量化模型与构建方式 1. 行业拥挤度监测模型 **模型名称**：行业拥挤度监测模型[3] **模型构建思路**：通过构建行业拥挤度监测模型，对申万一级行业指数的拥挤度进行每日监测[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. 溢价率Z-score模型 **模型名称**：溢价率Z-score模型[4] **模型构建思路**：根据溢价率Z-score模型搭建相关ETF产品筛选信号模型，通过滚动测算提供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 **模型评价**：需警惕标的回调风险[4] 量化因子与构建方式 1. 行业拥挤度因子 **因子名称**：行业拥挤度[3] **因子构建思路**：用于监测申万一级行业指数的拥挤程度[3] **因子具体构建过程**：报告未提供该因子的具体构建过程和公式 2. 溢价率Z-score因子 **因子名称**：溢价率Z-score[4] **因子构建思路**：用于识别ETF产品存在的潜在套利机会[4] **因子具体构建过程**：报告未提供该因子的具体构建过程和公式 模型的回测效果 报告未提供量化模型的具体测试结果取值 因子的回测效果 报告未提供量化因子的具体测试结果取值

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称**：网下打新收益测算模型[10][39][42][46] **模型构建思路**：通过理论测算方式，估算不同规模、不同类型的投资账户（A类/B类）参与网下打新所能获得的收益和收益率[10][39][42][46] **模型具体构建过程**： * 首先，计算单只股票的“满中收益”[38] * 满中数量 = 可申购上限额度 × 网下A类平均中签率[38] * 满中收益 = (首次开板价 - 首发价格) × 满中数量[38] * 其次，进行账户规模和类型的收益测算[39][42][46] * 假设条件：账户参与所有新股打新、科创板和创业板报价全部入围、资金配置一半沪市一半深市且股票满仓、按首次开板日均价卖出、在90%的资金使用效率下进行测算[39][42][46] * 对于不同规模账户（如1.5亿、2亿、3亿、5亿、10亿），根据其可申购上限额度和中签率，计算其实际可中签数量，再结合价差计算收益[39][41] * 将特定时间段内（如逐月）所有新股的打新收益相加，得到该时间段的总收益[42][46] * 打新收益率 = 总收益 / 账户规模[42][46] 模型的回测效果 1. **网下打新收益测算模型（A类账户）**[42][43][44][45] * **2024年至今累计打新收益率（所有板块）**：1.5亿账户7.02%，2亿账户6.37%，3亿账户5.04%，5亿账户3.46%，10亿账户1.96%[42] * **2025年至今累计打新收益率（所有板块）**：1.5亿账户2.92%，2亿账户2.65%，3亿账户2.11%，5亿账户1.51%，10亿账户0.96%[42] * **2025年至今累计打新收益率（科创板）**：1.5亿账户0.76%，2亿账户0.71%，3亿账户0.64%，5亿账户0.53%，10亿账户0.39%[43] * **2025年至今累计打新收益率（创业板）**：1.5亿账户1.40%，2亿账户1.24%，3亿账户0.91%，5亿账户0.58%，10亿账户0.31%[44] * **2025年至今累计打新收益率（主板）**：1.5亿账户0.75%，2亿账户0.69%，3亿账户0.56%，5亿账户0.40%，10亿账户0.26%[45] 2. **网下打新收益测算模型（B类账户）**[46][48][49][51] * **2024年至今累计打新收益率（所有板块）**：1.5亿账户5.61%，2亿账户5.15%，3亿账户4.10%，5亿账户2.81%，10亿账户1.55%[46] * **2025年至今累计打新收益率（所有板块）**：1.5亿账户2.46%，2亿账户2.23%，3亿账户1.75%，5亿账户1.22%，10亿账户0.73%[46] * **2025年至今累计打新收益率（科创板）**：1.5亿账户0.57%，2亿账户0.52%，3亿账户0.45%，5亿账户0.35%，10亿账户0.23%[50] * **2025年至今累计打新收益率（创业板）**：1.5亿账户1.23%，2亿账户1.10%，3亿账户0.81%，5亿账户0.51%，10亿账户0.27%[49] * **2025年至今累计打新收益率（主板）**：1.5亿账户0.66%，2亿账户0.61%，3亿账户0.50%，5亿账户0.36%，10亿账户0.23%[51] 量化因子与构建方式 1. **因子名称**：满中收益[38] **因子构建思路**：衡量单只新股在顶格申购且全部中签的理想情况下，能够带来的绝对收益金额[38] **因子具体构建过程**： * 满中数量 = 可申购上限额度 × 网下A类平均中签率[38] * 满中收益 = (首次开板价 - 首发价格) × 满中数量[38] * 其中，首次开板价使用首次开板日均价[38] 2. **因子名称**：上市首日涨幅[18][20] **因子构建思路**：衡量新股上市首日相对于发行价格的上涨幅度[18][20] **因子具体构建过程**：通过计算上市首日市场均价（或首次开板价）与发行价格的价差百分比得到[18][20] 因子的回测效果 1. **满中收益因子**[38][41] * 近两个月内新上市股票的满中收益大多位于5至100万元水平区间内，其中最高的为C奕材-U（98.18万元）、C禾元-U（78.03万元）、联合动力（50.81万元）[38][41] 2. **上市首日涨幅因子**[18][20] * 滚动跟踪近期20只新股，科创板个股上市首日平均涨幅为219.94%，创业板个股上市首日平均涨幅为244.28%[18][20]

