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

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：港股优选20组合模型**[4][36][38] * **模型构建思路**：基于在港股通样本股中表现优异的四大类因子，每月末选取综合得分最高的20只个股，采用等权重方式构建投资组合，以跟踪多头组合的月度表现[4][36][38]。 * **模型具体构建过程**： 1. **因子体系**：模型构建基于一个多因子体系，该体系包含四大类因子：技术面因子、资金面因子、基本面因子和分析师预期因子[36][41]。 2. **股票池**：模型的投资范围限定为港股通成分股[36]。 3. **组合构建**：在每月末，对股票池内的所有股票计算其基于上述多因子体系的综合得分。选取得分排名前20的股票，每只股票分配相同的权重（等权），从而形成“港股优选20组合”[4][38]。 4. **基准选择**：组合的业绩比较基准为港股综合指数(HKD) (代码：930930.CSI)[4][38]。 模型的回测效果 1. **港股优选20组合模型**[4][38][39] * **测试区间**：2015年1月至2025年10月[38][39] * **基准指数**：港股综合指数(HKD)[4][38] * **超额年化收益率**：12.9%[38][39] * **超额年化波动率**：13.5%[39] * **超额收益波动比**：1.0[38][39] * **超额最大回撤**：18.2%[39] * **2025年10月单月表现**： * 组合收益率：-3.8%[4][38] * 基准收益率：-3.6%[4][38] * 超额收益率：-0.1%[4][38] 量化因子与构建方式 1. **因子类别：技术面因子**[36][41] * **因子构建思路**：基于股票的市场交易数据（如价格、成交量等）构建，用于捕捉市场的趋势、动量、波动等特征[36][41]。 2. **因子类别：资金面因子**[36][41] * **因子构建思路**：基于市场资金流向数据（如南下资金、外资等）构建，用于反映不同投资者群体的偏好和动向[24][36][41]。 3. **因子类别：基本面因子**[36][41] * **因子构建思路**：基于公司的财务报表数据（如市盈率PE、净资产收益率ROE等）构建，用于评估公司的内在价值和盈利能力[36][41][45]。 4. **因子类别：分析师预期因子**[36][41] * **因子构建思路**：基于分析师对公司未来业绩的预测数据构建，用于反映市场对公司未来的成长预期[36][41]。 因子的回测效果 *注：研报中未提供四大类因子（技术面、资金面、基本面、分析师预期）各自独立的具体回测指标数值（如IC值、IR值、多空收益等），仅提及它们在港股通成分股中的分组表现优异，并共同构成了港股优选20组合模型的基础[36]。因此，此部分无具体指标取值。*

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：四因子模型**[19] * **模型构建思路：** 该模型用于评估基金的超额收益（Alpha），通过控制多个风险因子来更准确地衡量基金经理的选股能力，避免将因风格或行业暴露带来的Beta收益误判为Alpha[19] * **模型具体构建过程：** 报告中未提供具体的因子构成、回归方程或详细构建步骤，仅提及该模型用于分析基金在不同基准下的Alpha表现[19] 模型的回测效果 *（报告中未提供四因子模型自身的回测效果指标，如历史Alpha、IR等）* 量化因子与构建方式 *（报告中未明确提及或定义具体的量化因子及其构建方法）* 因子的回测效果 *（报告中未提供具体量化因子的测试结果，如IC、IR、多空收益等）* **总结说明：** 本报告核心内容为政策解读和市场数据跟踪，量化分析内容较少，仅提及使用“四因子模型”进行基金业绩归因，但未详细阐述其具体因子构成、构建公式及模型评价。

根据提供的金融工程日报内容，该报告主要描述了市场表现、情绪和资金流向等日度监控指标，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和描述性分析。 因此，本总结中“量化模型与构建方式”及“模型的回测效果”部分无相关内容。“量化因子与构建方式”及“因子的回测效果”部分亦无相关内容。

