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]

根据提供的研报内容，这是一篇关于A股市场网下打新策略的定期跟踪报告，核心内容是测算和展示不同类别账户在不同规模下的理论打新收益率。报告中没有涉及传统的多因子选股模型或阿尔法因子，其核心是构建了一个**打新收益测算模型**。 量化模型与构建方式 1. **模型名称**：打新收益测算模型[11][40][42][45][49] * **模型构建思路**：通过假设性的条件（如全部报价入围、全部顶格申购、上市首日以特定价格卖出），来测算不同类别（A类/B类）、不同资产规模（如1.5亿、2亿、3亿、5亿、10亿）的账户，在参与科创板、创业板及主板新股网下申购后所能获得的理想化收益和收益率。[11][40][42][45][49] * **模型具体构建过程**： * **步骤一**：确定测算范围，包括时间范围（如2024年至今、2025年至今）、股票范围（所有主板、科创板、创业板新股）和账户类别（A类、B类）。[11][42][45][49] * **步骤二**：设定关键假设。 * 假设对所有新股均成功报价并入围。[42][45][49] * 假设均按“可申购上限额度”进行顶格申购。[40] * 假设资金使用效率为90%。[42][45][49] * 卖出价格假设为“首次开板日均价”或“上市首日市场均价”。[11][40][42] * **步骤三**：计算单只股票的“满中收益”。[40] * 单只股票A类满中数量 = 该股票可申购上限额度 × 该股票的网下A类平均中签率[40] * 单只股票满中收益 = (首次开板价 - 首发价格) × 满中数量[40] * **步骤四**：计算不同规模账户的单只股票实际打新收益。由于账户规模可能小于顶格申购所需市值，实际获配数量会受规模限制，报告通过分规模（1.5亿, 2亿, 3亿, 5亿, 10亿）列表展示了这一结果。[42] * **步骤五**：计算累计打新收益及收益率。将测算时间段内所有新股的打新收益相加，得到总收益，再除以账户规模，得到打新收益率。[11][45][46][49][51] * 累计打新收益 = Σ(单只股票打新收益) * 打新收益率 = 累计打新收益 / 账户规模 模型的回测效果 报告展示了该测算模型在不同维度下的历史回测结果（单位：万元收益及百分比收益率）。 1. **A类户打新收益表现（所有板块）**[46] * **1.5亿规模**：2024年至今收益率6.43%，2025年至今收益率2.32% * **2亿规模**：2024年至今收益率5.82%，2025年至今收益率2.09% * **3亿规模**：2024年至今收益率4.57%，2025年至今收益率1.63% * **5亿规模**：2024年至今收益率3.06%，2025年至今收益率1.11% * **10亿规模**：2024年至今收益率1.65%，2025年至今收益率0.65% 2. **B类户打新收益表现（所有板块）**[51] * **1.5亿规模**：2024年至今收益率5.25%，2025年至今收益率2.09% * **2亿规模**：2024年至今收益率4.81%，2025年至今收益率1.89% * **3亿规模**：2024年至今收益率3.83%，2025年至今收益率1.48% * **5亿规模**：2024年至今收益率2.61%，2025年至今收益率1.01% * **10亿规模**：2024年至今收益率1.42%，2025年至今收益率0.59% 3. **A类户分市场打新收益表现（2025年至今收益率）** * **科创板**[45]：2亿规模收益率0.51%，10亿规模收益率0.20% * **创业板**[47]：2亿规模收益率1.01%，10亿规模收益率0.23% * **主板**[48]：2亿规模收益率0.58%，10亿规模收益率0.22% 4. **B类户分市场打新收益表现（2025年至今收益率）** * **科创板**[52]：2亿规模收益率0.49%，10亿规模收益率0.19% * **创业板**[53]：2亿规模收益率0.90%，10亿规模收益率0.21% * **主板**[54]：2亿规模收益率0.50%，10亿规模收益率0.20% 5. **近期新股表现** * **上市首日平均涨幅**：科创板个股为218.45%，创业板个股为222.39%。[1][21] * **有效报价账户数量中位数**： * 科创板：A类约3062户，B类约1602户。[2][22] * 创业板：A类约3728户，B类约2098户。[2][22] * 主板：A类约3972户，B类约2346户。[2][22]

