根据研报内容，本次报告主要涉及基金市场表现跟踪和ETF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过程、公式及评价。报告内容侧重于市场数据统计和现有指数的业绩展示。 **量化模型与构建方式** 1. **模型/指数名称**：主动偏股基金高频仓位测算模型[63] * **模型构建思路**：由于公募基金股票仓位披露频率低，该模型利用基金每日净值序列，通过带约束条件的多元回归模型，在基准或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，以实现对主动偏股基金仓位的相对高频跟踪[63] * **模型具体构建过程**：报告提及市场主流方式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进行估算。报告中提到“我们分别构建各只基金的模拟组合提升仓位估算的准确程度”，但未提供具体的回归模型公式、约束条件设定、自变量（基准或资产序列）的选择与构建等详细步骤[63] 2. **模型/指数名称**：REITs系列指数（包括REITs综合指数、产权类REITs指数、特许经营权类REITs指数及各细分项目指数）[49][50][52] * **模型构建思路**：为综合反映REITs市场表现，提供衡量不同底层资产、项目类型的细分REITs指数，并考虑REITs的高分红特性，同时提供价格指数和全收益指数[49] * **模型具体构建过程**： * 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[49] * 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[49] * 报告未提供具体的指数计算公式、权重确定方法（如按调整市值加权）等详细构建过程 3. **模型/指数名称**：长期行业主题基金指数（如金融地产、消费、周期、医药、行业轮动、行业均衡、新能源、国防军工、TMT主题基金指数）[37] * **模型构建思路**：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，并构建相应的行业主题基金指数，为投资者提供衡量主题基金风险收益情况的工具[37] * **模型具体构建过程**：报告未提供具体的指数构建公式、成分基金筛选细则、权重设定方法（如等权或按规模加权）等详细过程 **模型的回测效果** 1. **主动偏股基金高频仓位测算模型**：本周（2025.10.13-2025.10.17）主动偏股基金仓位相较上周上升0.16个百分点[63] 2. **REITs系列指数**：截至2025年10月17日，本周REITs综合指数下跌1.38%；产权类REITs指数下跌1.51%；特许经营权类REITs指数下跌1.16%；新型基础设施REITs指数上涨0.26%[50][52] 3. **长期行业主题基金指数**：截至2025年10月17日，本周金融地产、消费、周期、医药、行业轮动、行业均衡、新能源、国防军工、TMT主题基金指数涨跌幅分别为0.40%、-1.95%、-2.11%、-2.62%、-3.92%、-4.52%、-5.12%、-5.74%、-6.80%[37] **量化因子与构建方式** （报告中未涉及量化因子的构建） **因子的回测效果** （报告中未涉及量化因子的测试结果）

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：微盘股/茅指数轮动模型**[18][25] * **模型构建思路**：基于微盘股与茅指数的相对强弱关系进行风格轮动配置，并结合动量指标和风险指标进行择时[18][25] * **模型具体构建过程**： * **轮动信号**：计算微盘股指数与茅指数的相对净值（微盘股净值/茅指数净值），并计算其243日移动平均线（年均线）[18][25][28] 当相对净值高于其年均线时，倾向于投资微盘股；反之，则投资茅指数[25] 同时，计算微盘股和茅指数的20日收盘价斜率（动量）[18][25] 当两个指数的20日斜率方向相反且一方为正时，选择投资斜率为正的指数[25] * **择时风控信号**：监控两个指标[18][25]： 1. 十年期国债到期收益率同比变化，阈值为30%（触及则发出平仓信号）[25] 2. 