根据研报内容，现对其中涉及的量化模型与因子进行总结如下： 量化模型与构建方式 1. **模型名称：量化大势研判行业配置模型**[1][5] * **模型构建思路：** 该模型旨在解决风格系统化轮动难题，采用自下而上的分析框架。其核心思想是，风格是资产的内在属性，内嵌于产业生命周期中。通过全局比较不同风格资产的优势，来确定未来市场的主流风格。[1][5] * **模型具体构建过程：** * **风格定义：** 根据产业周期，将权益资产划分为五种风格阶段：外延成长、质量成长、质量红利、价值红利、破产价值。[5] * **资产比较优先级：** 遵循 g > ROE > D 的基本优先级进行考察。首先分析“有没有（好资产）”，即资产的基本面优势；其次分析“（好资产）贵不贵”，即资产的估值水平。[1][5][9] * **主流与次级资产划分：** 主流资产包括实际增速资产 (g)、预期增速资产 (gf)、盈利资产 (ROE)。只要其中之一具备优势，市场资金就会优先配置。只有当主流资产均无机会时，才会考虑次级资产（质量红利、价值红利、破产价值），次级资产的优先级主要由拥挤度决定。[9] * **优势差计算：** 用于刻画头部资产的趋势变化，计算方法类似于因子择时中的 Spread。具体而言，是计算某风格下头部资产组（如Top组）与尾部资产组（如Bottom组）在某项核心指标（如增长率g、ROE）上的差异或变化差异（如Δg, Δgf）。[21][25][27] * **具体策略选择：** * **预期成长策略：** 选取分析师预期增速 (gf) 最高的行业。[35] * **实际成长策略：** 选取超预期或业绩动量 (Δg) 最高的行业，具体使用因子：sue (标准化意外盈余)、sur (营收惊喜)、jor (盈余跳跃比率)。[37] * **盈利能力策略：** 在高质量成长和高质量红利资产中，选取低估值行业。具体采用 PB-ROE 回归残差因子，即寻找ROE较高但PB相对其ROE水平较低的行业。[40] * **质量红利策略：** 选取股息率 (DP) 和净资产收益率 (ROE) 综合打分最高的行业。[43] * **价值红利策略：** 选取股息率 (DP) 和市净率 (BP) 综合打分最高的行业。[46] * **破产价值策略：** 选取市净率 (PB) 和规模 (SIZE) 综合打分最低的行业。[49] 2. **因子名称：资产优势差 (例如 Δg, Δgf)**[21][25][27] * **因子构建思路：** 用于度量某风格下头部资产与尾部资产在关键基本面指标上的表现差异，以判断该风格的趋势强弱。[21][25][27] * **因子具体构建过程：** 报告未给出精确的计算公式，但说明其计算类似于因子择时中的 Spread 方法。通常，优势差可以理解为某一时刻，头部组合（如前30%）的指标均值与尾部组合（如后30%）的指标均值之差，或者是这种差值的时间序列变化（如Δ优势差）。[21][25][27] 3. **因子名称：拥挤度**[27][30][31] * **因子构建思路：** 用于衡量某一风格或因子交易的热门程度，高拥挤度可能预示未来收益回落的风险。[27][30][31] * **因子具体构建过程：** 报告未给出具体的构建公式，但提及了“Beta因子暴露”作为衡量ROE资产拥挤度的指标之一。[30][34] 常见的拥挤度度量方法包括估值分位数、换手率、资金流向集中度等。 模型的回测效果 1. **量化大势研判行业配置模型**[16][19] * 年化收益：27.35% (2009年以来)[16] * 相对于万得全A的超额收益：参见下表（具体年份表现）[19] 2. **预期成长策略**[35] * 历史表现：2019年以来超额显著，2014-2015年期间也有较高超额。[35] 3. **实际成长策略**[37] * 历史表现：长期超额都较为显著，在成长风格占优环境下表现更好。[37] 4. **盈利能力策略**[40] * 历史表现：2016年-2020年超额较为显著，2021年以来持续较弱。[40] 5. **质量红利策略**[43] * 历史表现：2016年、2017年、2023年超额较为显著。[43] 6. **价值红利策略**[46] * 历史表现：2009年、2017年、2021-2023年超额较为显著。[46] 7. **破产价值策略**[49] * 历史表现：2015-2016年、2021-2023年超额较为显著。[49] 量化因子与构建方式 1. **因子名称：分析师预期净利润增速 (g_fttm)**[21][23] * **因子构建思路：** 基于分析师对未来十二个月净利润的预测来计算增长率，反映市场对公司的增长预期。[21][23] * **因子具体构建过程：** 报告未给出具体公式。通常，g_fttm = (未来12个月预测净利润均值 / 当前财政年度实际或预测净利润) - 1。[21][23] 2. **因子名称：净利润增速 (g_ttm)**[25][27] * **因子构建思路：** 使用过去十二个月（Trailing Twelve Months）的净利润计算增长率，反映公司近期的实际增长情况。[25][27] * **因子具体构建过程：** 报告未给出具体公式。通常，g_ttm = (当前TTM净利润 / 上一期TTM净利润) - 1。[25][27] 3. **因子名称：净资产收益率 (ROE)**[27][29] * **因子构建思路：** 衡量公司利用股东权益创造利润的效率。