根据提供的金融工程日报内容，该报告主要涉及市场表现、情绪指标和资金流向的统计分析，但未提及具体的量化模型或因子构建。以下是可提取的核心内容分类整理： --- 市场情绪指标 1. **封板率计算** 构建思路：反映涨停股的稳定性 构建过程：$$封板率=\frac{最高价涨停且收盘涨停股票数}{最高价涨停股票数}$$ 当前值：76%（较前日下降9%）[18] 2. **连板率计算** 构建思路：衡量涨停股的持续性 构建过程：$$连板率=\frac{连续两日收盘涨停股票数}{昨日收盘涨停股票数}$$ 当前值：23%（较前日下降10%）[18] --- 资金流向指标 1. **两融余额占比** 构建思路：评估杠杆资金活跃度 当前值：占流通市值2.3%，占成交额9.0%[23] 2. **大宗交易折价率** 构建思路：反映大资金交易情绪 构建过程：$$折价率=\frac{大宗交易总成交金额}{当日成交份额总市值}-1$$ 当前值：7.02%（近半年平均5.80%）[27] 3. **股指期货年化贴水率** 构建思路：衡量期货市场预期 构建过程：$$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 当前值： - 上证50：3.33%（42%分位）[30] - 沪深300：4.70%（38%分位）[30] - 中证500：10.32%（44%分位）[30] - 中证1000：12.65%（49%分位）[30] --- 机构行为指标 1. **龙虎榜机构净流向** 数据范围：机构专用席位买卖前十名[38] 净流入案例：中油资本、塞力医疗等[38] 净流出案例：永安药业、柳钢股份等[38] 2. **陆股通净流向** 数据范围：外资买卖前十名[39] 净流入案例：中油资本、广合科技等[39] 净流出案例：信雅达、隆扬电子等[39] --- 注：报告未涉及传统量化因子（如价值/动量因子）或复杂模型（如多因子模型）的构建与测试[1][2][3][4][5]

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；模型构建思路：通过量化指标监测申万一级行业的交易拥挤程度，识别过热或低估板块[6]；模型具体构建过程：采用30日滚动窗口计算各行业综合拥挤度指标（含成交量、波动率、资金流向等维度），数值区间0%-100%，越高代表越拥挤；模型评价：能有效捕捉市场情绪极端状态，但对行业轮动节奏的预判需结合基本面验证[6][9] 2.模型名称：溢价率Z-score套利信号模型；模型构建思路：通过统计套利方法捕捉ETF价格偏离净值的交易机会[6]；模型具体构建过程：计算标的ETF溢价率的历史Z-score，公式为$$Z=\frac{P-NAV}{σ(NAV)}$$，当Z>2时触发关注信号[6][11] 量化因子的构建方式 1.因子名称：主力资金净流入因子；因子构建思路：监测大单资金流向判断主力动向[10]；因子具体构建过程：逐日计算行业指数的主力净流入额（大单买入-卖出），并统计3日滚动累计值[10] 模型的回测效果 1.行业拥挤度监测模型，拥挤度阈值：公用事业77%（过热）、汽车8%（低估）[9] 2.溢价率Z-score模型，触发阈值：Z-score>2标准差[11] 因子的回测效果 1.主力资金净流入因子，3日累计值：计算机+4.59亿元（增配）、机械设备-61.92亿元（减配）[10]

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：ML-Master** - **模型构建思路**：模拟人类专家的认知策略，通过"探索-推理深度融合"范式解决AI4AI系统的三大瓶颈：探索效率低下、推理能力受限以及模块割裂问题[12] - **模型具体构建过程**： - 采用蒙特卡洛树搜索的并行化改造，将AI开发过程建模为动态决策树，每个节点代表一个潜在解决方案状态[13] - 通过实时评估75个Kaggle任务分支的潜力值，动态分配计算资源[13] - 可控推理模块通过自适应记忆机制筛选历史探索中的关键代码片段、性能指标和跨节点洞察[13] - 构建闭环进化系统，探索阶段收集的代码执行结果通过智能过滤后嵌入推理模型的"think"环节，而推理输出的优化方案又反向指导后续探索路径[15] 2. **模型名称：OpenEvolve** - **模型构建思路**：通过自主进化代码优化GPU核函数，实现性能提升[22] - **模型具体构建过程**： - 通过25代进化迭代，自主发现三项关键优化策略[23] - 采用多模型协同的进化架构，主模型Gemini-2.5-Flash负责快速探索，辅助模型Gemini-2.5-Pro进行深度优化[24] - 