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、资金流向等市场状况的统计和监测指标，并未涉及具体的量化模型或量化因子的构建、测试和评价。因此，以下部分将不适用。 量化模型与构建方式 （本报告中未涉及具体的量化模型） 模型的回测效果 （本报告中未涉及具体的量化模型及其回测效果） 量化因子与构建方式 （本报告中未涉及具体的量化因子） 因子的回测效果 （本报告中未涉及具体的量化因子及其回测效果） 报告内容主要为市场数据的日常统计与展示[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39]。

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 1. **因子名称：市值因子**[2][16][21][23] * **因子构建思路**：基于宏观数据（如M1、PPI、汇率）和市场表现（如指数相对收益）来判断不同市值风格（小盘、中盘、大盘）的未来表现[2][16][23] * **因子具体构建过程**：研报中未提供该因子的具体计算公式和构建步骤，主要是基于宏观逻辑和市场观察进行定性判断 2. **因子名称：成长因子**[2][21][23] * **因子构建思路**：基于财报窗口期和增量资金流向，判断市场对成长风格的偏好[23] * **因子具体构建过程**：研报中未提供该因子的具体计算公式和构建步骤，主要是基于事件驱动（三季报）和资金流（ETF流入）进行定性判断 3. **因子名称：Beta因子**[2][21] * **因子构建思路**：根据市场表现，识别高弹性股票受青睐的程度[2][21] * **因子具体构建过程**：研报中未提供该因子的具体计算公式和构建步骤，其表现通过观察市场整体风险偏好得出 4. **因子名称：波动率因子**[2][21] * **因子构建思路**：根据市场表现，识别波动率因子表现突出的情况[2][21] * **因子具体构建过程**：研报中未提供该因子的具体计算公式和构建步骤 因子的回测效果 （注：研报中未提供上述因子的具体量化回测指标，如IC值、IR等，仅提供了定性表现描述，因此本部分无具体数值内容）

根据提供的研报内容，以下是关于量化因子和模型的详细总结： 量化因子与构建方式 **1 因子名称：日内高频偏度因子** 因子构建思路：利用股票日内高频收益的分布偏度特征来预测未来收益[11] 因子具体构建过程：计算方式请参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[11] **2 因子名称：日内下行波动占比因子** 因子构建思路：通过分析已实现波动中下行波动的占比来选股[15] 因子具体构建过程：计算方式请参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[15] **3 因子名称：开盘后买入意愿占比因子** 因子构建思路：基于开盘后的交易行为数据度量市场买入意愿[21] 因子具体构建过程：计算方式请参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[21] **4 因子名称：开盘后买入意愿强度因子** 因子构建思路：衡量开盘后买入意愿的强度水平[25] 因子具体构建过程：计算方式请参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[25] **5 因子名称：开盘后大单净买入占比因子** 因子构建思路：分析开盘后大单净买入在总成交中的占比[28] **6 因子名称：开盘后大单净买入强度因子** 因子构建思路：度量开盘后大单净买入的强度[33] **7 因子名称：改进反转因子** 因子构建思路：在传统反转因子基础上进行优化改进[38] **8 因子名称：尾盘成交占比因子** 因子构建思路：利用尾盘成交在总成交中的占比信息[41] **9 因子名称：平均单笔流出金额占比因子** 因子构建思路：分析平均单笔流出金额的占比特征[47] **10 因子名称：大单推动涨幅因子** 因子构建思路：衡量大单交易对股价上涨的推动程度[52] **11 因子名称：改进GRU(50,2)+NN(10)因子** 因子构建思路：基于门控循环单元(GRU)和神经网络(NN)的深度学习模型[56] **12 因子名称：残差注意力LSTM(48,2)+NN(10)因子** 因子构建思路：结合残差注意力机制的长短期记忆网络(LSTM)模型[59] **13 因子名称：多颗粒度模型-5日标签因子** 