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** - 构建思路：通过统计股票在交易日内达到涨停且收盘保持涨停的比例，反映市场情绪和资金封板意愿[17] - 具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 筛选上市满3个月以上的股票，计算当日符合条件的股票比例[17] - 模型评价：高频指标能有效捕捉短期资金博弈强度 2. **连板率模型** - 构建思路：衡量连续涨停股票的持续性，反映市场热点延续性[17] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 需排除新股上市初期波动干扰[17] 3. **股指期货贴水率模型** - 构建思路：通过期货主力合约与现货指数的基差年化计算，反映市场预期[28] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格}×\frac{250}{合约剩余交易日数}$$ 分别计算上证50、沪深300、中证500、中证1000四大股指期货主力合约[28] 模型的回测效果 1. **封板率模型** - 20250331封板率67%，较前日提升17%[17] 2. **连板率模型** - 20250331连板率24%，较前日提升12%[17] 3. **股指期货贴水率模型** - 上证50年化升水率0.06%（近一年49%分位）[28] - 沪深300年化贴水率3.42%（近一年36%分位）[28] - 中证500年化贴水率12.53%（近一年15%分位）[28] - 中证1000年化贴水率13.21%（近一年37%分位）[28] 量化因子与构建方式 1. **大宗交易折价因子** - 构建思路：通过大宗交易成交价与市价的偏离度反映机构交易情绪[26] - 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5.40%[26] 2. **ETF折溢价因子** - 构建思路：捕捉场内交易ETF相对于净值的偏差[24] - 具体构建过程：筛选日成交额超100万的股票型ETF，计算溢价率排名[24] 因子的回测效果 1. **大宗交易折价因子** - 20250328折价率6.53%（近半年均值5.40%）[26] 2. **ETF折溢价因子** - 生物疫苗ETF溢价1.30%（当日最高）[24] - 2000ETF折价0.37%（当日最低）[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： 量化模型与构建方式 1. **模型名称**：风险溢价模型 **模型构建思路**：以十年期国债即期收益率为无风险利率参考，计算各宽基指数相对于无风险利率的风险溢价，衡量其投资价值和偏离情况[28][29] **模型具体构建过程**： - 风险溢价公式： $$风险溢价 = 指数收益率 - 十年期国债即期收益率$$ 其中指数收益率采用日频或周频计算[30] - 分位值计算：基于近1年/5年历史数据计算当前风险溢价所处百分位[31] **模型评价**：中证1000和中证2000的风险溢价波动率较大，显示更高的市场风险[29] 2. **模型名称**：PE-TTM估值模型 **模型构建思路**：通过滚动市盈率（TTM）衡量指数估值水平，结合历史分位值判断估值高低[34][37] **模型具体构建过程**： - 分位值计算： $$分位值 = \frac{当前PE-TTM - 历史最小值}{历史最大值 - 历史最小值} \times 100\%$$ 采用近1年/5年/全历史三种时间窗口[41] - 标准差带：基于近1年波动率计算±1/2倍标准差区间[42] **模型评价**：中证500当前PE-TTM分位值达83.55%，显示估值偏高[41] 3. **模型名称**：股息率模型 **模型构建思路**：跟踪现金分红回报率，识别高股息资产的避风港特性[46][47] **模型具体构建过程**： - 股息率公式： $$股息率 = \frac{近12个月现金分红总额}{指数总市值} \times 100\%$$ - 历史分位计算方式与PE-TTM模型一致[51] **模型评价**：沪深300股息率分位值达98.1%，显示极强的防御性特征[49] 模型的回测效果 1. **风险溢价模型** - 上证50风险溢价：-0.42%（近5年分位值33.81%）[31] - 中证2000风险溢价：-1.52%（近5年分位值13.81%）[31] - IR（信息比率）：沪深300为0.58，创业板指为-0.15[31] 