根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：港股多维定量择时模型**[24] * **模型构建思路**：从基本面、流动性、资金面、情绪面、估值五大维度筛选有效指标，构建复合打分模型以判断恒生指数的买卖时机[24] * **模型具体构建过程**： 1. 选取三个有效单因子信号：OECD中国经济领先指标、恒指期权认沽认购比（PCR）、外资净买入金额[24] 2. 每个指标独立给出恒生指数的看多或看空信号[24] 3. 将各期信号取均值作为最终的复合打分[24] 4. 设定交易规则：当复合打分 > 0.5 时，买入恒生指数；否则空仓[24] 2. **模型名称：港股多维定量选股模型**[5][19] * **模型构建思路**：系统梳理和测试价量、现金流、质量成长、股东回报等多类选股因子的有效性，并结合“真外资”持仓和分析师目标价进行综合筛选，以构建港股优选组合[5][19] * **模型具体构建过程**： 1. 识别有效选股因子：近12月年化波动率（低波动）、全部资产现金回收率、股东回报（股息率+回购比率）、ROE波动率和roe_ttm同比等[5][19] 2. 结合“真外资”持仓数据进行分析[5][19] 3. 结合分析师目标价进行进一步筛选[5][19] 4. 最终形成“港股主动金股组合”和“港股定量优选30组合”[5][19][22][23] 量化因子与构建方式 1. **因子名称：卖空成交占比**[2][3][18][43] * **因子构建思路**：通过计算卖空成交金额占总成交金额的比例，来衡量市场的悲观情绪或对冲压力[2][3][18][43] * **因子具体构建过程**：报告中未给出具体计算公式，但提及该数据已飙升至17.78%的高位[2][3][18][43] 2. **因子名称：恒指期权认沽认购比（PCR）**[24][42] * **因子构建思路**：通过计算恒生指数看跌期权成交量与看涨期权成交量的比率，来反映期权市场投资者的情绪[24][42] * **因子具体构建过程**：报告给出了PCR的定义公式： $$PCR = \frac{\text{恒生指数看跌期权成交量}}{\text{恒生指数看涨期权成交量}}$$[42] 3. **因子名称：OECD中国经济领先指标**[24][26] * **因子构建思路**：利用OECD发布的中国经济领先指标作为宏观基本面代理变量，因其与港股上市公司基本面高度相关[24][26] * **因子具体构建过程**：直接使用OECD发布的数据。交易信号规则为：当OECD指标环比上行时，发出看多信号；指标走平或下行时，发出空仓信号[24][26] 4. **因子名称：外资净买入金额**[24][46] * **因子构建思路**：追踪注册地在中国大陆与香港之外的基金（定义为外资）对香港权益市场的净买入情况，作为资金面的观察指标[24][46] * **因子具体构建过程**：使用EPFR提供的全球基金资金流动数据，计算外资的净买入金额[46] 5. **因子名称：南向资金净买入**[3][4][46][47] * **因子构建思路**：跟踪内地通过港股通渠道净流入香港市场的资金，作为反映境内投资者对港股边际配置态度的重要指标[3][4][46][47] * **因子具体构建过程**：报告中未给出具体计算公式，但提及了近期净买入数据和重点增持的行业及个股[3][4][46][47] 6. **因子名称：近12月年化波动率**[5][19] * **因子构建思路**：衡量股票在过去一年内的价格波动风险，低波动因子在港股市场长期有效[5][19] * **因子具体构建过程**：报告中未给出具体计算公式 7. **因子名称：全部资产现金回收率**[5][19] * **因子构建思路**：评估公司全部资产产生现金的能力，是有效的现金流类因子[5][19] * **因子具体构建过程**：报告中未给出具体计算公式 8. **因子名称：股东回报（股息率+回购比率）**[5][19] * **因子构建思路**：综合衡量公司通过股息和股票回购回报股东的水平，该因子在港股市场长期有效[5][19] * **因子具体构建过程**：报告中未给出具体计算公式，但指明该因子由股息率与回购比率相加构成[5][19] 9. **因子名称：ROE波动率**[5][19] * **因子构建思路**：衡量公司净资产收益率（ROE）的稳定性，波动率低可能代表盈利质量更高[5][19] * **因子具体构建过程**：报告中未给出具体计算公式 10. **因子名称：roe_ttm同比**[5][19] * **因子构建思路**：计算滚动净资产收益率（ROE TTM）的同比增长率，作为成长性因子[5][19] * **因子具体构建过程**：报告中未给出具体计算公式 