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**：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变化，识别行业过热或过冷状态[4][11] - **模型具体构建过程**： 1. 计算行业指数的价格波动、成交量、资金流向等指标 2. 综合指标生成拥挤度评分（0%-100%），高分代表高拥挤风险 3. 每日动态监测并对比历史分位数（近30个交易日）[11] - **模型评价**：有效捕捉行业短期交易过热信号，但需结合基本面验证 2. **模型名称**：溢价率Z-score套利信号模型 - **模型构建思路**：通过ETF溢价率的标准化分数（Z-score）识别异常交易机会[6][14] - **模型具体构建过程**： 1. 计算ETF溢价率：$$ \text{溢价率} = \frac{\text{市价}-\text{IOPV}}{\text{IOPV}} \times 100\% $$ 2. 滚动计算溢价率Z-score：$$ Z = \frac{\text{当前溢价率} - \text{历史均值}}{\text{历史标准差}} $$ 3. 阈值触发信号（如Z>2为高溢价风险）[14] - **模型评价**：需注意市场流动性对套利可行性的影响 --- 模型的回测效果 1. **行业拥挤度监测模型**： - 高拥挤行业（如计算机）近期评分86%-96%[11] - 低拥挤行业（如汽车）评分41%-47%[11] 2. **溢价率Z-score模型**： - 触发信号的ETF平均套利窗口期为1-3个交易日[14] --- 量化因子与构建方式 1. **因子名称**：主力资金净流入因子 - **因子构建思路**：监测主力资金流向判断行业短期动能[12][13] - **因子具体构建过程**： 1. 按申万行业分类汇总主力资金净流入额 2. 计算3日滚动净流入合计值[12] 3. 标准化处理：$$ \text{因子值} = \frac{\text{净流入额}}{\text{行业流通市值}} $$ - **因子评价**：对短期反转效应有较强解释力 2. **因子名称**：ETF资金流因子 - **因子构建思路**：跟踪ETF资金净流入捕捉市场情绪[6][9] - **因子具体构建过程**： 1. 按ETF类别（宽基/行业/跨境等）分类统计日净流入 2. 计算资金流占比：$$ \frac{\text{净流入额}}{\text{ETF规模}} $$[6] --- 因子的回测效果 1. **主力资金净流入因子**： - 近3日净流入TOP1行业：农林牧渔（+1.12亿元）[12] - 净流出TOP1行业：电子（-344.09亿元）[12] 2. **ETF资金流因子**： - 宽基ETF单日净流入573.79亿元（沪深300ETF占主导）[6] - 跨境ETF净流入76.48亿元（恒生科技指数ETF+14.49亿元）[6] --- 注：所有公式与数据引用自原文标注的文档ID，未包含风险提示等非核心内容。

量化模型与构建方式 1. **模型名称：行业主力资金统计模型** - 模型构建思路：通过统计大额交易单（≥10万股或≥20万元）的成交金额，识别主力资金流动方向[2][8] - 模型具体构建过程： 1. 每日筛选符合大额条件的交易单，计算净流入金额 2. 按申万一级行业分类汇总资金流向 3. 统计5日/30日累计净流入额并排名[8][9][11] 2. **模型名称：A股行业轮动模型** - 模型构建思路：基于资金、估值、情绪、动量、超买超卖、盈利6因子构建综合打分体系[12] - 模型具体构建过程： - **资金因子**：行业主力净流入率 - **估值因子**：行业当前估值在过去1年的分位数 - **情绪因子**：上涨成分股比例 - **动量因子**：MACD指标 - **超买超卖因子**：RSI指标 - **盈利因子**：行业一致预测EPS在过去1年的分位数 各因子标准化后加权求和得到综合评分[12][14] 3. **模型名称：共识度选股模型** - 模型构建思路：结合行业动量与个股资金-价格走势相似度筛选标的[15] - 模型具体构建过程： 1. 筛选过去30天涨幅前三的申万二级行业 2. 计算个股动量因子（价格变化）、估值因子（PE/PB）、上涨频率 3. 