根据提供的研报内容，以下是关于量化模型和因子的总结。报告主要涉及对市场状态的跟踪和描述性统计，未明确构建用于选股或择时的量化模型或因子。因此，以下总结将重点放在报告中用于分析市场状态的指标和计算方法上。 量化因子与构建方式 1. **因子名称**：风险溢价[25][26] * **因子构建思路**：以十年期国债即期收益率为无风险利率的参考，计算各宽基指数相对于无风险利率的风险溢价，以衡量其相对投资价值和偏离情况[25] * **因子具体构建过程**：风险溢价的计算公式为宽基指数的收益率减去十年期国债即期收益率。报告中展示了各指数的当前风险溢价值及其在不同时间窗口（近1年、近5年）内的统计分位值和波动率[26][27][28][29] 2. **因子名称**：股债性价比[43] * **因子构建思路**：使用各宽基指数PE-TTM的倒数作为股票预期收益的代理变量，并与十年期国债即期收益率进行比较，其差值即为股债性价比，用于判断股票和债券的相对吸引力[43] * **因子具体构建过程**：股债性价比的计算公式为 `(1 / PE_TTM) - 十年期国债即期收益率`。报告中通过历史分位值（如80%分位为机会值，20%分位为危险值）来评估当前值在历史中的位置[43] 3. **因子名称**：破净率[50][52] * **因子构建思路**：计算各宽基指数中市净率（PB）小于1的个股数量占指数总成分股数量的比例，用以反映市场整体的估值态度和悲观情绪[50][52] * **因子具体构建过程**：破净率 = （指数成分股中PB < 1的股票数量 / 指数总成分股数量） × 100%。报告列出了各主要宽基指数在特定日期的破净率具体数值[50][52] 4. **因子名称**：指数换手率[15] * **因子构建思路**：衡量宽基指数的整体交易活跃程度[15] * **因子具体构建过程**：指数换手率并非简单平均，而是采用加权平均计算，公式为：`指数换手率 = Σ(成分股流通股本 * 成分股换手率) / Σ(成分股流通股本)`[15] 5. **因子名称**：交易金额占比[15] * **因子构建思路**：计算单一宽基指数的成交金额在全市场（以中证全指为代表）成交金额中的占比，用以观察资金在不同板块间的流向[15] * **因子具体构建过程**：`某指数交易金额占比 = （该指数当日交易金额 / 中证全指当日交易金额） × 100%`[15] 6. **因子名称**：收益分布形态指标（峰度与偏度）[21][23] * **因子构建思路**：通过分析宽基指数日收益率的分布形态，即峰度和偏度，来刻画收益分布的集中程度和对称性，并与历史时期进行对比[21][23] * **因子具体构建过程**：报告计算了近5年（基准期）和当前（观察期）的峰度和偏度。其中，峰度的计算减去了3（正态分布的峰度值），即报告中的峰度为超额峰度。偏度则直接计算。通过比较当前值与近5年基准值的差异（当前值 - 近5年值）来分析形态变化[21][23] 因子的回测效果 *报告未提供上述因子在选股或择时策略中的具体回测绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。报告内容主要为在特定时点（2025年11月18日）对这些因子的状态进行描述和展示其历史分位值[10][13][15][23][29][40][41][50][52]。*

经过仔细阅读，您提供的这份《金融工程日报》是一份市场数据总结报告，主要描述了特定交易日（2025年11月18日）的市场表现、情绪和资金流向。报告的核心内容是各类市场指标的展示和解读，**并未涉及任何量化模型或量化因子的构建、测试与分析**。 因此，根据您的任务要求，报告中不存在需要总结的“量化模型”或“量化因子”相关内容。报告内容主要涵盖以下几个方面： 市场表现总结 - 描述了宽基指数、风格指数、行业板块及概念主题在当日及近期的涨跌情况[5][6][9] 市场情绪指标 - **封板率**：计算方式为最高价涨停且收盘涨停的股票数除以最高价涨停的股票数[16] - **连板率**：计算方式为连续两日收盘涨停的股票数除以昨日收盘涨停的股票数[16] - 提供了当日的封板率和连板率具体数值[16] 市场资金流向指标 - 描述了两融余额（融资余额、融券余额）及其占流通市值和总成交额的比例[18][21] 市场折溢价指标 - **ETF折溢价**：反映了投资者情绪，展示了特定ETF的折溢价情况[23] - **大宗交易折价率**：计算方式为大宗交易总成交金额除以当日成交份额的总市值再减1[25] - **股指期货年化贴水率**：计算方式为基差除以指数价格，再乘以（250除以合约剩余交易日数）[27] 机构行为数据 - 列出了机构调研较多的公司[29] - 展示了龙虎榜中机构专用席位和陆股通的资金净流入/流出前十的股票[34][35] 如果您有其他涉及量化模型或因子构建的研报，我可以为您提供详细的总结。

