量化模型与构建方式 1. 模型名称：RNN-LIN - 模型构建思路：基于线性RNN构建的简化时序模型，移除非线性激活函数以提升训练效率并减少参数量[11][12] - 模型具体构建过程： 输入序列为股票日频特征（高、开、低、收、均价、成交量）的150日时序数据[23] 模型结构包含遗忘门和输出门，使用sigmoid激活函数控制门控值在(0,1)范围内，隐状态迭代时不使用非线性激活函数[20] 具体计算公式如下： $$h_{t}=f_{t}\otimes h_{t-1}+(1-f_{t})\otimes c_{t}$$ $$y_{t}=o_{t}\otimes h_{t}$$ $$f_{t}=Sigmoid(x_{t}W_{f})$$ $$o_{t}=Sigmoid(x_{t}W_{o})$$ $$c_{t}=SiLU(x_{t}W_{c})$$ 其中$h_t$表示隐状态，$y_t$表示输出，$f_t$为遗忘门，$o_t$为输出门，$c_t$为候选状态，$W_f$、$W_o$、$W_c$为可学习参数矩阵[20] 参数量相比GRU模型减少约50%[20] - 模型评价：训练效率优于GRU，但性能略逊于GRU基线模型[22][47] 2. 模型名称：RNN-LIN-GLU - 模型构建思路：在线性RNN基础上耦合门控线性单元(GLU)以提升模型表达能力[21][22] - 模型具体构建过程： 在RNN-LIN层后叠加GLU FFN模块组成block[21] GLU FFN的计算公式为： $$FFNSwiGLU(x,W,V,W_{2})=(Swish(xW)\otimes xV)W_{2}$$ 其中$W$、$V$、$W_2$为可学习参数矩阵[21] 其他构建过程与RNN-LIN相同[21] - 模型评价：GLU模块对RNN-LIN的性能提升效果优于对GRU的提升[45] 3. 模型名称：DecompGRN - 模型构建思路：基于线性RNN改进的时序-截面端到端模型，将截面信息直接整合进RNN门控单元[2][49] - 模型具体构建过程： 采用两层RNN结构[50] 第一层线性RNN输出每个时间步的个股表征，使用市值作为分组特征进行20分组，计算股票分组去均值结果，得到包含截面信息的个股表征[50] 第二层构建线性RNN变体，将截面信息和时序融合共同输入遗忘门和输出门[50] 使用时序趋势分解模块将初始输入拆分为趋势与残差分量[89] 趋势分量输入1D卷积+RNN实现时序编码，残差分支使用深度可分离卷积[94][95] 最终将趋势和残差分支结果相加合并，输入第二个时序RNN编码器，取最后一个时间步输出通过线性预测头得到股票得分[96] 参数量仅为GRU基线模型的43%[74] - 模型评价：性能超越基线GRU模型，模型逻辑与参数量实现双重简化[2][74] 模型的回测效果 1. RNN-LIN模型 - 中证全指：RankIC 0.13，RankICIR 1.08，IC胜率 0.88[37] - 沪深300：RankIC 0.10，RankICIR 0.62，IC胜率 0.74[37] - 中证500：RankIC 0.09，RankICIR 0.71，IC胜率 0.78[37] - 中证1000：RankIC 0.12，RankICIR 0.96，IC胜率 0.86[37] 2. RNN-LIN-GLU模型 - 中证全指：RankIC 0.13，RankICIR 1.14，IC胜率 0.89[37] - 沪深300：RankIC 0.10，RankICIR 0.63，IC胜率 0.73[37] - 中证500：RankIC 0.10，RankICIR 0.74，IC胜率 0.79[37] - 中证1000：RankIC 0.12，RankICIR 1.01，IC胜率 0.87[37] 3. DecompGRN模型 - 中证全指：RankIC 0.141，RankICIR 1.26，IC胜率 0.89[55][89] - 沪深300：RankIC 0.099，RankICIR 0.65，IC胜率 0.74[55][89] - 中证500：RankIC 0.098，RankICIR 0.77，IC胜率 0.78[55][89] - 中证1000：RankIC 0.127，RankICIR 1.08，IC胜率 0.88[55][89] 量化因子与构建方式 （报告中未明确提及独立的量化因子构建，主要关注端到端模型） 因子的回测效果 （报告中未提供独立因子的测试结果） 分组测试绩效统计 1. RNN-LIN模型（层数1） - 中证全指：年化收益率42.59%，夏普比率1.46，最大回撤-36.71%，超额年化42.05%，平均单边换手0.81[42] - 沪深300：年化收益率28.59%，夏普比率1.38，最大回撤-22.09%，超额年化28.67%，平均单边换手0.66[42] - 中证500：年化收益率23.68%，夏普比率1.02，最大回撤-34.63%，超额年化23.95%，平均单边换手0.76[42] - 中证1000：年化收益率32.81%，夏普比率1.20，最大回撤-35.43%，超额年化33.72%，平均单边换手0.77[42] 2. RNN-LIN-GLU模型（层数1） - 