根据提供的研报内容，总结如下： 量化模型与构建方式 1. **模型名称：GAN_GRU模型**[4][13] * **模型构建思路**：该模型是一种深度学习选股模型，首先利用生成式对抗网络（GAN）对量价时序特征进行增强处理，然后再利用门控循环单元（GRU）网络对处理后的时序特征进行编码，最终输出股票的预测收益作为选股因子[4][13]。 * **模型具体构建过程**： * **基础特征**：模型使用18个量价特征，包括日频特征（如前收盘价、开盘价、收盘价、最高价、最低价、成交量、成交金额、涨跌幅、振幅、换手率、均价）和月频特征（如月成交金额、月涨跌幅、月振幅、月换手率、月收盘最高价、月收盘最低价、月日均换手率）[14][17][19]。 * **数据预处理与采样**：使用所有个股过去400天内的18个量价特征，每5个交易日进行一次特征采样。每次采样的特征形状为40天*18个特征，用以预测未来20个交易日的累计收益[18]。在时序上对每个特征进行去极值和标准化处理，并在个股截面上进行标准化处理[18]。训练集与验证集的比例为80%:20%[18]。 * **基础模型（GRU+MLP）**：构建一个包含两层GRU层（GRU(128, 128)）和后续多层感知机（MLP(256, 64, 64)）的神经网络。模型最终输出的预测收益（pRet）作为选股因子[22]。 * **GAN特征增强**：为了提升特征质量，引入GAN模型对原始量价时序特征（Input_Shape=(40,18)）进行增强[33][37]。 * **生成器（G）**：采用长短期记忆网络（LSTM）作为生成器，以保留输入特征的时序性质。其目标是生成逼真的量价时序特征。生成器的损失函数为： $$L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))]$$ 其中，\(z\) 是随机噪声，\(G(z)\) 是生成器生成的数据，\(D(G(z))\) 是判别器判断生成数据为真实数据的概率[24][25]。 * **判别器（D）**：采用卷积神经网络（CNN）作为判别器，将量价时序特征视为二维图像进行处理。其目标是区分真实数据与生成数据。判别器的损失函数为： $$L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$$ 其中，\(x\) 是真实数据，\(D(x)\) 是判别器对真实数据的输出概率，\(D(G(z))\) 是判别器对生成数据的输出概率[27]。 * **训练过程**：生成器和判别器交替训练。先训练判别器，再训练生成器，循环迭代直至模型收敛[29][30][34]。 * **GAN_GRU整合**：将训练好的GAN模型中的生成器（G）用于处理原始量价时序特征，生成增强后的特征。然后将增强后的特征输入到前述的GRU+MLP基础模型中进行训练和预测[38]。 * **训练与预测设置**：采用半年滚动训练方式，每年6月30日和12月31日进行模型训练，用于未来半年的预测。回测采用月频调仓。选股范围为全A股，剔除ST股及上市不足半年的股票。训练超参数包括：batch_size为截面股票数量、优化器为Adam、学习速率为1e-4、损失函数为IC、早停轮数为10、最大训练轮数为50[15][18]。 量化因子与构建方式 1. **因子名称：GAN_GRU因子**[4][13] * **因子构建思路**：GAN_GRU因子是GAN_GRU模型最终输出的股票预测收益（pRet）[22]。该因子在用于测试前，会经过行业和市值中性化处理，并进行标准化[22]。 * **因子具体构建过程**：因子值直接来源于GAN_GRU模型的输出，即模型对每只股票未来20个交易日收益的预测值[18][22]。构建过程与上述GAN_GRU模型的构建过程完全一致。 模型的回测效果 1. **GAN_GRU模型**（基于其输出的因子进行回测，回测期间：2019年1月至2025年11月，月频调仓）[41][42] * IC均值：0.1131*** * ICIR（未年化）：0.90 * 换手率：0.83 * 年化收益率：37.52% * 年化波动率：23.52% * 信息比率（IR）：1.59 * 最大回撤率：27.29% * 年化超额收益率：23.14% 因子的回测效果 1. **GAN_GRU因子**[41][42] * 最新一期IC（截至2025年11月27日）：0.1241*** * 近一年IC均值（截至2025年11月27日）：0.0867*** * 近期行业IC表现（2025年10月当期，申万一级行业除综合）：社会服务(0.2198***)、房地产(0.2027***)、钢铁(0.1774***)、非银金融(0.1754***)、煤炭(0.1537***)[42] * 近一年行业IC均值（申万一级行业除综合）：非银金融(0.1401***)、钢铁(0.1367***)、商贸零售(0.1152***)、纺织服饰(0.1124***)、公用事业(0.1092***)[42] * 近期行业多头组合超额收益（2025年11月当期，相对行业指数）：环保(7.24%)、机械设备(4.37%)、房地产(4.03%)、纺织服饰(3.89%)、建筑材料(2.91%)[2][45] * 近一年行业多头组合月平均超额收益（相对行业指数）：建筑材料(2.15%)、房地产(1.97%)、社会服务(1.77%)、纺织服饰(1.71%)、商贸零售(1.62%)[2][46]

