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**：基于多因子模型（如估值、成长、盈利等因子）生成股票预期收益 2. **风险控制**：约束行业暴露、风格暴露（如市值中性）、个股权重偏离（最大1%）[41] 3. **组合优化**：采用优化模型控制跟踪误差，目标函数为最大化因子暴露，约束条件包括行业中性、成分股权重占比100%等[41][42] - **模型评价**：组合优化方法兼顾因子有效性与实际投资约束，回测显示稳定跑赢基准[13][15] 2. **模型名称**：单因子MFE组合（Maximized Factor Exposure Portfolio） - **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/风格约束后的有效性[41] - **模型具体构建过程**： - 优化目标函数： $$ \begin{array}{ll} \max & f^{T}w \\ s.t. & s_{l}\leq X(w-w_{b})\leq s_{h} \\ & h_{l}\leq H(w-w_{b})\leq h_{h} \\ & \mathbf{1}^{T}w=1 \end{array} $$ 其中 \( f \) 为因子向量，\( w \) 为权重，\( X \) 为风格暴露矩阵，\( H \) 为行业暴露矩阵[41][42] - 约束条件：行业中性、市值中性、个股权重偏离≤1%[41] - **模型评价**：更贴近实际投资场景的因子检验方法，避免传统分档测试的偏差[41] --- 量化因子与构建方式 1. **因子名称**：估值类因子（BP、EPTTM、股息率等） - **构建思路**：捕捉股票低估或高估信号[18] - **具体构建过程**： - **BP因子**：$$ BP = \frac{净资产}{总市值} $$ - **EPTTM因子**：$$ EPTTM = \frac{归母净利润TTM}{总市值} $$[18] 2. **因子名称**：成长类因子（单季营收同比增速、DELTAROE等） - **构建思路**：衡量企业盈利或收入增长能力[18] - **具体构建过程**： - **单季营收同比增速**：$$ \frac{本期营业收入-去年同期营业收入}{去年同期营业收入} $$ - **DELTAROE**：$$ \Delta ROE = ROE_{t} - ROE_{t-1} $$[18] 3. **因子名称**：流动性因子（一个月换手、三个月换手） - **构建思路**：反映股票交易活跃度[18] - **具体构建过程**： - **一个月换手率**：过去20个交易日换手率均值[18] 4. **因子名称**：分析师预期因子（预期PEG、三个月盈利上下调） - **构建思路**：利用分析师一致预期数据捕捉市场情绪[18] - **具体构建过程**： - **预期PEG**：$$ PEG = \frac{预期PE}{预期净利润增长率} $$[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0.83%，本年超额5.09%[6][15] - 中证1000增强：本年超额11.66%[6][15] 2. **单因子MFE组合**（以沪深300为例）： - **三个月机构覆盖因子**：本周超额0.71%，年化IR 2.89%[20] - **单季ROE因子**：本周超额0.64%，年化IR 4.34%[20] --- 因子的回测效果 1. **沪深300样本空间**： - **三个月机构覆盖**：本周超额0.71%，历史年化IR 2.89%[20] - **单季ROA**：本周超额0.68%，历史年化IR 3.69%[20] 2. **中证500样本空间**： - **标准化预期外盈利**：本周超额1.05%，历史年化IR 7.54%[22] 3. **中证1000样本空间**： - **单季营收同比增速**：本周超额1.82%，历史年化IR 4.25%[24] 4. **公募重仓指数样本空间**： - **DELTAROE**：本周超额1.03%，历史年化IR 3.64%[28] （注：部分因子表现数据因文档格式限制未完全列出，但已覆盖核心因子及结果）

