根据提供的研报内容，该报告主要聚焦市场表现、情绪指标和资金流向的量化监测，未涉及具体的量化模型或因子构建。以下是可提取的量化指标分类整理： 市场情绪量化指标 1. **封板率** 构建思路：反映涨停股的稳定性[16] 计算公式： $$封板率=\frac{最高价涨停且收盘涨停股票数}{最高价涨停股票数}$$ 当日取值：63%（较前日下降14%）[16] 2. **连板率** 构建思路：衡量涨停股延续性[16] 计算公式： $$连板率=\frac{连续两日收盘涨停股票数}{昨日收盘涨停股票数}$$ 当日取值：32%（较前日提升11%，创近一月新高）[16] 资金流向量化指标 1. **两融交易占比** 构建思路：监控杠杆资金活跃度[21] 计算方式： $$两融交易占比=\frac{融资买入额+融券卖出额}{市场总成交额}$$ 当日取值：9.7%（近一年均值8.8%）[21] 2. **股指期货年化贴水率** 构建思路：反映期货市场预期[27] 计算公式： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 当日取值： - 上证50：升水1.32%（58%分位） - 沪深300：贴水3.67%（34%分位） - 中证500：贴水12.71%（11%分位） - 中证1000：贴水28.92%（3%分位）[27] 3. **大宗交易折价率** 构建思路：监测大资金交易情绪[25] 计算公式： $$折价率=\frac{大宗交易总成交金额}{当日成交份额总市值}-1$$ 当日取值：4.35%（近半年均值5.20%）[25] 其他监测指标 - **ETF折溢价**：银行ETF优选溢价0.99%，沪港深科技ETF折价1.20%[22] - **龙虎榜机构净流入**：美力科技等12只个股获净流入[34] - **陆股通净流入**：横店东磁等6只个股获净流入[35] 注：报告未提供模型构建细节或因子回测结果，主要为市场实时监测指标的量化计算[16][21][25][27]

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**：新闻事件与个股映射模型 **模型构建思路**：通过自然语言处理技术分析新闻文本，建立新闻事件与上市公司股票之间的映射关系[31] **模型具体构建过程**： - 使用自然语言处理技术对新闻文本进行语义分析、情感倾向判断以及实体识别（如公司名称、行业术语、关键事件等）[31] - 将新闻文本转化为与个股相关联的结构化数据信息[31] - 提示词模板示例： ``` 新闻：重磅！中国智造"Manus"横空出世：全球首款通用型 Agent，AI 新纪元真的来了？！ 我是中国股票市场投资研究人员。请分析上述新闻，并按以下字段返回数据表格：新闻总结，潜在影响的产业链，潜在影响的 A 股上市公司，影响因素分析（收入、成本、估值水平），利好或利空，影响置信水平。[31] ``` **模型评价**：模型返回结果基本符合预期，但需结合其他投研方法与数据来源进行综合判断，避免过度依赖单一新闻信息[34] 2. **模型名称**：DeepSeek-R1 思维导图生成模型 **模型构建思路**：通过 DeepSeek-R1 提取论文/研报的大纲和要点，生成思维导图[13] **模型具体构建过程**： - 使用 DeepSeek-R1 提取论文/研报的大纲和要点，并汇总为 markdown 文本[15] - 提示词模板： ``` 我是股票/债券/基金投研人员，请仔细阅读文章，整理文章大纲和要点，并以 markdown 格式返回结果。[15] ``` - 将 markdown 文本导入 Xmind 中生成思维导图[17] 3. **模型名称**：Kimi+PPT 生成模型 **模型构建思路**：基于 DeepSeek-R1 提取的要点，结合预设模板库生成专业 PPT[22] **模型具体构建过程**： - 使用 DeepSeek-R1 提取投研成果要点，并汇总为 markdown 文件[22] - 将投研成果原文和 DeepSeek-R1 要点输入到 Kimi+PPT 助手功能[24] - 提示词模板： ``` 我是股票/债券/基金投研人员，请仔细阅读文章，并结合输入的文章大纲和要点，制作 PPT。