量化模型与因子总结 量化模型与构建方式 1. **模型名称**：多因子模型[2][15][18] * **模型构建思路**：通过综合多个能够预测股票收益的因子（特征）来构建投资组合，以期获得超越基准的收益[15][18]。 * **模型具体构建过程**：研报未详细描述具体的多因子模型构建过程，仅将其作为一类基金（多因子基金）的投资策略进行归类统计[15][18]。 2. **模型名称**：行业主题轮动模型[2][15][18] * **模型构建思路**：根据对宏观经济、市场情绪、行业景气度等因素的判断，动态调整在不同行业或主题上的配置权重，以捕捉不同阶段的投资机会[15][18]。 * **模型具体构建过程**：研报未详细描述具体的行业主题轮动模型构建过程，仅将其作为一类基金（行业主题轮动基金）的投资策略进行归类统计[15][18]。 3. **模型名称**：大数据驱动主动投资模型[2][15][19][20] * **模型构建思路**：利用海量、非结构化的数据（如互联网搜索数据、社交媒体舆情、电商交易数据等）作为信息源，通过机器学习、自然语言处理等技术提取有效信号，辅助投资决策[15][19][20]。 * **模型具体构建过程**：研报未详细描述具体的大数据模型构建过程，仅将其作为一类基金（大数据驱动主动投资基金）的投资策略进行归类统计[15][19][20]。 模型的回测效果 1. **多因子模型**，本周收益中位数5.54%，本月收益中位数5.54%，本季度收益中位数5.54%，本年度收益中位数5.54%[18]。 2. **行业主题轮动模型**，本周收益中位数4.48%，本月收益中位数4.48%，本季度收益中位数4.48%，本年度收益中位数4.48%[18]。 3. **大数据驱动主动投资模型**，本周收益中位数8.19%，本月收益中位数8.19%，本季度收益中位数8.19%，本年度收益中位数8.19%[19][20]。 量化因子与构建方式 * 本研报主要对采用不同量化模型或策略的基金产品进行业绩统计和分类，并未涉及具体量化因子的构建与测试[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20]。 因子的回测效果 * 本研报未涉及具体量化因子的测试结果。

量化模型与构建方式 本报告为ESG市场观察周报，主要内容为市场动态、政策梳理和舆情追踪，并未涉及具体的量化选股模型或量化因子的构建、测试与评价。报告中对市场板块的分类和资金流向分析，可视为一种分析框架，但并非用于生成超额收益的量化模型或因子。 分析框架与分类方式 1. **框架名称**：绿色转型板块资金流向分析框架[30] 2. **构建思路**：为追踪碳中和进程中的资金流向，将与绿色或转型相关的行业进行归类分析[30] 3. **具体构建过程**：主要基于各行业在碳减排链条中的功能定位进行划分，将相关行业归入以下三类[30]： * **低碳核心**：涵盖直接贡献碳减排的领域，如电力设备、环保，以及公用事业和汽车行业的部分领域[33] * **低碳支撑**：包括为产业绿色转型提供数字化、自动化和智能化支撑的领域，如计算机、通信、电子及机械设备的部分领域[33] * **转型主体**：包括能源消耗强度高、排放基数大的重点减排领域，如火电、煤炭、钢铁、有色金属、化工等[33] 4. **框架评价**：该分类仅用于资金流动与市场结构趋势分析，并非严格的环境绩效评价[30] 模型的回测效果 报告中未涉及任何量化模型的回测效果。 量化因子与构建方式 报告中未涉及任何量化因子的构建。 因子的回测效果 报告中未涉及任何量化因子的测试结果。

量化模型与构建方式 1. **模型名称**：趋势跟踪模型[2][10] **模型构建思路**：基于技术分析中“顺势而为”的普遍逻辑，通过监控市场趋势指标来判断市场整体走势对多头的有利程度[10] **模型具体构建过程**：报告未详细描述该趋势跟踪模型的具体构建过程、参数或公式，仅提及将其作为市场判断的参考依据之一[10] 2. **模型名称**：周期分析模型[11] **模型构建思路**：未明确阐述 **模型具体构建过程**：报告未详细描述该周期分析模型的具体构建过程、参数或公式，仅以“上证综指-周期分析”图表形式展示分析结果[11] 3. **模型名称**：波浪理论分析模型[12] **模型构建思路**：未明确阐述 **模型具体构建过程**：报告未详细描述该波浪理论分析模型的具体构建过程、参数或公式，仅以“上证综指-波浪理论分析”图表形式展示分析结果[12] 4. **模型名称**：历史类比走势模型[3][10] **模型构建思路**：通过将当前市场走势与历史相似阶段进行对比，来推测未来可能的走势路径[10] **模型具体构建过程**：报告未详细描述该历史类比模型的具体构建过程、匹配规则或相似度度量方法，仅以“上证综指-类比走势分析”图表形式展示类比结果[3][10] 量化因子与构建方式 1. **因子名称**：“天量”成交额因子[1][8][9] **因子构建思路**：识别市场在一段时期内出现的明确且难以超越的巨量成交，作为潜在顶部拐点的预警信号[1][9] **因子具体构建过程**：报告未给出该因子的量化定义和具体计算步骤。通常，“天量”可能通过比较当前成交额与过去特定窗口期（如N日、N月）的历史分位数（如95%分位或最大值）来判断[1][8][9] **因子评价**：该信号并非绝对可靠，历史上并非所有重要价格拐点都伴随“天量”，即天量与天价不一定同步出现[9] 2. **因子名称**：量价背离因子[1][9] **因子构建思路**：观察价格持续上涨过程中，成交量能否同步放大或至少维持，若价格创新高而成交量未能跟上，则形成“量价背离”，可能对多头走势构成压力[1][9] **因子具体构建过程**：报告未给出该因子的具体量化构建方法。通常，量价背离可以通过比较价格序列与成交量序列的趋势、动量或创新高情况来识别[1][9] 3. **因子名称**：融资余额因子[2][9] **因子构建思路**：监控市场融资余额的绝对水平及其变化，作为衡量场内杠杆资金情绪和潜在极限的指标[2][9] **因子具体构建过程**：报告未给出该因子的具体量化构建方法。本期报告未着重讨论该因子，主要原因是当前市场对其是否达到阶段性极限缺乏共识，难以确定合理的极限值作为“天量”的参照锚点[2][9] 模型的回测效果 （报告中未提供任何量化模型的回测效果指标数据，如年化收益率、夏普比率、最大回撤、信息比率(IR)等） 因子的回测效果 （报告中未提供任何量化因子的回测效果指标数据，如IC值、IR、多空收益、分组收益等）