量化因子与构建方式 1. **因子名称**：bp **因子构建思路**：衡量公司净资产与市值的比率，反映估值水平[13] **因子具体构建过程**：$$ bp = \frac{当前净资产}{当前总市值} $$[13] 2. **因子名称**：bp三年分位数 **因子构建思路**：反映当前bp在历史区间内的相对位置[13] **因子具体构建过程**：计算股票当前bp在最近三年的分位数[13] 3. **因子名称**：季度ep **因子构建思路**：衡量季度净利润与净资产的关系[13] **因子具体构建过程**：$$ 季度ep = \frac{季度净利润}{净资产} $$[13] 4. **因子名称**：季度ep一年分位数 **因子构建思路**：反映季度ep在近一年的相对水平[13] **因子具体构建过程**：计算当前季度ep在最近一年的分位数[13] 5. **因子名称**：季度sp **因子构建思路**：衡量营业收入与净资产的关系[13] **因子具体构建过程**：$$ 季度sp = \frac{季度营业收入}{净资产} $$[13] 6. **因子名称**：季度资产周转率 **因子构建思路**：反映资产运营效率[13] **因子具体构建过程**：$$ 季度资产周转率 = \frac{季度营业收入}{总资产} $$[13] 7. **因子名称**：季度毛利率 **因子构建思路**：衡量盈利能力[13] **因子具体构建过程**：$$ 季度毛利率 = \frac{季度毛利润}{季度销售收入} $$[13] 8. **因子名称**：季度roa **因子构建思路**：反映资产收益率[13] **因子具体构建过程**：$$ 季度roa = \frac{季度净利润}{总资产} $$[13] 9. **因子名称**：季度roe **因子构建思路**：衡量净资产收益率[13] **因子具体构建过程**：$$ 季度roe = \frac{季度净利润}{净资产} $$[13] 10. **因子名称**：季度净利润同比增长 **因子构建思路**：反映盈利增长能力[13] **因子具体构建过程**：计算季度净利润同比增长率[13] 11. **因子名称**：标准化预期外盈利 **因子构建思路**：衡量盈利超预期程度[13] **因子具体构建过程**：$$ \frac{当前季度净利润-(去年同期单季净利润+过去8个季度单季净利润同比增长均值)}{过去8个季度的单季度净利润同比增长值的标准差} $$[13] 12. **因子名称**：1个月反转 **因子构建思路**：捕捉短期反转效应[13] **因子具体构建过程**：计算过去20个交易日收益率累加[13] 13. **因子名称**：小市值 **因子构建思路**：反映公司规模效应[13] **因子具体构建过程**：计算对数市值[13] 14. **因子名称**：Beta **因子构建思路**：衡量系统性风险[14] **因子具体构建过程**：最近490个交易日个股收益与市场收益加权回归的系数[14] 因子回测效果 1. **bp因子** 最近一周IC：-4.17% 最近一月IC均值：0.88% 最近一年IC均值：1.86% 历史IC均值：2.19%[9] 2. **小市值因子** 最近一周IC：10.49% 最近一月IC均值：8.17% 最近一年IC均值：3.61% 历史IC均值：2.05%[9] 3. **1个月反转因子** 最近一周IC：7.22% 最近一月IC均值：1.22% 最近一年IC均值：3.40% 历史IC均值：2.22%[9] 4. **季度roe同比因子** 最近一周超额：1.34% 最近一月超额：1.94% 最近一年超额：5.55% 历史累计超额：17.05%[11] 5. **季度净利润同比增长因子** 最近一周超额：0.76% 最近一月超额：1.44% 最近一年超额：10.22% 历史累计超额：36.68%[11] 6. **1个月换手率波动因子** 最近一周超额：0.18% 最近一月超额：0.99% 最近一年超额：13.36% 历史累计超额：30.59%[11]

量化模型与因子分析总结 量化模型与构建方式 1. **模型名称：分红预测模型** - **模型构建思路**：基于上市公司分红信息（已实施、股东大会通过、董事会预案等）和合理假设，预测分红对股指期货各合约的影响[8][10] - **模型具体构建过程**： 1. **预估成分股净利润**：优先采用年报、快报、预警、分析师预测等数据源，按优先级顺序填补未公布数据[23][28] 2. **计算税前分红总额**： - 已公布分红预案的直接采用 - 未公布的按历史分红率推算（若去年分红率>0） - 净利润为负或历史不分红的公司设分红率为0[28] 3. **计算分红对指数的影响**： - 股息率=税后分红总额/最新市值 - 单股票影响=股票权重×股息率 - 