根据提供的研报内容，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**：报告未提供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**：报告未提供该模型的具体构建过程和公式 量化因子与构建方式 报告未明确提及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取值。 其他相关数据 * **行业拥挤度监测结果**：监测显示，前一交易日电力设备、环保行业拥挤度靠前，非银金融行业拥挤度水平较低；环保、煤炭、石化行业拥挤度变动较大[3] * **资金流向数据**：报告提供了特定日期各类ETF（如宽基ETF、行业主题ETF等）的资金净流入/流出数据，以及近三个交易日申万一级行业指数的主力资金净流入额[5][12] * **ETF产品关注信号**：基于模型，报告列出了建议关注的ETF产品清单，包括沙特ETF、A500指数ETF、豆粕ETF、机器人指数ETF和酒ETF[13]

根据研报内容，现对其中涉及的量化模型与因子总结如下： 量化模型与构建方式 1. **模型名称：宏观评分模型**[7][20] * **模型构建思路**：该模型通过评估一系列宏观因子对各类资产的影响，为资产配置提供多维度、系统化的评分依据[20] * **模型具体构建过程**：模型涵盖九个宏观因子维度：国内景气、国内货币、国内信用、国内通胀、全球景气、全球货币、全球通胀、美元、金融压力[20]。每月对每个因子进行评分（取值为1, 0, -1），其中1表示正面，0表示中性，-1表示负面[20]。将每个资产在不同因子上的得分加总，得到该资产的月度宏观总评分，并根据总评分形成看多、中性或看空的择时观点[20] 2. **模型名称：美股择时模型**[7][22] * **模型构建思路**：该模型从多个维度监测美国市场状态，以实现对美股的中期趋势判断[22] * **模型具体构建过程**：模型主要跟踪三个分项指标：景气度、资金流、金融压力[22]。通过综合这些指标的走势和水平，形成对美股的择时观点[22] 3. **模型名称：黄金择时模型**[7][23][27] * **模型构建思路**：该模型通过量化分析影响黄金价格的关键驱动因素，生成择时信号[23][27] * **模型具体构建过程**：模型会计算一个综合的黄金择时指标，该指标的最新值为-0.43[23][27]。报告中特别指出，全球央行美元外汇储备占比是影响该指标的重要变量，其大幅下滑对黄金形成中期支撑[23][24] 4. **模型名称：原油择时模型**[7][26][28][30] * **模型构建思路**：该模型通过构建原油景气指数来评估原油市场的基本面状况，从而形成配置观点[26][28] * **模型具体构建过程**：模型构建了一个综合的原油景气指数，该指数由五个维度的细分指标合成：需求、库存、美元指数、投资者预期、宏观风险水平[26][30]。通过观察景气指数的绝对水平和变化方向来判断原油市场的趋势[26][28] 5. **模型名称：大类资产配置模型**[3][31][34] * **模型构建思路**：该模型在资产配置过程中，不仅考虑资产的量化信号，还结合宏观因子体系对组合的风险暴露进行调整，以优化配置方案[3][31] * **模型具体构建过程**：首先，根据大类资产自身的量化配置信号（如前述择时模型的观点）来分配其风险预算[3][31]。然后，基于宏观因子体系（可能与宏观评分模型相关联）对整体投资组合的宏观风险暴露进行调整，最终得到各类资产的优化配置比例[3][31][34] 模型的回测效果 1. **大类资产配置模型**，10月收益2.1%，最近1年收益12.9%，最大回撤2.9%[3][31] 量化因子与构建方式 1. **因子名称：国内景气因子**[17][18][19] * **因子构建思路**：该因子旨在刻画中国国内经济的景气程度[17][19] * **因子具体构建过程**：报告指出本月该因子拐头向下，表明国内经济可能正在边际走弱，但未提供具体的构建公式[17][18][19] 2. **因子名称：全球景气因子**[17][18][19] * **因子构建思路**：该因子旨在刻画全球经济的整体景气状况[17][19] * **因子具体构建过程**：报告指出本月该因子同步拐头向下，表明全球经济可能正在边际走弱，但未提供具体的构建公式[17][18][19] 3. **因子名称：原油景气指数**[26][28][30] * **因子构建思路**：该因子是原油择时模型的核心，用于综合评估原油市场的基本面强弱[26][28] * **因子具体构建过程**：该因子由五个子因子合成：需求、库存、美元指数、投资者预期、宏观风险水平[26][30]。报告给出了该因子2025年11月的读数为0.14，但未提供具体的合成公式[26][28] 因子的回测效果 1. **黄金择时指标**，最新值-0.43[23][27] 2. **原油景气指数**，2025年11月读数0.14[26][28]