微盘股波动率拥挤度同比变化，阈值为55%（触及则发出平仓信号）[25] * **模型评价**：该模型旨在捕捉大小盘风格切换，并通过风险指标控制回撤[18][25] 2. **模型名称：宏观择时策略**[47][48] * **模型构建思路**：综合经济增长和货币流动性两个维度的宏观指标，生成权益资产的月度配置仓位建议[47][48] * **模型具体构建过程**：模型对经济增长和货币流动性分别进行评估，生成信号强度（百分比表示）[47][48] 最终的股票仓位建议由这两个维度的信号综合决定[47] 具体构建细节可参考其历史研究报告《Beta 猎手系列：基于动态宏观事件因子的股债轮动策略》[47] * **模型评价**：该模型从宏观基本面出发，为中期资产配置提供量化信号[47] 模型的回测效果 1. **宏观择时策略**[47] * 2025年年初至今收益率：13.57%[47] * 同期基准（Wind全A）收益率：25.65%[47] * 最新信号（截至9月30日）：10月份权益推荐仓位为50%（经济增长信号强度40%，货币流动性信号强度60%）[47][48] 量化因子与构建方式 1. **因子类别：选股因子**[51][52][60][62] * **因子构建思路**：报告跟踪了八大类选股因子，涵盖了价值、成长、质量、技术、波动率、反转、一致预期和市值等多个维度[51][52][60][62] * **因子具体构建过程**：报告附录提供了详细的因子分类和定义[60][62]，例如： * **价值因子 (↑)**：例如，市净率（BP_LR）定义为 $$BP\_LR = \frac{最新年报账面净资产}{最新市值}$$ [60] 预期市盈率（EP_FTTM）定义为 $$EP\_FTTM = \frac{未来12个月一致预期净利润}{最新市值}$$ [60] * **成长因子 (↑)**：例如，单季度净利润同比增速（NetIncome_SQ_Chg1Y）[60] * **质量因子 (↑)**：例如，预期净资产收益率（ROE_FTTM）定义为 $$ROE\_FTTM = \frac{未来12个月一致预期净利润}{股东权益均值}$$ [60] * **技术因子 (↓)**：例如，20日成交量与240日成交量均值之比（Volume_Mean_20D_240D）[62] * **反转因子 (↓)**：例如，20日收益率（Price_Chg20D）[62] * **波动率因子 (↓)**：例如，60日收益率标准差（Volatility_60D）[62] * **一致预期因子 (↑)**：例如，目标价180日收益率（TargetReturn_180D）[62] * **市值因子 (↓)**：例如，流通市值的对数（LN_MktCap）[60] * **因子评价**：不同因子在不同市场环境下表现各异，报告建议根据市场状况关注特定因子的配置机会[51] 2. **因子类别：可转债择券因子**[57] * **因子构建思路**：从正股相关因子和转债估值因子两个角度构建可转债择券因子[57] * **因子具体构建过程**： * **正股因子**：将预测正股表现的选股因子（如一致预期、价值、成长、财务质量）应用于可转债投资[57] * **转债估值因子**：使用平价底价溢价率作为估值因子[57] 因子的回测效果 1. **选股因子（上周表现 - 全部A股）**[52] * IC均值： * 反转因子：22.65%[52] * 价值因子：25.89%[52] * 技术因子：14.88%[52] * 波动率因子：24.30%[52] * 一致预期因子：3.00%[52] * 成长因子：-1.37%[52] * 质量因子：-0.08%[52] * 市值因子：-0.62%[52] * 多空收益： * 反转因子：1.34%[52] * 价值因子：1.97%[52] * 技术因子：2.24%[52] * 波动率因子：2.23%[52] * 一致预期因子：0.88%[52] * 成长因子：-0.18%[52] * 质量因子：-0.80%[52] * 市值因子：0.84%[52] 2. **可转债择券因子（上周表现）**[57] * 正股一致预期、正股价值和转债估值因子取得了正的IC均值[57]

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和因子的总结。报告主要描述了市场表现和基金业绩，并未详细阐述具体的量化模型或因子构建方法。报告核心内容为对各类基金（如指数增强基金、量化对冲基金）业绩的统计和回顾[33][35]。 量化模型与构建方式 报告未详细描述具体的量化模型构建思路、过程或公式。 模型的回测效果 报告未提供具体量化模型的回测效果指标。 量化因子与构建方式 报告未详细描述具体的量化因子构建思路、过程或公式。 因子的回测效果 报告未提供具体量化因子的回测效果指标。 基金业绩统计 报告对采用量化方法的公募基金进行了业绩统计，以下为相关基金类型的业绩表现[33][35]： **1. 指数增强型基金** - **本周超额收益中位数**: 0.24%[33][35] - **本年超额收益中位数**: 3.78%[33][35] **2. 量化对冲型基金** - **本周收益中位数**: -0.06%[33][35] - **本年收益中位数**: 0.68%[33][35] （注：报告未涉及量化模型或因子构建的具体方法论、公式或定性评价，主要内容为市场数据与基金业绩回顾。）

