根据研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：资产比较框架模型**[8][12] * **模型构建思路**：基于产业生命周期理论，将权益资产划分为五种风格阶段，通过全局比较确定优势资产，其属性即为未来市场主流风格[8] * **模型具体构建过程**：模型遵循 g>ROE>D 的基本优先级进行考察[8] * 首先分析主流资产（实际增速资产、预期增速资产、盈利资产）是否存在机会[12] * 若主流资产均无机会，则按拥挤度优先级（质量红利>价值红利>破产价值）考察次级资产[12] * 通过计算各风格下资产的“优势差”（类似于因子择时中的 Spread）来判断其趋势变化[25] * 优势差计算公式：$$优势差 = Top组均值 - Bottom组均值$$，用于刻画头部资产的趋势变化[25] 2. **因子名称：预期成长因子 (gf)**[9][25] * **因子构建思路**：基于分析师预期，选取预期净利润增速高的资产，关注未来增长潜力，无论产业周期阶段[9] * **因子具体构建过程**：使用分析师预期数据，计算行业的预期净利润增速 (g_fttm)，并比较其高低[9][27] 3. **因子名称：实际成长因子 (g)**[9][30] * **因子构建思路**：基于历史财务数据，选取业绩动量（即净利润增速变化△g）高的资产，集中于转型期和成长期的资产[9] * **因子具体构建过程**：使用历史财务数据，计算行业的净利润增速 (g_ttm) 及其变化（△g），并比较其高低[9][30] 实际成长策略具体采用 sue（标准未预期盈余）、sur（收入惊喜）、jor（盈利惊喜）等因子进行行业筛选[41] 4. **因子名称：盈利能力因子 (ROE)**[9][32] * **因子构建思路**：选取盈利能力高的资产，并在 PB-ROE 框架下考察其估值水平，集中于成熟期资产[9] * **因子具体构建过程**：计算行业的净资产收益率 (ROE)，并在 PB-ROE 框架下，使用回归残差法评估估值水平，选取高 ROE 且估值相对较低的资产[9][43] 因子具体构建为行业的 PB-ROE 回归残差[43] 5. **因子名称：质量红利因子 (DP+ROE)**[9][46] * **因子构建思路**：结合股息率 (DP) 和盈利能力 (ROE)，选取具有高质量分红特征的资产，集中于成熟期[9] * **因子具体构建过程**：对行业的股息率 (dp) 和净资产收益率 (roe) 进行打分，综合选取打分最高的行业[9][46] 6. **因子名称：价值红利因子 (DP+BP)**[9][49] * **因子构建思路**：结合股息率 (DP) 和市净率 (BP，即账面市值比)，选取具有高股息和低估值特征的资产，集中于成熟期[9] * **因子具体构建过程**：对行业的股息率 (dp) 和市净率 (bp) 进行打分，综合选取打分最高的行业[9][49] 7. **因子名称：破产价值因子 (PB+SIZE)**[9][52] * **因子构建思路**：选取市净率 (PB) 低、规模 (SIZE) 小的资产，关注其潜在的破产重组价值或壳价值，集中于停滞期和衰退期[9] * **因子具体构建过程**：对行业的市净率 (pb) 和规模 (size) 进行打分（低 PB 和小规模得分高），综合选取打分最低的行业[9][52] 模型的回测效果 1. **资产比较框架模型**，年化收益 27.06%[19]，2009年至2025年11月相对万得全A的超额收益分别为：2009年51%、2010年14%、2011年-11%、2012年0%、2013年36%、2014年-4%、2015年16%、2016年-1%、2017年27%、2018年7%、2019年8%、2020年44%、2021年38%、2022年62%、2023年10%、2024年52%、2025年(11月)8%[22] 因子的回测效果 1. **预期成长因子 (gf)**，近3月表现（截至2025年11月30日）：石油化工3.00%、乳制品1.49%、贸易Ⅲ3.20%、速冻食品14.08%、锂51.15%[38] 2. **实际成长因子 (g)**，近3月表现（截至2025年11月30日）：分立器件-9.40%、电池综合服务0.51%、锂电化学品51.88%、稀土及磁性材料-19.31%、其他家电14.93%[41] 3. **盈利能力因子 (ROE)**，近3月表现（截至2025年11月30日）：客车10.46%、白酒-4.26%、配电设备5.95%、非乳饮料-6.27%、网络接配及塔设12.18%[43] 4. **质量红利因子 (DP+ROE)**，近3月表现（截至2025年11月30日）：林木及加工145.24%、锅炉设备-8.71%、车用电机电控16.52%、锂电设备21.95%、网络接配及塔设12.18%[46] 5. **价值红利因子 (DP+BP)**，近3月表现（截至2025年11月30日）：安防-2.24%、日用化学品-8.29%、宠物食品-14.91%、服务机器人-24.98%、网络接配及塔设12.18%[49] 6. **破产价值因子 (PB+SIZE)**，近3月表现（截至2025年11月30日）：汽车销售及服务Ⅲ2.06%、燃气15.88%、棉纺制品10.97%、印染5.62%、建筑装修Ⅲ16.42%[52]

