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**：价值50组合 - **构建思路**：基于价值风格因子筛选股票，追求高beta弹性和长期稳健超额收益[7] - **具体构建过程**： 1. 以国证价值指数为基准，选取估值（如PE、PB）、股息率等价值因子 2. 通过因子加权（如等权或优化权重）构建组合 3. 定期调仓以维持风格暴露[7] 2. **模型名称**：价值均衡50组合 - **构建思路**：在价值因子的基础上加入风险控制，降低组合波动[7] - **具体构建过程**： 1. 与价值50组合同源因子，但引入行业中性化或波动率约束 2. 通过风险模型（如Barra）优化权重[7] 3. **模型名称**：成长50组合 - **构建思路**：聚焦营收增长、盈利增长等成长因子[7] - **具体构建过程**： 1. 以国证成长指数为基准，选取ROE、净利润增长率等指标 2. 因子标准化后加权合成[7] 4. **模型名称**：成长均衡50组合 - **构建思路**：平衡成长因子与风险因子，避免风格漂移[7] - **具体构建过程**：类似价值均衡组合，加入成长因子与风险优化[7] 5. **模型名称**：小盘50组合 - **构建思路**：捕捉小市值股票的溢价效应[7] - **具体构建过程**： 1. 以国证2000指数为基准，筛选市值最小的50只股票 2. 结合流动性因子（如换手率）剔除极端样本[7] 6. **模型名称**：小盘均衡50组合 - **构建思路**：在小盘因子的基础上控制组合换手和行业偏离[7] - **具体构建过程**：引入换手率阈值和行业中性化处理[7] --- 模型的回测效果 1. **价值50组合**： - 周收益率：-2.12%（超额-0.41%）[8] - 年收益率：12.44%（超额8.78%）[8] - 最大相对回撤：2.35%[8] 2. **价值均衡50组合**： - 周收益率：-0.46%（超额1.26%）[8] - 年收益率：10.16%（超额6.50%）[8] - 最大相对回撤：3.99%[8] 3. **成长50组合**： - 周收益率：-1.48%（超额0.68%）[8] - 年收益率：4.50%（超额2.38%）[8] - 最大相对回撤：3.61%[8] 4. **成长均衡50组合**： - 周收益率：-1.64%（超额0.53%）[8] - 年收益率：8.71%（超额6.59%）[8] - 最大相对回撤：6.11%[8] 5. **小盘50组合**： - 周收益率：1.25%（超额1.43%）[8] - 年收益率：36.52%（超额19.90%）[8] - 最大相对回撤：6.23%[8] 6. **小盘均衡50组合**： - 周收益率：-1.09%（超额-0.90%）[8] - 年收益率：26.60%（超额9.98%）[8] - 最大相对回撤：4.56%[8] --- 量化因子与构建方式 （报告中未明确提及单因子构建细节，仅描述复合模型） --- 因子的回测效果 （报告中未提供单因子测试结果） --- 注：所有模型均基于国证风格指数基准，超额收益为相对基准表现[7][8]

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **行业轮动型投顾模型** - 模型构建思路：通过动态调整行业配置来捕捉市场轮动机会，重点增配医药、顺周期和科技行业，减配消费类行业[13][37] - 模型具体构建过程： 1. 行业配置调整：每月统计股债混合型和股票型投顾产品的行业持仓变化，计算增/减配比例（如医药生物+0.47%、有色金属+0.31%）[37][38] 2. 风格配置调整：监控红利基金、微盘股配置比例变化（如红利基金比例从5.45%增至5.51%）[41][42] 3. 板块轮动信号：基于港股、科创板等热门板块的超额收益右侧配置（港股配置比例从9.54%增至9.61%）[47][48] - 模型评价：策略具有明显的右侧交易特征，对市场热点反应灵敏[13][48] 2. **久期调整模型（债券类投顾）** - 模型构建思路：通过调整债券久期和底层资产比例应对利率波动，增强组合进攻性[28][31] - 模型具体构建过程： 1. 