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[15] * **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**：使用历史数据计算股票的历史beta值[15] 2. **因子名称**：市值因子[15] * **因子构建思路**：衡量公司规模大小[15] * **因子具体构建过程**：取公司的总市值的自然对数[15] * **公式**：$$ \text{市值因子} = \ln(\text{总市值}) $$[15] 3. **因子名称**：动量因子[15] * **因子构建思路**：衡量股票价格的趋势强度[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[15] * **因子构建思路**：衡量股票价格的波动性[15] * **因子具体构建过程**：通过加权组合多个波动指标来构建[15] * **公式**：$$ \text{波动因子} = 0.74 \times \text{历史超额收益率序列波动率} + 0.16 \times \text{累积超额收益率离差} + 0.1 \times \text{历史残差收益率序列波动率} $$[15] 5. **因子名称**：非线性市值因子[15] * **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**：对市值风格因子取三次方[15] * **公式**：$$ \text{非线性市值因子} = (\text{市值风格})^3 $$[15] 6. **因子名称**：估值因子[15] * **因子构建思路**：衡量股票的估值水平[15] * **因子具体构建过程**：使用市净率的倒数[15] * **公式**：$$ \text{估值因子} = \frac{1}{\text{市净率}} $$[15] 7. **因子名称**：流动性因子[15] * **因子构建思路**：衡量股票的换手和交易活跃度[15] * **因子具体构建过程**：通过加权不同时间窗口的换手率来构建[15] * **公式**：$$ \text{流动性因子} = 0.35 \times \text{月换手率} + 0.35 \times \text{季换手率} + 0.3 \times \text{年换手率} $$[15] 8. **因子名称**：盈利因子[15] * **因子构建思路**：衡量公司的盈利能力[15] * **因子具体构建过程**：通过加权多个盈利相关指标来构建[15] * **公式**：$$ \text{盈利因子} = 0.68 \times \text{分析师预测盈利价格比} + 0.21 \times \text{市现率倒数} + 0.11 \times \text{市盈率 ttm 倒数} $$[15] 9. **因子名称**：成长因子[15] * **因子构建思路**：衡量公司的成长性[15] * **因子具体构建过程**：通过加权多个增长类指标来构建[15] * **公式**：$$ \text{成长因子} = 0.18 \times \text{分析师预测长期盈利增长率} + 0.11 \times \text{分析师预测短期利率增长率} + 0.24 \times \text{盈利增长率} + 0.47 \times \text{营业收入增长率} $$[15] 10. **因子名称**：杠杆因子[15] * **因子构建思路**：衡量公司的财务杠杆水平[15] * **因子具体构建过程**：通过加权多个杠杆率指标来构建[15] * **公式**：$$ \text{杠杆因子} = 0.38 \times \text{市场杠杆率} + 0.35 \times \text{账面杠杆} + 0.27 \times \text{资产负债率} $$[15] 技术类因子 1. **因子名称**：中位数离差因子[21] * **因子构建思路**：衡量股价相对于其中位数位置的偏离程度[21] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[21] 2. **因子名称**：20日/60日/120日波动因子[21][24][26][31] * **因子构建思路**：衡量不同时间窗口下股票价格的波动率[21][24][26][31] * **因子具体构建过程**：未详细说明计算过程，因子方向均为反向[21][24][26][31] 3. **因子名称**：20日/60日/120日动量因子[21][24][26][31] * **因子构建思路**：衡量不同时间窗口下股票价格的动量效应[21][24][26][31] * **因子具体构建过程**：未详细说明计算过程，因子方向在不同股池中有所不同（反向或正向）[21][24][26][31] 基本面因子 1. **因子名称**：净利润超预期增长因子[23][28] * **因子构建思路**：衡量公司净利润增长超出市场预期的程度[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 2. **因子名称**：营业利润率超预期增长因子[23][28] * **因子构建思路**：衡量公司营业利润率增长超出市场预期的程度[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 3. **因子名称**：ROC超预期增长因子[23][28] * **因子构建思路**：衡量公司投入资本回报率（ROC）增长超出市场预期的程度[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 4. **因子名称**：ROA超预期增长因子[23][28] * **因子构建思路**：衡量公司总资产回报率（ROA）增长超出市场预期的程度[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 5. **因子名称**：营业利润率因子[23][28] * **因子构建思路**：衡量公司的营业利润水平[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 6. **因子名称**：市盈率因子[23][28] * **因子构建思路**：衡量股票的估值水平[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 7. **因子名称**：营业利润增长因子[23][28] * **因子构建思路**：衡量公司营业利润的增长情况[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 8. **因子名称**：ROA增长因子[23][28] * **因子构建思路**：衡量公司总资产回报率（ROA）的增长情况[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 9. **因子名称**：ROA因子[23][28] * **因子构建思路**：衡量公司的总资产回报率[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 10. **因子名称**：营业周转率因子[23][28] * **因子构建思路**：衡量公司的营运效率[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 11. **因子名称**：ROE因子[23][28] * **因子构建思路**：衡量公司的净资产收益率[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 12. **因子名称**：ROE增长因子[23][28] * **因子构建思路**：衡量公司净资产收益率（ROE）的增长情况[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向在不同股池中有所不同（反向或正向）[23][28] 13. **因子名称**：市销率因子[23][28] * **因子构建思路**：衡量股票的估值水平[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 14. **因子名称**：ROC因子[28] * **因子构建思路**：衡量公司的投入资本回报率[28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[28] GRU模型/因子 