根据提供的金融工程日报内容，该报告主要描述了市场表现、情绪和资金流向等日度监控指标，并未涉及具体的量化模型或量化因子的构建、测试与评价。报告内容属于市场数据统计和描述性分析。 因此，本总结中“量化模型与构建方式”及“模型的回测效果”部分无相关内容。“量化因子与构建方式”及“因子的回测效果”部分亦无相关内容。

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：行业拥挤度监测模型**[3] * **模型构建思路**：通过构建模型对申万一级行业指数的拥挤度进行每日监测，以识别拥挤度较高或较低的行业[3] * **模型具体构建过程**：报告未提供该模型的具体构建过程和公式 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，来搭建ETF产品筛选信号模型，以发现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过程和公式 量化因子与构建方式 报告未明确提及具体的量化因子构建方式。 模型的回测效果 报告未提供上述模型的量化回测效果指标（如年化收益率、夏普比率、最大回撤等）。 因子的回测效果 报告未提供具体因子的测试结果取值。 其他相关数据 * **行业拥挤度监测结果**：监测显示，前一交易日电力设备、环保行业拥挤度靠前，非银金融行业拥挤度水平较低；环保、煤炭、石化行业拥挤度变动较大[3] * **资金流向数据**：报告提供了特定日期各类ETF（如宽基ETF、行业主题ETF等）的资金净流入/流出数据，以及近三个交易日申万一级行业指数的主力资金净流入额[5][12] * **ETF产品关注信号**：基于模型，报告列出了建议关注的ETF产品清单，包括沙特ETF、A500指数ETF、豆粕ETF、机器人指数ETF和酒ETF[13]

根据研报内容，现对其中涉及的量化模型与因子总结如下： 量化模型与构建方式 1. **模型名称：宏观评分模型**[7][20] * **模型构建思路**：该模型通过评估一系列宏观因子对各类资产的影响，为资产配置提供多维度、系统化的评分依据[20] * **模型具体构建过程**：模型涵盖九个宏观因子维度：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[20]。每月对每个因子进行评分（取值为1, 0, -1），其中1表示正面，0表示中性，-1表示负面[20]。将每个资产在不同因子上的得分加总，得到该资产的月度宏观总评分，并根据总评分形成看多、中性或看空的择时观点[20] 2. **模型名称：美股择时模型**[7][22] * **模型构建思路**：该模型从多个维度监测美国市场状态，以实现对美股的中期趋势判断[22] * **模型具体构建过程**：模型主要跟踪三个分项指标：景气度、资金流、金融压力[22]。通过综合这些指标的走势和水平，形成对美股的择时观点[22] 3. **模型名称：黄金择时模型**[7][23][27] * **模型构建思路**：该模型通过量化分析影响黄金价格的关键驱动因素，生成择时信号[23][27] * **模型具体构建过程**：模型会计算一个综合的黄金择时指标，该指标的最新值为-0.43[23][27]。报告中特别指出，全球央行美元外汇储备占比是影响该指标的重要变量，其大幅下滑对黄金形成中期支撑[23][24] 4. **模型名称：原油择时模型**[7][26][28][30] * **模型构建思路**：该模型通过构建原油景气指数来评估原油市场的基本面状况，从而形成配置观点[26][28] * **模型具体构建过程**：模型构建了一个综合的原油景气指数，该指数由五个维度的细分指标合成：需求、库存、美元指数、投资者预期、宏观风险水平[26][30]。通过观察景气指数的绝对水平和变化方向来判断原油市场的趋势[26][28] 5. **模型名称：大类资产配置模型**[3][31][34] * **模型构建思路**：该模型在资产配置过程中，不仅考虑资产的量化信号，还结合宏观因子体系对组合的风险暴露进行调整，以优化配置方案[3][31] * **模型具体构建过程**：首先，根据大类资产自身的量化配置信号（如前述择时模型的观点）来分配其风险预算[3][31]。