这是一份关于基金市场与ESG产品的周报，其核心内容是市场表现、基金产品发行与表现跟踪、ETF资金流向和ESG产品情况。报告本身并未涉及量化模型或因子的构建、测试与评价。报告的主要内容是对各类基金产品、ETF资金流和ESG市场的表现进行描述性统计和汇总，属于市场跟踪和数据分析，而非量化投资策略或因子研究。 因此，根据您提供的任务要求，此份研报中**没有需要总结的量化模型或量化因子内容**。

期货研究报告 | 金融工程研究 本周宽基指数普涨，但情绪降温，近期可 重点考虑投资组合的抗风险能力 （ 2025年09月08日-2025年09月12日） ——招期金工股票策略环境监控周报 ·研究员-卢星 ·联系电话：13120557519 ·luxing1@cmschina.com.cn ·执业资格号: Z0022829 2025年09月14日 目录 contents 权益市场回顾 01 策略环境监控 02 03 未来策略研判 2 核心观点 | | 指数月度表现 | 从今年累计收益看，表现最好的三个指数是微盘股指数（+68.63%）、创业板指数（+41.04%）和TMT指数 | | --- | --- | --- | | | | （+39.24%），而表现最弱的三个指数是中证红利（-0.92%）、沪深300（+14.92%）和上证指数（+15.48%）。 | | | | 展望后市，我们认为近期期权情绪维度显示中证1000，沪深300，中证500情绪上看跌，叠加机构出金等有可能 | | | | 预示市场有可能进一步调整，投资者短期需要做好风险应对，近期需关注量能变化与美联储政策转向风险。我 | | 总体情况 | ...

量化模型与因子总结 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平均涨幅与平均跌幅的比值，衡量市场超买超卖状态[2] **因子具体构建过程**： - 计算周期：12天[2] - 计算公式： $$RSI = 100 - \frac{100}{1 + RS}$$ 其中RS为周期内平均涨幅与平均跌幅的比值[2] - 判断标准：RSI>70表示超买状态，RSI<30表示超卖状态[2] 2 **因子名称：净申购金额**[2] **因子构建思路**：通过净值变化推算资金流入流出情况[2] **因子具体构建过程**： - 计算公式： $$NETBUY(T) = NAV(T) - NAV(T-1) \times (1 + R(T))$$ 其中NETBUY(T)为T日净申购金额，NAV(T-1)为前一日净值，R(T)为T日收益率[2] 因子回测效果 1 **RSI相对强弱指标因子** - 具体取值见各ETF的"RSI相对强弱指标"列[4][6] - 例如：华泰柏瑞沪深300ETF为63.90，易方达沪深300ETF为63.27[4] 2 **净申购金额因子** - 具体取值见各ETF的"净申购（亿元）"列[4][6] - 例如：华泰柏瑞沪深300ETF为63.27亿元，易方达沪深300ETF为9.10亿元[4] 注：报告中未提供其他量化模型或复合因子的构建细节，也未包含模型或因子评价内容及完整的测试结果指标（如年化收益率、夏普比率、信息比率等）[1][2][3][4][5][6][7][8]

量化模型与构建方式 量化因子与构建方式 1. **因子名称：中期动量因子（MOM）** **因子构建思路**：基于Jegadeesh和Titman的经典研究，通过计算股票过去一段时间（剔除最近一个月）的累计收益率来捕捉动量效应[9][11] **因子具体构建过程**：对于股票i在t月的中期动量因子，计算公式为： $$M O M_{i,t}^{M}=\prod_{k=t-12}^{t-2}\left(1+r_{i,k}\right)-1$$ 其中，$r_{i,k}$表示股票i在k月的收益率[12] 2. **因子名称：短期动量因子** **因子构建思路**：考虑到A股市场风格轮动较快，将计算窗口缩短以捕捉短期动量效应[18] **因子具体构建过程**：对于股票i在t月的短期动量因子，计算公式为： $$M O M_{i,t}^{s}=\prod_{k=t-6}^{t-2}\left(1+r_{i,k}\right)-1$$ 