量化模型与构建方式 1. **模型名称**：均线距离择时模型 - **模型构建思路**：通过比较Wind全A指数的短期均线（20日）与长期均线（120日）的距离，判断市场处于趋势或震荡格局[1][9] - **模型具体构建过程**： 1. 计算Wind全A指数的20日均线（短期）和120日均线（长期） 2. 计算两均线的距离差值百分比： $$ \text{均线距离} = \frac{\text{20日均线值} - \text{120日均线值}}{\text{120日均线值}} \times 100\% $$ 3. 根据距离绝对值划分市场状态： - 若距离绝对值≥3%，判定为趋势行情 - 若距离绝对值<3%，判定为震荡行情[9] - **模型评价**：简单直观，但依赖均线参数的设定，对突发事件的适应性较弱 2. **模型名称**：TWO BETA行业配置模型 - **模型构建思路**：通过双因子（市场Beta和行业Beta）筛选具有超额收益潜力的行业板块[2][10] - **模型具体构建过程**： 1. 计算各行业相对于市场整体的Beta值（市场Beta） 2. 计算行业内部个股的Beta离散度（行业Beta） 3. 综合两类Beta筛选高弹性行业（如科技、军工、港股汽车）[10] 3. **模型名称**：仓位管理模型 - **模型构建思路**：结合估值分位数（PE/PB）和市场趋势动态调整绝对收益产品的股票仓位[2][8] - **模型具体构建过程**： 1. 计算Wind全A的PE/PB历史分位数（PE位于60分位，PB位于20分位） 2. 根据分位数区间和趋势信号（如均线距离）输出仓位建议（当前建议50%）[8] --- 量化因子与构建方式 1. **因子名称**：估值分位数因子 - **因子构建思路**：通过PE/PB的历史分位数判断市场估值水平[7][11] - **因子具体构建过程**： 1. 计算Wind全A的PE/PB在过去10年（2014-2025）的历史分位数 2. 标准化分位数至0-100%区间（PE当前60分位，PB当前20分位）[11] - **因子评价**：长期有效，但需结合趋势信号避免估值陷阱 2. **因子名称**：成交量极端状态因子 - **因子构建思路**：通过成交金额的极端值捕捉市场止跌信号[8][10] - **因子具体构建过程**： 1. 监测Wind全A的日成交金额（当前阈值设为9000亿） 2. 当成交金额回落至阈值附近时触发止跌信号[10] --- 模型的回测效果 1. **均线距离择时模型** - 当前均线距离：1.09%（20日均线5130，120日均线5075）[9] - 市场状态判定：震荡格局（距离绝对值<3%）[9] 2. **TWO BETA模型** - 推荐行业：科技、军工、港股汽车[10] 3. **仓位管理模型** - 当前仓位建议：50%（基于PE60分位/PB20分位）[8] --- 因子的回测效果 1. **估值分位数因子** - Wind全A PE分位数：60% - Wind全A PB分位数：20%[11] 2. **成交量极端状态因子** - 当前成交金额阈值：9000亿（未触发）[10]

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. **主动权益基金仓位测算模型** - 模型构建思路：通过持股市值加权计算主动权益型基金的平均仓位，反映市场整体风险偏好[23] - 具体构建过程： - 筛选标准：成立期满两个季度、规模>5000万元、过去四期平均仓位>60%（权益类）或10%-30%（固收+）[26] - 分类计算：普通股票型（88.89%）、偏股混合型（85.55%）、配置型（83.15%）[23] - 模型评价：连续四周下行显示市场观望情绪浓厚，对短期趋势有预警作用[23] 2. **风格仓位暴露模型** - 模型构建思路：按市值-成长性矩阵划分六类风格，跟踪基金配置动态[31] - 具体构建过程： - 风格分类：大盘成长/价值、中盘成长/价值、小盘成长/价值[31] - 权重计算：持股市值加权暴露度（如中盘价值仓位16.79%，周升2.18pct）[31] 量化因子与构建方式 1. **行业配置因子** - 构建思路：监测主动权益基金在中信一级行业的超配/低配变化[35] - 具体构建： - 计算行业配置比例变动（如电新+0.29pct、计算机-0.25pct）[35] - 趋势标记：连续上涨（农林牧渔）、连续下跌（非银金融）[36] 2. **资金流向因子** - 构建思路：划分主力/中小单资金流，捕捉市场博弈信号[50] - 具体构建： - 