[24] ``` 模型的回测效果 1. **新闻事件与个股映射模型**： - 模型返回的上市公司分属于产业链的上中下游，包含上游的 AI 基建、中游的 AI 平台，下游的 AI+应用[34] - 影响因素分析部分未能完全按照预期对上市公司的要素进行演绎[34] 2. **DeepSeek-R1 思维导图生成模型**： - 自动生成功能节省了时间与精力，提高了投研前期资料梳理的效率[13] 3. **Kimi+PPT 生成模型**： - 一键生成的高效性，能够在短时间内将大量投研成果转化为专业、美观的 PPT 演示文稿[22] 量化因子与构建方式 （研报中未提及具体的量化因子构建内容，故跳过） 因子的回测效果 （研报中未提及具体的量化因子测试结果，故跳过）

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. **均线比较模型** - 模型构建思路：通过比较指数收盘价与不同周期均线（MA5/MA10/MA20等）的关系，判断市场趋势和修复空间[6][7] - 模型具体构建过程：计算各宽基指数的5日/10日/20日/60日/120日/250日均线，比较收盘价与均线的偏离百分比（如$$ vsMA5 = \frac{收盘价-MA5}{MA5} \times 100\% $$）[7] - 模型评价：能有效识别指数短期超买超卖状态，创业板指当时处于均线下方显示修复需求[7] 2. **风险溢价模型** - 模型构建思路：以十年期国债即期收益率为基准，计算股票指数超额收益[14][16] - 模型具体构建过程：$$ 风险溢价 = 指数收益率 - 十年国债收益率 $$，并统计近1年/5年分位值和波动率[16] - 模型评价：中证1000/2000波动率更大，显示小盘股风险溢价波动性高[14][16] 3. **股债性价比模型** - 模型构建思路：通过PE-TTM倒数与国债收益率的差值衡量股债相对吸引力[22][23] - 模型具体构建过程：$$ 股债性价比 = \frac{1}{PE-TTM} - 国债收益率 $$，设置80%/20%分位阈值[22] - 模型评价：创业板指当时突破机会阈值，显示权益资产更具吸引力[23] 量化因子与构建方式 1. **PE-TTM因子** - 因子构建思路：动态市盈率反映估值水平[21][22] - 因子具体构建过程：$$ PE-TTM = \frac{总市值}{最近12个月净利润} $$，计算历史分位值和标准差带[22] - 因子评价：中证500估值处于近5年87%分位，显示高估风险[22] 2. **股息率因子** - 因子构建思路：现金分红回报率指标[28][29] - 因子具体构建过程：$$ 股息率 = \frac{近12个月现金分红总额}{总市值} \times 100\% $$[29] - 因子评价：沪深300股息率处于近5年98.6%分位，防御性突出[29] 3. **破净率因子** - 因子构建思路：反映市场整体低估程度[32] - 因子具体构建过程：$$ 破净率 = \frac{破净个股数}{总成分股数} \times 100\% $$[32] - 因子评价：上证50破净率26%显著高于创业板指2%，显示大盘股估值洼地[32] 模型回测效果 1. **均线比较模型** - 中证2000 vsMA20偏离+2.79%，创业板指vsMA20偏离-0.61%[7] - 上证50近250日高位偏离-5.99%，低位偏离+21.6%[7] 2. **风险溢价模型** - 中证500风险溢价0.51%，近5年分位值68.25%[16] - 创业板指风险溢价波动率2.44%（近1年）[16] 3. **股债性价比模型** - 中证1000股债性价比1.32%，突破+1倍标准差带[22] - 创业板指当前值高于80%分位阈值[23] 因子回测效果 1. **PE-TTM因子** - 中证500当前值29.15，近1年波动率3.13[22] - 创业板指近5年分位值32.64%[22] 2. **股息率因子** - 沪深300当前值3.65%，近1年+1倍标准差3.51%[29] - 中证2000近1年分位值仅0.41%[29] 3. **破净率因子** - 上证50破净率26%，沪深300破净率18.33%[32] - 中证全指破净率中枢从9月底8.04%下移[32]

