根据研报内容，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. **商品期限结构模拟组合** - 模型构建思路：基于展期收益率因子刻画商品升贴水状态，动态做多展期收益率高的品种，做空展期收益率低的品种[24] - 模型具体构建过程： 1. 计算各品种的展期收益率因子 2. 根据展期收益率排序，构建多空组合 3. 动态调整仓位，保持板块均衡[24] - 模型评价：近期表现较好，能有效捕捉商品期限结构带来的收益[23] 2. **商品时序动量模拟组合** - 模型构建思路：基于多个技术指标刻画商品中长期趋势，动态做多趋势上涨的资产，做空趋势下跌的资产[24] - 模型具体构建过程： 1. 计算各品种的技术指标（如均线、MACD等） 2. 根据趋势信号构建多空组合 3. 定期调整仓位[24] - 模型评价：对趋势行情的捕捉能力较强，但近期表现较弱[33] 3. **商品截面仓单模拟组合** - 模型构建思路：基于仓单因子刻画商品基本面变化情况，动态做多仓单下降的资产，做空仓单增长的资产[24] - 模型具体构建过程： 1. 跟踪各品种的仓单变化情况 2. 根据仓单变化方向构建多空组合 3. 定期调整仓位[24] - 模型评价：对基本面变化的反应较为灵敏[39] 4. **全球市场因子** - 因子构建思路：利用海外主要资产价格同比数据构建统一的全球市场因子，反映资本市场周期[14] - 因子具体构建过程： 1. 收集海外主要资产价格同比数据 2. 进行主成分分析（PCA）提取主要因子 3. 通过周期滤波方法构建全球市场因子[15] $$PCA1 = \sum_{i=1}^{n} w_i \cdot r_i$$ 其中$w_i$为权重，$r_i$为资产收益率 - 因子评价：能有效反映全球资本市场周期变化[14] 模型的回测效果 1. **商品期限结构模拟组合** - 近两周收益：1.69%[23] - 今年以来收益：3.09%[23] - 最大回撤：-7.0%[29] 2. **商品时序动量模拟组合** - 近两周收益：-1.22%[26] - 今年以来收益：-3.17%[35] - 最大回撤：-8.0%[36] 3. **商品截面仓单模拟组合** - 近两周收益：-0.56%[26] - 今年以来收益：3.42%[39] - 最大回撤：-6.0%[40] 4. **商品融合策略** - 近两周收益：-0.05%[23] - 今年以来收益：1.09%[23] - 最大回撤：-3.0%[25] 量化因子与构建方式 1. **展期收益率因子** - 因子构建思路：反映商品期货合约的升贴水状态[24] - 因子具体构建过程： 1. 计算近月合约与远月合约的价格差 2. 标准化处理得到展期收益率[24] $$RollYield = \frac{F_t - S_t}{S_t}$$ 其中$F_t$为远月合约价格，$S_t$为近月合约价格 2. **仓单因子** - 因子构建思路：反映商品基本面供需变化[24] - 因子具体构建过程： 1. 跟踪各品种的仓单变化量 2. 标准化处理得到仓单因子[24] 3. **技术指标因子** - 因子构建思路：反映商品价格趋势[24] - 因子具体构建过程： 1. 计算各品种的均线、MACD等技术指标 2. 综合多个指标构建趋势信号[24] 因子的回测效果 1. **展期收益率因子** - 近两周收益贡献：玻璃1.27%、PVC0.32%、橡胶0.31%[30] 2. **仓单因子** - 近两周收益贡献：玉米0.54%、聚丙烯0.27%、沪镍0.22%[43] 3. **技术指标因子** - 近两周收益贡献：豆油0.26%、石油气0.16%、豆粕0.07%[37]

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**：沪深300上涨家数占比情绪指标 **模型构建思路**：通过计算指数成分股近期正收益的个数来判断市场情绪，强势股的持续上行能为整个板块带来机会[23] **模型具体构建过程**： - 计算沪深300指数成分股过去N日收益大于0的个股数占比 - 公式：$$沪深300指数N日上涨家数占比 = \frac{沪深300指数成分股过去N日收益>0的个股数}{沪深300指数成分股总数}$$ - 当市场中正收益股票增多时处于行情底部，大部分股票正收益时可能过热[23] **模型评价**：能较快捕捉上涨机会，但会错失持续亢奋阶段的收益，对下跌市场判断存在缺陷[25] 