根据提供的周报内容，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：红利风格择时模型**[1][4][6] * **模型构建思路：** 该模型旨在对红利风格进行择时判断，通过综合多个分项因子的信息，生成一个综合因子值。当综合因子值大于0时，产生正向信号，表明看好红利风格；小于0时，则未出正向信号[1][4][6]。 * **模型具体构建过程：** 模型通过综合多个分项因子来构建。每周计算各分项因子的因子值，并汇总得到综合因子值，以此作为择时信号的主要依据[1][4][6][7][11]。 量化因子与构建方式 1. **因子名称：综合因子**[1][4][6] * **因子构建思路：** 作为红利风格择时模型的核心输出，该因子由多个分项因子综合计算得出，用以整体判断红利风格的强弱[1][4][6]。 * **因子具体构建过程：** 报告未详细说明各分项因子具体如何加权或合成以得到综合因子值。构建过程主要体现为每周更新并汇总各分项因子的最新数值[1][6][11]。 2. **因子名称：市场情绪趋势因子**[4][7] * **因子构建思路：** 用于捕捉市场情绪的变化趋势，并将其应用于红利风格的择时判断[4][7]。 3. **因子名称：红利动量因子**[4][7] * **因子构建思路：** 用于衡量红利风格自身的动量效应，即近期表现对未来表现的延续性[4][7]。 4. **因子名称：美债利率因子**[4][7] * **因子构建思路：** 使用美国10年期国债收益率作为参考指标，评估利率环境对红利资产吸引力的影响[4][7][11]。 5. **因子名称：分析师行业景气度因子**[4][7] * **因子构建思路：** 基于分析师的行业景气度判断，评估宏观行业层面因素对红利风格的影响[4][7][11]。 6. **因子名称：中国非制造业PMI:服务业因子**[11] * **因子构建思路：** 使用中国服务业采购经理人指数（PMI）作为经济景气的衡量指标之一[11]。 7. **因子名称：中国M2:同比因子**[11] * **因子构建思路：** 使用中国广义货币供应量（M2）的同比增速作为流动性环境的衡量指标之一[11]。 8. **因子名称：红利相对净值自身因子**[11] * **因子构建思路：** 可能涉及红利指数与其自身历史净值或相对表现的比较，用于衡量其相对强弱[11]。 9. **因子名称：中证红利股息率-10年期中债收益率因子**[11] * **因子构建思路：** 计算中证红利指数的股息率与10年期中国国债收益率的差值，用以衡量红利资产的相对吸引力（股权风险溢价的一种形式）[11]。 10. **因子名称：融资净买入因子**[11] * **因子构建思路：** 使用市场的融资净买入数据作为投资者杠杆情绪和资金流向的代理变量[11]。 模型的回测效果 1. **红利风格择时模型** * **综合因子值（2025.11.14）：** -0.88[1][4][6][11] * **综合因子值（2025.11.07）：** -1.06[1][4][6][11] * **综合因子值（2025.10.31）：** 报告中未直接给出10月31日的综合因子值，但给出了部分分项因子在该日的数值作为参考[11] 因子的回测效果 1. **中国非制造业PMI:服务业因子** * **因子值（2025.11.14）：** -0.12[11] * **因子值（2025.11.07）：** -0.12[11] * **因子值（2025.10.31）：** -0.12[11] 2. **中国M2:同比因子** * **因子值（2025.11.14）：** 0.83[11] * **因子值（2025.11.07）：** 0.83[11] * **因子值（2025.10.31）：** 0.83[11] 3. **美债利率因子（美国:国债收益率:10年）** * **因子值（2025.11.14）：** -1.51[11] * **因子值（2025.11.07）：** -1.55[11] * **因子值（2025.10.31）：** -1.40[11] 4. **红利动量因子（红利相对净值自身）** * **因子值（2025.11.14）：** 0.17[11] * **因子值（2025.11.07）：** -0.37[11] * **因子值（2025.10.31）：** -0.27[11] 5. **中证红利股息率-10年期中债收益率因子** * **因子值（2025.11.14）：** -0.40[11] * **因子值（2025.11.07）：** -0.33[11] * **因子值（2025.10.31）：** -0.15[11] 6. **融资净买入因子** * **因子值（2025.11.14）：** -0.25[11] * **因子值（2025.11.07）：** 0.85[11] * **因子值（2025.10.31）：** -0.80[11] 7. **分析师行业景气度因子（行业平均景气度）** * **因子值（2025.11.14）：** 2.14[11] * **因子值（2025.11.07）：** 2.23[11] * **因子值（2025.10.31）：** 2.35[11]

根据研报内容，以下是关于量化因子和模型的总结。 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：通过分析股票日内收益的分布特征，捕捉其偏度信息以预测未来表现[12] 因子具体构建过程：具体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》[12] 2. **因子名称：日内下行波动占比因子** 因子构建思路：将已实现波动率分解，计算下行波动部分在总波动中的占比[17] 因子具体构建过程：具体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》[17] 3. **因子名称：开盘后买入意愿占比因子** 因子构建思路：基于开盘后一段时间内的高频交易数据，衡量买入意愿的相对强度[22] 因子具体构建过程：具体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》[22] 4. **因子名称：开盘后买入意愿强度因子** 因子构建思路：在买入意愿占比的基础上，进一步衡量买入意愿的绝对强度[25] 因子具体构建过程：具体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金额在总成交额中的占比，捕捉大资金动向[30] 6. **因子名称：开盘后大单净买入强度因子** 因子构建思路：衡量开盘后大单净买入的绝对强度[34] 7. **因子名称：改进反转因子** 因子构建思路：对传统反转因子进行改进，以更好地捕捉价格反转效应[40] 8. **因子名称：尾盘成交占比因子** 因子构建思路：通过分析尾盘成交额在日总成交额中的占比，捕捉资金在尾盘的动向[44] 9. **因子名称：平均单笔流出金额占比因子** 因子构建思路：计算平均单笔流出金额在总流出金额中的占比，分析资金流出特征[49] 10. **因子名称：大单推动涨幅因子** 