2. **PE-TTM估值模型** - 中证500 PE-TTM：28.55（近5年分位值83.55%）[41] - 创业板指 PE-TTM：32.22（近5年分位值27.02%）[41] - 波动率：中证2000达17.65，显示高波动特征[42] 3. **股息率模型** - 沪深300股息率：3.65%（近5年分位值98.1%）[51] - 中证2000股息率：1.00%（近5年分位值80.25%）[51] - 超额标准差：上证50当前值超+1σ标准带1.68%[51] 量化因子与构建方式 1. **因子名称**：破净率因子 **因子构建思路**：通过市净率<1的个股占比反映市场低估程度[52][54] **因子具体构建过程**： $$破净率 = \frac{指数成分股中PB<1的股票数量}{指数成分股总数} \times 100\%$$ **因子评价**：上证50破净率24%显著高于创业板指3%，显示价值风格分化[54] 2. **因子名称**：收益分布形态因子 **因子构建思路**：通过偏度和峰度刻画指数收益分布特征[23][24] **因子具体构建过程**： - 峰度计算： $$峰度 = \frac{E[(X-\mu)^4]}{\sigma^4} - 3$$ - 偏度计算： $$偏度 = \frac{E[(X-\mu)^3]}{\sigma^3}$$ **因子评价**：创业板指峰度偏离达4.78，显示极端收益集中[24] 因子的回测效果 1. **破净率因子** - 上证50破净率：24.0%[54] - 中证1000破净率：9.5%[54] - 中证全指破净率中枢下移至8.0%[54] 2. **收益分布形态因子** - 创业板指峰度：4.89（近5年偏离+4.78）[24] - 中证2000偏度：1.57（近5年偏离-0.31）[24] - 沪深300偏度：2.24（近5年偏离+0.58）[24]

量化模型与构建方式 1. **模型名称**：五维行业轮动模型 - **模型构建思路**：基于行业内部风格差异，通过构建行业内部离散指标与牵引指标合成五大类因子（波动率、基本面、成交量、情绪、动量），形成综合评分驱动行业轮动[6] - **模型具体构建过程**： 1. **因子分类**：按东吴金工多因子体系划分微观因子为五类（波动率、基本面、成交量、情绪、动量）[6] 2. **行业内部指标构建**： - 离散指标：衡量行业内部个股风格分化程度 - 牵引指标：反映行业内部龙头股对整体风格的带动作用 3. **合成因子**：结合离散指标与牵引指标生成五类行业因子，加权综合评分[6] - **模型评价**：综合因子表现优于单一因子，稳定性与收益能力突出[8][10] 2. **沪深300指数增强策略** - **模型构建思路**：基于五维行业轮动模型，每月调整沪深300成分股权重，增强高评分行业、剔除低评分行业[21] - **模型具体构建过程**： 1. **行业分组**：每月末将申万一级行业按五维评分分为六组，取第一组（多头）和第六组（空头） 2. **权重调整**： - 剔除空头行业股票，将其权重按比例分配给多头行业股票 - 其余行业权重保持不变[21] --- 量化因子与构建方式 1. **因子名称**：波动率因子 - **因子构建思路**：反映行业内部个股波动率的离散与牵引效应[6] - **因子评价**：近期表现最优，收益能力与稳定性评分最高[8][11] 2. **因子名称**：基本面因子 - **因子构建思路**：基于行业内部财务指标（如ROE、营收增速）的风格分化[6] 3. **因子名称**：成交量因子 - **因子构建思路**：捕捉行业内部成交量变化的差异性[6] 4. **因子名称**：情绪因子 - **因子构建思路**：衡量市场情绪对行业内部个股的影响[6] 5. **因子名称**：动量因子 - **因子构建思路**：追踪行业内部价格动量效应的扩散[6] --- 模型的回测效果 1. **五维行业轮动模型（多空对冲）** - 年化收益率：21.63% - 年化波动率：10.92% - IR：1.98 - 月度胜率：72.65% - 最大回撤：13.30%[10][11] 2. **五维行业轮动模型（多头超额）** - 超额年化收益率：10.49% - 超额波动率：6.68% - IR：1.57 - 月度胜率：70.09% - 最大回撤：9.36%[15] 3. **沪深300指数增强策略** - 超额年化收益率：8.82% - 超额波动率：7.60% - IR：1.16 - 月度胜率：69.49% - 最大回撤：12.84%[22] --- 因子的回测效果 1. **波动率因子** - 年化收益率：11.74% - 