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 本报告未涉及具体的量化模型构建。 模型的回测效果 本报告未提供量化模型的具体回测效果指标。 量化因子与构建方式 本报告未涉及具体的量化因子构建。 因子的回测效果 本报告未提供量化因子的具体回测效果指标。 其他核心内容总结 1. **8月行情强度分析** 8月市场行情实质强度较大，涨幅榜前20的个股中，有4只起涨时自由流通市值超过100亿，其中寒武纪-U起涨时市值达1402.95亿，且起涨时成交额均达到10亿量级[9]。 2. **9月强势行业研判** * **研判思路**：强势行业大概率由温和上涨过渡而来，而非由高低切换产生[12]。 * **一级行业表现**：电信业务、电子、计算机等行业在本轮行情中涨幅领先[12]。 * **二级行业表现**：通信设备行业8月涨幅断层式领先，达43.24%[15]。 * **具体观点**：通信设备行业权重股成交额未放大到难以为继的程度，预计其9月强势将继续；恒生医疗保健8月的横盘整理可能形成月线中继，9月有望转强；CPO（Co-packaged Optics，共封装光学）的强势预计能维持，而液冷和PCB（Printed Circuit Board，印制电路板）大概率转弱[15][18][37]。 3. **市场风格与节奏分析** * **大小盘风格**：8月下旬后，中小市值股票走势明显转弱，预计在下一阶段弹性不占优[34]。 * **牛市主线节奏**：历史上，主线行业的强势期过去后并不会立即转入下跌，会继续上涨至牛市见顶，但在下一阶段大概率不再有超额收益[26][37]。 --- **请注意**：以上总结严格基于您提供的研报内容。该报告主要为市场行情回顾与展望，侧重于定性分析和历史数据统计，并未包含量化模型、因子的构建过程及其回测效果的详细阐述。

量化模型与因子总结 量化因子与构建方式 1. **因子名称：规模因子** **因子构建思路**：通过股票市值规模来预测未来收益，通常小市值股票具有更高收益[19] **因子具体构建过程**：使用对数市值（lncap）作为细分因子，进行行业中性化处理和截面标准化[19] **因子评价**：整体在wind全A中表现良好，但最近一个月在所有股票池中出现较大回撤[46] 2. **因子名称：Beta因子** **因子构建思路**：衡量股票相对于市场的系统性风险，高Beta股票预期收益更高[19] **因子具体构建过程**：使用beta作为细分因子，进行行业市值中性化处理和截面标准化[19] **因子评价**：在整个回测区间中表现良好，上月在各股票池中为反向表现[57] 3. **因子名称：波动率因子** **因子构建思路**：通过股票价格波动率来预测未来收益，低波动率股票通常具有更好表现[19] **因子具体构建过程**：包含vol_1m、vol_3m、f_highlow_intraday_1m、f_highlow_intraday_3m、f_highlow_intraday_std_1m、f_highlow_intraday_std_3m等细分因子，进行行业市值中性化处理和截面标准化[19] **因子评价**：在整个回测区间内表现优异，但最近一月呈现反向表现[72] 4. **因子名称：价值因子** **因子构建思路**：通过估值指标寻找被低估的股票[19] **因子具体构建过程**：包含ep、bp、sp等细分因子，进行行业市值中性化处理和截面标准化[19] **因子评价**：在wind全A上有效性显著，但最近一个月表现不佳，各股票池回撤明显[86] 5. **因子名称：流动性因子** **因子构建思路**：通过股票流动性指标预测未来收益[19] **因子具体构建过程**：包含f_illiquidity_shock_1m、f_turnover_std_1m、f_turnover_std_3m、f_vstd_1m、f_turnover_1m、f_turnover_3m等细分因子，进行行业市值中性化处理和截面标准化[19] **因子评价**：整个回测期间表现优异，但最近一月表现不佳，在大市值股票池中显著反向[97] 6. **因子名称：动量与反转因子** **因子构建思路**：通过股票过去表现预测未来收益趋势[19] **因子具体构建过程**：包含f_reversal_1m、f_reversal_avg_1m、f_reversal_intraday_1m、f_reversal_discrete_1m、f_reserval_shift_1m、f_momentum_overnight_1y等细分因子，进行行业市值中性化处理和截面标准化[19] **因子评价**：在wind全A股票池中表现较优，但最近一月反转因子整体表现平庸[106] 7. **因子名称：技术因子** **因子构建思路**：通过技术指标预测股票未来收益[19] **因子具体构建过程**：包含RSI、BIAS、corr_turnover_price_1m、corr_turnover_pct_chg_return_1m等细分因子，进行行业市值中性化处理和截面标准化[19] **因子评价**：在wind全A和中证1000股票池中表现较优，但最近一月表现不显著[114] 8. **因子名称：盈利因子** **因子构建思路**：通过公司盈利能力指标预测股票未来收益[19] **因子具体构建过程**：包含roa_qua、roe_qua、net_margin_qua、profits_to_cost_qua、roic_qua等细分因子，进行行业市值中性化处理和截面标准化[19] **因子评价**：整个回测区间表现一般，最近一月在相对大市值股票池中表现较好[135] 9. **因子名称：成长因子** **因子构建思路**：通过公司成长性指标预测股票未来收益[19] **因子具体构建过程**：包含roa_qua_yoy、net_margin_qua_yoy、eps_basic_qua_yoy、opprofit_qua_yoy、oper_rev_qua_yoy等细分因子，进行行业市值中性化处理和截面标准化[19] **因子评价**：在沪深300股票池中表现较差，但最近一月表现较好，各股票池均呈现正向超额[143] 10. **因子名称：质量因子** **因子构建思路**：通过公司质量指标预测股票未来收益[19] **因子具体构建过程**：包含profit_to_debt_qua、inventory_turnover_qua、acct_rcv_turnover_qua、oper_netcash_to_oper_rev_ttm、tot_assets_cash_recovery_ttm、totasset_turnover_qua等细分因子，进行行业市值中性化处理和截面标准化[19] **因子评价**：在wind全A和中证1000股票池中表现稳定，最近一月更偏向大市值股票池[157] 11. **因子名称：红利因子** **因子构建思路**：通过分红指标预测股票未来收益[19] **因子具体构建过程**：包含div_ratio_ttm作为细分因子，进行行业市值中性化处理和截面标准化[19] **因子评价**：整个回测区间表现不错，但最近一月表现不佳，各股票池均出现明显回撤[174] 12. **因子名称：一致预期因子** **因子构建思路**：通过分析师一致预期数据预测股票未来收益[19] **因子具体构建过程**：包含con_peg、con_roe、con_roe_yoy等细分因子，进行行业市值中性化处理和截面标准化[19] **因子评价**：整个回测区间表现一般，最近一月在大市值股票池中呈现正向超额[186] 因子数据处理方法 **数据处理流程**： 1. 