量化因子与构建方式 1. **因子名称**：量稳换手率STR因子 - **构建思路**：从日频换手率稳定性的角度构造选股因子，通过考察换手率的稳定性而非绝对数值来改进传统换手率因子的缺陷[8] - **具体构建过程**： 1. 计算每只股票过去20个交易日的日频换手率 2. 计算这些日频换手率的稳定性指标（具体方法未详细说明，但参考了UTD因子的研究思路）[8] 3. 对因子进行市值中性化处理[6] - **因子评价**：因子计算简单且效果优秀，在剔除市场常用风格和行业干扰后仍具备较好的选股能力[1] 2. **因子名称**：传统换手率因子（Turn20） - **构建思路**：基于过去20个交易日的日均换手率构造选股因子，逻辑为换手率越小的股票未来越可能上涨[6] - **具体构建过程**： 1. 每月月底计算每只股票过去20个交易日的日均换手率 2. 对换手率进行市值中性化处理[6] - **因子评价**：表现可圈可点，但存在逻辑缺陷，高换手率分组内股票未来收益差异较大[7] 因子的回测效果 1. **量稳换手率STR因子**（2006/01-2025/07，全体A股）[9][10]： - 年化收益率：40.75% - 年化波动率：14.44% - 信息比率（IR）：2.82 - 月度胜率：77.02% - 最大回撤率：9.96% 2. **传统换手率因子（Turn20）**（2006/01-2021/04，全体A股）[6]： - 年化收益率：33.41% - 信息比率（IR）：1.90 - 月度胜率：71.58% - 月度IC均值：-0.072 - 年化ICIR：-2.10 3. **量稳换手率STR因子**（2025年7月，全体A股）[10]： - 多头组合收益率：1.29% - 空头组合收益率：-0.02% - 多空对冲收益率：1.32%

量化模型与因子总结 量化因子与构建方式 1. 因子名称：优加换手率UTR因子[6] 因子构建思路：结合量小因子和量稳因子，在量稳样本中希望量越大越好[6] 因子具体构建过程： - 每月月底计算所有股票的量小因子Turn20和量稳因子STR[6] - 按量稳因子从小到大排序打分1-N，记为"得分1"[6] - 对量稳因子前50%样本，按量小因子从大到小排序打分1-N/2，记为"得分2"，最终得分为"得分1"+"得分2"[6] - 对量稳因子后50%样本，按量小因子从小到大排序打分1-N/2，记为"得分3"，最终得分为"得分1"+"得分3"[6] 2. 因子名称：优加换手率UTR2.0因子[7] 因子构建思路：改进UTR因子，使用等比尺度替代次序尺度，考虑量小因子作用大小随量稳程度变化[7] 因子具体构建过程： $$ \mathrm{UTR2.0}=\mathrm{STR}+s o f t s i g n(\mathrm{STR})\cdot\mathrm{Turn20} $$ $$ s o f t s i g n(x)=\frac{x}{1+|x|} $$ 其中STR为量稳因子，Turn20为量小因子[7] 因子评价：相比原UTR因子收益有所降低，但波动率、信息比率和月度胜率更优[1] 因子的回测效果 1. UTR2.0因子[9] - 年化收益率：40.36% - 年化波动率：14.97% - 信息比率(IR)：2.70 - 月度胜率：75.74% - 最大回撤率：11.03% - 7月份多头组合收益率：1.29% - 7月份空头组合收益率：-0.06% - 7月份多空对冲收益率：1.35%

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 - **构建思路**：通过捕捉换手率波动率高的股票中换手率稳定增长或下降的趋势，构建描述换手率变化率稳定性的指标[6] - **具体构建过程**： 1. 计算换手率的变化率（加速度意义） 2. 对变化率的稳定性进行量化（未披露具体公式，但强调其与东吴金工全系列换手率因子相关性低于0.1）[6] - **因子评价**：与现有换手率因子互补性强，且能增强其他换手率因子的选股能力[6] 2. **因子名称**：纯净优加TPS_Turbo因子 - **构建思路**：将GTR因子与Turn20因子通过纯净优加法合成，增强选股能力[6] - **具体构建过程**： 1. 采用纯净优加法（Pure Plus Method）合成GTR与Turn20因子 2. 