将Metal核函数源代码划分为可进化区块，通过岛屿模型并行进化5个子种群，每代种群规模25个个体[24] - 评估环节采用高鲁棒性设计，包含Metal命令缓冲区保护、内存访问违规处理、指数退避重试等安全机制[25] 3. **模型名称：盘古Pro MoE 72B** - **模型构建思路**：通过分组混合专家模型（MoGE）重构传统MoE架构，解决跨设备负载不均衡问题[28] - **模型具体构建过程**： - 将64个专家划分为8组并强制每组激活等量专家[28] - 结合昇腾原生算子优化，形成从算法设计到硬件部署的全栈创新[28] - 通过动态负载均衡技术将云端推理成本降低40%[30] 4. **模型名称：文心大模型4.5系列** - **模型构建思路**：通过MoE架构的多模态异构改造，解决模态间梯度冲突导致的性能折损[47] - **模型具体构建过程**： - 采用模态隔离路由技术将文本与视觉专家分组并行训练，配合自适应模态感知损失函数[47] - 训练效率方面，飞桨框架的异构混合并行策略将FLOPs利用率提升至47%[47] - 推理环节采用动态角色转换的预填充解码技术，使21B模型在昇腾910B芯片上的吞吐量达到1528 tokens/s[47] 5. **模型名称：AniSora V3** - **模型构建思路**：通过强化学习与人类反馈框架（RLHF）优化动漫视频生成质量[50] - **模型具体构建过程**： - 采用时空掩码模块动态调节时空维度的注意力权重[51] - 训练采用经过清洗的1000万高质量动漫片段数据集[51] - 引入专为动漫设计的RLHF框架，集成AnimeReward和GAPO工具[51] 模型的回测效果 1. **ML-Master模型** - 在MLE-bench基准测试中以29.3%的平均奖牌率夺冠，显著超越微软R&D-Agent（22.4%）和OpenAI自研的AIDE系统（16.9%）[12] - 中等难度任务奖牌率提升至20.2%，达到基线方法的2.2倍[13] - 高难度任务表现提升30%，远超微软系统的18.7%[13] 2. **OpenEvolve模型** - 在Transformer推理任务中实现了平均12.5%的性能提升，峰值性能提升106%，整体表现超越人类工程师手动优化版本21%[22] - 在20项基准测试中，解码速度平均提升12.5%，预填充速度提升14.4%，总吞吐量提升10.4%[25] 3. **盘古Pro MoE 72B模型** - 在昇腾800I A2上实现单卡1148 tokens/s的基础吞吐，通过MTP解码技术进一步跃升至1528 tokens/s[29] - SuperCLUE中文大模型基准测评显示，其以58.75分位列开源模型第五[29] 4. **文心大模型4.5系列** - 424B多模态模型在OCRBench文档理解评测中以885分刷新开源记录[48] - 0.3B版本在MMLU通用测试得41.9分，但在特定任务中通过微调后关键指标反超未优化的30B模型[48] 5. **AniSora V3模型** - 在VBench测试中角色一致性得分达到9.2/10，较V2版本提升23%[51] - 生成4秒1080p视频仅需2-3分钟，单位能耗成本降低34%[52] 量化因子与构建方式 （研报中未提及具体的量化因子构建内容） 因子的回测效果 （研报中未提及具体的因子测试结果） 以上总结涵盖了研报中提到的所有量化模型及其构建思路、具体构建过程和回测效果，未包含风险提示、免责声明等无关内容。

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：通过统计涨停股票的封板情况来反映市场情绪强度[15] - 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，计算当日同时满足盘中最高价涨停和收盘涨停的股票占比[15] - 因子评价：高频情绪指标，对短期市场热度敏感 2. **因子名称：连板率因子** - 构建思路：衡量涨停股票的持续性[15] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 跟踪前一日涨停股票在当日继续涨停的比例[15] - 因子评价：反映市场投机资金的活跃程度 3. **因子名称：股指期货贴水率因子** - 构建思路：利用期货与现货价差捕捉市场预期[26] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 分别计算上证50、沪深300、中证500、中证1000主力合约的年化贴水率[26] - 