量化因子与构建方式 1. **因子名称：估值偏离 EPD 因子** **因子构建思路：** 将CTA领域常用的布林带均值回复策略与基本面的估值修复逻辑相结合，利用估值指标PE存在的均值回复特性构建因子[7] **因子具体构建过程：** 具体构建过程未在提供内容中详细描述，但核心是利用PE指标的均值回复特性，其构建逻辑源于布林带策略[7] 2. **因子名称：缓慢偏离 EPDS 因子** **因子构建思路：** 为了剔除个股估值逻辑变化带来的影响，在截面上用EPD因子剔除个股估值逻辑被改变的概率（由个股信息比率代理）[7] **因子具体构建过程：** 具体构建过程未在提供内容中详细描述，核心步骤是用EPD因子剔除由个股信息比率代理的个股估值逻辑改变概率[7] 3. **因子名称：估值异常 EPA 因子** **因子构建思路：** 在EPDS因子的基础上，进一步剔除影响"估值异常"逻辑的Beta、成长与价值风格，最终得到估值异常因子[7] **因子具体构建过程：** 具体构建过程未在提供内容中详细描述，核心步骤是对EPDS因子进行风格中性化处理，剔除Beta、成长与价值风格的影响[7] **因子评价：** 在回测期2010/01-2022/05内，以全体A股为研究样本，EPA因子的月度RankIC均值为0.061，RankICIR为4.75，表现出较好的选股能力[2] 因子的回测效果 1. **估值偏离 EPD 因子**，年化收益率 17.22%，年化波动率 9.92%，信息比率 1.73，月度胜率 70.00%，最大回撤率 8.93%[2][8][13] 2. **缓慢偏离 EPDS 因子**，年化收益率 15.83%，年化波动率 5.77%，信息比率 2.74，月度胜率 77.89%，最大回撤率 3.10%[2][8][13] 3. **估值异常 EPA 因子**，年化收益率 16.93%，年化波动率 5.20%，信息比率 3.26，月度胜率 80.00%，最大回撤率 3.12%[2][8][13]

根据提供的融资融券周报内容，报告主要描述了市场概况和两融业务数据，并未涉及具体的量化模型或量化因子的构建、测试与评价。报告内容集中于市场指数表现、两融余额变动、行业及个股的两融交易特征等描述性统计[10][13][29][30][48][49][51]。 因此，本总结中关于量化模型与因子构建方式、模型评价及回测效果的部分均无相关内容。

量化因子与构建方式 1. **因子名称：TPS（Turn20 conformed by PLUS）**[1][9] * **因子构建思路**：从考察日频换手率稳定性的角度，基于价量配合思想，利用价格因子（影线差）对传统换手率因子（Turn20）进行改进，以解决传统换手率因子在换手率最大分组中，组内成分股未来收益差异较大、容易误判的问题[6][7][8][9] * **因子具体构建过程**： * 首先，构建传统换手率因子Turn20，计算方式为将过去20个交易日的换手率取平均值，再进行横截面市值中性化[6] * 其次，选定价格因子为影线差[8][9] * 最后，利用影线差对Turn20因子进行配合，构建成交价改进换手率因子TPS[9] 2. **因子名称：SPS（STR conformed by PLUS）**[1][9] * **因子构建思路**：从考察日频换手率稳定性的角度，基于价量配合思想，利用价格因子（影线差）对量稳换手率因子（STR）进行改进，旨在进一步提升因子的选股能力[7][8][9] * **因子具体构建过程**： * 首先，参考前期研究构建量稳换手率因子STR[7] * 其次，选定价格因子为影线差[8][9] * 最后，利用影线差对STR因子进行配合，构建成交价改进换手率因子SPS[9] 3. **因子名称：传统换手率因子（Turn20）**[6] * **因子构建思路**：基于过去一个月的平均换手率进行选股，逻辑是过去换手率越小的股票，未来越有可能上涨[6][7] * **因子具体构建过程**：把过去20个交易日的换手率取平均值，再进行横截面市值中性化[6] 4. **因子名称：量稳换手率因子（STR）**[7] * **因子构建思路**：旨在解决传统换手率因子的缺陷，表现优于传统换手率因子，但未能完全消除组内收益率标准差的单调性问题[7] 因子的回测效果 1. **TPS因子**（回测期：2006年1月至2025年11月，全体A股，10分组多空对冲）[1][9][11] * 年化收益率：39.30% * 年化波动率：15.71% * 信息比率（IR）：2.50 * 月度胜率：77.64% * 最大回撤率：18.19% 2. **SPS因子**（回测期：2006年1月至2025年11月，全体A股，10分组多空对冲）[1][11][12][14] * 年化收益率：42.98% * 年化波动率：13.15% * 信息比率（IR）：3.27 * 月度胜率：83.54% * 最大回撤率：11.58% 3. **传统换手率因子（Turn20）**（回测期：2006年1月至2022年12月30日，全体A股）[6] * 月度IC均值：-0.076 * 年化ICIR：-2.23 * 多空对冲年化收益率：37.71% * 信息比率（IR）：2.20 * 月度胜率：70.79%

