根据研报内容，本报告主要对两次关税冲击下的A股市场交易结构进行对比分析，并未涉及具体的量化模型或量化因子的构建、测试与评价。报告的核心内容是对市场指数和行业层面的各类指标进行统计和对比，属于市场观察和描述性分析[2][6][7]。 因此，报告中**没有**需要总结的量化模型或量化因子内容。

量化模型与构建方式 1. 行业拥挤度监测模型 **模型名称**：行业拥挤度监测模型[3] **模型构建思路**：通过构建行业拥挤度监测模型，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公式和详细计算步骤，仅提及其功能为监测申万一级行业指数的每日拥挤度水平[3] 2. 溢价率Z-score模型 **模型名称**：溢价率Z-score模型[4] **模型构建思路**：根据溢价率Z-score模型搭建相关ETF产品筛选信号模型，通过滚动测算提供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公式和详细计算步骤，仅说明其用于ETF产品筛选和套利机会识别[4] **模型评价**：该模型可用于识别潜在套利机会，但需警惕标的回调风险[4] 量化因子与构建方式 1. 行业拥挤度因子 **因子名称**：行业拥挤度因子[3] **因子构建思路**：通过监测各行业的拥挤度水平，识别当前市场热度较高的行业和热度较低的行业[3] **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤，但明确该因子应用于申万一级行业指数的拥挤度监测[3] 模型的回测效果 *报告未提供具体模型的回测效果指标数据* 因子的回测效果 *报告未提供具体因子的回测效果指标数据* 监测结果展示 1. 行业拥挤度监测结果 - 电力设备、电子、有色金属拥挤度靠前[3] - 社会服务、食品饮料、商贸零售的拥挤度水平较低[3] - 建材、环保拥挤度变动较大[3] 2. 资金流向监测结果 - 前一交易日主力资金流入医药生物行业[3] - 主力资金流出电子、电力设备行业[3] - 近三个交易日主力资金持续减配电子、电力设备行业[3] 3. ETF产品关注信号 基于溢价率Z-score模型筛选出的建议关注ETF产品包括：中证A500ETF、中证A500ETF龙头、50ETF基金、日经ETF、H股ETF[13]

根据研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 1. Barra风格因子[14] **因子构建思路**：采用经典的Barra风险模型框架，构建多个维度（如市场、估值、盈利等）的风格因子，用于描述股票的风险收益特征[14] **因子具体构建过程**： - **Beta因子**：历史beta - **市值因子**：总市值取自然对数 - **动量因子**：历史超额收益率序列均值 - **波动因子**：$$0.74 \times 历史超额收益率序列波动率 + 0.16 \times 累积超额收益率离差 + 0.1 \times 历史残差收益率序列波动率$$ - **非线性市值因子**：市值风格的三次方 - **估值因子**：市净率倒数 - **流动性因子**：$$0.35 \times 月换手率 + 0.35 \times 季换手率 + 0.3 \times 年换手率$$ - **盈利因子**：$$0.68 \times 分析师预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率ttm倒数$$ - **成长因子**：$$0.18 \times 分析师预测长期盈利增长率 + 0.11 \times 分析师预测短期利率增长率 + 0.24 \times 盈利增长率 + 0.47 \times 营业收入增长率$$ - **杠杆因子**：$$0.38 \times 市场杠杆率 + 0.35 \times 账面杠杆 + 0.27 \times 资产负债率$$ 2. 技术类因子[19][26][30] **因子构建思路**：基于股价和交易量数据构建动量、波动率等技术指标因子 **因子具体构建过程**： - **20日动量因子**：基于20日价格变化的动量指标 - **60日动量因子**：基于60日价格变化的动量指标 - **120日动量因子**：基于120日价格变化的动量指标 - **20日波动因子**：基于20日价格波动率 - **60日波动因子**：基于60日价格波动率 - **120日波动因子**：基于120日价格波动率 - **中位数离差因子**：价格相对于中位数的偏离程度 3. 