根据研报内容，现对其中涉及的量化因子进行总结如下： 量化因子与构建方式 **1 因子名称：换手率分布均匀度 UTD因子** - **因子构建思路**：针对传统换手率因子在换手率最大的分组中，组内成分股未来收益差异较大、导致误判的问题，借助成交量的分钟数据对传统换手率因子进行改进，构造换手率分布均匀度因子 UTD，以减弱对股票样本的误判程度[7] - **因子具体构建过程**：报告未提供UTD因子的具体计算公式和构建步骤，仅说明其是基于个股的分钟成交量数据构建[7] - **因子评价**：UTD因子对股票样本的误判程度明显减弱，选股效果大幅优于传统换手率因子；在剔除了市场常用风格、行业和东吴金工特色因子的干扰后，其纯净因子仍然具备一定的选股效果[1][7] **2 因子名称：传统换手率因子（Turn20）** - **因子构建思路**：其选股逻辑为，过去一个月换手率越小的股票，未来一个月越有可能上涨；而换手率越大的股票，未来越有可能下跌[6] - **因子具体构建过程**：每月月底计算每只股票过去20个交易日的日均换手率，并做市值中性化处理[6] - **因子评价**：换手率因子的逻辑并不完全正确，在换手率最大的分组中，组内成分股未来收益的差异较大，导致误判了许多未来大涨的样本[7] 因子的回测效果 **1 UTD因子（测试区间：2014年1月至2025年10月，全体A股，10分组多空对冲）** - 年化收益率：20.06%[1][7][11] - 年化波动率：7.40%[1][7][11] - 信息比率（IR）：2.71[1][7][11] - 月度胜率：77.30%[1][7][11] - 月度最大回撤率：5.51%[1][7][11] **2 传统换手率因子 Turn20（测试区间：2006年1月1日至2021年4月30日，全体A股）** - 月度IC均值：-0.072[6] - 年化ICIR：-2.10[6] - 多空对冲年化收益率：33.41%[6] - 信息比率（IR）：1.90[6] - 月度胜率：71.58%[6] **3 UTD因子（2025年10月表现，全体A股，10分组）** - 多头组合收益率：3.37%[1][10] - 空头组合收益率：0.59%[1][10] - 多空对冲收益率：2.78%[1][10]

根据研报内容，信息分布均匀度（UID）是核心的量化因子，报告未涉及独立的量化模型，因此以下总结将围绕该因子展开。 量化因子与构建方式 **1 因子名称：信息分布均匀度（UID）因子**[6] **1.1 因子构建思路** 该因子旨在对传统波动率因子进行改进，其核心思路是利用个股分钟数据计算高频波动率，并在此基础上构建一个能反映信息（或波动）在时间维度上分布均匀程度的指标，以捕捉“低波异象”之外的增量选股信息[6] **1.2 因子具体构建过程** 报告指出，UID因子是在2020年9月发布的系列研究二中提出的，全称为“换手率分布均匀度因子”[6] 其构建过程基于涨跌幅的分钟数据，是对传统换手率因子的改进[6] 具体构建逻辑如下： 1. 使用个股的分钟数据。 2. 计算每日的高频波动率。 3. 在每日高频波动率的基础上，构建一个衡量波动（或信息）在日内分布均匀度的指标。分布越均匀，因子值越高；分布越集中（即波动聚集），因子值越低。 **1.3 因子评价** UID因子是对传统波动率因子的有效改进，其选股效果大幅优于传统波动率因子[1] 尽管与“纯真波动率因子”同属改进范畴，但UID因子与传统因子的相关性较低，能够提供足够的增量信息，适合作为独立的新因子加入到现有因子库中[6] 即使在剔除了市场常用风格和行业的干扰后，纯净UID因子仍保持不错的选股能力[1] 因子的回测效果 **1 UID因子（全体A股，10分组多空对冲）**[1][7][12] - 测试区间：2014年1月至2025年10月[1][7] - 年化收益率：26.68%[1][7][12] - 年化波动率：9.89%[1][7][12] - 信息比率（IR）：2.70[1][7][12] - 月度胜率：78.72%[1][7][12] - 月度最大回撤率：6.05%[1][7][12] **2 UID因子（全体A股，2025年10月收益统计）**[10] - 10分组多头组合收益率：4.49%[10] - 10分组空头组合收益率：0.76%[10] - 10分组多空对冲收益率：3.72%[10]

