根据提供的金融工程周报内容，以下是关于量化模型与因子的总结。 量化因子与构建方式 1. **因子名称：250日新高距离**[11] * **因子构建思路**：该因子用于度量当前股价相对于过去250个交易日最高价的回落幅度，以此判断股票是否处于强势趋势中。其理论基础是研究发现股价接近52周（约250日）最高价的股票未来收益更优[11]。 * **因子具体构建过程**：对于股票在时间点`t`的因子值，计算方式如下： $$250日新高距离 = 1 - \frac{Close_t}{ts\_max(Close, 250)}$$ 其中，`Close_t` 代表股票在时间点`t`的最新收盘价，`ts_max(Close, 250)` 代表过去250个交易日收盘价的最大值。若收盘价创出新高，则因子值为0；若股价自高点回落，则因子值为正，代表回落幅度[11]。 2. **因子名称：平稳创新高股票筛选因子（复合因子）**[24][27] * **因子构建思路**：该复合因子旨在从创250日新高的股票中，进一步筛选出价格路径平滑、趋势稳健的个股。其依据是研究显示平滑价格路径的高动量股收益优于跳跃路径的股票[24]。 * **因子具体构建过程**：该因子通过多个条件对股票进行筛选，具体步骤如下： 1. **初筛股票池**：筛选出过去20个交易日内创出过250日新高的股票[19][27]。 2. **分析师关注度**：过去3个月内，获得“买入”或“增持”评级的分析师研报数量不少于5份[27]。 3. **股价相对强弱**：过去250日涨跌幅位于全市场前20%[27]。 4. **综合平稳性打分**：在满足上述条件的股票池内，使用以下两个指标进行综合打分，并选取排名在前50%的股票[27]： * **价格路径平滑性（股价位移路程比）**：计算公式为 `过去120日涨跌幅的绝对值 / 过去120日日涨跌幅绝对值加总`[24][27]。 * **创新高持续性**：过去120日的250日新高距离在时间序列上的均值[27]。 5. **趋势延续性**：根据过去5日的250日新高距离在时间序列上的均值进行排序，最终选取排名最靠前的50只股票[27]。 因子回测效果 *本报告未提供关于上述因子的具体回测指标（如IC值、IR、多空收益等）的定量测试结果。报告内容主要为特定时点（2025年11月21日）的截面数据展示和股票列表，而非历史回测绩效[31]。* 量化模型与构建方式 *本报告未明确描述一个完整的、可回测的量化选股或配置模型。报告核心是对“250日新高距离”这一因子的应用和基于该因子的复合筛选方法进行市场监测和个股跟踪，并未形成具有明确权重配置和换仓规则的模型框架。* 模型的回测效果 *由于报告未涉及具体的量化模型，因此无模型的回测效果数据。*

根据提供的金融工程周报内容，以下是关于报告中涉及的量化模型与因子的总结。 量化因子与构建方式 1. **因子名称：250日新高距离**[11] * **因子构建思路**：该因子用于衡量当前股价相对于过去250个交易日最高价的回落幅度，其理论基础是研究发现股价接近52周（约250日）最高价的股票未来收益往往更高，体现了动量或趋势跟踪效应[11] * **因子具体构建过程**：对于给定的证券，在时间点`t`，计算其最新收盘价 `Closet` 与过去250个交易日收盘价最大值 `ts_max(Close, 250)` 的比值，然后用1减去该比值。具体公式如下： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，`Closet` 代表最新收盘价，`ts_max(Close, 250)` 代表过去250个交易日收盘价的最大值。当收盘价创出新高时，该因子值为0；当收盘价从高点回落时，该因子为正值，值越大表示回落幅度越大[11] 2. **因子名称：平稳创新高股票筛选因子（复合因子）**[24][27] * **因子构建思路**：该复合因子旨在从创出新高的股票中，进一步筛选出价格路径平稳、趋势延续性好的股票，其理论基础是研究表明遵循平滑价格路径的高动量股收益可能更优[24] * **因子具体构建过程**：该因子并非单一数值，而是一个多步骤的筛选流程，应用于“过去20个交易日创出过250日新高”的股票池[19][27]。 