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：DTW相似性择时策略 **模型构建思路**：基于相似性思路，通过比较当前指数行情与历史行情的相似度，筛选出相似的历史片段，并依据这些片段未来的加权平均涨跌幅来生成交易信号[26] **模型具体构建过程**： 1. 使用动态时间规整（DTW）距离算法，而非欧氏距离，作为衡量当前行情与历史行情相似度的标准，因为DTW作为一种弹性度量方法，能更好地解决时间序列间的错配问题[28] 2. 为解决传统DTW算法可能存在的“过度弯曲”导致的错误匹配（即“病态匹配”问题），模型引入了改进的DTW算法，例如增加了Sakoe-Chiba边界限制条件或Itakura Parallelogram边界限制条件[30][36] 3. 在历史数据中筛选出与当前行情DTW距离最近（即最相似）的若干历史行情片段 4. 计算这些被筛选出的历史行情片段在未来一期（例如5日或1日）的加权平均涨跌幅和加权标准差，权重取为DTW距离的倒数[26] 5. 根据计算得到的未来涨跌幅的平均值和标准差，结合预设的阈值，生成“看多”、“看空”或“无信号”的交易指令[26][16] **模型评价**：在一般市场环境下，择时模型超额收益较为稳定；但在宏观和资本市场突发政策较多时，作为技术面模型无法把握政策的突然变化，可能遭遇回撤[17] 2. 模型名称：外资择时策略 **模型构建思路**：基于两种境外上市且与A股相关联的资产（富时中国A50股指期货和南方A50ETF），挖掘其价格变化中蕴含的信息，通过构建多个指标并复合信号来对A股进行择时[35] **模型具体构建过程**： 1. 选取富时中国A50股指期货（新加坡市场）和南方A50ETF（香港市场）作为信息源[35] 2. 对于富时中国A50股指期货，构建两个指标： * 升贴水指标 * 价格背离指标 将这两个指标复合，形成富时中国A50股指期货的择时信号[35] 3. 对于南方A50ETF，构建价格背离指标，形成南方A50ETF的择时信号[35] 4. 最后，将来自上述两个资产的择时信号进行复合，形成最终的外资择时信号[35] 模型的回测效果 1. DTW相似性择时策略 **样本外表现（2022年11月以来）**：绝对收益率38.56%，最大回撤率21.32%[4][17] **样本外表现（2024年以来，在沪深300指数上）**：绝对收益率36.58%，最大回撤率21.36%，交易胜率50.00%，交易盈亏比3.39[19] 2. 外资择时策略 **全样本历史表现（2014年12月30日至2024年12月31日）**： * **多空策略**：年化收益率18.96%，最大回撤率25.69%，日胜率近55%，盈亏比超过2.5[21] * **多头策略**：年化收益率14.19%，最大回撤率17.27%，日胜率近55%，盈亏比超过2.5[21] **样本外表现（2024年以来，多头策略）**：绝对收益率35.42%，最大回撤率8.23%[4][24]

量化模型与构建方式 1. PB-ROE-50 组合 **模型构建思路**：基于市净率（PB）和净资产收益率（ROE）两个基本面指标进行选股，旨在挑选出估值合理且盈利能力强的公司[25] **模型具体构建过程**：该模型通过特定的筛选标准，从股票池中选取符合PB和ROE要求的50只股票构成投资组合，具体构建细节未在报告中详细阐述[25] 2. 公募调研选股策略 **模型构建思路**：跟踪公募基金调研活动，基于机构调研行为挖掘投资机会[28] **模型具体构建过程**：通过分析公募基金的调研数据构建选股策略，具体构建方法未在报告中详细说明[28] 3. 私募调研跟踪策略 **模型构建思路**：跟踪私募基金调研活动，利用私募机构的调研信息进行选股[28] **模型具体构建过程**：基于私募基金的调研行为构建投资策略，具体构建流程未在报告中详细描述[28] 4. 大宗交易组合 **模型构建思路**：基于"高成交、低波动"原则，从发生大宗交易的股票中筛选投资标的[32] **模型具体构建过程**：通过测算"大宗交易成交金额比率"和"6日成交金额波动率"两个指标，选择成交金额比率高、波动率低的股票，采用月频调仓方式构建组合[32] 5. 定向增发组合 **模型构建思路**：以股东大会公告日为时间节点，基于定向增发事件效应构建投资组合[38] **模型具体构建过程**：综合考虑市值因素、调仓周期和仓位控制，在定向增发事件发生时构建投资组合，具体方法参考了相关专题研究报告[38] 模型的回测效果 1. PB-ROE-50组合业绩表现 - 中证500股票池：本周超越基准收益率-0.23%，今年以来超额收益率2.92%，本周绝对收益率-1.49%，今年以来绝对收益率30.06%[26] - 中证800股票池：本周超越基准收益率-0.98%，今年以来超额收益率15.82%，本周绝对收益率-2.10%，今年以来绝对收益率38.80%[26] - 全市场股票池：本周超越基准收益率-1.39%，今年以来超额收益率18.21%，本周绝对收益率-1.91%，今年以来绝对收益率46.11%[26] 2. 机构调研组合业绩表现 - 公募调研选股策略：本周超越基准收益率1.82%，今年以来超额收益率14.61%，本周绝对收益率0.67%，今年以来绝对收益率37.35%[29] - 私募调研跟踪策略：本周超越基准收益率1.06%，今年以来超额收益率16.31%，本周绝对收益率-0.08%，今年以来绝对收益率39.39%[29] 3. 