布年报并公告利润分配方案的股票，直接根据其公告内容计算股息率。[3][8] * **第二阶段**：对于尚未公告分红的股票，利用其历史分红数据结合基本面指标来预测并计算股息率。[3][8] 2. **因子名称：反转因子 (用于辅助筛选)**[3][8][13][14] * **因子构建思路**：该因子基于短期价格动量反转效应，认为近期涨幅过高的股票后续表现可能不佳，因此在筛选高股息股票时将其剔除。[3][13][14] * **因子具体构建过程**：计算股票过去21个交易日的累计收益率。在模型应用中，直接剔除累计收益率排名最高的20%的股票。[13] 3. **因子名称：盈利因子 (用于辅助筛选)**[3][8][13][14] * **因子构建思路**：该因子用于识别盈利能力出现下滑的公司，确保所选高股息股票具有稳定的盈利基础。[3][13][14] * **因子具体构建过程**：使用单季度净利润同比增长率。在模型应用中，直接剔除该增长率小于0的股票。[13] 4. **因子名称：红利择时框架下的单因子**[23][25] * **因子构建思路**：这些因子均为宏观经济或市场情绪指标，通过判断其处于历史相对高位或低位，或者处于上行/下行趋势，来产生对红利资产的观点。[23][25] * **因子具体构建过程**：报告未提供每个因子的具体量化阈值或计算方法，但列出了因子的名称、对红利资产影响的方向（+表示正向，-表示负向）以及信号生成逻辑（高/低位或上/下行）。[25] * PPI同比（高/低位）[25] * M2同比（高/低位）[25] * M1-M2剪刀差（高/低位）[25] * 美国10年期国债收益率（高/低位）[25] * 红利股成交额占比（上/下行）[25] 因子的回测效果 （报告未提供单个因子的独立测试结果，如IC值、IR值等。因子效果体现在其参与构建的组合模型整体回测表现中。）

根据提供的研报内容，以下是关于量化因子与模型的总结。 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”字段[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交易单（大单）[7]。 4. 计算指标：从大单中筛选出买入方向的大单（大买单），计算其成交金额之和，再除以当日该股票的总成交金额。 $$大买单成交金额占比 = \frac{当日大买单成交金额总和}{当日总成交金额} \times 100\%$$ * **因子评价**：该因子直接反映了大规模资金在特定股票上的买入强度。 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”字段[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. 计算指标：将净主动买入金额除以当日该股票的总成交金额。 $$净主动买入金额占比 = \frac{当日主动买入成交金额 - 当日主动卖出成交金额}{当日总成交金额} \times 100\%$$ * **因子评价**：该因子反映了市场参与者的交易意愿和资金流向，正值代表净主动买入，负值代表净主动卖出。 因子的回测效果 1. **大买单成交金额占比因子**，近5日（20251124-20251128）指标均值示例：新华都(90.6%)[9]，北辰实业(89.1%)[9]，中油工程(88.8%)[9]，河钢股份(88.6%)[9]，中化国际(88.6%)[9]，山东钢铁(88.5%)[9]，日照港(88.5%)[9]，中国铁物(88.4%)[9]，江南高纤(88.3%)[9] 2. **净主动买入金额占比因子**，近5日（20251124-20251128）指标均值示例：森鹰窗业(22.3%)[10]，汇通集团(20.0%)[10]，苑东生物(19.6%)[10]，欧林生物(16.1%)[10]，诺诚健华-U(15.5%)[10]，沪农商行(15.3%)[10]，瑞凌股份(15.2%)[10]，国电电力(15.1%)[10]，宝明科技(14.8%)[10]，力聚热能(14.4%)[10]

