根据提供的研报内容，以下是量化模型和因子的详细总结： 量化模型与构建方式 1. **短期量化择时模型** - **模型构建思路**：基于基本面、估值面、情绪面和流动性四个维度的指标进行综合判断，生成择时信号[32][33][34] - **具体构建过程**： - **基本面指标**：制造业PMI分位数（9.32%）、中长期贷款余额同比增速分位数（0.00%）、M1同比增速分位数（66.10%），综合信号为谨慎[32] - **估值面指标**：A股整体PE分位数（86.27%）、PB分位数（34.74%），综合信号为乐观[33] - **情绪面指标**：Beta离散度分位数（52.54%）、量能情绪分位数（18.36%）、波动率分位数（15.63%），综合信号为谨慎[33] - **流动性指标**：货币利率分位数（33.90%）、汇率预期分位数（20.34%）、融资额分位数（48.55%），综合信号为乐观[34] - **模型评价**：多维度动态加权，历史回测显示能有效控制回撤[35] 2. **成长价值轮动模型** - **模型构建思路**：通过盈利周期、利率周期、信贷周期判断基本面，结合估值差和情绪指标进行风格切换[43] - **具体构建过程**： - **基本面信号**：盈利斜率（8.33，利好成长）、利率水平（4.58，利好价值）、信贷变化（-4.17，利好价值），综合信号为超配价值[43] - **估值信号**：成长价值PE差分位数（16.36%）、PB差分位数（10.93%），均利好成长[43] - **情绪信号**：换手差分位数（4.14%，利好价值）、波动差分位数（35.19%，利好均衡），综合信号为超配价值[43] - **模型评价**：在经济周期切换时捕捉风格收益，但需警惕市场结构性变化[44] 3. **小盘大盘轮动模型** - **模型构建思路**：与成长价值模型类似，但侧重市值维度轮动[49] - **具体构建过程**： - **基本面信号**：盈利斜率（8.33，利好小盘）、利率水平（4.58，利好大盘）、信贷变化（-4.17，利好大盘），综合信号为均衡[49] - **估值信号**：小盘大盘PE差分位数（78.78%）、PB差分位数（94.41%），均利好大盘[49] - **情绪信号**：换手差分位数（43.59%，利好均衡）、波动差分位数（84.62%，利好大盘），综合信号为超配大盘[49] - **模型评价**：对小盘流动性敏感，需结合微观结构分析[50] 4. **四风格轮动模型** - **模型构建思路**：将成长价值和小盘大盘模型结果交叉，形成小盘成长、小盘价值、大盘成长、大盘价值四象限配置[56] - **具体构建过程**：当前配置比例为小盘成长12.5%、小盘价值37.5%、大盘成长12.5%、大盘价值37.5%[42][56] - **模型评价**：分散化效果显著，但需注意风格相关性突变风险[56] 量化因子与构建方式 1. **主题投资情绪因子** - **因子构建思路**：通过涨幅5%以上个股的行业离散度衡量主题集中度，结合市值分层捕捉资金偏好[21] - **具体构建过程**： - 计算每日涨幅5%个股中非同一申万三级行业占比 - 按自由流通市值分层（<20亿/20-100亿/100-500亿/>500亿）计算各层情绪指标[21] - 公式：$$ \text{主题情绪} = \frac{\sum I(\text{涨幅}>5\% \cap \text{行业异质})}{\text{总样本数}} \times \text{市值层权重} $$ - **因子评价**：有效识别个人投资者与机构资金主导行情[22] 2. **微盘股换手因子** - **因子构建思路**：通过高频调仓捕捉微盘股的短期反转效应[25] - **具体构建过程**： - 剔除ST股后选择市值最小的400只个股构建等权组合 - 测试周度/月度/季度/年度调仓频率下的净值表现[25] - 计算年化换手率：微盘组合1.47 vs 大盘组合0.66[25] - **因子评价**：依赖流动性环境，高换手可能放大波动风险[27] 模型的回测效果 1. **短期择时模型** - 年化收益率16.22% vs 基准4.08%，超额12.14%[35] - 最大回撤27.70%，2024年最大回撤11.04%[35] - 夏普比率0.9584，收益回撤比0.5857[40] 2. **成长价值轮动模型** - 年化收益率11.31% vs 基准6.44%，超额4.87%[44] - 最大回撤43.07%，2024年超额2.53%[48] 3. **小盘大盘轮动模型** - 年化收益率11.92% vs 基准6.50%，超额5.42%[50] - 最大回撤50.65%，2024年超额-3.91%[53] 4. **四风格轮动模型** - 年化收益率12.86% vs 基准6.94%，超额5.92%[56] - 2024年超额7.94%，但2025年暂跑输1.35%[56] 因子的回测效果 1. **主题投资情绪因子** - 小微盘情绪与微盘超额收益相关系数0.62（2016-2025）[21] - 中大盘情绪高涨时微盘超额平均下降1.2%/月[23] 2. **微盘股换手因子** - 周度调仓组合年化收益35.7% vs 年度调仓18.2%（2012-2025）[26] - 换手率每提升0.1，组合波动率增加2.3%[25]

