根据提供的金融工程日报内容，报告主要描述了市场表现、情绪、资金流向及各类折溢价指标，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[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41]。 因此，本总结中关于量化模型与因子及其回测效果的部分暂无相关内容。

根据提供的研报内容，以下是关于量化因子与模型的总结： 量化因子与构建方式 1. **因子名称：大买单成交金额占比**[8] * **因子构建思路**：该因子旨在刻画大资金的买入行为[8] 其构建思路是基于逐笔成交数据，通过还原买卖单并筛选大单，计算大买单金额在总成交额中的比例[8] * **因子具体构建过程**： 1. 数据准备：获取股票的逐笔成交数据，数据中包含叫买序号和叫卖序号[8] 2. 还原买卖单：根据逐笔成交数据中的叫买和叫卖序号，将逐笔成交数据还原为原始的买卖单数据[8] 3. 筛选大单：对还原后的买卖单，按照每单的成交量设定阈值，筛选出符合条件的大额订单（大单）[8] 4. 计算因子值：针对筛选出的大单，计算其中所有买单的成交金额总和，然后将此总和除以当日该股票的总成交金额，得到大买单成交金额占比[8] 公式如下： $$大买单成交金额占比 = \frac{当日大买单成交总金额}{当日总成交金额}$$[8] 2. **因子名称：净主动买入金额占比**[8] * **因子构建思路**：该因子旨在刻画投资者的主动买入行为[8] 其构建思路是基于逐笔成交数据中的买卖标志，区分主动买入和主动卖出，并计算其净额相对于总成交额的比例[8] * **因子具体构建过程**： 1. 数据准备：获取股票的逐笔成交数据，数据中包含买卖标志[8] 2. 界定主动交易：根据逐笔成交数据中的买卖标志，界定每一笔成交是属于主动买入还是主动卖出[8] 3. 计算净额：将当日所有主动买入的成交金额相加，减去当日所有主动卖出的成交金额相加，得到净主动买入金额[8] 4. 计算因子值：将计算得到的净主动买入金额除以当日该股票的总成交金额，得到净主动买入金额占比[8] 公式如下： $$净主动买入金额占比 = \frac{当日主动买入总金额 - 当日主动卖出总金额}{当日总成交金额}$$[8] 因子的回测效果 1. **大买单成交金额占比因子** * 在个股层面的近期表现（2025年10月20日至2025年10月24日过去5日均值）：石化机械 (88.4%)、神开股份 (87.0%)、东方园林 (86.4%) 等[10] * 在宽基指数层面的近期表现（2025年10月20日至2025年10月24日过去5日均值）：上证指数 (75.2%)、上证50 (73.9%)、沪深300 (75.5%)、中证500 (76.0%)、创业板指 (75.2%)[13] * 在行业（中信一级）层面的近期表现（2025年10月20日至2025年10月24日过去5日均值）：银行 (80.7%)、钢铁 (79.5%)、非银行金融 (79.2%) 等[14] * 在ETF层面的近期表现（2025年10月20日至2025年10月24日过去5日均值）：博时中证全球中国教育ETF (91.2%)、华夏创成长ETF (90.5%)、富国上证综指ETF (90.0%) 等[16] 2. **净主动买入金额占比因子** * 在个股层面的近期表现（2025年10月20日至2025年10月24日过去5日均值）：唐山港 (20.7%)、常青股份 (17.0%)、双元科技 (16.3%) 等[11] * 在宽基指数层面的近期表现（2025年10月20日至2025年10月24日过去5日均值）：上证指数 (-0.8%)、上证50 (3.3%)、沪深300 (2.3%)、中证500 (0.8%)、创业板指 (5.3%)[13] * 在行业（中信一级）层面的近期表现（2025年10月20日至2025年10月24日过去5日均值）：电子 (8.0%)、通信 (7.4%)、国防军工 (3.5%) 等[14] * 在ETF层面的近期表现（2025年10月20日至2025年10月24日过去5日均值）：博时上证科创板芯片ETF (15.6%)、易方达中证红利ETF (15.2%)、华泰柏瑞中证2000ETF (15.0%) 等[17]

