根据研报内容，总结如下： 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**：通过构建模型，对申万一级行业指数的拥挤度进行每日监测，以识别拥挤度较高或较低的行业[3] * **模型具体构建过程**：报告未详细说明该模型的具体构建过程和公式 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，来搭建ETF产品筛选信号模型，以发现存在潜在套利机会的标的[4] * **模型具体构建过程**：报告未详细说明该模型的具体构建过程和公式 * **模型评价**：该模型可用于提供潜在套利机会的标的，但需警惕标的回调风险[4] 量化因子与构建方式 报告未明确描述具体的量化因子构建方式。 模型的回测效果 报告未提供上述模型的量化回测效果指标（如年化收益率、夏普比率、最大回撤等）。 因子的回测效果 报告未提供具体因子的测试结果。 其他相关数据 报告展示了基于模型的部分监测结果，但非模型本身的量化回测指标： * **行业拥挤度监测结果**：前一交易日，电力设备、环保行业拥挤度靠前；非银金融、家用电器行业拥挤度水平较低；银行、综合行业拥挤度变动幅度较大[3] * **主力资金流向结果**：前一交易日主力资金流入电力设备行业，流出计算机、电子行业；近三个交易日主力资金减配电子、计算机行业，增配煤炭行业[3] * **ETF产品关注信号结果**：基于溢价率Z-score模型，建议关注的ETF产品包括红利低波ETF新华、国企共赢ETF、地产ETF、沙特ETF、ESGETF等[14]

根据研报内容，现对其中涉及的量化因子进行总结如下： 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因子[7] - **因子具体构建过程**：报告未提供EPD因子的具体计算公式和构建步骤，仅说明了其核心思想是基于PE的均值回复特性[7] **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**：报告未提供EPDS因子的具体计算公式和构建步骤，仅说明其是在EPD因子的基础上，通过剔除个股估值逻辑改变的概率而构造[7] **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，最终得到估值异常因子[7] - **因子具体构建过程**：报告未提供EPA因子的具体计算公式和构建步骤，但说明了其构建流程为EPD → EPDS → EPA的三步构建法[7] - **因子评价**：该因子结合了技术分析的均值回复特性和基本面估值修复逻辑，通过多步优化提升了因子的纯净度和有效性[7] 因子的回测效果 **1 EPD因子回测效果（2010年2月至2025年10月）** - 年化收益率：17.46%[2][8][12] - 年化波动率：9.92%[2][8][12] - 信息比率：1.76[2][8][12] - 月度胜率：70.37%[2][8][12] - 最大回撤率：8.93%[2][8][12] **2 EPDS因子回测效果（2010年2月至2025年10月）** - 年化收益率：16.03%[2][8][12] - 年化波动率：5.74%[2][8][12] - 信息比率：2.79[2][8][12] - 月度胜率：78.31%[2][8][12] - 最大回撤率：3.10%[2][8][12] **3 EPA因子回测效果（2010年2月至2025年10月）** - 年化收益率：17.15%[2][8][12] - 年化波动率：5.16%[2][8][12] - 信息比率：3.33[2][8][12] - 月度胜率：80.42%[2][8][12] - 最大回撤率：3.12%[2][8][12] **4 EPA因子历史回测效果（2010年1月至2022年5月）** - 月度RankIC均值：0.061[2] - RankICIR：4.75[2] - 年化收益率：18.29%[2] - 信息比率：3.76[2] - 胜率：86.99%[2] - 最大回撤率：1.53%[2] **5 EPA因子2025年10月表现** - 多头组合收益率：2.00%[2][15] - 空头组合收益率：-0.02%[2][15] - 多空对冲收益率：2.02%[2][15]

根据提供的研报内容，以下是关于量化模型和因子的总结。报告主要探讨了基金基准选择行为，并构建了一个核心指标“投资策略广度（IS Breadth）”用于分析。 量化因子与构建方式 1. **因子名称：投资策略广度（Investment Strategy Breadth, IS Breadth）**[17][31][32] * **因子构建思路**：该因子旨在衡量基金投资组合的广度，即基金经理的投资范围超出其晨星（Morningstar）指定的核心投资目标类别的程度，用以区分“专业化基金”和“广泛策略基金”[17][31] * **因子具体构建过程**： 1. 晨星公司根据基金持仓的市值规模（大盘、中盘、小盘）和相对估值（成长、平衡、价值）将美国股票市场划分为九个风格箱（3x3）[32] 2. 