根据您提供的研报内容，以下是关于量化模型和因子的总结。报告主要对宽基指数进行多维度跟踪分析，并未涉及传统意义上的预测型量化模型或选股因子，而是包含了一系列用于评估市场状态和指数特征的量化指标。这些指标可被视为用于构建市场监测模型的“因子”。 量化因子与构建方式 1. **因子名称**：指数均线比较因子 **因子构建思路**：通过比较指数价格与不同周期移动平均线的关系，判断当前价格在短期和长期趋势中的相对位置[13] **因子具体构建过程**：计算指数收盘价与MA5、MA10、MA20、MA60、MA120、MA250等移动平均线的差值百分比。公式为： $$ \text{vsMA}_n = \frac{\text{Close} - \text{MA}_n}{\text{MA}_n} \times 100\% $$ 其中，$Close$代表当日指数收盘价，$MA_n$代表n日移动平均线[15] 2. **因子名称**：指数相对高位低位因子 **因子构建思路**：通过计算指数当前价格相对于近期历史高点和低点的位置，衡量市场的超买超卖程度[13] **因子具体构建过程**：选取近250个交易日的最高价和最低价，计算当前收盘价相对于该高点和低点的偏离幅度。公式为： $$ \text{vs近250日高位} = \frac{\text{Close} - \text{High}_{250}}{\text{High}_{250}} \times 100\% $$ $$ \text{vs近250日低位} = \frac{\text{Close} - \text{Low}_{250}}{\text{Low}_{250}} \times 100\% $$ 其中，$High_{250}$和$Low_{250}$分别代表近250交易日的最高价和最低价[15] 3. **因子名称**：交易金额占比因子 **因子构建思路**：计算特定指数成交额在全市场成交额中的占比，反映资金在不同板块间的流向和关注度[18] **因子具体构建过程**：以中证全指的交易金额作为市场总金额基准，计算各宽基指数成分股当日总成交金额与其比值。公式为： $$ \text{交易金额占比} = \frac{\sum \text{指数成分股成交金额}}{\text{中证全指成交金额}} \times 100\% $$ [18] 4. **因子名称**：指数换手率因子 **因子构建思路**：衡量指数整体交易的活跃程度[18] **因子具体构建过程**：采用流通市值加权平均的方式计算指数换手率。公式为： $$ \text{指数换手率} = \frac{\sum (\text{成分股流通股本} \times \text{成分股换手率})}{\sum \text{成分股流通股本}} $$ [18] 5. **因子名称**：收益分布峰度因子 **因子构建思路**：通过计算指数日收益率分布的峰度，衡量收益率分布的尖峰肥尾特性，反映收益的集中程度和极端风险[23][25] **因子具体构建过程**：基于指数日收益率序列，计算其超额峰度（Excess Kurtosis），即计算出的峰度值减去正态分布的峰度值3。报告中显示的是当前峰度与近5年历史峰度的偏离值（当前vs近5年）[25] 6. **因子名称**：收益分布偏度因子 **因子构建思路**：通过计算指数日收益率分布的偏度，衡量收益率分布的不对称性，反映正负极端收益出现的概率差异[23][25] **因子具体构建过程**：基于指数日收益率序列，计算其偏度（Skewness）。报告中同时展示了当前偏度值与近5年历史偏度值的偏离情况（当前vs近5年）[25] 7. **因子名称**：风险溢价因子 **因子构建思路**：计算股票指数收益率与无风险收益率之差，衡量投资股票市场所要求的额外风险补偿[28][30] **因子具体构建过程**：以十年期国债即期收益率作为无风险利率的代理变量，风险溢价为指数收益率减去无风险利率。报告中计算了当前风险溢价在近1年和近5年历史数据中的分位值[30][32] $$ \text{风险溢价} = \text{指数收益率} - \text{无风险利率} $$ 8. **因子名称**：PE-TTM估值因子 **因子构建思路**：使用滚动市盈率（PE-TTM）及其历史分位值来评估指数的估值水平[38][40] **因子具体构建过程**：计算指数的总市值与其成分股最近12个月净利润总和的比值，得到PE-TTM。