根据提供的金融工程报告，以下是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.扩散指数行业轮动模型 - **模型名称**：扩散指数行业轮动模型[25] - **模型构建思路**：基于价格动量原理，选择具有向上趋势的行业进行配置[38] - **模型具体构建过程**：通过计算各行业的扩散指数来识别趋势方向，选择扩散指数排名靠前的行业作为投资组合。具体构建过程包括跟踪各中信一级行业的扩散指数值，并定期（如月度）根据指数排名进行行业轮动配置[27][30]。该模型的核心是捕捉行业的趋势性行情。 - **模型评价**：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[26][38] 2.GRU因子行业轮动模型 - **模型名称**：GRU因子行业轮动模型[33] - **模型构建思路**：基于分钟频量价数据，通过GRU深度学习网络生成行业因子，把握交易信息[33][39] - **模型具体构建过程**：使用GRU（Gated Recurrent Unit）深度学习网络处理高频量价数据，生成各行业的GRU因子值。模型根据GRU因子排名进行行业配置，定期调整持仓[34][36]。GRU网络能够捕捉时间序列数据的长期依赖关系。 - **模型评价**：在短周期表现较好，对交易信息把握能力强，但在长周期表现一般，极端行情下可能失效[33][39] 模型的回测效果 1.扩散指数行业轮动模型 - 2025年以来超额收益：3.42%[25][30] - 2025年10月以来超额收益：-1.21%[30] - 本周超额收益：-0.85%[30] 2.GRU因子行业轮动模型 - 2025年以来超额收益：-5.40%[33][36] - 2025年10月以来超额收益：2.51%[36] - 本周超额收益：0.86%[36] 量化因子与构建方式 1.行业扩散指数因子 - **因子名称**：行业扩散指数[27] - **因子构建思路**：衡量行业价格趋势强度，数值越高代表向上趋势越强[27] - **因子具体构建过程**：通过对各行业价格数据进行特定计算得到扩散指数值，用于评估行业的趋势强度。截至2025年10月17日，扩散指数排名前六的行业为有色金属(0.979)、通信(0.931)、银行(0.929)、钢铁(0.849)、电子(0.833)、电力设备及新能源(0.816)[27] 2.GRU行业因子 - **因子名称**：GRU行业因子[34] - **因子构建思路**：基于深度学习技术从高频量价数据中提取行业特征[34] - **因子具体构建过程**：通过GRU神经网络处理分钟频量价数据，生成代表行业特征的因子值。截至2025年10月17日，GRU行业因子排名前六的行业为纺织服装(4.22)、综合(2.68)、交通运输(2.16)、钢铁(2.00)、电力及公用事业(1.84)和石油石化(1.08)[34] 因子的回测效果 1.行业扩散指数因子 - 本周环比提升较大的行业：消费者服务(+0.271)、煤炭(+0.251)、商贸零售(+0.127)[28][29] - 本周环比下降较大的行业：石油石化(-0.102)、汽车(-0.040)、建筑(-0.039)[28][29] 2.GRU行业因子 - 本周环比提升较大的行业：食品饮料、电力及公用事业、房地产[34] - 本周环比下降较大的行业：汽车、建筑、建材[34]

根据提供的金融工程周报内容，现对报告中涉及的量化模型与因子进行总结如下： 量化模型与构建方式 1. **模型名称**：上证科创板创新成长策略精选指数模型[13] * **模型构建思路**：该模型旨在落实“科创板八条”，从科创板上市公司中筛选出兼具科技创新能力和高成长性的证券作为指数样本，以反映此类公司的整体表现[13] * **模型具体构建过程**：模型选样过程综合考量传统因子和创新性评价体系： 1. 初步筛选：基于市值、基本面等传统因子[13] 2. 创新评价：融入浦发银行科创评价体系，该体系基于“科技创新力、团队创新力、股权创新力”三类指标，计算得出代表企业科创实力的综合得分[14] 3. 最终选样：从科创板各行业上市公司中，最终选取80只兼具创新“硬实力”与发展“高质量”的上市公司证券作为指数样本[13] 模型的回测效果 （报告中未提供该指数模型的具体回测指标数据） 量化因子与构建方式 1. **因子名称**：浦发银行科创评价因子[14] * **因子构建思路**：通过构建多维度指标体系，量化评估科技企业的科技创新实力[14] * **因子具体构建过程**：该因子是一个复合因子，其得分（设为 \( S_{tech} \) ）由三个子维度指标综合计算得出： $$ S_{tech} = f(I_{innovation}, I_{team}, I_{equity}) $$ 其中： * \( I_{innovation} \) 代表“科技创新力”指标得分 * \( I_{team} \) 代表“团队创新力”指标得分 * \( I_{equity} \) 代表“股权创新力”指标得分 * \( f \) 为具体的合成函数，将三个子维度得分汇总为最终的综合科创评价得分[14] 因子的回测效果 （报告中未提供该因子的独立测试结果数据）