分层标准：特大单（成交额>100万）、大单（30-100万）、中单（5-30万）、小单（<5万）[50] - 净流入计算：行业层面银行主力净流入41.97亿元，医药净流出74.95亿元[59] 模型回测效果 1. **仓位测算模型** - 当前仓位值：主动权益型85.36%（年内最低）、固收+24.35%[23] - 周变动：偏股混合型-0.16pct，配置型-0.13pct[23] 2. **风格暴露模型** - 最新暴露值：小盘成长45.39%（+0.43pct）、大盘价值9.03%（-0.75pct）[31] 因子回测效果 1. **行业配置因子** - 超配行业：电力设备及新能源（7.02%）、电子（17.07%）[36] - 低配行业：商贸零售（1.50%）、钢铁（0.80%）[36] 2. **资金流向因子** - 主力净流入TOP3：银行（41.97亿）、电子（41.47亿）、综合金融（5.54亿）[59] - 主动卖出TOP3：医药（-74.95亿）、有色金属（-46.83亿）、非银金融（-46.55亿）[59] ETF资金流模型 1. **债券ETF吸引力因子** - 构建思路：跟踪质押回购政策对资金流入的影响[14] - 测试结果：债券ETF周净流入297亿，总规模突破2500亿[39] 2. **宽基ETF择时因子** - 构建思路：根据指数回调幅度与资金流入背离捕捉机会[40] - 测试结果：科创50ETF净流入31.54亿，中证1000ETF净流入23.23亿[40]

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**：中证香港创新药指数模型 **模型构建思路**：通过选取香港市场中主营业务涉及创新药研发的上市公司证券，构建反映香港市场创新药主题上市公司证券整体表现的指数[37] **模型具体构建过程**： - 样本空间：中证香港300指数与中证港股通综合指数的样本空间并集[38] - 选样方法： 1. 流动性筛选：过去一年日均成交金额不低于1000万港元[38] 2. 行业筛选：选取业务涉及创新药研发及为制药企业提供药物研发服务的上市公司证券[38] 3. 市值排序：按过去一年日均总市值由高到低选取前50只证券[38] - 加权方式：自由流通市值加权，个股权重不超过10%[38] - 定期调整：每半年调整一次（6月和12月）[38] **模型评价**：该指数集中反映港股创新药龙头企业表现，具有行业纯度高、成分股集中度高的特点[42][44] 2. **模型名称**：广发中证香港创新药ETF跟踪模型 **模型构建思路**：通过完全复制法紧密跟踪中证香港创新药指数[54] **模型具体构建过程**： - 投资标的：指数成分股及备选成分股[54] - 跟踪误差控制：日均跟踪偏离度≤0.35%，年化跟踪误差≤4%[54] - 运作方式：采用实物申赎机制，最小申赎单位100万份[54] 模型的回测效果 1. **中证香港创新药指数模型** - 年化收益率：8.54%（2019/1/1-2025/5/31）[50] - 年化夏普比：0.41[50] - 年化波动率：35.93%[50] - 最大回撤：-68.18%[50] - 市盈率TTM：27.16倍（历史分位数19.42%）[45] - 市净率LF：2.60倍（历史分位数38.94%）[45] 2. **广发中证香港创新药ETF** - 规模：101亿元（截至2025/5/31）[53] - 日均成交额：27.51亿元（近1个月）[53] - 跟踪误差：未披露具体数值但符合合同约定[54] 量化因子与构建方式 （注：报告中未明确提及单独的量化因子构建，主要采用指数成分股的基本面因子） 1. **隐含因子**：创新药研发能力因子 **构建思路**：通过成分股的License-out交易数量/金额反映研发成果转化能力[26][29] **数据来源**： - 2024年License-out交易100起，总金额518亿美元[26] - 2025Q1交易金额已达去年70%[29] 2. **隐含因子**：商业化潜力因子 **构建思路**：通过FDA获批药品数量衡量国际化能力[36] **具体表现**： - 截至2025年4月共有8个国产创新药获FDA批准[36] - 百济神州泽布替尼2024年全球销售额26亿美元[33] 因子的回测效果 1. **创新药研发能力因子** - 头部成分股2025年平均收益：59.44%[42] - 最佳个股收益：三生制药209.54%[42] 2. **商业化潜力因子** - 创新药指数年化收益显著高于恒生医疗保健指数（8.54% vs -1.49%）[50] - 指数前十大权重股平均市值超1100亿港元[42] 注：本报告为ETF投资价值分析，未涉及传统多因子模型的详细构建，主要采用指数编制规则和成分股基本面数据作为量化依据[37][54]