权重动态调整公式： $$\mathrm{w_{it}={\frac{w_{i0}\times\mathrm{\scriptsize{\boldmath~(~1+R~)}~}}{\sum_{1}^{n}w_{i0}\times\mathrm{\scriptsize{\boldmath~(~1+R~)}~}}}}$$ （其中$w_{i0}$为基准日权重，$R$为涨跌幅）[26] 4. **预测合约影响值**： - 除权除息日预测：已公布的直接采用，未公布的参考历史分红时间差中位数[29][30] - 累加交割日前所有分红点数为最终影响值[30] - **模型评价**：依赖历史分红率假设，对市场突变敏感[5][32] 2. **模型名称：股指期货定价模型** - **模型构建思路**：基于无套利原理，考虑分红现值和利率影响[32][33] - **模型具体构建过程**： - **离散红利定价公式**： $$\mathbf{D}=\sum_{\mathrm{i=1}}^{\mathrm{m}}\mathbf{D}_{\mathrm{i}}\,/(1+\phi)$$ $$F_t=(S_t-D)(1+r)$$ （$D$为红利现值，$r$为无风险利率）[32] - **连续红利定价公式**： $$F_t=S_t e^{(r-d)(T-t)}$$ （$d$为年化红利率）[33] 模型回测效果 1. **分红预测模型** - **上证50期货**： - IH2506合约：分红点数12.10，年化对冲成本（365天）3.05%[12] - IH2507合约：分红点数49.96，年化对冲成本-1.26%[12] - **沪深300期货**： - IF2506合约：分红点数16.30，年化对冲成本1.54%[13] - IF2509合约：分红点数61.62，年化对冲成本2.60%[13] - **中证500期货**： - IC2506合约：分红点数18.75，年化对冲成本8.11%[14] - IC2512合约：分红点数52.37，年化对冲成本9.76%[14] - **中证1000期货**： - IM2506合约：分红点数17.78，年化对冲成本14.77%[15] - IM2512合约：分红点数38.99，年化对冲成本13.71%[15] 2. **股指期货定价模型** - 理论价差与实际价差对比显示，IH2506合约含分红价差为-3.15点（实际价差-15.25点）[12]，IF2506含分红价差-2.28点（实际价差-18.58点）[13]，验证模型对分红影响的修正效果 关键指标汇总 | 指标 | IH2506 | IF2506 | IC2506 | IM2506 | |---------------------|--------|--------|--------|--------| | 分红点数 | 12.10 | 16.30 | 18.75 | 17.78 | | 年化对冲成本（365天）| 3.05% | 1.54% | 8.11% | 14.77% | | 剩余影响比例 | 0.45% | 0.42% | 0.33% | 0.29% |[12][13][14][15][16]

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. **优秀基金业绩增强组合** - 模型构建思路：从对标宽基指数转向对标主动股基，借鉴优秀基金持仓并采用量化方法增强[4][48] - 模型具体构建过程： 1. 对基金收益类因子进行分层中性化处理，优选基金组合 2. 根据优选基金持仓构建组合，控制与优选基金在个股、行业及风格上的偏离 3. 采用组合优化方法增强，年化跟踪误差4.68%[48][49] - 模型评价：历史表现稳定，大部分年度排名股基前30%[50] 2. **超预期精选组合** - 模型构建思路：筛选超预期事件股票池，结合基本面和技术面双重精选[5][55] - 模型具体构建过程： 1. 以研报标题超预期和净利润上调为条件筛选股票池 2. 对股票池进行基本面（如财务指标）和技术面（如动量指标）打分 3. 构建等权组合[5][55] 3. **券商金股业绩增强组合** - 模型构建思路：以券商金股股票池为基准，控制个股和风格偏离[6][60] - 模型具体构建过程： 1. 以券商金股为选股空间，约束组合与基准的个股、风格偏离 2. 以公募基金行业分布为行业配置基准[60] 4. **成长稳健组合** - 模型构建思路：采用“先时序、后截面”的二维评价体系，捕捉成长股超额收益黄金期[7][65] - 模型具体构建过程： 1. 