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：央国企高分红30组合**[10] * **模型构建思路：** 构建一个具有“稳健+成长”风格的红利增强组合，聚焦于中央企业和国有企业[10] * **模型具体构建过程：** 报告未详细说明该组合的具体选股因子、权重配置和调仓规则 2. **模型名称：攻守兼备红利50组合**[10] * **模型构建思路：** 构建一个兼具防御性和进攻性的红利增强组合，目标是在红利资产中实现更好的风险收益比[10] * **模型具体构建过程：** 报告未详细说明该组合的具体选股因子、权重配置和调仓规则 3. **模型名称：电子均衡配置增强组合**[10] * **模型构建思路：** 在电子行业内进行均衡配置，旨在跑赢电子全收益指数[4][10] * **模型具体构建过程：** 报告未详细说明该组合的具体选股因子、权重配置和调仓规则 4. **模型名称：电子板块优选增强组合**[10] * **模型构建思路：** 聚焦于电子板块内迈入成熟期的细分赛道龙头企业，进行优选增强[10] * **模型具体构建过程：** 报告未详细说明该组合的具体选股因子、权重配置和调仓规则 5. **模型名称：主动量化策略通用框架**[9] * **模型构建思路：** 遵循“自上而下”的选股逻辑，通过洞察和提炼行业、主题核心要点，为量化模型输入清晰的选股思路，旨在从海量基本面因子库中高效筛选有效因子，精准定位潜力标的[9] * **模型具体构建过程：** 报告描述了通用框架思路，但未给出具体应用于上述模型的详细构建流程、因子定义或公式 模型的回测效果 1. **攻守兼备红利50组合**，2025年年初以来相对中证红利全收益超额约4.63%[22]，在红利类基金产品内绝对收益分位约43%[22] 2. **央国企高分红30组合**，本周（2025年10月20日至2025年10月24日）未能跑赢中证红利全收益[4][11] 3. **攻守兼备红利50组合**，本周（2025年10月20日至2025年10月24日）未能跑赢中证红利全收益[4][11] 4. **电子均衡配置增强组合**，本周（2025年10月20日至2025年10月24日）相较于电子全收益指数超额约0.27%[4][30]，周度收益在科技类基金产品内绝对收益分位约36%[4][30] 量化因子与构建方式 （报告未明确提及具体的独立量化因子及其构建细节） 因子的回测效果 （报告未提供独立因子的测试结果）

根据提供的ESG市场观察周报，报告内容主要为市场动态、政策解读和事件追踪，并未涉及具体的量化模型或量化因子的构建、测试与分析过程。报告的核心是描述ESG相关的市场表现、资金流向和舆情热点，属于市场评论性质，而非量化研究。 因此，本报告中**没有**需要总结的量化模型或量化因子内容。

根据研报内容，本报告主要涉及市场跟踪和风格分析，并未详细阐述具体的量化模型或量化因子的构建过程、公式及回测效果。报告的核心是使用一系列预设的指标来监控市场状态和风格表现。以下是基于报告内容的总结： 量化因子与构建方式 1. **因子名称：风格相对拥挤度**[35] * **因子构建思路：** 通过计算不同风格指数换手率的标准化差值及其历史分位数，来衡量某一风格相对于另一风格的交易拥挤程度，作为风格配置风险的参考指标[35] * **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[129] 2. 将这两个换手率序列在2005年1月1日以来的历史时间序列上进行Z-score标准化，得到Z-score_A和Z-score_B[129] 3. 计算二者的差值：Z-score_A - Z-score_B[129] 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），该分位数即为风格A相对于风格B的相对拥挤度[129] 2. **因子名称：风格累计超额净值**[25][26] * **因子构建思路：** 通过计算风格指数相对于市场基准（万得全A）的累计超额收益，来跟踪风格的历史表现[25][26][130] * **因子具体构建过程：** 1. 以2020年1月4日为基准日[130] 2. 将风格指数和万得全A指数的每日收盘点数分别除以基准日的收盘点数，得到各自的累计净值[130] 3. 将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，得到该风格指数相对于万得全A的累计超额净值[130] 3. **因子名称：机构调研活跃度历史分位数**[110] * **因子构建思路：** 通过标准化处理板块/行业/指数的机构调研次数，并计算其历史分位数，来评估市场关注度的相对水平[110][131] * **因子具体构建过程：** 1. 计算板块（或指数、行业）在近n个交易日的“日均机构调研次数”[131] 2. 将该值在滚动y年的历史时间序列上进行z-score标准化[131] 3. 将此标准化值与万得全A的同期标准化结果作差，得到“机构调研活跃度”[131] 4. 最后计算该“机构调研活跃度”的滚动y年历史分位数[131] * **参数设置：** * 长期口径：n=126（近半年），y=6年[131] * 短期口径：n=63（近一季度），y=3年[131] 4. **因子名称：股债风险溢价（ERP）**[78] * **因子构建思路：** 用股票市场市盈率的倒数与无风险利率（10年期国债收益率）作比较，衡量投资股票的相对性价比[78] * **因子具体构建过程：** 指数ERP的计算公式为： $$ erp = \frac{1}{指数PE\_TTM} - 10年期中债国债到期收益率 $$ 然后计算该ERP值在历史序列中的分位数[78] 5. **因子名称：滚动季度夏普率**[64] * **因子构建思路：** 用于衡量市场单位风险下的回报水平，当该指标处于历史极高位时，提示市场情绪可能过于乐观，存在调整风险[64] 6. **因子名称：成交热度**[54] * **因子构建思路：** 使用“周度日均自由流通换手率”的历史分位值来度量板块或行业的交易活跃度[54][62] 风格指数定义说明 * **长江动量指数：** 