[27][29] * **因子具体构建过程：** 报告未给出具体公式。通常，ROE = 净利润 / 平均股东权益。[27][29] 4. **因子名称：股息率 (DP)**[31][33] * **因子构建思路：** 衡量公司现金分红相对于股价的水平。[31][33] * **因子具体构建过程：** 报告未给出具体公式。通常，DP = 近12个月每股股利 / 当前股价。[31][33] 5. **因子名称：市净率 (PB/BP)**[40][46][49] * **因子构建思路：** 衡量股价相对于每股净资产的倍数。[40][46][49] * **因子具体构建过程：** 报告未给出具体公式。通常，PB = 股价 / 每股净资产。[40][46][49] 6. **因子名称：标准化意外盈余 (sue)**[37] * **因子构建思路：** 衡量公司实际公布的盈余与市场预期之间的差异，并经历史波动率标准化。[37] * **因子具体构建过程：** 报告未给出具体公式。 7. **因子名称：营收惊喜 (sur)**[37] * **因子构建思路：** 衡量公司实际公布的营收与市场预期之间的差异。[37] * **因子具体构建过程：** 报告未给出具体公式。 8. **因子名称：盈余跳跃比率 (jor)**[37] * **因子构建思路：** 可能用于衡量盈余变化的剧烈程度或持续性。[37] * **因子具体构建过程：** 报告未给出具体公式。 9. **因子名称：规模 (SIZE)**[49] * **因子构建思路：** 通常指公司的总市值，是重要的风格因子。[49] * **因子具体构建过程：** 报告未给出具体公式。通常为公司总股数乘以股价。[49] 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值等），因子效果主要体现在其构成的策略历史表现中。*

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：A股赔率模型**[7][10] * **模型构建思路**：通过计算权益风险溢价（ERP）和债务风险溢价（DRP）的标准化数值，等权合成A股市场的整体赔率指标[7][10] * **模型具体构建过程**：首先分别计算ERP和DRP，然后对这两个指标进行标准化处理，最后将标准化后的数值进行等权加总，得到A股赔率指标[10] 2. **模型名称：宏观胜率评分卡模型**[10] * **模型构建思路**：从货币、信用、增长、通胀和海外五个宏观因素出发，合成得到各大类资产的综合胜率[10][43] * **模型具体构建过程**：报告提及该模型在专题报告中详细设计，本报告未详述具体构建公式，但指出通过中国主权CDS等指标的变化来调整A股胜率[10] 3. **模型名称：债券赔率模型**[9][11] * **模型构建思路**：基于收益预测模型，根据长期和短期债券的预期收益差来构建债券资产的赔率指标[11] * **模型具体构建过程**：报告提及该模型在专题报告《利率债收益预测框架》中详细说明，本报告未详述具体构建公式[11] 4. **模型名称：美联储流动性指数模型**[16][18] * **模型构建思路**：结合数量维度和价格维度，综合构建反映美联储流动性状况的指数[18] * **模型具体构建过程**：报告提及该模型在专题报告《美联储流动性的量价解构与资产配置应用》中详细说明，本报告未详述具体构建公式，但指出指数由净流动性、联储信用支持、预期引导、市场隐含、公告意外等分项构成[17][18] 5. **模型名称：风格因子三标尺评价模型**[19][21][24][27][34] * **模型构建思路**：从赔率、趋势、拥挤度三个维度对风格因子进行综合评价和排名[19][21][24][27][34] * **模型具体构建过程**：对于每个风格因子，分别计算其赔率、趋势和拥挤度指标，并将这三个指标进行标准化（以标准差倍数表示），然后根据一定的规则或权重进行综合打分和排名[19][21][24][27][32][34] 6. **模型名称：行业轮动三标尺模型**[35][36][37] * **模型构建思路**：基于行业的景气度、趋势和拥挤度三个维度构建行业轮动策略[35][36][37] * **模型具体构建过程**：使用行业过去12个月的信息比率（IR）来刻画行业的动量和趋势；使用行业的换手率比率、波动率比率和beta比率来刻画行业的交易拥挤度；再结合景气度指标，对行业进行三维评价[35][36] 7. **模型名称：赔率增强型策略**[40][41] * **模型构建思路**：在目标波动率约束下，根据各资产的赔率指标，持续超配高赔率资产，低配低赔率资产，构建固收+增强策略[40] * **模型具体构建过程**：结合各资产的赔率指标，在目标波动率约束的条件下进行资产配置[40] 8. **模型名称：胜率增强型策略**[43][44] * **模型构建思路**：基于宏观胜率评分卡模型得到的各资产胜率评分，类似赔率增强型策略的构建方法，构建固收+增强策略[43] * **模型具体构建过程**：从货币、信用、增长、通胀和海外五个因素出发获得各资产的宏观胜率评分，据此进行资产配置[43] 