根据提供的金融工程定期报告内容，以下是关于报告中涉及的量化模型与因子的总结。 量化模型与构建方式 1. **模型名称：缠论分析模型**[1][7] * **模型构建思路**：该模型基于缠论技术分析理论，通过识别市场走势中的不同级别（如周线级别、月线级别）的上升或下降趋势段，以及特定的结构（如ABC三浪调整结构），来判断当前市场所处的阶段和未来可能的走势[1][7][8]。 * **模型具体构建过程**：模型的应用过程主要包括： * **周期分析**：识别不同时间周期的趋势。例如，报告中区分了自2024年初启动的“月线级别上行趋势”和2025年4月初以来的“周线级别上升趋势”，并判断当前调整针对后者[1][7]。 * **结构识别**：识别特定的价格波动形态。例如，报告中指出科技板块已呈现“清晰的ABC三浪调整结构”，这通常被解读为调整阶段可能接近尾声的信号[8]。 * **历史对比**：将当前的缠论结构与历史相似形态进行类比，以推测后续走势。例如，报告中将当前走势与“2017年11月底至12月初的形态”进行类比，认为市场可能进入震荡筑底阶段[1][7]。 2. **模型名称：温度计指标模型**[1][7] * **模型构建思路**：该模型通过计算一个或多个市场情绪或技术指标（统称为“温度计”），来度量市场的超买或超卖状态，从而判断市场短期的风险与机会[1][7]。 * **模型具体构建过程**：模型包含不同频率的指标： * **高频温度计**：用于捕捉短期市场情绪。报告中提及“主流宽基指数的高频温度计均值已降至7以下”，这表明市场可能出现短期超跌[1][7]。 * **低频与超低频温度计**：用于分析中长期市场状态。报告结合了高频、低频、超低频温度计的读数进行综合判断[1][7]。 3. **因子名称：量能拥挤度因子**[2][8] * **因子构建思路**：该因子通过计算特定板块（如TMT板块）的成交金额占市场总成交金额的比例，来衡量资金对该板块的关注度和交易热度，从而判断板块的拥挤程度和资金流向变化[2][8]。 * **因子具体构建过程**：因子构建公式可表示为： $$拥挤度_{板块, t} = \frac{成交金额_{板块, t}}{成交金额_{全市场, t}} \times 100\%$$ 其中，$成交金额_{板块, t}$ 代表在时间点 $t$ 该板块的总成交金额，$成交金额_{全市场, t}$ 代表在时间点 $t$ 全市场（或作为基准的市场组合）的总成交金额。报告中通过观察TMT板块成交金额占比从低位“出现小幅企稳甚至回升的迹象”，来判断资金可能重新关注该方向[2][8]。 模型的回测效果 （报告未提供具体的模型回测指标数值，如年化收益率、夏普比率、最大回撤等，因此此部分省略） 因子的回测效果 （报告未提供具体的因子回测指标数值，如IC值、IR、多空收益等，因此此部分省略）

量化模型与构建方式 量化择时模型 1. **模型名称**：短期择时策略模型[5][13][14] **模型构建思路**：基于多维度市场指标构建综合择时信号，通过基本面、估值面、情绪面、流动性四个维度的二级指标信号综合判断市场走势[13][14] **模型具体构建过程**： - 选取四个一级指标：基本面、估值面、情绪面、流动性 - 每个一级指标下设置多个二级指标： - 基本面：制造业PMI是否>50、信贷脉冲环比变化分位数、M1同比增速（HP滤波去趋势）分位数[13] - 估值面：A股整体PE分位数、A股整体PB分位数[13] - 情绪面：A股整体Beta离散度分位数、A股整体量能情绪分位数、A股整体波动率分位数[14] - 流动性：货币利率指标分位数、汇率预期指标分位数、沪深净融资额5日均值分位数[14] - 每个二级指标根据其数值在历史分位数位置给出乐观、谨慎或中性信号 - 综合各维度信号得出总仓位信号[13][14] **模型评价**：该模型通过多维度指标综合判断，能够较全面反映市场状况[13][14] 2. **模型名称**：成长价值风格轮动模型[24][25] **模型构建思路**：基于基本面、估值面、情绪面三个维度分析成长与价值风格的相对强弱，实现风格轮动配置[24] **模型具体构建过程**： - 基本面维度：分析盈利周期斜率、利率综合周期水平、信贷综合周期变化 - 盈利周期斜率大时利好成长风格 - 利率周期水平偏低时利好成长风格 - 信贷周期上行时利好成长风格[24] - 估值面维度：分析成长价值PE估值差分位数、PB估值差分位数 - 估值差均值回归上行时利好成长风格[24] - 情绪面维度：分析成长价值换手差分位数、波动差分位数 - 换手差偏高时利好成长风格 - 波动差反弹至偏高位置时利好均衡配置[24] - 综合三个维度信号得出超配成长或价值的建议[24] 3. **模型名称**：小盘大盘风格轮动模型[28][29] **模型构建思路**：从流动性视角出发，基于11个有效轮动指标构建综合大小盘轮动信号[28] **模型具体构建过程**： - 