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**：基金抱团度模型 **模型构建思路**：通过重仓股抱团度及其持仓占比来衡量基金的抱团程度，反映机构投资者的趋同性[25] **模型具体构建过程**： - 股票抱团度计算：统计每只股票被重仓的基金数量，计算其百分位排名 $$stock\_score_{i,t} = rank_{pt}(num_{i,t})$$ 其中，$num_{i,t}$为第$t$期重仓第$i$只股票的基金数量，$rank_{pt}$为百分位排名[25][26] - 基金抱团度计算：对基金重仓股的抱团度得分按持仓市值加权求和 $$fund\_score_{j,t}=\sum_{k=1}^{10}stock\_cap_{k,t} \times stock\_score_{k,t}$$ 其中$stock\_cap_{k,t}$为第$k$只股票市值占基金股票市值的比例[27] 2. **因子名称**：板块配置因子 **因子构建思路**：通过分析主动权益基金在8大板块的配置比例变化，捕捉资金流向趋势[8][11] **因子具体构建过程**： - 板块划分：消费、周期、TMT等8大板块（含港股），细分至中信一级行业[11] - 计算当期配置比例与历史均值的偏离值： 超配比例 = 当期配置比例 - 近5年历史均值[12] 例如2025Q2港股超配9.67%，TMT超配4.65%[12] 3. **因子名称**：行业配置因子 **因子构建思路**：基于中信一级行业的基金持仓变动，识别行业轮动信号[14][16] **因子具体构建过程**： - 计算行业持仓占比变化：当期配置比例 - 上期配置比例（如通信行业2025Q2环比+1.85pct）[16] - 计算行业超欠配值：当期配置比例 - 近8个季度均值（如电子行业超配2.03%）[16][17] 模型与因子的回测效果 1. **基金抱团度模型**： - 2025Q2抱团度处于历史中枢水平，较上季度下降[27] - 抱团基金筛选结果：前20只基金港股配置中位数15.9%（如易方达蓝筹精选港股占比43.5%）[30] 2. **板块配置因子**： - 2025Q2超配板块：港股(+9.67pct)、TMT(+4.65pct)、金融(+1.69pct)[12] - 低配板块：消费(-6.73pct)、周期(-3.18pct)[12] 3. **行业配置因子**： - 超配行业：港股(+7.22pct)、电子(+2.03pct)、银行(+1.32pct)[17] - 低配行业：食品饮料(-3.09pct)、电力设备及新能源(-1.96pct)[17] 关键数据补充 - 仓位指标：2025Q2主动权益基金仓位中位数90.63%，处于历史高位[7] - 个股因子：宁德时代为第一大重仓股（持仓占比2.9%），腾讯控股为港股第一重仓（占比3.7%）[20][22][23] 注：所有计算公式与数据均来自原文标注的文档ID，未包含风险提示等非核心内容。

量化模型与构建方式 1. **模型名称**：利率债预期收益模型 - **模型构建思路**：通过分解利率债收益为票息收益、骑乘收益、久期收益和凸性收益四个分项，结合利率预测模型和蒙特卡洛模拟预测任意期限国债的持有一年预期收益[8] - **模型具体构建过程**： $$R~\approx~r_{N}+\,r o l l\,y i e l d\,+\,D u r\cdot(-\Delta r)\,+\,\frac{1}{2}C x\cdot\Delta r^{2}$$ 其中： - \(r_N\)为票息收益，\(roll\,yield\)为骑乘收益，\(Dur\)为久期，\(\Delta r\)为利率变化，\(Cx\)为凸性调整项[8] - **模型评价**：能够量化评估不同期限国债的预期收益差异，但依赖利率预测模型的准确性 2. **模型名称**：月度利率预测模型 - **模型构建思路**：基于利率短期运行的均值回复、短期动量（1个月）和长期动量（12个月）特征构建[14] - **模型具体构建过程**： $$\Delta r_{t+1}\,=\,\beta_{1}(\mu-r_{t})+\beta_{2}(r_{t}-r_{t-1})+\,\beta_{3}(r_{t}-r_{t-12})+\sigma\sqrt{r_{t}}\cdot\varepsilon$$ 其中： - \(\mu\)为利率中枢，\(\beta_1\)为均值回复系数，\(\beta_2\)为短期动量系数，\(\beta_3\)为长期动量系数[14] - **模型评价**：适用于短期（1个月）利率走势预测，但对参数敏感性较高 