根据提供的ESG市场观察周报内容，该报告主要涉及市场动态、指数表现和事件追踪，并未包含具体的量化模型或量化因子的构建、测试与分析。报告内容聚焦于ESG相关政策新闻、市场数据回顾和舆情分析[1][2][3][4][5][6][7][8][9][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]。 因此，本次总结无法提供关于量化模型或量化因子的名称、构建思路、具体过程、评价及测试结果。

根据提供的研报内容，以下是关于量化模型与因子的总结。报告主要涉及对宽基指数的多维度指标跟踪和分析，并未明确构建新的量化交易模型或选股因子，而是对一系列市场观测指标进行了计算和解读。 量化因子与构建方式 1. **因子名称**：风险溢价因子[25] * **因子构建思路**：以十年期国债即期收益率为无风险利率参考，计算各宽基指数相对于无风险利率的风险溢价，用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宽基指数的收益率减去十年期国债即期收益率。报告中展示了当前风险溢价值，并计算了其在近1年和近5年历史数据中的分位值，以判断当前估值水平。此外，还计算了近1年的均值、波动率（标准差），并比较了当前值与均值上下1倍及2倍标准差区间的偏离程度[26][27][28][29] 2. **因子名称**：市盈率（PE-TTM）因子[37] * **因子构建思路**：使用滚动市盈率作为估值参考，衡量各宽基指数在当前时点的投资价值[37] * **因子具体构建过程**：报告直接引用了各宽基指数的PE-TTM当前值。为了进行历史对比，计算了该当前值在近1年、近5年以及全历史数据中的分位值。同时，也计算了近1年的均值、波动率，并分析了当前值相对于均值上下1倍及2倍标准差的位置[38][39][40][41] 3. **因子名称**：股债性价比因子[43] * **因子构建思路**：将股票估值与债券收益率结合，通过比较股票收益率（PE-TTM的倒数）与十年期国债收益率的差值，来判断股票和债券的相对吸引力[43] * **因子具体构建过程**：股债性价比的计算公式为： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 报告通过图表展示了该因子的历史走势，并设定了参考线：近5年数据的80分位值（机会值）、20分位值（危险值）、均值以及均值±1倍标准差，用以判断当前市场位置[43] 4. **因子名称**：股息率因子[45] * **因子构建思路**：跟踪各宽基指数的股息率，反映现金分红回报率，作为红利投资风格的观测指标[45] * **因子具体构建过程**：报告列出了各宽基指数的股息率当前值。与PE-TTM因子类似，计算了该当前值在近1年、近5年及全历史数据中的分位值。也计算了近1年的均值、波动率，并分析了当前值相对于均值上下不同标准差区间的偏离百分比[45][48][50][51] 5. **因子名称**：破净率因子[52] * **因子构建思路**：通过计算宽基指数中市净率（PB）小于1的个股数量占比（破净率），来反映市场的整体估值态度和悲观情绪[52] * **因子具体构建过程**：破净率的计算公式为： $$破净率 = \frac{指数成分股中破净个股数量}{指数成分股总数}$$ 报告给出了各宽基指数在当前时点的具体破净率数值[52] 6. **因子名称**：均线相对位置因子[13][14] * **因子构建思路**：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，判断指数的短期、中期趋势强弱[13][14] * **因子具体构建过程**：计算了指数收盘价相对于5日、10日、20日、60日、120日、250日移动平均线的偏离百分比（(收盘价/MA - 1) * 100%）。例如，vsMA5 = (收盘价 / MA5 - 1) * 100%。报告根据计算结果判断指数是位于均线之上还是之下[14] 7. **因子名称**：价格相对位置因子[13][14] * **因子构建思路**：通过比较指数当前价格与近250个交易日最高价和最低价的相对位置，评估指数处于长期行情中的高位还是低位区间[13][14] * **因子具体构建过程**：计算了指数收盘价相对于近250日高位和低位的偏离百分比。公式为：vs近250日高位 = (收盘价 / 近250日高位 - 1) * 100%；vs近250日低位 = (收盘价 / 近250日低位 - 1) * 100%[14] 8. **因子名称**：收益分布形态因子（偏度与峰度）[23] * **因子构建思路**：通过分析指数日收益率的分布形态（偏度和峰度），了解收益分布的特征，例如是否对称、是否存在肥尾现象等[23] * **因子具体构建过程**：报告计算了各宽基指数近5年的峰度、偏度以及当前时点的峰度、偏度，并通过当前值与近5年值的差值（当前vs.近5年）来观察分布形态的变化。注明了峰度计算中减去了3（正态分布的峰度值）[23] 因子的回测效果 （注：本报告为市场数据跟踪报告，未提供基于历史数据的因子分层回测结果，如IC、IR、多空收益等。报告主要呈现了各因子在特定时点的截面数值或近期统计值，故本部分无相关内容。） 模型的回测效果 （注：本报告未涉及具体的量化交易模型构建与回测，故本部分无相关内容。）

