量化模型与构建方式 1. **模型名称**：250日新高距离模型 - **模型构建思路**：通过计算当前收盘价与过去250日最高价的相对距离，衡量股票或指数的趋势强度[10] - **模型具体构建过程**： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，\(Closet\)为最新收盘价，\(ts\_max(Close, 250)\)为过去250日收盘价最大值。若收盘价创250日新高，则值为0；否则为正值，表示回落幅度[10] - **模型评价**：直观反映价格趋势强度，适用于动量策略筛选 2. **模型名称**：平稳创新高股票筛选模型 - **模型构建思路**：结合分析师关注度、股价路径平稳性、趋势延续性等维度，筛选具有持续动量的股票[23][26] - **模型具体构建过程**： - **价格路径平滑性**：计算位移路程比（过去120日涨跌幅绝对值 / 过去120日日涨跌幅绝对值加总）[23] - **分析师关注度**：过去3个月买入/增持评级研报≥5份[26] - **股价相对强弱**：过去250日涨跌幅位于全市场前20%[26] - **创新高持续性**：过去120日250日新高距离的时间序列均值[26] - **趋势延续性**：过去5日250日新高距离的时间序列均值[26] - **模型评价**：综合多维指标，避免单纯依赖价格波动，增强策略稳健性 --- 模型的回测效果 1. **250日新高距离模型**： - 上证指数、深证成指、沪深300等主要指数250日新高距离分别为0.50%、8.58%、6.44%[11] - 银行、电力及公用事业等行业250日新高距离为0.00%（创历史新高）[12] 2. **平稳创新高股票筛选模型**： - 筛选出的33只股票中，胜宏科技、京北方等过去250日涨跌幅最高达392%、224%[30] - 科技板块（如电子行业）和制造板块（如机械行业）占比最高[27] --- 量化因子与构建方式 1. **因子名称**：股价位移路程比因子 - **因子构建思路**：衡量股价路径的平滑性，避免跳跃式波动[23] - **因子具体构建过程**： $$位移路程比 = \frac{|过去120日涨跌幅|}{Σ|过去120日日涨跌幅|}$$ 比值越高表明路径越平滑[23] 2. **因子名称**：创新高持续性因子 - **因子构建思路**：量化股票创新高的时间序列稳定性[26] - **因子具体构建过程**：计算过去120日250日新高距离的均值[26] --- 因子的回测效果 1. **股价位移路程比因子**： - 应用于平稳创新高股票筛选，如再升科技、巨人网络等位移路程比表现优异[30] 2. **创新高持续性因子**： - 药明康德、皓元医药等因子值较低（接近0），显示持续创新高能力[30] --- 指标取值汇总 | **模型/因子** | **指标** | **取值** | |------------------------|------------------------|-----------------------------------| | 250日新高距离模型 | 上证指数250日新高距离 | 0.50% [11] | | | 深证成指250日新高距离 | 8.58% [11] | | 平稳创新高股票筛选模型 | 胜宏科技过去250日涨跌幅| 392% [30] | | | 京北方过去250日涨跌幅 | 224% [30] |

量化模型与构建方式 1. **模型名称**：高景气成长与红利策略轮动择时模型 - **模型构建思路**：通过选取宏观经济和市场资金面的有效信号，动态配置高景气成长或红利策略[9] - **模型具体构建过程**： 1. 每月底选取五个单因子信号：期限利差、社融增速、CPI与PPI四象限、美债利率、资金博弈（ETF/险资/外资）[9] 2. 每个指标独立生成买入高景气或红利的信号（1或0），取均值作为综合打分[9] 3. 打分>0.5时配置红利策略，否则配置高景气成长[18] - **模型评价**：具备"进可攻、退可守"特性，在宏观冲击与政策博弈中表现稳健[9] 2. **因子名称**：期限利差因子 - **因子构建思路**：反映市场对经济潜在增速预期，利差走阔利好成长风格[13] - **因子具体构建过程**： $$ 期限利差 = 10Y国债收益率 - 1Y国债收益率 $$ 最新值0.31（上月0.22）[13] 3. **因子名称**：社融增速因子 - **因子构建思路**：作为宏观经济领先指标，增速提升支撑成长风格[13] - **因子具体构建过程**：直接采用社会融资规模存量同比（2025年5月为8.7%）[13] 4. **因子名称**：CPI与PPI四象限因子 - **因子构建思路**：同步上行时（尤其CPI>PPI）反映需求旺盛，利好成长[16] - **因子具体构建过程**： 1. 