量化模型与因子总结 量化因子与构建方式 1 **因子名称**："日与夜的殊途同归"新动量因子[7] **因子构建思路**：基于日内与隔夜各自的价量关系，分别对日内因子、隔夜因子进行改进，再重新合成新的动量因子[7] **因子具体构建过程**： - 将交易时段切割为日与夜，分别探索各自的价量关系[7] - 在以往"动量因子切割"研究的基础上，加入"成交量"的信息，挖掘投资者交易行为的差异[7] - 分别构建日内因子和隔夜因子，并进行改进后重新合成[7] **因子评价**：选股能力显著优于传统动量因子，稳定性较好[6][7] 因子回测效果 1 **"日与夜的殊途同归"新动量因子**（全市场，2014年2月至2025年8月）[1][7] 年化收益率：17.93%[1][14] 年化波动率：8.73%[1][14] 信息比率(IR)：2.05[1][14] 月度胜率：76.98%[1][14] 月度最大回撤率：9.07%[1][14] 2 **"日与夜的殊途同归"新动量因子**（回测期2014/01/01-2022/07/31）[7] IC均值：-0.045[7] 年化ICIR：-2.59[7] 10分组多空对冲年化收益率：22.64%[7] 信息比率：2.85[7] 月度胜率：83.33%[7] 最大回撤率：5.79%[7] 3 **8月份因子表现**（2025年8月）[1][10] 10分组多头组合收益率：9.49%[1][10] 10分组空头组合收益率：9.58%[1][10] 10分组多空对冲收益率：-0.10%[1][10] 4 **传统动量因子**（2014/01/01-2022/07/31期间，以20日收益率为例）[6] 10分组多空对冲信息比率：1.09[6] 月度胜率：62.75%[6] 最大回撤：20.35%[6]

量化模型与构建方式 1 居民资金活跃度指标 **模型构建思路**：通过整合ETF资金流、龙虎榜成交数据和百度指数三个维度的信息，构建一个日频跟踪居民资金活跃度的综合指标，以高频监测居民资金动向[11][12][21] **模型具体构建过程**： 1. **数据预处理**： - 对三类日频原始数据（ETF资金流、龙虎榜成交额占比、百度指数）分别进行滚动1个月移动平均处理，以消除短期噪音[23] 2. **分位数计算**： - 计算每项指标的滚动半年分位数（窗口期为6个月）[23] 3. **百度指数合成**： - 将"股票开户"、"牛市"、"抄底"三个关键词的百度指数分位数等权合成，得到百度指数分项指标[23] 4. **综合指标合成**： - 将以下三个分项指标等权合成，得到最终的居民资金活跃度指标： - 个人投资者主导的ETF资金流分位数 - 龙虎榜居民资金活跃度分位数 - 百度指数合成指标分位数 - 指标取值范围为0-1，代表当前居民资金活跃度在过去半年中的分位数水平[23] **模型评价**：该指标能够较好地高频代理居民资金动向，与月频新增开户数走势一致性较强，且具备一定的市场择时能力，类似于"恐贪指数"的功能[27][28] 2 市场分化度指标 **因子构建思路**：通过计算中证800成分股的平均涨幅与中位数涨幅之间的差异，衡量市场上涨是否集中于少部分股票，以反映市场分化程度[32][35] **因子具体构建过程**： 1. **每日计算**： - 计算中证800指数所有成分股的当日涨幅 - 计算这些涨幅的算术平均值（AvgReturn）和中位数（MedReturn） 2. **差异计算**： - 计算每日分化度： $$ \text{DiffFactor}_t = \text{AvgReturn}_t - \text{MedReturn}_t $$ 3. **平滑处理**： - 对每日分化度进行滚动20日移动平均处理，得到平滑后的市场分化度指标[32][35] **因子评价**：该因子能够有效衡量市场收益分化程度，历史数据显示当分化度过大时往往对应市场短期高点，对市场行情延续性有指示作用[32][35] 模型的回测效果 1 居民资金活跃度择时策略 **策略规则**：当居民资金活跃度指标在过去10日内有达到过70%以上时空仓，否则满仓持有Wind全A指数[28] **回测结果**（2019年2月至2025年8月）： - Wind全A基准收益：75%[28] - 择时策略收益：167%[28] 2 市场分化度指标 **观察结果**：截至2025年9月1日，市场分化度指标（滚动20日均值）处于2019年以来的97.4%分位水平，表明市场收益分化度处于历史极值附近[32] 量化因子与构建方式 1 个人投资者ETF资金流因子 **因子构建思路**：通过筛选个人投资者主导的ETF，计算其每日资金流，以反映居民资金流向[12] **因子具体构建过程**： 1. **样本筛选**：每年8月底和3月底，筛选最新公布的个人持有比例≥70%的A股权益类ETF[12] 2. **资金流计算**： - 每日资金流 = ETF份额变动 × 成交量加权平均价（VWAP）[12] - 加总所有符合条件的ETF资金流，得到日频因子值[12] 2 龙虎榜居民资金活跃度因子 **因子构建思路**：通过计算东方财富拉萨营业部席位在龙虎榜上的成交占比，反映居民资金活跃度[13][17] **因子具体构建过程**： 1. **席位识别**：将东方财富在拉萨的营业部席位视为居民资金主导（如东方财富拉萨团结路第一、东环路第二等）[13][16] 2. **活跃度计算**： - 每日因子值 = 拉萨营业部龙虎榜总成交额 / 万得全A成交额[17] 3 百度指数情绪因子 **因子构建思路**：通过追踪"股票开户"、"牛市"、"抄底"三个关键词的搜索指数，衡量居民资金情绪[21] **因子具体构建过程**： 1. **数据获取**：获取三个关键词的日度百度指数数据[21] 2. **平滑处理**：对每个关键词的指数进行滚动1个月移动平均处理[22] 因子的回测效果 （注：报告中未提供单个因子的具体回测结果数据，仅提供了综合模型的效果）

根据提供的量化研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 1. **因子名称**：估值价差赔率因子[7] * **因子构建思路**：基于多空两组的估值价差（即因子多空两组BP中位数的比率）来构建风格因子的赔率指标，用以定位风格轮动的大周期，具有左侧交易特征（“跌多了买，涨多了卖”）[7] * **因子具体构建过程**： 1) 选定因子，按照因子值排序分为五组（行业中性，每个行业内分组后再合并），确定多头组和空头组[11] 2) 计算多头组和空头组的中位数 log(BP)，对数处理是为了使BP呈现正态分布[11] 3) 估值价差原始值 = 多头组中位数 log(BP) - 空头组中位数 log(BP)[11] 4) 对估值价差原始值进行滚动六年窗口的zscore处理，得到最终的赔率指标[11] 2. **因子名称**：A股赔率因子[32] * **因子构建思路**：基于ERP（股权风险溢价）和DRP（信用风险溢价）的标准化数值等权计算A股资产的赔率[32] * **因子具体构建过程**：报告提及了计算基础（ERP和DRP），但未详细描述具体的加权或合成公式。 3. **因子名称**：债券赔率因子[33] * **因子构建思路**：根据长短债预期收益差构建债券资产的赔率指标[33] * **因子具体构建过程**：报告提及了构建基础（长短债预期收益差），但未详细描述具体的计算过程。 4. **因子名称**：美股AIAE指标[37] * **因子构建思路**：作为衡量美股估值风险的赔率指标[37] * **因子具体构建过程**：报告未详细描述其具体构建过程。 5. **因子名称**：美联储流动性指数[37] * **因子构建思路**：结合数量维度和价格维度构建，用以衡量美联储流动性的充裕程度[37] * **因子具体构建过程**：报告提及了构建维度（数量维度和价格维度），但未详细描述具体的合成方法。 6. **因子名称**：风格因子综合评分[42][45][47][50] * **因子构建思路**：综合赔率、趋势、拥挤度三个维度对风格因子进行评价和排名[42][45][47][50] * **因子具体构建过程**：报告多次提到基于“赔率-趋势-拥挤度”三标尺进行综合分析并给出综合得分，但未详细描述三者的具体加权或合成公式。 7. **因子名称**：行业轮动因子[58] * **因子构建思路**：基于行业景气度、趋势、拥挤度三个维度构建行业轮动模型[58] * **因子具体构建过程**： * 以行业过去12个月信息比率刻画行业动量和趋势[58] * 以行业的换手率比率、波动率比率和beta比率刻画行业的交易拥挤度[58] * 报告未详细描述景气度的具体计算方法和三者的最终合成方式。 量化模型与构建方式 1. **模型名称**：赔率增强型策略[63] * **模型构建思路**：结合各资产的赔率指标，在目标波动率约束的条件下持续超配高赔率资产，低配低赔率资产[63] * **模型具体构建过程**：报告提及了核心思想（基于赔率进行超低配）和约束条件（目标波动率），但未详细描述资产选择、权重计算等具体步骤。 2. **模型名称**：胜率增强型策略[66] * **模型构建思路**：从货币、信用、增长、通胀和海外五个因素出发，获得各资产的宏观胜率评分，并据此构建配置策略[66] * **模型具体构建过程**：报告提及了胜率的来源（五个宏观因素），但未详细描述评分卡的构建方法以及如何根据胜率评分进行资产配置。 3. **模型名称**：赔率+胜率策略[69] * **模型构建思路**：将赔率策略的风险预算和胜率策略的风险预算进行简单相加得到综合得分，并据此构建配置策略[69] * **模型具体构建过程**：报告描述了核心合成方式（风险预算简单相加），但未详细说明赔率策略和胜率策略各自的风险预算具体是如何计算得出的。 