其中，$r_{i,k}$表示股票i在k月的收益率[18] 3. **因子名称：方向动量因子（D-MOM）** **因子构建思路**：借鉴《Directional Information in Equity Returns》一文，通过线性概率模型预测收益率的方向而非数值，以提升稳健性并抵御"动量崩溃"[10][24][25] **因子具体构建过程**：对每个股票构建线性概率模型，模型公式为： $$\begin{array}{c}{{r_{i,t}^{+}=\delta_{0}+\delta_{1}V_{i,t-1}+\delta_{2}r_{m,t-1}+\beta_{+}^{m}P_{i,t-1}^{m}+\beta_{+}^{w}P_{i,t-1}^{w}+\beta_{+}^{d}P_{i,t-1}^{d}+\beta_{-}^{m}N_{i,t-1}^{m}+\beta_{-}^{w}N_{i,t-1}^{w}}}\\ {{+\beta_{-}^{d}N_{i,t-1}^{d}+u_{i,t}}}\end{array}$$ 其中，$r_{i,t}^{+}$是哑变量（收益率大于0取1，否则取0）；$V_{i,t-1}$是滞后一期的特质方差（CAPM模型残差的方差）；$r_{m,t-1}$是滞后一期的市场收益率；$P_{i,t-1}^{m}$, $P_{i,t-1}^{w}$, $P_{i,t-1}^{d}$ 分别是月度、周度、日度的正收益持续期（最长持续期为12月/周/天）；$N_{i,t-1}^{m}$, $N_{i,t-1}^{w}$, $N_{i,t-1}^{d}$ 分别是月度、周度、日度的负收益持续期（最长持续期为12月/周/天）[25] 模型输出的预测值即为股票i在t时刻收益率大于0的概率，称为概率得分（Probability Score, PS），记作方向动量（D-MOM）因子[26] 4. **因子名称：增强方向动量因子（增强D-MOM）** **因子构建思路**：在原始方向动量因子基础上，加入个股自身的历史收益率作为自变量，以捕捉个体动量/反转特征，提升预测有效性[35] **因子具体构建过程**：线性概率模型扩展为： $$\begin{array}{c}{{r_{i,t}^{+}=\delta_{0}+\delta_{1}W_{i,t-1}+\delta_{2}r_{m,t-1}+\delta_{3}r_{i,t-1}+\beta_{4}^{m}P_{i,t-1}^{m}+\beta_{4}^{w}P_{i,t-1}^{w}+\beta_{4}^{d}P_{i,t-1}^{d}+\beta_{4}^{m}N_{i,t-1}^{m}}}\\ {{+\beta_{2}^{w}N_{i,t-1}^{w}+\beta_{4}^{d}N_{i,t-1}^{d}+u_{i,t}}}\end{array}$$ 其中，新增自变量$r_{i,t-1}$表示股票i滞后一期的收益率，其余变量定义同方向动量因子[35] 模型输出的概率得分（PS）即为增强方向动量（D-MOM）因子[35] **因子评价**：该因子有效改进了A股传统动量因子失效的困境，具备更好的收益分布特征和更低的极端风险概率，能有效抵御"动量崩溃"[36][42][49] 模型的回测效果 1. **中期动量因子（MOM）** IC均值：0.019[13] 年化ICIR：0.30[13] IC>0概率：59%[13] 多空年化收益率（等权）：-1.00%[13] 多头年化超额收益率（等权）：2.80%[13] 多空组合收益风险比：-0.10[13] 2. **短期动量因子** IC均值：0.011[35] 年化ICIR：0.20[35] IC>0概率：60%[35] 多空年化收益率（等权）：-10.80%[35] 多头年化超额收益率（等权）：-3.00%[35] 多空组合收益风险比：-0.24[35] 3. **方向动量因子（D-MOM）** IC均值：0.059[33][35] 年化ICIR：1.39[33][35] IC>0概率：86%[33][35] 多空年化收益率（等权）：21.40%[35] 