以超预期和业绩预增事件筛选股票池 2. 按距离财报披露日天数分档，优先选择临近披露日的股票 3. 引入多因子打分（如估值、成长性）和风险控制机制（如缓冲机制）[7][65] --- 模型的回测效果 1. **优秀基金业绩增强组合** - 全样本年化收益20.50%，超额偏股混合型基金指数12.36%[50] - 2025年超额收益-2.75%，排名股基51.60%分位点[14][23] 2. **超预期精选组合** - 全样本年化收益28.53%，超额偏股混合型基金指数23.02%[56] - 2025年超额收益9.48%，排名股基10.93%分位点[14][31] 3. **券商金股业绩增强组合** - 全样本年化收益19.01%，超额偏股混合型基金指数14.87%[61] - 2025年超额收益2.90%，排名股基25.02%分位点[14][38] 4. **成长稳健组合** - 全样本年化收益34.74%，超额偏股混合型基金指数26.43%[66] - 2025年超额收益13.98%，排名股基6.54%分位点[14][43] --- 关键指标对比 - **2025年超额收益**：成长稳健组合（13.98%）> 超预期精选组合（9.48%）> 券商金股组合（2.90%）> 优秀基金组合（-2.75%）[14] - **排名分位点**：成长稳健组合（6.54%）最优，超预期精选组合（10.93%）次之[14][31][43] 注：所有数据均基于偏股混合型基金指数（885001.WI）为基准，组合仓位按90%计算[18][24][32][39]

根据提供的金融工程日报内容，以下是量化模型与因子的结构化总结： --- 量化因子与构建方式 1. **因子名称：封板率因子** - 构建思路：通过监测涨停股盘中封板稳定性反映市场情绪强度[15] - 具体构建： $$封板率=\frac{最高价涨停且收盘涨停股票数}{最高价涨停股票数}$$ 筛选上市满3个月的股票，统计日内最高价与收盘价均涨停的股票占比[15] - 因子评价：高频因子对短线情绪捕捉敏感 2. **因子名称：连板率因子** - 构建思路：衡量涨停股持续性强弱，反映市场追涨动能[15] - 具体构建： $$连板率=\frac{连续两日收盘涨停股票数}{昨日收盘涨停股票数}$$ 需排除新股上市前3个月数据[15] - 因子评价：对题材炒作持续性有前瞻性 3. **因子名称：大宗交易折价率因子** - 构建思路：通过大宗交易价格偏离度观测机构资金动向[25] - 具体构建： $$折价率=\frac{大宗交易总成交金额}{当日成交份额总市值}-1$$ 统计单日所有大宗交易成交额与市值的加权偏离度[25] - 因子评价：反映大资金对标的的折让要求 4. **因子名称：股指期货贴水率因子** - 构建思路：利用期现价差捕捉市场预期变化[27] - 具体构建： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 计算主力合约基差并年化处理，覆盖上证50/沪深300/中证500/中证1000指数[27] --- 因子回测效果 1. **封板率因子** - 当日值：61%（较前日下降8%）[15] - 近一月波动区间：55%-70%[15] 2. **连板率因子** - 当日值：21%（较前日提升4%）[15] - 近一月波动区间：15%-25%[15] 3. **大宗交易折价率因子** - 当日值：7.46%（近半年均值5.54%）[25] - 分位点：处于近半年85%高位[25] 4. **股指期货贴水率因子** - 上证50：14.18%（近一年13%分位）[27] - 沪深300：11.99%（近一年13%分位）[27] - 中证500：15.91%（近一年19%分位）[27] - 中证1000：21.39%（近一年13%分位）[27] --- 注：报告中未涉及量化模型的具体构建，故仅总结可量化的市场行为因子。所有因子数据均来自20250606最新统计[15][25][27]