根据研报内容，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. **模型名称**：指数调样冲击效应估算模型 **模型构建思路**：通过计算被动指数调仓时资金流对个股流动性的冲击程度，预测短期价格影响[12][15] **模型具体构建过程**： - 计算单只股票在每只指数中的净资金流：$$\Delta weight_{k,i} \times AUM_k$$，其中$\Delta weight_{k,i}$为股票i在第k只指数中的权重变动，$AUM_k$为挂钩产品总规模[15] - 汇总多指数影响的净资金流：$$\sum_{k=1}^{N} \Delta weight_{k,i} \times AUM_k$$ - 计算冲击系数：$$impact_i = \frac{\sum_{k=1}^{N} \Delta weight_{k,i} \times AUM_k}{amt\_avg_{i,20}}$$，分母为近20日日均成交额[15] **模型评价**：对低流动性股票更敏感，需结合成交额动态调整预测值[23] 模型的回测效果 1. **冲击效应模型** - 高冲击股票占比：36只个股冲击系数绝对值>2（占样本8.22%）[17][22] - 最大正向冲击：沪农商行冲击系数13.55（日均成交2.15亿元）[17] - 最大负向冲击：东方雨虹冲击系数-6.61（日均成交1.73亿元）[18] 量化因子与构建方式 1. **因子名称**：被动资金流因子 **因子构建思路**：基于指数成分股权重变动与跟踪规模计算潜在资金流向[15] **因子具体构建过程**： - 调入股票因子值：$$inflow_i = \sum_{k=1}^{M} weight_{k,i}^{new} \times AUM_k$$ - 调出股票因子值：$$outflow_j = -\sum_{k=1}^{M} weight_{k,j}^{old} \times AUM_k$$ - 权重计算采用自由流通市值加权（特殊指数按股息率/波动率等规则）[15] 2. **因子名称**：流动性调整因子 **因子构建思路**：通过20日日均成交额标准化资金流影响[15] **因子具体构建过程**：直接作为冲击系数模型的分母项$$amt\_avg_{i,20}$$[15] 因子的回测效果 1. **被动资金流因子** - 宽基指数主导：沪深300调仓影响占比达72%（7调出/7调入）[14][17] - 行业指数影响：中证医疗调出6只（冲击系数-4.41至-1.58）[18] 2. **流动性调整因子** - 成交额中位数：1.28亿元（25%分位数0.58亿，75%分位数3.32亿）[17][18] - 低流动性放大效应：成交额<1亿的股票冲击系数平均放大2.3倍[22] 关键数据分布 1. **冲击系数分布** - 绝对值≤1占比：70%[22] - (1,2]区间占比：12.3%[19][22] - >3极端值占比：4.1%（正向2.3%，负向1.8%）[19] 2. **跟踪规模分布** - 总被动规模：3.26万亿元（2025Q1）[4][7] - 头部指数规模：沪深300（1.06万亿）、中证A500（2075亿）、上证50（1707亿）[14]

根据研报内容，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. **商品期限结构模拟组合** - 模型构建思路：基于展期收益率因子动态构建多空组合，做多高展期收益品种，做空低展期收益品种[35] - 模型具体构建过程： 1. 计算各品种展期收益率（近月合约与远月合约价差） 2. 按展期收益率排序，前30%做多，后30%做空 3. 板块内仓位加权（农产品/工业金属/黑色/能化板块权重上限40%）[43] - 模型评价：双向操作模式降低单一市场风险依赖，适应震荡行情[1] 2. **商品时序动量模拟组合** - 模型构建思路：基于技术指标（如均线、MACD）捕捉商品趋势[35] - 模型具体构建过程： 1. 计算品种的20日/60日价格动量 2. 