根据研报内容，总结如下： 量化模型与构建方式 **1 模型名称：期现连续对冲策略[44]** - 模型构建思路：通过做空股指期货合约来对冲持有现货指数的风险，利用基差收敛效应获取收益或降低风险[44] - 模型具体构建过程： - 现货端：持有对应标的指数的全收益指数，使用70%资金[44] - 期货端：做空对冲端使用金额相同名义本金的股指期货合约，占用剩余30%资金[44] - 调仓规则：连续持有季月/当月合约，直至该合约离到期剩余不足2日，在当日以收盘价进行平仓，并同时以当日收盘价继续卖空下一季月/当月合约[44] - 资金调整：每次调仓后根据产品净值重新计算现货及期货端数量[44] **2 模型名称：期现最低贴水对冲策略[45]** - 模型构建思路：在期现对冲基础上，通过选择年化基差贴水幅度最小的合约进行优化，旨在降低对冲成本[45] - 模型具体构建过程： - 现货端：持有对应标的指数的全收益指数，使用70%资金[45] - 期货端：做空对冲端使用金额相同名义本金的股指期货合约，占用剩余30%资金[45] - 调仓规则：调仓时对当日所有可交易期货合约的年化基差进行计算，选择年化基差贴水幅度最小的合约进行开仓[45] - 持有规则：同一合约持有8个交易日之后或该合约离到期剩余不足2日，才能进行选择新合约（排除剩余到期日不足8日的期货合约）[45] - 资金调整：每次调仓后根据产品净值重新计算现货及期货端数量[45] **3 因子名称：分红调整年化基差[20]** - 因子构建思路：在分析合约基差时剔除分红的影响，获得更真实的基差水平[19][20] - 因子具体构建过程： - 预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红[20] - 年化基差计算公式：$$年化基差 = \frac{(实际基差 + (预期)分红点位)}{指数价格} \times \frac{360}{合约剩余天数}$$[20] **4 因子名称：信达波动率指数 Cinda-VIX[61]** - 因子构建思路：反映期权市场投资者对标的资产未来波动的预期，借鉴海外经验并结合我国场内期权市场实际情况进行调整[61] - 因子评价：能够准确反映我国市场波动性，具有期限结构特征[61] **5 因子名称：信达波动率偏度指数 Cinda-SKEW[67]** - 因子构建思路：捕捉不同行权价格期权隐含波动率的偏斜特征，衡量市场对标的资产未来收益分布的预期[67] - 因子具体构建过程：通过分析SKEW指数的数值及其变化趋势，洞察市场对标的资产未来潜在风险的忧虑[68] - 因子评价：能够捕捉市场对负面事件的预期，被称为"黑天鹅指数"[68] 模型的回测效果 **IC对冲策略表现（回测区间：2022年7月22日至2025年10月17日）[46][47]** - 当月连续对冲模型：年化收益-3.08%，波动率3.87%，最大回撤-9.77%，净值0.9043，年换手次数12，2025年以来收益-5.03%[47] - 季月连续对冲模型：年化收益-2.11%，波动率4.79%，最大回撤-8.34%，净值0.9339，年换手次数4，2025年以来收益-2.01%[47] - 最低贴水策略模型：年化收益-1.54%，波动率4.60%，最大回撤-7.97%，净值0.9512，年换手次数17.12，2025年以来收益-2.75%[47] - 指数表现：年化收益3.46%，波动率21.10%，最大回撤-31.46%，净值1.1155，2025年以来收益26.51%[47] **IF对冲策略表现（回测区间：2022年7月22日至2025年10月17日）[48][52]** - 当月连续对冲模型：年化收益0.47%，波动率2.95%，最大回撤-3.95%，净值1.0151，年换手次数12，2025年以来收益-0.82%[52] - 季月连续对冲模型：年化收益0.70%，波动率3.30%，最大回撤-4.03%，净值1.0225，年换手次数4，2025年以来收益0.27%[52] - 最低贴水策略模型：年化收益1.23%，波动率3.07%，最大回撤-4.06%，净值1.0401，年换手次数15.25，2025年以来收益0.65%[52] - 指数表现：年化收益1.98%，波动率17.13%，最大回撤-25.59%，净值1.0651，2025年以来收益18.16%[52] **IH对冲策略表现（回测区间：2022年7月22日至2025年10月17日）[53][56]** - 当月连续对冲模型：年化收益1.09%，波动率3.03%，最大回撤-4.22%，净值1.0355，年换手次数12，2025年以来收益0.47%[56] - 季月连续对冲模型：年化收益1.99%，波动率3.44%，最大回撤-3.75%，净值1.0654，年换手次数4，2025年以来收益1.60%[56] - 最低贴水策略模型：年化收益1.73%，波动率3.05%，最大回撤-3.91%，净值1.0568，年换手次数15.87，2025年以来收益1.56%[56] - 指数表现：年化收益1.29%，波动率16.21%，最大回撤-22.96%，净值1.0419，2025年以来收益13.69%[56] **IM对冲策略表现（回测区间：2022年7月22日至2025年10月17日）[57][58]** - 当月连续对冲模型：年化收益-6.24%，波动率4.76%，最大回撤-14.00%，净值0.8281，年换手次数12，2025年以来收益-11.12%[58] - 