根据提供的研报内容，该报告主要对A股市场各宽基指数进行多维度数据跟踪和统计分析，并未涉及具体的量化交易模型或用于选股的量化因子构建。报告内容侧重于市场状态描述和指标展示。以下是基于报告内容的总结： 量化模型与构建方式 （报告未涉及具体的量化交易模型或选股因子，此部分无相关内容） 模型的回测效果 （报告未涉及具体的量化交易模型，此部分无相关内容） 量化因子与构建方式 （报告未涉及用于选股的量化因子构建，此部分无相关内容） 因子的回测效果 （报告未涉及用于选股的量化因子，此部分无相关内容） 市场指标与构建方式 1. **指标名称：连阴连阳天数**[12] * **指标构建思路**：用于跟踪指数K线连续为阴线或阳线的天数，反映市场短期的趋势强度[12] * **指标具体构建过程**：从1开始计数，正数表示连续阳线的天数，负数表示连续阴线的天数[12] 2. **指标名称：指数与移动平均线（MA）比较**[15][16] * **指标构建思路**：通过比较指数收盘价与不同周期移动平均线（如MA5, MA10, MA20, MA60等）的位置关系，判断指数当前相对于短期、中期和长期趋势的强弱[15][16] * **指标具体构建过程**：计算指数收盘价相对于各移动平均线的偏离百分比，公式为： $$偏离百分比 = \frac{收盘价 - 移动平均线值}{移动平均线值} \times 100\%$$ [16] 3. **指标名称：指数换手率**[18] * **指标构建思路**：衡量指数成分股整体的交易活跃度[18] * **指标具体构建过程**：采用流通股本加权平均的方式计算，公式为： $$指数换手率 = \frac{\sum(成分股流通股本 \times 成分股换手率)}{\sum(成分股流通股本)}$$ [18] 4. **指标名称：收益率分布形态（峰度与偏度）**[24][26] * **指标构建思路**：通过分析指数日收益率分布的峰度和偏度，描述收益分布的集中程度和不对称性[24][26] * **指标具体构建过程**：计算近一定时期（如近5年）和当前时期指数日收益率的峰度（计算中减去了正态分布的峰度值3）和偏度，并进行对比[26] 5. **指标名称：风险溢价**[28][32] * **指标构建思路**：以十年期国债即期收益率作为无风险利率，计算指数收益率与之差，衡量投资股票市场所要求的额外风险补偿[28][32] * **指标具体构建过程**：风险溢价 = 指数收益率 - 十年期国债即期收益率，并计算其在近1年、近5年等不同窗口期的分位值及统计特征（如均值、波动率、标准差区间）[28][32] 6. **指标名称：市盈率（PE-TTM）**[40][44][45] * **指标构建思路**：使用滚动市盈率作为估值参考，衡量指数投资价值[40][44] * **指标具体构建过程**：直接获取指数的PE-TTM值，并计算其在历史数据中的分位值，同时计算近1年的均值、波动率及标准差区间[44][45] 7. **指标名称：股债性价比**[47] * **指标构建思路**：将PE-TTM的倒数（近似代表股票的盈利收益率）与十年期国债收益率进行比较，辅助判断股票和债券资产的相对吸引力[47] * **指标具体构建过程**：股债性价比 = (1 / PE-TTM) - 十年期国债即期收益率[47] 8. **指标名称：股息率**[49][54] * **指标构建思路**：反映指数的现金分红回报水平，跟踪红利投资风格的表现[49] * **指标具体构建过程**：直接获取指数的股息率值，并计算其在历史数据中的分位值，同时计算近1年的均值、波动率及标准差区间[54] 9. **指标名称：破净率**[56] * **指标构建思路**：通过统计指数中市净率（PB）小于1的成份股占比，反映市场的整体估值态度和悲观程度[56] * **指标具体构建过程**：破净率 = (指数中破净个股数量 / 指数总成分股数量) × 100%[56] 指标的具体取值 （以下数据均为报告指定日期2025年11月27日的数值或截至该日的统计值） 1. **连阴连阳天数**[12] * 中证1000日K连阳：4天 * 中证2000周K连阴：-3天 * 其他指数日K、周K、月K、季K、年K的连阴连阳天数在报告中未显示具体数值或为空白 2. **指数与移动平均线比较**[16] * 各指数相对于MA5的偏离百分比在0.3%至1.7%之间（均在MA5之上） * 各指数相对于MA10的偏离百分比在-1.2%至0.01%之间（除创业板指外均低于MA10） * 各指数相对于MA20的偏离百分比在-3.0%至-1.3%之间（均低于MA20） * 各指数相对于MA60的偏离百分比在-3.1%至-0.5%之间（均低于MA60） 3. **指数换手率**[18] * 中证2000：3.88 * 创业板指：2.43 * 中证1000：2.17 * 中证全指：1.49 * 中证500：1.21 * 沪深300：0.46 * 上证50：0.23 4. **收益率分布形态**[26] * 当前峰度：创业板指 (1.44), 中证2000 (1.40), 中证1000 (1.35), 中证500 (0.91), 中证全指 (1.00), 沪深300 (0.61), 上证50 (0.05) * 当前偏度：中证2000 (1.67), 创业板指 (1.66), 中证1000 (1.63), 中证全指 (1.62), 中证500 (1.57), 沪深300 (1.54), 上证50 (1.33) 5. **风险溢价**[32] * 当前风险溢价：中证2000 (0.30%), 中证1000 (0.12%), 上证50 (0.01%), 中证全指 (-0.01%), 沪深300 (-0.06%), 中证500 (-0.21%), 创业板指 (-0.45%) * 近5年分位值：中证2000 (54.84%), 中证1000 (51.51%), 上证50 (51.27%), 中证全指 (49.60%), 沪深300 (48.89%), 中证500 (40.32%), 创业板指 (39.29%) 6. **PE-TTM**[45] * 当前值：中证2000 (152.46), 中证1000 (46.47), 创业板指 (39.51), 中证500 (31.81), 中证全指 (20.85), 沪深300 (13.96), 上证50 (11.88) * 近5年历史分位值：中证1000 (95.21%), 中证500 (94.63%), 中证全指 (91.65%), 上证50 (85.12%), 沪深300 (81.82%), 中证2000 (80.17%), 创业板指 (53.80%) 7. **股息率**[54] * 当前值：上证50 (3.30%), 沪深300 (2.74%), 中证全指 (2.05%), 中证500 (1.41%), 中证1000 (1.14%), 创业板指 (1.04%), 中证2000 (0.78%) * 近5年历史分位值：创业板指 (71.65%), 中证1000 (50.50%), 沪深300 (37.52%), 中证全指 (36.86%), 上证50 (35.79%), 中证2000 (19.01%), 中证500 (18.26%) 8. **破净率**[56] * 当前值：上证50 (22.0%), 沪深300 (16.0%), 中证500 (12.4%), 中证1000 (7.9%), 中证全指 (6.24%), 中证2000 (3.25%), 创业板指 (1.0%)

量化模型与构建方式 Barra风格因子模型 1. **模型名称**：Barra风格因子模型[3][13] 2. **模型构建思路**：该模型通过多个风格维度来刻画股票的风险收益特征，例如市值规模、价值/成长等[3][13] 3. **模型具体构建过程**：报告中未详细描述Barra风格因子的具体构建过程，仅提及了部分因子在特定月份的表现[3][13] 开源交易行为因子 1. **因子名称**：理想反转因子[4][14][41] 2. **因子构建思路**：A股反转之力的微观来源是大单成交，通过每日平均单笔成交金额的大小，可以切割出反转属性最强的交易日[4][14] 3. **因子具体构建过程**： * 对选定股票，回溯取其过去20日的数据[43] * 计算该股票每日的平均单笔成交金额（成交金额/成交笔数）[43] * 单笔成交金额高的10个交易日，涨跌幅加总，记作 M_high[43] * 单笔成交金额低的10个交易日，涨跌幅加总，记作 M_low[43] * 理想反转因子 M = M_high – M_low[43] * 对所有股票，都进行以上操作，计算各自的理想反转因子 M[43] 4. **因子名称**：聪明钱因子[4][14][42] 5. **因子构建思路**：从分钟行情数据的价量信息中，可以识别出机构参与交易的多寡，进而构造出跟踪聪明钱的因子[4][14] 6. **因子具体构建过程**： * 对选定股票，回溯取其过去10日的分钟行情数据[42] * 构造指标 $$S_t = |R_t| / (V_t)^{0.25}$$，其中 $$R_t$$ 为第t分钟涨跌幅，$$V_t$$ 为第t分钟成交量[42] * 将分钟数据按照指标 $$S_t$$ 从大到小进行排序，取成交量累积占比前20%的分钟，视为聪明钱交易[42] * 计算聪明钱交易的成交量加权平均价 VWAPsmart[44] * 计算所有交易的成交量加权平均价 VWAPall[44] * 聪明钱因子 $$Q = VWAP_{smart} / VWAP_{all}$$[42] 7. **因子名称**：APM因子[4][14][43] 8. **因子构建思路**：在日内的不同时段，交易者的行为模式不同，反转强度也相应有所不同[4][14] 9. **因子具体构建过程**： * 对选定股票，回溯取其过去20日数据，记逐日隔夜的股票收益率为 $$r_{night, t}$$，隔夜的指数收益率为 $$R_{night, t}$$；逐日下午的股票收益率为 $$r_{afternoon, t}$$，下午的指数收益率为 $$R_{afternoon, t}$$[43] * 将得到的40组隔夜与下午(r,R)的收益率数据进行回归：$$r = \alpha + \beta R + \epsilon$$，得到残差项 $$\epsilon$$[43] * 以上得到的40个残差中，隔夜残差记为 $$\epsilon_{night, t}$$，下午残差记为 $$\epsilon_{afternoon, t}$$，进一步计算每日隔夜与下午残差的差值 $$\delta_t = \epsilon_{night, t} - \epsilon_{afternoon, t}$$[43] * 构造统计量 stat 来衡量隔夜与下午残差的差异程度，计算公式如下（$$\mu$$ 为均值，$$\sigma$$ 为标准差）：$$\mathrm{stat}={\frac{\mu(\delta_{t})}{\sigma(\delta_{t})/{\sqrt{N}}}}$$[45] * 为了消除动量因子影响，将统计量 stat 对动量因子进行横截面回归：$$stat = \alpha + \beta Ret20 + \epsilon$$，其中 Ret20 为股票过去20日的收益率，代表动量因子[46] * 将回归得到的残差值 $$\epsilon$$ 作为 APM 因子[46] 10. **因子名称**：理想振幅因子[4][14][48] 11. **因子构建思路**：基于股价维度可以对振幅进行切割，不同价态下振幅因子所蕴含的信息存在结构性差异[4][14] 12. **因子具体构建过程**： * 对选定股票，回溯取其最近20个交易日数据，计算股票每日振幅（最高价/最低价-1）[48] * 选择收盘价较高的25%有效交易日，计算振幅均值得到高价振幅因子 V_high[48] * 选择收盘价较低的25%有效交易日，计算振幅均值得到低价振幅因子 V_low[48] * 将高价振幅因子 V_high 与低价振幅因子 V_low 作差，得到理想振幅因子 V = V_high - V_low[48] 13. **因子名称**：交易行为合成因子[5][32] 14. **因子构建思路**：将多个交易行为因子进行加权合成，以综合其信息[32] 15. **因子具体构建过程**： * 