具体公式未披露，但参考历史报告《成交价改进换手率》中的SPS因子构建方法[6] 3. **因子名称**：纯净优加SPS_Turbo因子 - **构建思路**：将GTR因子与STR因子通过纯净优加法合成，提升稳定性[6] - **具体构建过程**： 1. 类似TPS_Turbo，但合成对象为STR因子 2. 同样基于纯净优加法，保留因子的正交性和增强效果[6] 因子的回测效果 1. **GTR因子**（2006/01-2025/07全市场测试） - 年化收益率：13.29% - 年化波动率：10.24% - 信息比率（IR）：1.30 - 月度胜率：67.09% - 最大回撤率：10.81%[7][11] 2. **TPS_Turbo因子**（2006/01-2025/07全市场测试） - 年化收益率：36.31% - 年化波动率：13.21% - 信息比率（IR）：2.75 - 月度胜率：78.63% - 最大回撤率：9.86%[7][11] 3. **SPS_Turbo因子**（2006/01-2025/07全市场测试） - 年化收益率：37.33% - 年化波动率：10.88% - 信息比率（IR）：3.43 - 月度胜率：81.62% - 最大回撤率：7.22%[7][11] 短期表现（2025年7月） - **GTR因子**： - 多头收益率：0.96% - 空头收益率：0.36% - 多空对冲收益率：0.60%[14] - **TPS_Turbo因子**： - 多头收益率：1.15% - 空头收益率：0.03% - 多空对冲收益率：1.12%[15] - **SPS_Turbo因子**： - 多头收益率：1.17% - 空头收益率：0.11% - 多空对冲收益率：1.06%[19]

量化因子与构建方式 1. TPS因子 - **因子名称**：TPS（Turn20 conformed by PLUS）[9] - **因子构建思路**：从考察日频换手率稳定性的角度，通过价量配合（用影线差作为价格因子配合传统换手率因子）来改进传统换手率因子，以解决传统换手率因子在组内收益标准差上的缺陷[7][8][9] - **因子具体构建过程**： 1. 计算传统换手率因子Turn20：取过去20个交易日换手率的平均值，并进行横截面市值中性化[6] 2. 选取影线差作为价格因子（代表日内多空情绪）[8][9] 3. 通过双分组打分方法，将影线差价格因子与Turn20因子结合，构建TPS因子[9] （注：具体影线差计算公式未在报告中明确给出） - **因子评价**：因子计算过程简单且效果优秀，表现大幅优于传统换手率和换手率变化率因子；在剔除市场常用风格和行业干扰后，纯净TPS因子仍具备不错的选股能力[9] 2. SPS因子 - **因子名称**：SPS（STR conformed by PLUS）[9] - **因子构建思路**：从考察日频换手率稳定性的角度，通过价量配合（用影线差作为价格因子配合量稳换手率STR因子）来改进STR因子，以进一步提升效果[7][8][9] - **因子具体构建过程**： 1. 使用量稳换手率STR因子（构建方式未在报告中详细说明）[7] 2. 选取影线差作为价格因子（代表日内多空情绪）[8][9] 3. 通过双分组打分方法，将影线差价格因子与STR因子结合，构建SPS因子[9] （注：具体影线差计算公式未在报告中明确给出） - **因子评价**：因子计算过程简单且效果优秀，表现大幅优于传统换手率和换手率变化率因子；在剔除市场常用风格和行业干扰后，纯净SPS因子仍具备较强的选股能力[9] 3. 传统换手率因子（Turn20） - **因子名称**：Turn20[6] - **因子构建思路**：基于过去20个交易日的换手率平均值，衡量股票的流动性[6] - **因子具体构建过程**： 计算过去20个交易日换手率的平均值，再进行横截面市值中性化[6] 公式： $$\text{Turn20}_{i,t} = \frac{1}{20}\sum_{d=t-19}^{t} \text{Turnover}_{i,d}$$ 其中，$\text{Turnover}_{i,d}$ 表示股票 $i$ 在第 $d$ 日的换手率，再对因子值进行市值中性化处理 - **因子评价**：传统换手率因子的表现一直可圈可点，但其逻辑存在缺陷，即在换手率最大的分组中，组内成分股未来收益的差异较大[6][7] 4. 