进一步计算该值在近1年及近5年历史数据中的分位值，以判断当前估值所处的位置[42][43] 9. **因子名称**：股债性价比因子 **因子构建思路**：比较股票市场收益率与债券收益率的相对吸引力，又称FED模型或股息率差模型[45] **因子具体构建过程**：计算股票市场盈利收益率（即PE-TTM的倒数）与十年期国债收益率的差值。公式为： $$ \text{股债性价比} = \frac{1}{\text{PE-TTM}} - \text{十年期国债收益率} $$ 报告中通过该因子的历史分位值（如80%和20%）来判断投资机会与风险[45] 10. **因子名称**：股息率因子 **因子构建思路**：计算指数成分股的现金分红回报率，是价值投资和红利策略的重要参考指标[47][52] **因子具体构建过程**：计算指数成分股最近12个月现金分红总额与指数总市值的比值。公式为： $$ \text{股息率} = \frac{\sum \text{成分股近12个月现金分红}}{\text{指数总市值}} \times 100\% $$ 报告中计算了该因子的当前值及其在近1年和近5年历史中的分位值[52] 11. **因子名称**：破净率因子 **因子构建思路**：计算指数中市净率（PB）小于1的个股占比，反映市场总体的悲观程度和估值洼地情况[54] **因子具体构建过程**：统计指数中所有成分股，计算其中市净率（股价/每股净资产）低于1的股票数量，再计算其占指数总成分股数量的百分比。公式为： $$ \text{破净率} = \frac{\text{市净率} < 1 \text{的成分股数量}}{\text{指数总成分股数量}} \times 100\% $$ [54] 因子的回测效果 报告未提供基于这些因子的量化策略回测结果，如年化收益率、夏普比率、信息比率（IR）或最大回撤等传统回测绩效指标。报告的核心是对各宽基指数在不同因子上的当前状态和历史分位进行静态展示和对比分析[10][15][32][43][52]。

根据提供的研报内容，该报告主要聚焦于资产证券化（ABS）和不动产投资信托基金（REITs）市场的政策动态、发行情况与市场表现，并未涉及具体的量化模型或量化因子的构建、测试与分析。报告内容属于市场综述与数据统计范畴。 因此，本次总结无法提供关于量化模型和因子的名称、构建思路、构建过程、评价及测试结果等相关内容。

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** **模型构建思路**：通过带约束条件的多元回归模型，以基金每日披露的净值序列为因变量，基准或其他资产序列为自变量，估算基金的股票仓位[61] **模型具体构建过程**： - 以基金净值序列作为因变量 - 选择基准指数或其他资产序列（如行业指数、风格指数）作为自变量 - 采用带约束条件的多元回归模型进行拟合，约束条件包括仓位范围（0-100%） - 通过回归系数估算基金在各类资产上的仓位配置 - 进一步分析行业配置动向，计算各行业仓位的相对变化幅度 **模型评价**：该方法能够相对高频地跟踪基金仓位变化，但估算结果与实际仓位可能存在差异[61] 2. **模型名称：REITs系列指数模型** **模型构建思路**：构建综合及细分REITs指数，反映不同底层资产和项目类型的市场表现，提供价格指数和全收益指数[48] **模型具体构建过程**： - 采用分级靠档方法确保指数份额相对稳定 - 当成分名单或调整市值出现非交易因素变动时（如新发、扩募），采用除数修正法保证指数连续性 - 计算价格指数和全收益指数，全收益指数考虑分红再投资 - 细分指数包括底层资产指数（产权类、特许经营权类）和项目类型指数（如能源基础设施、生态环保等） **模型评价**：为投资者提供指数化投资工具，有效衡量REITs市场表现和细分赛道风险收益特征[48] 