量化模型与构建方式 1 模型名称：PostNAS框架与JetBlock模块 **模型构建思路**：通过后神经架构搜索方法对预训练Transformer模型进行深度优化，结合新型线性注意力模块，实现高性能与高效率的语言模型架构[15][16] **模型具体构建过程**： 1. 从预训练的全注意力模型出发，继承并冻结其多层感知机权重 2. 训练"一次性"超级网络自动确定全注意力层的最佳放置位置 3. 评估多种线性注意力模块，选定Gated DeltaNet为基础 4. 设计JetBlock模块，引入动态因果卷积核，其卷积核生成器根据输入内容动态调整特征提取模式，同时移除查询和键上的冗余静态卷积 5. 执行硬件感知架构搜索，将KV缓存大小固定后对关键维度进行网格搜索[16] 2 模型名称：Gemini 2.5 Flash Image **模型构建思路**：采用稀疏混合专家架构与改进的扩散模型，实现高质量图像生成与编辑[23][25] **模型具体构建过程**： 1. 采用稀疏混合专家架构，将模型参数划分为多个专家模块，每个输入token仅激活少量专家 2. 将文本、图像、音频等输入映射到统一的嵌入空间，通过跨模态注意力机制实现信息融合 3. 采用改进的扩散模型，在低维潜空间进行去噪 4. 内置物理引擎级渲染模块理解光影投射、物体遮挡等物理规律 5. 通过特征锚定机制提取人物面部、体态等关键特征，并在生成过程中持续锚定，确保多场景下角色外观一致[25][26] 3 模型名称：MAI-1-preview **模型构建思路**：采用混合专家架构（MoE），专注于指令遵循与响应效率的平衡[36] **模型具体构建过程**： 1. 使用约1.5万张NVIDIA H100 GPU进行预训练与后训练 2. 采用混合专家架构（MoE）[36] 4 模型名称：RLCF（基于检查表的强化学习反馈） **模型构建思路**：通过动态生成指令特定的检查表来评估模型响应，替代传统奖励模型[48][49] **模型具体构建过程**： 1. 定义检查表核心特征：每个检查项必须是可验证的是非问题，响应需满足所有检查项才合格 2. 开发两种检查表生成方法： - 直接法：通过简单提示语言模型从指令中提取检查项 - 候选法：通过分析不同质量响应样本的失败模式生成更全面的检查表 3. RLCF方法包含四个关键步骤： - 从基础策略中采样候选响应对 - 结合AI评判员和验证程序对每个检查项进行评分 - 计算加权平均得分并筛选差异显著的响应对 - 使用这些偏好对进行直接偏好优化训练[48][49] --- 量化因子与构建方式 （本报告中未涉及量化因子的相关内容） --- 模型的回测效果 1 Jet-Nemotron模型 - 提供2B和4B两种参数规模的版本[17] - 在H100 GPU上生成吞吐量最高提升53.6倍，预填充阶段速度提升6.1倍[17] - Jet-Nemotron-2B在MMLU、MMLU-Pro和BBH基准上相比Qwen3-1.7B-Base吞吐量提高47倍，缓存大小缩小至原来的四十七分之一[19] - 在数学任务中平均准确率49.6，超出Qwen3-1.7B-Base达6.3个点[19] - 在常识推理任务中平均准确率62.0，超越所有基线模型[19] - 在检索和编码任务中表现优于多数同类模型[19] - Jet-Nemotron-4B在所有编码任务中均实现更高准确率，在长上下文任务中性能媲美配备更多全注意力层的领先模型[19] 2 Gemini 2.5 Flash Image模型 - 在LMArena基准测试的文生图与图像编辑两个场景中均获得全球第一的评价[27] - 在用户综合喜好度、人物、创造力、信息图、物体和环境的生成上领先于GPT-4o图像生成、Flux.1 Kontext等模型[27] - 定价为每百万输出token 30美元，每张图像消耗约1290 token，约合0.039美元每张图像[28] 3 MAI-1-preview模型 - 在LMArena文本任务榜单中排名第13位[36] 4 RLCF模型 - 在IFEval上相对提升2.8-3.0%[51] - 在FollowBench上约束满足水平提升8.2%[51] - 在InFoBench上总体要求遵循率提升6.9%[51] - 在"内容"类约束上的平均硬满足率比基线高出6.4个百分点[51] --- 因子的回测效果 （本报告中未涉及量化因子的回测效果）

