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：港股精选组合模型**[14][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[14][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分析师推荐股票池；接着，对分析师推荐股票池中的股票进行基本面和技术面两个维度的精选，构建最终的港股精选股票组合[15] 2. **因子名称：平稳创新高股票筛选因子**[20][22][23] * **因子构建思路**：基于动量效应和趋势跟踪策略的有效性，从创出250日新高的股票池中，综合考量分析师关注度、股价相对强弱、股价路径平稳性、创新高连续性等角度，筛选出趋势更为稳健的"平稳创新高"股票[20][22][23] * **因子具体构建过程**： * **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] * **核心指标 - 250日新高距离**：用于量化创新高情况，计算公式为： $$250 日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 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。若最新收盘价创出新高，则该值为0；若较新高回落，则为正值，表示回落幅度[22] * **筛选条件**： 1. **分析师关注度**：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] 2. **股价相对强弱**：过去250日涨跌幅位于样本池前20%[23] 3. **股价平稳性（综合打分，取前50%）**： * **价格路径平滑性（位移路程比）**：`过去120日涨跌幅绝对值 / 过去120日日涨跌幅绝对值加总`[22][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[23] 4. **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，取排序靠前的50只股票[23] 模型的回测效果 * **港股精选组合模型**[15][19] * 回测区间：20100101-20250630[15] * 年化收益：19.11%[15][19] * 相对恒生指数超额收益：18.48%[15][19] * 信息比率 (IR)：1.22[19] * 跟踪误差：14.55%[19] * 收益回撤比：0.78[19] * 最大回撤：23.73%[19]

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：期现对冲策略（连续对冲）**[43][44] * **模型构建思路**：通过做空股指期货合约来对冲持有现货（指数全收益）的风险，目标是获取相对稳定的低风险收益[43][44] * **模型具体构建过程**： * **现货端**：持有对应标的指数的全收益指数，使用70%的资金[44] * **期货端**：做空与现货端名义本金相同的股指期货合约（IC/IF/IH/IM），占用剩余30%的资金，每次调仓后根据产品净值重新计算现货及期货端数量[44] * **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，在当日以收盘价进行平仓，并同时以当日收盘价继续卖空下一季月或当月合约[44] * **回测设置**：回测区间为2022年7月22日至2025年10月24日，不考虑交易手续费、冲击成本及期货合约的不可无限细分性质[44] 2. **模型名称：期现对冲策略（最低贴水）**[43][45] * **模型构建思路**：在连续对冲策略基础上进行优化，通过动态选择年化基差贴水幅度最小的合约，以期降低对冲成本或获取基差收敛收益[43][45] * **模型具体构建过程**： * **现货端与期货端资金分配**：与连续对冲策略相同，现货端70%，期货端30%，并根据净值调整数量[45] * **调仓规则**： * 调仓时，对当日所有可交易期货合约的年化基差进行计算[45] * 选择年化基差贴水幅度最小的合约进行开仓[45] * 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，才能进行选择新合约（排除剩余到期日不足8日的期货合约）[45] * 