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、资金流向等市场监测指标，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与描述性分析范畴。 因此，本次总结无相关内容可输出。

量化模型与因子总结 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：** 通过量化方法对申万一级行业指数的拥挤程度进行每日监测，以识别市场热度较高的行业和热度较低的行业[3] * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细步骤，仅提及了其监测结果和应用[3] 2. **模型名称：溢价率 Z-score 模型**[4] * **模型构建思路：** 通过计算ETF溢价率的Z-score值，来识别存在潜在套利机会的ETF标的，同时提示标的回调风险[4] * **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，仅提及了其应用目的[4] 模型的回测效果 报告未提供上述模型的量化回测效果指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）[1][2][3][4][5][6][7][8][9][11][12][13] 量化因子与构建方式 报告未明确提及具体的量化因子及其构建方式[1][2][3][4][5][6][7][8][9][11][12][13] 因子的回测效果 报告未提供任何量化因子的回测效果指标[1][2][3][4][5][6][7][8][9][11][12][13]

根据研报内容，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：个股总热度因子[7]** - 因子构建思路：从行为金融学角度，利用投资者有限注意力导致的过度定价与反应不足现象，通过个股的浏览、自选与点击数据构建情绪热度代理变量[7] - 因子具体构建过程：首先计算每只股票每日的浏览、自选与点击次数之和，然后将该数值除以同一日全市场所有股票的浏览、自选与点击次数之和进行归一化处理，最后将归一化后的数值乘以10000，使因子取值区间为[0,10000][7] - 因子评价：该因子作为情绪热度的有效代理变量，能够捕捉市场关注度变化 **2 因子名称：宽基总热度因子[8]** - 因子构建思路：将全A样本按主流宽基指数分组，通过对组内成分股总热度指标求和，得到宽基层面的聚合热度指标[8] - 因子具体构建过程：将股票按沪深300、中证500、中证1000、中证2000以及"其他"进行分组，对每一组中的所有成分股的个股总热度因子值进行求和处理，得到5个宽基指数的总热度值[8] **3 因子名称：行业总热度因子[20]** - 因子构建思路：采用与宽基总热度相同的方法，对申万一级、二级行业内的成分股总热度进行加总，得到行业层面的热度指标[20] - 因子具体构建过程：按照申万行业分类标准，对每个行业内的所有成分股的个股总热度因子值进行求和计算[20] **4 因子名称：概念总热度因子[28]** - 因子构建思路：通过对概念板块内成分股总热度进行聚合，得到概念层面的热度追踪指标[28] - 因子具体构建过程：按照概念板块划分，对每个概念对应的所有成分股的个股总热度因子值进行求和计算[28] **5 因子名称：热度变化率因子[11]** - 因子构建思路：计算不同层级热度指标的周度变化率，捕捉市场情绪的边际变化[11] - 因子具体构建过程：计算本周热度值与上周热度值的相对变化率，公式为： $$变化率 = \frac{本周热度 - 上周热度}{上周热度} \times 100\%$$ 并对变化率取2期移动平均进行平滑处理[11] **6 因子名称：估值历史分位数因子[38]** - 因子构建思路：通过计算当前估值在历史序列中的相对位置，判断估值水平的高低[38] - 因子具体构建过程：对于宽基指数，采用滚动5年窗口计算当前PE值在历史序列中的分位数；对于行业指数，从2015年开始计算当前PE值在完整历史序列中的分位数[38] 量化模型与构建方式 **1 模型名称：宽基轮动策略模型[13]** - 模型构建思路：基于热度变化率的均值回归特性，构建在宽基指数间进行轮动的交易策略[13] - 模型具体构建过程：在每周最后一个交易日，计算5个宽基组（沪深300、中证500、中证1000、中证2000、其他）的热度变化率MA2值，选择变化率最大的宽基组进行投资，如果变化率最大的为"其他"组则保持空仓[13] **2 模型名称：热门概念组合策略模型[31]** - 模型构建思路：利用概念热度的短期行为金融特征，构建逆向投资组合[31] - 模型具体构建过程：每周筛选出热度变化率最大的5个概念，排除概念成分股中流通市值最小的20%股票，然后构建两个组合：TOP组合选取每个热门概念中总热度排名前10的个股等权持有；BOTTOM组合选取每个热门概念中总热度排名最后10只个股等权持有[31] 模型的回测效果 **1 宽基轮动策略模型[16]** - 年化收益率：8.74%[16] - 最大回撤：23.5%[16] - 2025年收益：38.5%[16] **2 热门概念BOTTOM组合策略[34]** - 年化收益率：15.71%[34] - 最大回撤：28.89%[34] - 2025年收益：42.2%[34] 因子的回测效果 **1 热度变化率因子（宽基层面）[16]** - 本周变化率最大值："其他"组提高11.95%[16] - 