因子构建思路：衡量由大单交易推动的股价上涨幅度[54] 11. **因子名称：改进 GRU(50,2)+NN(10)因子** 因子构建思路：使用改进的门控循环单元（GRU）神经网络结合全连接网络（NN）从高频数据中提取预测信号[58] 12. **因子名称：残差注意力 LSTM(48,2)+NN(10)因子** 因子构建思路：使用结合了残差连接和注意力机制的长短期记忆网络（LSTM）结合全连接网络（NN）进行深度学习因子构建[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网络，使用5日收益作为预测标签进行训练，从多时间颗粒度数据中学习[64] 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网络，使用10日收益作为预测标签进行训练[65] 因子的回测效果 1. **日内高频偏度因子**，历史IC 0.019[9]，2025年IC 0.023[9]，历史 e^(-rank mae) 0.324[9]，2025年 e^(-rank mae) 0.327[9]，上周多空收益 -0.26%[9]，11月多空收益 0.49%[9]，2025YTD多空收益 22.76%[9]，2025年周胜率 30/46[9]，上周多头超额收益 0.42%[9]，11月多头超额收益 1.46%[9]，2025YTD多头超额收益 6.14%[9]，2025年多头周胜率 25/46[9] 2. **日内下行波动占比因子**，历史IC 0.016[9]，2025年IC 0.020[9]，历史 e^(-rank mae) 0.323[9]，2025年 e^(-rank mae) 0.325[9]，上周多空收益 0.38%[9]，11月多空收益 1.35%[9]，2025YTD多空收益 20.32%[9]，2025年周胜率 32/46[9]，上周多头超额收益 0.41%[9]，11月多头超额收益 1.08%[9]，2025YTD多头超额收益 3.54%[9]，2025年多头周胜率 26/46[9] 3. **开盘后买入意愿占比因子**，历史IC 0.025[9]，2025年IC 0.024[9]，历史 e^(-rank mae) 0.321[9]，2025年 e^(-rank mae) 0.321[9]，上周多空收益 0.28%[9]，11月多空收益 -0.01%[9]，2025YTD多空收益 19.33%[9]，2025年周胜率 36/46[9]，上周多头超额收益 0.47%[9]，11月多头超额收益 0.28%[9]，2025YTD多头超额收益 8.78%[9]，2025年多头周胜率 29/46[9] 4. **开盘后买入意愿强度因子**，历史IC 0.030[9]，2025年IC 0.027[9]，历史 e^(-rank mae) 0.326[9]，2025年 e^(-rank mae) 0.326[9]，上周多空收益 0.27%[9]，11月多空收益 0.57%[9]，2025YTD多空收益 26.36%[9]，2025年周胜率 35/46[9]，上周多头超额收益 -0.22%[9]，11月多头超额收益 -0.55%[9]，2025YTD多头超额收益 10.06%[9]，2025年多头周胜率 33/46[9] 5. **开盘后大单净买入占比因子**，历史IC 0.035[9]，2025年IC 0.020[9]，历史 e^(-rank mae) 0.322[9]，2025年 e^(-rank mae) 0.317[9]，上周多空收益 -0.20%[9]，11月多空收益 -0.44%[9]，2025YTD多空收益 20.50%[9]，2025年周胜率 32/46[9]，上周多头超额收益 -0.21%[9]，11月多头超额收益 -0.63%[9]，2025YTD多头超额收益 9.22%[9]，2025年多头周胜率 29/46[9] 6. **开盘后大单净买入强度因子**，历史IC 0.024[9]，2025年IC 0.014[9]，历史 e^(-rank mae) 0.320[9]，2025年 e^(-rank mae) 0.316[9]，上周多空收益 -0.88%[9]，11月多空收益 -1.89%[9]，2025YTD多空收益 10.71%[9]，2025年周胜率 27/46[9]，上周多头超额收益 -0.66%[9]，11月多头超额收益 -1.23%[9]，2025YTD多头超额收益 7.50%[9]，2025年多头周胜率 31/46[9] 7. **改进反转因子**，历史IC 0.031[9]，2025年IC 0.022[9]，历史 e^(-rank mae) 0.330[9]，2025年 e^(-rank mae) 0.330[9]，上周多空收益 0.27%[9]，11月多空收益 -0.09%[9]，2025YTD多空收益 21.93%[9]，2025年周胜率 35/46[9]，上周多头超额收益 -0.43%[9]，11月多头超额收益 -0.68%[9]，2025YTD多头超额收益 7.79%[9]，2025年多头周胜率 26/46[9] 8. **尾盘成交占比因子**，历史IC 0.026[9]，2025年IC 0.016[9]，历史 e^(-rank mae) 0.322[9]，2025年 e^(-rank mae) 0.319[9]，上周多空收益 0.81%[9]，11月多空收益 0.25%[9]，2025YTD多空收益 16.02%[9]，2025年周胜率 30/46[9]，上周多头超额收益 0.77%[9]，11月多头超额收益 0.31%[9]，2025YTD多头超额收益 5.33%[9]，2025年多头周胜率 25/46[9] 9. **平均单笔流出金额占比因子**，历史IC 0.008[11]，2025年IC -0.005[11]，历史 e^(-rank mae) 0.317[11]，2025年 e^(-rank mae) 0.315[11]，上周多空收益 -1.33%[11]，11月多空收益 -2.74%[11]，2025YTD多空收益 -5.80%[11]，2025年周胜率 21/46[11]，上周多头超额收益 -0.07%[11]，11月多头超额收益 -0.48%[11]，2025YTD多头超额收益 -1.93%[11]，2025年多头周胜率 18/46[11] 10. **大单推动涨幅因子**，历史IC 0.018[11]，2025年IC 0.010[11]，历史 e^(-rank mae) 0.325[11]，2025年 e^(-rank mae) 0.326[11]，上周多空收益 0.36%[11]，11月多空收益 0.71%[11]，2025YTD多空收益 9.32%[11]，2025年周胜率 30/46[11]，上周多头超额收益 -0.17%[11]，11月多头超额收益 -0.43%[11]，2025YTD多头超额收益 2.17%[11]，2025年多头周胜率 25/46[11] 11. **改进 GRU(50,2)+NN(10)因子**，历史IC 0.066[11]，2025年IC 0.047[11]，历史 e^(-rank mae) 0.336[11]，2025年 e^(-rank mae) 0.333[11]，上周多空收益 -1.32%[11]，11月多空收益 -0.71%[11]，2025YTD多空收益 44.83%[11]，2025年周胜率 38/46[11]，上周多头超额收益 -0.77%[11]，11月多头超额收益 -1.01%[11]，2025YTD多头超额收益 7.21%[11]，2025年多头周胜率 26/46[11] 12. **残差注意力 LSTM(48,2)+NN(10)因子**，历史IC 0.063[11]，2025年IC 0.046[11]，历史 e^(-rank mae) 0.334[11]，2025年 e^(-rank mae) 0.331[11]，上周多空收益 -1.50%[11]，11月多空收益 -1.23%[11]，2025YTD多空收益 44.56%[11]，2025年周胜率 42/46[11]，上周多头超额收益 -0.83%[11]，11月多头超额收益 -0.92%[11]，2025YTD多头超额收益 7.90%[11]，2025年多头周胜率 27/46[11] 13. **多颗粒度模型-5日标签因子**，历史IC 0.080[11]，2025年IC 0.068[11]，历史 e^(-rank mae) 0.344[11]，2025年 e^(-rank mae) 0.341[11]，上周多空收益 0.75%[11]，11月多空收益 2.56%[11]，2025YTD多空收益 63.15%[11]，2025年周胜率 42/46[11]，上周多头超额收益 1.07%[11]，11月多头超额收益 2.36%[11]，2025YTD多头超额收益 24.44%[11]，2025年多头周胜率 38/46[11] 14. **多颗粒度模型-10日标签因子**，历史IC 0.074[11]，2025年IC 0.062[11]，历史 e^(-rank mae) 0.342[11]，2025年 e^(-rank mae) 0.342[11]，上周多空收益 0.91%[11]，11月多空收益 2.55%[11]，2025YTD多空收益 57.70%[11]，2025年周胜率 41/46[11]，上周多头超额收益 0.98%[11]，11月多头超额收益 2.27%[11]，2025YTD多头超额收益 24.14%[11]，2025年多头周胜率 36/46[11] 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（多颗粒度模型-10日标签）构建中证500指数增强组合，采用较宽的约束条件控制风险[69] 模型具体构建过程：组合优化目标为最大化预期收益，目标函数为 $$max\sum\mu_{i}w_{i}$$，其中 $$w_i$$ 为股票i的权重，$$\mu_i$$ 为股票i的预期超额收益[70] 风险控制约束包括：个股权重偏离1%，行业偏离1%，市值因子暴露0.3，市净率（PB）因子暴露0.3，市值三次方因子暴露0.3，换手率约束0.3[70] 测试中假定以次日均价成交，并扣除双边3‰的交易成本[71] 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（多颗粒度模型-10日标签）构建中证500指数增强组合，采用更严格的约束条件控制风险[69] 模型具体构建过程：组合优化目标为最大化预期收益，目标函数为 $$max\sum\mu_{i}w_{i}$$[70] 风险控制约束包括：个股权重偏离1%，行业偏离1%，市值因子暴露0.1，市净率（PB）因子暴露0.3，市值二次方因子暴露0.1，ROE因子暴露0.3，SUE因子暴露0.3，波动率因子暴露0.3，成份股权重约束0.8，换手率约束0.3[70] 测试中假定以次日均价成交，并扣除双边3‰的交易成本[71] 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（多颗粒度模型-10日标签）构建中证1000指数增强组合，采用较宽的约束条件控制风险[69] 模型具体构建过程：组合优化目标为最大化预期收益，目标函数为 $$max\sum\mu_{i}w_{i}$$[70] 风险控制约束包括：个股权重偏离1%，行业偏离1%，市值因子暴露0.3，市净率（PB）因子暴露0.3，市值三次方因子暴露0.3，换手率约束0.3[70] 测试中假定以次日均价成交，并扣除双边3‰的交易成本[71] 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（多颗粒度模型-10日标签）构建中证1000指数增强组合，采用更严格的约束条件控制风险[69] 模型具体构建过程：组合优化目标为最大化预期收益，目标函数为 $$max\sum\mu_{i}w_{i}$$[70] 风险控制约束包括：个股权重偏离1%，行业偏离1%，市值因子暴露0.1，市净率（PB）因子暴露0.3，市值二次方因子暴露0.1，ROE因子暴露0.3，SUE因子暴露0.3，波动率因子暴露0.3，成份股权重约束0.8，换手率约束0.3[70] 测试中假定以次日均价成交，并扣除双边3‰的交易成本[71] 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 2.02%[12]，11月超额收益 3.38%[12]，2025YTD超额收益 7.31%[12]，2025年周胜率 27/46[12] 2. **中证500 AI增强严约束组合**，上周超额收益 0.73%[12]，11月超额收益 2.35%[12]，2025YTD超额收益 10.58%[12]，2025年周胜率 30/46[12] 3. **中证1000 AI增强宽约束组合**，上周超额收益 2.41%[12]，11月超额收益 4.46%[12]，2025YTD超额收益 18.45%[12]，2025年周胜率 31/46[12] 4. **中证1000 AI增强严约束组合**，上周超额收益 1.00%[12]，11月超额收益 1.83%[12]，2025YTD超额收益 20.66%[12]，

根据提供的研报内容，以下是关于量化模型和因子的总结。报告主要涉及风格因子和风险溢价模型，未涉及复杂的多因子模型。 量化因子与构建方式 1. **因子名称：动量因子**[62] * **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，旨在捕捉股票的持续上涨趋势[62]。 * **因子具体构建过程**：该因子由“长江动量指数”表征。具体构建过程为，首先计算每只股票的动量指标（最近一年收益率 - 最近一个月收益率），然后在整个A股市场中，选取动量特征强且流动性相对较高的前100只股票作为指数成分股，以反映最具动量特征的股票整体走势[62]。 2. **因子名称：反转因子**[62] * **因子构建思路**：以最近一个月股票收益率作为筛选指标，旨在捕捉股票的短期反转效应[62]。 * **因子具体构建过程**：该因子由“长江反转指数”表征。具体构建过程为，在整个A股市场中，选取反转效应强、流动性较好的前100只股票作为指数成分股，并采用成分股近三个月日均成交量进行加权，以准确表征高反转特征个股的整体表现[62]。 3. **因子名称：风格拥挤度因子**[120] * **因子构建思路**：通过计算不同风格指数换手率的相对Z-score值及其历史分位数，来衡量某一风格交易的拥挤程度，以提示配置风险[120]。 * **因子具体构建过程**：对于特定的风格对比（如成长vs红利），分别计算风格A和风格B指数的近252日平均换手率，并在2005年1月1日以来的历史时间序列上进行Z-score标准化，得到Z-score_A与Z-score_B。然后计算二者差值（Z-score_A - Z-score_B）的滚动6年历史分位数。若历史数据量满1年但不足6年，则以全部历史数据进行计算[120]。公式如下： * 计算Z-score: $$Z = \frac{X - \mu}{\sigma}$$ * 相对拥挤度 = $$历史分位数(Z_{score\_A} - Z_{score\_B})$$ 4. **模型名称：风险溢价模型**[51] * **模型构建思路**：通过比较股票市场盈利收益率与无风险利率（通常为国债收益率）的差异，即风险溢价，来衡量配置股票的相对性价比[51]。 * **模型具体构建过程**：对于特定指数，其风险溢价的计算公式为： $$ERP = \frac{1}{PE_{TTM}} - R_{f}$$ 其中，$$PE_{TTM}$$ 为指数的滚动市盈率，$$R_{f}$$ 为10年期中债国债到期收益率[51]。 模型的回测效果 *本报告未提供量化模型的回测绩效指标，如年化收益率、夏普比率、最大回撤等。* 因子的回测效果 1. **动量因子** * 近一周相对收益：-2.3%[59] * 近一月相对收益：-0.1%[59] * 年初至今相对收益：17.8%[59] 2. **反转因子** * 近一周相对收益：与动量因子相对计算，结果为2.3%[59] * 近一月相对收益：与动量因子相对计算，结果为0.1%[59] * 年初至今相对收益：与动量因子相对计算，结果为-17.8%[59] 3. **成长因子** * 近一周相对收益（较红利）：-1.6%[59] * 近一月相对收益（较红利）：1.0%[59] * 年初至今相对收益（较红利）：24.5%[59] 4. **红利因子** * 近一周相对收益（较成长）：与成长因子相对计算，结果为1.6%[59] * 近一月相对收益（较成长）：与成长因子相对计算，结果为-1.0%[59] * 年初至今相对收益（较成长）：与成长因子相对计算，结果为-24.5%[59] 5. **小盘因子** * 近一周相对收益（较大盘）：0.3%[59] * 近一月相对收益（较大盘）：1.2%[59] * 年初至今相对收益（较大盘）：8.4%[59] 6. **大盘因子** * 近一周相对收益（较小盘）：与小盘因子相对计算，结果为-0.3%[59] * 近一月相对收益（较小盘）：与小盘因子相对计算，结果为-1.2%[59] * 年初至今相对收益（较小盘）：与小盘因子相对计算，结果为-8.4%[59] 7. **微盘股因子** * 近一周相对收益（较基金重仓）：5.3%[59] * 近一月相对收益（较基金重仓）：13.4%[59] * 年初至今相对收益（较基金重仓）：54.6%[59] 8. **风格拥挤度因子** * 成长vs红利相对拥挤度历史分位：68%[70] * 小盘vs大盘相对拥挤度历史分位：37%[70] * 微盘股vs中证800相对拥挤度历史分位：86%[70]

根据提供的研报内容，以下是其中涉及的量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：价格分段体系**[15] * **模型构建思路**：该模型用于对市场价格走势进行分段识别，以判断不同时间周期（如日线、周线）下的趋势状态[15] * **模型具体构建过程**：模型通过计算价格序列的指标来划分走势段，报告中提及了dea指标，该指标常用于趋势分析，是价格分段的重要依据[15][18] 2. **模型名称：微观市场结构择时模型**[16] * **模型构建思路**：通过监测市场中知情交易者的活跃度来对市场走势进行择时判断[16] * **模型具体构建过程**：模型构建了一个“知情交易者活跃度”指标，该指标的变化反映了知情交易者对后市的态度，当指标为负值时表明市场情绪偏谨慎，边际变化则指示情绪的转向[16][19] 3. **因子名称：分析师行业景气预期因子**[20] * **因子构建思路**：利用分析师对上市公司未来财务表现的一致预测数据来构建行业景气度因子，以捕捉基于分析师预期的行业轮动机会[20] * **因子具体构建过程**：因子计算涉及两个核心指标：1）申万一级行业对应的分析师一致预测滚动未来12个月ROE（ROEFTTM）的环比变化；2）行业一致预期净利润滚动未来12个月（FTTM）增速的环比变化[20][21] 通过跟踪这些预期数据的变化来评估行业景气度的边际改善或恶化 4. **因子名称：BARRA风格因子**[23] * **因子构建思路**：采用经典的BARRA风险模型框架，从多个维度刻画股票的风格特征，并分析这些风格因子在近期的收益表现[23] * **因子具体构建过程**：报告列出了多个BARRA风格因子，包括但不限于：价值类（EP价值、BP价值）、成长类、动量类、质量类（盈利质量、盈利能力、投资质量）、规模类（市值、非线性市值）、交易行为类（换手、波动率、流动性、长期反转、财务杠杆、盈利波动）以及股息率因子[23][24] 这些因子共同构成了对市场风格的多维度刻画 模型的回测效果 （报告中未提供具体量化模型的回测效果指标取值） 因子的回测效果 1. **BARRA风格因子**[23][24] * **本周收益**：换手因子 -0.5%，财务杠杆因子 0.1%，盈利波动因子 0.0%，盈利质量因子 0.3%，盈利能力因子 0.3%，投资质量因子 0.4%，长期反转因子 -0.5%，EP价值因子 -0.3%，BP价值因子 0.2%，成长因子 0.1%，动量因子 1.2%，非线性市值因子 -0.6%，市值因子 -0.3%，波动率因子 -0.5%，流动性因子 1.3%，股息率因子 -0.1%[24] * **上周收益**：换手因子 -0.6%，财务杠杆因子 -0.1%，盈利波动因子 0.2%，盈利质量因子 -0.1%，盈利能力因子 -0.5%，投资质量因子 0.2%，长期反转因子 0.0%，EP价值因子 0.0%，BP价值因子 -0.1%，成长因子 0.0%，动量因子 -0.4%，非线性市值因子 -0.6%，市值因子 -0.5%，波动率因子 0.7%，流动性因子 -1.0%，股息率因子 0.3%[24] * **近一季趋势**：报告中以图表形式展示趋势，未提供具体数值[24]

根据提供的量化市场追踪周报（2025W46），报告主要内容为市场表现回顾、公募基金仓位及资金流分析，并未涉及具体的量化模型或量化因子的构建、测试与评价。报告的核心是对市场状况、基金仓位、行业配置及资金流向的描述性统计和解读[1][2][3][4][5][6][7][8][10][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][40][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60][61][62][63][64][65][66][67][68][69][70][71][72][73][74]。 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。

