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. **单季度营业利润同比增长率因子** - 构建思路：反映公司短期盈利能力的增长情况[12] - 具体构建：计算单季度营业利润同比变化率 $$ \text{因子值} = \frac{\text{本期营业利润} - \text{去年同期营业利润}}{\text{去年同期营业利润}} $$ - 因子评价：对短期业绩敏感，但易受季节性影响[13] 2. **市净率因子（BP因子）** - 构建思路：衡量公司估值水平[12] - 具体构建：使用最新财报数据计算 $$ \text{因子值} = \frac{\text{股东权益}}{\text{总市值}} $$ - 因子评价：长期有效但需结合行业特性[13][16] 3. **换手率相对波动率因子** - 构建思路：捕捉流动性风险溢价[12] - 具体构建：计算换手率与价格波动率的比值 $$ \text{因子值} = \frac{\text{20日平均换手率}}{\text{20日收益率标准差}} $$ - 因子评价：在反转行情中表现突出[13] 4. **下行波动率占比因子** - 构建思路：衡量股价下跌风险[14] - 具体构建：计算负收益波动占总体波动的比例 $$ \text{因子值} = \frac{\sum_{r_t<0}(r_t - \bar{r})^2}{\sum(r_t - \bar{r})^2} $$ - 因子评价：在市场下跌阶段防御性强[15] 5. **日内波动率与成交金额相关性因子** - 构建思路：识别量价联动效应[14] - 具体构建：计算日内收益率波动与成交额的滚动相关系数 - 因子评价：对小盘股有显著选股能力[15] 6. **5日反转因子** - 构建思路：捕捉短期反转效应[16] - 具体构建：计算过去5日累计收益率并取负值 $$ \text{因子值} = -\prod_{t=1}^5(1+r_t) $$ - 因子评价：在流动性差的股票中效果显著[17] 量化模型与构建方式 1. **PB-ROE-50组合模型** - 构建思路：结合估值与盈利质量的GARP策略[23] - 具体构建： 1) 在全市场筛选PB低于行业中位数且ROE高于行业中位数的股票 2) 按ROE/PB比值排序选取前50只 3) 等权重配置，月度调仓 - 模型评价：兼顾价值与成长特性[24] 2. **大宗交易组合模型** - 构建思路：利用"高成交金额比率+低波动率"特征[29] - 具体构建： 1) 计算个股大宗交易成交金额/总成交金额 2) 计算6日成交金额波动率 3) 对两个指标标准化后加权求和，选取前20%股票 - 模型评价：事件驱动型策略，需高频调仓[30] 3. **定向增发组合模型** - 构建思路：挖掘定增公告后的超额收益[35] - 具体构建： 1) 以股东大会公告日为事件日 2) 筛选市值小于100亿且折价率>10%的标的 3) 持有期60天，动态仓位控制 - 模型评价：受政策影响较大，需灵活调整[36] 回测效果指标 | 模型/因子名称 | 本周收益 | 近1月收益 | 近1年收益 | 10年累计收益 | |------------------------|----------|-----------|-----------|--------------| | PB-ROE-50(全市场) | 0.06% | - | 9.34% | - | [24] | 大宗交易组合 | 0.83% | - | 27.95% | - | [30] | 单季度营业利润同比(沪深300)| 2.40% | 5.39% | 10.57% | 1.18% | [13] | 下行波动率占比(中证500)| 3.85% | 4.14% | 7.35% | 160.94% | [15] | 5日反转(流动性1500) | -2.11% | -0.57% | 9.53% | -4.48% | [17] | 大类因子名称 | 本周收益 | |------------------------|----------| | Beta因子 | 0.49% | [18] | 动量因子 | -0.60% | [18] | 流动性因子 | -0.49% | [18] 注："-"表示原文未提供数据