本周变化率最小值：沪深300降低13.87%[16] **2 热度变化率因子（行业层面）[27]** - 申万一级行业正向变化前5：煤炭(96.1%)、石油石化、交通运输、银行、综合[27] - 申万一级行业负向变化前5：钢铁、汽车、非银金融、有色金属、电力设备(-17.9%)[27] - 申万二级行业正向变化前5：焦炭Ⅱ、油服工程、航运港口、煤炭开采、国有大型银行Ⅱ[27] **3 热度变化率因子（概念层面）[36][37]** - 概念热度变化最大前5：可燃冰(1130.6%)、页岩气(291.9%)、赛马概念(123.4%)、天然气(114.4%)、特色小镇(107.7%)[36][37] **4 估值历史分位数因子[38][39]** - 宽基估值分位数：沪深300(90%)、中证500(98%)、中证1000(94%)[38] - 行业估值分位数80%以上：钢铁、电子、电力设备、银行、轻工制造、国防军工、计算机、医药生物、煤炭、建筑材料、商贸零售[39] - 行业估值分位数20%以下：非银金融、交通运输、食品饮料、综合[39]

根据提供的研报内容，该报告主要跟踪和测算网下打新策略的表现，并未涉及传统的量化选股模型或多因子模型。报告的核心是构建了一个理论打新收益测算框架，并基于此框架给出了详细的回测结果。 量化模型与构建方式 1. **模型名称**：理论打新收益测算模型[11][39] * **模型构建思路**：通过设定一系列假设条件，模拟不同类别（A类/B类）、不同资产规模的投资者参与网下新股申购并上市首日卖出的完整流程，从而估算其理论打新收益和收益率[11][39] * **模型具体构建过程**： * **核心假设**： * 投资者参与所有主板、科创板、创业板的新股网下申购[11] * 科创板和创业板的报价全部入围（即均能成功申购）[39] * 上市首日以市场均价（报告中具体为“首次开板日均价”）卖出[11][35] * 忽略锁定期的卖出限制[11] * 账户资金配置为一半沪市市值、一半深市市值，且股票仓位满仓[39] * 资金使用效率为90%[39] * **收益计算步骤**： 1. **计算单只新股“满中数量”**：“满中数量”指顶格申购所能获配的新股数量。计算公式如下： $$类满中数量 = 可申购上限额度 × 网下类平均中签率$$ [35] 2. **计算单只新股“满中收益”**：基于“满中数量”和上市后的价格涨幅计算单只新股的绝对收益。计算公式如下： $$满中收益 = (首次开板价 - 首发价格) × 满中数量$$ [35] 3. **计算账户总打新收益**：将测算时间段内（如每月、每年）所有新股的打新收益相加，得到总收益[39][41] 4. **计算账户打新收益率**：用总收益除以账户规模，再考虑资金使用效率，得到打新收益率。具体计算逻辑为：总收益 / (账户规模 × 资金使用效率)[39][41] 模型的回测效果 报告提供了基于上述模型，在不同账户类型、不同规模、不同市场板块下的详细回测数据。以下结果均基于“上市首日卖出”的统计口径。 1. **A类账户打新收益率**[11][41][42][43][44] * **2亿规模账户**：2025年至今打新收益率2.44%（所有板块）[11][41]；2024年至今打新收益率6.17%（所有板块）[41] * **10亿规模账户**：2025年至今打新收益率0.77%（所有板块）[11][41]；2024年至今打新收益率1.77%（所有板块）[41] * **分板块2025年至今收益率（2亿规模）**：科创板0.51%[42]，创业板1.24%[43]，主板0.69%[44] 2. **B类账户打新收益率**[11][47][48][49][50] * **2亿规模账户**：2025年至今打新收益率2.19%（所有板块）[11][47]；2024年至今打新收益率5.11%（所有板块）[47] * **10亿规模账户**：2025年至今打新收益率0.70%（所有板块）[11][47]；2024年至今打新收益率1.52%（所有板块）[47] * **分板块2025年至今收益率（2亿规模）**：科创板0.49%[48]，创业板1.10%[49]，主板0.61%[50] 3. **近期新股表现**：滚动跟踪近期20只新股，科创板个股上市首日平均涨幅为218.45%，创业板个股上市首日平均涨幅为244.28%[1][16] 量化因子与构建方式 本报告为打新策略跟踪报告，未涉及用于选股或择时的量化因子。 因子的回测效果 本报告为打新策略跟踪报告，未涉及量化因子的测试结果。

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：扩散指数模型**[6][18][39] * **模型构建思路**：通过监测微盘股指数成分股未来不同涨跌幅情景下的扩散指数值，来预测市场变盘的临界点，并利用三种不同的交易方法（首次阈值法、延迟阈值法、双均线法）来生成交易信号[6][18][39] * **模型具体构建过程**：该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1.1到0.9代表涨10%到跌10%），纵轴代表回顾过去或展望未来的窗口期长度（T天或N天）[39] 扩散指数的计算基于微盘股指数成分股在当前时点下，达到未来特定涨跌幅的股票数量占比[39] 