根据研报内容，本报告主要对国泰上证10年期国债ETF基金进行投资价值分析，其中涉及的量化模型和因子内容有限。报告的核心是展示该ETF产品的历史表现和跟踪效果，而非构建新的量化模型或因子。以下是根据报告内容进行的总结： 量化模型与构建方式 1. **模型名称**：国泰上证10年期国债ETF跟踪模型 **模型构建思路**：作为被动型指数基金，该模型旨在通过投资标的指数（上证10年期国债指数）的成分券和备选成分券，以最小化跟踪误差为目标，紧密复制指数的表现[50] **模型具体构建过程**： * 确定标的指数：上证10年期国债指数（代码：H11077.SH）[45] * 确定投资范围：基金资产净值的不低于90%投资于标的指数的成分国债和备选成分国债[51] * 采用抽样复制策略：基金管理人并非完全复制指数所有成分券（指数成分券为17只），而是精选一篮子具有代表性的成分券（ETF实际持仓为8只）来跟踪指数表现，以降低交易成本和管理复杂度[54][57] * 持仓透明：每日公布PCF清单，披露其持仓结构[7] 模型的回测效果 1. **国泰上证10年期国债ETF跟踪模型**（回测区间：2017年9月1日至2025年9月30日）[59][63] * 年化收益率：3.81% * 年化波动率：2.65% * 信息比率（IR）：1.44 * 月度胜率：71.13% * 历史最大回撤：3.79% 2. **国泰上证10年期国债ETF超额表现**（相对其业绩比较基准——上证10年期国债指数收益率）[59][63] * 超额年化收益率：2.20% * 超额年化波动率：0.59% * 超额信息比率（IR）：3.72 * 超额月度胜率：93.81% * 超额历史最大回撤：0.73% 量化因子与构建方式 1. **因子名称**：卡玛比率（Calmar Ratio） **因子构建思路**：用于评估投资组合的风险调整后收益，特别是考量下行风险，计算方式为年化收益率与历史最大回撤的比值[30] **因子具体构建过程**：卡玛比率 = 年化收益率 / 绝对值的最大回撤[30] **因子评价**：报告通过比较10年期和30年期国债指数的卡玛比率，指出10年期国债指数单位风险回撤下的收益更高，具有更高的性价比[30] 因子的回测效果 1. **卡玛比率**（统计区间：2021年至2025年9月）[30][33] * 10年期国债指数卡玛比率：2021年: [具体数值缺失]，2022年: [具体数值缺失]，2023年: [具体数值缺失]，2024年: [具体数值缺失]，2025年（截至9月24日）: [具体数值缺失] （报告中仅展示趋势图，未给出具体年度数值） * 30年期国债指数卡玛比率：2021年: [具体数值缺失]，2022年: [具体数值缺失]，2023年: [具体数值缺失]，2024年: [具体数值缺失]，2025年（截至9月24日）: [具体数值缺失] （报告中仅展示趋势图，未给出具体年度数值） （注：报告图9显示2021年以来10年期国债指数的卡玛比率均高于30年期国债指数，但未提供各年具体数值[33]）

根据提供的研报内容，以下是关于其中涉及的量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：华鑫市场情绪温度指标**[5][9][22] * **模型构建思路：** 该模型旨在通过综合多个市场维度数据，构建一个衡量整体市场情绪水平的量化指标，以判断市场处于过冷、较冷、中性、较热或过热状态[5][9][22] * **模型具体构建过程：** 模型通过对过去5年的历史数据进行统计及回测，从6大维度构建情绪指标[22] 具体维度包括：指数涨跌幅、成交量、涨跌家数、KDJ技术指标、北向资金数据以及融资融券数据[22] 模型最终输出一个0-100的综合评分，并根据评分区间定义市场情绪状态：过冷（0-19）、较冷（20-39）、中性（40-59）、较热（60-79）、过热（80-100）[5][21][22] * **模型评价：** 该指标被归类为摆荡指标，类似于RSI指标，适用于震荡市的高抛低吸策略，但对趋势缺乏预测效果；当市场出现趋势时，指标可能出现钝化现象[22] 量化因子与构建方式 1. **因子名称：融资净买入**[10][13][22] * **因子构建思路：** 