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 1. **因子名称：连阴连阳因子**[12] * **因子构建思路**：通过计算指数K线连续为阴线或阳线的天数，来捕捉市场的短期动量或反转效应[12] * **因子具体构建过程**：从指定起始日开始，逐日判断指数收盘价相对于前一日是上涨还是下跌，连续上涨的天数记为正值（连阳），连续下跌的天数记为负值（连阴），计数从1开始，若当日涨跌状态改变则重新计数[12] 2. **因子名称：均线比较因子**[15][16] * **因子构建思路**：通过比较指数当前价格与不同时间窗口的移动平均线（MA）的位置关系，来判断指数的短期、中期和长期趋势强度[15] * **因子具体构建过程**：首先计算指数收盘价的5日（MA5）、10日（MA10）、20日（MA20）、60日（MA60）、120日（MA120）和250日（MA250）简单移动平均线，公式为： $$MA(N) = \frac{\sum_{i=1}^{N} Close_i}{N}$$ 其中，$Close_i$ 代表第i日的收盘价，$N$ 为移动平均窗口期。然后计算当前收盘价与各均线的相对位置，即 $(Close - MA(N)) / MA(N) \times 100\%$[16] 3. **因子名称：换手率因子**[18] * **因子构建思路**：通过计算指数的整体换手率来衡量市场的交易活跃度[18] * **因子具体构建过程**：对于宽基指数，其换手率计算方式为指数内所有成分股换手率的流通股本加权平均，具体公式为： $$Turnover_{index} = \frac{\sum (Shares_{float,i} \times Turnover_i)}{\sum Shares_{float,i}}$$ 其中，$Shares_{float,i}$ 代表成分股i的流通股本，$Turnover_i$ 代表成分股i的换手率[18] 4. **因子名称：收益率分布形态因子（偏度与峰度）**[24][25] * **因子构建思路**：通过计算指数日收益率分布的偏度（Skewness）和峰度（Kurtosis）来刻画收益分布的不对称性和尖峰肥尾特征，以评估风险[24][25] * **因子具体构建过程**：基于指数在过去一段时间（如近一年）的日收益率序列进行计算。峰度计算公式为（报告中已减去3）： $$Kurtosis = \frac{\frac{1}{n} \sum_{i=1}^{n} (r_i - \bar{r})^4}{(\frac{1}{n} \sum_{i=1}^{n} (r_i - \bar{r})^2)^2} - 3$$ 偏度计算公式为： $$Skewness = \frac{\frac{1}{n} \sum_{i=1}^{n} (r_i - \bar{r})^3}{(\frac{1}{n} \sum_{i=1}^{n} (r_i - \bar{r})^2)^{3/2}}$$ 其中，$r_i$ 为日收益率，$\bar{r}$ 为收益率均值，$n$ 为样本数[25] 5. **因子名称：风险溢价因子**[27][30][31] * **因子构建思路**：以十年期国债即期收益率作为无风险利率的参考，计算股票指数的预期收益率（通常用市盈率倒数近似）或指数收益率与无风险利率的差值，衡量投资股票市场所要求的额外回报[27][30][31] * **因子具体构建过程**：报告中展示了两种计算方式。一种是直接使用指数日收益率减去十年期国债日收益率（表4中“当前风险溢价”）。另一种常见的构建方式是使用指数PE-TTM的倒数（即盈利收益率）减去十年期国债收益率，公式为： $$Risk Premium = \frac{1}{PE_{TTM}} - R_f$$ 其中，$PE_{TTM}$ 为指数的滚动市盈率，$R_f$ 为十年期国债即期收益率[31] 6. **因子名称：PE-TTM（滚动市盈率）因子**[39][43][44] * **因子构建思路**：使用最近十二个月（TTM）的净利润计算市盈率，作为衡量指数估值水平的核心指标[39][43] * **因子具体构建过程**：对于指数而言，其PE-TTM通常为成分股市值加权或调和平均计算得到。公式为（以市值加权为例）： $$PE_{TTM, index} = \frac{\sum (Price_i \times Shares_i)}{\sum (NetIncome_{TTM,i})}$$ 其中，$Price_i$ 为成分股i的价格，$Shares_i$ 为成分股i的总股本，$NetIncome_{TTM,i}$ 为成分股i最近十二个月的净利润[44] 7. **因子名称：股债性价比因子**[46] * **因子构建思路**：将股票指数的盈利收益率（PE-TTM的倒数）与债券收益率进行比较，辅助判断大类资产配置的时机[46] * **因子具体构建过程**：计算指数PE-TTM的倒数与十年期国债即期收益率的差值，公式为： $$Equity Bond Yield Ratio = \frac{1}{PE_{TTM}} - R_{bond}$$ 其中，$R_{bond}$ 为十年期国债即期收益率[46] 8. **因子名称：股息率因子**[48][53] * **因子构建思路**：衡量指数成分股现金分红的回报率，是价值投资和红利策略的重要参考指标[48] * **因子具体构建过程**：对于指数，股息率通常为成分股过去十二个月现金股利总额与指数总市值的比率，或成分股股息率的市值加权平均。