基本面因子[22][26][29] **因子构建思路**：基于财务报表数据构建估值、盈利、成长等基本面指标 **因子具体构建过程**： - **估值类因子**：市盈率、市销率等估值指标 - **盈利类因子**：ROE、ROA、营业利润率等盈利能力指标 - **成长类因子**：ROC增长、ROA增长、营业利润增长等成长性指标 - **超预期增长类因子**：ROC超预期增长、ROA超预期增长、净利润超预期增长等 - **静态财务因子**：营业周转率等静态财务指标 量化模型与构建方式 1. GRU模型[20][32] **模型构建思路**：使用门控循环单元（GRU）神经网络预测股票收益，基于不同训练目标构建多个模型变体 **模型具体构建过程**： - **close1d模型**：预测未来一日close to close收益的GRU模型 - **open1d模型**：预测未来一日open to open收益的GRU模型 - **barra1d模型**：基于Barra因子体系预测收益的GRU模型 - **barra5d模型**：基于Barra因子体系预测5日收益的GRU模型 2. 多因子模型[32] **模型构建思路**：综合多个有效因子构建复合多因子选股模型 模型的回测效果 1. GRU模型多头组合表现[33] - **open1d模型**：近一周超额0.68%，近一月-1.02%，近三月-2.91%，近六月2.05%，今年以来4.85% - **close1d模型**：近一周超额1.29%，近一月-2.29%，近三月-6.21%，近六月0.42%，今年以来1.44% - **barra1d模型**：近一周超额-0.17%，近一月0.42%，近三月1.64%，近六月3.68%，今年以来5.22% - **barra5d模型**：近一周超额1.60%，近一月-2.60%，近三月-5.71%，近六月0.56%，今年以来3.45% 2. 多因子组合表现[33] - 近一周超额1.35%，近一月-0.76%，近三月-2.34%，近六月-1.07%，今年以来0.88% 因子的回测效果 1. 技术类因子多空收益表现[19][26][30] - **20日动量因子**：全市场近一周-1.61%，中证500近一周-3.50%，中证1000近一周-2.35% - **60日动量因子**：全市场近一周-3.11%，中证500近一周-3.51%，中证1000近一周-3.74% - **120日动量因子**：全市场近一周-2.86%，中证500近一周-3.81%，中证1000近一周-3.46% - **20日波动因子**：全市场近一周-3.10%，中证500近一周-3.97%，中证1000近一周-4.54% - **60日波动因子**：全市场近一周-2.78%，中证500近一周-2.30%，中证1000近一周-3.90% - **120日波动因子**：全市场近一周-1.93%，中证500近一周-3.38%，中证1000近一周-4.01% 2. 基本面因子多空收益表现[22][26][29] - **估值类因子**：沪深300内多数表现为负向，如市盈率因子近一周-1.62% - **盈利类因子**：沪深300内ROE因子近一周-0.86%，ROA因子近一周-0.71% - **成长类因子**：沪深300内ROC增长因子近一周0.68%，ROA增长因子近一周0.82% - **超预期增长类因子**：沪深300内ROC超预期增长近一周-0.25%，净利润超预期增长近一周0.68%

量化模型与构建方式 1. 扩散指数模型 - **模型名称**：扩散指数模型[6][37][38] - **模型构建思路**：通过监测微盘股指数成分股价格在未来不同时间窗口和涨跌幅阈值下的分布情况，来判断市场趋势和变盘临界点[37] - **模型具体构建过程**： 1. 横轴代表以当前时间为起点，未来N天后股价相对现在的涨跌幅阈值，从1.1（涨10%）到0.9（跌10%）[37] 2. 纵轴代表以当前时间为起点，回顾过去窗口期的长度T天或者未来N天，T从20到10代表从当前时间开始往后10个交易日，即N从0到10，N=20-T[37] 3. 计算在每个横纵坐标对应的条件下，微盘股扩散指数的具体数值[37] 4. 该指标主要用于监测未来扩散指数变盘的临界点，当前扩散指数值为0.50（横轴为20，纵轴为1.00）[37] 2. 首次阈值法（左侧交易） - **模型名称**：首次阈值法[6][40] - **模型构建思路**：作为扩散指数模型的左侧交易策略，在指标首次触及阈值时发出交易信号[6][40] - **模型具体构建过程**：当扩散指数收盘值达到0.0575时触发开仓信号[40] 3. 延迟阈值法（右侧交易） - **模型名称**：延迟阈值法[6][44] - **模型构建思路**：作为扩散指数模型的右侧交易策略，在指标确认趋势后发出交易信号[6][44] - **模型具体构建过程**：当扩散指数收盘值达到0.1825时给予开仓信号[44] 4. 双均线法（自适应交易） - **模型名称**：双均线法[6][45] - **模型构建思路**：采用双均线系统进行自适应交易决策，根据均线关系判断多空信号[6][45] - **模型具体构建过程**：当短期均线下穿长期均线时发出空仓信号[45] 5. 