久期计算：采用加权平均期限法，纯债型投顾久期增加0.10年，固收+型增加0.05年[31][32] 2. 资产置换规则： - 纯债型：货币市场基金（-1.14%）→ 中长期纯债（+1.11%）+ 美债（+0.66%）[28][29] - 固收+型：短期纯债（-2.19%）→ 混合债券型二级（+2.51%）[29][30] - 模型评价：有效捕捉利率债交易性机会，但需警惕流动性风险[28][32] 量化因子与构建方式 1. **行业动量因子** - 因子构建思路：捕捉行业短期超额收益动量[37][38] - 因子具体构建过程： $$ \text{行业动量得分} = \frac{\text{行业近1月收益率}}{\text{沪深300近1月收益率}} $$ 应用案例：7月增配医药生物（超额收益显著）、减配食品饮料（超额收益回落）[38][39] 2. **微盘股暴露因子** - 因子构建思路：衡量组合对小市值股票的风险敞口[43][44] - 因子具体构建过程： 1. 计算持仓中中证2000成分股市值占比 2. 监控调仓变化（7月微盘股比例从5.49%→5.58%）[43][44] 模型的回测效果 1. **行业轮动型投顾模型** - 7月绝对收益：5.85%（vs 沪深300超额显著）[13][17] - 近1年收益率：领先同业约25%-30%[17][18] 2. **久期调整模型** - 纯债型投顾7月收益：0.13%（较基准+0.10%）[3][31] - 固收+型投顾Calmar比率：1.36-1.98（风险调整收益优异）[23][30] 因子的回测效果 1. **行业动量因子** - 7月增配行业平均收益：医药生物（+3.9%）、有色金属（+2.5%）[38][49] - 减配行业平均收益：食品饮料（-1.2%）[38][39] 2. **微盘股暴露因子** - 7月微盘股组合收益：跑赢小盘股0.5%[43][44] 注：所有数据截至2025年7月31日[3][13][31]

量化模型与构建方式 1. **模型名称：A股赔率模型** - 模型构建思路：基于ERP（股权风险溢价）和DRP（债务风险溢价）的标准化数值等权计算A股赔率，用于衡量市场安全边际[7] - 模型具体构建过程： 1. 计算ERP和DRP的原始值 2. 对两者进行标准化处理（Z-score） 3. 等权加权求和得到综合赔率指标 $$ \text{赔率} = \frac{\text{ERP}_{标准化} + \text{DRP}_{标准化}}{2} $$ 截至7月底，赔率指标为0.9倍标准差[7][8] 2. **模型名称：A股胜率评分卡模型** - 模型构建思路：通过货币、信用、增长、通胀与海外五因子合成宏观胜率评分，预测资产未来表现[9] - 模型具体构建过程： 1. 选取五类宏观因子（如PMI、信贷数据等） 2. 对各因子进行标准化和方向调整（如增长因子负向影响胜率） 3. 加权合成综合胜率指标 当前A股胜率因PMI下滑回落至0轴附近[9][11] 3. **模型名称：A股拥挤度模型** - 模型构建思路：结合成交热度和行业分歧度（长期指标）与期权CPR（短期指标）刻画市场交易过热风险[12] - 模型具体构建过程： 1. 长期拥挤度：成交热度（换手率） + 行业分歧度（横截面波动） 2. 短期拥挤度：期权认购认沽成交比率（CPR） 3. 分别标准化后输出信号 当前长期/短期拥挤度分别为1.0和1.1倍标准差[12][14][15] 4. **模型名称：债券赔率模型** - 模型构建思路：基于长短债预期收益差构建债券估值指标[21] - 模型具体构建过程： 1. 计算长债（10年期）与短债（2年期）预期收益差 2. 标准化处理并反向调整（赔率越低表示估值风险越高） 当前债券赔率为-1.4倍标准差[19][21] 5. **模型名称：美联储流动性指数模型** - 模型构建思路：结合数量维度（如资产负债表规模）和价格维度（如利率）构建流动性指标[22] - 模型具体构建过程： 1. 选取净流动性、信用支持等子指标 2. 标准化后加权合成综合指数 当前指数位于20%中高水平[25][26] 6. **模型名称：行业轮动三标尺模型** - 模型构建思路：通过景气度、趋势、拥挤度三维框架筛选行业[43] - 模型具体构建过程： 1. 