量化模型与构建方式 1 预期高股息组合模型 **模型名称**：预期高股息组合模型[3][8] **模型构建思路**：采用两阶段方法构建预期股息率指标，并结合反转因子与盈利因子进行辅助筛选，从沪深300成份股中优选股票构建高股息组合[3][8][14] **模型具体构建过程**： 1. 确定股票池：以沪深300成份股作为初始股票池[3][8] 2. 剔除规则： - 剔除停牌及涨停的股票[13] - 剔除短期动量最高的20%股票（即21日累计涨幅最高的20%个股）[13] - 剔除盈利下滑的个股（即单季度净利润同比增长率小于0的股票）[13] 3. 预期股息率计算： - 第一阶段：根据年报公告利润分配情况计算股息率[3][8] - 第二阶段：利用历史分红与基本面指标预测并计算股息率[3][8] 4. 组合构建：在剩余个股中，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[9] **模型评价**：历史绩效表现亮眼，超额收益稳定且最大回撤控制较好[11] 2 红利择时框架模型 **模型名称**：红利择时框架模型[23] **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[23][26] **模型具体构建过程**： 1. 选取5个单因子信号，每个信号产生看多（1）或看空（0）红利的观点[23][26] 2. 单因子信号说明： - 通胀因子：PPI同比（高/低位），方向为+[26] - 流动性因子1：M2同比（高/低位），方向为-[26] - 流动性因子2：M1-M2剪刀差（高/低位），方向为-[26] - 利率因子：美国10年期国债收益率（高/低位），方向为+[26] - 市场情绪因子：红利股成交额占比（上/下行），方向为-[26] 3. 合成信号：综合各单因子信号得出最终观点[23][26] 模型的回测效果 1 预期高股息组合模型 - 回测时间范围：2009年2月2日至2017年8月31日，共计103个自然月[11] - 累计收益：358.90%[11] - 累计超额收益（相对于沪深300全收益指数）：107.44%[11] - 年化超额收益：8.87%[11] - 超额收益的滚动一年最大回撤：12.26%[11] - 月度超额胜率：60.19%[11] 2 红利择时框架模型 - 2025年11月最新观点：持谨慎态度（合成信号为0）[23][26] 量化因子与构建方式 1 预期股息率因子 **因子名称**：预期股息率因子[3][8][14] **因子构建思路**：利用股息分配的方式、结合基本面指标对股息分配进行预测，构建两阶段预期股息率[3][8][14] **因子具体构建过程**： 1. 第一阶段股息率：根据年报已公告的利润分配情况计算股息率 $$股息率 = \frac{每股股息}{股价}$$[3][8] 2. 第二阶段股息率：利用历史分红数据与基本面指标预测未来股息并计算股息率[3][8] 2 反转因子 **因子名称**：反转因子[3][8][13][14] **因子构建思路**：使用短期价格动量作为反转信号，剔除近期表现过强的股票[3][8][13][14] **因子具体构建过程**：计算21日累计涨幅，剔除涨幅最高的20%个股[13] 3 盈利因子 **因子名称**：盈利因子[3][8][13][14] **因子构建思路**：基于公司盈利增长状况进行筛选，确保组合成分股盈利质量[3][8][13][14] **因子具体构建过程**：使用单季度净利润同比增长率，剔除增长率小于0的个股[13] 4 红利择时框架子因子 **因子名称**：PPI同比因子[26] **因子构建思路**：通过PPI同比处于高位或低位来判断红利资产走势[26] **因子方向**：+[26] **因子名称**：M2同比因子[26] **因子构建思路**：通过M2同比处于高位或低位来判断红利资产走势[26] **因子方向**：-[26] **因子名称**：M1-M2剪刀差因子[26] **因子构建思路**：通过M1-M2剪刀差处于高位或低位来判断红利资产走势[26] **因子方向**：-[26] **因子名称**：美国10年期国债收益率因子[26] **因子构建思路**：通过美国10年期国债收益率处于高位或低位来判断红利资产走势[26] **因子方向**：+[26] **因子名称**：红利股成交额占比因子[26] **因子构建思路**：通过红利股成交额占比处于上行或下行趋势来判断红利资产走势[26] **因子方向**：-[26] 因子的回测效果 1 红利择时框架子因子（2025年11月） - PPI同比因子信号：0[26] - M2同比因子信号：0[26] - M1-M2剪刀差因子信号：0[26] - 美国10年期国债收益率因子信号：0[26] - 红利股成交额占比因子信号：1[26] - 合成信号：0[26]