然后，基于宏观因子体系（可能与宏观评分模型相关联）对整体投资组合的宏观风险暴露进行调整，最终得到各类资产的优化配置比例[3][31][34] 模型的回测效果 1. **大类资产配置模型**，10月收益2.1%，最近1年收益12.9%，最大回撤2.9%[3][31] 量化因子与构建方式 1. **因子名称：国内景气因子**[17][18][19] * **因子构建思路**：该因子旨在刻画中国国内经济的景气程度[17][19] * **因子具体构建过程**：报告指出本月该因子拐头向下，表明国内经济可能正在边际走弱，但未提供具体的构建公式[17][18][19] 2. **因子名称：全球景气因子**[17][18][19] * **因子构建思路**：该因子旨在刻画全球经济的整体景气状况[17][19] * **因子具体构建过程**：报告指出本月该因子同步拐头向下，表明全球经济可能正在边际走弱，但未提供具体的构建公式[17][18][19] 3. **因子名称：原油景气指数**[26][28][30] * **因子构建思路**：该因子是原油择时模型的核心，用于综合评估原油市场的基本面强弱[26][28] * **因子具体构建过程**：该因子由五个子因子合成：需求、库存、美元指数、投资者预期、宏观风险水平[26][30]。报告给出了该因子2025年11月的读数为0.14，但未提供具体的合成公式[26][28] 因子的回测效果 1. **黄金择时指标**，最新值-0.43[23][27] 2. **原油景气指数**，2025年11月读数0.14[26][28]

量化模型与构建方式 1 预期高股息组合模型 **模型名称**：预期高股息组合模型[3][8] **模型构建思路**：采用两阶段方法构建预期股息率指标，并结合反转因子与盈利因子进行辅助筛选，从沪深300成份股中优选股票构建高股息组合[3][8][14] **模型具体构建过程**： 1. 确定股票池：以沪深300成份股作为初始股票池[3][8] 2. 剔除规则： - 剔除停牌及涨停的股票[13] - 剔除短期动量最高的20%股票（即21日累计涨幅最高的20%个股）[13] - 剔除盈利下滑的个股（即单季度净利润同比增长率小于0的股票）[13] 3. 预期股息率计算： - 第一阶段：根据年报公告利润分配情况计算股息率[3][8] - 第二阶段：利用历史分红与基本面指标预测并计算股息率[3][8] 4. 组合构建：在剩余个股中，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[9] **模型评价**：历史绩效表现亮眼，超额收益稳定且最大回撤控制较好[11] 2 红利择时框架模型 **模型名称**：红利择时框架模型[23] **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[23][26] **模型具体构建过程**： 1. 选取5个单因子信号，每个信号产生看多（1）或看空（0）红利的观点[23][26] 2. 单因子信号说明： - 通胀因子：PPI同比（高/低位），方向为+[26] - 流动性因子1：M2同比（高/低位），方向为-[26] - 流动性因子2：M1-M2剪刀差（高/低位），方向为-[26] - 利率因子：美国10年期国债收益率（高/低位），方向为+[26] - 市场情绪因子：红利股成交额占比（上/下行），方向为-[26] 3. 合成信号：综合各单因子信号得出最终观点[23][26] 模型的回测效果 1 预期高股息组合模型 - 回测时间范围：2009年2月2日至2017年8月31日，共计103个自然月[11] - 累计收益：358.90%[11] - 累计超额收益（相对于沪深300全收益指数）：107.44%[11] - 年化超额收益：8.87%[11] - 超额收益的滚动一年最大回撤：12.26%[11] - 月度超额胜率：60.19%[11] 2 红利择时框架模型 - 2025年11月最新观点：持谨慎态度（合成信号为0）[23][26] 量化因子与构建方式 1 预期股息率因子 **因子名称**：预期股息率因子[3][8][14] **因子构建思路**：利用股息分配的方式、结合基本面指标对股息分配进行预测，构建两阶段预期股息率[3][8][14] **因子具体构建过程**： 1. 第一阶段股息率：根据年报已公告的利润分配情况计算股息率 $$股息率 = \frac{每股股息}{股价}$$[3][8] 2. 