量化模型与构建方式 1. 竞争优势组合 - **模型名称**：竞争优势组合 - **模型构建思路**：将企业竞争环境和战略因素纳入选股逻辑，基于竞争壁垒分析框架识别不同类型行业中的优质企业[12] - **模型具体构建过程**：首先将行业分类为"壁垒护盾型"、"竞争激烈型"、"稳中求进型"和"寻求突破型"四类。在"壁垒护盾型"行业中识别"唯一主导"企业和"合作共赢"企业，在非"壁垒护盾型"行业中发掘"高效运营"企业，最后将两类组合结合得到最终组合[12][13] 2. 安全边际组合 - **模型名称**：安全边际组合 - **模型构建思路**：基于企业内在价值与市场价值之间的安全边际进行选股，通过计算个股的盈利能力价值作为安全边际[17] - **模型具体构建过程**：通过ROIC分析企业创造价值的能力，计算个股的盈利能力价值作为安全边际指标，在综合竞争优势股票池内选择安全边际最大的前50标的并采用股息率加权的方式最大化组合安全边际[17] - **模型评价**：该方法强调企业内在价值与市场价值的差距，更可靠地反映企业实际价值[17] 3. 红利低波季调组合 - **模型名称**：红利低波季调组合 - **模型构建思路**：优化传统红利策略，避免"高股息陷阱"，通过股息率预测和负向清单制度筛选优质高股息股票[23] - **模型具体构建过程**：一方面通过股息率本身的预测规避高股息陷阱，另一方面考虑剔除股价表现极端、负债率异常的标的等负向清单制度[23] 4. AEG估值潜力组合 - **模型名称**：AEG估值潜力组合 - **模型构建思路**：基于超额收益增长模型(AEG)进行估值，投资于市场尚未充分认识到其增长潜力的公司[27][31] - **模型具体构建过程**：首先用AEG_EP因子选取TOP100股票，然后选择股利再投资/P比率高的TOP50股票。AEG模型的核心公式为： $$A E G=Y_{t}-N_{t}=(E_{t}+r*D P S_{t-1})-(1+r)*E_{t-1}$$ $$\frac{V_{0}}{E_{1}}=\frac{1}{r}+\frac{1}{r}*\frac{\left(\frac{A E G_{2}}{1+r}+\frac{A E G_{3}}{(1+r)^{2}}+\frac{A E G_{4}}{(1+r)^{3}}+\cdots\right)}{E_{1}}$$ 其中E₁是第一期的盈利，V₀是当下的市值，r是要求回报率[27] 5. 现金牛组合 - **模型名称**：中证800现金牛组合 - **模型构建思路**：通过CFOR分析体系深入评估企业的盈利能力和资产的现金生成效率，补充传统杜邦分解的不足[35] - **模型具体构建过程**：引入自由现金流(FCF)和自由现金流回报率(CFOR)作为关键分析维度，通过拆解现金流量回报率，评估企业如何将经营活动产生的现金流转化为净利润，包括自由现金利润比率和经营资产回报率[35] 6. 困境反转组合 - **模型名称**：困境反转组合 - **模型构建思路**：利用库存周期刻画公司的困境反转，结合景气加速恢复和定价错误的估值回归，捕捉估值提升收益[42] - **模型具体构建过程**：利用库存周期刻画困境反转，同时考虑景气加速恢复和低估，在三重投资模式下将相关因子标准化叠加后选取得分最高的50只股票[42] 模型的回测效果 1. 竞争优势组合 - 年化收益：16.63%(全区间)[1]，20.60%(2019年以来)[16] - 夏普比率：0.65(全区间)[1]，0.97(2019年以来)[16] - 信息比率(IR)：0.11(全区间)[1]，0.12(2019年以来)[16] - 最大回撤：-47.68%(全区间)[1]，-19.32%(2019年以来)[16] - 卡玛比率：0.35(全区间)[1]，1.07(2019年以来)[16] 2. 安全边际组合 - 年化收益：23.39%(全区间)[2]，23.45%(2019年以来)[22] - 夏普比率：1.06(全区间)[2]，1.17(2019年以来)[22] - 信息比率(IR)：0.21(全区间)[2]，0.16(2019年以来)[22] - 最大回撤：-35.10%(全区间)[2]，-16.89%(2019年以来)[22] - 卡玛比率：0.67(全区间)[2]，1.39(2019年以来)[22] 3. 红利低波季调组合 - 年化收益：19.29%(全区间)[2]，17.23%(2019年以来)[24] - 夏普比率：0.92(全区间)[2]，1.01(2019年以来)[24] - 信息比率(IR)：0.16(全区间)[2]，0.16(2019年以来)[24] - 最大回撤：-43.06%(全区间)[2]，-21.61%(2019年以来)[24] - 卡玛比率：0.45(全区间)[2]，0.80(2019年以来)[24] 4. AEG估值潜力组合 - 年化收益：29.40%(全区间)[3]，25.13%(2019年以来)[33] - 夏普比率：1.16(全区间)[3]，1.14(2019年以来)[33] - 信息比率(IR)：0.22(全区间)[3]，0.15(2019年以来)[33] - 最大回撤：未提供(全区间)，-24.02%(2019年以来)[33] - 卡玛比率：0.66(全区间)[3]，1.05(2019年以来)[33] 5. 中证800现金牛组合 - 年化收益：14.11%(2019年以来)[40] - 夏普比率：0.71(2019年以来)[40] - 信息比率(IR)：0.10(2019年以来)[40] - 最大回撤：-19.80%(2019年以来)[40] - 卡玛比率：0.71(2019年以来)[40] 6. 困境反转组合 - 年化收益：25.02%(2019年以来)[44] - 夏普比率：1.01(2019年以来)[44] - 信息比率(IR)：0.15(2019年以来)[44] - 最大回撤：-33.73%(2019年以来)[44] - 卡玛比率：0.74(2019年以来)[44]