季月连续对冲模型：年化收益-4.58%，波动率5.80%，最大回撤-12.63%，净值0.8487，年换手次数4，2025年以来收益-6.07%[58] - 最低贴水策略模型：年化收益-4.17%，波动率5.55%，最大回撤-11.11%，净值0.8646，年换手次数15.88，2025年以来收益-6.35%[58] - 指数表现：年化收益0.36%，波动率25.62%，最大回撤-41.60%，净值0.8911，2025年以来收益23.95%[58] 因子的回测效果 **分红调整年化基差因子取值（截至2025年10月17日）[21][27][32][37]** - IC当季合约：-12.08%[21] - IF当季合约：-3.13%[27] - IH当季合约：0.03%[32] - IM当季合约：-12.80%[37] **信达波动率指数 Cinda-VIX 因子取值（截至2025年10月17日）[61]** - 上证50VIX_30：22.97[61] - 沪深300VIX_30：24.07[61] - 中证500VIX_30：35.47[61] - 中证1000VIX_30：30.70[61] **信达波动率偏度指数 Cinda-SKEW 因子取值（截至2025年10月17日）[68]** - 上证50SKEW：103.13[68] - 沪深300SKEW：102.83[68] - 中证500SKEW：99.44[68] - 中证1000SKEW：99.76[68]

根据提供的研报内容，以下是关于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：优秀基金业绩增强组合** - 模型构建思路：将对标基准从宽基指数转变为主动股基，在借鉴优秀基金持仓的基础上，采用量化方法进行增强，以达到优中选优的目的[4][45] - 模型具体构建过程：首先对基金进行优选，为避免基金收益类指标在市场风格突变时出现反转及持股风格集中化问题，对收益类因子进行分层中性化处理，构建基于业绩分层视角的优选基金组合[45]；然后，以该优选基金组合的补全持仓作为选股空间和对标基准，采用组合优化的方法控制组合与优选基金持仓在个股偏离、行业偏离及风格上的偏离，从而构建最终的投资组合[46] 2. **模型名称：超预期精选组合** - 模型构建思路：以业绩超预期事件为核心，对超预期股票池进行基本面和技术面两个维度的精选，挑选出同时具备基本面支撑和技术面共振的股票构建组合[5][51] - 模型具体构建过程：首先，以研报标题出现“超预期”与分析师全线上调净利润为条件，筛选出超预期事件股票池[5][51]；接着，对该股票池中的股票分别从基本面和技术面两个维度进行进一步筛选，最终构建超预期精选股票组合[5][51] 3. **模型名称：券商金股业绩增强组合** - 模型构建思路：以蕴含Alpha潜力且能反映公募基金前瞻性判断的券商金股股票池为基础，通过组合优化方法进行精选，旨在稳定战胜偏股混合型基金指数[6][56] - 模型具体构建过程：以券商金股股票池作为选股空间和约束基准，采用组合优化的方式控制组合与券商金股股票池在个股、风格上的偏离，构建最终的业绩增强组合[6][56] 4. **模型名称：成长稳健组合** - 模型构建思路：采用“先时序、后截面”的二维评价体系，重点捕捉成长股在利好事件（如财报发布）前超额收益释放的黄金期，并进行多因子精选和风险控制，以高效获取成长股超额收益[7][35][61] - 模型具体构建过程：首先，以研报标题出现“超预期”及上市公司业绩预增为条件筛选成长股股票池[7][61]；然后，根据股票距离正式财报预约披露日的间隔天数进行分档，优先选择距离财报预约披露日较近的股票[7][61]；当样本数量较多时，采用多因子打分的方法精选优质个股[7][61]；此外，还引入了弱平衡机制、跃迁机制、缓冲机制和风险规避机制以降低组合换手率和规避风险，最终构建100只股票的等权组合[7][61] 模型的回测效果 1. **优秀基金业绩增强组合** - 全样本区间（2012.1.4-2025.6.30）年化收益（考虑仓位）：20.31%[47] - 全样本区间相对偏股混合型基金指数年化超额收益：11.83%[47] - 2025年（截至10月17日）绝对收益（考虑仓位）：24.22%[2][14][22] - 2025年（截至10月17日）相对偏股混合型基金指数超额收益：-3.30%[2][14][22] - 2025年（截至10月17日）在主动股基中排名分位点：52.75%[2][14][22] 2. **超预期精选组合** - 全样本区间（2010.1.4-2025.6.30）年化收益（考虑仓位）：30.55%[52] - 全样本区间相对偏股混合型基金指数年化超额收益：24.68%[52] - 2025年（截至10月17日）绝对收益（考虑仓位）：38.46%[2][14][28] - 2025年（截至10月17日）相对偏股混合型基金指数超额收益：10.94%[2][14][28] - 2025年（截至10月17日）在主动股基中排名分位点：23.23%[2][14][28] 3. **券商金股业绩增强组合** - 全样本区间（2018.1.2-2025.6.30）年化收益（考虑仓位）：19.34%[57] - 全样本区间相对偏股混合型基金指数年化超额收益：14.38%[57] - 2025年（截至10月17日）绝对收益（考虑仓位）：27.24%[2][14][34] - 2025年（截至10月17日）相对偏股混合型基金指数超额收益：-0.27%[2][14][34] - 2025年（截至10月17日）在主动股基中排名分位点：45.06%[2][14][34] 4. **成长稳健组合** - 全样本区间（2012.1.4-2025.6.30）年化收益（考虑仓位）：35.51%[62] - 全样本区间相对偏股混合型基金指数年化超额收益：26.88%[62] - 2025年（截至10月17日）绝对收益（考虑仓位）：48.25%[3][14][39] - 2025年（截至10月17日）相对偏股混合型基金指数超额收益：20.74%[3][14][39] - 2025年（截至10月17日）在主动股基中排名分位点：10.72%[3][14][39]

