量化模型与构建方式 1. 模型名称：小市值价值精选策略模型[7][24] 模型构建思路：基于市值、盈利能力和估值三个维度进行选股，首先筛选小市值股票，再从中选取盈利能力强的股票，最后选择估值最低的股票构建投资组合[7][24] 模型具体构建过程：该模型为规则驱动型策略，其构建过程如下：1) 确定股票池为沪深A股；2) 在每月调仓时点，首先筛选出市值小于40亿元的股票；3) 在该小市值样本内，计算ROE和ROA指标，并筛选出这两项指标均处于样本前50%分位数的股票；4) 在通过盈利能力筛选的股票中，计算PE指标，并选取PE值最低的30只股票；5) 等权重配置这30只股票作为当期持仓；6) 每月重复上述筛选和调仓过程[7][24] 模型的回测效果 1. 小市值价值精选策略模型，年化收益率(2020) 18.96%[29]，年化波动率(2020) 20.95%[29]，夏普比率(2020) 0.91[29]，最大回撤(2020) -5.90%[29]，胜率(2020) 66.67%[29]，卡尔马比率(2020) 3.21[29] 2. 小市值价值精选策略模型，年化收益率(2021) 16.70%[29]，年化波动率(2021) 23.41%[29]，夏普比率(2021) 0.71[29]，最大回撤(2021) -9.59%[29]，胜率(2021) 66.67%[29]，卡尔马比率(2021) 1.74[29] 3. 小市值价值精选策略模型，年化收益率(2022) 8.21%[29]，年化波动率(2022) 24.94%[29]，夏普比率(2022) 0.33[29]，最大回撤(2022) -18.31%[29]，胜率(2022) 66.67%[29]，卡尔马比率(2022) 0.45[29] 4. 小市值价值精选策略模型，年化收益率(2023) 15.66%[29]，年化波动率(2023) 13.94%[29]，夏普比率(2023) 1.12[29]，最大回撤(2023) -6.72%[29]，胜率(2023) 50.00%[29]，卡尔马比率(2023) 2.33[29] 5. 小市值价值精选策略模型，年化收益率(2024) 7.15%[29]，年化波动率(2024) 33.71%[29]，夏普比率(2024) 0.21[29]，最大回撤(2024) -14.18%[29]，胜率(2024) 50.00%[29]，卡尔马比率(2024) 0.50[29] 6. 小市值价值精选策略模型，年化收益率(2025) 37.70%[29]，年化波动率(2025) 17.02%[29]，夏普比率(2025) 2.21[29]，最大回撤(2025) -3.76%[29]，胜率(2025) 75.00%[29]，卡尔马比率(2025) 10.03[29] 量化因子与构建方式 1. 因子名称：市值因子[7][24]；因子的构建思路：使用股票的总市值来衡量公司规模大小[7][23]；因子具体构建过程：直接从数据库的 `AShareEODDerivativeIndicator` 表中获取 `S_VAL_MV` 字段，该字段代表当日总市值，计算公式为当日总股本与当日收盘价的乘积，单位为万元[23][24] 2. 因子名称：净资产收益率(ROE)因子[7][24]；因子的构建思路：使用ROE指标来衡量公司的盈利能力[7][24]；因子具体构建过程：直接从数据库的 `AShareFinancialIndicator` 表中获取 `S_FA_ROE` 字段[24] 3. 因子名称：总资产收益率(ROA)因子[7][24]；因子的构建思路：使用ROA指标来衡量公司的资产盈利效率[7][24]；因子具体构建过程：直接从数据库的 `AShareFinancialIndicator` 表中获取 `S_FA_ROA` 字段[24] 4. 因子名称：市盈率(PE)因子[7][24]；因子的构建思路：使用PE指标来衡量股票的估值水平[7][24]；因子具体构建过程：直接从数据库的 `AShareEODDerivativeIndicator` 表中获取 `S_VAL_PE` 字段[24]

量化模型与构建方式 1. 宏观冲击回归模型 - **模型名称**：宏观冲击回归模型[3][16] - **模型构建思路**：通过回归分析量化资产收益对非预期通货膨胀和非预期经济增长的敏感度（贝塔系数），以反映宏观经济意外冲击对资产价格的影响[3][16] - **模型具体构建过程**： 1. 使用二元回归模型，将资产收益同时对非预期通胀和非预期增长进行回归[3][16] 2. 模型公式为： $$r_{t+1}=c+\beta_{\pi}\pi_{t+1}^{s}+\beta_{g}g_{t+1}^{s}+\varepsilon_{t+1}$$[16] 其中： - $r_{t+1}$ 表示资产在t+1期的收益 - $c$ 为常数项 - $\beta_{\pi}$ 为通胀贝塔系数，衡量资产对通胀冲击的敏感度 - $\pi_{t+1}^{s}$ 表示非预期通货膨胀，计算公式为：$$\pi_{t+1}^{s}=\pi_{t+1}-E_{t}\pi_{t+1}$$[16] - $\beta_{g}$ 为增长贝塔系数，衡量资产对增长冲击的敏感度 - $g_{t+1}^{s}$ 表示非预期经济增长，计算公式为：$$g_{t+1}^{s}=g_{t+1}-E_{t}g_{t+1}$$[16] - $\varepsilon_{t+1}$ 为误差项 3. 使用1970年6月至2023年9月的季度数据，实际GDP增长数据来自美国经济分析局，CPI通胀数据来自美国劳工统计局，预期数据来自专业预测者调查（SPF）[18] 4. 