11 月：资金动能减弱，月底再启动 ——主动量化周报 核心观点 本轮 A 股重估行情定价相对充分，游资、居民资金流入速率边际放缓，美元贬值趋势 的确立是下一轮行情启动的重要催化，时点在 11 月底。行业结构有较大切换，科技拥 挤度相对偏高，看好红利 ETF、券商 ETF、化工 ETF、恒生科技 ETF。 ❑ 如何判断下一轮行情的催化及时点？ 本轮行情资金活跃度减弱，美元贬值是下一阶段破局关键。资金面来看，本轮行 情定价充分，内资短期增量或有限，下一阶段需观察美元贬值趋势确立，这一时 点可能在 11 月底，最受益品种为恒生科技。 1、公募：从三季报来看，主动权益基金虽然总规模边际提升，但主要受市场上 涨影响，其总份额相较 Q2 进一步下滑近 6%，表明基民仍在赎回主动产品，这可 能受到基民"回本赎回"倾向等因素的影响。短期来看，主动权益或仍然难以获 得显著增量资金流入。 2、游资&散户：从我们的资金面监测模型结果来看，截至 10 月 31 日，游资活跃 度指标基本走平，相较前期的上行斜率明显放缓，而散户活跃度指标自 10 月 15 日以来持续小幅震荡回落，这均表明居民资金活跃度近期整体维持平稳。 3、外资：我们 ...

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：成交量模型**[1][13] * **模型构建思路：** 基于市场成交量的变化来预测短期市场走势[13] * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程 2. **模型名称：特征成交量模型**[1][13] * **模型构建思路：** 通过分析具有特定特征的成交量来预测市场走势[1][13] * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程 3. **模型名称：特征龙虎榜机构模型**[1][13] * **模型构建思路：** 利用龙虎榜中机构投资者的交易行为特征来预测市场[1][13] * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程 4. **模型名称：智能算法模型**[1][13] * **模型构建思路：** 应用智能算法（如机器学习等）对市场数据进行学习以进行预测，针对不同宽基指数（如沪深300、中证500）有独立模型[1][13] * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程 5. **模型名称：涨跌停模型**[1][14] * **模型构建思路：** 通过分析市场中涨停和跌停股票的数量或比例来判断市场情绪和中期走势[1][14] * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程 6. **模型名称：月历效应模型**[1][14] * **模型构建思路：** 基于历史数据中存在的特定月份或时期的规律性表现来预测市场[1][14] * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程 7. **模型名称：长期动量模型**[1][15] * **模型构建思路：** 依据资产价格的长期趋势（动量）来预测未来走势[1][15] * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程 8. **模型名称：A股综合兵器V3模型**[1][16] * **模型构建思路：** 一个综合性的A股市场择时模型，整合了多个信号源[1][16] * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程 9. **模型名称：A股综合国证2000模型**[1][16] * **模型构建思路：** 专门针对国证2000指数的综合性择时模型[1][16] * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程 10. **模型名称：成交额倒波幅模型**[1][16] * **模型构建思路：** 结合成交额和波动率（倒波幅）来预测港股市场中期走势[1][16] * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程 11. **模型名称：杯柄形态识别模型**[43][45][47] * **模型构建思路：** 基于技术分析中的杯柄形态（Cup with Handle）来识别个股的潜在突破机会[43][45][47] * **模型具体构建过程：** 模型识别股价走势中的特定形态，该形态由A点（左杯沿）、B点（杯底）、C点（右杯沿/柄部起点）等关键点定义。