根据研报内容，以下是关于量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：风险溢价因子**[26][27][28] * **因子构建思路**：以十年期国债即期收益率为无风险利率的参考，计算各宽基指数相对于无风险利率的风险溢价，以衡量其相对投资价值和偏离情况[26] * **因子具体构建过程**：风险溢价的计算公式为宽基指数的收益率减去十年期国债即期收益率。具体计算为： $$风险溢价 = 指数收益率 - 无风险利率$$ 其中，无风险利率采用十年期国债即期收益率[26][28] * **因子评价**：各跟踪指数的风险溢价有明显的均值复归现象，其中中证1000和中证2000的风险溢价波动率相对较大[27] 2. **因子名称：股债性价比因子**[42] * **因子构建思路**：以各指数PE-TTM的倒数和十年期国债即期收益率之差构建股债性价比指标，用于观察股票与债券的相对吸引力[42] * **因子具体构建过程**：股债性价比的计算公式为： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 其中，PE-TTM为指数滚动市盈率[42] 3. **因子名称：破净率因子**[49][51] * **因子构建思路**：通过计算指数成分股中市净率低于1的个股数量占比，反映市场的整体估值态度和悲观情绪[49][51] * **因子具体构建过程**：破净率的计算公式为： $$破净率 = \frac{指数成分股中破净个股数量}{指数成分股总数量} \times 100\%$$ 其中，破净指个股的市净率（股价/每股净资产）小于1[49][51] * **因子评价**：破净数和占比越高，低估的情况越普遍；破净数及占比越低，可能表明市场对未来发展持乐观态度[51] 4. **因子名称：均线比较因子**[12][14] * **因子构建思路**：通过比较指数当前价格与不同周期移动平均线（如MA5, MA10, MA20等）的位置关系，判断指数的短期、中期趋势强度[12][14] * **因子具体构建过程**：计算指数收盘价相对于各移动平均线的偏离幅度，公式为： $$偏离幅度 = \frac{收盘价 - 移动平均线}{移动平均线} \times 100\%$$ 根据偏离幅度的正负和大小判断指数是处于均线之上（支撑）还是均线之下（压力）[12][14] 5. **因子名称：收益分布形态因子（偏度与峰度）**[22][24] * **因子构建思路**：通过分析指数日收益率的分布形态，包括偏度和峰度，来捕捉收益分布的特征和极端风险情况[22][24] * **因子具体构建过程**：使用历史日收益率数据计算偏度和超额峰度（峰度减去3）。偏度衡量分布的不对称性，正偏态显示极端正收益情形增加；峰度衡量分布的尖峭程度，峰度越大说明收益率分布更集中[22][24] 因子的回测效果 1. **风险溢价因子**，当前风险溢价：上证50 (-0.87%)[30]，沪深300 (-0.66%)[30]，中证500 (-0.01%)[30]，中证1000 (0.26%)[30]，中证2000 (0.62%)[30]，中证全指 (-0.14%)[30]，创业板指 (-0.21%)[30]；近1年分位值：上证50 (10.32%)[30]，沪深300 (15.48%)[30]，中证500 (44.44%)[30]，中证1000 (50.79%)[30]，中证2000 (57.94%)[30]，中证全指 (35.71%)[30]，创业板指 (40.87%)[30]；近5年分位值：上证50 (16.90%)[30]，沪深300 (24.21%)[30]，中证500 (48.81%)[30]，中证1000 (56.75%)[30]，中证2000 (64.29%)[30]，中证全指 (43.10%)[30]，创业板指 (46.51%)[30]；近1年波动率：上证50 (0.90%)[30]，沪深300 (1.02%)[30]，中证500 (1.33%)[30]，中证1000 (1.49%)[30]，中证2000 (1.69%)[30]，中证全指 (1.19%)[30]，创业板指 (1.91%)[30] 2. **PE-TTM因子**，当前值：上证50 (11.93)[40]，沪深300 (14.15)[40]，中证500 (33.11)[40]，中证1000 (48.17)[40]，中证2000 (158.55)[40]，中证全指 (21.37)[40]，创业板指 (40.75)[40]；近1年历史分位值：上证50 (90.08%)[40]，沪深300 (86.36%)[40]，中证500 (79.75%)[40]，中证1000 (96.69%)[40]，中证2000 (85.95%)[40]，中证全指 (84.30%)[40]，创业板指 (79.75%)[40]；近5年历史分位值：上证50 (85.62%)[40]，沪深300 (84.13%)[40]，中证500 (95.95%)[40]，中证1000 (98.10%)[40]，中证2000 (84.96%)[40]，中证全指 (94.46%)[40]，创业板指 (55.62%)[40]；近1年波动率：上证50 (0.48)[40]，沪深300 (0.71)[40]，中证500 (2.59)[40]，中证1000 (4.02)[40]，中证2000 (31.60)[40]，中证全指 (1.43)[40]，创业板指 (4.63)[40] 3. **股息率因子**，当前值：上证50 (3.28%)[49]，沪深300 (2.68%)[49]，中证500 (1.36%)[49]，中证1000 (1.09%)[49]，中证2000 (0.75%)[49]，中证全指 (1.99%)[49]，创业板指 (1.01%)[49]；近1年历史分位值：上证50 (11.16%)[49]，沪深300 (14.88%)[49]，中证500 (20.66%)[49]，中证1000 (2.48%)[49]，中证2000 (3.31%)[49]，中证全指 (14.88%)[49]，创业板指 (18.18%)[49]；近5年历史分位值：上证50 (35.29%)[49]，沪深300 (36.12%)[49]，中证500 (16.53%)[49]，中证1000 (35.37%)[49]，中证2000 (10.00%)[49]，中证全指 (33.97%)[49]，创业板指 (69.50%)[49]；近1年波动率：上证50 (0.40%)[49]，沪深300 (0.39%)[49]，中证500 (0.22%)[49]，中证1000 (0.15%)[49]，中证2000 (0.12%)[49]，中证全指 (0.30%)[49]，创业板指 (0.14%)[49] 4. **破净率因子**，当前破净率：上证50 (20.0%)[51]，沪深300 (15.67%)[51]，中证500 (10.8%)[51]，中证1000 (6.4%)[51]，中证2000 (2.2%)[51]，中证全指 (5.22%)[51]，创业板指 (1.0%)[51] 5. **收益分布形态因子（偏度与峰度）**，当前峰度：上证50 (0.08)[24]，沪深300 (0.57)[24]，中证500 (0.89)[24]，中证1000 (1.50)[24]，中证2000 (1.56)[24]，中证全指 (0.92)[24]，创业板指 (1.53)[24]；当前偏度：上证50 (1.34)[24]，沪深300 (1.52)[24]，中证500 (1.57)[24]，中证1000 (1.65)[24]，中证2000 (1.70)[24]，中证全指 (1.59)[24]，创业板指 (1.67)[24]；当前vs近5年峰度差值：上证50 (-2.02)[24]，沪深300 (-1.84)[24]，中证500 (-2.09)[24]，中证1000 (-1.35)[24]，中证2000 (-1.43)[24]，中证全指 (-1.93)[24]，创业板指 (-2.14)[24]；当前vs近5年偏度差值：上证50 (-0.56)[24]，沪深300 (-0.47)[24]，中证500 (-0.53)[24]，中证1000 (-0.39)[24]，中证2000 (-0.36)[24]，中证全指 (-0.48)[24]，创业板指 (-0.54)[24]

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：扩散指数模型**[5][17][39] * **模型构建思路**：该模型用于监测微盘股市场的整体状态和潜在风险，通过计算指数成分股中股价处于不同涨跌幅区间的比例，来判断市场是处于高位、低位还是临界点[39][40] * **模型具体构建过程**： * 横轴（N天后涨跌幅）：代表以当前时点（如本周五）为起点，未来N天后股价相对于现在的涨跌幅，范围通常从上涨10%（1.1）到下跌10%（0.9）[39] * 纵轴（回顾窗口T）：代表以当前时点为起点，回顾过去窗口期的长度T天。报告中示例T从20天到10天。同时，纵轴也隐含了未来天数N，关系为 N = 20 - T。例如，纵轴15天对应N=5天[39] * 模型计算：对于给定的未来涨跌幅（横轴）和回顾窗口（纵轴），计算在微盘股指数成分股中，有多少比例的股票在未来N天达到了该涨跌幅水平，这个比例值就是扩散指数的值。例如，报告中提到“横轴0.95和纵轴15天值为0.37，表示N=5天以后如果微盘股指数成分股所有股票都跌5%，微盘股扩散指数的值为0.93”[39] * 风险阈值：报告中提到0.9为风险阈值，当扩散指数触发此阈值时，表明市场处于高位[5][17] 2. **模型名称：首次阈值法（左侧交易）**[5][17][42] * **模型构建思路**：作为扩散指数模型的一种具体交易应用，属于左侧交易策略，旨在市场趋势早期或反转前发出信号[5][42] * **模型具体构建过程**：当扩散指数值达到某个预设的阈值时，触发交易信号。报告中指出，该方法于2025年9月23日收盘时扩散指数值为0.0575，触发了开仓信号[5][42] 3. **模型名称：延迟阈值法（右侧交易）**[5][17][46] * **模型构建思路**：作为扩散指数模型的另一种具体交易应用，属于右侧交易策略，旨在趋势确认后发出信号，可能滞后但追求更高的确定性[5][46] * **模型具体构建过程**：当扩散指数值达到另一个预设的阈值时，触发交易信号。