根据提供的周报内容，以下是关于报告中涉及的量化模型和因子的总结。报告主要跟踪了基于特定风格（价值、成长、小盘）构建的Smart Beta投资组合的表现，但未详细披露底层因子或具体模型的构建公式与过程。其构建思路引用自另一份专题报告[6]。 量化模型与构建方式 1. **模型名称**：价值50组合模型[6] * **模型构建思路**：基于价值风格，以高Beta弹性为目标构建Smart Beta组合[6] * **模型具体构建过程**：报告未提供具体构建过程和公式，仅说明组合构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[6] 2. **模型名称**：价值均衡50组合模型[6] * **模型构建思路**：基于价值风格，以长期稳健超额收益为目标构建Smart Beta组合[6] * **模型具体构建过程**：报告未提供具体构建过程和公式，仅说明组合构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[6] 3. **模型名称**：成长50组合模型[6] * **模型构建思路**：基于成长风格，以高Beta弹性为目标构建Smart Beta组合[6] * **模型具体构建过程**：报告未提供具体构建过程和公式，仅说明组合构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[6] 4. **模型名称**：成长均衡50组合模型[6] * **模型构建思路**：基于成长风格，以长期稳健超额收益为目标构建Smart Beta组合[6] * **模型具体构建过程**：报告未提供具体构建过程和公式，仅说明组合构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[6] 5. **模型名称**：小盘50组合模型[6] * **模型构建思路**：基于小盘风格，以高Beta弹性为目标构建Smart Beta组合[6] * **模型具体构建过程**：报告未提供具体构建过程和公式，仅说明组合构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[6] 6. **模型名称**：小盘均衡50组合模型[6] * **模型构建思路**：基于小盘风格，以长期稳健超额收益为目标构建Smart Beta组合[6] * **模型具体构建过程**：报告未提供具体构建过程和公式，仅说明组合构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[6] 模型的回测效果 1. **价值50组合模型**[7] * 周收益率：0.55%[7] * 周超额收益（相对国证价值）：0.40%[7] * 月收益率：5.41%[7] * 月超额收益（相对国证价值）：2.19%[7] * 年收益率：16.22%[7] * 年超额收益（相对国证价值）：8.24%[7] * 最大相对回撤：5.19%[7] 2. **价值均衡50组合模型**[7] * 周收益率：2.28%[7] * 周超额收益（相对国证价值）：2.13%[7] * 月收益率：2.59%[7] * 月超额收益（相对国证价值）：-0.64%[7] * 年收益率：23.60%[7] * 年超额收益（相对国证价值）：15.62%[7] * 最大相对回撤：4.88%[7] 3. **成长50组合模型**[7] * 周收益率：0.08%[7] * 周超额收益（相对国证成长）：-0.06%[7] * 月收益率：-3.18%[7] * 月超额收益（相对国证成长）：-1.62%[7] * 年收益率：26.74%[7] * 年超额收益（相对国证成长）：-1.86%[7] * 最大相对回撤：8.59%[7] 4. **成长均衡50组合模型**[7] * 周收益率：1.52%[7] * 周超额收益（相对国证成长）：1.38%[7] * 月收益率：-1.75%[7] * 月超额收益（相对国证成长）：-0.20%[7] * 年收益率：31.07%[7] * 年超额收益（相对国证成长）：2.47%[7] * 最大相对回撤：12.15%[7] 5. **小盘50组合模型**[7] * 周收益率：-0.21%[7] * 周超额收益（相对国证2000）：-1.39%[7] * 月收益率：4.44%[7] * 月超额收益（相对国证2000）：4.88%[7] * 年收益率：45.27%[7] * 年超额收益（相对国证2000）：16.07%[7] * 最大相对回撤：10.89%[7] 6. **小盘均衡50组合模型**[7] * 周收益率：-0.50%[7] * 周超额收益（相对国证2000）：-1.68%[7] * 月收益率：0.78%[7] * 月超额收益（相对国证2000）：1.23%[7] * 年收益率：41.50%[7] * 年超额收益（相对国证2000）：12.30%[7] * 最大相对回撤：4.56%[7] 量化因子与构建方式 （报告未提及具体的底层量化因子及其构建细节[1][2][3][4][5][6][7]） 因子的回测效果 （报告未提供具体因子的测试结果[1][2][3][4][5][6][7]）

