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：网下打新收益测算模型 - **模型构建思路**：通过假设参与所有新股网下申购、以特定价格卖出，来测算不同规模账户在不同市场板块下的理论打新收益率[11][36][37] - **模型具体构建过程**： 1. 假设条件：所有主板、科创板、创业板股票都打中；上市首日以市场均价卖出；忽略锁定期卖出限制；科创板和创业板报价全部入围；资金配置一半沪市一半深市且股票满仓；90%资金使用效率[11][36][37] 2. 计算单只股票满中数量：$$类满中数量 = 可申购上限额度 \times 网下类平均中签率$$[33] 3. 计算单只股票满中收益：$$满中收益 = (首次开板价 - 首发价格) \times 满中数量$$[36] 4. 计算账户打新收益率：将指定时间段内所有新股的网下打新收益相加，除以账户规模，得到打新收益率[41][45] 2. 模型名称：滚动打新市场表现跟踪模型 - **模型构建思路**：通过滚动跟踪近期新股的表现来监控打新市场情况[2][16][19] - **模型具体构建过程**： 1. 选取近期20只新股作为样本[2][16][19] 2. 计算科创板个股上市首日平均涨幅和创业板个股上市首日平均涨幅[2][16] 3. 统计有效报价账户数量中位数，包括科创板A类/B类有效报价账户数量、创业板A类/B类有效报价账户数量、主板A类/B类有效报价账户数量[2][19][23] 模型的回测效果 1. 网下打新收益测算模型 - A类2亿规模账户2025年初至2025/8/22打新收益率：2.07%[11] - B类2亿规模账户2025年初至2025/8/22打新收益率：1.87%[11] - A类10亿规模账户2025年初至2025/8/22打新收益率：0.65%[11] - B类10亿规模账户2025年初至2025/8/22打新收益率：0.59%[11] - A类2亿规模账户2024年至今打新收益率：5.80%[41] - B类2亿规模账户2024年至今打新收益率：4.79%[45] 2. 滚动打新市场表现跟踪模型 - 科创板个股上市首日平均涨幅：218.45%[2][16] - 创业板个股上市首日平均涨幅：222.39%[2][16] - 科创板A类有效报价账户数量：3062左右[2][19] - 科创板B类有效报价账户数量：1602左右[2][19] - 创业板A类有效报价账户数量：3664左右[2][19] - 创业板B类有效报价账户数量：2086左右[2][19] - 主板A类有效报价账户数量：3866左右[2][23] - 主板B类有效报价账户数量：2290左右[2][23] 量化因子与构建方式 1. 因子名称：上市首日涨幅因子 - **因子构建思路**：通过计算新股上市首日价格相对于发行价的涨幅，反映新股上市初期的市场表现[2][16] - **因子具体构建过程**：$$上市首日涨幅 = \frac{上市首日均价 - 发行价格}{发行价格} \times 100\%$$[2][16] 2. 因子名称：有效报价账户数量因子 - **因子构建思路**：通过统计各类账户有效报价数量，反映打新市场的参与热度和竞争程度[2][19][23] - **因子具体构建过程**：直接统计科创板、创业板、主板的新股A类和B类有效报价账户数量，取中位数作为因子值[2][19][23] 因子的回测效果 1. 上市首日涨幅因子 - 科创板近期20只新股上市首日平均涨幅：218.45%[2][16] - 创业板近期20只新股上市首日平均涨幅：222.39%[2][16] 2. 有效报价账户数量因子 - 科创板A类有效报价账户数量中位数：3062左右[2][19] - 科创板B类有效报价账户数量中位数：1602左右[2][19] - 创业板A类有效报价账户数量中位数：3664左右[2][19] - 创业板B类有效报价账户数量中位数：2086左右[2][19] - 主板A类有效报价账户数量中位数：3866左右[2][23] - 主板B类有效报价账户数量中位数：2290左右[2][23]

根据提供的研报内容，报告主要涉及基金市场表现、产品发行、ETF资金流向、ESG产品及REITs指数等内容的跟踪与描述，并未涉及具体的量化模型或量化因子的构建、测试及评价。报告内容以市场数据统计、产品表现跟踪和资金流向分析为主，属于市场周报性质，未包含量化模型或因子构建的详细过程、公式及回测结果。 因此，本总结中无相关内容可提取。

量化模型与构建方式 1. **模型名称**：央国企高分红30组合[13] **模型构建思路**：聚焦于具有稳健成长风格的央国企高分红股票，通过量化方法筛选出30只标的构建投资组合[13] **模型具体构建过程**：从央国企股票池中，选取高分红特征的股票，具体筛选逻辑未详细说明，最终构建包含30只股票的组合[13] 2. **模型名称**：攻守兼备红利50组合[13] **模型构建思路**：结合防御与增长特性，在红利资产中精选50只个股，追求相对纯粹红利资产的超额收益[5][13] **模型具体构建过程**：从红利资产中，通过量化方法筛选出兼具防守和增长特性的50只股票构建组合，具体筛选因子和权重分配未详细说明[5][13] 3. **模型名称**：电子均衡配置增强组合[13] **模型构建思路**：在电子行业进行均衡配置，通过量化方法增强组合表现，旨在跑赢电子行业指数[5][13] **模型具体构建过程**：在电子行业内，进行均衡的行业配置和个股选择，使用量化模型增强组合，具体模型细节未详细说明[5][13] 4. **模型名称**：电子板块优选增强组合[13] **模型构建思路**：聚焦电子板块中迈入成熟期的细分赛道龙头企业，通过优选策略进行增强配置[13] **模型具体构建过程**：在电子板块中，筛选处于成熟期的细分行业龙头企业，使用量化方法进行优选和增强配置，具体选股因子和模型未详细说明[13] 模型的回测效果 1. **央国企高分红30组合**，周度绝对收益未提供，周度超额收益（相对于中证红利全收益）0.76%[5][23] 2. **攻守兼备红利50组合**，周度绝对收益未提供，周度超额收益（相对于中证红利全收益）0.99%[5][23]，2025年初以来超额收益（相对于中证红利全收益）6.04%[23] 3. **电子均衡配置增强组合**，周度绝对收益5.01%[5][31]，周度超额收益（相对于电子行业指数）未提供（报告指出未跑赢）[5][31] 4. **电子板块优选增强组合**，周度绝对收益3.91%[5][31]，周度超额收益（相对于电子行业指数）未提供（报告指出未跑赢）[5][31] 量化因子与构建方式 1. **因子名称**：红利因子[20] **因子构建思路**：基于公司的分红行为，识别具有稳定和高分红特征的股票[20] **因子具体构建过程**：通常使用股息率（D/P）或过去若干年的累计分红等指标来衡量，具体公式未在提供内容中详细说明[20] 2. **因子名称**：红利低波因子[20] **因子构建思路**：结合高分红和低波动特性，寻找收益稳定且风险较低的股票[20] **因子具体构建过程**：通常是在红利因子的基础上，引入波动率指标（如历史价格波动率）进行筛选或加权，具体公式未在提供内容中详细说明[20] 3. **因子名称**：央国企红利因子[20] **因子构建思路**：在央国企范畴内应用红利因子，捕捉特定所有制结构下的高分红机会[20] **因子具体构建过程**：在央国企股票池中，运用红利因子的构建方法，具体公式未在提供内容中详细说明[20] 