根据提供的金融工程日报内容，以下是总结的量化模型与因子相关内容： 量化模型与构建方式 1. **封板率模型** - 模型构建思路：通过统计最高价涨停且收盘涨停的股票数与最高价涨停的股票数的比值，反映市场涨停股的稳定性[16] - 模型具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月以上的股票，计算当日封板率[16] - 模型评价：封板率下降可能反映市场情绪转弱 2. **连板率模型** - 模型构建思路：通过统计连续两日收盘涨停的股票数与昨日收盘涨停的股票数的比值，反映涨停股的持续性[16] - 模型具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 同样基于上市满3个月的股票样本[16] 3. **大宗交易折价率模型** - 模型构建思路：通过大宗交易成交价与市价的差异反映大资金交易偏好[25] - 模型具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计近半年日均折价率及当日值[25] 4. **股指期货贴水率模型** - 模型构建思路：通过期现价差年化值反映市场预期[27] - 模型具体构建过程： $$年化贴水率=\frac{基差}{指数价格}×\frac{250}{合约剩余交易日数}$$ 计算主力合约贴水率及历史分位数[27] 模型的回测效果 1. 封板率模型：当日值54%，较前日下降19%[16] 2. 连板率模型：当日值23%，较前日下降10%[16] 3. 大宗交易折价率模型：当日值2.79%，近半年均值5.43%[25] 4. 股指期货贴水率模型： - 上证50：8.34%（16%分位）[27] - 沪深300：10.94%（13%分位）[27] - 中证500：19.39%（9%分位）[27] - 中证1000：23.92%（7%分位）[27] 量化因子与构建方式 1. **两融余额因子** - 因子构建思路：通过融资融券余额变化反映杠杆资金动向[18] - 因子具体构建过程：统计融资余额（17990亿）与融券余额（122亿）绝对值及占比[18] 2. **龙虎榜机构净流向因子** - 因子构建思路：通过机构席位买卖净额捕捉主力资金动向[34] - 因子具体构建过程：计算机构专用席位净流入/流出前十个股[34] 3. **陆股通净流向因子** - 因子构建思路：通过北向资金流向反映外资偏好[35] - 因子具体构建过程：统计陆股通净流入/流出前十个股[35] 因子的回测效果 1. 两融余额因子： - 总余额18112亿，占流通市值2.3%[18] - 交易占比8.2%[21] 2. 龙虎榜机构净流向因子： - 净流入前三：天汽模、航天南湖、青岛金王[34] - 净流出前三：三生国健、莱绅通灵、信邦智能[34] 3. 陆股通净流向因子： - 净流入前三：三生国健、百利电气、重庆港[35] - 净流出前三：连云港、国光电器、航天南湖[35]

量化模型与因子总结 量化因子与构建方式 1. **因子名称**：市场交易情绪因子 **因子构建思路**：通过换手率、成交额和威廉变异离散变量指标来刻画全市场交易活跃度[4][12][15] **因子具体构建过程**： - 换手率：计算全A股五日移动平均换手率，转化为过去一年百分位 - 成交额：计算全A股五日移动平均成交额，转化为过去一年百分位 - 威廉变异离散变量：成交量加权的量价指标，将每日开盘与收盘之间的成交量视为有真实意义的成交量，数值越高代表市场交易更活跃[16] **因子评价**：有效捕捉市场整体交易热度，对极端风格行情有预警作用[12][18] 2. **因子名称**：风格交易情绪因子 **因子构建思路**：通过收益分化和拥挤度指标来刻画特定风格的交易情绪[12][27] **因子具体构建过程**： - 收益分化：计算风格指数成分股过去40交易日收益标准差之差[28] - 拥挤度：由四个子因子等权构成： 1. 价格乖离成交量加权：成份股股价与其30日移动均线距离的偏离程度用成交量加权 2. 上涨交易额占比：成份股过去40天内上涨时的交易额之和与指数过去40天总交易额比值 3. 领涨牵引：成份股中过去20交易日上涨8%的个股交易额占比 4. 