因子构建思路：基于双向A-GRU训练的多时间颗粒度模型[60] 因子具体构建过程：因子基于双向A-GRU训练得到[60] **14 因子名称：多颗粒度模型-10日标签因子** 因子构建思路：基于双向A-GRU训练的多时间颗粒度模型[61] 因子具体构建过程：因子基于双向A-GRU训练得到[61] 量化模型与构建方式 **1 模型名称：中证500 AI增强宽约束组合** 模型构建思路：基于深度学习因子构建指数增强组合，采用较宽松的风险约束[65] 模型具体构建过程：优化目标为最大化预期收益，目标函数为： $$max\sum\mu_{i}w_{i}$$[66] 其中$w_i$为组合中股票i的权重，$\mu_i$为股票i的预期超额收益[66] **2 模型名称：中证500 AI增强严约束组合** 模型构建思路：基于深度学习因子构建指数增强组合，采用较严格的风险约束[65] 模型具体构建过程：优化目标为最大化预期收益，目标函数为： $$max\sum\mu_{i}w_{i}$$[66] **3 模型名称：中证1000 AI增强宽约束组合** 模型构建思路：基于深度学习因子构建指数增强组合，采用较宽松的风险约束[65] 模型具体构建过程：优化目标为最大化预期收益，目标函数为： $$max\sum\mu_{i}w_{i}$$[66] **4 模型名称：中证1000 AI增强严约束组合** 模型构建思路：基于深度学习因子构建指数增强组合，采用较严格的风险约束[65] 模型具体构建过程：优化目标为最大化预期收益，目标函数为： $$max\sum\mu_{i}w_{i}$$[66] 因子的回测效果 **1 日内高频偏度因子**：历史IC 0.027，2025年IC 0.043，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.329，9月多空收益4.61%，2025YTD多空收益17.00%，2025年月胜率6/9，9月多头超额2.15%，2025YTD多头超额5.55%，2025年多头月胜率5/9[8] **2 日内下行波动占比因子**：历史IC 0.025，2025年IC 0.037，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.326，9月多空收益3.44%，2025YTD多空收益14.16%，2025年月胜率7/9，9月多头超额0.72%，2025YTD多头超额1.58%，2025年多头月胜率5/9[8] **3 开盘后买入意愿占比因子**：历史IC 0.031，2025年IC 0.030，历史e^(-rank mae) 0.322，2025年e^(-rank mae) 0.324，9月多空收益0.45%，2025YTD多空收益10.17%，2025年月胜率6/9，9月多头超额0.30%，2025YTD多头超额3.83%，2025年多头月胜率7/9[8] **4 开盘后买入意愿强度因子**：历史IC 0.035，2025年IC 0.030，历史e^(-rank mae) 0.326，2025年e^(-rank mae) 0.329，9月多空收益0.49%，2025YTD多空收益11.13%，2025年月胜率7/9，9月多头超额0.68%，2025YTD多头超额4.60%，2025年多头月胜率6/9[8] **5 开盘后大单净买入占比因子**：历史IC 0.041，2025年IC 0.036，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.324，9月多空收益2.09%，2025YTD多空收益16.20%，2025年月胜率8/9，9月多头超额0.58%，2025YTD多头超额8.16%，2025年多头月胜率8/9[8] **6 开盘后大单净买入强度因子**：历史IC 0.033，2025年IC 0.028，历史e^(-rank mae) 0.323，2025年e^(-rank mae) 0.322，9月多空收益1.59%，2025YTD多空收益12.01%，2025年月胜率8/9，9月多头超额1.21%，2025YTD多头超额6.55%，2025年多头月胜率8/9[8] **7 改进反转因子**：历史IC 0.032，2025年IC 0.016，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.331，9月多空收益-0.74%，2025YTD多空收益4.14%，2025年月胜率5/9，9月多头超额-0.17%，2025YTD多头超额4.07%，2025年多头月胜率6/9[8] **8 