根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：封板率** - 构建思路：通过统计股票在当日最高价涨停且收盘涨停的比例，反映市场情绪强弱[17] - 具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 筛选上市满3个月以上的股票，计算当日满足条件的股票数量比值[17] - 因子评价：高频情绪指标，对短线交易策略有直接参考价值 2. **因子名称：连板率** - 构建思路：衡量连续涨停股票的持续性，反映市场追涨热情[17] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 需排除新股和ST股，仅统计正常交易的股票[17] - 因子评价：对捕捉龙头股效应具有指示作用 3. **因子名称：大宗交易折价率** - 构建思路：通过大宗交易成交价与市价的偏离程度反映机构交易意愿[26] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计近半年日均成交金额作为基准，计算单日偏离度[26] 4. **因子名称：股指期货年化贴水率** - 构建思路：量化期现价差隐含的市场预期[28] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格}×\frac{250}{合约剩余交易日数}$$ 分别计算上证50、沪深300、中证500和中证1000主力合约数据[28] 因子回测效果 1. **封板率因子** - 当日取值：50%（近一个月新低）[17] - 历史分位：较前日下降11%[17] 2. **连板率因子** - 当日取值：11%（近一个月新低）[17] - 历史分位：较前日下降2%[17] 3. **大宗交易折价率因子** - 当日取值：6.94%[26] - 半年均值：5.38%[26] 4. **股指期货年化贴水率因子** - 上证50：-0.36%（44%分位）[28] - 沪深300：-3.62%（35%分位）[28] - 中证500：-14.02%（9%分位）[28] - 中证1000：-13.77%（33%分位）[28] 注：报告中未涉及量化模型的具体构建与测试，故未总结相关模型内容[1][2][3][4]

量化因子与构建方式 估值类因子 1. **因子名称**：bp - **构建思路**：衡量股票当前净资产与市值的比值，反映估值水平[13] - **构建过程**：$$ bp = \frac{当前净资产}{当前总市值} $$[13] 2. **因子名称**：bp三年分位数 - **构建思路**：计算当前bp在三年历史数据中的分位数，反映相对估值水平[13] - **构建过程**：取股票最近三年的bp数据，计算当前值对应的分位数[13] 3. **因子名称**：季度ep - **构建思路**：衡量季度净利润与净资产的比值[13] - **构建过程**：$$ 季度ep = \frac{季度净利润}{净资产} $$[13] 4. **因子名称**：季度sp - **构建思路**：衡量季度营业收入与净资产的比值[13] - **构建过程**：$$ 季度sp = \frac{季度营业收入}{净资产} $$[13] 盈利类因子 5. **因子名称**：季度资产周转率 - **构建思路**：反映企业资产利用效率[13] - **构建过程**：$$ 季度资产周转率 = \frac{季度营业收入}{总资产} $$[13] 6. **因子名称**：季度roa - **构建思路**：衡量净利润与总资产的比值[13] - **构建过程**：$$ 季度roa = \frac{季度净利润}{总资产} $$[13] 成长类因子 7. **因子名称**：季度净利润同比增长 - **构建思路**：反映净利润的同比增长情况[13] - **构建过程**：计算当前季度净利润与去年同期单季净利润的增长率[13] 8. **因子名称**：标准化预期外盈利 - **构建思路**：衡量实际盈利与预期盈利的偏离程度[13] - **构建过程**：$$ \frac{当前季度净利润 - (去年同期单季净利润 + 过去8个季度单季净利润同比增长均值)}{过去8个季度的单季度净利润同比增长值的标准差} $$[13] 换手率类因子 