根据提供的研报内容，经全面梳理后总结如下： 量化模型与构建方式 1. **模型名称**：GPT-4.5（PERSONA提示策略） - **构建思路**：通过人格化提示策略增强AI在对话中的拟人化表现[15] - **具体构建**： 1. 采用三方图灵测试框架，设置人类提问者与AI/人类双证人对话场景 2. 使用PERSONA提示策略引导模型模仿特定人格特征（如年轻、内向、熟悉网络文化） 3. 对话流程：5分钟同步对话后由提问者判断身份 4. 关键公式： $$ \text{误判率} = \frac{\text{被认作人类的AI次数}}{\text{总测试次数}} $$ - **模型评价**：人格化提示显著提升拟真度，文化背景影响判断效果[17] 2. **模型名称**：LLaMa-3.1-405B（PERSONA策略） - **构建思路**：通过大规模参数模型实现自然语言交互[15] - **具体构建**： 1. 与GPT-4.5共享相同的三方测试框架 2. 采用相同的PERSONA/NO-PERSONA双提示策略 3. 通过1.58万次对话测试验证效果[16] 3. **模型名称**：AutoGLM沉思模型 - **构建思路**：通过强化学习实现长程推理与任务执行[19] - **具体构建**： 1. 技术演进路径：GLM-4→GLM-Z1→GLM-Z1-Rumination→AutoGLM 2. 核心能力： - 深度思考：模拟人类复杂决策过程 - 感知世界：环境信息理解系统 - 工具使用：多模态操作接口[22] 4. **模型名称**：金乌太阳大模型 - **构建思路**：基于太阳物理参数预测耀斑活动[40] - **具体构建**： 1. 以通义千问开源模型为基础 2. 输入层：太阳物理参数+观测图像 3. 输出层：24小时耀斑预测+物理参数推测 4. 训练数据：90万张太阳卫星图像[40] 量化因子与构建方式 1. **因子名称**：MathArena数学能力评估因子 - **构建思路**：量化大模型解决奥赛题的能力[43] - **具体构建**： 1. 测试集：2025年美国数学奥赛6道证明题（总分42） 2. 评分标准：专家人工评分（0-7分/题） 3. 关键指标： $$ \text{正确率} = \frac{\text{模型得分}}{\text{满分}} \times 100\% $$ - **因子评价**：暴露模型逻辑错误与创造力缺陷[46] 2. **因子名称**：UQABench个性化问答因子 - **构建思路**：评估嵌入提示对LLM个性化推荐的效果[47] - **具体构建**： 1. 三级评估流程： - 预训练：用户交互数据编码 - 微调：Q-Former语义空间对齐 - 评估：序列理解/行为预测/兴趣感知[51] 2. 关键公式： $$ \text{效率比} = \frac{\text{文本提示token量}}{\text{嵌入方法token量}} $$ 模型的回测效果 1. **GPT-4.5模型** - 误判率：73%（PERSONA策略）[16] - 显著优于随机水平（p<0.001）[17] 2. **LLaMa-3.1模型** - 误判率：56%（PERSONA策略）[16] - Prolific平台用户测试达65%[16] 3. **金乌模型** - 耀斑预测准确率：91%（M5级）[40] 因子的回测效果 1. **MathArena因子** - DeepSeek-R1正确率：4.76%[43] - Gemini-2.5-pro正确率：24.4%[45] 2. **UQABench因子** - 行为预测效果：42.38（嵌入方法）vs 41.39（文本提示）[53] - Token消耗比：1:19（嵌入vs文本）[53]

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**：通过统计每日交易单中大于等于10万股或金额大于等于20万元的成交金额，识别主力资金流动情况[2] - **模型具体构建过程**： 1. 筛选符合条件的交易单（大单成交） 2. 计算每日全市场股票的主力资金净流入数据 3. 