根据研报内容，以下是关于量化模型、量化因子的总结： 量化模型与构建方式 1. **模型名称：PB-ROE-50 组合**[2][24] **模型构建思路：** 基于市净率（PB）和净资产收益率（ROE）这两个基本面指标进行选股，旨在寻找估值合理且盈利能力强的公司[24] **模型具体构建过程：** 报告未详细描述该组合的具体构建步骤和筛选标准，仅提及组合名称和其跟踪表现[24][25] 2. **模型名称：机构调研组合**[3][26] **模型构建思路：** 基于机构调研行为构建选股策略，包括公募调研选股策略和私募调研跟踪策略，认为机构的调研活动蕴含了选股信息[3][26] **模型具体构建过程：** 报告未详细描述该组合的具体构建步骤和筛选标准[26][27] 3. **模型名称：大宗交易组合**[3][30] **模型构建思路：** 基于大宗交易事件，通过统计分析发现“大宗交易成交金额比率”越高、“6日成交金额波动率”越低的股票后续表现更佳，依据“高成交、低波动”原则构建组合[30] **模型具体构建过程：** 采用月频调仓方式构造大宗交易组合，具体构建方法可参考2023年8月5日的报告《提炼大宗交易背后蕴含的超额信息——量化选股系列报告之十一》[30] 4. **模型名称：定向增发组合**[3][36] **模型构建思路：** 基于定向增发事件，以股东大会公告日为时间节点，挖掘定向增发事件带来的投资机会[36] **模型具体构建过程：** 在构建组合时综合考虑了市值因素、调仓周期以及对仓位的控制，具体构建方法可参考2023年11月26日的报告《多角度解析定向增发中的投资机会——量化选股系列报告之十二》[36] 模型的回测效果 1. **PB-ROE-50 组合**[25] 本周超越基准收益率（中证500）：0.15% 本周超越基准收益率（中证800）：-1.50% 本周超越基准收益率（全市场）：-2.52% 今年以来超额收益率（中证500）：3.60% 今年以来超额收益率（中证800）：15.72% 今年以来超额收益率（全市场）：20.48% 本周绝对收益率（中证500）：-5.02% 本周绝对收益率（中证800）：-4.48% 本周绝对收益率（全市场）：-5.90% 今年以来绝对收益率（中证500）：26.95% 今年以来绝对收益率（中证800）：35.06% 今年以来绝对收益率（全市场）：43.36% 2. **机构调研组合**[27] **公募调研选股策略：** 本周超越基准收益率（中证800）：-0.94% 今年以来超额收益率（中证800）：11.01% 本周绝对收益率：-3.93% 今年以来绝对收益率：29.56% **私募调研跟踪策略：** 本周超越基准收益率（中证800）：-4.83% 今年以来超额收益率（中证800）：13.95% 本周绝对收益率：-7.71% 今年以来绝对收益率：33.00% 3. **大宗交易组合**[31] 本周超越基准收益率（中证全指）：1.56% 今年以来超额收益率（中证全指）：33.14% 本周绝对收益率：-1.96% 今年以来绝对收益率：58.41% 4. **定向增发组合**[37] 本周超越基准收益率（中证全指）：1.86% 今年以来超额收益率（中证全指）：-3.31% 本周绝对收益率：-1.67% 今年以来绝对收益率：15.04% 量化因子与构建方式 1. **因子名称：动量因子**[1][18] **因子构建思路：** 捕捉股票价格的趋势效应[1] **因子具体构建过程：** 报告未提供具体构建公式 2. **因子名称：Beta 因子**[1][18] **因子构建思路：** 衡量股票相对于市场的系统性风险[1] **因子具体构建过程：** 报告未提供具体构建公式 3. **因子名称：市值因子**[1][18] **因子构建思路：** 反映公司规模大小对收益的影响[1] **因子具体构建过程：** 报告未提供具体构建公式，但提及了“对数市值因子”[13][15][17] 4. **因子名称：非线性市值因子**[1][18] **因子构建思路：** 捕捉市值与收益之间的非线性关系[1] **因子具体构建过程：** 报告未提供具体构建公式 5. **因子名称：5日成交量的标准差**[12][13] **因子构建思路：** 衡量近期成交量波动程度[12] **因子具体构建过程：** 报告未提供具体构建公式 6. **因子名称：下行波动率占比**[12][14][16] **因子构建思路：** 衡量下行风险相对于总波动的比例[12][14][16] **因子具体构建过程：** 报告未提供具体构建公式 7. **因子名称：成交量的5日指数移动平均**[12][14] **因子构建思路：** 使用指数移动平均平滑近期成交量，反映成交量趋势[12][14] **因子具体构建过程：** 报告未提供具体构建公式 