该因子通过计算融资买入额与融资偿还额的差值，反映投资者通过融资加杠杆买入股票的意愿和强度，通常被视为市场或个股的乐观情绪指标[10][13][22] * **因子具体构建过程：** 因子计算为某一期间内（如前一日）的融资买入总额减去融资偿还总额[10][13] 公式表示为：`融资净买入额 = 融资买入额 - 融资偿还额`[10][13] 报告中展示了针对个股和行业的融资净买入额排名[10][13][19] 2. **因子名称：融券净卖出**[12][22] * **因子构建思路：** 该因子通过计算融券卖出量与融券偿还量的差值（并以金额表示），反映投资者通过融券做空股票的意愿和强度，通常被视为市场或个股的悲观情绪指标[12][22] * **因子具体构建过程：** 因子计算为某一期间内（如前一日）的融券卖出总额减去融券偿还总额[12] 公式表示为：`融券净卖出额 = 融券卖出额 - 融券偿还额`[12] 报告中展示了针对个股和行业的融券净卖出额排名[12][19] 3. **因子名称：期间净买入额**[22] * **因子构建思路：** 该因子是融资净买入因子与融券净卖出因子的复合因子，旨在综合反映融资做多和融券做空两种力量的整体净效果[22] * **因子具体构建过程：** 因子计算为融资净买入额与融券净卖出额的差值[22] 公式表示为：`期间净买入额 = 融资净买入额 - 融券净卖出额`[22] 4. **因子名称：主力净流入额**[10][11][15] * **因子构建思路：** 该因子用于衡量大额资金（主力资金）对某只股票或某个行业的净买入强度，通常被视为判断资金流向和关注度的重要指标[10][11][15] * **因子具体构建过程：** 报告中未详细说明其具体计算方法，但展示了针对个股和行业的主力净流入额排名[10][11][15][16][17] 模型的回测效果 1. **华鑫市场情绪温度指标** * 历史回测显示，当情绪值低于或接近50分时，市场将获得一定的支撑；而当情绪值高于90分时，将出现一定的阻力[9] 因子的回测效果 （报告中未提供各因子的具体测试结果指标，如IC、IR、多空收益等，因此此部分省略）

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：基于微观的择时+打分风格轮动模型**[4][9] * **模型构建思路**：从基础风格因子（估值、市值、波动率、动量）出发，通过构造大量微观特征，并使用随机森林模型对单个风格进行择时和打分，最终综合构建月频风格轮动模型[4][9] * **模型具体构建过程**： 1. 以80个底层微观因子作为原始特征[9] 2. 基于80个基础微观指标，构造640个微观特征[4][9] 3. 通过常用指数作为风格股票池取代风格因子的绝对比例划分，构造新的风格收益作为标签[4][9] 4. 使用随机森林模型对单个风格进行择时，并得到每种风格的当期得分[4][9] 5. 根据择时结果与打分结果，综合构造月频风格轮动模型[4][9] 模型的回测效果 1. **基于微观的择时+打分风格轮动策略**[10][11] * 年化收益率：16.41%[10][11] * 年化波动率：20.43%[10][11] * 信息比率(IR)：0.80[10][11] * 月度胜率：58.49%[10][11] * 历史最大回撤：25.54%[11] 2. **策略对冲市场基准（超额收益）**[10][11] * 年化收益率：10.54%[10][11] * 年化波动率：10.85%[10][11] * 信息比率(IR)：0.97[10][11] * 月度胜率：55.66%[10][11] * 历史最大回撤：8.79%[10][11] 量化因子与构建方式 1. **因子名称：估值因子**[4][9] * **因子构建思路**：作为基础风格因子之一，用于构建风格轮动模型[4][9] 2. **因子名称：市值因子**[4][9] * **因子构建思路**：作为基础风格因子之一，用于构建风格轮动模型[4][9] 3. **因子名称：动量因子**[4][9] * **因子构建思路**：作为基础风格因子之一，用于构建风格轮动模型[4][9] 4. **因子名称：波动率因子**[4][9] * **因子构建思路**：作为基础风格因子之一，用于构建风格轮动模型[4][9] 最新模型应用与持仓 * **2025年10月最新风格择时方向**：价值、大市值、动量、低波[2][19] * **2025年10月风格轮动模型最新持仓**：通过配置相关指数ETF实现风格暴露，具体包括中证央企红利、中证银行、中证影视、CS电池、中证全指房地产等指数对应的ETF[3][19]