4. **因子名称**：红利质量因子[20] **因子构建思路**：将分红能力与公司的质量（如盈利能力、财务稳健性）相结合[20] **因子具体构建过程**：通常是在红利因子的基础上，引入质量类指标（如ROE、盈利增长率、负债率等）进行综合评估，具体公式未在提供内容中详细说明[20] 5. **因子名称**：红利增长因子[20] **因子构建思路**：关注那些不仅有分红，而且分红有增长潜力的公司[20] **因子具体构建过程**：通常涉及历史分红增长率、或预期未来分红增长的指标，具体公式未在提供内容中详细说明[20] 6. **因子名称**：红利价值因子[20] **因子构建思路**：结合分红与估值水平，寻找高分红且被低估的股票[20] **因子具体构建过程**：在红利因子的基础上，引入估值类指标（如市盈率P/E、市净率P/B等）进行筛选，具体公式未在提供内容中详细说明[20] 因子的回测效果 *(注：报告未提供这些因子独立的回测指标（如IC、IR等），仅展示了基于这些因子概念构建的指数表现)* 1. **中证红利指数**，周度绝对收益0.83%[20] 2. **上证红利指数**，周度绝对收益0.90%[20]，周度超额收益（相对于中证红利指数）0.08%[20] 3. **中证红利低波动100指数**，周度绝对收益1.67%[20]，周度超额收益（相对于中证红利指数）0.84%[20] 4. **中证中央企业红利指数**，周度绝对收益2.15%[20]，周度超额收益（相对于中证红利指数）1.32%[20] 5. **中证红利质量指数**，周度绝对收益3.05%[20]，周度超额收益（相对于中证红利指数）2.22%[20] 6. **中证红利潜力指数**，周度绝对收益2.31%[20]，周度超额收益（相对于中证红利指数）1.48%[20] 7. **中证红利价值指数**，周度绝对收益1.00%[20]，周度超额收益（相对于中证红利指数）0.17%[20]

根据提供的华创证券金工周报内容，以下是关于报告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：形态学宽基择时策略 - **模型构建思路**：基于宽基指数成分股出现的特定K线形态信号（看多或看空）来构建择时策略，判断市场整体走势[13][14] - **模型具体构建过程**：通过统计各宽基指数成分股中出现的看多和看空形态信号数量，计算多空力量对比，从而生成对宽基指数的看多、看空或中性观点[13][14] - **模型评价**：从回测结果来看，该模型在多数宽基指数上取得了显著超越基准的年化收益，表明形态学信号在宽基指数择时方面具有一定的有效性[13][14] 2. 模型名称：形态学行业择时策略 - **模型构建思路**：基于中信一级行业指数成分股出现的特定K线形态信号来构建行业择时策略[15][16][17] - **模型具体构建过程**： 1. 统计行业指数成分股中每日出现看多形态和看空形态的股票数量 2. 计算多空形态剪刀差：$$多空剪刀差 = 看多形态股票数量 - 看空形态股票数量$$ 3. 计算多空形态剪刀差比率：$$多空剪刀差比率 = \frac{看多形态股票数量 - 看空形态股票数量}{成分股总数}$$ 4. 如果当日没有看多形态的成分股，则看多形态数量为0；如果没有看空形态的成分股，则看空形态数量为0；如果两者都为0，则多空剪刀差和比率为0[15] 5. 根据多空剪刀差比率构建行业择时信号 - **模型评价**：研报中提到该模型在所有中信一级行业的回测中均跑赢了各自的行业指数，胜率达到100%，表明显著的有效性[15] 3. 模型名称：特殊K线形态识别模型 - **模型构建思路**：识别六种特定的K线形态信号，包括三种正面形态（金针探底、火箭发射、满江红）和三种负面形态（上吊线、天堂线、乌云线）[22][23] - **模型具体构建过程**：报告中提到了"满江红"形态的具体识别规则： 1. 振幅要求：K线振幅需要大于5%，表明当天交易波动性较大 2. 位置要求：该K线需要出现在过去20个交易日的低位 3. 下影线长度：K线的下影线长度超过80%，表示股价一度下探但最终收回大部分跌幅 4. 开盘价和收盘价：该K线的收盘价和开盘价相同，形成"十字星"，表示多空力量平衡[22][23] - **模型评价**：金针探底、火箭发射、满江红等正面形态有较好的正向提醒效果[23] 4. 模型名称：券商金股形态增强策略 - **模型构建思路**：结合券商推荐的基本面较好的月度金股，等待形态学买点信号出现后买入，探索组合的持仓特点和收益增强效果[27][28] - **模型具体构建过程**： 1. 选取券商推荐的月度金股作为基础股票池 2. 监控这些金股何时出现形态学买点信号 3. 于信号出现后的第二个交易日买入 4. 构建组合持有到当月月底[27] - **模型评价**：形态学信号可以明显提升金股组合的收益率，同时降低最大回撤[27] 5. 因子名称：隐含波动率（恐慌指数） - **因子构建思路**：采用Heston模型计算近月平值期权的隐含波动率作为市场恐慌指数，反映市场参与者对未来波动性的预期[8][10] - **因子具体构建过程**：使用Heston随机波动率模型计算期权隐含波动率，具体公式为：$$IV = Heston(S, K, T, r, \sigma, \kappa, \theta, \nu, \rho)$$其中S为标的资产价格，K为行权价，T为到期时间，r为无风险利率，σ为波动率，κ为均值回归速率，θ为长期波动率，ν为波动率的波动率，ρ为资产价格与波动率的相关系数[8] - **因子评价**：隐含波动率是衡量市场情绪和风险预期的重要指标 模型的回测效果 1. 形态学宽基择时策略回测结果[13][14] | 指数名称 | 策略年化收益(%) | 策略最大回撤(%) | 指数年化收益(%) | 指数最大回撤(%) | |---------|----------------|----------------|----------------|----------------| | 沪深300 | 11.85 | -24.25 | 4.76 | -46.92 | | 上证综指 | 12.49 | -34.47 | 4.06 | -52.73 | | 万得微盘股指数 | 47.69 | -34.85 | 37.9 | -51.8 | | 中证2000 | 34.58 | -19.1 | 14.66 | -37.79 | | 中证1000 | 25.72 | -37.89 | 1.58 | -72.89 | | 国证2000 | 29.06 | -38.76 | 8.23 | -67.35 | | 中证800 | 18.61 | -23.04 | 5.28 | -51.5 | | Wind全A | 18.19 | -41.52 | 8.55 | -56.68 | | 中证500 | 19.88 | -41.19 | 7.04 | -65.85 | | 上证50 | 11.73 | -21.81 | 3.58 | -50.77 | | 创业板指 | 27.97 | -39.95 | 6.68 | -70.3 | 2. 