根据提供的研报内容，以下是量化模型与因子的详细总结： --- 量化模型与构建方式 1. **模型名称**：综合影响系数模型 - **模型构建思路**：通过计算多个指数调样对个股的综合影响，反映被动交易资金对调入股票的价格影响[4][23] - **模型具体构建过程**： 1. **定义公式**： $$effect\_total_{s}=\sum_{i=1}^{n}\frac{wt\_chg_{s\_i}\times fund\_size_{i}}{amount\_avg_{s,20}}$$ 其中： - \(effect\_total_{s}\)：股票\(s\)的综合影响系数 - \(wt\_chg_{s\_i}\)：股票\(s\)在指数\(i\)中的权重变化 - \(fund\_size_{i}\)：指数\(i\)的跟踪基金规模 - \(amount\_avg_{s,20}\)：股票\(s\)的20日平均成交额[23] 2. **权重规则**：根据各指数公告的成份股权重约束（如单一样本权重上限、行业权重限制等）调整计算[26][27] - **模型评价**：能够有效捕捉多指数调样的叠加效应，但需结合流动性数据动态更新[29] --- 模型的回测效果 1. **综合影响系数模型**： - **系数1以上股票**：平均每期34只，平均超额收益3.82%[16] - **系数2以上股票**：平均每期13只，平均超额收益5.13%[16] - **历史案例**： - 2020年12月：系数>2的股票超额收益14.64%[16] - 2021年6月：系数>2的股票超额收益11.33%[16] --- 量化因子与构建方式 1. **因子名称**：净调入冲击额因子 - **因子构建思路**：通过指数调样公告和基金规模计算个股的净被动资金流入[23][29] - **因子具体构建过程**： 1. 提取指数调样名单及调入股票权重变化[26] 2. 结合指数跟踪基金规模（如沪深300规模10556亿元）计算冲击额： $$冲击额=权重变化 \times 基金规模$$[23] 3. 标准化处理：除以20日平均成交额得到综合冲击系数[23] 2. **因子名称**：流动性调整因子 - **因子构建思路**：引入个股流动性（日均成交额）以修正冲击系数的偏差[29] - **因子具体构建过程**： 1. 计算调入股票20日平均成交额（如沪农商行2.07亿元）[30] 2. 将冲击额与流动性比值作为调整后系数[23] --- 因子的回测效果 1. **净调入冲击额因子**： - **沪农商行**：冲击系数13.98（冲击额28.98亿元/成交额2.07亿元）[30] - **渝农商行**：冲击系数6.04（冲击额25.08亿元/成交额4.15亿元）[30] 2. **流动性调整因子**： - **恒玄科技**：冲击系数3.74（成交额8.42亿元）[30] - **龙芯中科**：冲击系数3.09（成交额2.14亿元）[30] --- 以上总结严格基于研报核心内容，未包含风险提示等无关信息，公式格式符合要求。

根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：封板率因子** - 构建思路：通过统计涨停股票的封板情况来反映市场情绪和资金热度[17] - 具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 筛选上市满3个月的股票，计算当日最高价涨停且收盘仍涨停的股票占比[17] - 因子评价：高频情绪指标，对短期市场动量有较强解释力 2. **因子名称：连板率因子** - 构建思路：衡量涨停股票的持续性，反映市场投机强度[17] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 需满足上市满3个月条件，计算连续涨停股票的比例[17] - 因子评价：对极端市场情绪敏感，需结合其他指标使用 3. **因子名称：大宗交易折价率因子** - 构建思路：通过大宗交易折价水平反映机构资金动向[26] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计单日所有大宗交易成交价与市价的偏离程度[26] - 因子评价：反映大资金交易成本，但需注意样本偏差 4. **因子名称：股指期货贴水率因子** - 