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：封板率因子** - 构建思路：通过统计涨停股票的封板情况来反映市场情绪强度[16] - 具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 筛选上市满3个月的股票，计算当日最高价涨停且收盘仍涨停的比例[16] - 因子评价：高频情绪指标，对短期动量策略有参考价值 2. **因子名称：连板率因子** - 构建思路：衡量涨停股票的持续性[16] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 需满足上市满3个月条件，计算连续涨停比例[16] - 因子评价：反映市场投机热度，需结合其他风控指标使用 3. **因子名称：股指期货贴水率因子** - 构建思路：利用期货与现货价差捕捉市场预期[28] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格}×\frac{250}{合约剩余交易日数}$$ 分别计算上证50、沪深300、中证500、中证1000主力合约年化贴水率[28] - 因子评价：对冲成本指标，极端值隐含市场反转信号 4. **因子名称：大宗交易折价率因子** - 构建思路：通过大额交易折价水平反映机构情绪[26] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额总市值}-1$$ 统计单日所有大宗交易成交价与市价的加权偏离度[26] 因子回测效果 1. **封板率因子** - 当日取值：64%（较前日下降7%）[16] - 近一月分位数：未披露具体分位 2. **连板率因子** - 当日取值：30%（较前日下降2%）[16] - 近一月分位数：未披露具体分位 3. **股指期货贴水率因子** - 上证50：年化贴水率13.34%（近一年13%分位）[28] - 沪深300：年化贴水率14.19%（近一年9%分位）[28] - 中证500：年化贴水率18.23%（近一年13%分位）[28] - 中证1000：年化贴水率23.53%（近一年8%分位）[28] 4. **大宗交易折价率因子** - 当日取值：7.33%[26] - 近半年均值：5.54%[26] 注：报告中未涉及量化模型的构建与测试，仅包含市场监测类因子。所有因子数据均基于20250604时点最新值[16][26][28]

量化模型与构建方式 1. **模型名称**：大小盘轮动模型 - **模型构建思路**：基于宏观经济、市场状态和微观特征三个维度构建多层次的风格轮动框架，通过事件驱动法和统计后验筛选宏观因子，结合市场情绪和微观交易信号判断大小盘风格偏好[33][36] - **模型具体构建过程**： 1. **宏观经济维度**：从经济增长、消费、货币、利率、汇率和地产六个维度选取宏观因子（如固定资产投资完成额累计同比、PMI、信用利差等），定义5种事件模式（历史高低位、边际变化、超预期、创新高/新低），通过事件研究法筛选有效信号[36] 2. **市场状态维度**：计算中证全指的月涨跌幅、换手率、波动率、ERP/BP/DRP等指标，结合中证红利月超额收益，分析市场情绪与风格关系[36] 3. **微观特征维度**：从业绩变化（如未预期毛利）、资金趋向（大单买入强度）和交易情绪（改进反转、换手率）构建动量类因子，通过相对位置比较生成信号[36] - **模型评价**：逻辑清晰且可量化，历史表现稳定，但需警惕市场风格突变风险[36] 2. **模型名称**：价值成长轮动模型 - **模型构建思路**：与大小盘模型框架一致，但在因子选取上侧重价值/成长风格的分化驱动因素（如PPI-CPI剪刀差、M1/M2同比、国债收益率等）[32][36] - **模型具体构建过程**： 1. **宏观经济维度**：选取PPI-CPI剪刀差、M1/M2同比、国债收益率等指标，通过事件模式判断价值/成长偏好（如PPI-CPI低位指向成长风格）[32] 2. **市场状态维度**：使用中证全指换手率、波动率及中证红利超额收益等指标，结合均衡估值信号判断风格切换[32] 