中证全指：年化收益率48.73%，夏普比率1.60，最大回撤-35.33%，超额年化48.19%，平均单边换手0.81[42] - 沪深300：年化收益率29.92%，夏普比率1.38，最大回撤-23.62%，超额年化30.00%，平均单边换手0.65[42] - 中证500：年化收益率24.45%，夏普比率1.03，最大回撤-39.60%，超额年化24.72%，平均单边换手0.75[42] - 中证1000：年化收益率34.47%，夏普比率1.24，最大回撤-34.51%，超额年化35.38%，平均单边换手0.76[42] 3. DecompGRN模型 - 中证全指：年化收益率57.68%，夏普比率1.71，最大回撤-34.69%，超额年化56.18%，平均单边换手0.79[57][89] - 沪深300：年化收益率31.69%，夏普比率1.42，最大回撤-26.88%，超额年化31.00%，平均单边换手0.65[57][89] - 中证500：年化收益率26.90%，夏普比率1.10，最大回撤-37.82%，超额年化26.13%，平均单边换手0.74[57][89] - 中证1000：年化收益率40.35%，夏普比率1.37，最大回撤-35.51%，超额年化40.03%，平均单边换手0.74[57][89] 指增组合测试结果 DecompGRN模型指增表现 - 沪深300指增：年化超额收益10.24%，跟踪误差5.07，超额夏普1.95，超额最大回撤-8.12%，2025年累计超额3.93%[75][85][89] - 中证500指增：年化超额收益10.05%，跟踪误差6.10，超额夏普1.60，超额最大回撤-7.15%，2025年累计超额6.72%[75][85][89] - 中证1000指增：年化超额收益19.58%，跟踪误差6.75，超额夏普2.68，超额最大回撤-9.11%，2025年累计超额18.26%[75][85][89]

根据提供的研报内容，经过全面梳理，未发现涉及量化模型或量化因子的构建思路、具体过程及测试结果。该文档主要内容为市场行情数据、宏观经济指标、公司财务公告、IPO信息及新闻事件汇总[1][3][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38]。 因此，本次总结无相关量化模型与因子内容可提供。

根据提供的金融工程日报内容，报告主要涉及市场表现、情绪、资金流向及各类指标的监控，并未包含具体的量化模型或量化因子的构建、测试及评价内容。报告的核心是市场数据统计与描述，而非量化投资策略或因子研究[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]。 报告详细描述了市场指数的表现[6][7]、涨跌停家数[13]、封板率与连板率的计算方式[17]、两融数据[19][22]、ETF折溢价[23]、大宗交易折价率[26]以及股指期货年化贴水率的计算方法[28]，但这些均属于市场监控指标，并非用于构建投资组合的量化模型或选股因子。 因此，本报告**无**涉及需要总结的量化模型或量化因子内容。

量化模型与构建方式 1. 模型名称：小市值价值精选策略模型[7][24] 模型构建思路：基于市值、盈利能力和估值三个维度进行选股，首先筛选小市值股票，再从中选取盈利能力强的股票，最后选择估值最低的股票构建投资组合[7][24] 模型具体构建过程：该模型为规则驱动型策略，其构建过程如下：1) 确定股票池为沪深A股；2) 在每月调仓时点，首先筛选出市值小于40亿元的股票；3) 在该小市值样本内，计算ROE和ROA指标，并筛选出这两项指标均处于样本前50%分位数的股票；4) 在通过盈利能力筛选的股票中，计算PE指标，并选取PE值最低的30只股票；5) 等权重配置这30只股票作为当期持仓；6) 每月重复上述筛选和调仓过程[7][24] 模型的回测效果 1. 小市值价值精选策略模型，年化收益率(2020) 18.96%[29]，年化波动率(2020) 20.95%[29]，夏普比率(2020) 0.91[29]，最大回撤(2020) -5.90%[29]，胜率(2020) 66.67%[29]，卡尔马比率(2020) 3.21[29] 2. 小市值价值精选策略模型，年化收益率(2021) 16.70%[29]，年化波动率(2021) 23.41%[29]，夏普比率(2021) 0.71[29]，最大回撤(2021) -9.59%[29]，胜率(2021) 66.67%[29]，卡尔马比率(2021) 1.74[29] 3. 小市值价值精选策略模型，年化收益率(2022) 8.21%[29]，年化波动率(2022) 24.94%[29]，夏普比率(2022) 0.33[29]，最大回撤(2022) -18.31%[29]，胜率(2022) 66.67%[29]，卡尔马比率(2022) 0.45[29] 4. 小市值价值精选策略模型，年化收益率(2023) 15.66%[29]，年化波动率(2023) 13.94%[29]，夏普比率(2023) 1.12[29]，最大回撤(2023) -6.72%[29]，胜率(2023) 50.00%[29]，卡尔马比率(2023) 2.33[29] 5. 