构建思路：利用期现价差捕捉市场预期变化[28] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 计算主力合约与现货指数的年化价差率[28] - 因子评价：跨市场套利重要指标，对对冲策略有指导意义 因子回测效果 1. **封板率因子** - 当日取值：62%（较前日下降19%）[17] - 近一月分位点：创阶段新低[17] 2. **连板率因子** - 当日取值：18%（较前日下降18%）[17] - 近一月分位点：最低水平[17] 3. **大宗交易折价率因子** - 当日取值：8.65%[26] - 半年均值：5.52%[26] 4. **股指期货贴水率因子** - 上证50：7.66%（20%分位）[28] - 沪深300：8.29%（31%分位）[28] - 中证500：13.63%（24%分位）[28] - 中证1000：17.94%（25%分位）[28] - 历史中位数：1.44%/3.16%/8.86%/12.10%[28] 注：报告中未涉及具体量化模型的构建与测试，主要聚焦市场监测类因子的计算与分析[17][26][28]

根据研报内容，总结如下： 量化模型与构建方式 1. **行业拥挤度监测模型** - 模型构建思路：通过监测申万一级行业指数的拥挤度，识别行业投资机会与风险[4] - 模型具体构建过程：未明确给出计算公式，但通过每日跟踪行业拥挤度水平（百分比形式），动态展示行业热度分布。图表3显示拥挤度数值范围（如纺织服饰98%、房地产1%等），并标注单日变动较大的行业（如农林牧渔、石油石化、计算机）[4][9] - 模型评价：能够有效捕捉行业短期过热或低估状态，辅助资金流向分析 2. **溢价率Z-score模型** - 模型构建思路：滚动测算ETF溢价率偏离程度，筛选潜在套利标的[5] - 模型具体构建过程：未给出具体公式，但通过标准化处理溢价率历史数据生成信号（如建议关注恒生创新药ETF等产品）[5][11] 量化因子与构建方式 （报告中未明确提及独立因子构建） 模型的回测效果 1. **行业拥挤度监测模型** - 测试结果： - 高拥挤行业：纺织服饰（98%）、轻工制造（91%）、环保（85%）[4][9] - 低拥挤行业：房地产（1%）、电子（4%）、煤炭（21%）[4][9] - 主力资金流向验证：计算机（近3日净流入20.79亿元）与模型低拥挤信号部分吻合[10] 2. **溢价率Z-score模型** - 测试结果： - 输出标的：恒生创新药ETF（规模5.14亿元）、创新药ETF华泰柏瑞（规模2.80亿元）等[11] 因子的回测效果 （报告中未提供因子单独测试数据） 注：主力资金流向数据与行业拥挤度存在联动性（如计算机行业资金流入56.1亿元对应拥挤度59%）[10][9]，但未明确构成因果关系

量化因子与构建方式 1. **因子名称：理想反转因子** - **构建思路**：通过每日平均单笔成交金额的大小切割出反转属性最强的交易日，认为A股反转之力的微观来源是大单成交[4] - **具体构建过程**： 1. 回溯股票过去20日数据 2. 计算每日平均单笔成交金额（成交金额/成交笔数） 3. 单笔成交金额高的10个交易日涨跌幅加总为M_high 4. 单笔成交金额低的10个交易日涨跌幅加总为M_low 5. 因子值M = M_high - M_low[42] - **因子评价**：逻辑清晰，聚焦大单交易的反转效应 2. **因子名称：聪明钱因子** - **构建思路**：从分钟行情价量信息识别机构交易参与度，构造跟踪聪明钱的指标[4] - **具体构建过程**： 1. 取股票过去10日分钟数据 2. 计算每分钟指标 $$S_t = |R_t| / V_t^{0.25}$$（$$R_t$$为分钟涨跌幅，$$V_t$$为分钟成交量） 3. 按$$S_t$$排序，取成交量累积前20%的分钟作为聪明钱交易 4. 计算聪明钱VWAP（成交量加权均价）与整体VWAP的比值Q = VWAPsmart/VWAPall[41][43] - **因子评价**：有效捕捉机构交易行为特征 3. **因子名称：APM因子** - **构建思路**：衡量股价在日内不同时段（上午/下午）的行为差异[4] - **具体构建过程**： 1. 取股票过去20日隔夜与下午收益率数据 2. 回归计算残差：$$r = \alpha + \beta R + \epsilon$$ 3. 