根据提供的金融工程日报内容，该报告主要聚焦市场表现和资金流向监测，未涉及量化模型或量化因子的构建与分析。以下是报告核心内容的分类总结： 市场表现 1. **宽基指数表现** 中证1000指数单日涨幅0.65%领先，科创100指数上涨1.87%[6][12] 风格指数中沪深300成长指数单日涨幅0.93%[6] 2. **行业表现** 通信(+3.31%)、钢铁(+2.31%)、医药(+1.97%)行业领涨，农林牧渔(-1.31%)、银行(-1.18%)表现最差[7][9] 3. **概念板块** CRO概念暴涨6.37%，光模块(CPO)涨5.36%，棉花概念下跌1.42%[10][12] 市场情绪指标 1. **涨跌停数据** 当日涨停48家，跌停8家，昨日涨停股次日收益1.88%，跌停股次日亏损2.65%[13][15] 封板率63%（下降5%），连板率18%（上升5%）[16][18] 2. **资金监控** 两融余额19,670亿元（融资占99.3%），交易占比10.9%[22][24] 大宗交易折价率3.78%（近半年均值5.84%）[26][28] 3. **衍生品信号** 中证1000期指年化贴水10.87%（54%分位），上证50期指罕见升水1.27%（72%分位）[28][31] 机构行为追踪 1. **调研热度** 民士达获97家机构调研，飞龙股份、富信科技等受关注[32] 2. **龙虎榜动向** 机构净买入德科立、北方长龙，净卖出上海电影、博云新材[36][38] 陆股通加仓德科立、恒宝股份，减持贝因美[37][40] 注：报告未包含量化模型/因子构建相关内容，以上为市场监测类数据的完整提炼。所有数据均为2025年7月29日或前一日（28日）的实时统计[6][28]

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称**：分层抽样法 - **模型构建思路**：根据成分股的特征进行分层，然后在每一层内选取代表性成分股，形成投资组合[51] - **模型具体构建过程**： 1. 以市值和估值作为分层标准，每个维度划分成三组，形成3×3共9个组合 2. 在每个分组中选择流动性较好的部分股票，最终形成投资组合 3. 也可以采用行业作为分层特征[51] - **模型评价**：能够保证组合与标的指数在市值、估值等维度的近似，但当待分层的风格较多时，容易出现股票数量不足的问题[51] 2. **模型名称**：最优化抽样复制法 - **模型构建思路**：通过约束组合相对基准的风格偏离，同时最小化组合跟踪误差的方法优化组合持仓[52] - **模型具体构建过程**： 1. 控制组合风险暴露，使得目标组合与基准指数在指定风格上的暴露保持一致 2. 采用组合优化的方式显式地控制组合跟踪误差[52] - **模型评价**：能够更加精准地控制组合跟踪误差，对于以跟踪误差为运作目标的ETF产品尤为重要[52] 模型的回测效果 1. **分层抽样法**： - 华夏中证2000ETF采用该方法，2023年报、2024年中报以及2024年年报中持股数量分别为824、844以及914只，指数内成分股权重占比接近100%[55] 2. **最优化抽样复制法**： - 华夏中证2000ETF采用该方法，自成立以来累计超额收益达到30.46%，年化超额收益达到15.14%，年化信息比达到3.14[56] 量化因子与构建方式 1. **因子名称**：Brinson模型 - **因子构建思路**：将超额收益拆解成行业配置收益和个股选择收益[59] - **因子具体构建过程**： 1. 计算行业配置收益：比较组合与基准在行业配置上的差异带来的收益 2. 计算个股选择收益：比较组合与基准在个股选择上的差异带来的收益[59] - **因子评价**：能够有效识别超额收益的来源，帮助优化投资组合[59] 因子的回测效果 1. **Brinson模型**： - 华夏中证2000ETF相对中证2000的超额收益主要来自个股选择收益，2023-12-31、2024-06-30、2024-12-31的个股选择收益分别为3.13%、0.65%、3.00%[60] 其他量化指标 1. **中证2000指数风险收益特征**： - 年化收益率：9.29% - 年化夏普比：0.46 - 年化波动率：27.82% - 最大回撤：-67.87%[47] 2. **华夏中证2000ETF风险收益特征**： - 20230906-20250723累计超额收益：15.14% - 年化信息比：3.14 - 相对最大回撤：-4.85%[58]

