量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[41][42][44] * **模型构建思路：** 精确预测股指期货合约存续期内，其标的价格指数因成分股分红除息导致的点位自然下滑，以准确计算期货合约的升贴水幅度[12][41] * **模型具体构建过程：** 模型核心是计算从当前时刻t到期货合约到期日T期间，指数所有成分股分红所导致的总分红点数。具体流程如下[41][42][44]： 1. **数据准备：** 获取指数成分股列表及精确的日度权重数据（非月末估算值）[47][48]。 2. **个股分红金额判断：** * 若公司已公布分红金额，则直接采用[44][49]。 * 若未公布，则需预测。分红金额由预测的净利润乘以预测的股息支付率得到，即：分红金额 = 净利润 × 股息支付率[49]。 3. **净利润预测：** 采用基于历史净利润分布的动态预测法[52]。 * 若公司已发布年报、快报或业绩预告，直接采用其数据（业绩预告取上下限均值）[50]。 * 若未发布，则根据其历史季度盈利分布稳定性进行分类预测：盈利稳定的公司按历史规律预测；盈利不稳定的公司采用上年同期值[52]。 4. **股息支付率预测：**[53][55] * 若公司去年分红，则采用去年股息支付率。 * 若去年不分红，则采用最近3年股息支付率平均值。 * 若从未分红，则默认今年不分红。 * 若预测值>100%，进行截尾处理。 5. **除息日预测：** 采用基于历史间隔天数稳定性的线性外推法[53][58]。 * 若已公布除息日，直接采用。 * 若未公布，则根据公司是否已发布预案、所处阶段（预案/决案），利用历史公告日到除息日的间隔天数的稳定性进行线性外推预测。 * 若无可靠历史数据，则根据日历采用默认日期（7月31日、8月31日或9月30日）[58]。 6. **计算总分红点数：** 汇总所有在(t, T]期间内有除息日的成分股的分红贡献。单个成分股的分红点数为：$$\text{分红点数} = \sum_{n=1}^{N} \left[ \frac{\text{成分股分红金额}}{\text{成分股总市值}} \times \text{成分股权重} \times \text{指数收盘价} \right]$$ 其中要求个股除权除息日满足 $t < \tau_n \leq T$[41]。 模型的回测效果 1. **股指分红点位测算模型**，2023年预测误差：上证50指数和沪深300指数误差约5点，中证500指数误差约10点[63] 2. **股指分红点位测算模型**，2024年预测误差：上证50指数和沪深300指数误差约5点，中证500指数误差约10点[63] 量化因子与构建方式 1. **因子名称：年化已实现股息率**[3][17] * **因子构建思路：** 计算指数中已实施现金分红的成分股所带来的股息收益占指数市值的比例[17] * **因子具体构建过程：** $$\text{已实现股息率} = \sum_{i=1}^{N_1} \left[ \frac{\text{成分股i已分红金额}}{\text{成分股i总市值}} \times \text{成分股权重} \right]$$ 其中，$N_1$ 代表指数中已现金分红的公司数量[17] 2. **因子名称：年化剩余股息率**[3][17] * **因子构建思路：** 计算指数中尚未进行现金分红的成分股，其预测分红金额所带来的股息收益占指数市值的比例[17] * **因子具体构建过程：** $$\text{剩余股息率} = \sum_{j=1}^{N_2} \left[ \frac{\text{成分股j预测分红金额}}{\text{成分股j总市值}} \times \text{成分股权重} \right]$$ 其中，$N_2$ 代表指数中尚未现金分红的公司数量[17] 因子的回测效果 1. **年化已实现股息率因子**，截至2025/9/10取值：上证50指数 2.15%[3][17]，沪深300指数 1.75%[3][17]，中证500指数 1.14%[3][17]，中证1000指数 0.85%[3][17] 2. **年化剩余股息率因子**，截至2025/9/10取值：上证50指数 0.61%[3][17]，沪深300指数 0.45%[3][17]，中证500指数 0.17%[3][17]，中证1000指数 0.10%[3][17]

量化模型与构建方式 1. 行业分化度指标 - **指标构建思路**：通过计算行业指数涨幅的离散程度来度量市场结构化特征，作为行业分化度的代理指标[1][12] - **具体构建过程**：计算申万一级行业指数的平均涨幅与中位数涨幅的差异，再计算该差异的20日移动平均值[1][12] - **指标评价**：该指标具有明显的均值回复特征，可用于判断市场极端分化后的反转时机[1][12] 2. 