量化模型与构建方式 1. **模型名称：微盘股/茅指数轮动模型**[2][19][25] * **模型构建思路**：通过比较微盘股与茅指数的相对价值和短期动量，判断市场风格偏向，从而在两者之间进行轮动配置[19][25]。 * **模型具体构建过程**： 1. **计算相对净值**：计算微盘股指数与茅指数的相对净值（微盘股指数净值 / 茅指数净值）[25]。 2. **计算长期均线**：计算该相对净值的243日移动平均线（年均线）[19][25]。 3. **计算短期动量**：分别计算微盘股指数和茅指数过去20日收盘价的斜率（即线性回归的斜率系数，代表价格趋势）[19][25]。 4. **生成轮动信号**： * 当微盘股/茅指数相对净值 **高于** 其243日均线时，模型倾向于投资微盘股[25]。 * 当微盘股/茅指数相对净值 **低于** 其243日均线时，模型倾向于投资茅指数[25]。 * 结合短期动量进行确认：当微盘股与茅指数的20日斜率方向相反，且其中一方为正时，选择投资斜率为正的指数[25]。 2. **模型名称：微盘股择时风控模型**[19][25] * **模型构建思路**：通过监控宏观流动性指标和市场情绪拥挤度，对微盘股板块进行中期风险控制，在风险过高时发出平仓信号[19][25]。 * **模型具体构建过程**： 1. **选取风控指标**： * **十年期国债到期收益率同比**：计算当前十年期国债收益率相对于一年前同期的变化率[19][23]。 * **波动率拥挤度同比**：计算微盘股波动率指标（具体计算未详述）相对于一年前同期的变化率[19][23]。 2. **设定风控阈值**： * 十年期国债收益率同比的阈值为 **30%**[19][25]。 * 波动率拥挤度同比的阈值为 **55%**[19][25]。 3. **生成风控信号**：当 **任一指标** 触及或超过其对应阈值时，模型发出平仓微盘股的信号[25]。 3. **模型名称：宏观择时模型**[44][45] * **模型构建思路**：基于经济增长和货币流动性等多个宏观维度的信号，综合判断中期权益资产（股票）的推荐配置仓位[44][45]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建公式和步骤，但指出其核心是基于动态宏观事件因子，细节可参考历史报告《Beta猎手系列：基于动态宏观事件因子的股债轮动策略》[44]。模型最终输出经济增长、货币流动性等维度的信号强度，并综合给出股票仓位建议[44][45]。 模型的回测效果 1. **宏观择时模型**，2025年年初至今收益率为 **14.59%**，同期Wind全A收益率为 **26.87%**[44]。 量化因子与构建方式 1. **因子名称：一致预期因子**[49][58][60] * **因子构建思路**：使用分析师对未来盈利的一致预期数据，构建反映市场共识变化和预期的因子[58][60]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义： * **EPS_FTTM_Chg3M**：未来12个月一致预期EPS过去3个月的变化率[60]。 * **ROE_FTTM_Chg3M**：未来12个月一致预期ROE过去3个月的变化率[60]。 * **TargetReturn_180D**：一致预期目标价相对于目前股价的收益率[60]。 2. **因子名称：成长因子**[49][58][60] * **因子构建思路**：使用公司财务数据的增长率指标，筛选出成长性较高的公司[58][60]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义： * **NetIncome_SQ_Chg1Y**：单季度净利润同比增速[58]。 * **OperatingIncome_SQ_Chg1Y**：单季度营业利润同比增速[58]。 * **Revenues_SQ_Chg1Y**：单季度营业收入同比增速[60]。 3. **因子名称：质量因子**[50][58][60] * **因子构建思路**：使用盈利能力、运营效率等财务指标，筛选出基本面质量较高的公司[58][60]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义： * **ROE_FTTM**：未来12个月一致预期净利润/股东权益均值[60]。 * **OCF2CurrentDebt**：过去12个月经营现金流净额/流动负债均值[60]。 * **GrossMargin_TTM**：过去12个月毛利率[60]。 * **Revenues2Asset_TTM**：过去12个月营业收入/总资产均值[60]。 4. **因子名称：价值因子**[49][50][58] * **因子构建思路**：使用价格与账面价值、盈利、收入等指标的比率，寻找估值相对较低的股票[58]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义： * **BP_LR**：最新年报账面净资产/最新市值[58]。 * **EP_FTTM**：未来12个月一致预期净利润/最新市值[58]。 * **SP_TTM**：过去12个月营业收入/最新市值[58]。 * **EP_FY0**：当期年报一致预期净利润/最新市值[58]。 * **Sales2EV**：过去12个月营业收入/企业价值[58]。 5. **因子名称：技术因子**[49][50][60] * **因子构建思路**：基于价量数据，构建反映市场交易行为和技术形态的因子[60]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义： * **Volume_Mean_20D_240D**：20日成交量均值/240日成交量均值[60]。 * **Skewness_240D**：240日收益率偏度[60]。 * **Volume_CV_20D**：20日成交量标准差/20日成交量均值[60]。 * **Turnover_Mean_20D**：20日换手率均值[60]。 6. **因子名称：波动率因子**[49][50][60] * **因子构建思路**：使用历史收益率波动率或模型残差波动率，衡量股票的风险水平[60]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义： * **Volatility_60D**：60日收益率标准差[60]。 * **IV_CAPM**：CAPM模型残差波动率[60]。 * **IV_FF**：Fama-French三因子模型残差波动率[60]。 * **IV_Carhart**：Carhart四因子模型残差波动率[60]。 7. **因子名称：反转因子**[50][60] * **因子构建思路**：基于股票过去一段时间的收益率，认为过去表现差的股票未来可能反弹，而过去表现好的股票可能回调[60]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义（排序方向为↓，即认为过去涨幅越小越好）： * **Price_Chg20D**：20日收益率[60]。 * **Price_Chg40D**：40日收益率[60]。 * **Price_Chg60D**：60日收益率[60]。 * **Price_Chg120D**：120日收益率[60]。 8. **因子名称：市值因子**[50][58] * **因子构建思路**：使用公司流通市值的对数，作为反映公司规模的因子[58]。 * **因子具体构建过程**： * **LN_MktCap**：流通市值的对数[58]。 9. **因子名称：可转债正股一致预期因子**[57][58] * **因子构建思路**：从可转债对应的正股出发，使用预测正股的因子来构建可转债择券因子[57]。 * **因子具体构建过程**：报告未给出具体公式，但指出其构建逻辑是从预测正股的因子衍生而来[57]。 10. **因子名称：可转债正股成长因子**[57][58] * **因子构建思路**：从可转债对应的正股出发，使用预测正股的因子来构建可转债择券因子[57]。 * **因子具体构建过程**：报告未给出具体公式，但指出其构建逻辑是从预测正股的因子衍生而来[57]。 11. **因子名称：可转债正股财务质量因子**[58] * **因子构建思路**：从可转债对应的正股出发，使用预测正股的因子来构建可转债择券因子[57]。 * **因子具体构建过程**：报告未给出具体公式，但指出其构建逻辑是从预测正股的因子衍生而来[57]。 12. **因子名称：可转债正股价值因子**[58] * **因子构建思路**：从可转债对应的正股出发，使用预测正股的因子来构建可转债择券因子[57]。 * **因子具体构建过程**：报告未给出具体公式，但指出其构建逻辑是从预测正股的因子衍生而来[57]。 13. **因子名称：可转债估值因子**[57][58] * **因子构建思路**：直接从可转债自身的估值指标出发构建因子[57]。 * **因子具体构建过程**：选取了 **平价底价溢价率** 作为转债估值因子[57]。平价底价溢价率 = (转债价格 - 纯债价值) / 转股价值，是衡量转债估值高低的重要指标。 因子的回测效果 *（以下因子表现数据均为“上周”在“全部A股”股票池中的表现，除非特别说明）[50]* 1. **一致预期因子**，IC均值 **3.13%**，多空收益 **-0.34%**[50]。 2. **成长因子**，IC均值 **1.59%**，多空收益 **0.20%**[50]。 3. **质量因子**，IC均值 **-0.44%**，多空收益 **-0.36%**[50]。 4. **价值因子**，IC均值 **-14.02%**，多空收益 **-4.04%**[50]。 5. **技术因子**，IC均值 **-9.05%**，多空收益 **-3.62%**[50]。 6. **波动率因子**，IC均值 **-12.94%**，多空收益 **-3.99%**[50]。 7. **反转因子**，IC均值 **-3.15%**，多空收益 **-2.46%**[50]。 8. **市值因子**，IC均值 **-3.26%**，多空收益 **-0.47%**[50]。

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：指数增强基金模型[3][32] * **模型构建思路**：通过量化方法构建投资组合，旨在长期稳定地超越其业绩比较基准（如沪深300、中证500等宽基指数）[3][32]。 * **模型具体构建过程**：报告未详细描述具体的模型构建过程，但指出此类基金通常采用多因子选股、风险模型控制、优化算法等量化技术来构建组合。其核心是获取相对于基准指数的超额收益（Alpha）[3][32]。 2. **模型名称**：量化对冲型基金模型[3][32] * **模型构建思路**：通过同时构建股票多头和利用金融衍生工具（如股指期货）建立空头头寸，对冲市场系统性风险（Beta），以获取与市场涨跌无关的绝对收益[3][32]。 * **模型具体构建过程**：报告未详细描述具体的模型构建过程。此类模型通常包括：1）使用量化模型（如多因子模型）构建股票多头组合；2）利用股指期货等工具建立与多头组合市值或风险暴露相匹配的空头头寸，以对冲市场整体波动风险[3][32]。 模型的回测效果 1. **指数增强基金模型**，上周超额收益中位数 **-0.36%**[3][32]，今年以来超额收益中位数 **-0.36%**[3][32]。 2. **量化对冲型基金模型**，上周收益中位数 **-0.11%**[3][32]，今年以来收益中位数 **-0.11%**[3][32]。 量化因子与构建方式 1. **因子名称**：预计权益占比因子[35][38] * **因子构建思路**：用于估算FOF基金中权益类资产的配置权重，以分析其风险敞口和风格特征[35][38]。 * **因子具体构建过程**：根据FOF基金的业绩比较基准构成，将不同类型的基金指数权重按固定比例划归为权益资产。具体公式如下： $$预计权益占比 = 股票型基金指数权重 \times 85\% + 偏股型基金指数权重 \times 80\% + 债券型基金指数权重 \times 10\% + 开放式基金指数权重 \times 50\% + 中证工银财富股票混合基金指数权重 \times 80\% + 中证工银财富动态配置基金指数权重 \times 20\%$$ 其中，各项权重来源于基金业绩比较基准的构成[35][38]。 因子的回测效果 *（注：本报告未提供量化因子的独立测试结果，如IC、IR、多空收益等。报告中的“回测效果”部分主要展示基于相关模型运作的基金产品业绩。）*