小市值低波50策略 - **模型名称**：小市值低波50策略[8][16][33] - **模型构建思路**：在微盘股成分股中优选小市值和低波动的50只股票构建投资组合[8][16][33] - **模型具体构建过程**： 1. 选择万得微盘股指数成分股作为股票池[8][16] 2. 使用市值因子和波动率因子进行排序筛选[8][16] 3. 选取市值最小、波动率最低的50只股票[8][16] 4. 每双周调仓一次，费用双边千三[8][16][33] 模型的回测效果 1. **首次阈值法**，于2025年9月23日触发开仓信号[6][40] 2. **延迟阈值法**，于2025年9月25日给予开仓信号[6][44] 3. **双均线法**，于2025年8月4日收盘给予空仓信号[6][45] 4. **小市值低波50策略**，2024年收益7.07%，超额-2.93%；2025年YTD收益58.55%，本周超额0.14%[8][16][33] 量化因子与构建方式 1. 杠杆因子 - **因子名称**：杠杆因子[5][16][31] - **因子构建思路**：衡量公司的财务杠杆水平[5][16][31] - **因子评价**：本周表现优异，rankic值为0.176，显著高于历史平均的-0.006[5][16][31] 2. 自由流通比例因子 - **因子名称**：自由流通比例因子[5][16][31] - **因子构建思路**：反映股票的自由流通股本占总股本的比例[5][16][31] - **因子评价**：本周表现良好，rankic值为0.156，明显高于历史平均的-0.013[5][16][31] 3. 股息率因子 - **因子名称**：股息率因子[5][16][31] - **因子构建思路**：计算公司股息与股价的比率[5][16][31] - **因子评价**：本周表现稳定，rankic值为0.109，高于历史平均的0.021[5][16][31] 4. 单季度净资产收益率因子 - **因子名称**：单季度净资产收益率因子[5][16][31] - **因子构建思路**：衡量公司单季度的净资产盈利能力[5][16][31] - **因子评价**：本周表现较好，rankic值为0.091，显著高于历史平均的0.022[5][16][31] 5. 成长因子 - **因子名称**：成长因子[5][16][31] - **因子构建思路**：评估公司的成长性和发展潜力[5][16][31] - **因子评价**：本周表现积极，rankic值为0.091，明显高于历史平均的-0.003[5][16][31] 6. 未复权股价因子 - **因子名称**：未复权股价因子[5][16][31] - **因子构建思路**：使用未复权股价作为因子指标[5][16][31] - **因子评价**：本周表现较差，rankic值为-0.363，显著低于历史平均的-0.014[5][16][31] 7. 贝塔因子 - **因子名称**：贝塔因子[5][16][31] - **因子构建思路**：衡量股票相对于市场的系统性风险[5][16][31] - **因子评价**：本周表现不佳，rankic值为-0.3，明显低于历史平均的0.006[5][16][31] 8. 非流动性因子 - **因子名称**：非流动性因子[5][16][31] - **因子构建思路**：评估股票的流动性状况[5][16][31] - **因子评价**：本周表现弱势，rankic值为-0.197，显著低于历史平均的0.04[5][16][31] 9. 过去10天收益率因子 - **因子名称**：过去10天收益率因子[5][16][31] - **因子构建思路**：计算股票过去10天的收益率表现[5][16][31] - **因子评价**：本周表现较差，rankic值为-0.187，低于历史平均的-0.061[5][16][31] 10. 标准化预期盈利因子 - **因子名称**：标准化预期盈利因子[5][16][31] - **因子构建思路**：基于标准化处理的预期盈利指标[5][16][31] - **因子评价**：本周表现不理想，rankic值为-0.055，明显低于历史平均的0.013[5][16][31] 因子的回测效果 1. **杠杆因子**，本周rankic 0.176，历史平均-0.006[5][16][31] 2. **自由流通比例因子**，本周rankic 0.156，历史平均-0.013[5][16][31] 3. **股息率因子**，本周rankic 0.109，历史平均0.021[5][16][31] 4. **单季度净资产收益率因子**，本周rankic 0.091，历史平均0.022[5][16][31] 5. **成长因子**，本周rankic 0.091，历史平均-0.003[5][16][31] 6. **未复权股价因子**，本周rankic -0.363，历史平均-0.014[5][16][31] 7. **贝塔因子**，本周rankic -0.3，历史平均0.006[5][16][31] 8. **非流动性因子**，本周rankic -0.197，历史平均0.04[5][16][31] 9. **过去10天收益率因子**，本周rankic -0.187，历史平均-0.061[5][16][31] 10. **标准化预期盈利因子**，本周rankic -0.055，历史平均0.013[5][16][31]