因子值方面，将理想反转、聪明钱、APM、理想振幅因子在行业内进行因子去极值与因子标准化[32] * 因子权重方面，滚动选取过去12期因子ICIR值作为权重，加权形成交易行为合成因子[32] 模型的回测效果 1. **Barra风格因子模型**：2025年11月，市值因子收益-0.18%，账面市值比因子收益0.20%，成长因子收益-0.23%，盈利预期因子收益-0.35%[3][13] 因子的回测效果 1. **理想反转因子**： * 全历史区间：IC均值 -0.049，rankIC均值 -0.060，信息比率 2.44，多空对冲月度胜率 77.7%[5][15] * 2025年11月：多空对冲收益 -1.52%[6][15] * 近12个月：多空对冲月度胜率 58.3%[6][15] 2. **聪明钱因子**： * 全历史区间：IC均值 -0.037，rankIC均值 -0.062，信息比率 2.72，多空对冲月度胜率 81.3%[5][19] * 2025年11月：多空对冲收益 0.22%[6][19] * 近12个月：多空对冲月度胜率 83.3%[6][19] 3. **APM因子**： * 全历史区间：IC均值 0.028，rankIC均值 0.033，信息比率 2.23，多空对冲月度胜率 76.0%[5][23] * 2025年11月：多空对冲收益 -0.43%[6][23] * 近12个月：多空对冲月度胜率 41.7%[6][23] 4. **理想振幅因子**： * 全历史区间：IC均值 -0.054，rankIC均值 -0.074，信息比率 3.03，多空对冲月度胜率 83.4%[5][27] * 2025年11月：多空对冲收益 0.49%[6][27] * 近12个月：多空对冲月度胜率 66.7%[6][27] 5. **交易行为合成因子**： * 全历史区间：IC均值 0.066，rankIC均值 0.093，多空对冲信息比率 3.30，多空对冲月度胜率 79.4%[5][32] * 全历史区间（多头对冲组均值）：年化收益率 8.26%，收益波动比 2.64，月度胜率 78.7%[32] * 2025年11月：多空对冲收益 -0.21%[6][32] * 近12个月：多空对冲月度胜率 66.7%[6][32] * 不同股票池信息比率：国证2000为2.86，中证1000为2.66，中证800为1.04[32]

根据研报内容，以下是关于量化模型和因子的详细总结： 量化模型与构建方式 1. **模型名称：黄金定价中枢模型**[7][10][79] * **模型构建思路**：该模型旨在计算黄金价格中由实际利率、央行购金和ETF购金共同决定的理论价值中枢，以判断当前金价相对于其基本面定价的偏离程度[7][10][79]。 * **模型具体构建过程**：模型构建分为两个主要步骤： 1. **基础定价：实际利率非对称性回归**。首先，针对实际利率对金价影响的非对称性（即利率下行时金价上涨弹性高于利率上行时金价下跌弹性），对特定时期（如2023年10月以来的高位震荡下行区间）内的小级别实际利率上行和下行周期分别进行分段回归，计算出一个由实际利率单独决定的黄金价格中枢[79][80]。此步骤通过回归分析量化实际利率变动与金价涨跌幅之间的关系。 2. **需求端修正**。然后，在第一步得到的“实际利率定价中枢”基础上，叠加由央行净购金量和ETF净购金量所代表的需求端影响，进行修正，从而得到最终的、更全面的“利率+央行购金+ETF购金”综合定价中枢[10][79][100]。央行购金行为受国际风险事件和美元信用影响，与金价行情驱动较弱；而ETF购金量与金价高度相关[81][94]。 2. **模型名称：黄金价格预测情景分析模型**[10][103] * **模型构建思路**：基于黄金定价中枢模型，通过设定关键变量（如实际利率、央行购金、ETF购金）的未来情景假设，来预测未来金价中枢的可能区间[10][103]。 * **模型具体构建过程**：该模型是定价中枢模型在预测层面的应用。具体过程是：首先确定未来一段时间（如2026年）关键驱动因素的假设值，例如： * 实际利率：假设未来一年下行100个基点（BP）[103]。 * 央行购金：假设维持约1000吨[103]。 * ETF购金：设定乐观、中性、保守三种情景（如中性假设为与当年相当，乐观与保守假设在此基础上浮动±20%）[103]。 然后将这些假设值代入定价中枢模型，计算出在不同情景下对应的未来金价中枢范围[103][104]。 模型的回测效果 （注：报告中未提供模型回测的具体量化指标，如年化收益率、夏普比率、最大回撤等数值结果。报告主要展示了历史周期中实际利率与金价的关系，以及当前和未来的定价中枢水平，但未以标准化的模型回测绩效指标形式呈现。） 量化因子与构建方式 1. **因子名称：实际利率 (Real Interest Rate)**[7][18][23] * **因子构建思路**：实际利率是黄金定价框架中的基础变量，反映了持有黄金的机会成本。实际利率上升，持有无息黄金的机会成本增加，对金价形成压力；反之，实际利率下降，持有黄金的吸引力增强[7][18]。 * **因子具体构建过程**：实际利率通常由名义利率减去预期通货膨胀率得出。报告中没有明确给出其使用的具体名义利率和通胀指标的计算公式，但指出其反映了资金的时间价值[18]。报告中展示的实际利率数据区间为-1%至3%[23]。 2. **因子名称：央行净购金 (Central Bank Net Gold Purchases)**[10][81][83] * **因子构建思路**：全球央行的净购金行为是黄金需求端的重要支撑，特别是自2022年以来规模显著提升，且受黄金行情驱动较弱，更多受国际风险事件和美元信用体系变化影响[10][81]。 * **因子具体构建过程**：因子直接使用全球央行每个时期（如年度、季度）净购入的黄金吨数来衡量[81][83]。报告中指出，2011-2019年稳定在约500吨/年，2022年后持续稳定在约1000吨/年[81]。 