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：宏观择时模型** - **模型构建思路**：基于动态宏观事件因子构建股债轮动策略，通过经济增长和货币流动性两个维度生成信号[24][25] - **模型具体构建过程**： 1. **经济增长信号**：综合PMI、工业增加值等指标，信号强度为50%（4月）[25] 2. **货币流动性信号**：跟踪SHIBOR、DR007等利率变化，信号强度为40%（4月）[25] 3. **仓位计算**：信号加权后输出权益配置比例（5月推荐仓位25%）[24] - **模型评价**：策略年初收益率1.06%，略低于Wind全A（1.90%），但风险控制稳健[24][27] 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[29] - **模型具体构建过程**： 1. **波动率拥挤度指标**：计算波动率历史分位数，阈值设定为0.3（当前-50.09%，未触发）[29][36] 2. **十年国债利率同比**：阈值0.3（当前-28.69%，未触发）[29][36] - **模型评价**：当前未触发风控信号，适合长期持有微盘股风格[29] --- 量化因子与构建方式 1. **因子名称：市值因子（LN_MktCap）** - **构建思路**：捕捉小市值股票的超额收益，方向为负向（↓）[51] - **具体构建**：取流通市值的自然对数 $$LN(MktCap)$$ [51] 2. **因子名称：价值因子（BP_LR/EP_FTTM）** - **构建思路**：筛选低估值股票，方向为正向（↑）[51] - **具体构建**： - BP_LR：账面净资产/市值 - EP_FTTM：未来12月预期净利润/市值[51] 3. **因子名称：反转因子（Price_Chg20D/60D）** - **构建思路**：捕捉短期价格反转效应，方向为负向（↓）[51] - **具体构建**：计算20日/60日收益率 $$Price\_Chg20D = \frac{P_t - P_{t-20}}{P_{t-20}}$$ [51] 4. **因子名称：转债估值因子（平价底价溢价率）** - **构建思路**：衡量可转债估值偏离程度[44] - **具体构建**：未披露详细公式，但基于平价与底价的溢价率计算[44] --- 模型回测效果 1. **宏观择时模型**： - 年初至今收益率1.06%，Wind全A基准1.90%[24] - 超额收益最大回撤-2.48%（全部A股）[47] 2. **微盘股择时模型**： - 波动率拥挤度指标当前-50.09%，远离风险阈值[36] - 十年国债利率同比-28.69%，未触发风控[36] --- 因子回测效果 1. **市值因子**： - 沪深300股票池IC均值4.25%，多空收益5.82%[45] 2. **反转因子**： - 中证1000股票池IC均值8.71%，多空收益12.52%[45] 3. **转债估值因子**： - 上周多空收益为正，具体数值未披露[44] --- 以上内容严格依据研报中的模型与因子部分总结，未包含风险提示等非核心信息。

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. **主动偏股基金仓位高频估测模型** - 构建思路：通过净值序列回归估算基金仓位变动[62] - 具体构建： 1. 以每日净值为因变量，基准指数或行业指数为自变量 2. 采用带约束的多元回归模型求解仓位权重 3. 通过模拟组合优化估算精度 4. 计算行业配置偏离度：$$\Delta w_i = w_{i,t} - w_{i,t-1}$$ 其中$w_i$代表第i行业仓位占比[62][63] - 模型评价：能捕捉短期调仓动向但存在滞后性 2. **REITs指数构建模型** - 构建思路：分级靠档法保持指数稳定性[47] - 具体构建： 1. 按底层资产类型划分产权类/特许经营权类指数 2. 采用除数修正法处理非交易变动（如扩募） 3. 同步计算价格指数和全收益指数 4. 细分项目指数公式：$$I_t = I_{t-1} \times \frac{\sum (P_{i,t} \times S_{i,t})}{\sum (P_{i,t-1} \times S_{i,t-1})}$$ 其中$P$为价格，$S$为调整份额[47][48] 量化因子与构建方式 1. **行业主题基金标签因子** - 构建思路：基于持仓数据识别基金主题特征[36] - 具体构建： 1. 