量化模型与构建方式 1. 宏观评分模型 - **模型名称**：宏观评分模型[7][16][18] - **模型构建思路**：通过跟踪多个宏观因子（如国内景气、全球货币、全球通胀等）的变化，对各大类资产进行评分，以判断其未来走势[16][18] - **模型具体构建过程**： 1. 选取9个宏观因子：国内景气、国内货币、国内信用、国内通胀、全球景气、全球货币、全球通胀、美元、金融压力[18] 2. 每月对每个因子进行评分（取值为-1,0,1），并计算其变动[18] 3. 对每个大类资产（如中证800、黄金、原油等），根据其受各宏观因子的影响方向，汇总得到该资产的宏观评分[18] 4. 根据历史回测，当某资产的宏观评分达到特定水平（如铜评分为4）时，预期其未来收益较高[2][14][15] - **模型评价**：能够综合反映宏观环境对各类资产的影响，提供多维度的择时参考[18] 2. 美股择时模型 - **模型名称**：美股择时模型[7][19][20] - **模型构建思路**：通过监测景气度、资金流、金融压力等分项指标，对美股进行中期择时[19][20] - **模型具体构建过程**： 1. 选取三个分项指标：景气度、资金流、金融压力[20] 2. 对各指标进行量化评分，并综合得到择时信号[19][20] 3. 根据指标边际改善情况调整观点（如从中性上调至看多）[19] 3. 黄金择时模型 - **模型名称**：黄金择时模型[7][21][22] - **模型构建思路**：结合避险货币、央行态度、财政压力、金融压力等分项指标，对黄金进行择时[21][24] - **模型具体构建过程**： 1. 选取四个分项指标：避险货币、央行态度、财政压力、金融压力[24] 2. 综合各指标得到黄金择时指标，最新值为-0.53[21][22] 3. 根据指标走势和宏观环境（如赤字扩张、通胀预期）调整观点[21] - **模型评价**：在某些宏观环境下（如政策预期变化）可能存在信号失真，需结合主观判断[21] 4. 原油择时模型 - **模型名称**：原油择时模型[7][26][27] - **模型构建思路**：通过构建原油景气指数，结合需求、库存、美元指数等分项指标，对油价进行择时[26][28] - **模型具体构建过程**： 1. 选取五个分项指标：需求、库存、美元指数、投资者预期、宏观风险水平[28] 2. 综合得到原油景气指数，本月读数为0.56[26][30] 3. 根据指数是否高于0轴判断看多或看空[26] 5. 大类资产配置模型 - **模型名称**：大类资产配置模型[3][29][31] - **模型构建思路**：根据量化配置信号分配各类资产的风险预算，并基于宏观因子体系调整组合的宏观风险暴露，得到最终配置比例[3][29] - **模型具体构建过程**： 1. 每月生成各大类资产的配置比例（如中证800、黄金、原油等）[31] 2. 通过模型优化控制组合风险暴露和回撤[29][32] 模型的回测效果 1. **宏观评分模型**：当铜的宏观评分达到4分时，次月LME铜年化收益达到29%[2][14][15] 2. **大类资产配置策略**：8月收益2.0%，最近1年收益11.7%，最大回撤2.9%[3][29] 量化因子与构建方式 1. 全球景气因子 - **因子名称**：全球景气因子[1][10][16] - **因子构建思路**：反映全球制造业景气状况，如通过PMI等指标度量[1][10][11] - **因子具体构建过程**：跟踪欧元区制造业PMI、美国ISM制造业PMI新订单等数据[1][10][11] 2. 全球货币因子 - **因子名称**：全球货币因子[1][16][18] - **因子构建思路**：反映全球货币政策宽松程度[1][16] - **因子具体构建过程**：基于美联储降息预期、市场利率变动等指标构建[1][10] 3. 全球通胀因子 - **因子名称**：全球通胀因子[2][16][18] - **因子构建思路**：反映全球通胀预期及实际上行压力[2][12] - **因子具体构建过程**：跟踪关税通胀传导、大宗商品价格等指标[2][12] 4. 金融压力因子 - **因子名称**：金融压力因子[18][20][24] - **因子构建思路**：反映金融市场压力状况，影响风险资产表现[18][20] - **因子具体构建过程**：通过利差、波动率等市场指标合成[18][20] 因子的回测效果 （注：报告中未提供因子的独立回测指标取值）

