根据提供的研报内容，以下是量化模型和因子的总结： 量化因子与构建方式 1. **因子名称：市值因子(Size)** - 构建思路：衡量股票市值大小对基金配置的影响[26] - 构建过程：通过计算基金重仓股在沪深300/中证500/中证1000等不同市值板块的配置比例变化，反映机构对市值风格的偏好。2025Q2数据显示沪深300配置比例下降2.56pct，中证500配置上升2.11pct[22][26] - 因子评价：中小盘配置比例达2018年以来新高，显示市场风格切换[22] 2. **因子名称：波动率因子(Volatility)** - 构建思路：捕捉基金对股价波动性特征的暴露变化[26] - 构建过程：基于重仓股历史波动率计算标准化暴露值，2025Q2绝对暴露值0.48，较上季度增加0.05[26] - 因子评价：反映机构风险偏好增强[26] 3. **因子名称：成长因子(Growth)** - 构建思路：衡量基金对高成长性股票的配置倾向[26] - 构建过程：通过营收/利润增速等指标构建组合，2025Q2暴露值0.49，处于历史79.63%分位[26] - 因子评价：与中小盘风格形成共振[26] 4. **因子名称：股息率因子** - 构建思路：跟踪基金对分红特征的偏好变化[30] - 构建过程：过去一年分红/总市值计算，2025Q2暴露值低于沪深300和中证800基准[30] - 因子评价：持续低配状态反映成长风格主导[30] 因子回测效果 1. **市值因子** - 2025Q2暴露值：-0.06（相对沪深300低配1个标准差）[26] - 历史分位：38.89%[26] 2. **波动率因子** - 2025Q2暴露值：0.48[26] - 历史分位：57.41%[26] 3. **成长因子** - 2025Q2暴露值：0.49[26] - 历史分位：79.63%[26] 4. **股息率因子** - 2025Q2暴露值：低于基准0.5-1个标准差[30] 注：报告中未提及具体量化模型，主要聚焦于因子分析。行业配置因子（如科技28.84%、医药10.92%）和个股集中度因子（top50集中度41.49%）也提供了配置层面的量化参考[33][41]

量化模型与构建方式 1. **模型名称：CRR定价模型** - **构建思路**：通过二叉树模型计算可转债的理论定价，考虑内嵌条款、信用利差等因素，较传统BSM模型更精确[15] - **具体构建过程**： 1. 定义定价偏离度：$$ \text{定价偏离度} = \text{CRR定价} - \text{转债市价} $$，偏离度越高说明转债越便宜[15] 2. 样本初筛条件：债项评级≥AA-、余额≥2亿元、非ST股、无评级下调、大股东质押比例<90%、10日内有成交、强赎进度<5日、未跌破债底[45] 3. 按平价划分风格（股性/平衡/债性），每类选CRR定价与市价比值最高的10只转债，共30只纳入组合[45] - **模型评价**：博弈定价误差回归收益，适合高频交易环境[44] 2. **模型名称：低估值动量组合模型** - **构建思路**：结合低估值与正股动量因子，筛选转股溢价率低位且正股有上行趋势的转债[49] - **具体构建过程**： 1. 同CRR模型的初筛条件[51] 2. 按平价划分风格后，综合打分（估值相对点位+短期动量），每类选得分最高的10只转债[51] 3. 等权配置，月度再平衡[51] - **模型评价**：多因子策略，兼顾估值安全边际与趋势动能[49] --- 量化因子与构建方式 1. **因子名称：定价偏离度因子** - **构建思路**：衡量转债市场价格与理论价值的偏差[15] - **具体构建过程**： $$ \text{定价偏离度} = \text{CRR定价} - \text{转债市价} $$ 剔除跌破债底样本后计算中位数/余额加权值[16] 2. **因子名称：隐含波动率因子** - **构建思路**：通过BSM模型反推转债隐含的正股波动率预期[35] - **具体构建过程**： 1. 使用BSM模型逆算全市场转债隐含波动率 2. 计算中位数及余额加权值[35] 3. **因子名称：短久期溢价率因子** - **构建思路**：反映市场对正股短期收益的预期[38] - **具体构建过程**： 1. 筛选到期时间最短的1/3转债 2. 按到期日倒数加权转股溢价率，构建隐含预期指数[38] 4. **因子名称：DELTA风格因子** - **构建思路**：跟踪转债基金持仓风格与正股联动性[40] - **具体构建过程**： 1. 