多空年化收益率（市值加权）：25.10%[35] 多头年化超额收益率（等权）：11.50%[35] 多头年化超额收益率（市值加权）：12.30%[35] 多空组合收益风险比（等权）：1.66[35] 多空组合收益风险比（市值加权）：1.35[35] 4. **增强方向动量因子（增强D-MOM）** IC均值：0.064[36][41] 年化ICIR：1.40[41] IC>0概率：86%[36][41] 多空年化收益率（等权）：25.40%[41] 多空年化收益率（市值加权）：26.40%[41] 多头年化超额收益率（等权）：15.10%[41] 多头年化超额收益率（市值加权）：12.80%[41] 多空组合收益风险比（等权）：1.84[41] 多空组合收益风险比（市值加权）：1.58[41] 月收益率偏度：0.72[43] 月收益率<-10%的概率：0.5%[43]

证券研究报告：金融工程报告 研究所 分析师:黄子崟 SAC 登记编号:S1340523090002 Email:huangziyin@cnpsec.com 研究助理:金晓杰 SAC 登记编号:S1340124100010 Email:jinxiaojie@cnpsec.com 近期研究报告 《融资资金净流入电力设备及新能 源，光通信概念趋势未破——行业轮 动周报 20250907》 - 2025.09.08 《苹果推出 Xcode 26 Beta 7，英伟达 开源 Jet-Nemotron 高性能语言模型— — AI 动 态 汇 总 20250901 》 - 2025.09.03 《双创涨速明显提升，ETF 资金配置思 路 偏 补 涨 — — 行 业 轮 动 周 报 20250831》 - 2025.09.01 l 沪深 300 股池因子跟踪 《指数上行重返十年高位，涨幅超 10% 芯片相关 ETF 净流出较多——行业轮动 周报 20250824》 – 2025.08.25 《非银爆发虹吸红利防御资金，指数料 将保持上行趋势持续挑战新高——行 业轮动周报20250817》 – 2025.08.18 《融资余额 ...

量化模型与构建方式 1.扩散指数行业轮动模型 - **模型名称**：扩散指数行业轮动模型 - **模型构建思路**：基于价格动量原理，通过计算行业扩散指数来捕捉行业趋势，选择向上趋势的行业进行配置[26][37] - **模型具体构建过程**： 1. 计算每个中信一级行业的扩散指数，扩散指数反映了行业价格动量的强度[27] 2. 具体计算公式未在报告中明确给出，但扩散指数是一个介于0到1之间的数值，数值越高代表行业向上趋势越强[27] 3. 每月选择扩散指数排名前六的行业作为配置组合[26][30] - **模型评价**：在趋势行情下表现较好，但在市场反转时可能失效[26][37] 2.GRU因子行业轮动模型 - **模型名称**：GRU因子行业轮动模型 - **模型构建思路**：基于分钟频量价数据，通过GRU深度学习网络生成行业因子，捕捉短期交易信息[34][38] - **模型具体构建过程**： 1. 使用GRU深度学习网络处理分钟频量价数据[38] 2. 生成GRU行业因子，因子值反映了行业短期表现强度[34] 3. 每周根据GRU行业因子排名调仓，选择因子排名前六的行业[34][36] - **模型评价**：在短周期表现较好，但长周期表现一般，极端行情下可能失效[38] 模型的回测效果 1.扩散指数行业轮动模型 - 2025年以来超额收益：4.53%[25][30] - 2025年9月以来超额收益：-0.47%[30] - 本周超额收益：0.88%[30] 2.GRU因子行业轮动模型 - 2025年以来超额收益：-7.37%[33][36] - 2025年9月以来超额收益：0.29%[36] - 本周超额收益：-0.23%[36] 量化因子与构建方式 1.行业扩散指数因子 - **因子名称**：行业扩散指数 - **因子构建思路**：基于价格动量原理，衡量行业价格趋势的强度[27][37] - **因子具体构建过程**： 1. 计算每个中信一级行业的扩散指数[27] 2. 扩散指数是一个0到1之间的数值，越高代表行业向上趋势越强[27] 3. 