根据提供的研报内容，以下是关于量化模型和因子的总结。报告主要侧重于对不同市场风格和行业的历史表现进行统计回测，并未涉及具体的量化模型或量化因子的构建过程、公式或详细的测试指标。因此，以下总结将基于报告中提到的风格和行业分类进行。 量化模型与构建方式 报告未提及具体的量化模型。 量化因子与构建方式 报告未涉及具体的量化因子构建思路、过程或公式。报告内容主要围绕历史数据的统计规律展开，属于市场现象的描述性分析，而非量化因子的构建[6][7][8][9][10]。 模型的回测效果 报告未涉及具体的量化模型，因此无模型回测效果数据。 因子的回测效果 报告中对各类风格和行业指数在不同时间窗口的历史表现进行了统计，以下为相关指数的历史表现数据汇总。这些指数可被视为表征不同风格的风险因子。 **1. 上证指数** * **国庆节前20个交易日胜率**：56%[17] * **国庆节前20个交易日赔率**：0.73[17] * **国庆节前20个交易日收益率中位数**：0.38%[17] * **国庆节后20个交易日胜率**：61%[17] * **国庆节后20个交易日赔率**：1.49[17] * **国庆节后20个交易日收益率中位数**：1.38%[17] * **第四季度胜率**：56%[17] * **第四季度赔率**：1.07[17] * **第四季度收益率中位数**：1.57%[17] **2. 沪深300指数 (大盘风格)** * **国庆节前20个交易日胜率**：61%[20] * **国庆节前20个交易日赔率**：0.81[20] * **国庆节前20个交易日收益率中位数**：0.55%[20] * **国庆节后20个交易日胜率**：61%[20] * **国庆节后20个交易日赔率**：1.81[20] * **国庆节后20个交易日收益率中位数**：1.43%[20] * **第四季度胜率**：61%[20] * **第四季度赔率**：0.89[20] * **第四季度收益率中位数**：1.63%[20] **3. 中证1000指数 (小盘风格)** * **国庆节前20个交易日胜率**：50%[22] * **国庆节前20个交易日赔率**：0.40[22] * **国庆节前20个交易日收益率中位数**：-0.14%[22] * **国庆节后20个交易日胜率**：61%[22] * **国庆节后20个交易日赔率**：0.48[22] * **国庆节后20个交易日收益率中位数**：0.82%[22] * **第四季度胜率**：39%[22] * **第四季度赔率**：2.09[22] * **第四季度收益率中位数**：-1.60%[22] **4. Wind微盘指数** * **国庆节前20个交易日胜率**：72%[33] * **国庆节前20个交易日赔率**：0.37[33] * **国庆节前20个交易日收益率中位数**：2.03%[33] * **国庆节后20个交易日胜率**：78%[33] * **国庆节后20个交易日赔率**：0.51[33] * **国庆节后20个交易日收益率中位数**：3.32%[33] * **第四季度胜率**：78%[33] * **第四季度赔率**：0.99[33] * **第四季度收益率中位数**：7.35%[33] **5. 长江成长指数** * **国庆节前20个交易日胜率**：50%[36] * **国庆节前20个交易日赔率**：1.52[36] * **国庆节前20个交易日收益率中位数**：-0.10%[36] * **国庆节后20个交易日胜率**：44%[36] * **国庆节后20个交易日赔率**：2.31[36] * **国庆节后20个交易日收益率中位数**：-1.04%[36] * **第四季度胜率**：44%[36] * **第四季度赔率**：1.35[36] * **第四季度收益率中位数**：-1.19%[36] **6. 长江红利指数** * **国庆节前20个交易日胜率**：72%[38] * **国庆节前20个交易日赔率**：0.27[38] * **国庆节前20个交易日收益率中位数**：1.25%[38] * **国庆节后20个交易日胜率**：56%[38] * **国庆节后20个交易日赔率**：0.90[38] * **国庆节后20个交易日收益率中位数**：1.14%[38] * **第四季度胜率**：56%[38] * **第四季度赔率**：1.31[38] * **第四季度收益率中位数**：0.87%[38] **7. 行业排名反转效应** * **前三季度排名前3的行业，在第四季度的平均排名**：约17位[44] * **第四季度排名前3的行业，在前三季度的平均排名**：约16位[44]

根据提供的研报内容，总结如下： 量化因子与构建方式 1. **因子名称：RSI相对强弱指标**[2] * **因子构建思路**：通过计算一定周期内价格平均涨幅与平均跌幅的比值，来衡量市场的超买或超卖状态[2] * **因子具体构建过程**： 1. 计算一定周期（例如12天）内每日的涨幅和跌幅[2] 2. 计算该周期内的平均涨幅（Average Gain）和平均跌幅（Average Loss）[2] 3. 计算相对强度RS：RS = 平均涨幅 / 平均跌幅[2] 4. 计算RSI值：$$RSI = 100 - \frac{100}{1 + RS}$$[2] 5. 根据RSI值判断市场状态：RSI > 70为超买状态，RSI < 30为超卖状态[2] 2. **因子名称：净申购**[2] * **因子构建思路**：通过计算ETF基金净值的变动与价格变动之间的差异，来估算资金的净流入或流出情况[2] * **因子具体构建过程**： 1. 获取当前交易日（T）的基金净值NAV(T)和前一个交易日（T-1）的基金净值NAV(T-1)[2] 2. 获取当前交易日（T）的基金收益率R(T)[2] 3. 计算净申购金额：$$NETBUY(T) = NAV(T) - NAV(T-1) \times (1 + R(T))$$[2] 因子在样本中的表现 1. **RSI相对强弱指标因子**：在宽基ETF样本中，其取值分布在34.41至74.42之间，例如华泰柏瑞沪深300ETF为56.01，易方达创业板ETF为53.60，天弘创业板ETF为34.41，华夏野村日经225ETF为74.42[4] 2. **净申购因子**：在宽基ETF样本中，其取值分布在-15.05亿元至6.15亿元之间，例如华夏沪深300ETF为1.07亿元，易方达沪深300ETF为-5.07亿元，易方达上证科创板50ETF为6.15亿元，易方达中证海外互联ETF为-15.05亿元[4]