量稳换手率因子（STR） - **因子名称**：STR（量稳换手率）[7] - **因子构建思路**：通过衡量换手率的稳定性来改进传统换手率因子，以解决传统换手率因子的缺陷[7] - **因子具体构建过程**： （注：具体构建过程未在报告中详细说明，仅提及该因子）[7] - **因子评价**：STR因子在表现方面远远优于传统换手率Turn20因子，但仍然没有能够消除组内标准差的单调性问题[7] 因子的回测效果 1. TPS因子 - **测试区间**：2006年1月至2025年7月[9][10] - **测试范围**：全体A股[9][10] - **年化收益率**：39.56%[10] - **年化波动率**：15.70%[10] - **信息比率（IR）**：2.52[10] - **月度胜率**：77.78%[10] - **最大回撤率**：18.19%[10] 2. SPS因子 - **测试区间**：2006年1月至2025年7月[10] - **测试范围**：全体A股[10] - **年化收益率**：43.26%[10] - **年化波动率**：13.15%[10] - **信息比率（IR）**：3.29[10] - **月度胜率**：83.76%[10] - **最大回撤率**：11.58%[10] 3. 传统换手率因子（Turn20） - **测试区间**：2006年1月至2022年12月[6] - **测试范围**：全体A股[6] - **月度IC均值**：-0.076[6] - **年化ICIR**：-2.23[6] - **年化收益率**：37.71%[6] - **信息比率（IR）**：2.20[6] - **月度胜率**：70.79%[6] 4. 2025年7月因子收益统计 - **TPS因子（全体A股）** - 10分组多头组合收益率：0.96%[12] - 10分组空头组合收益率：-0.04%[12] - 10分组多空对冲收益率：1.00%[12] - **SPS因子（全体A股）** - 10分组多头组合收益率：1.22%[14] - 10分组空头组合收益率：0.14%[14] - 10分组多空对冲收益率：1.09%[14]

根据提供的研报内容，未发现涉及量化模型或量化因子的具体构建与测试内容。该报告主要聚焦于AI领域的技术动态与产品发布，包括以下核心内容： 1. **智谱发布GLM-4.5大模型** - 采用混合专家架构，总参数量3550亿，激活参数320亿[12] - 三阶段训练流程：通用文本预训练、专项数据精调、强化学习对齐[12] - 在AGI评测中综合得分63.2，智能体任务准确率26.4%[15] 2. **蚂蚁数科金融推理大模型Agentar-Fin-R1** - 基于Qwen3架构的双引擎设计，支持金融场景专用推理[20] - 在FinEval1.0评测得分87.7，风险定价任务位列第一[23] 3. **商汤"悟能"具身智能平台** - 核心"开悟"世界模型支持4D环境构建与多视角视频生成[27] - 演示案例中机器人实现PPT讲解与动态交互[28] 4. **京东JoyInside附身智能品牌** - 整合RAG、TTS等多模态技术，支持情绪检测与长期记忆[33] - 教育机器人接入后对话轮次提升148%[33] 5. **字节Seed Diffusion Preview模型** - 离散扩散架构实现2146 tokens/秒的代码生成速度[37] - 在CanItEdit基准pass@1准确率54.3%[39] 6. **通义千问Qwen3-30B-A3B模型** - MoE架构每次推理仅激活33亿参数，支持256K长文本处理[44] - 数学推理测试AIME25得分61.3，较前代提升183%[47] 7. **腾讯Tairos具身智能平台** - "三脑协同"模型划分感知、规划、行动模块[52] - 复杂任务链成功率超80%，动态纠偏响应300毫秒[52] 8. **Goedel-Prover-V2定理证明系统** - 8B参数模型性能达DeepSeek-Prover-V2-671B的83.3%[58] - MiniF2F测试集Pass@32准确率88.1%[60] 注：以上总结未包含风险提示、免责声明等非核心内容[7][65][68][69]。报告重点为AI技术进展，未涉及量化投资相关模型或因子[1][2][3][4][5][6]。