具体计算公式未在报告中明确给出 2.GRU行业因子 - **因子名称**：GRU行业因子 - **因子构建思路**：基于分钟频量价数据，通过GRU深度学习网络生成，捕捉行业短期表现[34][38] - **因子具体构建过程**： 1. 使用GRU深度学习网络处理分钟频量价数据[38] 2. 输出GRU行业因子值，正值代表看多，负值代表看空[34] 因子的回测效果 1.行业扩散指数因子 - 最新排名前六行业：综合(0.99)、银行(0.969)、通信(0.951)、钢铁(0.95)、有色金属(0.947)、商贸零售(0.934)[27] - 周度环比提升前六行业：房地产(0.132)、建材(0.047)、钢铁(0.033)、银行(0.005)、建筑(0.004)、商贸零售(0.003)[29] 2.GRU行业因子 - 最新排名前六行业：综合(4.56)、建筑(3.8)、房地产(3.6)、纺织服装(0.08)、综合金融(-0.07)、家电(-0.16)[34] - 周度环比提升前六行业：综合、建筑、房地产[34]

这份研报主要跟踪和分析了各类市场指标和风格表现，并未涉及传统意义上需要构建的量化选股模型或阿尔法因子。报告的核心是对现有风格指数、估值、资金面等指标的跟踪和解读。以下是基于报告内容的总结： 量化模型与构建方式 本报告未涉及需要构建的量化选股模型或阿尔法因子。 模型的回测效果 本报告未涉及量化模型的回测效果。 量化因子与构建方式 本报告未涉及需要构建的量化选股因子。 风格指数与跟踪指标 1. 风格拥挤度 **构建思路：** 衡量不同风格（如成长/红利、小盘/大盘等）的交易热度相对于历史水平和市场整体水平的位置，用于判断风格是否过热或过冷[37][122]。 **具体构建过程：** 1. 分别计算风格指数和万得全A指数近n个交易日（n=63，即一个季度）的日均换手率。 2. 在滚动y年（y=6）的历史窗口内，对这两组换手率时间序列分别进行z-score标准化。 3. 计算风格指数标准化后的换手率与万得全A指数标准化后的换手率之差。 4. 最后计算该差值的滚动历史分位值，即为风格拥挤度分位点[122]。 2. 风格累计超额净值 **构建思路：** 计算各风格指数相对于万得全A指数的累计超额收益，用于观察风格的长期表现[37][123]。 **具体构建过程：** 1. 以2016年1月4日为基准日，计算风格指数和万得全A指数的每日累计净值（当日收盘价 / 基准日收盘价）。 2. 将风格指数的每日累计净值除以万得全A指数同日的累计净值，得到每日的相对净值。 3. 这一系列相对净值连接起来即构成该风格相对于万得全A的累计超额净值曲线[123]。 3. 机构调研活跃度 **构建思路：** 衡量不同板块或行业受到机构关注度的历史分位水平，分为长期和短期口径[104][124]。 **具体构建过程：** 1. 计算板块（或指数、行业）近n个交易日的“日均机构调研次数”。 * 长期口径：n取126（近半年）[124] * 短期口径：n取63（近一季度）[124] 2. 在滚动历史窗口（长期口径为6年，短期口径为3年）内，对该“日均机构调研次数”序列以及万得全A的对应序列分别进行z-score标准化。 3. 计算板块标准化后的数值与万得全A标准化后的数值之差，得到“机构调研活跃度”。 4. 最后计算该“机构调研活跃度”在滚动历史窗口内的历史分位数[124]。 4. 股债风险溢价（ERP） **构建思路：** 衡量股票市场相对于债券市场的估值吸引力，是常见的股债性价比指标[72]。 **具体构建过程：** $$ erp = \frac{1}{指数 PE_{TTM}} - 10年期中债国债到期收益率 $$ 其中，$PE_{TTM}$ 为指数滚动市盈率[72]。 