量化因子与构建方式 1 因子名称：机构持仓识别因子[8][11]；因子构建思路：通过上市公司十大股东数据识别不同机构的重仓持股情况，并分析其规模、行业和风格偏好[1][5][8]；因子具体构建过程：首先，根据不同投资者类型设置关键词标签（如"全国社会保障"对应社保基金，"UBS AG"对应瑞士银行等）[13]，若股东名称中包含对应关键词则识别为相应机构[8][13]；其次，对于陆港通和公募基金（含主动公募和指数基金），采用总市值口径统计重仓规模，其他机构采用自由流通市值口径（需剔除持股5%以上的股东）[8][15]；最后，基于识别结果计算各机构的重仓市值、行业分布（按一级行业分类）及风格暴露（包括反转、Beta、市值、估值、盈利、动量、波动、流动性、成长和分红等10类常见风格因子）[8][31] 因子的回测效果 1 机构持仓识别因子（陆港通），历史以来风格暴露：反转-0.5、Beta-0.4、规模0.5、估值-0.3、盈利0.2、动量0.1、波动率-0.2、流动性0.3、成长0.0、分红1.5[36][40]；2025Q2风格暴露：反转-0.3、Beta-0.3、规模0.6、估值-0.2、盈利0.3、动量0.2、波动率-0.1、流动性0.4、成长0.1、分红1.8[36][40] 2 机构持仓识别因子（指数基金），历史以来风格暴露：反转0.2、Beta0.8、规模-0.6、估值-0.5、盈利-0.3、动量0.4、波动率0.3、流动性-0.4、成长0.2、分红-0.7[36]；2025Q2风格暴露：反转0.3、Beta1.0、规模-0.8、估值-0.6、盈利-0.4、动量0.5、波动率0.4、流动性-0.5、成长0.3、分红-0.9[36] 3 机构持仓识别因子（主动公募），历史以来风格暴露：反转-0.2、Beta0.1、规模-0.7、估值-0.4、盈利0.0、动量0.2、波动率0.1、流动性-0.3、成长0.1、分红-0.5[41]；2025Q2风格暴露：反转-0.3、Beta0.0、规模-0.9、估值-0.5、盈利-0.1、动量0.1、波动率0.0、流动性-0.4、成长0.0、分红-0.6[41] 4 机构持仓识别因子（私募），历史以来风格暴露：反转-0.4、Beta0.3、规模-0.8、估值-0.6、盈利-0.2、动量0.3、波动率0.2、流动性-0.5、成长0.1、分红-0.8[37]；2025Q2风格暴露：反转-0.5、Beta0.2、规模-1.0、估值-0.7、盈利-0.3、动量0.2、波动率0.1、流动性-0.6、成长0.0、分红-1.0[37] 5 机构持仓识别因子（保险），历史以来风格暴露：反转0.1、Beta-0.2、规模1.2、估值0.3、盈利0.5、动量-0.1、波动率-0.3、流动性0.2、成长-0.1、分红2.0[42]；2025Q2风格暴露：反转0.2、Beta-0.1、规模1.5、估值0.4、盈利0.6、动量0.0、波动率-0.2、流动性0.3、成长0.0、分红2.3[42] 6 机构持仓识别因子（社保），历史以来风格暴露：反转0.0、Beta-0.1、规模1.0、估值0.2、盈利0.4、动量-0.2、波动率-0.4、流动性0.1、成长-0.2、分红1.8[43]；2025Q2风格暴露：反转0.1、Beta0.0、规模1.3、估值0.3、盈利0.5、动量-0.1、波动率-0.3、流动性0.2、成长-0.1、分红2.1[43]

根据提供的研报内容，这是一份关于可转债市场的定期跟踪报告，主要对市场行情、个券表现和条款进行数据统计与描述，并未涉及量化模型或量化因子的构建、测试与分析。报告内容集中于市场数据跟踪，例如指数涨跌幅、成交量、转股溢价率、个券排名等[1][6][10][15][16][27]。 因此，本报告中**未包含**需要总结的量化模型或量化因子内容。

量化模型与构建方式 1. 指数风控模型 - **模型构建思路**：通过构建指数层面的风险控制模型，对冲非目标风格和行业敞口，以最大化信息比率并控制主动风险[20][22] - **模型具体构建过程**： 1. 确定纳入模型的指数列表：筛选在交易日之前发布的指数，成分均为A股，可获取指数成分列表和权重数据[22] 2. 确定使用的风险因子：包括风格因子（如市值、动量、盈余等）和行业因子[22] 3. 合成指数层面数据：基于个股风控模型，根据实时权重将个股行业/风格得分进行加权，得到指数敞口数据[22] 4. 进行组合优化：控制行业及主要风格的敞口偏离，对冲非目标暴露[20][22] - **模型评价**：指数风控模型较个股模型有效性显著提升，行业贡献大幅超过风格，模型解释度更高[23][24] 2. 指数配置组合模型 - **模型构建思路**：以微观个股因子作为信号，向上集成得到指数综合打分信号，构建行业和风格敞口受控的配置组合[25][32] - **模型具体构建过程**： 1. 因子分类与测试：将因子分为基本面、分析师、量价和高频四类，测试单因子在指数层面的有效性[26][27] 2. 子策略构建：筛选长期表现较好的因子构建子策略，如量价类划分为动量反转、流动性、波动率等[27] 3. 综合信号生成：基于多策略进行因子筛选，得到指数综合打分信号[32] 4. 组合优化：锚定中证全指，控制行业及主要风格敞口偏离，得到最终配置组合[32] 量化因子与构建方式 1. 基本面因子 - **因子构建思路**：基于公司财务数据构建，反映企业基本经营状况[26][27] - **因子具体构建过程**：细分为成长、盈利、估值、财务质量、机构持仓等子类别，共包含166个细分因子[30] - 成长因子：59个 - 盈利因子：52个 - 估值因子：30个 - 财务质量因子：14个 - 机构持仓因子：8个 - 规模因子：3个 2. 分析师因子 - **因子构建思路**：基于分析师预测数据构建，反映市场预期变化[26][27] - **因子具体构建过程**：细分为估值、盈利调整、覆盖度、成长、超预期等子类别，共包含38个细分因子[30] - 估值因子：16个 - 盈利调整因子：10个 - 覆盖度因子：6个 - 成长因子：3个 - 超预期因子：3个 3. 