根据研报内容，现对其中涉及的量化模型、量化因子进行总结如下： 量化模型与构建方式 1. **模型名称：扩散指数模型**[6][37][38] * **模型构建思路**：该模型用于监测微盘股指数未来变盘的临界点，通过分析成分股价格在未来不同涨跌幅情景下的扩散指数值，来判断市场调整是否充分以及潜在的买入时机[37][38] * **模型具体构建过程**： * 核心是计算“扩散指数”，该指数反映了在特定展望期内，微盘股指数成分股中股价达到或超过某一涨跌幅阈值的股票比例[37] * 横轴（X轴）代表从当前时点（本周五）开始，未来N天后股价相对于当前价格的涨跌幅度，例如从1.10（上涨10%）到0.90（下跌10%）[37] * 纵轴（Y轴）代表回顾的窗口期长度T天，T从20天到10天，实际上对应的是未来N天（N = 20 - T），即展望期从0天到10天[37] * 模型输出一个透视表，表中的每个数值表示：在对应的未来涨跌幅（横轴）和展望期（纵轴，转换为N天后）条件下，计算得到的扩散指数值。例如，横轴0.95和纵轴15天（即N=5天）对应的值为0.05，表示如果5天后所有成分股都下跌5%，则扩散指数值为0.05[37] * 模型通过观察当前扩散指数值（对应横轴1.00，纵轴20天，即N=0天）以及未来不同情景下的扩散指数值，来判断市场状态和交易信号[37][38] 2. **模型名称：首次阈值法（左侧交易）**[6][41] * **模型构建思路**：作为扩散指数模型的一种具体交易策略应用，属于左侧交易，旨在提前捕捉市场转折点，当扩散指数首次跌破或突破某一预设阈值时触发交易信号[6][41] * **模型具体构建过程**：该模型设定一个阈值（报告中未明确具体数值，但提及扩散指数回落至0.1阈值附近），当扩散指数值达到或穿过该阈值时，即产生开仓信号。例如，报告指出首次阈值法于2025年9月23日触发开仓信号[6][41] 3. **模型名称：延迟阈值法（右侧交易）**[6][44] * **模型构建思路**：作为扩散指数模型的另一种具体交易策略应用，属于右侧交易，等待市场趋势得到一定确认后再进行交易，当扩散指数在阈值另一侧维持或再次达到特定条件时触发信号[6][44] * **模型具体构建过程**：该模型同样基于预设的阈值进行判断，但信号触发机制与左侧交易不同，旨在减少假信号。例如，报告指出延迟阈值法于2025年9月25日给予了开仓信号[6][44] 4. **模型名称：双均线法（自适应交易）**[6][45] * **模型构建思路**：作为扩散指数模型的第三种具体交易策略应用，采用移动平均线的方法来适应市场变化，通过短期和长期均线的交叉来产生交易信号[6][45] * **模型具体构建过程**：该方法对扩散指数计算两条移动平均线（具体周期未明确），当短期均线上穿长期均线时产生看多信号，下穿时产生看空信号。例如，报告指出双均线法于2025年10月13日收盘给予看多的信号[6][45] 5. **模型/策略名称：小市值低波50策略**[8][17][33] * **模型/策略构建思路**：在万得微盘股指数的成分股范围内，通过筛选市值更小且波动率较低的股票，构建一个包含50只股票的投资组合，以期获得超越微盘股指数的表现[8][17][33] * **模型/策略具体构建过程**： * **股票池**：万得微盘股指数成分股[8][17] * **选股标准**：优选小市值和低波动的股票[8][17] * **组合规模**：50只股票[8][17] * **调仓频率**：每双周调仓一次[8][17] * **基准**：万得微盘股指数(8841431.WI)[8][17] * **费用假设**：交易费用双边千分之三[8][17] 模型的回测效果 1. **扩散指数模型（首次阈值法、延迟阈值法、双均线法）**：截至报告发布时（2025年10月17日），三种方法均给出开仓信号。首次阈值法于2025年9月23日触发开仓信号，延迟阈值法于2025年9月25日触发开仓信号，双均线法于2025年10月13日触发看多信号[6][38][41][44][45] 2. **小市值低波50策略**： * 2024年收益：7.07%[8][17] * 2024年超额收益（相对万得微盘股指数）：-2.93%[8][17] * 2025年至今（YTD）收益：56.99%[8][17] * 本周（截至2025年10月17日）超额收益：0.62%[8][17] 量化因子与构建方式 1. **因子名称：PB倒数因子**[5][16][31] * **因子构建思路**：使用市净率（PB）的倒数作为估值因子，认为PB越低（即倒数越高）的股票可能更具投资价值[5][16][31] * **因子具体构建过程**：因子值 = 1 / PB。该因子本周RankIC为0.214，历史平均RankIC为0.034[5][16][31] 2. **因子名称：股息率因子**[5][16][31] * **因子构建思路**：使用股息率作为衡量公司分红能力和投资吸引力的因子[5][16][31] * **因子具体构建过程**：因子值 = 每股股息 / 股价。该因子本周RankIC为0.103，历史平均RankIC为0.022[5][16][31] 3. **因子名称：非流动性因子**[5][16][31] * **因子构建思路**：衡量股票的非流动性程度，通常非流动性高的股票可能要求流动性溢价[5][16][31] * **因子具体构建过程**：报告中未给出具体计算公式。该因子本周RankIC为0.07，历史平均RankIC为0.04[5][16][31] 4. **因子名称：自由流通比例因子**[5][16][31] * **因子构建思路**：使用自由流通股本占总股本的比例作为因子，可能反映股权结构和流动性特征[5][16][31] * **因子具体构建过程**：报告中未给出具体计算公式。该因子本周RankIC为0.054，历史平均RankIC为-0.012[5][16][31] 5. **因子名称：盈利因子**[5][16][31] * **因子构建思路**：衡量公司的盈利能力[5][16][31] * **因子具体构建过程**：报告中未给出具体计算公式。该因子本周RankIC为0.049，历史平均RankIC为0.022[5][16][31] 6. **因子名称：贝塔因子**[5][16][31] * **因子构建思路**：衡量股票相对于市场基准的系统性风险[5][16][31] * **因子具体构建过程**：报告中未给出具体计算公式。该因子本周RankIC为-0.328，历史平均RankIC为0.004[5][16][31] 7. **因子名称：过去一年波动率因子**[5][16][31] * **因子构建思路**：衡量股票过去一年的价格波动风险[5][16][31] * **因子具体构建过程**：报告中未给出具体计算公式。该因子本周RankIC为-0.242，历史平均RankIC为-0.033[5][16][31] 8. **因子名称：未复权股价因子**[5][16][31] * **因子构建思路**：使用股票的未复权价格作为因子，可能捕捉绝对股价效应[5][16][31] * **因子具体构建过程**：报告中未给出具体计算公式。