11. **因子名称：AH股溢价指数**[49][50] * **因子构建思路**：追踪同时在A股和H股上市的股票之间的价差，溢价指数高位回落可能预示港股相对A股有超额收益机会[49][50][51] * **因子具体构建过程**：指数根据成份股的A股及H股的流通市值，计算出A股相对H股的加权平均溢价[49] 模型的回测效果 1. **港股主动金股组合**[5][19] * 自2024年11月样本外以来，绝对收益高达+107.51%[5][19] * 相较恒生指数的超额收益为+74.83%[5][19] 2. **港股定量优选30组合**[5][19] * 自2024年11月初至今，绝对收益为+41.43%[5][19] * 相较港股高股息指数的超额收益为26.95%[5][19] 因子的回测效果 （报告中未提供单个因子的独立回测指标数据，如IC、IR等）

根据研报内容，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：打新收益测算模型**[41] * **模型构建思路**：该模型旨在测算不同规模、不同类型的投资账户参与网下新股申购所能获得的收益率[41] * **模型具体构建过程**：模型的核心是计算单只新股对单个账户的贡献收益，并加总得到特定时间段内的总收益[41] * 单账户个股打新收益计算公式为： $$单账户个股打新收益 = min（账户规模，申购上限） * 中签率 * 收益率$$[41] * 其中： * `min（账户规模，申购上限）` 表示账户在该只新股上的有效申购金额[41] * `中签率` 采用个股网下打新的实际中签结果，区分A类（公募基金、社保基金等）和C类（私募基金、其他）投资者[41] * `收益率` 的计算方式根据新股上市板块有所不同： * 对于科创板、创业板及全面注册制下的主板新股，使用上市首日成交均价相对于发行价的涨跌幅[41] * 对于非注册制下的主板新股，采用开板当日成交均价相对于发行价的涨跌幅；若统计区间内新股尚未开板，则使用动态12个月内主板上市个股开板实现收益率的均值作为替代[41] * 总收益为统计区间内所有新股打新收益的加总，并除以账户规模得到打新收益率[41][42][48] * **模型评价**：该模型是打新市场分析中广泛使用的标准测算框架，能够较为直观地反映不同条件下的打新收益潜力[41] 2. **模型名称：打满收益测算模型**[41] * **模型构建思路**：该模型测算在顶格申购（即申购金额达到新股规定的申购上限）且全部中签的理想情况下，投资者可获得的绝对收益[41][51] * **模型具体构建过程**：模型计算公式为： $$A/B/C类投资者打满收益 = 申购上限 * A/B/C类网下中签率 * 收益率$$[41] * 公式中各参数含义与“打新收益测算模型”一致[41] * **模型评价**：该模型用于衡量单只新股的收益上限，为投资者评估新股吸引力提供参考[41][51] 3. **因子名称：基金打新参与度**[57] * **因子构建思路**：衡量公募基金产品参与网下新股询价的积极程度[57] * **因子具体构建过程**：因子计算公式为： $$参与度 = 参与报价新股数 / 网下询价发行新股总数$$[57] 4. **因子名称：基金报价入围率**[57] * **因子构建思路**：衡量公募基金产品新股报价的有效性，即报价位于发行价格区间内从而获得配售资格的比例[57] * **因子具体构建过程**：因子计算公式为： $$报价入围率 = 有效报价个数 / 参与报价新股数$$[57] 模型的回测效果 1. **打新收益测算模型（2025年9月，5亿规模账户）**[42][48] * A类投资者主板打新收益率：0.026%[42] * C类投资者主板打新收益率：0.025%[42] * A类投资者创业板打新收益率：0.125%[42] * C类投资者创业板打新收益率：0.103%[42] * A类投资者全市场（主板+创业板）打新收益率：0.151%[48] * C类投资者全市场（主板+创业板）打新收益率：0.129%[48] 2. **打新收益测算模型（2025年累计，5亿规模账户）**[43][46][48][50] * A类投资者全市场累计打新收益率：1.285%[48] * C类投资者全市场累计打新收益率：1.164%[50] 3. **打满收益测算模型（2025年9月）**[43][46][51] * A类投资者主板打满收益：13.26万元[43] * C类投资者主板打满收益：12.73万元[43] * A类投资者创业板打满收益：87.69万元[46] * C类投资者创业板打满收益：72.70万元[46] 因子的回测效果 1. **基金打新参与度与报价入围率（2025年9月，筛选条件：参与度>=90%，入围率>=85%，规模2-5亿）**[57][58] * 代表性基金（如稀土ETF易方达）参与度：100.0%[58] * 代表性基金（如稀土ETF易方达）报价入围率：100.0%[58] * 代表性基金（如稀土ETF易方达）估算打新收益率：0.404%[58] 2. **机构打新参与度与报价入围率（2025年9月，TOP机构）**[60][61] * 代表性机构（如易方达基金）参与度：100.0%[61] * 代表性机构（如易方达基金）报价入围率：100.0%[61] * 代表性机构（如易方达基金）估算打新收益：1.33亿元[61]