1. **模型/因子名称**：barra1d模型/因子[3][7][20][22][25][27][33][34] * **模型/因子构建思路**：基于GRU神经网络构建的选股模型/因子，推测使用Barra因子体系和1天频率数据[3][7][20][22][25][27][33][34] 2. **模型/因子名称**：barra5d模型/因子[3][7][20][22][25][27][33][34] * **模型/因子构建思路**：基于GRU神经网络构建的选股模型/因子，推测使用Barra因子体系和5天频率数据[3][7][20][22][25][27][33][34] 3. **模型/因子名称**：open1d模型/因子[3][7][20][22][25][27][33][34] * **模型/因子构建思路**：基于GRU神经网络构建的选股模型/因子，推测使用开盘价等数据和1天频率[3][7][20][22][25][27][33][34] 4. **模型/因子名称**：close1d模型/因子[3][7][20][22][25][27][33][34] * **模型/因子构建思路**：基于GRU神经网络构建的选股模型/因子，推测使用收盘价等数据和1天频率[3][7][20][22][25][27][33][34] 5. **模型/因子名称**：多因子模型/组合[7][33][34] * **模型/因子构建思路**：综合多个因子的选股模型/组合[7][33][34] 因子与模型的回测效果 风格因子多空收益表现（全市场股池）[17] | 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 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | Beta | -5.67% | -10.16% | 0.23% | 21.16% | 8.24% | 8.91% | | 动量 | 4.04% | -9.28% | -24.23% | 18.32% | 18.79% | 17.46% | | 流动性 | -2.91% | 6.35% | 10.32% | 11.43% | 20.28% | 25.19% | | 市值 | 2.67% | 18.45% | 12.73% | 41.09% | -41.83% | 35.00% | | 非线性市值 | 1.80% | -7.67% | 12.29% | 35.55% | -39.36% | -30.88% | | 成长 | 1.59% | -2.69% | 0.12% | 2.47% | 9.39% | 4.68% | | 盈利 | 1.13% | 0.03% | 9.73% | 15.36% | 4.15% | 1.33% | | 波动 | 1.35% | -1.31% | 11.73% | 4.82% | 7.11% | 10.88% | | 杠杆 | 1.36% | 3.48% | -4.29% | 15.46% | 7.39% | 1.78% | | 估值 | 1.45% | 4.88% | 0.12% | 2.98% | 15.31% | 16.54% | 技术类因子多空收益表现（全市场股池）[21] | 因子名称 | 因子方向 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 中位数离差 | 反向 | -1.30% | -3.34% | -8.94% | -7.74% | -13.43% | -14.47% | | 60日波动 | 反向 | -0.67% | -3.35% | -6.01% | 7.37% | -8.50% | -11.67% | | 60日动量 | 反向 | -10.66% | -0.05% | -5.41% | -5.73% | -10.97% | -15.73% | | 120日波动 | 反向 | 0.50% | -4.08% | -7.42% | 11.22% | -5.62% | -19.07% | | 120日动量 | 反向 | 0.13% | 0.13% | -9.58% | -3.53% | -13.38% | -14.03% | | 20日波动 | 反向 | 0.08% | -0.79% | -0.12% | 11.01% | -6.06% | -11.20% | | 20日动量 | 反向 | 1.88% | 5.00% | 8.13% | -5.82% | -8.58% | -11.48% | GRU因子多空收益表现（全市场股池）[3][5][20] （报告中提及表现分化，barra1d和open1d略有回撤，barra5d和close1d表现强势，但未提供具体数值表格） 基本面因子多空收益表现（沪深300股池）[23] | 因子名称 | 因子方向 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 净利润超预期增长 | 正向 | 3.62% | -2.63% | 23.49% | 37.43% | 5.68% | 6.03% | | 营业利润率超预期增长 | 正向 | 1.77% | 1.65% | 10.14% | 2.46% | -2.55% | 3.53% | | 营业利润率 | 反向 | -1.53% | 4.26% | 5.55% | 8.91% | -6.55% | 7.13% | | ROC超预期增长 | 正向 | -1.42% | 0.20% | 20.40% | 33.42% | 9.24% | 4.87% | | 市盈率 | 反向 | 1.00% | -0.03% | 1.31% | -0.59% | -8.84% | -10.37% | | 营业利润增长 | 正向 | 0.94% | 0.68% | 15.55% | 20.17% | 3.39% | 2.60% | | ROA超预期增长 | 正向 | 0.73% | 0.19% | 3.16% | 11.22% | 6.62% | 9.17% | | ROA增长 | 正向 | -0.70% | 0.10% | 17.22% | 25.43% | 3.84% | 8.17% | | ROA | 反向 | 0.63% | -4.31% | 5.02% | 4.56% | -10.69% | -13.61% | | 营业周转率 | 反向 | -0.54% | -5.65% | 5.46% | 10.28% | -6.19% | -11.13% | | ROE | 反向 | 0.18% | 2.01% | 1.79% | 0.46% | -10.94% | -8.18% | | ROE增长 | 反向 | 0.29% | -2.33% | 8.81% | 12.64% | 1.47% | 0.27% | | 市销率 | 反向 | 0.62% | 1.40% | 6.79% | -8.62% | -11.73% | -9.67% | 技术类因子多空收益表现（沪深300股池）[24] | 因子名称 | 因子方向 | 最近一周 | 最近一月 | 最近半年 |

根据提供的研报内容，报告主要跟踪了长江金工团队已发布的几款主动量化策略产品的近期表现，并未详细阐述这些策略背后具体的量化模型或量化因子的构建思路、过程和公式。报告内容侧重于策略的业绩回顾和市场表现跟踪。 量化模型与构建方式 1. **模型名称**： 央国企高分红30组合[15] * **模型构建思路**： 该组合是红利系列产品之一，属于主动量化策略，遵循“自上而下”的选股逻辑，旨在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[14] * **模型具体构建过程**： 报告未提供此模型的具体构建细节、选股标准或公式 2. **模型名称**： 攻守兼备红利50组合[15] * **模型构建思路**： 该组合是红利系列产品之一，属于主动量化策略，遵循“自上而下”的选股逻辑[14] * **模型具体构建过程**： 报告未提供此模型的具体构建细节、选股标准或公式 3. **模型名称**： 电子均衡配置增强组合[15] * **模型构建思路**： 该组合是行业增强系列产品，聚焦电子板块，属于主动量化策略，遵循“自上而下”的选股逻辑[14][15] * **模型具体构建过程**： 报告未提供此模型的具体构建细节、选股标准或公式 4. **模型名称**： 电子板块优选增强组合[15] * **模型构建思路**： 该组合是行业增强系列产品，聚焦电子板块，属于主动量化策略，遵循“自上而下”的选股逻辑，并特别聚焦迈入成熟期的细分赛道龙头企业[14][15] * **模型具体构建过程**： 报告未提供此模型的具体构建细节、选股标准或公式 模型的回测效果 1. **央国企高分红30组合**： 本周未能跑赢中证红利全收益[7][16][22] 2. **攻守兼备红利50组合**： 本周未能跑赢中证红利全收益[7][16][22]；2025年年初以来相对中证红利全收益超额约7.17%，在全部红利类基金产品中绝对收益分位约34%[22] 3. **电子均衡配置增强组合**： 本周实现正超额，周度超额约1.86%，周度收益跑至主动科技型基金产品约26%分位[7][32] 4. **电子板块优选增强组合**： 本周实现正超额，周度超额约1.62%，周度收益跑至主动科技型基金产品约28%分位[7][32] 量化因子与构建方式 （报告未涉及具体的独立量化因子构建内容） 因子的回测效果 （报告未涉及具体的独立量化因子测试结果）