小市值价值精选策略模型，年化收益率(2024) 7.15%[29]，年化波动率(2024) 33.71%[29]，夏普比率(2024) 0.21[29]，最大回撤(2024) -14.18%[29]，胜率(2024) 50.00%[29]，卡尔马比率(2024) 0.50[29] 6. 小市值价值精选策略模型，年化收益率(2025) 37.70%[29]，年化波动率(2025) 17.02%[29]，夏普比率(2025) 2.21[29]，最大回撤(2025) -3.76%[29]，胜率(2025) 75.00%[29]，卡尔马比率(2025) 10.03[29] 量化因子与构建方式 1. 因子名称：市值因子[7][24]；因子的构建思路：使用股票的总市值来衡量公司规模大小[7][23]；因子具体构建过程：直接从数据库的 `AShareEODDerivativeIndicator` 表中获取 `S_VAL_MV` 字段，该字段代表当日总市值，计算公式为当日总股本与当日收盘价的乘积，单位为万元[23][24] 2. 因子名称：净资产收益率(ROE)因子[7][24]；因子的构建思路：使用ROE指标来衡量公司的盈利能力[7][24]；因子具体构建过程：直接从数据库的 `AShareFinancialIndicator` 表中获取 `S_FA_ROE` 字段[24] 3. 因子名称：总资产收益率(ROA)因子[7][24]；因子的构建思路：使用ROA指标来衡量公司的资产盈利效率[7][24]；因子具体构建过程：直接从数据库的 `AShareFinancialIndicator` 表中获取 `S_FA_ROA` 字段[24] 4. 因子名称：市盈率(PE)因子[7][24]；因子的构建思路：使用PE指标来衡量股票的估值水平[7][24]；因子具体构建过程：直接从数据库的 `AShareEODDerivativeIndicator` 表中获取 `S_VAL_PE` 字段[24]

量化模型与构建方式 1. 宏观冲击回归模型 - **模型名称**：宏观冲击回归模型[3][16] - **模型构建思路**：通过回归分析量化资产收益对非预期通货膨胀和非预期经济增长的敏感度（贝塔系数），以反映宏观经济意外冲击对资产价格的影响[3][16] - **模型具体构建过程**： 1. 使用二元回归模型，将资产收益同时对非预期通胀和非预期增长进行回归[3][16] 2. 模型公式为： $$r_{t+1}=c+\beta_{\pi}\pi_{t+1}^{s}+\beta_{g}g_{t+1}^{s}+\varepsilon_{t+1}$$[16] 其中： - $r_{t+1}$ 表示资产在t+1期的收益 - $c$ 为常数项 - $\beta_{\pi}$ 为通胀贝塔系数，衡量资产对通胀冲击的敏感度 - $\pi_{t+1}^{s}$ 表示非预期通货膨胀，计算公式为：$$\pi_{t+1}^{s}=\pi_{t+1}-E_{t}\pi_{t+1}$$[16] - $\beta_{g}$ 为增长贝塔系数，衡量资产对增长冲击的敏感度 - $g_{t+1}^{s}$ 表示非预期经济增长，计算公式为：$$g_{t+1}^{s}=g_{t+1}-E_{t}g_{t+1}$$[16] - $\varepsilon_{t+1}$ 为误差项 3. 使用1970年6月至2023年9月的季度数据，实际GDP增长数据来自美国经济分析局，CPI通胀数据来自美国劳工统计局，预期数据来自专业预测者调查（SPF）[18] 4. 通过从实际值中减去期初测得的一年期SPF增长预期和通胀预期，计算增长冲击和通胀冲击[18] - **模型评价**：该模型考虑了通胀与增长之间的相关性，使用非预期冲击作为自变量更能反映资产对意外经济变化的敏感度[17] 2. 预期值回归模型 - **模型名称**：预期值回归模型[29] - **模型构建思路**：评估预期增长和通胀对资产收益的影响，使用预期值而非意外冲击作为解释变量[29] - **模型具体构建过程**： 1. 回归模型公式为： $$r_{t+1}=c+\beta_{\pi}^{e}E_{t}\pi_{t+1}+\beta_{g}^{e}E_{t}g_{t+1}+\varepsilon_{t+1}$$[29] 其中： - $E_{t}\pi_{t+1}$ 表示t期对t+1期的通胀预期 - $E_{t}g_{t+1}$ 表示t期对t+1期的增长预期 - $\beta_{\pi}^{e}$ 和 $\beta_{g}^{e}$ 分别表示资产对预期通胀和预期增长的敏感度 2. 使用与基准模型相同的数据源和时间范围[29] 3. 实际值回归模型 - **模型名称**：实际值回归模型[32] - **模型构建思路**：使用实际经济增长和通货膨胀作为自变量，评估它们对资产收益的影响[32] - **模型具体构建过程**： 1. 回归模型公式为： $$r_{t+1}=c+\beta_{\pi}^{r}\pi_{t+1}+\beta_{g}^{r}g_{t+1}+\varepsilon_{t+1}$$[32] 其中： - $\pi_{t+1}$ 表示t+1期的实际通货膨胀率 - $g_{t+1}$ 表示t+1期的实际经济增长率 - $\beta_{\pi}^{r}$ 和 $\beta_{g}^{r}$ 分别表示资产对实际通胀和实际增长的敏感度 2. 