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：股指期货期现套利模型**[45][46] **模型构建思路**：当股指期货的市场价格偏离其理论价格时，通过在期货和现货市场进行低买高卖操作，并持有至基差收敛以获取无风险收益[45] **模型具体构建过程**：模型基于期货价格在交割日会与现货价格收敛的理论，分为正向套利和反向套利两种策略[45] - **正向套利**：当现货被低估而期货被高估时，卖出期货合约，买入现货[46] - **反向套利**：当现货被高估而期货被低估时，买入期货合约，卖出现货[46] **套利收益率计算公式**： 正向套利收益率公式为： $$P={\frac{(F_{\mathrm{t}}-S_{\mathrm{t}})-(S_{\mathrm{t}}+F_{\mathrm{t}}M_{\mathrm{t}})(1+r_{\mathrm{t}})^{\frac{T-t}{360}}-S_{\mathrm{t}}C s-F_{\mathrm{t}}C f)}{S_{\mathrm{t}}+F_{\mathrm{t}}M_{\mathrm{t}}}}$$ [46] 反向套利收益率公式为： $$P={\frac{(S_{t}-F_{t})-(S_{t}M l+F_{t}M_{f})(1+r_{f})^{\frac{T-t}{360}}-S_{t}C s-F_{t}C f-S_{t}r^{\frac{T-t}{360}})}{S_{t}M l+F_{t}M_{f}}}$$ [46] 其中，`S_t`和`F_t`分别为t时刻现货与期货价格，`S_T`和`F_T`为T时刻价格，`M_f`和`M_l`为期货与融券保证金比率，`C_s`和`C_f`为现货与期货交易费用比率，`r_f`为无风险利率，`r_l`为融券年利率[46] **参数设定**：计算中，股指期货单边交易费用取万分之零点二三，现货单边交易费用取千分之一，期货和融券保证金分别为20%和50%，融券利率为年化10.6%，暂不考虑分红影响[46] 2. **因子名称：分红点位预测因子**[47][50] **因子构建思路**：通过预测指数成分股的分红，来修正股指期货的基差率，从而更准确地反映市场真实的基差水平[47] **因子具体构建过程**：因子构建的核心是对指数成分股未来分红点位的预测，具体方法如下[47]： - **分红进度处理**：对于已实施或已公布分红预案的股票，按照实际实施或预案计算；对于未公布分红预案的股票，使用EPS乘以预测派息率进行估算[47] - **EPS取值规则**： - 若预测时间t在10月之前，且上年度公司分红未结束，则使用上年度数据进行预测，EPS取年报披露的EPS；若年报EPS未披露，则取上年度12月31日的EPS_TTM[47][48] - 若预测时间t在10月之后，对于已结束分红的公司，需对明年分红进行预测，EPS取值为t时间的EPS_TTM[47][48] - **预测派息率取值规则**： - 对于过去三年稳定派息的公司，预测派息率取过去三年派息率均值[48][52] - 对于稳定派息不足三年但持续盈利的公司，预测派息率取上一年度的派息率[48][52] - 对于过去一年未盈利、正在资产重组、上市不足一年的公司，若没有分红预告，则认为其不分红，预测派息率为0[49][52] - **分红点位计算**：最终的分红点位影响通过以下公式计算： $$分红点位 = \sum \frac{每股分红 * 指数收盘价 * 成分股权重}{成分股收盘价} = \sum \frac{EPS * 预测派息率 * 指数收盘价 * 成分股权重}{成分股收盘价}$$ [50] 3. **模型名称：卖方策略观点大模型汇总流程**[39][42] **模型构建思路**：利用大语言模型（LLM）自动化处理大量卖方策略报告，提取并汇总市场及行业观点，识别共识与分歧，为投资者提供参考[5][39] **模型具体构建过程**：通过构建多套提示词（prompts），让大模型完成从含观点的研报筛选、市场观点和行业观点的原文信息提取，到最终观点汇总的全流程[39][42] 模型的回测效果 *（注：研报中未提供具体的量化模型回测绩效指标，如年化收益率、夏普比率、最大回撤等）* 量化因子与构建方式 *（注：研报中除“分红点位预测因子”外，未详细描述其他独立的量化因子构建）* 因子的回测效果 *（注：研报中未提供“分红点位预测因子”或其他因子的具体测试结果，如IC值、IR值、因子收益率等）*

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：大买单成交金额占比**[7] * **因子构建思路**：该因子旨在刻画大资金的买入行为[7] 其核心思路是利用逐笔成交数据，识别出大额买单，并计算其成交金额在总成交额中的比例[7] * **因子具体构建过程**： 1. 数据准备：获取股票的逐笔成交数据[7] 2. 数据还原：根据逐笔成交数据中的叫买和叫卖序号，将数据还原为买卖单数据[7] 3. 筛选大单：对还原后的买卖单数据，按照每单的成交量设定阈值，筛选出大额交易单[7] 4. 计算指标：从大额交易单中，提取大买单的成交金额，并计算其占当日该股票总成交金额的比例[7] 公式如下： $$大买单成交金额占比 = \frac{当日大买单成交金额}{当日总成交金额}$$[7] 2. **因子名称：净主动买入金额占比**[7] * **因子构建思路**：该因子旨在刻画投资者的主动买入行为[7] 其核心思路是根据逐笔成交数据区分主动买入和主动卖出，计算其净额占总体成交的比例[7] * **因子具体构建过程**： 1. 