具体应用时，模型使用三种方法生成信号： * **首次阈值法（左侧交易）**：当扩散指数首次突破设定的阈值时触发信号，例如在2025年9月23日收盘时指数为0.0575触发开仓信号[6][18][43] * **延迟阈值法（右侧交易）**：为了确认趋势，当扩散指数在首次突破后再次满足某个条件时触发信号，例如在2025年9月25日指数为0.1825时给予开仓信号[6][18][46] * **双均线法（自适应交易）**：使用两条不同周期的移动平均线，当短期均线上穿长期均线时产生看多信号，例如在2025年10月13日收盘时产生看多信号[6][18][47] 2. **模型名称：小市值低波50策略**[8][17][35] * **模型构建思路**：在万得微盘股指数的成分股中，结合小市值和低波动两个特征，筛选出50只股票构建投资组合，以追求超越基准的超额收益[8][17][35] * **模型具体构建过程**：策略的选股池限定为万得微盘股指数(8841431.WI)的成分股[8][17] 在选股池内，同时使用市值因子和波动率因子进行筛选，优先选择市值更小、波动率更低的股票[8][35] 最终选出50只股票构成投资组合，并每两周调仓一次（双周调仓）[8][17] 策略回测考虑了交易成本，按双边千分之三（0.3%）计算[8][17] 模型的回测效果 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71.25%，本周超额收益2.65%[8][17][35] 量化因子与构建方式 1. **因子名称：非流动性因子**[5][16][33] * **因子评价**：本周表现优异，rankIC值为0.147，远高于其历史平均值0.04[5][16][33] 2. **因子名称：贝塔因子**[5][16][33] * **因子评价**：本周表现良好，rankIC值为0.134，显著高于其历史平均值0.004[5][16][33] 3. **因子名称：标准化预期盈利因子**[5][16][33] * **因子评价**：本周表现良好，rankIC值为0.132，高于其历史平均值0.014[5][16][33] 4. **因子名称：单季度净利润增速因子**[5][16][33] * **因子评价**：本周表现较好，rankIC值为0.088，高于其历史平均值0.02[5][16][33] 5. **因子名称：单季度净资产收益率因子**[5][16][33] * **因子评价**：本周表现正向，rankIC值为0.045，高于其历史平均值0.022[5][16][33] 6. **因子名称：非线性市值因子**[5][16][33] * **因子评价**：本周表现较差，rankIC值为-0.228，远低于其历史平均值-0.034[5][16][33] 7. **因子名称：对数市值因子**[5][16][33] * **因子评价**：本周表现较差，rankIC值为-0.228，远低于其历史平均值-0.034[5][16][33] 8. **因子名称：过去10天收益率因子（动量因子）**[5][16][33] * **因子评价**：本周表现不佳，rankIC值为-0.22，低于其历史平均值-0.061[5][16][33] 9. **因子名称：成交额因子**[5][16][33] * **因子评价**：本周表现不佳，rankIC值为-0.139，低于其历史平均值-0.082[5][16][33] 10. **因子名称：残差波动率因子**[5][16][33] * **因子评价**：本周表现不佳，rankIC值为-0.128，低于其历史平均值-0.039[5][16][33] 报告中还提及了其他因子，如杠杆因子、未复权股价因子、成长因子、10天自由流通市值换手率因子、过去一年波动率因子、10天总市值换手率因子、流动性因子、pe_ttm倒数因子、股息率因子、pb倒数因子、盈利因子、动量因子、自由流通比例因子等，并展示了其本周rankIC值[34] 因子的回测效果 报告中主要提供了因子在特定周度（截至2025年10月24日当周）的RankIC值及其历史平均表现，用于评估因子的短期表现与历史规律的差异[5][16][33][34] 具体数值已在上文各因子评价中列出

根据研报内容，本报告主要是一份基金市场与ESG产品的周度跟踪报告，其核心在于对市场表现、基金产品、ETF资金流向等进行数据统计和描述性分析。报告本身并未提出或详细阐述新的量化模型或量化因子的构建过程。报告中提到的模型或方法均引用自其过往的历史研报，但未在本次周报中提供具体的构建细节和公式。 量化模型与构建方式 1. **模型名称**：主动偏股基金高频仓位测算模型[67] * **模型构建思路**：由于公募基金股票仓位披露频率低，该模型旨在利用基金每日净值序列，通过定量方法高频估算主动偏股基金的股票仓位变动趋势和行业配置动向[67] * **模型具体构建过程**：报告指出该方法是以基金每日披露的净值序列为因变量，利用带约束条件的多元回归模型，在基准或构建的其他资产序列组成的自变量中寻找基金仓位的最优估计结果。报告提及本模型改进了自变量的组合序列选择和构建，并构建了各只基金的模拟组合以提升估算准确度，但未提供具体的回归模型公式、约束条件设定及自变量构建细节。具体计算方式请参阅其2022年9月18日发布的报告《国内公募基金费率的发展现状和变化趋势》[67] 2. **模型/指数名称**：REITs系列指数[51] * **模型/指数构建思路**：为投资者提供基于指数化投资思想的资产配置新视角，构建完整的REITs系列指数以综合反映REITs市场表现，并提供不同底层资产、项目类型的细分REITs指数[51] * **模型/指数具体构建过程**： * 指数类型：考虑到REITs的高分红特性，均提供价格指数和全收益指数[51] * 加权方式：计算中采用分级靠档的方法以确保计算指数的份额保持相对稳定[51] * 连续性处理：当样本成分名单或样本成分的调整市值出现非交易因素的变动时（如新发、扩募等），采用除数修正法保证指数的连续性[51] * 具体计算公式未在报告中给出 3. **模型/标签体系名称**：主动偏股基金行业主题和细分赛道标签体系[37] * **模型/标签体系构建思路**：构建主动偏股基金完整的行业主题和细分赛道标签，为投资者在资产配置、主题投资、产品选择上的多样化需求提供支持，同时构建行业主题基金指数[37] * **模型/标签体系具体构建过程**：通过观察基金在近四期中报/年报的持仓信息判断其长期的行业主题标签，将基金的长期行业标签区别定义为行业主题基金、行业轮动基金和行业均衡基金[37]。