流通市值换手率：成份股成交金额之和/行业当日有交易的成份股流通市值之和[28] **因子评价**：能够有效识别风格内部交易过热情况，对极端风格行情结束有预警作用[30][35] 3. **因子名称**：风格收益分化因子 **因子构建思路**：通过计算风格内个股收益分化程度来识别极端风格行情结束信号[30] **因子具体构建过程**： - 计算各风格收益分化指标（成分股过去40交易日收益标准差之差） - 转化为过去半年百分位[34] **因子评价**：当收益分化程度到达高位（过去半年百分位高于90%）时，极端风格行情结束的概率较高[30][34] 因子回测效果 1. **市场交易情绪因子** - 成长风格下情绪指标平均拉升幅度：换手率23.0%，成交额35.9%，威廉变异离散变量30.3%[23] - 低估值风格下情绪指标平均拉升幅度：换手率23.2%，成交额-3.8%，威廉变异离散变量-0.1%[23] - 金融风格下情绪指标平均拉升幅度：换手率14.6%，成交额20.2%，威廉变异离散变量3.2%[23] 2. **风格交易情绪因子** - 创业板指拥挤度百分位在极端行情结束时平均从35.0%升至91.2%[42] - TMT拥挤度百分位在极端行情结束时平均从50.0%升至68.3%[30] - 中证红利拥挤度百分位在极端行情结束时平均从11.9%升至95.2%[44] 3. **风格收益分化因子** - 创业板指收益分化百分位在极端行情结束时平均从54.5%升至99.6%[30] - TMT收益分化百分位在极端行情结束时平均从5.8%升至60.0%[30] - 中证红利收益分化百分位在极端行情结束时平均从50.0%升至94.1%[30] 量化模型与构建方式 1. **模型名称**：极端风格区间划分模型 **模型构建思路**：识别市场中出现极端风格收益的区间[7] **模型具体构建过程**： - 定义7种风格：成长（创业板指、TMT）、稳定（中字头央国企）、消费、金融、红利、低估值、盈利质量[7] - 滚动10至60个交易日区间，特定风格较中证全指超额收益在15%及以上则标记为极端风格[8] - 对同起始日、截止日、首尾月份为同一月份的区间保留超额收益最大的区间[7] - 相邻时间区间有重合的，取相邻时间区间的最早日期为起始日、最晚日期为截止日[7] **模型评价**：能够有效捕捉市场极端风格轮动周期[9][10] 2. **模型名称**：风格收敛预测模型 **模型构建思路**：预测极端风格行情结束后的短期风格收敛方式[51] **模型具体构建过程**： - 统计极端风格行情区间和区间截止日至未来10/20个交易日区间中风格收益表现的相关性[52] - 在强势市场中（成交量高、牛市市场），预测短期风格以此前强势风格转为震荡、此前弱势风格补涨为主[54][56] - 在弱势市场或遇重大事件冲击时，预测短期风格以此前强势风格出现明显回调为主[54][64] **模型评价**：能够根据市场环境差异提供有效的短期风格切换预测[55][63] 模型回测效果 1. **极端风格区间划分模型** - 创业板指最长极端风格区间：2012/11/28-2013/10/9，持续315天，超额收益102.71%[10] - TMT最长极端风格区间：2019/11/6-2020/2/25，持续111天，超额收益30.56%[10] - 低估值最长极端风格区间：2021/11/29-2022/4/15，持续137天，超额收益28.80%[10] 2. **风格收敛预测模型** - 强势市场预测准确率：2014-2015年、2019-2020年预测准确率较高[56][63] - 弱势市场预测准确率：2011-2013年、2018年和2021年下半年至2024年上半年预测准确率较高[64][66] - 重大事件冲击预测准确率：2020年初疫情冲击预测准确率较高[68][69]

