根据提供的金融工程日报内容，报告主要描述了市场表现、情绪、资金流向等日度监测指标，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范畴[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][30][31][32][33][34][35][36][37][38][39][40][41]。 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。报告的核心是市场监测指标，现将这些指标的构建思路与过程总结如下。 市场监测指标与构建方式 **1 指标名称：封板率** - **指标构建思路**：用于衡量涨停股票的封板质量，计算当日最高价涨停且收盘仍维持涨停的股票占比[15] - **指标具体构建过程**：筛选上市满3个月以上的股票，首先找出当日盘中最高价达到涨停价的股票集合，再从中找出收盘价仍为涨停的股票，计算两者比值 - 封板率 = 最高价涨停且收盘涨停的股票数 / 最高价涨停的股票数 [15] **2 指标名称：连板率** - **指标构建思路**：用于衡量涨停股票的连续性，计算昨日涨停股票今日继续涨停的比例[15] - **指标具体构建过程**：筛选上市满3个月以上的股票，找出昨日收盘涨停的股票集合，再计算该集合中今日收盘也涨停的股票占比 - 连板率 = 连续两日收盘涨停的股票数 / 昨日收盘涨停的股票数 [15] **3 指标名称：大宗交易折价率** - **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情绪与偏好[25] - **指标具体构建过程**：统计当日所有大宗交易，计算总成交金额与按当日收盘价计算的成交份额总市值的比率并减去1 - 折价率 = 大宗交易总成交金额 / 当日成交份额的总市值 - 1 [25] **4 指标名称：股指期货年化贴水率** - **指标构建思路**：将股指期货与现货指数之间的基差进行年化处理，以标准化衡量期货的升贴水程度，反映市场预期和对冲成本[27] - **指标具体构建过程**：计算股指期货主力合约价格与现货指数价格的差值（基差），然后除以现货指数价格，再乘以年化因子（250天除以合约剩余交易日数） - 年化贴水率 = 基差 / 指数价格 * (250 / 合约剩余交易日数) [27] 指标取值 - **封板率**：2025年10月16日取值为65%[15] - **连板率**：2025年10月16日取值为19%[15] - **大宗交易折价率**：2025年10月15日取值为7.81%[25]；近半年平均值为6.13%[25] - **股指期货年化贴水率（2025年10月16日）**： - 上证50股指期货：0.04%，处于近一年51%分位点[27] - 沪深300股指期货：3.34%，处于近一年44%分位点[27] - 中证500股指期货：12.74%，处于近一年36%分位点[27] - 中证1000股指期货：14.45%，处于近一年39%分位点[27] - **股指期货年化贴水率近一年中位数**： - 上证50：0.05%[27] - 沪深300：2.72%[27] - 中证500：10.32%[27] - 中证1000：12.84%[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。研报主要涉及对ETF的跟踪监控，其中明确构建了一个量化因子。 量化因子与构建方式 **1 因子名称：RSI相对强弱指标[2]** * **因子构建思路**：通过计算一定周期内价格平均涨幅与平均跌幅的比值，来衡量市场的超买或超卖状态，从而判断短期趋势强度[2] * **因子具体构建过程**： 1. 首先，计算一定周期（N=12天）内每日上涨幅度和下跌幅度的平均值[2] 2. 计算相对强度RS，公式为： $$RS = \frac{N日内平均涨幅}{N日内平均跌幅}$$[2] 3. 将RS代入以下公式，得到RSI值： $$RSI = 100 – \frac{100}{1 + RS}$$[2] * **因子评价**：该指标常用于判断市场状态，当RSI>70时，认为市场处于超买状态；当RSI<30时，认为市场处于超卖状态[2] **2 因子名称：净申购[2]** * **因子构建思路**：通过当日净值与考虑收益率后的前日净值的变化，来计算当日资金的净流入流出情况，反映市场资金动向[2] * **因子具体构建过程**： 1. 