9. **模型名称：赔率+胜率增强型策略**[3][40][46] * **模型构建思路**：将赔率策略和胜率策略的风险预算进行结合，构建综合性的资产配置策略[3][40][46] * **模型具体构建过程**：将赔率策略的风险预算和胜率策略的风险预算进行简单相加得到综合得分，据此构建策略[46] 模型的回测效果 1. **赔率增强型策略**[40][42] * 2011年以来年化收益6.7%，年化波动2.3%，最大回撤3.1%，夏普比率2.88[40][42] * 2014年以来年化收益7.5%，年化波动2.2%，最大回撤2.8%，夏普比率3.36[40][42] * 2019年以来年化收益7.0%，年化波动2.2%，最大回撤2.8%，夏普比率3.14[40][42] 2. **胜率增强型策略**[43][45] * 2011年以来年化收益7.2%，年化波动2.4%，最大回撤3.4%，夏普比率3.03[43][45] * 2014年以来年化收益8.1%，年化波动2.3%，最大回撤2.2%，夏普比率3.47[43][45] * 2019年以来年化收益7.0%，年化波动2.2%，最大回撤1.5%，夏普比率3.20[43][45] 3. **赔率+胜率增强型策略**[3][46][48] * 2011年以来年化收益6.8%，年化波动2.3%，最大回撤2.9%，夏普比率2.94[3][46][48] * 2014年以来年化收益7.4%，年化波动2.2%，最大回撤2.3%，夏普比率3.33[3][46][48] * 2019年以来年化收益6.5%，年化波动2.1%，最大回撤2.3%，夏普比率3.02[3][46][48] 4. **行业轮动三标尺模型**[36] * 2011年以来超额收益11.9%，跟踪误差10.8%，最大回撤25.4%，信息比率（IR）1.11[36] * 2014年以来超额收益11.4%，跟踪误差11.5%，最大回撤25.4%，信息比率（IR）0.99[36] * 2019年以来超额收益8.9%，跟踪误差10.3%，最大回撤12.3%，信息比率（IR）0.86[36] 量化因子与构建方式 1. **因子名称：小盘因子**[19][20][34] * **因子构建思路**：通过中证2000指数与沪深300指数的比值或因子累计收益率来表征小盘风格的表现[19][20] * **因子评价**：当前呈现中等赔率-强趋势-低拥挤的特征，配置价值有所修复[19][34] 2. **因子名称：价值因子**[21][23][34] * **因子构建思路**：通过国证价值指数与国证1000指数的比值来表征价值风格的表现[21][23] * **因子评价**：当前呈现高赔率-中等趋势-低拥挤的特征，综合得分较高，建议重点关注[21][34] 3. **因子名称：质量因子**[24][26][34] * **因子构建思路**：通过因子累计收益率来表征质量风格的表现[24][26] * **因子评价**：当前呈现高赔率-弱趋势-中等拥挤的特征，配置价值相对较低，需等待右侧趋势确认[24][34] 4. **因子名称：成长因子**[27][29][34] * **因子构建思路**：通过国证成长指数与国证1000指数的比值来表征成长风格的表现[27][29] * **因子评价**：当前呈现中高赔率-中等趋势-高拥挤的特征，交易风险较高，建议保持谨慎[27][34] 5. **因子名称：低波因子**[30][32][34] * **因子构建思路**：报告提及了基于不同时间窗口（如3个月、12个月）的低波因子[30][32] * **因子评价**：当前低波风格在三标尺综合排名中位居前列，建议重点关注[34] 6. **因子名称：动量因子**[30][32][34] * **因子构建思路**：报告未详述具体构建方法，但将其作为风格因子之一进行分析[30][32] * **因子评价**：横截面来看拥挤度最高，交易风险较高[34] 7. **其他风格因子**[30][32] * **因子名称**：低市净率因子、高股息因子、低市盈率因子、EPS稳定性因子、净利润同比因子、净利润TTM同比因子、ROE因子、ROE_TTM因子、反转因子、低市销率因子、营收同比因子、营收TTM同比因子等[30][32] * **因子构建思路**：报告未详述这些因子的具体构建过程，但将其纳入风格因子三标尺分析框架中进行综合排名[30][32] 因子的回测效果 （报告中未提供单个因子独立的历史回测绩效指标，如IC、IR等，仅提供了当前时点的三标尺状态和综合排名）[19][21][24][27][32][34]

根据提供的ESG市场观察周报内容，经过全面梳理，报告主要涉及市场动态、政策事件和行业分类的追踪分析，并未包含具体的量化模型或量化因子的构建、测试及效果评价内容[1][2][3][4][5][7][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][33][34][35][36][37][39][40][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56] 报告的核心是对ESG相关的市场表现、政策动态和舆情事件进行周度观察与总结，属于市场评论和数据分析范畴，不具备量化投资策略中模型或因子研究的技术细节。