选取11个轮动指标：A股龙虎榜买入强度、R007、融资买入余额变化、主题投资交易情绪、等级利差、期权波动率风险溢价、beta离散度、pb分化度、大宗交易折溢价率、中证1000MACD(10,20,10)、中证1000交易量能[30] - 每个指标独立给出小盘或大盘的仓位建议（0%或100%） - 对11个指标的综合信号进行3日平滑处理[30] - 根据综合信号确定最终的小盘大盘配置比例[28][30] 模型的回测效果 1. **短期择时策略模型**[15][19][22] - 全区间（2012年底至今）年化收益率：16.05%（基准4.64%）[15][19] - 全区间年化超额收益率：11.41%[15][19] - 全区间最大回撤：15.49%（基准31.41%）[15][19] - 全区间夏普比率：0.9453（基准0.2766）[19] - 全区间收益回撤比：1.0360（基准0.1477）[19] - 2024年以来年化收益率：27.83%（基准8.31%）[22] - 2024年以来最大回撤：11.04%（基准8.89%）[22] - 2024年以来夏普比率：1.4264（基准0.5906）[22] 2. **成长价值风格轮动模型**[25][27] - 全区间（2012年底至今）年化收益率：12.40%（基准7.75%）[25][27] - 全区间年化超额收益率：4.65%[25] - 全区间最大回撤：43.07%（基准44.13%）[27] - 全区间夏普比率：0.5704（基准0.3684）[27] - 全区间收益回撤比：0.2879（基准0.1757）[27] - 2025年收益率：19.75%（基准22.28%）[25][27] 3. **小盘大盘风格轮动模型**[29][30] - 2025年超额收益率：11.88%[29][30] - 2014年以来每年均产生正向超额收益[29] - 综合信号3日平滑年化收益：19.51%[30] - 综合信号年化超额收益：12.73%[30] - 综合信号最大回撤：40.70%[30] 量化因子与构建方式 1. **因子名称**：Beta离散度[11][14] **因子构建思路**：衡量市场个股Beta系数的离散程度，反映市场共识度和趋势强度[11][14] **因子具体构建过程**：计算全市场个股Beta系数的标准差或变异系数[11][14] 2. **因子名称**：PB分化度[11][30] **因子构建思路**：衡量市场个股市净率的离散程度，反映估值分化状况[11][30] 3. **因子名称**：量能情绪得分[14] **因子构建思路**：基于市场交易量能变化构建的情绪指标[14] 4. **因子名称**：龙虎榜买入强度[28][30] **因子构建思路**：通过龙虎榜数据反映机构资金买入意愿[28][30] 5. **因子名称**：融资买入余额变化[28][30] **因子构建思路**：监测融资资金的变化趋势，反映杠杆资金情绪[28][30] 6. **因子名称**：主题投资交易情绪[28][30] **因子构建思路**：衡量主题投资的热度和市场关注度[28][30] 7. **因子名称**：中证1000MACD(10,20,10)[30] **因子构建思路**：基于中证1000指数的MACD技术指标判断小盘股趋势[30] 8. **因子名称**：中证1000交易量能[30] **因子构建思路**：监测中证1000指数的成交量变化，反映小盘股交易活跃度[30]

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. 成交量模型** - 模型构建思路：基于市场成交量的变化来判断短期市场走势[8] - 模型具体构建过程：通过分析宽基指数的成交量数据，判断市场情绪和资金活跃度[8][11] - 模型评价：短期有效的市场情绪指标 **2. 特征龙虎榜机构模型** - 模型构建思路：利用龙虎榜机构交易数据构建择时信号[8][11] - 模型具体构建过程：跟踪机构在龙虎榜上的买卖行为，分析机构资金流向[8][11] **3. 特征成交量模型** - 模型构建思路：基于特殊的成交量特征进行市场判断[8][11] - 模型具体构建过程：识别成交量中的异常波动和特殊模式[8][11] **4. 智能算法模型** - 模型构建思路：应用智能算法对沪深300和中证500指数进行择时[8][11] - 模型具体构建过程：使用机器学习等智能算法分析价量数据[8][11] - 模型评价：能够捕捉非线性关系 **5. 涨跌停模型** - 模型构建思路：通过涨跌停板数量分析市场情绪[8][12] - 模型具体构建过程：统计市场涨跌停个股数量及其变化趋势[8][12] **6. 上下行收益差模型** - 模型构建思路：比较市场上行和下行收益的差异[8][12][15] - 模型具体构建过程：计算特定时期内上涨股票与下跌股票的收益差异[8][12][15] - 模型评价：有效反映市场多空力量对比 **7. 月历效应模型** - 模型构建思路：基于日历效应进行市场择时[12] - 模型具体构建过程：分析历史数据中的季节性模式和月度效应[12] **8. 