根据提供的研报内容，该报告主要对宽基指数进行市场数据跟踪和统计分析，并未涉及具体的量化交易模型或用于选股的量化因子。报告内容集中于市场指标的描述和比较。以下是总结： 量化模型与构建方式 （报告未涉及具体的量化交易模型） 量化因子与构建方式 （报告未涉及用于选股或组合构建的量化因子） 市场指标与统计方式 1. **指数换手率**[19] * **构建思路**：衡量宽基指数成分股的整体交易活跃程度。 * **具体构建过程**：计算方式为指数内所有成分股的换手率按其流通股本加权的平均值。具体公式如下： $$换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$$ * **评价**：该指标是反映市场流动性的常用指标。 2. **风险溢价**[29][31][32] * **构建思路**：以十年期国债即期收益率为无风险利率，计算股票指数的预期收益率（通常用市盈率倒数近似）超出无风险利率的部分，用以衡量股票市场的相对投资价值和风险补偿。 * **具体构建过程**：报告中使用各宽基指数的市盈率（PE-TTM）的倒数减去十年期国债即期收益率。公式可表示为： $$风险溢价 ≈ \frac{1}{PE_{TTM}} - R_f$$ 其中，\( R_f \) 代表无风险利率（十年期国债即期收益率）。 * **评价**：该指标有助于判断市场估值水平和风险收益比，存在均值回归特性[29]。 3. **股债性价比**[47] * **构建思路**：是风险溢价的一种具体应用，通过比较股票市场收益率（市盈率倒数）与债券收益率（十年期国债）的差异，来辅助资产配置决策。 * **具体构建过程**：与风险溢价计算方式相同，即市盈率（PE-TTM）的倒数与十年期国债即期收益率之差。 $$股债性价比 = \frac{1}{PE_{TTM}} - R_f$$ * **评价**：该指标直观地展示了股票和债券两类资产的理论收益率差异。 4. **分布形态指标（峰度和偏度）**[25][27] * **构建思路**：分析指数日收益率分布的形状特征，峰度衡量分布的陡峭或扁平程度，偏度衡量分布的不对称性。 * **具体构建过程**：报告中对近5年（基准期）和当前（报告期）的指数日收益率序列分别计算峰度和偏度。报告中特别说明，其峰度计算中减去了3（正态分布的峰度值），即计算的是超额峰度（Excess Kurtosis）[27]。 * **评价**：这些指标有助于理解市场收益的统计特性和潜在风险。 市场指标的回测效果 （报告为市场快照，展示的是截至报告日的截面数据或近期历史统计，并非基于历史数据的策略回测结果。因此，本部分不适用） 市场指标的统计结果 1. **指数换手率**（截至2025年12月1日）[19] * 中证2000：3.99 * 创业板指：2.72 * 中证1000：2.4 * 中证全指：1.7 * 中证500：1.57 * 沪深300：0.61 * 上证50：0.27 2. **风险溢价**（截至2025年12月1日）[32] * 当前风险溢价：上证50 (0.80%), 沪深300 (1.09%), 中证500 (0.99%), 中证1000 (0.71%), 中证2000 (0.69%), 中证全指 (0.94%), 创业板指 (1.30%) * 近5年分位值：上证50 (82.14%), 沪深300 (86.67%), 中证500 (82.62%), 中证1000 (71.51%), 中证2000 (66.43%), 中证全指 (82.54%), 创业板指 (81.43%) * 近1年波动率：上证50 (0.86%), 沪深300 (0.99%), 中证500 (1.30%), 中证1000 (1.45%), 中证2000 (1.67%), 中证全指 (1.17%), 创业板指 (1.85%) 3. **PE-TTM**（截至2025年12月1日）[44] * 当前值：上证50 (11.90), 沪深300 (14.06), 中证500 (32.45), 中证1000 (47.26), 中证2000 (155.52), 中证全指 (21.11), 创业板指 (40.32) * 近5年历史分位值：上证50 (85.45%), 沪深300 (83.72%), 中证500 (95.29%), 中证1000 (96.61%), 中证2000 (82.31%), 中证全指 (92.56%), 创业板指 (55.79%) 4. **股息率**（截至2025年12月1日）[54] * 当前值：上证50 (3.30%), 沪深300 (2.71%), 中证500 (1.38%), 中证1000 (1.12%), 中证2000 (0.76%), 中证全指 (2.02%), 创业板指 (1.02%) * 近5年历史分位值：上证50 (35.29%), 沪深300 (37.02%), 中证500 (16.28%), 中证1000 (46.28%), 中证2000 (12.64%), 中证全指 (35.95%), 创业板指 (69.59%) 5. **破净率**（截至2025年12月1日）[57] * 上证50：18.0% * 沪深300：15.67% * 中证500：12.0% * 中证1000：7.9% * 中证2000：3.0% * 创业板指：1.0% * 中证全指：6.08% 6. **分布形态指标**（当前 vs 近5年）[27] * **峰度变化（当前 - 近5年）**：上证50 (-2.09), 沪深300 (-1.82), 中证500 (-1.98), 中证1000 (-1.37), 中证2000 (-1.54), 中证全指 (-1.72), 创业板指 (-2.24) * **偏度变化（当前 - 近5年）**：上证50 (-0.58), 沪深300 (-0.46), 中证500 (-0.51), 中证1000 (-0.38), 中证2000 (-0.37), 中证全指 (-0.42), 创业板指 (-0.55)

