根据提供的研报内容，以下是关于量化模型和因子的总结。 量化模型与构建方式 1. **模型名称：打新收益测算模型**[42] * **模型构建思路**：该模型旨在测算不同类别（A类/B类）、不同资产规模的账户，在参与新股网下申购时的理论收益率[42] * **模型具体构建过程**：模型的核心是计算单只新股对单个账户的理论贡献收益，并逐月、逐板块或按累计方式进行加总[42] * 单账户个股打新收益的计算公式为： $$单账户个股打新收益 = min（账户规模，申购上限） \times 中签率 \times 收益率$$[42] * A/B类投资者的“打满收益”计算公式为： $$A/B类投资者打满收益 = 申购上限 \times A/B类网下中签率 \times 收益率$$[42] * 公式说明： * `账户规模`：指参与打新账户的资产规模[42] * `申购上限`：单只新股网下申购的金额上限[42] * `中签率`：采用个股网下打新的实际中签结果，分为A类和B类投资者[42] * `收益率`：对于科创板和创业板上市的新股以及全面注册制下的主板新股，采用上市首日成交均价相对于发行价的涨跌幅；对于非注册制下的主板上市新股，采用开板当日成交均价相对于发行价的涨跌幅，若新股尚未开板，则使用动态12个月内主板上市个股开板实现收益率的均值作为替代[42] 2. **因子名称：基金产品打新参与度**[58] * **因子构建思路**：衡量基金产品参与网下新股询价的积极程度[58] * **因子具体构建过程**：计算基金产品在统计期内参与报价的新股数量与同期网下询价发行新股总数的比值[58] * 计算公式为： $$参与度 = \frac{参与报价新股数}{网下询价发行新股总数}$$[58] 3. **因子名称：基金产品报价入围率**[58] * **因子构建思路**：衡量基金产品参与新股询价时报价的有效性，即报价进入发行价格区间的比例[58] * **因子具体构建过程**：计算基金产品有效报价的个数与其参与报价新股总数的比值[58] * 计算公式为： $$报价入围率 = \frac{有效报价个数}{参与报价新股数}$$[58] 模型的回测效果 1. **打新收益测算模型**[43][49][50][51] * **2025年11月，5亿规模账户打新收益率**： * A类账户主板打新收益率：0.037%[43] * B类账户主板打新收益率：0.035%[43] * A类账户创业板打新收益率：0.058%[43] * B类账户创业板打新收益率：0.058%[43] * A类账户科创板打新收益率：0.046%[43] * B类账户科创板打新收益率：0.045%[43] * A类账户全市场当月打新收益率：0.141%[49][50] * B类账户全市场当月打新收益率：0.139%[49][51] * **2025年累计，5亿规模账户打新收益率**： * A类账户全市场累计打新收益率：1.716%[49][50] * B类账户全市场累计打新收益率：1.399%[49][51] * **2025年11月，打满收益（万元）**： * A类账户主板打满收益：19.00万元[44] * B类账户主板打满收益：17.92万元[44] * A类账户创业板打满收益：31.25万元[47] * B类账户创业板打满收益：31.23万元[47] * A类账户科创板打满收益：22.83万元[48] * B类账户科创板打满收益：22.58万元[48] 因子的回测效果 1. **基金产品打新参与度与报价入围率**[59] * 以2025年11月打新收益较高的基金为例，其打新参与度均为100%，报价入围率均为100%[59] * 例如，诺安优势行业A基金（000538.OF）的参与度为100%，报价入围率为100%，估算打新收益为43.74万元，估算收益率为1.247%[59]

量化模型与构建方式 1. **模型名称：券商金股指数**[17] **模型构建思路：** 将券商金股作为表征卖方分析师推荐股票池整体表现的代表，以每月初汇总的券商金股为样本构建指数，用于跟踪偏股混合型基金指数的表现[17] **模型具体构建过程：** 每月初将券商金股进行汇总，根据其被券商推荐的家数进行加权构建券商金股指数，并于每月第一天收盘价进行调仓。在计算收益时，以每次调仓时点所能获取的主动股基最近一个报告期的权益仓位中位数作为券商金股指数的仓位[17] 2. **模型名称：券商金股行业组合**[21] **模型构建思路：** 基于券商金股在行业内具备较强的Alpha挖掘能力，筛选出不同行业的个股构建行业组合[21] **模型具体构建过程：** 筛选出券商金股股票池中属于不同中信一级行业的个股，等权构建券商金股行业组合[21] 3. **模型名称：券商金股业绩增强组合**[37][42] **模型构建思路：** 以对标公募基金中位数为基准，在能够较好跟踪偏股混合型基金指数的券商金股股票池中进行优选，以获取稳定战胜基准的表现[37][42] **模型具体构建过程：** 以券商金股股票池为选股空间和约束基准，采用组合优化的方式控制组合与券商金股股票池在个股、风格上的偏离，以全体公募基金的行业分布为行业配置基准，构建券商金股业绩增强组合[42] 模型的回测效果 