波动率：10.23% - IR：1.15 - 胜率：59.84% - 最大回撤：14.27%[11] 2. **基本面因子** - 年化收益率：5.95% - 波动率：9.95% - IR：0.60 - 胜率：55.74% - 最大回撤：21.50%[11] 3. **成交量因子** - 年化收益率：7.60% - 波动率：12.23% - IR：0.62 - 胜率：58.20% - 最大回撤：18.51%[11] 4. **情绪因子** - 年化收益率：7.82% - 波动率：12.96% - IR：0.60 - 胜率：64.75% - 最大回撤：13.56%[11] 5. **动量因子** - 年化收益率：11.86% - 波动率：10.81% - IR：1.10 - 胜率：61.16% - 最大回撤：13.52%[11]

量化模型与构建方式 1. **模型名称：A股收益预测模型** - 模型构建思路：基于股息率、股本稀释率、盈利增速和估值变化预测宽基指数未来一年收益[16] - 模型具体构建过程： - 预期收益 = 预期股息率 + 预期盈利增速 + 预期估值变化 - 预期股本稀释率 $$ \text{预期收益} = \text{股息率} + \text{盈利增速} + \text{估值变化} - \text{股本稀释率} $$ - 参数说明：盈利增速采用自上而下和自下而上结合的方法预测，估值变化基于ERP模型[16][21] - 模型评价：长周期预测准度较高，尤其对沪深300和上证50的估值变化预测有效[16][21] 2. **模型名称：GK利率债收益预测模型** - 模型构建思路：通过利率期限结构和宏观经济变量预测短久期与长久期国债未来一年收益[25][28] - 模型具体构建过程：未披露具体公式，但输出结果包括短久期国债预期收益1.4%、长久期国债-1.4%[25][28] 3. **模型名称：赔率+胜率策略** - 模型构建思路：结合资产赔率（如股债风险溢价）和宏观胜率评分（货币、信用等五因子）进行风险预算分配[61][66] - 模型具体构建过程： - 赔率指标：DRP（股息率-10年期国债收益率）衡量权益赔率，CCB模型误差衡量转债赔率[33][34] - 胜率指标：宏观五因子（货币、信用、增长、通胀、海外）合成评分[33][61] - 综合配置权重通过风险预算相加得到[66] 模型的回测效果 1. **A股收益预测模型** - 沪深300未来一年预期收益：16.9%[16] - 中证500未来一年预期收益：-30.5%[16] 2. **赔率+胜率策略** - 2011年以来年化收益：6.9%，最大回撤2.8%，夏普比率3.05[66] - 当前配置权重：泛权益类13.6%、黄金5.0%、债券81.4%[66] 量化因子与构建方式 1. **因子名称：质量因子** - 因子构建思路：综合ROE、盈利稳定性等指标，通过赔率、趋势、拥挤度三标尺评分[41][42] - 因子具体构建过程： - 赔率：1.3倍标准差（高赔率） - 趋势：-0.1倍标准差（中等趋势） - 拥挤度：-1.5倍标准差（低拥挤）[41][42] - 因子评价：当前综合得分3，配置价值最高[41] 2. **因子名称：成长因子** - 因子构建思路：基于净利润同比、营收同比等指标，结合趋势和拥挤度分析[43][44] - 因子具体构建过程： - 赔率：-0.5倍标准差（中低赔率） - 趋势：0.7倍标准差（强趋势） - 拥挤度：-0.04倍标准差（中低拥挤）[43][44] - 因子评价：综合得分0.6，建议标配[43] 3. **因子名称：小盘因子** - 因子构建思路：通过市值分组，结合交易拥挤度和趋势分析[48][49] - 因子具体构建过程： - 赔率：-0.1倍标准差（中性） - 趋势：-0.4倍标准差（弱趋势） - 拥挤度：0.3倍标准差（中高拥挤）[48][49] - 因子评价：综合得分-0.8，不建议配置[48] 因子的回测效果 1. **质量因子** - 信息比率（IR）：1.14（2011年以来）[42] - 超额收益：12.4%（2011年以来）[42] 2. **行业轮动因子（趋势-景气度-拥挤度）** - 2025年超额收益：4.8%[55][57] - 当前推荐行业：化工、有色、建材、汽车、非银[58][60]

