根据提供的港股投资周报内容，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. **港股精选组合模型** - **构建思路**：基于分析师推荐事件（盈利预测上调、首次关注、研报标题超预期）构建股票池，再通过基本面和技术面双重筛选选出优质股票[15][17] - **具体构建过程**： 1. 事件筛选：捕捉分析师上调盈利预测、首次覆盖或标题含“超预期”的研报事件 2. 基本面筛选：从事件股票池中选取财务指标（如ROE、营收增速）优于行业的个股 3. 技术面筛选：结合股价动量（如250日涨跌幅前20%）和趋势稳定性指标[17] - **模型评价**：长期超额收益显著，年化超额达18.48%，但需警惕市场风格切换风险[17] 2. **平稳创新高股票筛选模型** - **构建思路**：从创250日新高的股票中，筛选具备持续动量且路径平稳的个股[21][23] - **具体构建过程**： 1. 初筛条件： - 样本池：上市超15个月的港股 - 分析师关注度：过去6个月≥5份买入/增持研报 - 股价强度：250日涨跌幅前20%[24] 2. 精细化筛选： - **价格路径平滑性**：位移路程比（公式未明确给出） - **创新高持续性**：过去120日新高距离均值 $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中`Closet`为最新收盘价，`ts_max(Close, 250)`为250日最高价[23] - 最终取综合排名前50的股票[24] - **模型评价**：聚焦医药/科技等强势板块，但需结合流动性风险控制[23] --- 量化因子与构建方式 1. **250日新高距离因子** - **构建思路**：量化股价接近历史高点的程度，捕捉趋势延续性[23] - **具体构建**： $$因子值 = 1 - \frac{当前收盘价}{过去250日最高收盘价}$$ 值为0表示创历史新高，正值越大表明回调越深[23] - **因子评价**：有效识别强势股，但需配合波动率控制[23] 2. **股价位移路程比因子** - **构建思路**：衡量股价路径的平滑性（未给出具体公式）[24] - **评价**：用于过滤波动过大个股，增强组合稳定性[24] --- 模型的回测效果 | 模型/因子 | 年化收益 | 超额收益 | IR | 最大回撤 | 测试区间 | |--------------------|----------|----------|-------|----------|----------------| | 港股精选组合 | 19.11% | 18.48% | 1.22 | 23.73% | 2010-2025[20] | | 平稳创新高股票组合 | - | - | - | - | 未披露具体数值 | --- 因子的回测效果 | 因子 | IC值 | 分组收益差 | 显著性 | 测试周期 | |--------------------|----------|------------|--------|----------| | 250日新高距离 | 未披露 | 未披露 | 未披露 | 250日[23] | | 股价位移路程比 | 未披露 | 未披露 | 未披露 | 120日[24] | 注：部分指标因报告未披露详细测试结果暂缺[20][23][24]

根据提供的研报内容，以下是量化模型与因子的详细总结： --- 量化因子与构建方式 1. **因子名称**：250日新高距离 - **构建思路**：通过计算当前收盘价与过去250日最高价的相对距离，衡量股票接近历史高点的程度[11] - **具体构建过程**： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中： - \(Closet\)为最新收盘价 - \(ts\_max(Close,250)\)为过去250日收盘价最大值 若收盘价创250日新高，则值为0；若回落，则为正数表示回落幅度[11] - **因子评价**：有效捕捉动量效应，符合经典趋势跟踪理论[11] 2. **因子名称**：平稳创新高筛选因子（复合因子） - **构建思路**：结合分析师关注度、股价路径平滑性等多维度筛选具备持续动量的股票[25][27] - **具体构建过程**： - **分析师关注度**：过去3个月买入/增持评级研报≥5份[27] - **股价相对强弱**：过去250日涨跌幅全市场前20%[27] - **股价路径平滑性**： $$\text{位移路程比} = \frac{\text{过去120日涨跌幅绝对值}}{\text{过去120日日涨跌幅绝对值加总}}$$ - **创新高持续性**：过去120日的250日新高距离时间序列均值[27] - **趋势延续性**：过去5日的250日新高距离时间序列均值[27] 最终筛选排名前50的股票[27] - **因子评价**：综合反映动量质量和市场关注度，避免短期波动干扰[25] --- 因子的回测效果 1. **250日新高距离因子**： - 上证指数、深证成指、沪深300等指数的250日新高距离分别为0.00%、5.06%、4.64%[12] - 有色金属、钢铁等行业250日新高距离为0.00%（创历史新高）[13] - 万得全A等权概念指数250日新高距离接近0[15] 2. **平稳创新高筛选因子**： - 全市场1001只股票创250日新高，医药、基础化工行业数量最多（129/122只）[19] - 中证2000、中证1000指数中创新高个股占比18.05%、14.70%[20] - 筛选出的46只平稳创新高股票中，制造/科技板块占比最高（14/13只）[28] --- 补充说明 - **数据来源**：所有指标计算基于Wind数据，时间截点为2025年7月18日[12][19][27] - **理论依据**：参考George (2004)、马克·米勒维尼等动量效应研究[11][18]

量化模型与因子分析总结 量化因子与构建方式 1. **市值因子** - 构建思路：通过线性关系描述股票市值大小对收益的影响[12] - 具体构建：将全市场股票按市值等分为10组(G01-G10)，计算各组超额收益。市值最小组(G01)超额收益最高达22.4%，随市值增加收益递减，最大值组(G10)为-5.6%[19][22] - 因子评价：2025H1表现最强的风格因子，分组效果显著且收益稳定[19] 2. **中盘因子** - 构建思路：通过三次函数刻画大盘/小盘之外的股票特征[24] - 具体构建：定义为非线性市值因子，中证1000和中证500为中盘集中域。中盘最小/次小组(G01/G02)收益显著高于其他组(21.6%/13.7%)，其余组收益分化较小(-2.7%~1.5%)[19][22] - 因子评价：与市值因子存在部分重叠但提供额外收益维度[24] 3. **规模因子(量价类)** - 构建结果：在中证1000指增测试中累计收益6.09%，自相关性21%，表现优于其他量价因子[63] 4. **分析师预期因子组合** - 包含细分：估值(3.51%)、成长(5.00%)、盈利调整(4.39%)等，其中盈利调整因子自相关性达-77%[63] 5. **基本面因子组合** - 包含细分：成长因子累计收益4.68%，盈利动量反转1.83%，波动率2.35%[63] 模型回测效果 1. **成分占比80%的指增模型** - 沪深300指增：超额7.97%，IR 5.38，最大回撤-1.16%(约束市值/中盘敞口0.4)[35] - 中证500指增：超额9.20%，IR 5.24，最大回撤-1.39%(含10%微盘占比)[35] - 中证1000指增：超额10.12%，IR 5.40，最大回撤-1.50%[35] 2. **放宽成分占比的指增模型** - 中证500指增(40%成分+20%微盘)：超额17.08%，IR 5.07，最大回撤-2.43%[40] - 中证1000指增(40%成分+20%微盘)：超额16.81%，IR 5.38，最大回撤-2.04%[40] 3. **多因子组合模型** - 中证1000指增精选3类因子：累计超额11.28%，规模因子单独贡献6.09%[63] 关键发现 1. 市值分组效应显著，最小市值组超额22.4%且随市值增加收益递减[19][22] 2. 中盘因子最小两组(G01/G02)市场权重仅3.1%但超额显著[19][23] 3. 银行行业是唯一能提供稳定超额的行业(累计收益5.0%，IR 4.0)[16][18] 4. 2025H1相较历史时期：正超额市值分组更多、收益分化更平滑[51][55] 5. 成分占比放宽至40%配合微盘暴露可提升超额收益3-5%[40]

