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分析，并未明确构建新的量化模型或因子，而是使用了多个经典的市场指标（可视为因子）来评估各宽基指数的状态。 量化因子与构建方式 1. **因子名称**：风险溢价[25] - **因子的构建思路**：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指数的收益率减去十年期国债即期收益率。报告中具体展示了当前风险溢价、相对于近1年和近5年历史的分位值、均值、波动率以及相对于均值加减标准差区间的偏离值[30]。 2. **因子名称**：PE-TTM（滚动市盈率）[36] - **因子的构建思路**：观察各指数的PE-TTM作为估值参考，衡量各指数在当前时点的投资价值[36]。 - **因子具体构建过程**：PE-TTM为指数总市值除以指数成分股归属于母公司股东的净利润TTM（过去十二个月）。报告中展示了其当前值、近1年及近5年历史分位值、均值、波动率以及相对于均值加减标准差区间的偏离百分比[39]。 3. **因子名称**：股债性价比[41] - **因子的构建思路**：以各指数PE-TTM的倒数和十年期国债即期收益率之差作为股债性价比的衡量指标[41]。 - **因子具体构建过程**：股债性价比的计算公式为 `1 / PE-TTM - 无风险收益率`。报告中通过图表形式展示了该因子的走势，并与基于近5年数据计算的机会值（80%分位）、危险值（20%分位）、均值及标准差区间进行了对比[41][43]。 4. **因子名称**：股息率[44] - **因子的构建思路**：股息率反映现金分红回报率，跟踪各指数的股息率以观察其走势和变化趋势，高股息率在市场利率下行期表现突出[44]。 - **因子具体构建过程**：股息率为指数成分股每股股息之和除以指数价格。报告中展示了其当前值、近1年及近5年历史分位值、均值、波动率以及相对于均值加减标准差区间的偏离百分比[46]。 5. **因子名称**：破净率[47] - **因子的构建思路**：破净率（市净率小于1的个股占比）反映市场的估值态度，破净率和占比越高，低估的情况越普遍[47]。 - **因子具体构建过程**：破净率计算为指数中市净率（股价/每股净资产）小于1的成分股数量占指数总成分股数量的比例。报告中给出了各宽基指数当前的破净率数值[49]。 6. **因子名称**：指数与均线比较[14] - **因子的构建思路**：通过比较指数收盘价与不同周期移动平均线（MA）的位置关系，判断市场短期趋势和相对强弱[14]。 - **因子具体构建过程**：计算指数收盘价相对于5日、10日、20日、60日、120日、250日移动平均线的偏离百分比，公式为 `(收盘价 / 移动平均线值 - 1) * 100%`。报告中也计算了指数收盘价相对于近250日高点和低点的回撤或涨幅百分比[15]。 7. **因子名称**：收益率分布形态（偏度与峰度）[23] - **因子的构建思路**：通过分析指数日收益率的分布形态（偏度和峰度）来观察市场收益特征的变化[23]。 - **因子具体构建过程**：计算指数日收益率序列的近5年峰度/偏度以及当前峰度/偏度，并计算当前值与近5年值的差异。报告中注明了峰度计算中减去了3（正态分布峰度）[23][24]。 因子的回测效果 报告主要提供了上述因子在特定时点（2025年11月26日）的截面数据（针对不同宽基指数）或近期历史分位值，而非传统意义上的时间序列回测结果（如IC、IR、多空收益等）。以下为各因子在该时点的具体取值： 1. **风险溢价因子**[30] - 上证50：当前风险溢价0.11%，近5年分位值56.19% - 沪深300：当前风险溢价0.60%，近5年分位值74.76% - 中证500：当前风险溢价0.14%，近5年分位值55.32% - 中证1000：当前风险溢价-0.03%，近5年分位值45.79% - 中证2000：当前风险溢价-0.34%，近5年分位值35.32% - 中证全指：当前风险溢价0.23%，近5年分位值60.32% - 创业板指：当前风险溢价2.13%，近5年分位值89.84% 2. **PE-TTM因子**[39] - 上证50：当前值11.84，近5年分位值84.13% - 沪深300：当前值13.93，近5年分位值81.32% - 中证500：当前值31.87，近5年分位值94.79% - 中证1000：当前值46.43，近5年分位值95.12% - 中证2000：当前值152.00，近5年分位值79.67% - 中证全指：当前值20.83，近5年分位值91.57% - 创业板指：当前值39.66，近5年分位值54.21% 3. **股息率因子**[46] - 上证50：当前值3.31%，近5年分位值36.20% - 沪深300：当前值2.74%，近5年分位值37.85% - 中证500：当前值1.40%，近5年分位值18.10% - 中证1000：当前值1.14%，近5年分位值50.50% - 中证2000：当前值0.78%，近5年分位值20.83% - 中证全指：当前值2.05%，近5年分位值37.11% - 创业板指：当前值1.04%，近5年分位值71.40% 4. **破净率因子**[49] - 上证50：20.0% - 沪深300：15.67% - 中证500：12.2% - 中证1000：8.0% - 中证2000：3.25% - 中证全指：6.22% - 创业板指：1.0% 5. **指数与均线比较因子**[15] - 各指数相对于5日、10日、20日、60日、120日、250日均线的具体偏离百分比，以及相对于近250日高点和低点的偏离百分比，具体数值见文档[15]中表2。 6. **收益率分布形态因子**[24] - 各指数当前峰度、当前偏度、以及它们相对于近5年均值的变化，具体数值见文档[24]中表3。