具体的标签定义规则和指数构建方法未在本次周报中详细说明，请参阅其2022年6月1日发布的报告《构建基金行业主题标签，定位细分赛道优质产品——主动偏股基金评价与研究系列之二》[37] 4. **因子/标签体系名称**：ESG基金分类标签体系[78] * **因子/标签体系构建思路**：对ESG基金进行分类，区分ESG主题基金和泛ESG基金[78] * **因子/标签体系具体构建过程**： * **ESG主题基金**：投资策略中综合环境（E）、社会（S）、治理（G）三方面因素，通常使用ESG整合、负面筛选、正面筛选进行投资标的选择，包括"ESG"、"可持续"、"责任投资"主题[78] * **泛ESG基金**：投资策略仅覆盖ESG中一到两个方面因素，通常进行主题投资。进一步细分为： * **环境主题**：包括"低碳"、"碳中和"、"绿色"、"环境"、"环保"、"气候"、"生态"、"长江保护"等主题[78] * **社会主题**：包括"社会责任"、"扶贫"、"乡村振兴"、"一带一路"、"丝路"、"区域发展"等主题[78] * **治理主题**：包括"公司治理"、"治理"主题[78] 模型的回测效果 （报告未提供上述模型或指数的历史回测绩效指标，如年化收益率、夏普比率等） 量化因子与构建方式 （报告未涉及传统意义上的选股或定价量化因子的构建） 因子的回测效果 （报告未涉及量化因子的测试结果，如IC值、IR等） 指数表现汇总 （以下为报告中对部分指数在特定周期内的表现统计，并非模型回测） 1. **长期行业主题基金指数本周表现**[37] * TMT主题基金：周涨跌幅 7.24% * 新能源主题基金：周涨跌幅 4.55% * 行业均衡主题基金：周涨跌幅 4.29% * 行业轮动主题基金：周涨跌幅 3.59% * 国防军工主题基金：周涨跌幅 3.10% * 金融地产主题基金：周涨跌幅 1.54% * 周期主题基金：周涨跌幅 0.67% * 消费主题基金：周涨跌幅 0.16% * 医药主题基金：周涨跌幅 -0.87% 2. **REITs指数系列基日以来业绩指标（截至2025年10月24日）**[53] * **指数名称** | **本周收益** | **累计收益** | **年化收益** | **最大回撤** | **夏普比率** | **年化波动** * --- | --- | --- | --- | --- | --- | --- * REITs综合指数 | 0.25% | -2.63% | -0.61% | -42.67% | -0.20 | 10.57% * 产权类REITs指数 | 0.10% | 12.76% | 2.80% | -46.13% | 0.10 | 13.06% * 特许经营权类REITs指数 | 0.50% | -18.81% | -4.68% | -40.74% | -0.67 | 9.16% * 生态环保REITs指数 | 0.55% | -11.83% | -2.86% | -55.72% | -0.28 | 15.61% * 交通基础设施REITs指数 | 0.37% | -30.17% | -7.93% | -41.29% | -1.05 | 8.98% * 园区基础设施REITs指数 | -0.05% | -11.72% | -2.83% | -52.07% | -0.31 | 13.97% * 仓储物流REITs指数 | 0.44% | -0.76% | -0.18% | -50.32% | -0.11 | 15.74% * 能源基础设施REITs指数 | 0.22% | 11.27% | 2.49% | -18.41% | 0.10 | 10.19% * 保障性租赁住房REITs指数 | -0.09% | 8.01% | 1.79% | -33.34% | 0.02 | 12.53% * 消费基础设施REITs指数 | -0.22% | 46.11% | 9.12% | -9.89% | 0.71 | 10.78% * 市政设施REITs指数 | 1.42% | 24.70% | 5.21% | -13.79% | 0.17 | 21.94% * 水利设施REITs指数 | 3.23% | 24.48% | 5.17% | -16.72% | 0.23 | 16.17% * 新型基础设施REITs指数 | 1.40% | 6.84% | 1.53% | -2.83% | 0.00 | 12.47%

根据提供的研报内容，这是一份可转债市场跟踪周报，主要对市场表现、个券行情和条款进行统计描述，并未涉及具体的量化模型或量化因子的构建、测试与分析。报告内容以市场数据汇总和图表展示为主。 因此，本报告中未涉及需要总结的量化模型或量化因子内容。