每次选择后，即使结果为持有原合约不变，仍继续持有8个交易日[45] * **回测设置**：回测区间为2022年7月22日至2025年10月24日，不考虑交易成本等[45] 3. **因子名称：分红调整年化基差**[19] * **因子构建思路**：为准确反映股指期货合约的真实定价水平，需要剔除合约存续期内指数成分股分红对基差计算的影响，从而得到经分红调整后的年化基差[19] * **因子具体构建过程**： * 首先计算预期分红调整后的基差：`预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红`[19] * 然后对调整后的基差进行年化处理：`年化基差 = (实际基差 + (预期)分红点位) / 指数价格 × 360 / 合约剩余天数`[19] * 公式说明：`实际基差`为期货合约收盘价与标的指数收盘价的差值；`(预期)分红点位`为预测的合约存续期内指数成分股分红对指数点位的总影响；`指数价格`为标的指数收盘价；`合约剩余天数`为期货合约距离到期日的天数[19] 4. **因子名称：信达波动率指数 (Cinda-VIX)**[62] * **因子构建思路**：借鉴海外经验并结合中国场内期权市场实际，编制能够反映市场对标的资产未来波动率预期的指数[62] * **因子评价**：该指数能够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，可反映不同期限的波动预期[61][62] 5. **因子名称：信达偏度指数 (Cinda-SKEW)**[66] * **因子构建思路**：通过捕捉不同行权价格期权隐含波动率的偏斜特征，来衡量市场对标的资产未来收益分布（特别是尾部风险）的预期[66] * **因子评价**：该指数能洞察市场对潜在尾部风险的忧虑程度，当指数超过100时，通常意味着市场对大幅下跌风险的担忧加剧，被称为"黑天鹅指数"[66][67] 模型的回测效果 **回测区间：2022年7月22日至2025年10月24日**[44][45] 1. **IC（中证500）对冲策略**[47] * **当月连续对冲模型**：年化收益-3.21%，波动率3.86%，最大回撤-10.14%，净值0.8999，年换手次数12，2025年以来收益-5.47%[47] * **季月连续对冲模型**：年化收益-2.24%，波动率4.78%，最大回撤-8.34%，净值0.9293，年换手次数4，2025年以来收益-2.47%[47] * **最低贴水策略模型**：年化收益-1.68%，波动率4.58%，最大回撤-7.97%，净值0.9467，年换手次数17.01，2025年以来收益-3.20%[47] * **指数表现（基准）**：年化收益4.53%，波动率21.08%，最大回撤-31.46%，净值1.1541，2025年以来收益30.88%[47] 2. **IF（沪深300）对冲策略**[52] * **当月连续对冲模型**：年化收益0.46%，波动率2.94%，最大回撤-3.95%，净值1.0148，年换手次数12，2025年以来收益-0.85%[52] * **季月连续对冲模型**：年化收益0.74%，波动率3.29%，最大回撤-4.03%，净值1.0241，年换手次数4，2025年以来收益0.43%[52] * **最低贴水策略模型**：年化收益1.22%，波动率3.06%，最大回撤-4.06%，净值1.0398，年换手次数15.15，2025年以来收益0.62%[52] * **指数表现（基准）**：年化收益2.98%，波动率17.11%，最大回撤-25.59%，净值1.0997，2025年以来收益21.99%[52] 3. **IH（上证50）对冲策略**[56] * **当月连续对冲模型**：年化收益1.08%，波动率3.02%，最大回撤-4.22%，净值1.0353，年换手次数12，2025年以来收益0.45%[56] * **季月连续对冲模型**：年化收益1.96%，波动率3.43%，最大回撤-3.75%，净值1.0646，年换手次数4，2025年以来收益1.52%[56] * **最低贴水策略模型**：年化收益1.72%，波动率3.04%，最大回撤-3.91%，净值1.0565，年换手次数15.77，2025年以来收益1.53%[56] * **指数表现（基准）**：年化收益2.09%，波动率16.18%，最大回撤-22.96%，净值1.0693，2025年以来收益16.68%[56] 