回归分析基金持仓风格占比（股性/平衡/债性） 2. 加权各风格DELTA值得出基金整体DELTA值[40] --- 模型的回测效果 1. **CRR定价组合** - 年化收益率：15.56% - 最大回撤：12.08% - 收益回撤比：1.29 - 月度胜率：62.22%[44][48] 2. **低估值动量组合** - 年化收益率：15.39% - 最大回撤：11.26% - 收益回撤比：1.37 - 月度胜率：65.56%[49][55] --- 因子的回测效果 1. **定价偏离度因子** - 当期偏离度中位数：-2.96元（全市场）[16] - 分风格偏离度：股性-2.88元、平衡-3.31元、债性-2.95元[18] 2. **隐含波动率因子** - 当期隐波中位数：35.35%（较上月+3.10%）[35] 3. **短久期溢价率因子** - 隐含预期指数读数：39.46（反映谨慎预期）[38] 4. **DELTA风格因子** - 当期DELTA均值：55.06%（较上月-8.20%）[40]

根据提供的研报内容，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. **FOF穿透权益资产占比模型** - **模型构建思路**：通过FOF持仓基金和股票的比例估算穿透权益仓位，对FOF进行分类[12] - **模型具体构建过程**： 计算公式： $$W=\sum_{i}Fund_{i}\times Fund\_Stock_{i}+Stock$$ 其中： - \(Fund_{i}\)：FOF持有的基金i规模占净值比 - \(Fund\_Stock_{i}\)：基金i的股票投资市值占基金自身净值比 - \(Stock\)：FOF直接投资的股票市值占净值比 对于成立不足3个月的FOF，使用其基准指数对应的权益仓位作为穿透后的权益资产占比[12] - **模型评价**：通过穿透计算能更准确反映FOF的实际权益暴露，但依赖持仓数据的完整性和及时性 2. **FOF分类模型** - **模型构建思路**：根据穿透后权益资产占比将FOF分为三类[13] - **模型具体构建过程**： - 偏债型FOF：穿透后权益资产占比 < 30% - 平衡型FOF：30% ≤ 穿透后权益资产占比 < 60% - 偏股型FOF：穿透后权益资产占比 ≥ 60%[13] 3. **FOF预估净增持模型** - **模型构建思路**：通过对比相邻季度FOF重仓数据，估算基金/股票的增减持动态[44][47] - **模型具体构建过程**： - 净增持数量公式： $$\Delta N=\sum_{i}I_{i}$$ 其中\(I_{i}\)根据FOF对标的的投资份额变化方向取值为1、-1或0[44][67] - 净增持规模公式： $$\Delta MV=\sum_{i}Nav\times\Delta Share_{i}$$（基金）[45] $$\Delta MV=\sum_{i}Close\times\Delta Share_{i}$$（股票）[68] 其中： - \(Nav\)：基金日度单位净值均值 - \(Close\)：股票日度收盘价均值 - \(\Delta Share_{i}\)：第i只FOF对标的的投资份额/股数变化 量化因子与构建方式 1. **FOF配置集中度因子** - **因子构建思路**：通过统计FOF重仓基金/股票的数量和规模，衡量配置集中程度[32][40][62] - **因子具体构建过程**： - 对每只基金/股票计算： - 被FOF重仓数量 - FOF重仓总规模 - 按重仓数量或规模排序，提取头部标的作为高集中度样本[34][38][66] 2. **FOF动态调仓因子** - **因子构建思路**：捕捉FOF基金经理季度调仓行为中的共性选择[47][69] - **因子具体构建过程**： - 计算单季度净增持数量\(\Delta N\)和净增持规模\(\Delta MV\)[44][45] - 对净增持数量/规模进行标准化处理，形成连续型因子 模型的回测效果 1. **FOF分类模型效果** - 2025Q2分类结果： - 偏债型FOF规模920.91亿元，占比55.41% - 平衡型FOF规模324.54亿元 - 偏股型FOF规模416.52亿元[13][71] - 2025Q2收益中位数： - 