对所有因子进行去极值处理，使用缩尾法： $$\tilde{x}_{i}=\left\{\begin{array}{l l}{{q_{1-\alpha}(x),}}&{{x_{i}>q_{1-\alpha}(x),}}\\ {{q_{\alpha}(x),}}&{{x_{i}<q_{\alpha}(x),}}\\ {{x_{i},}}&{{e l s e.}}\end{array}\right.$$[199] 2. 对除对数市值外的其他因子做行业市值中性化处理 3. 对所有因子在截面进行z-score标准化： $$\tilde{x}_{i}=\frac{x_{i}-\mu}{\sigma},$$[202] 4. 行业市值中性化公式： $$X_{t}=\sum_{j}b_{t,j}\,I n d u_{j}+b_{t,m v}m v_{t}+\varepsilon_{t},$$[203] **因子测试方法**： 1. IC分析：计算Spearman秩相关系数 $$I C_{t}=C o r r(X_{t},R_{t+1}),$$[204] 2. 分层回测：将股票分为5层，每21个交易日调仓一次[20] 3. 回归分析：控制行业和市值因素 $$R_{t+1}=\sum_{j}b_{t,j}\,I n d u_{j}+b_{t,m v}m v_{t}+b_{t,f}X_{t}+\varepsilon_{t},$$[207] 因子回测效果 Wind全A股票池 | 因子类型 | 最近一月IC | 近一年IC均值 | 回测期间IC均值 | 最近一月多头超额 | 近一年多头超额 | 回测期间多头超额 | |---------|-----------|-------------|---------------|----------------|---------------|-----------------| | 规模因子 | -12.76% | 1.84% | 4.10% | -1.36% | -2.05% | 10.40% |[42] | Beta因子 | -11.56% | -1.37% | 1.34% | -0.79% | -5.11% | -7.72% |[42] | 波动率因子 | 1.57% | 9.20% | 10.39% | -0.83% | 0.87% | 11.31% |[42] | 价值因子 | -3.19% | 1.10% | 3.85% | -0.82% | -4.72% | 8.22% |[42] | 流动性因子 | -2.73% | 3.14% | 4.43% | -0.09% | 1.80% | 11.42% |[42] | 反转因子 | 4.99% | 8.19% | 5.91% | 0.31% | 1.85% | 1.28% |[42] | 技术因子 | 1.34% | 0.30% | 1.46% | 0.04% | -0.66% | -0.84% |[42] | 盈利因子 | 5.31% | 1.12% | 1.45% | 0.58% | -1.48% | -2.72% |[131] | 成长因子 | 7.72% | 2.09% | 1.12% | 1.29% | 4.33% | 3.03% |[131] | 质量因子 | 2.22% | 0.58% | 2.36% | 0.42% | -0.75% | 2.03% |[131] | 红利因子 | -3.42% | 1.20% | 4.29% | -0.96% | -6.42% | 4.69% |[131] | 一致预期因子 | 1.63% | 6.00% | 2.23% | 0.51% | 4.82% | 12.74% |[131] 沪深300股票池 | 因子类型 | 最近一月IC | 近一年IC均值 | 回测期间IC均值 | 最近一月多头超额 | 近一年多头超额 | 回测期间多头超额 | |---------|-----------|-------------|---------------|----------------|---------------|-----------------| | 规模因子 | -0.12% | -1.55% | 0.61% | -1.08% | -4.83% | 2.09% |[43] | Beta因子 | -22.60% | -1.16% | 4.30% | -1.38% | -5.28% | -0.81% |[43] | 波动率因子 | -0.71% | 3.35% | 5.30% | 0.75% | -1.19% | 3.28% |[43] | 价值因子 | -6.63% | 4.03% | 4.34% | -0.77% | -2.32% | 7.79% |[43] | 流动性因子 | 3.05% | -2.17% | 0.77% | -1.22% | -2.13% | 2.84% |[43] | 反转因子 | 6.99% | 3.87% | 0.27% | 1.66% | 5.36% | -2.19% |[43] | 技术因子 | -9.83% | 1.94% | 0.28% | 0.91% | -0.27% | -0.65% |[43] | 盈利因子 | 15.10% | 2.82% | 0.48% | 4.12% | 8.86% | -0.99% |[132] | 成长因子 | 9.69% | 3.50% | -0.02% | 4.10% | 11.61% | -0.22% |[132] | 质量因子 | 8.02% | 1.50% | 2.42% | 1.67% | 3.18% | 0.35% |[132] | 红利因子 | -16.21% | 2.05% | 6.53% | -1.29% | -1.21% | 9.66% |[132] | 一致预期因子 | 9.56% | 3.07% | -0.44% | 0.91% | 8.60% | 10.70% |[132] 中证500股票池 | 因子类型 | 最近一月IC | 近一年IC均值 | 回测期间IC均值 | 最近一月多头超额 | 近一年多头超额 | 回测期间多头超额 | |---------|-----------|-------------|---------------|----------------|---------------|-----------------| | 规模因子 | -20.02% | -0.91% | 2.07% | -1.86% | -1.50% | 5.69% |[44] | Beta因子 | -18.23% | -1.45% | 4.01% | -1.52% | -6.93% | 1.18% |[44] | 波动率因子 | -0.16% | 5.24% | 7.16% | -0.74% | -0.93% | 