根据提供的研报内容，以下是关于量化模型和因子的详细总结： 量化模型与构建方式 1. 模型名称：国信金工指数增强模型 **模型构建思路**：以多因子选股为核心，通过收益预测、风险控制和组合优化三个步骤，构建对标不同宽基指数的增强组合，目标是稳定战胜各自基准[11][12] **模型具体构建过程**： 1. **收益预测**：基于多因子模型进行股票收益预测[12] 2. **风险控制**：控制组合相对于基准指数的风险暴露[12] 3. **组合优化**：在风险约束下进行组合权重优化，以最大化预期收益[12] 该模型分别针对沪深300、中证500、中证1000及中证A500指数构建增强组合[11][12] 2. 模型名称：单因子MFE组合模型 **模型构建思路**：采用组合优化的方式来检验在控制各种实际约束（如行业、风格暴露）后，单因子的有效性，通过构建最大化单因子暴露组合（MFE组合）来评估因子表现[41] **模型具体构建过程**： 使用如下组合优化模型构建MFE组合： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ 其中： - $f$ 为因子取值向量，$f^{T}w$ 为组合在单因子上的加权暴露[41][42] - $w$ 为待求解的股票权重向量，$w_b$ 为基准指数成分股权重向量[41][42] - $X$ 为股票对风格因子的暴露矩阵，$s_l$, $s_h$ 为风格因子相对暴露的上下限[42] - $H$ 为股票的行业暴露矩阵，$h_l$, $h_h$ 为组合行业偏离的上下限[42] - $w_l$, $w_h$ 为个股相对于基准指数成分股权重偏离的上下限[42] - $B_b$ 为个股是否属于基准指数成分股的0-1向量，$b_l$, $b_h$ 为成分股内权重的上下限[42] - $l$ 为个股权重上限，约束条件 $\mathbf{0}\leq w\leq l$ 限制卖空并控制个股权重上限[42] - 约束条件 $\mathbf{1}^{T}\ w=1$ 确保组合满仓运作[42] 具体构建流程包括： 1. 设定MFE组合的约束条件（如控制行业暴露为0、市值风格暴露为0、个股最大偏离权重0.5%-1%、成分股内权重占比100%）[45] 2. 在每个月末，根据约束条件为每个单因子构建MFE组合[45] 3. 在回测期内根据MFE组合换仓，计算历史收益并扣除交易费用（双边0.3%），最后计算相对于基准的收益风险指标[45] 量化因子与构建方式 研报从估值、反转、成长、盈利、流动性、公司治理、分析师等多个维度构建了30余个常见因子[16][17]。以下是各因子的名称和简要计算方式： **估值类因子**： 1. **因子名称**：BP **因子构建思路**：衡量市净率的倒数 **因子具体构建过程**：净资产 / 总市值[17] 2. **因子名称**：单季EP **因子构建思路**：衡量单季度盈利与市值的比率 **因子具体构建过程**：单季度归母净利润 / 总市值[17] 3. **因子名称**：单季SP **因子构建思路**：衡量单季度营收与市值的比率 **因子具体构建过程**：单季度营业收入 / 总市值[17] 4. **因子名称**：EPTTM **因子构建思路**：衡量滚动盈利与市值的比率 **因子具体构建过程**：归母净利润TTM / 总市值[17] 5. **因子名称**：SPTTM **因子构建思路**：衡量滚动营收与市值的比率 **因子具体构建过程**：营业收入TTM / 总市值[17] 6. **因子名称**：EPTTM一年分位点 **因子构建思路**：衡量当前EPTTM在过去一年中的相对位置 **因子具体构建过程**：EPTTM在过去一年中的分位点[17] 7. **因子名称**：股息率 **因子构建思路**：衡量分红收益 **因子具体构建过程**：最近四个季度预案分红金额 / 总市值[17] **反转类因子**： 8. **因子名称**：一个月反转 **因子构建思路**：衡量短期价格反转效应 **因子具体构建过程**：过去20个交易日涨跌幅[17] 9. **因子名称**：三个月反转 **因子构建思路**：衡量中期价格反转效应 **因子具体构建过程**：过去60个交易日涨跌幅[17] 10. **因子名称**：一年动量 **因子构建思路**：衡量长期价格动量效应（排除近期） **因子具体构建过程**：近一年除近一月后动量[17] **成长类因子**： 11. **因子名称**：单季净利同比增速 **因子构建思路**：衡量单季度净利润增长率 **因子具体构建过程**：单季度净利润同比增长率[17] 12. **因子名称**：单季营收同比增速 **因子构建思路**：衡量单季度营业收入增长率 **因子具体构建过程**：单季度营业收入同比增长率[17] 13. **因子名称**：单季营利同比增速 **因子构建思路**：衡量单季度营业利润增长率 **因子具体构建过程**：单季度营业利润同比增长率[17] 14. **因子名称**：SUE (标准化预期外盈利) **因子构建思路**：衡量盈利超预期程度（标准化） **因子具体构建过程**：(单季度实际净利润 - 预期净利润) / 预期净利润标准差[17] 15. **因子名称**：SUR (标准化预期外收入) **因子构建思路**：衡量收入超预期程度（标准化） **因子具体构建过程**：(单季度实际营业收入 - 预期营业收入) / 预期营业收入标准差[17] 16. **因子名称**：单季超预期幅度 **因子构建思路**：衡量盈利超预期幅度 **因子具体构建过程**：预期单季度净利润 / 财报单季度净利润[17] **盈利类因子**： 17. **因子名称**：单季ROE **因子构建思路**：衡量单季度净资产收益率 **因子具体构建过程**：(单季度归母净利润 * 2) / (期初归母净资产 + 期末归母净资产)[17] 18. **因子名称**：单季ROA **因子构建思路**：衡量单季度总资产收益率 **因子具体构建过程**：(单季度归母净利润 * 2) / (期初归母总资产 + 期末归母总资产)[17] 19. **因子名称**：DELTAROE **因子构建思路**：衡量净资产收益率的变化 **因子具体构建过程**：单季度净资产收益率 - 去年同期单季度净资产收益率[17] 20. **因子名称**：DELTAROA **因子构建思路**：衡量总资产收益率的变化 **因子具体构建过程**：单季度总资产收益率 - 去年同期单季度总资产收益率[17] **流动性类因子**： 21. **因子名称**：非流动性冲击 **因子构建思路**：衡量价格冲击成本 **因子具体构建过程**：过去20个交易日的日涨跌幅绝对值 / 成交额的均值[17] 22. **因子名称**：一个月换手 **因子构建思路**：衡量短期换手率 **因子具体构建过程**：过去20个交易日换手率均值[17] 23. **因子名称**：三个月换手 **因子构建思路**：衡量中期换手率 **因子具体构建过程**：过去60个交易日换手率均值[17] **波动类因子**： 24. **因子名称**：特异度 **因子构建思路**：衡量特异性风险 **因子具体构建过程**：1 - 过去20个交易日Fama-French三因子回归的拟合度[17] 25. **因子名称**：一个月波动 **因子构建思路**：衡量短期波动率 **因子具体构建过程**：过去20个交易日日内真实波幅均值[17] 26. **因子名称**：三个月波动 **因子构建思路**：衡量中期波动率 **因子具体构建过程**：过去60个交易日日内真实波幅均值[17] **公司治理类因子**： 27. **因子名称**：高管薪酬 **因子构建思路**：衡量高管激励水平 **因子具体构建过程**：前三高管报酬总额取对数[17] **分析师类因子**： 28. **因子名称**：预期EPTTM **因子构建思路**：基于分析师一致预期的滚动EP **因子具体构建过程**：一致预期滚动EP[17] 29. **因子名称**：预期BP **因子构建思路**：基于分析师一致预期的滚动PB倒数 **因子具体构建过程**：一致预期滚动PB[17] 30. **因子名称**：预期PEG **因子构建思路**：基于分析师一致预期的PEG比率 **因子具体构建过程**：一致预期PEG[17] 31. **因子名称**：预期净利润环比 **因子构建思路**：衡量分析师预期净利润的变化 **因子具体构建过程**：一致预期净利润 / 3个月前一致预期净利润[17] 32. **因子名称**：三个月盈利上下调 **因子构建思路**：衡量分析师盈利预测调整情绪 **因子具体构建过程**：过去3个月内分析师(上调家数 - 下调家数) / 总家数[17] 33. **因子名称**：三个月机构覆盖 **因子构建思路**：衡量机构关注度 **因子具体构建过程**：过去3个月内机构覆盖数量[17] 模型的回测效果 1. **国信金工沪深300指数增强模型**，本周超额收益0.93%，本年超额收益12.11%[5][14] 2. **国信金工中证500指数增强模型**，本周超额收益-0.58%，本年超额收益10.97%[5] 3. **国信金工中证1000指数增强模型**，本周超额收益-1.56%，本年超额收益14.33%[5] 4. **国信金工中证A500指数增强模型**，本周超额收益-0.15%，本年超额收益11.56%[5] 因子的回测效果 (以沪深300样本空间为例) 1. **单季ROA因子**，最近一周1.52%，最近一月2.85%，今年以来8.45%，历史年化3.76%[19] 2. **标准化预期外收入(SUR)因子**，最近一周1.38%，最近一月1.68%，今年以来6.55%，历史年化4.60%[19] 3. **标准化预期外盈利(SUE)因子**，最近一周1.37%，最近一月2.30%，今年以来8.52%，历史年化4.16%[19] 4. **单季ROE因子**，最近一周1.30%，最近一月2.45%，今年以来9.29%，历史年化4.52%[19] 5. **单季营收同比增速因子**，最近一周1.17%，最近一月2.52%，今年以来10.14%，历史年化4.31%[19] 6. **DELTAROE因子**，最近一周1.15%，最近一月2.26%，今年以来9.52%，历史年化3.98%[19] 7. **一年动量因子**，最近一周0.96%，最近一月0.29%，今年以来-2.40%，历史年化1.88%[19] 8. **DELTAROA因子**，最近一周0.88%，最近一月2.03%，今年以来8.24%，历史年化4.34%[19] 9. **单季净利同比增速因子**，最近一周0.87%，最近一月2.55%，今年以来8.74%，历史年化3.46%[19] 10. **单季营利同比增速因子**，最近一周0.70%，最近一月1.90%，今年以来9.01%，历史年化3.18%[19] 11. **三个月盈利上下调因子**，最近一周0.65%，最近一月0.50%，今年以来4.75%，历史年化5.25%[19] 12. **三个月机构覆盖因子**，最近一周0.39%，最近一月1.25%，今年以来6.92%，历史年化2.91%[19] 13. **单季超预期幅度因子**，最近一周0.23%，最近一月1.90%，今年以来6.06%，历史年化3.61%[19] 14. **高管薪酬因子**，最近一周0.15%，最近一月1.24%，今年以来4.67%，历史年化3.45%[19] 15. **预期净利润环比因子**，最近一周0.09%，最近一月0.49%，今年以来2.46%，历史年化1.58%[19] 16. **预期PEG因子**，最近一周0.01%，最近一月1.09%，今年以来7.39%，历史年化3.34%[19] 17. **EPTTM因子**，最近一周-0.23%，最近一月0.61%，今年以来4.24%，历史年化4.41%[19] 18. **三个月反转因子**，最近一周-0.25%，最近一月-0.79%，今年以来3.14%，历史年化1.00%[19] 19. **股息率因子**，最近一周-0.28%，最近一月0.87%，今年以来2.20%，历史年化3.88%[19] 20. **单季EP因子**，最近一周-0.30%，最近一月0.40%，今年以来5.61%，历史年化5.31%[19] 21. **EPTTM一年分位点因子**，最近一周-0.32%，最近一月0.82%，今年以来5.98%，历史年化2.55%[19] 22. **特异度因子**，最近一周-0.33%，最近一月0.01%，今年以来2.87%，历史年化0.35%[19] 23. **单季SP因子**，最近一周-0.49%，最近一月-0.62%，今年以来0.18%，历史年化2.90%[19] 