对于每只基金，确定其晨星指定的核心投资目标类别（对应一个风格箱）[32] 3. 计算该基金持仓中不属于其核心投资目标类别的股票比例，此比例即为原始的 IS Breadth 值[32] 4. 为便于分析中对变量系数的解读，将原始 IS Breadth 指标进行标准化处理，使其均值为0，标准差为1，得到标准化 IS Breadth[32] * 公式：原始 IS Breadth = (基金持仓中不属于其核心晨星风格箱的股票市值) / (基金总股票持仓市值)[32] * 标准化 IS Breadth = (原始 IS Breadth - 样本均值) / 样本标准差[32] * **因子评价**：该指标有效捕捉了基金投资策略的宽泛程度，并与基金名称的宽泛性、风格漂移概率等其他衡量投资组合广度的指标显著相关，验证了其有效性[35][36][37] 2. **因子名称：基准错配（Benchmark Mismatch）**[3][28] * **因子构建思路**：沿用 Sensoy (2009) 的方法，判断基金自我声明的业绩基准是否与其实际投资风格（由晨星类别代表）不一致，将不一致的情况定义为“基准错配”[3][28] * **因子具体构建过程**： 1. 获取基金自我指定的“主要招募说明书基准”[30] 2. 根据基金持仓，确定其晨星类别（对应一个3x3风格箱）[28] 3. 将基准指数也归类到对应的晨星风格箱中[28] 4. 如果基金的晨星类别与其基准的晨星类别不同，则判定该基金存在基准错配，该因子取值为1，否则为0[28] 3. **因子名称：偏差（Bias）**[60] * **因子构建思路**：用于评估基金是否存在选择易于超越的基准以操纵业绩的动机，计算基金最匹配基准与其自行申报基准的历史收益差异[60] * **因子具体构建过程**： 1. 从12个最常用基准中，根据基金持仓风格确定与其最匹配的基准[60] 2. 计算过去36个月内，最匹配基准的月度收益与基金自行申报基准的月度收益之间的平均差值[60] * 公式：Bias = (1/36) * Σ(最匹配基准月度收益 - 自行申报基准月度收益)[60] * **因子评价**：正偏差表明基金可能选择了表现逊于最匹配基准的基准，存在业绩操纵嫌疑[60] 4. **因子名称：方差（Variance）**[60] * **因子构建思路**：衡量基金所选基准收益波动与基金收益波动的匹配度，用于辅助判断基准选择的动机（如风险对冲）[60] * **因子具体构建过程**： 1. 基于过去36个月的数据[60] 2. 计算最匹配基准收益与自行申报基准收益之间差值的平均平方偏差[60] * 公式：Variance = (1/36) * Σ( (最匹配基准月度收益 - 自行申报基准月度收益) ^2 )[60] 模型的回测效果 *报告未提供具体量化模型的回测绩效指标（如年化收益率、夏普比率等）。* 因子的回测效果 *报告未提供上述因子在选股或预测收益方面的具体回测绩效指标（如IC值、IR值、多空组合收益等）。报告主要展示了这些因子在横截面上的统计特征以及它们与其他变量（如资金流）的回归关系。* 模型或因子在分析中的关键取值/统计结果 *以下表格汇总了报告中提及的部分关键因子在样本期内的描述性统计或分析结果。* | 因子/指标名称 | 统计结果/取值 | 说明/来源 | | :--- | :--- | :--- | | **基准错配 (Benchmark Mismatch)** | 均值: 0.326 (32.6%) | 全样本（N=268,918）中存在基准错配的基金比例均值[24] | | **投资策略广度 (IS Breadth)** | 均值: 0.632, 标准差: 0.163 | 原始指标的描述性统计（N=260,208）[24] | | **标准化 IS Breadth** | 均值: 0, 标准差: 1 | 标准化后的指标描述性统计[24] | | **偏差 (Bias)** | 均值: 0.022% | 过去36个月最匹配基准与自申基准月收益差值的均值（N=267,799）[24] | | **方差 (Variance)** | 均值: 0.663 %² | 过去36个月最匹配基准与自申基准月收益差值平方的均值（N=267,799）[24] | | **基准错配时间趋势 (Trend系数)** | -0.00762 (年化 -0.762%) | 基准不匹配概率每年下降约0.762%[52][53] | | **专业化基金基准错配下降趋势** | -0.0106 (年化 -1.06%) | IS Breadth低于均值一个标准差的基金，不匹配率年下降速度[52][53] | | **广泛策略基金基准错配下降趋势** | -0.00482 (年化 -0.482%) | IS Breadth高于均值一个标准差的基金，不匹配率年下降速度[52][53] |