铜的宏观择时模型 - **模型构建思路**：通过宏观打分卡形式构建对铜的择时模型，并应用于有色金属行业指数择时[2][19] - **具体构建过程**：基于全球景气、全球通胀等宏观因子构建评分体系，当宏观评分大于0时，次月配置中证申万有色金属指数，否则配置Wind全A指数[2][19][20] $$ \text{信号} = \begin{cases} \text{配置有色金属指数} & \text{if 宏观评分} > 0 \\ \text{配置Wind全A指数} & \text{otherwise} \end{cases} $$ - **模型评价**：历史回测显示该模型能较好把握有色金属行业的强势行情，具备一定择时能力[20] 3. 行业拥挤度指标 - **指标构建思路**：监测行业交易拥挤程度，识别过度拥挤的行业[3][32] - **具体构建过程**：计算各行业拥挤度指标在滚动3年窗口内的分位数，设置95%作为预警阈值[2][3][32] - **指标评价**：拥挤度指标可用于识别交易结构过度拥挤的风险，提示需要谨慎的行业[2][3][32] 4. 综合配置策略 - **策略构建思路**：结合行业景气度信号和拥挤度指标，构建行业配置组合[4][35] - **具体构建过程**：配置景气上行及景气持平、且拥挤度较低的行业，其中景气持平行业的权重设置为景气上行行业的一半[4][35] $$ w_i = \begin{cases} k & \text{if 景气上行且拥挤度低} \\ 0.5k & \text{if 景气持平且拥挤度低} \\ 0 & \text{otherwise} \end{cases} $$ 其中k为权重调整系数，确保总权重为1 量化因子的回测效果 1. 铜的宏观择时模型 - 回测区间：2009年3月至2025年9月[20] - 相对Wind全A指数超额收益：245%[20] 2. 综合配置策略 - 最近1个月收益：4.6%[35][39] - 相对行业等权指数超额收益：-5.7%[4][35][39] - 相对中证800超额收益：-3.9%[4][35][39] - 最近3个月收益：14.4%[39] - 最近6个月收益：9.5%[39] - 2025年以来收益：12.6%[39] 行业拥挤度监测结果 截至2025年9月5日，拥挤度指标位于95%预警阈值以上的行业：[3][32][34] - 有色金属 - 电子 - 通信 - 机械设备 - 综合 过去1个月内拥挤度指标最大值曾突破95%预警阈值的行业：[3][32] - 美容护理 - 国防军工 - 医药生物

量化模型与构建方式 1. 行业主线模型：相对强弱RSI指标 - 模型构建思路：通过计算行业相对强弱指数（RS），识别年度领涨行业主线[13] - 模型具体构建过程： 1) 以29个申万一级行业指数为配置标的[13] 2) 计算过去20、40、60个交易日的行业涨跌幅横截面排名，得到RS_20、RS_40、RS_60[13] 3) 对三个排名做归一化处理[13] 4) 求三个排名的均值得到最终相对强弱指数：$$RS = \frac{RS_{20} + RS_{40} + RS_{60}}{3}$$[13] - 模型评价：该指标能有效提示年度配置方向，2024年成功识别出高股息、资源品、出海和AI等主线行情[13] 2. 行业景气度-趋势-拥挤度框架 - 模型构建思路：通过景气度、趋势和拥挤度三个维度构建右侧行业配置解决方案[17] - 模型具体构建过程： 1) 行业景气模型：选择高景气+强趋势行业，规避高拥挤行业[17] 2) 行业趋势模型：选择强趋势+低拥挤行业，规避低景气行业[17] 3) 将两个模型并行运行形成最终配置方案[18] - 模型评价：该框架进攻性强且能有效控制风险，持有体验感好[17] 3. 行业ETF配置模型 - 模型构建思路：将行业景气度模型在ETF层面进行落地实施[22] - 模型具体构建过程：基于行业景气度-趋势-拥挤度框架，选择符合条件的行业ETF构建投资组合[22] - 模型评价：该模型在ETF层面实现了良好的超额收益表现[22] 4. 行业景气度选股模型 - 模型构建思路：结合行业配置和个股选择构建复合选股模型[23] - 模型具体构建过程： 1) 根据行业配置模型确定行业权重[23] 2) 使用PB-ROE模型选择行业内估值性价比高的股票（前40%）[23] 3) 按流通市值和PB-ROE打分加权构建最终组合[23] - 模型评价：该模型在选股层面实现了显著的超额收益[23] 5. 左侧库存反转模型 - 模型构建思路：基于赔率-胜率角度挖掘困境反转的行业配置机会[26] - 模型具体构建过程：在当前困境或过去困境有所反弹的板块中，挖掘分析师长期看好且库存压力不大具备补库条件的板块[26] - 模型评价：该模型能有效捕捉补库周期的行业困境反转行情[26] 模型的回测效果 1. 行业景气度-趋势-拥挤度框架 - 年化收益率：22.0%[17] - 超额年化收益率：14.0%[17] - 信息比率(IR)：1.52[17] - 超额最大回撤：-8.0%[17] - 月度胜率：68%[17] - 2023年超额收益：7.3%[17] - 2024年超额收益：5.7%[17] - 2025年超额收益：3.1%[17] 2. 行业ETF配置模型 - 年化超额收益：15.7%（基准中证800）[22] - 信息比率(IR)：1.8[22] - 超额最大回撤：10.8%[22] - 月度胜率：66%[22] - 2023年超额收益：6.0%[22] - 2024年超额收益：5.3%[22] - 2025年超额收益：9.3%[22] 3. 