量化模型与构建方式 1 扩散指数行业轮动模型 - **模型名称**：扩散指数行业轮动模型[3][25][26] - **模型构建思路**：基于价格动量原理，通过计算行业扩散指数来捕捉行业趋势，选择扩散指数排名靠前的行业进行配置[26][38] - **模型具体构建过程**： 1. 计算每个中信一级行业的扩散指数，扩散指数反映了行业价格动量的强度[27] 2. 具体计算公式未在报告中明确给出，但通常扩散指数基于价格突破特定阈值（如过去N日高点）的股票比例计算，形式可能为： $$ DI_i = \frac{1}{N} \sum_{j=1}^{N} I(P_{j,t} > P_{j,t-k}) $$ 其中，$DI_i$ 表示行业i的扩散指数，$P_{j,t}$ 表示行业i中股票j在时间t的价格，$I(\cdot)$ 为指示函数，k为回溯期[27] 3. 每月末选择扩散指数排名前六的行业作为下月配置组合[26][30] - **模型评价**：在趋势性行情中表现较好，但在市场反转时可能失效[26][38] 2 GRU因子行业轮动模型 - **模型名称**：GRU因子行业轮动模型[3][33][34] - **模型构建思路**：基于分钟频量价数据，通过GRU（门控循环单元）深度学习网络生成行业因子，捕捉短期交易信号[33][39] - **模型具体构建过程**： 1. 输入分钟频量价数据到GRU网络中进行训练[39] 2. GRU网络输出各行业的因子值，因子值高低代表看涨程度[34][36] 3. 每周根据GRU因子排名选择前六的行业作为配置组合[34][37] 4. 具体网络结构和训练细节未在报告中给出[39] - **模型评价**：在短周期表现较好，长周期表现一般，极端行情下可能失效[39] 模型的回测效果 1 扩散指数行业轮动模型 - 2025年以来超额收益：2.14%[3][25][30] - 2024年超额收益：-5.82%[26] - 2023年超额收益：-4.58%[26] - 2022年超额收益：6.12%[26] 2 GRU因子行业轮动模型 - 2025年以来超额收益：-6.98%[33][37] - 2021年以来凭借交易信息获取较大超额收益[33] 量化因子与构建方式 1 行业扩散指数因子 - **因子名称**：行业扩散指数[27][30] - **因子构建思路**：衡量行业内部价格动量的扩散程度，值越高代表趋势越强[27][38] - **因子具体构建过程**： 1. 对每个中信一级行业，计算其成分股中价格突破过去一定期间高点的股票比例[27] 2. 报告未给出具体计算公式，但行业扩散指数值介于0-1之间[27] 2 GRU行业因子 - **因子名称**：GRU行业因子[34][36] - **因子构建思路**：通过GRU深度学习网络从分钟频量价数据中提取行业看涨信号[34][39] - **因子具体构建过程**： 1. 使用GRU网络处理分钟频数据[39] 2. 输出各行业的因子值，因子值可正可负，正值越大代表看涨信号越强[34][36] 因子的回测效果 （报告中未提供因子单独的测试结果，仅提供了基于因子构建的模型的回测效果）

量化模型与因子总结 量化因子与构建方式 1. **因子名称**：Barra风格因子[15]；**因子构建思路**：基于多维度市场特征构建系统化的风格因子体系[15]；**因子具体构建过程**： * **Beta因子**：计算股票的历史beta值[15] * **市值因子**：对股票的总市值取自然对数[15] * **动量因子**：计算股票历史超额收益率序列的均值[15] * **波动因子**：通过加权计算历史波动率，公式为 $$0.74 \times 历史超额收益率序列波动率 + 0.16 \times 累积超额收益率离差 + 0.1 \times 历史残差收益率序列波动率$$[15] * **非线性市值因子**：计算市值风格的三次方[15] * **估值因子**：使用市净率的倒数[15] * **流动性因子**：通过加权不同时间维度的换手率计算，公式为 $$0.35 \times 月换手率 + 0.35 \times 