划分CPI/PPI同比变化方向（+/−）形成四象限 2. 当前处于CPI（-0.1%）与PPI（-3.3%）同步下行象限[16] 5. **因子名称**：资金博弈复合因子 - **因子构建思路**：通过外资流入意愿+ETF申赎+险资持仓判断资金偏好[17][18] - **因子具体构建过程**： 1. 外资流入意愿指数=美元指数+RMB汇率+CDS利差[17] 2. 结合红利ETF净申赎（0/1）、险资持仓（0/1）、外资倾向（0/1）生成0-1打分[18] 3. 2025年6月得分为0.33（上月0.67）[18] 模型的回测效果 1. **轮动策略**： - 累计收益259.92%（基准28.78%）[6] - 年化收益14.91%（基准2.78%）[6] - 最大回撤27.08%（基准35.22%）[6] - 年化Sharpe 0.64（基准0.13）[6] 2. **中证红利**： - 2025年6月绝对收益-0.65%[21] - 月度胜率54.55%（2015-2025）[21] 3. **创业板指**： - 2025年6月绝对收益8.02%[21] - 相对中证红利超额收益-8.67%[21] 因子的回测效果 1. **期限利差因子**： - 2025年6月数值0.31（前值0.22）[13] 2. **社融增速因子**： - 2025年5月数值8.7%（前值8.7%）[13] 3. **资金博弈因子**： - 2025年6月得分0.33（前值0.67）[18]

根据研报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：RSI相对强弱指标** - 因子构建思路：通过计算一定周期内平均涨幅和平均跌幅的比值，判断市场超买或超卖状态[2] - 因子具体构建过程： $$RSI = 100 - \frac{100}{1 + RS}$$ 其中RS为12天内平均涨幅与平均跌幅的比值，RSI>70为超买，RSI<30为超卖[2] - 因子评价：经典动量指标，适用于短期趋势判断 2. **因子名称：净申购金额** - 因子构建思路：通过ETF净值变化计算资金流动情况[2] - 因子具体构建过程： $$NETBUY(T) = NAV(T) - NAV(T-1) \times (1+R(T))$$ 其中NAV为ETF净值，R(T)为跟踪指数收益率[2] 3. **因子名称：日内行情趋势** - 因子构建思路：基于5分钟级别成交价捕捉日内价格波动特征[2] - 因子具体构建过程：使用最高价/最低价标记极端价格点，形成趋势图[2] 因子回测效果 （注：报告中未提供具体因子测试指标值，此部分无数据） 其他量化指标 1. **机构持仓占比**：剔除联接基金后的机构持仓比例，反映资金结构特征[3] 2. **成交额**：日频流动性指标，单位为亿元[4] 3. **管理费率**：年化费用比例，影响长期持有成本[4] 数据说明 - 数据频率：日频[2] - 基金分类：宽基/主题两大类别，宽基包括沪深300、中证500等主流指数[2] - 处理规则：新上市基金及未披露数据作空值处理[3] （注：报告中未涉及完整量化模型描述及复合因子构建）

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**：行业轮动型投顾模型 **模型构建思路**：通过跟踪不同行业的市场表现，动态调整行业配置以获取超额收益[11] **模型具体构建过程**： - 基于股票型投顾产品的行业配置数据，计算各行业配置比例变化 - 选择增配比例最高的行业（如有色金属+1.29%、医药生物+1.16%）作为重点配置方向[35] - 减配表现较差的行业（如房地产-1.22%、电子-0.40%）[35] **模型评价**：6月行业轮动策略表现突出，收益达4.41%，优于其他策略类型[13] 2. **模型名称**：红利因子配置模型 **模型构建思路**：通过增加红利类基金的配置比例，获取稳定收益[37] **模型具体构建过程**： - 监控红利基金配置比例变化（6月从5.17%增至5.38%）[37] - 