根据研报内容，本报告主要涉及“打新收益测算模型”，不涉及量化因子。以下是总结： 量化模型与构建方式 1. **模型名称**：打新收益测算模型[10] **模型构建思路**：通过理论测算来评估不同类别（A类、B类）、不同规模账户参与网下打新的预期收益率[10][39][46] **模型具体构建过程**： * **基本假设**：假设账户参与所有新股（科创板、创业板、主板）打新，且报价全部入围；上市首日以市场均价（首次开板日均价）卖出，忽略锁定期限制；资金使用效率为90%[10][39][46] * **单只股票满中收益计算**： 1. 计算单只股票的满中数量：`满中数量 = 可申购上限额度 × 网下A类（或B类）平均中签率`[37] 2. 计算单只股票的满中收益：`满中收益 = (首次开板价 - 首发价格) × 满中数量`[37] * **账户总收益计算**：将测算时间段内（如逐月）所有新股的打新收益相加，得到账户在该时间段的总打新收益（单位：万元）[42][47] * **账户打新收益率计算**：`打新收益率 = 账户总打新收益 / 账户规模`[10][42][47] * **不同规模账户处理**：对于规模小于满中所需资金的账户，其单只股票收益按账户规模与申购上限额度的比例进行限制[41] 模型的回测效果 1. **打新收益测算模型（A类账户，2025年初至2025/11/14）**[10][42] * 2亿规模账户打新收益率：2.70% * 10亿规模账户打新收益率：0.98% 2. **打新收益测算模型（B类账户，2025年初至2025/11/14）**[10][47] * 2亿规模账户打新收益率：2.28% * 10亿规模账户打新收益率：0.75%

根据提供的研报内容，以下是关于量化模型和因子的总结。报告主要涉及两类模型：主动偏股基金仓位高频监控模型和REITs指数系列模型。 量化模型与构建方式 1. **模型名称：主动偏股基金仓位高频监控模型**[64] * **模型构建思路**：由于公募基金股票仓位披露频率低，该模型旨在通过定量方法对主动偏股基金的仓位进行相对高频的估算，并跟踪其行业配置动向[64]。 * **模型具体构建过程**：模型以基金每日披露的净值序列为因变量，利用带约束条件的多元回归模型进行估算。具体步骤包括： * 选择或构建一组资产序列作为自变量，这些自变量通常包括市场基准指数或代表不同行业/风格的指数序列。 * 采用带约束条件的多元回归模型，以基金净值序列为因变量，在选定的自变量组合中寻找基金仓位的最优估计结果。 * 通过构建各只基金的模拟组合来提升仓位估算的准确程度。 * 在估算整体仓位的基础上，进一步测算基金在各行业的配置偏好[64]。 2. **模型名称：REITs指数系列模型**[48] * **模型构建思路**：为投资者提供基于指数化投资思想的REITs资产配置工具，构建完整的REITs系列指数以综合反映REITs市场表现，并提供不同底层资产和项目类型的细分指数[48]。 * **模型具体构建过程**：报告构建了完整的REITs系列指数，包括综合指数、底层资产指数和细分项目指数。具体构建方法包括： * 考虑到REITs的高分红特性，均提供价格指数和全收益指数。 * 计算中采用分级靠档的方法以确保计算指数的份额保持相对稳定。 * 当样本成分名单或样本成分的调整市值出现非交易因素的变动时（如新发、扩募等），采用除数修正法保证指数的连续性[48]。 模型的回测效果 1. **REITs指数系列模型**，截至2025年11月14日，主要指数业绩指标如下[50]： * REITs综合指数：本周收益0.87%，累计收益-1.72%，年化收益-0.39%，最大回撤-42.67%，夏普比率-0.18，年化波动10.53% * 产权类REITs指数：本周收益0.81%，累计收益15.02%，年化收益3.23%，最大回撤-45.00%，夏普比率0.13，年化波动12.85% * 特许经营权类REITs指数：本周收益1.00%，累计收益-19.64%，年化收益-4.84%，最大回撤-41.17%，夏普比率-0.69，年化波动9.14% * 保障性租赁住房REITs指数：本周收益1.51%，累计收益10.97%，年化收益2.39%，最大回撤-33.34%，夏普比率0.07，年化波动12.50% * 消费基础设施REITs指数：本周收益1.24%，累计收益51.27%，年化收益9.86%，最大回撤-9.89%，夏普比率0.78，年化波动10.75% 量化因子与构建方式 （报告未涉及具体的量化因子构建） 因子的回测效果 （报告未涉及具体的量化因子测试结果）

根据提供的ETF业绩跟踪及资金流动周报内容，报告主要涉及对各类ETF基金的资金流动和业绩表现进行统计与描述，并未涉及具体的量化模型或量化因子的构建、测试及评价。报告内容集中于市场数据的汇总展示，例如不同类别ETF的资金流入流出规模、周度涨跌幅、成交额等[2][4][6][10][12][13][14][16][17][22][23]。 因此，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可提供。