季换手率 + 0.3 \times 年换手率$$[15] * **盈利因子**：综合多种盈利指标，公式为 $$0.68 \times 分析师预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率ttm倒数$$[15] * **成长因子**：综合多种增长指标，公式为 $$0.18 \times 分析师预测长期盈利增长率 + 0.11 \times 分析师预测短期利率增长率 + 0.24 \times 盈利增长率 + 0.47 \times 营业收入增长率$$[15] * **杠杆因子**：综合多种杠杆指标，公式为 $$0.38 \times 市场杠杆率 + 0.35 \times 账面杠杆 + 0.27 \times 资产负债率$$[15] 2. **因子名称**：GRU因子[3][4][5][6][20][22][26][29]；**因子构建思路**：基于门控循环单元（GRU）神经网络模型构建的预测因子[3][4][5][6][20][22][26][29]；**因子具体构建过程**：报告中提及了多个GRU模型变体，包括barra1d, barra5d, close1d, open1d模型，但未详细描述其具体构建过程和输入特征[3][4][5][6][20][22][26][29][33][34] 3. **因子名称**：多因子组合[7][33][34]；**因子构建思路**：综合多个因子构建的组合[7][33][34]；**因子具体构建过程**：未详细描述具体融合了哪些因子以及加权方式[7][33][34] 4. **因子名称**：基本面因子（全市场）[3][20]；**因子构建思路**：基于公司财务数据（TTM方式计算）构建[19]；**因子具体构建过程**：因子在测试前进行了行业中性化处理，具体指标包括静态财务因子、增长类因子、超预期增长类因子等，但未给出具体计算公式[3][19][20] 5. **因子名称**：技术类因子（全市场）[3][20]；**因子构建思路**：基于价量数据构建[3][20]；**因子具体构建过程**：因子在测试前进行了行业中性化处理，具体指标包括长期波动因子、动量因子等，但未给出具体计算公式[3][19][20][21] 6. **因子名称**：基本面因子（沪深300）[4][22]；**因子构建思路**：在沪深300成分股内，基于公司财务数据构建[4][22]；**因子具体构建过程**：因子在测试前进行了行业中性化处理，具体指标包括估值类因子（如市盈率）、超预期增长因子（如营业利润率超预期增长）、静态财务因子（如营业利润率）等，但未给出具体计算公式[4][19][22][23] 7. **因子名称**：技术类因子（沪深300）[4][22]；**因子构建思路**：在沪深300成分股内，基于价量数据构建[4][22]；**因子具体构建过程**：因子在测试前进行了行业中性化处理，具体指标包括中短期动量因子、长期动量因子、波动因子等，但未给出具体计算公式[4][19][22][24] 8. **因子名称**：基本面因子（中证500）[5][25]；**因子构建思路**：在中证500成分股内，基于公司财务数据构建[5][25]；**因子具体构建过程**：因子在测试前进行了行业中性化处理，具体指标包括静态财务因子、增长类因子、超预期增长类因子等，但未给出具体计算公式[5][19][25] 9. **因子名称**：技术类因子（中证500）[5][26]；**因子构建思路**：在中证500成分股内，基于价量数据构建[5][26]；**因子具体构建过程**：因子在测试前进行了行业中性化处理，具体指标包括动量因子等，但未给出具体计算公式[5][19][26][27] 10. **因子名称**：基本面因子（中证1000）[6][28]；**因子构建思路**：在中证1000成分股内，基于公司财务数据构建[6][28]；**因子具体构建过程**：因子在测试前进行了行业中性化处理，具体指标未详细说明[6][19][28][30] 11. **因子名称**：技术类因子（中证1000）[6][29]；**因子构建思路**：在中证1000成分股内，基于价量数据构建[6][29]；**因子具体构建过程**：因子在测试前进行了行业中性化处理，具体指标包括动量因子、波动因子等，但未给出具体计算公式[6][19][29][31] 因子回测效果（多空收益） **测试设置**：选股范围为万得全A，剔除st、*st、停牌不可交易、以及上市不满120日的股票[16][19]。