根据提供的金融工程日报内容，报告主要涉及市场表现、情绪指标和资金流向的监测，但未提及具体的量化模型或因子构建方法。以下是可提取的关键监测指标及计算方法： 市场情绪监测指标 1. **封板率** 构建思路：反映涨停股的稳定性[18] 计算公式： $$封板率=\frac{最高价涨停且收盘涨停股票数}{最高价涨停股票数}$$ 当前值：75%（较前日+2%）[18] 2. **连板率** 构建思路：衡量涨停股持续强度[18] 计算公式： $$连板率=\frac{连续两日收盘涨停股票数}{昨日收盘涨停股票数}$$ 当前值：35%（较前日+19%，近一月新高）[18] 资金流向监测指标 1. **大宗交易折价率** 构建思路：反映机构交易溢价水平[27] 计算公式： $$折价率=\frac{大宗交易总成交金额}{当日成交份额总市值}-1$$ 当前值：1.57%（近半年均值5.16%）[27] 2. **股指期货年化贴水率** 构建思路：监测期货市场预期[29] 计算公式： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 当前值： - 上证50：+11.85%（95%分位） - 沪深300：+7.79%（96%分位） - 中证500：-3.10%（72%分位） - 中证1000：-6.37%（73%分位）[29] 机构行为监测 1. **龙虎榜机构净流向** 监测方法：统计机构席位买卖差额[36] 当日净流入前列：雷赛智能、云鼎科技等[36] 净流出前列：内蒙一机、孩子王等[36] 2. **陆股通资金流向** 监测方法：统计北向交易净额[37] 当日净流入：酒鬼酒、天茂集团等[37] 净流出：国脉科技、湖北广电等[37] 注：报告未涉及传统多因子模型（如价值/动量因子）或复杂量化策略的构建，主要聚焦市场实时监测指标的统计与展示[1][2][3][4]

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**：绩优四因子模型 **模型构建思路**：基于朴素的价值投资理念，筛选"便宜的好股票"，其中"好股票"通过基本面指标衡量，"便宜"通过估值指标衡量[10] **模型具体构建过程**： - 选股因子包括： - 估值因子：市净率（B/P），权重25% - 盈利因子：ROE，权重25% - 盈利增速因子：ΔROE，权重25% - 成长因子：营业收入同比，权重25% - 因子处理：对因子进行行业和市值中性化处理 - 排序打分：对中性化后的每个因子，将中证全指成分股按因子值从高到低排序，最高得1分，最低得0分 - 综合得分计算：四个因子得分等权加总[11] **模型评价**：模型抓住了投资者底层投资逻辑的共性，展现出强普适性，在窄基行业及主题指数中也表现超预期[16] 2. **模型名称**：价值领先指数编制模型 **模型构建思路**：采用"分层设计"，先定风格（beta）再优化绩效（alpha），在保留基准指数风格的前提下优选个股[9] **模型具体构建过程**： - 第一层：从基准指数成分股中选取50%股票作为样本空间 - 第二层：使用绩优四因子模型筛选综合得分前50%的股票 - 加权方式：自由流通市值加权（上限15%） - 调仓频率：季度调仓（数据截止日为1/4/8/10月最后交易日，生效日为2/5/9/11月第6个交易日）[12] **模型评价**：开创了增强型指数新品类，兼具被动指数透明度与指数增强的超额收益潜力[24][26] 模型的回测效果 1. **价值领先系列指数**（22个宽基基准）： - 年化超额收益：平均3.89%（最高6.77%，最低0.12%） - 年度胜率：平均80.87%（最高100%，最低53.85%） - 超额夏普比率：平均1.10（最高2.38，最低0.02）[13] 2. **价值领先系列指数**（313个上证/深证/中证基准）： - 增强胜率：98.08%（307/313） - 平均年化超额收益：4.35%[15] 3. **价值领先系列指数**（23个百亿规模基准）： - 增强胜率：95.7%（22/23） - 平均年化超额收益：3.69%[19] 4. **不同持有期限表现**（7个代表指数）： - 5日超额收益：0.03%-0.15% - 20日超额收益：0.13%-0.60% - 60日超额收益：0.33%-1.89% - 