该因子本周RankIC为-0.214，历史平均RankIC为-0.016[5][16][31] 9. **因子名称：10天自由流通市值换手率因子**[5][16][31] * **因子构建思路**：衡量股票近10天的换手活跃度，基于自由流通市值计算[5][16][31] * **因子具体构建过程**：报告中未给出具体计算公式。该因子本周RankIC为-0.135，历史平均RankIC为-0.061[5][16][31] 10. **因子名称：流动性因子**[5][16][31] * **因子构建思路**：综合衡量股票的流动性状况[5][16][31] * **因子具体构建过程**：报告中未给出具体计算公式。该因子本周RankIC为-0.133，历史平均RankIC为-0.041[5][16][31] 11. **报告中提及的其他因子**：标准化预期盈利、PE_TTM倒数、过去10天收益率、成长、杠杆、单季度净利润增速、单季度净资产收益率、成交额、动量、残差波动率、10天总市值换手率、对数市值、非线性市值等因子也在微盘股成分股内进行了周度RankIC监测，但未列出具体值[32] 因子的回测效果 * **因子评价指标**：本周（截至2025年10月17日）RankIC值及历史平均RankIC值[5][16][31] * PB倒数因子：本周RankIC 0.214，历史平均RankIC 0.034 * 股息率因子：本周RankIC 0.103，历史平均RankIC 0.022 * 非流动性因子：本周RankIC 0.07，历史平均RankIC 0.04 * 自由流通比例因子：本周RankIC 0.054，历史平均RankIC -0.012 * 盈利因子：本周RankIC 0.049，历史平均RankIC 0.022 * 贝塔因子：本周RankIC -0.328，历史平均RankIC 0.004 * 过去一年波动率因子：本周RankIC -0.242，历史平均RankIC -0.033 * 未复权股价因子：本周RankIC -0.214，历史平均RankIC -0.016 * 10天自由流通市值换手率因子：本周RankIC -0.135，历史平均RankIC -0.061 * 流动性因子：本周RankIC -0.133，历史平均RankIC -0.041

根据提供的金融工程日报内容，该报告主要描述了市场表现、情绪和资金流向等日度监控指标，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和描述性分析范畴[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]。 因此，本次总结中“量化模型与构建方式”及“量化因子与构建方式”部分无相关内容。报告的核心是市场情况的日报，而非量化策略或因子研究。

根据研报内容，现总结其中涉及的量化模型与因子如下： 量化模型与构建方式 **1 模型名称：宏观环境Logit模型[6][18][19]** - 模型构建思路：从短期货币流动性、长端利率、信用、经济增长以及汇率五个维度刻画宏观环境运行状态[16] - 模型具体构建过程：使用多个宏观变量（如银行间债券质押式回购利率、SHIBOR、国债收益率、社融、PMI等）的平稳化处理值，通过Logit模型计算宏观环境预测值[18] **2 模型名称：企业盈利景气指数2.0[20][23][26]** - 模型构建思路：通过识别主营业务，追踪主营业务的营收和成本情况来监控行业整体的景气度[20] - 模型具体构建过程：基于产业链系统分析追踪上下游行业部门；对行业进行财务指标分解；重构行业景气度追踪框架；计算各行业景气指数后，按上证指数每日各行业市值权重加权合成景气指数2.0[20][23] **3 模型名称：基于基差的股指期货择时模型[31][33]** - 模型构建思路：利用股指期货基差与指数自身的相关性趋势反映市场情绪变化，基于此相关性进行分组测试构建日频择时信号[31] - 模型具体构建过程：基于中证500股指期货基差构建衍生品择时信号，信号范围在-0.4到1之间[31] **4 模型名称：多维度择时模型[33][34]** - 模型构建思路：根据宏观、微观、中观信号将A股划分为9个状态，分别对应多空信号形成三维大周期择时信号，叠加股指期货基差信号合成四维度非线性择时模型[33] - 模型具体构建过程：将宏观环境、景气周期、景气方向组合成9种状态（如1-1宏观利多中观景气上行对应多头信号），再叠加衍生品信号合成最终择时信号[34] **5 模型名称：多风格策略[37]** - 模型构建思路：从价值、红利、质量、成长、低波、动量等多维度出发，刻画在不同主导风格下市场的表现，通过多因子信号的横向整合与动态权重配置实现收益平滑与风险分散[37] **6 模型名称：多风格增强策略[41]** - 模型构建思路：在多风格策略的基础上叠加增强因子，通过在其他风格端增厚收益，抑制单一风格波动，实现在不同周期下的稳定超额[41] **7 模型名称：可转债随机森林模型[46]** - 模型构建思路：通过随机森林方法构建可转债增强模型[46] **8 模型名称：REITs随机森林模型[48]** - 模型构建思路：通过随机森林方法构建REITs增强模型[48] **9 模型名称：宽基指数遗传规划选股模型[52][59][62][64][70]** - 模型构建思路：使用遗传规划算法挖掘选股因子，构建指数增强组合[52][59][62][64][70] - 模型具体构建过程： - 股票池：对应宽基指数成分股（沪深300、中证500、中证1000、中证全指）[52][59][62][64][70] - 训练集：2016年1月1日-2020年12月31日[52][59][62][64][70] - 因子挖掘：由遗传规划因子挖掘模型挖掘2000个初始种群、5代、多轮得到复合因子（沪深300：102个因子，中证500：189个因子，中证1000：564个因子，中证全指：709个因子）[52][59][62][64][70] - 策略：每周最后一个交易日选择模型得分最高的每个行业内的前10%的股票构建多头组合，以下周第一个交易日开盘价买入，周频调仓，交易成本为双边千三[52][59][62][64][70] **10 模型名称：三策略融合行业轮动模型[76][78]** - 模型构建思路：采用量化基本面驱动、质量低波风格驱动、困境反转行业发掘三种方法分别构建行业轮动策略，进行等权组合实现因子与风格的互补[76][78] - 模型具体构建过程：将基于基本面轮动、质量低波、困境反转三维度行业轮动策略进行等权组合，从不同维度筛选行业[78] **11 模型名称：三策略融合ETF轮动模型[85][88]** - 模型构建思路：基于三策略融合逻辑构建ETF轮动策略[85][88] 量化因子与构建方式 **1 