量化因子与构建方式 1. **因子名称**：250日新高距离 **因子构建思路**：通过计算当前收盘价与过去250日最高价的相对距离，衡量股票创新高的程度[11] **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个交易日收盘价的最大值 若最新收盘价创出新高，则因子值为0；若较新高回落，则因子值为正，表示回落幅度[11] **因子评价**：该因子能有效捕捉动量效应，符合趋势跟踪策略的逻辑基础[11] 2. **因子名称**：平稳创新高筛选因子（复合因子） **因子构建思路**：结合分析师关注度、股价路径平稳性等多维度筛选具有持续动量的股票[23][26] **因子具体构建过程**： - **分析师关注度**：过去3个月买入/增持评级的研报≥5份[26] - **股价相对强弱**：过去250日涨跌幅位于全市场前20%[26] - **股价平稳性**（双重筛选）： 1. 位移路程比 = \(\frac{过去120日涨跌幅绝对值}{过去120日日涨跌幅绝对值加总}\)[23] 2. 创新高持续性 = 过去120日的250日新高距离时间序列均值[26] - **趋势延续性**：过去5日的250日新高距离时间序列均值[26] 最终取综合排名前50的股票[26] **因子评价**：该复合因子能过滤跳跃型动量，捕捉更可持续的趋势信号[23][26] --- 因子回测效果 1. **250日新高距离因子** - 上证指数取值：2.99%[12] - 深证成指取值：11.41%[12] - 沪深300取值：8.98%[12] - 中证500取值：8.98%[12] - 中证1000取值：6.94%[12] - 中证2000取值：4.25%[12] - 创业板指取值：20.03%[12] - 科创50取值：12.00%[12] 2. **平稳创新高筛选因子** - 筛选结果示例（部分股票）： - 三生国健（医药）：250日涨幅174%，新高距离2.9%[30] - 万辰集团（农林牧渔）：250日涨幅610%，新高距离5.9%[30] - 仕佳光子（通信）：250日涨幅249%，新高距离0%[30] - 板块分布： - 制造板块入选11只（机械行业最多）[27] - 消费板块入选8只（食品饮料行业最多）[27] --- 补充说明 - **行业/概念应用**： - 银行行业250日新高距离最低（0.37%），煤炭行业最高[13] - 万得微盘股等权概念指数表现最优（新高距离最小）[15] - **创新高股票分布**： - 全市场777只股票创250日新高，基础化工（106只）、机械（93只）、医药（91只）数量最多[19] - 中证2000指数创新高占比最高（14.85%）[20] （注：原文未提供IR等量化指标，故未列出）

量化模型与构建方式 国企基本面因子选股策略 1. **模型名称**：国企基本面因子选股多头策略 - **模型构建思路**：基于中证国企指数成分股及北交所符合条件的国企股票构建样本池，根据行业分类（红利型、成长型）选择通用因子和行业特色因子，通过加权打分选股[3][4][5]。 - **模型具体构建过程**： 1. **样本池定义**：中证国企指数成分股+北交所上市满6个月的央/地方国企股票[3]。 2. **行业分类**：将ZX三级行业划分为红利型（资源品、公用事业等6类）和成长型（先进制造、软件服务等3类）[4]。 3. **因子选择**： - **通用因子**：股息率（TTM）、ROE（TTM）、营业现金比率等，权重根据行业类型调整（红利型股息率权重4，成长型为2）[5][6]。 - **行业特色因子**：如资源品的ROIC环比增量、房地产的存货周转率等[7][8]。 4. **得分计算**：通用因子得分（30%）+行业特色因子得分（70%）加权，归一化为百分制总分[9]。 5. **权重分配**：前50名个股按得分立方加权，公式为： $$w_{i}={\frac{s c o r e_{i}^{3}}{\sum_{i=1}^{N}s c o r e_{i}^{3}}}$$ [10]。 - **模型评价**：突出国企红利特征，兼顾行业差异，因子权重设计体现不同行业逻辑[5][9]。 科技主题基本面因子选股策略 1. **模型名称**：科技主题基本面因子选股多头策略 - **模型构建思路**：从符合科技定义的行业（电子、计算机等）中筛选高研发投入股票，按企业生命周期（引入期、成长期、成熟期）分域选股[17][19][21]。 - **模型具体构建过程**： 1. **样本池定义**：SW三级行业属于科技领域且研发费用占比>5%或研发人员占比>10%的股票[17][18]。 2. **生命周期划分**：根据现金流正负将企业分为引入期、成长期等阶段，剔除震荡期和衰退期股票[19][20]。 3. **因子选择**： - **通用因子**：毛利率环比增量、独立发明专利数量等[22]。 - **特色因子**：成长期关注资产负债率（正向），成熟期关注PB-ROE（正向）[22][28]。 