3. **微观特征维度**：通过换手率标准差、月涨跌幅等交易类因子捕捉资金流向[32] --- 模型的回测效果 1. **大小盘轮动模型** - 年化超额收益：11.08%（汇总）[18] - IR：1.40（汇总）[18] - 超额月胜率：64.43%（汇总）[18] - 分年度表现（示例）： - 2015年超额收益62.95%，IR 4.60[18] - 2024年超额收益-20.37%，IR -1.60[18] 2. **价值成长轮动模型** - 年化超额收益：18.73%（汇总）[23] - IR：2.02（汇总）[23] - 超额月胜率：70.47%（汇总）[23] - 分年度表现（示例）： - 2021年超额收益47.65%，IR 3.96[23] - 2018年超额收益18.34%，IR 2.51[23] --- 量化因子与构建方式 1. **因子名称**：宏观经济事件因子（如PPI-CPI剪刀差） - **因子构建思路**：通过宏观指标的事件模式（如创新低、边际改善）生成风格信号[36] - **因子具体构建过程**： - 定义事件阈值（如历史分位数、环比变化），触发事件后统计未来一个月风格收益显著性[36] 2. **因子名称**：市场状态因子（如中证全指月换手率） - **因子构建思路**：捕捉市场情绪对风格的短期影响[36] - **因子具体构建过程**： - 计算标准化换手率$$ \text{Turnover}_t = \frac{\text{Volume}_t}{\text{MarketCap}_t} $$，结合历史分位数判断交易热度[36] 3. **因子名称**：微观动量因子（如20日改进反转） - **因子构建思路**：利用价格和交易量动量效应预测风格延续性[29][36] - **因子具体构建过程**： - 改进反转公式：$$ R_{t-20,t} = \frac{P_t}{P_{t-20}} - 1 $$，结合波动率调整权重[29] --- 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）

根据提供的研报内容，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：拥挤度因子** - **因子构建思路**：通过衡量行业内头部和尾部股票在波动率、流动性和系统性风险三个维度上的差异，来反映市场对该行业的追逐程度[17] - **因子具体构建过程**： 1. 计算行业内头部股票（如前20%）与尾部股票（如后20%）的以下指标差异： - 波动率：头部与尾部股票的年化波动率差值 - 流动性：头部与尾部股票的日均换手率差值 - 系统性风险（Beta）：头部与尾部股票对市场指数的Beta差值 2. 对上述三个维度的差值进行标准化处理，并加权求和得到拥挤度因子： $$ \text{Crowding}_i = w_1 \cdot \Delta \text{Volatility}_i + w_2 \cdot \Delta \text{Liquidity}_i + w_3 \cdot \Delta \text{Beta}_i $$ 其中权重$w_1,w_2,w_3$根据历史数据回归确定[17] - **因子评价**：高拥挤度可能预示行业存在短期交易风险，需结合基本面验证[17] 2. **因子名称：行业景气度因子** - **因子构建思路**：基于行业基本面数据（如营收增速、利润率、政策支持等）构建综合景气评分[8] - **因子具体构建过程**： 1. 选取行业核心指标：营收同比增速、毛利率变化、政策支持评分（如政府工作报告提及频率） 2. 通过主成分分析（PCA）降维后生成综合景气度得分： $$ \text{Prosperity}_i = \alpha_1 \cdot \text{Revenue}_i + \alpha_2 \cdot \text{Margin}_i + \alpha_3 \cdot \text{Policy}_i $$ 其中系数$\alpha$由PCA确定[8][12] 因子回测效果 1. **拥挤度因子** - 食品饮料行业拥挤度：历史高位（>6）[8][18] - 医药/煤炭行业拥挤度：近3年低位（<3）[17][28] 2. **行业景气度因子** - 交通运输/食品饮料/煤炭：景气度最高（具体数值未披露）[8] - 传媒/通信/银行：景气度最低[8] 模型与因子的背离现象 医药行业出现景气度下降0.06但拥挤度上升0.28的背离，反映短期情绪与基本面脱节[12][15]