使用与基准模型相同的数据源[32] 4. 混合回归模型 - **模型名称**：混合回归模型[34] - **模型构建思路**：结合使用冲击变量和实际值变量，探究预期因素在解释资产收益变化中的作用[34] - **模型具体构建过程**： 1. 第一种变体使用增长冲击和实际通胀作为自变量： $$r_{t+1}=c+\beta_{g}g_{t+1}^{s}+\beta_{\pi}^{r}\pi_{t+1}+\varepsilon_{t+1}$$[34] 2. 第二种变体使用通胀冲击和实际增长作为自变量： $$r_{t+1}=c+\beta_{\pi}\pi_{t+1}^{s}+\beta_{g}^{r}g_{t+1}+\varepsilon_{t+1}$$[34] 5. 预期通胀变动模型 - **模型名称**：预期通胀变动模型[35] - **模型构建思路**：探究通胀冲击作为预期通胀变化代理变量的作用，评估预期通胀变动对资产收益的影响[35] - **模型具体构建过程**： 1. 使用预期通胀变化和增长冲击作为解释变量[35] 2. 模型形式为： $$r_{t+1}=c+\beta_{\Delta E\pi}\Delta E_{t}\pi_{t+1}+\beta_{g}g_{t+1}^{s}+\varepsilon_{t+1}$$[35] 3. 分别对完整样本（1970-2023）和子样本（1982-2023）进行回归分析[36] 6. 特定情景优化模型 - **模型名称**：特定情景优化模型[56] - **模型构建思路**：基于投资者特定的宏观经济观点，通过设定不同的增长和通胀冲击，计算条件预期收益，并进行均值-方差优化[52][56] - **模型具体构建过程**： 1. 首先估算各资产的增长贝塔值和通胀贝塔值[52] 2. 根据投资者与市场预期的偏差设定冲击值（如±2个百分点）[57] 3. 计算条件预期收益：$E[r|scenario] = carry + \beta_{g} \times \Delta g + \beta_{\pi} \times \Delta \pi$[57] 4. 进行均值-方差优化，约束条件包括：各资产换手率不超过5%，最优组合波动率不超过初始组合波动率（11.6%）[57] 5. 考虑四种情景：高通胀低增长（HILG）、高通胀高增长（HIHG）、低通胀低增长（LILG）、低通胀高增长（LIHG）[57] 7. 宏观贝塔约束优化模型 - **模型名称**：宏观贝塔约束优化模型[61] - **模型构建思路**：将宏观贝塔值作为约束条件纳入均值-方差优化，构建对宏观经济风险更具韧性的投资组合[53][61] - **模型具体构建过程**： 1. 优化问题表述为： $$\max w^{\prime}\mu$$[61] Subject to[61] $$w^{\prime}\Sigma w \leq \sigma^{2}$$[61] $$w^{\prime}\beta_{\pi} \geq \underline{\beta_{\pi}}$$[61] 其中： - $w$ 为资产权重向量 - $\mu$ 为预期收益向量 - $\Sigma$ 为方差-协方差矩阵 - $\sigma^{2}$ 为波动率约束 - $\underline{\beta_{\pi}}$ 为通胀贝塔值下限约束（如-1.0）[61] 2. 通过增加对高通胀贝塔值资产（如大宗商品）或通胀贝塔值负得较少的资产（如私募房地产）的权重，降低组合对通胀风险的敏感度[61] 量化因子与构建方式 1. 通胀冲击因子 - **因子名称**：通胀冲击因子[16] - **因子构建思路**：衡量实际通货膨胀与预期通货膨胀之间的差异，反映价格水平的意外变化[16][35] - **因子具体构建过程**： $$\pi_{t+1}^{s}=\pi_{t+1}-E_{t}\pi_{t+1}$$[16] 其中： - $\pi_{t+1}$ 为t+1期的实际CPI通胀率[18] - $E_{t}\pi_{t+1}$ 为t期对t+1期的通胀预期，来自专业预测者调查（SPF）[18] 2. 增长冲击因子 - **因子名称**：增长冲击因子[16] - **因子构建思路**：衡量实际经济增长与预期经济增长之间的差异，反映经济活动的意外变化[16] - **因子具体构建过程**： $$g_{t+1}^{s}=g_{t+1}-E_{t}g_{t+1}$$[16] 其中： - $g_{t+1}$ 为t+1期的实际GDP增长率[18] - $E_{t}g_{t+1}$ 为t期对t+1期的增长预期，来自专业预测者调查（SPF）[18] 3. 通胀贝塔因子 - **因子名称**：通胀贝塔因子[3] - **因子构建思路**：衡量资产收益对通胀冲击的敏感度，反映资产对冲通胀风险的能力[3][4] - **因子具体构建过程**： 通过宏观冲击回归模型估计得到的$\beta_{\pi}$系数[3][16] 4. 增长贝塔因子 - **因子名称**：增长贝塔因子[3] - **因子构建思路**：衡量资产收益对增长冲击的敏感度，反映资产对冲增长风险的能力[3][4] - **因子具体构建过程**： 通过宏观冲击回归模型估计得到的$\beta_{g}$系数[3][16] 模型的回测效果 1. 