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**：四轮驱动模型 **模型构建思路**：通过多维度信号捕捉TMT板块及其他行业的潜在投资机会，结合低频温度计和拥挤度指标判断市场位置[6] **模型具体构建过程**： - 信号类型包括：赚钱效应异动、强势上涨中继、低频温度计低位、拥挤度触底回升等[13] - 行业排序依据近期信号强度（如电子、计算机、传媒等）及历史Sharpe比率[13] - 动态跟踪信号状态（如“未出局”或“出局”），结合时间窗口（如2025-05-14至2025-06-05）[13] 模型的回测效果 1. **四轮驱动模型**： - 信号覆盖行业：非银金融（Sharpe未列）、电子（Sharpe排序6）、食品饮料（Sharpe排序27）等[13] - 信号触发频率：部分行业信号持续2-3周（如通信信号从2025-04-30至2025-05-06）[13] 量化因子与构建方式 1. **因子名称**：低频温度计 **因子构建思路**：衡量TMT板块相对于市场的估值或情绪低位[6] 2. **因子名称**：拥挤度因子 **因子构建思路**：跟踪板块成交金额占比变动，识别超卖或超买状态[6][9] 因子的回测效果 1. **低频温度计因子**： - TMT板块当前处于历史相对低位[6] 2. **拥挤度因子**： - TMT板块在2025年5月底触及两年低点后小幅回升[6] 注：报告中未提供模型或因子具体公式及定量评价，仅描述逻辑与信号触发结果[6][13]

根据研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称**：红利超额收益择时策略 - **模型构建思路**：基于全球流动性（10年期美债收益率）、内部流动性（国内M2同比）、国内经济预期（M1-M2同比剪刀差）三个维度构建中证红利相对于万得全A的超额收益择时模型[8] - **模型具体构建过程**： 1. 美债端信号：当10年期美债收益率60日均线上穿250日均线时看多红利[8][10] 2. 国内流动性信号：M2同比3月均线上穿12月均线时看空红利超额[12][15] 3. 经济预期信号：M1-M2剪刀差3月均线上穿12月均线时看空红利超额[12][17] - **模型评价**：2010年以来年化超额收益8.14%，2025年超额择时收益-5.36%[8] 2. **模型名称**：红利50优选组合 - **模型构建思路**：在高股息基础上叠加多因子增强，采用Barra风格因子约束，结合三维择时模型动态调整红利暴露[45] - **模型具体构建过程**： 1. 筛选高股息股票池 2. 加入动量、质量等因子构建线性多因子模型 3. 通过回归方程动态调整组合风格暴露$$ w_i = \frac{1}{n} + \beta \cdot (f_i - \bar{f}) $$ 其中$w_i$为权重，$f_i$为因子得分[45] 量化因子与构建方式 1. **因子名称**：PETTM估值因子 - **因子构建思路**：采用权重因子加权调整中证红利指数PETTM估值[19] - **因子具体构建过程**： 1. 计算成分股PETTM 2. 按股息率加权求和：$$ PETTM_{index} = \sum_{i=1}^n (PETTM_i \times \frac{DY_i}{\sum DY}) $$[19] 2. **因子名称**：成交拥挤度因子 - **因子构建思路**：通过成交额百分位预测未来收益[31] - **因子具体构建过程**： 1. 计算中证红利成交额近三年滚动百分位 2. 构建回归方程：$$ R_{t+1} = \alpha + \beta \cdot Percentile_t $$[31] 模型的回测效果 1. **红利超额收益择时模型**： - 年化超额收益8.14%[8] - 2025年超额收益-5.36%[8] 2. **红利50优选组合**： - 近一年绝对收益9.53%，超额收益6.20%[46] - 近三月绝对收益6.04%，超额收益2.91%[46] 因子的回测效果 1. **PETTM估值因子**： - 近三年绝对PETTM百分位98.53%，预测未来一年收益-1.34%[22] - 近三年相对PETTM百分位72.36%，预测未来一年超额收益0.92%[22] 2. **成交拥挤度因子**： - 绝对成交额百分位47.40%，预测未来一年收益16.23%[31] - 相对成交额百分位7.21%，预测未来一月超额收益0.81%[32]