数据准备：获取股票的逐笔成交数据[7] 2. 行为界定：根据逐笔成交数据中的买卖标志，界定每一笔成交属于主动买入还是主动卖出[7] 3. 计算净额：将当日所有主动买入成交金额之和，减去所有主动卖出成交金额之和，得到净主动买入金额[7] 4. 计算指标：计算该净主动买入金额占当日总成交金额的比例[7] 公式如下： $$净主动买入金额占比 = \frac{当日主动买入成交金额 - 当日主动卖出成交金额}{当日总成交金额}$$[7] 因子的回测效果 * **大买单成交金额占比因子**：在个股层面，近5日（20250922-20250926）该因子均值排名前列的股票其指标值介于87.3%至89.1%之间，时序分位数均高于95%[9] 在宽基指数层面，近5日该因子均值介于70.2%（上证50）至72.3%（上证指数）之间[12] 在行业层面，近5日该因子均值排名前五的中信一级行业为：银行（80.0%）、石油石化（79.0%）、非银行金融（78.2%）、钢铁（78.2%）、房地产（78.1%）[4][13] 在ETF层面，近5日该因子均值排名前列的ETF其指标值介于87.8%至89.7%之间[15] * **净主动买入金额占比因子**：在个股层面，近5日（20250922-20250926）该因子均值排名前列的股票其指标值介于10.9%至17.9%之间，时序分位数均高于95%[10] 在宽基指数层面，近5日该因子均值介于-6.6%（创业板指）至1.1%（上证50）之间[12] 在行业层面，近5日该因子均值排名前五的中信一级行业为：银行（10.1%）、石油石化（3.9%）、农林牧渔（2.0%）、房地产（1.4%）、电力及公用事业（1.0%）[4][13] 在ETF层面，近5日该因子均值排名前列的ETF其指标值介于6.9%至16.0%之间[16]

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：GAN_GRU模型**[4][13] * **模型构建思路**：该模型是一个深度学习选股模型，其核心思路是利用生成式对抗网络（GAN）对量价时序特征进行增强处理，然后再利用门控循环单元（GRU）网络对处理后的时序特征进行编码，以预测股票的未来收益[4][13]。 * **模型具体构建过程**： * **基础特征**：模型输入为18个量价特征，包括日频特征（如开盘价、收盘价、成交量等）和月频特征（如月涨跌幅、月换手率等）[17][19]。 * **特征预处理**：每次采样的40天内，每个特征在时序上去极值并标准化；每个特征在个股层面上进行截面标准化[18]。 * **GAN特征生成**： * **生成器（G）**：采用LSTM模型，输入原始量价时序特征（形状为40*18），输出经处理后的量价时序特征（形状仍为40*18）[33][37]。其损失函数为： $$L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))]$$ 其中，\(z\) 是随机噪声，\(G(z)\) 是生成的数据，\(D(G(z))\) 是判别器判断生成数据为真的概率[24]。 * **判别器（D）**：采用CNN模型，用于区分真实量价特征和生成器生成的特征。其损失函数为： $$L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$$ 其中，\(x\) 是真实数据，\(D(x)\) 是判别器对真实数据的输出概率[27]。 * **训练过程**：生成器和判别器交替训练，直至模型收敛[29][30]。 * **GRU收益预测**：将GAN中生成器输出的增强后特征，输入到一个两层GRU网络（GRU(128, 128)）中，后面再接一个多层感知机MLP（MLP(256, 64, 64)）。模型最终输出的预测收益（pRet）即作为选股因子[22]。 * **训练与预测设置**： * 使用过去400天内的数据，每5个交易日采样一次，采样形状为40*18，用以预测未来20个交易日的累计收益[18]。 * 训练集与验证集比例为80%:20%[18]。 * 采用半年滚动训练，每年6月30日和12月31日进行模型训练，用于未来半年的预测[18]。 * 回测中，因子经过行业和市值中性化以及标准化处理[22]。 模型的回测效果 1. **GAN_GRU模型**，IC均值0.1136[41][42]，ICIR（未年化）0.89[42]，换手率0.83[42]，年化收益率37.41%[42]，年化波动率23.59%[42]，信息比率(IR)1.59[42]，最大回撤率27.29%[42]，年化超额收益率22.58%[41][42] 量化因子与构建方式 1. **因子名称：GAN_GRU因子**[4][13] * **因子构建思路**：该因子是GAN_GRU模型输出的股票未来收益预测值，直接作为选股依据[4][13][22]。 * **因子具体构建过程**：因子构建过程与上述GAN_GRU模型的构建过程完全一致，因子值即为模型的最终输出（pRet）[22]。 因子的回测效果 1. **GAN_GRU因子**，IC均值0.1136[41][42]，近期IC值（2025年9月）0.1053[41][42]，近一年IC均值0.0982[41][42]