景气度：过去12个月行业IR（信息比率） 2. 趋势：动量指标 3. 拥挤度：换手率比率+波动率比率+Beta比率 2025年策略超额收益8.5%[44][45] --- 量化因子与构建方式 1. **因子名称：价值因子** - 因子构建思路：通过估值指标（如PB、股息率）筛选低估值股票[27] - 因子评价：当前呈现"中高赔率-中等趋势-低拥挤"特征，综合得分最高[27][28] 2. **因子名称：质量因子** - 因子构建思路：基于ROE、盈利稳定性等财务指标构建[29] - 因子评价：高赔率（1.7倍标准差）但趋势弱（-1.4倍标准差），需等待右侧确认[29][30] 3. **因子名称：成长因子** - 因子构建思路：结合营收/净利润增长率等指标[32] - 因子评价：高赔率（0.9倍标准差）但拥挤度中等（0.1倍标准差），建议标配[33][34] 4. **因子名称：小盘因子** - 因子构建思路：按市值分组捕捉小盘股超额收益[35] - 因子评价：低赔率（-0.7倍标准差）+高拥挤（0.6倍标准差），风险较高[36][37] --- 模型的回测效果 1. **赔率+胜率策略** - 年化收益：7.0%（2011年以来）、7.6%（2014年以来）[48][54] - 最大回撤：2.8%（2011年以来）[54] - 夏普比率：2.86（2011年以来）[56] 2. **行业轮动策略** - 信息比率（IR）：1.18（2011年以来）[44] - 最大回撤：25.4%（2011年以来）[44] 3. **债券赔率模型** - 当前赔率：-1.4倍标准差[19] 4. **A股拥挤度模型** - 长期拥挤度：1.0倍标准差[14] - 短期拥挤度：1.1倍标准差[15] --- 因子的回测效果 1. **价值因子** - 赔率：0.3倍标准差[28] - 拥挤度：-1.3倍标准差[28] 2. **质量因子** - 赔率：1.7倍标准差[30] - 趋势：-1.4倍标准差[30] 3. **小盘因子** - 趋势：1.6倍标准差[36] - 拥挤度：0.6倍标准差[36]

根据提供的金融工程日报内容，该报告主要聚焦市场表现与资金流向监测，未涉及量化模型或因子构建相关内容。以下是可提取的核心市场监测指标： 市场情绪指标 1 封板率构建方式：统计最高价涨停且收盘涨停股票数占最高价涨停股票总数的比例[16] 计算公式：$$封板率=\frac{最高价涨停且收盘涨停股票数}{最高价涨停股票数}$$[16] 2 连板率构建方式：统计连续两日收盘涨停股票数占昨日收盘涨停股票数的比例[16] 计算公式：$$连板率=\frac{连续两日收盘涨停股票数}{昨日收盘涨停股票数}$$[16] 资金流向指标 1 大宗交易折价率：计算大宗交易总成交金额与当日成交份额总市值的偏离度[25] 计算公式：$$折价率=\frac{大宗交易总成交金额}{当日成交份额总市值}-1$$[25] 2 股指期货年化贴水率：计算基差相对指数价格的年化比率[27] 计算公式：$$年化贴水率=\frac{基差}{指数价格}×\frac{250}{合约剩余交易日数}$$[27] 指标表现数据 1 封板率：当日78%（较前日+20%）[16] 2 连板率：当日29%（较前日+4%）[16] 3 大宗交易折价率：当日4.31%（半年均值5.77%）[25] 4 股指期货年化贴水率： - 上证50：+0.27%（61%分位）[27] - 沪深300：-3.23%（45%分位）[27] - 中证500：-10.89%（40%分位）[27] - 中证1000：-10.59%（56%分位）[27] 注：报告中未包含传统意义上的量化因子或模型构建内容，主要为市场监测类指标的计算与展示[1][2][3][4][5]