动量排名前20%做多，后20%做空 3. 波动率调整仓位（风险贡献均衡）[45] 3. **商品截面仓单模拟组合** - 模型构建思路：利用仓单变化反映供需基本面[35] - 模型具体构建过程： 1. 监测交易所注册仓单周环比变化 2. 仓单下降幅度前20%做多，增加幅度前20%做空 3. 结合库存绝对水平过滤信号[53] 4. **黄金布林带择时模型** - 模型构建思路：通过布林带通道突破生成交易信号[12] - 模型具体构建过程： 1. 计算20日均线（中轨）： $$中轨 = MA_{20}(P_t)$$ 2. 计算上下轨： $$上轨 = MA_{20} + 2 \times \sigma_{20}$$ $$下轨 = MA_{20} - 2 \times \sigma_{20}$$ 3. 价格突破上轨看多，跌破下轨看空[16] - 模型评价：有效降低波动率，但可能错失趋势行情[12] 5. **多资产配置模型** - 模型构建思路：股债黄金三资产组合优化[13] - 模型具体构建过程： 1. 基础组合：股票（万得全A）20% + 黄金40% + 债券（中债国债）40% 2. 引入黄金择时信号动态调整权重[13] 模型的回测效果 1. **商品期限结构模拟组合** - 年化收益率：3.03%（2025年）[38] - 最大回撤：-26.56%（2024年）[42] - 夏普比率：0.69（2009-2025）[17] 2. **黄金布林带择时模型** - 年化收益率：6.17% vs 黄金现货7.71%[13] - 波动率：8.89% vs 现货11.56%[13] - 月度赔率：2.47倍[13] 3. **多资产配置模型（策略3）** - 年化收益率：7.46% vs 股债组合4.54%[17] - Calmar比率：0.52[17] 量化因子与构建方式 1. **展期收益率因子** - 构建思路：反映商品期货期限结构特征[35] - 计算公式： $$展期收益率 = \frac{F_{远月}-F_{近月}}{F_{近月}} \times \frac{365}{合约间隔天数}$$[43] 2. **仓单变化因子** - 构建思路：捕捉供需基本面变化[35] - 计算方法：周度仓单环比变化标准化（Z-score）[53] 3. **PMI扩散指数因子** - 构建思路：预测工业金属价格走势[3] - 计算方法：全球制造业PMI扩散指数（>50为扩张）[21] - 因子评价：与LME铜价同比相关系数0.64[18] 因子的回测效果 1. **展期收益率因子** - 年化多空收益差：5.8%（2010-2025）[42] - 月度胜率：58%[42] 2. **仓单变化因子** - 多空组合年化波动率：15.2%[53] （注：部分因子未提供具体测试数值，故未列出）

量化模型与因子分析总结 量化因子与构建方式 风格因子 1. **Growth因子**：衡量成长性，包括过去3年ROE变动平均值、销售收入TTM的3年复合增速、净资产TTM的3年复合增速[12]。构建思路是通过财务指标反映公司成长能力。因子评价：近期表现优异，反映市场对成长股的偏好增强[9][11] 2. **Trend因子**：趋势指标，计算方式为EWMA(halflife=20)/EWMA(halflife=120)和EWMA(halflife=20)/EWMA(halflife=240)[12]。构建思路是通过不同时间窗口的指数加权移动平均比捕捉趋势。因子评价：保持稳定正收益，显示趋势策略有效性[11] 3. **Beta因子**：贝叶斯压缩后的市场Beta[12]。构建思路是调整后的系统性风险指标。因子评价：近期收益回升，显示高Beta股票关注度恢复[11] 4. **Liquidity因子**：流动性指标，包括过去243天的平均对数换手率、个股对数换手率与市场对数换手率的回归系数[12]。构建思路是通过换手率衡量流动性。因子评价：近期表现改善但仍为负收益[11] 5. **Volatility因子**：波动率指标，包括过去243天的标准波动率、FF3特质波动率、最高价/最低价-1、最高/最低六天收益率平均值[12]。构建思路是多维度衡量波动性。因子评价：表现疲软但有所改善[11] 6. **Value因子**：价值指标，包括账面市值比(BP)和盈利收益率(EP)[12]。构建思路是通过估值比率识别价值股。因子评价：表现显著下滑，反映价值策略认可度下降[11] 7. **Size因子**：总市值对数[12]。构建思路是直接衡量公司规模。因子评价：表现大幅下降，显示小盘股关注度减弱[11] 基本面因子 1. **EPTTM一年分位点**：当前EPTTM在过去一年的分位点[17]。构建思路是通过历史分位数定位当前估值水平。