9. **因子名称**：1个月日均换手率 - **构建思路**：反映股票流动性[13] - **构建过程**：计算过去20个交易日换手率的均值[13] 10. **因子名称**：1个月换手率波动 - **构建思路**：衡量换手率的波动性[13] - **构建过程**：计算过去20个交易日换手率的标准差[13] 波动率类因子 11. **因子名称**：Fama-French三因子1月残差波动率 - **构建思路**：衡量股票收益对三因子模型残差的波动[13] - **构建过程**：对过去20个交易日日收益进行Fama-French三因子回归，计算残差的标准差[13] 12. **因子名称**：1月特异度 - **构建思路**：反映收益中不能被三因子解释的部分[13] - **构建过程**：$$ 1 - 过去20个交易日日收益对Fama-French三因子回归的R方 $$[13] 动量与反转类因子 13. **因子名称**：一年动量 - **构建思路**：衡量长期价格趋势[13] - **构建过程**：$$ 过去一年收益率累加 - 过去一个月收益率累加 $$[13] 14. **因子名称**：1个月反转 - **构建思路**：反映短期价格反转效应[13] - **构建过程**：累加过去20个交易日收益率[13] 规模类因子 15. **因子名称**：小市值 - **构建思路**：反映公司规模[13] - **构建过程**：取对数市值[13] Beta因子 16. **因子名称**：Beta - **构建思路**：衡量股票与市场的相关性[14] - **构建过程**：对最近490个交易日个股收益与市场收益进行加权回归，取回归系数[14] 因子回测效果 IC表现 1. **bp三年分位数**：最近一周IC 16.49%，最近一月IC均值7.73%，最近一年IC均值2.81%[8] 2. **1个月日均换手率**：最近一周IC 19.65%，最近一月IC均值9.86%，最近一年IC均值1.93%[8] 3. **Fama-French三因子1月残差波动率**：最近一周IC 14.75%，最近一月IC均值9.53%，最近一年IC均值3.27%[8] 多头组合表现 1. **季度净利润同比增长**：最近一年超额收益8.30%，历史累计超额35.27%[10] 2. **1个月换手率波动**：最近一年超额收益8.10%，历史累计超额30.99%[10] 3. **1月特异度**：最近一年超额收益9.38%，历史累计超额18.74%[10] 模型评价 - **换手率类因子**：近期表现突出，可能与市场流动性变化相关[7][9] - **波动率类因子**：长期稳定性较好，适合风险控制策略[7][9] - **估值类因子**：bp三年分位数短期表现优异，但长期IC均值较低[8][10]

量化模型与构建方式 1 **模型名称**：申万一级家电指数趋势跟踪模型 - **模型构建思路**：基于价格走势的局部延续性假设，通过观察窗口内的价格变动与波动率关系判断趋势方向[3] - **模型具体构建过程**： 1 计算T日收盘价与T-20日收盘价的差值：$$del = P_T - P_{T-20}$$ 2 计算T-20日至T日（不含）的波动率Vol（未明确公式，推测为收益率标准差） 3 趋势判断规则： - 若$$|del| > N \times Vol$$（N=1），则认定趋势形成，方向与del符号一致 - 否则延续T-1日趋势方向[3] - **模型评价**：对高频波动市场适应性差，在单边趋势行情中表现较好但整体不适合家电指数[4] 模型的回测效果 1 **申万一级家电指数趋势跟踪模型**： - 年化收益：-12.12% - 年化波动率：21.12% - 夏普比率：-0.57 - 最大回撤：28.98% - 指数总回报率：27.55%（模型显著跑输基准）[3] 图表分析 1 净值曲线显示模型净值持续低于1.0，2024年9月后波动加剧[5] 2 最大回撤绝对值达28.98%，主要发生在2023年3月至2024年2月[7][9] （注：原文未涉及量化因子相关内容，故不输出该部分）

