根据提供的研报内容，该报告主要分析了欧盟SFDR 2.0政策及其影响，并未涉及具体的量化模型或量化因子的构建、测试过程。报告的核心内容是政策解读、趋势研判和市场影响分析，属于定性研究范畴。 因此，本总结中不包含“量化模型与构建方式”、“模型的回测效果”、“量化因子与构建方式”及“因子的回测效果”等部分。

根据提供的华创证券金工周报（20251124-20251128），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：成交量模型**[11][12] * **模型构建思路**：基于市场成交量的变化来判断短期市场情绪和趋势[11][12]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅给出了其信号判断结果[11][12]。 2. **模型名称：特征龙虎榜机构模型**[11][12] * **模型构建思路**：利用龙虎榜中机构投资者的买卖行为数据构建特征，用于市场短期择时[11][12]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅给出了其信号判断结果[11][12]。 3. **模型名称：特征成交量模型**[11][12] * **模型构建思路**：基于特定的成交量特征（可能与龙虎榜相关）进行短期市场判断[11][12]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅给出了其信号判断结果[11][12]。 4. **模型名称：智能算法沪深300模型 / 智能算法中证500模型**[11][12] * **模型构建思路**：应用智能算法（如机器学习等）对特定宽基指数（沪深300、中证500）进行择时判断[11][12]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅给出了其信号判断结果[11][12]。 5. **模型名称：涨跌停模型**[13] * **模型构建思路**：通过分析市场中涨停和跌停股票的数量或比例来判断中期市场情绪[13]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅给出了其信号判断结果[13]。 6. **模型名称：上下行收益差模型**[11][13] * **模型构建思路**：通过计算市场上行收益与下行收益的差异来判断市场动能和趋势[11][13]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅给出了其信号判断结果[11][13]。 7. **模型名称：月历效应模型**[13] * **模型构建思路**：基于历史数据中存在的特定月份或时间段的规律性表现进行中期市场判断[13]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅给出了其信号判断结果[13]。 8. **模型名称：长期动量模型**[14] * **模型构建思路**：基于资产的长期价格动量（趋势）进行判断，认为过去表现好的资产未来仍可能表现良好[14]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅给出了其信号判断结果[14]。 9. **模型名称：A股综合兵器V3模型 / A股综合国证2000模型**[15] * **模型构建思路**：将短期、中期、长期等多个单一模型或因子信号进行综合耦合，形成最终的复合判断模型，旨在攻守兼备[9][15]。 * **模型具体构建过程**：报告提及了模型耦合的思想，但未提供V3或国证2000综合模型的具体耦合公式和权重分配细节[9][15]。 10. **模型名称：成交额倒波幅模型**[16] * **模型构建思路**：结合成交额和波动率（倒波幅）指标对港股市场进行中期判断[16]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅给出了其信号判断结果[16]。 11. **模型名称：恒生指数上下行收益差模型**[16] * **模型构建思路**：原理同A股的上下行收益差模型，应用于恒生指数进行中期判断[16]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅给出了其信号判断结果[16]。 12. **因子/策略名称：杯柄形态**[44][45][46] * **因子/策略构建思路**：识别股价走势中类似于“杯子和杯柄”的图表形态，该形态被认为是看涨 continuation 模式，当股价突破杯柄区域的阻力位时产生买入信号[44][45][46]。 * **因子/策略具体构建过程**：通过识别三个关键点来定义形态：A点（杯左缘高点）、B点（杯底低点）、C点（杯右缘/柄部高点），当价格突破C点水平时视为形态突破，产生信号[46][48][49]。 * **因子/策略评价**：是一种经典的技术分析形态识别策略。 13. **因子/策略名称：双底形态**[44][50][51] * **因子/策略构建思路**：识别股价走势中形成两个近似低点（底部）的W形图表形态，该形态被认为是看涨 reversal 模式，当股价突破两个底部之间的颈线位时产生买入信号[44][50][51]。 * **因子/策略具体构建过程**：通过识别三个关键点来定义形态：A点（第一个底部）、B点（两个底部之间的反弹高点，即颈线位）、C点（第二个底部），当价格突破B点水平时视为形态突破，产生信号[50][54]。 * **因子/策略评价**：是一种经典的技术分析形态识别策略。 14. **因子/策略名称：倒杯子形态**[64][66] * **因子/策略构建思路**：识别股价走势中类似于倒置的“杯子和杯柄”的图表形态，该形态被认为是看跌 reversal 模式，当股价跌破形态支撑位时产生风险警示信号[64][66]。 * **因子/策略具体构建过程**：通过识别三个关键点来定义形态：A点（杯左缘低点）、C点（杯右缘/柄部低点）、E点（杯口高点），当价格跌破A-C点形成的支撑区域时视为形态突破，产生风险信号[64][66]。 * **因子/策略评价**：是一种用于识别潜在下跌风险的技术分析形态。 模型的回测效果 1. **杯柄形态组合**[44] * 本周收益：3.9%[44] * 本周相对上证综指超额收益：2.5%[44] * 2020年12月31日至今累计收益：10.82%[44] * 2020年12月31日至今相对上证综指超额收益：-1.14%[44] 2. **双底形态组合**[44] * 本周收益：3.33%[44] * 本周相对上证综指超额收益：1.93%[44] * 2020年12月31日至今累计收益：13.99%[44] * 2020年12月31日至今相对上证综指超额收益：2.02%[44] 量化因子与构建方式 （报告主要描述了择时模型和技术形态策略，未详细阐述用于选股或阿尔法策略的独立量化因子及其构建方式。） 因子的回测效果 （报告主要描述了择时模型和技术形态策略的回测效果，未提供独立量化因子的IC值、IR、多空收益等传统因子测试指标。）

经过仔细审阅提供的金融工程周报内容，发现该报告是一份典型的大类资产与基金市场周度综述报告。报告的核心内容是描述过去一周（2025年11月24日至11月28日）全球主要大类资产（包括权益、债券、商品、外汇）的市场表现以及国内公募基金市场的概况（如新成立基金、规模、业绩等）[5][10][11][30][31][37][43][46][49][53]。 **重要结论：** 本报告中**并未涉及**任何需要构建的**量化模型**或**量化因子**。报告内容完全是对历史市场行情和基金数据的描述性统计与展示，不具备量化模型或因子构建所需的任何方法论、公式、回测过程或效果评价。 因此，根据任务要求，对于报告中“没有相关内容”的部分应予以跳过，故本次总结将不输出“量化模型与构建方式”及“量化因子与构建方式”等章节。 若您有其他包含量化模型或因子构建细节的研报，欢迎提供，我将为您进行详细总结。

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：价格分段体系**[16][19] * **模型构建思路**：通过分析价格数据，识别市场在不同时间尺度（如日线、周线）上的趋势阶段[16] * **模型具体构建过程**：模型涉及dea指标，用于判断价格走势，但报告中未提供具体的计算步骤和公式[19] 2. **模型名称：微观市场结构择时模型**[17][20] * **模型构建思路**：通过监测“知情交易者活跃度”这一指标，来判断市场内部结构变化，从而进行择时[17] * **模型具体构建过程**：报告指出该指标与市场走势同步，但未详细说明其具体构建过程和计算公式[17][20] 3. **因子名称：分析师行业景气预期因子**[21][22] * **因子构建思路**：基于分析师对上市公司未来业绩的一致预测数据，构建反映行业景气度的因子[21] * **因子具体构建过程**：具体计算了两个指标： * 滚动未来12个月ROE（ROEFTTM）的环比变化[21][22] * 一致预期净利润滚动未来12个月（FTTM）增速的环比变化[21][22] 报告未提供具体的计算公式，仅展示了计算结果[21][22] 4. **因子名称：BARRA风格因子**[24][25] * **因子构建思路**：采用经典的BARRA风险模型框架，从多个维度（如价值、成长、动量、市值等）刻画市场的风格偏好[24] * **因子具体构建过程**：报告列举了多种风格因子，包括换手、财务杠杆、盈利波动、盈利质量、盈利能力、投资质量、长期反转、EP价值、BP价值、成长、动量、非线性市值、市值、波动率、贝塔、股息率等[24][25]。