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]

根据提供的ESG市场观察周报内容，该报告主要总结了ESG相关的市场动态、指数表现和事件舆情，并未涉及具体的量化模型或量化因子的构建、测试与分析过程。报告内容聚焦于市场现象描述和政策事件汇总，不具备量化分析所需的模型框架、因子定义、构建公式及回测结果等要素。 因此，本报告**没有**需要总结的量化模型或量化因子相关内容。

量化模型与因子总结 量化模型与构建方式 1. **模型名称：BARRA CNE5模型**[25] **模型构建思路：** 该模型用于分析投资组合的风险暴露，通过定义一系列风格因子来刻画投资组合相对于基准的偏好或规避倾向[25] **模型具体构建过程：** 模型包含10个风格因子，通过计算投资组合在这些因子上的暴露值（因子值）来评估其风格特征。当因子暴露为正时，表明基金偏好该类风格；当因子暴露为负时，表明基金会规避这类风格[25][28]。具体因子定义如下： * **Beta（贝塔）**：超额收益与市场收益的回归系数，代表市场收益暴露。 * **Momentum（动量）**：Relative Strength，代表动量暴露。 * **Size（市值）**：股票市值的对数，代表大盘暴露。 * **Earnings Yield（盈利）**：Earnings-to-Price，市盈率的倒数，代表盈利性暴露。 * **Residual Volatility（残差波动率）**：日收益标准差、历史标准差，代表波动性暴露。 * **Growth（成长）**：盈利增长率、销售收入增长率，代表成长暴露。 * **BP（B/P）**：Book-to-Price，市净率的倒数，代表价值暴露。 * **Leverage（杠杆）**：财务杠杆率，代表财务杠杆暴露。 * **Liquidity（流动性）**：换手率，代表流动性暴露。 * **Non-linear Size（非线性市值）**：股票市值的立方，代表中盘暴露。 模型的回测效果 1. **BARRA CNE5模型**，**贝塔因子暴露**-0.055，**动量因子暴露**-0.067，**市值因子暴露**0.372，**盈利因子暴露**0.229，**残差波动率因子暴露**-0.182，**成长因子暴露**0.095，**B/P因子暴露**-0.046，**杠杆因子暴露**0.079，**流动性因子暴露**0.094，**非线性市值因子暴露**-0.506，**平均暴露**0.121[32] 2. **BARRA CNE5模型（中证A500指数）**，**贝塔因子暴露**-0.071，**动量因子暴露**-0.087，**市值因子暴露**0.570，**盈利因子暴露**0.052，**残差波动率因子暴露**-0.075，**成长因子暴露**0.220，**B/P因子暴露**-0.201，**杠杆因子暴露**0.006，**流动性因子暴露**0.326，**非线性市值因子暴露**-0.404[32] 3. **BARRA CNE5模型（中加专精特新 vs 中证2000）**，**盈利因子暴露**更高，**估值（B/P）因子暴露**更高，**市值因子暴露**更低，**残差波动率因子暴露**更低，**成长因子暴露**更低，**流动性因子暴露**更低[65] 4. **BARRA CNE5模型（中加紫金多期）**，**盈利因子暴露**偏好强，**估值（B/P）因子暴露**偏好低，**残差波动率因子暴露**低[95] 量化因子与构建方式 1. **因子名称：Beta（贝塔）**[26] **因子构建思路：** 衡量股票超额收益对市场收益的敏感度。 **因子具体构建过程：** 通过回归分析得到股票超额收益与市场收益之间的回归系数。$$Beta = \frac{Cov(R_i - R_f, R_m)}{Var(R_m)}$$ 其中，$R_i$ 为股票收益率，$R_f$ 为无风险收益率，$R_m$ 为市场收益率。 2. **因子名称：Momentum（动量）**[26] **因子构建思路：** 衡量股票价格的趋势强度。 **因子具体构建过程：** 使用相对强弱（Relative Strength）指标，通常基于过去一段时间（如11个月剔除最近1个月）的累计收益率。$$Momentum = \frac{P_t}{P_{t-n}} - 1$$ 其中，$P_t$ 为当前价格，$P_{t-n}$ 为n期前的价格。 3. **因子名称：Size（市值）**[26] **因子构建思路：** 衡量公司的规模。 **因子具体构建过程：** 取股票总市值的自然对数。