这篇研报主要跟踪了各类公募量化基金的业绩表现，并未涉及具体的量化模型或量化因子的构建、测试与评价。报告内容集中于基金产品的业绩统计，而非底层模型或因子[1][2][3][9][10]。 因此，根据您的要求，本次总结将跳过“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”等部分。

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：港股精选组合模型 - **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[14][15] - **模型具体构建过程**： 1. 构建分析师推荐股票池：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[15] 2. 对股票池中的股票进行基本面和技术面两个维度的精选[15] 3. 构建港股精选股票组合[15] - **模型评价**：该组合在回测区间20100101-20250630表现优异，年化收益19.11%，相对恒生指数超额收益达到18.48%[15] 2. 因子名称：250日新高距离因子 - **因子构建思路**：用于衡量股票价格创新高的情况，基于研究发现股票价格在接近52周最高价时其未来收益显著更高的现象[21][23] - **因子具体构建过程**： 计算公式：$$250 日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$[23] 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250日新高距离为0；若最新收盘价较新高回落，则为正值，表示回落幅度[23] 3. 复合筛选条件：平稳创新高股票筛选体系 - **构建思路**：根据分析师关注度、股价相对强弱、股价路径平稳性、创新高连续性等角度筛选出平稳创新高股票[3][23] - **具体构建过程**： 1. 样本池：全部港股（剔除成立时间不超过15个月）[24] 2. 分析师关注度：过去6个月买入或增持评级的分析师研报不少于5份[24] 3. 股价相对强弱：过去250日涨跌幅位于样本池前20%[24] 4. 股价平稳性：使用两个指标综合打分，取排名在前50%的股票（最少取50只股票）[24] - 价格路径平滑性：股价位移路程比[24] - 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[24] 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，取排序靠前的50只[24] 模型的回测效果 港股精选组合模型绩效表现[20] - 全样本期年化收益：19.11% - 相对恒生指数超额收益：18.48% - 信息比率(IR)：1.22 - 跟踪误差：14.55% - 收益回撤比：0.78 - 最大回撤：23.73% - 最大回撤起始日：20221025 - 最大回撤截止日：20230616 分年度绩效表现（2010-20250630）[20] 各年度具体指标包括：绝对收益、恒生指数收益、超额收益、相对最大回撤、信息比、跟踪误差、收益回撤比、最大回撤起始日和截止日 因子的回测效果 平稳创新高筛选体系近期表现[23][29] - 筛选出的平稳创新高股票涵盖多个板块，包括周期板块（12只）、医药板块（10只）、科技板块（9只）、消费板块（5只）和制造板块（4只） - 具体个股表现数据显示，筛选出的股票在过去250日涨跌幅表现优异，多数股票涨幅超过100%，部分甚至超过500%

量化模型与构建方式 1. 模型名称：优秀基金业绩增强组合[4][13][49]；模型构建思路：从对标宽基指数转变为对标主动股基，在借鉴优秀基金持仓的基础上，采用量化方法进行增强，以达到优中选优的目的[4][49]；模型具体构建过程：首先对基金进行优选，对收益类因子进行分层中性化处理以规避风格集中化问题，基于业绩分层视角构建优选基金组合[49]；然后根据其补全持仓构建优选基金持仓组合，该组合能较好地跟踪股基中位数走势[49]；最后以业绩分层视角下的优选基金持仓为选股空间和对标基准，采用组合优化的方法控制组合与优选基金持仓在个股偏离、行业偏离及风格上的偏离，构建最终的优秀基金业绩增强组合[50] 2. 