尾盘成交占比因子**：历史IC 0.049，2025年IC 0.032，历史e^(-rank mae) 0.332，2025年e^(-rank mae) 0.323，9月多空收益3.11%，2025YTD多空收益15.09%，2025年月胜率7/9，9月多头超额1.03%，2025YTD多头超额6.55%，2025年多头月胜率6/9[8] **9 平均单笔流出金额占比因子**：历史IC 0.020，2025年IC 0.009，历史e^(-rank mae) 0.317，2025年e^(-rank mae) 0.319，9月多空收益-0.86%，2025YTD多空收益3.22%，2025年月胜率5/9，9月多头超额0.56%，2025YTD多头超额3.43%，2025年多头月胜率7/9[8] **10 大单推动涨幅因子**：历史IC 0.016，2025年IC 0.011，历史e^(-rank mae) 0.322，2025年e^(-rank mae) 0.327，9月多空收益2.62%，2025YTD多空收益7.76%，2025年月胜率7/9，9月多头超额1.48%，2025YTD多头超额3.63%，2025年多头月胜率6/9[8] 模型的回测效果 **1 中证500 AI增强宽约束组合**：上周超额收益-0.99%，9月超额收益-4.80%，2025YTD超额收益-0.06%，2025年周胜率23/40[11] **2 中证500 AI增强严约束组合**：上周超额收益-1.00%，9月超额收益-2.32%，2025YTD超额收益2.66%，2025年周胜率24/40[11] **3 中证1000 AI增强宽约束组合**：上周超额收益-1.48%，9月超额收益-1.06%，2025YTD超额收益7.53%，2025年周胜率26/40[11] **4 中证1000 AI增强严约束组合**：上周超额收益-0.79%，9月超额收益-0.12%，2025YTD超额收益13.11%，2025年周胜率25/40[11]

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：逆周期配置模型**[7] * **模型构建思路**：从逆周期视角出发，采用信用利差和期限利差作为代理变量，预测未来的宏观环境（经济增长和通货膨胀变化方向），并根据不同的宏观环境阶段（Growth, Inflation, Slowdown）选择表现最优的资产构建绝对收益组合[7] * **模型具体构建过程**： 1. 使用信用利差预测下个季度的经济增长变化方向[7] 2. 使用期限利差预测下个季度的通货膨胀变化方向[7] 3. 根据信用利差和期限利差的信号组合，将宏观环境划分为 Growth、Inflation、Slowdown 三种阶段[7] 4. 在不同宏观环境下，超配、低配或维持基准配置于特定资产（如沪深300、国证2000、南华商品指数、中债国债总财富指数）[7][8]例如，Inflation环境下维持股票基准配置比例（沪深300，20%），并配置30%的南华商品[8] 2. **模型名称：宏观动量模型**[9][13][14] * **模型构建思路**：通过综合评估经济增长、通货膨胀、汇率、利率、风险情绪等多个大类因子下的具体指标（小类因子）的最新变化，对股票、债券、黄金等大类资产在未来一个月的表现进行择时判断，生成正向或负向信号[9][10][13][14] * **模型具体构建过程**： 1. 为每类资产（如Wind全A、中债国债总净价指数、黄金）设定一组相关的大类因子和小类因子[10][13][14] 2. 每个小类因子有其预设的“影响方向”（1或-1，代表因子值上升对资产价格的正面或负面影响）[10][13] 3. 判断每个小类因子的“最新变化”（1代表上升，-1代表下降，0代表无明显变化）[10][13] 4. 将“影响方向”与“最新变化”相乘，得到每个小类因子的“分项信号”（1, 0, 或 -1）[10][13] 5. 将同一大类因子下所有小类因子的“分项信号”进行汇总（具体汇总方法未明确给出，但结果为大类因子的汇总信号，如1或-1）[10][13] 6. 