量化模型与构建方式 1. **模型名称：宏观评分模型** - **模型构建思路**：通过多维度宏观因子评分体系对大类资产进行择时判断，综合国内及全球的景气、货币、信用、通胀等因子形成资产配置观点[13] - **模型具体构建过程**： 1. 对9项宏观因子（国内景气/货币/信用/通胀、全球景气/货币/通胀、美元、金融压力）按月评分，分值范围为-1至1 2. 对每类资产（如中证800、黄金等）的宏观因子评分加权求和，得到总分 3. 根据总分阈值划分看多/中性/看空观点[15] - **模型评价**：能够系统性捕捉宏观周期变化对资产的影响，但因子权重设定依赖主观经验 2. **模型名称：美股中期择时模型** - **模型构建思路**：基于景气度、资金流、金融压力三维度等权构建择时指标[16] - **模型具体构建过程**： 1. 景气度分项：采用美国PMI等经济指标，标准化后映射至0-100分[18] 2. 资金流分项：跟踪机构资金流向数据（滞后3个月）[16] 3. 金融压力分项：监测信用利差波动 4. 最终指标= (景气度+资金流+金融压力)/3，阈值50为多空分界线[16] 3. **模型名称：黄金择时模型** - **模型构建思路**：以美国财政赤字变化为核心驱动因子构建择时指标[19] - **模型具体构建过程**： 1. 计算美国政府赤字规模的标准化变化率 2. 加入美元指数和实际利率调整项 3. 最终指标=赤字因子×0.6 +美元因子×0.3 +利率因子×0.1[20] - **模型评价**：对中长期趋势把握较好，但短期易受避险情绪干扰 4. **模型名称：原油景气指数模型** - **模型构建思路**：结合全球经济预期与供需平衡指标构建景气指数[21] - **模型具体构建过程**： 1. 需求端：全球制造业PMI加权值 2. 供给端：OPEC产量变化率 3. 金融端：美元指数反向指标 4. 标准化处理后合成景气指数，范围-2.5至+2.5[22] 5. **模型名称：大类资产配置优化模型** - **模型构建思路**：基于风险预算和宏观因子暴露动态调整资产权重[23] - **模型具体构建过程**： 1. 计算各资产风险贡献度：$$RC_i = w_i \times \frac{\partial \sigma_p}{\partial w_i}$$ 2. 根据宏观评分调整风险预算分配 3. 二次规划求解最优权重[25] --- 模型的回测效果 1. **宏观评分模型** - 中证800预测准确率：68%[15] - 黄金多空信号IR：1.2[15] 2. **美股中期择时模型** - 年化超额收益：4.5%[16] - 多空胜率：62%[18] 3. **黄金择时模型** - 近3年信号IR：1.5[20] - 最大回撤：-8.3%[19] 4. **原油景气指数模型** - 趋势跟随策略年化收益：12.7%[22] - 波动率：24.5%[21] 5. **大类资产配置优化模型** - 最近1年收益：8.0%[23] - 最大回撤：3.3%[23] - 年化波动率：5.8%[25] --- 量化因子与构建方式 1. **因子名称：财政赤字因子（黄金模型核心）** - **构建思路**：捕捉美国政府赤字扩张对黄金的长期驱动效应[19] - **具体构建**： $$赤字因子_t = \frac{TGA账户余额_{t-3}-TGA账户余额_t}{GDP_{t-3}} \times 100$$[14] 2. **因子名称：全球景气扩散因子** - **构建思路**：综合主要经济体PMI判断全球周期位置[15] - **具体构建**： 1. 对美、欧、中PMI做Z-score标准化 2. 