通过从实际值中减去期初测得的一年期SPF增长预期和通胀预期，计算增长冲击和通胀冲击[18] - **模型评价**：该模型考虑了通胀与增长之间的相关性，使用非预期冲击作为自变量更能反映资产对意外经济变化的敏感度[17] 2. 预期值回归模型 - **模型名称**：预期值回归模型[29] - **模型构建思路**：评估预期增长和通胀对资产收益的影响，使用预期值而非意外冲击作为解释变量[29] - **模型具体构建过程**： 1. 回归模型公式为： $$r_{t+1}=c+\beta_{\pi}^{e}E_{t}\pi_{t+1}+\beta_{g}^{e}E_{t}g_{t+1}+\varepsilon_{t+1}$$[29] 其中： - $E_{t}\pi_{t+1}$ 表示t期对t+1期的通胀预期 - $E_{t}g_{t+1}$ 表示t期对t+1期的增长预期 - $\beta_{\pi}^{e}$ 和 $\beta_{g}^{e}$ 分别表示资产对预期通胀和预期增长的敏感度 2. 使用与基准模型相同的数据源和时间范围[29] 3. 实际值回归模型 - **模型名称**：实际值回归模型[32] - **模型构建思路**：使用实际经济增长和通货膨胀作为自变量，评估它们对资产收益的影响[32] - **模型具体构建过程**： 1. 回归模型公式为： $$r_{t+1}=c+\beta_{\pi}^{r}\pi_{t+1}+\beta_{g}^{r}g_{t+1}+\varepsilon_{t+1}$$[32] 其中： - $\pi_{t+1}$ 表示t+1期的实际通货膨胀率 - $g_{t+1}$ 表示t+1期的实际经济增长率 - $\beta_{\pi}^{r}$ 和 $\beta_{g}^{r}$ 分别表示资产对实际通胀和实际增长的敏感度 2. 使用与基准模型相同的数据源[32] 4. 混合回归模型 - **模型名称**：混合回归模型[34] - **模型构建思路**：结合使用冲击变量和实际值变量，探究预期因素在解释资产收益变化中的作用[34] - **模型具体构建过程**： 1. 第一种变体使用增长冲击和实际通胀作为自变量： $$r_{t+1}=c+\beta_{g}g_{t+1}^{s}+\beta_{\pi}^{r}\pi_{t+1}+\varepsilon_{t+1}$$[34] 2. 第二种变体使用通胀冲击和实际增长作为自变量： $$r_{t+1}=c+\beta_{\pi}\pi_{t+1}^{s}+\beta_{g}^{r}g_{t+1}+\varepsilon_{t+1}$$[34] 5. 预期通胀变动模型 - **模型名称**：预期通胀变动模型[35] - **模型构建思路**：探究通胀冲击作为预期通胀变化代理变量的作用，评估预期通胀变动对资产收益的影响[35] - **模型具体构建过程**： 1. 使用预期通胀变化和增长冲击作为解释变量[35] 2. 模型形式为： $$r_{t+1}=c+\beta_{\Delta E\pi}\Delta E_{t}\pi_{t+1}+\beta_{g}g_{t+1}^{s}+\varepsilon_{t+1}$$[35] 3. 分别对完整样本（1970-2023）和子样本（1982-2023）进行回归分析[36] 6. 特定情景优化模型 - **模型名称**：特定情景优化模型[56] - **模型构建思路**：基于投资者特定的宏观经济观点，通过设定不同的增长和通胀冲击，计算条件预期收益，并进行均值-方差优化[52][56] - **模型具体构建过程**： 1. 首先估算各资产的增长贝塔值和通胀贝塔值[52] 2. 根据投资者与市场预期的偏差设定冲击值（如±2个百分点）[57] 3. 计算条件预期收益：$E[r|scenario] = carry + \beta_{g} \times \Delta g + \beta_{\pi} \times \Delta \pi$[57] 4. 进行均值-方差优化，约束条件包括：各资产换手率不超过5%，最优组合波动率不超过初始组合波动率（11.6%）[57] 5. 考虑四种情景：高通胀低增长（HILG）、高通胀高增长（HIHG）、低通胀低增长（LILG）、低通胀高增长（LIHG）[57] 7. 宏观贝塔约束优化模型 - **模型名称**：宏观贝塔约束优化模型[61] - **模型构建思路**：将宏观贝塔值作为约束条件纳入均值-方差优化，构建对宏观经济风险更具韧性的投资组合[53][61] - **模型具体构建过程**： 1. 优化问题表述为： $$\max w^{\prime}\mu$$[61] Subject to[61] $$w^{\prime}\Sigma w \leq \sigma^{2}$$[61] $$w^{\prime}\beta_{\pi} \geq \underline{\beta_{\pi}}$$[61] 其中： - $w$ 为资产权重向量 - $\mu$ 为预期收益向量 - $\Sigma$ 为方差-协方差矩阵 - $\sigma^{2}$ 为波动率约束 - $\underline{\beta_{\pi}}$ 为通胀贝塔值下限约束（如-1.0）[61] 2. 通过增加对高通胀贝塔值资产（如大宗商品）或通胀贝塔值负得较少的资产（如私募房地产）的权重，降低组合对通胀风险的敏感度[61] 量化因子与构建方式 1. 通胀冲击因子 - **因子名称**：通胀冲击因子[16] - **因子构建思路**：衡量实际通货膨胀与预期通货膨胀之间的差异，反映价格水平的意外变化[16][35] - **因子具体构建过程**： $$\pi_{t+1}^{s}=\pi_{t+1}-E_{t}\pi_{t+1}$$[16] 其中： - $\pi_{t+1}$ 为t+1期的实际CPI通胀率[18] - $E_{t}\pi_{t+1}$ 为t期对t+1期的通胀预期，来自专业预测者调查（SPF）[18] 2. 