4.87% |[44] | 价值因子 | -11.32% | -0.72% | 3.38% | -1.38% | -3.17% | 3.88% |[44] | 流动性因子 | -11.81% | -0.93% | 1.62% | -1.41% | 0.06% | 0.45% |[44] | 反转因子 | 4.73% | 5.10% | 0.70% | 0.43% | -1.19% | -5.97% |[44] | 技术因子 | 3.17% | 0.89% | 0.10% | -0.18% | -2.58% | -1.71% |[44] | 盈利因子 | -5.80% | -0.98% | -0.02% | 0.18% | -1.93% | -8.66% |[133] | 成长因子 | 7.78% | 2.70% | 1.46% | 1.61% | 4.83% | 0.89% |[133] | 质量因子 | -3.48% | -0.04% | 1.99% | 1.06% | 0.52% | 5.31% |[133] | 红利因子 | -14.00% | -1.63% | 4.51% | -1.79% | -5.13% | 6.45% |[133] | 一致预期因子 | -1.21% | 2.56% | -0.21% | -0.49% | -0.05% | -3.47% |[133] 中证1000股票池 | 因子类型 | 最近一月IC | 近一年IC均值 | 回测期间IC均值 | 最近一月多头超额 | 近一年多头超额 | 回测期间多头超额 | |---------|-----------|-------------|---------------|----------------|---------------|-----------------| | 规模因子 | -16.98% | 2.00% | 3.34% | -1.05% | -0.57% | 9.75% |[45] | Beta因子 | -11.47% | -1.13% | 2.55% | -0.09% | -5.05% | -4.19% |[45] | 波动率因子 | 3.33% | 6.67% | 8.51% | -0.25% | -2.35% | 4.22% |[45] | 价值因子 | -5.09% | 0.53% | 3.92% | -1.61% | -5.88% | 6.83% |[45] | 流动性因子 | -2.50% | 1.38% | 2.60% | -0.95% | 0.17% | 8.25% |[45] | 反转因子 | 4.97% | 6.28% | 3.39% | 0.41% | 2.12% | -0.85% |[45] | 技术因子 | 3.58% | 0.37% | 1.22% | -0.53% | -1.60% | 0.97% |[45] | 盈利因子 | 0.15% | 1.02% | 2.41% | -0.38% | -3.33% | 0.52% |[134] | 成长因子 | 8.03% | 4.11% | 1.98% | 1.34% | 8.25% | 6.66% |[134] | 质量因子 | 1.53% | -0.17% | 2.50% | 0.35% | -2.68% | 2.09% |[134] | 红利因子 | -1.28% | -0.85% | 3.12% | -1.48

量化模型与构建方式 1. 社融自下而上预测框架 **模型名称**：社融自下而上预测框架[8][9] **模型构建思路**：从社融各子项的经济逻辑、高频数据、季节性特征等角度出发，分别对各子项进行预测，再汇总得到社融总量预测，以更准确地预测总量和结构信息[8][9] **模型具体构建过程**： - **企业贷款+居民短贷**：以PMI与唐山钢厂产能利用率为自变量，对信贷大月和小月分别进行滚动回归预测[9] - **居民中长贷**：根据商品房销售代理指标与居民中长贷的三阶段特点进行预测[9] - **企业票据融资**：以转贴现利率为外生变量，使用5年窗口的滚动自回归进行预测[9] - **政府债券**：通过将月末新发政府债券计入下月，对政府债券发行到期高频跟踪数据进行口径调整[9] - **企业债券**：使用5年窗口的滚动回归对企业债券子项重新配权，以降低口径差异[9] - **外币贷款**：使用过去3个月均值作为预测[9] - **信托贷款**：通过跟踪集合信托以及单一信托发行到期的披露情况进行近似预测[9] - **委托贷款**：使用过去12个月均值作为预测，部分基建相关增量额外进行判断[9] - **未贴现银行承兑汇票**：使用过去三年同期平均值作近似估计[9] - **非金融企业境内股票融资**：将股权融资（包括IPO、增发、配股、优先股）的月频净融资数据扣除金融企业部分得到预测[9] - **贷款核销**：使用去年同期值作为预测[9] - **存款类金融机构资产支持证券**：信贷ABS净融资高频跟踪[9] 模型的回测效果 1. 社融自下而上预测框架 **2025年8月预测结果**： - 新增社融：26928亿元[9][17] - 同比变化：-0.34万亿元[9][17] - 社融TTM环比：-0.91%[9][17] - 社融存量同比增速：8.88%[9][17] - 新增人民币信贷：9435亿元[17] - 政府债券净融资：13606亿元[17] - 企业债券净融资：984亿元[17] **2025年7月预测结果**： - 新增社融预测值：15316亿元[17] - 实际值：11320亿元[17] - 预测误差：3996亿元[17] **历史预测效果**：自2023年以来各月社融预测结果见研报图2[12][14]

量化模型与构建方式 1. 上涨家数占比情绪指标 - **模型名称**：上涨家数占比情绪指标 - **模型构建思路**：通过计算指数成分股中近期正收益个股的占比来判断市场情绪，正收益股票增多可能预示行情底部，占比过高则可能预示情绪过热[12] - **模型具体构建过程**： 计算沪深300指数N日上涨家数占比： $$沪深300指数N日上涨家数占比 = \frac{沪深300指数成分股过去N日收益大于0的个股数}{总成分股数} \times 100\%$$ 其中N为时间窗口参数[12] - **模型评价**：该指标能较快捕捉上涨机会，但在市场过热阶段可能错失持续上涨收益，且对下跌市场的判断存在缺陷[12] 2. 动量情绪指标 - **模型名称**：动量情绪指标 - **模型构建思路**：通过对上涨家数占比指标进行不同窗口期的平滑处理，捕捉情绪变动趋势，快线高于慢线时看多市场[13][15] - **模型具体构建过程**： 1. 计算沪深300指数N日上涨家数占比（N=230）[13] 2. 分别计算窗口期为N1=50（慢线）和N2=35（快线）的移动平均值[13][15] 3. 当快线 > 慢线时，发出看多信号[15] 3. 均线情绪指标 - **模型名称**：均线情绪指标 - **模型构建思路**：通过计算收盘价与八条均线的位置关系判断市场趋势，价格高于多数均线时看多[19][24] - **模型具体构建过程**： 1. 计算沪深300收盘价的八条均线（参数：8, 13, 21, 34, 55, 89, 144, 233）[19] 2. 