结合宏观经济判断（如国内复苏预期）调整配置权重[37] **模型评价**：具有防御性特征，在市场波动时表现稳定 模型的回测效果 1. **行业轮动型投顾模型**： - 6月绝对收益4.41%[13] - 近1年收益率未明确披露（需参考图3）[17] 2. **红利因子配置模型**： - 6月配置比例增长0.21个百分点（5.17%→5.38%）[37] - 近1年超额收益未明确披露（需参考图6）[40] 量化因子与构建方式 1. **因子名称**：微盘股因子 **因子构建思路**：捕捉小市值股票的超额收益机会[41] **因子具体构建过程**： - 统计底层资产中微盘股配置比例（6月从5.48%提升至5.52%）[41] - 结合市场流动性环境调整因子暴露 2. **因子名称**：港股配置因子 **因子构建思路**：通过港股与A股的溢价差异获取套利机会[49] **因子具体构建过程**： - 跟踪恒生沪深港通AH股溢价指数[52] - 调整港股配置比例（6月从8.39%增至9.37%）[49] 因子的回测效果 1. **微盘股因子**： - 6月配置比例上升0.04个百分点[41] - 近6月收益未明确披露（需参考图8）[42] 2. **港股配置因子**： - 6月配置比例增长0.98个百分点[49] - 近1年QDII港股类基金收益45.3%（但6月减配5.3%）[54] 注：部分指标取值需结合图表数据补充，研报中未明确披露所有回测细节[17][40][42]

根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：封板率** - 构建思路：衡量涨停股票中能够维持涨停至收盘的比例，反映市场情绪强度[17] - 具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月以上的股票，计算当日最高价涨停且收盘仍涨停的股票占比[17] - 因子评价：高频情绪指标，对短期市场动量有较强解释力 2. **因子名称：连板率** - 构建思路：捕捉连续涨停股票的比例，反映市场投机热度[17] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 筛选昨日涨停股票中今日继续涨停的比例[17] - 因子评价：极端市场环境下有效性显著 3. **因子名称：大宗交易折价率** - 构建思路：通过大宗交易价格与市价的偏离度反映机构交易意愿[26] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 计算当日所有大宗交易成交价相对于市价的加权平均折价幅度[26] - 因子评价：对大盘股未来走势有一定预测能力 4. **因子名称：股指期货年化贴水率** - 构建思路：量化期货市场对现货指数的预期偏差[28] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 对上证50/沪深300/中证500/中证1000主力合约分别计算[28] - 因子评价：反映市场风险偏好与对冲成本 因子回测效果 1. **封板率因子** - 当日值：74%（较前日提升5%）[17] - 近一月波动范围：未披露具体区间 2. **连板率因子** - 当日值：24%（较前日提升6%）[17] - 近一月波动范围：未披露具体区间 3. **大宗交易折价率因子** - 当日值：9.32%[26] - 近半年均值：5.78%[26] 4. **股指期货年化贴水率因子** - 上证50：3.73%（41%分位）[28] - 沪深300：5.63%（35%分位）[28] - 中证500：18.67%（13%分位）[28] - 中证1000：14.56%（40%分位）[28] 注：报告中未涉及量化模型的具体构建，仅包含市场监测类因子[17][26][28]