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：券商金股业绩增强组合**[39][43] * **模型构建思路**：该模型以券商金股股票池为选股空间，旨在通过多因子优选的方式，构建一个能够稳定战胜偏股混合型基金指数的投资组合[12][43] * **模型具体构建过程**：模型构建过程主要参考国信金工团队于2022年2月18日发布的专题报告《券商金股全解析——数据、建模与实践》[12][39]具体构建方法包括：以券商金股股票池为选股空间和约束基准；采用组合优化的方式控制组合与券商金股股票池在个股、风格上的偏离；以全体公募基金的行业分布为行业配置基准[43] 模型的回测效果 1. **券商金股业绩增强组合**[44][47] * 全样本年化收益（考虑仓位）：19.34%[47] * 相对偏股混合型基金指数年化超额收益：14.38%[47] * 在主动股基中排名分位点（2018-2025年每年）：均排在前30%水平[44] * 本月（2025年9月）绝对收益：-0.55%[5][42] * 本月相对偏股混合型基金指数超额收益：-3.50%[5][42] * 本年（2025年初至9月30日）绝对收益：33.26%[5][42] * 本年相对偏股混合型基金指数超额收益：1.19%[5][42] * 今年以来在主动股基中排名分位点：43.07%（1494/3469）[5][42] 量化因子与构建方式 1. **因子名称：日内收益率**[3][28] * **因子评价**：最近一个月在券商金股股票池中表现较好[3][28] 2. **因子名称：BP（账面市值比）**[3][28] * **因子评价**：最近一个月在券商金股股票池中表现较好，但今年以来表现较差[3][28] 3. **因子名称：波动率**[3][28] * **因子评价**：最近一个月在券商金股股票池中表现较好，但今年以来表现较差[3][28] 4. **因子名称：总市值**[3][28] * **因子评价**：最近一个月在券商金股股票池中表现较差，但今年以来表现较好[3][28] 5. **因子名称：SUE（标准未预期盈余）**[3][28] * **因子评价**：最近一个月在券商金股股票池中表现较差[3][28] 6. **因子名称：单季度超预期幅度**[3][28] * **因子评价**：最近一个月在券商金股股票池中表现较差[3][28] 7. **因子名称：单季度营收增速**[3][28] * **因子评价**：今年以来在券商金股股票池中表现较好[3][28] 8. **因子名称：分析师净上调幅度**[3][28] * **因子评价**：今年以来在券商金股股票池中表现较好[3][28] 9. **因子名称：预期股息率**[3][28] * **因子评价**：今年以来在券商金股股票池中表现较差[3][28] 因子的回测效果 （报告中未提供具体因子分组的量化指标值，如IC、IR等多空收益等，仅提供了定性表现评论，因此本部分略）

根据提供的ESG动态跟踪月报内容，报告主要涉及对政策、市场热点和投资进展的梳理，并未包含具体的量化模型或量化因子的构建、测试过程。报告内容聚焦于宏观动态、政策解读和市场数据概览。 因此，本次总结无法提供“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”等部分的内容。