统计当日收盘价大于各均线值的数量[24] 3. 当数量超过5时，看多沪深300指数[24] 4. 基金抱团分离度指标 - **因子名称**：基金抱团分离度 - **因子构建思路**：以抱团基金截面收益的标准差作为抱团程度的代理变量，标准差小表示抱团程度高[25] - **因子具体构建过程**： 计算抱团基金组合在截面上的收益标准差[25] 5. PB-ROE-50策略 - **模型名称**：PB-ROE-50策略 - **模型构建思路**：基于PB-ROE定价模型寻找市场预期差，叠加超预期因子增强收益[29] - **模型具体构建过程**： 1. 使用Wilcox（1984）PB-ROE定价模型得到预期差股票池[29] 2. 结合SUE（未预期收益）、ROE同比增长等因子精选50只股票构建组合[29] 6. 机构调研策略 - **模型名称**：公募调研选股策略 - **模型构建思路**：通过上市公司被调研次数及调研前相对基准的涨跌幅选股[37] - **模型名称**：私募调研跟踪策略 - **模型构建思路**：通过知名私募调研数据挖掘超额收益[37] 7. 有息负债率因子 - **因子名称**：有息负债率 - **因子构建思路**：衡量企业有息负债占总资产的比例，识别偿债压力大的公司[42] - **因子具体构建过程**： 提供三种计算口径： - 传统口径：$$传统有息负债率 = \frac{短期借款+长期借款+应付债券}{总资产}$$[42] - 严苛口径：$$严苛有息负债率 = \frac{短期借款+应付利息+交易性金融负债+应付短期债券+租赁负债+长期借款+应付债券+长期应付款}{总资产}$$[42] - 宽松口径：$$宽松有息负债率 = \frac{短期借款+应付利息+交易性金融负债+应付短期债券+租赁负债+长期借款+应付债券+长期应付款+其他流动负债+划分为持有待售的负债+一年内到期的非流动负债}{总资产}$$[42] 8. 财务成本负担率因子 - **因子名称**：财务成本负担率 - **因子构建思路**：以利息费用占息税前利润的比例衡量企业还息压力[46] - **因子具体构建过程**： $$财务成本负担率 = \frac{财务费用：利息费用}{息税前利润}$$[46] 模型的回测效果 1. PB-ROE-50策略 - **中证500股票池**：今年以来超额收益率3.05%，上月超额收益率-0.54%，今年以来绝对收益率26.78%，上月绝对收益率12.52%[33] - **中证800股票池**：今年以来超额收益率15.45%，上月超额收益率5.22%，今年以来绝对收益率34.51%，上月绝对收益率16.86%[33] - **全市场股票池**：今年以来超额收益率18.76%，上月超额收益率7.61%，今年以来绝对收益率43.09%，上月绝对收益率19.17%[33] 2. 机构调研策略 - **公募调研选股策略**：今年以来超额收益率5.61%，上月超额收益率-1.33%，今年以来绝对收益率23.04%，上月绝对收益率9.60%[39] - **私募调研跟踪策略**：今年以来超额收益率12.04%，上月超额收益率-5.05%，今年以来绝对收益率30.53%，上月绝对收益率5.46%[39]

量化模型与构建方式 1. 主动偏股基金高频仓位测算模型 - **模型名称**：主动偏股基金高频仓位测算模型 - **模型构建思路**：基于基金每日净值序列，采用带约束条件的多元回归模型，以基准或其他资产序列作为自变量，估算基金仓位变动趋势和行业配置偏好[67] - **模型具体构建过程**： 1. 以基金每日披露的净值序列作为因变量 2. 选择基准指数或其他资产序列作为自变量组合 3. 采用带约束条件的多元回归模型进行拟合 4. 通过回归系数估算基金的整体仓位水平和行业配置比例 5. 定期更新模型参数以反映最新市场情况 具体计算方式可参考2022年9月18日发布的《国内公募基金费率的发展现状和变化趋势》报告[67] 2. 行业主题基金分类模型 - **模型名称**：行业主题基金分类模型 - **模型构建思路**：基于基金历史持仓信息，构建完整的行业主题和细分赛道标签，区分行业主题基金、行业轮动基金和行业均衡基金[37] - **模型具体构建过程**： 1. 收集基金近四期中报/年报的持仓信息 2. 分析持仓的行业分布特征 3. 根据行业集中度确定基金分类： - 行业主题基金：持仓高度集中于特定行业 - 行业轮动基金：持仓行业随时间显著变化 - 行业均衡基金：持仓行业分布较为均衡 4. 构建行业主题基金指数，作为衡量主题基金风险收益的工具[37] 3. REITs指数构建模型 - **模型名称**：REITs系列指数构建模型 - **模型构建思路**：构建完整的REITs系列指数，包括综合指数、底层资产指数和细分项目指数，提供价格指数和全收益指数两种形式[49] - **模型具体构建过程**： 1. 采用分级靠档方法确保计算指数的份额保持相对稳定 2. 当样本成分名单或调整市值出现非交易因素变动时，采用除数修正法保证指数连续性 3. 构建以下指数类型： - REITs综合指数 - 底层资产指数（产权类REITs指数、特许经营权类REITs指数） - 细分项目指数（生态环保、交通基础设施、园区基础设施、仓储物流、能源基础设施、保障性租赁住房、消费基础设施、市政设施、水利设施、新型基础设施等） 4. 同时提供价格指数和全收益指数，以反映REITs的高分红特性[49] 量化因子与构建方式 1. 多因子ETF投资因子 - **因子名称**：多因子ETF投资因子 - **因子构建思路**：基于多种量化因子构建ETF投资策略，包括现金流、红利、成长、价值、基本面、低波、质量、动量等因子[64] - **因子具体构建过程**： 1. 选择因子类型：现金流、红利、成长、价值、基本面、低波、质量、动量 2. 对每个因子构建相应的ETF产品 3. 定期计算各因子ETF的收益和资金流向 4. 监控各因子ETF的市场表现和资金流动情况[64] 模型的回测效果 1. 主动偏股基金高频仓位测算模型 - 本周主动偏股基金仓位相较上周上升1.94个百分点[67] - 通信、有色金属、电力设备等行业获资金增配[67] - 医药生物、家用电器、机械设备等行业遭资金减持[67] 2. 