根据提供的研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **单季度净利润同比增长率因子** - 构建思路：反映公司短期盈利能力的增长情况[12] - 具体构建：计算单季度净利润同比变化率，公式为： $$ \text{单季度净利润同比增长率} = \frac{\text{本期净利润} - \text{去年同期净利润}}{\text{去年同期净利润}} $$ - 评价：对沪深300股票池近期表现敏感[13] 2. **市净率因子（PB）** - 构建思路：衡量股价与净资产的比值关系[14] - 具体构建： $$ \text{市净率} = \frac{\text{股票价格}}{\text{每股净资产}} $$ - 评价：在中证500股票池中表现突出[15] 3. **下行波动率占比因子** - 构建思路：捕捉股价下跌时的风险特征[16] - 具体构建：计算收益率下行区间的波动率占总波动率的比例[17] - 评价：在多股票池中稳定性较强[17] 4. **动量弹簧因子** - 构建思路：结合动量效应与均值回复特性[12] - 具体构建：通过标准化处理过去N日收益率与波动率的比值[13] - 评价：近期在沪深300中表现较差[13] 5. **大宗交易组合核心因子** - 构建思路：基于"高成交金额比率+低波动"原则[29] - 具体构建： - 大宗交易成交金额比率 = 大宗交易金额 / 总成交金额 - 6日成交金额波动率 = STD(近6日成交金额)[29] - 评价：事件驱动型因子有效性显著[29] 量化模型与构建方式 1. **PB-ROE-50模型** - 构建思路：结合估值与盈利能力的平衡策略[23] - 具体构建： 1) 在全市场筛选PB分位数最低的股票 2) 在低PB股票中选取ROE最高的50只[24] - 评价：长期超额收益稳定[24] 2. **机构调研组合模型** - 构建思路：利用机构调研行为中的信息优势[25] - 具体构建： - 公募调研选股：跟踪高频调研标的 - 私募调研跟踪：分析调研后股价反应[26] - 评价：私募策略超额更显著[26] 3. **定向增发事件驱动模型** - 构建思路：捕捉定增公告后的股价反应[35] - 具体构建： 1) 以股东大会公告日为事件节点 2) 结合市值因子控制风险[35] - 评价：受政策影响较大[35] 因子回测效果 | 因子名称 | 沪深300(1周) | 中证500(1周) | 流动性1500(1周) | 10年净值 | |--------------------------|--------------|--------------|------------------|----------| | 单季度净利润同比增长率 | 1.83%[13] | 0.88%[15] | 0.05%[17] | 83.5%[15]| | 市净率因子 | 0.81%[13] | 2.57%[15] | 0.08%[17] | 69.64%[15]| | 下行波动率占比 | 1.21%[13] | 2.07%[15] | 0.74%[17] | 148.35%[15]| | 动量弹簧因子 | -1.73%[13] | -1.23%[15] | -0.99%[17] | 65.53%[13]| 模型回测效果 | 模型名称 | 本周超额收益 | 年内超额收益 | 绝对收益 | |--------------------|--------------|--------------|----------| | PB-ROE-50(全市场) | 0.92%[24] | 9.28%[24] | 16.07%[24]| | 公募调研策略 | 0.80%[26] | 2.86%[26] | 5.80%[26]| | 大宗交易组合 | 1.22%[30] | 25.89%[30] | 33.71%[30]| | 定向增发组合 | 0.05%[36] | 8.72%[36] | 15.48%[36]|