当股价在形成“杯”状整理后，在柄部区域进行小幅回调，最终放量突破柄部上轨时，视为买入信号[47][54] 12. **模型名称：双底形态识别模型**[43][48][51] * **模型构建思路：** 基于技术分析中的双底形态（W底）来识别个股的潜在反转机会[43][48][51] * **模型具体构建过程：** 模型识别股价走势中的特定形态，该形态由A点（第一个底）、B点（颈线位）、C点（第二个底）等关键点定义。当股价第二次探底不破前低，并放量突破颈线位时，视为买入信号[51][53] 13. **模型名称：倒杯子形态识别模型**[58] * **模型构建思路：** 识别典型的负向技术形态，用于预警个股的下跌风险[58] * **模型具体构建过程：** 在一波下跌后，股价出现筑顶（A点），随后再次下跌并实现向下突破（E点），形态完成，预示股价可能延续下跌趋势[58] 模型的回测效果 *报告未提供明确的量化回测指标（如年化收益率、夏普比率等），主要展示了模型的最新信号和部分形态组合的阶段性表现。* 1. **杯柄形态组合**：截至报告期，自2020年12月31日以来累计上涨70.89%，同期上证综指上涨14.28%，跑赢56.61个百分点[43] 2. **双底形态组合**：截至报告期，自2020年12月31日以来累计上涨34.32%，同期上证综指上涨14.28%，跑赢20.03个百分点[43] 量化因子与构建方式 *本报告主要侧重于市场择时模型和技术形态识别，未详细阐述用于选股或阿尔法策略的底层量化因子及其构建方式。* 因子的回测效果 *报告未涉及量化因子的独立测试结果。*

根据提供的量化市场追踪周报，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 主动权益基金仓位测算模型** - **模型构建思路**：通过持股市值加权计算主动权益型基金的平均仓位，以监测公募基金的整体配置动向[24] - **模型具体构建过程**： - 样本筛选：选择成立期满两个季度、未到期、规模大于5000万元、过去四期平均仓位大于60%的主动权益型基金作为合格样本[27] - 基金分类：主动权益型基金包括普通股票型、偏股混合型、灵活配置型、平衡混合型四类[27] - 仓位计算：采用持股市值加权方法计算市场平均仓位，公式为加权平均仓位 = ∑(单基金持股市值 × 单基金仓位) / ∑单基金持股市值[24][27] - 数据来源：基于聚源、同花顺iFinD等数据源进行测算[27] **2 基金风格仓位分析模型** - **模型构建思路**：将主动偏股型基金的持仓按大盘/中盘/小盘和成长/价值维度进行划分，分析风格暴露变化[31] - **模型具体构建过程**： - 风格划分：采用六分法将基金持仓划分为大盘成长、大盘价值、中盘成长、中盘价值、小盘成长、小盘价值六大风格类别[31] - 仓位计算：基于基金重仓股数据，按风格类别分类汇总，计算各风格仓位占比[31] - 趋势分析：通过比较不同时间点的风格仓位分布，识别风格轮动趋势[31] **3 行业配置分析模型** - **模型构建思路**：基于中信一级行业分类，分析主动权益型基金在各行业的配置比例变化[34] - **模型具体构建过程**： - 行业分类：采用中信一级行业分类标准，共30个行业类别[35] - 配置计算：基于基金重仓股数据，按行业分类汇总持股市值，计算各行业配置比例[34] - 趋势识别：通过比较近期配置比例变化，识别增配和减配行业[34] 模型的回测效果 **1 主动权益基金仓位测算模型** - 截至2025/10/31，主动权益型基金平均仓位为88.89%[24] - 普通股票型基金平均仓位为91.34%（较上周下降1.26pct）[24] - 偏股混合型基金平均仓位为89.95%（较上周下降0.71pct）[24] - 配置型基金平均仓位为86.27%（较上周下降1.50pct）[24] - "固收+"基金平均仓位为23.74%（较上周上升0.22pct）[24] **2 基金风格仓位分析模型** - 大盘成长仓位为36.99%（较上周上升1.8pct）[31] - 大盘价值仓位为7.6%（较上周下降1.68pct）[31] - 中盘成长仓位为6.21%（较上周下降0.41pct）[31] - 中盘价值仓位为4.41%（较上周下降0.76pct）[31] - 