量化模型与构建方式 1. 模型名称：央国企高分红30组合 模型构建思路：聚焦央国企高分红股票，构建稳健+成长风格的投资组合[15] 模型具体构建过程：从央国企股票池中筛选高分红标的，结合分红率、企业性质等指标，最终选定30只股票构成组合[15] 模型评价：防御属性较强，在震荡市中表现相对稳健[5][16] 2. 模型名称：攻守兼备红利50组合 模型构建思路：构建兼具防御和进攻性的红利策略组合[15] 模型具体构建过程：从红利股票池中选取50只标的，综合考虑分红稳定性、成长性和估值等因素[15] 3. 模型名称：电子均衡配置增强组合 模型构建思路：通过均衡配置电子行业个股实现超越行业指数的收益[6][15] 模型具体构建过程：在电子行业内进行多维度选股，均衡配置各细分领域标的，构建增强组合[6][15] 模型评价：防御属性较强，在行业回调时表现相对稳健[6][35] 4. 模型名称：电子板块优选增强组合 模型构建思路：聚焦电子行业成熟期细分赛道龙头企业[15] 模型具体构建过程：筛选电子行业中进入成熟期的细分领域，选择龙头企业构建优选组合[15] 模型评价：防御属性较强，在行业分化时能跑出超额收益[6][35] 模型的回测效果 1. 央国企高分红30组合，周度超额收益0.01%[25] 2. 攻守兼备红利50组合，周度未能跑赢基准[25] 3. 电子均衡配置增强组合，周度超额收益0.81%[35] 4. 电子板块优选增强组合，周度超额收益1.48%[35] 量化因子与构建方式 1. 因子名称：分红率因子 因子构建思路：基于上市公司现金分红比例的估值因子[13] 因子具体构建过程：计算公司年度现金分红总额与市值的比值，筛选高分红标的[13] 2. 因子名称：红利低波因子 因子构建思路：结合分红特征和波动率控制的复合因子[22] 因子具体构建过程：在红利因子的基础上，加入波动率筛选条件，选择低波动高分红标的[22] 3. 因子名称：红利增长因子 因子构建思路：关注具有分红增长潜力的成长性因子[22] 因子具体构建过程：分析公司分红历史增长情况，结合盈利增长预期，筛选具有分红增长潜力的标的[22] 4. 因子名称：红利价值因子 因子构建思路：结合分红特征和价值评估的复合因子[22] 因子具体构建过程：在红利因子的基础上，加入估值指标如PE、PB等，筛选具有价值属性的高分红标的[22] 因子的回测效果 1. 中证红利低波动100指数，周度超额收益0.14%[22] 2. 中证红利潜力指数，周度超额收益0.42%[22] 3. 中证红利价值指数，周度超额收益-0.12%[22] 4. 深证红利指数，周度超额收益0.45%[22]

量化模型与构建方式 1. 宽基形态择时策略模型 - **模型名称**：宽基形态择时策略模型 - **模型构建思路**：基于宽基指数成分股的形态信号（看多/看空）构建多空比率剪刀差，用于判断宽基指数的择时信号[16] - **模型具体构建过程**： 1. 对宽基指数成分股每日计算形态信号（正面或负面信号）[13] 2. 计算每日看多形态成分股数量（$N_{\text{bull}}$）和看空形态成分股数量（$N_{\text{bear}}$）[16] 3. 如果当日没有看多形态成分股，则$N_{\text{bull}}=0$；如果当日没有看空形态成分股，则$N_{\text{bear}}=0$[16] 4. 计算多空形态剪刀差： $$\text{ScissorDiff} = N_{\text{bull}} - N_{\text{bear}}$$ 5. 计算多空形态剪刀差比率： $$\text{ScissorRatio} = \frac{N_{\text{bull}} - N_{\text{bear}}}{N_{\text{bull}} + N_{\text{bear}}}$$ 如果$N_{\text{bull}} + N_{\text{bear}} = 0$，则$\text{ScissorRatio} = 0$[16] 6. 根据剪刀差比率数值判断择时信号（看多、中性或看空）[14][15] 2. 行业形态择时策略模型 - **模型名称**：行业形态择时策略模型 - **模型构建思路**：基于行业指数成分股的形态信号构建多空比率剪刀差，用于判断行业指数的择时信号[16] - **模型具体构建过程**： 1. 