报告中指出，该方法于2025年9月25日收盘时扩散指数值为0.1825，给予了开仓信号[5][47] 4. **模型名称：双均线法（自适应交易）**[5][17][48] * **模型构建思路**：作为扩散指数模型的一种自适应交易应用，通过计算两条不同周期的移动平均线来判断趋势方向[5][48] * **模型具体构建过程**：报告中未详细说明均线周期等具体参数，但指出该方法于2025年10月13日收盘给予了看多信号[5][48] 5. **策略名称：小市值低波50策略**[7][16][35] * **策略构建思路**：在万得微盘股指数的成分股范围内，结合市值和波动率两个因子，优选兼具小市值和低波动特征的股票构建投资组合[7][16][35] * **策略具体构建过程**： * 股票池：万得微盘股指数所有成分股[7][35] * 选股因子：小市值因子、低波动因子[7][35] * 组合构建：从股票池中选取小市值和低波动特征最显著的50只股票[7][35] * 调仓周期：每双周调仓一次[7][35] * 业绩基准：万得微盘股指数(8841431.WI)[7][35] * 费用假设：交易费用为双边千分之三[7][35] 模型的回测效果 1. **扩散指数模型**，当前扩散指数值0.93[39]，触发风险阈值0.9[5][17]，首次阈值法开仓信号触发日期2025-09-23[5][17]，延迟阈值法开仓信号触发日期2025-09-25[5][17]，双均线法看多信号触发日期2025-10-13[5][17] 2. **小市值低波50策略**，2024年收益7.07%[7][16]，2024年超额收益-2.93%[7][16]，2025年至今(YTD)收益81.53%[7][16]，本周超额收益-1.01%[7][16] 量化因子与构建方式 1. **因子名称：杠杆因子**[4][16][33] * **因子构建思路**：衡量公司的负债水平或财务杠杆情况 * **因子具体构建过程**：报告中未提供具体计算公式 2. **因子名称：自由流通比例因子**[4][16][33] * **因子构建思路**：衡量公司股本中自由流通股份所占的比例 * **因子具体构建过程**：报告中未提供具体计算公式 3. **因子名称：成交额因子**[4][16][33] * **因子构建思路**：衡量股票的流动性或市场关注度 * **因子具体构建过程**：报告中未提供具体计算公式 4. **因子名称：流动性因子**[4][16][33] * **因子构建思路**：衡量股票的流动性 * **因子具体构建过程**：报告中未提供具体计算公式 5. **因子名称：股息率因子**[4][16][33] * **因子构建思路**：衡量公司的现金分红回报率 * **因子具体构建过程**：报告中未提供具体计算公式 6. **因子名称：10天总市值换手率因子**[33][34] * **因子构建思路**：基于总市值计算的短期换手率，反映交易活跃度 * **因子具体构建过程**：报告中未提供具体计算公式 7. **因子名称：10天自由流通市值换手率因子**[33][34] * **因子构建思路**：基于自由流通市值计算的短期换手率，更精确反映实际可交易部分的活跃度 * **因子具体构建过程**：报告中未提供具体计算公式 8. **因子名称：成长因子**[33][34] * **因子构建思路**：衡量公司的成长性 * **因子具体构建过程**：报告中未提供具体计算公式 9. **因子名称：残差波动率因子**[33][34] * **因子构建思路**：可能指剔除市场波动后的特异性风险 * **因子具体构建过程**：报告中未提供具体计算公式 10. **因子名称：对数市值因子**[33][34] * **因子构建思路**：通常指公司总市值的自然对数，作为规模因子的常见处理方式 * **因子具体构建过程**：报告中未提供具体计算公式 11. **因子名称：非线性市值因子**[33][34] * **因子构建思路**：可能指对市值因子进行非线性变换以捕捉更复杂的关系 * **因子具体构建过程**：报告中未提供具体计算公式 12. **因子名称：pb倒数因子**[33][34] * **因子构建思路**：市净率（PB）的倒数，常作为估值因子使用 * **因子具体构建过程**：报告中未提供具体计算公式 13. **因子名称：过去10天收益率因子**[33][34] * **因子构建思路**：衡量股票的短期动量或反转效应 * **因子具体构建过程**：报告中未提供具体计算公式 14. **因子名称：盈利因子**[33][34] * **因子构建思路**：衡量公司的盈利能力 * **因子具体构建过程**：报告中未提供具体计算公式 15. **因子名称：过去一年波动率因子**[33][34] * **因子构建思路**：衡量股票的历史风险水平 * **因子具体构建过程**：报告中未提供具体计算公式 16. **因子名称：标准化预期盈利因子**[33][34] * **因子构建思路**：可能指经过标准化处理的分析师预期盈利数据 * **因子具体构建过程**：报告中未提供具体计算公式 17. **因子名称：动量因子**[33][34] * **因子构建思路**：衡量股票的中期价格趋势 * **因子具体构建过程**：报告中未提供具体计算公式 18. **因子名称：单季度净利润增速因子**[33][34] * **因子构建思路**：衡量公司最新的季度盈利增长情况 * **因子具体构建过程**：报告中未提供具体计算公式 19. **因子名称：单季度净资产收益率因子**[4][16][33] * **因子构建思路**：衡量公司最新的季度净资产收益率 * **因子具体构建过程**：报告中未提供具体计算公式 20. **因子名称：pe_ttm倒数因子**[4][16][33] * **因子构建思路**：市盈率（PE TTM）的倒数，即盈利收益率，作为估值因子 * **因子具体构建过程**：报告中未提供具体计算公式 21. **因子名称：非流动性因子**[4][16][33] * **因子构建思路**：衡量股票的非流动性或交易成本 * **因子具体构建过程**：报告中未提供具体计算公式 22. **因子名称：贝塔因子**[4][16][33] * **因子构建思路**：衡量股票相对于市场整体的系统性风险 * **因子具体构建过程**：报告中未提供具体计算公式 23. **因子名称：未复权股价因子**[4][16][33] * **因子构建思路**：直接使用未复权的股票价格 * **因子具体构建过程**：报告中未提供具体计算公式 24. **因子名称：小市值因子**[7][35] * **因子构建思路**：衡量公司规模，通常认为小市值公司具有超额收益 * **因子具体构建过程**：作为“小市值低波50策略”的组成部分，具体构建方式未在报告中独立说明[7][35] 25. **因子名称：低波动因子**[7][35] * **因子构建思路**：衡量股票价格波动的剧烈程度，通常认为低波动股票具有超额收益 * **因子具体构建过程**：作为“小市值低波50策略”的组成部分，具体构建方式未在报告中独立说明[7][35] 因子的回测效果 报告中提供了微盘股成分股内因子在特定周度（截至2025年11月14日当周）的Rank IC值及其历史平均值[4][16][33]。 1. **杠杆因子**，本周Rank IC值0.182[4][16][33]，历史平均Rank IC值-0.005[4][16][33] 2. **自由流通比例因子**，本周Rank IC值0.138[4][16][33]，历史平均Rank IC值-0.012[4][16][33] 3. **成交额因子**，本周Rank IC值0.116[4][16][33]，历史平均Rank IC值-0.081[4][16][33] 4. **流动性因子**，本周Rank IC值0.075[4][16][33]，历史平均Rank IC值-0.041[4][16][33] 5. **股息率因子**，本周Rank IC值0.064[4][16][33]，历史平均Rank IC值0.022[4][16][33] 6. **10天总市值换手率因子**，本周Rank IC值见图表[34]，历史平均Rank IC值见图表[34] 7. **10天自由流通市值换手率因子**，本周Rank IC值见图表[34]，历史平均Rank IC值见图表[34] 8. **成长因子**，本周Rank IC值见图表[34]，历史平均Rank IC值见图表[34] 9. **残差波动率因子**，本周Rank IC值见图表[34]，历史平均Rank IC值见图表[34] 10. **对数市值因子**，本周Rank IC值见图表[34]，历史平均Rank IC值见图表[34] 11. **非线性市值因子**，本周Rank IC值见图表[34]，历史平均Rank IC值见图表[34] 12. **pb倒数因子**，本周Rank IC值见图表[34]，历史平均Rank IC值见图表[34] 13. **过去10天收益率因子**，本周Rank IC值见图表[34]，历史平均Rank IC值见图表[34] 14. **盈利因子**，本周Rank IC值见图表[34]，历史平均Rank IC值见图表[34] 15. **过去一年波动率因子**，本周Rank IC值见图表[34]，历史平均Rank IC值见图表[34] 16. **标准化预期盈利因子**，本周Rank IC值见图表[34]，历史平均Rank IC值见图表[34] 17. **动量因子**，本周Rank IC值见图表[34]，历史平均Rank IC值见图表[34] 18. **单季度净利润增速因子**，本周Rank IC值见图表[34]，历史平均Rank IC值见图表[34] 19. **单季度净资产收益率因子**，本周Rank IC值-0.089[4][16][33]，历史平均Rank IC值0.021[4][16][33] 20. **pe_ttm倒数因子**，本周Rank IC值-0.138[4][16][33]，历史平均Rank IC值0.016[4][16][33] 21. **非流动性因子**，本周Rank IC值-0.161[4][16][33]，历史平均Rank IC值0.039[4][16][33] 22. **贝塔因子**，本周Rank IC值-0.3[4][16][33]，历史平均Rank IC值0.003[4][16][33] 23. **未复权股价因子**，本周Rank IC值-0.311[4][16][33]，历史平均Rank IC值-0.017[4][16][33]