量化模型与构建方式 1. **模型名称：宏观择时策略** - **模型构建思路**：基于动态宏观事件因子构建股债轮动策略，通过经济增长和货币流动性信号动态调整权益仓位[27] - **模型具体构建过程**： 1. 经济增长信号强度计算：综合工业增加值、PMI等指标，6月信号强度为100%[28] 2. 货币流动性信号强度计算：基于SHIBOR、DR007等利率指标，6月信号强度为0%[28] 3. 权益仓位配置：信号加权后输出中性偏多观点，7月推荐仓位50%[28] - **模型评价**：2025年初至今收益率1.34%，跑赢Wind全A（1.04%）[27] 2. **模型名称：微盘股轮动模型** - **模型构建思路**：结合相对净值、动量和风险指标监控微盘股风格切换[31] - **模型具体构建过程**： 1. 相对净值计算：微盘股/茅指数相对净值2.00倍，高于243日均线1.48倍[31] 2. 动量指标：20日收盘价斜率微盘股0.5%，茅指数0.4%[31] 3. 风险监控：波动率拥挤度同比-13.56%（阈值55%），十年国债利率同比-21.85%（阈值30%）[35] 模型的回测效果 1. **宏观择时策略**：2025年初至今收益率1.34%，超额收益0.30%[27][29] 2. **微盘股轮动模型**：相对净值年化优势持续，波动率风险指标未触发预警[31][35] --- 量化因子与构建方式 1. **因子名称：价值因子** - **构建思路**：基于估值指标筛选低估股票[38] - **具体构建**： - BP_LR：最新年报账面净资产/最新市值[44] - EP_FTTM：未来12个月一致预期净利润/最新市值[44] - 沪深300池IC 12.36%，多空收益3.05%[38] 2. **因子名称：成长因子** - **构建思路**：捕捉企业盈利增长能力[38] - **具体构建**： - NetIncome_SQ_Chg1Y：单季度净利润同比增速[44] - 中证500池IC -14.01%，多空收益-1.46%[38] 3. **因子名称：技术因子** - **构建思路**：量价指标反映短期市场行为[44] - **具体构建**： - Volume_Mean_20D_240D：20日成交量均值/240日成交量均值[44] - 全部A股池IC 16.53%，多空收益1.86%[38] 4. **转债估值因子** - **构建思路**：平价底价溢价率衡量转债估值[41] - **具体构建**： - 上周多空收益-0.68%，正股成长因子（1.25%）表现最佳[41] --- 因子的回测效果 1. **价值因子**：沪深300池IC 12.36%，多空收益3.05%[38] 2. **成长因子**：中证500池IC -14.01%，多空收益-1.46%[38] 3. **技术因子**：全部A股池IC 16.53%，多空收益1.86%[38] 4. **转债估值因子**：周度多空收益-0.68%[41] （注：部分因子如质量、波动率等构建细节参见附录分类表[44]）

量化因子与构建方式 1. **因子名称**：大买单成交金额占比 **因子构建思路**：通过逐笔成交数据还原买卖单数据，筛选大单并计算大买单成交金额占总成交金额的比例，以刻画大资金的买入行为[7] **因子具体构建过程**： - 从逐笔成交数据中提取叫买和叫卖序号，还原买卖单数据 - 按每单成交量筛选大单（具体阈值未明确） - 计算大买单成交金额占比： $$ \text{大买单成交金额占比} = \frac{\text{大买单成交金额}}{\text{当日总成交金额}} \times 100\% $$ **因子评价**：有效反映大资金集中买入行为，但对市场流动性敏感 2. **因子名称**：净主动买入金额占比 **因子构建思路**：基于逐笔成交数据的买卖标志区分主动买入/卖出，计算净主动买入金额占总成交金额的比例，反映投资者主动交易意愿[7] **因子具体构建过程**： - 