量化模型与构建方式 1. **模型名称：DBD-GRU模型** - **模型构建思路**：将因子切割论与深度学习（GRU网络）结合，通过双分支差异网络处理切割后的数据，提取时序信息差异[4][28] - **模型具体构建过程**： 1. 输入数据包含特征A（切割指标）和特征B（切割对象） 2. 以特征A的时序中位数为阈值，生成掩码`mask_Ahigh`和`mask_Alow` 3. 掩码处理后数据分别输入两个GRU分支（`GRU_high`和`GRU_low`） 4. 取两个分支最后一个时间步输出的差异作为最终结果 公式： $$ \text{DBD-GRU输出} = \text{GRU\_high}(x \odot \text{mask\_Ahigh}) - \text{GRU\_low}(x \odot \text{mask\_Alow}) $$ - **模型评价**：有效融合切割论逻辑与深度学习，提供显著信息增量[5][12] 2. **模型名称：GRU基线模型** - **模型构建思路**：作为对比基准，直接处理未切割的原始特征[34] - **模型具体构建过程**：输入特征A和B，通过标准GRU网络输出预测结果 --- 量化因子与构建方式 1. **因子名称：理想反转因子** - **因子构建思路**：通过切割日度涨跌幅，分离大单成交驱动的反转效应[14][18] - **因子具体构建过程**： 1. 取股票过去20日数据，计算每日涨跌幅和平均单笔成交金额 2. 按单笔成交金额中位数分为高/低两组 3. 分别加总高组（`M_high`）和低组（`M_low`）的涨跌幅 4. 计算差异： $$ M = M\_high - M\_low $$ - **因子评价**：稳定性优于传统反转因子，多空IR达2.59[24][40] 2. **因子名称：理想振幅因子** - **因子构建过程**： 1. 取股票过去20日数据，计算每日振幅（最高价/最低价-1） 2. 按收盘价分为高/低价态两组（前25%和后25%） 3. 计算高价态振幅均值（`A_high`）和低价态振幅均值（`A_low`） 4. 输出差异： $$ A = A\_high - A\_low $$ - **因子评价**：多空年化收益21.02%，但分组单调性较弱[35][40] 3. **因子名称：主动买卖因子（小单）** - **因子构建过程**： 1. 计算每日小单主动买卖比率： $$ \frac{\text{主动买入金额(小单)} - \text{主动卖出金额(小单)}}{\text{主动买入金额(小单)} + \text{主动卖出金额(小单)}} $$ 2. 选取收盘价最低的25%交易日计算均值[79] 4. **衍生因子：DBD-GRU改进因子** - 包括理想振幅-DBD、理想反转-DBD、主动买卖-DBD，通过DBD-GRU模型重构原始因子[5][34] 5. **复合因子：DBD-Combine因子** - 对三个DBD-GRU因子对称正交后等权合成[6][61] --- 模型与因子的回测效果 DBD-GRU模型因子（测试区间：201412~202505） | 因子 | RankIC | RankICIR | 多空年化收益 | 多空波动率 | |--------------------|----------|----------|--------------|------------| | 理想振幅-DBD | -10.33% | -3.68 | 34.31% | 15.17% | | 理想反转-DBD | -10.31% | -3.57 | 37.62% | 12.55% | | 主动买卖-DBD | -9.81% | -3.63 | 33.33% | 13.32% | [48][52] 原始切割论因子 | 因子 | RankIC | 多空年化收益 | |--------------------|----------|--------------| | 理想振幅因子 | -7.00% | 21.02% | | 理想反转因子 | -6.06% | 24.26% | | 主动买卖因子 | -3.39% | 10.20% | [40] DBD-Combine因子（宽基指数表现） | 指数 | RankIC | 多空年化收益 | 指增超额IR | |------------|----------|--------------|------------| | 沪深300 | -5.76% | 14.9% | 1.84 | | 中证500 | -7.40% | 17.5% | 1.37 | | 中证1000 | -9.84% | 30.8% | 2.21 | [61][71]