根据提供的金融工程月报，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. 券商金股指数模型 - **模型构建思路**：券商金股组合能够体现总量分析师自上而下的配置能力和行业分析师自下而上的选股能力，并且研究发现该股票池能够较好地跟踪偏股混合型基金指数的表现[12][18] - **模型具体构建过程**：每月初汇总券商金股，根据其被券商推荐的家数进行加权构建指数，并于每月第一天收盘价进行调仓[18] 为了更公允地与偏股混合型基金指数比较，在计算收益时，以每次调仓时点所能获取的主动股基最近一个报告期的权益仓位中位数作为券商金股指数的仓位[18] 2. 券商金股业绩增强组合模型 - **模型构建思路**：以对标公募基金中位数为基准，在券商金股股票池中进行优选，目标是获得稳定战胜偏股混合型基金指数的表现[12][39][43] - **模型具体构建过程**：以券商金股股票池为选股空间和约束基准，采用组合优化的方式控制组合与券商金股股票池在个股、风格上的偏离，以全体公募基金的行业分布为行业配置基准进行构建[43] 组合考虑仓位及交易费用的影响[44] 量化因子与构建方式 1. 券商推荐家数因子 - **因子构建思路**：在券商金股股票池中，多人推荐的股票往往能够获得更高的市场关注度[31] - **因子具体构建过程**：统计每只股票被不同券商推荐为金股的家数，作为衡量市场关注度的指标[31][34] 2. 买方关注度因子 - **因子构建思路**：如果一只股票尚未被任何主动股基持有为前十大重仓股，说明其在公募基金经理群体中的关注度有待提升[35] - **因子具体构建过程**：识别本月券商金股股票池中，尚未被任何主动股基在最近一个季报中持有为前十大重仓股的样本[35][38] 3. 卖方关注度因子 - **因子构建思路**：如果某只股票在最近12个月均未被任何券商分析师推荐为金股，说明其在券商分析师群体中受到的关注相对较少[36] - **因子具体构建过程**：筛选本月金股中，属于近12个月以来首次出现在券商金股股票池中的样本[36][37] 4. 常见选股因子 报告中提到了在券商金股股票池中跟踪的多种常见选股因子[3][27]： - 日内收益率 - BP（账面市值比） - 波动率 - 总市值 - SUE（标准化未预期收益） - 单季度超预期幅度 - 单季度营收增速 - 分析师净上调幅度 - 预期股息率 模型的回测效果 1. 券商金股指数模型 - 本月（20250902-20250930）收益：3.65%[21] - 今年以来（20250102-20250930）收益：31.66%[21] - 同期偏股混合型基金指数收益：35.37%[21] 2. 券商金股业绩增强组合模型 **本月表现（2050901-20250930）**[5][42]： - 绝对收益：-0.55% - 相对偏股混合型基金指数超额收益：-3.50% **本年表现（20250102-20250930）**[5][42]： - 绝对收益：33.26% - 相对偏股混合型基金指数超额收益：1.19% - 在主动股基中排名分位点：43.07%（1494/3469） **历史表现（2018.1.2-2025.6.30）**[44][47]： - 年化收益：19.34% - 相对偏股混合型基金指数年化超额：14.38% - 2018-2025年期间，每年业绩排名都排在主动股基前30%的水平 因子的回测效果 1. 选股因子近期表现 **最近一个月表现**[3][27]： - 表现较好因子：日内收益率、BP、波动率 - 表现较差因子：总市值、SUE、单季度超预期幅度 **今年以来表现**[3][27]： - 表现较好因子：总市值、单季度营收增速、分析师净上调幅度 - 表现较差因子：波动率、预期股息率、BP 2. 行业因子表现 **本月行业组合收益**[22][23][25]： - 超额收益排名前三行业：计算机、房地产、汽车 **今年以来行业组合收益**[22][23][26]： - 超额收益排名前三行业：电子、汽车、计算机

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. 模型名称：A股赔率模型 - **模型构建思路**：基于股权风险溢价（ERP）和股息风险溢价（DRP）的标准化数值等权计算A股赔率，以衡量A股资产的估值吸引力[10] - **模型具体构建过程**：首先计算ERP和DRP，然后对这两个指标进行标准化处理，最后将标准化后的数值进行等权加总得到综合赔率指标[10] 2. 模型名称：宏观胜率评分卡模型 - **模型构建思路**：从货币、信用、增长、通胀和海外五个宏观因素出发，合成得到各资产的综合胜率指标[10][42] - **模型具体构建过程**：基于五个宏观因子构建评分体系，综合评估各类资产的胜率表现[10][42] 3. 模型名称：债券赔率模型 - **模型构建思路**：根据长短债预期收益差构建债券资产赔率指标，衡量债券市场的估值水平[11] - **模型具体构建过程**：使用利率债收益预测框架，基于长短债的预期收益差异来构建赔率指标[11] 4. 模型名称：美联储流动性指数模型 - **模型构建思路**：结合数量维度和价格维度构建美联储流动性指数，用于评估市场流动性状况[15] - **模型具体构建过程**：从联储负债端存款准备金、净流动性、联储信用支持、预期引导、市场隐含、公告意外等多个维度综合构建流动性指数[16] 5. 