大宗交易组合业绩表现 - 本周超越基准收益率2.39%，今年以来超额收益率39.25%，本周绝对收益率1.84%，今年以来绝对收益率72.12%[33] 4. 定向增发组合业绩表现 - 本周超越基准收益率2.16%，今年以来超额收益率-0.56%，本周绝对收益率1.61%，今年以来绝对收益率22.91%[39] 量化因子与构建方式 1. 大类因子 **因子构建思路**：将多个相关性较高的单因子归类形成风格因子，用于分析市场风格特征[20] **因子具体构建过程**：报告中提到了残差波动率因子、杠杆因子、beta因子、规模因子和动量因子等大类因子，但未详细说明具体构建方法[20] 2. 单因子 报告中提及了大量单因子，包括但不限于：大单净流入、市盈率因子、市净率因子、下行波动率占比、对数市值因子、动量调整大单、5日反转等[12][14][18]，但未详细说明每个因子的具体构建公式和方法 因子的回测效果 1. 大类因子表现（全市场股票池） - 残差波动率因子：本周收益0.50%[20] - 杠杆因子：本周收益0.36%[20] - beta因子：本周收益-1.10%[20] - 规模因子：本周收益-0.92%[20] - 动量因子：本周收益-0.70%[20] 2. 单因子表现（按股票池分类） 沪深300股票池表现较好的因子 - 大单净流入：本周1.63%，最近1个月0.96%，最近1年1.22%，最近10年50.54%[13] - 市盈率因子：本周1.50%，最近1个月4.57%，最近1年-5.66%，最近10年20.77%[13] - 5日成交量的标准差：本周1.40%，最近1个月2.07%，最近1年7.76%，最近10年21.57%[13] 中证500股票池表现较好的因子 - 下行波动率占比：本周2.64%，最近1个月3.28%，最近1年-0.97%，最近10年108.73%[15] - 大单净流入：本周2.22%，最近1个月2.70%，最近1年-4.79%，最近10年102.70%[15] - 市净率因子：本周2.09%，最近1个月2.78%，最近1年-3.07%，最近10年52.58%[15] 流动性1500股票池表现较好的因子 - 对数市值因子：本周1.76%，最近1个月3.56%，最近1年-1.89%，最近10年-12.44%[19] - 日内波动率与成交金额的相关性：本周1.52%，最近1个月2.28%，最近1年4.61%，最近10年164.46%[19] - 下行波动率占比：本周1.38%，最近1个月1.35%，最近1年6.85%，最近10年117.62%[19] 3. 行业内因子表现 报告展示了各因子在申万一级行业中的表现情况，包括每股经营利润TTM、每股净资产、净资产增长率、净利润增长率、5日动量、1月动量、BP因子、EP因子、成长因子、残差波动率、流动性、对数市值等因子在不同行业的表现差异[24]

根据研报内容，报告主要涉及股指期货基差修正模型、期现对冲策略模型以及期权波动率指数（因子），以下是详细总结： 量化模型与构建方式 **1 模型名称：股指期货基差修正模型[9]** - **模型构建思路**：为准确分析股指期货合约的基差，需要剔除合约存续期内指数成分股分红对基差的影响，从而得到反映真实市场预期的调整后基差[9] - **模型具体构建过程**： 1. 首先计算实际基差：股指期货合约收盘价与标的指数收盘价的差值[9] 2. 预测合约存续期内指数成分股的分红点位[9] 3. 计算预期分红调整后的基差：实际基差加上存续期内未实现的预期分红点位[9] 4. 将调整后的基差进行年化处理，公式为： $$年化基差 = \frac{实际基差 + 预期分红点位}{指数价格} \times \frac{360}{合约剩余天数}$$[9] 其中，“预期分红点位”代表合约存续期内指数成分股预估分红对指数点位的总影响，“合约剩余天数”为当前日期至合约到期日的天数[9] **2 模型名称：期现对冲策略模型[43][45]** - **模型构建思路**：通过卖空股指期货合约来对冲持有现货指数（全收益指数）的风险，旨在获取基差收敛收益或降低组合波动[43] - **模型具体构建过程**：模型包含两种具体策略： - **连续对冲策略**[43]： 1. **资金分配**：现货端使用70%资金，做空对冲端使用金额相同名义本金的股指期货合约，占用剩余30%资金[43] 2. **调仓规则**：连续持有季月或当月合约，直至该合约离到期剩余不足2日时，在当日以收盘价进行平仓，并同时卖空下一季月或当月合约[43] 3. **动态调整**：每次调仓后根据产品净值重新计算现货及期货端数量[43] - **最低贴水策略**[45]： 1. **资金分配**：与连续对冲策略相同[45] 2. **合约选择规则**：调仓时，计算当日所有可交易期货合约的年化基差，选择年化基差贴水幅度最小的合约进行开仓[45] 3. **持有期规则**：同一合约持有8个交易日之后，或该合约离到期剩余不足2日时，才可进行换仓（排除剩余到期日不足8日的期货合约）[45] 4. **动态调整**：每次调仓后根据产品净值重新计算现货及期货端数量[45] **3 因子名称：信达波动率指数 (Cinda-VIX)[61]** - **因子构建思路**：借鉴海外经验，结合中国场内期权市场实际情况，编制反映市场对标的资产未来波动预期的指数[61] - **因子具体构建过程**：报告指出具体算法基于信达金工衍生品研究报告系列四《挖掘期权市场中隐含的市场情绪》，但未在本文中给出详细计算公式[61] - **因子评价**：该指数可以反映期权市场专业投资者对标的资产未来波动的预期，且具有期限结构，能反映不同期限内的波动预期[61] **4 因子名称：信达偏度指数 (Cinda-SKEW)[67]** - **因子构建思路**：通过捕捉不同行权价格期权隐含波动率（IV）的偏斜特征，来衡量市场对标的资产未来收益分布（尤其是尾部风险）的预期[67] - **因子具体构建过程**：报告指出具体算法基于信达金工衍生品研究报告系列四《挖掘期权市场中隐含的市场情绪》，但未在本文中给出详细计算公式[67] - **因子评价**：SKEW指数能够洞察市场对潜在风险的忧虑，当指数超过100时，通常意味着投资者对市场未来可能出现的大幅下跌风险的担忧加剧[68] 模型的回测效果 回测区间：2022年7月22日至2025年11月14日[46][48][53][57] **1 IC（中证500）对冲策略模型**[47] - 当月连续对冲：年化收益-3.20%，波动率3.83%，最大回撤-10.38%，净值0.8983，年换手次数12，2025年以来收益-5.63%[47] - 季月连续对冲：年化收益-2.16%，波动率4.75%，最大回撤-8.34%，净值0.9306，年换手次数4，2025年以来收益-2.34%[47] - 最低贴水策略：年化收益-1.70%，波动率4.55%，最大回撤-7.97%，净值0.9451，年换手次数16.69，2025年以来收益-3.37%[47] - 指数表现（对比基准）：年化收益4.34%，波动率21.03%，最大回撤-31.46%，净值1.1504，2025年以来收益30.47%[47] **2 IF（沪深300）对冲策略模型**[52] - 当月连续对冲：年化收益0.47%，波动率2.92%，最大回撤-3.95%，净值1.0155，年换手次数12，2025年以来收益-0.79%[52] - 季月连续对冲：年化收益0.73%，波动率3.27%，最大回撤-4.03%，净值1.0244，年换手次数4，2025年以来收益0.45%[52] - 最低贴水策略：年化收益1.21%，波动率3.04%，最大回撤-4.06%，净值1.0405，年换手次数14.87，2025年以来收益0.69%[52] - 指数表现（对比基准）：年化收益2.71%，波动率17.07%，最大回撤-25.59%，净值1.0920，2025年以来收益21.14%[52] **3 IH（上证50）对冲策略模型**[56] - 当月连续对冲：年化收益1.12%，波动率3.00%，最大回撤-4.22%，净值1.0375，年换手次数12，2025年以来收益0.66%[56] - 季月连续对冲：年化收益2.05%，波动率3.40%，最大回撤-3.75%，净值1.0691，年换手次数4，2025年以来收益1.97%[56] - 最低贴水策略：年化收益1.75%，波动率3.01%，最大回撤-3.91%，净值1.0588，年换手次数15.48，2025年以来收益1.76%[56] - 指数表现（对比基准）：年化收益1.98%，波动率16.10%，最大回撤-22.96%，净值1.0667，2025年以来收益16.40%[56] **4 IM（中证1000）对冲策略模型**[58] - 当月连续对冲：年化收益-6.26%，波动率4.75%，最大回撤-14.00%，净值0.8330，年换手次数12，2025年以来收益-11.58%[58] - 季月连续对冲：年化收益-4.54%，波动率5.78%，最大回撤-12.63%，净值0.8475，年换手次数4，2025年以来收益-6.20%[58] - 最低贴水策略：年化收益-4.21%，波动率5.53%，最大回撤-11.11%，净值0.8668，年换手次数15.66，2025年以来收益-6.83%[58] - 指数表现（对比基准）：年化收益1.07%，波动率25.50%，最大回撤-41.60%，净值0.9856，2025年以来收益29.42%[58] 因子的回测效果 **1 Cinda-VIX 因子取值（截至2025年11月14日）**[61] - 上证50VIX (30日): 18.92[61] - 沪深300VIX (30日): 19.76[61] - 中证500VIX (30日): 26.83[61] - 中证1000VIX (30日): 24.05[61] **2 Cinda-SKEW 因子取值（截至2025年11月14日）**[68] - 上证50SKEW: 103.51[68] - 沪深300SKEW: 107.66[68] - 中证500SKEW: 104.66[68] - 中证1000SKEW: 107.22[68]

