根据您提供的研报内容，经过全面梳理，总结如下： 量化因子与构建方式 1. **因子名称**：行业ROE(TTM)分位数因子[2][7] **因子构建思路**：通过计算各行业ROE(TTM)指标在其历史序列中的分位数，来评估其当前盈利水平所处的相对位置，以此判断行业景气度[2] **因子具体构建过程**： 1. 选取申万一级行业分类[2] 2. 计算每个行业在指定报告期（2025Q2）的ROE(TTM)值[2] 3. 获取每个行业ROE(TTM)自2014年上半年至2025年第二季度的历史时间序列数据[7] 4. 对于每个行业，将其当前ROE(TTM)值置于其自身的历史序列中，计算其分位数 5. 分位数计算公式为：$$P = \frac{rank(x)}{N}$$ 其中，`rank(x)` 为当前ROE(TTM)值在历史序列中的升序排名，`N` 为历史数据点的总数 **因子评价**：该因子用于识别那些盈利水平处于自身历史高位的行业，这些行业可能处于高景气区间[2] 2. **因子名称**：行业PB分位数因子[2][6] **因子构建思路**：通过计算各行业PB指标在其近期历史序列中的分位数，来评估其当前估值水平的相对高低[2] **因子具体构建过程**： 1. 选取申万一级行业分类[2] 2. 计算每个行业在指定报告期（2025Q2）的PB值[2] 3. 获取每个行业PB自2022年至2025年第二季度的近三年历史时间序列数据[6] 4. 对于每个行业，将其当前PB值置于其自身的近期历史序列中，计算其分位数 5. 分位数计算公式同上：$$P = \frac{rank(x)}{N}$$ **因子评价**：该因子用于识别估值处于自身历史低位或高位的行业，辅助判断其投资的安全边际或风险[2] 3. **因子名称**：行业ROE(TTM)同比变化因子[2][3] **因子构建思路**：通过考察行业ROE(TTM)指标的同比变化情况，来捕捉景气度正在改善的行业[2][3] **因子具体构建过程**： 1. 选取申万一级或二级行业分类[2][3] 2. 计算每个行业在当前报告期（2025Q2）的ROE(TTM)值[2] 3. 计算每个行业在上一年同期（2024Q2）的ROE(TTM)值 4. 计算每个行业ROE(TTM)的同比变化值或变化率 5. 变化率公式为：$$Growth = \frac{ROE_{t} - ROE_{t-4}}{|ROE_{t-4}|}$$ 其中，`t` 代表当前期（2025Q2），`t-4` 代表去年同期（2024Q2）[3][13] 因子的回测效果 （注：研报中未提供任何因子或模型的定量回测指标结果，如年化收益率、夏普比率、信息比率(IR)、最大回撤等，因此本部分内容缺失。） 模型与构建方式 （注：研报内容集中于对行业基本面指标的现状描述和统计，并未明确提及或构建任何具体的量化选股模型或投资组合模型，因此本部分内容缺失。） 模型的回测效果 （注：研报内容集中于对行业基本面指标的现状描述和统计，并未提供任何量化模型的回测效果数据，因此本部分内容缺失。）

量化模型与构建方式 1. 模型名称：预期高股息组合模型；模型构建思路：通过两阶段构建预期股息率指标，并结合反转与盈利因子进行辅助筛选，从沪深300成分股中优选股票构建高股息组合[5][10][16]；模型具体构建过程： (1) 剔除停牌及涨停的沪深300成份股作为待选股票池[15]； (2) 剔除股票池中短期动量最高的20%股票（即21日累计涨幅最高的20%个股）[15]； (3) 剔除股票池中盈利下滑的个股（即单季度净利润同比增长率小于0的股票）[15]； (4) 在剩余股票池中，按预期股息率排序，选取预期股息率最高的30只个股等权构建组合[11]。 预期股息率构建分为两个阶段： 第一阶段：根据年报公告利润分配情况计算股息率[5][10]； 第二阶段：利用历史分红与基本面指标预测并计算股息率[5][10]。 2. 模型名称：红利择时框架模型；模型构建思路：通过合成多个宏观经济与市场情绪因子信号，对中证红利指数进行择时判断[2][25]；模型具体构建过程：模型包含5个子信号，每个信号根据其指标状态输出看多（1）或看空（0）红利的信号，最终合成一个总的择时观点[25][28]。具体因子及规则如下： - 通胀因子：PPI同比（高/低位），信号方向为+[28]。 - 流动性因子1：M2同比（高/低位），信号方向为-[28]。 - 流动性因子2：M1-M2剪刀差（高/低位），信号方向为-[28]。 - 利率因子：美国10年期国债收益率（高/低位），信号方向为+[28]。 - 市场情绪因子：红利股成交额占比（上/下行），信号方向为-[28]。 模型的回测效果 1. 预期高股息组合模型，累计收益358.90%[13]，累计超额收益107.44%[13]，年化超额收益8.87%[13]，超额收益滚动一年最大回撤12.26%[13]，月度超额胜率60.19%[13] 2. 预期高股息组合模型（2025年8月），月度收益5.69%[5][16]，相对沪深300指数超额收益-4.80%[5][16]，相对中证红利指数超额收益4.70%[5][16] 量化因子与构建方式 1. 因子名称：预期股息率因子；因子构建思路：结合已公告的分红数据和基本面指标对未来分红进行预测，从而计算预期股息率[5][10][16]；因子具体构建过程：采用两阶段法计算。 第一阶段：对于已发布年报并公告利润分配方案的股票，直接根据其公告计算股息率。 计算公式为：$$股息率 = \frac{每股现金分红}{股价}$$[5][10] 第二阶段：对于尚未公告的股票，利用其历史分红数据（如分红比例、分红稳定性）和基本面指标（如盈利能力、现金流等）建立预测模型，估算其可能的分红，进而计算预期股息率[5][10]。 2. 因子名称：反转因子；因子构建思路：捕捉股票的短期反转效应，即过去短期涨幅过高的股票未来表现可能不佳[10][15][16]；因子具体构建过程：计算股票过去21日的累计涨幅，并以此作为因子值[15]。 3. 因子名称：盈利因子；因子构建思路：筛选出盈利状况正在改善的股票，规避盈利下滑的风险[10][15][16]；因子具体构建过程：使用单季度净利润同比增长率，计算公式为：$$单季度净利润同比增长率 = \frac{本期单季度净利润 - 上年同期单季度净利润}{|上年同期单季度净利润|}$$，并剔除该值小于0的股票[15]。 4. 因子名称：红利股成交额占比因子；因子构建思路：通过监测红利主题股票的成交额在市场中的占比变化来判断市场情绪[25][28]；因子具体构建过程：计算红利板块股票的总成交额与市场总成交额的比值，并判断该比值的变化趋势（上行或下行）[28]。 因子的回测效果 1. 反转因子，在预期高股息组合模型中用作剔除排名前20%的股票[15] 2. 盈利因子，在预期高股息组合模型中用作剔除单季度净利润同比增速为负的股票[15] 3. 红利股成交额占比因子，2025年9月信号为1（看多）[25][28]