根据您提供的研报内容，以下是关于其中涉及的量化模型与因子的详细总结。报告主要对各类市场指标和因子进行了跟踪分析，并未涉及复杂的多因子模型或策略模型。 量化因子与构建方式 1. **因子名称：风险溢价**[27][28] * **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，计算各宽基指数收益率与其差值，用以衡量股票市场相对于无风险资产的投资价值和风险补偿[27][28] * **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当前的风险溢价数值及其在不同时间窗口（近1年、近5年）内的统计特征，如分位值、均值、波动率及标准差区间[31] * **因子评价**：各指数的风险溢价存在均值复归现象，其中中证1000和中证2000的波动率相对较大；上证50的风险溢价分布更集中，而中证1000、中证2000和创业板指的分布较分散，不确定性更大[28][34] 2. **因子名称：市盈率（PE-TTM）**[39][41] * **因子构建思路**：使用滚动市盈率作为估值参考，衡量各宽基指数在当前时点的投资价值[39] * **因子具体构建过程**：PE-TTM = 总市值 / 最近12个月净利润总和。报告跟踪了各指数的PE-TTM当前值，并计算了其相对于近1年、近5年以及全部历史数据的分位值，同时提供了近1年的均值、波动率及标准差区间[43][44] 3. **因子名称：股债性价比**[46] * **因子构建思路**：将股票市场的潜在收益率（以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）进行比较，辅助资产配置决策[46] * **因子具体构建过程**：股债性价比 = (1 / 指数PE-TTM) - 十年期国债即期收益率。报告中通过图表展示了该因子的历史走势，并与近5年的80分位值（机会值）、20分位值（危险值）、均值及±1倍标准差区间进行了对比[46] 4. **因子名称：股息率**[48][49] * **因子构建思路**：跟踪各宽基指数的现金分红回报率，反映红利投资风格的价值，尤其在市场低迷或利率下行时期受到关注[48] * **因子具体构建过程**：股息率 = 近12个月现金分红总额 / 总市值。报告列出了各指数当前的股息率，并分析了其在近1年、近5年及全部历史数据中的分位情况，同时计算了近1年的均值、波动率及标准差区间[51][53] 5. **因子名称：破净率**[53][55] * **因子构建思路**：通过统计市净率（PB）小于1的个股占比，反映市场整体的估值态度和悲观情绪，占比越高通常意味着低估越普遍[53][55] * **因子具体构建过程**：破净率 = (指数成分股中破净个股数量 / 指数总成分股数量) * 100%。报告给出了各宽基指数在当前时点的具体破净率数值[55] 6. **因子名称：均线偏离度**[11][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，判断市场短期和长期的趋势强度及支撑压力位[11][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）、60日（MA60）、120日（MA120）、250日（MA250）均线的偏离百分比，公式为：$$偏离度 = (收盘价 / 均线价格 - 1) * 100\%$$[14][15] 7. **因子名称：收益分布形态（偏度与峰度）**[23][25] * **因子构建思路**：分析指数日收益率分布的形态特征，偏度衡量分布的不对称性，峰度衡量分布的尖锐或平坦程度，用以观察市场收益特征的变化[23][25] * **因子具体构建过程**：报告计算了各宽基指数日收益率序列的近5年峰度、偏度以及当前时点的峰度、偏度，并进行了对比。注明了峰度计算中减去了3（正态分布的峰度值）[25] 因子的回测效果 1. **风险溢价因子**[31] * 当前风险溢价：上证50 (-0.52%), 沪深300 (-0.52%), 中证500 (-0.63%), 中证1000 (-0.90%), 中证2000 (-1.03%), 中证全指 (-0.70%), 创业板指 (-1.13%) * 近5年分位值：上证50 (27.70%), 沪深300 (28.73%), 中证500 (26.19%), 中证1000 (22.54%), 中证2000 (20.32%), 中证全指 (21.83%), 创业板指 (22.70%) * 近1年波动率：上证50 (0.86%), 沪深300 (0.99%), 中证500 (1.30%), 中证1000 (1.44%), 中证2000 (1.66%), 中证全指 (1.16%), 创业板指 (1.84%) 2. **PE-TTM因子**[44] * 当前值：上证50 (11.80), 沪深300 (13.95), 中证500 (32.01), 中证1000 (46.44), 中证2000 (153.26), 中证全指 (20.88), 创业板指 (39.55) * 近5年历史分位值：上证50 (83.47%), 沪深300 (81.57%), 中证500 (94.63%), 中证1000 (95.21%), 中证2000 (80.50%), 中证全指 (91.49%), 创业板指 (54.21%) * 近1年波动率：上证50 (0.48), 沪深300 (0.73), 中证500 (2.51), 中证1000 (4.20), 中证2000 (30.59), 中证全指 (1.45), 创业板指 (4.72) 3. **股息率因子**[53] * 当前值：上证50 (3.32%), 沪深300 (2.74%), 中证500 (1.40%), 中证1000 (1.14%), 中证2000 (0.77%), 中证全指 (2.04%), 创业板指 (1.04%) * 近5年历史分位值：上证50 (36.78%), 沪深300 (37.44%), 中证500 (17.36%), 中证1000 (51.65%), 中证2000 (16.78%), 中证全指 (36.69%), 创业板指 (71.57%) * 近1年波动率：上证50 (0.41%), 沪深300 (0.41%), 中证500 (0.21%), 中证1000 (0.15%), 中证2000 (0.12%), 中证全指 (0.31%), 创业板指 (0.14%) 4. **破净率因子**[55] * 当前破净率：上证50 (22.0%), 沪深300 (16.0%), 中证500 (11.8%), 中证1000 (8.0%), 中证2000 (2.95%), 中证全指 (6.1%), 创业板指 (1.0%) 5. **均线偏离度因子**[15] * 相对于MA5偏离度：上证50 (-0.4%), 沪深300 (-0.2%), 中证500 (-0.4%), 中证1000 (-0.8%), 中证2000 (-0.6%), 中证全指 (-0.4%), 创业板指 (-0.7%) * 相对于MA250偏离度：上证50 (7.1%), 沪深300 (10.6%), 中证500 (12.4%), 中证1000 (10.4%), 中证2000 (12.8%), 中证全指 (11.4%), 创业板指 (26.8%) 6. **收益分布形态因子**[25] * 当前峰度（减3后）：上证50 (0.00), 沪深300 (0.56), 中证500 (0.91), 中证1000 (1.44), 中证2000 (1.38), 中证全指 (1.04), 创业板指 (1.44) * 当前偏度：上证50 (1.32), 沪深300 (1.52), 中证500 (1.57), 中证1000 (1.66), 中证2000 (1.68), 中证全指 (1.64), 创业板指 (1.66) * 当前峰度 vs. 近5年峰度：上证50 (-2.10), 沪深300 (-1.83), 中证500 (-2.02), 中证1000 (-1.31), 中证2000 (-1.49), 中证全指 (-1.74), 创业板指 (-2.15)

根据提供的研报内容，以下是关于量化模型与因子的总结。 量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[13][40][42] * **模型构建思路**：该模型旨在精确测算股指期货合约存续期内，其标的指数因成分股分红除息而导致的理论点位自然滑落（即分红点数），以用于准确计算期货合约的升贴水幅度[13][42] * **模型具体构建过程**：模型的核心是计算从当前时刻（t）到期货合约到期日（T）之间，所有成分股分红对指数点位的总影响。具体步骤如下[40][42][43]： * **步骤1：确定测算范围**。识别所有除权除息日（τ）满足条件 t < τ ≤ T 的成分股。 * **步骤2：计算单只股票的分红贡献**。对于每一只符合条件的成分股，其分红对指数点位的贡献（分红点数）由以下公式计算： $$分红点数 = \sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$$[42] * **步骤3：汇总总分红点数**。将所有成分股的分红点数贡献加总，得到指数在期货合约存续期内的总分红点数。 * **步骤4：关键参数获取与预测**。模型实施中，需要对公式中的关键参数进行精细化处理[43][45]： * **成分股权重**：采用中证指数公司每日披露的日度收盘权重数据，以确保准确性，避免使用月末权重估算带来的偏差[46][47]。 * **分红金额**：若公司已公布分红方案，则直接采用；若未公布，则需预测。分红金额的预测分解为对净利润和股息支付率的预测，即：分红金额 = 净利润 × 股息支付率[48]。 * **净利润预测**：采用基于历史净利润分布的动态预测法。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，则根据其季度盈利分布稳定性进行分类预测[49][51]。 * **股息支付率预测**：若公司去年分红，则用去年股息支付率；若去年不分红，则用最近3年平均；若从未分红，则默认今年不分红；预测值大于100%时进行截尾处理[52][54]。 * **除息日预测**：采用基于历史间隔天数稳定性的线性外推法。若已公布除息日，则直接采用；否则，根据公司是否已公布预案、所处阶段（预案/决案）以及历史间隔天数的稳定性，选择使用历史日期或进行线性外推；若无可靠参考，则根据统计规律设置默认日期（如7月31日、8月31日等）[52][56][57]。 模型的回测效果 1. **股指分红点位测算模型**，预测股息点与实际股息点差额（2023年）：上证50指数误差基本在5点以内，沪深300指数误差基本在5点以内，中证500指数误差基本在10点以内[62] 2. **股指分红点位测算模型**，预测股息点与实际股息点差额（2024年）：上证50指数误差基本在5点以内，沪深300指数误差基本在5点以内，中证500指数误差基本在10点以内[62] 3. **股指分红点位测算模型**，股指期货预测股息点与实际股息点偏离度：上证50和沪深300股指期货预测效果最好，中证500股指期货偏离度稍大[62] 量化因子与构建方式 1. **因子名称：已实现股息率**[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所带来的股息收益占指数市值的比例[18] * **因子具体构建过程**：因子值为指数中所有今年已现金分红的公司，其分红总额与指数总市值的比率。