根据研报内容，现总结如下： 量化模型与构建方式 1. **模型名称：扩散指数模型**[6] * **模型构建思路：** 该模型用于监测微盘股指数未来变盘的临界点，通过构建一个扩散指数来观察市场情绪和趋势[6][38] * **模型具体构建过程：** 模型构建了一个透视表，横轴代表未来N天后股价相对当前价格的涨跌幅度（例如从1.10代表上涨10%到0.90代表下跌10%），纵轴代表从当前时点（T=20）开始，回顾过去或展望未来的窗口期长度（T从20到10，对应未来N=0到10天）[38]。表格中的数值（如横轴0.95和纵轴15天对应的值0.28）表示，在特定未来时点（N=5天）和假设所有成分股都下跌5%的条件下，计算出的微盘股扩散指数值[38]。该指数基于万得微盘股指数的每日更新成分股进行计算[38]。 * **模型评价：** 报告指出该模型可用于监测未来扩散指数变盘的临界点[38] 2. **模型名称：首次阈值法（左侧交易）**[6][42] * **模型构建思路：** 作为扩散指数模型的一种交易应用，属于左侧交易策略，旨在较早捕捉交易信号[6][42] * **模型具体构建过程：** 当扩散指数数值达到预设的阈值时触发交易信号。具体地，该模型于2025年9月23日收盘时，因扩散指数收于0.0575而触发了开仓信号[6][42] 3. **模型名称：延迟阈值法（右侧交易）**[6][45] * **模型构建思路：** 作为扩散指数模型的另一种交易应用，属于右侧交易策略，旨在确认趋势后入场[6][45] * **模型具体构建过程：** 当扩散指数数值达到另一个预设的阈值时触发交易信号。具体地，该模型于2025年9月25日收盘时，因扩散指数收于0.1825而给予了开仓信号[6][45] 4. **模型名称：双均线法（自适应交易）**[6][46] * **模型构建思路：** 作为扩散指数模型的第三种交易应用，采用移动平均线进行自适应交易判断[6][46] * **模型具体构建过程：** 基于两条移动平均线的相互关系产生交易信号。具体地，该模型于2025年10月13日收盘时，发出了看多的信号[6][46] 模型的回测效果 1. **扩散指数模型**，当前扩散指数值0.78[38] 2. **首次阈值法**，触发开仓信号日期2025年9月23日[6][42] 3. **延迟阈值法**，触发开仓信号日期2025年9月25日[6][45] 4. **双均线法**，触发看多信号日期2025年10月13日[6][46] 量化因子与构建方式 1. **因子名称：股息率因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为0.199，历史平均为0.022[5][32] 2. **因子名称：pb倒数因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为0.112，历史平均为0.034[5][32] 3. **因子名称：非流动性因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为0.103，历史平均为0.04[5][32] 4. **因子名称：成长因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为0.019，历史平均为-0.003[5][32] 5. **因子名称：残差波动率因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为0.015，历史平均为-0.039[5][32] 6. **因子名称：成交额因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为-0.203，历史平均为-0.082[5][32] 7. **因子名称：10天自由流通市值换手率因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为-0.179，历史平均为-0.061[5][32] 8. **因子名称：10天总市值换手率因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为-0.162，历史平均为-0.06[5][32] 9. **因子名称：流动性因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为-0.15，历史平均为-0.041[5][32] 10. **因子名称：单季度净利润增速因子**[5][32] * **因子具体构建过程：** 报告展示了该因子在微盘股成分股内的周度RankIC值，本周为-0.118，历史平均为0.019[5][32] 11. **因子名称：小市值低波 50 策略**[8][16][34] * **因子构建思路：** 在微盘股成分股内，结合小市值和低波动两个特征来优选股票[8][16][34] * **因子具体构建过程：** 策略的具体构建过程为，从万得微盘股指数(8841431.WI)的成分股中，筛选出同时具备小市值和低波动特性的50只股票构成投资组合[8][16][34]。该策略每两周调仓一次[8][16][34] 因子的回测效果 1. **小市值低波 50 策略**，2024年收益7.07%，2024年超额收益（相对万得微盘股指数）-2.93%，2025年至今(YTD)收益70.08%，本周超额收益-1.02%[8][16][34]

