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**：景顺长城保守养老目标一年持有期基金的投资策略模型 **模型构建思路**：通过"核心层＋卫星层"双层架构，结合低相关性资产组合平滑波动、兼顾收益[4][53] **模型具体构建过程**： - 核心层以利率债为主，信用债为辅，严格控制回撤风险 - 卫星层配置中国资产、海外资产和商品等高波动资产作为收益增强 - 通过跨地域多资产多策略配置降低组合回撤[53] **模型评价**：该策略在回撤控制和收益稳定性方面表现优异，夏普比和卡玛比显著优于同类产品[24][48] 2. **模型名称**：风险控制体系模型 **模型构建思路**：先限定最大回撤保证本金安全，再追求稳健年化收益[54] **模型具体构建过程**： - 日常重点管理回撤，减少业绩波动引发的非理性赎回 - 当单个资产品类出现预期风险时，缩减该品类风险预算，不进行越跌越买操作[54] **模型评价**：该风险控制方法使产品最大回撤仅为-0.88%，显著优于同类中位数-3.17%[48] 模型的回测效果 1. **景顺长城保守养老目标一年持有A模型** - 年化收益率：5.16% - 年化波动率：1.68% - 夏普比：2.61 - 最大回撤：-0.88% - 卡玛比：5.66[24][48] 2. **景顺长城保守养老目标一年持有Y模型** - 年化收益率：5.84% - 年化波动率：1.90% - 夏普比：2.23 - 最大回撤：-0.88% - 卡玛比：6.33[24][48] 量化因子与构建方式 1. **因子名称**：多元资产配置因子 **因子构建思路**：通过利率债、信用债、权益类资产和商品的低相关性组合构建[53] **因子具体构建过程**： - 债券组合以国债为主，辅以信用债基金 - 权益类核心配置被动基金（占比≥50%），剩余配置由个股和主动基金组成 - 通过中国资产+海外资产轮动获取收益，大宗商品策略作为补充[57] **因子评价**：该配置方法使产品三个月正收益胜率达100%，超额收益胜率71.26%-88.80%[33] 2. **因子名称**：收益增强因子 **因子构建思路**：通过风格和行业轮动解决大部分配置问题[57] **因子具体构建过程**： - 权益配置中被动基金用于风格和行业轮动 - 个股和主动基金配合用于日内止盈止损[57] **因子评价**：该因子帮助产品在2024年实现4.19%的绝对收益，夏普比达3.63[28] 因子的回测效果 1. **多元资产配置因子** - 三个月正收益胜率：100% - 超额收益胜率：71.26%（A类）、88.80%（Y类） - 最长不创新高持续时间：42天（A类）、39天（Y类）[33][41] 2. **收益增强因子** - 2024年绝对收益：4.19%（A类） - 2024年夏普比：3.63（A类） - 2025年至今绝对收益：2.22%（A类）、2.28%（Y类）[28][32]

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**：宽基轮动策略 - **模型构建思路**：基于不同宽基指数（沪深300、中证500、中证1000、中证2000及"其他"组）的热度变化率构建轮动策略，捕捉市场情绪驱动的短期收益机会[7][8][11][13] - **模型具体构建过程**： 1. 计算各组股票周度热度变化率： $$ 热度变化率 = \frac{本周总热度 - 上周总热度}{上周总热度} \times 100\% $$ 2. 对变化率取2周移动平均（MA2）平滑处理 3. 每周最后一个交易日买入MA2变化率最大的宽基组合，若最大变化率为"其他"组则空仓[11][13] - **模型评价**：策略通过捕捉市场注意力转移带来的短期动量效应，适用于高波动市场环境[13][16] 2. **模型名称**：概念热度组合策略 - **模型构建思路**：利用热门概念板块内个股热度分化现象，构建高热度概念中的低热度个股组合[30][32][34] - **模型具体构建过程**： 1. 每周筛选热度变化率最大的5个概念 2. 排除概念成分股中流通市值最小的20%股票 3. 从每个概念中分别选取： - 总热度排名前10的个股构建TOP组合 - 总热度排名后10的个股构建BOTTOM组合 4. 