第二阶段股息率：利用历史分红数据与基本面指标预测未来股息并计算股息率[3][8] 2 反转因子 **因子名称**：反转因子[3][8][13][14] **因子构建思路**：使用短期价格动量作为反转信号，剔除近期表现过强的股票[3][8][13][14] **因子具体构建过程**：计算21日累计涨幅，剔除涨幅最高的20%个股[13] 3 盈利因子 **因子名称**：盈利因子[3][8][13][14] **因子构建思路**：基于公司盈利增长状况进行筛选，确保组合成分股盈利质量[3][8][13][14] **因子具体构建过程**：使用单季度净利润同比增长率，剔除增长率小于0的个股[13] 4 红利择时框架子因子 **因子名称**：PPI同比因子[26] **因子构建思路**：通过PPI同比处于高位或低位来判断红利资产走势[26] **因子方向**：+[26] **因子名称**：M2同比因子[26] **因子构建思路**：通过M2同比处于高位或低位来判断红利资产走势[26] **因子方向**：-[26] **因子名称**：M1-M2剪刀差因子[26] **因子构建思路**：通过M1-M2剪刀差处于高位或低位来判断红利资产走势[26] **因子方向**：-[26] **因子名称**：美国10年期国债收益率因子[26] **因子构建思路**：通过美国10年期国债收益率处于高位或低位来判断红利资产走势[26] **因子方向**：+[26] **因子名称**：红利股成交额占比因子[26] **因子构建思路**：通过红利股成交额占比处于上行或下行趋势来判断红利资产走势[26] **因子方向**：-[26] 因子的回测效果 1 红利择时框架子因子（2025年11月） - PPI同比因子信号：0[26] - M2同比因子信号：0[26] - M1-M2剪刀差因子信号：0[26] - 美国10年期国债收益率因子信号：0[26] - 红利股成交额占比因子信号：1[26] - 合成信号：0[26]

根据提供的周报内容，以下是关于报告中涉及的量化模型和因子的总结。报告主要跟踪了基于特定风格（价值、成长、小盘）构建的Smart Beta投资组合的表现，但未详细披露底层因子或具体模型的构建公式与过程。其构建思路引用自另一份专题报告[6]。 量化模型与构建方式 1. **模型名称**：价值50组合模型[6] * **模型构建思路**：基于价值风格，以高Beta弹性为目标构建Smart Beta组合[6] * **模型具体构建过程**：报告未提供具体构建过程和公式，仅说明组合构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[6] 2. **模型名称**：价值均衡50组合模型[6] * **模型构建思路**：基于价值风格，以长期稳健超额收益为目标构建Smart Beta组合[6] * **模型具体构建过程**：报告未提供具体构建过程和公式，仅说明组合构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[6] 3. **模型名称**：成长50组合模型[6] * **模型构建思路**：基于成长风格，以高Beta弹性为目标构建Smart Beta组合[6] * **模型具体构建过程**：报告未提供具体构建过程和公式，仅说明组合构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[6] 4. **模型名称**：成长均衡50组合模型[6] * **模型构建思路**：基于成长风格，以长期稳健超额收益为目标构建Smart Beta组合[6] * **模型具体构建过程**：报告未提供具体构建过程和公式，仅说明组合构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[6] 5. **模型名称**：小盘50组合模型[6] * **模型构建思路**：基于小盘风格，以高Beta弹性为目标构建Smart Beta组合[6] * **模型具体构建过程**：报告未提供具体构建过程和公式，仅说明组合构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[6] 6. **模型名称**：小盘均衡50组合模型[6] * **模型构建思路**：基于小盘风格，以长期稳健超额收益为目标构建Smart Beta组合[6] * **模型具体构建过程**：报告未提供具体构建过程和公式，仅说明组合构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[6] 模型的回测效果 1. **价值50组合模型**[7] * 周收益率：0.55%[7] * 周超额收益（相对国证价值）：0.40%[7] * 月收益率：5.41%[7] * 月超额收益（相对国证价值）：2.19%[7] * 年收益率：16.22%[7] * 年超额收益（相对国证价值）：8.24%[7] * 最大相对回撤：5.19%[7] 