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**：战略与战术资产配置模型 - **模型构建思路**：通过战略配置确定长期资产比例，战术配置根据市场环境动态调整[35] - **模型具体构建过程**： 1. **战略配置**：基于风险预算框架，设定权益、债券等大类资产的长期配置比例 2. **战术配置**：结合宏观经济（货币政策、财政政策）、技术指标（资金流向、价格趋势）、市场情绪（交易数据、波动率）三类因子构建综合评分模型，动态调整资产权重[35] 3. **风险控制**：每日跟踪组合表现，定期压力测试，确保组合风险与目标偏差最小化[39] 2. **模型名称**：子基金筛选模型 - **模型构建思路**：通过定量与定性结合的方法优选子基金[36] - **模型具体构建过程**： 1. **定量筛选**： - 业绩分析：计算夏普比率、卡玛比等指标 - 持仓分析：评估基金风格稳定性 - 风险控制能力：最大回撤、波动率等 2. **定性调研**：通过基金经理访谈评估投资理念与盈利模式[38] --- 量化因子与构建方式 1. **因子名称**：宏观经济因子 - **因子构建思路**：反映宏观经济对资产配置的影响[35] - **因子具体构建过程**： - 选取货币政策（如利率变化）、财政政策（如赤字率）、工业生产（如PMI）等指标 - 标准化后加权综合评分： $$ \text{MacroScore} = w_1 \cdot \text{Policy} + w_2 \cdot \text{Growth} + w_3 \cdot \text{Inflation} $$ 2. **因子名称**：市场情绪因子 - **因子构建思路**：捕捉市场短期情绪波动[35] - **因子具体构建过程**： - 使用交易量、换手率、隐含波动率（如VIX）等数据 - 标准化后合成情绪指数： $$ \text{SentimentIndex} = \frac{\text{Volume}_t}{\text{Volume}_{MA20}} + \lambda \cdot \text{VIX}_t $$ 3. **因子名称**：技术指标因子 - **因子构建思路**：识别资产价格趋势与资金流向[35] - **因子具体构建过程**： - 计算动量指标（如12个月收益率）、波动率（如20日标准差） - 资金流向通过主力资金净流入数据构建 --- 模型的回测效果 1. **战略与战术资产配置模型**： - 年化收益率：5.13% - 最大回撤：0.88% - 夏普比率：2.94 - 卡玛比：5.81[43] 2. **子基金筛选模型**： - 前十大重仓基金占比：94.33%（市值）、85.60%（净值）[52] --- 因子的回测效果 1. **宏观经济因子**： - 在2024年利率下行期有效降低债券久期风险[51] 2. **市场情绪因子**： - 在2024年10月权益高波动阶段触发权益止盈信号[49] 3. **技术指标因子**： - 2025年二季度增配A股科技板块时提供正向动量信号[50] --- 其他关键指标 - **基金业绩**：任意时点买入持有3个月正收益概率100%，最低收益率0.43%，最高2.58%[45] - **资产配置比例**：固收类93.15%（2024年年报），权益类6.35%[51] 注：研报未提供部分因子的具体公式或独立测试结果，故未列出。

根据研报内容，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**：DecompGRU模型 - **模型构建思路**：基于趋势分解的时序+截面端到端模型，通过改进GRU基线模型实现时序和截面信息交互[8] - **模型具体构建过程**： 1. 使用两个去均值模块处理时序和截面数据 2. 基于IC和加权MSE损失函数分别训练两个子模型（DecompGRU_IC、DecompGRU_MSE）[14] 3. 输出个股得分并构建组合： - 选股范围：中证全指 - 调仓频率：周频（每周首个交易日调仓） - 组合构建：等权持有得分TOP200股票，剔除涨跌停/停牌股[8] - **模型评价**：通过分解模块增强模型对市场趋势的捕捉能力，实现端到端预测[14] 2. **ETF轮动模型** - **构建思路**：将DecompGRU个股得分聚合至行业/主题ETF[10] - **具体构建**： 1. ETF池筛选标准： - 行业/主题型ETF - 5日成交额均值>2000万，20日日均成交额>1000万 - 同指数ETF保留成交额最大者 2. 