量化因子与构建方式 1. 因子名称：外币资金占货币资金比 - **因子构建思路**：使用资产负债表财务附注中货币资金项下各外币金额的合计占比，来反映上市公司境外业务开展的强度和广度[1][5][13] - **因子具体构建过程**： 1. 数据来源为Wind，数据起点为2014年6月30日，回溯区间为2017年4月30日至2025年10月31日[15] 2. 财务附注每半年更新，每年4月末和8月末进行数据统一切换，每月再平衡[15] 3. 因子定义如下，图表中简称"外币资金占比"[16]： $$\mathrm{factor}\;=\;1-{\frac{i k}{2k}}{\tilde{w}}\wedge{\tilde{R}}\wedge{\tilde{P}}\nrightarrow{\frac{i k}{2k}}/{\frac{i k}{2k}}{\tilde{w}}\nrightarrow{\frac{i k}{2k}}\nrightarrow{\frac{i k}{2k}}$$ 4. 由于部分机构出现多币种折算为人民币后总额大于资产负债表货币资金金额的情况，轧差的人民币资金可能为负值，因此在计算原始因子后会将比例大于1的标的值改为1[16] - **因子评价**：该因子在中小市值域内表现较好，而中大市值股票池内收益效果并不稳定[28] 2. 因子名称：境外业务收入占比稳定性 - **因子构建思路**：利用利润表财务附注中营业收入构成的拆分信息，关注境外业务收入占主营业务收入的比，但并非使用单一截面比值，而是计算当前截面数据相对于历史波动率的比值，以同时反映当前收入水平的高低和各截面收入占比的稳定性[1][5][13] - **因子具体构建过程**： 1. 数据来源为Wind，数据起点为2014年6月30日，回溯区间为2017年4月30日至2025年10月31日[42] 2. 财务附注每半年更新，每年4月末和8月末进行数据统一切换，每月再平衡[42] 3. 因子定义如下，图表中简称"境外收入占比"[43]： $${\mathrm{factor~}}={\mathrm{ratio/std~(ratio)}}_{\mathrm{t=1,\cdots,6}}$$ 其中，ratio = 当期境外业务收入 / 当期主营业务收入[43] - **因子评价**：该因子在中小市值股票域中选股能力更佳，可作为中小市值股票池中的因子补充；由于覆盖度较低，也导致了各行业表现差异较大，与各行业的经营特征有关，可在出海型行业中加入这一信息提升选股收益[56] 3. 因子名称：主要客户销售收入占比稳定性 - **因子构建思路**：考虑第一大客户销售收入占公司主营收入比的稳定性，认为客户占比的稳定反映了上市公司主要下游需求的稳定；该比例的绝对高低不具有选股能力[1][5][13] - **因子具体构建过程**： 1. 数据来源为Wind，数据起点为2014年6月30日，回溯区间为2017年4月30日至2025年10月31日[72] 2. 由于较多上市公司仅在年报披露该公司的主要客户收入占比情况，或存在半年报披露的信息不完整/不连续的情况，因此计算时将该因子统一为年度因子，每年8月末进行数据统一切换，每月再平衡[72] 3. 因子定义如下，图表中简称"主要客户占比"[73]： factor = std (第 1 大客户销售收入占比)t=1,⋯,3 4. 作者也计算了前 n 大客户销售收入占比稳定性(2<=n<=5)，结果显示，前 n 大客户销售收入占比稳定性均有一定的选股效果，但随着 n 的增加，年化收益以及超额稳定性逐渐下降，本文仅计算和展示"第 1 大客户销售收入占比稳定性"情况[73] - **因子评价**：该因子在中小市值股票域中选股能力更佳，可作为中小市值股票池中的质量因子补充；该因子在大部分行业选股超额较优异，具有一定普适性[83] 4. 因子名称：经营结构三因子（复合因子） - **因子构建思路**：由于外币资金占货币资金比、境外业务收入占比稳定性、主要客户销售收入占比稳定性这三个因子相关性较低，考虑等权复合构建财务附注经营结构因子[12][99] - **因子具体构建过程**：将上述三个因子进行等权复合[99] 5. 因子名称：经营结构两因子（复合因子） - **因子构建思路**：由于境外业务收入占比稳定性因子数据覆盖度较低，同时考虑仅复合外币资金占货币资金比因子和主要客户销售收入比稳定性因子的测试结果[99][118] - **因子具体构建过程**：将外币资金占货币资金比因子和主要客户销售收入占比稳定性因子进行等权复合[99][118] 因子的回测效果 1. 外币资金占货币资金比因子 - 月均 Rank IC：1.35%[5][13][145] - 年化收益：8.50%[5][13][145] - 年化超额：3.65%[5][13][145] - 超额回撤：5.29%[5][13][145] - 平均市场覆盖度：约80%[5][13][145] 2. 境外业务收入占比稳定性因子 - 月均 Rank IC：1.69%[5][13][145] - 年化收益：11.07%[5][13][145] - 年化超额：3.56%[5][13][145] - 超额回撤：4.41%[5][13][145] - 平均市场覆盖度：约40%[5][13][145] 3. 主要客户销售收入占比稳定性因子 - 月均 Rank IC：-1.97%[5][13][145] - 年化收益：9.31%[5][13][145] - 年化超额：4.17%[5][13][145] - 超额回撤：3.46%[5][13][145] - 平均市场覆盖度：约60%[5][13][145] 4. 经营结构三因子（复合因子） - 月均 Rank IC：2.25%[14][100][145] - ICIR：0.441[14][100][145] - 年化收益：11.84%[14][100][145] - 年化超额：4.77%[14][100][145] - 超额回撤：2.95%[14][100][145] 5. 经营结构两因子（复合因子） - 月均 Rank IC：2.24%[14][118][145] - ICIR：0.667[14][118][145] - 年化收益：9.38%[14][118][145] - 年化超额：4.09%[14][118][145] - 超额回撤：2.26%[14][118][145]

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 1. **因子名称：风险溢价因子**[25] * **因子构建思路**：以十年期国债即期收益率为无风险利率的参考，计算各宽基指数相对于无风险利率的风险溢价，以衡量其相对投资价值和偏离情况[25] * **因子具体构建过程**：风险溢价的计算公式为宽基指数的收益率减去十年期国债即期收益率。报告中具体展示了各指数的当前风险溢价值，例如上证50为0.31%，创业板指为-0.40%[29]。同时，报告还计算了该因子在近1年和近5年的历史分位值，以判断当前水平在历史中的位置[29] 2. **因子名称：股债性价比因子**[41] * **因子构建思路**：通过比较股票市场收益率（用PE-TTM的倒数代表）与债券市场收益率（十年期国债即期收益率）的差异，来评估股票和债券两类资产的相对吸引力[41] * **因子具体构建过程**：股债性价比的计算公式为各宽基指数PE-TTM的倒数减去十年期国债即期收益率[41]。报告通过对比当前股债性价比值与近5年历史分布的80%分位值（机会值）和20%分位值（危险值）来判断投资机会[41] 3. **因子名称：估值因子（PE-TTM）**[35] * **因子构建思路**：使用滚动市盈率（PE-TTM）作为衡量宽基指数估值水平的核心指标，观察其绝对水平和历史分位值以判断投资价值[35] * **因子具体构建过程**：直接采用宽基指数的PE-TTM当前值[39]。