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，选择扩散指数排名靠前的行业进行配置[22][34] - **模型具体构建过程**：模型通过计算每个中信一级行业的扩散指数，该指数反映了行业内个股价格走势的强弱程度，具体构建过程未在报告中详细说明，但核心是识别具有向上趋势的行业[22][24] - **模型评价**：在趋势性行情中表现较好，但在市场风格从趋势转向反转时可能面临失效风险[23][34] 2. GRU因子行业轮动模型 - **模型名称**：GRU因子行业轮动模型[30] - **模型构建思路**：基于门控循环单元（GRU）深度学习网络，利用分钟频量价数据生成行业因子，以把握短期交易信息并进行行业轮动[30][35] - **模型具体构建过程**：模型将分钟频量价数据输入GRU网络进行训练，生成各行业的GRU因子值，GRU作为一种循环神经网络，能够捕捉时间序列数据中的长期依赖关系，具体网络结构和训练参数未详细说明[30][35] - **模型评价**：在短周期内表现较好，对交易信息敏感，但在长周期表现一般，且可能因极端行情而失效[30][35] 模型的回测效果 1. 扩散指数行业轮动模型 - 2025年12月建议配置行业：有色金属、综合、钢铁、银行、电力设备及新能源、电子[23][27] - 本周平均收益：3.53%[27] - 本周超额收益（相对中信一级行业等权）：1.10%[27] - 11月以来超额收益：-0.11%[27] - 2025年以来超额收益：2.55%[22][27] 2. GRU因子行业轮动模型 - 2025年12月建议配置行业：综合、钢铁、银行、综合金融、商贸零售、农林牧渔[31] - 本周调入行业：钢铁[33] - 本周调出行业：房地产[33] - 本周平均收益：1.06%[33] - 本周超额收益（相对中信一级行业等权）：-1.43%[33] - 11月以来超额收益：1.58%[33] - 2025年以来超额收益：-4.45%[30][33] 量化因子与构建方式 1. 行业扩散指数因子 - **因子名称**：行业扩散指数[24] - **因子构建思路**：通过量化行业内个股的价格动量，合成一个代表行业整体趋势强弱的扩散指数[24] - **因子具体构建过程**：报告未提供具体的计算公式和构建步骤，但指出该因子用于衡量行业趋势强度，数值越高代表行业趋势越强[24][25] 2. GRU行业因子 - **因子名称**：GRU行业因子[31] - **因子构建思路**：利用GRU深度学习模型处理分钟频量价数据，输出代表行业短期强弱的因子值[31][35] - **因子具体构建过程**：报告未提供具体的计算公式和构建步骤，但指出该因子基于历史量价数据训练生成，用于行业轮动决策[31][35] 因子的回测效果 1. 行业扩散指数因子 - 截至2025年11月28日，因子排名前六的行业及取值：有色金属(0.994)、综合(0.961)、钢铁(0.939)、银行(0.937)、电力设备及新能源(0.902)、电子(0.853)[24] - 截至2025年11月28日，因子排名后六的行业及取值：食品饮料(0.343)、电力及公用事业(0.498)、交通运输(0.503)、房地产(0.548)、建筑(0.563)、石油石化(0.616)[24] - 周度环比变化提升前六的行业及变化值：建材(+0.197)、汽车(+0.185)、消费者服务(+0.158)、传媒(+0.153)、综合金融(+0.146)、计算机(+0.144)[26] - 周度环比变化下降后六的行业及变化值：石油石化(-0.058)、煤炭(-0.007)、银行(+0.002)、有色金属(+0.009)、农林牧渔(+0.033)、食品饮料(+0.043)[26] 2. GRU行业因子 - 截至2025年11月28日，因子排名前六的行业及取值：综合(4.42)、钢铁(3.9)、银行(0.5)、综合金融(0.43)、商贸零售(0.18)、农林牧渔(-0.33)[31] - 截至2025年11月28日，因子排名后六的行业及取值：通信(-15.26)、国防军工(-9.1)、电子(-8.71)、医药(-8.44)、计算机(-8.11)、房地产(-7.63)[31] - 周度环比变化提升较大的行业：综合、钢铁、综合金融[31] - 周度环比变化下降较大的行业：传媒、交通运输、家电[31]