计算公式为： $$NETBUY(T) = NAV(T) – NAV(T-1) \times (1 + R(T))$$[2] 2. 其中，NETBUY(T)为T日的净申购金额，NAV(T)为T日的ETF净值，NAV(T-1)为T-1日的ETF净值，R(T)为T日的ETF收益率[2] 因子的回测效果取值 研报以表格形式展示了多个ETF在特定日期的因子截面数据，以下是部分示例[4][6]： * **RSI相对强弱指标**： * 华泰柏瑞沪深300ETF (510300.SH): 58.17[4] * 南方中证500ETF (510500.SH): 51.89[4] * 华夏上证50ETF (510050.SH): 63.89[4] * 国泰中证煤炭ETF (515220.SH): 75.88[6] * 华夏机器人ETF (562500.SH): 42.23[6] * **净申购（亿元）**： * 华泰柏瑞沪深300ETF (510300.SH): -13.98[4] * 易方达沪深300ETF (510310.SH): 0.70[4] * 华宝中证银行ETF (512800.SH): 10.54[6] * 易方达中证海外互联ETF (513050.SH): 27.41[6] * 华夏中证人工智能ETF (515070.SH): -2.27[6]

根据研报内容，现对其中涉及的量化模型与因子总结如下： 量化因子与构建方式 1. **因子名称：国证2000增强因子**[31] * **因子构建思路**：针对国证2000指数成分股（小微盘股）的选股逻辑，筛选并合成有效的选股因子，以构建指数增强策略。[30] * **因子具体构建过程**： 1. 测试并发现技术、反转、特异波动率等因子在国证2000成分股上表现出色。[31] 2. 由于技术、反转和特异波动率因子相关性较高，对波动率因子进行去相关处理：将波动率因子对技术和反转因子做回归，取残差作为相对独立的波动率因子。$$ \text{残差波动率因子} = \text{特异波动率因子} - \text{回归模型预测值} $$[31] 3. 将成长、残差波动率、动量、技术、价值等各大类因子进行等权合成。[31] 4. 对合成的因子进行行业和市值中性化处理，最终得到国证2000增强因子。[31] * **因子评价**：该因子具有良好的预测效果。[31] 2. **因子名称：GBDT+NN机器学习选股因子**[42] * **因子构建思路**：选取结构差异化的GBDT（梯度提升树）和NN（神经网络）两类机器学习模型，使用不同的特征数据集进行训练，并融合多种预测标签，以构建在宽基指数上表现优异的选股因子。[5][42] * **因子具体构建过程**： 1. 分别训练GBDT和NN模型。[5][42] 2. 使用多种预测标签进行对比和融合。[5][42] 3. 最终构建出GBDT+NN融合选股因子。[5][42] 3. **因子名称：动态宏观事件因子（用于红利择时）**[57] * **因子构建思路**：使用经济增长和货币流动性共10个指标，通过动态事件因子体系构建择时策略，以判断中证红利指数的投资时机。[6][57] * **因子具体构建过程**：基于10个宏观指标（如消费者信心指数、发电量、国债利差、PMI新出口订单、PPI、Shibor等）生成信号，并综合这些信号得出最终的择时判断。[65] 4. **因子名称：风格因子（分析用）**[14][16][19][24] * **因子构建思路**：通过分析全A市场在不同行情阶段（如牛市、下跌市）下各类风格因子的表现，来解释量化产品超额收益波动的原因并预测风格切换。[14] * **涉及的具体因子**：报告中分析的风格雷达包括：分析师一致预期因子、成长因子、动量因子、质量因子、技术因子、价值因子、波动因子、市值因子。[15][19][24] 量化模型与构建方式 1. **模型名称：国证2000指数增强策略**[30][35] * **模型构建思路**：基于专门构建的国证2000增强因子，在国证2000指数成分股内进行选股，以获取超越基准的超额收益。[30][35] * **模型具体构建过程**： * 每月月底调仓。[35] * 选取国证2000增强因子值排名前10%的股票。[35] * 以等权方式构建投资组合。[35] * 假设手续费率为单边千分之二。