2. **模型名称**：沪深300上涨家数占比择时模型 **模型构建思路**：通过对情绪指标进行不同窗口期平滑来捕捉市场情绪拐点[26] **模型具体构建过程**： - 对上涨家数占比指标进行N1=50和N2=35的移动平均（慢线和快线） - 当快线>慢线时看多市场[28] - 截至2025年8月8日快线在慢线上方，维持看多观点[26] 3. **模型名称**：均线情绪指标 **模型构建思路**：通过八均线体系判断指数趋势状态[32] **模型具体构建过程**： - 计算沪深300收盘价的8条均线（参数：8,13,21,34,55,89,144,233） - 统计当日收盘价大于均线的数量，超过5条时看多[32] - 截至2025年8月8日处于情绪景气区间[32] 量化因子与构建方式 1. **因子名称**：横截面波动率因子 **因子构建思路**：衡量指数成分股间收益离散程度，反映Alpha环境强弱[37] **因子具体构建过程**： - 计算指数成分股日收益率的横截面标准差 - 统计结果显示：沪深300近一季度横截面波动率1.63%，处于近半年48.86%分位[40] 2. **因子名称**：时间序列波动率因子 **因子构建思路**：反映指数成分股时间维度上的波动特征[40] **因子具体构建过程**： - 计算指数成分股加权时间序列波动率 - 沪深300近一季度时序波动率0.47%，处于近半年33.13%分位[42] 模型的回测效果 1. 沪深300上涨家数占比择时模型： - 快线/慢线金叉信号持续有效[26] - 策略净值在情绪景气区间显著跑赢基准[29] 2. 均线情绪指标模型： - 八均线指标值与指数净值呈现正相关性[35] - 在情绪区间7-9时超额收益明显[32] 因子的回测效果 1. 横截面波动率因子： - 沪深300近一年均值1.87%，当前1.63%[40] - 中证1000近半年均值2.31%，当前处于29.88%分位[40] 2. 时间序列波动率因子： - 沪深300近两年均值0.59%，当前0.47%[42] - 中证500近半年均值0.41%，当前处于34.13%分位[42]

量化因子与构建方式 1. **因子名称：日内高频偏度因子** - 构建思路：通过捕捉股票日内收益分布的偏度特征来预测未来收益[13] - 具体构建过程：计算日内收益率的三阶矩标准化后的偏度值，公式为： $$Skew = \frac{E[(r-\mu)^3]}{\sigma^3}$$ 其中$r$为日内收益率，$\mu$为均值，$\sigma$为标准差[13] 2. **因子名称：日内下行波动占比因子** - 构建思路：衡量下行波动在总波动中的占比，反映风险不对称性[19] - 具体构建过程：计算下行收益率的标准差与整体标准差的比值： $$DownVolRatio = \frac{\sqrt{\sum_{r<0}(r-\mu_-)^2/N_-}}{\sigma}$$ $\mu_-$为下行收益均值，$N_-$为下行观测数[19] 3. **因子名称：开盘后买入意愿占比因子** - 构建思路：通过开盘后特定时段的大单买入占比捕捉资金流向[23] - 具体构建过程：统计开盘后30分钟内大单买入金额占总成交金额比例[23] 4. **因子名称：改进GRU(50,2)+NN(10)因子** - 构建思路：结合门控循环单元(GRU)和神经网络(NN)的深度学习模型[14] - 具体构建过程： - 第一层GRU网络处理50个时间步长的输入特征 - 第二层GRU输出2维隐藏状态 - 10层全连接神经网络进行最终预测[14] 5. **因子名称：多颗粒度模型-5日标签因子** - 构建思路：基于双向AGRU网络处理不同时间尺度的价格特征[70] - 具体构建过程： - 输入层接收5日累计收益率作为训练标签 - 双向AGRU网络提取多时间尺度特征 - 注意力机制动态加权特征重要性[70] 因子回测效果 1. **日内高频偏度因子** - 上周多空收益：-0.66% - 8月多空收益：-0.37% - 2025年多空收益：16.9% - 历史IC：0.026 - 2025年IC：0.037[10] 2. **改进GRU(50,2)+NN(10)因子** - 上周多空收益：1.36% - 8月多空收益：2.42% - 2025年多空收益：28.86% - 历史IC：0.066 - 2025年IC：0.045[12] 3. **多颗粒度模型-5日标签因子** - 上周多空收益：1.65% - 8月多空收益：2.68% - 