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][19] * **模型构建思路**：基于多个宏观因子对各大类资产进行月度评分，以生成择时观点[19] * **模型具体构建过程**：模型涵盖9个宏观因子，分别为国内景气、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。每月对每个因子进行评分，评分取值为-1, 0, 1，分别代表负面、中性、正面。对于每类资产，将其相关的宏观因子评分加总，得到该资产的月度宏观评分。最后，根据总分值形成看多、谨慎等择时观点[19] 2. **模型名称：美股择时模型**[7][21] * **模型构建思路**：通过监测景气度、资金流、金融压力等分项指标来对美股进行中期择时[21][23] * **模型具体构建过程**：模型包含三个分项指标：景气度、资金流、金融压力。每个分项指标的数值计算为其在滚动5年时间窗口内的分位数。通过综合这些分项指标的状态来判断美股走势[21][23] 3. **模型名称：黄金择时模型**[7][25] * **模型构建思路**：综合避险货币、央行态度、财政压力、金融压力等多个分项指标构建综合择时指标，用于黄金择时[25][26] * **模型具体构建过程**：模型包含四个分项指标：避险货币、央行态度、财政压力、金融压力。将这些分项指标合成为一个综合的黄金择时指标。该指标的最新值为-0.54[25][26][28] 4. **模型名称：原油择时模型**[7][27] * **模型构建思路**：通过构建原油景气指数来反映原油基本面的好坏，从而进行择时判断[27][29] * **模型具体构建过程**：原油景气指数由五个分项指标合成：需求、库存、美元指数、投资者预期、宏观风险水平。本月原油景气指数读数为-0.1，回落至0轴以下[27][29][31] 5. **模型名称：大类资产配置模型**[3][32] * **模型构建思路**：根据量化配置信号分配各类资产的风险预算，并基于宏观因子体系调整组合的宏观风险暴露，得到最终的资产配置方案[3][32] * **模型具体构建过程**：模型首先根据量化信号（可能包括上述择时模型的观点）为每类资产分配风险预算。然后，利用宏观因子体系对组合的整体宏观风险暴露进行调整，通过优化过程计算出最终的资产配置权重。配置的资产包括中证800、标普500、黄金、铜、原油、10年国债、短融等[32][34] 模型的回测效果 1. **大类资产配置模型**，11月收益-0.2%[3][32]，最近1年收益12.2%[3][32]，最大回撤2.9%[3][32] 量化因子与构建方式 1. **因子名称：国内景气因子**[19] * **因子构建思路**：作为宏观评分模型的组成部分，用于评估国内经济景气状况[19] 2. **因子名称：国内货币因子**[19] * **因子构建思路**：作为宏观评分模型的组成部分，用于评估国内货币环境状况[19] 3. **因子名称：国内信用因子**[19] * **因子构建思路**：作为宏观评分模型的组成部分，用于评估国内信用环境状况[19] 4. **因子名称：国内通胀因子**[19] * **因子构建思路**：作为宏观评分模型的组成部分，用于评估国内通胀状况[19] 5. **因子名称：全球景气因子**[19] * **因子构建思路**：作为宏观评分模型的组成部分，用于评估全球经济景气状况[19] 6. **因子名称：全球货币因子**[19] * **因子构建思路**：作为宏观评分模型的组成部分，用于评估全球货币环境状况[19] 7. **因子名称：全球通胀因子**[19] * **因子构建思路**：作为宏观评分模型的组成部分，用于评估全球通胀状况[19] 8. **因子名称：美元因子**[19] * **因子构建思路**：作为宏观评分模型的组成部分，用于评估美元走势状况[19] 9. **因子名称：金融压力因子**[19] * **因子构建思路**：作为宏观评分模型的组成部分，用于评估金融系统压力状况[19] 10. **因子名称：美股景气度分项因子**[21][23] * **因子构建思路**：作为美股择时模型的组成部分，用于评估美国经济景气度[21][23] 11. **因子名称：美股资金流分项因子**[21][23] * **因子构建思路**：作为美股择时模型的组成部分，用于评估市场资金流向[21][23] 12. **因子名称：美股金融压力分项因子**[21][23] * **因子构建思路**：作为美股择时模型的组成部分，用于评估美国金融系统压力[21][23] 13. **因子名称：黄金避险货币分项因子**[25][26] * **因子构建思路**：作为黄金择时模型的组成部分[25][26] 14. **因子名称：黄金央行态度分项因子**[25][26] * **因子构建思路**：作为黄金择时模型的组成部分[25][26] 15. **因子名称：黄金财政压力分项因子**[25][26] * **因子构建思路**：作为黄金择时模型的组成部分[25][26] 16. **因子名称：黄金金融压力分项因子**[25][26] * **因子构建思路**：作为黄金择时模型的组成部分[25][26] 17. **因子名称：原油需求分项因子**[27][31] * **因子构建思路**：作为原油景气指数的组成部分，用于评估原油需求状况[27][31] 18. **因子名称：原油库存分项因子**[27][31] * **因子构建思路**：作为原油景气指数的组成部分，用于评估原油库存状况[27][31] 19. **因子名称：原油美元指数分项因子**[27][31] * **因子构建思路**：作为原油景气指数的组成部分，用于评估美元指数对原油的影响[27][31] 20. **因子名称：原油投资者预期分项因子**[27][31] * **因子构建思路**：作为原油景气指数的组成部分，用于评估投资者对原油的预期[27][31] 21. **因子名称：原油宏观风险水平分项因子**[27][31] * **因子构建思路**：作为原油景气指数的组成部分，用于评估宏观风险水平对原油的影响[27][31] 因子的回测效果 （报告中未提供单个因子的独立测试结果）