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风格和因子的跟踪分析，而非构建新的量化模型或因子。报告内容侧重于对现有风格指数和因子的表现、拥挤度、估值等进行监测和解读。 量化因子与构建方式 1. **因子名称：动量因子（由“长江动量指数”表征）[25]** * **因子构建思路：** 该因子旨在捕捉A股市场中具有强势动量特征的股票表现。其构建逻辑是选择近期表现强势（高动量）且流动性好的股票[25]。 * **因子具体构建过程：** 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，综合选择A股市场中动量特征强且流动性相对较高的前100只股票作为指数成分股[25]。 * **因子评价：** 该指数能够较好地表征A股市场中最具动量特征的股票的整体走势[25]。 2. **因子名称：反转因子（由“长江反转指数”表征）[26]** * **因子构建思路：** 该因子旨在捕捉A股市场中具有反转效应（即近期表现弱势的股票可能反弹）的股票表现[26]。 * **因子具体构建过程：** 指数以最近一个月股票收益率作为筛选指标，综合选择A股市场中反转效应强、流动性较好的前100只股票作为指数成分股，并采用成分股近三个月日均成交量进行加权[26]。 * **因子评价：** 该指数旨在准确表征我国A股市场各阶段高反转特征个股的整体表现[26]。 3. **因子名称：风格拥挤度因子[36][119]** * **因子构建思路：** 该因子用于衡量特定风格（如成长、红利、小盘等）的交易热度或拥挤程度，以判断其配置风险与机会[36][119]。 * **因子具体构建过程：** 将各风格指数的近n个交易日的日均换手率在历史时间序列上进行z-score标准化，并与万得全A的标准化结果作差，最后计算该差值的滚动y年历史分位值[119]。 * 具体参数：n取63（近一个季度），滚动窗口为6年（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）[119]。 * **因子评价：** 拥挤度分位值越高，表明该风格交易越拥挤，潜在风险可能越大；分位值越低，则表明该风格关注度较低，可能蕴含机会[36]。 4. **因子名称：风格超额净值因子[120]** * **因子构建思路：** 该因子用于衡量特定风格指数相对于市场基准（万得全A）的长期累计超额收益表现[120]。 * **因子具体构建过程：** 以2016年1月4日为基准日，计算各风格指数及万得全A指数的累计净值。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，得到各风格指数相对于万得全A指数的累计超额净值[120]。 5. **因子名称：机构调研活跃度因子[101][121]** * **因子构建思路：** 该因子用于衡量不同板块、行业或指数受到机构投资者关注的程度[101][121]。 * **因子具体构建过程：** 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，并与万得全A的标准化结果作差得到“机构调研活跃度”，最后计算该活跃度的滚动y年历史分位数[121]。 * **长期口径参数：** n取126（近半年），滚动窗口为6年[121]。 * **短期口径参数：** n取63（近一季度），滚动窗口为3年[121]。 6. **因子名称：股债性价比因子（ERP）[69]** * **因子构建思路：** 该因子用于衡量权益资产相对于债券资产的估值吸引力，即风险溢价[69]。 * **因子具体构建过程：** 计算公式为： $$指数erp = 1/指数PE\_TTM – 10年期中债国债到期收益率$$ [69] 然后计算该ERP值在历史序列中的分位数。 因子的回测效果 1. **动量因子（长江动量指数）** * 近一周收益率：-5.3%[25] * 近一月收益率：-8.5%[25] * 年初至今收益率：25.4%[25] * 相对反转因子的超额收益（动量-反转）：近一周 -0.5%，近一月 -4.1%，年初至今 17.3%[25] 2. **反转因子（长江反转指数）** * 近一周收益率：-4.8%[25] * 近一月收益率：-4.5%[25] * 年初至今收益率：8.1%[25] 3. **成长因子（国证成长指数）** * 近一周收益率：-4.6%[25] * 近一月收益率：-0.8%[25] * 年初至今收益率：22.9%[25] * 相对红利因子超额收益（成长-红利）：近一周 -5.3%，近一月 -3.1%，年初至今 22.6%[25] * 当前拥挤度历史分位：41%（处于历史均衡位置）[36] 4. **红利因子（中证红利指数）** * 近一周收益率：0.7%[25] * 近一月收益率：2.3%[25] * 年初至今收益率：0.3%[25] * 当前拥挤度历史分位：45%（处于历史均衡位置）[36] 5. **小盘因子（巨潮小盘指数）** * 近一周收益率：-5.0%[25] * 近一月收益率：-2.7%[25] * 年初至今收益率：21.5%[25] * 相对大盘因子超额收益（小盘-大盘）：近一周 -3.1%，近一月 -3.1%，年初至今 6.7%[25] * 当前拥挤度历史分位：57%（处于历史均衡位置）[36] 