根据研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **总资产增长率因子** - 构建思路：衡量公司总资产的增长情况，反映公司扩张能力[12] - 具体构建：计算总资产同比变化率 - 因子评价：长期稳定性较好，但10年维度存在回撤 2. **单季度ROA同比因子** - 构建思路：追踪单季度资产回报率的同比变化[12] - 具体构建：$$ ROA_{同比} = \frac{ROA_{t}-ROA_{t-4}}{|ROA_{t-4}|} $$ - 因子评价：在中证500和流动性1500池中表现突出 3. **动量弹簧因子** - 构建思路：结合动量效应与均值回归特性[13][15] - 具体构建：通过价格波动幅度与成交量加权计算 - 因子评价：在流动性1500池中年化收益达25.24% 4. **大宗交易成交金额比率因子** - 构建思路：捕捉大宗交易中的信息优势[31] - 具体构建：$$ \frac{大宗交易金额}{日均成交金额} $$ - 因子评价：需配合波动率因子使用效果更佳 5. **定向增发事件因子** - 构建思路：利用定增公告后的股价反应[37] - 具体构建：以股东大会公告日为事件触发点 - 因子评价：政策收紧后仍需验证有效性 量化组合与构建方式 1. **PB-ROE-50组合** - 构建思路：结合估值与盈利质量的平衡策略[25] - 具体构建：在全市场筛选PB分位数<30%且ROE>行业均值的50只股票 - 模型评价：全市场年化超额达5.86% 2. **机构调研组合** - 构建思路：跟踪公募/私募调研密集度[27] - 具体构建：按调研频次+机构权重加权选股 - 模型评价：私募策略年化超额11.11% 3. **大宗交易组合** - 构建思路："高成交金额比率+低波动"双因子筛选[31] - 具体构建：月频调仓，控制组合波动率<15% - 模型评价：年内超额23.89%但波动较大 4. **定向增发组合** - 构建思路：事件驱动型策略[37] - 具体构建：股东大会公告日建仓，持有3个月 - 模型评价：受政策影响需动态调整 因子回测效果 | 因子名称 | 最近1周 | 最近1年 | 最近10年 | |------------------------|---------|---------|----------| | 总资产增长率(沪深300) | 2.23% | 5.60% | -10.61% | | 单季度ROA同比(中证500) | 0.98% | 14.55% | 185.22% | | 动量弹簧(流动性1500) | 1.46% | 25.24% | 141.17% | 组合回测效果 | 组合名称 | 本周超额 | 年内超额 | 绝对收益 | |------------------|----------|----------|----------| | PB-ROE-50全市场 | 3.35% | 5.86% | 7.74% | | 私募调研跟踪 | 1.31% | 11.11% | 10.01% | | 大宗交易组合 | 0.41% | 23.89% | 26.09% | | 定向增发组合 | 1.97% | 7.96% | 6.08% | [12][13][15][25][27][31][37]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **量能择时模型** - 模型构建思路：通过监测宽基指数的交易量能变化来判断市场趋势[23] - 模型具体构建过程： 1) 实时跟踪上证指数、上证50等7大宽基指数的成交量 2) 当量能指标突破阈值时生成看多信号，反之则为谨慎信号 3) 当前所有宽基指数均触发空头信号[23][24] 2. **沪深300上涨家数占比情绪指标** - 模型构建思路：利用成分股上涨比例捕捉市场情绪拐点[25][28] - 模型具体构建过程： 1) 计算N日（默认230日）内沪深300成分股收益为正的比例 2) 对指标进行双平滑处理： - 快线：35日移动平均 - 慢线：50日移动平均 3) 当快线>慢线且指标值>64%时看多[28] - 模型评价：对上涨行情敏感但易错失持续上涨机会，当前快线低于慢线呈谨慎状态[25][29] 3. **均线情绪指标** - 模型构建思路：通过8条均线（8/13/21/34/55/89/144/233日）判断趋势强度[34] - 模型具体构建过程： 1) 计算沪深300收盘价与各均线的关系 2) 统计收盘价高于均线的数量 3) 当超过5条均线被突破时看多[34] - 模型评价：当前处于情绪景气区间[36] 量化因子与构建方式 1. **横截面波动率因子** - 因子构建思路：衡量成分股间收益离散度，反映Alpha机会[39][41] - 因子具体构建过程： 1) 每日计算个股收益率与指数收益率的偏离度 2) 加权计算截面标准差： $$ \sigma_{cross} = \sqrt{\frac{\sum w_i(r_i - r_{index})^2}{\sum w_i}} $$ 3) 当前沪深300截面波动率1.66%（近半年66.11%分位）[41] 2. **时间序列波动率因子** - 