根据提供的融资融券月报内容，报告主要描述了市场概况和两融业务数据，并未涉及具体的量化模型或量化因子的构建、测试及评价。报告内容集中于市场数据统计、行业和个股的两融情况分析，属于市场监测和描述性统计范畴[1][8][11][55][56]。 因此，本总结中关于量化模型和量化因子的部分暂无相关内容。

量化模型与构建方式 1. 模型名称：基于宏观状态识别的多资产配置模型 - **模型构建思路**：借鉴美林时钟思路，通过宏观因子识别市场状态，采用马尔可夫转移模型识别宏观状态，构建动态风险预算组合[33] - **模型具体构建过程**： 1. 构建综合增长因子和综合通胀因子来挖掘股票投资价值[34] 2. 增长因子考虑PMI、工业增加值、社会消费品零售总额、固定资产投资完成额和出口金额5个指标[34] 3. 通胀因子考虑CPI和PPI2个指标[34] 4. 采用流动性因子（M1同比）用于债市风险监控[34] 5. 采用ERP（股权风险溢价）、EP（1/PE）和BP（1/PB）指标构建股债性价比因子[34] 6. 通过美元指数、央行购金和汇率等因素构建黄金投资因子[34] 7. 采用多目标优化模型进行业绩增强，将资产动量纳入考量，构建目标波动率为5%、10%和15%的稳健、平衡和积极组合[37] 8. 限制黄金、美股和港股的投资比例上限为10%，并根据宏观状态信号动态月度调整风险预算[37] 2. 模型名称：六维度行业轮动模型 - **模型构建思路**：在月频进行轮动，涵盖宏观、财务、分析师预期、ETF份额变动，公募基金/优选基金仓位动量、事件动量多个维度[39] - **模型具体构建过程**： 1. 宏观维度刻画行业的经济周期动量效应[39] 2. 财务维度从三大报表出发优选财务状况较好的行业[39] 3. 分析师预期维度展示分析师预期边际上调的行业动量效应[39] 4. ETF份额变动逻辑为超卖行业ETF反转[39] 5. 公募基金/优选基金仓位动量刻画公募基金/优选基金重仓行业的动量效应[39] 6. 事件动量效应的逻辑是事件发生时的市场惯性（非线性行业动量）[39] 3. 模型名称：陪伴式偏股增强FOF组合模型 - **模型构建思路**：构建以Alpha为主、拥挤度为辅的动态多因子选基模型，通过季度调整选基金因子与权重进行组合优化[46] - **模型具体构建过程**： 1. 基金初选池筛选条件为：成立满2年3个月；近2年平均股票仓位不低于60%的普通股票型、偏股混合型、灵活配置型、平衡混合型；基金规模不低于2亿元；任期最长的在任基金经理至少任职满1年；剔除定开和持有期基金[46] 2. 因子优选以Alpha类因子为主、拥挤度因子为辅，各调仓日筛选过去两年IC、IR表现较好的因子分配剩余权重[46] 3. 组合构建时，每期根据复合因子值大小取前30只基金加权构建FOF组合，季度末调仓[46] 4. 模型名称：陪伴式宽基增强FOF组合模型 - **模型构建思路**：构建相对宽基指数的主动权益增强策略，控制组合相对基准的行业板块暴露和市值风格暴露以控制跟踪误差，最大化组合的复合因子得分[53] - **模型具体构建过程**： 1. 单只基金复合因子计算基于Alpha为主、拥挤度为辅的动态多因子选基模型[53] 2. 优化模型如下： $$max\sum_{i=1}^{N}f_{i}\times w_{i}\quad\text{s.t.}\quad\left|\sum_{i}w_{i}\times\beta_{ij}-B_{j}\right|\leq k_{1},\ \ \left|\sum_{i}w_{i}\times p_{ij}-P_{j}\right|\leq k_{2},\ \ \sum_{i}w_{i}=1,\ \ 0\leq w_{i}\leq w_{max}.$$ 其中，$$f_i$$为基金i的复合因子得分，$$w_i$$为组合对基金i的配置权重，$$\beta_{ij}$$为基金i对板块j的配置权重，$$B_j$$为基准对板块j的配置权重，$$k_1$$为组合的板块偏离度上限，$$p_{ij}$$为基金i对市值j的配置权重，$$P_j$$为基准对市值j的配置权重，$$k_2$$为组合的风格偏离度上限，$$w_{max}$$为单只基金最高配置权重[53] 3. 季度末调仓[53] 5. 模型名称：长期能力因子模型 - **模型构建思路**：基于Brinson模型，结合行业指数以及主动权益基金视角，构造行业择时三层业绩分解模型，将基金超额收益拆分为交易、选股、行业配置和择时四个分项[64] - **模型具体构建过程**： 1. 引入风格因素，将基金超额收益中的选股以及配置项从行业和风格两个角度进行分解，引入交叉项，分解成行业选股、行业收益、风格选股、风格收益、行业-风格选股和行业-风格收益八个分项[64] 2. 对因子构造施加基于公募主动权益基金抱团热度的因子择时信号，当抱团因子处于前30%分位点以下时，修改行业配置为行业-风格配置因子，加入风格选股因子；当抱团程度过热（前20%分位点）时，不使用选股因子[65] 3. 将交易倾向因子作为负向筛选指标加入，在市场交易热度上升时给予交易因子更高权重，降温时给予低权重[65] 4. 半年度调仓，剔除不可申赎基金[65] 6. 