等权重持有组合股票[32][34] - **模型评价**：BOTTOM组合通过捕捉概念板块内的"洼地效应"获得稳定超额收益[34] 模型的回测效果 1. **宽基轮动策略**： - 年化收益率：8.74% - 最大回撤：23.5% - 2025年收益：14.7%[16] 2. **概念热度BOTTOM组合**： - 年化收益率：15.71% - 最大回撤：28.89% - 2025年收益：25.5%[34] 量化因子与构建方式 1. **因子名称**：个股总热度因子 - **因子构建思路**：通过归一化处理反映个股受市场关注程度[7] - **因子具体构建过程**： 1. 计算单日个股行为数据： $$ 原始热度 = 浏览次数 + 自选次数 + 点击次数 $$ 2. 全市场归一化： $$ 归一化热度 = \frac{个股原始热度}{全市场总原始热度} \times 10000 $$ 3. 指标取值范围[0,10000][7] 2. **因子名称**：行业热度变化率因子 - **因子构建思路**：监测申万一级/二级行业情绪波动[20][22][27] - **因子具体构建过程**： 1. 聚合行业成分股的总热度指标 2. 计算周度变化率： $$ 行业热度变化率 = \frac{本周行业总热度 - 上周行业总热度}{上周行业总热度} \times 100\% $$ 3. 取MA2平滑处理[20][22] 因子的回测效果 1. **行业热度变化率因子**： - 本周正向变化最大行业：房地产（+63.3%） - 本周负向变化最大行业：国防军工（-27.8%）[27] 2. **概念热度变化率因子**： - 本周TOP5概念：钛白粉（+145.9%）、自由贸易港（+108.6%）、上海国企改革（+105.9%）、中国AI 50（+90%）、ERP概念（+85.5%）[31][36]

根据提供的金融工程季度报告内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **基金仓位监控模型** - 模型构建思路：通过统计普通股票型和偏股混合型基金的仓位中位数及历史分位点，监控基金仓位变化[14] - 模型具体构建过程： 1. 计算普通股票型基金仓位中位数（91.27%）和偏股混合型基金仓位中位数（90.08%） 2. 计算历史分位点（普通股票型88.71%，偏股混合型93.55%） 3. 跟踪港股仓位均值（普通股票型12.91%，偏股混合型16.85%）及配置基金数量占比（58.35%）[16][18] 2. **基金持股集中度模型** - 模型构建思路：通过十大重仓股占权益配置比例中位数和持股数量变化，衡量基金经理持仓集中度与分化度[19] - 模型具体构建过程： 1. 计算重仓股占权益配置比重（52.23%，上期53.21%） 2. 统计基金经理持股总数（2436只，较上季度增加）[19] 3. **行业主动增减仓模型** - 模型构建思路：通过调整行业涨跌幅剥离被动变化，反映基金经理主动调仓行为[36] - 模型具体构建过程： 1. 计算调整后行业权重： $$w_{t-1}\ =\ w_{t-1}\ *\ (1\ +\ i n d_{r e t})$$ 2. 当期行业权重减去调整后权重，得到主动增减仓值（如通信+2.37%，食品饮料-1.52%）[36][37] 4. **个股主动加减仓模型** - 模型构建思路：类似行业模型，通过个股涨跌幅调整持股市值，计算主动加减仓[42] - 模型具体构建过程： 1. 计算调整后持股市值： $$v a l_{t-1}^{\prime}\,=\,v a l_{t-1}\,*\,(1\,+\,s t k_{r e t})$$ 2. 当期市值减去调整后市值，得到主动加减仓值（如中际旭创+130亿元，腾讯控股-117亿元）[42][43] 模型的回测效果 1. **基金仓位监控模型** - 普通股票型基金仓位历史分位点：88.71%[14] - 偏股混合型基金仓位历史分位点：93.55%[14] 2. **行业主动增减仓模型** - 通信行业主动加仓：+2.37%[37] - 食品饮料行业主动减仓：-1.52%[37] 3. **个股主动加减仓模型** - 中际旭创主动加仓市值：+130亿元[44] - 腾讯控股主动减仓市值：-117亿元[44] 量化因子与构建方式 1. **板块配置权重因子** - 因子构建思路：统计主板、创业板、科创板、港股配置权重变化（如主板52.44%，创业板15.3%）[27][29] 2. **行业配置权重因子** - 因子构建思路：按中信一级行业分类计算配置权重（如电子18.88%，医药11.11%）[33][34] 3. **绩优基金行业集中度因子** - 因子构建思路：统计绩优基金前三大行业配置权重（医药64.79%，国防军工9.06%）[46][47] 因子的回测效果 1. **板块配置权重因子** - 港股配置权重：19.94%[29] - 创业板配置权重变化：+1.78%[29] 2. **行业配置权重因子** - 电子行业历史分位点：98.39%[34] - 医药行业历史分位点：25.81%[34] 3. **绩优基金行业集中度因子** - 医药行业配置权重：64.79%[47] - 国防军工行业主动加仓：+1.83%[47] 注：报告未提供模型或因子的定性评价，故未包含相关描述。