根据提供的研报内容，以下是关于量化模型和因子的总结。报告主要涉及对市场状态的跟踪和描述性统计，未明确构建特定的量化交易模型或选股因子，但包含多个用于市场分析的技术指标和估值指标。 量化因子与构建方式 1. **因子名称：风险溢价**[26][27][28] * **因子构建思路**：通过计算宽基指数收益率与无风险收益率（十年期国债即期收益率）的差值，来衡量权益资产相对于债券的额外回报，作为投资价值的参考[26][27] * **因子具体构建过程**：风险溢价的计算公式为： $$风险溢价 = 指数收益率 - 无风险利率$$ 其中，指数收益率通常使用指数的预期收益率或历史收益率，报告中具体计算时可能采用了隐含收益率或基于历史数据的计算。无风险利率采用十年期国债即期收益率[28][30] 2. **因子名称：股债性价比**[43] * **因子构建思路**：通过比较股票市场的盈利收益率（市盈率TTM的倒数）与债券市场的无风险收益率，来判断股票和债券两类资产的投资吸引力[43] * **因子具体构建过程**：股债性价比的计算公式为： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 该因子值越高，表明股票相对债券的投资价值越高[43] 3. **因子名称：破净率**[46][52] * **因子构建思路**：通过计算指数成分股中市净率（PB）小于1的股票数量占比，来反映市场的整体估值水平和悲观情绪[46][52] * **因子具体构建过程**：破净率的计算公式为： $$破净率 = \frac{指数成分股中PB < 1的股票数量}{指数成分股总数} \times 100\%$$ 该因子用于观察市场低估的普遍程度[46][52] 因子的回测效果 （注：报告中未提供基于这些因子的策略回测结果，如年化收益率、夏普比率等信息比率。报告主要展示了因子在特定时点的截面取值和相对历史的分位值。） 其他市场分析指标 （注：以下为报告中用于描述市场状态的指标，并非严格意义上的量化选股因子，但属于量化分析范畴。） 1. **指标名称：均线比较**[2][15] * **指标构建思路**：通过比较指数当前价格与不同周期移动平均线（如MA5, MA10, MA20等）的位置关系，判断短期和长期趋势强度[2][15] * **指标具体构建过程**：计算指数收盘价相对于各移动平均线的偏离幅度，公式为： $$偏离幅度 = \frac{收盘价 - 移动平均线值}{移动平均线值} \times 100\%$$ 报告中展示了指数相对于MA5, MA10, MA20等的具体偏离百分比[15] 2. **指标名称：收益分布形态（峰度与偏度）**[3][22][24] * **指标构建思路**：通过计算指数日收益率分布的峰度和偏度，来描述收益分布的尖峰肥尾特征和不对称性[3][22][24] * **指标具体构建过程**：使用历史日收益率序列计算统计量。报告中特别指出，其峰度计算减去了3（正态分布的峰度值），即计算超额峰度[24] 3. **指标名称：估值分位（PE-TTM分位值）**[3][36][38][40] * **指标构建思路**：计算指数当前市盈率（TTM）在其历史数据（如近5年）中所处的分位数，以判断当前估值的历史相对水平[3][36][38][40] * **指标具体构建过程**：将当前PE-TTM值与历史序列比较，计算其分位值。例如，近5年分位值为99%表示当前估值比近5年内99%的时间都高[40] 指标的具体测试结果取值 （注：报告数据截至2025年10月24日。以下为各宽基指数在不同指标下的截面取值。） 1. **风险溢价近5年分位值**[3][30] * 创业板指：97.46% * 中证500：92.62% * 中证1000：88.73% * 沪深300：88.17% * 中证全指：87.30% * 上证50：77.70% * 中证2000：74.92% 2. **PE-TTM近5年历史分位值**[3][40] * 中证500：99.01% * 中证全指：98.68% * 中证1000：96.12% * 上证50：90.25% * 沪深300：89.01% * 中证2000：85.29% * 创业板指：60.50% 3. **股息率近5年历史分位值**[4][50] * 创业板指：66.61% * 中证1000：42.15% * 上证50：34.71% * 沪深300：34.71% * 中证全指：32.98% * 中证2000：18.43% * 中证500：14.96% 4. **破净率**[4][52] * 上证50：22.0% * 沪深300：16.33% * 中证500：10.8% * 中证1000：7.0% * 中证全指：5.79% * 中证2000：3.1% * 创业板指：1.0% 5. **当前峰度 vs 近5年峰度（偏离值）**[24] * 创业板指：-2.53 * 中证500：-2.28 * 中证全指：-1.95 * 中证2000：-1.78 * 上证50：-1.60 * 中证1000：-1.35 * 沪深300：-1.30 6. **当前偏度 vs 近5年偏度（偏离值）**[24] * 创业板指：-0.64 * 中证500：-0.59 * 中证全指：-0.50 * 中证2000：-0.47 * 上证50：-0.42 * 中证1000：-0.42 * 沪深300：-0.31