1. **分析师关注度**：筛选过去3个月内获得“买入”或“增持”评级的分析师研报数量不少于5份的股票[27] 2. **股价相对强弱**：筛选过去250日涨跌幅位于全市场前20%的股票[27] 3. **股价平稳性与创新高持续性**：在满足上述条件的股票池内，使用以下两个指标进行综合打分，并选取排名在前50%的股票[27]： * **价格路径平滑性（股价位移路程比）**：该指标用于衡量价格路径的平滑程度，具体计算公式在报告中以图表形式给出，但文本描述为“过去120日涨跌幅的绝对值 / 过去120日日涨跌幅绝对值加总”[24] * **创新高持续性**：使用过去120日内的250日新高距离在时间序列上的均值来衡量[27] 4. **趋势延续性**：最后，根据“过去5日的250日新高距离在时间序列上的均值”进行排序，选取排名靠前的50只股票作为最终的“平稳创新高股票”[27] 模型的回测效果 *报告未提供量化模型的回测效果指标。* 因子的回测效果 *报告未提供单一因子或复合因子的具体回测效果指标（如IC值、IR值、多空收益等），仅展示了基于“平稳创新高股票筛选因子”选出的15只股票列表及其部分特征[31]。*

量化模型与构建方式 1. 中证生物科技主题指数编制模型 - **模型名称**：中证生物科技主题指数[38] - **模型构建思路**：选取涉及基因诊断、生物制药、血液制品及其他人体生物科技的上市公司证券作为指数样本，以反映生物科技类上市公司证券的整体表现[38] - **模型具体构建过程**： 1. **确定样本空间**：同中证全指指数样本空间，满足以下条件的A股和红筹企业发行的存托凭证[38]： - 非ST、*ST证券[38] - 其他证券：上市时间超过一个季度，除非该证券自上市以来日均总市值排在前30位[38] - 科创板证券和北交所证券：上市时间分别超过一年和两年[38] 2. **选样方法**[39]： - 对样本空间内证券按照过去一年的日均成交金额由高到低排名，剔除排名后20%的证券[39] - 对样本空间内剩余证券，选取涉及基因诊断、生物制药、血液制品及其他人体生物科技的相关上市公司作为生物科技主题待选样本[39] - 对待选样本按照过去一年日均总市值由高到低排名，选取排名靠前的不超过50只证券作为指数样本[39] 3. **加权方式**：采用自由流通市值加权方式，并对单个样本股设置10%的权重上限[40] 4. **定期调整**：指数样本每半年调整一次，样本调整实施时间分别为每年6月和12月的第二个星期五的下一个交易日[40] 2. 风格因子暴露分析模型 - **模型名称**：相对风格因子暴露分析模型[48] - **模型构建思路**：分析中证生物科技主题指数相对于中证800指数在主要风格因子上的暴露程度，以了解指数的风格特征[48] - **模型具体构建过程**： - 选取市值、Beta、动量、波动性、非线性市值、价值、流动性、盈利、成长性、杠杆等风格因子[52] - 计算中证生物科技主题指数成分股在这些因子上的暴露度[48] - 与中证800指数的因子暴露进行对比分析[48] - 通过标准化处理得到相对暴露度数值[52] 量化因子与构建方式 1. 市值因子 - **因子构建思路**：衡量成分股的市值规模特征[48] - **因子具体构建过程**：计算指数成分股的平均市值，并与基准指数进行对比[48][52] 2. 流动性因子 - **因子构建思路**：衡量成分股的交易活跃程度[48] - **因子具体构建过程**：基于成交金额、换手率等指标计算流动性得分[48][52] 3. 动量因子 - **因子构建思路**：衡量成分股的价格动量效应[48] - **因子具体构建过程**：计算过去一段时间内的价格收益率作为动量指标[48][52] 4. 估值因子（PE/PB） - **因子构建思路**：衡量指数的估值水平[53] - **因子具体构建过程**： - PE估值：采用TTM市盈率计算方法[54] - PB估值：采用LF市净率计算方法[54] - 计算历史均值和标准差区间进行估值定位分析[54] 5. 盈利预期因子 - **因子构建思路**：基于一致预期分析指数的未来盈利增长潜力[55] - **因子具体构建过程**： - 收集券商对指数成分股的营业收入和归母净利润一致预期[55] - 计算指数整体的预期营收和净利润增速[55] - 分析未来几年的成长性趋势[55] 6. 行业集中度因子 - **因子构建思路**：衡量指数在生物科技细分行业的集中程度[44] - **因子具体构建过程**：计算各中信三级行业的权重分布，分析主要行业的集中度[44][46] 7. 