多空组合每个月月末在选股范围内按照最新一期因子做多因子值最大10%的股票，做空因子值最小10%的股票，等权配置[16][19]。所有因子在测试前进行了行业中性化处理[19]。 1. **Barra风格因子**（最近一周多空收益）[17]： * 中值: -6.97% * 非线性市值: 6.44% * 流动性: -4.14% * 动量: 3.59% * Beta: 40.88% * 波动: 0.86% * 盈利: -0.27% * 成长: 0.74% * 杠杆: 0.78% * 估值: 2.05% 2. **技术类因子**（全市场，最近一周多空收益）[21]： * 60日动量（反向）: -2.91% * 120日动量（反向）: -2.66% * 中位数离差（反向）: -2.45% * 20日动量（反向）: -2.07% * 20日波动（反向）: -1.80% * 60日波动（反向）: -1.36% * 120日波动（反向）: 0.51% 3. **GRU因子**（全市场，最近一周多空收益）[20]： * barra1d模型: 有所回撤（未给出具体值） * barra5d模型: > 4% * close1d模型: > 4% 4. **基本面因子**（沪深300，最近一周多空收益）[23]： * 市盈率（反向）: -3.65% * 营业利润率超预期增长（正向）: 2.51% * 营业利润率增长（反向）: -2.49% * 营业周转率（反向）: -2.39% * roc（反向）: -2.19% * roa超预期增长（正向）: -1.65% * 净利润超预期增长（正向）: -1.57% * 市销率（反向）: -1.09% * roc超预期增长（正向）: -0.86% * 营业利润率（反向）: -0.25% * EOI（反向）: -0.07% * roa增长（正向）: 0.87% * roe 增长（反向）: 0.96% 5. **技术类因子**（沪深300，最近一周多空收益）[24]： * 60日波动（反向）: -2.12% * 中位数离差（正向）: -1.95% * 20日波动（反向）: -1.56% * 120日动量（正向）: -0.96% * 120日波动（反向）: -0.59% * 60日动量（反向）: 0.72% * 20日动量（正向）: 1.07% 6. **GRU因子**（沪深300，最近一周多空收益）[22]： * barra5d模型: > 4% * close1d模型: > 5% 7. **技术类因子**（中证500，最近一周多空收益）[27]： * 中位数离差（反向）: -1.00% * 120日波动（反向）: -0.62% * 60日动量（反向）: -0.10% * 60日波动（反向）: 0.57% * 20日动量（正向）: 1.91% * 20日波动（反向）: 1.93% * 120日动量（正向）: 2.15% 8. **GRU因子**（中证500，最近一周多空收益）[26]： * 各模型: 正向多空收益 * close1d模型: > 6% 9. **技术类因子**（中证1000，最近一周多空收益）[31]： * 60日动量（反向）: -3.66% * 20日波动（反向）: -3.56% * 120日动量（反向）: -3.55% * 中位数离差（反向）: -3.18% * 60日波动（反向）: -2.96% * 120日波动（反向）: -2.89% * 20日动量（反向）: -2.81% 10. **GRU因子**（中证1000，最近一周多空收益）[29]： * barra1d模型: 略有回撤（未给出具体值） * barra5d模型: > 5% * close1d模型: > 5% 模型回测效果（多头组合超额收益） **测试设置**：选股池为万得全A，剔除st、*st、停牌不可交易、以及上市不满180日的股票[32]。业绩比较基准为中证1000指数[32]。月度调仓，双边千3手续费，个股权重上限千2，风格偏离0.5标准差，行业偏离0.01[32]。 