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**：迭代因子选择模型[3] - **模型构建思路**：针对“因子动物园”问题，提出一种系统性的迭代选择策略，旨在以最少数量的因子捕捉绝大部分有效的定价信息[2][3] - **模型具体构建过程**：该模型从CAPM开始，在每一步迭代中，从剩余因子池中选择一个能最大程度提升当前模型解释力的因子加入模型，提升效果通过GRS统计量的下降幅度来衡量[3] - **步骤1**：设 l=0，以CAPM模型作为起点，解释因子动物园中除市场因子外的N个因子[25] $$f_{i}=\alpha_{i}+\beta_{m}r_{m}+\varepsilon_{i}\qquad i=1,\ldots,N\tag{1}$$ 其中，rm 是市场超额收益，N 是因子动物园中除市场因子外的因子数量[25] - **步骤2**：测试 N−l 个不同的增强因子模型，每个模型都将一个剩余的因子（标记为 ftest）添加到前一次迭代的模型中[26] $$f_{i}=\alpha_{i}+\beta_{m}r_{m}+\sum_{k=1}^{l}\beta_{k}f_{k}+\beta^{test}f^{test}+\varepsilon_{i}\qquad i=1,\ldots,N-l\,$$ - **步骤3**：根据解释力（由GRS统计量量化）对测试的因子模型进行排序，并选择最强的模型[26] - **步骤4**：设 l=l+1，并根据增强后的因子模型计算剩余显著因子alpha的数量 n(α)t>x[26] $n(\alpha)_{t>x}=|\{a_{i}\,|\,t(a_{i})>x\}|$$i=1,...,N-l$ 其中 x 是选定的显著性阈值（例如 t>1.96 或 t>3.00）[26][29] - **步骤5**：如果 n(α)t>x=0，即剩余因子的alpha在统计上与零无差异，则停止迭代；否则，返回步骤2继续[26] - **模型评价**：该方法能以最少的因子数量，系统性地捕捉因子动物园中的绝大部分有效信息，其有效性在美国及全球数据中均得到验证[3][4][71] 2. **模型名称**：GRS统计量评估模型[30] - **模型构建思路**：GRS统计量用于检验所有测试资产的alpha是否联合为零，是评估资产定价模型性能的标准工具[30] - **模型具体构建过程**：GRS检验统计量的计算基于测试资产alpha的最大化夏普比率平方和模型因子收益的最大化夏普比率平方[30] - 截距项的最大化夏普比率平方定义为： $$Sh^{2}(\alpha)=\alpha^{\dagger}\Sigma^{-1}\alpha\tag{4}$$ 其中 Σ=eτe/(τ−K−1)是回归残差 e 的协方差矩阵[30] - 给定模型因子的最大化夏普比率平方定义为： $$Sh^{2}(f)=\overline{f}^{\dagger}\Omega^{-1}\overline{f}\tag{5}$$ 其中 fˉ 是模型的平均因子收益，Ω=(f−fˉ)⊤(f−fˉ)/(τ−1)是模型因子的协方差矩阵[30] - GRS检验统计量计算为： $$F_{G R S}=\frac{\tau(\tau-N-K)}{N(\tau-K-1)}\,\frac{S h^{2}(\alpha)}{(1+S h^{2}(f))}$$ 且 FGRS∼F(N,τ−N−K)[30] 模型的回测效果 1. **迭代因子选择模型**（基于美国市值加权因子，样本期1971年11月至2021年12月）[31][32][40] - 当使用 t>3.00 的显著性阈值时，添加第15个因子后，剩余显著alpha的数量降至0[40][42] - 当使用 t>1.96 的显著性阈值时，总共需要18次迭代可使剩余alpha变得不显著[40][42] - 在包含相同数量因子的情况下，该迭代模型优于常见的学术因子模型（如Fama-French五因子、六因子模型等）[43][46] 2. **GRS统计量评估结果**（针对迭代因子选择过程）[40] - 起点CAPM模型的GRS统计量为4.36 (p值为0.00)，剩余显著因子数量（t>2阈值）为105个，（t>3阈值）为86个[40] - 添加第一个因子（cop_at）后，GRS统计量降至3.54，平均绝对alpha为年化3.94%[40] - 添加第二个因子（noa_grla）后，GRS统计量降至2.98，平均绝对alpha降至年化2.15%[40][41] - 添加第15个因子（rmax5_rvol_21d）后，GRS统计量降至1.19 (p值为0.09)[40] 量化因子与构建方式 1. **因子名称**：基于现金的营业利润与账面资产比率 (cop_at)[40] - **因子构建思路**：属于质量因子类别，在迭代选择过程中被识别为因子动物园中最强的因子[40][46] 2. **因子名称**：净经营资产变化 (noa_grla)[40] - **因子构建思路**：属于投资因子类别，在迭代选择过程中被识别为次强的因子[40] 3. **因子名称**：销售增长（1个季度）(saleq_gr1)[40] - **因子构建思路**：属于投资因子类别[40] 4. **因子名称**：内在价值与市值比 (ival_me)[40] - **因子构建思路**：属于价值因子类别[40] 5. **因子名称**：残差动量 t-12 至 t-1 (resff3_12_1)[40] - **因子构建思路**：属于动量因子类别[40] 6. **因子名称**：第6-10年滞后收益（年化）(seas_6_10an)[40] - **因子构建思路**：属于季节性因子类别[40] 7. **因子名称**：债务与市值比 (debt_me)[40] - **因子构建思路**：属于价值因子类别[40] 8. **因子名称**：第6-10年滞后收益（非年化）(seas_6_10na)[40] - **因子构建思路**：属于低风险因子类别[40] 9. **因子名称**：零交易天数（12个月）(zero_trades_252d)[40] - **因子构建思路**：属于低风险因子类别[40] 10. **因子名称**：当期营运资本变动 (cowc_grla)[40] - **因子构建思路**：属于应计项目因子类别[40] 11. **因子名称**：净非流动资产变动 (nncoa_grla)[40] - **因子构建思路**：属于投资因子类别[40] 12. **因子名称**：经营现金流与市值比 (ocf_me)[40] - **因子构建思路**：属于价值因子类别[40] 13. **因子名称**：零交易天数（1个月）(zero_trades_21d)[40] - **因子构建思路**：属于低风险因子类别[40] 14. **因子名称**：换手率 (turnover_126d)[40] - **因子构建思路**：属于低风险因子类别[40] 15. **因子名称**：过去五个最高日收益经波动率调整 (rmax5_rvol_21d)[40] - **因子构建思路**：属于短期反转因子类别，是使剩余显著alpha数量（t>3阈值）降为零的关键因子[40][42] 因子的回测效果 1. **关键因子集整体效果**（美国市场，前15个选定因子）[40][46] - 这15个因子源自13个因子风格类别中的8个，显示了因子集的异质性[17][46] - 该因子集能够解释美国市场153个因子的绝大部分收益信号，表明多数因子存在冗余[2][17] 2. **因子加权方案对比**（上限市值加权CW、市值加权VW、等权EW）[64][68][69] - **等权(EW)因子**：表现出更强且更多样的alpha，但需要超过30个因子才能覆盖因子动物园（t>2阈值）[4][64][69][70] - **上限市值加权(CW)因子**：需要约15个因子（t>3阈值）或18个因子（t>2阈值）来覆盖因子动物园[64][69][70] - **市值加权(VW)因子**：需要约18-19个因子（t>2阈值）来覆盖因子动物园[69][70] 3. **全球因子分析效果**（样本期1993年8月至2021年12月）[71][74] - 使用全球因子数据时，需要约11个因子（t>3阈值）或20多个因子（t>2阈值）来覆盖全球因子动物园[74] - 基于全球数据选出的因子模型对美国因子的解释力强于对美国以外全球因子的解释力，暗示国际因子蕴含更丰富的alpha信息[4][71][75]

根据您提供的研报内容，以下是关于量化模型和因子的总结。报告主要对宽基指数进行多维度跟踪分析，并未涉及传统意义上的预测型量化模型或选股因子，而是包含了一系列用于评估市场状态和指数特征的量化指标。这些指标可被视为用于构建市场监测模型的“因子”。 量化因子与构建方式 1. **因子名称**：指数均线比较因子 **因子构建思路**：通过比较指数价格与不同周期移动平均线的关系，判断当前价格在短期和长期趋势中的相对位置[13] **因子具体构建过程**：计算指数收盘价与MA5、MA10、MA20、MA60、MA120、MA250等移动平均线的差值百分比。公式为： $$ \text{vsMA}_n = \frac{\text{Close} - \text{MA}_n}{\text{MA}_n} \times 100\% $$ 其中，$Close$代表当日指数收盘价，$MA_n$代表n日移动平均线[15] 2. **因子名称**：指数相对高位低位因子 **因子构建思路**：通过计算指数当前价格相对于近期历史高点和低点的位置，衡量市场的超买超卖程度[13] **因子具体构建过程**：选取近250个交易日的最高价和最低价，计算当前收盘价相对于该高点和低点的偏离幅度。公式为： $$ \text{vs近250日高位} = \frac{\text{Close} - \text{High}_{250}}{\text{High}_{250}} \times 100\% $$ $$ \text{vs近250日低位} = \frac{\text{Close} - \text{Low}_{250}}{\text{Low}_{250}} \times 100\% $$ 其中，$High_{250}$和$Low_{250}$分别代表近250交易日的最高价和最低价[15] 3. **因子名称**：交易金额占比因子 **因子构建思路**：计算特定指数成交额在全市场成交额中的占比，反映资金在不同板块间的流向和关注度[18] **因子具体构建过程**：以中证全指的交易金额作为市场总金额基准，计算各宽基指数成分股当日总成交金额与其比值。