根据研报内容，以下是关于量化因子和模型的详细总结。 量化因子与构建方式 **1 因子名称：持股数量 (Holding)** - **因子构建思路**：直接使用联交所披露易网站每日公布的港股通投资者合计持有数量原始数据，作为最基础的南向资金持仓存量指标[40][41] - **因子具体构建过程**：从天软数据库下载历史港股通持股明细数据，直接使用`Holding`字段的原始披露值，无需复杂计算[40][41] **2 因子名称：持股市值 (HoldingValue)** - **因子构建思路**：在持股数量的基础上，结合股票价格，计算南向资金持股市值，以货币形式衡量持仓规模[40][41] - **因子具体构建过程**：使用持股数量乘以对应股票的当日收盘价，公式为 `HoldingValue = Holding × Close`，其中`Close`为港股收盘价[40][41] **3 因子名称：持股占成交量比例 (H2Volume)** - **因子构建思路**：以港股的成交活跃度为基准对港股通持股量进行标准化，衡量南向资金的持股强度[40][41] - **因子具体构建过程**：使用持股数量除以该股票的当日成交量，公式为 `H2Volume = Holding / Volume`，其中`Volume`为港股成交量[40][41] **4 因子名称：持股占自由流通股比例 (H2Share)** - **因子构建思路**：衡量南向资金持股占自由流通股本的比例，反映资金对个股的“渗透度”[40][41] - **因子具体构建过程**：使用持股数量除以该股票的自由流通股本，公式为 `H2Share = Holding / FreeFloatShares`，等价于持股市值除以自由流通市值[40][41] **5 因子名称：持股稳定性 (HoldingStability(N))** - **因子构建思路**：衡量过去一段时间内南向资金持股比例的稳定性，反映其“持仓耐心”和长期配置属性[40][41] - **因子具体构建过程**：计算过去N日`H2Volume`指标的均值与标准差之比，公式为 $$HoldingStability(N) = \\frac{Mean(H2Volume, N)}{Std(H2Volume, N)}$$，其中N为时间窗口参数，研报中测试了3、5、10、20、60等值[40][41] **6 因子名称：持股数量变动 (ΔHolding)** - **因子构建思路**：计算相邻交易日持股数量的差值，作为最基础的南向资金每日流量指标[43][44] - **因子具体构建过程**：使用当日持股数量减去前一交易日持股数量，公式为 `ΔHolding = Holding_t − Holding_{t-1}`[43][44] **7 因子名称：净买入 (Inflow)** - **因子构建思路**：将持股数量变动转化为资金金额，反映南向资金净流入的绝对规模[43][44] - **因子具体构建过程**：使用持股数量变动乘以当日港股成交均价，公式为 `Inflow = ΔHolding × AvgPrice`，其中`AvgPrice`为成交额除以成交量计算得到的成交均价[26][43][44] **8 因子名称：净买入占持股市值比例 (Inflow2HV)** - **因子构建思路**：用当日持股市值对净流入金额进行标准化，提升不同股票间的可比性[43][44] - **因子具体构建过程**：使用当日净买入金额除以当日港股通持股市值，公式为 `Inflow2HV = Inflow / HoldingValue`。可衍生为N日累计指标`Inflow2HV(N) = Inflow(N) / HoldingValue`[43][44] **9 因子名称：净买入占成交额比例 (Inflow2Amt)** - **因子构建思路**：用当日个股成交额对净流入金额进行标准化，反映净买入在市场交易中的相对强度[43][44] - **因子具体构建过程**：使用当日净买入金额除以当日港股成交额，公式为 `Inflow2Amt = Inflow / Amount`。可衍生为N日累计指标[43][44] **10 因子名称：净买入占自由流通市值比例 (Inflow2Cap)** - **因子构建思路**：用自由流通市值对净流入金额进行标准化，反映资金流入相对于公司市值的规模[43][44] - **因子具体构建过程**：使用当日净买入金额除以当日港股自由流通市值，公式为 `Inflow2MV = Inflow / MarketValue`。可衍生为N日累计指标[43][44] **11 因子名称：持股增长率 (ΔHolding%)** - **因子构建思路**：计算持股数量的百分比变动，是对持股变动的另一种标准化方式[43][44] - **因子具体构建过程**：使用当日持股数量相对于前一日持股数量的增长率，公式为 `ΔHolding% = (Holding_t / Holding_{t-1}) − 1`[43][44] **12 模型名称：港股通资金流精选组合** - **模型构建思路**：将多个有效的持股与资金流因子合成一个综合因子，在此基础上构建选股策略[133][134] - **模型具体构建过程**： 1. **因子选择**：选取`HoldingStability(3)`, `HoldingStability(10)`, `Inflow2HV(3)`, `Inflow2Amt(3)`, `Inflow2Cap(3)`, `ΔHolding`, `Inflow`共7个因子[133][134] 2. **因子中性化**：以原始因子值为因变量，以流通市值、行业、PETTM、PBMRQ为自变量进行多元线性回归，取残差作为中性化后的因子[134] 3. **因子标准化**：将每个中性化后的因子在选股空间内转换为百分比排名[134] 4. **因子合成**：将标准化后的7个因子等权相加，得到最终的“持股与资金流因子”[134] 5. **组合构建**：每月底根据综合因子得分从高到低排序，选取排名前20的股票，按港股流通市值加权构建投资组合[135] 模型的回测效果 **1 港股通资金流精选组合（全港股通选股空间）** - 年化收益：27.01%[137][139] - 年化超额收益（vs 中证港股通综合全收益指数）：20.19%[137][139] - 年化波动：28.39%[139] - 最大回撤：-46.47%[139] - 夏普比率：0.88[137][139] - 超额最大回撤：-14.44%[139] **2 港股通资金流精选组合（大市值、高净利润、高流动性选股空间）** - 年化收益：21.70%[144][145] - 年化超额收益（vs 中证港股通综合全收益指数）：14.88%[144][145] - 年化波动：23.54%[145] - 最大回撤：-43.61%[145] - 夏普比率：0.83[145] - 超额最大回撤：-16.32%[145] 因子的回测效果 （测试区间：2017年3月底至2025年10月底，月度频率） **1 Holding因子** - 全港股通股票池：月均RankIC 1.24%，年化RankICIR 0.45，RankIC月度胜率 56.31%，多空年化收益 12.12%，多空最大回撤 -20.16%[47][86] - 低估值股票池：月均RankIC 2.98%，年化RankICIR 0.82，RankIC月度胜率 58.25%，多空年化收益 13.47%，多空最大回撤 -28.32%[86] **2 HoldingValue因子** - 全港股通股票池：月均RankIC 3.75%，年化RankICIR 1.34，RankIC月度胜率 66.02%，多空年化收益 14.45%，多空最大回撤 -19.82%[50][86] - 低估值股票池：月均RankIC 6.42%，年化RankICIR 1.83，RankIC月度胜率 72.82%，多空年化收益 25.84%，多空最大回撤 -23.37%[58][86] **3 H2Volume因子** - 全港股通股票池：月均RankIC 1.89%，年化RankICIR 0.69，RankIC月度胜率 52.43%，多空年化收益 7.96%，多空最大回撤 -17.70%[86] - 低估值股票池：月均RankIC 4.21%，年化RankICIR 1.12，RankIC月度胜率 58.25%，多空年化收益 13.41%，多空最大回撤 -32.31%[86] **4 H2Share因子** - 全港股通股票池：月均RankIC -0.63%，年化RankICIR -0.20，RankIC月度胜率 55.34%，多空年化收益 -6.30%，多空最大回撤 -47.54%[86] - 低估值股票池：月均RankIC 0.27%，年化RankICIR 0.08，RankIC月度胜率 45.63%，多空年化收益 8.67%，多空最大回撤 -23.19%[86] **5 HoldingStability(3)因子** - 全港股通股票池：月均RankIC 2.75%，年化RankICIR 1.72，RankIC月度胜率 69.90%，多空年化收益 10.22%，多空最大回撤 -11.12%[65][86] - 低估值股票池：月均RankIC 4.13%，年化RankICIR 1.52，RankIC月度胜率 65.05%，多空年化收益 17.13%，多空最大回撤 -24.59%[77][86] **6 HoldingStability(10)因子** - 全港股通股票池：月均RankIC 3.99%，年化RankICIR 1.94，RankIC月度胜率 68.93%，多空年化收益 15.95%，多空最大回撤 -13.56%[65][86] - 低估值股票池：月均RankIC 6.42%，年化RankICIR 2.02，RankIC月度胜率 69.90%，多空年化收益 32.35%，多空最大回撤 -17.33%[77][86] **7 ΔHolding因子** - 全港股通股票池：月均RankIC 1.70%，年化RankICIR 0.88，RankIC月度胜率 60.19%，多空年化收益 9.03%，多空最大回撤 -10.41%[88][114] - 大市值股票池：月均RankIC 3.17%，年化RankICIR 1.08，RankIC月度胜率 61.17%，多空年化收益 8.95%，多空最大回撤 -12.54%[114] - 高净利润股票池：月均RankIC 4.55%，年化RankICIR 1.57，RankIC月度胜率 71.84%，多空年化收益 13.59%，多空最大回撤 -10.49%[114] **8 Inflow因子** - 全港股通股票池：月均RankIC 1.84%，年化RankICIR 0.92，RankIC月度胜率 61.17%，多空年化收益 9.42%，多空最大回撤 -9.60%[88][114] - 大市值股票池：月均RankIC 2.80%，年化RankICIR 0.95，RankIC月度胜率 59.22%，多空年化收益 9.98%，多空最大回撤 -14.56%[92][114] - 高净利润股票池：月均RankIC 4.39%，年化RankICIR 1.51，RankIC月度胜率 68.93%，多空年化收益 14.56%，多空最大回撤 -11.65%[114] **9 Inflow2HV因子** - 全港股通股票池：月均RankIC 1.31%，年化RankICIR 0.69，RankIC月度胜率 60.19%，多空年化收益 8.33%，多空最大回撤 -11.13%[114] - 大市值股票池：月均RankIC 3.00%，年化RankICIR 1.09，RankIC月度胜率 60.19%，多空年化收益 13.09%，多空最大回撤 -11.37%[95][114] - 高净利润股票池：月均RankIC 4.22%，年化RankICIR 1.50，RankIC月度胜率 65.05%，多空年化收益 14.83%，多空最大回撤 -8.89%[98][114] - 港股通消费指数内：月均RankIC 4.34%，年化RankICIR 1.02，RankIC月度胜率 61.19%[115] **10 Inflow2Amt因子** - 全港股通股票池：月均RankIC 1.60%，年化RankICIR 0.87，RankIC月度胜率 61.17%，多空年化收益 7.83%，多空最大回撤 -13.29%[114] - 大市值股票池：月均RankIC 3.00%，年化RankICIR 1.04，RankIC月度胜率 60.19%，多空年化收益 10.03%，多空最大回撤 -11.33%[95][114] - 高净利润股票池：月均RankIC 4.52%，年化RankICIR 1.61，RankIC月度胜率 66.02%，多空年化收益 16.03%，多空最大回撤 -14.38%[98][114] **11 Inflow2Cap因子** - 全港股通股票池：月均RankIC 1.30%，年化RankICIR 0.61，RankIC月度胜率 55.34%，多空年化收益 6.22%，多空最大回撤 -11.05%[114] - 大市值股票池：月均RankIC 2.77%，年化RankICIR 0.93，RankIC月度胜率 65.05%，多空年化收益 10.47%，多空最大回撤 -15.32%[95][114] - 高净利润股票池：月均RankIC 4.62%，年化RankICIR 1.53，RankIC月度胜率 69.90%，多空年化收益 14.41%，多空最大回撤 -11.73%[98][114] - 港股通高股息指数内：月均RankIC 3.68%，年化RankICIR 0.58，RankIC月度胜率 59.38%[115] **12 ΔHolding%因子** - 全港股通股票池：月均RankIC 1.33%，年化RankICIR 0.69，RankIC月度胜率 60.19%，多空年化收益 8.45%，多空最大回撤 -11.26%[114] - 大市值股票池：月均RankIC 3.01%，年化RankICIR 1.10，RankIC月度胜率 60.19%，多空年化收益 13.23%，多空最大回撤 -11.66%[114] - 高净利润股票池：月均RankIC 4.23%，年化RankICIR 1.49，RankIC月度胜率 63.11%，多空年化收益 15.14%，多空最大回撤 -8.63%[103][114]

