根据研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 1. **模型名称：五维行业轮动模型**[3][8] * **模型构建思路**：基于行业内部普遍存在的风格差异，从微观个股层面出发，利用风格指标对行业内部股票进行划分，通过构建行业内部离散指标与行业内部牵引指标合成行业最终因子，最终构建包含五大类因子的行业轮动模型[3][8] * **模型具体构建过程**： 1. 以东吴金工特色多因子划分标准对微观因子进行大类划分，将微观因子划分为五大类：波动率、基本面、成交量、情绪、动量[3][8] 2. 基于行业内部普遍存在的风格差异，利用风格指标对行业内部股票进行划分[3][8] 3. 以大类选股因子的风格偏好为参照，构建行业内部离散指标与行业内部牵引指标[3][8] 4. 最终得到五类合成行业因子：波动率因子、基本面因子、成交量因子、情绪因子、动量因子[3][8] 5. 将这五类合成行业因子组合，构建成五维行业轮动模型[3][8] 量化因子与构建方式 1. **因子名称：波动率因子**[3][8] * **因子构建思路**：属于东吴金工特色多因子体系中的一大类，基于波动率相关的微观个股因子构建行业层面的合成因子[3][8] 2. **因子名称：基本面因子**[3][8] * **因子构建思路**：属于东吴金工特色多因子体系中的一大类，基于基本面相关的微观个股因子构建行业层面的合成因子[3][8] 3. **因子名称：成交量因子**[3][8] * **因子构建思路**：属于东吴金工特色多因子体系中的一大类，基于成交量相关的微观个股因子构建行业层面的合成因子[3][8] 4. **因子名称：情绪因子**[3][8] * **因子构建思路**：属于东吴金工特色多因子体系中的一大类，基于情绪相关的微观个股因子构建行业层面的合成因子[3][8] 5. **因子名称：动量因子**[3][8] * **因子构建思路**：属于东吴金工特色多因子体系中的一大类，基于动量相关的微观个股因子构建行业层面的合成因子[3][8] 模型的回测效果 1. **五维行业轮动模型（合成因子）多空对冲**[3][12][16] * 年化收益率：21.31%[3][12][16] * 年化波动率：10.79%[3][12][16] * 信息比率(IR)：1.98[3][12][16] * 月度胜率：72.80%[3][12][16] * 历史最大回撤：13.30%[3][12][16] 2. **五维行业轮动模型（合成因子）多头超额**[3][16][17] * 年化收益率：10.48%[3][16][17] * 年化波动率：6.53%[3][16][17] * 信息比率(IR)：1.60[3][16][17] * 月度胜率：70.40%[3][16][17] * 历史最大回撤：9.36%[3][16][17] 因子的回测效果 1. **波动率因子（多空对冲）**[16] * 年化收益率：10.45%[16] * 波动率：10.35%[16] * 信息比率(IR)：1.01[16] * 胜率：59.23%[16] * 最大回撤：14.81%[16] * IC：-0.08[16] * ICIR：-1.31[16] * RankIC：-0.06[16] * RankICIR：-0.99[16] 2. **基本面因子（多空对冲）**[16] * 年化收益率：7.31%[16] * 波动率：12.05%[16] * 信息比率(IR)：0.61[16] * 胜率：56.92%[16] * 最大回撤：26.32%[16] * IC：0.15[16] * ICIR：3.25[16] * RankIC：0.04[16] * RankICIR：0.73[16] 3. **成交量因子（多空对冲）**[16] * 年化收益率：8.32%[16] * 波动率：11.70%[16] * 信息比率(IR)：0.71[16] * 胜率：60.00%[16] * 最大回撤：18.40%[16] * IC：-0.06[16] * ICIR：-1.00[16] * RankIC：-0.07[16] * RankICIR：-0.97[16] 4. **情绪因子（多空对冲）**[16] * 年化收益率：7.58%[16] * 波动率：12.77%[16] * 信息比率(IR)：0.59[16] * 胜率：63.85%[16] * 最大回撤：14.79%[16] * IC：0.03[16] * ICIR：0.48[16] * RankIC：0.03[16] * RankICIR：0.47[16] 5. **动量因子（多空对冲）**[16] * 年化收益率：11.29%[16] * 波动率：10.52%[16] * 信息比率(IR)：1.07[16] * 胜率：60.47%[16] * 最大回撤：13.52%[16] * IC：0.02[16] * ICIR：0.35[16] * RankIC：0.05[16] * RankICIR：0.76[16]