量化模型与构建方式 1. 模型名称：DecompGRU模型 **模型构建思路**：在GRU基线模型的基础上，通过两个简单的去均值模块实现时序和截面的信息交互上的改进[18] **模型具体构建过程**：模型分别基于IC、加权MSE损失函数训练两个模型[18] 2. 模型名称：多头TOP组合 **模型构建思路**：基于DecompGRU模型得分构建周度多头选股组合[9] **模型具体构建过程**：等权持有集成打分最高的200只股票；每周首个交易日根据上周五收盘后更新的因子值进行周频调仓；选股范围为中证全指；买入时剔除涨跌停、停牌股票，不考虑交易成本；对比基准为WIND全A等权指数[9] 3. 模型名称：ETF轮动组合 **模型构建思路**：将端到端模型的个股得分聚合至ETF，构建ETF轮动组合[12] **模型具体构建过程**：ETF池限定在行业、主题型ETF；若多个ETF跟踪同一指数相同，则保留5日成交额均值最大的一只ETF；调仓时要求ETF最近5日的日均成交额大于2000万，最近20日日均成交额大于1000万；周度不定期调仓，每期持仓ETF数量在2-6只；对比基准为万得ETF指数[12] 模型的回测效果 1. 多头TOP组合 累计绝对收益41.11%，相对全A等权超额13.98%，最大回撤10.08%，周度胜率64.52%，月度胜率100%，10月绝对收益1.78%，10月超额-0.07%[11] 2. ETF轮动组合 累计绝对收益19.06%，相对基准超额-2.00%，最大回撤7.82%，周度胜率62.50%，月度胜率57.14%，10月绝对收益-2.04%，10月超额-1.18%[14][15] 量化因子与构建方式 1. 因子名称：个股总热度指标 **因子构建思路**：从行为的角度探讨在个股层面因有限注意力导致的过度定价与反应不足现象，使用同花顺基于用户行为数据得到的个股热度指标[19] **因子具体构建过程**：股票的浏览、自选与点击次数之和，以同一日在全市场占比的方式进行归一化，将归一化后的数值乘以10000，指标取值区间为[0,10000][19] **因子计算公式**：$$个股总热度 = \frac{浏览次数+自选次数+点击次数}{全市场总次数} \times 10000$$[19] 2. 因子名称：宽基热度变化率 **因子构建思路**：将全A样本按照主流宽基指数分组，对每组成分股总热度指标进行求和，计算周度热度变化率[20][22] **因子具体构建过程**：将全A样本按照沪深300、中证500、中证1000、中证2000以及"其他"来进行分组，对每一组中的成分股总热度指标进行求和处理，得到4个主流宽基指数的热度以及"其他"组热度，计算不同组股票周度热度变化率，并取MA2进行平滑处理[20][22] 3. 因子名称：行业热度变化率 **因子构建思路**：采用相同方法获得行业层面的热度，计算申万一级、二级行业热度的周度变化率MA2[31] **因子具体构建过程**：对每个申万一级、二级行业中的成分股总热度指标进行求和处理，计算每个行业热度的周度变化率，并取MA2进行平滑处理[31] 4. 因子名称：概念热度变化率 **因子构建思路**：采用相同方法获得概念层面的热度，计算每个概念热度的周度变化率[36] **因子具体构建过程**：对每个概念中的成分股总热度指标进行求和处理，计算每个概念热度的周度变化率[36] 因子的回测效果 1. 宽基热度动量组合 2017年来年化收益率8.74%，最大回撤23.5%，2025年组合收益为38.5%，对比基准宽基等权组合收益为32.9%[28] 2. 高热度概念+低热度个股组合 BOTTOM组年化收益15.71%，最大回撤28.89%，2025年来BOTTOM组收益42.1%[41] 3. 本周宽基热度变化率 热度变化率最大的为中证2000，相比上周提高1.55%，最小的为沪深300，相比上周降低2.03%[28][30] 4. 本周行业热度变化率 一级行业中正向变化前5的行业分别为石油石化(提高48.6%)、综合、农林牧渔、建筑材料、煤炭，负向变化前5的行业分别为食品饮料、银行、纺织服饰、商贸零售、有色金属(降低-14.2%)；二级行业中热度正向变化率最大的5个行业是油服工程、航天装备Ⅱ、冶钢原料、文娱用品、元件[35] 5. 本周概念热度变化率 热度变化最大的5个概念为科创次新股(360.2%)、中韩自贸区(183.3%)、青蒿素(82.8%)、家庭医生(74.1%)、云办公(72.7%)[35][36][44]

根据研报内容，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：攻守兼备红利50组合**[13] * **模型构建思路**：该模型属于红利系列主动量化产品，旨在通过主动量化方法构建一个兼具防御性和成长性的红利投资组合[13] * **模型具体构建过程**：研报未详细说明该组合的具体选股因子和权重配置方法，仅提及其为红利系列产品之一，并具有“攻守兼备”的特性[13] 2. **模型名称：央国企高分红30组合**[13] * **模型构建思路**：该模型同样属于红利系列主动量化产品，聚焦于中央企业和国有企业，风格偏向“稳健+成长”，旨在从央国企中筛选高分红股票[13] * **模型具体构建过程**：研报未详细说明该组合的具体选股因子和权重配置方法，仅提及其为红利系列产品之一，并聚焦央国企高分红标的[13] 3. **模型名称：电子均衡配置增强组合**[13] * **模型构建思路**：该模型属于行业增强系列，聚焦电子板块，旨在通过量化方法对电子行业进行均衡配置，以获取超越基准的超额收益[13] * **模型具体构建过程**：研报未详细说明该组合的具体选股因子和权重配置方法[13] 