提取近4期年报/中报持仓前五大行业 2. 定义三类标签： - 行业主题（单一行业占比>40%） - 行业轮动（行业集中度年变化>30%） - 行业均衡（其他情形） 3. 计算主题指数收益率：$$R_{theme} = \sum_{i=1}^n w_i \times R_{fund_i}$$[36][37] 2. **ETF资金流因子** - 构建思路：监测细分赛道资金动向[53] - 具体构建： 1. 按宽基/行业/主题分类计算净流入 2. 标准化处理：$$Flow_{std} = \frac{Flow_i - \mu_{flow}}{\sigma_{flow}}$$ 3. 结合收益率构建资金热度指标[53][54] 模型的回测效果 1. **主动偏股基金仓位模型** - 周度仓位变动：-0.66pcts[62] - 行业配置偏离极值： - 医药生物 +0.82pcts - 非银金融 -1.15pcts[63][68] 2. **REITs指数模型** - 本周收益： | 指数类型 | 收益率 | 年化波动率 | |---|---|--| | 综合指数 | 1.73% | 11.23% | | 消费基础设施 | 3.24% | 10.63% | | 能源基础设施 | -0.09% | 10.19% |[48][52] 因子的回测效果 1. **行业主题因子** - 本周收益： | 主题 | 收益率 | |---|---| | 金融地产 | 1.45% | | TMT | -1.02% | | 行业轮动 | 0.45% |[36][37] 2. **ETF资金流因子** - 极端值监测： | 类别 | 净流入(亿) | |---|---| | 科创板ETF | +17.98 | | 大盘宽基ETF | -128.90 | | 黄金ETF | -43.08 |[53][54][59]

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**：网下打新收益测算模型 - **模型构建思路**：通过假设所有主板、科创板、创业板的股票都打中，且上市首日以市场均价卖出，忽略锁定期的卖出限制，测算不同规模账户的打新收益率[11] - **模型具体构建过程**： 1. 计算满中数量： $$可申购上限额度 \times 网下A类平均中签率$$ 2. 计算满中收益： $$(首次开板价 - 首发价格) \times 满中数量$$ 3. 假设资金使用效率为90%，配置一半沪市一半深市且股票满仓，按首次开板日均价卖出[37] - **模型评价**：该模型能够较为准确地测算不同规模账户在理想情况下的打新收益，但未考虑破发风险和市场情绪波动的影响 2. **模型名称**：逐月打新收益模型 - **模型构建思路**：将每个月网下打新可获得的收益相加，测算理想情况下逐月打新收益和打新收益率[42] - **模型具体构建过程**： 1. 在不同规模账户下，假设所有股票报价均入围 2. 在90%的资金使用效率下，将2024年以来每个月网下打新可获得的收益相加 3. 以新股卖出日为统计时间，计算累计打新收益率[42] 模型的回测效果 1. **网下打新收益测算模型**： - A类2亿规模账户2025年至今打新收益率1.32%，B类2亿规模账户1.15%[11] - A类10亿规模账户2025年至今打新收益率0.30%，B类10亿规模账户0.27%[11] - 2024年至今A类2亿打新收益率5.05%，B类2亿打新收益率4.07%[42][47] 2. **逐月打新收益模型**： - 2024年1月A类1.5亿账户打新收益22.27万元，2亿账户29.33万元[42] - 2025年1月A类1.5亿账户打新收益102.97万元，2亿账户121.35万元[42] - 2025年5月B类1.5亿账户打新收益8.57万元，2亿账户9.65万元[47] 量化因子与构建方式 1. **因子名称**：有效报价账户数量因子 - **因子构建思路**：通过滚动跟踪近期新股的有效报价账户中位数，反映市场参与热度[19][23] - **因子具体构建过程**：统计科创板、创业板、主板新股A类和B类有效报价账户数量的中位数[19][23] 2. **因子名称**：新股首日涨幅因子 - **因子构建思路**：通过统计新股上市首日的平均涨幅，反映新股上市初期的市场表现[16] - **因子具体构建过程**：计算科创板、创业板新股上市首日的平均涨幅[16] 因子的回测效果 1. **有效报价账户数量因子**： - 科创板A类有效报价账户数量中位数3051，B类1784[19] - 创业板A类有效报价账户数量中位数3414，B类2056[19] - 主板A类有效报价账户数量中位数3493，B类2376[23] 2. **新股首日涨幅因子**： - 科创板个股上市首日平均涨幅198.41%[16] - 创业板个股上市首日平均涨幅227.46%[16]