120日超额收益：0.43%-3.97% - 240日超额收益：0.86%-9.31%[23] 量化因子与构建方式 1. **因子名称**：B/P（市净率） **因子构建思路**：衡量估值水平，筛选"便宜"股票[10] **因子具体构建过程**： $$ B/P = \frac{账面价值}{市值} $$ 计算后经行业和市值中性化处理[11] 2. **因子名称**：ROE **因子构建思路**：衡量盈利能力，筛选基本面"好"股票[10] **因子具体构建过程**： $$ ROE = \frac{净利润}{净资产} $$ 计算后经行业和市值中性化处理[11] 3. **因子名称**：ΔROE **因子构建思路**：衡量盈利增速，筛选成长性股票[10] **因子具体构建过程**： $$ \Delta ROE = ROE_t - ROE_{t-1} $$ 计算后经行业和市值中性化处理[11] 4. **因子名称**：营业收入同比 **因子构建思路**：衡量成长性，筛选业务扩张股票[10] **因子具体构建过程**： $$ 营业收入同比 = \frac{营业收入_t - 营业收入_{t-1}}{营业收入_{t-1}} $$ 计算后经行业和市值中性化处理[11] 因子的回测效果 所有因子均通过等权组合形成综合得分，回测结果体现在整体模型中（见模型回测部分）[12][13] 特殊指数表现 1. **均衡配置价值领先指数**： - 年化收益：10.85%（2012-2024） - 对比基准：跑赢沪深300（4.06%）、中证500（4.40%）、中证1000（6.70%）[44][47] - 分年度胜率：在市值风格轮动中保持中上表现[63] 2. **全A价值领先指数**： - 年化收益：18.45%（2012-2024） - 累计收益：802%（vs 中证全指6.85%） - 年化超额收益：13.8% vs 中证全指，14.4% vs 中证A500[69][73][77]

量化模型与构建方式 1. **模型名称**：利率趋势跟踪模型 **模型构建思路**：基于十年国开到期利率的价格走势具有延续性的特点，通过观察窗口内的价格变动方向和波动率来识别趋势的延续或反转[4] **模型具体构建过程**： - 计算 T 日利率值与 T-20 日利率值的差 del - 计算 T-20 日至 T 日（不含）时间段的波动率 Vol - 若 del 的绝对值大于 N 倍的 Vol，则认为当前利率已经脱离原有的振荡区间，形成趋势，趋势多空方向与 del 的正负情况对应；若小于等于 N 倍的 Vol，则认为当前走势延续，趋势方向同 T-1 日 - 取 N=2 进行[4] **模型评价**：该模型在窄幅波动的行情中表现较好，但在连续宽幅波动和急涨急跌的行情中表现不佳[5] 模型的回测效果 1. **利率趋势跟踪模型** - 区间年化收益：50.86bp[4] - 波动率（年化）：32.57bp[4] - 夏普率：1.56[4] - 最大回撤：42.29bp[4] - 最大所处回撤周期：90 交易日[4]

根据提供的研报内容，以下是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**：MP-Adv-DRL-Cor **模型构建思路**：结合卷积神经网络（CNN）提取资产价格的动态特征，使用WaveNet建模资产间的交叉依赖性，通过深度强化学习（DRL）优化多期投资组合配置[2][24] **模型具体构建过程**： - **CNN模块**：输入层归一化资产收益，卷积层通过ReLU激活函数提取特征（公式14-15），池化层降维，全连接层合成特征[25][27] - **WaveNet模块**：采用WaveCorr层捕捉资产时变依赖性（公式16-18），通过膨胀卷积扩大感受野[28] - **DRL决策模块**：将CNN和WaveNet输出作为DPG算法输入，优化目标函数（公式19），包含交易成本和风险厌恶约束[29][31] 2. **模型名称**：MP-CS-PPN-Cor **模型构建思路**：使用CNN提取收益特征，结合时间卷积块（TCCB）分析相关性，通过策略网络生成组合权重[43] 3. **模型名称**：MP-DPG **模型构建思路**：基于深度确定性策略梯度（DPG）的多期优化方法，采用EIIE算法[43] 4. **模型名称**：SP-Adv-DRL-Cor **模型构建思路**：单期版本的MP-Adv-DRL-Cor，仅优化短期目标[43] 模型的回测效果 1. **MP-Adv-DRL-Cor模型** - **标普100指数**：h=36时年化收益29.21%，波动率36.14%，夏普比率0.808，最大回撤32.09%[52] - **道琼斯指数**：h=36时年化收益28.88%，波动率34.32%，夏普比率0.841[52] - **交易成本影响**：ξ=0.5%时年化收益降至18.14%（h=36）[64] 2. **MP-CS-PPN-Cor模型** - **标普100指数**：h=22时夏普比率0.829，显著优于EW策略[66] 3. **EW模型** - **标普100指数**：h=1时年化收益12.48%，夏普比率0.508[52] 关键公式 1. 资产收益计算： $$r_{t}=(\frac{x_{1,t}-x_{1,t-1}}{x_{1,t-1}},...,\frac{x_{N,t}-x_{N,t-1}}{x_{N,t-1}})^T$$ [18] 2. 多期目标函数： $$U_{t,h}=\sum_{k=1}^{h}\gamma^{k-1}(r_{t+k}-\lambda\sigma_{t+k}^2)$$ [20] 3. 带约束的奖励函数： $$u_t=\widetilde{r}_t-\lambda\sigma_t^2-c_1\sum max(0,TO_{i,t}-TO^{max})-c_2\sum max(0,\omega_{i,t}-\omega^{max})$$ [31] 模型评价 1. **MP-Adv-DRL-Cor**：在高维环境中表现优越，能有效平衡长期收益与风险，但对超参数（如风险厌恶系数λ）敏感[52][56] 2. **WaveNet结构**：相比TCCB具有置换不变性优势，能更稳定捕捉资产相关性[66] 3. **多期策略**：长期持有（h>22）通常能提升收益，但需警惕波动率上升风险[52]

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**：可转债K线形态因子 **因子构建思路**：通过量化定义单根和多根K线形态，结合价格趋势和成交量信息，构建可转债K线形态因子，用于预测可转债未来表现[15][16] **因子具体构建过程**： - 单根K线划分为16种形态：基于实体、上影线、下影线绝对值大小，将阳线/阴线与长短实体、上下影线组合(2×2×2×2=16种)[22] - 多根K线形态定义：考虑相邻K线关系(跳空高开、中开、跳空低开)，2K形态共768种(16×3×16)[24] - 结合价格趋势(下跌/震荡/上涨)和成交量趋势(缩量/震荡量/放量)[25] - 因子计算公式： $$score_p = \frac{mean(\mathbf{r}_p)}{std(\mathbf{r}_p)}$$ [34] $$KP_{c,T} = \sum_{t=T-40}^{T} w_t * score_{c,t}$$ [36] $$w_t = 0.5^{\frac{T-t}{\lambda}}$$ [36] **因子评价**：因子与其他可转债因子相关性低，信息重合度低，具有增量信息[93][97] 2. **因子名称**：单K线形态因子 **因子构建思路**：通过实体、上影线、下影线绝对值大小划分16种单K线形态[22] **因子具体构建过程**： - 划分标准： - 阳线/阴线：收盘价>或<开盘价 - 实体：短实体(≤2%)/长实体(>2%) - 上影线：短(≤1%)/长(>1%) - 下影线：短(≤1%)/长(>1%)[22] - 计算公式： 上影线 = $$\frac{最高价 - max(收盘价, 开盘价)}{前收盘价}$$ [19] 下影线 = $$\frac{min(收盘价, 开盘价) - 最低价}{前收盘价}$$ [20] **因子评价**：可转债长上影线信号相对积极，长下影线信号相对消极，与股票K线形态表现存在差异[16][42] 3. **因子名称**：双K线形态因子 **因子构建思路**：结合单K形态和相邻K线关系定义双K形态[24] **因子具体构建过程**： - 相邻K线关系定义： $$关系类型:\begin{cases}跳空高开,& open_t > high_{t-1}\\中开,& low_{t-1} < open_t < high_{t-1}\\跳空低开,& open_t < low_{t-1}\end{cases}$$ [24] - 共768种2K形态(16×3×16)[24] **因子评价**：在价格震荡趋势中，阳线B5形态加上第二天跳空高开B3形态是启动上涨的有效信号[66][68] 因子回测效果 1. **可转债K线形态因子**： - IC均值：0.11[85] - IC胜率：66.31%[85] - ICIR：0.43[85] - 多头组合年化收益率：6.34%[89] - 年化超额收益率：6.27%[89] - 超额收益率胜率：70.08%[89] 2. **单K线形态因子**： - 高胜率看涨形态： - 震荡_下跌_B8：胜率69.08%，未来5日年化超额收益率151.35%[54] - 放量_下跌_A6：胜率62.68%，未来5日年化超额收益率48.04%[54] - 缩量_下跌_A7：胜率60.19%，未来5日年化超额收益率67.40%[54] - 高胜率看跌形态： - 放量_上涨_B6：胜率69.95%，未来5日年化超额收益率-145.88%[77] - 放量_上涨_B8：胜率64.35%，未来5日年化超额收益率-90.64%[77] 3. **双K线形态因子**： - 高胜率看涨形态： - 震荡量_震荡_2K_B3_跳空高开_B5：未来5日超额收益率214.74%-351.34%[69] - 震荡量_下跌_2K_A5_中开_A6：未来5日超额收益率208.06%-337.00%[69] - 高胜率看跌形态： - 上涨_2K_B5_跳空低开_A1：未来5日超额收益率-270.44%至-331.87%[78] - 震荡量_2K_B6_中开_B4：未来5日超额收益率-190.12%至-195.75%[78]

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**：中证港股通科技指数（931573.CSI） **模型构建思路**：从港股通范围内选取市值较大、研发投入较高且营收增速较好的科技龙头上市公司证券作为指数样本，以反映港股通内科技龙头上市公司证券的整体表现[30][31] **模型具体构建过程**： - 样本空间为中证港股通综合指数样本，筛选条件包括过去一年日均成交金额不低于1000万港元[31] - 在科技主题空间（通信、互联网、医药生物、电子、半导体、新能源、航空航天与国防等行业）中，剔除过去两年营业收入增速连续为负且研发投入占营业收入比例不足3%的证券（中证二级行业市值前三的证券豁免）[31] - 按过去一年日均总市值由高到低排名，选取前50只证券作为指数样本[31] - 指数计算公式： $$报告期指数 = \frac{报告期样本的调整市值}{除数} \times 1000$$ 其中，调整市值 = ∑(证券价格×调整股本数×权重因子×汇率)，权重因子介于0和1之间，采用股息率加权[31] **模型评价**：聚焦科技龙头，兼顾研发投入与营收增长，大市值风格显著[33][36] 2. **模型名称**：国证港股通科技指数（987008.CNI） **模型构建思路**：与中证港股通科技指数类似，但成分股数量为30只，且选样更强调科技相关领域的主营业务（如互联网、电子、生物科技等）及研发费用占比[38] **模型具体构建过程**： - 样本空间为香港交易所上市股票，需满足互联互通资格且无重大违规[38] - 筛选科技领域公司，要求近两年营业收入复合增长率>10%或近一年研发费用占比>5%[38] - 剔除成交金额后10%的股票，按日均总市值选取前30名[38] 模型的回测效果 1. **中证港股通科技指数**： - 近十年年化收益：12.34% - 年化波动率：33.03% - 最大回撤：-73.34% - Sharpe比率：0.52[43][44] 2. **国证港股通科技指数**： - 近十年年化收益：12.19% - 年化波动率：34.46% - 最大回撤：-70.71% - Sharpe比率：0.51[43][44] 量化因子与构建方式 1. **因子名称**：研发投入占比因子 **因子构建思路**：衡量公司研发投入强度，筛选研发费用占营业收入比例≥3%的证券（中证港股通科技指数）或≥5%的证券（国证港股通科技指数）[31][38] **因子具体构建过程**： - 