根据提供的金融工程日报内容，报告主要描述了市场表现、情绪和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范畴[2][3][4][6][7][10][13][16][18][21][22][25][28][30][32][35][36]。 因此，本总结中关于“量化模型与构建方式”及“量化因子与构建方式”的部分没有相关内容可提供。报告的核心内容是市场监测数据的展示。

量化模型与构建方式 1. 行业拥挤度监测模型 **模型名称**：行业拥挤度监测模型[3] **模型构建思路**：通过构建行业拥挤度监测模型，对申万一级行业指数的拥挤度进行每日监测[3] **模型具体构建过程**：报告未提供该模型的具体构建过程和公式 2. 溢价率Z-score模型 **模型名称**：溢价率Z-score模型[4] **模型构建思路**：根据溢价率Z-score模型搭建相关ETF产品筛选信号模型，通过滚动测算提供存在潜在套利机会的标的[4] **模型具体构建过程**：报告未提供该模型的具体构建过程和公式 **模型评价**：需警惕标的回调风险[4] 量化因子与构建方式 1. 行业拥挤度因子 **因子名称**：行业拥挤度[3] **因子构建思路**：用于监测申万一级行业指数的拥挤程度[3] **因子具体构建过程**：报告未提供该因子的具体构建过程和公式 2. 溢价率Z-score因子 **因子名称**：溢价率Z-score[4] **因子构建思路**：用于识别ETF产品存在的潜在套利机会[4] **因子具体构建过程**：报告未提供该因子的具体构建过程和公式 模型的回测效果 报告未提供量化模型的具体测试结果取值 因子的回测效果 报告未提供量化因子的具体测试结果取值

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称**：网下打新收益测算模型[10][39][42][46] **模型构建思路**：通过理论测算方式，估算不同规模、不同类型的投资账户（A类/B类）参与网下打新所能获得的收益和收益率[10][39][42][46] **模型具体构建过程**： * 首先，计算单只股票的“满中收益”[38] * 满中数量 = 可申购上限额度 × 网下A类平均中签率[38] * 满中收益 = (首次开板价 - 首发价格) × 满中数量[38] * 其次，进行账户规模和类型的收益测算[39][42][46] * 假设条件：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[39][42][46] * 对于不同规模账户（如1.5亿、2亿、3亿、5亿、10亿），根据其可申购上限额度和中签率，计算其实际可中签数量，再结合价差计算收益[39][41] * 将特定时间段内（如逐月）所有新股的打新收益相加，得到该时间段的总收益[42][46] * 打新收益率 = 总收益 / 账户规模[42][46] 模型的回测效果 1. **网下打新收益测算模型（A类账户）**[42][43][44][45] * **2024年至今累计打新收益率（所有板块）**：1.5亿账户7.02%，2亿账户6.37%，3亿账户5.04%，5亿账户3.46%，10亿账户1.96%[42] * **2025年至今累计打新收益率（所有板块）**：1.5亿账户2.92%，2亿账户2.65%，3亿账户2.11%，5亿账户1.51%，10亿账户0.96%[42] * **2025年至今累计打新收益率（科创板）**：1.5亿账户0.76%，2亿账户0.71%，3亿账户0.64%，5亿账户0.53%，10亿账户0.39%[43] * **2025年至今累计打新收益率（创业板）**：1.5亿账户1.40%，2亿账户1.24%，3亿账户0.91%，5亿账户0.58%，10亿账户0.31%[44] * **2025年至今累计打新收益率（主板）**：1.5亿账户0.75%，2亿账户0.69%，3亿账户0.56%，5亿账户0.40%，10亿账户0.26%[45] 2. **网下打新收益测算模型（B类账户）**[46][48][49][51] * **2024年至今累计打新收益率（所有板块）**：1.5亿账户5.61%，2亿账户5.15%，3亿账户4.10%，5亿账户2.81%，10亿账户1.55%[46] * **2025年至今累计打新收益率（所有板块）**：1.5亿账户2.46%，2亿账户2.23%，3亿账户1.75%，5亿账户1.22%，10亿账户0.73%[46] * **2025年至今累计打新收益率（科创板）**：1.5亿账户0.57%，2亿账户0.52%，3亿账户0.45%，5亿账户0.35%，10亿账户0.23%[50] * **2025年至今累计打新收益率（创业板）**：1.5亿账户1.23%，2亿账户1.10%，3亿账户0.81%，5亿账户0.51%，10亿账户0.27%[49] * **2025年至今累计打新收益率（主板）**：1.5亿账户0.66%，2亿账户0.61%，3亿账户0.50%，5亿账户0.36%，10亿账户0.23%[51] 量化因子与构建方式 1. **因子名称**：满中收益[38] **因子构建思路**：衡量单只新股在顶格申购且全部中签的理想情况下，能够带来的绝对收益金额[38] **因子具体构建过程**： * 满中数量 = 可申购上限额度 × 网下A类平均中签率[38] * 满中收益 = (首次开板价 - 首发价格) × 满中数量[38] * 其中，首次开板价使用首次开板日均价[38] 2. **因子名称**：上市首日涨幅[18][20] **因子构建思路**：衡量新股上市首日相对于发行价格的上涨幅度[18][20] **因子具体构建过程**：通过计算上市首日市场均价（或首次开板价）与发行价格的价差百分比得到[18][20] 因子的回测效果 1. **满中收益因子**[38][41] * 近两个月内新上市股票的满中收益大多位于5至100万元水平区间内，其中最高的为C奕材-U（98.18万元）、C禾元-U（78.03万元）、联合动力（50.81万元）[38][41] 2. **上市首日涨幅因子**[18][20] * 滚动跟踪近期20只新股，科创板个股上市首日平均涨幅为219.94%，创业板个股上市首日平均涨幅为244.28%[18][20]