根据逐笔成交中的买卖标志（如B/S）划分主动买入和主动卖出 - 计算净主动买入金额： $$ \text{净主动买入金额} = \sum \text{主动买入成交金额} - \sum \text{主动卖出成交金额} $$ - 计算占比： $$ \text{净主动买入金额占比} = \frac{\text{净主动买入金额}}{\text{当日总成交金额}} \times 100\% $$ **因子评价**：直接捕捉资金流向，但对高频噪声较敏感 --- 因子回测效果 1. **大买单成交金额占比** - **个股表现**：苏博特（91.1%，时序分位数99.2%）、中铁工业（91.0%，99.6%）[9] - **宽基指数**：上证指数（74.7%，91.8%分位数）、中证500（75.6%，40.7%分位数）[12] - **行业表现**：银行（79.9%）、房地产（79.7%）[13] - **ETF表现**：富国中证农业主题ETF（90.8%，97.5%分位数）[15] 2. **净主动买入金额占比** - **个股表现**：伟星股份（18.9%，100%分位数）、海航控股（18.5%，97.9%分位数）[10] - **宽基指数**：上证指数（-7.6%，17.7%分位数）、创业板指（-5.4%，60.5%分位数）[12] - **行业表现**：传媒（-0.9%）、计算机（-2.1%）[13] - **ETF表现**：鹏华中证细分化工产业主题ETF（26.3%，98.8%分位数）[16] --- 模型应用说明 - **复合计算方式**：对个股、宽基指数、行业及ETF均采用整体法计算5日移动平均值，并统计时序分位数[7][12][13] - **衍生指标**：时序分位数反映当前值在历史分布中的位置，辅助判断极端状态[9][10]

量化模型与构建方式 1. **模型名称：价值50组合** - 模型构建思路：基于价值风格因子构建高beta弹性的Smart beta组合[8] - 模型具体构建过程：从国证价值指数成分股中筛选价值因子（如低市盈率、市净率）得分最高的50只股票，等权重配置[8] 2. **模型名称：价值均衡50组合** - 模型构建思路：在价值风格基础上兼顾长期稳健超额收益目标[8] - 模型具体构建过程：结合价值因子与风险控制指标（如波动率、流动性），从国证价值指数中优选50只股票并动态调仓[8] 3. **模型名称：成长50组合** - 模型构建思路：基于成长风格因子（如营收增长率、ROE）构建高弹性组合[8] - 模型具体构建过程：从国证成长指数中选取成长因子得分前50的股票，等权重配置[8] 4. **模型名称：成长均衡50组合** - 模型构建思路：平衡成长性与风险控制[8] - 模型具体构建过程：在成长因子基础上引入波动率调整，筛选50只股票并定期再平衡[8] 5. **模型名称：小盘50组合** - 模型构建思路：捕捉小盘股的高波动收益[8] - 模型具体构建过程：从国证2000指数中选取市值最小的50只股票，等权重配置[8] 6. **模型名称：小盘均衡50组合** - 模型构建思路：优化小盘股组合的风险收益比[8] - 模型具体构建过程：结合市值因子与流动性筛选，配置50只股票并控制单只权重上限[8] --- 模型的回测效果 1. **价值50组合** - 周收益率：0.09% - 月收益率：3.51% - 年收益率：14.88% - 最大相对回撤：2.34%[9] 2. **价值均衡50组合** - 周收益率：1.72% - 月收益率：5.31% - 年收益率：10.67% - 最大相对回撤：3.99%[9] 3. **成长50组合** - 周收益率：1.67% - 月收益率：5.00% - 年收益率：6.07% - 最大相对回撤：3.61%[9] 4. **成长均衡50组合** - 周收益率：1.19% - 月收益率：2.09% - 年收益率：10.52% - 最大相对回撤：6.11%[9] 5. **小盘50组合** - 周收益率：1.30% - 月收益率：9.84% - 年收益率：34.84% - 最大相对回撤：6.23%[9] 6. **小盘均衡50组合** - 周收益率：1.82% - 月收益率：5.54% - 年收益率：27.99% - 最大相对回撤：4.56%[9] --- 量化因子与构建方式 （报告中未明确描述因子构建细节，仅提及风格因子分类为价值、成长、小盘[8]） --- 因子的回测效果 （报告中未提供因子单独测试结果） --- 其他说明 - 所有模型均以国证风格指数（价值、成长、小盘）为基准计算超额收益[9] - 组合调仓频率未明确说明，推测为定期再平衡[8]