量化模型与构建方式 1. **模型名称**：股指期限套利计算模型 - **模型构建思路**：通过计算期货与现货价格的偏离程度，识别正向套利（现货低估/期货高估）和反向套利（现货高估/期货低估）机会，利用基差收敛获利[37] - **模型具体构建过程**： 1. **正向套利收益率公式**： $$P={\frac{(F_{\mathrm{t}}-S_{\mathrm{t}})-(S_{\mathrm{t}}+F_{\mathrm{t}}M_{\mathrm{t}})(1+r_{\mathrm{f}})^{\frac{T-t}{360}}-S_{\mathrm{t}}C s-F_{\mathrm{t}}C f)}{S_{\mathrm{t}}+F_{\mathrm{t}}M_{\mathrm{t}}}}$$ 其中： - \(F_t\)、\(S_t\)为期货和现货在t时刻价格 - \(M_f\)、\(M_l\)为期货和融券保证金比率 - \(C_s\)、\(C_f\)为现货和期货交易费用比率 - \(r_f\)为无风险利率[37] 2. **反向套利收益率公式**： $$P={\frac{(S_{t}-F_{t})-(S_{t}M l+F_{t}M_{f})(1+r_{f})^{\frac{T-t}{360}}-S_{t}C s-F_{t}C f-S_{t}r^{\frac{T-t}{360}})}{S_{t}M l+F_{t}M_{f}}}$$ 参数含义同正向套利[37] - **模型评价**：需考虑保证金追加、基差不收敛、流动性等风险，实际套利需结合交易成本动态调整[38] 2. **模型名称**：股利预估模型 - **模型构建思路**：基于历史分红规律预测指数成分股分红点位，修正基差率以反映真实市场水平[39] - **模型具体构建过程**： 1. **分红预测方法**： - 已实施/公布预案：按实际值计算 - 未公布预案：EPS × 预测派息率[39] 2. **EPS取值规则**： - 若预测时间t < 10月：取年报EPS（未披露则用上年EPS_TTM） - 若t ≥ 10月：取当前EPS_TTM预测次年分红[40] 3. **派息率规则**： - 稳定派息公司：过去3年均值 - 不稳定但盈利公司：上年派息率 - 未盈利/重组/上市不足1年：默认不分红[42] 4. **分红点位影响公式**： $$\sum\limits_{\begin{array}{c}\includegraphics[height=142.26375pt]{Fig1}\end{array}}$$ （具体公式因图表未完整展示）[43] --- 量化因子与构建方式 1. **因子名称**：跨期价差率因子 - **因子构建思路**：通过当月与下月合约价差率反映期限结构变化，捕捉套利机会[10] - **因子具体构建过程**： $$价差率=\frac{当月合约价格-下月合约价格}{当月合约价格}$$ 统计区间为2019年1月1日至今，分位数用于判断当前价差历史位置[10][25] 2. **因子名称**：年化基差率因子 - **因子构建思路**：衡量期货合约与现货指数的偏离程度，年化处理便于横向比较[16] - **因子具体构建过程**： $$年化基差率=\frac{期货合约价格-指数价格}{指数价格} \times \frac{252}{剩余交易日}$$ 用于跟踪市场情绪和套利边界[16][21] --- 模型的回测效果 1. **股指期限套利模型**： - 正向套利阈值：IF当月合约基差率需≥0.46%（年化收益5%，剩余10天）[8] - 反向套利阈值：IF当月合约基差率需≤-0.75%（同条件）[8] 2. **股利预估模型**： - 预测分红点位影响： - 沪深300指数：91.41 - 中证500指数：86.43 - 上证50指数：72.85 - 中证1000指数：63.77[30] --- 因子的回测效果 1. **跨期价差率因子**： - IF分位数：48.40% - IC分位数：59.40% - IH分位数：80.00% - IM分位数：36.40%（截至上周五）[10] 2. **年化基差率因子**： - IF当季合约：-2.06% - IC当季合约：-9.54% - IH当季合约：-0.38% - IM当季合约：-13.99%（上周五收盘值）[7][16]