根据提供的量化周报内容，以下是关于报告中涉及的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：A股景气指数模型**[29] * **模型构建思路**：该模型旨在对A股市场的景气度进行高频Nowcasting（即时预测），其核心目标是Nowcasting上证指数的归母净利润同比增速[29] * **模型具体构建过程**：报告指出，该指数的构建详情可参考其前期研究报告《视角透析：A股景气度高频指数构建与观察》，但本次周报未提供具体的构建公式和详细步骤[29] 2. **模型名称：A股情绪指数模型**[34] * **模型构建思路**：该模型通过分析市场的波动率和成交额这两个最直接的情绪刻画指标，将市场状态划分为四个象限，并据此构建包含见底预警和见顶预警的综合情绪指数[34] * **模型具体构建过程**：模型首先根据波动率和成交额的变化方向将市场划分为四个象限。历史回测表明，只有“波动率上行-成交额下行”的区间表现为显著负收益，其余三个区间均为显著正收益。基于这一规律，模型构建了A股情绪指数系统，相关细节可参考报告《视角透析：A股情绪指数构建与观察》。报告未提供具体的数学公式[34] 3. **模型名称：指数增强组合模型**[46][55] * **模型构建思路**：分别为中证500和沪深300指数构建增强投资组合，旨在通过量化策略获取超越基准指数的超额收益[46][55] * **模型具体构建过程**：报告展示了两个增强组合的当前持仓明细，但未详细说明其背后的具体选股模型、因子权重配置或组合优化过程。持仓列表可视为模型输出的结果[48][56] 4. **模型名称：主题挖掘算法**[46] * **模型构建思路**：该算法用于从新闻和研报文本中自动挖掘主题投资机会[46] * **模型具体构建过程**：算法流程包括文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建以及主题影响力因子构建等多个维度。基于此算法，报告在当期推荐了“半导体概念”主题[46] 模型的回测效果 1. **中证500增强模型**，本周收益-0.61%，本周超额收益0.66%，2020年至今累计超额收益53.24%，最大回撤-5.73%[46] 2. **沪深300增强模型**，本周收益-1.67%，本周超额收益-0.58%（跑输基准），2020年至今累计超额收益38.04%，最大回撤-5.86%[55] 量化因子与构建方式 1. **因子体系名称：BARRA风格因子体系**[60] * **因子构建思路**：参照国际通用的BARRA风险模型，针对A股市场构建一套包含十大类风格因子的分析体系，用于解释股票收益的来源和进行组合归因[60] * **因子具体构建过程**：报告列出了十大类风格因子的名称，包括：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）和杠杆（LVRG）。但报告未提供每个因子的具体计算公式和构建细节[60] 因子的回测效果 *报告在本周（近一周）的因子分析中，未提供各个因子具体的IC值、IR值等定量指标，仅给出了定性的表现描述[61]：* * **风格因子表现**：残差波动率因子超额收益较高；市值因子呈现较为显著的负向超额收益；高杠杆股表现优异；市值、成长等因子表现不佳[61] * **行业因子表现**：保险、医药、有色金属等行业因子跑出较高超额收益；计算机、汽车等行业因子回撤较多[61]

根据提供的华创证券《市场情绪监控周报（20251110-20251114）》，总结如下： 量化因子与构建方式 1. **因子名称：个股总热度因子**[8] * **因子构建思路**：通过加总个股的浏览、自选与点击次数，并将其在全市场范围内进行归一化处理，以衡量市场对单只股票的关注度，作为情绪热度的代理变量[8] * **因子具体构建过程**： 1. 计算单只股票的浏览、自选与点击次数之和 2. 将上述求和结果除以同一交易日全市场所有股票的浏览、自选与点击次数总和，进行归一化处理 3. 将归一化后的数值乘以10000，使得因子取值区间为[0, 10000][8] * 公式：$$ \text{个股总热度} = \frac{\text{个股（浏览次数+自选次数+点击次数）}}{\text{全市场总（浏览次数+自选次数+点击次数）}} \times 10000 $$[8] 2. **因子名称：宽基/行业/概念总热度因子**[8][9] * **因子构建思路**：将特定分组（如宽基指数、申万行业、概念板块）内所有成分股的个股总热度因子进行加总，得到该分组层面的聚合热度指标，用于追踪市场情绪[8][9] * **因子具体构建过程**：对目标分组（如沪深300、中证500等宽基，或某个申万一级行业，或某个概念）包含的所有成分股，将其个股总热度因子值进行简单求和[8][9] 3. **因子名称：热度变化率因子**[12][14] * **因子构建思路**：计算宽基、行业或概念的总热度指标在相邻周期（如本周与上周）之间的相对变化率，以捕捉市场关注度的边际变化[12][14] * **因子具体构建过程**：计算本期总热度与上期总热度的变化率，通常还会进行移动平均（如MA2）平滑处理[12][14] * 公式：$$ \text{热度变化率} = \frac{\text{本期总热度} - \text{上期总热度}}{\text{上期总热度}} $$[12][14] * 平滑处理：$$ \text{热度变化率 MA2} = \frac{\text{本期热度变化率} + \text{上期热度变化率}}{2} $$[12][14] 量化模型与构建方式 1. **模型名称：宽基轮动策略模型**[14][16] * **模型构建思路**：基于行为金融学中的有限注意力理论，认为热度变化率异常高的资产组可能短期内存在情绪驱动的错误定价机会，通过每周选择热度变化率最高的宽基指数进行投资来实现轮动[12][14] * **模型具体构建过程**： 1. 每周计算各宽基指数组（沪深300、中证500、中证1000、中证2000以及“其他”股票组）的热度变化率MA2[14][16] 2. 在每周最后一个交易日，选择热度变化率MA2最大的宽基指数组作为投资标的[14][16] 3. 如果变化率最大的组是“其他”股票组，则当期选择空仓[14][16] 4. 等权重投资于所选宽基指数的成分股[14][16] 2. **模型名称：热门概念内低热度选股模型**[32][34] * **模型构建思路**：在短期内受行为因素影响较大、行情持续时间较短的热门概念中，选择那些概念内关注度（总热度）较低的个股，以期获得超额收益，逻辑可能是高热度概念中的低热度个股存在反应不足或补涨机会[31][32] * **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[32] 2. 将这5个热门概念的所有成分股作为初选股票池[32] 3. 排除股票池中流通市值最小的20%的股票[32] 4. **构建BOTTOM组合**：从每个热门概念中，选出总热度因子排名最后的10只个股，等权持有[32][34] （报告也提及了构建TOP组合的方法：从每个热门概念中选出总热度排名前10的个股，等权持有，但回测结果显示BOTTOM组合表现更优）[32][34] 模型的回测效果 1. **宽基轮动策略模型**[17] * 年化收益率：8.74%[17] * 最大回撤：23.5%[17] * 2025年收益：40.9%[17] 2. **热门概念内低热度选股模型（BOTTOM组合）**[34] * 年化收益率：15.71%[34] * 最大回撤：28.89%[34] * 2025年收益：43.9%[34] 因子的回测效果 （注：报告未单独列出因子IC、IR等传统因子测试指标，而是通过上述策略模型净值间接展示因子有效性）