将所有大类因子的汇总信号再次汇总，得到该资产的“总信号”（1为正向，-1为负向）[10][13] 3. **因子名称：行业复合趋势因子**[14][16][17] * **因子构建思路**：从行业维度构建一个复合指标，作为观察市场整体行情启动的信号，当因子绝对值超过一定水平时，预示市场后续可能上涨；当因子在顶部位置突降时，则可能触发空仓信号[14] * **因子具体构建过程**：报告中指出详细计算方法请参考对应专题报告，因此具体构建过程未在此月报中详细列出[14] 模型的回测效果 1. **逆周期配置模型**：以股债20-80为基准，展示了截至2025年09月30日的累计净值走势图[11] 2. **行业复合趋势因子组合**：在2015年1月至2025年9月期间，累积收益为122.66%，超额收益为48.42%[17] 量化因子与构建方式 1. **因子名称：经济增长因子（用于宏观动量模型）**[10][13] * **因子构建思路**：通过PMI、PMI预期误差、工业增加值误差、标普全球中国通用制造业PMI等具体指标的变化来判断经济增长动量，进而影响资产价格[10][13] * **因子具体构建过程**：作为宏观动量模型的一部分，其信号生成过程遵循模型整体规则，即（影响方向 × 最新变化）[10][13] 2. **因子名称：通货膨胀因子（用于宏观动量模型）**[10][13] * **因子构建思路**：通过PPI当月同比、PPI预期误差、CRB指数、CPI当月同比等具体指标的变化来判断通货膨胀动量，进而影响资产价格[10][13] * **因子具体构建过程**：作为宏观动量模型的一部分，其信号生成过程遵循模型整体规则，即（影响方向 × 最新变化）[10][13] 3. **因子名称：汇率因子（用于宏观动量模型）**[10][13] * **因子构建思路**：通过CFETS人民币汇率指数、美元中间价等具体指标的变化来判断汇率动量，进而影响资产价格[10][13] * **因子具体构建过程**：作为宏观动量模型的一部分，其信号生成过程遵循模型整体规则，即（影响方向 × 最新变化）[10][13] 4. **因子名称：利率因子（用于宏观动量模型）**[10][13] * **因子构建思路**：通过不同期限的中债国债、国开债、企业债到期收益率等具体指标的变化来判断利率动量，进而影响资产价格[10][13] * **因子具体构建过程**：作为宏观动量模型的一部分，其信号生成过程遵循模型整体规则，即（影响方向 × 最新变化）[10][13] 5. **因子名称：风险情绪因子（用于宏观动量模型）**[10][13] * **因子构建思路**：通过Wind全A前一个月收益率、Wind全A前一个月波动率（滚动6个月）变化等具体指标来判断市场风险情绪，进而影响资产价格[10][13] * **因子具体构建过程**：作为宏观动量模型的一部分，其信号生成过程遵循模型整体规则，即（影响方向 × 最新变化）[10][13] 6. **因子名称：基本面因子（用于黄金择时）**[14] * **因子构建思路**：通过预期通胀、实际利率、全球负收益债规模、美国M2等具体指标来判断黄金的基本面情况[14] * **因子具体构建过程**：具体信号生成方法未明确给出，但直接给出了分项信号（1或-1）[14] 7. **因子名称：持仓因子（用于黄金择时）**[14] * **因子构建思路**：通过CFTC掉期商持仓、CFTC管理基金持仓等具体指标来判断市场参与者持仓变化[14] * **因子具体构建过程**：具体信号生成方法未明确给出，但直接给出了分项信号（1或-1）[14] 8. **因子名称：技术因子（用于黄金择时）**[14] * **因子构建思路**：通过伦敦金10月均线、伦敦金20月均线等具体技术指标来判断黄金价格趋势[14] * **因子具体构建过程**：具体信号生成方法未明确给出，但直接给出了分项信号（1或-1）[14] 因子的回测效果 1. **行业复合趋势因子**：根据2025年9月底数据，因子值为-0.30[17]上月（2025年9月）因子发出正向信号，同期Wind全A收益率为2.80%[17]

根据提供的研报内容，这是一份可转债市场跟踪报告，主要对市场行情、个券表现和条款进行统计描述，并未涉及具体的量化模型或量化因子的构建、测试与评价。报告内容集中于市场数据的展示和总结[1][2][4][7][17][32][42]。 因此，本总结中“量化模型与构建方式”及“量化因子与构建方式”部分无相关内容。 **模型的回测效果** （无相关内容） **因子的回测效果** （无相关内容）