增长冲击因子 - **因子名称**：增长冲击因子[16] - **因子构建思路**：衡量实际经济增长与预期经济增长之间的差异，反映经济活动的意外变化[16] - **因子具体构建过程**： $$g_{t+1}^{s}=g_{t+1}-E_{t}g_{t+1}$$[16] 其中： - $g_{t+1}$ 为t+1期的实际GDP增长率[18] - $E_{t}g_{t+1}$ 为t期对t+1期的增长预期，来自专业预测者调查（SPF）[18] 3. 通胀贝塔因子 - **因子名称**：通胀贝塔因子[3] - **因子构建思路**：衡量资产收益对通胀冲击的敏感度，反映资产对冲通胀风险的能力[3][4] - **因子具体构建过程**： 通过宏观冲击回归模型估计得到的$\beta_{\pi}$系数[3][16] 4. 增长贝塔因子 - **因子名称**：增长贝塔因子[3] - **因子构建思路**：衡量资产收益对增长冲击的敏感度，反映资产对冲增长风险的能力[3][4] - **因子具体构建过程**： 通过宏观冲击回归模型估计得到的$\beta_{g}$系数[3][16] 模型的回测效果 1. 宏观冲击回归模型 - 短期利率：增长贝塔值0.38(t=4.34)，通胀贝塔值0.52(t=5.65)，调整R²=0.39[25] - 10年期名义收益率：增长贝塔值0.18(t=3.23)，通胀贝塔值0.32(t=5.77)，调整R²=0.31[25] - 名义30年-10年利差：增长贝塔值-0.05(t=-3.98)，通胀贝塔值-0.05(t=-3.30)，调整R²=0.19[25] - 10年期实际收益率：增长贝塔值0.05(t=1.71)，通胀贝塔值0.04(t=0.85)，调整R²=0.03[25] - 股票：增长贝塔值3.75(t=3.90)，通胀贝塔值-1.99(t=-2.63)，调整R²=0.24[25] - REITs：增长贝塔值3.36(t=2.82)，通胀贝塔值-0.89(t=-0.89)，调整R²=0.13[25] - 信用利差：增长贝塔值-0.15(t=-4.97)，通胀贝塔值0.03(t=1.15)，调整R²=0.19[25] - 大宗商品：增长贝塔值2.00(t=2.69)，通胀贝塔值7.62(t=5.26)，调整R²=0.37[25] - 黄金：增长贝塔值-1.78(t=-1.75)，通胀贝塔值5.84(t=3.11)，调整R²=0.23[25] 2. 预期值回归模型 - 所有因子和资产的R²值均较低，系数统计上不显著[31] 3. 实际值回归模型 - 贝塔系数符号和显著性与基准模型大致相同，但R²值通常低于基准模型[33] 4. 预期通胀变动模型（完整样本1970-2023） - 短期利率：通胀贝塔值1.59(t=6.43)，调整R²=0.40[37] - 10年期名义收益率：通胀贝塔值0.82(t=3.54)，调整R²=0.23[37] - 30年-10年利差：通胀贝塔值-0.17(t=-3.19)，调整R²=0.21[37] - 10年期实际收益率：通胀贝塔值0.01(t=0.12)，调整R²=0.02[37] - 股票：通胀贝塔值-4.64(t=-1.99)，调整R²=0.22[37] - REITs：通胀贝塔值-1.39(t=-0.56)，调整R²=0.11[37] - 信用利差：通胀贝塔值-0.01(t=-0.11)，调整R²=0.17[37] - 大宗商品：通胀贝塔值20.81(t=4.48)，调整R²=0.31[37] - 黄金：通胀贝塔值18.88(t=4.69)，调整R²=0.26[37] 5. 预期通胀变动模型（子样本1982-2023） - 短期利率：通胀贝塔值1.74(t=4.56)，调整R²=0.34[37] - 10年期名义收益率：通胀贝塔值1.33(t=5.67)，调整R²=0.32[37] - 30年-10年利差：通胀贝塔值-0.26(t=-4.02)，调整R²=0.21[37] - 10年期实际收益率：通胀贝塔值0.14(t=0.70)，调整R²=0.02[37] - 股票：通胀贝塔值-5.06(t=-1.56)，调整R²=0.18[37] - REITs：通胀贝塔值1.54(t=0.37)，调整R²=0.09[37] - 信用利差：通胀贝塔值-0.20(t=-1.59)，调整R²=0.17[37] - 大宗商品：通胀贝塔值16.71(t=4.34)，调整R²=0.28[37] - 黄金：通胀贝塔值4.52(t=1.32)，调整R²=0.15[37] 因子的回测效果 1. 通胀冲击因子 - 与实际通胀高度相关，相关系数0.89[31] - 与预期通胀相关性较低，相关系数0.05[31] 2. 增长冲击因子 - 与实际增长高度相关，相关系数0.78[31] - 与预期增长相关性较低，相关系数0.14[31] 3. 通胀贝塔因子 - 大多数传统资产（如股票和固定收益）为负值[4][25] - 大宗商品和通胀挂钩债券为正值[4][25] - 黄金的正值主要归因于20世纪70年代的数据[43] 4. 增长贝塔因子 - 大多数资产为正值[4][25] - 久期资产和黄金为负值[4][25]