$$Size = ln(MarketCap)$$ 其中，$MarketCap$ 为股票总市值。 4. **因子名称：Earnings Yield（盈利）**[26] **因子构建思路：** 衡量公司的盈利水平。 **因子具体构建过程：** 采用市盈率（Earnings-to-Price）的倒数。$$Earnings Yield = \frac{Earnings}{Price}$$ 其中，$Earnings$ 为公司盈利，$Price$ 为股票价格。 5. **因子名称：Residual Volatility（残差波动率）**[26] **因子构建思路：** 衡量股票剔除市场风险后的特异性波动。 **因子具体构建过程：** 计算股票日收益率的标准差或历史标准差。 6. **因子名称：Growth（成长）**[26] **因子构建思路：** 衡量公司的成长能力。 **因子具体构建过程：** 基于盈利增长率或销售收入增长率等指标。 7. **因子名称：BP（B/P）**[26] **因子构建思路：** 衡量公司的估值水平，属于价值因子。 **因子具体构建过程：** 采用市净率（Book-to-Price）的倒数。$$BP = \frac{Book Value}{Price}$$ 其中，$Book Value$ 为公司账面价值，$Price$ 为股票价格。 8. **因子名称：Leverage（杠杆）**[26] **因子构建思路：** 衡量公司的财务杠杆水平。 **因子具体构建过程：** 使用财务杠杆率等指标。 9. **因子名称：Liquidity（流动性）**[26] **因子构建思路：** 衡量股票的流动性。 **因子具体构建过程：** 使用换手率等指标。 10. **因子名称：Non-linear Size（非线性市值）**[26] **因子构建思路：** 捕捉市值因子的非线性效应，侧重中盘股。 **因子具体构建过程：** 取股票总市值的立方。$$Non-linear Size = (MarketCap)^3$$ 其中，$MarketCap$ 为股票总市值。 因子的回测效果 1. **Beta（贝塔）因子**，**中加A500暴露**-0.055，**A500指数暴露**-0.071[32] 2. **Momentum（动量）因子**，**中加A500暴露**-0.067，**A500指数暴露**-0.087[32] 3. **Size（市值）因子**，**中加A500暴露**0.372，**A500指数暴露**0.570[32] 4. **Earnings Yield（盈利）因子**，**中加A500暴露**0.229，**A500指数暴露**0.052[32] 5. **Residual Volatility（残差波动率）因子**，**中加A500暴露**-0.182，**A500指数暴露**-0.075[32] 6. **Growth（成长）因子**，**中加A500暴露**0.095，**A500指数暴露**0.220[32] 7. **BP（B/P）因子**，**中加A500暴露**-0.046，**A500指数暴露**-0.201[32] 8. **Leverage（杠杆）因子**，**中加A500暴露**0.079，**A500指数暴露**0.006[32] 9. **Liquidity（流动性）因子**，**中加A500暴露**0.094，**A500指数暴露**0.326[32] 10. **Non-linear Size（非线性市值）因子**，**中加A500暴露**-0.506，**A500指数暴露**-0.404[32]

根据提供的量化研报，以下是其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：行业主线模型（相对强弱RSI指标）**[1][5][10] * **模型构建思路**：通过构建行业层面的相对强弱指标，识别每年可能成为市场领涨主线的行业[10] * **模型具体构建过程**： 1. 以29个申万一级行业指数为配置标的[10] 2. 分别计算每个行业过去20、40、60个交易日的涨跌幅，并在所有行业中分别进行横截面排名，得到 `Rank_20`, `Rank_40`, `Rank_60`[10] 3. 对三个排名进行归一化处理，得到 `RS_20`, `RS_40`, `RS_60`[10] 4. 