根据提供的研报内容，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：人工智能全球大类资产配置模型**[38] * **模型构建思路**：将机器学习模型应用到大类资产配置问题上，基于因子投资的思路使用模型给出各资产的打分排序，并最终构建可投资的大类资产月频量化等权配置策略[38] * **模型具体构建过程**：报告未详细说明具体的机器学习模型算法、因子构成及打分排序方法，仅提及最终策略采用等权配置[38] 2. **模型名称：基于动态宏观事件因子的股债轮动配置模型**[43] * **模型构建思路**：构建基于动态宏观事件因子的三个不同风险偏好（保守、稳健和进取型）的股债配置策略，模型框架结合了宏观择时模块和风险预算模型[43] * **模型具体构建过程**： * **宏观择时模块**：使用经济增长和货币流动性两个维度的多个宏观指标作为动态事件因子，生成择时信号[43][46] * **风险预算模型**：根据宏观择时模块输出的综合信号强度，结合不同的风险预算目标，计算三种风险偏好配置模型（保守型、稳健型、进取型）的股票和债券权重[43][45] 3. **模型名称：红利风格择时配置模型**[51] * **模型构建思路**：使用经济增长和货币流动性共10个指标，通过动态事件因子的体系构建中证红利指数的择时策略[51] * **模型具体构建过程**：报告未详细说明具体的信号合成规则和仓位管理方法，仅提及根据经济增长和货币流动性维度的指标信号合成最终看多/看空信号，并据此决定中证红利的配置仓位（0%或100%）[51][55] 模型的回测效果 1. **人工智能全球大类资产配置模型**[39][42] * 回测期：2021年1月至2025年10月 * 年化收益率：38.76% * 年化波动率：7.01% * 最大回撤：-6.56% * 夏普比率：1.07 * 年初至今收益率：6.66%（截至2025年10月） 2. **基于动态宏观事件因子的股债轮动配置模型（进取型）**[43][49] * 回测期：2005年1月至2025年10月 * 年化复合收益率：20.14% * 年化波动率：14.12% * 最大回撤：-13.72% * 夏普比率：1.30 * 收益回撤比：1.47 * 年初至今收益率：14.42%（截至2025年10月） 3. **基于动态宏观事件因子的股债轮动配置模型（稳健型）**[43][49] * 回测期：2005年1月至2025年10月 * 年化复合收益率：10.92% * 年化波动率：8.17% * 最大回撤：-6.77% * 夏普比率：1.19 * 收益回撤比：1.61 * 年初至今收益率：4.13%（截至2025年10月） 4. **基于动态宏观事件因子的股债轮动配置模型（保守型）**[43][49] * 回测期：2005年1月至2025年10月 * 年化复合收益率：5.94% * 年化波动率：3.21% * 最大回撤：-3.55% * 夏普比率：1.50 * 收益回撤比：1.67 * 年初至今收益率：0.97%（截至2025年10月） 5. **红利风格择时配置模型**[51][54] * 年化复合收益率：16.52% * 年化波动率：14.35% * 最大回撤：-13.77% * 夏普比率：1.07 * 最近1个月收益率：0%（截至报告期末） 量化因子与构建方式 1. **因子类别：动态宏观事件因子**[43][46][55] * **因子的构建思路**：从经济增长和货币流动性两个维度选取具有经济含义的宏观指标，将其转化为二值化（0或1）的择时信号，作为股债配置和风格择时的输入因子[43][46][55] * **因子具体构建过程**：报告列出了部分用于构建动态宏观事件因子的具体指标，但未提供每个指标具体的信号生成阈值或规则[46][55] * **经济增长维度指标示例**：M1同比、PPI同比、PPI-CPI剪刀差、工业增加值同比、国债利差(10Y-1M)、产量:发电量:当月值_MA3:环比、中采制造业PMI_新出口订单等[46][55] * **货币流动性维度指标示例**：M1-M2剪刀差、中美国债利差(10Y)、中国国债美国TIPs利差(10年)、银行间质押利率(7天)、逆回购(7天)-银行间质押利率(7天)_MA20、Shibor2W、R007_MA20、Shibor1M_MoM、逆回购R007差额等[46][55] 因子的回测效果 （报告未提供单个因子的独立测试结果，如IC值、IR等）