量化模型与因子分析总结 量化因子与构建方式 1. **因子名称**：EPRank因子 **构建思路**：改进传统比值算子，采用截面分位点差值方法构建估值类因子，避免分母极端值影响[54] **具体构建过程**： $$EPRank = Percentile(NetProfit) - Percentile(MV)$$ 其中Percentile(·)为指标在股票截面的分位点，取值范围0-100%。相比传统EP=净利润/市值，EPRank通过分位点差值反映相对估值位置[54] **因子评价**：有效解决微利/亏损企业导致的比值失真问题，多空收益显著优于传统EPTMM因子[60] 2. **因子名称**：财务附注复合因子 **构建思路**：利用财务附注中的细分指标（如存货明细、应收账款账龄）构建增量信息因子[72] **具体构建过程**： - 计算分项占比：分项值/主项值（如库存商品/存货总额） - 计算占比变化：当期占比-去年同期占比 - 筛选390个有效附注因子后，按滚动12个月RankICIR加权合成[78] **因子评价**：提供财报主表外的增量信息，与传统因子相关性低（相关系数<0.15）[81] 3. **因子名称**：所得税复合因子 **构建思路**：利用所得税指标的"现金属性"和盈利真实性验证功能构建质量因子[93] **具体构建过程**： - 采用多种算子构建单因子：行业占比、同比增速、标准化偏离等 - 合成方法：筛选RankIC均值>1%的因子，滚动12个月RankICIR加权[95] **因子评价**：所得税作为刚性支出能有效识别盈利质量，剥离传统因子后残差仍具选股能力[99] 4. **因子名称**：预告快报增强因子 **构建思路**：通过业绩预告/快报数据提前更新财务指标，提升传统因子的时效性[109] **具体构建过程**： - 对NPQYOY等传统因子，用预告净利润中位数替代正式财报数据 - 构建公式保持原因子计算逻辑，仅更新数据源[109] **因子评价**：信息传递效率提升使RankICIR从1.95提升至2.60，多空收益显著改善[109] 5. **因子名称**：聚类增强因子 **构建思路**：通过"聚类-扩容-合成"三阶段优化传统因子合成方法[114] **具体构建过程**： - 分组加权法定义因子关联度：计算十分组超额收益序列加权相关性（权重[5,4,3,2,1,1,2,3,4,5]）[125] - Leiden聚类得到8大类：价值、成长、低波等[30] - 增量筛选法扩容：按多空相关性将新因子归入对应大类[34] **因子评价**：解决传统合成方法风格偏移问题，大类因子间相关性显著降低[31] 因子回测效果 1. **EPRank因子** RankIC均值5.46%，年化RankICIR 2.01，多头月均超额0.64%，空头月均超额-0.73%[60] 2. **财务附注复合因子** RankIC均值4.78%，年化RankICIR 2.69，多头月均超额0.77%，空头月均超额-1.02%[78] 3. **所得税复合因子** RankIC均值4.62%，年化RankICIR 2.60，多头月均超额0.67%，空头月均超额-0.47%[95] 4. **预告快报增强因子** RankIC均值4.26%（原3.47%），年化RankICIR 2.60（原1.95），多头月均超额0.72%（原0.53%）[109] 5. **聚类增强因子** RankIC均值12.08%，年化RankICIR 5.32，多头月均超额1.62%，空头年化超额-24.3%[4] 价值大类因子增强后：年化RankICIR从2.77→3.28，成长大类因子从2.84→3.90[13]