报告重点分析了其近5年历史分位值，用以判断当前估值在历史中的相对高低位置[38][39] 4. **因子名称：股息率因子**[44] * **因子构建思路**：股息率反映现金分红回报率，是高股息投资风格的重要指标，在市场低迷时期通常具有防御性[44] * **因子具体构建过程**：直接采用宽基指数的股息率当前值[49]。报告同样关注其近5年历史分位值，以评估当前股息率在历史中的水平[47][49] 5. **因子名称：破净率因子**[49] * **因子构建思路**：破净率（市净率低于1的股票占比）反映市场的估值态度，破净率越高表明市场低估情况越普遍[49] * **因子具体构建过程**：计算各宽基指数成分股中，市净率（股价/每股净资产）小于1的股票数量占总成分股数量的比例[51]。报告列出了各指数当前的破净率具体数值[51] 6. **因子名称：技术指标因子（均线比较）**[14] * **因子构建思路**：通过比较指数收盘价与不同周期移动平均线（MA）的位置关系，判断指数的短期和长期趋势强度[14] * **因子具体构建过程**：计算指数收盘价相对于5日（MA5）、10日（MA10）、20日（MA20）等移动平均线的偏离幅度，公式为 $$（收盘价 / MA_n - 1） * 100\%$$，其中n代表移动平均周期[14]。报告中以“vsMA5”等列示了具体计算结果[14] 7. **因子名称：市场分布形态因子（峰度与偏度）**[23] * **因子构建思路**：通过分析指数日收益率分布的峰度和偏度，来描述收益分布的集中程度和对称性，捕捉市场极端行情和分布形态的变化[23] * **因子具体构建过程**：计算指数近一年日收益率序列的峰度（Kurtosis）和偏度（Skewness），并与近5年的历史均值进行对比[23]。报告中指出，计算峰度时减去了3（正态分布的峰度值）[23] 因子的回测效果 1. **风险溢价因子** * 近5年分位值：上证50 (65.56%)[29], 沪深300 (44.92%)[29], 中证500 (25.32%)[29], 中证1000 (26.35%)[29], 中证2000 (27.14%)[29], 中证全指 (32.38%)[29], 创业板指 (40.63%)[29] * 近1年波动率：上证50 (0.89%)[29], 沪深300 (1.01%)[29], 中证500 (1.33%)[29], 中证1000 (1.50%)[29], 中证2000 (1.72%)[29], 中证全指 (1.20%)[29], 创业板指 (1.90%)[29] 2. **估值因子（PE-TTM）** * 当前值：上证50 (12.08)[39], 沪深300 (14.32)[39], 中证500 (33.18)[39], 中证1000 (47.95)[39], 中证2000 (157.06)[39], 中证全指 (21.47)[39], 创业板指 (40.96)[39] * 近5年历史分位值：上证50 (88.35%)[39], 沪深300 (86.53%)[39], 中证500 (96.20%)[39], 中证1000 (97.44%)[39], 中证2000 (82.98%)[39], 中证全指 (95.70%)[39], 创业板指 (55.79%)[39] 3. **股息率因子** * 当前值：上证50 (3.24%)[49], 沪深300 (2.65%)[49], 中证500 (1.36%)[49], 中证1000 (1.09%)[49], 中证2000 (0.76%)[49], 中证全指 (1.98%)[49], 创业板指 (1.01%)[49] * 近5年历史分位值：上证50 (34.79%)[49], 沪深300 (34.63%)[49], 中证500 (16.28%)[49], 中证1000 (36.53%)[49], 中证2000 (13.97%)[49], 中证全指 (32.81%)[49], 创业板指 (69.01%)[49] 4. **破净率因子** * 当前值：上证50 (20.0%)[51], 沪深300 (15.33%)[51], 中证500 (10.8%)[51], 中证1000 (6.8%)[51], 中证2000 (2.4%)[51], 中证全指 (5.4%)[51], 创业板指 (1.0%)[51] 5. **市场分布形态因子（峰度与偏度）** * 当前峰度：上证50 (0.08)[23], 沪深300 (0.61)[23], 中证500 (0.89)[23], 中证1000 (1.48)[23], 中证2000 (1.55)[23], 中证全指 (0.92)[23], 创业板指 (1.45)[23] * 当前偏度：上证50 (1.34)[23], 沪深300 (1.53)[23], 中证500 (1.57)[23], 中证1000 (1.63)[23], 中证2000 (1.69)[23], 中证全指 (1.59)[23], 创业板指 (1.65)[23]

根据提供的研报内容，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：价格区间因子**[11][12] * **因子构建思路**：该因子衡量股票在日内不同价格区间成交的活跃程度，能体现投资者对股票未来走势的预期[11]。具体地，股票在日内高价格区间投资行为聚集程度与成交活跃度越低，未来上涨可能性越大；低价格区间的平均每笔成交量越大，大资金活跃程度越高，股票未来上涨可能性越大[11]。 * **因子具体构建过程**：该因子是三个细分因子的合成因子。首先构建三个细分因子： * **高价格80%区间成交量因子 (VH80TAW)**：衡量在日内最高价80%及以上价格区间成交的活跃度。 * **高价格80%区间成交笔数因子 (MIH80TAW)**：衡量在日内最高价80%及以上价格区间成交的频繁程度。 * **低价格10%区间每笔成交量因子 (VPML10TAW)**：衡量在日内最低价10%及以下价格区间平均每笔成交的规模。 然后，以25%、25%和50%的权重对VH80TAW、MIH80TAW和VPML10TAW三个因子进行合成[14]。最后，对合成后的因子进行行业和市值中性化处理，得到最终的价格区间因子。 * **因子评价**：该因子展现出了较强的预测效果，在样本外表现出色，超额净值曲线稳定向上，今年以来表现比较稳定[11][17]。 2. **因子名称：量价背离因子**[22] * **因子构建思路**：该因子主要衡量股票价格与成交量的相关性。一般而言，相关性越低，未来上涨的可能性越高[3]。 * **因子具体构建过程**：该因子是两个细分因子的合成因子。首先构建两个细分因子： * **价格与成交笔数相关性因子 (CorrPM)**：计算高频快照数据中价格与成交笔数的相关性。 * **价格与成交量相关性因子 (CorrPV)**：计算高频快照数据中价格与成交量的相关性。 然后，对上述两个因子进行等权合成[22]。最后，对合成后的因子进行行业和市值中性化处理，得到最终的量价背离因子。 * **因子评价**：该因子近几年表现一直不太稳定，多空净值曲线趋近走平，但去年超额收益处于历史较高水平，今年以来表现良好[3][24]。 3. **因子名称：遗憾规避因子**[25] * **因子构建思路**：该因子基于行为金融学的遗憾规避理论，通过考察股票当天被投资者卖出后反弹的比例和程度来构建。如某只股票买入浮亏占比较高或程度较大时，预期收益更高；卖出后股价反弹的占比越高或程度越大时，预期收益更低[25]。 * **因子具体构建过程**：该因子是两个细分因子的合成因子。首先利用逐笔成交数据区分每笔交易的主动买卖方向，并加入小单和尾盘的限制来构建细分因子： * **卖出反弹占比因子 (LCVOLESW)**。 * **卖出反弹偏离因子 (LCPESW)**。 然后，对上述两个因子进行等权合成[31]。最后，对合成后的因子进行行业和市值中性化处理，得到最终的遗憾规避因子。 * **因子评价**：该因子样本外超额收益稳定，表明A股投资者的遗憾规避情绪依然会显著影响股价的预期收益，但今年以来表现一般[3][34]。 4. **因子名称：斜率凸性因子**[36] * **因子构建思路**：该因子从投资者耐心与供求关系弹性的角度出发，利用限价订单簿的委托量和委托价信息，刻画订单簿的斜率和凸性对预期收益的影响。买方斜率越大（需求弹性小）或卖方斜率越小（供给弹性大），对应股票更高的预期收益[36]。 * **因子具体构建过程**：该因子是两个细分因子的合成因子。首先将委托量数据按档位累加，用委托价和累计委托量计算买卖方的订单簿斜率，并区分为： * **低档斜率因子 (Slope_ablW)**。 * **高档位卖方凸性因子 (Slope_alhW)**。 然后，对上述两个因子进行等权合成[39]。最后，对合成后的因子进行行业和市值中性化处理，得到最终的斜率凸性因子。 * **因子评价**：该因子自2016年以来收益保持平稳，但在样本外整体表现也比较平淡，年度表现欠佳[3][41]。 5. **因子名称：高频“金”组合合成因子**[3][43] * **因子构建思路**：将上述表现较好的高频因子（价格区间因子、量价背离因子、遗憾规避因子）进行合成，构建用于中证1000指数增强的策略因子[3]。 * **因子具体构建过程**：将价格区间因子、量价背离因子、遗憾规避因子这三类高频因子进行等权合成[3][43]。 6. **因子名称：高频&基本面共振组合合成因子**[4][47] * **因子构建思路**：将高频因子与基本面因子结合，利用其低相关性以提升多因子投资组合的表现[47]。 * **因子具体构建过程**：将高频“金”组合合成因子（基于价格区间、量价背离、遗憾规避因子）与三个比较有效的基本面因子（一致预期、成长和技术因子）进行等权合成[4][47]。 因子的回测效果 1. **价格区间因子**[13] * 多空收益率（上周）：-2.20% * 多空收益率（本月以来）：-2.20% * 多空收益率（今年以来）：12.72% * 多头超额收益率（上周）：-0.05% * 多头超额收益率（本月以来）：-0.05% * 多头超额收益率（今年以来）：5.08% 2. **量价背离因子**[13][22] * 多空收益率（上周）：0.77% * 多空收益率（本月以来）：0.77% * 多空收益率（今年以来）：17.97% * 多头超额收益率（上周）：0.21% * 多头超额收益率（本月以来）：0.21% * 多头超额收益率（今年以来）：5.97% 3. **遗憾规避因子**[13] * 多空收益率（上周）：-0.20% * 多空收益率（本月以来）：-0.20% * 多空收益率（今年以来）：17.27% * 多头超额收益率（上周）：-0.47% * 多头超额收益率（本月以来）：-0.47% * 多头超额收益率（今年以来）：0.34% 4. **斜率凸性因子**[3][38] * 多空收益率（上周）：-1.67% (基于中证800指数) * 多空收益率（本月以来）：-1.67% (基于中证800指数) * 多空收益率（今年以来）：-13.85% (基于中证800指数) * 多头超额收益率（上周）：-0.66% (基于中证800指数) * 多头超额收益率（本月以来）：-0.66% (基于中证800指数) * 多头超额收益率（今年以来）：-4.58% (基于中证800指数) 量化模型与构建方式 1. **模型名称：高频“金”组合中证1000指数增强策略**[3][43] * **模型构建思路**：基于合成的高频“金”组合因子，构建中证1000指数增强策略[3]。 * **模型具体构建过程**：使用高频“金”组合合成因子进行选股。策略调仓频率为周度，手续费率为单边千分之二，基准为中证1000指数。为降低调仓成本，加入了换手率缓冲机制[43]。 2. **模型名称：高频&基本面共振组合中证1000指数增强策略**[4][47] * **模型构建思路**：基于合成的高频&基本面共振组合因子，构建中证1000指数增强策略，旨在结合高频因子和基本面因子的优势[4][47]。 * **模型具体构建过程**：使用高频&基本面共振组合合成因子进行选股。策略调仓频率为周度，手续费率为单边千分之二，基准为中证1000指数[47]。 模型的回测效果 1. **高频“金”组合中证1000指数增强策略**[43][46][48] * 年化收益率：9.75% * 年化波动率：23.92% * Sharpe比率：0.41 * 最大回撤率：47.77% * 双边换手率（周度）：14.66% * 年化超额收益率：10.09% * 跟踪误差：4.28% * 信息比率(IR)：2.36 * 超额最大回撤：6.04% * 超额收益率（上周）：0.12% * 超额收益率（本月以来）：0.12% * 超额收益率（今年以来）：6.15% 2. **高频&基本面共振组合中证1000指数增强策略**[47][50][52] * 年化收益率：14.04% * 年化波动率：23.54% * Sharpe比率：0.60 * 最大回撤率：39.60% * 双边换手率（周度）：22.54% * 年化超额收益率：14.28% * 跟踪误差：4.18% * 信息比率(IR)：3.41 * 超额最大回撤：4.52% * 超额收益率（上周）：-0.45% * 超额收益率（本月以来）：-0.45% * 超额收益率（今年以来）：6.60%