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**：华鑫市场情绪温度指标 **模型构建思路**：通过多维度市场数据构建综合情绪指标，用于判断市场情绪状态[5][9] **模型具体构建过程**： - 数据维度：指数涨跌幅、成交量、涨跌家数、KDJ指标、北向资金、融资融券数据[19] - 统计方法：基于过去5年历史数据进行回测和标准化处理 - 分档规则： - 0-19分为"过冷" - 20-39分为"较冷" - 40-59分为"中性" - 60-79分为"较热" - 80-100分为"过热"[19] **模型评价**：适用于震荡市的高抛低吸策略，趋势市中可能出现钝化现象[19] 模型的回测效果 1. **华鑫市场情绪温度指标** - 当前市场情绪综合评分：70分（较热）[5][9] - 历史参考阈值： - 支撑位：≤30分 - 阻力位：≥90分[9] 量化因子与构建方式 （注：报告中未明确提及独立量化因子的构建） 其他相关数据 1. **主力资金流向因子** - 构建方式：直接采用Wind计算的个股/行业主力净流入额[10][12] - 应用场景：用于监测资金集中度（如岩山科技单日净流入2.4亿元）[10] 2. **融资融券行为因子** - 构建方式： - 融资净买入 = 融资买入额 - 融资偿还额 - 融券净卖出 = 融券卖出量 - 融券偿还量[19] - 应用示例：寒武纪单日融资净买入3177万元[12] （注：报告中未提供因子回测的IC、IR等量化指标）

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. **增强策略ETF模型** - 模型构建思路：通过主动管理策略对标的指数成分股进行优化配置，以获取超越基准指数的超额收益[18] - 模型具体构建过程： 1. 选择标的指数（如沪深300、中证500等） 2. 采用多因子选股模型筛选成分股 3. 通过优化算法确定个股权重 4. 定期调整组合以维持超额收益能力 - 模型评价：该策略在震荡市中表现优异，但在单边市中可能跑输基准[18] 2. **指数增强基金模型** - 模型构建思路：在跟踪基准指数的基础上，通过量化选股和风险控制获取稳定超额收益[32] - 模型具体构建过程： 1. 建立基础股票池（按指数成分股） 2. 应用价值、成长、质量等因子进行筛选 3. 控制跟踪误差在约定范围内 4. 定期再平衡组合[32] 模型的回测效果 1. **增强策略ETF模型** - 近1年平均超额收益率：中证1000增强策略ETF最高达13.31%[19] - 2025年以来超额收益率：创业板增强策略ETF最佳为2.86%[19] - 上周超额收益率：21只产品跑赢基准[18] 2. **指数增强基金模型** - 沪深300增强基金近1年最高超额：13.66%[32] - 中证500增强基金近1年最高超额：9.16%[32] - 中证1000增强基金近1年最高超额：17.04%[32] - 国证2000增强基金近1年最高超额：21.30%[32] 量化因子与构建方式 1. **多因子选股模型** - 因子构建思路：综合价值、成长、质量等维度构建复合因子[32] - 因子具体构建过程： 1. 价值因子：$$价值因子 = \frac{EBITDA}{市值}$$ 2. 成长因子：$$成长因子 = \frac{营收增长率 + 利润增长率}{2}$$ 3. 质量因子：$$质量因子 = \frac{ROE + 毛利率}{2}$$ 4. 复合因子：$$复合因子 = 0.4×价值因子 + 0.3×成长因子 + 0.3×质量因子$$[32] 2. **行业轮动因子** - 因子构建思路：捕捉不同行业板块的资金流动和动量效应[9] - 因子具体构建过程： 1. 计算各行业ETF资金净流入 2. 计算各行业指数20日收益率 3. 构建行业轮动得分：$$行业轮动得分 = 0.6×资金流入占比 + 0.4×动量得分$$[9][12] 因子的回测效果 1. **多因子选股模型** - 沪深300增强组合信息比率(IR)：1.25[32] - 中证500增强组合信息比率(IR)：1.08[32] - 中证1000增强组合信息比率(IR)：1.42[32] 2. **行业轮动因子** - 上周科技板块因子得分最高（资金流入16.41亿元）[9] - TMT主题基金近1月收益率中位数3.91%[29] - 金融地产板块因子得分最低（资金流出7.82亿元）[9]