计算过去两年研发费用/营业收入比例 - 设定阈值（3%或5%）作为筛选条件[31][38] 2. **因子名称**：营收增速因子 **因子构建思路**：剔除连续两年营收负增长的证券，确保成分股具备成长性[31] **因子具体构建过程**： - 计算过去两年营业收入同比增速 - 剔除增速连续为负的证券（中证二级行业市值前三豁免）[31] 因子的回测效果 1. **研发投入占比因子**： - 在港股通科技指数中，该因子帮助筛选出电子（24.19%权重）、医药（15.63%权重）等高研发行业[33][36] 2. **营收增速因子**： - 前十大权重股2025年平均涨幅达39.47%（如阿里巴巴69.90%、中芯国际71.70%）[12][36] 其他说明 - 中证港股通科技指数行业集中度高，电子（24.19%）与汽车（20.51%）权重突出[33][36] - 与恒生科技指数相比，医疗保健业权重更高（15.63% vs 2.63%）[41]

根据提供的金融工程日报内容，以下是量化模型与因子的结构化总结： 量化模型与构建方式 1. **封板率模型** - 构建思路：通过涨停股票在盘中最高价与收盘价的稳定性反映市场情绪[17] - 具体构建： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月的股票数据，计算当日封板率为73%[17] - 评价：高封板率表明涨停股次日延续性强，但需结合连板率综合判断 2. **连板率模型** - 构建思路：衡量连续涨停股票的持续性[17] - 具体构建： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 当日连板率为16%，较前日下降15%[17] 3. **大宗交易折价率模型** - 构建思路：通过大宗交易价格与市价的偏离度反映机构资金动向[27] - 具体构建： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 近半年平均折价率5.16%，当日为1.59%[27] 4. **股指期货年化贴水率模型** - 构建思路：量化期货合约与现货指数的基差水平[29] - 具体构建： $$年化贴水率=\frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right)$$ 当日中证1000贴水率26.32%（近一年4%分位）[29] 量化因子与构建方式 1. **龙虎榜机构净流入因子** - 构建思路：跟踪机构席位资金流向捕捉主力动向[36] - 具体构建：统计龙虎榜披露的机构专用席位净买入金额，当日威孚高科等净流入居前[36] 2. **陆股通资金流向因子** - 构建思路：监测外资通过沪深股通的交易偏好[37] - 具体构建：计算陆股通席位净买卖差额，当日云鼎科技等获净流入[37] 模型回测效果 1. **封板率模型** - 当日封板率：73%（较前日+10%）[17] - 近一月分位数：未披露 2. **连板率模型** - 当日连板率：16%（较前日-15%）[17] 3. **大宗交易折价率模型** - 近半年均值：5.16%[27] - 当日值：1.59%[27] 4. **股指期货贴水率模型** - 中证500贴水率：18.19%（近一年4%分位）[29] - 中证1000贴水率：26.32%（近一年4%分位）[29] 因子回测效果 1. **龙虎榜机构因子** - 单日最大净流入：威孚高科（具体金额未披露）[36] 2. **陆股通因子** - 单日最大净流入：云鼎科技（具体金额未披露）[37] 注：报告中未涉及多因子复合模型及传统Alpha因子的构建，主要聚焦市场微观结构类指标[17][27][29][36][37]