根据研报内容，本报告主要涉及对多个市场（股票、商品、期权、可转债）中观因子的跟踪和描述，并未详细阐述具体的量化模型或量化因子的构建过程、公式及回测效果。报告的核心是对现有因子状态的周度跟踪和定性评论。因此，以下总结将重点放在报告中明确提及的因子名称、构建思路（根据上下文推断）和跟踪评论上。 量化因子与构建方式 1. **因子名称**： 大小盘风格因子 [12][14] * **因子构建思路**： 用于衡量市场风格是偏向大盘股还是小盘股 [12][14] * **因子具体构建过程**： 报告中未提供具体构建方法和公式 * **因子评价**： 上周风格偏向小盘 [12][14] 2. **因子名称**： 价值成长风格因子 [12][14] * **因子构建思路**： 用于衡量市场风格是偏向价值股还是成长股 [12][14] * **因子具体构建过程**： 报告中未提供具体构建方法和公式 * **因子评价**： 上周风格偏向价值 [12][14] 3. **因子名称**： 大小盘风格波动因子 [12][14] * **因子构建思路**： 用于衡量大小盘风格因子的波动程度 [12][14] * **因子具体构建过程**： 报告中未提供具体构建方法和公式 * **因子评价**： 上周大小盘风格波动下降 [12][14] 4. **因子名称**： 价值成长风格波动因子 [12][14] * **因子构建思路**： 用于衡量价值成长风格因子的波动程度 [12][14] * **因子具体构建过程**： 报告中未提供具体构建方法和公式 * **因子评价**： 上周价值成长风格波动下降 [12][14] 5. **因子名称**： 行业指数超额收益离散度因子 [12][14] * **因子构建思路**： 用于衡量不同行业指数超额收益的分散程度 [12][14] * **因子具体构建过程**： 报告中未提供具体构建方法和公式 * **因子评价**： 上周行业收益离散度上升 [12][14] 6. **因子名称**： 行业轮动度量因子 [12][14] * **因子构建思路**： 用于衡量行业轮换的速度 [12][14] * **因子具体构建过程**： 报告中未提供具体构建方法和公式 * **因子评价**： 上周行业轮动速度上升 [12][14] 7. **因子名称**： 成分股上涨比例因子 [12][14] * **因子构建思路**： 用于衡量市场成分股中上涨股票的比例 [12][14] * **因子具体构建过程**： 报告中未提供具体构建方法和公式 * **因子评价**： 上周成分股上涨比例上升 [12][14] 8. **因子名称**： 前100个股成交额占比因子 [12][14] * **因子构建思路**： 用于衡量成交额向头部个股集中的程度 [12][14] * **因子具体构建过程**： 报告中未提供具体构建方法和公式 * **因子评价**： 上周个股成交集中度下降 [12][14] 9. **因子名称**： 前5行业成交额占比因子 [12][14] * **因子构建思路**： 用于衡量成交额向头部行业集中的程度 [12][14] * **因子具体构建过程**： 报告中未提供具体构建方法和公式 * **因子评价**： 上周行业成交集中度下降 [12][14] 10. **因子名称**： 指数波动率因子 [13][14] * **因子构建思路**： 用于衡量市场整体的波动水平 [13][14] * **因子具体构建过程**： 报告中未提供具体构建方法和公式 * **因子评价**： 上周市场波动率下降 [13][14] 11. **因子名称**： 指数换手率因子 [13][14] * **因子构建思路**： 用于衡量市场整体的交易活跃度 [13][14] * **因子具体构建过程**： 报告中未提供具体构建方法和公式 * **因子评价**： 上周市场换手率表现下降 [13][14] 12. **因子名称**： 商品期货趋势强度因子 [24][31] * **因子构建思路**： 用于衡量商品期货各板块的价格趋势强弱 [24][31] * **因子具体构建过程**： 报告中未提供具体构建方法和公式 * **因子评价**： 上周农产品板块趋势强度下降，其余板块趋势强度变化较小 [24][31] 13. **因子名称**： 商品期货市场波动水平因子 [24][31] * **因子构建思路**： 用于衡量商品期货各板块的波动率水平 [24][31] * **因子具体构建过程**： 报告中未提供具体构建方法和公式 * **因子评价**： 上周除农产品板块外各板块波动率均下降 [24][31] 14. **因子名称**： 商品期货市场流动性因子 [24][31] * **因子构建思路**： 用于衡量商品期货各板块的流动性水平 [24][31] * **因子具体构建过程**： 报告中未提供具体构建方法和公式 * **因子评价**： 上周各板块流动性均下降 [24][31] 15. **因子名称**： 商品期货期限结构（基差动量）因子 [24][31] * **因子构建思路**： 用于衡量商品期货各板块的基差动量变化 [24][31] * **因子具体构建过程**： 报告中未提供具体构建方法和公式 * **因子评价**： 上周各板块基差动量均有所上升 [24][31] 16. **因子名称**： 期权隐含波动率因子 [35] * **因子构建思路**： 用于衡量期权市场对标的指数未来波动率的预期 [35] * **因子具体构建过程**： 报告中未提供具体构建方法和公式 * **因子评价**： 上周上证50与中证1000的隐含波动率水平逐渐下降 [35] 17. **因子名称**： 期权偏度因子 [35] * **因子构建思路**： 用于衡量期权市场对标的指数未来收益率分布不对称性的预期 [35] * **因子具体构建过程**： 报告中未提供具体构建方法和公式 * **因子评价**： 上证50的看跌期权偏度与看涨期权偏度上升明显 [35] 18. **因子名称**： 百元转股溢价率因子 [37] * **因子构建思路**： 用于衡量可转债市场整体的估值水平 [37] * **因子具体构建过程**： 报告中未提供具体构建方法和公式 * **因子评价**： 上周明显上涨，当前接近历史一年90%分位数水平 [37] 19. **因子名称**： 纯债溢价率因子 [37] * **因子构建思路**： 用于衡量偏债型可转债的债性估值水平 [37] * **因子具体构建过程**： 报告中未提供具体构建方法和公式 * **因子评价**： 上周略微增加 [37] 20. **因子名称**： 低转股溢价率转债占比因子 [37] * **因子构建思路**： 用于衡量可转债市场中股性较强的转债比例 [37] * **因子具体构建过程**： 报告中未提供具体构建方法和公式 * **因子评价**： 上周保持稳定 [37] 模型的回测效果 （报告中未涉及具体的量化模型及其回测效果指标） 因子的回测效果 （报告中未提供因子的历史回测效果指标，如IC、IR、多空收益等，仅提供了当周的定性状态评论）