3. **模型名称**：宏观胜率评分卡模型 - **模型构建思路**：通过货币、信用、增长、通胀与海外五因子合成大类资产的宏观胜率评分[11] - **模型具体构建过程**：未披露具体公式，但基于中长贷同比、PMI、主权CDS等指标动态调整胜率分值[11] - **模型评价**：能够捕捉经济韧性变化，但需依赖宏观数据的及时性 --- 量化因子与构建方式 1. **因子名称**：利率债赔率因子 - **因子构建思路**：定义为10Y与1Y国债未来一年预期收益差，反映长债相对短债的收益吸引力[8] - **因子具体构建过程**： - 赔率 = 10Y国债预期收益 - 1Y国债预期收益，通过预期收益模型计算[8] 2. **因子名称**：交易拥挤度因子 - **因子构建思路**：通过长债换手率（成交额/余额）和成交占比（长债成交额/全市场国债成交额）刻画交易热度[17][18] - **因子具体构建过程**： - 换手率 = 10Y以上国债成交额 ÷ 余额 - 成交占比 = 10Y以上国债成交额 ÷ 所有国债成交额[17][18] --- 模型的回测效果 1. **利率债预期收益模型**： - 截至2025年7月18日，10Y-1Y预期收益差为-3.2%，处于2011年以来低位[8] 2. **月度利率预测模型**： - 年化收益6.6%，最大回撤2.3%，2025年1月底起建议配置短端国债规避Q1回撤[14] 3. **宏观胜率评分卡模型**： - 当前债券胜率降至0%，反映经济韧性增强[11] --- 因子的回测效果 1. **利率债赔率因子**： - 历史极低赔率（-3.2%）隐含长债配置风险[8] 2. **交易拥挤度因子**： - 当前换手率位于1.0倍标准差，成交占比位于2.2倍标准差，超过2倍标准差时未来1~3个月收益为负[17][18][24][25]

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：股指分红点位测算模型** - **模型构建思路**：通过精细化处理指数成分股的分红数据，预测股指期货合约的升贴水情况，需考虑成分股分红对指数点位的自然滑落影响[11][39] - **模型具体构建过程**： 1. **成分股权重计算**：采用中证指数公司每日披露的日度权重数据，避免估算偏差。若需估算，公式为： $$W_{n,t}={\frac{w_{i0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{n})}}$$ 其中，\(w_{i0}\)为最近公布权重，\(r_{n}\)为个股涨跌幅[45][46] 2. **分红金额预测**： - 若公司已公布分红金额，直接采用；否则通过净利润×股息支付率估算[47] - **净利润预测**：对盈利分布稳定的公司按历史规律预测，不稳定的公司采用上年同期值[50] - **股息支付率预测**： - 去年分红则沿用去年值 - 去年不分红则取近3年平均 - 从未分红则默认不分红[53] 3. **除息日预测**： - 已公布则直接采用 - 未公布则根据预案/决案阶段的历史间隔天数线性外推，或默认设置为7月31日/8月31日/9月30日[56] 4. **分红点数计算**： $$分红点数=\sum_{n=1}^{N}\left(\frac{成分股分红金额}{成分股总市值}\times成分股权重\times指数收盘价\right)$$ 要求除息日在当前日期至合约到期日之间[39] - **模型评价**：对上证50和沪深300指数预测准确度高（误差约5点），中证500稍大（约10点）[61] 2. **模型名称：股息率计算模型** - **模型构建思路**：统计已披露分红预案个股的股息率，用于行业比较[14] - **模型具体构建过程**： - **已实现股息率**： $$全年已实现股息率=\sum_{i=1}^{N1}\left(\frac{个股已分红金额}{个股总市值}\times个股权重\right)$$ - **剩余股息率**： $$全年剩余股息率=\sum_{i=1}^{N2}\left(\frac{个股待分红金额}{个股总市值}\times个股权重\right)$$ 其中\(N1\)、\(N2\)分别为已分红和待分红公司数量[16] --- 模型的回测效果 1. **股指分红点位测算模型**： - 上证50预测误差：±5点（2023-2024年）[61] - 沪深300预测误差：±5点（2023-2024年）[61] - 