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**：股指分红点位测算模型 - **模型构建思路**：通过精细化处理指数成分股的分红数据，准确预测股指期货合约的升贴水情况，考虑分红对指数点位的影响[12][38] - **模型具体构建过程**： 1. **成分股权重计算**：采用中证指数公司每日披露的日度收盘权重数据，确保权重准确性。若需估算，公式为： $$W_{n,t}={\frac{w_{i0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{n})}}$$ 其中，\(w_{i0}\)为最近公布权重，\(r_{n}\)为个股涨跌幅[44][45] 2. **分红金额预测**： - 若公司已公布分红金额，直接采用；否则通过净利润×股息支付率估算[46] - **净利润预测**：对盈利分布稳定的公司按历史规律预测，不稳定的公司采用上年同期数据[49][51] - **股息支付率预测**：历史股息率均值或截尾处理（>100%时）[50][52] 3. **除息日预测**：基于预案/决案公告日与历史间隔天数的稳定性线性外推，或默认日期（7/8/9月末）[54][55] 4. **分红点数计算**： $$\text{分红点数}=\sum_{n=1}^{N}\left(\frac{\text{成分股分红金额}}{\text{成分股总市值}}\times\text{成分股权重}\times\text{指数收盘价}\right)$$ 要求除息日在当前日期至合约到期日之间[38] - **模型评价**：对上证50和沪深300预测误差约5点，中证500误差约10点，准确性较高[60][62] 2. **模型名称**：股息率计算模型 - **模型构建思路**：统计指数成分股已实现和剩余股息率，反映分红收益[17] - **模型具体构建过程**： - **已实现股息率**： $$\sum_{i=1}^{N_{1}}\left(\frac{\text{个股已分红金额}}{\text{个股总市值}}\times\text{个股权重}\right)$$ - **剩余股息率**：对未分红公司按相同方法计算[17] --- 量化因子与构建方式 1. **因子名称**：年化升贴水因子 - **因子构建思路**：衡量股指期货合约相对指数的升贴水幅度，扣除分红影响后反映市场情绪[12][13] - **因子具体构建过程**： $$\text{年化升贴水}=\left(\frac{\text{含分红价差}}{\text{指数收盘价}}\right)\times\frac{365}{\text{到期天数}}\times100\%$$ 其中含分红价差=合约收盘价-指数收盘价+分红点数[13] 2. **因子名称**：行业股息率因子 - **因子构建思路**：比较各行业已公布分红预案个股的股息率中位数，识别高股息行业[15][16] --- 模型的回测效果 1. **股指分红点位测算模型**： - 上证50预测误差：±5点[60] - 沪深300预测误差：±5点[60] - 中证500预测误差：±10点[60] 2. **股息率计算模型**（截至2025/8/6）： - 上证50已实现股息率：2.13%，剩余股息率：0.10%[17] - 沪深300已实现股息率：1.68%，剩余股息率：0.18%[17] - 中证500已实现股息率：1.14%，剩余股息率：0.08%[17] - 中证1000已实现股息率：0.87%，剩余股息率：0.04%[17] --- 因子的回测效果 1. **年化升贴水因子**（截至2025/8/6）： - IH主力合约年化贴水：-0.93%[13] - IF主力合约年化贴水：-3.52%[13] - IC主力合约年化贴水：-18.10%[13] - IM主力合约年化贴水：-15.40%[13] 2. **行业股息率因子**： - 煤炭、银行、钢铁行业股息率排名前三[15][16]