根据您提供的金融工程日报内容，报告主要描述了市场表现、情绪、资金流向等市场状况，并定义了几个用于衡量市场情绪的指标。报告内容更侧重于市场数据统计和监测指标的描述，而非构建用于选股或定价的量化模型或因子。因此，报告中涉及的“模型”或“因子”实际上是市场监测指标。 量化模型与构建方式 报告未涉及传统的量化选股或定价模型。 量化因子与构建方式 报告未涉及用于解释股票收益的传统阿尔法因子。 市场监测指标与构建方式 1. **指标名称**：封板率[17] **指标构建思路**：用于衡量涨停股票的封板强度，反映市场追涨情绪的热度[17] **指标具体构建过程**：统计特定时间段内，上市满3个月以上的股票。首先，找出盘中最高价曾达到涨停价的股票集合。然后，在这个集合中，找出当日收盘价仍为涨停的股票。封板率的计算公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[17] 2. **指标名称**：连板率[17] **指标构建思路**：用于衡量涨停板的持续性，反映市场龙头股的接力情绪[17] **指标具体构建过程**：统计特定时间段内，上市满3个月以上的股票。首先，确定昨日收盘涨停的股票集合。然后，在这个集合中，找出今日收盘再次涨停的股票。连板率的计算公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[17] 3. **指标名称**：大宗交易折价率[26] **指标构建思路**：通过大宗交易成交价与市价的差异来观察大资金的投资偏好和市场情绪[26] **指标具体构建过程**：统计当日所有大宗交易记录。计算总成交金额，以及这些成交股份按当日收盘价计算的总市值。折价率的计算公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[26] **指标评价**：折价率越高，表明大资金卖出意愿越强或流动性补偿要求越高，通常被视为偏空信号[26] 4. **指标名称**：股指期货年化贴水率[28] **指标构建思路**：通过计算股指期货主力合约相对于现货指数的年化基差，来反映市场对未来预期、对冲成本及市场情绪[28] **指标具体构建过程**：选取特定股指期货品种的主力合约。计算基差（股指期货价格减去现货指数价格）。年化贴水率的计算公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[28] **指标评价**：贴水率越高（负基差绝对值越大），通常表明市场情绪越悲观，或对冲需求旺盛导致期货卖压较大[28] 指标的最新取值 1. **封板率**，当日取值为 46%[17] 2. **连板率**，当日取值为 16%[17] 3. **大宗交易折价率**，近半年平均取值为 5.92%，当日取值为 8.32%[26] 4. **上证50股指期货年化贴水率**，近一年中位数取值为 0.21%，当日取值为 8.44%[28] 5. **沪深300股指期货年化贴水率**，近一年中位数取值为 2.29%，当日取值为 13.93%[28] 6. **中证500股指期货年化贴水率**，近一年中位数取值为 9.50%，当日取值为 24.16%[28] 7. **中证1000股指期货年化贴水率**，近一年中位数取值为 11.58%，当日取值为 18.58%[28]

根据提供的研报内容，总结如下： 量化模型与构建方式 1. **模型名称**：超预期事件筛选模型[9][25] **模型构建思路**：通过分析师的研报标题来识别上市公司业绩“超预期”事件，认为这是结合了客观数据和主观调研的综合判断，比单纯的数据比较更全面[9] **模型具体构建过程**： 1. 数据来源：上市公司披露的2025年中报业绩预告或正式财报，以及随后分析师发布的点评研报[9][10] 2. 事件定义：在财报披露后，至少有一篇分析师研报的标题中包含“业绩”、“利润”、“营收”、“增长”、“超预期”、“好于预期”等关键词，即将该公司标记为“超预期”样本[9] 3. 筛选规则：仅考虑业绩、利润、营收相关的超预期，分红超预期等其他类型不纳入考虑[9] 4. 计算超预期公司占比：`超预期公司占比 = 超预期公司数量 / 分析师覆盖公司数量`，其中“分析师覆盖公司”定义为过去半年内至少有一篇研报覆盖的公司[25] 2. **模型名称**：开盘跳空超额（AOG）模型[25] **模型构建思路**：构建AOG指标来衡量市场对上市公司业绩公告的即时反应和认可程度，捕捉盈余公告后的价格漂移（PEAD）现象[25] **模型具体构建过程**： 1. 指标定义：AOG（Alpha of Open Gap）指盈余公告次日开盘跳空超额收益[25] 2. 计算公式： $$A O G_{t+1}\ =O p e n_{t+1}/C l o s e_{t}-O p e n_{m k t,t+1}/C l o s e_{m k t,t}$$ 其中，`Open_{t+1}` 和 `Close_t` 分别代表股票在t+1日的开盘价和t日的收盘价，`Open_{mkt,t+1}` 和 `Close_{mkt,t}` 分别代表市场指数（文中使用中证500指数）在t+1日的开盘价和t日的收盘价[25] 3. 