[35] 2. **模型名称：GBDT+NN机器学习指数增强策略**[5][42][46] * **模型构建思路**：基于GBDT+NN机器学习选股因子，通过组合优化方法控制跟踪误差和个股权重偏离，最大化因子暴露，构建针对不同宽基指数（沪深300、中证500、中证1000）的增强策略。[5][46] * **模型具体构建过程**： * 回测区间自2015年2月1日开始。[5] * 每月月初调仓。[5] * 假定手续费率单边千二。[5] * 通过对投资组合的跟踪误差进行控制，对个股权重偏离进行控制，最大化因子暴露。[5][46] 3. **模型名称：基于红利风格择时+红利股优选的固收+策略**[6][57] * **模型构建思路**：结合针对中证红利指数的动态宏观事件因子择时策略和在红利股内使用AI模型的选股策略，构建一个低波动、稳健的"固收+"策略。[6][57] * **模型具体构建过程**： * **择时部分**：使用动态宏观事件因子判断中证红利指数的仓位（0%-100%）。[57][65] * **选股部分**：利用AI模型（如GBDT+NN）在中证红利指数成分股内进行选股。[6][57] * 将择时信号与选股组合结合，形成最终的"固收+"策略组合。[6] 模型的回测效果 1. **国证2000指数增强策略**[38][39] * 年化收益率：23.94% * 年化波动率：24.05% * 夏普比率：1.00 * 最大回撤：42.49% * 年化超额收益率：13.18% * 跟踪误差：7.61% * 信息比率(IR)：1.73 * 超额最大回撤：10.19% * 9月收益率：-0.39% * 9月超额收益率：-0.86% 2. **GBDT+NN沪深300指数增强策略**[46][47] * 年化收益率：14.44% * 年化波动率：21.18% * Sharpe比率：0.68 * 最大回撤率：39.02% * 年化超额收益率：10.86% * 跟踪误差：6.01% * 信息比率(IR)：1.81 * 超额最大回撤：7.72% * 9月收益率：1.77% * 9月超额收益率：-1.44% 3. **GBDT+NN中证500指数增强策略**[49][51] * 年化收益率：13.80% * 年化波动率：23.46% * Sharpe比率：0.59 * 最大回撤率：41.29% * 年化超额收益率：10.27% * 跟踪误差：5.99% * 信息比率(IR)：1.71 * 超额最大回撤：8.34% * 9月收益率：2.08% * 9月超额收益率：-3.19% 4. **GBDT+NN中证1000指数增强策略**[54][55][57] * 年化收益率：17.97% * 年化波动率：26.46% * Sharpe比率：0.68 * 最大回撤率：43.51% * 年化超额收益率：15.83% * 跟踪误差：6.76% * 信息比率(IR)：2.34 * 超额最大回撤：7.53% * 9月收益率：0.96% * 9月超额收益率：-0.96% 5. **基于红利风格择时+红利股优选的固收+策略**[58] * 年化收益率：7.34% * 年化波动率：3.38% * 夏普比率：2.17 * 最大回撤：4.93% * 最近1个月收益率：-0.73% 因子的回测效果 1. **国证2000增强因子**[31][32] * IC平均值：12.54% * 最新月IC：6.91% * 风险调整的IC：1.08 * t统计量：12.56 2. **GBDT+NN选股因子（沪深300成分股）**[43] * 样本外整体IC均值：11.43% * 样本外整体多头年化超额收益率：15.39% * 本月IC：-11.91% * 本月多头超额收益率：-3.31% 3. **GBDT+NN选股因子（中证500成分股）**[48] * 样本外整体IC均值：9.77% * 样本外整体多头年化超额收益率：9.87% * 本月IC：9.87% * 本月多头超额收益率：-1.62% 4. **GBDT+NN选股因子（中证1000成分股）**[52][53] * 样本外整体IC均值：13.49% * 样本外整体多头年化超额收益率：16.10% * 本月IC：9.77% * 本月多头超额收益率：-0.68% 5. **中证红利选股策略（AI模型）**[58] * 年化收益率：18.83% * 年化波动率：21.08% * 夏普比率：0.89 * 最大回撤：38.52% * 最近1个月收益率：-3.08% * 今年以来收益率：6.47% 6. **红利择时策略**[58] * 年化收益率：13.58% * 年化波动率：15.36% * 夏普比率：0.88 * 最大回撤：25.05% * 最近1个月收益率：-1.10% * 今年以来收益率：-0.43%