中证500预测误差：±10点（2023-2024年）[61] 2. **股息率计算模型**： - 上证50已实现股息率2.04%，剩余0.17%（2025年7月22日）[16] - 沪深300已实现股息率1.56%，剩余0.27%[16] - 中证500已实现股息率1.09%，剩余0.15%[16] - 中证1000已实现股息率0.86%，剩余0.07%[16] --- 量化因子与构建方式 1. **因子名称：行业股息率因子** - **因子构建思路**：通过行业分类比较已披露分红预案个股的股息率中位数[14] - **因子具体构建过程**： - 计算各行业个股的预案股息率（预案分红金额/当前总市值） - 取行业中位数排序[14] - **因子评价**：煤炭、银行、钢铁行业股息率排名前三[14] 2. **因子名称：升贴水幅度因子** - **因子构建思路**：跟踪股指期货主力合约升贴水变化，反映市场情绪[11] - **因子具体构建过程**： - 计算年化升贴水率： $$年化升贴水=\left(\frac{合约收盘价-指数收盘价}{指数收盘价}\right)\times\frac{365}{到期天数}\times100\%$$ - 含分红调整的价差需叠加分红点数影响[12] --- 因子的回测效果 1. **行业股息率因子**： - 煤炭行业股息率中位数最高（具体数值未披露）[14] 2. **升贴水幅度因子**（2025年7月22日）： - IH主力合约年化升水3.30%，历史分位79%[12][26] - IF主力合约年化升水2.68%，历史分位84%[12][26] - IC主力合约年化贴水5.68%，历史分位39%[12][26] - IM主力合约年化贴水9.94%，历史分位18%[12][26]

根据提供的金融工程日报内容，该报告主要聚焦市场表现、情绪指标及资金流向监测，未涉及量化模型或因子构建的具体方法论。以下是可提取的结构化信息： --- 市场情绪指标构建方式 1. **封板率指标** - 构建思路：反映涨停股的封板稳定性[18] - 具体公式： $$封板率 = \frac{\text{最高价涨停且收盘涨停股票数}}{\text{最高价涨停股票数}}$$ - 数据范围：上市满3个月以上的股票[18] 2. **连板率指标** - 构建思路：衡量涨停股的持续性强弱[18] - 具体公式： $$连板率 = \frac{\text{连续两日收盘涨停股票数}}{\text{昨日收盘涨停股票数}}$$ - 数据范围：上市满3个月以上的股票[18] --- 资金流向监测指标 1. **大宗交易折价率** - 构建思路：评估大额交易的折价水平[27] - 具体公式： $$折价率 = \frac{\text{大宗交易总成交金额}}{\text{当日成交份额总市值}} - 1$$ - 数据范围：近半年日均成交12亿元[27] 2. **股指期货年化贴水率** - 构建思路：量化期货与现货的价差[29] - 具体公式： $$年化贴水率 = \frac{\text{基差}}{\text{指数价格}} \times \left(\frac{250}{\text{合约剩余交易日数}}\right)$$ - 覆盖品种：上证50/沪深300/中证500/中证1000主力合约[29] --- 指标回测效果 1. **封板率** - 当日值：82%（较前日+1%）[18] - 近一月趋势：创阶段新高[18] 2. **连板率** - 当日值：51%（较前日+26%）[18] - 近一月趋势：创近30日新高[18] 3. **大宗交易折价率** - 当日值：6.44%（近半年均值5.82%）[27] 4. **股指期货贴水率** - 上证50：年化升水0.96%（68%分位）[29] - 沪深300：年化贴水1.29%（61%分位）[29] - 中证500：年化贴水7.86%（56%分位）[29] - 中证1000：年化贴水10.66%（56%分位）[29] --- 注：报告未提供对指标的定性评价或复合因子构建内容，以上均为单指标监测方法[18][27][29]

