根据提供的研报内容，总结如下： 量化模型与构建方式 1. **模型名称：港股精选组合模型**[13][15] * **模型构建思路**：该模型旨在对分析师推荐股票池进行基本面和技术面的双层优选，挑选出同时具备基本面支撑和技术面共振的超预期股票[13][15] * **模型具体构建过程**：首先，以分析师上调盈利预测、分析师首次关注、分析师研报标题超预期事件作为分析师推荐事件，构建初始的分析师推荐股票池[15]；接着，对该股票池中的股票进行基本面和技术面两个维度的精选，最终构建出港股精选股票组合[15] 2. **因子名称：250日新高距离**[22] * **因子构建思路**：该因子用于量化表示股价接近其250日内最高点的程度，若创出新高则值为0，否则为正值表示回落幅度[22] * **因子具体构建过程**：具体计算公式如下： $$250 日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，`Closet` 为最新收盘价，`ts_max(Close, 250)` 为过去250个交易日收盘价的最大值[22] 3. **模型名称：平稳创新高股票筛选模型**[22][23] * **模型构建思路**：该模型用于在过去20个交易日创出过250日新高的股票池中，根据多重标准筛选出趋势更为稳健的“平稳创新高”股票[22][23] * **模型具体构建过程**：筛选过程分为多个步骤： 1. **确定样本池**：全部港股，但需剔除成立时间不超过15个月的股票[23] 2. **分析师关注度筛选**：过去6个月内，买入或增持评级的分析师研报不少于5份[23] 3. **股价相对强弱筛选**：过去250日涨跌幅位于样本池前20%[23] 4. **股价平稳性综合打分**：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（若数量不足则最少取50只）[23] * **价格路径平滑性**：股价位移路程比（具体计算方法原文未详细给出）[23] * **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（具体计算方法原文未详细给出）[23] 5. **趋势延续性筛选**：对经过上一步筛选的股票，计算其过去5日的250日新高距离在时间序列上的均值，并取排序靠前的50只股票作为最终的“平稳创新高股票”[23] 模型的回测效果 1. **港股精选组合模型**[18][19] * 全样本年化收益：19.11%[19] * 全样本超额收益（相对恒生指数）：18.48%[19] * 全样本信息比率（IR）：1.22[19] * 全样本跟踪误差：14.55%[19] * 全样本收益回撤比：0.78[19] * 全样本最大回撤：23.73%[19] * 2025年（截至20250630）年化收益：41.02%[19] * 2025年（截至20250630）超额收益：21.02%[19] * 2025年（截至20250630）信息比率（IR）：2.03[19] * 2025年（截至20250630）跟踪误差：17.33%[19] * 2025年（截至20250630）收益回撤比：1.95[19] * 2025年（截至20250630）最大回撤：10.77%[19] 量化因子与构建方式 （本报告中除“250日新高距离”因子外，未详细描述其他独立因子的构建方式） 因子的回测效果 （本报告中未提供独立因子的具体测试结果取值）

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**：用于搭建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，但提及其核心是计算溢价率的Z-score值 模型的回测效果 （报告中未提供相关模型的量化回测效果指标取值） 量化因子与构建方式 （报告中未明确提及具体的量化因子构建） 因子的回测效果 （报告中未提供相关因子的量化回测效果指标取值） 其他监测结果 * **行业拥挤度监测结果**：监测显示，前一交易日电力设备、化工行业拥挤度靠前；计算机、汽车行业拥挤度水平较低；家电、通信行业拥挤度变动较大[3] * **主力资金流动监测结果**： * 前一交易日：主力资金流入电力设备；流出医药、电子[3] * 近三个交易日：主力资金减配电子、计算机；增配有色、银行[3] * 具体行业近三日主力资金净流入额数据详见报告图表[12] * **ETF资金流动监测结果**： * 宽基ETF、行业主题ETF呈净流出，风格策略ETF、跨境ETF呈净流入[5] * 具体ETF产品的日资金净流入/流出数据详见报告表格[6] * **ETF产品关注信号**：基于溢价率 Z-score 模型，报告列出了部分建议关注的ETF产品清单[13]