长期动量模型** - 模型构建思路：利用长期价格动量判断市场趋势[13] - 模型具体构建过程：计算长期时间窗口内的价格动量指标[13] - 模型评价：对长期趋势有较好的捕捉能力 **9. A股综合兵器V3模型** - 模型构建思路：综合多个因子和模型的复合择时模型[14] - 模型具体构建过程：整合短期、中期、长期多个维度的信号[14] **10. A股综合国证2000模型** - 模型构建思路：专门针对国证2000指数的综合择时模型[14] - 模型具体构建过程：结合多个因子对国证2000指数进行专门分析[14] **11. 成交额倒波幅模型** - 模型构建思路：用于港股市场的中期择时模型[15] - 模型具体构建过程：结合成交额和波动率指标进行判断[15] **12. 形态识别模型** - 模型构建思路：基于技术形态识别进行选股和择时[40][41][44][46][48] - 模型具体构建过程： - 杯柄形态：识别A点（起点）、B点（杯柄形成点）、C点（突破点）[44][51] - 双底形态：识别A点（第一个底部）、C点（第二个底部）、E点（突破点）[49][50] - 模型评价：经典的技术分析工具，对突破行情有较好效果 **13. VIX指数模型** - 模型构建思路：基于波动率指数进行市场风险判断[38] - 模型具体构建过程：复现中证指数公司的VIX计算方法，相关系数达到99.2%[38] - 模型评价：有效的市场恐慌情绪指标 模型的回测效果 **形态识别模型表现**[40]： - 双底形态组合：本周收益-6.55%，相对上证综指跑输-2.65%，累计收益10.32% - 杯柄形态组合：本周收益-5.67%，相对上证综指跑输-1.77%，累计收益6.66% **VIX指数**[38][39]： - 最新VIX值：16.8 **形态突破个股表现**[41][46]： - 杯柄形态突破个股：上周5只个股中2只跑赢上证综指，平均超额收益0.16% - 双底形态突破个股：上周7只个股中2只跑赢上证综指，平均超额收益-0.05% 量化因子与构建方式 **1. 机构仓位因子** - 因子构建思路：基于基金仓位变化分析机构行为[22][23][24][25] - 因子具体构建过程：跟踪股票型和混合型基金的行业配置变化[22][23][24][25] **2. 分析师预期因子** - 因子构建思路：利用分析师一致预期数据[18][19] - 因子具体构建过程：统计分析师上调/下调个股比例[18][19] **3. 资金流向因子** - 因子构建思路：分析主力资金流向[16] - 因子具体构建过程：跟踪各行业主力资金净流入流出情况[16] 因子的回测效果 **机构仓位因子表现**[22][23][24][25]： - 股票型基金总仓位：95.82%，较上周减少52bps - 混合型基金总仓位：88.71%，较上周减少218bps - 加仓行业：汽车、电力设备及新能源 - 减仓行业：通信、基础化工 **分析师预期因子表现**[18][19]： - 分析师上调比例最高行业：农林牧渔(5.0%)、国防军工(4.17%)、石油石化(4.0%) - 分析师下调比例最高行业：电子(4.55%)、医药(3.8%)、钢铁(3.77%) **资金流向因子表现**[16]： - 所有行业主力资金净流出 - 净流出前五行业：电子、电力设备及新能源、基础化工、医药、机械

量化模型与构建方式 1. 普林格周期模型 **模型名称**：普林格周期模型[13][14][16] **模型构建思路**：通过观察股票、债券和大宗商品的轮动表现，将经济与市场划分为六个阶段，帮助投资者应对不同的经济环境[14][16] **模型具体构建过程**： - 将经济周期划分为六个阶段，每个阶段对应不同的资产表现： 1. 第一阶段（经济复苏初期）：股票小幅上涨，债券表现最佳，大宗商品持平 2. 第二阶段（经济复苏加速）：股票领涨，债券转弱，大宗商品持平 3. 第三阶段（经济扩张高峰）：股票上涨放缓，债券进一步减弱，大宗商品开始上涨 4. 第四阶段（经济过热）：股票下跌，债券持平或小幅下跌，大宗商品表现最佳 5. 第五阶段（经济增长放缓）：股票继续下跌，债券逐步改善，大宗商品下跌 6. 第六阶段（经济衰退）：股票触底或小幅反弹，债券表现最佳，大宗商品表现最差[16] - 通过市场价格与风格轮动特征反向刻画宏观周期状态[3] **模型评价**：普林格周期本身具有一定的前瞻性，能够从价格、利率、商品等市场变量中提取出"隐含的经济预期"，提前反映经济处于复苏、过热或衰退的大方向[47] 2. 