对行业指数成分股每日计算形态信号（正面或负面信号）[13] 2. 计算每日看多形态成分股数量（$N_{\text{bull}}$）和看空形态成分股数量（$N_{\text{bear}}$）[16] 3. 如果当日没有看多形态成分股，则$N_{\text{bull}}=0$；如果当日没有看空形态成分股，则$N_{\text{bear}}=0$[16] 4. 计算多空形态剪刀差： $$\text{ScissorDiff} = N_{\text{bull}} - N_{\text{bear}}$$ 5. 计算多空形态剪刀差比率： $$\text{ScissorRatio} = \frac{N_{\text{bull}} - N_{\text{bear}}}{N_{\text{bull}} + N_{\text{bear}}}$$ 如果$N_{\text{bull}} + N_{\text{bear}} = 0$，则$\text{ScissorRatio} = 0$[16] 6. 根据剪刀差比率数值判断行业择时信号（看多、中性或看空）[17][18] - **模型评价**：中信一级行业的多空形态剪刀差择时模型中，择时模型跑赢各自行业指数比率为100%，模型的历史回溯表现非常优秀[16] 3. 隐含波动率模型 - **模型名称**：隐含波动率模型 - **模型构建思路**：采用Heston模型计算近月平值期权的隐含波动率作为市场的恐慌指数，反映市场参与者对未来波动性的预期[9] - **模型具体构建过程**： 1. 使用Heston模型计算近月平值期权的隐含波动率[9] 2. 隐含波动率计算公式基于Heston随机波动率模型： $$dS_t = \mu S_t dt + \sqrt{v_t} S_t dW_t^1$$ $$dv_t = \kappa (\theta - v_t) dt + \sigma \sqrt{v_t} dW_t^2$$ 其中$S_t$为资产价格，$v_t$为波动率，$\mu$为资产收益率，$\kappa$为波动率回归速度，$\theta$为长期波动率，$\sigma$为波动率波动率，$dW_t^1$和$dW_t^2$为相关布朗运动[9] 3. 通过市场期权价格反推隐含波动率[9][10] 4. 特殊K线形态识别模型 - **模型名称**：特殊K线形态识别模型 - **模型构建思路**：识别六种特殊K线形态（金针探底、火箭发射、满江红、上吊线、天堂线和乌云线）作为择时信号[23] - **模型具体构建过程**： 1. **金针探底形态**： - 出现在下跌趋势中，有一根较长下影线的K线[25] - 振幅要求：该K线的振幅需要大于5%[25] - 位置要求：该K线需要出现在过去20个交易日的低位[25] - 下影线长度：K线的下影线长度超过80%[25] - 开盘价和收盘价：该K线的收盘价和开盘价相同（十字星）[25] 2. **火箭发射形态**：具体定义未在报告中详细说明[23] 3. **满江红形态**：具体定义未在报告中详细说明[23] 4. **上吊线形态**：具体定义未在报告中详细说明[23] 5. **天堂线形态**：具体定义未在报告中详细说明[23] 6. **乌云线形态**：具体定义未在报告中详细说明[23] - **模型评价**：金针探底、火箭发射、满江红有较好的正向提醒效果[23] 5. 券商金股形态策略模型 - **模型名称**：券商金股形态策略模型 - **模型构建思路**：结合券商月度金股推荐和形态学信号，在券商推荐后出现形态学买点时买入，持有到当月月底[28] - **模型具体构建过程**： 1. 获取券商月度金股推荐列表[28] 2. 监控金股是否出现形态学买点信号[28] 3. 在出现买点信号的第二个交易日买入[28] 4. 持有组合到当月月底[28] 5. 计算组合收益和风险指标[28] 模型的回测效果 1. 