计算隔夜与下午残差差异统计量： $$\mathrm{stat}={\frac{\mu(\delta_{t})}{\sigma(\delta_{t})/{\sqrt{N}}}}$$ 4. 对动量因子回归取残差作为APM因子[44][45] - **因子评价**：揭示日内交易模式的结构性差异 4. **因子名称：理想振幅因子** - **构建思路**：基于股价维度切割振幅，分析高价态与低价态的信息差异[4] - **具体构建过程**： 1. 计算股票过去20日振幅（最高价/最低价-1） 2. 高价振幅V_high = 收盘价最高25%交易日的振幅均值 3. 低价振幅V_low = 收盘价最低25%交易日的振幅均值 4. 因子值V = V_high - V_low[47] - **因子评价**：有效区分不同价格区间的振幅信息 5. **因子名称：交易行为合成因子** - **构建思路**：加权整合四个交易行为因子，提升稳定性[31] - **具体构建过程**： 1. 对单因子进行行业去极值与标准化 2. 滚动12期ICIR加权计算合成因子值[31] 因子回测效果 1. **理想反转因子** - 全历史IC均值：-0.050 - 全历史rankIC均值：-0.061 - 全历史IR：2.52 - 全历史多空胜率：78.0% - 2025年5月收益：-0.63% - 近12月胜率：66.7%[5][14] 2. **聪明钱因子** - 全历史IC均值：-0.037 - 全历史rankIC均值：-0.061 - 全历史IR：2.73 - 全历史多空胜率：81.9% - 2025年5月收益：-0.86% - 近12月胜率：91.7%[5][18] 3. **APM因子** - 全历史IC均值：0.029 - 全历史rankIC均值：0.034 - 全历史IR：2.28 - 全历史多空胜率：77.1% - 2025年5月收益：-1.03% - 近12月胜率：66.7%[5][22] 4. **理想振幅因子** - 全历史IC均值：-0.054 - 全历史rankIC均值：-0.073 - 全历史IR：2.99 - 全历史多空胜率：83.4% - 2025年5月收益：-1.50% - 近12月胜率：75.0%[5][26] 5. **交易行为合成因子** - 全历史IC均值：0.067 - 全历史rankIC均值：0.092 - 全历史IR：3.28 - 全历史多空胜率：82.3% - 2025年5月收益：-1.58% - 近12月胜率：83.3%[5][31] - 中小盘表现：国证2000 IR=2.95，中证1000 IR=2.92[31]

量化因子与构建方式 1. **因子名称**：250日新高距离 - **构建思路**：通过计算当前收盘价与过去250日最高价的相对距离，衡量股票接近历史高点的程度，用于捕捉动量效应[10] - **具体构建过程**： $$250\ 日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，$Closet$为最新收盘价，$ts\_max(Close,250)$为过去250日收盘价最大值。若$Closet$创250日新高，则值为0；否则为正值，表示回落幅度[10] - **因子评价**：直观反映股价趋势强度，但需结合其他指标避免追高风险 2. **因子名称**：平稳创新高筛选因子（复合因子） - **构建思路**：综合分析师关注度、股价路径平稳性等维度，筛选具有持续动量的股票[22][26] - **具体构建过程**： - **分析师关注度**：过去3个月买入/增持评级研报≥5份[26] - **股价相对强弱**：过去250日涨跌幅全市场前20%[26] - **价格路径平滑性**：计算位移路程比（未给出具体公式）[22] - **创新高持续性**：过去120日250日新高距离的时间序列均值[26] - **趋势延续性**：过去5日250日新高距离的时间序列均值，排序取前50[26] - **因子评价**：多维度验证动量质量，降低噪声干扰 --- 因子的回测效果 1. **250日新高距离因子**： - 银行、电力及公用事业等行业指数距离新高较近（0.89%、1.39%），煤炭、石油石化较远[12] - 中证2000指数创新高个股占比最高（13.95%）[19] 2. **平稳创新高筛选因子**： - 