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。

根据提供的研报内容，总结如下： 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**：报告未详细说明该模型的具体构建过程和计算公式 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的溢价率Z-score，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**：报告未详细说明该模型的具体构建过程和计算公式，但提及核心指标为“溢价率 Z-score”[4] 量化因子与构建方式 1. **因子名称：行业拥挤度**[3] * **因子构建思路**：用于衡量申万一级行业指数的交易拥挤程度[3] * **因子具体构建过程**：报告未详细说明该因子的具体构建过程和计算公式 2. **因子名称：溢价率 Z-score**[4] * **因子构建思路**：基于ETF溢价率计算的标准化分数，用于识别溢价率异常（过高或过低）的ETF产品[4] * **因子具体构建过程**：报告未详细说明该因子的具体构建过程和计算公式 模型的回测效果 （报告中未提供相关模型的回测效果指标取值） 因子的回测效果 （报告中未提供相关因子的回测效果指标取值） 模型/因子的应用结果 1. **行业拥挤度监测模型应用结果**[3] * 拥挤度靠前的行业：电力设备、钢铁、有色金属[3] * 拥挤度水平较低的行业：传媒、社会服务[3] * 拥挤度变动较大的行业：煤炭、汽车[3] 2. **溢价率 Z-score 模型应用结果（ETF产品关注信号）**[13] * 建议关注的ETF产品（部分列举）：基建ETF (159619.SZ)、红利国企ETF (510720.SH)、在线消费ETF (159728.SZ)、上海金ETF (159830.SZ)、A100ETF (561180.SH) 等[13]

根据研报内容，总结如下： 量化模型与构建方式 **1 模型名称：A股行业轮动模型** - **模型构建思路**：模型从资金、估值、情绪、动量、超买超卖和盈利共6个因子共同构建打分体系，用以研判行业综合评分[3][20] - **模型具体构建过程**：模型使用6个因子对行业进行打分[20] - 资金因子：以行业资金主力净流入率作为主要数据[20] - 估值因子：以该行业位于过去1年的估值分位作为主要数据来源[20] - 情绪因子：以上涨成分股比例作为主要数据来源[20] - 动量因子：以MACD指标作为主要数据来源[20] - 超买超卖因子：以RSI指标作为重要数据来源[20] - 盈利因子：以该行业的一致预测EPS位于过去1年的分位作为主要数据来源[20] - 最后将各因子得分加总得到行业综合评分[22] **2 模型名称：共识度选股模型** - **模型构建思路**：基于动量、价格等因子，结合高频资金流走势与股票价格走势相似度进行选股[4][23] - **模型具体构建过程**： 1. 在申万二级行业层面筛选出过去30天的高涨行业[23] 2. 通过股票月度数据计算动量因子、估值因子和上涨频率[23] 3. 结合资金高频分钟数据计算每支股票高频资金流入流出变化[23] 4. 在涨幅排名前三的二级行业的股票池中，选出各个二级行业中高频资金流走势与股票价格走势相似度最高的各五只股票[23] 模型的回测效果 （报告中未提供具体的模型回测效果指标取值） 量化因子与构建方式 **1 因子名称：资金因子** - **因子构建思路**：以行业资金主力净流入率衡量资金流向[20] - **因子具体构建过程**：通过对过去一段时间每日交易单中大于等于10万股或者金额大于等于20万元的成交金额的交易单作为主力资金流动进行统计，获得每日市场全部股票主力资金净流入数据，然后对股票按照申万一级行业进行行业划分，得到行业主力资金净流入率[3][15] **2 因子名称：估值因子** - **因子构建思路**：以行业历史估值分位衡量估值水平[20] - **因子具体构建过程**：计算该行业估值指标位于过去1年的分位数[20] **3 因子名称：情绪因子** - **因子构建思路**：以上涨成分股比例衡量市场情绪[20] - **因子具体构建过程**：计算行业内上涨股票的比例[20] **4 因子名称：动量因子** - **因子构建思路**：以MACD指标衡量价格动量[20] - **因子具体构建过程**：使用MACD指标作为主要数据来源[20] **5 因子名称：超买超卖因子** - **因子构建思路**：以RSI指标衡量超买超卖状态[20] - **因子具体构建过程**：使用RSI指标作为重要数据来源[20] **6 因子名称：盈利因子** - **因子构建思路**：以一致预测EPS的历史分位衡量盈利预期[20] - **因子具体构建过程**：计算该行业的一致预测EPS位于过去1年的分位数[20] 因子的回测效果 （报告中未提供具体的因子回测效果指标取值）