行业景气度选股模型 - 年化收益率：26.7%[23] - 超额年化收益率：20.0%（基准Wind全A）[23] - 信息比率(IR)：1.7[23] - 超额最大回撤：-15.4%[23] - 月度胜率：69%[23] - 2022年超额收益：10.2%[23] - 2023年超额收益：10.4%[23] - 2024年绝对收益：14.6%[23] - 2024年超额收益：4.6%[23] - 2025年超额收益：5.8%[23] 4. 左侧库存反转模型 - 2023年绝对收益：13.4%[26] - 2023年超额收益：17.0%（基准行业等权）[26] - 2024年绝对收益：25.9%[26] - 2024年超额收益：14.8%[26] - 2025年绝对收益：23.8%[26] - 2025年超额收益：5.8%[26] 量化因子与构建方式 1. 相对强弱因子(RS) - 因子构建思路：通过多期涨跌幅排名识别行业相对强弱[13] - 因子具体构建过程： 1) 计算行业过去20、40、60个交易日的涨跌幅[13] 2) 计算横截面排名并归一化处理[13] 3) 求多期排名的平均值[13] 公式：$$RS = \frac{RS_{20} + RS_{40} + RS_{60}}{3}$$[13] 2. 行业景气度因子 - 因子构建思路：衡量行业基本面景气状况[17] - 因子具体构建过程：通过中观行业数据构建综合景气指数[6] 3. 行业趋势因子 - 因子构建思路：衡量行业价格趋势强度[17] - 因子具体构建过程：通过技术指标度量行业趋势状态[17] 4. 行业拥挤度因子 - 因子构建思路：衡量行业交易拥挤程度[17] - 因子具体构建过程：通过交易量、换手率等指标度量行业拥挤状况[17] 5. PB-ROE因子 - 因子构建思路：衡量估值与盈利能力的性价比[23] - 因子具体构建过程：结合市净率和净资产收益率评估股票估值合理性[23] 因子的回测效果 （注：报告中未提供单个因子的具体回测指标数值）

根据提供的融资融券周报内容，该报告主要描述了两融市场概况、行业及标的券的融资融券特征，并未涉及量化模型或量化因子的构建、测试及评价。报告内容聚焦于市场数据统计、排名及风险提示，未包含模型或因子相关的构建思路、具体过程、公式、评价或测试结果。因此，本总结中无量化模型或量化因子相关内容可提取。

量化模型与因子总结 量化因子与构建方式 1 **因子名称**：大小盘风格因子[13] **因子构建思路**：通过市值维度衡量市场风格偏向大盘或小盘[13] **因子具体构建过程**：使用市值加权或特定指数对比来区分大小盘风格表现，具体计算基于不同市值组合的相对收益或风格指数差值[13] 2 **因子名称**：价值成长风格因子[13] **因子构建思路**：通过估值与成长指标区分价值与成长风格[13] **因子具体构建过程**：基于市盈率、市净率等价值指标与营收增长率、盈利增长率等成长指标，构建价值与成长组合的相对收益或风格指数[13] 3 **因子名称**：行业指数超额收益离散度因子[13] **因子构建思路**：衡量不同行业超额收益的分散程度[13] **因子具体构建过程**：计算各行业指数相对于基准指数的超额收益，然后计算这些超额收益的标准差或变异系数[13] $$ \text{离散度} = \sqrt{\frac{1}{N}\sum_{i=1}^{N}(ER_i - \overline{ER})^2} $$ 其中，$ER_i$ 代表行业i的超额收益，$\overline{ER}$ 代表所有行业超额收益的平均值，N为行业数量[13] 4 **因子名称**：行业轮动速度因子[13] **因子构建思路**：度量行业间领涨领跌角色切换的频繁程度[13] **因子具体构建过程**：基于行业收益率的排名变化率或收益率序列的自相关性计算，常用Spearman秩相关系数或行业收益率排名的变动标准差[13] 5 **因子名称**：成分股上涨比例因子[13] **因子构建思路**：反映指数内上涨个股的广度[13] **因子具体构建过程**：计算特定指数中当日上涨股票数量占指数总成分股数量的比例[13] $$ \text{上涨比例} = \frac{\text{上涨股票数量}}{\text{总成分股数量}} $$[13] 6 **因子名称**：前100个股成交额占比因子[13] **因子构建思路**：衡量市场交易集中度于头部个股的程度[13] **因子具体构建过程**：计算成交额前100的股票的总成交额占市场总成交额的比例[13] $$ \text{成交集中度} = \frac{\sum_{j=1}^{100} V_j}{\sum_{k=1}^{M} V_k} $$ 其中，$V_j$ 为第j只股票的成交额，M为市场总股票数[13] 7 **因子名称**：前5行业成交额占比因子[13] **因子构建思路**：衡量市场交易集中度于头部行业的程度[13] **因子具体构建过程**：计算成交额前5的行业的总成交额占市场总成交额的比例[13] 8 **因子名称**：指数波动率因子[13] **因子构建思路**：度量市场价格的波动程度[13] **因子具体构建过程**：通常基于指数日收益率的年化标准差计算[13] $$ \sigma = \sqrt{252} \times \sqrt{\frac{1}{T-1}\sum_{t=1}^{T}(r_t - \bar{r})^2} $$ 其中，$r_t$ 为指数日收益率，$\bar{r}$ 为平均日收益率，T为计算周期[13] 9 **因子名称**：指数换手率因子[13] **因子构建思路**：衡量市场交易活跃程度[13] **因子具体构建过程**：计算市场或指数的日均成交额与流通市值的比率[13] 10 **因子名称**：商品趋势强度因子[26] **因子构建思路**：度量商品期货价格的趋势性强弱[26] **因子具体构建过程**：基于价格移动平均线斜率或特定周期动量指标计算，例如使用均线排列或ADX（平均趋向指数）[26] 11 **因子名称**：商品基差动量因子[26] **因子构建思路**：衡量商品期货期限结构的变化动量[26] **因子具体构建过程**：计算近月合约与远月合约价格差（基差）的变动率或动量[26] 12 **因子名称**：商品波动率因子[26] **因子构建思路**：度量商品期货价格的波动程度[26] **因子具体构建过程**：类似股票波动率因子，基于商品期货收益率的年化标准差计算[26] 13 **因子名称**：商品流动性因子[26] **因子构建思路**：衡量商品期货市场的流动性状况[26] **因子具体构建过程**：通常使用日均成交额、持仓量或买卖价差等指标构建[26] 14 **因子名称**：期权隐含波动率因子[30] **因子构建思路**：从期权价格中提取市场对未来波动率的预期[30] **因子具体构建过程**：使用B-S等期权定价模型，通过期权市场价格反推得出的波动率数值[30] 15 **因子名称**：期权偏度因子[30] **因子构建思路**：度量期权市场隐含概率分布的不对称性[30] **因子具体构建过程**：通过不同行权价的期权隐含波动率曲线计算，常用看跌看涨期权波动率差或风险中性偏度[30] 16 **因子名称**：百元转股溢价率因子[31] **因子构建思路**：衡量可转债价格相对于转换价值的溢价程度[31] **因子具体构建过程**：计算可转债价格除以转换价值减一，转换价值为转股比例乘以正股价格[31] $$ \text{转股溢价率} = \frac{\text{可转债价格}}{\text{转换价值}} - 1 $$[31] 17 **因子名称**：低转股溢价率因子[31] **因子构建思路**：筛选转股溢价率较低的可转债群体[31] **因子具体构建过程**：设定转股溢价率阈值，计算低于该阈值的可转债数量占比或等权组合表现[31] 18 **因子名称**：可转债市场成交额因子[31] **因子构建思路**：衡量可转债市场的交易活跃度[31] **因子具体构建过程**：计算可转债市场日均成交金额或成交额变化率[31] 因子回测效果 1 **大小盘风格因子**，上周表现：风格偏向大盘[13] 2 **价值成长风格因子**，上周表现：风格偏向价值[13] 3 **大小盘风格波动因子**，上周表现：波动上升[13] 4 **价值成长风格波动因子**，上周表现：波动下降[13] 5 **行业指数超额收益离散度因子**，上周表现：行业收益离散度上升[13] 6 **行业轮动速度因子**，上周表现：行业轮动速度上升[13] 7 **成分股上涨比例因子**，上周表现：成分股上涨比例下降[13] 8 **前100个股成交额占比因子**，上周表现：个股成交集中度上升[13] 9 **前5行业成交额占比因子**，上周表现：行业成交集中度持平上期[13] 10 **指数波动率因子**，上周表现：市场波动率上升[13] 11 **指数换手率因子**，上周表现：市场换手率上升[13] 12 **商品趋势强度因子**，上周表现：能化板块趋势强度增加，其余板块趋势强度持平上期[26] 13 **商品基差动量因子**，上周表现：黑色及能化板块基差动量有所上升[26] 14 **商品波动率因子**，上周表现：黑色及贵金属板块波动率上升[26] 15 **商品流动性因子**，上周表现：各板块流动性表现分化[26] 16 **百元转股溢价率因子**，上周表现：企稳，当前处于中间位置[31] 17 **低转股溢价率因子**，上周表现：占比明显回调，低溢价率转债表现相对较佳[31] 18 **可转债市场成交额因子**，上周表现：有一定缩量，不过还保持在健康区间[31]

根据提供的研报内容，以下是关于量化模型与因子的总结： 量化模型与构建方式 1. **模型名称**：私募持股变动估算模型[10] * **模型构建思路**：由于私募基金无需定期披露全部持仓，其持仓数据难以直接获取。该模型旨在通过分析上市公司定期报告（季报）中披露的前十大股东及前十大流通股东数据，来间接估算特定样本池内私募管理人的股票持仓变动情况。[1][9][10] * **模型具体构建过程**： 1. **数据源**：上市公司季报中的前十大股东和前十大流通股东列表（统称“前十大名单”）。[10] 2. **统一口径**：为消除前十大股东列表和流通股东列表计算基数的差异，统一使用持股数量与公司总股本计算持股比例。