宽基形态择时策略模型 - **上证50(000016.SH)**：策略年化收益11.8%，策略最大回撤-21.81%，指数年化收益3.67%，指数最大回撤-50.77%[14] - **恒生等权重(HSEWI.HI)**：策略年化收益7.55%，策略最大回撤-36.04%，指数年化收益0.68%，指数最大回撤-54.52%[14] - **恒生指数(HSI.HI)**：策略年化收益9.12%，策略最大回撤-43.97%，指数年化收益0.76%，指数最大回撤-55.51%[14] - **恒生可持续发展企业指数(HSSUS.HI)**：策略年化收益8.01%，策略最大回撤-35.34%，指数年化收益1.79%，指数最大回撤-50.95%[15] - **恒生香港35(HSHK35.HI)**：策略年化收益10.63%，策略最大回撤-38.69%，指数年化收益1.29%，指数最大回撤-46.28%[15] 2. 行业形态择时策略模型 - **电力设备及新能源(CI005011.WI)**：策略年化收益23.14%，策略最大回撤-41.7%，指数年化收益5.23%，指数最大回撤-70.51%[17] - **纺织服装(CI005017.WI)**：策略年化收益16.61%，策略最大回撤-42.64%，指数年化收益0.79%，指数最大回撤-74.22%[18] - **消费者服务(CI005015.WI)**：策略年化收益15.42%，策略最大回撤-53.53%，指数年化收益6.13%，指数最大回撤-73.29%[18] 量化因子与构建方式 1. 形态信号因子 - **因子名称**：形态信号因子 - **因子构建思路**：基于K线形态识别技术，生成正面（看多）或负面（看空）信号[13] - **因子具体构建过程**： 1. 对每只股票每日计算K线形态[13] 2. 根据预设的形态规则判断是否为正面信号或负面信号[13] 3. 统计每日正面信号和负面信号的出现次数[13] 4. 计算未来高点胜率和未来低点胜率[13] 2. 连续看多信号因子 - **因子名称**：连续看多信号因子 - **因子构建思路**：识别连续出现多日看多信号的股票[19] - **因子具体构建过程**： 1. 对每只股票每日计算形态信号[13] 2. 统计连续出现看多信号的天数[19] 3. 标记连续4根或5根看多信号的股票[19][20][21] 3. 特殊形态信号因子 - **因子名称**：特殊形态信号因子 - **因子构建思路**：识别六种特殊K线形态（金针探底、火箭发射、满江红、上吊线、天堂线和乌云线）作为信号[23] - **因子具体构建过程**： 1. 对每只股票每日计算K线形态[23] 2. 根据每种特殊形态的定义规则进行匹配[23][25] 3. 标记出现特殊形态信号的股票[23][27] 因子的回测效果 1. 形态信号因子 - **正面信号**：2025年8月25日到2025年8月29日共出现2442次，未来高点平均胜率为28.76%[13] - **负面信号**：2025年8月25日到2025年8月29日共出现3750次，未来低点平均胜率为70.79%[13] 2. 特殊形态信号因子 - **火箭发射形态**：优德精密(300549.SZ)于20250902出现该信号[27] - **箭在弦上形态**：汇成真空(301392.SZ)于20250903出现该信号[27] - **凤还巢形态**：明志科技(688355.SH)于20250905出现该信号[27] 3. 券商金股形态信号因子 - **仙琚制药(002332.SZ)**：长蜡烛形态，20250901出现信号[29] - **捷捷微电(300623.SZ)**：母子线形态，20250905出现信号[29] - **宁德时代(300750.SZ)**：短蜡烛形态，20250903出现信号[29] - **协创数据(300857.SZ)**：长蜡烛形态，20250905出现信号[29] - **复星医药(600196.SH)**：风高浪大线形态，20250903出现信号[29]