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：指数增强模型[4] * **模型构建思路**：通过量化方法构建投资组合，旨在稳定地超越特定基准指数（如沪深300、中证500等）的收益[4]。 * **模型具体构建过程**：研报未详细描述具体的模型构建过程，但提及了此类模型通常涉及多因子选股、风险模型控制、组合优化等步骤。其核心是生成相对于基准指数的主动权重（即“增强”部分），以追求超额收益[4]。 2. **模型名称**：量化对冲模型[4] * **模型构建思路**：通过同时构建多头和空头头寸，剥离市场系统性风险（Beta），以获取与市场涨跌无关的绝对收益（Alpha）[4]。 * **模型具体构建过程**：研报未详细描述具体的模型构建过程。此类模型通常包括：1）使用量化模型（如多因子模型）构建股票多头组合；2）利用股指期货、融券等工具构建空头头寸，以对冲掉多头组合的市场风险暴露，使组合整体呈现市场中性状态[4]。 模型的回测效果 1. **指数增强模型**，上周超额收益中位数为 **-0.36%**，今年以来超额收益中位数为 **-0.36%**[3][34]。 2. **量化对冲模型**，上周收益中位数为 **-0.11%**，今年以来收益中位数为 **-0.11%**[3][34]。 量化因子与构建方式 *注：本篇研报为市场与基金产品周度回顾报告，未涉及具体量化因子的构建与测试细节[1][2][3][4]。* 因子的回测效果 *注：本篇研报未提供任何量化因子的测试结果。*

量化模型与构建方式 1. **模型名称：利率市场结构指标（水平、期限、凸性结构）**[1][7] * **模型构建思路**：将1至10年期国债的到期收益率（YTM）数据通过数学变换，分解为三个独立的维度：水平、期限和凸性结构，用以从均值回归视角评估当前利率市场的相对位置[1][7]。 * **模型具体构建过程**：报告未提供具体的数学变换公式，但描述了构建逻辑。将1-10年期国债YTM曲线分解为三个正交的成分： 1. **水平结构**：代表整体利率水平的高低。 2. **期限结构**：代表长短期利差（期限利差）。 3. **凸性结构**：代表收益率曲线弯曲程度（凸性）。 通过计算当前各结构指标值在历史滚动窗口（如3年、5年、10年）内的分位数，来判断其处于“中性偏高”、“中性偏低”等状态[7]。 2. **模型名称：利率价量多周期择时模型**[2][6][10] * **模型构建思路**：采用核回归算法识别利率（国债YTM）历史走势的形态，刻画支撑线和阻力线，并根据长、中、短三种不同投资周期下价格对形态的突破情况，进行多周期信号复合，生成最终的择时观点（看空、看多、中性震荡）[10]。 * **模型具体构建过程**： 1. **数据输入**：分别输入5年期、10年期、30年期国债的到期收益率（YTM）时间序列数据[6][10][13][16]。 2. **趋势形态刻画**：使用核回归算法对利率历史数据进行平滑拟合，生成代表趋势的支撑线和阻力线。具体算法细节引用自报告《形态识别算法在利率择时中的应用》[10]。 3. **多周期信号生成**：在长周期（平均切换频率为月度）、中周期（双周度）、短周期（周度）三个时间维度上，分别判断当前利率是否向上突破阻力线或向下突破支撑线[10][19]。 4. **信号综合评分**：统计三个周期中“上行突破”和“下行突破”的票数。若某一方向的突破总票数达到或超过2/3（即至少2票），则生成对应的看多或看空信号；否则，信号为中性震荡[6][10][19]。 3. **模型名称：利率价量多周期交易策略**[4][22][27] * **模型构建思路**：将上述多周期择时信号转化为可交易的久期轮动策略。根据看空、看多等信号，在不同久期的债券指数基金间进行切换，以获取超额收益[22]。 * **模型具体构建过程**： 1. **投资标的**： * 短久期：综合债1-3指数（CBA00121） * 中久期：综合债3-5指数（CBA00131） * 长久期：根据择时信号来源的YTM期限，对应不同的指数（5Y对应CBA00141，10Y对应CBA00151，30Y对应CBA00161）[22]。 2. **交易规则**： * **看多信号（利率向下突破）**：当短、中、长周期中至少有2个周期出现利率向下突破支撑线，且利率趋势非向上时，满配长久期；若利率趋势向上，则配置1/2中久期+1/2长久期[22]。 * **看空信号（利率向上突破）**：当短、中、长周期中至少有2个周期出现利率向上突破阻力线，且利率趋势非向下时，满配短久期；若利率趋势向下，则配置1/2中久期+1/2短久期[27]。 * **其他情况**：三种久期等权配置[27]。 3. **业绩基准**：构建久期等权组合，即1/3短久期+1/3中久期+1/3长久期[27]。 4. **止损规则**：当单日组合超额收益小于-0.5%时，将持仓调整为等权配置[27]。 模型的回测效果 1. **基于5年期国债YTM的多周期交易策略**[4][23] * **长期表现（2007.12.31以来）**：年化收益率5.46%，最大回撤2.88%，收益回撤比1.9，相对业绩基准的超额年化收益率1.06%，超额收益回撤比0.61[23]。 * **短期表现（2024年底以来）**：年化收益率2.04%，最大回撤0.59%，收益回撤比3.47，相对业绩基准的超额年化收益率0.74%，超额收益回撤比2.2[4][23]。 * **胜率**：逐年绝对收益大于0的概率为100%，逐年超额收益大于0的概率为100%[23]。 2. **基于10年期国债YTM的多周期交易策略**[4][26] * **长期表现（2007.12.31以来）**：年化收益率6.03%，最大回撤2.74%，收益回撤比2.2，相对业绩基准的超额年化收益率1.63%，超额收益回撤比1.15[26]。 * **短期表现（2024年底以来）**：年化收益率2.3%，最大回撤0.58%，收益回撤比3.98，相对业绩基准的超额年化收益率1.2%，超额收益回撤比3.14[4][26]。 * **胜率**：逐年绝对收益大于0的概率为100%，逐年超额收益大于0的概率为100%[26]。 3. **基于30年期国债YTM的多周期交易策略**[4][31] * **长期表现（2007.12.31以来）**：年化收益率7.28%，最大回撤4.27%，收益回撤比1.7，相对业绩基准的超额年化收益率2.39%，超额收益回撤比0.86[31]。 * **短期表现（2024年底以来）**：年化收益率2.44%，最大回撤0.92%，收益回撤比2.66，相对业绩基准的超额年化收益率2.29%，超额收益回撤比2.59[4][31]。 * **胜率**：逐年绝对收益大于0的概率为94.44%，逐年超额收益大于0的概率为94.44%[31]。