根据提供的研报内容，这是一篇关于可转债市场的定期跟踪报告，主要对市场行情、个券表现和条款进行数据统计和展示。报告中没有涉及具体的量化模型或量化因子的构建、测试和评价。 因此，本次总结无法提供关于“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”的具体内容。

根据提供的研报内容，以下是关于量化模型与因子的总结。报告核心内容是打新策略的收益测算与跟踪，并未涉及传统意义上的多因子选股模型或阿尔法因子，而是构建了用于测算打新收益的理论模型。 量化模型与构建方式 1. **模型名称**：理论打新收益测算模型[10][35][36][39][43][44] * **模型构建思路**：通过设定一系列假设条件，模拟不同类别（A类/B类）、不同规模账户参与网下打新的理论收益和收益率，以跟踪和评估打新市场的表现。[10][35][36] * **模型具体构建过程**： * **核心假设**： * 账户参与所有新股（主板、科创板、创业板）的网下打新。[10][36] * 科创板和创业板的报价全部入围。[36] * 资金配置为一半沪市市值、一半深市市值，且股票满仓。[36] * 新股在上市首日以市场均价（或首次开板日均价）卖出，忽略锁定期的限制。[10][35] * 资金使用效率为90%。[36][39][44] * **单只股票满中收益计算**： 首先计算单只股票的理论“满中数量”，然后计算其收益。 $$满中数量 = 可申购上限额度 × 网下A类（或B类）平均中签率$$[35] $$满中收益 = (首次开板价 - 首发价格) × 满中数量$$[35] * **账户总收益计算**： 将指定时间段内（如每月）所有上市新股的理论“满中收益”进行加总，得到该时间段的总打新收益。[39][44] * **账户打新收益率计算**： $$打新收益率 = \frac{指定时间段内总打新收益}{账户规模 × 资金使用效率}$$[39][44] * **模型评价**：该模型提供了一个标准化的框架，用于在不同账户类型和规模下，横向比较和跟踪打新策略的理论收益潜力。 模型的回测效果 以下结果基于上述模型，统计时间为2024年初至2025年10月10日及2025年初至2025年10月10日，资金使用效率为90%。[10][39][44] 1. **A类账户理论打新收益率**[10][39][40][41][43] * **所有板块累计收益率（2024年至今）**：1.5亿规模6.71%，2亿规模6.07%，3亿规模4.75%，5亿规模3.20%，10亿规模1.74%[39] * **所有板块累计收益率（2025年至今）**：1.5亿规模2.61%，2亿规模2.34%，3亿规模1.82%，5亿规模1.25%，10亿规模0.74%[10][39] * **科创板累计收益率（2025年至今）**：1.5亿规模0.56%，2亿规模0.51%，3亿规模0.43%，5亿规模0.33%，10亿规模0.20%[40] * **创业板累计收益率（2025年至今）**：1.5亿规模1.40%，2亿规模1.24%，3亿规模0.91%，5亿规模0.58%，10亿规模0.31%[41] * **主板累计收益率（2025年至今）**：1.5亿规模0.65%，2亿规模0.59%，3亿规模0.48%，5亿规模0.34%，10亿规模0.23%[43] 2. **B类账户理论打新收益率**[10][44][45][46][47] * **所有板块累计收益率（2024年至今）**：1.5亿规模5.48%，2亿规模5.02%，3亿规模3.99%，5亿规模2.72%，10亿规模1.49%[44] * **所有板块累计收益率（2025年至今）**：1.5亿规模2.33%，2亿规模2.10%，3亿规模1.64%，5亿规模1.13%，10亿规模0.67%[10][44] * **科创板累计收益率（2025年至今）**：1.5亿规模0.54%，2亿规模0.49%，3亿规模0.42%，5亿规模0.32%，10亿规模0.19%[45] * **创业板累计收益率（2025年至今）**：1.5亿规模1.23%，2亿规模1.10%，3亿规模0.81%，5亿规模0.51%，10亿规模0.27%[46] * **主板累计收益率（2025年至今）**：1.5亿规模0.57%，2亿规模0.52%，3亿规模0.42%，5亿规模0.30%，10亿规模0.20%[47] 量化因子与构建方式 本报告未涉及传统选股或定价因子的构建与分析。 因子的回测效果 本报告未涉及传统因子的测试结果。