4. **模型名称：电子板块优选增强组合**[13] * **模型构建思路**：该模型属于行业增强系列，聚焦电子板块，特别关注迈入成熟期的细分赛道龙头企业，旨在通过优选个股实现增强效果[13] * **模型具体构建过程**：研报未详细说明该组合的具体选股因子和权重配置方法，仅提及其聚焦于成熟期细分赛道的龙头企业[13] 模型的回测效果 1. **攻守兼备红利50组合**： * 2025年初以来相对中证红利全收益超额约7.35%[20] * 在全部红利类基金产品中绝对收益分位约32%[20] * 报告期内（2025年10月27日至10月31日）周度超额收益约0.85%（相对于中证红利全收益）[20] 2. **电子板块优选增强组合**： * 报告期内（2025年10月27日至10月31日）周度超额收益约0.42%[30] * 周度收益跑赢主动科技型基金产品中位数[30] （注：研报中未提供央国企高分红30组合和电子均衡配置增强组合在报告期内的具体回测指标取值[13]） 量化因子与构建方式 （研报中未详细提及具体的底层量化因子及其构建过程[1][5][6][12][13]） 因子的回测效果 （研报中未涉及具体因子的测试结果[1][5][6][12][13]）

根据研报内容，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. Barra风格因子 **因子名称**：Beta[15] **因子构建思路**：衡量股票相对于市场的系统性风险[15] **因子具体构建过程**：使用历史beta值[15] **因子名称**：市值[15] **因子构建思路**：衡量公司规模大小[15] **因子具体构建过程**：总市值取自然对数[15] **因子名称**：动量[15] **因子构建思路**：衡量股票价格趋势[15] **因子具体构建过程**：使用历史超额收益率序列均值[15] **因子名称**：波动[15] **因子构建思路**：衡量股票价格波动性[15] **因子具体构建过程**：采用复合波动率计算方式： $$0.74 \times 历史超额收益率序列波动率 + 0.16 \times 累积超额收益率离差 + 0.1 \times 历史残差收益率序列波动率$$[15] **因子名称**：非线性市值[15] **因子构建思路**：捕捉市值风格的非线性效应[15] **因子具体构建过程**：市值风格的三次方[15] **因子名称**：估值[15] **因子构建思路**：衡量股票估值水平[15] **因子具体构建过程**：使用市净率倒数[15] **因子名称**：流动性[15] **因子构建思路**：衡量股票交易活跃度[15] **因子具体构建过程**：采用复合换手率计算方式： $$0.35 \times 月换手率 + 0.35 \times 季换手率 + 0.3 \times 年换手率$$[15] **因子名称**：盈利[15] **因子构建思路**：衡量公司盈利能力[15] **因子具体构建过程**：采用复合盈利指标计算方式： $$0.68 \times 分析师预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率ttm倒数$$[15] **因子名称**：成长[15] **因子构建思路**：衡量公司成长性[15] **因子具体构建过程**：采用复合增长指标计算方式： $$0.18 \times 分析师预测长期盈利增长率 + 0.11 \times 分析师预测短期利率增长率 + 0.24 \times 盈利增长率 + 0.47 \times 营业收入增长率$$[15] **因子名称**：杠杆[15] **因子构建思路**：衡量公司财务杠杆水平[15] **因子具体构建过程**：采用复合杠杆指标计算方式： $$0.38 \times 市场杠杆率 + 0.35 \times 账面杠杆 + 0.27 \times 资产负债率$$[15] 2. GRU模型因子 **因子名称**：open1d模型[31] **因子构建思路**：基于GRU神经网络模型构建的预测因子[31] **因子具体构建过程**：使用开盘价相关数据训练的GRU模型[31] **因子名称**：close1d模型[31] **因子构建思路**：基于GRU神经网络模型构建的预测因子[31] **因子具体构建过程**：使用收盘价相关数据训练的GRU模型[31] **因子名称**：barra1d模型[31] **因子构建思路**：基于GRU神经网络模型构建的预测因子[31] **因子具体构建过程**：结合Barra因子体系训练的GRU模型[31] **因子名称**：barra5d模型[31] **因子构建思路**：基于GRU神经网络模型构建的预测因子[31] **因子具体构建过程**：使用5日Barra因子数据训练的GRU模型[31] 3. 基本面因子 **因子名称**：EOI、营业利润率、roc增长、净利润超预期增长、营业周转率、roc、营业利润率超预期增长、roa增长、市盈率、市销率、roa超预期增长、营业利润率增长、roc超预期增长等[22][27] **因子构建思路**：基于公司财务数据构建的基本面分析因子[22][27] **因子具体构建过程**：使用TTM方式计算的财务指标，包括盈利能力、成长性、估值等多个维度[18][22][27] 4. 