量化模型与构建方式 1. **模型名称**：预期高股息组合 - **模型构建思路**：采用两阶段构建预期股息率指标，第一阶段基于年报公告利润分配计算股息率，第二阶段利用历史分红与基本面指标预测股息率，并辅以反转因子和盈利因子筛选[8][13] - **模型具体构建过程**： 1. 剔除沪深300成份股中停牌及涨停股票[13] 2. 剔除21日累计涨幅最高的20%个股（反转因子）[13] 3. 剔除单季度净利润同比增长率小于0的股票（盈利因子）[13] 4. 按预期股息率排序，选取前30只个股等权构建组合[9] - **模型评价**：通过动态调整持仓和严格筛选标准，兼顾股息收益与基本面稳健性 2. **模型名称**：红利择时框架 - **模型构建思路**：基于通胀、流动性、利率和市场情绪等5个子信号合成多空信号，判断红利资产配置时机[24] - **模型具体构建过程**： - 子信号包括PPI同比、M2同比、M1-M2剪刀差、美国10年期国债收益率、红利股成交额占比[24] - 合成信号通过加权或逻辑运算生成最终观点（1看多/0看空）[24] 模型的回测效果 1. **预期高股息组合**： - 累计收益：358.90%（2009/2/2-2017/8/31）[11] - 累计超额收益（vs沪深300全收益）：107.44%[11] - 年化超额收益：8.87%[11] - 最大回撤：12.26%（滚动一年）[11] - 月度胜率：60.19%[11] - 2025年3月超额收益：vs沪深300 +3.36%，vs中证红利 +1.33%[14] 2. **红利择时框架**： - 2025年4月合成信号：0（看空）[24] - 子信号状态：M2同比由多转空，其他信号混合[24] 量化因子与构建方式 1. **因子名称**：预期股息率因子 - **因子构建思路**：结合历史分红规律与基本面指标预测未来股息支付能力[8] - **因子具体构建过程**： - 第一阶段：使用年报公告的分红数据计算静态股息率 $$股息率 = \frac{每股分红}{股价}$$ - 第二阶段：通过ROE、现金流等基本面指标建立预测模型[8] 2. **因子名称**：反转因子 - **因子构建思路**：剔除短期涨幅过高股票以避免追高风险[13] - **因子具体构建过程**：计算21日累计涨幅，剔除前20%个股[13] 3. **因子名称**：盈利因子 - **因子构建思路**：筛选盈利持续改善的标的[13] - **因子具体构建过程**：剔除单季度净利润同比负增长的股票[13] 因子的回测效果 1. **预期股息率因子**： - 2025年3月Top30组合平均收益：3.05%（vs沪深300 -0.32%）[14] - 头部个股超额显著（如格力电器+10.87%）[19] 2. **反转因子+盈利因子**： - 组合波动率显著低于纯股息策略[11] - 2025年3月最大单股回撤仅-2.07%（邮储银行）[19]

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：宏观择时策略** - 模型构建思路：基于动态宏观事件因子构建股债轮动策略，通过经济增长和货币流动性两个维度信号决定权益仓位[23] - 模型具体构建过程： 1. 经济增长信号强度计算：采用工业增加值、PMI等宏观经济指标同比变化，2月信号强度为0%[23][24] 2. 货币流动性信号强度计算：结合SHIBOR、DR007等利率指标，2月信号强度为60%[23][24] 3. 综合信号输出：权益仓位=经济增长信号×权重1+流动性信号×权重2，2月推荐仓位30%[23][24] - 模型评价：策略在2025年初至今跑赢Wind全A指数1.16%，但对经济周期敏感度较高[23][24] 2. **模型名称：微盘股择时模型** - 模型构建思路：通过波动率拥挤度和利率同比指标监控微盘股风险阈值[26] - 模型具体构建过程： 1. 波动率拥挤度指标=微盘股指数20日波动率/历史分位数，阈值设为±50%，当前-50.09%未触发预警[26][27] 2. 利率同比指标=10年国债收益率同比变化，阈值±0.3%，当前-20.45%未触发预警[26][27] 3. 轮动信号：微盘股/茅指数相对净值上穿243日均线时触发买入信号[26][30] 量化因子与构建方式 1. **因子名称：一致预期因子** - 构建思路：反映市场对上市公司未来业绩的一致预期[34] - 具体构建过程： 1. EPS_FTTM_Chg3M=未来12个月EPS预期3个月变化率 2. ROE_FTTM_Chg3M=未来12个月ROE预期3个月变化率 3. TargetReturn_180D=分析师目标价隐含收益率[48] 2. **因子名称：质量因子** - 构建思路：衡量企业盈利能力和财务稳健性[34] - 具体构建过程： 1. ROE_FTTM=预期净利润/股东权益均值 2. OCF2CurrentDebt=经营现金流净额/流动负债 3. GrossMargin_TTM=过去12个月毛利率[48] 3. **因子名称：转债估值因子** - 构建思路：捕捉可转债相对于正股的溢价机会[40] - 具体构建过程： 1. 