量化模型与构建方式 1. 风格轮动模型 - **模型名称**：风格轮动模型[38] - **模型构建思路**：基于资产定价模型，从宏观经济、市场状态和微观特征三个层次构建多维度指标，预测市场风格（如大小盘、价值成长）的轮动[38] - **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，定义5种事件模式（历史高位/低位、边际改善、超预期、创新高/新低），通过事件驱动法研究宏观事件与风格收益的关系[38] 2. **市场状态维度**：计算中证全指的月涨跌幅、月换手率、月波动率、ERP、BP、DRP和中证红利指数的月超额收益作为代理变量，采用事件研究法考察市场状态与风格轮动的关系[38] 3. **微观特征维度**：从上市公司业绩变化、资金趋向和交易情绪三个方面构建信号，使用多因子模型，强调相对位置比较而非绝对数值，业绩、资金和量价类因子均呈现动量效应[39] 2. 行业轮动模型 - **模型名称**：行业轮动模型[40] - **模型构建思路**：从微观视角构建行业轮动模型，涵盖基本面、技术面和分析师三个维度的信息，生成行业综合得分[40][44] - **模型具体构建过程**： 1. **基本面因子**：包括季度EP、盈余公告日开盘跳空、单季度净利润同比增速、季度ROE、盈利超预期幅度、毛利超预期幅度[44] 2. **分析师因子**：包括三个月预期净利润上下调、一致预测ROE环比变化率[44] 3. **技术面因子**：包括成交量调整动量、剥离涨停动量[44] 4. **综合得分计算**：对每个行业计算基本面、分析师、动量、资金面、风格面、拥挤度等子维度得分，加权得到综合得分[28] 3. 策略择时模型 - **模型名称**：策略择时模型[44][46] - **模型构建思路**：通过多维度指标体系判断市场环境更适合选股策略还是行业轮动策略，生成择时信号[44][46] - **模型具体构建过程**： 1. **指标维度**：包括经济基本面、市场周期、风格切换、行业切换、资金切换、行业内分化、景气分歧度、投资者结构共8个指标[46] 2. **信号生成**：每个子指标输出信号（1表示适合选股，-1表示适合行业轮动，0表示中间态），综合投票得到最终信号[29][30] 量化因子与构建方式 1. 价值类因子 - **因子名称**：预期EP[15] - **因子构建思路**：基于预期盈利和市值的估值因子[15] - **因子具体构建过程**：$$预期EP = \frac{预期盈利}{市值}$$[15] - **因子名称**：股息率TTM[15] - **因子构建思路**：衡量公司分红回报的因子[15] - **因子具体构建过程**：$$股息率TTM = \frac{近12个月股息}{市值}$$[15] - **因子名称**：营收企业价值比[15] - **因子构建思路**：衡量营收相对于企业价值的比率[15] - **因子具体构建过程**：$$营收企业价值比 = \frac{营业收入}{企业价值}$$[15] 2. 成长类因子 - **因子名称**：营收超预期[15] - **因子构建思路**：衡量公司营收超出市场预期的程度[15] - **因子名称**：季度净利润同比增速[15] - **因子构建思路**：衡量公司净利润同比增长情况[15] - **因子具体构建过程**：$$季度净利润同比增速 = \frac{本期净利润 - 上年同期净利润}{上年同期净利润}$$[15] - **因子名称**：季度营业收入同比增速[15] - **因子构建思路**：衡量公司营业收入同比增长情况[15] - **因子具体构建过程**：$$季度营业收入同比增速 = \frac{本期营业收入 - 上年同期营业收入}{上年同期营业收入}$$[15] 3. 盈利类因子 - **因子名称**：季度ROE_Q[15] - **因子构建思路**：衡量公司季度净资产收益率[15] - **因子具体构建过程**：$$季度ROE_Q = \frac{季度净利润}{净资产}$$[15] - **因子名称**：季度ROA_Q[15] - **因子构建思路**：衡量公司季度总资产收益率[15] - **因子具体构建过程**：$$季度ROA_Q = \frac{季度净利润}{总资产}$$[15] 4. 分析师类因子 - **因子名称**：一致预测ROE3个月环比变化[15] - **因子构建思路**：衡量分析师对ROE预测的变化情况[15] - **因子名称**：3个月盈利上下调[15] - **因子构建思路**：衡量分析师对盈利预测的调整方向[15] 5. 量价类因子 - **因子名称**：年动量[15] - **因子构建思路**：基于年收益率的动量因子[15] - **因子名称**：月动量[15] - **因子构建思路**：基于月收益率的动量因子[15] - **因子名称**：月非流动性[15] - **因子构建思路**：衡量股票流动性的因子[15] 6. 另类因子 - **因子名称**：研发市值比[15] - **因子构建思路**：衡量公司研发投入相对于市值的比率[15] - **因子具体构建过程**：$$研发市值比 = \frac{研发费用}{市值}$$[15] - **因子名称**：股东数目时序偏离度[15] - **因子构建思路**：衡量股东数量变化偏离度的因子[15] 模型的回测效果 1. 风格轮动模型 - 9月模型判断风格为大盘成长[3][17] - 市场状态和微观特征指向大盘风格，宏观经济模型看好小盘[17] - 宏观经济和微观特征模型看好成长风格，市场状态看好价值风格[17] 2. 行业轮动模型 - 9月看好通信、电子、银行、非银行金融、家电和汽车行业[4][27] - 通信行业综合得分0.5930，基本面得分0.6808，分析师得分0.7891，动量得分0.7500[28] - 电子行业综合得分0.5257，基本面得分0.6058，分析师得分0.7188，动量得分0.6000[28] - 银行行业综合得分0.5226，基本面得分0.3563，分析师得分0.6797，动量得分0.8375[28] 3. 