以最近一年股票收益率减去最近一个月股票收益率（剔除涨停板）作为动量指标，选择动量特征强且流动性高的前100只股票构成[28] * **长江反转指数：** 以最近一个月股票收益率作为筛选指标，选择反转效应强、流动性好的前100只股票构成，并采用近三个月日均成交量加权[28] 指标跟踪结果（截至2025年10月24日当周） | 因子/指标名称 | 跟踪对象 | 当前值/状态 | 历史分位/备注 | | :--- | :--- | :--- | :--- | | **风格相对拥挤度**[35] | 成长 vs 红利 | 69% | 处于历史较高位置 | | | 小盘 vs 大盘 | 33% | 处于历史较低位置 | | | 微盘股 vs 中证800 | 81% | 处于历史较高位置 | | **风格表现（近一周）**[25][26] | 成长较红利超额 | 3.5% | | | | 小盘较大盘超额 | -0.4% | | | | 微盘股较基金重仓超额 | 3.7% | | | | 动量较反转超额 | 5.3% | | | **股债风险溢价（ERP）**[78][85] | 万得全A | 2.6% | 历史分位58%，均衡 | | | 沪深300 | 5.1% | 历史分位58%，均衡 | | | 中证500 | 1.1% | 历史分位71%，较高 | | | 创业板 | 0.5% | 历史分位86%，极高 | | **估值（PE_TTM）**[68][76] | 万得全A | 22.6 | 历史分位79%，较高 | | | 沪深300 | 14.6 | 历史分位70%，较高 | | | 创业板 | 43.5 | 历史分位42%，均衡 | | **机构调研活跃度（长期口径）**[110][112] | 上游周期板块 | 94% | 极高 | | | 石油石化行业 | 100% | 极高 | | | 医药行业 | 8% | 极低 | | | 电子行业 | 23% | 较低 | | **市场情绪风险**[64] | 万得全A滚动季度夏普率 | - | 处于历史极高位置 | 对模型或因子的评价 * **风格相对拥挤度 & 超额净值：** 用于评估风格的配置性价比与风险，例如报告指出成长风格和微盘股风格因拥挤度和超额净值处于高位而需注意风险，小盘风格则因两者处于低位而具备配置性价比[2][35] * **滚动季度夏普率：** 作为市场情绪的风险指标，当其处于历史极高位置时，提示市场情绪达到极端高峰，后续存在调整风险[64]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：大买大卖因子**[8] **因子构建思路**：通过统计指数成分股中所有大额买入和卖出成交单的总额，来反映市场中的大额交易活跃度，并预测其对指数短期走势的影响[8] **因子具体构建过程**： * 首先，定义“大单”：将每个交易日中，单笔成交量超过其过去一段时间滚动均值加1倍标准差的订单定义为大单[8] * 然后，在指数层面，对所有成分股在特定时间段内的大单成交额进行汇总[8] * 针对每个交易日，计算三种不同情境下的因子数值： * **全交易时段**：统计整个交易日的“大买大卖”成交额[8] * **剔除收盘**：剔除收盘前30分钟的交易数据后，统计“大买大卖”成交额[8] * **仅开盘**：仅统计开盘后30分钟内的“大买大卖”成交额[8] * 最后，对上述计算出的原始因子序列进行参数化处理，生成最终的参数化因子。具体方法是计算不同时间窗口的移动平均线之间的距离[9]。采用的均线参数组合（短期均线-长期均线）共有5组，分别为：MA5-MA10, MA5-MA20, MA10-MA20, MA10-MA40, MA10-MA60[9] 2. **因子名称：中小买大卖因子**[8] **因子构建思路**：通过统计指数成分股中所有中小额买入和卖出成交单的总额，来反映市场中中小资金的交易活跃度，并预测其对指数短期走势的影响[8] **因子具体构建过程**： * 首先，定义“中小单”：将每个交易日中，单笔成交量未超过其过去一段时间滚动均值加1倍标准差的订单定义为中小单[8] * 然后，在指数层面，对所有成分股在特定时间段内的中小单成交额进行汇总[8] * 针对每个交易日，计算三种不同情境下的因子数值，与大买大卖因子相同： * **全交易时段**[8] * **剔除收盘**[8] * **仅开盘**[8] * 最后，进行相同的参数化处理，计算5组均线距离：MA5-MA10, MA5-MA20, MA10-MA20, MA10-MA40, MA10-MA60[9] 3. **因子名称：大单净买入因子**[8] **因子构建思路**：通过计算指数层面的大单买入金额与大单卖出金额的差值，来反映主力资金的净流入或流出情况，并分析其与指数未来收益的关系[8] **因子具体构建过程**： * 首先，采用与大买大卖因子相同的“大单”定义标准[8] * 然后，在指数层面，计算所有成分股的大单买入总金额与大单卖出总金额的差值，即：大单净买入金额 = 大单买入总金额 - 大单卖出总金额[8] * 同样，针对每个交易日，计算三种不同情境下的因子数值：全交易时段、剔除收盘、仅开盘[8] * 最后，进行相同的参数化处理，计算5组均线距离：MA5-MA10, MA5-MA20, MA10-MA20, MA10-MA40, MA10-MA60[9] 4. **因子名称：复合策略因子**[60][62][65] **因子构建思路**：将多个在单因子测试中表现较好的高频资金流因子进行组合，通过设定不同的信号触发逻辑（激进或稳健），构建复合择时策略，以期获得比单因子更稳定、更优的风险收益表现[60][62][65] **因子具体构建过程**： * **因子选择**：根据单因子策略的回测结果，为每个宽基指数选取综合表现较好的几个因子进行组合。