2. **价值均衡50组合模型**[7] * 周收益率：2.28%[7] * 周超额收益（相对国证价值）：2.13%[7] * 月收益率：2.59%[7] * 月超额收益（相对国证价值）：-0.64%[7] * 年收益率：23.60%[7] * 年超额收益（相对国证价值）：15.62%[7] * 最大相对回撤：4.88%[7] 3. **成长50组合模型**[7] * 周收益率：0.08%[7] * 周超额收益（相对国证成长）：-0.06%[7] * 月收益率：-3.18%[7] * 月超额收益（相对国证成长）：-1.62%[7] * 年收益率：26.74%[7] * 年超额收益（相对国证成长）：-1.86%[7] * 最大相对回撤：8.59%[7] 4. **成长均衡50组合模型**[7] * 周收益率：1.52%[7] * 周超额收益（相对国证成长）：1.38%[7] * 月收益率：-1.75%[7] * 月超额收益（相对国证成长）：-0.20%[7] * 年收益率：31.07%[7] * 年超额收益（相对国证成长）：2.47%[7] * 最大相对回撤：12.15%[7] 5. **小盘50组合模型**[7] * 周收益率：-0.21%[7] * 周超额收益（相对国证2000）：-1.39%[7] * 月收益率：4.44%[7] * 月超额收益（相对国证2000）：4.88%[7] * 年收益率：45.27%[7] * 年超额收益（相对国证2000）：16.07%[7] * 最大相对回撤：10.89%[7] 6. **小盘均衡50组合模型**[7] * 周收益率：-0.50%[7] * 周超额收益（相对国证2000）：-1.68%[7] * 月收益率：0.78%[7] * 月超额收益（相对国证2000）：1.23%[7] * 年收益率：41.50%[7] * 年超额收益（相对国证2000）：12.30%[7] * 最大相对回撤：4.56%[7] 量化因子与构建方式 （报告未提及具体的底层量化因子及其构建细节[1][2][3][4][5][6][7]） 因子的回测效果 （报告未提供具体因子的测试结果[1][2][3][4][5][6][7]）

根据研报内容，以下是关于量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：股指期现套利模型**[43] * **模型构建思路**：当股指期货的市场价格偏离其理论价格时，通过在期货和现货市场上进行低买高卖并持有至基差收敛来获取无风险收益[43] * **模型具体构建过程**：模型主要分为正向套利和反向套利两种策略[43] * **正向套利**：当现货被低估而期货被高估时，卖出期货合约并买入现货[43] 其套利收益率计算公式为： $$P={\frac{(F_{\mathrm{t}}-S_{\mathrm{t}})-(S_{\mathrm{t}}+F_{\mathrm{t}}M_{\mathrm{f}})(1+r_{\mathrm{f}})^{\frac{T-t}{360}}-S_{\mathrm{t}}C s-F_{\mathrm{t}}C f)}{S_{\mathrm{t}}+F_{\mathrm{t}}M_{\mathrm{f}}}}$$ 其中，\(S_t\) 和 \(F_t\) 分别为现货与期货在 t 时刻的价格，\(M_f\) 和 \(M_l\) 分别为期货与融券的保证金比率，\(C_s\) 和 \(C_f\) 分别为现货与期货的交易费用比率，\(r_f\) 为无风险利率[43] * **反向套利**：当现货被高估而期货被低估时，买入期货合约并卖出现货[43] 其套利收益率计算公式为： $$P={\frac{(S_{t}-F_{t})-(S_{t}M l+F_{t}M_{f})(1+r_{f})^{\frac{T-t}{360}}-S_{t}C s-F_{t}C f-S_{t}r^{\frac{T-t}{l360}})}{S_{t}M l+F_{t}M_{f}}}$$ 其中，\(r_l\) 为融券年利率[43] * **模型评价**：套利交易存在保证金追加风险、基差不收敛风险、股利风险、现货跟踪误差风险及流动性风险等[44] 2. **因子名称：分红调整基差率**[45] * **因子构建思路**：指数成分股分红会使价格指数回落，并在股指期货价格上造成“额外贴水”，通过对未来分红点位的预测来修正基差率，以更真实地反映市场基差水平[45] * **因子具体构建过程**：该因子的核心是对指数分红点位的预测，具体预测方法如下[45]： * **预测方法**：对于已实施或已公布分红预案的成分股，按实际或预案计算；对于未公布分红预案的成分股，使用公式：预测分红 = EPS × 预测派息率[45] * **EPS取值**：在预测时间t，若t小于10月（上年度分红未结束），使用上年度数据预测（取年报披露的EPS，若未披露则取上年末的EPS_TTM）；若t大于10月（预测明年分红），则取t时间的EPS_TTM[46] * **预测派息率取值**：对于过去三年稳定派息的公司，取过去三年派息率均值；对于稳定派息不足三年但持续盈利的公司，取上一年度派息率；对于过去一年未盈利、正在资产重组、上市不足一年且无分红预告的公司，认为其不分红（派息率为0）[48] * **分红点位计算**：最终计算每个合约期内分红对指数点位的具体影响，公式为： 分红点位 = ∑（每股分红 × 指数收盘价 × 成分股权重 / 成分股收盘价） = ∑（EPS × 预测派息率 × 指数收盘价 × 成分股权重 / 成分股收盘价）[49] * **因子计算**：在得到预测的分红点位后，用于调整主力合约基差率，得到“分红调整基差率”[19] 模型的回测效果 *（注：研报中未提供股指期现套利模型的具体回测指标数值）* 因子的回测效果 1. **分红调整基差率因子**[19] * 截至报告期末，IF主力合约基差率为-0.200%，分红调整后基差率为0.059%[19] * 截至报告期末，IC主力合约基差率为-1.209%，分红调整后基差率为-1.087%[19] * 截至报告期末，IH主力合约基差率为0.121%，分红调整后基差率为0.186%[19] * 截至报告期末，IM主力合约基差率为-1.845%，分红调整后基差率为-1.704%[19] * 未来一年分红对指数点位的预测影响为：IF指数78.97点，IC指数85.28点，IH指数70.12点，IM指数64.84点[13][35]

根据研报内容，现对其中涉及的量化模型与因子进行总结如下： 量化模型与构建方式 1. **模型名称：量化大势研判行业配置模型**[1][5] * **模型构建思路：** 该模型旨在解决风格系统化轮动难题，采用自下而上的分析框架。其核心思想是，风格是资产的内在属性，内嵌于产业生命周期中。通过全局比较不同风格资产的优势，来确定未来市场的主流风格。[1][5] * **模型具体构建过程：** * **风格定义：** 根据产业周期，将权益资产划分为五种风格阶段：外延成长、质量成长、质量红利、价值红利、破产价值。[5] * **资产比较优先级：** 遵循 g > ROE > D 的基本优先级进行考察。首先分析“有没有（好资产）”，即资产的基本面优势；其次分析“（好资产）贵不贵”，即资产的估值水平。[1][5][9] * **主流与次级资产划分：** 主流资产包括实际增速资产 (g)、预期增速资产 (gf)、盈利资产 (ROE)。只要其中之一具备优势，市场资金就会优先配置。只有当主流资产均无机会时，才会考虑次级资产（质量红利、价值红利、破产价值），次级资产的优先级主要由拥挤度决定。[9] * **优势差计算：** 用于刻画头部资产的趋势变化，计算方法类似于因子择时中的 Spread。具体而言，是计算某风格下头部资产组（如Top组）与尾部资产组（如Bottom组）在某项核心指标（如增长率g、ROE）上的差异或变化差异（如Δg, Δgf）。[21][25][27] * **具体策略选择：** * **预期成长策略：** 选取分析师预期增速 (gf) 最高的行业。[35] * **实际成长策略：** 选取超预期或业绩动量 (Δg) 最高的行业，具体使用因子：sue (标准化意外盈余)、sur (营收惊喜)、jor (盈余跳跃比率)。[37] * **盈利能力策略：** 在高质量成长和高质量红利资产中，选取低估值行业。具体采用 PB-ROE 回归残差因子，即寻找ROE较高但PB相对其ROE水平较低的行业。[40] * **质量红利策略：** 选取股息率 (DP) 和净资产收益率 (ROE) 综合打分最高的行业。[43] * **价值红利策略：** 选取股息率 (DP) 和市净率 (BP) 综合打分最高的行业。[46] * **破产价值策略：** 选取市净率 (PB) 和规模 (SIZE) 综合打分最低的行业。[49] 2. **因子名称：资产优势差 (例如 Δg, Δgf)**[21][25][27] * **因子构建思路：** 用于度量某风格下头部资产与尾部资产在关键基本面指标上的表现差异，以判断该风格的趋势强弱。[21][25][27] * **因子具体构建过程：** 报告未给出精确的计算公式，但说明其计算类似于因子择时中的 Spread 方法。