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. **因子名称：Barra CNE5 风格因子**[36][38] * **因子构建思路**：采用行业标准的Barra CNE5模型定义的风格因子，用于分析基金的投资风格偏好，通过计算基金持仓在这些因子上的暴露度来刻画其风格特征[36][38] * **因子具体构建过程**：模型共定义了10个风格因子，每个因子的具体构建定义如下[38]： * **Beta（贝塔）**：定义为股票超额收益与市场收益的回归系数，代表对市场收益的敏感度 * **Momentum（动量）**：定义为Relative Strength，即股票的相对强弱，代表动量效应 * **Size（市值）**：定义为股票市值的对数，代表大盘风格 * **Earnings Yield（盈利）**：定义为Earnings-to-Price，即市盈率的倒数，代表盈利性 * **Residual Volatility（残差波动率）**：定义为日收益标准差、历史标准差等，代表波动性 * **Growth（成长）**：定义为盈利增长率、销售收入增长率等，代表成长性 * **BP（B/P）**：定义为Book-to-Price，即市净率的倒数，代表价值风格 * **Leverage（杠杆）**：定义为财务杠杆率，代表财务杠杆水平 * **Liquidity（流动性）**：定义为换手率，代表流动性水平 * **Non-linear Size（非线性市值）**：定义为股票市值的立方，用于捕捉中盘股效应 模型的回测效果 1. **华商鑫安基金风格暴露**，Beta因子暴露较高[39]，动量因子暴露高于基准[39]，成长因子暴露较高[39]，流动性因子暴露较高[39]，非线性市值因子暴露较高[39]，市值因子暴露低于基准[39]，盈利因子暴露低于基准[39]，B/P因子暴露低于基准[39]，杠杆因子暴露低于基准[39] 2. **华商双驱优选基金风格暴露**，风格暴露特征与华商鑫安类似，相对其基准（沪深300）也呈现出市值偏小、成长属性更强的特点[41] 因子的回测效果 1. **Barra CNE5风格因子**，应用于基金风格分析显示基金经理投资框架成熟稳定，因子暴露波动较小[39]，基金呈现稳定的中盘成长风格[39]

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：券商金股组合模型**[13][18] * **模型构建思路**：基于全市场券商每月发布的“十大金股”推荐，通过汇总分析师的集体智慧来构建投资组合[12] * **模型具体构建过程**： * **数据准备**：每月初统计全市场多家券商（如41家）发布的十大金股，并对所有金股进行去重处理，得到最终的股票池（如287只）[13] * **组合分类**：根据股票是否在上月也被推荐，将金股池进一步划分为“新进金股”和“重复金股”两个子组合[13] * **权重设置**：在每个组合（全部金股、新进金股、重复金股）内部，按照各家券商的推荐次数对个股进行加权，以反映市场共识强度[18] * **组合构建**：分别构建全部金股组合、新进金股组合和重复金股组合，并进行绩效回顾[18] 2. **模型名称：开源金工优选金股组合模型**[23] * **模型构建思路**：在“新进金股”样本池的基础上，引入业绩超预期因子（SUE因子）进行二次筛选，以构建表现更优的投资组合[23] * **模型具体构建过程**： * **样本选择**：首先确定当月的“新进金股”作为初始股票池[23] * **因子筛选**：在“新进金股”池中，计算每只股票的业绩超预期因子（SUE因子）值[23] * **个股选择**：根据SUE因子值进行排序，选择排名前30位的金股[23] * **权重设置**：对最终选出的30只金股，按照券商的推荐家数进行加权，构建最终的“优选金股组合”[23] 量化因子与构建方式 1. **因子名称：业绩超预期因子（SUE因子）**[23] * **因子构建思路**：该因子用于识别上市公司实际盈利情况超出市场普遍预期的程度，通常这类股票后续有更好的价格表现[23] * **因子具体构建过程**：报告中提到该因子在新进金股组合中具有优异的选股能力，并用于优选金股组合的构建，但未提供具体的计算公式和构建细节[23] * **因子评价**：报告指出，该因子在“新进金股”组合中表现出优异的选股能力[23] 模型的回测效果 1. **券商金股组合模型**[21][26] * 9月收益率：3.1%[21] * 2025年收益率：39.2%[21] * 年化收益率：14.1%[21] * 年化波动率：23.6%[21] * 收益波动比：0.60[21] * 最大回撤：42.6%[21] 2. **新进金股组合**[21][26] * 9月收益率：2.2%[21] * 2025年收益率：41.6%[21] * 年化收益率：16.7%[21] * 年化波动率：24.2%[21] * 收益波动比：0.69[21] * 最大回撤：38.5%[21] 3. **重复金股组合**[21][26] * 9月收益率：3.9%[21] * 2025年收益率：38.0%[21] * 年化收益率：11.9%[21] * 年化波动率：23.8%[21] * 收益波动比：0.50[21] * 最大回撤：45.0%[21] 4. **开源金工优选金股组合模型**[23][26] * 9月收益率：3.4%[23][26] * 2025年收益率：42.3%[23][26] * 年化收益率：22.6%[26] * 年化波动率：25.5%[26] * 收益波动比：0.89[26] * 最大回撤：24.6%[26] * 2025年相对中证500超额收益：+12.8%[23]

