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

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 1. **因子名称：RSI相对强弱指标**[2] * **因子构建思路**：通过计算一定周期内价格平均涨幅与平均跌幅的比值，来衡量市场的超买或超卖状态[2] * **因子具体构建过程**：首先计算一定周期（N=12天）内每日涨幅的平均值（AvgGain）和每日跌幅的平均值（AvgLoss），然后计算相对强度RS，最后得到RSI值[2] 公式为： $$RSI = 100 – 100 / (1 + RS)$$ 其中，RS = AvgGain / AvgLoss[2] * **因子评价**：RSI>70表示市场可能处于超买状态，RSI<30表示市场可能处于超卖状态[2] 2. **因子名称：净申购**[2] * **因子构建思路**：通过比较当前净值与考虑收益率后的前一日净值，来计算当日ETF的净申购金额[2] * **因子具体构建过程**：使用基金净值数据计算[2] 公式为： $$NETBUY(T) = NAV(T) – NAV(T-1) * (1 + R(T))$$ 其中，NETBUY(T)为T日净申购金额，NAV(T)为T日ETF净值，NAV(T-1)为T-1日ETF净值，R(T)为T日ETF收益率[2] 因子的回测效果 研报中未提供RSI因子和净申购因子的具体回测指标（如IC值、IR值等）的测试结果。报告主要以表格形式展示了多个ETF在特定日期的RSI值和净申购金额的截面数据[4][6]。

根据提供的研报内容，经过全面梳理，报告主要涉及对基金投顾产品的业绩统计和调仓行为分析，并未涉及具体的量化模型或量化因子的构建、测试与评价。因此，本总结将跳过“量化模型与构建方式”、“模型的回测效果”、“量化因子与构建方式”及“因子的回测效果”等部分。

根据提供的金融工程日报内容，经过全面分析，该报告主要描述了市场表现、情绪、资金流向等市场监测指标，并未涉及具体的量化模型或量化因子的构建、测试与评价。报告内容属于市场数据统计与描述性分析范畴。 因此，本次总结中**没有**需要列出的量化模型或量化因子相关内容。

根据提供的研报内容，以下是关于指数成分股调整预测模型的总结。 量化模型与构建方式 1. **模型名称：沪深300指数成分股调整预测模型**[20] * **模型构建思路**：基于沪深300指数的官方编制规则，通过筛选样本空间、排序关键指标、应用缓冲规则等步骤，预测定期调整中可能被调入和调出的股票[20] * **模型具体构建过程**： * **样本空间**：选择经营状况良好、无违法违规事件、财务报告无重大问题、股票价格无明显异常波动或市场操纵的沪深A股[20] * **排序指标**：对样本空间内的股票，根据其在最近一年的日均成交金额和日均总市值进行排序[20] * **筛选与调整**：在排序基础上，通过缓冲调整规则（每次调整数量不超过成分股数量的10%）并剔除重大亏损的股票，最终确定新一期成分股名单[20] 2. **模型名称：上证180指数成分股调整预测模型**[22] * **模型构建思路**：依据上证180指数的编制方案，在考虑ESG评级的基础上，对股票的流动性和规模进行排序，以预测成分股调整[22] * **模型具体构建过程**： * **样本空间**：沪市A股[22] * **排序指标**：根据股票的ESG评级以及在最近一年的日均成交金额和日均总市值进行排序[22] * **调整规则**：每次调整数量不超过成分股数量的10%[22] 3. **模型名称：上证50指数成分股调整预测模型**[25] * **模型构建思路**：以上证180指数成分股为样本池，综合评估股票的市值和成交金额，并应用缓冲规则进行预测[25] * **模型具体构建过程**： * **样本空间**：上证180指数成分股[25] * **排序指标**：按照过去一年的日均总市值和日均成交金额进行综合排序[25] * **调整规则**：通过缓冲设置得出最新一期成分股，每次调整数量不超过成分股数量的10%[25] 