经过仔细审阅，该文档为一份ESG市场观察周报，主要总结了ESG相关的政策动态、市场指数表现、资金流向及舆情事件。报告内容侧重于市场动态描述和事件汇总，**并未涉及任何具体的量化模型构建、因子定义、详细的构建过程或模型/因子的回测效果测试**。因此，无法按照任务要求总结出量化模型或量化因子的相关内容。 报告的核心内容为对现有市场情况的描述性分析，例如： * **ESG指数跟踪**：列举了如300ESG指数、SEEE碳中和指数等市场现有指数的涨跌幅情况[18][19]。 * **板块资金流向分析**：将绿色转型相关行业划分为“低碳核心”、“低碳支撑”、“转型主体”等类别，并分析其资金净流入/流出情况[29][30][31]。这是一种基于行业功能的分类方法，用于观察市场趋势，但并未将其构建为可投资的量化因子。 * **ESG舆情分析**：统计了ESG事件的数量、正负向比例以及在不同维度（E、S、G）和行业间的分布[39][44][47]。 以上内容均属于市场评论和数据分析范畴，不具备量化模型或因子所需的构建思路、具体公式、回测流程及效果评估等要素。

量化模型与因子总结 量化模型与构建方式 1. **模型名称：小市值低波50策略**[8][16][34] * **模型构建思路：** 在万得微盘股指数的成分股中，优选同时具备小市值和低波动特征的50只股票，构建投资组合[8][16][34] * **模型具体构建过程：** 策略的具体构建步骤包括：首先，确定股票池为万得微盘股指数的当前成分股；其次，在股票池内，使用市值因子和波动率因子进行排序，优选市值更小、波动率更低的股票；最后，选取综合排名靠前的50只股票构成投资组合，并每两周进行一次调仓[8][16][34] * **模型评价：** 该策略结合了小市值和低波动两类因子的选股逻辑，旨在捕捉微盘股领域内的相对稳健收益机会 2. **模型名称：扩散指数模型**[6][38][39] * **模型构建思路：** 基于微盘股指数成分股的价格表现构建扩散指数，用于监测市场情绪和判断交易时机，并通过不同的信号触发方法（如阈值法、均线法）生成交易信号[6][38][39] * **模型具体构建过程：** 该模型包含多种具体的信号生成方法： * **首次阈值法（左侧交易）：** 当扩散指数首次触及预设阈值时触发信号，例如在2025年11月14日收盘价0.925触发空仓信号[6][42] * **延迟阈值法（右侧交易）：** 当扩散指数确认突破预设阈值后触发信号，例如在2025年11月17日收盘价0.8975触发空仓信号[6][44][46] * **双均线法（自适应交易）：** 使用两条移动平均线，根据其相对位置（金叉或死叉）产生交易信号，例如在2025年11月25日收盘产生看空信号[6][47] * **模型评价：** 该模型提供了多种择时工具，适用于不同风险偏好的交易者，用于判断微盘股市场的整体趋势和短期交易节点 模型的回测效果 1. **小市值低波50策略**，2024年收益7.07%，超额收益（相对万得微盘股指数）-2.93%；2025年至今（YTD）收益74.15%，本周超额收益0.22%[8][16][34] 2. **扩散指数模型（首次阈值法）**，于2025年11月14日触发空仓信号[6][42] 3. **扩散指数模型（延迟阈值法）**，于2025年11月17日触发空仓信号[6][44][46] 4. **扩散指数模型（双均线法）**，于2025年11月25日触发看空信号[6][47] 量化因子与构建方式 1. **因子名称：10天总市值换手率因子**[5][16][32] * **因子构建思路：** 衡量股票在过去10个交易日内的换手活跃程度，使用总市值作为计算基准[5][16][32] 2. **因子名称：10天自由流通市值换手率因子**[5][16][32] * **因子构建思路：** 