概念暴露因子 - **因子构建思路**：分析指数在各类投资概念上的暴露程度[47] - **因子具体构建过程**：计算指数在行业龙头、民营企业综合、成交主力、双循环、基金重仓、创新药等概念上的权重占比[47][48] 模型的回测效果 1. 中证生物科技主题指数编制模型 - 前十大成分股集中度：55.26%[40] - 成分股数量：50只[40] - 市值分布均衡性：1000亿以上权重35.79%，200-1000亿权重44.24%[41] - 行业集中度：生物医药Ⅲ(42.33%)、医疗服务(20.99%)、化学制剂(17.33%)、医疗器械(11.97%)[44][46] 2. 风格因子暴露分析模型 - 市值因子暴露：显著负向暴露（小市值特征）[48][52] - 流动性因子暴露：正向暴露（高流动性）[48][52] - 动量因子暴露：正向暴露（高动量）[48][52] - 估值因子水平：PE处于历史均值附近，PB处于历史负1倍标准差附近[53][54] 因子的回测效果 1. 盈利预期因子 - 2025年预期营业收入：3701亿元，同比增速6.54%[55] - 2026年预期营业收入：3923亿元，同比增速6.00%[55] - 2027年预期营业收入：4463亿元，同比增速13.76%[55] - 2025年预期归母净利润：613亿元，同比增速52.09%[55] - 2026年预期归母净利润：726亿元，同比增速18.58%[55] - 2027年预期归母净利润：901亿元，同比增速24.11%[55] 2. 概念暴露因子 - 行业龙头概念暴露度：70.56%[48] - 民营企业综合概念暴露度：64.78%[48] - 成交主力概念暴露度：64.58%[48] - 双循环概念暴露度：62.60%[48] - 基金重仓概念暴露度：62.48%[48] - 创新药概念暴露度：62.16%[48] 3. 跟踪误差因子（ETF基金） - 日均跟踪偏离度控制目标：绝对值不超过0.2%[59] - 年跟踪误差控制目标：不超过2%[59]

根据提供的研报内容，该报告主要对A股主要宽基指数进行多维度数据跟踪和统计分析，并未涉及具体的量化投资模型或量化因子的构建、测试与评价。报告内容集中于市场现状描述和指标展示[1][2][3][4][6][8][10][11][12][13][15][16][18][19][20][21][22][23][24][25][27][28][29][31][34][35][37][39][40][41][42][43][45][46][47][48][50][52][53][54][55][56][57][58][59][60][61][62][63]。 因此，本总结中关于“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”部分无相关内容。

根据提供的研报内容，以下是关于量化因子与模型的总结： 量化因子与构建方式 1. **因子名称：RSI相对强弱指标**[2] * **因子构建思路**：通过计算一定周期内价格平均涨幅与平均跌幅的比值，来衡量市场的超买或超卖状态[2] * **因子具体构建过程**：首先计算一定周期（报告中为12天）内价格上涨日的平均涨幅和价格下跌日的平均跌幅，然后计算两者的比值RS，最后通过公式转换为RSI值[2] * **构建公式**： $$RSI = 100 – 100 / (1 + RS)$$[2] 其中，RS为一定周期内平均涨幅与平均跌幅的比值 * **因子评价**：RSI值大于70表示市场可能处于超买状态，小于30表示市场可能处于超卖状态，常用于判断市场短期走势[2] 2. **因子名称：净申购**[2] * **因子构建思路**：通过比较当前交易日基金净值与考虑收益率后的上一交易日净值的变化，来计算资金的净流入或流出情况[2] * **因子具体构建过程**：使用基金净值数据，根据特定公式计算得出当日净申购金额[2] * **构建公式**： $$NETBUY(T) = NAV(T)–NAV(T-1)*（1+R（T））$$[2] 其中，NETBUY(T)为T日净申购金额，NAV(T)为T日基金净值，NAV(T-1)为T-1日基金净值，R(T)为T日基金收益率 3. **因子名称：日内行情趋势**[2] * **因子构建思路**：采用高频数据（如5分钟级别）的日内成交价来描绘当日的价格波动趋势[2] * **因子具体构建过程**：基于日内分时成交数据生成趋势图，图中会标记出当日最高价和最低价等关键点位[2] 因子的回测效果 研报中未提供关于RSI相对强弱指标、净申购、日内行情趋势等因子的具体回测效果指标（如信息比率IR、年化收益率、夏普比率等）的测试结果取值。报告内容主要为ETF的各类指标数据展示，而非因子或模型的绩效回测[4][7]。