6. **大盘因子（巨潮大盘指数）** * 近一周收益率：-1.9%[25] * 近一月收益率：0.4%[25] * 年初至今收益率：14.8%[25] * 当前拥挤度历史分位：100%（处于历史极高位置）[36] 7. **微盘股因子（万得微盘股指数）** * 近一周收益率：-1.5%[25] * 近一月收益率：0.2%[25] * 年初至今收益率：56.9%[25] * 相对基金重仓因子超额收益（微盘股-基金重仓）：近一周 2.2%，近一月 0.7%，年初至今 33.1%[25] * 当前拥挤度历史分位：5%（处于历史极低位置）[36] 8. **基金重仓因子（基金重仓指数）** * 近一周收益率：-3.7%[25] * 近一月收益率：-0.4%[25] * 年初至今收益率：23.8%[25] * 当前拥挤度历史分位：98%（处于历史极高位置）[36] 模型或因子指标取值总结 （本报告未提供传统意义上的量化模型回测指标，如夏普比率、信息比率(IR)、最大回撤等。所提供的“回测效果”主要为不同时间窗口的收益率和相对超额收益，以及拥挤度的历史分位数。）

根据研报内容，以下是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**：央国企高分红30组合[11] **模型构建思路**：聚焦于具有"稳健+成长"风格的央国企，通过高分红特征进行选股[11] **模型具体构建过程**：从央国企股票池中，选取30只高分红股票构建投资组合[11] 2. **模型名称**：攻守兼备红利50组合[11] **模型构建思路**：在红利策略基础上兼顾进攻和防守特性[11] **模型具体构建过程**：选取50只股票构建组合，平衡收益与风险[11] 3. **模型名称**：电子均衡配置增强组合[11] **模型构建思路**：在电子行业内进行均衡配置，实现风险分散[11] **模型具体构建过程**：在电子板块内多维度选股，实现组合的均衡配置[11] 4. **模型名称**：电子板块优选增强组合[11] **模型构建思路**：聚焦迈入成熟期的电子细分赛道龙头企业[11] **模型具体构建过程**：在电子板块内，优选各成熟细分行业的龙头公司构建组合[11] 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4.27%[18]，在红利类基金产品中绝对收益分位约44%[18] 2. **电子板块优选增强组合**：周度相对电子行业指数超额约1.92%[27]，周度收益在科技类基金产品中绝对收益分位约28%[27] 主动量化策略方法论 **构建思路**：遵循"自上而下"的选股逻辑，透过洞察和提炼行业、主题核心要点和逻辑，为量化模型输入清晰的选股思路[10] **构建价值**：有助于从海量基本面因子库内更高效地筛选出合理有效的选股因子，从而更为精准地定位赛道内潜力标的和主题高契合个股，同时也是对行业、主题逻辑的一层阶段性检验[10]

根据研报内容，现对其中涉及的量化模型与因子总结如下： 量化模型与构建方式 **1 模型名称：A股大盘择时模型** - **模型构建思路**：从估值、情绪、资金、技术四个维度对万得全A指数进行整体方向性判断，各维度日频发出信号，综合判断多空观点[9] - **模型具体构建过程**：四个维度每日信号取值为0、±1，分别代表看平、看多、看空[9]；估值和情绪维度采用反转逻辑，刻画市场均值回归特征；资金和技术维度采用趋势逻辑，刻画市场趋势延续特征[9]；以各维度得分之和的正负性作为大盘多空观点依据[9]；具体指标包括：估值维度-股权风险溢价(ERP)[15]；技术维度-布林带、个股涨跌成交额占比差[15]；资金维度-融资买入额[15]；情绪维度-期权期货指标(期权沽购比、期权隐含波动率、期货会员持仓比)[15] **2 模型名称：红利风格择时模型** - **模型构建思路**：结合中证红利相对中证全指的动量、10Y-1Y期限利差和银行间质押式回购成交量三者的趋势进行择时[17] - **模型具体构建过程**：三个指标从趋势维度日频发出信号，每日信号取值为0、+1、-1[17]；以各维度得分之和的正负性作为红利风格多空观点依据[17]；当模型看好红利风格时全仓持有中证红利，不看好时全仓持有中证全指[17]；具体指标逻辑：中证红利相对中证全指的动量为红利风格正向指标[21]；10Y-1Y期限利差为红利风格负向指标[21]；银行间质押式回购成交量为红利风格正向指标[21] **3 