平价底价溢价率=(转债价格-纯债价值)/转换价值 2. 结合正股价值因子构建复合指标[40][43] 模型的回测效果 1. **宏观择时策略** - 2025年初至今收益率：-1.16% - 同期Wind全A收益率：-2.32% - 信息比率(IR)：0.48[23][24] 2. **微盘股择时模型** - 波动率拥挤度指标：-50.09%（阈值±50%） - 利率同比指标：-20.45%（阈值±0.3%）[26][27] 因子的回测效果 1. **一致预期因子** - 全部A股IC均值：1.60%（上周） - 中证1000多空收益：0.93%（上周）[37] 2. **质量因子** - 全部A股IC均值：18.93%（上周） - 中证500多空收益：1.73%（上周）[37] 3. **转债估值因子** - 多空组合年化收益：15.2% - 最大回撤：8.7%[43] （注：部分因子如技术、价值等因篇幅限制未完全展开，但原始报告包含完整构建逻辑[48]）

根据提供的报告内容，该报告主要聚焦于全球净零转型的公私合作框架，并未涉及具体的量化模型或量化因子构建。报告中讨论的是战略合作机制和政策工具，而非金融工程领域的量化分析工具。以下是关键要点归纳： 核心合作框架要点 1. **公共财政机制利用** - 通过补贴、碳定价、税收优惠等工具降低企业脱碳成本[10] - 案例：Edilians窑炉更换项目通过公共合作降低风险[10] 2. **净零金融机制开发** - 联合制定行业脱碳路线图，如瑞典化石自由计划[11] - 仅1/3排放大户参与政策设计合作[11] 3. **价值链碳追踪** - 采用AI/ML技术提升碳排放数据精度[12] - 开发自动化碳足迹计算工具[12] 4. **碳核算标准统一** - 推动范围3排放披露标准化[13] - 协调产品碳足迹(PCF)方法[13] 5. **气候技术投资** - 欧洲案例显示每1欧元气候技术投资可产生9欧元远期收益[16] - 德国通过《氢气加速法案》简化审批流程[16] 政策实施挑战 - G20国家中仅7国实施CCS支持政策[7] - 1998-2022年全球仅63项气候政策显著减排（0.6-1.8亿吨CO2）[8] 注：报告未包含任何量化金融模型或因子测试结果，内容集中于政策分析与合作框架设计[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19]

根据提供的文档内容，未发现涉及量化模型或量化因子的具体构建、评价及测试结果的相关信息。文档主要包含市场数据展示（如涨跌幅、成交额、估值变化）[6][7][9][10][12][13][14][16][17]、免责声明[5][20][21]和评级规则[22]，未提及任何量化模型或因子相关内容。因此无法按照要求总结量化模型/因子部分。 需要说明的是： 1. 文档中出现的图表均为市场行情描述性统计（如北证50与沪深300对比[2]、行业涨跌幅排名[10][12][13]） 2. 所有表格数据均为原始市场数据呈现，未进行量化因子加工[11][13] 3. 估值分析部分仅展示PE/PB等基础指标[16][17]，未涉及因子构建逻辑 建议提供包含量化模型/因子构建细节的研报内容以便进行专业总结。当前文档更偏向市场行情快报性质，核心内容为市场数据罗列与分析[6][7][9][10][12][13][14][16][17]，非量化研究框架。

根据提供的研报内容，以下是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：黄金定价数量模型** - **模型构建思路**：尝试构建黄金定价的数量模型，基于扩展模型对不同情形下的未来金价进行预测[5] - **模型具体构建过程**： 1. 模型基于全球货币变局背景，考虑非经济因素（如各国信任度变化、国际秩序重构）对黄金需求的影响 2. 分三种情形预测： - 乐观情形：突破3800美元/盎司 - 中性情形：达到3200美元/盎司 - 悲观情形：回落至2600-2700美元/盎司区间 - **模型评价**：该模型突破了传统美元实际利率定价框架，更适合当前非经济因素驱动的黄金牛市[20] 2. **模型名称：债券基金久期测算净值回归法** - **模型构建思路**：通过基金收益率序列对债券指数收益率序列进行多元线性回归，计算组合久期[17] - **模型具体构建过程**： 1. 按券种配置特点将基金分为三类：利率债基金、信用债基金、综合债基金 2. 