2025年多空收益：44.62% - 历史IC：0.081 - 2025年IC：0.070[12] AI增强组合表现 1. **中证500 AI增强宽约束组合** - 上周超额收益：0.47% - 8月超额收益：0.85% - 2025年超额收益：11.56%[13] 2. **中证1000 AI增强严约束组合** - 上周超额收益：0.39% - 8月超额收益：0.91% - 2025年超额收益：15.66%[92] 模型构建细节 - **优化目标函数**： $$max\sum\mu_{i}w_{i}$$ 其中$w_i$为股票权重，$\mu_i$为预期超额收益[74] - **交易成本假设**：双边3‰的交易成本[75]

量化模型与构建方式 1. **模型名称**：GARP组合 - **模型构建思路**：结合增长（Growth）与合理估值（Reasonable Price）的选股策略，筛选兼具成长性和估值吸引力的股票[5][9][33] - **模型具体构建过程**： 1. 筛选标的：沪深300成分股 2. 成长性指标：选取营收增长率、净利润增长率排名前30%的股票 3. 估值指标：剔除PE_TTM和PB高于行业中位数的股票 4. 综合评分：对剩余股票按成长性与估值加权打分，选取前50只等权配置 - **模型评价**：在平衡成长与估值风险方面表现优异，长期超额收益稳定 2. **模型名称**：PB-盈利优选组合 - **模型构建思路**：通过低市净率（PB）与高盈利（ROE）双重筛选，挖掘低估值的优质企业[5][29][32] - **模型具体构建过程**： 1. 初筛：沪深300成分股中PB分位数低于30%的股票 2. 盈利筛选：ROE连续两年高于行业均值 3. 动态调整：季度调仓，权重按盈利稳定性调整 - **模型评价**：在低估值风格占优时表现突出，但周期敏感性较高 3. **模型名称**：小盘成长组合 - **模型构建思路**：聚焦小市值且具备高成长特征的股票，捕捉市场弹性[5][38][42] - **模型具体构建过程**： 1. 市值筛选：全市场市值后20%的股票 2. 成长指标：营收增长率、研发投入占比综合排名前20% 3. 流动性过滤：剔除日均成交额低于1000万元的股票 4. 等权配置Top 100股票 - **模型评价**：高风险高收益特征显著，需警惕流动性风险 --- 量化因子与构建方式 1. **因子名称**：反转因子 - **因子构建思路**：捕捉短期价格反转效应的技术类因子[5][46][48] - **因子具体构建过程**： $$ \text{Reversal}_t = \frac{P_{t-5} - P_t}{P_{t-5}} $$ 其中$P_{t-5}$为5日前收盘价，$P_t$为当前收盘价，因子值为负表示近期下跌，可能反弹 - **因子评价**：上周全市场多空收益达0.98%，短期有效性显著 2. **因子名称**：SUE因子（标准化意外盈利） - **因子构建思路**：衡量盈利超预期程度的基本面因子[50][51] - **因子具体构建过程**： $$ \text{SUE} = \frac{\text{实际EPS} - \text{预期EPS}}{\sigma(\text{EPS预测误差})} $$ 其中分母为分析师预测的标准差 - **因子评价**：2025年全市场多空收益12.34%，在沪深300中表现最佳 3. **因子名称**：市值因子 - **因子构建思路**：通过市值分层捕捉规模效应[43][44][45] - **因子具体构建过程**： 1. 每月末计算全市场股票总市值 2. 按市值分为10组，多头为最小10%，空头为最大10% 3. 多空收益 = 多头组合收益 - 空头组合收益 - **因子评价**：小市值效应2025年全市场收益达48%，但波动较大 --- 模型的回测效果 | 模型名称 | 周收益率 | 月收益率 | 年收益率 | 超额收益(年) | 跟踪误差 | 最大回撤 | |------------------------|----------|----------|----------|--------------|----------|----------| | GARP组合 | 3.28% | 4.32% | 28.19% | 23.87% | 10.50% | 3.45% | [9][33][34] | PB-盈利优选组合 | 2.86% | 3.52% | 20.53% | 16.21% | 9.83% | 3.71% | [9][29][32] | 