3. **模型名称：行业主题基金标签模型** **模型构建思路**：通过基金历史持仓信息判断其长期行业主题标签，构建行业主题基金指数[37] **模型具体构建过程**： - 观察基金近四期中报/年报的持仓信息 - 根据持仓行业分布，将基金标签定义为行业主题基金、行业轮动基金或行业均衡基金 - 构建不同主题的基金指数，如新能源、TMT、医药等 - 计算各主题指数的净值涨跌幅和月度收益率 **模型评价**：帮助投资者识别基金风格，支持资产配置和主题投资需求[37] 模型的回测效果 1. **主动偏股基金高频仓位测算模型**，本周仓位相较上周下降0.22pcts[61] 2. **REITs综合指数**，本周收益-1.04%，累计收益-0.98%，年化收益-0.23%，最大回撤-42.67%，夏普比率-0.16，年化波动10.61%[51] 3. **产权类REITs指数**，本周收益-0.99%，累计收益14.93%，年化收益3.31%，最大回撤-46.13%，夏普比率0.14，年化波动13.12%[51] 4. **特许经营权类REITs指数**，本周收益-1.13%，累计收益-17.78%，年化收益-4.48%，最大回撤-40.74%，夏普比率-0.65，年化波动9.20%[51] 5. **新能源主题基金指数**，本周收益3.67%[37] 6. **TMT主题基金指数**，本周收益2.29%[37] 7. **医药主题基金指数**，本周收益-1.59%[37] 量化因子与构建方式 1. **因子名称：行业主题因子** **因子构建思路**：根据基金持仓行业分布，提取行业主题暴露[37] **因子具体构建过程**： - 获取基金中报/年报持仓数据 - 计算持仓中各行业权重 - 根据权重分布判断基金属于新能源、TMT、医药等主题 - 构建主题因子，表征基金对特定行业的暴露程度 **因子评价**：直观反映基金风格，但依赖历史持仓数据，可能滞后于实际变化[37] 2. **因子名称：REITs底层资产因子** **因子构建思路**：根据REITs底层资产类型（产权类 vs. 特许经营权类）构建因子[48] **因子具体构建过程**： - 将REITs按底层资产分为产权类和特许经营权类 - 分别计算两类资产的指数收益 - 构建因子反映两类资产的表现差异 **因子评价**：帮助投资者区分不同风险收益特征的REITs资产[48] 3. **因子名称：ESG主题因子** **因子构建思路**：根据基金投资策略是否涵盖环境、社会、治理因素构建ESG暴露因子[73] **因子具体构建过程**： - 将基金分为ESG主题基金和泛ESG基金 - ESG主题基金使用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 - 构建因子反映基金对ESG因素的暴露程度 **因子评价**：符合可持续发展投资趋势，但ESG定义和评估标准尚未统一[73] 因子的回测效果 1. **行业主题因子**（新能源），本周收益3.67%[37] 2. **行业主题因子**（TMT），本周收益2.29%[37] 3. **行业主题因子**（医药），本周收益-1.59%[37] 4. **REITs底层资产因子**（产权类），本周收益-0.99%，累计收益14.93%，年化收益3.31%，最大回撤-46.13%，夏普比率0.14，年化波动13.12%[51] 5. **REITs底层资产因子**（特许经营权类），本周收益-1.13%，累计收益-17.78%，年化收益-4.48%，最大回撤-40.74%，夏普比率-0.65，年化波动9.20%[51] 6. **ESG主题因子**（主动权益型ESG基金），本周收益中位数1.37%[76] 7. **ESG主题因子**（股票被动指数型ESG基金），本周收益中位数1.03%[76] 8. **ESG主题因子**（债券型ESG基金），本周收益中位数-0.14%[76]