根据提供的研报内容，报告主要侧重于市场技术分析，并未详细阐述具体的量化模型或量化因子的构建过程、公式及回测效果。报告内容多为基于波浪理论、均线系统、量能分析等技术分析方法的定性判断。因此，以下总结将主要基于报告中提及的分析方法进行归纳。 **量化模型与构建方式** 1. **模型/分析方法名称**：波浪理论分析[7][12] * **构建思路**：通过识别股价走势的特定波浪形态（如A浪、B浪、C浪）来预判未来市场的反弹或调整阶段[7][12] * **具体构建过程**：报告中将科创板前期的下跌走势识别为ABC浪形，并将其合并视作大A浪调整，进而预判可能开启大B浪反弹；对于中证TMT板块，报告指出其经历了“两轮较为清晰的调整”，并关注“C浪超跌之后出现了企稳迹象”作为反弹信号[7][12][14] 2. **模型/分析方法名称**：均线系统分析[7][14] * **构建思路**：通过观察不同周期移动平均线的排列关系（如多头排列）来判断市场趋势的强弱[7][14] * **具体构建过程**：报告指出上证综指均线系统“仍呈多头排列”，同时将“开始放量上涨上穿多根均线”作为部分行业或主题（如小盘成长、茅指数）的看涨交易机会信号[7][14] 3. **模型/分析方法名称**：量能分析[7][12][14] * **构建思路**：通过分析成交金额（量能）的变化（如缩量、放量）来辅助判断市场情绪和趋势的可持续性[7][12][14] * **具体构建过程**：报告中关注中证TMT板块成交金额占比较高点“萎缩约65%”以及“明显缩量”的现象，并将其与波浪结构结合，判断技术上的修复条件；同时将“放量上涨”作为积极的交易信号[7][12][14] 4. **模型/分析方法名称**：缠论结构分析[7][14] * **构建思路**：运用缠论中的概念（如买点）来识别潜在的趋势转折位置[7][14] * **具体构建过程**：报告从上证综指的“缠论结构”角度观察，认为当前位置积累了一定调整压力；同时将“缠论中比较强势的第三类买点”作为基金重仓股指数的交易机会信号[7][14] 5. **模型/分析方法名称**：行业轮动信号模型[14] * **构建思路**：综合多种技术指标（如趋势因子、温度计、超跌迹象、均线突破、量价关系等）生成针对特定行业或主题的交易机会信号[14] * **具体构建过程**：报告以表格形式展示了特定日期对各类行业或风格指数发出的“交易机会”信号，并附有简要的“信号说明”，这些说明融合了趋势、动量、超跌、量能等多种技术分析方法[14] **模型的回测效果** （报告中未提供相关量化模型的具体回测指标数值） **量化因子与构建方式** （报告中未明确提及独立于上述分析方法的特定量化因子及其构建细节） **因子的回测效果** （报告中未提供相关量化因子的具体回测指标数值）

根据提供的量化分析报告，以下是关于其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：择时雷达六面图模型**[1][6] * **模型构建思路**：该模型是一个综合择时框架，认为权益市场表现受多维度指标共同影响。模型从流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取二十一个指标，并将其概括为“估值性价比”、“宏观基本面”、“资金&趋势”、“拥挤度&反转”四大类，最终生成一个介于[-1,1]之间的综合择时分数，用以判断市场整体观点[1][6]。 * **模型具体构建过程**：模型构建过程分为几个步骤。首先，从六个维度选取共计21个底层指标。其次，对每个底层指标根据其构建规则计算出一个初始的择时信号分数（通常为1，0，-1或经过标准化处理的值）。然后，将六个维度的分数进行综合（具体综合方法未在提供内容中详细说明，但结果是得到四大类分数和最终的综合分数）。最终，模型输出综合择时分数以及各维度的分数，分数区间为[-1,1]，分数为正代表看多或中性偏多，为负代表看空或中性偏空，接近零代表中性[1][6][7][8]。 量化因子与构建方式 1. **因子名称：货币方向因子**[10] * **因子构建思路**：该因子旨在判断当前货币政策的方向，通过比较政策利率与市场利率相对于历史水平的变化来确定货币环境的宽松或收紧[10]。 * **因子具体构建过程**：选取央行使用的货币政策工具利率与短端市场利率，计算其相较于90天前的平均变化方向。若货币方向因子>0，则判断货币政策宽松；若<0，则判断货币政策收紧。在模型中，宽松对应看多信号（分数为1），收紧对应看空信号（分数为-1）[10]。 2. **因子名称：货币强度因子**[12] * **因子构建思路**：该因子基于“利率走廊”概念，通过衡量短端市场利率相对于政策利率的偏离幅度来表征货币政策的强度[12]。 * **因子具体构建过程**：计算偏离度 = DR007 / 7天逆回购利率 - 1。对该偏离度进行平滑处理并计算Z-Score，得到货币强度因子。若货币强度因子 < -1.5倍标准差，则预期未来120个交易日为宽松环境，指标分数为1；若 > 1.5倍标准差，则预期未来120个交易日指标分数为-1[12]。 3. **因子名称：信用方向因子**[15] * **因子构建思路**：该因子用于表征商业银行对实体经济信贷传导的松紧程度，使用中长期贷款指标的变化趋势来判断[15]。 * **因子具体构建过程**：计算中长期贷款当月值，然后计算过去十二个月的增量，再计算该增量的同比。若信用方向因子相比于三个月之前上升则看多，分数为1；反之则看空，分数为-1[15]。 4. **因子名称：信用强度因子**[18] * **因子构建思路**：该因子旨在捕捉信贷指标是否大幅超预期或不及预期，反映信用的强度[18]。 * **因子具体构建过程**：构建信用强度因子 = (新增人民币贷款当月值 – 预期中位数) / 预期标准差。若信用强度因子 > 1.5倍标准差，则定义未来60个交易日为信用显著超预期环境，分数为1；反之若 < -1.5倍标准差，则未来60个交易日分数为-1[18]。 5. **因子名称：增长方向因子**[20] * **因子构建思路**：该因子基于PMI数据构建，用于判断经济增长的方向[20]。 * **因子具体构建过程**：基于中采制造业PMI、中采非制造业PMI、财新制造业PMI数据，计算增长方向因子 = PMI -> 计算过去十二月均值 -> 计算同比。若增长方向因子相比于三个月之前上升则看多，分数为1；反之则看空，分数为-1[20]。 6. **因子名称：增长强度因子**[23] * **因子构建思路**：该因子用于捕捉经济增长指标是否大幅超预期或不及预期[23]。 * **因子具体构建过程**：计算PMI预期差 = (PMI – 预期中位数) / 预期标准差。若增长强度因子 > 1.5倍标准差，则定义未来60个交易日为增长显著超预期环境，分数为1；反之若 < -1.5倍标准差，则未来60个交易日分数为-1[23]。 7. **因子名称：通胀方向因子**[25] * **因子构建思路**：该因子通过当前通胀水平的变化来判断对未来货币政策空间的预期，进而影响权益资产[25]。 * **因子具体构建过程**：计算通胀方向因子 = 0.5 × CPI同比平滑值 + 0.5 × PPI同比原始值。