分析高频资金流（分钟级）与价格走势的相关系数 4. 按相似度排名选出各行业前5只股票[15][16] --- 模型的回测效果 1. **行业轮动模型** - 农林牧渔：综合评分14分（资金+++、估值+++、情绪+++、动量+++、超买超卖++）[14] - 交通运输：综合评分8分（资金+++、估值++、情绪+++）[14] - 有色金属：综合评分-9分（估值--、情绪+、动量---、超买超卖---）[14] 2. **共识度选股模型** - 输出标的：普莱柯（动物保健Ⅱ）、回盛生物（动物保健Ⅱ）、晓程科技（贵金属）等[16] --- 量化因子与构建方式 1. **因子名称：主力资金净流入率** - 构建思路：反映大额资金对行业的偏好程度[8][12] - 具体构建： $$ \text{净流入率} = \frac{\sum \text{大单买入金额} - \sum \text{大单卖出金额}}{\text{行业总成交额}} $$ 2. **因子名称：MACD动量因子** - 构建思路：捕捉行业价格趋势变化[12] - 具体构建： $$ \text{MACD} = \text{EMA}_{12} - \text{EMA}_{26} $$ $$ \text{Signal Line} = \text{EMA}_9(\text{MACD}) $$ 3. **因子名称：RSI超买超卖因子** - 构建思路：衡量行业价格超涨/超跌状态[12] - 具体构建： $$ \text{RSI} = 100 - \frac{100}{1 + \frac{\text{平均上涨幅度}}{\text{平均下跌幅度}}} $$ --- 因子的回测效果 （注：报告中未提供具体因子独立测试结果）

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：煤炭行业利润预测模型** - **模型构建思路**：基于动力煤价格指数和产能因子同比变化，预测煤炭行业月度营收和利润增速[10][14] - **模型具体构建过程**： 1. 通过动力煤长协机制确定次月销售价格（价格因子） 2. 结合产能因子同比变化计算行业营收增速 3. 根据成本结构推导利润增速 *公式*： $$ \text{利润增速} = f(\text{价格因子}, \text{产能因子}, \text{成本结构}) $$ - **模型评价**：对煤价变动敏感，但未考虑政策调控等非量化因素[14] 2. **模型名称：生猪供需缺口模型** - **模型构建思路**：利用能繁母猪存栏量与6个月后生猪出栏的稳定比例关系预测供需缺口[15][17] - **模型具体构建过程**： 1. 计算历史出栏系数： $$ \text{出栏系数} = \frac{\text{单季度生猪出栏}}{\text{6个月前能繁母猪存栏}} $$ 2. 预测未来产能： $$ \text{潜在产能} = \text{当前能繁母猪存栏} \times \text{上年同期出栏系数} $$ 3. 对比历史需求数据判断过剩/短缺[17] 3. **模型名称：普钢行业利润测算模型** - **模型构建思路**：综合钢材售价与铁矿石、焦炭等成本指标预测单吨盈利[18][22] - **模型具体构建过程**： 1. 跟踪普通钢材综合售价 2. 加权计算铁矿石、焦炭、喷吹煤、废钢等成本指标 3. 通过价差模型计算单吨毛利[22] 4. **模型名称：裂解价差模型（燃料型炼化）** - **模型构建思路**：通过成品油与原油价差测算炼化行业利润[30][35] - **模型具体构建过程**： 1. 监测成品油（汽油/柴油）价格 2. 对比原油进口成本计算裂解价差 *公式*： $$ \text{裂解价差} = \text{成品油价格} - \text{原油成本} $$ 3. 结合库存变动预测利润增速[35] 量化因子与构建方式 1. **因子名称：PMI滚动均值因子** - **因子构建思路**：通过12个月PMI均值变化判断制造业景气周期[22][29] - **因子具体构建过程**： $$ \text{PMI滚动均值} = \frac{\sum_{i=t-11}^{t} \text{PMI}_i}{12} $$ 2. **因子名称：基建托底预期因子** - **因子构建思路**：综合制造业PMI与商品房销售数据判断基建投资预期[25][29] - **因子具体构建过程**： 1. 