小盘成长仓位为34.64%（较上周上升0.07pct）[31] - 小盘价值仓位为10.15%（较上周上升0.98pct）[31] **3 行业配置分析模型** - 电子行业仓位为20.50%（较上周提升1.27pct）[34] - 非银行金融仓位为3.11%（较上周提升0.60pct）[34] - 机械行业仓位为6.06%（较上周提升0.49pct）[34] - 医药行业仓位为10.48%（较上周下降1.12pct）[34] - 食品饮料仓位为3.05%（较上周下降0.69pct）[34] - 银行仓位为2.23%（较上周下降0.57pct）[34] 量化因子与构建方式 **1 资金流向因子** - **因子构建思路**：基于同花顺对主力资金的划分标准，分析不同资金规模的流向特征[55] - **因子具体构建过程**： - 资金规模划分： - 特大单：成交量在20万股以上，或成交金额在100万元以上的成交单[55] - 大单：成交量在6万股到20万股之间，或成交金额在30万到100万之间，或成交量占流通盘0.1%的成交单[55] - 中单：成交量在1万股与6万股之间，或成交金额在5万到30万之间的成交单[55] - 小单：成交量在1万股以下，或成交金额在5万元以下的成交单[55] - 流向计算：分别计算特大单、大单、中单、小单的净流入金额[56] **2 ETF资金流向因子** - **因子构建思路**：跟踪各类ETF产品的资金净流入情况，反映机构资金配置偏好[38] - **因子具体构建过程**： - 产品分类：将ETF分为宽基指数、行业指数（TMT/金融/消费/周期制造）、主题风格指数、境外指数、债券指数、商品指数等类别[38][65] - 流向计算：计算各类ETF的周度、月度、季度净流入金额[65] - 规模跟踪：同时跟踪ETF的产品规模和业绩表现[65] 因子的回测效果 **1 资金流向因子** - 本周主力净流出电子、通信、非银等行业[56] - 特大单净流入前五行业：基础化工（23.79亿元）、钢铁（7.91亿元）、传媒（7.78亿元）、交通运输（6.29亿元）、综合金融（5.97亿元）[62] - 特大单净流出前五行业：电子（-504.02亿元）、通信（-234.93亿元）、非银行金融（-126.44亿元）、机械（-67.25亿元）、计算机（-46.66亿元）[62] **2 ETF资金流向因子** - 宽基ETF本周净流入158.38亿元，规模为24711.89亿元[65] - 行业ETF-TMT本周净流入52.8亿元，规模为2772.25亿元[65] - 行业ETF-金融本周净流入13.15亿元，规模为2028.17亿元[65] - 行业ETF-消费本周净流入40.46亿元，规模为1906.28亿元[65] - 行业ETF-周期制造本周净流出107.07亿元，规模为3232.56亿元[65] - 境外指数ETF本周净流入87.68亿元，规模为8907.08亿元[65]

根据提供的金融工程周报，以下是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：A股仓位择时策略**[13] * **模型构建思路**：该模型旨在对沪深300ETF进行多头仓位的择时交易，通过特定的信号判断增持或减持时机，以超越简单的买入持有策略[13] * **模型具体构建过程**：报告未提供该模型具体的构建公式和详细步骤，仅展示了其历史净值曲线与沪深300持有曲线的对比[13] 2. **模型名称：A股多空择时策略**[16] * **模型构建思路**：该模型针对沪深300股指期货，进行多空双向的择时交易，旨在通过做多和做空信号获取超越基准的收益[16] * **模型具体构建过程**：报告未提供该模型具体的构建公式和详细步骤，仅展示了其策略净值曲线与沪深300持有曲线的对比[16] 3. **模型名称：港股仓位择时策略**[15] * **模型构建思路**：该模型对港股市场进行仓位择时，根据模型信号调整港股持仓水平[15] * **模型具体构建过程**：报告未提供该模型具体的构建公式和详细步骤[15] 4. **模型名称：A股小微盘择时策略**[15][17] * **模型构建思路**：该模型专注于A股市场中小市值股票的择时策略[15][17] * **模型具体构建过程**：报告未提供该模型具体的构建公式和详细步骤[17] 5. **模型名称：A股红利成长择时策略**[20] * **模型构建思路**：该模型在价值红利风格与成长风格之间进行轮动择时[20] * **模型具体构建过程**：报告未提供该模型具体的构建公式和详细步骤[20] 