根据提供的周报内容，其核心是对已构建的Smart Beta组合进行业绩跟踪，而非详细阐述模型和因子的构建过程。报告引用了2024年10月5日发布的专题报告《基于投资目标的基础 Smart beta 组合构建与配置》作为构建依据[6]。因此，本总结将基于周报中提及的信息，对涉及的组合模型进行梳理。 量化模型与构建方式 1. **模型名称**： 价值50组合 & 价值均衡50组合[4][6][8] **模型构建思路**： 基于价值风格，分别以高beta弹性和长期稳健超额收益为目标构建投资组合[6] **模型具体构建过程**： 报告未详细描述具体构建过程，但指出其原理、假设和计算方法已在2024年10月5日的专题报告中披露[6][29] 2. **模型名称**： 成长50组合 & 成长均衡50组合[4][6][17] **模型构建思路**： 基于成长风格，分别以高beta弹性和长期稳健超额收益为目标构建投资组合[6] **模型具体构建过程**： 报告未详细描述具体构建过程，但指出其原理、假设和计算方法已在2024年10月5日的专题报告中披露[6][29] 3. **模型名称**： 小盘50组合 & 小盘均衡50组合[4][6][22] **模型构建思路**： 基于小盘风格，分别以高beta弹性和长期稳健超额收益为目标构建投资组合[6] **模型具体构建过程**： 报告未详细描述具体构建过程，但指出其原理、假设和计算方法已在2024年10月5日的专题报告中披露[6][29] 模型的回测效果 （数据统计周期：上周为2025年10月20日至2025年10月24日；月收益为2025年10月9日至2025年10月24日；年收益为2025年01月02日至2025年10月24日）[7] 1. **价值50组合**[7] * 基准指数：国证价值[7] * 周收益率：0.86%[7] * 周超额收益：-0.81%[7] * 月收益率：4.84%[7] * 月超额收益：1.76%[7] * 年收益率：15.59%[7] * 年超额收益：7.76%[7] * 最大相对回撤：5.19%[7] 2. **价值均衡50组合**[7] * 基准指数：国证价值[7] * 周收益率：1.76%[7] * 周超额收益：0.10%[7] * 月收益率：0.31%[7] * 月超额收益：-2.77%[7] * 年收益率：20.85%[7] * 年超额收益：13.02%[7] * 最大相对回撤：4.88%[7] 3. **成长50组合**[7] * 基准指数：国证成长[7] * 周收益率：3.03%[7] * 周超额收益：-1.50%[7] * 月收益率：-3.25%[7] * 月超额收益：-1.55%[7] * 年收益率：26.78%[7] * 年超额收益：-1.64%[7] * 最大相对回撤：7.28%[7] 4. **成长均衡50组合**[7] * 基准指数：国证成长[7] * 周收益率：4.14%[7] * 周超额收益：-0.39%[7] * 月收益率：-3.22%[7] * 月超额收益：-1.53%[7] * 年收益率：29.68%[7] * 年超额收益：1.26%[7] * 最大相对回撤：12.20%[7] 5. **小盘50组合**[7] * 基准指数：国证2000[7] * 周收益率：5.29%[7] * 周超额收益：1.71%[7] * 月收益率：4.66%[7] * 月超额收益：6.27%[7] * 年收益率：45.58%[7] * 年超额收益：17.88%[7] * 最大相对回撤：10.89%[7] 6. **小盘均衡50组合**[7] * 基准指数：国证2000[7] * 周收益率：3.65%[7] * 周超额收益：0.07%[7] * 月收益率：1.29%[7] * 月超额收益：2.90%[7] * 年收益率：42.21%[7] * 年超额收益：14.51%[7] * 最大相对回撤：4.56%[7] 量化因子与构建方式 （本报告中未涉及具体量化因子的构建与说明） 因子的回测效果 （本报告中未涉及具体量化因子的测试结果）