计算公式为： $$\text{股东持股比例} = \frac{\text{股东持股数量}}{\text{总股本}} \times 100\%$$[10] 3. **变动估算规则**： * 若某私募管理人上期和本期均在某股票的前十大名单内，则其在该股票上的持仓变动可直接计算。[10] * 若股东本期**新进**前十大名单，则其上期持股数量**设为0**。[10][14] * 若股东本期**退出**前十大名单，则其本期持股数量**设为0**。[10][14] 4. **变动计算**：持股比例变动 = 本期估算持股比例 - 上期估算持股比例。[10] 5. **偏差说明**：对于因新进或退出前十大名单而采用估算规则的情况，报告明确指出其估算的持股比例变动幅度（绝对值）可能存在**高估**。对于始终在名单内的，则认为估算“无”偏差。[10][17] * **模型评价**：该模型是一种基于公开数据的间接估算方法，其优势在于提供了观测私募持仓变动的可行视角，但需注意其因数据局限性（仅前十大名单）而可能存在的估算偏差。[10] 模型的回测效果 （注：本篇报告核心内容为基于公开数据的持仓变动统计与估算，并未涉及基于该估算模型的历史回测及相应的绩效指标（如年化收益率、夏普比率、最大回撤、信息比率IR等）展示。报告主要展示了估算得出的当期（2025Q2）持仓变动结果。[3][16][19]） 量化因子与构建方式 （注：本篇报告侧重于对私募持仓的统计描述和变动估算，并未涉及任何量化因子的构建、测试或分析。报告内容不包含量化因子。）[3][12][16] 因子的回测效果 （注：本篇报告未涉及任何量化因子，因此无相关回测效果。）[3][12][16] 其他量化相关统计结果 1. **行业分布变动统计**[12] * **统计方法**：按中信一级行业分类，统计样本池内私募管理人进入股票前十大名单的数量及其季度变化。[12] * **2025Q2结果**：电子(16)、基础化工(12)、医药(12)行业入围股票数量最多。[12] * **季度变动**：相较于2025Q1，2025Q2私募进入食品饮料、轻工制造、建材前十大名单的股票数量增加最多；从电力设备及新能源、国防军工、钢铁前十大名单撤离最多。[12] 2. **个股持仓比例变动TOP20统计**[16][19] * **统计指标**：持股比例变动（估算值）[16][19] * **加仓TOP20**：以持股比例变动降序排列，前列个股包括太极集团(+3.59%)、索菲亚(+1.95%)、天壕能源(+1.68%)等。[16][18] * **减仓TOP20**：以持股比例变动升序排列（即下降最多），前列个股包括百济神州-U(-6.62%)、岱勒新材(-2.79%)、景嘉微(-1.92%)等。[19][20] 3. **重点私募管理人持仓变动透视**[21][23][25][27][28][31] * **统计对象**：迎水、睿郡、冯柳（高毅）、仁桥、葛卫东、聚鸣、盈峰、盘京、大朴、宁泉、邓晓峰（高毅）、高瓴等百亿级主观多头私募管理人。[11] * **统计内容**：详细列出了各家管理人在2025Q2期间重点加仓、减仓及持仓不变的股票列表，包括股票代码、名称、所属行业、当季收益、变动方向、估算的持股比例变动值及潜在偏差说明。[22][24][26][29][30][33] * **统计目的**：展示不同私募管理人的具体调仓行为及行业偏好。[21][23][25][27][28][31]

量化模型与构建方式 1. 模型名称：无；模型构建思路：无；模型具体构建过程：无 量化因子与构建方式 1. 因子名称：封板率因子；因子构建思路：通过计算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，来衡量市场涨停板的稳定性[17]；因子具体构建过程：首先筛选上市满3个月以上的股票，然后统计当日最高价涨停的股票数，再统计其中收盘也涨停的股票数，最后计算比值，公式为：$$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[17] 2. 因子名称：连板率因子；因子构建思路：通过计算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，来衡量市场连续涨停的强度[17]；因子具体构建过程：首先筛选上市满3个月以上的股票，然后统计昨日收盘涨停的股票数，再统计其中今日收盘也涨停的股票数，最后计算比值，公式为：$$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[17] 3. 因子名称：大宗交易折价率因子；因子构建思路：通过计算大宗交易成交金额与当日成交份额总市值的比值减1，来衡量大资金交易的折价水平[26]；因子具体构建过程：收集每日大宗交易数据，包括成交金额和成交份额，然后计算当日成交份额的总市值，最后计算折价率，公式为：$$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[26] 4. 因子名称：年化贴水率因子；因子构建思路：通过计算股指期货基差与指数价格的年化比值，来衡量期货合约的贴水程度[28]；因子具体构建过程：首先获取股指期货主力合约的基差（期货价格减去现货指数价格）和指数价格，然后根据合约剩余交易日数进行年化处理，公式为：$$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[28] 模型的回测效果 无 因子的回测效果 1. 封板率因子，今日取值69%[17] 2. 连板率因子，今日取值16%[17] 3. 大宗交易折价率因子，近半年平均取值6.01%，今日取值7.30%[26] 4. 年化贴水率因子，近一年中位数取值：上证50为0.21%，沪深300为2.38%，中证500为9.51%，中证1000为11.74%；今日取值：上证50为3.45%，沪深300为7.09%，中证500为25.33%，中证1000为26.05%[28]