模型名称：KF-Alpha+交易FOF组合模型 - **模型构建思路**：对基金季报持仓进行猜测补全，在季度层面实现业绩拆分；基于卡尔曼滤波的行业测算，通过基金业绩-高精度估算净值构造基金KF-Alpha因子，体现基金行业内选股能力[70] - **模型具体构建过程**：通过更高频的季度层面数据，构造KF-Alpha+季度交易能力的基金组合[70] 7. 模型名称：五层递补可交易指数轮动策略 - **模型构建思路**：在行业轮动组合基础上，构建5层递补可交易指数轮动策略，解决某些行业交易量小或跟踪指数少导致的规划求解困难[77] - **模型具体构建过程**： 1. 第一层：原始规划求解方法，给定5行业不变，备选池为全体指数[77] 2. 第二层：根据指数持仓，将全市场成交规模较高行业和预期收益较高行业交叉保留强势行业[77] 3. 第三层：根据指数持仓，在给定5行业中剔除全体指数共同持仓较少行业[77] 4. 第四层：估算仓位法规划求解[77] 5. 第五层：持仓对比法求解[77] 6. 标的池选择成立超过24个月的ETF，月频调仓[77] 8. 模型名称：多层次主动权益基金池体系 - **模型构建思路**：构建涵盖各个赛道和风格优秀基金的选基工具箱，以定量评分为主，辅以定性验证[87] - **模型具体构建过程**： 1. 风格划分基于基金价值和成长因子的绝对标签和相对得分，将主动权益基金分为深度价值、价值、价值成长、均衡成长、成长五大类[88] 2. 行业配置方面，将满足一定行业配置特点的基金划分为六大板块赛道基金、行业均衡基金、中观配置基金[88] 3. 对基金评价业绩指标进行检验，指标区间包含6个月、1年和2年，选取相对有效的因子构建基金评价指标体系，包含收益指标、风险调整收益指标、风险指标、投资能力指标、持有体验指标和规模指标六大类[88] 4. 每个季度末和半年报/年报披露的月末进行更新[87] 模型的回测效果 1. **全球配置ETF组合**，近一月绝对收益-0.02%，年初以来绝对收益7.85%[30] 2. **行业轮动模型**，近一月绝对收益-0.81%，近一月超额收益（相对行业等权）0.09%，年初以来绝对收益42.93%，年初以来超额收益18.97%[30] 3. **陪伴式偏股增强FOF**，近一月绝对收益-2.76%，近一月超额收益（相对万得偏股）-0.31%，年初以来绝对收益23.94%，年初以来超额收益-5.29%[30] 4. **陪伴式300增强FOF**，近一月绝对收益-2.66%，近一月超额收益（相对沪深300）-0.20%，年初以来绝对收益20.16%，年初以来超额收益5.12%[30] 5. **陪伴式800增强FOF**，近一月绝对收益-2.08%，近一月超额收益（相对中证800）0.81%，年初以来绝对收益17.56%，年初以来超额收益0.55%[30] 6. **风格轮动基金组合**，近一月绝对收益-2.36%，近一月超额收益（相对主动权益基金）-0.47%，年初以来绝对收益16.28%，年初以来超额收益-5.87%[30] 7. **长期能力组合**，近一月绝对收益-3.44%，近一月超额收益（相对主动权益基金）-1.57%，年初以来绝对收益23.91%，年初以来超额收益0.30%[30] 8. **KFAlphaFOF组合**，近一月绝对收益-2.63%，近一月超额收益（相对万得偏股）-0.18%，年初以来绝对收益24.72%，年初以来超额收益-3.49%[32] 9. **行业轮动基金组合**，近一月绝对收益-1.97%，近一月超额收益（相对主动权益基金）-0.07%，年初以来绝对收益52.17%，年初以来超额收益23.18%[32] 10. **行业轮动ETF组合**，近一月绝对收益-0.76%，近一月超额收益（相对万得全A）1.50%，年初以来绝对收益50.22%，年初以来超额收益21.56%[32] 11. **长期能力因子组合**，全时段年化收益15.82%，相对基准超额年化收益8.37%，信息比1.04[71] 12. **风格轮动FOF组合**，全时段年化收益17.37%，相对基准超额年化收益9.42%，信息比1.15[72] 13. **KF-Alpha+交易FOF组合**，全时段年化收益16.14%，相对基准超额收益8.16%，信息比1[73] 14. **行业轮动基金组合**，全时段年化收益22.74%，相对基准超额收益14.84%，信息比1.22[78] 15. **行业轮动ETF组合**，全时段年化收益22.74%，相对基准超额收益17.79%，信息比1.72[78] 16. **多维复合行业轮动策略**，2012年以来多头年化收益28%，年化超额行业等权18.1%，月度超额胜率70%；2019年以来年化超额行业等权40.12%，月度胜率75%[42] 17. **全球配置ETF组合（目标波动率5%）**，2025年以来收益约6.6%，2011-2025年的年度收益胜率为93%[38] 量化因子与构建方式 1. 因子名称：宏观因子（增长因子、通胀因子、流动性因子、黄金因子等） - **因子构建思路**：通过宏观层面的经济增长、通胀、流动性、货币政策、美元指数、汇率、央行购金等指标及因子，识别宏观状态，评估资产配置价值[33][34] - **因子具体构建过程**： 1. **增长因子**：考虑PMI、工业增加值、社会消费品零售总额、固定资产投资完成额和出口金额5个指标[34] 2. **通胀因子**：考虑CPI和PPI2个指标[34] 3. **流动性因子**：采用M1同比来衡量，用于债市风险监控[34] 4. **股债性价比因子**：采用ERP（股权风险溢价指标）、EP（1/PE）和BP（1/PB）指标构建，监控股市极端情况[34] 5. **黄金因子**：通过美元指数、央行购金和汇率等因素构建，衡量黄金的动态配置价值[34] 2. 