量化模型与因子总结 量化因子与构建方式 1 **因子名称：大小盘风格因子** **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[12] **因子具体构建过程：** 使用市值加权组合收益差来表征风格暴露，具体计算大盘股组合与小盘股组合的收益率差值 2 **因子名称：价值成长风格因子** **因子构建思路：** 通过估值与成长性指标区分价值与成长风格[12] **因子具体构建过程：** 构建价值股组合和成长股组合，计算两类组合的收益率差值作为风格因子 3 **因子名称：行业指数超额收益离散度因子** **因子构建思路：** 衡量各行业指数超额收益的分散程度[12] **因子具体构建过程：** 计算各行业指数相对于基准的超额收益，然后计算这些超额收益的截面标准差 4 **因子名称：行业轮动度量因子** **因子构建思路：** 量化行业轮动速度的快慢[12] **因子具体构建过程：** 使用行业收益率的相关系数矩阵或动量指标变化率来度量行业轮动速度 5 **因子名称：成分股上涨比例因子** **因子构建思路：** 衡量市场广度和参与度[12] **因子具体构建过程：** 计算指数成分股中上涨股票数量占总股票数量的比例 $$上涨比例 = \frac{上涨股票数量}{总股票数量}$$ 6 **因子名称：前100个股成交额占比因子** **因子构建思路：** 衡量交易集中度于头部个股的程度[12] **因子具体构建过程：** 计算前100只个股成交额之和与市场总成交额的比例 $$成交集中度 = \frac{\sum_{i=1}^{100} 成交额_i}{市场总成交额}$$ 7 **因子名称：前5行业成交额占比因子** **因子构建思路：** 衡量交易集中度于头部行业的程度[12] **因子具体构建过程：** 计算前5个行业成交额之和与市场总成交额的比例 8 **因子名称：指数波动率因子** **因子构建思路：** 衡量市场波动风险水平[12] **因子具体构建过程：** 使用指数收益率的移动标准差来计算市场波动率 9 **因子名称：指数换手率因子** **因子构建思路：** 衡量市场交易活跃程度[12] **因子具体构建过程：** 计算市场总成交额与流通市值的比率 10 **因子名称：商品趋势强度因子** **因子构建思路：** 衡量商品期货价格的趋势性强弱[19][25] **因子具体构建过程：** 通过移动平均线斜率或动量指标来量化各商品板块的趋势强度 11 **因子名称：商品基差动量因子** **因子构建思路：** 衡量商品期货期限结构的变化动量[19][25] **因子具体构建过程：** 计算近月合约与远月合约价格差的变动率 12 **因子名称：商品波动率因子** **因子构建思路：** 衡量商品市场的波动风险水平[19][25] **因子具体构建过程：** 使用商品指数收益率的移动标准差来计算波动率 13 **因子名称：商品流动性因子** **因子构建思路：** 衡量商品市场的流动性状况[19][25] **因子具体构建过程：** 通过成交量和持仓量变化来度量市场流动性 14 **因子名称：期权隐含波动率因子** **因子构建思路：** 衡量期权市场对未来波动率的预期[28] **因子具体构建过程：** 从期权市场价格反推计算出隐含波动率指标 15 **因子名称：期权偏度因子** **因子构建思路：** 衡量期权市场对尾部风险的定价[28] **因子具体构建过程：** 通过看跌期权与看涨期权隐含波动率的差异来计算偏度 16 **因子名称：百元转股溢价率因子** **因子构建思路：** 衡量可转债估值水平[30] **因子具体构建过程：** 计算可转债市场价格相对于转换价值的溢价程度 17 **因子名称：低转股溢价率占比因子** **因子构建思路：** 衡量市场中低估值转债的分布情况[30] **因子具体构建过程：** 计算转股溢价率低于特定阈值的转债数量占比 因子的回测效果 1 **大小盘风格因子**，上周表现：风格偏向均衡[12] 2 **价值成长风格因子**，上周表现：风格偏向成长[12] 3 **大小盘风格波动因子**，上周表现：波动下降[12] 4 **价值成长风格波动因子**，上周表现：波动上升[12] 5 **行业指数超额收益离散度因子**，上周表现：离散度上升[12] 6 **行业轮动度量因子**，上周表现：先升后降[12] 7 **成分股上涨比例因子**，上周表现：上涨比例上升[12] 8 **前100个股成交额占比因子**，上周表现：集中度上升[12] 9 **前5行业成交额占比因子**，上周表现：集中度上升[12] 10 **指数波动率因子**，上周表现：波动率上升[12] 11 **指数换手率因子**，上周表现：换手率上升[12] 12 **商品趋势强度因子**，上周表现：各板块趋势强度下降[19][25] 13 **商品基差动量因子**，上周表现：能化贵金属板块上升[19][25] 14 **商品波动率因子**，上周表现：各板块波动率下降[19][25] 15 **商品流动性因子**，上周表现：各板块流动性震荡向下[19][25] 16 **期权隐含波动率因子**，上周表现：上证50与中证1000隐波维持高位[28] 17 **期权偏度因子**，上周表现：中证1000看跌期权偏度上升[28] 18 **百元转股溢价率因子**，上周表现：保持维稳[30] 19 **低转股溢价率占比因子**，上周表现：显著上升[30]