公式为： $$Dividend Yield_{index} = \frac{\sum Dividends_{TTM,i}}{\sum (Price_i \times Shares_i)}$$ 其中，$Dividends_{TTM,i}$ 为成分股i过去十二个月的现金股利总额[53] 9. **因子名称：破净率因子**[54][55] * **因子构建思路**：统计指数中市净率（PB）小于1的个股数量占比，反映市场整体的估值悲观程度或安全边际[54][55] * **因子具体构建过程**：首先计算指数中每家成分股的市净率（$PB = Price / NAVPS$，其中$NAVPS$为每股净资产），然后统计$PB < 1$的个股数量，最后计算该数量占指数总成分股数量的百分比[55] 因子的回测效果 （注：报告中主要呈现了各因子在特定时点（2025年12月2日）的截面数据或历史分位值，而非严格意义上的因子回测绩效指标（如IC、IR、多空收益等）。因此，以下展示的是报告中给出的相关数值。） 1. **连阴连阳因子**：各宽基指数在日K、周K、月K、季K、年K上的连阴连阳天数[12] 2. **均线比较因子**：各宽基指数收盘价相对于MA5、MA10、MA20、MA60、MA120、MA250的偏离百分比（%）[16] 3. **换手率因子**：各宽基指数换手率（中证2000为3.9，创业板指为2.31，中证1000为2.06，中证全指为1.52，中证500为1.31，沪深300为0.45，上证50为0.2）[18] 4. **收益率分布形态因子（偏度与峰度）**：各宽基指数当前偏度与峰度，及其相对于近5年均值的偏离（当前偏度 vs 近5年偏度，当前峰度 vs 近5年峰度）[25] 5. **风险溢价因子**：各宽基指数当前风险溢价（%），近1年及近5年历史分位值（%），近1年均值及波动率（%）[31] 6. **PE-TTM因子**：各宽基指数当前PE-TTM值，近1年及近5年历史分位值（%），近1年均值及波动率[44] 7. **股债性价比因子**：各宽基指数当前股债性价比相对于其近5年历史分位值的情况（无具体数值，仅说明未超过80%分位，中证500低于20%分位）[46] 8. **股息率因子**：各宽基指数当前股息率（%），近1年及近5年历史分位值（%），近1年均值及波动率（%）[53] 9. **破净率因子**：各宽基指数当前破净率（%）（上证50为20.0%，沪深300为15.67%，中证500为12.0%，中证1000为8.0%，中证2000为2.95%，创业板指为1.0%，中证全指为6.08%）[55]

量化因子与构建方式 1. **因子名称**：换手率变化率的稳定GTR因子[6] **因子构建思路**：从个股规律出发，发现换手率波动率高的股票中，存在一部分换手率稳定增长或稳定下降的股票，这些股票未来仍有上涨可能性。因此提出一个可以描述这种趋势的指标，即换手率变化率的稳定性[6] **因子具体构建过程**：基于换手率变化率所具有的加速度意义，结合新因子所具备的稳定性进行构建[6] **因子评价**：与东吴金工全系列换手率因子相关性不超过0.1，且对全系列换手率因子均具有加强作用[6] 2. **因子名称**：纯净优加TPS_Turbo因子[6] **因子构建思路**：使用纯净优加法对因子进行合成增强[6] **因子具体构建过程**：使用GTR因子对Turn20因子做纯净优加得到[6] 3. **因子名称**：纯净优加SPS_Turbo因子[6] **因子构建思路**：使用纯净优加法对因子进行合成增强[6] **因子具体构建过程**：使用GTR因子对STR因子做纯净优加得到[6] 因子的回测效果 1. **换手率变化率的稳定GTR因子**，年化收益率13.01%[7][13]，年化波动率10.20%[7][13]，信息比率1.27[7][13]，月度胜率66.24%[7][13]，最大回撤率10.81%[7][13] 2. **纯净优加TPS_Turbo因子**，年化收益率35.94%[7][13]，年化波动率13.20%[7][13]，信息比率2.72[7][13]，月度胜率78.48%[7][13]，最大回撤率9.86%[7][13] 3. **纯净优加SPS_Turbo因子**，年化收益率37.04%[7][13]，年化波动率10.86%[7][13]，信息比率3.41[7][13]，月度胜率81.43%[7][13]，最大回撤率7.22%[7][13]