形态学行业择时策略回测结果[16][17] | 行业名称 | 策略年化收益(%) | 策略最大回撤(%) | 指数年化收益(%) | 指数最大回撤(%) | |---------|----------------|----------------|----------------|----------------| | 机械 | 19.72 | -42.41 | 4.63 | -72.59 | | 商贸零售 | 19.75 | -43.39 | -0.9 | -77.37 | | 建材 | 25.39 | -37.98 | 2.84 | -58.37 | | 轻工制造 | 22.02 | -37.91 | 3.19 | -67.79 | | 汽车 | 27.18 | -38.62 | 7.64 | -58.31 | | 电子 | 22.54 | -44.99 | 11.13 | -58.54 | | 家电 | 16.11 | -38.25 | 11.07 | -48.96 | | 综合 | 24.94 | -40.81 | 1.15 | -81.18 | | 通信 | 32.83 | -43.37 | 7.32 | -66.74 | | 电力设备及新能源 | 22.93 | -41.7 | 4.91 | -70.51 | | 纺织服装 | 16.89 | -42.64 | 1.0 | -74.22 | | 有色金属 | 31.13 | -40.52 | 3.16 | -65.28 | | 电力及公用事业 | 17.3 | -41.46 | 2.54 | -67.22 | | 食品饮料 | 19.81 | -32.88 | 10.13 | -55.12 | | 消费者服务 | 15.43 | -53.53 | 6.12 | -73.29 | | 交通运输 | 18.2 | -32.45 | 0.75 | -65.47 | | 传媒 | 22.55 | -49.29 | 3.01 | -85.09 | | 煤炭 | 29.24 | -24.76 | 0.4 | -69.7 | | 农林牧渔 | 23.93 | -37.75 | 3.36 | -62.15 | 3. 形态信号表现统计[12] | 日期 | 正面信号次数 | 未来出现高价次数 | 未来高点胜率(%) | 负面信号次数 | 未来出现低价次数 | 未来低点胜率(%) | |------|-------------|-----------------|----------------|-------------|-----------------|----------------| | 2025-08-11 | 879 | 528 | 60.07 | 388 | 174 | 44.85 | | 2025-08-12 | 479 | 298 | 62.21 | 819 | 226 | 27.59 | | 2025-08-13 | 625 | 441 | 70.56 | 719 | 174 | 24.2 | | 2025-08-14 | 202 | 157 | 77.72 | 1099 | 103 | 9.37 | | 2025-08-15 | 1180 | 957 | 81.1 | 142 | 47 | 33.1 | 2025年8月11日到2025年8月15日期间，正面信号共出现了3365次，未来高点平均胜率为70.33%，负面信号出现3167次，未来低点平均胜率为27.82%[12] 4. 隐含波动率数据[10] | 指数 | 隐含波动率(%) | 周变化(%) | |------|--------------|-----------| | 上证50 | 20.3 | +2.93 | | 上证500 | 22.36 | +2.82 | | 中证1000 | 25.91 | +4.86 | | 沪深300 | 19.21 | +1.12 |

量化模型与构建方式 本报告未涉及具体的量化模型或因子构建内容，主要为大类资产与基金市场表现的数据统计与描述[1][5][10][11][27][28][34][41][44][46][51] 量化因子与构建方式 本报告未涉及具体的量化因子构建内容，主要为大类资产与基金市场表现的数据统计与描述[1][5][10][11][27][28][34][41][44][46][51] 模型的回测效果 本报告未涉及量化模型的回测效果测试[1][5][10][11][27][28][34][41][44][46][51] 因子的回测效果 本报告未涉及量化因子的回测效果测试[1][5][10][11][27][28][34][41][44][46][51]

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 1. **因子名称：行业拥挤度因子**[3][17] * **因子构建思路**：通过计算行业指数价格变动与成交金额变动的马氏距离，来衡量市场交易行为的异常集中程度，即拥挤度[3][17] * **因子具体构建过程**： 1. 选取各行业指数最近一周的价格变动数据和成交金额变动数据[3][17] 2. 计算这两个维度数据向量的马氏距离（Mahalanobis Distance）[3][17] 3. 马氏距离的计算公式为： $$D_M(x) = \sqrt{(x - \mu)^T \Sigma^{-1} (x - \mu)}$$ 其中，$x$ 代表由行业价格变动和成交金额变动组成的二维向量，$\mu$ 是各维度数据的均值向量，$\Sigma$ 是协方差矩阵，$\Sigma^{-1}$ 是协方差矩阵的逆[3][17] 4. 根据马氏距离的统计分布特性，将置信水平超过99%（即落在椭圆区域外）的行业识别为出现短期显著拥挤的行业[17] * **因子评价**：该因子能有效捕捉市场短期交易过热或过冷的异常状态，是一个有效的市场情绪监测指标[17] 因子的回测效果 1. **行业拥挤度因子**，上周出现显著拥挤的行业有：家用电器、有色金属[4][17]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：成交量模型[12] **模型构建思路**：基于价量关系构建短期择时信号[10] **模型具体构建过程**：通过分析宽基指数的成交量变化与价格变动的关系，判断市场短期走势。具体构建过程未详细说明。 2. **模型名称**：低波动率模型[12] **模型构建思路**：利用波动率指标构建择时信号[10] **模型具体构建过程**：通过计算宽基指数的波动率，判断市场状态。具体构建过程未详细说明。 3. **模型名称**：特征龙虎榜机构模型[12] **模型构建思路**：基于龙虎榜机构数据构建择时信号[10] **模型具体构建过程**：通过分析龙虎榜中机构投资者的买卖行为，构建择时信号。具体构建过程未详细说明。 4. **模型名称**：特征成交量模型[12] **模型构建思路**：基于成交量特征构建择时信号[10] **模型具体构建过程**：通过分析成交量的变化特征，构建择时信号。具体构建过程未详细说明。 5. **模型名称**：智能算法沪深300模型[12] **模型构建思路**：应用智能算法对沪深300指数进行择时[10] **模型具体构建过程**：使用智能算法（如机器学习）分析沪深300指数的相关数据，生成择时信号。具体构建过程未详细说明。 6. **模型名称**：智能算法中证500模型[12] **模型构建思路**：应用智能算法对中证500指数进行择时[10] **模型具体构建过程**：使用智能算法（如机器学习）分析中证500指数的相关数据，生成择时信号。具体构建过程未详细说明。 7. **模型名称**：涨跌停模型[13] **模型构建思路**：基于涨跌停板现象构建中期择时信号[10] **模型具体构建过程**：通过分析市场中涨跌停股票的数量和分布，判断市场中期趋势。具体构建过程未详细说明。 