监测制造业PMI滚动均值 2. 跟踪商品房销售面积同比变化 3. 当两者同步走弱时触发信号[29] 模型回测效果 1. **煤炭行业利润预测模型** - 2025年3月预测准确率：78%（历史回溯）[14] - 信号滞后性：1-2个月[14] 2. **生猪供需缺口模型** - 历史周期识别准确率：2019-2024年猪周期全部捕捉[17] - 供给过剩预测误差：±5%[17] 3. **裂解价差模型** - 油价波动敏感度：β=1.2[35] - 库存损失预测准确率：83%[30] 因子回测效果 1. **PMI滚动均值因子** - 普钢行业超额收益相关性：ρ=0.62[22] - 信号窗口期：3-6个月[22] 2. **基建托底预期因子** - 建筑装饰行业超额收益：信号触发后60天平均+4.2%[29] 注：所有测试结果基于2012-2025年历史数据回测[14][17][22][29][35]

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：人工智能全球大类资产配置模型** - **模型构建思路**：基于机器学习模型和因子投资思路，对大类资产进行打分排序，构建月频量化等权配置策略[39] - **模型具体构建过程**： 1. 使用历史数据统计和建模，提取多维度因子（如经济增长、通胀、信用等宏观指标） 2. 通过机器学习模型对资产打分，生成配置权重 3. 输出可投资的等权组合，覆盖国债、股票、商品等资产类别 - **模型评价**：策略在年化收益率、夏普比率和最大回撤上均优于基准，表现稳定[39][44] 2. **模型名称：动态宏观事件因子的股债轮动策略** - **模型构建思路**：基于经济增长和货币流动性信号，构建不同风险偏好的股债配置策略（进取/稳健/保守型）[45] - **模型具体构建过程**： 1. 动态监测宏观事件因子（如PMI、PPI、M1-M2剪刀差等）[48] 2. 通过风险预算模型分配股债权重，信号强度决定仓位调整 3. 输出三类策略的差异化配置比例（如4月进取型股票权重25%）[45][47] - **模型评价**：长期年化收益率显著高于基准（进取型20.02%），且回撤控制更优[51] 3. **模型名称：红利风格择时模型** - **模型构建思路**：结合经济增长和货币流动性指标，对中证红利指数进行动态仓位调整[53] - **模型具体构建过程**： 1. 选取10个宏观指标（如PPI同比、国债利差、Shibor等）构建信号体系[54] 2. 通过合成信号生成仓位建议（如4月推荐仓位100%） 3. 对比中证红利全收益指数优化稳定性[53] - **模型评价**：年化收益率（16.86%）和夏普比率（0.95）显著提升，最大回撤降低至-21.22%[54] --- 模型的回测效果 1. **人工智能全球大类资产配置模型** - 年化收益率：6.45% - 夏普比率：1.01 - 最大回撤：6.66% - 超额年化收益率：1.28%（基准4.75%）[44] 2. **动态宏观事件因子股债轮动策略** - 进取型年化收益率：20.02% - 稳健型年化收益率：11.02% - 保守型年化收益率：6.03% - 最大回撤（进取型）：-13.72%（基准-46.24%）[51] 3. **红利风格择时模型** - 年化收益率：16.86%（中证红利基准11.30%） - 夏普比率：0.95 - 最大回撤：-21.22%（基准-36.80%）[54] --- 量化因子与构建方式 1. **经济增长维度因子** - **因子构建思路**：反映宏观经济景气度，包括生产、需求、工业活动等指标[19][23] - **具体因子**： - 中采制造业PMI及细分项（生产52.6%、新订单51.8%）[19] - 工业增加值同比、PPI同比（-2.2%）、M1-M2剪刀差（-6.9%）[26][29] 2. **货币流动性维度因子** - **因子构建思路**：监测市场流动性松紧程度[31][36] - **具体因子**： - 国债利率期限结构（10年国债利率上升9.77BP）[31] - DR007移动平均值、逆回购利率差额[36][38] 3. **信用维度因子** - **因子构建思路**：跟踪社会融资规模和货币供应量变化[29] - **具体因子**： - 社融存量同比（8.2%）、新增社融（22333亿元）[29] --- 因子的回测效果 （注：报告中未单独列出因子层面的回测指标，仅体现为模型合成信号强度） 例如： - 4月经济增长信号强度：0%（上月60%）[46] - 货币流动性信号强度：50%（上月0%）[46]