量化模型与构建方式 1. **模型名称：行业拥挤度监测模型** - **模型构建思路**：通过监测申万一级行业指数的拥挤度，识别行业当前的市场热度与潜在风险[4] - **模型具体构建过程**： 1. 计算各行业指数的拥挤度指标，可能结合交易量、价格波动、资金流向等数据 2. 对拥挤度进行每日滚动计算和排名 3. 输出拥挤度较高（如基础化工、机械设备）和较低（如传媒、房地产）的行业信号[4] - **模型评价**：能够动态捕捉行业短期过热或低估状态，但需结合主力资金流动数据验证[4] 2. **模型名称：溢价率Z-score模型** - **模型构建思路**：通过滚动测算ETF溢价率的标准化分数（Z-score），筛选存在套利机会的标的[5] - **模型具体构建过程**： 1. 计算ETF的IOPV溢价率：$$ \text{溢价率} = \frac{\text{市场价格} - \text{IOPV}}{\text{IOPV}} \times 100\% $$ 2. 滚动计算溢价率的均值与标准差，生成Z-score：$$ Z = \frac{\text{当前溢价率} - \text{滚动均值}}{\text{滚动标准差}} $$ 3. 根据Z-score阈值（如±2）标记异常溢价标的[5] - **模型评价**：需警惕市场情绪导致的短期溢价波动风险[5] --- 模型的回测效果 1. **行业拥挤度监测模型**： - 前一交易日拥挤度靠前行业：基础化工（99%）、机械设备（98%）、环保（95%）[10] - 拥挤度较低行业：传媒（1%）、房地产（9%）[10] - 主力资金验证：电力设备（-50.82亿元）、计算机（-130.13亿元）与拥挤度高位行业部分重合[11] 2. **溢价率Z-score模型**： - 建议关注标的：恒生医疗ETF基金（溢价率-0.81%）、港股通医药ETF（溢价率未披露）[12] --- 量化因子与构建方式 1. **因子名称：主力资金净流入因子** - **因子构建思路**：通过监测主力资金净流入额，反映短期资金对行业的偏好[11] - **因子具体构建过程**： 1. 按申万一级行业分类统计主力资金净流入额（单位：亿元） 2. 计算近3日滚动合计值，识别资金持续流入/流出的行业[11] - **因子评价**：需结合行业基本面避免短期噪声干扰 2. **因子名称：ETF资金流动因子** - **因子构建思路**：跟踪ETF资金净流入数据，捕捉市场资金配置趋势[6] - **因子具体构建过程**： 1. 按ETF类别（宽基、行业主题等）分类统计单日净流入额 2. 输出TOP3流入/流出标的（如中证500ETF +3.52亿元，恒生医疗ETF -5.15亿元）[6][7] --- 因子的回测效果 1. **主力资金净流入因子**： - 近3日资金增配行业：煤炭（+3.79亿元）、综合（+1.27亿元）[11] - 大幅减配行业：计算机（-130.13亿元）、电子（-92.52亿元）[11] 2. **ETF资金流动因子**： - 跨境ETF近3日净流入：43.90亿元（恒生科技ETF +1.51亿元）[6] - 行业主题ETF净流出：-13.89亿元（创新药ETF -4.89亿元）[6]

量化模型与构建方式 1 模型名称：申万一级食品饮料趋势跟踪模型 模型构建思路：基于价格走势的局部延续性假设，通过价格变动与波动率的比较判断趋势方向[3] 模型具体构建过程： - 计算T日收盘价与T-20日收盘价的差值：$$del = P_T - P_{T-20}$$ - 计算T-20日至T日（不含）的波动率Vol（未说明具体计算方法） - 趋势判断规则：若|del| > N×Vol（N=1），则形成新趋势，方向与del符号一致；否则延续T-1日趋势[3] 模型评价：在剧烈波动市场中表现不稳定，盘整阶段适应性差，不适合直接用于该指数[4] 模型的回测效果 1 申万一级食品饮料趋势跟踪模型： - 年化收益：-12.31% - 年化波动率：23.84% - 夏普比率：-0.52 - 最大回撤：36.61% - 相对指数回报率：-22.69%（基准指数总回报）[3] （注：报告中未提及量化因子相关内容，故跳过该部分）