技术类因子 **因子名称**：中位数离差、20日波动、60日波动、120日波动、20日动量、60日动量、120日动量等[23][30] **因子构建思路**：基于价格和成交量数据构建的技术分析因子[23][30] **因子具体构建过程**：包括波动率指标、动量指标等技术分析工具[23][30] 因子的回测效果 Barra风格因子多空收益表现[17] | 因子名称 | 近一周 | 近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | |---------|--------|--------|----------|----------|----------|----------| | 估值 | -1.53% | 2.56% | 6.97% | 7.62% | 4.47% | 15.96% | | 盈利 | -1.31% | 1.21% | -12.53% | 15.60% | 4.49% | - | | 杠杆 | -0.83% | 0.41% | 8.61% | -18.33% | 7.88% | 2.32% | | 成长 | 0.21% | 2.10% | 1.90% | 1.10% | 9.48% | 4.22% | | 动量 | 0.11% | 3.42% | -17.53% | 11.80% | -17.59% | 16.54% | | beta | 0.32% | -5.29% | 16.73% | 31.34% | 12.64% | 10.65% | | 市值 | 0.64% | 5.55% | -16.22% | -39.20% | 41.75% | -34.68% | | 非线性市值 | 0.74% | 5.34% | 15.45% | -34.19% | -39.26% | -30.81% | | 波动 | 0.92% | 1.81% | 8.30% | 4.26% | 7.81% | -11.12% | | 流动性 | 1.39% | -3.93% | 1.89% | -7.22% | -18.82% | - | GRU因子多空收益表现[31] | 因子名称 | 近一周 | 近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | |---------|--------|--------|----------|----------|----------|----------| | open1d | -0.82% | 2.91% | -1.74% | 1.97% | 28.99% | 32.74% | | barra1d | -0.45% | 1.01% | -3.63% | -5.48% | 23.03% | 29.56% | | barra5d | 1.23% | 2.17% | -2.41% | 1.92% | 24.96% | 34.35% | | close1d | 2.88% | 5.96% | 12.45% | 23.23% | 47.28% | 49.47% | 多头组合超额收益表现[34] | 策略因子名称 | 近一周 | 近一月 | 近三月 | 近六月 | 今年以来 | |-------------|--------|--------|--------|--------|----------| | open1d | -0.44% | 1.49% | -1.50% | 1.39% | 5.69% | | close1d | -0.04% | 2.72% | -3.57% | 1.21% | 2.88% | | barra1d | -0.28% | -0.31% | 1.62% | 2.28% | 5.07% | | barra5d | -0.09% | 3.93% | -2.10% | 1.82% | 5.81% | | 多因子 | -0.95% | 1.83% | -1.83% | -0.19% | 0.91% | 模型测试参数[32] **选股池**：万得全A，剔除st、*st、停牌不可交易、以及上市不满180日的股票 **业绩比较基准**：中证1000指数 **调仓频率**：月度 **手续费**：双边千3 **权重配置**：个股权重上限千2 **风格偏离**：0.5标准差 **行业偏离**：0.01

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：券商金股业绩增强组合**[39][42] * **模型构建思路**：基于券商金股股票池能够较好地跟踪偏股混合型基金指数表现的特征，通过多因子模型在该股票池中进行优选，旨在构建一个能够稳定战胜偏股混合型基金指数的投资组合[12][42] * **模型具体构建过程**：模型以券商金股股票池为选股空间和约束基准，采用组合优化的方式控制组合与券商金股股票池在个股、风格上的偏离，并以全体公募基金的行业分布为行业配置基准，进行组合构建[42] 模型的回测效果 1. **券商金股业绩增强组合**：全样本区间（2018.1.2-2025.6.30）年化收益为19.34%，相对偏股混合型基金指数年化超额收益为14.38%[46]；2025年本月（20251009-20251031）绝对收益-0.77%，相对偏股混合型基金指数超额收益1.37%[5][41]；2025年本年（20250102-20251031）绝对收益35.08%，相对偏股混合型基金指数超额收益2.61%[5][41] 量化因子与构建方式 1. **因子名称：总市值**[3][29] * **因子表现**：最近一个月及今年以来在券商金股股票池中表现较好[3][29] 2. **因子名称：单季度超预期幅度**[3][29] * **因子表现**：最近一个月在券商金股股票池中表现较好[3][29] 3. **因子名称：波动率**[3][29] * **因子表现**：最近一个月在券商金股股票池中表现较好，但今年以来表现较差[3][29] 4. **因子名称：剥离涨停动量**[3][29] * **因子表现**：最近一个月在券商金股股票池中表现较差[3][29] 5. **因子名称：单季度ROE**[3][29] * **因子表现**：最近一个月在券商金股股票池中表现较差[3][29] 6. **因子名称：EPTTM**[3][29] * **因子表现**：最近一个月及今年以来在券商金股股票池中表现较差[3][29] 7. **因子名称：单季度营收增速**[3][29] * **因子表现**：今年以来在券商金股股票池中表现较好[3][29] 8. **因子名称：分析师净上调幅度**[3][29] * **因子表现**：今年以来在券商金股股票池中表现较好[3][29] 9. **因子名称：预期股息率**[3][29] * **因子表现**：今年以来在券商金股股票池中表现较差[3][29] 因子的回测效果 （报告中未提供具体因子分组的回测指标数值，仅提供了定性表现排序）