因子名称：行业轮动子维度因子 - **因子构建思路**：从宏观、财务、分析师预期、ETF份额变动，公募基金/优选基金仓位动量、事件动量多个维度构建行业轮动因子[39] - **因子具体构建过程**： 1. **宏观维度因子**：刻画行业的经济周期动量效应[39] 2. **财务维度因子**：从三大报表出发优选财务状况较好的行业[39] 3. **分析师预期因子**：展示分析师预期边际上调的行业动量效应[39] 4. **ETF份额变动因子**：逻辑为超卖行业ETF反转[39] 5. **公募基金/优选基金仓位动量因子**：刻画公募基金/优选基金重仓行业的动量效应[39] 6. **事件动量因子**：逻辑是事件发生时的市场惯性（非线性行业动量）[39] 3. 因子名称：选基金复合因子（Alpha类因子、拥挤度因子） - **因子构建思路**：以Alpha类因子为主、拥挤度因子为辅，动态调整选基金因子与权重[46] - **因子具体构建过程**：各调仓日筛选过去两年IC、IR表现较好的因子分配剩余权重，构建复合因子[46] 4. 因子名称：长期能力因子（择时、交易、配置等） - **因子构建思路**：基于Brinson模型和业绩分解模型，结合风格因素，从选股和择时角度构建长期能力因子[64] - **因子具体构建过程**： 1. 构造行业择时三层业绩分解模型，将基金超额收益拆分为交易、选股、行业配置和择时四个分项[64] 2. 引入风格因素，将基金的选股和配置超额收益从行业和风格两个角度进行分解，引入交叉项，分解成行业选股、行业收益、风格选股、风格收益、行业-风格选股和行业-风格收益八个分项[64] 3. 引用经典的H-M和T-M模型计算基金的择时能力[64] 4. 最终构建的长期能力选基金因子包含TM模型构造的择时项以及业绩分解模型构造的行业配置和交易两项[64] 5. 因子名称：KF-Alpha因子 - **因子构建思路**：基于卡尔曼滤波的行业测算，通过基金业绩-高精度估算净值构造，更好体现基金行业内选股能力[70] - **因子具体构建过程**：对基金季报持仓进行猜测补全，在季度层面实现业绩拆分，构造KF-Alpha因子[70] 6. 因子名称：基金评价指标体系因子 - **因子构建思路**：对常用的基金评价业绩指标进行检验，选取相对有效的因子构建基金评价指标体系[88] - **因子具体构建过程**：指标体系包含收益指标、风险调整收益指标、风险指标、投资能力指标、持有体验指标和规模指标六大类，评价时间维度为近2年[88] 因子的回测效果 1. **长期能力因子**，全时段年化收益15.82%，相对基准超额年化收益8.37%，信息比1.04[71] 2. **风格轮动因子（结合长期能力因子）**，全时段年化收益17.37%，相对基准超额年化收益9.42%，信息比1.15[72] 3. **KF-Alpha+交易因子**，全时段年化收益16.14%，相对基准超额收益8.16%，信息比1[73] 4. **行业轮动多维度因子**，2012年以来应用该因子的策略年化收益28%，年化超额行业等权18.1%，月度超额胜率70%；2019年以来年化超额行业等权40.12%，月度胜率75%[42] 5. **基金评价综合得分因子（风格池内）**，长期来看，各风格池内综合得分排名靠前基金整体表现均跑赢中证偏股；成长风格基金在2015年、2019-2020年业绩弹性突出；2022-2024年价值风格占优[90] 6. **基金评价综合得分因子（赛道池内）**，医药、TMT、周期板块优选基金表现突出，年内优选基金分别上涨50.82%、44.27%、37.68%，相对全部赛道基金有超额[97] 7. **基金优选池综合因子**，长期相较于万得偏股基金指数和沪深300取得超额收益；单年度业绩均跑赢万得偏股基金指数；2019-2023年均跑赢沪深300[102]

根据提供的研报内容，经过仔细审阅，该报告主要总结了2025年11月A股新股的发行、上市表现及打新收益情况，并提出了相应的策略建议。报告内容侧重于市场数据描述和策略分析，并未涉及具体的量化模型或量化因子的构建、测试与分析过程。 因此，本总结中关于量化模型和量化因子的相关内容（包括名称、构建思路、具体构建过程、评价及测试结果）均无相应信息可供提取。

根据研报内容，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：资产比较框架模型**[8][12] * **模型构建思路**：基于产业生命周期理论，将权益资产划分为五种风格阶段，通过全局比较确定优势资产，其属性即为未来市场主流风格[8] * **模型具体构建过程**：模型遵循 g>ROE>D 的基本优先级进行考察[8] * 首先分析主流资产（实际增速资产、预期增速资产、盈利资产）是否存在机会[12] * 若主流资产均无机会，则按拥挤度优先级（质量红利>价值红利>破产价值）考察次级资产[12] * 通过计算各风格下资产的“优势差”（类似于因子择时中的 Spread）来判断其趋势变化[25] * 优势差计算公式：$$优势差 = Top组均值 - Bottom组均值$$，用于刻画头部资产的趋势变化[25] 2. **因子名称：预期成长因子 (gf)**[9][25] * **因子构建思路**：基于分析师预期，选取预期净利润增速高的资产，关注未来增长潜力，无论产业周期阶段[9] * **因子具体构建过程**：使用分析师预期数据，计算行业的预期净利润增速 (g_fttm)，并比较其高低[9][27] 3. **因子名称：实际成长因子 (g)**[9][30] * **因子构建思路**：基于历史财务数据，选取业绩动量（即净利润增速变化△g）高的资产，集中于转型期和成长期的资产[9] * **因子具体构建过程**：使用历史财务数据，计算行业的净利润增速 (g_ttm) 及其变化（△g），并比较其高低[9][30] 实际成长策略具体采用 sue（标准未预期盈余）、sur（收入惊喜）、jor（盈利惊喜）等因子进行行业筛选[41] 