根据提供的金融工程日报内容，报告主要描述了市场表现、情绪和资金流向等观察指标，并未涉及具体的量化模型或量化因子的构建、测试与评价。报告内容属于市场数据统计和描述性分析。 因此，本次总结中“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”部分均无相关内容可提供。

根据提供的金融工程点评报告，以下是报告中涉及的量化模型和因子的总结。 量化模型与构建方式 1. **模型名称：行业拥挤度监测模型**[3] * **模型构建思路**：该模型旨在对申万一级行业指数的拥挤度进行每日监测，以识别交易过热或过冷的行业[3] * **模型具体构建过程**：报告未提供该模型的具体构建细节、计算公式或参数说明 2. **模型名称：溢价率 Z-score 模型**[4] * **模型构建思路**：该模型用于搭建ETF产品筛选信号，通过滚动测算ETF的溢价率Z-score，来发现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细节、计算公式或参数说明 模型的回测效果 （报告未提供相关模型的回测效果指标取值） 量化因子与构建方式 （报告未明确提及独立的量化因子及其构建方式） 因子的回测效果 （报告未提供相关因子的回测效果指标取值）

根据提供的研报内容，该报告主要探讨了中美公募基金业绩比较基准的对比分析及发展趋势，并未涉及具体的量化模型或量化因子的构建、测试和评价。报告的核心内容聚焦于基金基准的现状、基金相对基准的跟踪误差分析以及影响偏离幅度的因素探讨[1][2][3]。 因此，本次总结将不包含“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”等部分。

量化模型与构建方式 1. 模型名称：基于因子的灵活非决定性资产配置 (FIFAA) **模型构建思路**：将量化方案的学术性/规范性与主观方案的前瞻性/灵活性进行组合，使用基于历史数据得到的量化结果与主观观点转换成资产-因子暴露的预期结果进行叠加[15] **模型具体构建过程**： 1. **构建宏观因子**：选择低相关、数量有限、经济逻辑清晰的宏观因子，要求具有可投资性/简洁性[15][20]。本文选择"经济增长、利率、通胀"三个因子[20][30]。经济增长因子用万得全A指数代表，利率因子用中债国债总财富指数代表，通胀因子用南华工业品/南华农产品/南华能化/南华黑色指数等权复合代表[20][30] 2. **资产向因子映射（计算历史风险载荷）**：使用岭回归计算每个资产相对于宏观多因子的风险载荷（beta）[32]。岭回归在传统回归中加入了对于系数的二范数的惩罚项，回归形式为： $$y\,=\,X W\,=\,w_{1}x_{1}+\cdots+w_{n}x_{n}$$ 其损失函数为： $$L(w)\,=\,\sum_{i=1}^{n}(y_{i}-\sum w_{j}x_{i j})+\lambda\sum w_{j}^{2}$$ 其中y为资产收益，X为因子收益，w为待求系数，λ为惩罚项系数，本文λ选择1.0[32][34]。使用12个月的日频数据，月度滚动计算[32] 3. **资产向因子映射（计算主观风险载荷）**：将主观观点转化为"资产-因子"数值关系[35]。对于单资产单因子的有偏beta*，有如下关系： $$\beta_{f}^{*}\,=\,(1\quad F_{f})\,{\binom{\beta_{f}}{\beta_{!f}}}$$ 其中Ff为风格f相对于所有其他风格的单因子回归系数向量，βf为资产相对于风格f的多因子回归无偏系数，β!f为资产相对于除f外其他风格的多因子回归无偏系数[35][36]。向量化得到： $$\beta^{*}\,=\,F\beta^{*}$$ 其中F为m*m矩阵，其ij元素为风格i相对于风格j的回归系数，且对角线为1；β为资产相对于所有风格的多因子回归无偏系数[38]。则可推导出基于主观观点的无偏beta估计： $$\beta=F^{-1}\beta^{*}$$ 本文简化处理，利用资产价格走势的相对反转特性，对比资产近期动量变化与对应因子的动量变化来调整风险暴露[40]。