8. **模型名称**：月历效应模型[13] **模型构建思路**：利用月历效应（如月初、月末效应）构建择时信号[10] **模型具体构建过程**：通过统计历史数据中特定时间段的市场表现，生成择时信号。具体构建过程未详细说明。 9. **模型名称**：长期动量模型[14] **模型构建思路**：基于动量效应构建长期择时信号[10] **模型具体构建过程**：通过计算宽基指数的长期收益率，判断市场长期趋势。具体构建过程未详细说明。 10. **模型名称**：A股综合兵器V3模型[15] **模型构建思路**：综合多周期多策略的A股择时模型[10] **模型具体构建过程**：耦合短期、中期、长期的不同模型信号，进行综合判断。具体构建过程未详细说明。 11. **模型名称**：A股综合国证2000模型[15] **模型构建思路**：针对国证2000指数的综合择时模型[10] **模型具体构建过程**：耦合适用于国证2000指数的多模型信号，进行综合判断。具体构建过程未详细说明。 12. **模型名称**：成交额倒波幅模型[16] **模型构建思路**：基于成交额与波幅的关系构建港股择时信号[10] **模型具体构建过程**：通过分析港股指数的成交额与价格波幅的关系，生成择时信号。具体构建过程未详细说明。 13. **模型名称**：杯柄形态模型[44][45] **模型构建思路**：识别杯柄形态技术图形以捕捉上涨突破机会[44] **模型具体构建过程**：识别股价走势中形成的“杯状”和“柄状”结构，在柄部调整结束后价格突破杯沿时产生买入信号。具体步骤包括识别A点（杯左起点）、B点（杯底）、C点（杯右终点/柄部起点），当价格突破C点水平时确认信号。 14. **模型名称**：双底形态模型[44][52] **模型构建思路**：识别双底形态技术图形以捕捉上涨突破机会[44] **模型具体构建过程**：识别股价走势中形成的两个低点（A点和C点）及之间的反弹高点（B点），当价格突破B点（颈线）时产生买入信号。具体步骤包括识别A点（第一个底）、B点（颈线）、C点（第二个底），当价格突破B点水平时确认信号。 模型的回测效果 1. **杯柄形态模型**，本周收益2.83%[44]，同期上证综指收益3.49%[44]，本周超额收益-0.66%[44]，2020年12月31日至今累计收益64.88%[44]，累计超额收益54.73%[44] 2. **双底形态模型**，本周收益2.52%[44]，同期上证综指收益3.49%[44]，本周超额收益-0.97%[44]，2020年12月31日至今累计收益49.3%[44]，累计超额收益39.14%[44] 量化因子与构建方式 *(注：本报告中未明确提及量化因子的具体构建细节。)* 因子的回测效果 *(注：本报告中未提供量化因子的测试结果取值。)*

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：总热度指标**[7] * **因子构建思路**：从行为金融学的有限注意力理论出发，将个股的浏览、自选与点击次数加总，作为市场情绪的代理变量进行追踪。[7] * **因子具体构建过程**： 1. 获取个股每日的浏览、自选与点击次数。 2. 将这三项数据求和，得到个股的原始热度值。 3. 计算该个股的原始热度值在当日全市场所有股票的原始热度总值中的占比，进行归一化处理。 4. 将归一化后的占比数值乘以10000，将因子值调整到一个较大的区间，最终因子取值区间为[0,10000]。 公式为：$$ \text{个股总热度} = \frac{\text{个股（浏览次数+自选次数+点击次数）}}{\text{当日全市场（浏览次数+自选次数+点击次数）总和}} \times 10000 $$ 2. **因子名称：热度变化率MA2**[11][15][19][26] * **因子构建思路**：追踪宽基指数、行业或概念层面总热度的周度边际变化，以捕捉市场关注度的短期转移，并采用移动平均进行平滑以降低噪声。[11][15][19][26] * **因子具体构建过程**： 1. 首先，根据股票分组（如宽基成分股、行业成分股、概念成分股），将组内所有个股的“总热度指标”进行加总，得到该组的“总热度”。[7][8] 2. 计算该组本周总热度与上周总热度的变化率。 3. 对该变化率序列取2期移动平均（MA2），即当前周与上一周变化率的平均值，得到平滑后的热度变化率因子。[11][15][19][26] 公式为：$$ \text{热度变化率MA2} = \frac{\text{本周变化率} + \text{上周变化率}}{2} $$ 其中，单周变化率 = (本周总热度 - 上周总热度) / 上周总热度 量化模型与构建方式 1. **模型名称：宽基轮动策略**[13][15] * **模型构建思路**：基于行为金融中的注意力理论，认为资金会流向近期关注度（热度）显著提升的板块，通过每周买入热度变化率最大的宽基指数来捕捉这一动向。[11][13][15] * **模型具体构建过程**： 1. **标的池**：沪深300、中证500、中证1000、中证2000以及“其他”股票组。[8] 2. **信号生成**：在每周最后一个交易日，计算上述5个组别的“热度变化率MA2”因子值。[13][15] 3. **投资决策**：选择“热度变化率MA2”值最大的组别。如果最大值组是“其他”，则选择空仓；否则，全仓买入该最大值对应的宽基指数。[13][15] 4. **调仓频率**：每周调仓。[13][15] 2. **模型名称：热门概念内选股策略（BOTTOM组合）**[30][32] * **模型构建思路**：在短期受资金追捧的热门概念板块内，市场注意力过度集中于少数高热度个股，可能导致其股价迅速且过度反应，而同板块内被忽视的低热度个股可能存在补涨或错误定价的机会。[29][30][32] * **模型具体构建过程**： 1. **概念筛选**：在每周最后一个交易日，筛选出本周“热度变化率”（未平滑）最大的5个概念。[30] 2. **股票池初筛**：将这5个热门概念的所有成分股合并作为初选股票池，并剔除其中流通市值最小的20%的股票。[30] 3. **组合构建**： * **TOP组合**：在每个热门概念中，选取“总热度指标”排名前10的个股，等权重组合作。[30] * **BOTTOM组合**：在每个热门概念中，选取“总热度指标”排名最后10的个股，等权重组合作。[30][34] 4. **调仓频率**：每周调仓。[30] 模型的回测效果 1. **宽基轮动策略**[15] * 年化收益率：8.74%[15] * 最大回撤：23.5%[15] * 2025年收益：28.5%[15] 2. **热门概念内选股策略（BOTTOM组合）**[32] * 年化收益率：15.71%[32] * 最大回撤：28.89%[32] * 2025年收益：37%[32] 因子的回测效果 *(注：本报告中未提供单一因子的独立测试结果，如IC、IR等。所有测试结果均基于上述包含该因子的策略模型。)*