小盘成长组合 | 4.87% | 6.74% | 56.37% | -9.38%* | 11.01% | 21.91% | [9][38][42] *注：小盘组合基准为微盘股指数，年化超额收益为负因基准涨幅更高 --- 因子的回测效果 | 因子名称 | 全市场多空收益(周) | 沪深300多空收益(年) | 中证500多空收益(年) | |----------------|--------------------|---------------------|---------------------| | 反转因子 | 0.98% | -2.34% | 12.18% | [46][48][49] | SUE因子 | 0.51% | 23.16% | 4.08% | [50][51][52] | 市值因子 | 2.47% | 2.61% | 15.43% | [43][44][45]

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**：宽基轮动策略 - **模型构建思路**：基于主流宽基指数（沪深300/中证500/中证1000/中证2000）的热度变化率构建轮动策略，捕捉市场情绪驱动的短期超额收益[8][12] - **模型具体构建过程**： 1. 计算每周各宽基成分股的总热度指标（浏览+自选+点击次数之和，归一化为全市场占比后乘以10000）[7] 2. 计算周度热度变化率的2周移动平均（MA2）[9] 3. 每周最后一个交易日买入MA2变化率最大的宽基指数，若为"其他"组则空仓[12] - **模型评价**：策略通过非主流宽基的热度异常变化捕捉市场情绪拐点，但依赖短期行为金融效应[9] 2. **模型名称**：概念热度组合策略 - **模型构建思路**：筛选高热度概念中的低关注个股，利用市场过度反应与滞后效应获取超额收益[29][31] - **模型具体构建过程**： 1. 每周选出热度变化率TOP5的概念，排除流通市值最小的20%股票[29] 2. 从每个概念中分别选取总热度排名最后10的个股构建BOTTOM组合（等权重）[29] 3. 持有周期为一周，动态调仓[31] --- 量化因子与构建方式 1. **因子名称**：个股总热度因子 - **因子构建思路**：通过归一化处理个股的浏览、自选、点击数据，衡量市场关注度[7] - **因子具体构建过程**： $$ \text{总热度} = \left( \frac{\text{浏览+自选+点击次数}}{\text{全市场总次数}} \right) \times 10000 $$ 取值区间[0,10000]，数值越高代表关注度越集中[7] 2. **因子名称**：行业热度变化率因子 - **因子构建思路**：监测申万一级/二级行业的热度边际变化，捕捉行业轮动信号[19][26] - **因子具体构建过程**： 1. 对行业成分股的总热度指标求和[19] 2. 计算周度变化率的MA2平滑值[19] 3. 国防军工行业本周变化率+43.6%（正向最大），煤炭行业-36.2%（负向最大）[26] 3. **因子名称**：概念热度变化率因子 - **因子构建过程**：与行业因子类似，但针对概念板块（如中船系周变化率+134%）[27][29] --- 模型的回测效果 1. **宽基轮动策略**： - 年化收益率8.74%，最大回撤23.5%，2025年收益20.95%[15] 2. **概念BOTTOM组合**： - 年化收益15.71%，最大回撤28.89%，2025年收益29%[31] --- 因子的回测效果 1. **行业热度变化率因子**： - 国防军工（+43.6%）、传媒（+38.2%）、电子（+35.1%）为本周正向TOP3[26] 2. **概念热度变化率因子**： - 中船系（+134%）、脑机接口（+106.5%）、高压氧舱（+100.5%）为本周正向TOP3[29] --- 其他量化指标 1. **估值分位数因子**： - 沪深300/中证500/中证1000的5年估值分位数分别为73%/96%/86%[36] - 银行、电力设备等行业估值分位数>80%，农林牧渔、公用事业<20%[37][39] （注：部分内容如股权激励事件跟踪等未涉及量化模型/因子，故未列出）