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** **因子构建思路：** 基于投资者交易行为的逻辑，将交易时段切割为日内与隔夜，分别探索各自的价量关系，并在此基础上构建新的动量因子[6][7] **因子具体构建过程：** 报告指出，该因子是在以往“动量因子切割”研究的基础上，加入“成交量”的信息进行构建的[7] 具体而言，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[1] **因子评价：** 选股能力显著优于传统动量因子[1] 该因子旨在提高传统动量因子在A股市场稳定性的方案之一[6] 因子的回测效果 **1 日与夜的殊途同归新动量因子** 在全体A股（剔除北交所股票）中，测试区间为2014年2月至2025年10月，10分组多空对冲的年化收益率为18.15%[1][7] 年化波动率为8.68%[1][7] 信息比率（IR）为2.09[1][7] 月度胜率为78.01%[1][7] 月度最大回撤率为9.07%[1][7] **2 日与夜的殊途同归新动量因子（历史回测期）** 在回测期2014/01/01-2022/07/31内，以全体A股为研究样本，新因子IC均值为-0.045[1] 年化ICIR为-2.59[1] 10分组多空对冲的年化收益率为22.64%[1] 信息比率为2.85[1] 月度胜率高达83.33%[1] 最大回撤率仅为5.79%[1] **3 日与夜的殊途同归新动量因子（2025年10月表现）** 在全体A股（剔除北交所股票）中，2025年10月份，10分组多头组合的收益率为0.85%[1][10] 10分组空头组合的收益率为-2.35%[1][10] 10分组多空对冲的收益率为3.20%[1][10]

根据研报内容，现对其中涉及的量化因子进行总结如下： 量化因子与构建方式 1. **因子名称：TPS (Turn20 conformed by PLUS)**[1][9] * **因子构建思路**：从考察日频换手率稳定性的角度，通过引入价格因子（影线差）来改进传统换手率因子（Turn20），以解决传统换手率因子在换手率最大的分组中，组内成分股未来收益差异较大、导致误判的问题[6][7][8][9] * **因子具体构建过程**： * 首先，计算传统换手率因子 Turn20，即过去20个交易日换手率的平均值，并进行横截面市值中性化[6] * 然后，选定一个价格因子——影线差，作为配合Turn20的价格指标[8][9] * 最后，利用价量配合的方法，将价格因子（影线差）与换手率因子（Turn20）结合，构建出TPS因子[9] * **因子评价**：因子计算过程简单，且效果优秀，表现大幅优于传统换手率和换手率变化率因子；在剔除了市场常用风格和行业的干扰后，纯净TPS因子仍然具备不错的选股能力[1][9] 2. **因子名称：SPS (STR conformed by PLUS)**[1][9] * **因子构建思路**：从考察日频换手率稳定性的角度，通过引入价格因子（影线差）来改进量稳换手率因子（STR），以进一步提升因子的选股效果[1][7][9] * **因子具体构建过程**： * 首先，构建量稳换手率因子STR（该因子在前期报告中提出，旨在改进传统换手率因子）[7] * 然后，同样选定价格因子——影线差，作为配合STR的价格指标[8][9] * 最后，利用价量配合的方法，将价格因子（影线差）与换手率因子（STR）结合，构建出SPS因子[9] * **因子评价**：因子计算过程简单，且效果优秀，表现大幅优于传统换手率和换手率变化率因子；在剔除了市场常用风格和行业的干扰后，纯净SPS因子仍然具备较强的选股能力[1][9] 3. **因子名称：传统换手率因子 (Turn20)**[6] * **因子构建思路**：基于过去一段时间的平均换手率进行选股，逻辑是过去换手率越小的股票，未来越有可能上涨[6][7] * **因子具体构建过程**：把过去20个交易日的换手率取平均值，再进行横截面市值中性化[6] 因子的回测效果 1. **TPS因子**（回测期：2006年1月至2025年10月，全体A股，10分组多空对冲）[1][11] * 年化收益率：39.34% * 年化波动率：15.74% * 信息比率 (IR)：2.50 * 月度胜率：77.54% * 最大回撤率：18.19% 2. **SPS因子**（回测期：2006年1月至2025年10月，全体A股，10分组多空对冲）[1][11][12] * 年化收益率：43.18% * 年化波动率：13.16% * 信息比率 (IR)：3.28 * 月度胜率：83.47% * 最大回撤率：11.58% 3. **传统换手率因子 (Turn20)**（回测期：2006年1月至2022年12月30日，全体A股）[6] * 月度IC均值：-0.076 * 年化ICIR：-2.23 * 多空对冲年化收益率：37.71% * 信息比率 (IR)：2.20 * 月度胜率：70.79% 4. **2025年10月当月表现** * **TPS因子**（全体A股，10分组）[1][12] * 多头组合收益率：4.09% * 空头组合收益率：-1.73% * 多空对冲收益率：5.82% * **SPS因子**（全体A股，10分组）[1][14] * 多头组合收益率：4.22% * 空头组合收益率：-0.78% * 多空对冲收益率：5.00%