加权平均：$$0.4 \times PMI_{US} + 0.3 \times PMI_{EU} + 0.3 \times PMI_{CN}$$[13] 3. **因子名称：金融压力因子** - **构建思路**：监测信用市场紧张程度[18] - **具体构建**： $$金融压力=0.5 \times TED利差 + 0.3 \times 高收益债利差 + 0.2 \times VIX$$[16] --- 因子的回测效果 1. **财政赤字因子** - 与黄金价格相关性：0.72[20] - 月度IC均值：0.15[19] 2. **全球景气扩散因子** - 铜价预测ICIR：1.8[15] - 季度滚动胜率：65%[13] 3. **金融压力因子** - 美股波动解释度R²：41%[18] - 极端事件预警准确率：78%[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. **模型名称：TV-AR模型（时变预测模型系统）** - **构建思路**：通过联合线性控制函数检测预测变量参数的不稳定性，提升预测效率[16] - **具体构建过程**： 1. 采用时变自回归（TV-AR）框架动态调整参数 2. 引入线性控制函数校正样本外预测偏差 3. 蒙特卡洛模拟验证有限样本有效性，检测超50%变量存在参数不稳定现象 - **模型评价**：显著提升预测效用增益，适用于非平稳金融时间序列 2. **模型名称：高频贝塔估计技术** - **构建思路**：基于傅里叶估计方法解决粗糙波动与异步交易噪声问题[14] - **具体构建过程**： 1. 采用傅里叶变换重构资产价格路径 2. 设计抗噪声的协方差矩阵估计量： $$\hat{\beta}_{t} = \frac{\int_{0}^{t} \mathcal{F}(d\log p_{1})(s)\overline{\mathcal{F}(d\log p_{2})(s)}ds}{\int_{0}^{t} |\mathcal{F}(d\log p_{2})(s)|^{2}ds}$$ 其中$\mathcal{F}$表示傅里叶变换算子 3. 通过高频数据验证日内贝塔离散度与流动性关联性 - **模型评价**：在微观结构噪声环境下保持估计鲁棒性 3. **模型名称：高维因子择时框架** - **构建思路**：结合宏观变量与因子特性利差实现多因子动态配置[16] - **具体构建过程**： 1. 构建因子特性矩阵（包括多空端价差、动量延续性等） 2. 设计收缩惩罚函数控制过拟合风险： $$\min_{\theta} \|R-X\theta\|^{2} + \lambda \sum_{j=1}^{p} \frac{|\theta_{j}|}{1+|\theta_{j}|}$$ 3. 通过滚动窗口优化实现因子权重动态调整 - **模型评价**：在大市值因子择时中表现突出 4. **模型名称：长记忆随机区间模型(LMSR)** - **构建思路**：基于Parkinson波动率捕捉金融时间序列持续特性[40] - **具体构建过程**： 1. 构建区间波动率测度： $$RV_{t} = \frac{1}{4\ln 2}(h_{t}-l_{t})^{2}$$ 2. 引入分整差分算子$(1-L)^{d}$刻画长记忆性 3. 采用Whittle近似估计进行参数校准 - **模型评价**：样本外预测损失降低38% 量化因子与构建方式 1. **因子名称：无形资产投资因子** - **构建思路**：替代传统MTB比率与盈利能力因子[11] - **具体构建过程**： 1. 计算企业研发支出与无形资产摊销占比 2. 构建正交化组合： $$INTANG = \frac{RD+IA}{TA} - \beta_{1}HML - \beta_{2}RMW$$ 其中TA为总资产 3. 按行业调整后分组构建多空组合 - **因子评价**：1993年后预测力显著超越传统价值因子 2. **因子名称：债券评级联动因子** - **构建思路**：捕捉股债市场分割导致的套利机会[14] - **具体构建过程**： 1. 计算股票与同发行人债券评级变动相关性 2. 构建配对交易组合：做空评级下调股票/做空评级上调股票 3. 控制行业与规模风险暴露 - **因子评价**：未被现有经济关联因子解释 3. **因子名称：僵尸企业调整动量因子** - **构建思路**：剔除信贷扭曲企业提升动量效应[14] - **具体构建过程**： 1. 