偏债型FOF：1.20% - 平衡型FOF：1.76% - 偏股型FOF：2.62%[24][71] 2. **FOF配置集中度因子表现** - 主动权益基金： - 重仓数量TOP3：大成高鑫A(52只)、富国稳健增长A(35只)、博道成长智航C(18只)[32][34] - 重仓规模TOP3：大成高鑫A(3.88亿元)、易方达科融(3.84亿元)、易方达信息行业精选C(3.71亿元)[33][34] - 债券型基金： - 重仓数量TOP3：易方达岁丰添利A(38只)、广发纯债A(37只)、易方达信用债A(23只)[40][41] - 重仓规模TOP3：博时信用优选A(11.26亿元)、易方达岁丰添利A(9.33亿元)、博时信用债纯债A(8.28亿元)[41] 3. **FOF动态调仓因子表现** - 主动权益基金增持TOP3： - 净增持数量：大成高鑫A(3只)、华商远见价值C(3只)、前海开源金银珠宝A(3只)[47][48] - 净增持规模：交银科技创新C(0.61亿元)、易方达智造优势C(0.57亿元)、易方达供给改革(0.33亿元)[48] - 股票调仓TOP3： - 加仓市值：泸州老窖(0.06亿元)、中国东航(0.05亿元)、厦门空港(0.04亿元)[70] - 减仓市值：福昕软件(-0.15亿元)、兔宝宝(-0.08亿元)、豪迈科技(-0.04亿元)[70]

根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：封板率因子** - 构建思路：通过监测涨停股票在盘中最高价涨停且收盘仍维持涨停的比例，反映市场情绪强度[17] - 具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月以上的股票，计算日内最高价涨停与收盘涨停的重合比例[17] - 因子评价：高频情绪指标，对短期市场动量有较强解释力 2. **因子名称：连板率因子** - 构建思路：衡量涨停股票的持续性，反映市场投机热度[17] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 需筛选上市满3个月且前一日涨停的股票[17] 3. **因子名称：股指期货年化贴水率因子** - 构建思路：利用期货与现货价差构建市场预期指标[28] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 分别计算上证50、沪深300、中证500、中证1000主力合约的基差年化值[28] - 因子评价：有效反映机构对冲成本与市场多空预期 4. **因子名称：大宗交易折价率因子** - 构建思路：通过大宗交易成交价与市价的偏离度捕捉大资金动向[26] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计单日所有大宗交易成交金额与对应市值的比率[26] 因子回测效果 1. **封板率因子** - 当日取值：49%（较前日下降33%）[17] - 近一月极值：创近一个月新低[17] 2. **连板率因子** - 当日取值：27%（较前日下降24%）[17] 3. **股指期货年化贴水率因子** - 上证50：升水0.34%（63%分位）[28] - 沪深300：贴水1.53%（58%分位）[28] - 中证500：贴水7.37%（57%分位）[28] - 中证1000：贴水9.66%（59%分位）[28] 4. **大宗交易折价率因子** - 当日取值：6.20%[26] - 近半年均值：5.82%[26] 注：报告中未涉及量化模型的构建与测试，故未总结相关内容。所有因子数据均来自2025年7月22-23日的最新统计[17][26][28]

根据提供的研报内容，以下是关于量化模型和因子的详细总结： 量化模型与构建方式 1. **模型名称**：上证 AAA 科技创新公司债指数 **模型构建思路**：以"高信用+硬科技"为核心定位，筛选高信用等级的科技创新公司债，反映上交所上市高等级科技企业债券的整体市场表现[5][11][40] **模型具体构建过程**： - 选样范围：从上交所上市的科技创新公司债中筛选 - 信用筛选：主体评级为AAA、隐含评级不低于AA+ - 加权方式：采用派许加权法进行计算 - 调样机制：月度调样，动态优化期限结构 **模型评价**：信用质量锁定市场顶尖梯队，兼具收益弹性与稳健防御[40][44] 