因子评价：在中证全指中表现最好[1][6] 2. **PB_ROE排序差**：全市场PB排序与单季ROE排序的差值[17]。构建思路是通过估值与盈利能力的相对排序识别机会。因子评价：在中证800中表现突出[27] 3. **分析师认可度**：(认可业绩分析师数-不认可业绩分析师数)/覆盖分析师数[17]。构建思路是量化分析师情绪。因子评价：在多个指数中表现稳定[20][23][27] 4. **预期ROE环比变化**：当前一致预期ROE-3个月前一致预期ROE[17]。构建思路是跟踪盈利预期的变化。因子评价：在创业板指中表现最佳[40][41] 5. **标准化预期外盈利**：(单季实际净利-预期净利)/预期净利标准差[17]。构建思路是衡量盈利超预期程度。因子评价：在国证2000中表现突出[35][38] 因子回测效果 沪深300样本空间 1. **分析师认可度**：最近一周0.50%，最近一月1.47%，今年以来3.31%，近1年年化6.07%，历史年化3.41%[20] 2. **三个月波动**：最近一周0.47%，最近一月-0.45%，今年以来0.70%，近1年年化5.08%，历史年化2.77%[20] 3. **预期PEG**：最近一周0.36%，最近一月2.02%，今年以来2.62%，近1年年化1.55%，历史年化3.24%[20] 中证500样本空间 1. **单季营收同比增速**：最近一周1.16%，最近一月1.22%，今年以来4.72%，近1年年化2.10%，历史年化2.75%[23] 2. **六个月UMR**：最近一周0.76%，最近一月1.14%，今年以来-1.88%，近1年年化-3.98%，历史年化5.58%[23] 3. **股息率**：最近一周0.41%，最近一月1.56%，今年以来0.00%，近1年年化-4.19%，历史年化6.91%[23] 中证800样本空间 1. **单季EP**：最近一周0.78%，最近一月0.86%，今年以来2.12%，近1年年化4.36%，历史年化7.53%[27] 2. **PB_ROE排序差**：最近一周0.71%，最近一月0.83%，今年以来1.77%，近1年年化5.82%，历史年化7.59%[27] 3. **预期PEG**：最近一周0.66%，最近一月2.66%，今年以来4.74%，近1年年化3.11%，历史年化2.53%[27] 中证1000样本空间 1. **EPTTM一年分位点**：最近一周1.09%，最近一月0.83%，今年以来3.81%，近1年年化5.54%，历史年化6.75%[31] 2. **SPTTM**：最近一周0.65%，最近一月-0.33%，今年以来0.63%，近1年年化0.46%，历史年化4.65%[31] 3. **DELTAROA**：最近一周0.55%，最近一月0.93%，今年以来3.32%，近1年年化6.30%，历史年化7.49%[31] 国证2000样本空间 1. **预期ROE环比变化**：最近一周8.67%，最近一月11.95%，今年以来13.37%，近1年年化51.29%，历史年化5.18%[35] 2. **SPTTM**：最近一周4.64%，最近一月5.60%，今年以来5.00%，近1年年化1.83%，历史年化5.81%[35] 3. **六个月UMR**：最近一周2.51%，最近一月3.12%，今年以来4.34%，近1年年化8.80%，历史年化10.37%[35] 创业板指样本空间 1. **预期ROE环比变化**：最近一周12.13%，最近一月14.17%，今年以来17.63%，近1年年化26.15%，历史年化3.71%[40] 2. **预期净利润环比**：最近一周5.56%，最近一月4.16%，今年以来8.70%，近1年年化11.94%，历史年化2.48%[40] 3. **六个月UMR**：最近一周4.43%，最近一月4.03%，今年以来8.11%，近1年年化8.65%，历史年化3.75%[40] 中证全指样本空间 1. **EPTTM一年分位点**：最近一周1.09%，最近一月-0.34%，今年以来-1.41%，近1年年化-4.16%，历史年化2.83%[45] 2. **预期ROE环比变化**：最近一周0.85%，最近一月0.81%，今年以来-1.20%，近1年年化0.77%，历史年化-0.72%[45] 3. **分析师认可度**：最近一周0.79%，最近一月0.45%，今年以来0.71%，近1年年化0.41%，历史年化3.80%[45] MFE组合构建模型 1. **模型名称**：Maximized Factor Exposure Portfolio (MFE) 2. **模型构建思路**：在控制行业暴露、风格暴露等约束下最大化单因子暴露[61] 3. **模型具体构建过程**： - 