根据提供的研报内容，以下是关于量化模型和因子的总结。报告主要围绕公募基金绿色投资的定性分析，未涉及具体的量化模型或量化因子的构建、测试与回测。报告的核心是使用“绿色收入占比”作为度量指标来分析基金的绿色投资特征。 量化因子与构建方式 1. **因子名称**：绿色收入占比[51] * **因子构建思路**：该因子用于对“绿色”进行可量化的界定，衡量上市公司总收入中，来自能够直接对标政策文件（如《绿色低碳转型产业指导目录（2024年版）》）认定为绿色活动的收入所占比例[51] * **因子具体构建过程**：研究报告使用的绿色收入数据由专业数据供应商生成，生成过程是基于《绿色低碳转型产业指导目录（2024年版）》对上市公司行业收入进行打标签[51]。该指标具体应用于基金分析时，衍生出以下两个核心度量指标： * **加权平均绿色收入比例**：将成分股的“绿色收入占比”与基金池对该股票的持仓权重相乘并加总，衡量基金池在股票投资上的每一元资金平均对应的绿色收入比例[58]。计算公式可表示为： $$ \text{加权平均绿色收入比例} = \sum_{i=1}^{n} (w_i \times \text{GreenRevenueRatio}_i) $$ 其中，$w_i$ 表示基金对股票 $i$ 的持仓权重，$\text{GreenRevenueRatio}_i$ 表示股票 $i$ 的绿色收入占比。 * **基金归属绿色收入总额（单位净值绿色收入贡献）**：以基金池对单只股票的市值持仓占该企业总市值的比例为“归属因子”，将企业的绿色收入“归属”至基金池[58]。计算公式可表示为： $$ \text{单位净值绿色收入贡献} = \frac{\sum_{i=1}^{n} \left( \frac{\text{基金持有股票i市值}}{\text{股票i总市值}} \times \text{股票i绿色收入} \right)}{\text{基金净值}} $$ * **因子评价**：该指标被认为是可测量、可比较、且与政策导向紧密对齐的硬指标，能够直接反映企业参与绿色经济的深度与广度，为检验绿色属性与投资价值的关系提供了坚实基础[51] 模型的回测效果 （报告未涉及量化模型的回测效果） 因子的回测效果 （报告未提供“绿色收入占比”因子在选股或组合构建中的传统量化回测结果，如IC值、IR值、多空收益等。报告主要展示了应用该因子进行描述性统计和分组分析的结果） 1. **绿色收入占比因子的应用分析结果**： * **绿色基金池整体水平**：2025年上半年，绿色基金池的加权平均绿色收入比例为21.22%，单位净值绿色收入贡献约为0.06元[58]。该值显著高于同期沪深300（约10.43%）与中证800（约9.73%）[58] * **绿色主题基金分组表现**：根据“加权平均绿色收入比例”将所有基金由浅绿至深绿分成五组，最深绿组（组5）的行业集中度（赫芬达尔指数）在2024年达到61.39%，远高于最浅绿组（组1）的24.05%，但在2025年上半年出现回落[79][82]。深绿基金（组4、5）的重仓行业从2020年围绕新能源汽车产业链（电力设备、基础化工、有色金属、汽车）转向2025年上半年的“电力设备+公用事业”（组5中两者合计占比85.58%）[83][86][87] * **分组业绩表现**：报告指出，基金组合的绿色成色与其业绩表现（收益、最大回撤、夏普比率）之间，并未呈现稳定、一致的关系[89]。深绿基金的业绩主要受其重仓赛道（如电力设备）的周期性波动驱动，而非“绿色”属性本身[89]

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. 风格拥挤度模型 - **模型名称**：风格拥挤度模型[123] - **模型构建思路**：通过计算各风格指数与市场基准（万得全A）的换手率差异，并标准化后计算历史分位，以衡量风格的交易拥挤程度[123] - **模型具体构建过程**： 1. 计算各风格指数近n个交易日（n=63，即近一个季度）的日均换手率 2. 计算万得全A指数相同时间窗口的日均换手率 3. 将风格指数换手率与万得全A换手率分别进行z-score标准化： $$Z_{style} = \frac{X_{style} - \mu_{style}}{\sigma_{style}}$$ $$Z_{market} = \frac{X_{market} - \mu_{market}}{\sigma_{market}}$$ 4. 