2. **模型名称**：风险平价(ERC)策略 **模型构建思路**：利用科创债与权益资产的低相关性，构建股债混合配置策略[55] **模型具体构建过程**： - 资产选择：万得纯债型基金总指数 + 中证红利全收益 - 风险配置：根据资产波动性动态调整权重 - 目标：实现风险均衡配置 **模型评价**：在获取稳健回报的同时实现了卓越的风险控制[55] 模型的回测效果 1. **上证 AAA 科技创新公司债指数** - 累计增长：14.75%（2022/06/30-2025/07/18） - 年化收益率：4.76% - 超额收益：较万得中长期纯债型指数高1.47%[44] - 波动率：短期（26周）1.31%，中长期（52周）1.7%[12] - 最大回撤：未明确披露 2. **风险平价(ERC)策略** - 年化收益率：3.84% - 年化波动率：0.94% - 最大回撤：-2.90%[55] 量化因子与构建方式 1. **因子名称**：信用等级因子 **因子构建思路**：通过主体评级和隐含评级筛选高信用债券[40] **因子具体构建过程**： - 数据来源：债券发行主体公开评级 - 阈值设置：AAA级主体评级 + AA+及以上隐含评级 **因子评价**：有效控制信用风险，违约率极低[24][28] 2. **因子名称**：行业分布因子 **因子构建思路**：通过行业分散配置降低集中度风险[11] **因子具体构建过程**： - 行业分类：采用Wind一级行业分类 - 权重限制：单行业不超过50%（工业实际占比48.98%） **因子评价**：体现科技属性与产业多元性[11][40] 因子的回测效果 1. **信用等级因子** - 违约率：0%（历史数据）[24] - 利差稳定性：AAA级企业债与国债利差未明显扩大[22] 2. **行业分布因子** - 行业集中度：前四大行业合计65.55%（建筑28.62%+公用事业16.77%+交通运输11%+煤炭4.71%）[64] - 收益贡献：工业板块贡献主要票息收益[11] 注：研报中未涉及传统多因子模型的因子IC、IR等统计量测试，主要聚焦于指数编制规则和策略层面的量化分析[5][11][40]

根据提供的研报内容，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**：基金抱团度模型 **模型构建思路**：通过重仓股抱团度及其持仓占比来衡量基金的抱团程度，反映机构投资者的趋同性[25] **模型具体构建过程**： - 股票抱团度计算：统计每只股票被重仓的基金数量，计算其百分位排名 $$stock\_score_{i,t} = rank_{pt}(num_{i,t})$$ 其中，$num_{i,t}$为第$t$期重仓第$i$只股票的基金数量，$rank_{pt}$为百分位排名[25][26] - 基金抱团度计算：对基金重仓股的抱团度得分按持仓市值加权求和 $$fund\_score_{j,t}=\sum_{k=1}^{10}stock\_cap_{k,t} \times stock\_score_{k,t}$$ 其中$stock\_cap_{k,t}$为第$k$只股票市值占基金股票市值的比例[27] 2. **因子名称**：板块配置因子 **因子构建思路**：通过分析主动权益基金在8大板块的配置比例变化，捕捉资金流向趋势[8][11] **因子具体构建过程**： - 板块划分：消费、周期、TMT等8大板块（含港股），细分至中信一级行业[11] - 计算当期配置比例与历史均值的偏离值： 超配比例 = 当期配置比例 - 近5年历史均值[12] 例如2025Q2港股超配9.67%，TMT超配4.65%[12] 3. **因子名称**：行业配置因子 **因子构建思路**：基于中信一级行业的基金持仓变动，识别行业轮动信号[14][16] **因子具体构建过程**： - 计算行业持仓占比变化：当期配置比例 - 上期配置比例（如通信行业2025Q2环比+1.85pct）[16] - 计算行业超欠配值：当期配置比例 - 近8个季度均值（如电子行业超配2.03%）[16][17] 模型与因子的回测效果 1. **基金抱团度模型**： - 2025Q2抱团度处于历史中枢水平，较上季度下降[27] - 抱团基金筛选结果：前20只基金港股配置中位数15.9%（如易方达蓝筹精选港股占比43.5%）[30] 2. **板块配置因子**： - 