4. **因子名称：盈利能力因子 (ROE)**[9][32] * **因子构建思路**：选取盈利能力高的资产，并在 PB-ROE 框架下考察其估值水平，集中于成熟期资产[9] * **因子具体构建过程**：计算行业的净资产收益率 (ROE)，并在 PB-ROE 框架下，使用回归残差法评估估值水平，选取高 ROE 且估值相对较低的资产[9][43] 因子具体构建为行业的 PB-ROE 回归残差[43] 5. **因子名称：质量红利因子 (DP+ROE)**[9][46] * **因子构建思路**：结合股息率 (DP) 和盈利能力 (ROE)，选取具有高质量分红特征的资产，集中于成熟期[9] * **因子具体构建过程**：对行业的股息率 (dp) 和净资产收益率 (roe) 进行打分，综合选取打分最高的行业[9][46] 6. **因子名称：价值红利因子 (DP+BP)**[9][49] * **因子构建思路**：结合股息率 (DP) 和市净率 (BP，即账面市值比)，选取具有高股息和低估值特征的资产，集中于成熟期[9] * **因子具体构建过程**：对行业的股息率 (dp) 和市净率 (bp) 进行打分，综合选取打分最高的行业[9][49] 7. **因子名称：破产价值因子 (PB+SIZE)**[9][52] * **因子构建思路**：选取市净率 (PB) 低、规模 (SIZE) 小的资产，关注其潜在的破产重组价值或壳价值，集中于停滞期和衰退期[9] * **因子具体构建过程**：对行业的市净率 (pb) 和规模 (size) 进行打分（低 PB 和小规模得分高），综合选取打分最低的行业[9][52] 模型的回测效果 1. **资产比较框架模型**，年化收益 27.06%[19]，2009年至2025年11月相对万得全A的超额收益分别为：2009年51%、2010年14%、2011年-11%、2012年0%、2013年36%、2014年-4%、2015年16%、2016年-1%、2017年27%、2018年7%、2019年8%、2020年44%、2021年38%、2022年62%、2023年10%、2024年52%、2025年(11月)8%[22] 因子的回测效果 1. **预期成长因子 (gf)**，近3月表现（截至2025年11月30日）：石油化工3.00%、乳制品1.49%、贸易Ⅲ3.20%、速冻食品14.08%、锂51.15%[38] 2. **实际成长因子 (g)**，近3月表现（截至2025年11月30日）：分立器件-9.40%、电池综合服务0.51%、锂电化学品51.88%、稀土及磁性材料-19.31%、其他家电14.93%[41] 3. **盈利能力因子 (ROE)**，近3月表现（截至2025年11月30日）：客车10.46%、白酒-4.26%、配电设备5.95%、非乳饮料-6.27%、网络接配及塔设12.18%[43] 4. **质量红利因子 (DP+ROE)**，近3月表现（截至2025年11月30日）：林木及加工145.24%、锅炉设备-8.71%、车用电机电控16.52%、锂电设备21.95%、网络接配及塔设12.18%[46] 5. **价值红利因子 (DP+BP)**，近3月表现（截至2025年11月30日）：安防-2.24%、日用化学品-8.29%、宠物食品-14.91%、服务机器人-24.98%、网络接配及塔设12.18%[49] 6. **破产价值因子 (PB+SIZE)**，近3月表现（截至2025年11月30日）：汽车销售及服务Ⅲ2.06%、燃气15.88%、棉纺制品10.97%、印染5.62%、建筑装修Ⅲ16.42%[52]

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 1. **因子名称：连阴连阳因子**[12] * **因子构建思路**：通过计算指数K线连续为阴线或阳线的天数，来捕捉市场的短期动量或反转效应[12] * **因子具体构建过程**：从指定起始日开始，逐日判断指数收盘价相对于前一日是上涨还是下跌，连续上涨的天数记为正值（连阳），连续下跌的天数记为负值（连阴），计数从1开始，若当日涨跌状态改变则重新计数[12] 2. **因子名称：均线比较因子**[15][16] * **因子构建思路**：通过比较指数当前价格与不同时间窗口的移动平均线（MA）的位置关系，来判断指数的短期、中期和长期趋势强度[15] * **因子具体构建过程**：首先计算指数收盘价的5日（MA5）、10日（MA10）、20日（MA20）、60日（MA60）、120日（MA120）和250日（MA250）简单移动平均线，公式为： $$MA(N) = \frac{\sum_{i=1}^{N} Close_i}{N}$$ 其中，$Close_i$ 代表第i日的收盘价，$N$ 为移动平均窗口期。然后计算当前收盘价与各均线的相对位置，即 $(Close - MA(N)) / MA(N) \times 100\%$[16] 3. **因子名称：换手率因子**[18] * **因子构建思路**：通过计算指数的整体换手率来衡量市场的交易活跃度[18] * **因子具体构建过程**：对于宽基指数，其换手率计算方式为指数内所有成分股换手率的流通股本加权平均，具体公式为： $$Turnover_{index} = \frac{\sum (Shares_{float,i} \times Turnover_i)}{\sum Shares_{float,i}}$$ 其中，$Shares_{float,i}$ 代表成分股i的流通股本，$Turnover_i$ 代表成分股i的换手率[18] 4. **因子名称：收益率分布形态因子（偏度与峰度）**[24][25] * **因子构建思路**：通过计算指数日收益率分布的偏度（Skewness）和峰度（Kurtosis）来刻画收益分布的不对称性和尖峰肥尾特征，以评估风险[24][25] * **因子具体构建过程**：基于指数在过去一段时间（如近一年）的日收益率序列进行计算。