量化因子与构建方式 1. **因子名称：估值偏离EPD因子** **因子构建思路：** 将CTA领域常用的布林带均值回复策略与基本面估值修复逻辑相结合，利用估值指标PE存在的均值回复特性构建[7] **因子具体构建过程：** 具体构建过程未详细说明，但核心是利用PE指标的布林带构造，衡量当前估值相对于历史均值的偏离程度 2. **因子名称：缓慢偏离EPDS因子** **因子构建思路：** 为了剔除个股估值逻辑变化带来的影响，在截面上用EPD因子剔除个股估值逻辑被改变的概率（由个股信息比率代理）[7] **因子具体构建过程：** 具体构建过程未详细说明，核心是在EPD因子的基础上，使用个股信息比率作为代理变量，调整以反映估值逻辑变化的缓慢偏离 3. **因子名称：估值异常EPA因子** **因子构建思路：** 在EPDS因子的基础上，进一步剔除影响“估值异常”逻辑的Beta、成长与价值风格，最终得到纯净的估值异常因子[7] **因子具体构建过程：** 具体构建过程未详细说明，核心是对EPDS因子进行风格中性化处理，剔除Beta、成长和价值风格的影响 因子的回测效果 1. **估值偏离EPD因子** 年化收益率：17.47%[2][8][12] 年化波动率：9.94%[2][8][12] 信息比率(IR)：1.76[2][8][12] 月度胜率：70.59%[2][8][12] 最大回撤率：8.93%[2][8][12] 2. **缓慢偏离EPDS因子** 年化收益率：16.12%[2][8][12] 年化波动率：5.74%[2][8][12] 信息比率(IR)：2.81[2][8][12] 月度胜率：78.61%[2][8][12] 最大回撤率：3.10%[2][8][12] 3. **估值异常EPA因子** 年化收益率：17.29%[2][8][12] 年化波动率：5.14%[2][8][12] 信息比率(IR)：3.37[2][8][12] 月度胜率：80.75%[2][8][12] 最大回撤率：3.12%[2][8][12] 2025年8月多头组合收益率：7.72%[2][15] 2025年8月空头组合收益率：8.34%[2][15] 2025年8月多空对冲收益率：-0.63%[2][15]

量化因子与构建方式 1. 因子名称：新价量相关性 RPV 因子 - **因子构建思路**：通过划分价量四象限，利用月度IC均值有效甄别出价量相关性因子的反转效应和动量效应，在"动量因子切割"研究的基础上，以相关性的形式加入"成交量"的信息，分别为日内、隔夜的价量相关性找到最佳代表，并完成信息叠加[6] - **因子具体构建过程**：从基准因子CCV（日频CPV）中发现换手率序列可以增强收盘价序列的反转效应，分别为日内价量相关性和隔夜价量相关性找到了最佳代表——CCOIV和COV。日内价量相互配合加强了反转；隔夜价量关系蕴藏在时间维度上的"错配"之中，"昨日量"加强了隔夜收益的动量。将两者协调一致，使各自的信息叠加起来为同一个目标服务，得到新价量相关性RPV因子[6] 2. 因子名称：聪明版日频价量相关性 SRV 因子 - **因子构建思路**：将日内涨跌拆分为上午涨跌和下午涨跌，并计算分钟"聪明"指标，将当日下午"聪明"指标最大的各20%（24分钟）作为知情交易最集中的"聪明"时段，使用下午"聪明"换手率与下午涨跌的相关系数；对隔夜价量相关性，将换手率替换为知情交易比例更高的昨天最后半小时换手率[1] - **因子具体构建过程**：将效果更好的日内价量相关性因子和隔夜价量相关性因子结合，合成的SRV因子[1] 因子的回测效果 1. 新价量相关性 RPV 因子 - 年化收益率：14.17%[7][10] - 年化波动率：7.73%[7][10] - 信息比率(IR)：1.83[7][10] - 月度胜率：71.94%[7][10] - 最大回撤率：10.63%[7][10] 2. 聪明版日频价量相关性 SRV 因子 - 年化收益率：16.89%[7][10] - 年化波动率：6.51%[7][10] - 信息比率(IR)：2.59[7][10] - 月度胜率：74.10%[7][10] - 最大回撤率：3.87%[7][10]