根据研报内容，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：Black-Litterman模型（BL模型）**[26] * **模型构建思路**：BL模型是对传统均值-方差模型（MVO）的改进，采用贝叶斯理论将投资者的主观观点与量化配置模型结合起来，通过投资者对市场的分析预测资产收益，进而优化资产配置权重[26] * **模型具体构建过程**：报告跟踪了两种国内资产BL策略[27] * **BL策略1**：认为市场均衡权重未知，每月末使用各资产过去五年的历史收益作为市场均衡收益率Π，并指定风险厌恶系数δ的值（例如δ=10）由于风险厌恶系数和目标波动率存在对应关系，指定δ便相当于指定了目标波动率[33] * **BL策略2**：对市场均衡权重进行人为指定（股:债:转债:商品:黄金=10:80:5:2.5:2.5），使用各资产过去五年的历史收益作为市场均衡收益率Π，反解市场风险厌恶系数δ此时每一期的δ是动态变化的，相当于每一期的目标波动率也在变化[33] 2. **模型名称：风险平价模型**[32][35] * **模型构建思路**：风险平价模型的核心思想是把投资组合的整体风险分摊到每类资产（因子）中去，使得每类资产（因子）对投资组合整体风险的贡献相等该模型从各资产（因子）的预期波动率及预期相关性出发，计算得到初始资产配置权重下各资产（因子）对投资组合的风险贡献，然后对各资产（因子）实际风险贡献与预期风险贡献间的偏离度进行优化，从而得到最终资产配置权重[35] * **模型具体构建过程**：构建过程分三步第一步，选择合适的底层资产（报告中使用8类国内资产）第二步，计算资产对组合的风险贡献第三步，求解优化问题计算持仓权重同时，采用过去五年的日度收益率估计协方差矩阵，用于提升协方差矩阵的估计稳定性[35] 3. **模型名称：基于宏观因子的资产配置策略**[40][41] * **模型构建思路**：该框架建立了一个宏观研究与资产配置研究的桥梁，通过构造涵盖增长、通胀、利率、信用、汇率和流动性六大风险的宏观因子体系，将对于宏观的主观观点进行资产方面的落地[40] * **模型具体构建过程**：按以下四步构建策略第一步，每月末计算资产的因子暴露水平第二步，以资产的风险平价组合作为基准，计算出基准因子暴露第三步，根据对宏观未来一个月的判断，给定一个主观因子偏离值，结合基准因子暴露，得到资产组合的因子暴露目标第四步，带入模型反解得到下个月的各个资产配置权重在计算因子暴露时，使用基于先验信息的Lasso回归，并采用滚动重采样（Bootstrap）的方式提高稳健性，即在每月末以过去10年为滚动窗口期，随机挑选起始日期并取长度为2年的时间序列作为输入变量，重复采样3000次，最终取回归结果的中位数作为因子暴露值[41] 模型的回测效果 1. **国内资产BL策略1**，2025年收益3.58%[4][31]，9月收益0.19%[4]，最大回撤1.31%[4][31]，年化波动2.19%[4][31]，夏普比率1.177[19]，卡玛比率2.732[19] 2. **国内资产BL策略2**，2025年收益3.18%[4][31]，9月收益0.20%[4]，最大回撤1.06%[4][31]，年化波动1.99%[4][31]，夏普比率1.096[19]，卡玛比率2.992[19] 3. **国内资产风险平价策略**，2025年收益3.12%[4][39]，9月收益0.18%[4]，最大回撤0.76%[4][39]，年化波动1.34%[4][39]，夏普比率1.582[19]，卡玛比率4.098[19] 4. **基于宏观因子的资产配置策略**，2025年收益3.42%[4][46]，9月收益0.48%[4]，最大回撤0.65%[4][46]，年化波动1.32%[4][46]，夏普比率1.837[19]，卡玛比率5.235[19] 5. **全球资产BL策略1**，2025年收益0.99%[50]，9月收益0.26%[50]，最大回撤1.64%[50]，年化波动1.98%[50]，夏普比率-0.005[19]，卡玛比率0.604[19] 6. **全球资产BL策略2**，2025年收益2.07%[50]，9月收益0.25%[50]，最大回撤1.28%[50]，年化波动1.63%[50]，夏普比率0.656[19]，卡玛比率1.616[19] 