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：国信金工指数增强模型**[11] * **模型构建思路**：以多因子选股为主体，构建对标不同宽基指数的增强组合，力求稳定战胜基准[10] * **模型具体构建过程**：构建流程主要包括收益预测、风险控制和组合优化三部分[11] 2. **模型名称：单因子MFE组合模型**[14][39] * **模型构建思路**：采用组合优化的方式，在满足实际投资约束条件（如行业中性、风格中性）下，检验单因子的有效性，认为在此条件下检验“有效”的因子更可能在最终组合中发挥真实的收益预测作用[39] * **模型具体构建过程**：采用如下形式的组合优化模型来构建因子的 MFE 组合： $$ \begin{array}{ll}\max & f^{T}w \\\ s.t. & s_{l}\leq X(w-w_{b})\leq s_{h}\\ & h_{l}\leq H(w-w_{b})\leq h_{h}\\ & w_{l}\leq w-w_{b}\leq w_{h}\\ & b_{l}\leq B_{b}w\leq b_{h}\\ & \mathbf{0}\leq w\leq l\\ & \mathbf{1}^{T}w=1\end{array} $$ 其中，$f$ 为因子取值向量，$w$ 为待求解的股票权重向量，$w_b$ 为基准指数成分股权重向量。约束条件包括：组合相对于基准指数的风格暴露约束（$X$ 为风格因子暴露矩阵，$s_l$, $s_h$ 为上下限）；行业偏离约束（$H$ 为行业暴露矩阵，$h_l$, $h_h$ 为上下限）；个股权重偏离约束（$w_l$, $w_h$ 为上下限）；成分股内权重占比约束（$B_b$ 为成分股标识向量，$b_l$, $b_h$ 为上下限）；卖空限制及个股权重上限（$l$）；以及权重和为1的满仓约束[39][40]。构建过程包括：设定约束条件；每月末根据约束构建每个单因子的 MFE 组合；在回测期内换仓并计算收益风险指标[43] 3. **模型名称：公募重仓指数模型**[41] * **模型构建思路**：以公募基金持股信息构建指数，测试因子在“机构风格”样本空间中的有效性，以更精确判断因子对公募持仓池的选股效果[41] * **模型具体构建过程**：选样空间为普通股票型基金和偏股混合型基金（剔除规模小于五千万且上市不足半年的基金）。通过基金定期报告获取持股信息。将符合条件基金的持仓股票权重平均，获得公募基金平均持仓信息。将平均后的股票权重降序排序，选取累计权重达到90%的股票作为成分股来构建指数[42] 模型的回测效果 1. **国信金工指数增强模型**[13] * 沪深300指数增强组合：本周超额收益-0.22%，本年超额收益18.41% * 中证500指数增强组合：本周超额收益-0.52%，本年超额收益7.09% * 中证1000指数增强组合：本周超额收益-0.12%，本年超额收益16.38% * 中证A500指数增强组合：本周超额收益0.01%，本年超额收益9.75% 2. **公募基金指数增强产品（作为市场实践参考）**[28][29][31][32][33][34][35][36][38] * 沪深300指数增强产品（79只，规模785亿元）：最近一周超额收益中位数0.19%，最近一月0.21%，最近一季-1.08%，今年以来2.73% * 中证500指数增强产品（74只，规模505亿元）：最近一周超额收益中位数0.27%，最近一月0.58%，最近一季-0.46%，今年以来3.98% * 中证1000指数增强产品（46只，规模214亿元）：最近一周超额收益中位数0.00%，最近一月-0.11%，最近一季1.28%，今年以来8.83% * 中证A500指数增强产品（68只，规模253亿元）：最近一周超额收益中位数0.16%，最近一月0.29%，最近一季-1.06% 量化因子与构建方式 研报涉及估值、反转、动量、成长、盈利、流动性、波动、公司治理、分析师等多个维度的30余个因子[15][16]。因子构建思路和具体过程主要基于其计算方式，以下列出部分因子示例： 1. **因子名称：BP（市净率倒数）**[16] * **因子构建思路**：估值维度因子，衡量公司净资产相对于市值的比例 * **因子具体构建过程**：净资产 / 总市值 2. **因子名称：一个月反转**[16] * **因子构建思路**：反转维度因子，衡量股票短期内的反转效应 * **因子具体构建过程**：过去20个交易日涨跌幅 3. **因子名称：一年动量**[16] * **因子构建思路**：动量维度因子，衡量股票中长期动量效应（排除近期影响） * **因子具体构建过程**：近一年除近一月后动量 4. **因子名称：单季净利同比增速**[16] * **因子构建思路**：成长维度因子，衡量公司单季度净利润的增长情况 * **因子具体构建过程**：单季度净利润同比增长率 5. **因子名称：单季ROE**[16] * **因子构建思路**：盈利维度因子，衡量公司单季度的净资产收益率 * **因子具体构建过程**：单季度归母净利润 * 2 / (期初归母净资产 + 期末归母净资产) 6. **因子名称：非流动性冲击**[16] * **因子构建思路**：流动性维度因子，衡量因交易冲击导致的非流动性程度 * **因子具体构建过程**：过去20个交易日的日涨跌幅绝对值 / 成交额的均值 7. **因子名称：一个月波动**[16] * **因子构建思路**：波动维度因子，衡量股票短期价格波动 * **因子具体构建过程**：过去20个交易日日内真实波幅均值 