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. **模型名称**：OpenReasoning-Nemotron推理模型 **模型构建思路**：基于Qwen2.5架构，通过从6710亿参数的DeepSeek R1 0528模型中蒸馏提炼而成，旨在为数学、科学及代码生成等结构化任务提供高效推理支持[12] **模型具体构建过程**： - 利用NeMo Skills框架生成500万个涵盖数学证明、科学推导和编程解决方案的高质量数据轨迹 - 通过纯监督微调（SFT）而非强化学习进行训练，确保逻辑一致性和符号推理精准度 - 采用GenSelect算法实现"重型推理模式"，通过并行启动多个智能体生成候选解并筛选最优答案 - 公式：GenSelect@64技术，在32B模型上将HMMT数学竞赛成绩从73.8提升至96.7[13] **模型评价**：在GPQA、MMLU-PRO和AIME24等基准测试中刷新同参数规模纪录，32B版本在AIME24获得89.2分，超越OpenAI的o3-high模型[15] 2. **模型名称**：Qwen3-Coder **模型构建思路**：以4800亿参数规模、原生支持256K上下文窗口的混合专家架构（MoE）为核心，实现开源编程模型的性能突破[19] **模型具体构建过程**： - 采用稀疏化MoE设计，总参数4800亿但每次推理仅激活350亿参数，包含160个专家网络并动态选择8个参与计算 - 使用7.5万亿token的语料库，其中70%为代码数据，覆盖80余种编程语言及20多种标记语言 - 通过Qwen2.5-Coder对低质量数据清洗改写，生成高质量合成数据 - 引入代码强化学习与长程强化学习，构建分布式系统并行运行2万个独立环境[19] **模型评价**：HumanEval pass@1正确率达93.7%，超越Claude 3.5的92.4%；在SWE-Bench Verified上以31.4%任务成功率首次超过GPT-4的30.9%[20] 3. **模型名称**：AI评审框架 **模型构建思路**：通过赋予AI评审员自主调用外部工具的能力，构建兼具效率与严谨性的混合评审体系[25] **模型具体构建过程**： - 采用三级决策机制：初始领域评估、工具调用环节（事实核查/代码执行/数学核查）、综合评审结论生成 - 工具优先策略，仅在无适用工具时回退至基线模型评审 - 模块化设计实现领域适配，数学核查工具可灵活替换为Wolfram Alpha等专业引擎[26] **模型评价**：将数学问题评审错误率从纯模型评估的28%降至6%，代码评审误判率下降逾40%[29] 模型的回测效果 1. **OpenReasoning-Nemotron模型** - AIME24得分：32B版本89.2分，7B模型78.2分，1.5B模型45.6分[15] - LiveCodeBench得分：从70.2提升至75.3[13] - HMMT数学竞赛成绩：GenSelect@64技术下从73.8提升至96.7[13] 2. **Qwen3-Coder模型** - HumanEval pass@1正确率：93.7%[20] - SWE-Bench Verified任务成功率：31.4%[20] - 上下文处理能力：原生256K扩展至1M token[20] 3. **AI评审框架** - 数学问题评审错误率：从28%降至6%[29] - 代码评审误判率：下降逾40%[29] - MMLU基准测试指标一致性：提升约15%[29] 量化因子与构建方式 （注：研报中未明确提及量化因子的构建内容，故本部分暂缺） 因子的回测效果 （注：研报中未提及量化因子的测试结果，故本部分暂缺） 以上总结严格基于研报中涉及的量化模型相关内容，未包含风险提示、免责声明等非核心信息。模型构建细节引用自原文技术描述部分，测试结果数据均来自基准测试报告[12][13][15][19][20][25][26][29]