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**：国信金工指数增强组合 **模型构建思路**：以多因子选股为主体，分别构建对标沪深300、中证500、中证1000及中证A500指数的增强组合，通过收益预测、风险控制和组合优化三部分实现稳定超额收益[11][12] **模型具体构建过程**： - 收益预测：基于多因子模型筛选股票 - 风险控制：控制行业暴露、风格暴露等约束条件 - 组合优化：采用组合优化模型调整权重，最大化因子暴露 2. **模型名称**：单因子MFE组合 **模型构建思路**：通过组合优化的方式检验单因子在控制实际约束条件下的有效性[40] **模型具体构建过程**： - 目标函数：最大化单因子暴露 - 约束条件：包括风格暴露、行业暴露、个股权重偏离、成分股内权重占比等 - 优化模型公式： $$ \begin{array}{ll} \max & f^{T}w \\ \text{s.t.} & s_{l} \leq X(w-w_{b}) \leq s_{h} \\ & h_{l} \leq H(w-w_{b}) \leq h_{h} \\ & w_{l} \leq w-w_{b} \leq w_{h} \\ & b_{l} \leq B_{b}w \leq b_{h} \\ & \mathbf{0} \leq w \leq l \\ & \mathbf{1}^{T}w = 1 \end{array} $$ - 其中，\( f \)为因子取值，\( w \)为股票权重向量，\( w_b \)为基准指数成分股权重向量，\( X \)为风格因子暴露矩阵，\( H \)为行业暴露矩阵，\( B_b \)为成分股标识向量[40][41] 量化因子与构建方式 1. **因子名称**：估值类因子（BP、单季EP、EPTTM等） **因子构建思路**：通过财务指标与市值的比值衡量股票估值水平[17] **因子具体构建过程**： - BP：净资产/总市值 - 单季EP：单季度归母净利润/总市值 - EPTTM：归母净利润TTM/总市值 2. **因子名称**：成长类因子（单季净利同比增速、单季营收同比增速等） **因子构建思路**：通过财务指标的同比增长率衡量公司成长性[17] **因子具体构建过程**： - 单季净利同比增速：（本期单季度净利润-去年同期单季度净利润）/去年同期单季度净利润 - 单季营收同比增速：（本期单季度营业收入-去年同期单季度营业收入）/去年同期单季度营业收入 3. **因子名称**：盈利类因子（单季ROE、单季ROA等） **因子构建思路**：通过财务指标衡量公司盈利能力[17] **因子具体构建过程**： - 单季ROE：单季度归母净利润*2/（期初归母净资产+期末归母净资产） - 单季ROA：单季度归母净利润*2/（期初归母总资产+期末归母总资产） 4. **因子名称**：流动性类因子（一个月换手、三个月换手等） **因子构建思路**：通过交易数据衡量股票流动性[17] **因子具体构建过程**： - 一个月换手：过去20个交易日换手率均值 - 三个月换手：过去60个交易日换手率均值 5. **因子名称**：分析师类因子（预期EPTTM、三个月盈利上下调等） **因子构建思路**：通过分析师一致预期数据衡量市场预期变化[17] **因子具体构建过程**： - 预期EPTTM：一致预期滚动EP - 三个月盈利上下调：（过去3个月内分析师上调家数-下调家数）/总家数 模型的回测效果 1. **国信金工指数增强组合**： - 沪深300指数增强组合：本年超额收益7.76%[5] - 中证500指数增强组合：本年超额收益9.34%[5] - 中证1000指数增强组合：本年超额收益14.45%[5] - 中证A500指数增强组合：本年超额收益9.03%[5] 2. **单因子MFE组合**： - 沪深300样本空间中，标准化预期外收入因子最近一周超额收益1.11%[19] - 中证500样本空间中，标准化预期外盈利因子最近一周超额收益1.01%[21] - 中证1000样本空间中，DELTAROE因子最近一周超额收益1.77%[23] - 中证A500样本空间中，特异度因子最近一周超额收益0.93%[25] - 公募重仓指数样本空间中，特异度因子最近一周超额收益1.06%[27] 因子的回测效果 1. **估值类因子**： - BP因子在沪深300样本空间中最近一周超额收益0.67%[19] - 单季EP因子在沪深300样本空间中最近一周超额收益0.74%[19] 2. **成长类因子**： - 单季营利同比增速因子在中证1000样本空间中最近一周超额收益1.24%[23] - 单季净利同比增速因子在中证500样本空间中最近一周超额收益0.55%[21] 3. **盈利类因子**： - DELTAROE因子在公募重仓指数样本空间中最近一周超额收益1.00%[27] - DELTAROA因子在中证500样本空间中最近一周超额收益0.67%[21] 4. **流动性类因子**： - 一个月换手因子在沪深300样本空间中最近一周超额收益-0.44%[19] - 三个月换手因子在公募重仓指数样本空间中最近一周超额收益-0.32%[27] 5. **分析师类因子**： - 预期EPTTM因子在中证A500样本空间中最近一周超额收益0.56%[25] - 三个月盈利上下调因子在沪深300样本空间中最近一周超额收益-0.53%[19]