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： 量化模型与构建方式 1. **封板率模型** - 模型构建思路：通过统计涨停股票在收盘时仍保持涨停的比例来反映市场情绪[16] - 模型具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月以上的股票，计算当日最高价涨停且收盘仍涨停的股票占比[16] - 模型评价：高频指标能有效捕捉短期市场情绪波动 2. **连板率模型** - 模型构建思路：衡量涨停股票的持续性[16] - 模型具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 筛选上市满3个月的股票，计算连续两日涨停的比例[16] 3. **股指期货贴水率模型** - 模型构建思路：通过期货主力合约与现货指数的基差反映市场预期[27] - 模型具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 分别计算上证50、沪深300、中证500、中证1000主力合约的年化贴水率[27] - 模型评价：跨品种比较需考虑不同指数的波动特性 模型的回测效果 1. **封板率模型** - 当日取值：81%[16] - 近期变化：较前日提升15%[16] 2. **连板率模型** - 当日取值：25%[16] - 近期变化：较前日下降1%[16] 3. **股指期货贴水率模型** - 上证50：0.21%（59%分位）[27] - 沪深300：2.89%（53%分位）[27] - 中证500：9.75%（45%分位）[27] - 中证1000：12.81%（47%分位）[27] 量化因子与构建方式 1. **大宗交易折价因子** - 因子构建思路：通过大宗交易成交价与市价的偏离反映机构交易意愿[25] - 因子具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 计算近半年日均折价率5.84%，当日折价率7.75%[25] 2. **ETF溢价因子** - 因子构建思路：捕捉场内交易ETF相对于净值的溢价机会[23] - 因子具体构建过程：筛选日成交额超100万的股票型ETF，计算溢价率=交易价格/净值-1[23] 因子的回测效果 1. **大宗交易折价因子** - 近半年均值：5.84%[25] - 当日取值：7.75%[25] 2. **ETF溢价因子** - 最高溢价：创新药企ETF溢价0.94%[23] - 最高折价：科创综指ETF折价0.84%[23]

量化模型与构建方式 1. **模型名称：扩散指数模型** - 模型构建思路：通过监测微盘股成分股未来价格涨跌的扩散程度，判断市场趋势反转的临界点[5][20] - 模型具体构建过程： 1. 横轴设定为未来N天股价涨跌幅区间（从涨10%到跌10%，即1.1至0.9） 2. 纵轴设定为回顾窗口期长度T天（T从20到10，对应未来N=0到10天） 3. 计算每个网格点（如横轴0.95与纵轴15天）的扩散指数值，反映成分股在特定涨跌幅区间的分布比例 4. 当前扩散指数值为0.94（横轴20，纵轴1.0），通过观察底部股票数量变化判断趋势[5][20] - 模型评价：对反转行情敏感，但需结合成分股动态调整的影响 2. **模型名称：首次阈值法（左侧交易）** - 模型构建思路：基于扩散指数首次突破阈值触发交易信号，偏向提前布局[5][45] - 模型具体构建过程：当扩散指数首次跌破0.9850时触发空仓信号（2025年5月8日）[45] 3. **模型名称：延迟阈值法（右侧交易）** - 模型构建思路：等待扩散指数确认趋势后触发信号，减少误判[5][48] - 模型具体构建过程：扩散指数收于0.8975时发出空仓信号（2025年5月15日）[48] 4. **模型名称：双均线法（自适应交易）** - 模型构建思路：结合短期与长期均线动态调整仓位[5][50] - 模型具体构建过程：2025年7月3日收盘时均线交叉触发开仓信号[50] --- 模型的回测效果 1. **扩散指数模型** - 当前扩散指数值：0.94（横轴20，纵轴1.0）[5] - 