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：期权PCR择时策略**[5][73] * **模型构建思路**：该策略利用期权持仓量PCR（Put/Call Ratio）作为市场情绪指标，结合顺趋势（PCR上行时做多）和反趋势（PCR处于低位时博取情绪反转）两种逻辑进行择时[5][73] * **模型具体构建过程**：策略的具体构建方法参考了另一篇名为《捕捉情绪拐点—衍生品市场指标如何驱动权益投资》(2024-12-12)的专题报告，本报告未详细展开[73] 模型的回测效果 1. **期权PCR择时策略（上证50）**[80] * 收益：14.06%（总体表现） * 最大回撤：24.96%（总体表现） * 年化波动率：18.37%（总体表现） * 胜率：50.42%（总体表现） * 卡尔玛比率：0.56（总体表现） * 夏普比率：0.75（总体表现） * 2025年以来收益：-4.69%[80] 2. **期权PCR择时策略（沪深300）**[79] * 收益：19.96%（总体表现） * 最大回撤：23.42%（总体表现） * 年化波动率：19.05%（总体表现） * 胜率：51.36%（总体表现） * 卡尔玛比率：0.85（总体表现） * 夏普比率：1（总体表现） * 2025年以来收益：0.09%[79][83] 量化因子与构建方式 1. **因子名称：期权持仓量PCR**[66][73] * **因子构建思路**：PCR是看跌期权持仓量与看涨期权持仓量的比值，用于衡量市场情绪。PCR上升通常代表市场情绪相对较好或避险情绪增加，PCR下降则可能指示情绪转向谨慎或乐观[66][73] * **因子具体构建过程**：因子计算公式为持仓量PCR = Put持仓量 / Call持仓量。报告中展示了50ETF期权和300ETF期权的持仓量PCR时间序列数据[66][68][70] 2. **因子名称：股指期货基差比例**[16][23] * **因子构建思路**：基差比例反映了股指期货价格与其标的指数价格之间的差异，用于衡量市场情绪和期货市场的定价情况。贴水（负基差）可能预示悲观情绪或存在套利机会，升水（正基差）则表示看涨情绪[16][23][24] * **因子具体构建过程**：因子计算公式为基差比例 = (期货价格 / 对应指数价格) - 1。报告跟踪了主要指数（上证50、沪深300、中证500、中证1000）次月合约的基差比例[16][21][22] 3. **因子名称：国债期货隐含收益率**[33][40] * **因子构建思路**：通过国债期货价格反推出的隐含收益率，反映了市场对未来利率水平的预期，是衡量债券市场情绪和利率风险的重要工具[33][40] * **因子具体构建过程**：报告指出，截至2025年9月30日，10年期国债期货对应的隐含收益率为1.76%[40]。具体的计算过程未在报告中详细说明，但通常基于债券定价模型从期货价格中推导得出 4. **因子名称：期权波动率指数（VIX）**[52][53] * **因子构建思路**：VIX指数反映了市场对未来30天股市波动率的预期，是衡量市场恐慌情绪和不确定性程度的关键指标[52] * **因子具体构建过程**：报告列出了多个期权品种的VIX指数值，如华泰柏瑞300ETF期权、华夏50ETF期权、南方500ETF期权、1000股指期权、华夏科创50ETF期权等在2025年9月末的VIX数值[53][54][55]