根据提供的研报内容，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**：沪深300上涨家数占比情绪指标 **模型构建思路**：通过计算指数成分股的近期正收益个数来判断市场情绪，正收益股票增多时可能处于行情底部，大部分股票正收益时可能情绪过热[23] **模型具体构建过程**： - 计算沪深300指数成分股过去N日收益大于0的个股数占比 - 公式：$$沪深300指数N日上涨家数占比 = \frac{沪深300指数成分股过去N日收益>0的个股数}{总成分股数}$$[23] **模型评价**：能较快捕捉上涨机会，但在市场过热阶段会提前止盈离场，难以有效规避下跌风险[24] 2. **模型名称**：动量情绪指标 **模型构建思路**：通过对上涨家数占比指标进行不同窗口期的平滑来捕捉情绪变动[27] **模型具体构建过程**： - 对上涨家数占比指标进行两次平滑（N1=50，N2=35） - 当短期平滑线>长期平滑线时看多市场[27] **模型评价**：当前快线位于慢线之下，显示市场将维持谨慎态度[27] 3. **模型名称**：均线情绪指标 **模型构建思路**：通过八均线体系判断指数趋势状态[30] **模型具体构建过程**： - 计算沪深300收盘价的8条均线（参数：8,13,21,34,55,89,144,233） - 当前价格大于某均线时赋值为1，否则为0 - 当超过5条均线被突破时看多市场[33] **模型评价**：短期内沪深300处于情绪非景气区间[35] 量化因子与构建方式 1. **因子名称**：横截面波动率 **因子构建思路**：衡量指数成分股间的收益离散程度，反映Alpha环境[36] **因子具体构建过程**： - 计算指数成分股日收益率的横截面标准差 - 统计不同时间窗口（周/季/年）的波动率分位数[36] **因子评价**：中证1000近期波动率上升显示Alpha环境改善[36] 2. **因子名称**：时间序列波动率 **因子构建思路**：衡量指数成分股自身收益波动性[39] **因子具体构建过程**： - 计算成分股加权时间序列波动率（20日年化标准差） - 统计不同时间窗口的分位数水平[39] **因子评价**：近期三大指数波动率均下降，Alpha环境变差[39] 模型的回测效果 1. **沪深300上涨家数占比情绪指标**： - 当前上涨家数占比约64%[23] - 近一周震荡幅度较大[24] 2. **动量情绪指标**： - 快线（35日）与慢线（50日）呈现空头排列[27] - 策略净值近期表现平稳[28] 3. **均线情绪指标**： - 当前仅突破3条均线（低于看多阈值5条）[33] - 策略净值近期小幅回落[34] 因子的回测效果 1. **横截面波动率**： - 沪深300近一季度平均值1.65%（近两年分位32.22%）[39] - 中证1000近一季度平均值2.24%（近半年分位50.60%）[39] 2. **时间序列波动率**： - 沪深300近一季度平均值0.52%（近半年分位60.29%）[42] - 中证500近一季度平均值0.44%（近一年分位53.97%）[42]

根据提供的研报内容，以下是量化模型与因子的详细总结： --- 量化模型与构建方式 1. **模型名称：港股精选组合** - **模型构建思路**：基于分析师推荐事件（盈利预测上调、首次关注、研报标题超预期）构建股票池，再通过基本面和技术面双重筛选选出优质股票[14][15] - **模型具体构建过程**： 1. **事件筛选**：捕捉分析师上调盈利预测、首次覆盖、标题含“超预期”的研报事件 2. **基本面筛选**：从事件池中选取财务指标（如ROE、营收增速）排名前50%的股票 3. **技术面筛选**：结合股价动量（过去250日涨跌幅前20%）和趋势稳定性（位移路程比、新高距离均值）[15][22] - **模型评价**：通过双重筛选平衡了基本面质量与市场趋势，长期超额收益显著[15] 2. **因子名称：250日新高距离因子** - **因子构建思路**：量化股价接近历史高点的程度，捕捉动量效应[19][21] - **因子具体构建过程**： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中： - \(Closet\)为最新收盘价 - \(ts\_max(Close, 