6. **模型名称：美股择时策略**[18][22] * **模型构建思路**：该模型对标普500指数进行择时，策略包括杠杆做多、做空以及持仓（反弹）等多种信号[18][22] * **模型具体构建过程**：报告未提供该模型具体的构建公式和详细步骤，但图表显示了其2倍开多、做空和持仓等不同信号下的净值表现[22] 7. **模型名称：黄金择时策略**[24][25] * **模型构建思路**：该模型对黄金价格进行择时交易，并设有特定的买入区间[24][25] * **模型具体构建过程**：报告未提供该模型具体的构建公式和详细步骤，但图表显示了其择时曲线、原始价格以及产生的超额收益[24] 8. **模型名称：ETF组合策略-偏股型**[25] * **模型构建思路**：该模型构建一个偏股型的ETF投资组合[25] * **模型具体构建过程**：报告未提供该组合的具体构建方法和成分选择逻辑[25] 9. **模型名称：ETF组合策略-偏债型**[27][29] * **模型构建思路**：该模型构建一个偏债型的ETF投资组合[27][29] * **模型具体构建过程**：报告未提供该组合的具体构建方法和成分选择逻辑[27][29] 10. **因子名称：小微盘因子**[7][30] * **因子构建思路**：基于市值规模，超配小盘股风格[7][30] * **因子具体构建过程**：报告未提供该因子的具体计算方法和定义[30] 11. **因子名称：价值红利因子**[7][30] * **因子构建思路**：基于价值和红利特征，超配该类风格股票[7][30] * **因子具体构建过程**：报告未提供该因子的具体计算方法和定义[30] 模型的回测效果 *报告未提供各量化模型具体的回测指标数值（如年化收益率、夏普比率、最大回撤等）[13][16][22][24]* 因子的回测效果 *报告未提供小微盘因子和价值红利因子具体的回测指标数值（如IC值、IR值、因子收益率等）[30]*

证券研究报告 | 金融工程 gszqdatemark 2025 11 01 年 月 日 量化分析报告 择时雷达六面图：本周流动性分数好转 择时雷达六面图：基于多维视角的择时框架。权益市场的表现受到多维度 指标因素的共同影响，我们尝试从流动性、经济面、估值面、资金面、技 术面、拥挤度选取二十一个指标对市场进行刻画，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，从而生成 [-1,1]之间的综合择时分数。 本周综合打分。本周市场的估值性价比，宏观基本面分数上升，趋势&资 金、拥挤度&反转分数不变，综合打分位于[-1,1]之间，当前的综合打分为 -0.08 分，较上周上升 0.05（上周综合打分为-0.13 分），整体为中性观 点。当前六面图各个维度的观点如下： 流动性。本周货币方向、信用方向发出看多信号，货币强度、信用强度 信号中性，当前流动性得分为 0.50 分，综合来看发出中性偏多信号。 经济面。本周增长方向指标发出看多信号，增长强度、通胀方向发出看 空信号，当前经济面得分为-0.25 分，综合来看发出中性偏空信号。 估值面。本周席勒 ERP、PB 上升，AIAE 指标分 ...

证券研究报告 | 金融工程 gszqdatemark 2025 11 02 年 月 日 量化周报 非银确认日线上涨，商贸零售迎来日线下跌 非银确认日线上涨，商贸零售迎来日线下跌。本周（ 10.27-10.31），大盘 先扬后抑，上证指数全周收涨 0.11%。在此背景下，非银行金融确认日线 级别上涨，商贸零售迎来日线级别下跌。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 6 个多月，反弹幅度也基本在 30%左右，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，几乎所有的规模指数及一半以上的行业更是走出了复杂的 9-15 浪的上涨结构，而银行、食品饮料、医药、消费者服务、农林牧渔、商贸 零售也已经形成了日线级别下跌，军工、轻工、传媒也有较大概率将确认 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。此外， 创业板、科创 50 自 6 月份以来的上涨短期内已基本见到顶部，未来市场 大概率会是震荡调整的态势。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 ...