根据提供的金融工程日报内容，该报告主要涉及市场表现、情绪指标和资金流向的统计监测，未提及量化模型或量化因子的构建与分析。以下是可提取的核心数据指标分类： --- 市场情绪指标 1. **封板率** 构建思路：反映涨停股的封板稳定性 计算方式：$$封板率=\frac{最高价涨停且收盘涨停股票数}{最高价涨停股票数}$$ 当日取值：59%（较前日下降14%）[16][17] 2. **连板率** 构建思路：衡量涨停股的持续性强弱 计算方式：$$连板率=\frac{连续两日收盘涨停股票数}{昨日收盘涨停股票数}$$ 当日取值：11%（较前日下降20%，近一月新低）[16][17] 3. **涨跌停股次日表现** 昨日涨停股今日收益：-1.17% 昨日跌停股今日收益：-4.03%[13][15] --- 资金流向指标 1. **两融余额** 数据取值： - 融资余额：19284亿元 - 融券余额：136亿元 - 占流通市值比重：2.2% - 交易占比：10.5%[18][21] 2. **大宗交易折价率** 计算方式：$$折价率=\frac{大宗交易总成交金额}{当日成交份额总市值}-1$$ 近半年均值：5.83% 当日取值：7.79%[25][26] 3. **股指期货年化贴水率** 计算方式：$$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 当日分位数： - 上证50：62%（升水0.29%） - 沪深300：56%（贴水1.69%） - 中证500：53%（贴水8.29%） - 中证1000：59%（贴水9.39%）[27][30] --- ETF折溢价监控 1. **稀有金属ETF**：溢价1.43%[23] 2. **建材ETF**：折价1.51%[23] --- 注：报告未涉及量化模型或因子构建的详细方法论，以上均为市场监测类指标[1][4]

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**：基于分析师推荐事件（上调盈利预测、首次关注、研报标题超预期）构建股票池，再通过基本面和技术面双重筛选选出超预期股票[13][14] - **模型具体构建过程**： 1. 事件筛选：捕捉分析师上调盈利预测、首次覆盖或标题含“超预期”的研报事件 2. 基本面筛选：从事件股票池中选取盈利增速、估值等指标优于行业的个股 3. 技术面筛选：结合股价动量、突破新高等技术指标进一步精选 - **模型评价**：兼顾基本面逻辑与技术面趋势，长期超额收益显著[14] 2. **模型名称**：平稳创新高股票筛选模型 - **模型构建思路**：从创250日新高的股票中筛选具备持续动量的个股，结合分析师关注度与价格路径平滑性[19][21] - **模型具体构建过程**： 1. 初筛条件： - 样本池：上市超15个月的港股 - 分析师关注度：过去6个月≥5份买入/增持评级研报 - 股价强度：过去250日涨幅前20%[22] 2. 精细筛选： - 价格路径平滑性：计算位移路程比 $$ \text{平滑性} = \frac{\text{过去120日涨跌幅绝对值}}{\text{过去120日日涨跌幅绝对值加总}} $$ - 创新高持续性：过去120日250日新高距离的均值[21] - 趋势延续性：过去5日新高距离的均值[22] 量化因子与构建方式 1. **因子名称**：250日新高距离因子 - **因子构建思路**：量化股价接近历史高点的程度，捕捉趋势延续性[21] - **因子具体构建过程**： $$ \text{250日新高距离} = 1 - \frac{\text{Closet}}{\text{ts\_max(Close, 250)}} $$ 其中`Closet`为当日收盘价，`ts_max(Close, 250)`为过去250日最高价[21] - **因子评价**：有效识别处于强势趋势的股票，但需结合其他指标避免追高 模型的回测效果 1. **港股精选组合模型**： - 年化收益19.11%，超额收益18.48%（vs恒生指数） - 最大回撤23.73%，信息比率(IR)1.22，跟踪误差14.55%[18] - 2025年收益50.61%，超额24.05%[16] 2. **平稳创新高股票筛选模型**： - 2025年医药板块16只入选股票平均涨幅276.6%（如诺诚健华），科技板块9只平均涨幅193.0%（如OSL集团）[27] 因子的回测效果 1. **250日新高距离因子**： - 入选股票平均250日涨幅215.3%（如心动公司226.7%），20日涨幅中位数18.6%[27] - 创新高后5日内平均延续涨幅12.4%（传媒板块最高达18.9%）[27]