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：港股多维定量择时模型**[24] * **模型构建思路**：从基本面、流动性、资金面、情绪面、估值五大维度筛选有效指标，构建复合打分模型以判断恒生指数的买卖时机[24] * **模型具体构建过程**： 1. 选取三个有效单因子信号：OECD中国经济领先指标、恒指期权认沽认购比（PCR）、外资净买入金额[24] 2. 每个指标独立给出恒生指数的看多或看空信号[24] 3. 将各期信号取均值作为最终的复合打分[24] 4. 设定交易规则：当复合打分 > 0.5 时，买入恒生指数；否则空仓[24] 2. **模型名称：港股多维定量选股模型**[5][19] * **模型构建思路**：系统梳理和测试价量、现金流、质量成长、股东回报等多类选股因子的有效性，并结合“真外资”持仓和分析师目标价进行综合筛选，以构建港股优选组合[5][19] * **模型具体构建过程**： 1. 识别有效选股因子：近12月年化波动率（低波动）、全部资产现金回收率、股东回报（股息率+回购比率）、ROE波动率和roe_ttm同比等[5][19] 2. 结合“真外资”持仓数据进行分析[5][19] 3. 结合分析师目标价进行进一步筛选[5][19] 4. 最终形成“港股主动金股组合”和“港股定量优选30组合”[5][19][22][23] 量化因子与构建方式 1. **因子名称：卖空成交占比**[2][3][18][43] * **因子构建思路**：通过计算卖空成交金额占总成交金额的比例，来衡量市场的悲观情绪或对冲压力[2][3][18][43] * **因子具体构建过程**：报告中未给出具体计算公式，但提及该数据已飙升至17.78%的高位[2][3][18][43] 2. **因子名称：恒指期权认沽认购比（PCR）**[24][42] * **因子构建思路**：通过计算恒生指数看跌期权成交量与看涨期权成交量的比率，来反映期权市场投资者的情绪[24][42] * **因子具体构建过程**：报告给出了PCR的定义公式： $$PCR = \frac{\text{恒生指数看跌期权成交量}}{\text{恒生指数看涨期权成交量}}$$[42] 3. **因子名称：OECD中国经济领先指标**[24][26] * **因子构建思路**：利用OECD发布的中国经济领先指标作为宏观基本面代理变量，因其与港股上市公司基本面高度相关[24][26] * **因子具体构建过程**：直接使用OECD发布的数据。交易信号规则为：当OECD指标环比上行时，发出看多信号；指标走平或下行时，发出空仓信号[24][26] 4. **因子名称：外资净买入金额**[24][46] * **因子构建思路**：追踪注册地在中国大陆与香港之外的基金（定义为外资）对香港权益市场的净买入情况，作为资金面的观察指标[24][46] * **因子具体构建过程**：使用EPFR提供的全球基金资金流动数据，计算外资的净买入金额[46] 5. **因子名称：南向资金净买入**[3][4][46][47] * **因子构建思路**：跟踪内地通过港股通渠道净流入香港市场的资金，作为反映境内投资者对港股边际配置态度的重要指标[3][4][46][47] * **因子具体构建过程**：报告中未给出具体计算公式，但提及了近期净买入数据和重点增持的行业及个股[3][4][46][47] 6. **因子名称：近12月年化波动率**[5][19] * **因子构建思路**：衡量股票在过去一年内的价格波动风险，低波动因子在港股市场长期有效[5][19] * **因子具体构建过程**：报告中未给出具体计算公式 7. **因子名称：全部资产现金回收率**[5][19] * **因子构建思路**：评估公司全部资产产生现金的能力，是有效的现金流类因子[5][19] * **因子具体构建过程**：报告中未给出具体计算公式 