量化模型与构建方式 1 **模型名称**：环保指数趋势跟踪模型 - **模型构建思路**：基于价格走势的局部延续性假设，通过观察窗口内的价格变动与波动率的关系判断趋势方向[3] - **模型具体构建过程**： 1. 计算T日收盘价与T-20日收盘价的差值： $$del = P_T - P_{T-20}$$ 2. 计算T-20日至T日（不含）的波动率Vol（标准差） 3. 趋势判断规则： - 若|del| > N×Vol（N=1），则认为价格脱离震荡区间，趋势方向与del符号一致（正为多头，负为空头） - 若|del| ≤ N×Vol，则延续T-1日的趋势方向[3] - **模型评价**：在趋势明显阶段表现较好，但盘整期收益平庸且回撤较大，不适合直接用于申万环保指数[4] 模型的回测效果 1 **环保指数趋势跟踪模型**： - 年化收益：16.82% - 年化波动率：24.07% - 夏普比率：0.70 - 最大回撤：27.18% - 指数同期总回报：-4.63%（2023/3/7-2025/3/18）[3] 量化因子与构建方式 （报告中未提及独立因子构建） 因子的回测效果 （报告中未涉及因子测试） 其他关键信息 - **数据预处理**：标的指数（申万一级环保指数）保留原始价格数据[3] - **信号维度**：多空双向操作（理论测试假设）[3] - **参数设置**：观察窗口20日，波动率倍数N=1（针对股票市场波动特性调整）[3]

量化模型与构建方式 1 模型名称：美容护理指数趋势跟踪模型 模型构建思路：基于价格走势的局部延续性假设，通过观察窗口内的价格变动与波动率关系判断趋势方向[3] 模型具体构建过程： - 计算T日收盘价与T-20日收盘价的差值del $$del = P_T - P_{T-20}$$ - 计算T-20日至T日（不含）的波动率Vol $$Vol = \sqrt{\frac{1}{19}\sum_{i=T-19}^{T-1}(P_i - \bar{P})^2}$$ - 信号生成规则：若|del| > 1×Vol则判定趋势形成（多头当del>0，空头当del<0），否则延续T-1日趋势方向[3] 模型评价：对窄幅盘整行情适应性差，在2024年1-6月持续回撤阶段表现不佳[4] 模型的回测效果 1 美容护理指数趋势跟踪模型 区间年化收益：-1.22%[3] 波动率（年化）：30.79%[3] 夏普率：-0.04[3] 最大回撤：39.17%[3] 指数期间总回报率：-33.91%[3] （注：报告中未涉及量化因子相关内容，故不输出因子部分）

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：价值50组合** - 模型构建思路：基于价值风格，选取历史相关性低的价值因子构建高beta弹性的组合[7] - 模型具体构建过程：从国证价值指数成分股中筛选50只股票，通过价值因子（如低市盈率、市净率）加权配置[7] - 模型评价：长期稳健超额收益能力较强，但短期回撤控制一般[4] 2. **模型名称：价值均衡50组合** - 模型构建思路：在价值风格基础上，兼顾风险分散目标，降低组合波动[7] - 模型具体构建过程：对价值因子与波动率因子进行双重加权，优化组合权重分配[7] 3. **模型名称：成长50组合** - 模型构建思路：聚焦成长风格，选取高营收增长、高ROE的股票[7] - 模型具体构建过程：从国证成长指数成分股中筛选50只股票，按成长因子得分加权[7] 4. **模型名称：成长均衡50组合** - 模型构建思路：在成长风格中引入风险平价约束[7] - 模型具体构建过程：对成长因子与波动率因子进行正交化处理，采用分层加权方法[7] 5. **模型名称：小盘50组合** - 模型构建思路：捕捉小盘股溢价效应，选取国证2000指数中市值最小的股票[7] - 模型具体构建过程：按市值倒数加权，并控制行业偏离度[7] 6. **模型名称：小盘均衡50组合** - 模型构建思路：在小盘风格中引入质量因子增强[7] - 模型具体构建过程：综合小盘因子与盈利稳定性因子，采用均值-方差优化框架[7] 模型的回测效果 1. **价值50组合** - 周收益率1.13%，年收益率5.80%[8] - 最大相对回撤2.26%，年化超额收益5.70%[8] 2. **价值均衡50组合** - 周收益率0.32%，年收益率1.55%[8] - 最大相对回撤3.99%，年化超额收益1.45%[8] 3. **成长50组合** - 周收益率1.27%，年收益率0.86%[8] - 最大相对回撤3.61%，年化超额收益2.55%[8] 4. **成长均衡50组合** - 