模型名称：行业轮动三维评价模型 - **模型构建思路**：基于趋势-景气度-拥挤度三维评价体系进行行业轮动配置[34][36] - **模型具体构建过程**：使用行业过去12个月信息比率刻画行业动量和趋势，以行业的换手率比率、波动率比率和beta比率刻画行业的交易拥挤度，结合景气度指标形成三维评价体系[34] 6. 模型名称：赔率+胜率增强型策略 - **模型构建思路**：结合各资产的赔率与胜率策略的风险预算，在目标波动率约束的条件下构建资产配置策略[3][39][45] - **模型具体构建过程**：将赔率策略的风险预算和胜率策略的风险预算进行简单相加得到综合得分，据此进行资产配置权重调整[45] 量化因子与构建方式 1. 因子名称：价值因子 - **因子构建思路**：基于价值风格的三标尺（赔率、趋势、拥挤度）进行综合评价[19][22] - **因子具体构建过程**：从赔率、趋势和拥挤度三个维度对价值风格进行量化评分，赔率回升至0.9倍标准差，趋势位于-0.3倍标准差，拥挤度处于-1.4倍标准差的较低水平[19][22] 2. 因子名称：小盘因子 - **因子构建思路**：基于小盘风格的三标尺进行综合评价[20][23] - **因子具体构建过程**：小盘因子的赔率处于-0.2倍标准差（中性水平），趋势位于1.6倍标准差（极高水平），拥挤度回落至-0.5倍标准差（中低水平）[20][23] 3. 因子名称：质量因子 - **因子构建思路**：基于质量风格的三标尺进行综合评价[24][26] - **因子具体构建过程**：质量风格赔率当前位于1.4倍标准差，拥挤度处于-0.5倍标准差的较低水平，趋势处于-1.2倍标准差的较低水平[24][26] 4. 因子名称：成长因子 - **因子构建思路**：基于成长风格的三标尺进行综合评价[27][29] - **因子具体构建过程**：成长因子趋势回升至0.1倍标准差的中等水平，赔率位于0.8倍标准差，拥挤度升至1.0倍标准差[27][29] 模型的回测效果 1. 赔率+胜率增强型策略 - 2011年以来年化收益7.0%，最大回撤2.8%[3][45] - 2014年以来年化收益7.6%，最大回撤2.7%[3][45] - 2019年以来年化收益7.2%，最大回撤2.8%[3][45] 2. 赔率增强型策略 - 2011年以来年化收益6.6%，最大回撤3.0%[39][41] - 2014年以来年化收益7.5%，最大回撤2.4%[39][41] - 2019年以来年化收益7.0%，最大回撤2.4%[39][41] 3. 胜率增强型策略 - 2011年以来年化收益7.0%，最大回撤2.8%[42][44] - 2014年以来年化收益7.7%，最大回撤2.3%[42][44] - 2019年以来年化收益6.3%，最大回撤2.3%[42][44] 4. 行业轮动三维评价模型 - 2011年以来超额表现13.1%，跟踪误差11.0%，最大回撤25.4%，信息比率1.18[35] - 2014年以来超额表现13.0%，跟踪误差12.0%，最大回撤25.4%，信息比率1.08[35] - 2019年以来超额表现10.8%，跟踪误差10.7%，最大回撤12.3%，信息比率1.02[35] 因子的回测效果 1. 价值因子 - 赔率：0.9倍标准差[19][22] - 趋势：-0.3倍标准差[19][22] - 拥挤度：-1.4倍标准差[19][22] - 综合得分：3分[19] 2. 小盘因子 - 赔率：-0.2倍标准差[20][23] - 趋势：1.6倍标准差[20][23] - 拥挤度：-0.5倍标准差[20][23] - 综合得分：2.2分[20] 3. 质量因子 - 赔率：1.4倍标准差[24][26] - 趋势：-1.2倍标准差[24][26] - 拥挤度：-0.5倍标准差[24][26] - 综合得分：0.6分[24] 4. 成长因子 - 赔率：0.8倍标准差[27][29] - 趋势：0.1倍标准差[27][29] - 拥挤度：1.0倍标准差[27][29] - 综合得分：0.1分[27]