若通胀方向因子相较于三个月之前降低，则说明是通胀下行环境，此时看多，分数为1；反之看空，分数为-1[25]。 8. **因子名称：通胀强度因子**[27] * **因子构建思路**：该因子用于捕捉通胀指标是否大幅超预期或不及预期[27]。 * **因子具体构建过程**：分别计算CPI与PPI的预期差 = (披露值 – 预期中位数) / 预期标准差，并计算通胀强度因子 = CPI与PPI预期差均值。若通胀强度因子 < -1.5，则定义未来60个交易日为通胀显著不及预期环境，分数为1；反之若 > 1.5倍标准差，则未来60个交易日分数为-1[27]。 9. **因子名称：席勒ERP**[28] * **因子构建思路**：该因子通过计算经周期调整的估值水平与无风险收益率的差值，来衡量权益资产的性价比[28]。 * **因子具体构建过程**：计算过去6年通胀调整后的平均盈利，得到席勒PE。然后计算席勒ERP = 1 / 席勒PE - 10年期国债到期收益率。最后，计算该ERP过去6年的Z-Score作为分数[28]。 10. **因子名称：PB**[31] * **因子构建思路**：该因子是传统的估值指标，通过市净率的相对历史位置来判断市场估值水平[31]。 * **因子具体构建过程**：对PB乘以-1，然后计算过去6年的Z-Score，再用1.5倍标准差进行截尾处理，最后标准化到±1之间得到分数[31]。 11. **因子名称：AIAE**[33] * **因子构建思路**：该因子全称为 Aggregate Investor Allocation to Equities（全市场权益配置比例），用于反映市场整体的风险偏好，基于投资者在风险资产和安全资产之间的配置均衡逻辑[33]。 * **因子具体构建过程**：构建A股的AIAE指标 = 中证全指总流通市值 / (中证全指总流通市值 + 实体总债务)。将AIAE乘以-1后，计算过去6年的Z-Score得到分数[33]。 12. **因子名称：两融增量**[36] * **因子构建思路**：该因子通过杠杆资金（融资融券）的增量变化来捕捉市场情绪[36]。 * **因子具体构建过程**：计算融资余额 - 融券余额，然后计算其过去120日的均增量与过去240日的均增量。若120日均增量 > 过去240日均增量，则判断杠杆资金上行，看多，分数为1；反之看空，分数为-1[36]。 13. **因子名称：成交额趋势**[39] * **因子构建思路**：该因子通过成交额的活跃度趋势来捕捉市场资金热度[39]。 * **因子具体构建过程**：对成交额取对数，然后计算其均线距离 = MA120 / MA240 - 1。当均线距离的max(10) = max(30) = max(60)时看多，分数为1；当均线距离的min(10) = min(30) = min(60)时看空，分数为-1[39]。 14. **因子名称：中国主权CDS利差**[43] * **因子构建思路**：该因子通过海外投资者对中国主权信用风险的定价变化来推断外资流入意愿[43]。 * **因子具体构建过程**：对中国主权CDS利差进行平滑处理，然后计算其20日差分。若20日差分 < 0，说明CDS利差下降，海外投资者预期中国基本面转好，此时看多，分数为1；反之看空，分数为-1[43]。 15. **因子名称：海外风险厌恶指数**[45] * **因子构建思路**：该因子使用花旗风险厌恶指数（Citi RAI Index）来捕捉海外市场的整体风险偏好，从而影响外资流向[45]。 * **因子具体构建过程**：对海外风险厌恶指数进行平滑处理，然后计算其20日差分。若20日差分 < 0，表明外资风险偏好上升，此时看多，分数为1；反之看空，分数为-1[45]。 16. **因子名称：价格趋势**[47] * **因子构建思路**：该因子结合价格趋势的方向和强度，通过均线系统来捕捉市场中长期动量[47]。 * **因子具体构建过程**：计算价格均线距离 = MA120 / MA240 - 1。趋势方向分数：若均线距离 > 0，则为1，反之为-1。趋势强度分数：若均线距离的max(20) = max(60)，则为1；若min(20) = min(60)，则为-1。趋势综合分数 = (趋势方向分数 + 趋势强度分数) / 2[47]。 17. **因子名称：新高新低数**[49] * **因子构建思路**：该因子作为市场反转信号，通过成分股创年内新高与新低的数量差来判断市场可能的顶部或底部[49]。 * **因子具体构建过程**：计算中证800成分股中，过去一年新低数 - 新高数，然后取20日移动平均（MA20）。若该MA20值 > 0，说明近期新低较多，市场有见底预期，此时看多，分数为1；反之发出看空信号，分数为-1[49][50]。 18. **因子名称：期权隐含升贴水**[53] * **因子构建思路**：该因子基于期权市场隐含的标的未来收益率预期，作为反转指标来衡量市场拥挤度[53]。 * **因子具体构建过程**：基于看涨看跌平价关系推导出期权的隐含升贴水。若50ETF近5日收益率 < 0，且该指标分位数 < 30%，则看多持续20日，分数为1。若50ETF近5日收益率 > 0，且指标分位数 > 70%，则看空持续20日，分数为-1[53]。 19. **因子名称：期权VIX指数**[54] * **因子构建思路**：该因子使用期权隐含波动率来反映市场对未来波动率的预期和情绪，作为反转指标[54]。 * **因子具体构建过程**：若50ETF近5日收益率 < 0，且VIX指数分位数 > 70%，则看多持续20日。若50ETF近5日收益率 > 0，且VIX指数分位数 > 70%，则看空持续20日[54][55]。 20. **因子名称：期权SKEW指数**[59] * **因子构建思路**：该因子使用期权隐含偏度来反映市场对未来价格分布偏度的预期和情绪，作为反转指标[59]。 * **因子具体构建过程**：若50ETF近5日收益率 < 0，且SKEW指数分位数 > 70%，则看多持续20日，分数为1。若50ETF近5日收益率 > 0，且SKEW指数分位数 < 30%，则看空持续20日，分数为-1[59][60]。 21. **因子名称：可转债定价偏离度**[63] * **因子构建思路**：该因子通过可转债的市场价格与其模型理论价格的偏离度来捕捉市场情绪和拥挤度，作为反转指标[63]。 * **因子具体构建过程**：计算可转债定价偏离度 = 转债价格 / 模型定价 - 1。然后计算因子分数 = 定价偏离度 × (-1)，再计算过去3年的Z-Score得到最终分数。定价偏离度越高，拥挤度越高，分数越低[63]。 模型的回测效果 （报告中未提供择时雷达六面图模型的具体回测指标数值，如年化收益率、夏普比率、最大回撤等。） 因子的回测效果 （报告中未提供各个因子独立测试的具体IC值、IR、多空收益等量化指标数值。报告主要展示了各因子在特定时间点（本周）的信号分数和观点。）