识别僵尸企业（连续3年利息覆盖率<1且负债增长） 2. 在传统11-1月动量策略中剔除该类企业 3. 优化组合权重函数： $$w_{i} = \frac{1}{\sigma_{i}}(1-D_{i}^{zombie})$$ 其中$D_{i}^{zombie}$为僵尸企业虚拟变量 - **因子评价**：日本市场夏普比率提升3倍 4. **因子名称：员工前瞻性预期因子** - **构建思路**：捕捉劳动力市场未公开信息[11] - **具体构建过程**： 1. 构建员工满意度调查中的未来预期指数 2. 计算行业调整后的异常预期值 3. 采用Fama-MacBeth回归验证预测力衰减模式 - **因子评价**：信号受套利行为影响快速衰减 模型回测效果 1. **TV-AR模型** - 样本外预测效用增益：+22%[16] - 参数不稳定变量检出率：51.3%[16] 2. **高频贝塔模型** - 日内贝塔离散度与流动性相关系数：0.67[14] 3. **高维因子择时框架** - 大市值因子择时IR：1.82[16] 4. **LMSR波动率模型** - 样本外预测损失降幅：38%[40] 因子回测效果 1. **无形资产投资因子** - 月均超额收益：42bps[11] - 信息比率(IR)：0.93[11] 2. **债券评级联动因子** - 月均超额收益：0.45%[14] - 最大回撤：8.7%[14] 3. **僵尸调整动量因子** - 超额收益提升幅度：+300%[14] - 夏普比率：1.52 vs 原策略0.49[14] 4. **员工预期因子** - 年化异常收益：8-11%[11] - 信号半衰期：4.2个月[11]

根据研报内容，总结量化模型与因子如下： 量化模型与构建方式 1. **长江动量指数模型** - 构建思路：选取A股市场中动量特征强且流动性高的股票[24] - 具体构建过程： 1. 计算每只股票最近1年收益率减去最近1个月收益率（剔除涨停板）作为动量指标 2. 按动量指标排序，选取前100只股票作为成分股 3. 采用等权重方式构建指数[24] - 模型评价：能有效表征A股动量效应，但近期超额收益波动较大[23][24] 2. **长江反转指数模型** - 构建思路：捕捉A股市场中反转效应显著的股票[25] - 具体构建过程： 1. 以最近1个月收益率作为反转指标 2. 选取反转效应最强的100只股票 3. 采用近3个月日均成交量加权构建指数[25] - 模型评价：在资金面收紧时表现优异，但需注意风格切换风险[25][48] 量化因子与构建方式 1. **风格拥挤度因子** - 构建思路：通过换手率差异衡量风格过热程度[121] - 具体构建过程： 1. 计算风格指数近n日日均换手率（半年期n=126，一年期n=252） 2. 对全市场换手率进行z-score标准化： $$ z = \frac{x - \mu}{\sigma} $$ 3. 计算风格换手率与万得全A的差值 4. 在滚动窗口（3年/6年）内计算历史分位数[121] - 因子评价：对风格切换有预警作用，但需结合超额净值判断[33][121] 2. **机构调研活跃度因子** - 构建思路：反映资金对板块/行业的关注度[123] - 具体构建过程： 1. 统计板块近n日日均调研次数（季度n=63，半年n=126） 2. 标准化后与万得全A调研活跃度作差 3. 计算滚动窗口（3年/6年）历史分位数[123] - 因子评价：领先性较好，但需区分长短期口径[104][123] 模型回测效果 1. **长江动量指数** - 近一周超额收益：-0.1% - 近一月超额收益：-1.6% - 年初至今超额收益：8.3%[24] 2. **长江反转指数** - 近一周超额收益：0.1% - 近一月超额收益：1.1% - 年初至今超额收益：-3.3%[24] 因子回测效果 1. **风格拥挤度因子** - 成长风格当前分位：0%（极低） - 红利风格当前分位：0%（极低） - 微盘股当前分位：6%（低位）[33][121] 2. **机构调研活跃度因子** - 地产基建板块分位：95%（极高） - 医药板块分位：3%（极低） - 金融板块分位：11%（极低）[104][123] 注：所有测试结果基于2025年5月30日数据[17][19]