因子名称：盘口平均深度因子[98][100]** - 因子构建思路：反映整体市场的深度，衡量市场流动性水平[100] - 因子具体构建过程：$$avg_{depth}=\frac{av_{1}+bv_{1}}{2}$$，其中av1和bv1分别为盘口委托快照数据的卖一量和买一量，若挂单量为0则令盘口深度为0[98][99] - 因子评价：因子取值越大，市场整体挂单量越大，市场总体深度越大，市场流动性越高，与未来收益负相关[100] **2 因子名称：盘口价差因子[103][104]** - 因子构建思路：反映卖一价和买一价的距离，衡量交易成本和市场宽度[104] - 因子具体构建过程：$$spread={\frac{2(a1-b1)}{a1+b1}}$$，其中a1和b1分别为盘口委托快照数据的卖一价和买一价[103] - 因子评价：盘口价差越大，交易成本越高，市场宽度越大，流动性越差，而流动性较低的个股未来收益表现相对较好，与未来收益正相关[104] **3 因子名称：价格弹性因子[106][108]** - 因子构建思路：反映单位成交额下股价的波动幅度，衡量市场流动性强度[108] - 因子具体构建过程：$$resiliency={\frac{high-low}{turnover}}$$，其中high、low、turnover分别代表tick数据中的最高价、最低价和成交额[106][107] - 因子评价：弹性越大说明单位成交额对价格冲击越大市场流动性越弱，而流动性较低的个股未来收益表现相对较好，与未来收益正相关[108] **4 因子名称：卖单非流动性因子[110][113]** - 因子构建思路：衡量高频数据下主动卖出的交易金额对于股票价格变动的影响[113] - 因子具体构建过程：$\Gamma_{1,t}=a+\beta_{1}*\delta_{1,t}+\beta_{2}*\delta_{1,t}+\epsilon_{1,t}$，其中β1为卖出非流动性系数，β2为买入非流动性系数，Si，t为股票i在t时间区间内的主动卖出金额，Bi,t为股票i在t时间区间内的主动买入金额[110][111] - 因子评价：卖单非流动性在控制风险后的Fama-MacBeth截面回归对收益率显著，且预测效果要好于买单非流动性，主要是由于投资者存在亏损厌恶的心理[113] **5 因子名称：Barra风险因子[121]** - 因子构建思路：包括20个风险因子全面刻画市场风险特征[121] - 因子具体构建过程：Barra CNE6 Trading模型包括规模（市值、非线性市值）、波动性（BETA、残差波动率）、流动性（流动性）、动量（短期反转、季节、行业动量、动量）、质量（杠杆、盈利变动率、盈利质量、盈利能力、投资质量）、价值（价值、盈利、长期反转）、成长（成长）、分析师预期（分析师情绪）、红利（股息率）等20个风险因子[121] 模型的回测效果 **1 宏观环境Logit模型**：最新预测值0.945，较上周末上行[19] **2 企业盈利景气指数2.0**：最新景气指数为0.885，剔除大金融板块景气指数为1.234[26] **3 中证500股指期货择时模型**：本周信号为1，累计仓位为多头（0.65）[7][34] **4 多维度择时策略**：最终合成信号为多头（1）[7][34] **5 多风格策略（截至2025年10月17日）**[40]： - 质量策略：年化收益率27.39%，超额年化收益率13.53%，夏普率2.00，区间最大回撤-8.31% - 红利策略：年化收益率12.80%，超额年化收益率3.82%，夏普率1.00，区间最大回撤-7.00% - 长期成长策略：年化收益率41.07%，超额年化收益率20.72%，夏普率1.88，区间最大回撤-12.41% - 价值策略：年化收益率14.79%，超额年化收益率-5.55%，夏普率0.88，区间最大回撤-12.92% - 低波策略：年化收益率20.53%，超额年化收益率0.19%，夏普率1.62，区间最大回撤-7.23% - 短期动量策略：年化收益率29.44%，超额年化收益率9.09%，夏普率1.27，区间最大回撤-19.89% - 长期动量策略：年化收益率19.80%，超额年化收益率-0.54%，夏普率1.32，区间最大回撤-8.70% **6 多风格增强策略（截至2025年10月17日）**[45]： - 质量增强策略：年化收益率16.04%，超额年化收益率2.19%，夏普率1.24，区间最大回撤-5.73% - 红利增强策略：年化收益率16.83%，超额年化收益率7.84%，夏普率1.31，区间最大回撤-5.88% - 长期成长增强策略：年化收益率25.11%，超额年化收益率4.76%，夏普率1.40，区间最大回撤-16.84% - 价值增强策略：年化收益率19.98%，超额年化收益率-0.37%，夏普率1.16，区间最大回撤-11.34% - 低波增强策略：年化收益率36.29%，超额年化收益率15.94%，夏普率2.43，区间最大回撤-9.71% - 短期动量增强策略：年化收益率13.76%，超额年化收益率-6.58%，夏普率0.93，区间最大回撤-9.14% - 长期动量增强策略：年化收益率7.74%，超额年化收益率-12.61%，夏普率0.50，区间最大回撤-10.99% **7 可转债随机森林模型**：年化收益率22.15%，夏普率1.73，今年以来绝对收益率14.25%[46] **8 REITs随机森林模型**：年化超额收益率39.26%，夏普率3.27，今年以来超额收益率57.60%[49] **9 宽基指数增强模型（截至2025年10月17日）**： - 沪深300指数增强：年化超额收益率17.70%，夏普率1.04，今年以来超额收益率-4.86%[55][57] - 中证500指数增强：年化超额收益率12.24%，夏普率0.87，今年以来超额收益率3.45%[63] - 中证1000指数增强：年化超额收益率18.83%，夏普率0.93，今年以来超额收益率2.73%[66] - 中证全指指数增强：年化超额收益率24.57%，夏普率1.31，今年以来超额收益率11.15%[71] **10 三策略融合行业轮动策略**：年化超额收益率10.59%，夏普率0.74[80] **11 三策略融合ETF轮动策略**：年化超额收益率12.78%，夏普率0.88，今年以来超额收益率14.75%[88] 因子的回测效果 **1 盘口平均深度因子**：当前略低于历史均值，相较上周末有所下降[101] **2 盘口价差因子**：当前低于历史均值，相较上周末有所上升[104] **3 价格弹性因子**：当前低于历史均值，相较上周末有所上升[109] **4 卖单非流动性因子**：当前高于历史均值，相较上周末有所下降[114] **5 Barra风险因子**：2025年10月13日至17日，股息率因子表现较好，BETA因子表现较差；本月股息率因子表现较好，最近一年短期反转因子和动量因子表现较好[121]