对不同类型基金采用不同指数回归： - 信用债基金：使用不同期限的中债-信用债总财富指数 - 利率债基金：使用中债-国开行债券总财富（1年以下）指数及国债/政策性银行债指数 - 综合债基金：综合上述所有指数 3. 采用Lasso回归法减轻多重共线性影响，增强模型稳定性[18] - **模型评价**：相比重仓券法和利率敏感度法，具有高频、高时效性优势，平均绝对误差0.63-0.83年[18] 3. **模型名称：ETF中低频因子周度组合策略** - **模型构建思路**：基于量价因子和基本面因子构建周度调仓的ETF组合策略[29] - **模型具体构建过程**： 1. 因子分类测试： - 量价因子：长动量（年度IC胜率82%）、短动量（年度IC胜率91%） - 风格因子：PB分位点因子表现稳定 - 基本面因子：稳定性优于风格因子但收益表现较弱 2. 构建两种策略： - 低频量价策略：年化超额收益12.35%（相对Wind全A） - 困境反转策略：年化超额收益17.49% 3. 最优调仓频率确定为周频（W）[30] - **模型评价**：策略具有显著行业轮动特性，能灵活应对不同经济周期，全池策略抗风险能力最优[30] 量化因子与构建方式 1. **因子名称：长动量因子** - **因子构建思路**：捕捉ETF中长期价格趋势[30] - **因子具体构建过程**： - 计算标的过去6个月收益率排序 - 年度IC胜率达82% - **因子评价**：在量价因子中预测能力最突出 2. **因子名称：短动量因子** - **因子构建思路**：捕捉ETF短期价格动能[30] - **因子具体构建过程**： - 计算标的过去1个月收益率排序 - 年度IC胜率达91% - **因子评价**：收益稳定性最佳的量价因子 3. **因子名称：PB分位点因子** - **因子构建思路**：衡量ETF估值历史分位水平[30] - **因子具体构建过程**： - 计算当前PB相对于过去3年历史分位数 - **因子评价**：能穿越市场周期的稳定风格因子 模型的回测效果 1. **黄金定价数量模型** - 乐观情形预测值：3800美元/盎司[5] - 中性情形预测值：3200美元/盎司[5] - 悲观情形预测值：2600-2700美元/盎司[5] 2. **债券基金久期测算模型** - 利率债基久期误差：0.83年[18] - 信用债基久期误差：0.63年[18] - 综合债基久期误差：0.80年[18] - 全市场纯债基金久期中位数：3.1年（2024年底）[19] 3. **ETF组合策略** - 低频量价策略： - 年化超额收益：12.35% - 年化绝对收益：20.08%[30] - 困境反转策略： - 年化超额收益：17.49% - 年化绝对收益：25.23%[30] 因子的回测效果 1. **长动量因子** - 年度IC胜率：82%[30] 2. **短动量因子** - 年度IC胜率：91%[30] 3. **PB分位点因子** - 稳定性：穿越市场周期[30]

根据提供的量化周报内容，以下是总结的量化模型和量化因子相关内容： 量化模型与构建方式 1.模型名称：中证500增强组合；模型构建思路：通过量化选股策略构建相对于中证500指数的增强组合；模型具体构建过程：组合持仓包括中集集团、中远海发、华海清科等多只股票，每只股票有特定的持仓权重[67][68][69] 2.模型名称：沪深300增强组合；模型构建思路：通过量化选股策略构建相对于沪深300指数的增强组合；模型具体构建过程：组合持仓包括新和成、中远海控、华泰证券等多只股票，每只股票有特定的持仓权重[72][74][75] 模型的回测效果 1.中证500增强组合，本周收益率-0.66%，跑赢基准0.27%；2020年至今超额收益42.60%，最大回撤-4.99%[67][69] 2.沪深300增强组合，本周收益率0.81%，跑赢基准0.80%；2020年至今超额收益24.17%，最大回撤-5.86%[72][74] 量化因子与构建方式 1.因子名称：BARRA十大类风格因子；因子构建思路：参照BARRA因子模型构建；因子具体构建过程：包括市值(SIZE)、BETA、动量(MOM)、残差波动率(RESVOL)、非线性市值(NLSIZE)、估值(BTOP)、流动性(LIQUIDITY)、盈利(EARNINGS_YIELD)、成长(GROWTH)和杠杆(LVRG)[76][77] 2.因子名称：行业因子；因子构建思路：基于行业分类构建；因子具体构建过程：包括传媒、医药、农林牧渔等行业因子[77][78] 因子的回测效果 1.BARRA风格因子，本周动量因子超额收益较高，残差波动率呈显著负向超额收益[77][78] 2.行业因子，本周传媒、医药、农林牧渔等行业因子超额收益较高，国防军工、计算机、通信等行业因子回撤较多[77][78]