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. **风险溢价模型** - **构建思路**：以十年期国债即期收益率为无风险利率基准，计算各宽基指数相对于无风险利率的风险溢价，用于衡量市场风险补偿水平[15][16] - **具体构建过程**： 风险溢价 = 指数收益率 - 十年期国债即期收益率 其中： - 指数收益率通过指数价格对数差分计算 - 分位值基于近5年历史数据滚动计算[17] - **模型评价**：中证2000和中证1000的风险溢价波动率显著高于其他指数，反映小盘股风险补偿要求更高[15][17] 2. **PE-TTM估值模型** - **构建思路**：采用滚动12个月市盈率衡量指数估值水平，结合历史分位值判断估值区间[21][22] - **具体构建过程**： $$ PE-TTM = \frac{指数总市值}{指数成分股最近12个月净利润总和} $$ 分位值计算采用近5年数据百分位排序[23] - **模型评价**：中证500当前分位值达86.94%，显示估值处于历史高位，需警惕均值回归风险[22][23] 3. **股债性价比模型** - **构建思路**：通过PE-TTM倒数与国债收益率差值衡量股票相对债券的吸引力[23][24] - **具体构建过程**： 股债性价比 = (1/PE-TTM) - 十年期国债收益率 阈值设定： - 机会值：近5年80%分位 - 危险值：近5年20%分位[24] 量化因子与构建方式 1. **股息率因子** - **构建思路**：反映成分股现金分红回报率，适用于红利策略构建[26][27] - **具体构建过程**： $$ 股息率 = \frac{指数成分股年度现金分红总额}{指数总市值} \times 100\% $$ 历史分位值采用近5年数据滚动计算[29][30] 2. **破净率因子** - **构建思路**：通过市净率<1的个股占比反映市场悲观情绪[30][32] - **具体构建过程**： $$ 破净率 = \frac{指数成分股中PB<1的股票数量}{指数成分股总数} \times 100\% $$ 数据频率：日频计算[32] 模型的回测效果 1. **风险溢价模型** - 中证2000：近5年分位值67.62%，当前风险溢价0.73%[17] - 上证50：近5年分位值30.56%，当前风险溢价-0.50%[17] 2. **PE-TTM估值模型** - 中证500：当前PE-TTM 29.11，近5年分位值86.94%[23] - 创业板指：当前PE-TTM 33.59，近5年分位值32.89%[23] 因子的回测效果 1. **股息率因子** - 沪深300：当前值3.67%，近5年分位值98.68%[30] - 中证2000：当前值0.95%，近5年分位值75.95%[30] 2. **破净率因子** - 上证50：当前破净率24.0%[32] - 创业板指：当前破净率3.0%[32]

量化模型与构建方式 1. **模型名称：三维情绪模型** - **模型构建思路**：通过三个不同频率维度的指标（情绪预期、情绪温度、情绪浓度）综合观察市场情绪面，分别反映中高频、中频、低频的情绪波动[7] - **模型具体构建过程**： - **情绪预期**：合成沪深300股指期货升贴水率与上证50ETF期权成交额PCR倒数的均值和主成分分析结果。公式： $${\vec{\mathbb{R}}}\times{\vec{\mathbb{R}}}\times{\vec{\mathbb{R}}}={\frac{{\vec{\mathbb{R}}}\oplus{\vec{\mathbb{R}}}\oplus{\vec{\mathbb{R}}}\times{\vec{\mathbb{R}}}\oplus{\vec{\mathbb{R}}}}{{\vec{\mathbb{R}}}\oplus{\vec{\mathbb{R}}}\oplus{\vec{\mathbb{R}}}\oplus{\vec{\mathbb{R}}}}}$$ 其中升贴水率=\( \frac{\text{期货主力价格}-\text{现货价格}}{\text{现货价格}} \) [8] - **情绪温度**：基于主力买入率（大单买入金额/沪深成交总额）的三年滚动百分位平滑处理[13] - **情绪浓度**：计算中信三级行业指数第一主成分方差贡献率的滚动窗口平滑值，反映市场资产相关性[17] - **模型评价**：多维度覆盖情绪波动频率，情绪浓度极值点对市场拐点有预示作用[17] 2. **因子名称：主力买入率** - **因子构建思路**：量化主力资金在市场交易中的相对强弱[13] - **因子具体构建过程**： $$ \text{主力买入率} = \frac{\text{大单买入金额}}{\text{沪深成交总额}} $$ [13] 