因子评价：机构对冲需求的晴雨表 4. **因子名称：大宗交易折价率因子** - 构建思路：通过大额交易折价反映机构交易意愿[24] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计单日所有大宗交易成交价相对于市价的加权平均偏离[24] 因子回测效果 1. **封板率因子** - 当日取值：85%（近一个月新高）[15] - 环比变化：较前日提升29%[15] 2. **连板率因子** - 当日取值：33%[15] - 环比变化：较前日提升18%[15] 3. **股指期货贴水率因子** - 中证500贴水率：19.40%（近一年11%分位）[26] - 中证1000贴水率：15.77%（近一年35%分位）[26] 4. **大宗交易折价率因子** - 当日折价率：4.39%[24] - 半年均值：5.77%[24] 注：报告中未涉及量化模型的具体构建，主要聚焦市场监测类因子的计算[15][24][26]

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：扩散指数行业轮动模型** - **模型构建思路**：基于价格动量原理，捕捉行业趋势变化，选择向上趋势的行业进行配置[26] - **模型具体构建过程**： 1. 计算各中信一级行业的扩散指数，反映行业价格趋势强度 2. 选择扩散指数排名靠前的行业作为配置标的 3. 每月进行轮动调整，配置前六名行业[26][27] - **模型评价**：在趋势行情中表现优异，但在市场反转时可能失效[26][38] 2. **模型名称：GRU因子行业轮动模型** - **模型构建思路**：基于分钟频量价数据，通过GRU深度学习网络生成行业因子，捕捉短期交易信号[33][39] - **模型具体构建过程**： 1. 使用GRU网络处理行业量价数据 2. 输出行业因子得分，反映行业短期动量 3. 每周调整配置，选择因子得分最高的行业[33][36] - **模型评价**：短周期表现较好，长周期稳定性一般，极端行情可能失效[33][39] 模型的回测效果 1. **扩散指数行业轮动模型** - 2025年以来超额收益：2.05%[26] - 本周超额收益：-0.81%[30] - 7月以来超额收益：-1.00%[30] 2. **GRU因子行业轮动模型** - 2025年以来超额收益：-4.52%[33] - 本周超额收益：0.29%[37] - 7月以来超额收益：0.77%[37] 量化因子与构建方式 1. **因子名称：扩散指数** - **因子构建思路**：衡量行业价格趋势强度，反映行业动量[26][27] - **因子具体构建过程**： 1. 计算行业价格序列的扩散指标 2. 标准化处理得到0-1之间的扩散指数 3. 指数越高代表趋势越强[27][28] 2. **因子名称：GRU行业因子** - **因子构建思路**：通过GRU网络提取行业量价特征，生成因子得分[33][36] - **因子具体构建过程**： 1. 输入行业分钟频量价数据 2. 通过GRU网络进行特征提取 3. 输出行业因子得分，得分越高代表短期动量越强[36] 因子的回测效果 1. **扩散指数** - 最新排名前六行业：综合金融(1.0)、综合(0.998)、通信(0.995)、非银行金融(0.987)、传媒(0.975)、计算机(0.973)[27] - 环比提升前六行业：煤炭(0.318)、石油石化(0.297)、钢铁(0.278)、家电(0.099)、电力及公用事业(0.091)、电力设备及新能源(0.073)[29] 2. **GRU行业因子** - 最新排名前六行业：煤炭(1.77)、钢铁(1.08)、建筑(0.72)、银行(0.19)、交通运输(0.18)、电力及公用事业(0.14)[36] - 环比提升较大行业：煤炭、钢铁、建筑[33]

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：量能择时模型** - 模型构建思路：通过监测宽基指数的交易量能变化来判断市场趋势[23] - 模型具体构建过程： 1) 实时跟踪上证50、沪深300等宽基指数的成交量能指标 2) 当量能指标突破阈值时触发看多信号，低于阈值则转为谨慎观点[23] 3) 当前仅上证50维持看多信号（2025.07.04数据）[23] 2. **模型名称：沪深300上涨家数占比情绪指标** - 模型构建思路：通过成分股上涨比例捕捉市场情绪拐点[24] - 模型具体构建过程： 1) 计算N日上涨家数占比：$$ \text{上涨家数占比} = \frac{\text{过去N日收益>0的个股数}}{\text{成分股总数}} $$ 2) 采用双均线系统（快线N2=35日，慢线N1=50日）生成信号[28] 3) 当快线上穿慢线时看多，反之中性[28] - 模型评价：对上涨机会敏感但可能错失持续上涨行情，对下跌风险预警能力有限[25] 3. **模型名称：均线情绪指标** - 模型构建思路：基于8条均线（8/13/21/34/55/89/144/233日）判断趋势状态[34] - 模型具体构建过程： 1) 计算收盘价位于各均线上方的数量 2) 将9级区间划分为3类：1-3级=-1（看空），4-6级=0（中性），7-9级=1（看多）[34] 3) 当前沪深300处于情绪景气区间（2025.07.04）[42] 量化因子与构建方式 1. **因子名称：横截面波动率因子** - 因子构建思路：衡量指数成分股收益离散程度以评估Alpha机会[39] - 因子具体构建过程： 1) 计算成分股日收益率的横截面标准差 2) 统计不同时间窗口（季度/半年/年）的分位数水平[44] - 因子评价：波动率上升预示Alpha环境改善，当前沪深300处于近半年中上分位（64.18%）[44] 2. **因子名称：时间序列波动率因子** - 因子构建思路：监测成分股收益波动的时间序列变化[44] - 因子具体构建过程： 1) 计算成分股加权日波动率的移动平均值 2) 比较当前值相对于历史分位数（近半年沪深300时序波动率0.52%）[47] 模型的回测效果 1. **量能择时模型** - 上证50：当前看多信号（唯一维持看多的宽基指数）[23] - 其他宽基：均转为谨慎观点（2025.07.04）[23] 2. **沪深300情绪指标** - 最新上涨家数占比：61.7%[25] - 双均线系统：快线>慢线维持看多[28] 3. **均线情绪指标** - 当前沪深300收盘价位于5条均线之上（看多信号）[34] 因子的回测效果 1. **横截面波动率因子** - 沪深300：近一季度平均值1.66%，处于近半年64.18%分位[44] - 中证500：1.88%（近半年49.21%分位）[44] - 中证1000：2.22%（近半年50.20%分位）[44] 2. **时间序列波动率因子** - 沪深300：0.52%（近半年62.53%分位）[47] - 中证500：0.41%（近半年63.49%分位）[47] - 中证1000：0.25%（近半年51.39%分位）[47]

量化模型与构建方式 1. **模型名称：扩散指数模型** - 模型构建思路：通过监测微盘股成分股未来N天股价涨跌幅与过去窗口期T天的关系，预测扩散指数变盘临界点[4] - 模型具体构建过程： - 横轴为未来N天股价涨跌幅（1.1到0.9代表涨10%到跌10%） - 纵轴为回顾窗口期T天（N=20-T，T从20到10） - 扩散指数值计算示例：横轴0.95和纵轴15天值为0.32，表示N=5天后若成分股均跌5%，扩散指数为0.32[4] - 模型评价：有效监测市场分化与资金抄底行为[4] 2. **模型名称：首次阈值法（左侧交易）** - 模型构建思路：基于扩散指数值提前触发交易信号[4] - 模型具体构建过程：当扩散指数值≤0.9850时触发空仓信号（2025年5月8日收盘触发）[4] 3. **模型名称：延迟阈值法（右侧交易）** - 模型构建思路：在扩散指数趋势确认后触发信号[4] - 模型具体构建过程：当扩散指数值≤0.8975时触发空仓信号（2025年5月15日收盘触发）[4] 4. **模型名称：双均线法（自适应交易）** - 模型构建思路：结合短期与长期均线动态调整交易信号[4] - 模型具体构建过程：2025年7月3日收盘触发开仓信号[4] 5. **模型名称：小市值低波50策略** - 模型构建思路：在微盘股成分股中优选小市值和低波动股票[16] - 模型具体构建过程： - 每双周调仓一次，选取50只股票 - 基准为万得微盘股指数（8841431.WI） - 费用双边千三[16] - 模型评价：2025年YTD收益56.90%，超额收益稳定[16] --- 量化因子与构建方式 1. **因子名称：pb倒数因子** - 因子构建思路：反映市净率的倒数效应[4] - 因子具体构建过程：周度rankic为0.152（历史平均0.034）[4] 2. **因子名称：非流动性因子** - 因子构建思路：衡量股票非流动性特征[4] - 因子具体构建过程：周度rankic为0.107（历史平均0.039）[4] 3. **因子名称：盈利因子** - 因子构建思路：捕捉公司盈利能力[4] - 