量化模型与构建方式 1. **模型名称**：250日新高距离模型 **模型构建思路**：通过计算当前收盘价与过去250日最高收盘价的相对距离，衡量股票或指数接近历史高点的程度[9] **模型具体构建过程**： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中： - \(Closet\)为最新收盘价 - \(ts\_max(Close,250)\)为过去250个交易日收盘价的最大值 当最新收盘价等于历史最高价时取值为0，回落时取正值反映回调幅度[9] **模型评价**：该指标能有效捕捉动量效应，符合经典趋势跟踪策略理论[9][16] 2. **模型名称**：平稳创新高股票筛选模型 **模型构建思路**：结合价格路径平滑性、分析师关注度等多维度筛选具有持续动量的股票[22][24] **模型具体构建过程**： - **价格路径平滑性**：计算位移路程比 $$ \frac{过去120日涨跌幅绝对值}{过去120日日涨跌幅绝对值加总} $$ - **分析师关注度**：过去3个月买入/增持评级研报≥5份 - **股价相对强弱**：过去250日涨跌幅全市场前20% - **创新高持续性**：过去120日250日新高距离时间序列均值 - **趋势延续性**：过去5日250日新高距离时间序列均值[22][24] **模型评价**：综合考量动量质量和市场关注度，避免选择波动过大的"彩票型股票"[22] --- 模型的回测效果 1. **250日新高距离模型**： - 上证指数新高距离3.97% - 深证成指7.72% - 沪深300 8.01% - 中证500 6.55% - 中证1000 5.20% - 中证2000 6.32% - 创业板指16.55% - 科创50 8.64%[10][30] - 家电行业2.60% - 银行1.74% - 有色金属2.78%[11][30] 2. **平稳创新高股票筛选模型**： - 筛选出29只股票（如卧龙电驱、新大陆、艾力斯等） - 制造/科技板块各占8只 - 机械/电子行业占比最高[25][29] --- 量化因子与构建方式 1. **因子名称**：创新高个股数量因子 **因子构建思路**：统计各行业/板块创250日新高的股票数量及占比[17][18] **因子具体构建过程**： - 在上市满15个月的股票池中 - 筛选过去20个交易日内收盘价≥250日最高价的股票 - 按行业/板块/指数分类统计绝对数量及占比[17][18] 2. **因子名称**：股价位移路程比因子 **因子构建思路**：衡量价格路径平滑性，识别"温水煮青蛙"效应[22] **因子具体构建过程**： $$ \frac{\sum_{t=1}^{120} |r_t|}{\sum_{t=1}^{120} |r_t|} $$ 其中\(r_t\)为日收益率，分子为120日累计收益绝对值，分母为每日收益绝对值之和[22] --- 因子的回测效果 1. **创新高个股数量因子**： - 全市场928只创新高股票 - 机械行业207只（占比30.94%） - 汽车行业85只（占比35.42%）[17][21] - 中证2000指数成分股中21.55%创新高[18][21] 2. **股价位移路程比因子**： - 应用于29只平稳创新高股票筛选 - 典型标的如艾力斯（72%年涨幅）、若羽臣（277%年涨幅）[29]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **因子名称：领涨因子** - **构建思路**：基于量价数据筛选近期表现强势的股票，捕捉市场热点概念的领涨股[9] - **具体构建过程**： 1. 在"海洋经济"概念股池中计算个股近期涨幅（如近3日涨跌幅） 2. 按涨幅排序，选取排名靠前的股票 3. 结合其他技术指标（如成交量、动量等）进行综合评分 4. 最终筛选因子得分前五的股票构成组合[9] 2. **因子名称：尖峰右偏因子** - **构建思路**：利用价格分布的非对称性特征，捕捉具有潜在爆发力的个股[9] - **具体构建过程**： 1. 计算个股收益率分布的偏度和峰度 2. 筛选具有显著右偏（正偏）和高峰态特征的股票 3. 结合波动率指标排除异常值 4. 与领涨因子协同使用，优化组合选择[9] 因子回测效果 1. **领涨因子** - 近3日涨幅范围：-19.15%至14.02%（极端值剔除后集中在-10%~+10%）[12] - 组合平均涨幅：筛选出的前五名个股近3日平均涨幅显著高于概念股池中位数[9] 2. **尖峰右偏因子** - 筛选出的个股具有显著右偏特征（偏度>0.5） - 组合波动率较基准低约15%[9] 模型应用结果 1. **"海洋经济"增强组合**（2025年3月26日数据）： - 汉缆股份（002498.SZ）：近3日涨4.38%[12] - 振华重工（600320.SH）：近3日涨14.02%[12] - 安通控股（600179.SH）：近3日涨4.44%[12] - 海油工程（600583.SH）：近3日跌2.58%[12] - 海兰信（300065.SZ）：近3日跌6.07%[12] 注：所有因子构建方法参考自《Beta猎手系列之十二：RAG-ChatGPT提前布局热点概念领涨股》[9]，具体参数未在报告中完整披露