根据提供的研报内容，以下是关于量化模型与因子的总结。报告主要对宽基指数的市场表现和各类指标进行跟踪分析，并未涉及具体的量化交易模型或用于选股的阿尔法因子。报告内容侧重于市场指标的描述和比较。 量化模型与构建方式 报告未涉及具体的量化交易模型或阿尔法因子的构建。 量化因子与构建方式 报告未构建用于选股或组合优化的阿尔法因子，但详细描述并计算了多个用于评估宽基指数状态的市场指标，这些指标可被视为宏观或市场风格因子。其构建方式如下： **1. 因子名称：风险溢价** - **因子的构建思路**：以十年期国债即期收益率为无风险利率的参考，计算各宽基指数相对于无风险利率的风险溢价，以衡量其相对投资价值和偏离情况[26] - **因子具体构建过程**：风险溢价的计算公式为指数的收益率减去十年期国债即期收益率。报告中的具体计算过程未明确给出收益率计算窗口，但展示了当前风险溢价及其历史分位值等统计量[26][28][30] - **因子评价**：各跟踪指数的风险溢价有明显的均值复归现象，其中中证1000和中证2000的风险溢价波动率相对较大[27] **2. 因子名称：市盈率（PE-TTM）** - **因子的构建思路**：观察各指数的滚动市盈率作为估值参考，衡量各指数在当前时点的投资价值[38] - **因子具体构建过程**：PE-TTM为指数总市值除以指数成分股归母净利润总额。报告计算了当前PE-TTM值，并统计了其近1年、近5年及全历史的分位值[38][39][41] **3. 因子名称：股债性价比** - **因子的构建思路**：以各指数PE-TTM的倒数（即盈利收益率）与十年期国债即期收益率之差作为股债性价比的衡量指标[43] - **因子具体构建过程**：股债性价比 = (1 / 指数PE-TTM) - 十年期国债即期收益率。报告通过对比该指标与其历史分位值（如80%分位值为机会值，20%分位值为危险值）来判断市场位置[43] **4. 因子名称：股息率** - **因子的构建思路**：股息率反映现金分红回报率，红利投资是一种投资风格，跟踪该指标以观察其走势和变化趋势[45] - **因子具体构建过程**：股息率 = 指数成分股现金分红总额 / 指数总市值。报告计算了各指数的当前股息率及其历史分位值[45][46][50] **5. 因子名称：破净率** - **因子的构建思路**：破净意味着股票价格跌破公司每股净资产值，反映市场的估值态度，破净数和占比越高，低估的情况越普遍[50][52] - **因子具体构建过程**：指数破净率 = 指数成分股中市净率（股价/每股净资产）小于1的股票数量 / 指数总成分股数量。报告计算了各宽基指数的当前破净率[50][52] **6. 因子名称：均线相对位置** - **因子的构建思路**：通过比较指数收盘价与不同周期移动平均线（MA）的位置，判断指数短期和长期的趋势强度[13][14] - **因子具体构建过程**：计算指数收盘价相对于MA5、MA10、MA20、MA60、MA120、MA250的偏离幅度，公式为：(收盘价 / MA_n - 1) * 100%。例如，vsMA5 = (收盘价 / MA5 - 1) * 100%[14] **7. 因子名称：收益分布形态（偏度与峰度）** - **因子的构建思路**：通过分析指数日收益率的分布形态（偏度和峰度）及其与历史均值的偏离，来描述市场收益分布的特征变化[23][24] - **因子具体构建过程**：计算近5年（基准期）和当前（观测期）日收益率序列的偏度和峰度。报告中注明了峰度计算中减去了3（正态分布峰度），即计算超额峰度。偏度衡量分布的不对称性，峰度衡量分布的陡峭度[24] 模型的回测效果 报告未涉及量化模型的回测。 因子的回测效果 报告展示了上述市场指标因子在特定时点（2025年10月20日）的取值情况。 **1. 风险溢价因子取值** - 上证50：当前风险溢价0.23%，近5年分位值62.22%[30] - 沪深300：当前风险溢价0.52%，近5年分位值72.86%[30] - 中证500：当前风险溢价0.76%，近5年分位值76.19%[30] - 中证1000：当前风险溢价0.74%，近5年分位值72.70%[30] - 中证2000：当前风险溢价1.42%，近5年分位值85.08%[30] - 中证全指：当前风险溢价0.78%，近5年分位值78.49%[30] - 创业板指：当前风险溢价1.97%，近5年分位值88.81%[30] **2. 市盈率（PE-TTM）因子取值** - 上证50：当前值11.99，近5年分位值87.69%[41] - 沪深300：当前值14.22，近5年分位值85.12%[41] - 中证500：当前值33.75，近5年分位值98.26%[41] - 中证1000：当前值46.30，近5年分位值94.79%[41] - 中证2000：当前值157.76，近5年分位值82.89%[41] - 中证全指：当前值21.33，近5年分位值95.62%[41] - 创业板指：当前值42.66，近5年分位值58.02%[41] **3. 股息率因子取值** - 上证50：当前值3.20%，近5年分位值34.79%[50] - 沪深300：当前值2.66%，近5年分位值35.12%[50] - 中证500：当前值1.36%，近5年分位值16.61%[50] - 中证1000：当前值1.14%，近5年分位值50.66%[50] - 中证2000：当前值0.79%，近5年分位值24.13%[50] - 中证全指：当前值2.00%，近5年分位值35.04%[50] - 创业板指：当前值1.03%，近5年分位值71.07%[50] **4. 破净率因子取值** - 上证50：20.0%[52] - 沪深300：15.67%[52] - 中证500：11.6%[52] - 中证1000：7.4%[52] - 中证2000：3.3%[52] - 中证全指：5.99%[52] - 创业板指：1.0%[52] **5. 均线相对位置因子取值（以vsMA5为例）** - 上证50：-0.3%[14] - 沪深300：-0.6%[14] - 中证500：-1.3%[14] - 中证1000：-1.3%[14] - 中证2000：-0.8%[14] - 中证全指：-0.8%[14] - 创业板指：0.1%[14] **6. 收益分布形态因子取值（当前vs近5年）** - **峰度偏离**： - 上证50：-1.62[24] - 沪深300：-1.21[24] - 中证500：-2.26[24] - 中证1000：-1.19[24] - 中证2000：-1.71[24] - 中证全指：-1.96[24] - 创业板指：-2.54[24] - **偏度偏离**： - 上证50：-0.43[24] - 沪深300：-0.28[24] - 中证500：-0.59[24] - 中证1000：-0.39[24] - 中证2000：-0.46[24] - 中证全指：-0.51[24] - 创业板指：-0.64[24]