量化模型与构建方式 1. 分钟羊群效应因子簇 **因子构建思路**：将事件研究的想法融入选股因子构建，在分钟数据维度上挖掘羊群效应因子，关注市场中的重要资金（趋势资金）行动后其跟随者的交易行为[13] **因子具体构建过程**：围绕三个关键因素构建因子： 1. 事件识别：通过观测成交量、价格涨跌幅、价格波动率、量价相关性是否发生异常变化，对趋势资金是否行动进行判断，得到上千种不同的识别方式[13] 2. 因子定义：考察趋势资金行动的时间点后紧跟着的量价特征，包括价格、成交量、价量相关性、大小单资金流、主买单、主卖单等指标，这些指标可以是本身数值、与趋势资金对应时间点相比的变化或与趋势资金事件发生之前相比的变化，提出上千种不同的因子构造方式[14] 3. 数据频率：在1分钟数据集上讨论羊群效应[14] **因子评价**：通过体系化思路批量生产选股因子[13] 2. 逐笔羊群效应因子簇 **因子构建思路**：将离散化的因子定义应用在原始的逐笔数据上，基于羊群效应研究思路，在逐笔委托、逐笔成交数据层面构建因子簇[11][20] **因子具体构建过程**：围绕事件识别、因子定义、数据频率三个关键因素展开： 1. 事件识别：通过观测逐笔委托、逐笔成交数据的流动性冲击事件识别趋势资金行动[21] - 基于逐笔委托数据：引入"激进程度"概念，将委托单划分为10种类型[22][23][25][27] - 类型1买单：挂单价≥卖一价且挂单量≥卖一挂单量[22] - 类型2买单：挂单价≥卖一价但挂单量<卖一挂单量[23] - 类型3买单：挂单价>买一价但<卖一价[23] - 类型4买单：挂单价=买一价[25] - 类型5买单：挂单价<买一价[25] - 类型6-10卖单划分方式类似[27] - 基于逐笔成交数据：关注成交量较大或引起价格变动较大的成交单[27] - 共得到10种事件识别方法[29] 2. 因子定义：在事件发生后考察未来窗口内的量价特征[30] - 各种维度的委托量：通过未来窗口选取、订单类型、订单方向、订单指标等维度构建1680种因子[32][36][38] - 各种维度的成交量：逻辑与委托量类似，用"超大单"、"大单"、"中单"、"小单"替换激进程度，得到1200种因子[41][44] - 关键量价数据发生的间隔：通过未来窗口选取、量价数据类型、关键定义、间隔定义等维度构建432种因子[45][48][50] - 各种维度的不平衡指标：通过未来窗口选取、订单类型、不平衡定义等维度构建360种因子[51][52] - 量价相关性：通过逐笔量价指标的相关性计算构建2862种因子[55][56] - 共得到6000多种不同的因子构造方式[61] **因子评价**：展示了如何将离散化的因子定义应用在原始的逐笔数据层面挖掘有效因子[11] 3. 逐笔羊群效应综合因子 **因子构建思路**：在逐笔羊群效应因子簇中选取效果最优的因子合成综合因子[3] **因子具体构建过程**：在逐笔羊群效应因子簇中选取样本内（2016-2021年）信息比率最高的10个因子等权合成[3][67] **因子评价**：选股效果不错的综合因子[70] 4. 纯净逐笔羊群效应综合因子 **因子构建思路**：剔除市场常用风格和行业影响的纯净因子[71] **因子具体构建过程**：每月月底将逐笔羊群效应综合因子对Barra风格因子和中信一级行业虚拟变量进行回归，取残差作为纯净因子[71] 模型的回测效果 1. 分钟羊群效应因子簇 - 50个因子的年化ICIR绝对值都能达到2以上[18] - 分钟羊群效应综合因子（2016/01/01-2025/10/31）： - 月度IC均值：0.085 - 年化ICIR：3.18 - 月度RankIC均值：0.116 - 年化RankICIR：4.10 - 10分组多空对冲年化收益：41.59% - 年化波动：12.56% - 信息比率：3.31 - 月度胜率：82.91% - 最大回撤：10.06%[18] 2. 逐笔羊群效应因子簇 - 50个因子的年化ICIR绝对值都能达到2以上[2][65] - 因子16具体构建示例： - 根据逐笔成交数据，将"成交量大于当日所有主卖成交量90%分位数"的主卖成交视为趋势资金事件点 - 提取标准化后的主买成交量序列 - 计算未来20笔成交中的标准化主买成交量的偏度 - 以事件强度为权重对跟随行为强度求加权平均值 - 滚动回看过去20个交易日求算术平均值[66] 3. 逐笔羊群效应综合因子 - 月度IC均值：0.080[67] - 年化ICIR：3.49[67] - 月度RankIC均值：0.101[3][67] - 年化RankICIR：3.74[3][67] - 10分组多空对冲年化收益：44.26%[3][67] - 年化波动：10.90%[67] - 信息比率：4.06[3][67] - 月度胜率：89.74%[3][67] - 最大回撤：10.66%[3][67] 4. 纯净逐笔羊群效应综合因子 - 月度IC均值：0.044[71] - 年化ICIR：3.33[71] - 月度RankIC均值：0.046[71] - 年化RankICIR：3.03[71] - 10分组多空对冲年化收益：19.53%[71] - 年化波动：6.36%[71] - 信息比率：3.07[71] - 月度胜率：78.63%[71] - 最大回撤：5.13%[71] 5. 指数增强组合表现 **沪深300指数增强组合**： - 超额年化收益：8.89%[4][75] - 跟踪误差：3.50%[4][75] - 信息比率：2.54[4][75] - 月度胜率：77.78%[4][75] - 最大回撤：2.96%[4][75] **中证500指数增强组合**： - 超额年化收益：13.46%[4][78] - 跟踪误差：5.31%[4][78] - 信息比率：2.54[4][78] - 月度胜率：79.49%[4][78] - 最大回撤：5.15%[4][78] **中证1000指数增强组合**： - 超额年化收益：17.23%[4][80] - 跟踪误差：4.78%[4][80] - 信息比率：3.61[4][80] - 月度胜率：84.62%[4][80] - 最大回撤：4.14%[4][80]