量化因子与构建方式 1. **因子名称：基本面负向剔除因子** - **构建思路**：通过复合SUE、SUE_Rev、营收同比增长率3个基本面因子的空头效应，筛选出表现最差的个股[22][23] - **具体构建过程**： 1. 对SUE、SUE_Rev、营收同比增长率分别在全A范围内排序，取因子值最低的20%作为空头组合 2. 将3个因子的空头组合等权复合，形成复合因子 3. 计算空头组合相对于科创板全样本等权组合的年化超额收益 - **因子评价**：空头效应显著，年化超额收益-6.75%，统计显著[23] 2. **因子名称：市场关联度因子** - **构建思路**：利用个股与科创综指的收益关联性衡量风险溢价，高关联度个股预期收益更高[24][26] - **具体构建过程**： 1. 对个股过去12个月月收益率与科创综指收益率进行线性回归 2. 提取回归系数作为因子值 3. 按因子值将股票等分5组，计算各组超额收益 $$ \text{市场关联度因子} = \beta_{i} \quad \text{（回归系数）} $$ - **因子评价**：月均IC 2.5%，分组单调性显著[26][27] 3. **因子名称：改进动量因子** - **构建思路**：结合板块涨跌筛选有效动量信号，并引入下行风险调整[29][32] - **具体构建过程**： 1. 筛选过去3个月同板块平均收益为正的交易日 2. 计算这些交易日个股日超额收益的20%分位点作为因子值 $$ \text{改进动量因子} = \text{分位数}(R_{i,t}, 20\%) $$ 3. 正交化处理（剔除市值、估值、行业影响）[33] - **因子评价**：原始月均IC 3.91%，正交后IC 2.64%，统计显著[30][33] 4. **因子名称：改进反转因子** - **构建思路**：剔除开盘后半小时噪音，捕捉更纯净的反转效应[12][14] - **具体构建过程**： 1. 计算剔除开盘半小时涨幅后的个股日收益率 2. 统计历史反转效应IC及分组收益 - **因子评价**：月均IC -0.03，年化多空收益超10%[12] --- 量化模型与构建方式 1. **模型名称：多因子Top100组合** - **构建思路**：综合IC显著且单调性优的因子构建复合因子，选取得分最高个股[36][39] - **具体构建过程**： 1. 剔除市值<20亿元的股票 2. 复合因子得分前100只股票，市值加权（单股权重上限10%） 3. 扣除交易成本后回测 - **模型评价**：年化超额22.8%，信息比2.27，月胜率74%[39][40] 2. **模型名称：线性优化组合** - **构建思路**：在风控约束下优化组合权重[41][42] - **具体构建过程**： 1. 约束条件：个股偏离1%、行业偏离5%、Beta/动量偏离0.5 2. 线性规划求解最优权重 - **模型评价**：年化超额10.2%，信息比2.0，波动率更低[42] 3. **模型名称：复合组合（核心-卫星策略）** - **构建思路**：平衡Top100组合与优化组合的风险收益[43][44] - **具体构建过程**：月度再平衡，20%权重分配Top100组合，80%分配优化组合 - **模型评价**：年化超额12.7%，信息比2.25，稳定性高[44] --- 因子回测效果 1. **基本面负向剔除因子**：年化超额收益-6.75%，月胜率32%[23] 2. **市场关联度因子**：月均IC 2.5%，月胜率58%[26][27] 3. **改进动量因子**：原始月均IC 3.91%，正交后IC 2.64%[30][33] 4. **改进反转因子**：月均IC -0.03，年化多空收益10%+[12] 模型回测效果 1. **Top100组合**：年化超额22.8%，IR 2.27，最大回撤6.3%[39][40] 2. **线性优化组合**：年化超额10.2%，IR 2.0，年化跟踪误差6.0%[42] 3. **复合组合**：年化超额12.7%，IR 2.25，月胜率70%[44]