8. **因子名称：市盈率TTM倒数**[12][14][16] **因子构建思路：** 估值因子，市盈率的倒数，也称为盈利收益率[12][14][16] **因子具体构建过程：** 报告未提供具体构建公式 9. **因子名称：日内波动率与成交金额的相关性**[12][14][16] **因子构建思路：** 捕捉价格波动与成交金额之间的关系[12][14][16] **因子具体构建过程：** 报告未提供具体构建公式 10. **因子名称：市净率因子 (BP因子)**[12][14][16][22] **因子构建思路：** 估值因子，衡量股价与每股净资产的关系[12][14][16][22] **因子具体构建过程：** 报告未提供具体构建公式 11. **因子名称：市盈率因子**[12][14][16] **因子构建思路：** 估值因子，衡量股价与每股收益的关系[12][14][16] **因子具体构建过程：** 报告未提供具体构建公式 12. **因子名称：EPT TM分位点**[13][15][17] **因子构建思路：** 估值因子，可能为盈利价格比在一定时期内的分位数[13][15][17] **因子具体构建过程：** 报告未提供具体构建公式 13. **因子名称：市销率TTM倒数**[13][15][17] **因子构建思路：** 估值因子，市销率的倒数[13][15][17] **因子具体构建过程：** 报告未提供具体构建公式 14. **因子名称：5日反转**[12][14][16] **因子构建思路：** 短期反转效应，近期表现差的股票未来可能反弹[12][14][16] **因子具体构建过程：** 报告未提供具体构建公式 15. **因子名称：5日平均换手率**[14][15] **因子构建思路：** 流动性因子，衡量近期股票交易活跃度[14][15] **因子具体构建过程：** 报告未提供具体构建公式 16. **因子名称：净资产增长率因子**[22] **因子构建思路：** 基本面因子，反映公司净资产的增长情况[22] **因子具体构建过程：** 报告未提供具体构建公式 17. **因子名称：净利润增长率因子**[22] **因子构建思路：** 基本面因子，反映公司净利润的增长情况[22] **因子具体构建过程：** 报告未提供具体构建公式 18. **因子名称：每股净资产因子**[22] **因子构建思路：** 基本面因子，反映公司的账面价值[22] **因子具体构建过程：** 报告未提供具体构建公式 19. **因子名称：每股经营利润TTM因子**[22] **因子构建思路：** 基本面因子，反映公司持续经营业务的盈利能力[22] **因子具体构建过程：** 报告未提供具体构建公式 20. **因子名称：EP因子**[22] **因子构建思路：** 估值因子，盈利价格比[22] **因子具体构建过程：** 报告未提供具体构建公式 21. **因子名称：残差波动率因子**[22] **因子构建思路：** 风险因子，衡量无法被市场因素解释的特有波动[22] **因子具体构建过程：** 报告未提供具体构建公式 22. **因子名称：流动性因子**[22] **因子构建思路：** 衡量股票的变现能力[22] **因子具体构建过程：** 报告未提供具体构建公式 因子的回测效果 *注：报告提供了大量因子在不同股票池和不同时间窗口的表现数据[13][15][17][18][22][23]，由于因子数量众多且指标值列表庞大，此处不逐一罗列每个因子在所有指标下的具体数值。回测效果的具体数值请参考原报告中的对应图表（图1, 图2, 图3, 图4, 图5及相应表格）[13][15][17][20][23]。报告中因子表现的指标主要包括最近1周收益、最近1个月收益、最近1年收益、最近10年收益以及净值曲线等[13][15][17]。*

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：港股精选组合模型**[14][15] - **模型构建思路**：该模型旨在对分析师推荐股票池进行基本面和技术面的双层优选，挑选出同时具备基本面支撑和技术面共振的超预期股票[14][15] - **模型具体构建过程**： 1. 首先构建分析师推荐股票池，事件包括：分析师上调盈利预测、分析师首次关注、分析师研报标题超预期事件[15] 2. 接着对分析师推荐股票池中的股票进行基本面和技术面两个维度的精选[15] 3. 最终构建港股精选股票组合[15] - **模型评价**：该策略在回测区间内表现出色，获得了显著的超额收益[15] **2 模型/因子名称：平稳创新高股票筛选模型/因子**[21][23][24] - **模型/因子构建思路**：基于动量效应和趋势跟踪策略的有效性，通过多维度指标在创出250日新高的股票池中筛选出趋势平稳、质量较高的创新高股票[21][23] - **模型/因子具体构建过程**： 1. **基础股票池**：全部港股，但需剔除成立时间不超过15个月的股票[24] 2. **核心指标 - 250日新高距离**：用于量化创新高情况，计算公式为： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 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。