量化模型与构建方式 1. **模型名称**：风格轮动型基金优选组合 **模型构建思路**：基于成长价值与大小盘两个维度，根据基金在两个报告期的股票持仓，构建基金绝对主动轮动指标，识别风格轮动型基金或风格稳定型基金，并通过主动轮动收益因子刻画基金风格轮动的效果，进行基金优选[22] **模型具体构建过程**： - 首先，根据基金在两个报告期的股票持仓，计算基金在成长价值与大小盘两个维度上的风格暴露变化 - 构建绝对主动轮动指标，剔除被动风格变化部分，保留基金经理主动调整的部分 - 通过主动轮动收益因子，计算基金风格轮动的效果，筛选出风格轮动型基金 - 策略采用半年频调仓，每年3月末/8月末进行调仓，选基范围为偏股混合型基金及普通股票型基金，并扣除交易成本[22] **模型评价**：该模型能够有效识别风格轮动型基金，并通过风格轮动收益因子优选基金，但近期表现未能跑赢基准指数[22] 2. **模型名称**：基于基金特征和基金能力的综合选基策略 **模型构建思路**：从基金规模、持有人结构、基金业绩动量、选股能力、隐形交易能力、含金量等多个维度构建选基因子，并进行等权重合成，优选普通股票型基金及偏股混合型基金[31] **模型具体构建过程**： - 基金规模因子：使用基金规模、份额（合并口径）数据 - 持有人结构因子：使用员工持有份额占比数据 - 基金业绩动量因子：由4因子模型alpha、夏普比率、区间胜率、HM模型中的择时能力系数等权重合成，使用过去1年的基金净值数据计算 - 选股能力因子：根据多期Brinson模型，使用基金季频重仓股数据计算，由选股胜率、选股超额收益率等权重合成 - 隐形交易能力因子：由隐形收益能力因子、风险转移能力因子等权重合成 - 含金量因子：考察基金重仓股中包含的券商金股情况 - 策略采用季频调仓，每年1、4、7、10四个月末进行调仓，并扣除交易成本[31] **模型评价**：该模型通过多维度因子优选基金，长期表现优于基准指数，但近期表现未能跑赢基准指数[31] 3. **模型名称**：基于交易动机因子及股票价差收益因子的选基策略 **模型构建思路**：将基金的交易动机进行划分并构造基金交易动机因子，再结合基金利润表中的股票价差收益因子，构造二者相结合的选基策略，筛选出股票价差收益较高、拥有主动交易动机且业绩粉饰可能性较低的基金[37] **模型具体构建过程**： - 交易动机因子：由估值/流动性动机因子、业绩粉饰动机因子等权合成，其中估值/流动性动机因子根据基金报告期间资金流与股票买卖金额、累计买入/卖出股票金额2%以上或前20股票成交额占比数据计算得出 - 股票价差收益因子：由基金利润表中股票价差收入（股票投资收益科目）计算而来 - 策略采用半年频调仓，每年3月末/8月末进行调仓，从主动权益型基金中筛选，并扣除交易成本[37] **模型评价**：该模型能够有效筛选出具有主动交易动机且股票价差收益较高的基金，长期表现优于基准指数，但近期表现未能跑赢基准指数[37] 4. **模型名称**：基金经理持股网络中交易独特性选基策略 **模型构建思路**：根据基金经理持股、交易的明细构建网络，并由此构建客户基金经理交易独特性的指标，筛选出交易独特性较高的基金[42] **模型具体构建过程**： - 首先，根据基金经理持股、交易数据构建基金经理网络 - 基于该网络，计算每个基金经理与其相关联基金经理在交易方面的差异，构建交易独特性因子 - 策略采用半年频调仓，每年4月初/8月初进行调仓，选基范围为偏股混合型基金、普通股票型基金、灵活配置型基金，并扣除交易成本[42] **模型评价**：该模型能够有效识别交易独特性较高的基金，长期表现优于基准指数，但近期表现未能跑赢基准指数[42] 