1. **券商金股指数模型**，本月（20251029-20251128）收益-2.65%，偏股混合型基金指数收益-2.45%[20]；本年（20250102-20251128）收益25.18%，偏股混合型基金指数收益29.23%[20] 2. **券商金股行业组合模型**，本月收益中，建材、电子、消费者服务行业的超额收益排名前三[22]；本年收益中，电子、汽车、计算机行业的超额收益排名前三[22] 3. **券商金股业绩增强组合模型**，本月（20251103-20251128）绝对收益-1.06%，相对偏股混合型基金指数超额收益1.39%[5][41]；本年（20250102-20251128）绝对收益33.65%，相对偏股混合型基金指数超额收益4.42%[5][41]；全样本区间（2018.1.2-2025.6.30）年化收益19.34%，相对偏股混合型基金指数年化超额14.38%[43] 量化因子与构建方式 1. **因子名称：总市值**[3][27] **因子表现：** 最近一个月及今年以来在券商金股股票池中表现较好[3][27] 2. **因子名称：单季度超预期幅度**[3][27] **因子表现：** 最近一个月在券商金股股票池中表现较好[3][27] 3. **因子名称：SUR**[3][27] **因子表现：** 最近一个月及今年以来在券商金股股票池中表现较好[3][27] 4. **因子名称：单季度营收增速**[3][27] **因子表现：** 今年以来在券商金股股票池中表现较好[3][27] 5. **因子名称：日内收益率**[3][27] **因子表现：** 最近一个月在券商金股股票池中表现较差[3][27] 6. **因子名称：分析师净上调幅度**[3][27] **因子表现：** 最近一个月在券商金股股票池中表现较差[3][27] 7. **因子名称：分析师净上调比例**[3][27] **因子表现：** 最近一个月在券商金股股票池中表现较差[3][27] 8. **因子名称：EPTTM**[3][27] **因子表现：** 今年以来在券商金股股票池中表现较差[3][27] 9. **因子名称：预期股息率**[3][27] **因子表现：** 今年以来在券商金股股票池中表现较差[3][27] 10. **因子名称：BP**[3][27] **因子表现：** 今年以来在券商金股股票池中表现较差[3][27] 11. **因子名称：Barra风格因子**[29] **因子构建思路：** 用于分析券商金股股票池相对于全市场股票在主要风格上的暴露情况[29] 因子的回测效果 1. **总市值因子**，最近一个月表现较好，今年以来表现较好[3][27] 2. **单季度超预期幅度因子**，最近一个月表现较好[3][27] 3. **SUR因子**，最近一个月表现较好，今年以来表现较好[3][27] 4. **单季度营收增速因子**，今年以来表现较好[3][27] 5. **日内收益率因子**，最近一个月表现较差[3][27] 6. **分析师净上调幅度因子**，最近一个月表现较差[3][27] 7. **分析师净上调比例因子**，最近一个月表现较差[3][27] 8. **EPTTM因子**，今年以来表现较差[3][27] 9. **预期股息率因子**，今年以来表现较差[3][27] 10. **BP因子**，今年以来表现较差[3][27] 11. **Barra风格因子**，近3个月券商金股股票池风格暴露基本与上月保持一致[29]

量化模型与构建方式 1. **模型名称：开源金工优选金股组合**[25] **模型构建思路**：基于前期研究发现的新进金股收益更优以及业绩超预期因子（SUE因子）在新进金股中选股能力强的结论，从每月的新进金股样本中，筛选出业绩超预期程度最高的股票构建投资组合[25] **模型具体构建过程**： - 第一步：确定股票池。每月选取所有券商发布的金股中，相对于上月为新进的股票（即新进金股）作为初始股票池[25] - 第二步：因子筛选。在第一步得到的新进金股股票池中，使用业绩超预期因子（SUE因子）进行排序[25] - 第三步：组合构建。从排序结果中，选择业绩超预期排名前30只的金股，构成最终的优选金股组合[25] - 第四步：权重设置。组合内个股的权重按照推荐该股的券商数量进行加权确定[25] 模型的回测效果 1. **开源金工优选金股组合**：11月收益率-0.2%[27]，2025年收益率45.1%[27]，年化收益率22.5%[27]，年化波动率25.3%[27]，收益波动比0.89[27]，最大回撤24.6%[27] 2. **全部金股组合**：11月收益率-3.4%[23]，2025年收益率32.2%[23]，年化收益率13.2%[23]，年化波动率23.5%[23]，收益波动比0.56[23]，最大回撤42.6%[23] 3. **新进金股组合**：11月收益率-2.0%[23]，2025年收益率37.8%[23]，年化收益率16.0%[23]，年化波动率24.1%[23]，收益波动比0.66[23]，最大回撤38.5%[23] 4. **重复金股组合**：11月收益率-4.6%[23]，2025年收益率27.9%[23]，年化收益率10.7%[23]，年化波动率23.7%[23]，收益波动比0.45[23]，最大回撤45.0%[23] 量化因子与构建方式 1. **因子名称：业绩超预期因子（SUE因子）**[25] **因子的构建思路**：该因子用于衡量上市公司实际公布的业绩相对于市场预期业绩的超出程度，通常认为业绩超预期越多的股票未来表现可能越好[25] **因子具体构建过程**：报告中提及了该因子在新进金股组合中具有优异的选股能力，并应用于优选金股模型的构建，但未提供该因子具体的计算方法和公式[25]