根据您提供的研报内容，这是一份《金融工程日报》，主要描述了市场在特定日期的表现、情绪、资金流向等各类指标，并未涉及具体的量化模型或量化因子的构建、测试与评价。 报告内容集中于对市场现状的统计性描述，例如： - 市场指数、行业、概念板块的日度表现[2][6][7][10] - 市场情绪指标，如涨跌停家数、封板率、连板率的计算与结果[14][15][18] - 资金流向指标，如两融余额及占比[2][20][23] - 折溢价指标，如ETF折溢价、大宗交易折溢价、股指期货升贴水的计算与结果[3][24][27][29] 这些内容属于市场监测和数据统计范畴，不具备量化模型或因子所需的构建思路、详细过程、回测效果等要素。因此，本次总结无法提取出符合任务要求的量化模型或因子信息。

根据提供的研报内容，该报告主要涉及ETF市场资金流动、交易情况以及各类基金（包括增强策略ETF和主动权益/增强指数型基金）的业绩表现跟踪。报告的核心内容是市场数据回顾和基金业绩统计，**并未涉及任何量化模型或量化因子的构建思路、具体构建过程或公式**。 因此，报告中不存在需要总结的量化模型或量化因子内容。报告内容主要为市场数据和业绩展示。

量化模型与构建方式 量化模型 1. **模型名称**：TimeMixer改进的机器学习选股模型[37][38] **模型构建思路**：在GBDT和NN模型族基础上，通过多目标、多模型融合策略进行改进，将GRU的hidden层输出与其他弱因子一同输入LightGBM进行集成，以提升模型表现[37][38] **模型具体构建过程**：首先对LightGBM和GRU模型进行精细调优，然后将GRU模型的隐藏层输出（hidden）连同其他弱因子作为输入特征，使用LightGBM模型进行集成学习，从而在GRU的基础上实现稳健提升[38] 2. **模型名称**：热门概念指数轮动策略[4][39][44] **模型构建思路**：基于TimeMixer机器学习模型生成个股Alpha因子，将其聚合到Wind热门概念指数上形成指数层面的因子信号，再构建指数轮动策略[4][39][44] **模型具体构建过程**：首先在个股层面开发Alpha因子，由于Wind热门概念指数采用等权重编制，按照指数成分股等权加权方式将个股Alpha因子聚合至各类热门概念指数，形成指数层面的因子信号，每周选择模型得分最高的10个概念指数进行等权配置[4][44] 3. **模型名称**：基于热点概念指数轮动效应的Alpha股票组合策略[5][64] **模型构建思路**：为提升策略可操作性，在概念指数轮动策略的基础上，从成分股中筛选更具代表性的少量标的构建投资组合[5][64] **模型具体构建过程**：基于周度策略的指数信号，在其成分股中按基于TimeMixer改进的机器学习模型Alpha因子排名，选出前20只股票等权构建投资组合[5][64] 4. **模型名称**：基于热门概念指数轮动效应的龙头股组合策略[6][69][70] **模型构建思路**：使用自由现金流率因子从热门概念指数成分股中筛选出龙头企业构建投资组合[6][69][70] **模型具体构建过程**：在每周的概念指数构成的成分股组合里，挑选出自由现金流率最大的2只股票等权构建组合[6][70] 量化因子 1. **因子名称**：月度动量因子[3][23] **因子构建思路**：评估Wind热门概念指数是否具备月度动量特征[3][23] **因子具体构建过程**：计算热门概念指数的月度收益率作为动量因子值[3][23] **因子评价**：因子表现一般，IC值较低，单调性弱于周度因子[3][23][31] 2. **因子名称**：周度动量因子[3][23] **因子构建思路**：评估Wind热门概念指数是否具备周度动量特征[3][23] **因子具体构建过程**：计算热门概念指数的周度收益率作为动量因子值[3][23] **因子评价**：因子表现略优于月度动量因子，但整体效果仍相对有限[3][23][31] 3. **因子名称**：TimeMixer改进的机器学习选股因子[43] **因子构建思路**：将TimeMixer改进的GRU+LSTM机器学习模型应用到中证全指上生成选股Alpha因子[43] **因子具体构建过程**：使用TimeMixer改进的机器学习模型对中证全指成分股进行预测，生成个股的Alpha因子值[43] 4. **因子名称**：TimeMixer改进的机器学习概念指数因子[4][44] **因子构建思路**：将个股Alpha因子聚合到Wind热门概念指数上形成指数层面的因子[4][44] **因子具体构建过程**：由于Wind热门概念指数均为等权重指数，按照指数成分股等权加权方式将个股Alpha因子聚合到概念指数上[4][44] 5. **因子名称**：自由现金流率因子[6][70][72] **因子构建思路**：使用自由现金流与企业价值之比来识别龙头企业[6][70][72] **因子具体构建过程**：计算自由现金流率FCF2EV，公式为FCF/EV，其中自由现金流FCF = (1-t) * EBIT + 折旧摊销 - CapEx - 净运营变化，企业价值EV = 市值 + 总负债 – 货币资金[70] **因子评价**：自由现金流率高的企业抗风险能力强，能更真实地反映企业的盈利质量与资金状况，该因子偏向价值和大市值风格特征[6][72][75] 模型的回测效果 