根据提供的研报内容，未发现涉及量化模型或量化因子的具体构建、测试及评价相关内容。文档主要展示北交所市场数据（如涨跌幅排名[9][10]、成交额与换手率[8]、估值对比[11][12]）、行业市盈率分布[14]以及免责声明[17][18]等基础信息，未提及任何量化策略或因子分析方法。因此无法按模板要求总结模型/因子相关内容。

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. **多因子模型** - 构建思路：通过综合多个因子指标构建选股模型，捕捉市场超额收益[11][17] - 具体构建过程：未明确披露因子构成，但提及采用动态加权方式整合价值、动量、质量等因子[17] - 模型评价：在震荡市中表现稳健，但对因子间相关性敏感[17] 2. **大数据驱动模型** - 构建思路：利用另类数据（如网络舆情、交易行为）构建预测模型[18][20] - 具体构建过程： 1) 数据清洗：$$ \text{Score}_i = \frac{x_i - \mu}{\sigma} $$ 标准化处理 2) 特征工程：采用NLP技术提取文本情绪因子 3) 集成学习：XGBoost算法加权输出信号[18] - 模型评价：在短期趋势预测中有效性显著，但存在过拟合风险[20] 量化因子与构建方式 1. **动量因子** - 构建思路：捕捉资产价格延续趋势[4][12] - 具体构建过程： $$ \text{MOM}_{t,n} = \frac{P_t}{P_{t-n}} - 1 $$ 其中n=20日/60日双时间窗口[4] - 因子评价：在中证1000成分股中表现突出[4] 2. **波动率因子** - 构建思路：识别低波动个股的防御特性[12][18] - 具体构建过程： $$ \sigma_i = \sqrt{\frac{1}{n}\sum_{t=1}^n (r_t - \bar{r})^2} $$ 采用20日滚动计算[12] 模型回测效果 | 模型名称 | 本周收益中位数 | 本月收益中位数 | 本年度收益中位数 | |------------------|----------------|----------------|------------------| | 多因子模型 | -0.79%[17] | 0.06%[17] | 6.03%[17] | | 大数据驱动模型 | -0.66%[18] | -0.27%[18] | 2.98%[18] | 因子回测效果 | 因子名称 | IC均值 | IR值 | 分位数稳定性 | |--------------|--------|--------|--------------| | 动量因子 | 0.12[4]| 1.8[4] | 75%[4] | | 波动率因子 | -0.09[12]| 0.7[12] | 62%[12] | 注：所有结果均基于2025年4月3日前推数据[3][5][12]

量化模型与构建方式 1 模型名称：公用事业指数趋势跟踪模型 模型构建思路：模型假设标的价格走势具有局部延续性，价格处于某一趋势中，反转行情持续时间短于趋势延续时间，窄幅盘整时延续之前趋势[4] 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 - 计算T-20日至T日（不含）时间段波动率Vol - 趋势判断规则： $$ |del| > N \times Vol $$ 时认为形成新趋势，方向与del符号一致 $$ |del| \leq N \times Vol $$ 时延续T-1日趋势方向 - 参数设置：N=1（适应股票市场波动特性）[4] 模型评价：在连续波动行情中表现不佳，净值持续下降且出现长期大幅回撤，不适合直接用于申万一级公用事业指数[5] 模型的回测效果 1 公用事业指数趋势跟踪模型： - 区间年化收益：-16.67% - 波动率（年化）：15.99% - 夏普率：-1.04 - 最大回撤：32.10% - 指数期间总回报率：-0.35%[4] （注：报告中未涉及量化因子相关内容，故不输出该部分）