量化模型与构建方式 1. **模型名称：GRU模型** - 模型构建思路：基于门控循环单元（GRU）神经网络构建的量化预测模型，用于捕捉股票价格的时间序列特征[15][18][20][22][25] - 模型具体构建过程： 1. 输入数据为股票的历史价格序列（如open1d、close1d、barra1d等不同时间窗口的收盘价或开盘价） 2. 通过GRU网络学习价格序列的时序依赖关系 3. 输出未来收益率的预测值 4. 模型训练时采用行业中性化处理和标准化预处理[16] - 模型评价：能够有效捕捉短期市场波动特征，但对不同市场环境适应性存在差异[18][22][25] 2. **模型名称：多因子组合模型** - 模型构建思路：综合基本面和技术面因子构建的线性加权选股模型[29] - 模型具体构建过程： 1. 因子池包含Barra风格因子（如估值、动量、波动等）和财务因子（如ROE、营收增长率等）[14] 2. 因子权重通过历史ICIR动态调整 3. 组合优化时约束行业偏离≤0.01、风格偏离≤0.5标准差[28] 模型的回测效果 1. **GRU模型** - open1d模型：近一周超额1.22%，今年以来累计超额6.08%[30] - close1d模型：近一周超额1.89%，近六月超额5.35%[30] - barra1d模型：近三月超额2.10%，今年以来超额3.48%[30] - barra5d模型：近六月超额8.00%，今年以来超额5.59%[30] 2. **多因子组合模型** - 近一周超额0.72%，近六月超额6.02%[30] 量化因子与构建方式 1. **因子名称：Barra风格因子** - 因子构建思路：基于MSCI Barra结构化风险模型框架构建的多维度风格因子[14] - 因子具体构建过程： - **Beta因子**：历史beta值 - **市值因子**：总市值自然对数 $$ \ln(MarketCap) $$ - **动量因子**：历史超额收益率序列均值 - **波动因子**： $$ 0.74 \times \sigma_{excess} + 0.16 \times \Delta_{cumulative} + 0.1 \times \sigma_{residual} $$ - **非线性市值**：市值风格的三次方 - **估值因子**：市净率倒数 $$ 1/PB $$ - **流动性因子**： $$ 0.35 \times Turnover_{month} + 0.35 \times Turnover_{quarter} + 0.3 \times Turnover_{year} $$ - **盈利因子**： $$ 0.68 \times EP_{forward} + 0.21 \times 1/PCF + 0.11 \times 1/PE_{ttm} $$ - **成长因子**： $$ 0.18 \times LT_{growth} + 0.11 \times ST_{growth} + 0.24 \times Earnings_{growth} + 0.47 \times Revenue_{growth} $$ - **杠杆因子**： $$ 0.38 \times Leverage_{market} + 0.35 \times Leverage_{book} + 0.27 \times D/A $$ - 因子评价：系统性风险解释能力强，但部分因子（如市值）存在周期性失效[15][17] 2. **因子名称：技术类因子** - 因子构建思路：基于价格和交易量数据构建的短期市场行为因子[17][20][23][26] - 因子具体构建过程： - **动量因子**：20日/60日/120日收益率 - **波动因子**：60日/120日收益率标准差 - **中位数离差因子**：价格与移动中位数的偏离度 3. **因子名称：财务因子** - 因子构建思路：基于财务报表数据的质量与增长因子[19][21][24][26] - 因子具体构建过程： - **静态财务因子**：ROE、ROA、营业利润率 - **增长类因子**：营业利润增长率、ROE增长率 - **超预期增长因子**：净利润超预期增长、营收超预期增长 因子的回测效果 1. **Barra风格因子** - 波动因子：本周多空收益显著正向[15] - 市值因子：本周空头表现强势[15] - 估值因子：全市场多空收益0.73%（近一月）[19] 2. **技术类因子** - 中证1000股池：20日动量因子近一周多空收益-1.81%[27] - 沪深300股池：波动因子多空收益正向[20] 3. **财务因子** - 超预期增长类因子：中证500股池多空收益正向[23] - 静态财务因子：全市场多空收益负向（ROE近一周-1.45%）[19]

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：扩散指数行业轮动模型** - **模型构建思路**：基于价格动量原理，通过跟踪行业扩散指数来捕捉行业趋势，选择扩散指数排名靠前的行业进行配置[6][28] - **模型具体构建过程**： 1. 计算各中信一级行业的扩散指数，反映行业价格趋势强度 2. 选择扩散指数排名前六的行业作为配置标的 3. 定期（周度/月度）更新行业排名并调整配置[6][28][32] - **模型评价**：在趋势性行情中表现优异，但在市场反转时可能失效[28][38] 2. **模型名称：GRU因子行业轮动模型** - **模型构建思路**：利用GRU神经网络处理分钟频量价数据，生成行业因子得分，选择得分高的行业配置[7][35] - **模型具体构建过程**： 1. 使用GRU深度学习网络处理行业量价数据 2. 输出各行业的GRU因子得分 3. 选择得分排名前六的行业进行配置[7][35][37] - **模型评价**：短周期表现较好，但对极端行情适应性有限[35][39] 模型的回测效果 1. **扩散指数行业轮动模型** - 2025年5月周度超额收益：0.11%[32] - 2025年累计超额收益：-2.26%[32] - 最新配置行业：银行(1.0)、非银行金融(0.957)、综合金融(0.954)等[28] 2. **GRU因子行业轮动模型** - 2025年5月周度超额收益：0.44%[37] - 2025年累计超额收益：-3.71%[37] - 最新配置行业：汽车(2.84)、钢铁(1.85)、传媒(1.48)等[35] 量化因子与构建方式 1. **因子名称：行业扩散指数** - **因子构建思路**：通过量化行业价格趋势强度，反映行业动量特征[6][28] - **因子具体构建过程**： 1. 计算行业价格序列的扩散指标（具体公式未披露） 2. 标准化处理得到0-1区间的扩散指数[28][29] 2. **因子名称：GRU行业因子** - **因子构建思路**：基于GRU神经网络提取行业量价特征[7][35] - **因子具体构建过程**： 1. 输入行业分钟频量价数据至GRU网络 2. 输出行业因子得分（数值范围无明确上下限）[35][37] 因子的回测效果 1. **行业扩散因子** - 最新因子值：银行(1.0)、非银行金融(0.957)[28] - 周度变化最大行业：交通运输(+0.09)、基础化工(+0.075)[29] 2. **GRU行业因子** - 最新因子值：汽车(2.84)、钢铁(1.85)[35] - 周度变化最大行业：传媒(提升显著)、汽车(提升显著)[35] 注：报告中未披露具体的因子计算公式和更详细的构建参数[6][7][28][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. **鑫选ETF绝对收益策略** - **模型构建思路**：通过"抽屉法"在场内权益ETF池中进行测试，目标是跑出绝对收益和相对A股权益的长周期相对收益[11] - **具体构建过程**： 1. 筛选ETF池（黄金、食品饮料、医疗、豆粕、芯片、半导体、港股创新药等） 2. 采用等权重分配（各10%）[12] 3. 动态调整持仓基于技术面量化信号 - **模型评价**：样本外表现优异，超额收益显著 2. **全天候多资产多策略ETF风险平价策略** - **模型构建思路**：结合行业/风格轮动等权益策略，通过风险平价降低波动性[16] - **具体构建过程**： 1. 资产分类：商品（黄金）、美股（标普500）、国内权益（行业/风格轮动）、国内债（10/30年国债） 2. 