根据提供的金融工程日报内容，该报告主要聚焦市场表现、情绪指标及资金流向监测，未涉及量化模型或因子构建的具体方法论。以下是可提取的结构化信息： --- **市场情绪指标** 1. **封板率计算** - 构建思路：反映涨停股的封板稳定性[17] - 计算公式： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ - 测试结果：当日封板率73%（较前日下降2%）[17] 2. **连板率计算** - 构建思路：衡量涨停股的持续强度[17] - 计算公式： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ - 测试结果：当日连板率32%（较前日提升9%）[17] --- **资金流向指标** 1. **两融交易活跃度** - 构建思路：通过两融余额占比监测杠杆资金情绪[23] - 计算方式： - 两融余额占流通市值比重=2.3%[23] - 两融交易占成交额比重=10.2%[23] 2. **大宗交易折价率** - 构建思路：反映大资金交易偏好[27] - 计算公式： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ - 测试结果：当日折价率5.55%（近半年均值5.73%）[27] 3. **股指期货年化贴水率** - 构建思路：衡量期货市场对现货的预期[29] - 计算公式： $$年化贴水率=\frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right)$$ - 测试结果： - 中证500贴水率11.57%（37%分位）[29] - 中证1000贴水率11.24%（51%分位）[29] --- **机构行为指标** 1. **龙虎榜机构净流向** - 构建思路：跟踪机构席位资金动向[36] - 测试结果： - 净流入前三：铜陵有色、诚意药业、炬光科技[36] - 净流出前三：西部材料、新恒汇、万里马[36] 2. **陆股通净流向** - 构建思路：监测外资交易情绪[37] - 测试结果： - 净流入前三：成飞集成、东方精工、中大力德[37] - 净流出前三：福日电子、西藏天路、西宁特钢[37] --- **备注** - 报告未提供量化模型或因子评价内容 - 所有指标均为描述性统计结果，未涉及策略回测或因子有效性分析[1][2][3][4]

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. **基金加权净值模型** - 构建思路：通过规模加权计算主动权益基金的收益率并转换为净值，反映市场整体表现[15] - 具体构建过程： 1. 限定基金池为普通股票型、偏股混合型、灵活配置型、平衡混合型四类 2. 以每季度初规模为权重加总计算各类基金收益率 3. 换算为净值形式展示 4. 公式： $$净值 = \sum_{i=1}^{n} (规模_i \times 收益率_i) / \sum_{i=1}^{n} 规模_i$$ - 模型评价：有效反映不同类型基金的市场表现差异 2. **净申购计算模型** - 构建思路：通过剔除自然规模增长影响，计算基金真实资金流入[37] - 具体构建过程： 1. 计算当期基金规模与上期规模的差值 2. 扣除因净值增长带来的规模自然变化 3. 公式： $$净申购 = 当期规模 - 上期规模 \times (1 + 当期涨跌幅)$$ - 模型评价：准确识别基金的主动吸金能力 量化因子与构建方式 1. **行业配置因子** - 构建思路：通过持仓分析捕捉基金行业偏好变化[43] - 具体构建过程： 1. 按长江行业分类统计基金持股 2. 计算被动调仓比例（持仓涨跌影响） 3. 结合整体配置比变动推导主动调仓比例 4. 公式： $$主动调仓比例 = 行业配置比变动 - 被动调仓比例$$ - 因子评价：对重仓行业参考价值较高，小行业误差较大 2. **重仓股集中度因子** - 构建思路：通过TOP3基金公司持仓占比衡量个股机构集中度[49][53] - 具体构建过程： 1. 统计单只个股被公募基金持有的总市值 2. 计算前三大基金公司持仓市值占比 3. 公式： $$集中度 = \frac{\sum_{i=1}^{3} 持仓市值_i}{总持仓市值}$$ - 因子评价：有效识别机构抱团标的 模型的回测效果 1. **基金加权净值模型** - 2025Q2收益率：2.14%（加权） vs 1.85%（中位数）[15] - 超额收益：+0.88% vs 沪深300[24] 2. **净申购计算模型** - Top10基金净申购规模：217.30亿元[39] - 申购方向集中度：医疗保健和化学品占比41.71%[34] 因子的回测效果 1. **行业配置因子** - 电信业务主动加仓：+2.08pct（全市场） vs +2.70pct（非行业主题基金）[46] - 食品饮料主动减仓：-1.32pct（全市场） vs -2.33pct（非行业主题基金）[46] 2. **重仓股集中度因子** - 银行股TOP3集中度：37.32%-49.75%[49] - 电子股TOP3集中度：36.16%-51.58%[61] 注：所有公式参数说明详见原文对应章节，测试结果均基于2025年二季度数据窗口。

