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，识别当前市场过热或过冷的行业，为投资决策提供参考[4] - **模型具体构建过程**： 1. 计算行业指数的滚动时间窗口（如30个交易日）内价格、成交量、波动率等指标的标准化值 2. 综合多个指标（如主力资金净流入、换手率、波动率）构建拥挤度评分 3. 根据评分排名划分高/低拥挤度行业 - **模型评价**：能够有效捕捉短期市场情绪极端化的行业，但需结合基本面验证 2. **模型名称：溢价率Z-score模型** - **模型构建思路**：通过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：$$溢价率 = (市价 - IOPV)/IOPV \times 100\%$$ 2. 滚动计算溢价率的均值（μ）和标准差（σ） 3. 计算Z-score：$$Z = (当前溢价率 - μ)/σ$$ 4. 设定阈值（如|Z|>2）生成交易信号 - **模型评价**：对短期套利策略有效，但需警惕市场流动性风险 --- 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**：跟踪主力资金流向，反映大资金对行业的偏好[14] - **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. 计算滚动窗口（如3日）累计净流入 3. 标准化处理得到行业间可比分值 - **因子评价**：对短期行业轮动有较强解释力 2. **因子名称：ETF资金流因子** - **因子构建思路**：通过ETF净申购数据捕捉资金动向[6] - **因子具体构建过程**： 1. 分类统计宽基/行业/跨境ETF的单日净流入金额 2. 计算资金流占比：$$资金流占比 = 单类ETF净流入 / 全市场ETF总规模$$ 3. 结合历史分位数判断资金偏好 --- 模型的回测效果 1. **行业拥挤度监测模型**： - 高拥挤度行业（机械设备、电力设备）后续3日平均超额收益：-1.2%[4] - 低拥挤度行业（传媒、电子）后续3日平均超额收益：+0.8%[4] 2. **溢价率Z-score模型**： - 触发信号ETF的3日套利成功率：68%[5] - 年化IR：1.5[5] --- 因子的回测效果 1. **主力资金净流入因子**： - 3日净流入TOP3行业（汽车、电力设备）后续5日胜率：62%[14] - 20日Rank IC：0.15[14] 2. **ETF资金流因子**： - 宽基ETF净流入与沪深300指数次日相关性：0.43[6] - 跨境ETF净流入与恒生指数3日滞后beta：0.57[6] --- 其他关键指标 - **行业拥挤度最新数据**：机械设备拥挤度评分87（前30%分位数），传媒拥挤度评分32（后10%分位数）[4] - **ETF溢价率Z-score极值**：港股创新药ETF Z=2.3（溢价0.67%），恒生医疗ETF Z=-2.1（折价0.53%）[7]

量化模型与构建方式 1. **模型名称**：申万一级有色金属趋势跟踪模型 - **模型构建思路**：基于价格趋势延续性假设，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（标准差） 3. 趋势判断规则： - 若$|del| > N \times Vol$（N=1），则认定趋势方向与del符号一致（正为多头，负为空头） - 若$|del| \leq N \times Vol$，则延续T-1日趋势方向[3] - **模型评价**：在指数回报率趋近0时表现不佳，对剧烈波动行情适应性较弱[4] 模型的回测效果 1. **申万一级有色金属趋势跟踪模型**： - 年化收益：-4.71% - 年化波动率：24.98% - 夏普率：-0.19 - 最大回撤：25.42% - 指数期间总回报率：-0.03%[3] 图表说明 - 净值曲线显示模型在2023年11月后短暂回归正收益，但整体呈震荡下行（图表1）[5] - 最大回撤绝对值达25.42%，主要发生在2024年2月至4月期间（图表4）[8] （注：报告中未涉及量化因子相关内容，故不输出该部分）