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： 量化模型与构建方式 1. **模型名称：券商金股业绩增强组合**[37][42] * **模型构建思路**：该模型以券商金股股票池为选股空间，旨在通过多因子优选的方式，构建一个能够稳定战胜偏股混合型基金指数的投资组合[12][42] * **模型具体构建过程**：模型采用组合优化的方式进行构建，具体过程包括：以券商金股股票池作为选股范围和约束基准；采用组合优化方法，控制投资组合与基准券商金股股票池在个股和风格因子上的偏离；以全体公募基金的行业分布作为行业配置基准，进行优化[42] * **模型评价**：该模型结合了券商总量分析师自上而下的配置能力和行业分析师自下而上的选股能力，历史表现稳健，能够有效捕捉券商金股股票池中的Alpha潜力[12][42] 模型的回测效果 1. **券商金股业绩增强组合**[43][46] * 全样本年化收益（考虑仓位）：19.34%[46] * 相对偏股混合型基金指数年化超额收益：14.38%[46] * 在主动股基中排名（2025年截至11月28日）：35.37%分位点（1227/3469）[5][41] * 本月（2025年11月）绝对收益：-1.06%[5][41] * 本月相对偏股混合型基金指数超额收益：1.39%[5][41] * 本年（2025年截至11月28日）绝对收益：33.65%[5][41] * 本年相对偏股混合型基金指数超额收益：4.42%[5][41] 量化因子与构建方式 1. **因子名称：总市值**[3][27] * **因子表现**：报告指出，最近一个月及今年以来，总市值因子在券商金股股票池中均表现较好[3][27] 2. **因子名称：单季度超预期幅度**[3][27] * **因子表现**：报告指出，最近一个月，单季度超预期幅度因子在券商金股股票池中表现较好[3][27] 3. **因子名称：SUR**[3][27] * **因子表现**：报告指出，最近一个月及今年以来，SUR因子在券商金股股票池中均表现较好[3][27] 4. **因子名称：单季度营收增速**[3][27] * **因子表现**：报告指出，今年以来，单季度营收增速因子在券商金股股票池中表现较好[3][27] 5. **因子名称：日内收益率**[3][27] * **因子表现**：报告指出，最近一个月，日内收益率因子在券商金股股票池中表现较差[3][27] 6. **因子名称：分析师净上调幅度**[3][27] * **因子表现**：报告指出，最近一个月，分析师净上调幅度因子在券商金股股票池中表现较差[3][27] 7. **因子名称：分析师净上调比例**[3][27] * **因子表现**：报告指出，最近一个月，分析师净上调比例因子在券商金股股票池中表现较差[3][27] 8. **因子名称：EPTTM**[3][27] * **因子表现**：报告指出，今年以来，EPTTM因子在券商金股股票池中表现较差[3][27] 9. **因子名称：预期股息率**[3][27] * **因子表现**：报告指出，今年以来，预期股息率因子在券商金股股票池中表现较差[3][27] 10. **因子名称：BP**[3][27] * **因子表现**：报告指出，今年以来，BP因子在券商金股股票池中表现较差[3][27] 因子的回测效果 （报告中未提供具体因子分组的回测指标数值，仅进行了定性描述，故此部分略）

量化模型与构建方式 1. **模型名称：CANSLIM行业轮动策略**[1][4][13] * **模型构建思路**：借鉴CANSLIM体系，从行业拥挤度（C）、分析师预期（A）、基本面景气度（N）、聪明资金（S）、价格动量（L）、机构资金（I）和宏观视角下的动态估值（M）七个维度构建复合因子，用于进行行业轮动配置[4][13][26]。 * **模型具体构建过程**： * **调仓频率**：每月月末最后一个交易日调仓[36]。 * **回测区间**：2013年1月4日至2025年9月30日[36]。 * **样本选择**：28个中信一级行业（剔除综合金融、综合行业）[36]。 * **业绩基准**：中信一级行业等权组合[36]。 * **组合构建方式**：根据CANSLIM复合因子值对行业从高到低进行排序，选择得分最高的5个行业等权构建组合；若得分第五的行业出现平分，则相同得分的行业全部纳入[37]。 模型的回测效果 1. **CANSLIM行业轮动策略**，年化收益22.94%，相对行业等权基准年化超额收益13.80%，相对最大回撤23.75%，信息比1.29，收益回撤比0.58，月度胜率73%[5][38][40]。 