1. **GRU open1d模型**[34]： * 近一周: 0.98% * 近一月: -1.83% * 近三月: -1.19% * 近六月: 4.38% * 今年以来: 5.23% 2. **GRU close1d模型**[34]： * 近一周: 1.20% * 近一月: -3.43% * 近三月: -2.02% * 近六月: 2.65% * 今年以来: 3.12% 3. **GRU barra1d模型**[34]： * 近一周: 0.23% * 近一月: 1.02% * 近三月: 1.20% * 近六月: 2.33% * 今年以来: 4.63% 4. **GRU barra5d模型**[34]： * 近一周: 1.47% * 近一月: -2.56% * 近三月: -1.02% * 近六月: 4.41% * 今年以来: 5.66% 5. **多因子组合**[34]： * 近一周: 0.50% * 近一月: -2.18% * 近三月: -2.56% * 近六月: 2.17% * 今年以来: -0.08%

量化模型与构建方式 1. 微盘股择时与轮动模型 - **模型名称**：微盘股择时与轮动模型 - **模型构建思路**：通过监控微盘股相对茅指数的相对净值、动量斜率以及风险指标（十年期国债收益率和波动率拥挤度），实现大小盘风格择时和轮动[15][18] - **模型具体构建过程**： - 大小盘轮动指标：计算微盘股/茅指数相对净值，当高于其243日均线时倾向投资微盘股，反之投资茅指数；结合微盘股与茅指数的20日收盘价斜率，当二者方向相反且一方为正时，选择投资斜率为正的指数[15] - 择时指标：基于十年期国债到期收益率（阈值30%）和微盘股波动率拥挤度（阈值55%），任一指标触及阈值则发出平仓信号[18] - **模型评价**：能够有效捕捉风格切换，中期系统性风险可控，但短期需警惕高波动风险[19] 2. 宏观择时策略模型 - **模型名称**：宏观择时策略模型 - **模型构建思路**：基于经济增长和货币流动性两类宏观事件的动态信号，合成权益资产配置观点[41] - **模型具体构建过程**： - 经济增长信号强度：100%（截至2025年9月）[41] - 货币流动性信号强度：50%（截至2025年9月）[41] - 合成股票仓位：75%（中性偏多观点）[41][42] - **模型评价**：中期配置视角有效，但需注意政策与市场环境变化风险[41] 量化因子与构建方式 1. 大类选股因子 - **因子分类**：一致预期、市值、成长、反转、质量、技术、价值、波动率[47][60][61] - **因子构建思路**：从多个维度（如估值、成长性、市场行为等）构建细分因子，用于选股模型[60][61] - **因子具体构建过程**（部分关键因子）： - 市值因子（↓）： $$LN\_MktCap = \ln(流通市值)$$[60] - 价值因子（↑）： $$BP\_LR = \frac{最新年报账面净资产}{最新市值}$$[60] $$EP\_FTTM = \frac{未来12个月一致预期净利润}{最新市值}$$[60] - 成长因子（↑）： $$NetIncome\_SQ\_Chg1Y = \frac{单季度净利润}{去年同期单季度净利润} - 1$$[60] - 一致预期因子（↑）： $$TargetReturn\_180D = \frac{一致预期目标价}{当前股价} - 1$$[61] - 技术因子（↓）： $$Volume\_Mean\_20D\_240D = \frac{20日成交量均值}{240日成交量均值}$$[61] - 波动率因子（↓）： $$Volatility\_60D = \sigma(60日收益率)$$[61] - 反转因子（↓）： $$Price\_Chg20D = \frac{当前收盘价}{20日前收盘价} - 1$$[61] 2. 可转债择券因子 - **因子分类**：正股一致预期、正股成长、正股财务质量、正股价值、转债估值[57] - **因子构建思路**：从正股基本面与转债估值角度构建因子，用于可转债择券[57] - **因子具体构建过程**： - 正股因子：基于正股与可转债的相关性，从预测正股的因子迁移构建[57] - 转债估值因子：使用平价底价溢价率等指标[57] 模型的回测效果 1. 宏观择时策略模型 - 年初至今收益率：11.75%[41] - 同期基准（Wind全A）收益率：22.98%[41] - 信息比率（IR）：未提供 - 最大回撤：未提供 因子的回测效果 1. 