根据研报内容，总结如下： 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**：对日内与隔夜信息叠加，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。通过协调一致使各自的信息叠加，得到新价量相关性 RPV 因子[6] - **因子评价**：该因子被描述为既新颖又"能打"[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[6] - **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SRV因子[6] - **因子评价**：效果要好于 RPV 因子[6] 因子的回测效果 **1 新价量相关性 RPV 因子** - 年化收益率：14.38%[7][10] - 年化波动率：7.68%[7][10] - 信息比率：1.87[7][10] - 月度胜率：72.34%[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：17.10%[7][10] - 年化波动率：6.49%[7][10] - 信息比率：2.64[7][10] - 月度胜率：74.47%[7][10] - 最大回撤率：3.93%[7][10]

根据您提供的研报内容，以下是关于量化因子及其测试结果的详细总结： 量化因子与构建方式 **1 因子名称：“重拾自信2.0”RCP因子[6]** - **因子构建思路**：该因子基于行为金融学中的“过度自信”预期偏差进行构建[6] 其核心逻辑是，投资者过度自信的程度会影响股价，具体表现为股价对利好消息反应过度（快速上涨）后出现回调，而回调时投资者又可能过度悲观，导致回调幅度过大；但由于利好消息的实质支撑，这类股票后续存在补涨（重拾自信）的潜力[6] - **因子具体构建过程**： 1. **第一代过度自信因子（CP）构建**：创新性地使用高频分钟序列数据，通过计算“股价快速上涨和快速下跌的时间差”作为投资者过度自信程度的代理变量[6] 具体公式未在提供文本中详细给出 2. **第二代重拾自信因子（RCP）构建**：在第一代CP因子的基础上，进一步考虑了过度自信后的过度修正现象[6] 将第一代过度自信因子CP与股票的日内收益进行正交化处理，取残差项作为第二代重拾自信因子RCP[6] 具体公式为：将CP因子对日内收益做回归，取残差作为RCP因子，此过程旨在剔除日内波动的影响，捕捉更纯粹的“重拾自信”行为模式[6] 3. **“重拾自信2.0”RCP因子优化**：在后续优化中，使用标准化因子值代替排序值，以尽量保留因子信息，提升因子的纯净度和效果[7] - **因子评价**：基于RCP因子构造的组合表现明显优于传统组合方式[6] 经过纯净化后的新RCP因子效果大幅改进[7] 因子的回测效果 **1 “重拾自信2.0”RCP因子[1][7][12]** - **测试区间**：2014年2月至2025年10月 - **测试范围**：全体A股（剔除北交所股票） - **分组方式**：10分组（按因子值排序，分组1为因子值最小组合，分组10为因子值最大组合） - **多空对冲组合表现**： - 年化收益率：17.55%[1][7][12] - 年化波动率：7.85%[1][7][12] - 信息比率（IR）：2.24[1][7][12] - 月度胜率：77.30%[1][7][12] - 月度最大回撤率：7.46%[1][7][12] **2 “重拾自信2.0”RCP因子（2025年10月表现）[1][10]** - **测试范围**：全体A股（剔除北交所股票） - **分组方式**：10分组 - **月度收益表现**： - 10分组多头组合收益率：2.40% - 10分组空头组合收益率：1.97% - 10分组多空对冲收益率：0.43%

根据提供的研报内容，以下是关于量化模型和因子的总结。报告主要对宽基指数进行多维度指标跟踪，未涉及具体的预测模型或选股因子，因此总结将围绕报告中用于分析指数的各类指标（可视为分析因子）展开。 量化因子与构建方式 1. **因子名称：连阴连阳因子**[11] * **因子构建思路**：通过统计指数K线连续为阴线或阳线的天数，反映市场的短期趋势强度与持续性[11] * **因子具体构建过程**：对于每个宽基指数，计算其日K、周K、月K、季K、年K线的连续涨跌天数。计数从1开始，正数表示连续上涨（连阳）的天数，负数表示连续下跌（连阴）的天数。例如，日K连阴连阳为-2表示指数已连续下跌2天[11] 2. **因子名称：均线相对位置因子**[14][15] * **因子构建思路**：通过比较指数当前收盘价与不同时间窗口的移动平均线（MA）的位置关系，判断指数的短期、中期、长期趋势强弱[14][15] * **因子具体构建过程**：首先，计算各宽基指数的5日（MA5）、10日（MA10）、20日（MA20）、60日（MA60）、120日（MA120）、250日（MA250）移动平均线。