模型名称：超预期精选组合[5][13][55]；模型构建思路：对超预期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[5][55]；模型具体构建过程：以研报标题超预期与分析师全线上调净利润为条件筛选超预期事件股票池[5][55]；接着对超预期股票池中的股票进行基本面和技术面两个维度的精选[5][55] 3. 模型名称：券商金股业绩增强组合[6][13][60]；模型构建思路：以券商金股股票池为选股空间和约束基准，进行进一步精选以获得稳定战胜偏股混合型基金指数的表现[6][60]；模型具体构建过程：以券商金股股票池为选股空间和对标基准[6][60]；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[6] 4. 模型名称：成长稳健组合[7][13][65]；模型构建思路：采用“先时序、后截面”的方式，构建成长股二维评价体系，旨在对成长股股票池超额收益释放的黄金期进行提前布局[7][38][65]；模型具体构建过程：以研报标题超预期及业绩大增为条件筛选成长股股票池[7][65]；根据距离正式财报预约披露日的间隔天数进行分档，优先选择距离财报预约披露日较近的股票[7][65]；当样本数量较多时，采用多因子打分精选优质个股[7]；构建100只股票等权组合[7]；引入了弱平衡机制、跃迁机制、缓冲机制和风险规避机制以降低组合换手、规避组合风险[65] 模型的回测效果 1. 优秀基金业绩增强组合，全样本年化收益（考虑仓位）20.31%[51]，全样本年化超额收益（相较偏股混合型基金指数）11.83%[51]，2025年（考虑仓位）绝对收益27.54%[2][16][23]，2025年超额收益（相对偏股混合型基金指数）-3.91%[2][16][23]，2025年在主动股基中排名分位点53.24%[2][16][23] 2. 超预期精选组合，全样本年化收益（考虑仓位）30.55%[56]，全样本年化超额收益（相较偏股混合型基金指数）24.68%[56]，2025年（考虑仓位）绝对收益45.51%[2][16][31]，2025年超额收益（相对偏股混合型基金指数）14.06%[2][16][31]，2025年在主动股基中排名分位点20.03%[2][16][31] 3. 券商金股业绩增强组合，全样本年化收益（考虑仓位）19.34%[61]，全样本年化超额收益（相较偏股混合型基金指数）14.38%[61]，2025年（考虑仓位）绝对收益33.97%[2][16][37]，2025年超额收益（相对偏股混合型基金指数）2.52%[2][16][37]，2025年在主动股基中排名分位点39.18%[2][16][37] 4. 成长稳健组合，全样本年化收益（考虑仓位）35.51%[66]，全样本年化超额收益（相较偏股混合型基金指数）26.88%[66]，2025年（考虑仓位）绝对收益51.45%[3][16][44]，2025年超额收益（相对偏股混合型基金指数）20.00%[3][16][44]，2025年在主动股基中排名分位点14.27%[3][16][44]

量化模型与构建方式 1. 行业拥挤度模型 - 模型名称：行业拥挤度模型[3][15] - 模型构建思路：通过衡量行业指数价格变动与成交金额变动之间的统计距离来识别短期市场拥挤状态[3][15] - 模型具体构建过程：使用行业指数最近一周价格和成交金额变动的马氏距离来衡量拥挤度。具体步骤为：首先计算各行业指数最近一周的价格变动率和成交金额变动率，然后计算这两个变量的马氏距离，公式为： $$D_M(x) = \sqrt{(x - \mu)^T \Sigma^{-1} (x - \mu)}$$ 其中$x$表示行业的价格变动和成交金额变动组成的二维向量，$\mu$表示所有行业该二维向量的均值向量，$\Sigma$表示所有行业该二维向量的协方差矩阵。最后，通过置信椭圆来识别异常值，椭圆之外表示价格与成交金额偏离度置信水平超过99%的行业[15][17] 量化因子与构建方式 1. 行业PE估值因子 - 因子名称：行业PE估值因子[13][15] - 因子构建思路：使用行业市盈率(PE)来衡量行业估值水平[13][15] - 因子具体构建过程：直接采用各行业指数的市盈率(PE)数据，计算各行业当前PE值及其历史分位数。PE分位数的计算以2019年作为统计起点，计算当前PE值在历史PE序列中的百分位位置[15][20] 2. 