1. **TimeMixer改进的机器学习选股模型**[43][46] **IC均值**：10.68%[46] **多头年化收益率**：45.42%[46] **多头最大回撤率**：18.32%[46] **多头Sharpe比率**：1.91[46] **多头信息比率**：3.66[46] **多空年化收益率**：113.37%[46] **多空最大回撤率**：6.65%[46] **多空Sharpe比率**：7.69[46] **多空信息比率**：2.66[46] 2. **基于TimeMixer的热门概念指数轮动策略**[4][51][52] **年化收益率**：27.53%[52] **年化波动率**：20.58%[52] **Sharpe比率**：1.34[52] **最大回撤率**：26.23%[52] **年化超额收益率（相对中证全指）**：18.06%[52] **年化超额收益率（相对热门概念等权）**：9.02%[52] **跟踪误差（相对中证全指）**：10.46%[52] **跟踪误差（相对热门概念等权）**：11.92%[52] **信息比率（相对中证全指）**：1.73[52] **信息比率（相对热门概念等权）**：0.76[52] **超额最大回撤（相对中证全指）**：9.97%[52] **超额最大回撤（相对热门概念等权）**：21.74%[52] 3. **基于热点概念指数轮动效应的Alpha股票组合策略**[5][64][65] **年化收益率**：21.82%[65] **年化波动率**：16.77%[65] **Sharpe比率**：1.30[65] **最大回撤率**：24.19%[65] **年化超额收益率**：11.34%[65] **跟踪误差**：14.36%[65] **信息比率**：0.79[65] **超额最大回撤率**：22.87%[65] **周度双边换手率**：88.71%[65] 4. **基于热门概念指数轮动效应的龙头股组合策略**[6][70][71][73] **年化收益率**：30.27%[71] **年化波动率**：12.82%[71] **Sharpe比率**：1.61[71] **最大回撤率**：24.73%[71] **年化超额收益率（相对中证全指）**：20.63%[71] **年化超额收益率（相对热门概念等权）**：11.52%[71] **跟踪误差（相对中证全指）**：12.82%[73] **跟踪误差（相对热门概念等权）**：13.10%[73] **信息比率（相对中证全指）**：1.61[73] **信息比率（相对热门概念等权）**：0.88[73] **超额最大回撤（相对中证全指）**：21.65%[73] **超额最大回撤（相对热门概念等权）**：21.02%[73] 因子的回测效果 1. **月度动量因子**[23][26] **IC均值**：1.35%[26] **多头年化收益率**：22.17%[26] **多头最大回撤率**：38.91%[26] **多头Sharpe比率**：0.80[26] **多头信息比率**：0.36[26] **多空年化收益率**：11.13%[26] **多空最大回撤率**：29.07%[26] **多空Sharpe比率**：0.51[26] **多空信息比率**：-0.31[26] 2. **周度动量因子**[23][26] **IC均值**：2.38%[26] **多头年化收益率**：24.03%[26] **多头最大回撤率**：32.41%[26] **多头Sharpe比率**：0.93[26] **多头信息比率**：0.53[26] **多空年化收益率**：12.21%[26] **多空最大回撤率**：27.00%[26] **多空Sharpe比率**：0.58[26] **多空信息比率**：-0.26[26] 3. **TimeMixer改进的机器学习概念指数因子**[4][44][49] **IC均值**：7.27%[49] **多头年化收益率**：30.77%[49] **多头最大回撤率**：20.36%[49] **多头Sharpe比率**：1.44[49] **多头信息比率**：1.28[49]

根据提供的研报内容，以下是关于量化模型与因子的总结。 量化模型与构建方式 1. **模型名称：基于行业市值调整后的南向资金港股行业轮动策略**[20] * **模型构建思路**：利用南向资金的流向数据，经过行业市值调整后，构建行业轮动策略以获取超额收益[20] * **模型具体构建过程**：报告提及该模型基于南向资金数据构建，并进行了行业市值调整，但未提供具体的构建步骤、选股规则或权重分配公式等详细过程[20] 2. **模型名称：基于行业市值调整后南向资金近三年分位的港股行业轮动策略**[20] * **模型构建思路**：在行业市值调整的基础上，进一步引入南向资金近三年分位值作为判断行业偏好的依据，以构建行业轮动策略[20] * **模型具体构建过程**：报告提及该模型使用了南向资金的近三年分位数据，并进行了行业市值调整，但未提供具体的分位值计算方法、信号生成机制或调仓频率等详细过程[20] 模型的回测效果 1. **基于行业市值调整后的南向资金港股行业轮动策略**：相较于恒生指数与各行业等权组合，能取得一定的超额收益[20][22] 2. **基于行业市值调整后南向资金近三年分位的港股行业轮动策略**：相较于恒生指数与各行业等权组合，能取得一定的超额收益[20][22] 量化因子与构建方式 