宏观趋势信号（TS）模型 **模型名称**：宏观趋势信号（Trend Score, TS）[4][31] **模型构建思路**：从多项宏观经济指标中筛选出最具解释力的变量，综合构建为一个新的宏观趋势信号，用于识别宏观环境的"积极"与"谨慎"状态[4] **模型具体构建过程**： 1. **因子选取与权重**：从月度宏观数据中提取核心因子，包括PMI新订单（权重2）、PPI YoY（权重1）、PPI MoM（权重1）、M1 YoY（权重2）、M2 YoY（权重1）[29] 2. **标准化处理**：对每个因子做12个月滚动Z-score，得到可比的月度z分数矩阵[33] $$ Z_{i,t} = \frac{X_{i,t} - \mu_{i,t-11:t}}{\sigma_{i,t-11:t}} $$ 其中$Z_{i,t}$为因子i在t月的Z-score，$X_{i,t}$为因子原始值，$\mu_{i,t-11:t}$和$\sigma_{i,t-11:t}$为过去12个月的均值和标准差 3. **加权合成**：将各因子的z分数按归一化权重加总，得到月度原始Trend Score[33] $$ TS_t = \sum_{i=1}^{5} w_i \cdot Z_{i,t} $$ 4. **EWMA平滑**：对原始TS做EWMA（α=0.5），得到更稳定、段落更清晰的趋势曲线[33] $$ TS_{smooth,t} = α \cdot TS_t + (1-α) \cdot TS_{smooth,t-1} $$ 5. **防跳跃规则**：使用60期滚动分位+双阈值迟滞（35/65外层+45/55内层），将Trend Score划分为"谨慎/中性/积极"三类宏观状态[33][34] - 初始/上期为中性时：x ≤ 下外层（35%）→进入谨慎；x ≥ 上外层（65%）→进入积极；否则→保持中性 - 上期为谨慎时：x仍低于下内层（45%）→继续谨慎；x介于下内层和上外层之间（45%~65%）→回到中性；x ≥ 上外层（65%）→反向进入积极 - 上期为积极时：x仍高于上内层（55%）→继续积极；x介于下外层和上内层之间（35%~55%）→回到中性；x ≤ 下外层（35%）→反向进入谨慎[34] 6. **频率扩展与滞后**：将月度TS与状态扩展至日频，并整体滞后15天用于实盘使用[33] **模型评价**：宏观趋势信号（TS）基于月度宏观数据构建，反映真实经济活动、企业利润与流动性的中期趋势，具有更强的稳定性和跨行业一致性[47] 3. 复合宏观配置模型 **模型名称**：双源驱动宏观配置模型[47][51] **模型构建思路**：结合普林格周期和宏观趋势信号TS，构建"市场预期+宏观数据"的双源驱动框架，在不同宏观状态下选择不同宽基指数和行业配置[47][51] **模型具体构建过程**： - **状态划分**：将普林格周期的复苏、过热、衰退状态与TS的谨慎、中性、积极状态进行组合，形成9种宏观情景[53] - **宽基配置逻辑**： - 偏乐观情景（谨慎-复苏、中性-复苏、积极-复苏、积极-衰退、积极-过热）：配置中证2000、创业板指等成长性指数[53] - 偏谨慎情景（谨慎-衰退、谨慎-过热、中性-衰退、中性-过热）：配置沪深300、低波红利等防御性指数[53] - **行业轮动逻辑**： - 防守思路：在悲观/谨慎情境下增配银行、公用事业、食品饮料等抗跌行业[53] - 进攻思路：在复苏/积极情境下重点增配非银行金融（券商）、电子等进攻性行业[53] - 牛市中后段（过热阶段）：逐步加入化工、有色金属、煤炭等顺周期行业[55] **模型评价**：两者结合能够互补，普林格提供趋势的早期提示，TS提供趋势的确认与过滤，当两者方向一致时，其正向收益的确定性在回测中最强、跨行业一致性最高[47] 模型的回测效果 1. 宏观状态组合表现 **普林格复苏+TS积极组合**： - 沪深300平均收益率：2.74%[41] - 中证2000平均收益率：3.14%[42] - 创业板指平均收益率：4.31%[43] - 低波红利平均收益率：1.51%[44] **普林格复苏+TS中性组合**： - 沪深300平均收益率：0.23%[41] - 中证2000平均收益率：2.85%[42] - 创业板指平均收益率：-0.97%[43] - 低波红利平均收益率：-0.69%[44] **普林格复苏+TS谨慎组合**： - 沪深300平均收益率：-0.24%[41] - 中证2000平均收益率：4.42%[42] - 创业板指平均收益率：3.69%[43] - 低波红利平均收益率：2.13%[44] 2. 行业板块在特定状态下的表现 **积极-复苏状态下表现最佳的行业**： - 电力设备及新能源：5.63%[62] - 有色金属：5.51%[62] - 消费者服务：4.87%[62] - 基础化工：4.49%[62] - 创业板指：4.31%[62] **积极-过热状态下表现最佳的行业**： - 电子：2.26%[62] - 基础化工：2.09%[62] - 电力设备及新能源：2.02%[62] - 家用电器：1.98%[62] - 食品饮料：1.96%[62] 3. 