峰度计算公式为（报告中已减去3）： $$Kurtosis = \frac{\frac{1}{n} \sum_{i=1}^{n} (r_i - \bar{r})^4}{(\frac{1}{n} \sum_{i=1}^{n} (r_i - \bar{r})^2)^2} - 3$$ 偏度计算公式为： $$Skewness = \frac{\frac{1}{n} \sum_{i=1}^{n} (r_i - \bar{r})^3}{(\frac{1}{n} \sum_{i=1}^{n} (r_i - \bar{r})^2)^{3/2}}$$ 其中，$r_i$ 为日收益率，$\bar{r}$ 为收益率均值，$n$ 为样本数[25] 5. **因子名称：风险溢价因子**[27][30][31] * **因子构建思路**：以十年期国债即期收益率作为无风险利率的参考，计算股票指数的预期收益率（通常用市盈率倒数近似）或指数收益率与无风险利率的差值，衡量投资股票市场所要求的额外回报[27][30][31] * **因子具体构建过程**：报告中展示了两种计算方式。一种是直接使用指数日收益率减去十年期国债日收益率（表4中“当前风险溢价”）。另一种常见的构建方式是使用指数PE-TTM的倒数（即盈利收益率）减去十年期国债收益率，公式为： $$Risk Premium = \frac{1}{PE_{TTM}} - R_f$$ 其中，$PE_{TTM}$ 为指数的滚动市盈率，$R_f$ 为十年期国债即期收益率[31] 6. **因子名称：PE-TTM（滚动市盈率）因子**[39][43][44] * **因子构建思路**：使用最近十二个月（TTM）的净利润计算市盈率，作为衡量指数估值水平的核心指标[39][43] * **因子具体构建过程**：对于指数而言，其PE-TTM通常为成分股市值加权或调和平均计算得到。公式为（以市值加权为例）： $$PE_{TTM, index} = \frac{\sum (Price_i \times Shares_i)}{\sum (NetIncome_{TTM,i})}$$ 其中，$Price_i$ 为成分股i的价格，$Shares_i$ 为成分股i的总股本，$NetIncome_{TTM,i}$ 为成分股i最近十二个月的净利润[44] 7. **因子名称：股债性价比因子**[46] * **因子构建思路**：将股票指数的盈利收益率（PE-TTM的倒数）与债券收益率进行比较，辅助判断大类资产配置的时机[46] * **因子具体构建过程**：计算指数PE-TTM的倒数与十年期国债即期收益率的差值，公式为： $$Equity Bond Yield Ratio = \frac{1}{PE_{TTM}} - R_{bond}$$ 其中，$R_{bond}$ 为十年期国债即期收益率[46] 8. **因子名称：股息率因子**[48][53] * **因子构建思路**：衡量指数成分股现金分红的回报率，是价值投资和红利策略的重要参考指标[48] * **因子具体构建过程**：对于指数，股息率通常为成分股过去十二个月现金股利总额与指数总市值的比率，或成分股股息率的市值加权平均。公式为： $$Dividend Yield_{index} = \frac{\sum Dividends_{TTM,i}}{\sum (Price_i \times Shares_i)}$$ 其中，$Dividends_{TTM,i}$ 为成分股i过去十二个月的现金股利总额[53] 9. **因子名称：破净率因子**[54][55] * **因子构建思路**：统计指数中市净率（PB）小于1的个股数量占比，反映市场整体的估值悲观程度或安全边际[54][55] * **因子具体构建过程**：首先计算指数中每家成分股的市净率（$PB = Price / NAVPS$，其中$NAVPS$为每股净资产），然后统计$PB < 1$的个股数量，最后计算该数量占指数总成分股数量的百分比[55] 因子的回测效果 （注：报告中主要呈现了各因子在特定时点（2025年12月2日）的截面数据或历史分位值，而非严格意义上的因子回测绩效指标（如IC、IR、多空收益等）。因此，以下展示的是报告中给出的相关数值。） 1. **连阴连阳因子**：各宽基指数在日K、周K、月K、季K、年K上的连阴连阳天数[12] 2. **均线比较因子**：各宽基指数收盘价相对于MA5、MA10、MA20、MA60、MA120、MA250的偏离百分比（%）[16] 3. **换手率因子**：各宽基指数换手率（中证2000为3.9，创业板指为2.31，中证1000为2.06，中证全指为1.52，中证500为1.31，沪深300为0.45，上证50为0.2）[18] 4. **收益率分布形态因子（偏度与峰度）**：各宽基指数当前偏度与峰度，及其相对于近5年均值的偏离（当前偏度 vs 近5年偏度，当前峰度 vs 近5年峰度）[25] 5. **风险溢价因子**：各宽基指数当前风险溢价（%），近1年及近5年历史分位值（%），近1年均值及波动率（%）[31] 6. **PE-TTM因子**：各宽基指数当前PE-TTM值，近1年及近5年历史分位值（%），近1年均值及波动率[44] 7. **股债性价比因子**：各宽基指数当前股债性价比相对于其近5年历史分位值的情况（无具体数值，仅说明未超过80%分位，中证500低于20%分位）[46] 8. **股息率因子**：各宽基指数当前股息率（%），近1年及近5年历史分位值（%），近1年均值及波动率（%）[53] 9. **破净率因子**：各宽基指数当前破净率（%）（上证50为20.0%，沪深300为15.67%，中证500为12.0%，中证1000为8.0%，中证2000为2.95%，创业板指为1.0%，中证全指为6.08%）[55]