量化因子与构建方式 1. **因子名称：特异度** - **构建思路**：衡量股票价格波动中不能被Fama-French三因子解释的部分，反映个股特异性风险[17] - **构建过程**： $$特异度 = 1 - R^2$$ 其中$R^2$为过去20个交易日个股收益率对Fama-French三因子（市场、市值、价值）回归的拟合优度[17] - **评价**：近期在多个样本空间中表现突出，尤其在沪深300和中证A500中具有稳定的正向预测能力[19][25] 2. **因子名称：EPTTM一年分位点** - **构建思路**：通过动态分位数定位当前估值水平，避免静态阈值失效[17] - **构建过程**：计算EPTTM（TTM净利润/总市值）在过去一年历史数据中的百分位排名[17] 3. **因子名称：三个月反转** - **构建思路**：捕捉短期过度反应后的价格回调效应[17] - **构建过程**：计算过去60个交易日收益率并取反向信号[17] 4. **因子名称：预期BP** - **构建思路**：结合分析师一致预期的动态市净率因子[17] - **构建过程**：使用一致预期净资产除以总市值[17] 5. **因子名称：三个月机构覆盖** - **构建思路**：反映机构关注度的变化[17] - **构建过程**：统计过去3个月内覆盖该股的机构数量[17] 6. **因子名称：单季净利同比增速** - **构建思路**：捕捉企业盈利能力的边际变化[17] - **构建过程**： $$\frac{当期单季净利润 - 去年同期单季净利润}{去年同期单季净利润}$$[17] 7. **因子名称：MFE组合构建模型** - **构建思路**：在控制风格和行业暴露下最大化单因子暴露[39] - **构建过程**： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ 其中$f$为因子向量，$w$为组合权重，$w_b$为基准权重，$X$为风格暴露矩阵，$H$为行业暴露矩阵[39][40] 因子回测效果 | 因子名称 | 最近一周 | 最近一月 | 今年以来 | 历史年化 | 样本空间 | |------------------|----------|----------|----------|----------|----------------| | 特异度 | 1.18% | 2.02% | 4.23% | 0.51% | 沪深300[19] | | 特异度 | 1.43% | 2.14% | 2.71% | 1.72% | 中证A500[25] | | EPTTM一年分位点 | 1.01% | 1.54% | 1.90% | 5.24% | 中证500[21] | | 三个月反转 | 1.10% | 2.15% | 2.59% | -0.67% | 中证1000[23] | | 预期BP | 0.99% | 1.69% | -0.10% | 3.90% | 中证500[21] | | 三个月机构覆盖 | 1.25% | 0.90% | 3.44% | 6.27% | 中证1000[23] | 模型回测效果 | 模型名称 | 本周超额 | 本年超额 | |------------------------|----------|----------| | 沪深300指数增强组合 | 0.78% | 9.31%[5] | | 中证500指数增强组合 | -0.52% | 9.90%[5] | | 中证1000指数增强组合 | 0.07% | 15.69%[5]| | 中证A500指数增强组合 | 0.26% | 9.96%[5] |

量化模型与构建方式 1. **模型名称：股指期货分红点位预测模型** - **模型构建思路**：基于历史分红数据和指数成分股的分红预测，对股指期货合约存续期内的分红点位进行预测[9] - **模型具体构建过程**： 1. 对中证500、沪深300、上证50、中证1000指数未来一年内的分红点位进行预测，分别预估为81.80、74.62、59.13、61.02[9] 2. 对当月、次月、当季、下季合约存续期内的分红点位进行细分预测，例如中证500指数在当月合约IC2508存续期内分红点位预估为3.73，次月合约IC2509为7.31，当季合约IC2512为7.31，下季合约IC2603为7.31[9] 3. 计算分红占比，例如中证500指数在下季合约存续期内分红占比预估为0.12%[9] 2. **模型名称：基差修正模型** - **模型构建思路**：剔除分红对期货合约基差的影响，计算调整后的年化基差[20] - **模型具体构建过程**： 1. 预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红[20] 2. 年化基差计算公式： $$年化基差 = (实际基差 + (预期)分红点位)/指数价格 \times 360/合约剩余天数$$[20] 3. 