根据提供的融资融券周报内容，以下是关于量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：融资净买入额** * **因子构建思路：** 衡量市场或特定标的（如行业、ETF、个股）在一段时间内通过融资业务净流入的资金量，反映市场看多情绪和资金动向[29][44][47] * **因子具体构建过程：** 计算特定时间段内（例如一周）的融资买入总额与融资偿还总额之差。 $$ \text{融资净买入额} = \sum \text{每日融资买入额} - \sum \text{每日融资偿还额} $$ 该因子可应用于市场整体、行业板块、ETF或个股层面[29][44][47] 2. **因子名称：融券净卖出额** * **因子构建思路：** 衡量市场或特定标的在一段时间内通过融券业务净流出的资金量，反映市场看空情绪和资金动向[32][51] * **因子具体构建过程：** 计算特定时间段内（例如一周）的融券卖出总额与融券偿还总额之差。 $$ \text{融券净卖出额} = \sum \text{每日融券卖出额} - \sum \text{每日融券偿还额} $$ 该因子同样可应用于市场整体、行业板块或个股层面[32][51] 3. **因子名称：融资买入额占成交额比例** * **因子构建思路：** 衡量融资买入行为在整体市场交易中的活跃度和重要性，比例越高说明杠杆资金参与度越高[34] * **因子具体构建过程：** 将特定时间段内的融资买入总额除以同期的成交总额。 $$ \text{融资买入额占成交额比例} = \frac{\sum \text{每日融资买入额}}{\sum \text{每日成交额}} \times 100\% $$ 该因子常用于行业或个股分析[34][48] 4. **因子名称：融资余额占流通市值比例** * **因子构建思路：** 衡量杠杆资金存量在标的可流通市值中的占比，反映整体的杠杆水平和风险敞口[34] * **因子具体构建过程：** 使用期末的融资余额除以同期的流通市值。 $$ \text{融资余额占流通市值比例} = \frac{\text{期末融资余额}}{\text{期末流通市值}} \times 100\% $$ 该因子常用于行业分析[34] 5. **因子名称：融券卖出额占成交额比例** * **因子构建思路：** 衡量融券卖出行为在整体市场交易中的活跃度，比例越高说明卖空交易越活跃[39] * **因子具体构建过程：** 将特定时间段内的融券卖出总额除以同期的成交总额。 $$ \text{融券卖出额占成交额比例} = \frac{\sum \text{每日融券卖出额}}{\sum \text{每日成交额}} \times 100\% $$ 该因子用于行业分析[39] 6. **因子名称：融券余额占流通市值比例** * **因子构建思路：** 衡量卖空资金存量在标的可流通市值中的占比，反映市场的卖空压力[39] * **因子具体构建过程：** 使用期末的融券余额除以同期的流通市值。 $$ \text{融券余额占流通市值比例} = \frac{\text{期末融券余额}}{\text{期末流通市值}} \times 100\% $$ 该因子用于行业分析[39] 因子的回测效果 （注：本报告为周度数据报告，主要展示因子的当期观测值，未提供历史回测性能指标如年化收益率、夏普比率、信息比率(IR)等。）

经审阅提供的研报内容，该文档主要包含市场数据、公司公告、宏观经济指标及个股行情，并未涉及任何量化模型或量化因子的构建、测试及分析过程[1][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][25][26][27][28][29][30][31]。 因此，根据任务要求，本次总结无相关量化模型或因子内容可提供。

量化模型与构建方式 1. 宏观评分模型 - **模型名称**：宏观评分模型[7][16][18] - **模型构建思路**：通过跟踪多个宏观因子（如国内景气、全球货币、全球通胀等）的变化，对各大类资产进行评分，以判断其未来走势[16][18] - **模型具体构建过程**： 1. 选取9个宏观因子：国内景气、国内货币、国内信用、国内通胀、全球景气、全球货币、全球通胀、美元、金融压力[18] 2. 每月对每个因子进行评分（取值为-1,0,1），并计算其变动[18] 3. 对每个大类资产（如中证800、黄金、原油等），根据其受各宏观因子的影响方向，汇总得到该资产的宏观评分[18] 4. 根据历史回测，当某资产的宏观评分达到特定水平（如铜评分为4）时，预期其未来收益较高[2][14][15] - **模型评价**：能够综合反映宏观环境对各类资产的影响，提供多维度的择时参考[18] 2. 美股择时模型 - **模型名称**：美股择时模型[7][19][20] - **模型构建思路**：通过监测景气度、资金流、金融压力等分项指标，对美股进行中期择时[19][20] - **模型具体构建过程**： 1. 选取三个分项指标：景气度、资金流、金融压力[20] 2. 对各指标进行量化评分，并综合得到择时信号[19][20] 3. 根据指标边际改善情况调整观点（如从中性上调至看多）[19] 3. 黄金择时模型 - **模型名称**：黄金择时模型[7][21][22] - **模型构建思路**：结合避险货币、央行态度、财政压力、金融压力等分项指标，对黄金进行择时[21][24] - **模型具体构建过程**： 1. 选取四个分项指标：避险货币、央行态度、财政压力、金融压力[24] 2. 综合各指标得到黄金择时指标，最新值为-0.53[21][22] 3. 根据指标走势和宏观环境（如赤字扩张、通胀预期）调整观点[21] - **模型评价**：在某些宏观环境下（如政策预期变化）可能存在信号失真，需结合主观判断[21] 4. 原油择时模型 - **模型名称**：原油择时模型[7][26][27] - **模型构建思路**：通过构建原油景气指数，结合需求、库存、美元指数等分项指标，对油价进行择时[26][28] - **模型具体构建过程**： 1. 