目标函数：最大化因子暴露 $$max\ f^{T}w$$ - 风格偏离约束：$$s_{l}\leq X(w-w_{b})\leq s_{h}$$ - 行业偏离约束：$$h_{l}\leq H(w-w_{b})\leq h_{h}$$ - 个股权重偏离约束：$$w_{l}\leq w-w_{b}\leq w_{h}$$ - 成分股权重约束：$$b_{l}\leq B_{b}w\leq b_{h}$$ - 非负约束：$$0\leq w\leq l$$ - 权重和约束：$$1^{T}w=1$$ - 换手率约束：$$\Sigma|w-w_{0}|\leq to_{h}$$[61] 4. **模型评价**：能更准确反映因子在实际约束条件下的有效性[61]

量化模型与构建方式 1. **模型名称：PB-ROE-50组合** - **模型构建思路**：基于PB（市净率）和ROE（净资产收益率）的双因子筛选，选取估值合理且盈利能力强的股票[23] - **模型具体构建过程**： 1. 在全市场股票池中筛选PB分位数低于50%且ROE分位数高于50%的股票 2. 按PB升序和ROE降序综合排序，选取前50只股票等权重配置 3. 按月频调仓，基准指数为中证800/全市场指数[23][24] - **模型评价**：兼顾估值与盈利质量，适合价值投资风格 2. **模型名称：机构调研组合** - **模型构建思路**：利用公募/私募调研事件作为信息优势信号选股[25] - **模型具体构建过程**： 1. 跟踪过去1个月内被机构调研的股票 2. 按调研次数和参与机构规模加权构建组合 3. 基准指数为中证800[25][26] 3. **模型名称：大宗交易组合** - **模型构建思路**：通过"高成交金额比率+低波动率"筛选大宗交易中的有效信号[29] - **模型具体构建过程**： 1. 计算个股大宗交易成交金额占日均成交额比率 2. 计算6日成交金额波动率 3. 选取比率前30%且波动率后30%的股票等权重配置[29][30] 4. **模型名称：定向增发组合** - **模型构建思路**：以股东大会公告日为事件节点捕捉定增超额收益[34] - **模型具体构建过程**： 1. 筛选公告定向增发的股票 2. 结合市值因子和仓位控制规则构建组合 3. 基准指数为中证全指[34][35] --- 模型的回测效果 1. **PB-ROE-50组合** - 中证500：上周超额-0.12%，今年累计超额2.07%[24] - 中证800：上周超额0.63%，今年累计超额2.60%[24] - 全市场：上周超额0.65%，今年累计超额3.10%[24] 2. **机构调研组合** - 公募调研：上周超额0.05%，今年累计超额-2.18%[26] - 私募调研：上周超额-0.22%，今年累计超额9.67%[26] 3. **大宗交易组合** - 上周超额0.01%，今年累计超额23.39%[30] 4. **定向增发组合** - 上周超额0.19%，今年累计超额4.26%[35] --- 量化因子与构建方式 1. **因子名称：对数市值因子** - **因子方向**：负向（小市值效应）[12][14][16] - **构建过程**：$$ \text{ln}(总市值) $$，标准化后分组回测[13][15][17] 2. **因子名称：动量调整大单** - **因子方向**：正向（大单资金动量）[12] - **构建过程**：$$ \frac{\text{大单净流入金额}}{\text{20日平均成交额}} \times \text{动量系数} $$[13] 3. **因子名称：6日成交金额移动平均** - **因子方向**：负向（高流动性溢价）[12] - **构建过程**：$$ \text{MA6}(成交金额) $$标准化[13] 4. **因子名称：净利润率TTM** - **因子方向**：正向（盈利能力）[14] - **构建过程**：$$ \frac{\text{净利润TTM}}{\text{营业收入TTM}} $$[15] 5. **因子名称：单季度ROE同比** - **因子方向**：正向（盈利改善）[16] - **构建过程**：$$ \frac{\text{本期ROE}}{\text{去年同期ROE}} - 1 $$[17] --- 因子的回测效果 1. **沪深300股票池** - 对数市值因子：上周收益1.63%，近1月-0.49%[13] - 动量调整大单：上周收益1.37%，近1月0.12%[13] - 6日成交金额移动平均：上周收益1.34%，近1月-1.72%[13] 2. **中证500股票池** - 净利润率TTM：上周收益1.43%，近1月1.90%[15] - 毛利率TTM：上周收益1.13%，近1月1.42%[15] 3. **流动性1500股票池** - 单季度ROE同比：上周收益1.07%，近1月2.13%[17] - 对数市值因子：上周收益0.65%，近1月2.46%[17] --- 大类因子表现 - 市值因子：全市场上周收益-0.77%（小市值风格）[18] - 流动性因子：全市场上周收益-0.34%[18] --- 行业内因子表现 - 综合行业：净利润增长率/每股净资产/每股经营利润TTM因子表现一致[21] - 交通运输/建筑材料：残差波动率和流动性因子正收益显著[21] - 多数行业：小市值风格显著[21]