根据提供的证券研究报告内容，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**：主动权益基金仓位模型 **模型构建思路**：通过统计Wind二级分类为普通股票型和偏股混合型的基金仓位变化，反映市场主动权益基金的配置情况[28] **模型具体构建过程**： - 计算主动权益基金股票持仓市值占净值比例 - 跟踪季度环比变化，2025Q2仓位为88.78%，较Q1上升37bp[16][28] **模型评价**：能有效监测机构投资者风险偏好变化 2. **模型名称**：行业轮动监测模型 **模型构建思路**：基于公募基金重仓股行业配置变化捕捉资金流向[17][33] **模型具体构建过程**： - 按申万一级行业统计持仓占比 - 计算环比变动：银行(+1.67%)、通信(+1.53%)、非银金融(+0.97%)为加仓前三行业[17] - 食品饮料(-1.95%)、汽车(-0.93%)为减仓前二行业[17][33] 模型的回测效果 1. 主动权益基金仓位模型，2025Q2仓位88.78%[16][28] 2. 行业轮动监测模型，银行行业配置环比+1.67%[17][33] 量化因子与构建方式 1. **因子名称**：基金加仓强度因子 **因子构建思路**：通过基金季报披露的重仓股变动捕捉主力资金动向[51][55] **因子具体构建过程**： - 计算个股基金持仓市值变化：中际旭创(+132亿)、新易盛(+93亿)[55] - 结合流通市值计算占比变化：沪电股份流通市值占比提升10.59%[55] 2. **因子名称**：行业集中度因子 **因子构建思路**：衡量基金行业配置集中程度[17][32] **因子具体构建过程**： - 统计前五大行业持仓占比：电子(17.26%)、电力设备(9.8%)、食品饮料(9.43%)[17] - 计算HHI指数：$$HHI = \sum_{i=1}^n s_i^2$$ 其中$s_i$为行业i的配置比例[32] 因子的回测效果 1. 基金加仓强度因子，中际旭创净流入132亿元[55] 2. 行业集中度因子，电子行业配置占比17.26%[17][32] 注：报告中未涉及传统多因子模型中常见的价值/动量等因子，主要聚焦于持仓分析类因子[17][33][55]

根据提供的研报内容，以下是关于量化模型和因子的详细总结： 量化模型与构建方式 1. **模型名称**：景顺长城保守养老目标一年持有期基金的投资策略模型 **模型构建思路**：通过"核心层＋卫星层"双层架构，结合低相关性资产组合平滑波动、兼顾收益[4][53] **模型具体构建过程**： - 核心层以利率债为主，信用债为辅，严格控制回撤风险 - 卫星层配置中国资产、海外资产和商品等高波动资产作为收益增强 - 通过跨地域多资产多策略配置降低组合回撤[53] **模型评价**：该策略在回撤控制和收益稳定性方面表现优异，夏普比和卡玛比显著优于同类产品[24][48] 2. **模型名称**：风险控制体系模型 **模型构建思路**：先限定最大回撤保证本金安全，再追求稳健年化收益[54] **模型具体构建过程**： - 日常重点管理回撤，减少业绩波动引发的非理性赎回 - 当单个资产品类出现预期风险时，缩减该品类风险预算，不进行越跌越买操作[54] **模型评价**：该风险控制方法使产品最大回撤仅为-0.88%，显著优于同类中位数-3.17%[48] 模型的回测效果 1. **景顺长城保守养老目标一年持有A模型** - 年化收益率：5.16% - 年化波动率：1.68% - 夏普比：2.61 - 最大回撤：-0.88% - 卡玛比：5.66[24][48] 2. **景顺长城保守养老目标一年持有Y模型** - 年化收益率：5.84% - 年化波动率：1.90% - 夏普比：2.23 - 最大回撤：-0.88% - 卡玛比：6.33[24][48] 量化因子与构建方式 1. **因子名称**：多元资产配置因子 **因子构建思路**：通过利率债、信用债、权益类资产和商品的低相关性组合构建[53] **因子具体构建过程**： - 债券组合以国债为主，辅以信用债基金 - 权益类核心配置被动基金（占比≥50%），剩余配置由个股和主动基金组成 - 通过中国资产+海外资产轮动获取收益，大宗商品策略作为补充[57] **因子评价**：该配置方法使产品三个月正收益胜率达100%，超额收益胜率71.26%-88.80%[33] 2. **因子名称**：收益增强因子 **因子构建思路**：通过风格和行业轮动解决大部分配置问题[57] **因子具体构建过程**： - 权益配置中被动基金用于风格和行业轮动 - 个股和主动基金配合用于日内止盈止损[57] **因子评价**：该因子帮助产品在2024年实现4.19%的绝对收益，夏普比达3.63[28] 因子的回测效果 1. **多元资产配置因子** - 三个月正收益胜率：100% - 超额收益胜率：71.26%（A类）、88.80%（Y类） - 最长不创新高持续时间：42天（A类）、39天（Y类）[33][41] 2. **收益增强因子** - 2024年绝对收益：4.19%（A类） - 2024年夏普比：3.63（A类） - 2025年至今绝对收益：2.22%（A类）、2.28%（Y类）[28][32]