因子的回测效果 1. **估值价差赔率因子**（截至报告时点）[12][15][16][17][18][19][20][21][22][23][24][25][26] * 小微盘风格赔率：-0.72倍标准差（中低赔率水平） * 红利风格赔率：0.47倍标准差（中等赔率水平） * PB因子赔率：0.63倍标准差（中高赔率水平） * PE因子赔率：0.82倍标准差（中高赔率水平） * 质量风格赔率（ROE因子）：1.17倍标准差（中高赔率水平） * 低波风格赔率：1.75倍标准差（超高赔率水平） * 动量风格赔率：-1.36倍标准差（中低赔率水平） 2. **风格因子综合评分**（截至报告时点）[42][45][47][50] * 价值风格：赔率0.6倍标准差，趋势0，拥挤度-1.4倍标准差，综合得分2.4 * 质量风格：赔率1.7倍标准差，趋势-1.4倍标准差，拥挤度-0.8倍标准差，综合得分1 * 成长风格：赔率0.8倍标准差，趋势-0.2倍标准差，拥挤度0.4倍标准差，综合得分0.9 * 小盘风格：赔率-0.7倍标准差，趋势1.8倍标准差，拥挤度0.4倍标准差，综合得分0.2 3. **行业轮动模型**（历史回测）[59] * 2011年以来年化收益：13.1% * 2011年以来年化超额收益：11.0% * 2011年以来最大回撤：25.4% * 2011年以来信息比率(IR)：1.18 * 2014年以来年化收益：13.0% * 2014年以来年化超额收益：12.0% * 2014年以来最大回撤：25.4% * 2014年以来信息比率(IR)：1.08 * 2019年以来年化收益：10.8% * 2019年以来年化超额收益：10.7% * 2019年以来最大回撤：12.3% * 2019年以来信息比率(IR)：1.02 模型的回测效果 1. **赔率增强型策略**（历史回测）[65] * 2011年以来年化收益：6.6% * 2011年以来年化波动率：2.4% * 2011年以来最大回撤：3.0% * 2011年以来夏普比率：2.72 * 2014年以来年化收益：7.5% * 2014年以来年化波动率：2.3% * 2014年以来最大回撤：2.4% * 2014年以来夏普比率：3.19 * 2019年以来年化收益：7.0% * 2019年以来年化波动率：2.2% * 2019年以来最大回撤：2.4% * 2019年以来夏普比率：3.02 2. **胜率增强型策略**（历史回测）[68] * 2011年以来年化收益：7.0% * 2011年以来年化波动率：2.3% * 2011年以来最大回撤：2.8% * 2011年以来夏普比率：2.96 * 2014年以来年化收益：7.7% * 2014年以来年化波动率：2.2% * 2014年以来最大回撤：2.3% * 2014年以来夏普比率：3.36 * 2019年以来年化收益：6.3% * 2019年以来年化波动率：2.1% * 2019年以来最大回撤：2.3% * 2019年以来夏普比率：2.87 3. **赔率+胜率策略**（历史回测）[71] * 2011年以来年化收益：7.0% * 2011年以来年化波动率：2.4% * 2011年以来最大回撤：2.8% * 2011年以来夏普比率：2.86 * 2014年以来年化收益：7.6% * 2014年以来年化波动率：2.3% * 2014年以来最大回撤：2.7% * 2014年以来夏普比率：3.26 * 2019年以来年化收益：7.2% * 2019年以来年化波动率：2.4% * 2019年以来最大回撤：2.8% * 2019年以来夏普比率：2.85

量化模型与构建方式 1. **模型名称**：无 本报告未涉及具体的量化模型，主要聚焦于量化因子的构建与应用[1][3][8]。 量化因子与构建方式 1. **因子名称**：基金选股 alpha 胜率因子 **因子构建思路**：通过计算基金历史持仓中个股跑赢行业的胜率，来刻画基金的选股能力[18][23]。 **因子具体构建过程**： - 在每个基金季报披露时点，回看过去5个报告期的持仓数据（其中2期为年报/中报的全持仓，其余为季报前十大重仓）[15][23]。 - 对于每只持仓股票，计算其在持仓时点后一段时间内的收益率与行业收益率的差值，若差值超过阈值δ（δ=0.5%），则记为一次成功选股[18][19][23]。 - 基金选股 alpha 胜率因子的计算公式为： $$Select\_Alpha\_WinRate_{T} = \frac{\sum_{\text{回看5个报告期}} I(Stock\_Return_{S,T} - Industry\_Return_{S,T} > 0.5\%)}{\sum_{\text{回看5个报告期}} I(Stock\_Return_{S,T})}$$ 其中，$Stock\_Return_{S,T}$ 是股票S在持仓时点T后一段时间内的收益率，$Industry\_Return_{S,T}$ 是同期行业收益率，$I(\cdot)$ 是指示函数[18][19][23]。 **因子评价**：该因子能有效预测基金未来业绩，选基效果优秀[18][23][25]。 2. **因子名称**：FHQ 因子 **因子构建思路**：将基金选股 alpha 胜率因子通过持仓关系映射到股票层面，反映持有该股票的基金平均质量[1][31][34]。 **因子具体构建过程**： - 在基金季报公布时点，获取基金的前十大重仓股信息[31][34]。 - 对于每只股票，计算其FHQ因子值，公式为： $$FHQ_{i} = \frac{\sum_{f=1}^{F} \bar{A}_{f} w_{i,f}}{\sum_{f=1}^{F} w_{i,f}}$$ 其中，$\bar{A}_{f}$ 是基金f的选股 alpha 胜率因子值，$w_{i,f}$ 是基金f持有股票i的权重（本文采用占基金净值比加权）[34][35][67]。 **因子评价**：FHQ因子在多个样本空间内均表现出较好的选股效果，尤其是在大盘股中[2][42][48]。 3. **因子名称**：FHQ_5 因子 **因子构建思路**：将多个基金因子映射得到的股票因子进行合成，以提升选股效果的稳健性和显著性[3][90][93]。 **因子具体构建过程**： - 选取五个基金因子分别映射为股票因子： - T{股票投资能力（选股 alpha 胜率）} → FHQₐ - T{行业配置能力（行业收益贡献）} → FHQ₆ - T{超额收益能力（近1年Calmar）} → FHQ꜀ - T{风险控制能力（近1年最大回撤）} → FHQₔ - T{机构认可度（机构持有份额占比）} → FHQₑ[90][93] - 对每个因子进行截面标准化处理，然后等权合成综合因子： $$FHQ\_5 = mean(FHQ_{a} + FHQ_{b} + FHQ_{c} + FHQ_{d} + FHQ_{e})$$[90] **因子评价**：FHQ_5因子相比单一的FHQ因子，在选股绩效上有显著提升[3][90][103]。 模型的回测效果 本报告未涉及量化模型的回测效果。 因子的回测效果 1. **基金选股 alpha 胜率因子** - IC均值：0.0653[1][23] - IC胜率：71%[1][23] 2. **FHQ 因子** - 在万得全A样本空间： - IC均值：0.035[37][42] - IC胜率：59%[42] - 在沪深300样本空间： - IC均值：0.06[2][48] - IC胜率：63%[2][48] - 在上证50样本空间： - IC均值：0.11[49][54] - IC胜率：65%[54] 3. **FHQ_5 因子** - 在沪深300样本空间： - IC均值：0.0963[3][90][103] - IC胜率：73%[3][90][103] 基于因子构建策略的回测效果 1. **基于FHQ的沪深300多头选股等权组合** - 年化收益率：15.29%[57][59] - 超额年化收益率（相对沪深300等权）：11.22%[57][59] - 月度胜率：72.37%[59] - 季度胜率：72.55%[59] 2. **基于FHQ的上证50多头选股等权组合** - 年化收益率：12.46%[61][63] - 超额年化收益率（相对上证50等权）：10.60%[61][63] - 月度胜率：65.79%[63] - 季度胜率：72.55%[61] 3. **基于FHQ_5的沪深300多头选股等权组合** - 年化收益率：15.31%[94][96] - 超额年化收益率（相对沪深300等权）：10.72%[94][96] - 月度胜率：63.16%[96] - 季度胜率：66.67%[94] 4. **基于FHQ的沪深300指数增强组合** - 超额年化收益率：6.48%[79][84] - 年化跟踪误差：4.16%[79] - 信息比率（IR）：1.56[79] - 月度胜率：67.76%[79] 5. **基于FHQ_5的沪深300指数增强组合** - 超额年化收益率：7.40%[98][104] - 年化跟踪误差：4.33%[98][104] - 信息比率（IR）：1.71[98][104] - 月度胜率：74.34%[98]