大类选股因子（截至2025年9月5日） IC均值（上周）[47] - 一致预期因子：全部A股 -4.58%，沪深300 5.86%，中证500 -0.06%，中证1000 -1.70% - 市值因子：全部A股 20.93%，沪深300 12.80%，中证500 19.09%，中证1000 19.10% - 成长因子：全部A股 -4.02%，沪深300 -12.54%，中证500 -9.33%，中证1000 -7.03% - 反转因子：全部A股 10.99%，沪深300 8.85%，中证500 13.90%，中证1000 21.17% - 质量因子：全部A股 -3.81%，沪深300 -9.53%，中证500 4.34%，中证1000 -10.17% - 技术因子：全部A股 11.11%，沪深300 13.34%，中证500 12.94%，中证1000 17.07% - 价值因子：全部A股 8.58%，沪深300 8.65%，中证500 18.71%，中证1000 20.23% - 波动率因子：全部A股 10.44%，沪深300 1.18%，中证500 10.69%，中证1000 18.15% 多空收益（今年以来）[47] - 一致预期因子：全部A股 11.96%，沪深300 2.89%，中证500 15.57%，中证1000 17.23% - 市值因子：全部A股 36.13%，沪深300 5.83%，中证500 6.17%，中证1000 5.73% - 成长因子：全部A股 16.61%，沪深300 32.22%，中证500 1.63%，中证1000 10.86% - 反转因子：全部A股 9.66%，沪深300 -20.93%，中证500 -10.70%，中证1000 11.15% - 质量因子：全部A股 8.43%，沪深300 24.62%，中证500 1.00%，中证1000 -6.30% - 技术因子：全部A股 24.38%，沪深300 -2.62%，中证500 1.72%，中证1000 13.11% - 价值因子：全部A股 -8.83%，沪深300 -14.07%，中证500 -19.68%，中证1000 -20.25% - 波动率因子：全部A股 17.17%，沪深300 -26.58%，中证500 -21.19%，中证1000 2.50% 2. 可转债择券因子（上周多空收益）[57] - 正股一致预期因子：正收益 - 正股成长因子：正收益 - 正股财务质量因子：正收益 - 正股价值因子：正收益 - 转债估值因子：未提供具体数值

根据研报内容，以下是关于量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：成长风格因子**；因子构建思路：通过国证成长指数与万得全A指数的相对表现来捕捉市场的成长风格收益特征[27][28]；因子具体构建过程：以2016年1月4日为基准日，计算国证成长指数的每日收盘点数除以基准日收盘点数得到累计净值，再将此净值除以同一交易日万得全A指数的累计净值，得到成长风格相对于万得全A的累计超额净值[119]；因子评价：该因子近期表现占优，但其拥挤度处于历史极低位置，表明交易并不拥挤，可能仍具备配置价值[35][36]。 2. **因子名称：红利风格因子**；因子构建思路：通过中证红利指数与万得全A指数的相对表现来捕捉市场的红利（价值）风格收益特征[27][28]；因子具体构建过程：构建过程同成长因子，最终得到中证红利指数相对于万得全A的累计超额净值[119]；因子评价：该因子近期表现弱势，其拥挤度处于历史较低位置[35][36]。 3. **因子名称：小盘风格因子**；因子构建思路：通过巨潮小盘指数与万得全A指数的相对表现来捕捉市场的小盘风格收益特征[27][28]；因子具体构建过程：构建过程同成长因子，最终得到巨潮小盘指数相对于万得全A的累计超额净值[119]；因子评价：该因子近期表现弱势，其超额净值及拥挤度均处于历史低位[39]。 4. **因子名称：大盘风格因子**；因子构建思路：通过巨潮大盘指数与万得全A指数的相对表现来捕捉市场的大盘风格收益特征[27][28]；因子具体构建过程：构建过程同成长因子，最终得到巨潮大盘指数相对于万得全A的累计超额净值[119]；因子评价：该因子近期表现占优，其拥挤度处于历史较高位置[39]。 5. **因子名称：微盘股因子**；因子构建思路：通过万得微盘股指数与万得全A指数的相对表现来捕捉市场的微盘股风格收益特征[27][28]；因子具体构建过程：构建过程同成长因子，最终得到万得微盘股指数相对于万得全A的累计超额净值[119]；因子评价：该因子长期超额收益显著，但近期拥挤度下降至历史均衡位置[41]。 