计算公式如下： $$已实现股息率 = \frac{\sum_{k=1}^{N1} 成分股k的分红金额}{\sum_{k=1}^{N1} 成分股k的总市值}$$[18] 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**[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的公司，其预期分红所带来的股息收益占指数市值的比例[18] * **因子具体构建过程**：因子值为指数中所有今年尚未现金分红的公司，其预期分红总额与指数总市值的比率。计算公式如下： $$剩余股息率 = \frac{\sum_{k=1}^{N2} 成分股k的预测分红金额}{\sum_{k=1}^{N2} 成分股k的总市值}$$[18] 其中，N2 表示指数成分股中今年尚未现金分红的公司数量，预测分红金额的估计方法同股指分红点位测算模型[18] 因子的回测效果 1. **已实现股息率因子**，取值（2025年12月3日）：上证50指数为2.52%，沪深300指数为2.04%，中证500指数为1.24%，中证1000指数为0.95%[4][18] 2. **剩余股息率因子**，取值（2025年12月3日）：上证50指数为0.32%，沪深300指数为0.18%，中证500指数为0.04%，中证1000指数为0.02%[4][18] 其他量化指标观察 1. **股指期货年化升贴水率**，取值（2025年12月3日）：IH主力合约为-2.84%，IF主力合约为-5.97%，IC主力合约为-14.65%，IM主力合约为-16.38%[5][14] 2. **股指期货基差历史分位点**，取值（2025年12月3日）：IH主力合约处于历史20%分位点左右，IF主力合约处于历史22%水平，IC主力合约处于历史22%水平，IM主力合约处于历史19%水平[28]

根据提供的金融工程日报内容，该报告主要描述了市场表现、情绪、资金流向等日常监控指标，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性分析范畴[2][3][4][6][8][11][14][17][19][22][23][26][28][30][33][36][37]。 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，予以跳过。报告核心为对特定日期市场各类指标的表现进行统计和展示。 市场的回测效果 报告未提供任何模型或因子在历史数据上的系统化回测结果，如年化收益率、夏普比率、信息比率（IR）、最大回撤等指标。相关内容为市场监控指标在特定日期的取值或近期统计值。 市场监控指标与统计方式 1. **指标名称**：封板率[17] * **指标构建思路**：用于衡量涨停股票的封板质量，计算最高价涨停且收盘价仍维持涨停的股票比例[17] * **指标具体构建过程**：统计上市满3个月以上的股票，计算公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ [17] * **指标评价**：反映了市场追涨情绪和涨停板的稳定性 * **指标取值**：2025年12月3日，该指标值为61%，较前日下降7%[17] 2. **指标名称**：连板率[17] * **指标构建思路**：用于衡量涨停板的持续性，计算连续两日收盘涨停的股票比例[17] * **指标具体构建过程**：统计上市满3个月以上的股票，计算公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ [17] * **指标评价**：反映了市场短线投机资金的活跃度和赚钱效应的延续性 * **指标取值**：2025年12月3日，该指标值为24%，较前日下降0%[17] 3. **指标名称**：大宗交易折价率[26] * **指标构建思路**：通过大宗交易成交价与市价的差异，反映大资金的交易偏好和情绪[26] * **指标具体构建过程**：统计每日大宗交易，计算公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ [26] * **指标评价**：折价率较高通常意味着大股东或机构投资者愿意以较低价格减持，可能隐含其对后市谨慎的看法 * **指标取值**：近半年以来平均折价率为6.43%，2025年12月2日当日折价率为6.02%[26] 4. **指标名称**：股指期货年化贴水率[28] * **指标构建思路**：衡量股指期货价格与现货指数价格的差异，并年化处理以反映市场对未来预期和对冲成本[28] * **指标具体构建过程**：计算每日股指期货主力合约的基差（期货价格-现货指数价格），然后进行年化，计算公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ [28] * **指标评价**：贴水率（负基差）较高通常意味着市场情绪偏空，且会增加利用股指期货进行对冲的成本 * **指标取值**： * 近一年中位数：上证50为0.63%，沪深300为3.53%，中证500为11.15%，中证1000为13.58%[28] * 2025年12月3日值及近一年分位点： * 上证50: 3.29% (35%分位点)[28] * 沪深300: 5.91% (29%分位点)[28] * 中证500: 13.68% (33%分位点)[28] * 