根据研报内容，总结如下： 量化模型与构建方式 1. LPPL模型 - **模型构建思路**：用于识别市场泡沫和判断价格走势的临界点，通过拟合价格在泡沫期的对数周期性幂律行为来预测趋势反转[1][7][18] - **模型具体构建过程**：研报中未提供LPPL模型的具体构建公式和参数细节，但提到该模型显示创业板、科创50自6月份以来的上涨短期内已基本见到顶部[1][7][18] 2. A股景气指数模型 - **模型构建思路**：以上证指数归母净利润同比为Nowcasting目标构建A股景气度高频指数，用于观测宏观经济景气周期[29] - **模型具体构建过程**：研报中未提供A股景气指数的具体构建公式，但提到该指数用于跟踪景气下行周期和上升周期[29] 3. A股情绪指数模型 - **模型构建思路**：基于市场波动率和成交额的变化方向构造情绪指数，将市场划分为四个象限来识别情绪状态[33] - **模型具体构建过程**：将市场按照波动率和成交额的变化方向划分为四个象限，其中波动上-成交下的区间为显著负收益，其余都为显著正收益，据此构造A股情绪指数（包含见底预警与见顶预警）[33] 4. 主题挖掘算法 - **模型构建思路**：根据新闻和研报文本挖掘主题投资机会，通过文本处理、主题关键词提取、主题个股关系挖掘等多维度描述主题投资机会[47] - **模型具体构建过程**：通过对文本处理，主题关键词提取，主题个股关系挖掘，主题活跃周期构建，主题影响力因子构建等多个维度描述主题投资机会[47] 5. 风格因子模型 - **模型构建思路**：参照BARRA因子模型，对A股市场构建十大类风格因子，用于风格分析和收益归因[56] - **模型具体构建过程**：构建的十大类风格因子包括：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）[56] 量化因子与构建方式 1. 行业因子 - **因子构建思路**：基于不同行业的市场表现构建因子，用于分析行业相对市场市值加权组合的超额收益[57] - **因子具体构建过程**：研报中提及有色金属、钢铁、国防军工等行业因子相对市场市值加权组合跑出较高超额收益，消费者服务、银行等行业因子回撤较多[57] 2. 风格因子 - **因子构建思路**：基于BARRA框架构建十大类风格因子，用于分析市场风格特征和收益来源[56][57] - **因子具体构建过程**：包括市值、BETA、动量、残差波动率、非线性市值、估值、流动性、盈利、成长和杠杆等十大类因子[56] 模型的回测效果 1. 中证500增强组合 - **本周表现**：收益1.08%，跑赢基准1.27%[47] - **长期表现**：2020年至今，组合相对中证500指数超额收益53.54%，最大回撤-5.73%[47] 2. 沪深300增强组合 - **本周表现**：收益率-0.35%，跑赢基准0.17%[53] - **长期表现**：2020年至今，组合相对沪深300指数超额收益38.74%，最大回撤-5.86%[53] 3. A股情绪指数系统 - **当前信号**：A股情绪见底指数信号为空，A股情绪见顶指数信号为空，综合信号为空[35][38] 因子的回测效果 1. 风格因子近期表现 - **价值因子**：超额收益较高[57] - **Beta因子**：呈较为显著的负向超额收益[57] - **残差波动率因子**：呈较为显著的负向超额收益[57] - **杠杆因子**：高杠杆股表现优异[57] - **成长因子**：高成长股表现优异[57] 2. 行业因子近期表现 - **正向超额收益**：有色金属、钢铁、国防军工等行业因子相对市场市值加权组合跑出较高超额收益[57] - **负向超额收益**：消费者服务、银行等行业因子回撤较多[57]