6. **因子名称：基金重仓因子**；因子构建思路：通过基金重仓指数与万得全A指数的相对表现来捕捉机构重仓股的收益特征[27][28]；因子具体构建过程：构建过程同成长因子，最终得到基金重仓指数相对于万得全A的累计超额净值[119]；因子评价：该因子近期表现弱势，其超额净值持续处于历史低位，但拥挤度近期上行至历史极高位置，交易较为拥挤[41]。 7. **因子名称：动量因子**；因子构建思路：以“长江动量”指数表征A股市场中动量特征强的股票整体走势，其成分股选择标准为最近一年股票收益率减去最近一个月股票收益率（剔除涨停板）[28]；因子具体构建过程：综合选择A股市场中上述动量指标强且流动性相对较高的前100只股票作为指数成分股[28]。 8. **因子名称：反转因子**；因子构建思路：以“长江反转”指数表征A股市场中反转效应强的股票整体走势，其成分股选择标准为最近一个月股票收益率[29]；因子具体构建过程：综合选择A股市场中最近一个月收益率作为筛选指标，选择反转效应强、流动性较好的前100只股票作为指数成分股，并采用成分股近三个月日均成交量进行加权[29]。 9. **因子名称：风格拥挤度因子**；因子构建思路：通过计算各风格指数换手率与市场整体换手率的偏离度，并在历史时间序列上计算分位值，来衡量特定风格的交易拥挤程度[35][118]；因子具体构建过程：将各风格指数的近63个交易日（近一个季度）的日均换手率在历史时间序列（滚动6年窗口）上进行z-score标准化，并与万得全A的标准化结果作差，最后计算该差值的滚动历史分位值[118]。 10. **因子名称：机构调研活跃度因子**；因子构建思路：通过计算板块、指数或行业的机构调研次数与市场整体水平的偏离度，并在历史时间序列上计算分位值，来衡量机构关注度的热度[102][120]；因子具体构建过程：分为长期和短期两个口径。长期口径：将板块（指数、行业）的近126个交易日（近半年）的“日均机构调研次数”在滚动6年的历史时间序列上进行z-score标准化并与万得全A的结果作差得到“机构调研活跃度”，最后计算其历史分位数。短期口径：n取63（近一季度），滚动窗口为3年[120]。 因子的回测效果 1. **成长较红利因子**，近一周超额收益1.1%，近一月超额收益17.1%，年初至今超额收益20.6%[27]。 2. **小盘较大盘因子**，近一周超额收益-1.3%，近一月超额收益-0.8%，年初至今超额收益7.1%[27]。 3. **微盘股较基金重仓因子**，近一周超额收益1.8%，近一月超额收益-10.3%，年初至今超额收益34.2%[27]。 4. **动量较反转因子**，近一周超额收益-2.5%，近一月超额收益5.2%，年初至今超额收益25.4%[27]。 模型与因子的指标取值 1. **成长风格拥挤度因子**，本周末历史分位14%[35]。 2. **红利风格拥挤度因子**，本周末历史分位33%[35]。 3. **小盘风格拥挤度因子**，本周末历史分位22%[35]。 4. **大盘风格拥挤度因子**，本周末历史分位66%[35]。 5. **微盘股风格拥挤度因子**，本周末历史分位17%[35]。 6. **基金重仓风格拥挤度因子**，本周末历史分位85%[35]。

量化模型与构建方式 1. **模型名称**：宽基轮动策略[13] **模型构建思路**：基于不同宽基指数（沪深300、中证500、中证1000、中证2000及“其他”组）的热度变化率，选择市场情绪最高的宽基进行投资，若情绪最高的为“其他”组则空仓[11][13] **模型具体构建过程**： - 首先，将全A股按宽基成分分组，计算每组成分股的总热度指标（个股总热度定义为浏览、自选与点击次数之和，经全市场占比归一化后乘以10000）[7] - 计算每组周度热度变化率，并取2期移动平均（MA2）平滑处理[11] - 每周最后一个交易日，选择MA2变化率最大的宽基指数买入，若变化率最大为“其他”组则空仓[13] 2. **模型名称**：热门概念热度组合策略[29] **模型构建思路**：从每周热度变化最大的概念中，选择低关注度个股构建投资组合，利用市场过度反应和有限注意力效应获取超额收益[29][31] **模型具体构建过程**： - 