行业主题基金分类模型 - TMT主题基金本周上涨5.85%[37] - 新能源主题基金本周上涨4.15%[37] - 行业均衡主题基金本周上涨3.52%[37] - 周期主题基金本周上涨3.30%[37] - 行业轮动主题基金本周上涨2.98%[37] - 国防军工主题基金本周上涨1.75%[37] - 消费主题基金本周上涨1.57%[37] - 金融地产主题基金本周下跌0.10%[37] - 医药主题基金本周下跌1.44%[37] 3. REITs指数构建模型 | 指数名称 | 本周收益 | 累计收益 | 年化收益 | 最大回撤 | 夏普比率 | 年化波动 | |---------|---------|---------|---------|---------|---------|---------| | REITs综合指数 | 1.36% | 0.94% | 0.22% | -42.67% | -0.12 | 10.70% | | 产权类REITs指数 | 1.53% | 16.73% | 3.76% | -46.13% | 0.17 | 13.23% | | 特许经营权类REITs指数 | 1.07% | -15.65% | -3.98% | -40.74% | -0.59 | 9.27% | | 生态环保REITs指数 | 0.25% | -8.59% | -2.12% | -55.72% | -0.23 | 15.80% | | 交通基础设施REITs指数 | 1.06% | -26.91% | -7.20% | -41.29% | -0.96 | 9.09% | | 园区基础设施REITs指数 | 1.18% | -8.17% | -2.01% | -52.07% | -0.25 | 14.16% | | 仓储物流REITs指数 | 1.54% | 1.75% | 0.42% | -50.32% | -0.07 | 15.95% | | 能源基础设施REITs指数 | 0.10% | 14.02% | 3.18% | -18.41% | 0.16 | 10.34% | | 保障性租赁住房REITs指数 | 1.92% | 13.28% | 3.02% | -33.34% | 0.12 | 12.61% | | 消费基础设施REITs指数 | 2.16% | 52.16% | 10.53% | -8.32% | 0.82 | 11.04% | | 市政设施REITs指数 | 5.70% | 28.32% | 6.13% | -13.79% | 0.19 | 23.95% | | 水利设施REITs指数 | 3.57% | 28.76% | 6.22% | -13.60% | 0.29 | 16.42% | | 新型基础设施REITs指数 | 1.28% | 5.04% | 1.18% | -2.83% | -1.54% | 20.81% | 因子的回测效果 1. 多因子ETF投资因子 | 因子类型 | 基金数量 | 基金规模(亿元) | 本周净流入(亿元) | 本周回报(%) | 近1月回报(%) | 今年以来回报(%) | |---------|---------|---------------|----------------|-----------|-------------|----------------| | 现金流 | 26 | 191.05 | 17.37 | 1.73 | 5.56 | - | | 红利 | 34 | 1007.63 | 6.71 | -1.18 | 0.23 | 3.78 | | 成长 | 12 | 29.48 | 4.18 | 5.36 | 12.05 | 28.14 | | 价值 | 13 | 32.11 | 1.37 | 0.49 | 4.50 | 10.14 | | 基本面 | 3 | 6.98 | -0.10 | 1.50 | 4.79 | 8.53 | | 低波 | 3 | 7.56 | -0.15 | 1.05 | 5.63 | 10.68 | | 质量 | 3 | 11.20 | -0.29 | 2.51 | 9.68 | 24.53 | | 动量 | 1 | 43.88 | -0.71 | 6.41 | 19.05 | 30.19 |

量化模型与构建方式 1. **模型名称：券商金股业绩增强组合**[39][43] **模型构建思路**：以券商金股股票池为选股空间，通过多因子方式优选个股，旨在构建一个能稳定战胜偏股混合型基金指数的投资组合[12][39][43] **模型具体构建过程**： 1. 选股空间：每月初汇总所有券商发布的金股，构成基础股票池[19][39] 2. 优化目标：以全体公募基金的行业分布为行业配置基准，控制组合与券商金股股票池在个股、风格上的偏离[43] 3. 组合构建：采用组合优化的方法进行构建，具体多因子选股模型细节需参考专题报告《券商金股全解析—数据、建模与实践》[12][39][43] 4. 仓位管理：以每次调仓时点所能获取的主动股基最近一个报告期的权益仓位中位数作为组合的仓位[19] **模型评价**：该组合历史表现稳健，能够较好地跟踪并稳定战胜偏股混合型基金指数，体现了从券商金股股票池中进一步精选的价值[12][43][44] 模型的回测效果 1. **券商金股业绩增强组合（考虑仓位）**[39][44][47] 本月（20250801-20250829）绝对收益15.49%[5][42] 本月（20250801-20250829）相对偏股混合型基金指数超额收益3.59%[5][42] 本年（20250102-20250829）绝对收益34.01%[5][42] 本年（20250102-20250829）相对偏股混合型基金指数超额收益5.72%[5][42] 今年以来在主动股基中排名分位点30.38%[5][42] 全样本年化收益19.34%[44][47] 全样本相对偏股混合型基金指数年化超额收益14.38%[44][47] 量化因子与构建方式 1. **因子名称：单季度净利润增速**[3][29] **因子构建思路**：基于公司最新单季度的净利润增长情况来构建因子，旨在捕捉企业的盈利增长能力[3][29] **因子具体构建过程**：报告未提供具体计算公式，仅提及因子名称及表现[3][29] 2. **因子名称：单季度ROE**[3][29] **因子构建思路**：基于公司最新单季度的净资产收益率来构建因子，旨在衡量企业的股东权益回报能力[3][29] **因子具体构建过程**：报告未提供具体计算公式，仅提及因子名称及表现[3][29] 3. **因子名称：单季度营收增速**[3][29] **因子构建思路**：基于公司最新单季度的营业收入增长情况来构建因子，旨在捕捉企业的收入增长能力[3][29] **因子具体构建过程**：报告未提供具体计算公式，仅提及因子名称及表现[3][29] 4. **因子名称：BP**[3][29] **因子构建思路**：通常指账面市值比（Book-to-Price），旨在捕捉价值效应[3][29] **因子具体构建过程**：报告未提供具体计算公式，仅提及因子名称及表现[3][29] 5. **因子名称：日内收益率**[3][29] **因子构建思路**：旨在捕捉股票的短期价格动量或反转效应[3][29] **因子具体构建过程**：报告未提供具体计算公式，仅提及因子名称及表现[3][29] 6. **因子名称：预期股息率**[3][29] **因子构建思路**：基于预期的股息支付来构建因子，旨在捕捉高股息收益股票的收益特征[3][29] **因子具体构建过程**：报告未提供具体计算公式，仅提及因子名称及表现[3][29] 7. **因子名称：总市值**[3][29] **因子构建思路**：基于公司的总市值来构建因子，旨在捕捉规模效应[3][29] **因子具体构建过程**：报告未提供具体计算公式，仅提及因子名称及表现[3][29] 8. **因子名称：分析师净上调幅度**[3][29] **因子构建思路**：基于分析师对盈利预测的调整幅度来构建因子，旨在捕捉分析师乐观情绪带来的超额收益[3][29] **因子具体构建过程**：报告未提供具体计算公式，仅提及因子名称及表现[3][29] 