7. **全球资产风险平价策略**，2025年收益2.58%[50]，9月收益0.21%[50]，最大回撤1.20%[50]，年化波动1.47%[50]，夏普比率1.075[19]，卡玛比率2.160[19] 量化因子与构建方式 1. **因子名称：宏观因子体系**[40][41] * **因子的构建思路**：构造了涵盖增长、通胀、利率、信用、汇率和流动性六大风险的宏观因子体系[40] * **因子具体构建过程**：通过Factor Mimicking Portfolio方法构造了增长、通胀等六大宏观风险的高频宏观因子[41] 因子的回测效果 （报告中未提供宏观因子本身的独立测试结果，如IC值、IR等）

根据提供的研报内容，报告主要分析了北上资金的行业配置和净流入情况，并未涉及传统的量化模型（如多因子模型、风险模型等）或量化因子（如价值、动量等）的构建与测试。报告的核心是描述性统计分析。 因此，本次总结将重点放在报告中用于分析的资金流指标上。该指标可以被视为一个分析因子。 量化因子与构建方式 **1 因子名称：行业资金净流入因子**[2][5][16] **1.1 因子的构建思路** 该因子的构建思路是，为了更真实地反映北上资金主动的配置行为，需要剔除因股票价格涨跌导致的持股市值被动变化的影响，从而计算出资金在特定行业上的主动净流入额。[5][16] **1.2 因子具体构建过程** 报告虽未给出完整的数学公式，但详细描述了计算过程，具体步骤如下： 1. **确定时间区间**：例如，报告中选择的时间区间为2025年第二季度至2025年第三季度（2025Q2至2025Q3）[5][16] 2. **计算期初和期末持股市值**：对于每个行业内的所有个股，分别计算北上资金在期初（2025Q2末）和期末（2025Q3末）的持股市值[2][11] 3. **剥离价格影响**：通过调整期初持仓来剥离行业自身涨跌幅的影响。具体方法是，将期初的持股市值根据该行业（或行业内个股）在计算期内的涨跌幅进行调整，得到一个“假设期末持仓市值”。这个假设值代表了如果北上资金在此期间没有进行任何主动买卖操作，仅因价格波动其持仓市值应变为多少[5][16][28] * 计算逻辑可表示为：`假设期末持仓市值 = 期初持股市值 × (1 + 行业期间收益率)` 4. **计算主动净流入**：将实际的期末持股市值与上述“假设期末持仓市值”相减，其差额即为北上资金在该行业上的主动净流入（或流出）金额[5][16][28] * 计算逻辑可表示为：`行业资金净流入 = 实际期末持股市值 - 假设期末持仓市值` * 如果结果为正值，表示资金净流入；如果为负值，表示资金净流出。 **1.3 因子评价** 该因子提供了一种更清晰的视角来观察资金的主动配置动向，比单纯比较期初和期末持仓市值的变化更能反映真实的资金意愿。[5][16][28] 因子的回测效果 报告未提供该因子在历史回测中的表现指标（如年化收益率、夏普比率、信息比率IR等）。报告仅展示了特定时间段（2025年第三季度）的计算结果。[5][16] **1 行业资金净流入因子，在2025Q3的取值情况** * **一级行业净流入TOP5**：电子、电力及新能源设备、农产品、化学品、非金属材料 [5][16] * **一级行业净流出TOP5**：银行、食品饮料、公用事业、综合金融、家电制造 [5][16] * **二级行业净流入TOP5**：零部件及元器件、新能源车设备、通用机械、新能源设备及制造、显示器件 [20] * **二级行业净流出TOP5**：国有行、白酒、股份行、电力、证券及期货 [20]

根据提供的研报内容，总结其中涉及的量化模型与因子如下： 量化模型与构建方式 1. **模型名称：行业拥挤度监测模型**[3] * **模型构建思路**：通过构建模型对申万一级行业指数的拥挤度进行每日监测，以识别拥挤度较高和较低的行业[3] * **模型具体构建过程**：报告未提供该模型的具体构建过程和公式 2. **模型名称：溢价率 Z-score 模型**[4] * **模型构建思路**：通过滚动测算ETF产品的溢价率Z-score，来搭建ETF产品筛选信号模型，以发现存在潜在套利机会的标的[4] * **模型具体构建过程**：报告未提供该模型的具体构建过程和公式 量化因子与构建方式 报告未明确描述独立因子的构建思路与过程。 模型的回测效果 报告未提供上述模型的量化回测效果指标（如年化收益率、夏普比率、最大回撤等）。 因子的回测效果 报告未提供具体因子的测试结果取值。