经过仔细审阅，您提供的文档《金融工程日报》主要描述了特定交易日（2025年10月20日）的市场表现、情绪和资金流向等数据。该文档是一份市场数据总结报告，其核心内容是展示市场各类指标的日度表现和近期统计，**并未涉及任何量化模型的构建、测试，也未包含量化因子的定义、构建过程或历史回测结果**。 因此，根据您的要求，报告中不存在需要总结的量化模型或量化因子内容。本报告属于市场监测类日报，而非量化策略或因子研究类报告。

根据提供的研报内容，以下是关于量化模型和因子的详细总结。 量化模型与构建方式 1. **模型名称：基于动态宏观事件因子的中证港股通大消费指数择时策略**[2][3] * **模型构建思路**：探索中国宏观经济对香港大消费主题上市公司的影响，从经济、通胀、货币和信用四个维度选取宏观数据，构建事件因子，并基于因子看多信号的比例来确定择时仓位[3][20][21] * **模型具体构建过程**： * **宏观数据选用与预处理**：从经济、通胀、货币和信用四大类中初选20余个宏观指标[21][23]。预处理步骤包括： * **频率对齐**：将日频数据统一为月频（取月末值或月均值）[27] * **缺失值填充**：对于缺失数据，使用过去12个月一阶差分值的中位数加上一期数值进行填充。公式为：$$X_{t}=X_{t-1}+Median_{diff12}$$[27] * **滤波处理**：对比原始数据和使用单向HP滤波处理后的数据，避免未来函数。单向HP滤波公式为：$${\hat{t}}_{t|t,\lambda}=\sum_{s=1}^{t}\omega_{t|t,s,\lambda}\cdot y_{s}=W_{t|t,\lambda}(L)\cdot y_{t}$$[28] * **数据结构变化**：对数据衍生出同比、环比、移动平均等格式[29] * **宏观事件因子构建**： * **确定事件方向**：计算宏观数据与下一期指数收益率的相关性，正相关则构建正向突破事件，负相关则构建反向突破事件[30] * **确定领先滞后性**：测试数据滞后0-4期，动态识别与资产的最佳领先滞后关系[30] * **生成事件因子**：构建三类事件因子（数据突破均线、突破中位数、同向变动），并设置不同参数，共生成28个因子事件[30][32] * **因子筛选指标**：主要使用收益率胜率（综合成功率与盈亏比）和开仓波动调整收益率（综合成功率、收益率和波动率）作为衡量指标[31][32]。收益率胜率公式为：$$\frac{N_{\sum r_i > 0}}{N}， N 为总开仓次数$$，开仓波动调整收益率公式为：$$\frac{\sum r_i / N}{\sqrt{\frac{1}{N-1} \sum (r_i - \bar{r})^2}}$$[32] * **因子事件初筛选**：筛选标准包括：通过t检验（95%置信区间）、收益率胜率>55%、事件发生次数>滚动窗口期数/6[32][33] * **因子叠加优化**：选择胜率最高的事件因子作为基础，再选择与基础因子相关性低于0.85的次高胜率因子进行叠加，若叠加后胜率提升则采用叠加因子[33] * **动态剔除**：若某期无因子通过筛选，则该宏观指标当期标记为空仓，不参与大类因子打分[33] * **确定最优滚动窗口**：在48, 60, 72, 84, 96个月等不同窗口下测试，根据开仓波动调整收益率选择每个宏观数据的最优参数[33][34] * **最终因子筛选**：在测试区间内，根据开仓波动调整收益率，最终筛选出5个表现最优的宏观事件因子[12][34][35] * **择时策略构建**：将最终选定的5个宏观事件因子的看多信号进行综合。当看多因子比例大于2/3时，大类因子信号标记为1（满仓）；当看多因子比例小于1/3时，信号标记为0（空仓）；比例介于两者之间时，信号标记为具体比例值（如66.7%）。该信号直接作为当期的择时仓位[3][35][37] 量化因子与构建方式 1. **因子名称：PMI:原材料价格**[35] * **因子构建思路**：作为通胀维度的指标，用于预测中证港股通大消费主题指数的走势[21][35] * **因子具体构建过程**：使用原始数据，最优滚动窗口为96个月[35] 2. **因子名称：中美国债利差10Y**[35] * **因子构建思路**：作为货币维度的指标，反映中美货币政策和流动性差异对港股市场的影响[21][23][35] * **因子具体构建过程**：使用原始数据，最优滚动窗口为72个月[35] 3. **因子名称：金融机构:中长期贷款余额:当月新增:滚动12M求和:同比**[35] * **因子构建思路**：作为信用维度的指标，反映中长期信贷投放情况，体现经济活力[23][35] * **因子具体构建过程**：使用原始数据，最优滚动窗口为48个月[35] 4. **因子名称：M1:同比**[35] * **因子构建思路**：作为货币维度的指标，反映企业活期存款和现金状况，是经济活跃度的晴雨表[23][35] * **因子具体构建过程**：使用原始数据，最优滚动窗口为48个月[35] 5. **因子名称：新增社融:滚动12个月求和:同比**[35] * **因子构建思路**：作为信用维度的指标，全面反映金融体系对实体经济的资金支持[23][35] * **因子具体构建过程**：使用原始数据，最优滚动窗口为96个月[35] 模型的回测效果 * **基于动态宏观事件因子的中证港股通大消费指数择时策略**[2][11][22] * **回测期**：2018年11月至2025年10月[2][11] * **年化收益率**：10.44%[2][11][22] * **年化波动率**：18.47%[22] * **最大回撤**：-29.72%[2][11][22] * **夏普比率**：0.59[2][11][22] * **收益回撤比**：0.35[2][11][22] * **平均仓位**：约46%[10] * **2025年9月收益率**：8.40%[11][12] 因子的回测效果 （报告中未单独列出上述5个因子的回测指标值，此部分略）