应用：将正式财报次日的开盘收益减去中证500指数收益率作为开盘跳空幅度指标，用于评估市场反应[25] 模型的回测效果 1. **超预期事件筛选模型**，不同指数中超预期公司占比：沪深300成分股为24.41%，中证500成分股为12.75%，中证1000成分股为9.01%[26] 2. **超预期事件筛选模型**，不同板块中超预期公司占比：大金融板块为12.70%[26] 3. **开盘跳空超额（AOG）模型**，不同指数中超预期公司财报次日跳空幅度：中证1000指数成分股跳空幅度更大[26] 4. **开盘跳空超额（AOG）模型**，不同板块中超预期公司财报次日跳空幅度：科技板块跳空幅度最大[26] 量化因子与构建方式 1. **因子名称**：中报累计净利润同比增速[13][15] **因子构建思路**：通过计算上市公司中报累计净利润的同比增长率，来衡量公司的盈利增长能力，并比较不同群体（指数、行业、板块）的中位数表现[13][15] **因子具体构建过程**： 1. 数据来源：上市公司2025年正式中报[10][13] 2. 计算公式：`（本期累计净利润 - 上年同期累计净利润） / |上年同期累计净利润| * 100%`（注：公式为常规财务增长率计算，原文未明确给出，根据上下文推断） 3. 应用：计算不同指数成分股（如沪深300、中证500）、板块（如大金融、医药）、中信一级行业、热点概念及ETF标的指数成分股的该增速，并取中位数进行横向比较[13][15][17][22] 2. **因子名称**：52周最高价距离[38] **因子构建思路**：计算当前股价距离过去52周内最高价的幅度，用以衡量股票是否接近其近期高点，反映其价格势头和潜在阻力[38] **因子具体构建过程**： 1. 计算公式：`（当前收盘价 - 52周最高价） / 52周最高价 * 100%`（注：公式为常规计算，原文未明确给出，根据上下文推断） 2. 应用：作为优选超预期公司的筛选条件之一，例如要求“当前52周最高价距离小于10%”[38] 因子的回测效果 1. **中报累计净利润同比增速因子**，不同指数中位数：中证500指数成分股为8.53%，沪深300指数成分股为5.32%，中证1000指数成分股为3.30%[13] 2. **中报累计净利润同比增速因子**，不同板块中位数：大金融板块为8.05%，医药板块为-6.69%[13] 3. **中报累计净利润同比增速因子**，热点概念中位数：芯片指数、半导体精选指数均超过20%[17] 4. **中报累计净利润同比增速因子**，ETF标的指数中位数：证券公司、300非银、科技龙头指数较高[22] 复合筛选规则 1. **规则名称**：中报超预期公司优选规则[36][38] **规则构建思路**：结合超预期事件、财务增速、市场即时反应和价格势头多个维度，综合筛选出优质的超预期公司[36][38] **规则具体构建过程**： 1. 至少一篇分析师研报标题点评“超预期”[38] 2. 中报净利润累计同比增速大于30%，且去年同期累计净利润大于5000万[38] 3. 财报第二天开盘相对中证500指数跳空幅度（AOG）大于2%[25][38] 4. 当前52周最高价距离小于10%[38] **规则应用结果**：根据此规则优选出如藏格矿业、天孚通信、药明康德等公司[38][41]

量化模型与构建方式 1 模型名称：PostNAS框架与JetBlock模块 **模型构建思路**：通过后神经架构搜索方法对预训练Transformer模型进行深度优化，结合新型线性注意力模块，实现高性能与高效率的语言模型架构[15][16] **模型具体构建过程**： 1. 从预训练的全注意力模型出发，继承并冻结其多层感知机权重 2. 训练"一次性"超级网络自动确定全注意力层的最佳放置位置 3. 评估多种线性注意力模块，选定Gated DeltaNet为基础 4. 设计JetBlock模块，引入动态因果卷积核，其卷积核生成器根据输入内容动态调整特征提取模式，同时移除查询和键上的冗余静态卷积 5. 执行硬件感知架构搜索，将KV缓存大小固定后对关键维度进行网格搜索[16] 2 模型名称：Gemini 2.5 Flash Image **模型构建思路**：采用稀疏混合专家架构与改进的扩散模型，实现高质量图像生成与编辑[23][25] **模型具体构建过程**： 1. 采用稀疏混合专家架构，将模型参数划分为多个专家模块，每个输入token仅激活少量专家 2. 将文本、图像、音频等输入映射到统一的嵌入空间，通过跨模态注意力机制实现信息融合 3. 采用改进的扩散模型，在低维潜空间进行去噪 4. 内置物理引擎级渲染模块理解光影投射、物体遮挡等物理规律 5. 