量化模型与构建方式 1. **模型名称：DTW择时模型** - **模型构建思路**：基于相似性原理和DTW（动态时间规整）算法，通过比较当前指数行情与历史行情的相似度，筛选相似片段并预测未来涨跌幅[25][26] - **模型具体构建过程**： 1. 计算当前行情与历史片段的DTW距离（弹性度量），筛选距离最小的前N个片段[27][28] 2. 对筛选片段未来5日或1日涨跌幅加权平均（权重为距离倒数），公式： $$\text{预测涨跌幅} = \frac{\sum_{i=1}^N w_i \cdot r_i}{\sum_{i=1}^N w_i}, \quad w_i = \frac{1}{d_i}$$ 其中$d_i$为DTW距离，$r_i$为历史片段未来涨跌幅[15] 3. 引入改进的DTW算法（如Sakoe-Chiba或Itakura边界限制）避免"病态匹配"[29][35] - **模型评价**：在非突发政策市场环境下超额收益稳定，但对宏观政策突变敏感[16] 2. **模型名称：外资择时模型** - **模型构建思路**：利用境外关联资产（富时中国A50期货和南方A50ETF）的价格背离和升贴水信号构建复合择时信号[34] - **模型具体构建过程**： 1. 从富时中国A50期货提取升贴水指标和价格背离指标[34] 2. 从南方A50ETF提取价格背离指标[34] 3. 复合两类资产信号生成最终外资择时信号[34] - **模型评价**：样本外表现优异，多空策略年化收益达18.96%[20] --- 模型的回测效果 1. **DTW择时模型** - 样本外（2022年11月以来）：绝对收益25.79%，超额沪深300收益16.83%，最大回撤21.32%[5][16] - 2024年以来：绝对收益23.98%，超额收益2.76%，最大回撤21.36%，交易胜率53.85%，盈亏比2.93[18][19] 2. **外资择时模型** - 全样本（2014-2024）：多空年化收益18.96%，多头年化14.19%，最大回撤25.69%（多空）/17.27%（多头），日胜率55%[20] - 2024年样本外：多头绝对收益29.11%，最大回撤8.32%[23] --- 量化因子与构建方式 1. **因子名称：大小盘轮动(DTW)** - **因子构建思路**：基于DTW算法比较大小盘指数（如沪深300与中证1000）的相对强弱[15] - **因子具体构建过程**：通过DTW距离筛选历史相似片段，计算未来涨跌幅差异判断轮动方向[15] 2. **因子名称：成长价值轮动(估值比)** - **因子构建思路**：结合PS（市销率）和PCF（市现率）等估值指标判断成长与价值风格相对优势[15] --- 因子的回测效果 1. **大小盘轮动(DTW)** - 2024年信号：持续看多小盘风格[15][19] 2. **成长价值轮动(估值比)** - 最新信号：PS指标看多价值，PCF指标看多成长，综合无明确信号[15]

根据提供的研报内容，该报告主要跟踪了各类量化基金的业绩表现，但未涉及具体的量化模型或因子构建细节。以下是基于文档内容的总结： 量化基金业绩统计 1. **沪深300指增基金** - 本周平均超额收益0.17%，正超额占比82.61%[9] - 近一年跟踪误差中位数3.25%，最大回撤中位数14.03%[9] 2. **中证500指增基金** - 本周平均超额收益0.01%，正超额占比55.71%[9] - 近一年跟踪误差中位数4.77%，超额收益分布呈右偏[9][11] 3. **中证1000指增基金** - 年度超额收益达5.81%，正超额占比95.65%[9] - 跟踪误差中位数5.00%，显著高于其他指增类型[9] 4. **主动量化基金** - 年度平均收益14.99%，正收益占比97.91%[9] - 近一年最大回撤中位数14.03%，收益分布呈现两极分化[9][11] 5. **市场中性策略** - 年度收益1.38%，波动率显著低于权益类策略[9] - 近一年最大回撤中位数3.81%，体现低风险特征[9] 业绩分布特征 - 中证1000指增超额收益分布最分散，沪深300指增最集中[11] - 主动量化基金收益区间跨度最大（-16.52%至123.01%）[9][11] 净值走势分析 - 中证A500指增组合年内超额净值增长最快（2025年4-8月）[20][21] - 市场中性组合净值波动率显著低于主动量化组合[25][28] 注：报告中未提及具体的量化模型构建方法或因子计算过程，主要聚焦于基金产品的业绩归因和横向比较[1][3][29]