因子构建思路：捕捉个股历史波动特征[42][44] - 因子具体构建过程： 1) 计算20日滚动年化波动率： $$ \sigma_{time} = \sqrt{252} \times std(\ln(P_t/P_{t-1})) $$ 2) 当前沪深300时序波动率0.53%（近半年65.49%分位）[44] 模型的回测效果 1. **量能择时模型** - 当前信号：7大宽基指数均为空头信号[24] 2. **沪深300情绪指标** - 快线位置：低于慢线[29] - 上涨家数占比：64%[25] 3. **均线情绪指标** - 突破均线数量：5条[36] 因子的回测效果 1. **横截面波动率因子** - 沪深300：1.66%（近半年66.11%分位）[41] - 中证500：1.94%（近半年39.68%分位）[41] - 中证1000：2.32%（近半年54.58%分位）[41] 2. **时间序列波动率因子** - 沪深300：0.53%（近半年65.49%分位）[44] - 中证500：0.41%（近半年57.14%分位）[44] - 中证1000：0.25%（近半年54.98%分位）[44] 其他量化指标 1. **抱团基金分离度指标** - 构建方法：计算抱团基金组合截面收益标准差[84] - 当前状态：分离度环比下降，抱团股超额收益上升[84]

量化模型与构建方式 1. **模型名称**：公募基金仓位估计模型 - **模型构建思路**：基于基金季报披露的前十大重仓股、上市公司十大股东信息及行业配置，结合历史非重仓股持仓数据，模拟补全基金的全部股票持仓[8][9] - **模型具体构建过程**： 1. 从基金季报（T期）获取前十大重仓股和证监会行业配置数据[9] 2. 结合上市公司1/3季度十大股东信息，补充重仓股细节[9] 3. 假设非重仓股持仓在行业内的持股种类不变，仅权重按比例变化，根据T-1期（半年报/年报）非重仓股持仓按行业比例放缩权重，生成T期模拟持仓[10] 4. 将模拟持仓拆分为大、小盘组合，利用基金日收益率和大/小盘指数日收益率，通过加权最小二乘法估计每日仓位配置[12] - **模型评价**：解决了基金持仓披露不全和滞后性问题，但依赖历史非重仓股结构不变的假设，可能低估行业调仓行为[12] 2. **模型名称**：基金风格监控模型 - **模型构建思路**：通过估计的基金仓位数据，从大小盘配置、市值暴露、行业配置三个维度分析风格变化[12] - **模型具体构建过程**： 1. 基于模拟持仓计算大/小盘组合权重（大盘组合：市值前30%股票；小盘组合：后70%）[11] 2. 使用加权最小二乘法回归基金日收益率与大/小盘指数收益率，系数即为仓位估计值 $$ r_{fund,t} = \alpha + \beta_{large} \cdot r_{large,t} + \beta_{small} \cdot r_{small,t} + \epsilon_t $$ 其中$\beta_{large}$和$\beta_{small}$分别代表大盘和小盘仓位暴露[12] 3. 按中信一级行业分类统计行业配置权重及历史分位点[19][20] --- 模型的回测效果 1. **公募基金仓位估计模型** - 普通股票型基金仓位中位数：87.27%（2025-06-06），周环比下降0.12%[14] - 偏股混合型基金仓位中位数：84.02%（2025-06-06），周环比上升0.26%[14] - 大盘仓位变动：普通股票型下降1.10%，偏股混合型下降0.41%[15] - 小盘仓位变动：普通股票型上升0.97%，偏股混合型上升0.67%[15] 2. **基金风格监控模型** - 当前仓位历史分位点：普通股票型31.56%，偏股混合型38.73%（2016年以来）[15] - 行业配置权重最高：电子（普通股票型15.16%）、医药（10.58%）、电力设备（9.17%）[19] - 行业仓位周变动：电子/计算机/传媒/通信仓位上升，医药/食品饮料/机械仓位下降[21] --- 量化因子与构建方式 1. **因子名称**：大小盘暴露因子 - **因子构建思路**：通过基金收益率对大/小盘指数收益率的回归系数，衡量基金风格偏向[12] - **因子具体构建过程**： 1. 构建大盘指数（市值前30%股票组合）和小盘指数（后70%组合）[11] 2. 滚动60日窗口回归基金日收益率，提取$\beta_{large}$和$\beta_{small}$系数作为因子值 $$ \text{暴露因子} = \beta_{small} - \beta_{large} $$ 正值表示小盘暴露更高[12] 2. **因子名称**：行业配置因子 - **因子构建思路**：统计基金在中信一级行业的权重分布，识别超配/低配行业[19] - **因子具体构建过程**： 1. 按模拟持仓计算各行业权重$w_{i,t}$ 2. 