量化模型与构建方式 1. **模型名称**："时钟+拐点改善法"大类资产轮动模型 **模型构建思路**：结合宏观风险因子状态（经济增长、通胀、利率、信用、汇率、期限利差）与投资时钟规律，通过相位判断法优化拐点识别，动态调整资产配置[8][9][12][16][24] **模型具体构建过程**： - **宏观因子构建**： - 经济增长因子：工业增加值同比、PMI、社会消费品零售总额同比，经HP滤波处理后波动率倒数加权合成[8] - 通胀因子：PPI同比、CPI同比，HP滤波后波动率倒数加权[8] - 利率因子：中债-国债总财富指数与中证货币基金指数等权组合，计算净值同比收益率[8] - 汇率因子：上海金与伦敦金现多空组合净值同比收益率[8] - 信用因子：中债-企业债AAA指数与中债-国债总指数久期中性组合净值同比收益率[8] - 期限利差因子：中短期债券与长期债券久期中性组合净值同比收益率[8] - **状态判断规则**： - 因子动量法：$$Momentum_{t}=X_{t}-\frac{1}{3}(X_{t-1}+X_{t-2}+X_{t-3})$$，连续两期同向判定状态[16] - 相位判断法：38个月周期正弦波拟合，划分上行/下行/顶部/底部区域，结合动量法优化拐点识别[21][22] - **资产配置规则**： - 初始风险配比1:1:1:0.5:0.5（大盘股:小盘股:债券:商品:黄金），根据宏观因子得分调整（正分翻倍，负分减半）[24] **模型评价**：融合多维度宏观因子与周期规律，在控制风险前提下实现稳定收益[26][27] 2. **因子名称**：宏观风险因子体系（经济增长、通胀、利率、信用、汇率、期限利差） **因子构建思路**：通过宏观经济指标与资产组合构建多维度风险因子[8] **因子具体构建过程**： - **合成方法**： - 经济增长/通胀因子：HP滤波后波动率倒数加权[8] - 利率/信用/汇率/期限利差因子：构造多空或中性组合计算净值同比收益率[8] **因子评价**：全面刻画宏观经济状态，为资产配置提供量化依据[8][12] --- 模型的回测效果 1. **"时钟+拐点改善法"模型**： - 总收益率242.45%，年化收益率9.93%，年化波动率6.83%[27] - 夏普比率1.45，最大回撤6.31%，胜率73.08%[27] - 2025年6月收益率0.72%（基准2.76%），配置比例债券88.54%、黄金5.81%[31][32] --- 量化因子与构建方式 1. **因子名称**：投资时钟状态得分因子 **因子构建思路**：根据增长-通胀时钟、利率-信用时钟等宏观状态对资产打分（-2至2分）[14][15] **因子具体构建过程**： - 复苏期：大盘股+2、小盘股+2、债券-2、商品+2、黄金+1[15] - 紧利率宽信用：大盘股+2、小盘股+2、债券-2、商品+2、黄金+2[15] **因子评价**：量化历史规律，指导资产配置方向[12][15] --- 因子的回测效果 1. **宏观风险因子状态（2025年6月）**： - 经济增长↑、通胀↓、利率↓、信用↓、汇率↓、期限利差↓[36] - 对应配置观点：看多债券/黄金，谨慎权益/商品[33]

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**：股指分红点位测算模型 - **模型构建思路**：通过精细化处理指数成分股的分红数据，准确预测股指期货合约的升贴水情况[12] - **模型具体构建过程**： 1. 获取指数成分股及其权重数据[43] 2. 对每只成分股的分红金额进行测算： - 若已公布分红金额，直接采用公布值[46] - 若未公布，则通过预测净利润和股息支付率计算： $$分红金额 = 净利润 \times 股息支付率$$[46] 3. 预测除息日： - 基于历史间隔天数的稳定性进行线性外推[50] - 若无法外推，采用默认日期（如7月31日、8月31日等）[55] 4. 计算分红点数： $$分红点数 = \sum_{n=1}^{N} \left( \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价 \right)$$[40] - **模型评价**：对上证50和沪深300指数的预测准确度较高，误差在5个点左右；中证500指数误差稍大，约10个点[60] 2. **模型名称**：成分股权重动态修正模型 - **模型构建思路**：通过日度收盘权重数据精确跟踪成分股权重变化[45] - **模型具体构建过程**： - 若指数成分股未调整，采用历史权重和涨跌幅修正： $$W_{n,t} = \frac{w_{i0} \times (1 + r_n)}{\sum_{i=1}^{N} w_{i0} \times (1 + r_n)}$$[44] - 若发生成分股调整或特殊事件（如解禁），直接采用中证指数公司披露的日度权重[45] 3. **模型名称**：净利润动态预测模型 - **模型构建思路**：根据公司盈利分布稳定性分类预测年度净利润[49] - **模型具体构建过程**： - 