24. **SPTTM因子**，最近一周-0.55%，最近一月-0.74%，今年以来-1.15%，历史年化2.12%[19] 25. **预期EPTTM因子**，最近一周-0.65%，最近一月0.43%，今年以来4.54%，历史年化4.03%[19] 26. **BP因子**，最近一周-0.73%，最近一月-0.07%，今年以来0.15%，历史年化2.74%[19] 27. **预期BP因子**，最近一周-0.76%，最近一月0.31%，今年以来1.36%，历史年化3.40%[19] 28. **一个月换手因子**，最近一周-0.96%，最近一月-0.21%，今年以来-2.27%，历史年化1.65%[19] 29. **三个月换手因子**，最近一周-0.97%，最近一月-0.19%，今年以来-1.81%，历史年化2.77%[19] 30. **一个月反转因子**，最近一周-1.07%，最近一月-0.84%，今年以来3.10%，历史年化-0.20%[19] 31. **非流动性冲击因子**，最近一周-1.16%，最近一月-1.30%，今年以来-0.76%，历史年化0.30%[19] 32. **三个月波动因子**，最近一周-1.37%，最近一月-1.49%，今年以来-1.55%，历史年化2.06%[19] 33. **一个月波动因子**，最近一周-1.40%，最近一月-1.85%，今年以来-1.35%，历史年化1.19%[19] *(注：其他样本空间如中证500、中证1000、中证A500、公募重仓指数的因子表现详见原文图表，此处不逐一列举)[20][21][22][23][24][25][26][27]*

量化因子与构建方式 1. **因子名称**：单季度总资产毛利率 - **因子构建思路**：衡量公司单季度的总资产毛利率，反映公司盈利能力[12] - **因子具体构建过程**：计算单季度毛利与总资产的比值 $$单季度总资产毛利率 = \frac{单季度毛利}{总资产}$$ - **因子评价**：正向因子，盈利能力强的公司表现更佳[13] 2. **因子名称**：单季度ROE - **因子构建思路**：衡量公司单季度的净资产收益率，反映股东权益的收益水平[12] - **因子具体构建过程**：计算单季度净利润与净资产的比值 $$单季度ROE = \frac{单季度净利润}{净资产}$$ - **因子评价**：正向因子，高ROE公司表现更优[13] 3. **因子名称**：总资产增长率 - **因子构建思路**：衡量公司总资产的增长情况，反映公司扩张能力[12] - **因子具体构建过程**：计算总资产的环比增长率 $$总资产增长率 = \frac{本期总资产 - 上期总资产}{上期总资产}$$ - **因子评价**：正向因子，资产增长快的公司表现更好[13] 4. **因子名称**：市净率因子 - **因子构建思路**：衡量公司市净率，反映估值水平[12] - **因子具体构建过程**：计算市值与净资产的比值 $$市净率因子 = \frac{市值}{净资产}$$ - **因子评价**：正向因子，但近期表现较差[13] 5. **因子名称**：下行波动率占比 - **因子构建思路**：衡量股价下行波动率占总波动率的比例，反映风险水平[12] - **因子具体构建过程**：计算下行波动率与总波动率的比值 $$下行波动率占比 = \frac{下行波动率}{总波动率}$$ - **因子评价**：负向因子，高下行波动率公司表现较差[13] 6. **因子名称**：beta因子 - **因子构建思路**：衡量股票与市场的相关性，反映系统性风险[20] - **因子具体构建过程**：通过回归计算股票收益率与市场收益率的beta值 $$beta = \frac{Cov(r_i, r_m)}{Var(r_m)}$$ - **因子评价**：正向因子，近期表现较好[20] 7. **因子名称**：规模因子 - **因子构建思路**：衡量公司市值大小，反映规模效应[20] - **因子具体构建过程**：计算公司市值的对数 $$规模因子 = log(市值)$$ - **因子评价**：正向因子，大市值公司近期表现突出[20] 8. **因子名称**：BP因子 - **因子构建思路**：衡量公司市净率的倒数，反映估值水平[20] - **因子具体构建过程**：计算净资产与市值的比值 $$BP因子 = \frac{净资产}{市值}$$ - **因子评价**：负向因子，近期表现较差[20] 9. **因子名称**：净资产增长率因子 - **因子构建思路**：衡量公司净资产的增长情况，反映股东权益的扩张能力[22] - **因子具体构建过程**：计算净资产的环比增长率 $$净资产增长率因子 = \frac{本期净资产 - 上期净资产}{上期净资产}$$ - **因子评价**：正向因子，在通信、建筑材料行业表现突出[22] 10. **因子名称**：净利润增长率因子 - **因子构建思路**：衡量公司净利润的增长情况，反映盈利能力的提升[22] - **因子具体构建过程**：计算净利润的环比增长率 $$净利润增长率因子 = \frac{本期净利润 - 上期净利润}{上期净利润}$$ - **因子评价**：正向因子，在通信行业表现较好[22] 11. **因子名称**：每股净资产因子 - **因子构建思路**：衡量公司每股净资产，反映股东权益的账面价值[22] - **因子具体构建过程**：计算净资产与总股本的比值 $$每股净资产因子 = \frac{净资产}{总股本}$$ - **因子评价**：正向因子，在电气设备行业表现较好[22] 12. **因子名称**：每股经营利润TTM因子 - **因子构建思路**：衡量公司每股经营利润，反映经营效率[22] - **因子具体构建过程**：计算过去12个月经营利润与总股本的比值 $$每股经营利润TTM因子 = \frac{过去12个月经营利润}{总股本}$$ - **因子评价**：正向因子，在通信、电气设备行业表现较好[22] 13. **因子名称**：5日动量因子 - **因子构建思路**：衡量股票5日内的价格动量，反映短期趋势[22] - **因子具体构建过程**：计算5日收益率 $$5日动量因子 = \frac{当前价格 - 5日前价格}{5日前价格}$$ - **因子评价**：动量效应在家用电器、房地产行业明显[22] 14. **因子名称**：1月动量因子 - **因子构建思路**：衡量股票1月内的价格动量，反映中期趋势[22] - **因子具体构建过程**：计算1月收益率 $$1月动量因子 = \frac{当前价格 - 1月前价格}{1月前价格}$$ - **因子评价**：动量效应在建筑材料、房地产、家用电器行业明显[22] 15. **因子名称**：对数市值因子 - **因子构建思路**：衡量公司市值大小，反映规模效应[22] - **因子具体构建过程**：计算公司市值的对数 $$对数市值因子 = log(市值)$$ - **因子评价**：负向因子，在建筑材料、通信、综合、电气设备行业表现较好[22] 16. **因子名称**：残差波动率因子 - **因子构建思路**：衡量股票残差波动率，反映特异性风险[22] - **因子具体构建过程**：通过回归计算股票残差的标准差 $$残差波动率因子 = \sqrt{\frac{\sum (r_i - \hat{r_i})^2}{n-1}}$$ - **因子评价**：负向因子，在家用电器行业表现较好[22] 17. **因子名称**：流动性因子 - **因子构建思路**：衡量股票流动性，反映交易活跃度[22] - **因子具体构建过程**：计算股票日均换手率 $$流动性因子 = \frac{日均成交量}{流通股本}$$ - **因子评价**：正向因子，在通信、计算机行业表现较好[22] 量化模型与构建方式 1. **模型名称**：PB-ROE-50组合 - **模型构建思路**：结合市净率(PB)和净资产收益率(ROE)选股，筛选估值合理且盈利能力强的公司[24] - **模型具体构建过程**： 1) 计算所有股票的PB和ROE 2) 按照PB和ROE进行排序 3) 选取PB较低且ROE较高的50只股票构建组合 4) 定期调仓（如月频）[24] - **模型评价**：长期表现稳定，近期在中证800和全市场股票池中超额收益明显[24] 2. **模型名称**：机构调研组合 - **模型构建思路**：跟踪机构调研行为，筛选被频繁调研的股票[27] - **模型具体构建过程**： 1) 统计公募和私募调研数据 2) 选取被调研频率较高的股票 3) 构建组合并定期调仓[27] - **模型评价**：近期表现欠佳，获取负超额收益[27] 3. **模型名称**：大宗交易组合 - **模型构建思路**：通过分析大宗交易数据，筛选具有超额收益潜力的股票[31] - **模型具体构建过程**： 1) 计算"大宗交易成交金额比率"和"6日成交金额波动率" 2) 按照"高成交、低波动"原则选股 3) 月频调仓构建组合[31] - **模型评价**：近期表现较好，超额收益显著[31] 4. **模型名称**：定向增发组合 - **模型构建思路**：利用定向增发事件效应，筛选具有投资价值的股票[37] - **模型具体构建过程**： 1) 以股东大会公告日为时间节点 2) 综合考虑市值因素和调仓周期 3) 构建组合并控制仓位[37] - **模型评价**：近期表现不佳，超额收益回撤[37] 因子的回测效果 1. **单季度总资产毛利率因子** - 最近1周收益：3.79% - 最近1个月收益：6.44% - 最近1年收益：7.94% - 最近10年收益：3.29%[13] 2. **单季度ROE因子** - 最近1周收益：3.44% - 最近1个月收益：5.70% - 最近1年收益：20.26% - 最近10年收益：60.00%[13] 3. **总资产增长率因子** - 最近1周收益：3.29% - 最近1个月收益：4.66% - 最近1年收益：19.30% - 最近10年收益：-6.55%[13] 4. **市净率因子** - 最近1周收益：-1.16% - 最近1个月收益：0.05% - 最近1年收益：-1.14% - 最近10年收益：34.84%[13] 5. **下行波动率占比因子** - 最近1周收益：-1.50% - 最近1个月收益：0.24% - 最近1年收益：-1.75% - 最近10年收益：40.54%[13] 6. **beta因子** - 最近1周收益：1.35%[20] 7. **规模因子** - 最近1周收益：1.34%[20] 8. **BP因子** - 最近1周收益：-0.16%[20] 模型的回测效果 1. **PB-ROE-50组合** - 中证500股票池： - 本周超越基准收益率：-0.44% - 今年以来超额收益率：2.74% - 本周绝对收益率：3.42% - 今年以来绝对收益率：17.87%[25] - 中证800股票池： - 本周超越基准收益率：1.12% - 今年以来超额收益率：11.48% - 本周绝对收益率：3.92% - 今年以来绝对收益率：21.31%[25] - 全市场股票池： - 本周超越基准收益率：1.23% - 今年以来超额收益率：13.13% - 本周绝对收益率：4.18% - 今年以来绝对收益率：28.87%[25] 2. **机构调研组合** - 公募调研选股策略： - 本周超越基准收益率：-2.45% - 今年以来超额收益率：7.37% - 本周绝对收益率：0.25% - 今年以来绝对收益率：16.83%[28] - 私募调研跟踪策略： - 本周超越基准收益率：-1.50% - 今年以来超额收益率：16.23% - 本周绝对收益率：1.23% - 今年以来绝对收益率：26.47%[28] 3. **大宗交易组合** - 本周超越基准收益率：1.69% - 今年以来超额收益率：35.82% - 本周绝对收益率：4.65% - 今年以来绝对收益率：54.72%[32] 4. **定向增发组合** - 本周超越基准收益率：-3.21% - 今年以来超额收益率：6.33% - 本周绝对收益率：-0.39% - 今年以来绝对收益率：21.13%[38]