根据研报内容，总结其中涉及的量化模型与因子如下： 量化因子与构建方式 1. **因子名称：A股市值/GDP比值（巴菲特指标）**[16] * **因子构建思路**：通过衡量股市总市值与国民生产总值（GDP）的比值，来判断市场整体估值相对于经济基本面的高低[16] * **因子具体构建过程**：直接计算A股总市值与GDP的比值，公式为： $$巴菲特指标 = \frac{A股总市值}{GDP}$$[16] 2. **因子名称：居民存款与股市总市值之比**[21] * **因子构建思路**：通过比较居民存款（场外资金）与股市总市值（场内资产）的规模，来衡量场外资金对场内资产的相对充裕程度[21] * **因子具体构建过程**：直接计算居民存款与A股总市值的比值，公式为： $$居民存款与股市总市值之比 = \frac{居民存款}{A股总市值}$$[21] 3. **因子名称：融资余额/全A流通市值占比（杠杆资金活跃度）**[25] * **因子构建思路**：通过衡量融资余额（投资者借入资金买入股票的总量）占A股流通市值的比例，来观察市场杠杆交易的活跃度及投资者风险偏好[25] * **因子具体构建过程**：直接计算融资余额与A股流通市值的比值，公式为： $$杠杆资金活跃度 = \frac{融资余额}{A股流通市值}$$[25] 4. **因子名称：股债投资性价比**[29] * **因子构建思路**：通过计算股票预期收益率与债券到期收益率的差值（股债利差），来衡量股票资产相对于债券资产的风险溢价和投资吸引力[29] * **因子具体构建过程**：计算股债利差，公式为： $$股债利差 = 股票市场的预期收益率 - 债券市场的到期收益率$$[29] 5. **因子名称：市场整体估值**[33] * **因子构建思路**：使用市场整体的估值水平（如市盈率）来判断资产价格的昂贵程度和市场情绪[33] * **因子具体构建过程**：报告中使用的是万得全A的市盈率（PE）[34] 6. **因子名称：市场低价股比例**[37] * **因子构建思路**：通过统计市场中低价股的数量占比，来观察市场的投机氛围和炒作情绪[37] * **因子具体构建过程**：报告中将低价股定义为价格低于5元的股票，并计算其数量占全A股票数量的比例[37] 7. **因子名称：股东减持**[41] * **因子构建思路**：通过分析产业资本（上市公司股东）的净减持行为，来判断其对当前股价和公司前景的看法[41] * **因子具体构建过程**：筛选减持变动数量占流通股本比例超过0.1%的增减持事件，在月度频率上对每个股票的增减持事件进行聚合，然后计算月度净减持比例，公式为： $$月度净减持比例 = \frac{\sum(减持事件 - 增持事件)}{当月股票数量}$$[41] 8. **因子名称：小额成交**[45] * **因子构建思路**：通过分析小单净主动买入量来衡量散户情绪的变化[45] * **因子具体构建过程**： 1. 计算周度频率下，每个股票的小单净主动买入量占总成交量的比例[45] 2. 每周选取上述比例最高的前10%的股票[45] 3. 计算这些股票的比例均值[45] 4. 对该均值序列进行150周窗口的Z-Score标准化[45] 9. **因子名称：沪深300成交占比**[49] * **因子构建思路**：通过计算沪深300指数成分股成交额占全市场成交额的比例，来追踪主流资金（“聪明钱”）的流向和市场风格[49] * **因子具体构建过程**：计算沪深300成交额与全A成交额的比值，并取5日移动平均，公式为： $$沪深300成交占比 = MA_5(\frac{沪深300成交额}{全A成交额})$$[50] 10. **因子名称：偏股基金发行规模占比**[54] * **因子构建思路**：通过衡量偏股型基金新发行规模占A股自由流通市值的比例，来观察市场情绪和增量资金情况[54] * **因子具体构建过程**：计算每月偏股基金新发行规模与A股自由流通市值的比值[54] 因子的回测效果（当前数值或状态） 1. **A股市值/GDP比值（巴菲特指标）**：当前比值约为88%[17] 2. **居民存款与股市总市值之比**：当前比值约为47.35%[24] 3. **融资余额/全A流通市值占比（杠杆资金活跃度）**：当前比值约为2.5%[28] 4. **股债投资性价比**：当前股债收益差约为3.96%，处于股票略优、可平衡配置的区间[32] 5. **市场整体估值**：万得全A市盈率（PE）当前约为17.33倍[36] 6. **市场低价股比例**：当前低价股比例约为0.49%，处于历史分位数51%的水平[40] 7. **股东减持**：当前净减持指标未突破历史极值，且呈掉头向下趋势[44] 8. **小额成交**：当前Z-Score标准化后的指标处于正常区间，未超过2倍标准差[48] 9. **沪深300成交占比**：当前5日平均占比约为26%，近期高点在30%附近，已回落[53] 10. **偏股基金发行规模占比**：当前占比处于较低水平，近半年发行规模总体上升但未达顶峰[57]

经过仔细阅读，您提供的这份《金融工程日报》主要描述了特定交易日（2025年11月12日）的市场表现、情绪和资金流向等观察性指标，是一份市场监测报告。报告内容并未涉及任何量化投资模型或用于选股的量化因子的构建、测试与评价。 因此，根据您的要求，报告中**没有**需要总结的量化模型或量化因子相关内容。 报告内容主要集中在以下几个方面： * 市场指数、行业及概念板块的涨跌表现[2][6][7][9] * 市场情绪指标，如涨跌停家数、封板率、连板率等[2][13][14][17] * 市场资金流向，如两融余额及占比[2][19][22] * 各类资产的折溢价情况，如ETF折溢价、大宗交易折价率、股指期货升贴水[3][23][26][28] * 机构行为，如机构调研、龙虎榜数据[4][30][33][36][37] 以上内容均为对市场现状的描述和统计，不包含模型或因子的构建过程与回测。

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：股指分红点位测算模型**[12][42] * **模型构建思路**：为准确计算跟踪价格指数的股指期货合约的升贴水情况，必须精细估计指数成分股分红除息导致的指数点位自然滑落，该模型旨在预测从当前时刻到期货合约到期日期间，指数因分红而产生的点数损失[12][42] * **模型具体构建过程**：模型的核心是计算在特定时间窗口（当前日期t至期货到期日T）内，所有成分股分红对指数点位的总影响[42]。具体流程如下[43][46]： * **步骤1**：获取指数成分股及其精确的日度权重。采用中证指数公司每日披露的收盘权重数据，以确保准确性，避免使用历史权重估算带来的偏差[48][49] * **步骤2**：对每只成分股，预测其在时间窗口（t < 除息日 ≤ T）内的分红金额和除息日[45]。具体预测方法如下： * **分红金额预测**：若公司已公布分红金额，则直接采用；若未公布，则需估计。