每周筛选热度变化率最大的5个概念，以其成分股作为股票池，排除流通市值最小的20%股票[29] - 从每个概念中选出总热度排名最低的10只个股，等权构建BOTTOM组合[29] - 每周调仓，持有至下一周[29] 模型的回测效果 1. **宽基轮动策略**，年化收益率8.74%，最大回撤23.5%，2025年收益35%[15] 2. **热门概念热度BOTTOM组合**，年化收益率15.71%，最大回撤28.89%，2025年收益39%[31] 量化因子与构建方式 1. **因子名称**：个股总热度因子[7] **因子构建思路**：通过个股的浏览、自选与点击行为数据，构建反映市场关注度的情绪代理变量[7] **因子具体构建过程**： 个股总热度 =（个股浏览次数 + 自选次数 + 点击次数） / 当日全市场总行为次数 × 10000 即： $$ \text{总热度} = \frac{\text{浏览} + \text{自选} + \text{点击}}{\text{全市场总行为}} \times 10000 $$ 取值范围为[0,10000][7] 2. **因子名称**：宽基热度变化率因子[11] **因子构建思路**：基于宽基成分股的总热度加总，计算其周度变化率，反映宽基情绪变动[11] **因子具体构建过程**： - 对宽基成分股的总热度指标求和，得到宽基总热度[8] - 计算周度变化率： $$ \text{变化率} = \frac{\text{本周总热度} - \text{上周总热度}}{\text{上周总热度}} $$ - 取2期移动平均（MA2）平滑[11] 3. **因子名称**：行业热度变化率因子[18] **因子构建思路**：类似宽基热度变化率，但应用于申万一级/二级行业，反映行业情绪变动[18] **因子具体构建过程**： - 对行业成分股总热度加总，得到行业总热度[18] - 计算周度变化率并取MA2平滑[18] 4. **因子名称**：概念热度变化率因子[27] **因子构建思路**：计算概念层面总热度的周度变化率，捕捉概念情绪波动[27] **因子具体构建过程**： - 对概念成分股总热度加总，得到概念总热度[27] - 计算周度变化率[27] 因子的回测效果 1. **宽基热度变化率因子**，本周沪深300变化率+10.61%，中证2000变化率-5.78%[2][15] 2. **行业热度变化率因子**，本周一级行业正向变化前5：商贸零售(+34.6%)、电力设备、社会服务、银行、环保；负向变化前5：钢铁、计算机、非银金融、家用电器、建筑材料(-24.7%)[26] 3. **概念热度变化率因子**，本周变化最大概念：供销社(+135.1%)、黄金概念(+107.4%)、高压氧舱(+96.1%)、金属铅(+93.8%)、赛马概念(+90.3%)[2][29] 其他相关指标 1. **估值分位数因子**，沪深300、中证500、中证1000的5年历史分位数分别为82%、98%、92%[3][38] 2. **行业估值分位数**，一级行业中80%分位以上：电力设备、电子、轻工制造、计算机、医药生物、银行、国防军工、商贸零售、建筑材料、煤炭、传媒；20%分位以下：食品饮料、非银金融、交通运输、综合、钢铁[3][40]

经过仔细阅读研报内容，发现该报告主要侧重于宏观经济展望和行业配置观点，并未涉及具体的量化模型构建、量化因子定义、详细的构建过程、回测结果及评价[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][39][40][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60][61][62][63][64][65][66][67][68][69][70][71][72][73][74][75][76][77][78][79][80][81][82][83][84][85][86][87][88] 报告内容聚焦于对四季度市场风格切换的分析，并基于宏观逻辑（如M1、社融增速对PPI的领先性）和估值分位数（如白酒PER、房地产PBR）推荐了大盘蓝筹中的内需消费、房地产链、“反内卷”行业及非银金融等方向[1][9][11][13][17][20][21][25]。这些是基于基本面逻辑的定性判断和配置建议，而非可回测的量化策略或因子。 因此，根据任务要求，本报告中未发现需要总结的量化模型或量化因子内容。