趋势信号：底部股票数量减少，反转压力增大[20] 2. **首次阈值法** - 触发信号：空仓（2025年5月8日，阈值0.9850）[45] 3. **延迟阈值法** - 触发信号：空仓（2025年5月15日，阈值0.8975）[48] 4. **双均线法** - 触发信号：开仓（2025年7月3日）[50] --- 量化因子与构建方式 1. **因子名称：非流动性因子** - 构建思路：衡量股票交易难度，高值代表低流动性[4][36] - 具体构建：未披露公式，但通过买卖价差或成交量倒数计算 - 因子评价：本周RankIC达0.353（历史平均0.04），短期有效性显著[36] 2. **因子名称：未复权股价因子** - 构建思路：捕捉低价股的异常收益[4][36] - 本周RankIC：0.348（历史平均-0.016）[36] 3. **因子名称：贝塔因子** - 构建思路：衡量个股相对于市场的波动性[4][36] - 本周RankIC：0.247（历史平均0.005）[36] 4. **因子名称：成交额因子** - 构建思路：反映资金关注度，高成交额可能预示反转[4][36] - 本周RankIC：-0.336（历史平均-0.082）[36] 5. **因子名称：小市值低波50策略** - 构建思路：在微盘股中筛选市值最小且波动率最低的50只股票[7][37] - 具体构建： 1. 成分股限定为万得微盘股指数成分 2. 每双周调仓，按市值升序和波动率升序复合排序选股 3. 费用设定为双边千三[37] - 因子评价：2025年YTD收益62.07%，但本周超额-2.44%[37] --- 因子的回测效果 1. **非流动性因子** - 本周RankIC：0.353 - 历史平均RankIC：0.04[36] 2. **未复权股价因子** - 本周RankIC：0.348 - 历史平均RankIC：-0.016[36] 3. **小市值低波50策略** - 2024年收益：7.07%（超额-2.93%） - 2025年YTD收益：62.07%[37] --- 其他关键指标 1. **万得微盘股指数成分股总市值中位数** - 当前值：22.88亿元 - 历史分位数：80.9%[65] 2. **成分股PB中位数** - 当前值：2.46 - 历史分位数：36.44%[67] 3. **成交占比** - 微盘股成交占比：1.69%[75] - 大盘/中盘/小盘成交占比：41.22%/35.19%/23.59%[71]

量化模型与构建方式 1. **模型名称：扩散指数行业轮动模型** - **模型构建思路**：基于价格动量原理，通过计算行业扩散指数来捕捉行业趋势，选择趋势向上的行业进行配置[25] - **模型具体构建过程**： 1. 计算各中信一级行业的扩散指数，反映行业价格趋势强度 2. 扩散指数公式： $$ DI_t = \frac{N_{up}}{N_{up} + N_{down}} $$ 其中，\( N_{up} \)为行业成分股中价格上涨的股票数量，\( N_{down} \)为价格下跌的股票数量[26] 3. 选择扩散指数排名前六的行业作为配置标的[26] - **模型评价**：在趋势性行情中表现优异，但在市场反转时可能失效[25] 2. **模型名称：GRU因子行业轮动模型** - **模型构建思路**：基于GRU（门控循环单元）深度学习网络，利用分钟频量价数据生成行业因子，捕捉短期交易信号[33] - **模型具体构建过程**： 1. 输入分钟级行业量价数据（如成交量、收益率等） 2. 通过GRU网络提取时序特征，输出行业因子得分 3. 根据因子得分排名选择前六的行业配置（如银行、交通运输等）[34] - **模型评价**：短周期自适应能力强，但长周期表现不稳定，极端行情可能失效[38] --- 量化因子与构建方式 1. **因子名称：行业扩散指数因子** - **因子构建思路**：通过统计行业内个股价格变动方向的比例，量化行业趋势强度[26] - **因子具体构建过程**： 1. 对每个中信一级行业，计算当日上涨股票数量占比 2. 标准化为0-1区间，1表示全部成分股上涨，0表示全部下跌[26] 2. **因子名称：GRU行业因子** - **因子构建思路**：利用GRU网络从高频量价数据中提取行业动量特征[34] - **因子具体构建过程**： 1. 对行业分钟频数据（如收益率、波动率）进行归一化 2. 