由于提供的研报内容主要是市场回顾、择时信号展示和基金仓位监控，并未详细描述量化模型或量化因子的具体构建过程、公式或详细的回测指标，因此以下总结将基于报告中明确提及的模型和因子名称及其信号观点进行整理。报告未提供模型/因子的具体构建公式、详细构建过程、定性评价或统一的量化回测指标（如年化收益率、夏普比率、信息比率等）。 量化模型与构建方式 1. **模型名称**：成交量模型[11] * **模型构建思路**：基于成交量信息进行市场短期择时[11] * **模型具体构建过程**：报告未提供具体构建过程或公式。 * **模型评价**：报告未提供定性评价。 2. **模型名称**：特征龙虎榜机构模型[11] * **模型构建思路**：基于龙虎榜机构交易特征进行择时[11] * **模型具体构建过程**：报告未提供具体构建过程或公式。 * **模型评价**：报告未提供定性评价。 3. **模型名称**：特征成交量模型[11] * **模型构建思路**：基于特定的成交量特征进行择时[11] * **模型具体构建过程**：报告未提供具体构建过程或公式。 * **模型评价**：报告未提供定性评价。 4. **模型名称**：智能算法模型（沪深300/中证500）[11] * **模型构建思路**：应用智能算法进行择时[11] * **模型具体构建过程**：报告未提供具体构建过程或公式。 * **模型评价**：报告未提供定性评价。 5. **模型名称**：涨跌停模型[12] * **模型构建思路**：基于涨跌停板情况进​​行中期择时[12] * **模型具体构建过程**：报告未提供具体构建过程或公式。 * **模型评价**：报告未提供定性评价。 6. **模型名称**：上下行收益差模型[11][12][15] * **模型构建思路**：基于上行收益与下行收益的差异进行择时[11][12][15] * **模型具体构建过程**：报告未提供具体构建过程或公式。 * **模型评价**：报告未提供定性评价。 7. **模型名称**：月历效应模型[12] * **模型构建思路**：基于月份效应进行中期择时[12] * **模型具体构建过程**：报告未提供具体构建过程或公式。 * **模型评价**：报告未提供定性评价。 8. **模型名称**：长期动量模型[13] * **模型构建思路**：基于长期动量进行择时[13] * **模型具体构建过程**：报告未提供具体构建过程或公式。 * **模型评价**：报告未提供定性评价。 9. **模型名称**：A股综合兵器V3模型[14] * **模型构建思路**：综合多种信号的A股择时模型[14] * **模型具体构建过程**：报告未提供具体构建过程或公式。 * **模型评价**：报告未提供定性评价。 10. **模型名称**：A股综合国证2000模型[14] * **模型构建思路**：针对国证2000指数的综合择时模型[14] * **模型具体构建过程**：报告未提供具体构建过程或公式。 * **模型评价**：报告未提供定性评价。 11. **模型名称**：成交额倒波幅模型[15] * **模型构建思路**：基于成交额与波幅关系进行港股中期择时[15] * **模型具体构建过程**：报告未提供具体构建过程或公式。 * **模型评价**：报告未提供定性评价。 12. **模型名称**：恒生指数上下行收益差模型[15] * **模型构建思路**：基于恒生指数上行与下行收益差异进行择时[15] * **模型具体构建过程**：报告未提供具体构建过程或公式。 * **模型评价**：报告未提供定性评价。 13. **模型/因子名称**：形态识别（双底形态、杯柄形态）[40][41][45] * **构建思路**：基于技术分析中的特定价格形态（双底、杯柄）进行选股或择时[40][41][45] * **具体构建过程**：报告提及了形态的识别点（如A点、B点、C点、E点）和形态长度（周数），但未提供具体的形态定义公式或量化规则[44][49][51][52]。 * **评价**：报告未提供定性评价。 14. **模型/因子名称**：VIX指数（HCVIX）[38] * **构建思路**：衡量市场预期波动率的恐慌指数，与大盘呈负相关关系[38] * **具体构建过程**：报告提及该指数复现了中证指数公司的VIX计算方法，相关系数达99.2%，但未给出具体计算公式[38]。 * **评价**：报告未提供定性评价。 模型的回测效果 报告未提供上述模型的统一量化回测指标（如年化收益率、夏普比率、最大回撤等）。仅对部分形态识别策略提供了阶段性的表现描述： * 双底形态组合：自2020年12月31日至今累计上涨42.6%，跑赢上证综指28.19%[40]。 * 杯柄形态组合：自2020年12月31日至今累计上涨79.19%，跑赢上证综指64.77%[40]。 量化因子与构建方式 报告未明确列出独立的量化因子及其构建方式。提到的“大师策略”可能涉及价值、成长等因子，但未详细说明[35]。 因子的回测效果 报告未提供独立因子的回测效果指标。

根据提供的研报内容，以下是其中涉及的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：三维择时框架**[7][12] * **模型构建思路**：通过综合评估市场的分歧度、流动性和景气度三个维度的状态，对市场整体走势进行判断[7][12] * **模型具体构建过程**：模型监控三个核心指标：1）市场分歧度指数，反映投资者观点分歧程度；2）市场流动性指数，反映资金面状况；3）A股景气度指数2.0，反映宏观经济与企业盈利景气状况（金融与工业等分项）[7][11][12][23][24] 通过观察这三个指标的趋势（上行或下行）及其组合，形成对市场（如震荡、下跌）的判断[7][12] 2. **模型名称：ETF热点趋势策略**[27][28] * **模型构建思路**：根据ETF价格的上涨形态和市场关注度的提升，筛选出具有短期趋势的ETF构建投资组合[27] * **模型具体构建过程**：1）首先筛选出最高价与最低价同时呈现上涨形态的ETF；2）计算支撑阻力因子，该因子基于最高价与最低价近20日回归系数的相对陡峭程度；3）在支撑阻力因子的多头组中，进一步选择近5日换手率与近20日换手率比值最高的ETF，即短期关注度明显提升的品种；4）最终对选出的约10只ETF采用风险平价方法构建组合[27] 3. **模型名称：资金流共振策略**[35][36] * **模型构建思路**：结合融资融券资金和主动大单资金两类资金流在行业层面的动向，寻找两者有共振效应的行业进行推荐[35][36] * **模型具体构建过程**： * **行业融资融券资金因子**：首先计算个股层面的（融资净买入-融券净卖出），在行业内加总，然后使用Barra市值因子进行中性化处理，再计算其最近50日的均值，最后取该均值的两周环比变化率[35] * **行业主动大单资金因子**：计算行业层面的净流入数据，并采用其最近一年的成交量时间序列进行中性化处理，然后对中性化后的结果进行排序，最后取最近10日的均值[35] * **策略逻辑**：研究发现融资融券因子的多头端在某些市场状态下有稳定的负向超额收益，而主动大单因子（剔除极端多头行业后）有稳定正向超额收益。因此，策略在主动大单因子的头部行业（打分较高）中，剔除融资融券因子也处于头部的行业，以提高稳定性。策略通常会进一步剔除大金融板块[35] 模型的回测效果 1. **资金流共振策略**，年化超额收益13.5%[35]，信息比率(IR)1.7[35]，近期（策略上周）绝对收益1.28%[35]，超额收益（相对行业等权）0.55%[35] 量化因子与构建方式 1. **因子名称：Barra风格因子系列**[41][42] * **因子构建思路**：采用经典的Barra风险模型框架，从不同维度刻画股票的风格特征[41][42] * **因子具体构建过程**：报告中提及的Barra风格因子包括：规模(size)、贝塔(beta)、动量(momentum)、波动率(volatility)、非线性规模(nlsize)、价值(value)、流动性(liquidity)、盈利收益率(earnings_yield)、成长(growth)、杠杆(leverage)。