250)\)为过去250日收盘价最大值[21] - **因子评价**：有效识别趋势延续性强的股票，但需结合其他指标避免追高风险[19] 3. **复合因子：平稳创新高筛选因子** - **因子构建思路**：综合分析师关注度、股价强度、路径平滑性等筛选持续创新高股票[21][22] - **因子具体构建过程**： 1. **样本池**：剔除上市不足15个月的港股 2. **分析师关注度**：过去6个月买入/增持评级研报≥5份 3. **股价强度**：过去250日涨跌幅前20% 4. **路径平滑性**： - 位移路程比（价格波动平滑性） - 过去120日新高距离的时间序列均值（创新高持续性）[22] --- 模型的回测效果 1. **港股精选组合** - 年化收益：17.02%（全样本） - 超额收益（vs恒生指数）：17.60% - 最大回撤：23.73%（20221025-20230616） - IR：1.19 - 跟踪误差：14.45%[18] 2. **平稳创新高股票组合** - 典型个股表现（如安徽皖通高速公路）： - 过去250日涨跌幅：55.9% - 过去20日涨跌幅：22.7% - 新高距离：0.0%（当前创新高）[27] --- 因子的回测效果 1. **250日新高距离因子** - 创新高股票平均超额收益： - 医药板块（如信达生物）：114.3%（过去250日） - 科技板块（如网易-S）：44.8%（过去250日）[27] 2. **平稳创新高筛选因子** - 筛选股票行业分布： - 大金融板块：12只 - 医药板块：12只 - 周期板块：9只[21][27] --- 关键公式说明 - **位移路程比**：衡量股价路径平滑性，计算公式为价格位移（终点-起点）与价格波动路程（每日涨跌幅绝对值之和）的比值[22] - **趋势延续性指标**：过去5日新高距离的均值，负值表示趋势加速[22] 注：部分绩效数据（如分年度IR、跟踪误差）详见文档[18]的表格，创新高个股列表见[27]。

量化模型与构建方式 1. **模型名称：股指期货分红点位预测模型** - **模型构建思路**：基于历史数据和成分股分红信息，预测股指期货合约存续期内标的指数的分红点位[9] - **模型具体构建过程**： 1. 对中证500、沪深300、上证50、中证1000指数未来一年分红点位进行预测，公式为： $$ \text{分红调整基差} = \text{实际基差} + \text{存续期内未实现的预期分红} $$ 年化处理公式： $$ \text{年化基差} = \frac{\text{实际基差} + \text{预期分红点位}}{\text{指数价格}} \times \frac{360}{\text{合约剩余天数}} $$ 2. 按合约期限（次月、当季、下季）分别计算分红点位占比[9][20] - **模型评价**：有效剔除分红对基差的干扰，提升基差分析的准确性 2. **模型名称：期现对冲策略（连续对冲与最低贴水策略）** - **模型构建思路**：通过动态调整期货合约对冲现货风险，利用基差收敛特性优化收益[45][47] - **模型具体构建过程**： - **连续对冲策略**： 1. 现货端持有标的指数全收益指数（70%资金），期货端做空等额名义本金合约（30%资金） 2. 调仓规则：持有季月/当月合约至到期前2日，平仓并开仓下一合约[46] - **最低贴水策略**： 1. 调仓时选择年化基差贴水幅度最小的合约，持有8个交易日或到期前2日调仓[47] - **模型评价**：最低贴水策略通过主动选择合约降低对冲成本，但换手率较高 --- 模型的回测效果 1. **IC对冲策略（中证500）** - 年化收益：当月连续-2.75%，季月连续-1.97%，最低贴水-0.95% - 波动率：3.89%~4.70% - 最大回撤：-7.89%~-8.34% - 2025年收益：最低贴水策略-0.60%[49] 2. **IF对冲策略（沪深300）** - 年化收益：最低贴水策略1.44% - 波动率：3.03%~3.38% - 最大回撤：-3.95%~-4.06%[54] 3. **IH对冲策略（上证50）** - 年化收益：季月连续2.04% - 波动率：3.15%~3.58% - 2025年收益：1.07%[58] 4. **IM对冲策略（中证1000）** - 年化收益：最低贴水策略-3.68% - 波动率：4.74%~5.78% - 最大回撤：-11.11%~-14.00%[60] --- 量化因子与构建方式 1. **因子名称：Cinda-VIX波动率指数** - **因子构建思路**：反映期权市场对标的资产未来波动率的预期，含期限结构[63] - **因子具体构建过程**： 1. 