量化模型与构建方式 1 **模型名称**：行业拥挤度监测模型 - **模型构建思路**：通过监测申万一级行业指数的拥挤度，识别当前市场热点行业及潜在机会行业[3] - **模型具体构建过程**： 1 计算各行业指数的历史滚动窗口（如30日）内价格、成交量、波动率等指标的标准化值 2 综合多个指标（如价格偏离度、换手率分位数）构建拥挤度得分，公式示例： $$ \text{Crowding Score} = w_1 \cdot \text{Price Z-score} + w_2 \cdot \text{Turnover Rank} $$ 其中权重$w_1$、$w_2$根据历史回测优化确定 3 按得分排序，划分高/低拥挤度行业[3][9] - **模型评价**：能够有效捕捉市场情绪极端状态，但需结合资金流向数据验证[3] 2 **模型名称**：溢价率Z-score模型 - **模型构建思路**：通过ETF溢价率的统计特征筛选套利机会标的[4] - **模型具体构建过程**： 1 计算ETF溢价率的滚动窗口（如20日）Z-score： $$ Z = \frac{P_{\text{溢价率}} - \mu_{\text{溢价率}}}{\sigma_{\text{溢价率}}} $$ 2 设定阈值（如|Z|>2）生成交易信号[4][14] - **模型评价**：对短期套利有指导意义，但需警惕市场流动性风险[4] --- 模型的回测效果 1 **行业拥挤度监测模型**： - 高拥挤度行业（如建材、军工）近3日主力资金净流出超100亿元[12] - 低拥挤度行业（煤炭、石油石化）资金流出规模较小（<3亿元）[12] 2 **溢价率Z-score模型**： - 筛选标的示例：电池龙头ETF（159767 SZ）规模1.13亿元，跟踪新能电池指数[14] --- 量化因子与构建方式 1 **因子名称**：主力资金净流入因子 - **因子构建思路**：监测行业主力资金流向判断资金偏好[12] - **因子具体构建过程**： 1 按申万一级行业分类计算单日主力净流入额 2 滚动3日求和得到短期资金动向[12] 2 **因子名称**：ETF资金流动因子 - **因子构建思路**：跟踪各类ETF资金净流动捕捉市场风格切换[5] - **因子具体构建过程**： 1 分类统计宽基/行业/跨境ETF单日净流入额 2 计算资金流动排名（如TOP3净流入/流出）[5] --- 因子的回测效果 1 **主力资金净流入因子**： - 银行、非银金融近3日净流入分别为6.94亿、21.99亿元[12] - 军工、机械设备净流出超100亿元[12] 2 **ETF资金流动因子**： - 宽基ETF单日净流出109.69亿元（科创50ETF流出35.12亿）[5] - 跨境ETF净流入26.68亿元（港股通互联网ETF流入8.16亿）[5]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **因子名称：250日新高距离** - **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[11] - **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日收盘价最大值 当收盘价等于250日最高价时，因子值为0；若回落则显示正百分比[11] - **因子评价**：基于行为金融学中的动量效应理论，适用于趋势跟踪策略 2. **因子名称：平稳创新高筛选因子** - **构建思路**：结合多维度条件筛选具有持续动量且价格路径平滑的股票，包括分析师关注度、股价强度、路径平稳性等[26][29] - **具体构建过程**： - **分析师关注度**：过去3个月买入/增持评级研报≥5份 - **股价相对强弱**：过去250日涨跌幅全市场前20% - **股价平稳性**： 1. 位移路程比（平滑性指标）：$$ \frac{过去120日涨跌幅绝对值}{过去120日日涨跌幅绝对值加总} $$ 2. 创新高持续性：过去120日250日新高距离的时间序列均值 - **趋势延续性**：过去5日250日新高距离均值排序前50%[26][29] - **因子评价**：综合了截面动量和时间序列特性，避免彩票型股票的高波动风险 --- 因子回测效果 1. **250日新高距离因子** - **指数应用**： - 上证指数/深证成指/中证500/中证1000/中证2000：0.00% - 沪深300：1.26% - 创业板指：0.63% - 科创50：2.27%[12] - **行业应用**： - 医药/有色金属/基础化工/电子/轻工制造：0.00% - 食品饮料/煤炭/房地产/消费者服务/银行：较高回落幅度[13] 2. **平稳创新高因子** - **筛选结果**：全市场1480只创新高股票中选出50只，其中： - 制造板块占比31.46%（16只） - 科技板块占比23.24%（15只） - 周期板块占比30.12%（10只）[21][30] - **典型个股表现**： - 胜宏科技（电子）：过去250日涨幅628% - 博瑞医药（医药）：过去250日涨幅340% - 华光环能（电力设备）：过去250日涨幅160%[32] --- 关键数据补充 - **创新高股票分布**： - 机械/医药/基础化工行业数量最多（230/218/156只） - 钢铁/国防军工/有色金属行业占比最高（56.60%/48.74%/48.39%）[20] - **指数成分股创新高比例**： - 中证2000：27.55% - 中证1000：23.50% - 沪深300：18.67%[21]

量化模型与构建方式 1. **模型名称**：港股风险模型（基于Barra框架） - **模型构建思路**：针对港股通、高流动性港股和全市场三个股票池分别构建风险模型，通过10个大类风格因子和行业因子解释市场收益来源[3] - **模型具体构建过程**： 1. **底层数据处理**：清洗港股市场数据，剔除仙股等异常标的[3] 2. **因子构建**：包含贝塔、动量、流动性、BP（账面市值比）、盈利、市值、成长、非线性市值、波动率、杠杆等10类风格因子[3] 3. **行业因子**：采用恒生行业分类标准，覆盖金融、资讯科技等主要板块[3] 4. **模型拟合**：通过横截面回归计算因子暴露和收益贡献，2014年以来港股通池内模型平均R²为36.7%[3] - **模型评价**：有效捕捉港股市场异质性，但全市场模型受低流动性股票影响较大[3] 量化因子与构建方式 1. **因子名称**：贝塔因子 - **因子构建思路**：衡量个股对市场整体波动的敏感性[3] - **因子具体构建过程**： - 计算个股日收益率与恒生指数收益率的协方差，除以市场方差： $$\beta_i = \frac{Cov(r_i,r_m)}{Var(r_m)}$$ - 滚动60个交易日估计，港股通池内因子累计收益为正[3] 