策略择时模型 - 9月信号维持+1，6个指标建议做选股，1个指标建议进行beta轮动[5][29] - 模型认为alpha性价比相对更高，适合做选股，在行业保持中性[5][29] 因子的回测效果 | 因子名称 | 类型 | 最近一个月累计超额 | 最近三个月累计超额 | 最近半年累计超额 | 最近一年累计超额 | |---------|------|-------------------|-------------------|-------------------|-------------------| | 营收超预期 | 成长 | 4.4% | 3.7% | 6.0% | 7.5% | | 年动量 | 量价 | 4.4% | 5.1% | 5.9% | 6.5% | | 一致预测ROE3个月环比变化 | 分析师 | 4.1% | 7.2% | 9.2% | 10.7% | | 毛利超预期 | 成长 | 3.6% | 4.5% | 6.5% | 7.7% | | 盈余公告日开盘跳空 | 成长 | 3.1% | 5.2% | 5.1% | 0.7% | | 季度净利润同比增速 | 成长 | 3.1% | 6.3% | 8.5% | 12.0% | | 一致预测ROE_FY3 | 分析师 | 3.1% | 4.1% | 2.6% | 0.0% | | 季度营业收入同比增速 | 成长 | 3.1% | 5.9% | 8.6% | 11.3% | | 盈余超预期 | 成长 | 3.1% | 6.9% | 8.4% | 9.8% | | 季度资产周转率变化 | 成长 | 2.5% | 4.4% | 5.6% | 8.0% | | 季度ROE_Q | 盈利 | 2.5% | 2.6% | 2.0% | -2.8% | | 季度ROA_Q | 盈利 | 2.4% | 2.6% | 3.3% | -0.8% | | 季度ROIC | 盈利 | 2.2% | 2.1% | 1.8% | -2.7% | | 营业利润TTM同比增速 | 成长 | 2.0% | 4.0% | 4.0% | 6.3% | | 净利润TTM同比增速 | 成长 | 1.9% | 3.8% | 4.2% | 6.4% | | 3个月分析师覆盖度 | 分析师 | 1.8% | 0.9% | 1.0% | 1.1% | | 大单买入强度 | 量价 | 1.7% | 2.4% | 3.2% | 1.4% | | 动态均衡估值 | 分析师 | 1.6% | 4.0% | 4.7% | 6.6% | | 预期EP | 价值 | -3.5% | -5.3% | -4.0% | -11.0% | | 季动量 | 量价 | -3.6% | 4.9% | 5.5% | 15.0% |

根据提供的研报内容，报告核心是对基金投顾产品的业绩统计和调仓行为解析，并未涉及具体的量化模型或量化因子的构建、测试与评价过程。报告内容主要集中于市场现状描述、业绩数据展示和调仓行为分析。 因此，本总结中**没有**需要列出的量化模型或量化因子内容。 报告的核心内容可概括为对2025年8月各类基金投顾产品（纯债型、固收+型、股债混合型、股票型）的业绩表现进行统计[3][11]，并对该月的调仓行为（包括债券资产、权益资产、QDII与商品等）进行了详细解析[4][5][28]。报告中的表格（表1至表10）和图表（图1至图11）均为上述内容的直观数据展示[10][23][24][26][27][30][33][34][35][38][56][61]，不包含模型或因子的构建公式及回测效果指标（如信息比率IR、年化收益、最大回撤等）。

以下是对该量化研报中涉及的量化模型与因子的总结： 量化模型与构建方式 一、宏观定性模型 1. **模型名称：普林格周期模型**[2][9][10] * **模型构建思路**：作为美林时钟的升级版，引入金融数据以提高大类资产配置建议的胜率。该模型通过三组宏观经济指标（先行、同步、滞后）的趋势方向组合，来定义六种经济状态，并为每种状态推荐占优的大类资产。[2][9][10] * **模型具体构建过程**： 1. 选取指标：结合中国经济实际情况，将 M2 增速和新增社融拟合为**先行指标**（金融指标），将房地产投资和出口同比拟合为**同步指标**（实体经济指标），将 PPI 和 CPI 同比拟合为**滞后指标**（价格指标）。[2][14] 2. 处理数据：采用滤波法过滤掉上述指标的周期性因子，观察其**趋势项**的走势（向上或向下）来确定普林格时钟所处的状态。[2][14] 3. 状态判定：根据三组指标趋势项的方向组合，判断当前经济所处阶段（复苏、繁荣、过热、滞胀、衰退、萧条）。例如，先行指标趋势向上、同步指标趋势向上、滞后指标趋势向下对应**复苏期**，权益资产占优。[10][11][12] * **模型评价**：该模型是对美林时钟的改进，但仍有其局限性，例如运行状态可以跳跃，并非依次运行，且可能出现模型无法解释的指标组合。[13] 二、大类资产定价模型 1. A股定价模型（基于两阶段DDM的PB-ROE框架） * **模型构建思路**：基于机构投资者占比提升使得宽基指数层面定价效率变高的背景，强调通过PB-ROE定价框架来评估指数的合理估值及未来一年的预期收益回报。[52] * **模型具体构建过程**： 1. **投资回报分解**：假设每股净资产为 B，市净率 PB，分红比例为 d，净资产收益率为 ROE。未来一年股票投资回报率可近似分解为： $$R\approx\frac{\Delta B}{B_{0}}+\frac{\Delta PB}{PB_{0}}\times(1-d)+(1-\frac{1}{PB_{0}})$$ 其中，股息收益率和净资产增长率相对容易预测，难点在于合理估值 PB* 的评估，其与当前估值 PB₀ 的差异很大程度上决定了股价变动。[56] 2. **两阶段DDM估值模型**：引入两阶段股利贴现模型（DDM）来估算合理市净率（PB*）。模型假设分为当前高速增长阶段（持续T期）和永续稳定增长阶段。[56][57] * 当前增长阶段估值： $$P B_{c u r r e n t}=R O E_{1}\times d_{1}\times\sum_{t=1}^{T}\frac{(1+g1)^{t-1}}{(1+R f+R p)^{t}}$$ * 永续增长阶段估值： $$P B_{s t a b l e}={\frac{R O E_{2}\times d_{2}}{1+R f+R p-g_{2}}}\times{\frac{(1+g1)^{T}}{(1+R f+R p)^{T}}}$$ 其中： * ROE₁, d₁, g₁=ROE₁×(1-d₁) 分别代表当前阶段的预期ROE均值、分红率和增长率。 * ROE₂, d₂, g₂=ROE₂×(1-d₂) 分别代表永续阶段的ROE、分红率和增长率（经验上可设永续ROE₂ = 要求回报率 Rf+Rp）。[56][57][61] * Rf 为无风险利率，Rp 为风险溢价（长期经验值可设为4%）。