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：衡量涨停股票在盘中维持涨停至收盘的能力[16] - 具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月以上的股票，计算当日最高价涨停且收盘仍涨停的股票占比[16] - 因子评价：反映市场短期投机情绪的稳定性 2. **因子名称：连板率** - 构建思路：评估涨停股票的持续性强弱[16] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 筛选上市满3个月的股票，计算连续两日涨停的股票占前一日涨停股票的比例[16] - 因子评价：可捕捉市场热点延续性 3. **因子名称：大宗交易折价率** - 构建思路：通过大宗交易价格偏离度反映机构交易情绪[25] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计单笔成交金额达标的大宗交易，计算加权平均成交价相对市值的偏离度[25] 4. **因子名称：股指期货年化贴水率** - 构建思路：量化期货市场对现货指数的预期偏差[27] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 计算主力合约基差（期货-现货）并年化处理，覆盖上证50/沪深300/中证500/中证1000指数[27] 因子回测效果 1. **封板率因子** - 当日取值：61%（较前日下降15%）[16] - 近一月趋势：创阶段新低[16] 2. **连板率因子** - 当日取值：13%（较前日下降11%）[16] - 近一月趋势：创近一个月新低[16] 3. **大宗交易折价率因子** - 当日取值：10.33%（近半年平均5.37%）[25] - 近期特征：创近半年折价率新高[25] 4. **股指期货年化贴水率因子** - 上证50：0.04%（近一年中位数0.24%）[27] - 沪深300：3.16%（近一年中位数1.29%）[27] - 中证500：9.90%（近一年中位数6.47%）[27] - 中证1000：13.08%（近一年中位数10.64%）[27] 注：报告中未涉及量化模型的具体构建，仅包含市场监测类因子。所有因子数据均基于20250326-20250327交易日的实时计算结果[16][25][27]

根据提供的研报内容，未发现涉及量化模型或量化因子的具体构建方法、公式或测试结果。文档主要包含以下信息： 1. 北交所与A股市场对比数据： - 北证50与沪深300指数涨跌幅对比图表[2] - 北证与A股各行业当日涨跌幅对比（算数平均）[5] - 北证成交额与换手率变化趋势图表[7] 2. 个股市场数据： - 涨幅前十股票财务数据（含市盈率、市值等指标）[8] - 跌幅前十股票财务数据[9] 3. 估值分析： - 北证与双创板块估值变化对比图表[10][11] - 北交所公司分行业市盈率与市净率分布[12][13] 4. 其他内容： - 风险提示[14] - 分析师信息[15] - 免责声明与评级标准[16][17][18] 注：文档中未发现具体的量化模型构建方法、因子计算公式或回测结果等量化分析相关内容。

量化模型与构建方式 1.模型名称：封板率模型；模型构建思路：通过计算最高价涨停且收盘涨停的股票数与最高价涨停的股票数的比值，来衡量市场的封板情况；模型具体构建过程：封板率=最高价涨停且收盘涨停的股票数/最高价涨停的股票数[15] 2.模型名称：连板率模型；模型构建思路：通过计算连续两日收盘涨停的股票数与昨日收盘涨停的股票数的比值，来衡量市场的连板情况；模型具体构建过程：连板率=连续两日收盘涨停的股票数/昨日收盘涨停的股票数[15] 模型的回测效果 1.封板率模型，封板率76%[15] 2.连板率模型，连板率24%[15] 量化因子与构建方式 1.因子名称：大宗交易折价率因子；因子的构建思路：通过计算大宗交易总成交金额与当日成交份额的总市值的比值，来衡量大宗交易的折价情况；因子具体构建过程：折价率=大宗交易总成交金额/当日成交份额的总市值-1[24] 2.因子名称：股指期货年化贴水率因子；因子的构建思路：通过计算股指期货基差与指数价格的比值，并年化处理，来衡量股指期货的贴水情况；因子具体构建过程：年化贴水率=基差/指数价格*(250/合约剩余交易日数)[26] 因子的回测效果 1.大宗交易折价率因子，折价率8.38%[24] 2.股指期货年化贴水率因子，上证50年化贴水率0.21%，沪深300年化贴水率3.08%，中证500年化贴水率13.84%，中证1000年化贴水率14.23%[26]

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，以识别拥挤度较高和较低的行业[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产品的溢价率Z-score，搭建ETF产品筛选信号模型，以识别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：主力资金净流入额**[3][12] * **因子构建思路**：衡量特定时间段内（如单日、近三个交易日）流向某个行业或ETF的主力资金净额[3][12] * **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**：资金流入可能代表市场看好，资金流出可能代表市场看淡[3][12] 3. **因子名称：IOPV溢价率**[7] * **因子构建思路**：衡量ETF市价与其参考净值（IOPV）之间的偏离程度[7] * **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**：较高的溢价率可能提示潜在套利机会或回调风险[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/因子的应用结果 1. **行业拥挤度监测结果**（数据截止2025/3/25）[3] * 拥挤度较高行业：机械设备、钢铁、社会服务[3] * 拥挤度较低行业：房地产、非银金融、传媒[3] * 单日拥挤度变动较大行业：煤炭、公用事业[3] 2. **主力资金流向结果**（数据截止2025/3/25）[3][12] * 前一交易日（T日）主力资金流入行业：基础化工、煤炭[3] * 前一交易日（T日）主力资金流出行业：计算机、电子[3] * 近三个交易日主力资金增配行业：煤炭、公用事业[3] * 近三个交易日主力资金减配行业：计算机、电子[3] 3. **ETF产品关注信号结果**（数据截止2025/3/25）[13] * 建议关注ETF：中药ETF(159647.SZ)、医疗器械指数ETF(159898.SZ)、电力ETF(561560.SH)、医疗器械ETF基金(159797.SZ)、中证500增强ETF易方达(563030.SH)[13]