2. **因子名称**：动量因子 - **因子构建思路**：捕捉股票价格趋势效应[3] - **因子具体构建过程**： - 过去12个月收益率剔除最近1个月（11M-1M策略）[3] - 标准化处理后在港股通池内表现显著 3. **因子名称**：流动性因子 - **因子构建思路**：反映股票交易活跃度差异[3] - **因子具体构建过程**： - 计算过去20个交易日日均换手率对数： $$Liquidity_i = \ln(\frac{1}{20}\sum_{t=1}^{20}Turnover_{it})$$ - 港股通池内因子收益为正，全市场因子受仙股干扰[3] 4. **因子名称**：BP因子（账面市值比） - **因子构建思路**：衡量价值效应[3] - **因子具体构建过程**： - 使用最新财报股东权益除以市值： $$BP_i = \frac{Book\ Equity_i}{Market\ Cap_i}$$ - 需调整港股会计准则差异（如IFRS与CAS处理差异）[2][3] 5. **因子名称**：波动率因子 - **因子构建思路**：识别个股特异性风险[3] - **因子具体构建过程**： - 计算过去60个交易日残差收益率标准差： $$\sigma_i = \sqrt{\frac{1}{59}\sum_{t=1}^{60}(r_{it}-\hat{r}_i)^2}$$ - 全市场池内累计收益为正，与A股表现分化[3] 模型与因子回测效果 1. **港股通池内因子表现**： - 贝塔因子：年化IR 0.85[3] - 动量因子：年化IR 1.12[3] - 流动性因子：年化IR 0.73[3] - BP因子：年化IR 0.68[3] 2. **全市场因子表现**： - 波动率因子：年化IR 0.92（剔除仙股后降至0.45）[3] - 杠杆因子：年化IR 0.57（与A股负相关）[3] 3. **行业因子解释力**： - 金融行业因子：年化收益贡献4.2%[3] - 资讯科技因子：年化收益贡献3.8%[3] 注：所有测试结果基于2014-2025年历史数据，港股通池采用550只标的股票[3][27]

根据提供的金融工程日报内容，该报告主要涉及市场表现、情绪指标和资金流向的统计分析，但未提及具体的量化模型或因子构建。以下是可提取的核心结构化信息： 市场情绪指标构建方式 1. **封板率因子** 构建思路：反映涨停股的封板稳定性[17] 具体构建： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 评价：高频交易中可捕捉短期资金情绪 2. **连板率因子** 构建思路：衡量涨停股的连续性[17] 具体构建： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 评价：对游资主导行情有较强解释力 资金流向指标构建方式 1. **大宗交易折价率因子** 构建思路：反映机构大宗交易的溢价水平[26] 具体构建： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 评价：大资金交易成本的重要参考 2. **股指期货年化贴水率因子** 构建思路：量化期现套利空间[28] 具体构建： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 评价：对冲成本与市场预期的综合指标 指标测试结果 1. **封板率因子** 当日值：58%（较前日下降16%）[17] 近一月趋势：震荡下行 2. **连板率因子** 当日值：19%（较前日下降26%）[17] 近一月趋势：快速回落 3. **大宗交易折价率因子** 当日值：8.42%（近半年均值5.86%）[26] 分位水平：处于异常高位 4. **股指期货贴水率因子** 当日值： - 上证50：年化升水0.04%（58%分位）[28] - 沪深300：年化贴水2.19%（54%分位）[28] - 中证500：年化贴水7.42%（59%分位）[28] - 中证1000：年化贴水6.52%（76%分位）[28] 注：报告未涉及多因子模型或复合因子构建，主要展示基础市场指标的计算逻辑与实时数据跟踪[17][26][28]

量化模型与构建方式 1. **模型名称**：南向资金行业轮动模型 - **模型构建思路**：基于南向资金净买入额及其分位数数据，结合行业市值调整，构建港股行业轮动策略[4][46] - **模型具体构建过程**： 1. **数据整合**：计算各行业成分股的南向资金净买入额 $$S_{i,t}=(N_{i,t}-N_{i,t-1})*P_{i,t}$$ $$Ind_{t}=\sum S_{i,t}$$ 其中，$N_{i,t}$为成分股$i$在$t$日的持股量，$P_{i,t}$为均价，$S_{i,t}$为净买入额，$Ind_t$为行业累计净买入额[36][37] 2. **因子处理**： - 原始南向资金净买入额 - 行业市值调整：将净买入额除以行业市值以消除规模偏差[40] - 近三年分位处理：计算净买入额在近三年历史数据中的分位数[40][46] 3. **策略规则**：每月选择净买入额或分位数最高的行业，分位数相同时选择净买入额更大的行业[46] - **模型评价**：行业市值调整和分位处理能有效提升策略稳定性，但分位数策略在极端市场环境下可能失效[40][46] 2. **模型名称**：南向资金有效性测试模型 - **模型构建思路**：通过Rank IC检验南向资金净买入额对行业轮动的预测能力[40] - **模型具体构建过程**： 1. 计算南向资金月度净买入额与行业下期收益的Rank IC 2. 