根据研报内容，现总结如下： 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指数未来变盘的临界点，通过构建一个扩散指数来观察市场情绪和趋势[6][38] * **模型具体构建过程：** 模型构建了一个透视表，横轴代表未来N天后股价相对当前价格的涨跌幅度（例如从1.10代表上涨10%到0.90代表下跌10%），纵轴代表从当前时点（T=20）开始，回顾过去或展望未来的窗口期长度（T从20到10，对应未来N=0到10天）[38]。表格中的数值（如横轴0.95和纵轴15天对应的值0.28）表示，在特定未来时点（N=5天）和假设所有成分股都下跌5%的条件下，计算出的微盘股扩散指数值[38]。该指数基于万得微盘股指数的每日更新成分股进行计算[38]。 * **模型评价：** 报告指出该模型可用于监测未来扩散指数变盘的临界点[38] 2. **模型名称：首次阈值法（左侧交易）**[6][42] * **模型构建思路：** 作为扩散指数模型的一种交易应用，属于左侧交易策略，旨在较早捕捉交易信号[6][42] * **模型具体构建过程：** 当扩散指数数值达到预设的阈值时触发交易信号。具体地，该模型于2025年9月23日收盘时，因扩散指数收于0.0575而触发了开仓信号[6][42] 3. **模型名称：延迟阈值法（右侧交易）**[6][45] * **模型构建思路：** 作为扩散指数模型的另一种交易应用，属于右侧交易策略，旨在确认趋势后入场[6][45] * **模型具体构建过程：** 当扩散指数数值达到另一个预设的阈值时触发交易信号。具体地，该模型于2025年9月25日收盘时，因扩散指数收于0.1825而给予了开仓信号[6][45] 4. **模型名称：双均线法（自适应交易）**[6][46] * **模型构建思路：** 作为扩散指数模型的第三种交易应用，采用移动平均线进行自适应交易判断[6][46] * **模型具体构建过程：** 基于两条移动平均线的相互关系产生交易信号。具体地，该模型于2025年10月13日收盘时，发出了看多的信号[6][46] 模型的回测效果 1. **扩散指数模型**，当前扩散指数值0.78[38] 2. **首次阈值法**，触发开仓信号日期2025年9月23日[6][42] 3. **延迟阈值法**，触发开仓信号日期2025年9月25日[6][45] 4. **双均线法**，触发看多信号日期2025年10月13日[6][46] 量化因子与构建方式 1. **因子名称：股息率因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为0.199，历史平均为0.022[5][32] 2. **因子名称：pb倒数因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为0.112，历史平均为0.034[5][32] 3. **因子名称：非流动性因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为0.103，历史平均为0.04[5][32] 4. **因子名称：成长因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为0.019，历史平均为-0.003[5][32] 5. **因子名称：残差波动率因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为0.015，历史平均为-0.039[5][32] 6. **因子名称：成交额因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为-0.203，历史平均为-0.082[5][32] 7. **因子名称：10天自由流通市值换手率因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为-0.179，历史平均为-0.061[5][32] 8. **因子名称：10天总市值换手率因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为-0.162，历史平均为-0.06[5][32] 9. **因子名称：流动性因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为-0.15，历史平均为-0.041[5][32] 10. **因子名称：单季度净利润增速因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为-0.118，历史平均为0.019[5][32] 11. **因子名称：小市值低波 50 策略**[8][16][34] * **因子构建思路：** 在微盘股成分股内，结合小市值和低波动两个特征来优选股票[8][16][34] * **因子具体构建过程：** 策略的具体构建过程为，从万得微盘股指数(8841431.WI)的成分股中，筛选出同时具备小市值和低波动特性的50只股票构成投资组合[8][16][34]。该策略每两周调仓一次[8][16][34] 因子的回测效果 1. **小市值低波 50 策略**，2024年收益7.07%，2024年超额收益（相对万得微盘股指数）-2.93%，2025年至今(YTD)收益70.08%，本周超额收益-1.02%[8][16][34]