3. **因子名称：ETF净购金 (ETF Net Gold Purchases)**[10][92][94] * **因子构建思路**：黄金ETF的净购金量代表了趋势性投资资金的需求，与金价高度相关，是影响金价短期波动的重要因素之一[10][94]。 * **因子具体构建过程**：因子通过加总主要黄金ETF（如境外的SPDR Gold Shares (GLD)，境内的华安黄金ETF等）在每个时期的净申购/赎回所对应的黄金吨数来构建[88][90][92]。报告中提到，截至2025年第三季度，境外主要ETF净购金约229吨，境内ETF净购金约62吨[92]。 因子的回测效果 （注：报告中未提供因子测试的标准化绩效指标，如IC值、IR、多空收益等。报告主要通过历史图表和周期划分，定性或半定量地分析了这些因子（尤其是实际利率）在不同市场环境下与金价的关系，例如展示了不同实际利率周期中金价的涨跌幅[30][34]，以及实际利率趋势下行周期中的回归系数和R²[65]。）

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：Black-Litterman模型（BL模型）**[12] * **模型构建思路**：BL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对市场的主观观点与量化配置模型相结合，以优化资产配置权重，解决均值-方差模型对预期收益过于敏感的问题[12] * **模型具体构建过程**：该模型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，具体构建过程可参考系列报告之二《手把手教你实现 Black-Litterman 模型》[13] 2. **模型名称：风险平价模型**[17][18] * **模型构建思路**：风险平价模型的核心思想是使投资组合中每类资产对整体风险的贡献相等，从而改进传统的均值-方差模型[17][18] * **模型具体构建过程**：构建过程分为三步：第一步，选择合适的底层资产；第二步，计算各资产对组合的风险贡献；第三步，通过求解优化问题，使各资产的实际风险贡献与预期风险贡献的偏离度最小，从而计算得到最终的持仓权重[19] 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**：该模型构建了一个涵盖增长、通胀、利率、信用、汇率和流动性六大风险的宏观因子体系，旨在建立宏观研究与资产配置研究的桥梁，将宏观主观观点落地到资产配置层面[21] * **模型具体构建过程**：构建过程分为四步：第一步，每月末计算资产池中各类资产对宏观因子的暴露水平；第二步，以资产的风险平价组合作为基准，计算基准因子暴露；第三步，结合投资者对宏观未来一个月的主观判断（给定主观因子偏离值）和基准因子暴露，得到资产组合的因子暴露目标；第四步，通过模型反解得到下个月的各个资产配置权重[22] 模型的回测效果 1. **国内资产BL模型1**，上周收益-0.32%，11月份收益0.05%，2025年收益4.0%，年化波动2.18%，最大回撤1.31%[14] 2. **国内资产BL模型2**，上周收益-0.15%，11月份收益0.08%，2025年收益3.77%，年化波动1.95%，最大回撤1.06%[14] 3. **全球资产BL模型1**，上周收益-0.17%，11月份收益-0.26%，2025年收益0.78%，年化波动2.0%，最大回撤1.64%[14] 4. **全球资产BL模型2**，上周收益0.01%，11月份收益0.08%，2025年收益2.7%，年化波动1.59%，最大回撤1.28%[14] 5. **国内资产风险平价模型**，上周收益-0.27%，11月份收益-0.09%，2025年收益3.6%，年化波动1.32%，最大回撤0.76%[20] 6. **全球资产风险平价模型**，上周收益-0.2%，11月份收益-0.07%，2025年收益3.04%，年化波动1.42%，最大回撤1.2%[20] 7. **基于宏观因子的资产配置模型**，上周收益-0.31%，11月份收益-0.01%，2025年收益4.43%，年化波动1.55%，最大回撤0.64%[27] 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**：构建一个涵盖六大宏观风险的因子体系，用于宏观因子资产配置框架[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] 因子的回测效果 （报告中未提供宏观因子的独立测试结果指标）

经过仔细审阅提供的金融工程日报内容，该报告主要描述了特定日期（2025年11月27日）的市场表现、情绪和资金流向等客观数据统计，并未涉及任何需要构建或回测的量化模型或量化因子。报告内容属于市场数据跟踪和描述性统计范畴[2][3][4][6][7][9][12][15][17][20][21][24][26][28][31][34][35]。 因此，根据任务要求，本总结中关于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、因子的回测效果部分均无相关内容，故予以跳过，不进行输出。