根据研报内容，以下是其中涉及的量化模型与因子的总结： 量化模型与构建方式 **1 模型名称：主动偏股基金高频仓位测算模型[67]** - **模型构建思路**：由于公募基金仓位披露频率低，该模型利用基金每日净值序列，通过带约束条件的多元回归模型，在基准或构建的其他资产序列中寻找基金仓位的最优估计[67] - **模型具体构建过程**：以基金每日披露的净值序列为因变量，利用基准或其他构建的资产序列作为自变量组合，采用带约束条件的多元回归模型进行估算。具体计算方式包括构建各只基金的模拟组合以提升估算准确度，并进一步测算其在各行业赛道的最新投向偏好[67] **2 模型名称：REITs指数系列构建模型[48]** - **模型构建思路**：为提供基于指数化投资思想的资产配置新视角，构建完整的REITs系列指数以综合反映REITs市场表现，并提供不同底层资产、项目类型的细分REITs指数[48] - **模型具体构建过程**：考虑到REITs的高分红特性，同时提供价格指数和全收益指数。计算中采用分级靠档的方法确保计算指数的份额保持相对稳定。当样本成分名单或样本成分的调整市值出现非交易因素变动时（如新发、扩募等），采用除数修正法保证指数的连续性[48] **3 模型名称：主动偏股基金行业主题标签模型[37]** - **模型构建思路**：为满足投资者在资产配置、主题投资、产品选择上的多样化需求，构建主动偏股基金完整的行业主题和细分赛道标签，同时构建行业主题基金指数作为衡量工具[37] - **模型具体构建过程**：通过观察基金在近四期中报/年报的持仓信息判断其长期的行业主题标签，将基金的长期行业标签区别定义为行业主题基金、行业轮动基金和行业均衡基金[37] 模型的回测效果 **1 主动偏股基金高频仓位测算模型** - 本周主动偏股基金仓位相较上周上升0.07pcts[67] **2 REITs指数系列业绩表现[51]** - REITs综合指数：本周收益-0.48%，累计收益-1.51%，年化收益-0.35%，最大回撤-42.67%，夏普比率-0.17，年化波动10.59%[51] - 产权类REITs指数：本周收益-0.54%，累计收益14.36%，年化收益3.16%，最大回撤-46.13%，夏普比率0.13，年化波动13.10%[51] - 特许经营权类REITs指数：本周收益-0.38%，累计收益-18.27%，年化收益-4.58%，最大回撤-40.74%，夏普比率-0.66，年化波动9.19%[51] 量化因子与构建方式 **1 因子名称：行业主题基金分类因子[37]** - **因子构建思路**：基于基金历史持仓信息，识别并分类基金的长期行业主题特征[37] - **因子具体构建过程**：通过分析基金在近四期中报/年报的持仓信息，将基金区分为行业主题基金、行业轮动基金和行业均衡基金三大类[37] **2 因子名称：ESG基金分类因子[75]** - **因子构建思路**：根据ESG投资策略的覆盖范围，对ESG基金进行细分类别划分[75] - **因子具体构建过程**：将ESG基金分为ESG主题基金和泛ESG基金两大类。ESG主题基金综合环境、社会、治理三方面因素，使用ESG整合、负面筛选、正面筛选策略；泛ESG基金仅覆盖ESG中一到两个方面因素，细分为环境主题、社会主题、治理主题等子类别[75] 因子的回测效果 **1 行业主题基金因子本周表现[37]** - 周期主题基金：3.31% - 金融地产主题基金：0.22% - 消费主题基金：-1.23% - 行业轮动基金：-1.29% - 国防军工主题基金：-1.33% - 行业均衡基金：-1.53% - TMT主题基金：-3.00% - 新能源主题基金：-3.01% - 医药主题基金：-3.96% **2 ESG基金因子本周表现[80]** - 主动权益型ESG基金净值涨跌幅中位数：-2.40% - 股票被动指数型ESG基金净值涨跌幅中位数：0.22% - 债券型ESG基金净值涨跌幅中位数：0.06%