8. **因子名称：高管薪酬**[16] * **因子构建思路**：公司治理维度因子，衡量公司高管的薪酬水平（取对数） * **因子具体构建过程**：前三高管报酬总额取对数 9. **因子名称：预期EPTTM**[16] * **因子构建思路**：分析师维度因子，基于分析师一致预期的估值指标 * **因子具体构建过程**：一致预期滚动EP（净利润/总市值） 10. **因子名称：三个月盈利上下调**[16] * **因子构建思路**：分析师维度因子，衡量分析师对公司盈利预期的调整趋势 * **因子具体构建过程**：过去3个月内分析师（上调家数 - 下调家数）/ 总家数 （其他因子构建过程可参考表1[16]） 因子的回测效果 (单因子MFE组合) 以下为各因子在不同样本空间下，MFE组合相对于基准指数的超额收益表现（最近一周、最近一月、今年以来、历史年化）[18][20][22][24][26]。因子方向“正向”表示预期因子值越大，股票收益越好；“反向”则相反。 1. **沪深300样本空间中的因子表现**[18] * 三个月波动（反向）：最近一周1.39%，最近一月1.94%，今年以来-1.92%，历史年化2.02% * 一个月波动（反向）：最近一周1.32%，最近一月1.38%，今年以来-0.68%，历史年化1.11% * 三个月反转（反向）：最近一周1.17%，最近一月-0.08%，今年以来1.22%，历史年化0.47% * 一年动量（正向）：最近一周-1.00%，最近一月-0.48%，今年以来0.20%，历史年化2.31% * 单季营利同比增速（正向）：最近一周-0.64%，最近一月0.60%，今年以来12.16%，历史年化3.42% * 单季净利同比增速（正向）：最近一周-0.54%，最近一月0.08%，今年以来12.41%，历史年化3.84% 2. **中证500样本空间中的因子表现**[20] * 一个月换手（反向）：最近一周1.04%，最近一月1.80%，今年以来-8.71%，历史年化3.95% * BP（正向）：最近一周0.86%，最近一月1.56%，今年以来-1.98%，历史年化3.65% * 非流动性冲击（正向）：最近一周0.76%，最近一月0.01%，今年以来-4.77%，历史年化0.09% * 一年动量（正向）：最近一周-0.95%，最近一月-2.82%，今年以来0.02%，历史年化2.42% * 单季营收同比增速（正向）：最近一周-0.52%，最近一月-0.85%，今年以来14.82%，历史年化3.36% * 特异度（反向）：最近一周-0.51%，最近一月-0.59%，今年以来-3.40%，历史年化0.78% 3. **中证1000样本空间中的因子表现**[22] * 非流动性冲击（正向）：最近一周1.32%，最近一月2.40%，今年以来7.66%，历史年化2.51% * 预期净利润环比（正向）：最近一周0.70%，最近一月2.26%，今年以来5.32%，历史年化4.45% * EPTTM一年分位点（正向）：最近一周0.66%，最近一月-0.57%，今年以来7.20%，历史年化5.99% * 标准化预期外收入（正向）：最近一周-1.22%，最近一月-2.08%，今年以来15.60%，历史年化6.33% * 一年动量（正向）：最近一周-1.13%，最近一月-2.74%，今年以来-6.58%，历史年化-1.05% * 单季超预期幅度（正向）：最近一周-1.06%，最近一月-0.64%，今年以来8.22%，历史年化10.26% 4. **中证A500样本空间中的因子表现**[24] * 三个月波动（反向）：最近一周1.33%，最近一月1.49%，今年以来-7.75%，历史年化2.97% * 一个月波动（反向）：最近一周1.29%，最近一月0.17%，今年以来-6.52%，历史年化1.40% * 一个月换手（反向）：最近一周1.12%，最近一月1.60%，今年以来-8.54%，历史年化2.34% * 一年动量（正向）：最近一周-1.07%，最近一月-1.23%，今年以来-1.47%，历史年化1.33% * 标准化预期外盈利（正向）：最近一周-0.94%，最近一月-1.22%，今年以来8.20%，历史年化5.56% * 3个月盈利上下调（正向）：最近一周-0.89%，最近一月-0.50%，今年以来3.16%，历史年化4.77% 5. **公募重仓指数样本空间中的因子表现**[26] * 一个月波动（反向）：最近一周1.29%，最近一月0.64%，今年以来-15.15%，历史年化0.62% * 三个月波动（反向）：最近一周1.09%，最近一月0.72%，今年以来-13.74%，历史年化1.84% * 三个月换手（反向）：最近一周0.92%，最近一月1.05%，今年以来-10.01%，历史年化2.44% * 标准化预期外收入（正向）：最近一周-0.96%，最近一月-0.61%，今年以来4.23%，历史年化2.47% * 一年动量（正向）：最近一周-0.90%，最近一月-1.23%，今年以来-5.02%，历史年化1.51% * 特异度（反向）：最近一周-0.77%，最近一月-2.35%，今年以来-8.14%，历史年化0.05%