计算标准化后的差值：$$Diff = Z_{style} - Z_{market}$$ 5. 计算该差值在滚动y年（y=6）历史窗口内的分位值，得到拥挤度分位数[123] 2. 风格超额净值模型 - **模型名称**：风格超额净值模型[124] - **模型构建思路**：以2016年1月4日为基准，计算各风格指数相对于万得全A的累计超额收益，用于评估风格的相对表现[124] - **模型具体构建过程**： 1. 以2016年1月4日为基准日，计算各风格指数的每日累计净值： $$CN_{style,t} = \frac{P_{style,t}}{P_{style,base}}$$ 2. 计算万得全A指数的每日累计净值： $$CN_{market,t} = \frac{P_{market,t}}{P_{market,base}}$$ 3. 计算风格指数相对于万得全A的累计超额净值： $$Excess_{style,t} = \frac{CN_{style,t}}{CN_{market,t}}$$[124] 3. 机构调研活跃度模型 - **模型名称**：机构调研活跃度模型[125] - **模型构建思路**：通过计算板块/行业/指数的机构调研次数与市场基准的差异，并标准化后计算历史分位，以衡量机构关注度[125] - **模型具体构建过程**： 1. 计算板块（指数、行业）近n个交易日的"日均机构调研次数" 2. 计算万得全A指数相同时间窗口的"日均机构调研次数" 3. 将板块调研次数与市场调研次数分别进行z-score标准化 4. 计算标准化后的差值得到"机构调研活跃度" 5. 计算该活跃度在滚动历史窗口内的分位数： - 长期口径：n=126（近半年），滚动窗口=6年 - 短期口径：n=63（近一季度），滚动窗口=3年[125] 4. 股债性价比模型（ERP模型） - **模型名称**：股债性价比模型（ERP）[74] - **模型构建思路**：通过计算股票市场风险溢价（ERP）来评估股票相对于债券的配置价值[74] - **模型具体构建过程**： 1. 计算指数市盈率倒数：$$\frac{1}{PE_{TTM}}$$ 2. 减去10年期中债国债到期收益率： $$ERP = \frac{1}{PE_{TTM}} - R_{bond}^{10Y}$$[74] 3. 计算ERP在历史时间序列（2010年1月1日至今）的分位值 量化因子与构建方式 1. 动量因子 - **因子名称**：动量因子[27] - **因子构建思路**：以最近一年股票收益率减去最近一个月股票收益率（剔除涨停板）作为动量指标，选择动量特征强的股票[27] - **因子具体构建过程**： 1. 计算每只股票的动量指标：$$Momentum = R_{1Y} - R_{1M}$$ 2. 剔除涨停板股票的影响 3. 选择动量特征强且流动性高的前100只股票构建指数[27] - **因子评价**：能够较好地表征A股市场中最具动量特征的股票的整体走势[27] 2. 反转因子 - **因子名称**：反转因子[28] - **因子构建思路**：以最近一个月股票收益率作为筛选指标，选择反转效应强的股票[28] - **因子具体构建过程**： 1. 计算每只股票的最近一个月收益率 2. 选择反转效应强、流动性较好的前100只股票 3. 采用成分股近三个月日均成交量进行加权构建指数[28] - **因子评价**：旨在准确表征A股市场各阶段高反转特征个股的整体表现[28] 模型的回测效果 1. 风格拥挤度模型 - 成长风格拥挤度：16%（历史极低位置）[36] - 红利风格拥挤度：30%（历史较低位置）[36] - 小盘风格拥挤度：49%（历史均衡位置）[36] - 大盘风格拥挤度：92%（历史极高位置）[36] - 微盘股拥挤度：8%（历史极低位置）[36] - 基金重仓拥挤度：91%（历史极高位置）[36] 2. 风格超额净值表现 - 成长较红利超额：近一周2.6%，近一月8.4%，年初至今29.0%[26] - 小盘较大盘超额：近一周-0.9%，近一月0.5%，年初至今9.5%[26] - 微盘股较基金重仓超额：近一周-1.6%，近一月-1.7%，年初至今30.1%[26] - 动量较反转超额：近一周-0.7%，近一月-5.0%，年初至今22.7%[26] 3. 