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：行业拥挤度监测模型**[3] * **模型构建思路**：通过构建模型，对申万一级行业指数的拥挤度进行每日监测，以识别拥挤度较高或较低的行业[3] * **模型具体构建过程**：报告未提供该模型的具体构建过程和公式 2. **模型名称：溢价率 Z-score 模型**[4] * **模型构建思路**：通过滚动测算ETF产品的溢价率Z-score，搭建ETF产品筛选信号模型，以发现存在潜在套利机会的标的[4] * **模型具体构建过程**：报告未提供该模型的具体构建过程和公式 量化因子与构建方式 1. **因子名称：行业拥挤度**[3] * **因子构建思路**：用于衡量申万一级行业指数的交易拥挤程度[3] * **因子具体构建过程**：报告未提供该因子的具体构建过程和公式 2. **因子名称：溢价率 Z-score**[4] * **因子构建思路**：作为ETF产品筛选信号模型的核心指标，用于识别偏离正常水平的溢价率[4] * **因子具体构建过程**：报告未提供该因子的具体构建过程和公式 模型的回测效果 （报告未提供模型的回测效果指标取值） 因子的回测效果 （报告未提供因子的回测效果指标取值） 模型/因子应用结果 1. **行业拥挤度监测模型应用结果**： * 前一交易日，综合、煤炭、基础化工行业的拥挤度水平靠前；汽车、非银金融行业的拥挤度水平较低[3] * 军工、传媒行业的拥挤度变动较大[3] 2. **溢价率 Z-score 模型应用结果**： * 根据模型筛选，建议关注的ETF产品包括：港股央企红利50ETF、消费龙头ETF、港股红利ETF博时、机器人ETF基金、A100ETF基金[10]

量化模型与构建方式 1. 固定比例配置模型 **模型构建思路**：采用固定比率进行分散投资，运作简单，满足基础分散化投资诉求[7] **模型具体构建过程**：按照预设的固定比例配置各类资产，如股债20/80指数等[7] **模型评价**：运作简单但不够灵活，环境变动下收益差距可能较大[7] 2. 均值方差模型 **模型构建思路**：从数学端对资产配置模型的作用进行概述，认为投资组合的回报可视为随机变量，从预期与波动分别衡量组合的预期收益与承担的风险[8] **模型具体构建过程**：给定收益/风险目标，确定最优投资组合，在同风险下追求最大化预期收益[8] **模型评价**：可以设定预期收益与风险，灵活调整组合，但简单的均值、方差模式较难识别组合未来情况，数量化模型较难结合新观点新动态[8] 3. Black-Litterman模型 **模型构建思路**：结合贝叶斯框架改进基础模型的收益/风险分布[8] **模型具体构建过程**：在均值方差模型基础上，通过贝叶斯框架融入管理人主观观点，使配置框架更加灵活[8] **模型评价**：贝叶斯框架能够结构化管理人主观观点，配置框架灵活，但应用框架需较强的收益分布假设，复杂度上升时较难复盘[8] 4. 风险平价模型 **模型构建思路**：仅关注风险端，追求各资产风险配置均衡[7] **模型具体构建过程**：通过风险贡献度均衡的方式配置资产权重，可引入宏观风险、汇率风险等多维度的风险信息进行组合构建[7] **模型评价**：强化风险控制，但依赖风控模型，当出现难以识别的风险时，没有收益兜底的风险平价模型较难及时调整[7] 5. 美林时钟模型 **模型构建思路**：根据主观认知与判断将市场做切片，根据不同切片下的表现做配置[8] **模型具体构建过程**：基于经济周期划分（复苏、过热、滞胀、衰退）四个阶段，为每个阶段配置相应的优势资产类别[8] **模型评价**：切片视角既能结合主观判断，也能强化数据分布的可靠性，相对灵活，但高度依赖主观认知，存在模型失效问题[8] 6. 桥水全天候策略 **模型构建思路**：仅关注Beta收益，忽略Alpha配置，预期在所有经济环境下都有良好表现[11] **模型具体构建过程**：使用按资产类别对增长和通胀敏感性的专有估计来指定头寸，创造不会因增长或通胀条件而表现出色或表现不佳的投资组合，本质是仅关注"增长"与"通胀"风险下的风险平价模型[11] **模型评价**：配置结构较稳定，重债轻股，重绝对轻相对，收益表现与固定比例模型相似[15] 7. Bootstrap多资产配置模型 **模型构建思路**：在对大类资产做充分研究与判断的基础上，充分运用股价信息进行大类资产配置[37] **模型具体构建过程**： 1）Bootstrap提取的时间窗口：过去两年[45] 2）Bootstrap提取的序列长度：每次连续20交易日，有放回提取24次，构建480日（2年）长度的新序列[45] 3）提取次数：1000次，构建资产收益的状态空间[45] 4）根据收益风险的分位数表现情况进行分析与配置[45] 5）滚动观测周期：5年，BootStrap块大小：20个交易日，BootStrap模拟组合大小：500个交易日[47] 6）测算频率：月频（月末测算），回测区间：2014/12/31~2025/6/30[47] **模型应用框架**： - 以回撤控制为核心：在满足回撤要求的前提下，追求最优收益分布[47] - 以中枢分布为核心：以追求最优Sharpe为目标，要求风险资产满足中枢需求[47] - 设置乐观预期（观察70%分位数）、一般预期（观察40%分位数）、悲观预期（观察20%分位数）[47] **目标函数构建**： $$F = B - \alpha \times C$$ 