量化模型与构建方式 根据提供的研报内容，该报告主要是一份ETF市场周度数据统计与描述性报告，并未涉及具体的量化选股模型或多因子模型的构建、测试与评价。报告内容聚焦于ETF产品的业绩表现、规模变动、估值、融资融券情况以及管理人排名等市场数据的汇总与分析[1][2][3][4][5]。 因此，报告中**没有**涉及需要总结的量化模型（如选股模型、择时模型、资产配置模型等）或量化因子（如价值因子、成长因子、动量因子等）的构建思路、具体过程、公式及评价。 模型的回测效果 报告中**没有**涉及任何量化模型的回测效果指标（如年化收益率、夏普比率、最大回撤、信息比率IR等）。 量化因子与构建方式 报告中**没有**涉及任何量化因子的构建与测试内容。 因子的回测效果 报告中**没有**涉及任何量化因子的回测效果指标（如IC值、ICIR、因子收益率、多空收益等）。

量化模型与因子总结 量化因子与构建方式 1. **因子名称：日内高频偏度因子** **因子构建思路：** 捕捉股票日内收益的分布特征，特别是偏度信息，以预测未来收益[13] **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[13]。通常，此类因子基于日内高频收益率数据计算其偏度统计量。 2. **因子名称：日内下行波动占比因子** **因子构建思路：** 分解已实现波动，关注下行波动部分在总波动中的占比，以衡量风险特征[18] **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[18]。 3. **因子名称：开盘后买入意愿占比因子** **因子构建思路：** 基于开盘后一段时间内的高频交易数据，通过直观逻辑或机器学习方法，将高频信息低频化，构建反映买入意愿的因子[23] **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[23]。 4. **因子名称：开盘后买入意愿强度因子** **因子构建思路：** 与买入意愿占比因子类似，但更侧重于衡量买入意愿的强度而非比例[27] **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[27]。 5. **因子名称：开盘后大单净买入占比因子** **因子构建思路：** 分析开盘后大单资金的净买入行为占比，捕捉主力资金动向[32] 6. **因子名称：开盘后大单净买入强度因子** **因子构建思路：** 衡量开盘后大单净买入行为的强度[36] 7. **因子名称：改进反转因子** **因子构建思路：** 对传统反转因子进行改进，以提升预测效果[41] 8. **因子名称：尾盘成交占比因子** **因子构建思路：** 利用尾盘时段成交金额在全天成交中的占比信息构建因子[46] 9. **因子名称：平均单笔流出金额占比因子** **因子构建思路：** 通过分析平均单笔流出金额的占比来构建因子[51] 10. **因子名称：大单推动涨幅因子** **因子构建思路：** 构建反映大单交易对股价上涨推动作用的因子[57] 11. **因子名称：改进 GRU(50,2)+NN(10)因子** **因子构建思路：** 使用改进的GRU（门控循环单元）神经网络与全连接神经网络（NN）相结合的深度学习模型处理高频数据，生成选股因子[62] **因子具体构建过程：** 模型结构为GRU(50,2)与NN(10)的组合，具体网络架构和训练细节未在报告中详述[62]。 12. **因子名称：残差注意力 LSTM(48,2)+NN(10)因子** **因子构建思路：** 使用结合了残差连接和注意力机制的LSTM（长短期记忆网络）与全连接神经网络相结合的深度学习模型处理高频数据，生成选股因子[64] **因子具体构建过程：** 模型结构为残差注意力LSTM(48,2)与NN(10)的组合，具体网络架构和训练细节未在报告中详述[64]。 13. **因子名称：多颗粒度模型-5日标签因子** **因子构建思路：** 使用基于双向AGRU（可能指注意力GRU）训练的多颗粒度模型，以5日收益率为预测标签，生成选股因子[67] **因子具体构建过程：** 因子基于双向AGRU训练得到，预测标签为5日收益率[67]。 14. **因子名称：多颗粒度模型-10日标签因子** **因子构建思路：** 使用基于双向AGRU训练的多颗粒度模型，以10日收益率为预测标签，生成选股因子[68] **因子具体构建过程：** 因子基于双向AGRU训练得到，预测标签为10日收益率[68]。 量化模型与构建方式 1. **模型名称：周度调仓的中证500 AI增强宽约束组合** **模型构建思路：** 基于“多颗粒度模型-10日标签”因子构建中证500指数增强组合，在较宽松的风险约束下最大化预期收益[72] **模型具体构建过程：** * **核心信号：** 使用“多颗粒度模型-10日标签”因子作为股票的预期超额收益（μi）来源[72]。 * **优化目标：** 最大化组合预期收益，目标函数为： $$max\sum\mu_{i}w_{i}$$ 其中，wi为股票i的权重，μi为股票i的预期超额收益[73]。 * **风险约束：** 包括个股权重约束（1%）、行业偏离约束（1%）、市值因子暴露约束（0.3）、市值3次方因子暴露约束（0.3）、PB因子暴露约束（0.3）以及换手率约束（0.3）等“宽约束”条件[73]。 * **交易设置：** 周度调仓，假设以次日均价成交，并扣除双边3‰的交易成本[74]。 2. **模型名称：周度调仓的中证500 AI增强严约束组合** **模型构建思路：** 基于“多颗粒度模型-10日标签”因子构建中证500指数增强组合，在更严格的风险约束下控制组合风险[72] **模型具体构建过程：** * **核心信号：** 使用“多颗粒度模型-10日标签”因子作为股票的预期超额收益（μi）来源[72]。 * **优化目标：** 最大化组合预期收益，目标函数同上[73]。 * **风险约束：** 在宽约束基础上增加了更严格的约束，包括更严格的市值暴露约束（0.1）、市值2次方因子暴露约束（0.1），并新增了ROE因子暴露约束（0.3）、SUE因子暴露约束（0.3）、波动率因子暴露约束（0.3）以及成份股权重约束（0.8）等“严约束”条件[73]。 * **交易设置：** 周度调仓，假设以次日均价成交，并扣除双边3‰的交易成本[74]。 