因子具体构建过程：周度rankic为0.085（历史平均0.022）[4] 4. **因子名称：动量因子** - 因子构建思路：跟踪股价动量效应[4] - 因子具体构建过程：周度rankic为0.069（历史平均-0.005）[4] 5. **因子名称：杠杆因子** - 因子构建思路：评估公司财务杠杆水平[4] - 因子具体构建过程：周度rankic为0.064（历史平均-0.005）[4] 6. **因子名称：成交额因子** - 因子构建思路：反映股票交易活跃度[4] - 因子具体构建过程：周度rankic为-0.186（历史平均-0.081）[4] 7. **因子名称：残差波动率因子** - 因子构建思路：衡量股价波动残差风险[4] - 因子具体构建过程：周度rankic为-0.154（历史平均-0.04）[4] 8. **因子名称：过去10天收益率因子** - 因子构建思路：捕捉短期收益反转效应[4] - 因子具体构建过程：周度rankic为-0.153（历史平均-0.062）[4] 9. **因子名称：过去一年波动率因子** - 因子构建思路：评估长期波动风险[4] - 因子具体构建过程：周度rankic为-0.153（历史平均-0.033）[4] 10. **因子名称：10天自由流通市值换手率因子** - 因子构建思路：结合换手率与自由流通市值[4] - 因子具体构建过程：周度rankic为-0.132（历史平均-0.061）[4] --- 模型的回测效果 1. **扩散指数模型** - 当前扩散指数值：0.72（横轴20，纵轴1.00）[4] 2. **首次阈值法** - 触发信号：空仓（2025年5月8日收盘）[4] 3. **延迟阈值法** - 触发信号：空仓（2025年5月15日收盘）[4] 4. **双均线法** - 触发信号：开仓（2025年7月3日收盘）[4] 5. **小市值低波50策略** - 2024年收益：7.07%（超额-2.93%） - 2025年YTD收益：56.90%（本周超额0.04%）[16] --- 因子的回测效果 1. **pb倒数因子** - 周度rankic：0.152（历史平均0.034）[4] 2. **非流动性因子** - 周度rankic：0.107（历史平均0.039）[4] 3. **盈利因子** - 周度rankic：0.085（历史平均0.022）[4] 4. **动量因子** - 周度rankic：0.069（历史平均-0.005）[4] 5. **杠杆因子** - 周度rankic：0.064（历史平均-0.005）[4] 6. **成交额因子** - 周度rankic：-0.186（历史平均-0.081）[4] 7. **残差波动率因子** - 周度rankic：-0.154（历史平均-0.04）[4] 8. **过去10天收益率因子** - 周度rankic：-0.153（历史平均-0.062）[4] 9. **过去一年波动率因子** - 周度rankic：-0.153（历史平均-0.033）[4] 10. **10天自由流通市值换手率因子** - 周度rankic：-0.132（历史平均-0.061）[4]

量化模型与因子总结 量化因子与构建方式 1. 标准化笔均成交金额因子(SATD) **构建思路**：通过特殊时刻笔均成交金额与全天笔均成交金额的比值来刻画主力资金行为[1] **具体构建过程**： 1. 计算特殊时刻笔均成交金额： $$A T D_{P}={\frac{\sum_{t\in P}A m t_{t}}{\sum_{t\in P}D e a l N u m_{t}}}$$ 其中P为特殊时刻集合，Amtt为t时刻成交额，DealNumt为t时刻成交笔数 2. 计算全天笔均成交金额： $$A T D_{T}={\frac{\sum_{t\in T}A m t_{t}}{\sum_{t\in T}D e a l N u m_{t}}}$$ 3. 计算标准化因子： $$S A T D_{P}={\frac{A T D_{P}}{A T D_{T}}}$$ **评价**：该因子通过去量纲化处理，使得不同股票间的因子值具有可比性[31] 2. 跌幅最大时刻主卖因子 **构建思路**：基于股价跌幅最大的时刻，结合主动卖出订单构建因子[2] **具体构建过程**： 1. 根据分钟涨跌幅排序，选取跌幅最大的10%时刻 2. 将该区间内成交记录按主动买卖方向划分 3. 计算主动卖出成交记录的笔均成交金额与全天笔均成交金额比值 **评价**：该因子对股价未来收益具有较好的预测效果[75] 3. 股价最低时刻主卖因子 **构建思路**：基于股价最低时刻的主动卖出订单构建因子[3] **具体构建过程**： 1. 