量化模型与构建方式 1. **模型名称：五维行业轮动模型**[8] * **模型构建思路**：基于行业内部普遍存在的风格差异，利用风格指标对行业内部股票进行划分，通过构建行业内部离散指标与行业内部牵引指标合成行业最终因子[8][3] * **模型具体构建过程**：以东吴金工特色选股多因子体系为基础，从微观个股层面出发[8] 首先，根据东吴金工特色多因子划分标准将微观因子划分为五大类：波动率、基本面、成交量、情绪、动量[8][3] 接着，以大类选股因子的风格偏好为参照，构建行业内部离散指标与行业内部牵引指标，最终得到五类合成行业因子[8] 最后，将这五类合成行业因子组合，构建成五维行业轮动模型[8] 模型的回测效果 1. **五维行业轮动模型（合成因子）**[12][13] * 年化收益率：21.10% (多空对冲)[12], 10.36% (多头超额)[13] * 年化波动率：10.84% (多空对冲)[12], 6.57% (多头超额)[13] * 信息比率(IR)：1.95 (多空对冲)[12], 1.58 (多头超额)[13] * 月度胜率：72.36% (多空对冲)[12], 69.92% (多头超额)[13] * 历史最大回撤：13.30% (多空对冲)[12], 9.36% (多头超额)[13] 量化因子与构建方式 1. **因子名称：波动率因子**[14] * **因子具体构建过程**：作为五维行业轮动模型的组成部分，其构建过程遵循模型的总体思路，即基于波动率大类下的微观个股因子，通过构建行业内部离散指标与行业内部牵引指标合成得到[8][3] 2. **因子名称：基本面因子**[14] * **因子具体构建过程**：作为五维行业轮动模型的组成部分，其构建过程遵循模型的总体思路，即基于基本面大类下的微观个股因子，通过构建行业内部离散指标与行业内部牵引指标合成得到[8][3] 3. **因子名称：成交量因子**[14] * **因子具体构建过程**：作为五维行业轮动模型的组成部分，其构建过程遵循模型的总体思路，即基于成交量大类下的微观个股因子，通过构建行业内部离散指标与行业内部牵引指标合成得到[8][3] 4. **因子名称：情绪因子**[14] * **因子具体构建过程**：作为五维行业轮动模型的组成部分，其构建过程遵循模型的总体思路，即基于情绪大类下的微观个股因子，通过构建行业内部离散指标与行业内部牵引指标合成得到[8][3] 5. **因子名称：动量因子**[14] * **因子具体构建过程**：作为五维行业轮动模型的组成部分，其构建过程遵循模型的总体思路，即基于动量大类下的微观个股因子，通过构建行业内部离散指标与行业内部牵引指标合成得到[8][3] 因子的回测效果 1. **波动率因子**[14] * 年化收益率：10.48% * 波动率：10.41% * 信息比率(IR)：1.01 * 胜率：59.38% * 最大回撤：14.81% * IC：-0.08 * ICIR：-1.33 * RankIC：-0.06 * RankICIR：-0.97 2. **基本面因子**[14] * 年化收益率：7.04% * 波动率：12.12% * 信息比率(IR)：0.58 * 胜率：56.25% * 最大回撤：26.32% * IC：0.15 * ICIR：3.25 * RankIC：0.04 * RankICIR：0.70 3. **成交量因子**[14] * 年化收益率：8.03% * 波动率：11.78% * 信息比率(IR)：0.68 * 胜率：59.38% * 最大回撤：18.40% * IC：-0.06 * ICIR：-0.96 * RankIC：-0.06 * RankICIR：-0.92 4. **情绪因子**[14] * 年化收益率：8.24% * 波动率：12.79% * 信息比率(IR)：0.64 * 胜率：64.84% * 最大回撤：14.79% * IC：0.04 * ICIR：0.54 * RankIC：0.03 * RankICIR：0.50 5. **动量因子**[14] * 年化收益率：11.50% * 波动率：10.59% * 信息比率(IR)：1.09 * 胜率：61.42% * 最大回撤：13.52% * IC：0.02 * ICIR：0.39 * RankIC：0.05 * RankICIR：0.75