若最新收盘价创出新高，则该值为0；否则为正值，表示回落幅度[23] 3. **筛选条件**（在过去20个交易日创出过250日新高的股票池中筛选）： - **分析师关注度**：过去6个月买入或增持评级的分析师研报不少于5份[24] - **股价相对强弱**：过去250日涨跌幅位于样本池前20%[24] - **股价平稳性**：在满足上述条件的股票池内，用以下两个指标综合打分，取排名在前50%的股票（最少取50只）[24] - **价格路径平滑性（位移路程比）**：`过去120日涨跌幅绝对值 / 过去120日日涨跌幅绝对值加总`[23][24] - **创新高持续性**：过去120日的250日新高距离在时间序列上的均值[24] - **趋势延续性**：过去5日的250日新高距离在时间序列上的均值，取排序靠前的50只股票[24] 模型的回测效果 **1 港股精选组合模型**[15][18][20] - 回测区间：20100101-20250630[15] - 绝对年化收益：19.11%[15] - 相对恒生指数超额年化收益：18.48%[15] - 信息比率 (IR)：1.22[20] - 跟踪误差：14.55%[20] - 收益回撤比：0.78[20] - 最大回撤：23.73%[20] - 相对最大回撤：未在提供片段中明确列出具体数值 - 本周（20251013-20251017）绝对收益：-5.65%[18] - 本周（20251013-20251017）超额收益（相对恒指）：-1.68%[18] - 本年（20250102-20251017）绝对收益：66.58%[18] - 本年（20250102-20251017）超额收益（相对恒指）：40.72%[18] **2 平稳创新高股票筛选模型/因子** - 提供了筛选出的股票列表及部分特征数据（如250日新高距离、过去250日涨跌幅等），但未提供该筛选方法作为一个整体策略的明确回测绩效指标（如年化收益、信息比率等）[29]

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：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**：用于搭建ETF产品筛选信号模型，通过滚动测算提供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 报告未涉及具体的量化因子构建内容。 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。

根据研报内容，总结如下： 量化因子与构建方式 **1 因子名称：转股溢价率偏离度因子** - **因子构建思路**：衡量单只转债的转股溢价率相对于其理论拟合值的偏离程度，以评估估值是否异常[19] - **因子具体构建过程**：首先在每个时间截面上，使用全市场转债数据拟合转股溢价率与转股价值的关系曲线，拟合公式为 $$y_{i}=\alpha_{0}+\,\alpha_{1}\cdot\,{\frac{1}{x_{i}}}+\epsilon_{i}$$，其中 $y_i$ 为第 $i$ 只转债的转股溢价率，$x_i$ 为第 $i$ 只转债的转股价值[42]；接着计算每只转债的实际转股溢价率与拟合值的差值，即：转股溢价率偏离度 = 转股溢价率 − 拟合转股溢价率[19] **2 因子名称：理论价值偏离度因子（蒙特卡洛模型）** - **因子构建思路**：通过蒙特卡洛模拟充分考量转债的各项条款，计算其理论价值，并通过价格与理论价值的比较来衡量价格预期差[19] - **因子具体构建过程**：使用蒙特卡洛模拟方法，在每个时点模拟10000条路径，充分考虑转债的转股、赎回、下修、回售条款，并以同信用、同期限的利率作为贴现率计算转债的理论价值[19]；因子计算方式为：理论价值偏离度 = 转债收盘价 / 理论价值 - 1[19] **3 因子名称：转债综合估值因子** - **因子构建思路**：将转股溢价率偏离度和理论价值偏离度两个因子融合，构建一个综合性的估值评估指标[18] - **因子具体构建过程**：对转股溢价率偏离度和理论价值偏离度（蒙特卡洛模型）两个因子分别在全市场截面进行排名（Rank）[19]；然后将两个因子的排名相加，得到综合估值因子：转债综合估值因子 = Rank（转股溢价率偏离度） + Rank（理论价值偏离度（蒙特卡洛模拟））[19] - **因子评价**：该因子在全域、平衡型和偏债型转债上表现较优[18] **4 因子名称：转债20日动量因子** - **因子构建思路**：捕捉转债市场近期的价格动量趋势，作为市场情绪的判断指标之一[26] - **因子具体构建过程**：报告未详细说明具体计算方法，但提及在单个转债层面计算该因子值，并在风格指数内部取中位数作为该指数的市场情绪捕捉指标[26] **5 因子名称：波动率偏离度因子** - **因子构建思路**：捕捉转债波动率的异常变化，作为市场情绪的判断指标之一[26] - **因子具体构建过程**：报告未详细说明具体计算方法，但提及在单个转债层面计算该因子值，并在风格指数内部取中位数作为该指数的市场情绪捕捉指标[26] **6 因子名称：转债风格市场情绪捕捉指标** - **因子构建思路**：综合动量与波动率信息，构建一个综合指标用于判断市场情绪，进而指导风格轮动[26] - **因子具体构建过程**：在得到转债20日动量和波动率偏离度两个因子的排名后，将它们在风格指数层面的排名相加：转债风格市场情绪捕捉指标 = Rank（转债20日动量） + Rank（波动率偏离度）[27] 量化模型与构建方式 **1 模型名称：转债低估指数构建模型** - **模型构建思路**：首先将转债划分为偏股、平衡、偏债三种风格，然后在每种风格内选择估值最低的1/3标的构建低估指数，以实现低估值增强[17][20] - **模型具体构建过程**： 1. **风格划分**：根据平底溢价率对转债进行分类。