量化模型与构建方式 1. **模型名称**：情绪Beta模型 **模型构建思路**：通过扩展CAPM模型，引入换手率变化因子来衡量资产价格对投资者情绪变化的敏感程度，从而刻画基金经理的逆向投资能力[3][4] **模型具体构建过程**： - 扩展CAPM模型公式： $$R\ =\ \alpha+\beta_{MRT}\times MKT+\beta_{TO}\times\Delta T0+\varepsilon$$ 其中，$R$为资产日度收益，$MKT$为中证全指日度收益，$\Delta TO$为换手率变化因子，计算公式为： $$\Delta T O\,=\,\frac{T u r n o v e r_{t}}{\sum_{i=1}^{N}T u r n o v e r_{t-i}/N}-1$$[35] - 情绪Beta（$\beta_{TO}$）反映资产收益对投资者观点分歧度变化的敏感度，低情绪Beta表明基金经理在投资者观点趋于一致时更易获取超额收益[36][38] 2. **模型名称**：多因子扩展模型（基于持仓） **模型构建思路**：在Fama-French五因子模型基础上加入换手率变化因子，计算股票情绪Beta并映射到基金维度[58] **模型具体构建过程**： - 回归模型： $$R_{i}=\alpha_{i}+\beta_{i,MT}\times MRT+\beta_{i,SHB}\times SMB+\beta_{i,HML}\times HML+\beta_{i,HMT}\times RMW$$ $$+\beta_{i,CHA}\times CMA+\beta_{i,TQ}\times MT0+\varepsilon$$[58] - 对股票情绪Beta进行行业和市值中性化处理： $$\beta_{i,T0}\;=\;\alpha+\gamma_{M}l n(m k t c a p)+\sum_{j=1}^{n}\gamma_{j}\times l n d_{j,i}+\varepsilon_{i}$$[60] - 基金持仓逆向投资能力因子（FHB）计算公式： $$FHB\ =\ \sum_{i=1}^{n}w_{i}\times\widehat{\beta}_{i,T0}$$[63] 3. **模型名称**：多因子扩展模型（基于收益） **模型构建思路**：在Carhart四因子模型中加入换手率变化因子，直接通过基金日度收益回归得到情绪Beta[69] **模型具体构建过程**： - 回归模型： $F_{i}=\alpha_{i}+\beta_{i,MRT}\times MKT+\beta_{i,SMB}\times SMB+\beta_{i,HML}\times HML$ $+\beta_{(UMD)}\times UMD+\beta_{(TO)}\times\Delta T0+\varepsilon$[69] - 换手率变化因子计算同模型1[70] 量化因子与构建方式 1. **因子名称**：基于基金持仓的逆向投资能力因子（FHB） **因子构建思路**：通过基金持仓股票的情绪Beta加权合成，反映基金经理选股的逆向能力[58][63] **因子具体构建过程**： - 计算股票情绪Beta并中性化[58][60] - 按持仓权重加权：$FHB = \sum w_i \times \widehat{\beta}_{i,TO}$[63] 2. **因子名称**：基于基金收益的逆向投资能力因子（FSB） **因子构建思路**：通过基金日度收益对换手率变化的敏感度直接衡量逆向能力[69] **因子具体构建过程**： - 扩展Carhart四因子模型回归得到$\beta_{TO}$[69] 3. **因子名称**：逆向投资能力因子（FSB综合） **因子构建思路**：将FHB与FSB等权合成，综合持仓与收益维度的信息[75] **因子具体构建过程**： - 合成公式：$FSB_{\text{综合}} = 0.5 \times FHB + 0.5 \times FSB$[75] 模型的回测效果 1. **情绪Beta模型**： - 股票层面RankIC均值-2.75%，年化RankICIR -0.49[43] - 行业层面RankIC均值-4.44%，年化RankICIR -0.29[47] - 基金层面RankIC均值-5.78%，年化RankICIR -0.48[51] 2. **FHB因子**： - RankIC均值-7.30%，年化RankICIR -0.92，胜率67.21%[64] - 多头组季均超额收益0.95%，空头组-0.78%[64] 3. **FSB因子**： - RankIC均值-8.92%，年化RankICIR -1.04，胜率75.41%[71] - 多头组季均超额收益0.83%，空头组-0.65%[71] 4. **FSB综合因子**： - RankIC均值-10.85%，年化RankICIR -1.39，胜率78.69%[75] - 多头组季均超额收益1.23%，空头组-1.07%[76] 因子评价 1. **增量信息**：逆向投资能力因子与9大类选基因子相关性绝对值均低于0.1，剥离常见因子后仍保持显著预测效果（G1组季均超额收益0.82%）[82][89] 2. **适应性**：2023年后RankIC均值-11.20%，年化RankICIR -1.41，优于收益类因子（RankIC降至-1.40%）等传统因子[99] 3. **风格暴露**：低情绪Beta基金持仓偏向低Beta、高市值、低杠杆股票，但与主动权益基金整体风格偏离较小[112][114]

根据提供的研报内容，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：大小盘风格因子** - 构建思路：用于衡量市场中小盘股相对于大盘股的表现[12] - 具体构建过程：通过计算小盘股指数与大盘股指数的相对收益率差值，反映风格偏向 - 因子评价：当前市场风格偏向小盘，但波动上升显示不稳定性[12] 2. **因子名称：价值成长风格因子** - 构建思路：衡量价值股与成长股的相对表现[12] - 具体构建过程：计算价值风格指数与成长风格指数的收益率差值 - 因子评价：近期风格偏向成长，但波动率上升[12] 3. **因子名称：行业指数超额收益离散度因子** - 构建思路：反映行业间超额收益的分散程度[12] - 具体构建过程：计算各行业指数超额收益的标准差 - 因子评价：当前处于近一年低位，显示行业收益收敛[12] 4. **因子名称：成分股上涨比例因子** - 构建思路：跟踪市场广度指标[12] - 具体构建过程：统计指数成分股中上涨股票的比例 - 因子评价：近期略有下降，显示市场广度收缩[12] 5. **因子名称：商品期货趋势强度因子** - 构建思路：衡量商品期货市场的趋势延续性[27] - 具体构建过程：通过计算各板块价格序列的自相关性或动量指标 - 因子评价：能化、黑色板块趋势延续，贵金属、有色板块趋势增强[27] 6. **因子名称：商品基差动量因子** - 构建思路：跟踪商品期货期限结构变化[27] - 具体构建过程：计算近月合约与远月合约价格差的变动率 - 因子评价：黑色板块基差动量上升，农产品板块处于低位[27] 因子回测效果 1. **大小盘风格因子** - 当前取值：偏向小盘[12] - 波动率：上升[12] 2. **价值成长风格因子** - 当前取值：偏向成长[12] - 波动率：上升[12] 3. **行业指数超额收益离散度因子** - 当前取值：下降至近一年低位[12] 4. **成分股上涨比例因子** - 当前取值：略有下降[12] 5. **商品期货趋势强度因子** - 能化板块：趋势延续[27] - 黑色板块：趋势延续[27] - 贵金属板块：趋势性上升[27] - 有色板块：趋势性上升[27] 6. **商品基差动量因子** - 黑色板块：上升[27] - 农产品板块：处于较低水平[27] 7. **期权偏度因子** - 中证1000看跌期权偏度：维持优势[33] - 持仓量：明显上升[33] 8. **可转债溢价率因子** - 百元转股溢价率：有所回升[35] - 低转股溢价率转债占比：小幅增加[35] 注：报告中未提及具体量化模型，仅跟踪了市场环境因子和中观因子[12][27]