对盈利分布稳定的公司，按历史分布规律预测[49] - 对盈利分布不稳定的公司，采用上年同期盈利作为预测值[49] 4. **模型名称**：股息支付率预测模型 - **模型构建思路**：基于历史股息支付率稳定性进行预测[50] - **模型具体构建过程**： - 若去年分红，直接采用去年股息支付率[52] - 若去年不分红，采用最近3年平均股息支付率[52] - 若从未分红，默认不分红[52] 量化因子与构建方式 1. **因子名称**：已实现股息率因子 - **因子构建思路**：统计指数成分股中已现金分红公司的股息率[17] - **因子具体构建过程**： $$已实现股息率 = \sum_{i=1}^{N_1} \left( \frac{已分红金额_i}{总市值_i} \times 权重_i \right)$$[17] 2. **因子名称**：剩余股息率因子 - **因子构建思路**：统计尚未分红公司的预期股息率[17] - **因子具体构建过程**： $$剩余股息率 = \sum_{i=1}^{N_2} \left( \frac{预期分红金额_i}{总市值_i} \times 权重_i \right)$$[17] 3. **因子名称**：行业股息率因子 - **因子构建思路**：按行业分类统计已公布分红预案的个股股息率中位数[15] - **因子评价**：煤炭、银行、钢铁行业股息率排名前三[15] 模型的回测效果 1. **股指分红点位测算模型**： - 上证50指数预测误差：约5个点[60] - 沪深300指数预测误差：约5个点[60] - 中证500指数预测误差：约10个点[60] 2. **股指期货升贴水模型**（截至2025年7月2日）： - IH主力合约年化贴水：-0.28%[13] - IF主力合约年化贴水：-2.35%[13] - IC主力合约年化贴水：-10.65%[13] - IM主力合约年化贴水：-14.77%[13] 因子的回测效果 1. **已实现股息率因子**（截至2025年7月2日）： - 上证50指数：1.28%[17] - 沪深300指数：1.07%[17] - 中证500指数：0.95%[17] - 中证1000指数：0.73%[17] 2. **剩余股息率因子**（截至2025年7月2日）： - 上证50指数：0.99%[17] - 沪深300指数：0.87%[17] - 中证500指数：0.35%[17] - 中证1000指数：0.23%[17]

根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **封板率因子** - 构建思路：衡量涨停股票的稳定性[17] - 具体构建： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月以上的股票，计算当日最高价与收盘价均涨停的比例[17] 2. **连板率因子** - 构建思路：反映涨停股票的连续性[17] - 具体构建： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 基于前一日涨停股票中次日仍涨停的比例[17] 3. **大宗交易折价率因子** - 构建思路：捕捉大资金交易行为的市场情绪[26] - 具体构建： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ 计算大宗交易成交价相对于市价的偏离程度[26] 4. **股指期货年化贴水率因子** - 构建思路：量化期货市场对现货指数的预期[28] - 具体构建： $$年化贴水率 = \frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right)$$ 涵盖上证50、沪深300、中证500、中证1000主力合约[28] 因子回测效果 1. **封板率因子** - 当日取值：69%（较前日提升5%）[17] - 近一月趋势：封板率与连板率联动波动[17] 2. **连板率因子** - 当日取值：17%（较前日提升1%）[17] 3. **大宗交易折价率因子** - 当日取值：6.23%（近半年均值5.73%）[26] - 成交金额：20亿元（近半年日均12亿元）[26] 4. **股指期货年化贴水率因子** - 上证50：4.15%（近一年中位数1.53%，38%分位）[28] - 沪深300：5.50%（近一年中位数3.20%，36%分位）[28] - 中证500：12.85%（近一年中位数9.21%，31%分位）[28] - 中证1000：13.38%（近一年中位数12.49%，45%分位）[28] 因子评价 - **封板率/连板率**：高频交易中有效反映短期市场情绪，但需结合个股流动性分析[17] - **大宗交易折价率**：对机构资金动向敏感，但需注意单日异常成交干扰[26] - **股指期货贴水率**：长期对冲成本指标，极端分位值可能预示市场反转[28] 注：报告中未提及具体量化模型，仅包含市场监测类因子构建。