根据提供的研报内容，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**：ETF机构持仓穿透算法[1][13] * **模型构建思路**：由于ETF基金在定期报告中公布的机构投资者持有份额占比通常将ETF联接基金也视为机构，这会高估真实的机构持仓比例。该模型旨在通过穿透联接基金的持有人结构，更精确地计算ETF中机构投资者的实际持仓规模和占比[1][13]。 * **模型具体构建过程**：模型基于ETF及其联接基金的定期报告数据。核心思想是，ETF的实际机构持有份额等于ETF公布的机构持有份额减去联接基金持有的ETF份额中属于个人投资者的部分[15][17]。 具体计算公式如下： $$P_{\rm inst}=P_{\rm inst}^{\rm pub}-P_{\rm link}*(1-S_{\rm inst}^{\rm link})$$[17] 其中： * $P_{\rm inst}$ 代表修正后的ETF机构投资者实际持有份额占比。 * $P_{\rm inst}^{\rm pub}$ 代表ETF定期报告中公布的机构投资者持有份额占比[15]。 * $P_{\rm link}$ 代表ETF定期报告中公布的联接基金持有该ETF的份额占比[15]。 * $S_{\rm inst}^{\rm link}$ 代表联接基金（合并口径）的机构投资者持有比例[15]。 对于个别缺失$P_{\rm link}$数据的情况，使用联接基金数据进行反向推算： $$P_{\mathrm{link}}=A_{\mathrm{link}}*P_{\mathrm{fund}}/A_{\mathrm{net}}$$[18] 其中$A_{\mathrm{link}}$为联接基金资产净值，$P_{\mathrm{fund}}$为联接基金持有ETF市值占其资产净值比例，$A_{\mathrm{net}}$为ETF资产净值[15][18]。 模型的回测效果 （报告中未提供该穿透算法模型自身的量化回测指标，如年化收益率、夏普比率、信息比率(IR)、最大回撤等。报告主要展示了应用此算法后得到的各类ETF机构持仓占比的静态或时序变化结果[2][3][4][5][21][22][23][26][29][32][33][38][40][43][44][47][48][51][53][56][60]。） 量化因子与构建方式 （报告中未涉及传统意义上的量化因子（如价值、动量、质量等）的构建与分析。其核心内容是应用上述穿透算法对ETF持有人结构进行分析，属于投资者行为分析范畴，而非构建预测未来收益的Alpha因子。） 因子的回测效果 （报告中未提供任何量化因子的回测效果指标，如因子IC值、ICIR、多空收益、年化收益、夏普比率等。）

根据您提供的金融工程日报内容，报告核心是市场数据统计与监测，并未涉及传统的量化选股模型或多因子模型的构建与测试。报告主要定义并计算了数个用于监测市场情绪和资金流向的指标。以下是总结： 量化因子与构建方式 1. **因子名称**：封板率[16] * **因子构建思路**：通过计算盘中触及涨停且最终成功封住涨停板的股票比例，来反映市场追涨情绪和涨停板的可靠性[16]。 * **因子具体构建过程**：统计上市满3个月以上的股票。首先，找出当日盘中最高价涨停的股票总数。然后，在这些股票中找出收盘价也涨停的股票数。最后，用后者除以前者得到封板率。 * 计算公式：$$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[16] 2. **因子名称**：连板率[16] * **因子构建思路**：通过计算连续两个交易日都收盘涨停的股票比例，来反映市场强烈的看涨情绪和题材炒作的持续性[16]。 * **因子具体构建过程**：统计上市满3个月以上的股票。首先，确定昨日收盘涨停的股票总数。然后，在这些股票中找出今日收盘也涨停的股票数。最后，用后者除以前者得到连板率。 * 计算公式：$$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[16] 3. **因子名称**：大宗交易折价率[25] * **因子构建思路**：通过计算大宗交易成交价格相对于市价的折价程度，来反映大资金或产业资本的减持意愿或短期市场流动性状况[25]。 * **因子具体构建过程**：收集当日所有大宗交易数据，计算总成交金额。再根据成交股数和这些股票当日的收盘价（或均价）计算其总市值。最后，用成交金额除以总市值再减1得到折价率。 * 计算公式：$$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[25] 4. **因子名称**：股指期货年化贴水率[27] * **因子构建思路**：通过计算股指期货价格相对于现货指数价格的年化折价程度，来反映市场对未来走势的预期、对冲成本以及市场情绪（如悲观情绪常导致深度贴水）[27]。 * **因子具体构建过程**：首先计算基差（股指期货价格减去现货指数价格）。然后用基差除以现货指数价格，再年化处理。年化方法为乘以250（假设一年约250个交易日）并除以合约剩余的交易天数。 * 计算公式：$$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[27] * **因子评价**：该指标是量化对冲策略成本的关键输入，其变化也常被视为市场情绪的晴雨表[27]。 