根据提供的研报内容，总结如下： 量化因子与构建方式 1. **因子名称：国证2000增强因子**[11][12] * **因子构建思路**：针对国证2000指数成分股（小微盘股）的特点，筛选并合成有效的选股因子，以构建指数增强策略[11] * **因子具体构建过程**： 1. 初步测试发现技术、反转、特异波动率等因子在国证2000成分股上表现出色[12] 2. 由于技术、反转和特异波动率因子相关性较高，将波动率因子对技术和反转因子做回归求残差，得到相对独立的残差波动率因子[12] 该过程可表示为：将波动率因子作为因变量，技术因子和反转因子作为自变量进行线性回归，然后取回归残差作为新的因子值 3. 将成长、残差波动率、动量、技术、价值等各大类因子进行等权合成[12][13] 4. 对合成的因子进行行业和市值中性化处理，最终得到国证2000增强因子[12] 2. **因子名称：TSGRU+LGBM机器学习选股因子**[21] * **因子构建思路**：改进原有的GBDT+NN融合模型，通过将TimeMixer框架的多尺度混合与季节/趋势分解机制引入GRU模型，并利用LightGBM集成时序模型的隐向量与传统量化因子，以更好地捕捉近期市场信息[3][21] * **因子具体构建过程**： 1. 基于TimeMixer时序预测框架，对GRU模型进行改进，引入多尺度混合与季节/趋势分解机制，构建TSGRU模型[3][21] 2. 提取TSGRU模型的隐向量（隐藏状态输出）作为特征[3][21] 3. 将这些隐向量与传统量化因子相结合，作为LightGBM模型的输入特征[3][21] 4. 使用LightGBM模型进行集成训练，最终输出预测结果，即TSGRU+LGBM选股因子[3][21] 3. **因子名称：红利选股因子**[36] * **因子构建思路**：在中证红利指数成分股内，利用AI模型进行选股测试，以期获得稳定的超额收益[5][36] * **因子具体构建过程**：报告指出使用了AI模型进行测试和选股，但未提供具体的模型类型（如GBDT、NN等）和特征构建细节[5][36] 模型的回测效果 1. **国证2000指数增强策略（基于国证2000增强因子）**[15][16][19] * 年化收益率：23.95%[19] * 年化波动率：23.98%[19] * 夏普比率：1.00[19] * 最大回撤：42.49%[19] * 年化超额收益率：13.30%[19] * 跟踪误差：7.68%[19] * 信息比率(IR)：1.73[19] * 超额最大回撤：10.19%[19] * 10月收益率：2.47%[19] * 10月超额收益率：2.92%[16][19] 2. **基于TSGRU+LGBM的沪深300指数增强策略**[25][26] * 年化收益率：8.77%[26] * 年化波动率：17.40%[26] * Sharpe比率：0.50[26] * 最大回撤率：29.76%[26] * 年化超额收益率：6.96%[25][26] * 跟踪误差：4.97%[26] * 信息比率(IR)：1.40[26] * 超额最大回撤：6.56%[25][26] * 10月收益率：2.33%[26] * 10月超额收益率：2.25%[4][26] * 今年以来收益率：25.36%[26] * 今年以来超额收益率：5.81%[26] 3. **基于TSGRU+LGBM的中证500指数增强策略**[29][30] * 年化收益率：13.60%[30] * 年化波动率：20.31%[30] * Sharpe比率：0.67[30] * 