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**：Gemini Robotics On-Device - **模型构建思路**：基于Gemini 2.0架构开发，实现多模态大模型在机器人设备上的完全本地化运行，无需依赖云端计算[12] - **模型具体构建过程**： - 深度融合视觉感知、自然语言理解和动作规划三大模块 - 通过端到端的多模态神经网络训练，将文本、图像输入映射为机械控制信号 - 采用三级安全机制（实时碰撞检测、伦理约束层和硬件级动作限制）保障人机协作安全[13] - 提供Gemini Robotics SDK和MuJoCo物理模拟器工具链，支持开发者通过少量样本微调适配新任务[16] 2. **模型名称**：Kwai Keye-VL - **模型构建思路**：基于Qwen3-8B语言模型架构，融合SigLIP初始化的视觉编码器，实现文本、图像和视频信息的统一处理[17] - **模型具体构建过程**： - 采用3D RoPE（旋转位置编码）技术捕捉视频时序变化与动态分辨率输入 - 预训练阶段使用600B规模的多模态数据集，通过四阶段优化策略构建基座能力[18] - 后训练阶段通过两阶段微调实现推理能力跃升，采用GRPO算法进行混合强化学习[18] 3. **模型名称**：Gemini CLI - **模型构建思路**：将Gemini 2.5 Pro模型的百亿级参数能力嵌入终端环境，通过自然语言交互重构开发者工作流[25] - **模型具体构建过程**： - 基于ReAct（Reason and Act）工作循环设计，实现多模态推理与工具调用的动态协同 - 支持MCP（Model Context Protocol）扩展层，允许接入第三方服务如Imagen图像生成或Veo视频合成[27] - 采用沙盒执行与影子提交双重安全机制，所有文件修改前自动创建Git检查点[29] 4. **模型名称**：Mu - **模型构建思路**：专为Windows 11系统设计的小型语言模型，实现与参数量十倍的Phi-3.5-mini相当的性能表现[44] - **模型具体构建过程**： - 采用编码器-解码器架构与NPU深度协同设计 - 通过双重层归一化（Pre- and Post-LN）、旋转位置嵌入（RoPE）和分组查询注意力（GQA）优化性能[47] - 训练阶段先在数千亿高质量教育token上预训练，再通过知识蒸馏从Phi模型中提取核心能力[47] 5. **模型名称**：子曰3（Confucius3-Math） - **模型构建思路**：专注于K12数学教育的开源推理模型，通过轻量化架构与增强学习优化实现低成本高性能[53] - **模型具体构建过程**： - 采用符号运算加速器设计，解几何题时辅助线生成速度提升3倍 - 通过Policy-Specific Hardness Weighting技术动态调整训练样本权重[54] - 训练数据整合100万+师生互动记录，使解题逻辑更贴合教学大纲[54] 模型的回测效果 1. **Gemini Robotics On-Device** - 在未训练情境下的任务完成率达81%[13] - 器械识别准确率超过95%[16] 2. **Kwai Keye-VL** - 在VideoMME等权威基准上以67.4分超越Qwen2.5-VL-7B[21] - 内部短视频场景测试中综合得分领先业界10%以上[21] 3. **Gemini CLI** - GitHub上线48小时内斩获3万星标[28] - 每分钟60次请求、每日1000次调用的免费额度[28] 4. **Mu** - 在Windows设置代理任务中达到500毫秒内的响应延迟，准确率接近Phi-3.5-mini的81%[47] - 解码速度提升4.7倍，首token延迟降低47%[47] 5. **子曰3** - 在GAOKAO-Bench（Math）成绩达到98.5分[53] - 推理成本压缩至每百万token仅0.15美元[53] 量化因子与构建方式 （注：研报中未明确提及量化因子的构建，此部分暂缺） 因子的回测效果 （注：研报中未明确提及量化因子的测试结果，此部分暂缺）