根据提供的研报内容，以下是量化模型和因子的总结： 量化模型与构建方式 1. **模型名称**：中证新能源汽车指数模型 **模型构建思路**：通过选取涉及锂电池、充电桩、新能源整车等业务的上市公司证券，反映新能源汽车相关上市公司的整体表现[69]。 **模型具体构建过程**： - 样本空间为中证全指指数的样本空间，排除ST、*ST证券，科创板证券和北交所证券需满足上市时间要求[69]。 - 选取涉及锂电池、充电桩、新能源整车等业务的上市公司证券作为待选样本[70]。 - 按过去一年日均总市值排名，选取前50名证券作为指数样本[70]。 **模型评价**：该模型聚焦新能源汽车行业龙头股，主题特征鲜明，具备较好的流动性和机构认可度[71]。 模型的回测效果 1. **中证新能源汽车指数模型**： - 前十大权重累计占比55.29%，聚焦宁德时代、汇川技术、比亚迪等龙头股[71]。 - 行业分布以电力设备及新能源、汽车、基础化工为主，权重占比72.55%[75]。 - 市值分布均衡，1000亿以上成分股权重占比38.40%[79]。 - 概念暴露度高，如民营企业综合（82.74%）、新能源汽车（77.67%）、碳中和（71.75%）[81]。 - PE和PB估值处于历史低位，具备较高投资性价比[83]。 - 预期2025年营业收入24518亿元，同比增长24.31%；归母净利润1839亿元，同比增长55.04%[85]。 量化因子与构建方式 1. **因子名称**：新能源汽车行业景气因子 **因子构建思路**：通过分析新能源汽车销量、渗透率、动力电池装机量等指标，反映行业景气度[9][25]。 **因子具体构建过程**： - 中国新能源车销量693.7万辆，同比增长40.3%，渗透率44.3%[9]。 - 全球动力电池装机量401.3GWh，同比增长38.5%，宁德时代市占率38.1%[28]。 - 磷酸铁锂电池装车占比81.4%，创历史新高[32]。 **因子评价**：该因子能有效捕捉新能源汽车行业的高成长性和龙头竞争优势[67]。 因子的回测效果 1. **新能源汽车行业景气因子**： - 中国新能源车销量同比增长40.3%，渗透率提升3.4pct[9]。 - 全球动力电池装机量同比增长38.5%，宁德时代市占率提升0.2pct[28]。 - 磷酸铁锂电池装车占比81.4%，同比增长73.0%[32]。

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称**：权益类公募基金仓位估算模型 **模型构建思路**：通过监测普通股票型基金和偏股混合型基金的权益类资产仓位变化，反映机构投资者对市场的预期[14] **模型具体构建过程**： - 使用基金持仓数据计算股票仓位占比 - 普通股票型基金仓位公式：$$仓位 = \frac{股票市值}{基金净资产} \times 100\%$$ - 偏股混合型基金仓位采用相同计算逻辑 - 历史分位数计算采用近三年数据滚动窗口[18][20] 2. **模型名称**：行业资金分化程度监测模型 **模型构建思路**：通过行业换手率标准差衡量资金集中度[31][34] **模型具体构建过程**： - 计算中信一级行业周度日均换手率 - 标准差公式：$$\sigma = \sqrt{\frac{1}{N}\sum_{i=1}^{N}(x_i - \bar{x})^2}$$ - 其中$x_i$为第i个行业换手率，$\bar{x}$为行业均值[33] 3. **模型名称**：行业收益分化监测模型 **模型构建思路**：通过行业收益率标准差衡量市场风格分化[30] **模型具体构建过程**： - 计算中信一级行业周度收益率 - 采用与资金分化模型相同的标准差公式[30] 量化因子与构建方式 1. **因子名称**：预期净利润复合增长率因子 **因子构建思路**：反映机构对未来的盈利预期[38][39] **因子具体构建过程**： - 计算主流宽基指数/行业的两年净利润复合增长率 - 环比变化量公式：$$\Delta G = G_t - G_{t-1}$$ - 其中$G_t$为当期增长率[39] 2. **因子名称**：估值分位数因子 **因子构建思路**：衡量当前PE在历史中的位置[40][42] **因子具体构建过程**： - 计算滚动五年PE(TTM)分位数 - 分位数公式：$$P = \frac{rank(PE)}{N} \times 100\%$$[42] 模型的回测效果 1. **权益类公募基金仓位模型**： - 普通股票型基金当前仓位84.96%（周环比-1.00%）[14] - 历史分位数7.8%（周环比下降）[18] 2. **行业资金分化模型**： - 当前标准差1.01%（周环比+0.05%）[31] - 近三年分位数74%[36] 3. **行业收益分化模型**： - 当前标准差2.51%（周环比+0.45%）[30] - 收益反转相关系数-9.5%[29] 因子的回测效果 1. **预期净利润复合增长率因子**： - 创业板指28.02%（周环比+0.11%）[39] - 中证1000指数32.41%（周环比-0.15%）[39] 2. **估值分位数因子**： - 中证500指数PE分位数94.8%（周环比+0.66%）[39] - 创业板指PE分位数43.73%（周环比+3.55%）[39]

根据研报内容，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. **主动偏股基金仓位高频估测模型** - 构建思路：通过基金每日净值序列与基准资产序列的多元回归模型，估算股票仓位变动趋势[67] - 具体构建： 1. 以申万行业指数为基准资产序列 2. 采用带约束条件的OLS回归，目标函数为最小化净值跟踪误差 3. 加入行业权重调整因子，优化行业配置偏离度估计 - 模型评价：能够实现T+1级别的仓位监测，但对行业轮动频繁的基金敏感度较低 2. **REITs指数化投资模型** - 构建思路：基于底层资产类型和项目属性构建全收益指数[51] - 具体构建： 1. 将REITs分为产权类（$$I_p = \sum w_iP_i$$）和特许经营权类（$$I_c = \sum w_jP_j$$） 2. 采用分级靠档法稳定样本份额，除数修正法处理非交易变动 3. 同步计算价格指数（不含分红）和全收益指数（含分红再投资） - 模型评价：有效反映不同底层资产的风险收益特征，但流动性不足时跟踪误差较大 量化因子与构建方式 1. **现金流因子** - 构建思路：筛选自由现金流稳定的上市公司构建投资组合[2][31] - 具体构建： 1. 计算企业自由现金流： $$FCF = EBITDA - \Delta NWC - CapEx - Taxes$$ 2. 标准化处理： $$z_{FCF} = \frac{FCF - \mu_{FCF}}{\sigma_{FCF}}$$ 3. 组合加权：按z-score分层等权配置 - 因子评价：在周期行业表现突出，但需结合资本开支周期调整 2. **行业主题动量因子** - 构建思路：捕捉主题基金的短期趋势延续性[39] - 具体构建： 1. 计算主题基金指数20日收益率： $$R_{20} = \frac{P_t}{P_{t-20}} - 1$$ 2. 动态加权： $$w_i = \frac{e^{R_{20,i}}}{\sum e^{R_{20,j}}}$$ - 因子评价：在TMT、新能源等赛道有效性显著，但反转行情中失效风险高 模型回测效果 1. **主动偏股基金仓位模型** - 周度调仓胜率：68.3% - 行业配置误差：±1.2pcts - IR：1.45（2023-2025）[67] 2. **REITs指数模型** - 年化收益：产权类3.84% vs 特许经营权类0.25% - 最大回撤：产权类-42.30% - 夏普比率：产权类0.17[51] 因子回测效果 1. **现金流因子** - 多空组合年化收益：9.2% - 信息比率：1.83 - 月度胜率：71.4%[2] 2. **行业动量因子** - 头部组合周收益：2.44%（TMT） - 尾部组合周收益：-0.30%（医药） - 月度IC：0.32[39] 注：所有测试周期均为2025年7月25日前推36个月[1][4]