量化模型与构建方式 1. 优秀基金业绩增强组合 **模型构建思路**：从传统对标宽基指数转变为对标主动股基，在借鉴优秀基金持仓的基础上，采用量化方法进行增强，达到优中选优的目的[4][51] **模型具体构建过程**： 1. 对基金进行优选：由于直接复制全体主动股基持仓无法跟上基金中位数表现，且基金收益类指标在市场风格突变时易反转并带来持股风格集中化问题，因此对收益类因子进行分层中性化处理，基于业绩分层视角构建优选基金组合[51] 2. 构建优选基金持仓组合：根据业绩分层优选基金的补全持仓构建组合，该组合在全样本区间内相对偏股混合型基金指数的年化跟踪误差为4.68%，能较好跟踪股基中位数走势[51] 3. 构建业绩增强组合：以业绩分层视角下的优选基金持仓为选股空间和对标基准，采用组合优化的方法控制组合与优选基金持仓在个股偏离、行业偏离及风格上的偏离，构建最终组合[52] 2. 超预期精选组合 **模型构建思路**：以研报标题超预期与分析师全线上调净利润为条件筛选超预期事件股票池，接着对超预期股票池进行基本面和技术面两个维度的精选，挑选出同时具备基本面支撑和技术面共振的超预期股票[5][57] **模型具体构建过程**： 1. 筛选超预期事件股票池：以研报标题出现“超预期”以及分析师全线上调净利润作为筛选条件[5][57] 2. 双层优选股票：对筛选出的超预期股票池中的股票，进行基本面和技术面两个维度的分析，精选出两者共振的股票[5][57] 3. 构建投资组合：将精选出的股票构建成超预期精选股票组合[57] 3. 券商金股业绩增强组合 **模型构建思路**：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[6][62] **模型具体构建过程**： 1. 确定选股空间与基准：以券商金股股票池作为基础的选股范围和对标基准[6][62] 2. 组合优化控制偏离：采用组合优化的方法，在构建组合时控制其与券商金股股票池在个股层面和风格因子上的偏离程度[6] 3. 构建业绩增强组合：通过优化过程，构建出能够在一定程度上跟踪券商金股池表现，并力求实现增强效果的最终组合[62] 4. 成长稳健组合 **模型构建思路**：采用“先时序、后截面”的方式，构建成长股二维评价体系，旨在对成长股股票池超额收益释放的黄金期进行提前布局[7][67] **模型具体构建过程**： 1. 筛选成长股股票池：以研报标题出现“超预期”及上市公司“业绩大增”作为条件，筛选出成长股股票池[7][67] 2. 时序维度处理（分档）：根据上市公司距离正式财报预约披露日的间隔天数进行分档，优先选择距离财报预约披露日较近的股票[7][67] 3. 截面维度处理（精选）：当样本数量较多时，采用多因子打分的方法进一步精选优质个股[7][67] 4. 组合构建与风险控制：构建100只股票的等权组合，并引入弱平衡机制、跃迁机制、缓冲机制和风险规避机制以降低组合换手、规避组合风险[67] 模型的回测效果 1. 优秀基金业绩增强组合 **回测区间**：2012.1.4 - 2025.6.30[53][56] **考虑仓位及交易费用后年化收益**：20.31%[53][56] **相对偏股混合型基金指数年化超额收益**：11.83%[53][56] **在主动股基中排名**：大部分年度业绩排名排在股基的前30%[53] 2. 超预期精选组合 **回测区间**：2010.1.4 - 2025.6.30[58][60] **满仓状态考虑交易费用后年化收益**：34.49%[58][60] **相对中证500指数年化超额收益**：32.62%[58][60] **考虑仓位及交易费用后年化收益**：30.55%[58][60] **相对偏股混合型基金指数年化超额收益**：24.68%[58][60] **在主动股基中排名**：每年业绩排名都排在主动股基的前30%[58] 3. 券商金股业绩增强组合 **回测区间**：2018.1.2 - 2025.6.30[63][66] **考虑仓位及交易费用后年化收益**：19.34%[63][66] **相对偏股混合型基金指数年化超额收益**：14.38%[63][66] **在主动股基中排名**：2018年至2025年期间，每年业绩排名都排在主动股基前30%的水平[63] 4. 成长稳健组合 **回测区间**：2012.1.4 - 2025.6.30[68][71] **满仓状态考虑交易费用后年化收益**：39.59%[68][71] **相对中证500指数年化超额收益**：34.73%[68][71] **考虑仓位及交易费用后年化收益**：35.51%[68][71] **相对偏股混合型基金指数年化超额收益**：26.88%[68][71] **在主动股基中排名**：各年度业绩排名基本都排在股基的前30%[68]

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：港股精选组合模型**[13][15] * **模型构建思路**：该模型旨在对分析师推荐股票池进行基本面和技术面的双层优选，挑选出同时具备基本面支撑和技术面共振的超预期股票[13][15] * **模型具体构建过程**：首先，以分析师上调盈利预测、分析师首次关注、分析师研报标题超预期事件作为分析师推荐事件，构建初始的分析师推荐股票池[15]；接着，对该股票池中的股票进行基本面和技术面两个维度的精选，最终构建出港股精选股票组合[15] 2. **因子名称：250日新高距离**[22] * **因子构建思路**：该因子用于量化表示股价接近其250日内最高点的程度，若创出新高则值为0，否则为正值表示回落幅度[22] * **因子具体构建过程**：具体计算公式如下： $$250 