计算三个归一化排名的算术平均值，得到最终的行业相对强弱指数 `RS`[10] * 公式：$$ RS = \frac{RS\_20 + RS\_40 + RS\_60}{3} $$[10] * **模型评价**：该指标能有效提示年度领涨行业方向，例如2024年成功提示了高股息、资源品、出海和AI等主线[10] 2. **模型名称：行业景气度-趋势-拥挤度框架**[1][2][5][7][15] * **模型构建思路**：综合考量行业的基本面（景气度）、市场动能（趋势）和交易风险（拥挤度）三个维度，形成两种右侧行业配置方案[15] * **模型具体构建过程**：该框架包含两种具体方案： * **方案一：行业景气模型（高景气-强趋势）**：以景气度为核心，选择高景气度且趋势强劲的行业，同时利用拥挤度指标规避高拥挤风险，风格偏同步进攻[15] * **方案二：行业趋势模型（强趋势-低拥挤）**：以市场趋势为核心，选择趋势强劲且拥挤度较低的行业，同时规避低景气行业，风格偏右侧，持有体验感强[15] * 具体权重配置示例如下：基础化工18%、传媒16%、农林牧渔12%等[2][7][15] 3. **模型名称：左侧库存反转模型**[3][5][29] * **模型构建思路**：从赔率-胜率角度出发，在处于或曾处于困境但已出现反弹迹象的板块中，挖掘分析师长期看好且库存压力不大、具备补库条件的行业，以捕捉困境反转行情[29] * **模型具体构建过程**：报告未详细描述该模型的具体计算步骤，但指出其核心逻辑是结合行业的困境反转潜力、分析师预期和库存周期进行判断[29] 4. **模型名称：行业景气度选股模型（PB-ROE）**[25][28] * **模型构建思路**：将行业配置模型的行业权重与个股选择相结合，在确定的行业内，基于PB-ROE模型筛选估值性价比高的股票[25][28] * **模型具体构建过程**： 1. 首先根据行业配置模型（如景气度-趋势-拥挤度框架）确定各行业的配置权重[25] 2. 在行业内，基于PB-ROE模型选取估值性价比高的股票（具体为排名前40%）[25][28] 3. 对选出的股票，按流通市值和PB-ROE打分进行加权，确定个股在组合内的权重[28] 模型的回测效果 1. **行业景气度-趋势-拥挤度框架（行业配置）**[15] * 基准：Wind全A指数 * 多头年化收益：21.8% * 超额年化收益：13.7% * 信息比率（IR）：1.5 * 超额最大回撤：-8.0% * 月度胜率：67% * 分年度超额：2023年超额7.3%，2024年超额5.7%，2025年以来超额2.0%[15] 2. **行业景气度-趋势-拥挤度框架（ETF配置）**[22] * 基准：中证800指数 * 年化超额收益：16.1% * 信息比率（IR）：1.8 * 超额最大回撤：10.8% * 月度胜率：65% * 分年度超额：2023年超额6.0%，2024年超额5.3%，2025年以来（截至10月底）超额14.4%[22] 3. **行业景气度选股模型（PB-ROE）**[25] * 基准：Wind全A指数 * 多头年化收益：26.5% * 超额年化收益：19.7% * 信息比率（IR）：1.7 * 超额最大回撤：-15.4% * 月度胜率：68% * 分年度表现：2022年超额10.2%，2023年超额10.4%，2024年绝对收益14.6%（超额4.6%），2025年以来超额5.5%[25] 4. **左侧库存反转模型**[29] * 基准：行业等权指数 * 分年度表现： * 2023年绝对收益13.4%，相对超额17.0% * 2024年绝对收益26.5%，相对超额15.4% * 2025年（截至10月底）绝对收益27.9%，相对超额7.5%[29] 量化因子与构建方式 1. **因子名称：相对强弱（RS）因子**[10] * **因子构建思路**：通过多期涨跌幅的横截面排名与合成，衡量行业相对于其他行业的强度[10] * **因子具体构建过程**： 1. 计算特定行业在过去20、40、60个交易日的涨跌幅[10] 2. 在每个时间截面上，计算该行业涨跌幅在所有行业中的排名 `Rank_20`, `Rank_40`, `Rank_60`[10] 3. 对排名进行归一化处理，得到 `RS_20`, `RS_40`, `RS_60`[10] 4. 