模型名称：大小盘风格择时模型** - **模型构建思路**：采用基于拥挤度分域的趋势模型进行择时，根据拥挤度状态选择不同参数的双均线模型判断趋势[22] - **模型具体构建过程**：以沪深300指数和万得微盘股指数为大小盘风格代表[22]；首先计算大小盘风格拥挤度得分：动量之差-计算万得微盘股指数与沪深300指数的10/20/30/40/50/60日动量之差，进一步计算各窗长动量之差的3.0/3.5/4.0/4.5/5.0年分位数的均值，对6个计算窗长下分位数最高的3个结果取均值作为小盘风格的动量得分，对分位数最低的3个结果取均值作为大盘风格的动量得分[26]；成交额之比-计算万得微盘股指数与沪深300指数的10/20/30/40/50/60日成交额之比，进一步计算各窗长成交额之比的3.0/3.5/4.0/4.5/5.0年分位数的均值，对6个计算窗长下分位数最高的3个结果取均值作为小盘风格的成交量得分，对分位数最低的3个结果取均值作为大盘风格的成交量得分[26]；将小盘风格的动量得分和成交量得分取均值得到小盘风格拥挤度得分，大于90%视为触发高拥挤；将大盘风格的动量得分和成交量得分取均值得到大盘风格拥挤度得分，小于10%视为触发高拥挤[26]；若最近20个交易日中曾触发过高拥挤，视为运行在高拥挤区间，采用小参数双均线模型；否则运行在低拥挤区间，采用大参数双均线模型[24] **4 模型名称：遗传规划行业轮动模型** - **模型构建思路**：采用遗传规划技术直接对行业指数的量价、估值等特征进行因子挖掘，每季度末更新因子库，周频调仓选出多因子综合得分最高的五个行业进行等权配置[29] - **模型具体构建过程**：底层资产为32个中信行业指数[29]；采用双目标遗传规划，使用|IC|和NDCG@5两个指标同时评价因子的分组单调性和多头组表现[32]；在NSGA-II算法加持下挖掘兼具分组表现单调、多头表现优秀的行业轮动因子[32]；对于挖掘得到的备选因子，结合贪心策略和方差膨胀系数，将共线性较弱的多个因子合成为行业得分[33]；最新一期权重最高的因子基于单行业阻力支撑位构建，具体计算过程：在过去25个交易日中，计算周度标准化最低价和月度标准化开盘价的协方差，记作变量A[37]；在过去15个交易日中，对周度标准化最高价开展zscore标准化，取标准化后大于2.0的日期，对A进行反转即乘以-1后，计算这15个交易日A之和[37] **5 模型名称：中国境内全天候增强组合** - **模型构建思路**：采用宏观因子风险预算框架，选取增长超预期/不及预期、通胀超预期/不及预期四种宏观风险源作为平价对象，在四象限风险平价基础上基于宏观预期动量的观点主动偏配看好象限[38] - **模型具体构建过程**：构建分为三步：宏观象限划分与资产选择-选择增长和通胀维度，根据是否超预期划分为四象限，结合"定量+定性"方式确定各象限适配资产[41]；象限组合构建与风险度量-象限内资产等权构建子组合，注重刻画象限的下行风险[41]；风险预算模型确定象限权重-每月底根据"象限观点"调整象限风险预算进行主动偏配，"象限观点"由宏观预期动量指标给出，该指标综合考虑资产价格交易的"买方预期动量"和经济指标预期差体现的"卖方预期差动量"[41]；模型月频调仓，10月配置观点为超配"增长超预期"象限和"通胀超预期"象限[5] 模型的回测效果 **1 A股大盘择时模型** - 今年以来扣费后收益：37.73%[2] - 同期万得全A涨跌幅：21.64%[2] - 超额收益：16.10%[2] - 上周超额收益：3.45%[2] - 回测区间年化收益：24.97%[14] - 最大回撤：-28.46%[14] - 夏普比率：1.16[14] - Calmar比率：0.88[14] **2 红利风格择时模型** - 今年以来收益：19.53%[17] - 同期基准收益：12.94%[17] - 超额收益：6.59%[17] - 回测区间年化收益：15.71%[20] - 最大回撤：-25.52%[20] - 夏普比率：0.85[20] - Calmar比率：0.62[20] **3 大小盘风格择时模型** - 今年以来收益：64.58%[24] - 同期基准收益：38.08%[24] - 超额收益：26.50%[24] - 回测区间年化收益：26.01%[27] - 最大回撤：-30.86%[27] - 夏普比率：1.08[27] - Calmar比率：0.84[27] **4 遗传规划行业轮动模型** - 今年以来绝对收益：39.41%[4] - 跑赢行业等权基准：19.56pct[4] - 回测区间年化收益：33.33%[32] - 年化波动：17.89%[32] - 夏普比率：1.86[32] - 最大回撤：-19.63%[32] - 卡玛比率：1.70[32] **5 中国境内全天候增强组合** - 今年以来绝对收益：10.74%[5] - 夏普比率：2.33[5] - 最大回撤：2.67%[5] - 卡玛比率：5.38[5] - 月度胜率：100%[5] - 回测区间年化收益：11.66%[42] - 年化波动：6.18%[42] - 夏普比率：1.89[42] - 最大回撤：-6.30%[42] - 卡玛比率：1.85[42] 量化因子与构建方式 **1 因子名称：遗传规划挖掘的行业轮动因子** - **因子构建思路**：采用遗传规划技术直接从行业指数的量价、估值等数据挖掘因子，不再依托逻辑设计行业打分规则[32] - **因子具体构建过程**：底层输入变量包括收盘价原始值、开盘价原始值、最高价原始值、最低价原始值、成交额原始值、换手率原始值等原始数据，以及标准化处理后的各类技术指标[36]；最新一期权重最高的因子表达式为：ts_grouping_deczscorecut_torch(ts_covariance_torch(wlow_st, mopen_st, 25), whigh_st, 15, 2.0, 2)，训练集IC为0.081，训练集NDCG@5为0.350，因子权重29.4%[36]