指标跟踪结果 风格表现 (截至2025年9月12日) | 风格对比 | 近一周收益(%) | 近一月收益(%) | 年初至今收益(%) | | :----------------- | :------------ | :------------ | :------------- | | 成长-红利 | 1.9 | 13.9 | 22.9 | | 小盘-大盘 | 1.6 | -0.3 | 9.1 | | 微盘股-基金重仓 | 0.1 | -6.4 | 35.1 | | 动量-反转 | -1.3 | -2.0 | 24.4 | *数据来源：图表6[27]* 风格拥挤度历史分位 (截至2025年9月12日) | 风格 | 当前分位 | | :--------- | :------- | | 成长 | 14% | | 红利 | 32% | | 小盘 | 32% | | 大盘 | 76% | | 微盘股 | 15% | | 基金重仓 | 88% | *数据来源：图表11[37]* 估值水平 (PE_TTM历史分位) | 指数 | 当前分位 | 状态 | | :--------- | :------- | :--- | | 万得全A | 91% | 极高 | | 沪深300 | 80% | 极高 | | 中证500 | 73% | 较高 | | 创业板指 | 39% | 较低 | *数据来源：图表26,27,28,29,30[62][68][70]* 股债性价比 (ERP历史分位) | 指数 | 当前分位 | 状态 | | :--------- | :------- | :--- | | 万得全A | 47% | 均衡 | | 沪深300 | 48% | 均衡 | | 中证500 | 66% | 较高 | | 创业板指 | 86% | 极高 | *数据来源：图表31,32,33,34,35[72][78][80]* 机构调研活跃度历史分位 (长期口径) **前列行业:** 有色金属(97%)、房地产(94%)、石油石化(93%)[104] **后列行业:** 银行(9%)、机械(18%)、医药(23%)[104] *数据来源：图表47[105]*

量化周报 分歧度上行叠加流动性下行确认 2025 年 09 月 14 日 ➢ 择时观点：分歧度上行叠加流动性下行确认。当下流动性确认下行趋势，分 歧度继续扩大，景气度保持回升趋势，三维择时框架给出震荡下跌判断，建议逐 步谨慎。从技术形态来看，沪深 300 仍处超买状态，在趋势高位周四放量长阳线 将指数保持较高点位并非典型吸筹逻辑，周五同样放量短阴线表明供应努力没有 结果，整体市场多空分歧交织。 ➢ 指数监测：中证传媒指数大幅流入。近 1 周 ETF 产品申购流入增速快的有： 中证传媒、恒生中国企业指数、细分机械、创价值、油气资源等。近 1 周富时亚 太低碳精选指数、新能源、国信价值、港股通汽车、800 红利低波份额流出最多。 我们在报告《ETF 的聚类优选与热点趋势策略构建》中构建了 ETF 的热点趋势策 略，本周策略中主要包括化工、有色、光伏、通信、新能源等行业、以及创业板 等 ETF。 ➢ 资金共振：推荐食品饮料，电力及公用事业，农林牧渔与石油石化。我们监 控两融与大单资金的共振情绪，选择两类资金都看好的行业。两融资金流上周在 电子中净流入最多，净流入 146.2 亿元；大单资金上周在钢铁中净流入最多，净 ...

证券研究报告 | 金融工程 gszqdatemark 2025 09 14 年 月 日 量化周报 房地产确认周线级别上涨 房地产确认周线级别上涨。本周（ 9.8-9.12），大盘震荡上行，上证指数全 周收涨 1.52%。在此背景下，房地产迎来周线级别上涨。市场的本轮上涨 自 4 月 7 日以来，日线级别反弹已经持续了 4 个多月，反弹幅度也基本在 20%以上，各大指数和板块的上涨基本都轮动了一遍，超 2/3 的行业日线 级别上涨处于超涨状态，上证指数、上证 50、非银、有色、农林牧渔、消 费者服务、商贸零售、纺织服装、计算机、建筑、交运等板块更是走出了 复杂的上涨结构，而银行也已经率先形成了日线级别下跌，因此我们认为 本轮日线级别上涨大概率已临近尾声。短期，市场的波动进一步加大，投 资者后续可积极关注市场未来是否出现放量滞涨、放量大跌及缩量反弹迹 象。中期来看，上证指数、上证 50、沪深 300、中证 500、深证成指、创 业板指、科创 50 纷纷确认周线级别上涨，而且在日线上只走出了 3 浪结 构，中期牛市刚刚开始；此外，已有 26 个行业处于周线级别上涨中，且 18 个行业周线上涨走了 1-3 浪结构，因 ...