4. **得分计算**： - 单因子分位数打分后，按公式调节总分均衡性： $${\hat{\mathbb{E}}}_{i}^{s}\nearrow\ ={\frac{1}{5}}M e a n(S_{i})+{\frac{M e a n(S_{i})}{S t d(S_{i})}}$$ [23]。 - 研发费用乘数调整总分： $$研发费用乘数 = 0.9 + 0.2 × Normalization\left(\frac{Mean_{industry}(研发费用/总市值)}{Mean_{Astock}(研发费用/总市值)}\right)$$ [25][26]。 5. **权重分配**：前50名个股按得分线性加权，公式为： $$w e i g h t_{i}={\frac{s c o r e_{i}}{\sum_{i=1}^{50}s c o r e_{i}}}$$ [27]。 - **模型评价**：强调研发投入和高成长性，生命周期分域增强因子有效性[21][22]。 --- 模型的回测效果 国企基本面因子选股多头策略 - **年化收益率**：23.09% - **年化超额收益**：21.01%（vs 中证国企指数） - **Sharpe比率**：1.0648 - **Calmar比率**：0.9799 - **最大回撤**：-23.56% - **超额收益Sharpe比率**：1.7000[11][12]。 科技主题基本面因子选股多头策略 - **年化收益率**：25.25% - **年化超额收益**：10.62%（vs 科技股样本池） - **Sharpe比率**：0.9404 - **Calmar比率**：0.7476 - **最大回撤**：-33.78% - **超额收益Sharpe比率**：1.4755[29][30]。 --- 量化因子与构建方式 国企基本面因子 1. **通用因子**： - **股息率（TTM）**：反映国企分红稳定性[6]。 - **ROE（TTM）**：央企业绩考核指标，衡量盈利能力[6]。 - **营业现金比率**：经营现金流/营业总收入，考核销售质量[6]。 2. **行业特色因子**： - **资源品**：ROIC环比增量（盈利+营运效率）[7]。 - **房地产**：存货周转率（销售效率）[8]。 - **银行**：资本充足率（抗风险能力）[8]。 科技主题基本面因子 1. **通用因子**： - **毛利率环比增量**：反映利润空间[22]。 - **独立发明专利数量**：衡量技术水平[22]。 2. **特色因子**： - **成长期**：资产负债率（正向，支持扩张）[22][28]。 - **成熟期**：PB-ROE（低估值高ROE）[22][28]。 --- 因子的回测效果 （注：报告中未单独列出因子级回测指标，仅展示模型综合效果）

以下是按照要求总结的量化模型与因子内容： 量化因子与构建方式 资产类因子 1. **因子名称**：F1（流动性金融资产占比） **构建思路**：衡量流动资产中金融资产的占比[22] **构建过程**： $$F1 = \frac{流动性金融资产}{流动性金融资产 + 流动性经营资产}$$ 其中流动性金融资产包括货币资金、交易性金融资产等科目，流动性经营资产包括应收账款、存货等科目[19][22] 2. **因子名称**：F2（非流动性金融资产占比） **构建思路**：衡量非流动资产中金融资产的占比[22] **构建过程**： $$F2 = \frac{非流动性金融资产}{非流动性金融资产 + 非流动性经营资产}$$ 非流动性金融资产包括可供出售金融资产、长期股权投资等[19][22] 3. **因子名称**：F3（全部金融资产占比） **构建思路**：衡量总资产中金融资产的综合占比[22] **构建过程**： $$F3 = \frac{流动性金融资产 + 非流动性金融资产}{总资产}$$ 总资产为四类资产科目之和[19][22] 负债类因子 4. **因子名称**：F4（流动性金融负债占比） **构建思路**：衡量流动负债中金融负债的占比[39] **构建过程**： $$F4 = \frac{流动性金融负债}{流动性金融负债 + 流动性经营负债}$$ 流动性金融负债包括短期借款、应付票据等[19][39] 5. **因子名称**：F5（非流动性金融负债占比） **构建思路**：衡量非流动负债中金融负债的占比[39] **构建过程**： $$F5 = \frac{非流动性金融负债}{非流动性金融负债 + 非流动性经营负债}$$ 非流动性金融负债包括长期借款、应付债券等[19][39] 6. **因子名称**：F6（全部金融负债占比） **构建思路**：衡量总负债中金融负债的综合占比[39] **构建过程**： $$F6 = \frac{流动性金融负债 + 非流动性金融负债}{总负债}$$ 总负债为四类负债科目之和[19][39] 金融类因子 7. **因子名称**：F7（流动性金融资产/负债比率） **构建思路**：衡量流动性金融资产与负债的匹配程度[56] **构建过程**： $$F7 = \frac{流动性金融资产}{流动性金融资产 + 流动性金融负债}$$ 反映企业短期金融结构的稳健性[19][56] 8. **因子名称**：F8（非流动性金融资产/负债比率） **构建思路**：衡量非流动性金融资产与负债的匹配程度[56] **构建过程**： $$F8 = \frac{非流动性金融资产}{非流动性金融资产 + 非流动性金融负债}$$ 反映长期金融资源配置效率[19][56] 9. **因子名称**：F9（全部金融资产/负债比率） **构建思路**：综合衡量金融资产与负债的整体结构[56] **构建过程**： $$F9 = \frac{流动性金融资产 + 非流动性金融资产}{金融资产总额 + 金融负债总额}$$ 体现企业整体金融风险敞口[19][56] 经营类因子 10. **因子名称**：F10（流动性经营资产/负债比率） **构建思路**：衡量流动性经营资产与负债的匹配度[72] **构建过程**： $$F10 = \frac{流动性经营资产}{流动性经营资产 + 流动性经营负债}$$ 反映短期经营资金周转能力[19][72] 11. **因子名称**：F11（非流动性经营资产/负债比率） **构建思路**：衡量非流动性经营资产与负债的匹配度[72] **构建过程**： $$F11 = \frac{非流动性经营资产}{非流动性经营资产 + 非流动性经营负债}$$ 体现长期经营资源配置效率[19][72] 12. **因子名称**：F12（全部经营资产/负债比率） **构建思路**：综合衡量经营资产与负债的整体结构[72] **构建过程**： $$F12 = \frac{流动性经营资产 + 非流动性经营资产}{经营资产总额 + 经营负债总额}$$ 反映企业核心经营活动的健康度[19][72] 因子回测效果 资产类因子 1. **F1因子**： - 因子收益：0.108% - IC：-0.002 - ICIR：-0.041[38] 2. **F2因子**： - 因子收益：-0.275% - IC：0.010 - ICIR：0.200[38] 3. **F3因子**： - 因子收益：-0.141% - IC：-0.004 - ICIR：-0.077[38] 负债类因子 4. **F4因子**： - 因子收益：0.234% - IC：-0.010 - ICIR：-0.284[58] 5. **F5因子**： - 因子收益：-0.261% - IC：0.003 - ICIR：0.068[58] 6. **F6因子**： - 因子收益：0.188% - IC：-0.0065 - ICIR：-0.1974[58] 金融类因子 7. **F7因子**： - 因子收益：0.193% - IC：-0.003 - ICIR：-0.045[71] 8. **F8因子**： - 因子收益：-0.057% - IC：0.006 - ICIR：0.125[71] 9. **F9因子**： - 因子收益：0.233% - IC：-0.003 - ICIR：-0.053[71] 经营类因子 10. **F10因子**： - 因子收益：0.414% - IC：-0.015 - ICIR：-0.347[91] 11. **F11因子**： - 因子收益：0.033% - IC：0.0002 - ICIR：0.006[91] 12. **F12因子**： - 因子收益：0.396% - IC：-0.011 - ICIR：-0.307[91] 关键结论 - **最优因子**：经营类因子（F10/F12）在收益和ICIR上表现突出，其中F10月度收益达0.414%[91] - **相关性特征**：资产类与金融类因子高度相关（ρ>0.7），负债类与经营类因子高度相关[94] - **细分维度**：非流动性因子（F2/F8）的ICIR普遍高于流动性因子[38][71] （注：所有因子均经过市值和行业中性化处理，测试周期为月度调仓[21]）