9. **因子名称：波动率**[3][29] **因子构建思路**：旨在衡量股票价格的波动风险[3][29] **因子具体构建过程**：报告未提供具体计算公式，仅提及因子名称及表现[3][29] 因子的回测效果 1. **单季度净利润增速因子**[3][29] 最近一个月表现：较好[3][29] 今年以来表现：未提及 2. **单季度ROE因子**[3][29] 最近一个月表现：较好[3][29] 今年以来表现：未提及 3. **单季度营收增速因子**[3][29] 最近一个月表现：较好[3][29] 今年以来表现：较好[3][29] 4. **BP因子**[3][29] 最近一个月表现：较差[3][29] 今年以来表现：较差[3][29] 5. **日内收益率因子**[3][29] 最近一个月表现：较差[3][29] 今年以来表现：未提及 6. **预期股息率因子**[3][29] 最近一个月表现：较差[3][29] 今年以来表现：较差[3][29] 7. **总市值因子**[3][29] 最近一个月表现：未提及 今年以来表现：较好[3][29] 8. **分析师净上调幅度因子**[3][29] 最近一个月表现：未提及 今年以来表现：较好[3][29] 9. **波动率因子**[3][29] 最近一个月表现：未提及 今年以来表现：较差[3][29]

根据提供的研报内容，总结量化模型、因子及相关测试结果如下： 量化模型与构建方式 1. **模型名称**：开源金工优选金股组合[23] * **模型构建思路**：基于历史研究发现新进金股收益优于重复金股，且业绩超预期因子（SUE因子）在新进金股中选股能力优异，因此在新进金股样本中，选取SUE因子排名靠前的股票构建组合[23] * **模型具体构建过程**： 1. 样本选择：每月的新进金股[23] 2. 因子选择：业绩超预期因子（SUE因子）[23] 3. 选股规则：在样本中，选择SUE因子值排名前30的股票[23] 4. 组合构建：对入选的30只股票，按其被券商推荐的家数进行加权，构建最终的投资组合[23] 量化因子与构建方式 1. **因子名称**：业绩超预期因子（SUE因子）[23] * **因子构建思路**：用于衡量上市公司业绩是否超出市场预期[23] * **因子具体构建过程**：研报中未提供SUE因子的具体计算公式和构建细节[23] 模型的回测效果 1. **全部金股组合**[18][20] * 8月收益率：13.6%[18][20] * 2025年收益率：33.5%[18][20] * 年化收益率：13.7%[20] * 年化波动率：23.6%[20] * 收益波动比：0.58[20] * 最大回撤：42.6%[20] 2. **新进金股组合**[18][20] * 8月收益率：11.8%[18][20] * 2025年收益率：37.9%[18][20] * 年化收益率：16.5%[20] * 年化波动率：24.3%[20] * 收益波动比：0.68[20] * 最大回撤：38.5%[20] 3. **重复金股组合**[18][20] * 8月收益率：15.6%[18][20] * 2025年收益率：30.2%[18][20] * 年化收益率：11.3%[20] * 年化波动率：23.7%[20] * 收益波动比：0.48[20] * 最大回撤：45.0%[20] 4. **开源金工优选金股组合**[23][25] * 8月收益率：19.6%[23][25] * 2025年收益率：37.6%[23][25] * 年化收益率：22.3%[25] * 年化波动率：25.5%[25] * 收益波动比：0.88[25] * 最大回撤：24.6%[25] 5. **沪深300指数**[20][25] * 8月收益率：10.3%[20][25] * 2025年收益率：14.3%[20][25] * 年化收益率：3.2%[20][25] * 年化波动率：21.3%[20][25] * 收益波动比：0.15[20][25] * 最大回撤：40.6%[20][25] 6. **中证500指数**[20][25] * 8月收益率：13.1%[20][25] * 2025年收益率：23.0%[20][25] * 年化收益率：1.4%[20][25] * 年化波动率：24.0%[20][25] * 收益波动比：0.06[20][25] * 最大回撤：37.5%[20][25]

量化因子与构建方式 1. 因子名称：Barra风格因子[15] 因子构建思路：采用Barra框架下的多个风格维度，包括市场相关、估值、盈利、成长、流动性等，通过线性组合或直接计算方式构建[15] 因子具体构建过程： * Beta因子：直接使用历史beta值[15] * 市值因子：对总市值取自然对数[15] * 动量因子：计算历史超额收益率序列的均值[15] * 波动因子：由历史超额收益率序列波动率、累积超额收益率离差、历史残差收益率序列波动率三部分按权重组合而成，公式为 $$0.74 * 历史超额收益率序列波动率 + 0.16 * 累积超额收益率离差 + 0.1 * 历史残差收益率序列波动率$$[15] * 非线性市值因子：对市值风格值取三次方[15] * 估值因子：使用市净率的倒数[15] * 流动性因子：由月换手率、季换手率、年换手率按权重组合而成，公式为 $$0.35 * 月换手率 + 0.35 * 季换手率 + 0.3 * 年换手率$$[15] * 盈利因子：由分析师预测盈利价格比、市现率倒数、市盈率ttm倒数按权重组合而成，公式为 $$0.68 * 分析师预测盈利价格比 + 0.21 * 市现率倒数 + 0.11 * 市盈率ttm倒数$$[15] * 成长因子：由分析师预测长期盈利增长率、分析师预测短期利率增长率、盈利增长率、营业收入增长率按权重组合而成，公式为 $$0.18 * 分析师预测长期盈利增长率 + 0.11 * 分析师预测短期利率增长率 + 0.24 * 盈利增长率 + 0.47 * 营业收入增长率$$[15] * 杠杆因子：由市场杠杆率、账面杠杆、资产负债率按权重组合而成，公式为 $$0.38 * 市场杠杆率 + 0.35 * 账面杠杆 + 0.27 * 资产负债率$$[15] 2. 因子名称：基本面因子[18][20][22][24][26] 因子构建思路：基于公司财务数据，从盈利能力、成长性、估值等多个维度构建因子，涉及的财务指标均为ttm方式计算[17] 因子具体构建过程：报告中提及的具体基本面因子包括营业利润超预期增长、营业周转率、市盈率、roe、roc超预期增长、市销率、roa超预期增长、roa增长、roc增长、营业利润率、净利润超预期增长、营业利润率增长、roa等[20][24][26] 3. 因子名称：技术类因子[18][20][22][24][26] 因子构建思路：基于市场交易数据，从动量、波动等维度构建因子[18][20][22][24][26] 因子具体构建过程：报告中提及的具体技术类因子包括120日动量、20日波动、20日动量、120日波动、中位数离差、60日波动、60日动量等[24][26] 4. 