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. **模型名称**：宽基轮动策略 - **模型构建思路**：基于不同宽基指数（沪深300、中证500、中证1000、中证2000及"其他"组）的热度变化率构建轮动策略，捕捉市场情绪驱动的短期收益机会[7][8][11][13] - **模型具体构建过程**： 1. 计算各组股票周度热度变化率： $$ 热度变化率 = \frac{本周总热度 - 上周总热度}{上周总热度} \times 100\% $$ 2. 对变化率取2周移动平均（MA2）平滑处理 3. 每周最后一个交易日买入MA2变化率最大的宽基组合，若最大变化率为"其他"组则空仓[11][13] - **模型评价**：策略通过捕捉市场注意力转移带来的短期动量效应，适用于高波动市场环境[13][16] 2. **模型名称**：概念热度组合策略 - **模型构建思路**：利用热门概念板块内个股热度分化现象，构建高热度概念中的低热度个股组合[30][32][34] - **模型具体构建过程**： 1. 每周筛选热度变化率最大的5个概念 2. 排除概念成分股中流通市值最小的20%股票 3. 从每个概念中分别选取： - 总热度排名前10的个股构建TOP组合 - 总热度排名后10的个股构建BOTTOM组合 4. 等权重持有组合股票[32][34] - **模型评价**：BOTTOM组合通过捕捉概念板块内的"洼地效应"获得稳定超额收益[34] 模型的回测效果 1. **宽基轮动策略**： - 年化收益率：8.74% - 最大回撤：23.5% - 2025年收益：14.7%[16] 2. **概念热度BOTTOM组合**： - 年化收益率：15.71% - 最大回撤：28.89% - 2025年收益：25.5%[34] 量化因子与构建方式 1. **因子名称**：个股总热度因子 - **因子构建思路**：通过归一化处理反映个股受市场关注程度[7] - **因子具体构建过程**： 1. 计算单日个股行为数据： $$ 原始热度 = 浏览次数 + 自选次数 + 点击次数 $$ 2. 全市场归一化： $$ 归一化热度 = \frac{个股原始热度}{全市场总原始热度} \times 10000 $$ 3. 指标取值范围[0,10000][7] 2. **因子名称**：行业热度变化率因子 - **因子构建思路**：监测申万一级/二级行业情绪波动[20][22][27] - **因子具体构建过程**： 1. 聚合行业成分股的总热度指标 2. 计算周度变化率： $$ 行业热度变化率 = \frac{本周行业总热度 - 上周行业总热度}{上周行业总热度} \times 100\% $$ 3. 取MA2平滑处理[20][22] 因子的回测效果 1. **行业热度变化率因子**： - 本周正向变化最大行业：房地产（+63.3%） - 本周负向变化最大行业：国防军工（-27.8%）[27] 2. **概念热度变化率因子**： - 本周TOP5概念：钛白粉（+145.9%）、自由贸易港（+108.6%）、上海国企改革（+105.9%）、中国AI 50（+90%）、ERP概念（+85.5%）[31][36]

根据提供的金融工程季度报告内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **基金仓位监控模型** - 模型构建思路：通过统计普通股票型和偏股混合型基金的仓位中位数及历史分位点，监控基金仓位变化[14] - 模型具体构建过程： 1. 计算普通股票型基金仓位中位数（91.27%）和偏股混合型基金仓位中位数（90.08%） 2. 计算历史分位点（普通股票型88.71%，偏股混合型93.55%） 3. 跟踪港股仓位均值（普通股票型12.91%，偏股混合型16.85%）及配置基金数量占比（58.35%）[16][18] 2. **基金持股集中度模型** - 模型构建思路：通过十大重仓股占权益配置比例中位数和持股数量变化，衡量基金经理持仓集中度与分化度[19] - 模型具体构建过程： 1. 计算重仓股占权益配置比重（52.23%，上期53.21%） 2. 统计基金经理持股总数（2436只，较上季度增加）[19] 3. **行业主动增减仓模型** - 模型构建思路：通过调整行业涨跌幅剥离被动变化，反映基金经理主动调仓行为[36] - 模型具体构建过程： 1. 