持仓规则：每期持有3-6只ETF，周度不定期调仓[10] --- 量化因子与构建方式 1. **情绪热度因子** - **构建思路**：通过同花顺用户行为数据（浏览/自选/点击）构建市场情绪代理指标[18] - **具体构建**： 1. 个股热度计算： $$总热度 = \frac{浏览+自选+点击次数}{全市场总和} \times 10000$$ 取值区间[0,10000][18] 2. 聚合方法： - 宽基热度：按成分股分组（沪深300/中证500/中证1000/中证2000/其他）求和[19] - 行业热度：按申万一级/二级行业分组求和[30] - 概念热度：按概念成分股分组求和[39] - **因子评价**：有效捕捉市场有限注意力导致的定价偏差[17] 2. **热度变化率因子** - **构建过程**： 1. 计算周度热度变化率： $$\Delta H_t = \frac{H_t - H_{t-1}}{H_{t-1}}$$ 2. 取MA2平滑处理[22] 3. 应用场景： - 宽基轮动：买入变化率最大的宽基（排除"其他"组）[24] - 概念组合：筛选变化率TOP5概念中的低热度个股[42] 3. **估值分位数因子** - **构建方法**： 1. 计算滚动5年PE/PB历史分位数[50] 2. 行业分位数回溯至2015年[53] 3. 输出： - 宽基分位数（沪深300/中证500/中证1000）[52] - 申万一级/二级行业分位数[54] --- 模型回测效果 | 模型/组合 | 累计收益 | 超额收益 | 最大回撤 | 周胜率 | 月胜率 | 测试周期 | |---------------------|----------|----------|----------|--------|--------|----------------| | DecompGRU TOP200 | 24.54% | 9.80% | 10.08% | 72.22% | 100% | 2025/3/31-8/1 [10] | | ETF轮动组合 | 12.97% | 8.65% | 6.16% | 68.42% | 75% | 2025/3/18-8/1 [12] | | 宽基热度轮动策略 | 18.8%* | 1.7%* | 23.5% | - | - | 2017-2025 [27] | | 概念BOTTOM组合 | 27%** | - | 28.89% | - | - | 2025年内 [44] | （*相对宽基等权基准 **年化15.71%） --- 因子回测效果 1. **宽基热度变化率**（2025/8/1）： - 中证500：+10.21% - 中证2000：-6.02% [29] 2. **行业热度变化率**（2025/8/1）： - 正向TOP5：建筑材料(+83.5%)、建筑装饰、社会服务、钢铁、食品饮料 - 负向TOP5：公用事业(-32.5%)、轻工制造、纺织服饰、汽车、房地产 [38] 3. **估值分位数**： - 宽基：中证500(95%) > 中证1000(84%) > 沪深300(70%) [52] - 一级行业高估：电力设备/计算机/银行(>80%) - 一级行业低估：农林牧渔/家电(<20%) [53]

量化模型与构建方式 1. **模型名称：素镜科技财报辩伪模型** - 模型构建思路：通过分析企业财报中的异常行为（如虚构收入、虚增利润等）来量化造假程度并打分[20] - 模型具体构建过程： - 捕捉六类异常行为：虚构/虚增收入、虚增利润、虚增资产、掩盖负债、资金占用转移、利益输送 - 对每种异常行为设置权重并计算综合得分，分数越高表示造假风险越高[20] - 阈值设定：得分≥70为高风险公司[24] - 模型评价：对ST事件具有较高召回率，但覆盖范围较广（约40%市场股票）[39] 2. **模型名称：素镜科技企业画像模型** - 模型构建思路：通过量化企业经营状况（如违约风险、运营健康度）生成综合评分[20] - 模型具体构建过程： - 整合财务与非财务指标（如现金流、负债率、诉讼事件等） - 设置阈值：得分<-15为高风险公司[24] - 模型评价：分类效果优于财报辩伪模型，尤其在年报后预测阶段[28][39] 3. **模型名称：Cox比例风险回归模型（生存分析）** - 模型构建思路：将上市公司风险公告事件作为协变量，预测ST概率[45][46] - 模型具体构建过程： - 定义生存时间：从上市到被ST的时间间隔[44] - 选取协变量：交易所函件（关注函、问询函等）、股权风险事件（拟减持、冻结等）、监管措施（立案调查等）[45][46] - 模型公式： $$h(t,X)=h_{0}(t)*exp(\beta_{1}*x_{1}+\beta_{2}*x_{2}+...