日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，`Closet` 为最新收盘价，`ts_max(Close, 250)` 为过去250个交易日收盘价的最大值[22] 3. **模型名称：平稳创新高股票筛选模型**[22][23] * **模型构建思路**：该模型用于在过去20个交易日创出过250日新高的股票池中，根据多重标准筛选出趋势更为稳健的“平稳创新高”股票[22][23] * **模型具体构建过程**：筛选过程分为多个步骤： 1. **确定样本池**：全部港股，但需剔除成立时间不超过15个月的股票[23] 2. **分析师关注度筛选**：过去6个月内，买入或增持评级的分析师研报不少于5份[23] 3. **股价相对强弱筛选**：过去250日涨跌幅位于样本池前20%[23] 4. **股价平稳性综合打分**：在满足上述条件的股票池内，使用以下两个指标进行综合打分，并选取排名在前50%的股票（若数量不足则最少取50只）[23] * **价格路径平滑性**：股价位移路程比（具体计算方法原文未详细给出）[23] * **创新高持续性**：过去120日的250日新高距离在时间序列上的均值（具体计算方法原文未详细给出）[23] 5. **趋势延续性筛选**：对经过上一步筛选的股票，计算其过去5日的250日新高距离在时间序列上的均值，并取排序靠前的50只股票作为最终的“平稳创新高股票”[23] 模型的回测效果 1. **港股精选组合模型**[18][19] * 全样本年化收益：19.11%[19] * 全样本超额收益（相对恒生指数）：18.48%[19] * 全样本信息比率（IR）：1.22[19] * 全样本跟踪误差：14.55%[19] * 全样本收益回撤比：0.78[19] * 全样本最大回撤：23.73%[19] * 2025年（截至20250630）年化收益：41.02%[19] * 2025年（截至20250630）超额收益：21.02%[19] * 2025年（截至20250630）信息比率（IR）：2.03[19] * 2025年（截至20250630）跟踪误差：17.33%[19] * 2025年（截至20250630）收益回撤比：1.95[19] * 2025年（截至20250630）最大回撤：10.77%[19] 量化因子与构建方式 （本报告中除“250日新高距离”因子外，未详细描述其他独立因子的构建方式） 因子的回测效果 （本报告中未提供独立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：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**：用于搭建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，但提及其核心是计算溢价率的Z-score值 模型的回测效果 （报告中未提供相关模型的量化回测效果指标取值） 量化因子与构建方式 （报告中未明确提及具体的量化因子构建） 因子的回测效果 （报告中未提供相关因子的量化回测效果指标取值） 其他监测结果 * **行业拥挤度监测结果**：监测显示，前一交易日电力设备、化工行业拥挤度靠前；计算机、汽车行业拥挤度水平较低；家电、通信行业拥挤度变动较大[3] * **主力资金流动监测结果**： * 前一交易日：主力资金流入电力设备；流出医药、电子[3] * 近三个交易日：主力资金减配电子、计算机；增配有色、银行[3] * 具体行业近三日主力资金净流入额数据详见报告图表[12] * **ETF资金流动监测结果**： * 宽基ETF、行业主题ETF呈净流出，风格策略ETF、跨境ETF呈净流入[5] * 具体ETF产品的日资金净流入/流出数据详见报告表格[6] * **ETF产品关注信号**：基于溢价率 Z-score 模型，报告列出了部分建议关注的ETF产品清单[13]

量化模型与构建方式 1. **模型名称：随机森林选股模型**[13] **模型构建思路**：考虑到影响样本股受指数调整事件冲击的因素具有多维和非线性特征，采用随机森林模型来预测成分股调整结果发布后相关个股的超额收益[13] **模型具体构建过程**：模型的特征选择基于被动指数基金调整持仓引发事件冲击的逻辑，主要从四个维度选取特征值[13]： * 被动资金持有规模变动 * 股票交易流动性 * 公司市值规模 * 股票价格趋势 使用这些特征训练随机森林模型，以预测公告日后个股的超额收益 模型的回测效果 1. **随机森林选股模型**（样本外，2020年12月至2025年6月）[17][24] * 在剔除样本股中，模型能有效区分股票受事件影响的程度，分组收益差距在公告日后约20个交易日（接近指数调整实施日）变得显著[24] 量化因子与构建方式 1. **因子名称：纳入效应因子**[14][17] **因子构建思路**：捕捉股票被纳入指数后，因被动资金调仓带来的短期正向价格冲击[14][17] **因子具体构建过程**：计算股票在指数调整公告日后特定窗口内的超额收益。