衡量股票在过去10个交易日内的换手活跃程度，使用自由流通市值作为计算基准，更能反映实际可交易部分的流动性[5][16][32] 3. **因子名称：贝塔因子**[5][16][32] * **因子构建思路：** 衡量股票收益相对于市场基准收益的敏感度，即系统性风险[5][16][32] 4. **因子名称：流动性因子**[5][16][32] * **因子构建思路：** 综合衡量股票的流动性水平[5][16][32] 5. **因子名称：标准化预期盈利因子**[5][16][32] * **因子构建思路：** 基于分析师的盈利预期，经过标准化处理后的因子，反映市场对公司未来盈利能力的共识[5][16][32] 6. **因子名称：pe_ttm倒数因子（即盈利价格比，EP）**[5][16][32] * **因子构建思路：** 使用市盈率（TTM）的倒数，作为估值因子的一个表征，值越高可能代表估值越低[5][16][32] 7. **因子名称：盈利因子**[5][16][32] * **因子构建思路：** 综合反映公司的盈利能力[5][16][32] 8. **因子名称：非线性市值因子**[5][16][32] * **因子构建思路：** 对市值因子进行非线性变换，以捕捉市值与收益之间可能存在的非线性关系[5][16][32] 9. **因子名称：对数市值因子**[5][16][32] * **因子构建思路：** 对股票的总市值取对数，常用来作为规模因子的表征[5][16][32] 10. **因子名称：单季度净资产收益率因子**[5][16][32] * **因子构建思路：** 基于单季度财务数据计算的净资产收益率，反映公司当季的盈利效率[5][16][32] 11. **因子名称：杠杆因子**[32] * **因子构建思路：** 衡量公司的财务杠杆水平[32] 12. **因子名称：单季度净利润增速因子**[32] * **因子构建思路：** 反映公司最近一个季度的净利润同比增长情况[32] 13. **因子名称：成交额因子**[32] * **因子构建思路：** 衡量股票的成交金额规模，是流动性的一种度量[32] 14. **因子名称：过去一年波动率因子**[32] * **因子构建思路：** 计算股票过去一年收益率的波动率，作为风险因子[32] 15. **因子名称：自由流通比例因子**[32] * **因子构建思路：** 自由流通股本占总股本的比例，反映股权结构和实际流通盘大小[32] 16. **因子名称：非流动性因子**[32] * **因子构建思路：** 衡量股票交易的非流动性程度，通常与交易成本相关[32] 17. **因子名称：动量因子**[32] * **因子构建思路：** 基于股票过去一段时间的价格表现，认为上涨趋势可能延续[32] 18. **因子名称：残差波动率因子**[32] * **因子构建思路：** 衡量无法被市场因子解释的个股特异性波动[32] 19. **因子名称：过去10天收益率因子**[32] * **因子构建思路：** 股票在过去10个交易日的累计收益率，反映短期动量或反转效应[32] 20. **因子名称：pb倒数因子（即市净率的倒数，BP）**[32] * **因子构建思路：** 使用市净率的倒数，作为估值因子的一个表征[32] 21. **因子名称：成长因子**[32] * **因子构建思路：** 综合衡量公司的成长性[32] 22. **因子名称：未复权股价因子**[32] * **因子构建思路：** 使用股票的未复权价格，可能与流动性、交易行为等有关[32] 23. **因子名称：股息率因子**[32] * **因子构建思路：** 衡量公司的现金分红回报率[32] 因子的回测效果 1. **10天总市值换手率因子**，本周RankIC值0.17，历史平均RankIC值-0.058[5][16][32] 2. **10天自由流通市值换手率因子**，本周RankIC值0.159，历史平均RankIC值-0.06[5][16][32] 3. **贝塔因子**，本周RankIC值0.152，历史平均RankIC值0.003[5][16][32] 4. **流动性因子**，本周RankIC值0.151，历史平均RankIC值-0.04[5][16][32] 5. **标准化预期盈利因子**，本周RankIC值0.133，历史平均RankIC值0.013[5][16][32] 