基于不同期限（30/60/90/120日）期权隐含波动率计算 2. 截至2025年6月20日，中证1000VIX_30为22.92，上证50VIX_30为16.54[63][73] 2. **因子名称：Cinda-SKEW偏度指数** - **因子构建思路**：衡量市场对尾部风险的预期，数值>100预示下跌担忧加剧[71][72] - **因子具体构建过程**： 1. 分析虚值看涨/看跌期权隐含波动率偏斜 2. 截至2025年6月20日，沪深300SKEW达106.09，突破历史90%分位警戒线[72] --- 因子的回测效果 1. **Cinda-VIX** - 中证500VIX_30：25.03 - 中证1000VIX_30：22.92（触及历史5%分位）[63][64] 2. **Cinda-SKEW** - 上证50SKEW：101.73 - 中证1000SKEW：105.04（与VIX同步高位预示风险）[72][77]

根据提供的研报内容，以下是量化模型与因子的详细总结： --- 量化模型与构建方式 1. **模型名称：四轮驱动模型** - **模型构建思路**：通过多维度信号捕捉行业轮动机会，结合动量、趋势、温度计等指标识别潜在交易机会[12] - **模型具体构建过程**： 1. **信号生成逻辑**： - **动量因子（Mom）**：计算短期（6日）相对强弱（RS6），阈值设定为0.5分位 $$ RS6 = \frac{P_t}{P_{t-6}} $$ - **趋势因子（TendS）**：结合均线系统（如5日、20日）判断多头排列状态[6][12] - **温度计指标（Tempe）**：监测市场情绪，低于15时触发防守信号[6][12] 2. **复合信号规则**： - 弱势行业反弹信号需满足：RS6 < 1且Mom反转（如白酒案例中RS6=0.96）[12] - 胖绿效应异动信号需满足：Tempe < 50且Newhigh比例下降（如电子行业案例中Tempe=44.4）[12] - **模型评价**：综合性强，但依赖历史均线系统假设，在极端市场环境下可能失效[6][12] --- 模型的回测效果 1. **四轮驱动模型**： - **胜率**：62%（基于2025年6月信号统计）[12] - **平均持仓周期**：7天（信号触发至平仓）[12] - **最大回撤**：-8.3%（在通信行业信号中观测到）[12] --- 量化因子与构建方式 1. **因子名称：高频温度计因子** - **因子构建思路**：通过市场波动率和情绪指标量化短期风险[6] - **因子具体构建过程**： - 计算过去5日波动率与市场涨跌家数比值的标准化值： $$ Tempe = \frac{\sigma_{5d}}{\text{Adv/Dec Ratio}} \times 100 $$ - 阈值设定：低于10为超卖，高于50为超买[6][12] - **因子评价**：对短期反转信号敏感，但需结合趋势因子过滤噪音[6] 2. **因子名称：趋势强度因子（TendS）** - **因子构建思路**：通过均线交叉和斜率判断趋势持续性[12] - **因子具体构建过程**： - 计算短期（5日）与长期（20日）均线斜率差值： $$ TendS = \text{Slope}_{5d} - \text{Slope}_{20d} $$ - 信号阈值：TendS > 0.2为多头趋势（如白酒案例中TendS=0.55）[12] --- 因子的回测效果 1. **高频温度计因子**： - **IC（信息系数）**：0.15（2025年6月数据）[6][12] - **IR（信息比率）**：1.2[12] 2. **趋势强度因子（TendS）**： - **IC**：0.18（多头组合）[12] - **IR**：1.5[12] --- 注：以上内容未包含风险提示、免责声明等非核心信息[2][13][14][15][16][17]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称**：国信金工指数增强组合 - **模型构建思路**：以多因子选股为主体，分别构建对标沪深300、中证500、中证1000及中证A500指数的增强组合，通过收益预测、风险控制和组合优化三部分实现稳定超额收益[12][13] - **模型具体构建过程**： 1. **收益预测**：基于30余个因子（估值、反转、成长等维度）构建收益预测模型 2. **风险控制**：控制组合相对于基准指数的行业暴露、风格暴露、成分股权重偏离等约束 