其中：A为满足风险要求的概率，B为满足风险要求下的预期收益（或Sharpe），C为不满足风险要求下的预期收益（或Sharpe），α为惩罚参数[50] 模型的回测效果 Bootstrap多资产配置模型测试结果 **回测区间**：2014/12/31~2025/6/30[47] **最大回撤控制效果**：模型在长期较好地实现了4%最大回撤的诉求，悲观预期下在绝大部分时段实现4%最大回撤目标，仅在2018与2019部分时段回撤超过4%，但短期迅速修复[57] **收益表现**：乐观预期下组合实现与万得二级债基指数相似的最大回撤表现，长期具备更强收益表现，收益风险比突出[57] **权重分布特征**：在国债与信用债之间灵活调整，多资产间灵活配置，2022年以来增配黄金趋势明显[57] 最新配置权重结果（2025/10/31） **回撤控制目标1%模型**： - 悲观预期：信用债77.27%，国债9.60%，SHFE黄金9.27%，日经2252.18%[59] - 一般预期：信用债44.54%，国债45.23%，CBOT豆粕3.47%，SHFE黄金3.25%[59] - 乐观预期：信用债82.88%，纳斯达克1004.23%，SHFE黄金7.10%[59] **回撤控制目标4%模型**： - 悲观预期：国债58.20%，SHFE黄金25.25%，纳斯达克1008.18%，日经2254.80%[59] - 一般预期：SHFE黄金35.25%，信用债33.95%，国债18.75%，纳斯达克1001.75%[59] - 乐观预期：SHFE黄金35.14%，国债42.48%，纳斯达克1009.48%，日经22512.90%[59] **中枢控制目标30%模型**： - 悲观预期：信用债54.57%，国债25.43%，SHFE黄金10.64%，纳斯达克1003.00%[59] - 一般预期：信用债42.52%，国债37.48%，SHFE黄金10.02%，纳斯达克1003.52%[59] - 乐观预期：国债42.43%，信用债37.57%，SHFE黄金9.62%，纳斯达克1003.71%[59]

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[22] - **模型构建思路**：基于价格动量原理，通过计算行业的扩散指数来捕捉行业趋势，选择趋势向上的行业进行配置[37] - **模型具体构建过程**：模型通过计算各行业的扩散指数并进行排名，选择排名靠前的行业作为配置标的。截至2025年11月14日，扩散指数排名前六的行业为有色金属(0.991)、银行(0.968)、钢铁(0.949)、通信(0.918)、电力设备及新能源(0.914)、综合(0.885)[24]。模型进行月度轮动，2025年11月份建议配置的行业即为上述六个行业[27] - **模型评价**：该模型在趋势性行情下表现较好，但在市场风格从趋势转向反转时可能面临失效风险[37] 2. GRU因子行业轮动模型 - **模型名称**：GRU因子行业轮动模型[31] - **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，利用因子排名进行行业轮动[38] - **模型具体构建过程**：模型使用GRU深度学习网络处理分钟频量价数据，生成各行业的GRU因子值。根据因子值进行排名，选择排名靠前的行业进行配置。截至2025年11月14日，GRU行业因子排名前六的行业为综合(3.41)、房地产(2.63)、石油石化(2.13)、轻工制造(1.67)、钢铁(0.53)和综合金融(0.52)[32]。模型进行周度调仓，本周调入房地产，调出基础化工，当前配置行业为农林牧渔、电力及公用事业、房地产、交通运输、钢铁、石油石化[36] - **模型评价**：该模型在短周期表现较好，对交易信息把握能力强，但在长周期表现一般，且遭遇极端行情时可能失效[38] 模型的回测效果 1. 扩散指数行业轮动模型 - 本周平均收益：-1.26%[27] - 本周超额收益（相对于中信一级行业等权）：-1.99%[27] - 11月以来超额收益：-0.74%[27] - 2025年以来超额收益：1.84%[27] 2. GRU因子行业轮动模型 - 本周平均收益：1.72%[36] - 本周超额收益（相对于中信一级行业等权）：1.00%[36] - 11月以来超额收益：2.69%[36] - 2025年以来超额收益：-3.34%[36]

经过仔细审阅，该文档主要是一份关于ETF市场和主动/指数增强型基金的市场表现回顾与跟踪报告，其内容侧重于市场数据统计和基金产品业绩展示，并未涉及量化模型或量化因子的构建、测试与分析。 具体来说，报告内容主要包括： 1. ETF市场的一级市场资金流动情况和二级市场交易情况的数据统计[12][15] 2. 各类增强策略ETF和增强指数型基金的业绩表现跟踪，如超额收益率等指标[28][38][41] 3. 主动权益类基金的业绩排名和收益率统计[33][34][35][37] 4. 基金产品的发行与上市信息跟踪[29][30][31][32][43][44] 报告的核心是描述性统计和业绩汇总，并未阐述任何量化模型（如多因子模型、风险模型）或量化因子（如价值、动量、质量等因子）的构建思路、具体过程、公式或对其的理论评价。所有提及的“增强策略”均指已上市的基金产品名称或其投资策略类型，而非由报告作者构建并测试的量化模型或因子。 因此，根据任务要求，本总结中关于“量化模型与构建方式”及“量化因子与构建方式”的部分没有相关内容可提供。报告内容集中于市场现状描述，而非量化分析方法论。