周收益率1.59%，年收益率6.05%[8] - 最大相对回撤6.11%，年化超额收益7.74%[8] 5. **小盘50组合** - 周收益率1.39%，年收益率8.87%[8] - 最大相对回撤6.23%，年化超额收益3.93%[8] 6. **小盘均衡50组合** - 周收益率1.49%，年收益率10.70%[8] - 最大相对回撤4.56%，年化超额收益5.76%[8] 量化因子与构建方式 （注：报告中未明确披露具体因子计算公式，仅描述风格方向） 因子的回测效果 （注：报告中未提供单因子测试结果） 关键数据引用来源： - 模型构建原理[7] - 业绩表现数据[8] - 风格收益对比[4]

根据提供的研报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **因子名称**：大小盘风格因子 **因子构建思路**：通过市场风格分析，区分大盘与小盘股票的表现差异[13] **因子具体构建过程**：基于市值加权计算大小盘股票的相对收益，反映市场风格偏向 **因子评价**：能够有效捕捉市场风格切换的信号 2. **因子名称**：价值成长风格因子 **因子构建思路**：通过估值指标与成长性指标区分价值型与成长型股票[13] **因子具体构建过程**：结合PE、PB等估值指标与营收增长率等成长指标构建复合因子 3. **因子名称**：行业轮动度量因子 **因子构建思路**：量化行业间轮动速度与强度[13] **因子具体构建过程**：计算行业指数超额收益的离散度与轮动速度指标 4. **因子名称**：商品期货趋势强度因子 **因子构建思路**：捕捉商品期货市场的趋势性特征[30] **因子具体构建过程**：通过移动平均线等趋势跟踪指标计算各板块趋势强度 5. **因子名称**：期权隐含波动率差值因子 **因子构建思路**：利用期权市场隐含波动率差异反映市场预期[36] **因子具体构建过程**：计算不同执行价期权隐波差值，构建波动率曲面 因子回测效果 1. **大小盘风格因子** - 上周风格偏向小盘[13] - 风格波动从低位回升[13] 2. **价值成长风格因子** - 上周风格偏向成长[13] - 风格波动从低位回升[13] 3. **行业轮动度量因子** - 行业收益离散度下降[13] - 轮动速度上升[13] 4. **商品期货趋势强度因子** - 能化、黑色板块趋势性延续[30] - 有色、农产品板块趋势性较弱[30] 5. **期权隐含波动率差值因子** - 上证50看涨/看跌期权偏度上升[36] - 中证1000看跌期权偏度上升[36] 注：报告中未提及具体量化模型，主要聚焦于市场环境因子的跟踪与分析。商品市场因子还包括基差动量、波动率等细分指标[30]，期权市场因子包含隐波差值等衍生指标[36]。所有因子均通过历史数据计算得到，并用于监测市场状态变化。

量化模型与构建方式 1. **模型名称：美元流动性扩散指数** - **模型构建思路**：结合数量维度和价格维度构建全面美元流动性刻画体系，通过五个指标（净流动性、联储信用支持、预期引导、市场隐含、公告意外）的等权平均得分反映流动性状态[4][6]。 - **模型具体构建过程**： 1. **数量维度**： - 净流动性 = 总资产 - TGA - 逆回购，反映市场真实可用资金[2][12]。 - 联储信用支持 = (中长期国债 + 联邦机构债券 + MBS) / (流通现金 + 准备金 + 逆回购)，基于抵押品质量衡量信用支持强度[15][17]。 2. **价格维度**： - 预期引导：基于彭博Fed Sentiment指数，通过NLP分析联储官员新闻情绪，计算平滑后季度差分方向[21][25]。 - 市场隐含：从联邦基金利率期货价格推算隐含加息幅度，公式为 $$隐含利率 = 100 - 期货价格$$，再计算季度差分方向[28][29]。 - 公告意外：使用3个月后到期的联邦基金利率期货在会议前后30分钟价格变化，识别超预期宽松或收紧信号[30][32]。 3. **综合得分**：每个指标方向（宽松+1，收紧-1）等权平均，得到美元流动性指数[33][34]。 - **模型评价**：对多数资产具有显著区分效果，尤其在极端收紧时能预警风险，美股择时策略年化超额收益达5.1%~7.2%[37][38]。 --- 量化因子与构建方式 1. **因子名称：净流动性** - **因子构建思路**：剔除TGA和逆回购干扰，直接反映市场可用资金量[2][7]。 - **因子具体构建过程**： - 计算 $$净流动性 = 总资产 - TGA - 逆回购$$，对应负债端的流通现金和准备金[5][9]。 - 通过平滑后的季度差分方向判断扩张（+1）或收缩（-1）[12][13]。 2. **因子名称：联储信用支持** - **因子构建思路**：通过抵押品等级划分（D/C1/C2）衡量联储对信用风险的干预[14][16]。 - **因子具体构建过程**： - 计算 $$联储信用支持 = \frac{中长期国债 + 联邦机构债 + MBS}{流通现金 + 准备金 + 逆回购}$$[15][17]。 - 平滑后同比差分方向为正表示信用支持增强[17][18]。 3. **因子名称：Fed Sentiment指数** - **因子构建思路**：捕捉联储官员高频言论中的政策倾向[21][22]。 - **因子具体构建过程**： - 基于NLP对新闻文本打分（极度鸽派至极度鹰派5档），计算每日情绪总分[22][23]。 - 平滑后季度差分方向反映边际变化[25][26]。 4. **因子名称：联邦基金期货隐含利率** - **因子构建思路**：通过期货价格反推市场对加息的隐含预期[28][29]。 - **因子具体构建过程**： - 公式 $$隐含利率 = 100 - 期货价格$$，关注下一次会议预期变化[28][29]。 5. **因子名称：公告意外** - **因子构建思路**：捕捉会议决策中未被定价的意外冲击[30][32]。 - **因子具体构建过程**： - 计算3个月后到期的联邦基金利率期货在会议前后30分钟价格变化[30][31]。 --- 模型的回测效果 1. **美元流动性扩散指数** - **年化超额收益（标普500）**：5.1%[37]。 - **最大回撤降低**：15%（标普500）、31%（纳指100）[37][38]。 - **夏普比率提升**：0.65（标普500择时） vs. 0.39（基准）[37]。 --- 因子的回测效果 1. **净流动性** - **扩张区间资产超额收益**：标普500年化超额6.8%[13]。 2. **联储信用支持** - **增强区间夏普比率**：标普500为1.25 vs. 减弱区间0.75[18]。 3. **Fed Sentiment指数** - **鸽派区间标普500收益**：年化15.5% vs. 鹰派区间5.2%[24]。 4. **公告意外** - **超预期宽松后60日美债收益**：1.2% vs. 收紧区间-0.4%[31]。 5. **市场隐含利率** - **宽松区间标普500超额**：25% vs. 收紧区间5%[27]。

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**：行业拥挤度监测模型 - **构建思路**：通过监测申万一级行业指数的交易拥挤程度，识别短期过热或低估的行业[4] - **具体构建过程**： 1. 计算行业指数的滚动历史分位数（如30日窗口），衡量交易活跃度与历史水平的偏离 2. 结合主力资金净流入数据，验证拥挤度的持续性 3. 输出每日行业拥挤度热力图，标注高拥挤（如纺织服饰、美容护理）与低拥挤行业（如传媒、电子）[4][12] - **模型评价**：能够有效捕捉短期市场情绪极端值，但需结合资金流向数据避免误判 2. **模型名称**：溢价率Z-score模型（ETF套利信号） - **构建思路**：通过ETF溢价率的标准化分数筛选潜在套利机会[5] - **具体构建过程**： 1. 计算ETF的IOPV（参考净值）溢价率： $$溢价率 = \frac{ETF市价 - IOPV}{IOPV} \times 100\%$$ 2. 滚动计算溢价率的Z-score： $$Z = \frac{当前溢价率 - 滚动均值}{滚动标准差}$$ 3. 