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：宏观择时策略** - **模型构建思路**：基于动态宏观事件因子进行股债轮动配置，通过经济增长和货币流动性两个维度生成信号[28][29] - **模型具体构建过程**： 1. **经济增长信号**：综合PMI、工业增加值等经济指标，信号强度为0%（4月）[29] 2. **货币流动性信号**：跟踪SHIBOR、DR007等利率指标，信号强度为50%（4月）[29] 3. **仓位计算**：3月权益推荐仓位为25%，通过加权信号强度动态调整[28][29] - **模型评价**：策略2025年初收益率1.06%，略低于Wind全A的1.90%，但风险控制稳健[28] 2. **模型名称：微盘股择时模型** - **模型构建思路**：结合交易情绪（波动率拥挤度）和基本面（利率同比）指标监控风险[32][33] - **模型具体构建过程**： 1. **波动率拥挤度指标**：$$ \text{波动率拥挤度同比} = \frac{\text{当前波动率}}{\text{历史波动率均值}} - 1 $$，阈值0.3，当前-50.09%[33] 2. **利率同比指标**：$$ \text{十年国债利率同比} = \frac{\text{当前利率}}{\text{去年同期利率}} - 1 $$，阈值0.3，当前-20.45%[33] 3. **信号触发**：若任一指标突破阈值则触发风控，当前未触发[32] --- 量化因子与构建方式 1. **因子名称：大类选股因子（8类）** - **因子构建思路**：覆盖市值、价值、成长、质量等维度，在A股、沪深300等股票池中测试[43][45] - **因子具体构建过程**（部分示例）： - **价值因子**：$$ BP\_LR = \frac{\text{账面净资产}}{\text{市值}} $$，方向↑[55] - **成长因子**：$$ \text{Revenues\_SQ\_Chg1Y} = \frac{\text{单季度营业收入}}{\text{去年同期营业收入}} - 1 $$，方向↑[55] - **波动率因子**：$$ \text{Volatility\_60D} = \sqrt{\frac{1}{60}\sum_{t=1}^{60}(r_t - \bar{r})^2} $$，方向↓[55] 2. **因子名称：可转债择券因子** - **因子构建思路**：从正股财务质量、估值等角度构建转债筛选因子[47][51] - **因子具体构建过程**： - **正股财务质量因子**：基于ROE、现金流等指标合成[51] - **转债估值因子**：$$ \text{平价底价溢价率} = \frac{\text{转债价格}}{\text{纯债价值}} - 1 $$[51] --- 模型的回测效果 1. **宏观择时模型** - 年化收益率：1.06%（2025年初至今）[28] - 同期基准（Wind全A）：1.90%[28] 2. **微盘股择时模型** - 波动率拥挤度指标：-50.09%（未触发风控）[33] - 利率同比指标：-20.45%（未触发风控）[33] --- 因子的回测效果 1. **大类选股因子（上周IC均值）** - **价值因子**：沪深300股票池中IC均值19.53%[45] - **质量因子**：全A股票池中IC均值1.75%[45] - **反转因子**：中证1000股票池中IC均值7.94%[45] 2. **可转债择券因子（上周多空收益）** - 正股财务质量因子：正收益[51] - 转债估值因子：正收益[51] --- 以上总结严格基于研报中提及的模型、因子及其构建逻辑[28][29][32][33][43][45][51][55]。