模型的回测效果 1. **风格轮动型基金优选组合** - 2月份收益率：3.61% - 年化收益率：9.37% - 年化波动率：19.05% - Sharpe比率：0.49 - 最大回撤率：37.30% - 年化超额收益率：3.95% - 超额最大回撤率：9.49% - 信息比率（IR）：0.74 - 2月份超额收益率：-0.69%[27] 2. **基于基金特征和基金能力的综合选基策略** - 2月份收益率：3.21% - 年化收益率：13.49% - 年化波动率：21.74% - Sharpe比率：0.62 - 最大回撤率：44.27% - 年化超额收益率：5.36% - 超额最大回撤率：7.96% - 信息比率（IR）：1.07 - 2月份超额收益率：-1.08%[35] 3. **基于交易动机因子及股票价差收益因子的选基策略** - 2月份收益率：0.35% - 年化收益率：8.86% - 年化波动率：21.65% - Sharpe比率：0.41 - 最大回撤率：48.39% - 年化超额收益率：3.00% - 超额最大回撤率：19.35% - 信息比率（IR）：0.52 - 2月份超额收益率：-5.10%[41] 4. **基金经理持股网络中交易独特性选基策略** - 2月份收益率：2.03% - 年化收益率：10.16% - 年化波动率：19.49% - Sharpe比率：0.52 - 最大回撤率：37.26% - 年化超额收益率：4.83% - 超额最大回撤率：8.23% - 信息比率（IR）：1.00 - 2月份超额收益率：-2.79%[49] 量化因子与构建方式 1. **因子名称**：交易动机因子 **因子构建思路**：将基金的交易动机划分为估值/流动性动机和业绩粉饰动机，构建交易动机因子[54] **因子具体构建过程**： - 估值/流动性动机因子：根据基金报告期间资金流与股票买卖金额、累计买入/卖出股票金额2%以上或前20股票成交额占比数据计算得出 - 业绩粉饰动机因子：根据基金报告期间资金流与股票买卖金额、累计买入/卖出股票金额2%以上或前20股票成交额占比数据计算得出 - 交易动机因子：由估值/流动性动机因子、业绩粉饰动机因子等权合成[54] 2. **因子名称**：股票价差收益因子 **因子构建思路**：根据基金利润表中股票价差收入（股票投资收益科目）计算而来[54] **因子具体构建过程**： - 从基金利润表中提取股票投资收益科目数据 - 计算股票价差收益因子[54] 3. **因子名称**：基金规模因子 **因子构建思路**：使用基金规模、份额（合并口径）数据[54] **因子具体构建过程**： - 从基金报告中提取基金规模、份额数据 - 计算基金规模因子[54] 4. **因子名称**：持有人结构因子 **因子构建思路**：使用员工持有份额占比数据[54] **因子具体构建过程**： - 从基金报告中提取员工持有份额占比数据 - 计算持有人结构因子[54] 5. **因子名称**：基金业绩动量因子 **因子构建思路**：由4因子模型alpha、夏普比率、区间胜率、HM模型中的择时能力系数等权重合成，使用过去1年的基金净值数据计算[54] **因子具体构建过程**： - 计算4因子模型alpha - 计算夏普比率 - 计算区间胜率 - 计算HM模型中的择时能力系数 - 基金业绩动量因子：由上述四个因子等权重合成[54] 6. **因子名称**：选股能力因子 **因子构建思路**：根据多期Brinson模型，使用基金季频重仓股数据计算，由选股胜率、选股超额收益率等权重合成[54] **因子具体构建过程**： - 计算选股胜率 - 计算选股超额收益率 - 选股能力因子：由上述两个因子等权重合成[54] 7. **因子名称**：隐形交易能力因子 **因子构建思路**：由隐形收益能力因子、风险转移能力因子等权重合成，从收益和风险两个层面度量基金交易带来的贡献[54] **因子具体构建过程**： - 计算隐形收益能力因子 - 计算风险转移能力因子 - 隐形交易能力因子：由上述两个因子等权重合成[54] 8. **因子名称**：含金量因子 **因子构建思路**：考察基金重仓股中包含的券商金股情况[54] **因子具体构建过程**： - 从基金重仓股数据中提取券商金股情况 - 计算含金量因子[54] 9. **因子名称**：主动轮动收益因子 **因子构建思路**：根据区间风格主动变化及区间风格因子收益计算，体现基金风格轮动的结果[54] **因子具体构建过程**： - 计算区间风格主动变化 - 计算区间风格因子收益 - 主动轮动收益因子：由上述两个部分计算得出[54] 10. **因子名称**：绝对主动轮动指标 **因子构建思路**：将基金报告期之间的风格变化，剔除了被动变化的部分，保留基金经理主动调整的部分[54] **因子具体构建过程**： - 计算基金报告期之间的风格变化 - 剔除被动风格变化部分 - 绝对主动轮动指标：保留基金经理主动调整的部分[54] 11. **因子名称**：交易独特性因子 **因子构建思路**：根据基金经理持股、交易数据构建基金经理网络，然后基于该网络计算出每个基金经理与其相关联基金经理在交易方面的差异[54] **因子具体构建过程**： - 构建基金经理网络 - 计算每个基金经理与其相关联基金经理在交易方面的差异 - 交易独特性因子：由上述差异计算得出[54]

量化模型与构建方式 1 模型名称：大小盘风格择时策略 模型构建思路：基于龙虎榜数据刻画非机构大资金的活跃程度，通过其活跃度指标的边际变化预测大小盘风格轮动[1][3] 模型具体构建过程： - **数据预处理**：优先保留单日触发的龙虎榜记录，多日触发数据按比例拆分估算单日买卖金额[16] - **活跃营业部筛选**： 1) 月频筛选上榜次数前10%的营业部 2) 限定参与股票流通市值分位数在30%-80%区间[23] 3) 要求存在共同上榜概率>50%的协同营业部[23] 4) 取总成交金额Top50营业部作为活跃资金池[23] - **指标计算**： 日度活跃营业部总成交额/Wind全A成交额，经周均平滑和15周移动平均处理[24] 进一步采用HP滤波平滑指标（参数lambda=9-20）[29] - **交易信号**：当周指标值>上周时配置国证2000，否则配置沪深300[31] 模型的回测效果 1 大小盘风格择时策略（2012/1-2025/2）： - 年化收益18.1%（基准7.0%） - 最大回撤38.1%（基准55.8%） - 年化超额收益11.1% - IR 1.14 - 月度胜率63.7%[3][28] 2 2016年后表现： - 超额收益最大回撤14.1% - IR提升至1.27[3] 量化因子与构建方式 1 因子名称：非机构大资金活跃度指标 因子构建思路：通过活跃营业部成交额占比捕捉市场情绪风向标[1][20] 因子具体构建过程： $$ \text{活跃度指标}_t = \frac{\sum_{i=1}^{50} \text{营业部}_i\text{日成交额}_t}{\text{Wind全A成交额}_t} $$ 经标准化后取60日移动平均[4][24] 因子评价：对极端风格切换（如2014-2015年）敏感度较低[3] 因子的回测效果 1 非机构大资金活跃度指标： - 与国证2000/沪深300比值的相关系数0.68（2016-2024）[5] - 领先大小盘风格拐点1-2周[24]

量化模型与构建方式 1. **模型名称**：PB-ROE框架下的ETF轮动策略 **模型构建思路**：通过PB（市净率）和ROE（净资产收益率）两个因子，结合行业的历史分位数和预期ROE，构建行业轮动策略，重点关注高PB高ROE和低PB中ROE的行业[26][27] **模型具体构建过程**： - 首先，计算各行业的PB和ROE，并分别计算其历史分位数 - 将PB和ROE因子结合，将全行业划分为六个象限，重点关注第三象限（高PB高ROE）和第五象限（低PB中ROE）的行业 - 通过行情指标、资金强度、预期指标和财务纵比四个维度对PB-ROE框架进行补充，进一步优化策略 - 最终构建综合PB-ROE策略，每月持有3个行业ETF，并进行月度调仓[28] **模型评价**：该策略在2017年至2024年的回测期内表现出较好的超额收益，尤其是第三象限和第五象限组合的年化超额收益率分别为4.78%和3.94%，综合策略的年化超额收益率为13.22%[27][28] 