4. **模型名称：科创50指数成分股调整预测模型**[27] * **模型构建思路**：针对科创板特点，在满足上市时间要求并剔除低流动性股票后，依据市值排名和缓冲规则预测调整[27] * **模型具体构建过程**： * **样本空间**：上市满12个月的科创板股票[27] * **流动性筛选**：剔除样本空间内过去一年日均成交金额排名后10%的股票[27] * **市值排序与调整**：通过缓冲规则选择过去一年日均市值最大的50只股票，每次调整数量不超过成分股数量的10%[27] 5. **模型名称：创业板指数成分股调整预测模型**[30] * **模型构建思路**：在满足基本条件的前提下，结合ESG评级、流动性和市值指标，预测创业板指的成分股调整[30] * **模型具体构建过程**： * **样本空间**：选择最近一年无重大违规、无重大亏损以及股价无异常波动的上市满6个月的创业板股票[30] * **筛选条件**：剔除样本空间内过去半年日均成交金额排名后10%的股票以及ESG评级过低的股票[30] * **市值排序与调整**：通过缓冲规则选择过去半年日均市值最大的100只股票，每次调整数量不超过成分股数量的10%[30] 6. **模型名称：中证500指数成分股调整预测模型**[32] * **模型构建思路**：在剔除特定范围股票后，于剩余股票池中根据市值排序和缓冲规则预测中证500指数的成分股调整[32] * **模型具体构建过程**： * **初始剔除**：首先剔除沪深300指数样本股及最近一年日均总市值排名前300名的股票[32] * **流动性剔除**：进一步剔除过去一年日均成交额后20%的股票，形成剩余股票池[32] * **排序与调整**：在剩余股票池中，根据股票过去一年的日均总市值进行排序，通过缓冲调整、剔除重大亏损的股票等步骤，最终选出500只股票构成指数，每次调整数量不超过成分股数量的10%[32] 模型的回测效果 > 注：本报告为指数成分股调整预测，未提供各预测模型的历史回测绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。报告的核心输出是具体的调入调出股票名单及其基础数据（如日均市值、日均成交额等）[23][24][26][28][33][34]。

根据提供的研报内容，该报告主要对A股市场主要宽基指数进行多维度数据跟踪和统计，并未涉及具体的量化交易模型或用于选股的量化因子。报告内容侧重于市场现状描述和指标展示，而非模型或因子的构建与测试。以下是报告中出现的主要指标及其构建方式的总结： 量化指标与构建方式 **1 指标名称：指数与均线比较** - **指标构建思路**：通过比较指数收盘价与不同时间窗口的移动平均线（MA）的位置关系，来判断指数的短期、中期和长期趋势[13] - **指标具体构建过程**： - 计算指数收盘价的5日（MA5）、10日（MA10）、20日（MA20）、60日（MA60）、120日（MA120）和250日（MA250）简单移动平均线 - 计算收盘价相对于各均线的偏离幅度：$$偏离幅度 = (收盘价 / MA_n - 1) \times 100\%$$ 其中n代表均线周期[13] - 同时计算指数收盘价相对于近250交易日最高位和最低位的偏离幅度[13] **2 指标名称：风险溢价** - **指标构建思路**：以十年期国债即期收益率作为无风险利率的参考，计算股票指数收益率与其差值，衡量股票市场的相对投资价值和风险补偿[23][24] - **指标具体构建过程**： - 风险溢价 = 指数收益率 - 十年期国债即期收益率[24] - 报告中使用的是基于历史数据的风险溢价统计值，包括当前值、近1年及近5年分位值、均值、波动率等[26] **3 指标名称：股债性价比** - **指标构建思路**：使用指数市盈率（PE-TTM）的倒数代表股票的潜在收益率，并与十年期国债收益率比较，以衡量股债两类资产的相对吸引力[41] - **指标具体构建过程**： - 