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：股指分红点位测算模型**[12][39][41] * **模型构建思路**：该模型旨在精确测算股指期货合约存续期内，其标的指数因成分股分红除息而导致的价格指数自然下滑的点位，以准确计算期货合约的升贴水幅度[12][41] * **模型具体构建过程**：模型的核心是计算从当前时刻（t）到期货合约到期日（T）之间，所有成分股除息日满足 t < 除息日 ≤ T 的分红对指数点位的总影响。具体流程如下[41][42]： * **步骤1：获取基础数据**。获取指数成分股列表、个股总市值、指数收盘价。其中，成分股的日度权重采用中证指数公司每日披露的精确数据，而非基于月末权重的估算值[44][45][46]。个股总市值和指数收盘价可直接获取。 * **步骤2：确定个股分红金额与除息日**。对于每只成分股： * 若公司已公布分红金额，则直接采用。若同时公布了除息日，则直接采用；若未公布除息日，则需预测除息日[42]。 * 若公司未公布分红金额，则需预测。预测方法为：分红金额 = 预测净利润 × 预测股息支付率[47]。 * **净利润预测**：采用基于历史净利润分布的动态预测法[50]。若公司已公布年报、快报或业绩预告，则直接采用（业绩预告取上下限均值）。若未公布，则根据其历史季度盈利分布是否稳定进行分类预测：对于盈利分布稳定的公司，按历史规律预测；对于不稳定的公司，使用上年同期利润作为预测值[48][50]。 * **股息支付率预测**：若公司去年分红，则用去年股息支付率；若去年不分红，则用最近3年平均股息支付率；若从未分红，则默认今年不分红；预测值大于100%时进行截尾处理[51][53]。 * **除息日预测**：采用基于历史间隔天数稳定性的线性外推法[51][55]。 * 若已公布除息日，直接采用。 * 若未公布，则根据公司所处分红阶段（预案或决案）进行判断。若历史年份中从预案/股东大会公告日到除息日的间隔天数稳定，则用该平均间隔天数与今年对应公告日进行线性外推；若不稳定，则参考去年或前年的历史分红日期[56]。 * 若上述方法均不适用，则根据预测日期所在月份设置默认除息日（如7月31日、8月31日或9月30日）[56]。 * **步骤3：计算指数分红点数**。汇总所有符合条件的个股分红影响，计算公式为： $$分红点数 = \sum_{n=1}^{N} \left( \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价 \right)$$ 其中，求和条件为个股除权除息日满足 t < 除息日 ≤ T [41]。 模型的回测效果 1. **股指分红点位测算模型**，2023年预测误差：上证50指数和沪深300指数基本在5个点左右，中证500指数基本在10个点左右[61] 2. **股指分红点位测算模型**，2024年预测误差：上证50指数和沪深300指数基本在5个点左右，中证500指数基本在10个点左右[61] 3. **股指分红点位测算模型**，对股指期货合约的预测效果：2023年和2024年，上证50和沪深300股指期货预测效果最好，中证500股指期货预测偏离度稍大[61] 量化因子与构建方式 1. **因子名称：已实现股息率**[18] * **因子构建思路**：衡量指数成分股中已实施现金分红的公司，其分红总额相对于总市值的加权比例[18] * **因子具体构建过程**：计算公式为： $$全年已实现股息率 = \sum_{i=1}^{N1} \left( \frac{个股已分红金额}{个股总市值} \times 个股权重 \right)$$ 其中，N1 表示指数成分股中今年已现金分红的公司数量[18] 2. **因子名称：剩余股息率**[18] * **因子构建思路**：衡量指数成分股中尚未实施现金分红的公司，其预计分红总额相对于总市值的加权比例[18] * **因子具体构建过程**：计算公式为： $$全年剩余股息率 = \sum_{i=1}^{N2} \left( \frac{个股待分红金额}{个股总市值} \times 个股权重 \right)$$ 其中，N2 表示指数成分股中今年尚未现金分红的公司数量[18] 3. **因子名称：年化升贴水率**[14] * **因子构建思路**：将股指期货合约相对于其标的指数价格指数的价差，进行年化处理，以标准化比较不同期限合约的升贴水程度[14] * **因子具体构建过程**：基于扣除分红影响后的含分红价差进行计算。