量价因子 - **因子构建思路**：使用日频价格/成交/资金流等数据构建，反映市场交易行为[26][27] - **因子具体构建过程**：细分为动量反转、波动率、流动性、北向资金、资金流等子类别，共包含120个细分因子[30] - 动量反转因子：37个 - 波动率因子：36个 - 流动性因子：26个 - 北向资金因子：11个 - 资金流因子：10个 4. 高频因子 - **因子构建思路**：使用分钟高频数据构建，捕捉短期市场微观结构特征[26][27] - **因子具体构建过程**：细分为动量反转、波动率、流动性、资金流等子类别，共包含32个细分因子[30] - 动量反转因子：13个 - 波动率因子：9个 - 流动性因子：9个 - 资金流因子：1个 模型的回测效果 1. 指数配置组合模型 - **回测期（2015-2024年）**：组合稳定性较强，超额收益表现稳健，最大回撤控制在-3.00%以内[33] - **样本外期（2025年1-8月）**：绝对收益32.0%，超额收益11.5%，超额最大回撤2.0%[1][13] 因子的回测效果 1. 基本面因子 - **2025年1-8月表现**：盈利和成长因子整体表现占优[27][36] 2. 量价因子 - **2025年1-8月表现**：动量反转、波动率、流动性等子策略表现较好[27][36] 3. 多策略组合 - **历史表现**：各子策略间相关性差异较大，没有单一策略能在所有时间内保持有效，验证了多策略的必要性[27] - **2025年1-8月**：基本面类型中的盈利和成长，以及量价类子策略表现较好，但单个子策略仍存在阶段性回撤[27]

量化模型与构建方式 1. 行情集中度指标 - **模型/因子名称**：行情集中度指标[16] - **构建思路**：通过量化股票上涨集中度来识别市场主线行情，集中度提升反映资金共识凝聚和主线确立[11][16] - **具体构建过程**： 1) 剔除上市初期无涨跌幅限制股票，得到全市场股票池[16] 2) 计算股票池内各股票周度涨跌幅[16] 3) 取涨幅最高的30%股票的平均涨跌幅，减去全市场股票涨幅中位数[16][17] 公式：$$行情集中度 = (涨幅前30\%股票的平均涨幅) - (全市场股票涨幅中位数)$$[17] - **评价**：该指标能有效量化主线行情，在历史主线行情爆发前及主升浪中均显著提升[1][47] 2. 补涨事件驱动策略 - **模型名称**：补涨事件驱动绝对收益策略[28] - **构建思路**：在市场形成主线行情时，选择内部分化最严重的行业/主题，买入滞涨股票捕捉补涨机会[28] - **具体构建过程**： 1) 监测市场主线行情：使用阈值突破法，当市场集中度的边际变化指标突破设定阈值时，认为主线正在形成[28] 2) 寻找内部分化最高行业：每周计算各行业内部集中度指标，选择排名前三的行业作为候选板块[28] 3) 选择滞涨股票：计算候选行业内所有成分股过去一周涨跌幅，选择排名靠后N%的股票[28] 4) 固定持有60个交易日[28] - **评价**：策略在主线行情下能获得显著绝对和相对收益，高阈值能有效过滤虚假信号[3][47] 模型的回测效果 1. 行情集中度指标 - 未来1周预测系数：2.60%[21] - 未来2周预测系数：4.20%[21] - 未来4周预测系数：4.90%[21] - 未来6周预测系数：1.60%[21] - 未来8周预测系数：-1.50%[21] - 未来12周预测系数：-3.47%[21] 2. 补涨事件驱动策略（申万二级行业分类） - 60日收益：5.42%[29] - 最高收益时点：T+24日，收益率8.65%[29] - 最高胜率时点：T+14交易日，胜率65%[29] - T+59日前胜率：高于50%[29] 3. 补涨事件驱动策略（主题概念分类） - 60日收益：4.18%[37] - 最高收益时点：T+24日，收益率6.11%[37] - 最高胜率时点：T+11交易日，胜率61%[37] - T+44日前胜率：高于50%[37] 量化因子与构建方式 1. 内部集中度因子 - **因子名称**：行业/主题内部集中度[22] - **构建思路**：计算行业/主题内头部股票与平均表现的差距，衡量板块内部分化程度[22] - **具体构建过程**：与行情集中度指标计算方法相同，仅将股票池替换为特定行业/主题内成分股[22] 公式：$$内部集中度 = (板块内涨幅前30\%股票的平均涨幅) - (板块内股票涨幅中位数)$$ - **评价**：指标越大说明资金高度集中在少数牛股上，形成"尖峰"分布[22] 因子的回测效果 1. 申万二级行业内补涨事件收益敏感性 - 触发阈值0.5，选股范围后30%：60日收益6.13%[34] - 触发阈值0.5，选股范围后50%：60日收益7.07%[34] - 触发阈值0.5，选股范围后70%：60日收益6.87%[34] 2. 申万二级行业内补涨事件胜率敏感性 - 触发阈值0.5，选股范围后30%：60日胜率55.73%[35] - 触发阈值0.5，选股范围后50%：60日胜率54.05%[35] - 触发阈值0.5，选股范围后70%：60日胜率51.66%[35] 3. 主题概念内补涨事件收益敏感性 - 触发阈值0.5，选股范围后30%：60日收益7.17%[41] - 触发阈值0.5，选股范围后50%：60日收益6.63%[41] - 触发阈值0.5，选股范围后70%：60日收益6.04%[41] 4. 主题概念内补涨事件胜率敏感性 - 触发阈值0.5，选股范围后30%：60日胜率51.00%[42] - 触发阈值0.5，选股范围后50%：60日胜率50.88%[42] - 触发阈值0.5，选股范围后70%：60日胜率49.21%[42]