量化模型与构建方式 1. **模型名称：随机森林选股模型**[13] **模型构建思路**：考虑到影响样本股受指数调整事件冲击的因素具有多维和非线性特征，采用随机森林模型来预测成分股调整结果发布后相关个股的超额收益[13] **模型具体构建过程**：模型的特征选择基于被动指数基金调整持仓引发事件冲击的逻辑，主要从四个维度选取特征值[13]： * 被动资金持有规模变动 * 股票交易流动性 * 公司市值规模 * 股票价格趋势 使用这些特征训练随机森林模型，以预测公告日后个股的超额收益 模型的回测效果 1. **随机森林选股模型**（样本外，2020年12月至2025年6月）[17][24] * 在剔除样本股中，模型能有效区分股票受事件影响的程度，分组收益差距在公告日后约20个交易日（接近指数调整实施日）变得显著[24] 量化因子与构建方式 1. **因子名称：纳入效应因子**[14][17] **因子构建思路**：捕捉股票被纳入指数后，因被动资金调仓带来的短期正向价格冲击[14][17] **因子具体构建过程**：计算股票在指数调整公告日后特定窗口内的超额收益。例如，公告日后10日内的超额收益（相对于其新纳入的指数）[17] **因子评价**：在样本外期间，纳入效应仍然存在，但剔除效应减弱[17][24] 2. **因子名称：剔除效应因子**[14][24] **因子构建思路**：捕捉股票被剔除指数后，可能面临的短期负向价格冲击[14][24] **因子具体构建过程**：计算股票在指数调整公告日后特定窗口内的超额收益。例如，公告日后15日内的超额收益（相对于其被剔除的指数）[14][24] **因子评价**：在近期的样本外检验中，剔除效应已不显著[24] 因子的回测效果 1. **纳入效应因子**（样本外，2020年12月至2025年6月）[17][23] * **T+10超额收益**：纳入沪深300股票平均为2.53%（2024年12月为2.31%）；纳入中证500股票平均为1.01%（2025年6月为1.32%）[17][23] * **T+20超额收益**：纳入沪深300股票平均为0.91%；纳入中证500股票平均为0.65%[23] * **T+30超额收益**：纳入沪深300股票平均为0.74%；纳入中证500股票平均为0.57%[23] * **T+40超额收益**：纳入沪深300股票平均为0.24%；纳入中证500股票平均为-0.29%[23] * **T+50超额收益**：纳入沪深300股票平均为-1.02%；纳入中证500股票平均为-0.64%[23] * **T+60超额收益**：纳入沪深300股票平均为-0.31%；纳入中证500股票平均为-0.50%[23] 2. **剔除效应因子**（样本外，2020年12月至2025年6月）[24][31] * **T+10超额收益**：剔除沪深300股票平均为-0.25%；剔除中证500股票平均为-0.11%[31] * **T+20超额收益**：剔除沪深300股票平均为-0.99%；剔除中证500股票平均为-0.06%[31] * **T+30超额收益**：剔除沪深300股票平均为-1.82%；剔除中证500股票平均为0.32%[31] * **T+40超额收益**：剔除沪深300股票平均为-1.57%；剔除中证500股票平均为1.14%[31] * **T+50超额收益**：剔除沪深300股票平均为-1.69%；剔除中证500股票平均为1.19%[31] * **T+60超额收益**：剔除沪深300股票平均为-0.23%；剔除中证500股票平均为0.71%[31]

根据提供的金融工程日报内容，报告主要描述了市场表现、情绪和资金流向等日度监控指标，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][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44]。 因此，本总结中关于量化模型与因子构建方式、模型与因子回测效果的部分均无相关内容。