全市场筛选出38只股票，消费板块占比最高（12只），食品饮料行业突出[27] - 典型案例：三生国健（生物医药，250日涨幅151%）、万辰集团（农林牧渔，498%）[30] --- 模型与构建方式 1. **模型名称**：创新高个股监测模型 - **构建思路**：通过统计创新高个股的行业/板块分布，识别市场热点方向[18][19] - **具体构建过程**： - 筛选上市满15个月的股票，过去20日创250日新高的个股[18] - 按中信一级行业、板块、指数分类统计数量及占比[19][21] - **模型评价**：有效捕捉领头羊效应，但需结合基本面分析 --- 模型的回测效果 1. **创新高个股监测模型**： - 基础化工、机械、医药行业创新高数量最多（99/95/65只）[18] - 银行、汽车行业创新高占比最高（64.29%、24.48%）[18] - 制造板块创新高股票数量占比16.43%，周期板块16.47%[19]

量化模型与构建方式 1. **模型名称**：家用电器相对指数趋势跟踪模型 - **模型构建思路**：基于价格走势的局部延续性假设，通过观察窗口内的价格变动方向判断趋势，并排除随机波动的影响[3] - **模型具体构建过程**： 1. 计算T日收盘价与T-20日收盘价的差值： $$del = P_T - P_{T-20}$$ 2. 计算T-20日至T日（不含）的波动率Vol（标准差） 3. 趋势判断规则： - 若$|del| > N \times Vol$（取N=1），则认为价格脱离振荡区间，趋势方向与del符号一致（正为多头，负为空头） - 若$|del| \leq N \times Vol$，则延续T-1日的趋势方向[3] - **模型评价**：在窄幅盘整或剧烈反转行情中表现不佳，年化收益低于基准指数，长时间处于回撤状态[4] 模型的回测效果 1. **家用电器相对指数趋势跟踪模型**： - 年化收益：-4.09% - 波动率（年化）：14.89% - 夏普率：-0.27 - 最大回撤：18.49% - 指数期间总回报率：28.86%[3] 量化因子与构建方式 （报告中未提及独立因子构建） 因子的回测效果 （报告中未提及独立因子测试结果） 其他关键信息 - **标的**：申万一级家用电器指数相对沪深300的比值[3] - **数据预处理**：使用相对值（指数比值）作为输入[3] - **跟踪区间**：2023年3月7日至2025年3月18日[3]

量化模型与构建方式 1. **模型名称**：食品饮料相对指数趋势跟踪模型 **模型构建思路**：基于标的价格走势的局部延续性假设，认为价格大部分时间处于趋势中，反转行情持续时间较短。通过观察窗口内的价格变动方向判断趋势，并排除随机波动的影响[3] **模型具体构建过程**： - 计算T日收盘价与T-20日收盘价的差值：$$del = P_T - P_{T-20}$$ - 计算T-20日至T日（不含）的波动率：$$Vol = \sqrt{\frac{1}{19}\sum_{i=T-19}^{T-1}(P_i - \bar{P})^2}$$ - 趋势判断规则： - 若$|del| > N \times Vol$（取N=1），则认为形成新趋势，方向与del符号一致 - 否则延续T-1日趋势方向[3] **模型评价**：年化收益回撤比较低，区间收益表现不佳，不适合直接用于食品饮料指数相对值跟踪[4] 模型的回测效果 1. **食品饮料相对指数趋势跟踪模型**： - 年化收益：0.52% - 年化波动率：14.35% - 夏普比率：0.04 - 最大回撤：14.00% - 指数期间总回报率：-21.90%[3] 图表说明 1. 净值曲线显示模型在2023年10月、2024年3-5月及9月至2025年1月表现较差，其余时段净值稳步提升[5] 2. 最大回撤绝对值达14%，主要出现在上述三个时间段[9] （注：原文未提及量化因子相关内容，故不总结）