公式为： $$ \text{交易金额占比} = \frac{\sum \text{指数成分股成交金额}}{\text{中证全指成交金额}} \times 100\% $$ [18] 4. **因子名称**：指数换手率因子 **因子构建思路**：衡量指数整体交易的活跃程度[18] **因子具体构建过程**：采用流通市值加权平均的方式计算指数换手率。公式为： $$ \text{指数换手率} = \frac{\sum (\text{成分股流通股本} \times \text{成分股换手率})}{\sum \text{成分股流通股本}} $$ [18] 5. **因子名称**：收益分布峰度因子 **因子构建思路**：通过计算指数日收益率分布的峰度，衡量收益率分布的尖峰肥尾特性，反映收益的集中程度和极端风险[23][25] **因子具体构建过程**：基于指数日收益率序列，计算其超额峰度（Excess Kurtosis），即计算出的峰度值减去正态分布的峰度值3。报告中显示的是当前峰度与近5年历史峰度的偏离值（当前vs近5年）[25] 6. **因子名称**：收益分布偏度因子 **因子构建思路**：通过计算指数日收益率分布的偏度，衡量收益率分布的不对称性，反映正负极端收益出现的概率差异[23][25] **因子具体构建过程**：基于指数日收益率序列，计算其偏度（Skewness）。报告中同时展示了当前偏度值与近5年历史偏度值的偏离情况（当前vs近5年）[25] 7. **因子名称**：风险溢价因子 **因子构建思路**：计算股票指数收益率与无风险收益率之差，衡量投资股票市场所要求的额外风险补偿[28][30] **因子具体构建过程**：以十年期国债即期收益率作为无风险利率的代理变量，风险溢价为指数收益率减去无风险利率。报告中计算了当前风险溢价在近1年和近5年历史数据中的分位值[30][32] $$ \text{风险溢价} = \text{指数收益率} - \text{无风险利率} $$ 8. **因子名称**：PE-TTM估值因子 **因子构建思路**：使用滚动市盈率（PE-TTM）及其历史分位值来评估指数的估值水平[38][40] **因子具体构建过程**：计算指数的总市值与其成分股最近12个月净利润总和的比值，得到PE-TTM。进一步计算该值在近1年及近5年历史数据中的分位值，以判断当前估值所处的位置[42][43] 9. **因子名称**：股债性价比因子 **因子构建思路**：比较股票市场收益率与债券收益率的相对吸引力，又称FED模型或股息率差模型[45] **因子具体构建过程**：计算股票市场盈利收益率（即PE-TTM的倒数）与十年期国债收益率的差值。公式为： $$ \text{股债性价比} = \frac{1}{\text{PE-TTM}} - \text{十年期国债收益率} $$ 报告中通过该因子的历史分位值（如80%和20%）来判断投资机会与风险[45] 10. **因子名称**：股息率因子 **因子构建思路**：计算指数成分股的现金分红回报率，是价值投资和红利策略的重要参考指标[47][52] **因子具体构建过程**：计算指数成分股最近12个月现金分红总额与指数总市值的比值。公式为： $$ \text{股息率} = \frac{\sum \text{成分股近12个月现金分红}}{\text{指数总市值}} \times 100\% $$ 报告中计算了该因子的当前值及其在近1年和近5年历史中的分位值[52] 11. **因子名称**：破净率因子 **因子构建思路**：计算指数中市净率（PB）小于1的个股占比，反映市场总体的悲观程度和估值洼地情况[54] **因子具体构建过程**：统计指数中所有成分股，计算其中市净率（股价/每股净资产）低于1的股票数量，再计算其占指数总成分股数量的百分比。公式为： $$ \text{破净率} = \frac{\text{市净率} < 1 \text{的成分股数量}}{\text{指数总成分股数量}} \times 100\% $$ [54] 因子的回测效果 报告未提供基于这些因子的量化策略回测结果，如年化收益率、夏普比率、信息比率（IR）或最大回撤等传统回测绩效指标。报告的核心是对各宽基指数在不同因子上的当前状态和历史分位进行静态展示和对比分析[10][15][32][43][52]。

国家发改委优化公募REITs申报工作，推动REITs市场提质扩面。近期，国家发改委印发《关于进一步做好 基础设施领域不动产投资信托基金（REITs）常态化申报推荐工作的通知》（发改办投资〔2025〕782号，以下简 称《通知》），进一步优化基础设施REITs常态化申报工作机制，着力推动REITs市场扩围扩容，提升发展质量。 《通知》提出多项指导举措，主要有以下方面值得重点关注。一是积极支持民间投资项目发行上市，推动各级发 改部门优化协调服务机制，支持更多符合条件的民间投资项目发行上市，以进一步盘活民间投资项目，扩大民企 直接融资规模。二是支持已上市REITs产品通过扩募等方式筹集资金购入优质资产，并支持已上市基础设施REITs 新购入行业内同类项目以及具有关联性的不同行业领域项目，新购入项目与首次发行上市项目原则上应同属于所 有权类或经营收益权类，还支持跨区域通过扩募等方式整合存量资产，以拓宽新购入项目资产范围，为REITs资产 扩募提供明确政策支持。三是推动新资产类型项目推荐发行，积极研究探索铁路、港口、特高压输电、通信铁塔 、市场化租赁住房、文化旅游、专业市场、养老设施等尚无推荐发行案例的新资产类型项目的 ...