通过特征锚定机制提取人物面部、体态等关键特征，并在生成过程中持续锚定，确保多场景下角色外观一致[25][26] 3 模型名称：MAI-1-preview **模型构建思路**：采用混合专家架构（MoE），专注于指令遵循与响应效率的平衡[36] **模型具体构建过程**： 1. 使用约1.5万张NVIDIA H100 GPU进行预训练与后训练 2. 采用混合专家架构（MoE）[36] 4 模型名称：RLCF（基于检查表的强化学习反馈） **模型构建思路**：通过动态生成指令特定的检查表来评估模型响应，替代传统奖励模型[48][49] **模型具体构建过程**： 1. 定义检查表核心特征：每个检查项必须是可验证的是非问题，响应需满足所有检查项才合格 2. 开发两种检查表生成方法： - 直接法：通过简单提示语言模型从指令中提取检查项 - 候选法：通过分析不同质量响应样本的失败模式生成更全面的检查表 3. RLCF方法包含四个关键步骤： - 从基础策略中采样候选响应对 - 结合AI评判员和验证程序对每个检查项进行评分 - 计算加权平均得分并筛选差异显著的响应对 - 使用这些偏好对进行直接偏好优化训练[48][49] --- 量化因子与构建方式 （本报告中未涉及量化因子的相关内容） --- 模型的回测效果 1 Jet-Nemotron模型 - 提供2B和4B两种参数规模的版本[17] - 在H100 GPU上生成吞吐量最高提升53.6倍，预填充阶段速度提升6.1倍[17] - Jet-Nemotron-2B在MMLU、MMLU-Pro和BBH基准上相比Qwen3-1.7B-Base吞吐量提高47倍，缓存大小缩小至原来的四十七分之一[19] - 在数学任务中平均准确率49.6，超出Qwen3-1.7B-Base达6.3个点[19] - 在常识推理任务中平均准确率62.0，超越所有基线模型[19] - 在检索和编码任务中表现优于多数同类模型[19] - Jet-Nemotron-4B在所有编码任务中均实现更高准确率，在长上下文任务中性能媲美配备更多全注意力层的领先模型[19] 2 Gemini 2.5 Flash Image模型 - 在LMArena基准测试的文生图与图像编辑两个场景中均获得全球第一的评价[27] - 在用户综合喜好度、人物、创造力、信息图、物体和环境的生成上领先于GPT-4o图像生成、Flux.1 Kontext等模型[27] - 定价为每百万输出token 30美元，每张图像消耗约1290 token，约合0.039美元每张图像[28] 3 MAI-1-preview模型 - 在LMArena文本任务榜单中排名第13位[36] 4 RLCF模型 - 在IFEval上相对提升2.8-3.0%[51] - 在FollowBench上约束满足水平提升8.2%[51] - 在InFoBench上总体要求遵循率提升6.9%[51] - 在"内容"类约束上的平均硬满足率比基线高出6.4个百分点[51] --- 因子的回测效果 （本报告中未涉及量化因子的回测效果）

量化模型与因子总结 量化因子与构建方式 1 **因子名称：大小盘风格因子** **因子构建思路：** 通过市值维度衡量市场风格偏向大盘或小盘[12] **因子具体构建过程：** 使用市值加权组合收益差来表征风格暴露，具体计算大盘股组合与小盘股组合的收益率差值 2 **因子名称：价值成长风格因子** **因子构建思路：** 通过估值与成长性指标区分价值与成长风格[12] **因子具体构建过程：** 构建价值股组合和成长股组合，计算两类组合的收益率差值作为风格因子 3 **因子名称：行业指数超额收益离散度因子** **因子构建思路：** 衡量各行业指数超额收益的分散程度[12] **因子具体构建过程：** 计算各行业指数相对于基准的超额收益，然后计算这些超额收益的截面标准差 4 **因子名称：行业轮动度量因子** **因子构建思路：** 量化行业轮动速度的快慢[12] **因子具体构建过程：** 使用行业收益率的相关系数矩阵或动量指标变化率来度量行业轮动速度 5 **因子名称：成分股上涨比例因子** **因子构建思路：** 衡量市场广度和参与度[12] **因子具体构建过程：** 计算指数成分股中上涨股票数量占总股票数量的比例 $$上涨比例 = \frac{上涨股票数量}{总股票数量}$$ 6 **因子名称：前100个股成交额占比因子** **因子构建思路：** 衡量交易集中度于头部个股的程度[12] **因子具体构建过程：** 计算前100只个股成交额之和与市场总成交额的比例 $$成交集中度 = \frac{\sum_{i=1}^{100} 成交额_i}{市场总成交额}$$ 7 **因子名称：前5行业成交额占比因子** **因子构建思路：** 