根据提供的金融工程日报内容，以下是量化模型与因子的结构化总结： --- 量化因子与构建方式 1. **封板率因子** - 构建思路：通过涨停股盘中表现与收盘状态的对比反映市场情绪强度[17] - 具体构建： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 筛选上市满3个月的股票，统计日内最高价涨停且收盘仍涨停的比例[17] - 因子评价：高频情绪指标，对短线交易策略有较强参考性 2. **连板率因子** - 构建思路：衡量涨停股持续性的市场情绪指标[17] - 具体构建： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 需排除新股和ST股票[17] - 因子评价：反映市场追涨动能的持续性 3. **大宗交易折价率因子** - 构建思路：通过大宗交易价格偏离度监测机构资金动向[26] - 具体构建： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 采用近半年日均成交金额13亿元作为基准[26] - 因子评价：机构资金行为的领先指标 4. **股指期货年化贴水率因子** - 构建思路：量化期现套利成本与市场预期差异[28] - 具体构建： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 覆盖上证50/沪深300/中证500/中证1000四大合约[28] - 因子评价：对冲成本与市场情绪的综合反映 --- 因子回测效果 1. **封板率因子** - 当日值：76%（较前日下降2%）[17] - 近一月趋势：呈现震荡下行特征[17] 2. **连板率因子** - 当日值：23%（较前日下降7%）[17] - 近一月趋势：与封板率同步波动[17] 3. **大宗交易折价率因子** - 当日值：4.13%（近半年均值5.75%）[26] - 近半年分布：日均成交13亿元[26] 4. **股指期货年化贴水率因子** - 当日值： - 上证50：升水0.07%（60%分位） - 沪深300：贴水3.96%（38%分位） - 中证500：贴水12.58%（33%分位） - 中证1000：贴水11.77%（49%分位）[28] - 近一年中位数： - 上证50：0.61% - 沪深300：2.89% - 中证500：9.13% - 中证1000：11.56%[28] --- 注：报告中未涉及量化模型的具体构建，主要聚焦市场监测类因子的计算与应用[17][26][28]

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：无形资产因子(INT)** - 构建思路：替代传统投资因子以提升资产定价模型的解释力[10] - 具体构建过程：通过量化企业无形资产（如专利、品牌价值等）对收益的影响，重构五因子模型。公式未明确给出，但文献提到其显著提升模型对异象的解释力[10] - 因子评价：有效捕捉传统因子未覆盖的价值驱动因素 2. **因子名称：高频部分可观测因子模型(POFM)** - 构建思路：同步处理可观测因子与潜在因子以提升拟合优度[15] - 具体构建过程： - 开发鲁棒估计方法（抗跳跃/噪声/异步数据） - 首创高频无监督外生成分学习框架(HF-UECL)，量化可观测因子对潜在因子的贡献 - 实证验证潜在因子在残差中的必要性及显-隐因子相关性[15] - 因子评价：突破传统高频因子模型的线性假设局限 3. **因子名称：新闻分歧度因子** - 构建思路：基于成交量-波动率弹性衡量投资者分歧[11] - 具体构建过程： - 计算新闻事件后的成交量变化率与波动率变化的弹性系数 - 公式：$$ \text{Divergence} = \frac{\Delta \log(\text{Volume})}{\Delta \log(\text{Volatility})} $$ - 负向信号筛选（低弹性股票预示未来超额收益）[11] - 因子评价：符合行为金融理论中的过度反应机制 4. **因子名称：碳风险因子** - 构建思路：量化企业碳转型风险对股票收益的影响[41] - 具体构建过程： - 构建行业调整后的碳排放强度指标 - 通过Fama-MacBeth回归验证其定价能力 - 污染重/大市值企业敏感度更高[41] - 因子评价：在双碳政策背景下具有持续有效性 量化模型与构建方式 1. **模型名称：调整后PIN模型(AdjPIN)** - 构建思路：解决传统PIN模型数值不稳定性问题[11] - 具体构建过程： - 采用对数似然分解技术 - 智能初始值算法避免局部最优 - 公式：$$ \text{AdjPIN} = \frac{\alpha \mu}{\alpha \mu + \epsilon_b + \epsilon_s} $$ 其中$\alpha$为信息事件概率，$\mu$为信息交易强度，$\epsilon$为噪声交易[11] - 模型评价：实现无偏估计且计算效率提升 2. **模型名称：HARLF分层强化学习模型** - 构建思路：整合轻量LLM情感与市场指标优化资产配置[39] - 具体构建过程： - 三层架构：基础RL层（处理原始数据）、元智能体层（融合市场情绪）、超级智能体层（战略决策） - 动态调整股票/债券/期权权重[39] - 模型评价：实现跨模态信息的高效利用 3. **模型名称：DiT-LSTM-SVAR联合预测模型** - 构建思路：结合深度学习与计量经济学方法[39] - 具体构建过程： - DiT模块预测涨跌方向（马修斯相关系数+3%） - SVAR模块识别随机游走股票 - 组合优化公式：$$ w^* = \arg\min_w w^T \hat{\Sigma} w \quad \text{s.t.} \quad R^T w \geq \tau $$[39] - 模型评价：在保持可解释性同时提升预测精度 因子回测效果 1. **INT因子** - 年化超额收益：未明确数值但提及"显著提升五因子模型解释力"[10] - IR：未披露 2. **POFM高频因子** - 拟合优度提升：较传统模型提高15%-20%[15] - 因子贡献度：HF-UECL框架量化显性因子解释力达68%[15] 3. **新闻分歧度因子** - 多空组合收益：负向信号组合年化超额2.4%[11] - IC：-0.12（横截面测试）[11] 4. **碳风险因子** - 分组收益差：高碳风险组合年化低收益3.8%[41] - 风险溢价：碳排放强度每升1σ导致预期收益降0.6%[41] 模型回测效果 1. **AdjPIN模型** - 估计偏差：较传统PIN降低42%[11] - 计算耗时：减少67%[11] 2. **HARLF模型** - 年化收益：26%[39] - 夏普比率：1.2（超基准17%）[39] 3. **DiT-LSTM-SVAR模型** - 累计收益：266.6%[39] - 夏普比率：1.8[39] 注：部分指标因原文未明确数值而省略，严格遵循同一因子/模型的指标口径一致性要求[7][8]

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，并在上市首日以市场均价卖出，忽略锁定期限制，测算不同规模账户的打新收益率[10] **模型具体构建过程**： - 计算满中数量：$$可申购上限额度 \times 网下类平均中签率$$ - 计算满中收益：$$(首次开板价 - 首发价格) \times 满中数量$$ 其中，可申购上限额度根据账户规模（如1.5亿/2亿/3亿/5亿/10亿）设定，网下中签率采用A类/B类平均数据，首次开板价取自上市首日均价[42] **模型评价**：该模型通过简化假设（如全额入围、忽略锁定期）快速估算打新收益，但实际收益可能受报价入围率、资金使用效率等因素影响[47] 2. **模型名称**：分板块打新收益模型 **模型构建思路**：在基础打新模型上，按科创板、创业板、主板分类统计收益，反映板块差异[48][49][50] **模型具体构建过程**： - 板块划分依据发行市场（科创板/创业板/主板） - 对每只新股按板块归类后，复用基础模型的满中数量和收益计算公式 - 资金配置假设：沪市与深市各占50%[47] 模型的回测效果 1. **网下打新收益测算模型** - A类2亿账户2025年累计收益率：1.92%[10] - B类2亿账户2025年累计收益率：1.72%[10] - A类10亿账户2025年累计收益率：0.61%[10] - B类10亿账户2025年累计收益率：0.55%[10] 2. **分板块打新收益模型** - **科创板**：A类2亿账户2025年收益率0.51%，B类2亿账户0.49%[49][53] - **创业板**：A类2亿账户2025年收益率0.88%，B类2亿账户0.77%[49][54] - **主板**：A类2亿账户2025年收益率0.54%，B类2亿账户0.46%[50][55] 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**：通过统计不同类别（A类/B类）有效报价账户的中位数，反映打新竞争程度[23][27] **因子具体构建过程**： - 