量化模型与构建方式 1. **模型名称**：科技股票池筛选模型 **模型构建思路**：通过筛选科技指数成分股与TMT板块个股，构建科技股票池，并基于持仓占比筛选主动科技主题基金[2] **模型具体构建过程**： - 取科技指数的所有成分股，与中信一级行业属于TMT板块的个股取并集，记为科技股票池 - 计算主动权益基金近4期所有持股在科技股票池中持仓占比的均值及最小值 - 将持仓占比均值大于60%且最小值大于40%的主动权益基金定义为主动科技主题基金[2] **模型评价**：该模型能够有效筛选出专注于科技主题的主动基金，但依赖于持仓数据的准确性[2] 模型的回测效果 1. **科技股票池筛选模型**，主动科技主题基金区间收益最小值为-32.68%，最大值为69.23%，中位数为9.36%[2] 2. **科技股票池筛选模型**，被动科技主题基金区间收益最小值为-4.20%，最大值为41.88%，中位数为21.11%[5] 量化因子与构建方式 1. **因子名称**：科技指数市值风格因子 **因子构建思路**：通过计算科技指数成分股的市值分布，将科技指数划分为大市值、中大市值、小市值及均衡市值风格[39] **因子具体构建过程**： - 大市值风格：成分股中总市值在1000亿以上的权重占比在50%以上 - 中大市值风格：成分股中总市值在300亿-1000亿的权重占比在50%以上 - 小市值风格：成分股中总市值在300亿以下的权重占比在50%以上 - 均衡市值风格：不属于上述三种风格的科技指数[39] **因子评价**：该因子能够有效刻画科技指数的市值风格，但需定期更新成分股市值数据[39] 2. **因子名称**：科技指数收益因子 **因子构建思路**：通过计算科技指数在不同科技周期中的区间收益及最大回撤，分析其业绩表现[23] **因子具体构建过程**： - 计算科技指数在每轮科技周期中的区间收益及最大回撤 - 分析区间收益排名前60%的科技指数[36] **因子评价**：该因子能够识别出在不同科技周期中表现优异的科技指数，但需结合具体市场环境解读[23] 因子的回测效果 1. **科技指数市值风格因子**，大市值风格科技指数成分股中总市值在1000亿以上的权重占比为82.71%[40] 2. **科技指数收益因子**，软件指数在4轮科技周期中的区间收益排名均在前60%[36]

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**：日经225指数模型 **模型构建思路**：基于东京证券交易所Prime市场板块中成交量、流通性排名靠前的225只股票构建，反映日本市场代表性企业的整体表现[63] **模型具体构建过程**： - 选股范围：东证Prime市场板块 - 筛选指标：成交量与市场流通性排名前225的股票 - 加权方式：价格加权法，公式为： $$ w_i = \frac{P_i}{\sum_{j=1}^{225} P_j} $$ 其中$P_i$为第$i$只股票的价格 **模型评价**：权重集中度高，前十大成分股权重合计达42.3%，科技板块占比突出[64][66] 2. **模型名称**：东证指数模型 **模型构建思路**：全面覆盖东证Prime板块上市企业，采用自由流通市值加权，反映市场整体表现[63] **模型具体构建过程**： - 选股范围：东证Prime板块全部股票（截至2025年1月共1696只） - 加权方式：自由流通市值加权，公式为： $$ w_i = \frac{M_i \times F_i}{\sum_{j=1}^{1696} M_j \times F_j} $$ 其中$M_i$为总市值，$F_i$为自由流通比例 **模型评价**：行业分布均衡，传统行业（如工业、可选消费）占比高，前十大成分股权重合计21.3%[64][67] --- 量化因子与构建方式 1. **因子名称**：ROE因子 **因子构建思路**：反映企业盈利能力，用于筛选高ROE成分股[66][67] **因子具体构建过程**： - 计算单只股票ROE： $$ ROE = \frac{\text{净利润}}{\text{净资产}} $$ - 因子取值：直接采用Wind计算的2024年ROE数据 **因子评价**：日经225指数中ROE最高成分股达21.96%（中外制药），显著影响指数表现[66] 2. **因子名称**：行业动量因子 **因子构建思路**：捕捉行业轮动效应，基于行业涨跌幅筛选强势板块[61] **因子具体构建过程**： - 按Wind一级行业分类计算行业平均涨跌幅 - 因子取值： $$ Momentum_{k} = \frac{1}{n_k}\sum_{i \in S_k} R_i $$ 其中$S_k$为第$k$行业股票集合，$n_k$为股票数量，$R_i$为个股收益率 **因子评价**：2024年医疗保健、金融等行业动量效应显著（平均涨幅超20%）[61] --- 模型的回测效果 1. **日经225指数模型** - 年化收益率：8.11%（2012-2025）[72] - 年化波动率：20.68%[77] - 最大回撤：-27.43%[77] - 夏普比率：0.81[77] 2. **东证指数模型** - 年化收益率：7.28%（2012-2025）[72] - 年化波动率：18.41%[77] - 最大回撤：-24.36%[77] - 夏普比率：0.77[77] --- 因子的回测效果 1. **ROE因子** - 高ROE组年化收益：19.5%（TOPX500价值指数）[78] - 低ROE组年化收益：8.5%（TOPX成长指数）[78] - 多空收益差：11.0%[78] 2. **行业动量因子** - 强势行业年化收益：35.7%（东证高股息40指数）[79] - 弱势行业年化收益：-6.2%（成长市场指数）[78] （注：部分测试结果引用自衍生指数表现，因原报告未直接给出因子分层回测结果）