公式为表格中直接给出的“年化升贴水”项，其计算逻辑通常为：（合约收盘价 - 指数收盘价 + 预测分红点数） / 指数收盘价 × (365 / 到期天数) [14] 因子的回测效果 1. **已实现股息率**，截至2025年11月26日取值：上证50指数为2.52%，沪深300指数为2.03%，中证500指数为1.24%，中证1000指数为0.95%[3][18] 2. **剩余股息率**，截至2025年11月26日取值：上证50指数为0.35%，沪深300指数为0.20%，中证500指数为0.05%，中证1000指数为0.03%[3][18] 3. **年化升贴水率**，截至2025年11月26日主力合约取值：IH为-2.79%，IF为-7.73%，IC为-12.51%，IM为-15.55%[4][14]

量化模型与构建方式 1. 日频高/低位放量事件模型 **模型名称**：日频高/低位放量事件模型[1] **模型构建思路**：基于日频数据，通过判断股价是否处于历史高/低位以及成交量是否异常放大，来识别“高位放量”和“低位放量”事件信号[13] **模型具体构建过程**： 1. **低位放量事件定义**：同时满足以下两个条件： * 当日收盘价处于过去120个交易日的10%分位数及以下 * 当日成交量高于过去120个交易日的均值 + 1.5倍标准差 2. **高位放量事件定义**：同时满足以下两个条件： * 当日收盘价处于过去120个交易日的90%分位数及以上 * 当日成交量高于过去120个交易日的均值 + 1.5倍标准差 3. **资金通道策略构建**[18]： * 设置4个资金通道，每个通道持股周期为20个交易日 * 每周末，回看过去5个交易日，将在过去5日内所有曾触发事件的股票视为目标股票池 * 下周初开盘时，在空闲资金通道中等权买入目标股票池中的股票，持有20个交易日后平仓 * 计算4个资金通道的净值并求和，得到组合整体净值 2. 高频高/低位放量事件簇模型 **模型名称**：高频高/低位放量事件簇模型[25] **模型构建思路**：借助高频量价数据，从“高/低位”和“放量”两个维度进行多视角、多维度的事件识别，批量生产事件信号，并通过筛选和合成得到稳定有效的事件簇综合信号[26] **模型具体构建过程**： 整个构建流程分为三个主要步骤[26]： 1. **事件识别**：多维度定义“高/低位”和“放量”[27] * **价格高/低位识别**[29][31]： * **对比时间段**：日内固定对比（当天分钟序列）或日间滚动对比（过去20个交易日分钟序列） * **判定阈值**： * **分位数法**：价格大于对比序列90%分位数定义为高位，小于10%分位数定义为低位 * **均值标准差法**：价格大于对比序列均值+N倍标准差定义为高位，小于均值-N倍标准差定义为低位（日内N=3，日间N=1.5） * **放量识别**[32][38][39]： * **量的类型**：成交量、成交金额、成交笔数、单笔成交金额 * **交易者划分**： * **大小单**：整体、超大单、大单、中单、小单 * **激进程度**：整体、最激进、次激进、中等激进、次不激进、最不激进（参考逐笔委托订单与快照数据的交互）[34] * **交易方向**：整体、主买、主卖[36] * **对比时间段**：日内固定对比或日间滚动对比（过去20个交易日） * **判定阈值**： * **分位数法**：量大于对比序列90%分位数定义为放量 * **均值标准差法**：量大于对比序列均值+N倍标准差定义为放量（日内N=3，日间N=1.5） 2. **信号定义**：将“高/低位”与“放量”结合，生成事件信号[42] * **方式一：先看价、后看量**：先识别价格处于高/低位的时间点，再根据这些时间点平均成交量判断是否放量 * **方式二：先看量、后看价**：先识别放量的时间点，再根据这些时间点的平均价格判断是否处于高/低位 * **示例（先看量、后看价）**[43]： * 每个交易日，计算当日240分钟成交量的90%分位数作为成交量阈值，计算240分钟收盘价的90%分位数作为价格高位阈值、10%分位数作为价格低位阈值 * 将当日成交量序列中大于成交量阈值的分钟标记为放量分钟 * 计算所有放量分钟对应的收盘价平均值，若该平均值大于价格高位阈值，则触发高位放量信号；若小于价格低位阈值，则触发低位放量信号 3. **信号筛选与合成**：得到“事件簇”及“综合信号”[44] * **信号筛选**：对每个信号构建资金通道策略，考察其收益表现及与其他信号的相关性，通过分时段（如2016-2018, 2019-2021）筛选，保留有效且低相关的事件信号，形成“事件簇”[45] * **信号合成（以低位放量为例）**：若某股票某交易日同时触发事件簇中半数及以上信号，则视为触发低位放量综合信号[49] * **信号有机结合（低位放量+高位放量）**[57]： * 在低位放量综合信号初筛的股票池基础上，剔除过去5日内曾触发高位放量综合信号的股票 * 基于筛选后的股票池构建资金通道策略（方法同前） 3. 