量化因子与构建方式 1. **因子名称：CANSLIM复合因子**[4][5][32] * **因子构建思路**：综合行业拥挤度（C）、分析师预期（A）、基本面景气度（N）、聪明资金（S）、价格动量（L）、机构资金（I）和宏观视角下的动态估值（M）七个维度的多个子因子，构建一个综合得分因子用于评估行业未来表现[4][26][27]。 * **因子具体构建过程**：该复合因子由以下七个维度的子因子综合计算得出，各子因子的具体计算方式如下[26][27][32]： * **Crowd (拥挤度)**：$$ \text{拥挤度} = \frac{(\text{创新高股票数量} - \text{创新低股票数量})}{\text{行业内"成交活跃股"股票数量}} $$[32] * **Analyst (分析师预期)**：包含两个子因子： * 分析师认可度：$$ \text{分析师认可度} = \frac{(\text{分析师认可股票数量} - \text{分析师不认可股票数量})}{\text{成分股数量}} $$[32] * 分析师净上调比例：过去三个月分析师净上调比例[32]。 * **NotableProfit (基本面景气度)**：包含三个子因子： * SUE：标准化预期外盈利[32]。 * DeltaROEQ：单季度ROE同比增速[32]。 * 工业企业经济效益：工业企业利润累计同比[32]。 * **Smart (聪明资金)**：超大单资金净流入金额占比：$$ \text{超大单资金净流入金额占比} = \frac{\text{超大单资金净流入}}{\text{行业自由流通市值}} $$[32] * **Leader (价格动量)**：包含两个子因子： * 公募重仓股动量：成分股内公募重仓股收益率 - 成分股内所有股票收益率[32]。 * 成交量调节动量：日成交量调节动量均值 / 日成交量调节动量标准差[32]。 * **Institution (机构资金)**：包含两个子因子： * 公募基金行业变动：公募基金相对中证800指数行业超低配相对上期变动[32]。 * 券商金股行业变动：券商金股行业相对上月变动[32]。 * **MacroPB (宏观视角下的动态估值)**：在"信贷+货币"框架下引入趋势变量，形成多维度动态估值调节方法[27][32]。 2. **因子名称：券商金股行业变动因子**[2][16][32] * **因子构建思路**：从卖方视角探知机构资金的最新观点，反映券商金股推荐组合的行业配置变化[27][32]。 * **因子具体构建过程**：计算券商金股行业相对上月的变动情况[32]。 3. **因子名称：超大单资金净流入金额占比因子**[2][16][32] * **因子构建思路**：通过超大单资金的动向观察聪明资金的市场偏好[26][32]。 * **因子具体构建过程**：$$ \text{因子值} = \frac{\text{超大单资金净流入}}{\text{行业自由流通市值}} $$[32] 4. **因子名称：SUE因子**[2][16][32] * **因子构建思路**：使用标准化预期外盈利衡量基本面景气度[26][32]。 * **因子具体构建过程**：计算标准化预期外盈利[32]。 5. **因子名称：PB因子**[2][16] * **因子构建思路**：使用市净率作为估值衡量指标。 6. **因子名称：单季度ROE增速因子**[2][16][32] * **因子构建思路**：使用单季度ROE同比增速衡量盈利能力边际改善[26][32]。 * **因子具体构建过程**：计算单季度ROE同比增速[32]。 7. **因子名称：公募重仓股动量因子**[2][16][32] * **因子构建思路**：通过公募重仓股相对于行业内其他股票的表现来刻画行业价格强势程度[27][32]。 * **因子具体构建过程**：$$ \text{因子值} = \text{成分股内公募重仓股收益率} - \text{成分股内所有股票收益率} $$[32] 8. **因子名称：分析师认可度因子**[2][16][32] * **因子构建思路**：从分析师认可度观察行业景气度持续性[26][32]。 * **因子具体构建过程**：$$ \text{因子值} = \frac{(\text{分析师认可股票数量} - \text{分析师不认可股票数量})}{\text{成分股数量}} $$[32] 9. **因子名称：成交量调节动量因子**[2][16][32] * **因子构建思路**：结合成交量信息来刻画动量[27][32]。 * **因子具体构建过程**：$$ \text{因子值} = \frac{\text{日成交量调节动量均值}}{\text{日成交量调节动量标准差}} $$[32] 10. **因子名称：公募基金持仓行业变动因子**[2][16][32] * **因子构建思路**：从买方视角探知机构资金的最新观点[27][32]。 * **因子具体构建过程**：计算公募基金相对中证800指数行业超低配相对上期的变动[32]。 因子的回测效果 1. **CANSLIM复合因子**，RankIC均值11.6%，月胜率64.7%，年化RankICIR 1.44，多头年化超额收益10.75%，空头年化超额收益-10.41%[5][32][34]。