测试不同因子（原始值、市值调整、三年/五年分位）的Rank IC均值和显著性[40][41] - **模型评价**：Rank IC均值均为正，显示南向资金对行业轮动具有持续有效性[40] --- 模型的回测效果 1. **南向资金月度净买入额模型**： - 年化收益率：4.73% - 超额收益率：3.22% - 最大回撤：56.01% - 夏普比率：0.3130 - IR：0.3864 - 对恒生指数胜率：59.59% - 对基准胜率：57.58%[52] 2. **行业市值调整南向资金模型**： - 年化收益率：5.40% - 超额收益率：3.89% - 最大回撤：50.24% - 夏普比率：0.3384 - IR：0.3901 - 对恒生指数胜率：53.54% - 对基准胜率：54.55%[52] 3. **南向资金三年分位模型**： - 年化收益率：3.61% - 超额收益率：-2.05% - 最大回撤：54.33% - 夏普比率：0.2704 - IR：0.1498 - 对恒生指数胜率：51.56% - 对基准胜率：50.00%[52] 4. **行业市值调整南向资金三年分位模型**： - 年化收益率：7.99% - 超额收益率：2.33% - 最大回撤：45.84% - 夏普比率：0.4350 - IR：0.4713 - 对恒生指数胜率：57.81% - 对基准胜率：53.12%[52] --- 量化因子与构建方式 1. **因子名称**：南向资金净买入额 - **因子构建思路**：直接反映南向资金对行业的偏好[36] - **因子具体构建过程**： - 按成分股计算每日净买入额并汇总至行业 $$S_{i,t}=(N_{i,t}-N_{i,t-1})*P_{i,t}$$ $$Ind_{t}=\sum S_{i,t}$$[36][37] 2. **因子名称**：行业市值调整南向资金 - **因子构建思路**：消除行业规模对净买入额的影响[40] - **因子具体构建过程**： - 将行业净买入额除以行业总市值[40] 3. **因子名称**：南向资金三年分位 - **因子构建思路**：捕捉资金流向的极端分位数信号[40] - **因子具体构建过程**： - 计算净买入额在近三年历史数据中的分位数[40] --- 因子的回测效果 1. **南向资金净买入额因子**： - Rank IC均值：7.72% - Rank IC t值：24.31%[41] 2. **行业市值调整南向资金因子**： - Rank IC均值：5.15% - Rank IC t值：15.66%[41] 3. **南向资金三年分位因子**： - Rank IC均值：4.13% - Rank IC t值：12.75%[41] 4. **行业市值调整南向资金三年分位因子**： - Rank IC均值：4.55% - Rank IC t值：14.82%[41]

根据研报内容，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. **因子协方差矩阵模型** - **构建思路**：通过降维和结构化方法解决高维协方差矩阵估计问题，捕捉因子间动态协变关系[14][16] - **具体构建过程**： 1. **EM算法**：填充因子收益率缺失值，假设服从多元正态分布，迭代计算条件期望和协方差矩阵[20][21][22] $$E[f_{mis}|f_{obs}]=\mu_{mis}+\Sigma_{mis,obs}\Sigma_{obs,obs}^{-1}(f_{obs}-\mu_{obs})$$ $$L(\mu,\Sigma)=-\frac{T}{2}(D\ln(2\pi)+\ln(\det(\Sigma)))-\frac{1}{2}\sum_{t=1}^{T}(f_t-\mu)'\Sigma^{-1}(f_t-\mu)$$ 2. **半衰加权**：设定半衰期$h$，权重$w_t=\theta^t$，提升对非平稳数据的实时刻画能力[26] 3. **Newey-West调整**：修正异方差和自相关性，构建HAC协方差矩阵[26][28][29] $$\Sigma_{NW}=\Sigma_0+\sum_{i=1}^{L}w_i(\Sigma_i+\Sigma_i')$$ 4. **特征因子调整**：通过蒙特卡洛模拟解决低风险组合风险低估问题，调整特征值[34][35][36][37] $$\widetilde{\Lambda}_0=\gamma^2\Lambda_0$$ 5. **波动率机制调整(VRA)**：根据截面偏差统计量统一校准波动率[51][52][53] $$\tilde{\sigma}_k=\lambda_F\sigma_k$$ - **评价**：显著降低风格特征组合的预测偏差，但对宽基指数组合优化有限[89][90] 2. **特异性波动率模型** - **构建思路**：处理数据缺失和分布异常，避免单股票噪声放大[60][61] - **具体构建过程**： 1. **结构化模型**：基于因子暴露相似性填充缺失波动率，计算调和系数$\gamma_n$[62][63][64][67] $$\tilde{\sigma}_\epsilon=(1/1.35)(Q_3-Q_1)$$ $$\sigma_n^{STR}=E_0\cdot\exp(\sum_k x_{nk}b_k)$$ 2. **贝叶斯收缩**：向市值分组均值收缩，缓解均值回归效应[72] $$\sigma_n^{SH}=v_n\bar{\sigma}(g_n)+(1-v_n)\hat{\sigma}_n$$ 3. **VRA调整**：类似因子协方差矩阵的波动率校准[78][79][80] $$\tilde{\sigma}_n=\lambda_S\sigma_n^{SH}$$ - **评价**：大市值股票数据质量显著优于小市值股票[66][69][70] --- 模型回测效果 1. **因子协方差矩阵** - 随机组合偏差统计量：1.04→1.06（经VRA调整后）[91] - 沪深300组合Q统计量：2.95→2.97[91] - 风格组合（如size因子）偏差统计量：1.50→1.30[95] 2. **特异性波动率** - 随机组合偏差统计量：1.07→1.06（经VRA调整后）[93] - 上证50组合Q统计量：2.83→2.82[93] - 风格组合（如value因子）偏差统计量：1.31→1.19[96] --- 关键应用 - **组合优化**：最小方差组合、风险平价策略等需依赖协方差矩阵输入[97][98] - **风险控制**：跟踪误差约束$\sqrt{(W-W_b)'\Sigma(W-W_b)}\leq TE_{upper}$[98] （注：部分测试结果取值直接引用自原文表格[91][93][95][96]，未重复列出公式）