根据提供的研报内容，该报告主要是一份可转债市场的定期跟踪报告，侧重于市场行情、个券表现和条款跟踪的数据统计与展示，并未涉及具体的量化模型或量化因子的构建、测试与分析过程[1][2][4][7][19][42][43]。报告内容多为市场指数的涨跌幅、成交量、转股溢价率等描述性统计，以及基于Wind等第三方数据源提供的现成指数（如不同信用评级、价格、规模、策略的转债指数）的走势对比[22][23][25][27][29]。 因此，本总结将主要列出报告中提及的、可作为量化分析基础的市场指标和分类方法。 量化因子与构建方式 1. **因子名称**：转股溢价率[10][18][35] * **因子的构建思路**：衡量可转债价格相对于其转换价值的溢价程度，是评估可转债估值高低和股性强弱的核心指标[18]。 * **因子具体构建过程**：对于单只可转债，其转股溢价率的计算公式如下： $$转股溢价率 = \frac{可转债收盘价 - 转股价值}{转股价值}$$ 其中，转股价值的计算公式为： $$转股价值 = \frac{100}{转股价格} \times 正股收盘价$$ 报告中展示了全市场转股溢价率的中位数、算术平均数以及不同价格区间内个券转股溢价率的中位数[10][18][35]。 2. **因子名称**：可转债价格区间[35] * **因子的构建思路**：根据可转债的市场价格将其划分到不同的区间，用以观察不同价位转债的数量分布和估值特征[35]。 * **因子具体构建过程**：报告中将可转债按价格划分为六个区间：小于100元、100-110元、110-120元、120-130元、130-140元、大于140元，并统计了每个区间内的个券数量及占比[35]。 3. **因子名称**：可转债分类（信用评级/价格/规模/策略）[22][23][25][27][29] * **因子的构建思路**：基于第三方数据（Wind）提供的分类指数，从信用评级、价格水平、发行规模、投资策略等不同维度对可转债市场进行划分，以观察各类别转债的收益表现[22][23][25][27][29]。 * **因子具体构建过程**：报告引用了Wind编制的系列指数，包括： * 信用评级指数：万得可转债AAA指数、AA+指数、AA指数、AA-及以下指数[22][23]。 * 价格指数：万得可转债高价指数、中价指数、低价指数[25]。 * 规模指数：万得可转债大盘指数、中盘指数、小盘指数[27]。 * 策略指数：万得可转债双低指数（低价格+低溢价率）、高价低溢价率指数[29]。 市场指标与指数表现 1. **中证转债指数**，周涨跌幅0.525%，相较于中证全指的绝对收益为1.057%[7] 2. **上证转债指数**，周涨跌幅0.290%[7] 3. **深证转债指数**，周涨跌幅0.780%[7] 4. **可转债市场转股溢价率中位数**，当前值26.24%，周环比变化-0.66%[10] 5. **可转债市场转股溢价率算术平均数**，当前值40.91%，周环比变化-0.80%[10] 6. **价格区间 <100元**的个券转股溢价率中位数0.00%，周环比变动0.00%[35] 7. **价格区间 100-110元**的个券转股溢价率中位数80.98%，周环比变动-20.04%[35] 8. **价格区间 110-120元**的个券转股溢价率中位数64.74%，周环比变动-6.49%[35] 9. **价格区间 120-130元**的个券转股溢价率中位数56.00%，周环比变动14.47%[35] 10. **价格区间 130-140元**的个券转股溢价率中位数24.90%，周环比变动9.09%[35] 11. **价格区间 >140元**的个券转股溢价率中位数12.84%，周环比变动9.47%[35]

量化模型与构建方式 1. **模型名称：CCBA定价模型[6]** * **模型构建思路：** 该模型是一个可转债的赎回概率调整定价模型，用于计算可转债的理论价值，并以此衡量市场估值水平[6] * **模型具体构建过程：** 模型的具体构建过程在引用的专题报告中，本篇报告未详细描述。其核心输出是计算定价偏离度，公式为：$$定价偏离度 = \frac{转债价格}{CCBA模型定价} - 1$$ 该指标用于衡量转债当前价格相对于其模型理论价值的溢价或折价程度[6] 2. **模型名称：CCB定价模型与CCB_out模型[21]** * **模型构建思路：** CCB模型用于可转债定价，CCB_out模型是在CCB模型的基础上进一步考虑了退市风险，从而构建更稳健的定价偏离度指标[21] * **模型具体构建过程：** 报告未详细描述CCB和CCB_out模型的具体定价过程。其应用是计算定价偏离度因子，公式为：$$定价偏离度 = \frac{转债价格}{CCB\_out模型定价} - 1$$ 该因子值越低，表明转债相对于其理论价值越低估[21] 3. **模型名称：收益分解模型[16]** * **模型构建思路：** 该模型用于将可转债的收益分解为几个不同来源的贡献，以便于分析收益的驱动因素[16] * **模型具体构建过程：** 模型将转债收益拆解为三部分：债底收益、股票拉动收益、转债估值收益。具体分解方法基于引用的专题报告中的CCB模型[16] 4. **模型名称：转债&股债组合轮动策略[11]** * **模型构建思路：** 基于转债市场的估值水平（定价偏离度），在转债和股债组合（50% 7-10Y国债 + 50% 中证1000全收益指数）之间进行择时配置，估值低时超配转债，估值高时超配股债组合[9][11] * **模型具体构建过程：** 1. 计算定价偏离度的Z值：$$Z值 = \frac{定价偏离度}{过去3年定价偏离度的标准差}$$ [11] 2. 对Z值进行截尾处理：按照±1.5倍标准差进行截尾[11] 3. 计算估值分数：$$分数 = \frac{截尾后的Z值}{-1.5}$$ [11] 4. 确定转债权重：$$转债权重 = 50\% + 50\% \times 分数$$，剩余仓位配置股债组合[11] 模型的回测效果 * **转债&股债组合轮动策略**：报告指出该策略能够实现稳定的超额收益[11]，但未提供具体的量化指标。 