因子名称：GRU因子[18][20][22][24][26] 因子构建思路：基于GRU深度学习模型构建的因子[18][20][22][24][26] 因子具体构建过程：报告中提及的具体GRU因子模型包括barra5d、open1d、close1d、barra1d等[18][20][22][24][26] 5. 因子名称：多因子组合[8][29] 因子构建思路：将多个因子组合成一个综合性的多因子模型[8][29] 因子的回测效果 1. Barra风格因子，近一周多空收益表现：市值因子多头表现较好，非线性市值因子多头表现较好，成长因子多头表现较好，流动性因子多头表现较好，盈利因子多头表现较好，估值因子空头表现强势[3][16] 2. 基本面因子（全市场），近一周多空收益表现：均为正向，营业相关因子多空收益最强，权益类收益相关因子多空表现次之[4] 基本面因子（沪深300），近一周多空收益表现：均为正向，营业相关因子多空收益最强，权益类收益相关因子多空表现次之[5][20] 基本面因子（中证500），近一周多空收益表现：多数为正，估值因子多空收益显著为正，超预期增长类因子多空表现次之[6][22] 基本面因子（中证1000），近一周多空收益表现：多数为正，增长类和超预期增长类因子多空表现显著为正，静态财务因子多空收益表现不显著[7][26] 3. 技术类因子（全市场），近一周多空收益表现：均为正向，波动因子多空收益较为显著[4] 技术类因子（沪深300），近一周多空收益表现：均为正向，波动因子多空收益较为显著[5][20] 技术类因子（中证500），近一周多空收益表现：均为正向[6][22][24] 技术类因子（中证1000），近一周多空收益表现：均为正向[7][26] 4. GRU因子（全市场），近一周多空收益表现：barra1d模型多空收益表现较好，其余模型均有所回撤[18] GRU因子（沪深300），近一周多空收益表现：barra5d和open1d模型多空表现有所回撤，close1d和barra1d模型多空收益表现较好[5][20] GRU因子（中证500），近一周多空收益表现：barra5d模型多空收益回撤较大，barra1d模型多空收益强势[6][22] GRU因子（中证1000），近一周多空收益表现：barra5d模型多空收益表现较差，barra1d模型多空表现较好[7][26] 5. 多头组合策略（比较基准：中证1000指数），近一周超额收益：open1d模型 -0.97%，close1d模型 -1.68%，barra1d模型 0.57%，barra5d模型 -2.17%，多因子组合 -0.29%[29] 多头组合策略（比较基准：中证1000指数），近一月超额收益：open1d模型 -2.85%，close1d模型 -4.50%，barra1d模型 0.75%，barra5d模型 -3.76%，多因子组合 -2.43%[29] 多头组合策略（比较基准：中证1000指数），近三月超额收益：open1d模型 -2.74%，close1d模型 -3.80%，barra1d模型 0.48%，barra5d模型 -2.91%，多因子组合 -2.79%[29] 多头组合策略（比较基准：中证1000指数），近六月超额收益：open1d模型 3.10%，close1d模型 0.92%，barra1d模型 1.61%，barra5d模型 3.17%，多因子组合 1.69%[29] 多头组合策略（比较基准：中证1000指数），今年以来超额收益：open1d模型 4.20%，close1d模型 1.90%，barra1d模型 4.38%，barra5d模型 4.13%，多因子组合 0.01%[29]

量化模型与构建方式 1. 扩散指数模型 - **模型名称**：扩散指数模型[5][38][39] - **模型构建思路**：通过监测微盘股指数成分股价格变动的扩散程度，预测市场变盘的临界点，用于交易信号生成[38] - **模型具体构建过程**： 1. 横轴代表未来N天后股价相对当前涨跌幅（从涨10%到跌10%，即1.1到0.9） 2. 纵轴代表回顾过去窗口期长度T天或未来N天（T从20到10，N=20-T） 3. 计算扩散指数值：例如横轴0.95和纵轴15天值为0.05，表示N=5天后如果所有成分股跌5%，扩散指数值为0.05 4. 当前扩散指数值为0.39（横轴20，纵轴1.00）[38] - **模型评价**：扩散指数天然有向下趋势，因成分股每日更新，需注意预测局限性[38] 2. 首次阈值法（左侧交易） - **模型名称**：首次阈值法[5][42] - **模型构建思路**：作为扩散指数的左侧交易方法，通过阈值触发空仓信号[5][42] - **模型具体构建过程**：当扩散指数收盘值达到特定阈值（如0.9850）时触发空仓信号[5][42] 3. 延迟阈值法（右侧交易） - **模型名称**：延迟阈值法[5][44][46] - **模型构建思路**：作为扩散指数的右侧交易方法，延迟确认交易信号[5][44][46] - **模型具体构建过程**：当扩散指数收盘值达到特定阈值（如0.8975）时给予空仓信号[5][46] 4. 双均线法（自适应交易） - **模型名称**：双均线法[5][47] - **模型构建思路**：使用双均线交叉作为自适应交易信号[5][47] - **模型具体构建过程**：当短期均线下穿长期均线时给予空仓信号（如2025年8月4日）[5][47] 5. 小市值低波50策略 - **模型名称**：小市值低波50策略[7][18][35] - **模型构建思路**：在微盘股成分股中优选小市值和低波动性的50只股票，每双周调仓一次[7][18][35] - **模型具体构建过程**： 1. 选择微盘股指数成分股 2. 按市值和波动率排序 3. 选取市值最小、波动率最低的50只股票 4. 每两周调仓一次，费用双边千三[7][18][35] 模型的回测效果 1. **小市值低波50策略**： - 2024年收益7.07%，超额-2.93%[7][18][35] - 2025年YTD收益61.16%，本周超额0.37%[7][18][35] - 基准：万得微盘股指数(8841431.WI)[7][18][35] 2. **扩散指数模型**： - 当前值0.39，预测再调整6%左右或未来6个交易日可能触发买点[5][38][39] 3. **首次阈值法**： - 2025年5月8日收盘触发空仓信号（阈值0.9850）[5][42] 4. **延迟阈值法**： - 2025年5月15日收盘触发空仓信号（阈值0.8975）[5][46] 5. **双均线法**： - 2025年8月4日收盘触发空仓信号[5][47] 量化因子与构建方式 1. 对数市值因子 - **因子名称**：对数市值因子[4][17][33] - **因子构建思路**：使用股票市值的对数作为因子，捕捉市值规模效应[4][17][33] - **因子具体构建过程**： $$ \text{LogMarketCap} = \log(\text{MarketCapitalization}) $$ 其中MarketCapitalization为股票总市值[4][17][33] 2. 