通常，优势差可以理解为某一时刻，头部组合（如前30%）的指标均值与尾部组合（如后30%）的指标均值之差，或者是这种差值的时间序列变化（如Δ优势差）。[21][25][27] 3. **因子名称：拥挤度**[27][30][31] * **因子构建思路：** 用于衡量某一风格或因子交易的热门程度，高拥挤度可能预示未来收益回落的风险。[27][30][31] * **因子具体构建过程：** 报告未给出具体的构建公式，但提及了“Beta因子暴露”作为衡量ROE资产拥挤度的指标之一。[30][34] 常见的拥挤度度量方法包括估值分位数、换手率、资金流向集中度等。 模型的回测效果 1. **量化大势研判行业配置模型**[16][19] * 年化收益：27.35% (2009年以来)[16] * 相对于万得全A的超额收益：参见下表（具体年份表现）[19] 2. **预期成长策略**[35] * 历史表现：2019年以来超额显著，2014-2015年期间也有较高超额。[35] 3. **实际成长策略**[37] * 历史表现：长期超额都较为显著，在成长风格占优环境下表现更好。[37] 4. **盈利能力策略**[40] * 历史表现：2016年-2020年超额较为显著，2021年以来持续较弱。[40] 5. **质量红利策略**[43] * 历史表现：2016年、2017年、2023年超额较为显著。[43] 6. **价值红利策略**[46] * 历史表现：2009年、2017年、2021-2023年超额较为显著。[46] 7. **破产价值策略**[49] * 历史表现：2015-2016年、2021-2023年超额较为显著。[49] 量化因子与构建方式 1. **因子名称：分析师预期净利润增速 (g_fttm)**[21][23] * **因子构建思路：** 基于分析师对未来十二个月净利润的预测来计算增长率，反映市场对公司的增长预期。[21][23] * **因子具体构建过程：** 报告未给出具体公式。通常，g_fttm = (未来12个月预测净利润均值 / 当前财政年度实际或预测净利润) - 1。[21][23] 2. **因子名称：净利润增速 (g_ttm)**[25][27] * **因子构建思路：** 使用过去十二个月（Trailing Twelve Months）的净利润计算增长率，反映公司近期的实际增长情况。[25][27] * **因子具体构建过程：** 报告未给出具体公式。通常，g_ttm = (当前TTM净利润 / 上一期TTM净利润) - 1。[25][27] 3. **因子名称：净资产收益率 (ROE)**[27][29] * **因子构建思路：** 衡量公司利用股东权益创造利润的效率。[27][29] * **因子具体构建过程：** 报告未给出具体公式。通常，ROE = 净利润 / 平均股东权益。[27][29] 4. **因子名称：股息率 (DP)**[31][33] * **因子构建思路：** 衡量公司现金分红相对于股价的水平。[31][33] * **因子具体构建过程：** 报告未给出具体公式。通常，DP = 近12个月每股股利 / 当前股价。[31][33] 5. **因子名称：市净率 (PB/BP)**[40][46][49] * **因子构建思路：** 衡量股价相对于每股净资产的倍数。[40][46][49] * **因子具体构建过程：** 报告未给出具体公式。通常，PB = 股价 / 每股净资产。[40][46][49] 6. **因子名称：标准化意外盈余 (sue)**[37] * **因子构建思路：** 衡量公司实际公布的盈余与市场预期之间的差异，并经历史波动率标准化。[37] * **因子具体构建过程：** 报告未给出具体公式。 7. **因子名称：营收惊喜 (sur)**[37] * **因子构建思路：** 衡量公司实际公布的营收与市场预期之间的差异。[37] * **因子具体构建过程：** 报告未给出具体公式。 8. **因子名称：盈余跳跃比率 (jor)**[37] * **因子构建思路：** 可能用于衡量盈余变化的剧烈程度或持续性。[37] * **因子具体构建过程：** 报告未给出具体公式。 9. **因子名称：规模 (SIZE)**[49] * **因子构建思路：** 通常指公司的总市值，是重要的风格因子。[49] * **因子具体构建过程：** 报告未给出具体公式。通常为公司总股数乘以股价。[49] 因子的回测效果 *报告未提供单个因子的独立测试结果（如IC值、IR值等），因子效果主要体现在其构成的策略历史表现中。*