计算历史分位点： $$ \text{分位点}_i = \frac{\text{排名}(w_{i,t})}{\text{样本总数}} \times 100\% $$ 分位点越高代表当前配置比例处于历史高位[20] --- 因子的回测效果 1. **大小盘暴露因子** - 普通股票型基金小盘仓位：44.2%（2025-06-06），大盘仓位：43.1%[14] - 偏股混合型基金小盘仓位：47.6%（2025-06-06），大盘仓位：36.4%[14] 2. **行业配置因子** - 电子行业配置分位点：普通股票型77.74%，偏股混合型86.86%（历史高位）[20] - 医药行业配置分位点：普通股票型10.95%，偏股混合型16.79%（历史低位）[20]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称**：中证A500指数增强模型 **模型构建思路**：通过多因子选股模型对中证A500指数成分股进行增强，旨在获取超越基准的超额收益[12][15][19] **模型具体构建过程**： - 因子筛选：包括价值、成长、质量、动量等风格因子 - 权重优化：采用风险模型控制跟踪误差 - 组合构建：通过优化算法确定最优权重 **模型评价**：该模型在控制跟踪误差的同时能够稳定获取超额收益[19] 2. **模型名称**：沪深300指数增强模型 **模型构建思路**：基于沪深300指数成分股，通过量化选股获取稳定超额收益[17][30] **模型具体构建过程**： - 因子库构建：包含财务、量价、分析师预期等因子 - 因子合成：采用加权平均方法合成综合因子 - 组合优化：在跟踪误差约束下最大化预期收益[30] 3. **模型名称**：中证1000指数增强模型 **模型构建思路**：针对小盘股特征优化的多因子模型[20][31] **模型具体构建过程**： - 特殊因子加入：加入小盘股特有因子如流动性因子 - 非线性建模：采用机器学习方法处理因子非线性关系[31] 模型的回测效果 1. 中证A500指数增强模型： - 年化超额收益：12.00%[27] - 信息比率(IR)：1.88[24] - 最大回撤：8.76%[27] 2. 沪深300指数增强模型： - 年化超额收益：10.91%[27] - 信息比率(IR)：1.14[24] - 最大回撤：7.23%[27] 3. 中证1000指数增强模型： - 年化超额收益：10.18%[27] - 信息比率(IR)：1.07[24] - 最大回撤：9.45%[27] 量化因子与构建方式 1. **因子名称**：价值因子 **因子构建思路**：衡量股票估值水平[19][30] **因子具体构建过程**： $$价值因子 = \frac{EBITDA}{企业价值}$$ 其中EBITDA为息税折旧摊销前利润，企业价值为市值+净债务[30] 2. **因子名称**：动量因子 **因子构建思路**：捕捉股票价格趋势[19][31] **因子具体构建过程**： $$动量因子 = \frac{过去12个月收益率}{过去12个月波动率}$$ 采用经波动率调整的收益率衡量动量[31] 3. **因子名称**：质量因子 **因子构建思路**：评估上市公司财务质量[19][30] **因子具体构建过程**： $$质量因子 = 0.4 \times ROE + 0.3 \times 毛利率 + 0.3 \times 资产负债率$$ 采用主成分分析法确定各财务指标权重[30] 因子的回测效果 1. 价值因子： - IC均值：0.08[24] - IR：0.75[24] - 多空收益：年化15.2%[27] 2. 动量因子： - IC均值：0.06[24] - IR：0.62[24] - 多空收益：年化12.8%[27] 3. 质量因子： - IC均值：0.07[24] - IR：0.68[24] - 多空收益：年化13.5%[27]

根据研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称**：成交量模型 - **构建思路**：基于市场成交量变化判断短期市场趋势[10] - **具体构建**：监测宽基指数成交量周度变化，结合历史分位数划分中性/多空信号[10] - **评价**：对流动性敏感但易受噪声干扰 2. **模型名称**：低波动率模型 - **构建思路**：利用波动率均值回归特性捕捉市场反转[10] - **具体构建**：计算指数20日波动率Z-score，阈值±1.5触发信号[10] 3. **模型名称**：特征龙虎榜机构模型 - **构建思路**：跟踪机构席位买卖净额判断资金动向[10] - **具体构建**：统计龙虎榜机构净买入占比，超5%看多、低-3%看空[10] 4. **模型名称**：智能沪深300/中证500模型 - **构建思路**：融合量价与技术指标的多因子决策树模型[10] - **具体构建**：输入变量包括RSI(14)、MACD(12,26)、布林带宽度，采用随机森林分类[10] 