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：Black-Litterman模型（BL模型）**[12] * **模型构建思路：** BL模型是传统均值-方差模型（MVO）的改进，采用贝叶斯理论将投资者的主观观点与量化配置模型有机结合起来，通过投资者对市场的分析预测资产收益，进而优化资产配置权重[12] * **模型具体构建过程：** 该模型有效地解决了均值-方差模型对于预期收益敏感的问题，同时相较纯主观投资具有更高的容错性[12] 报告中提及了两种应用：全球资产BL模型和国内资产BL模型，分别基于不同的资产池构建[13] 全球资产BL模型的资产池包括沪深300、恒生指数、标普500、中债-国债总财富指数、中债-企业债总财富指数与南华商品指数[13] 国内资产BL模型的资产池包括沪深300、中证1000、恒生指数、中债-国债总财富指数、中债-企业债总财富指数、中证转债、南华商品指数和SHFE黄金[13] * **模型评价：** 为投资者持续提供高效的资产配置方案[12] 2. **模型名称：风险平价模型**[18] * **模型构建思路：** 风险平价模型是传统均值-方差模型的改进，其核心思想是把投资组合的整体风险分摊到每类资产（因子）中去、使得每类资产（因子）对投资组合整体风险的贡献相等[18] * **模型具体构建过程：** 该模型从各资产（因子）的预期波动率及预期相关性出发，计算得到初始资产配置权重下各资产（因子）对投资组合的风险贡献，然后对各资产（因子）实际风险贡献与预期风险贡献间的偏离度进行优化，从而得到最终资产配置权重[18] 构建过程分为三步：第一步，选择合适的底层资产；第二步，计算资产对组合的风险贡献；第三步，求解优化问题计算持仓权重[19] 报告中构建了全球资产风险平价模型和国内资产风险平价模型[19] 3. **模型名称：基于宏观因子的资产配置模型**[22] * **模型构建思路：** 该框架建立了一个宏观研究与资产配置研究的桥梁，通过构造涵盖增长、通胀、利率、信用、汇率和流动性六大风险的宏观因子体系，将对于宏观的主观观点进行资产层面的落地[22] * **模型具体构建过程：** 构建过程分为四步：第一步，每月末计算资产池中资产的因子暴露水平；第二步，以资产的风险平价组合作为基准，计算出基准因子暴露；第三步，根据对宏观未来一个月的判断，给定一个主观因子偏离值，结合基准因子暴露，得到资产组合的因子暴露目标；第四步，带入模型反解得到下个月的各个资产配置权重[23] 通过Factor Mimicking Portfolio方法构造了六大宏观风险的高频宏观因子[23] 资产池为国内的8类资产[23] 主观因子偏离值每月给出，反映了投资者对于下个月宏观状态的主观观点，例如，在2025年09月底，为增长、通胀、利率、信用、汇率和流动性设置的偏离值分别为0、0、0、0、1和0[25] 模型的回测效果 1. **国内资产BL模型1**[14][16] * 上周收益：0.10% * 10月份收益：0.38% * 2025年收益：3.97% * 年化波动：2.23% * 最大回撤：1.31% 2. **国内资产BL模型2**[14][16] * 上周收益：-0.01% * 10月份收益：0.48% * 2025年收益：3.68% * 年化波动：2.02% * 最大回撤：1.06% 3. **全球资产BL模型1**[14][16] * 上周收益：0.54% * 10月份收益：0.03% * 2025年收益：1.02% * 年化波动：2.04% * 最大回撤：1.64% 4. **全球资产BL模型2**[14][16] * 上周收益：0.37% * 10月份收益：0.35% * 2025年收益：2.43% * 年化波动：1.65% * 最大回撤：1.28% 5. **国内资产风险平价模型**[21] * 上周收益：0.14% * 10月份收益：0.34% * 2025年收益：3.47% * 年化波动：1.34% * 最大回撤：0.76% 6. **全球资产风险平价模型**[21] * 上周收益：0.22% * 10月份收益：0.39% * 2025年收益：2.99% * 年化波动：1.46% * 