报告未详细描述每个因子的具体构建公式，仅展示了其近期收益表现[24][25] 模型的回测效果 （报告中未提供相关量化模型的具体回测效果指标取值） 因子的回测效果 1. **分析师行业景气预期因子**，本周一致预期ROE环比变化：有色金属 3.11%[22]，商贸零售 2.51%[22]，电力设备 1.37%[22]，...；本周一致预期净利润增速环比变化：商贸零售 16.90%[22]，电力设备 10.59%[22]，公用事业 9.91%[22]，... 2. **BARRA风格因子**，本周收益：换手 0.2%[25]，财务杠杆 -0.2%[25]，盈利波动 0.0%[25]，盈利质量 0.1%[25]，盈利能力 -0.2%[25]，投资质量 -0.1%[25]，长期反转 0.1%[25]，EP价值 -0.1%[25]，BP价值 0.1%[25]，成长 0.1%[25]，动量 1.0%[25]，非线性市值 -0.3%[25]，市值 -0.5%[25]，波动率 -0.2%[25]，贝塔 0.7%[25]，股息率 -0.1%[25]

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. 因子名称：风格相对拥挤度[129] **因子构建思路**：通过计算不同风格指数的换手率标准化值差异，来衡量风格之间的相对拥挤程度[129] **因子具体构建过程**： 1. 分别计算风格A和风格B指数的近252日平均换手率 2. 在2005年1月1日以来的历史时间序列上计算Z-score标准化值Z-score_A与Z-score_B 3. 计算二者差值：$$Z-score_A - Z-score_B$$ 4. 计算该差值的滚动6年历史分位数（历史数据量满1年且不足6年时，以全部历史数据进行计算）[129] 2. 因子名称：风格指数累计超额净值[130] **因子构建思路**：以万得全A为基准，计算各风格指数的相对表现[130] **因子具体构建过程**： 1. 以2020年1月4日为基准日 2. 将各指数的每日收盘点数除以基准日收盘点数得到各风格指数及万得全A指数的累计净值 3. 将各风格指数的累计净值除以同一交易日的万得全A指数累计净值得到累计超额净值[130] 3. 因子名称：机构调研活跃度[131] **因子构建思路**：通过机构调研次数的标准化处理，衡量不同板块的机构关注度[131] **因子具体构建过程**： 1. 将板块（指数、行业）的近n个交易日的"日均机构调研次数"在滚动y年的历史时间序列上进行z-score标准化 2. 与万得全A的结果作差得到"机构调研活跃度" 3. 计算"机构调研活跃度"的滚动y年历史分位数 4. 长期口径参数：n取126（近半年），滚动窗口为6年 5. 短期口径参数：n取63（近一季度），滚动窗口为3年[131] 4. 因子名称：风险溢价（erp）[50] **因子构建思路**：通过比较股票收益率与债券收益率，衡量权益资产的相对吸引力[50] **因子具体构建过程**： 计算公式：$$erp = \frac{1}{PE_{TTM}} - 10年期中债国债到期收益率$$[50] 其中PE_TTM为滚动市盈率 5. 因子名称：动量因子[62] **因子构建思路**：基于股票过去一段时间的历史收益率构建动量指标[62] **因子具体构建过程**： 动量指标 = 最近一年股票收益率 - 最近一个月股票收益率（剔除涨停板）[62] 6. 因子名称：反转因子[62] **因子构建思路**：基于股票短期反转效应构建反转指标[62] **因子具体构建过程**： 以最近一个月股票收益率作为筛选指标[62] 因子的回测效果 1. 风格相对拥挤度因子[70][74][77] - 成长vs红利相对拥挤度：本周末66%，上周末67%，上年末1%[70] - 小盘vs大盘相对拥挤度：本周末41%，上周末39%，上年末5%[70] - 微盘股vs中证800相对拥挤度：本周末91%，上周末89%，上年末89%[70] 2. 