根据提供的研报内容，总结其中涉及的量化模型与因子如下： 量化模型与构建方式 1. **模型名称：全天候择时模型**[2][6] * **模型构建思路**：该模型通过综合多个技术分析维度（如波浪理论、技术指标、股债性价比）来判断大盘的整体趋势和拐点，以实现择时[2][6] * **模型具体构建过程**：模型主要结合了以下三个维度的信号进行综合判断： 1. **周期分析（波浪理论）**：识别上证指数可能处于艾略特波浪理论中的第五浪末端，这意味着从时间和空间上看，一段上涨趋势可能接近尾声[2][6] 2. **技术指标（KDJ）**：观察KDJ指标是否处于高位，并出现顶背驰信号，这通常被视为卖出信号[2][6] 3. **股债收益差（风险溢价）**：计算股债收益差以评估权益资产的相对吸引力，当收益差对股票形成压制时，模型倾向于防御判断[2][6] * **模型评价**：该模型是一个多维度综合判断模型，旨在提供市场整体趋势的参考[2][6] 2. **模型名称：四轮驱动模型**[2][6] * **模型构建思路**：该模型用于进行行业轮动配置，通过分析不同行业的市场表现信号，提示具有潜在交易机会的行业方向[2][6] * **模型具体构建过程**：模型识别多种技术形态作为交易机会或风险提示的信号，具体包括： * **交易机会信号**： * 在震荡偏强走势中，开始放量上涨并上穿多根均线[13] * 当前是缠论中比较强势的第三类买点，即在均线多头排列状态下，强势板块回踩均线并重新启动[13] * 近期在突破前高之前先进行高位窄幅震荡整理，当下有放量上涨迹象[13] * 偏强趋势中，高频温度计曾回落到明显低位[13] * **风险提示信号**： * 基于缠论笔划分的五浪末端卖点，叠加KDJ处于高位和周期分析的顶背驰信号[13] * 在周期分析空头信号上的减仓点，例如均线向下拐头结合KDJ高位死叉[13] * 在前期多头信号上触发的止损信号[13] 模型的回测效果 *（注：报告中未提供具体模型的量化回测指标数值，如年化收益率、夏普比率、最大回撤等，因此此部分内容省略）* 量化因子与构建方式 *（注：报告中未明确提及或详细描述独立的量化因子构建，例如价值、动量、质量等传统因子，因此此部分内容省略）* 因子的回测效果 *（注：报告中未提供具体因子的IC值、IR、因子收益率等测试结果，因此此部分内容省略）*

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：理想反转因子**[5][41] * **因子构建思路**：A股反转之力的微观来源是大单成交，通过每日平均单笔成交金额的大小，可以切割出反转属性最强的交易日[5][41] * **因子具体构建过程**： * 对选定股票，回溯取其过去20日的数据[41] * 计算该股票每日的平均单笔成交金额（成交金额/成交笔数）[41] * 将单笔成交金额高的10个交易日的涨跌幅加总，记作 M_high[41] * 将单笔成交金额低的10个交易日的涨跌幅加总，记作 M_low[41] * 理想反转因子 M = M_high – M_low[41] * 对所有股票都进行以上操作，计算各自的理想反转因子 M[41] 2. **因子名称：聪明钱因子**[5][42] * **因子构建思路**：从分钟行情数据的价量信息中，可以识别出机构参与交易的多寡，进而构造出跟踪聪明钱的因子[5] * **因子具体构建过程**： * 对选定股票，回溯取其过去10日的分钟行情数据[42] * 构造指标 $$S_t = |R_t| / (V_t)^{0.25}$$，其中 $$R_t$$ 为第t分钟涨跌幅，$$V_t$$ 为第t分钟成交量[42] * 将分钟数据按照指标 $$S_t$$ 从大到小进行排序，取成交量累积占比前20%的分钟，视为聪明钱交易[42] * 计算聪明钱交易的成交量加权平均价 VWAPsmart[44] * 计算所有交易的成交量加权平均价 VWAPall[44] * 聪明钱因子 Q = VWAPsmart / VWAPall[42] 3. **因子名称：APM因子**[5][43] * **因子构建思路**：在日内的不同时段，交易者的行为模式不同，反转强度也相应有所不同[5] * **因子具体构建过程**： * 对选定股票，回溯取其过去20日数据，记逐日隔夜的股票收益率为 $$r_{night}$$，隔夜的指数收益率为 $$R_{night}$$；逐日下午的股票收益率为 $$r_{afternoon}$$，下午的指数收益率为 $$R_{afternoon}$$[43] * 将得到的40组隔夜与下午的收益率数据 $$(r, R)$$ 进行回归：$$r = \alpha + \beta R + \epsilon$$，得到残差项 $$\epsilon$$[43] * 在40个残差中，隔夜残差记为 $$\epsilon_{night}$$，下午残差记为 $$\epsilon_{afternoon}$$，计算每日隔夜与下午残差的差值 $$\delta_t = \epsilon_{night} - \epsilon_{afternoon}$$[43] * 