宏观冲击回归模型 - 短期利率：增长贝塔值0.38(t=4.34)，通胀贝塔值0.52(t=5.65)，调整R²=0.39[25] - 10年期名义收益率：增长贝塔值0.18(t=3.23)，通胀贝塔值0.32(t=5.77)，调整R²=0.31[25] - 名义30年-10年利差：增长贝塔值-0.05(t=-3.98)，通胀贝塔值-0.05(t=-3.30)，调整R²=0.19[25] - 10年期实际收益率：增长贝塔值0.05(t=1.71)，通胀贝塔值0.04(t=0.85)，调整R²=0.03[25] - 股票：增长贝塔值3.75(t=3.90)，通胀贝塔值-1.99(t=-2.63)，调整R²=0.24[25] - REITs：增长贝塔值3.36(t=2.82)，通胀贝塔值-0.89(t=-0.89)，调整R²=0.13[25] - 信用利差：增长贝塔值-0.15(t=-4.97)，通胀贝塔值0.03(t=1.15)，调整R²=0.19[25] - 大宗商品：增长贝塔值2.00(t=2.69)，通胀贝塔值7.62(t=5.26)，调整R²=0.37[25] - 黄金：增长贝塔值-1.78(t=-1.75)，通胀贝塔值5.84(t=3.11)，调整R²=0.23[25] 2. 预期值回归模型 - 所有因子和资产的R²值均较低，系数统计上不显著[31] 3. 实际值回归模型 - 贝塔系数符号和显著性与基准模型大致相同，但R²值通常低于基准模型[33] 4. 预期通胀变动模型（完整样本1970-2023） - 短期利率：通胀贝塔值1.59(t=6.43)，调整R²=0.40[37] - 10年期名义收益率：通胀贝塔值0.82(t=3.54)，调整R²=0.23[37] - 30年-10年利差：通胀贝塔值-0.17(t=-3.19)，调整R²=0.21[37] - 10年期实际收益率：通胀贝塔值0.01(t=0.12)，调整R²=0.02[37] - 股票：通胀贝塔值-4.64(t=-1.99)，调整R²=0.22[37] - REITs：通胀贝塔值-1.39(t=-0.56)，调整R²=0.11[37] - 信用利差：通胀贝塔值-0.01(t=-0.11)，调整R²=0.17[37] - 大宗商品：通胀贝塔值20.81(t=4.48)，调整R²=0.31[37] - 黄金：通胀贝塔值18.88(t=4.69)，调整R²=0.26[37] 5. 预期通胀变动模型（子样本1982-2023） - 短期利率：通胀贝塔值1.74(t=4.56)，调整R²=0.34[37] - 10年期名义收益率：通胀贝塔值1.33(t=5.67)，调整R²=0.32[37] - 30年-10年利差：通胀贝塔值-0.26(t=-4.02)，调整R²=0.21[37] - 10年期实际收益率：通胀贝塔值0.14(t=0.70)，调整R²=0.02[37] - 股票：通胀贝塔值-5.06(t=-1.56)，调整R²=0.18[37] - REITs：通胀贝塔值1.54(t=0.37)，调整R²=0.09[37] - 信用利差：通胀贝塔值-0.20(t=-1.59)，调整R²=0.17[37] - 大宗商品：通胀贝塔值16.71(t=4.34)，调整R²=0.28[37] - 黄金：通胀贝塔值4.52(t=1.32)，调整R²=0.15[37] 因子的回测效果 1. 通胀冲击因子 - 与实际通胀高度相关，相关系数0.89[31] - 与预期通胀相关性较低，相关系数0.05[31] 2. 增长冲击因子 - 与实际增长高度相关，相关系数0.78[31] - 与预期增长相关性较低，相关系数0.14[31] 3. 通胀贝塔因子 - 大多数传统资产（如股票和固定收益）为负值[4][25] - 大宗商品和通胀挂钩债券为正值[4][25] - 黄金的正值主要归因于20世纪70年代的数据[43] 4. 增长贝塔因子 - 大多数资产为正值[4][25] - 久期资产和黄金为负值[4][25]

根据提供的融资融券周报内容，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：融资净买入额** * **因子构建思路：** 衡量市场或特定标的（如行业、ETF、个股）在一段时间内通过融资业务净流入的资金量，反映市场看多情绪和资金动向[29][44][47] * **因子具体构建过程：** 计算特定时间段内（例如一周）的融资买入总额与融资偿还总额之差。 $$ \text{融资净买入额} = \sum \text{每日融资买入额} - \sum \text{每日融资偿还额} $$ 该因子可应用于市场整体、行业板块、ETF或个股层面[29][44][47] 2. **因子名称：融券净卖出额** * **因子构建思路：** 衡量市场或特定标的在一段时间内通过融券业务净流出的资金量，反映市场看空情绪和资金动向[32][51] * **因子具体构建过程：** 计算特定时间段内（例如一周）的融券卖出总额与融券偿还总额之差。 $$ \text{融券净卖出额} = \sum \text{每日融券卖出额} - \sum \text{每日融券偿还额} $$ 该因子同样可应用于市场整体、行业板块或个股层面[32][51] 3. **因子名称：融资买入额占成交额比例** * **因子构建思路：** 衡量融资买入行为在整体市场交易中的活跃度和重要性，比例越高说明杠杆资金参与度越高[34] * **因子具体构建过程：** 将特定时间段内的融资买入总额除以同期的成交总额。 $$ \text{融资买入额占成交额比例} = \frac{\sum \text{每日融资买入额}}{\sum \text{每日成交额}} \times 100\% $$ 该因子常用于行业或个股分析[34][48] 4. **因子名称：融资余额占流通市值比例** * **因子构建思路：** 衡量杠杆资金存量在标的可流通市值中的占比，反映整体的杠杆水平和风险敞口[34] * **因子具体构建过程：** 使用期末的融资余额除以同期的流通市值。 $$ \text{融资余额占流通市值比例} = \frac{\text{期末融资余额}}{\text{期末流通市值}} \times 100\% $$ 该因子常用于行业分析[34] 5. **因子名称：融券卖出额占成交额比例** * **因子构建思路：** 衡量融券卖出行为在整体市场交易中的活跃度，比例越高说明卖空交易越活跃[39] * **因子具体构建过程：** 将特定时间段内的融券卖出总额除以同期的成交总额。 $$ \text{融券卖出额占成交额比例} = \frac{\sum \text{每日融券卖出额}}{\sum \text{每日成交额}} \times 100\% $$ 该因子用于行业分析[39] 6. **因子名称：融券余额占流通市值比例** * **因子构建思路：** 衡量卖空资金存量在标的可流通市值中的占比，反映市场的卖空压力[39] * **因子具体构建过程：** 使用期末的融券余额除以同期的流通市值。 $$ \text{融券余额占流通市值比例} = \frac{\text{期末融券余额}}{\text{期末流通市值}} \times 100\% $$ 该因子用于行业分析[39] 因子的回测效果 （注：本报告为周度数据报告，主要展示因子的当期观测值，未提供历史回测性能指标如年化收益率、夏普比率、信息比率(IR)等。）

经审阅提供的研报内容，该文档主要包含市场数据、公司公告、宏观经济指标及个股行情，并未涉及任何量化模型或量化因子的构建、测试及分析过程[1][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][25][26][27][28][29][30][31]。 因此，根据任务要求，本次总结无相关量化模型或因子内容可提供。

量化模型与构建方式 1. 宏观评分模型 - **模型名称**：宏观评分模型[7][16][18] - **模型构建思路**：通过跟踪多个宏观因子（如国内景气、全球货币、全球通胀等）的变化，对各大类资产进行评分，以判断其未来走势[16][18] - **模型具体构建过程**： 1. 选取9个宏观因子：国内景气、国内货币、国内信用、国内通胀、全球景气、全球货币、全球通胀、美元、金融压力[18] 2. 每月对每个因子进行评分（取值为-1,0,1），并计算其变动[18] 3. 对每个大类资产（如中证800、黄金、原油等），根据其受各宏观因子的影响方向，汇总得到该资产的宏观评分[18] 4. 根据历史回测，当某资产的宏观评分达到特定水平（如铜评分为4）时，预期其未来收益较高[2][14][15] - **模型评价**：能够综合反映宏观环境对各类资产的影响，提供多维度的择时参考[18] 2. 美股择时模型 - **模型名称**：美股择时模型[7][19][20] - **模型构建思路**：通过监测景气度、资金流、金融压力等分项指标，对美股进行中期择时[19][20] - **模型具体构建过程**： 1. 选取三个分项指标：景气度、资金流、金融压力[20] 2. 对各指标进行量化评分，并综合得到择时信号[19][20] 3. 根据指标边际改善情况调整观点（如从中性上调至看多）[19] 3. 黄金择时模型 - **模型名称**：黄金择时模型[7][21][22] - **模型构建思路**：结合避险货币、央行态度、财政压力、金融压力等分项指标，对黄金进行择时[21][24] - **模型具体构建过程**： 1. 选取四个分项指标：避险货币、央行态度、财政压力、金融压力[24] 2. 综合各指标得到黄金择时指标，最新值为-0.53[21][22] 3. 根据指标走势和宏观环境（如赤字扩张、通胀预期）调整观点[21] - **模型评价**：在某些宏观环境下（如政策预期变化）可能存在信号失真，需结合主观判断[21] 4. 原油择时模型 - **模型名称**：原油择时模型[7][26][27] - **模型构建思路**：通过构建原油景气指数，结合需求、库存、美元指数等分项指标，对油价进行择时[26][28] - **模型具体构建过程**： 1. 选取五个分项指标：需求、库存、美元指数、投资者预期、宏观风险水平[28] 2. 综合得到原油景气指数，本月读数为0.56[26][30] 3. 根据指数是否高于0轴判断看多或看空[26] 5. 