根据提供的研报内容，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：250日新高距离**[11] * **因子构建思路**：该因子用于度量当前股价相对于过去250个交易日最高价的回落幅度，数值越小表明股价越接近历史高点，通常与动量效应相关[11] * **因子具体构建过程**：具体计算采用以下公式： $$250 \text{ 日新高距离} = 1 - \frac{\text{Close}_t}{\text{ts\_max(Close, 250)}}$$ 其中，$\text{Close}_t$ 代表股票在最新交易日（t日）的收盘价，$\text{ts\_max(Close, 250)}$ 代表过去250个交易日收盘价的最大值[11] 若最新收盘价创出新高，则该因子值为0；若股价自高点回落，则该因子为正值，表示回落的幅度[11] 2. **因子名称：平稳创新高股票筛选因子（复合因子）**[25][27] * **因子构建思路**：该复合因子旨在从创新高的股票中，进一步筛选出那些价格路径相对平稳、趋势具有持续性的股票，其理论基础在于研究表明平滑的动量效应可能更强[25] * **因子具体构建过程**：筛选过程分为多个步骤，具体条件如下： * **初筛条件**： * **股票池**：过去20个交易日内创出过250日新高的股票[25] * **分析师关注度**：过去3个月内，获得“买入”或“增持”评级的分析师研报数量不少于5份[27] * **股价相对强弱**：过去250日涨跌幅位于全市场前20%[27] * **综合打分筛选**：在满足上述初筛条件的股票池内，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[27] * **价格路径平滑性**：使用股价位移路程比衡量，计算公式为 $\frac{\text{过去120日涨跌幅的绝对值}}{\text{过去120日日涨跌幅绝对值加总}}$[25][27] * **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[27] * **最终排序筛选**：对经过综合打分筛选后的股票，再根据 **趋势延续性**（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只股票作为平稳创新高股票[27] 因子的回测效果 （注：研报中未提供因子在历史回测中的具体绩效指标，如IC值、IR值、多空收益等定量结果，因此本部分内容缺失） 量化模型与构建方式 （注：研报内容主要集中于因子构建和市场现状描述，未明确提及一个完整的、可产生投资组合权重的量化模型，因此本部分内容缺失） 模型的回测效果 （注：由于未识别出明确的量化模型，因此本部分内容缺失）

根据提供的研报内容，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：250日新高距离**[11] * **因子构建思路**：该因子用于度量当前股价相对于过去250个交易日最高价的回落幅度，以识别接近或创出新高的股票，这类股票通常被认为具有动量效应[11][18] * **因子具体构建过程**：计算步骤如下： 1. 取股票在过去250个交易日的收盘价序列。 2. 计算该序列的最大值，记为 `ts_max(Close, 250)`。 3. 用最新收盘价 `Closet` 除以该最大值。 4. 用1减去上述比值，得到因子值。 具体公式为： $$250 日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，`Closet` 为最新收盘价，`ts_max(Close,250)` 为过去250个交易日收盘价的最大值。若最新收盘价创出新高，则因子值为0；若股价从高点回落，则因子值为正，表示回落幅度[11] * **因子评价**：该因子基于动量效应和趋势跟踪理论，认为创出或接近新高的股票未来表现可能更强[11][18] 2. **因子名称：平稳创新高股票筛选因子**[25][27] * **因子构建思路**：该模型旨在从创新高的股票中，进一步筛选出价格路径平稳、趋势延续性好的股票，因为研究表明平滑的动量效应可能更强[25] * **因子具体构建过程**：这是一个多步骤的筛选流程，具体条件如下： 1. **初筛股票池**：上市满15个月，且在过去20个交易日内创出过250日新高的股票[19] 2. **分析师关注度**：过去3个月内，获得买入或增持评级的分析师研报数量不少于5份[27] 3. **股价相对强弱**：过去250日涨跌幅位于全市场前20%[27] 4. **股价平稳性与趋势延续性**：在满足上述条件的股票池内，使用以下两个指标综合打分，选取排名在前50%的股票： * **价格路径平滑性（股价位移路程比）**：该指标衡量股价路径的平滑程度[27] * **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[27] 5. **趋势延续性**：过去5日的250日新高距离在时间序列上的均值，并最终选取该指标排序靠前的50只股票[27] * **因子评价**：该复合因子不仅关注截面动量，更关注动量的时间序列特征，旨在捕捉更具持续性的“平稳”动量[25] 模型的回测效果 *本报告未提供量化模型的回测效果指标。* 因子的回测效果 *本报告未提供量化因子的具体回测效果指标（如IC值、IR值等），而是展示了基于因子筛选出的股票列表及其部分特征[31]*