+\beta_{n}*x_{n})$$ 其中HR（风险比）计算为$$e^{\beta}$$[61] - 优化：将事件次数替代0-1变量后，拟减持事件显著性提升[62][63] - 模型评价：高频跟踪能力强，灵活性高（可动态纳入新风险事件）[75] --- 模型的回测效果 1. **素镜科技财报辩伪模型** - AUC：0.806[34] - 年报后预测ST概率：2.79%（阈值≥70）[26] - 全样本段召回率：2016-2023年平均90%，最低84.44%[30] 2. **素镜科技企业画像模型** - AUC：0.865[34] - 年报后预测ST概率：3.36%（阈值<-15）[29] - 全样本段召回率：2016-2023年平均92%，最低87.93%[31] 3. **Cox比例风险回归模型** - AUC：0.810[73] - 召回率：2019年后平均85%，2022年最高92.31%[71] - 高风险事件影响：股权冻结HR最高，问询函次之[61][65] --- 量化因子与构建方式 1. **因子名称：财报辩伪分** - 因子构建思路：通过财务异常行为量化造假风险[20] - 因子具体构建过程： - 对六类异常行为加权求和，阈值70分划分高风险组[24] 2. **因子名称：企业画像分** - 因子构建思路：综合评估企业经营风险[20] - 因子具体构建过程： - 整合多维经营指标，阈值-15分划分高风险组[24] 3. **因子名称：风险事件次数（生存分析衍生）** - 因子构建思路：累计风险事件次数反映风险累积效应[62][63] - 因子具体构建过程： - 统计个股历史关注函、问询函等事件发生次数 --- 因子的回测效果 1. **财报辩伪分** - 全样本段ST概率差异：高风险组0.99% vs 低风险组0.10%[24] 2. **企业画像分** - 全样本段ST概率差异：高风险组1.01% vs 低风险组0.07%[27] 3. **风险事件次数** - 拟减持事件：次数增加显著提升ST风险[63]

量化模型与构建方式 1. **模型名称：GRU模型** - 模型构建思路：结合基本面和量价特征的GRU模型，用于行业轮动和多头组合策略[9] - 模型具体构建过程：基于GRU神经网络结构，输入包括技术类因子（如动量、波动）和基本面因子（如盈利、成长），通过时间序列训练预测股票收益。具体调仓频率为月度，权重配置上限为0.2%，行业偏离控制在0.01标准差内[29] - 模型评价：在中小市值股票（如中证1000）中表现强势，但对市场风格切换敏感[30] 2. **模型名称：多因子模型** - 模型构建思路：综合基本面和技术因子构建多空组合，行业中性化处理[17] - 模型具体构建过程：每月末按因子值做多前10%股票、做空后10%股票，等权配置。涉及因子包括： - 技术类：动量（20日/60日/120日）、波动率（20日/60日/120日） - 基本面：超预期增长（ROA/ROE）、静态财务（市销率、市盈率）[15][19][21] 模型的回测效果 1. **GRU模型** - 近一周超额收益：-0.11%（close1d）至-0.25%（barra5d）[31] - 今年以来超额收益：3.38%（barra1d）至8.36%（barra5d）[31] 2. **多因子模型** - 近一周超额收益：-0.55%[31] - 今年以来超额收益：3.00%[31] --- 量化因子与构建方式 1. **因子名称：Barra风格因子** - 因子构建思路：涵盖市值、动量、估值等10类风格因子[15] - 因子具体构建过程： - **波动因子**：$$0.74 \times \text{历史超额收益率波动} + 0.16 \times \text{累积超额收益率离差} + 0.1 \times \text{残差收益率波动}$$ - **流动性因子**：$$0.35 \times \text{月换手率} + 0.35 \times \text{季换手率} + 0.3 \times \text{年换手率}$$ - **盈利因子**：$$0.68 \times \text{预测盈利价格比} + 0.21 \times \text{市现率倒数} + 0.11 \times \text{市盈率TTM倒数}$$[15] 2. **因子名称：技术类因子** - 因子构建思路：基于价格序列的动量和波动特征[19][22][28] - 因子具体构建过程： - **动量因子**：计算20日/60日/120日历史收益率均值 - **波动因子**：计算20日/60日/120日收益率标准差 3. **因子名称：基本面因子** - 因子构建思路：分为超预期增长、静态财务和增长三类[21][24][27] - 因子具体构建过程： - **超预期增长因子**：ROA/ROE/营业利润的同比变化 - **静态财务因子**：市销率、市盈率TTM倒数 --- 因子的回测效果 1. **Barra风格因子（全市场）** - 本周多空收益：beta（正向）、流动性（正向）、市值（负向）[16] 2. **技术类因子（中证1000）** - 20日动量多空收益：1.87%[28] - 120日波动多空收益：0.51%[28] 3. **基本面因子（沪深300）** - 超预期增长因子多空收益：-2.48%（ROA）至-2.05%（营业利润）[21] - 静态财务因子多空收益：+2.38%（市盈率）[21]

根据研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **主动偏股基金仓位高频估测模型** - 模型构建思路：基于基金每日净值序列，采用带约束条件的多元回归模型估算股票仓位[64] - 具体构建过程： 1. 以基金净值为因变量，基准或构建的资产序列为自变量 2. 通过回归模型寻找最优仓位估计结果 3. 构建模拟组合提升估算准确性 4. 测算行业配置动向（如通信、医药生物获增配，汽车、有色金属遭减持）[64][68] - 模型评价：解决了公募基金仓位披露频率低的问题，但存在与实际仓位的偏差风险[64] 2. **REITs指数系列模型** - 模型构建思路：通过指数化投资反映REITs市场表现，区分底层资产和项目类型[51] - 具体构建过程： 1. 采用分级靠档法稳定计算份额 2. 新发/扩募时使用除数修正法保证指数连续性 3. 提供价格指数和全收益指数双版本[51] 4. 细分指数包括产权类（累计收益19.8%）、特许经营权类（累计收益2.2%）等[53] 量化因子与构建方式 1. **行业主题基金标签因子** - 构建思路：基于持仓信息划分基金的长期行业主题特征[39] - 具体构建过程： 1. 分析近4期中报/年报持仓 2. 分类为行业主题基金（如医药、TMT）、行业轮动基金、行业均衡基金[39] 3. 计算主题基金周涨跌幅（医药+3.3%、周期-3.87%）[39][44] 2. **ETF资金流向因子** - 构建思路：监控不同类型ETF的资金流动与收益关系[54] - 具体构建过程： 1. 按投资范围分类（宽基/行业/主题） 2. 统计净流入与收益率中位数（股票ETF净流出369亿，收益-1.59%）[54] 3. 细分行业ETF资金动向（消费主题流入30.7亿，TMT流出66亿）[61] 模型回测效果 1. **主动偏股基金仓位模型** - 本周仓位变动：-0.18pcts[64] - 行业配置幅度：通信+0.35pct，汽车-0.28pct[68] 2. **REITs指数模型** - 综合指数周收益：2.06%（年化波动11.04%）[53] - 细分指数表现：消费基础设施REITs周涨4.41%，最大回撤仅5.82%[53] 因子回测效果 1. **行业主题因子** - 医药主题基金：近1月收益27.89%（易方达瑞享I）[44] - 周期主题基金：今年以来收益5.5%（行业ETF分类）[61] 2. **ETF资金流向因子** - 港股ETF：净流入245亿，收益-3.25%[54] - 黄金ETF：净流入19亿，年化收益32.68%[61] 注：所有数据截至2025年8月1日[18][19][23]