1. **因子名称：行业市值调整后的南向资金净流入额**[20][23] * **因子构建思路**：将南向资金在特定行业的净流入额与该行业的市值规模相结合，以消除规模影响，更准确地反映资金偏好[20][23] * **因子具体构建过程**：报告提及该因子为南向资金净流入额经过行业市值调整后的结果，但未提供具体的调整公式或计算方法[20][23] 2. **因子名称：行业市值调整后南向资金近三年分位**[20][23] * **因子构建思路**：计算南向资金在特定行业的净流入额（经市值调整）在其近三年历史数据中的分位值，用以判断当前资金流向的历史相对水平[20][23] * **因子具体构建过程**：报告提及该因子为南向资金近三年分位值经过行业市值调整后的结果，但未提供具体的分位值计算方法和调整公式[20][23] 因子的回测效果 （研报中未提供单个因子的具体测试结果指标，如IC值、IR等，仅说明了基于因子构建的策略整体效果，故此部分略过）

量化模型与构建方式 1. 风险趋势模型 **模型名称**：风险趋势模型[14] **模型构建思路**：该模型从风险维度和趋势维度对资产进行技术分析，风险维度评估标的位置的相对高低，趋势维度评估动量的相对强弱[14] **模型具体构建过程**：模型包含两个核心指标： 1. 风险度指标TR：用于衡量当前价格在历史区间中的相对位置，数值越高表示风险越大[14] 2. 趋势指标系统：包含济安线的慢线JAX与快线TMP，以及趋势指标TREND，通过快慢线的相对位置和交叉关系构建局部顶和局部底的触发信号[14] **模型评价**：该模型能够有效识别市场情绪变化和技术趋势转折点，为交易决策提供参考依据[14] 量化因子与构建方式 1. 风险度因子 **因子名称**：风险度（TR）[14] **因子构建思路**：通过计算当前价格在历史价格区间中的相对位置来评估市场风险水平[14] **因子具体构建过程**：风险度因子TR的计算基于价格在特定时间窗口内的相对位置，具体构建过程在2025年5月5日发布的《技术分析系列：双维框架研究之动能驱动与风险管控》研报中有详细定义[14] **因子评价**：该因子能够直观反映市场情绪的温和程度，数值越高表明市场风险越大[14] 2. 趋势动量因子 **因子名称**：趋势动量因子[14] **因子构建思路**：通过快线TMP与慢线JAX的相对位置和交叉关系来识别趋势动量变化[14] **因子具体构建过程**：基于济安线系统，当快线TMP向上穿越慢线JAX时形成多头信号，表明短期动量转强；当快慢线开口持续扩大时，表明中期上行趋势有望进一步稳固[14] **因子评价**：该因子能够有效捕捉趋势转折点和动量强弱变化，为技术分析提供重要参考[14] 模型的回测效果 1. 风险趋势模型 风险度：71.67[14] 趋势状态：快线刚刚上穿慢线，形成新的多头信号[14] 市场情绪：处于中枢上方但尚未进入高风险区间，显示市场情绪温和偏积极[14] 因子的回测效果 1. 风险度因子 当前取值：71.67（截至2025年11月28日）[14] 风险等级：中风险区，位于中枢上方[14] 2. 趋势动量因子 当前状态：快线向上穿越慢线，短期动量重新转强[14] 技术信号：进入新一轮上涨窗口，技术面已重新进入偏强运行区间[14]

根据提供的研报内容，以下是关于量化模型与因子的总结。 量化模型与构建方式 1. **模型名称：港股 CCASS 优选 20 组合模型**[4][38] * **模型构建思路**：利用香港交易所的CCASS（中央结算及交收系统）数据，通过“先选经纪商，再选个股”的两步筛选法，构建一个由20只股票组成的月度调仓组合，旨在复制绩优经纪商的持仓以获取超额收益[4][38] * **模型具体构建过程**： 1. **选择绩优经纪商池**：在每月末的截面上，对全部经纪商计算两个指标：基于历史数据的“超额夏普比率”和“月度胜率”。将这两个指标分别进行标准化处理（例如Z-score标准化），然后等权相加得到一个综合得分。选取综合得分最高的N家经纪商构成当期的绩优经纪商池。报告中设定N=10[38][40] 2. **构建股票组合**：将资金等权分配给这N家绩优经纪商，然后汇总它们最新的持仓数据。将所有持仓股票按汇总后的权重从高到低排序，保留权重最高的M只股票。最后，对这M只股票进行等权配置，形成最终的股票组合。报告中设定M=20[40] * **模型评价**：该模型通过跟踪市场上表现优异的机构投资者的持仓行为，提供了一种基于市场聪明钱（Smart Money）动向的投资策略思路[4][38] 模型的回测效果 1. **港股 CCASS 优选 20 组合模型**[4][42][43] * **全区间（2020年1月 ~ 2025年11月）表现**： * 年化超额收益率：19.7%[42][43] * 年化波动率：7.6%[43] * 夏普比率：2.59[43] * 最大回撤：-6.0%[43] * 月度胜率：78.9%[43] * **分年度表现**： * **2020年**：年化超额收益率 37.4%，年化波动率 9.7%，夏普比率 3.85，最大回撤 -5.4%，月度胜率 91.7%[43] * **2021年**：年化超额收益率 11.5%，年化波动率 8.2%，夏普比率 1.40，最大回撤 -5.1%，月度胜率 50.0%[43] * **2022年**：年化超额收益率 12.2%，年化波动率 8.2%，夏普比率 1.48，最大回撤 -4.5%，月度胜率 75.0%[43] * **2023年**：年化超额收益率 20.3%，年化波动率 6.8%，夏普比率 2.99，最大回撤 -3.7%，月度胜率 75.0%[43] * **2024年**：年化超额收益率 22.5%，年化波动率 6.7%，夏普比率 3.38，最大回撤 -3.7%，月度胜率 91.7%[43] * **2025年（截至11月）**：年化超额收益率 15.9%，年化波动率 5.0%，夏普比率 3.17，最大回撤 -2.0%，月度胜率 90.9%[43] * **近期表现（2025年11月）**： * 组合收益率：0.13%[4][42] * 基准（恒生指数）收益率：-0.18%[4][42] * 月度超额收益率：0.32%[4][42] 量化因子与构建方式 1. **因子名称：经纪商综合得分因子**[38][40] * **因子构建思路**：通过结合经纪商历史表现的风险调整后收益（超额夏普比率）和稳定性（月度胜率）两个维度，构建一个综合评分来识别长期表现优异的经纪商[38][40] * **因子具体构建过程**： 1. 对于每个经纪商，计算其历史（例如，从回测起始日至当前截面期）的“超额夏普比率”和“月度胜率”。 2. 对全市场所有经纪商的“超额夏普比率”时间序列进行标准化处理，得到每个经纪商的标准化超额夏普比率值。 3. 对全市场所有经纪商的“月度胜率”值进行标准化处理，得到每个经纪商的标准化月度胜率值。 4. 将每个经纪商的标准化超额夏普比率值与标准化月度胜率值等权相加，得到该经纪商的综合得分。 * 公式说明：该过程涉及标准化计算，例如，对于指标X，其标准化值 Z = (X - μ) / σ，其中μ为该指标在所有经纪商中的均值，σ为标准差。最终综合得分 = Z_夏普 + Z_胜率[38][40] 因子的回测效果 1. **经纪商综合得分因子**（应用于筛选出的部分绩优经纪商示例，回测区间：2019年9月26日至2025年8月8日）[41] * **辉立证券(香港)**：年化超额收益率 10.4%，年化超额波动率 6.0%，超额夏普比率 1.73，最大回撤 -3.8%，月度胜率 73.61%，周度胜率 64.17%[41] * **加福证券**：年化超额收益率 12.9%，年化超额波动率 10.0%，超额夏普比率 1.29，最大回撤 -10.9%，月度胜率 79.17%，周度胜率 55.70%[41] * **巨亨证券**：年化超额收益率 18.1%，年化超额波动率 11.0%，超额夏普比率 1.65，最大回撤 -12.0%，月度胜率 73.61%，周度胜率 60.26%[41] * **奕丰证券(香港)**：年化超额收益率 8.6%，年化超额波动率 5.5%，超额夏普比率 1.57，最大回撤 -4.1%，月度胜率 70.83%，周度胜率 59.61%[41] * **中润证券**：年化超额收益率 14.1%，年化超额波动率 8.7%，超额夏普比率 1.62，最大回撤 -9.1%，月度胜率 69.44%，周度胜率 57.65%[41] * **宝盛证券(香港)**：年化超额收益率 9.8%，年化超额波动率 7.1%，超额夏普比率 1.38，最大回撤 -5.9%，月度胜率 72.22%，周度胜率 57.98%[41] * **沪市港股通**：年化超额收益率 9.8%，年化超额波动率 6.6%，超额夏普比率 1.48，最大回撤 -7.2%，月度胜率 70.83%，周度胜率 57.65%[41] * **银河—联昌证券(香港)**：年化超额收益率 9.6%，年化超额波动率 5.9%，超额夏普比率 1.64，最大回撤 -4.4%，月度胜率 66.67%，周度胜率 60.59%[41] * **盈透证券香港**：年化超额收益率 12.3%，年化超额波动率 8.8%，超额夏普比率 1.40，最大回撤 -10.3%，月度胜率 69.44%，周度胜率 57.65%[41] * **新基立证券**：年化超额收益率 11.4%，年化超额波动率 9.1%，超额夏普比率 1.26，最大回撤 -8.6%，月度胜率 70.83%，周度胜率 57.33%[41]

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：预期高股息组合模型**[3][8] * **模型构建思路**：该模型旨在构建一个高股息股票组合，其核心是预测股票的预期股息率，而非仅依赖历史股息率。模型采用两阶段方法构建预期股息率指标，并辅以反转因子和盈利因子进行辅助筛选，最终在沪深300成份股中优选个股构建组合。[3][8] * **模型具体构建过程**： 1. **确定股票池**：以沪深300指数成份股为初选池，剔除其中处于停牌或涨停状态的股票。[9] 2. **应用辅助筛选因子**： * **剔除高动量股**：剔除股票池中短期动量最高的20%股票，即21日累计涨幅最高的20%个股。此步骤旨在应用反转因子，避开近期涨幅过大的股票。[13] * **剔除盈利下滑股**：剔除股票池中盈利下滑的个股，即单季度净利润同比增长率小于0的股票。此步骤旨在应用盈利因子，确保公司基本面健康。