量化模型与构建方式 1. 模型名称：DecompGRU模型 **模型构建思路**：在GRU基线模型的基础上，通过两个简单的去均值模块实现时序和截面的信息交互上的改进[18] **模型具体构建过程**：模型分别基于IC、加权MSE损失函数训练两个模型[18] 2. 模型名称：多头TOP组合 **模型构建思路**：基于DecompGRU模型得分构建周度多头选股组合[9] **模型具体构建过程**：等权持有集成打分最高的200只股票；每周首个交易日根据上周五收盘后更新的因子值进行周频调仓；选股范围为中证全指；买入时剔除涨跌停、停牌股票，不考虑交易成本；对比基准为WIND全A等权指数[9] 3. 模型名称：ETF轮动组合 **模型构建思路**：将端到端模型的个股得分聚合至ETF，构建ETF轮动组合[12] **模型具体构建过程**：ETF池限定在行业、主题型ETF；若多个ETF跟踪同一指数相同，则保留5日成交额均值最大的一只ETF；调仓时要求ETF最近5日的日均成交额大于2000万，最近20日日均成交额大于1000万；周度不定期调仓，每期持仓ETF数量在2-6只；对比基准为万得ETF指数[12] 模型的回测效果 1. 多头TOP组合 累计绝对收益41.11%，相对全A等权超额13.98%，最大回撤10.08%，周度胜率64.52%，月度胜率100%，10月绝对收益1.78%，10月超额-0.07%[11] 2. ETF轮动组合 累计绝对收益19.06%，相对基准超额-2.00%，最大回撤7.82%，周度胜率62.50%，月度胜率57.14%，10月绝对收益-2.04%，10月超额-1.18%[14][15] 量化因子与构建方式 1. 因子名称：个股总热度指标 **因子构建思路**：从行为的角度探讨在个股层面因有限注意力导致的过度定价与反应不足现象，使用同花顺基于用户行为数据得到的个股热度指标[19] **因子具体构建过程**：股票的浏览、自选与点击次数之和，以同一日在全市场占比的方式进行归一化，将归一化后的数值乘以10000，指标取值区间为[0,10000][19] **因子计算公式**：$$个股总热度 = \frac{浏览次数+自选次数+点击次数}{全市场总次数} \times 10000$$[19] 2. 因子名称：宽基热度变化率 **因子构建思路**：将全A样本按照主流宽基指数分组，对每组成分股总热度指标进行求和，计算周度热度变化率[20][22] **因子具体构建过程**：将全A样本按照沪深300、中证500、中证1000、中证2000以及"其他"来进行分组，对每一组中的成分股总热度指标进行求和处理，得到4个主流宽基指数的热度以及"其他"组热度，计算不同组股票周度热度变化率，并取MA2进行平滑处理[20][22] 3. 因子名称：行业热度变化率 **因子构建思路**：采用相同方法获得行业层面的热度，计算申万一级、二级行业热度的周度变化率MA2[31] **因子具体构建过程**：对每个申万一级、二级行业中的成分股总热度指标进行求和处理，计算每个行业热度的周度变化率，并取MA2进行平滑处理[31] 4. 因子名称：概念热度变化率 **因子构建思路**：采用相同方法获得概念层面的热度，计算每个概念热度的周度变化率[36] **因子具体构建过程**：对每个概念中的成分股总热度指标进行求和处理，计算每个概念热度的周度变化率[36] 因子的回测效果 1. 宽基热度动量组合 2017年来年化收益率8.74%，最大回撤23.5%，2025年组合收益为38.5%，对比基准宽基等权组合收益为32.9%[28] 2. 高热度概念+低热度个股组合 BOTTOM组年化收益15.71%，最大回撤28.89%，2025年来BOTTOM组收益42.1%[41] 3. 本周宽基热度变化率 热度变化率最大的为中证2000，相比上周提高1.55%，最小的为沪深300，相比上周降低2.03%[28][30] 4. 本周行业热度变化率 一级行业中正向变化前5的行业分别为石油石化(提高48.6%)、综合、农林牧渔、建筑材料、煤炭，负向变化前5的行业分别为食品饮料、银行、纺织服饰、商贸零售、有色金属(降低-14.2%)；二级行业中热度正向变化率最大的5个行业是油服工程、航天装备Ⅱ、冶钢原料、文娱用品、元件[35] 5. 本周概念热度变化率 热度变化最大的5个概念为科创次新股(360.2%)、中韩自贸区(183.3%)、青蒿素(82.8%)、家庭医生(74.1%)、云办公(72.7%)[35][36][44]