中证1000: 15.20% (38%分位点)[28] 其他市场统计数据（无具体构建过程） * **两融余额及占比**：截至2025年12月2日，两融余额24865亿元，融资余额24689亿元，融券余额176亿元；两融余额占流通市值比重2.6%，两融交易占市场成交额比重9.7%[19][22] * **ETF折溢价**：2025年12月2日，G60创新ETF溢价0.58%（溢价较多），黄金股ETF基金折价0.40%（折价较多）[23] * **机构调研**：近一周内调研机构较多的股票包括乐鑫科技（113家）、长安汽车、晶盛机电等[30] * **龙虎榜资金流向**：2025年12月3日，机构专用席位净流入前十的股票包括四方达、航天发展等；陆股通净流入前十的股票包括通宇通讯、大金重工等[36][37]

根据研报内容，现对其中涉及的量化模型与因子总结如下： 量化模型与构建方式 1. **模型名称：宏观评分模型**[7][19] * **模型构建思路**：基于多个宏观因子对各大类资产进行月度评分，以生成择时观点[19] * **模型具体构建过程**：模型涵盖9个宏观因子，分别为国内景气、国内货币、国内信用、国内通胀、全球景气、全球货币、全球通胀、美元、金融压力。每月对每个因子进行评分，评分取值为-1, 0, 1，分别代表负面、中性、正面。对于每类资产，将其相关的宏观因子评分加总，得到该资产的月度宏观评分。最后，根据总分值形成看多、谨慎等择时观点[19] 2. **模型名称：美股择时模型**[7][21] * **模型构建思路**：通过监测景气度、资金流、金融压力等分项指标来对美股进行中期择时[21][23] * **模型具体构建过程**：模型包含三个分项指标：景气度、资金流、金融压力。每个分项指标的数值计算为其在滚动5年时间窗口内的分位数。通过综合这些分项指标的状态来判断美股走势[21][23] 3. **模型名称：黄金择时模型**[7][25] * **模型构建思路**：综合避险货币、央行态度、财政压力、金融压力等多个分项指标构建综合择时指标，用于黄金择时[25][26] * **模型具体构建过程**：模型包含四个分项指标：避险货币、央行态度、财政压力、金融压力。将这些分项指标合成为一个综合的黄金择时指标。该指标的最新值为-0.54[25][26][28] 4. **模型名称：原油择时模型**[7][27] * **模型构建思路**：通过构建原油景气指数来反映原油基本面的好坏，从而进行择时判断[27][29] * **模型具体构建过程**：原油景气指数由五个分项指标合成：需求、库存、美元指数、投资者预期、宏观风险水平。本月原油景气指数读数为-0.1，回落至0轴以下[27][29][31] 5. **模型名称：大类资产配置模型**[3][32] * **模型构建思路**：根据量化配置信号分配各类资产的风险预算，并基于宏观因子体系调整组合的宏观风险暴露，得到最终的资产配置方案[3][32] * **模型具体构建过程**：模型首先根据量化信号（可能包括上述择时模型的观点）为每类资产分配风险预算。然后，利用宏观因子体系对组合的整体宏观风险暴露进行调整，通过优化过程计算出最终的资产配置权重。配置的资产包括中证800、标普500、黄金、铜、原油、10年国债、短融等[32][34] 模型的回测效果 1. **大类资产配置模型**，11月收益-0.2%[3][32]，最近1年收益12.2%[3][32]，最大回撤2.9%[3][32] 量化因子与构建方式 1. **因子名称：国内景气因子**[19] * **因子构建思路**：作为宏观评分模型的组成部分，用于评估国内经济景气状况[19] 2. **因子名称：国内货币因子**[19] * **因子构建思路**：作为宏观评分模型的组成部分，用于评估国内货币环境状况[19] 3. **因子名称：国内信用因子**[19] * **因子构建思路**：作为宏观评分模型的组成部分，用于评估国内信用环境状况[19] 4. **因子名称：国内通胀因子**[19] * **因子构建思路**：作为宏观评分模型的组成部分，用于评估国内通胀状况[19] 5. **因子名称：全球景气因子**[19] * **因子构建思路**：作为宏观评分模型的组成部分，用于评估全球经济景气状况[19] 6. **因子名称：全球货币因子**[19] * **因子构建思路**：作为宏观评分模型的组成部分，用于评估全球货币环境状况[19] 7. **因子名称：全球通胀因子**[19] * **因子构建思路**：作为宏观评分模型的组成部分，用于评估全球通胀状况[19] 8. **因子名称：美元因子**[19] * **因子构建思路**：作为宏观评分模型的组成部分，用于评估美元走势状况[19] 9. **因子名称：金融压力因子**[19] * **因子构建思路**：作为宏观评分模型的组成部分，用于评估金融系统压力状况[19] 10. **因子名称：美股景气度分项因子**[21][23] * **因子构建思路**：作为美股择时模型的组成部分，用于评估美国经济景气度[21][23] 11. **因子名称：美股资金流分项因子**[21][23] * **因子构建思路**：作为美股择时模型的组成部分，用于评估市场资金流向[21][23] 12. **因子名称：美股金融压力分项因子**[21][23] * **因子构建思路**：作为美股择时模型的组成部分，用于评估美国金融系统压力[21][23] 13. **因子名称：黄金避险货币分项因子**[25][26] * **因子构建思路**：作为黄金择时模型的组成部分[25][26] 