量化因子与构建方式 1. **因子名称：定价偏离度因子（CCB_out）[21][26][30]** * **因子构建思路：** 基于CCB_out模型计算的理论价值，衡量转债市场价格相对于其理论价值的低估或高估程度，因子值越低代表越低估[21] * **因子具体构建过程：** 因子计算公式为：$$定价偏离度 = \frac{转债价格}{CCB\_out模型定价} - 1$$ [21] 2. **因子名称：正股动量因子[26]** * **因子构建思路：** 使用转债对应正股的历史价格动量来预测其未来表现[26] * **因子具体构建过程：** 使用正股过去1个月、3个月、6个月的动量进行等权打分构建综合动量因子[26] 3. **因子名称：转债换手率因子[30]** * **因子构建思路：** 通过转债的成交活跃度（换手率）来捕捉市场的关注度和短期热点[30] * **因子具体构建过程：** 因子构建涉及两个指标：转债换手率（5日、21日）以及转债与股票换手率的比率（5日、21日）[30] 因子的回测效果 * 本报告未单独列出因子的测试结果，而是将因子作为组成部分融入了策略的回测中。 量化策略与构建方式 1. **策略名称：低估值策略[21]** * **策略构建思路：** 在满足余额3亿以上且评级AA-及以上的转债中，使用CCB_out定价偏离度因子，在偏债、平衡、偏股三个分域中分别选取偏离度最低的15只转债（共45只）构建组合，并结合分域市场的相对估值进行分域择时配置[21] * **策略具体构建过程：** 1. 筛选转债池：余额≥3亿，评级≥AA-[21] 2. 计算因子：计算池内所有转债的CCB_out定价偏离度[21] 3. 分域选券：在偏债、平衡、偏股三个分域中，分别选取定价偏离度因子值最小的15只转债[21] 4. 分域择时：根据三个分域市场的相对估值水平，超配估值过低的分域，低配估值过高的分域[21] 2. **策略名称：低估值+强动量策略[26]** * **策略构建思路：** 在低估值策略与分域择时的基础上，引入正股动量因子，将定价偏离度因子与正股动量因子相结合，旨在选取既低估又有正股动量支撑的转债，形成弹性更强的组合[26] * **策略具体构建过程：** 结合了低估值策略的选券和择时框架，并将定价偏离度因子与正股动量（过去1/3/6个月动量等权打分）因子结合进行综合筛选[26] 3. **策略名称：低估值+高换手策略[30]** * **策略构建思路：** 首先使用CCB_out定价偏离度因子筛选出市场上较低估的50%转债，然后在该低估转债池中，使用转债高换手因子选择成交活跃的转债进行配置[30] * **策略具体构建过程：** 1. 初筛：使用CCB_out定价偏离度因子，选择全市场该因子值最低的50%的转债构成低估池[30] 2. 精选：在低估池中，使用转债高换手因子（涉及转债换手率及转债与股票换手率比率）进一步筛选出热度高的转债[30] 4. **策略名称：平衡偏债增强策略[31]** * **策略构建思路：** 首先选择市场上较低估的50%转债并剔除偏股转债，形成偏债和平衡转债的池子，然后在偏债池中使用转债换手率因子+正股动量因子，在平衡转债池中使用转债换手率因子进行增强配置[31] * **策略具体构建过程：** 1. 构建低估池：使用CCB_out定价偏离度因子选择全市场较低估的50%转债，并从中去掉偏股转债[31] 2. 偏债增强：在偏债转债中，结合使用转债换手率因子和正股动量因子选券[31] 3. 平衡增强：在平衡转债中，使用转债换手率因子选券[31] 5. **策略名称：信用债替代策略[34]** * **策略构建思路：** 筛选出债性较强（YTM+1% > 3年期AA级信用债YTM）的转债，并从中选取正股动量强的个券，结合波动率控制方法管理回撤，剩余仓位配置信用债，旨在获取绝对收益[34] * **策略具体构建过程：** 1. 筛选转债池：余额≥3亿，评级≥AA-，且满足 转债YTM + 1% > 3年期AA级信用债YTM[34] 2. 动量选券：在转债池中选出正股1个月动量最强的20只转债，个券最大权重不超过2%[34] 3. 波动率控制：应用波动率控制方法以降低短期回撤[34] 4. 资产配置：剩余仓位配置于信用债[34] 6. **策略名称：波动率控制策略[36]** * **策略构建思路：** 基于低估值+强动量因子在偏债、平衡、偏股三个分域中分别构建增强策略，并加入信用债资产，通过波动率控制方法将整个组合的波动率控制在目标水平（如4%），实现稳健的绝对收益[36] * **策略具体构建过程：** 1. 构建子策略：在偏债、平衡、偏股分域中，分别选取低估值+强动量打分最高的15只转债，形成偏债增强、平衡增强、偏股增强三个子策略[36] 2. 资产组合：将上述三个增强子策略与信用债资产共同作为配置标的[36] 3. 波动率控制：通过动态调整各类资产权重，将整个组合的波动率控制在4%左右[36] 策略的回测效果 1. **低估值策略**[24] * 全样本年化收益：21.3% * 全样本年化波动：13.2% * 全样本最大回撤：18.0% * 全样本区间超额收益（相对于等权指数）：10.1% * 全样本信息比率（IR）：1.71 2. **低估值+强动量策略**[28] * 全样本年化收益：25.0% * 全样本年化波动：13.8% * 全样本最大回撤：13.2% * 全样本区间超额收益（相对于等权指数）：13.5% * 全样本信息比率（IR）：2.31 3. **低估值+高换手策略**[31] * 全样本年化收益：23.6% * 全样本年化波动：15.1% * 全样本最大回撤：15.9% * 全样本区间超额收益（相对于等权指数）：12.2% * 全样本信息比率（IR）：1.96 4. **平衡偏债增强策略**[34] * 