股债性价比 = 1 / PE-TTM - 十年期国债即期收益率[41] - 报告中还计算了该指标近5年的分位值（如80%分位值为机会值，20%分位值为危险值）以及均值±1倍标准差区间[41] **4 指标名称：破净率** - **指标构建思路**：统计指数成分股中股价低于每股净资产（即市净率PB < 1）的股票数量占比，反映市场的整体估值水平和悲观情绪[48][50] - **指标具体构建过程**： - 破净率 = (指数成分股中破净个股数量 / 指数总成分股数量) × 100%[48][50] 指标的回测效果 （注：报告未提供上述指标在量化策略中的历史回测绩效指标，如年化收益率、夏普比率、信息比率（IR）、最大回撤等。报告内容主要为特定日期（2025年11月4日）的截面数据展示和历史分位值统计[10][13][26][38][48]，不涉及基于这些指标的策略回测结果。）

根据研报内容，该报告主要探讨了市场行情和风格切换的“日历效应”，并未涉及具体的量化模型或量化因子的构建、测试与评价。报告的核心是对历史数据的统计分析和市场阶段的定性研判。 **量化模型与构建方式** * 无相关内容。 **模型的回测效果** * 无相关内容。 **量化因子与构建方式** * 无相关内容。 **因子的回测效果** * 无相关内容。

根据研报内容，本报告主要涉及指数样本股调整的预测方法，而非传统的量化因子或量化交易模型。报告的核心是基于指数编制规则的预测流程。以下是总结： 量化模型与构建方式 1. **模型名称**：沪深300指数样本股调整预测模型[29] * **模型构建思路**：严格按照中证指数有限公司公布的《沪深300指数编制方案》中规定的指数编制方法，通过多步骤筛选来预测可能被调入或调出的样本股[29] * **模型具体构建过程**： * **步骤1：确定样本空间**。样本空间需满足以下条件：[33] * 科创板、创业板证券：上市时间超过一年 * 非ST、*ST股票，非暂停上市股票 * 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 * **步骤2：按照成交额进行筛选**。获取所有样本空间个股在特定考察期（例如2024年11月1日到2025年10月31日）的日均总市值和日均成交额数据，首先按照日均成交额进行排序，剔除排名在后40%内的老样本个股，保留在前60%以内的老样本股和排名在前50%的样本股[29] * **步骤3：按总市值进行筛选**。按日均总市值进行排序，考虑规则中对于缓冲区规则的定义，保留排名在前240的新样本以及排名前360的老样本股[29] * **步骤4：其他剔除规则**。此外，剔除最近一年受证监会处罚的样本、财务亏损的样本、长期停牌的样本[30] 2. **模型名称**：中证500指数样本股调整预测模型[34] * **模型构建思路**：严格按照中证指数有限公司公布的《中证500指数编制方案》中规定的指数编制方法进行筛选预测[34] * **模型具体构建过程**： * **步骤1：确定样本空间**。样本空间需满足以下条件：[34] * 科创板、创业板证券：上市时间超过一年 * 非ST、*ST股票，非暂停上市股票 * 非科创板非创业板证券：上市时间超过3个月，除非该证券自上市以来日均总市值排在前30位 * **步骤2：初步剔除**。在样本空间中剔除沪深300指数样本以及过去一年日均总市值排名前300的证券[35] * **步骤3：按成交额筛选**。对样本空间内剩余证券按照过去一年日均成交金额由高到低排名，剔除排名后20%的证券[35] * **步骤4：按总市值筛选**。