根据分钟收盘价排序，选取价格最低的10%时刻 2. 将该区间内成交记录按主动买卖方向划分 3. 计算主动卖出成交记录的笔均成交金额与全天笔均成交金额比值 **评价**：该因子在年化RankICIR及月胜率等维度表现突出[97] 4. 成交量最高时刻主卖因子 **构建思路**：基于成交量最高时刻的主动卖出订单构建因子[4] **具体构建过程**： 1. 根据分钟成交量排序，选取成交量最高的10%时刻 2. 将该区间内成交记录按主动买卖方向划分 3. 计算主动卖出成交记录的笔均成交金额与全天笔均成交金额比值 **评价**：该因子RankIC均值明显高于其他因子[115] 5. 量价背离时刻主卖因子 **构建思路**：基于量价背离时刻的主动卖出订单构建因子[4] **具体构建过程**： 1. 计算每分钟内成交价格与成交量的相关系数 2. 选取相关系数最低的50%时刻作为量价背离时刻 3. 将该区间内成交记录按主动买卖方向划分 4. 计算主动卖出成交记录的笔均成交金额与全天笔均成交金额比值 **评价**：该因子对个股未来收益预测效果较好[138] 6. 主力复合因子 **构建思路**：将不同日内特殊时刻的主动买卖因子进行复合构建[4] **具体构建过程**： 1. 选取跌幅最大时刻主卖因子、股价最低时刻主卖因子、成交量最高时刻主卖因子和量价背离时刻主卖因子 2. 对各因子进行等权复合 **评价**：该因子在不同宽基及风格股票池中均展现出较强的选股效果[4] 因子回测效果 1. 标准化笔均成交金额因子(SATD) - 下跌时刻因子：RankIC均值6.84%，年化RankICIR 3.23，月胜率83.93%[46] - 上涨时刻因子：RankIC均值2.81%，年化RankICIR 1.35，月胜率63.39%[48] - 横盘时刻因子：RankIC均值-5.94%，年化RankICIR -3.45，月胜率15.18%[54] 2. 跌幅最大时刻主卖因子 - RankIC均值8.96%，年化RankICIR 4.24，月胜率86%[75] - 多头月均超额0.87%，空头月均超额-1.65%[75] - 多头年化超额11.68%，空头年化超额-19.07%[79] 3. 股价最低时刻主卖因子 - RankIC均值8.30%，年化RankICIR 4.41，月胜率89.29%[99] - 多头月均超额0.87%，空头月均超额-1.17%[99] - 多头年化超额11.68%，空头年化超额-13.78%[104] 4. 成交量最高时刻主卖因子 - RankIC均值10.69%，年化RankICIR 3.86，月胜率85.71%[118] - 多头月均超额0.73%，空头月均超额-1.97%[118] - 多头年化超额9.96%，空头年化超额-22.99%[124] 5. 量价背离时刻主卖因子 - RankIC均值9.04%，年化RankICIR 3.56，月胜率81.25%[140] - 多头月均超额0.66%，空头月均超额-1.49%[140] - 多头年化超额8.92%，空头年化超额-17.69%[142] 6. 主力复合因子 - 月频调仓：RankIC均值10.33%，年化RankICIR 4.32，月胜率90%[4] - 月频调仓：多头月均超额0.84%，空头月均超额-1.92%[4] - 周频调仓：RankIC均值7.02%，年化RankICIR 6.46，周胜率82%[4]

量化模型与构建方式 1. 模型名称：带约束的加权最小二乘法模型 - 模型构建思路：用于估计纯因子收益率，通过加权最小二乘法解决因子暴露矩阵不满秩问题，并引入行业因子约束条件[44][45] - 模型具体构建过程： 1. 构建股票收益率与因子暴露的线性模型：$$r=X f+u$$，其中X为因子暴露矩阵，f为纯因子收益率向量[44] 2. 定义流通市值平方根加权的权重矩阵W：$$W=\begin{bmatrix}\dfrac{\sqrt{s_{1}}}{\sum_{i=1}^{N}\sqrt{s_{i}}}&0&\cdots&0\\ \\ 0&\dfrac{\sqrt{s_{2}}}{\sum_{i=1}^{N}\sqrt{s_{i}}}&\cdots&0\\ \vdots&\vdots&\ddots&\vdots\\ \\ 0&0&\cdots&\dfrac{\sqrt{s_{N}}}{\sum_{i=1}^{N}\sqrt{s_{i}}}\end{bmatrix}$$[45] 3. 添加行业因子约束条件：$$s_{I_{1}}f_{I_{1}}+s_{I_{2}}f_{I_{2}}+\cdots+s_{I_{Q}}f_{I_{Q}}=0$$[49] 4. 