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：预期高股息组合模型**[3][8] * **模型构建思路**：该模型旨在构建一个高股息收益的投资组合。其核心是通过两阶段方法构建“预期股息率”指标，并辅以反转因子和盈利因子进行筛选，最终从沪深300成分股中优选股票构建组合[3][8]。 * **模型具体构建过程**：模型的构建遵循明确的选股步骤： 1. **确定股票池**：以沪深300成分股为初选池，剔除停牌及涨停的股票[13]。 2. **应用辅助筛选因子**： * **反转因子筛选**：剔除股票池中短期动量最高的20%股票（即21日累计涨幅最高的20%个股）[13]。 * **盈利因子筛选**：剔除股票池中盈利下滑的个股（即单季度净利润同比增长率小于0的股票）[13]。 3. **核心排序指标**：在通过上述筛选的剩余股票中，按“预期股息率”从高到低排序[9]。 4. **组合构建**：选取预期股息率最高的30只个股，采用等权重方式构建投资组合。组合每月底调仓一次[3][8][9]。 2. **模型名称：红利择时框架**[25][27] * **模型构建思路**：该模型是一个多因子合成信号模型，用于对中证红利指数进行择时判断，输出看多或看空的观点[25][27]。 * **模型具体构建过程**：模型综合了五个不同类别的因子信号： * **通胀因子**：PPI同比（高/低位），信号方向为正向（+）[27]。 * **流动性因子**：包括M2同比（高/低位）和M1-M2剪刀差（高/低位），信号方向均为负向（-）[27]。 * **利率因子**：美国10年期国债收益率（高/低位），信号方向为正向（+）[27]。 * **市场情绪因子**：红利股成交额占比（上/下行），信号方向为负向（-）[27]。 * **合成信号**：将上述五个单因子信号合成为一个综合信号。报告期内（2025年10月），合成信号值为0，代表对红利持“谨慎”或“看空”态度[25][27]。 模型的回测效果 1. **预期高股息组合模型**： * **回测期**：2009年2月2日至2017年8月31日（103个自然月）[11] * **累计收益**：358.90%[11] * **累计超额收益（相对于沪深300全收益指数）**：107.44%[11] * **年化超额收益**：8.87%[11] * **超额收益滚动一年最大回撤**：12.26%[11] * **月度超额胜率**：60.19%[11] 2. **红利择时框架**：报告中未提供该模型的历史回测效果数据。 量化因子与构建方式 1. **因子名称：预期股息率**[3][8] * **因子构建思路**：该因子是对未来股息支付能力的预测，而非简单的历史股息率。构建过程分为两个阶段，结合了已公告的分红信息和基于历史规律的预测[3][8]。 * **因子具体构建过程**：采用两阶段方法构建： * **第一阶段**：对于已经发布年报并公告利润分配方案的股票，直接根据其公告内容计算股息率[3][8]。 * **第二阶段**：对于尚未公告分红的股票，利用历史分红数据与相关基本面指标，预测其可能的分红并计算预期股息率[3][8]。 2. **因子名称：反转因子**[3][13] * **因子构建思路**：用于规避短期涨幅过高的股票，认为这类股票后续可能面临回调压力[3][13]。 * **因子具体构建过程**：计算股票的21日累计涨幅，并将其作为反向筛选指标，剔除涨幅最高的20%的股票[13]。 3. **因子名称：盈利因子（单季度净利润同比增长率）**[3][13] * **因子构建思路**：筛选盈利状况改善或稳定的公司，规避盈利下滑的股票[3][13]。 * **因子具体构建过程**：计算公司的单季度净利润同比增长率，并直接剔除该增长率小于0的股票[13]。 4. **因子名称：PPI同比（高/低位）**[27] * **因子构建思路**：作为通胀环境的代理变量，用于红利择时[27]。 5. **因子名称：M2同比（高/低位）**[27] * **因子构建思路**：作为流动性宽紧的代理变量，用于红利择时[27]。 6. **因子名称：M1-M2剪刀差（高/低位）**[27] * **因子构建思路**：作为经济活动活跃度的代理变量，用于红利择时[27]。 7. **因子名称：美国10年期国债收益率（高/低位）**[27] * **因子构建思路**：作为全球无风险利率和资金成本的代理变量，用于红利择时[27]。 8. **因子名称：红利股成交额占比（上/下行）**[27] * **因子构建思路**：作为市场对红利板块情绪热度的代理变量，用于红利择时[27]。 因子的回测效果 报告中未提供单个因子的历史表现数据（如IC值、IR值等）。