最大回撤率：31.59%[30] * 年化超额收益率：10.11%[29][30] * 跟踪误差：5.16%[30] * 信息比率(IR)：1.96[30] * 超额最大回撤：7.00%[29][30] * 10月收益率：-1.56%[30] * 10月超额收益率：-0.59%[4][30] * 今年以来收益率：28.88%[30] * 今年以来超额收益率：-0.05%[30] 4. **基于TSGRU+LGBM的中证1000指数增强策略**[34][35] * 年化收益率：16.19%[35] * 年化波动率：22.79%[35] * Sharpe比率：0.71[35] * 最大回撤率：33.45%[35] * 年化超额收益率：13.52%[34][35] * 跟踪误差：5.70%[35] * 信息比率(IR)：2.37[35] * 超额最大回撤：7.21%[34][35] * 10月收益率：1.74%[35] * 10月超额收益率：2.63%[4][35] * 今年以来收益率：39.56%[35] * 今年以来超额收益率：10.20%[35] 5. **基于红利风格择时+红利股优选的固收+策略**[38][39] * **选股策略指标**[38]： * 年化收益率：18.98% * 年化波动率：21.05% * 夏普比率：0.90 * 最大回撤：38.52% * 最近1个月收益率：2.52% * 今年以来收益率：9.15% * **择时策略指标**[38]： * 年化收益率：13.83% * 年化波动率：15.33% * 夏普比率：0.90 * 最大回撤：25.05% * 最近1个月收益率：3.28% * 今年以来收益率：2.83% * **固收+策略整体指标**[38][39]： * 年化收益率：7.39% * 年化波动率：3.38% * 夏普比率：2.19 * 最大回撤：4.93% * 最近1个月收益率：0.92% * 今年以来收益率：1.19% 因子的回测效果 1. **国证2000增强因子**[12][13] * IC平均值：12.63%[12][13] * 最新月IC：25.34%[12][13] * 标准差：11.64%[13] * 风险调整的IC：1.08[13] * t统计量：12.70[12][13] 2. **TSGRU+LGBM因子（沪深300成分股）**[23][27] * 本月IC：30.25%[23] * 样本外IC均值：7.98%[23] (另一处提及为8.87%[27]) * 样本外多头年化超额收益率：6.84%[23] (另一处提及为11.65%[27]) 3. **TSGRU+LGBM因子（中证500成分股）**[26][28] * 本月IC：21.15%[26] * 样本外IC均值：9.03%[26] (另一处提及为2.24%[26] 和 6.54%[28]，存在不一致) * 样本外多头年化超额收益率：6.54%[26][28] 4. **TSGRU+LGBM因子（中证1000成分股）**[31] * 本月IC：23.56%[31] * 样本外IC均值：11.90%[31] * 样本外多头年化超额收益率：13.58%[31] 量化模型与构建方式 1. **模型名称：红利指数择时模型**[36][41] * **模型构建思路**：使用经济增长和货币流动性指标，通过动态事件因子体系构建模型，对中证红利指数进行择时，以提升收益稳定性[5][36] * **模型具体构建过程**：使用消费者信心指数、发电量、国债利差、PMI新出口订单、PPI、PPI-CPI剪刀差、Shibor、R007等共10个经济增长和货币流动性指标，通过动态事件因子体系生成择时信号（信号为0或1）[36][41] 最终信号由各指标信号综合决定，例如2025年11月最终信号为1（满仓）[40][41]