量化因子与构建方式 1. **因子名称**：换手率变化率的稳定GTR因子[6] **因子构建思路**：从个股规律出发，发现换手率波动率高的股票中，存在一部分换手率稳定增长或稳定下降的股票，这些股票未来仍有上涨可能性。因此提出一个可以描述这种趋势的指标，即换手率变化率的稳定性[6] **因子具体构建过程**：基于换手率变化率所具有的加速度意义，结合新因子所具备的稳定性进行构建[6] **因子评价**：与东吴金工全系列换手率因子相关性不超过0.1，且对全系列换手率因子均具有加强作用[6] 2. **因子名称**：纯净优加TPS_Turbo因子[6] **因子构建思路**：使用纯净优加法对因子进行合成增强[6] **因子具体构建过程**：使用GTR因子对Turn20因子做纯净优加得到[6] 3. **因子名称**：纯净优加SPS_Turbo因子[6] **因子构建思路**：使用纯净优加法对因子进行合成增强[6] **因子具体构建过程**：使用GTR因子对STR因子做纯净优加得到[6] 因子的回测效果 1. **换手率变化率的稳定GTR因子**，年化收益率13.01%[7][13]，年化波动率10.20%[7][13]，信息比率1.27[7][13]，月度胜率66.24%[7][13]，最大回撤率10.81%[7][13] 2. **纯净优加TPS_Turbo因子**，年化收益率35.94%[7][13]，年化波动率13.20%[7][13]，信息比率2.72[7][13]，月度胜率78.48%[7][13]，最大回撤率9.86%[7][13] 3. **纯净优加SPS_Turbo因子**，年化收益率37.04%[7][13]，年化波动率10.86%[7][13]，信息比率3.41[7][13]，月度胜率81.43%[7][13]，最大回撤率7.22%[7][13]

根据您提供的研报内容，这是一份《金融工程日报》，主要描述了市场在特定日期的表现、情绪、资金流向等各类指标，并未涉及具体的量化模型或量化因子的构建、测试与评价。 报告内容集中于对市场现状的统计性描述，例如： - 市场指数、行业、概念板块的日度表现[2][6][7][10] - 市场情绪指标，如涨跌停家数、封板率、连板率的计算与结果[14][15][18] - 资金流向指标，如两融余额及占比[2][20][23] - 折溢价指标，如ETF折溢价、大宗交易折溢价、股指期货升贴水的计算与结果[3][24][27][29] 这些内容属于市场监测和数据统计范畴，不具备量化模型或因子所需的构建思路、详细过程、回测效果等要素。因此，本次总结无法提取出符合任务要求的量化模型或因子信息。

根据提供的研报内容，该报告主要涉及ETF市场资金流动、交易情况以及各类基金（包括增强策略ETF和主动权益/增强指数型基金）的业绩表现跟踪。报告的核心内容是市场数据回顾和基金业绩统计，**并未涉及任何量化模型或量化因子的构建思路、具体构建过程或公式**。 因此，报告中不存在需要总结的量化模型或量化因子内容。报告内容主要为市场数据和业绩展示。

量化模型与构建方式 量化模型 1. **模型名称**：TimeMixer改进的机器学习选股模型[37][38] **模型构建思路**：在GBDT和NN模型族基础上，通过多目标、多模型融合策略进行改进，将GRU的hidden层输出与其他弱因子一同输入LightGBM进行集成，以提升模型表现[37][38] **模型具体构建过程**：首先对LightGBM和GRU模型进行精细调优，然后将GRU模型的隐藏层输出（hidden）连同其他弱因子作为输入特征，使用LightGBM模型进行集成学习，从而在GRU的基础上实现稳健提升[38] 2. **模型名称**：热门概念指数轮动策略[4][39][44] **模型构建思路**：基于TimeMixer机器学习模型生成个股Alpha因子，将其聚合到Wind热门概念指数上形成指数层面的因子信号，再构建指数轮动策略[4][39][44] **模型具体构建过程**：首先在个股层面开发Alpha因子，由于Wind热门概念指数采用等权重编制，按照指数成分股等权加权方式将个股Alpha因子聚合至各类热门概念指数，形成指数层面的因子信号，每周选择模型得分最高的10个概念指数进行等权配置[4][44] 3. **模型名称**：基于热点概念指数轮动效应的Alpha股票组合策略[5][64] **模型构建思路**：为提升策略可操作性，在概念指数轮动策略的基础上，从成分股中筛选更具代表性的少量标的构建投资组合[5][64] **模型具体构建过程**：基于周度策略的指数信号，在其成分股中按基于TimeMixer改进的机器学习模型Alpha因子排名，选出前20只股票等权构建投资组合[5][64] 4. **模型名称**：基于热门概念指数轮动效应的龙头股组合策略[6][69][70] **模型构建思路**：使用自由现金流率因子从热门概念指数成分股中筛选出龙头企业构建投资组合[6][69][70] **模型具体构建过程**：在每周的概念指数构成的成分股组合里，挑选出自由现金流率最大的2只股票等权构建组合[6][70] 量化因子 1. **因子名称**：月度动量因子[3][23] **因子构建思路**：评估Wind热门概念指数是否具备月度动量特征[3][23] **因子具体构建过程**：计算热门概念指数的月度收益率作为动量因子值[3][23] **因子评价**：因子表现一般，IC值较低，单调性弱于周度因子[3][23][31] 