综合配置策略年度表现 **策略年度收益率与超额收益**： - 2011年：策略-15.7%，基准-25.0%，超额12.4%[58] - 2012年：策略5.7%，基准7.6%，超额-1.7%[58] - 2013年：策略24.4%，基准-7.6%，超额34.7%[58] - 2014年：策略64.8%，基准51.7%，超额8.7%[58] - 2015年：策略27.3%，基准5.6%，超额20.5%[58] - 2016年：策略-10.9%，基准-11.3%，超额0.5%[58] - 2017年：策略13.5%，基准21.8%，超额-6.8%[58] - 2018年：策略-20.5%，基准-25.3%，超额6.5%[58] - 2019年：策略40.1%，基准36.1%，超额3.0%[58] - 2020年：策略31.5%，基准27.2%，超额3.4%[58] - 2021年：策略17.8%，基准-5.2%，超额24.2%[58] - 2022年：策略-18.0%，基准-21.6%，超额4.6%[58] - 2023年：策略-0.6%，基准-11.4%，超额12.2%[58] - 2024年：策略27.5%，基准14.7%，超额11.2%[58] - 2025年（至11月14日）：策略43.9%，基准17.6%，超额22.3%[58] 4. 风险调整后收益表现 **收益波动比表现最佳的行业（积极-复苏状态）**： - 基础化工：87.72%[66] - 汽车：77.97%[66] - 电力设备及新能源：77.86%[66] - 机械：75.08%[66] - 有色金属：74.93%[66] **收益波动比表现最佳的行业（积极-过热状态）**： - 食品饮料：23.89%[66] - 银行：23.36%[66] - 低波红利：22.63%[66] - 煤炭：22.55%[66] - 中证2000：19.51%[66]

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：主动权益基金仓位测算模型**[22][24][25] - **模型构建思路**：通过持股市值加权计算主动权益型基金的平均仓位，用于跟踪公募基金的市场配置动态[22][24] - **模型具体构建过程**： 1. **样本筛选**：选择合格样本基金，筛选门槛包括： - 成立期满两个季度 - 基金未到期 - 规模大于5000万元 - 过去四期平均仓位大于60%[25] 2. **分类处理**：将主动权益型基金分为普通股票型、偏股混合型、灵活配置型、平衡混合型四类，其中灵活配置型和平衡混合型合称配置型基金[25] 3. **仓位计算**：采用持股市值加权方法计算市场平均仓位[25] 4. **数据清理**：剔除不完全投资于A股的基金[26] **2 模型名称：固收+基金仓位测算模型**[27][28][29] - **模型构建思路**：专门针对固收+基金构建仓位监测模型，跟踪低风险偏好资金的权益配置情况[27][28] - **模型具体构建过程**： 1. **样本筛选**：固收+基金合格样本筛选门槛包括： - 成立期满两个季度 - 未到期 - 规模大于5000万元 - 过去四期平均仓位在10%-30%[25] 2. **基金分类**：固收+基金包括偏债混合型基金、混合债券型二级基金、灵活配置型基金[25] 3. **加权计算**：采用持股市值加权方法计算平均仓位[28] **3 模型名称：基金风格暴露分析模型**[30][31][32] - **模型构建思路**：分析主动偏股型基金在不同市值风格上的仓位分布，跟踪基金风格偏好变化[30][31] - **模型具体构建过程**： 1. **风格分类**：将基金持仓按大盘成长、大盘价值、中盘成长、中盘价值、小盘成长、小盘价值六类进行划分[30][31] 2. **仓位测算**：计算各类风格仓位占比，监测风格暴露变化趋势[30][32] 3. **趋势分析**：跟踪各风格仓位的周度变化，识别风格轮动方向[30] **4 模型名称：行业配置监测模型**[33][34] - **模型构建思路**：基于中信一级行业分类，监测主动权益型基金行业配置变化[33][34] - **模型具体构建过程**： 1. **行业分类**：采用中信一级行业分类标准，涵盖30个行业[34] 2. **配置计算**：计算各行业配置比例，采用持股市值加权平均值[33] 3. **趋势识别**：标注连续上涨或连续下跌的行业，识别配置趋势[34] 4. **变动分析**：计算较上周配置比例变动，分析增减配方向[33][34] **5 模型名称：资金流向分析模型**[53][54][56] - **模型构建思路**：基于成交单规模划分资金类型，分析主力资金和主动资金流向[53][54] - **模型具体构建过程**： 1. **资金分类标准**： - 特大单：成交量在20万股以上，或成交金额在100万元以上[53] - 大单：成交量在6万股到20万股之间，或成交金额在30万到100万之间，或成交量占流通盘0.1%[53] - 中单：成交量在1万股与6万股之间，或成交金额在5万到30万之间[53] - 小单：成交量在1万股以下，或成交金额在5万元以下[53] 2. **流向计算**：分别计算各类型资金的净流入额[54][57][59] 3. **多维分析**：从个股和行业两个维度分析资金流向特征[54][59] 