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、资金流向等市场监测指标，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，而非量化模型或因子研究。 因此，本总结中“量化模型与构建方式”及“量化因子与构建方式”部分无相关内容。报告中的指标（如封板率、连板率、年化贴水率）为市场监测指标，其构建思路和过程如下文所述。 市场监测指标与构建方式 1. **指标名称：封板率**[17] * **指标构建思路**：通过计算盘中最高价涨停且收盘仍涨停的股票数量与盘中最高价涨停股票总数的比例，来衡量涨停股票的封板强度和市场情绪[17] * **指标具体构建过程**：筛选上市满3个月以上的股票，统计特定交易日（T日）内达到过涨停价的股票集合，然后在此集合中统计收盘价仍为涨停价的股票数量，最后计算比值 $$封板率 = \frac{T日最高价涨停且收盘涨停的股票数}{T日最高价涨停的股票数}$$[17] 2. **指标名称：连板率**[17] * **指标构建思路**：通过计算连续两个交易日收盘涨停的股票数量与前一个交易日收盘涨停股票总数的比例，来衡量涨停效应的持续性[17] * **指标具体构建过程**：筛选上市满3个月以上的股票，统计特定交易日（T-1日）收盘涨停的股票集合，然后在此集合中统计T日收盘也涨停的股票数量，最后计算比值 $$连板率 = \frac{连续两日（T-1日与T日）收盘涨停的股票数}{T-1日收盘涨停的股票数}$$[17] 3. **指标名称：大宗交易折价率**[26] * **指标构建思路**：通过比较大宗交易成交金额与按当日收盘价计算的对应市值，来衡量大宗交易的折溢价水平，反映大资金的交易情绪[26] * **指标具体构建过程**：统计当日所有发生的大宗交易，计算其总成交金额，并计算这些交易涉及股份按当日收盘价计算的总市值，最后计算比率差 $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[26] * **指标评价**：折价率高低一定程度上能反映大资金的投资偏好和情绪[26] 4. **指标名称：股指期货年化贴水率**[28] * **指标构建思路**：将股指期货主力合约与现货指数之间的基差进行年化处理，以标准化衡量期货的升贴水程度，反映市场对未来预期和对冲成本[28] * **指标具体构建过程**：计算股指期货主力合约价格与其标的现货指数价格的差值（基差），然后用基差除以现货指数价格，再乘以年化因子（250天除以合约剩余交易日数） $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[28] * **指标评价**：基差大小会影响股指对冲的成本，基差的变化一定程度上能反映市场对于未来预期的表现[28] 市场监测指标的近期取值 1. **封板率**：2025年11月6日取值为64%，较前日下降3%[17] 2. **连板率**：2025年11月6日取值为22%，较前日下降19%[17] 3. **大宗交易折价率**：近半年以来平均折价率为6.32%，2025年11月5日当日折价率为7.81%[26] 4. **股指期货年化贴水率**（2025年11月6日当日值及近一年中位数）[28]： * **上证50股指期货**：当日年化贴水率为0.89%（近一年中位数：0.34%） * **沪深300股指期货**：当日年化贴水率为3.88%（近一年中位数：3.11%） * **中证500股指期货**：当日年化贴水率为10.90%（近一年中位数：10.62%） * **中证1000股指期货**：当日年化贴水率为15.68%（近一年中位数：13.08%）

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 1. **因子名称：市值因子**[9][11] * **因子构建思路：** 基于货币周期划分，研究不同市场环境下小市值组合与大市值组合的相对表现，验证小市值效应[9][11] * **因子具体构建过程：** 1. **货币周期划分：** 根据1年期和10年期国债到期收益率的走势划分货币周期。当两者趋势同时下行时，定义为货币宽松时期；当两者趋势同时上行时，定义为货币紧缩时期；当信号矛盾时，沿用前期判断结果继续观察[9] 2. **因子测试方法：** 在划分出的宽货币与紧货币环境下，分别统计市值因子的十档分组多空净值表现。具体为构建小市值组合（多头）与大市值组合（空头），观察其多空净值走势[9][15] * **因子评价：** 在流动性充裕、政策宽松的环境中，市场风险偏好显著提升，小市值风格更具优势；而在紧货币周期下，大市值组合表现更佳，防御属性凸显[9][11] 因子的回测效果 1. **市值因子**，在宽货币周期下多空净值呈平稳下降趋势（小市值组合收益占优）[9][15]，在紧货币周期下多空净值呈上升趋势（大市值组合表现更佳）[9][15]