根据提供的华创证券《市场情绪监控周报（20251103-20251107）》，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：宽基轮动策略[13]** * **模型构建思路：** 基于不同宽基指数（如沪深300、中证500等）周度热度变化率的短期动量效应进行轮动，选择市场情绪最热的板块进行投资，若情绪最热板块为非主流股票（“其他”组）则空仓以规避风险[11][13] * **模型具体构建过程：** 1. 将全市场股票按宽基指数成分股分组，包括沪深300、中证500、中证1000、中证2000以及不属于以上四组的“其他”股票[8] 2. 计算每个分组在当周的总热度指标（定义为组内所有个股的浏览、自选与点击次数之和，并经全市场占比归一化处理）[7] 3. 计算每个分组周度总热度的变化率[11] 4. 对周度热度变化率进行2期移动平均（MA2）平滑处理，得到“热度变化率 MA2”[11] 5. 在每周最后一个交易日，选择“热度变化率 MA2”数值最大的宽基分组，买入该分组对应的指数或成分股[13] 6. 如果“热度变化率 MA2”最大的分组是“其他”组，则该周策略空仓[13] 2. **模型名称：概念热度选股策略[31]** * **模型构建思路：** 利用A股概念行情受行为因素影响大、持续时间短的特点，在每周热度变化最大的概念中，选取每个概念内关注度（总热度）最低的个股构建组合，以期获得因“反应不足”或“价值洼地”带来的超额收益[30][31] * **模型具体构建过程：** 1. 在每周最后一个交易日，筛选出本周热度变化率最大的5个概念[31] 2. 将这5个概念的所有成分股作为备选股票池[31] 3. 从备选股票池中剔除流通市值最小的20%的股票[31] 4. **构建BOTTOM组合：** 从每个热门概念中，选出总热度指标排名最后10位的个股，等权重持有[31] 5. （作为对比）**构建TOP组合：** 从每个热门概念中，选出总热度指标排名前10位的个股，等权重持有[31] 模型的回测效果 1. **宽基轮动策略[16]** * 年化收益率：8.74%[16] * 最大回撤：23.5%[16] * 2025年收益：38.52%[16] 2. **概念热度选股策略（BOTTOM组合）[33]** * 年化收益率：15.71%[33] * 最大回撤：28.89%[33] * 2025年收益：42%[33] 量化因子与构建方式 1. **因子名称：个股总热度[7]** * **因子构建思路：** 通过加总个股的浏览、自选与点击次数，并相对于全市场进行标准化，构建一个反映市场对单只股票关注度（情绪热度）的代理指标[7] * **因子具体构建过程：** 1. 获取个股日度的浏览次数、自选次数、点击次数[7] 2. 将上述三个次数相加，得到股票的原始总热度值[7] 3. 计算该股票原始总热度值在当日全市场所有股票总热度值之和中的占比[7] 4. 将该占比乘以10000，使得因子取值区间落在[0, 10000]之间，得到最终的个股总热度因子值[7] * 公式：$$个股总热度 = \frac{个股（浏览次数+自选次数+点击次数）}{当日全市场所有股票（浏览次数+自选次数+点击次数）之和} \times 10000$$[7] 2. **因子名称：聚合总热度（宽基/行业/概念层面）[7]** * **因子构建思路：** 通过对特定群体（如宽基指数成分股、行业分类成分股、概念成分股）内的个股总热度因子值进行加总，得到反映该群体整体市场情绪热度的指标[7] * **因子具体构建过程：** 1. 确定目标群体（例如，沪深300指数成分股、石油石化行业股票、科创次新股概念成分股）[7][8][20] 2. 将该群体内所有成分股的“个股总热度”因子值进行求和，得到该群体的聚合总热度[7] 3. **因子名称：热度变化率 MA2[11][20][28]** * **因子构建思路：** 计算聚合总热度指标的周度环比变化率，并采用移动平均进行平滑，以捕捉群体热度边际变化的趋势，用于监控情绪转向或动量[11][20][28] * **因子具体构建过程：** 1. 计算目标群体本周的聚合总热度（$H_t$）与上周的聚合总热度（$H_{t-1}$）[11] 2. 计算周度热度变化率：$$变化率_t = \frac{H_t - H_{t-1}}{H_{t-1}}$$[11] 3. 对周度热度变化率进行2期移动平均计算，得到平滑后的“热度变化率 MA2”：$$热度变化率MA2_t = \frac{变化率_t + 变化率_{t-1}}{2}$$[11] 4. **因子名称：估值历史分位数[38][39][42]** * **因子构建思路：** 计算宽基指数或行业当前的估值（如市盈率PETTM）在其自身历史序列中所处的位置，以判断当前估值水平的高低[38][39][42] * **因子具体构建过程：** 1. 选定估值指标（报告中主要使用市盈率PETTM，剔除负值）和回溯期（宽基常用滚动5年，行业常用自2015年起）[38][39] 2. 获取目标宽基或行业在回溯期内每个交易日的估值数据，形成历史序列[38][39] 3. 计算当前估值在该历史序列中的百分位排名，即估值历史分位数[38][39] 因子的回测效果 （注：报告中未提供上述因子独立的、系统性的回测绩效指标，如IC、IR等，仅展示了基于部分因子构建的策略表现。）

根据提供的研报内容，以下是关于量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：网下打新收益测算模型** * **模型构建思路**：通过假设性的理想条件，测算不同规模、不同类型的投资者账户（A类/B类）参与网下新股申购所能获得的理论收益和收益率[11][44][48][52] * **模型具体构建过程**： 1. **基本假设**：假设账户参与所有新股打新、科创板和创业板报价全部入围、资金配置一半沪市一半深市且股票满仓、按首次开板日均价卖出、在90%的资金使用效率下进行测算[44][48][52] 2. **单只股票满中收益计算**：首先计算单只新股在顶格申购情况下的理论收益[42] * **满中数量计算**：`类满中数量 = 可申购上限额度 × 网下类平均中签率`[42] * **满中收益计算**：`满中收益 = (首次开板价 − 首发价格) × 满中数量`[42] 3. **账户规模调整**：对于不同规模的账户（如1.5亿、2亿、3亿、5亿、10亿），其单只股票的实际打新收益会受到申购上限的限制，当账户规模不足以顶格申购时，收益按比例缩减[46] 4. **累计收益与收益率计算**：将特定时间段内（如逐月、年初至今）所有新股的理论打新收益相加，得到累计收益，再除以账户规模，得到打新收益率[48][50][52][53] * `累计打新收益率 = (累计打新收益 / 账户规模) × 100%`[11][48][50][52] 模型的回测效果 1. **网下打新收益测算模型 (A类账户，截至2025/11/07)** * 2亿规模账户累计打新收益率：2.70%[11][50] * 10亿规模账户累计打新收益率：0.98%[11][50] 2. **网下打新收益测算模型 (B类账户，截至2025/11/07)** * 