最大回撤：1.20% 7. **基于宏观因子的资产配置模型**[27] * 上周收益：-0.25% * 10月份收益：0.73% * 2025年收益：4.29% * 年化波动：1.54% * 最大回撤：0.64% 量化因子与构建方式 1. **因子名称：宏观因子**[22][23] * **因子构建思路：** 构造涵盖增长、通胀、利率、信用、汇率和流动性六大风险的宏观因子体系，以将宏观主观观点量化并应用于资产配置[22][23] * **因子具体构建过程：** 通过Factor Mimicking Portfolio方法构造了增长、通胀、利率、信用、汇率和流动性六大宏观风险的高频宏观因子[23]

根据提供的金融工程季度报告内容，该报告主要对公募基金的持仓进行监控和统计分析，并未涉及传统的量化投资模型（如多因子模型、风险模型）或量化因子的构建、测试与评价。报告的核心是描述性统计，而非预测性或解释性的量化模型/因子。 报告内容主要集中在以下几个方面，均属于监控指标而非量化模型/因子： 基金持仓监控指标与构建方式 1. **指标名称**：基金持股集中度[18] * **构建思路**：用于衡量基金经理持仓是集中还是分散的趋势[18] * **具体构建过程**：计算所有主动权益基金在某个截面时点（如季度末）的十大重仓股市值占其全部权益投资市值的比例，然后取该比例的中位数作为市场整体的持股集中度指标[18] 2. **指标名称**：基金经理群体持股一致性[18] * **构建思路**：用于衡量基金经理群体在选股上的观点是趋同还是分化[18] * **具体构建过程**：统计在某个截面时点上，所有主动权益基金持有的不同股票的总数量。持有股票数量越少，说明基金经理群体的持股一致性越高，分化度越低[18] 3. **指标名称**：行业主动增减仓[33][34] * **构建思路**：剥离行业涨跌带来的被动权重变化，反映基金经理主动调整行业配置的行为[33][34] * **具体构建过程**： 1. 获取上一个季报披露的行业配置权重 \(w_{t-1}\)[33][34] 2. 获取该行业在当前季度的涨跌幅 \(ind_{ret}\)（使用中信一级行业指数计算）[33][34] 3. 计算经涨跌幅调整后的上一季度行业权重：$$w_{t-1}^{{}^{\prime}}\;=\;w_{t-1}\;*\;(1\;+\;i n d_{r e t})$$[33][34] 4. 将所有行业的 \(w_{t-1}^{'}\) 进行截面归一化处理 5. 用当前季度的行业配置权重减去归一化后的调整权重，得到行业主动增减仓的百分比[33][34] 4. **指标名称**：个股主动加减仓市值[39][40] * **构建思路**：剥离个股价格涨跌带来的持股市值被动变化，反映基金经理对个股的主动交易行为[39][40] * **具体构建过程**： 1. 获取上一个季报披露的基金持有某只股票的市值 \(val_{t-1}\)[39][40] 2. 获取该个股在当前季度的涨跌幅 \(stk_{ret}\)[39][40] 3. 计算经涨跌幅调整后的上一季度持股市值：$$v a l_{t-1}^{\prime}\,=\,v a l_{t-1}\,*\,(1\,+\,s t k_{r e t})$$[39][40] 4. 用当前季度持有该股票的市值减去调整后的上一季度市值 \(val_{t-1}^{'}\)，得到个股主动加减仓的市值金额[39][40] 基金持仓监控指标的统计结果 1. **基金持股集中度**：2025年三季度为54.96%，上一期（2025年二季度）为52.46%[18] 2. **基金经理群体持股一致性**：2025年三季度总体持股数量为2377只，上一期（2025年二季度）为2507只[18] 3. **行业主动增减仓（2025年三季度）**： * 主动加仓最多的三个行业：通信（+2.93%）、计算机（+1.97%）、电子（+1.85%）[34] * 主动减仓最多的三个行业：银行（-1.77%）、家电（-1.14%）、国防军工（-0.79%）[34] 4. **个股主动加减仓市值（2025年三季度）**： * 主动加仓市值最多的三只股票：工业富联（+290亿元）、阿里巴巴-W（+162亿元）、中际旭创（+124亿元）[42] * 主动减仓市值最多的三只股票：胜宏科技（-142亿元）、美的集团（-91亿元）、小米集团-W（-87亿元）[42]