量化模型与构建方式 1. **模型名称：扩散指数模型** - **模型构建思路**：通过监测微盘股指数成分股未来N天股价涨跌幅与过去T天窗口期的关系，预测扩散指数变盘临界点[5][39] - **模型具体构建过程**： - 横轴为未来N天股价涨跌幅（1.1至0.9代表涨10%至跌10%） - 纵轴为回顾窗口期长度T（20至10天，对应N=20-T） - 扩散指数值计算示例：横轴0.95与纵轴15天值为0.31，表示未来5天若成分股均跌5%，扩散指数为0.31[39] - **模型评价**：适用于监测趋势行情驱动因素（如头部股票主导或底部轮动），当前显示反转因子可能失效，基本面因子走强[5][39] 2. **模型名称：首次阈值法（左侧交易）** - **模型构建思路**：基于扩散指数提前触发交易信号，用于左侧交易[5][43] - **模型具体构建过程**：当扩散指数首次跌破阈值（如0.9850）时触发空仓信号[43] 3. **模型名称：延迟阈值法（右侧交易）** - **模型构建思路**：在扩散指数确认趋势后触发信号，用于右侧交易[5][47] - **模型具体构建过程**：扩散指数连续低于阈值（如0.8975）后发出空仓信号[47] 4. **模型名称：双均线法（自适应交易）** - **模型构建思路**：结合短期与长期均线动态调整仓位[5][48] - **模型具体构建过程**：当短期均线上穿长期均线时翻多（如2025年7月3日信号）[48] --- 模型的回测效果 1. **扩散指数模型**：当前值为0.83（横轴20，纵轴1.00），显示趋势由头部股票驱动[39] 2. **首次阈值法**：2025年5月8日触发空仓信号（阈值0.9850）[43] 3. **延迟阈值法**：2025年5月15日触发空仓信号（阈值0.8975）[47] 4. **双均线法**：2025年7月3日发出开仓信号[48] --- 量化因子与构建方式 1. **因子名称：小市值低波50策略** - **因子构建思路**：在微盘股成分股中筛选市值最小且波动率最低的50只股票[7][36] - **因子具体构建过程**： - 每双周调仓一次 - 基准为万得微盘股指数（8841431.WI） - 费用双边千三[36] 2. **因子名称：周度RankIC因子** - **因子构建思路**：计算微盘股成分股内各因子的RankIC值，评估因子短期有效性[4][34] - **因子具体构建过程**： - 前五因子：未复权股价因子（本周0.177）、贝塔因子（本周0.15）、非流动性因子（本周0.143）、过去10天收益率因子（本周0.105）、pe_ttm倒数因子（本周0.041） - 后五因子：成交额因子（本周-0.189）、动量因子（本周-0.132）、残差波动率因子（本周-0.13）、10天自由流通市值换手率因子（本周-0.12）、流动性因子（本周-0.118）[34] --- 因子的回测效果 1. **小市值低波50策略**： - 2024年收益7.07%，超额-2.93% - 2025年YTD收益69.79%，本周超额-1.88%[7][36] 2. **周度RankIC因子**： - 未复权股价因子历史平均-0.015，本周0.177（显著正向） - 动量因子历史平均-0.005，本周-0.132（显著负向）[4][34] --- 其他关键指标 1. **微盘股指数表现**： - 近一年上涨126.3%，排名38个宽基指数第1[3][27] - 近一季上涨34.48%，排名第1[24][25] 2. **估值与流动性**： - 总市值中位数23.55亿元（历史分位数82.69%）[63] - PB中位数2.55（历史分位数41.67%）[66] - 周换手率3.17%（历史分位数91.43%）[69] 3. **日历效应**： - 8-11月超额中证1000胜率85%[2][15] - 星期二绝对收益正向特征显著[52][53]