[57] * T 为高速增长阶段的持续时间（对于中证800指数，历史校准建议T=11年）。[58] 3. **合理估值区间测算**：综合考虑三个决定因素（短期基本面ROE₁及持续时间T、长期基本面预期ROE₂、要求回报率Rf+Rp）和一个次要影响因素（分红率d）。[61] 考虑到短期ROE变动的不确定性，按乐观（ROE_TTM +1倍标准差）、中性（当前ROE_TTM）、谨慎（ROE_TTM -1倍标准差）三种情形测算合理估值区间。[58] 2. 利率债定价框架 * **模型一：三因素定价框架**[59] * **构建思路**：强调货币政策对无风险利率的决定性影响，通过回归分析确定各因素的重要性。[59] * **具体构建过程**：十年国债利率被分解为： $$十年国债利率 \approx 政策利率 + 通胀预期溢价 + 增长预期溢价$$ 具体操作中： * 以**一年期同业存单利率**作为政策利率的代理变量。 * 以**CPI同比增速**水平代表通胀预期。 * 以**PMI水平**代表增长预期（海外常用期限利差）。[59] 通过历史长期数据回归估计各因素的系数Beta（见回测效果中的图表16）。[59][62] * **模型二：ROIC-WACC均衡框架**[71] * **构建思路**：尝试从企业投资回报与资金成本的均衡视角，推演无风险利率的合理中枢及走廊空间，以避免三因素模型中预期溢价评估的参数依赖问题。[71] * **具体构建过程**： 1. 计算供给层面的**投资资本回报率（ROIC）**： $$R O I C=\frac{E B I T\times(1-企业税率)}{总资产-无息流动负债}$$ 2. 计算需求层面的**加权平均资金成本（WACC）**： $$W A C C=(无风险利率+股票风险溢价)\times股权比例+(无风险利率+信用风险溢价)\times债权比例\times(1-企业税率)$$ 3. 理论上，ROIC 与 WACC 应趋向均衡。基于此均衡关系，结合对上市公司未来ROIC的预测，可反推隐含的**无风险利率合理中枢**。[71][72] 4. 以滚动10年窗口，计算利率实际值与中枢值的偏离，用均值加减1.5倍标准差的形式，推断出**利率走廊的上下界**。[72] 3. 黄金定价框架 * **构建思路**：结合黄金的商品属性、金融投资属性和货币属性进行分析。强调在不同市场环境下，影响黄金价格的主导变量会发生切换，但货币属性是恒定影响因素。基于此构建估值指标进行跟踪。[74][77][80] * **具体构建过程**： 1. **属性分析**：复盘历史三轮牛市，识别主导属性（1971-80:货币+商品；2001-11:货币+金融投资；2019至今:货币主导）。[74] 2. **相关性观察**：2000年以来黄金与通胀相关性低，近五年与实际利率相关性边际走弱，与美元指数相关性稳定且有提升，凸显货币属性的重要性。[75][77] 3. **估值指标构建**： * **2022年以前**：估值指标 = (全球黄金储量 × 黄金美元价格) / 美国M2 * **2023年以后**（考虑逆全球化、美元信用弱化）：估值指标 = (全球黄金储量 × 黄金美元价格) / 储备货币国家加权M2 * **储备货币国家加权M2计算**：核心跟踪美元、欧元、英镑、日元和人民币。除美元外的货币给予额外1/3的权重，以此权重进行各国M2的加权。[80] 4. **估值分位数**：计算当前黄金价格在该估值指标历史序列中所处的分位数位置，以判断其估值高低。[80] 三、风格定价框架 * **模型构建思路**：沿用A股宽基指数的两阶段DDM估值定价框架（PB-ROE），对六类风格指数（价值、成长、中小盘、大盘、质量、红利）的估值规律进行探索和合理估值区间评估。[95][96] * **模型具体构建过程**： 1. 为每种风格选择代表性指数（如国证价值、国证成长、中证500、上证50、深证红利等）。[96][103][111][119][128] 2. 使用与中证800定价类似的两阶段DDM模型（公式同上）。 3. **关键参数校准**：根据各风格的历史估值走势特征，对模型中的关键参数（主要是高速增长阶段持续时间T，以及2020年后部分风格的永续ROE预期）进行差异化设定：[96][103][111][119] * **价值/大盘风格**：T=5年，2020年后永续ROE预期下调至5%（反映对长期经济增长信心的下滑）。[96][119] * **成长/质量风格**：T=15年（高速增长期更长），ROE波动大，合理估值范围宽，需重点判断ROE变化方向。[103][128] * **中小盘风格**：T=50年（表明其估值更多受流动性驱动而非基本面驱动，DDM框架解释力有限，主要用于评估尾部风险）。[111] 4. 根据当前各风格指数的ROE水平（TTM），结合设定的参数，计算其合理的PB估值目标范围，并进一步推导未来一年的预期收益区间。[96][103][111][119][128] 四、宏观因子与资产/风格收益关联分析模型 * **模型构建思路**：从信贷、景气度、通胀、出口、库存、盈利等多个维度选取核心宏观经济指标，定量分析其与大类资产收益率及权益风格超额收益率的同步性，以评估宏观因子对资产及风格选择的能力。[85] * **模型具体构建过程**： 1. **指标与数据准备**： * 选取13个核心宏观经济指标（如人民币中长期贷款、企业中长期贷款、M1、M2、PMI、PPI、CPI等）的月度同比或环比数据。[85] * 计算各类资产指数（A股、港股、利率债、商品、黄金、信用债）的月度收益率。对于风格指数，计算其相对于基准（A股用中证800，港股用恒生指数）的月度超额收益率。[85] 2. **秩相关性检验**： * 计算各宏观数据月度增速环比变化值与资产月度收益率的**Spearman相关系数**。 * 进行统计检验，规定p值≤1%为显著同步指标，并按相关系数方向确定显著性方向。[85] 3. **胜率统计**： * 根据Spearman相关系数确定宏观数据与收益率的相关性方向（正/负）。 * 以正相关为例，胜率 = (同月同方向的月份数) / (有效月份总数)。历史胜率≥60%视为显著同步指标。[86] 4. **显著因子判定**：只要满足秩相关性显著或胜率显著其中一项，即认为该宏观指标与该资产收益率呈显著同步性。[86] 模型的回测效果 一、普林格周期模型 * **当前状态判断（截至研报时点）**：先行指标趋势向上、同步指标止跌回稳（趋势向上）、滞后指标趋势向下 → 对应**复苏期**，权益资产胜率更高。