输入GRU网络训练，输出因子得分（如银行因子得分为2.68）[34] --- 模型的回测效果 1. **扩散指数行业轮动模型** - 2025年累计超额收益：1.48%[25] - 周度超额收益（2025/7/18）：-1.61%[29] - 7月以来超额收益：-1.62%[29] 2. **GRU因子行业轮动模型** - 2025年累计超额收益：-5.75%[33] - 周度超额收益（2025/7/18）：-1.27%[36] - 7月以来超额收益：-0.30%[36] --- 因子的回测效果 1. **行业扩散指数因子** - 当前排名前六行业得分：综合金融(1.0)、综合(0.998)、非银行金融(0.996)[26] - 周度环比提升最大行业：消费者服务(+0.224)、食品饮料(+0.208)[28] 2. **GRU行业因子** - 当前排名前六行业得分：银行(2.68)、交通运输(2.42)、有色金属(-0.87)[34] - 周度环比提升最大行业：建材、银行、综合金融[34]

量化模型与因子分析总结 量化因子与构建方式 1. **因子名称：Barra风格因子** **因子构建思路**：基于多维度市场特征构建的综合风格因子体系，涵盖市场风险、市值、动量等核心维度[15] **因子具体构建过程**： - Beta因子：历史beta值 - 市值因子：总市值取自然对数 - 动量因子：历史超额收益率序列均值 - 波动因子： $$0.74 \times 历史超额收益率序列波动率 + 0.16 \times 累积超额收益率离差 + 0.1 \times 历史残差收益率序列波动率$$ - 非线性市值：市值风格的三次方 - 估值因子：市净率倒数 - 流动性因子： $$0.35 \times 月换手率 + 0.35 \times 季换手率 + 0.3 \times 年换手率$$ - 盈利因子： $$0.68 \times 分析师预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率ttm倒数$$ - 成长因子： $$0.18 \times 分析师预测长期盈利增长率 + 0.11 \times 分析师预测短期利率增长率 + 0.24 \times 盈利增长率 + 0.47 \times 营业收入增长率$$ - 杠杆因子： $$0.38 \times 市场杠杆率 + 0.35 \times 账面杠杆 + 0.27 \times 资产负债率$$ 2. **因子名称：GRU因子** **因子构建思路**：基于门控循环单元神经网络模型开发的量价预测因子[3][4][5][6] **因子具体构建过程**：包含barra1d、barra5d、close1d、open1d四种衍生模型，通过GRU网络学习历史量价序列与未来收益的映射关系[31] 3. **因子名称：技术类因子** **因子构建思路**：捕捉股票价格行为特征的技术指标[22][24][30] **因子具体构建过程**： - 动量类：20日/60日/120日动量 - 波动类：20日/60日/120日波动率 - 中位数离差：价格分布偏离度指标 4. **因子名称：基本面因子** **因子构建思路**：反映公司财务质量和成长性的多维度指标[19][20][23][26] **因子具体构建过程**： - 增长类：toa增长、净利润超预期增长、营业利润增长 - 财务质量：roc超预期增长、roe增长、营业利润率 - 估值类：市销率、市盈率、roa、roe 因子回测效果 1. **Barra风格因子** - 最近一周多空收益：beta/动量/成长因子多头表现较好，杠杆/估值/盈利因子空头强势[2][16] 2. **GRU因子** - barra1d模型：全市场多空收益为正，沪深300超额0.35%[7][31] - barra5d模型：今年以来超额中证1000收益8.56%[7][34] - close1d模型：中证1000多空收益回撤1.59%[31] 3. **技术类因子** - 沪深300：多空收益显著为正，高动量高波动股票占优[21][22] - 中证500：波动类因子多空收益显著为正[24] - 中证1000：所有技术因子多空收益均为正向，波动类最显著[30] 4. **基本面因子** - 全市场：成长类因子正向，估值类不显著[18][19] - 沪深300：增长类和静态财务因子表现强势[20] - 中证500：超预期增长和增长类因子显著[23] - 中证1000：多数因子多空收益为负，增长类最显著[26][28] 多头组合表现 1. **GRU多头组合** - barra1d：近一周超额0.35%，今年以来超额3.85%[34] - barra5d：近六月超额7.63%，今年以来超额8.56%[34] - close1d：近三月超额5.29%，今年以来超额7.25%[34] 2. **多因子组合** - 近一周超额回撤0.19%，今年以来超额2.73%[34]