因子的回测效果 （注：本日报仅提供了所述因子在特定日期（20250901或20250902）的截面数据或时间序列上的一个快照值，并未提供任何基于历史回测的绩效指标（如年化收益率、夏普比率、信息比率IR、IC值等）。因此，此处仅列示报告中给出的具体数据取值。） 1. **封板率因子**，当日取值54%[16] 2. **连板率因子**，当日取值16%[16] 3. **大宗交易折价率因子**，近半年平均值5.89%[25]，当日取值7.40%[25] 4. **上证50股指期货年化贴水率因子**，近一年中位数0.21%[27]，当日取值0.05%[27]，近一年分位点52%[27] 5. **沪深300股指期货年化贴水率因子**，近一年中位数2.22%[27]，当日取值3.96%[27]，近一年分位点36%[27] 6. **中证500股指期货年化贴水率因子**，近一年中位数9.46%[27]，当日取值18.09%[27]，近一年分位点16%[27] 7. **中证1000股指期货年化贴水率因子**，近一年中位数11.56%[27]，当日取值16.43%[27]，近一年分位点28%[27]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：市场风格动量选股模型[28][48] **模型构建思路**：基于市场风格动量与银行股内部风格轮动的映射关系，通过市场短期动量信号选择银行股中相应风格的标的[28][47] **模型具体构建过程**： - 每月末计算市场风格动量，使用两个月的风格动量，当两个对立风格之间的动量差异大于5%时认为风格占优[48] - 次月在银行股内选择对应风格的标的，风格分为大盘价值、大盘成长、小盘价值、小盘成长四类[28][42] - 市值因子依据前20%与后80%的划分标准，分为大、小市值两组；估值因子则依据50%分位，划分为高、低估值两组，平行构建四宫格组合[42] **模型评价**：该模型能够有效捕捉银行股内部风格轮动，尤其在市场价值风格下表现优异，但在成长风格主导或市场震荡阶段可能表现独立[47][48] 2. **模型名称**：基本面修正成长风格选股模型[56][58] **模型构建思路**：在成长风格选择时，引入ROE基本面指标修正高估值标的，以规避估值下修风险[56][58] **模型具体构建过程**： - 当市场风格动量信号指向成长风格时，使用PB和ROE_TTM值做等权打分[58] - 选择高估值（高PB）且高基本面（高ROE）的标的，公式为： $$ \text{综合得分} = \frac{\text{PB分位数} + \text{ROE分位数}}{2} $$ - 选取得分较高的股票作为成长风格组合[58] **模型评价**：通过基本面修正，提升了成长风格选择的稳健性，减少了高估值标的的下行风险[58] 模型的回测效果 1. **市场风格动量选股模型**[48][54] - 年化收益：14.45%[48] - 年化波动：22.62%[48] - 夏普比例：0.64[48] - 最大回撤：33.08%[48] - 卡玛比例：0.44[48] - 超额年化（相对中信银行指数）：5.65%[48] - 超额波动：9.99%[48] - 信息比例（IR）：0.57[48] - 超额最大回撤：20.03%[48] 2. **基本面修正成长风格选股模型**[54][58] - 年化收益：16.27%[54][58] - 年化波动：22.20%[54] - 夏普比例：0.73[54] - 最大回撤：32.82%[54] - 卡玛比例：0.50[54] - 超额年化（相对中证全指）：13.20%[3][58] - 超额年化（相对中信银行指数）：7.33%[3][54][58] - 超额波动：9.59%[54] - 信息比例（IR）：0.76[54] - 超额最大回撤：15.26%[54] 量化因子与构建方式 1. **因子名称**：PB估值因子[32] **因子构建思路**：使用市净率（PB）作为估值指标，低估值组合预期表现更优[32] **因子具体构建过程**： - 每月末计算银行股的PB值[32] - 按PB值从小到大排序，分为5组，第1组为低估值组合，第5组为高估值组合[32] **因子评价**：低估值组合在全区间内表现最优，尤其在价值风格下表现强劲[32][39] 2. **因子名称**：股息率因子[32] **因子构建思路**：使用股息率作为价值指标，高股息率组合预期表现稳定[32] **因子具体构建过程**： - 每月末计算银行股的股息率[32] - 按股息率从高到低排序，分为5组，第1组为高股息率组合[32] **因子评价**：高股息率组合在大部分年份表现突出，但部分年份推动力较弱[32] 3. **因子名称**：市值因子[35][39] **因子构建思路**：使用总市值作为规模指标，大市值组合预期表现更稳健[35][39] **因子具体构建过程**： - 