量化模型与构建方式 1. PB-ROE-50 组合 - **模型名称**：PB-ROE-50 组合 - **模型构建思路**：基于市净率（PB）和净资产收益率（ROE）两个估值与盈利指标，通过综合筛选构建投资组合[24] - **模型具体构建过程**：从全市场股票中筛选出 PB 较低且 ROE 较高的股票，最终选取 50 只股票构成组合，具体公式为综合评分： $$Score = w_1 \cdot Rank(PB^{-1}) + w_2 \cdot Rank(ROE)$$ 其中 $w_1$ 和 $w_2$ 为权重，$Rank$ 为排序函数，选取评分最高的50只股票[24] - **模型评价**：兼顾估值与盈利质量，风格稳定，长期表现稳健 2. 公募调研选股策略 - **模型名称**：公募调研选股策略 - **模型构建思路**：基于公募基金调研行为，挖掘调研事件背后的超额收益机会[27] - **模型具体构建过程**：跟踪公募基金调研的上市公司，结合调研频率、调研后股价表现等指标，构建投资组合[27] - **模型评价**：事件驱动型策略，捕捉机构关注度提升带来的短期机会 3. 私募调研跟踪策略 - **模型名称**：私募调研跟踪策略 - **模型构建思路**：基于私募基金调研行为，挖掘调研事件背后的投资机会[27] - **模型具体构建过程**：跟踪私募基金调研的上市公司，结合调研深度、公司基本面等指标构建组合[27] 4. 大宗交易组合 - **模型名称**：大宗交易组合 - **模型构建思路**：基于大宗交易数据，通过“高成交金额比率、低波动率”原则筛选股票[31] - **模型具体构建过程**：计算每只股票的“大宗交易成交金额比率”和“6日成交金额波动率”，选取成交金额比率高且波动率低的股票，按月调仓，公式为： $$Selection\,Criteria = \frac{Block\,Trade\,Amount}{Total\,Trading\,Amount} > \alpha\,,\, \sigma_{6d} < \beta$$ 其中 $\alpha$ 和 $\beta$ 为阈值参数[31] - **模型评价**：利用大宗交易的信息优势，捕捉流动性冲击带来的定价偏差 5. 定向增发组合 - **模型名称**：定向增发组合 - **模型构建思路**：基于定向增发事件，挖掘再融资政策收紧背景下的投资机会[37] - **模型具体构建过程**：以股东大会公告日为节点，结合市值、调仓周期和仓位控制，筛选涉及定向增发的股票[37] - **模型评价**：事件驱动策略，适应政策变化，捕捉定增事件的超额收益 模型的回测效果 1. PB-ROE-50 组合 - 中证500：上周超额收益-0.57%，今年以来超额收益3.00%，上周绝对收益2.79%，今年以来绝对收益28.59%[25] - 中证800：上周超额收益-0.02%，今年以来超额收益16.16%，上周绝对收益1.89%，今年以来绝对收益36.42%[25] - 全市场：上周超额收益0.79%，今年以来超额收益22.30%，上周绝对收益2.87%，今年以来绝对收益48.27%[25] 2. 公募调研选股策略 - 上周超额收益3.82%，今年以来超额收益8.10%，上周绝对收益5.81%，今年以来绝对收益26.96%[28] 3. 私募调研跟踪策略 - 上周超额收益0.51%，今年以来超额收益12.02%，上周绝对收益2.44%，今年以来绝对收益31.56%[28] 4. 大宗交易组合 - 上周超额收益-1.77%，今年以来超额收益0.26%，上周绝对收益未明确，今年以来绝对收益62.65%[32] 5. 定向增发组合 - 上周超额收益-1.71%，今年以来超额收益-0.77%，上周绝对收益0.32%，今年以来绝对收益20.29%[38] 量化因子与构建方式 1. 5日反转因子 - **因子名称**：5日反转因子 - **因子构建思路**：捕捉短期价格反转效应[12] - **因子具体构建过程**：计算过去5日的收益率并取负值，公式为： $$5Day\,Reversal = -R_{t-5,t}$$ 其中 $R_{t-5,t}$ 为过去5日收益率[12] - **因子评价**：短期反转效应显著，尤其在小市值股票中表现突出 2. 早盘收益因子 - **因子名称**：早盘收益因子 - **因子构建思路**：捕捉开盘后短期价格动量[12] - **因子具体构建过程**：计算开盘后一定时间内的收益率[12] 3. 对数市值因子 - **因子名称**：对数市值因子 - **因子构建思路**：捕捉市值规模效应[12] - **因子具体构建过程**：对总市值取自然对数： $$Log\,Market\,Cap = \ln(MCAP)$$ 其中 $MCAP$ 为总市值[12] 4. 市销率TTM倒数因子 - **因子名称**：市销率TTM倒数因子 - **因子构建思路**：捕捉估值低估机会[14] - **因子具体构建过程**：计算市销率（TTM）的倒数： $$PS^{-1} = \frac{1}{P/S}$$ 其中 $P/S$ 为市销率[14] 5. 标准化预期外盈利因子 - **因子名称**：标准化预期外盈利因子 - **因子构建思路**：捕捉盈利超预期带来的价格反应[18] - **因子具体构建过程**：计算实际盈利与预期盈利的差，并除以标准差标准化[18] 6. 市盈率TTM倒数因子 - **因子名称**：市盈率TTM倒数因子 - **因子构建思路**：捕捉估值低估机会[18] - **因子具体构建过程**：计算市盈率（TTM）的倒数： $$PE^{-1} = \frac{1}{P/E}$$ 其中 $P/E$ 为市盈率[18] 因子的回测效果 1. 沪深300股票池因子表现（最近1周） - 5日反转因子：3.11%[13] - 早盘收益因子：2.31%[13] - 对数市值因子：2.24%[13] - 单季度ROA因子：2.08%[13] - 标准化预期外盈利因子：1.91%[13] 2. 中证500股票池因子表现（最近1周） - 市销率TTM倒数因子：1.60%[15] - 标准化预期外收入因子：1.55%[15] - 5日反转因子：0.65%[15] 3. 流动性1500股票池因子表现（最近1周） - 市销率TTM倒数因子：2.75%[19] - 标准化预期外盈利因子：2.69%[19] - 市盈率TTM倒数因子：2.67%[19] - 市盈率因子：2.18%[19] - 标准化预期外收入因子：1.85%[19]