衡量交易集中度于头部行业的程度[12] **因子具体构建过程：** 计算前5个行业成交额之和与市场总成交额的比例 8 **因子名称：指数波动率因子** **因子构建思路：** 衡量市场波动风险水平[12] **因子具体构建过程：** 使用指数收益率的移动标准差来计算市场波动率 9 **因子名称：指数换手率因子** **因子构建思路：** 衡量市场交易活跃程度[12] **因子具体构建过程：** 计算市场总成交额与流通市值的比率 10 **因子名称：商品趋势强度因子** **因子构建思路：** 衡量商品期货价格的趋势性强弱[19][25] **因子具体构建过程：** 通过移动平均线斜率或动量指标来量化各商品板块的趋势强度 11 **因子名称：商品基差动量因子** **因子构建思路：** 衡量商品期货期限结构的变化动量[19][25] **因子具体构建过程：** 计算近月合约与远月合约价格差的变动率 12 **因子名称：商品波动率因子** **因子构建思路：** 衡量商品市场的波动风险水平[19][25] **因子具体构建过程：** 使用商品指数收益率的移动标准差来计算波动率 13 **因子名称：商品流动性因子** **因子构建思路：** 衡量商品市场的流动性状况[19][25] **因子具体构建过程：** 通过成交量和持仓量变化来度量市场流动性 14 **因子名称：期权隐含波动率因子** **因子构建思路：** 衡量期权市场对未来波动率的预期[28] **因子具体构建过程：** 从期权市场价格反推计算出隐含波动率指标 15 **因子名称：期权偏度因子** **因子构建思路：** 衡量期权市场对尾部风险的定价[28] **因子具体构建过程：** 通过看跌期权与看涨期权隐含波动率的差异来计算偏度 16 **因子名称：百元转股溢价率因子** **因子构建思路：** 衡量可转债估值水平[30] **因子具体构建过程：** 计算可转债市场价格相对于转换价值的溢价程度 17 **因子名称：低转股溢价率占比因子** **因子构建思路：** 衡量市场中低估值转债的分布情况[30] **因子具体构建过程：** 计算转股溢价率低于特定阈值的转债数量占比 因子的回测效果 1 **大小盘风格因子**，上周表现：风格偏向均衡[12] 2 **价值成长风格因子**，上周表现：风格偏向成长[12] 3 **大小盘风格波动因子**，上周表现：波动下降[12] 4 **价值成长风格波动因子**，上周表现：波动上升[12] 5 **行业指数超额收益离散度因子**，上周表现：离散度上升[12] 6 **行业轮动度量因子**，上周表现：先升后降[12] 7 **成分股上涨比例因子**，上周表现：上涨比例上升[12] 8 **前100个股成交额占比因子**，上周表现：集中度上升[12] 9 **前5行业成交额占比因子**，上周表现：集中度上升[12] 10 **指数波动率因子**，上周表现：波动率上升[12] 11 **指数换手率因子**，上周表现：换手率上升[12] 12 **商品趋势强度因子**，上周表现：各板块趋势强度下降[19][25] 13 **商品基差动量因子**，上周表现：能化贵金属板块上升[19][25] 14 **商品波动率因子**，上周表现：各板块波动率下降[19][25] 15 **商品流动性因子**，上周表现：各板块流动性震荡向下[19][25] 16 **期权隐含波动率因子**，上周表现：上证50与中证1000隐波维持高位[28] 17 **期权偏度因子**，上周表现：中证1000看跌期权偏度上升[28] 18 **百元转股溢价率因子**，上周表现：保持维稳[30] 19 **低转股溢价率占比因子**，上周表现：显著上升[30]

量化因子与构建方式 1. **因子名称：估值偏离EPD因子** **因子构建思路：** 将CTA领域常用的布林带均值回复策略与基本面估值修复逻辑相结合，利用估值指标PE存在的均值回复特性构建[7] **因子具体构建过程：** 具体构建过程未详细说明，但核心是利用PE指标的布林带构造，衡量当前估值相对于历史均值的偏离程度 2. **因子名称：缓慢偏离EPDS因子** **因子构建思路：** 为了剔除个股估值逻辑变化带来的影响，在截面上用EPD因子剔除个股估值逻辑被改变的概率（由个股信息比率代理）[7] **因子具体构建过程：** 具体构建过程未详细说明，核心是在EPD因子的基础上，使用个股信息比率作为代理变量，调整以反映估值逻辑变化的缓慢偏离 3. **因子名称：估值异常EPA因子** **因子构建思路：** 在EPDS因子的基础上，进一步剔除影响“估值异常”逻辑的Beta、成长与价值风格，最终得到纯净的估值异常因子[7] **因子具体构建过程：** 具体构建过程未详细说明，核心是对EPDS因子进行风格中性化处理，剔除Beta、成长和价值风格的影响 