选取五个分项指标：需求、库存、美元指数、投资者预期、宏观风险水平[28] 2. 综合得到原油景气指数，本月读数为0.56[26][30] 3. 根据指数是否高于0轴判断看多或看空[26] 5. 大类资产配置模型 - **模型名称**：大类资产配置模型[3][29][31] - **模型构建思路**：根据量化配置信号分配各类资产的风险预算，并基于宏观因子体系调整组合的宏观风险暴露，得到最终配置比例[3][29] - **模型具体构建过程**： 1. 每月生成各大类资产的配置比例（如中证800、黄金、原油等）[31] 2. 通过模型优化控制组合风险暴露和回撤[29][32] 模型的回测效果 1. **宏观评分模型**：当铜的宏观评分达到4分时，次月LME铜年化收益达到29%[2][14][15] 2. **大类资产配置策略**：8月收益2.0%，最近1年收益11.7%，最大回撤2.9%[3][29] 量化因子与构建方式 1. 全球景气因子 - **因子名称**：全球景气因子[1][10][16] - **因子构建思路**：反映全球制造业景气状况，如通过PMI等指标度量[1][10][11] - **因子具体构建过程**：跟踪欧元区制造业PMI、美国ISM制造业PMI新订单等数据[1][10][11] 2. 全球货币因子 - **因子名称**：全球货币因子[1][16][18] - **因子构建思路**：反映全球货币政策宽松程度[1][16] - **因子具体构建过程**：基于美联储降息预期、市场利率变动等指标构建[1][10] 3. 全球通胀因子 - **因子名称**：全球通胀因子[2][16][18] - **因子构建思路**：反映全球通胀预期及实际上行压力[2][12] - **因子具体构建过程**：跟踪关税通胀传导、大宗商品价格等指标[2][12] 4. 金融压力因子 - **因子名称**：金融压力因子[18][20][24] - **因子构建思路**：反映金融市场压力状况，影响风险资产表现[18][20] - **因子具体构建过程**：通过利差、波动率等市场指标合成[18][20] 因子的回测效果 （注：报告中未提供因子的独立回测指标取值）

根据您提供的金融工程日报内容，报告主要描述了市场表现、情绪、资金流向等市场状况，并定义了几个用于衡量市场情绪的指标。报告内容更侧重于市场数据统计和监测指标的描述，而非构建用于选股或定价的量化模型或因子。因此，报告中涉及的“模型”或“因子”实际上是市场监测指标。 量化模型与构建方式 报告未涉及传统的量化选股或定价模型。 量化因子与构建方式 报告未涉及用于解释股票收益的传统阿尔法因子。 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**：用于衡量涨停股票的封板强度，反映市场追涨情绪的热度[17] **指标具体构建过程**：统计特定时间段内，上市满3个月以上的股票。首先，找出盘中最高价曾达到涨停价的股票集合。然后，在这个集合中，找出当日收盘价仍为涨停的股票。封板率的计算公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[17] 2. **指标名称**：连板率[17] **指标构建思路**：用于衡量涨停板的持续性，反映市场龙头股的接力情绪[17] **指标具体构建过程**：统计特定时间段内，上市满3个月以上的股票。首先，确定昨日收盘涨停的股票集合。然后，在这个集合中，找出今日收盘再次涨停的股票。连板率的计算公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[17] 3. **指标名称**：大宗交易折价率[26] **指标构建思路**：通过大宗交易成交价与市价的差异来观察大资金的投资偏好和市场情绪[26] **指标具体构建过程**：统计当日所有大宗交易记录。计算总成交金额，以及这些成交股份按当日收盘价计算的总市值。折价率的计算公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[26] **指标评价**：折价率越高，表明大资金卖出意愿越强或流动性补偿要求越高，通常被视为偏空信号[26] 4. **指标名称**：股指期货年化贴水率[28] **指标构建思路**：通过计算股指期货主力合约相对于现货指数的年化基差，来反映市场对未来预期、对冲成本及市场情绪[28] **指标具体构建过程**：选取特定股指期货品种的主力合约。计算基差（股指期货价格减去现货指数价格）。年化贴水率的计算公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[28] **指标评价**：贴水率越高（负基差绝对值越大），通常表明市场情绪越悲观，或对冲需求旺盛导致期货卖压较大[28] 指标的最新取值 1. **封板率**，当日取值为 46%[17] 2. **连板率**，当日取值为 16%[17] 3. **大宗交易折价率**，近半年平均取值为 5.92%，当日取值为 8.32%[26] 4. **上证50股指期货年化贴水率**，近一年中位数取值为 0.21%，当日取值为 8.44%[28] 5. **沪深300股指期货年化贴水率**，近一年中位数取值为 2.29%，当日取值为 13.93%[28] 6. **中证500股指期货年化贴水率**，近一年中位数取值为 9.50%，当日取值为 24.16%[28] 7. **中证1000股指期货年化贴水率**，近一年中位数取值为 11.58%，当日取值为 18.58%[28]