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**：报告未详细说明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**：通过滚动测算ETF产品的溢价率Z-score，来搭建ETF产品筛选信号模型，以发现存在潜在套利机会的标的[4] * **模型具体构建过程**：报告未详细说明该模型的具体构建过程和公式 * **模型评价**：该模型可用于提供潜在套利机会的标的，但需警惕标的回调风险[4] 量化因子与构建方式 报告未明确描述具体的量化因子构建方式。 模型的回测效果 报告未提供上述模型的量化回测效果指标（如年化收益率、夏普比率、最大回撤等）。 因子的回测效果 报告未提供具体因子的测试结果。 其他相关数据 报告展示了基于模型的部分监测结果，但非模型本身的量化回测指标： * **行业拥挤度监测结果**：前一交易日，电力设备、环保行业拥挤度靠前；非银金融、家用电器行业拥挤度水平较低；银行、综合行业拥挤度变动幅度较大[3] * **主力资金流向结果**：前一交易日主力资金流入电力设备行业，流出计算机、电子行业；近三个交易日主力资金减配电子、计算机行业，增配煤炭行业[3] * **ETF产品关注信号结果**：基于溢价率Z-score模型，建议关注的ETF产品包括红利低波ETF新华、国企共赢ETF、地产ETF、沙特ETF、ESGETF等[14]

根据研报内容，现对其中涉及的量化因子进行总结如下： 量化因子与构建方式 **1 因子名称：估值偏离 EPD 因子** - **因子构建思路**：将CTA领域的布林带均值回复策略与基本面估值修复逻辑相结合，利用估值指标PE存在的均值回复特性构建因子[7] - **因子具体构建过程**：报告未提供EPD因子的具体计算公式和构建步骤，仅说明了其核心思想是基于PE的均值回复特性[7] **2 因子名称：缓慢偏离 EPDS 因子** - **因子构建思路**：为了剔除个股估值逻辑变化带来的影响，在截面上用EPD剔除个股估值逻辑被改变的概率（由个股信息比率代理）[7] - **因子具体构建过程**：报告未提供EPDS因子的具体计算公式和构建步骤，仅说明其是在EPD因子的基础上，通过剔除个股估值逻辑改变的概率而构造[7] **3 因子名称：估值异常 EPA 因子** - **因子构建思路**：在EPDS因子的基础上，进一步剔除影响"估值异常"逻辑的Beta、成长与价值风格，最终得到估值异常因子[7] - **因子具体构建过程**：报告未提供EPA因子的具体计算公式和构建步骤，但说明了其构建流程为EPD → EPDS → EPA的三步构建法[7] - **因子评价**：该因子结合了技术分析的均值回复特性和基本面估值修复逻辑，通过多步优化提升了因子的纯净度和有效性[7] 因子的回测效果 **1 EPD因子回测效果（2010年2月至2025年10月）** - 年化收益率：17.46%[2][8][12] - 年化波动率：9.92%[2][8][12] - 信息比率：1.76[2][8][12] - 月度胜率：70.37%[2][8][12] - 最大回撤率：8.93%[2][8][12] **2 EPDS因子回测效果（2010年2月至2025年10月）** - 年化收益率：16.03%[2][8][12] - 年化波动率：5.74%[2][8][12] - 信息比率：2.79[2][8][12] - 月度胜率：78.31%[2][8][12] - 最大回撤率：3.10%[2][8][12] **3 