根据提供的研报内容，该报告主要对消费板块的资金行为进行监测和解析，并未涉及具体的量化模型或量化因子的构建、测试与评价。报告内容集中于对各类资金流向和投资者行为的描述性统计与现状分析[3][4][5]。 因此，本总结中关于“量化模型与构建方式”及“模型的回测效果”部分，以及“量化因子与构建方式”及“因子的回测效果”部分，均无相关内容可提供。

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][12][13][16][18][21][22][25][27][29][32][35][36]。 因此，本次总结中无量化模型或量化因子的相关内容可列出。

量化模型与构建方式 1. 竞争优势组合 - **模型名称**：竞争优势组合 - **模型构建思路**：将企业竞争环境和战略因素纳入选股逻辑，基于竞争壁垒分析框架识别不同类型行业中的优质企业[12] - **模型具体构建过程**：首先将行业分类为"壁垒护盾型"、"竞争激烈型"、"稳中求进型"和"寻求突破型"四类。在"壁垒护盾型"行业中识别"唯一主导"企业和"合作共赢"企业，在非"壁垒护盾型"行业中发掘"高效运营"企业，最后将两类组合结合得到最终组合[12][13] 2. 安全边际组合 - **模型名称**：安全边际组合 - **模型构建思路**：基于企业内在价值与市场价值之间的安全边际进行选股，通过计算个股的盈利能力价值作为安全边际[17] - **模型具体构建过程**：通过ROIC分析企业创造价值的能力，计算个股的盈利能力价值作为安全边际指标，在综合竞争优势股票池内选择安全边际最大的前50标的并采用股息率加权的方式最大化组合安全边际[17] - **模型评价**：该方法强调企业内在价值与市场价值的差距，更可靠地反映企业实际价值[17] 3. 红利低波季调组合 - **模型名称**：红利低波季调组合 - **模型构建思路**：优化传统红利策略，避免"高股息陷阱"，通过股息率预测和负向清单制度筛选优质高股息股票[23] - **模型具体构建过程**：一方面通过股息率本身的预测规避高股息陷阱，另一方面考虑剔除股价表现极端、负债率异常的标的等负向清单制度[23] 4. AEG估值潜力组合 - **模型名称**：AEG估值潜力组合 - **模型构建思路**：基于超额收益增长模型(AEG)进行估值，投资于市场尚未充分认识到其增长潜力的公司[27][31] - **模型具体构建过程**：首先用AEG_EP因子选取TOP100股票，然后选择股利再投资/P比率高的TOP50股票。AEG模型的核心公式为： $$A E G=Y_{t}-N_{t}=(E_{t}+r*D P S_{t-1})-(1+r)*E_{t-1}$$ $$\frac{V_{0}}{E_{1}}=\frac{1}{r}+\frac{1}{r}*\frac{\left(\frac{A E G_{2}}{1+r}+\frac{A E G_{3}}{(1+r)^{2}}+\frac{A E G_{4}}{(1+r)^{3}}+\cdots\right)}{E_{1}}$$ 其中E₁是第一期的盈利，V₀是当下的市值，r是要求回报率[27] 5. 现金牛组合 - **模型名称**：中证800现金牛组合 - **模型构建思路**：通过CFOR分析体系深入评估企业的盈利能力和资产的现金生成效率，补充传统杜邦分解的不足[35] - **模型具体构建过程**：引入自由现金流(FCF)和自由现金流回报率(CFOR)作为关键分析维度，通过拆解现金流量回报率，评估企业如何将经营活动产生的现金流转化为净利润，包括自由现金利润比率和经营资产回报率[35] 6. 困境反转组合 - **模型名称**：困境反转组合 - **模型构建思路**：利用库存周期刻画公司的困境反转，结合景气加速恢复和定价错误的估值回归，捕捉估值提升收益[42] - **模型具体构建过程**：利用库存周期刻画困境反转，同时考虑景气加速恢复和低估，在三重投资模式下将相关因子标准化叠加后选取得分最高的50只股票[42] 模型的回测效果 1. 