6. **pe_ttm倒数因子**，本周RankIC值-0.194，历史平均RankIC值0.016[5][16][32] 7. **盈利因子**，本周RankIC值-0.161，历史平均RankIC值0.021[5][16][32] 8. **非线性市值因子**，本周RankIC值-0.152，历史平均RankIC值-0.034[5][16][32] 9. **对数市值因子**，本周RankIC值-0.152，历史平均RankIC值-0.034[5][16][32] 10. **单季度净资产收益率因子**，本周RankIC值-0.142，历史平均RankIC值0.021[5][16][32] 11. **杠杆因子**，本周RankIC值0.123，历史平均RankIC值-0.006[32] 12. **单季度净利润增速因子**，本周RankIC值0.12，历史平均RankIC值0.006[32] 13. **成交额因子**，本周RankIC值0.112，历史平均RankIC值-0.002[32] 14. **过去一年波动率因子**，本周RankIC值0.11，历史平均RankIC值-0.006[32] 15. **自由流通比例因子**，本周RankIC值0.108，历史平均RankIC值0.001[32] 16. **非流动性因子**，本周RankIC值0.101，历史平均RankIC值-0.001[32] 17. **动量因子**，本周RankIC值0.1，历史平均RankIC值0.001[32] 18. **残差波动率因子**，本周RankIC值0.099，历史平均RankIC值-0.002[32] 19. **过去10天收益率因子**，本周RankIC值0.092，历史平均RankIC值-0.001[32] 20. **pb倒数因子**，本周RankIC值0.09，历史平均RankIC值0.01[32] 21. **成长因子**，本周RankIC值0.081，历史平均RankIC值0.003[32] 22. **未复权股价因子**，本周RankIC值0.08，历史平均RankIC值0.001[32] 23. **股息率因子**，本周RankIC值0.075，历史平均RankIC值0.001[32]

根据提供的研报内容，总结如下： 量化模型与构建方式 1. **模型名称**：央国企高分红30组合[14] * **模型构建思路**：属于红利系列产品，具体风格未在提供内容中详细说明[14] * **模型具体构建过程**：报告未提供该组合的具体构建过程和选股公式[14] 2. **模型名称**：攻守兼备红利50组合[14] * **模型构建思路**：属于红利系列产品，具有“攻守兼备”的特性，具体风格未在提供内容中详细说明[14] * **模型具体构建过程**：报告未提供该组合的具体构建过程和选股公式[14] 3. **模型名称**：电子均衡配置增强组合[14] * **模型构建思路**：属于行业增强系列，聚焦电子板块，采用均衡配置的思路进行增强[14] * **模型具体构建过程**：报告未提供该组合的具体构建过程和选股公式[14] 4. **模型名称**：电子板块优选增强组合[14] * **模型构建思路**：属于行业增强系列，聚焦电子板块，特别关注迈入成熟期的细分赛道龙头企业[14] * **模型具体构建过程**：报告未提供该组合的具体构建过程和选股公式[14] 模型的回测效果 1. **央国企高分红30组合**：本周超额收益（相对于中证红利全收益）约0.23%[7][21] 2. **攻守兼备红利50组合**：本周超额收益（相对于中证红利全收益）约1.45%[7][21]；2025年年初以来超额收益（相对于中证红利全收益）约7.91%[21] 3. **电子均衡配置增强组合**：本周超额收益（相对于电子全收益）约0.89%[7][29] 量化因子与构建方式 * 报告中未提及具体的底层量化因子名称、构建思路、构建过程或评价。 因子的回测效果 * 报告中未提供具体量化因子的测试结果取值。 **注**：报告提及的策略遵循“自上而下”的选股逻辑，旨在透过洞察和提炼行业、主题核心要点和逻辑，为量化模型输入清晰的选股思路[13]。

根据提供的研报内容，该报告主要分析了欧盟SFDR 2.0政策及其影响，并未涉及具体的量化模型或量化因子的构建、测试过程。报告的核心内容是政策解读、趋势研判和市场影响分析，属于定性研究范畴。 因此，本总结中不包含“量化模型与构建方式”、“模型的回测效果”、“量化因子与构建方式”及“因子的回测效果”等部分。