量化因子与构建方式 估值类因子 1. **因子名称**：bp - **构建思路**：衡量股票当前净资产与总市值的比值，反映估值水平[13] - **具体构建**：$$ bp = \frac{当前净资产}{当前总市值} $$ 2. **因子名称**：bp三年分位数 - **构建思路**：计算当前bp在近三年的分位数，反映估值历史分位[13] - **具体构建**：对每只股票计算其bp在滚动三年窗口内的分位数 3. **因子名称**：季度ep - **构建思路**：衡量季度净利润与净资产的比值[13] - **具体构建**：$$ 季度ep = \frac{季度净利润}{净资产} $$ 4. **因子名称**：季度ep一年分位数 - **构建思路**：计算当前季度ep在近一年的分位数[13] - **具体构建**：对每只股票计算其季度ep在滚动一年窗口内的分位数 5. **因子名称**：季度sp - **构建思路**：衡量季度营业收入与净资产的比值[13] - **具体构建**：$$ 季度sp = \frac{季度营业收入}{净资产} $$ 6. **因子名称**：季度sp一年分位数 - **构建思路**：计算当前季度sp在近一年的分位数[13] - **具体构建**：对每只股票计算其季度sp在滚动一年窗口内的分位数 盈利类因子 7. **因子名称**：季度资产周转率 - **构建思路**：衡量营业收入与总资产的比值，反映资产利用效率[13] - **具体构建**：$$ 季度资产周转率 = \frac{季度营业收入}{总资产} $$ 8. **因子名称**：季度毛利率 - **构建思路**：衡量毛利润与销售收入的比值[13] - **具体构建**：$$ 季度毛利率 = \frac{季度毛利润}{季度销售收入} $$ 9. **因子名称**：季度roa - **构建思路**：衡量净利润与总资产的比值[13] - **具体构建**：$$ 季度roa = \frac{季度净利润}{总资产} $$ 10. **因子名称**：季度roe - **构建思路**：衡量净利润与净资产的比值[13] - **具体构建**：$$ 季度roe = \frac{季度净利润}{净资产} $$ 成长类因子 11. **因子名称**：季度净利润同比增长 - **构建思路**：衡量季度净利润同比增长率[13] - **具体构建**：$$ 季度净利润同比增长 = \frac{当期季度净利润 - 去年同期季度净利润}{去年同期季度净利润} $$ 12. **因子名称**：季度营收同比增长 - **构建思路**：衡量季度营收同比增长率[13] - **具体构建**：$$ 季度营收同比增长 = \frac{当期季度营收 - 去年同期季度营收}{去年同期季度营收} $$ 13. **因子名称**：季度roe同比 - **构建思路**：衡量季度roe同比增长率[13] - **具体构建**：$$ 季度roe同比 = \frac{当期季度roe - 去年同期季度roe}{去年同期季度roe} $$ 14. **因子名称**：标准化预期外盈利 - **构建思路**：衡量实际盈利与预期盈利的偏离程度[13] - **具体构建**：$$ 标准化预期外盈利 = \frac{当前季度净利润 - (去年同期单季净利润 + 过去8个季度单季净利润同比增长均值)}{过去8个季度单季度净利润同比增长值的标准差} $$ 15. **因子名称**：标准化预期外收入 - **构建思路**：衡量实际收入与预期收入的偏离程度[13] - **具体构建**：$$ 标准化预期外收入 = \frac{当前季度营收 - (去年同期单季营收 + 过去8个季度单季营收同比增长均值)}{过去8个季度单季度营收同比增长值的标准差} $$ 分红类因子 16. **因子名称**：股息率 - **构建思路**：衡量最近年度分红与当前市值的比值[13] - **具体构建**：$$ 股息率 = \frac{最近年度分红}{当前市值} $$ 波动率类因子 17. **因子名称**：Fama-French三因子1月残差波动率 - **构建思路**：衡量股票收益对Fama-French三因子回归残差的波动率[13] - **具体构建**：对过去20个交易日的日收益进行Fama-French三因子回归，计算残差的标准差 18. **因子名称**：1月特异度 - **构建思路**：衡量股票收益中未被Fama-French三因子解释的部分[13] - **具体构建**：$$ 1月特异度 = 1 - R^2 $$，其中R²为Fama-French三因子回归的拟合优度 19. **因子名称**：1个月超额收益率波动 - **构建思路**：衡量超额收益的波动率[13] - **具体构建**：计算过去20个交易日超额收益率的标准差 动量与反转类因子 20. **因子名称**：一年动量 - **构建思路**：衡量过去一年（剔除最近一个月）的累计收益[13] - **具体构建**：$$ 一年动量 = \sum_{t=12}^{2} r_t $$，其中r_t为第t月的收益率 21. **因子名称**：1个月反转 - **构建思路**：衡量过去20个交易日的累计收益[13] - **具体构建**：$$ 1个月反转 = \sum_{t=1}^{20} r_t $$，其中r_t为第t日的收益率 规模类因子 22. **因子名称**：小市值 - **构建思路**：衡量股票市值的对数[13] - **具体构建**：$$ 小市值 = \log(市值) $$ Beta类因子 23. **因子名称**：Beta - **构建思路**：衡量个股收益与市场收益的相关性[13] - **具体构建**：对最近490个交易日的个股收益与市场收益进行加权回归，取回归系数 因子回测效果 IC表现 1. **bp因子**：最近一周IC 4.87%，最近一月IC均值5.04%，最近一年IC均值1.64%[9] 2. **bp三年分位数因子**：最近一周IC 7.55%，最近一月IC均值3.83%，最近一年IC均值2.38%[9] 3. **Fama-French三因子1月残差波动率因子**：最近一周IC 7.04%，最近一月IC均值5.54%，最近一年IC均值3.21%[9] 4. **1月特异度因子**：最近一周IC 9.36%，最近一月IC均值6.41%，最近一年IC均值3.20%[9] 5. **小市值因子**：最近一年IC均值3.63%[9] 多头组合表现 1. **Beta因子**：最近一周超额0.91%，最近一月超额2.46%，最近一年超额9.69%[11] 2. **小市值因子**：最近一年超额16.68%[11] 3. **1个月换手率波动因子**：最近一年超额14.46%[11] 4. **Fama-French三因子1月残差波动率因子**：最近一年超额9.05%[11]

量化模型与构建方式 1. **模型名称**：行业投资雷达模型 **模型构建思路**：通过价格与成交金额的变化方向划分行业走势状态，并在极坐标系中精确定位行业位置，以预测未来涨幅[7][8] **模型具体构建过程**： - **步骤1**：在直角坐标系中根据价格和成交金额变化方向划分4种状态（放量上涨、放量下跌、缩量下跌、缩量上涨）[10][11] - **步骤2**：转换至极坐标系，计算极径（马氏距离）和极角（反正切函数）以精确定位状态[13][14] - 极径公式： $$\rho={\sqrt{(x-y)^{T}\cdot\Sigma^{-1}\cdot(x-y)}}$$ 其中，\(x\)为当前价量数据，\(y\)为历史价量数据，\(\Sigma\)为协方差矩阵[13] - 极角公式： \(\theta = \arctan2(\text{成交变化幅度}, \text{价格变化幅度})\)[14] - **步骤3**：划分极坐标区域（极径5段、极角16区），统计各区域未来20日平均涨幅，筛选可投资区域[29][42] **模型评价**：直观、可解释性强，通过价量关系捕捉行业轮动规律[8][17] 2. **位置参数表构建** **构建思路**：建立历史多周期价量状态与未来涨幅的映射关系，支持不同调仓周期需求[37][47] **具体构建过程**： - 固定未来涨幅周期（如20日），遍历历史周期（5日至240日）计算极坐标位置[37] - 滚动窗口更新区域与未来涨幅的映射关系，避免未来信息泄露[52] - 扩展维度： - **维度1**：单日期多历史周期映射[47] - **维度2**：多日期多周期映射，增强规律稳定性[46] 模型的回测效果 1. **行业投资雷达模型** - **周度调仓组合**（2014-2025H1）： - 累计收益369.06%，年化收益13.16%，超额收益288.09%（基准等权组合80.97%）[56][64] - **月度调仓组合**： - 累计收益388.85%，年化收益13.54%，超额收益307.88%[59][64] - **半年度调仓组合**： - 累计收益279.77%，年化收益11.27%，超额收益198.80%[60][64] 2. **当前推荐行业**（2025年6月） - **周度组合**：钢铁、食品饮料[66][67] - **月度组合**：美容护理[69][70] - **半年度组合**：食品饮料、传媒、公用事业、电子、汽车[72][73] 