[角色] 你是一名熟练的金融工程分析师，擅长量化模型、量化因子的构建，以及模型、因子效果的分析解读 [任务] 给你一篇量化主题的研报，总结一下这篇报告中涉及的量化模型、量化因子的内容，需要包括的内容有： 1）模型或者因子的名称 2）模型或者因子的构建思路（简单叙述即可） 3）模型或者因子的具体构建过程（需要详细的过程），如果中间涉及到公式，也列出公式 4）对模型或者因子的评价（简单叙述即可） 5）模型或者因子的具体测试结果取值 [注意] 1)如果有一部分没有相关内容，请跳过这一部分，进行其他的部分，不要在最后总结中输出“XX内容无”这样的无用表述 2)总结时要全面、详细、尽可能覆盖全部的内容、不遗漏重点 3)要分组展示内容，模型或者因子的指标取值单独在一个组 4)一定不要遗漏报告中出现的模型或者因子，包括复合模型或者因子，也包括基于某一基准模型、因子衍生出来的模型或者因子 5)有公式的一定要写出公式和公式说明，公式按照原文的格式展示出来 **要特别注意**：公式格式为 $$公式$$ 不要使用其他分割符构造公式 6)对模型或因子的评价应当是定性的评价，而不是指标取值，如果没有就不写 7)总结模型或因子在每个指标下取值时，每个模型或因子所对应的指标应该是完全一致的，不要在某个模型或因子下面多一个或者少一个指标 8)同一模型或因子的指标值应该在同一口径下，不要把不同窗口期的指标值混在一起放 9)不要把其他模型或因子的内容放错到该模型或因子下面 10)指标“信息比率“的英文是IR 11)注意区分开模型和因子，有的研报只有其中的一种 **要特别注意**：公式格式为 $$公式$$ 不要使用其他分割符构造公式 公式后边不要再有 [序号] 一定不要包括： 1) 风险提示 2) 免责声明 3) 评级规则 4) 其他和报告核心内容不相关的内容 [例子开始] 量化模型与构建方式 1.模型名称：XX；模型构建思路：XX（简单叙述）；模型具体构建过程：XXXX，公式是XX，公式中XX参数代表了XX（详细地把每一个步骤列出，有公式要写出公式）；模型评价：XX（简单叙述） （上述这些内容如果有哪一个没有，就不用列出） 2.模型名称：XX；模型构建思路：XX；模型具体构建过程：XXXX 模型的回测效果 1.XX模型，XX指标值XX，... 2.XX模型，XX指标值XX，... 量化因子与构建方式 1.因子名称：XX；因子的构建思路：XX；因子具体构建过程：XXXX，公式是XX，公式中XX参数代表了XX；因子评价：XX 2.因子名称：XX；因子的构建思路：XX；因子具体构建过程：XXXX 因子的回测效果 1.XX因子，XX指标值XX，... 2.XX因子，XX指标值XX，... [例子结束] Content: --------- <doc id='1'>通信、非银仓位提升， 港股 ETF 持续吸引资金流入 —— 量化市场追踪周报（2025W34）</doc> <doc id='2'>请阅读最后一页免责声明及信息披露 http://www.cindasc.com 1</doc> <doc id='3'>证券研究报告 金工研究 金工点评报告 于明明 金融工程与金融产品 首席分析师 执业编号：S1500521070001 联系电话：+极速6合 18616021459 邮 箱：yumingming@cindasc.com 吴彦锦 金融极速6合工程与金融产品 分析师 执业编号：S1500523090002 联系电话：+极速6合 18616819227 邮 箱：wuyanjin@cindasc.com 周君睿 金融工程与金融产品 分析师 执业编号：S150052311000极速6合5 联系电话：+极速6合 19821223545 邮 箱：zhoujunrui@cindasc.com 量化市场追踪周报(2025W34)：通信、非银仓位提 升，港股 ETF 持续吸引资金流入 2025 年 8 月 24 日 截至 2025/8/22，主动权益型基金的平均仓位约为 88.83%。其中，普通股 票型基金的平均仓位约为 90.79%（较上周下降 0.62pct），偏股混合型基金 的平均仓位约为 88.86%（极速6合较上周下降 0.07pct），配置型基金的平均仓位约 为 87.77%（较上周下降 0.46pct）；"固收+"基金平均仓位约为 22.86%， 较上周下降 极速6合0.10pct。</doc> <doc id='4'>截至 2025/8/22，主动偏股型基金大盘成长仓位 30.22%（较上周上升 2.7pct），大盘价值仓位 8.92%（较上周下降 0.48pct），中盘成长仓位 7.88% （较上周下降 1.63pct），中盘价值仓位 6.95%（较上周上升 0.99pct），小 盘成长仓位 40.1%（较上周下降 2.9pct），小盘价值仓位 5.94%（较上周上 升 1.32pct）。 从持股市值加权平均值来看，本周主动权益型基金配置比例上调较多的行 业有非银行金融（约 3.51%，较上周提升 0.78pct）、计算机（约 4.48%， 较上周提升 0.50pct）、综合（约 0.85%，较上周提升 0.33pct）、通信（约 6.52%，较上周提升 0.32pct）、电子（约 16.28%，较上周提升 0.29pct）， 配比下调较多的行业有汽车（约 4.81%，较上周下降 0.62pct）、医药（约 11.77%，较上周下降 0.40极速6合pct）、传媒（约 1.91%，较上周下降 0.26pct）、 请阅读最后一页免责声明及信息披露 http://www.cindasc.com 2</doc> <doc id='5'>本周市场复盘：本周，A 股市场做多情绪高涨，连续五个交易日成交额突 破 2 万亿元，市场宽基指数普遍上涨，上证指数突破 3800 点，创年内新 高。结构上，TMT 行业表现强劲，科创 50 单周涨幅超过 13%，红利和价 值风格则相对疲弱。从主动权益基金的配置行为来看，近两周权益仓位整 体回升至年内相对高位，通信和非银行业的仓位极速6合较一个月前有明显增加。 杠杆资金参与情绪持续高涨，两融余额持续上升，创下阶段性新高，突破 2.1 万亿元。ETF 方面， 科创 50 出现较大幅度的获利了结，部分低位板块如化工和光伏则获得资金布局。相对而言，港股类 ETF 在近期 持续吸引资金流入，近一个月跨境 ETF 净流入超过 800 亿元，港股科技、大金融 和创新药板块成为资金的主要 增配方向。此外，近期南向资金的流入也有 所边际加速。随着 8 月 22 日美联储主席鲍威尔在全球央行年会上释放鸽 派信号，9 月降息预期升至高位，短期来看对于港股流动性及多头情绪构 成利好，或进一步支持港股市场的表现。 公募基金：主动权益基金仓位出现回升，通信、非银行业仓位提升。本周 主动偏股型基金的净值涨跌幅平均值 3.29%，上涨基金数目占比达到 92.41%。其中：净值表现最好的前五只基金分别是招商移动互联网产业股 票 A、东方阿尔法优势产业混合 A、前海开源高端装备制造灵活配置混合 A、嘉实绿色主题股票 A、银河创新成长混合 A，一周净值涨跌幅分别是 16.66%、16.45%、14.98%、14.77%、14.27%。</doc> <doc id='6'>银行（约 3.37%，较上周下降 0.20pct）、交通运输（约 1.42%，较上周下 降 0.16pct）。</doc> <doc id='7'>信达证券股份有限公司 CINDA SECURITIES CO.,LTD 北京市西城区宣武门西大街甲127 号 金隅大厦B 座 邮编：100031 主力/主动资金流向：主力主动流入通信、电子。主力资金流：本周主力 净流入通信、电子，流出医药、机械。（1）个股：主力净流入&中小单净 流出：中兴通讯、中科曙光、兆易创新、中油资本、海光信息等。主力净 流出&中小单净流入：东方财富、卧龙电驱、药明康德、工业富联、胜宏 科技等。（2）行业：主力净流入&中小单净流出极速6合：通信、电子、食品饮料、 银行、综合等。主力净流出&中小单净流入：医药、机械、电力设备及新 能源、有色金属、基础化工等。主动资金流：本周主买净额约-1446.53 极速6合亿 元，主动资金净流入电子、通信。