计算三个归一化值的算术平均值作为最终因子值[10] * 公式：$$ RS = \frac{RS\_20 + RS\_40 + RS\_60}{3} $$[10] 2. **因子名称：景气度因子**[15] * **因子构建思路**：衡量行业的基本面好坏[15] * **因子具体构建过程**：报告未详细描述该因子的具体计算方法和数据来源，但明确指出其在模型中是核心维度之一，横轴代表景气度高低[15] 3. **因子名称：趋势因子**[15] * **因子构建思路**：衡量行业价格走势的强弱[15] * **因子具体构建过程**：报告未详细描述该因子的具体计算方法和数据来源，但明确指出其在模型中是核心维度之一，纵轴代表趋势强弱[15] 4. **因子名称：拥挤度因子**[15] * **因子构建思路**：衡量行业的交易风险，避免过度拥挤[15] * **因子具体构建过程**：报告未详细描述该因子的具体计算方法和数据来源，但明确指出其在模型中用于风险提示，通过气泡颜色（蓝色低拥挤，红色高拥挤）和大小来表征[15] 5. **因子名称：PB-ROE因子**[25][28] * **因子构建思路**：结合估值（市净率PB）和盈利能力（净资产收益率ROE），筛选具有估值性价比的股票[25][28] * **因子具体构建过程**：在确定行业内，基于PB和ROE指标对股票进行打分，选取排名前40%的股票，并综合流通市值进行加权[25][28]

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：微盘股轮动与择时模型**[18][23] * **模型构建思路**：该模型旨在通过相对净值、动量指标以及风险指标，实现微盘股指数与茅指数之间的风格轮动，并在风险聚集时发出平仓信号[18][23] * **模型具体构建过程**： * **轮动信号生成**： 1. 计算微盘股指数与茅指数的相对净值（微盘股净值 / 茅指数净值）[18] 2. 计算该相对净值的243日移动平均线（MA243）[18] 3. 计算微盘股指数和茅指数的20日收盘价斜率（动量指标）[18][23] 4. 轮动规则：当微盘股/茅指数相对净值高于其243日均线，且微盘股20日斜率为正、茅指数20日斜率为负时，配置微盘股；反之则配置茅指数[23] * **择时风控信号生成**： 1. 监控十年期国债到期收益率的同比变化率（十年国债利率同比），设定风险阈值为30%[18][23] 2. 监控微盘股波动率拥挤度的同比变化率（波动率拥挤度同比），设定风险阈值为55%[18][23] 3. 风控规则：当十年国债利率同比触及30%或波动率拥挤度同比触及55%时，模型发出平仓信号[23] 2. **模型名称：宏观择时策略**[42][43] * **模型构建思路**：基于经济增长和货币流动性两个维度的宏观指标，动态调整权益资产的配置仓位[42][43] * **模型具体构建过程**：模型对经济增长和货币流动性分别进行评估，生成信号强度（以百分比表示），并综合这两个维度的信号得出最终的权益资产推荐仓位[42][43] 具体构建细节可参考其历史研究报告[42] 模型的回测效果 1. **宏观择时策略**[42][43] * 2025年年初至今收益率：13.55%[42] * 同期Wind全A收益率：25.61%[42] * 截至2025年10月31日信号：经济增长信号强度0%，货币流动性信号强度50%，权益推荐仓位25%[42][43] 量化因子与构建方式 1. **因子名称：大类选股因子**[48][60][61] * **因子构建思路**：报告跟踪了八大类选股因子，包括一致预期、市值、成长、反转、质量、技术、价值和波动率，每类因子由多个细分因子合成[48][60][61] * **因子具体构建过程**：报告附录提供了详细的因子分类和定义[60][61]，例如： * **价值因子**：包含市净率（BP_LR，最新年报账面净资产/最新市值）、预期市盈率（EP_FTTM，未来12个月一致预期净利润/最新市值）等细分因子，因子值越大表示越被低估，预期收益越高（排序方向↑）[60][61] * **成长因子**：包含单季度净利润同比增速（NetIncome_SQ_Chg1Y）、单季度营业收入同比增速（Revenues_SQ_Chg1Y）等细分因子，因子值越大表示成长性越好，预期收益越高（排序方向↑）[60][61] * **技术因子**：包含20日成交量均值与240日成交量均值之比（Volume_Mean_20D_240D）、240日收益率偏度（Skewness_240D）等细分因子，因子值通常与预期收益负相关（排序方向↓）[60][61] * **波动率因子**：包含60日收益率标准差（Volatility_60D）、CAPM模型残差波动率（IV_CAPM）等细分因子，因子值通常与预期收益负相关（排序方向↓）[60][61] * **反转因子**：包含20日收益率（Price_Chg20D）、60日收益率（Price_Chg60D）等细分因子，因子值通常与预期收益负相关（排序方向↓）[60][61] 