量化模型与构建方式 1. 模型名称：公募基金持仓风格偏好分析模型 - **模型构建思路**：通过分析公募基金持仓数据，计算其在各类风格因子上的暴露程度，以评估基金的整体风格偏好[6][15] - **模型具体构建过程**： 1. 基金池选择：选取普通股票型基金、偏股混合型基金、灵活配置型基金和增强指数型基金四类产品[6][15] 2. 数据来源：使用基金年报和半年报中的全部持仓数据[6][15] 3. 权重计算：以个股合计持仓市值为权重[6][15] 4. 因子暴露计算：对个股风格因子暴露值加权求和得到公募基金持仓风格偏离[6][15] 5. 分位数计算：计算当前持仓风格偏离在A股全市场的分位数，以及2005年底以来的全市场分位数时间序列的历史分位数[6][15] 6. 具体指标说明： - 全A分位数：个股持仓市值加权的风格因子值之和，位于当期全A所有股票风格因子值的分位数[21] - 历史分位数：计算2005年底以来年报和半年报的全A分位数序列，再对全A分位数历史序列计算一次分位数[21] 2. 模型名称：公募基金持仓宽基指数成分股分布分析模型 - **模型构建思路**：通过计算公募基金持仓中不同宽基指数成分股的占比，来分析基金对市值偏好的变化[41] - **模型具体构建过程**： 1. 成分股分类：将持仓股票按沪深300、中证500和中证1000成分股进行分类[41] 2. 占比计算：分别计算这三类成分股在公募基金总持仓中的占比[41] 3. 长期趋势分析：通过历史数据对比分析市值偏好的变化趋势[41][42] 量化因子与构建方式 1. 因子名称：市值因子 - **因子构建思路**：衡量公募基金对大市值股票的偏好程度[10][21] - **因子具体构建过程**：使用BarraCNE5风险模型中的市值因子暴露值[20] 2. 因子名称：成长因子 - **因子构建思路**：衡量公募基金对高成长性股票的偏好程度[10][21] - **因子具体构建过程**：使用BarraCNE5风险模型中的成长因子暴露值[20] 3. 因子名称：估值因子（账面市值比） - **因子构建思路**：衡量公募基金对估值水平的偏好程度[10][20] - **因子具体构建过程**：使用BarraCNE5风险模型中的账面市值比因子暴露值[20] 4. 因子名称：盈利因子 - **因子构建思路**：衡量公募基金对盈利能力较强股票的偏好程度[10][29] - **因子具体构建过程**：使用BarraCNE5风险模型中的盈利因子暴露值[20] 5. 因子名称：流动性因子 - **因子构建思路**：衡量公募基金对股票流动性的偏好程度[10][30] - **因子具体构建过程**：使用BarraCNE5风险模型中的流动性因子暴露值[20] 6. 因子名称：波动率因子（残差波动） - **因子构建思路**：衡量公募基金对波动性较高股票的偏好程度[10][30] - **因子具体构建过程**：使用BarraCNE5风险模型中的残差波动因子暴露值[20] 7. 因子名称：贝塔因子 - **因子构建思路**：衡量公募基金对市场风险敞口的偏好程度[10][31] - **因子具体构建过程**：使用BarraCNE5风险模型中的贝塔因子暴露值[20] 8. 因子名称：动量因子 - **因子构建思路**：衡量公募基金对长期涨幅较高股票的偏好程度[10][39] - **因子具体构建过程**：使用BarraCNE5风险模型中的动量因子暴露值[20] 9. 因子名称：非线性市值因子 - **因子构建思路**：衡量公募基金对线性市值因子之外的市值效应的偏好程度[10][40] - **因子具体构建过程**：使用BarraCNE5风险模型中的非线性市值因子暴露值[20] 10. 因子名称：杠杆因子 - **因子构建思路**：衡量公募基金对公司杠杆水平的偏好程度[10][40] - **因子具体构建过程**：使用BarraCNE5风险模型中的杠杆因子暴露值[20] 模型的回测效果 1. 公募基金持仓风格偏好分析模型 - 全A分位数：94%（市值因子）[21] - 历史分位数：53%（市值因子）[21] - 全A分位数：79%（成长因子）[21] - 历史分位数：98%（成长因子）[21] - 全A分位数：53%（估值因子）[22] - 历史分位数：78%（估值因子）[22] - 全A分位数：78%（盈利因子）[29] - 历史分位数：63%（盈利因子）[29] - 全A分位数：56%（流动性因子）[30] - 历史分位数：70%（流动性因子）[30] - 全A分位数：68%（波动率因子）[30] - 历史分位数：83%（波动率因子）[30] - 全A分位数：36%（贝塔因子）[31] - 历史分位数：53%（贝塔因子）[31] - 全A分位数：63%（动量因子）[39] - 历史分位数：23%（动量因子）[39] - 全A分位数：13%（非线性市值因子）[40] - 历史分位数：35%（非线性市值因子）[40] - 全A分位数：60%（杠杆因子）[40] - 历史分位数：43%（杠杆因子）[40] 2. 