（1）极速6合个股：主动资金更看好中兴通讯、 北方稀土、中芯国际、寒武纪、贵州茅台等标的，中油资本、中电鑫龙、 上海电气、金田股份、中国船舶极速6合等标的遭主动资金净卖出。（2）行业：主 买净额居前的行业有：电子、通信、计算机、食品饮料、银行等；流出较 多的行业有：机械、医药、基础化工、电力设备及新能源、有色金属等。 风险因素：结论基于历史数据统计、建模和测算，受市场不确定性影响可 能存在失效风险。</doc> <doc id='8'>| 量化市场追踪周报（2025W34）：通信、非银仓位提升，港股 ETF 持续吸引资金流入 5 | | --- | | 1. 本周市场复盘：做多情绪高涨，TMT 强势领涨 5 | | 极速6合2. 公募基金： 6 | | 公募基金仓位测算：近两周主动权益基金仓位出现回升 7 | | 主动权益产品风格动向：大盘成长风格暴露相对提升 9 | | 主动权益产品行业动向：周内非银仓位提升，汽车仓位下降 9 | | ETF 市场跟踪：跨境 ETF 近一月净流入超 800 亿 12 | | 新成立基金：本周主动权益基金新发总份额约为 29.66 亿份 13 | | 3. 主力/主动资金流：主力主动流入通信、电子 15 | | 附录 1：本周各类型 ETF 净流入 TOP5 产品信息一览 18 | | 附录 2：本周公募基金新成立与新发行一览 21 |</doc> <doc id='10'>| 表 1：本周净值涨跌幅 TOP10 主动权益型基金信息 6 | | --- | | 表 2：主动权益型基金近期行业仓位分布(%) 10 | | 表 3：近 8 周基于绩优基金的行业轮动信号 12 | | 表 4：本周个股资金净流入额(TOP5&BTM5，亿元) 16 | 极速6合| 表 5：本周中信一级行业资金净流入极速6合额(TOP5&BTM5，亿元) 16 | | 表 6：本周个股资金主动净流入额(TOP5&BTM5，亿元) 16 | | 表 7：本周中信一级行业资金主动净流入额(TOP5&BTM5，亿元) 17 | | 表 8：本周各类型 ETF 净流入 TOP5 产品信息一览 18 | | 表 9：本周新成立公募基金一览(按基金成立日计) 21 | | 表 10：本周新发行公募基金一览(按基金认购日计) 22 |</doc> <doc id='12'>| 图 1：重点宽基指数周涨跌幅一览(%) 5 | | --- | | 图 2：一级行业指数周涨跌幅一览(%) 6 | | 图 3：主动权益型基金历史仓位分布 7 | | 图 4："固收+"基金历史仓位分布 8 | | 图 5：主动权益型基金历史风格仓位分布 9 | | 图 6：信达金工行业轮动策略多头超额 11 | | 图 7：今年以来 ETF 分类累计净流入额(亿元极速6合) 极速6合13 | | 极速6合图 8：近 1 年主动权益型基金周度成立规模(亿元) 14 | | 图 9：主动权益型基金历年年初以来累计新成立数量 极速6合14 | | 图 10：主动权益型基金历年年初以来累计新成立份额(亿份) 14 | | 图 11：被动权益型基金历年年初以来累计新成立数量 14 | | 图 12：被动权益型基金历年年初以来累计新成立份额(亿份) 14 | | 图 13：近 1 年沪深京三市资金净流入结构分布(亿元) 15 |</doc> <doc id='13'>量化市场追踪周报（2025W34）：通信、非银仓位提升，港股 ETF 持续吸引资金 流入 1. 本周市场复盘：做多情绪高涨，TMT 强势领极速6合涨 本周，A 股市场做多情绪高涨，连续五个交易日成交额突破 2 万亿元，市场宽基指数普遍上涨，上证指数突破 3800 点，创年内新 高。结构上，TMT 行业表现强劲，科创 50 单周涨幅超过 13%，红利和价值风格则相对疲弱。 从主动权益基金的配置行为来看，近两周权益仓位整 体回升至年内相对高位，通信和非银行业的仓位较一个月前 有明显增加。杠杆资金参与情绪持续高涨，两融余额持续上升，创下阶段性新高，突破 2.1 万亿元。ETF 方面， 科创 50 出现较大幅度的获利了结，部分低位板块如化工和光伏则获得资金布局。相对而言，港股类 ETF 在近期 持续吸引资金流入，近一个月跨境 ETF 净流入超过 800 亿元，港股科技、大金融和创新药板块成为资金的主要 增配方向。此外，近期南向资金的流入也有所加速。随着 8 月 22 日美联储主席鲍威尔在全球央行年会上释放鸽 派信号，9 月降息预期升至高位，短期来看对于港股流动性及多头情绪构 成利好，或进一步支持港股市场的表现。</doc> <doc id='14'>宽基指数表现回顾：本周（2025/8/18-2025/8/22）成长风格整体领先，科创 50 表现尤为亮眼；相比之下，红利、 价值风格的表现较为疲弱。截至 2025/极速6合8/22，上证指数报收 3825.76 点，周涨跌幅约 3.49%；深证成极速6合指报收 12166.06 点，周涨跌幅约 4.57%；创业板指报收 2682.55 点，周涨跌幅约 5.85%；沪深 300 报收 4378 点，周涨跌幅约 4.18%。</doc> <doc id='15'>3.49 4.57 5.85 4.18 3.87 3.45 3.23 13.31 8.40 1.67 4.59 0.83 2.83 0.27 0.27 -0.22 -0.44 -2 0 2 4 6 8 10 12 极速6合14 16 上证指数 深证成指 创业板指 沪深 300 中证 500 中证 1000 中证 2000 科创 50 北证 50 国证价值 国证成长 中证红利 中证转债 恒生指数 标普 500 黄金 9999 南华商品 本周 上周</doc> <doc id='16'>图 1：重点宽基指数周涨跌幅一览(%) 资料来源：同花顺 iFinD 、信达证券研发中心 统计日期： 2025/8/11-2025/8/22 行业指数表现回顾：本周（2025/8/18-2025/8/22）TMT 板块强势领涨。周涨跌幅排名居前的行业有通信、电子、 计算机、传媒、综合等，收益率依次为 10.47%、9.00%、7.80%、5.82%、5.17%；周涨跌幅排名靠后的行业包括 房地产、医药、煤炭、银行、家电等，收益率依次为 0.98%、1.17%、1.23%、1.23%、1.54%。</极速6合doc> <doc id='17'>图 2：一级行业指数周涨跌幅一览(%)</doc> <doc id='18'>2.6 1.2 1.7 1.6 1.9 3.1 1.6 3.0 2.7 2.6 2.2 3.极速6合1 4.9 3.9 4.9 1.5 2.9 1.2 3.4 3.6 1.2 2.8 1.0 1.7 9.0 10.5 7.8 5.8 5.2 3.0 -4 -2 0 2 4 6 8 10 12 石油石化 煤炭 有色金属 电力及公用事业 钢铁 基础化工 建筑 建材 轻工制造 机械 电力设备及新能源 国防军工 汽车 商贸零售 消费者服务 家电 纺织服装 医药 食品饮料 农林牧渔