全样本年化收益：22.4% * 全样本年化波动：12.2% * 全样本最大回撤：13.9% 5. **信用债替代策略**[36] * 全样本年化收益：7.2% * 全样本年化波动：2.1% * 全样本最大回撤：2.8% 6. **波动率控制策略**[39] * 全样本年化收益：9.7% * 全样本年化波动：4.4% * 全样本最大回撤：4.4% 对模型或因子的评价 * **低估值策略**：策略稳定性强，在2022年仍能实现正收益[21] * **低估值+强动量策略**：策略弹性强[26] * **低估值+高换手策略**：2023年超额收益稳定[30] * **平衡偏债增强策略**：波动与回撤控制较好，例如2023年波动率与最大回撤仅为7.6%与4.5%[31] * **转债&股债组合轮动策略**：能够实现稳定的超额收益[11]

根据研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 Barra风格因子 1. **因子名称**：Beta因子[15] * **因子构建思路**：衡量股票相对于市场的系统性风险[15] * **因子具体构建过程**：使用历史数据计算股票的历史beta值[15] 2. **因子名称**：市值因子[15] * **因子构建思路**：衡量公司规模大小[15] * **因子具体构建过程**：取公司的总市值的自然对数[15] * **公式**：$$ \text{市值因子} = \ln(\text{总市值}) $$[15] 3. **因子名称**：动量因子[15] * **因子构建思路**：衡量股票价格的趋势强度[15] * **因子具体构建过程**：计算历史超额收益率序列的均值[15] 4. **因子名称**：波动因子[15] * **因子构建思路**：衡量股票价格的波动性[15] * **因子具体构建过程**：通过加权组合多个波动指标来构建[15] * **公式**：$$ \text{波动因子} = 0.74 \times \text{历史超额收益率序列波动率} + 0.16 \times \text{累积超额收益率离差} + 0.1 \times \text{历史残差收益率序列波动率} $$[15] 5. **因子名称**：非线性市值因子[15] * **因子构建思路**：捕捉市值因子的非线性效应[15] * **因子具体构建过程**：对市值风格因子取三次方[15] * **公式**：$$ \text{非线性市值因子} = (\text{市值风格})^3 $$[15] 6. **因子名称**：估值因子[15] * **因子构建思路**：衡量股票的估值水平[15] * **因子具体构建过程**：使用市净率的倒数[15] * **公式**：$$ \text{估值因子} = \frac{1}{\text{市净率}} $$[15] 7. **因子名称**：流动性因子[15] * **因子构建思路**：衡量股票的换手和交易活跃度[15] * **因子具体构建过程**：通过加权不同时间窗口的换手率来构建[15] * **公式**：$$ \text{流动性因子} = 0.35 \times \text{月换手率} + 0.35 \times \text{季换手率} + 0.3 \times \text{年换手率} $$[15] 8. **因子名称**：盈利因子[15] * **因子构建思路**：衡量公司的盈利能力[15] * **因子具体构建过程**：通过加权多个盈利相关指标来构建[15] * **公式**：$$ \text{盈利因子} = 0.68 \times \text{分析师预测盈利价格比} + 0.21 \times \text{市现率倒数} + 0.11 \times \text{市盈率 ttm 倒数} $$[15] 9. **因子名称**：成长因子[15] * **因子构建思路**：衡量公司的成长性[15] * **因子具体构建过程**：通过加权多个增长类指标来构建[15] * **公式**：$$ \text{成长因子} = 0.18 \times \text{分析师预测长期盈利增长率} + 0.11 \times \text{分析师预测短期利率增长率} + 0.24 \times \text{盈利增长率} + 0.47 \times \text{营业收入增长率} $$[15] 10. **因子名称**：杠杆因子[15] * **因子构建思路**：衡量公司的财务杠杆水平[15] * **因子具体构建过程**：通过加权多个杠杆率指标来构建[15] * **公式**：$$ \text{杠杆因子} = 0.38 \times \text{市场杠杆率} + 0.35 \times \text{账面杠杆} + 0.27 \times \text{资产负债率} $$[15] 技术类因子 1. **因子名称**：中位数离差因子[21] * **因子构建思路**：衡量股价相对于其中位数位置的偏离程度[21] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[21] 2. **因子名称**：20日/60日/120日波动因子[21][24][26][31] * **因子构建思路**：衡量不同时间窗口下股票价格的波动率[21][24][26][31] * **因子具体构建过程**：未详细说明计算过程，因子方向均为反向[21][24][26][31] 3. **因子名称**：20日/60日/120日动量因子[21][24][26][31] * **因子构建思路**：衡量不同时间窗口下股票价格的动量效应[21][24][26][31] * **因子具体构建过程**：未详细说明计算过程，因子方向在不同股池中有所不同（反向或正向）[21][24][26][31] 