根据研报内容，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. 大小盘轮动模型 **模型构建思路**：从赔率和胜率两个视角，基于多层次数据形成大小盘轮动的量化配置方案[1][4] **模型具体构建过程**： 1. **赔率部分构建**： - 赔率定义：一段收益率序列的赔率等于平均正收益/平均负收益的绝对值 - 赔率计算公式：$$\mathbb{R}_{\mathbb{B}}^{\pm}\,\mathbb{R}=-\frac{\sum_{i=1}^{n}return_{i}\,/n}{\sum_{j=1}^{m}return_{j}\,/m}$$[30] - 估值差计算：$$diff_{t}=\sum_{i}^{m}BP_{i,t}\,/m-\sum_{i}^{n}BP_{i},t\,/n$$[32] - 相对估值水平：$$diff'=\frac{diff_{t}}{\sum_{i}^{z}BP_{i,t}\,/z}$$[32] - 历史分位数：$$Q=\frac{rank\,\,\,(\,diff'\,\,)}{T}$$[32] 2. **胜率部分构建**：采用多指标打分法，从经济面、市场面、微观面和日历效应四个层次构建轮动指标[4][40] 3. **配置权重计算**：利用凯利公式结合赔率和胜率，计算最优配置权重[77] - 资金增长率公式：$$R(x)=(1+x*b)^{n p}(1-x)^{n(1-p)}$$[77] - 最优配置解：$$x =\frac{p*b-(1-p)}{b}$$[77] 2. 细分风格轮动模型 **模型构建思路**：结合大小盘模型信号和成长价值模型信号，构建细分风格轮动策略[1][87] **模型具体构建过程**： - 当大小盘模型指向大盘，成长价值模型指向成长时，发出大盘成长占优信号[87] - 形成大盘成长、大盘价值、小盘成长、小盘价值四个象限的轮动配置[88] 量化因子与构建方式 1. Shibor因子 **因子构建思路**：流动性宽松时小盘股受益，紧缩时大盘股防御性更强[42] **因子具体构建过程**：计算最新Shibor利率在过去一年以来的历史分位数，当分位数大于50%时指向大盘股，反之指向小盘股[42] 2. 短期期限利差因子 **因子构建思路**：期限利差扩大说明未来货币政策可能收紧，不利于中小市值企业[47] **因子具体构建过程**：期限利差=1年期中短期票据收益率-7天中短期票据收益率，计算20日利差均值-250日利差均值，若大于0发出大盘占优信号[47] 3. 市场趋势因子 **因子构建思路**：市场活跃时小盘风格收益弹性更高，市场低迷时大盘风格更具配置价值[51] **因子具体构建过程**：当中证全指5日均线大于20日均线且近20日成交量大于近250日成交量时，发出小盘占优信号；反之发出大盘占优信号[51] 4. 市场波动因子 **因子构建思路**：窄幅调整期间小盘股缺少收益波动空间，大盘股通过分红形成稳健回报[54] **因子具体构建过程**：市场波动率=近20日中证全指收益率标准差，当最近20日市场波动率小于近3年波动率均值时，发出大盘占优信号[54] 5. 风格动量因子 **因子构建思路**：风格收益率呈现出"动量效应"，强者恒强[57] **因子具体构建过程**：比较沪深300和中证2000指数过去四周的收益率，收益率更高的风格发出占优信号[57] 6. 风格拥挤度因子 **因子构建思路**：风格交易拥挤可能导致收益崩溃，需要警惕过热风险[60] **因子具体构建过程**：计算市值最大20%个股近20日成交量在过去三年历史分位数作为大盘拥挤指标，大于0.75时发出小盘占优；计算市值最小20%个股相应指标，大于0.75时发出大盘占优[60] 7. 月历效应因子 **因子构建思路**：周期性事件驱动形成的月度风格效应，如财报季、春节效应等[63] **因子具体构建过程**：计算次周所在自然月在历史年份中沪深300战胜中证2000的胜率，当胜率大于50%时发出大盘占优信号[66] 8. 复合胜率信号因子 **因子构建思路**：将多个明细指标结果合成为相对稳健有效的胜率信号[72] **因子具体构建过程**：当明细指标指向大盘时记1分，指向小盘时记0分，不明确时记0.5分，取得分均值作为复合胜率信号[72] 模型的回测效果 1. 大小盘轮动策略（完全切换） - 年化收益：23.70%[79] - 年化超额收益：20.57%[79] - 年化波动：23.03%[79] - 最大回撤：25.25%[79] - 夏普比率：1.03[79] - 信息比率(IR)：2.27[79] - 收益回撤比：0.94[79] 2. 大小盘加权策略（权重调整） - 年化收益：13.69%[84] - 年化超额收益：10.94%[84] - 年化波动：22.02%[84] - 最大回撤：29.17%[84] - 夏普比率：0.62[84] - 信息比率(IR)：2.47[84] - 收益回撤比：0.47[84] 3. 