量化因子与构建方式 1. 因子名称：传统换手率因子(Turn20) **因子构建思路**：基于传统量价选股模型，使用过去20个交易日的日均换手率作为选股指标，逻辑为过去一个月换手率越小的股票未来越有可能上涨，而换手率越大的股票未来越有可能下跌[6] **因子具体构建过程**：每月月底计算每只股票过去20个交易日的日均换手率，并对因子值做市值中性化处理[6] **因子评价**：该因子的逻辑并不完全正确，在换手率最大的分组中，组内成分股未来收益的差异较大，既有大跌的股票也有大涨的股票，导致误判了许多未来大涨的样本[7] 2. 因子名称：换手率分布均匀度因子(UTD) **因子构建思路**：借助成交量的分钟数据，对传统换手率因子进行改进，构造换手率分布均匀度因子，该因子对股票样本的误判程度明显减弱[7][3] **因子具体构建过程**：基于个股的分钟成交量数据构建换手率分布均匀度UTD因子，在剔除了市场常用风格、行业和东吴金工特色因子的干扰后，纯净UTD因子仍然具备一定的选股效果[3] **因子评价**：选股效果大幅优于传统因子，对股票样本的误判程度明显减弱[3] 因子的回测效果 1. 传统换手率因子(Turn20) **测试区间**：2006年1月1日至2021年4月30日[6] **测试范围**：全体A股[6] **月度IC均值**：-0.072[6] **年化ICIR**：-2.10[6] **多空对冲年化收益率**：33.41%[6] **信息比率**：1.90[6] **月度胜率**：71.58%[6] 2. 换手率分布均匀度因子(UTD) **测试区间**：2014年1月至2025年9月[1][7] **测试范围**：全体A股[1][7] **多空对冲年化收益率**：19.82%[1][7] **年化波动率**：7.39%[1][7] **信息比率**：2.68[1][7] **月度胜率**：77.30%[1][7] **月度最大回撤**：5.51%[1][7] **2025年9月表现**： - 10分组多头组合收益率：0.91%[11] - 10分组空头组合收益率：0.52%[11] - 10分组多空对冲收益率：0.39%[11]

根据研报内容，信息分布均匀度（UID）因子是核心内容，报告未涉及具体的量化模型，仅详细描述了该因子的构建与绩效。以下是总结： **量化因子与构建方式** 1. **因子名称**：信息分布均匀度因子（UID）[6] * **因子构建思路**：该因子是对传统换手率因子的改进，旨在利用个股的分钟数据，通过分析高频波动率来构建一个选股效果更优的因子[6] * **因子具体构建过程**：报告未提供UID因子的具体计算公式和构建步骤，仅提及它是借助涨跌幅的分钟数据，在计算每日高频波动率的基础上构造的[6] * **因子评价**：UID因子的选股效果大幅优于传统波动率因子，并且在剔除了市场常用风格和行业的干扰后，其纯净因子仍然具备不错的选股能力[1] **因子的回测效果** 1. **信息分布均匀度UID因子**（测试区间：2014年1月至2025年9月，全体A股，10分组多空对冲）[1][7][12] * 年化收益率：26.48% * 年化波动率：9.88% * 信息比率（IR）：2.68 * 月度胜率：78.72% * 月度最大回撤率：6.05% 2. **信息分布均匀度UID因子**（2025年9月，全体A股）[11] * 10分组多头组合收益率：1.84% * 10分组空头组合收益率：0.04% * 10分组多空对冲收益率：1.80%

根据提供的金融工程日报内容，报告主要描述了市场表现、情绪和资金流向等市场数据监测指标，并未涉及具体的量化模型或量化因子的构建、测试和评价。报告内容属于市场日常监测和描述性统计范畴[2][3][4][6][7][10][13][16][18][21][22][25][27][29][31][34][35]。 因此，本次总结无法提供关于量化模型或量化因子的名称、构建思路、具体构建过程、评价及测试结果等内容。

根据提供的金融工程日报内容，报告主要描述了市场表现、情绪和资金流向等观测指标，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和监测范畴。 因此，本次总结中“量化模型与构建方式”、“模型的回测效果”、“量化因子与构建方式”及“因子的回测效果”部分均无相关内容。