将剩余证券按照过去一年日均总市值由高到低进行排名，选取排名前500的证券作为指数样本[35] * **步骤5：调整与缓冲规则**：[39] * 每次调整的样本数量一般不超过50个股票 * 日均成交金额排名在样本空间的剩余证券（剔除沪深300指数样本及过去一年日均总市值排名前300名的证券后）前90%的老样本可参与下一步日均总市值排名[36] * 日均总市值排名在400名之前的新样本优先进入 * 排名在600名之前的老样本优先保留 模型的回测效果 1. **沪深300指数样本股调整预测模型**： * **预测准确率（2019年6月以来）**：预测调入样本正确率78%（预测正确调入个股数178只，预测错误51只），预测调出样本正确率96%（预测正确调出个股数219只，预测错误10只）[26] * **2025年6月预测实例表现**：[14][18] * 预测调入股票池（7只股票）从公告日前10个交易日持有至公告日的平均累计超额收益为2.29% * 预测调入股票池（7只股票）从公告日前10个交易日持有至公告日后10个交易日的平均累计超额收益为-2.24% * 预测调出股票池（7只股票）从公告日前10个交易日持有至公告日的平均累计超额收益为-0.67% * 预测调出股票池（7只股票）从公告日前10个交易日持有至公告日后10个交易日的平均累计超额收益为0.22% 2. **中证500指数样本股调整预测模型**： * **预测准确率（2023年6月以来）**：预测调入样本正确率71%（预测正确调入个股数177只，预测错误73只），预测调出样本正确率92%（预测正确调出个股数230只，预测错误20只）[28] * **2025年6月预测实例表现**：[19][25] * 预测调入股票池（50只股票）从公告日前10个交易日持有至公告日的平均累计超额收益为-0.73% * 预测调入股票池（50只股票）从公告日前10个交易日持有至公告日后10个交易日的平均累计超额收益为0.60% * 预测调出股票池（50只股票）从公告日前10个交易日持有至公告日的平均累计超额收益为2.65% * 预测调出股票池（50只股票）从公告日前10个交易日持有至公告日后10个交易日的平均累计超额收益为-0.13%

根据您提供的研报内容，以下是关于其中涉及的量化模型与因子的总结。报告主要跟踪了多个市场的“中观因子”，而非构建具体的预测模型或多因子选股模型。 量化因子与构建方式 1. **因子名称：大小盘风格因子**[12][14] * **因子构建思路**：通过比较不同市值风格股票的表现，来判断市场整体风格是偏向大盘股还是小盘股[12][14] * **因子具体构建过程**：报告未详细描述具体计算方法，通常此类因子可通过计算大小盘指数（如沪深300与中证1000）的相对收益率或相对强度来构建 2. **因子名称：价值成长风格因子**[12][14] * **因子构建思路**：通过比较价值风格与成长风格股票的表现，来判断市场整体风格是偏向价值股还是成长股[12][14] * **因子具体构建过程**：报告未详细描述具体计算方法，通常此类因子可基于估值指标（如市盈率、市净率）和成长指标（如盈利增长率）构建风格指数并进行比较 3. **因子名称：大小盘风格波动因子**[12][14] * **因子构建思路**：衡量大小盘风格因子自身的波动程度，反映风格切换的剧烈程度[12][14] * **因子具体构建过程**：报告未详细描述具体计算方法，通常可计算风格因子收益率的标准差或滚动波动率 4. **因子名称：价值成长风格波动因子**[12][14] * **因子构建思路**：衡量价值成长风格因子自身的波动程度，反映风格切换的剧烈程度[12][14] * **因子具体构建过程**：报告未详细描述具体计算方法，通常可计算风格因子收益率的标准差或滚动波动率 5. **因子名称：行业指数超额收益离散度**[12][14] * **因子构建思路**：衡量各行业指数相对于市场基准的超额收益的离散程度，反映市场行业表现的分化水平[12][14] * **因子具体构建过程**：报告未详细描述具体计算公式，通常可计算各行业超额收益的标准差或变异系数 6. **因子名称：行业轮动度量因子**[12][14] * **因子构建思路**：衡量行业轮动速度的快慢，反映市场热点的切换频率[12][14] * **因子具体构建过程**：报告未详细描述具体计算方法，通常可基于行业收益率排名的变动率或相关性变化来构建 