然后，计算收盘价相对于各均线的偏离幅度，公式为： $$偏离幅度 = (收盘价 / MA_n - 1) \times 100\%$$ 其中，$MA_n$ 代表第n日的移动平均线[15]。最后，根据偏离幅度的正负判断指数是突破还是跌破该均线[14] 3. **因子名称：资金占比与换手率因子**[17][18] * **因子构建思路**：通过分析不同宽基指数的成交金额在市场总成交中的占比及其换手率，衡量资金流向和市场活跃度[17][18] * **因子具体构建过程**： * **资金占比**：计算某宽基指数当天的总成交金额与中证全指当天总成交金额的比值[18] * **换手率**：对于宽基指数，其换手率计算公式为： $$指数换手率 = \frac{\sum(成分股流通股本 \times 成分股换手率)}{\sum(成分股流通股本)}$$ 即按成分股的流通股本加权计算个股换手率[18] 4. **因子名称：收益分布形态因子（偏度与峰度）**[24] * **因子构建思路**：通过计算指数日收益率分布的偏度（Skewness）和峰度（Kurtosis），分析收益分布的不对称性和尖峰厚尾特征，评估风险[24] * **因子具体构建过程**：基于指数近一年和近5年（作为比较基准）的日收益率序列，分别计算其偏度和峰度。报告中特别指出，其峰度计算中减去了3（正态分布的峰度值），即计算的是超额峰度（Excess Kurtosis）[24] 5. **因子名称：风险溢价因子**[26][28][30] * **因子构建思路**：以十年期国债即期收益率作为无风险利率，计算股票指数的超额收益（风险溢价），衡量市场的相对投资价值和风险补偿[26][28] * **因子具体构建过程**：风险溢价的计算公式为： $$风险溢价 = 指数收益率 - 无风险利率$$ 报告中，指数收益率通常使用指数的预期收益率或隐含收益率（如市盈率倒数，见股债性价比因子），但在表4的“当前风险溢价”一栏，可能直接使用了指数的日收益率减去十年期国债即期收益率[30]。同时，计算该风险溢价在近1年和近5年历史数据中的分位值，以判断其当前水平在历史上的位置[28][30] 6. **因子名称：PE-TTM估值因子**[36][37][39][40] * **因子构建思路**：使用滚动市盈率（PE-TTM）作为核心估值指标，评估宽基指数的估值水平及其在历史中的分位情况[36][37] * **因子具体构建过程**：直接获取或计算各宽基指数的PE-TTM值。然后，计算该PE-TTM值在近1年、近5年以及全部历史数据中的分位值（Percentile）[39][40] 7. **因子名称：股债性价比因子**[42] * **因子构建思路**：通过比较股票市场收益率（用PE-TTM的倒数，即盈利收益率代表）与债券市场收益率（十年期国债即期收益率）的差异，判断股票相对于债券的吸引力[42] * **因子具体构建过程**：股债性价比的计算公式为： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 即股票的盈利收益率与债券收益率之差[42] 8. **因子名称：股息率因子**[45][46][50][51] * **因子构建思路**：跟踪宽基指数的股息率，作为价值投资和红利策略的参考指标，尤其在市场低迷期和高利率环境下受到关注[45][46] * **因子具体构建过程**：计算各宽基指数的股息率，通常为成分股总分红与指数总市值的比率。并计算该股息率在近1年、近5年及全部历史数据中的分位值[50][51] 9. **因子名称：破净率因子**[52][54] * **因子构建思路**：统计指数中市净率（PB）小于1的个股数量占总成分股数量的比例，作为市场整体估值情绪和悲观程度的反向指标[52] * **因子具体构建过程**：对于每个宽基指数，遍历其所有成分股，计算市净率（PB）= 股价 / 每股净资产。统计PB < 1的个股数量，破净率计算公式为： $$破净率 = \frac{破净个股数量}{指数总成分股数量} \times 100\%$$ [52][54] 因子的回测效果 报告主要展示了各宽基指数在特定日期（2025年11月5日）的因子截面数据，而非因子在历史回溯测试中的表现（如IC、IR、多空收益等）。因此，以下为各因子在当日的具体取值情况。 1. **连阴连阳因子**[11] * 上证50：日K连阴连阳为-2[11] * 沪深300：日K连阴连阳为-2[11] * 中证500：日K连阴连阳为-2[11] * 中证1000：日K连阴连阳为空[11] * 中证2000：日K连阴连阳为3[11] * 中证全指：日K连阴连阳为-2[11] * 创业板指：日K连阴连阳为-2[11] 2. **均线相对位置因子**[15] * 上证50：vsMA5 (-0.4%), vsMA10 (-0.9%), vsMA20 (-0.2%), vsMA60 (2.2%), vsMA120 (6.0%), vsMA250 (9.8%)[15] * 沪深300：vsMA5 (-0.5%), vsMA10 (-0.9%), vsMA20 (-0.1%), vsMA60 (3.3%), vsMA120 (9.7%), vsMA250 (14.3%)[15] * 中证500：vsMA5 (-0.9%), vsMA10 (-1.1%), vsMA20 (-0.7%), vsMA60 (2.8%), vsMA120 (11.8%), vsMA250 (17.8%)[15] * 中证1000：vsMA5 (-0.3%), vsMA10 (-0.1%), vsMA20 (0.4%), vsMA60 (1.7%), vsMA120 (9.4%), vsMA250 (15.4%)[15] * 中证2000：vsMA5 (0.6%), vsMA10 (0.9%), vsMA20 (1.6%), vsMA60 (1.6%), vsMA120 (8.7%), vsMA250 (17.4%)[15] * 中证全指：vsMA5 (-0.3%), vsMA10 (-0.4%), vsMA20 (0.3%), vsMA60 (2.7%), vsMA120 (9.9%), vsMA250 (15.7%)[15] * 创业板指：vsMA5 (-0.7%), vsMA10 (-1.0%), vsMA20 (1.3%), vsMA60 (8.0%), vsMA120 (24.9%), vsMA250 (35.9%)[15] 3. **资金占比与换手率因子**[17] * **资金占比**：沪深300 (25.52%), 中证2000 (25.04%), 中证1000 (20.34%), 中证全指, 中证500, 创业板指, 上证50[17] * **换手率**：中证2000 (4.45), 中证1000 (2.66), 创业板指 (2.62), 中证全指 (1.82), 中证500 (1.73), 沪深300 (0.62), 上证50 (0.28)[17] 4. **收益分布形态因子（偏度与峰度）**[24] * **当前峰度**：上证50 (0.05), 沪深300 (0.70), 中证500 (0.84), 中证1000 (1.57), 中证2000 (1.49), 中证全指 (0.90), 创业板指 (1.30)[24] * **当前偏度**：上证50 (1.33), 沪深300 (1.54), 中证500 (1.55), 中证1000 (1.64), 中证2000 (1.67), 中证全指 (1.58), 创业板指 (1.62)[24] * **当前vs近5年峰度变化**：上证50 (-2.07), 沪深300 (-1.74), 中证500 (-2.19), 中证1000 (-1.28), 中证2000 (-1.48), 中证全指 (-1.97), 创业板指 (-2.40)[24] * **当前vs近5年偏度变化**：上证50 (-0.58), 沪深300 (-0.45), 中证500 (-0.57), 中证1000 (-0.40), 中证2000 (-0.39), 中证全指 (-0.51), 创业板指 (-0.61)[24] 5. **风险溢价因子**[30] * **当前风险溢价**：上证50 (-0.17%), 沪深300 (0.18%), 中证500 (0.25%), 中证1000 (0.38%), 中证2000 (0.77%), 中证全指 (0.34%), 创业板指 (1.02%)[30] * **近5年分位值**：上证50 (43.41%), 沪深300 (59.44%), 中证500 (59.52%), 中证1000 (60.48%), 中证2000 (69.21%), 中证全指 (63.41%), 创业板指 (76.59%)[30] 6. **PE-TTM估值因子**[40] * **当前值**：上证50 (11.87), 沪深300 (14.19), 中证500 (33.03), 中证1000 (47.81), 中证2000 (156.14), 中证全指 (21.31), 创业板指 (41.36)[40] * **近5年历史分位值**：上证50 (85.54%), 沪深300 (84.88%), 中证500 (96.53%), 中证1000 (97.27%), 中证2000 (82.23%), 中证全指 (94.38%), 创业板指 (56.12%)[40] 7. **股债性价比因子**[42] * 报告指出，在2025年11月5日，没有指数的股债性价比高于其近5年80%分位（机会值），而中证500的股债性价比低于其近5年20%分位（危险值）[42] 8. **股息率因子**[50][51] * **当前值**：上证50 (3.22%), 沪深300 (2.64%), 中证500 (1.35%), 中证1000 (1.10%), 中证2000 (0.77%), 中证全指 (1.97%), 创业板指 (1.00%)[50] * **近5年历史分位值**：上证50 (34.71%), 沪深300 (34.71%), 中证500 (16.12%), 中证1000 (39.34%), 中证2000 (15.54%), 中证全指 (32.73%), 创业板指 (68.43%)[51] 9. **破净率因子**[52] * **当前破净率**：上证50 (20.0%), 沪深300 (15.33%), 中证500 (11.2%), 中证1000 (7.4%), 中证2000 (2.8%), 中证全指 (5.79%), 创业板指 (1.0%)[52]