非线性市值因子 - **因子名称**：非线性市值因子[4][17][33] - **因子构建思路**：捕捉市值与收益之间的非线性关系[4][17][33] - **因子具体构建过程**：通过对市值进行非线性变换（如分段函数或多项式）构建因子[4][17][33] 3. PE_TTM倒数因子 - **因子名称**：PE_TTM倒数因子[4][17][33] - **因子构建思路**：使用市盈率的倒数作为估值因子，衡量股票便宜程度[4][17][33] - **因子具体构建过程**： $$ \text{EP} = \frac{1}{\text{PE}_{\text{TTM}}} $$ 其中PE_TTM为滚动市盈率[4][17][33] 4. 盈利因子 - **因子名称**：盈利因子[4][17][33] - **因子构建思路**：衡量公司盈利能力[4][17][33] - **因子具体构建过程**：使用ROE、ROA等盈利指标或其变化率构建因子[4][17][33] 5. 单季度净资产收益率因子 - **因子名称**：单季度净资产收益率因子[4][17][33] - **因子构建思路**：使用最新季度的净资产收益率衡量短期盈利能力[4][17][33] - **因子具体构建过程**： $$ \text{ROE}_q = \frac{\text{NetIncome}_q}{\text{Equity}} $$ 其中NetIncome_q为单季度净利润，Equity为净资产[4][17][33] 6. 非流动性因子 - **因子名称**：非流动性因子[4][17][33] - **因子构建思路**：衡量股票流动性风险[4][17][33] - **因子具体构建过程**：使用Amihud非流动性指标或其他流动性度量指标[4][17][33] 7. 贝塔因子 - **因子名称**：贝塔因子[4][17][33] - **因子构建思路**：衡量股票相对于市场的系统性风险[4][17][33] - **因子具体构建过程**：通过CAPM模型回归得到股票Beta系数[4][17][33] 8. 过去一年波动率因子 - **因子名称**：过去一年波动率因子[4][17][33] - **因子构建思路**：衡量股票历史波动率，作为风险因子[4][17][33] - **因子具体构建过程**： $$ \sigma = \sqrt{\frac{1}{n-1} \sum_{i=1}^n (r_i - \bar{r})^2} $$ 其中r_i为日收益率，n为252个交易日[4][17][33] 9. 标准化预期盈利因子 - **因子名称**：标准化预期盈利因子[4][17][33] - **因子构建思路**：使用分析师预期盈利数据构建标准化因子[4][17][33] - **因子具体构建过程**：将预期盈利减去均值后除以标准差进行标准化[4][17][33] 10. 单季度净利润增速因子 - **因子名称**：单季度净利润增速因子[4][17][33] - **因子构建思路**：衡量公司短期盈利增长能力[4][17][33] - **因子具体构建过程**： $$ \text{Growth}_q = \frac{\text{NetIncome}_q - \text{NetIncome}_{q-1}}{\left|\text{NetIncome}_{q-1}\right|} $$ 计算单季度净利润同比或环比增长率[4][17][33] 因子的回测效果 1. **对数市值因子**： - 本周rankIC 0.333，历史平均-0.032[4][17][33] 2. **非线性市值因子**： - 本周rankIC 0.333，历史平均-0.032[4][17][33] 3. **PE_TTM倒数因子**： - 本周rankIC 0.243，历史平均0.018[4][17][33] 4. **盈利因子**： - 本周rankIC 0.236，历史平均0.022[4][17][33] 5. **单季度净资产收益率因子**： - 本周rankIC 0.17，历史平均0.022[4][17][33] 6. **非流动性因子**： - 本周rankIC -0.226，历史平均0.04[4][17][33] 7. **贝塔因子**： - 本周rankIC -0.153，历史平均0.006[4][17][33] 8. **过去一年波动率因子**： - 本周rankIC -0.12，历史平均-0.032[4][17][33] 9. **标准化预期盈利因子**： - 本周rankIC -0.049，历史平均0.013[4][17][33] 10. **单季度净利润增速因子**： - 本周rankIC -0.002，历史平均0.02[4][17][33]

量化模型与构建方式 1. **模型名称**：基于微观的风格轮动模型[3][8] * **模型构建思路**：从80个基础微观因子出发，构造大量微观特征，并利用风格指数作为股票池来定义风格收益标签，最终通过随机森林模型进行风格择时和打分，构建月频轮动策略[3][8] * **模型具体构建过程**： 1. **基础因子选择**：选取80个底层微观因子，涵盖估值、市值、波动率、动量等基础风格[8]。 2. **特征构造**：基于80个基础微观指标，构造出640个微观特征[3][8]。 3. **风格收益标签定义**：使用常用指数作为风格股票池，以此取代按风格因子绝对比例划分的传统方法，并构建新的风格收益作为模型训练的标签[3][8]。 4. **模型训练与预测**：使用随机森林模型对单个风格进行择时。通过滚动训练的方式有效规避过拟合风险，并优选特征。模型输出每种风格的当期得分[3][8]。 5. **组合构建**：根据随机森林模型的择时结果与风格打分结果，综合构造最终的投资组合，进行月度的风格轮动[3][8]。 模型的回测效果 1. **基于微观的风格轮动模型**（回测区间：2017/01/01-2025/08/31）[9][10] * 年化收益率：17.08%[9][10] * 年化波动率：20.07%[9][10] * 信息比率(IR)：0.85[9][10] * 月度胜率：55.77%[9][10] * 历史最大回撤：-29.89%[10] 2. **基于微观的风格轮动模型（对冲市场基准后）**（回测区间：2017/01/01-2025/08/31）[9][10] * 年化收益率（超额）：10.42%[9][10] * 年化波动率（超额）：13.03%[9][10] * 信息比率(IR)（超额）：0.80[9][10] * 月度胜率（超额）：56.73%[9][10] * 历史最大回撤（超额）：-9.57%[10] 量化因子与构建方式 1. **因子名称**：估值因子[3][8] * **因子构建思路**：作为基础风格因子之一，用于刻画股票的估值水平[3][8] 2. **因子名称**：市值因子[3][8] * **因子构建思路**：作为基础风格因子之一，用于刻画股票的市值大小[3][8] 3. **因子名称**：波动率因子[3][8] * **因子构建思路**：作为基础风格因子之一，用于刻画股票价格的波动情况[3][8] 4. **因子名称**：动量因子[3][8] * **因子构建思路**：作为基础风格因子之一，用于刻画股票价格的动量效应[3][8] 最新模型输出 1. **2025年9月风格择时方向**：成长、大市值、动量、高波[1][17] 2. **2025年8月模型收益率**：7.85%[1][16]