大类资产配置模型 - **模型名称**：大类资产配置模型[3][29][31] - **模型构建思路**：根据量化配置信号分配各类资产的风险预算，并基于宏观因子体系调整组合的宏观风险暴露，得到最终配置比例[3][29] - **模型具体构建过程**： 1. 每月生成各大类资产的配置比例（如中证800、黄金、原油等）[31] 2. 通过模型优化控制组合风险暴露和回撤[29][32] 模型的回测效果 1. **宏观评分模型**：当铜的宏观评分达到4分时，次月LME铜年化收益达到29%[2][14][15] 2. **大类资产配置策略**：8月收益2.0%，最近1年收益11.7%，最大回撤2.9%[3][29] 量化因子与构建方式 1. 全球景气因子 - **因子名称**：全球景气因子[1][10][16] - **因子构建思路**：反映全球制造业景气状况，如通过PMI等指标度量[1][10][11] - **因子具体构建过程**：跟踪欧元区制造业PMI、美国ISM制造业PMI新订单等数据[1][10][11] 2. 全球货币因子 - **因子名称**：全球货币因子[1][16][18] - **因子构建思路**：反映全球货币政策宽松程度[1][16] - **因子具体构建过程**：基于美联储降息预期、市场利率变动等指标构建[1][10] 3. 全球通胀因子 - **因子名称**：全球通胀因子[2][16][18] - **因子构建思路**：反映全球通胀预期及实际上行压力[2][12] - **因子具体构建过程**：跟踪关税通胀传导、大宗商品价格等指标[2][12] 4. 金融压力因子 - **因子名称**：金融压力因子[18][20][24] - **因子构建思路**：反映金融市场压力状况，影响风险资产表现[18][20] - **因子具体构建过程**：通过利差、波动率等市场指标合成[18][20] 因子的回测效果 （注：报告中未提供因子的独立回测指标取值）

根据您提供的金融工程日报内容，报告主要描述了市场表现、情绪、资金流向等市场状况，并定义了几个用于衡量市场情绪的指标。报告内容更侧重于市场数据统计和监测指标的描述，而非构建用于选股或定价的量化模型或因子。因此，报告中涉及的“模型”或“因子”实际上是市场监测指标。 量化模型与构建方式 报告未涉及传统的量化选股或定价模型。 量化因子与构建方式 报告未涉及用于解释股票收益的传统阿尔法因子。 市场监测指标与构建方式 1. **指标名称**：封板率[17] **指标构建思路**：用于衡量涨停股票的封板强度，反映市场追涨情绪的热度[17] **指标具体构建过程**：统计特定时间段内，上市满3个月以上的股票。首先，找出盘中最高价曾达到涨停价的股票集合。然后，在这个集合中，找出当日收盘价仍为涨停的股票。封板率的计算公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[17] 2. **指标名称**：连板率[17] **指标构建思路**：用于衡量涨停板的持续性，反映市场龙头股的接力情绪[17] **指标具体构建过程**：统计特定时间段内，上市满3个月以上的股票。首先，确定昨日收盘涨停的股票集合。然后，在这个集合中，找出今日收盘再次涨停的股票。连板率的计算公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[17] 3. **指标名称**：大宗交易折价率[26] **指标构建思路**：通过大宗交易成交价与市价的差异来观察大资金的投资偏好和市场情绪[26] **指标具体构建过程**：统计当日所有大宗交易记录。计算总成交金额，以及这些成交股份按当日收盘价计算的总市值。折价率的计算公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[26] **指标评价**：折价率越高，表明大资金卖出意愿越强或流动性补偿要求越高，通常被视为偏空信号[26] 4. **指标名称**：股指期货年化贴水率[28] **指标构建思路**：通过计算股指期货主力合约相对于现货指数的年化基差，来反映市场对未来预期、对冲成本及市场情绪[28] **指标具体构建过程**：选取特定股指期货品种的主力合约。计算基差（股指期货价格减去现货指数价格）。年化贴水率的计算公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[28] **指标评价**：贴水率越高（负基差绝对值越大），通常表明市场情绪越悲观，或对冲需求旺盛导致期货卖压较大[28] 指标的最新取值 1. **封板率**，当日取值为 46%[17] 2. **连板率**，当日取值为 16%[17] 3. **大宗交易折价率**，近半年平均取值为 5.92%，当日取值为 8.32%[26] 4. **上证50股指期货年化贴水率**，近一年中位数取值为 0.21%，当日取值为 8.44%[28] 5. **沪深300股指期货年化贴水率**，近一年中位数取值为 2.29%，当日取值为 13.93%[28] 6. **中证500股指期货年化贴水率**，近一年中位数取值为 9.50%，当日取值为 24.16%[28] 7. **中证1000股指期货年化贴水率**，近一年中位数取值为 11.58%，当日取值为 18.58%[28]