根据提供的研报内容，未发现涉及量化模型或量化因子的具体构建方法、公式或测试结果。文档主要包含以下内容： 1 市场数据图表 - 北证50与沪深300指数对比走势图[2] - 北交所与A股各行业当日涨跌幅对比图[5][6] - 北证成交额与换手率变化趋势图[8] - 北证与双创板块估值变化对比图[12] - 北交所公司分行业市盈率情况图[13] 2 个股数据表格 - 涨幅前十股票的市场数据（含市值、财务指标等）[9] - 跌幅前十股票的市场数据（含市值、财务指标等）[10] 3 其他内容 - 分析师信息与免责声明[15][16][17] - 公司评级标准说明[18] - 联系方式等辅助信息[19] 注：文档中未出现需要总结的量化模型或因子相关内容，故无法按照要求格式输出模型/因子总结。所有引用内容均为市场行情数据展示或常规声明信息[1][2][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19]

根据提供的文档内容，未发现涉及量化模型或量化因子的具体构建、测试及评价相关内容。文档主要展示以下市场数据： 1）北证50与沪深300指数涨跌幅对比图表[2] 2）北交所与A股行业涨跌幅对比数据[5][6] 3）北交所成交额与换手率趋势图[8] 4）北交所个股涨跌幅排名及财务数据[9][10] 5）北证与双创板块估值对比[12] 6）北交所分行业市盈率情况[13] 以上内容均为市场行情数据展示，未包含量化模型或因子相关的构建方法、测试指标等核心要素[1][4][7][11][14][15][16][17][18][19]

量化因子与构建方式 1. **因子名称：高维记忆_MEMO因子** - **构建思路**：通过符号处理方法将每笔委托的交易方向转化为数值序列，计算相关系数以刻画订单间的关联性，关联性越强表明机构交易贡献度越高[40] - **具体构建过程**： 1. 提取每笔委托的交易方向（买入/卖出）并编码为数值序列 2. 计算当前订单与后续若干笔订单的相关系数 3. 综合相关系数形成因子值，反映机构交易的持续性特征 - **因子评价**：有效捕捉机构拆单行为，对高质量公司具有显著区分能力[40] 2. **因子名称：强反转_SR因子** - **构建思路**：基于“单笔成交金额越高，反转强度越大”的规律，利用分钟级单笔金额切割日内涨跌幅，强化反转效应[46] - **具体构建过程**： 1. 统计每分钟单笔成交金额及对应涨跌幅 2. 按金额分位数划分区间，计算各区间内的反转强度 3. 加权合成因子值，公式为： $$SR = \sum_{i=1}^{240} w_i \cdot \Delta P_i$$ 其中\(w_i\)为金额区间权重，\(\Delta P_i\)为反转收益[46] - **因子评价**：相比日频反转因子，分钟级切割显著提升预测精度[46] 3. **因子名称：彩票委托_LOTTERY因子** - **构建思路**：捕捉散户在涨停价挂卖单或跌停价挂买单的“彩票博弈”行为，此类委托占比越高则标的未来表现越差[48] - **具体构建过程**： 1. 识别涨停价卖单和跌停价买单的委托量 2. 