[2][35] 二、A股定价模型（中证800） * **合理估值区间**：1.36 ~ 1.55 (PB)[58] * **预期年收益区间**：5% ~ 9%[58] 三、利率债定价模型 * **三因素回归系数（十年国债利率）**[62]： | 回归项目 | 系数 Beta | 标准误差 | t Stat | P-value | | :--- | :--- | :--- | :--- | :--- | | 截距项 | 0.00 | 0.65 | 0.00 | 100% | | 同业存单利率 | 0.47 | 0.02 | 18.89 | 0% | | CPI | 0.10 | 0.02 | 5.85 | 0% | | PMI | 0.03 | 0.01 | 2.11 | 4% | * **ROIC-WACC均衡框架推演**： * 当前上市公司ROIC预测目标值：4.08%[72] * 推演十年国债利率中枢：1.36% ~ 1.51%[72] * 当前十年国债利率处于利率走廊合理区间，且相对中枢有下行空间。[72] 四、黄金定价模型 * **估值分位数（新口径下）**：历史39%分位数（距离中位数仍有10%上行空间）。[80] 五、风格定价模型预期收益（截至2025年7月31日） * **价值风格（国证价值）**： * 当前ROE: 9.14% * 合理PB区间: 0.9 ~ 0.95 * 预期年收益: 6% ~ 8%[96] * **成长风格（国证成长）**： * 当前ROE: 12.48% * 合理PB区间: 1.69 ~ 3.24 * 预期年收益: -7% ~ 13%[103] * **中小盘风格（中证500）**： * 当前ROE: 5.99% * 合理PB区间: 0.65 ~ 1.82 * 预期年收益: 较低[111] * **大盘风格（上证50）**： * 当前ROE: 10.21% * 合理PB区间: 0.92 ~ 1 * 预期年收益: 0% ~ 2%[119] * **质量风格（深证红利）**： * 当前ROE: 14.23% * 合理PB区间: 2.34 ~ 5.35 * 预期年收益: 8% ~ 39%[128] 六、宏观因子显著性分析结果（摘要） * **显著正相关案例**： * **企业中长期贷款**上行时，**利率债**表现好（胜率62.63%）。[89][90] * **PMI**上行时，**大宗商品**表现好（秩相关性显著）。[89][90] * **出口金额**上行时，**港股**表现好（胜率54.66%）。[89][90] * **显著负相关案例**： * **PPI**上行时，**利率债**表现差（秩相关性显著）。[89][90] * **CPI**上行时，**大宗商品**表现好（胜率54.25%）。[89][90]

量化模型与构建方式 1. 模型名称：微盘股扩散指数择时模型（首次阈值法）[66]；模型构建思路：基于万得微盘股指数成分股过去20个交易日上涨比例构建扩散指数，通过设定固定阈值进行左侧反转交易[66]；模型具体构建过程：计算扩散指数，定义为万得微盘股指数成分股过去20个交易日处于上涨状态的比例[65]。当扩散指数大于等于0.9时发出空仓信号，当扩散指数小于等于0.1时发出满仓信号，其余时间维持上一期信号。必须满仓之后才能空仓，同时也必须空仓之后才能满仓[66]；模型评价：在样本内无法跑赢微盘股指数但回撤相对可控，2024年以来无法识别大级别熊市，属于“越跌越买”策略，在牛市来临时可能过早离场[66] 2. 模型名称：微盘股扩散指数择时模型（延迟阈值法）[69]；模型构建思路：基于扩散指数，通过设定阈值并进行延迟确认，进行右侧动量交易[69]；模型具体构建过程：计算扩散指数（同上）[65]。当扩散指数上一日在0.9以上且今日跌破0.9时发出空仓信号，当扩散指数上一日在0.1以下且今日突破0.1时发出满仓信号，其余时间维持上一期信号[69]；模型评价：在样本内无法跑赢微盘股指数但回撤相对可控，2024年以来同样无法识别大级别熊市，但在牛市来临时能避免过早离场，较好保留了上涨收益[69] 3. 模型名称：微盘股扩散指数择时模型（双均线法）[72]；模型构建思路：基于扩散指数的均线系统，自适应市场行情变化，进行趋势跟踪交易[72]；模型具体构建过程：计算扩散指数（同上）[65]。计算短期均线（扩散指数的10日简单移动平均，MA）和长期均线（短期均线的20日MA）。当短期均线上穿长期均线时满仓，当短期均线下穿长期均线时空仓[72]；模型评价：在样本内无法跑赢微盘股指数但回撤控制较好，2024年能在大熊市下跌间隙给出看空信号避免大幅下跌，在牛市来临时也能避免过早离场，但对趋势的识别有时因参数平滑不够而不够理想[72] 模型的回测效果 1. 首次阈值法模型，样本外跟踪起始年份2023年[66]，2024年表现无法识别大级别熊市且在牛市来临时过早离场[66]，2025年对底部把握较好并抓住上涨行情但于5月8日触发空仓信号[66] 2. 延迟阈值法模型，样本外跟踪起始年份2023年[69]，2024年表现无法识别大级别熊市但能避免牛市过早离场[69]，2025年抓住部分上涨行情但于5月15日触发空仓信号[69] 3. 双均线法模型，样本外跟踪起始年份2023年[72]，2024年表现能在大熊市中间隙给出看空信号避免大幅下跌且能避免牛市过早离场[72]，2025年抓住一段上涨行情且对动量行情捕捉较好但于8月4日触发空仓信号[72] 量化因子与构建方式 1. 因子名称：扩散指数[65]；因子的构建思路：用于短期衡量微盘股指数的市场情绪，计算成分股中上涨股票的比例[65]；因子具体构建过程：计算万得微盘股指数成分股在过去20个交易日中处于上涨状态的股票数量所占的比例[65]。定义公式为： $$ DiffusionIndex_t = \frac{Count(P_{i,t} > P_{i,t-1})}{N} $$ 其中，$P_{i,t}$ 代表股票i在交易日t的收盘价，$P_{i,t-1}$ 代表股票i在交易日t-1的收盘价，Count函数统计满足条件的股票数量，N为万得微盘股指数的成分股总数[65]