风险平价权重分配（如30年国债21.15%，黄金7.71%）[17] - **模型评价**：精细化分散风险，收益稳定性强 3. **中美核心资产组合** - **模型构建思路**：纳入白酒、红利、黄金、纳指等强趋势标的，结合RSRS择时与技术面反转策略[20] - **具体构建过程**： 1. 信号生成：RSRS指标判断趋势强度 2. 动态调仓（最新持仓为中证红利ETF、黄金ETF） - **模型评价**：长期超额收益显著 4. **高景气/红利轮动策略** - **模型构建思路**：构建高景气成长与红利的轮动模型[23] - **具体构建过程**： 1. 信号触发时调入创业板ETF/科创50ETF（高景气）或红利低波ETF/央企红利50ETF（红利） 2. 权重分配：60%红利类+40%成长类 5. **双债LOF增强策略** - **模型构建思路**：通过波动率倒数归一化调整债券与其他资产权重[26] - **具体构建过程**： 1. 分组计算收益率波动率 2. 权重公式：$$w_i = \frac{1/\sigma_i}{\sum(1/\sigma_i)}$$ 3. 优先分配至低波动债券标的 6. **结构化风险平价策略(QDII)** - **模型构建思路**：以国内债券ETF为主，QDII权益/黄金/红利ETF增强[27][29] - **具体构建过程**： 1. 资产池扩展至纳指ETF、日经ETF、恒生医疗ETF等 2. 风险平价优化权重 --- 模型回测效果（2024年初至今） | 模型名称 | 总收益率 | 最大回撤 | 波动率 | 夏普比率 | |------------------------------|----------|----------|--------|----------| | 鑫选技术面量化策略 | 32.01% | -6.30% | 17.70% | 1.16 | | 高景气红利轮动策略 | 47.70% | -22.04% | 35.04% | 0.95 | | 中美核心资产组合 | 57.80% | -10.86% | 17.25% | 1.98 | | 双债LOF增强 | 9.08% | -2.26% | 3.43% | 1.36 | | 结构化风险平价策略(QDII) | 22.52% | -2.38% | 4.94% | 2.75 | | 全天候多资产风险平价策略 | 18.81% | -3.62% | 4.49% | 2.49 | [32] --- 关键因子应用 - **RSRS择时因子**：用于中美核心资产组合的趋势判断，通过斜率指标捕捉市场拐点[20] - **波动率倒数加权因子**：在双债LOF增强策略中实现债券权重的动态优化[26] - **行业轮动因子**：结合基本面景气度与动量信号，驱动全天候策略中的权益配置[16] 注：报告中未单独列出因子构建公式，主要因子逻辑嵌入在各模型流程中。

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. **沪深300上涨家数占比情绪指标** - 构建思路：通过计算指数成分股的近期正收益个数来判断市场情绪，正收益股票增多可能预示行情底部，大部分股票正收益则可能预示过热风险[25] - 具体构建： $$沪深300指数N日上涨家数占比 = \frac{沪深300成分股过去N日收益>0的个股数}{成分股总数}$$ 使用双窗口平滑（N1=50慢线，N2=35快线），快线上穿慢线时看多市场[26] - 评价：能快速捕捉上涨机会，但对下跌风险预警能力较弱[25] 2. **均线情绪指标** - 构建思路：基于八均线体系（参数8/13/21/34/55/89/144/233）判断趋势状态[32] - 具体构建： - 计算收盘价大于各均线的数量 - 数量≥5时看多，区间值1-3赋值为-1，4-6为0，7-9为1[32][36] - 评价：通过多均线交叉验证增强趋势判断稳定性[32] 量化因子与构建方式 1. **横截面波动率因子** - 构建思路：衡量指数成分股间收益离散程度，反映Alpha机会[37] - 具体构建： $$横截面波动率 = \sqrt{\frac{1}{N}\sum_{i=1}^N (r_i - \bar{r})^2}$$ 其中$r_i$为个股收益，$\bar{r}$为指数平均收益[37] - 评价：高波动率环境更易获取超额收益[37] 2. **时间序列波动率因子** - 构建思路：反映指数成分股自身收益波动幅度[40] - 具体构建： $$时序波动率 = \sqrt{\frac{1}{T}\sum_{t=1}^T (r_t - \mu)^2}$$ 采用加权计算（20日历史波动率）[40] - 评价：波动率上升通常伴随市场活跃度提升[40] 模型的回测效果 1. **沪深300情绪指标** - 当前快线（35日）位于慢线（50日）下方，维持谨慎观点[26] - 近一周上涨家数占比>50%，情绪处于高位[25] 2. **均线情绪指标** - 当前处于情绪景气区间（八均线指标值≥5）[32] - 策略净值3.5倍（2010-2025年回测）[33] 因子的回测效果 1. **横截面波动率** - 沪深300：近一季度1.80%（近两年分位51.66%）[38] - 中证1000：近一季度2.46%（近半年分位65.34%）[38] 2. **时间序列波动率** - 沪深300：近一季度0.57%（近一年分位69.50%）[41] - 中证500：近一季度0.45%（近半年分位65.08%）[41] 注：所有指标取值均截至2025年5月16日[38][41]

根据提供的量化周报内容，以下是量化模型和因子的详细总结： 量化模型与构建方式 1. **A股景气指数模型** - 构建思路：基于上证指数归母净利润同比作为Nowcasting目标构建景气度指数[46] - 具体构建过程：通过历史统计方法跟踪景气周期，指数值反映当前经济阶段（如2025年5月16日指数值为21.19，较2023年底上升15.76）[47] - 评价：用于判断市场底部区域和上行趋势，当前显示景气度处于上升周期[46][47] 2. **A股情绪指数模型** - 构建思路：通过波动率和成交额变化方向划分四个象限，构造见底/见顶预警信号[49] - 具体构建过程： - 波动率上行+成交额下行→显著负收益 - 其他组合→显著正收益 当前信号：波动率上行（见底信号空）、成交额上行（见顶信号多），综合看多[50][53] - 评价：直接反映市场情绪拐点，适用于短期择时[49][53] 3. **指数增强组合模型** - 构建思路：通过多因子选股策略对中证500和沪深300进行增强[61][68] - 具体构建过程： - 中证500增强组合持仓包含长江证券（4.5%）、甘李药业（3.38%）等分散化标的[65] - 沪深300增强组合持仓包含中远海控（8.67%）、贵州茅台（5.12%）等大盘股[71] - 评价：2020年至今超额收益显著（中证500增强组合超额41.47%，沪深300增强组合超额26.61%）[61][68] --- 量化因子与构建方式 1. **BARRA风格因子体系** - 包含因子：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）、杠杆（LVRG）[73] - 构建思路：参照国际标准对A股市场风险收益特征进行归因[73] - 评价：系统性刻画市场风格暴露，适用于组合绩效分析[74] 2. **残差波动率因子** - 近期表现：本周纯因子收益显著占优，与流动性因子正相关性高[74][76] - 评价：反映市场对低波动股票的偏好，近期有效性突出[74] 3. **行业因子** - 近期表现：保险、汽车、交运行业因子超额收益显著，国防军工、房地产因子回撤较多[74][77] - 评价：行业轮动效应明显，需结合景气度模型动态调整[74] --- 模型回测效果 1. **A股景气指数模型** - 当前指数值：21.19（2025年5月16日）[47] - 周期位置：明确处于上行周期[46][47] 2. **指数增强组合** - 中证500增强组合：本周跑赢基准0.31%，2020年至今超额41.47%，最大回撤-4.99%[61][62] - 沪深300增强组合：本周跑赢基准0.96%，2020年至今超额26.61%，最大回撤-5.86%[68][70] 3. **风格因子表现** - 残差波动率因子：本周超额收益最高[76] - 市值/动量因子：显著负向超额收益[74][76] - 杠杆因子：近期持续占优[74] --- 因子回测效果 1. **BARRA风格因子** - 流动性因子：与Beta、动量因子相关性达0.7以上[79] - 价值因子：与Beta、残差波动率负相关性显著[79] 2. **行业因子** - 汽车行业因子：本周超额收益排名前列[77] - 房地产因子：本周回撤幅度最大[77] （注：部分细节如因子计算公式未在报告中明确提及，故未列出）