14. **因子名称：黄金央行态度分项因子**[25][26] * **因子构建思路**：作为黄金择时模型的组成部分[25][26] 15. **因子名称：黄金财政压力分项因子**[25][26] * **因子构建思路**：作为黄金择时模型的组成部分[25][26] 16. **因子名称：黄金金融压力分项因子**[25][26] * **因子构建思路**：作为黄金择时模型的组成部分[25][26] 17. **因子名称：原油需求分项因子**[27][31] * **因子构建思路**：作为原油景气指数的组成部分，用于评估原油需求状况[27][31] 18. **因子名称：原油库存分项因子**[27][31] * **因子构建思路**：作为原油景气指数的组成部分，用于评估原油库存状况[27][31] 19. **因子名称：原油美元指数分项因子**[27][31] * **因子构建思路**：作为原油景气指数的组成部分，用于评估美元指数对原油的影响[27][31] 20. **因子名称：原油投资者预期分项因子**[27][31] * **因子构建思路**：作为原油景气指数的组成部分，用于评估投资者对原油的预期[27][31] 21. **因子名称：原油宏观风险水平分项因子**[27][31] * **因子构建思路**：作为原油景气指数的组成部分，用于评估宏观风险水平对原油的影响[27][31] 因子的回测效果 （报告中未提供单个因子的独立测试结果）

根据提供的融资融券月报内容，报告主要描述了市场概况和两融业务数据，并未涉及具体的量化模型或量化因子的构建、测试及评价。报告内容集中于市场数据统计、行业和个股的两融情况分析，属于市场监测和描述性统计范畴[1][8][11][55][56]。 因此，本总结中关于量化模型和量化因子的部分暂无相关内容。

量化模型与构建方式 1. 模型名称：基于宏观状态识别的多资产配置模型 - **模型构建思路**：借鉴美林时钟思路，通过宏观因子识别市场状态，采用马尔可夫转移模型识别宏观状态，构建动态风险预算组合[33] - **模型具体构建过程**： 1. 构建综合增长因子和综合通胀因子来挖掘股票投资价值[34] 2. 增长因子考虑PMI、工业增加值、社会消费品零售总额、固定资产投资完成额和出口金额5个指标[34] 3. 通胀因子考虑CPI和PPI2个指标[34] 4. 采用流动性因子（M1同比）用于债市风险监控[34] 5. 采用ERP（股权风险溢价）、EP（1/PE）和BP（1/PB）指标构建股债性价比因子[34] 6. 通过美元指数、央行购金和汇率等因素构建黄金投资因子[34] 7. 采用多目标优化模型进行业绩增强，将资产动量纳入考量，构建目标波动率为5%、10%和15%的稳健、平衡和积极组合[37] 8. 限制黄金、美股和港股的投资比例上限为10%，并根据宏观状态信号动态月度调整风险预算[37] 2. 模型名称：六维度行业轮动模型 - **模型构建思路**：在月频进行轮动，涵盖宏观、财务、分析师预期、ETF份额变动，公募基金/优选基金仓位动量、事件动量多个维度[39] - **模型具体构建过程**： 1. 宏观维度刻画行业的经济周期动量效应[39] 2. 财务维度从三大报表出发优选财务状况较好的行业[39] 3. 分析师预期维度展示分析师预期边际上调的行业动量效应[39] 4. ETF份额变动逻辑为超卖行业ETF反转[39] 5. 公募基金/优选基金仓位动量刻画公募基金/优选基金重仓行业的动量效应[39] 6. 事件动量效应的逻辑是事件发生时的市场惯性（非线性行业动量）[39] 3. 模型名称：陪伴式偏股增强FOF组合模型 - **模型构建思路**：构建以Alpha为主、拥挤度为辅的动态多因子选基模型，通过季度调整选基金因子与权重进行组合优化[46] - **模型具体构建过程**： 1. 基金初选池筛选条件为：成立满2年3个月；近2年平均股票仓位不低于60%的普通股票型、偏股混合型、灵活配置型、平衡混合型；基金规模不低于2亿元；任期最长的在任基金经理至少任职满1年；剔除定开和持有期基金[46] 2. 因子优选以Alpha类因子为主、拥挤度因子为辅，各调仓日筛选过去两年IC、IR表现较好的因子分配剩余权重[46] 3. 组合构建时，每期根据复合因子值大小取前30只基金加权构建FOF组合，季度末调仓[46] 4. 模型名称：陪伴式宽基增强FOF组合模型 - **模型构建思路**：构建相对宽基指数的主动权益增强策略，控制组合相对基准的行业板块暴露和市值风格暴露以控制跟踪误差，最大化组合的复合因子得分[53] - **模型具体构建过程**： 1. 单只基金复合因子计算基于Alpha为主、拥挤度为辅的动态多因子选基模型[53] 2. 优化模型如下： $$max\sum_{i=1}^{N}f_{i}\times w_{i}\quad\text{s.t.}\quad\left|\sum_{i}w_{i}\times\beta_{ij}-B_{j}\right|\leq k_{1},\ \ \left|\sum_{i}w_{i}\times p_{ij}-P_{j}\right|\leq k_{2},\ \ \sum_{i}w_{i}=1,\ \ 0\leq w_{i}\leq w_{max}.$$ 其中，$$f_i$$为基金i的复合因子得分，$$w_i$$为组合对基金i的配置权重，$$\beta_{ij}$$为基金i对板块j的配置权重，$$B_j$$为基准对板块j的配置权重，$$k_1$$为组合的板块偏离度上限，$$p_{ij}$$为基金i对市值j的配置权重，$$P_j$$为基准对市值j的配置权重，$$k_2$$为组合的风格偏离度上限，$$w_{max}$$为单只基金最高配置权重[53] 3. 