EPA因子回测效果（2010年2月至2025年10月）** - 年化收益率：17.15%[2][8][12] - 年化波动率：5.16%[2][8][12] - 信息比率：3.33[2][8][12] - 月度胜率：80.42%[2][8][12] - 最大回撤率：3.12%[2][8][12] **4 EPA因子历史回测效果（2010年1月至2022年5月）** - 月度RankIC均值：0.061[2] - RankICIR：4.75[2] - 年化收益率：18.29%[2] - 信息比率：3.76[2] - 胜率：86.99%[2] - 最大回撤率：1.53%[2] **5 EPA因子2025年10月表现** - 多头组合收益率：2.00%[2][15] - 空头组合收益率：-0.02%[2][15] - 多空对冲收益率：2.02%[2][15]

根据提供的研报内容，以下是关于量化模型和因子的总结。报告主要探讨了基金基准选择行为，并构建了一个核心指标“投资策略广度（IS Breadth）”用于分析。 量化因子与构建方式 1. **因子名称：投资策略广度（Investment Strategy Breadth, IS Breadth）**[17][31][32] * **因子构建思路**：该因子旨在衡量基金投资组合的广度，即基金经理的投资范围超出其晨星（Morningstar）指定的核心投资目标类别的程度，用以区分“专业化基金”和“广泛策略基金”[17][31] * **因子具体构建过程**： 1. 晨星公司根据基金持仓的市值规模（大盘、中盘、小盘）和相对估值（成长、平衡、价值）将美国股票市场划分为九个风格箱（3x3）[32] 2. 对于每只基金，确定其晨星指定的核心投资目标类别（对应一个风格箱）[32] 3. 计算该基金持仓中不属于其核心投资目标类别的股票比例，此比例即为原始的 IS Breadth 值[32] 4. 为便于分析中对变量系数的解读，将原始 IS Breadth 指标进行标准化处理，使其均值为0，标准差为1，得到标准化 IS Breadth[32] * 公式：原始 IS Breadth = (基金持仓中不属于其核心晨星风格箱的股票市值) / (基金总股票持仓市值)[32] * 标准化 IS Breadth = (原始 IS Breadth - 样本均值) / 样本标准差[32] * **因子评价**：该指标有效捕捉了基金投资策略的宽泛程度，并与基金名称的宽泛性、风格漂移概率等其他衡量投资组合广度的指标显著相关，验证了其有效性[35][36][37] 2. **因子名称：基准错配（Benchmark Mismatch）**[3][28] * **因子构建思路**：沿用 Sensoy (2009) 的方法，判断基金自我声明的业绩基准是否与其实际投资风格（由晨星类别代表）不一致，将不一致的情况定义为“基准错配”[3][28] * **因子具体构建过程**： 1. 获取基金自我指定的“主要招募说明书基准”[30] 2. 根据基金持仓，确定其晨星类别（对应一个3x3风格箱）[28] 3. 将基准指数也归类到对应的晨星风格箱中[28] 4. 如果基金的晨星类别与其基准的晨星类别不同，则判定该基金存在基准错配，该因子取值为1，否则为0[28] 3. **因子名称：偏差（Bias）**[60] * **因子构建思路**：用于评估基金是否存在选择易于超越的基准以操纵业绩的动机，计算基金最匹配基准与其自行申报基准的历史收益差异[60] * **因子具体构建过程**： 1. 从12个最常用基准中，根据基金持仓风格确定与其最匹配的基准[60] 2. 计算过去36个月内，最匹配基准的月度收益与基金自行申报基准的月度收益之间的平均差值[60] * 公式：Bias = (1/36) * Σ(最匹配基准月度收益 - 自行申报基准月度收益)[60] * **因子评价**：正偏差表明基金可能选择了表现逊于最匹配基准的基准，存在业绩操纵嫌疑[60] 4. **因子名称：方差（Variance）**[60] * **因子构建思路**：衡量基金所选基准收益波动与基金收益波动的匹配度，用于辅助判断基准选择的动机（如风险对冲）[60] * **因子具体构建过程**： 1. 