量化模型与构建方式 1. **模型名称：赔率+胜率策略** - **模型构建思路**：结合资产的赔率与胜率指标，通过风险预算模型构建配置策略[40] - **模型具体构建过程**： 1. **赔率指标**：基于ERP（股权风险溢价）和DRP（债务风险溢价）的标准化数值等权计算，例如A股赔率为1.2倍标准差[11] 2. **胜率指标**：通过宏观胜率评分卡（货币、信用、增长、通胀、海外五因子）合成综合胜率，例如A股胜率回升至0轴附近[11] 3. **风险预算分配**：将赔率策略和胜率策略的风险预算简单相加，生成综合得分并调整资产权重[40] - **模型评价**：通过动态调整高赔率与高胜率资产权重，实现稳健收益 2. **模型名称：行业轮动策略（三维评价体系）** - **模型构建思路**：基于行业景气度、趋势、拥挤度三维框架筛选行业[35] - **模型具体构建过程**： 1. **趋势指标**：过去12个月信息比率（IR）衡量行业动量 2. **拥挤度指标**：换手率比率、波动率比率、beta比率合成[35] 3. **景气度分类**：实心气泡代表高景气行业，空心代表低景气[38] - **模型评价**：通过多维度交叉验证，有效捕捉行业轮动机会 3. **模型名称：美联储流动性指数模型** - **模型构建思路**：从数量维度和价格维度解构美联储流动性[17] - **模型具体构建过程**： 1. **数量维度**：净流动性、联储信用支持 2. **价格维度**：预期引导、市场隐含利率、公告意外[15] 3. **指数合成**：加权计算当前流动性状态（如20%中高水平）[15] --- 量化因子与构建方式 1. **因子名称：价值因子** - **因子构建思路**：通过赔率、趋势、拥挤度三标尺综合打分[18] - **因子具体构建过程**： 1. **赔率**：国证价值/国证1000比值标准化（当前0.2倍标准差）[19] 2. **趋势**：滚动窗口计算因子收益率方向（-0.1倍标准差中等水平）[19] 3. **拥挤度**：换手率与波动率分位数合成（-1倍标准差低拥挤）[19] - **因子评价**：综合得分1分，呈现“强趋势-低拥挤”特征[29] 2. **因子名称：质量因子** - **因子构建思路**：侧重盈利稳定性与ROE持续性[20] - **因子具体构建过程**： 1. **赔率**：高质量因子超额走势分位数（1.4倍标准差高赔率）[22] 2. **趋势**：滚动12个月收益方向（-0.3倍标准差弱趋势）[22] 3. **拥挤度**：持仓集中度与交易量合成（-0.8倍标准差低拥挤）[22] 3. **因子名称：小盘因子** - **因子构建思路**：衡量市值风格与交易拥挤度[26] - **因子具体构建过程**： 1. **赔率**：中证2000/沪深300比值标准化（-0.5倍标准差低赔率）[28] 2. **趋势**：短期动量强度（0.9倍标准差强趋势）[28] 3. **拥挤度**：换手率分位数（0.6倍标准差高拥挤）[28] --- 模型的回测效果 1. **赔率+胜率策略** - 年化收益：7.0%（2011年以来）、7.6%（2014年以来）、7.2%（2019年以来）[47] - 最大回撤：2.8%（2011年以来）、2.7%（2014年以来）、2.8%（2019年以来）[47] - 夏普比率：2.86（2011年以来）、3.26（2014年以来）、2.85（2019年以来）[47] 2. **行业轮动策略** - 年化超额收益：13.1%（2011年以来）、13.0%（2014年以来）、10.8%（2019年以来）[36] - 信息比率（IR）：1.18（2011年以来）、1.08（2014年以来）、1.02（2019年以来）[36] --- 因子的回测效果 1. **价值因子** - 综合打分：1分（当前排名最高）[18] - 赔率分位数：0.2倍标准差[19] - 趋势分位数：-0.1倍标准差[19] 2. **质量因子** - 综合打分：0.6分[20] - 赔率分位数：1.4倍标准差[22] - 趋势分位数：-0.3倍标准差[22] 3. **小盘因子** - 综合打分：0分[26] - 趋势分位数：0.9倍标准差[28] - 拥挤度分位数：0.6倍标准差[28]