[13] 3. **排序与最终选股**：在完成上述筛选的剩余股票池中，按照计算出的“预期股息率”进行降序排序，选取排名最高的30只股票。[9] 4. **组合构建**：对最终选出的30只股票采用等权重方式构建投资组合。组合每月底调仓一次。[3][8] 2. **模型名称：红利择时框架**[23][25] * **模型构建思路**：该模型是一个多因子合成信号模型，用于判断对红利策略（如中证红利指数）的整体市场时机（看多或看空）。它综合了来自通胀、流动性、利率和市场情绪四个类别的五个单因子信号。[23][25] * **模型具体构建过程**： * 模型包含五个单因子信号，每个信号根据其预设的宏观经济或市场状况方向，输出看多（信号值为1）或看空（信号值为0）红利的观点。[23][25] * **单因子列表**： * **通胀因子**：PPI同比（高/低位），方向为正向（+），即PPI处于高位时看多红利。[25] * **流动性因子1**：M2同比（高/低位），方向为负向（-），即M2处于高位时看空红利。[25] * **流动性因子2**：M1-M2剪刀差（高/低位），方向为负向（-），即剪刀差处于高位时看空红利。[25] * **利率因子**：美国10年期国债收益率（高/低位），方向为正向（+），即美债收益率处于高位时看多红利。[25] * **市场情绪因子**：红利股成交额占比（上/下行），方向为负向（-），即占比处于上行趋势时看空红利。[25] * **合成信号**：将上述五个单因子信号合成为一个综合信号，用于给出最终的择时观点。[23][25] 模型的回测效果 1. **预期高股息组合模型**[11] * **回测区间**：2009年2月2日至2017年8月31日（103个自然月）[11] * **基准对比**：沪深300全收益指数[11] * **累计收益**：358.90%[11] * **累计超额收益**：107.44%[11] * **年化超额收益**：8.87%[11] * **超额收益滚动一年最大回撤**：12.26%[11] * **月度超额胜率**：60.19%[11] 2. **预期高股息组合模型 (近期表现)**[14] * **观察期间**：2025年11月[14] * **基准对比1**：沪深300指数[14] * **组合月收益**：0.70%[14] * **基准月收益**：-2.37%[14] * **相对基准超额收益**：3.08%[14] * **基准对比2**：中证红利指数[14] * **基准月收益**：-1.61%[14] * **相对基准超额收益**：2.31%[14] 3. **红利择时框架**[23][25] * **最新观点时间**：2025年12月[23] * **合成信号值**：0 (代表看空红利)[23][25] * **模型观点**：对中证红利指数持谨慎态度[3][23] 量化因子与构建方式 1. **因子名称：预期股息率因子**[3][8][14] * **因子构建思路**：该因子旨在预测股票未来可能实现的股息率，而非使用历史数据。构建分为两个阶段，第一阶段基于已公告的分红方案，第二阶段基于历史分红和基本面指标进行预测。[3][8][14] * **因子具体构建过程**：报告未提供具体的计算公式和预测模型细节，但明确了构建逻辑分为两阶段： * **第一阶段**：对于已经发布年报并公告利润分配方案的股票，直接根据其公告内容计算股息率。[3][8] * **第二阶段**：对于尚未公告分红的股票，利用其历史分红数据结合基本面指标来预测并计算股息率。[3][8] 2. **因子名称：反转因子 (用于辅助筛选)**[3][8][13][14] * **因子构建思路**：该因子基于短期价格动量反转效应，认为近期涨幅过高的股票后续表现可能不佳，因此在筛选高股息股票时将其剔除。[3][13][14] * **因子具体构建过程**：计算股票过去21个交易日的累计收益率。在模型应用中，直接剔除累计收益率排名最高的20%的股票。[13] 3. **因子名称：盈利因子 (用于辅助筛选)**[3][8][13][14] * **因子构建思路**：该因子用于识别盈利能力出现下滑的公司，确保所选高股息股票具有稳定的盈利基础。[3][13][14] * **因子具体构建过程**：使用单季度净利润同比增长率。在模型应用中，直接剔除该增长率小于0的股票。[13] 4. **因子名称：红利择时框架下的单因子**[23][25] * **因子构建思路**：这些因子均为宏观经济或市场情绪指标，通过判断其处于历史相对高位或低位，或者处于上行/下行趋势，来产生对红利资产的观点。[23][25] * **因子具体构建过程**：报告未提供每个因子的具体量化阈值或计算方法，但列出了因子的名称、对红利资产影响的方向（+表示正向，-表示负向）以及信号生成逻辑（高/低位或上/下行）。[25] * PPI同比（高/低位）[25] * M2同比（高/低位）[25] * M1-M2剪刀差（高/低位）[25] * 美国10年期国债收益率（高/低位）[25] * 红利股成交额占比（上/下行）[25] 因子的回测效果 （报告未提供单个因子的独立测试结果，如IC值、IR值等。因子效果体现在其参与构建的组合模型整体回测表现中。）