量化模型与构建方式 1. **模型名称：主动偏股基金高频仓位测算模型** **模型构建思路**：通过带约束条件的多元回归模型，以基金每日披露的净值序列为因变量，基准或其他资产序列为自变量，估算基金的股票仓位[61] **模型具体构建过程**： - 以基金净值序列作为因变量 - 选择基准指数或其他资产序列（如行业指数、风格指数）作为自变量 - 采用带约束条件的多元回归模型进行拟合，约束条件包括仓位范围（0-100%） - 通过回归系数估算基金在各类资产上的仓位配置 - 进一步分析行业配置动向，计算各行业仓位的相对变化幅度 **模型评价**：该方法能够相对高频地跟踪基金仓位变化，但估算结果与实际仓位可能存在差异[61] 2. **模型名称：REITs系列指数模型** **模型构建思路**：构建综合及细分REITs指数，反映不同底层资产和项目类型的市场表现，提供价格指数和全收益指数[48] **模型具体构建过程**： - 采用分级靠档方法确保指数份额相对稳定 - 当成分名单或调整市值出现非交易因素变动时（如新发、扩募），采用除数修正法保证指数连续性 - 计算价格指数和全收益指数，全收益指数考虑分红再投资 - 细分指数包括底层资产指数（产权类、特许经营权类）和项目类型指数（如能源基础设施、生态环保等） **模型评价**：为投资者提供指数化投资工具，有效衡量REITs市场表现和细分赛道风险收益特征[48] 3. **模型名称：行业主题基金标签模型** **模型构建思路**：通过基金历史持仓信息判断其长期行业主题标签，构建行业主题基金指数[37] **模型具体构建过程**： - 观察基金近四期中报/年报的持仓信息 - 根据持仓行业分布，将基金标签定义为行业主题基金、行业轮动基金或行业均衡基金 - 构建不同主题的基金指数，如新能源、TMT、医药等 - 计算各主题指数的净值涨跌幅和月度收益率 **模型评价**：帮助投资者识别基金风格，支持资产配置和主题投资需求[37] 模型的回测效果 1. **主动偏股基金高频仓位测算模型**，本周仓位相较上周下降0.22pcts[61] 2. **REITs综合指数**，本周收益-1.04%，累计收益-0.98%，年化收益-0.23%，最大回撤-42.67%，夏普比率-0.16，年化波动10.61%[51] 3. **产权类REITs指数**，本周收益-0.99%，累计收益14.93%，年化收益3.31%，最大回撤-46.13%，夏普比率0.14，年化波动13.12%[51] 4. **特许经营权类REITs指数**，本周收益-1.13%，累计收益-17.78%，年化收益-4.48%，最大回撤-40.74%，夏普比率-0.65，年化波动9.20%[51] 5. **新能源主题基金指数**，本周收益3.67%[37] 6. **TMT主题基金指数**，本周收益2.29%[37] 7. **医药主题基金指数**，本周收益-1.59%[37] 量化因子与构建方式 1. **因子名称：行业主题因子** **因子构建思路**：根据基金持仓行业分布，提取行业主题暴露[37] **因子具体构建过程**： - 获取基金中报/年报持仓数据 - 计算持仓中各行业权重 - 根据权重分布判断基金属于新能源、TMT、医药等主题 - 构建主题因子，表征基金对特定行业的暴露程度 **因子评价**：直观反映基金风格，但依赖历史持仓数据，可能滞后于实际变化[37] 2. **因子名称：REITs底层资产因子** **因子构建思路**：根据REITs底层资产类型（产权类 vs. 特许经营权类）构建因子[48] **因子具体构建过程**： - 将REITs按底层资产分为产权类和特许经营权类 - 分别计算两类资产的指数收益 - 构建因子反映两类资产的表现差异 **因子评价**：帮助投资者区分不同风险收益特征的REITs资产[48] 3. **因子名称：ESG主题因子** **因子构建思路**：根据基金投资策略是否涵盖环境、社会、治理因素构建ESG暴露因子[73] **因子具体构建过程**： - 将基金分为ESG主题基金和泛ESG基金 - ESG主题基金使用ESG整合、负面筛选、正面筛选策略 - 泛ESG基金仅覆盖ESG中一到两个方面 - 构建因子反映基金对ESG因素的暴露程度 **因子评价**：符合可持续发展投资趋势，但ESG定义和评估标准尚未统一[73] 因子的回测效果 1. **行业主题因子**（新能源），本周收益3.67%[37] 2. **行业主题因子**（TMT），本周收益2.29%[37] 3. **行业主题因子**（医药），本周收益-1.59%[37] 4. **REITs底层资产因子**（产权类），本周收益-0.99%，累计收益14.93%，年化收益3.31%，最大回撤-46.13%，夏普比率0.14，年化波动13.12%[51] 5. **REITs底层资产因子**（特许经营权类），本周收益-1.13%，累计收益-17.78%，年化收益-4.48%，最大回撤-40.74%，夏普比率-0.65，年化波动9.20%[51] 6. **ESG主题因子**（主动权益型ESG基金），本周收益中位数1.37%[76] 7. **ESG主题因子**（股票被动指数型ESG基金），本周收益中位数1.03%[76] 8. **ESG主题因子**（债券型ESG基金），本周收益中位数-0.14%[76]