根据提供的研报内容，总结如下： 量化模型与构建方式 1. **模型名称**：超预期事件筛选模型[9][25] **模型构建思路**：通过分析师的研报标题来识别上市公司业绩“超预期”事件，认为这是结合了客观数据和主观调研的综合判断，比单纯的数据比较更全面[9] **模型具体构建过程**： 1. 数据来源：上市公司披露的2025年中报业绩预告或正式财报，以及随后分析师发布的点评研报[9][10] 2. 事件定义：在财报披露后，至少有一篇分析师研报的标题中包含“业绩”、“利润”、“营收”、“增长”、“超预期”、“好于预期”等关键词，即将该公司标记为“超预期”样本[9] 3. 筛选规则：仅考虑业绩、利润、营收相关的超预期，分红超预期等其他类型不纳入考虑[9] 4. 计算超预期公司占比：`超预期公司占比 = 超预期公司数量 / 分析师覆盖公司数量`，其中“分析师覆盖公司”定义为过去半年内至少有一篇研报覆盖的公司[25] 2. **模型名称**：开盘跳空超额（AOG）模型[25] **模型构建思路**：构建AOG指标来衡量市场对上市公司业绩公告的即时反应和认可程度，捕捉盈余公告后的价格漂移（PEAD）现象[25] **模型具体构建过程**： 1. 指标定义：AOG（Alpha of Open Gap）指盈余公告次日开盘跳空超额收益[25] 2. 计算公式： $$A O G_{t+1}\ =O p e n_{t+1}/C l o s e_{t}-O p e n_{m k t,t+1}/C l o s e_{m k t,t}$$ 其中，`Open_{t+1}` 和 `Close_t` 分别代表股票在t+1日的开盘价和t日的收盘价，`Open_{mkt,t+1}` 和 `Close_{mkt,t}` 分别代表市场指数（文中使用中证500指数）在t+1日的开盘价和t日的收盘价[25] 3. 应用：将正式财报次日的开盘收益减去中证500指数收益率作为开盘跳空幅度指标，用于评估市场反应[25] 模型的回测效果 1. **超预期事件筛选模型**，不同指数中超预期公司占比：沪深300成分股为24.41%，中证500成分股为12.75%，中证1000成分股为9.01%[26] 2. **超预期事件筛选模型**，不同板块中超预期公司占比：大金融板块为12.70%[26] 3. **开盘跳空超额（AOG）模型**，不同指数中超预期公司财报次日跳空幅度：中证1000指数成分股跳空幅度更大[26] 4. **开盘跳空超额（AOG）模型**，不同板块中超预期公司财报次日跳空幅度：科技板块跳空幅度最大[26] 量化因子与构建方式 1. **因子名称**：中报累计净利润同比增速[13][15] **因子构建思路**：通过计算上市公司中报累计净利润的同比增长率，来衡量公司的盈利增长能力，并比较不同群体（指数、行业、板块）的中位数表现[13][15] **因子具体构建过程**： 1. 数据来源：上市公司2025年正式中报[10][13] 2. 计算公式：`（本期累计净利润 - 上年同期累计净利润） / |上年同期累计净利润| * 100%`（注：公式为常规财务增长率计算，原文未明确给出，根据上下文推断） 3. 应用：计算不同指数成分股（如沪深300、中证500）、板块（如大金融、医药）、中信一级行业、热点概念及ETF标的指数成分股的该增速，并取中位数进行横向比较[13][15][17][22] 2. **因子名称**：52周最高价距离[38] **因子构建思路**：计算当前股价距离过去52周内最高价的幅度，用以衡量股票是否接近其近期高点，反映其价格势头和潜在阻力[38] **因子具体构建过程**： 1. 计算公式：`（当前收盘价 - 52周最高价） / 52周最高价 * 100%`（注：公式为常规计算，原文未明确给出，根据上下文推断） 2. 应用：作为优选超预期公司的筛选条件之一，例如要求“当前52周最高价距离小于10%”[38] 因子的回测效果 1. **中报累计净利润同比增速因子**，不同指数中位数：中证500指数成分股为8.53%，沪深300指数成分股为5.32%，中证1000指数成分股为3.30%[13] 2. **中报累计净利润同比增速因子**，不同板块中位数：大金融板块为8.05%，医药板块为-6.69%[13] 3. **中报累计净利润同比增速因子**，热点概念中位数：芯片指数、半导体精选指数均超过20%[17] 4. **中报累计净利润同比增速因子**，ETF标的指数中位数：证券公司、300非银、科技龙头指数较高[22] 复合筛选规则 1. **规则名称**：中报超预期公司优选规则[36][38] **规则构建思路**：结合超预期事件、财务增速、市场即时反应和价格势头多个维度，综合筛选出优质的超预期公司[36][38] **规则具体构建过程**： 1. 至少一篇分析师研报标题点评“超预期”[38] 2. 中报净利润累计同比增速大于30%，且去年同期累计净利润大于5000万[38] 3. 财报第二天开盘相对中证500指数跳空幅度（AOG）大于2%[25][38] 4. 当前52周最高价距离小于10%[38] **规则应用结果**：根据此规则优选出如藏格矿业、天孚通信、药明康德等公司[38][41]