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：DecompGRU模型[9][17]** - **模型构建思路**：在GRU基线模型的基础上，通过两个简单的去均值模块实现时序和截面的信息交互上的改进[17] - **模型具体构建过程**：基于趋势分解的时序+截面端到端模型，分别基于IC、加权MSE损失函数训练两个模型[17] **2. 模型名称：宽基轮动策略模型[24][26]** - **模型构建思路**：通过热度周度变化率构建轮动策略，在每周最后一个交易日买入总热度变化率MA2最大的宽基[24] - **模型具体构建过程**：计算不同组股票周度热度变化率，并取MA2进行平滑处理，如果变化率最大的为"其他"组则空仓[24] **3. 模型名称：概念热度组合模型[41][45]** - **模型构建思路**：在每周最后一个交易日，选出本周热度变化最大的5个概念，将概念对应成分股作为选股股票池[45] - **模型具体构建过程**： - 排除股票池中流通市值最小的20%股票[45] - 从每个热门概念中选出总热度排名前10的个股，等权持有构建热度TOP组合[45] - 从每个热门概念中选出总热度排名最后的10只个股，等权持有构建BOTTOM组合[45] 量化因子与构建方式 **1. 因子名称：个股总热度因子[18]** - **因子构建思路**：从行为的角度探讨在个股层面因有限注意力导致的过度定价与反应不足现象[18] - **因子具体构建过程**：股票的浏览、自选与点击次数之和，以同一日在全市场占比的方式进行归一化，将归一化后的数值乘以10000[18] - **因子计算公式**：$$总热度 = \frac{浏览次数 + 自选次数 + 点击次数}{全市场总次数} \times 10000$$[18] - **因子评价**：将聚合的总热度看作"情绪热度"的代理变量进行追踪[18] **2. 因子名称：宽基热度变化率因子[19][24]** - **因子构建思路**：将全A样本按照宽基指数分组，对每一组中的成分股总热度指标进行求和处理[19] - **因子具体构建过程**：将全A样本按照沪深300、中证500、中证1000、中证2000以及"其他"来进行分组，计算周度热度变化率并取MA2平滑[19][24] **3. 因子名称：行业热度变化率因子[30]** - **因子构建思路**：采用相同方法获得行业层面的热度，计算每个申万一级、二级行业热度的周度变化率MA2[30] - **因子具体构建过程**：对每个申万一级、二级行业中的成分股总热度指标进行求和，计算周度变化率MA2[30] **4. 因子名称：概念热度变化率因子[38]** - **因子构建思路**：采用相同方法获得概念层面的热度，计算每个概念热度的周度变化率[38] - **因子具体构建过程**：对每个概念中的成分股总热度指标进行求和，计算周度变化率[38] 模型的回测效果 **1. DecompGRU TOP200多头组合[9][11]** - 累计绝对收益：38.64%[11] - 相对全A等权超额收益：13.8%[11] - 最大回撤：10.08%[11] - 周度胜率：64.29%[11] - 月度胜率：100%[11] - 9月绝对收益：4.19%[11] - 9月超额收益：3.4%[11] **2. ETF轮动组合[12][13][14]** - 累计绝对收益：21.54%[13] - 相对基准超额收益：-0.57%[13] - 最大回撤：7.82%[13] - 周度胜率：65.52%[13] - 月度胜率：66.67%[13] - 9月绝对收益：-1.68%[14] - 9月超额收益：-6.65%[14] **3. 宽基轮动策略[26][27]** - 2017年来年化收益率：8.74%[27] - 最大回撤：23.5%[27] - 2025年组合收益：32%[27] - 对比基准宽基等权组合收益：30%[27] **4. 概念热度BOTTOM组合[41]** - 年化收益：15.71%[41] - 最大回撤：28.89%[41] - 2025年收益：40%[41] 因子的回测效果 **1. 宽基热度动量组合[3][65]** - 2025年累计收益：36%[3][65] **2. 高热度概念+低热度个股组合[3][66]** - 2025年累计收益：42%[3][66]