根据提供的研报内容，以下是关于量化模型和因子的总结。报告主要围绕公募基金绿色投资的定性分析，未涉及具体的量化模型或量化因子的构建、测试与回测。报告的核心是使用“绿色收入占比”作为度量指标来分析基金的绿色投资特征。 量化因子与构建方式 1. **因子名称**：绿色收入占比[51] * **因子构建思路**：该因子用于对“绿色”进行可量化的界定，衡量上市公司总收入中，来自能够直接对标政策文件（如《绿色低碳转型产业指导目录（2024年版）》）认定为绿色活动的收入所占比例[51] * **因子具体构建过程**：研究报告使用的绿色收入数据由专业数据供应商生成，生成过程是基于《绿色低碳转型产业指导目录（2024年版）》对上市公司行业收入进行打标签[51]。该指标具体应用于基金分析时，衍生出以下两个核心度量指标： * **加权平均绿色收入比例**：将成分股的“绿色收入占比”与基金池对该股票的持仓权重相乘并加总，衡量基金池在股票投资上的每一元资金平均对应的绿色收入比例[58]。计算公式可表示为： $$ \text{加权平均绿色收入比例} = \sum_{i=1}^{n} (w_i \times \text{GreenRevenueRatio}_i) $$ 其中，$w_i$ 表示基金对股票 $i$ 的持仓权重，$\text{GreenRevenueRatio}_i$ 表示股票 $i$ 的绿色收入占比。 * **基金归属绿色收入总额（单位净值绿色收入贡献）**：以基金池对单只股票的市值持仓占该企业总市值的比例为“归属因子”，将企业的绿色收入“归属”至基金池[58]。计算公式可表示为： $$ \text{单位净值绿色收入贡献} = \frac{\sum_{i=1}^{n} \left( \frac{\text{基金持有股票i市值}}{\text{股票i总市值}} \times \text{股票i绿色收入} \right)}{\text{基金净值}} $$ * **因子评价**：该指标被认为是可测量、可比较、且与政策导向紧密对齐的硬指标，能够直接反映企业参与绿色经济的深度与广度，为检验绿色属性与投资价值的关系提供了坚实基础[51] 模型的回测效果 （报告未涉及量化模型的回测效果） 因子的回测效果 （报告未提供“绿色收入占比”因子在选股或组合构建中的传统量化回测结果，如IC值、IR值、多空收益等。报告主要展示了应用该因子进行描述性统计和分组分析的结果） 1. **绿色收入占比因子的应用分析结果**： * **绿色基金池整体水平**：2025年上半年，绿色基金池的加权平均绿色收入比例为21.22%，单位净值绿色收入贡献约为0.06元[58]。该值显著高于同期沪深300（约10.43%）与中证800（约9.73%）[58] * **绿色主题基金分组表现**：根据“加权平均绿色收入比例”将所有基金由浅绿至深绿分成五组，最深绿组（组5）的行业集中度（赫芬达尔指数）在2024年达到61.39%，远高于最浅绿组（组1）的24.05%，但在2025年上半年出现回落[79][82]。深绿基金（组4、5）的重仓行业从2020年围绕新能源汽车产业链（电力设备、基础化工、有色金属、汽车）转向2025年上半年的“电力设备+公用事业”（组5中两者合计占比85.58%）[83][86][87] * **分组业绩表现**：报告指出，基金组合的绿色成色与其业绩表现（收益、最大回撤、夏普比率）之间，并未呈现稳定、一致的关系[89]。深绿基金的业绩主要受其重仓赛道（如电力设备）的周期性波动驱动，而非“绿色”属性本身[89]

根据研报内容，以下是关于量化模型与因子的总结： 量化模型与构建方式 1. 风格拥挤度模型 - **模型名称**：风格拥挤度模型[123] - **模型构建思路**：通过计算各风格指数与市场基准（万得全A）的换手率差异，并标准化后计算历史分位，以衡量风格的交易拥挤程度[123] - **模型具体构建过程**： 1. 计算各风格指数近n个交易日（n=63，即近一个季度）的日均换手率 2. 计算万得全A指数相同时间窗口的日均换手率 3. 将风格指数换手率与万得全A换手率分别进行z-score标准化： $$Z_{style} = \frac{X_{style} - \mu_{style}}{\sigma_{style}}$$ $$Z_{market} = \frac{X_{market} - \mu_{market}}{\sigma_{market}}$$ 4. 计算标准化后的差值：$$Diff = Z_{style} - Z_{market}$$ 5. 计算该差值在滚动y年（y=6）历史窗口内的分位值，得到拥挤度分位数[123] 2. 风格超额净值模型 - **模型名称**：风格超额净值模型[124] - **模型构建思路**：以2016年1月4日为基准，计算各风格指数相对于万得全A的累计超额收益，用于评估风格的相对表现[124] - **模型具体构建过程**： 1. 