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 Barra风格因子 1. **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**：使用历史数据计算股票的历史Beta值[15] 2. **因子名称**：市值[15] * **因子构建思路**：反映公司规模大小[15] * **因子具体构建过程**：对公司的总市值取自然对数[15] $$因子值 = \ln(总市值)$$ 3. **因子名称**：动量[15] * **因子构建思路**：捕捉股票价格的趋势效应[15] * **因子具体构建过程**：计算股票历史超额收益率序列的均值[15] 4. **因子名称**：波动[15] * **因子构建思路**：衡量股票价格的历史波动程度[15] * **因子具体构建过程**：通过加权组合三种不同的波动率指标来构建[15] $$因子值 = 0.74 \times 历史超额收益率序列波动率 + 0.16 \times 累积超额收益率离差 + 0.1 \times 历史残差收益率序列波动率$$ 5. **因子名称**：非线性市值[15] * **因子构建思路**：捕捉市值因子的非线性效应[15] * **因子具体构建过程**：对市值风格因子进行三次方运算[15] $$因子值 = (市值因子)^3$$ 6. **因子名称**：估值[15] * **因子构建思路**：衡量股票的估值水平[15] * **因子具体构建过程**：使用市净率的倒数作为估值因子[15] $$因子值 = \frac{1}{市净率}$$ 7. **因子名称**：流动性[15] * **因子构建思路**：反映股票的换手活跃度，即交易流动性[15] * **因子具体构建过程**：通过加权不同时间窗口的换手率来构建[15] $$因子值 = 0.35 \times 月换手率 + 0.35 \times 季换手率 + 0.3 \times 年换手率$$ 8. **因子名称**：盈利[15] * **因子构建思路**：衡量公司的盈利能力[15] * **因子具体构建过程**：综合多种盈利相关指标进行加权计算[15] $$因子值 = 0.68 \times 分析师预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率TTM倒数$$ 9. **因子名称**：成长[15] * **因子构建思路**：评估公司的成长性[15] * **因子具体构建过程**：综合多种增长类指标进行加权计算[15] $$因子值 = 0.18 \times 分析师预测长期盈利增长率 + 0.11 \times 分析师预测短期利率增长率 + 0.24 \times 盈利增长率 + 0.47 \times 营业收入增长率$$ 10. **因子名称**：杠杆[15] * **因子构建思路**：衡量公司的财务杠杆水平[15] * **因子具体构建过程**：综合多种杠杆率指标进行加权计算[15] $$因子值 = 0.38 \times 市场杠杆率 + 0.35 \times 账面杠杆 + 0.27 \times 资产负债率$$ 技术类因子 1. **因子名称**：120日波动[21][24][27][31] * **因子构建思路**：衡量股票基于120日历史数据的波动率，通常作为反向因子[21][24][27][31] * **因子具体构建过程**：计算过去120个交易日的价格波动率[21][24][27][31] 2. **因子名称**：60日波动[21][24][27][31] * **因子构建思路**：衡量股票基于60日历史数据的波动率，通常作为反向因子[21][24][27][31] * **因子具体构建过程**：计算过去60个交易日的价格波动率[21][24][27][31] 3. **因子名称**：20日波动[21][24][27][31] * **因子构建思路**：衡量股票基于20日历史数据的波动率，通常作为反向因子[21][24][27][31] * **因子具体构建过程**：计算过去20个交易日的价格波动率[21][24][27][31] 4. **因子名称**：20日动量[21][24][27][31] * **因子构建思路**：捕捉股票基于20日历史数据的价格趋势，在不同股池中方向不同（全市场、中证1000为反向；沪深300、中证500为正向）[21][24][27][31] * **因子具体构建过程**：计算过去20个交易日的价格动量[21][24][27][31] 5. **因子名称**：60日动量[21][24][27][31] * **因子构建思路**：捕捉股票基于60日历史数据的价格趋势，通常作为反向因子[21][24][27][31] * **因子具体构建过程**：计算过去60个交易日的价格动量[21][24][27][31] 6. **因子名称**：120日动量[21][24][27][31] * **因子构建思路**：捕捉股票基于120日历史数据的价格趋势，在不同股池中方向不同（全市场为反向；沪深300、中证500为正向）[21][24][27][31] * **因子具体构建过程**：计算过去120个交易日的价格动量[21][24][27][31] 7. **因子名称**：中位数离差[21][24][27][31] * **因子构建思路**：衡量股票价格相对于市场中位数的偏离程度，通常作为反向因子[21][24][27][31] * **因子具体构建过程**：计算股票价格与市场整体价格中位数的偏离度[21][24][27][31] 基本面因子（列举自不同股池） 1. **因子名称**：ROC增长[23] * **因子构建思路**：衡量公司的资本回报率增长情况，作为正向因子[23] * **因子具体构建过程**：计算资本回报率（ROC）的增长指标[23] 2. **因子名称**：市销率[23] * **因子构建思路**：衡量股票的估值水平，作为反向因子[23] * **因子具体构建过程**：使用市销率指标[23] 3. **因子名称**：ROA超预期增长[23] * **因子构建思路**：衡量公司总资产回报率（ROA）的超预期增长情况，作为正向因子[23] * **因子具体构建过程**：计算ROA的超预期增长指标[23] 