这是一份关于量化市场追踪周报的总结，报告主要描述了市场状况和资金流向，但并未详细阐述具体的量化模型或量化因子的构建过程、公式及回测效果。报告内容侧重于市场数据统计和描述性分析，而非模型或因子本身的构建与测试。因此，以下总结将主要基于报告中的描述性内容进行归纳。 量化模型与构建方式 1. **模型名称**：主动权益基金仓位测算模型[22][25] **模型构建思路**：通过分析公募基金的持仓数据，估算其股票仓位水平，以反映市场情绪和配置动向。 **模型具体构建过程**：模型筛选合格样本基金（成立期满两个季度、未到期、规模大于5000万元、过去四期平均仓位大于60%），并采用持股市值加权的方法计算平均仓位。其核心计算公式为估算的仓位水平，但报告中未提供具体的数学公式。 **模型评价**：该模型是监测公募基金市场行为和市场情绪的重要工具。 2. **模型名称**：主力/主动资金流划分模型[51] **模型构建思路**：根据同花顺的资金划分标准，将市场资金按成交单的大小和金额进行分类，以分析不同资金类型的流向。 **模型具体构建过程**：模型依据成交量和成交金额对资金进行划分： - 特大单：成交量 ≥ 20万股 或 成交金额 ≥ 100万元 - 大单：6万股 ≤ 成交量 < 20万股 或 30万元 ≤ 成交金额 < 100万元 或 成交量占流通盘 ≥ 0.1% - 中单：1万股 ≤ 成交量 < 6万股 或 5万元 ≤ 成交金额 < 30万元 - 小单：成交量 < 1万股 或 成交金额 < 5万元 **模型评价**：该模型提供了分析市场资金结构和主力动向的框架。 模型的回测效果 （报告中未提供相关模型的回测绩效指标，如年化收益率、夏普比率、最大回撤等。） 量化因子与构建方式 （报告中未涉及基于个股或组合特征构建的量化因子，如价值、动量、质量等因子。） 因子的回测效果 （报告中未提供任何量化因子的回测绩效指标，如IC值、IR值、因子收益率等。）

根据提供的研报内容，总结其中涉及的量化模型与因子如下： 量化模型与构建方式 1. **模型名称**：行业拥挤度监测模型[3] * **模型构建思路**：对申万一级行业指数的拥挤度进行每日监测，以识别市场过热或过冷的行业[3] * **模型具体构建过程**：报告未提供该模型具体的构建公式和详细计算步骤，仅提及其输出结果为行业拥挤度水平[3] * **模型评价**：报告未提供明确的定性评价 2. **模型名称**：溢价率 Z-score 模型[4] * **模型构建思路**：通过滚动测算ETF产品的溢价率Z-score，来筛选存在潜在套利机会的标的[4] * **模型具体构建过程**：报告未提供该模型具体的构建公式和详细计算步骤，仅提及其核心是计算溢价率的Z-score[4] * **模型评价**：报告未提供明确的定性评价 模型的回测效果 （报告中未提供相关模型的量化回测指标结果） 量化因子与构建方式 1. **因子名称**：行业拥挤度[3] * **因子构建思路**：通过模型计算得到，用于衡量申万一级行业的交易拥挤程度[3] * **因子具体构建过程**：作为行业拥挤度监测模型的输出结果，但具体计算过程未在报告中披露[3] * **因子评价**：报告未提供明确的定性评价 2. **因子名称**：溢价率 Z-score[4] * **因子构建思路**：用于衡量ETF价格相对于其净值（IOPV）的偏离程度，并经过标准化处理[4] * **因子具体构建过程**：作为溢价率 Z-score 模型的核心输入，但具体计算公式未在报告中披露[4] * **因子评价**：报告未提供明确的定性评价 因子的回测效果 （报告中未提供相关因子的IC、IR等量化有效性指标结果） 其他相关数据与指标 （以下为报告中展示的监测结果数据，非模型或因子本身的回测表现） * **行业拥挤度监测结果 (数据截止: 2025/9/4)**[3][10] * 拥挤度较高行业：有色金属、电力设备 * 拥挤度较低行业：交通运输、煤炭、建筑装饰 * 拥挤度变动较大行业：国防军工、汽车 * **主力资金流向 (近3个交易日合计, 数据截止: 2025/9/4)**[2][11] * 主力资金净流出前三大行业：电子(-441.99亿元)、计算机(-423.01亿元)、通信(-286.02亿元) * 主力资金净流入行业：商贸零售(+2.74亿元) * **ETF产品关注信号 (基于溢价率 Z-score 模型, 数据截止: 2025/9/4)**[4][12] * 建议关注标的：生物医药ETF(159859.SZ)、传媒ETF(159805.SZ)、上证50ETF博时(510710.SH)、国防军工ETF(512810.SH)、集成电路ETF(562820.SH)