通过Cholesky分解求解带约束的线性方程组，最终得到纯因子收益率估计值：$${\hat{f}}=C(C^{\prime}X^{\prime}W X C)^{-1}C^{\prime}X^{\prime}W r$$[59] - 模型评价：该模型通过引入国家因子和行业约束，使收益结构更清晰，能更敏感响应行业间相关系数变化[44] 量化因子与构建方式 1. 因子名称：市值(size) - 因子构建思路：反映公司规模对股票收益的影响，是Fama-French三因子模型中的核心因子[22] - 因子具体构建过程：使用对数总市值作为二级因子，直接作为一级因子[24] - 因子评价：同时具备高统计显著性与低换手率特征，是10个一级因子中的特例[83] 2. 因子名称：非线性市值(sizenl) - 因子构建思路：捕捉市值非线性效应，解决小市值股票风险溢价异常问题[22] - 因子具体构建过程： 1. 将标准化后的SIZE因子值取三次幂 2. 与SIZE因子值正交取残差 3. 进行缩尾和标准化处理[24] - 因子评价：受经济含义制约不宜强求其分布的正态性[27] 3. 因子名称：贝塔值(beta) - 因子构建思路：衡量股票系统性风险，源自CAPM模型[22] - 因子具体构建过程： 1. 计算个股无风险超额收益率对市场指数超额收益率的时间序列回归系数 2. 回归窗口252日，半衰期63日 3. 公式：$$r_t - r_{ft} = \alpha + \beta R_t + e_t$$[24] - 因子评价：与国家纯因子收益率高度相关(67.68%)，能反映国家因子无法解释的市场风险[84] 4. 因子名称：残差波动率(resvol) - 因子构建思路：衡量股票特异性风险，由三个二级因子合成[24] - 因子具体构建过程： 1. 日度标准差(DASTD，权重0.74)：过去252个交易日每日超额收益波动率，半衰期42日 2. 累积范围(CMRA，权重0.16)：计算12个月累计对数收益率极差 3. 历史Sigma(HSIGMA，权重0.10)：BETA计算式中残差的波动率[24] - 因子评价：与技术类因子liquidity存在较强共线性(相关系数0.53)[84] 5. 因子名称：动量(momentum) - 因子构建思路：捕捉股票价格趋势效应[22] - 因子具体构建过程： 1. 计算504个交易日的加权无风险超额对数收益率之和 2. 滞后期21日，半衰期126日 3. 公式：$$RSTR = \sum w_t [\ln(1+r_t)-\ln(1+r_{ft})]$$[24] - 因子评价：换手率较高但t值绝对值也较高(3.45)[83] 6. 因子名称：流动性(liquidity) - 因子构建思路：反映股票交易成本与市场冲击风险[22] - 因子具体构建过程： 1. 月度换手率(STOM，权重0.35)：前21日换手率和的对数值 2. 季度换手率(STOQ，权重0.35)：基于STOM计算3个月均值 3. 年度换手率(STOA，权重0.30)：基于STOM计算12个月均值[24] - 因子评价：属于"类alpha因子"，长期年化收益-9.46%，IR-3.05，反映低流动性资产补偿[85] 7. 因子名称：账面市值比(btop) - 因子构建思路：衡量价值投资效应[22] - 因子具体构建过程：使用普通股账面价值除以当前市值作为二级因子，直接作为一级因子[24] - 因子评价：与value因子存在逻辑冗余和共线性(相关系数0.39)[23][84] 8. 因子名称：价值(value) - 因子构建思路：综合衡量股票估值水平[22] - 因子具体构建过程： 1. 预测盈市比(EPFWD，权重0.68)：分析师预测净利润(FY1)除以市值 2. 现市比TTM(CETOP，权重0.21)：滚动12个月现金盈利/市值 3. 盈市比TTM(ETOP，权重0.11)：滚动12个月净利润/市值[24] - 因子评价：年化收益4.32%，IR1.80，表现较好但存在冗余[86] 9. 因子名称：成长(growth) - 因子构建思路：反映公司盈利增长能力[22] - 因子具体构建过程： 1. 长期预测净利润增速(EGRLF，权重0.18)：2年期利润增速 2. 短期预测净利润增速(EGRSF，权重0.11)：1年期利润增速 3. 净利润增长率(EGRO，权重0.24)：过去5年EPS回归系数/平均EPS 4. 销售收入增长率(SGRO，权重0.47)：过去5年每股销售收入回归系数/均值[24][28] - 因子评价：解释力度相对较弱(average_|t|仅1.18)[83] 10. 