机构调研活跃度 长期口径（半年度）： - 沪深300：50%（均衡）[107] - 中证500：61%（较高）[107] - 创业板：61%（较高）[107] - 上游周期：96%（极高）[107] - 金融：4%（极低）[107] 短期口径（季度）： - 沪深300：44%（均衡）[107] - 中证500：66%（较高）[107] - 创业板：82%（极高）[107] - 上游周期：88%（极高）[107] - TMT：18%（极低）[107] 4. 股债性价比（ERP） - 万得全A ERP：2.6%，分位46%（均衡）[80] - 沪深300 ERP：5.2%，分位48%（均衡）[80] - 中证500 ERP：1.0%，分位65%（较高）[80] - 创业板 ERP：0.3%，分位84%（极高）[80]

根据提供的金融工程周报内容，该报告主要描述了大类资产和基金市场的表现概况，并未涉及任何量化模型或量化因子的构建、测试与分析。报告内容集中于市场数据统计和业绩回顾[6][11][12][27][32][39][45][46][47][48][53][54][55][57]，未包含模型或因子的构建思路、具体过程、评价及测试结果。 因此，本次总结无相关量化模型或因子内容可提供。

根据提供的研报内容，经过全面梳理，总结如下： 量化模型与构建方式 本报告未详细阐述具体的量化模型或量化因子的构建思路、过程及公式。 模型的回测效果 本报告未提供具体量化模型的回测效果指标取值。 量化因子与构建方式 1. **因子名称**：沪深300质量指数（作为兴证全球沪深300质量ETF的跟踪标的）[11] * **因子的构建思路**：该指数旨在从沪深300指数样本股中，筛选出在盈利能力、盈利稳定性与盈利质量等维度表现较好的公司[11] * **因子具体构建过程**：报告指出，该指数从沪深300样本空间中优选50只股票，具体筛选标准涉及盈利能力、盈利稳定性与盈利质量等多个维度，但未提供详细的因子计算公式和构建步骤[11] 因子的回测效果 本报告未提供沪深300质量指数或其底层因子的具体回测效果指标（如IC值、IR等）[11]

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：A股仓位择时策略**[13][14] * **模型构建思路**：该模型旨在对沪深300ETF进行多头仓位择时，通过特定的信号判断何时持有或调整仓位[13][14] * **模型具体构建过程**：报告展示了策略的历史净值曲线，并与沪深300指数的持有收益进行对比，但未详细说明其具体的信号生成逻辑和构建步骤[13][14] 2. **模型名称：A股多空择时策略**[16] * **模型构建思路**：该模型针对沪深300股指期货，进行多空双向的择时交易，旨在获取超越单纯持有的收益[16] * **模型具体构建过程**：报告展示了策略净值与基准的对比图，但未详细阐述其多空信号的具体生成方法和模型构建过程[16] 3. **模型名称：港股仓位择时策略**[15] * **模型构建思路**：该模型对港股市场进行仓位择时，以优化投资组合在港股市场的风险暴露[15] * **模型具体构建过程**：报告提及了该策略，但未提供其具体的构建过程和信号规则[15] 4. **模型名称：A股小微盘择时策略**[17][18] * **模型构建思路**：该模型专注于A股市场中小市值股票的择时策略[17][18] * **模型具体构建过程**：报告展示了该策略的图表，但未详细说明其针对小微盘股的具体择时方法[17][18] 5. **模型名称：A股红利成长择时策略**[21] * **模型构建思路**：该模型旨在在A股市场的红利风格和成长风格之间进行轮动择时[21] * **模型具体构建过程**：报告展示了策略表现图表，但未详细解释其如何定义和切换红利与成长风格的具体构建流程[21] 6. **模型名称：美股择时策略**[19][23] * **模型构建思路**：该模型对美股市场进行择时，并可能涉及杠杆ETF的使用，策略信号包括做多、做空和持仓[19][23] * **模型具体构建过程**：报告图表显示了“美股2倍开多信号”、“美股做空（空仓）信号”和“美股持仓（反弹）信号”，但未阐明这些信号的具体生成模型和规则[19][23] 