行业价格动量因子 - 因子名称：行业价格动量因子[11][12] - 因子构建思路：通过不同时间窗口的行业指数涨跌幅来衡量价格动量[11][12] - 因子具体构建过程：计算各行业指数在不同时间窗口(近1周、近1月、近3月、近6月、近1年、今年以来)的涨跌幅，公式为： $$R_t = \frac{P_t - P_{t-n}}{P_{t-n}} \times 100\%$$ 其中$P_t$表示当前时点行业指数价格，$P_{t-n}$表示n期前的行业指数价格[12] 模型的回测效果 1. 行业拥挤度模型 - 检测结果：上周汽车行业出现短期显著拥挤[16] 因子的回测效果 1. 行业PE估值因子 - 当前PE最高行业：计算机(93.08倍)、国防军工(85.19倍)、电子(70.07倍)[13] - 当前PE最低行业：银行(6.20倍)、建筑装饰(12.04倍)、非银金融(14.48倍)[13] - PE分位数最高行业：煤炭(100%)[15] - PE分位数99%行业：房地产、电子、机械设备、商贸零售、计算机[15] - PE分位数最低行业：食品饮料(15%)、农林牧渔(19%)、非银金融(31%)[15] 2. 行业价格动量因子 - 近1周涨幅前三行业：煤炭(3.51%)、电力设备(3.07%)、电子(2.96%)[11] - 今年以来涨幅前三行业：通信(64.09%)、有色金属(51.05%)、电子(44.29%)[12] - 近1年涨幅前三行业：通信(126.03%)、电子(112.57%)、传媒(83.18%)[12]

量化模型与构建方式 行业拥挤度监测模型 1. 模型名称：行业拥挤度监测模型[3] 2. 模型构建思路：通过多维度指标监测申万一级行业指数的拥挤程度，识别过热或过冷行业[3] 3. 模型具体构建过程：模型基于多个市场指标（如交易量、价格波动、资金流向等）构建综合拥挤度指标，每日对申万一级行业指数进行监测排名。具体计算过程未详细披露，但通过热力图形式展示近30个交易日的拥挤度变化[3][9] 4. 模型评价：能够有效识别行业拥挤状态变化，为行业轮动提供参考依据[3] 溢价率Z-score模型 1. 模型名称：溢价率Z-score模型[4] 2. 模型构建思路：通过统计套利方法识别ETF溢价率的异常波动，挖掘潜在套利机会[4] 3. 模型具体构建过程：计算ETF溢价率的Z-score统计量，公式为： $$Z = \frac{P_{溢价率} - \mu_{溢价率}}{\sigma_{溢价率}}$$ 其中$P_{溢价率}$为当前溢价率，$\mu_{溢价率}$为历史溢价率均值，$\sigma_{溢价率}$为历史溢价率标准差。通过滚动窗口计算Z-score值，当Z-score超过特定阈值时生成交易信号[4] 4. 模型评价：能够有效捕捉ETF定价偏差，但需警惕标的回调风险[4] 量化因子与构建方式 资金净流入因子 1. 因子名称：资金净流入因子[5] 2. 因子构建思路：通过监测各类ETF产品的资金流动情况，识别资金偏好方向[5] 3. 因子具体构建过程：每日计算各类ETF产品的资金净流入额，公式为： $$资金净流入 = 流入资金总额 - 流出资金总额$$ 按宽基ETF、行业主题ETF、风格策略ETF、跨境ETF四大类别分别统计，并筛选单日资金净流入TOP3和净流出TOP3产品[5] 主力资金净流动因子 1. 因子名称：主力资金净流动因子[11] 2. 因子构建思路：监测申万一级行业指数的主力资金流向变化[11] 3. 因子具体构建过程：计算各行业指数的主力资金净流入额，按T日、T-1日、T-2日分别统计，并汇总近3个交易日合计值。公式为： $$近3日主力净流入合计 = 主力净流入_T + 主力净流入_{T-1} + 主力净流入_{T-2}$$ 其中主力净流入额为正值表示资金流入，负值表示资金流出[11] 模型的回测效果 （报告中未提供具体的模型回测效果指标数据） 因子的回测效果 （报告中未提供具体的因子回测效果指标数据）

量化模型与因子总结 量化模型与构建方式 1. **模型名称：平稳创新高股票筛选模型**[27][29] * **模型构建思路**：基于行为金融学理论，从已创新高的股票中进一步筛选出具有平稳动量特征的股票，这些股票被认为可能具有更强的动量效应和持续性[27] * **模型具体构建过程**：该模型是一个多步骤的筛选流程： 1. 初始股票池：过去20个交易日创出过250日新高的股票[19][27] 2. **分析师关注度筛选**：过去3个月内有不少于5份买入或增持评级的分析师研报[29] 3. **股价相对强弱筛选**：过去250日涨跌幅位于全市场前20%[29] 4. **综合打分筛选**：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，并取排名在前50%的股票[29]： * **价格路径平滑性（股价位移路程比）**：$$ \text{平滑性} = \frac{|\text{过去120日涨跌幅}|}{\sum|\text{过去120日日涨跌幅}|} $$[27] 该比值越高，表明价格路径越平滑，波动越小。 * **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[29] 5. **趋势延续性筛选**：对经过上述筛选的股票，计算其过去5日的250日新高距离在时间序列上的均值，并最终选取该指标排序最靠前的50只股票[29] 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**：衡量当前股价相对于其过去250个交易日最高点的回落幅度，用于识别接近或创出新高的股票，这类股票被认为具有动量效应[11] * **因子具体构建过程**：对于单只股票，在时间点t，其250日新高距离的计算公式为： $$ \text{250日新高距离} = 1 - \frac{\text{Close}_t}{\text{ts\_max(Close, 250)}} $$[11] 其中，$\text{Close}_t$ 为股票在t日的最新收盘价，$\text{ts\_max(Close, 250)}$ 为股票在过去250个交易日收盘价的最大值。若最新收盘价创出新高，则该因子值为0；若股价从高点回落，则该因子为正值，表示回落的幅度[11] 模型的回测效果 （注：研报中未提供平稳创新高股票筛选模型的具体回测指标数值，如年化收益率、夏普比率、信息比率(IR)、最大回撤等，因此此部分省略。） 因子的回测效果 （注：研报中未提供250日新高距离因子的具体回测指标数值，如IC、ICIR、因子收益率、年化多空收益等，因此此部分省略。）

量化模型与构建方式 1. **模型名称**：250日新高距离模型[11] **模型构建思路**：通过计算当前价格与过去250日最高价的相对距离，来衡量股票或指数接近历史高点的程度，以此捕捉市场动量与趋势[11] **模型具体构建过程**：对于给定的标的（股票或指数），取其最新收盘价 `Closet` 和过去250个交易日收盘价的最大值 `ts_max(Close,250)`，按以下公式计算： $$250 日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$[11] 若最新收盘价创出新高，则结果为0；若价格回落，则结果为正值，表示回落幅度[11] 量化因子与构建方式 1. **因子名称**：平稳创新高股票筛选因子[27][29] **因子构建思路**：在创250日新高的股票池中，结合分析师关注度、股价相对强弱、趋势延续性、股价路径平稳性和创新高持续性等多个维度，筛选出价格路径更为平滑、趋势更可能持续的“平稳创新高”股票[27][29] **因子具体构建过程**：筛选过程分为多个步骤： 1. 初筛股票池：筛选出过去20个交易日内创过250日新高的股票[19] 2. 分析师关注度：要求过去3个月内，有买入或增持评级的分析师研报不少于5份[29] 3. 股价相对强弱：要求过去250日涨跌幅位于全市场前20%[29] 4. 多指标综合打分：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，并取排名在前50%的股票[29]： * **价格路径平滑性（股价位移路程比）**：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`[27][29] * **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`[29] 5. 趋势延续性：使用`过去5日的250日新高距离在时间序列上的均值`作为指标，并最终选取该指标排序最靠前的50只股票作为最终筛选结果[29] 模型的回测效果 1. 250日新高距离模型，截至2025年9月19日，上证指数250日新高距离1.63%[12]，深证成指250日新高距离1.09%[12]，沪深300指数250日新高距离1.08%[12]，中证500指数250日新高距离1.24%[12]，中证1000指数250日新高距离1.54%[12]，中证2000指数250日新高距离1.91%[12]，创业板指250日新高距离1.79%[12]，科创50指数250日新高距离1.28%[12] 2. 