风格表现因子[59][60] - 成长较红利超额：近一周3.0%，近一月-1.4%，年初至今25.6%[59][60] - 小盘较大盘超额：近一周1.6%，近一月-1.1%，年初至今7.5%[59][60] - 微盘股较基金重仓超额：近一周2.7%，近一月8.1%，年初至今52.2%[59][60] - 动量较反转超额：近一周7.5%，近一月0.2%，年初至今24.9%[59][60] 3. 风险溢价（erp）因子[58] - 万得全A erp：本周末2.8%，分位值62%；上周末2.9%，分位值65%[58] - 沪深300 erp：本周末5.3%，分位值64%；上周末5.4%，分位值66%[58] - 创业板 erp：本周末0.7%，分位值87%；上周末0.8%，分位值89%[58] - 中证500 erp：本周末1.3%，分位值74%；上周末1.4%，分位值76%[58] 4. 估值因子（PE_TTM）[48] - 万得全A PE_TTM：本周末21.7，分位值72%；上周末21.3，分位值71%[48] - 沪深300 PE_TTM：本周末13.9，分位值62%；上周末13.9，分位值61%[48] - 中证1000 PE_TTM：本周末46.4，分位值66%；上周末44.8，分位值63%[48] - 创业板 PE_TTM：本周末39.2，分位值31%；上周末37.7，分位值27%[48]

量化模型与构建方式 **1 模型名称：指数成分股调整冲击模型**[2][7][9] - **模型构建思路**：该模型旨在测算因指数成分股定期调整而产生的潜在交易性机会，通过计算个股因调入/调出指数而面临的资金净流入/流出规模，并与其流动性对比来衡量冲击程度[2][5] - **模型具体构建过程**：模型的核心是计算冲击系数（effect），具体步骤如下： - 首先，汇总个股在所有相关指数中因成分股调整（包括调入、调出及权重变化）而产生的买入总规模和卖出总规模[9] - 其次，计算个股的净调整规模，即预计买入规模与预计卖出规模之差[8][9] - 然后，获取个股过去两周的日均成交额作为流动性指标[8][9] - 最后，计算冲击系数，公式如下： $$\mathrm{effect}_{s}={\frac{\sum_{i}^{m}w t_{i n}*i n d e x_{-}s c a l e_{i}-\sum_{i}^{n}w t_{o u t}*i n d e x_{-}s c a l e_{i}}{a v g_{-}a m t_{s}}}$$[7] 其中，`effect_s` 表示股票s的冲击系数，`wt_in` 表示股票在指数中的买入权重，`wt_out` 表示股票在指数中的卖出权重，`index_scale_i` 表示跟踪该指数i的被动产品总规模，`avg_amt_s` 表示股票s过去两周的日均成交额[7][9] - 在权重处理上，对于拟调出个股采用指数公司公布的最新权重，对于拟调入个股则基于自由流通市值测算，并考虑了部分指数的特殊加权方式（如股息率、自由现金流加权）和个股权重上限等规则[9] 模型的回测效果 **1 指数成分股调整冲击模型，预计净调整规模(亿元) 48.65，冲击系数 0.57**[10] **2 指数成分股调整冲击模型，预计净调整规模(亿元) 47.91，冲击系数 1.31**[10] **3 指数成分股调整冲击模型，预计净调整规模(亿元) 34.87，冲击系数 3.37**[10] **4 指数成分股调整冲击模型，预计净调整规模(亿元) 34.75，冲击系数 2.23**[10] **5 指数成分股调整冲击模型，预计净调整规模(亿元) 34.07，冲击系数 0.98**[10] **6 指数成分股调整冲击模型，预计净调整规模(亿元) -56.79，冲击系数 -0.48**[13] **7 指数成分股调整冲击模型，预计净调整规模(亿元) -38.98，冲击系数 -0.20**[13] **8 指数成分股调整冲击模型，预计净调整规模(亿元) -31.25，冲击系数 -0.37**[13]

根据提供的研报内容，以下是其中涉及的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：短期择时模型**[13][14][16] * **模型构建思路**：该模型从宏观基本面、估值面、情绪面和流动性四个维度，选取多个二级指标进行综合判断，以生成对A股市场的短期仓位信号。 * **模型具体构建过程**： * **第一步：构建一级指标信号**。模型包含四个一级指标：基本面、估值面、情绪面、流动性。每个一级指标下包含若干二级指标。 * **第二步：计算二级指标信号**。每个二级指标根据其当前值在过去5年历史数据中的分位数，被赋予“乐观”（对应信号值1.00）、“中性”（对应信号值0.50）或“谨慎”（对应信号值0.00）的信号。 * **基本面指标**：包括制造业PMI是否大于50、信贷脉冲环比变化分位数、M1同比增速（HP滤波去趋势）分位数[13][16]。 * **估值面指标**：包括A股整体PE分位数、A股整体PB分位数[13][16]。 * **情绪面指标**：包括A股整体Beta离散度分位数、A股整体量能情绪分位数、A股整体波动率分位数[14][16]。 * **流动性指标**：包括货币利率指标分位数、汇率预期指标分位数、沪深净融资额5日均值分位数[14][16]。 * **第三步：合成一级指标信号**。每个一级指标的综合信号由其下属的二级指标信号值简单平均或加权平均得到。 * **第四步：生成总仓位信号**。最终的总仓位信号由四个一级指标的综合信号值再次平均得到，并根据阈值确定最终的仓位建议（例如，高仓位、中性仓位、低仓位）[16]。 2. **模型名称：成长价值风格轮动模型**[23][24][25] * **模型构建思路**：该模型从基本面、估值面、情绪面三个维度分析成长风格与价值风格的相对强弱，以决定超配成长或价值风格。 * **模型具体构建过程**： * **第一步：维度信号分析**。模型在三个维度上分别计算信号： * **基本面**：基于盈利周期斜率、利率综合周期水平、信贷综合周期变化三个指标。例如，盈利周期斜率大时利好成长风格[23][25]。 * **估值面**：基于成长价值PE估值差的分位数和PB估值差的分位数。当估值差的分位数较低，意味着均值回归上行，利好成长风格[23][25]。 * **情绪面**：基于成长价值换手差的分位数和波动差的分位数。换手差偏高利好成长风格[23][25]。 * **第二步：信号合成**：每个维度内的指标信号被综合（例如，加权平均或投票），得出该维度的最终建议仓位（如100%成长/0%价值）。 * **第三步：模型最终决策**：综合三个维度的建议，得出最终的风格配置建议（例如，超配成长）[23][25]。 3. **模型名称：小盘大盘风格轮动模型**[27][28][29] * **模型构建思路**：该模型基于专题研究，从流动性等多个视角选取11个有效指标，构建综合信号来判断小盘风格与大盘风格的轮动机会。 * **模型具体构建过程**： * **第一步：选取有效指标**。模型共使用11个指标，包括A股龙虎榜买入强度、R007、融资买入余额变化、主题投资交易情绪、等级利差、期权波动率风险溢价、beta离散度、pb分化度、大宗交易折溢价率、中证1000MACD(10,20,10)、中证1000交易量能[29]。 * **第二步：生成单个指标信号**。每个指标独立产生一个对小盘风格的仓位建议（0%或100%，或可能的中性仓位），例如，0%表示看空小盘（即看多大盘），100%表示看多小盘[29]。 * **第三步：合成综合信号**。将所有11个指标的信号进行综合（具体方法未在提供内容中详述，可能为平均或投票），得出最终的小盘风格综合仓位信号，其补集即为大盘风格仓位信号[27][29]。 模型的回测效果 1. **短期择时模型**[15][18][19][21] * 年化收益率：16.41%（基准为4.74%） * 年化超额收益率：11.66% * 年化波动率：14.82%（基准为11.60%） * 最大回撤：14.07%（基准为31.41%） * 夏普比率：0.9647（基准为0.2854） * 收益回撤比：1.1664（基准为0.1511） * 月度胜率：66.03%（基准为53.85%） * 2024年以来年化收益率：29.24%（基准为9.02%） * 2024年以来夏普比率：1.4804（基准为0.6509） 2. **成长价值风格轮动模型**[24][26] * 年化收益率：12.40%（基准为7.75%） * 年化超额收益率：4.65% * 年化波动率：20.82%（基准为20.69%） * 最大回撤：43.07%（基准为44.13%） * 夏普比率：0.5704（基准为0.3684） * 收益回撤比：0.2879（基准为0.1757） * 月度胜率：58.06%（基准为55.48%） * 2025年以来收益率：19.75%（基准为22.28%） 3. **小盘大盘风格轮动模型**[28][29] * 综合策略年化收益率：19.64%（基准未明确给出单一数值，但提及基准为沪深300和中证1000全收益指数的等权组合） * 综合策略年化超额收益率：12.63% * 综合策略最大回撤：40.70% * 2025年以来超额收益率：10.82% * 部分单一指标年化超额收益率示例：融资买入余额变化（5.66%）、中证1000交易量能（9.63%）[29] 量化因子与构建方式 1. **因子名称：Beta离散度**[12][14][16][29] * **因子构建思路**：用于衡量市场中个股收益率相对于市场基准收益率（Beta）的分散程度，反映市场共识度和交易主线明确性。 * **因子具体构建过程**：报告中未提供具体的计算公式，但指出该指标的分位数被用于情绪面分析。当Beta离散度偏高时，通常给出谨慎信号[14][16]。 2. **因子名称：PB分化度**[12][29] * **因子构建思路**：用于衡量市场中个股市净率（PB）的离散程度，反映估值层面的分化情况。 * **因子具体构建过程**：报告中未提供具体的计算公式，但指出该指标被用于情绪面分析和大小盘轮动模型。PB分化度下行被视为谨慎信号[12][29]。 3. **因子名称：量能情绪**[14][16][29] * **因子构建思路**：综合交易量能信息，反映市场交易活跃度和情绪强弱。 * **因子具体构建过程**：报告中未提供“量能情绪得分”的具体计算公式，但指出其分位数被用于情绪面分析。量能情绪偏弱时给出谨慎信号[14][16]。在大小盘轮动中，“中证1000交易量能”作为一个独立指标使用[29]。 4. **因子名称：成长价值估值差（PE/PB）**[23][25] * **因子构建思路**：计算成长风格与价值风格在估值指标（如PE中位数、PB中位数）上的差异，并通过其历史分位数判断均值回归方向。 * **因子具体构建过程**：报告中未提供具体的差值计算公式，但使用了“成长价值PE差分位数”和“成长价值PB差分位数”的概念。当这些差分位数较低时，认为估值差有均值回归上行的动力，利好成长风格[23][25]。 5. **因子名称：成长价值换手差/波动差**[23][25] * **因子构建思路**：计算成长风格与价值风格在换手率、波动率上的差异，反映市场对不同风格的情绪偏好和风险偏好。 * **因子具体构建过程**：报告中未提供具体的差值计算公式，但使用了“成长价值换手差分位数”和“成长价值波动差分位数”。例如，换手差偏高被认为利好成长风格[23][25]。 因子的回测效果 （注：提供的研报内容主要展示了整合这些因子的模型整体表现，未单独列出上述因子的独立回测绩效指标，如IC值、IR等。因此，此部分根据要求跳过。）

根据提供的金融工程市场跟踪周报，以下是总结的量化模型与因子内容。 量化模型与构建方式 1. **模型名称：量能择时模型**[22] * **模型构建思路**：通过分析主要宽基指数的成交量能状态，来判断市场短期走势，当量能与价格表现不匹配时，预示反弹力度可能减弱[22] * **模型具体构建过程**：报告未详细描述该模型的具体计算过程和公式，仅给出了基于该模型的最终观点信号[22] 2. **模型名称：沪深300上涨家数占比情绪指标**[23] * **模型构建思路**：利用市场强势股的示范效应，通过计算指数成分股中近期上涨股票的数量占比来判断市场情绪。情绪过低可能预示底部，情绪过高则提示风险[23] * **模型具体构建过程**：计算沪深300指数成分股在过去N日内收益率大于0的个股数量占成分股总数的比例。 具体公式为： $$沪深300指数N日上涨家数占比 = \frac{沪深300指数成分股过去N日收益大于0的个股数}{沪深300指数成分股总数}$$[23] 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”指标进行平滑处理，通过比较短期和长期平滑线的相对位置来生成交易信号，以捕捉市场情绪的变动趋势[28] * **模型具体构建过程**： 1. 计算基础指标：沪深300指数N日上涨家数占比（N=230）[28] 2. 对该基础指标分别进行窗口期为N1=50和N2=35的移动平均，得到慢线和快线（N1>N2）[28] 3. 当快线大于慢线时，生成看多信号；当快线小于慢线时，对市场持谨慎或中性态度[28] 4. **模型名称：均线情绪指标择时模型**[31][32] * **模型构建思路**：基于技术分析中的均线理论，通过判断当前价格相对于一组均线的位置来评估市场趋势和情绪状态[31] * **模型具体构建过程**： 1. 计算沪深300收盘价的八条均线，参数分别为8, 13, 21, 34, 55, 89, 144, 233[31] 2. 统计当日沪深300收盘价位于这八条均线之上的数量[32] 3. 