7. **模型名称：黄金择时策略**[24][26] * **模型构建思路**：该模型为黄金资产提供择时交易信号[24][26] * **模型具体构建过程**：报告提及了该策略，但未提供其具体的模型构建细节[24][26] 8. **模型名称：ETF组合策略-偏股型**[27] * **模型构建思路**：该模型构建一个偏股型的ETF投资组合[27] * **模型具体构建过程**：报告展示了策略净值，但未说明其ETF选择、权重配置等具体组合构建方法[27] 9. **模型名称：ETF组合策略-偏债型**[29][31] * **模型构建思路**：该模型构建一个偏债型的ETF投资组合[29][31] * **模型具体构建过程**：报告展示了策略净值，但未详细描述其债券ETF的选择和组合管理过程[29][31] 模型的回测效果 报告中的图表展示了各策略的历史净值曲线，并与相应基准进行了对比，但未提供具体的量化指标取值（如年化收益率、夏普比率、最大回撤等）[13][14][16][17][18][21][23][24][26][27][29][31] 量化因子与构建方式 报告中未明确提及或详细描述具体的量化因子构建内容。 因子的回测效果 报告中未提供量化因子的测试结果。

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 1. **因子名称**：PB估值分化度[12] * **因子构建思路**：通过计算截面市净率（PB）的离散程度来衡量市场观点的分歧度，分歧度高时看多市场，反之则需谨慎[12] * **因子具体构建过程**：计算全市场股票的PB中位数（median）以及平均绝对偏差（mad），最终的因子值为mad与median的比值。公式为： $$ \text{PB估值分化度} = \frac{\text{mad}(PB)}{\text{median}(PB)} $$ 当该因子上行时，表明市场观点分歧大，可看多市场；下行时则需谨慎[12] 2. **因子名称**：主题投资交易情绪[13] * **因子构建思路**：通过统计每日涨幅显著的行业数量占比，来逆向衡量市场情绪的集中度与观点分化程度，情绪集中（分化度低）时看空，情绪分散（分化度高）时看多[13] * **因子具体构建过程**：首先，计算当日涨幅超过5%的申万三级行业的数量（Unique Count）。然后，计算该数量占所有申万三级行业总数量的比例。最后，用1减去该比例，得到主题投资交易情绪因子。公式为： $$ \text{主题投资交易情绪} = 1 - \frac{\text{当日涨幅} > 5\% \text{的申万三级行业数量}}{\text{申万三级行业总数量}} $$ 信号构建上，当该因子上行时，表明市场观点分化度下降，需谨慎；下行时，表明观点分化度上行，可看多[13] 因子的回测效果 1. **PB估值分化度因子**，年化收益21.07%[15]，年化超额收益率15.82%[15]，最大回撤34.24%[15]，夏普比率1.0212[15]，收益回撤比0.6154[15]，年化信息比率(IR)0.8186[15]，平均换手间隔（交易日）9[15]，胜率（按交易）56.93%[15]，择时赔率（按交易）1.4422[15] 2. **主题投资交易情绪因子**，年化收益17.21%[15]，年化超额收益率11.96%[15]，最大回撤43.73%[15]，夏普比率0.8585[15]，收益回撤比0.3936[15]，年化信息比率(IR)0.6079[15]，平均换手间隔（交易日）10[15]，胜率（按交易）50.53%[15]，择时赔率（按交易）1.7791[15] 量化模型与构建方式 