3. **模型名称：周度调仓的中证1000 AI增强宽约束组合** **模型构建思路：** 基于“多颗粒度模型-10日标签”因子构建中证1000指数增强组合，在较宽松的风险约束下最大化预期收益[72] **模型具体构建过程：** 与中证500 AI增强宽约束组合类似，但基准指数和对应的约束条件数值针对中证1000指数设定[73]。 4. **模型名称：周度调仓的中证1000 AI增强严约束组合** **模型构建思路：** 基于“多颗粒度模型-10日标签”因子构建中证1000指数增强组合，在更严格的风险约束下控制组合风险[72] **模型具体构建过程：** 与中证500 AI增强严约束组合类似，但基准指数和对应的约束条件数值针对中证1000指数设定[73]。 因子的回测效果 （数据来源：表2，统计周期为上周、1月、2026年至今（YTD），以及2026年周胜率）[10][12] 1. **日内高频偏度因子**，IC（历史/2026年）: 0.019/-0.007，e^(-rank mae)（历史/2026年）: 0.324/0.312，多空收益（上周/1月/2026YTD）: 0.29%/0.29%/0.29%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.99%/0.99%/0.99%，2026年周胜率: 1/1[10] 2. **日内下行波动占比因子**，IC（历史/2026年）: 0.016/-0.001，e^(-rank mae)（历史/2026年）: 0.323/0.313，多空收益（上周/1月/2026YTD）: 0.22%/0.22%/0.22%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.95%/0.95%/0.95%，2026年周胜率: 1/1[10] 3. **开盘后买入意愿占比因子**，IC（历史/2026年）: 0.025/0.032，e^(-rank mae)（历史/2026年）: 0.321/0.324，多空收益（上周/1月/2026YTD）: 1.04%/1.04%/1.04%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: -0.41%/-0.41%/-0.41%，2026年周胜率: 0/1[10] 4. **开盘后买入意愿强度因子**，IC（历史/2026年）: 0.030/0.027，e^(-rank mae)（历史/2026年）: 0.326/0.323，多空收益（上周/1月/2026YTD）: 0.65%/0.65%/0.65%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.62%/0.62%/0.62%，2026年周胜率: 1/1[10] 5. **开盘后大单净买入占比因子**，IC（历史/2026年）: 0.035/-0.006，e^(-rank mae)（历史/2026年）: 0.322/0.306，多空收益（上周/1月/2026YTD）: -0.52%/-0.52%/-0.52%，2026年周胜率: 0/1，多头超额（上周/1月/2026YTD）: -0.53%/-0.53%/-0.53%，2026年周胜率: 0/1[10] 6. **开盘后大单净买入强度因子**，IC（历史/2026年）: 0.024/0.004，e^(-rank mae)（历史/2026年）: 0.320/0.308，多空收益（上周/1月/2026YTD）: -0.07%/-0.07%/-0.07%，2026年周胜率: 0/1，多头超额（上周/1月/2026YTD）: -0.66%/-0.66%/-0.66%，2026年周胜率: 0/1[10] 7. **改进反转因子**，IC（历史/2026年）: 0.030/0.037，e^(-rank mae)（历史/2026年）: 0.330/0.328，多空收益（上周/1月/2026YTD）: 1.77%/1.77%/1.77%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 1.89%/1.89%/1.89%，2026年周胜率: 1/1[10] 8. **尾盘成交占比因子**，IC（历史/2026年）: 0.026/0.084，e^(-rank mae)（历史/2026年）: 0.322/0.334，多空收益（上周/1月/2026YTD）: 2.67%/2.67%/2.67%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 1.35%/1.35%/1.35%，2026年周胜率: 1/1[10] 9. **平均单笔流出金额占比因子**，IC（历史/2026年）: 0.008/0.013，e^(-rank mae)（历史/2026年）: 0.317/0.319，多空收益（上周/1月/2026YTD）: 0.45%/0.45%/0.45%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.14%/0.14%/0.14%，2026年周胜率: 1/1[12] 10. **大单推动涨幅因子**，IC（历史/2026年）: 0.018/-0.007，e^(-rank mae)（历史/2026年）: 0.325/0.327，多空收益（上周/1月/2026YTD）: 0.22%/0.22%/0.22%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.43%/0.43%/0.43%，2026年周胜率: 1/1[12] 11. **改进 GRU(50,2)+NN(10)因子**，IC（历史/2026年）: 0.065/0.001，e^(-rank mae)（历史/2026年）: 0.336/0.324，多空收益（上周/1月/2026YTD）: 0.16%/0.16%/0.16%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.26%/0.26%/0.26%，2026年周胜率: 1/1[12] 12. **残差注意力 LSTM(48,2)+NN(10)因子**，IC（历史/2026年）: 0.062/-0.016，e^(-rank mae)（历史/2026年）: 0.334/0.324，多空收益（上周/1月/2026YTD）: -0.26%/-0.26%/-0.26%，2026年周胜率: 0/1，多头超额（上周/1月/2026YTD）: 0.86%/0.86%/0.86%，2026年周胜率: 