根据研报内容，本次分析主要基于中证指数有限公司发布的指数编制规则，对沪深300和中证500指数的成分股调整进行预测，不涉及量化模型或量化因子的构建与测试[3]。因此，报告的核心内容是规则应用和名单预测，而非量化模型或因子分析。 **指数成分股调整预测方法** 1. **方法名称：指数成分股调整预测方法**[3] * **构建思路**：严格遵循中证指数有限公司发布的沪深300和中证500指数编制规则，对样本空间内的证券进行筛选和排序，预测在定期调整时可能被调入和调出的股票名单[3][12][15] * **具体构建过程**： * **确定样本空间**：首先确定符合指数要求的样本空间，例如对于沪深300指数，样本空间需满足：非ST、*ST的沪深A股和红筹企业存托凭证；科创板、创业板证券上市时间超过一年；其他证券上市时间超过一个季度（除非该证券自上市以来日均总市值排在前30位）[11] * **流动性筛选**：对样本空间内证券按照过去一年的日均成交金额由高到低排名。沪深300指数剔除排名后50%的证券；中证500指数则是在剔除沪深300指数样本及过去一年日均总市值排名前300的证券后，对剩余证券剔除过去一年日均成交金额排名后20%的证券[11] * **市值排序**：对流动性筛选后的剩余证券，按照过去一年的日均总市值由高到低进行排名[11] * **应用缓冲规则**： * **沪深300指数**：老样本日均成交金额在样本空间中排名前60%，则参与市值排名；日均市值排名在前240名的候选新样本优先进入，排名在前360名的老样本优先保留[11] * **中证500指数**：老样本日均成交金额在样本空间中排名前90%，则参与市值排名；日均市值排名在前400名的候选新样本优先进入，排名在前600名的老样本优先保留[11] * **考虑特殊情形**：对于长期停牌或财务亏损的证券，依据指数编制规则中的特殊处理条款进行判断，例如原则上长期停牌或财务亏损的证券不能成为候选新样本[11] * **生成最终名单**：综合以上步骤，选取市值排名靠前的证券作为预测的调入名单，并根据缓冲规则确定预测的调出名单[12][15] **指数成分股调整预测结果** 1. **沪深300指数预测调整名单**：预测调入上海电气、指南针、国联民生等12只股票，调出一汽解放、福莱特、浙商银行等12只股票[12][13] 2. **中证500指数预测调整名单**：预测调入一汽解放、世运电路、盐田港等50只股票，调出通富微电、光迅科技、中国长城等50只股票[15][16]

根据研报内容，现总结如下： 量化模型与构建方式 1. **模型名称：中国经济六周期模型**[1][8] * **模型构建思路**：基于货币、信用、增长三个维度的方向来刻画宏观状态，将经济周期划分为六个阶段[1][8] * **模型具体构建过程**： * **货币因子**：用于判断货币宽松或收紧状态，当前处于宽松区间[1][10] * **信用因子**：使用中长期贷款脉冲（新增中长贷TTM同比）的三个月差分识别信用周期方向[10]。公式为：信用周期方向 = Δ(新增中长贷TTM同比， 3个月)。当该差分为正时，认为信用处于扩张区间；为负时，处于收缩区间[10] * **增长因子**：综合观察中采制造业PMI、中采非制造业PMI和财新制造业PMI的脉冲变化来判断经济增长方向[1][10] * 根据三个因子（宽松/收紧、扩张/收缩、上行/下行）的状态组合，将经济划分为六个阶段：阶段1（信用扩张）、阶段2（经济复苏）、阶段3（货币退潮）、阶段4（信用退潮）、阶段5（经济放缓）、阶段6（货币扩张）[8][11] 2. **模型名称：风格ETF轮动策略**[2][13] * **模型构建思路**：根据六周期模型所处的不同阶段，超配在该阶段历史表现占优的风格ETF[2][13] * **模型具体构建过程**： * **阶段1~2**：配置70%创业板ETF（代表成长风格） + 30%自由现金流ETF（代表质量风格）[16] * **阶段3~4**：配置70%自由现金流ETF + 15%创业板ETF + 15%红利低波100ETF（代表价值风格）[16] * **阶段5~6**：配置70%红利低波100ETF + 30%自由现金流ETF[16] 3. **模型名称：六周期框架下的全天候策略**[3][20] * **模型构建思路**：参考桥水全天候思想，不对经济周期做预测，而是将六个阶段对应的看多资产风险平价组合进行再平衡，构建一个在所有经济环境下都力求表现稳健的组合[3][20] * **模型具体构建过程**： * 首先，为每个经济阶段构建一个风险平价组合，组合内资产为该阶段历史表现占优的资产ETF（具体资产配置见图表5）[18][20] * 然后，将这六个阶段的风险平价组合进行等权或风险平价配置，形成一个综合的全天候策略组合[3][20] 