量化模型与构建方式 1. **主动权益型基金仓位测算模型** - 模型构建思路：通过持股市值加权方法计算主动权益型基金的平均股票仓位，以反映市场配置情绪[20][23] - 模型具体构建过程： 1. 筛选合格样本基金，需满足条件：成立期满两个季度、未到期、规模大于5000万元、过去四期平均仓位大于60%[23] 2. 计算持股市值加权平均仓位： $$ \text{平均仓位} = \frac{\sum (\text{单基金持股市值} \times \text{该基金股票仓位})}{\sum \text{单基金持股市值}} $$ 3. 分类计算普通股票型、偏股混合型、配置型基金的仓位[20] - 模型评价：能够有效跟踪公募基金的整体配置情绪变化 2. **风格仓位暴露模型** - 模型构建思路：根据市值和成长/价值属性划分风格（如大盘成长、小盘价值等），计算主动偏股型基金在各风格上的仓位暴露[28] - 模型具体构建过程： 1. 定义风格分类标准（如大盘成长、大盘价值等）[28] 2. 对基金持仓股票按风格分类，并计算持股市值加权平均仓位： $$ \text{风格仓位} = \frac{\sum (\text{该风格股票持股市值})}{\sum \text{全部股票持股市值}} $$ 3. 统计各风格仓位的周度变化[28] 3. **行业仓位暴露模型** - 模型构建思路：基于中信一级行业分类，计算主动权益型基金在各行业上的仓位分布及变动[31][32] - 模型具体构建过程： 1. 按中信一级行业分类基金持仓股票[32] 2. 计算持股市值加权平均行业仓位： $$ \text{行业仓位} = \frac{\sum (\text{该行业股票持股市值})}{\sum \text{全部股票持股市值}} $$ 3. 跟踪各行业仓位的周度变化及趋势（如“连续上涨”或“连续下跌”）[32] 4. **ETF资金流向跟踪模型** - 模型构建思路：统计各类ETF（宽基、行业、主题等）的资金净流入数据，以反映市场资金偏好[35][36][37] - 模型具体构建过程： 1. 按ETF类型（宽基、行业、主题、境外等）分类[35] 2. 计算单周净流入金额： $$ \text{净流入} = \text{期间流入资金} - \text{期间流出资金} $$ 3. 汇总各类型ETF的规模及资金流向[35] 5. **主力/主动资金流统计模型** - 模型构建思路：基于同花顺对主力资金的划分标准（特大单、大单、中单、小单），统计个股和行业的资金净流入情况[50][51] - 模型具体构建过程： 1. 按成交单划分标准分类： - 特大单：成交量≥20万股或金额≥100万元 - 大单：成交量6-20万股或金额30-100万元 - 中单：成交量1-6万股或金额5-30万元 - 小单：成交量<1万股或金额<5万元[50] 2. 计算个股和行业的净流入金额： $$ \text{净流入} = \sum \text{买入金额} - \sum \text{卖出金额} $$ 3. 分别统计主力资金（特大单+大单）和主动资金（特大单）的流向[51] 模型的回测效果 （注：本篇报告未提供模型回测效果指标，如年化收益、夏普比率、信息比率（IR）等，故本节省略） 量化因子与构建方式 1. **基金净值涨跌幅因子** - 因子构建思路：计算主动权益型基金的周度净值涨跌幅，以反映基金短期表现[18][19] - 因子具体构建过程： $$ \text{净值涨跌幅} = \frac{\text{本期净值} - \text{上期净值}}{\text{上期净值}} $$ - 因子评价：可用于筛选短期表现优异的基金[19] 2. **ETF资金净流入因子** - 因子构建思路：统计单只ETF产品的资金净流入金额，反映资金对该产品的偏好[61][62] - 因子具体构建过程： $$ \text{净流入} = \text{期间申购金额} - \text{期间赎回金额} $$ - 因子评价：可用于判断资金对特定赛道或指数的偏好[35][36] 3. **行业资金主动净流入因子** - 因子构建思路：基于主力资金流向数据，计算各行业的主动资金净流入金额，反映主力资金对行业的偏好[51][60] - 因子具体构建过程： 1. 按行业分类汇总主动资金（特大单）净流入[60] 2. 计算行业净流入金额： $$ \text{行业净流入} = \sum_{\text{行业个股}} \text{主动资金净流入} $$ 因子的回测效果 （注：本篇报告未提供因子回测效果指标，如IC值、IR值、多空收益等，故本节省略）