按申万一级行业分类汇总行业主力资金净流入额[8] 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、超买超卖和盈利6个因子构建综合打分体系[12] - **模型具体构建过程**： 1. **资金因子**：行业主力净流入率 2. **估值因子**：行业当前估值在过去1年的分位数 3. **情绪因子**：行业成分股上涨比例 4. **动量因子**：MACD指标 5. **超买超卖因子**：RSI指标 6. **盈利因子**：行业一致预测EPS在过去1年的分位数 7. 对各因子标准化后加权求和，生成行业综合评分[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、估值、高频资金流与价格走势相似度筛选个股[15] - **模型具体构建过程**： 1. 筛选过去30天涨幅靠前的申万二级行业 2. 计算个股的动量因子（月度涨幅）、估值因子（如PE分位数）、上涨频率 3. 结合高频分钟数据计算资金净流入变化 4. 计算资金流与价格走势的相似度（如相关系数） 5. 在目标行业中选取相似度最高的5只股票[15][16] --- 模型的回测效果 1. **行业主力资金统计模型** - 过去5日主力资金净流入前五行业：美容护理（-0.8亿元）、综合（-2.35亿元）、轻工制造（-4.2亿元）、建筑材料（-8.68亿元）、环保（-10.23亿元）[8] - 过去30日主力资金净流入前五行业：综合（-14.42亿元）、美容护理（-20.79亿元）、煤炭（-25.01亿元）、建筑材料（-33.68亿元）、纺织服饰（-55.2亿元）[9][10] 2. **A股行业轮动模型** - 本期综合评分最高行业：农林牧渔（14分）、交通运输（8分）、公用事业（7分）[14] - 评分最低行业：有色金属（-9分）、电子（-6分）、石油石化（-6分）[14] 3. **共识度选股模型** - 本期选股结果：动物保健II（普莱柯、回盛生物等）、贵金属（晓程科技、四川黄金等）、特钢II（久立特材、翔楼新材等）[16] --- 量化因子与构建方式 1. **因子名称：资金因子（行业轮动模型）** - **构建思路**：反映主力资金对行业的偏好[12] - **具体构建**：行业主力净流入率 = 行业主力资金净流入额 / 行业总成交额[12] 2. **因子名称：估值因子（行业轮动模型）** - **构建思路**：衡量行业估值相对历史水平的高低[12] - **具体构建**：当前行业PE/PB在过去1年的分位数[12] 3. **因子名称：情绪因子（行业轮动模型）** - **构建思路**：捕捉市场短期情绪变化[12] - **具体构建**：行业成分股中当日上涨股票数量占比[12] 4. **因子名称：动量因子（行业轮动模型 & 共识度选股模型）** - **构建思路**：追踪行业或个股的趋势强度[12][15] - **具体构建**：MACD指标（行业）或过去30天涨幅（个股）[12][15] 5. **因子名称：高频资金流相似度（共识度选股模型）** - **构建思路**：量化资金流与价格走势的协同性[15] - **具体构建**：计算个股分钟级资金流序列与价格序列的相关系数或动态时间规整（DTW）距离[15] --- 因子的回测效果 （注：报告中未提供因子单独测试结果，仅展示模型综合输出）

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. **风险溢价模型** - 模型构建思路：以十年期国债即期收益率为无风险利率参考，计算各宽基指数相对于无风险利率的风险溢价，衡量投资价值和偏离情况[26][27] - 模型具体构建过程： 1. 计算各指数日收益率与十年期国债即期收益率的差值 2. 统计近1年、近5年的分位值及波动率 3. 通过均值复归现象分析极端偏离情况[28][29] - 模型评价：中证1000和中证2000的风险溢价波动率较大，显示更高的市场不确定性[27][29] 2. **股债性价比模型** - 模型构建思路：基于PE-TTM倒数与十年期国债收益率的差值，衡量股票相对债券的吸引力[39][42] - 模型具体构建过程： $$ \text{股债性价比} = \frac{1}{\text{PE-TTM}} - \text{十年期国债收益率} $$ 并计算近5年分位值及标准差带[42] 3. **股息率分析模型** - 模型构建思路：跟踪现金分红回报率，评估高股息资产在市场低迷期的避险价值[43][44] - 模型具体构建过程： 1. 计算各指数成分股的加权股息率 2. 