例如： * 沪深300：选择中小买大卖开盘（MA10-MA40）和中小买大卖剔除收盘（MA10-MA60）[63] * 中证500：选择中小买大卖开盘（MA10-MA40）和大买大卖开盘（MA10-MA60）[68] * 中证1000：选择中小买大卖开盘（MA10-MA40）和大买大卖开盘（MA10-MA40）[78] * **策略规则**：对选定的因子组合，设定四种不同的信号生成逻辑[62][65]： * **激进多头**：任意一个因子的标准化值大于阈值（默认为1），则发出做多信号；任意一个因子的标准化值小于0，则发出平仓信号；其余时间维持上一个信号[62] * **稳健多头**：所有因子的标准化值均大于阈值（默认为1），才发出做多信号；所有因子的标准化值均小于阈值，才发出平仓信号；其余时间维持上一个信号[65] * **激进多空**：任意一个因子的标准化值大于阈值，则发出做多信号；任意一个因子的标准化值小于0，则发出做空信号；所有因子的标准化值均位于0和阈值之间，则发出平仓信号；其余时间维持上一个信号[65] * **稳健多空**：所有因子的标准化值均大于阈值，才发出做多信号；所有因子的标准化值均小于0，才发出做空信号；所有因子的标准化值均位于0和阈值之间，则发出平仓信号；其余时间维持上一个信号[65] * **因子处理**：在策略构建前，对每个单因子采用40天滚动窗口进行Z-score标准化处理[60] **因子评价**：大买大卖和中小买大卖因子短期内与指数正相关，体现了资金的短期推动效应和市场活跃度，可能预示着超卖后的短期修复；长期则因均值回归效应相关性反转。大单净买入因子短期负相关可能源于超买后的短期下跌压力，但长期正相关则反映了主力资金的支撑作用[4][10][11][13]。资金流因子的最优参数集中在短线和中线的距离，这能有效捕捉高频交易行为带来的短期超额信号[27][32]。复合策略的整体表现，尤其是在收益稳定性上，要优于单因子策略[59][63][72][81][85] 模型的回测效果 1. **沪深300指数 - 单因子策略表现**[36][39] * **中小买大卖开盘因子 (MA10-MA40, 阈值1)**：年化收益率12.5%，年化波动率15.0%，夏普比率0.84，最大回撤-20.2%，年化超额收益7.4%[36] * **中小买大卖剔除收盘因子 (MA10-MA60, 阈值1)**：年化收益率12.5%，年化波动率14.7%，夏普比率0.85，最大回撤-24.4%，年化超额收益7.1%[36] * **大买大卖开盘因子 (MA10-MA40, 阈值1)**：年化收益率12.2%，年化波动率14.6%，夏普比率0.84，最大回撤-27.7%，年化超额收益7.2%[36] * **中小买大卖剔除收盘因子 (MA10-MA40, 阈值0.5, 多空)**：年化收益率17.6%，年化波动率20.5%，夏普比率0.86，最大回撤-25.5%，年化超额收益12.6%[39] * **大买大卖开盘因子 (MA10-MA60, 阈值1, 多空)**：年化收益率17.9%，年化波动率19.9%，夏普比率0.90，最大回撤-30.3%，年化超额收益12.6%[39] 2. **沪深300指数 - 复合策略表现**[64][67] * **激进多头策略**：年化收益率11.3%，年化波动率13.5%，夏普比率0.84，最大回撤-23.5%，年化超额收益6.3%[64] * **稳健多头策略**：年化收益率10.1%，年化波动率11.8%，夏普比率0.85，最大回撤-29.9%，年化超额收益5.1%[64] * **激进多空策略**：年化收益率17.2%，年化波动率20.5%，夏普比率0.84，最大回撤-32.1%，年化超额收益12.2%[64] * **稳健多空策略**：年化收益率15.1%，年化波动率18.4%，夏普比率0.82，最大回撤-32.5%，年化超额收益10.0%[64] 3. **中证500指数 - 单因子策略表现**[45][49] * **大买大卖开盘因子 (MA10-MA60, 阈值1)**：年化收益率10.6%，年化波动率17.8%，夏普比率0.60，最大回撤-32.0%，年化超额收益4.1%[45] * **中小买大卖开盘因子 (MA5-MA20, 阈值1)**：年化收益率11.7%，年化波动率17.9%，夏普比率0.66，最大回撤-37.7%，年化超额收益5.6%[45] * **中小买大卖剔除收盘因子 (MA10-MA60, 阈值1)**：年化收益率11.4%，年化波动率18.0%，夏普比率0.63，最大回撤-36.6%，年化超额收益4.8%[45] * **大买大卖开盘因子 (MA10-MA60, 阈值1, 多空)**：年化收益率18.2%，年化波动率22.2%，夏普比率0.82，最大回撤-28.5%，年化超额收益11.6%[49] * **中小买大卖开盘因子 (MA10-MA40, 阈值0.5, 多空)**：年化收益率18.5%，年化波动率23.5%，夏普比率0.79，最大回撤-46.8%，年化超额收益12.1%[49] 4. **中证500指数 - 复合策略表现**[69][76] * **激进多头策略**：年化收益率13.5%，年化波动率16.6%，夏普比率0.81，最大回撤-33.5%，年化超额收益6.8%[69] * **稳健多头策略**：年化收益率16.1%，年化波动率13.3%，夏普比率1.21，最大回撤-15.0%，年化超额收益9.4%[69] * **激进多空策略**：年化收益率16.1%，年化波动率23.4%，夏普比率0.69，最大回撤-53.3%，年化超额收益9.4%[69] * **稳健多空策略**：年化收益率17.6%，年化波动率20.5%，夏普比率0.86，最大回撤-27.8%，年化超额收益10.9%[69] 5. **中证1000指数 - 单因子策略表现**[53][57] * **中小买大卖开盘因子 (MA10-MA40, 阈值1)**：年化收益率12.6%，年化波动率17.8%，夏普比率0.71，最大回撤-42.7%，年化超额收益6.6%[53] * **中小买大卖开盘因子 (MA5-MA20, 阈值1)**：年化收益率11.7%，年化波动率17.9%，夏普比率0.66，最大回撤-37.7%，年化超额收益5.7%[53] * **大买大卖开盘因子 (MA10-MA40, 阈值1)**：年化收益率11.4%，年化波动率17.8%，夏普比率0.64，最大回撤-45.0%，年化超额收益5.4%[53] * **大买大卖开盘因子 (MA10-MA60, 阈值1, 多空)**：年化收益率18.2%，年化波动率22.2%，夏普比率0.82，最大回撤-28.5%，年化超额收益12.0%[57] * **中小买大卖开盘因子 (MA10-MA40, 阈值0.5, 多空)**：年化收益率18.5%，年化波动率23.5%，夏普比率0.79，最大回撤-46.8%，年化超额收益12.5%[57] 6. **中证1000指数 - 复合策略表现**[79][81][83] * **激进多头策略**：年化收益率12.1%，年化波动率18.5%，夏普比率0.65，最大回撤-50.3%，年化超额收益10.1%[79] * **稳健多头策略**：年化收益率19.7%，年化波动率15.4%，夏普比率1.28，最大回撤-18.1%，年化超额收益17.7%[79] * **激进多空策略**：年化收益率26.9%，年化波动率26.0%，夏普比率1.03，最大回撤-52.4%，年化超额收益24.9%[79] * **稳健多空策略**：年化收益率28.5%，年化波动率22.9%，夏普比率1.25，最大回撤-38.8%，年化超额收益26.5%[79]