根据提供的量化市场追踪周报内容，总结如下： 量化模型与构建方式 1. **主动权益基金仓位测算模型** - 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，区分不同类型基金（普通股票型、偏股混合型、配置型等）[20][22] - 具体构建过程： 1. 筛选合格样本：成立期满两个季度、规模>5000万元、过去四期平均仓位>60%（主动权益型）或10%-30%（"固收+"基金）[22] 2. 剔除不完全投资A股的基金[23] 3. 按基金类型分类计算加权平均仓位，公式： $$仓位 = \frac{\sum(单只基金持股市值 \times 其仓位)}{\sum(单只基金持股市值)}$$ - 模型评价：覆盖全面，但依赖历史数据且受样本筛选规则影响[22][23] 2. **基金风格暴露模型** - 构建思路：将持仓分解为大盘/中盘/小盘与成长/价值六类风格，计算仓位占比[28][29] - 具体构建过程： 1. 按市值（大盘/中盘/小盘）和估值（成长/价值）双重分类 2. 统计各风格组合的持仓市值占比[28] 模型的回测效果 1. **主动权益基金仓位模型** - 截至2025/5/30平均仓位：85.98%（普通股票型89.13%，偏股混合型86.28%，配置型83.83%）[20] - 周变动：普通股票型↓0.52pct，偏股混合型↓0.97pct[20] 2. **风格暴露模型** - 中盘成长仓位15.28%（↑0.36pct），小盘成长仓位45.51%（↓3.22pct）[28] 量化因子与构建方式 1. **行业配置因子** - 构建思路：跟踪主动权益基金在中信一级行业的配置比例变化[31][32] - 具体构建：持股市值加权计算行业仓位，公式同仓位模型[32] 2. **资金流向因子** - 构建思路：划分主力/中小单资金流（特大单>100万元，大单30-100万元等）[50][51] - 具体构建： - 个股层面：统计净流入额TOP5/BTM5[54][56] - 行业层面：按中信一级行业汇总净流入[55][57] 因子的回测效果 1. **行业配置因子** - 增配行业：食品饮料（+0.45pct）、机械（+0.37pct）[31] - 减配行业：计算机（-0.61pct）、电子（-0.43pct）[31] 2. **资金流向因子** - 主力净流入银行（+5.2亿元），净流出电子（-37.2亿元）[55] - 主动资金净买入银行（11.27亿元），卖出电子（-39.09亿元）[57] 其他量化指标 - ETF资金流：宽基ETF净流入61.7亿元（沪深300ETF+17.7亿元）[58] - 微盘股风险提示：北证50周涨2.82%，但需警惕超额收益持续性[11][13] （注：报告中未涉及复合因子或衍生模型的具体构建公式）

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称**：主动量化产品 **模型构建思路**：通过量化方法筛选股票构建投资组合，追求超越基准的收益[21][24] **模型评价**：在医药、科技等板块表现突出，但受市场环境影响较大[24][26] 2. **模型名称**：量化对冲产品 **模型构建思路**：利用多空策略对冲市场风险，获取绝对收益[21][24] **模型评价**：收益稳定性较好但收益率偏低，适合低风险偏好投资者[24][26] 模型的回测效果 1. 主动量化产品： - 上周平均收益0.18%[21] - 年初至今平均收益2.95%[24] - 最佳单周收益11.57%（东吴智慧医疗量化策略A）[24] - 最佳年初至今收益29.48%（诺安多策略A）[26] 2. 量化对冲产品： - 上周平均收益-0.03%[21] - 年初至今平均收益0.74%[24] - 最佳单周收益0.41%（大成绝对收益A）[24] - 最佳年初至今收益3.38%（工银绝对收益A）[26] 量化因子与构建方式 1. **因子名称**：医药生物因子 **因子构建思路**：聚焦医疗健康板块的量化选股因子[24][26] **因子评价**：在北交所主题基金中表现突出，但受政策影响显著[9][26] 2. **因子名称**：科创50增强因子 **因子构建思路**：基于科创板企业的研发投入和成长性指标构建[24][29] **因子评价**：波动较大但长期超额收益明显[24][39] 因子的回测效果 1. 