3. **组合优化**：采用组合优化模型最大化因子暴露，同时满足风险约束条件[40][41] - **模型评价**：通过MFE组合验证因子有效性，更贴近实际投资约束条件下的收益预测效果[40] 2. **模型名称**：单因子MFE组合 - **模型构建思路**：通过组合优化最大化单因子暴露，检验因子在控制行业/风格暴露等实际约束下的有效性[40] - **模型具体构建过程**： - 优化目标函数： $$ \begin{array}{ll} \max & f^{T}w \\ s.t. & s_{l} \leq X(w-w_{b}) \leq s_{h} \\ & h_{l} \leq H(w-w_{b}) \leq h_{h} \\ & w_{l} \leq w-w_{b} \leq w_{h} \\ & b_{l} \leq B_{b}w \leq b_{h} \\ & \mathbf{0} \leq w \leq l \\ & \mathbf{1}^{T}w = 1 \end{array} $$ 其中： - \( f \)为因子取值向量，\( w \)为股票权重，\( w_b \)为基准权重 - 约束包括风格暴露（\( X \)）、行业暴露（\( H \)）、个股权重偏离（\( w_l, w_h \)）等[40][41] - 设置个股偏离权重上限1%（中证500/沪深300）或0.5%（公募重仓指数）[44] 量化因子与构建方式 1. **因子名称**：估值类因子（BP、EPTTM、单季EP等） - **构建思路**：衡量股票价格相对于基本面价值的低估/高估程度[18] - **具体构建**： - BP：净资产/总市值 - EPTTM：归母净利润TTM/总市值 - 单季EP：单季度归母净利润/总市值[18] 2. **因子名称**：反转类因子（一个月反转、三个月反转等） - **构建思路**：捕捉短期价格反转效应[18] - **具体构建**： - 一个月反转：过去20个交易日涨跌幅 - 三个月反转：过去60个交易日涨跌幅[18] 3. **因子名称**：成长类因子（单季净利同比增速、单季营收同比增速等） - **构建思路**：反映企业盈利或收入的增长能力[18] - **具体构建**： - 单季净利同比增速：（本期净利润-去年同期净利润）/去年同期净利润 - SUE：（实际净利润-预期净利润）/预期净利润标准差[18] 4. **因子名称**：流动性类因子（非流动性冲击、一个月换手等） - **构建思路**：衡量股票交易流动性对收益的影响[18] - **具体构建**： - 非流动性冲击：过去20个交易日日涨跌幅绝对值/成交额均值 - 一个月换手：过去20个交易日换手率均值[18] 模型的回测效果 1. **国信金工指数增强组合**： - 沪深300增强：本周超额0.82%，本年超额6.67% - 中证500增强：本周超额0.04%，本年超额7.84% - 中证1000增强：本周超额0.34%，本年超额12.61%[15] 2. **单因子MFE组合（中证500样本）**： - BP因子：最近一周超额0.87%，历史年化3.92% - 预期EPTTM：最近一周超额0.83%，历史年化4.26% - 一年动量：最近一周超额-0.35%，历史年化2.38%[22] 因子的回测效果 1. **沪深300样本空间**： - 预期EPTTM：本周超额0.99%，历史年化2.35% - 单季EP：本周超额0.85%，历史年化3.89%[28] 2. **中证1000样本空间**： - BP因子：本周超额1.03%，历史年化2.69% - 一个月换手：本周超额0.89%，历史年化7.32%[24] 3. **公募重仓指数样本空间**： - 预期EPTTM：本周超额0.99%，历史年化2.35% - 一年动量：本周超额-1.43%，历史年化0.98%[28] 其他关键信息 - **公募重仓指数构建**：选取普通股票型及偏股混合型基金持仓，累计权重达90%的股票作为成分股[42][43] - **因子库覆盖维度**：估值、反转、成长、盈利、流动性、公司治理、分析师预期等7大类30余个因子[18]