根据研报内容，本报告主要涉及对市场风格、估值、资金面等状态的跟踪和描述，并未详细阐述具体的量化模型或量化因子的构建过程、公式及回测结果。报告的核心是展示各类市场指标的当前水平和历史分位。 量化因子与构建方式 **1 因子名称：风格拥挤度**[36][122] * **因子构建思路**：通过计算风格指数相对于市场整体（万得全A）的换手率活跃度差异，并观察其在历史序列中的位置，来衡量该风格交易的拥挤程度[36][122] * **因子具体构建过程**： 1. 计算风格指数和万得全A指数近n个交易日（n=63，即近一个季度）的日均换手率[122] 2. 分别在各自的历史时间序列（滚动窗口为6年）上对换手率进行z-score标准化[122] 3. 将风格指数的标准化换手率减去万得全A的标准化换手率，得到差值[122] 4. 计算该差值在滚动y年（y=6）历史序列中的分位值，即为风格拥挤度历史分位[122] **2 因子名称：风格指数累计超额净值**[25][123] * **因子构建思路**：通过计算风格指数相对于万得全A指数的累计净值表现，来衡量风格的长期超额收益情况[25][123] * **因子具体构建过程**： 1. 以2016年1月4日为基准日，将风格指数和万得全A指数的每日收盘价除以基准日的收盘价，分别得到各自的累计净值[123] 2. 将风格指数的累计净值除以同一交易日的万得全A指数累计净值，得到该风格指数相对于万得全A的累计超额净值[123] **3 因子名称：机构调研活跃度**[104][124] * **因子构建思路**：通过计算板块、指数或行业相对于市场整体的机构调研热度差异，并观察其在历史序列中的位置，来衡量机构关注度的变化[104][124] * **因子具体构建过程**： 1. 计算板块（指数、行业）和万得全A近n个交易日的“日均机构调研次数”[124] 2. 分别在各自的历史时间序列（长期口径滚动窗口为6年，短期口径为3年）上对调研次数进行z-score标准化[124] 3. 将板块的标准化调研次数减去万得全A的标准化调研次数，得到“机构调研活跃度”[124] 4. 计算该活跃度在滚动y年（长期口径y=6，短期口径y=3）历史序列中的分位数[124] * **长期口径参数**：n取126（近半年）[124] * **短期口径参数**：n取63（近一季度）[124] **4 因子名称：股债风险溢价（ERP）**[72] * **因子构建思路**：通过计算股票指数市盈率的倒数与无风险收益率（10年期国债到期收益率）的差值，来衡量投资股票市场相对于债券市场的超额回报预期，即股债性价比[72] * **因子具体构建过程**： 1. 计算指数的ERP值，公式为： $$指数ERP = \frac{1}{指数PE\_TTM} - 10年期中债国债到期收益率$$[72] 2. 计算该ERP值在历史序列（2010年1月1日至今）中的分位值[72][79] 因子与模型的效果指标取值 **1 风格拥挤度历史分位（截至本周末）**[36] * 成长风格：25%[36] * 红利风格：36%[36] * 小盘风格：56%[36] * 大盘风格：98%[36] * 微盘股风格：7%[36] * 基金重仓风格：95%[36] **2 风格指数表现（近一周）**[25] * 中证红利绝对收益：1.8%[25] * 国证成长绝对收益：-1.4%[25] * 成长较红利超额收益：-3.2%[25] * 巨潮小盘绝对收益：-0.2%[25] * 巨潮大盘绝对收益：-0.6%[25] * 小盘较大盘超额收益：0.3%[25] * 万得微盘股绝对收益：0.5%[25] * 基金重仓绝对收益：-0.6%[25] * 微盘股较基金重仓超额收益：1.0%[25] * 长江动量绝对收益：-3.3%[25] * 长江反转绝对收益：-0.3%[25] * 动量较反转超额收益：-3.0%[25] **3 机构调研活跃度历史分位（长期口径，截至本周末）**[106] * 沪深300：49%[106] * 中证500：64%[106] * 创业板：54%[106] * 上游周期板块：99%[106] * 金融板块：2%[106] * 有色金属行业：97%[106] * 钢铁行业：97%[106] * 交通运输行业：95%[106] * 医药行业：4%[106] * 银行行业：5%[106] * 机械行业：13%[106] **4 估值水平（PE_TTM历史分位，截至本周末）**[70] * 万得全A：92%[70] * 沪深300：81%[70] * 中证500：75%[70] * 创业板：42%[70] * 消费板块：15%[70] * 医药板块：87%[70] * TMT板块：63%[70] **5 股债性价比（ERP历史分位，截至本周末）**[79] * 万得全A：44%[79] * 沪深300：46%[79] * 中证500：65%[79] * 创业板：84%[79] * 消费板块：94%[79] * 医药板块：83%[79] * 金融板块：58%[79]