量化模型与构建方式 1. 未来成长组合 **模型构建思路**：假设已知上市公司下一期的净利润增速，构建投资组合，以验证未来成长确定性对组合表现的提升作用[33] **模型具体构建过程**：每年4月30日、8月31日和10月31日调仓。在4月30日，组合等权买入当年二季度扣非归母净利润实现增长的股票，基准组合为一季度扣非归母净利润实现增长的股票等权组合；在8月31日，组合等权买入当年三季度扣非归母净利润实现增长的股票，基准组合为二季度扣非归母净利润实现增长的股票等权组合；在10月31日，组合等权买入当年四季度扣非归母净利润实现增长的股票，基准组合为三季度扣非归母净利润实现增长的股票等权组合[33] 2. 成长预期组合 **模型构建思路**：通过基本面指标筛选，提高历史成长组合在未来实现业绩增长的平均胜率，从历史成长指标走向未来成长指标[47][59] **模型具体构建过程**： 1. 选取最新单季度净利润同比增长率大于0的公司，构成净利润增长基础股票池[60] 2. 在基础股票池中剔除单季度ROE排名后20%的公司，同时选取单季度ROE斜率排名前50%的公司[60] 3. 根据SUE指标筛选出排名前30%的公司，构建最终组合[60] 3. 技术面精选成长预期组合 **模型构建思路**：在成长预期组合的基础上，运用量价指标进一步提升组合表现，完成从未来成长指标到未来股价表现的转化[75][90] **模型具体构建过程**： 1. 在成长预期组合的基础上，通过盈余公告次日开盘超额指标确认利好，选出超额最高的前100只股票[92] 2. 在剩余股票中根据换手率均线标准差指标筛选出换手率均线标准差最小的前30只股票构成最终组合[92] 模型的回测效果 1. 未来成长组合 总收益948.13%，年化收益16.96%，年化波动率25.55%，最大回撤30.12%，夏普比率0.66，卡玛比率0.56[35] 相对基准组合超额年化收益4.11%，超额波动率1.39%，信息比率2.96，超额最大回撤5.13%[35] 2. 成长预期组合 总收益1910.58%，年化收益25.97%，年化波动率27.40%，最大回撤43.67%，夏普比率0.95，卡玛比率0.59[65] 相对中证500指数超额年化收益18.91%，超额波动率8.72%，信息比率2.17，超额最大回撤20.07%[65] 平均持仓175只，平均单边换手率32%[69] 3. 技术面精选成长预期组合 总收益8521.65%，年化收益40.89%，年化波动率28.17%，最大回撤38.38%，夏普比率1.45，卡玛比率1.07[96] 相对中证500指数超额年化收益32.99%，超额波动率11.03%，信息比率2.99，超额最大回撤26.90%[96] 平均单边换手率67%，各期平均市值113亿元[101] 量化因子与构建方式 1. 标准化预期外盈利因子（SUE） **因子构建思路**：衡量企业盈利增速是否突破历史长期趋势[50] **因子具体构建过程**：$$SUE = \frac{当前季度归母净利润 - (去年同期单季度归母净利润 + 过去8个季度单季度归母净利润同比增长均值)}{过去8个季度的单季度归母净利润同比增长值的标准差}$$[24] 2. 单季度ROE同比因子 **因子构建思路**：ROE单季度同比变化，衡量企业盈利效率的变化[24] 3. 单季度ROE斜率因子 **因子构建思路**：衡量企业盈利效率是否有提升[50] **因子具体构建过程**：过去四个季度单季度ROE与时间回归的斜率/四个季度单季度ROE均值[50] 4. 单季度净利润同比增速斜率因子 **因子构建思路**：衡量过去一年企业盈利增速是否加速[50] **因子具体构建过程**：过去四个季度单季度净利润同比增速与时间回归的斜率/四个单季度净利润同比增速均值[50] 5. 单季度营业收入同比增速因子 **因子构建思路**：衡量企业盈利增长是否有营收支撑[50] 6. 单季度经营性现金流净额因子 **因子构建思路**：衡量企业盈利增长是否带来现金流的增长[50] **因子具体构建过程**：单季度经营性现金流净额/净资产[50] 7. 盈余公告次日开盘超额因子（AOG） **因子构建思路**：市场对于公司公告业绩的认可程度[78] **因子具体构建过程**：$$AOG_{t} = Open_{t}/Close_{t-1} - Open_{mkt,t}/Close_{mkt,t-1}$$[78] 其中$Open_{t}$、$Close_{t-1}$分别为股票在t、t-1时刻的开盘价和收盘价，$Open_{mkt,t}$、$Close_{mkt,t-1}$分别为市场指数在t、t-1时刻的开盘价和收盘价[78] 8. 换手率均线标准差因子 **因子构建思路**：通过个股换手率均线的收敛程度来刻画公司的短期市场显著性[81] **因子具体构建过程**：$$turn\_std_{t} = std(ma_{1},\ ma_{5},\ ma_{10},\ ma_{20},\ ma_{60},\ ma_{100})$$[81] 其中$ma_{1}$为个股单日换手率，$ma_{5}$为个股过去5个交易日平均换手率，以此类推[81] 9. Amihud非流动性因子（ILLIQ） **因子构建思路**：衡量股票收益对每单位交易额的敏感程度，反映流动性风险[86] **因子具体构建过程**：$$ILLIQ_{i,t} = \mathrm{Avg}\left[{\frac{\left|r_{i,d}\right|}{Vol_{i,d}}}\right]$$[86] 其中$\left|r_{i,d}\right|$为股票i在d天的绝对收益，$Vol_{i,d}$为股票i在d天的交易额（百万）[86] 因子的回测效果 1. 标准化预期外盈利因子（SUE） IC均值3.06%，IC胜率76.34%，ICIR 2.32，t值9.15，多头年化超额8.22%，多空年化收益14.77%[31] 2. 单季度ROE同比因子 IC均值3.06%，IC胜率73.66%，ICIR 1.93，t值7.58，多头年化超额2.06%，多空年化收益5.44%[31] 3. 盈余公告次日开盘超额因子 在成长预期组合中分组测试，第三组（超额最高）表现最优，年化收益31.61%，夏普比率1.10，卡玛比率0.77[80] 4. 换手率均线标准差因子 在成长预期组合中分组测试，第一组（标准差最小）表现最优，年化收益33.63%，夏普比率1.21，卡玛比率0.94[84] 5. Amihud非流动性因子 在成长预期组合中分组测试，第三组（非流动性最大）表现最优，年化收益35.52%，夏普比率1.20，卡玛比率0.92[89]