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：CCBA模型/CCB模型**[6][16][22] * **模型构建思路**：该模型是可转债的赎回概率调整定价模型，用于对可转债进行合理定价[6][16][22] * **模型具体构建过程**：模型的具体构建过程在专题报告《可转债的赎回概率调整定价模型》和《可转债定价模型与应用》中有详细介绍，本报告未详细展开[6][16][22] 2. **模型名称：CCB_out模型**[22] * **模型构建思路**：在CCB定价模型的基础上，进一步考虑退市风险，以更全面地评估可转债价值[22] * **模型具体构建过程**：模型的具体构建过程在专题报告《可转债定价模型与应用》中有介绍，本报告未详细展开[22] 3. **模型名称：收益分解模型**[16][18] * **模型构建思路**：用于将可转债的收益分解为不同来源，以便分析收益构成[16][18] * **模型具体构建过程**：通过该模型将近一个月转债的收益分别拆解为债底收益、股票拉动收益、转债估值收益[16][18] 其核心是将转债价格变动归因于几个关键驱动因素 4. **模型名称：转债&股债组合轮动策略**[9][11][15] * **模型构建思路**：基于转债市场估值水平（定价偏离度），在转债和股债组合之间进行择时配置，估值低时超配转债，估值高时超配股债组合[9][11][15] * **模型具体构建过程**： 1. 计算Z值：Z值 = 定价偏离度 / 过去3年定价偏离度的标准差[11] 2. 对Z值进行截尾处理：按照±1.5倍标准差进行截尾[11] 3. 计算分数：分数 = 截尾后的Z值 / -1.5[11] 4. 确定权重：转债权重 = 50% + 50% × 分数，剩余仓位配置股债组合（50% 7-10Y国债 + 50% 中证1000全收益指数）[9][11] 量化因子与构建方式 1. **因子名称：定价偏离度因子**[6][22][25] * **因子构建思路**：通过比较可转债市场价格与其模型理论定价的差异，来衡量转债的估值高低[6][22][25] * **因子具体构建过程**：定价偏离度 = 转债价格 / CCBA模型定价（或CCB_out模型定价） - 1[6][22] 其中，CCBA模型定价或CCB_out模型定价为根据相应模型计算出的可转债理论价值 2. **因子名称：正股动量因子**[25][30][40] * **因子构建思路**：利用正股过去一段时间的价格动量来预测转债未来表现[25][30] * **因子具体构建过程**：使用正股过去1个月、3个月、6个月的动量进行等权打分构建[25] 具体计算方式为各期动量得分的等权平均值 3. **因子名称：转债换手率因子**[30][32][36] * **因子构建思路**：通过转债的成交活跃度（换手率）来捕捉市场热度[30][32] * **因子具体构建过程**：使用转债的5日和21日换手率[32] 具体构建方式未详细说明，可能为两个周期换手率的某种组合（如平均值） 4. **因子名称：高换手因子**[30][32] * **因子构建思路**：在低估转债池中，进一步筛选成交活跃度高的个券[30][32] * **因子具体构建过程**：综合使用转债换手率（5日、21日）以及转债与股票换手率的比率（5日、21日）来构建[32] 5. **因子名称：转债YTM因子**[40] * **因子构建思路**：通过可转债的到期收益率来评估其债性价值，并与信用债收益率进行比较[40] * **因子具体构建过程**：筛选条件是转债YTM + 1% > 3年期AA级信用债YTM[40] 量化策略与构建方式 1. **策略名称：低估值策略**[22][24] * **策略构建思路**：在偏债、平衡、偏股三个分域中，分别选取估值最低（定价偏离度最小）的转债进行配置，并根据分域市场相对估值进行分域择时[22][24] * **策略具体构建过程**： 1. 计算个券定价偏离度（使用CCB_out模型）[22] 2. 转债池筛选：余额3亿以上且评级AA-及以上[22] 3. 组合构建：在偏债、平衡、偏股分域中，分别选取定价偏离度最低的15只转债（共45只）[22] 4. 分域择时：根据偏债、平衡、偏股这三个分域市场的相对估值超配估值过低的分域，低配估值过高的分域[22] 2. **策略名称：低估值+强动量策略**[25][27] * **策略构建思路**：在低估值策略的基础上，引入正股动量因子，结合估值和动量进行选券[25][27] * **策略具体构建过程**：在低估值策略与分域择时的框架下，将定价偏离度因子与正股动量因子（正股过去1、3、6个月动量等权打分）相结合进行选券[25] 3. **策略名称：低估值+高换手策略**[30][32] * **策略构建思路**：先筛选市场上估值较低的转债，再从中选择成交活跃度高的个券进行配置[30][32] * **策略具体构建过程**： 1. 首先选择市场上定价偏离度（CCB_out模型）较低的前50%转债，形成低估转债池[30][32] 2. 在低估转债池中，使用转债高换手因子选择成交热度较高的转债进行配置[30][32] 4. **策略名称：平衡偏债增强策略**[36][38] * **策略构建思路**：专注于偏债和平衡型转债，通过剔除偏股转债控制风险，并在偏债和平衡券中分别运用换手率和动量因子增强收益[36][38] * **策略具体构建过程**： 1. 选择市场上定价偏离度（CCB_out模型）较低的前50%转债，并去掉偏股转债，形成低估池[36] 2. 在偏债转债中，使用转债换手率因子和正股动量因子选券[36][38] 3. 在平衡转债中，使用转债换手率因子选券[36][38] 5. **策略名称：信用债替代策略**[40][42] * **策略构建思路**：筛选债性较强（YTM较高）且优于信用债的转债，结合正股动量进行配置，并通过波动率控制管理风险，部分仓位配置信用债[40][42] * **策略具体构建过程**： 1. 转债池筛选：余额3亿以上、评级AA-及以上，且满足 转债YTM + 1% > 3年期AA级信用债YTM[40] 2. 组合构建：在转债池中选出正股1个月动量最强的20只转债进行配置，个券最大权重不超过2%[40] 3. 风险控制：通过波动率控制方法降低短期回撤，剩余仓位配置信用债[40][42] 6. **策略名称：波动率控制策略**[43][45] * **策略构建思路**：将不同风险收益特征的增强策略与信用债进行组合，通过动态调整仓位将整个组合的波动率控制在目标水平[43][45] * **策略具体构建过程**： 1. 子策略构建：在偏债、平衡、偏股分域中，分别构建低估值+强动量的增强策略（各选15只券）[43] 2. 资产组合：基于偏债增强、平衡增强、偏股增强三个策略以及信用债，通过波动率控制方式将组合波动控制在4%[43][45] 模型的回测效果 （注：报告中策略回测结果均以“等权指数”为基准，该指数为余额3亿以上且AA-及以上转债等权构成[18][22]） 1. **转债&股债组合轮动策略**：该择时策略能够实现稳定的超额收益[11][14] 2. **低估值策略**：全样本年化区间收益22.3%，年化波动13.5%，最大回撤15.6%，区间超额收益11.5%，信息比率2.00[25] 3. **低估值+强动量策略**：全样本年化区间收益24.5%，年化波动14.3%，最大回撤11.9%，区间超额收益13.5%，信息比率2.23[30] 4. **低估值+高换手策略**：全样本年化区间收益25.0%，年化波动15.3%，最大回撤15.9%，区间超额收益13.6%，信息比率2.16[34] 5. **平衡偏债增强策略**：全样本年化区间收益23.6%，年化波动12.2%，最大回撤13.4%[39] 6. **信用债替代策略**：全样本年化区间收益7.3%，年化波动2.1%，最大回撤2.8%[43] 7. **波动率控制策略**：全样本年化区间收益9.9%，年化波动4.4%，最大回撤4.2%[45] 因子的回测效果 （注：报告中未单独提供因子的回测效果指标，因子的有效性体现在整合了该因子的策略表现中）