1/1[12] 13. **多颗粒度模型-5日标签因子**，IC（历史/2026年）: 0.079/-0.007，e^(-rank mae)（历史/2026年）: 0.343/0.322，多空收益（上周/1月/2026YTD）: 0.25%/0.25%/0.25%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.68%/0.68%/0.68%，2026年周胜率: 1/1[12] 14. **多颗粒度模型-10日标签因子**，IC（历史/2026年）: 0.073/-0.030，e^(-rank mae)（历史/2026年）: 0.342/0.313，多空收益（上周/1月/2026YTD）: -0.78%/-0.78%/-0.78%，2026年周胜率: 0/1，多头超额（上周/1月/2026YTD）: -0.05%/-0.05%/-0.05%，2026年周胜率: 0/1[12] 模型的回测效果 （数据来源：表3，统计周期为上周、1月、2026年至今（YTD），以及2026年周胜率）[13] 1. **周度调仓的中证500 AI增强宽约束组合**，超额收益（上周/1月/2026YTD）: -2.61%/-2.61%/-2.61%，2026年周胜率: 0/2[13] 2. **周度调仓的中证500 AI增强严约束组合**，超额收益（上周/1月/2026YTD）: -1.84%/-1.84%/-1.84%，2026年周胜率: 0/2[13] 3. **周度调仓的中证1000 AI增强宽约束组合**，超额收益（上周/1月/2026YTD）: -2.10%/-2.10%/-2.10%，2026年周胜率: 0/2[13] 4. **周度调仓的中证1000 AI增强严约束组合**，超额收益（上周/1月/2026YTD）: -1.63%/-1.63%/-1.63%，2026年周胜率: 0/2[13]

量化模型与构建方式 1. **模型名称：进取组合与平衡组合**[7] * **模型构建思路：** 基于多因子模型构建的股票组合，旨在获取超越基准指数的收益。进取组合和平衡组合可能代表了不同的风险收益特征或因子暴露程度。[10] * **模型具体构建过程：** 报告未详细描述具体的因子构成、权重分配及组合构建步骤。仅提及其为国泰海通证券金融工程团队构建的量化股票组合。[8] 2. **模型名称：沪深300/中证500/中证1000指数增强组合**[7] * **模型构建思路：** 在跟踪沪深300、中证500、中证1000指数的基础上，通过量化模型进行主动管理，旨在获取稳定的超额收益。[5] * **模型具体构建过程：** 报告未详细描述具体的增强策略、因子模型及权重优化过程。仅提及其为指数增强组合。[8] 3. **模型名称：绩优基金的独门重仓股组合**[7] * **模型构建思路：** 通过分析绩优基金的持仓数据，筛选其独有的重仓股构建组合，旨在捕捉优秀基金经理的选股能力。[5] * **模型具体构建过程：** 报告未详细描述绩优基金的筛选标准、独门重仓股的定义及组合构建的具体规则。[25] 4. **模型名称：盈利、增长、现金流三者兼优组合**[7] * **模型构建思路：** 从盈利、增长和现金流三个基本面维度，筛选出各方面表现均优异的公司构建投资组合。[27] * **模型具体构建过程：** 报告未详细描述具体的筛选指标（如ROE、营收增长率、经营性现金流等）、阈值设定及综合评分方法。[27] 5. **模型名称：PB-盈利优选组合**[7] * **模型构建思路：** 结合低估值（市净率PB）和高盈利能力的标准，筛选具有基本面支撑的低估值股票。[29] * **模型具体构建过程：** 报告未详细描述PB与盈利指标（如ROE、净利润率等）的具体结合方式（如排序、打分或构建复合因子）以及选股规则。[29] 6. **模型名称：GARP组合**[7] * **模型构建思路：** 采用“合理价格成长”策略，寻找具有稳定增长潜力且估值相对合理的公司。[32] * **模型具体构建过程：** 报告未详细描述用于衡量成长性和估值合理性的具体指标及模型构建方法。[32] 7. **模型名称：小盘价值优选组合1/2**[7] * **模型构建思路：** 在小盘股范围内，运用价值因子进行优选，构建投资组合。[34][36] * **模型具体构建过程：** 报告未详细描述小盘股的定义范围、价值因子的具体构成（如PB、PE、股息率等）以及两个组合之间的具体差异。[34][36] 8. **模型名称：小盘成长组合**[7] * **模型构建思路：** 在小盘股范围内，筛选具有高成长特征的股票构建投资组合。[37] * **模型具体构建过程：** 报告未详细描述小盘股的定义范围以及成长因子的具体构成（如营收增长率、净利润增长率等）。[37] 量化因子与构建方式 1. **因子名称：市值因子**[42] * **因子构建思路：** 衡量公司规模大小，通常认为小市值公司存在溢价效应。[42] * **因子具体构建过程：** 报告未给出具体计算公式。通常为股票的总市值。$$市值 = 股价 \times 总股本$$ * **因子评价：** 上周全市场范围内，大市值股票表现优于小市值股票。[42] 2. **因子名称：PB因子**[42] * **因子构建思路：** 市净率，衡量股票估值水平，低PB通常被视为价值型股票。[42] * **因子具体构建过程：** 报告未给出具体计算公式。通常为股价与每股净资产的比值。$$PB = \frac{股价}{每股净资产}$$ * **因子评价：** 上周全市场范围内，高估值（高PB）股票表现优于低估值股票。[42] 3. **因子名称：PE_TTM因子**[42] * **因子构建思路：** 滚动市盈率，衡量股票估值水平，低PE通常被视为价值型或盈利能力强。[42] * **因子具体构建过程：** 报告未给出具体计算公式。通常为股价与最近四个季度每股收益之和的比值。$$PE\_TTM = \frac{股价}{最近四个季度每股收益之和}$$ * **因子评价：** 上周全市场范围内，高估值（高PE_TTM）股票表现优于低估值股票。[42] 4. **因子名称：反转因子**[45] * **因子构建思路：** 基于股价短期反转效应，认为过去一段时间跌幅较大的股票未来可能反弹。[45] * **因子具体构建过程：** 报告未给出具体计算公式。通常计算股票过去一段时间的收益率并取负值。$$反转因子 = -过去N期收益率$$ * **因子评价：** 上周全市场范围内，该因子贡献负收益，即低涨幅股票表现不佳。