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：三维择时框架**[7][12] * **模型构建思路**：通过监控市场分歧度、流动性和景气度三个维度的变化趋势，对市场整体走势进行判断[7] * **模型具体构建过程**：模型基于三个核心指标： * 市场分歧度指数：反映市场参与者观点的差异程度[11][16] * 市场流动性指数：反映市场资金面的宽松程度[17] * A股景气度指数2.0：反映上市公司基本面的景气状况[7][19] 通过观察这三个指标的趋势（上升或下降）组合，形成对市场状态的综合判断[7][12] 2. **模型名称：ETF热点趋势策略**[25] * **模型构建思路**：根据ETF价格的上涨形态和短期市场关注度的提升，筛选出具有趋势性机会的ETF构建投资组合[25] * **模型具体构建过程**： * 第一步：筛选出最高价与最低价同时呈现上涨形态的ETF[25] * 第二步：计算支撑阻力因子，该因子基于最高价与最低价近20日的回归系数的相对陡峭程度[25] * 第三步：在支撑阻力因子的多头组中，选择近5日换手率与近20日换手率比值最高的ETF，即短期关注度明显提升的品种[25] * 第四步：最终选取10只ETF，采用风险平价方法构建组合[25] 3. **模型名称：资金流共振策略**[32][33] * **模型构建思路**：结合融资融券资金流和主动大单资金流，寻找两类资金共同看好的行业进行配置[32][33] * **模型具体构建过程**： * **行业融资融券资金因子构建**： 1. 计算个股的融资净买入减去融券净卖出值[29][33] 2. 对该值进行Barra市值因子中性化处理[33] 3. 在行业层面将中性化后的个股值加总[33] 4. 取最近50日的均值，然后计算其两周环比变化率作为最终因子值[33] * **行业主动大单资金因子构建**： 1. 计算行业的主动大单净流入[33] 2. 对该净流入值进行最近一年成交量的时序中性化处理[33] 3. 取最近10日的均值，并进行排序打分[33] * **策略逻辑**：在主动大单因子打分头部（剔除极端行业）的行业中，剔除融资融券因子同样处于头部的行业（因研究发现其有稳定的负向超额），以提高策略稳定性，最终选出共振行业[33][36] 模型的回测效果 1. **三维择时框架**：模型历史表现展示于图表中，但未提供具体的量化指标数值[14] 2. **ETF热点趋势策略**：策略今年以来表现展示于图表中，但未提供具体的量化指标数值[26] 3. **资金流共振策略**：该策略自2018年以来，费后年化超额收益为13.5%，信息比率（IR）为1.7，相对于北向-大单共振策略回撤更小[33]；策略上周实现2.86%的绝对收益和0.19%的超额收益（相对行业等权）[33] 量化因子与构建方式 1. **因子名称：风格因子（Barra系列）**[39][40] * **因子构建思路**：采用Barra框架下的经典风格因子，用于描述股票在不同维度上的风险收益特征[39][40] * **因子具体构建过程**：报告提及了多个Barra风格因子，包括： * Size（规模） * Beta（贝塔） * Momentum（动量） * Volatility（波动率） * Non-Linear Size（非线性规模） * Value（价值） * Liquidity（流动性） * Earnings Yield（盈利收益率） * Growth（成长） * Leverage（杠杆） 报告未详细描述每个因子的具体计算方法，但指出其遵循Barra标准体系[40] 2. **因子名称：Alpha因子**[43][44][45] * **因子构建思路**：构建多样化的选股因子，从不同维度捕捉个股的超额收益来源[43][44][45] * **因子具体构建过程**：报告列举了多个Alpha因子及其简要说明： * `illia`：每天一个亿成交量能推动的股价涨幅[45] * `In volume mean 1m`：近1个月成交量的自然对数均值[45] * `In volume mean 3m`：近3个月成交量的自然对数均值[45] * `In volume std 1m`：近1个月成交量的自然对数标准差[45] * `specific mom1`：一个月残差动量[45] * `stk quantity q`：根据基金年报和半年报披露持股数统计，基金总持股数环比增速[45] * `spread bias`：`-(ln(个股净值) - ln(特征组合净值))`，过去60日标准化，特征组合由过去252日收益率相关系数最高的10只股票等权构成[45] * `reverse 1m`：1个月的收益率（反转因子）[45] * `tot rd ttm to sales`：研发销售收入占比[45] * `rate up 30d`：过去30天上调评级家数[45] * `duvol`：60日上行波动率/下行波动率[45] * `roa q delta report`：单季度ROA同比差值（考虑快报、预估）[45] * 报告还提到其他因子如单季度净利润同比增长（考虑快报、预估）、研发总投入占资产比、`(当前一致预测 np_FY1 - 3个月前一致预测 np_FY1) / |3个月前一致预测 np_FY1|`等[46] 因子的回测效果 1. **风格因子近期表现（最近一周）**[39][40]： * Size: -2.86% * Beta: 3.05% * Momentum: 