根据提供的金融工程周报内容，经过全面梳理，报告主要涉及对市场、基金产品表现的回顾与统计，并未包含具体的量化模型或量化因子的构建思路、详细过程、公式及定性评价。报告内容集中于市场数据汇总与基金业绩展示。 因此，本总结将主要列出报告中提及的基金策略类型及其业绩表现。 量化模型与构建方式 （报告未涉及具体的量化模型构建内容） 模型的回测效果 （报告未涉及具体的量化模型回测效果） 量化因子与构建方式 （报告未涉及具体的量化因子构建内容） 因子的回测效果 （报告未涉及具体的量化因子回测效果） 基金策略类型及业绩统计 报告中对各类公募基金的业绩进行了统计，以下是根据报告内容整理的基金策略类型及其在特定周期内的中位数表现[35][37][38]。 **基金策略业绩表现（截至2025年10月10日）** | 策略类型 | 周期 | 业绩指标 | 指标值 | | :--- | :--- | :--- | :--- | | 指数增强基金 | 上周 | 超额收益中位数 | 0.27% [35] | | 量化对冲型基金 | 上周 | 收益中位数 | 0.10% [35] | | 普通FOF基金 | 上周 | 收益中位数 | 0.44% [38] | | 目标日期基金 | 上周 | 收益中位数 | 0.69% [38] | | 目标风险基金 | 上周 | 收益中位数 | 0.54% [38] | | 指数增强基金 | 今年以来 | 超额收益中位数 | 3.74% [35] | | 量化对冲型基金 | 今年以来 | 收益中位数 | 0.76% [35] | | 目标日期基金 | 今年以来 | 累计收益率中位数 | 18.44% [38] |

根据提供的金融工程周报内容，该报告主要总结了市场表现和基金业绩，并未涉及具体的量化模型或量化因子的构建思路、详细过程及公式。报告内容侧重于市场回顾、基金产品动态及各类基金的业绩统计。 因此，本次总结将跳过“量化模型与构建方式”和“量化因子与构建方式”部分，直接呈现报告中提到的基金组合（可视为广义的“模型”或策略）及其业绩表现。 基金组合的回测效果 1. **主动权益基金组合** * 组合构建思路：以开放式基金中的普通股票型基金和偏股混合型基金作为样本池，统计其中位数收益以反映该类基金的整体表现[33] * 具体测试结果取值： * 本周收益中位数：-1.58%[33] * 本年收益中位数：31.00%[34] 2. **灵活配置型基金组合** * 组合构建思路：统计灵活配置型基金的收益中位数[33] * 具体测试结果取值： * 本周收益中位数：-0.61%[33] * 本年收益中位数：23.56%[34] 3. **平衡混合型基金组合** * 组合构建思路：统计平衡混合型基金的收益中位数[33] * 具体测试结果取值： * 本周收益中位数：-0.31%[33] * 本年收益中位数：14.74%[34] 4. **指数增强基金组合** * 组合构建思路：统计指数增强基金相对其业绩比较基准的超额收益中位数[35] * 具体测试结果取值： * 本周超额收益中位数：0.27%[35] * 本年超额收益中位数：3.74%[35] 5. **量化对冲型基金组合** * 组合构建思路：统计量化对冲型基金的收益中位数[35] * 具体测试结果取值： * 本周收益中位数：0.10%[35] * 本年收益中位数：0.76%[35] 6. **普通FOF基金组合** * 组合构建思路：统计普通FOF基金的收益中位数[38] * 具体测试结果取值： * 本周收益中位数：0.44%[38] * 本年收益中位数：未在提供内容中明确列出 7. **目标日期基金组合** * 组合构建思路：统计目标日期基金的收益中位数[38] * 具体测试结果取值： * 本周收益中位数：0.69%[38] * 本年收益中位数：18.44%[38] 8. **目标风险基金组合** * 组合构建思路：统计目标风险基金的收益中位数[38] * 具体测试结果取值： * 本周收益中位数：0.54%[38] * 本年收益中位数：未在提供内容中明确列出 报告还列出了周度及年度业绩排名靠前的单只基金明细（如表9至表14）[52][53][54][55][56][57]，这些是基金产品的业绩展示，而非特定量化模型或因子。

根据提供的金融工程周报内容，该报告主要总结了市场表现和基金产品情况，并未涉及具体的量化模型或量化因子的构建思路、详细过程和评价。报告内容侧重于市场数据回顾、基金业绩统计和产品发行信息[1][2][3]。 因此，本次总结将跳过“量化模型与构建方式”和“量化因子与构建方式”两部分，因为没有相关内容。 以下是报告中涉及的基金产品业绩表现数据总结： 模型的回测效果 （本报告未涉及具体的量化模型） 因子的回测效果 （本报告未涉及具体的量化因子） 基金业绩表现统计 **1. 指数增强基金超额收益（周度）[37]** - 分组指标：Min, 10%, 20%, 30%, 40%, 50%, 60%, 70%, 80%, 90%, Max - 指数增强型基金本周超额收益中位数：0.27% - 指数增强型基金本年超额收益中位数：3.74% **2. 量化对冲型基金收益（周度）[37]** - 分组指标：Min, 10%, 20%, 30%, 40%, 50%, 60%, 70%, 80%, 90%, Max - 量化对冲型基金本周收益中位数：0.10% - 量化对冲型基金本年收益中位数：0.76% **3. 