统计历史分位值及波动区间[46][48] 模型的回测效果 1. **风险溢价模型** - 上证50近5年分位值0.16%，沪深300近5年分位值0.16%，中证500/1000/2000均跌至近5年低位（0.00%分位）[29] - 近1年波动率：中证2000最高（2.30%），上证50最低（1.21%）[29] 2. **股债性价比模型** - 当前所有指数均高于80%分位值，中证500分位值70.0%，创业板指仅12.48%[39][42] - PE-TTM波动率：中证2000最高（18.00），上证50最低（0.39）[39] 3. **股息率模型** - 沪深300股息率近5年分位值100%，中证全指99.83%，中证2000最低（92.07%）[46][48] - 近1年波动率：创业板指最高（0.17%），上证50最低（0.24%）[48] 量化因子与构建方式 1. **破净率因子** - 因子构建思路：通过市净率<1的个股占比反映市场估值态度[49][50] - 因子具体构建过程： $$ \text{破净率} = \frac{\text{市净率}<1的个股数量}{\text{指数成分股总数}} \times 100\% $$ 当前值：上证50（32.0%）、创业板指（3.0%）[50] 2. **收益分布形态因子** - 因子构建思路：通过峰度和偏度量化日收益率分布的集中度与极端收益倾向[21][22] - 因子具体构建过程： 1. 计算近5年与当前峰度差值（创业板指+5.48最大） 2. 统计偏度变化（创业板指正偏态+1.31）[22] 因子的回测效果 1. **破净率因子** - 当前破净率：沪深300（20.67%）、中证1000（12.8%）、中证2000（7.5%）[50] 2. **收益分布形态因子** - 当前峰度偏离：创业板指+5.48，中证2000-0.14[22] - 当前偏度偏离：创业板指+1.31，中证2000-0.05[22]

量化模型与构建方式 1. **模型名称**：交通运输指数趋势跟踪模型 **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与波动率关系判断趋势方向[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（未说明具体计算方法，默认标准差） - 趋势判断规则： - 若$$|del| > N \times Vol$$（取N=1），则趋势方向与del符号一致（正为多头，负为空头） - 若$$|del| \leq N \times Vol$$，则延续T-1日趋势方向[3] **模型评价**：在窄幅震荡行情中净值波动小，趋势行情中收益有限且回撤较大，不适合直接用于申万交通运输指数[4] 模型的回测效果 1. **交通运输指数趋势跟踪模型**： - 区间年化收益：2.27% - 波动率（年化）：16.87% - 夏普率：0.13 - 最大回撤：13.66% - 指数期间总回报率：-9.74%（基准对比）[3] 量化因子与构建方式 （报告中未提及独立因子构建，仅包含模型逻辑） 因子的回测效果 （报告中未涉及因子单独测试） 注：模型参数N=1基于股票市场波动特性设定[3]，测试区间为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**：房地产指数趋势跟踪模型 - **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与波动率关系判断趋势方向[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$$|del| > N \times Vol$$（N=1），则形成新趋势，方向与del符号一致 - 否则延续T-1日趋势方向[3] - **模型评价**：在指数下行和短期暴涨行情中均能有效捕捉趋势，避免长期大幅回撤[4] 模型的回测效果 1. **房地产指数趋势跟踪模型**： - 区间年化收益：26.03% - 波动率（年化）：30.70% - 夏普率：0.85 - 最大回撤：18.18% - 指数期间总回报率：-27.38%[3] 量化因子与构建方式 （报告中未提及具体量化因子） 因子的回测效果 （报告中未提及因子测试结果） 注：图表数据（净值、回撤等）因格式限制未提取具体数值[5][7][9]

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。