当收盘价位于五条及以上均线之上时，生成看多信号[32] 5. **因子名称：横截面波动率**[34] * **因子构建思路**：通过计算特定指数内所有成分股在同一时期收益率的离散程度，来衡量市场分化程度和选股（Alpha）环境的优劣[34] * **因子具体构建过程**：报告未提供该因子的具体计算公式，但指出其用于衡量沪深300、中证500、中证1000等指数成分股收益率的截面差异[34] 6. **因子名称：时间序列波动率**[38] * **因子构建思路**：通过计算指数成分股收益率在时间序列上的波动情况，来评估市场的整体波动水平和Alpha环境[38] * **因子具体构建过程**：报告未提供该因子的具体计算公式，但指出其用于衡量沪深300、中证500、中证1000等指数成分股加权后的时间序列波动率[38] 7. **因子名称：基金抱团分离度**[81] * **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，来作为基金抱团程度的代理变量。标准差小表明抱团程度高，标准差大表明抱团瓦解[81] * **因子具体构建过程**：具体计算方式为抱团基金截面收益的标准差[81] 模型的回测效果 1. **动量情绪指标择时模型**，报告未提供具体的回测绩效指标，仅展示了策略净值表现图[29] 2. **均线情绪指标择时模型**，报告未提供具体的回测绩效指标，仅展示了策略净值表现图[33] 量化因子的回测效果 1. **横截面波动率因子**，近两年平均值：沪深300为1.92，中证500为2.11，中证1000为2.30[38]；近一年平均值：沪深300为1.88，中证500为2.12，中证1000为2.40[38]；近半年平均值：沪深300为1.97，中证500为2.14，中证1000为2.39[38]；近一季度平均值：沪深300为2.23，中证500为2.41，中证1000为2.59[38]；近一季度平均值占近两年分位：沪深300为80.54%，中证500为74.60%，中证1000为82.47%[38]；近一季度平均值占近一年分位：沪深300为79.71%，中证500为74.60%，中证1000为78.49%[38]；近一季度平均值占近半年分位：沪深300为78.05%，中证500为78.57%，中证1000为75.30%[38] 2. **时间序列波动率因子**，近两年平均值：沪深300为0.65%，中证500为0.47%，中证1000为0.26%[41]；近一年平均值：沪深300为0.61%，中证500为0.45%，中证1000为0.25%[41]；近半年平均值：沪深300为0.61%，中证500为0.45%，中证1000为0.24%[41]；近一季度平均值：沪深300为0.71%，中证500为0.52%，中证1000为0.27%[41]；近一季度平均值占近两年分位：沪深300为75.36%，中证500为78.57%，中证1000为82.07%[41]；近一季度平均值占近一年分位：沪深300为75.78%，中证500为76.19%，中证1000为79.28%[41]；近一季度平均值占近半年分位：沪深300为69.77%，中证500为76.19%，中证1000为74.10%[41]

根据提供的量化周报内容，以下是报告中所涉及的量化模型和因子的总结。 量化模型与构建方式 1. **模型名称：A股景气度高频指数模型**[31] * **模型构建思路**：该模型以上证指数归母净利润同比为Nowcasting（即时预测）目标，旨在构建一个能够高频反映A股整体景气度变化的指数[31]。 * **模型具体构建过程**：报告指出模型构建的详细方法请参考其前期研究报告《视角透析：A股景气度高频指数构建与观察》，因此本报告未提供具体构建公式和过程[31]。 2. **模型名称：A股情绪指数模型**[34] * **模型构建思路**：该模型基于市场的波动率和成交额变化来刻画投资者情绪。它将市场按照波动率和成交额的变化方向划分为四个象限，并据此构建包含见底预警与见顶预警的情绪指数[34]。 * **模型具体构建过程**：报告指出模型构建的详细方法请参考其前期研究报告《视角透析：A股情绪指数构建与观察》，因此本报告未提供具体构建公式和过程[34]。 3. **模型名称：主题挖掘算法模型**[49] * **模型构建思路**：该模型通过分析新闻和研报文本，从多个维度挖掘主题投资机会[49]。 * **模型具体构建过程**：模型构建过程涉及文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建、主题影响力因子构建等多个步骤。报告未提供每一步骤的详细公式[49]。 4. **模型名称：中证500指数增强模型**[49][52] * **模型构建思路**：通过量化策略模型构建投资组合，旨在获得超越中证500基准指数的超额收益[49]。 * **模型具体构建过程**：报告未详细说明该增强模型的具体因子构成和权重配置方法，仅给出了根据策略模型生成的当期持仓列表[52][55]。 