根据提供的华创证券金工周报（20251124-20251128），以下是关于报告中涉及的量化模型与因子的总结。 量化模型与构建方式 1. **模型名称：成交量模型**[11][12] * **模型构建思路**：基于市场成交量的变化来判断短期市场情绪和趋势[11][12]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅给出了其信号判断结果[11][12]。 2. **模型名称：特征龙虎榜机构模型**[11][12] * **模型构建思路**：利用龙虎榜中机构投资者的买卖行为数据构建特征，用于市场短期择时[11][12]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅给出了其信号判断结果[11][12]。 3. **模型名称：特征成交量模型**[11][12] * **模型构建思路**：基于特定的成交量特征（可能与龙虎榜相关）进行短期市场判断[11][12]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅给出了其信号判断结果[11][12]。 4. **模型名称：智能算法沪深300模型 / 智能算法中证500模型**[11][12] * **模型构建思路**：应用智能算法（如机器学习等）对特定宽基指数（沪深300、中证500）进行择时判断[11][12]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅给出了其信号判断结果[11][12]。 5. **模型名称：涨跌停模型**[13] * **模型构建思路**：通过分析市场中涨停和跌停股票的数量或比例来判断中期市场情绪[13]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅给出了其信号判断结果[13]。 6. **模型名称：上下行收益差模型**[11][13] * **模型构建思路**：通过计算市场上行收益与下行收益的差异来判断市场动能和趋势[11][13]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅给出了其信号判断结果[11][13]。 7. **模型名称：月历效应模型**[13] * **模型构建思路**：基于历史数据中存在的特定月份或时间段的规律性表现进行中期市场判断[13]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅给出了其信号判断结果[13]。 8. **模型名称：长期动量模型**[14] * **模型构建思路**：基于资产的长期价格动量（趋势）进行判断，认为过去表现好的资产未来仍可能表现良好[14]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅给出了其信号判断结果[14]。 9. **模型名称：A股综合兵器V3模型 / A股综合国证2000模型**[15] * **模型构建思路**：将短期、中期、长期等多个单一模型或因子信号进行综合耦合，形成最终的复合判断模型，旨在攻守兼备[9][15]。 * **模型具体构建过程**：报告提及了模型耦合的思想，但未提供V3或国证2000综合模型的具体耦合公式和权重分配细节[9][15]。 10. **模型名称：成交额倒波幅模型**[16] * **模型构建思路**：结合成交额和波动率（倒波幅）指标对港股市场进行中期判断[16]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅给出了其信号判断结果[16]。 11. **模型名称：恒生指数上下行收益差模型**[16] * **模型构建思路**：原理同A股的上下行收益差模型，应用于恒生指数进行中期判断[16]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅给出了其信号判断结果[16]。 12. **因子/策略名称：杯柄形态**[44][45][46] * **因子/策略构建思路**：识别股价走势中类似于“杯子和杯柄”的图表形态，该形态被认为是看涨 continuation 模式，当股价突破杯柄区域的阻力位时产生买入信号[44][45][46]。 * **因子/策略具体构建过程**：通过识别三个关键点来定义形态：A点（杯左缘高点）、B点（杯底低点）、C点（杯右缘/柄部高点），当价格突破C点水平时视为形态突破，产生信号[46][48][49]。 * **因子/策略评价**：是一种经典的技术分析形态识别策略。 13. **因子/策略名称：双底形态**[44][50][51] * **因子/策略构建思路**：识别股价走势中形成两个近似低点（底部）的W形图表形态，该形态被认为是看涨 reversal 模式，当股价突破两个底部之间的颈线位时产生买入信号[44][50][51]。 * **因子/策略具体构建过程**：通过识别三个关键点来定义形态：A点（第一个底部）、B点（两个底部之间的反弹高点，即颈线位）、C点（第二个底部），当价格突破B点水平时视为形态突破，产生信号[50][54]。 * **因子/策略评价**：是一种经典的技术分析形态识别策略。 14. **因子/策略名称：倒杯子形态**[64][66] * **因子/策略构建思路**：识别股价走势中类似于倒置的“杯子和杯柄”的图表形态，该形态被认为是看跌 reversal 模式，当股价跌破形态支撑位时产生风险警示信号[64][66]。 * **因子/策略具体构建过程**：通过识别三个关键点来定义形态：A点（杯左缘低点）、C点（杯右缘/柄部低点）、E点（杯口高点），当价格跌破A-C点形成的支撑区域时视为形态突破，产生风险信号[64][66]。 * **因子/策略评价**：是一种用于识别潜在下跌风险的技术分析形态。 模型的回测效果 1. **杯柄形态组合**[44] * 本周收益：3.9%[44] * 本周相对上证综指超额收益：2.5%[44] * 2020年12月31日至今累计收益：10.82%[44] * 2020年12月31日至今相对上证综指超额收益：-1.14%[44] 2. **双底形态组合**[44] * 本周收益：3.33%[44] * 本周相对上证综指超额收益：1.93%[44] * 2020年12月31日至今累计收益：13.99%[44] * 2020年12月31日至今相对上证综指超额收益：2.02%[44] 量化因子与构建方式 （报告主要描述了择时模型和技术形态策略，未详细阐述用于选股或阿尔法策略的独立量化因子及其构建方式。） 因子的回测效果 （报告主要描述了择时模型和技术形态策略的回测效果，未提供独立量化因子的IC值、IR、多空收益等传统因子测试指标。）

经过仔细审阅提供的金融工程周报内容，发现该报告是一份典型的大类资产与基金市场周度综述报告。报告的核心内容是描述过去一周（2025年11月24日至11月28日）全球主要大类资产（包括权益、债券、商品、外汇）的市场表现以及国内公募基金市场的概况（如新成立基金、规模、业绩等）[5][10][11][30][31][37][43][46][49][53]。 **重要结论：** 本报告中**并未涉及**任何需要构建的**量化模型**或**量化因子**。报告内容完全是对历史市场行情和基金数据的描述性统计与展示，不具备量化模型或因子构建所需的任何方法论、公式、回测过程或效果评价。 因此，根据任务要求，对于报告中“没有相关内容”的部分应予以跳过，故本次总结将不输出“量化模型与构建方式”及“量化因子与构建方式”等章节。 若您有其他包含量化模型或因子构建细节的研报，欢迎提供，我将为您进行详细总结。

根据提供的研报内容，以下是关于量化模型和因子的总结。 量化模型与构建方式 1. **模型名称：价格分段体系**[16][19] * **模型构建思路**：通过分析价格数据，识别市场在不同时间尺度（如日线、周线）上的趋势阶段[16] * **模型具体构建过程**：模型涉及dea指标，用于判断价格走势，但报告中未提供具体的计算步骤和公式[19] 2. **模型名称：微观市场结构择时模型**[17][20] * **模型构建思路**：通过监测“知情交易者活跃度”这一指标，来判断市场内部结构变化，从而进行择时[17] * **模型具体构建过程**：报告指出该指标与市场走势同步，但未详细说明其具体构建过程和计算公式[17][20] 3. **因子名称：分析师行业景气预期因子**[21][22] * **因子构建思路**：基于分析师对上市公司未来业绩的一致预测数据，构建反映行业景气度的因子[21] * **因子具体构建过程**：具体计算了两个指标： * 