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。 量化模型与构建方式 1. **模型名称**：基于微观特征的风格轮动模型[4][9] **模型构建思路**：从基础风格因子（估值、市值、波动率、动量）出发，通过构造大量微观特征，并使用常用指数作为风格股票池来定义风格收益标签，结合随机森林模型进行风格择时和打分，最终构建月频风格轮动策略[4][9] **模型具体构建过程**： 1. **底层因子选择**：基于东吴金工特色多因子划分标准，优选80个底层因子作为原始特征[9] 2. **微观特征构造**：基于80个基础微观指标，构造出640个微观特征[4][9] 3. **风格收益标签定义**：使用常用指数作为风格股票池，取代传统的按风格因子绝对比例划分的方法，构造新的风格收益作为模型训练的标签[4][9] 4. **模型训练与预测**：使用随机森林模型对单个风格进行择时预测；通过滚动训练的方式，以有效规避过拟合风险，并优选特征；模型输出每种风格的当期得分[4][9] 5. **策略构建**：综合模型的择时结果与打分结果，构建最终的月频风格轮动模型[4][9] 模型的回测效果 1. **基于微观的择时+打分风格轮动策略**[4][10][11] - 回测区间：2017/01/01 - 2025/11/30[4][10] - 年化收益率：16.52%[4][11] - 年化波动率：20.46%[4][11] - 信息比率(IR)：0.81[4][11] - 月度胜率：57.01%[4][11] - 历史最大回撤：25.68%[11] 2. **策略对冲市场基准（超额收益）**[4][10][11] - 回测区间：2017/01/01 - 2025/11/30[4][10] - 年化收益率：11.04%[4][11] - 年化波动率：11.08%[4][11] - 信息比率(IR)：1.00[4][11] - 月度胜率：55.14%[4][11] - 历史最大回撤：9.00%[11] 量化因子与构建方式 1. **因子名称**：估值因子[4][9] **因子的构建思路**：作为基础风格因子之一，用于构建风格轮动模型[4][9] 2. **因子名称**：市值因子[4][9] **因子的构建思路**：作为基础风格因子之一，用于构建风格轮动模型[4][9] 3. **因子名称**：波动率因子[4][9] **因子的构建思路**：作为基础风格因子之一，用于构建风格轮动模型[4][9] 4. **因子名称**：动量因子[4][9] **因子的构建思路**：作为基础风格因子之一，用于构建风格轮动模型[4][9] 因子的回测效果 （报告未提供单个因子的独立回测绩效指标，如年化收益率、信息比率等，仅提供了模型层面的综合表现，因此此部分内容省略）

根据提供的金融工程周报内容，经过全面梳理，该报告主要涉及市场回顾、基金表现统计和产品发行情况，并未详细阐述任何具体的量化模型或量化因子的构建思路、过程、公式及评价。报告内容侧重于市场数据汇总与基金产品业绩展示[1][2][3][4][6][9][10][11][12][14][16][18][19][23][24][25][26][29][31][32][33][34][35][36][37][38][39][40][41][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60]。 因此，本总结将主要呈现报告中提到的基金组合类别及其业绩表现。 **量化模型与构建方式** （报告未涉及具体量化模型的构建） **模型的回测效果** （报告未涉及具体量化模型的回测效果） **量化因子与构建方式** （报告未涉及具体量化因子的构建） **因子的回测效果** （报告未涉及具体量化因子的回测效果） **基金组合表现统计** **普通公募基金（按类别）上周收益中位数[35]** * 主动权益型基金: 3.24% * 灵活配置型基金: 2.46% * 平衡混合型基金: 1.52% **普通公募基金（按类别）本年收益中位数[36]** * 另类基金: 31.14% * 主动权益型基金: 26.17% * 灵活配置型基金: 19.83% * 平衡混合型基金: 13.32% **量化公募基金表现[37][39]** * **指数增强基金上周超额收益中位数**: 0.17% * **量化对冲型基金上周收益中位数**: 0.15% * **指数增强基金本年超额收益中位数**: 4.25% * **量化对冲型基金本年收益中位数**: 0.90% **FOF基金表现[40]** * **普通FOF基金上周收益中位数**: 0.66% * **目标日期FOF基金上周收益中位数**: 1.27% * **目标风险FOF基金上周收益中位数**: 0.68% * **目标日期FOF基金本年收益中位数**: 14.97% **周度业绩领先的指数增强基金（超额收益前十）[59]** 1. 银华中证全指医药卫生增强 (005112.OF): 本周超额 2.94%, 本年超额 8.48% 2. 平安沪深300指数量化增强A (005113.OF): 本周超额 2.01%, 本年超额 9.15% 3. 