4. **IM（中证1000）对冲策略**[60] * **当月连续对冲模型**：年化收益-6.29%，波动率4.76%，最大回撤-14.00%，净值0.8302，年换手次数12，2025年以来收益-11.45%[60] * **季月连续对冲模型**：年化收益-4.64%，波动率5.79%，最大回撤-12.63%，净值0.8538，年换手次数4，2025年以来收益-6.42%[60] * **最低贴水策略模型**：年化收益-4.22%，波动率5.55%，最大回撤-11.11%，净值0.8667，年换手次数15.82，2025年以来收益-6.69%[60] * **指数表现（基准）**：年化收益0.89%，波动率25.59%，最大回撤-41.60%，净值0.9219，2025年以来收益27.98%[60] 因子的回测效果 **数据日期：2025年10月24日** 1. **分红调整年化基差因子**[4][20][25][31][37] * **IC当季合约**：取值-8.84%[4][20] * **IF当季合约**：取值-2.90%[4][25] * **IH当季合约**：取值0.42%[4][31] * **IM当季合约**：取值-11.18%[4][37] 2. **信达波动率指数 (Cinda-VIX) 因子**[62] * **上证50VIX_30**：取值19.23[62] * **沪深300VIX_30**：取值19.32[62] * **中证500VIX_30**：取值27.76[62] * **中证1000VIX_30**：取值24.15[62] 3. **信达偏度指数 (Cinda-SKEW) 因子**[67] * **上证50SKEW**：取值101.75[67] * **沪深300SKEW**：取值103.69[67] * **中证500SKEW**：取值102.25[67] * **中证1000SKEW**：取值102.63[67]

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和描述性分析，而非模型或因子研究。 因此，本次总结中**没有**需要提取的量化模型或量化因子相关内容。

根据提供的金融工程周报内容，以下是关于报告中涉及的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**：该因子用于衡量当前股价相对于过去250个交易日最高价的回落幅度，其理论基础是股价在接近52周（约250日）最高价时，未来收益往往更高，体现了动量和趋势跟踪策略的有效性[11] * **因子具体构建过程**：计算步骤如下： 1. 取股票在过去250个交易日的收盘价序列 2. 计算该序列的最大值，记为 `ts_max(Close, 250)` 3. 取最新收盘价 `Closet` 4. 代入以下公式计算因子值： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 若最新收盘价创出新高，则因子值为0；若股价自高点回落，则因子值为正，代表回落幅度[11] 2. **因子名称：平稳创新高股票筛选因子（复合因子）**[25][28] * **因子构建思路**：该复合因子旨在从创出250日新高的股票中，进一步筛选出价格路径平滑、趋势延续性好的股票，其依据是研究表明平滑的动量效应可能比跳跃式的更强[25] * **因子具体构建过程**：这是一个多步骤筛选流程，具体条件如下： 1. **初选股票池**：过去20个交易日内曾创出250日新高的股票[19] 2. **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[28] 3. **股价相对强弱**：过去250日涨跌幅位于全市场前20%[28] 4. **股价平稳性与创新高持续性（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[28]： * **价格路径平滑性**：使用股价位移路程比衡量，具体计算公式为 `过去120日涨跌幅的绝对值 / 过去120日日涨跌幅绝对值加总`[25][28] * **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[28] 5. **趋势延续性**：对经过上述筛选的股票，计算其过去5日的250日新高距离在时间序列上的均值，并最终选取该均值排序最靠前的50只股票[28] 模型的回测效果 （报告中未提供具体量化模型的回测效果指标） 因子的回测效果 （报告中未提供量化因子的历史回测效果指标，如IC值、IR等，仅提供了特定时点的截面数据描述）