例如，公告日后10日内的超额收益（相对于其新纳入的指数）[17] **因子评价**：在样本外期间，纳入效应仍然存在，但剔除效应减弱[17][24] 2. **因子名称：剔除效应因子**[14][24] **因子构建思路**：捕捉股票被剔除指数后，可能面临的短期负向价格冲击[14][24] **因子具体构建过程**：计算股票在指数调整公告日后特定窗口内的超额收益。例如，公告日后15日内的超额收益（相对于其被剔除的指数）[14][24] **因子评价**：在近期的样本外检验中，剔除效应已不显著[24] 因子的回测效果 1. **纳入效应因子**（样本外，2020年12月至2025年6月）[17][23] * **T+10超额收益**：纳入沪深300股票平均为2.53%（2024年12月为2.31%）；纳入中证500股票平均为1.01%（2025年6月为1.32%）[17][23] * **T+20超额收益**：纳入沪深300股票平均为0.91%；纳入中证500股票平均为0.65%[23] * **T+30超额收益**：纳入沪深300股票平均为0.74%；纳入中证500股票平均为0.57%[23] * **T+40超额收益**：纳入沪深300股票平均为0.24%；纳入中证500股票平均为-0.29%[23] * **T+50超额收益**：纳入沪深300股票平均为-1.02%；纳入中证500股票平均为-0.64%[23] * **T+60超额收益**：纳入沪深300股票平均为-0.31%；纳入中证500股票平均为-0.50%[23] 2. **剔除效应因子**（样本外，2020年12月至2025年6月）[24][31] * **T+10超额收益**：剔除沪深300股票平均为-0.25%；剔除中证500股票平均为-0.11%[31] * **T+20超额收益**：剔除沪深300股票平均为-0.99%；剔除中证500股票平均为-0.06%[31] * **T+30超额收益**：剔除沪深300股票平均为-1.82%；剔除中证500股票平均为0.32%[31] * **T+40超额收益**：剔除沪深300股票平均为-1.57%；剔除中证500股票平均为1.14%[31] * **T+50超额收益**：剔除沪深300股票平均为-1.69%；剔除中证500股票平均为1.19%[31] * **T+60超额收益**：剔除沪深300股票平均为-0.23%；剔除中证500股票平均为0.71%[31]

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范畴[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44]。 因此，本总结中关于量化模型与因子构建方式、模型与因子回测效果的部分均无相关内容。

根据提供的研报内容，以下是关于量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：250日新高距离**[11] * **因子构建思路**：该因子用于度量当前股价相对于过去250个交易日最高价的回落幅度，数值越小表明股价越接近历史高点，通常与动量效应相关[11] * **因子具体构建过程**：具体计算采用以下公式： $$250 \text{ 日新高距离} = 1 - \frac{\text{Close}_t}{\text{ts\_max(Close, 250)}}$$ 其中，$\text{Close}_t$ 代表股票在最新交易日（t日）的收盘价，$\text{ts\_max(Close, 250)}$ 代表过去250个交易日收盘价的最大值[11] 若最新收盘价创出新高，则该因子值为0；若股价自高点回落，则该因子为正值，表示回落的幅度[11] 2. **因子名称：平稳创新高股票筛选因子（复合因子）**[25][27] * **因子构建思路**：该复合因子旨在从创新高的股票中，进一步筛选出那些价格路径相对平稳、趋势具有持续性的股票，其理论基础在于研究表明平滑的动量效应可能更强[25] * **因子具体构建过程**：筛选过程分为多个步骤，具体条件如下： * **初筛条件**： * **股票池**：过去20个交易日内创出过250日新高的股票[25] * **分析师关注度**：过去3个月内，获得“买入”或“增持”评级的分析师研报数量不少于5份[27] * **股价相对强弱**：过去250日涨跌幅位于全市场前20%[27] * **综合打分筛选**：在满足上述初筛条件的股票池内，使用以下两个指标进行综合打分，并选取排名在前50%的股票[27] * **价格路径平滑性**：使用股价位移路程比衡量，计算公式为 $\frac{\text{过去120日涨跌幅的绝对值}}{\text{过去120日日涨跌幅绝对值加总}}$[25][27] * **创新高持续性**：过去120日的250日新高距离在时间序列上的均值[27] * **最终排序筛选**：对经过综合打分筛选后的股票，再根据 **趋势延续性**（过去5日的250日新高距离在时间序列上的均值）进行排序，最终选取排名最靠前的50只股票作为平稳创新高股票[27] 因子的回测效果 （注：研报中未提供因子在历史回测中的具体绩效指标，如IC值、IR值、多空收益等定量结果，因此本部分内容缺失） 量化模型与构建方式 （注：研报内容主要集中于因子构建和市场现状描述，未明确提及一个完整的、可产生投资组合权重的量化模型，因此本部分内容缺失） 模型的回测效果 （注：由于未识别出明确的量化模型，因此本部分内容缺失）