量化模型与因子总结 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，来衡量股票或指数接近历史高点的程度，用于捕捉趋势强度和动量效应[11] **因子具体构建过程**： 对于给定时间点t，计算： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 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，则该值为0；若较新高回落，则为正值，表示回落幅度[11] 2. **因子名称**：平稳创新高股票筛选因子 **因子构建思路**：综合多项指标，从创新高股票中筛选出具有平稳动量特征的股票，结合分析师关注度、股价强弱、路径平滑性等多维度[24][26] **因子具体构建过程**： 筛选条件包括： - 分析师关注度：过去3个月买入或增持评级的分析师研报不少于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：在满足上述条件的股票池内，用以下两个指标综合打分，取排名在前50%的股票[26] - 价格路径平滑性：股价位移路程比，计算公式为： $$\frac{过去120日涨跌幅的绝对值}{过去120日日涨跌幅绝对值加总}$$[24] - 创新高持续性：过去120日的250日新高距离在时间序列上的均值[26] - 趋势延续性：过去5日的250日新高距离在时间序列上的均值，取排序靠前的50只[26] 因子回测效果 1. **250日新高距离因子**，在主要指数中的应用效果（截至2025年9月5日）： - 上证指数：1.83% - 深证成指：1.86% - 沪深300：1.40% - 中证500：2.76% - 中证1000：3.41% - 中证2000：3.64% - 创业板指：0.00% - 科创50：7.04%[12] 2. **平稳创新高股票筛选因子**，筛选出的股票表现（截至2025年9月5日）： - 筛选出50只平稳创新高股票，包括胜宏科技、生益电子、工业富联等[27] - 科技板块入选19只，周期板块入选13只[27] - 电子行业在科技板块中创新高最多，基础化工行业在周期板块中创新高最多[27]

量化模型与构建方式 本报告未涉及具体的量化模型或量化因子的构建、测试及评价内容[1][2][3][4][6][7][8][9][10][11][12][13][14][15][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][54][55][56][57][58][59][60][61][62][63][64][65][66][67][68][69][70][71][72] 模型的回测效果 本报告未涉及任何量化模型的回测效果指标[1][2][3][4][6][7][8][9][10][11][12][13][14][15][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][54][55][56][57][58][59][60][61][62][63][64][65][66][67][68][69][70][71][72] 量化因子与构建方式 本报告未涉及具体的量化因子构建、测试及评价内容[1][2][3][4][6][7][8][9][10][11][12][13][14][15][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][54][55][56][57][58][59][60][61][62][63][64][65][66][67][68][69][70][71][72] 因子的回测效果 本报告未涉及任何量化因子的回测效果指标[1][2][3][4][6][7][8][9][10][11][12][13][14][15][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][54][55][56][57][58][59][60][61][62][63][64][65][66][67][68][69][70][71][72]