根据提供的金融工程周报，以下是报告中涉及的量化模型与因子的总结： 量化因子与构建方式 1. 250日新高距离因子 **因子构建思路**：该因子用于衡量当前价格相对于过去250个交易日最高价的回落幅度，反映个股、行业或指数的趋势强度[11] **因子具体构建过程**： 计算最新收盘价与过去250个交易日最高价之间的相对距离，具体公式为： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 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[11] 当最新收盘价创出新高时，该因子值为0；当价格从高点回落时，该因子为正值，表示回落幅度[11] 2. 平稳创新高股票筛选模型 **模型构建思路**：基于分析师关注度、股价相对强弱、趋势延续性、股价路径平稳性和创新高持续性等多维度指标，从创新高股票中筛选出具有持续动量效应的股票[25][28] **模型具体构建过程**： 采用多步骤筛选流程： 1. **初筛条件**：过去20个交易日创出过250日新高的股票[19] 2. **分析师关注度筛选**：过去3个月买入或增持评级的分析师研报不少于5份[28] 3. **股价相对强弱筛选**：过去250日涨跌幅位于全市场前20%[28] 4. **股价平稳性筛选**：在满足上述条件的股票池内，用以下两个指标综合打分，取排名在前50%的股票[28] - **价格路径平滑性**：股价位移路程比[25] - **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[28] 5. **趋势延续性筛选**：过去5日的250日新高距离在时间序列上的均值，取排序靠前的50只股票[28] 模型与因子的测试结果取值 1. 250日新高距离因子应用结果 **指数层面应用结果**（截至2025年10月24日）： - 上证指数：0.00%[12] - 深证成指：3.18%[12] - 沪深300：1.04%[12] - 中证500：3.85%[12] - 中证1000：2.99%[12] - 中证2000：3.14%[12] - 创业板指：2.77%[12] - 科创50指数：4.99%[12] **行业层面应用结果**： - 通信行业：0.47%[13] - 石油石化行业：1.23%[13] - 电力及公用事业：0.46%[13] - 建筑行业：0.32%[13] - 电子行业：4.28%[13] 2. 创新高个股统计结果 **全市场创新高个股概况**（截至2025年10月24日）： - 创新高股票总数：1123只[19] - 创新高个股数量最多的行业：电子（178只）、机械（144只）、基础化工（114只）[19] - 创新高个股占比最高的行业：有色金属（59.68%）、煤炭（47.22%）、电子（36.85%）[19] **板块分布创新高个股**： - 科技板块：356只（占比25.28%）[20] - 周期板块：322只（占比28.72%）[20] - 制造板块：318只（占比20.44%）[20] - 消费板块：49只（占比10.19%）[20] - 医药板块：39只（占比7.98%）[20] - 大金融板块：34只（占比14.98%）[20] **指数成分股创新高比例**： - 科创50指数：42.00%[20] - 创业板指：33.00%[20] - 中证500：31.60%[20] - 沪深300：30.67%[20] - 中证1000：24.10%[20] - 中证2000：18.75%[20] 3. 平稳创新高股票筛选结果 **最终筛选结果**：50只平稳创新高股票[29] **板块分布**：科技板块（18只）、制造板块（14只）[29] **行业分布**：科技板块中电子行业最多，制造板块中机械行业最多[29]

根据提供的研报内容，该报告主要对A股市场主要宽基指数进行数据跟踪和统计分析，并未涉及具体的量化模型或量化因子的构建、测试与评价。报告内容集中于市场表现的描述性统计，如指数涨跌幅、均线比较、资金占比、风险溢价、估值指标等[1][2][3][4][6][8][10][11][12][13][15][16][18][20][21][22][23][24][25][27][28][29][30][31][34][35][37][38][39][40][41][43][44][45][46][48][50][51][52][53][54][55][56][57][58][59][60][61]。 因此，本次总结中“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”部分均无相关内容。