例如，IC当季合约分红调整年化基差周内低点贴水8.57%，当前基差贴水7.79%[21] 3. **模型名称：期现对冲策略** - **模型构建思路**：基于基差收敛因素分析，优化对冲策略[46] - **模型具体构建过程**： 1. **连续对冲策略**： - 回测区间：2022年7月22日至2025年7月25日[47] - 现货端：持有对应标的指数的全收益指数[47] - 期货端：现货端使用70%资金，做空对冲端使用金额相同名义本金的股指期货合约[47] - 调仓规则：连续持有季月/当月合约，直至该合约离到期剩余不足2日，平仓并卖空下一季月/当月合约[47] 2. **最低贴水策略**： - 调仓规则：选择年化基差贴水幅度最小的合约开仓，同一合约持有8个交易日或离到期不足2日[48] 模型的回测效果 1. **IC对冲策略**（2022年7月22日至2025年7月25日）： - 当月连续对冲：年化收益-2.87%，波动率3.85%，最大回撤-8.65%，净值0.9167[50] - 季月连续对冲：年化收益-2.11%，波动率4.74%，最大回撤-8.34%，净值0.9383[50] - 最低贴水策略：年化收益-1.09%，波动率4.64%，最大回撤-7.97%，净值0.9677[50] 2. **IF对冲策略**（2022年7月22日至2025年7月25日）： - 当月连续对冲：年化收益0.52%，波动率2.99%，最大回撤-3.95%，净值1.0155[55] - 季月连续对冲：年化收益0.69%，波动率3.34%，最大回撤-4.03%，净值1.0207[55] - 最低贴水策略：年化收益1.33%，波动率3.12%，最大回撤-4.06%，净值1.0403[55] 3. **IH对冲策略**（2022年7月22日至2025年7月25日）： - 当月连续对冲：年化收益1.08%，波动率3.10%，最大回撤-4.22%，净值1.0326[59] - 季月连续对冲：年化收益2.00%，波动率3.52%，最大回撤-3.76%，净值1.0612[59] - 最低贴水策略：年化收益1.75%，波动率3.12%，最大回撤-3.91%，净值1.0533[59] 4. **IM对冲策略**（2022年7月22日至2025年7月25日）： - 当月连续对冲：年化收益-6.09%，波动率4.73%，最大回撤-14.01%，净值0.8426[61] - 季月连续对冲：年化收益-4.50%，波动率5.78%，最大回撤-12.63%，净值0.8744[61] - 最低贴水策略：年化收益-3.89%，波动率5.58%，最大回撤-11.11%，净值0.8851[61] 量化因子与构建方式 1. **因子名称：Cinda-VIX** - **因子构建思路**：反映期权市场对标的资产未来波动的预期，具有期限结构[64] - **因子具体构建过程**：基于期权定价模型，计算不同期限的波动率指数[64] - **因子评价**：能够准确反映市场波动性预期[64] 2. **因子名称：Cinda-SKEW** - **因子构建思路**：捕捉不同行权价格期权隐含波动率的偏斜特征，衡量市场对尾部风险的预期[74] - **因子具体构建过程**：分析看涨和看跌期权的波动率偏斜，计算SKEW指数[74] - **因子评价**：能够洞察市场对极端负面事件的预期[74] 因子的回测效果 1. **Cinda-VIX**（截至2025年7月25日）： - 上证50VIX_30：21.24[64] - 沪深300VIX_30：20.56[64] - 中证500VIX_30：28.18[64] - 中证1000VIX_30：25.00[64] 2. **Cinda-SKEW**（截至2025年7月25日）： - 上证50SKEW：97.47[75] - 沪深300SKEW：98.01[75] - 中证500SKEW：100.61[75] - 中证1000SKEW：102.81[75]

量化因子与构建方式 1 **因子名称**：250日新高距离 - **因子构建思路**：通过计算当前收盘价与过去250日最高价的相对距离，衡量股票接近历史高点的程度，用于捕捉动量效应[11] - **因子具体构建过程**： $$250\,日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，\(Closet\)为最新收盘价，\(ts\_max(Close,250)\)为过去250日收盘价最大值。