根据提供的金融工程报告内容，以下是关于报告中涉及的量化模型和因子的总结。报告主要对宽基指数进行多维度跟踪分析，并未涉及复杂的量化选股模型或因子，其核心是对各类市场指标进行统计和展示。 量化因子与构建方式 **1 因子名称：风险溢价** - **因子构建思路**：以十年期国债即期收益率为无风险利率参考，计算各宽基指数收益率与其差值，用以衡量权益资产相对于无风险资产的超额回报和投资价值[26] - **因子具体构建过程**：风险溢价的计算公式为宽基指数的收益率减去十年期国债即期收益率。报告中对各指数（如上证50、沪深300等）的当前风险溢价、近1年及近5年分位值进行了统计[28][30] $$风险溢价 = 指数收益率 - 无风险利率$$ 其中，无风险利率采用十年期国债即期收益率[30] **2 因子名称：股债性价比** - **因子构建思路**：通过计算股票市盈率倒数（即盈利收益率）与债券收益率之差，来比较股票和债券两类资产的相对吸引力[42] - **因子具体构建过程**：股债性价比的计算公式为各宽基指数PE-TTM的倒数减去十年期国债即期收益率[42] $$股债性价比 = \frac{1}{PE-TTM} - 无风险利率$$ 报告中使用近5年数据的80分位值（机会值）和20分位值（危险值）作为参考基准[42] **3 因子名称：破净率** - **因子构建思路**：通过统计市净率（PB）小于1的个股数量占指数总成分股数量的比例，来反映市场总体的估值水平和悲观情绪[49][51] - **因子具体构建过程**：破净率因子直接计算指数成分股中破净个股的占比。报告列出了各宽基指数当前的破净率具体数值[4][51] $$破净率 = \frac{指数成分股中PB < 1的股票数量}{指数总成分股数量}$$ **4 因子名称：指数换手率** - **因子构建思路**：衡量指数整体的交易活跃程度，计算方式为指数成分股的加权平均换手率[17] - **因子具体构建过程**：指数换手率的具体计算公式为：Σ(成分股流通股本 * 成分股换手率) / Σ(成分股流通股本)。报告列出了各宽基指数在特定日期的换手率[17] **5 因子名称：股息率** - **因子构建思路**：计算指数成分股的现金分红回报率，是红利投资风格的重要参考指标[44] - **因子具体构建过程**：股息率为指数成分股每股股息与每股股价的比率。报告跟踪了各指数股息率的当前值、历史分位值及与均值的偏离情况[49] 因子的回测效果 报告未提供基于历史数据的严格因子回测绩效指标（如IC值、IR等）。所有因子的“测试结果”均表现为在特定时点（2025年10月27日）的截面数值或历史分位值，具体取值如下： **1 风险溢价因子** - 上证50：当前值0.77%，近5年分位值81.43%[30] - 沪深300：当前值1.18%，近5年分位值88.17%[30] - 中证500：当前值1.66%，近5年分位值92.94%[30] - 中证1000：当前值1.02%，近5年分位值79.37%[30] - 中证2000：当前值0.94%，近5年分位值74.92%[30] - 中证全指：当前值1.20%，近5年分位值87.22%[30] - 创业板指：当前值1.98%，近5年分位值88.73%[30] **2 股债性价比因子** - 测试结果：报告中未列出各指数股债性价比的具体数值，仅指出没有指数高于其80%分位，中证500低于其20%分位[42] **3 破净率因子** - 上证50：22.0%[4][51] - 沪深300：16.33%[4][51] - 中证500：10.8%[4][51] - 中证1000：7.4%[4][51] - 中证2000：3.0%[4][51] - 中证全指：5.83%[4][51] - 创业板指：1.0%[4][51] **4 指数换手率因子** - 中证2000：3.85[17] - 创业板指：2.99[17] - 中证1000：2.73[17] - 