事件驱动与多因子指增结合模型 **模型名称**：事件驱动与多因子指增结合模型[69][70] **模型构建思路**：利用事件驱动信号与传统多因子指增策略的低相关性，通过多策略并行或负向剔除的方式对指增组合进行增强，提升组合稳定性或收益[69][70] **模型具体构建过程**： 1. **多策略并行**[69]： * 以一定仓位比例（如85%）配置模拟指增组合，另一部分仓位（如15%）配置事件驱动信号的通道策略 * 进行季度再平衡 2. **负向剔除**[70][73]： * 在构建多因子指增组合时，因子值及指增约束条件不变 * 若当周有股票触发高位放量综合信号，则将其权重调整至满足约束条件的下限 模型的回测效果 1. 日频高/低位放量事件模型 * 日频低位放量信号通道策略：收益波动剧烈，甚至提供负向超额[18] * 日频高位放量信号通道策略：收益波动剧烈[18] 2. 高频高/低位放量事件簇模型 中证800成份股内表现 (2016/01/01-2025/10/31) * **低位放量综合信号通道策略**[50][51]： * 年化收益：7.72% * 年化超额收益（vs 中证800等权）：7.67% * 超额年化波动：3.45% * 超额信息比率(IR)：2.22 * 超额最大回撤：4.68% * 周均持股数：约63只 * **高位放量综合信号通道策略**[54][57]： * 年化收益：-10.16% * 基准相比策略年化超额：10.30% * 超额年化波动：7.19% * 超额信息比率(IR)：1.43 * 超额最大回撤：8.47% * 周均持股数：约24只 * **低位放量+高位放量叠加通道策略**[58][60]： * 年化收益：9.24% * 年化超额收益（vs 中证800等权）：9.14% * 超额年化波动：3.79% * 超额信息比率(IR)：2.42 * 超额最大回撤：3.70% * 周均持股数：约50只 中证1000成份股内表现 * **低位放量综合信号通道策略**[62][68]： * 年化超额收益（vs 中证1000）：8.12% * 超额年化波动：3.22% * 超额信息比率(IR)：2.52 * 超额最大回撤：4.47% * 周均持股数：约288只 * **高位放量综合信号通道策略**[62][68]： * 基准相比策略年化超额：11.31% * 超额信息比率(IR)：2.16 * 周均持股数：约97只 * **低位放量+高位放量叠加通道策略**[66][68]： * 年化超额收益（vs 中证1000）：9.13% * 超额年化波动：3.59% * 超额信息比率(IR)：2.55 * 超额最大回撤：3.82% 国证2000成份股内表现 * **低位放量综合信号通道策略**[64][68]： * 年化超额收益（vs 国证2000）：6.04% * 超额年化波动：3.16% * 超额信息比率(IR)：1.91 * 超额最大回撤：3.27% * 周均持股数：约133只 * **高位放量综合信号通道策略**[64][68]： * 基准相比策略年化超额：16.22% * 超额信息比率(IR)：2.77 * 周均持股数：约131只 * **低位放量+高位放量叠加通道策略**[66][68]： * 年化超额收益（vs 国证2000）：7.58% * 超额年化波动：3.52% * 超额信息比率(IR)：2.16 * 超额最大回撤：4.62% 3. 事件驱动与多因子指增结合模型 多策略并行 (中证1000成份股内) * **原始模拟指增组合**[69][70]： * 年化收益：11.88% * 年化波动：6.11% * 最大回撤：7.32% * 信息比率(IR)：1.94 * 卡玛比率：1.62 * **综合信号通道策略（低位放量+高位放量）**[69][70]： * 年化收益：9.98% * 年化波动：5.32% * 最大回撤：7.42% * 信息比率(IR)：1.88 * 卡玛比率：1.35 * **多策略并行组合 (85%指增 + 15%事件驱动)**[69][70]： * 年化收益：11.64% * 年化波动：5.38% * 最大回撤：6.15% * 信息比率(IR)：2.17 * 卡玛比率：1.89 负向剔除 (中证1000指增组合内) * **原始指增组合**[73][75]： * 年化超额收益：23.51% * 跟踪误差：4.43% * 超额信息比率(IR)：5.31 * 超额最大回撤：5.98% * 卡玛比率：3.93 * **负向剔除后指增组合（加入高位放量信号）**[73][75]： * 年化超额收益：24.84% * 跟踪误差：4.42% * 超额信息比率(IR)：5.62 * 超额最大回撤：5.44% * 卡玛比率：4.56 量化因子与构建方式 （报告核心内容聚焦于事件驱动策略模型的构建，未详细阐述独立的截面选股因子） 因子的回测效果 （报告核心内容聚焦于事件驱动策略模型的回测，未提供独立因子的测试结果）