根据研报内容，总结如下： 量化模型与构建方式 **1 模型名称：A股景气指数模型[29]** - 模型构建思路：以上证指数归母净利润同比为Nowcasting目标，构建反映A股景气度的高频指数[29] - 模型具体构建过程：通过高频数据实时追踪上证指数归母净利润同比变化，构建景气度指数，用于判断经济周期位置和趋势[29] **2 模型名称：A股情绪指数模型[36]** - 模型构建思路：基于市场波动率和成交额的变化方向划分四个象限，构造情绪指数包含见底预警与见顶预警[36] - 模型具体构建过程：将市场按照波动率和成交额的变化方向划分为四个象限，识别不同象限的市场收益特征，据此构建情绪指数$$情绪指数 = f(波动率变化, 成交额变化)$$其中波动率变化和成交额变化分别代表市场价和量的情绪维度[36] **3 模型名称：BARRA多因子模型[58]** - 模型构建思路：参照BARRA因子模型框架，对A股市场构建十大类风格因子体系[58] - 模型具体构建过程：构建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），用于解释股票收益和市场风格特征[58] **4 模型名称：指数增强组合模型[46][53]** - 模型构建思路：基于量化策略模型构建中证500和沪深300指数增强组合，追求超越基准的超额收益[46][53] - 模型具体构建过程：通过多因子选股模型和优化算法，在控制跟踪误差的前提下构建投资组合，具体持仓权重由策略模型生成[46][53] **5 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挖掘主题投资机会[46] - 模型具体构建过程：通过对文本处理、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描述主题投资机会[46] 量化因子与构建方式 **1 因子名称：市值因子（SIZE）[58][59]** - 因子构建思路：衡量股票市值规模对收益的影响[58] - 因子具体构建过程：基于股票总市值或流通市值构建，反映规模效应[58] **2 因子名称：BETA因子[58][59]** - 因子构建思路：衡量股票系统性风险暴露[58] - 因子具体构建过程：通过股票收益与市场收益的回归系数计算[58] **3 因子名称：动量因子（MOM）[58][59]** - 因子构建思路：捕捉股票价格动量效应[58] - 因子具体构建过程：基于历史价格表现构建，反映趋势延续特征[58] **4 因子名称：残差波动率因子（RESVOL）[58][59]** - 因子构建思路：衡量股票特异性风险[58] - 因子具体构建过程：通过回归残差的标准差计算，反映非系统性波动[58] **5 因子名称：非线性市值因子（NLSIZE）[58][59]** - 因子构建思路：捕捉市值与收益的非线性关系[58] - 因子具体构建过程：对市值因子进行非线性变换，识别市值效应的复杂特征[58] **6 因子名称：估值因子（BTOP）[58][59]** - 因子构建思路：衡量股票估值水平对收益的影响[58] - 因子具体构建过程：基于市净率等估值指标构建，反映价值效应[58] **7 因子名称：流动性因子（LIQUIDITY）[58][59]** - 因子构建思路：捕捉流动性溢价效应[58] - 因子具体构建过程：基于换手率、交易量等流动性指标构建[58] **8 因子名称：盈利因子（EARNINGS_YIELD）[58][59]** - 因子构建思路：衡量公司盈利能力对收益的影响[58] - 因子具体构建过程：基于市盈率、盈利收益率等指标构建[58] **9 因子名称：成长因子（GROWTH）[58][59]** - 因子构建思路：捕捉公司成长性特征[58] - 因子具体构建过程：基于收入增长率、盈利增长率等成长性指标构建[58] **10 因子名称：杠杆因子（LVRG）[58][59]** - 因子构建思路：衡量公司财务杠杆水平对收益的影响[58] - 因子具体构建过程：基于资产负债率、权益乘数等杠杆指标构建[58] 模型的回测效果 **1 A股景气指数模型[33]** - 截至2025年9月30日，A股景气指数为21.28，相比2023年底上升15.85[33] **2 指数增强组合模型[46][53]** - 中证500增强组合：节前收益1.99%，跑输基准0.38%；2020年至今超额收益51.20%，最大回撤-5.73%[46] - 沪深300增强组合：节前收益率2.15%，跑赢基准0.16%；2020年至今超额收益38.68%，最大回撤-5.86%[53] **3 A股情绪指数模型[40]** - 当前A股情绪见底指数信号：空，A股情绪见顶指数信号：空，综合信号为：空[40] 因子的回测效果 **1 风格因子近期表现[59]** - 市值因子：超额收益较高[59] - 残差波动率因子：呈较为显著的负向超额收益[59] - BETA因子：表现优异[59] - 成长因子：表现优异[59] - 价值因子：表现不佳[59] **2 行业因子近期表现[59]** - 钢铁、电力设备、有色金属等行业因子：相对市场市值加权组合跑出较高超额收益[59] - 消费者服务、煤炭、银行等行业因子：回撤较多[59] **3 因子相关性分析[60]** - 流动性因子与Beta、动量、残差波动率呈现明显正相关性[60] - 价值因子与Beta、残差波动率、流动性等因子呈现明显负相关性[60] - 市值因子与非线性市值因子相关性为0.513[60] - Beta因子与流动性因子相关性为0.568[60] - 动量因子与残差波动率因子相关性为0.577[60]