构造统计量 stat 来衡量隔夜与下午残差的差异程度，计算公式如下： $$\mathrm{stat}={\frac{\mu(\delta_{t})}{\sigma(\delta_{t})/{\sqrt{N}}}}$$[45] * 为了消除动量因子影响，将统计量 stat 对动量因子（股票过去20日的收益率 Ret20）进行横截面回归：$$stat = \alpha + \beta Ret20 + \epsilon$$[46] * 将回归得到的残差值 ε 作为 APM 因子[46] 4. **因子名称：理想振幅因子**[5][48] * **因子构建思路**：基于股价维度可以对振幅进行切割，不同价态下振幅因子所蕴含的信息存在结构性差异[5][48] * **因子具体构建过程**： * 对选定股票，回溯取其最近20个交易日数据，计算股票每日振幅（最高价/最低价-1）[48] * 选择收盘价较高的25%有效交易日，计算其振幅均值，得到高价振幅因子 V_high[48] * 选择收盘价较低的25%有效交易日，计算其振幅均值，得到低价振幅因子 V_low[48] * 理想振幅因子 V = V_high - V_low[48] 5. **因子名称：交易行为合成因子**[32] * **因子构建思路**：将多个交易行为因子进行合成，以获取更稳健的表现[32] * **因子具体构建过程**： * 因子值处理：将理想反转、聪明钱、APM、理想振幅因子在行业内进行因子去极值与因子标准化[32] * 因子权重确定：滚动选取过去12期各因子的ICIR值作为权重[32] * 因子合成：使用确定的权重对标准化后的因子值进行加权，形成交易行为合成因子[32] 因子的回测效果 1. **理想反转因子** * 全历史区间IC均值：-0.050[6][16] * 全历史区间rankIC均值：-0.061[6][16] * 全历史区间信息比率(IR)：2.48[6][16] * 全历史区间多空对冲月度胜率：78.1%[6][16] * 2025年10月多空对冲收益：1.63%[7][16] * 近12个月多空对冲月度胜率：66.7%[7][16] 2. **聪明钱因子** * 全历史区间IC均值：-0.038[6][21] * 全历史区间rankIC均值：-0.062[6][21] * 全历史区间信息比率(IR)：2.74[6][21] * 全历史区间多空对冲月度胜率：81.2%[6][21] * 2025年10月多空对冲收益：2.90%[7][21] * 近12个月多空对冲月度胜率：83.3%[7][21] 3. **APM因子** * 全历史区间IC均值：0.028[6][25] * 全历史区间rankIC均值：0.034[6][25] * 全历史区间信息比率(IR)：2.25[6][25] * 全历史区间多空对冲月度胜率：76.5%[6][25] * 2025年10月多空对冲收益：-1.13%[7][25] * 近12个月多空对冲月度胜率：41.7%[7][25] 4. **理想振幅因子** * 全历史区间IC均值：-0.054[6][28] * 全历史区间rankIC均值：-0.074[6][28] * 全历史区间信息比率(IR)：3.03[6][28] * 全历史区间多空对冲月度胜率：83.3%[6][28] * 2025年10月多空对冲收益：3.33%[7][28] * 近12个月多空对冲月度胜率：66.7%[7][28] 5. **交易行为合成因子** * 全历史区间IC均值：0.067[6][32] * 全历史区间rankIC均值：0.093[6][32] * 全历史区间多空对冲信息比率(IR)：3.33[6][32] * 全历史区间多空对冲月度胜率：80.0%[6][32] * 全历史区间多头对冲组均值年化收益率：8.30%[32] * 全历史区间多头对冲组均值收益波动比：2.64[32] * 全历史区间多头对冲组均值月度胜率：78.5%[32] * 2025年10月多空对冲收益：3.73%[7][32] * 近12个月多空对冲月度胜率：75.0%[7][32] * 在不同股票池中的信息比率(IR)： * 国证2000：2.88[32] * 中证1000：2.69[32] * 中证800：1.02[32]

根据提供的金融工程日报内容，报告主要描述了市场表现、情绪、资金流向等市场监测指标，并未涉及具体的量化模型或量化因子的构建、测试与评价。因此，本总结中量化模型与因子部分无相关内容。 **市场监测指标与计算方式** 1. **指标名称：封板率**[17] * **构建思路**：用于衡量涨停股票的封板质量，即最高价涨停的股票中，有多少能够维持涨停直至收盘[17] * **具体构建过程**：统计上市满3个月以上的股票。封板率的计算公式为： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ [17] 2. **指标名称：连板率**[17] * **构建思路**：用于衡量涨停板的持续性，即昨日涨停的股票中，有多少今日继续涨停[17] * **具体构建过程**：统计上市满3个月以上的股票。