细分风格轮动模型 - 年化收益：35.91%[92] - 年化超额收益：32.86%[92] - 年化波动：23.97%[92] - 最大回撤：23.37%[92] - 夏普比率：1.50[92] - 信息比率(IR)：3.11[92] - 收益回撤比：1.54[92] 因子的回测效果 1. Shibor因子 - 年化超额收益：11.46%[43] - 最大回撤：35.26%[43] - 夏普比率：0.59[43] 2. 短期期限利差因子 - 年化超额收益：7.41%[48] - 最大回撤：43.45%[48] - 夏普比率：0.42[48] 3. 市场趋势因子 - 年化超额收益：3.52%[52] - 最大回撤：39.86%[52] - 夏普比率：0.28[52] 4. 市场波动因子 - 年化超额收益：13.18%[55] - 最大回撤：30.28%[55] - 夏普比率：0.67[55] 5. 风格动量因子 - 年化超额收益：8.16%[58] - 最大回撤：31.31%[58] - 夏普比率：0.50[58] 6. 风格拥挤度因子 - 年化超额收益：6.63%[61] - 最大回撤：38.66%[61] - 夏普比率：0.40[61] 7. 月历效应因子 - 年化超额收益：4.73%[67] - 最大回撤：45.83%[67] - 夏普比率：0.29[67] 8. 复合胜率信号因子 - 年化超额收益：19.72%[73] - 最大回撤：28.65%[73] - 夏普比率：0.98[73] - 信息比率(IR)：2.17[73]

根据提供的金融工程市场跟踪周报，以下是关于报告中涉及的量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：量能择时模型**[24] * **模型构建思路**：通过分析市场交易量能的变化来判断市场未来的多空方向[24] * **模型具体构建过程**：报告未详细描述该模型的具体构建步骤和公式，仅给出了基于该模型的择时信号观点[24] 2. **模型名称：沪深300上涨家数占比情绪指标**[25] * **模型构建思路**：通过计算指数成分股中近期取得正收益的股票数量占比，来捕捉市场情绪的变化，认为正收益股票增多可能预示行情见底，而大部分股票为正收益时则可能情绪过热[25] * **模型具体构建过程**： 指标计算公式为： $$沪深300指数N日上涨家数占比 = \frac{沪深300指数成分股过去N日收益大于0的个股数}{沪深300指数成分股总数} \times 100\%$$ [25] 其中，N为设定的回顾期窗口[25] 3. **模型名称：动量情绪指标择时模型**[28] * **模型构建思路**：对“沪深300上涨家数占比情绪指标”进行不同窗口期的平滑处理，通过比较快慢线的相对位置来判断市场情绪的动向并生成交易信号[28] * **模型具体构建过程**： 1. 计算沪深300指数N日上涨家数占比[28] 2. 分别对该指标进行窗口期为N1和N2的移动平均，得到慢线和快线，其中N1 > N2（报告中示例参数N1=50, N2=35）[28] 3. 当快线大于慢线时，认为市场情绪上行，生成看多信号；当快线小于慢线时，认为市场情绪下行，对市场持中性态度[28] 4. **模型名称：均线情绪指标**[32] * **模型构建思路**：利用一组均线系统（八均线）来判断沪深300指数的趋势状态，并将趋势状态量化为情绪指标值，进而用于择时[32] * **模型具体构建过程**： 1. 计算沪深300指数收盘价的八条移动平均线，参数分别为8, 13, 21, 34, 55, 89, 144, 233[32] 2. 统计当日沪深300指数收盘价位于这八条均线之上的数量[32] 3. 根据该数量赋值情绪指标：当数量超过5时，看多沪深300指数[32] 5. **因子名称：横截面波动率**[34] * **因子构建思路**：计算特定指数（如沪深300、中证500、中证1000）成分股在横截面上的收益率标准差，用以衡量市场分化程度和选股Alpha机会[34] * **因子具体构建过程**：报告未提供具体的计算公式，但指出该因子用于观察市场赚钱效应和Alpha环境[34] 6. **因子名称：时间序列波动率**[42] * **因子构建思路**：计算指数成分股收益率在时间序列上的波动率，用以评估市场的整体波动水平和Alpha环境[42] * **因子具体构建过程**：报告未提供具体的计算公式，但将其作为观察市场赚钱效应的另一个维度[42] 7. **因子名称：基金抱团分离度**[85] * **因子构建思路**：通过计算抱团基金组合截面收益率的标准差，来度量基金抱团的程度，标准差小表示抱团度高，反之则表示抱团瓦解[85] * **因子具体构建过程**：报告描述了思路，即抱团基金截面收益的标准差作为代理变量，但未给出具体的构建公式[85] 模型的回测效果 （报告中未提供上述量化模型的明确回测绩效指标，如年化收益率、夏普比率等） 因子的回测效果 1. **横截面波动率因子**[42][45] * **近两年平均值**：沪深300为1.90%，中证500为2.08%，中证1000为2.28%[42] * **近一年平均值**：沪深300为1.91%，中证500为2.16%，中证1000为2.44%[42] * **近半年平均值**：沪深300为1.92%，中证500为2.10%，中证1000为2.34%[42] * **近一季度平均值**：沪深300为2.21%，中证500为2.40%，中证1000为2.58%[42] * **近一季度平均值占近两年分位**：沪深300为80.33%，中证500为75.40%，中证1000为76.10%[42] * **近一季度平均值占近一年分位**：沪深300为79.09%，中证500为74.60%，中证1000为70.12%[42] * **近一季度平均值占近半年分位**：沪深300为77.64%，中证500为78.57%，中证1000为66.93%[42] 