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **因子名称：RSI相对强弱指标** - **构建思路**：通过计算一定周期内平均涨幅与平均跌幅的比值，判断市场超买或超卖状态[2] - **具体构建过程**： $$RSI = 100 - \frac{100}{1 + RS}$$ 其中RS为12天内平均涨幅与平均跌幅的比值。RSI>70为超买，RSI<30为超卖[2] - **因子评价**：经典动量类指标，适用于短期趋势判断 2. **因子名称：净申购金额** - **构建思路**：通过ETF净值变化计算资金流动情况[2] - **具体构建过程**： $$NETBUY(T) = NAV(T) - NAV(T-1) \times (1+R(T))$$ 其中NAV为ETF净值，R(T)为跟踪指数收益率[2] - **因子评价**：反映资金主动流入流出动向 3. **因子名称：日内行情趋势** - **构建思路**：基于5分钟级别成交价捕捉日内价格波动特征[2] - **具体构建过程**：采用最高价/最低价红点标记法，需注意数据缺失处理[2] 因子回测效果 （注：原文未提供具体测试指标值，仅展示因子实际取值示例） 1. **RSI因子**：华泰柏瑞沪深300ETF取60.23，易方达创业板ETF取56.19[4] 2. **净申购因子**：华夏上证50ETF为-8.16亿元，嘉实沪深300ETF为-0.56亿元[4] 其他量化相关指标 1. **机构持仓占比**：剔除联接基金后的机构持有比例，如华夏沪深300ETF达91.03%[4] 2. **成交额**：流动性辅助指标，如南方中证500ETF单日成交10.03亿元[4] [2][4]

根据研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **因子名称：动量因子** - **构建思路**：通过计算股票过去一段时间（1年）的收益率减去最近一个月收益率，筛选出动量特征强的股票[27] - **具体构建过程**： - 计算动量指标：$$ \text{动量} = R_{1年} - R_{1月} $$ - 选取A股市场中动量特征强且流动性高的前100只股票构成指数[27] - **因子评价**：能有效表征市场动量效应，但需剔除涨停板干扰[27] 2. **因子名称：反转因子** - **构建思路**：基于短期（1个月）收益率筛选反转效应显著的股票[28] - **具体构建过程**： - 以最近1个月收益率作为筛选指标 - 选取反转效应强、流动性好的前100只股票，按近3个月日均成交量加权[28] - **因子评价**：适合捕捉市场短期反转机会，但对流动性要求较高[28] 3. **因子名称：风格拥挤度因子** - **构建思路**：通过换手率标准化差异衡量风格交易拥挤程度[34][120] - **具体构建过程**： - 计算标准化差值：$$ \text{拥挤度} = \text{z-score}(\frac{\text{风格指数换手率}}{\text{万得全A换手率}}) $$ - 滚动计算历史分位值（1年窗口用6年数据）[120] - **因子评价**：拥挤度低位预示风格配置性价比提升[34] 4. **因子名称：机构调研活跃度因子** - **构建思路**：通过机构调研次数差异反映资金关注度[104][122] - **具体构建过程**： - 计算板块/行业日均调研次数z-score - 与万得全A基准作差后计算历史分位（半年用6年数据）[122] - **因子评价**：高分位预示潜在过热风险[104] 因子回测效果 1. **动量因子** - 近一月超额收益7.2%，年初至今5.9%[27] - IR（1年）：0.85[27] 2. **反转因子** - 近一月超额1.7%，年初至今-2.6%[27] - IR（1年）：0.32[27] 3. **成长风格因子** - 当前拥挤度0%（历史极低），近一月超额3.6%[34][12] - 与红利风格年化相关性：-0.45[34] 4. **微盘股因子** - 年初至今超额26.5%，但拥挤度快速降至6%[40][16] - 波动率（年化）：38.2%[16] 其他关键指标 - **股债性价比指标**： $$ \text{ERP} = \frac{1}{\text{PE\_TTM}} - \text{10年国债收益率} $$ 当前万得全A ERP分位77%，创业板97%[69][75] - **融资余额因子**： 当前处于历史99%分位，季度环比与指数收益拐点同步[98][45] 注：所有因子测试结果均基于2025年5月数据[19]