2亿规模账户累计打新收益率：2.28%[11][52][53] * 10亿规模账户累计打新收益率：0.75%[11][52] 量化因子与构建方式 1. **因子名称：新股上市首日涨幅** * **因子构建思路**：计算新股上市首日收盘价（或均价）相对于发行价的涨幅，用以衡量新股上市初期的市场表现和打新潜在收益[20] * **因子具体构建过程**： * `上市首日涨幅 = ((上市首日价格 − 发行价格) / 发行价格) × 100%`[20] * 报告中提供了特定时间段内（滚动近期20只新股）科创板（平均219.94%）和创业板（平均244.28%）的上市首日平均涨幅[20] 2. **因子名称：有效报价账户数** * **因子构建思路**：统计参与单只新股网下询价的有效机构账户数量，作为衡量打新竞争激烈程度的指标[2][23][26] * **因子具体构建过程**：直接提取新股发行公告中的A类（公募基金、社保基金等）和B类（保险公司、年金等）有效报价账户数量[2][23][26] * 示例：最近一只科创板新股，A类有效报价账户3763，B类有效报价账户1822[2][23] * 示例：最近一只创业板新股，A类有效报价账户约4709，B类有效报价账户2669[2][23] * 示例：最近一只主板新股，A类有效报价账户5534，B类有效报价账户2976[2][26] 因子的回测效果 1. **新股上市首日涨幅因子 (滚动近期20只新股)** * 科创板个股平均涨幅：219.94%[20] * 创业板个股平均涨幅：244.28%[20]

根据研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 Barra风格因子 **1 因子名称：Beta** **因子构建思路：** 衡量股票相对于市场的系统性风险[15] **因子具体构建过程：** 采用历史beta值进行计算[15] **2 因子名称：市值** **因子构建思路：** 衡量公司规模大小[15] **因子具体构建过程：** 对总市值取自然对数[15] $$市值 = ln(总市值)$$ **3 因子名称：动量** **因子构建思路：** 衡量股票价格趋势[15] **因子具体构建过程：** 计算历史超额收益率序列的均值[15] **4 因子名称：波动** **因子构建思路：** 综合衡量股票价格波动特征[15] **因子具体构建过程：** 采用加权组合方式计算波动率[15] $$波动 = 0.74 \times 历史超额收益率序列波动率 + 0.16 \times 累积超额收益率离差 + 0.1 \times 历史残差收益率序列波动率$$ **5 因子名称：非线性市值** **因子构建思路：** 捕捉市值因子的非线性效应[15] **因子具体构建过程：** 对市值风格进行三次方变换[15] $$非线性市值 = 市值^3$$ **6 因子名称：估值** **因子构建思路：** 衡量股票估值水平[15] **因子具体构建过程：** 采用市净率的倒数[15] $$估值 = \frac{1}{市净率}$$ **7 因子名称：流动性** **因子构建思路：** 衡量股票交易活跃程度[15] **因子具体构建过程：** 采用不同时间窗口换手率的加权组合[15] $$流动性 = 0.35 \times 月换手率 + 0.35 \times 季换手率 + 0.3 \times 年换手率$$ **8 因子名称：盈利** **因子构建思路：** 综合衡量公司盈利能力[15] **因子具体构建过程：** 采用多种盈利指标的加权组合[15] $$盈利 = 0.68 \times 分析师预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率TTM倒数$$ **9 因子名称：成长** **因子构建思路：** 衡量公司成长性[15] **因子具体构建过程：** 综合多种增长指标的加权组合[15] $$成长 = 0.18 \times 分析师预测长期盈利增长率 + 0.11 \times 分析师预测短期利率增长率 + 0.24 \times 盈利增长率 + 0.47 \times 营业收入增长率$$ **10 因子名称：杠杆** **因子构建思路：** 衡量公司财务杠杆水平[15] **因子具体构建过程：** 采用多种杠杆指标的加权组合[15] $$杠杆 = 0.38 \times 市场杠杆率 + 0.35 \times 账面杠杆 + 0.27 \times 资产负债率$$ GRU模型因子 **11 因子名称：barra1d模型** **因子构建思路：** 基于GRU神经网络构建的量化因子模型[4][8] **因子具体构建过程：** 采用GRU神经网络对市场数据进行建模，输入特征包含Barra风格因子，预测周期为1天[4][8] **12 因子名称：barra5d模型** **因子构建思路：** 基于GRU神经网络构建的量化因子模型[4][8] **因子具体构建过程：** 采用GRU神经网络对市场数据进行建模，输入特征包含Barra风格因子，预测周期为5天[4][8] **13 因子名称：open1d模型** **因子构建思路：** 基于GRU神经网络构建的量化因子模型[4][8] **因子具体构建过程：** 采用GRU神经网络对开盘价相关数据进行建模，预测周期为1天[4][8] **14 因子名称：close1d模型** **因子构建思路：** 基于GRU神经网络构建的量化因子模型[4][8] **因子具体构建过程：** 采用GRU神经网络对收盘价相关数据进行建模，预测周期为1天[4][8] **15 因子名称：多因子组合** **因子构建思路：** 综合多个因子的复合策略[8] **因子具体构建过程：** 将多个单一因子进行组合配置，形成综合性的多因子策略[8] 因子的回测效果 Barra风格因子多空收益表现（全市场） | 因子名称 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | |---------|---------|---------|---------|----------|----------|----------| | 动量 | 3.49% | -6.50% | -22.13% | -14.88% | -18.33% | -17.11% | | Beta | 2.21% | -7.75% | 6.80% | 28.44% | 9.16% | 19.67% | | 波动 | 1.90% | -3.76% | -12.86% | 6.09% | 8.66% | -11.40% | | 流动性 | 1.67% | 46.39% | 8.56% | 8.77% | 20.41% | 25.21% | | 市值 | 0.45% | -6.89% | -12.57% | -39.47% | -41.79% | -34.81% | | 非线性市值 | 0.28% | -6.47% | -12.98% | -34.37% | -39.42% | -30.77% | | 成长 | 0.22% | 2.03% | 2.39% | 0.89% | -9.61% | 4.14% | | 盈利 | 1.43% | 