根据提供的研报内容，以下是关于量化因子和模型的总结： 量化因子与构建方式 1. **因子名称：RSI相对强弱指标**[2] * **因子构建思路**：通过计算一定周期内价格涨跌幅的比率，来衡量市场的超买或超卖状态[2] * **因子具体构建过程**：首先计算一定周期（例如12天）内的平均涨幅和平均跌幅，然后计算两者的比值RS，最后通过公式转换为RSI值[2] * 计算公式为：$$RSI = 100 – 100 / (1 + RS)$$[2] * 其中，RS = 周期内平均涨幅 / 周期内平均跌幅[2] * **因子评价**：RSI>70表示市场可能处于超买状态，RSI<30表示市场可能处于超卖状态，常用于判断短期市场反转点[2] 2. **因子名称：净申购**[2] * **因子构建思路**：通过计算ETF基金净申购金额的变化，反映资金的流入流出情况[2] * **因子具体构建过程**：基于ETF的净值数据，通过特定公式计算当日净申购金额[2] * 计算公式为：$$NETBUY(T) = NAV(T)–NAV(T-1)*（1+R（T））$$[2] * 其中，NETBUY(T)为T日净申购金额，NAV(T)为T日基金净值，NAV(T-1)为T-1日基金净值，R(T)为T日基金收益率[2] 因子与模型的效果取值 1. **RSI相对强弱指标**，具体取值见各ETF数据表格[4][6] 2. **净申购（亿元）**，具体取值见各ETF数据表格[4][6] **说明**：研报中未提供关于因子或模型的传统回测效果指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）[4][6]

根据提供的研报内容，经过全面梳理，该报告主要对美国公募基金市场的月度表现进行数据统计和描述，并未涉及任何具体的量化模型或量化因子的构建、测试与分析。报告内容集中于市场动态观察，如基金收益、资金流向、产品发行等[1][2][3][4][5]。 因此，本总结中关于“量化模型与构建方式”及“量化因子与构建方式”的部分没有相关内容可供列出。报告的核心是市场数据汇总与机构观点梳理，而非量化投资策略的研发与验证。

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. 个人投资者交易因子 **因子名称**：个人投资者交易 **因子构建思路**：通过分析交易执行时的分以下价格特征来识别个人投资者的买卖订单，进而构建交易指标[22] **因子具体构建过程**： 1. 计算交易价格对应的美分部分： $$Z_{i t}=100\times m o d(P_{i t},0.01)$$ 其中$P_{it}$为股票的交易价格[23] 2. 若交易报告至FINRA的交易报告机构（交易所代码'D'），且$Z_{it}$落在区间(0.6, 1)内，识别为个人投资者买单；若$Z_{it}$落在(0, 0.4)区间内，识别为个人投资者卖单[24] 3. 将每日个人投资者买入股票的比例计算为：(个人买单−个人卖单)/流通股数[25] 4. 在不同时间区间上汇总该指标，跨度从3个月到3年不等[25] **因子评价**：个人投资者系统性错误交易，其交易行为与收益预测方向相反[5] 2. 机构交易因子 **因子名称**：机构交易 **因子构建思路**：基于SEC的13F和S12季度数据估算六类机构投资者的交易行为[30] **因子具体构建过程**： 1. 从Thomson Reuters记录的13F文件中获取机构持仓数据[31] 2. 将机构分为六种类型：共同基金、银行、保险公司、财富管理公司、对冲基金和"其他"机构[31] 3. 使用Brain Bushee提供的类型代码识别银行和保险公司[32] 4. 基于机构名称的文本标准将非银行、保险公司且无共同基金的机构分类为财富管理公司或对冲基金[32] 5. 计算每类机构持有的流通股百分比在3个月、1年和3年期间的变化[32] **因子评价**：机构投资者整体呈中性，其持仓背离预期收益，交易无法稳健预测未来收益[5] 3. 卖空者交易因子 **因子名称**：卖空者交易 **因子构建思路**：基于股票交易所报告的月末卖空头寸数据构建卖空者交易指标[33] **因子具体构建过程**： 1. 从Compustat获取月末卖空头寸信息[33] 2. 计算卖空者交易为卖空头寸的变化除以流通股数[33] 3. 对变量进行符号设定，使得卖空头寸的增加导致卖空者交易为负值，卖空头寸的减少导致卖空者交易为正值[33] **因子评价**：卖空者是"聪明资金"，善于利用公开信息，交易顺预期收益方向[5] 4. 