根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **封板率因子** - 构建思路：通过统计涨停股票的封板情况来反映市场情绪强度[18] - 具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 筛选上市满3个月以上的股票，计算当日满足条件的股票比例[18] 2. **连板率因子** - 构建思路：衡量涨停股票的持续性，反映市场追涨情绪[18] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 基于前一日涨停股票样本计算连续涨停比例[18] 3. **大宗交易折价率因子** - 构建思路：通过大宗交易成交价与市价的偏离度反映大资金动向[27] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 汇总当日所有大宗交易数据计算加权折价率[27] 4. **股指期货年化贴水率因子** - 构建思路：利用期货基差水平反映市场预期[29] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right)$$ 对主力合约计算上证50/沪深300/中证500/中证1000的年化贴水率[29] 因子回测效果 1. **封板率因子** - 当日取值：81%（较前日提升17%）[18] 2. **连板率因子** - 当日取值：36%（较前日提升10%）[18] 3. **大宗交易折价率因子** - 近半年均值：5.49% - 当日取值：7.91%[27] 4. **股指期货年化贴水率因子** - 上证50：10.71%（近一年14%分位） - 沪深300：11.19%（近一年14%分位） - 中证500：14.95%（近一年21%分位） - 中证1000：16.03%（近一年33%分位）[29] 注：报告中未涉及量化模型的具体构建与测试结果，仅包含市场监测类因子[18][27][29]

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：行业拥挤度监测模型** - **模型构建思路**：通过监测申万一级行业指数的拥挤度，识别行业当前的市场热度与潜在风险[4] - **模型具体构建过程**： 1. 每日计算各行业指数的拥挤度指标（具体公式未披露，但可能结合成交量、价格波动、资金流向等维度） 2. 对拥挤度进行排名，识别高拥挤度（风险）和低拥挤度（机会）行业 3. 结合主力资金流动数据（近3日净流入/流出）交叉验证[4][11] - **模型评价**：能够动态捕捉行业短期过热或低估状态，但需结合资金流向避免误判[4] 2. **模型名称：ETF溢价率Z-score模型** - **模型构建思路**：通过滚动计算ETF溢价率的Z-score，筛选存在套利机会的标的[5] - **模型具体构建过程**： 1. 计算ETF溢价率：$$溢价率 = \frac{ETF市价 - ETF净值}{ETF净值} \times 100\%$$ 2. 滚动计算溢价率的Z-score：$$Z = \frac{当前溢价率 - 滚动窗口均值}{滚动窗口标准差}$$ 3. 设定阈值（如|Z|>2）生成交易信号[5][12] - **模型评价**：适用于捕捉短期套利机会，但需警惕市场回调风险[5] --- 模型的回测效果 （注：报告中未提供具体回测指标，故跳过） --- 量化因子与构建方式 （注：报告中未涉及独立因子构建，故跳过） --- 行业拥挤度监测结果 - **高拥挤度行业**：基础化工（98%）、纺织服饰（95%）、轻工制造（94%）[4][10] - **低拥挤度行业**：房地产（21%）、电子（34%）、非银金融（17%）[4][10] - **主力资金流向**： - 近3日净流入：环保（+8.91亿元）、食品饮料（+4.02亿元）[11] - 近3日净流出：电子（-55.28亿元）、电力设备（-49.13亿元）[11] --- ETF溢价率Z-score信号 - **建议关注标的**： - 石油天然气ETF（159588.SZ）[12] - 军工ETF（512660.SH）[12] - 中证2000ETF华夏（562660.SH）[12] （注：未提供Z-score具体数值，仅列示信号结果）