报告未详细描述每个因子的具体计算公式，但指出其属于Barra体系[41][42] 2. **因子名称：速动比率 (quick_ratio)**[46] * **因子构建思路**：衡量企业短期偿债能力，属于流动性及质量类因子[46] * **因子具体构建过程**：$$quick\\_ratio = \\frac{速动资产}{流动负债}$$ [46] 3. **因子名称：资产负债率 (debt_asset_ratio)**[46] * **因子构建思路**：衡量企业负债水平，属于杠杆类因子[46] * **因子具体构建过程**：$$debt\\_asset\\_ratio = \\frac{总负债}{总资产}$$ [46] 报告表格中释义为“资产/负债”，但根据因子名称和常规财务定义，应为“总负债/总资产”。 4. **因子名称：产权比率 (debt_to_equity)**[46] * **因子构建思路**：反映由债权人提供的资本与股东提供的资本的相对关系，属于杠杆类因子[46] * **因子具体构建过程**：$$debt\\_to\\_equity = \\frac{total\\_liab}{book\\_value}$$ [46] 其中 total_liab 为总负债，book_value 为账面价值（股东权益） 5. **因子名称：5年盈利波动性 (earnings_variability_5y)**[46] * **因子构建思路**：衡量公司盈利的稳定性，属于盈利质量类因子[46] * **因子具体构建过程**：$$earnings\\_variability\\_5y = standard \\ deviation \\ of \\ yoy \\ eps \\ growth \\ over \\ 5y$$ [46] 计算过去5年每股收益(EPS)同比增速的标准差 6. **因子名称：单季度ROE同比差值（考虑快报、预告）(roe_q_delta_adv)**[49] * **因子构建思路**：基于业绩快报和预告信息，衡量公司最新单季度净资产收益率相对于去年同期改善程度，属于盈利动量类因子[49] * **因子具体构建过程**：报告未给出具体公式，因子释义为“单季度ROE同比差值（考虑快报、预告）”[49] 7. **因子名称：单季度ROA同比差值（考虑快报、预告）(roa_q_delta_adv)**[49] * **因子构建思路**：基于业绩快报和预告信息，衡量公司最新单季度总资产收益率相对于去年同期改善程度，属于盈利动量类因子[49] * **因子具体构建过程**：报告未给出具体公式，因子释义为“单季度ROA同比差值（考虑快报、预告）”[49] 8. **因子名称：单季度每股营业收入同比增长率 (yoy_orps_q)**[49] * **因子构建思路**：衡量公司营收增长情况，属于成长类因子[49] * **因子具体构建过程**：报告未给出具体公式，因子释义为“单季度每股营业收入同比增长率”[49] 9. **因子名称：基金持股比例 (io_to_float_a_share)**[49] * **因子构建思路**：反映机构投资者对公司的关注度和认可度，属于机构关注度类因子[49] * **因子具体构建过程**：$$io\\_to\\_float\\_a\\_share = \\frac{基金总持股数}{个股流通股数}$$ [49] 根据基金年报和半年报披露持股数统计 因子的回测效果 1. **Barra风格因子系列**，最近一周收益：价值(value)因子2.36%[42]，杠杆(leverage)因子1.08%[42]，波动率(volatility)因子0.19%[42]，规模(size)因子-3.76%[42]，贝塔(beta)因子-5.52%[42]，动量(momentum)因子-3.16%[42]，流动性(liquidity)因子-2.43%[42]，盈利收益率(earnings_yield)因子-0.08%[42]，成长(growth)因子-2.86%[42]，非线性规模(nlsize)因子-2.30%[42] 2. **速动比率 (quick_ratio)因子**，近一周多头超额收益1.32%[46]，近一月多头超额收益1.17%[46] 3. **资产负债率 (debt_asset_ratio)因子**，近一周多头超额收益1.21%[46]，近一月多头超额收益1.26%[46] 4. **产权比率 (debt_to_equity)因子**，近一周多头超额收益1.11%[46]，近一月多头超额收益1.45%[46] 5. **5年盈利波动性 (earnings_variability_5y)因子**，近一周多头超额收益1.04%[46]，近一月多头超额收益1.38%[46] 6. **单季度ROE同比差值（考虑快报、预告）(roe_q_delta_adv)因子**，在沪深300成分股中近一周多头超额收益23.45%[49]，在中证500成分股中近一周多头超额收益11.70%[49]，在中证800成分股中近一周多头超额收益18.31%[49]，在中证1000成分股中近一周多头超额收益16.31%[49] 7. **单季度ROA同比差值（考虑快报、预告）(roa_q_delta_adv)因子**，在沪深300成分股中近一周多头超额收益24.07%[49]，在中证500成分股中近一周多头超额收益10.44%[49]，在中证800成分股中近一周多头超额收益16.28%[49]，在中证1000成分股中近一周多头超额收益17.56%[49] 8. **单季度每股营业收入同比增长率 (yoy_orps_q)因子**，在沪深300成分股中近一周多头超额收益11.05%[49]，在中证500成分股中近一周多头超额收益8.25%[49]，在中证800成分股中近一周多头超额收益11.04%[49]，在中证1000成分股中近一周多头超额收益21.00%[49] 9. **基金持股比例 (io_to_float_a_share)因子**，在沪深300成分股中近一周多头超额收益10.96%[49]，在中证500成分股中近一周多头超额收益8.06%[49]，在中证800成分股中近一周多头超额收益10.94%[49]，在中证1000成分股中近一周多头超额收益18.78%[49]

根据提供的周报内容，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：红利风格择时模型**[1][4][6] * **模型构建思路：** 该模型旨在对红利风格进行择时判断，通过综合多个分项因子的信息，生成一个综合因子值。当综合因子值大于0时，产生正向信号，表明看好红利风格；小于0时，则未出正向信号[1][4][6]。 * **模型具体构建过程：** 模型通过综合多个分项因子来构建。每周计算各分项因子的因子值，并汇总得到综合因子值，以此作为择时信号的主要依据[1][4][6][7][11]。 量化因子与构建方式 1. **因子名称：综合因子**[1][4][6] * **因子构建思路：** 作为红利风格择时模型的核心输出，该因子由多个分项因子综合计算得出，用以整体判断红利风格的强弱[1][4][6]。 * **因子具体构建过程：** 报告未详细说明各分项因子具体如何加权或合成以得到综合因子值。构建过程主要体现为每周更新并汇总各分项因子的最新数值[1][6][11]。 2. **因子名称：市场情绪趋势因子**[4][7] * **因子构建思路：** 用于捕捉市场情绪的变化趋势，并将其应用于红利风格的择时判断[4][7]。 3. **因子名称：红利动量因子**[4][7] * **因子构建思路：** 用于衡量红利风格自身的动量效应，即近期表现对未来表现的延续性[4][7]。 4. **因子名称：美债利率因子**[4][7] * **因子构建思路：** 使用美国10年期国债收益率作为参考指标，评估利率环境对红利资产吸引力的影响[4][7][11]。 5. **因子名称：分析师行业景气度因子**[4][7] * **因子构建思路：** 基于分析师的行业景气度判断，评估宏观行业层面因素对红利风格的影响[4][7][11]。 6. **因子名称：中国非制造业PMI:服务业因子**[11] * **因子构建思路：** 使用中国服务业采购经理人指数（PMI）作为经济景气的衡量指标之一[11]。 7. **因子名称：中国M2:同比因子**[11] * **因子构建思路：** 使用中国广义货币供应量（M2）的同比增速作为流动性环境的衡量指标之一[11]。 8. **因子名称：红利相对净值自身因子**[11] * **因子构建思路：** 可能涉及红利指数与其自身历史净值或相对表现的比较，用于衡量其相对强弱[11]。 9. **因子名称：中证红利股息率-10年期中债收益率因子**[11] * **因子构建思路：** 计算中证红利指数的股息率与10年期中国国债收益率的差值，用以衡量红利资产的相对吸引力（股权风险溢价的一种形式）[11]。 