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**：通过构建行业拥挤度监测模型，对申万一级行业指数的拥挤度进行每日监测[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**：根据溢价率 Z-score 模型搭建相关 ETF 产品筛选信号模型，通过滚动测算提供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**：用于识别ETF产品是否存在潜在套利机会[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 报告未提供量化模型的回测效果指标取值。 因子的回测效果 报告未提供量化因子的回测效果指标取值。

根据提供的研报内容，现总结如下： 量化模型与构建方式 1. **模型名称**：中证工业有色金属主题指数编制模型[23][24] * **模型构建思路**：选取业务涉及铜、铝、铅锌、稀土金属等工业有色金属行业的上市公司证券，以反映该主题上市公司证券的整体表现[23] * **模型具体构建过程**： 1. **样本空间**：同中证全指指数的样本空间[25] 2. **可投资性筛选**：对样本空间内证券，剔除过去一年日均成交金额排名位于后10%的证券[25] 3. **选样方法**： * 选取业务涉及铜、铝、铅锌、稀土金属、钨钼、钛等行业的上市公司证券作为待选样本[25] * 在上述待选样本中，按照过去一年日均总市值由高到低排名，选取排名前30的证券作为指数样本；若待选样本数量不足30只，则全部纳入[25] 4. **指数加权方式**：采用调整后自由流通市值加权，并设置权重上限：单个样本权重不超过15%，多元化矿企单个样本权重上限不超过3%，且前五大样本合计权重不超过60%[25] 5. **指数调仓频率**：指数样本每半年调整一次，样本调整实施时间分别为每年6月和12月的第二个星期五的下一交易日[25] 模型的回测效果 1. **中证工业有色金属主题指数模型**[35][39] * 年化收益率：9.18%[39] * 年化波动率：32.29%[39] * 夏普比率：0.28[39] * 最大回撤：-61.00%[39] * 分年度收益率： * 2021年：45.55%[39] * 2022年：-25.91%[39] * 2023年：-17.95%[39] * 2024年：-1.94%[39] * 2025年（截至11月10日）：76.55%[39] 量化因子与构建方式 1. **因子名称**：估值因子（市盈率TTM）[41] * **因子构建思路**：使用指数成分股的净利润和总市值计算市盈率，以衡量指数的估值水平[41] * **因子具体构建过程**：计算指数整体的市盈率（TTM），公式为： $$PE_{TTM} = \frac{\sum (成分股总市值)}{\sum (成分股最近12个月净利润)}$$[41] 2. **因子名称**：盈利增长因子[45] * **因子构建思路**：使用指数成分股的利润总额计算同比增长率，以衡量指数的盈利增长能力[45] * **因子具体构建过程**：计算指数利润总额的年度同比变化率，公式为： $$盈利增长率 = \frac{当期利润总额 - 上期利润总额}{|上期利润总额|} \times 100\%$$[45] 因子的回测效果 1. **估值因子（市盈率TTM）**[41] * 截至2025年11月10日取值：20.41倍[41] * 近五年估值分位数：68.56%[41] 2. **盈利增长因子**[45] * 2024年利润总额同比增长率：19.05%[45] * 2023年利润总额同比增长率：-11.45%[45]

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指数的多维度跟踪分析，并未明确构建新的量化交易模型或选股因子，而是展示了一系列用于评估市场状态和指数特征的指标。因此，总结将围绕报告中出现的各类分析指标（可视为广义的“因子”或“模型”的输入/输出）进行。 量化因子与构建方式 1. **因子名称：连阴连阳[12]** * **因子构建思路**：通过统计指数K线连续为阴线或阳线的天数，来衡量市场的短期趋势强度和连续性[12] * **因子具体构建过程**：从当前交易日开始向前追溯，连续上涨（阳线）则计数为正数，连续下跌（阴线）则计数为负数，计数从1开始，例如“2”表示连续2天上涨，“-2”表示连续2天下跌[12] 2. **因子名称：指数与均线比较[15][16]** * **因子构建思路**：通过计算指数收盘价与不同周期移动平均线（MA）的偏离程度，来判断指数相对于短期、中期和长期趋势的位置[15][16] * **因子具体构建过程**：计算指数收盘价与MA5、MA10、MA20、MA60、MA120、MA250的差值百分比，公式为： $$偏离百分比 = \frac{收盘价 - 移动平均线值}{移动平均线值} \times 100\%$$ 同时，也会比较当前收盘价与近250个交易日的最高位和最低位的偏离百分比[16] 3. **因子名称：指数换手率[18]** * **因子构建思路**：衡量指数成分股的交易活跃程度[18] * **因子具体构建过程**：采用流通股本加权平均的方式计算，公式为： $$指数换手率 = \frac{\sum(成分股流通股本 \times 成分股换手率)}{\sum(成分股流通股本)}$$ 此外，还计算各指数交易金额占全市场（中证全指）交易金额的占比[18] 4. **因子名称：收益率分布形态（峰度和偏度）[24][26]** * **因子构建思路**：通过分析指数日收益率分布的峰度和偏度，来描述收益分布的集中程度和对称性，并与历史分布进行比较[24][26] * **因子具体构建过程**：计算近一年（当前）和近5年（历史基准）的峰度与偏度。