根据研报内容，总结量化模型与因子如下： 量化因子与构建方式 1. **因子名称：RSI相对强弱指标** - 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，判断市场超买或超卖状态[2] - 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：经典动量类指标，适用于短期趋势判断 2. **因子名称：日内行情趋势** - 构建思路：基于5分钟级别成交价分析日内价格波动特征[2] - 具体构建过程： - 提取当日最高价/最低价作为红点标记 - 通过分时数据构建趋势图（注：部分数据可能存在缺失）[2] 3. **因子名称：净申购金额** - 构建思路：通过ETF净值变化计算资金流动情况[2] - 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)为当日收益率[2] 因子回测效果 （注：原文未提供具体测试指标值，仅展示因子构建方法） 补充说明 1. 所有因子均基于ETF日频数据计算，涵盖宽基/主题两类ETF[2] 2. 基金池构建规则：选取各类型中规模较大的ETF作为分析对象[2] 3. 数据局限性：部分QDII净值披露延迟，新上市基金数据可能存在空值[3] 以上内容提取自文档[2][3]，未涉及模型构建及测试结果部分。

量化模型与构建方式 1. **模型名称**：港股优选20组合多因子模型 **模型构建思路**：基于技术面、资金面、基本面和分析师预期四大类因子，筛选港股通成分股中表现优异的个股构建组合[39] **模型具体构建过程**： - 每月底对港股通样本股（545只）进行因子评分，选取分数最高的前20只个股 - 采用等权重方式构建组合，基准为港股综合指数(HKD) (930930.CSI)[40] - 因子分类： - **技术面**：动量、波动率等 - **资金面**：南下资金、外资等持仓变化[19] - **基本面**：PE、ROE等财务指标[45] - **分析师预期**：盈利预测调整等[39] **模型评价**：长期表现优异，但2025年5月出现短期跑输基准的情况[40] 模型的回测效果 1. **港股优选20组合**： - 2025年5月收益率：2.44%（基准4.80%，超额-2.36%）[40] - 全区间（2015.1~2025.5）： - 超额年化收益率：13.3% - 超额收益波动比：1.0 - 超额最大回撤：18.2%[42] - 分年度表现： - 最佳年份（2020年）：超额年化收益率58.5%，超额收益波动比3.4[41] - 最差年份（2025年）：超额年化收益率-13.7%，超额收益波动比-1.3[41] 量化因子与构建方式 1. **因子名称**：资金流因子 **因子构建思路**：通过港股通标的在四类经纪商（南下资金、外资、中资、港资及其他）的持仓市值占比变化捕捉资金流向[19] **因子具体构建过程**： - 计算每只港股通标的在四类经纪商的持仓市值占比（归一化处理） - 动态跟踪占比变化，例如： - 南下资金持仓占比：19.84%（2025年5月环比+0.06pct） - 外资持仓占比：61.00%（环比-0.07pct）[19] - 行业层面统计净流入方向（如南下资金偏好煤炭、钢铁等）[23][26] 2. **因子名称**：价值因子 **因子构建思路**：结合低估值（PE）与高盈利（ROE）筛选个股[45] **因子具体构建过程**： - 使用PEttm和ROEttm指标，例如： - 中国海洋石油(0883.HK)：PEttm=5.9，ROEttm=19.5%[45] - 农业银行(1288.HK)：PEttm=6.2，ROEttm=9.4%[45] - 2025年6月组合增配低PE高ROE个股[44] 因子的回测效果 1. **资金流因子**： - 南下资金净流入前十个股平均收益率30.1%（2025年5月），显著跑赢其他类别[34] - 外资净流入前十个股平均收益率2.8%，表现较弱[34] 2. **价值因子**： - 2025年5月低估值高股息板块涨幅居前[14] - 组合中价值股如中国海洋石油(0883.HK)长期贡献稳定超额收益[45] （注：部分因子如技术面、分析师预期因子的具体构建公式未在报告中明确列出，故未详细展开）