中证500：2.05[17] - 中证全指：1.89[17] - 沪深300：0.8[17] - 上证50：0.41[17] **5 股息率因子** - 上证50：当前值3.18%，近5年分位值34.55%[49] - 沪深300：当前值2.60%，近5年分位值34.30%[49] - 中证500：当前值1.32%，近5年分位值13.72%[49] - 中证1000：当前值1.10%，近5年分位值38.76%[49] - 中证2000：当前值0.77%，近5年分位值16.12%[49] - 中证全指：当前值1.95%，近5年分位值31.74%[49] - 创业板指：当前值0.96%，近5年分位值64.79%[49] 其他市场指标（非因子） 报告还展示了一系列基础市场指标，它们描述了市场状态但本身不直接作为量化因子使用： **1 指标名称：PE-TTM（滚动市盈率）** - **构建思路**：衡量指数估值水平，计算为总市值除以归母净利润TTM[36] - **具体构建过程**：标准PE-TTM计算方法。报告列出了各指数的当前PE-TTM及其近1年、近5年和全历史分位值[39][40] **2 指标名称：均线比较** - **构建思路**：通过比较指数收盘价与不同周期移动平均线（如MA5, MA10等）的位置关系，判断短期趋势和支撑压力[14][15] - **具体构建过程**：计算指数收盘价相对于各期均线的百分比偏离。例如，`vsMA5 = (收盘价 / MA5) - 1`。报告展示了各指数相对于5日、10日、20日等均线的偏离幅度[15] **3 指标名称：收益分布形态（偏度与峰度）** - **构建思路**：通过统计日收益率分布的偏度和峰度，分析收益分布的特征和变化[23][24] - **具体构建过程**：计算近5年及当前日收益率序列的偏度和峰度（计算峰度时减去了3）。报告比较了各指数当前值与近5年均值的差异[24]

根据提供的研报内容，经过全面梳理，总结如下： 量化模型与构建方式 研报中未详细阐述具体的量化模型或量化因子的构建思路、过程及公式。 模型的回测效果 研报中未提供具体量化模型的回测效果指标数据。 量化因子与构建方式 研报中未详细阐述具体的量化因子的构建思路、过程及公式。 因子的回测效果 研报中未提供具体量化因子的回测效果指标数据。 基金业绩表现跟踪 **1 增强策略ETF业绩跟踪** - **构建思路**：跟踪已上市的增强策略ETF，计算其相对于业绩比较基准的超额收益率[26] - **具体构建过程**：选取已上市的增强策略ETF，计算其周度、年初至今及近一年的收益率，并与对应的业绩比较基准收益率进行比较，得出超额收益率[26][27] - **评价**：增强策略ETF整体表现良好，多数产品能取得正超额收益[26] **2 增强指数型基金业绩跟踪** - **构建思路**：跟踪各类增强指数型基金（如沪深300、中证500、中证1000、国证2000增强基金），计算其超额收益率[39][40][41] - **具体构建过程**：在各类增强指数型基金中，筛选出成立满一年的基金，计算其上周超额收益率和近一年超额收益率，并进行排名[39][40][41] **3 主动量化基金收益统计** - **构建思路**：统计全市场主动量化基金的收益率中位数[36] - **具体构建过程**：计算所有主动量化基金在上周的收益率中位数和近一年的收益率中位数[36] **4 行业主题基金收益统计** - **构建思路**：按主题（如TMT、制造、消费等）分类统计主题基金的收益率中位数[36] - **具体构建过程**：将主题基金按投资主题分类，分别计算各类主题基金在上周的收益率中位数和近一年的收益率中位数[36] 业绩表现的具体测试结果取值 **1 增强策略ETF业绩指标** - 招商中证2000增强策略ETF (159552.OF)：上周超额收益率0.86%，2025年以来超额收益率23.82%，近1年超额收益率29.97%[27] - 工银中证1000增强策略ETF (561280.OF)：上周超额收益率0.06%，2025年以来超额收益率18.79%，近1年超额收益率24.59%[27] - 海富通中证2000增强策略ETF (159553.OF)：上周超额收益率0.85%，2025年以来超额收益率18.28%，近1年超额收益率23.12%[27] - 天弘中证1000增强策略ETF (159685.OF)：上周超额收益率0.21%，2025年以来超额收益率13.50%，近1年超额收益率19.09%[27] - 华泰柏瑞中证1000增强策略ETF (561590.OF)：上周超额收益率1.36%，2025年以来超额收益率13.33%，近1年超额收益率15.50%[27] **2 增强指数型基金业绩指标** - 汇添富国证2000指数增强A (019318.OF)：上周超额收益率1.24%，近一年超额收益率31.92%[41] - 博道中证1000指数增强A (017644.OF)：近一年超额收益率29.12%[40] - 鹏华国证2000指数增强A (017892.OF)：上周超额收益率0.74%，近一年超额收益率29.39%[41] - 工银瑞信中证1000指数增强A (016942.OF)：上周超额收益率0.93%，近一年超额收益率26.66%[41] - 汇添富中证1000指数增强A (017953.OF)：上周超额收益率1.13%，近一年超额收益率25.39%[41] - 鹏华中证500指数增强A (014344.OF)：上周超额收益率0.89%，近一年超额收益率18.88%[41] - 安信量化精选沪深300指数增强A (003957.OF)：近一年超额收益率12.06%[40] **3 主动量化基金收益指标** - 上周收益率中位数：3.24%[36] - 近1年收益率中位数：27.97%[36] **4 行业主题基金收益指标** - TMT主题基金：上周收益率中位数8.20%，近1年收益率中位数51.91%[36] - 制造主题基金：近1年收益率中位数27.52%[36]

根据提供的金融工程日报内容，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，本次总结无相关内容可输出。

量化模型与因子总结 量化模型与构建方式 1. **模型名称：行业拥挤度监测模型**[3] * **模型构建思路：** 通过量化方法对申万一级行业指数的拥挤程度进行每日监测，以识别市场热度较高的行业和热度较低的行业[3] * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细步骤，仅提及了其监测结果和应用[3] 2. **模型名称：溢价率 Z-score 模型**[4] * **模型构建思路：** 通过计算ETF溢价率的Z-score值，来识别存在潜在套利机会的ETF标的，同时提示标的回调风险[4] * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细步骤，仅提及了其应用目的[4] 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、信息比率IR、最大回撤等）[1][2][3][4][5][6][7][8][9][11][12][13] 量化因子与构建方式 报告未明确提及具体的量化因子及其构建方式[1][2][3][4][5][6][7][8][9][11][12][13] 因子的回测效果 报告未提供任何量化因子的回测效果指标[1][2][3][4][5][6][7][8][9][11][12][13]

根据研报内容，以下是关于量化模型与因子的总结： 量化因子与构建方式 **1 因子名称：个股总热度因子[7]** - 因子构建思路：从行为金融学角度，利用投资者有限注意力导致的过度定价与反应不足现象，通过个股的浏览、自选与点击数据构建情绪热度代理变量[7] - 因子具体构建过程：首先计算每只股票每日的浏览、自选与点击次数之和，然后将该数值除以同一日全市场所有股票的浏览、自选与点击次数之和进行归一化处理，最后将归一化后的数值乘以10000，使因子取值区间为[0,10000][7] - 因子评价：该因子作为情绪热度的有效代理变量，能够捕捉市场关注度变化 **2 因子名称：宽基总热度因子[8]** - 