根据研报内容，以下是关于量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：股指期现套利模型**[43] * **模型构建思路**：当股指期货的市场价格偏离其理论价格时，通过在期货和现货市场上进行低买高卖并持有至基差收敛来获取无风险收益[43] * **模型具体构建过程**：模型主要分为正向套利和反向套利两种策略[43] * **正向套利**：当现货被低估而期货被高估时，卖出期货合约并买入现货[43] 其套利收益率计算公式为： $$P={\frac{(F_{\mathrm{t}}-S_{\mathrm{t}})-(S_{\mathrm{t}}+F_{\mathrm{t}}M_{\mathrm{f}})(1+r_{\mathrm{f}})^{\frac{T-t}{360}}-S_{\mathrm{t}}C s-F_{\mathrm{t}}C f)}{S_{\mathrm{t}}+F_{\mathrm{t}}M_{\mathrm{f}}}}$$ 其中，\(S_t\) 和 \(F_t\) 分别为现货与期货在 t 时刻的价格，\(M_f\) 和 \(M_l\) 分别为期货与融券的保证金比率，\(C_s\) 和 \(C_f\) 分别为现货与期货的交易费用比率，\(r_f\) 为无风险利率[43] * **反向套利**：当现货被高估而期货被低估时，买入期货合约并卖出现货[43] 其套利收益率计算公式为： $$P={\frac{(S_{t}-F_{t})-(S_{t}M l+F_{t}M_{f})(1+r_{f})^{\frac{T-t}{360}}-S_{t}C s-F_{t}C f-S_{t}r^{\frac{T-t}{l360}})}{S_{t}M l+F_{t}M_{f}}}$$ 其中，\(r_l\) 为融券年利率[43] * **模型评价**：套利交易存在保证金追加风险、基差不收敛风险、股利风险、现货跟踪误差风险及流动性风险等[44] 2. **因子名称：分红调整基差率**[45] * **因子构建思路**：指数成分股分红会使价格指数回落，并在股指期货价格上造成“额外贴水”，通过对未来分红点位的预测来修正基差率，以更真实地反映市场基差水平[45] * **因子具体构建过程**：该因子的核心是对指数分红点位的预测，具体预测方法如下[45]： * **预测方法**：对于已实施或已公布分红预案的成分股，按实际或预案计算；对于未公布分红预案的成分股，使用公式：预测分红 = EPS × 预测派息率[45] * **EPS取值**：在预测时间t，若t小于10月（上年度分红未结束），使用上年度数据预测（取年报披露的EPS，若未披露则取上年末的EPS_TTM）；若t大于10月（预测明年分红），则取t时间的EPS_TTM[46] * **预测派息率取值**：对于过去三年稳定派息的公司，取过去三年派息率均值；对于稳定派息不足三年但持续盈利的公司，取上一年度派息率；对于过去一年未盈利、正在资产重组、上市不足一年且无分红预告的公司，认为其不分红（派息率为0）[48] * **分红点位计算**：最终计算每个合约期内分红对指数点位的具体影响，公式为： 分红点位 = ∑（每股分红 × 指数收盘价 × 成分股权重 / 成分股收盘价） = ∑（EPS × 预测派息率 × 指数收盘价 × 成分股权重 / 成分股收盘价）[49] * **因子计算**：在得到预测的分红点位后，用于调整主力合约基差率，得到“分红调整基差率”[19] 模型的回测效果 *（注：研报中未提供股指期现套利模型的具体回测指标数值）* 因子的回测效果 1. **分红调整基差率因子**[19] * 截至报告期末，IF主力合约基差率为-0.200%，分红调整后基差率为0.059%[19] * 截至报告期末，IC主力合约基差率为-1.209%，分红调整后基差率为-1.087%[19] * 截至报告期末，IH主力合约基差率为0.121%，分红调整后基差率为0.186%[19] * 截至报告期末，IM主力合约基差率为-1.845%，分红调整后基差率为-1.704%[19] * 未来一年分红对指数点位的预测影响为：IF指数78.97点，IC指数85.28点，IH指数70.12点，IM指数64.84点[13][35]