报告中注明了峰度计算中减去了3（正态分布的峰度值），即计算的是超额峰度[26]。偏度则直接计算。通过比较当前值与近5年值的差异（当前值 - 近5年值）来观察分布形态的变化[26] 5. **因子名称：风险溢价[28][30][31]** * **因子构建思路**：以十年期国债即期收益率作为无风险利率，计算股票指数的预期收益率（通常用市盈率倒数为代理变量）与其差值，来衡量股票市场相对于债券市场的超额收益吸引力[28][30][31] * **因子具体构建过程**：报告中未明确给出风险溢价的计算公式，但根据金融学常规定义，风险溢价（ERP）可表示为： $$风险溢价 = \frac{1}{PE_{TTM}} - R_f$$ 其中，$PE_{TTM}$ 为指数的滚动市盈率，$R_f$ 为十年期国债即期收益率。报告还计算了风险溢价的近1年和近5年历史分位值、均值、波动率以及相对于均值±1倍、±2倍标准差的偏离情况[31] 6. **因子名称：PE-TTM（滚动市盈率）[37][40][42][43]** * **因子构建思路**：作为衡量指数估值水平的核心指标[37] * **因子具体构建过程**：报告直接使用了数据提供商计算的指数PE-TTM值。并计算了其当前值相对于近1年、近5年以及全部历史数据的分位值。同时，也计算了近1年的均值、波动率以及当前值相对于均值±1倍、±2倍标准带的偏离百分比[43] 7. **因子名称：股债性价比[45]** * **因子构建思路**：本质是风险溢价的另一种呈现方式，通过图表展示其相对于历史分位值（如80%分位为机会值，20%分位为危险值）的位置，以判断股票和债券的相对投资价值[45] * **因子具体构建过程**：与风险溢价计算相同，即 $股债性价比 = \frac{1}{PE_{TTM}} - R_f$，并通过与历史分布的比较来判断当前位置[45] 8. **因子名称：股息率[47][50][52]** * **因子构建思路**：反映指数的现金分红回报水平，是红利投资风格的重要参考[47] * **因子具体构建过程**：报告直接使用了数据提供商计算的指数股息率。同样计算了其当前值相对于近1年、近5年以及全部历史数据的分位值，以及近1年的均值、波动率和相对于均值±1倍、±2倍标准带的偏离百分比[52] 9. **因子名称：破净率[54]** * **因子构建思路**：统计指数中市净率（PB）小于1的个股数量占比，反映市场的整体估值低迷程度或悲观情绪[54] * **因子具体构建过程**：$破净率 = \frac{指数成分股中PB < 1的股票数量}{指数成分股总数} \times 100\%$[54] 因子的回测效果 报告主要呈现了各指标在特定时点（2025年11月25日）的截面数据或历史分位值，并未提供基于这些因子构建投资组合的传统回测绩效指标（如年化收益率、夏普比率、信息比率等）。以下为报告中给出的部分指标的具体数值： 1. **连阴连阳因子**[12] * 上证50：日K连阴连阳为空，周K连阴连阳为空，月K连阴连阳为-2 * 沪深300：日K连阴连阳为空，周K连阴连阳为空，月K连阴连阳为-2 * 中证500：日K连阴连阳为2，周K连阴连阳为空，月K连阴连阳为-2 * 中证1000：日K连阴连阳为2，周K连阴连阳为空，月K连阴连阳为-2 * 中证2000：日K连阴连阳为2，周KK连阴连阳为空，月K连阴连阳为-3 * 中证全指：日K连阴连阳为2，周K连阴连阳为空，月K连阴连阳为-2 * 创业板指：日K连阴连阳为空，周K连阴连阳为空，月K连阴连阳为-2 2. **指数与均线比较因子**[16] * 上证50：vsMA5为-0.4%，vsMA10为-1.3%，vsMA20为-1.7%，vsMA60为-0.6%，vsMA120为3.3%，vsMA250为7.6%，vs近250日低位为17.9%，vs近250日高位为-3.4% * 沪深300：vsMA5为-0.4%，vsMA10为-1.7%，vsMA20为-2.8%，vsMA60为-1.7%，vsMA120为4.4%，vsMA250为10.0%，vs近250日低位为25.1%，vs近250日高位为-5.4% * 中证500：vsMA5为-0.2%，vsMA10为-2.1%，vsMA20为-3.6%，vsMA60为-3.1%，vsMA120为4.8%，vsMA250为12.2%，vs近250日低位为31.5%，vs近250日高位为-7.9% * 中证1000：vsMA5为0.1%，vsMA10为-1.7%，vsMA20为-2.7%，vsMA60为-2.3%，vsMA120为3.8%，vsMA250为10.9%，vs近250日低位为31.9%，vs近250日高位为-5.2% * 中证2000：vsMA5为0.7%，vsMA10为-1.4%，vsMA20为-1.9%，vsMA60为-1.3%，vsMA120为3.8%，vsMA250为13.0%，vs近250日低位为39.8%，vs近250日高位为-4.0% * 