模型的回测效果 1. **PB-ROE框架下的ETF轮动策略** - 最近一周累计收益率：1.14%[29] - 最近一周相对于沪深300的超额收益率：-0.24%[29] - 2023年以来累计收益率：15.87%[32] - 2023年以来相对于沪深300的超额收益率：14.00%[32] - 2022年以来累计收益率：-0.92%[34] - 2022年以来相对于沪深300的超额收益率：19.25%[34] 量化因子与构建方式 1. **因子名称**：PB因子 **因子构建思路**：通过市净率（PB）来衡量行业的估值水平，结合历史分位数进行相对估值比较[26] **因子具体构建过程**： - 计算各行业的PB值 - 计算PB的历史分位数，用于衡量当前PB值在历史中的相对位置[26] **因子评价**：PB因子在行业轮动中表现出一定的分层能力，尤其是PB分位因子的有效性更强[26] 2. **因子名称**：ROE因子 **因子构建思路**：通过净资产收益率（ROE）来衡量行业的盈利能力，结合预期ROE进行绝对预期水平的比较[26] **因子具体构建过程**： - 计算各行业的ROE值 - 使用预期ROE因子，结合财报数据和市场预期，衡量行业的未来盈利能力[26] **因子评价**：ROE因子在2018年后有效性有所下降，但预期ROE因子的有效性和胜率得到明显改进[26] 因子的回测效果 1. **PB因子** - 分层能力：有效，尤其是PB分位因子的有效性更强[26] 2. **ROE因子** - 有效性：2018年后有所下降，但预期ROE因子的有效性和胜率得到改进[26]

根据提供的金融工程研报内容，总结如下： 量化模型与构建方式 1. **模型名称**：无明确量化模型提及 报告中主要聚焦于市场回顾、基金表现和ETF资金流动分析，未涉及具体量化模型的构建或应用[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][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60][61] 2. **量化因子与构建方式** - **因子名称**：无明确量化因子构建 报告未提及独立量化因子（如价值、动量等）的构建方法或逻辑，仅包含市场指数估值分位数（如市盈率、市净率）的统计结果[22][23][24][25][26][27][28] - **估值分位数计算**： 采用历史分位数反映当前估值水平，例如中证1000市盈率分位数环比上升4.6pct至51.6%，创业板指分位数20.0%处于低位[22][23][24] - **公式**： $$ \text{分位数} = \frac{\text{当前值 - 历史最小值}}{\text{历史最大值 - 历史最小值}} \times 100\% $$ 未提供具体参数说明或衍生因子公式[22][23][24] 回测效果（市场与基金表现） 1. **市场指数表现** - 科创50周涨幅2.63%（最大），沪深300涨幅1.39%（最小）[9][10][11] - 中证转债指数上涨1.39%，南华商品指数下跌1.55%[9][13][14] 2. **基金表现** - **偏股混合型基金**：周平均涨幅3.29%，正收益占比98.59%[30][31][32] - **量化基金**：周平均涨幅2.22%，正收益占比97.42%[30][31][32] - **FOF基金**：周涨幅0.88%，正收益占比96.93%[30][31][32] 3. **ETF资金流动** - 股票型ETF净流出321.33亿元，跨境型ETF净流入84.90亿元[39][40][43][44] - 中证港股通互联网指数ETF净流入居前[41][42][44] 评价 报告为市场动态跟踪性质，未对模型或因子进行定性评价，仅提供数据统计结果[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][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60][61]