量化模型与构建方式 1. **模型名称：扩散指数模型** - 模型构建思路：通过监测微盘股成分股未来N天股价涨跌幅与过去窗口期T天的关系，预测扩散指数变盘临界点[5] - 模型具体构建过程： 1. 横轴为未来N天股价相对涨跌幅（1.1至0.9代表涨10%至跌10%） 2. 纵轴为回顾窗口期长度T天（N=20-T） 3. 扩散指数值计算示例：横轴0.95与纵轴15天值为0.51，表示N=5天后若成分股均跌5%，扩散指数为0.51[5] - 模型评价：适用于监测趋势行情中头部股票的驱动效应，当前显示反转因子可能失效[5] 2. **模型名称：首次阈值法（左侧交易）** - 模型构建思路：基于扩散指数提前触发空仓信号[5] - 模型具体构建过程：当扩散指数首次跌破阈值（如0.9850）时发出空仓信号[5] 3. **模型名称：延迟阈值法（右侧交易）** - 模型构建思路：在扩散指数确认趋势后触发信号[5] - 模型具体构建过程：扩散指数连续跌破阈值（如0.8975）后发出空仓信号[5] 4. **模型名称：双均线法（自适应交易）** - 模型构建思路：结合短期与长期均线动态调整仓位[5] - 模型具体构建过程：当短期均线上穿长期均线时发出开仓信号（如2025年7月3日）[5] --- 量化因子与构建方式 1. **因子名称：非流动性因子** - 因子构建思路：衡量股票流动性风险[4] - 因子具体构建过程：基于买卖价差或成交量指标计算，公式未明确给出[4] - 因子评价：本周RankIC达0.268，显著高于历史均值0.04，显示当前流动性因子有效性提升[4] 2. **因子名称：单季度净利润增速因子** - 因子构建思路：捕捉企业短期盈利变化[4] - 因子具体构建过程：计算单季度净利润同比/环比增速[4] 3. **因子名称：未复权股价因子** - 因子构建思路：反映股价绝对水平对收益的影响[4] 4. **因子名称：股息率因子** - 因子构建思路：衡量分红回报率[4] 5. **因子名称：PB倒数因子** - 因子构建思路：估值修复潜力指标[4] 6. **因子名称：成交额因子** - 因子构建思路：反映资金活跃度[4] - 因子评价：本周RankIC为-0.299，显示高成交额股票表现不佳[4] 7. **因子名称：非线性市值因子** - 因子构建思路：捕捉市值与收益的非线性关系[4] 8. **因子名称：对数市值因子** - 因子构建思路：线性市值因子的对数变换[4] 9. **因子名称：10天总市值换手率因子** - 因子构建思路：衡量短期换手率波动[4] 10. **因子名称：10天自由流通市值换手率因子** - 因子构建思路：聚焦自由流通股的换手率[4] --- 模型的回测效果 1. **扩散指数模型** - 当前扩散指数值：0.89（横轴20，纵轴1.00）[5] - 信号触发： - 首次阈值法空仓信号（2025年5月8日）[5] - 延迟阈值法空仓信号（2025年5月15日）[5] - 双均线法开仓信号（2025年7月3日）[5] 2. **小市值低波50策略** - 2024年收益：7.07%（超额-2.93%）[7] - 2025年YTD收益：71.16%（本周超额1.98%）[7] - 调仓频率：每双周一次，基准为万得微盘股指数[7] --- 因子的回测效果 1. **非流动性因子** - 本周RankIC：0.268（历史平均0.04）[4] 2. **单季度净利润增速因子** - 本周RankIC：0.062（历史平均0.02）[4] 3. **未复权股价因子** - 本周RankIC：0.055（历史平均-0.016）[4] 4. **股息率因子** - 本周RankIC：0.046（历史平均0.021）[4] 5. **PB倒数因子** - 本周RankIC：0.042（历史平均0.033）[4] 6. **成交额因子** - 本周RankIC：-0.299（历史平均-0.082）[4] 7. **非线性市值因子** - 本周RankIC：-0.257（历史平均-0.033）[4] 8. **对数市值因子** - 本周RankIC：-0.257（历史平均-0.033）[4] 9. **10天总市值换手率因子** - 本周RankIC：-0.208（历史平均-0.06）[4] 10. **10天自由流通市值换手率因子** - 本周RankIC：-0.202（历史平均-0.062）[4]