因子构建思路：将全A样本按主流宽基指数分组，通过对组内成分股总热度指标求和，得到宽基层面的聚合热度指标[8] - 因子具体构建过程：将股票按沪深300、中证500、中证1000、中证2000以及"其他"进行分组，对每一组中的所有成分股的个股总热度因子值进行求和处理，得到5个宽基指数的总热度值[8] **3 因子名称：行业总热度因子[20]** - 因子构建思路：采用与宽基总热度相同的方法，对申万一级、二级行业内的成分股总热度进行加总，得到行业层面的热度指标[20] - 因子具体构建过程：按照申万行业分类标准，对每个行业内的所有成分股的个股总热度因子值进行求和计算[20] **4 因子名称：概念总热度因子[28]** - 因子构建思路：通过对概念板块内成分股总热度进行聚合，得到概念层面的热度追踪指标[28] - 因子具体构建过程：按照概念板块划分，对每个概念对应的所有成分股的个股总热度因子值进行求和计算[28] **5 因子名称：热度变化率因子[11]** - 因子构建思路：计算不同层级热度指标的周度变化率，捕捉市场情绪的边际变化[11] - 因子具体构建过程：计算本周热度值与上周热度值的相对变化率，公式为： $$变化率 = \frac{本周热度 - 上周热度}{上周热度} \times 100\%$$ 并对变化率取2期移动平均进行平滑处理[11] **6 因子名称：估值历史分位数因子[38]** - 因子构建思路：通过计算当前估值在历史序列中的相对位置，判断估值水平的高低[38] - 因子具体构建过程：对于宽基指数，采用滚动5年窗口计算当前PE值在历史序列中的分位数；对于行业指数，从2015年开始计算当前PE值在完整历史序列中的分位数[38] 量化模型与构建方式 **1 模型名称：宽基轮动策略模型[13]** - 模型构建思路：基于热度变化率的均值回归特性，构建在宽基指数间进行轮动的交易策略[13] - 模型具体构建过程：在每周最后一个交易日，计算5个宽基组（沪深300、中证500、中证1000、中证2000、其他）的热度变化率MA2值，选择变化率最大的宽基组进行投资，如果变化率最大的为"其他"组则保持空仓[13] **2 模型名称：热门概念组合策略模型[31]** - 模型构建思路：利用概念热度的短期行为金融特征，构建逆向投资组合[31] - 模型具体构建过程：每周筛选出热度变化率最大的5个概念，排除概念成分股中流通市值最小的20%股票，然后构建两个组合：TOP组合选取每个热门概念中总热度排名前10的个股等权持有；BOTTOM组合选取每个热门概念中总热度排名最后10只个股等权持有[31] 模型的回测效果 **1 宽基轮动策略模型[16]** - 年化收益率：8.74%[16] - 最大回撤：23.5%[16] - 2025年收益：38.5%[16] **2 热门概念BOTTOM组合策略[34]** - 年化收益率：15.71%[34] - 最大回撤：28.89%[34] - 2025年收益：42.2%[34] 因子的回测效果 **1 热度变化率因子（宽基层面）[16]** - 本周变化率最大值："其他"组提高11.95%[16] - 本周变化率最小值：沪深300降低13.87%[16] **2 热度变化率因子（行业层面）[27]** - 申万一级行业正向变化前5：煤炭(96.1%)、石油石化、交通运输、银行、综合[27] - 申万一级行业负向变化前5：钢铁、汽车、非银金融、有色金属、电力设备(-17.9%)[27] - 申万二级行业正向变化前5：焦炭Ⅱ、油服工程、航运港口、煤炭开采、国有大型银行Ⅱ[27] **3 热度变化率因子（概念层面）[36][37]** - 概念热度变化最大前5：可燃冰(1130.6%)、页岩气(291.9%)、赛马概念(123.4%)、天然气(114.4%)、特色小镇(107.7%)[36][37] **4 估值历史分位数因子[38][39]** - 宽基估值分位数：沪深300(90%)、中证500(98%)、中证1000(94%)[38] - 行业估值分位数80%以上：钢铁、电子、电力设备、银行、轻工制造、国防军工、计算机、医药生物、煤炭、建筑材料、商贸零售[39] - 行业估值分位数20%以下：非银金融、交通运输、食品饮料、综合[39]