根据提供的华福证券研报内容，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：期权PCR择时策略** - **模型构建思路**：利用期权持仓量PCR（Put/Call Ratio）作为市场情绪指标，采用顺趋势（PCR上升时做多）和反趋势（PCR低位时反转）的逻辑构建择时策略[4][79] - **模型具体构建过程**： 1. 计算每日期权持仓量PCR值：$$ PCR = \frac{Put持仓量}{Call持仓量} $$ 2. 设定阈值触发信号： - 当PCR持续上行且超过历史分位数（如80%分位）时，生成多头信号 - 当PCR低于历史分位数（如20%分位）时，生成空头或平仓信号[79][80] 3. 结合标的指数（上证50/沪深300）价格走势验证信号有效性 - **模型评价**：策略在极端市场情绪下捕捉反转效果较好，但对阈值敏感且依赖历史分位数校准[4][90] --- 模型的回测效果 1. **期权PCR策略（上证50）** - 2025年收益率：3.07% - 最大回撤：6.51% - 年化波动率：14.61% - 胜率：55.10% - 夏普比率：1.0[83] 2. **期权PCR策略（沪深300）** - 2025年收益率：0.97% - 最大回撤：9.44% - 年化波动率：16.55% - 胜率：54.08% - 夏普比率：0.6[86] --- 量化因子与构建方式 1. **因子名称：股指期货基差比例因子** - **因子构建思路**：通过期货合约与现货指数的基差比例反映市场情绪和流动性溢价[23][26] - **因子具体构建过程**： 1. 计算次月合约基差比例：$$ 基差比例 = \left(\frac{期货价格}{现货指数} - 1\right) \times 100\% $$ 2. 分合约期限（近月/远月）统计基差比例变化[26][33] - **因子评价**：深度贴水（如中证1000远月贴水-3.5%）显示市场对中小盘避险需求强烈[31][38] 2. **因子名称：国债期货隐含收益率因子** - **因子构建思路**：通过国债期货价格反推隐含收益率，反映市场对利率走势的预期[47][49] - **因子具体构建过程**： 1. 根据国债期货价格和久期模型计算隐含收益率 2. 对比现货收益率生成溢价信号（如隐含收益率1.66% vs 现货1.68%）[49] - **因子评价**：远月合约升水结构预示投资者对宽松政策的预期[56] --- 因子的回测效果 1. **股指期货基差比例因子（中证1000次季合约）** - 2025年5月贴水幅度：-3.63%（峰值）[26][31] 2. **国债期货隐含收益率因子（10年期）** - 2025年5月隐含收益率：1.66%[49] --- 注：以上内容严格基于研报中提及的模型、因子及数据，未包含风险提示等非核心信息。

根据提供的金融工程日报内容，该报告主要涉及市场表现、情绪指标和资金流向的统计分析，但未提及具体的量化模型或因子构建方法。以下是可提取的核心指标分类整理： 市场情绪指标 1. **封板率** 构建思路：反映涨停股的封板稳定性[16] 计算公式： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 测试结果：当日值69%（较前日+6%）[16] 2. **连板率** 构建思路：衡量涨停股的连续性[16] 计算公式： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 测试结果：当日值17%（较前日-13%，近一月新低）[16] 资金流向指标 1. **两融交易占比** 构建思路：监控杠杆资金活跃度[21] 计算方式： $$两融交易占比=\frac{融资买入额+融券卖出额}{市场总成交额}$$ 测试结果：当日值8.4%（近一年均值8.8%）[21] 2. **大宗交易折价率** 构建思路：反映机构交易溢价水平[25] 计算公式： $$折价率=\frac{大宗交易总成交金额}{当日成交份额总市值}-1$$ 测试结果：当日值3.15%（近半年均值5.51%）[25] 3. **股指期货年化贴水率** 构建思路：衡量期货市场预期[27] 计算公式： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 测试结果： - 中证1000贴水率24.11%（近一年7%分位）[27] - 中证500贴水率18.26%（近一年12%分位）[27] 其他监测指标 - **涨跌停家数**：收盘涨停76家/跌停13家[12] - **昨日涨跌停股收益**：涨停股次日收益0.56%，跌停股次日收益-5.27%[13] 注：报告未涉及量化因子或模型的构建过程与评价，仅提供市场监测指标的实时数据[1][2][3][4]