具体地，对比资产近两个月的历史12个月涨跌幅变动值与对应因子近两个月的历史12个月涨跌幅变动值大小，当资产变动值大于风格变动值，则beta降低，调整系数设为0.8，反之设为1.2[40]。调整系数矩阵A示例为： | 资产/因子 | 万得全A | 标普500 | 中债国债 | 商品指数复合 | |---|---|---|---|---| | 中证红利全收益 | 0.80 | 0.00 | 0.00 | 0.00 | | 国证成长全收益 | 1.20 | 0.00 | 0.00 | 0.00 | | 国信价值全收益 | 1.20 | 0.00 | 0.00 | 0.00 | | 恒生指数 | 0.80 | 0.00 | 0.00 | 0.00 | | 纳斯达克100 | 0.00 | 1.20 | 0.00 | 0.00 | | 中债新综合 | 0.00 | 0.00 | 0.80 | 0.00 | | 黄金 | 0.00 | 0.00 | 0.00 | 0.80 | [40] 调整后主观风险载荷矩阵计算为： $$\tilde{B}\;=\;(A\cdot B)(F^{-1})^{T}$$ 最终采用历史风险载荷矩阵和主观风险载荷矩阵等权结合[43] 4. **组合优化**：对风格敞口无偏好，优化目标为在风格敞口差异尽量小的条件下最大化预期收益[44]。优化目标和约束条件为： $$m a x(w^{T}r)$$ $$s.\,t.\,w^{T}I\;=\;1$$ $$a b s(w^{T}\beta_{i}-w^{T}\beta_{j})<0.1*m a x(a b s(w^{T}\beta_{i}),a b s(w^{T}\beta_{j}))$$ 其中r为资产预期收益，w为待求最优权重，β为风险载荷[44]。预期收益设置：对于国内权益和港股使用"乐观-中性-悲观"预期三档，中性预期下年化收益设置为10%，当前价格高于历史95%分位数时预期收益为-15%，低于历史5%分位数时预期收益为25%；其他资产使用历史三年年化收益作为预期收益[44] 5. **再平衡**：允许一定程度的因子敞口偏离，以降低调仓频率和费用，本文采用月度再平衡[18][45] **模型评价**：该方法将量化和主观优点结合，提供了新的资产配置思路，即使在模型构建时做了较多简化，优化结果相对于多资产等权提供了更高的收益和风险收益比[2][26] 模型的回测效果 1. FIFAA模型（历史载荷优化组合） 年化收益13.63%，年化波动11.47%，最大回撤-18.97%[49][50] 2. FIFAA模型（调整载荷优化组合） 年化收益15.43%，年化波动16.46%，最大回撤-33.86%[49][50] 3. 资产等权组合（基准） 年化收益10.32%，年化波动11.91%，最大回撤-25.27%[49][50] 4. 不同风险载荷调整系数结果对比 - 系数=0.1：年化收益15.16%，年化波动16.42%，最大回撤-37.50%[57] - 系数=0.2：年化收益15.43%，年化波动16.46%，最大回撤-33.86%[57] - 系数=0.3：年化收益15.29%，年化波动16.29%，最大回撤-32.58%[57] - 系数=0.4：年化收益15.39%，年化波动15.95%，最大回撤-31.50%[57] - 系数=0.5：年化收益15.30%，年化波动15.73%，最大回撤-30.51%[57] 5. 不同预期收益设置结果对比 - 基准组合（历史3年年化收益）：历史载荷组合年化收益13.96%，调整载荷组合年化收益15.00%[69] - 中性预期=5%：历史载荷组合年化收益15.27%，调整载荷组合年化收益15.90%[70] - 中性预期=10%：历史载荷组合年化收益13.63%，调整载荷组合年化收益15.26%[71] - 中性预期=15%：历史载荷组合年化收益13.96%，调整载荷组合年化收益14.93%[72]