中证全指：vsMA5为-0.1%，vsMA10为-1.8%，vsMA20为-2.7%，vsMA60为-1.9%，vsMA120为4.4%，vsMA250为11.2%，vs近250日低位为30.0%，vs近250日高位为-4.8% * 创业板指：vsMA5为-0.3%，vsMA10为-2.5%，vsMA20为-4.7%，vsMA60为-2.8%，vsMA120为12.1%，vsMA250为25.5%，vs近250日低位为65.0%，vs近250日高位为-10.3% 3. **风险溢价因子**[31] * 上证50：当前风险溢价0.59%，近1年分位值80.16%，近5年分位值76.98% * 沪深300：当前风险溢价0.94%，近1年分位值85.71%，近5年分位值83.65% * 中证500：当前风险溢价1.24%，近1年分位值82.94%，近5年分位值86.90% * 中证1000：当前风险溢价1.30%，近1年分位值82.14%，近5年分位值85.00% * 中证2000：当前风险溢价1.74%，近1年分位值89.29%，近5年分位值90.08% * 中证全指：当前风险溢价1.20%，近1年分位值86.11%，近5年分位值87.14% * 创业板指：当前风险溢价1.76%，近1年分位值81.75%，近5年分位值86.27% 4. **PE-TTM因子**[43] * 上证50：当前值11.89，近1年历史分位值86.78%，近5年历史分位值85.04% * 沪深300：当前值13.93，近1年历史分位值76.86%，近5年历史分位值81.24% * 中证500：当前值31.83，近1年历史分位值73.97%，近5年历史分位值94.79% * 中证1000：当前值46.40，近1年历史分位值79.34%，近5年历史分位值95.04% * 中证2000：当前值152.37，近1年历史分位值73.14%，近5年历史分位值80.00% * 中证全指：当前值20.83，近1年历史分位值76.03%，近5年历史分位值91.65% * 创业板指：当前值39.03，近1年历史分位值76.03%，近5年历史分位值52.48% 5. **股息率因子**[52] * 上证50：当前值3.30%，近1年历史分位值15.29%，近5年历史分位值35.62% * 沪深300：当前值2.74%，近1年历史分位值25.62%，近5年历史分位值37.77% * 中证500：当前值1.41%，近1年历史分位值26.86%，近5年历史分位值18.26% * 中证1000：当前值1.14%，近1年历史分位值23.55%，近5年历史分位值50.25% * 中证2000：当前值0.78%，近1年历史分位值25.21%，近5年历史分位值20.41% * 中证全指：当前值2.05%，近1年历史分位值25.21%，近5年历史分位值37.11% * 创业板指：当前值1.06%，近1年历史分位值22.31%，近5年历史分位值72.07% 6. **破净率因子**[54] * 上证50：20.0% * 沪深300：15.67% * 中证500：12.0% * 中证1000：7.9% * 中证2000：3.15% * 创业板指：1.0% * 中证全指：6.18% **注**：报告中对部分因子给出了定性评价，例如指出风险溢价存在均值复归现象[29]，中证1000、中证2000和创业板指的风险溢价分布较分散、不确定性更大[34]，PE-TTM分位数在特定时间点探底后拉升[37]等。

经过仔细阅读和分析，该份研报主要侧重于对历史行情的统计描述和基于技术分析理论的走势推演，并未涉及传统意义上的量化模型或量化因子的构建、测试与评价。报告的核心内容是对中国A股市场不同牛市阶段的特征进行比较，并应用缠论等技术分析方法对创业板指的未来走势进行预测。因此，根据任务要求，以下部分将不适用： **量化模型与构建方式** （报告中未涉及具体的量化模型构建） **模型的回测效果** （报告中未涉及具体的量化模型回测） **量化因子与构建方式** （报告中未涉及具体的量化因子构建） **因子的回测效果** （报告中未涉及具体的量化因子测试） **总结** 本研报的主要内容为历史行情统计分析和基于缠论的技术走势推演[23][25]，不包含需要总结的量化模型或量化因子内容。

根据研报内容，长信量化团队的核心投资框架基于多因子Alpha模型，并结合风险模型与交易成本模型进行组合优化[17]。以下是对报告中涉及的模型和因子的总结。 量化模型与构建方式 1. **模型名称：多因子 Alpha 模型**[17] * **模型构建思路**：该模型是长信量化投资框架的核心，旨在通过综合运用多种量化因子，系统性地预测股票的超额收益[17]。 * **模型具体构建过程**：模型的构建是一个完整的投研闭环，主要包括以下环节[17]： 1. **因子构建**：根据投资逻辑，将各类数据（如基本面、技术面、另类数据）转化为定量的投资信号，构建多维度的因子库[17]。 2. **收益预测**：结合多种因子，通过量化模型对资产未来的预期收益进行综合预测和评估[17]。 3. **风险预测**：运用量化风险模型，系统性地评估和预测组合的行业暴露、风格暴露及个股特异性风险[17]。 