这是一份关于基金市场与ESG产品的周报，其核心内容是市场表现、基金产品发行与表现跟踪、ETF资金流向和ESG产品情况。报告本身并未涉及量化模型或因子的构建、测试与评价。报告的主要内容是对各类基金产品、ETF资金流和ESG市场的表现进行描述性统计和汇总，属于市场跟踪和数据分析，而非量化投资策略或因子研究。 因此，根据您提供的任务要求，此份研报中**没有需要总结的量化模型或量化因子内容**。

量化模型与因子总结 量化因子与构建方式 1. **因子名称：Barra风格因子（BETA、大小盘、盈利、动量、中盘、价值、成长、杠杆、流动性、残差波动率）**[12][13][25][26][27][28] * **因子构建思路**：基于Barra风险模型框架，从不同维度（如市场风险、公司规模、盈利能力、价格趋势等）捕捉股票市场的系统性风险来源和风格收益特征[12][25][26] * **因子具体构建过程**：报告未详细描述每个Barra因子的具体计算过程，但提及了其收益表现。通常，Barra因子通过横截面回归或特定指标计算得到，例如： * 规模因子（大小盘）：通常基于市值对数计算 * 动量因子：基于过去一段时间的收益率计算 * 盈利因子：基于盈利能力指标（如ROE）计算 * 价值因子：基于估值指标（如BP）计算 * 波动率因子：基于收益率的波动性计算 * **因子评价**：报告未提供明确的定性评价 2. **因子名称：巨潮风格因子（大盘价值、小盘成长、中盘价值、中盘成长、大盘成长、小盘价值）**[29][30][31][32] * **因子构建思路**：根据市值规模（大盘、中盘、小盘）和成长/价值风格进行交叉分类，构建风格指数以捕捉A股市场不同风格板块的收益特征[29][30][31] * **因子具体构建过程**：报告未提供巨潮风格因子的具体构建公式，但其构建通常基于市值和估值/成长指标（如市盈率、市净率、盈利增长率等）对股票进行双重排序和分组 * **因子评价**：报告未提供明确的定性评价 3. **因子名称：期权持仓量CPR（认购认沽比）**[88][89][90] * **因子构建思路**：通过计算认购期权与认沽期权的持仓量比值，来衡量衍生品市场投资者对标的指数的多空情绪和预期[88][90] * **因子具体构建过程**： $$ CPR = \frac{\text{认购期权持仓量}}{\text{认沽期权持仓量}} $$ 其中，认购期权持仓量和认沽期权持仓量分别指特定标的指数（如中证1000、沪深300、中证500）对应期权合约的未平仓合约数量[88][90] * **因子评价**：报告未提供明确的定性评价 4. **因子名称：股指期货基差（年化贴水率）**[34][36][80][81][82][91][92][93] * **因子构建思路**：通过计算股指期货价格与现货指数价格之间的差额（基差），并将其年化，以反映期货市场的定价情绪、套利成本和市场对未来走势的预期[34][36][80][93] * **因子具体构建过程**： $$ \text{年化贴水率} = \left( \frac{F - S}{S} \right) \times \frac{365}{T} \times 100\% $$ 其中，$F$代表股指期货合约的结算价，$S$代表对应的现货指数价格，$T$代表期货合约距离到期日的天数[34][36][93] * **因子评价**：报告未提供明确的定性评价 5. **因子名称：风格关注倍数**[98][99][100][101] * **因子构建思路**：通过量化市场对不同风格指数（如中证1000、中证2000、中证500）的关注程度，以捕捉风格偏好和轮动信号[98][100] * **因子具体构建过程**：报告未提供“风格关注倍数”的具体计算公式，但其构建可能基于成交额、换手率、搜索指数或新闻热度等指标的相对比值或标准化处理[98][100] * **因子评价**：报告未提供明确的定性评价 6. **因子名称：盈利利差**[102] * **因子构建思路**：通过计算不同指数（如中证1000、中证500、中证2000、沪深300）的盈利收益率之差，来衡量不同板块间的相对盈利吸引力或估值差异[102] * **因子具体构建过程**：报告未提供“盈利利差”的具体计算公式，但其构建通常基于指数成分股的盈利指标（如每股收益）与价格之比（即盈利收益率）的差值 $$ \text{盈利利差}_{IndexA-IndexB} = \text{E/P}_{IndexA} - \text{E/P}_{IndexB} $$ 其中，$E/P$ 代表盈利收益率（Earnings Yield）[102] * **因子评价**：报告未提供明确的定性评价 7. **因子名称：股息利差**[103][104][105] * **因子构建思路**：通过计算不同指数（如中证1000、中证500、中证2000、沪深300）的股息率之差，来衡量不同板块间的相对分红吸引力和价值特征[103][105] * **因子具体构建过程**：报告未提供“股息利差”的具体计算公式，但其构建通常基于指数成分股的分红与价格之比（即股息率）的差值 $$ \text{股息利差}_{IndexA-IndexB} = \text{D/P}_{IndexA} - \text{D/P}_{IndexB} $$ 其中，$D/P$ 代表股息率（Dividend Yield）[103][105] * **因子评价**：报告未提供明确的定性评价 8. **因子名称：交易热度**[96][97][106][107][108] * **因子构建思路**：通过衡量特定板块（如宽基指数、TMT、小微盘）的成交活跃度相对于其历史或市场整体水平的程度，来捕捉交易拥挤度和市场情绪[96][106][108] * **因子具体构建过程**：报告未提供“交易热度”的统一计算公式。对于宽基指数，其计算可能基于指数成交额或换手率[96][97]。对于行业或板块（如TMT、小微盘），其计算可能基于板块成交额占市场总成交额的比例或其历史分位数[106][107][108]。 