因子名称：杠杆(leverage) - 因子构建思路：衡量公司财务风险[22] - 因子具体构建过程： 1. 市场杠杆(MLEV，权重0.38)：(ME+PE+LD)/ME 2. 资产负债率(DTOA，权重0.35)：总负债/总资产 3. 账面杠杆(BLEV，权重0.27)：(BE+PE+LD)/BE[24] - 因子评价：年化收益-0.44%，IR-0.24，表现较弱[86] 模型的回测效果 1. 国家因子模型，年化收益率4.75%，年化波动率21.00%，IR0.23[86] 2. beta因子模型，年化收益率8.20%，年化波动率4.87%，IR1.69[86] 3. size因子模型，年化收益率-6.82%，年化波动率4.57%，IR-1.49[86] 4. liquidity因子模型，年化收益率-9.46%，年化波动率3.10%，IR-3.05[86] 5. value因子模型，年化收益率4.32%，年化波动率2.40%，IR1.80[86] 因子的回测效果 1. size因子，average_|t|4.22，percent_|t|>2 66.80%，r2_gain0.53%[86] 2. beta因子，average_|t|4.27，percent_|t|>2 67.42%，r2_gain0.45%[86] 3. momentum因子，average_|t|3.45，percent_|t|>2 58.92%，r2_gain0.35%[86] 4. resvol因子，average_|t|2.94，percent_|t|>2 54.10%，r2_gain0.27%[86] 5. growth因子，average_|t|1.18，percent_|t|>2 17.26%，r2_gain0.04%[86]

根据研报内容，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. **REITs指数系列模型** - 模型构建思路：通过分级靠档方法确保指数份额稳定，采用除数修正法保证指数连续性，综合反映REITs市场表现[49] - 模型具体构建过程： 1. 底层资产分类：产权类（如园区/仓储）和特许经营权类（如交通/市政）[50] 2. 细分项目指数：生态环保、能源基础设施等9类[50] 3. 计算公式： - 价格指数：$$P_t = \frac{\sum (P_{i,t} \times S_{i,t} \times W_{i,t})}{D_t}$$ - 全收益指数：$$TR_t = P_t \times (1 + \sum Div_{i,t})$$ 其中$P_{i,t}$为成分REIT价格，$S_{i,t}$为流通份额，$W_{i,t}$为权重，$D_t$为除数，$Div_{i,t}$为分红[49][50] 2. **主动偏股基金仓位监控模型** - 模型构建思路：基于净值序列的多元回归模型，模拟组合提升估算精度[63] - 模型具体构建过程： 1. 自变量：基准指数或构建的资产序列组合 2. 约束条件：仓位范围0-100% 3. 输出：行业配置动向（如医药生物+0.44pcts，有色金属-0.32pcts）[63][66] 量化因子与构建方式 1. **行业主题因子** - 因子构建思路：通过基金持仓信息定义长期行业标签（医药/TMT等）[36] - 因子具体构建过程： 1. 数据源：近4期中报/年报持仓 2. 分类逻辑： - 主题基金：单一行业占比>50% - 轮动基金：行业切换频率>2次/年 - 均衡基金：最大行业占比<30%[36] 2. **现金流因子** - 因子构建思路：筛选名称含"自由现金流"的ETF及联接基金[60] - 因子具体构建过程： 1. 标的池：20只现金流主题ETF（规模90.72亿） 2. 加权方式：规模加权组合收益率[60] 模型的回测效果 1. **REITs指数模型** - 年化收益：能源基础设施指数10.52%（最大回撤13.28%）[53] - 夏普比率：消费基础设施指数1.10（年化波动10.44%）[53] 2. **仓位监控模型** - 跟踪误差：行业配置变动幅度±0.5pcts内[63] 因子的回测效果 1. **行业主题因子** - 本周收益：医药主题+5.70%，TMT主题+0.45%[36] - 月度胜率：医药主题6个月中5个月正收益[38] 2. **现金流因子** - 本周收益：1.73%（近一月2.33%）[60] - 规模衰减：6.15亿净流出（排名倒数第三）[60] 模型/因子评价 - REITs指数模型：有效捕捉底层资产差异，但市政设施指数波动率达24.86%[53] - 现金流因子：短期收益稳定但资金吸引力不足，需结合股息率优化[60]