2. **因子名称：可转债择券因子**[57] * **因子构建思路**：从正股相关性和转债估值两个角度构建因子，用于可转债的量化择券[57] * **因子具体构建过程**： * **正股因子**：基于正股与可转债的相关关系，通过预测正股的因子（如正股财务质量、正股价值等）来构建可转债因子[57] * **转债估值因子**：使用平价底价溢价率作为估值因子[57] 因子的回测效果 1. **大类选股因子（上周IC均值，全部A股）**[48] * 波动率因子：17.72% * 价值因子：12.38% * 技术因子：9.98% * 市值因子：7.92% * 反转因子：-0.84% * 一致预期因子：-4.68% * 成长因子：-6.34% * 质量因子：-14.23% 2. **可转债择券因子（上周IC均值）**[57] * 正股财务质量因子：取得正IC * 正股价值因子：取得正IC * 转债估值因子：取得正IC

根据提供的研报内容，以下是关于量化模型和因子的总结。报告内容主要涉及市场数据回顾和基金业绩跟踪，未详细阐述具体的量化模型构建过程或量化因子定义。因此，以下总结将基于报告中明确提及的模型和因子相关概念进行。 量化模型与构建方式 1. **模型名称**： ETF资金净流入计算模型[10] * **模型构建思路**： 通过跟踪ETF每日份额变化与前一日净值的乘积，来计算一级市场的资金净流入或净流出情况[10] * **模型具体构建过程**： 1. 获取ETF每日的基金份额数据 2. 计算每日份额较前一日的变化额 3. 获取前一日ETF的单位净值 4. 将每日份额变化额乘以前一日净值，得到该日的净申购/赎回额 5. 对报告期内发生份额拆分的ETF进行数据调整，以确保计算口径的一致性 6. 将报告期内（如上周年内）所有交易日的净申购/赎回额加总，得到该期间的资金净流入合计值[10] * **模型评价**： 该模型是监测ETF市场资金动向的基础工具 2. **模型名称**： 增强策略ETF/增强指数型基金超额收益计算模型[23][35][36] * **模型构建思路**： 通过比较基金收益率与其业绩比较基准的收益率，来评估基金的主动管理能力[23][35][36] * **模型具体构建过程**： 1. 选定评估周期（如上周、2025年以来、近1年） 2. 计算评估周期内基金的净值增长率（收益率） 3. 计算同一评估周期内业绩比较基准的收益率 4. 使用以下公式计算超额收益率： $$超额收益率 = 基金收益率 - 业绩比较基准收益率$$[23][35][36] * **模型评价**： 该模型是衡量指数增强产品投资效果的核心指标 模型的回测效果 *报告未提供上述计算模型的量化回测指标（如年化收益率、夏普比率、最大回撤等）。报告中的结果均为特定时间窗口（如上周、近一年）下的具体计算值，而非模型历史表现的统计检验结果[10][23][35][36]。* 量化因子与构建方式 *报告内容为市场数据描述与基金业绩展示，未涉及量化因子的构建、测试或分析。* 因子的回测效果 *报告内容为市场数据描述与基金业绩展示，未涉及量化因子的回测效果。*

根据研报内容，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：动量因子**[60] * **因子构建思路**：基于股价的历史表现，筛选近期表现强势的股票，旨在捕捉趋势延续效应[60] * **因子具体构建过程**：以“长江动量”指数作为动量因子的表征。该指数的构建方法是，首先计算每只股票的动量指标，具体公式为：`最近一年股票收益率 - 最近一个月股票收益率（剔除涨停板）`。然后，根据此动量指标，在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[60] 2. **因子名称：反转因子**[60] * **因子构建思路**：基于股价的短期表现，筛选近期表现弱势的股票，旨在捕捉价格回归均值的反转效应[60] * **因子具体构建过程**：以“长江反转”指数作为反转因子的表征。该指数的构建方法是，以最近一个月股票收益率作为筛选指标，在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[60] 3. **因子名称：风格相对拥挤度**[125] * **因子构建思路**：通过比较不同风格指数（如成长vs红利）的换手率活跃程度，来衡量该风格交易的相对拥挤程度，以判断其配置风险或性价比[125] * **因子具体构建过程**：对于风格A和风格B，计算步骤如下： 1. 分别计算风格A指数和风格B指数的近252日平均换手率时间序列[125] 2. 将上述时间序列在2005年1月1日以来的历史数据上进行Z-score标准化，得到Z-score_A与Z-score_B[125] 3. 