公司交易因子 **因子名称**：公司交易 **因子构建思路**：以公司流通股的百分比变化来衡量公司交易行为[35] **因子具体构建过程**： 1. 用流通股数对股份变化（股票发行减去股票回购）进行缩放[35] 2. 对变量进行符号设定，使得公司交易的正值表示流通股减少（公司回购股票）[35] 3. 每月使用CRSP报告的经拆股和股票股利调整后的流通股数创建变量[35] **因子评价**：公司是最具信息优势的交易者，可能包含私有信息[5] 5. 净异象指数因子 **因子名称**：Net异象指数 **因子构建思路**：基于130个收益预测异象构建综合指标，衡量股票在异象投资组合中的暴露程度[38] **因子具体构建过程**： 1. 每月根据每个异象特征对股票进行排序[38] 2. 将每个异象策略的多头和空头端定义为排序产生的极端五分位数[38] 3. 对于指示变量类异象，根据指示变量的二进制值，只有多头端或空头端[38] 4. 创建异象指数Net：在给定月份中，一只股票所属的多头异象投资组合数量与空头异象投资组合数量之差[39] **因子评价**：Net指数高度持续，能有效区分极端五分位股票的异象暴露程度[40] 因子的回测效果 1. 个人投资者交易因子 - 1年期交易均值：0.03%[28] - 3年期交易均值：0.05%[28] - 3个月交易均值：0.00%[28] - 未来收益预测系数：负向显著[70] - 异象解释力R²：1年期11.51%，3年期18.10%[51] 2. 机构交易因子 **共同基金**： - 1年期交易均值：-0.09%[28] - 3年期交易均值：-0.41%[28] - 3个月交易均值：-0.08%[28] - 异象解释力R²：1年期1.95%，3年期3.89%[51] **银行**： - 1年期交易均值：-0.14%[28] - 3年期交易均值：-0.67%[28] - 3个月交易均值：-0.05%[28] - 未来收益预测系数：负向显著[67] - 异象解释力R²：1年期1.98%，3年期5.08%[51] **保险公司**： - 1年期交易均值：-0.04%[28] - 3年期交易均值：-0.17%[28] - 3个月交易均值：-0.01%[28] - 异象解释力R²：1年期1.66%，3年期2.14%[51] **财富管理公司**： - 1年期交易均值：0.09%[28] - 3年期交易均值：0.23%[28] - 3个月交易均值：0.02%[28] - 异象解释力R²：1年期0.27%，3年期0.60%[51] **对冲基金**： - 1年期交易均值：0.05%[28] - 3年期交易均值：0.42%[28] - 3个月交易均值：-0.01%[28] - 异象解释力R²：1年期0.51%，3年期1.56%[51] **其他机构**： - 1年期交易均值：1.42%[28] - 3年期交易均值：4.39%[28] - 3个月交易均值：0.29%[28] - 异象解释力R²：1年期2.10%，3年期4.56%[51] 3. 卖空者交易因子 - 1年期交易均值：-0.18%[28] - 3年期交易均值：-0.49%[28] - 3个月交易均值：-0.03%[28] - 未来收益预测系数：正向显著[67] - 异象解释力R²：1年期3.83%，3年期11.35%[51] 4. 公司交易因子 - 1年期交易均值：-3.92%[28] - 3年期交易均值：-11.40%[28] - 3个月交易均值：-0.87%[28] - 未来收益预测系数：正向显著[67] - 异象解释力R²：1年期21.99%，3年期32.22%[51] 5. 净异象指数因子 - Net均值：-1.27[28] - Net标准差：8.93[28] - 极端五分位差异：第1与第5五分位差18.8[39] - 未来收益预测系数：正向显著[67] - 持续性：高度持续，各五分位数在t-3至t+3期间保持稳定[40]

根据提供的研报内容，经过全面梳理，该报告主要对美国公募基金市场的月度表现进行数据统计和现象描述，并未涉及具体的量化模型或量化因子的构建、测试与分析。报告内容集中于市场动态观察，包括基金收益、资金流向、产品发行等[1][2][3][4][5][12][13][14][15][16][17][18][19][20][21][24][25][27][28][30][31][32][34][35][36][37][38][39][41][42][43][45][46][47][48][49][50][52][53][54][55][56][57][58][59][60][61]。 因此，本报告中**没有**需要总结的量化模型或量化因子相关内容。