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**：指数驱动型投顾模型 **模型构建思路**：通过跟踪特定指数（如沪深300、中证500等）构建投资组合，利用指数成分股的权重变化进行调仓[12] **模型具体构建过程**： - 筛选基准指数（如沪深300）成分股，按市值加权分配初始权重 - 每月根据指数成分股调整情况动态调仓，保持与指数的一致性 - 对QDII类资产采用被动跟踪策略，配置港股、中概股等指数基金[44][55] **模型评价**：策略透明度高，费用较低，但超额收益能力有限[16] 2. **模型名称**：主动优选型投顾模型 **模型构建思路**：通过主动选基和行业轮动获取超额收益[12] **模型具体构建过程**： - 筛选近3个月业绩排名前50%的主动权益基金 - 结合宏观研判调整行业配置（如增配科技、减配周期）[32] - 使用Calmar比率控制回撤，限制单行业暴露不超过20%[29] 模型的回测效果 1. **指数驱动型模型**： - 2025年3月收益0.61%，近1年收益12.14%[16][23] - Calmar比率2.15，最大回撤4.3%[29] 2. **主动优选型模型**： - 2025年3月收益0.60%，近1年收益11.5%[16][44] - Calmar比率1.98，最大回撤6.0%[25] 量化因子与构建方式 1. **因子名称**：久期调整因子 **因子构建思路**：通过债券久期变化预判利率风险[34] **因子具体构建过程**： - 计算组合加权久期： $$久期 = \sum(债券市值占比 \times 个券久期)$$ - 当市场利率波动率上升时，触发久期缩短信号[32] 2. **因子名称**：小盘暴露因子 **因子构建思路**：捕捉小盘风格溢价[47] **因子具体构建过程**： - 穿透基金持仓计算中证1000成分股市值占比 - 设置阈值：占比>10%判定为小盘暴露[49] 因子的回测效果 1. **久期调整因子**： - 2025年3月纯债型组合久期缩短0.11年，对应收益提升0.2%[38] 2. **小盘暴露因子**： - 2025年3月小盘配置比例10.96%，近3月超额收益-0.4%[44][47]

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：用于衡量涨停股票的稳定性[17] - 具体构建： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月以上的股票，计算当日同时满足盘中最高价涨停和收盘涨停的比例[17] - 因子评价：反映市场情绪强弱，高封板率表明资金封板意愿坚决 2. **连板率因子** - 构建思路：评估涨停股票的持续性[17] - 具体构建： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 通过追踪前一日涨停股票在当日的延续表现[17] - 因子评价：高连板率显示市场热点持续性较好 3. **大宗交易折价率因子** - 构建思路：监测机构资金交易偏好[26] - 具体构建： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 计算单日所有大宗交易成交价相对于市值的整体偏离[26] - 因子评价：折价率扩大通常预示机构减持压力 4. **股指期货年化贴水率因子** - 构建思路：量化期货市场情绪[28] - 具体构建： $$年化贴水率=\frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right)$$ 对四大股指期货主力合约（上证50/沪深300/中证500/中证1000）分别计算[28] - 因子评价：深度贴水反映市场避险情绪浓厚 因子回测效果 1. **封板率因子** - 当日取值：66%（较前日下降8%）[17] - 观察窗口：近1个月时间序列 2. **连板率因子** - 当日取值：21%（较前日提升3%）[17] - 观察窗口：近1个月时间序列 3. **大宗交易折价率因子** - 当日取值：4.26%（近半年均值5.38%）[26] - 历史分位：未提供明确分位数 4. **股指期货年化贴水率因子** - 上证50：15.05%（近1年11%分位）[28] - 沪深300：19.06%（近1年4%分位）[28] - 中证500：26.71%（近1年3%分位）[28] - 中证1000：5.81%（近1年78%分位）[28] 注：报告中未涉及量化模型的构建与测试，仅包含市场监测类因子的计算[17][26][28]