量化模型与构建方式 本报告为ESG动态跟踪月报，主要关注监管动态、市场趋势与产品发行情况，未涉及具体的量化模型或因子构建细节[2][3][4][5]。因此，本部分无相关内容。 模型的回测效果 本报告未涉及任何量化模型的回测测试及效果展示[2][3][4][5]。因此，本部分无相关内容。 量化因子与构建方式 本报告为ESG动态跟踪月报，主要关注监管动态、市场趋势与产品发行情况，未涉及具体的量化因子构建细节[2][3][4][5]。因此，本部分无相关内容。 因子的回测效果 本报告未涉及任何量化因子的回测测试及效果展示[2][3][4][5]。因此，本部分无相关内容。

根据您提供的研报内容，经过全面梳理，总结如下： 量化模型与构建方式 1. **模型名称**：理想打新收益测算模型[3][15][18] * **模型构建思路**：在“单项目打满、100%入围”的理想假设前提下，测算不同类型投资者（A类/B类）在特定时间段内（月度/季度/年度）通过参与网下新股申购所能获得的总收益[3][15][18]。 * **模型具体构建过程**： 1. **确定研究对象**：筛选出在测算期间内所有进行了网下发行的新股[8][18]。 2. **分类处理**：将新股按其上市板块（主板、科创板、创业板）进行分类[8][18]。 3. **计算单项目收益**：对于每只新股，根据其网下发行规模、各类投资者的获配比例、上市首日涨幅等数据，计算单个账户“打满”该新股所能获得的收益[18][20]。公式可抽象为： $$单项目收益 = 网下发行规模 \times 获配比例 \times 首日涨幅$$ 4. **汇总收益**：将测算期间内所有新股的“单项目打满”收益按投资者类型（A类/B类）和板块进行加总，得到各类账户在相应时间段内的总打新收益[16][17][18]。 * **模型评价**：该模型提供了一个在完美执行策略下的理论收益上限，用于横向比较不同时期、不同板块的新股申购收益贡献度，对打新策略的收益预期具有重要参考价值[3][15][18]。 模型的回测效果 1. **理想打新收益测算模型**（2025年8月）[16][17][18] * A类账户总收益：38.96 万元 * B类账户总收益：37.55 万元 * 主板贡献收益（A类/B类）：6.42 / 6.10 万元 * 创业板贡献收益（A类/B类）：32.53 / 31.44 万元 * 科创板贡献收益（A类/B类）：0 / 0 万元 2. **理想打新收益测算模型**（2025年1月至8月累计）[17] * A类账户总收益：669.42 万元 * B类账户总收益：611.59 万元 量化因子与构建方式 1. **因子名称**：发行价让价因子[3][14][20] * **因子构建思路**：通过比较新股的发行价格与一个参考价值（“四数孰低值”）的差异，来衡量发行定价的保守或激进程度，发行价低于参考值越多，则让价幅度越大，预期上市后涨幅可能更高[3][14][20]。 * **因子具体构建过程**： 1. 获取新股的发行价格（$P_{issue}$）[20]。 2. 获取承销商投资价值研究报告等材料中确定的“四数孰低值”（$V_{reference}$），即剔除最高报价后网下投资者报价的中位数和平均数，以及公募基金、社保基金、养老金报价的中位数和平均数中的最低值[3][14]。 3. 计算让价幅度因子： $$让价幅度 = \frac{V_{reference} - P_{issue}}{V_{reference}} \times 100\%$$ 因子值越大，表明发行定价越保守，让利幅度越大。 2. **因子名称**：低股价因子[3][19][22] * **因子构建思路**：直接采用新股的发行绝对价格作为因子，认为发行价较低的股票更受散户投资者青睐，上市首日涨幅可能更高[3][14][22]。 * **因子具体构建过程**：直接使用新股的发行价格（单位：元）作为因子值[20]。 3. **因子名称**：小流通盘因子[3][19][22] * **因子构建思路**：采用新股的网下发行规模或募资总额作为因子，衡量新股的流通盘大小，认为流通盘较小的股票更容易在上市初期被资金推动，涨幅可能更大[3][18][22]。 * **因子具体构建过程**：直接使用新股的网下发行规模（单位：亿元）或募资总额（单位：亿元）作为因子值，值越小代表流通盘越小[18][20]。 因子的回测效果 *（注：本研报未提供上述单个因子的分层回测表现、IC序列、多空收益等量化指标值。