2025Q2超配板块：港股(+9.67pct)、TMT(+4.65pct)、金融(+1.69pct)[12] - 低配板块：消费(-6.73pct)、周期(-3.18pct)[12] 3. **行业配置因子**： - 超配行业：港股(+7.22pct)、电子(+2.03pct)、银行(+1.32pct)[17] - 低配行业：食品饮料(-3.09pct)、电力设备及新能源(-1.96pct)[17] 关键数据补充 - 仓位指标：2025Q2主动权益基金仓位中位数90.63%，处于历史高位[7] - 个股因子：宁德时代为第一大重仓股（持仓占比2.9%），腾讯控股为港股第一重仓（占比3.7%）[20][22][23] 注：所有计算公式与数据均来自原文标注的文档ID，未包含风险提示等非核心内容。

量化模型与构建方式 1. **模型名称**：利率债预期收益模型 - **模型构建思路**：通过分解利率债收益为票息收益、骑乘收益、久期收益和凸性收益四个分项，结合利率预测模型和蒙特卡洛模拟预测任意期限国债的持有一年预期收益[8] - **模型具体构建过程**： $$R~\approx~r_{N}+\,r o l l\,y i e l d\,+\,D u r\cdot(-\Delta r)\,+\,\frac{1}{2}C x\cdot\Delta r^{2}$$ 其中： - \(r_N\)为票息收益，\(roll\,yield\)为骑乘收益，\(Dur\)为久期，\(\Delta r\)为利率变化，\(Cx\)为凸性调整项[8] - **模型评价**：能够量化评估不同期限国债的预期收益差异，但依赖利率预测模型的准确性 2. **模型名称**：月度利率预测模型 - **模型构建思路**：基于利率短期运行的均值回复、短期动量（1个月）和长期动量（12个月）特征构建[14] - **模型具体构建过程**： $$\Delta r_{t+1}\,=\,\beta_{1}(\mu-r_{t})+\beta_{2}(r_{t}-r_{t-1})+\,\beta_{3}(r_{t}-r_{t-12})+\sigma\sqrt{r_{t}}\cdot\varepsilon$$ 其中： - \(\mu\)为利率中枢，\(\beta_1\)为均值回复系数，\(\beta_2\)为短期动量系数，\(\beta_3\)为长期动量系数[14] - **模型评价**：适用于短期（1个月）利率走势预测，但对参数敏感性较高 3. **模型名称**：宏观胜率评分卡模型 - **模型构建思路**：通过货币、信用、增长、通胀与海外五因子合成大类资产的宏观胜率评分[11] - **模型具体构建过程**：未披露具体公式，但基于中长贷同比、PMI、主权CDS等指标动态调整胜率分值[11] - **模型评价**：能够捕捉经济韧性变化，但需依赖宏观数据的及时性 --- 量化因子与构建方式 1. **因子名称**：利率债赔率因子 - **因子构建思路**：定义为10Y与1Y国债未来一年预期收益差，反映长债相对短债的收益吸引力[8] - **因子具体构建过程**： - 赔率 = 10Y国债预期收益 - 1Y国债预期收益，通过预期收益模型计算[8] 2. **因子名称**：交易拥挤度因子 - **因子构建思路**：通过长债换手率（成交额/余额）和成交占比（长债成交额/全市场国债成交额）刻画交易热度[17][18] - **因子具体构建过程**： - 换手率 = 10Y以上国债成交额 ÷ 余额 - 成交占比 = 10Y以上国债成交额 ÷ 所有国债成交额[17][18] --- 模型的回测效果 1. **利率债预期收益模型**： - 截至2025年7月18日，10Y-1Y预期收益差为-3.2%，处于2011年以来低位[8] 2. **月度利率预测模型**： - 年化收益6.6%，最大回撤2.3%，2025年1月底起建议配置短端国债规避Q1回撤[14] 3. **宏观胜率评分卡模型**： - 当前债券胜率降至0%，反映经济韧性增强[11] --- 因子的回测效果 1. **利率债赔率因子**： - 历史极低赔率（-3.2%）隐含长债配置风险[8] 2. **交易拥挤度因子**： - 当前换手率位于1.0倍标准差，成交占比位于2.2倍标准差，超过2倍标准差时未来1~3个月收益为负[17][18][24][25]