不同类别FOF基金收益（周度及本年）[38]** - 普通FOF基金上周收益中位数：0.44% - 目标日期基金上周收益中位数：0.69% - 目标风险基金上周收益中位数：0.54% - 目标日期基金本年累计收益率中位数：18.44% **4. 普通公募基金业绩（周度前十及年度前三）[52][55]** - 涵盖基金类型包括：货币型、短期纯债、灵活配置型、混合债二级、混合债一级、平衡混合型、另类、偏债混合型、主动权益、中长期纯债等 - 统计指标：本周收益、本年收益 **5. 指数增强基金超额业绩（周度前十及年度前十）[53][56]** - 统计指标：本周超额收益、本年超额收益 **6. 量化对冲基金业绩（周度前十及年度前十）[54][57]** - 统计指标：本周收益、本年收益 （注：具体基金名称及详细数值请参见报告原文中的对应表格[52][53][54][55][56][57]）

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：三维择时框架**[7][11][12] * **模型构建思路**：通过综合评估市场分歧度、流动性和景气度三个维度的状态，对市场整体走势进行判断[7][11][12] * **模型具体构建过程**：模型基于三个核心指标： 1. 市场分歧度指数：衡量市场参与者观点的差异程度[11][16] 2. 市场流动性指数：衡量市场的资金充裕程度[11][18] 3. A股景气度指数2.0：衡量上市公司整体的经营景气状况[11][20] 通过观察这三个指标的趋势和组合状态（例如，流动性下行、分歧度扩大、景气度稳中有升），形成对市场（如震荡下跌）的判断[7][11][12] 2. **模型名称：热点趋势ETF策略**[25][26][27] * **模型构建思路**：结合价格形态、技术指标和市场关注度，筛选出具有短期上涨趋势的ETF构建投资组合[25][28] * **模型具体构建过程**：过程分为三步： 1. **形态筛选**：首先筛选出最高价与最低价同时呈现上涨形态的ETF[25] 2. **构建支撑阻力因子**：基于最高价与最低价近20日的回归系数，构建衡量趋势陡峭程度的支撑阻力因子[25] 3. **关注度筛选与组合构建**：在支撑阻力因子的多头组中，选择近5日换手率与近20日换手率比值最高（即短期关注度提升最明显）的10只ETF，最终采用风险平价方法构建组合[25][29] 3. **模型名称：资金流共振策略**[33][34][36] * **模型构建思路**：结合融资融券资金和主动大单资金两类资金流的动向，选择两类资金共同看好的行业[2][33] * **模型具体构建过程**： 1. **因子构建**： * **行业融资融券资金因子**：计算行业内个股的（融资净买入-融券净卖出）并加总，然后对Barra市值因子进行中性化处理，再取最近50日均值，并计算其两周环比变化率[33] * **行业主动大单资金因子**：计算行业的净流入数据，并对其进行最近一年成交量的时序中性化处理，然后进行排序，最后取最近10日均值[33] 2. **策略规则**：在主动大单因子的头部打分行业内，剔除融资融券因子也处于头部的行业（研究发现融资融券因子多头端在某些市场状态下有负向超额），以提升策略稳定性，并进一步剔除大金融板块[33] 3. **行业推荐**：每周选择经过上述处理后有资金共振效应的行业作为推荐[33][36] 模型的回测效果 1. **资金流共振策略**，年化超额收益13.5%[33]，信息比率(IR)1.7[33]，上周绝对收益0.98%[33]，上周超额收益（相对行业等权）-0.54%[33] 量化因子与构建方式 1. **因子名称：风格因子（Barra系列）**[39][40][43] * **因子构建思路**：采用经典的Barra风险模型框架中的风格因子，从不同维度刻画股票特征[39][40][43] * **因子具体构建过程**：报告提及了多个Barra风格因子，包括： * **规模因子(size)**：进行行业中性化处理[41] * **贝塔因子(beta)**：进行市值、行业中性化处理[41] * **成长因子(growth)**：进行市值、行业中性化处理[41] * 其他因子如动量(momentum)、波动率(volatility)、非线性规模(nlsize)、价值(value)、流动性(liquidity)、盈利收益率(earnings_yield)、杠杆(leverage)等，大部分进行了市值和行业中性化处理[41][43] 