连板率的计算公式为： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ [17] 3. **指标名称：大宗交易折价率**[26] * **构建思路**：通过大宗交易成交价与市价的差异，反映大资金的交易偏好和市场情绪[26] * **具体构建过程**：计算每日大宗交易的折价率，公式为： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ [26] 4. **指标名称：股指期货年化贴水率**[28] * **构建思路**：衡量股指期货价格与现货指数价格的差异，并年化以方便比较，其变化反映市场对未来预期和套利成本[28] * **具体构建过程**：计算股指期货主力合约的年化贴水率，公式为： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ [28] 其中，基差 = 期货价格 - 现货价格。当结果为负时表示贴水[28]。 **市场监测指标的当前取值** 1. **封板率与连板率**：2025年10月31日，封板率为61%，连板率为31%[17] 2. **大宗交易折价率**：截至2025年10月30日，近半年平均折价率为6.23%，当日折价率为5.18%[26] 3. **股指期货年化升贴水率**：2025年10月31日，上证50股指期货主力合约年化升水率为0.86%，沪深300主力合约年化贴水率为1.43%，中证500主力合约年化贴水率为8.63%，中证1000主力合约年化贴水率为13.18%[28]

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 1. **因子名称：250日新高距离**[11] - **因子构建思路**：该因子用于量化股票、指数或行业价格接近其历史最高点的程度，借鉴了动量效应和趋势跟踪策略的理论基础，认为价格接近新高的资产未来表现可能更优[11] - **因子具体构建过程**：计算最新收盘价相对于过去250个交易日最高收盘价的回落幅度。具体公式如下： $$250 日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，`Closet` 代表最新收盘价，`ts_max(Close, 250)` 代表过去250个交易日收盘价的最大值。当最新收盘价创出新高时，该因子值为0；当价格从高点回落时，该因子为正值，值越大表示回落幅度越大[11] 2. **因子名称：平稳创新高股票筛选因子（复合因子）**[26][28] - **因子构建思路**：在创新高股票的基础上，结合学术研究（如“温水煮青蛙”效应），进一步筛选那些价格路径平滑、趋势延续性好的股票，以增强动量效应的持续性[26] - **因子具体构建过程**：这是一个多步骤的复合筛选过程，具体条件如下： 1. **初选股票池**：筛选出过去20个交易日内创过250日新高的股票[26] 2. **分析师关注度**：过去3个月内，买入或增持评级的分析师研报数量不少于5份[28] 3. **股价相对强弱**：过去250日涨跌幅位于全市场前20%[28] 4. **股价平稳性与创新高持续性（综合打分）**：在满足上述条件的股票池内，使用以下两个指标进行综合打分，并选取排名在前50%的股票： - **价格路径平滑性**：使用股价位移路程比衡量，具体计算公式为 `过去120日涨跌幅的绝对值 / 过去120日日涨跌幅绝对值加总`[26] - **创新高持续性**：过去120日的250日新高距离在时间序列上的均值[28] 5. **趋势延续性**：依据过去5日的250日新高距离在时间序列上的均值进行排序，最终选取排名最靠前的50只股票[28] 模型的回测效果 （报告中未提供具体的量化模型回测绩效指标，如年化收益率、夏普比率等，因此本部分省略） 因子的回测效果 （报告中未提供单一因子或复合因子的具体回测绩效指标，如IC值、IR值、多空收益等，因此本部分省略） 关键指标取值（截至2025年10月31日） 1. **主要宽基指数 - 250日新高距离**[2][12] - 上证指数：1.53% - 深证成指：2.53% - 沪深300：2.26% - 中证500：2.89% - 中证1000：1.85% - 中证2000：2.22% - 创业板指：4.11% - 科创50指数：8.03% 2. **中信一级行业指数 - 250日新高距离（部分）**[13] - 家电行业：0.00% - 纺织服装行业：0.55% - 综合行业：1.08% - 基础化工行业：0.91% - 建材行业：0.57% 3. **创新高个股统计**[19][20] - 全市场创新高股票总数（过去20个交易日）：1077只 - **创新高个股数量占比（按指数）**： - 中证2000指数：16.90% - 中证1000指数：22.30% - 中证500指数：30.20% - 沪深300指数：31.00% - 创业板指：34.00% - 科创50指数：42.00% - **平稳创新高股票筛选结果**：50只[29]