计算二者差值：$$Diff_{Zscore} = Zscore\_A - Zscore\_B$$ 4. 计算该差值（Diff_Zscore）的滚动6年历史分位数（若历史数据量满1年但不足6年，则以全部历史数据计算），此分位数即为风格A相对于风格B的相对拥挤度[125] 4. **因子名称：风格累计超额净值**[126] * **因子构建思路**：通过计算风格指数相对于市场基准（万得全A）的累计超额表现，来评估该风格的长期收益特征[126] * **因子具体构建过程**： 1. 以2020年1月4日为基准日，将各风格指数及万得全A指数的每日收盘点数除以基准日收盘点数，得到各自的累计净值[126] 2. 将各风格指数的累计净值除以同一交易日的万得全A指数累计净值，得到该风格指数相对于万得全A指数的累计超额净值[126] 5. **因子名称：机构调研活跃度**[127] * **因子构建思路**：通过计算板块或行业相对于市场的机构调研热度差异，并将其标准化为历史分位数，来捕捉机构投资者的关注度变化[127] * **因子具体构建过程**：对于特定板块（或指数、行业），计算其“机构调研活跃度”的滚动历史分位数。具体步骤为： 1. 计算该板块近n个交易日的“日均机构调研次数”[127] 2. 将该时间序列在滚动y年的历史数据上进行Z-score标准化[127] 3. 将上述结果与万得全A的同期Z-score标准化结果作差，得到“机构调研活跃度”[127] 4. 最后计算此“机构调研活跃度”的滚动y年历史分位数（历史数据量不足y年时，以全部历史数据计算）[127] * **参数设置**：长期口径：n=126（近半年），y=6年；短期口径：n=63（近一季度），y=3年[127] 6. **因子名称：股债风险溢价（ERP）**[48] * **因子构建思路**：通过比较股票市场市盈率的倒数与无风险利率（国债收益率）的差异，来衡量权益资产相对于债券资产的相对吸引力[48] * **因子具体构建过程**：对于特定指数，其ERP的计算公式为： $$ERP = \frac{1}{指数PE\_{TTM}} - 10年期中债国债到期收益率$$ 其中，PE_TTM为指数滚动市盈率[48] 因子的回测效果 1. **动量因子**：近一周收益-1.7%，近一月收益1.8%，年初至今收益34.8%[58] 2. **反转因子**：近一周收益1.6%，近一月收益0.0%，年初至今收益13.5%[58] 3. **成长vs红利风格相对收益**：近一周收益-1.5%，近一月收益-2.9%，年初至今收益26.4%[58] 4. **小盘vs大盘风格相对收益**：近一周收益-0.9%，近一月收益-2.3%，年初至今收益8.1%[58] 5. **微盘股vs基金重仓风格相对收益**：近一周收益3.7%，近一月收益9.8%，年初至今收益45.9%[58] 6. **动量vs反转风格相对收益**：近一周收益-3.3%，近一月收益1.8%，年初至今收益21.3%[58]

经过仔细阅读和分析提供的研报内容，发现该报告主要是一份市场周报，侧重于对过去一周股票、债券、基金等市场的回顾和描述，并包含了大量基金产品的发行信息。报告内容并未涉及具体的量化模型或量化因子的构建思路、详细构建过程、公式或专门的测试结果。 报告中提到的“量化选股基金”（如鹏华启航量化选股基金[10]）和“量化对冲型基金”[38]属于应用量化方法的基金产品类别，但报告本身并未阐述这些产品所采用的具体模型或因子。报告中对基金业绩的统计（如表8、表9、表10等[55][58]）属于业绩展示，并非对特定模型或因子效果的测试。 因此，根据任务要求，本总结将跳过“量化模型与构建方式”及“量化因子与构建方式”部分，因为报告中无相关内容。同时，报告末尾的“风险提示”[55]和“免责声明”[56]类内容也将按指令不予包含。 **基金的量化策略业绩表现** 1. **指数增强型基金（本周超额收益）**[40] 分组 | 指标值 ---|--- Min | -3.41% 10% | -0.70% 20% | -0.51% 30% | -0.36% 40% | -0.23% 50% | -0.14% 60% | -0.04% 70% | 0.06% 80% | 0.20% 90% | 0.35% Max | 2.03% 2. **量化对冲型基金（本周收益）**[40] 分组 | 指标值 ---|--- Min | -0.22% 10% | -0.12% 20% | -0.01% 30% | 0.08% 40% | 0.15% 50% | 