以2016年1月4日为基准日，计算各风格指数的每日累计净值： $$CN_{style,t} = \frac{P_{style,t}}{P_{style,base}}$$ 2. 计算万得全A指数的每日累计净值： $$CN_{market,t} = \frac{P_{market,t}}{P_{market,base}}$$ 3. 计算风格指数相对于万得全A的累计超额净值： $$Excess_{style,t} = \frac{CN_{style,t}}{CN_{market,t}}$$[124] 3. 机构调研活跃度模型 - **模型名称**：机构调研活跃度模型[125] - **模型构建思路**：通过计算板块/行业/指数的机构调研次数与市场基准的差异，并标准化后计算历史分位，以衡量机构关注度[125] - **模型具体构建过程**： 1. 计算板块（指数、行业）近n个交易日的"日均机构调研次数" 2. 计算万得全A指数相同时间窗口的"日均机构调研次数" 3. 将板块调研次数与市场调研次数分别进行z-score标准化 4. 计算标准化后的差值得到"机构调研活跃度" 5. 计算该活跃度在滚动历史窗口内的分位数： - 长期口径：n=126（近半年），滚动窗口=6年 - 短期口径：n=63（近一季度），滚动窗口=3年[125] 4. 股债性价比模型（ERP模型） - **模型名称**：股债性价比模型（ERP）[74] - **模型构建思路**：通过计算股票市场风险溢价（ERP）来评估股票相对于债券的配置价值[74] - **模型具体构建过程**： 1. 计算指数市盈率倒数：$$\frac{1}{PE_{TTM}}$$ 2. 减去10年期中债国债到期收益率： $$ERP = \frac{1}{PE_{TTM}} - R_{bond}^{10Y}$$[74] 3. 计算ERP在历史时间序列（2010年1月1日至今）的分位值 量化因子与构建方式 1. 动量因子 - **因子名称**：动量因子[27] - **因子构建思路**：以最近一年股票收益率减去最近一个月股票收益率（剔除涨停板）作为动量指标，选择动量特征强的股票[27] - **因子具体构建过程**： 1. 计算每只股票的动量指标：$$Momentum = R_{1Y} - R_{1M}$$ 2. 剔除涨停板股票的影响 3. 选择动量特征强且流动性高的前100只股票构建指数[27] - **因子评价**：能够较好地表征A股市场中最具动量特征的股票的整体走势[27] 2. 反转因子 - **因子名称**：反转因子[28] - **因子构建思路**：以最近一个月股票收益率作为筛选指标，选择反转效应强的股票[28] - **因子具体构建过程**： 1. 计算每只股票的最近一个月收益率 2. 选择反转效应强、流动性较好的前100只股票 3. 采用成分股近三个月日均成交量进行加权构建指数[28] - **因子评价**：旨在准确表征A股市场各阶段高反转特征个股的整体表现[28] 模型的回测效果 1. 风格拥挤度模型 - 成长风格拥挤度：16%（历史极低位置）[36] - 红利风格拥挤度：30%（历史较低位置）[36] - 小盘风格拥挤度：49%（历史均衡位置）[36] - 大盘风格拥挤度：92%（历史极高位置）[36] - 微盘股拥挤度：8%（历史极低位置）[36] - 基金重仓拥挤度：91%（历史极高位置）[36] 2. 风格超额净值表现 - 成长较红利超额：近一周2.6%，近一月8.4%，年初至今29.0%[26] - 小盘较大盘超额：近一周-0.9%，近一月0.5%，年初至今9.5%[26] - 微盘股较基金重仓超额：近一周-1.6%，近一月-1.7%，年初至今30.1%[26] - 动量较反转超额：近一周-0.7%，近一月-5.0%，年初至今22.7%[26] 3. 机构调研活跃度 长期口径（半年度）： - 沪深300：50%（均衡）[107] - 中证500：61%（较高）[107] - 创业板：61%（较高）[107] - 上游周期：96%（极高）[107] - 金融：4%（极低）[107] 短期口径（季度）： - 沪深300：44%（均衡）[107] - 中证500：66%（较高）[107] - 创业板：82%（极高）[107] - 上游周期：88%（极高）[107] - TMT：18%（极低）[107] 4. 股债性价比（ERP） - 万得全A ERP：2.6%，分位46%（均衡）[80] - 沪深300 ERP：5.2%，分位48%（均衡）[80] - 中证500 ERP：1.0%，分位65%（较高）[80] - 创业板 ERP：0.3%，分位84%（极高）[80]

根据提供的金融工程周报内容，该报告主要描述了大类资产和基金市场的表现概况，并未涉及任何量化模型或量化因子的构建、测试与分析。报告内容集中于市场数据统计和业绩回顾[6][11][12][27][32][39][45][46][47][48][53][54][55][57]，未包含模型或因子的构建思路、具体过程、评价及测试结果。 因此，本次总结无相关量化模型或因子内容可提供。