2. **时间序列波动率因子**[45] * **近两年平均值**：沪深300为0.65%，中证500为0.47%，中证1000为0.26%[45] * **近一年平均值**：沪深300为0.63%，中证500为0.46%，中证1000为0.26%[45] * **近半年平均值**：沪深300为0.60%，中证500为0.44%，中证1000为0.24%[45] * **近一季度平均值**：沪深300为0.72%，中证500为0.52%，中证1000为0.27%[45] * **近一季度平均值占近两年分位**：沪深300为74.95%，中证500为80.16%，中证1000为76.89%[45] * **近一季度平均值占近一年分位**：沪深300为73.91%，中证500为76.19%，中证1000为71.31%[45] * **近一季度平均值占近半年分位**：沪深300为68.32%，中证500为77.78%，中证1000为64.94%[45] 对模型或因子的评价 1. **沪深300上涨家数占比情绪指标**：该指标可以较快捕捉上涨机会；但在市场过热阶段提前止盈离场，会错失持续亢奋阶段的上涨收益；对下跌市场的判断存在缺陷，难以有效规避下跌风险[26]

根据提供的金融工程月报，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. 券商金股业绩增强组合模型 **模型构建思路**：该模型以券商金股股票池为选股空间，通过多因子方式优选个股，旨在构建能够稳定战胜偏股混合型基金指数的投资组合[12][42] **模型具体构建过程**： 1. 选股空间：每月汇总各家券商发布的金股，形成券商金股股票池[4][39] 2. 基准设定：以偏股混合型基金指数作为组合对标基准，以全体公募基金的行业分布为行业配置基准[42] 3. 组合构建：采用组合优化的方式控制组合与券商金股股票池在个股、风格上的偏离[42] 4. 仓位管理：根据主动股基最近一个报告期的权益仓位中位数确定组合仓位[19][39] 5. 调仓频率：每月第一个交易日进行调仓[19] **模型评价**：该模型能够较好地跟踪偏股混合型基金指数的表现，并在此基础上获得稳定超额收益[12][42] 2. 券商金股指数模型 **模型构建思路**：通过汇总券商推荐的金股构建指数，表征卖方分析师推荐股票池的整体表现[19] **模型具体构建过程**： 1. 股票池构建：每月初汇总券商金股并进行去重处理[4][19] 2. 加权方式：根据金股被券商推荐的家数进行加权[19] 3. 调仓机制：每月第一个交易日收盘价进行调仓[19] 4. 仓位调整：以主动股基权益仓位中位数作为指数仓位[19] 量化因子与构建方式 1. 总市值因子 **因子构建思路**：基于股票的总市值规模构建的规模因子[3][29] **因子评价**：最近一个月和今年以来在券商金股股票池中表现较好[3][29] 2. 单季度超预期幅度因子 **因子构建思路**：衡量公司业绩超出市场预期程度的因子[3][29] **因子评价**：最近一个月在券商金股股票池中表现较好[3][29] 3. 波动率因子 **因子构建思路**：衡量股票价格波动程度的风险因子[3][29] **因子评价**：最近一个月表现较好，但今年以来表现较差[3][29] 4. 剥离涨停动量因子 **因子构建思路**：剔除涨停影响后的动量效应因子[3][29] **因子评价**：最近一个月在券商金股股票池中表现较差[3][29] 5. 单季度ROE因子 **因子构建思路**：基于单季度净资产收益率的盈利能力因子[3][29] **因子评价**：最近一个月在券商金股股票池中表现较差[3][29] 6. EPTTM因子 **因子构建思路**：基于盈利价格比的估值因子[3][29] **因子评价**：最近一个月和今年以来在券商金股股票池中表现均较差[3][29] 7. 单季度营收增速因子 **因子构建思路**：衡量公司营业收入增长能力的成长因子[3][29] **因子评价**：今年以来在券商金股股票池中表现较好[3][29] 8. 分析师净上调幅度因子 **因子构建思路**：反映分析师盈利预测上调程度的预期因子[3][29] **因子评价**：今年以来在券商金股股票池中表现较好[3][29] 9. 预期股息率因子 **因子构建思路**：基于预期股息支付的收益因子[3][29] **因子评价**：今年以来在券商金股股票池中表现较差[3][29] 模型的回测效果 1. 券商金股业绩增强组合 - 本月绝对收益：-0.77%[5][41] - 本月相对偏股混合型基金指数超额收益：1.37%[5][41] - 本年绝对收益：35.08%[5][41] - 本年相对偏股混合型基金指数超额收益：2.61%[5][41] - 主动股基排名分位点：40.13%（412/3469）[5][41] - 全样本年化收益：19.34%[46] - 全样本相对偏股混合型基金指数年化超额收益：14.38%[46] 2. 券商金股指数 - 本月收益：-2.34%[22] - 本年收益：28.59%[22] - 相对偏股混合型基金指数本月收益：-2.14%[22] - 相对偏股混合型基金指数本年收益：32.47%[22] 因子的回测效果 报告中提供了因子在券商金股股票池中的表现情况，但未给出具体的数值指标，仅进行了相对表现的定性描述[3][29]