2. **因子名称：Alpha因子**[42][44][46] * **因子构建思路**：构建多种基于基本面、分析师预测、市场交易数据的因子，以捕捉超额收益[42][44][46] * **因子具体构建过程**：报告列举了大量具体因子及其计算方法，例如： * **成长类因子**：如每股营业收入同比增长率(yoy_orps)、资产负债率同比变化率(debt_ratio_yoy)、总负债同比增长(tot_liab_yoy)、单季度营业收入同比增速(yoy_or_q)等[42][44] * **动量类因子**：如1年-1个月的收益率(mom_1y_1m)、十二个月残差动量(specific_mom12)等[44] * **盈利质量类因子**：如单季度ROE同比差值(roe_q_delta_report)、单季度ROE(roe_q_report)等[44][46] * **分析师预测类因子**：如(当前一致预测np_FY1-3个月前一致预测np_FY1)/3个月前一致预测np_FY1绝对值(mom3_np_fy1)、评级上下调差/评级上下调和(est_num_diff)等[46] 因子的回测效果 1. **风格因子（最近一周收益）**，规模因子(size)1.57%[39][43]，贝塔因子(beta)1.08%[40][43]，成长因子(growth)0.42%[40][43]，动量因子(momentum)0.39%[43]，波动率因子(volatility)0.20%[43]，非线性规模因子(nlsize)1.31%[43]，价值因子(value)-0.13%[43]，流动性因子(liquidity)0.96%[43]，盈利收益率因子(earnings_yield)-0.67%[43]，杠杆因子(leverage)0.48%[43] 2. **Alpha因子（近一周多头超额收益）**，每股营业收入同比增长率(yoy_orps)2.62%[44]，资产负债率同比变化率(debt_ratio_yoy)2.57%[44]，总负债同比增长(tot_liab_yoy)2.53%[44]，单季度营业收入同比增速(yoy_or_q)2.51%[44]，流动负债同比增长(cur_liab_yoy)2.49%[44]，速动比率同比变化(quick_ratio_yoy)2.25%[44]，营业收入同比增速(yoy_or)2.14%[44]，(当期总资产-去年同期总资产)/去年同期总资产绝对值(yoy_total_assets)2.12%[44]，销售商品提供劳务收到的现金流变化/投入资本(delta_cashflow_goodsales_ic)2.03%[44]，应付账款同比变化(yoy_accpayable)1.94%[44]，1年-1个月的收益率(mom_1y_1m)1.76%[44]，十二个月残差动量(specific_mom12)1.74%[44]，营业利润_TTM/销售费用_TTM(oper_salesexp)1.67%[44]，单季度ROE同比差值(roe_q_delta_report)1.61%[44]，单季度ROE同比差值（考虑快报、预告）(roe_q_delta_adv)1.61%[44]，经营活动现金流入变化/投入资本(delta_cashinflow_ic)1.61%[44]，(净利润ttm-过去八个季度的净利润ttm均值)/过去八个季度的净利润ttm标准差(np_ttm_growth_std)1.61%[44]，流动比率同比变化率(cur_ratio_yoy)1.57%[44]，earnings_fttm 1.56%[44]，单季度每股收益同比增速(yoy_eps_q)1.56%[44] 3. **Alpha因子（在不同宽基指数内的近一周多头超额收益）** * **单季度ROE同比差值（考虑快报、预告）(roe_q_delta_adv)**，在沪深300中8.23%[46]，在中证500中4.55%[46]，在中证1000中9.38%[46]，在国证2000中4.96%[46] * **(当前一致预测np_FY1-3个月前一致预测np_FY1)/3个月前一致预测np_FY1绝对值(mom3_np_fy1)**，在沪深300中7.14%[46]，在中证500中5.60%[46]，在中证1000中9.54%[46]，在国证2000中4.19%[46] * **评级上下调差/评级上下调和(est_num_diff)**，在沪深300中7.73%[46]，在中证500中4.86%[46]，在中证1000中8.72%[46]，在国证2000中4.60%[46] * **(当前一致预测eps_FY1-3个月前一致预测eps_FY1)/3个月前一致预测eps_FY1绝对值(mom3_eps_fy1)**，在沪深300中7.70%[46]，在中证500中4.88%[46]，在中证1000中8.28%[46]，在国证2000中5.18%[46] * **单季度ROE同比差值(roe_q_delta_report)**，在沪深300中7.47%[46]，在中证500中3.84%[46]，在中证1000中8.11%[46]，在国证2000中3.09%[46]