5. **模型名称：沪深300指数增强模型**[56][59] * **模型构建思路**：通过量化策略模型构建投资组合，旨在获得超越沪深300基准指数的超额收益[56]。 * **模型具体构建过程**：报告未详细说明该增强模型的具体因子构成和权重配置方法，仅给出了根据策略模型生成的当期持仓列表[59][60]。 模型的回测效果 1. **中证500增强模型**：截至报告周，2020年至今，组合相对中证500指数超额收益49.37%，最大回撤-5.73%[49]。 2. **沪深300增强模型**：截至报告周，2020年至今，组合相对沪深300指数超额收益37.55%，最大回撤-5.86%[56]。 量化因子与构建方式 1. **因子体系：BARRA风格因子体系**[61] * **因子的构建思路**：参照国际通用的BARRA因子模型，针对A股市场构建十大类风格因子，用于解释股票收益的来源和进行组合绩效归因[61]。 * **因子具体构建过程**：报告列出了十大类风格因子的名称，包括市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）和杠杆（LVRG），但未提供每个因子的具体计算公式[61]。 因子的回测效果 *报告的本周因子表现分析部分未提供各个因子具体的量化回测指标（如IC值、IR值等），仅进行了定性的相对表现描述，因此本部分略过。* 模型或因子的评价 *报告中对上述模型和因子未提供明确的定性评价。*

量化模型与构建方式 1. **模型名称：周期分析模型**[1][9] * **模型构建思路**：通过分析市场指数的历史价格数据，识别不同时间周期（如月线级别）下的趋势和转折点，以判断市场未来的可能走势[1][9] * **模型具体构建过程**：该模型通过对上证综指等主要宽基指数的历史价格序列进行分析，识别并跟踪自特定时点（如2024年初）开始的长期趋势（月线级别上行趋势）[1][9]。当价格出现调整甚至跌破短期通道时，模型用于评估长期趋势是否仍保持有效[1][9] 2. **模型名称：缠论及趋势分析模型**[8][12][14] * **模型构建思路**：基于缠中说禅理论，结合趋势分析，对市场指数的走势进行技术分析，识别类似的历史形态（如与2017年11月底至12月初的状态进行类比）以预测未来走势[1][8][12][14] * **模型具体构建过程**：该模型应用于上证综指等指数，通过分析K线图的笔、线段、中枢等缠论基本构件，结合趋势线分析，判断市场的当前结构（如上升通道）以及可能的演变路径（如震荡筑底）[1][8][12][14] 3. **模型名称：四轮驱动模型**[3][10][11] * **模型构建思路**：通过综合多个技术信号（如量价关系、超跌形态）对具体板块（如小盘成长、煤炭、中证半导体材料设备、科创材料）的未来走势进行判断[3][10][11] * **模型具体构建过程**：模型针对不同板块应用不同的分析逻辑： * 对于小盘成长板块，识别“周期分析低吸信号”，即价格回调后出现的特定技术买点[11] * 对于煤炭板块，关注调整过程中的“明显缩量”现象，作为企稳反弹的先行指标[11] * 对于中证半导体材料设备板块，观察“调整后缩量明显”并结合“当前出现适度放量”作为可能企稳反弹的信号[3][11] * 对于科创材料板块，识别“C浪超跌”后的企稳迹象，作为短期反弹的参考[11] 量化因子与构建方式 1. **因子名称：高频温度计**[1][9] * **因子构建思路**：通过计算主要宽基指数的高频数据，生成一个衡量市场短期情绪或超买超卖状态的指标，数值越低代表市场情绪越低迷，风险相对可控[1][9] * **因子具体构建过程**：报告提到主要宽基指数的“高频温度计均值仍低于20”，表明该因子可能是一个综合多个高频指标（如涨跌比率、波动率等）的复合指标，并将其数值归一化到某个区间（如0-100），低于20被视为“明显偏低水平”[1][9] 2. **因子名称：行业分歧度**[2][8][9][19] * **因子构建思路**：通过计算一级行业之间走势的差异程度，来衡量市场热点的集中或分散情况，指标处于偏低位置可能预示新主线酝酿[2][8][9][19] * **因子具体构建过程**：报告指出“当前一级行业的行业分歧度已降至近几年偏低位置”[2][9]。该因子的具体计算可能基于各行业指数的收益率或价格序列，通过计算其离散度（如标准差、变异系数）或相关性矩阵的特征值等方法来度量行业间的分化程度[2][8][9][19] 模型的回测效果 （报告中未提供具体模型的回测指标数值） 因子的回测效果 （报告中未提供具体因子的回测指标数值）