竞争优势组合 - 年化收益：16.63%(全区间)[1]，20.60%(2019年以来)[16] - 夏普比率：0.65(全区间)[1]，0.97(2019年以来)[16] - 信息比率(IR)：0.11(全区间)[1]，0.12(2019年以来)[16] - 最大回撤：-47.68%(全区间)[1]，-19.32%(2019年以来)[16] - 卡玛比率：0.35(全区间)[1]，1.07(2019年以来)[16] 2. 安全边际组合 - 年化收益：23.39%(全区间)[2]，23.45%(2019年以来)[22] - 夏普比率：1.06(全区间)[2]，1.17(2019年以来)[22] - 信息比率(IR)：0.21(全区间)[2]，0.16(2019年以来)[22] - 最大回撤：-35.10%(全区间)[2]，-16.89%(2019年以来)[22] - 卡玛比率：0.67(全区间)[2]，1.39(2019年以来)[22] 3. 红利低波季调组合 - 年化收益：19.29%(全区间)[2]，17.23%(2019年以来)[24] - 夏普比率：0.92(全区间)[2]，1.01(2019年以来)[24] - 信息比率(IR)：0.16(全区间)[2]，0.16(2019年以来)[24] - 最大回撤：-43.06%(全区间)[2]，-21.61%(2019年以来)[24] - 卡玛比率：0.45(全区间)[2]，0.80(2019年以来)[24] 4. AEG估值潜力组合 - 年化收益：29.40%(全区间)[3]，25.13%(2019年以来)[33] - 夏普比率：1.16(全区间)[3]，1.14(2019年以来)[33] - 信息比率(IR)：0.22(全区间)[3]，0.15(2019年以来)[33] - 最大回撤：未提供(全区间)，-24.02%(2019年以来)[33] - 卡玛比率：0.66(全区间)[3]，1.05(2019年以来)[33] 5. 中证800现金牛组合 - 年化收益：14.11%(2019年以来)[40] - 夏普比率：0.71(2019年以来)[40] - 信息比率(IR)：0.10(2019年以来)[40] - 最大回撤：-19.80%(2019年以来)[40] - 卡玛比率：0.71(2019年以来)[40] 6. 困境反转组合 - 年化收益：25.02%(2019年以来)[44] - 夏普比率：1.01(2019年以来)[44] - 信息比率(IR)：0.15(2019年以来)[44] - 最大回撤：-33.73%(2019年以来)[44] - 卡玛比率：0.74(2019年以来)[44]

量化因子与构建方式 1. 因子名称：外币资金占货币资金比 - **因子构建思路**：使用资产负债表财务附注中货币资金项下各外币金额的合计占比，来反映上市公司境外业务开展的强度和广度[1][5][13] - **因子具体构建过程**： 1. 数据来源为Wind，数据起点为2014年6月30日，回溯区间为2017年4月30日至2025年10月31日[15] 2. 财务附注每半年更新，每年4月末和8月末进行数据统一切换，每月再平衡[15] 3. 因子定义如下，图表中简称"外币资金占比"[16]： $$\mathrm{factor}\;=\;1-{\frac{i k}{2k}}{\tilde{w}}\wedge{\tilde{R}}\wedge{\tilde{P}}\nrightarrow{\frac{i k}{2k}}/{\frac{i k}{2k}}{\tilde{w}}\nrightarrow{\frac{i k}{2k}}\nrightarrow{\frac{i k}{2k}}$$ 4. 由于部分机构出现多币种折算为人民币后总额大于资产负债表货币资金金额的情况，轧差的人民币资金可能为负值，因此在计算原始因子后会将比例大于1的标的值改为1[16] - **因子评价**：该因子在中小市值域内表现较好，而中大市值股票池内收益效果并不稳定[28] 2. 因子名称：境外业务收入占比稳定性 - **因子构建思路**：利用利润表财务附注中营业收入构成的拆分信息，关注境外业务收入占主营业务收入的比，但并非使用单一截面比值，而是计算当前截面数据相对于历史波动率的比值，以同时反映当前收入水平的高低和各截面收入占比的稳定性[1][5][13] - **因子具体构建过程**： 1. 