量化模型与构建方式 1 模型名称：PostNAS框架与JetBlock模块 **模型构建思路**：通过后神经架构搜索方法对预训练Transformer模型进行深度优化，结合新型线性注意力模块，实现高性能与高效率的语言模型架构[15][16] **模型具体构建过程**： 1. 从预训练的全注意力模型出发，继承并冻结其多层感知机权重 2. 训练"一次性"超级网络自动确定全注意力层的最佳放置位置 3. 评估多种线性注意力模块，选定Gated DeltaNet为基础 4. 设计JetBlock模块，引入动态因果卷积核，其卷积核生成器根据输入内容动态调整特征提取模式，同时移除查询和键上的冗余静态卷积 5. 执行硬件感知架构搜索，将KV缓存大小固定后对关键维度进行网格搜索[16] 2 模型名称：Gemini 2.5 Flash Image **模型构建思路**：采用稀疏混合专家架构与改进的扩散模型，实现高质量图像生成与编辑[23][25] **模型具体构建过程**： 1. 采用稀疏混合专家架构，将模型参数划分为多个专家模块，每个输入token仅激活少量专家 2. 将文本、图像、音频等输入映射到统一的嵌入空间，通过跨模态注意力机制实现信息融合 3. 采用改进的扩散模型，在低维潜空间进行去噪 4. 内置物理引擎级渲染模块理解光影投射、物体遮挡等物理规律 5. 通过特征锚定机制提取人物面部、体态等关键特征，并在生成过程中持续锚定，确保多场景下角色外观一致[25][26] 3 模型名称：MAI-1-preview **模型构建思路**：采用混合专家架构（MoE），专注于指令遵循与响应效率的平衡[36] **模型具体构建过程**： 1. 使用约1.5万张NVIDIA H100 GPU进行预训练与后训练 2. 采用混合专家架构（MoE）[36] 4 模型名称：RLCF（基于检查表的强化学习反馈） **模型构建思路**：通过动态生成指令特定的检查表来评估模型响应，替代传统奖励模型[48][49] **模型具体构建过程**： 1. 定义检查表核心特征：每个检查项必须是可验证的是非问题，响应需满足所有检查项才合格 2. 开发两种检查表生成方法： - 直接法：通过简单提示语言模型从指令中提取检查项 - 候选法：通过分析不同质量响应样本的失败模式生成更全面的检查表 3. RLCF方法包含四个关键步骤： - 从基础策略中采样候选响应对 - 结合AI评判员和验证程序对每个检查项进行评分 - 计算加权平均得分并筛选差异显著的响应对 - 使用这些偏好对进行直接偏好优化训练[48][49] --- 量化因子与构建方式 （本报告中未涉及量化因子的相关内容） --- 模型的回测效果 1 Jet-Nemotron模型 - 提供2B和4B两种参数规模的版本[17] - 在H100 GPU上生成吞吐量最高提升53.6倍，预填充阶段速度提升6.1倍[17] - Jet-Nemotron-2B在MMLU、MMLU-Pro和BBH基准上相比Qwen3-1.7B-Base吞吐量提高47倍，缓存大小缩小至原来的四十七分之一[19] - 在数学任务中平均准确率49.6，超出Qwen3-1.7B-Base达6.3个点[19] - 在常识推理任务中平均准确率62.0，超越所有基线模型[19] - 在检索和编码任务中表现优于多数同类模型[19] - Jet-Nemotron-4B在所有编码任务中均实现更高准确率，在长上下文任务中性能媲美配备更多全注意力层的领先模型[19] 2 Gemini 2.5 Flash Image模型 - 在LMArena基准测试的文生图与图像编辑两个场景中均获得全球第一的评价[27] - 在用户综合喜好度、人物、创造力、信息图、物体和环境的生成上领先于GPT-4o图像生成、Flux.1 Kontext等模型[27] - 定价为每百万输出token 30美元，每张图像消耗约1290 token，约合0.039美元每张图像[28] 3 MAI-1-preview模型 - 在LMArena文本任务榜单中排名第13位[36] 4 RLCF模型 - 在IFEval上相对提升2.8-3.0%[51] - 在FollowBench上约束满足水平提升8.2%[51] - 在InFoBench上总体要求遵循率提升6.9%[51] - 在"内容"类约束上的平均硬满足率比基线高出6.4个百分点[51] --- 因子的回测效果 （本报告中未涉及量化因子的回测效果）

量化模型与因子总结 量化因子与构建方式 1 **因子名称：大小盘风格因子** **因子构建思路：** 通过市值维度衡量市场风格偏向大盘或小盘[12] **因子具体构建过程：** 使用市值加权组合收益差来表征风格暴露，具体计算大盘股组合与小盘股组合的收益率差值 2 **因子名称：价值成长风格因子** **因子构建思路：** 通过估值与成长性指标区分价值与成长风格[12] **因子具体构建过程：** 构建价值股组合和成长股组合，计算两类组合的收益率差值作为风格因子 3 **因子名称：行业指数超额收益离散度因子** **因子构建思路：** 衡量各行业指数超额收益的分散程度[12] **因子具体构建过程：** 计算各行业指数相对于基准的超额收益，然后计算这些超额收益的截面标准差 4 **因子名称：行业轮动度量因子** **因子构建思路：** 量化行业轮动速度的快慢[12] **因子具体构建过程：** 使用行业收益率的相关系数矩阵或动量指标变化率来度量行业轮动速度 5 **因子名称：成分股上涨比例因子** **因子构建思路：** 衡量市场广度和参与度[12] **因子具体构建过程：** 计算指数成分股中上涨股票数量占总股票数量的比例 $$上涨比例 = \frac{上涨股票数量}{总股票数量}$$ 6 **因子名称：前100个股成交额占比因子** **因子构建思路：** 衡量交易集中度于头部个股的程度[12] **因子具体构建过程：** 计算前100只个股成交额之和与市场总成交额的比例 $$成交集中度 = \frac{\sum_{i=1}^{100} 成交额_i}{市场总成交额}$$ 7 **因子名称：前5行业成交额占比因子** **因子构建思路：** 衡量交易集中度于头部行业的程度[12] **因子具体构建过程：** 计算前5个行业成交额之和与市场总成交额的比例 8 **因子名称：指数波动率因子** **因子构建思路：** 衡量市场波动风险水平[12] **因子具体构建过程：** 