量化因子与构建方式 1 因子名称：RSI相对强弱指标 因子构建思路：通过计算一定周期内平均涨幅和平均跌幅的比值，衡量市场超买或超卖状态[2] 因子具体构建过程： - 计算周期为12天的平均涨幅（AvgGain）和平均跌幅（AvgLoss） - 计算相对强弱比RS = AvgGain / AvgLoss - RSI公式为：$$RSI = 100 - \frac{100}{1 + RS}$$ - RSI>70为超买状态，RSI<30为超卖状态[2] 因子评价：经典动量类指标，适用于短期趋势判断 2 因子名称：净申购金额 因子构建思路：通过ETF净值变化计算资金流动情况[2] 因子具体构建过程： - 计算公式：$$NETBUY(T) = NAV(T) - NAV(T-1) \times (1 + R(T))$$ - 其中NAV(T)为当日净值，R(T)为标的指数收益率[2] 3 因子名称：日内行情趋势 因子构建思路：基于5分钟级别成交价捕捉日内价格波动特征[2] 因子具体构建过程： - 提取当日最高价/最低价作为关键节点 - 绘制价格趋势线并标记极值点[2] 因子的回测效果 1 RSI相对强弱指标，典型阈值区间30-70[2] 2 净申购因子，单位亿元（具体值见各ETF数据）[4] 3 日内趋势因子，通过红点标记极值[2] 注：报告中未涉及完整量化模型构建，主要展示三类基础因子的计算逻辑和应用场景[2][4]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **收益能力评估模型** - 构建思路：通过基金分年度区间收益率衡量收益能力[5] - 具体构建：计算2022年以来各年度收益率，筛选收益显著的产品（如翟相栋、王贵重管理的基金）[5] - 评价：能有效识别长期收益能力突出的基金 2. **回撤控制能力模型** - 构建思路：结合最大回撤和波动率指标评估风险控制能力[5] - 具体构建：统计2022年以来分年度最大回撤及波动率，筛选低回撤产品（如张帆、谢治宇管理的基金）[5] 3. **持有体验评估模型** - 构建思路：通过滚动胜率、创新高次数等指标衡量持有舒适度[5] - 具体构建：计算近2年任意持有1年/半年/3月的胜率及回撤修复天数（如刘元海管理的产品）[5] 4. **市值风格分类模型** - 构建思路：基于持仓股市值划分大/中/小市值风格[10] - 具体构建：统计近6期持仓个股市值分布（如广发港股通成长精选为大市值风格）[10] 量化因子与构建方式 1. **港股超额收益因子** - 构建思路：捕捉港股科技指数相对A股的稳定超额收益[4] - 具体构建：计算恒生科技指数与中证TMT指数的年度收益差，均值达15.07%[4] - 评价：港股市场超额收益持续性更强 2. **估值分位因子** - 构建思路：利用PE(TTM)分位值判断估值水平[4] - 具体构建： $$ PE(TTM)分位值 = \frac{当前PE - 近1年PE最小值}{近1年PE最大值 - 近1年PE最小值} $$ 如SHS云计算分位值为41.67%[4] 3. **市场环境适应性因子** - 构建思路：区分基金在上涨/震荡/下跌市的表现差异[13] - 具体构建：以中证TMT指数划分市场阶段，统计被动基金在上涨市平均收益61.36%，主动基金在震荡市更优[13] 模型回测效果 1. **收益能力模型** - 年化收益率：头部基金2022年以来年均收益超20%[5] 2. **回撤控制模型** - 最大回撤：优质基金回撤控制在-15%以内[5] - 波动率：低于同类平均10%[5] 3. **港股超额收益因子** - 年化超额收益：15.07%（2015-2025年）[4] 因子回测效果 1. **估值分位因子** - 港股科技指数PE分位值：41.67%-96.67%[4] 2. **市值风格因子** - 大市值基金规模占比：超60%（如广发港股通成长精选21.51亿元）[10] （注：部分模型如进攻/防守能力模型因文档未提供具体构建公式，仅保留描述性内容）