8. **因子名称：股东回报（股息率+回购比率）**[5][19] * **因子构建思路**：综合衡量公司通过股息和股票回购回报股东的水平，该因子在港股市场长期有效[5][19] * **因子具体构建过程**：报告中未给出具体计算公式，但指明该因子由股息率与回购比率相加构成[5][19] 9. **因子名称：ROE波动率**[5][19] * **因子构建思路**：衡量公司净资产收益率（ROE）的稳定性，波动率低可能代表盈利质量更高[5][19] * **因子具体构建过程**：报告中未给出具体计算公式 10. **因子名称：roe_ttm同比**[5][19] * **因子构建思路**：计算滚动净资产收益率（ROE TTM）的同比增长率，作为成长性因子[5][19] * **因子具体构建过程**：报告中未给出具体计算公式 11. **因子名称：AH股溢价指数**[49][50] * **因子构建思路**：追踪同时在A股和H股上市的股票之间的价差，溢价指数高位回落可能预示港股相对A股有超额收益机会[49][50][51] * **因子具体构建过程**：指数根据成份股的A股及H股的流通市值，计算出A股相对H股的加权平均溢价[49] 模型的回测效果 1. **港股主动金股组合**[5][19] * 自2024年11月样本外以来，绝对收益高达+107.51%[5][19] * 相较恒生指数的超额收益为+74.83%[5][19] 2. **港股定量优选30组合**[5][19] * 自2024年11月初至今，绝对收益为+41.43%[5][19] * 相较港股高股息指数的超额收益为26.95%[5][19] 因子的回测效果 （报告中未提供单个因子的独立回测指标数据，如IC、IR等）

根据研报内容，以下是关于量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：打新收益测算模型**[41] * **模型构建思路**：该模型旨在测算不同规模、不同类型的投资账户参与网下新股申购所能获得的收益率[41] * **模型具体构建过程**：模型的核心是计算单只新股对单个账户的贡献收益，并加总得到特定时间段内的总收益[41] * 单账户个股打新收益计算公式为： $$单账户个股打新收益 = min（账户规模，申购上限） * 中签率 * 收益率$$[41] * 其中： * `min（账户规模，申购上限）` 表示账户在该只新股上的有效申购金额[41] * `中签率` 采用个股网下打新的实际中签结果，区分A类（公募基金、社保基金等）和C类（私募基金、其他）投资者[41] * `收益率` 的计算方式根据新股上市板块有所不同： * 对于科创板、创业板及全面注册制下的主板新股，使用上市首日成交均价相对于发行价的涨跌幅[41] * 对于非注册制下的主板新股，采用开板当日成交均价相对于发行价的涨跌幅；若统计区间内新股尚未开板，则使用动态12个月内主板上市个股开板实现收益率的均值作为替代[41] * 总收益为统计区间内所有新股打新收益的加总，并除以账户规模得到打新收益率[41][42][48] * **模型评价**：该模型是打新市场分析中广泛使用的标准测算框架，能够较为直观地反映不同条件下的打新收益潜力[41] 2. **模型名称：打满收益测算模型**[41] * **模型构建思路**：该模型测算在顶格申购（即申购金额达到新股规定的申购上限）且全部中签的理想情况下，投资者可获得的绝对收益[41][51] * **模型具体构建过程**：模型计算公式为： $$A/B/C类投资者打满收益 = 申购上限 * A/B/C类网下中签率 * 收益率$$[41] * 公式中各参数含义与“打新收益测算模型”一致[41] * **模型评价**：该模型用于衡量单只新股的收益上限，为投资者评估新股吸引力提供参考[41][51] 3. **因子名称：基金打新参与度**[57] * **因子构建思路**：衡量公募基金产品参与网下新股询价的积极程度[57] * **因子具体构建过程**：因子计算公式为： $$参与度 = 参与报价新股数 / 网下询价发行新股总数$$[57] 4. **因子名称：基金报价入围率**[57] * **因子构建思路**：衡量公募基金产品新股报价的有效性，即报价位于发行价格区间内从而获得配售资格的比例[57] * **因子具体构建过程**：因子计算公式为： $$报价入围率 = 有效报价个数 / 参与报价新股数$$[57] 模型的回测效果 