分红金额由净利润乘以股息支付率得到，即 `分红金额 = 净利润 × 股息支付率`[50] * **净利润预测**：若公司已公布年报、快报或业绩预告，则直接采用（业绩预告取上下限均值）；若未披露，则采用基于历史净利润分布的动态预测法，将公司分为盈利稳定型和不稳定型，分别按历史规律或上年同期利润进行预测[51][53][55] * **股息支付率预测**：若公司去年分红，则采用去年股息支付率；若去年不分红，则采用最近3年平均股息支付率；若从未分红，则默认今年不分红；对预期股息支付率大于100%的情况进行截尾处理[54][56] * **除息日预测**：若公司已公布除息日，则直接采用；若未公布，则根据公司所处分红阶段（预案或决案），结合历史间隔天数（如从预案公告日到除息日的天数）的稳定性进行线性外推预测；若无可靠历史数据，则根据大多数公司分红集中在7月底前的规律，设置默认预测日期（如7月31日、8月31日等）[54][58][59] * **步骤3**：汇总计算指数总分红点数。公式如下[42]： $$分红点数 = \sum_{n=1}^{N} \left( \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价 \right)$$ 其中，`N` 为指数成分股数量，求和条件为个股除息日落在时间窗口 (t, T] 内[42] * **模型评价**：该模型对上证50和沪深300指数全年的预测准确度较高，对中证500指数的预测误差稍大但基本稳定；对于股指期货合约的股息点预测也具有较好的准确性[64] 模型的回测效果 1. **股指分红点位测算模型**[64] * **预测误差（2023年）**：上证50指数和沪深300指数误差基本在5个点左右，中证500指数误差基本在10个点左右[64] * **预测误差（2024年）**：上证50指数和沪深300指数误差基本在5个点左右，中证500指数误差基本在10个点左右[64] * **股指期货预测准确性（2023年 & 2024年）**：对上证50、沪深300及中证500股指期货当月主力合约的预测股息点与实际股息点相比，具有较好的预测准确性，其中上证50和沪深300股指期货的预测效果最好[64] 量化因子与构建方式 1. **因子名称：已实现股息率**[3][18] * **因子构建思路**：衡量指数成分股中，在当年已经完成现金分红的公司，其分红总额相对于指数总市值的比率[3][18] * **因子具体构建过程**：计算公式如下[18]： $$已实现股息率 = \sum_{i=1}^{N1} \left( \frac{个股已分红金额}{个股总市值} \times 个股权重 \right)$$ 其中，`N1` 表示指数成分股中今年已现金分红的公司数量[18] 2. **因子名称：剩余股息率**[3][18] * **因子构建思路**：衡量指数成分股中，在当年尚未进行现金分红但预计将会分红的公司，其待分红总额相对于指数总市值的比率[3][18] * **因子具体构建过程**：计算公式如下[18]： $$剩余股息率 = \sum_{j=1}^{N2} \left( \frac{个股待分红金额}{个股总市值} \times 个股权重 \right)$$ 其中，`N2` 表示指数成分股中今年尚未现金分红的公司数量[18] 3. **因子名称：年化升贴水**[4][14] * **因子构建思路**：将股指期货合约价格与经分红调整后的现货指数价格之间的价差，进行年化处理，以标准化比较不同期限合约的升贴水程度[4][14] * **因子具体构建过程**：首先计算含分红价差：`含分红价差 = 期货合约收盘价 - (指数收盘价 - 分红点数)` 或等价于 `当前价差 + 分红点数`[14]。然后计算年化升贴水[14]： $$年化升贴水 = \left( \frac{含分红价差}{指数收盘价} \right) \times \left( \frac{365}{到期天数} \right) \times 100\%$$ [14] 因子的回测效果 1. **已实现股息率（截至2025年11月12日）**[3] * **上证50指数**：2.50%[3] * **沪深300指数**：1.99%[3] * **中证500指数**：1.22%[3] * **中证1000指数**：0.93%[3] 2. **剩余股息率（截至2025年11月12日）**[3] * **上证50指数**：0.36%[3] * **沪深300指数**：0.24%[3] * **中证500指数**：0.06%[3] * **中证1000指数**：0.04%[3] 3. **年化升贴水（主力合约，截至2025年11月12日）**[4][14] * **IH主力合约**：3.92%（年化升水）[4][14] * **IF主力合约**：0.38%（年化升水）[4][14] * **IC主力合约**：-10.12%（年化贴水）[4][14] * **IM主力合约**：-14.93%（年化贴水）[4][14]

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：行业拥挤度监测模型**[3] * **模型构建思路**：通过构建模型，对申万一级行业指数的拥挤度进行每日监测，以识别拥挤度较高或较低的行业[3] * **模型具体构建过程**：报告未提供该模型的具体构建过程和公式 2. **模型名称：溢价率 Z-score 模型**[4] * **模型构建思路**：通过滚动测算ETF的溢价率Z-score，搭建ETF产品筛选信号模型，以发现存在潜在套利机会的标的[4] * **模型具体构建过程**：报告未提供该模型的具体构建过程和公式 量化因子与构建方式 1. **因子名称：行业拥挤度**[3] * **因子构建思路**：用于衡量申万一级行业的交易拥挤程度[3] * **因子具体构建过程**：报告未提供该因子的具体构建过程和公式 * **因子评价**：拥挤度较高的行业可能提示风险，拥挤度较低的行业可能值得关注[3] 2. **因子名称：溢价率 Z-score**[4] * **因子构建思路**：用于识别ETF价格相对于其净值（IOPV）的异常偏离程度，以捕捉套利机会[4] * **因子具体构建过程**：报告未提供该因子的具体构建过程和公式 * **因子评价**：该因子有助于发现潜在的套利机会，但需警惕标的回调风险[4] 模型的回测效果 （报告未提供量化模型的回测效果指标取值） 因子的回测效果 （报告未提供量化因子的回测效果指标取值） 模型/因子应用结果 1. **行业拥挤度监测模型应用结果**[3] * 监测日期：前一交易日 * 拥挤度较高行业：电力设备、基础化工、环保[3] * 拥挤度较低行业：计算机、汽车、非银金融[3] * 拥挤度变动较大行业：石化、房地产[3] 2. **溢价率 Z-score 模型应用结果**[13] * 生成建议关注的ETF产品信号，涉及标的包括：中药ETF华泰柏瑞(561510 SH)、食品ETF(515710 SH)、建材ETF(516750 SH)、中药50ETF(562390 SH)、国开债券ETF(159651 SZ)[13]