平底溢价率大于15%的划分为偏股型转债，小于-15%的划分为偏债型转债，介于两者之间的划分为平衡型转债[19] 2. **构建基准指数**：为每种风格构建等权配置的基准指数，双周频调仓[19] 3. **筛选低估标的**： - 对于偏股转债低估指数，选择理论价值偏离度（蒙特卡洛模型）因子排名前1/3的转债[6][20] - 对于平衡转债低估指数和偏债转债低估指数，选择转债综合估值因子排名前1/3的转债[6][20] 4. **风险控制与限制**：在构建指数时，应用一系列筛选条件排除高风险标的，包括：正股收盘价小于1.3元、正股市值小于5亿元、正股ST、转债评级小于AA-、转债剩余规模小于2亿元、剩余期限小于30天、公告提示强制赎回[20]；此外，对于偏债转债低估指数，额外限制成分债对应正股的净利润TTM大于0[17][20]；同时，限制每种低估指数的成分债数量上限为30只[17][20] **2 模型名称：转债风格轮动模型** - **模型构建思路**：基于市场情绪指标，动态调整在偏股、平衡、偏债三类低估指数上的配置权重，以捕捉风格切换收益[17][26] - **模型具体构建过程**： 1. **计算风格情绪指标**：对于三类低估指数（偏股、平衡、偏债），分别计算其对应的转债20日动量和波动率偏离度因子的中位数[26]；然后对这三个风格指数在两大情绪指标上的表现进行跨风格排名（Rank）[27] 2. **计算综合排名**：将每个风格指数在两个情绪指标上的排名相加，得到市场情绪捕捉指标值[27] 3. **确定配置权重**：根据市场情绪捕捉指标的逆序排序（指标值越小排名越优）选择配置标的[26]；若排名相等则等权配置，若同时选中三种风格，则最终100%仓位投资于平衡低估风格[17][26]；双周频调仓[26] 模型的回测效果 **1 偏股转债低估指数** - 年化收益率：25.45%[22] - 年化波动率：20.54%[22] - 最大回撤：-22.94%[22] - 信息比率（IR）：1.24[22] - 卡玛比率：1.11[22] - 月度胜率：61.96%[22] **2 平衡转债低估指数** - 年化收益率：14.90%[22] - 年化波动率：11.85%[22] - 最大回撤：-15.95%[22] - 信息比率（IR）：1.26[22] - 卡玛比率：0.93[22] - 月度胜率：63.04%[22] **3 偏债转债低估指数** - 年化收益率：13.28%[22] - 年化波动率：9.48%[22] - 最大回撤：-17.78%[22] - 信息比率（IR）：1.40[22] - 卡玛比率：0.75[22] - 月度胜率：58.70%[22] **4 转债风格轮动模型** - 年化收益：24.14%[30] - 年化波动：16.70%[30] - 最大回撤：-15.89%[30] - 信息比率（IR）：1.45[30] - 卡玛比率：1.52[30] - 月度胜率：64.13%[30] 因子的近期表现 **1 低估值因子增强超额（近2周）** - 在偏股转债中增强超额：-3.01%[6][21] - 在平衡转债中增强超额：-0.34%[6][21] - 在偏债转债中增强超额：-0.02%[6][21] **2 转债风格轮动近期表现** - 近4周收益：2.26%[7][28] - 2025年以来收益：37.81%[7][29]

根据研报内容，现总结如下： 量化因子与构建方式 1. **因子名称：250日新高距离**[11] * **因子构建思路**：该因子用于衡量当前股价相对于过去250个交易日最高价的回落幅度，数值越小表明股价越接近历史高点，通常与股票的强势和动量效应相关[11] * **因子具体构建过程**：计算步骤如下： 1. 取股票在过去250个交易日的收盘价序列 2. 计算该序列的最大值，记为 `ts_max(Close, 250)` 3. 取最新收盘价 `Closet` 4. 代入以下公式计算因子值： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 若最新收盘价创出新高，则因子值为0；若股价从高点回落，则因子值为正，代表回落幅度[11] 2. **因子名称：股价路径平滑性（位移路程比）**[26] * **因子构建思路**：该因子通过比较股价的净变动（位移）与总变动（路程）来衡量价格路径的平稳程度，比值越高表明价格趋势越平滑，动量效应可能更持续[26] * **因子具体构建过程**：计算过去120个交易日的股价数据。具体公式为： $$股价路径平滑性 = \frac{过去120日涨跌幅的绝对值}{过去120日日涨跌幅绝对值加总}$$ 其中，分子为区间起始日与结束日收盘价计算出的总涨跌幅的绝对值，分母为区间内每个交易日涨跌幅的绝对值之和[26] 3. **因子名称：创新高持续性**[26] * **因子构建思路**：该因子通过计算“250日新高距离”在时间序列上的均值，来衡量一只股票在较长时间内维持接近新高状态的能力，均值越小表明创新高持续性越好[26] * **因子具体构建过程**：选取过去120个交易日，每日计算该股票的“250日新高距离”，然后计算这120个数值的算术平均值。 