计算调整后行业权重： $$w_{t-1}\ =\ w_{t-1}\ *\ (1\ +\ i n d_{r e t})$$ 2. 当期行业权重减去调整后权重，得到主动增减仓值（如通信+2.37%，食品饮料-1.52%）[36][37] 4. **个股主动加减仓模型** - 模型构建思路：类似行业模型，通过个股涨跌幅调整持股市值，计算主动加减仓[42] - 模型具体构建过程： 1. 计算调整后持股市值： $$v a l_{t-1}^{\prime}\,=\,v a l_{t-1}\,*\,(1\,+\,s t k_{r e t})$$ 2. 当期市值减去调整后市值，得到主动加减仓值（如中际旭创+130亿元，腾讯控股-117亿元）[42][43] 模型的回测效果 1. **基金仓位监控模型** - 普通股票型基金仓位历史分位点：88.71%[14] - 偏股混合型基金仓位历史分位点：93.55%[14] 2. **行业主动增减仓模型** - 通信行业主动加仓：+2.37%[37] - 食品饮料行业主动减仓：-1.52%[37] 3. **个股主动加减仓模型** - 中际旭创主动加仓市值：+130亿元[44] - 腾讯控股主动减仓市值：-117亿元[44] 量化因子与构建方式 1. **板块配置权重因子** - 因子构建思路：统计主板、创业板、科创板、港股配置权重变化（如主板52.44%，创业板15.3%）[27][29] 2. **行业配置权重因子** - 因子构建思路：按中信一级行业分类计算配置权重（如电子18.88%，医药11.11%）[33][34] 3. **绩优基金行业集中度因子** - 因子构建思路：统计绩优基金前三大行业配置权重（医药64.79%，国防军工9.06%）[46][47] 因子的回测效果 1. **板块配置权重因子** - 港股配置权重：19.94%[29] - 创业板配置权重变化：+1.78%[29] 2. **行业配置权重因子** - 电子行业历史分位点：98.39%[34] - 医药行业历史分位点：25.81%[34] 3. **绩优基金行业集中度因子** - 医药行业配置权重：64.79%[47] - 国防军工行业主动加仓：+1.83%[47] 注：报告未提供模型或因子的定性评价，故未包含相关描述。

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：通过统计涨停股票在收盘时仍保持涨停的比例来反映市场情绪[16] - 模型具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 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] - 模型评价：高频指标能有效捕捉短期市场情绪波动 2. **连板率模型** - 模型构建思路：衡量涨停股票的持续性[16] - 模型具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 筛选上市满3个月的股票，计算连续两日涨停的比例[16] 3. **股指期货贴水率模型** - 模型构建思路：通过期货主力合约与现货指数的基差反映市场预期[27] - 模型具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 分别计算上证50、沪深300、中证500、中证1000主力合约的年化贴水率[27] - 模型评价：跨品种比较需考虑不同指数的波动特性 模型的回测效果 1. **封板率模型** - 当日取值：81%[16] - 近期变化：较前日提升15%[16] 2. **连板率模型** - 当日取值：25%[16] - 近期变化：较前日下降1%[16] 3. **股指期货贴水率模型** - 上证50：0.21%（59%分位）[27] - 沪深300：2.89%（53%分位）[27] - 中证500：9.75%（45%分位）[27] - 中证1000：12.81%（47%分位）[27] 量化因子与构建方式 1. **大宗交易折价因子** - 因子构建思路：通过大宗交易成交价与市价的偏离反映机构交易意愿[25] - 因子具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 计算近半年日均折价率5.84%，当日折价率7.75%[25] 2. **ETF溢价因子** - 因子构建思路：捕捉场内交易ETF相对于净值的溢价机会[23] - 因子具体构建过程：筛选日成交额超100万的股票型ETF，计算溢价率=交易价格/净值-1[23] 因子的回测效果 1. **大宗交易折价因子** - 近半年均值：5.84%[25] - 当日取值：7.75%[25] 2. **ETF溢价因子** - 最高溢价：创新药企ETF溢价0.94%[23] - 最高折价：科创综指ETF折价0.84%[23]