根据提供的研报内容，该报告主要聚焦于稳定币行业研究，并未涉及量化模型或量化因子的构建与分析。报告的核心内容包括： 1. 稳定币类型与应用场景 - 法币储备型（如USDT/USDC）[12] - 加密资产抵押型（如DAI）[12] - 算法稳定币[12] 2. 四大核心应用场景 - DeFi场景中的交易媒介作用[25][34] - 本地支付场景的费率优化（0.3%-0.7% vs 传统2%-3%）[41] - 跨境结算的时效提升（T+3→分钟级）[46][48] - RWA代币化的流动性改善（认购费从$25→$0.5）[55][59] 3. 行业竞争格局 - USDC的合规优势（620亿美元市值）[66][75] - USDT的流动性优势（1606亿美元市值）[66][76] - 银行系与科技系稳定币的差异化定位[77][78] 4. 基础设施成熟度 - DeFi场景已具雏形[71] - 跨境结算1-3年可成熟[71] - 本地支付需3年以上建设[71] - RWA需3-5年法律完善[71] 注：由于报告主题为稳定币行业分析，未包含量化投资领域的模型/因子相关内容，故无法按模板要求输出量化模型/因子相关的详细构建流程与测试结果。报告核心价值在于对稳定币商业逻辑和行业演进路径的深度剖析[15][63][72]。

根据提供的金融工程日报内容，以下是总结的量化模型与因子相关内容： 量化因子与构建方式 1. **因子名称：封板率因子** - **构建思路**：通过统计涨停股票在盘中最高价涨停且收盘仍涨停的比例，反映市场情绪和资金封板意愿[16] - **具体构建过程**： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计范围限定为上市满3个月以上的股票[16] 2. **因子名称：连板率因子** - **构建思路**：衡量连续两日涨停的股票比例，用于捕捉市场短期动量效应[16] - **具体构建过程**： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 同样限定上市满3个月的股票样本[16] 3. **因子名称：大宗交易折价率因子** - **构建思路**：通过大宗交易成交价与市价的偏离程度，反映大资金对标的的偏好[25] - **具体构建过程**： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计近半年日均折价率为5.80%[25] 4. **因子名称：股指期货年化贴水率因子** - **构建思路**：通过计算股指期货主力合约与现货指数的基差年化值，反映市场预期和套利成本[27] - **具体构建过程**： $$年化贴水率=\frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right)$$ 覆盖上证50、沪深300、中证500和中证1000主力合约[27] 因子回测效果 1. **封板率因子** - 当日取值66%（较前日下降4%）[16] - 近一个月趋势显示波动范围60%-70%[16] 2. **连板率因子** - 当日取值30%（较前日下降2%）[16] - 近一个月均值约35%[16] 3. **大宗交易折价率因子** - 当日折价率6.90%（高于半年均值5.80%）[25] - 半年日均成交金额12亿元[25] 4. **股指期货年化贴水率因子** - 当日取值： - 上证50：0.57%（55%分位）[27] - 沪深300：3.06%（52%分位）[27] - 中证500：9.33%（49%分位）[27] - 中证1000：12.08%（51%分位）[27] - 近一年中位数分别为1.44%、3.11%、9.20%、12.42%[27] 模型评价 （注：原文未提供对模型或因子的定性评价，故跳过此部分）

根据提供的金融工程日报内容，以下是量化模型与因子的结构化总结： --- 量化因子与构建方式 1. **封板率因子** - 构建思路：衡量涨停股的封板稳定性，反映市场短期情绪强度[16] - 具体构建： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月的股票，计算当日同时满足盘中最高价涨停和收盘涨停的股票占比[16] - 因子评价：高频情绪指标，对短线交易策略有较强参考性 2. **连板率因子** - 构建思路：捕捉连续涨停股的比例，识别市场热点持续性[16] - 具体构建： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 基于前一日涨停股名单计算次日仍涨停的比例[16] - 因子评价：反映市场资金抱团效应，需结合成交量验证 3. **股指期货年化贴水率因子** - 构建思路：通过基差水平衡量市场对冲成本与预期[28] - 具体构建： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 分别计算上证50、沪深300、中证500、中证1000主力合约的贴水率并年化[28] - 因子评价：有效反映机构投资者对远期市场的风险溢价要求 4. **大宗交易折价率因子** - 