医药生物因子： - 上周TOP3基金收益12.04%/10.44%/9.55%[24] - 年初至今TOP3基金收益56.21%/53.93%/52.83%[26] 2. 科创50增强因子： - 相关ETF规模达796.65亿元（华夏上证科创板50ETF）[39] - 年初至今资金净流出117.95亿元[39] - 单周最佳超额收益3.99%（银华中证全指医药卫生增强）[24]

量化模型与构建方式 1. **模型名称**：公募基金仓位估计模型 - **模型构建思路**：基于基金季报披露的前十大重仓股、上市公司十大股东信息及行业配置数据，模拟补全基金的全部股票持仓[8][9] - **模型具体构建过程**： 1. 利用基金季报（T期）的行业配置比例和T-1期半年报/年报的非重仓股持仓，假设非重仓股在各行业内的持股种类不变，仅按比例调整权重，通过加权放缩得到T期非重仓股模拟持仓[10] 2. 将模拟持仓拆分为大、小盘组合，结合基金日收益率和大、小盘指数日收益率，采用加权最小二乘法估计每日大、小盘配置仓位[11] - **模型评价**：解决了基金持仓披露滞后性问题，实现了对基金仓位的日度监控，但依赖历史持仓假设可能引入偏差[11] 2. **模型名称**：基金风格监控模型 - **模型构建思路**：从大小盘配置、市值暴露、行业配置三个维度分析基金风格变化[11] - **模型具体构建过程**： 1. 基于模拟持仓计算基金在大盘（如上证50）和小盘（如中证1000）指数上的暴露 2. 通过回归分析计算行业配置权重，跟踪中信一级行业的仓位变动[15][20] --- 模型的回测效果 1. **公募基金仓位估计模型** - 普通股票型基金仓位中位数：87.39%（2025-05-30），周环比上升0.10%[16] - 偏股混合型基金仓位中位数：83.76%，周环比下降0.18%[16] - 大盘仓位变动：普通股票型+2.48%，偏股混合型+1.34%[16] - 小盘仓位变动：普通股票型-2.37%，偏股混合型-1.52%[16] 2. **基金风格监控模型** - 行业配置权重：电子（普通股票型14.32%）、医药（10.99%）、电力设备（9.29%）[20] - 行业分位点：电子元器件（66.79%分位）、汽车（97.08%分位）、医药（14.23%分位）[20] --- 量化因子与构建方式 1. **因子名称**：基金大小盘暴露因子 - **因子构建思路**：通过基金持仓与市场指数的相关性计算市值风格暴露[11] - **因子具体构建过程**： $$ \text{Exposure} = \frac{\sum (w_i \cdot \beta_i)}{\sum w_i} $$ 其中 \( w_i \) 为股票权重，\( \beta_i \) 为股票对大盘/小盘指数的敏感度 2. **因子名称**：行业动量因子 - **因子构建思路**：跟踪基金行业配置的周度变动捕捉资金流向[24] - **因子具体构建过程**：计算中信一级行业仓位周环比变化，如电子（+）、机械（-）[24] --- 因子的回测效果 1. **基金大小盘暴露因子** - 普通股票型基金小盘仓位：43.2%（2025-05-30），大盘仓位：44.2%[15] - 偏股混合型基金小盘仓位：47.0%，大盘仓位：36.8%[15] 2. **行业动量因子** - 本周增持行业：电子、计算机、传媒（变动幅度未披露）[24] - 本周减持行业：机械、汽车、电力设备[24]

根据提供的ETF周报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **ETF业绩表现模型** - 模型构建思路：统计不同类别ETF的周度收益率，按资产类别、宽基、板块和主题进行分类比较[13][15][16][17] - 模型具体构建过程： 1. 使用ETF单位复权净值计算收益率 2. 分类统计中位数收益率： - 宽基ETF：中证1000ETF（0.76%）、科创板ETF（0.61%）[13] - 板块ETF：消费ETF（1.01%）[16] - 主题ETF：军工ETF（2.07%）[16] - 模型评价：能有效捕捉市场结构性机会 2. **ETF规模变动分析模型** - 模型构建思路：跟踪ETF规模变动与净申赎数据，反映资金流向[2][27][28][29][30][31] - 模型具体构建过程： 1. 