易方达沪深300精选增强A (010736.OF): 本周超额 1.51%, 本年超额 11.70% 4. 长信中证1000指数增强A (018013.OF): 本周超额 1.47%, 本年超额 18.89% 5. 富荣沪深300增强A (004788.OF): 本周超额 1.30%, 本年超额 11.63% 6. 国金沪深300指数增强A (167601.OF): 本周超额 1.23%, 本年超额 3.54% 7. 易方达上证50增强策略ETF (563090.OF): 本周超额 1.17%, 本年超额 3.25% 8. 易方达上证50增强A (110003.OF): 本周超额 1.13%, 本年超额 1.53% 9. 汇添富中证科创创业50指数增强A (014218.OF): 本周超额 1.13%, 本年超额 4.36% 10. 太平中证1000指数增强A (015466.OF): 本周超额 1.11%, 本年超额 12.38% **周度业绩领先的量化对冲基金（收益前十）[60]** 1. 汇添富绝对收益策略A (000762.OF): 本周收益 0.90%, 本年收益 3.43% 2. 海富通阿尔法对冲A (519062.OF): 本周收益 0.86%, 本年收益 2.19% 3. 德邦量化对冲策略A (008838.OF): 本周收益 0.62%, 本年收益 -2.16% 4. 安信稳健阿尔法定开A (005280.OF): 本周收益 0.47%, 本年收益 -0.53% 5. 景顺长城量化对冲策略三个月A (008851.OF): 本周收益 0.41%, 本年收益 -1.31% 6. 南方绝对收益策略 (000844.OF): 本周收益 0.37%, 本年收益 -1.58% 7. 华泰柏瑞量化收益 (001073.OF): 本周收益 0.33%, 本年收益 0.90% 8. 富国量化对冲策略三个月持有A (008835.OF): 本周收益 0.29%, 本年收益 2.44% 9. 华夏安泰对冲策略3个月定开 (008856.OF): 本周收益 0.25%, 本年收益 0.87% 10. 工银优选对冲A (010668.OF): 本周收益 0.24%, 本年收益 -0.94%

根据研报内容，以下是关于量化模型和因子的详细总结。 量化模型与构建方式 1. **模型名称：A股赔率模型**[12] * **模型构建思路**：通过计算股权风险溢价（ERP）和违约风险溢价（DRP）的标准化数值，等权加总来衡量A股资产的估值吸引力（赔率）[12] * **模型具体构建过程**： 1. 计算股权风险溢价（ERP）和违约风险溢价（DRP）[12] 2. 分别对ERP和DRP进行标准化处理，得到其Z-score值[12] 3. 将两个标准化数值进行等权加总，得到最终的赔率指标[12] * 公式：$$A股赔率 = Z(ERP) + Z(DRP)$$[12] 2. **模型名称：债券赔率模型**[19] * **模型构建思路**：基于长短债预期收益差构建债券资产的估值吸引力（赔率）指标[19] * **模型具体构建过程**：根据专题报告《利率债收益预测框架》中的收益预测模型，计算长短债的预期收益差，并以此构建赔率指标[19] 3. **模型名称：宏观胜率评分卡模型**[12][44] * **模型构建思路**：从货币、信用、增长、通胀和海外五个宏观因子出发，合成得到各大类资产的综合胜率评分[12][44] * **模型具体构建过程**：在专题报告《构建大类资产的宏观胜率评分卡：货币、信用、增长、通胀与海外五因子》中设计了详细的评分体系，综合五个因子的信号得到胜率[12][44] 4. **模型名称：美联储流动性指数模型**[20] * **模型构建思路**：结合数量维度和价格维度，综合构建反映美联储流动性状况的指数[20] * **模型具体构建过程**：在专题报告《美联储流动性的量价解构与资产配置应用》中，结合了净流动性、联储信用支持、预期引导、市场隐含、公告意外等多个指标构建了综合流动性指数[20] 5. **模型名称：风格因子三标尺评价模型**[21][23][26][29][35][36] * **模型构建思路**：从赔率（估值）、趋势（动量）和拥挤度三个维度对风格因子进行综合评价和排名[21][23][26][29][35][36] * **模型具体构建过程**： 1. **赔率**：计算因子的估值水平，通常用Z-score表示，数值越大代表因子越便宜[21][23] 2. **趋势**：衡量因子的动量强度，数值越大代表趋势越强[21][23] 3. **拥挤度**：通过换手率、波动率等指标刻画因子的交易拥挤程度，数值越大代表越拥挤[21][23] 4. 将三个维度的评分综合，得到因子的最终排名[34][35] 6. **模型名称：行业轮动三维评价模型**[36][38] * **模型构建思路**：基于行业的景气度、趋势和拥挤度三个维度进行行业比较和配置[36][38] * **模型具体构建过程**： 1. **趋势**：用行业过去12个月的信息比率（IR）来刻画行业的动量和趋势强度[36] 2. **拥挤度**：通过行业的换手率比率、波动率比率和beta比率来综合刻画行业的交易拥挤度[36] 3. **景气度**：报告中未详细说明具体构建方法，但在分析图谱中以气泡的实心（高景气）和空心（低景气）以及大小来表示[40] 4. 