计算其占总委托量的比例： $$LOTTERY = \frac{V_{\text{extreme}}}{V_{\text{total}}}$$ 其中\(V_{\text{extreme}}\)为极端价位委托量[48] - **因子评价**：有效反映散户主导的交易结构，负向Alpha显著[48] --- 因子的回测效果 1. **高维记忆_MEMO因子** - IC：0.045（2023年以来）[39] - ICIR：2.989[39] - 年化多空收益：29.3%[39] 2. **强反转_SR因子** - IC：-0.043（2023年以来）[39] - ICIR：-2.473[39] - 年化多空收益：19.7%[39] 3. **彩票委托_LOTTERY因子** - IC：-0.054（2023年以来）[39] - ICIR：-2.792[39] - 年化多空收益：32.9%[39] --- 其他微观交易特征指标（附录） 1. **买入高频撤单率_笔数** - IC：0.045[53] - ICIR：2.938[53] - 年化多空收益：24.7%[53] - 多空IR：2.802[53] 2. **单笔金额** - IC：-0.035[53] - ICIR：-2.077[53] - 年化多空收益：21.4%[53] - 多空IR：1.966[53] 3. **上行波动** - IC：-0.059[53] - ICIR：-2.197[53] - 年化多空收益：34.5%[53] - 多空IR：2.342[53] （注：其他指标详见附录表2[53]）

量化模型与构建方式 1. **模型名称**："时钟+拐点改善法"大类资产轮动模型 - **模型构建思路**：结合宏观风险因子（经济增长、通胀、利率等）的状态判断，通过投资时钟规律和相位判断法优化拐点识别，动态调整大类资产配置[8][16][24] - **模型具体构建过程**： 1. **宏观因子状态判断**： - 使用因子动量法：$$M o m e n t u m_{t}=X_{t}-\frac{1}{3}(X_{t-1}+X_{t-2}+X_{t-3})$$，连续两期同向则确认状态[16] - 相位判断法：以38个月周期拟合因子，根据相位区间（上行/下行/顶部/底部）调整状态[21][22] 2. **资产得分计算**：根据投资时钟规则（如复苏期股票得2分，债券得-2分）汇总各资产总得分[14][15] 3. **风险预算调整**：初始风险配比为1:1:1:0.5:0.5（大盘股:小盘股:债券:商品:黄金），每正/负1分则配比翻倍/减半[24] - **模型评价**：融合短期趋势与拐点预判，在收益、风险控制和回撤方面表现优秀[26][27] 2. **因子名称**：宏观风险因子体系（经济增长、通胀、利率、汇率、信用、期限利差） - **因子构建思路**：通过宏观指标或资产组合合成，刻画经济周期不同维度的风险[8] - **因子具体构建过程**： - **经济增长因子**：工业增加值同比、PMI等指标经HP滤波后波动率加权[8] - **利率因子**：中债国债与货币基金指数等权组合的净值同比收益率[8] - **汇率因子**：上海金与伦敦金现多空组合的净值同比收益率，直接标价法下上升代表人民币贬值[8] - **信用因子**：AAA企业债与国债久期中性组合的净值同比收益率，利差走阔代表紧信用[8] 模型的回测效果 1. **"时钟+拐点改善法"模型**： - 年化收益率：9.93%[27] - 年化波动率：6.83%[27] - 夏普比率：1.45[27] - 最大回撤率：6.31%[27] - 胜率：73.08%[27] 量化因子与构建方式 （注：报告中未单独测试因子效果，仅作为模型输入，故无独立回测数据） 关键方法补充 - **投资时钟规则**： - 增长—通胀时钟：复苏期股票/商品得分高，衰退期债券/黄金得分高[9][15] - 利率—信用时钟：紧利率宽信用阶段股票得分高，宽利率阶段债券得分高[10][11][15] - **相位判断法优化**：通过38个月周期拟合减少拐点滞后，提升状态切换准确性[21][22]

量化因子与构建方式 1. **因子名称**：信息分布均匀度UID因子 - **因子构建思路**：基于个股分钟数据，在计算每日高频波动率的基础上构建，旨在改进传统波动率因子，提升选股效果[6] - **因子具体构建过程**： 1. 使用分钟级涨跌幅数据计算每日高频波动率 2. 通过统计换手率分布的均匀性，构造UID因子（具体公式未明确给出，但提及需增加1行代码改进传统因子计算）[6] 3. 剔除市场常用风格和行业干扰，得到纯净UID因子[1] - **因子评价**：选股效果显著优于传统波动率因子，且纯净UID因子仍保持较高选股能力（ICIR达-3.17）[1][6] 因子的回测效果 1. **UID因子（全体A股，2014/01-2025/07）**： - 年化收益率：26.53% - 年化波动率：9.92% - 信息比率（IR）：2.68 - 月度胜率：79.14% - 最大回撤率：6.05%[1][7][10] 2. **UID因子（2025年7月）**： - 多头组合收益率：0.61% - 空头组合收益率：0.44% - 多空对冲收益率：0.17%[10] 其他相关模型或因子 1. **纯真波动率因子**（提及但未详细描述）： - 改进传统波动率因子后信息比率从1.5提升至2.2[6] - 局限性：与传统因子相关性较高，增量信息有限[6]