量化因子与构建方式 1. **因子名称**：价量状态因子 **因子构建思路**：结合价格与成交金额变化方向及幅度，划分4种状态并量化极坐标位置[7][14] **因子具体构建过程**： - 计算价格和成交金额的涨跌幅，确定象限（直角坐标系）[10] - 转换为极坐标参数（极径、极角），公式见模型部分[13][14] - 根据历史数据统计各区域未来涨幅均值，生成因子值[29][42] 2. **因子名称**：多周期价量因子 **因子构建思路**：扩展时间窗口，增强因子稳定性[37][47] **因子具体构建过程**： - 聚合不同历史周期（如20日、60日）的价量状态与未来涨幅关系[47] - 滚动窗口更新因子映射表，避免过拟合[52] 因子的回测效果 1. **价量状态因子** - 有效区域未来20日平均涨幅最高达5.55%（极径比例区间1/5-2/5，极角弧度区间4π/8-5π/8）[42] - 放量上涨/下跌区域的超额收益显著（如3.51%涨幅对应极径2/5-3/5、极角5π/8-6π/8）[42][29] 2. **多周期价量因子** - 多周期合成后，可投资区域覆盖更广（如右图展示历史平均规律）[46][32] --- 注：以上总结未包含免责声明、风险提示等非核心内容[75][80][81][82]

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：通过统计最高价涨停且收盘涨停的股票数与最高价涨停的股票数的比值，反映市场涨停股的稳定性[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，计算日内封板情况[16] - 模型评价：封板率下降可能反映市场追涨情绪减弱[16] 2. **连板率模型** - 模型构建思路：通过统计连续两日收盘涨停的股票数与昨日收盘涨停的股票数的比值，反映涨停股的持续性[16] - 模型具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 同样基于上市满3个月的股票样本[16] 3. **股指期货贴水率模型** - 模型构建思路：通过计算股指期货主力合约与现货指数的年化基差，反映市场对冲成本与预期[27] - 模型具体构建过程： $$年化贴水率=\frac{基差}{指数价格}×\frac{250}{合约剩余交易日数}$$ 涵盖上证50、沪深300、中证500和中证1000主力合约[27] - 模型评价：贴水率分位数可指示建仓成本优势[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度反映大资金交易情绪[25] - 因子具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计近半年日均折价率作为基准[25] 2. **ETF折溢价因子** - 因子构建思路：通过ETF场内交易价格与净值的偏离度捕捉套利机会[23] - 因子具体构建过程：筛选日成交额超100万的股票型ETF，计算溢价率排名[23] 模型的回测效果 1. **封板率模型** - 当日封板率66%，较前日下降7%[16] - 近一个月封板率趋势显示市场情绪波动[16] 2. **连板率模型** - 当日连板率29%，较前日下降6%[16] 3. **股指期货贴水率模型** - 中证500贴水率3.38%（近一年81%分位）[27] - 中证1000贴水率10.93%（近一年55%分位）[27] 因子的回测效果 1. **大宗交易折价因子** - 近半年平均折价率5.80%，当日折价率4.64%[25] 2. **ETF折溢价因子** - 当日最高溢价1.29%（A50增强ETF），最高折价0.74%（粮食ETF广发）[23] 注：报告中未涉及传统多因子模型（如价值/成长因子）的构建与测试，主要聚焦市场情绪类指标[16][23][25][27]