1. **模型名称**：短期量化择时模型[16][17][18][19] * **模型构建思路**：从宏观基本面、估值面、情绪面、流动性四个维度选取多个指标，通过各指标在历史分位上的表现综合判断，生成看多或看空的择时信号[16][17][18][20] * **模型具体构建过程**： * **基本面**：综合制造业PMI（>50为乐观）、信贷脉冲环比变化分位数（高分位数乐观）、M1同比增速（HP滤波去趋势）分位数（高分位数乐观）三个二级指标的信号，得出基本面总信号[16] * **估值面**：综合A股整体PE分位数（高分位数谨慎）、A股整体PB分位数（高分位数谨慎）两个二级指标的信号，得出估值面总信号[17] * **情绪面**：综合A股整体Beta离散度分位数（高分位数谨慎）、A股整体量能情绪分位数（高分位数乐观）、A股整体波动率分位数（中性）三个二级指标的信号，得出情绪面总信号[17] * **流动性**：综合货币利率指标分位数（低分位数乐观）、汇率预期指标分位数（低分位数乐观）、沪深净融资额5日均值分位数（高分位数谨慎）三个二级指标的信号，得出流动性总信号[18] * 最终的总仓位信号由上述四个维度的总信号综合判断得出[20] 2. **模型名称**：成长价值风格轮动模型[25][26] * **模型构建思路**：从基本面、估值面、情绪面三个维度选取特定指标，判断当前环境下应超配成长风格还是价值风格[25] * **模型具体构建过程**： * **基本面**：综合盈利斜率周期水平（斜率大利好成长）、利率综合周期水平（水平高利好价值）、信贷综合周期变化（走强利好成长）三个二级指标的信号，得出基本面总信号（例如，超配成长或价值）[25] * **估值面**：综合成长价值PE差分位数（低分位数利好成长）、成长价值PB差分位数（低分位数利好成长）两个二级指标的信号，得出估值面总信号[25] * **情绪面**：综合成长价值换手差分位数（低分位数利好价值）、成长价值波动差分位数（高分位数利好均衡）两个二级指标的信号，得出情绪面总信号[25] * 最终结合三个维度的总信号，给出超配成长或超配价值的建议[25] 3. **模型名称**：小盘大盘风格轮动模型[29][30] * **模型构建思路**：基于11个有效指标构建综合信号，判断应超配小盘风格还是大盘风格[29][30] * **模型具体构建过程**：报告提及该模型基于11个指标构建，但未详细列出所有指标的具体构建公式。明确提到的指标包括：主题投资交易情绪[30]、Beta离散度[30]、R007[30]、PB分化度[30]等。模型通过综合这些指标的信号（例如，指标利空小盘或利好大盘），最终生成看多小盘或看多大盘的综合信号[29][30] 模型的回测效果 1. **短期量化择时模型**，年化收益率17.13%[19]，年化波动率14.84%[19]，最大回撤15.49%[19]，夏普比率1.0052[19]，收益回撤比1.1057[19]，月度胜率66.23%[19]，季度胜率61.54%[19]，年度胜率78.57%[19] * **2024年以来表现**：年化收益率34.75%[23]，年化波动率16.88%[23]，最大回撤11.04%[23]，夏普比率1.7345[23]，收益回撤比3.1478[23]，月度胜率77.27%[23] 2. **成长价值风格轮动模型**，年化收益率13.41%[26]，年化波动率20.79%[28]，最大回撤43.07%[28]，夏普比率0.6136[28]，收益回撤比0.3112[28]，月度胜率58.82%[28] * **2025年以来表现**：策略收益率32.00%[26]，基准收益率21.89%[26]，超额收益率10.11%[26] 3. **小盘大盘风格轮动模型**，综合信号年化收益20.49%[33]，年化超额收益率13.34%[33]，最大回撤40.70%[33]，平均换手间隔（交易日）21[33]，胜率（按交易）50.65%[33] * **2025年以来表现**：超额收益率6.60%[30]

经过仔细阅读研报内容，发现该报告主要侧重于市场行情回顾、技术走势分析和行业轮动观察，并未涉及具体的量化模型或量化因子的构建、测试及评价过程[7][10][13][36][45]。报告内容以描述性分析和统计展示为主，不包含模型或因子构建的公式、步骤及回测指标[8][11][47][49]。 因此，根据任务要求，本次总结无相关量化模型或因子内容可进行提取和展示。