根据提供的研报内容，以下是关于量化模型与因子的总结： 量化因子与构建方式 **1 因子名称：行业分歧度[7]** - **因子构建思路**：通过计算各行业滚动一季度收益率的标准差，来衡量市场行业表现的分化程度[7] - **因子具体构建过程**： 1. 选取市场中的所有行业作为计算样本 2. 计算每个行业在过去一个季度（滚动窗口）的收益率 3. 计算这些行业收益率的标准差，作为行业分歧度指标 具体公式为： $$行业分歧度 = Std( R_{i, t} )$$ 其中，`R_i,t` 代表行业 `i` 在滚动一季度窗口内的收益率，`Std` 代表标准差函数 **2 因子名称：交易拥挤度[7]** - **因子构建思路**：通过计算特定板块（如TMT、先进制造）的成交金额占市场总成交金额的比例，来衡量资金在这些板块的集中程度[7] - **因子具体构建过程**： 1. 确定目标板块（如TMT板块、先进制造板块） 2. 计算目标板块内所有成分的日成交金额总和 3. 计算全市场（或选定基准）的总成交金额 4. 计算板块成交金额总和与市场总成交金额的比值 具体公式为： $$板块拥挤度 = \frac{成交金额_{板块}}{成交金额_{全市场}}$$ 报告中特别提及了TMT板块拥挤度，以及TMT与先进制造板块合并计算的拥挤度[7] **3 因子名称：股债收益差[8]** - **因子构建思路**：通过比较股票市场收益率与债券市场收益率的差异，并结合布林带分析，来判断市场的相对价值和风险[8] - **因子具体构建过程**： 1. 计算股票的隐含收益率（通常使用市盈率的倒数等方法） 2. 选取代表性债券（如10年期国债）计算其到期收益率 3. 计算股债收益差：`股债收益差 = 股票收益率 - 债券收益率` 4. 基于近三年的股债收益差数据计算其布林带，包括中轨（均值）和上下轨（均值±2倍标准差）[8] 报告中指出该指标用于判断市场位置，当前运行在布林带下轨（-2倍标准差）下方[8] 模型的回测效果 *（注：报告中未提供具体量化模型的回测数值结果）* 因子的回测效果 *（注：报告中未提供具体量化因子的回测数值结果，但对因子的历史表现和当前状态有定性描述）* **行业分歧度因子**：近期持续扩大，若格局延续预计将突破2024年9月以来的峰值，历史极值通常伴随市场风险偏好提升出现[7] **交易拥挤度因子**：TMT板块成交占比处于历史第三高位，TMT与先进制造板块合并占比正逼近历史最高水平[7] **股债收益差因子**：当前已持续运行在近三年布林带下轨的-2倍标准差下方[8]

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：港股多因子模型**[36][37] * **模型构建思路**：在港股通样本股中，综合运用技术面、资金面、基本面和分析师预期面四大类因子，筛选出表现优异的股票构建投资组合[36][37] * **模型具体构建过程**：每月末，对港股通样本股中的每只股票计算其综合因子得分，该得分由技术面、资金面、基本面和分析师预期面四大类因子合成[36][37]；然后选取综合得分最高的前20只股票，采用等权重方式构建投资组合，即“港股优选20组合”[37][39]；基准指数选用港股综合指数(HKD) (代码：930930.CSI)[39] 模型的回测效果 1. **港股优选20组合**[39][40] * **全区间（2015.1~2025.9）超额年化收益率**：12.9%[39][40] * **全区间（2015.1~2025.9）超额收益波动比**：1.0[39][40] * **全区间（2015.1~2025.9）超额最大回撤**：18.2%[40] * **2025年9月组合收益率**：0.25%[39] * **2025年9月基准指数收益率**：7.65%[39] * **2025年9月组合超额收益率**：-7.41%[39] 量化因子与构建方式 1. **因子类别：技术面因子**[36][37] * **因子构建思路**：基于股票的市场交易数据构建，反映股票价格走势、动量等市场行为特征[36][37] 2. **因子类别：资金面因子**[36][37] * **因子构建思路**：基于市场资金流向数据构建，反映各类投资者（如南下资金、外资等）对股票的偏好和持仓变化[36][37][22] 3. **因子类别：基本面因子**[36][37] * **因子构建思路**：基于公司的财务报表数据构建，反映公司的盈利能力、估值水平等内在价值[36][37] 4. **因子类别：分析师预期面因子**[36][37] * **因子构建思路**：基于分析师的预测数据构建，反映市场对公司未来业绩的预期[36][37]