因子的回测效果 1. **估值偏离EPD因子** 年化收益率：17.47%[2][8][12] 年化波动率：9.94%[2][8][12] 信息比率(IR)：1.76[2][8][12] 月度胜率：70.59%[2][8][12] 最大回撤率：8.93%[2][8][12] 2. **缓慢偏离EPDS因子** 年化收益率：16.12%[2][8][12] 年化波动率：5.74%[2][8][12] 信息比率(IR)：2.81[2][8][12] 月度胜率：78.61%[2][8][12] 最大回撤率：3.10%[2][8][12] 3. **估值异常EPA因子** 年化收益率：17.29%[2][8][12] 年化波动率：5.14%[2][8][12] 信息比率(IR)：3.37[2][8][12] 月度胜率：80.75%[2][8][12] 最大回撤率：3.12%[2][8][12] 2025年8月多头组合收益率：7.72%[2][15] 2025年8月空头组合收益率：8.34%[2][15] 2025年8月多空对冲收益率：-0.63%[2][15]

量化因子与构建方式 1. 因子名称：新价量相关性 RPV 因子 - **因子构建思路**：通过划分价量四象限，利用月度IC均值有效甄别出价量相关性因子的反转效应和动量效应，在"动量因子切割"研究的基础上，以相关性的形式加入"成交量"的信息，分别为日内、隔夜的价量相关性找到最佳代表，并完成信息叠加[6] - **因子具体构建过程**：从基准因子CCV（日频CPV）中发现换手率序列可以增强收盘价序列的反转效应，分别为日内价量相关性和隔夜价量相关性找到了最佳代表——CCOIV和COV。日内价量相互配合加强了反转；隔夜价量关系蕴藏在时间维度上的"错配"之中，"昨日量"加强了隔夜收益的动量。将两者协调一致，使各自的信息叠加起来为同一个目标服务，得到新价量相关性RPV因子[6] 2. 因子名称：聪明版日频价量相关性 SRV 因子 - **因子构建思路**：将日内涨跌拆分为上午涨跌和下午涨跌，并计算分钟"聪明"指标，将当日下午"聪明"指标最大的各20%（24分钟）作为知情交易最集中的"聪明"时段，使用下午"聪明"换手率与下午涨跌的相关系数；对隔夜价量相关性，将换手率替换为知情交易比例更高的昨天最后半小时换手率[1] - **因子具体构建过程**：将效果更好的日内价量相关性因子和隔夜价量相关性因子结合，合成的SRV因子[1] 因子的回测效果 1. 新价量相关性 RPV 因子 - 年化收益率：14.17%[7][10] - 年化波动率：7.73%[7][10] - 信息比率(IR)：1.83[7][10] - 月度胜率：71.94%[7][10] - 最大回撤率：10.63%[7][10] 2. 聪明版日频价量相关性 SRV 因子 - 年化收益率：16.89%[7][10] - 年化波动率：6.51%[7][10] - 信息比率(IR)：2.59[7][10] - 月度胜率：74.10%[7][10] - 最大回撤率：3.87%[7][10]

量化模型与构建方式 1. 量化大势研判行业配置策略 **模型构建思路**：通过自下而上的资产全局比较，基于产业生命周期理论将权益资产划分为五种风格阶段，通过优先级比较（g>ROE>D）筛选优势资产[1][5] **模型具体构建过程**： 1. 划分五种风格阶段：外延成长、质量成长、质量红利、价值红利、破产价值[5] 2. 对全市场权益资产（中信二三级行业）进行风格分类[15] 3. 按主流资产（实际增速资产、预期增速资产、盈利资产）和次级资产（质量红利>价值红利>破产价值）优先级进行比较[9] 4. 主流资产采用优势差（Spread）计算： - 预期增速优势差：$$\Delta gf = g\_fttm_{Top} - g\_fttm_{Bottom}$$[20] - 实际增速优势差：$$\Delta g = g\_ttm_{Top} - g\_ttm_{Bottom}$$[24] - ROE优势差：$$\Delta ROE = ROE_{Top} - ROE_{Bottom}$$[26] 5. 次级资产按拥挤度排序[9] 6. 每月选择优势风格中排名前5的细分行业等权重配置[15] 2. 预期成长策略 **因子构建思路**：选取分析师预期增速最高的行业[34] **因子具体构建过程**： 1. 计算行业预期净利润增速g_fttm[20] 2. 按g_fttm从高到低排序 3. 选择排名前5的行业[34] 3. 实际成长策略 **因子构建思路**：选取超预期/△g最高的行业[36] **因子具体构建过程**： 1. 采用三个因子：sue（未预期盈余）、sur（营收惊喜）、jor（盈利惊喜）[36] 2. 