2. **因子名称**：周度动量因子[3][23] **因子构建思路**：评估Wind热门概念指数是否具备周度动量特征[3][23] **因子具体构建过程**：计算热门概念指数的周度收益率作为动量因子值[3][23] **因子评价**：因子表现略优于月度动量因子，但整体效果仍相对有限[3][23][31] 3. **因子名称**：TimeMixer改进的机器学习选股因子[43] **因子构建思路**：将TimeMixer改进的GRU+LSTM机器学习模型应用到中证全指上生成选股Alpha因子[43] **因子具体构建过程**：使用TimeMixer改进的机器学习模型对中证全指成分股进行预测，生成个股的Alpha因子值[43] 4. **因子名称**：TimeMixer改进的机器学习概念指数因子[4][44] **因子构建思路**：将个股Alpha因子聚合到Wind热门概念指数上形成指数层面的因子[4][44] **因子具体构建过程**：由于Wind热门概念指数均为等权重指数，按照指数成分股等权加权方式将个股Alpha因子聚合到概念指数上[4][44] 5. **因子名称**：自由现金流率因子[6][70][72] **因子构建思路**：使用自由现金流与企业价值之比来识别龙头企业[6][70][72] **因子具体构建过程**：计算自由现金流率FCF2EV，公式为FCF/EV，其中自由现金流FCF = (1-t) * EBIT + 折旧摊销 - CapEx - 净运营变化，企业价值EV = 市值 + 总负债 – 货币资金[70] **因子评价**：自由现金流率高的企业抗风险能力强，能更真实地反映企业的盈利质量与资金状况，该因子偏向价值和大市值风格特征[6][72][75] 模型的回测效果 1. **TimeMixer改进的机器学习选股模型**[43][46] **IC均值**：10.68%[46] **多头年化收益率**：45.42%[46] **多头最大回撤率**：18.32%[46] **多头Sharpe比率**：1.91[46] **多头信息比率**：3.66[46] **多空年化收益率**：113.37%[46] **多空最大回撤率**：6.65%[46] **多空Sharpe比率**：7.69[46] **多空信息比率**：2.66[46] 2. **基于TimeMixer的热门概念指数轮动策略**[4][51][52] **年化收益率**：27.53%[52] **年化波动率**：20.58%[52] **Sharpe比率**：1.34[52] **最大回撤率**：26.23%[52] **年化超额收益率（相对中证全指）**：18.06%[52] **年化超额收益率（相对热门概念等权）**：9.02%[52] **跟踪误差（相对中证全指）**：10.46%[52] **跟踪误差（相对热门概念等权）**：11.92%[52] **信息比率（相对中证全指）**：1.73[52] **信息比率（相对热门概念等权）**：0.76[52] **超额最大回撤（相对中证全指）**：9.97%[52] **超额最大回撤（相对热门概念等权）**：21.74%[52] 3. **基于热点概念指数轮动效应的Alpha股票组合策略**[5][64][65] **年化收益率**：21.82%[65] **年化波动率**：16.77%[65] **Sharpe比率**：1.30[65] **最大回撤率**：24.19%[65] **年化超额收益率**：11.34%[65] **跟踪误差**：14.36%[65] **信息比率**：0.79[65] **超额最大回撤率**：22.87%[65] **周度双边换手率**：88.71%[65] 4. **基于热门概念指数轮动效应的龙头股组合策略**[6][70][71][73] **年化收益率**：30.27%[71] **年化波动率**：12.82%[71] **Sharpe比率**：1.61[71] **最大回撤率**：24.73%[71] **年化超额收益率（相对中证全指）**：20.63%[71] **年化超额收益率（相对热门概念等权）**：11.52%[71] **跟踪误差（相对中证全指）**：12.82%[73] **跟踪误差（相对热门概念等权）**：13.10%[73] **信息比率（相对中证全指）**：1.61[73] **信息比率（相对热门概念等权）**：0.88[73] **超额最大回撤（相对中证全指）**：21.65%[73] **超额最大回撤（相对热门概念等权）**：21.02%[73] 因子的回测效果 1. **月度动量因子**[23][26] **IC均值**：1.35%[26] **多头年化收益率**：22.17%[26] **多头最大回撤率**：38.91%[26] **多头Sharpe比率**：0.80[26] **多头信息比率**：0.36[26] **多空年化收益率**：11.13%[26] **多空最大回撤率**：29.07%[26] **多空Sharpe比率**：0.51[26] **多空信息比率**：-0.31[26] 2. **周度动量因子**[23][26] **IC均值**：2.38%[26] **多头年化收益率**：24.03%[26] **多头最大回撤率**：32.41%[26] **多头Sharpe比率**：0.93[26] **多头信息比率**：0.53[26] **多空年化收益率**：12.21%[26] **多空最大回撤率**：27.00%[26] **多空Sharpe比率**：0.58[26] **多空信息比率**：-0.26[26] 3. **TimeMixer改进的机器学习概念指数因子**[4][44][49] **IC均值**：7.27%[49] **多头年化收益率**：30.77%[49] **多头最大回撤率**：20.36%[49] **多头Sharpe比率**：1.44[49] **多头信息比率**：1.28[49]