3.55% | 7.94% | 14.39% | 3.18% | 1.16% | | 杠杆 | 2.13% | 4.08% | -4.92% | 16.59% | 6.54% | 1.95% | | 估值 | 3.52% | 6.78% | 0.22% | 4.37% | 16.82% | 16.61% | GRU模型多头组合超额收益表现 | 策略因子名称 | 近一周 | 近一月 | 近三月 | 近六月 | 今年以来 | |-------------|-------|-------|-------|-------|----------| | open1d | 0.32% | 1.81% | -0.69% | 1.36% | 6.02% | | close1d | 1.41% | 4.17% | -1.73% | 2.27% | 4.33% | | barra1d | -0.34% | -0.65% | 0.92% | 1.80% | 4.71% | | barra5d | 1.44% | 5.42% | -0.50% | 2.74% | 7.34% | | 多因子 | 0.57% | 2.54% | -0.60% | -0.01% | 0.89% |

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**[6] * **模型构建思路：** 该模型用于监测微盘股市场未来变盘的临界点，通过预测在不同涨跌幅情景下扩散指数的未来值来判断市场风险[6][38] * **模型具体构建过程：** 模型构建了一个透视表，横轴代表从当前时点起未来N天后股价相对现在的涨跌幅（从上涨10%到下跌10%），纵轴代表回顾过去或未来的窗口期长度T天（从20天到10天）[38]。对于给定的未来涨跌幅（横轴值）和未来时间点（由纵轴T计算得到N=20-T），可以查表得到对应的扩散指数预测值。例如，横轴0.95（代表下跌5%）和纵轴15天（代表N=5天后）对应的扩散指数值为0.69[38]。当前扩散指数值为0.82（对应横轴20，纵轴1.00）[38]。该模型包含三种具体的交易策略： * **首次阈值法（左侧交易）：** 于2025年9月23日收盘触发开仓信号[6][43] * **延迟阈值法（右侧交易）：** 于2025年9月25日收盘触发开仓信号[6][47] * **双均线法（自适应交易）：** 于2025年10月13日收盘给予看多信号[6][48] 2. **模型名称：小市值低波50策略**[8][16][34] * **模型构建思路：** 在万得微盘股指数成分股中，结合小市值和低波动两个特征，优选50只股票构建投资组合[8][16][34] * **模型具体构建过程：** 策略的股票池限定为万得微盘股指数的成分股[8][16]。首先，在成分股内计算市值和波动率指标。然后，优选同时具备小市值和低波动特征的50只股票构成投资组合。组合每双周调仓一次[8][16]。基准为万得微盘股指数(8841431.WI)，回测考虑双边千三的交易费用[8][16] 模型的回测效果 1. **扩散指数模型**，当前信号：看多（左侧阈值法、右侧阈值法、双均线法均给出看多信号）[6][39] 2. **小市值低波50策略**，2024年收益：7.07%[8][16]，2024年超额收益（相对基准）：-2.93%[8][16]，2025年至今（YTD）收益：77.82%[8][16]，本周超额收益（相对基准）：1.50%[8][16] 量化因子与构建方式 1. **因子名称：自由流通比例因子**[5][16][32] * **因子表现：** 本周rankic值为0.108，历史平均rankic值为-0.012[5][16][32] 2. **因子名称：杠杆因子**[5][16][32] * **因子表现：** 本周rankic值为0.104，历史平均rankic值为-0.006[5][16][32] 3. **因子名称：10天总市值换手率因子**[5][16][32] * **因子表现：** 本周rankic值为0.099，历史平均rankic值为-0.059[5][16][32] 4. **因子名称：10天自由流通市值换手率因子**[5][16][32] * **因子表现：** 本周rankic值为0.098，历史平均rankic值为-0.061[5][16][32] 5. **因子名称：股息率因子**[5][16][32] * **因子表现：** 本周rankic值为0.065，历史平均rankic值为0.022[5][16][32] 6. **因子名称：未复权股价因子**[5][16][32] * **因子表现：** 本周rankic值为-0.296，历史平均rankic值为-0.017[5][16][32] 7. **因子名称：贝塔因子**[5][16][32] * **因子表现：** 本周rankic值为-0.263，历史平均rankic值为0.003[5][16][32] 8. **因子名称：非线性市值因子**[5][16][32] * **因子表现：** 本周rankic值为-0.239，历史平均rankic值为-0.035[5][16][32] 9. **因子名称：对数市值因子**[5][16][32] * **因子表现：** 本周rankic值为-0.239，历史平均rankic值为-0.035[5][16][32] 10. **因子名称：残差波动率因子**[5][16][32] * **因子表现：** 本周rankic值为-0.193，历史平均rankic值为-0.039[5][16][32] 报告中还提及了其他因子，包括pb倒数、流动性、过去10天收益率、单季度净利润增速、成交额、盈利、单季度净资产收益率、标准化预期盈利、成长、pe_ttm倒数、动量、过去一年波动率、非流动性等，并给出了其本周和历史的rankic值[32][33] 因子的回测效果 1. **自由流通比例因子**，本周rankic：0.108[5][16][32]，历史平均rankic：-0.012[5][16][32] 2. **杠杆因子**，本周rankic：0.104[5][16][32]，历史平均rankic：-0.006[5][16][32] 3. **10天总市值换手率因子**，本周rankic：0.099[5][16][32]，历史平均rankic：-0.059[5][16][32] 4. **10天自由流通市值换手率因子**，本周rankic：0.098[5][16][32]，历史平均rankic：-0.061[5][16][32] 5. **股息率因子**，本周rankic：0.065[5][16][32]，历史平均rankic：0.022[5][16][32] 6. **未复权股价因子**，本周rankic：-0.296[5][16][32]，历史平均rankic：-0.017[5][16][32] 7. **贝塔因子**，本周rankic：-0.263[5][16][32]，历史平均rankic：0.003[5][16][32] 8. **非线性市值因子**，本周rankic：-0.239[5][16][32]，历史平均rankic：-0.035[5][16][32] 9. **对数市值因子**，本周rankic：-0.239[5][16][32]，历史平均rankic：-0.035[5][16][32] 10. **残差波动率因子**，本周rankic：-0.193[5][16][32]，历史平均rankic：-0.039[5][16][32]