量化模型与构建方式 1. **模型名称**：250日新高距离模型 **模型构建思路**：通过计算股票最新收盘价与过去250日最高价的相对距离，识别接近或突破历史高点的股票，捕捉动量效应[11] **模型具体构建过程**： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中： - $Closet$为最新收盘价 - $ts\_max(Close,250)$为过去250个交易日收盘价最大值 当收盘价等于250日最高价时取值为0，回落时为正数[11] **模型评价**：基于行为金融学中的动量效应理论，适用于趋势跟踪策略 2. **模型名称**：平稳创新高筛选模型 **模型构建思路**：结合分析师关注度、股价路径平稳性等多维度指标，从创新高股票中筛选具有持续动量的标的[26][28] **模型具体构建过程**： - **分析师关注度**：过去3个月买入/增持评级研报≥5份[28] - **股价相对强弱**：过去250日涨跌幅全市场前20%[28] - **股价平稳性**： - 位移路程比 = $\frac{过去120日涨跌幅的绝对值}{过去120日日涨跌幅绝对值加总}$[26] - 创新高持续性：过去120日250日新高距离的时间序列均值[28] - 趋势延续性：过去5日250日新高距离的时间序列均值[28] 最终取综合排名前50只股票[28] 量化因子与构建方式 1. **因子名称**：250日新高距离因子 **因子构建思路**：反映股票价格接近历史高点的程度，用于捕捉动量效应[11] **因子具体构建过程**： $$因子值 = 1 - \frac{当日收盘价}{过去250日最高收盘价}$$ 计算范围覆盖全市场股票[11][12] 2. **因子名称**：股价路径平稳性因子 **因子构建思路**：通过位移路程比衡量股价上涨过程的平滑程度[26] **因子具体构建过程**： $$平稳性指标 = \frac{|P_{t}-P_{t-120}|}{\sum_{i=1}^{120}|P_{t-i+1}-P_{t-i}|}$$ 其中$P_t$表示第t日收盘价[26] 3. **因子名称**：创新高持续性因子 **因子构建思路**：量化股票维持创新高状态的能力[28] **因子具体构建过程**：计算过去120日每日250日新高距离的移动平均值[28] 模型的回测效果 1. **250日新高距离模型**： - 上证指数新高距离0.00%（2025/7/11）[12] - 创业板指新高距离13.46%[12] - 中证2000指数中16.15%成分股创新高[20] 2. **平稳创新高筛选模型**： - 全市场筛选出38只平稳创新高股票（2025/7/11）[29] - 制造板块占比最高（11只），其中国防军工行业最突出[29] 因子的回测效果 1. **250日新高距离因子**： - 电力及公用事业行业因子值0.00%（最优）[13] - 食品饮料行业因子值显著偏高（表现最弱）[13] 2. **股价路径平稳性因子**： - 胜宏科技等标的显示高平稳性（位移路程比靠前）[32] 3. **创新高持续性因子**： - 药明康德保持0%新高距离达7天[32] - 南华期货实现220%的250日涨幅[32]

根据研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称**：公募基金实时持仓测算模型 - **模型构建思路**：基于基金净值、持仓披露、调研行为等市场公开信息，对公募基金持仓进行实时测算[17] - **模型具体构建过程**： 1. 收集基金净值数据、定期报告披露的持仓信息及调研行为数据 2. 通过回归分析建立基金净值与持仓标的的关联模型 3. 动态调整权重以反映最新市场变化 - **模型评价**：能够有效捕捉公募基金对恒生科技板块的配置变化，但依赖公开数据的时效性 2. **模型名称**：ETF资金流向监测模型 - **模型构建思路**：统计跟踪恒生科技指数的ETF净流入金额，作为市场资金动态的代理变量[17] - **模型具体构建过程**： 1. 筛选所有跟踪恒生科技指数的ETF产品 2. 计算每日净流入金额（申购金额-赎回金额） 3. 累计统计特定时间段内的净流入总量 量化因子与构建方式 1. **因子名称**：南下资金净流入因子 - **因子构建思路**：通过港股通渠道的净买入金额衡量资金对个股的偏好[21] - **因子具体构建过程**： 1. 获取港股通每日个股交易数据 2. 计算单日净流入金额（买入额-卖出额） 3. 按时间窗口（如月度/季度）累计求和 - **因子评价**：直接反映机构资金动向，但受港股通额度限制影响 2. **因子名称**：雪球大V关注度因子 - **因子构建思路**：统计雪球平台大V用户对个股的讨论热度作为情绪指标[23] - **因子具体构建过程**： 1. 抓取雪球大V发布的个股相关帖子 2. 按个股代码聚合讨论数量 3. 标准化处理（如除以大V总数） 3. **因子名称**：主力资金净流入因子 - **因子构建思路**：通过大单（20-100万元）和超大单（>100万元）交易识别主力资金动向[24] - **因子具体构建过程**： 1. 筛选符合金额阈值的委托单 2. 计算净流入金额（买入方向成交额-卖出方向成交额） 3. 按时间窗口累计 模型的回测效果 1. **公募基金实时持仓模型**：2025年对恒生科技的配置仓位大幅上升[17] 2. **ETF资金流向模型**：2025年累计净流入超200亿元[17] 因子的回测效果 1. **南下资金净流入因子**： - 阿里巴巴-W净流入786.03亿元[22] - 美团-W净流入432.94亿元[22] 2. **雪球大V关注度因子**： - 小米集团-W获45次大V关注[24] - 美团-W获40次关注[24] 3. **主力资金净流入因子**： - 比亚迪股份净流入62.57亿元[26] - 小米集团-W净流入38.16亿元[26]