根据提供的研报内容，报告核心聚焦于打新市场跟踪，并未涉及传统意义上的量化选股模型或阿尔法因子。报告的核心是构建了一个用于测算不同条件下打新收益的**收益测算模型**。以下是总结： 量化模型与构建方式 1. **模型名称**：打新收益测算模型[47] **模型构建思路**：通过模拟不同规模、不同类型的账户（A类/C类投资者）参与所有新股打新的过程，来测算其理论打新收益率和打满收益[47] **模型具体构建过程**： - **单账户个股打新收益**：对于单只新股，其打新收益的计算公式为： $$单账户个股打新收益 = min（账户规模，申购上限） * 中签率 * 收益率$$[47] - **A/B/C类投资者打满收益**：假设账户资金足以顶格申购所有新股（即“打满”）时的理论收益，计算公式为： $$打满收益 = 申购上限 * 网下中签率 * 收益率$$[47] - **参数说明**： - `账户规模`：参与打新的账户资产规模，是模型的核心输入变量之一[47][49][52] - `申购上限`：单只新股网下申购的资金上限[31][47] - `中签率`：根据投资者类别（A类/C类）采用相应的网下发行实际中签率[31][47] - `收益率`：对于科创板和创业板新股，以及全面注册制下的主板新股，采用`上市首日成交均价`相对于`发行价`的涨跌幅；对于非注册制下的主板新股，采用`开板当日成交均价`相对于`发行价`的涨跌幅。若统计区间内主板新股尚未开板，则使用动态12个月内主板上市个股开板实现收益率的均值作为替代[47] - **汇总计算**：将计算期内所有新股的“单账户个股打新收益”或“打满收益”进行加总，得到月度、季度或年度累计收益，并可进一步除以账户规模得到收益率[47][49][52] 模型的回测效果 1. **打新收益测算模型 (A类投资者 - 5亿规模账户)**[49][52][53][54][55] - 2025年8月主板打新收益率：0.014%[49] - 2025年8月创业板打新收益率：0.066%[52] - 2025年8月科创板打新收益率：0.000%[53] - 2025年8月合计打新收益率：0.080%[54][55] - 2025年累计打新收益率：1.134%[54][55] 2. **打新收益测算模型 (C类投资者 - 5亿规模账户)**[49][52][53][54][56] - 2025年8月主板打新收益率：0.013%[49] - 2025年8月创业板打新收益率：0.064%[52] - 2025年8月科创板打新收益率：0.000%[53] - 2025年8月合计打新收益率：0.077%[54][56] - 2025年累计打新收益率：1.035%[54][56] 3. **打新收益测算模型 (打满收益 - A类投资者)**[49][52][53] - 2025年8月主板打满收益：6.77万元[49] - 2025年8月创业板打满收益：33.19万元[52] - 2025年8月科创板打满收益：0.00万元[53] - 2025年累计主板打满收益：248.87万元[49] - 2025年累计创业板打满收益：228.30万元[52] - 2025年累计科创板打满收益：198.43万元[53] 4. **打新收益测算模型 (打满收益 - C类投资者)**[49][52][53] - 2025年8月主板打满收益：6.44万元[49] - 2025年8月创业板打满收益：32.06万元[52] - 2025年8月科创板打满收益：0.00万元[53] - 2025年累计主板打满收益：216.15万元[49] - 2025年累计创业板打满收益：205.42万元[52] - 2025年累计科创板打满收益：193.74万元[53] 量化因子与构建方式 （本报告中未涉及独立的量化因子构建） 因子的回测效果 （本报告中未涉及独立的量化因子测试）

量化模型与构建方式 1.扩散指数行业轮动模型 - 模型名称：扩散指数行业轮动模型[24][25] - 模型构建思路：基于价格动量原理，通过计算行业扩散指数来捕捉行业趋势，选择向上趋势的行业进行配置[25][38] - 模型具体构建过程： 1. 计算每个中信一级行业的扩散指数，该指数反映行业价格趋势的强度[26] 2. 扩散指数的计算基于价格动量指标，具体公式未在报告中详细给出[25][38] 3. 每月末选择扩散指数排名前六的行业作为下月配置组合[25][29] 4. 2025年9月建议配置行业为综合、有色金属、通信、银行、传媒、商贸零售[25][29] - 模型评价：在趋势行情中能较好捕捉行业机会，但在市场风格切换至反转行情时可能失效[25][38] 2.GRU因子行业轮动模型 - 模型名称：GRU因子行业轮动模型[32][33] - 模型构建思路：基于分钟频量价数据，通过GRU深度学习网络生成行业因子，捕捉短期交易机会[32][39] - 模型具体构建过程： 1. 使用GRU（门控循环单元）深度学习网络处理分钟频量价数据[39] 2. 生成GRU行业因子，该因子反映行业短期表现预期[33] 3. 每周根据GRU因子值排名，选择排名靠前的行业进行配置[33][37] 4. 2025年8月29日当周调入石油石化，调出电子[37] - 模型评价：在短周期表现较好，长周期表现一般；对极端行情适应性较差[32][39] 模型的回测效果 1.扩散指数行业轮动模型 - 2025年累计超额收益：5.08%[24][29] - 2025年8月以来超额收益：4.54%[29] - 本周超额收益：1.94%[29] - 本周平均收益：2.97%[29] 2.GRU因子行业轮动模型 - 2025年累计超额收益：-7.65%[32][37] - 2025年8月以来超额收益：-2.53%[37] - 本周超额收益：0.93%[37] - 本周平均收益：1.85%[37] 量化因子与构建方式 1.行业扩散指数因子 - 因子名称：行业扩散指数[26][27] - 因子构建思路：基于价格动量原理，衡量行业价格趋势强度[25][38] - 因子具体构建过程：报告未提供详细计算公式，仅说明基于价格动量指标计算[25][38] - 因子评价：能有效识别趋势性行情，但在反转行情中效果较差[25][38] 2.GRU行业因子 - 因子名称：GRU行业因子[33][36] - 因子构建思路：基于分钟频量价数据，通过GRU神经网络生成行业预期表现因子[33][39] - 因子具体构建过程： 1. 使用GRU深度学习网络处理高频量价数据[39] 2. 输出行业因子值，正值表示看多，负值表示看空[33] 3. 因子计算具体公式未在报告中详细给出[33] - 因子评价：对短期交易信号捕捉能力较强，但长周期稳定性不足[32][39] 因子的回测效果 1.行业扩散指数因子 - 最新值排名前六行业：综合(1.0)、有色金属(0.973)、通信(0.971)、银行(0.965)、传媒(0.945)、商贸零售(0.916)[26] - 周度环比变化最大行业：电力及公用事业(+0.069)、综合(0.0)、银行(-0.004)[27][28] 2.GRU行业因子 - 最新值排名前六行业：石油石化(3.38)、非银行金融(3.16)、商贸零售(2.59)、食品饮料(1.29)、电力及公用事业(0.21)、煤炭(0.16)[33] - 周度环比变化最大行业：石油石化、非银行金融、商贸零售（提升较大）；计算机、电子、通信（下降较大）[33]