根据提供的金融工程日报内容，该报告主要描述了市场表现、情绪、资金流向等各类指标的当日数据和计算方法，并未涉及具体的量化投资模型（如多因子模型、风险模型等）或用于选股的量化因子（如价值、动量、成长等因子）的构建与测试。报告内容更侧重于市场数据的统计与展示。 因此，报告中涉及的模型或因子相关内容总结如下： 量化因子与构建方式 1. **因子名称：封板率[16]** * **因子构建思路：** 通过计算当日最高价涨停且收盘仍涨停的股票数量占当日最高价涨停股票总数的比例，来衡量涨停股的封板强度，反映市场追涨情绪和短线资金的活跃度[16]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票。 2. 找出当日盘中最高价达到涨停价的股票集合。 3. 在上述股票集合中，找出当日收盘价仍为涨停价的股票。 4. 计算封板率，公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ [16] 2. **因子名称：连板率[16]** * **因子构建思路：** 通过计算连续两个交易日收盘均涨停的股票数量占前一个交易日收盘涨停股票数量的比例，来衡量市场涨停效应的持续性，反映龙头股的出现概率和市场炒作热度[16]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票。 2. 找出前一个交易日（T-1日）收盘涨停的股票集合。 3. 在上述股票集合中，找出当日（T日）收盘也涨停的股票。 4. 计算连板率，公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ [16] 3. **因子名称：大宗交易折价率[25]** * **因子构建思路：** 通过计算大宗交易成交总额与按当日市价计算的成交股份总市值的差异率，来观察大额资金的交易成本或意愿，折价率高低可反映大资金对相关股票的短期看法[25]。 * **因子具体构建过程：** 1. 获取当日所有大宗交易数据，包括每笔交易的成交金额和成交数量。 2. 计算当日大宗交易总成交金额。 3. 计算大宗交易成交股份按当日收盘价（或成交均价）计算的总市值。 4. 计算折价率，公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ [25] 4. **因子名称：股指期货年化贴水率[27]** * **因子构建思路：** 通过计算股指期货价格与现货指数价格的基差，并进行年化处理，来衡量市场对未来走势的预期以及股指期货对冲的成本，贴水率的变化可反映市场情绪的变化[27]。 * **因子具体构建过程：** 1. 选取特定股指期货的主力合约（如上证50、沪深300等）。 2. 计算基差：基差 = 期货价格 - 现货指数价格。 3. 计算年化贴水率，公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ [27] * 公式说明：基差除以指数价格得到简单贴水率，再乘以年化因子（250天/合约剩余交易日数）得到年化贴水率[27]。 模型的回测效果 （报告中未涉及量化模型的回测结果） 因子的回测效果 （报告中未涉及上述因子的历史回测表现指标，如IC、IR、多空收益等，仅提供了特定日期的观测值） 1. **封板率因子**：2025年11月26日取值为67%[16]。 2. **连板率因子**：2025年11月26日取值为27%[16]。 3. **大宗交易折价率因子**：近半年以来平均折价率为6.40%，2025年11月25日当日折价率为10.80%[25]。 4. **股指期货年化贴水率因子**： * 近一年中位数：上证50为0.49%，沪深300为3.45%，中证500为10.90%，中证1000为13.39%[27]。 * 2025年11月26日取值：上证50为3.56%，沪深300为8.02%，中证500为11.75%，中证1000为14.66%[27]。

经过仔细阅读和分析，该份研报主要介绍了基于宏观逻辑和资产配置思路的投资主题，并推荐了相应的ETF产品。研报中并未涉及具体的量化选股模型或可回测的因子构建过程，也未提供任何模型或因子在历史数据上的回测绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）[1][2][3][4][5][6][7][8][9][10]。 研报的核心内容是基于宏观经济判断（如弱复苏、利率下行、内外需共振等）和板块逻辑（如红利策略的防御性、电力电网的稳定价值、顺周期的反转机遇、宽基指数的底仓作用）来论证不同板块的配置价值，并列出跟踪相关指数的ETF产品及其基本信息（如代码、费率、估值情况）[11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60][61][62][63][64][65][66][67][68][69][70][71][72][73][74][75][76][77][78][79][80][81][82][83][84][85][86][87]。 因此，本总结将主要围绕研报中提及的**投资主题/策略**进行梳理，并列出相关**指数/产品的估值数据**。 量化模型与构建方式 本报告中未涉及具体的量化选股模型或可回测的因子构建过程。 模型的回测效果 本报告中未提供任何量化模型的回测绩效指标。 量化因子与构建方式 本报告中未涉及具体的量化因子构建。 因子的回测效果 本报告中未提供任何量化因子的回测绩效指标。 投资主题/策略与相关指数估值 **1 红利高股息策略[21][22][23][24][25][26]** * **构建思路**：基于红利资产高股息、低波动的属性，在利率下行和经济弱复苏的宏观环境下，发挥其防御性和稳定收益的特征[21][22][23] * **具体构建/关注标的**：关注高股息率的相关指数，如国新港股通央企红利指数、智选高股息指数、中证红利指数、中证全指电力指数等[27][30][31][32][33][35][36] * **策略评价**：该策略被视为投资组合的"压舱石"，具备长期战略配置价值，尤其在低利率环境下吸引力提升[21][22][23] **2 顺周期策略[40][41][42][43][47]** * **构建思路**：基于"内需政策发力"与"外需回暖"的共振逻辑，投资于对宏观经济复苏敏感的板块，预期其将迎来业绩和估值的修复[40][41][42][43][47] * **具体构建/关注标的**：关注非银金融、金融地产、消费、材料、基建等顺周期板块对应的指数，如港股通非银指数、金融地产指数、800消费指数、全指材料指数、基建工程指数等[48][51][52][55][56][57][59][60] * **策略评价**：非银金融和消费板块预期弹性最大，金融地产和基建立足内需政策托底确定性较高，材料板块直接受益于外需拉动[47] **3 