1.28% * Volatility: -0.03% * Non-Linear Size: -2.62% * Value: -1.90% * Liquidity: 2.06% * Earnings Yield: -2.08% * Growth: -0.12% * Leverage: -0.74% 2. **Alpha因子多头超额收益（近一周）**[44][45]： * `illia`: 1.48% * `In volume mean 1m`: 0.99% * `In volume mean 3m`: 0.94% * `In volume std 1m`: 0.92% * `In volume mean 6m`: 0.91% * `specific mom1`: 0.91% * `In volume std 3m`: 0.90% * `In volume mean 12m`: 0.77% * `In volume std 6m`: 0.77% * `stk quantity q`: 0.71% * `spread bias`: 0.68% * `reverse 1m`: 0.62% * `tot rd ttm to sales`: 0.59% * `volume 1m div 12m`: 0.53% * `rate up 30d`: 0.52% * `specific mom6`: 0.52% * `volume std 1m div 12m`: 0.48% * `duvol`: 0.46% * `roa q delta report`: 0.44%

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总结。 量化模型与构建方式 1. **模型名称：价格分段体系**[14][17] * **模型构建思路**：该模型用于对指数价格走势进行多时间维度的划分和识别，以判断当前市场所处的趋势阶段[14] * **模型具体构建过程**：模型通过计算指数在不同时间周期（如日线、周线）上的技术指标来进行分段。报告中提到了`dea`指标，该指标通常是MACD（指数平滑异同移动平均线）的组成部分。MACD的计算过程一般包含以下步骤： 1. 计算短期（如12日）指数移动平均线（EMA）和长期（如26日）EMA。 $$ EMA(12) = \frac{2}{12+1} \times (今日收盘价 - 昨日EMA(12)) + 昨日EMA(12) $$ $$ EMA(26) = \frac{2}{26+1} \times (今日收盘价 - 昨日EMA(26)) + 昨日EMA(26) $$ 2. 计算离差值（DIF）：DIF = EMA(12) - EMA(26) 3. 计算信号线（DEA）：DEA是DIF的9日EMA。 $$ DEA = \frac{2}{9+1} \times (今日DIF - 昨日DEA) + 昨日DEA $$ 通过观察指数价格与`dea`等指标的关系，对价格走势进行分段识别[17] 2. **模型名称：微观市场结构择时模型**[15][18] * **模型构建思路**：通过监测市场中“知情交易者”的活跃度变化，来判断市场情绪和未来走势[15] * **模型具体构建过程**：报告未详细说明该模型的具体构建算法和公式，但指出其核心是构建一个“知情交易者活跃度指标”。该指标能够反映掌握更多信息的交易者的行为变化，并将其作为市场情绪的晴雨表[15][18] 3. **模型名称：分析师行业景气预期模型**[19][20] * **模型构建思路**：通过追踪和分析师对上市公司未来盈利的一致预测变化，来度量各行业的景气预期[19] * **模型具体构建过程**：模型计算申万一级行业的两个关键预期指标： 1. **一致预测滚动未来12个月ROE（ROE FTTM）环比变化**：反映市场对行业未来盈利能力预期的变动。 2. **一致预期净利润FTTM增速环比变化**：反映市场对行业未来盈利增长预期的变动。 通过统计这些一致预测数据在特定周期（如本周）内的环比变化，来观察各行业景气预期的强弱[19][20] 4. **因子名称：BARRA风格因子**[22][25] * **因子构建思路**：采用国际通用的BARRA风险模型框架，从多个维度解析市场的风格偏好和收益来源[22] * **因子具体构建过程**：报告提及了以下几类BARRA风格因子，但未给出具体计算公式： * **基本面类因子**：包括价值因子（如BP，账面市值比）和成长因子。 * **质量类因子**：包括投资质量因子和盈利能力因子。 * **交易类因子**：包括动量因子、波动率因子和换手率因子。 * **市场相关因子**：包括贝塔因子。 * **市值因子**：包括市值因子和非线性市值因子。 这些因子共同解释了股票横截面收益的差异，其本周收益表现反映了市场的风格偏好[22][25] 模型的回测效果 *本报告未提供明确的量化模型回测效果指标（如年化收益率、夏普比率等）。* 因子的回测效果 *本报告未提供明确的单因子回测效果指标（如IC值、IR等），但给出了BARRA风格因子在本周的收益表现定性描述[22][25]。*

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. 情绪择时模型 **模型名称：** 情绪择时模型[2][11] **模型构建思路：** 通过构建涨跌停板相关因子来刻画市场的情绪强弱，从而对市场趋势进行判断[11] **模型具体构建过程：** 模型包含多个情绪因子细分信号，包括净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益等子因子[14] 模型最终输出情绪模型得分（满分5分），当前得分为2分[11] 同时结合趋势模型信号和加权模型信号进行综合判断[11] 2. 趋势模型 **模型名称：** 趋势模型[11][17] **模型构建思路：** 基于技术分析指标判断市场趋势方向[11] **模型具体构建过程：** 使用SAR指标（停损转向指标）进行分析，当Wind全A指数向下突破翻转指标时发出负向信号[11] 当前趋势模型信号为负向[11] 3. 加权模型 **模型名称：** 加权模型[11][17] **模型构建思路：** 综合多个技术指标进行加权判断市场走势[11] **模型具体构建过程：** 模型结合多种技术分析指标，当前加权模型信号为负向[11] 4. 