量化模型与因子总结 量化模型与构建方式 1. **模型名称：东方A股因子风险模型(DFQ-2020)[15]** 模型构建思路：该模型旨在识别和解释影响A股收益的一系列风格风险因子，用于风险归因和组合管理[11][15] 模型具体构建过程：模型包含10个风格风险因子，每个因子由多个细分指标合成。具体因子列表及计算方式如下[15]： * Size因子：总市值对数[15] * Beta因子：贝叶斯压缩后的市场Beta[15] * Trend因子：由两个子指标构成，$$Trend\_120 = EWMA(halflife=20)/EWMA(halflife=120)$$，$$Trend\_240 = EWMA(halflife=20)/EWMA(halflife=240)$$，其中EWMA为指数加权移动平均[15] * Volatility因子：由5个子指标构成，包括过去243天的标准波动率(Stdvol)、过去243天的FF3特质波动率(Ivff)、过去243天的最高价/最低价-1(Range)、过去243天收益最高的六天的收益率平均值(MaxRet_6)、过去243天收益最低的六天的收益率平均值(MinRet_6)[15] * Liquidity因子：由2个子指标构成，包括过去243天的平均对数换手率(TO)、过去243天的个股对数换手率与市场对数换手率回归得到的流动性beta(Liquidity beta)[15] * Value因子：账面市值比(BP)或盈利收益率(EP)[15] * Growth因子：由3个子指标构成，包括过去3年ROE变动的平均值(Delta ROE)、销售收入TTM的3年复合增速(Sales_growth)、净资产TTM的3年复合增速(Na_growth)[15] * SOE因子：国有持股比例(State Owned Enterprise)[15] * Certainty因子：由3个子指标构成，包括公募基金持仓比例(Instholder Pct)、对市值正交化后的分析师覆盖度(Cov)、上市天数(Listdays)[15] * Cubic Size因子：市值幂次项[15] 2. **模型名称：MFE组合构建模型[60]** 模型构建思路：通过组合优化方法，在控制行业暴露、风格暴露等实际约束条件下，构建最大化单一因子暴露的投资组合，以更准确地评估因子在指数增强策略中的有效性[60] 模型具体构建过程：采用线性规划求解以下优化问题，目标为最大化因子暴露[60]： $$\begin{array}{ll}max & f^{T}w \\\ s.t. & s_{l}\leq X(w-w_{b})\leq s_{h} \\\ & h_{l}\leq H(w-w_{b})\leq h_{h} \\\ & w_{l}\leq w-w_{b}\leq w_{h} \\\ & b_{l}\leq B_{b}w\leq b_{h} \\\ & 0\leq w\leq l \\\ & 1^{T}w=1 \\\ & \Sigma|w-w_{0}|\leq to_{h}\end{array}$$ 其中，$f$ 为因子取值向量，$w$ 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。约束条件依次为：组合相对于基准的风格暴露约束（$X$ 为风格因子暴露矩阵，$s_l$, $s_h$ 为上下限）[63]；组合相对于基准的行业偏离约束（$H$ 为行业暴露矩阵，$h_l$, $h_h$ 为上下限）[63]；个股相对于基准成分股的权重偏离约束（$w_l$, $w_h$ 为上下限）[63]；组合在成分股内权重的占比约束（$B_b$ 为成分股标识向量，$b_l$, $b_h$ 为上下限）[63]；卖空限制及个股权重上限约束（$l$ 为上限）[63]；权重和为1的满仓约束[63]；组合换手率约束（$w_0$ 为上期持仓权重，$to_h$ 为换手率上限）[63] 量化因子与构建方式 1. **因子名称：估值类因子[20]** 因子构建思路：从账面价值、盈利收益、销售收益等角度衡量公司的估值水平[20] 因子具体构建过程：包含多个细分因子： * BP：账面市值比，计算公式为 净资产/总市值[20] * FBP：预期BP，使用分析师一致预期数据计算[20] * Quart_EP：单季度市盈率倒数，计算公式为 单季度归母净利润/总市值[20] * TTM_EP：滚动市盈率倒数，计算公式为 归母净利润TTM/总市值[20] * Quart_SP：单季度市销率倒数，计算公式为 单季度营业收入/总市值[20] * TTM_SP：滚动市销率倒数，计算公式为 营业收入TTM/总市值[20] * TTM_EP_PCT_1Y：EPTTM一年分位点，计算当前EPTTM在过去一年中的分位点[20] * TTM_FEP：一致预期滚动市盈率倒数，使用一致预期滚动PE数据计算倒数[20] * TTM_FPEG：一致预期滚动PEG，计算公式为 一致预期滚动PE / 个股滚动净利复合增长率[20] * PB_ROE_RANK：PB与ROE的rank差，计算公式为 全市场PB排序 - 单季ROE排序[20] 2. **因子名称：成长类因子[20]** 因子构建思路：从收入、利润、盈利预期等角度衡量公司的成长能力[20] 因子具体构建过程：包含多个细分因子： * YOY_Quart_NP：单季度净利润同比增速，计算单季度净利润同比增长率[20] * YOY_Quart_OR：单季度营业收入同比增速，计算单季度营业收入同比增长率[20] * YOY_Quart_OP：单季度营业利润同比增速，计算单季度营业利润同比增长率[20] * SUE：标准化预期外盈利，计算公式为 (单季实际净利 - 预期净利) / 预期净利标准差[20] * SUR：标准化预期外收入，计算公式为 (单季实际营收 - 预期营收) / 预期营收标准差[20] * Delta_ROE：单季净资产收益率同比变化，计算公式为 单季净资产收益率 - 去年同期净资产收益率[20] * Delta_ROA：单季总资产收益率同比变化，计算公式为 单季总资产收益率 - 去年同期总资产收益率[20] * UE_PERC：单季净利润超预期幅度，计算公式为 单季度净利润/分析师预期单季度净利润 - 1[20] 3. **因子名称：盈利类因子[20]** 因子构建思路：衡量公司的盈利能力[20] 因子具体构建过程：包含多个细分因子： * Quart_ROE：单季度净资产收益率，计算公式为 单季净利润*2/(期初净资产+期末净资产)[20] * Quart_ROA：单季度总资产收益率，计算公式为 单季净利润*2/(期初总资产+期末总资产)[20] 4. **因子名称：分析师预期类因子[20]** 因子构建思路：从分析师覆盖、盈利预测调整等角度反映市场预期[20] 因子具体构建过程：包含多个细分因子： * ORGAN_NUM_3M：分析师覆盖度，统计过去3个月撰写研报的机构数量[20] * ANA_REC：分析师认可度，计算公式为 (认可业绩分析师数 - 不认可业绩分析师数) / 覆盖分析师数[20] * FNP_QOQ_PERC_3M：预期净利润环比增幅，计算公式为 当前一致预期滚动净利/3月前一致预期净利 - 1[20] * FROE_CHANGE_3M：预期滚动ROE三个月环比，计算公式为 当前一致预期ROE - 3个月前一致预期ROE[20] * UD_PCT：分析师上下调数量差占比，计算公式为 过去3个月(上调家数-下调家数)/总家数 + 总家数/10000[20] 5. **因子名称：景气度因子[20]** 因子构建思路：衡量公司经营状况的变化趋势[20] 因子具体构建过程：包含细分因子 NPYOY_CHANGE：单季净利同比增速环比变化，计算公式为 单季净利同比增速 - 上季度单季净利同比增速[20] 6. **因子名称：分红因子[20]** 因子构建思路：衡量公司的分红回报[20] 因子具体构建过程：包含细分因子 DIVIDEND_RATE：股息率，计算公式为 最近四个季度预案分红金额/总市值[20] 7. **因子名称：公司治理因子[20]** 因子构建思路：从高管激励角度衡量公司治理水平[20] 因子具体构建过程：包含细分因子 