4. **因子名称**：营业利润超预期增长[23] * **因子构建思路**：衡量公司营业利润的超预期增长情况，作为正向因子[23] * **因子具体构建过程**：计算营业利润的超预期增长指标[23] 5. **因子名称**：ROC[23] * **因子构建思路**：衡量公司的资本回报率水平，作为反向因子[23] * **因子具体构建过程**：计算资本回报率（ROC）指标[23] 6. **因子名称**：营业周转率[23] * **因子构建思路**：衡量公司的营运效率，作为反向因子[23] * **因子具体构建过程**：计算营业周转率指标[23] 7. **因子名称**：ROC超预期增长[23] * **因子构建思路**：衡量公司资本回报率（ROC）的超预期增长情况，作为正向因子[23] * **因子具体构建过程**：计算ROC的超预期增长指标[23] 8. **因子名称**：市盈率[23] * **因子构建思路**：衡量股票的估值水平，作为反向因子[23] * **因子具体构建过程**：使用市盈率指标[23] 9. **因子名称**：ROA增长[23] * **因子构建思路**：衡量公司总资产回报率（ROA）的增长情况，作为正向因子[23] * **因子具体构建过程**：计算ROA的增长指标[23] 10. **因子名称**：营业利润增长[23] * **因子构建思路**：衡量公司营业利润的增长情况，作为正向因子[23] * **因子具体构建过程**：计算营业利润的增长指标[23] 11. **因子名称**：净利润超预期增长[23] * **因子构建思路**：衡量公司净利润的超预期增长情况，作为正向因子[23] * **因子具体构建过程**：计算净利润的超预期增长指标[23] 12. **因子名称**：ROA[23] * **因子构建思路**：衡量公司的总资产回报率水平，作为反向因子[23] * **因子具体构建过程**：计算总资产回报率（ROA）指标[23] 13. **因子名称**：营业利润率[23] * **因子构建思路**：衡量公司的盈利能力，作为反向因子[23] * **因子具体构建过程**：计算营业利润率指标[23] GRU模型因子 1. **因子名称**：GRU因子（barra1d模型）[4][20][22][25][26][28][29] * **因子构建思路**：使用GRU神经网络模型，结合Barra风格因子及短期（1天）市场数据构建的合成因子[4][20][22][25][26][28][29] * **因子具体构建过程**：报告未详细描述GRU模型的具体网络结构、输入特征和训练过程，但指出其基于Barra因子和日频数据（1d）[4][20][22][25][26][28][29] 2. **因子名称**：GRU因子（barra5d模型）[4][8][20][22][25][26][28][29][33] * **因子构建思路**：使用GRU神经网络模型，结合Barra风格因子及稍长周期（5天）市场数据构建的合成因子[4][8][20][22][25][26][28][29][33] * **因子具体构建过程**：报告未详细描述GRU模型的具体网络结构、输入特征和训练过程，但指出其基于Barra因子和5天数据（5d）[4][8][20][22][25][26][28][29][33] 3. **因子名称**：GRU因子（open1d模型）[4][20][22][25][26][28][29][34] * **因子构建思路**：使用GRU神经网络模型，结合开盘价等短期（1天）市场数据构建的合成因子[4][20][22][25][26][28][29][34] * **因子具体构建过程**：报告未详细描述GRU模型的具体网络结构、输入特征和训练过程，但指出其基于开盘价（open）和日频数据（1d）[4][20][22][25][26][28][29][34] 4. **因子名称**：GRU因子（close1d模型）[4][20][22][25][26][28][29][34] * **因子构建思路**：使用GRU神经网络模型，结合收盘价等短期（1天）市场数据构建的合成因子[4][20][22][25][26][28][29][34] * **因子具体构建过程**：报告未详细描述GRU模型的具体网络结构、输入特征和训练过程，但指出其基于收盘价（close）和日频数据（1d）[4][20][22][25][26][28][29][34] 多因子组合 1. **模型/因子名称**：多因子组合[8][33][34] * **模型/因子构建思路**：将多个因子进行组合，构建综合选股模型[8][33][34] * **模型/因子具体构建过程**：报告未详细说明具体包含哪些因子以及组合权重确定方法[8][33][34] 因子的回测效果 Barra风格因子多空收益表现（全市场股池）[17] | 因子名称 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 市值 | -3.55% | -5.76% | -15.19% | -39.59% | -41.82% | -34.39% | | 非线性市值 | 3.47% | -6.71% | -15.01% | -34.67% | -39.36% | -30.87% | | 估值 | 2.62% | 5.07% | 3.99% | 6.18% | 14.66% | 15.43% | | 盈利 | 1.99% | 2.35% | -10.59% | 14.48% | 4.57% | 1.20% | | 