根据研报内容，现总结如下： 量化模型与构建方式 1. 模型名称：DTW相似性择时策略 **模型构建思路**：基于相似性思路，通过比较当前指数行情与历史行情的相似度，筛选出相似的历史片段，并依据这些片段未来的加权平均涨跌幅来生成交易信号[26] **模型具体构建过程**： 1. 使用动态时间规整（DTW）距离算法，而非欧氏距离，作为衡量当前行情与历史行情相似度的标准，因为DTW作为一种弹性度量方法，能更好地解决时间序列间的错配问题[28] 2. 为解决传统DTW算法可能存在的“过度弯曲”导致的错误匹配（即“病态匹配”问题），模型引入了改进的DTW算法，例如增加了Sakoe-Chiba边界限制条件或Itakura Parallelogram边界限制条件[30][36] 3. 在历史数据中筛选出与当前行情DTW距离最近（即最相似）的若干历史行情片段 4. 计算这些被筛选出的历史行情片段在未来一期（例如5日或1日）的加权平均涨跌幅和加权标准差，权重取为DTW距离的倒数[26] 5. 根据计算得到的未来涨跌幅的平均值和标准差，结合预设的阈值，生成“看多”、“看空”或“无信号”的交易指令[26][16] **模型评价**：在一般市场环境下，择时模型超额收益较为稳定；但在宏观和资本市场突发政策较多时，作为技术面模型无法把握政策的突然变化，可能遭遇回撤[17] 2. 模型名称：外资择时策略 **模型构建思路**：基于两种境外上市且与A股相关联的资产（富时中国A50股指期货和南方A50ETF），挖掘其价格变化中蕴含的信息，通过构建多个指标并复合信号来对A股进行择时[35] **模型具体构建过程**： 1. 选取富时中国A50股指期货（新加坡市场）和南方A50ETF（香港市场）作为信息源[35] 2. 对于富时中国A50股指期货，构建两个指标： * 升贴水指标 * 价格背离指标 将这两个指标复合，形成富时中国A50股指期货的择时信号[35] 3. 对于南方A50ETF，构建价格背离指标，形成南方A50ETF的择时信号[35] 4. 最后，将来自上述两个资产的择时信号进行复合，形成最终的外资择时信号[35] 模型的回测效果 1. DTW相似性择时策略 **样本外表现（2022年11月以来）**：绝对收益率38.56%，最大回撤率21.32%[4][17] **样本外表现（2024年以来，在沪深300指数上）**：绝对收益率36.58%，最大回撤率21.36%，交易胜率50.00%，交易盈亏比3.39[19] 2. 外资择时策略 **全样本历史表现（2014年12月30日至2024年12月31日）**： * **多空策略**：年化收益率18.96%，最大回撤率25.69%，日胜率近55%，盈亏比超过2.5[21] * **多头策略**：年化收益率14.19%，最大回撤率17.27%，日胜率近55%，盈亏比超过2.5[21] **样本外表现（2024年以来，多头策略）**：绝对收益率35.42%，最大回撤率8.23%[4][24]

量化模型与构建方式 1. PB-ROE-50 组合 **模型构建思路**：基于市净率（PB）和净资产收益率（ROE）两个基本面指标进行选股，旨在挑选出估值合理且盈利能力强的公司[25] **模型具体构建过程**：该模型通过特定的筛选标准，从股票池中选取符合PB和ROE要求的50只股票构成投资组合，具体构建细节未在报告中详细阐述[25] 2. 公募调研选股策略 **模型构建思路**：跟踪公募基金调研活动，基于机构调研行为挖掘投资机会[28] **模型具体构建过程**：通过分析公募基金的调研数据构建选股策略，具体构建方法未在报告中详细说明[28] 3. 私募调研跟踪策略 **模型构建思路**：跟踪私募基金调研活动，利用私募机构的调研信息进行选股[28] **模型具体构建过程**：基于私募基金的调研行为构建投资策略，具体构建流程未在报告中详细描述[28] 4. 大宗交易组合 **模型构建思路**：基于"高成交、低波动"原则，从发生大宗交易的股票中筛选投资标的[32] **模型具体构建过程**：通过测算"大宗交易成交金额比率"和"6日成交金额波动率"两个指标，选择成交金额比率高、波动率低的股票，采用月频调仓方式构建组合[32] 5. 定向增发组合 **模型构建思路**：以股东大会公告日为时间节点，基于定向增发事件效应构建投资组合[38] **模型具体构建过程**：综合考虑市值因素、调仓周期和仓位控制，在定向增发事件发生时构建投资组合，具体方法参考了相关专题研究报告[38] 模型的回测效果 1. PB-ROE-50组合业绩表现 - 中证500股票池：本周超越基准收益率-0.23%，今年以来超额收益率2.92%，本周绝对收益率-1.49%，今年以来绝对收益率30.06%[26] - 中证800股票池：本周超越基准收益率-0.98%，今年以来超额收益率15.82%，本周绝对收益率-2.10%，今年以来绝对收益率38.80%[26] - 全市场股票池：本周超越基准收益率-1.39%，今年以来超额收益率18.21%，本周绝对收益率-1.91%，今年以来绝对收益率46.11%[26] 2. 机构调研组合业绩表现 - 公募调研选股策略：本周超越基准收益率1.82%，今年以来超额收益率14.61%，本周绝对收益率0.67%，今年以来绝对收益率37.35%[29] - 私募调研跟踪策略：本周超越基准收益率1.06%，今年以来超额收益率16.31%，本周绝对收益率-0.08%，今年以来绝对收益率39.39%[29] 3. 大宗交易组合业绩表现 - 本周超越基准收益率2.39%，今年以来超额收益率39.25%，本周绝对收益率1.84%，今年以来绝对收益率72.12%[33] 4. 定向增发组合业绩表现 - 本周超越基准收益率2.16%，今年以来超额收益率-0.56%，本周绝对收益率1.61%，今年以来绝对收益率22.91%[39] 量化因子与构建方式 1. 大类因子 **因子构建思路**：将多个相关性较高的单因子归类形成风格因子，用于分析市场风格特征[20] **因子具体构建过程**：报告中提到了残差波动率因子、杠杆因子、beta因子、规模因子和动量因子等大类因子，但未详细说明具体构建方法[20] 2. 单因子 报告中提及了大量单因子，包括但不限于：大单净流入、市盈率因子、市净率因子、下行波动率占比、对数市值因子、动量调整大单、5日反转等[12][14][18]，但未详细说明每个因子的具体构建公式和方法 因子的回测效果 1. 大类因子表现（全市场股票池） - 残差波动率因子：本周收益0.50%[20] - 杠杆因子：本周收益0.36%[20] - beta因子：本周收益-1.10%[20] - 规模因子：本周收益-0.92%[20] - 动量因子：本周收益-0.70%[20] 2. 单因子表现（按股票池分类） 沪深300股票池表现较好的因子 - 大单净流入：本周1.63%，最近1个月0.96%，最近1年1.22%，最近10年50.54%[13] - 市盈率因子：本周1.50%，最近1个月4.57%，最近1年-5.66%，最近10年20.77%[13] - 5日成交量的标准差：本周1.40%，最近1个月2.07%，最近1年7.76%，最近10年21.57%[13] 中证500股票池表现较好的因子 - 下行波动率占比：本周2.64%，最近1个月3.28%，最近1年-0.97%，最近10年108.73%[15] - 大单净流入：本周2.22%，最近1个月2.70%，最近1年-4.79%，最近10年102.70%[15] - 市净率因子：本周2.09%，最近1个月2.78%，最近1年-3.07%，最近10年52.58%[15] 流动性1500股票池表现较好的因子 - 对数市值因子：本周1.76%，最近1个月3.56%，最近1年-1.89%，最近10年-12.44%[19] - 日内波动率与成交金额的相关性：本周1.52%，最近1个月2.28%，最近1年4.61%，最近10年164.46%[19] - 下行波动率占比：本周1.38%，最近1个月1.35%，最近1年6.85%，最近10年117.62%[19] 3. 行业内因子表现 报告展示了各因子在申万一级行业中的表现情况，包括每股经营利润TTM、每股净资产、净资产增长率、净利润增长率、5日动量、1月动量、BP因子、EP因子、成长因子、残差波动率、流动性、对数市值等因子在不同行业的表现差异[24]