季度末调仓[53] 5. 模型名称：长期能力因子模型 - **模型构建思路**：基于Brinson模型，结合行业指数以及主动权益基金视角，构造行业择时三层业绩分解模型，将基金超额收益拆分为交易、选股、行业配置和择时四个分项[64] - **模型具体构建过程**： 1. 引入风格因素，将基金超额收益中的选股以及配置项从行业和风格两个角度进行分解，引入交叉项，分解成行业选股、行业收益、风格选股、风格收益、行业-风格选股和行业-风格收益八个分项[64] 2. 对因子构造施加基于公募主动权益基金抱团热度的因子择时信号，当抱团因子处于前30%分位点以下时，修改行业配置为行业-风格配置因子，加入风格选股因子；当抱团程度过热（前20%分位点）时，不使用选股因子[65] 3. 将交易倾向因子作为负向筛选指标加入，在市场交易热度上升时给予交易因子更高权重，降温时给予低权重[65] 4. 半年度调仓，剔除不可申赎基金[65] 6. 模型名称：KF-Alpha+交易FOF组合模型 - **模型构建思路**：对基金季报持仓进行猜测补全，在季度层面实现业绩拆分；基于卡尔曼滤波的行业测算，通过基金业绩-高精度估算净值构造基金KF-Alpha因子，体现基金行业内选股能力[70] - **模型具体构建过程**：通过更高频的季度层面数据，构造KF-Alpha+季度交易能力的基金组合[70] 7. 模型名称：五层递补可交易指数轮动策略 - **模型构建思路**：在行业轮动组合基础上，构建5层递补可交易指数轮动策略，解决某些行业交易量小或跟踪指数少导致的规划求解困难[77] - **模型具体构建过程**： 1. 第一层：原始规划求解方法，给定5行业不变，备选池为全体指数[77] 2. 第二层：根据指数持仓，将全市场成交规模较高行业和预期收益较高行业交叉保留强势行业[77] 3. 第三层：根据指数持仓，在给定5行业中剔除全体指数共同持仓较少行业[77] 4. 第四层：估算仓位法规划求解[77] 5. 第五层：持仓对比法求解[77] 6. 标的池选择成立超过24个月的ETF，月频调仓[77] 8. 模型名称：多层次主动权益基金池体系 - **模型构建思路**：构建涵盖各个赛道和风格优秀基金的选基工具箱，以定量评分为主，辅以定性验证[87] - **模型具体构建过程**： 1. 风格划分基于基金价值和成长因子的绝对标签和相对得分，将主动权益基金分为深度价值、价值、价值成长、均衡成长、成长五大类[88] 2. 行业配置方面，将满足一定行业配置特点的基金划分为六大板块赛道基金、行业均衡基金、中观配置基金[88] 3. 对基金评价业绩指标进行检验，指标区间包含6个月、1年和2年，选取相对有效的因子构建基金评价指标体系，包含收益指标、风险调整收益指标、风险指标、投资能力指标、持有体验指标和规模指标六大类[88] 4. 每个季度末和半年报/年报披露的月末进行更新[87] 模型的回测效果 1. **全球配置ETF组合**，近一月绝对收益-0.02%，年初以来绝对收益7.85%[30] 2. **行业轮动模型**，近一月绝对收益-0.81%，近一月超额收益（相对行业等权）0.09%，年初以来绝对收益42.93%，年初以来超额收益18.97%[30] 3. **陪伴式偏股增强FOF**，近一月绝对收益-2.76%，近一月超额收益（相对万得偏股）-0.31%，年初以来绝对收益23.94%，年初以来超额收益-5.29%[30] 4. **陪伴式300增强FOF**，近一月绝对收益-2.66%，近一月超额收益（相对沪深300）-0.20%，年初以来绝对收益20.16%，年初以来超额收益5.12%[30] 5. **陪伴式800增强FOF**，近一月绝对收益-2.08%，近一月超额收益（相对中证800）0.81%，年初以来绝对收益17.56%，年初以来超额收益0.55%[30] 6. **风格轮动基金组合**，近一月绝对收益-2.36%，近一月超额收益（相对主动权益基金）-0.47%，年初以来绝对收益16.28%，年初以来超额收益-5.87%[30] 7. **长期能力组合**，近一月绝对收益-3.44%，近一月超额收益（相对主动权益基金）-1.57%，年初以来绝对收益23.91%，年初以来超额收益0.30%[30] 8. **KFAlphaFOF组合**，近一月绝对收益-2.63%，近一月超额收益（相对万得偏股）-0.18%，年初以来绝对收益24.72%，年初以来超额收益-3.49%[32] 9. **行业轮动基金组合**，近一月绝对收益-1.97%，近一月超额收益（相对主动权益基金）-0.07%，年初以来绝对收益52.17%，年初以来超额收益23.18%[32] 10. **行业轮动ETF组合**，近一月绝对收益-0.76%，近一月超额收益（相对万得全A）1.50%，年初以来绝对收益50.22%，年初以来超额收益21.56%[32] 11. **长期能力因子组合**，全时段年化收益15.82%，相对基准超额年化收益8.37%，信息比1.04[71] 12. **风格轮动FOF组合**，全时段年化收益17.37%，相对基准超额年化收益9.42%，信息比1.15[72] 13. **KF-Alpha+交易FOF组合**，全时段年化收益16.14%，相对基准超额收益8.16%，信息比1[73] 14. **行业轮动基金组合**，全时段年化收益22.74%，相对基准超额收益14.84%，信息比1.22[78] 15. **行业轮动ETF组合**，全时段年化收益22.74%，相对基准超额收益17.79%，信息比1.72[78] 16. **多维复合行业轮动策略**，2012年以来多头年化收益28%，年化超额行业等权18.1%，月度超额胜率70%；2019年以来年化超额行业等权40.12%，月度胜率75%[42] 17. **全球配置ETF组合（目标波动率5%）**，2025年以来收益约6.6%，2011-2025年的年度收益胜率为93%[38] 量化因子与构建方式 1. 