若收盘价等于新高，则因子值为0；若回落，则为正数表示回落幅度[11] - **因子评价**：基于行为金融学中的动量效应理论，有效识别趋势延续性强的标的 2 **因子名称**：平稳创新高筛选因子（复合因子） - **因子构建思路**：结合分析师关注度、股价路径平滑性、创新高持续性等维度，筛选具有稳健动量特征的股票[26][28] - **因子具体构建过程**： 1. **分析师关注度**：过去3个月买入/增持评级研报≥5份[28] 2. **股价相对强弱**：过去250日涨跌幅全市场前20%[28] 3. **股价路径平滑性**：计算位移路程比（过去120日涨跌幅绝对值 / 过去120日日涨跌幅绝对值加总）[26] 4. **创新高持续性**：过去120日250日新高距离的时间序列均值[28] 5. **趋势延续性**：过去5日250日新高距离的时间序列均值，取前50名[28] - **因子评价**：综合反映动量的质量和持续性，避免短期波动干扰 --- 因子的回测效果 1 **250日新高距离因子** - **全市场应用**：中证2000、中证1000指数成分股中创新高个股占比分别达20.70%、17.90%[21] - **行业表现**：银行、钢铁、有色金属行业创新高个股占比最高（73.81%、52.83%、41.94%）[20] 2 **平稳创新高筛选因子** - **筛选结果**：44只标的入选，其中制造板块（13只）、周期板块（11只）占比最高[29] - **个股表现**： - 博瑞医药（医药）：过去250日涨幅237%，新高距离1.0%[31] - 仕佳光子（通信）：过去250日涨幅497%，新高距离3.8%[31] - 中材科技（建材）：过去250日涨幅150%，新高距离2.2%[31] --- 数据补充说明 - **基准指数新高距离**：截至2025年7月25日，中证1000、中证2000指数新高距离均为0%，创业板指为8.24%[12] - **行业新高距离**：基础化工、有色金属行业距离新高最近（0.00%、0.12%）[13]

量化模型与构建方式 1. **模型名称：行业拥挤度监测模型** - **模型构建思路**：通过监测申万一级行业指数的拥挤度，识别当前市场过热或过冷的行业[4] - **模型具体构建过程**： 1. 计算行业指数的历史分位数（如30日滚动窗口），衡量当前价格相对于历史水平的偏离程度 2. 结合成交量、资金流向等辅助指标，综合判断行业拥挤状态 3. 输出每日行业拥挤度排名，钢铁、建材、有色等周期性行业近期拥挤度持续高位[4][12] - **模型评价**：能够有效捕捉市场情绪极端化的行业，但对突发政策或事件冲击的敏感性不足 2. **模型名称：ETF溢价率Z-score模型** - **模型构建思路**：通过统计套利逻辑筛选ETF溢价异常标的[5] - **模型具体构建过程**： 1. 计算ETF溢价率：$$溢价率 = (IOPV - 市价)/IOPV \times 100\%$$ 2. 滚动计算过去N日（如20日）溢价率的均值μ和标准差σ 3. 生成Z-score：$$Z = (当前溢价率 - μ)/σ$$ 4. 当Z-score超过±2时触发关注信号[5][14] - **模型评价**：适用于流动性较好的宽基ETF，但对行业ETF需结合基本面验证 --- 量化因子与构建方式 1. **因子名称：主力资金净流入因子** - **因子构建思路**：监测主力资金在行业层面的动向[13] - **因子具体构建过程**： 1. 按申万一级行业分类汇总大单资金流向（如单笔成交额>100万元） 2. 计算T日净流入额：$$净流入额 = 主力买入额 - 主力卖出额$$ 3. 生成3日滚动累计值，机械、化工行业近3日净流出超百亿[13] 2. **因子名称：ETF资金流动因子** - **因子构建思路**：跟踪各类ETF产品的资金异动[6][9] - **因子具体构建过程**： 1. 按宽基/行业/跨境等类别分类统计资金净流入 2. 计算单日及多日滚动净流入规模 3. 近期宽基ETF持续吸金（沪深300ETF单日+12.7亿），行业ETF整体流出[6][8] --- 模型的回测效果 1. **行业拥挤度监测模型**： - 高拥挤行业（钢铁/建材）后续3日平均超额收益-1.2%[4][12] - 低拥挤行业（传媒/家电）同期超额收益+0.8%[4] 2. **ETF溢价率Z-score模型**： - Z-score>2标的后续5日回调概率68%[5][14] - 套利组合年化IR 1.35[14] --- 因子的回测效果 1. **主力资金净流入因子**： - 3日净流入TOP3行业后续周度胜率62%[13] - 因子IC（信息系数）0.21[13] 2. **ETF资金流动因子**： - 宽基ETF净流入与沪深300指数3日相关性0.73[6][9] - 跨境ETF资金流对港股通标的领先性显著（滞后3日β 0.58）[6]