250日新高距离模型，截至2025年9月19日，电子行业指数250日新高距离0.65%[13]，通信行业指数250日新高距离3.31%[13]，消费者服务行业指数250日新高距离1.76%[13]，电力设备及新能源行业指数250日新高距离2.03%[13]，汽车行业指数250日新高距离2.22%[13]，食品饮料行业指数250日新高距离较远[13]，银行行业指数250日新高距离较远[13]，煤炭行业指数250日新高距离较远[13]，综合金融行业指数250日新高距离较远[13]，非银行金融行业指数250日新高距离较远[13] 因子的回测效果 1. 平稳创新高股票筛选因子，截至2025年9月19日，全市场共有1461只股票在过去20个交易日创出250日新高[19]，其中电子行业创新高个股数量204只[19]，机械行业创新高个股数量201只[19]，基础化工行业创新高个股数量158只[19]，有色金属行业创新高个股数量占比64.52%[19]，电子行业创新高个股数量占比41.98%[19]，综合行业创新高个股数量占比34.78%[19] 2. 平稳创新高股票筛选因子，截至2025年9月19日，科技板块创新高股票数量456只，占比32.25%[20]，制造板块创新高股票数量417只，占比26.71%[20]，周期板块创新高股票数量346只，占比30.81%[20]，医药板块创新高股票数量98只，占比19.96%[20]，消费板块创新高股票数量96只，占比19.96%[20]，大金融板块创新高股票数量40只，占比17.54%[20] 3. 平稳创新高股票筛选因子，截至2025年9月19日，中证2000指数中创新高个股数量523只，占比26.15%[20]，中证1000指数中创新高个股数量306只，占比30.60%[20]，中证500指数中创新高个股数量170只，占比34.00%[20]，沪深300指数中创新高个股数量101只，占比33.67%[20]，创业板指中创新高个股数量36只，占比36.00%[20]，科创50指数中创新高个股数量23只，占比46.00%[20] 4. 平稳创新高股票筛选因子，最终筛选出50只平稳创新高股票[30]，其中科技板块18只[30]，制造板块15只[30]，科技板块中电子行业创新高最多[30]，制造板块中机械行业创新高最多[30]

根据您提供的研报内容，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：均线偏离因子** [11][14][15] * **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，来衡量指数当前价格相对于其近期和历史平均成本的位置，从而判断其短期趋势和超买超卖状态[11][14][15]。 * **因子具体构建过程**：首先，计算指数的不同周期移动平均线，报告中涉及的周期包括5日（MA5）、10日（MA10）、20日（MA20）、60日（MA60）、120日（MA120）和250日（MA250）[15]。然后，计算收盘价与各均线的偏离幅度，公式为： $$偏离幅度 = \frac{收盘价 - 移动平均价}{移动平均价} \times 100\%$$ 例如，vsMA5 = (收盘价 - MA5) / MA5 * 100%[15]。 2. **因子名称：风险溢价因子** [27][28][29][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的参考，计算各宽基指数收益率与其之差，得到风险溢价，用以衡量投资股票市场相对于无风险资产的超额回报和补偿[27][29]。 * **因子具体构建过程**：风险溢价 = 宽基指数收益率 - 十年期国债即期收益率[29][31]。报告中展示了当前风险溢价及其在近1年和近5年历史数据中的分位值[29][31]。 3. **因子名称：估值因子（PE-TTM）** [39][41][43][44] * **因子构建思路**：使用滚动市盈率（PE-TTM）作为估值指标，衡量指数当前价格与其最近十二个月每股收益的比率，从而评估指数的估值水平[39][43]。 * **因子具体构建过程**：PE-TTM = 总市值 / 最近12个月净利润总和[43][44]。报告中列出了各指数的当前PE-TTM值，并计算了其在近1年和近5年历史数据中的分位值[43][44]。 4. **因子名称：股债性价比因子** [46] * **因子构建思路**：通过计算指数PE-TTM的倒数（即盈利收益率）与十年期国债收益率的差值，来比较股票与债券的相对吸引力，辅助资产配置决策[46]。 * **因子具体构建过程**：股债性价比 = (1 / PE-TTM) - 十年期国债即期收益率[46]。 5. **因子名称：股息率因子** [48][52][53] * **因子构建思路**：股息率反映了公司现金分红相对于股价的回报率，是价值投资和红利策略中的重要指标，尤其在市场低迷期和高利率环境下受到关注[48]。 * **因子具体构建过程**：股息率 = 年度现金分红总额 / 总市值[52][53]。报告中列出了各指数的当前股息率及其历史分位值[52][53]。 6. **因子名称：破净率因子** [54] * **因子构建思路**：破净率是指数中市净率（PB）小于1的个股数量占指数总成分股数量的比例，反映了市场总体的低估程度和悲观情绪[54]。 * **因子具体构建过程**：破净率 = (市净率 < 1的个股数量) / 指数总成分股数量[54]。报告中列出了各宽基指数当前的破净率[54]。 7. **因子名称：收益分布形态因子（偏度与峰度）** [24][25] * **因子构建思路**：通过分析指数日收益率的分布偏度和峰度，来描述收益分布的不对称性和尖峰肥尾特征，从而衡量收益的极端情况和分布形态变化[24][25]。 * **因子具体构建过程**：计算指数日收益率序列的偏度（Skewness）和峰度（Kurtosis）[25]。报告中对比了当前值与近5年历史值的差异[25]。 因子的回测效果 1. **均线偏离因子** [15] * 上证50 vsMA5: -1.2%, vsMA10: -1.2%, vsMA20: -1.4%, vsMA60: 2.7%, vsMA120: 5.7%, vsMA250: 8.4% * 沪深300 vsMA5: -0.6%, vsMA10: 0.0%, vsMA20: 0.6%, vsMA60: 6.8%, vsMA120: 11.7%, vsMA250: 14.1% * 中证500 vsMA5: 0.2%, vsMA10: 1.7%, vsMA20: 2.8%, vsMA60: 11.1%, vsMA120: 18.3%, vsMA250: 22.0% * 中证1000 vsMA5: 0.1%, vsMA10: 1.4%, vsMA20: 1.5%, vsMA60: 8.1%, vsMA120: 15.4%, vsMA250: 20.3% * 中证2000 vsMA5: 0.0%, vsMA10: 1.1%, vsMA20: 1.3%, vsMA60: 7.0%, vsMA120: 15.4%, vsMA250: 23.6% * 中证全指 vsMA5: -0.3%, vsMA10: 0.7%, vsMA20: 1.2%, vsMA60: 7.7%, vsMA120: 14.1%, vsMA250: 18.1% * 创业板指 vsMA5: 0.4%, vsMA10: 2.7%, vsMA20: 6.3%, vsMA60: 23.0%, vsMA120: 36.9%, vsMA250: 41.2% 2. **风险溢价因子** [31] * 上证50 当前风险溢价: -1.36%, 近5年分位值: 7.86% * 沪深300 当前风险溢价: -1.17%, 近5年分位值: 10.56% * 中证500 当前风险溢价: -0.84%, 近5年分位值: 20.48% * 中证1000 当前风险溢价: -1.05%, 近5年分位值: 19.68% * 中证2000 当前风险溢价: -1.09%, 近5年分位值: 19.52% * 中证全指 当前风险溢价: -1.09%, 近5年分位值: 14.05% * 创业板指 当前风险溢价: -1.64%, 近5年分位值: 13.25% 3. **估值因子（PE-TTM）** [44] * 上证50 当前值: 11.61, 近5年分位值: 81.82% * 沪深300 当前值: 13.97, 近5年分位值: 81.57% * 中证500 当前值: 34.42, 近5年分位值: 99.92% * 中证1000 当前值: 47.61, 近5年分位值: 95.45% * 中证2000 当前值: 165.69, 近5年分位值: 86.78% * 中证全指 当前值: 21.38, 近5年分位值: 96.78% * 创业板指 当前值: 44.05, 近5年分位值: 59.50% 4. **股息率因子** [52][53] * 上证50 当前值: 3.36%, 近5年分位值: 38.18% * 沪深300 当前值: 