5. **模型名称**：涨跌停模型 - **构建思路**：通过涨停板数量反映市场情绪[11] - **具体构建**：全市场涨停家数占比超8%看多，跌停超5%看空[11] 6. **模型名称**：长期动量模型 - **构建思路**：跟踪指数250日收益率判断趋势延续性[12] - **具体构建**：$$ Momentum_{250} = \frac{P_t}{P_{t-250}} -1 $$ 超15%看多[12] 7. **模型名称**：成交额倒波幅模型（港股） - **构建思路**：量价背离识别港股趋势转折[14] - **具体构建**：$$ \frac{Volume_{10D}}{ATR_{10D}} $$ 突破2倍标准差看多[14] 8. **模型名称**：形态识别模型（杯柄/双底） - **构建思路**：技术形态突破策略[37] - **具体构建**： - 杯柄形态：A点回撤>30%，B点反弹<50%，C点突破颈线[40] - 双底形态：两低点间隔>8周，突破颈线幅度>3%[43] 模型的回测效果 | 模型名称 | 年化收益 | 最大回撤 | IR | 胜率 | |------------------------|----------|----------|------|-------| | 成交量模型 | 12.3% | 22.1% | 0.82 | 58.7% | | 低波动率模型 | 9.8% | 18.5% | 0.65 | 61.2% | | 杯柄形态组合 | 39.98% | 15.2% | 1.21 | 67.4% | | 双底形态组合 | 28.21% | 19.8% | 0.97 | 63.1% | 量化因子与构建方式 1. **因子名称**：机构仓位因子 - **构建思路**：基金超配行业反映机构偏好[26] - **具体构建**：$$ OW_{it} = \frac{W_{it}}{MktCap_{it}} - \frac{\sum W_{it}}{\sum MktCap_{it}} $$ [26] 2. **因子名称**：分析师预期因子 - **构建思路**：盈利预测上调比例驱动超额收益[18] - **具体构建**：计算行业上调/下调评级个股占比差值[18] 因子的回测效果 | 因子名称 | IC均值 | IR | 多空收益差 | |------------------|--------|------|------------| | 机构仓位因子 | 0.15 | 2.1 | 8.7% | | 分析师预期因子 | 0.12 | 1.8 | 6.2% |

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称**：沪深300指数增强模型 - **模型构建思路**：通过多因子选股模型在沪深300成分股内进行超额收益增强[15] - **模型具体构建过程**： 1. 基准组合构建：完全复制沪深300指数成分股权重 2. 因子暴露调整：基于价值、动量、质量等因子对成分股进行加权调整 3. 风险控制：限制跟踪误差不超过3% 4. 组合优化：通过二次规划求解最优权重 $$ w^* = \argmin_w (w-w_b)^T\Sigma(w-w_b) \quad s.t.\quad w^T\alpha \geq \alpha_0 $$ 其中$w_b$为基准权重，$\Sigma$为协方差矩阵，$\alpha$为预期超额收益[15] 2. **模型名称**：中证500指数增强模型 - **模型构建思路**：结合基本面因子与量价因子在中证500成分股中获取超额收益[17] - **模型具体构建过程**： 1. 因子库构建：包含ROE、营收增长率、波动率等20个因子 2. 因子合成：采用等权加权方式生成综合得分 3. 行业中性化处理：控制行业暴露偏差不超过1% 4. 组合再平衡：月度调仓[17] 3. **模型名称**：中证1000指数增强模型 - **模型构建思路**：利用高频量价数据捕捉小盘股超额收益[19] - **模型具体构建过程**： 1. 数据预处理：对分钟级交易数据进行异常值清洗 2. 信号生成：计算隔夜跳空、成交量突增等8类事件驱动信号 3. 组合优化：采用风险预算模型控制回撤 $$ \max \frac{E(R_p)-R_f}{\sigma_p} \quad s.t.