量化模型与构建方式 1. **模型名称**：REITs随机森林模型 - **模型构建思路**：通过构建多个决策树并集成其预测结果，筛选未来一周涨跌幅最高的REITs基金进行等权配置[7][15][30] - **模型具体构建过程**： 1. **数据准备**：样本内训练区间（2021年7月1日至2024年6月30日），样本外测试区间（2024年7月1日至2025年7月18日），覆盖68只未停牌REITs基金[39] 2. **特征处理**：每周计算因子暴露度并标准化（z-score），缺失值用前值填充[39] 3. **决策树构建**： - 使用信息增益选择最佳特征（如市场情绪、公司财报等），计算公式： $$H(D)=-\sum\nolimits_{i=1}^{m}p_{i}l o g_{2}(p_{i})$$ $$H\left(D|\,\nexists\,\,\nexists_{\mathcal{D}}\,\nexists\,\,\nexists_{\mathcal{D}}^{\pm}\,\nexists_{\mathcal{D}}^{\pm}\right)=\sum_{v\in\left\{\,\nexists\,\,\,\nexists_{\mathcal{D}}^{\pm}\,\setminus\,\mathcal{D}\,\right\}}\frac{|D_{v}|}{|D|}H(D_{v})$$ $$G a i n{\big(}D,{\vec{\mp}}^{\mathrm{\scriptsize{\scriptsize{\it~19}}}}{\vec{\gamma}}_{\vec{19}}^{\mathrm{\scriptsize{\it~18}}}{\vec{\gamma}}_{\vec{24}}^{\mathrm{\scriptsize{\it~18}}}{\vec{\gamma}}_{\vec{39}}^{\mathrm{\scriptsize{\it~18}}}{\vec{\gamma}}_{\vec{19}}^{\mathrm{\scriptsize{\it~18}}}{\vec{\gamma}}_{\vec{24}}^{\mathrm{\scriptsize{\it~18}}}\big)}$$ [20][22][24] - 递归划分数据直至叶节点纯度达标[25][27] 4. **随机森林集成**： - 通过自助采样（bootstrap sampling）生成子数据集，每棵树随机选择特征子集分裂[30][31] - 参数优化：树数量（n_estimators=100）、最大深度（max_depth=15）、叶节点最小样本数（min_samples_leaf=15）[49][51][58] - **模型评价**： - 优点：泛化能力强，可处理高维/缺失数据，提供特征重要性评估[37][66][68] - 缺点：计算成本高，对收益率变化敏感度不足[71] 模型的回测效果 1. **REITs随机森林模型**： - 年化收益率39.76%，超额收益率40.01%，夏普比率2.82[11] - 样本外测试期（2025年）组合收益率73.81%，超额收益率60.49%，IR 6.12[65] - 样本内拟合指标：MSE=0.00044，RMSE=0.021，R²=0.501[59][61] 量化因子与构建方式 1. **因子筛选标准**： - 选取IC绝对值>2.5%的因子，共27个有效因子[44][45] - 关键因子示例： - 正向影响：流通市值（IC=22.02%）、涨跌幅（IC=21.92%）、P/NAV（IC=17.21%）[45] - 负向影响：预期分派率（IC=-23.87%）、开盘价（IC=-10.81%）[45] 因子的回测效果 1. **IC显著因子**： - 前收盘价（IC=-9.95%）、日波动率（IC=4.14%）、净买入量占比（机构，IC=2.54%）[45] 关键图表引用 - 决策树构造示例（图表2）[28] - 随机森林参数敏感性分析（图表5-7）[50][56][57] - 策略净值与超额收益（图表9-10）[65][67]