数据来源为Wind，数据起点为2014年6月30日，回溯区间为2017年4月30日至2025年10月31日[42] 2. 财务附注每半年更新，每年4月末和8月末进行数据统一切换，每月再平衡[42] 3. 因子定义如下，图表中简称"境外收入占比"[43]： $${\mathrm{factor~}}={\mathrm{ratio/std~(ratio)}}_{\mathrm{t=1,\cdots,6}}$$ 其中，ratio = 当期境外业务收入 / 当期主营业务收入[43] - **因子评价**：该因子在中小市值股票域中选股能力更佳，可作为中小市值股票池中的因子补充；由于覆盖度较低，也导致了各行业表现差异较大，与各行业的经营特征有关，可在出海型行业中加入这一信息提升选股收益[56] 3. 因子名称：主要客户销售收入占比稳定性 - **因子构建思路**：考虑第一大客户销售收入占公司主营收入比的稳定性，认为客户占比的稳定反映了上市公司主要下游需求的稳定；该比例的绝对高低不具有选股能力[1][5][13] - **因子具体构建过程**： 1. 数据来源为Wind，数据起点为2014年6月30日，回溯区间为2017年4月30日至2025年10月31日[72] 2. 由于较多上市公司仅在年报披露该公司的主要客户收入占比情况，或存在半年报披露的信息不完整/不连续的情况，因此计算时将该因子统一为年度因子，每年8月末进行数据统一切换，每月再平衡[72] 3. 因子定义如下，图表中简称"主要客户占比"[73]： factor = std (第 1 大客户销售收入占比)t=1,⋯,3 4. 作者也计算了前 n 大客户销售收入占比稳定性(2<=n<=5)，结果显示，前 n 大客户销售收入占比稳定性均有一定的选股效果，但随着 n 的增加，年化收益以及超额稳定性逐渐下降，本文仅计算和展示"第 1 大客户销售收入占比稳定性"情况[73] - **因子评价**：该因子在中小市值股票域中选股能力更佳，可作为中小市值股票池中的质量因子补充；该因子在大部分行业选股超额较优异，具有一定普适性[83] 4. 因子名称：经营结构三因子（复合因子） - **因子构建思路**：由于外币资金占货币资金比、境外业务收入占比稳定性、主要客户销售收入占比稳定性这三个因子相关性较低，考虑等权复合构建财务附注经营结构因子[12][99] - **因子具体构建过程**：将上述三个因子进行等权复合[99] 5. 因子名称：经营结构两因子（复合因子） - **因子构建思路**：由于境外业务收入占比稳定性因子数据覆盖度较低，同时考虑仅复合外币资金占货币资金比因子和主要客户销售收入比稳定性因子的测试结果[99][118] - **因子具体构建过程**：将外币资金占货币资金比因子和主要客户销售收入占比稳定性因子进行等权复合[99][118] 因子的回测效果 1. 外币资金占货币资金比因子 - 月均 Rank IC：1.35%[5][13][145] - 年化收益：8.50%[5][13][145] - 年化超额：3.65%[5][13][145] - 超额回撤：5.29%[5][13][145] - 平均市场覆盖度：约80%[5][13][145] 2. 境外业务收入占比稳定性因子 - 月均 Rank IC：1.69%[5][13][145] - 年化收益：11.07%[5][13][145] - 年化超额：3.56%[5][13][145] - 超额回撤：4.41%[5][13][145] - 平均市场覆盖度：约40%[5][13][145] 3. 主要客户销售收入占比稳定性因子 - 月均 Rank IC：-1.97%[5][13][145] - 年化收益：9.31%[5][13][145] - 年化超额：4.17%[5][13][145] - 超额回撤：3.46%[5][13][145] - 平均市场覆盖度：约60%[5][13][145] 4. 经营结构三因子（复合因子） - 月均 Rank IC：2.25%[14][100][145] - ICIR：0.441[14][100][145] - 年化收益：11.84%[14][100][145] - 年化超额：4.77%[14][100][145] - 超额回撤：2.95%[14][100][145] 5. 经营结构两因子（复合因子） - 月均 Rank IC：2.24%[14][118][145] - ICIR：0.667[14][118][145] - 年化收益：9.38%[14][118][145] - 年化超额：4.09%[14][118][145] - 超额回撤：2.26%[14][118][145]