7. **因子名称：成分股上涨比例**[12][14] * **因子构建思路**：计算特定指数（如沪深300）中上涨股票的数量占比，反映市场的广度和普涨/普跌情况[12][14] * **因子具体构建过程**：$$成分股上涨比例 = \frac{指数成分股中上涨的股票数量}{指数成分股总数}$$[12][14] 8. **因子名称：前100个股成交额占比**[12][14] * **因子构建思路**：计算成交额前100名股票的成交额占市场总成交额的比例，反映交易在个股层面的集中度[12][14] * **因子具体构建过程**：$$前100个股成交额占比 = \frac{成交额排名前100的股票的总成交额}{市场总成交额}$$[12][14] 9. **因子名称：前5行业成交额占比**[12][14] * **因子构建思路**：计算成交额前5名行业的成交额占市场总成交额的比例，反映交易在行业层面的集中度[12][14] * **因子具体构建过程**：$$前5行业成交额占比 = \frac{成交额排名前5的行业的总成交额}{市场总成交额}$$[12][14] 10. **因子名称：指数波动率**[13][14] * **因子构建思路**：衡量市场指数的价格波动程度，是市场风险和市场活跃度的重要体现[13][14] * **因子具体构建过程**：报告未详细描述具体计算方法，通常可基于指数日收益率计算滚动标准差（如20日波动率） 11. **因子名称：指数换手率**[13][14] * **因子构建思路**：衡量市场交易的活跃程度[13][14] * **因子具体构建过程**：报告未详细描述具体计算方法，通常为市场总成交额与流通市值的比值 12. **因子名称：商品期货趋势强度**[26][33] * **因子构建思路**：衡量商品期货各板块价格趋势的强弱程度[26][33] * **因子具体构建过程**：报告未详细描述具体计算方法，通常可基于均线排列、动量指标（如时间序列动量）或趋势线突破来量化 13. **因子名称：商品期货市场波动水平**[26][33] * **因子构建思路**：衡量商品期货各板块价格的波动率水平[26][33] * **因子具体构建过程**：报告未详细描述具体计算方法，通常可计算商品指数收益率的标准差 14. **因子名称：商品期货市场流动性**[26][33] * **因子构建思路**：衡量商品期货市场的流动性状况[26][33] * **因子具体构建过程**：报告未详细描述具体计算方法，通常可基于成交量、持仓量或买卖价差等指标构建 15. **因子名称：商品期货期限结构（基差动量）**[26][33] * **因子构建思路**：通过基差（现货价格与期货价格之差）的变动来衡量商品期货期限结构的变化动量[26][33] * **因子具体构建过程**：报告未详细描述具体计算公式，通常可计算基差的变动率或加速度 16. **因子名称：期权隐含波动率偏度**[37] * **因子构建思路**：衡量期权市场上看跌期权与看涨期权隐含波动率的差异，反映市场对尾部风险的担忧程度[37] * **因子具体构建过程**：报告未详细描述具体计算公式，通常可计算虚值看跌期权与虚值看涨期权的隐含波动率之差 17. **因子名称：看跌/看涨期权持仓量比值**[37] * **因子构建思路**：衡量期权市场上看跌期权与看涨期权的持仓量比例，反映市场整体的避险情绪[37] * **因子具体构建过程**：$$看跌/看涨期权持仓量比值 = \frac{看跌期权总持仓量}{看涨期权总持仓量}$$[37] 18. **因子名称：百元转股溢价率**[39][41] * **因子构建思路**：衡量可转债价格相对于其转换价值的溢价程度，是转债估值水平的核心指标[39][41] * **因子具体构建过程**：$$百元转股溢价率 = \frac{可转债价格 - 转换价值}{转换价值} \times 100\%$$，其中转换价值 = 正股价格 × 转股比例[39][41] 19. **因子名称：纯债溢价率**[39][41] * **因子构建思路**：衡量可转债价格相对于其纯债价值的溢价程度，反映转债的债性保护强度[39][41] * **因子具体构建过程**：报告未详细描述具体计算公式，通常为（可转债价格 - 纯债价值）/ 纯债价值，纯债价值为将转债视为债券的未来现金流贴现值[39][41] 20. **因子名称：低转股溢价率转债占比**[39][41] * **因子构建思路**：计算市场上转股溢价率处于低水平的可转债数量占比，反映转债市场整体股性的强弱[39][41] * **因子具体构建过程**：报告未详细描述具体计算公式，通常为设定一个转股溢价率阈值（如20%），计算低于该阈值的转债数量占所有转债数量的比例[39][41] 因子的回测效果 （注：本报告为周度跟踪报告，主要展示因子在最近一周（2025.10.27-2025.10.31）的表现状态或变动方向，而非长期历史回测指标。）[1][12][13][26][33][37][39] 1. **大小盘风格因子**，表现状态：偏向小盘[12][14] 2. **价值成长风格因子**，表现状态：偏向价值[12][14] 3. **大小盘风格波动因子**，表现状态：下降[12][14] 4. **价值成长风格波动因子**，表现状态：下降[12][14] 5. **行业指数超额收益离散度**，表现状态：上升[12][14] 6. **行业轮动度量因子**，表现状态：下降[12][14] 7. **成分股上涨比例**，表现状态：下降[12][14] 8. **前100个股成交额占比**，表现状态：下降[12][14] 9. **前5行业成交额占比**，表现状态：持平上期[12][14] 10. **指数波动率**，表现状态：上升[13][14] 11. **指数换手率**，表现状态：表现分化[13][14] 12. **商品期货趋势强度**，表现状态：有色及能化板块上升，其余板块下降[26][33] 13. **商品期货市场波动水平**，表现状态：除农产品外，各板块均上升[26][33] 14. **商品期货市场流动性**，表现状态：各板块表现分化[26][33] 15. **商品期货期限结构（基差动量）**，表现状态：各板块均下降[26][33] 16. **期权隐含波动率偏度（中证1000）**，表现状态：看跌期权偏度上升，看涨期权偏度下降[37] 17. **看跌/看涨期权持仓量比值（中证1000）**，表现状态：继续提高[37] 18. **百元转股溢价率**，表现状态：保持稳固上升[39][41] 19. **纯债溢价率**，表现状态：有相似的趋势（指稳固上升）[39][41] 20. **低转股溢价率转债占比**，表现状态：出现一些反弹[39][41]

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：股指分红点位测算模型[11][39]** - **模型构建思路**：为了准确计算股指期货的升贴水幅度，需要精确估计指数成分股分红导致的指数点位自然滑落，该模型通过对分红点位测算的各个部分进行精细化处理来实现这一目标[11][39] - **模型具体构建过程**：模型的核心是计算从当前时刻t到期货合约到期日T期间，指数成分股分红带来的点数影响[39] 具体计算公式为： $$分红点数 = \sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$$ 其中要求个股除权除息日τ满足 t < τ ≤ T[39] 模型构建流程包括以下步骤[40][42]： - 获取指数成分股及其日度权重数据 - 对每只成分股进行分红判断：若已公布分红金额，则继续判断是否公布除息日；若未公布分红金额，则需要对其分红金额进行估计 - 分红金额估计可分解为对净利润的估计和对股息支付率的估计两步 - 最后对除息日进行估计 **2.