例如，对于板块交易热度可能为： $$ \text{交易热度}_{sector} = \frac{\text{板块成交额}}{\text{市场总成交额}} $$ 或其标准化、分位数形式[106][108] * **因子评价**：报告未提供明确的定性评价 模型的回测效果 （报告未涉及具体量化模型的回测效果指标） 因子的回测效果 1. **Barra风格因子**[12][13][27][28] * 本周收益率：动量 0.61%，大小盘 0.56%，中盘 0.38%，BETA 0.35%，流动性 0.26%，杠杆 0.09%，价值 -0.05%，盈利 -0.07%，成长 -0.10%，残差波动率 -0.48%[12][27] * 近1月收益率：动量 0.96%，大小盘 1.71%，BETA 1.50%，杠杆 0.58%，成长 0.88%，价值 -0.36%，盈利 -0.38%，流动性 -0.35%，中盘 -0.45%，残差波动率 -0.77%[28] * 近3月收益率：动量 2.02%，BETA 4.17%，成长 0.89%，杠杆 0.58%，价值 -0.33%，盈利 -0.79%，流动性 -0.11%，大小盘 1.76%，中盘 0.16%，残差波动率 -2.69%[28] * 近6月收益率：动量 5.18%，BETA 2.32%，成长 1.22%，杠杆 0.82%，价值 -1.37%，盈利 -0.66%，流动性 -3.94%，大小盘 -2.65%，中盘 -2.98%，残差波动率 -5.02%[28] * 今年收益率：动量 7.01%，BETA 5.44%，成长 2.55%，杠杆 0.76%，价值 -1.92%，盈利 -0.22%，流动性 -4.86%，大小盘 -6.09%，中盘 -4.77%，残差波动率 -5.58%[28] * 今年波动率：动量 4.55%，大小盘 4.77%，BETA 4.57%，残差波动率 4.71%，流动性 3.42%，盈利 2.56%，成长 1.76%，价值 1.37%，杠杆 1.55%，中盘 2.69%[28] * 近1年收益率：动量 9.15%，BETA 13.22%，成长 1.61%，杠杆 2.28%，价值 -1.08%，盈利 -2.35%，流动性 -5.44%，大小盘 -12.42%，中盘 -7.77%，残差波动率 -6.57%[28] * 近1年波动率：动量 5.02%，大小盘 5.46%，BETA 6.55%，残差波动率 5.65%，流动性 3.12%，盈利 2.93%，成长 2.15%，价值 1.77%，杠杆 2.10%，中盘 2.85%[28] 2. **巨潮风格因子**[31][32] * 本周收益率：小盘成长 3.36%，小盘价值 2.20%，大盘成长 2.16%，中盘价值 1.72%，中盘成长 1.41%，大盘价值 -0.22%[31] * 近1月收益率：小盘成长 10.34%，大盘成长 15.17%，中盘成长 11.03%，小盘价值 5.22%，中盘价值 4.26%，大盘价值 -1.30%[32] * 近3月收益率：小盘成长 32.33%，大盘成长 28.35%，中盘成长 23.78%，小盘价值 18.47%，中盘价值 13.26%，大盘价值 0.38%[32] * 近6月收益率：小盘成长 21.44%，大盘成长 20.98%，中盘成长 12.87%，小盘价值 13.67%，中盘价值 9.87%，大盘价值 6.32%[32] * 近1年收益率：小盘成长 63.64%，大盘成长 49.79%，中盘成长 43.40%，小盘价值 35.20%，中盘价值 22.42%，大盘价值 18.89%[32] * 近1年夏普比：小盘成长 4.37，大盘成长 3.82，中盘成长 3.35，小盘价值 3.35，中盘价值 2.32，大盘价值 2.19[31][32] * 今年收益率：小盘成长 30.99%，大盘成长 21.45%，中盘成长 16.84%，小盘价值 15.45%，中盘价值 9.68%，大盘价值 3.31%[32] * 今年波动率：小盘成长 10.25%，大盘成长 8.81%，中盘成长 8.90%，小盘价值 7.67%，中盘价值 6.82%，大盘价值 6.03%[32] 3. **期权持仓量CPR因子**[90] * 当前值（2025-09-12）：中证1000指数期权CPR 0.90，华泰柏瑞沪深300ETF期权CPR 0.88，南方中证500ETF期权CPR 0.78[90] * 当前分位数（近三年）：中证1000指数期权CPR 3.31%，华泰柏瑞沪深300ETF期权CPR 7.01%，南方中证500ETF期权CPR 3.59%[90] 4. **股指期货基差因子（年化贴水率）**[93] * 当前值（2025-09-12）：IC基差年化贴水率 -7.68%，IF基差年化贴水率 -1.88%，IM基差年化贴水率 -11.87%[93] * 当前分位数（近三年）：IC基差年化贴水率 21.30%，IF基差年化贴水率 40.74%，IM基差年化贴水率 19.05%[93] * 周边际变化：IC基差年化贴水率上升2.09%，IF基差年化贴水率上升0.70%，IM基差年化贴水率下降0.82%[93] 5. **风格关注倍数因子**[100] * 当前值（2025-09-12）：中证1000关注倍数 3.26倍，中证2000关注倍数 4.27倍，中证500关注倍数 2.69倍[100] * 当前分位数（近三年）：中证1000关注倍数 28.3%，中证2000关注倍数 2.8%，中证500关注倍数 64.1%[100] * 周边际变化：中证1000关注倍数上升0.09，中证2000关注倍数上升0.18，中证500关注倍数上升0.06[100] 6. **盈利利差因子**[102] * 当前值（2025-09-12）：中证1000盈利利差 0.33%，中证500盈利利差 1.14%，中证2000盈利利差 -1.18%，沪深300盈利利差 5.28%[102] * 当前分位数（近三年）：中证1000盈利利差 25.7%，中证500盈利利差 