公募基金持仓宽基指数成分股分布分析模型 - 沪深300占比：45.91%（2025年6月30日）[42] - 中证500占比：22.09%（2025年6月30日）[42] - 中证1000占比：16.50%（2025年6月30日）[42] - 三大宽基占比总和：84.50%（2025年6月30日）[42] 因子的回测效果 （注：报告中未提供单个因子的具体测试结果取值，仅提供了基于这些因子构建的模型的测试结果）

量化模型与因子总结 量化因子与构建方式 1. **因子名称**：大买单成交金额占比[7] **因子构建思路**：通过逐笔成交数据还原买卖单数据，筛选大单后计算大买单成交金额占总成交金额的比例，以刻画大资金的买入行为[7] **因子具体构建过程**： - 从逐笔成交数据中提取叫买和叫卖序号，还原为买卖单数据 - 按照每单的成交量筛选得到大单 - 计算大买单的成交金额占当日总成交金额的比例 公式为： $$大买单成交金额占比 = \frac{大买单成交金额}{当日总成交金额} \times 100\%$$ **因子评价**：该因子能够有效识别大资金的买入动向，反映市场主力资金的参与程度 2. **因子名称**：净主动买入金额占比[7] **因子构建思路**：根据逐笔成交数据中的买卖标志区分主动买入和主动卖出行为，计算净主动买入金额占总成交金额的比例，以刻画投资者的主动买入行为[7] **因子具体构建过程**： - 从逐笔成交数据中根据买卖标志界定每笔成交属于主动买入还是主动卖出 - 计算主动买入成交金额与主动卖出成交金额的差值，得到净主动买入金额 - 计算净主动买入金额占当日总成交金额的比例 公式为： $$净主动买入金额占比 = \frac{主动买入成交金额 - 主动卖出成交金额}{当日总成交金额} \times 100\%$$ **因子评价**：该因子能够反映市场的主动买入力量，显示投资者情绪和资金流向 因子回测效果 1. **大买单成交金额占比因子**[8][9][12][13][14][15] 在个股中的应用（20250901-20250905）： - 山东钢铁：指标值87.6%，时序分位数95.9%[9] - 华远控股：指标值86.7%，时序分位数97.1%[9] - 南京医药：指标值86.7%，时序分位数100.0%[9] - 北辰实业：指标值86.7%，时序分位数96.3%[9] - 国创高新：指标值86.7%，时序分位数98.4%[9] 在宽基指数中的应用（5日均值）： - 上证指数：75.0%，分位数71.2%[12] - 上证50：73.2%，分位数90.1%[12] - 沪深300：75.7%，分位数91.8%[12] - 中证500：76.2%，分位数61.3%[12] - 创业板指：75.5%，分位数99.6%[12] 在行业中的应用（中信一级行业，5日均值）： - 煤炭：81.0%，分位数52.7%[13] - 综合：80.1%，分位数79.8%[13] - 银行：79.6%，分位数63.8%[13] - 建筑：79.3%，分位数38.7%[13] - 交通运输：79.0%，分位数20.2%[13] 在ETF中的应用（20250901-20250905）： - 易方达MSCI中国A50互联互通ETF：90.3%，时序分位数78.2%[15] - 广发中证全指医药卫生ETF：90.1%，时序分位数79.0%[15] - 广发中证1000ETF：89.3%，时序分位数29.6%[15] - 华夏中证500ETF：89.2%，时序分位数35.0%[15] - 国泰中证全指家用电器ETF：88.8%，时序分位数77.4%[15] 2. **净主动买入金额占比因子**[10][12][13][16] 在个股中的应用（20250901-20250905）： - 国泰环保：指标值15.5%，时序分位数100.0%[10] - 江南高纤：指标值14.3%，时序分位数99.2%[10] - 东方电缆：指标值13.3%，时序分位数97.1%[10] - 华达科技：指标值13.2%，时序分位数90.5%[10] - 信立泰：指标值12.4%，时序分位数99.2%[10] 在宽基指数中的应用（5日均值）： - 上证指数：3.0%，分位数95.5%[12] - 上证50：0.1%，分位数93.0%[12] - 沪深300：2.6%，分位数95.1%[12] - 中证500：4.7%，分位数94.7%[12] - 创业板指：4.2%，分位数36.6%[12] 在行业中的应用（中信一级行业，5日均值）： - 综合：9.5%，分位数99.2%[13] - 电力设备及新能源：8.9%，分位数7.8%[13] - 基础化工：8.0%，分位数39.5%[13] - 有色金属：6.5%，分位数9.5%[13] - 机械：5.7%，分位数0.4%[13] 在ETF中的应用（20250901-20250905）： - 华夏中证新能源汽车ETF：15.5%，时序分位数100.0%[16] - 鹏华上证科创板50成份增强策略ETF：14.5%，时序分位数98.4%[16] - 富国中证细分化工产业主题ETF：11.9%，时序分位数97.5%[16] - 天弘国证生物医药ETF：10.7%，时序分位数95.1%[16] - 富国中证农业主题ETF：8.4%，时序分位数91.8%[16]