综合三个维度的信息进行行业配置[38][41] 7. **模型名称：赔率+胜率增强型资产配置策略**[3][42][44][48] * **模型构建思路**：结合资产的赔率（估值吸引力）和胜率（宏观环境支持度）信号，在目标波动率约束下进行资产配置[3][42][44][48] * **模型具体构建过程**： 1. 分别计算各资产的赔率指标（如A股赔率模型、债券赔率模型）和胜率指标（宏观胜率评分卡模型）[42][44] 2. 基于风险预算模型，分别为赔率策略和胜率策略分配风险预算[42] 3. 将赔率策略的风险预算和胜率策略的风险预算进行简单相加，得到综合得分[48] 4. 根据综合得分，在目标波动率约束下，持续超配综合得分高的资产，低配综合得分低的资产，构建“固收+”增强型策略[42][44][48] 模型的回测效果 1. **赔率+胜率增强型策略**[3][48][50] * 2011年以来年化收益6.7%，年化波动2.3%，最大回撤2.9%，夏普比率2.92[3][48][50] * 2014年以来年化收益7.4%，年化波动2.2%，最大回撤2.3%，夏普比率3.32[3][48][50] * 2019年以来年化收益6.4%，年化波动2.1%，最大回撤2.3%，夏普比率2.99[3][48][50] 2. **赔率增强型策略**[42][45] * 2011年以来年化收益6.7%，年化波动2.3%，最大回撤3.1%，夏普比率2.87[42][45] * 2014年以来年化收益7.4%，年化波动2.2%，最大回撤2.8%，夏普比率3.34[42][45] * 2019年以来年化收益6.9%，年化波动2.2%，最大回撤2.8%，夏普比率3.12[42][45] 3. **胜率增强型策略**[44][46] * 2011年以来年化收益7.1%，年化波动2.4%，最大回撤3.4%，夏普比率3.01[44][46] * 2014年以来年化收益8.0%，年化波动2.3%，最大回撤2.2%，夏普比率3.44[44][46] * 2019年以来年化收益6.9%，年化波动2.2%，最大回撤1.5%，夏普比率3.14[44][46] 4. **行业轮动策略**[37][38] * 2011年以来超额收益12.2%，跟踪误差10.8%，最大回撤25.4%，信息比率（IR）1.14[37][38] * 2014年以来超额收益11.9%，跟踪误差11.5%，最大回撤25.4%，信息比率（IR）1.03[37][38] * 2019年以来超额收益9.6%，跟踪误差10.3%，最大回撤12.3%，信息比率（IR）0.93[37][38] 量化因子与构建方式 1. **因子名称：小盘因子**[21][35] * **因子构建思路**：通过中证2000指数与沪深300指数的相对表现来表征小盘风格[21] * **因子评价**：当前呈现“中等赔率-强趋势-低拥挤”的特征，配置价值有所修复[21][35] 2. **因子名称：价值因子**[23][35] * **因子构建思路**：通过国证价值指数与国证1000指数的相对表现来表征价值风格[23] * **因子评价**：当前呈现“中高赔率-中等趋势-低拥挤”的特征，综合得分较高，建议重点关注[23][35] 3. **因子名称：质量因子**[26][35] * **因子构建思路**：通过因子累计收益率来表征质量风格的表现[26] * **因子评价**：当前呈现“高赔率-中低趋势-中等拥挤”的特征，趋势较弱，配置价值相对较低，需等待右侧确认[26][35] 4. **因子名称：成长因子**[29][35] * **因子构建思路**：通过国证成长指数与国证1000指数的相对表现来表征成长风格[29] * **因子评价**：当前呈现“中等赔率-中高趋势-高拥挤”的特征，交易风险较高，建议保持谨慎[29][35] 5. **因子名称：低波因子**[35] * **因子构建思路**：报告中提及了不同期限的低波因子，如低波(12个月)、低波(3个月)[32][34] * **因子评价**：当前低波风格三标尺综合排名位居前列，建议重点关注[35] 6. **其他风格因子**：报告图表中还提到了动量、反转、低市净率、低市盈率、高股息、ROE、营收同比等多种风格因子，但未详细描述其构建过程[32][34] 因子的回测效果 （报告中未提供单个因子的具体回测指标，如年化收益、信息比率等，仅提供了截至报告期的多维度评估状态，因此本部分略过）

经过仔细阅读和分析提供的研报内容，本报告是一份ETF市场周度跟踪报告，主要描述了不同类别ETF的业绩表现、规模变动、估值情况等市场数据，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现状描述与数据汇总[1][2][3][4][5][6][8][9][10][11][12][13][14][15][16][17][18][20][21][24][25][26][27][29][31][32][33][34][35][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]。 因此，根据任务要求，本次总结无需输出“量化模型与构建方式”及“模型的回测效果”或“量化因子与构建方式”及“因子的回测效果”等相关分组内容。