基本面因子 1. **因子名称**：净利润超预期增长因子[23][28] * **因子构建思路**：衡量公司净利润增长超出市场预期的程度[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 2. **因子名称**：营业利润率超预期增长因子[23][28] * **因子构建思路**：衡量公司营业利润率增长超出市场预期的程度[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 3. **因子名称**：ROC超预期增长因子[23][28] * **因子构建思路**：衡量公司投入资本回报率（ROC）增长超出市场预期的程度[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 4. **因子名称**：ROA超预期增长因子[23][28] * **因子构建思路**：衡量公司总资产回报率（ROA）增长超出市场预期的程度[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 5. **因子名称**：营业利润率因子[23][28] * **因子构建思路**：衡量公司的营业利润水平[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 6. **因子名称**：市盈率因子[23][28] * **因子构建思路**：衡量股票的估值水平[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 7. **因子名称**：营业利润增长因子[23][28] * **因子构建思路**：衡量公司营业利润的增长情况[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 8. **因子名称**：ROA增长因子[23][28] * **因子构建思路**：衡量公司总资产回报率（ROA）的增长情况[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 9. **因子名称**：ROA因子[23][28] * **因子构建思路**：衡量公司的总资产回报率[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 10. **因子名称**：营业周转率因子[23][28] * **因子构建思路**：衡量公司的营运效率[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 11. **因子名称**：ROE因子[23][28] * **因子构建思路**：衡量公司的净资产收益率[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 12. **因子名称**：ROE增长因子[23][28] * **因子构建思路**：衡量公司净资产收益率（ROE）的增长情况[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向在不同股池中有所不同（反向或正向）[23][28] 13. **因子名称**：市销率因子[23][28] * **因子构建思路**：衡量股票的估值水平[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 14. **因子名称**：ROC因子[28] * **因子构建思路**：衡量公司的投入资本回报率[28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[28] GRU模型/因子 1. **模型/因子名称**：barra1d模型/因子[3][7][20][22][25][27][33][34] * **模型/因子构建思路**：基于GRU神经网络构建的选股模型/因子，推测使用Barra因子体系和1天频率数据[3][7][20][22][25][27][33][34] 2. **模型/因子名称**：barra5d模型/因子[3][7][20][22][25][27][33][34] * **模型/因子构建思路**：基于GRU神经网络构建的选股模型/因子，推测使用Barra因子体系和5天频率数据[3][7][20][22][25][27][33][34] 3. **模型/因子名称**：open1d模型/因子[3][7][20][22][25][27][33][34] * **模型/因子构建思路**：基于GRU神经网络构建的选股模型/因子，推测使用开盘价等数据和1天频率[3][7][20][22][25][27][33][34] 4. **模型/因子名称**：close1d模型/因子[3][7][20][22][25][27][33][34] * **模型/因子构建思路**：基于GRU神经网络构建的选股模型/因子，推测使用收盘价等数据和1天频率[3][7][20][22][25][27][33][34] 5. **模型/因子名称**：多因子模型/组合[7][33][34] * **模型/因子构建思路**：综合多个因子的选股模型/组合[7][33][34] 因子与模型的回测效果 风格因子多空收益表现（全市场股池）[17] | 因子名称 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | Beta | -5.67% | -10.16% | 0.23% | 21.16% | 8.24% | 8.91% | | 动量 | 4.04% | -9.28% | -24.23% | 18.32% | 18.79% | 17.46% | | 流动性 | -2.91% | 6.35% | 10.32% | 11.43% | 20.28% | 25.19% | | 市值 | 2.67% | 18.45% | 12.73% | 41.09% | -41.83% | 35.00% | | 非线性市值 | 1.80% | -7.67% | 12.29% | 35.55% | -39.36% | -30.88% | | 成长 | 1.59% | -2.69% | 0.12% | 2.47% | 9.39% | 4.68% | | 盈利 | 1.13% | 0.03% | 9.73% | 15.36% | 4.15% | 1.33% | | 波动 | 1.35% | -1.31% | 11.73% | 4.82% | 7.11% | 10.88% | | 杠杆 | 1.36% | 3.48% | -4.29% | 15.46% | 7.39% | 1.78% | | 估值 | 1.45% | 4.88% | 0.12% | 2.98% | 15.31% | 16.54% | 技术类因子多空收益表现（全市场股池）[21] | 因子名称 | 因子方向 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 中位数离差 | 反向 | -1.30% | -3.34% | -8.94% | -7.74% | -13.43% | -14.47% | | 60日波动 | 反向 | -0.67% | -3.35% | -6.01% | 7.37% | -8.50% | -11.67% | | 60日动量 | 反向 | -10.66% | -0.05% | -5.41% | -5.73% | -10.97% | -15.73% | | 120日波动 | 反向 | 0.50% | -4.08% | -7.42% | 11.22% | -5.62% | -19.07% | | 120日动量 | 反向 | 0.13% | 0.13% | -9.58% | -3.53% | -13.38% | -14.03% | | 20日波动 | 反向 | 0.08% | -0.79% | -0.12% | 11.01% | -6.06% | -11.20% | | 20日动量 | 反向 | 1.88% | 5.00% | 8.13% | -5.82% | -8.58% | -11.48% | GRU因子多空收益表现（全市场股池）[3][5][20] （报告中提及表现分化，barra1d和open1d略有回撤，barra5d和close1d表现强势，但未提供具体数值表格） 基本面因子多空收益表现（沪深300股池）[23] | 因子名称 | 因子方向 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 净利润超预期增长 | 正向 | 3.62% | -2.63% | 23.49% | 37.43% | 5.68% | 6.03% | | 营业利润率超预期增长 | 正向 | 1.77% | 1.65% | 10.14% | 2.46% | -2.55% | 3.53% | | 营业利润率 | 反向 | -1.53% | 4.26% | 5.55% | 8.91% | -6.55% | 7.13% | | ROC超预期增长 | 正向 | -1.42% | 0.20% | 20.40% | 33.42% | 9.24% | 4.87% | | 市盈率 | 反向 | 1.00% | -0.03% | 1.31% | -0.59% | -8.84% | -10.37% | | 营业利润增长 | 正向 | 0.94% | 0.68% | 15.55% | 20.17% | 3.39% | 2.60% | | ROA超预期增长 | 正向 | 0.73% | 0.19% | 3.16% | 11.22% | 6.62% | 9.17% | | ROA增长 | 正向 | -0.70% | 0.10% | 17.22% | 25.43% | 3.84% | 8.17% | | ROA | 反向 | 0.63% | -4.31% | 5.02% | 4.56% | -10.69% | -13.61% | | 营业周转率 | 反向 | -0.54% | -5.65% | 5.46% | 10.28% | -6.19% | -11.13% | | ROE | 反向 | 0.18% | 2.01% | 1.79% | 0.46% | -10.94% | -8.18% | | ROE增长 | 反向 | 0.29% | -2.33% | 8.81% | 12.64% | 1.47% | 0.27% | | 市销率 | 反向 | 0.62% | 1.40% | 6.79% | -8.62% | -11.73% | -9.67% | 技术类因子多空收益表现（沪深300股池）[24] | 因子名称 | 因子方向 | 最近一周 | 最近一月 | 最近半年 |