每月末计算银行股的总市值[35] - 按市值从大到小排序，分为5组，第1组为大市值组合[35] **因子评价**：大市值组合表现稳定，自2023年起加速上行[35][39] 4. **因子名称**：ROE因子[36][39] **因子构建思路**：使用ROE_TTM作为基本面指标，高ROE组合预期表现更优[36][39] **因子具体构建过程**： - 每月末计算银行股的ROE_TTM值[36] - 按ROE从高到低排序，分为5组，第1组为高ROE组合[36] **因子评价**：高ROE组合在多数年份表现占优，但有效性不稳定，存在特定市场环境下的局限性[36][39] 因子的回测效果 1. **PB估值因子**[32] - 低估值组合（第1组）绝对净值显著跑赢中证全指及其他分组[32] - 2014年低估值组合取得年度最高绝对业绩[32] 2. **股息率因子**[32] - 高股息率组合（第1组）在大部分年份跑赢基准[32] - 2019年、2020年表现不及低估值组合[32] 3. **市值因子**[35][39] - 大市值组合（第1组）绝对净值稳定跑赢中证全指[35] - 自2023年起加速上行[39] 4. **ROE因子**[36][39] - 高ROE组合（第1组）在多数年份表现占优[36] - 2014年表现显著逊于低ROE组合[39]

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称**：行业拥挤度监测模型[3] * **模型构建思路**：对申万一级行业指数的拥挤度进行每日监测，以识别交易过热或过冷的行业[3] * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程[3] 2. **模型名称**：溢价率 Z-score 模型[4] * **模型构建思路**：通过滚动测算ETF的溢价率Z-score，来筛选存在潜在套利机会的标的[4] * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程[4] 量化因子与构建方式 1. **因子名称**：行业拥挤度[3] * **因子构建思路**：通过综合指标衡量特定行业的交易热度[3] * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细过程[3] 2. **因子名称**：溢价率 Z-score[4] * **因子构建思路**：衡量ETF市价相对于其净值（IOPV）的偏离程度，并经过标准化处理[4] * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细过程[4] 模型的回测效果 （报告未提供相关模型的回测效果指标取值） 因子的回测效果 （报告未提供相关因子的回测效果指标取值）

根据您提供的研报内容，经过全面梳理，总结如下： 量化因子与构建方式 1. **因子名称**：行业ROE(TTM)分位数因子[2][7] **因子构建思路**：通过计算各行业ROE(TTM)指标在其历史序列中的分位数，来评估其当前盈利水平所处的相对位置，以此判断行业景气度[2] **因子具体构建过程**： 1. 选取申万一级行业分类[2] 2. 计算每个行业在指定报告期（2025Q2）的ROE(TTM)值[2] 3. 获取每个行业ROE(TTM)自2014年上半年至2025年第二季度的历史时间序列数据[7] 4. 对于每个行业，将其当前ROE(TTM)值置于其自身的历史序列中，计算其分位数 5. 分位数计算公式为：$$P = \frac{rank(x)}{N}$$ 其中，`rank(x)` 为当前ROE(TTM)值在历史序列中的升序排名，`N` 为历史数据点的总数 **因子评价**：该因子用于识别那些盈利水平处于自身历史高位的行业，这些行业可能处于高景气区间[2] 2. **因子名称**：行业PB分位数因子[2][6] **因子构建思路**：通过计算各行业PB指标在其近期历史序列中的分位数，来评估其当前估值水平的相对高低[2] **因子具体构建过程**： 1. 选取申万一级行业分类[2] 2. 计算每个行业在指定报告期（2025Q2）的PB值[2] 3. 获取每个行业PB自2022年至2025年第二季度的近三年历史时间序列数据[6] 4. 对于每个行业，将其当前PB值置于其自身的近期历史序列中，计算其分位数 5. 分位数计算公式同上：$$P = \frac{rank(x)}{N}$$ **因子评价**：该因子用于识别估值处于自身历史低位或高位的行业，辅助判断其投资的安全边际或风险[2] 3. **因子名称**：行业ROE(TTM)同比变化因子[2][3] **因子构建思路**：通过考察行业ROE(TTM)指标的同比变化情况，来捕捉景气度正在改善的行业[2][3] **因子具体构建过程**： 1. 