0.9%，中证2000盈利利差 1.4%，沪深300盈利利差 1.3%[102] * 周边际变化：中证1000盈利利差下降0.09%，中证500盈利利差下降0.12%，中证2000盈利利差下降0.05%，沪深300盈利利差下降0.12%[102] 7. **股息利差因子**[105] * 当前值（2025-09-12）：中证1000股息利差 -0.68%，中证500股息利差 -0.43%，中证2000股息利差 -1.03%，沪深300股息利差 0.77%[105] * 当前分位数（近三年）：中证1000股息利差 61.0%，中证500股息利差 57.1%，中证2000股息利差 41.1%，沪深300股息利差 59.3%[105] * 周边际变化：中证1000股息利差下降0.05%，中证500股息利差下降0.07%，中证2000股息利差下降0.05%，沪深300股息利差下降0.09%[105] 8. **交易热度因子**[96][97][108] * **宽基指数交易热度**（2025-09-12）： * 当前值：沪深300交易热度 0.28，中证500交易热度 0.20，中证1000交易热度 0.20，中证2000交易热度 0.22，市场交易额 2.49万亿元[96][97] * 当前分位数（近三年）：沪深300交易热度 68.78%，中证500交易热度 99.60%，中证1000交易热度 28.04%，中证2000交易热度 10.19%，市场交易额 97.88%[97] * **板块交易热度**（2025-09-12）： * 当前值：TMT交易热度 0.41，其他(含小微盘)交易热度 0.10，市场交易额 2.49万亿元[107][108] * 当前分位数（近三年）：TMT交易热度 82.3%，其他(含小微盘)交易热度 39.0%，市场交易额 97.9%[108] * 周边际变化：TMT交易热度下降0.7%，其他(含小微盘)交易热度上升1.5%，市场交易额上升3.5%[108]

量化模型与因子总结 量化因子与构建方式 1 **因子名称：RSI相对强弱指标**[2] **因子构建思路**：通过计算一定周期内平均涨幅与平均跌幅的比值，衡量市场超买超卖状态[2] **因子具体构建过程**： - 计算周期：12天[2] - 计算公式： $$RSI = 100 - \frac{100}{1 + RS}$$ 其中RS为周期内平均涨幅与平均跌幅的比值[2] - 判断标准：RSI>70表示超买状态，RSI<30表示超卖状态[2] 2 **因子名称：净申购金额**[2] **因子构建思路**：通过净值变化推算资金流入流出情况[2] **因子具体构建过程**： - 计算公式： $$NETBUY(T) = NAV(T) - NAV(T-1) \times (1 + R(T))$$ 其中NETBUY(T)为T日净申购金额，NAV(T-1)为前一日净值，R(T)为T日收益率[2] 因子回测效果 1 **RSI相对强弱指标因子** - 具体取值见各ETF的"RSI相对强弱指标"列[4][6] - 例如：华泰柏瑞沪深300ETF为63.90，易方达沪深300ETF为63.27[4] 2 **净申购金额因子** - 具体取值见各ETF的"净申购（亿元）"列[4][6] - 例如：华泰柏瑞沪深300ETF为63.27亿元，易方达沪深300ETF为9.10亿元[4] 注：报告中未提供其他量化模型或复合因子的构建细节，也未包含模型或因子评价内容及完整的测试结果指标（如年化收益率、夏普比率、信息比率等）[1][2][3][4][5][6][7][8]

量化模型与构建方式 量化因子与构建方式 1. **因子名称：中期动量因子（MOM）** **因子构建思路**：基于Jegadeesh和Titman的经典研究，通过计算股票过去一段时间（剔除最近一个月）的累计收益率来捕捉动量效应[9][11] **因子具体构建过程**：对于股票i在t月的中期动量因子，计算公式为： $$M O M_{i,t}^{M}=\prod_{k=t-12}^{t-2}\left(1+r_{i,k}\right)-1$$ 其中，$r_{i,k}$表示股票i在k月的收益率[12] 2. **因子名称：短期动量因子** **因子构建思路**：考虑到A股市场风格轮动较快，将计算窗口缩短以捕捉短期动量效应[18] **因子具体构建过程**：对于股票i在t月的短期动量因子，计算公式为： $$M O M_{i,t}^{s}=\prod_{k=t-6}^{t-2}\left(1+r_{i,k}\right)-1$$ 其中，$r_{i,k}$表示股票i在k月的收益率[18] 3. **因子名称：方向动量因子（D-MOM）** **因子构建思路**：借鉴《Directional Information in Equity Returns》一文，通过线性概率模型预测收益率的方向而非数值，以提升稳健性并抵御"动量崩溃"[10][24][25] **因子具体构建过程**：对每个股票构建线性概率模型，模型公式为： $$\begin{array}{c}{{r_{i,t}^{+}=\delta_{0}+\delta_{1}V_{i,t-1}+\delta_{2}r_{m,t-1}+\beta_{+}^{m}P_{i,t-1}^{m}+\beta_{+}^{w}P_{i,t-1}^{w}+\beta_{+}^{d}P_{i,t-1}^{d}+\beta_{-}^{m}N_{i,t-1}^{m}+\beta_{-}^{w}N_{i,t-1}^{w}}}\\ {{+\beta_{-}^{d}N_{i,t-1}^{d}+u_{i,t}}}\end{array}$$ 其中，$r_{i,t}^{+}$是哑变量（收益率大于0取1，否则取0）；$V_{i,t-1}$是滞后一期的特质方差（CAPM模型残差的方差）；$r_{m,t-1}$是滞后一期的市场收益率；$P_{i,t-1}^{m}$, $P_{i,t-1}^{w}$, $P_{i,t-1}^{d}$ 分别是月度、周度、日度的正收益持续期（最长持续期为12月/周/天）；$N_{i,t-1}^{m}$, $N_{i,t-1}^{w}$, $N_{i,t-1}^{d}$ 