量化模型与因子总结 量化模型与构建方式 1. AI主题指数轮动模型 **模型构建思路**：使用全频段量价融合因子对主题指数进行打分，构建周频调仓的指数轮动策略[3][6] **模型具体构建过程**： 1. 主题指数池：根据Wind的ETF基金分类，选取主题ETF基金跟踪的指数形成主题指数池，共有133个主题指数[9] 2. 因子：使用全频段量价融合因子，通过主题指数成分股的因子得分对每个主题指数进行打分[9] 3. 策略规则：每周最后一个交易日选择模型得分最高的10个主题指数等权配置，以下周第一个交易日开盘价买入，周频调仓，交易成本为双边万分之四[9] 2. AI概念指数轮动模型 **模型构建思路**：使用全频段量价融合因子对概念指数进行打分，构建周频调仓的指数轮动策略[11][13] **模型具体构建过程**： 1. 概念指数池：选取Wind热门概念指数，共有72个概念指数[15] 2. 因子：使用全频段量价融合因子，通过概念指数成分股的因子得分对每个概念指数进行打分[15] 3. 策略规则：每周最后一个交易日选择模型得分最高的10个概念指数等权配置，以下周第一个交易日开盘价买入，周频调仓，交易成本为双边万分之四[15] 3. AI行业轮动模型 **模型构建思路**：使用全频段量价融合因子对行业进行打分，构建自下而上的周频行业轮动策略[4][16] **模型具体构建过程**： 1. 行业池：主要为一级行业，其中食品饮料拆成食品、饮料和酒类，有色金属拆成工业金属、贵金属和稀有金属，不考虑综合和综合金融，共有32个行业[23] 2. 因子：使用全频段量价融合因子，通过行业成分股的因子得分对每个行业进行打分[23] 3. 策略规则：每周最后一个交易日选择模型得分最高的5个行业等权配置，以下周第一个交易日收盘价买入，周频调仓，不计交易成本[23] **模型评价**：能够利用AI模型的特征提取能力，充分挖掘多频段量价数据中的规律，与自上而下策略形成互补[16] 4. AI中证1000增强组合 **模型构建思路**：基于全频段融合因子构建中证1000指数的增强组合[1][27] **模型具体构建过程**： 1. 因子：全频段融合因子[29] 2. 组合构建方式：成分股权重不低于80%，个股权重偏离上限为0.8%，barra暴露小于0.3，周双边换手率控制为30%，周频调仓，交易费用为双边千分之四[29] 5. 文本FADT_BERT选股组合 **模型构建思路**：基于盈利预测调整场景下的文本因子构建主动量化选股组合[32] **模型具体构建过程**：对盈利预测调整场景下的文本因子进行升级，构建了forecast_adjust_txt_bert因子，并基于该因子的多头端基础股票池进行增强，构建top25的主动量化选股组合[32] 量化因子与构建方式 1. 全频段量价融合因子 **因子构建思路**：通过深度学习模型融合高频和低频量价数据信息[26] **因子具体构建过程**： 1. 首先用深度学习模型训练27个高频因子，得到高频深度学习因子[26] 2. 接着利用多任务学习对低频量价数据进行端到端挖掘，得到低频多任务因子[26] 3. 最后将高频深度学习因子和低频多任务因子合成为全频段融合因子[26] 2. 文本FADT_BERT因子 **因子构建思路**：在盈利预测调整场景下对文本因子进行升级[32] **因子具体构建过程**：对盈利预测调整场景下的文本因子进行升级，构建了forecast_adjust_txt_bert因子[32] 模型的回测效果 1. AI主题指数轮动模型 年化收益率16.76%，年化超额收益率10.61%，超额收益最大回撤20.79%，超额夏普比率0.82，今年以来收益率24.22%[8] 2. AI概念指数轮动模型 年化收益率23.06%，年化超额收益率10.78%，超额收益最大回撤19.48%，超额夏普比率0.91，今年以来收益率25.27%，今年以来超额收益率-0.98%[13] 3. AI行业轮动模型 年化收益率26.55%，年化超额收益率20.18%，超额收益最大回撤12.43%，超额夏普比率1.96，今年以来收益率23.70%，今年以来超额收益率1.52%[22] 4. AI中证1000增强组合 年化收益率20.19%，年化波动率23.47%，夏普比率0.86，最大回撤33.08%，年化超额收益率22.09%，年化跟踪误差6.07%，超额收益最大回撤7.55%，信息比率3.64，Calmar比率2.92，相对基准月胜率79.81%，调仓双边换手率32.60%[30] 5. 文本FADT_BERT选股组合 自2009年初回测以来年化收益率39.96%，相对中证500超额年化收益30.76%，组合夏普比率1.39[32] 因子的回测效果 1. 全频段量价融合因子 5日RankIC均值0.116，TOP层年化超额收益率29.98%，今年以来TOP层超额收益率16.97%[26] 2. 文本FADT_BERT因子 截至2025年10月17日，文本FADT_BERT组合本月以来绝对收益-2.29%，相对中证500超额收益3.06%，今年以来绝对收益20.49%，超额收益-2.04%[32]