对近期20只新股，分别计算科创板、创业板、主板的A类/B类有效报价账户数量的中位数 - 示例取值：科创板A类3062户，B类1602户；创业板A类3630户，B类2080户[27] 2. **因子名称**：首日涨幅因子 **因子构建思路**：统计新股上市首日均价涨幅，衡量打新收益潜力[20] **因子具体构建过程**： - 计算首日均价涨幅：$$(首日均价 - 发行价)/发行价 \times 100\%$$ - 示例取值：科创板首日平均涨幅218.45%，创业板227.38%[20] 因子的回测效果 1. **有效报价账户数量因子** - 科创板A类中位数：3062户[27] - 科创板B类中位数：1602户[27] - 创业板A类中位数：3630户[27] - 主板A类中位数：3866户[27] 2. **首日涨幅因子** - 科创板首日涨幅：218.45%[20] - 创业板首日涨幅：227.38%[20] - 极端案例：山大电力首日涨幅426.31%[38]

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**：价值50组合 - **构建思路**：基于价值风格因子筛选股票，追求高beta弹性和长期稳健超额收益[7] - **具体构建过程**： 1. 以国证价值指数为基准，选取估值（如PE、PB）、股息率等价值因子 2. 通过因子加权（如等权或优化权重）构建组合 3. 定期调仓以维持风格暴露[7] 2. **模型名称**：价值均衡50组合 - **构建思路**：在价值因子的基础上加入风险控制，降低组合波动[7] - **具体构建过程**： 1. 与价值50组合同源因子，但引入行业中性化或波动率约束 2. 通过风险模型（如Barra）优化权重[7] 3. **模型名称**：成长50组合 - **构建思路**：聚焦营收增长、盈利增长等成长因子[7] - **具体构建过程**： 1. 以国证成长指数为基准，选取ROE、净利润增长率等指标 2. 因子标准化后加权合成[7] 4. **模型名称**：成长均衡50组合 - **构建思路**：平衡成长因子与风险因子，避免风格漂移[7] - **具体构建过程**：类似价值均衡组合，加入成长因子与风险优化[7] 5. **模型名称**：小盘50组合 - **构建思路**：捕捉小市值股票的溢价效应[7] - **具体构建过程**： 1. 以国证2000指数为基准，筛选市值最小的50只股票 2. 结合流动性因子（如换手率）剔除极端样本[7] 6. **模型名称**：小盘均衡50组合 - **构建思路**：在小盘因子的基础上控制组合换手和行业偏离[7] - **具体构建过程**：引入换手率阈值和行业中性化处理[7] --- 模型的回测效果 1. **价值50组合**： - 周收益率：-2.12%（超额-0.41%）[8] - 年收益率：12.44%（超额8.78%）[8] - 最大相对回撤：2.35%[8] 2. **价值均衡50组合**： - 周收益率：-0.46%（超额1.26%）[8] - 年收益率：10.16%（超额6.50%）[8] - 最大相对回撤：3.99%[8] 3. **成长50组合**： - 周收益率：-1.48%（超额0.68%）[8] - 年收益率：4.50%（超额2.38%）[8] - 最大相对回撤：3.61%[8] 4. **成长均衡50组合**： - 周收益率：-1.64%（超额0.53%）[8] - 年收益率：8.71%（超额6.59%）[8] - 最大相对回撤：6.11%[8] 5. **小盘50组合**： - 周收益率：1.25%（超额1.43%）[8] - 年收益率：36.52%（超额19.90%）[8] - 最大相对回撤：6.23%[8] 6. **小盘均衡50组合**： - 周收益率：-1.09%（超额-0.90%）[8] - 年收益率：26.60%（超额9.98%）[8] - 最大相对回撤：4.56%[8] --- 量化因子与构建方式 （报告中未明确提及单因子构建细节，仅描述复合模型） --- 因子的回测效果 （报告中未提供单因子测试结果） --- 注：所有模型均基于国证风格指数基准，超额收益为相对基准表现[7][8]