4. **模型名称：六周期多资产ETF轮动策略**[3][26] * **模型构建思路**：基于六周期模型对经济状态的判断，动态轮动配置当前阶段下看多资产的风险平价组合[3][26] * **模型具体构建过程**：根据六周期模型实时判断当前所处的经济阶段，然后动态配置图表5中对应阶段的看多资产风险平价组合[18][26] 5. **模型名称：目标波动率约束下的多资产ETF配置策略**[4][31] * **模型构建思路**：在六周期多资产ETF轮动策略的基础上，加入波动率控制机制，将策略的整体波动率约束在特定目标水平（如3%）附近[4][31] * **模型具体构建过程**：以六周期多资产ETF轮动策略为核心，通过调整仓位或使用衍生品等方法，管理组合风险，使其年化波动率维持在3%左右[31][34] 模型的回测效果 1. **风格ETF轮动策略**[13][14] * 测试期：2013年以来 * 年化收益：27.3% * 年化波动：23.3% * 最大回撤：38.1% * 夏普比率：1.17 * 相对于800收益年化超额：19.6% * 相对于ETF等权基准年化超额：11.8% * 月超额胜率（vs 800收益）：68% * 月超额胜率（vs ETF等权）：62% 2. **各阶段风险平价组合及全天候策略**[23] * 测试期：2014年以来 * **阶段1平价组合**：年化收益14.3%，年化波动13.5%，最大回撤19.2%，夏普比率1.06 * **阶段2平价组合**：年化收益6.8%，年化波动17.4%，最大回撤29.8%，夏普比率0.39 * **阶段3平价组合**：年化收益13.1%，年化波动16.0%，最大回撤28.2%，夏普比率0.82 * **阶段4平价组合**：年化收益10.3%，年化波动6.2%，最大回撤8.8%，夏普比率1.67 * **阶段5平价组合**：年化收益11.2%，年化波动5.8%，最大回撤8.5%，夏普比率1.91 * **阶段6平价组合**：年化收益11.2%，年化波动5.8%，最大回撤8.5%，夏普比率1.91 * **全天候策略**：年化收益11.5%，年化波动6.9%，最大回撤11.2%，夏普比率1.66 3. **六周期多资产ETF轮动策略**[26][28][29] * 测试期：2014年以来 * 年化收益：23.0% * 年化波动：11.3% * 最大回撤：12.0% * 夏普比率：2.04 * 月度胜率：72% * 年单边换手：2.4倍 * 2025年以来（截至10月底）绝对收益：23.2%，回撤：4.4% 4. **目标波动率3%约束下的多资产ETF轮动策略**[31][33][34] * 测试期：2014年以来 * 年化收益：9.4% * 年化波动：3.2% * 最大回撤：3.4% * 夏普比率：2.88 * 月度胜率：79% * 年单边换手：1.3倍 * 相较于原始资产平价组合年化超额：2.0% * 2024年全年收益：13.1% * 2025年以来（截至10月底）绝对收益：5.4% 量化因子与构建方式 1. **因子名称：货币因子**[1][9][10] * **因子构建思路**：通过观察央行货币政策（如降准降息）及市场利率（如DR007）的走势，判断货币环境的宽松或收紧状态[1][10] * **因子具体构建过程**：定性分析与定量指标相结合，关注政策利率变化和银行间市场利率水平，当前因子处于宽松状态[1][10] 2. **因子名称：信用因子**[1][9][10] * **因子构建思路**：使用中长期贷款脉冲来刻画信用周期的扩张与收缩[10] * **因子具体构建过程**：计算中长期贷款脉冲（新增中长贷TTM同比）的三个月差分值。公式为：信用因子值 = 当前月中长贷脉冲 - 3个月前的中长贷脉冲。通过该差分的正负来判断信用周期方向[10] 3. **因子名称：增长因子**[1][9][10] * **因子构建思路**：通过观察制造业和非制造业采购经理人指数（PMI）的脉冲变化来判断经济增长的势头[1][10] * **因子具体构建过程**：综合监测中采制造业PMI、中采非制造业PMI和财新制造业PMI等指标的脉冲变化方向，判断经济增长处于上行或下行状态[1][10] 4. **因子名称：成长风格因子**[2][11][13] * **因子构建思路**：在信用扩张和经济复苏阶段，成长型企业因其盈利和估值弹性更受市场青睐，代表指标为创业板ETF[2][11][13] 5. **因子名称：质量风格因子**[2][11][13] * **因子构建思路**：在货币和信用退潮阶段，盈利稳定、现金流健康的企业防御性更强，代表指标为自由现金流ETF[2][11][13] 6. **因子名称：价值风格因子**[2][11][13] * **因子构建思路**：在经济放缓和货币扩张阶段，类固收资产如价值红利股防御能力突出，代表指标为红利低波100ETF[2][11][13] 因子的回测效果 1. **风格因子在各周期的表现规律**[11][12] * **成长风格因子**：在阶段1（信用扩张）和阶段2（经济复苏）表现占优 * **质量风格因子**：在阶段3（货币退潮）和阶段4（信用退潮）表现占优 * **价值风格因子**：在阶段5（经济放缓）和阶段6（货币扩张）表现占优