10. **因子名称：融资净买入因子**[11] * **因子构建思路：** 使用市场的融资净买入数据作为投资者杠杆情绪和资金流向的代理变量[11]。 模型的回测效果 1. **红利风格择时模型** * **综合因子值（2025.11.14）：** -0.88[1][4][6][11] * **综合因子值（2025.11.07）：** -1.06[1][4][6][11] * **综合因子值（2025.10.31）：** 报告中未直接给出10月31日的综合因子值，但给出了部分分项因子在该日的数值作为参考[11] 因子的回测效果 1. **中国非制造业PMI:服务业因子** * **因子值（2025.11.14）：** -0.12[11] * **因子值（2025.11.07）：** -0.12[11] * **因子值（2025.10.31）：** -0.12[11] 2. **中国M2:同比因子** * **因子值（2025.11.14）：** 0.83[11] * **因子值（2025.11.07）：** 0.83[11] * **因子值（2025.10.31）：** 0.83[11] 3. **美债利率因子（美国:国债收益率:10年）** * **因子值（2025.11.14）：** -1.51[11] * **因子值（2025.11.07）：** -1.55[11] * **因子值（2025.10.31）：** -1.40[11] 4. **红利动量因子（红利相对净值自身）** * **因子值（2025.11.14）：** 0.17[11] * **因子值（2025.11.07）：** -0.37[11] * **因子值（2025.10.31）：** -0.27[11] 5. **中证红利股息率-10年期中债收益率因子** * **因子值（2025.11.14）：** -0.40[11] * **因子值（2025.11.07）：** -0.33[11] * **因子值（2025.10.31）：** -0.15[11] 6. **融资净买入因子** * **因子值（2025.11.14）：** -0.25[11] * **因子值（2025.11.07）：** 0.85[11] * **因子值（2025.10.31）：** -0.80[11] 7. **分析师行业景气度因子（行业平均景气度）** * **因子值（2025.11.14）：** 2.14[11] * **因子值（2025.11.07）：** 2.23[11] * **因子值（2025.10.31）：** 2.35[11]

根据研报内容，以下是关于量化因子和模型的总结。 量化因子与构建方式 1. **因子名称：日内高频偏度因子** 因子构建思路：通过分析股票日内收益的分布特征，捕捉其偏度信息以预测未来表现[12] 因子具体构建过程：具体计算方式请参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[12] 2. **因子名称：日内下行波动占比因子** 因子构建思路：将已实现波动率分解，计算下行波动部分在总波动中的占比[17] 因子具体构建过程：具体计算方式请参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[17] 3. **因子名称：开盘后买入意愿占比因子** 因子构建思路：基于开盘后一段时间内的高频交易数据，衡量买入意愿的相对强度[22] 因子具体构建过程：具体计算方式请参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[22] 4. **因子名称：开盘后买入意愿强度因子** 因子构建思路：在买入意愿占比的基础上，进一步衡量买入意愿的绝对强度[25] 因子具体构建过程：具体计算方式请参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[25] 5. **因子名称：开盘后大单净买入占比因子** 因子构建思路：分析开盘后大单净买入金额在总成交额中的占比，捕捉大资金动向[30] 6. **因子名称：开盘后大单净买入强度因子** 因子构建思路：衡量开盘后大单净买入的绝对强度[34] 7. **因子名称：改进反转因子** 因子构建思路：对传统反转因子进行改进，以更好地捕捉价格反转效应[40] 8. **因子名称：尾盘成交占比因子** 因子构建思路：通过分析尾盘成交额在日总成交额中的占比，捕捉资金在尾盘的动向[44] 9. **因子名称：平均单笔流出金额占比因子** 因子构建思路：计算平均单笔流出金额在总流出金额中的占比，分析资金流出特征[49] 10. **因子名称：大单推动涨幅因子** 因子构建思路：衡量由大单交易推动的股价上涨幅度[54] 11. **因子名称：改进 GRU(50,2)+NN(10)因子** 因子构建思路：使用改进的门控循环单元（GRU）神经网络结合全连接网络（NN）从高频数据中提取预测信号[58] 12. **因子名称：残差注意力 LSTM(48,2)+NN(10)因子** 因子构建思路：使用结合了残差连接和注意力机制的长短期记忆网络（LSTM）结合全连接网络（NN）进行深度学习因子构建[59] 13. **因子名称：多颗粒度模型-5日标签因子** 因子构建思路：基于双向A-GRU网络，使用5日收益作为预测标签进行训练，从多时间颗粒度数据中学习[64] 14. **因子名称：多颗粒度模型-10日标签因子** 因子构建思路：基于双向A-GRU网络，使用10日收益作为预测标签进行训练[65] 因子的回测效果 1. **日内高频偏度因子**，历史IC 0.019[9]，2025年IC 0.023[9]，历史 e^(-rank mae) 0.324[9]，2025年 e^(-rank mae) 0.327[9]，上周多空收益 -0.26%[9]，11月多空收益 0.49%[9]，2025YTD多空收益 22.76%[9]，2025年周胜率 30/46[9]，上周多头超额收益 0.42%[9]，11月多头超额收益 1.46%[9]，2025YTD多头超额收益 6.14%[9]，2025年多头周胜率 25/46[9] 2. **日内下行波动占比因子**，历史IC 0.016[9]，2025年IC 0.020[9]，历史 e^(-rank mae) 0.323[9]，2025年 e^(-rank mae) 0.325[9]，上周多空收益 0.38%[9]，11月多空收益 1.35%[9]，2025YTD多空收益 20.32%[9]，2025年周胜率 32/46[9]，上周多头超额收益 0.41%[9]，11月多头超额收益 1.08%[9]，2025YTD多头超额收益 3.54%[9]，2025年多头周胜率 26/46[9] 3. **开盘后买入意愿占比因子**，历史IC 0.025[9]，2025年IC 0.024[9]，历史 e^(-rank mae) 0.321[9]，2025年 e^(-rank mae) 0.321[9]，上周多空收益 0.28%[9]，11月多空收益 -0.01%[9]，2025YTD多空收益 19.33%[9]，2025年周胜率 36/46[9]，上周多头超额收益 0.47%[9]，11月多头超额收益 0.28%[9]，2025YTD多头超额收益 8.78%[9]，2025年多头周胜率 29/46[9] 4. **开盘后买入意愿强度因子**，历史IC 0.030[9]，2025年IC 0.027[9]，历史 e^(-rank mae) 0.326[9]，2025年 e^(-rank mae) 0.326[9]，上周多空收益 0.27%[9]，11月多空收益 0.57%[9]，2025YTD多空收益 26.36%[9]，2025年周胜率 35/46[9]，上周多头超额收益 -0.22%[9]，11月多头超额收益 -0.55%[9]，2025YTD多头超额收益 10.06%[9]，2025年多头周胜率 33/46[9] 5. **开盘后大单净买入占比因子**，历史IC 0.035[9]，2025年IC 0.020[9]，历史 e^(-rank mae) 0.322[9]，2025年 e^(-rank mae) 0.317[9]，上周多空收益 -0.20%[9]，11月多空收益 -0.44%[9]，2025YTD多空收益 20.50%[9]，2025年周胜率 32/46[9]，上周多头超额收益 -0.21%[9]，11月多头超额收益 -0.63%[9]，2025YTD多头超额收益 