根据提供的金融工程日报内容，该报告主要涉及市场表现、情绪指标和资金流向的统计分析，但未提及具体的量化模型或因子构建。以下是可提取的核心量化指标及其计算方式： 量化指标与计算方式 1. **封板率指标** - 构建思路：反映涨停股的封板稳定性[17] - 计算公式： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ - 测试结果：当日封板率73%（较前日提升24%）[17] 2. **连板率指标** - 构建思路：衡量涨停股的连续性[17] - 计算公式： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ - 测试结果：当日连板率31%（较前日提升4%）[17] 3. **大宗交易折价率** - 构建思路：反映大资金交易溢价水平[26] - 计算公式： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ - 测试结果：近半年平均折价率5.81%，当日5.01%[26] 4. **股指期货年化贴水率** - 构建思路：量化期现价差水平[28] - 计算公式： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ - 测试结果：当日中证1000贴水率7.51%（70%分位点）[28] 指标回测效果 1. **封板率指标** - 近期趋势：近一个月呈现波动上升[17] 2. **连板率指标** - 近期趋势：近一个月小幅提升[17] 3. **大宗交易折价率** - 历史水平：近半年日均折价率5.81%[26] 4. **股指期货贴水率** - 分位水平：中证500贴水率6.55%（60%分位点）[28] 注：报告未涉及多因子模型、复合因子或模型评价内容，以上均为基于市场行为的单指标统计方法[17][26][28]

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. **主动权益基金筛选模型** - 模型构建思路：通过持仓比例和规模变化筛选主动权益基金[5][28] - 具体构建过程： 1. 筛选普通股票型、偏股混合型、平衡混合型和灵活配置型基金 2. 计算四个季度平均持股比例>60%的基金 3. 按规模变动和行业集中度（前10大重仓股占比）进一步筛选[7][31] - 模型评价：有效捕捉头部效应，但需注意规模波动对集中度的影响[32] 2. **固收+基金分类模型** - 模型构建思路：基于权益仓位弹性分组[49][50] - 具体构建过程： 1. 定义权益仓位 = 股票仓位 + 50%×可转债仓位 2. 按均值划分三组： - 低弹性（≤10%） - 中弹性（10%~25%） - 高弹性（>25%）[49] - 模型评价：能清晰反映不同风险偏好，但需动态调整阈值[50] 3. **FOF重仓基金优选模型** - 模型构建思路：结合市值和频次双重指标[126][129] - 具体构建过程： 1. 剔除同一管理人子基金 2. 按被重仓市值（亿元）和次数排名 3. 分主动权益、被动权益、固收+、固收四类独立排序[126] - 模型评价：避免单一指标偏差，但需考虑规模与业绩的平衡[129] --- 量化因子与构建方式 1. **权益仓位因子** - 构建思路：衡量基金风险暴露水平[37][38] - 具体构建： $$权益仓位 = \frac{股票市值 + 0.5 \times 可转债市值}{基金净值}$$ 计算过去4季度均值[49] - 因子评价：对固收+产品风险分层效果显著[50] 2. **行业超配因子** - 构建思路：捕捉基金行业配置偏好[76][77] - 具体构建： $$超配比例 = 基金行业持仓占比 - 基准指数行业权重$$ 对比中证全指行业分布[77] - 因子评价：需结合行业景气度动态分析[76] 3. **债券杠杆因子** - 构建思路：反映固收基金杠杆策略[96][97] - 具体构建： $$债券仓位 = \frac{债券市值}{基金净值}$$ 分位数统计25%/50%/75%分位点[97] - 因子评价：对利率敏感性分析有参考价值[96] --- 模型回测效果 1. **主动权益基金模型** - 头部10家公司规模占比44.0%[32] - 前10大重仓股集中度38.08%[31] 2. **固收+分类模型** - 高弹性组季度收益均值1.67%（中弹性1.21%，低弹性1.17%）[65] - 中弹性组规模占比49.1%[50] 3. **FOF优选模型** - 最优FOF季度收益7.63%（偏债混合型）[132] - 被重仓次数最高基金：大成高鑫C（36次）[129] --- 因子回测效果 1. **权益仓位因子** - 高弹性组收益波动率4.0%（95分位）vs 低弹性组2.1%[65] 2. **行业超配因子** - 银行板块超配6.3%，电子板块低配10.7%[77] 3. **债券杠杆因子** - 中长期纯债基金平均仓位115.0%（短期纯债110.4%）[97] 注：所有测试结果均基于2025年二季度数据[5][65][97]