均线强弱指数模型 **模型名称：** 均线强弱指数模型[11] **模型构建思路：** 通过Wind二级行业指数计算均线强弱程度来评估市场整体技术面状况[11] **模型具体构建过程：** 基于Wind二级行业指数计算出均线强弱指数，当前市场得分为197，处于2023年以来的71.2%分位点[11] 5. 因子拥挤度模型 **模型名称：** 因子拥挤度模型[15] **模型构建思路：** 使用多个指标度量因子拥挤程度，作为因子失效的预警指标[15] **模型具体构建过程：** 使用估值价差、配对相关性、长期收益反转、因子波动率这四个指标度量因子拥挤程度[15] 各分项指标通过综合打分得到复合因子拥挤度[16] 量化因子与构建方式 1. 流动性冲击指标因子 **因子名称：** 流动性冲击指标[2][7] **因子构建思路：** 基于沪深300指数衡量市场流动性状况[2][7] **因子具体构建过程：** 指标数值表示当前市场流动性高于过去一年平均水平的倍数标准差，周五为0.84，低于前一周的1.57[2][7] 2. PUT-CALL比率因子 **因子名称：** PUT-CALL比率[2][7] **因子构建思路：** 通过上证50ETF期权成交量衡量投资者情绪[2][7] **因子具体构建过程：** 计算看跌期权与看涨期权的成交量比率，周五为0.72，低于前一周的1.07，表明投资者对上证50ETF短期走势乐观程度上升[2][7] 3. 换手率因子 **因子名称：** 五日平均换手率[2][7] **因子构建思路：** 通过换手率指标衡量市场交易活跃度[2][7] **因子具体构建过程：** 计算上证综指和Wind全A的五日平均换手率，当前分别为1.19%和1.66%，处于2005年以来的73.46%和75.62%分位点[2][7] 4. 涨跌停板相关情绪因子 **因子名称：** 涨跌停板情绪因子[11][14] **因子构建思路：** 通过涨跌停板相关数据刻画市场情绪强弱[11] **因子具体构建过程：** 包含多个子因子： - 净涨停占比因子：信号为1[14] - 跌停次日收益因子：信号为0[14] - 涨停板占比因子：信号为0[14] - 跌停板占比因子：信号为1[14] - 高频打板收益因子：信号为0[14] 5. 小市值因子 **因子名称：** 小市值因子[4][16] **因子构建思路：** 基于市值维度构建的选股因子[4][16] **因子具体构建过程：** 通过因子拥挤度模型计算，包含估值价差(0.52)、配对相关性(0.60)、市场波动(-0.47)、收益反转(0.97)四个分项指标[16] 6. 低估值因子 **因子名称：** 低估值因子[4][16] **因子构建思路：** 基于估值维度构建的选股因子[4][16] **因子具体构建过程：** 通过因子拥挤度模型计算，包含估值价差(-0.74)、配对相关性(0.81)、市场波动(0.27)、收益反转(-1.39)四个分项指标[16] 7. 高盈利因子 **因子名称：** 高盈利因子[4][16] **因子构建思路：** 基于盈利能力维度构建的选股因子[4][16] **因子具体构建过程：** 通过因子拥挤度模型计算，包含估值价差(-0.58)、配对相关性(0.14)、市场波动(-0.88)、收益反转(0.73)四个分项指标[16] 8. 高盈利增长因子 **因子名称：** 高盈利增长因子[4][16] **因子构建思路：** 基于盈利增长维度构建的选股因子[4][16] **因子具体构建过程：** 通过因子拥挤度模型计算，包含估值价差(1.66)、配对相关性(0.87)、市场波动(-0.66)、收益反转(-0.45)四个分项指标[16] 模型的回测效果 1. 情绪择时模型 情绪模型得分为2分（满分5分）[11]，趋势模型信号为负向[11]，加权模型信号为负向[11] 2. 趋势模型 当前信号为负向[11]，模型显示市场趋势被打破[2] 3. 加权模型 当前信号为负向[11]，与趋势模型一致显示负向信号[11] 因子的回测效果 1. 小市值因子 复合拥挤度：0.41[4][16] 分项指标：估值价差0.52，配对相关性0.60，市场波动-0.47，收益反转0.97[16] 2. 低估值因子 复合拥挤度：-0.26[4][16] 分项指标：估值价差-0.74，配对相关性0.81，市场波动0.27，收益反转-1.39[16] 3. 高盈利因子 复合拥挤度：-0.15[4][16] 分项指标：估值价差-0.58，配对相关性0.14，市场波动-0.88，收益反转0.73[16] 4. 高盈利增长因子 复合拥挤度：0.35[4][16] 分项指标：估值价差1.66，配对相关性0.87，市场波动-0.66，收益反转-0.45[16] 5. 流动性冲击指标因子 当前数值：0.84[2][7] 前一周数值：1.57[2][7] 6. PUT-CALL比率因子 当前数值：0.72[2][7] 前一周数值：1.07[2][7] 7. 换手率因子 上证综指换手率：1.19%，处于2005年以来73.46%分位点[2][7] Wind全A换手率：1.66%，处于2005年以来75.62%分位点[2][7]

根据研报内容，本报告主要涉及市场追踪和资金流向分析，未详细阐述具体的量化模型或量化因子的构建思路、过程及回测效果。报告内容集中于市场数据统计、基金仓位测算和资金流分类统计。 量化模型与构建方式 本报告中未明确描述具体的量化模型或量化因子的构建思路、具体构建过程及公式。 模型的回测效果 本报告中未提供具体量化模型的回测效果指标取值。 量化因子与构建方式 本报告中未明确描述具体的量化因子的构建思路、具体构建过程及公式。 因子的回测效果 本报告中未提供具体量化因子的回测效果指标取值。 