根据研报内容，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：攻守兼备红利50组合**[13] * **模型构建思路**：该模型属于红利系列主动量化产品，旨在通过主动量化方法构建一个兼具防御性和成长性的红利投资组合[13] * **模型具体构建过程**：研报未详细说明该组合的具体选股因子和权重配置方法，仅提及其为红利系列产品之一，并具有“攻守兼备”的特性[13] 2. **模型名称：央国企高分红30组合**[13] * **模型构建思路**：该模型同样属于红利系列主动量化产品，聚焦于中央企业和国有企业，风格偏向“稳健+成长”，旨在从央国企中筛选高分红股票[13] * **模型具体构建过程**：研报未详细说明该组合的具体选股因子和权重配置方法，仅提及其为红利系列产品之一，并聚焦央国企高分红标的[13] 3. **模型名称：电子均衡配置增强组合**[13] * **模型构建思路**：该模型属于行业增强系列，聚焦电子板块，旨在通过量化方法对电子行业进行均衡配置，以获取超越基准的超额收益[13] * **模型具体构建过程**：研报未详细说明该组合的具体选股因子和权重配置方法[13] 4. **模型名称：电子板块优选增强组合**[13] * **模型构建思路**：该模型属于行业增强系列，聚焦电子板块，特别关注迈入成熟期的细分赛道龙头企业，旨在通过优选个股实现增强效果[13] * **模型具体构建过程**：研报未详细说明该组合的具体选股因子和权重配置方法，仅提及其聚焦于成熟期细分赛道的龙头企业[13] 模型的回测效果 1. **攻守兼备红利50组合**： * 2025年初以来相对中证红利全收益超额约7.35%[20] * 在全部红利类基金产品中绝对收益分位约32%[20] * 报告期内（2025年10月27日至10月31日）周度超额收益约0.85%（相对于中证红利全收益）[20] 2. **电子板块优选增强组合**： * 报告期内（2025年10月27日至10月31日）周度超额收益约0.42%[30] * 周度收益跑赢主动科技型基金产品中位数[30] （注：研报中未提供央国企高分红30组合和电子均衡配置增强组合在报告期内的具体回测指标取值[13]） 量化因子与构建方式 （研报中未详细提及具体的底层量化因子及其构建过程[1][5][6][12][13]） 因子的回测效果 （研报中未涉及具体因子的测试结果[1][5][6][12][13]）

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. Barra风格因子 **因子名称**：Beta[15] **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**：使用历史beta值[15] **因子名称**：市值[15] **因子构建思路**：衡量公司规模大小[15] **因子具体构建过程**：总市值取自然对数[15] **因子名称**：动量[15] **因子构建思路**：衡量股票价格趋势[15] **因子具体构建过程**：使用历史超额收益率序列均值[15] **因子名称**：波动[15] **因子构建思路**：衡量股票价格波动性[15] **因子具体构建过程**：采用复合波动率计算方式： $$0.74 \times 历史超额收益率序列波动率 + 0.16 \times 累积超额收益率离差 + 0.1 \times 历史残差收益率序列波动率$$[15] **因子名称**：非线性市值[15] **因子构建思路**：捕捉市值风格的非线性效应[15] **因子具体构建过程**：市值风格的三次方[15] **因子名称**：估值[15] **因子构建思路**：衡量股票估值水平[15] **因子具体构建过程**：使用市净率倒数[15] **因子名称**：流动性[15] **因子构建思路**：衡量股票交易活跃度[15] **因子具体构建过程**：采用复合换手率计算方式： $$0.35 \times 月换手率 + 0.35 \times 季换手率 + 0.3 \times 年换手率$$[15] **因子名称**：盈利[15] **因子构建思路**：衡量公司盈利能力[15] **因子具体构建过程**：采用复合盈利指标计算方式： $$0.68 \times 分析师预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率ttm倒数$$[15] **因子名称**：成长[15] **因子构建思路**：衡量公司成长性[15] **因子具体构建过程**：采用复合增长指标计算方式： $$0.18 \times 分析师预测长期盈利增长率 + 0.11 \times 分析师预测短期利率增长率 + 0.24 \times 盈利增长率 + 0.47 \times 营业收入增长率$$[15] **因子名称**：杠杆[15] **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**：采用复合杠杆指标计算方式： $$0.38 \times 市场杠杆率 + 0.35 \times 账面杠杆 + 0.27 \times 资产负债率$$[15] 2. GRU模型因子 **因子名称**：open1d模型[31] **因子构建思路**：基于GRU神经网络模型构建的预测因子[31] **因子具体构建过程**：使用开盘价相关数据训练的GRU模型[31] **因子名称**：close1d模型[31] **因子构建思路**：基于GRU神经网络模型构建的预测因子[31] **因子具体构建过程**：使用收盘价相关数据训练的GRU模型[31] **因子名称**：barra1d模型[31] **因子构建思路**：基于GRU神经网络模型构建的预测因子[31] **因子具体构建过程**：结合Barra因子体系训练的GRU模型[31] **因子名称**：barra5d模型[31] **因子构建思路**：基于GRU神经网络模型构建的预测因子[31] **因子具体构建过程**：使用5日Barra因子数据训练的GRU模型[31] 3. 