选取申万一级或二级行业分类[2][3] 2. 计算每个行业在当前报告期（2025Q2）的ROE(TTM)值[2] 3. 计算每个行业在上一年同期（2024Q2）的ROE(TTM)值 4. 计算每个行业ROE(TTM)的同比变化值或变化率 5. 变化率公式为：$$Growth = \frac{ROE_{t} - ROE_{t-4}}{|ROE_{t-4}|}$$ 其中，`t` 代表当前期（2025Q2），`t-4` 代表去年同期（2024Q2）[3][13] 因子的回测效果 （注：研报中未提供任何因子或模型的定量回测指标结果，如年化收益率、夏普比率、信息比率(IR)、最大回撤等，因此本部分内容缺失。） 模型与构建方式 （注：研报内容集中于对行业基本面指标的现状描述和统计，并未明确提及或构建任何具体的量化选股模型或投资组合模型，因此本部分内容缺失。） 模型的回测效果 （注：研报内容集中于对行业基本面指标的现状描述和统计，并未提供任何量化模型的回测效果数据，因此本部分内容缺失。）

量化模型与构建方式 1. 模型名称：预期高股息组合模型；模型构建思路：通过两阶段构建预期股息率指标，并结合反转与盈利因子进行辅助筛选，从沪深300成分股中优选股票构建高股息组合[5][10][16]；模型具体构建过程： (1) 剔除停牌及涨停的沪深300成份股作为待选股票池[15]； (2) 剔除股票池中短期动量最高的20%股票（即21日累计涨幅最高的20%个股）[15]； (3) 剔除股票池中盈利下滑的个股（即单季度净利润同比增长率小于0的股票）[15]； (4) 在剩余股票池中，按预期股息率排序，选取预期股息率最高的30只个股等权构建组合[11]。 预期股息率构建分为两个阶段： 第一阶段：根据年报公告利润分配情况计算股息率[5][10]； 第二阶段：利用历史分红与基本面指标预测并计算股息率[5][10]。 2. 模型名称：红利择时框架模型；模型构建思路：通过合成多个宏观经济与市场情绪因子信号，对中证红利指数进行择时判断[2][25]；模型具体构建过程：模型包含5个子信号，每个信号根据其指标状态输出看多（1）或看空（0）红利的信号，最终合成一个总的择时观点[25][28]。具体因子及规则如下： - 通胀因子：PPI同比（高/低位），信号方向为+[28]。 - 流动性因子1：M2同比（高/低位），信号方向为-[28]。 - 流动性因子2：M1-M2剪刀差（高/低位），信号方向为-[28]。 - 利率因子：美国10年期国债收益率（高/低位），信号方向为+[28]。 - 市场情绪因子：红利股成交额占比（上/下行），信号方向为-[28]。 模型的回测效果 1. 预期高股息组合模型，累计收益358.90%[13]，累计超额收益107.44%[13]，年化超额收益8.87%[13]，超额收益滚动一年最大回撤12.26%[13]，月度超额胜率60.19%[13] 2. 预期高股息组合模型（2025年8月），月度收益5.69%[5][16]，相对沪深300指数超额收益-4.80%[5][16]，相对中证红利指数超额收益4.70%[5][16] 量化因子与构建方式 1. 因子名称：预期股息率因子；因子构建思路：结合已公告的分红数据和基本面指标对未来分红进行预测，从而计算预期股息率[5][10][16]；因子具体构建过程：采用两阶段法计算。 第一阶段：对于已发布年报并公告利润分配方案的股票，直接根据其公告计算股息率。 计算公式为：$$股息率 = \frac{每股现金分红}{股价}$$[5][10] 第二阶段：对于尚未公告的股票，利用其历史分红数据（如分红比例、分红稳定性）和基本面指标（如盈利能力、现金流等）建立预测模型，估算其可能的分红，进而计算预期股息率[5][10]。 2. 因子名称：反转因子；因子构建思路：捕捉股票的短期反转效应，即过去短期涨幅过高的股票未来表现可能不佳[10][15][16]；因子具体构建过程：计算股票过去21日的累计涨幅，并以此作为因子值[15]。 3. 因子名称：盈利因子；因子构建思路：筛选出盈利状况正在改善的股票，规避盈利下滑的风险[10][15][16]；因子具体构建过程：使用单季度净利润同比增长率，计算公式为：$$单季度净利润同比增长率 = \frac{本期单季度净利润 - 上年同期单季度净利润}{|上年同期单季度净利润|}$$，并剔除该值小于0的股票[15]。 4. 因子名称：红利股成交额占比因子；因子构建思路：通过监测红利主题股票的成交额在市场中的占比变化来判断市场情绪[25][28]；因子具体构建过程：计算红利板块股票的总成交额与市场总成交额的比值，并判断该比值的变化趋势（上行或下行）[28]。 因子的回测效果 1. 反转因子，在预期高股息组合模型中用作剔除排名前20%的股票[15] 2. 盈利因子，在预期高股息组合模型中用作剔除单季度净利润同比增速为负的股票[15] 3. 红利股成交额占比因子，2025年9月信号为1（看多）[25][28]