1. **打新收益测算模型（2025年9月，5亿规模账户）**[42][48] * A类投资者主板打新收益率：0.026%[42] * C类投资者主板打新收益率：0.025%[42] * A类投资者创业板打新收益率：0.125%[42] * C类投资者创业板打新收益率：0.103%[42] * A类投资者全市场（主板+创业板）打新收益率：0.151%[48] * C类投资者全市场（主板+创业板）打新收益率：0.129%[48] 2. **打新收益测算模型（2025年累计，5亿规模账户）**[43][46][48][50] * A类投资者全市场累计打新收益率：1.285%[48] * C类投资者全市场累计打新收益率：1.164%[50] 3. **打满收益测算模型（2025年9月）**[43][46][51] * A类投资者主板打满收益：13.26万元[43] * C类投资者主板打满收益：12.73万元[43] * A类投资者创业板打满收益：87.69万元[46] * C类投资者创业板打满收益：72.70万元[46] 因子的回测效果 1. **基金打新参与度与报价入围率（2025年9月，筛选条件：参与度>=90%，入围率>=85%，规模2-5亿）**[57][58] * 代表性基金（如稀土ETF易方达）参与度：100.0%[58] * 代表性基金（如稀土ETF易方达）报价入围率：100.0%[58] * 代表性基金（如稀土ETF易方达）估算打新收益率：0.404%[58] 2. **机构打新参与度与报价入围率（2025年9月，TOP机构）**[60][61] * 代表性机构（如易方达基金）参与度：100.0%[61] * 代表性机构（如易方达基金）报价入围率：100.0%[61] * 代表性机构（如易方达基金）估算打新收益：1.33亿元[61]

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：券商金股业绩增强组合**[39][43] * **模型构建思路**：该模型以券商金股股票池为选股空间，旨在通过多因子优选的方式，构建一个能够稳定战胜偏股混合型基金指数的投资组合[12][43] * **模型具体构建过程**：模型构建过程主要参考国信金工团队于2022年2月18日发布的专题报告《券商金股全解析——数据、建模与实践》[12][39]具体构建方法包括：以券商金股股票池为选股空间和约束基准；采用组合优化的方式控制组合与券商金股股票池在个股、风格上的偏离；以全体公募基金的行业分布为行业配置基准[43] 模型的回测效果 1. **券商金股业绩增强组合**[44][47] * 全样本年化收益（考虑仓位）：19.34%[47] * 相对偏股混合型基金指数年化超额收益：14.38%[47] * 在主动股基中排名分位点（2018-2025年每年）：均排在前30%水平[44] * 本月（2025年9月）绝对收益：-0.55%[5][42] * 本月相对偏股混合型基金指数超额收益：-3.50%[5][42] * 本年（2025年初至9月30日）绝对收益：33.26%[5][42] * 本年相对偏股混合型基金指数超额收益：1.19%[5][42] * 今年以来在主动股基中排名分位点：43.07%（1494/3469）[5][42] 量化因子与构建方式 1. **因子名称：日内收益率**[3][28] * **因子评价**：最近一个月在券商金股股票池中表现较好[3][28] 2. **因子名称：BP（账面市值比）**[3][28] * **因子评价**：最近一个月在券商金股股票池中表现较好，但今年以来表现较差[3][28] 3. **因子名称：波动率**[3][28] * **因子评价**：最近一个月在券商金股股票池中表现较好，但今年以来表现较差[3][28] 4. **因子名称：总市值**[3][28] * **因子评价**：最近一个月在券商金股股票池中表现较差，但今年以来表现较好[3][28] 5. **因子名称：SUE（标准未预期盈余）**[3][28] * **因子评价**：最近一个月在券商金股股票池中表现较差[3][28] 6. **因子名称：单季度超预期幅度**[3][28] * **因子评价**：最近一个月在券商金股股票池中表现较差[3][28] 7. **因子名称：单季度营收增速**[3][28] * **因子评价**：今年以来在券商金股股票池中表现较好[3][28] 8. **因子名称：分析师净上调幅度**[3][28] * **因子评价**：今年以来在券商金股股票池中表现较好[3][28] 9. **因子名称：预期股息率**[3][28] * **因子评价**：今年以来在券商金股股票池中表现较差[3][28] 因子的回测效果 （报告中未提供具体因子分组的量化指标值，如IC、IR等多空收益等，仅提供了定性表现评论，因此本部分略）