构建思路：监测大资金交易价格偏离度，捕捉机构行为信号[26] - 具体构建： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计单日所有大宗交易成交价相对于市价的加权平均折价[26] - 因子评价：高频机构资金流向指标，需警惕流动性偏差 --- 因子回测效果 1. **封板率因子** - 当日值：70%（较前日+5%）[16] - 近一月趋势：持续提升（未提供具体数值）[16] 2. **连板率因子** - 当日值：33%（较前日+10%）[16] - 近一月趋势：波动上行（未提供具体数值）[16] 3. **股指期货年化贴水率因子** - 上证50：2.04%（46%分位）[28] - 沪深300：4.81%（35%分位）[28] - 中证500：22.01%（8%分位）[28] - 中证1000：13.50%（43%分位）[28] 4. **大宗交易折价率因子** - 当日值：6.26%（近半年均值5.78%）[26] - 近半年日均成交额：12亿元[26] --- 注：报告中未提及具体量化模型，仅包含市场监测类因子。所有因子数据均基于2025年7月15-16日最新计算结果[16][26][28]

根据提供的研报内容，以下是关于ETF市场分析的总结： ETF市场概况 1. **市场规模与增长** - 截至2025年6月30日，中国ETF市场规模达4.3万亿元，较2024年底增长近5800亿元[1][6] - 股票型ETF规模3.23万亿元，债券型ETF规模3840亿元[6] - 债券ETF上半年规模增长超过2000亿元，港股ETF贡献股票型ETF增长中的1200亿元[2][7] 2. **产品结构变化** - 股票型ETF数量从893只增至1055只，债券型ETF从21只增至29只[7] - 规模增长前20的ETF中，9只为债券型ETF，7只为新发基准做市信用债ETF，总规模超1200亿元[13] 热门ETF品种 1. **规模增长领先的ETF** - 华夏沪深300ETF规模增长327亿元，华安黄金ETF增长311亿元，富国中证港股通互联网ETF增长257亿元[14] - 基准做市信用债ETF表现突出，如南方上证基准做市公司债ETF增长216亿元[14] 2. **港股ETF表现** - 港股科技ETF中，富国中证港股通互联网ETF规模479亿元，工银国证港股通科技ETF增长152亿元[17] - 港股创新药ETF呈现分化，汇添富国证港股通创新药ETF增长71亿元，广发中证香港创新药ETF增长55亿元[17] 基金公司动态 1. **规模增长排名** - 华夏基金非货ETF规模增长928亿元居首，易方达增长647亿元，富国基金增长514亿元[19] - 海富通基金凭借3只债券ETF实现规模增长超400亿元[19] 2. **新发ETF特点** - 富国、华夏新发ETF数量最多（13只和11只），主要布局科创&创业板及港股ETF[20] - 新发ETF集中在科创板（44只）、红利现金流（29只）、港股（18只）板块[23] 费率与份额变化 1. **管理费率** - 超1/4股票型ETF管理费降至0.15%，债券型ETF中27/29只费率为0.15%[24] - 华夏、方正富邦等7家公司的9只ETF实施降费至0.15%[26] 2. **份额变动规律** - 交易型ETF（如机器人、人工智能）份额与行情高度相关，阶段高点可能出现赎回[31] - 配置型ETF（如港股红利）份额持续稳定增长，不受短期行情影响[31] 图表数据补充 - 港股科技ETF份额与恒生科技指数点位呈现同步波动[30] - 国防军工ETF在4月后份额随指数上涨快速扩张，但高点出现赎回[40] （注：原文未涉及量化模型或因子构建的具体内容，故未包含相关部分）

根据提供的研报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **因子名称**：业绩预告景气度因子 **因子构建思路**：通过业绩预告类型（正向/负向）的披露率差异衡量行业景气度[6][16] **因子具体构建过程**： - 正向预告包括"预增"、"略增"、"续盈"、"扭亏"，负向预告包括"预减"、"略减"、"续亏"、"首亏"[16] - 计算各行业正向披露率（正向预告数量/行业公司总数）和负向披露率（负向预告数量/行业公司总数）[16] - 景气度计算公式： $$景气度 = \frac{正向披露率}{负向披露率}$$ **因子评价**：能有效捕捉行业层面的业绩预期差异，非银金融、有色金属等行业景气度最高[16][17] 2. **因子名称**：净利润增长率中位数因子 **因子构建思路**：基于业绩预告中净利润变动幅度的行业比较[6][18] **因子具体构建过程**： - 取业绩预告中净利润变动幅度上下限绝对值的较大者作为"净利润增长率"[18] - 按行业计算该增长率的中位数 **因子评价**：综合、钢铁等行业增长潜力突出，但需注意预告数据与实际财报的偏差风险[18][19] 因子的回测效果 1. **业绩预告景气度因子** - 非银金融正向披露率39%（全行业最高），有色金属景气度比值达3.5[16][17] - 电子、农林牧渔景气度比值超2.0[17] 2. **净利润增长率中位数因子** - 综合行业中位数增长率200%，钢铁行业150%，非银金融120%[18][19] - 煤炭行业增长率中位数为负（-50%）[19] 事件效应模型 1. **模型名称**：业绩预告事件窗口模型 **模型构建思路**：分析预告公布前后30天的超额收益规律[21][22] **模型具体构建过程**： - 统计2020-2024年个股相对行业指数的每日超额收益 - 正向预告组和负向预告组分别计算事件窗口[-30,30]内的平均超额 - 关键观测窗口： - 预告前30天至前1天（市场提前反应） - 预告后1天至30天（修复效应） **模型评价**：正向预告存在动量效应，负向预告存在修复效应但波动更大[21][22] 模型测试结果 1. **业绩预告事件窗口模型** - 正向预告组： - 预告前30天累计超额1.22%[22] - 预告后30天累计超额1.91%[22] - 负向预告组： - 预告前30天累计超额-1.11%[22] - 预告后30天累计超额0.09%[22] 注：所有数据均基于2020-2024年历史回测结果[21][22]

量化模型与构建方式 1. **模型名称**：转债综合估值因子模型 **模型构建思路**：通过结合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，构建综合估值因子，用于评估转债的估值水平[20] **模型具体构建过程**： - 转股溢价率偏离度 = 转股溢价率 − 拟合转股溢价率，衡量转股溢价率相对于拟合值的偏离度[21] - 理论价值偏离度（蒙特卡洛模型） = 转债收盘价 / 理论价值 - 1，通过蒙特卡洛模拟（10000条路径）计算转债理论价值，考虑转股、赎回、下修、回售条款[21] - 综合估值因子公式： $$转债综合估值因子 = Rank（转股溢价率偏离度） + Rank（理论价值偏离度（蒙特卡洛模拟））$$ **模型评价**：在全域、平衡型和偏债型转债上表现较优，偏股型转债中理论价值偏离度单独效果更好[20][21] 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（动量与波动率偏离度）对低估风格指数进行动态配置[27] **模型具体构建过程**： - 计算单个转债的20日动量和波动率偏离度，取风格指数内中位数作为该指数的情绪指标[27] - 市场情绪捕捉指标公式： $$转债风格市场情绪捕捉指标 = Rank（转债20日动量） + Rank（波动率偏离度）$$ - 根据指标逆序排名分配仓位，若排名相同则等权配置，若同时选中三种风格则全仓平衡低估风格[27][28] **模型评价**：通过动态调整风格暴露提升组合收益风险比[27] --- 量化因子与构建方式 1. **因子名称**：转股溢价率偏离度 **因子构建思路**：衡量转债转股溢价率与拟合值的差异，消除平价影响[21] **因子具体构建过程**： - 截面拟合转股溢价率与转股价值的关系曲线，公式为： $$y_{i}=\alpha_{0}+\,\alpha_{1}\cdot\,{\frac{1}{x_{i}}}+\epsilon_{i}$$ 其中$x_i$为转股价值，$y_i$为转股溢价率[42] - 偏离度 = 实际转股溢价率 − 拟合值[21] 2. **因子名称**：理论价值偏离度（蒙特卡洛模型） **因子构建思路**：通过期权定价模型计算转债理论价值，捕捉价格与理论值的偏差[21] **因子具体构建过程**： - 使用蒙特卡洛模拟（10000条路径）计算理论价值，考虑转股、赎回、下修、回售条款[21] - 偏离度 = （转债收盘价 / 理论价值）− 1[21] 3. **因子名称**：修正YTM – 信用债YTM **因子构建思路**：剥离转股条款影响，比较偏债型转债与信用债的收益率差异[6][43] **因子具体构建过程**： - 修正YTM = 转债YTM ×（1−转股概率） + 预期转股年化收益 × 转股概率，转股概率通过BS模型计算[43] - 