量化因子与构建方式 1. 价格区间因子 **因子构建思路**：衡量股票在日内不同价格区间成交的活跃程度，以体现投资者对未来走势的预期[3] **因子具体构建过程**：利用三秒快照数据，分析不同价格区间的成交行为[12] - 高价格80%区间成交量因子（VH80TAW）：计算日内高价格80%区间的成交量，与未来收益呈负相关[12] - 高价格80%区间成交笔数因子（MIH80TAW）：计算日内高价格80%区间的成交笔数，与未来收益呈负相关[12] - 低价格10%区间每笔成交量因子（VPML10TAW）：计算日内低价格10%区间的平均每笔成交量，与未来收益呈正相关[12] - 合成方法：以25%、25%和50%的权重对三个细分因子进行合成，然后进行行业市值中性化处理[14] **因子评价**：展现出了较强的预测效果，今年以来表现比较稳定[3] 2. 量价背离因子 **因子构建思路**：衡量股票价格与成交量的相关性，相关性越低，未来上涨可能性越高[3] **因子具体构建过程**：利用高频快照数据计算价格与成交量的相关关系[22] - 价格与成交笔数相关性因子（CorrPM）：计算价格与成交笔数的相关性[22] - 价格与成交量相关性因子（CorrPV）：计算价格与成交量的相关性[22] - 合成方法：对两个细分因子进行等权合成，然后进行行业市值中性化处理[23] **因子评价**：近几年表现一直不太稳定，多空净值曲线趋近走平[3] 3. 遗憾规避因子 **因子构建思路**：通过考察股票当天被投资者卖出后反弹的比例和程度，体现投资者的遗憾规避情绪对股价预期收益的影响[3] **因子具体构建过程**：利用逐笔成交数据区分主动买卖方向，加入小单和尾盘限制[26] - 卖出反弹占比因子（LCVOLESW）：衡量卖出后股价反弹的占比[26] - 卖出反弹偏离因子（LCPESW）：衡量卖出后股价反弹的程度[26] - 合成方法：对两个细分因子进行等权合成，然后进行行业市值中性化处理[32] **因子评价**：样本外超额收益稳定，表明A股投资者的遗憾规避情绪会显著影响股价预期收益[3] 4. 斜率凸性因子 **因子构建思路**：从投资者耐心与供求关系弹性角度出发，刻画订单簿的斜率和凸性对预期收益的影响[3] **因子具体构建过程**：利用限价订单簿的委托量和委托价信息计算斜率[36] - 低档斜率因子（Slope_abl）：计算低档位的订单簿斜率[36] - 高档位卖方凸性因子（Slope_alh）：计算高档位的卖方凸性[36] - 合成方法：对两个细分因子进行等权合成，然后进行行业市值中性化处理[41] **因子评价**：因子自2016年以来收益保持平稳趋势[43] 量化模型与构建方式 1. 高频"金"组合中证1000指数增强策略 **模型构建思路**：将三类高频因子等权合成构建指数增强策略[3] **模型具体构建过程**： - 因子合成：将价格区间因子、量价背离因子、遗憾规避因子进行等权合成[3] - 调仓频率：周度调仓[44] - 手续费：单边千分之二[44] - 风险控制：加入换手率缓冲机制降低调仓成本[44] - 基准：中证1000指数[44] **模型评价**：在样本外表现出色，有较强的超额收益水平[47] 2. 高频&基本面共振组合中证1000指数增强策略 **模型构建思路**：将高频因子与有效的基本面因子结合提升多因子投资组合表现[48] **模型具体构建过程**： - 因子构成：高频因子（价格区间、量价背离、遗憾规避） + 基本面因子（一致预期、成长、技术因子）[48] - 合成方法：等权合成[48] - 调仓频率：周度调仓[48] - 基准：中证1000指数[48] **模型评价**：各项业绩指标均有提升，样本外表现稳定，有较强的超额收益水平[50] 因子的回测效果 1. 价格区间因子 - 上周多头超额收益率：0.28%[2][13] - 本月以来多头超额收益率：-0.41%[2][13] - 今年以来多头超额收益率：4.70%[2][13] - 上周多空收益率：-0.42%[13] - 本月以来多空收益率：-0.60%[13] - 今年以来多空收益率：13.53%[13] 2. 量价背离因子 - 上周多头超额收益率：0.18%[2][13] - 本月以来多头超额收益率：-1.47%[2][13] - 今年以来多头超额收益率：5.73%[2][13] - 上周多空收益率：1.82%[13] - 本月以来多空收益率：0.50%[13] - 今年以来多空收益率：15.99%[13] 3. 遗憾规避因子 - 上周多头超额收益率：-0.86%[2][13] - 本月以来多头超额收益率：-1.21%[2][13] - 今年以来多头超额收益率：1.04%[2][13] - 上周多空收益率：0.73%[13] - 本月以来多空收益率：1.04%[13] - 今年以来多空收益率：15.54%[13] 4. 斜率凸性因子 - 上周多头超额收益率：0.96%[2] - 本月以来多头超额收益率：0.63%[2] - 今年以来多头超额收益率：-7.40%[2] 模型的回测效果 1. 高频"金"组合中证1000指数增强策略 - 年化收益率：9.31%[44] - 年化波动率：23.97%[44] - Sharpe比率：0.39[44] - 最大回撤率：47.77%[44] - 双边换手率（周度）：14.66%[44] - 年化超额收益率：10.20%[3][44] - 跟踪误差：4.28%[44] - 信息比率：2.38[44] - 超额最大回撤：6.04%[3][44] - 上周超额收益：0.80%[3] - 本月以来超额收益：0.83%[3] - 今年以来超额收益：6.58%[3] 2. 高频&基本面共振组合中证1000指数增强策略 - 年化收益率：13.67%[50] - 年化波动率：23.59%[50] - Sharpe比率：0.58[50] - 最大回撤率：39.60%[50] - 双边换手率（周度）：22.54%[50] - 年化超额收益率：14.49%[4][50] - 跟踪误差：4.19%[50] - 信息比率：3.46[50] - 超额最大回撤：4.52%[4][50] - 上周超额收益：1.14%[4] - 本月以来超额收益：1.22%[4] - 今年以来超额收益：7.66%[4]