量化因子与构建方式 1. **因子名称**：bp **因子构建思路**：衡量股票的估值水平，使用净资产与市值的比率[13] **因子具体构建过程**：$$ bp = \frac{当前净资产}{当前总市值} $$[13] **因子评价**：正向因子，反映低估值股票的潜在超额收益[13] 2. **因子名称**：bp三年分位数 **因子构建思路**：通过分位数标准化处理当前bp值，消除量纲影响[13] **因子具体构建过程**：计算股票当前bp在最近三年历史数据中的百分位排名[13] 3. **因子名称**：Fama-French三因子1月残差波动率 **因子构建思路**：衡量个股特异性风险，剥离市场、市值、估值因子的系统性影响[13] **因子具体构建过程**：对过去20个交易日日收益率进行Fama-French三因子回归，取残差标准差[13] **因子评价**：反向因子，高波动股票通常表现较差[13] 4. **因子名称**：1个月超额收益率波动 **因子构建思路**：捕捉短期价格波动特征[13] **因子具体构建过程**：计算过去20个交易日超额收益率（个股收益-市场收益）的标准差[13] 5. **因子名称**：小市值 **因子构建思路**：利用市值效应获取超额收益[13] **因子具体构建过程**：取公司市值的自然对数[13] **因子评价**：反向因子，小市值股票长期表现优异[13] 6. **因子名称**：标准化预期外盈利 **因子构建思路**：量化业绩超预期程度[13] **因子具体构建过程**： $$ \frac{当前季度净利润 - (去年同期单季净利润 + 过去8季度单季净利润同比增长均值)}{过去8季度单季净利润同比增长值的标准差} $$[13] 因子回测效果 1. **bp因子** 最近一周IC 9.73%[9] 最近一月IC均值2.21%[9] 最近一年IC均值1.64%[9] 历史IC均值2.27%[9] 最近一周多头超额0.52%[11] 最近一月多头超额-0.36%[11] 最近一年多头超额1.57%[11] 2. **Fama-French三因子1月残差波动率因子** 最近一周IC 14.50%[9] 最近一月IC均值5.11%[9] 最近一年IC均值3.29%[9] 历史IC均值2.54%[9] 最近一周多头超额1.33%[11] 最近一月多头超额1.68%[11] 最近一年多头超额8.97%[11] 3. **小市值因子** 最近一周IC -5.53%[9] 最近一月IC均值4.57%[9] 最近一年IC均值3.29%[9] 历史IC均值2.09%[9] 最近一周多头超额-0.72%[11] 最近一月多头超额1.48%[11] 最近一年多头超额16.36%[11] 4. **1个月超额收益率波动因子** 最近一周IC 14.87%[9] 最近一月IC均值5.14%[9] 最近一年IC均值3.26%[9] 历史IC均值2.22%[9] 最近一周多头超额1.34%[11] 最近一月多头超额1.55%[11] 最近一年多头超额10.29%[11] 5. **bp三年分位数因子** 最近一周IC 14.75%[9] 最近一月IC均值3.36%[9] 最近一年IC均值2.85%[9] 历史IC均值1.69%[9] 最近一周多头超额0.75%[11] 最近一月多头超额-0.59%[11] 最近一年多头超额3.19%[11]

根据提供的金融工程日报内容，该报告主要描述市场表现和资金流向等数据，未涉及量化模型或量化因子的构建与分析。以下是报告核心内容的分类整理： 市场表现 1. **宽基指数表现** 上证50指数上涨0.31%，沪深300指数上涨0.09%，中证500指数下跌0.66%，中证1000指数下跌0.80%，中证2000指数下跌0.91%[6] 2. **行业表现** 银行（+1.19%）、交通运输（+0.96%）、食品饮料（+0.76%）涨幅居前；计算机（-1.82%）、传媒（-1.80%）跌幅较大[7] 3. **概念主题表现** 白酒（+2.78%）、水利水电建设（+2.52%）领涨；蔚来汽车（-5.07%）、拼多多合作商（-3.85%）领跌[9] 市场情绪指标 1. **涨跌停统计** 收盘涨停51家，跌停21家；昨日涨停股今日平均收益0.66%，跌停股平均收益-3.11%[12] 2. **封板率与连板率** 封板率75%（较前日+16%），连板率23%（较前日+7%）[15] 资金流向 1. **两融数据** 两融余额18,209亿元（融资余额18,092亿元，融券余额117亿元），占流通市值2.3%[17][20] 2. **ETF折溢价** 中证2000ETF溢价1.38%，中小100ETF折价0.93%[22] 3. **大宗交易** 近半年日均折价率5.53%，当日折价率3.21%[24] 4. **股指期货贴水** 中证1000主力合约年化贴水率13.58%（近一年中位数12.10%）[26] 机构行为 1. **机构调研** 乐鑫科技被253家机构调研，南极光、北京利尔等次之[29] 2. **龙虎榜动向** 机构净流入：利民股份、赛升药业等；陆股通净流入：强力新材、楚天龙等[34][35] 注：报告未包含量化模型或因子构建相关内容，以上均为市场数据统计与描述性分析。