根据提供的研报内容，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：股指分红点位测算模型** - **模型构建思路**：通过精细化处理指数成分股的分红数据，预测股指期货合约的升贴水情况，需考虑成分股分红对指数点位的自然滑落影响[11][39] - **模型具体构建过程**： 1. **成分股权重计算**：采用中证指数公司每日披露的日度权重数据，避免估算偏差。若需估算，公式为： $$W_{n,t}={\frac{w_{i0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{n})}}$$ 其中，\(w_{i0}\)为最近公布权重，\(r_{n}\)为个股涨跌幅[45][46] 2. **分红金额预测**： - 若公司已公布分红金额，直接采用；否则通过净利润×股息支付率估算[47] - **净利润预测**：对盈利分布稳定的公司按历史规律预测，不稳定的公司采用上年同期值[50] - **股息支付率预测**： - 去年分红则沿用去年值 - 去年不分红则取近3年平均 - 从未分红则默认不分红[53] 3. **除息日预测**： - 已公布则直接采用 - 未公布则根据预案/决案阶段的历史间隔天数线性外推，或默认设置为7月31日/8月31日/9月30日[56] 4. **分红点数计算**： $$分红点数=\sum_{n=1}^{N}\left(\frac{成分股分红金额}{成分股总市值}\times成分股权重\times指数收盘价\right)$$ 要求除息日在当前日期至合约到期日之间[39] - **模型评价**：对上证50和沪深300指数预测准确度高（误差约5点），中证500稍大（约10点）[61] 2. **模型名称：股息率计算模型** - **模型构建思路**：统计已披露分红预案个股的股息率，用于行业比较[14] - **模型具体构建过程**： - **已实现股息率**： $$全年已实现股息率=\sum_{i=1}^{N1}\left(\frac{个股已分红金额}{个股总市值}\times个股权重\right)$$ - **剩余股息率**： $$全年剩余股息率=\sum_{i=1}^{N2}\left(\frac{个股待分红金额}{个股总市值}\times个股权重\right)$$ 其中\(N1\)、\(N2\)分别为已分红和待分红公司数量[16] --- 模型的回测效果 1. **股指分红点位测算模型**： - 上证50预测误差：±5点（2023-2024年）[61] - 沪深300预测误差：±5点（2023-2024年）[61] - 中证500预测误差：±10点（2023-2024年）[61] 2. **股息率计算模型**： - 上证50已实现股息率2.04%，剩余0.17%（2025年7月22日）[16] - 沪深300已实现股息率1.56%，剩余0.27%[16] - 中证500已实现股息率1.09%，剩余0.15%[16] - 中证1000已实现股息率0.86%，剩余0.07%[16] --- 量化因子与构建方式 1. **因子名称：行业股息率因子** - **因子构建思路**：通过行业分类比较已披露分红预案个股的股息率中位数[14] - **因子具体构建过程**： - 计算各行业个股的预案股息率（预案分红金额/当前总市值） - 取行业中位数排序[14] - **因子评价**：煤炭、银行、钢铁行业股息率排名前三[14] 2. **因子名称：升贴水幅度因子** - **因子构建思路**：跟踪股指期货主力合约升贴水变化，反映市场情绪[11] - **因子具体构建过程**： - 计算年化升贴水率： $$年化升贴水=\left(\frac{合约收盘价-指数收盘价}{指数收盘价}\right)\times\frac{365}{到期天数}\times100\%$$ - 含分红调整的价差需叠加分红点数影响[12] --- 因子的回测效果 1. **行业股息率因子**： - 煤炭行业股息率中位数最高（具体数值未披露）[14] 2. **升贴水幅度因子**（2025年7月22日）： - IH主力合约年化升水3.30%，历史分位79%[12][26] - IF主力合约年化升水2.68%，历史分位84%[12][26] - IC主力合约年化贴水5.68%，历史分位39%[12][26] - IM主力合约年化贴水9.94%，历史分位18%[12][26]