宽基指数底仓策略[64][65][66][69]** * **构建思路**：在政策驱动和估值处于历史低位的背景下，配置如上证50、沪深300等宽基指数，以降低组合波动，同时捕捉估值修复收益，发挥底仓作用[64][65][66][69] * **具体构建/关注标的**：直接关注上证50指数、沪深300指数等核心宽基指数[64][69][70][71][72][75][76] * **策略评价**：宽基资产兼具政策"稳定器"和估值"安全垫"的双重优势，是组合配置的基础[64][65][69] 相关指数/产品的估值数据（截至2025年10月20日）[30][55][70] **1 红利高股息相关指数估值** | 指数名称 | 市盈率(PE)当前值 | 市净率(PB)当前值 | 市盈率近五年分位数 | 市净率近五年分位数 | | :--- | :--- | :--- | :--- | :--- | | 国新港股通央企红利指数(931722.CSI)[30] | 8.88 | 0.85 | - | - | | 智选高股息指数(932305.CSI)[30] | 8.73 | 1.11 | - | - | | 中证红利指数(000922.CSI)[30] | 8.29 | 0.80 | 98.18% | 81.21% | | 中证全指电力指数(h30199.CSI)[30] | 17.60 | 1.76 | 37.24% | 54.46% | **2 顺周期相关指数估值** | 指数名称 | 市盈率(PE)当前值 | 市净率(PB)当前值 | 市盈率近五年分位数 | 市净率近五年分位数 | | :--- | :--- | :--- | :--- | :--- | | 港股通非银指数(931024.CSI)[55] | 9.44 | 1.13 | 中位水平[51] | - | | 金融地产指数(000992.SH)[55] | 9.10 | 0.86 | - | - | | 800消费指数(000932.SH)[55] | 19.20 | 4.36 | - | 中低位水平[51] | | 全指材料指数(000987.SH)[55] | 26.90 | 2.10 | - | - | | 基建工程指数(399995.SZ)[55] | 8.51 | 0.72 | - | 中低位水平[51] | **3 宽基指数估值** | 指数名称 | 市盈率(PE)当前值 | 市净率(PB)当前值 | 市盈率近五年分位数 | 市净率近五年分位数 | | :--- | :--- | :--- | :--- | :--- | | 上证50指数(000016.SH)[70] | 11.99 | 1.30 | 87.53% | 68.95% | | 沪深300指数(000300.SH)[70] | 14.22 | 1.48 | 84.89% | 68.50% |

根据您提供的金融工程日报内容，报告主要描述了市场表现、情绪、资金流向等日度统计数据，并未包含用于投资策略的量化模型或量化因子。因此，报告中涉及的模型或因子相关内容总结如下： **量化模型与构建方式** （本报告未涉及具体的量化投资模型） **模型的回测效果** （本报告未涉及具体的量化投资模型，因此无相关回测效果） **量化因子与构建方式** （本报告未涉及具体的量化因子构建） **因子的回测效果** （本报告未涉及具体的量化因子，因此无相关测试结果） **报告中的统计指标与计算方法** 报告包含了一些用于描述市场状态的统计指标及其计算方法[16][25][27]： 1. **指标名称：封板率** * **构建思路：** 用于衡量涨停股票的封板强度，反映市场追涨情绪的稳定性[16]。 * **具体构建过程：** 统计上市满3个月以上的股票，计算公式为： $$封板率=最高价涨停且收盘涨停的股票数/最高价涨停的股票数$$ [16] 2. **指标名称：连板率** * **构建思路：** 用于衡量涨停股票的连续性，反映市场投机资金的活跃度[16]。 * **具体构建过程：** 统计上市满3个月以上的股票，计算公式为： $$连板率=连续两日收盘涨停的股票数/昨日收盘涨停的股票数$$ [16] 3. **指标名称：大宗交易折价率** * **构建思路：** 用于衡量大宗交易价格相对于市场价格的折扣程度，反映大资金的交易意愿和情绪[25]。 * **具体构建过程：** 计算公式为： $$折价率=大宗交易总成交金额/当日成交份额的总市值-1$$ [25] 4. **指标名称：股指期货年化贴水率** * **构建思路：** 用于衡量股指期货价格与现货指数价格之间的年化差异，反映市场对未来走势的预期和对冲成本[27]。 * **具体构建过程：** 针对股指期货主力合约进行计算，公式为： $$年化贴水率=基差/指数价格*(250/合约剩余交易日数)$$ [27] 其中，基差 = 期货价格 - 现货价格。当结果为负时，表示贴水[27]。 **统计指标的具体测试结果取值** （本报告仅提供了上述指标在特定日期（2025年11月25日或26日）的取值，并非基于历史数据的回测表现结果） 1. **封板率与连板率**：2025年11月26日，封板率为67%，连板率为27%[16]。 2. **大宗交易折价率**：2025年11月25日，大宗交易折价率为10.80%[25]。 3. **股指期货年化贴水率**：2025年11月26日，上证50主力合约为3.56%，沪深300主力合约为8.02%，中证500主力合约为11.75%，中证1000主力合约为14.66%[27]。