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：跨市场权益组合绩效评价模型**[2][12] * **模型构建思路**：为解决A+H等跨市场权益组合的事后绩效归因问题，构建一个能够精细化拆分收益来源（如汇率、市场、行业、风格、选股）的框架[2][12][13] * **模型具体构建过程**：模型构建分为几个关键步骤： * **货币收益处理**：首先将本币计价的组合超额收益拆分为外币计价资产超额收益和货币收益两部分[18][19][20]。本币计价资产收益率近似为：$$R_{t}^{r e f}\approx Q_{t}+R_{t}^{l o c}$$ 其中，\(Q_t\)为汇率变动损益，\(R_{t}^{l o c}\)为外币计价资产收益率。本币超额收益为：$$r_{t}^{r e f}\approx q_{t}+r_{t}^{l o c}$$ 其中，\(q_t\)为货币超额收益，\(r_{t}^{l o c}\)为外币计价资产超额收益[18][19][21] * **单一市场模型整合**：将M个市场的单一模型整合为一个全局模型。股票收益向量表示为：$$\mathbf{r}=\mathbf{X}\mathbf{f}+\mathbf{u}$$ 股票收益的方差协方差矩阵为：$$V a r(\mathbf{r})=\mathbf{X}V a r(\mathbf{f})\mathbf{X}^{\prime}+V a r(\mathbf{u})$$ 其中，残差协方差矩阵为对角阵，因子收益方差协方差矩阵 \(\Omega\) 是一个分块矩阵[23][24] * **结构化风险模型**：为解决直接估计全球因子协方差矩阵维度太高、估计不稳健的问题，引入结构化模型。假设各地区因子收益受全球市场因子影响：$$f_{\mu\alpha}^{M}=\sum_{\alpha}\beta_{\mu\alpha}^{M}F_{\alpha\alpha}+g_{\mu\alpha}^{M}$$ 最终因子收益协方差矩阵表示为：$$\Omega=\beta C o v(\mathbf{F},\mathbf{F})\beta^{\prime}+C o v(\mathbf{g},\mathbf{g})$$ 并通过矩阵 \(\mathbf{R}\) 进行修正，确保与单一市场模型风险矩阵一致：$$\Omega=R\Omega R$$ 其中修正矩阵为：$${\bf R}_{m}=d i a g(\sigma_{m})C o r(\Omega_{m}^{0})^{1/2}C o r(\Omega_{m})^{-1/2}d i a g(\sigma_{m}^{0})^{-1}$$ [28][29][31][32] * **最终模型框架**：跨市场股票收益模型为：$$\begin{array}{l}{{\mathbf{r}=\mathbf{X}\mathbf{f}+\mathbf{u}}}\\ {{C o v(\mathbf{r},\mathbf{r})=\mathbf{X}\mathbf{F}\mathbf{X}^{\prime}+C o v(\mathbf{u},\mathbf{u})}}\end{array}$$ 因子收益进一步由结构化模型表征：$$\mathbf{f}=\mathbf{B}_{w}+\mathbf{q}$$ $$\mathbf{F}=Cov(\mathbf{f},\mathbf{f})=\mathbf{B}\mathbf{B}^{\prime}+Cov(\mathbf{q},\mathbf{q})$$ [34][35] * **模型评价**：该模型旨在满足精细化、全面、灵敏、稳健的绩效评价要求，能够有效处理汇率影响和市场间因子表现差异的问题[13] 量化因子与构建方式 1. **因子类别：风格因子**[14][37] * **因子构建思路**：报告提及的风格因子是用于解释股票收益和进行组合风险收益归因的重要维度，在A股和港股市场分别构建[14][16][37] * **因子具体构建过程**：报告未详细描述每个风格因子的具体计算方法，但明确列出了所关注的风格因子类型。涉及的风格因子包括：**市值、价值、动量、波动率（贝塔）、盈利、成长、分红、流动性（换手）** 等[16][37][42][44] 模型的回测效果 *报告未提供跨市场权益组合绩效评价模型的具体量化回测指标（如年化收益率、夏普比率、最大回撤等）。* 因子的回测效果 *报告未提供前述风格因子（如市值、动量等）的具体IC值、IR值、因子收益率等量化测试结果。报告中的图表（图8，图11）展示的是基于该模型框架对示例组合M进行绩效归因后，各收益来源（如汇率、市场、行业、风格、选股）对组合整体及其A股、港股仓位的具体贡献度数值，而非因子本身的独立表现[3][11][37][47]。*