4. **因子名称：趋势延续性**[26] * **因子构建思路**：该因子通过计算近期（如过去5日）“250日新高距离”在时间序列上的均值，来捕捉股票趋势在短期内的延续性，均值越小表明近期趋势越强[26] * **因子具体构建过程**：选取过去5个交易日，每日计算该股票的“250日新高距离”，然后计算这5个数值的算术平均值。 复合模型与构建方式 1. **模型名称：平稳创新高股票筛选模型**[24][26] * **模型构建思路**：该模型旨在从近期创过新高的股票中，进一步筛选出那些得到分析师关注、股价相对强弱突出、且价格路径平稳、趋势具有持续性的股票，以捕捉更稳健的动量机会[24][26] * **模型具体构建过程**：筛选过程分为多个步骤，具体如下： 1. **初选股票池**：筛选出过去20个交易日内创出过250日新高的股票[24] 2. **分析师关注度过滤**：要求过去3个月内，买入或增持评级的分析师研报数量不少于5份[26] 3. **股价相对强弱过滤**：要求过去250日涨跌幅位于全市场前20%[26] 4. **股价平稳性综合打分**：在满足上述条件的股票池内，使用“股价路径平滑性”和“创新高持续性”两个因子进行综合打分，并选取排名在前50%的股票[26] 5. **趋势延续性排序**：对经过上一步筛选的股票，依据“趋势延续性”因子进行排序，最终选取排名最靠前的50只股票作为“平稳创新高股票”[26] 因子与模型的测试结果取值 （注：报告中未提供因子或模型在历史回测中的量化绩效指标，如年化收益率、夏普比率、信息比率(IR)、最大回撤等。报告主要展示了在特定时点（2025年10月17日）应用因子和模型得到的截面统计结果和个股列表[12][13][15][19][20][27][30]。）

根据研报内容，现总结如下： 量化因子与构建方式 1. **因子名称：250日新高距离**[11] * **因子构建思路**：该因子用于衡量当前股价相对于过去250个交易日最高价的回落幅度，以量化股票的创新高程度和趋势强度[11] * **因子具体构建过程**：具体计算方法是，取最新收盘价除以过去250个交易日收盘价的最大值，然后用1减去该比值[11] 公式为： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，$Closet$ 代表最新收盘价，$ts\_max(Close, 250)$ 代表过去250个交易日收盘价的最大值[11] 若最新收盘价创出新高，则该因子值为0；若股价自高点回落，则该因子为正值，代表回落幅度[11] 2. **因子名称：平稳创新高股票筛选因子（复合因子）**[24][26] * **因子构建思路**：该复合因子旨在从创新高股票中，进一步筛选出价格路径平稳、趋势延续性好的股票，其理论基础在于研究表明平滑的动量效应可能更强[24] * **因子具体构建过程**：筛选过程分为多个步骤： 1. **初筛股票池**：首先筛选出过去20个交易日内创过250日新高的股票[24] 2. **分析师关注度**：要求过去3个月内买入或增持评级的分析师研报不少于5份[26] 3. **股价相对强弱**：要求过去250日涨跌幅位于全市场前20%[26] 4. **股价平稳性与创新高持续性综合打分**：在满足上述条件的股票池内，使用以下两个指标进行综合打分，并选取排名在前50%的股票[26]： * **价格路径平滑性**：使用股价位移路程比指标，具体计算公式在报告中以图示表示，但未在文本中详细给出数学表达式[24] * **创新高持续性**：过去120日的250日新高距离在时间序列上的均值[26] 5. **趋势延续性**：最后，根据过去5日的250日新高距离在时间序列上的均值进行排序，选取排名靠前的50只股票作为最终的平稳创新高股票[26] 因子回测效果 （注：本报告主要展示了特定时点（2025年10月17日）的截面数据和分析结果，并未提供因子在历史时间序列上的传统回测绩效指标（如年化收益率、夏普比率、信息比率IR等）[12][13][19][20][27][30][31][32]）

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：美元择时指标模型**[1][2][25] * **模型构建思路**：将美元需求细分为投资需求及避险需求两大类，从五大维度（美国基本面相对优势、美国利率相对优势、美元多空持仓差异、全球金融压力、美国财政赤字）出发，通过量化方法构建综合指标以判断美元走势[1] * **模型具体构建过程**： 1. **选取五个分项指标**：[1][25] * 美国基本面相对优势：使用花旗美国经济意外指数与花旗欧洲经济意外指数之差刻画[16] * 美国利率相对优势：使用美欧2年期国债收益率之差刻画[17] * 美元多空持仓差异：使用美元指数期货非商业多头与空头持仓之差刻画[18] * 全球金融压力：使用全球OFR金融压力指数刻画[21] * 美国财政赤字：使用美国财政赤字的12个月移动平均值（MA12）刻画[22] 2. **指标预处理**：[25] * 对于花旗经济意外指数及OFR金融压力指数，因其长期波动中枢为0，直接使用 * 对于美欧国债利率差、美元指数多空持仓差、美国财政赤字三项存在长期趋势的指标，通过滚动HP滤波剔除其长期趋势 3. **指标合成**：将所有指标经滚动去噪、标准化处理后等权合成，得到最终的美元择时指标，该指标以0作为历史波动中枢[25] * **模型评价**：该指标处于"0轴以上+边际上行"状态下时，对美元指数的上行判断胜率较高[2][29] 模型的回测效果 