量化模型与构建方式 1. 主动偏股基金高频仓位测算模型 - **模型名称**：主动偏股基金高频仓位测算模型 - **模型构建思路**：基于基金每日披露的净值序列，利用带约束条件的多元回归模型，在基准或其他资产序列组成的自变量中寻找基金仓位的最优估计结果[67] - **模型具体构建过程**： 1. 以基金每日披露的净值序列为因变量 2. 选择基准或构建的其他资产序列作为自变量 3. 采用带约束条件的多元回归模型进行拟合 4. 通过回归系数估计基金仓位 具体计算方式请参阅2022年9月18日发布的报告《国内公募基金费率的发展现状和变化趋势》[67] - **模型评价**：该方法能够相对高频地估算基金仓位，弥补公募基金仓位披露频率较低的不足 2. REITs指数构建模型 - **模型名称**：REITs指数构建模型 - **模型构建思路**：为投资者提供基于指数化投资思想的REITs指数，综合反映REITs市场表现，并提供不同底层资产、项目类型的细分指数[50] - **模型具体构建过程**： 1. 采用分级靠档的方法确保计算指数的份额保持相对稳定 2. 当样本成分名单或样本成分的调整市值出现非交易因素变动时（如新发、扩募等），采用除数修正法保证指数的连续性 3. 考虑到REITs的高分红特性，提供价格指数和全收益指数[50] - **模型评价**：该模型为投资者提供了衡量REITs市场表现和进行资产配置的有效工具 量化因子与构建方式 1. 行业主题基金标签因子 - **因子名称**：行业主题基金标签因子 - **因子构建思路**：通过观察基金在近四期中报/年报的持仓信息，判断其长期的行业主题标签，将基金区分为行业主题基金、行业轮动基金和行业均衡基金[39] - **因子具体构建过程**： 1. 收集基金在近四期中报/年报的持仓信息 2. 根据持仓信息判断基金的行业主题特征 3. 将基金标签区分为行业主题基金、行业轮动基金和行业均衡基金[39] - **因子评价**：该因子为投资者在资产配置、主题投资、产品选择上提供了多样化的支持 2. 多因子ETF分类因子 - **因子名称**：多因子ETF分类因子 - **因子构建思路**：根据ETF的投资策略和风格，将其细分为红利、成长、低波、价值、基本面、质量、现金流、动量等因子类别[64] - **因子具体构建过程**： 1. 根据ETF的投资策略和风格进行分类 2. 细分为红利、成长、低波、价值、基本面、质量、现金流、动量等因子类别[64] - **因子评价**：该因子帮助投资者更精细地识别和选择ETF产品 模型的回测效果 1. 主动偏股基金高频仓位测算模型 - 本周主动偏股基金仓位相较上周上升1.72个百分点[67] 2. REITs指数构建模型 - REITs综合指数本周收益0.16%，累计收益1.10%，年化收益0.26%，最大回撤-42.67%，夏普比率-0.12，年化波动10.68%[52] - 产权类REITs指数本周收益0.41%，累计收益17.21%，年化收益3.84%，最大回撤-46.13%，夏普比率0.18，年化波动13.21%[52] - 特许经营权类REITs指数本周收益-0.25%，累计收益-15.86%，年化收益-4.02%，最大回撤-40.74%，夏普比率-0.60，年化波动9.26%[52] 因子的回测效果 1. 行业主题基金标签因子 - 新能源主题基金本周涨跌幅6.20%[39] - 医药主题基金本周涨跌幅3.80%[39] - 周期主题基金本周涨跌幅1.39%[39] - 行业轮动主题基金本周涨跌幅-0.37%[39] - 行业均衡主题基金本周涨跌幅-0.64%[39] - 消费主题基金本周涨跌幅-0.72%[39] - 金融地产主题基金本周涨跌幅-1.98%[39] - TMT主题基金本周涨跌幅-4.17%[39] - 国防军工主题基金本周涨跌幅-6.80%[39] 2. 多因子ETF分类因子 - 红利因子ETF本周回报-0.51%，近1月回报-0.98%，今年以来回报3.27%[64] - 成长因子ETF本周回报-2.87%，近1月回报16.07%，今年以来回报25.76%[64] - 低波因子ETF本周回报-0.25%，近1月回报4.85%，今年以来回报8.86%[64] - 价值因子ETF本周回报-1.10%，近1月回报4.57%，今年以来回报9.50%[64] - 基本面因子ETF本周回报-1.26%，近1月回报5.41%，今年以来回报7.05%[64] - 质量因子ETF本周回报-0.58%，近1月回报9.54%，今年以来回报23.81%[64] - 现金流因子ETF本周回报-0.55%，近1月回报5.86%[64] - 动量因子ETF本周回报-1.30%，近1月回报20.02%，今年以来回报28.50%[64]