对行业进行多因子综合评分 3. 选择排名前5的行业[37] 4. 盈利能力策略 **因子构建思路**：选取高ROE中PB-ROE框架下估值较低的行业[39] **因子具体构建过程**： 1. 计算行业PB-ROE回归残差：$$残差 = ROE - \beta \times PB$$[39] 2. 按残差从高到低排序（高ROE低PB） 3. 选择排名前5的行业[39] 5. 质量红利策略 **因子构建思路**：选取DP+ROE打分最高的行业[42] **因子具体构建过程**： 1. 计算行业dp（股息率）和roe（净资产收益率）[42] 2. 对dp和roe进行标准化打分并加权求和 3. 选择综合得分前5的行业[42] 6. 价值红利策略 **因子构建思路**：选取DP+BP打分最高的行业[45] **因子具体构建过程**： 1. 计算行业dp（股息率）和bp（市净率倒数）[45] 2. 对dp和bp进行标准化打分并加权求和 3. 选择综合得分前5的行业[45] 7. 破产价值策略 **因子构建思路**：选取PB+SIZE打分最低的行业[48] **因子具体构建过程**： 1. 计算行业pb（市净率）和size（市值）[48] 2. 对pb和size进行标准化打分并加权求和（低pb小市值） 3. 选择综合得分最低的前5个行业[48] 模型的回测效果 1. 量化大势研判行业配置策略 年化收益：27.25%[15] 各年度超额收益： - 2009年：51%[18] - 2010年：14%[18] - 2011年：-11%[18] - 2012年：0%[18] - 2013年：36%[18] - 2014年：-4%[18] - 2015年：16%[18] - 2016年：-1%[18] - 2017年：27%[18] - 2018年：7%[18] - 2019年：8%[18] - 2020年：44%[18] - 2021年：38%[18] - 2022年：62%[18] - 2023年：10%[18] - 2024年：52%[18] - 2025年8月：4%[18] 2. 预期成长策略 近3月表现： - 线缆：49.62%[34] - 水泥：12.71%[34] - 玻璃纤维：63.67%[34] - 稀土及磁性材料：98.77%[34] - 白色家电Ⅲ：-1.21%[34] 3. 实际成长策略 近3月表现： - 集成电路：42.93%[37] - PCB：112.10%[37] - 钨：69.26%[37] - 锂电设备：60.15%[37] - 兵器兵装Ⅲ：80.22%[37] 4. 盈利能力策略 近3月表现： - 啤酒：-3.94%[39] - 白酒：4.12%[39] - 非乳饮料：-4.45%[39] - 网络接配及塔设：202.29%[39] - 建筑装修Ⅲ：4.42%[39] 5. 质量红利策略 近3月表现： - 车用电机电控：38.98%[42] - 其他家电：28.13%[42] - 稀土及磁性材料：98.77%[42] - 网络接配及塔设：202.29%[42] - 玻璃纤维：63.67%[42] 6. 价值红利策略 近3月表现： - 化学制剂：19.43%[45] - 日用化学品：2.12%[45] - 安防：21.03%[45] - 服务机器人：39.81%[45] - 网络接配及塔设：202.29%[45] 7. 破产价值策略 近3月表现： - 汽车销售及服务Ⅲ：4.59%[48] - 动物疫苗及兽药：10.81%[48] - 棉纺制品：4.80%[48] - 包装印刷：13.22%[48] - 印染：3.22%[48]

量化模型与因子总结 量化因子与构建方式 1 **因子名称**："日与夜的殊途同归"新动量因子[7] **因子构建思路**：基于日内与隔夜各自的价量关系，分别对日内因子、隔夜因子进行改进，再重新合成新的动量因子[7] **因子具体构建过程**： - 将交易时段切割为日与夜，分别探索各自的价量关系[7] - 在以往"动量因子切割"研究的基础上，加入"成交量"的信息，挖掘投资者交易行为的差异[7] - 分别构建日内因子和隔夜因子，并进行改进后重新合成[7] **因子评价**：选股能力显著优于传统动量因子，稳定性较好[6][7] 因子回测效果 1 **"日与夜的殊途同归"新动量因子**（全市场，2014年2月至2025年8月）[1][7] 年化收益率：17.93%[1][14] 年化波动率：8.73%[1][14] 信息比率(IR)：2.05[1][14] 月度胜率：76.98%[1][14] 月度最大回撤率：9.07%[1][14] 2 **"日与夜的殊途同归"新动量因子**（回测期2014/01/01-2022/07/31）[7] IC均值：-0.045[7] 年化ICIR：-2.59[7] 10分组多空对冲年化收益率：22.64%[7] 信息比率：2.85[7] 月度胜率：83.33%[7] 最大回撤率：5.79%[7] 3 **8月份因子表现**（2025年8月）[1][10] 10分组多头组合收益率：9.49%[1][10] 10分组空头组合收益率：9.58%[1][10] 10分组多空对冲收益率：-0.10%[1][10] 4 **传统动量因子**（2014/01/01-2022/07/31期间，以20日收益率为例）[6] 10分组多空对冲信息比率：1.09[6] 月度胜率：62.75%[6] 最大回撤：20.35%[6]