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**：行业形态择时策略 - **模型构建思路**：基于行业指数成分股的多空形态信号构建剪刀差指标，通过统计看多/看空成分股数量比率生成择时信号[14] - **模型具体构建过程**： 1. 每日统计行业指数成分股中触发看多形态和看空形态的股票数量 2. 计算多空剪刀差比率：若当日无信号，则数量记为0；若多空数量均为0，则剪刀差为0 3. 根据剪刀差方向（正向/负向）生成行业择时信号[14] - **模型评价**：历史回测显示，该模型在所有中信一级行业中均跑赢基准指数，胜率表现优秀[14] 2. **模型名称**：券商金股形态增强策略 - **模型构建思路**：结合券商月度金股推荐与形态学信号，筛选基本面与技术面共振的标的[25][26] - **模型具体构建过程**： 1. 监控券商金股中出现特殊形态信号（如捉腰带线、倒锤头等）的股票 2. 在信号触发后第二个交易日买入，持有至当月月底[25] - **模型评价**：形态学信号可显著提升金股组合收益并降低回撤[25] --- 量化因子与构建方式 1. **因子名称**：隐含波动率因子 - **因子构建思路**：采用Heston模型计算近月平值期权隐含波动率，反映市场恐慌情绪[7][9] - **因子具体构建过程**： $$ \text{IV} = \sqrt{\frac{2\pi}{T}} \cdot \frac{C}{S} $$ 其中： - \( IV \) 为隐含波动率 - \( T \) 为期权剩余期限 - \( C \) 为期权价格 - \( S \) 为标的资产价格[7] 2. **因子名称**：特殊K线形态因子 - **因子构建思路**：识别六类技术形态（如金针探底、满江红等）作为多空信号[21][22] - **因子具体构建过程**： 1. **金针探底**：要求K线下影线长度超过80%，振幅>5%，且出现在20日低位[21] 2. **满江红**：连续阳线组合，需满足成交量递增条件[21] --- 模型的回测效果 1. **行业形态择时策略**： - 年化收益：15.01%~33.44%（不同行业） - 最大回撤：13.18%~53.53%[15][16] 2. **券商金股形态增强策略**： - 胜率：70%（特殊信号股票）[25] 因子的回测效果 1. **隐含波动率因子**： - 上证50波动率：13.5%（周环比-0.91%）[9] - 中证1000波动率：16.79%（周环比-1.3%）[9] 2. **特殊K线形态因子**： - 金针探底未来5日胜率：73.85%[11] - 满江红组合平均持有收益：19.49%（商贸零售行业）[15] --- 注：以上内容严格基于研报中明确提及的模型、因子及数据[7][9][11][14][15][16][21][22][25][26]，未包含风险提示等非核心信息。

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. **主动偏股基金仓位高频估测模型** - 模型构建思路：通过基金每日披露的净值序列，利用带约束条件的多元回归模型，在基准或其他资产序列组成的自变量中寻找基金仓位的最优估计结果[65] - 模型具体构建过程： 1. 以基金净值序列为因变量 2. 选择基准指数或其他资产序列作为自变量 3. 采用带约束条件的多元回归模型进行拟合 4. 通过回归系数估算基金仓位 - 模型评价：能够相对准确地估算基金仓位变动趋势，但受限于公开数据频率和模型假设 2. **REITs指数系列模型** - 模型构建思路：构建完整的REITs系列指数综合反映REITs市场表现，提供衡量不同底层资产、项目类型的细分REITs指数[51] - 模型具体构建过程： 1. 采用分级靠档方法确保计算指数的份额保持相对稳定 2. 当样本成分名单或调整市值出现非交易因素变动时，采用除数修正法保证指数连续性 3. 计算价格指数和全收益指数 - 模型评价：为投资者提供基于指数化投资的资产配置新视角，但受限于REITs市场流动性 量化因子与构建方式 1. **行业主题基金标签因子** - 因子构建思路：通过观察基金在近四期中报/年报的持仓信息判断其长期的行业主题标签[39] - 因子具体构建过程： 1. 收集基金历史持仓数据 2. 分析行业配置比例 3. 