其他量化相关方法 报告中提及了基于规则的统计方法，主要用于市场监控和描述： **方法名称：基金仓位测算方法**[22][23] **方法构建思路**：通过筛选合格的基金样本，根据其持股市值加权计算整体市场仓位水平，以监控公募基金的资产配置动向[22][23] **方法具体构建过程**： 1. **样本筛选**：对主动权益型基金和“固收+”基金分别设定筛选门槛[23] * 主动权益型基金合格样本门槛：成立期满两个季度、未到期、规模大于5000万元、过去四期平均仓位大于60%[23] * “固收+”基金合格样本门槛：成立期满两个季度、未到期、规模大于5000万元、过去四期平均仓位在10%-30%[23] * 以上测算均剔除不完全投资于A股的基金[24] 2. **仓位计算**：对合格样本的持股市值进行加权计算，得到市场平均仓位[23] **方法名称：资金流划分方法**[52] **方法构建思路**：根据同花顺对成交单的分类标准，将市场资金流划分为特大单、大单、中单和小单，以分析不同资金规模的动向[52] **方法具体构建过程**：基于成交量和成交金额对每一笔成交进行划分，标准如下[52]： * **特大单**：成交量在20万股以上，或成交金额在100万元以上的成交单[52] * **大单**：成交量在6万股到20万股之间，或成交金额在30万到100万之间，或成交量占流通盘0.1%的成交单[52] * **中单**：成交量在1万股与6万股之间，或成交金额在5万到30万之间的成交单[52] * **小单**：成交量在1万股以下，或成交金额在5万元以下的成交单[52] 相关统计结果取值 报告提供了基于上述统计方法得出的最新市场数据： **基金仓位测算结果（截至2025/10/24）**[2][22] * 主动权益型基金平均仓位：90.02%[2][22] * 普通股票型基金平均仓位：92.60%（较上周下降0.01pct）[2] * 偏股混合型基金平均仓位：90.66%（较上周下降0.25pct）[2] * 配置型基金平均仓位：87.77%（较上周下降0.31pct）[2] * “固收+”基金平均仓位：23.52%（较上周上升0.25pct）[2] **主动权益产品风格仓位分布（截至2025/10/24）**[3][29] * 大盘成长仓位：35.19%（较上周下降1.2pct）[3][29] * 大盘价值仓位：9.28%（较上周下降0.27pct）[3][29] * 中盘成长仓位：6.62%（较上周下降1.3pct）[3][29] * 中盘价值仓位：5.17%（较上周上升0.78pct）[3][29] * 小盘成长仓位：34.56%（较上周上升1.68pct）[3][29] * 小盘价值仓位：9.18%（较上周上升0.31pct）[3][29] **主力/主动资金流结果（本周：2025/10/20-2025/10/24）**[6][53] * 特大单全周净流入：约275.74亿元[6][53] * 主买净额：约-130.60亿元[6][53]

根据提供的量化周报内容，以下是关于报告中涉及的量化模型和因子的总结。 量化模型与构建方式 1. A股景气指数模型 - **模型名称**：A股景气指数模型[29] - **模型构建思路**：该模型旨在对A股市场的景气度进行高频Nowcasting（即时预测），以上证指数归母净利润同比作为预测目标[29] - **模型具体构建过程**：报告指出，该指数的构建详情请参考其专题报告《视角透析：A股景气度高频指数构建与观察》，但本篇周报未详细描述具体构建公式和步骤[29] 2. A股情绪指数模型 - **模型名称**：A股情绪指数模型[33] - **模型构建思路**：通过量价数据刻画市场情绪，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[33] - **模型具体构建过程**：模型基于“波动-成交情绪时钟”概念。四个象限中，只有“波动率上行-成交额下行”的区间表现为显著负收益，其余象限均为显著正收益。相关研究请参考报告《视角透析：A股情绪指数构建与观察》，本篇周报未提供具体构建公式[33][34] 3. 指数增强组合模型 - **模型名称**：中证500增强组合模型 / 沪深300增强组合模型[46][52] - **模型构建思路**：通过量化策略模型构建投资组合，旨在跑赢对应的基准指数（中证500指数或沪深300指数）[46][52] - **模型具体构建过程**：报告展示了根据策略模型得到的持仓明细，但未详细说明模型的具体构建逻辑、因子选择或权重优化方法[48][56] 4. 风格因子模型 - **模型名称**：BARRA风格因子模型[57] - **模型构建思路**：参照BARRA模型框架，构建十大类风格因子，用于描述和解释A股市场的收益特征，并应用于投资组合的绩效归因分析[57][65] - **模型具体构建过程**：模型包含十大类风格因子，分别是：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）[57]。报告未提供每个因子的具体计算公式。 5. 主题挖掘算法模型 - **模型名称**：主题挖掘算法模型[46] - **模型构建思路**：基于新闻和研报文本，通过文本处理、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维度来挖掘主题投资机会[46] - **模型具体构建过程**：报告提及该算法包含多个处理维度，但未给出具体的模型构建步骤或公式[46] 模型的回测效果 1. 指数增强组合模型 - **中证500增强组合**：截至报告周，本周收益率为2.06%，跑输基准（中证500指数）1.39%。2020年至今，组合相对中证500指数累计超额收益为52.33%，最大回撤为-5.73%[46] - **沪深300增强组合**：截至报告周，本周收益率为3.24%，跑输基准（沪深300指数）0.01%。2020年至今，组合相对沪深300指数累计超额收益为38.28%，最大回撤为-5.86%[52] 2. A股情绪指数模型 - **模型信号**：当前A股情绪见底指数信号为“空”，A股情绪见顶指数信号为“空”，综合信号为“空”[36][38] 3. A股景气指数模型 - **指数取值**：截至2025年10月24日，A股景气指数为20.44，相比2023年底上升15.02，当前处于上升周期中[32] 量化因子与构建方式 1. 风格因子 - **因子名称**：十大类风格因子，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）[57] - **因子构建思路**：这些因子是参照BARRA模型体系构建的，用于刻画股票在不同风格维度上的风险暴露和收益特征[57] - **因子具体构建过程**：报告列出了因子名称，但未提供每个因子的具体构建过程和计算公式[57] 2. 