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**：超预期事件筛选模型[9][25] **模型构建思路**：通过分析师的研报标题来识别上市公司业绩“超预期”事件，认为这是结合了客观数据和主观调研的综合判断，比单纯的数据比较更全面[9] **模型具体构建过程**： 1. 数据来源：上市公司披露的2025年中报业绩预告或正式财报，以及随后分析师发布的点评研报[9][10] 2. 事件定义：在财报披露后，至少有一篇分析师研报的标题中包含“业绩”、“利润”、“营收”、“增长”、“超预期”、“好于预期”等关键词，即将该公司标记为“超预期”样本[9] 3. 筛选规则：仅考虑业绩、利润、营收相关的超预期，分红超预期等其他类型不纳入考虑[9] 4. 计算超预期公司占比：`超预期公司占比 = 超预期公司数量 / 分析师覆盖公司数量`，其中“分析师覆盖公司”定义为过去半年内至少有一篇研报覆盖的公司[25] 2. **模型名称**：开盘跳空超额（AOG）模型[25] **模型构建思路**：构建AOG指标来衡量市场对上市公司业绩公告的即时反应和认可程度，捕捉盈余公告后的价格漂移（PEAD）现象[25] **模型具体构建过程**： 1. 指标定义：AOG（Alpha of Open Gap）指盈余公告次日开盘跳空超额收益[25] 2. 计算公式： $$A O G_{t+1}\ =O p e n_{t+1}/C l o s e_{t}-O p e n_{m k t,t+1}/C l o s e_{m k t,t}$$ 其中，`Open_{t+1}` 和 `Close_t` 分别代表股票在t+1日的开盘价和t日的收盘价，`Open_{mkt,t+1}` 和 `Close_{mkt,t}` 分别代表市场指数（文中使用中证500指数）在t+1日的开盘价和t日的收盘价[25] 3. 应用：将正式财报次日的开盘收益减去中证500指数收益率作为开盘跳空幅度指标，用于评估市场反应[25] 模型的回测效果 1. **超预期事件筛选模型**，不同指数中超预期公司占比：沪深300成分股为24.41%，中证500成分股为12.75%，中证1000成分股为9.01%[26] 2. **超预期事件筛选模型**，不同板块中超预期公司占比：大金融板块为12.70%[26] 3. **开盘跳空超额（AOG）模型**，不同指数中超预期公司财报次日跳空幅度：中证1000指数成分股跳空幅度更大[26] 4. **开盘跳空超额（AOG）模型**，不同板块中超预期公司财报次日跳空幅度：科技板块跳空幅度最大[26] 量化因子与构建方式 1. **因子名称**：中报累计净利润同比增速[13][15] **因子构建思路**：通过计算上市公司中报累计净利润的同比增长率，来衡量公司的盈利增长能力，并比较不同群体（指数、行业、板块）的中位数表现[13][15] **因子具体构建过程**： 1. 数据来源：上市公司2025年正式中报[10][13] 2. 计算公式：`（本期累计净利润 - 上年同期累计净利润） / |上年同期累计净利润| * 100%`（注：公式为常规财务增长率计算，原文未明确给出，根据上下文推断） 3. 应用：计算不同指数成分股（如沪深300、中证500）、板块（如大金融、医药）、中信一级行业、热点概念及ETF标的指数成分股的该增速，并取中位数进行横向比较[13][15][17][22] 2. **因子名称**：52周最高价距离[38] **因子构建思路**：计算当前股价距离过去52周内最高价的幅度，用以衡量股票是否接近其近期高点，反映其价格势头和潜在阻力[38] **因子具体构建过程**： 1. 计算公式：`（当前收盘价 - 52周最高价） / 52周最高价 * 100%`（注：公式为常规计算，原文未明确给出，根据上下文推断） 2. 应用：作为优选超预期公司的筛选条件之一，例如要求“当前52周最高价距离小于10%”[38] 因子的回测效果 1. **中报累计净利润同比增速因子**，不同指数中位数：中证500指数成分股为8.53%，沪深300指数成分股为5.32%，中证1000指数成分股为3.30%[13] 2. **中报累计净利润同比增速因子**，不同板块中位数：大金融板块为8.05%，医药板块为-6.69%[13] 3. **中报累计净利润同比增速因子**，热点概念中位数：芯片指数、半导体精选指数均超过20%[17] 4. **中报累计净利润同比增速因子**，ETF标的指数中位数：证券公司、300非银、科技龙头指数较高[22] 复合筛选规则 1. **规则名称**：中报超预期公司优选规则[36][38] **规则构建思路**：结合超预期事件、财务增速、市场即时反应和价格势头多个维度，综合筛选出优质的超预期公司[36][38] **规则具体构建过程**： 1. 至少一篇分析师研报标题点评“超预期”[38] 2. 中报净利润累计同比增速大于30%，且去年同期累计净利润大于5000万[38] 3. 财报第二天开盘相对中证500指数跳空幅度（AOG）大于2%[25][38] 4. 当前52周最高价距离小于10%[38] **规则应用结果**：根据此规则优选出如藏格矿业、天孚通信、药明康德等公司[38][41]