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：A股赔率模型**[7][10] * **模型构建思路**：通过计算权益风险溢价（ERP）和债务风险溢价（DRP）的标准化数值，等权合成A股市场的整体赔率指标[7][10] * **模型具体构建过程**：首先分别计算ERP和DRP，然后对这两个指标进行标准化处理，最后将标准化后的数值进行等权加总，得到A股赔率指标[10] 2. **模型名称：宏观胜率评分卡模型**[10] * **模型构建思路**：从货币、信用、增长、通胀和海外五个宏观因素出发，合成得到各大类资产的综合胜率[10][43] * **模型具体构建过程**：报告提及该模型在专题报告中详细设计，本报告未详述具体构建公式，但指出通过中国主权CDS等指标的变化来调整A股胜率[10] 3. **模型名称：债券赔率模型**[9][11] * **模型构建思路**：基于收益预测模型，根据长期和短期债券的预期收益差来构建债券资产的赔率指标[11] * **模型具体构建过程**：报告提及该模型在专题报告《利率债收益预测框架》中详细说明，本报告未详述具体构建公式[11] 4. **模型名称：美联储流动性指数模型**[16][18] * **模型构建思路**：结合数量维度和价格维度，综合构建反映美联储流动性状况的指数[18] * **模型具体构建过程**：报告提及该模型在专题报告《美联储流动性的量价解构与资产配置应用》中详细说明，本报告未详述具体构建公式，但指出指数由净流动性、联储信用支持、预期引导、市场隐含、公告意外等分项构成[17][18] 5. **模型名称：风格因子三标尺评价模型**[19][21][24][27][34] * **模型构建思路**：从赔率、趋势、拥挤度三个维度对风格因子进行综合评价和排名[19][21][24][27][34] * **模型具体构建过程**：对于每个风格因子，分别计算其赔率、趋势和拥挤度指标，并将这三个指标进行标准化（以标准差倍数表示），然后根据一定的规则或权重进行综合打分和排名[19][21][24][27][32][34] 6. **模型名称：行业轮动三标尺模型**[35][36][37] * **模型构建思路**：基于行业的景气度、趋势和拥挤度三个维度构建行业轮动策略[35][36][37] * **模型具体构建过程**：使用行业过去12个月的信息比率（IR）来刻画行业的动量和趋势；使用行业的换手率比率、波动率比率和beta比率来刻画行业的交易拥挤度；再结合景气度指标，对行业进行三维评价[35][36] 7. **模型名称：赔率增强型策略**[40][41] * **模型构建思路**：在目标波动率约束下，根据各资产的赔率指标，持续超配高赔率资产，低配低赔率资产，构建固收+增强策略[40] * **模型具体构建过程**：结合各资产的赔率指标，在目标波动率约束的条件下进行资产配置[40] 8. **模型名称：胜率增强型策略**[43][44] * **模型构建思路**：基于宏观胜率评分卡模型得到的各资产胜率评分，类似赔率增强型策略的构建方法，构建固收+增强策略[43] * **模型具体构建过程**：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，据此进行资产配置[43] 9. **模型名称：赔率+胜率增强型策略**[3][40][46] * **模型构建思路**：将赔率策略和胜率策略的风险预算进行结合，构建综合性的资产配置策略[3][40][46] * **模型具体构建过程**：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，据此构建策略[46] 模型的回测效果 1. **赔率增强型策略**[40][42] * 2011年以来年化收益6.7%，年化波动2.3%，最大回撤3.1%，夏普比率2.88[40][42] * 2014年以来年化收益7.5%，年化波动2.2%，最大回撤2.8%，夏普比率3.36[40][42] * 2019年以来年化收益7.0%，年化波动2.2%，最大回撤2.8%，夏普比率3.14[40][42] 2. **胜率增强型策略**[43][45] * 2011年以来年化收益7.2%，年化波动2.4%，最大回撤3.4%，夏普比率3.03[43][45] * 2014年以来年化收益8.1%，年化波动2.3%，最大回撤2.2%，夏普比率3.47[43][45] * 2019年以来年化收益7.0%，年化波动2.2%，最大回撤1.5%，夏普比率3.20[43][45] 