取截面中位数：median{修正YTM − 同等级同期限信用债YTM}[43] --- 模型的回测效果 1. **转债综合估值因子模型**： - 偏股转债低估指数：年化收益率24.63%，年化波动率20.59%，IR 1.20，月度胜率60.67%[24] - 平衡转债低估指数：年化收益率13.94%，年化波动率11.83%，IR 1.18，月度胜率61.80%[24] - 偏债转债低估指数：年化收益率12.85%，年化波动率9.45%，IR 1.36，月度胜率57.30%[24] 2. **转债风格轮动模型**： - 年化收益24.00%，年化波动16.69%，IR 1.44，最大回撤-15.89%[31] - 2025年以来收益29.73%，近4周收益2.37%[30] --- 因子的回测效果 1. **低估值增强效果（近4周）**： - 偏股转债超额-1.40%，平衡转债超额-0.55%，偏债转债超额1.12%[23] - 偏股低估指数近4周超额1.33%（与正股等权指数对比）[20] 2. **估值因子分位数状态**： - 百元转股溢价率：滚动3年分位数64.9%，5年分位数67.3%[5][18] - 修正YTM − 信用债YTM中位数：-1.26%（配置性价比偏低）[6][18]

根据提供的量化分析报告内容，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**：小盘风格因子三标尺模型 **模型构建思路**：通过因子赔率、因子动量和因子拥挤度三个维度对小盘风格进行择时判断[20][23] **模型具体构建过程**： - 因子赔率：计算多空两组的估值价差，即因子多空两组BP中位数的比率 - 因子动量：计算因子过去12个月的ICIR - 因子拥挤度：计算多空两组的换手率比率、波动率比率和beta比率的等权平均 - 得分标准化：采用滚动六年窗口，λ=0.995的衰减系数加权构建均值和标准差 - 最终打分：将指标得分划分为-2/-1/0/+1/+2五档，三个标尺得分加总为最终打分[23] **模型评价**：该模型能够有效预警小盘风格的系统性风险，如2023年底的综合负分准确预警了后续回撤[21][24] 2. **模型名称**：T-M模型（Treynor-Mazuy模型） **模型构建思路**：用于分析基金的选股和择时能力[65] **模型具体构建过程**： $$R_{p}-R_{f}=\alpha+\beta_{1}\big(R_{m}-R_{f}\big)+\beta_{2}\big(R_{m}-R_{f}\big)^{2}+\varepsilon_{p}$$ 其中α衡量选股能力，β₂衡量择时能力，β₁衡量系统风险，市场基准采用万得全A等权指数[65][66] **模型评价**：该模型能够有效区分基金的选股能力和市场时机把握能力[66] 量化因子与构建方式 1. **因子名称**：小盘风格因子 **因子构建思路**：捕捉小盘股相对于大盘股的长期定价误差带来的超额收益[7][30] **因子具体构建过程**： - 通过中证1000/沪深300的相对收益构建多空组合 - 结合GK模型拆解小盘股的收益来源（估值变化贡献年化19.1%）[7][8] - 验证其在信用扩张阶段（阶段1）的弹性优势（年化收益达40%+）[19][22] **因子评价**：小盘因子在流动性宽松环境下表现突出，但需警惕拥挤度风险[24][26] 2. **因子名称**：量化交易活跃度因子 **因子构建思路**：利用量化交易在小盘股中的信息优势捕捉Alpha[11][13] **因子具体构建过程**： - 按量化交易参与度将股票分为5组（QT1-QT5） - QT5组（最高活跃度）未来两周超额收益显著（见图表3）[13][14] **因子评价**：该因子在小盘股中效果更显著，验证了量化策略的信息优势[11] 模型的回测效果 1. **小盘风格因子三标尺模型**： - 2023年底预警时赔率-1.0σ/趋势1.1σ/拥挤度1.4σ[21] - 当前（2025/7/4）赔率-0.6σ/趋势1.1σ/拥挤度0.6σ[24] 2. **T-M模型**： - 易方达易百智能量化策略A选股能力年化9.02%[67] - 系统风险系数0.91[67] 因子的回测效果 1. **小盘风格因子**： - 中证1000指增产品年化超额11.51%（300指增仅3.61%）[30][31] - 信用扩张阶段年化收益超40%[22] 2. **量化交易活跃度因子**： - QT5组相对基准周度超额0.82%（统计显著）[13] 注：报告未提供部分因子的具体计算公式和完整参数，已根据可获取信息最大限度还原模型架构[1][5]