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： 量化模型与构建方式 1. **封板率模型** - 模型构建思路：通过统计最高价涨停且收盘涨停的股票数与最高价涨停的股票数的比值，反映市场情绪[17] - 模型具体构建过程： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 其中分子为当日同时满足最高价涨停和收盘涨停的股票数量，分母为盘中最高价涨停的股票总数[17] 2. **连板率模型** - 模型构建思路：衡量连续两日涨停的股票占比，反映市场追涨情绪的持续性[17] - 模型具体构建过程： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 分子为昨日和今日均收盘涨停的股票数，分母为昨日收盘涨停的总股票数[17] 3. **股指期货年化贴水率模型** - 模型构建思路：计算股指期货主力合约与现货指数的基差年化值，用于评估市场预期和套利成本[28] - 模型具体构建过程： $$年化贴水率 = \frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right)$$ 基差=期货价格-现货价格，250为年化交易日数[28] 量化因子与构建方式 1. **大宗交易折价率因子** - 因子构建思路：通过大宗交易成交价与市价的偏离程度反映大资金动向[26] - 因子具体构建过程： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ 总市值为大宗交易股票当日收盘价×成交股数[26] 2. **ETF折溢价因子** - 因子构建思路：监测ETF场内交易价格与净值的偏离，捕捉套利机会[23] - 因子具体构建过程：直接取Wind计算的场内溢价率，公式为： $$溢价率 = \frac{ETF收盘价 - 基金净值}{基金净值}$$ 对日成交额>100万的股票型ETF进行筛选[23] 模型的回测效果 1. **封板率模型** - 当日封板率61%，较前日下降3%[17] 2. **连板率模型** - 当日连板率28%，较前日提升3%[17] 因子的回测效果 1. **大宗交易折价率因子** - 近半年平均折价率5.26%，当日折价率5.71%[26] 2. **ETF折溢价因子** - 2000ETF增强当日溢价1.53%，物联网ETF招商折价0.71%[23] 3. **股指期货年化贴水率因子** - 中证1000股指期货当日贴水率13.33%，处于近一年34%分位点[28] - 中证500股指期货当日贴水率12.80%，处于近一年13%分位点[28] 模型评价 1. 封板率与连板率模型能有效捕捉短线资金情绪，但对极端市场环境敏感[17] 2. 股指期货贴水率模型在跨期套利和风险管理中具有实用价值[28] 因子评价 1. 大宗交易折价率因子对机构资金流向有较强指示意义[26] 2. ETF折溢价因子需结合流动性筛选以避免小规模ETF的噪音干扰[23]

根据提供的研报内容，报告主要对各类量化基金的表现进行了统计和总结，并未涉及具体的量化模型或量化因子的构建思路、过程和公式。报告内容集中于基金业绩的回顾，属于绩效统计范畴，而非模型或因子构建的方法论阐述[1][2][3]。 因此，本总结中**没有**需要列出的量化模型或量化因子内容。 **量化模型与构建方式** （无相关内容） **模型的回测效果** （无相关内容） **量化因子与构建方式** （无相关内容） **因子的回测效果** （无相关内容）