滚动未来12个月ROE（ROEFTTM）的环比变化[21][22] * 一致预期净利润滚动未来12个月（FTTM）增速的环比变化[21][22] 报告未提供具体的计算公式，仅展示了计算结果[21][22] 4. **因子名称：BARRA风格因子**[24][25] * **因子构建思路**：采用经典的BARRA风险模型框架，从多个维度（如价值、成长、动量、市值等）刻画市场的风格偏好[24] * **因子具体构建过程**：报告列举了多种风格因子，包括换手、财务杠杆、盈利波动、盈利质量、盈利能力、投资质量、长期反转、EP价值、BP价值、成长、动量、非线性市值、市值、波动率、贝塔、股息率等[24][25]。报告未详细描述每个因子的具体构建公式，仅展示了其近期收益表现[24][25] 模型的回测效果 （报告中未提供相关量化模型的具体回测效果指标取值） 因子的回测效果 1. **分析师行业景气预期因子**，本周一致预期ROE环比变化：有色金属 3.11%[22]，商贸零售 2.51%[22]，电力设备 1.37%[22]，...；本周一致预期净利润增速环比变化：商贸零售 16.90%[22]，电力设备 10.59%[22]，公用事业 9.91%[22]，... 2. **BARRA风格因子**，本周收益：换手 0.2%[25]，财务杠杆 -0.2%[25]，盈利波动 0.0%[25]，盈利质量 0.1%[25]，盈利能力 -0.2%[25]，投资质量 -0.1%[25]，长期反转 0.1%[25]，EP价值 -0.1%[25]，BP价值 0.1%[25]，成长 0.1%[25]，动量 1.0%[25]，非线性市值 -0.3%[25]，市值 -0.5%[25]，波动率 -0.2%[25]，贝塔 0.7%[25]，股息率 -0.1%[25]

根据研报内容，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：风格相对拥挤度[129] **因子构建思路**：通过计算不同风格指数的换手率标准化值差异，来衡量风格之间的相对拥挤程度[129] **因子具体构建过程**： 1. 分别计算风格A和风格B指数的近252日平均换手率 2. 在2005年1月1日以来的历史时间序列上计算Z-score标准化值Z-score_A与Z-score_B 3. 计算二者差值：$$Z-score_A - Z-score_B$$ 4. 计算该差值的滚动6年历史分位数（历史数据量满1年且不足6年时，以全部历史数据进行计算）[129] 2. 因子名称：风格指数累计超额净值[130] **因子构建思路**：以万得全A为基准，计算各风格指数的相对表现[130] **因子具体构建过程**： 1. 以2020年1月4日为基准日 2. 将各指数的每日收盘点数除以基准日收盘点数得到各风格指数及万得全A指数的累计净值 3. 将各风格指数的累计净值除以同一交易日的万得全A指数累计净值得到累计超额净值[130] 3. 因子名称：机构调研活跃度[131] **因子构建思路**：通过机构调研次数的标准化处理，衡量不同板块的机构关注度[131] **因子具体构建过程**： 1. 将板块（指数、行业）的近n个交易日的"日均机构调研次数"在滚动y年的历史时间序列上进行z-score标准化 2. 与万得全A的结果作差得到"机构调研活跃度" 3. 计算"机构调研活跃度"的滚动y年历史分位数 4. 长期口径参数：n取126（近半年），滚动窗口为6年 5. 短期口径参数：n取63（近一季度），滚动窗口为3年[131] 4. 因子名称：风险溢价（erp）[50] **因子构建思路**：通过比较股票收益率与债券收益率，衡量权益资产的相对吸引力[50] **因子具体构建过程**： 计算公式：$$erp = \frac{1}{PE_{TTM}} - 10年期中债国债到期收益率$$[50] 其中PE_TTM为滚动市盈率 5. 因子名称：动量因子[62] **因子构建思路**：基于股票过去一段时间的历史收益率构建动量指标[62] **因子具体构建过程**： 动量指标 = 最近一年股票收益率 - 最近一个月股票收益率（剔除涨停板）[62] 6. 因子名称：反转因子[62] **因子构建思路**：基于股票短期反转效应构建反转指标[62] **因子具体构建过程**： 以最近一个月股票收益率作为筛选指标[62] 因子的回测效果 1. 