因子名称：宏观因子（增长因子、通胀因子、流动性因子、黄金因子等） - **因子构建思路**：通过宏观层面的经济增长、通胀、流动性、货币政策、美元指数、汇率、央行购金等指标及因子，识别宏观状态，评估资产配置价值[33][34] - **因子具体构建过程**： 1. **增长因子**：考虑PMI、工业增加值、社会消费品零售总额、固定资产投资完成额和出口金额5个指标[34] 2. **通胀因子**：考虑CPI和PPI2个指标[34] 3. **流动性因子**：采用M1同比来衡量，用于债市风险监控[34] 4. **股债性价比因子**：采用ERP（股权风险溢价指标）、EP（1/PE）和BP（1/PB）指标构建，监控股市极端情况[34] 5. **黄金因子**：通过美元指数、央行购金和汇率等因素构建，衡量黄金的动态配置价值[34] 2. 因子名称：行业轮动子维度因子 - **因子构建思路**：从宏观、财务、分析师预期、ETF份额变动，公募基金/优选基金仓位动量、事件动量多个维度构建行业轮动因子[39] - **因子具体构建过程**： 1. **宏观维度因子**：刻画行业的经济周期动量效应[39] 2. **财务维度因子**：从三大报表出发优选财务状况较好的行业[39] 3. **分析师预期因子**：展示分析师预期边际上调的行业动量效应[39] 4. **ETF份额变动因子**：逻辑为超卖行业ETF反转[39] 5. **公募基金/优选基金仓位动量因子**：刻画公募基金/优选基金重仓行业的动量效应[39] 6. **事件动量因子**：逻辑是事件发生时的市场惯性（非线性行业动量）[39] 3. 因子名称：选基金复合因子（Alpha类因子、拥挤度因子） - **因子构建思路**：以Alpha类因子为主、拥挤度因子为辅，动态调整选基金因子与权重[46] - **因子具体构建过程**：各调仓日筛选过去两年IC、IR表现较好的因子分配剩余权重，构建复合因子[46] 4. 因子名称：长期能力因子（择时、交易、配置等） - **因子构建思路**：基于Brinson模型和业绩分解模型，结合风格因素，从选股和择时角度构建长期能力因子[64] - **因子具体构建过程**： 1. 构造行业择时三层业绩分解模型，将基金超额收益拆分为交易、选股、行业配置和择时四个分项[64] 2. 引入风格因素，将基金的选股和配置超额收益从行业和风格两个角度进行分解，引入交叉项，分解成行业选股、行业收益、风格选股、风格收益、行业-风格选股和行业-风格收益八个分项[64] 3. 引用经典的H-M和T-M模型计算基金的择时能力[64] 4. 最终构建的长期能力选基金因子包含TM模型构造的择时项以及业绩分解模型构造的行业配置和交易两项[64] 5. 因子名称：KF-Alpha因子 - **因子构建思路**：基于卡尔曼滤波的行业测算，通过基金业绩-高精度估算净值构造，更好体现基金行业内选股能力[70] - **因子具体构建过程**：对基金季报持仓进行猜测补全，在季度层面实现业绩拆分，构造KF-Alpha因子[70] 6. 因子名称：基金评价指标体系因子 - **因子构建思路**：对常用的基金评价业绩指标进行检验，选取相对有效的因子构建基金评价指标体系[88] - **因子具体构建过程**：指标体系包含收益指标、风险调整收益指标、风险指标、投资能力指标、持有体验指标和规模指标六大类，评价时间维度为近2年[88] 因子的回测效果 1. **长期能力因子**，全时段年化收益15.82%，相对基准超额年化收益8.37%，信息比1.04[71] 2. **风格轮动因子（结合长期能力因子）**，全时段年化收益17.37%，相对基准超额年化收益9.42%，信息比1.15[72] 3. **KF-Alpha+交易因子**，全时段年化收益16.14%，相对基准超额收益8.16%，信息比1[73] 4. **行业轮动多维度因子**，2012年以来应用该因子的策略年化收益28%，年化超额行业等权18.1%，月度超额胜率70%；2019年以来年化超额行业等权40.12%，月度胜率75%[42] 5. **基金评价综合得分因子（风格池内）**，长期来看，各风格池内综合得分排名靠前基金整体表现均跑赢中证偏股；成长风格基金在2015年、2019-2020年业绩弹性突出；2022-2024年价值风格占优[90] 6. **基金评价综合得分因子（赛道池内）**，医药、TMT、周期板块优选基金表现突出，年内优选基金分别上涨50.82%、44.27%、37.68%，相对全部赛道基金有超额[97] 7. **基金优选池综合因子**，长期相较于万得偏股基金指数和沪深300取得超额收益；单年度业绩均跑赢万得偏股基金指数；2019-2023年均跑赢沪深300[102]

根据提供的研报内容，经过仔细审阅，该报告主要总结了2025年11月A股新股的发行、上市表现及打新收益情况，并提出了相应的策略建议。报告内容侧重于市场数据描述和策略分析，并未涉及具体的量化模型或量化因子的构建、测试与分析过程。 因此，本总结中关于量化模型和量化因子的相关内容（包括名称、构建思路、具体构建过程、评价及测试结果）均无相应信息可供提取。