计算每日净申赎规模：$$净申赎规模=当日份额变动×收盘价$$ 2. 剔除分红和份额折算影响[27] 3. 分类统计：科创板ETF净申购15.7亿元，科技板块净申购21.3亿元[28][30] 3. **ETF估值分位数模型** - 模型构建思路：基于历史5年数据计算PE/PB分位数[33][34][35][36][37][41] - 模型具体构建过程： 1. 计算ETF基准指数估值中位数 2. 分位数公式：$$分位数=\frac{当前估值-历史最小值}{历史最大值-历史最小值}$$ 3. 输出结果：创业板类ETF市盈率分位数31.02%，消费板块PE分位数1.49%[34][36] 量化因子与构建方式 1. **融资融券因子** - 因子构建思路：通过融资余额和融券余量反映市场杠杆情绪[44][45][46][48][49][51] - 因子具体构建过程： 1. 统计日均融资买入额：科创板ETF（3.57亿元）、创业板ETF（2.5亿元）[46] 2. 统计日均融券卖出量：中证1000ETF（5.87万手）[49] - 因子评价：对短期市场情绪敏感 2. **管理人规模因子** - 因子构建思路：跟踪基金公司非货币ETF管理规模[52][53][54] - 因子具体构建过程： 1. 按管理人汇总规模：华夏（7124亿元）、易方达（6405亿元）[53] 2. 计算规模占比：华夏占全市场18.16%[53] 模型的回测效果 1. **ETF业绩表现模型** - 中证1000ETF周收益率：0.76%[13] - 军工ETF周收益率：2.07%[16] - 消费ETF周收益率：1.01%[16] 2. **ETF规模变动模型** - 科创板ETF净申购规模：15.7亿元[28] - 芯片ETF净申购规模：14.1亿元[30] 3. **估值分位数模型** - 创业板类ETF市盈率分位数：31.02%[34] - 军工ETF市盈率分位数：99.83%[37] 因子的回测效果 1. **融资融券因子** - 科创板ETF日均融资买入额：3.57亿元[46] - 中证1000ETF日均融券卖出量：5.87万手[49] 2. **管理人规模因子** - 华夏基金非货币ETF规模：7124亿元[53] - 易方达基金规模占比：16.33%[53]

量化因子与构建方式 1. **因子名称**：盈利预期期限结构因子 - **构建思路**：通过分析分析师对上市公司未来多年盈利预测的趋势（向上倾斜、水平、向下倾斜），用斜率度量盈利预期期限结构，反映分析师的乐观、中性或悲观预期[7] - **具体构建过程**： 1. 以未来年度为X轴，盈利预测数据为Y轴，拟合线性趋势 2. 计算斜率： $$ \text{斜率} = \frac{\sum_{t=1}^{n}(x_t - \bar{x})(y_t - \bar{y})}{\sum_{t=1}^{n}(x_t - \bar{x})^2} $$ 其中 \( x_t \) 为年度变量，\( y_t \) 为对应盈利预测值，\( \bar{x} \) 和 \( \bar{y} \) 为均值[7] - **因子评价**：历史表现良好，走势稳定性高[9] 2. **因子名称**：合成动量 ff 因子 - **构建思路**：将盈利预期期限结构"动量 ff"因子与传统分析师预期调升因子（如一致预期净利润3个月变化率）合成，以兼顾收益与稳定性[11] - **具体构建过程**： 1. 标准化处理两个因子的数值 2. 加权合成： $$ \text{合成动量 ff} = w_1 \cdot \text{动量 ff} + w_2 \cdot \text{调升因子} $$ 权重 \( w_1 \) 和 \( w_2 \) 根据历史表现优化确定[11] - **因子评价**：合成后因子走势改善，兼具高收益与稳定性[11] --- 因子的回测效果 1. **盈利预期期限结构因子**： - 累计IC表现见图1[8] 2. **合成动量 ff 因子**： - 累计IC表现见图2[13] --- 选股组合表现 1. **沪深300选股组合**： - 2025年5月超额收益：-0.15% - 2025年前5个月超额收益：1.09%[14] 2. **中证500选股组合**： - 2025年5月超额收益：0.57% - 2025年前5个月超额收益：1.33%[14] 3. **中证800选股组合**： - 2025年5月超额收益：-0.32% - 2025年前5个月超额收益：1.79%[14] 4. **中证1000选股组合**： - 2025年5月超额收益：-0.32% - 2025年前5个月超额收益：2.29%[14] （注：组合构建方法为选取对应指数内"合成动量 ff"因子排名前50/100的股票[14]）