3. **赔率+胜率增强型策略**[3][46][48] * 2011年以来年化收益6.8%，年化波动2.3%，最大回撤2.9%，夏普比率2.94[3][46][48] * 2014年以来年化收益7.4%，年化波动2.2%，最大回撤2.3%，夏普比率3.33[3][46][48] * 2019年以来年化收益6.5%，年化波动2.1%，最大回撤2.3%，夏普比率3.02[3][46][48] 4. **行业轮动三标尺模型**[36] * 2011年以来超额收益11.9%，跟踪误差10.8%，最大回撤25.4%，信息比率（IR）1.11[36] * 2014年以来超额收益11.4%，跟踪误差11.5%，最大回撤25.4%，信息比率（IR）0.99[36] * 2019年以来超额收益8.9%，跟踪误差10.3%，最大回撤12.3%，信息比率（IR）0.86[36] 量化因子与构建方式 1. **因子名称：小盘因子**[19][20][34] * **因子构建思路**：通过中证2000指数与沪深300指数的比值或因子累计收益率来表征小盘风格的表现[19][20] * **因子评价**：当前呈现中等赔率-强趋势-低拥挤的特征，配置价值有所修复[19][34] 2. **因子名称：价值因子**[21][23][34] * **因子构建思路**：通过国证价值指数与国证1000指数的比值来表征价值风格的表现[21][23] * **因子评价**：当前呈现高赔率-中等趋势-低拥挤的特征，综合得分较高，建议重点关注[21][34] 3. **因子名称：质量因子**[24][26][34] * **因子构建思路**：通过因子累计收益率来表征质量风格的表现[24][26] * **因子评价**：当前呈现高赔率-弱趋势-中等拥挤的特征，配置价值相对较低，需等待右侧趋势确认[24][34] 4. **因子名称：成长因子**[27][29][34] * **因子构建思路**：通过国证成长指数与国证1000指数的比值来表征成长风格的表现[27][29] * **因子评价**：当前呈现中高赔率-中等趋势-高拥挤的特征，交易风险较高，建议保持谨慎[27][34] 5. **因子名称：低波因子**[30][32][34] * **因子构建思路**：报告提及了基于不同时间窗口（如3个月、12个月）的低波因子[30][32] * **因子评价**：当前低波风格在三标尺综合排名中位居前列，建议重点关注[34] 6. **因子名称：动量因子**[30][32][34] * **因子构建思路**：报告未详述具体构建方法，但将其作为风格因子之一进行分析[30][32] * **因子评价**：横截面来看拥挤度最高，交易风险较高[34] 7. **其他风格因子**[30][32] * **因子名称**：低市净率因子、高股息因子、低市盈率因子、EPS稳定性因子、净利润同比因子、净利润TTM同比因子、ROE因子、ROE_TTM因子、反转因子、低市销率因子、营收同比因子、营收TTM同比因子等[30][32] * **因子构建思路**：报告未详述这些因子的具体构建过程，但将其纳入风格因子三标尺分析框架中进行综合排名[30][32] 因子的回测效果 （报告中未提供单个因子独立的历史回测绩效指标，如IC、IR等，仅提供了当前时点的三标尺状态和综合排名）[19][21][24][27][32][34]

根据提供的ESG市场观察周报内容，经过全面梳理，报告主要涉及市场动态、政策事件和行业分类的追踪分析，并未包含具体的量化模型或量化因子的构建、测试及效果评价内容[1][2][3][4][5][7][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][33][34][35][36][37][39][40][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56] 报告的核心是对ESG相关的市场表现、政策动态和舆情事件进行周度观察与总结，属于市场评论和数据分析范畴，不具备量化投资策略中模型或因子研究的技术细节。

根据提供的金融工程日报内容，报告主要描述了市场表现、情绪和资金流向等市场监测指标，并未涉及具体的量化模型或量化因子的构建、测试与评价。报告内容属于市场数据统计和描述性分析范畴[2][3][4][6][7][10][13][16][18][21][22][25][28][30][32][35][36]。 因此，本总结中关于“量化模型与构建方式”及“量化因子与构建方式”的部分没有相关内容可提供。报告的核心内容是市场监测数据的展示。