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 1. **模型名称：煤炭行业利润预测模型**[10][15] * **模型构建思路**：基于动力煤长协价格机制，利用价格因子和产能因子的同比变化来逐月估计煤炭行业的营收增速和利润增速[10] * **模型具体构建过程**：模型的核心是跟踪价格因子（如动力煤销售价格）和产能因子的同比变化。具体地，根据每个月最后一期的价格指数确定下个月的销售价格，然后将此价格与上年同期进行比较。同时，结合产能因子的同比变化，综合估算出行业的月度营收增速和利润增速[10][15] 2. **模型名称：生猪供需预测模型**[16][17][18] * **模型构建思路**：利用生猪从出生到出栏约6个月的周期特性，通过当前能繁母猪存栏量来预测未来6个月后的生猪供需缺口，进而判断价格趋势[16][17] * **模型具体构建过程**： 1. 计算历史出栏系数：$$出栏系数 = \frac{单季度生猪出栏}{6个月前能繁母猪存栏量}$$[16] 2. 预测未来潜在产能：$$6个月后单季潜在产能 = 当前(t月)能繁母猪存栏量 \times (t+6月上年同期出栏系数)$$[17] 3. 预测未来潜在需求：以预测目标季度（如26Q1）的上年同期单季度生猪出栏量作为需求预测值[17] 4. 比较潜在产能与潜在需求，判断供需缺口及价格走势[18] 3. **模型名称：普钢行业利润预测模型**[19][23] * **模型构建思路**：通过跟踪普通钢材的综合售价以及主要原材料（铁矿石、焦炭、喷吹煤、废钢）的成本价格，来测算普钢行业的月度利润增速和单吨盈利[19][23] * **模型具体构建过程**：模型通过监测普钢价格指数和一系列成本价格指数，计算价格与成本的差值或比值，从而估算出行业单吨利润及其同比变化[19][23] 4. **模型名称：结构材料（玻璃、水泥）盈利跟踪模型**[25][26] * **模型构建思路**：根据浮法玻璃、水泥的产品价格指标和相应的成本指标，跟踪计算其毛利变化，并基于盈利变化设计行业配置信号[25][26] * **模型具体构建过程**：模型持续跟踪玻璃和水泥的现货价格，并同步跟踪其生产成本（如原材料、能源等），通过（价格 - 成本）计算单吨毛利，并观察其同比变化[25][26] 5. **模型名称：燃料型炼化利润预测模型**[27][33] * **模型构建思路**：利用成品油燃料价格与原油价格的变化来测算行业利润增速和裂解价差（Crack Spread）[27][33] * **模型具体构建过程**：模型通过监测成品油（如汽油、柴油）价格和原油价格的变动，计算其价差（裂解价差）。价差的扩大通常意味着炼化利润的改善。同时，也会考虑库存成本（如近期油价低位带来的成本下降）对利润的影响[27][33] 模型的回测效果 *（注：研报中展示了部分模型的历史回测图表（如图2、图5、图9、图10），但未提供具体的、可总结的量化指标数值（如年化收益率、夏普比率、信息比率IR等），因此此部分跳过）* 量化因子与构建方式 1. **因子名称：价格因子（煤炭）**[10] * **因子构建思路**：反映动力煤销售价格的变动情况，是预测煤炭行业利润的核心驱动因素之一[10] * **因子具体构建过程**：直接采用或根据动力煤长协价格指数确定月度销售价格，并计算其同比变化率[10] 2. **因子名称：产能因子（煤炭）**[10] * **因子构建思路**：反映煤炭行业生产能力的变动情况，是预测营收和利润的另一核心因素[10] * **因子具体构建过程**：具体构建方式未在提供片段中详细说明，但提及会跟踪其同比变化[10] 3. **因子名称：能繁母猪存栏量**[16][18] * **因子构建思路**：作为生猪供给的领先指标，能繁母猪的数量直接决定了约6个月后的生猪出栏潜力[16][18] * **因子具体构建过程**：直接采用农业农村部或相关统计部门公布的月度能繁母猪存栏数据[16][18] 4. **因子名称：出栏系数**[16][17] * **因子构建思路**：衡量能繁母猪到生猪出栏的转换效率，受养殖技术、疫情等因素影响[16][17] * **因子具体构建过程**：$$出栏系数 = \frac{单季度生猪出栏总量}{6个月前能繁母猪存栏量}$$[16] 5. **因子名称：PMI（采购经理指数）**[23][26] * **因子构建思路**：作为宏观经济景气度的衡量指标，尤其用于判断普钢、建筑等与宏观经济周期密切相关的行业的景气状况和投资预期[23][26] * **因子具体构建过程**：采用官方发布的制造业PMI数据。在模型中，会使用其滚动均值（如12个月滚动均值）并与设定的阈值进行比较，以产生配置信号[23][26] 6. **因子名称：裂解价差（Crack Spread）**[27] * **因子构建思路**：反映炼油厂将原油炼制成成品油的加工利润，是燃料型炼化行业盈利能力的核心观测指标[27] * **因子具体构建过程**：通常计算为一组成品油（如汽油和柴油）的价格与原油价格的加权差值[27] 7. **因子名称：油价同比变化**[34][35] * **因子构建思路**：油价的同比变化直接影响油服行业的收入预期和炼化行业的成本，是相关行业配置信号的重要依据[34][35] * **因子具体构建过程**：计算当前油价与上年同期油价的变化率[34][35] 8. **因子名称：新钻井数**[35] * **因子构建思路**：反映油服行业的活动水平和未来收入潜力，新钻井数的增加通常意味着行业景气的提升[35] * **因子具体构建过程**：采用诸如美国贝克休斯石油钻井数等市场常用指标，并观察其同比变化[35] 9. **因子名称：商品房销售面积**[26] * **因子构建思路**：作为房地产行业景气的同步或滞后指标，影响对水泥、玻璃、建筑装饰等下游行业的需求预期[26] * **因子具体构建过程**：采用国家统计局或行业机构发布的月度商品房销售面积数据，并计算其同比增速[26] 因子的回测效果 *（注：研报中未提供各个因子独立测试的量化绩效指标（如IC、IR、多空收益等），仅展示了基于这些因子构建的行业配置观点的历史回测图表。因此此部分跳过）*