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：五维行业轮动模型**[3][8] * **模型构建思路**：基于行业内部普遍存在的风格差异，从微观个股层面出发，利用风格指标对行业内部股票进行划分，通过构建行业内部离散指标与行业内部牵引指标合成行业最终因子，最终构建包含五大类因子的行业轮动模型[3][8] * **模型具体构建过程**： 1. 以东吴金工特色多因子划分标准对微观因子进行大类划分，将微观因子划分为五大类：波动率、基本面、成交量、情绪、动量[3][8] 2. 基于行业内部普遍存在的风格差异，利用风格指标对行业内部股票进行划分[3][8] 3. 以大类选股因子的风格偏好为参照，构建行业内部离散指标与行业内部牵引指标[3][8] 4. 最终得到五类合成行业因子：波动率因子、基本面因子、成交量因子、情绪因子、动量因子[3][8] 5. 将这五类合成行业因子组合，构建成五维行业轮动模型[3][8] 量化因子与构建方式 1. **因子名称：波动率因子**[3][8] * **因子构建思路**：属于东吴金工特色多因子体系中的一大类，基于波动率相关的微观个股因子构建行业层面的合成因子[3][8] 2. **因子名称：基本面因子**[3][8] * **因子构建思路**：属于东吴金工特色多因子体系中的一大类，基于基本面相关的微观个股因子构建行业层面的合成因子[3][8] 3. **因子名称：成交量因子**[3][8] * **因子构建思路**：属于东吴金工特色多因子体系中的一大类，基于成交量相关的微观个股因子构建行业层面的合成因子[3][8] 4. **因子名称：情绪因子**[3][8] * **因子构建思路**：属于东吴金工特色多因子体系中的一大类，基于情绪相关的微观个股因子构建行业层面的合成因子[3][8] 5. **因子名称：动量因子**[3][8] * **因子构建思路**：属于东吴金工特色多因子体系中的一大类，基于动量相关的微观个股因子构建行业层面的合成因子[3][8] 模型的回测效果 1. **五维行业轮动模型（合成因子）多空对冲**[3][12][16] * 年化收益率：21.31%[3][12][16] * 年化波动率：10.79%[3][12][16] * 信息比率(IR)：1.98[3][12][16] * 月度胜率：72.80%[3][12][16] * 历史最大回撤：13.30%[3][12][16] 2. **五维行业轮动模型（合成因子）多头超额**[3][16][17] * 年化收益率：10.48%[3][16][17] * 年化波动率：6.53%[3][16][17] * 信息比率(IR)：1.60[3][16][17] * 月度胜率：70.40%[3][16][17] * 历史最大回撤：9.36%[3][16][17] 因子的回测效果 1. **波动率因子（多空对冲）**[16] * 年化收益率：10.45%[16] * 波动率：10.35%[16] * 信息比率(IR)：1.01[16] * 胜率：59.23%[16] * 最大回撤：14.81%[16] * IC：-0.08[16] * ICIR：-1.31[16] * RankIC：-0.06[16] * RankICIR：-0.99[16] 2. **基本面因子（多空对冲）**[16] * 年化收益率：7.31%[16] * 波动率：12.05%[16] * 信息比率(IR)：0.61[16] * 胜率：56.92%[16] * 最大回撤：26.32%[16] * IC：0.15[16] * ICIR：3.25[16] * RankIC：0.04[16] * RankICIR：0.73[16] 3. **成交量因子（多空对冲）**[16] * 年化收益率：8.32%[16] * 波动率：11.70%[16] * 信息比率(IR)：0.71[16] * 胜率：60.00%[16] * 最大回撤：18.40%[16] * IC：-0.06[16] * ICIR：-1.00[16] * RankIC：-0.07[16] * RankICIR：-0.97[16] 4. **情绪因子（多空对冲）**[16] * 年化收益率：7.58%[16] * 波动率：12.77%[16] * 信息比率(IR)：0.59[16] * 胜率：63.85%[16] * 最大回撤：14.79%[16] * IC：0.03[16] * ICIR：0.48[16] * RankIC：0.03[16] * RankICIR：0.47[16] 5. **动量因子（多空对冲）**[16] * 年化收益率：11.29%[16] * 波动率：10.52%[16] * 信息比率(IR)：1.07[16] * 胜率：60.47%[16] * 最大回撤：13.52%[16] * IC：0.02[16] * ICIR：0.35[16] * RankIC：0.05[16] * RankICIR：0.76[16]