模型的回测效果 **1 主动权益基金仓位测算模型**[22] - 截至2025/11/21，主动权益型基金平均仓位：89.09% - 普通股票型基金平均仓位：91.84%（较上周上升0.47pct） - 偏股混合型基金平均仓位：90.10%（较上周上升0.39pct） - 配置型基金平均仓位：86.36%（较上周上升0.38pct） **2 固收+基金仓位测算模型**[22] - 固收+基金平均仓位：23.36%（较上周下降0.58pct） **3 基金风格暴露分析模型**[30] - 大盘成长仓位：43.41%（较上周上升1.57pct） - 大盘价值仓位：7.58%（较上周上升0.17pct） - 中盘成长仓位：6.93%（较上周上升1.5pct） - 中盘价值仓位：4.76%（较上周上升0.76pct） - 小盘成长仓位：27.97%（较上周下降2.74pct） - 小盘价值仓位：9.34%（较上周下降1.27pct） **4 行业配置监测模型**[33][34] - 配置比例上调较多行业： - 综合：0.76%（较上周提升0.24pct） - 钢铁：1.22%（较上周提升0.21pct） - 医药：10.29%（较上周提升0.14pct） - 家电：2.01%（较上周提升0.13pct） - 煤炭：0.90%（较上周提升0.13pct） - 配置比例下调较多行业： - 机械：5.32%（较上周下降0.39pct） - 计算机：4.75%（较上周下降0.20pct） - 综合金融：0.65%（较上周下降0.19pct） - 房地产：0.56%（较上周下降0.14pct） - 建材：0.83%（较上周下降0.09pct） **5 资金流向分析模型**[54][59] - 主力资金流向： - 净流入行业：银行等 - 净流出行业：电子、电力设备及新能源、基础化工、医药、有色金属等 - 主动资金流向： - 主买净额：-5158.66亿元 - 净流出行业：电力设备及新能源、基础化工、医药、电子、机械等 量化因子与构建方式 **1 因子名称：基金仓位变动因子**[22][30][33] - **因子构建思路**：基于基金仓位变化构建动量因子，识别资金配置趋势[22][30] - **因子具体构建过程**：计算各类基金仓位较上周变动幅度，作为资金流向的代理变量[22][30][33] **2 因子名称：风格暴露因子**[30][31][32] - **因子构建思路**：通过基金在不同风格上的仓位暴露，构建风格轮动因子[30][31] - **因子具体构建过程**：监测六类风格仓位的相对变化，识别风格偏好转移[30][32] **3 因子名称：行业集中度因子**[33][34] - **因子构建思路**：基于基金行业配置集中度变化，构建行业轮动因子[33][34] - **因子具体构建过程**：跟踪电子、有色等特定行业仓位变化，识别配置集中方向[33][34] **4 因子名称：资金流向因子**[54][59][61] - **因子构建思路**：利用不同规模资金的流向差异，构建市场情绪因子[54][59] - **因子具体构建过程**：分别计算特大单、大单、中单、小单的净流入额，分析资金结构特征[54][59][61] 因子的回测效果 **1 基金仓位变动因子**[22] - 主动权益基金仓位连续四周维持在90%下方 - 本周仓位小幅抬升，显示短期乐观情绪 **2 风格暴露因子**[30] - 大盘成长风格暴露持续提升至43.41% - 小盘风格仓位明显下降，风格向大盘集中 **3 行业集中度因子**[33][34] - 电子行业仓位保持20%以上（20.59%） - 有色行业仓位6.07%，呈现连续上涨趋势 - 反内卷相关行业仓位有所抬升 **4 资金流向因子**[54][59] - 特大单在电子行业净流出337.09亿元 - 大单在电力设备及新能源行业净流出159.53亿元 - 中单在电子行业净流入57.64亿元 - 小单在电力设备及新能源行业净流入440.97亿元

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：行业拥挤度因子**[3][16] * **因子构建思路**： 使用行业指数最近一周的价格变动和成交金额变动，通过计算两者的马氏距离来衡量行业的短期交易拥挤程度[3][16] * **因子具体构建过程**： 1. 选取各行业指数 2. 计算行业指数最近一周的价格变动率 3. 计算行业指数最近一周的成交金额变动率 4. 基于价格变动率和成交金额变动率计算马氏距离，作为拥挤度的度量[16] * **因子评价**： 该因子可用于识别短期交易过热（显著拥挤）或交易行为异常的行业，第1象限椭圆外的点表示短期显著拥挤的行业，第3象限椭圆外的点表示价量齐跌且偏离度高的行业[16] 模型的回测效果 （报告中未涉及具体模型的回测效果指标） 因子的回测效果 （报告中未涉及具体因子的回测效果指标，如IC、IR等） **注**：本报告主要为市场数据回顾与描述性统计，并未详细阐述用于预测或选股的量化模型，也未提供因子或模型的系统化回测绩效指标（如年化收益、夏普比率、信息比率、最大回撤等）[8][9][12][13][14]