模型子模块：成分股权重精确计算模型[45][46]** - **模型构建思路**：为了精细刻画个股分红对指数的影响，需要对成分股权重进行日度修正，从非精确估算到精确获取[45] - **模型具体构建过程**：采用中证指数公司每日披露的日度收盘权重数据来保证准确性[46] 对于权重估算，假设当前日期为t日，指数公司最近一次公布成分股权重的日期为t₀，该日成分股n的权重为w_n0，t到t₀期间个股n的非复权涨跌幅为r_n，则当前日期个股的权重表示为： $$W_{n,t} = \frac{w_{i0} \times (1 + r_{n})}{\sum_{i=1}^{N} w_{i0} \times (1 + r_{n})}$$[45] **3.模型子模块：净利润预测模型[47][50]** - **模型构建思路**：基于历史净利润分布进行动态预测，将上市公司分为盈利分布稳定和盈利分布不稳定两类分别处理[50] - **模型具体构建过程**：分红金额 = 净利润 × 股息支付率[47] 对于已公布年报、快报或业绩预告数据的公司，直接采用已公布的归母净利润数据（业绩预告数据取上下限均值）[48] 对于未披露相关报告的公司： - 根据季度盈利分布情况将公司分为盈利分布稳定和盈利分布不稳定两类 - 盈利分布稳定的公司按照历史盈利分布规律进行预测 - 盈利分布不稳定的公司使用上年同期盈利作为预测值[50] **4.模型子模块：股息支付率预测模型[51][53]** - **模型构建思路**：基于企业经营稳定性假设，采用历史股息支付率数据来预测本年股息支付率[51] - **模型具体构建过程**： - 若公司去年分红，则以去年股息支付率作为今年预测值 - 若公司去年不分红，则以最近3年股息支付率平均作为预测值 - 若公司过去从未分红，则默认今年不分红 - 当预期股息支付率大于100%时，进行截尾处理[53] **5.模型子模块：除息日预测模型[51][56]** - **模型构建思路**：基于历史间隔天数稳定性的线性外推法来预测除息日[51] - **模型具体构建过程**： - 若公司已公布分红除息日，直接采用公布值 - 若未公布分红预案，判断去年或前年是否分红，采用历史分红日期作为估计 - 若已公布分红预案，根据所处阶段（预案或决案）判断历史间隔天数的稳定性，采用线性外推法 - 设置默认日期规则：7月底前设为7月31日，7月22日-8月21日设为8月31日，其他设为9月30日[56] 模型的回测效果 **1.股指分红点位测算模型[61]** - 对上证50指数和沪深300指数全年预测准确度较高，误差基本在5个点左右 - 对中证500指数的预测误差稍大，基本稳定在10个点左右 - 对三类股指期货合约（上证50、沪深300、中证500）都具有较好的预测准确性 - 上证50和沪深300股指期货的预测效果最好，中证500股指期货的偏离度稍大 量化因子与构建方式 **1.因子名称：股息率因子[14][16]** - **因子构建思路**：通过计算个股分红金额与市值的比率，反映公司的分红回报水平[14] - **因子具体构建过程**：已实现股息率与剩余股息率的计算方法为统计指数成分股中已现金分红和尚未现金分红的公司情况[16] 具体对于各指数的计算结果显示： - 上证50指数已实现股息率为2.46%，剩余股息率0.23% - 沪深300指数已实现股息率为1.96%，剩余股息率0.20% - 中证500指数已实现股息率为1.21%，剩余股息率0.07% - 中证1000指数已实现股息率为0.92%，剩余股息率0.04%[3][16] **2.因子名称：行业股息率因子[2][14]** - **因子构建思路**：按行业分类统计已披露分红预案个股的股息率，识别高股息行业[2] - **因子具体构建过程**：对各行业已公布分红预案的股票股息率进行中位数统计[14] 结果显示煤炭、银行和钢铁行业的股息率排名前三[2][14] 因子的回测效果 **1.股息率因子[3][16]** - 上证50指数：已实现股息率2.46%，剩余股息率0.23% - 沪深300指数：已实现股息率1.96%，剩余股息率0.20% - 中证500指数：已实现股息率1.21%，剩余股息率0.07% - 中证1000指数：已实现股息率0.92%，剩余股息率0.04% **2.行业股息率因子[2][14]** - 煤炭行业：股息率排名第一 - 银行行业：股息率排名第二 - 钢铁行业：股息率排名第三