0.27% 60% | 0.29% 70% | 0.33% 80% | 0.41% 90% | 0.59% Max | 2.07% 3. **指数增强型基金（本年超额收益）**[40] 分组 | 指标值 ---|--- Min | -9.65% 10% | -1.42% 20% | 0.66% 30% | 1.65% 40% | 2.64% 50% | 3.95% 60% | 5.22% 70% | 6.76% 80% | 8.70% 90% | 12.19% Max | 23.88% 4. **量化对冲型基金（本年收益）**[40] 分组 | 指标值 ---|--- Min | -5.27% 10% | -1.36% 20% | -1.17% 30% | -0.72% 40% | 0.57% 50% | 1.11% 60% | 1.42% 70% | 1.48% 80% | 2.28% 90% | 3.21% Max | 14.43%

根据研报内容，该报告主要涉及对三大核心指数（沪深300、中证500、科创50）样本股调整的预测方法和结果，其核心是基于指数编制规则的量化筛选模型。以下是总结： 量化模型与构建方式 **1. 模型名称：指数样本股调整预测模型**[6][7][9][13] - **模型构建思路**：该模型严格依据中证指数有限公司发布的指数编制细则，利用截止至当年10月31日的客观交易数据和财务数据，通过一系列量化筛选步骤，预测在定期调整中可能被调入或调出的样本股[6][7] - **模型具体构建过程**：模型构建过程遵循指数编制规则，主要包含以下几个步骤： 1. **确定样本空间**：选择经营状况良好、无违法违规事件、财务报告无重大问题、股票价格无明显异常波动或市场操纵的公司作为备选池[7][9][13] 2. **数据排序**：对样本空间内的股票，按其在最近一年（特定日期前）的日均总市值和日均成交金额分别进行排名[7][9][13] 3. **综合筛选**： - **沪深300指数**：主要依据日均总市值和日均成交金额的综合排名进行选择，并设置缓冲区（例如，每次调整数量不超过成分股数量的10%）以降低样本周转率，同时会剔除长期停牌等特殊情况的股票[7] - **中证500指数**：首先剔除沪深300指数样本股及最近一年日均总市值排名前300的股票，然后在剩余股票中同样依据日均总市值和日均成交金额进行筛选，并遵循缓冲规则[9] - **科创50指数**：在科创板市场中，依据日均总市值和日均成交金额进行排序和筛选[13] 4. **特殊规则应用**：例如，对于沪深300指数，创业板证券进入样本空间的时间要求为上市超过一年[7] 5. **主观经验剔除**：基于历史观察，对于多次满足条件但未被纳入的股票（如沪农商行、三安光电等），模型会将其从预测样本池中主动剔除，以提高预测准确性[8][9] 模型的回测效果 *（注：报告未提供模型的历史预测准确率、信息比率(IR)等具体的量化回测指标取值，因此本部分省略）* 量化因子与构建方式 **1. 因子名称：日均总市值**[7][8][9][11][12][14] - **因子构建思路**：衡量上市公司在特定时间段内的市场规模，是决定股票能否进入宽基指数的核心指标之一[7][9][13] - **因子具体构建过程**：计算股票在审核截止日期前最近一年（例如，截至10月31日）的每日总市值的平均值。总市值通常为股价乘以总股本。$$日均总市值 = \frac{\sum_{t=1}^{N} (当日收盘价_t \times 总股本_t)}{N}$$ 其中，N为最近一年的总交易天数[7][8][11] **2. 因子名称：日均成交金额**[7][8][9][11][12][14] - **因子构建思路**：衡量股票在特定时间段内的流动性水平，保证指数成分股具有良好的交易活跃度[7][9][13] - **因子具体构建过程**：计算股票在审核截止日期前最近一年（例如，截至10月31日）的每日成交金额的平均值。$$日均成交金额 = \frac{\sum_{t=1}^{N} 当日成交金额_t}{N}$$ 其中，N为最近一年的总交易天数[7][8][11] 因子的回测效果 *（注：报告未提供上述因子在选股中的有效性、IC值、因子收益率等具体的量化回测指标取值，因此本部分省略）* 模型/因子评价 - **指数样本股调整预测模型**：该模型具有较强的规则性和客观性，完全基于公开的编制规则和历史数据，排除了分析师的主观判断，预测结果具有较高的透明度和可重复性[4][14]。同时，模型通过引入“历史未纳入剔除列表”来优化预测，体现了对规则细节和实际执行情况的深入理解[8][9]