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： 量化因子与构建方式 1. **因子名称：封板率因子** - 构建思路：通过统计涨停股票在盘中最高价涨停且收盘仍涨停的比例，反映市场情绪强度[17] - 具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 需筛选上市满3个月以上的股票，计算日内实时数据[17] - 因子评价：高频因子，对短线交易策略有较强指示性 2. **因子名称：连板率因子** - 构建思路：衡量涨停股票的持续性，反映市场热点延续能力[17] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 需排除新股和ST股票[17] 3. **因子名称：大宗交易折价率因子** - 构建思路：通过大宗交易成交价与市价的偏离程度反映机构资金动向[26] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 需计算近半年滚动数据，排除小额交易[26] - 因子评价：对中长期资金流向有预测价值 4. **因子名称：股指期货贴水率因子** - 构建思路：通过期现价差反映市场预期与套利成本[28] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 需分别计算上证50、沪深300、中证500、中证1000主力合约[28] 因子回测效果 1. **封板率因子** - 当日取值：73%（较前日提升12%）[17] - 近一月分位数：未披露具体分位值 2. **连板率因子** - 当日取值：34%（较前日提升6%）[17] 3. **大宗交易折价率因子** - 当日取值：8.32%（近半年均值5.84%）[26] - 近半年日均成交额：12亿元[26] 4. **股指期货贴水率因子** - 上证50：2.94%（近一年中位数1.53%，43%分位）[28] - 沪深300：4.65%（近一年中位数3.20%，38%分位）[28] - 中证500：16.89%（近一年中位数9.21%，18%分位）[28] - 中证1000：13.39%（近一年中位数12.49%，44%分位）[28] 注：报告中未涉及完整量化模型构建，主要为市场监测类因子。所有因子数据均为20250709-20250710期间最新值[17][26][28]

根据提供的研报内容，以下是量化模型与因子的系统总结： 量化模型与构建方式 1. **模型名称**：双峰扩散模型 **构建思路**：解析动量反转效应，生成单峰（均值回归）或双峰（动量）价格分布[13][15] **具体构建**：采用三参数扩散方程建模股价动态，通过调整参数控制分布形态（单峰/双峰） **评价**：有效捕捉市场异象，但需高频数据支持 2. **模型名称**：IPCA因子模型 **构建思路**：解释期权策略收益来源[21][22] **具体构建**： $$ r_{option} = \sum_{k=1}^K \beta_k F_k + \epsilon $$ 其中$F_k$为隐含主成分因子，$\beta_k$为因子载荷 **评价**：对46种期权策略收益解释力达80% 3. **模型名称**：多层矩阵因子模型 **构建思路**：整合全局与局部因子提升股票多指标分析精度[17] **具体构建**：采用层级矩阵分解： $$ X = L_1G_1 + L_2G_2 + E $$ $L_1$为全局因子载荷，$L_2$为行业局部因子 4. **模型名称**：神经函数生成组合(NFGP) **构建思路**：融合Transformer与扩散模型优化资产配置[34][35] **具体构建**：通过注意力机制提取时序特征，联合优化收益预测与风险控制模块 **评价**：概率时序预测误差较基准降低42% 量化因子与构建方式 