杠杆 | -1.04% | 3.55% | -7.04% | 17.65% | 8.42% | 2.62% | | 波动 | 1.03% | 4.94% | -11.49% | 5.13% | 8.33% | -11.03% | | 成长 | 0.08% | 0.53% | 2.20% | 0.89% | 19.14% | 4.10% | | 动量 | 1.01% | -5.58% | -17.92% | 11.71% | 17.92% | 15.59% | | 流动性 | 2.40% | -7.26% | -4.57% | 8.50% | -19.41% | -25.17% | | beta | 4.58% | -6.52% | 13.16% | 30.92% | 12.22% | 10.49% | 技术类因子多空收益表现（全市场股池）[21] | 因子名称 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 120日波动 | 0.47% | -5.55% | -2.67% | 14.03% | -4.62% | 9.26% | | 60日波动 | 1.02% | -5.14% | 0.02% | 9.74% | -8.22% | -11.84% | | 20日动量 | 1.22% | -4.96% | -1.05% | -11.47% | -12.50% | -12.68% | | 60日动量 | 1.30% | -5.34% | -6.33% | -6.59% | -13.41% | -15.85% | | 20日波动 | 1.32% | -6.19% | 2.22% | 10.11% | -6.85% | -11.77% | | 中位数离差 | 1.64% | -5.89% | -5.51% | 5.44% | -13.85% | -14.17% | | 120日动量 | 1.81% | -2.83% | -11.64% | 3.84% | -15.76% | -13.79% | 多头组合近期超额收益（相对中证1000指数）[34] | 策略/因子名称 | 近一周 | 近一月 | 近三月 | 近六月 | 今年以来 | | :--- | :--- | :--- | :--- | :--- | :--- | | open1d (GRU) | -0.02% | 1.65% | -1.43% | 1.74% | 6.16% | | close1d (GRU) | -0.07% | 2.18% | -3.97% | 0.79% | 2.92% | | barra1d (GRU) | -0.08% | -0.18% | 1.90% | 2.76% | 5.37% | | barra5d (GRU) | 0.27% | 3.14% | -2.73% | 1.68% | 5.91% | | 多因子组合 | 0.04% | 3.19% | -1.74% | -0.47% | 1.71% |

量化模型与构建方式 1. 扩散指数行业轮动模型 **模型构建思路**：基于价格动量原理，通过计算行业的扩散指数来捕捉行业趋势，用于行业轮动配置[23][36] **模型具体构建过程**： 模型通过跟踪各行业的扩散指数进行月度轮动。扩散指数反映了行业价格走势的强度。具体构建过程为定期计算各中信一级行业的扩散指数值，并选择排名靠前的行业作为配置建议。截至2025年10月24日，扩散指数排名前六的行业被选入组合[25][28] **模型评价**：该模型在趋势性行情中表现较好，但在市场风格从趋势转向反转时可能面临失效风险[23][36] 2. GRU因子行业轮动模型 **模型构建思路**：利用GRU深度学习网络处理分钟频量价数据，生成行业因子，以把握短期交易信息进行行业轮动[32][37] **模型具体构建过程**： 模型基于历史分钟频量价数据，通过GRU神经网络进行训练和学习，生成每个行业的GRU因子值。该因子旨在捕捉行业的短期动态。模型每周根据最新的GRU因子值对行业进行排序，并配置排名靠前的行业。例如，在2025年10月24日，根据GRU因子值排名，模型调入了非银行金融等行业[6][32][34] **模型评价**：该模型在短周期内表现较好，具有较强的自适应能力，但在长周期表现一般，且遭遇极端行情时可能失效[32][37] 模型的回测效果 1. 扩散指数行业轮动模型 2025年10月以来超额收益：0.57%[28] 2025年以来超额收益：5.78%[23][28] 2. GRU因子行业轮动模型 2025年10月以来超额收益：1.80%[34] 2025年以来超额收益：-6.41%[31][34] 量化因子与构建方式 1. 行业扩散指数因子 **因子构建思路**：通过量化方法计算每个行业的扩散指数，用以衡量行业价格趋势的强弱[25] **因子具体构建过程**： 因子定期为每个中信一级行业计算一个扩散指数值。该指数值介于0和1之间，数值越高代表该行业的向上趋势越强。具体计算逻辑未在报告中详细披露，但其结果用于对行业进行排序和选择[25][26] 2. GRU行业因子 **因子构建思路**：应用GRU神经网络对分钟频量价数据进行处理，输出代表行业短期动态的因子值[6][32] **因子具体构建过程**： 因子利用GRU深度学习模型，输入为历史的分钟频率行情数据（包含价格和成交量等信息），经过网络训练后，为每个行业输出一个连续的GRU因子值。该因子值可正可负，其大小和正负代表了模型对该行业未来表现的预期强弱[6][32] 因子的回测效果 （报告中未提供量化因子独立的回测绩效指标，如IC、IR等，仅提供了基于因子构建的模型的综合回测结果）