4. **组合优化**：在设定的风险约束下，综合考量预期收益（Alpha 模型）、风险（风险模型）和交易成本，通过优化器构建和调整个股权重，以寻求收益最大化[17]。 * **模型评价**：该模型旨在提供具有系统性优势的、可解释、可复制、可持续的量化资产管理方案[17]。 2. **模型名称：风险模型**[17] * **模型构建思路**：用于对投资组合的整体风险进行系统性的评估和预测，确保风险可控[17]。 * **模型具体构建过程**：该模型会评估和预测组合的行业暴露、风格暴露及个股特异性风险等[17]。 3. **模型名称：交易成本模型**[17] * **模型构建思路**：在组合优化过程中，将交易成本纳入考量，以控制市场冲击成本[17]。 * **模型具体构建过程**：与算法交易系统结合，在优化器构建和调整权重时，综合考量交易成本[17]。 量化因子与构建方式 报告中提及了长信量化团队所使用的因子类别，并展示了代表产品的因子暴露情况，但未详细描述每个因子的具体构建公式[17][66]。 * **因子来源**：因子库涵盖基本面（如估值、成长、质量）、技术面以及另类数据等[17]。 * **因子类别**：根据对代表产品的因子敞口分析，涉及的因子主要包括以下几类[66]： 1. **基本面因子**：如成长因子、盈利因子、估值因子、分析师因子。这些因子在代表产品上保持了持续且稳定的正向暴露[66][70]。 2. **风险因子**：如波动性因子、流动性因子。产品在这些因子上普遍呈现负向暴露，以控制组合的整体回撤与波动风险[66][69]。 3. **技术面因子**：如长期动量因子、短期反转因子[66]。 4. **风格因子**：如市值因子。策略对市值因子的暴露保持在稳定区间[66][69]。 模型的回测效果 1. **多因子 Alpha 模型（应用于指增产品）** * **年度胜率**：主要指增产品自2020年以来年度胜率达92%（25个年度数据中有23次正超额）[27]。 * **区间收益率排名**：在2022/10/1-2025/9/30区间，主要指增产品区间收益率排名均位列同类前45%[28]。例如： * 长信量化价值驱动A：区间收益率35.76%，排名3/52[28] * 长信中证1000指数增强A：区间收益率45.56%，排名2/29[28] * 长信中证500指数增强A：区间收益率35.21%，排名24/54[28] * **夏普比率排名**：在2022/10/1-2025/9/30区间，主要指增产品区间夏普排名全部位于同类前45%[28]。例如： * 长信量化价值驱动A：区间夏普比率0.61，排名2/52[28] * 长信中证1000指数增强A：区间夏普比率0.71，排名3/29[28] * 长信中证500指数增强A：区间夏普比率0.53，排名23/54[28] 因子的回测效果 报告中未提供单个因子的独立测试结果（如IC值、IR值等）。因子效果间接体现在基于多因子模型构建的产品业绩和因子暴露分析中[66][70]。

根据您提供的研报内容，经过仔细审阅，该文档为一份市场监测日报，主要描述了特定交易日（2025年11月25日）的市场表现、情绪、资金流向等状况。报告内容侧重于市场数据的统计、展示和描述，**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，根据您的要求，本次总结将不输出关于“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”的任何内容。 报告的核心内容为对市场各类指标的日常跟踪与描述性统计，例如宽基指数涨跌幅[6]、行业表现[7]、概念主题表现[10]、市场情绪指标（如涨跌停家数、封板率）[13][15]、资金流向数据（如两融余额）[17][20]以及各类折溢价情况（如ETF折溢价、大宗交易折溢价、股指期货升贴水）[22][24][26]。这些内容属于市场监测范畴，不具备量化因子或模型的性质。

金 金融工程点评 [Table_Title] [Table_Message]2025-11-25 金工 ETF 点评：宽基 ETF 单日净流入 109.35 亿元；计算机、通信拥挤变幅较大 [Table_Author] 证券分析师：刘晓锋 电话：13401163428 E-MAIL：liuxf@tpyzq.com 执业资格证书编码：S1190522090001 证券分析师：孙弋轩 电话：18910596766 E-MAIL：sunyixuan@tpyzq.com 执业资格证书编码：S1190525080001 一、资金流向 二、行业拥挤度监测 ◼ 通过构建行业拥挤度监测模型，对申万一级行业指数的拥挤度进行每日监测， 前一交易日军工、农牧、传媒靠前，相比较而言，汽车、非银的拥挤度水平 较低，建议关注。此外，计算机、传媒拥挤度变动较大。从主力资金流动来 看，前一交易日主力资金流入军工、传媒；流出计算机、电力设备、电子。近 三个交易日主力资金减配电子、电力设备；增配传媒。 三、ETF 产品关注信号 ◼ 根据溢价率 Z-score 模型搭建相关 ETF 产品筛选信号模型，通过滚动测算提 供存在潜在套利机会的标的，此外 ...