根据提供的ESG市场观察周报内容，该报告主要总结了ESG相关的市场动态、指数表现和事件舆情，并未涉及具体的量化模型或量化因子的构建、测试与分析过程。报告内容聚焦于市场现象描述和政策事件汇总，不具备量化分析所需的模型框架、因子定义、构建公式及回测结果等要素。 因此，本报告**没有**需要总结的量化模型或量化因子相关内容。

量化模型与因子总结 量化模型与构建方式 1. **模型名称：BARRA CNE5模型**[25] **模型构建思路：** 该模型用于分析投资组合的风险暴露，通过定义一系列风格因子来刻画投资组合相对于基准的偏好或规避倾向[25] **模型具体构建过程：** 模型包含10个风格因子，通过计算投资组合在这些因子上的暴露值（因子值）来评估其风格特征。当因子暴露为正时，表明基金偏好该类风格；当因子暴露为负时，表明基金会规避这类风格[25][28]。具体因子定义如下： * **Beta（贝塔）**：超额收益与市场收益的回归系数，代表市场收益暴露。 * **Momentum（动量）**：Relative Strength，代表动量暴露。 * **Size（市值）**：股票市值的对数，代表大盘暴露。 * **Earnings Yield（盈利）**：Earnings-to-Price，市盈率的倒数，代表盈利性暴露。 * **Residual Volatility（残差波动率）**：日收益标准差、历史标准差，代表波动性暴露。 * **Growth（成长）**：盈利增长率、销售收入增长率，代表成长暴露。 * **BP（B/P）**：Book-to-Price，市净率的倒数，代表价值暴露。 * **Leverage（杠杆）**：财务杠杆率，代表财务杠杆暴露。 * **Liquidity（流动性）**：换手率，代表流动性暴露。 * **Non-linear Size（非线性市值）**：股票市值的立方，代表中盘暴露。 模型的回测效果 1. **BARRA CNE5模型**，**贝塔因子暴露**-0.055，**动量因子暴露**-0.067，**市值因子暴露**0.372，**盈利因子暴露**0.229，**残差波动率因子暴露**-0.182，**成长因子暴露**0.095，**B/P因子暴露**-0.046，**杠杆因子暴露**0.079，**流动性因子暴露**0.094，**非线性市值因子暴露**-0.506，**平均暴露**0.121[32] 2. **BARRA CNE5模型（中证A500指数）**，**贝塔因子暴露**-0.071，**动量因子暴露**-0.087，**市值因子暴露**0.570，**盈利因子暴露**0.052，**残差波动率因子暴露**-0.075，**成长因子暴露**0.220，**B/P因子暴露**-0.201，**杠杆因子暴露**0.006，**流动性因子暴露**0.326，**非线性市值因子暴露**-0.404[32] 3. **BARRA CNE5模型（中加专精特新 vs 中证2000）**，**盈利因子暴露**更高，**估值（B/P）因子暴露**更高，**市值因子暴露**更低，**残差波动率因子暴露**更低，**成长因子暴露**更低，**流动性因子暴露**更低[65] 4. **BARRA CNE5模型（中加紫金多期）**，**盈利因子暴露**偏好强，**估值（B/P）因子暴露**偏好低，**残差波动率因子暴露**低[95] 量化因子与构建方式 1. **因子名称：Beta（贝塔）**[26] **因子构建思路：** 衡量股票超额收益对市场收益的敏感度。 **因子具体构建过程：** 通过回归分析得到股票超额收益与市场收益之间的回归系数。$$Beta = \frac{Cov(R_i - R_f, R_m)}{Var(R_m)}$$ 其中，$R_i$ 为股票收益率，$R_f$ 为无风险收益率，$R_m$ 为市场收益率。 2. **因子名称：Momentum（动量）**[26] **因子构建思路：** 衡量股票价格的趋势强度。 **因子具体构建过程：** 使用相对强弱（Relative Strength）指标，通常基于过去一段时间（如11个月剔除最近1个月）的累计收益率。$$Momentum = \frac{P_t}{P_{t-n}} - 1$$ 其中，$P_t$ 为当前价格，$P_{t-n}$ 为n期前的价格。 3. **因子名称：Size（市值）**[26] **因子构建思路：** 衡量公司的规模。 **因子具体构建过程：** 取股票总市值的自然对数。$$Size = ln(MarketCap)$$ 其中，$MarketCap$ 为股票总市值。 4. **因子名称：Earnings Yield（盈利）**[26] **因子构建思路：** 衡量公司的盈利水平。 **因子具体构建过程：** 采用市盈率（Earnings-to-Price）的倒数。$$Earnings Yield = \frac{Earnings}{Price}$$ 其中，$Earnings$ 为公司盈利，$Price$ 为股票价格。 5. **因子名称：Residual Volatility（残差波动率）**[26] **因子构建思路：** 衡量股票剔除市场风险后的特异性波动。 **因子具体构建过程：** 计算股票日收益率的标准差或历史标准差。 6. **因子名称：Growth（成长）**[26] **因子构建思路：** 衡量公司的成长能力。 **因子具体构建过程：** 基于盈利增长率或销售收入增长率等指标。 7. **因子名称：BP（B/P）**[26] **因子构建思路：** 衡量公司的估值水平，属于价值因子。 **因子具体构建过程：** 采用市净率（Book-to-Price）的倒数。$$BP = \frac{Book Value}{Price}$$ 其中，$Book Value$ 为公司账面价值，$Price$ 为股票价格。 8. **因子名称：Leverage（杠杆）**[26] **因子构建思路：** 衡量公司的财务杠杆水平。 **因子具体构建过程：** 使用财务杠杆率等指标。 9. **因子名称：Liquidity（流动性）**[26] **因子构建思路：** 衡量股票的流动性。 **因子具体构建过程：** 使用换手率等指标。 10. **因子名称：Non-linear Size（非线性市值）**[26] **因子构建思路：** 捕捉市值因子的非线性效应，侧重中盘股。 **因子具体构建过程：** 取股票总市值的立方。$$Non-linear Size = (MarketCap)^3$$ 其中，$MarketCap$ 为股票总市值。 