行业因子 - **因子名称**：行业因子（如石油石化、通信、电子、有色金属、食品饮料、商贸零售等）[58] - **因子构建思路**：用于衡量特定行业股票组合相对于市场市值加权组合的超额收益[58] - **因子具体构建过程**：报告未提供行业因子的具体构建方法 因子的回测效果 1. 风格因子近期表现 - **本周表现**：从纯因子收益来看，本周Beta因子超额收益较高，非线性市值（NLSIZE）因子呈现较为显著的负向超额收益[58] - **近期表现**：从近期因子表现来看，高杠杆（LVRG）股表现优异，残差波动率（RESVOL）、非线性市值（NLSIZE）等因子表现不佳[58] - **因子相关性**：流动性（LIQUIDITY）因子分别与Beta、动量（MOM）、残差波动率（RESVOL）呈现明显正相关性；估值（BTOP）因子分别与Beta、残差波动率（RESVOL）、流动性（LIQUIDITY）等因子呈现明显负相关性[58] 2. 行业因子近期表现 - **本周表现**：本周石油石化、通信、电子等行业因子相对市场市值加权组合跑出较高超额收益，而有色金属、食品饮料、商贸零售等行业因子回撤较多[58] 3. 风格因子在指数归因中的表现 - **近期市场偏好**：由于近期市场偏好高Beta的股票，中证500、创业板指、Wind全A在Beta因子上暴露较大，在风格因子上表现不错；上证指数、上证50在Beta因子上暴露较小，本周在风格因子上表现不佳[65]

根据研报内容，以下是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**[12] * **模型构建思路**：基于市场成交量的变化来判断市场短期趋势[12] * **模型具体构建过程**：报告未详细说明具体构建过程和公式 2. **模型名称：低波动率模型**[12] * **模型构建思路**：利用市场波动率较低的特征进行择时判断[12] * **模型具体构建过程**：报告未详细说明具体构建过程和公式 3. **模型名称：特征龙虎榜机构模型**[12] * **模型构建思路**：基于龙虎榜中机构投资者的交易行为特征进行市场判断[12] * **模型具体构建过程**：报告未详细说明具体构建过程和公式 4. **模型名称：特征成交量模型**[12] * **模型构建思路**：分析成交量中的特定模式或特征来预测市场走势[12] * **模型具体构建过程**：报告未详细说明具体构建过程和公式 5. **模型名称：智能算法模型**[12] * **模型构建思路**：应用智能算法对沪深300、中证500等宽基指数进行择时[12] * **模型具体构建过程**：报告未详细说明具体构建过程和公式 6. **模型名称：涨跌停模型**[13] * **模型构建思路**：通过分析市场中涨跌停股票的数量和分布来判断中期市场情绪[13] * **模型具体构建过程**：报告未详细说明具体构建过程和公式 7. **模型名称：月历效应模型**[13] * **模型构建思路**：基于历史数据的月度周期性规律进行中期市场判断[13] * **模型具体构建过程**：报告未详细说明具体构建过程和公式 8. **模型名称：长期动量模型**[14] * **模型构建思路**：根据资产的长期价格动量趋势来判断市场方向[14] * **模型具体构建过程**：报告未详细说明具体构建过程和公式 9. **模型名称：A股综合兵器V3模型**[15] * **模型构建思路**：综合多种信号和因子的复合模型，用于A股市场综合判断[15] * **模型具体构建过程**：报告未详细说明具体构建过程和公式 10. **模型名称：A股综合国证2000模型**[15] * **模型构建思路**：专门针对国证2000指数构建的综合择时模型[15] * **模型具体构建过程**：报告未详细说明具体构建过程和公式 11. **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数的关系进行港股市场中期判断[16] * **模型具体构建过程**：报告未详细说明具体构建过程和公式 12. **模型名称：杯柄形态识别模型**[46][47][48] * **模型构建思路**：基于技术分析中的杯柄形态识别突破个股[46][47][48] * **模型具体构建过程**：通过识别股价走势中的A点（起点）、B点（杯柄高点）、C点（杯柄低点）来确认形态，当价格突破B点时视为买入信号[48] 13. **模型名称：双底形态识别模型**[46][50][52] * **模型构建思路**：识别技术分析中的双底形态来捕捉个股反弹机会[46][50][52] * **模型具体构建过程**：通过识别A点（第一底）、B点（反弹高点）、C点（第二底）来确认形态，当价格突破B点时视为买入信号[52] 14. **模型名称：倒杯子形态识别模型**[60][62] * **模型构建思路**：识别下跌趋势中的倒杯子形态来预警个股风险[60][62] * **模型具体构建过程**：在一波下跌后出现筑顶（A点），完成筑顶后再次下跌并实现突破（C点、E点），预示股价可能延续下跌趋势[60][62] 模型的回测效果 1. **双底形态模型**：截至2025年10月，组合累计上涨30.4%，跑赢上证综指16.61%[46] 2. **杯柄形态模型**：截至2025年10月，组合累计上涨68.02%，跑赢上证综指54.22%[46] 量化因子与构建方式 1. **因子名称：分析师预期调整因子**[21][22] * **因子构建思路**：基于分析师对个股盈利预期的上调或下调比例构建行业层面的情绪因子[21][22] * **因子具体构建过程**：统计行业内分析师上调盈利预测的个股比例和下调盈利预测的个股比例[21][22] 2. **因子名称：基金仓位因子**[23][26][27][31][32] * **因子构建思路**：通过监测股票型和混合型基金的行业仓位变化来捕捉机构资金流向[23][26][27][31][32] * **因子具体构建过程**：计算各行业在基金总仓位中的占比，以及相对于市场市值占比的超低配情况[26][27][31][32] 因子的回测效果 报告未提供具体因子的独立回测效果指标数值。