根据提供的金融工程日报内容，该报告主要描述了市场表现、情绪和资金流向等观察性指标，并未涉及具体的量化模型或量化因子的构建、测试与评价。报告内容属于市场数据统计和描述性分析范畴[1][2][3][5][6][8][11][12][15][17][20][21][24][26][28][30][33][34]。 因此，本次总结中**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**、**因子的回测效果**四个部分均无相关内容。

根据研报内容，本报告的核心是依据各宽基指数的官方编制规则，构建预测模型，对2025年12月的指数成分股调整进行预测。报告本身并未涉及传统的量化投资因子（如价值、动量等）或量化策略模型的构建与回测，其核心“模型”是指数成分股调整的预测框架。 量化模型与构建方式 1. **模型名称**：指数成分股调整预测模型[5][15][17][23][24][27][28][34] * **模型构建思路**：严格遵循各目标指数（沪深300、中证A500、科创50、中证500、创业板指）的官方编制方案，基于最新的市场数据（如市值、成交金额、行业分布等）进行系统性测算，以预测即将发生的成分股调入和调出名单[5][11][13][15][17][25][27][34] * **模型具体构建过程**： * **步骤一：确定样本空间**。根据指数编制规则，确定符合条件的股票池，通常要求剔除ST、*ST股票，并满足特定的上市时间要求[13] * **步骤二：应用选样方法**。 * **对于沪深300指数**：主要依据总市值排名。首先对样本空间内股票按过去一年日均总市值由高到低排名，原则上选取排名前300的证券作为样本[13] * **对于中证A500指数**：流程更为复杂。 1. 进行可投资性筛选，剔除中证ESG评价结果在C及以下的证券，并要求证券属于沪股通或深股通范围，且主板证券在所属中证三级行业内的自由流通市值占比不低于2%[13] 2. 在待选样本中，优先选取三级行业自由流通市值最大或总市值在样本空间内排名前1%的证券[13] 3. 在剩余待选样本中，按照中证一级行业，选取自由流通市值较大的证券，直至样本数量达到500只，并确保样本的一级行业自由流通市值分布与样本空间尽可能一致[13] * **对于科创50指数**：从科创板中选取市值大、流动性好的50只证券[24] * **对于中证500指数**：样本空间为剔除沪深300指数成分股及过去一年日均总市值排名前300的股票后，剩余股票中总市值排名靠前的500只[27] * **对于创业板指**：从创业板中选取流动性好、市值较大的100只股票，本次预测参考数据周期为过去半年[34] * **步骤三：应用缓冲区规则**。在调整时，为降低样本周转率，会设置缓冲区。例如，沪深300指数中，老样本在市值排名中位于前360名的优先保留；新样本排名前240名的优先纳入[13] * **步骤四：引入“历史落选股”剔除机制**。为提高预测稳健性，模型参考了历史调整数据。对于在过往定期调整中符合模型预测标准但最终未被纳入的股票（即“历史落选股”），在当前预测中暂不予考虑。不同指数的观察窗口不同： * **沪深300**：参考过往三次定期调整[15] * **中证A500**：参考此前两次定期调整，并将模型预测排名前250但未成功纳入的个股定义为“历史落选股”[17][19] * **科创50**：参考上一期调整结果[24] * **中证500**：参考上一轮调整结果[28] * **模型评价**：该预测框架基于公开规则和历史数据，具有较强的客观性和可重复性[5][15]；引入“历史落选股”机制旨在提升预测的稳健性，审慎处理历史回测中出现的异常情况[15][19][24][28] 模型的回测效果 （报告未提供预测模型本身的量化回测指标，如准确率、信息比率等。其效果通过预测名单本身和调整后的行业分布平衡性来体现。） * **沪深300预测模型**：预测华电新能、胜宏科技、宁波港等9支个股调入；TCL中环、纳思达、星宇股份等9支个股调出[16] * **中证A500预测模型**：预测国泰海通、领益智造、华大九天等33支个股调入；赛维时代、国机汽车、德方纳米等33支个股调出。模型测算显示，调整后指数样本与样本空间的一级行业自由流通市值占比高度接近，表明行业平衡约束有效[20][21][22][23] * **科创50预测模型**：预测诺诚健华-U、翱捷科技-U2支个股调入；航材股份、华熙生物2支个股调出[26] * **中证500预测模型**：预测北汽蓝谷、电投能源、申能股份等49支个股调入；坤彩科技、禾迈股份、兴齐眼药等49支个股调出[29][30][31][33][35] * **创业板指预测模型**：预测常山药业、惠城环保、罗博特科等8支个股调入；欧普康视、易华录、怡合达等8支个股调出[36] 量化因子与构建方式 （报告未涉及传统意义上的量化因子构建。） 因子的回测效果 （报告未涉及量化因子的回测效果。）