风格相对拥挤度因子[70][74][77] - 成长vs红利相对拥挤度：本周末66%，上周末67%，上年末1%[70] - 小盘vs大盘相对拥挤度：本周末41%，上周末39%，上年末5%[70] - 微盘股vs中证800相对拥挤度：本周末91%，上周末89%，上年末89%[70] 2. 风格表现因子[59][60] - 成长较红利超额：近一周3.0%，近一月-1.4%，年初至今25.6%[59][60] - 小盘较大盘超额：近一周1.6%，近一月-1.1%，年初至今7.5%[59][60] - 微盘股较基金重仓超额：近一周2.7%，近一月8.1%，年初至今52.2%[59][60] - 动量较反转超额：近一周7.5%，近一月0.2%，年初至今24.9%[59][60] 3. 风险溢价（erp）因子[58] - 万得全A erp：本周末2.8%，分位值62%；上周末2.9%，分位值65%[58] - 沪深300 erp：本周末5.3%，分位值64%；上周末5.4%，分位值66%[58] - 创业板 erp：本周末0.7%，分位值87%；上周末0.8%，分位值89%[58] - 中证500 erp：本周末1.3%，分位值74%；上周末1.4%，分位值76%[58] 4. 估值因子（PE_TTM）[48] - 万得全A PE_TTM：本周末21.7，分位值72%；上周末21.3，分位值71%[48] - 沪深300 PE_TTM：本周末13.9，分位值62%；上周末13.9，分位值61%[48] - 中证1000 PE_TTM：本周末46.4，分位值66%；上周末44.8，分位值63%[48] - 创业板 PE_TTM：本周末39.2，分位值31%；上周末37.7，分位值27%[48]

量化模型与构建方式 **1 模型名称：指数成分股调整冲击模型**[2][7][9] - **模型构建思路**：该模型旨在测算因指数成分股定期调整而产生的潜在交易性机会，通过计算个股因调入/调出指数而面临的资金净流入/流出规模，并与其流动性对比来衡量冲击程度[2][5] - **模型具体构建过程**：模型的核心是计算冲击系数（effect），具体步骤如下： - 首先，汇总个股在所有相关指数中因成分股调整（包括调入、调出及权重变化）而产生的买入总规模和卖出总规模[9] - 其次，计算个股的净调整规模，即预计买入规模与预计卖出规模之差[8][9] - 然后，获取个股过去两周的日均成交额作为流动性指标[8][9] - 最后，计算冲击系数，公式如下： $$\mathrm{effect}_{s}={\frac{\sum_{i}^{m}w t_{i n}*i n d e x_{-}s c a l e_{i}-\sum_{i}^{n}w t_{o u t}*i n d e x_{-}s c a l e_{i}}{a v g_{-}a m t_{s}}}$$[7] 其中，`effect_s` 表示股票s的冲击系数，`wt_in` 表示股票在指数中的买入权重，`wt_out` 表示股票在指数中的卖出权重，`index_scale_i` 表示跟踪该指数i的被动产品总规模，`avg_amt_s` 表示股票s过去两周的日均成交额[7][9] - 在权重处理上，对于拟调出个股采用指数公司公布的最新权重，对于拟调入个股则基于自由流通市值测算，并考虑了部分指数的特殊加权方式（如股息率、自由现金流加权）和个股权重上限等规则[9] 模型的回测效果 **1 指数成分股调整冲击模型，预计净调整规模(亿元) 48.65，冲击系数 0.57**[10] **2 指数成分股调整冲击模型，预计净调整规模(亿元) 47.91，冲击系数 1.31**[10] **3 指数成分股调整冲击模型，预计净调整规模(亿元) 34.87，冲击系数 3.37**[10] **4 指数成分股调整冲击模型，预计净调整规模(亿元) 34.75，冲击系数 2.23**[10] **5 指数成分股调整冲击模型，预计净调整规模(亿元) 34.07，冲击系数 0.98**[10] **6 指数成分股调整冲击模型，预计净调整规模(亿元) -56.79，冲击系数 -0.48**[13] **7 指数成分股调整冲击模型，预计净调整规模(亿元) -38.98，冲击系数 -0.20**[13] **8 指数成分股调整冲击模型，预计净调整规模(亿元) -31.25，冲击系数 -0.37**[13]