9.22%[9]，2025年多头周胜率 29/46[9] 6. **开盘后大单净买入强度因子**，历史IC 0.024[9]，2025年IC 0.014[9]，历史 e^(-rank mae) 0.320[9]，2025年 e^(-rank mae) 0.316[9]，上周多空收益 -0.88%[9]，11月多空收益 -1.89%[9]，2025YTD多空收益 10.71%[9]，2025年周胜率 27/46[9]，上周多头超额收益 -0.66%[9]，11月多头超额收益 -1.23%[9]，2025YTD多头超额收益 7.50%[9]，2025年多头周胜率 31/46[9] 7. **改进反转因子**，历史IC 0.031[9]，2025年IC 0.022[9]，历史 e^(-rank mae) 0.330[9]，2025年 e^(-rank mae) 0.330[9]，上周多空收益 0.27%[9]，11月多空收益 -0.09%[9]，2025YTD多空收益 21.93%[9]，2025年周胜率 35/46[9]，上周多头超额收益 -0.43%[9]，11月多头超额收益 -0.68%[9]，2025YTD多头超额收益 7.79%[9]，2025年多头周胜率 26/46[9] 8. **尾盘成交占比因子**，历史IC 0.026[9]，2025年IC 0.016[9]，历史 e^(-rank mae) 0.322[9]，2025年 e^(-rank mae) 0.319[9]，上周多空收益 0.81%[9]，11月多空收益 0.25%[9]，2025YTD多空收益 16.02%[9]，2025年周胜率 30/46[9]，上周多头超额收益 0.77%[9]，11月多头超额收益 0.31%[9]，2025YTD多头超额收益 5.33%[9]，2025年多头周胜率 25/46[9] 9. **平均单笔流出金额占比因子**，历史IC 0.008[11]，2025年IC -0.005[11]，历史 e^(-rank mae) 0.317[11]，2025年 e^(-rank mae) 0.315[11]，上周多空收益 -1.33%[11]，11月多空收益 -2.74%[11]，2025YTD多空收益 -5.80%[11]，2025年周胜率 21/46[11]，上周多头超额收益 -0.07%[11]，11月多头超额收益 -0.48%[11]，2025YTD多头超额收益 -1.93%[11]，2025年多头周胜率 18/46[11] 10. **大单推动涨幅因子**，历史IC 0.018[11]，2025年IC 0.010[11]，历史 e^(-rank mae) 0.325[11]，2025年 e^(-rank mae) 0.326[11]，上周多空收益 0.36%[11]，11月多空收益 0.71%[11]，2025YTD多空收益 9.32%[11]，2025年周胜率 30/46[11]，上周多头超额收益 -0.17%[11]，11月多头超额收益 -0.43%[11]，2025YTD多头超额收益 2.17%[11]，2025年多头周胜率 25/46[11] 11. **改进 GRU(50,2)+NN(10)因子**，历史IC 0.066[11]，2025年IC 0.047[11]，历史 e^(-rank mae) 0.336[11]，2025年 e^(-rank mae) 0.333[11]，上周多空收益 -1.32%[11]，11月多空收益 -0.71%[11]，2025YTD多空收益 44.83%[11]，2025年周胜率 38/46[11]，上周多头超额收益 -0.77%[11]，11月多头超额收益 -1.01%[11]，2025YTD多头超额收益 7.21%[11]，2025年多头周胜率 26/46[11] 12. **残差注意力 LSTM(48,2)+NN(10)因子**，历史IC 0.063[11]，2025年IC 0.046[11]，历史 e^(-rank mae) 0.334[11]，2025年 e^(-rank mae) 0.331[11]，上周多空收益 -1.50%[11]，11月多空收益 -1.23%[11]，2025YTD多空收益 44.56%[11]，2025年周胜率 42/46[11]，上周多头超额收益 -0.83%[11]，11月多头超额收益 -0.92%[11]，2025YTD多头超额收益 7.90%[11]，2025年多头周胜率 27/46[11] 13. **多颗粒度模型-5日标签因子**，历史IC 0.080[11]，2025年IC 0.068[11]，历史 e^(-rank mae) 0.344[11]，2025年 e^(-rank mae) 0.341[11]，上周多空收益 0.75%[11]，11月多空收益 2.56%[11]，2025YTD多空收益 63.15%[11]，2025年周胜率 42/46[11]，上周多头超额收益 1.07%[11]，11月多头超额收益 2.36%[11]，2025YTD多头超额收益 24.44%[11]，2025年多头周胜率 38/46[11] 14. **多颗粒度模型-10日标签因子**，历史IC 0.074[11]，2025年IC 0.062[11]，历史 e^(-rank mae) 0.342[11]，2025年 e^(-rank mae) 0.342[11]，上周多空收益 0.91%[11]，11月多空收益 2.55%[11]，2025YTD多空收益 57.70%[11]，2025年周胜率 41/46[11]，上周多头超额收益 0.98%[11]，11月多头超额收益 2.27%[11]，2025YTD多头超额收益 24.14%[11]，2025年多头周胜率 36/46[11] 量化模型与构建方式 1. **模型名称：中证500 AI增强宽约束组合** 模型构建思路：基于深度学习因子（多颗粒度模型-10日标签）构建中证500指数增强组合，采用较宽的约束条件控制风险[69] 模型具体构建过程：组合优化目标为最大化预期收益，目标函数为 $$max\sum\mu_{i}w_{i}$$，其中 $$w_i$$ 为股票i的权重，$$\mu_i$$ 为股票i的预期超额收益[70] 风险控制约束包括：个股权重偏离1%，行业偏离1%，市值因子暴露0.3，市净率（PB）因子暴露0.3，市值三次方因子暴露0.3，换手率约束0.3[70] 测试中假定以次日均价成交，并扣除双边3‰的交易成本[71] 2. **模型名称：中证500 AI增强严约束组合** 模型构建思路：基于深度学习因子（多颗粒度模型-10日标签）构建中证500指数增强组合，采用更严格的约束条件控制风险[69] 模型具体构建过程：组合优化目标为最大化预期收益，目标函数为 $$max\sum\mu_{i}w_{i}$$[70] 风险控制约束包括：个股权重偏离1%，行业偏离1%，市值因子暴露0.1，市净率（PB）因子暴露0.3，市值二次方因子暴露0.1，ROE因子暴露0.3，SUE因子暴露0.3，波动率因子暴露0.3，成份股权重约束0.8，换手率约束0.3[70] 测试中假定以次日均价成交，并扣除双边3‰的交易成本[71] 3. **模型名称：中证1000 AI增强宽约束组合** 模型构建思路：基于深度学习因子（多颗粒度模型-10日标签）构建中证1000指数增强组合，采用较宽的约束条件控制风险[69] 模型具体构建过程：组合优化目标为最大化预期收益，目标函数为 $$max\sum\mu_{i}w_{i}$$[70] 风险控制约束包括：个股权重偏离1%，行业偏离1%，市值因子暴露0.3，市净率（PB）因子暴露0.3，市值三次方因子暴露0.3，换手率约束0.3[70] 测试中假定以次日均价成交，并扣除双边3‰的交易成本[71] 4. **模型名称：中证1000 AI增强严约束组合** 模型构建思路：基于深度学习因子（多颗粒度模型-10日标签）构建中证1000指数增强组合，采用更严格的约束条件控制风险[69] 模型具体构建过程：组合优化目标为最大化预期收益，目标函数为 $$max\sum\mu_{i}w_{i}$$[70] 风险控制约束包括：个股权重偏离1%，行业偏离1%，市值因子暴露0.1，市净率（PB）因子暴露0.3，市值二次方因子暴露0.1，ROE因子暴露0.3，SUE因子暴露0.3，波动率因子暴露0.3，成份股权重约束0.8，换手率约束0.3[70] 测试中假定以次日均价成交，并扣除双边3‰的交易成本[71] 模型的回测效果 1. **中证500 AI增强宽约束组合**，上周超额收益 2.02%[12]，11月超额收益 3.38%[12]，2025YTD超额收益 7.31%[12]，2025年周胜率 27/46[12] 2. **中证500 AI增强严约束组合**，上周超额收益 0.73%[12]，11月超额收益 2.35%[12]，2025YTD超额收益 10.58%[12]，2025年周胜率 30/46[12] 3. **中证1000 AI增强宽约束组合**，上周超额收益 2.41%[12]，11月超额收益 4.46%[12]，2025YTD超额收益 18.45%[12]，2025年周胜率 31/46[12] 4. **中证1000 AI增强严约束组合**，上周超额收益 1.00%[12]，11月超额收益 1.83%[12]，2025YTD超额收益 20.66%[12]，