报告主要通过案例分析和历史统计数据来定性说明因子的有效性。）* 1. **案例佐证**（2025年8月）： * **广东建科**：发行价6.56元（低股价因子）[20]，发行价较“四数孰低值”让价超10%（发行价让价因子）[3][14]，网下发行规模1.97亿元（小流通盘因子）[20]，最终上市首日涨幅达409.80%[14][20]。 * **汉桑科技**：网下发行规模2.60亿元（小流通盘因子）[20]，上市首日涨幅220.36%[14][20]。 * **天富龙**：网下发行规模2.97亿元[20]，上市首日涨幅188.12%[14][20]。 2. **历史统计佐证**： * 2024年10月新股首日涨幅一度超10倍，2025年以来主板新股平均首日涨幅维持100%以上[22]。 * 2025年8月，低股价、小流通盘新股表现亮眼，带动当月上市新股平均首日涨幅达272.76%[3][14]。

量化模型与构建方式 1. 模型名称：RNN-LIN - 模型构建思路：基于线性RNN构建的简化时序模型，移除非线性激活函数以提升训练效率并减少参数量[11][12] - 模型具体构建过程： 输入序列为股票日频特征（高、开、低、收、均价、成交量）的150日时序数据[23] 模型结构包含遗忘门和输出门，使用sigmoid激活函数控制门控值在(0,1)范围内，隐状态迭代时不使用非线性激活函数[20] 具体计算公式如下： $$h_{t}=f_{t}\otimes h_{t-1}+(1-f_{t})\otimes c_{t}$$ $$y_{t}=o_{t}\otimes h_{t}$$ $$f_{t}=Sigmoid(x_{t}W_{f})$$ $$o_{t}=Sigmoid(x_{t}W_{o})$$ $$c_{t}=SiLU(x_{t}W_{c})$$ 其中$h_t$表示隐状态，$y_t$表示输出，$f_t$为遗忘门，$o_t$为输出门，$c_t$为候选状态，$W_f$、$W_o$、$W_c$为可学习参数矩阵[20] 参数量相比GRU模型减少约50%[20] - 模型评价：训练效率优于GRU，但性能略逊于GRU基线模型[22][47] 2. 模型名称：RNN-LIN-GLU - 模型构建思路：在线性RNN基础上耦合门控线性单元(GLU)以提升模型表达能力[21][22] - 模型具体构建过程： 在RNN-LIN层后叠加GLU FFN模块组成block[21] GLU FFN的计算公式为： $$FFNSwiGLU(x,W,V,W_{2})=(Swish(xW)\otimes xV)W_{2}$$ 其中$W$、$V$、$W_2$为可学习参数矩阵[21] 其他构建过程与RNN-LIN相同[21] - 模型评价：GLU模块对RNN-LIN的性能提升效果优于对GRU的提升[45] 3. 模型名称：DecompGRN - 模型构建思路：基于线性RNN改进的时序-截面端到端模型，将截面信息直接整合进RNN门控单元[2][49] - 模型具体构建过程： 采用两层RNN结构[50] 第一层线性RNN输出每个时间步的个股表征，使用市值作为分组特征进行20分组，计算股票分组去均值结果，得到包含截面信息的个股表征[50] 第二层构建线性RNN变体，将截面信息和时序融合共同输入遗忘门和输出门[50] 使用时序趋势分解模块将初始输入拆分为趋势与残差分量[89] 趋势分量输入1D卷积+RNN实现时序编码，残差分支使用深度可分离卷积[94][95] 最终将趋势和残差分支结果相加合并，输入第二个时序RNN编码器，取最后一个时间步输出通过线性预测头得到股票得分[96] 参数量仅为GRU基线模型的43%[74] - 模型评价：性能超越基线GRU模型，模型逻辑与参数量实现双重简化[2][74] 模型的回测效果 1. RNN-LIN模型 - 中证全指：RankIC 0.13，RankICIR 1.08，IC胜率 0.88[37] - 沪深300：RankIC 0.10，RankICIR 0.62，IC胜率 0.74[37] - 中证500：RankIC 0.09，RankICIR 0.71，IC胜率 0.78[37] - 中证1000：RankIC 0.12，RankICIR 0.96，IC胜率 0.86[37] 