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**：Black-Litterman模型（BL模型）[12] * **模型构建思路**：该模型是对传统均值-方差模型的改进，采用贝叶斯理论将投资者的主观观点与量化配置模型有机结合起来，通过投资者对市场的分析预测资产收益，进而优化资产配置权重[12] * **模型具体构建过程**：模型有效解决了均值-方差模型对于预期收益敏感的问题，同时相较纯主观投资具有更高的容错性[12] 报告中提及了两种应用：针对全球资产构建了两种BL配置模型，投资标的包括沪深300、恒生指数、标普500、中债-国债总财富指数、中债-企业债总财富指数与南华商品指数[13]；针对国内资产也构建了两种BL配置策略，投资标的包括沪深300、中证1000、恒生指数、中债-国债总财富指数、中债-企业债总财富指数、中证转债、南华商品指数和SHFE黄金[13] * **模型评价**：为投资者持续提供高效的资产配置方案[12] 2. **模型名称**：风险平价模型[17] * **模型构建思路**：该模型是传统均值-方差模型的改进，其核心思想是把投资组合的整体风险分摊到每类资产（因子）中去，使得每类资产（因子）对投资组合整体风险的贡献相等[17] * **模型具体构建过程**：模型构建分为三步：第一步，选择合适的底层资产；第二步，计算资产对组合的风险贡献；第三步，求解优化问题计算持仓权重[18] 具体应用上，基于沪深300指数、标普500指数、恒生指数、中债-企业债总财富指数、南华商品指数和COMEX黄金构建了全球资产风险平价模型[18]；针对国内资产，选取沪深300、中证1000、恒生指数、中债-国债总财富指数、中债-企业债总财富指数、中证转债、南华商品指数和SHFE黄金作为投资标的，构建了国内资产风险平价策略[18] 3. **模型名称**：基于宏观因子的资产配置模型[21] * **模型构建思路**：构造涵盖增长、通胀、利率、信用、汇率和流动性六大风险的宏观因子体系，并基于此建立一个通用性的宏观因子资产配置框架，将宏观研究的主观观点进行资产层面的落地[21] * **模型具体构建过程**：通过Factor Mimicking Portfolio方法构造六大宏观风险的高频宏观因子[22] 以前文提到的8类国内资产作为资产池，按以下四步构建策略：第一步，每月末计算资产的因子暴露水平；第二步，以资产的风险平价组合作为基准，计算出基准因子暴露；第三步，根据对宏观未来一个月的判断给定主观因子偏离值，结合基准因子暴露，得到资产组合的因子暴露目标；第四步，带入模型反解得到下个月的各个资产配置权重[22] 主观因子偏离值每月给出，例如在2025年08月底，为增长、通胀、利率、信用、汇率和流动性设置的偏离值分别为0, 0, -1, 0, 1, 0[24] 模型的回测效果 1. **国内资产BL模型1**：上周收益-0.11%，9月份收益-0.14%，2025年收益3.23%，年化波动2.19%，最大回撤1.31%[14] 2. **国内资产BL模型2**：上周收益-0.11%，9月份收益-0.13%，2025年收益2.84%，年化波动1.99%，最大回撤1.06%[14] 3. **全球资产BL模型1**：上周收益0.04%，9月份收益0.11%，2025年收益0.84%，年化波动1.99%，最大回撤1.64%[14] 4. **全球资产BL模型2**：上周收益0.0%，9月份收益0.03%，2025年收益1.84%，年化波动1.63%，最大回撤1.28%[14] 5. **国内资产风险平价模型**：上周收益-0.06%，9月份收益0.05%，2025年收益2.99%，年化波动1.35%，最大回撤0.76%[20] 6. **全球资产风险平价模型**：上周收益-0.07%，9月份收益0.13%，2025年收益2.50%，年化波动1.48%，最大回撤1.20%[20] 7. **基于宏观因子的资产配置模型**：上周收益0.04%，9月份收益0.26%，2025年收益3.29%，年化波动1.32%，最大回撤0.64%[26] 量化因子与构建方式 1. **因子名称**：宏观因子（增长、通胀、利率、信用、汇率、流动性）[21] * **因子的构建思路**：构建涵盖六大风险的宏观因子体系，作为宏观因子资产配置框架的基础[21] * **因子具体构建过程**：通过Factor Mimicking Portfolio方法构造了增长、通胀等六大宏观风险的高频宏观因子[22]