2.70%, 近5年分位值: 37.19% * 中证500 当前值: 1.32%, 近5年分位值: 14.63% * 中证1000 当前值: 1.10%, 近5年分位值: 41.16% * 中证2000 当前值: 0.75%, 近5年分位值: 11.40% * 中证全指 当前值: 1.99%, 近5年分位值: 34.63% * 创业板指 当前值: 0.96%, 近5年分位值: 65.79% 5. **破净率因子** [54] * 上证50: 24.0% * 沪深300: 17.0% * 中证500: 11.6% * 中证1000: 7.5% * 中证2000: 3.25% * 创业板指: 1.0% * 中证全指: 6.11% 6. **收益分布形态因子（偏度与峰度）** [25] * 上证50 当前峰度: 2.87, 当前偏度: 2.12 * 沪深300 当前峰度: 3.54, 当前偏度: 2.27 * 中证500 当前峰度: 3.53, 当前偏度: 2.22 * 中证1000 当前峰度: 4.71, 当前偏度: 2.33 * 中证2000 当前峰度: 3.06, 当前偏度: 2.03 * 中证全指 当前峰度: 3.35, 当前偏度: 2.20 * 创业板指 当前峰度: 4.50, 当前偏度: 2.35

量化模型与构建方式 1 **模型名称**：无 **模型构建思路**：无 **模型具体构建过程**：无 模型的回测效果 1 **无模型回测效果数据** 量化因子与构建方式 1 **因子名称**：封板率因子 **因子构建思路**：通过计算当日最高价涨停且收盘涨停的股票数与最高价涨停的股票数的比例，反映市场涨停板的稳定性[18] **因子具体构建过程**： 1. 筛选上市满3个月以上的股票 2. 识别当日最高价涨停的股票集合 3. 识别当日收盘涨停的股票集合 4. 计算封板率： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[18] 2 **因子名称**：连板率因子 **因子构建思路**：通过计算连续两日收盘涨停的股票数与昨日收盘涨停的股票数的比例，反映市场连续涨停的强度[18] **因子具体构建过程**： 1. 筛选上市满3个月以上的股票 2. 识别昨日收盘涨停的股票集合 3. 识别当日收盘涨停的股票集合 4. 计算连板率： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[18] 3 **因子名称**：大宗交易折价率因子 **因子构建思路**：通过大宗交易成交价与市价的差异，反映大资金的投资偏好和市场情绪[27] **因子具体构建过程**： 1. 获取当日大宗交易总成交金额 2. 计算当日成交份额的总市值 3. 计算折价率： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[27] 4 **因子名称**：股指期货年化贴水率因子 **因子构建思路**：通过计算股指期货主力合约与现货指数的基差年化值，反映市场对未来预期的情绪和对冲成本[29] **因子具体构建过程**： 1. 计算基差：股指期货价格减去现货指数价格 2. 获取合约剩余交易日数 3. 计算年化贴水率： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[29] 因子的回测效果 1 **封板率因子**，当日取值49%[18] 2 **连板率因子**，当日取值30%[18] 3 **大宗交易折价率因子**，当日取值8.11%[27]，近半年平均值6.06%[27] 4 **上证50年化贴水率因子**，当日取值17.39%[29]，近一年中位数0.16%[29] 5 **沪深300年化贴水率因子**，当日取值60.63%[29]，近一年中位数2.22%[29] 6 **中证500年化贴水率因子**，当日取值98.21%[29]，近一年中位数9.75%[29] 7 **中证1000年化贴水率因子**，当日取值72.23%[29]，近一年中位数12.19%[29]

根据您提供的文档内容，经过全面梳理，未发现任何关于量化模型或量化因子构建、测试及评价的相关信息。文档内容主要为市场行情数据、公司公告、宏观经济指标、个股涨跌幅及财务数据等[1][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]。 因此，本次总结无法提供关于量化模型或量化因子的名称、构建思路、具体构建过程、评价及测试结果等内容。