根据提供的研报内容，以下是关于量化模型与因子的详细总结： 量化模型与构建方式 1. 宏观择时模型 - **模型构建思路**：基于经济增长和货币流动性两个维度的宏观事件因子，动态调整权益资产配置仓位[40] - **模型具体构建过程**：模型通过经济增长和货币流动性两个维度生成信号，经济增长层面信号强度为100%，货币流动性层面信号强度为0%，综合得出权益推荐仓位为50%[40] - **模型评价**：该模型提供了中期权益配置视角，2025年年初至今实现了1.34%的收益率，超越基准Wind全A的1.04%[40] 2. 微盘股择时与轮动模型 - **模型构建思路**：通过相对净值比较、价格斜率和风险指标监控，实现微盘股与茅指数之间的风格轮动和风险控制[18][27] - **模型具体构建过程**： 1) 大小盘轮动指标：计算微盘股/茅指数相对净值，高于243日均线则倾向投资微盘股，反之投资茅指数；结合20日收盘价斜率，当二者方向相反且一方为正时，选择投资斜率为正的指数[27] 2) 择时指标：基于十年期国债到期收益率（阈值0.3）和微盘股波动率拥挤度（阈值0.55），任一指标触及阈值则发出平仓信号[27] 量化因子与构建方式 1. 一致预期因子(↑) - **因子构建思路**：基于分析师一致预期数据构建的因子[56] - **因子具体构建过程**： - EPS_FTTM_Chg3M：未来12个月一致预期EPS过去3个月的变化率[56] - ROE_FTTM_Chg3M：未来12个月一致预期ROE过去3个月的变化率[56] - TargetReturn_180D：一致预期目标价相对于目前股价的收益率[56] 2. 市值因子(↓) - **因子构建思路**：衡量公司规模大小的因子[56] - **因子具体构建过程**： - LN_MktCap：流通市值的对数[56] 3. 成长因子(↑) - **因子构建思路**：衡量公司成长性的因子[56] - **因子具体构建过程**： - NetIncome_SQ_Chg1Y：单季度净利润同比增速[56] - OperatingIncome_SQ_Chg1Y：单季度营业利润同比增速[56] - Revenues_SQ_Chg1Y：单季度营业收入同比增速[56] 4. 反转因子(↓) - **因子构建思路**：基于价格反转效应的因子[56] - **因子具体构建过程**： - Price_Chg20D：20日收益率[56] - Price_Chg40D：40日收益率[56] - Price_Chg60D：60日收益率[56] - Price_Chg120D：120日收益率[56] 5. 质量因子(↑) - **因子构建思路**：衡量公司盈利质量和财务稳健性的因子[56] - **因子具体构建过程**： - ROE_FTTM：未来12个月一致预期净利润/股东权益均值[56] - OCF2CurrentDebt：过去12个月经营现金流净额/流动负债均值[56] - GrossMargin_TTM：过去12个月毛利率[56] - Revenues2Asset_TTM：过去12个月营业收入/总资产均值[56] 6. 技术因子(↓) - **因子构建思路**：基于量价技术指标的因子[56] - **因子具体构建过程**： - Volume_Mean_20D_240D：20日成交量均值/240日成交量均值[56] - Skewness_240D：240日收益率偏度[56] - Volume_CV_20D：20日成交量标准差/20日成交量均值[56] - Turnover_Mean_20D：20日换手率均值[56] 7. 价值因子(↑) - **因子构建思路**：衡量公司估值水平的因子[56] - **因子具体构建过程**： - BP_LR：最新年报账面净资产/最新市值[56] - EP_FTTM：未来12个月一致预期净利润/最新市值[56] - SP_TTM：过去12个月营业收入/最新市值[56] - EP_FY0：当期年报一致预期净利润/最新市值[56] - Sales2EV：过去12个月营业收入/企业价值[56] 8. 波动率因子(↓) - **因子构建思路**：衡量股票价格波动风险的因子[56] - **因子具体构建过程**： - Volatility_60D：60日收益率标准差[56] - IV_CAPM：CAPM模型残差波动率[56] - IV_FF：Fama-French三因子模型残差波动率[56] - IV_Carhart：Carhart四因子模型残差波动率[56] 9. 可转债择券因子 - **因子构建思路**：从正股与可转债的相关关系出发构建的量化择券因子[53] - **因子具体构建过程**： - 正股一致预期因子：基于正股一致预期数据构建[53] - 正股成长因子：基于正股成长性指标构建[53] - 正股财务质量因子：基于正股财务质量指标构建[53] - 正股价值因子：基于正股估值指标构建[53] - 转债估值因子：选取平价底价溢价率作为估值指标[53] 模型的回测效果 1. 宏观择时模型 - 2025年年初至今收益率：1.34%[40] - 同期Wind全A收益率：1.04%[40] - 超额收益：0.30%[40] 2. 微盘股择时与轮动模型 - 相对净值：微盘股对茅指数的相对净值升至1.88倍[18] - 年均线比较：显著高于243日均线（1.57倍）[18] - 斜率表现：万得微盘股20日收盘价斜率为0.2%，低于茅指数的0.7%[18] 因子的回测效果 1. 上周IC均值表现（全部A股） - 一致预期因子：0.17%[48] - 市值因子：-32.18%[48] - 成长因子：5.39%[48] - 反转因子：2.08%[48] - 质量因子：6.28%[48] - 技术因子：1.68%[48] - 价值因子：0.95%[48] - 波动率因子：2.63%[48] 2. 今年以来IC均值表现（全部A股） - 一致预期因子：2.66%[48] - 市值因子：7.54%[48] - 成长因子：1.97%[48] - 反转因子：7.34%[48] - 质量因子：0.94%[48] - 技术因子：9.23%[48] - 价值因子：4.37%[48] - 波动率因子：8.99%[48] 3. 上周因子多空收益（全部A股） - 一致预期因子：0.40%[48] - 市值因子：-4.96%[48] - 成长因子：1.77%[48] - 反转因子：-1.29%[48] - 质量因子：1.10%[48] - 技术因子：-0.25%[48] - 价值因子：-0.95%[48] 4. 今年以来因子多空收益（全部A股） - 一致预期因子：13.17%[48] - 市值因子：29.89%[48] - 成长因子：17.02%[48] - 反转因子：7.92%[48] - 质量因子：9.03%[48] - 技术因子：22.38%[48] - 价值因子：-10.24%[48] - 波动率因子：14.82%[48] 5. 可转债择券因子表现 - 正股一致预期因子：取得正的多空收益[53] - 正股成长因子：取得正的多空收益[53] - 正股财务质量因子：取得正的多空收益[53] - 正股价值因子：取得正的多空收益[53]