基于过去36个月的数据[60] 2. 计算最匹配基准收益与自行申报基准收益之间差值的平均平方偏差[60] * 公式：Variance = (1/36) * Σ( (最匹配基准月度收益 - 自行申报基准月度收益) ^2 )[60] 模型的回测效果 *报告未提供具体量化模型的回测绩效指标（如年化收益率、夏普比率等）。* 因子的回测效果 *报告未提供上述因子在选股或预测收益方面的具体回测绩效指标（如IC值、IR值、多空组合收益等）。报告主要展示了这些因子在横截面上的统计特征以及它们与其他变量（如资金流）的回归关系。* 模型或因子在分析中的关键取值/统计结果 *以下表格汇总了报告中提及的部分关键因子在样本期内的描述性统计或分析结果。* | 因子/指标名称 | 统计结果/取值 | 说明/来源 | | :--- | :--- | :--- | | **基准错配 (Benchmark Mismatch)** | 均值: 0.326 (32.6%) | 全样本（N=268,918）中存在基准错配的基金比例均值[24] | | **投资策略广度 (IS Breadth)** | 均值: 0.632, 标准差: 0.163 | 原始指标的描述性统计（N=260,208）[24] | | **标准化 IS Breadth** | 均值: 0, 标准差: 1 | 标准化后的指标描述性统计[24] | | **偏差 (Bias)** | 均值: 0.022% | 过去36个月最匹配基准与自申基准月收益差值的均值（N=267,799）[24] | | **方差 (Variance)** | 均值: 0.663 %² | 过去36个月最匹配基准与自申基准月收益差值平方的均值（N=267,799）[24] | | **基准错配时间趋势 (Trend系数)** | -0.00762 (年化 -0.762%) | 基准不匹配概率每年下降约0.762%[52][53] | | **专业化基金基准错配下降趋势** | -0.0106 (年化 -1.06%) | IS Breadth低于均值一个标准差的基金，不匹配率年下降速度[52][53] | | **广泛策略基金基准错配下降趋势** | -0.00482 (年化 -0.482%) | IS Breadth高于均值一个标准差的基金，不匹配率年下降速度[52][53] |

量化因子与构建方式 **1 因子名称：日与夜的殊途同归新动量因子** **因子构建思路：** 基于投资者交易行为的逻辑，将交易时段切割为日内与隔夜，分别探索各自的价量关系，并在此基础上构建新的动量因子[6][7] **因子具体构建过程：** 报告指出，该因子是在以往“动量因子切割”研究的基础上，加入“成交量”的信息进行构建的[7] 具体而言，基于日内与隔夜各自的价量关系，分别对日内因子、隔夜因子进行改进，再重新合成新的动量因子[1] **因子评价：** 选股能力显著优于传统动量因子[1] 该因子旨在提高传统动量因子在A股市场稳定性的方案之一[6] 因子的回测效果 **1 日与夜的殊途同归新动量因子** 在全体A股（剔除北交所股票）中，测试区间为2014年2月至2025年10月，10分组多空对冲的年化收益率为18.15%[1][7] 年化波动率为8.68%[1][7] 信息比率（IR）为2.09[1][7] 月度胜率为78.01%[1][7] 月度最大回撤率为9.07%[1][7] **2 日与夜的殊途同归新动量因子（历史回测期）** 在回测期2014/01/01-2022/07/31内，以全体A股为研究样本，新因子IC均值为-0.045[1] 年化ICIR为-2.59[1] 10分组多空对冲的年化收益率为22.64%[1] 信息比率为2.85[1] 月度胜率高达83.33%[1] 最大回撤率仅为5.79%[1] **3 日与夜的殊途同归新动量因子（2025年10月表现）** 在全体A股（剔除北交所股票）中，2025年10月份，10分组多头组合的收益率为0.85%[1][10] 10分组空头组合的收益率为-2.35%[1][10] 10分组多空对冲的收益率为3.20%[1][10]