根据提供的研报内容，以下是关于港股医药类指数的总结。报告主要对比了多个港股医药类指数及其跟踪ETF的情况，并未涉及具体的量化模型或量化因子的构建与分析。因此，总结将聚焦于报告中详细描述的指数。 量化因子与构建方式 报告内容未涉及量化因子的构建思路、过程或评价。 量化模型与构建方式 报告内容未涉及量化模型的构建思路、过程或评价。 指数的回测效果 1. **国证港股通创新药指数 (987018.CNI)** * 跟踪ETF总规模：341.32亿元[7][12] * 2025年收益率：87.47%[12] * 2024年收益率：-10.50%[12] * 2023年收益率：-22.80%[12] * 2022年收益率：-25.60%[12] * 2021年收益率：-21.59%[12] * 2020年收益率：88.80%[12] 2. **港股创新药指数 (931787.CSI)** * 跟踪ETF总规模：226.36亿元[7][12] * 2025年收益率：94.16%[12] * 2024年收益率：-10.80%[12] * 2023年收益率：-19.33%[12] * 2022年收益率：-20.63%[12] * 2021年收益率：-11.74%[12] * 2020年收益率：48.88%[12] 3. **中证港股通创新药指数 (931250.CSI)** * 跟踪ETF总规模：50.44亿元[12] * 2025年收益率：94.34%[12] * 2024年收益率：-14.40%[12] * 2023年收益率：-19.91%[12] * 2022年收益率：-23.26%[12] * 2021年收益率：-7.25%[12] * 2020年收益率：25.47%[12] 4. **恒生生物科技指数 (HSBIO.HI)** * 跟踪ETF总规模：75.66亿元[12] * 2025年收益率：83.07%[12] * 2024年收益率：-15.75%[12] * 2023年收益率：-23.98%[12] * 2022年收益率：-18.70%[12] * 2021年收益率：-27.79%[12] * 2020年收益率：51.55%[12] 5. **恒生医疗保健指数 (HSHCI.HI)** * 跟踪ETF总规模：72.22亿元[12] * 2025年收益率：75.22%[12] * 2024年收益率：-18.93%[12] * 2023年收益率：-24.52%[12] * 2022年收益率：-19.34%[12] * 2021年收益率：-29.63%[12] * 2020年收益率：41.85%[12] 6. **恒生港股通创新药及医疗保健指数 (HSSCHI.HI)** * 跟踪ETF总规模：33.60亿元[12] * 2025年收益率：88.57%[12] * 2024年收益率：-18.20%[12] * 2023年收益率：-21.63%[12] * 2022年收益率：-12.92%[12] * 2021年收益率：-32.34%[12] * 2020年收益率：30.72%[12] 7. **恒生港股通创新药指数 (HSSCID.HI)** * 跟踪ETF总规模：32.98亿元[12] * 2025年收益率：84.51%[12] * 2024年收益率：-12.83%[12] * 2023年收益率：-18.19%[12] * 2022年收益率：-19.31%[12] * 2021年收益率：-13.26%[12] * 2020年收益率：28.78%[12] 8. **恒生港股通创新药精选指数 (HSSCPB.HI)** * 跟踪ETF总规模：22.11亿元[12] * 2025年收益率：87.81%[12] * 2024年收益率：-14.16%[12] * 2023年收益率：-19.76%[12] * 2022年收益率：-16.48%[12] * 2021年收益率：-22.72%[12] 9. **恒生创新药指数 (HSIDI.HI)** * 跟踪ETF总规模：15.26亿元[12] * 2025年收益率：85.99%[12] * 2024年收益率：-16.01%[12] * 2023年收益率：-25.56%[12] * 2022年收益率：-19.04%[12] * 2021年收益率：-17.68%[12] * 2020年收益率：32.96%[12] 10. **港股通医疗主题指数 (932069.CSI)** * 跟踪ETF总规模：5.19亿元[12] * 2025年收益率：65.54%[12] * 2024年收益率：-25.08%[12] * 2023年收益率：-32.92%[12] * 2022年收益率：-15.99%[12] * 2021年收益率：-28.26%[12] * 2020年收益率：67.58%[12] 因子的回测效果 报告内容未提供量化因子的测试结果。