3. **因子名称：情绪浓度主成分贡献率** - **因子构建思路**：通过主成分分析提取市场资产相关性指标[17] - **因子具体构建过程**：计算中信三级行业指数第一主成分方差贡献率，滚动窗口平滑[17] --- 模型的回测效果 1. **三维情绪模型** - 情绪预期当前值0.5507（前值0.6674）[9] - 情绪温度当前值0.8086（前值0.7762）[14] - 情绪浓度当前值0.6285（前值0.6561）[17] 2. **主力买入率因子** - 情绪温度指标值0.8086（2025/3/10）[14] 3. **情绪浓度主成分贡献率因子** - 警戒线0.83，当前值0.6285[17] --- 关键数据引用说明 - 情绪预期公式及构建[8][9] - 情绪温度计算与主力买入率定义[13][14] - 情绪浓度主成分分析及警戒值[17]

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**：价值50组合 - **模型构建思路**：基于价值风格，选取历史相关性低的因子构建高beta弹性的Smart beta组合[9] - **模型具体构建过程**：通过筛选国证价值指数成分股，结合价值因子（如PE、PB等）加权选股，目标为长期稳健超额收益[9] 2. **模型名称**：价值均衡50组合 - **模型构建思路**：在价值风格基础上优化风险分散，追求更稳定的超额收益[9] - **模型具体构建过程**：在价值50组合中加入行业和市值中性化处理，降低组合波动性[9] 3. **模型名称**：成长50组合 - **模型构建思路**：聚焦成长风格，选取高增长潜力股票[9] - **模型具体构建过程**：基于国证成长指数成分股，结合营收增长率、净利润增长率等因子加权[9] 4. **模型名称**：成长均衡50组合 - **模型构建思路**：平衡成长性与风险，避免单一因子暴露[9] - **模型具体构建过程**：在成长50组合中加入动量因子和波动率控制[9] 5. **模型名称**：小盘50组合 - **模型构建思路**：捕捉小市值股票的超额收益[9] - **模型具体构建过程**：从国证2000指数中筛选小市值股票，结合流动性因子优化[9] 6. **模型名称**：小盘均衡50组合 - **模型构建思路**：增强小盘股组合的稳定性[9] - **模型具体构建过程**：在小盘50组合中加入质量因子（如ROE）和风险平价权重[9] --- 模型的回测效果 1. **价值50组合** - 周收益率：1.57%（超额0.26%）[10] - 月收益率：1.57%（超额0.26%）[10] - 年收益率：-1.44%（超额0.24%）[10] - 最大相对回撤：2.26%[10] 2. **价值均衡50组合** - 周收益率：2.67%（超额1.36%）[10] - 月收益率：2.67%（超额1.36%）[10] - 年收益率：-0.76%（超额0.92%）[10] - 最大相对回撤：3.99%[10] 3. **成长50组合** - 周收益率：0.64%（超额-1.09%）[10] - 月收益率：0.64%（超额-1.09%）[10] - 年收益率：3.96%（超额1.25%）[10] - 最大相对回撤：2.49%[10] 4. **成长均衡50组合** - 周收益率：2.40%（超额0.66%）[10] - 月收益率：2.40%（超额0.66%）[10] - 年收益率：10.72%（超额8.01%）[10] - 最大相对回撤：1.77%[10] 5. **小盘50组合** - 周收益率：1.68%（超额-2.32%）[10] - 月收益率：1.68%（超额-2.32%）[10] - 年收益率：8.39%（超额-2.83%）[10] - 最大相对回撤：6.23%[10] 6. **小盘均衡50组合** - 周收益率：4.67%（超额0.67%）[10] - 月收益率：4.67%（超额0.67%）[10] - 年收益率：13.21%（超额1.99%）[10] - 最大相对回撤：3.67%[10] --- 模型评价 - **价值/成长/小盘组合**：均通过多因子加权和风险控制实现风格暴露，均衡组合在回撤控制上表现更优[9][10] - **小盘组合**：年化收益较高但波动性显著，需注意市场环境变化[10] --- 注：报告中未提及具体因子公式或独立因子构建细节，故未列出相关内容[9][10]