量化模型与构建方式 1 居民资金活跃度指标 **模型构建思路**：通过整合ETF资金流、龙虎榜成交数据和百度指数三个维度的信息，构建一个日频跟踪居民资金活跃度的综合指标，以高频监测居民资金动向[11][12][21] **模型具体构建过程**： 1. **数据预处理**： - 对三类日频原始数据（ETF资金流、龙虎榜成交额占比、百度指数）分别进行滚动1个月移动平均处理，以消除短期噪音[23] 2. **分位数计算**： - 计算每项指标的滚动半年分位数（窗口期为6个月）[23] 3. **百度指数合成**： - 将"股票开户"、"牛市"、"抄底"三个关键词的百度指数分位数等权合成，得到百度指数分项指标[23] 4. **综合指标合成**： - 将以下三个分项指标等权合成，得到最终的居民资金活跃度指标： - 个人投资者主导的ETF资金流分位数 - 龙虎榜居民资金活跃度分位数 - 百度指数合成指标分位数 - 指标取值范围为0-1，代表当前居民资金活跃度在过去半年中的分位数水平[23] **模型评价**：该指标能够较好地高频代理居民资金动向，与月频新增开户数走势一致性较强，且具备一定的市场择时能力，类似于"恐贪指数"的功能[27][28] 2 市场分化度指标 **因子构建思路**：通过计算中证800成分股的平均涨幅与中位数涨幅之间的差异，衡量市场上涨是否集中于少部分股票，以反映市场分化程度[32][35] **因子具体构建过程**： 1. **每日计算**： - 计算中证800指数所有成分股的当日涨幅 - 计算这些涨幅的算术平均值（AvgReturn）和中位数（MedReturn） 2. **差异计算**： - 计算每日分化度： $$ \text{DiffFactor}_t = \text{AvgReturn}_t - \text{MedReturn}_t $$ 3. **平滑处理**： - 对每日分化度进行滚动20日移动平均处理，得到平滑后的市场分化度指标[32][35] **因子评价**：该因子能够有效衡量市场收益分化程度，历史数据显示当分化度过大时往往对应市场短期高点，对市场行情延续性有指示作用[32][35] 模型的回测效果 1 居民资金活跃度择时策略 **策略规则**：当居民资金活跃度指标在过去10日内有达到过70%以上时空仓，否则满仓持有Wind全A指数[28] **回测结果**（2019年2月至2025年8月）： - Wind全A基准收益：75%[28] - 择时策略收益：167%[28] 2 市场分化度指标 **观察结果**：截至2025年9月1日，市场分化度指标（滚动20日均值）处于2019年以来的97.4%分位水平，表明市场收益分化度处于历史极值附近[32] 量化因子与构建方式 1 个人投资者ETF资金流因子 **因子构建思路**：通过筛选个人投资者主导的ETF，计算其每日资金流，以反映居民资金流向[12] **因子具体构建过程**： 1. **样本筛选**：每年8月底和3月底，筛选最新公布的个人持有比例≥70%的A股权益类ETF[12] 2. **资金流计算**： - 每日资金流 = ETF份额变动 × 成交量加权平均价（VWAP）[12] - 加总所有符合条件的ETF资金流，得到日频因子值[12] 2 龙虎榜居民资金活跃度因子 **因子构建思路**：通过计算东方财富拉萨营业部席位在龙虎榜上的成交占比，反映居民资金活跃度[13][17] **因子具体构建过程**： 1. **席位识别**：将东方财富在拉萨的营业部席位视为居民资金主导（如东方财富拉萨团结路第一、东环路第二等）[13][16] 2. **活跃度计算**： - 每日因子值 = 拉萨营业部龙虎榜总成交额 / 万得全A成交额[17] 3 百度指数情绪因子 **因子构建思路**：通过追踪"股票开户"、"牛市"、"抄底"三个关键词的搜索指数，衡量居民资金情绪[21] **因子具体构建过程**： 1. **数据获取**：获取三个关键词的日度百度指数数据[21] 2. **平滑处理**：对每个关键词的指数进行滚动1个月移动平均处理[22] 因子的回测效果 （注：报告中未提供单个因子的具体回测结果数据，仅提供了综合模型的效果）