根据配置特征划分为行业主题基金、行业轮动基金和行业均衡基金 - 因子评价：能够有效区分基金的不同行业特征，但依赖于持仓数据的及时性和准确性 2. **ESG基金分类因子** - 因子构建思路：根据ESG投资策略覆盖范围将基金分为ESG主题基金和泛ESG基金[77] - 因子具体构建过程： 1. ESG主题基金：综合环境、社会、治理三方面因素，使用ESG整合、负面筛选、正面筛选 2. 泛ESG基金：仅覆盖ESG中一到两个方面因素，进行主题投资 3. 进一步细分为环境主题、社会主题和治理主题 - 因子评价：能够系统分类ESG基金，但部分基金的ESG特征可能不够明确 模型的回测效果 1. **主动偏股基金仓位高频估测模型** - 本周主动偏股基金仓位相较上周上升0.65个百分点[65] - 通信、家用电器、机械设备等行业获资金增配 - 电子、有色金属、食品饮料等行业遭资金减持 2. **REITs指数系列模型** - REITs综合指数本周上涨0.03%[51] - 产权类REITs指数上涨0.32% - 特许经营权类REITs指数下跌0.36% - 市政设施REITs指数表现最好，上涨1.20% 因子的回测效果 1. **行业主题基金标签因子** - 医药主题基金本周表现最佳，上涨8.38%[39] - TMT主题基金上涨3.91% - 国防军工主题基金上涨3.44% 2. **ESG基金分类因子** - 主动权益型ESG基金本周净值涨幅中位数2.20%[83] - 股票被动指数型ESG基金0.80% - 债券型ESG基金0.07% - 低碳经济、碳中和等主题基金表现占优

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**：攻守兼备红利50组合 - **模型构建思路**：结合"稳健+成长"风格，在红利资产中筛选兼具防御性和成长性的标的[15] - **模型具体构建过程**： 1. 基于中证红利全收益指数作为基准 2. 通过主动量化方法筛选50只个股，侧重红利质量因子（如股息率、盈利稳定性）和成长性指标（如ROE、营收增长率）[15][19] 3. 采用月度调仓机制，动态调整组合权重[15] - **模型评价**：在红利资产回调阶段仍能保持超额收益，体现攻守兼备特性[16][22] 2. **模型名称**：央国企高分红30组合 - **模型构建思路**：聚焦央国企标的，筛选高分红且低波动的个股[15] - **模型具体构建过程**： 1. 以中证中央企业红利指数和国有企业红利指数为初选池 2. 结合股息率、波动率因子排序，选取前30只个股[19] 3. 采用等权重配置[15] 3. **模型名称**：电子均衡配置增强组合 - **模型构建思路**：通过量化方法在电子行业全赛道均衡选股[15] - **模型具体构建过程**： 1. 以电子行业指数为基准 2. 综合估值、动量、盈利质量因子构建复合评分[8][26] 4. **模型名称**：电子板块优选增强组合 - **模型构建思路**：聚焦电子细分赛道龙头企业[15] - **模型具体构建过程**： 1. 筛选进入成熟期的电子三级行业（如印制电路板）[26][31] 2. 结合市值因子和盈利增速因子优选个股[8] --- 量化因子与构建方式 1. **因子名称**：红利质量因子 - **因子构建思路**：在传统股息率基础上增加盈利质量筛选[19] - **因子具体构建过程**： $$ \text{红利质量得分} = 0.6 \times \text{股息率} + 0.4 \times \text{ROE稳定性} $$ 其中ROE稳定性采用过去3年ROE标准差倒数[19] 2. **因子名称**：央国企分红因子 - **因子构建思路**：衡量央国企特殊分红能力[19] - **因子具体构建过程**： 结合股息支付率和国有股东持股比例构建加权指标[19] --- 模型的回测效果 1. **攻守兼备红利50组合** - 2025年初至今超额收益：4.76%（vs 中证红利全收益）[22] - 本周超额收益：0.85%[16] - 红利类基金分位数：35%[22] 2. **央国企高分红30组合** - 本周超额收益：0.11%（vs 中证红利全收益）[16] 3. **电子均衡配置增强组合** - 2025年初至今超额收益：2.40%（vs 电子行业指数）[8] 4. **电子板块优选增强组合** - 2025年初至今超额收益：5.83%（vs 电子行业指数）[8] --- 因子的回测效果 1. **红利质量因子** - 细分指数周度平均收益：0.88%（vs 中证红利指数超额显著）[16][19] 2. **央国企分红因子** - 央国企红利指数周度收益：0.08%（优于纯红利指数）[19] --- 注：所有模型均采用主动量化框架，通过"自上而下"的行业逻辑驱动因子筛选[14]