因子的回测效果 1. **Beta（贝塔）因子**，**中加A500暴露**-0.055，**A500指数暴露**-0.071[32] 2. **Momentum（动量）因子**，**中加A500暴露**-0.067，**A500指数暴露**-0.087[32] 3. **Size（市值）因子**，**中加A500暴露**0.372，**A500指数暴露**0.570[32] 4. **Earnings Yield（盈利）因子**，**中加A500暴露**0.229，**A500指数暴露**0.052[32] 5. **Residual Volatility（残差波动率）因子**，**中加A500暴露**-0.182，**A500指数暴露**-0.075[32] 6. **Growth（成长）因子**，**中加A500暴露**0.095，**A500指数暴露**0.220[32] 7. **BP（B/P）因子**，**中加A500暴露**-0.046，**A500指数暴露**-0.201[32] 8. **Leverage（杠杆）因子**，**中加A500暴露**0.079，**A500指数暴露**0.006[32] 9. **Liquidity（流动性）因子**，**中加A500暴露**0.094，**A500指数暴露**0.326[32] 10. **Non-linear Size（非线性市值）因子**，**中加A500暴露**-0.506，**A500指数暴露**-0.404[32]

根据提供的量化研报，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：行业主线模型（相对强弱RSI指标）**[1][5][10] * **模型构建思路**：通过构建行业层面的相对强弱指标，识别每年可能成为市场领涨主线的行业[10] * **模型具体构建过程**： 1. 以29个申万一级行业指数为配置标的[10] 2. 分别计算每个行业过去20、40、60个交易日的涨跌幅，并在所有行业中分别进行横截面排名，得到 `Rank_20`, `Rank_40`, `Rank_60`[10] 3. 对三个排名进行归一化处理，得到 `RS_20`, `RS_40`, `RS_60`[10] 4. 计算三个归一化排名的算术平均值，得到最终的行业相对强弱指数 `RS`[10] * 公式：$$ RS = \frac{RS\_20 + RS\_40 + RS\_60}{3} $$[10] * **模型评价**：该指标能有效提示年度领涨行业方向，例如2024年成功提示了高股息、资源品、出海和AI等主线[10] 2. **模型名称：行业景气度-趋势-拥挤度框架**[1][2][5][7][15] * **模型构建思路**：综合考量行业的基本面（景气度）、市场动能（趋势）和交易风险（拥挤度）三个维度，形成两种右侧行业配置方案[15] * **模型具体构建过程**：该框架包含两种具体方案： * **方案一：行业景气模型（高景气-强趋势）**：以景气度为核心，选择高景气度且趋势强劲的行业，同时利用拥挤度指标规避高拥挤风险，风格偏同步进攻[15] * **方案二：行业趋势模型（强趋势-低拥挤）**：以市场趋势为核心，选择趋势强劲且拥挤度较低的行业，同时规避低景气行业，风格偏右侧，持有体验感强[15] * 具体权重配置示例如下：基础化工18%、传媒16%、农林牧渔12%等[2][7][15] 3. **模型名称：左侧库存反转模型**[3][5][29] * **模型构建思路**：从赔率-胜率角度出发，在处于或曾处于困境但已出现反弹迹象的板块中，挖掘分析师长期看好且库存压力不大、具备补库条件的行业，以捕捉困境反转行情[29] * **模型具体构建过程**：报告未详细描述该模型的具体计算步骤，但指出其核心逻辑是结合行业的困境反转潜力、分析师预期和库存周期进行判断[29] 4. **模型名称：行业景气度选股模型（PB-ROE）**[25][28] * **模型构建思路**：将行业配置模型的行业权重与个股选择相结合，在确定的行业内，基于PB-ROE模型筛选估值性价比高的股票[25][28] * **模型具体构建过程**： 1. 首先根据行业配置模型（如景气度-趋势-拥挤度框架）确定各行业的配置权重[25] 2. 在行业内，基于PB-ROE模型选取估值性价比高的股票（具体为排名前40%）[25][28] 3. 对选出的股票，按流通市值和PB-ROE打分进行加权，确定个股在组合内的权重[28] 模型的回测效果 1. **行业景气度-趋势-拥挤度框架（行业配置）**[15] * 基准：Wind全A指数 * 多头年化收益：21.8% * 超额年化收益：13.7% * 信息比率（IR）：1.5 * 超额最大回撤：-8.0% * 月度胜率：67% * 分年度超额：2023年超额7.3%，2024年超额5.7%，2025年以来超额2.0%[15] 2. **行业景气度-趋势-拥挤度框架（ETF配置）**[22] * 基准：中证800指数 * 年化超额收益：16.1% * 信息比率（IR）：1.8 * 超额最大回撤：10.8% * 月度胜率：65% * 分年度超额：2023年超额6.0%，2024年超额5.3%，2025年以来（截至10月底）超额14.4%[22] 3. **行业景气度选股模型（PB-ROE）**[25] * 基准：Wind全A指数 * 多头年化收益：26.5% * 超额年化收益：19.7% * 信息比率（IR）：1.7 * 超额最大回撤：-15.4% * 月度胜率：68% * 分年度表现：2022年超额10.2%，2023年超额10.4%，2024年绝对收益14.6%（超额4.6%），2025年以来超额5.5%[25] 4. **左侧库存反转模型**[29] * 基准：行业等权指数 * 分年度表现： * 2023年绝对收益13.4%，相对超额17.0% * 2024年绝对收益26.5%，相对超额15.4% * 2025年（截至10月底）绝对收益27.9%，相对超额7.5%[29] 量化因子与构建方式 1. **因子名称：相对强弱（RS）因子**[10] * **因子构建思路**：通过多期涨跌幅的横截面排名与合成，衡量行业相对于其他行业的强度[10] * **因子具体构建过程**： 1. 计算特定行业在过去20、40、60个交易日的涨跌幅[10] 2. 在每个时间截面上，计算该行业涨跌幅在所有行业中的排名 `Rank_20`, `Rank_40`, `Rank_60`[10] 3. 对排名进行归一化处理，得到 `RS_20`, `RS_40`, `RS_60`[10] 4. 计算三个归一化值的算术平均值作为最终因子值[10] * 公式：$$ RS = \frac{RS\_20 + RS\_40 + RS\_60}{3} $$[10] 2. **因子名称：景气度因子**[15] * **因子构建思路**：衡量行业的基本面好坏[15] * **因子具体构建过程**：报告未详细描述该因子的具体计算方法和数据来源，但明确指出其在模型中是核心维度之一，横轴代表景气度高低[15] 3. **因子名称：趋势因子**[15] * **因子构建思路**：衡量行业价格走势的强弱[15] * **因子具体构建过程**：报告未详细描述该因子的具体计算方法和数据来源，但明确指出其在模型中是核心维度之一，纵轴代表趋势强弱[15] 4. **因子名称：拥挤度因子**[15] * **因子构建思路**：衡量行业的交易风险，避免过度拥挤[15] * **因子具体构建过程**：报告未详细描述该因子的具体计算方法和数据来源，但明确指出其在模型中用于风险提示，通过气泡颜色（蓝色低拥挤，红色高拥挤）和大小来表征[15] 5. **因子名称：PB-ROE因子**[25][28] * **因子构建思路**：结合估值（市净率PB）和盈利能力（净资产收益率ROE），筛选具有估值性价比的股票[25][28] * **因子具体构建过程**：在确定行业内，基于PB和ROE指标对股票进行打分，选取排名前40%的股票，并综合流通市值进行加权[25][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： 量化模型与构建方式 1. **模型名称：微盘股轮动与择时模型**[18][23] * **模型构建思路**：该模型旨在通过相对净值、动量指标以及风险指标，实现微盘股指数与茅指数之间的风格轮动，并在风险聚集时发出平仓信号[18][23] * **模型具体构建过程**： * **轮动信号生成**： 1. 