使用指数收益率的移动标准差来计算市场波动率 9 **因子名称：指数换手率因子** **因子构建思路：** 衡量市场交易活跃程度[12] **因子具体构建过程：** 计算市场总成交额与流通市值的比率 10 **因子名称：商品趋势强度因子** **因子构建思路：** 衡量商品期货价格的趋势性强弱[19][25] **因子具体构建过程：** 通过移动平均线斜率或动量指标来量化各商品板块的趋势强度 11 **因子名称：商品基差动量因子** **因子构建思路：** 衡量商品期货期限结构的变化动量[19][25] **因子具体构建过程：** 计算近月合约与远月合约价格差的变动率 12 **因子名称：商品波动率因子** **因子构建思路：** 衡量商品市场的波动风险水平[19][25] **因子具体构建过程：** 使用商品指数收益率的移动标准差来计算波动率 13 **因子名称：商品流动性因子** **因子构建思路：** 衡量商品市场的流动性状况[19][25] **因子具体构建过程：** 通过成交量和持仓量变化来度量市场流动性 14 **因子名称：期权隐含波动率因子** **因子构建思路：** 衡量期权市场对未来波动率的预期[28] **因子具体构建过程：** 从期权市场价格反推计算出隐含波动率指标 15 **因子名称：期权偏度因子** **因子构建思路：** 衡量期权市场对尾部风险的定价[28] **因子具体构建过程：** 通过看跌期权与看涨期权隐含波动率的差异来计算偏度 16 **因子名称：百元转股溢价率因子** **因子构建思路：** 衡量可转债估值水平[30] **因子具体构建过程：** 计算可转债市场价格相对于转换价值的溢价程度 17 **因子名称：低转股溢价率占比因子** **因子构建思路：** 衡量市场中低估值转债的分布情况[30] **因子具体构建过程：** 计算转股溢价率低于特定阈值的转债数量占比 因子的回测效果 1 **大小盘风格因子**，上周表现：风格偏向均衡[12] 2 **价值成长风格因子**，上周表现：风格偏向成长[12] 3 **大小盘风格波动因子**，上周表现：波动下降[12] 4 **价值成长风格波动因子**，上周表现：波动上升[12] 5 **行业指数超额收益离散度因子**，上周表现：离散度上升[12] 6 **行业轮动度量因子**，上周表现：先升后降[12] 7 **成分股上涨比例因子**，上周表现：上涨比例上升[12] 8 **前100个股成交额占比因子**，上周表现：集中度上升[12] 9 **前5行业成交额占比因子**，上周表现：集中度上升[12] 10 **指数波动率因子**，上周表现：波动率上升[12] 11 **指数换手率因子**，上周表现：换手率上升[12] 12 **商品趋势强度因子**，上周表现：各板块趋势强度下降[19][25] 13 **商品基差动量因子**，上周表现：能化贵金属板块上升[19][25] 14 **商品波动率因子**，上周表现：各板块波动率下降[19][25] 15 **商品流动性因子**，上周表现：各板块流动性震荡向下[19][25] 16 **期权隐含波动率因子**，上周表现：上证50与中证1000隐波维持高位[28] 17 **期权偏度因子**，上周表现：中证1000看跌期权偏度上升[28] 18 **百元转股溢价率因子**，上周表现：保持维稳[30] 19 **低转股溢价率占比因子**，上周表现：显著上升[30]

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领域常用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[7] **因子具体构建过程：** 具体构建过程未详细说明，但核心是利用PE指标的布林带构造，衡量当前估值相对于历史均值的偏离程度 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因子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：** 具体构建过程未详细说明，核心是在EPD因子的基础上，使用个股信息比率作为代理变量，调整以反映估值逻辑变化的缓慢偏离 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，最终得到纯净的估值异常因子[7] **因子具体构建过程：** 具体构建过程未详细说明，核心是对EPDS因子进行风格中性化处理，剔除Beta、成长和价值风格的影响 因子的回测效果 1. **估值偏离EPD因子** 年化收益率：17.47%[2][8][12] 年化波动率：9.94%[2][8][12] 信息比率(IR)：1.76[2][8][12] 月度胜率：70.59%[2][8][12] 最大回撤率：8.93%[2][8][12] 2. **缓慢偏离EPDS因子** 年化收益率：16.12%[2][8][12] 年化波动率：5.74%[2][8][12] 信息比率(IR)：2.81[2][8][12] 月度胜率：78.61%[2][8][12] 最大回撤率：3.10%[2][8][12] 3. **估值异常EPA因子** 年化收益率：17.29%[2][8][12] 年化波动率：5.14%[2][8][12] 信息比率(IR)：3.37[2][8][12] 月度胜率：80.75%[2][8][12] 最大回撤率：3.12%[2][8][12] 2025年8月多头组合收益率：7.72%[2][15] 2025年8月空头组合收益率：8.34%[2][15] 2025年8月多空对冲收益率：-0.63%[2][15]