分别是月度、周度、日度的负收益持续期（最长持续期为12月/周/天）[25] 模型输出的预测值即为股票i在t时刻收益率大于0的概率，称为概率得分（Probability Score, PS），记作方向动量（D-MOM）因子[26] 4. **因子名称：增强方向动量因子（增强D-MOM）** **因子构建思路**：在原始方向动量因子基础上，加入个股自身的历史收益率作为自变量，以捕捉个体动量/反转特征，提升预测有效性[35] **因子具体构建过程**：线性概率模型扩展为： $$\begin{array}{c}{{r_{i,t}^{+}=\delta_{0}+\delta_{1}W_{i,t-1}+\delta_{2}r_{m,t-1}+\delta_{3}r_{i,t-1}+\beta_{4}^{m}P_{i,t-1}^{m}+\beta_{4}^{w}P_{i,t-1}^{w}+\beta_{4}^{d}P_{i,t-1}^{d}+\beta_{4}^{m}N_{i,t-1}^{m}}}\\ {{+\beta_{2}^{w}N_{i,t-1}^{w}+\beta_{4}^{d}N_{i,t-1}^{d}+u_{i,t}}}\end{array}$$ 其中，新增自变量$r_{i,t-1}$表示股票i滞后一期的收益率，其余变量定义同方向动量因子[35] 模型输出的概率得分（PS）即为增强方向动量（D-MOM）因子[35] **因子评价**：该因子有效改进了A股传统动量因子失效的困境，具备更好的收益分布特征和更低的极端风险概率，能有效抵御"动量崩溃"[36][42][49] 模型的回测效果 1. **中期动量因子（MOM）** IC均值：0.019[13] 年化ICIR：0.30[13] IC>0概率：59%[13] 多空年化收益率（等权）：-1.00%[13] 多头年化超额收益率（等权）：2.80%[13] 多空组合收益风险比：-0.10[13] 2. **短期动量因子** IC均值：0.011[35] 年化ICIR：0.20[35] IC>0概率：60%[35] 多空年化收益率（等权）：-10.80%[35] 多头年化超额收益率（等权）：-3.00%[35] 多空组合收益风险比：-0.24[35] 3. **方向动量因子（D-MOM）** IC均值：0.059[33][35] 年化ICIR：1.39[33][35] IC>0概率：86%[33][35] 多空年化收益率（等权）：21.40%[35] 多空年化收益率（市值加权）：25.10%[35] 多头年化超额收益率（等权）：11.50%[35] 多头年化超额收益率（市值加权）：12.30%[35] 多空组合收益风险比（等权）：1.66[35] 多空组合收益风险比（市值加权）：1.35[35] 4. **增强方向动量因子（增强D-MOM）** IC均值：0.064[36][41] 年化ICIR：1.40[41] IC>0概率：86%[36][41] 多空年化收益率（等权）：25.40%[41] 多空年化收益率（市值加权）：26.40%[41] 多头年化超额收益率（等权）：15.10%[41] 多头年化超额收益率（市值加权）：12.80%[41] 多空组合收益风险比（等权）：1.84[41] 多空组合收益风险比（市值加权）：1.58[41] 月收益率偏度：0.72[43] 月收益率<-10%的概率：0.5%[43]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：Barra风格因子** [14][15]；**因子构建思路**：基于股票的不同特征维度构建系统化的风格因子体系，用于描述和解释股票收益的差异性[15]；**因子具体构建过程**：共包含10个风格因子，具体构建公式如下： * **Beta因子**：计算股票的历史Beta值。$$ Beta $$ * **市值因子**：取总市值的自然对数。$$ 市值 = \ln(总市值) $$ * **动量因子**：计算历史超额收益率序列的均值。$$ 动量 $$ * **波动因子**：由历史超额收益率序列波动率、累积超额收益率离差和历史残差收益率序列波动率加权合成。$$ 波动 = 0.74 \times \sigma_{超额收益} + 0.16 \times D_{累积超额收益} + 0.1 \times \sigma_{残差收益} $$ * **非线性市值因子**：取市值风格的三次方。$$ 非线性市值 = (市值风格)^3 $$ * **估值因子**：取市净率的倒数。$$ 估值 = \frac{1}{市净率} $$ * **流动性因子**：由月换手率、季换手率和年换手率加权合成。$$ 流动性 = 0.35 \times Turnover_{月} + 0.35 \times Turnover_{季} + 0.3 \times Turnover_{年} $$ * **盈利因子**：由分析师预测盈利价格比、市现率倒数和市盈率TTM倒数加权合成。$$ 盈利 = 0.68 \times \frac{E_{预测}}{P} + 0.21 \times \frac{1}{P/CF} + 0.11 \times \frac{1}{PE_{TTM}} $$ * **成长因子**：由分析师预测长期盈利增长率、分析师预测短期盈利增长率、盈利增长率和营业收入增长率加权合成。$$ 成长 = 0.18 \times G_{长期预测} + 0.11 \times G_{短期预测} + 0.24 \times G_{盈利} + 0.47 \times G_{营收} $$ * **杠杆因子**：由市场杠杆率、账面杠杆率和资产负债率加权合成。