量化模型与构建方式 1. **模型名称：股指期货分红点位预测模型** - **模型构建思路**：基于历史数据和成分股分红信息，预测股指期货合约存续期内标的指数的分红点位[9] - **模型具体构建过程**： 1. 对中证500、沪深300、上证50、中证1000指数未来一年分红点位进行预测 2. 计算合约存续期内分红点位占比 3. 公式： $$年化基差 = \frac{实际基差 + 预期分红点位}{指数价格} \times \frac{360}{合约剩余天数}$$ 4. 示例：中证500指数在IC2508合约存续期内分红点位预估为2.12，年化基差计算中需叠加该调整项[9][21] 2. **模型名称：期现对冲策略（连续对冲/最低贴水策略）** - **模型构建思路**：通过动态调整期货合约持仓，优化基差收敛收益[44][46] - **模型具体构建过程**： - **连续对冲策略**： 1. 持有季月/当月合约至到期前2日平仓 2. 滚动卖空下一季月/当月合约 3. 现货端持有全收益指数，期货端占用30%资金[44] - **最低贴水策略**： 1. 每日计算所有可交易合约的年化基差 2. 选择贴水幅度最小的合约开仓 3. 持有8个交易日或到期前2日调仓[46] 3. **模型名称：信达波动率指数（Cinda-VIX/SKEW）** - **模型构建思路**：通过期权隐含波动率捕捉市场对波动和尾部风险的预期[61][67] - **模型具体构建过程**： - **Cinda-VIX**： 1. 基于不同期限期权价格计算隐含波动率 2. 反映未来30/60/90/120日的波动预期[61] - **Cinda-SKEW**： 1. 分析虚值看涨/看跌期权IV偏斜 2. 数值>100表明市场担忧尾部风险[67] --- 模型的回测效果 1. **IC对冲策略（2022/7/22-2025/8/8）** - 季月连续对冲：年化收益-1.87%，波动率4.72%，最大回撤-8.34%[48] - 最低贴水策略：年化收益-1.12%，年换手17.15次[48] 2. **IF对冲策略** - 最低贴水策略：年化收益1.36%，2025年以来收益0.80%[51] 3. **IH对冲策略** - 季月连续对冲：年化收益2.04%，净值1.0630[54] 4. **IM对冲策略** - 当月连续对冲：年化收益-6.07%，最大回撤-14.01%[59] --- 量化因子与构建方式 1. **因子名称：分红调整年化基差** - **因子构建思路**：剔除分红影响后的期货合约基差[21] - **因子具体构建过程**： 1. 计算实际基差：合约收盘价 - 指数收盘价 2. 叠加存续期内未实现预期分红 3. 年化处理： $$年化基差 = \frac{实际基差 + 预期分红点位}{指数价格} \times \frac{360}{合约剩余天数}$$[21] 2. **因子名称：VIX期限结构** - **因子构建思路**：反映不同期限波动率预期的斜率[61] - **因子具体构建过程**： 1. 分别计算30/60/90/120日VIX 2. 对比短期与长期VIX差值[61] 3. **因子名称：SKEW极端值** - **因子构建思路**：识别市场对黑天鹅事件的定价[67] - **因子具体构建过程**： 1. 当SKEW>100且处于历史99.7%分位时触发预警 2. 示例：中证1000SKEW达114.07点[68] --- 因子的回测效果 1. **分红调整年化基差（2025/8/8）** - IC当季合约：-10.79%（低于2022年以来中位数）[22] - IH当季合约：-0.12%（从升水转为贴水）[33] 2. **Cinda-VIX（30日）** - 中证500VIX：23.46（处于历史50%分位以下）[61] 3. **Cinda-SKEW** - 沪深300SKEW：109.58（历史99.7%分位）[68]

量化模型与构建方式 1. **模型名称**：万图师AI模型 **模型构建思路**：通过AI模型对指数进行打分，筛选出看涨概率较高的指数，并进一步筛选对应的ETF[6] **模型具体构建过程**： - 对指数进行打分，选取得分在0.8以上的指数[6] - 找到对应的ETF，筛选最近30天日均成交额在3千万元以上的ETF[6] - 同一指数对应的ETF，选取IOPV溢价率较低的ETF[6] **模型评价**：模型通过多维度筛选，结合成交额和溢价率，具有较强的实操性和市场适应性 2. **模型名称**：龙虎榜资金流模型 **模型构建思路**：通过分析龙虎榜资金流入情况，判断行业资金流向[4] **模型具体构建过程**： - 