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**：多元资产配置模型 - **模型构建思路**：通过80%稳健资产+20%风险资产的长期战略配置中枢，引入多类低相关性资产分散化风险，并根据资产间性价比进行战术性超低配[9] - **模型具体构建过程**： - 稳健资产配置：中长期纯债型基金、被动指数型债券基金、债券型QDII基金、货币市场型基金[17] - 风险资产配置：偏股基金（6%）、美股（6%）、红利低波（6%）、黄金（2%）[17] - 战术调整：基于信用利差、期限利差、美债性价比等调整稳健资产内部比例[17] - **模型评价**：通过充分分散化降低组合波动率，提升风险收益比[9] 2. **模型名称**：基金优选模型 - **模型构建思路**：采用“定量+定性”方式优选个基，通过分类体系和量化指标筛选有效基金[9] - **模型具体构建过程**： - 基金分类：按风险等级（权益型、平衡型、固收型等）、投资市场（A股、港股、美股等）、投资主题（行业/风格）分层[24][25] - 量化筛选：在各子类中测试选基指标（如选股能力、回撤控制能力）[9] - 定性调研：对基金经理进行尽职调查，形成画像报告[29] - **模型评价**：结合主动Alpha和被动Beta机会，增强FOF收益[24] 模型的回测效果 1. **多元资产配置模型**： - 年化收益率：5.68% - 年化波动率：3.51% - 最大回撤率：10.30% - 年化收益波动比：1.62 - 年化卡玛比率：0.55[21] 2. **基金优选模型**： - 个基选择超额收益：累计1.85%（分类型：被动指数型1.02%、纯债型0.07%、固收+0.33%、主动权益型0.43%）[57] 量化因子与构建方式 1. **因子名称**：选股能力因子 - **因子构建思路**：通过量化指标评估基金经理的选股能力[9] - **因子具体构建过程**：未明确公式，但基于历史回测验证有效性[9] 2. **因子名称**：回撤控制能力因子 - **因子构建思路**：评估基金经理在极端市场下的风险控制能力[9] - **因子具体构建过程**：未明确公式，但结合定量筛选和定性调研[29] 因子的回测效果 1. **选股能力因子**： - 主动权益型基金超额收益贡献：0.43%[57] 2. **回撤控制能力因子**： - 多元资产配置模型最大回撤率：10.30%（2008年极端情景）[21]

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：股指分红点位测算模型** - **模型构建思路**：通过精细化处理成分股分红数据，准确预测股指期货合约的升贴水情况，需考虑成分股权重、分红金额、除息日等核心指标[13][38][39] - **模型具体构建过程**： 1. **成分股权重修正**：基于最近公布权重和个股涨跌幅动态调整权重： $$W_{n,t}={\frac{w_{i0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{n})}}$$ 其中 \(w_{i0}\) 为初始权重，\(r_n\) 为个股涨跌幅[45] 2. **分红金额预测**： - 若公司已公布分红金额，直接采用；否则通过净利润 × 股息支付率估算： - **净利润预测**：分稳定/不稳定两类，稳定公司按历史分布预测，不稳定公司采用上年同期值[50] - **股息支付率预测**：优先采用去年值，若无则取3年平均，从未分红则默认不分红[53] 3. **除息日预测**： - 已公布则直接采用；否则根据预案/决案阶段历史间隔天数线性外推，或默认7-9月末日期[56] 4. **分红点数计算**： $$分红点数=\sum_{n=1}^{N}\left(\frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价\right)$$ 要求除息日在当前日期至合约到期日之间[38] - **模型评价**：对上证50和沪深300预测误差较小（约5点），中证500误差稍大（约10点），整体准确性较高[61] 2. **模型名称：股指期货升贴水跟踪模型** - **模型构建思路**：扣除分红影响后跟踪期货合约基差、期限结构及历史分位点[13][14] - **模型具体构建过程**： 1. **年化升贴水计算**：基于合约价差、分红点数及到期天数，公式为： $$年化升贴水=\left(\frac{含分红价差}{指数收盘价}\right) \times \frac{365}{到期天数}$$ 其中含分红价差=当前价差+分红点数[14] 2. **历史分位点分析**：比较当前升贴水幅度与历史分布[28] --- 量化因子与构建方式 1. **因子名称：股息率因子** - **因子构建思路**：反映成分股分红收益，用于行业比较和指数分红进度分析[3][16] - **因子具体构建过程**： - **已实现股息率**：已分红金额总和 / 成分股总市值[18] - **剩余股息率**：待分红金额总和 / 成分股总市值[18] - **因子评价**：煤炭、银行、钢铁行业股息率最高[16] 2. **因子名称：分红进度因子** - **因子构建思路**：跟踪成分股分红阶段（预案、决案、实施、已分红）[2][15] --- 模型的回测效果 1. **股指分红点位测算模型** - **上证50**：2023年预测误差≤5点[61] - **沪深300**：2024年预测误差≤5点[61] - **中证500**：2023-2024年预测误差约10点[61] 2. **股指期货升贴水跟踪模型** - **IH主力合约**：年化升水3.05%，历史分位点79%[14][28] - **IF主力合约**：年化贴水0.09%，历史分位点79%[14][28] - **IC主力合约**：年化贴水8.05%，历史分位点77%[14][28] - **IM主力合约**：年化贴水8.43%，历史分位点77%[14][28] --- 因子的回测效果 1. **股息率因子** - **上证50**：已实现股息率2.13%，剩余0.13%[18] - **沪深300**：已实现股息率1.70%，剩余0.17%[18] - **中证500**：已实现股息率1.14%，剩余0.06%[18] - **中证1000**：已实现股息率0.87%，剩余0.04%[18] 2. **分红进度因子** - **上证50**：41家已分红，3家不分红[15] - **沪深300**：243家已分红，25家不分红[15] --- 注：以上总结未包含风险提示、免责声明等非核心内容。