基本面因子 **因子名称**：EOI、营业利润率、roc增长、净利润超预期增长、营业周转率、roc、营业利润率超预期增长、roa增长、市盈率、市销率、roa超预期增长、营业利润率增长、roc超预期增长等[22][27] **因子构建思路**：基于公司财务数据构建的基本面分析因子[22][27] **因子具体构建过程**：使用TTM方式计算的财务指标，包括盈利能力、成长性、估值等多个维度[18][22][27] 4. 技术类因子 **因子名称**：中位数离差、20日波动、60日波动、120日波动、20日动量、60日动量、120日动量等[23][30] **因子构建思路**：基于价格和成交量数据构建的技术分析因子[23][30] **因子具体构建过程**：包括波动率指标、动量指标等技术分析工具[23][30] 因子的回测效果 Barra风格因子多空收益表现[17] | 因子名称 | 近一周 | 近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | |---------|--------|--------|----------|----------|----------|----------| | 估值 | -1.53% | 2.56% | 6.97% | 7.62% | 4.47% | 15.96% | | 盈利 | -1.31% | 1.21% | -12.53% | 15.60% | 4.49% | - | | 杠杆 | -0.83% | 0.41% | 8.61% | -18.33% | 7.88% | 2.32% | | 成长 | 0.21% | 2.10% | 1.90% | 1.10% | 9.48% | 4.22% | | 动量 | 0.11% | 3.42% | -17.53% | 11.80% | -17.59% | 16.54% | | beta | 0.32% | -5.29% | 16.73% | 31.34% | 12.64% | 10.65% | | 市值 | 0.64% | 5.55% | -16.22% | -39.20% | 41.75% | -34.68% | | 非线性市值 | 0.74% | 5.34% | 15.45% | -34.19% | -39.26% | -30.81% | | 波动 | 0.92% | 1.81% | 8.30% | 4.26% | 7.81% | -11.12% | | 流动性 | 1.39% | -3.93% | 1.89% | -7.22% | -18.82% | - | GRU因子多空收益表现[31] | 因子名称 | 近一周 | 近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | |---------|--------|--------|----------|----------|----------|----------| | open1d | -0.82% | 2.91% | -1.74% | 1.97% | 28.99% | 32.74% | | barra1d | -0.45% | 1.01% | -3.63% | -5.48% | 23.03% | 29.56% | | barra5d | 1.23% | 2.17% | -2.41% | 1.92% | 24.96% | 34.35% | | close1d | 2.88% | 5.96% | 12.45% | 23.23% | 47.28% | 49.47% | 多头组合超额收益表现[34] | 策略因子名称 | 近一周 | 近一月 | 近三月 | 近六月 | 今年以来 | |-------------|--------|--------|--------|--------|----------| | open1d | -0.44% | 1.49% | -1.50% | 1.39% | 5.69% | | close1d | -0.04% | 2.72% | -3.57% | 1.21% | 2.88% | | barra1d | -0.28% | -0.31% | 1.62% | 2.28% | 5.07% | | barra5d | -0.09% | 3.93% | -2.10% | 1.82% | 5.81% | | 多因子 | -0.95% | 1.83% | -1.83% | -0.19% | 0.91% | 模型测试参数[32] **选股池**：万得全A，剔除st、*st、停牌不可交易、以及上市不满180日的股票 **业绩比较基准**：中证1000指数 **调仓频率**：月度 **手续费**：双边千3 **权重配置**：个股权重上限千2 **风格偏离**：0.5标准差 **行业偏离**：0.01