计算微盘股指数与茅指数的相对净值（微盘股净值 / 茅指数净值）[18] 2. 计算该相对净值的243日移动平均线（MA243）[18] 3. 计算微盘股指数和茅指数的20日收盘价斜率（动量指标）[18][23] 4. 轮动规则：当微盘股/茅指数相对净值高于其243日均线，且微盘股20日斜率为正、茅指数20日斜率为负时，配置微盘股；反之则配置茅指数[23] * **择时风控信号生成**： 1. 监控十年期国债到期收益率的同比变化率（十年国债利率同比），设定风险阈值为30%[18][23] 2. 监控微盘股波动率拥挤度的同比变化率（波动率拥挤度同比），设定风险阈值为55%[18][23] 3. 风控规则：当十年国债利率同比触及30%或波动率拥挤度同比触及55%时，模型发出平仓信号[23] 2. **模型名称：宏观择时策略**[42][43] * **模型构建思路**：基于经济增长和货币流动性两个维度的宏观指标，动态调整权益资产的配置仓位[42][43] * **模型具体构建过程**：模型对经济增长和货币流动性分别进行评估，生成信号强度（以百分比表示），并综合这两个维度的信号得出最终的权益资产推荐仓位[42][43] 具体构建细节可参考其历史研究报告[42] 模型的回测效果 1. **宏观择时策略**[42][43] * 2025年年初至今收益率：13.55%[42] * 同期Wind全A收益率：25.61%[42] * 截至2025年10月31日信号：经济增长信号强度0%，货币流动性信号强度50%，权益推荐仓位25%[42][43] 量化因子与构建方式 1. **因子名称：大类选股因子**[48][60][61] * **因子构建思路**：报告跟踪了八大类选股因子，包括一致预期、市值、成长、反转、质量、技术、价值和波动率，每类因子由多个细分因子合成[48][60][61] * **因子具体构建过程**：报告附录提供了详细的因子分类和定义[60][61]，例如： * **价值因子**：包含市净率（BP_LR，最新年报账面净资产/最新市值）、预期市盈率（EP_FTTM，未来12个月一致预期净利润/最新市值）等细分因子，因子值越大表示越被低估，预期收益越高（排序方向↑）[60][61] * **成长因子**：包含单季度净利润同比增速（NetIncome_SQ_Chg1Y）、单季度营业收入同比增速（Revenues_SQ_Chg1Y）等细分因子，因子值越大表示成长性越好，预期收益越高（排序方向↑）[60][61] * **技术因子**：包含20日成交量均值与240日成交量均值之比（Volume_Mean_20D_240D）、240日收益率偏度（Skewness_240D）等细分因子，因子值通常与预期收益负相关（排序方向↓）[60][61] * **波动率因子**：包含60日收益率标准差（Volatility_60D）、CAPM模型残差波动率（IV_CAPM）等细分因子，因子值通常与预期收益负相关（排序方向↓）[60][61] * **反转因子**：包含20日收益率（Price_Chg20D）、60日收益率（Price_Chg60D）等细分因子，因子值通常与预期收益负相关（排序方向↓）[60][61] 2. **因子名称：可转债择券因子**[57] * **因子构建思路**：从正股相关性和转债估值两个角度构建因子，用于可转债的量化择券[57] * **因子具体构建过程**： * **正股因子**：基于正股与可转债的相关关系，通过预测正股的因子（如正股财务质量、正股价值等）来构建可转债因子[57] * **转债估值因子**：使用平价底价溢价率作为估值因子[57] 因子的回测效果 1. **大类选股因子（上周IC均值，全部A股）**[48] * 波动率因子：17.72% * 价值因子：12.38% * 技术因子：9.98% * 市值因子：7.92% * 反转因子：-0.84% * 一致预期因子：-4.68% * 成长因子：-6.34% * 质量因子：-14.23% 2. **可转债择券因子（上周IC均值）**[57] * 正股财务质量因子：取得正IC * 正股价值因子：取得正IC * 转债估值因子：取得正IC

根据提供的研报内容，以下是关于量化模型和因子的总结。报告内容主要涉及市场数据回顾和基金业绩跟踪，未详细阐述具体的量化模型构建过程或量化因子定义。因此，以下总结将基于报告中明确提及的模型和因子相关概念进行。 量化模型与构建方式 1. **模型名称**： ETF资金净流入计算模型[10] * **模型构建思路**： 通过跟踪ETF每日份额变化与前一日净值的乘积，来计算一级市场的资金净流入或净流出情况[10] * **模型具体构建过程**： 1. 获取ETF每日的基金份额数据 2. 计算每日份额较前一日的变化额 3. 获取前一日ETF的单位净值 4. 将每日份额变化额乘以前一日净值，得到该日的净申购/赎回额 5. 对报告期内发生份额拆分的ETF进行数据调整，以确保计算口径的一致性 6. 将报告期内（如上周年内）所有交易日的净申购/赎回额加总，得到该期间的资金净流入合计值[10] * **模型评价**： 该模型是监测ETF市场资金动向的基础工具 2. **模型名称**： 增强策略ETF/增强指数型基金超额收益计算模型[23][35][36] * **模型构建思路**： 通过比较基金收益率与其业绩比较基准的收益率，来评估基金的主动管理能力[23][35][36] * **模型具体构建过程**： 1. 选定评估周期（如上周、2025年以来、近1年） 2. 计算评估周期内基金的净值增长率（收益率） 3. 计算同一评估周期内业绩比较基准的收益率 4. 使用以下公式计算超额收益率： $$超额收益率 = 基金收益率 - 业绩比较基准收益率$$[23][35][36] * **模型评价**： 该模型是衡量指数增强产品投资效果的核心指标 模型的回测效果 *报告未提供上述计算模型的量化回测指标（如年化收益率、夏普比率、最大回撤等）。报告中的结果均为特定时间窗口（如上周、近一年）下的具体计算值，而非模型历史表现的统计检验结果[10][23][35][36]。* 量化因子与构建方式 *报告内容为市场数据描述与基金业绩展示，未涉及量化因子的构建、测试或分析。* 因子的回测效果 *报告内容为市场数据描述与基金业绩展示，未涉及量化因子的回测效果。*