经过仔细阅读和分析，您提供的这份文档是国信证券发布的《金融工程日报》，其主要内容是对特定交易日（2025年11月21日）的市场表现、情绪、资金流向等进行数据统计和描述性总结。该文档属于市场监控和日常评论性质，**并未涉及任何量化模型的构建、测试或因子分析**。 文档中提到的“封板率”、“连板率”、“大宗交易折价率”、“股指期货年化贴水率”等是用于衡量市场情绪和资金面的常用**观测指标**，而非用于选股或预测的量化因子或模型。报告仅提供了这些指标在特定时点的计算结果或历史统计值，没有展示其作为预测因子的有效性检验（如IC值、IR值、分层回测等）。 因此，根据您的任务要求，本报告中**没有需要总结的量化模型或量化因子内容**。 如果您有包含具体量化策略、因子挖掘或模型回测的研报，我很乐意为您进行总结。

根据研报内容，以下是关于量化因子和模型的总结： 量化因子与构建方式 大类因子 1. **因子名称**：市值因子[18] **因子构建思路**：基于股票市值规模构建的因子[18] **因子评价**：本周市场大市值风格显著[18] 2. **因子名称**：杠杆因子[18] **因子构建思路**：基于公司财务杠杆水平构建的因子[18] 3. **因子名称**：流动性因子[18] **因子构建思路**：基于股票流动性特征构建的因子[18] 4. **因子名称**：残差波动率因子[18] **因子构建思路**：基于股票残差波动率特征构建的因子[18] 5. **因子名称**：估值因子[18] **因子构建思路**：基于公司估值水平构建的因子[18] 行业内因子 6. **因子名称**：净资产增长率因子[21] **因子构建思路**：基于公司净资产增长情况构建的因子[21] 7. **因子名称**：净利润增长率因子[21] **因子构建思路**：基于公司净利润增长情况构建的因子[21] 8. **因子名称**：每股净资产因子[21] **因子构建思路**：基于每股净资产指标构建的因子[21] 9. **因子名称**：每股经营利润TTM因子[21] **因子构建思路**：基于每股经营利润TTM指标构建的因子[21] 10. **因子名称**：EP因子[21] **因子构建思路**：基于盈利价格比构建的估值类因子[21] 量化模型与构建方式 1. **模型名称**：PB-ROE-50组合[23] **模型构建思路**：基于市净率（PB）和净资产收益率（ROE）指标构建的量化选股组合[23] 2. **模型名称**：机构调研组合[25] **模型构建思路**：基于机构调研活动构建的选股策略，包括公募调研选股策略和私募调研跟踪策略[25] 3. **模型名称**：大宗交易组合[29] **模型构建思路**：基于大宗交易数据，按照"高成交、低波动"原则构建的选股组合[29] **模型具体构建过程**：通过"大宗交易成交金额比率"和"6日成交金额波动率"两个指标，采用月频调仓方式构造组合。选择"大宗交易成交金额比率"越高、"6日成交金额波动率"越低的股票[29] 4. **模型名称**：定向增发组合[35] **模型构建思路**：基于定向增发事件驱动构建的选股组合[35] **模型具体构建过程**：以股东大会公告日为时间节点，综合考虑市值因素、调仓周期以及对仓位的控制来构造组合[35] 因子的回测效果 | 因子名称 | 最近1周收益 | 最近1个月收益 | 最近1年收益 | 最近10年收益 | |---------|------------|-------------|------------|-------------| | 市值因子 | 0.99%[18] | - | - | - | | 杠杆因子 | -0.41%[18] | - | - | - | | 流动性因子 | -0.43%[18] | - | - | - | | 残差波动率因子 | -0.50%[18] | - | - | - | | 估值因子 | -0.68%[18] | - | - | - | 模型的回测效果 PB-ROE-50组合表现[24] | 股票池 | 本周超越基准收益率 | 今年以来超额收益率 | 本周绝对收益率 | 今年以来绝对收益率 | |--------|------------------|-------------------|----------------|-------------------| | 中证500 | -1.30% | 1.58% | -7.01% | 20.95% | | 中证800 | -2.09% | 13.40% | -6.31% | 30.05% | | 全市场 | -1.46% | 16.48% | -6.44% | 36.70% | 机构调研组合表现[26] | 策略类型 | 本周超越基准收益率 | 今年以来超额收益率 | 本周绝对收益率 | 今年以来绝对收益率 | |----------|------------------|-------------------|----------------|-------------------| | 公募调研选股 | -1.91% | 12.42% | -6.14% | 28.92% | | 私募调研跟踪 | -3.65% | 12.06% | -7.80% | 28.51% | 大宗交易组合表现[30] | 指标 | 本周超越基准收益率 | 今年以来超额收益率 | 本周绝对收益率 | 今年以来绝对收益率 | |------|------------------|-------------------|----------------|-------------------| | 大宗交易组合 | -2.84% | 35.29% | -7.75% | 58.77% | 定向增发组合表现[36] | 指标 | 本周超越基准收益率 | 今年以来超额收益率 | 本周绝对收益率 | 今年以来绝对收益率 | |------|------------------|-------------------|----------------|-------------------| | 定向增发组合 | -1.42% | -3.89% | -6.40% | 12.80% |

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：港股精选组合模型**[15][16] * **模型构建思路**：该模型旨在对分析师推荐股票池进行基本面和技术面的双层优选，挑选出同时具备基本面支撑和技术面共振的超预期股票[15][16] * **模型具体构建过程**： 1. **构建分析师推荐股票池**：以分析师上调盈利预测、分析师首次关注、分析师研报标题超预期事件作为分析师推荐事件构建初始股票池[16] 2. **双层优选**：对分析师推荐股票池中的股票进行基本面和技术面两个维度的精选，具体筛选标准未在提供内容中详细说明[16] 2. **因子名称：250日新高距离**[23] * **因子构建思路**：用于量化个股股价接近其历史最高点的程度，触及新高的个股可被视为市场的风向标[21][23] * **因子具体构建过程**：计算最新收盘价与过去250个交易日最高收盘价的相对距离 $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，`Closet`为最新收盘价，`ts_max(Close, 250)`为过去250个交易日收盘价的最大值[23] * **因子评价**：该因子是动量、趋势跟踪策略的有效性指标之一，在港股市场中动量效应尤其显著[21] 3. **模型名称：平稳创新高股票筛选模型**[23][24] * **模型构建思路**：根据分析师关注度、股价相对强弱、股价路径平稳性、创新高连续性等角度，在过去20个交易日创出过250日新高的股票池中筛选出趋势更为稳健的创新高股票[23] * **模型具体构建过程**： 1. **样本池**：全部港股，但需剔除成立时间不超过15个月的股票[24] 2. **分析师关注度筛选**：过去6个月买入或增持评级的分析师研报不少于5份[24] 3. **股价相对强弱筛选**：过去250日涨跌幅位于样本池前20%[24] 4. **股价平稳性筛选**：在满足上述条件的股票池内，用以下两个指标综合打分，取排名在前50%的股票（最少取50只）[24] * **价格路径平滑性（股价位移路程比）**：`过去120日涨跌幅绝对值 / 过去120日日涨跌幅绝对值加总`[23][24] * **创新高持续性**：过去120日的250日新高距离在时间序列上的均值[24] 5. **趋势延续性筛选**：对经过上述筛选的股票，计算其过去5日的250日新高距离在时间序列上的均值，并取排序靠前的50只作为最终的平稳创新高股票[24] 模型的回测效果 1. **港股精选组合模型**[20] * 全样本年化收益：19.11% * 全样本超额收益（相对恒生指数）：18.48% * 全样本信息比率（IR）：1.22 * 全样本跟踪误差：14.55% * 全样本收益回撤比：0.78 * 全样本相对最大回撤：23.73% 2. **平稳创新高股票筛选模型**[29] * 该模型筛选出的股票列表及其部分特征指标（如250日新高距离、过去250日涨跌幅等）已在报告中列出，但未提供该策略组合的整体回测绩效指标（如年化收益、信息比率等）[29] 量化因子与构建方式 （报告中提及的独立因子已在“量化模型与构建方式”部分总结，此处不再重复） 因子的回测效果 （报告未提供独立因子的分层测试回测结果，如IC、IR等）

根据提供的金融工程日报内容，报告主要描述了市场表现、情绪指标和资金流向等市场监测内容，并未涉及具体的量化模型或量化因子的构建、测试与评价。报告内容属于市场日常数据统计与描述，不具备量化模型或因子分析的核心要素。 因此，本次总结无法提供关于量化模型或量化因子的名称、构建思路、具体构建过程、评价及测试结果等内容。