设定阈值（如Z>2）触发关注信号[5][16] - **模型评价**：需警惕市场流动性不足导致的套利风险 --- 模型的回测效果 1. **行业拥挤度监测模型**： - 高拥挤行业（如美容护理）近30日拥挤度达99%[12] - 低拥挤行业（如传媒）拥挤度仅17%[12] 2. **溢价率Z-score模型**： - 触发信号的ETF包括储能电池50ETF（159305.SZ）、工业母机ETF（159667.SZ）等[16] --- 量化因子与构建方式 1. **因子名称**：主力资金净流入因子 - **构建思路**：监测主力资金对行业的短期配置方向[4][15] - **具体构建过程**： 1. 统计申万一级行业指数的单日及多日主力资金净流入额 2. 计算滚动窗口（如3日）的净流入合计值 3. 结合行业拥挤度判断资金背离或共振[15] - **因子评价**：对短期行业轮动有较强解释力 2. **因子名称**：ETF资金流动因子 - **构建思路**：跟踪宽基/行业/跨境ETF的资金动向[6][7] - **具体构建过程**： 1. 按ETF类别（宽基、行业主题等）分类统计日净流入TOP3 2. 计算资金流动的持续性（如科创50ETF连续净流入）[6] --- 因子的回测效果 1. **主力资金净流入因子**： - 近3日主力资金增配煤炭（+4.28亿元）、美容护理（+2.63亿元）[15] - 减配计算机（-129.02亿元）、电子（-97.32亿元）[15] 2. **ETF资金流动因子**： - 宽基ETF单日净流出26.91亿元（上证50ETF净流出4.86亿元）[6] - 跨境ETF单日净流入4.88亿元（恒生科技ETF净流入2.97亿元）[6] --- 注：所有数据引用自研报中的具体图表及描述[4][5][6][12][15][16]

量化模型与构建方式 1. **模型名称**：煤炭指数趋势跟踪模型 - **模型构建思路**：基于标的价格走势的局部延续性假设，通过观察窗口内的价格变动与波动率关系判断趋势方向[3] - **模型具体构建过程**： 1. 计算T日收盘价与T-20日收盘价的差值： $$ del = P_T - P_{T-20} $$ 2. 计算T-20日至T日（不含）的波动率（Vol），采用标准差或ATR等指标[3] 3. 趋势判断规则： - 若$|del| > N \times Vol$，则趋势方向为del的正负符号（N=1）[3] - 否则延续T-1日的趋势方向[3] - **模型评价**：在窄幅盘整或剧烈反转行情中表现较差，年化收益为负且回撤较大[4] --- 模型的回测效果 1. **煤炭指数趋势跟踪模型**： - 区间年化收益：-8.01%[3] - 波动率（年化）：22.67%[3] - 夏普比率：-0.35[3] - 最大回撤：22.79%[3] - 指数期间总回报率：-8.75%[3] --- 量化因子与构建方式 （报告中未提及独立因子构建） --- 因子的回测效果 （报告中未提及独立因子测试结果） --- 其他关键信息 - **作用标的**：申万一级煤炭指数[3] - **数据预处理**：保留原值[3] - **跟踪区间**：2023年3月7日-2025年3月18日[3] - **策略适用性**：不适用于煤炭指数直接交易，因净值下降期占比高且回撤显著[4]

量化模型与构建方式 1. **模型名称**：石油石化指数趋势跟踪模型 - **模型构建思路**：模型假设标的价格走势具有局部延续性，趋势持续时间大于反转行情持续时间，窄幅盘整时延续原有趋势。通过观察窗口内的价格变动方向与波动率的关系判断趋势方向[3] - **模型具体构建过程**： 1. 计算T日收盘价与T-20日收盘价的差值：$$del = P_T - P_{T-20}$$ 2. 计算T-20日至T日（不含）的波动率Vol（标准差） 3. 趋势判断规则： - 若$$|del| > N \times Vol$$，则形成新趋势，方向与del符号一致（N=1） - 否则延续T-1日趋势方向[3] - **模型评价**：模型在测试区间内持续回撤，净值下降明显，不适合直接用于申万石油石化指数[4] 模型的回测效果 1. **石油石化指数趋势跟踪模型**： - 年化收益：-24.35% - 波动率（年化）：19.77% - 夏普比率：-1.23 - 最大回撤：44.48% - 指数总回报率：-6.61%[3] （注：报告中未涉及量化因子相关内容，故跳过该部分）