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状态的跟踪和描述性分析，并未明确构建新的量化模型或因子，而是使用了多个经典的市场指标（可视为因子）来评估各宽基指数的状态。 量化因子与构建方式 1. **因子名称**：风险溢价[25] - **因子的构建思路**：以十年期国债即期收益率为无风险利率的参考，计算各宽基指数相对于无风险利率的风险溢价，以衡量其相对投资价值和偏离情况[25]。 - **因子具体构建过程**：风险溢价的计算公式为指数的收益率减去十年期国债即期收益率。报告中具体展示了当前风险溢价、相对于近1年和近5年历史的分位值、均值、波动率以及相对于均值加减标准差区间的偏离值[30]。 2. **因子名称**：PE-TTM（滚动市盈率）[36] - **因子的构建思路**：观察各指数的PE-TTM作为估值参考，衡量各指数在当前时点的投资价值[36]。 - **因子具体构建过程**：PE-TTM为指数总市值除以指数成分股归属于母公司股东的净利润TTM（过去十二个月）。报告中展示了其当前值、近1年及近5年历史分位值、均值、波动率以及相对于均值加减标准差区间的偏离百分比[39]。 3. **因子名称**：股债性价比[41] - **因子的构建思路**：以各指数PE-TTM的倒数和十年期国债即期收益率之差作为股债性价比的衡量指标[41]。 - **因子具体构建过程**：股债性价比的计算公式为 `1 / PE-TTM - 无风险收益率`。报告中通过图表形式展示了该因子的走势，并与基于近5年数据计算的机会值（80%分位）、危险值（20%分位）、均值及标准差区间进行了对比[41][43]。 4. **因子名称**：股息率[44] - **因子的构建思路**：股息率反映现金分红回报率，跟踪各指数的股息率以观察其走势和变化趋势，高股息率在市场利率下行期表现突出[44]。 - **因子具体构建过程**：股息率为指数成分股每股股息之和除以指数价格。报告中展示了其当前值、近1年及近5年历史分位值、均值、波动率以及相对于均值加减标准差区间的偏离百分比[46]。 5. **因子名称**：破净率[47] - **因子的构建思路**：破净率（市净率小于1的个股占比）反映市场的估值态度，破净率和占比越高，低估的情况越普遍[47]。 - **因子具体构建过程**：破净率计算为指数中市净率（股价/每股净资产）小于1的成分股数量占指数总成分股数量的比例。报告中给出了各宽基指数当前的破净率数值[49]。 6. **因子名称**：指数与均线比较[14] - **因子的构建思路**：通过比较指数收盘价与不同周期移动平均线（MA）的位置关系，判断市场短期趋势和相对强弱[14]。 - **因子具体构建过程**：计算指数收盘价相对于5日、10日、20日、60日、120日、250日移动平均线的偏离百分比，公式为 `(收盘价 / 移动平均线值 - 1) * 100%`。报告中也计算了指数收盘价相对于近250日高点和低点的回撤或涨幅百分比[15]。 7. **因子名称**：收益率分布形态（偏度与峰度）[23] - **因子的构建思路**：通过分析指数日收益率的分布形态（偏度和峰度）来观察市场收益特征的变化[23]。 - **因子具体构建过程**：计算指数日收益率序列的近5年峰度/偏度以及当前峰度/偏度，并计算当前值与近5年值的差异。报告中注明了峰度计算中减去了3（正态分布峰度）[23][24]。 因子的回测效果 报告主要提供了上述因子在特定时点（2025年11月26日）的截面数据（针对不同宽基指数）或近期历史分位值，而非传统意义上的时间序列回测结果（如IC、IR、多空收益等）。以下为各因子在该时点的具体取值： 1. **风险溢价因子**[30] - 上证50：当前风险溢价0.11%，近5年分位值56.19% - 沪深300：当前风险溢价0.60%，近5年分位值74.76% - 中证500：当前风险溢价0.14%，近5年分位值55.32% - 中证1000：当前风险溢价-0.03%，近5年分位值45.79% - 中证2000：当前风险溢价-0.34%，近5年分位值35.32% - 中证全指：当前风险溢价0.23%，近5年分位值60.32% - 创业板指：当前风险溢价2.13%，近5年分位值89.84% 2. **PE-TTM因子**[39] - 上证50：当前值11.84，近5年分位值84.13% - 沪深300：当前值13.93，近5年分位值81.32% - 中证500：当前值31.87，近5年分位值94.79% - 中证1000：当前值46.43，近5年分位值95.12% - 中证2000：当前值152.00，近5年分位值79.67% - 中证全指：当前值20.83，近5年分位值91.57% - 创业板指：当前值39.66，近5年分位值54.21% 3. **股息率因子**[46] - 上证50：当前值3.31%，近5年分位值36.20% - 沪深300：当前值2.74%，近5年分位值37.85% - 中证500：当前值1.40%，近5年分位值18.10% - 中证1000：当前值1.14%，近5年分位值50.50% - 中证2000：当前值0.78%，近5年分位值20.83% - 中证全指：当前值2.05%，近5年分位值37.11% - 创业板指：当前值1.04%，近5年分位值71.40% 4. **破净率因子**[49] - 上证50：20.0% - 沪深300：15.67% - 中证500：12.2% - 中证1000：8.0% - 中证2000：3.25% - 中证全指：6.22% - 创业板指：1.0% 5. **指数与均线比较因子**[15] - 各指数相对于5日、10日、20日、60日、120日、250日均线的具体偏离百分比，以及相对于近250日高点和低点的偏离百分比，具体数值见文档[15]中表2。 6. **收益率分布形态因子**[24] - 各指数当前峰度、当前偏度、以及它们相对于近5年均值的变化，具体数值见文档[24]中表3。