根据提供的研报内容，报告主要跟踪了长江金工团队已发布的几款主动量化策略产品的近期表现，并未详细阐述这些策略背后具体的量化模型或量化因子的构建思路、过程和公式。报告内容侧重于策略的业绩回顾和市场表现跟踪。 量化模型与构建方式 1. **模型名称**： 央国企高分红30组合[15] * **模型构建思路**： 该组合是红利系列产品之一，属于主动量化策略，遵循“自上而下”的选股逻辑，旨在透过洞察和提炼行业、主题核心要点和逻辑，为量化模型输入清晰的选股思路[14] * **模型具体构建过程**： 报告未提供此模型的具体构建细节、选股标准或公式 2. **模型名称**： 攻守兼备红利50组合[15] * **模型构建思路**： 该组合是红利系列产品之一，属于主动量化策略，遵循“自上而下”的选股逻辑[14] * **模型具体构建过程**： 报告未提供此模型的具体构建细节、选股标准或公式 3. **模型名称**： 电子均衡配置增强组合[15] * **模型构建思路**： 该组合是行业增强系列产品，聚焦电子板块，属于主动量化策略，遵循“自上而下”的选股逻辑[14][15] * **模型具体构建过程**： 报告未提供此模型的具体构建细节、选股标准或公式 4. **模型名称**： 电子板块优选增强组合[15] * **模型构建思路**： 该组合是行业增强系列产品，聚焦电子板块，属于主动量化策略，遵循“自上而下”的选股逻辑，并特别聚焦迈入成熟期的细分赛道龙头企业[14][15] * **模型具体构建过程**： 报告未提供此模型的具体构建细节、选股标准或公式 模型的回测效果 1. **央国企高分红30组合**： 本周未能跑赢中证红利全收益[7][16][22] 2. **攻守兼备红利50组合**： 本周未能跑赢中证红利全收益[7][16][22]；2025年年初以来相对中证红利全收益超额约7.17%，在全部红利类基金产品中绝对收益分位约34%[22] 3. **电子均衡配置增强组合**： 本周实现正超额，周度超额约1.86%，周度收益跑至主动科技型基金产品约26%分位[7][32] 4. **电子板块优选增强组合**： 本周实现正超额，周度超额约1.62%，周度收益跑至主动科技型基金产品约28%分位[7][32] 量化因子与构建方式 （报告未涉及具体的独立量化因子构建内容） 因子的回测效果 （报告未涉及具体的独立量化因子测试结果）

根据提供的量化周报内容，以下是关于报告中涉及的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：A股景气指数模型**[29] * **模型构建思路**：该模型旨在对A股市场的景气度进行高频Nowcasting（即时预测），其核心目标是Nowcasting上证指数的归母净利润同比增速[29] * **模型具体构建过程**：报告指出，该指数的构建详情可参考其前期研究报告《视角透析：A股景气度高频指数构建与观察》，但本次周报未提供具体的构建公式和详细步骤[29] 2. **模型名称：A股情绪指数模型**[34] * **模型构建思路**：该模型通过分析市场的波动率和成交额这两个最直接的情绪刻画指标，将市场状态划分为四个象限，并据此构建包含见底预警和见顶预警的综合情绪指数[34] * **模型具体构建过程**：模型首先根据波动率和成交额的变化方向将市场划分为四个象限。历史回测表明，只有“波动率上行-成交额下行”的区间表现为显著负收益，其余三个区间均为显著正收益。基于这一规律，模型构建了A股情绪指数系统，相关细节可参考报告《视角透析：A股情绪指数构建与观察》。报告未提供具体的数学公式[34] 3. **模型名称：指数增强组合模型**[46][55] * **模型构建思路**：分别为中证500和沪深300指数构建增强投资组合，旨在通过量化策略获取超越基准指数的超额收益[46][55] * **模型具体构建过程**：报告展示了两个增强组合的当前持仓明细，但未详细说明其背后的具体选股模型、因子权重配置或组合优化过程。持仓列表可视为模型输出的结果[48][56] 4. **模型名称：主题挖掘算法**[46] * **模型构建思路**：该算法用于从新闻和研报文本中自动挖掘主题投资机会[46] * **模型具体构建过程**：算法流程包括文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建以及主题影响力因子构建等多个维度。基于此算法，报告在当期推荐了“半导体概念”主题[46] 模型的回测效果 1. **中证500增强模型**，本周收益-0.61%，本周超额收益0.66%，2020年至今累计超额收益53.24%，最大回撤-5.73%[46] 2. **沪深300增强模型**，本周收益-1.67%，本周超额收益-0.58%（跑输基准），2020年至今累计超额收益38.04%，最大回撤-5.86%[55] 量化因子与构建方式 1. **因子体系名称：BARRA风格因子体系**[60] * **因子构建思路**：参照国际通用的BARRA风险模型，针对A股市场构建一套包含十大类风格因子的分析体系，用于解释股票收益的来源和进行组合归因[60] * **因子具体构建过程**：报告列出了十大类风格因子的名称，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）。但报告未提供每个因子的具体计算公式和构建细节[60] 因子的回测效果 *报告在本周（近一周）的因子分析中，未提供各个因子具体的IC值、IR值等定量指标，仅给出了定性的表现描述[61]：* * **风格因子表现**：残差波动率因子超额收益较高；市值因子呈现较为显著的负向超额收益；高杠杆股表现优异；市值、成长等因子表现不佳[61] * **行业因子表现**：保险、医药、有色金属等行业因子跑出较高超额收益；计算机、汽车等行业因子回撤较多[61]