量化因子与构建方式 1. **因子名称**：留存筹码比率 - **因子构建思路**：基于分钟级交易数据，通过计算过去一段时间内各时刻至选股日的留存成交金额，衡量投资者换手意愿和筹码堆砌程度，因子值越高代表筹码堆砌程度越高，可能预示趋势行情[4][5][7] - **因子具体构建过程**： 1. 取单只股票1分钟级成交量及成交金额数据，计算分钟级换手率 2. 以15分钟为间隔（如9:45、10:00等），计算各时刻往前推15分钟的换手率之和及成交金额之和 3. 计算各时刻至选股日收盘的留存成交金额： $$RA_{t-n} = Amount_{t-n} \times (1-TR_{t-n+1}) \times (1-TR_{t-n+2}) \times \cdots \times (1-TR_{t})$$ 其中$Amount_{t-n}$为t−n时刻成交金额，$TR$为换手率 4. 累积过去20个交易日的留存成交金额，并除以同期累积成交金额，得到因子： $$\text{留存筹码比率} = \frac{\sum_{n=1}^{N} RA_{t-n}}{\sum_{n=1}^{N} Amount_{t-n}}$$ - **因子评价**：因子与流动性和波动性略相关，但与其他风格因子无明显相关性，能有效捕捉筹码堆砌带来的趋势效应[21][24] 2. **因子名称**：纯净留存筹码比率 - **因子构建思路**：对原始留存筹码比率因子进行风格正交化处理，剥离beta、市值、估值等常见风格因子的影响[21][35] - **因子具体构建过程**：使用Barra多因子模型对原始因子回归，取残差作为纯净因子 - **因子评价**：正交化后因子稳定性提升，与风格因子的相关性显著降低[35] 3. **因子名称**：复合细颗粒度因子 - **因子构建思路**：结合留存筹码比率与量价相关系数、振幅量价背离、成交金额波动、成交量波动四个因子，正交化后等权复合[63] - **因子具体构建过程**： 1. 对五个因子分别进行正交化处理 2. 等权加权生成复合因子 - **因子评价**：复合因子在多个指数中表现稳健，兼具选股和增强效果[63][66] --- 因子的回测效果 1. **留存筹码比率因子** - **中证800**：RankIC=5.67%，多空年化收益=46.16%，IR=1.09[12] - **中证1000**：RankIC=7.38%，多空年化收益=74.41%，IR=1.56[25] 2. **纯净留存筹码比率因子** - **中证800**：RankIC=4.59%，多空年化收益=40.88%，IR=1.07[21] - **中证1000**：RankIC=5.90%，多空年化收益=55.49%，IR=1.08[35] 3. **复合细颗粒度因子** - **沪深300**：RankIC=5.51%，多空年化收益=38.26%，多头年化收益=15.83%，IR=1.52[63] - **中证500**：RankIC=7.02%，多空年化收益=50.02%，多头年化收益=16.83%，IR=2.19[63] - **中证1000**：RankIC=7.70%，多空年化收益=60.89%，多头年化收益=19.31%，IR=2.93[63] --- 量化模型与应用 1. **模型名称**：留存筹码比率-指数增强模型 - **模型构建思路**：以最大化组合留存筹码比率因子值为目标，控制权重偏离和预期收益偏离，结合Barra模型预测收益[41][48][55] - **模型具体构建过程**： 1. 优化目标：最大化因子暴露 2. 约束条件：个股权重偏离≤1%，预期收益偏离基准≤5% - **模型评价**：在沪深300、中证500、中证1000中均实现稳定超额收益[41][48][55] 2. **模型名称**：复合细颗粒度因子-指数增强模型 - **模型构建思路**：将复合因子应用于组合优化，控制风险敞口[66] - **模型评价**：增强效果显著，信息比率优于单一因子模型[66] --- 模型的回测效果 1. **留存筹码比率-沪深300增强组合** - 累计超额=64.49%，年化超额=5.17%，IR=1.14，月胜率=57%[41][46] 2. **留存筹码比率-中证500增强组合** - 累计超额=120.97%，年化超额=10.09%，IR=1.67，月胜率=59.60%[48][53] 3. **留存筹码比率-中证1000增强组合** - 累计超额=121.36%，年化超额=11.78%，IR=1.44，月胜率=58.94%[55][61] 4. **复合细颗粒度因子-指数增强组合** - **沪深300**：年化超额=6.76%，IR=1.36[66] - **中证500**：年化超额=11.82%，IR=2.21[66] - **中证1000**：年化超额=11.02%，IR=2.05[66]