$$ 杠杆 = 0.38 \times Leverage_{市场} + 0.35 \times Leverage_{账面} + 0.27 \times 资产负债率 $$ 2. **因子名称：GRU因子** [18][20][24][26]；**因子构建思路**：使用门控循环单元（GRU）神经网络模型捕捉股票价格的时序特征以预测收益[18][20][24][26]；**因子具体构建过程**：报告提及了多个基于GRU的模型，区别在于输入数据和预测目标的不同，具体有： * **barra1d模型**：使用Barra风险模型数据作为输入，预测1天收益[18][20][24][26] * **barra5d模型**：使用Barra风险模型数据作为输入，预测5天收益[20][24][26] * **open1d模型**：以开盘价相关数据作为输入，预测1天收益[32] * **close1d模型**：以收盘价相关数据作为输入，预测1天收益[20][32] 3. **因子名称：多因子组合** [32]；**因子构建思路**：将多个因子信号组合成一个综合信号进行投资[32]；**因子具体构建过程**：报告中未详细说明具体组合的因子和权重方法[32] 4. **因子名称：基本面因子** [18][20][23][26]；**因子构建思路**：基于公司财务报表数据构建因子，评估公司的盈利能力、成长性、估值等基本面状况[18][20][23][26]；**因子具体构建过程**：报告中列举了多类基本面因子，财务指标均采用TTM方式计算，并在测试前进行了行业中性化处理[17]。具体因子包括： * **超预期增长类**：如roa超预期增长、营业利润率超预期增长、净利润超预期增长、roc超预期增长[18][21][27] * **增长类**：如roa增长、营业利润率增长、roc增长[18][21][27] * **静态财务类**：如roa、roc、营业利润率、市销率、营业周转率、市盈率、EOI[21][27] * **估值类**：如市净率倒数（见Barra估值因子）[20][26] 5. **因子名称：技术类因子** [18][20][23][26]；**因子构建思路**：基于股票的交易价格和成交量数据构建因子，捕捉市场的交易行为特征[18][20][23][26]；**因子具体构建过程**：报告中提及的技术因子在测试前进行了行业中性化处理[17]。具体因子包括： * **动量因子**：如20日动量、60日动量、120日动量[25][30] * **波动因子**：如20日波动、60日波动、120日波动、长期波动[18][25][30] * **其他**：中位数离差因子[25][30] 因子回测效果 回测设置通用参数：选股范围为万得全A，剔除ST、*ST、停牌不可交易及上市不满120日的股票[16][17]。多空组合每月末调仓，做多因子值前10%的股票，做空后10%的股票，等权配置[16][17]。基本面因子均使用TTM财务数据并经过行业中性化处理[17]。 1. **风格因子（全市场）** [16] * 近期表现：市值、非线性市值、流动性因子的多头表现强势；盈利、估值、成长因子的空头表现较好[2][16] 2. **全市场股池因子** [18] * **基本面因子**：本周多空收益多数为正；超预期增长类因子表现较强，增长类因子次之；静态财务因子多头收益不显著[3][18] * **技术类因子**：多空收益多数为正，仅长期波动因子为负[3][18] * **GRU因子**：多空表现较弱，仅barra1d模型取得正向多空收益[3][18] 3. **沪深300股池因子** [20] * **基本面因子**：本周多空收益表现多数为正；估值类因子多头收益显著；静态财务因子多空收益表现较强，增长类财务因子次之[4][20] * **技术面因子**：多空收益均为正向，动量因子表现较强[4][20] * **GRU因子**：多空收益表现分化；close1d和barra5d模型多空收益回撤较多；barra1d模型表现较强[4][20] 4. **中证500股池因子** [23][24] * **基本面因子**：多空收益表现分化；静态财务因子多空收益显著偏负；增长类和超预期增长类因子多空表现为正向[5][23] * **技术面因子**：多空表现均为正向[5][24] * **GRU因子**：多空收益表现较弱；仅barra1d模型多空表现强势[5][24] 5. **中证1000股池因子** [26] * **基本面因子**：多空收益表现分化；估值类因子多空收益显著为正；静态财务因子多数表现为正向；增长类和超预期增长类财务因子均为负向[6][26] * **技术因子**：多空表现多数为正，仅长期动量和中位数离差因子为负且不显著[6][26] * **GRU因子**：多空收益表现较弱；仅barra1d模型取得微弱的多空收益[6][26] 模型回测效果 回测设置参数：选股池为万得全A，剔除ST、*ST、停牌不可交易及上市不满180日的股票；业绩基准为中证1000指数；月度调仓；双边千3手续费；个股权重上限千2；风格偏离0.5标准差；行业偏离0.01[31]。 1. **open1d模型** [32][33] * 近一周超额收益: 0.22% * 近一月超额收益: -1.23% * 近三月超额收益: -1.56% * 近六月超额收益: 4.68% * 今年以来超额收益: 5.45% 2. **close1d模型** [32][33] * 近一周超额收益: -0.20% * 近一月超额收益: -2.64% * 近三月超额收益: -3.36% * 近六月超额收益: 2.44% * 今年以来超额收益: 2.92% 3. **barra1d模型** [32][33] * 近一周超额收益: 0.14% * 近一月超额收益: 1.20% * 近三月超额收益: 0.28% * 近六月超额收益: 2.54% * 今年以来超额收益: 4.77% 4. **barra5d模型** [32][33] * 近一周超额收益: -0.59% * 近一月超额收益: -2.84% * 近三月超额收益: -2.81% * 近六月超额收益: 3.35% * 今年以来超额收益: 5.03% 5. **多因子组合** [32][33] * 近一周超额收益: -0.50% * 近一月超额收益: -1.67% * 近三月超额收益: -2.37% * 近六月超额收益: 2.28% * 今年以来超额收益: -0.10%