MANAGER_SALARY：高管薪酬，取公司前三高管的薪酬[20] 8. **因子名称：PEAD因子[20]** 因子构建思路：捕捉盈余公告后的价格漂移现象[20] 因子具体构建过程：包含多个细分因子： * AOG：盈余公告次日开盘跳空超额，计算公式为 盈余公告次日开盘涨跌幅 - 中证500开盘涨跌幅[20] * ALG：盈余公告次日最低价超额，计算盈余公告次日最低价超额[20] 9. **因子名称：流动性因子[20]** 因子构建思路：从换手率、非流动性冲击等角度衡量股票的流动性[20] 因子具体构建过程：包含多个细分因子： * TURNOVER_1M：一个月日均换手，计算过去20个交易日换手率均值[20] * TURNOVER_3M：三个月日均换手，计算过去60个交易日换手率均值[20] * ILLIQ_1M：一个月非流动性冲击，计算过去20个交易日日度涨跌幅绝对值比成交额的均值[20] * IVR_1M：特异度，计算公式为 1 - 过去20日Fama-French三因子回归拟合度[20] 10. **因子名称：波动率因子[20]** 因子构建思路：衡量股票价格的波动情况[20] 因子具体构建过程：包含多个细分因子： * ATR_1M：一个月真实波动率，计算过去20个交易日日内真实波幅均值[20] * ATR_3M：三个月真实波动率，计算过去60个交易日日内真实波幅均值[20] 11. **因子名称：反转与动量因子[20]** 因子构建思路：捕捉股票价格的短期反转和长期动量效应[20] 因子具体构建过程：包含多个细分因子： * REVERSE_1M：一个月反转，计算过去20个交易日涨跌幅[20] * REVERSE_3M：三个月反转，计算过去60个交易日涨跌幅[20] * MOMENTUM_1M：一年动量，计算剔除近1个月的过去一年涨跌幅[20] * UMR_1M：一个月UMR，计算一个月窗口下风险调整后的UMR动量[20] * UMR_3M：三个月UMR，计算三个月窗口下风险调整后的UMR动量[20] * UMR_6M：六个月UMR，计算六个月窗口下风险调整后的UMR动量[20] * UMR_1Y：一年UMR，计算十二个月窗口下风险调整后的UMR动量[20] 12. **因子名称：机构因子[20]** 因子构建思路：衡量机构投资者的持仓情况[20] 因子具体构建过程：包含细分因子 FUND_HOLD_MV：公募持股市值，取过去半年报/年报中主动股基持股市值[20] 风格因子的回测效果 1. Beta因子，近一周收益3.74%，上一周收益-0.75%，近一月收益10.06%，今年以来收益27.17%，近一年收益59.45%，历史年化收益1.21%[13] 2. Volatility因子，近一周收益3.41%，上一周收益0.45%，近一月收益6.01%，今年以来收益9.97%，近一年收益35.11%，历史年化收益-12.85%[13] 3. Liquidity因子，近一周收益3.34%，上一周收益-1.10%，近一月收益3.92%，今年以来收益20.65%，近一年收益32.29%，历史年化收益-3.28%[13] 4. SOE因子，近一周收益0.63%，上一周收益-0.29%，近一月收益1.44%，今年以来收益7.极因子，近一周收益-0.33%，上一周收益-1.56%，近一月收益-2.55%，今年以来收益-2.67%，近一年收益0.62%，历史年化收益2.63%[13] 6. Certainty因子，近一周收益-0.83%，上一周收益0.87%，极因子，近一周收益-1.51%，上一周收益3.36%，近一月收益0.59%，今年以来收益-30.87%，近一年收益-50.44%，历史年化收益-26.52%[13] 8. Trend因子，近一周收益-1.96%，上一周收益-0.46%，近一月收益-3.40%，今年以来收益-4.05%，近一年收益18.60%，历史极因子，近一周收益-2.14%，上一周收益3.14%，近一月收益-2.79%，今年以来收益-38.32%，近一年收益-59.18%，历史年化收益-29.70%[13] 10. Value因子，近一周收益-2.40%，上一周收益0.85%，近一月收益-6.37%，今年以来收益-15.60%，近一年收益-29.84%，历史年化收益6.76%[13] 细分因子的回测效果 (按选股空间分类) 沪深300样本空间[23] 1. 标准化预期外收入因子，近一周收益1.43%，近一月收益4.03%，今年以来收益8.71%，近1年年化收益10.07%，历史年化收益4.94%[23] 2. 一年动量因子，近一周收益1.31%，近一月收益2.30%，今年以来收益-0.73%，近1年年化收益-8.40%，历史年化收益2.15%[23] 3. 单季营收同比增速因子，近一周收益1.20%，近一月极因子，近一周收益1.05%，近一月收益2.89%，今年以来收益11.20%，近1年年化收益8.13%，历史年化收益3.47%[23] 5. 盈余公告开盘跳空超额因子，近一周收益0.86%，近一月收益3.08%，今年以来收益10.28%，近1年年化收益8.02%，历史年化收益3.52%[23] 6. 分析师认可度因子，近一周收益0.85%，近一月收益2.87%，今年以来收益10.06%，近1年年化收益9.56%，历史年化收益3.72%[23] 7. 公募持股市值因子，近一周收益0.77%，近一月收益3.64%，今年以来收益9.54%，近1年年化收益8.74%，历史年化收益3.75%[23] 8. DELTAROA因子，近一周收益0.69%，近一月收益3.30%，今年以来收益10.17%，近1年年化收益8.97%，历史年化收益4.43极因子，近一周收益0.60%，近一月收益-0.66%，今年以来收益4.09%，近1年年化收益8.70%，历史年化收益1.03%[23] 10. 单季净利同比增速因子，近一周收益0.51%，近一月收益2.94%，今年以来收益9.81%，近1年年化收益5.29%，历史年化收益3.56%[23] 11. DELTAROE因子，近一周收益0.47%，近一月收益3.38%，今年以来收益10.75%，近1年年化收益6.93%，历史年化收益4.19%[23] 12. 标准化预期外盈利因子，近一周收益0.43%，近一月收益3.26%，今年以来收益9.88%，近1年年化收益8.46%，历史年化收益4.59%[23] 13. 预期ROE环比变化因子，近一周收益0.28%，近一月收益1.18%，今年以来收益1.83%，近1年年化收益-5.11%，历史年化收益2.55%[23] 14. 单季ROA因子，近一周收益0.18%，近一月收益3.极因子，近一周收益0.09%，近一月收益0.96%，今年以来极因子，近一周收益0.05%，近一月收益-0.91%，今年以来收益0.01%，近1年年化收益-0.80%，历史年化收益1.67%[23] 17. 盈余公告最低价跳空超额因子，近一周收益0.04%，近一月收益1.99%，今年以来收益6.23%，近1年年化收益4.58%，历史年化收益3.94%[23] 18. 预期净利润环比因子，近一周收益-0.08%，近一月收益0.17%，今年以来收益2.30%，近1年年化收益-2.91%，历史年化收益1.54%[23] 19. 单季ROE因子，近一周收益-0.10%，近一月收益3.05%，今年以来收益10.00%，近1年年化收益9.44%，历史年化收益4.56%[23] 20. 3个月盈利上下调因子，近一周收益-0.21%，近一月收益1.11%，今年以来收益5.59%，近1年年化收益5.73%，历史年化收益5.23%[23] 21. 一个月反转因子，近一周收益-