统计当期行业净流入排名，筛选资金流入较多的行业[4] **模型评价**：直接反映市场资金动向，对短期行业走势有较强指示作用 3. **模型名称**：公募基金权益仓位变化模型 **模型构建思路**：通过跟踪公募基金仓位变化，分析市场资金配置动向[4] **模型具体构建过程**： - 统计主动权益类基金的仓位变化[4] - 分析申万行业加仓和减仓情况[4] **模型评价**：反映机构投资者行为，对中长期市场趋势有一定参考价值 4. **模型名称**：ETF份额变化模型 **模型构建思路**：通过跟踪ETF份额变化，分析市场资金偏好[4] **模型具体构建过程**： - 统计各板块ETF份额增长和减少比例[4] **模型评价**：反映市场资金对特定板块的偏好，对行业轮动有参考意义 模型的回测效果 1. **万图师AI模型**： - 看涨概率：综合84%，电力设备84%[4] - ETF筛选结果：中证2000增强ETF（看涨概率93.52%），创业板ETF天弘（看涨概率93.37%）等[7] 2. **龙虎榜资金流模型**： - 当期净流入排名：国防军工1，通信2[4] 3. **公募基金权益仓位变化模型**： - 主动权益类基金仓位：本周89.0%，上周89.0%[4] - 加仓行业：环保（仓位变化0.85%→0.87%）[4] - 减仓行业：机械设备（仓位变化4.02%→3.97%）[4] 4. **ETF份额变化模型**： - 份额增长比例较高：化工[4] - 份额减少比例较高：传媒[4] 量化因子与构建方式 1. **因子名称**：看涨概率因子 **因子构建思路**：通过AI模型对指数进行打分，生成看涨概率[6] **因子具体构建过程**： - 对指数进行AI模型打分，生成看涨概率值[6] **因子评价**：直接反映模型对指数未来走势的预测能力 2. **因子名称**：资金净流入因子 **因子构建思路**：通过龙虎榜数据计算行业资金净流入[4] **因子具体构建过程**： - 统计行业当期资金净流入排名[4] **因子评价**：反映市场资金短期流向，对行业轮动有较强指示作用 3. **因子名称**：ETF份额变化因子 **因子构建思路**：通过ETF份额变化分析市场资金偏好[4] **因子具体构建过程**： - 统计ETF份额增长和减少比例[4] **因子评价**：反映市场资金对特定板块的偏好变化 因子的回测效果 1. **看涨概率因子**： - 看涨概率取值：综合84%，电力设备84%[4] 2. **资金净流入因子**： - 当期净流入排名：国防军工1，通信2[4] 3. **ETF份额变化因子**： - 份额增长比例较高：化工[4] - 份额减少比例较高：传媒[4]

根据提供的金融工程日报内容，该报告主要聚焦市场表现和资金流向监测，未涉及量化模型或因子构建相关内容。以下是可提取的关键市场监测指标： 市场表现指标 1 宽基指数表现 中证500指数跌幅最小（-0.22%），上证50指数跌幅最大（-0.33%）[6] 中证500价值指数逆势上涨0.30%，表现最佳[6] 2 行业表现 建筑（+1.38%）、钢铁（+1.26%）、有色金属（+1.19%）领涨[7] 计算机（-2.13%）、电子（-1.22%）、传媒（-1.03%）领跌[7] 3 概念表现 新疆振兴（+4.90%）、中国铁总（+4.89%）涨幅居前[9] 工业软件（-4.47%）、PEEK材料（-3.81%）跌幅最大[9] 市场情绪指标 1 涨跌停数据 当日涨停74家，跌停2家[13] 昨日涨停股今日平均收益0.75%，跌停股平均亏损2.79%[14] 2 资金情绪指标 封板率67%（较前日降9%），连板率18%（较前日降7%）[17] 资金流向指标 1 两融数据 两融余额20131亿元（融资19989亿/融券142亿）[19] 两融交易占比10.1%（高于近一年均值9.1%）[22] 2 折溢价指标 ETF最大溢价：科创机械ETF +1.80%[24] 大宗交易折价率7.52%（高于半年均值5.75%）[26] 3 股指期货贴水 中证500期货贴水12.72%（处于近一年33%分位）[28] 中证1000期货贴水12.57%（处于近一年47%分位）[28] 机构行为指标 1 机构调研 泰恩康获92家机构调研（周度最高）[30] 2 龙虎榜 机构净买入前三：中欣氟材、国机精工、阿石创[35] 陆股通净买入前三：楚天龙、山河智能、福日电子[36] 注：报告未包含量化模型或因子构建的具体方法论，主要为市场监测数据汇总[1][2][3][4]