[5][45] 5. **因子名称：换手率因子**[45] * **因子构建思路：** 衡量股票流动性或交易活跃度，低换手率可能预示关注度低或存在流动性折价。[45] * **因子具体构建过程：** 报告未给出具体计算公式。通常为一段时间内的成交股数除以流通股本。$$换手率 = \frac{期间成交股数}{流通股本}$$ * **因子评价：** 上周全市场范围内，该因子贡献负收益，即低换手率股票表现不佳。[5][45] 6. **因子名称：波动率因子**[45] * **因子构建思路：** 衡量股票价格波动风险，低波动率股票通常被认为风险较低。[45] * **因子具体构建过程：** 报告未给出具体计算公式。通常计算股票过去一段时间收益率的标准差。$$波动率 = \sqrt{\frac{1}{N-1} \sum_{t=1}^{N}(r_t - \bar{r})^2}$$ * **因子评价：** 上周全市场范围内，该因子贡献负收益，即低波动率股票表现不佳。[5][45] 7. **因子名称：ROE因子**[53] * **因子构建思路：** 净资产收益率，衡量公司利用股东权益创造利润的能力。[53] * **因子具体构建过程：** 报告未给出具体计算公式。通常为净利润与净资产的比值。$$ROE = \frac{净利润}{净资产}$$ * **因子评价：** 上周全市场范围内，该因子贡献负收益。[53] 8. **因子名称：SUE因子**[53] * **因子构建思路：** 标准化未预期盈余，衡量公司盈利超出市场预期的程度。[53] * **因子具体构建过程：** 报告未给出具体计算公式。通常为（实际公告的每股收益 - 分析师预测的每股收益均值）/ 预测的标准差。 * **因子评价：** 上周全市场范围内，该因子贡献负收益。[53] 9. **因子名称：预期净利润调整因子**[53] * **因子构建思路：** 基于分析师对净利润预测的调整，捕捉盈利预期变化带来的投资机会。[53] * **因子具体构建过程：** 报告未给出具体计算公式。通常计算一段时间内分析师对未来净利润预测均值的调整幅度。 * **因子评价：** 上周全市场范围内，该因子贡献正收益，即高预期净利润调整股票表现更优。[5][53] 模型的回测效果 （数据期间：2025年12月31日至2026年1月9日）[9] 1. **进取组合**，周收益率4.26%，超额收益（相对中证500）-3.65%，年收益率4.26%，跟踪误差23.46%，最大相对回撤15.40%[9] 2. **平衡组合**，周收益率5.29%，超额收益（相对中证500）-2.63%，年收益率5.29%，跟踪误差20.71%，最大相对回撤12.97%[9] 3. **沪深300增强组合**，周收益率4.69%，超额收益（相对沪深300）1.90%，年收益率4.69%，跟踪误差4.71%，最大相对回撤1.68%[9] 4. **中证500增强组合**，周收益率6.34%，超额收益（相对中证500）-1.58%，年收益率6.34%，跟踪误差4.07%，最大相对回撤3.11%[9] 5. **中证1000增强组合**，周收益率6.17%，超额收益（相对中证1000）-0.86%，年收益率6.17%，跟踪误差5.31%，最大相对回撤4.45%[9] 6. **绩优基金的独门重仓股组合**，周收益率5.19%，超额收益（相对股票型基金总指数）0.23%，年收益率5.19%，跟踪误差23.29%，最大相对回撤12.90%[9] 7. **盈利、增长、现金流三者兼优组合**，周收益率2.87%，超额收益（相对沪深300）0.08%，年收益率2.87%，跟踪误差12.23%，最大相对回撤9.74%[9] 8. **PB-盈利优选组合**，周收益率2.02%，超额收益（相对沪深300）-0.76%，年收益率2.02%，跟踪误差15.62%，最大相对回撤7.31%[9] 9. **GARP组合**，周收益率3.62%，超额收益（相对沪深300）0.84%，年收益率3.62%，跟踪误差13.93%，最大相对回撤4.04%[9] 10. **小盘价值优选组合1**，周收益率5.24%，超额收益（相对微盘股指数）0.77%，年收益率5.24%，跟踪误差10.17%，最大相对回撤10.69%[9] 11. **小盘价值优选组合2**，周收益率4.94%，超额收益（相对微盘股指数）0.47%，年收益率4.94%，跟踪误差8.89%，最大相对回撤8.70%[9] 12. **小盘成长组合**，周收益率4.95%，超额收益（相对微盘股指数）0.49%，年收益率4.95%，跟踪误差11.60%，最大相对回撤9.76%[9] 因子的回测效果 （数据期间：2025年12月31日至2026年1月9日，多空收益）[42][45][53] 1. **市值因子**，全市场多空收益-0.79%，沪深300多空收益4.83%，中证500多空收益-5.59%，中证1000多空收益-2.47%[42][48] 2. **PB因子**，全市场多空收益-4.01%，沪深300多空收益-5.52%，中证500多空收益-6.06%，中证1000多空收益-5.68%[42][48] 3. **PE_TTM因子**，全市场多空收益-4.02%，沪深300多空收益-6.02%，中证500多空收益-8.61%，中证1000多空收益-6.97%[42][48] 4. **反转因子**，全市场多空收益-3.60%，沪深300多空收益0.42%，中证500多空收益-9.48%，中证1000多空收益-2.04%[49][51] 5. **换手率因子**，全市场多空收益-4.82%，沪深300多空收益-3.43%，中证500多空收益-11.17%，中证1000多空收益-6.36%[49][51] 6. **波动率因子**，全市场多空收益-5.08%，沪深300多空收益-3.14%，中证500多空收益-10.96%，中证1000多空收益-5.86%[49][51] 7. **ROE因子**，全市场多空收益-1.50%，沪深300多空收益-0.74%，中证500多空收益-3.84%，中证1000多空收益-2.41%[53][55] 8. **SUE因子**，全市场多空收益-0.11%，沪深300多空收益-1.13%，中证500多空收益-0.89%，中证1000多空收益0.63%[53][55] 9. **预期净利润调整因子**，全市场多空收益0.57%，沪深300多空收益0.86%，中证500多空收益1.89%，中证1000多空收益-0.58%[53][55]