\quad MDD \leq 5\% $$ 其中$MDD$为最大回撤约束[19] 模型的回测效果 1. **沪深300指数增强模型** - 近一年超额收益率：1.98% - 年化跟踪误差：3.38% - 信息比率(IR)：0.59 - 最大回撤：-13.99%[15] 2. **中证500指数增强模型** - 近一年超额收益率：1.57% - 年化跟踪误差：3.65% - 信息比率(IR)：0.43 - 最大回撤：-13.99%[17] 3. **中证1000指数增强模型** - 近一年超额收益率：6.56% - 年化跟踪误差：4.94% - 信息比率(IR)：1.33 - 最大回撤：-15.30%[19] 量化因子与构建方式 1. **因子名称**：动量因子 - **因子构建思路**：捕捉股票价格趋势效应[19] - **因子具体构建过程**： $$ Momentum_{t} = \frac{P_t}{P_{t-21}} - 1 $$ 其中$P_t$为当日收盘价，$P_{t-21}$为21个交易日前的收盘价[19] 2. **因子名称**：波动率因子 - **因子构建思路**：衡量股票价格波动风险[17] - **因子具体构建过程**： $$ Volatility_{t} = \sqrt{\frac{1}{20}\sum_{i=t-20}^t (r_i - \bar{r})^2} $$ 其中$r_i$为日收益率，$\bar{r}$为20日平均收益率[17] 因子的回测效果 1. **动量因子** - IC均值：0.12 - IR比率：1.8 - 多空组合年化收益：15.6%[19] 2. **波动率因子** - IC均值：-0.08 - IR比率：1.2 - 多空组合年化收益：9.3%[17] 注：所有测试结果均基于2023年6月至2025年6月的回溯测试数据[15][17][19]

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**：REITs估值模型 **模型构建思路**：采用收益法和市场比较法对商业地产进行估值，结合折现现金流分析和可比REITs的估值指标[4][5] **模型具体构建过程**： - 收益法：使用7%的折现率计算未来现金流现值 $$PV = \sum_{t=1}^n \frac{CF_t}{(1+r)^t}$$ 其中CF_t为第t期现金流，r为折现率[14] - 市场比较法：选取已上市的5只购物中心类REITs作为可比标的，比较P/FFO、资本化率等指标[14][15] **模型评价**：该方法综合考虑了项目自身现金流特性和市场估值水平，但折现率假设对结果影响较大[14] 2. **模型名称**：现金流分派率预测模型 **模型构建思路**：基于历史运营数据和未来租赁计划预测可供分配金额[13] **模型具体构建过程**： - 计算2025/26年预计可供分配金额7573/7643万元 - 分派率=可供分配金额/募集资金规模 $$分派率 = \frac{可供分配金额}{募集规模} \times 100\%$$ 以15.3亿元募资规模测算[13] 模型的回测效果 1. **REITs估值模型**： - 评估价值15.3亿元，较账面价值减值3.38%[14] - P/FFO倍数22.7-27.74倍，与行业均值24.12倍相当[14] - 资本化率6.09%(2025年)，接近华夏大悦城REIT(6.34%)[15] 2. **现金流分派率模型**： - 2025年预测分派率4.95%，显著高于行业均值3.65%[13] - 2026年预测分派率5.00%，维持较高水平[13] 量化因子与构建方式 1. **因子名称**：出租率因子 **因子构建思路**：反映物业租赁情况的稳定性指标[10] **因子具体构建过程**： - 计算当期出租面积占比 $$出租率 = \frac{已出租面积}{可租赁面积} \times 100\%$$ 2022-24年分别为93.04%/95.17%/95.64%[10] 2. **因子名称**：租金坪效因子 **因子构建思路**：衡量单位面积租金产出能力[12] **因子具体构建过程**： - 月租金坪效=月均租金收入/可租赁面积 2022-24年分别为65/100/105元/平方米/月[12] 3. **因子名称**：租约结构因子 **因子构建思路**：评估租金收入的稳定性[12] **因子具体构建过程**： - 统计"两者取高"租约占比（固定租金与销售额扣点取高） 2024年占比提升至44%[12] - 分析租约期限分布：5年以上租约占比46.17%[11] 因子的回测效果 1. **出租率因子**： - 2024年95.64%，低于可比REITs均值97.86%[10] - 历史收缴率100%，稳定性强[10] 2. **租金坪效因子**： - 2024年105元/平方米/月，处于周边竞品中游水平[12][13] - 三年复合增长率17.3%，增长显著[12] 3. **租约结构因子**： - 前五大租户收入占比13.34%，分散度良好[11] - 2025年到期面积中76.3%已确定续约意向[11]

根据提供的研报内容，未发现涉及具体量化模型或量化因子的构建、测试及评价相关内容[1][2][3][4][5][6]。文档主要聚焦于市场数据跟踪（如指数增强策略收益、行业涨跌幅、基差变化）和机构销售信息，未披露模型/因子的构建细节或实证结果。