量化模型与构建方式 1. **模型名称**：宏观因子风险平价模型 - **模型构建思路**：参考Fama-MacBeth方法，通过单变量时序回归计算资产对宏观风险因子的风险载荷，结合半衰期加权平滑载荷波动，最终通过风险平价优化配置底层资产[12][22][23] - **模型具体构建过程**： 1. **数据选择**：宏观因子包括经济增长（工业增加值/消费预测）、利率（国债指数）、通胀（CPI/PPI预测）、信用（企业债指数）等；资产覆盖中证全指、恒生指数、国债、商品等[20] 2. **风险载荷计算**：滚动36个月数据回归资产收益与宏观因子，公式为： $$r_{t}=\alpha_{t}+B\cdot f_{t}+\varepsilon_{t}$$ 其中B为风险载荷矩阵，f为因子收益[23] 3. **风险贡献优化**：基于风险平价目标，要求各宏观因子风险贡献相等，权重计算通过： $$\%\text{RC}\ =(w^{T}\cdot B)_{i}\cdot\frac{\partial\sigma_{P}}{\partial(w^{T}\cdot B)_{i}}/\sigma_{P}$$ 并采用12个月半衰期加权历史载荷[24] - **模型评价**：相比资产风险平价，模型提高了收益和波动弹性，但受资产价格波动滞后影响可能产生误差[37] 2. **模型名称**：股债相关性预测模型 - **模型构建思路**：借鉴AQR方法，将股债相关性拆解为经济增长波动、通胀波动、两者相关性三变量，并加入通胀水平因子提升解释度[42][48] - **模型具体构建过程**： 1. **变量定义**：经济增长波动（工业增加值/消费同比）、通胀波动（CPI/PPI同比）、相关性（3年滚动窗口计算）[48] 2. **回归模型**： $$r_{t}^{s}-E_{t-1}r_{t}^{s}=b_{\bar{\varepsilon}}^{s}e_{t}^{\bar{\varepsilon}}+b_{\bar{\varepsilon}}^{s}e_{t}^{\bar{\varepsilon}}$$ $$r_{t}^{b}-E_{t-1}r_{t}^{b}=b_{g}^{b}e_{t}^{g}+b_{n}^{b}e_{t}^{n}$$ 滞后1个月宏观数据后，解释度仍保持较高水平[53] 3. **预测应用**：滚动3年窗口计算系数，结合一致预测数据生成未来股债相关性方向[54] --- 模型的回测效果 1. **宏观因子风险平价模型** - 年化收益：9.86%（有半衰期） vs 5.93%（资产风险平价）[29] - 年化波动：9.55% vs 2.53%[29] - 最大回撤：-14.30% vs -3.45%[29] - 分年度表现：2016年收益37.24%，2021年14.63%[32] 2. **股债相关性预测模型** - 三变量模型R²：0.610，四变量模型提升至0.767[51] - 经济增长波动系数：-0.0307（显著负贡献）[51] - 通胀波动系数：0.0836（显著正贡献）[51] --- 量化因子与构建方式 1. **因子名称**：经济增长因子 - **构建思路**：通过工业增加值/消费预测等权合成，反映经济周期变化[20] - **具体构建**：月度环比预测值标准化后等权加权[20] 2. **因子名称**：通胀因子 - **构建思路**：结合CPI/PPI预测捕捉价格变动风险[20] - **具体构建**：环比预测值正交化后等权合成[21] 3. **因子名称**：信用因子 - **构建思路**：以企业债指数收益代表信用利差变化[20] - **具体构建**：正交化处理经济增长和利率因子后保留特异性风险[25] --- 因子的回测效果 1. **经济增长因子**：在股债相关性模型中贡献显著负向风险（t=-12.092）[51] 2. **通胀因子**：四变量模型中系数0.0836（t=5.375），且通胀水平因子额外贡献0.0269（t=8.759）[51] 3. **信用因子**：与权益多空因子相关性矩阵显示低相关性（Carry相关性0.2）[41]