根据提供的金融工程日报内容，该报告主要聚焦市场表现、情绪指标及资金流向监测，未涉及量化模型或因子构建的具体方法论。以下是可提取的结构化信息： --- 市场情绪指标构建方式 1. **封板率指标** - 构建思路：反映涨停股的封板稳定性[18] - 具体公式： $$封板率 = \frac{\text{最高价涨停且收盘涨停股票数}}{\text{最高价涨停股票数}}$$ - 数据范围：上市满3个月以上的股票[18] 2. **连板率指标** - 构建思路：衡量涨停股的持续性强弱[18] - 具体公式： $$连板率 = \frac{\text{连续两日收盘涨停股票数}}{\text{昨日收盘涨停股票数}}$$ - 数据范围：上市满3个月以上的股票[18] --- 资金流向监测指标 1. **大宗交易折价率** - 构建思路：评估大额交易的折价水平[27] - 具体公式： $$折价率 = \frac{\text{大宗交易总成交金额}}{\text{当日成交份额总市值}} - 1$$ - 数据范围：近半年日均成交12亿元[27] 2. **股指期货年化贴水率** - 构建思路：量化期货与现货的价差[29] - 具体公式： $$年化贴水率 = \frac{\text{基差}}{\text{指数价格}} \times \left(\frac{250}{\text{合约剩余交易日数}}\right)$$ - 覆盖品种：上证50/沪深300/中证500/中证1000主力合约[29] --- 指标回测效果 1. **封板率** - 当日值：82%（较前日+1%）[18] - 近一月趋势：创阶段新高[18] 2. **连板率** - 当日值：51%（较前日+26%）[18] - 近一月趋势：创近30日新高[18] 3. **大宗交易折价率** - 当日值：6.44%（近半年均值5.82%）[27] 4. **股指期货贴水率** - 上证50：年化升水0.96%（68%分位）[29] - 沪深300：年化贴水1.29%（61%分位）[29] - 中证500：年化贴水7.86%（56%分位）[29] - 中证1000：年化贴水10.66%（56%分位）[29] --- 注：报告未提供对指标的定性评价或复合因子构建内容，以上均为单指标监测方法[18][27][29]

根据提供的证券研究报告内容，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**：主动权益基金仓位模型 **模型构建思路**：通过统计Wind二级分类为普通股票型和偏股混合型的基金仓位变化，反映市场主动权益基金的配置情况[28] **模型具体构建过程**： - 计算主动权益基金股票持仓市值占净值比例 - 跟踪季度环比变化，2025Q2仓位为88.78%，较Q1上升37bp[16][28] **模型评价**：能有效监测机构投资者风险偏好变化 2. **模型名称**：行业轮动监测模型 **模型构建思路**：基于公募基金重仓股行业配置变化捕捉资金流向[17][33] **模型具体构建过程**： - 按申万一级行业统计持仓占比 - 计算环比变动：银行(+1.67%)、通信(+1.53%)、非银金融(+0.97%)为加仓前三行业[17] - 食品饮料(-1.95%)、汽车(-0.93%)为减仓前二行业[17][33] 模型的回测效果 1. 主动权益基金仓位模型，2025Q2仓位88.78%[16][28] 2. 行业轮动监测模型，银行行业配置环比+1.67%[17][33] 量化因子与构建方式 1. **因子名称**：基金加仓强度因子 **因子构建思路**：通过基金季报披露的重仓股变动捕捉主力资金动向[51][55] **因子具体构建过程**： - 计算个股基金持仓市值变化：中际旭创(+132亿)、新易盛(+93亿)[55] - 结合流通市值计算占比变化：沪电股份流通市值占比提升10.59%[55] 2. **因子名称**：行业集中度因子 **因子构建思路**：衡量基金行业配置集中程度[17][32] **因子具体构建过程**： - 统计前五大行业持仓占比：电子(17.26%)、电力设备(9.8%)、食品饮料(9.43%)[17] - 计算HHI指数：$$HHI = \sum_{i=1}^n s_i^2$$ 其中$s_i$为行业i的配置比例[32] 因子的回测效果 1. 基金加仓强度因子，中际旭创净流入132亿元[55] 2. 行业集中度因子，电子行业配置占比17.26%[17][32] 注：报告中未涉及传统多因子模型中常见的价值/动量等因子，主要聚焦于持仓分析类因子[17][33][55]