1. **美元择时指标模型**（回测区间：2006年2月至2025年8月）[35] * 指标状态为"0轴以上+边际上行"时：次月美元指数上行概率为74.1%，持续月份数为58个月[35] * 指标状态为"0轴以上+边际下行"时：次月美元指数上行概率为48.0%，持续月份数为25个月[35] * 指标状态为"0轴以下+边际上行"时：次月美元指数上行概率为35.4%，持续月份数为48个月[35] * 指标状态为"0轴以下+边际下行"时：次月美元指数上行概率为49.0%，持续月份数为104个月[35] * 全样本期间：次月美元指数上行概率为52.3%，总月份数为235个月[35] 量化因子与构建方式 1. **因子名称：美国基本面相对优势因子**[1][16] * **因子构建思路**：当美国经济表现优于其他经济体时，美股等美国资产对海外投资者的吸引力上升，推动美元升值[1][16] * **因子具体构建过程**：使用花旗美国经济意外指数减去花旗欧洲经济意外指数，计算两者之差[16] 2. **因子名称：美国利率相对优势因子**[1][17] * **因子构建思路**：根据利率平价理论，美欧利率差异会影响投资者的套息活动，从而影响美元汇率[1][17] * **因子具体构建过程**：使用美国2年期国债收益率减去欧洲2年期国债收益率，计算两者之差[17] 3. **因子名称：美元多空持仓差异因子**[1][18] * **因子构建思路**：美元指数期货合约的多空持仓之差可直接反映投资者对美元后续走势的预期[1][18] * **因子具体构建过程**：使用美元指数期货的非商业多头持仓数量减去非商业空头持仓数量[18] 4. **因子名称：全球金融压力因子**[1][21] * **因子构建思路**：当全球发生危机事件时，美元作为世界货币具备避险属性，往往表现强势[1][21] * **因子具体构建过程**：直接使用全球OFR金融压力指数[21] 5. **因子名称：美国财政赤字因子**[1][22] * **因子构建思路**：美国财政赤字持续扩张可能引发对美国政府偿债能力的担忧，导致美元信用下滑，给美元指数带来下行压力[1][22] * **因子具体构建过程**：使用美国财政赤字的12个月移动平均值（MA12）[22]

根据提供的金融工程日报内容，报告主要描述了市场表现、情绪、资金流向等日度监测指标，并未涉及具体的量化模型或量化因子的构建、测试与评价。报告内容属于市场数据统计与描述范畴[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][30][31][32][33][34][35][36][37][38][39][40][41]。 因此，本总结中“量化模型与构建方式”及“量化因子与构建方式”部分无相关内容。报告的核心是市场监测指标，现将这些指标的构建思路与过程总结如下。 市场监测指标与构建方式 **1 指标名称：封板率** - **指标构建思路**：用于衡量涨停股票的封板质量，计算当日最高价涨停且收盘仍维持涨停的股票占比[15] - **指标具体构建过程**：筛选上市满3个月以上的股票，首先找出当日盘中最高价达到涨停价的股票集合，再从中找出收盘价仍为涨停的股票，计算两者比值 - 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 指标名称：连板率** - **指标构建思路**：用于衡量涨停股票的连续性，计算昨日涨停股票今日继续涨停的比例[15] - **指标具体构建过程**：筛选上市满3个月以上的股票，找出昨日收盘涨停的股票集合，再计算该集合中今日收盘也涨停的股票占比 - 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] **3 指标名称：大宗交易折价率** - **指标构建思路**：通过大宗交易成交价与市价的差异反映大资金的交易情绪与偏好[25] - **指标具体构建过程**：统计当日所有大宗交易，计算总成交金额与按当日收盘价计算的成交份额总市值的比率并减去1 - 折价率 = 大宗交易总成交金额 / 当日成交份额的总市值 - 1 [25] **4 指标名称：股指期货年化贴水率** - **指标构建思路**：将股指期货与现货指数之间的基差进行年化处理，以标准化衡量期货的升贴水程度，反映市场预期和对冲成本[27] - **指标具体构建过程**：计算股指期货主力合约价格与现货指数价格的差值（基差），然后除以现货指数价格，再乘以年化因子（250天除以合约剩余交易日数） - 年化贴水率 = 基差 / 指数价格 * (250 / 合约剩余交易日数) [27] 指标取值 - **封板率**：2025年10月16日取值为65%[15] - **连板率**：2025年10月16日取值为19%[15] - **大宗交易折价率**：2025年10月15日取值为7.81%[25]；近半年平均值为6.13%[25] - **股指期货年化贴水率（2025年10月16日）**： - 上证50股指期货：0.04%，处于近一年51%分位点[27] - 沪深300股指期货：3.34%，处于近一年44%分位点[27] - 中证500股指期货：12.74%，处于近一年36%分位点[27] - 中证1000股指期货：14.45%，处于近一年39%分位点[27] - **股指期货年化贴水率近一年中位数**： - 上证50：0.05%[27] - 沪深300：2.72%[27] - 中证500：10.32%[27] - 中证1000：12.84%[27]