1. **因子名称**：对抗坏贝塔(BABB) **构建思路**：改进BAB策略的低风险投资效果[13][15] **具体构建**：双重排序剔除高特质波动股票，保留低系统风险组合 **评价**：需管理交易成本，熊市表现优异 2. **因子名称**：纯净价值因子 **构建思路**：机器学习构建控制风险后的价值指标[24][25] **具体构建**：XGBoost筛选与估值相关但与其他风险因子正交的特征 3. **因子名称**：情绪敏感度溢价 **构建思路**：捕捉独立于传统情绪指标的超额收益[15] **具体构建**：通过新闻情感分析构建情绪冲击响应系数 4. **因子名称**：高铁网络中心性因子 **构建思路**：量化交通网络对企业融资成本的影响[24][25] **具体构建**：基于图算法计算企业所在地高铁节点PageRank值 模型回测效果 1. **IPCA因子模型**：月均异常收益趋近零，期权策略收益解释力80%[22] 2. **NFGP模型**：年化夏普比率1.74，最大回撤较基准降低15%[35] 3. **端到端网络动量框架(L2GMOM)**：20年回测夏普比率1.74[33] 因子回测效果 1. **BABB因子**：年化超额收益6%，最大单月回撤8.2%[15] 2. **纯净价值因子**：信用债年化超额3-4%，错误定价收益占比提升23%[25] 3. **账面市值比因子**：公司债年化超额3-4%，预测力随延迟衰减[25] 注：部分模型/因子因研报未提供完整测试参数（如IC、IR等）暂缺对应指标[17][21]

量化模型与构建方式 1. **模型名称：行业拥挤度监测模型** - **模型构建思路**：通过监测申万一级行业指数的拥挤度，识别当前市场过热或过冷的行业，提供投资参考[3] - **模型具体构建过程**： 1. 计算各行业指数的历史分位数（如30日滚动窗口），衡量交易活跃度与历史水平的偏离程度 2. 结合主力资金流动数据（如近3日净流入/流出额）辅助验证拥挤度信号[3][10] 3. 输出热力图展示行业拥挤度排名及变化（如农林牧渔、有色单日变动显著）[9] - **模型评价**：能够动态捕捉市场情绪极端化行业，但需结合资金流向避免误判 2. **模型名称：ETF溢价率Z-score套利信号模型** - **模型构建思路**：通过统计溢价率偏离历史均值的程度，筛选潜在套利机会的ETF产品[4] - **模型具体构建过程**： 1. 计算ETF的IOPV溢价率：$$溢价率 = (市价 - IOPV)/IOPV \times 100\%$$ [6] 2. 滚动计算溢价率的Z-score：$$Z = \frac{当前溢价率 - 历史均值}{历史标准差}$$ [4] 3. 设定阈值触发关注信号（如Z-score >2或<-2）[11] --- 量化因子与构建方式 1. **因子名称：主力资金净流入因子** - **因子构建思路**：跟踪主力资金对行业的配置变化，反映大资金动向[3][10] - **因子具体构建过程**： 1. 按申万一级行业分类统计每日主力净流入额（单位：亿元）[10] 2. 计算3日累计净流入：$$累计净流入 = \sum_{t=0}^{2} 主力净流入_{T-t}$$ [10] 3. 标准化处理得到行业间可比指标（如传媒近3日净流入11.02亿元排名第一）[10] 2. **因子名称：ETF资金流动因子** - **因子构建思路**：监测各类ETF的资金净流入/流出，捕捉市场风格偏好[2][5] - **因子具体构建过程**： 1. 按宽基/行业主题/跨境等类别分类汇总单日净流入[2][5] 2. 计算资金流动强度：$$流动强度 = \frac{净流入金额}{基金规模}$$ [6] 3. 结合规模阈值筛选有效信号（如科创芯片ETF单日净流入4.53亿元）[6] --- 模型的回测效果 1. **行业拥挤度监测模型** - 电力设备、建筑材料拥挤度分位数达84%、89%（过热信号）[9] - 家电、交运拥挤度分位数仅21%、14%（过冷信号）[3] 2. **ETF溢价率Z-score模型** - 触发关注信号标的：储能电池50ETF（溢价率Z-score 2.1）、国企红利ETF（Z-score -2.3）[11] --- 因子的回测效果 1. **主力资金净流入因子** - 近3日主力资金增配前3行业：传媒（+11.02亿）、轻工（+4.22亿）、房地产（+0.64亿）[10] - 净流出前3行业：电子（-57.79亿）、医药生物（-48.52亿）、有色金属（-32.47亿）[10] 2. **ETF资金流动因子** - 宽基ETF单日净流出39.82亿元（沪深300ETF流出5.73亿）[2] - 行业主题ETF净流入11.40亿元（科创芯片ETF流入4.53亿）[2]