2. RNN-LIN-GLU模型 - 中证全指：RankIC 0.13，RankICIR 1.14，IC胜率 0.89[37] - 沪深300：RankIC 0.10，RankICIR 0.63，IC胜率 0.73[37] - 中证500：RankIC 0.10，RankICIR 0.74，IC胜率 0.79[37] - 中证1000：RankIC 0.12，RankICIR 1.01，IC胜率 0.87[37] 3. DecompGRN模型 - 中证全指：RankIC 0.141，RankICIR 1.26，IC胜率 0.89[55][89] - 沪深300：RankIC 0.099，RankICIR 0.65，IC胜率 0.74[55][89] - 中证500：RankIC 0.098，RankICIR 0.77，IC胜率 0.78[55][89] - 中证1000：RankIC 0.127，RankICIR 1.08，IC胜率 0.88[55][89] 量化因子与构建方式 （报告中未明确提及独立的量化因子构建，主要关注端到端模型） 因子的回测效果 （报告中未提供独立因子的测试结果） 分组测试绩效统计 1. RNN-LIN模型（层数1） - 中证全指：年化收益率42.59%，夏普比率1.46，最大回撤-36.71%，超额年化42.05%，平均单边换手0.81[42] - 沪深300：年化收益率28.59%，夏普比率1.38，最大回撤-22.09%，超额年化28.67%，平均单边换手0.66[42] - 中证500：年化收益率23.68%，夏普比率1.02，最大回撤-34.63%，超额年化23.95%，平均单边换手0.76[42] - 中证1000：年化收益率32.81%，夏普比率1.20，最大回撤-35.43%，超额年化33.72%，平均单边换手0.77[42] 2. RNN-LIN-GLU模型（层数1） - 中证全指：年化收益率48.73%，夏普比率1.60，最大回撤-35.33%，超额年化48.19%，平均单边换手0.81[42] - 沪深300：年化收益率29.92%，夏普比率1.38，最大回撤-23.62%，超额年化30.00%，平均单边换手0.65[42] - 中证500：年化收益率24.45%，夏普比率1.03，最大回撤-39.60%，超额年化24.72%，平均单边换手0.75[42] - 中证1000：年化收益率34.47%，夏普比率1.24，最大回撤-34.51%，超额年化35.38%，平均单边换手0.76[42] 3. DecompGRN模型 - 中证全指：年化收益率57.68%，夏普比率1.71，最大回撤-34.69%，超额年化56.18%，平均单边换手0.79[57][89] - 沪深300：年化收益率31.69%，夏普比率1.42，最大回撤-26.88%，超额年化31.00%，平均单边换手0.65[57][89] - 中证500：年化收益率26.90%，夏普比率1.10，最大回撤-37.82%，超额年化26.13%，平均单边换手0.74[57][89] - 中证1000：年化收益率40.35%，夏普比率1.37，最大回撤-35.51%，超额年化40.03%，平均单边换手0.74[57][89] 指增组合测试结果 DecompGRN模型指增表现 - 沪深300指增：年化超额收益10.24%，跟踪误差5.07，超额夏普1.95，超额最大回撤-8.12%，2025年累计超额3.93%[75][85][89] - 中证500指增：年化超额收益10.05%，跟踪误差6.10，超额夏普1.60，超额最大回撤-7.15%，2025年累计超额6.72%[75][85][89] - 中证1000指增：年化超额收益19.58%，跟踪误差6.75，超额夏普2.68，超额最大回撤-9.11%，2025年累计超额18.26%[75][85][89]

根据提供的研报内容，经过全面梳理，未发现涉及量化模型或量化因子的构建思路、具体过程及测试结果。该文档主要内容为市场行情数据、宏观经济指标、公司财务公告、IPO信息及新闻事件汇总[1][3][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38]。 因此，本次总结无相关量化模型与因子内容可提供。