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价格涨跌的扩散程度，判断市场趋势反转的临界点[5][20] - 模型具体构建过程： 1. 横轴设定为未来N天股价涨跌幅区间（从涨10%到跌10%，即1.1至0.9） 2. 纵轴设定为回顾窗口期长度T天（T从20到10，对应未来N=0到10天） 3. 计算每个网格点（如横轴0.95与纵轴15天）的扩散指数值，反映成分股在特定涨跌幅区间的分布比例 4. 当前扩散指数值为0.94（横轴20，纵轴1.0），通过观察底部股票数量变化判断趋势[5][20] - 模型评价：对反转行情敏感，但需结合成分股动态调整的影响 2. **模型名称：首次阈值法（左侧交易）** - 模型构建思路：基于扩散指数首次突破阈值触发交易信号，偏向提前布局[5][45] - 模型具体构建过程：当扩散指数首次跌破0.9850时触发空仓信号（2025年5月8日）[45] 3. **模型名称：延迟阈值法（右侧交易）** - 模型构建思路：等待扩散指数确认趋势后触发信号，减少误判[5][48] - 模型具体构建过程：扩散指数收于0.8975时发出空仓信号（2025年5月15日）[48] 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][50] - 模型具体构建过程：2025年7月3日收盘时均线交叉触发开仓信号[50] --- 模型的回测效果 1. **扩散指数模型** - 当前扩散指数值：0.94（横轴20，纵轴1.0）[5] - 趋势信号：底部股票数量减少，反转压力增大[20] 2. **首次阈值法** - 触发信号：空仓（2025年5月8日，阈值0.9850）[45] 3. **延迟阈值法** - 触发信号：空仓（2025年5月15日，阈值0.8975）[48] 4. **双均线法** - 触发信号：开仓（2025年7月3日）[50] --- 量化因子与构建方式 1. **因子名称：非流动性因子** - 构建思路：衡量股票交易难度，高值代表低流动性[4][36] - 具体构建：未披露公式，但通过买卖价差或成交量倒数计算 - 因子评价：本周RankIC达0.353（历史平均0.04），短期有效性显著[36] 2. **因子名称：未复权股价因子** - 构建思路：捕捉低价股的异常收益[4][36] - 本周RankIC：0.348（历史平均-0.016）[36] 3. **因子名称：贝塔因子** - 构建思路：衡量个股相对于市场的波动性[4][36] - 本周RankIC：0.247（历史平均0.005）[36] 4. **因子名称：成交额因子** - 构建思路：反映资金关注度，高成交额可能预示反转[4][36] - 本周RankIC：-0.336（历史平均-0.082）[36] 5. **因子名称：小市值低波50策略** - 构建思路：在微盘股中筛选市值最小且波动率最低的50只股票[7][37] - 具体构建： 1. 成分股限定为万得微盘股指数成分 2. 每双周调仓，按市值升序和波动率升序复合排序选股 3. 费用设定为双边千三[37] - 因子评价：2025年YTD收益62.07%，但本周超额-2.44%[37] --- 因子的回测效果 1. **非流动性因子** - 本周RankIC：0.353 - 历史平均RankIC：0.04[36] 2. **未复权股价因子** - 本周RankIC：0.348 - 历史平均RankIC：-0.016[36] 3. **小市值低波50策略** - 2024年收益：7.07%（超额-2.93%） - 2025年YTD收益：62.07%[37] --- 其他关键指标 1. **万得微盘股指数成分股总市值中位数** - 当前值：22.88亿元 - 历史分位数：80.9%[65] 2. **成分股PB中位数** - 当前值：2.46 - 历史分位数：36.44%[67] 3. **成交占比** - 微盘股成交占比：1.69%[75] - 大盘/中盘/小盘成交占比：41.22%/35.19%/23.59%[71]