根据提供的研报内容，以下是关于量化模型和因子的总结。报告主要涉及风格因子和风险溢价模型，未涉及复杂的多因子模型。 量化因子与构建方式 1. **因子名称：动量因子**[62] * **因子构建思路**：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，旨在捕捉股票的持续上涨趋势[62]。 * **因子具体构建过程**：该因子由“长江动量指数”表征。具体构建过程为，首先计算每只股票的动量指标（最近一年收益率 - 最近一个月收益率），然后在整个A股市场中，选取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，以反映最具动量特征的股票整体走势[62]。 2. **因子名称：反转因子**[62] * **因子构建思路**：以最近一个月股票收益率作为筛选指标，旨在捕捉股票的短期反转效应[62]。 * **因子具体构建过程**：该因子由“长江反转指数”表征。具体构建过程为，在整个A股市场中，选取反转效应强、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，以准确表征高反转特征个股的整体表现[62]。 3. **因子名称：风格拥挤度因子**[120] * **因子构建思路**：通过计算不同风格指数换手率的相对Z-score值及其历史分位数，来衡量某一风格交易的拥挤程度，以提示配置风险[120]。 * **因子具体构建过程**：对于特定的风格对比（如成长vs红利），分别计算风格A和风格B指数的近252日平均换手率，并在2005年1月1日以来的历史时间序列上进行Z-score标准化，得到Z-score_A与Z-score_B。然后计算二者差值（Z-score_A - Z-score_B）的滚动6年历史分位数。若历史数据量满1年但不足6年，则以全部历史数据进行计算[120]。公式如下： * 计算Z-score: $$Z = \frac{X - \mu}{\sigma}$$ * 相对拥挤度 = $$历史分位数(Z_{score\_A} - Z_{score\_B})$$ 4. **模型名称：风险溢价模型**[51] * **模型构建思路**：通过比较股票市场盈利收益率与无风险利率（通常为国债收益率）的差异，即风险溢价，来衡量配置股票的相对性价比[51]。 * **模型具体构建过程**：对于特定指数，其风险溢价的计算公式为： $$ERP = \frac{1}{PE_{TTM}} - R_{f}$$ 其中，$$PE_{TTM}$$ 为指数的滚动市盈率，$$R_{f}$$ 为10年期中债国债到期收益率[51]。 模型的回测效果 *本报告未提供量化模型的回测绩效指标，如年化收益率、夏普比率、最大回撤等。* 因子的回测效果 1. **动量因子** * 近一周相对收益：-2.3%[59] * 近一月相对收益：-0.1%[59] * 年初至今相对收益：17.8%[59] 2. **反转因子** * 近一周相对收益：与动量因子相对计算，结果为2.3%[59] * 近一月相对收益：与动量因子相对计算，结果为0.1%[59] * 年初至今相对收益：与动量因子相对计算，结果为-17.8%[59] 3. **成长因子** * 近一周相对收益（较红利）：-1.6%[59] * 近一月相对收益（较红利）：1.0%[59] * 年初至今相对收益（较红利）：24.5%[59] 4. **红利因子** * 近一周相对收益（较成长）：与成长因子相对计算，结果为1.6%[59] * 近一月相对收益（较成长）：与成长因子相对计算，结果为-1.0%[59] * 年初至今相对收益（较成长）：与成长因子相对计算，结果为-24.5%[59] 5. **小盘因子** * 近一周相对收益（较大盘）：0.3%[59] * 近一月相对收益（较大盘）：1.2%[59] * 年初至今相对收益（较大盘）：8.4%[59] 6. **大盘因子** * 近一周相对收益（较小盘）：与小盘因子相对计算，结果为-0.3%[59] * 近一月相对收益（较小盘）：与小盘因子相对计算，结果为-1.2%[59] * 年初至今相对收益（较小盘）：与小盘因子相对计算，结果为-8.4%[59] 7. **微盘股因子** * 近一周相对收益（较基金重仓）：5.3%[59] * 近一月相对收益（较基金重仓）：13.4%[59] * 年初至今相对收益（较基金重仓）：54.6%[59] 8. **风格拥挤度因子** * 成长vs红利相对拥挤度历史分位：68%[70] * 小盘vs大盘相对拥挤度历史分位：37%[70] * 微盘股vs中证800相对拥挤度历史分位：86%[70]

根据提供的研报内容，以下是其中涉及的量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：价格分段体系**[15] * **模型构建思路**：该模型用于对市场价格走势进行分段识别，以判断不同时间周期（如日线、周线）下的趋势状态[15] * **模型具体构建过程**：模型通过计算价格序列的指标来划分走势段，报告中提及了dea指标，该指标常用于趋势分析，是价格分段的重要依据[15][18] 2. **模型名称：微观市场结构择时模型**[16] * **模型构建思路**：通过监测市场中知情交易者的活跃度来对市场走势进行择时判断[16] * **模型具体构建过程**：模型构建了一个“知情交易者活跃度”指标，该指标的变化反映了知情交易者对后市的态度，当指标为负值时表明市场情绪偏谨慎，边际变化则指示情绪的转向[16][19] 3. **因子名称：分析师行业景气预期因子**[20] * **因子构建思路**：利用分析师对上市公司未来财务表现的一致预测数据来构建行业景气度因子，以捕捉基于分析师预期的行业轮动机会[20] * **因子具体构建过程**：因子计算涉及两个核心指标：1）申万一级行业对应的分析师一致预测滚动未来12个月ROE（ROEFTTM）的环比变化；2）行业一致预期净利润滚动未来12个月（FTTM）增速的环比变化[20][21] 通过跟踪这些预期数据的变化来评估行业景气度的边际改善或恶化 4. **因子名称：BARRA风格因子**[23] * **因子构建思路**：采用经典的BARRA风险模型框架，从多个维度刻画股票的风格特征，并分析这些风格因子在近期的收益表现[23] * **因子具体构建过程**：报告列出了多个BARRA风格因子，包括但不限于：价值类（EP价值、BP价值）、成长类、动量类、质量类（盈利质量、盈利能力、投资质量）、规模类（市值、非线性市值）、交易行为类（换手、波动率、流动性、长期反转、财务杠杆、盈利波动）以及股息率因子[23][24] 这些因子共同构成了对市场风格的多维度刻画 模型的回测效果 （报告中未提供具体量化模型的回测效果指标取值） 因子的回测效果 1. **BARRA风格因子**[23][24] * **本周收益**：换手因子 -0.5%，财务杠杆因子 0.1%，盈利波动因子 0.0%，盈利质量因子 0.3%，盈利能力因子 0.3%，投资质量因子 0.4%，长期反转因子 -0.5%，EP价值因子 -0.3%，BP价值因子 0.2%，成长因子 0.1%，动量因子 1.2%，非线性市值因子 -0.6%，市值因子 -0.3%，波动率因子 -0.5%，流动性因子 1.3%，股息率因子 -0.1%[24] * **上周收益**：换手因子 -0.6%，财务杠杆因子 -0.1%，盈利波动因子 0.2%，盈利质量因子 -0.1%，盈利能力因子 -0.5%，投资质量因子 0.2%，长期反转因子 0.0%，EP价值因子 0.0%，BP价值因子 -0.1%，成长因子 0.0%，动量因子 -0.4%，非线性市值因子 -0.6%，市值因子 -0.5%，波动率因子 0.7%，流动性因子 -1.0%，股息率因子 0.3%[24] * **近一季趋势**：报告中以图表形式展示趋势，未提供具体数值[24]