量化模型与构建方式 1. 量化大势研判行业配置策略 **模型构建思路**：通过自下而上的资产全局比较，基于产业生命周期理论将权益资产划分为五种风格阶段，通过优先级比较（g>ROE>D）筛选优势资产[1][5] **模型具体构建过程**： 1. 划分五种风格阶段：外延成长、质量成长、质量红利、价值红利、破产价值[5] 2. 对全市场权益资产（中信二三级行业）进行风格分类[15] 3. 按主流资产（实际增速资产、预期增速资产、盈利资产）和次级资产（质量红利>价值红利>破产价值）优先级进行比较[9] 4. 主流资产采用优势差（Spread）计算： - 预期增速优势差：$$\Delta gf = g\_fttm_{Top} - g\_fttm_{Bottom}$$[20] - 实际增速优势差：$$\Delta g = g\_ttm_{Top} - g\_ttm_{Bottom}$$[24] - ROE优势差：$$\Delta ROE = ROE_{Top} - ROE_{Bottom}$$[26] 5. 次级资产按拥挤度排序[9] 6. 每月选择优势风格中排名前5的细分行业等权重配置[15] 2. 预期成长策略 **因子构建思路**：选取分析师预期增速最高的行业[34] **因子具体构建过程**： 1. 计算行业预期净利润增速g_fttm[20] 2. 按g_fttm从高到低排序 3. 选择排名前5的行业[34] 3. 实际成长策略 **因子构建思路**：选取超预期/△g最高的行业[36] **因子具体构建过程**： 1. 采用三个因子：sue（未预期盈余）、sur（营收惊喜）、jor（盈利惊喜）[36] 2. 对行业进行多因子综合评分 3. 选择排名前5的行业[37] 4. 盈利能力策略 **因子构建思路**：选取高ROE中PB-ROE框架下估值较低的行业[39] **因子具体构建过程**： 1. 计算行业PB-ROE回归残差：$$残差 = ROE - \beta \times PB$$[39] 2. 按残差从高到低排序（高ROE低PB） 3. 选择排名前5的行业[39] 5. 质量红利策略 **因子构建思路**：选取DP+ROE打分最高的行业[42] **因子具体构建过程**： 1. 计算行业dp（股息率）和roe（净资产收益率）[42] 2. 对dp和roe进行标准化打分并加权求和 3. 选择综合得分前5的行业[42] 6. 价值红利策略 **因子构建思路**：选取DP+BP打分最高的行业[45] **因子具体构建过程**： 1. 计算行业dp（股息率）和bp（市净率倒数）[45] 2. 对dp和bp进行标准化打分并加权求和 3. 选择综合得分前5的行业[45] 7. 破产价值策略 **因子构建思路**：选取PB+SIZE打分最低的行业[48] **因子具体构建过程**： 1. 计算行业pb（市净率）和size（市值）[48] 2. 对pb和size进行标准化打分并加权求和（低pb小市值） 3. 选择综合得分最低的前5个行业[48] 模型的回测效果 1. 量化大势研判行业配置策略 年化收益：27.25%[15] 各年度超额收益： - 2009年：51%[18] - 2010年：14%[18] - 2011年：-11%[18] - 2012年：0%[18] - 2013年：36%[18] - 2014年：-4%[18] - 2015年：16%[18] - 2016年：-1%[18] - 2017年：27%[18] - 2018年：7%[18] - 2019年：8%[18] - 2020年：44%[18] - 2021年：38%[18] - 2022年：62%[18] - 2023年：10%[18] - 2024年：52%[18] - 2025年8月：4%[18] 2. 预期成长策略 近3月表现： - 线缆：49.62%[34] - 水泥：12.71%[34] - 玻璃纤维：63.67%[34] - 稀土及磁性材料：98.77%[34] - 白色家电Ⅲ：-1.21%[34] 3. 实际成长策略 近3月表现： - 集成电路：42.93%[37] - PCB：112.10%[37] - 钨：69.26%[37] - 锂电设备：60.15%[37] - 兵器兵装Ⅲ：80.22%[37] 4. 盈利能力策略 近3月表现： - 啤酒：-3.94%[39] - 白酒：4.12%[39] - 非乳饮料：-4.45%[39] - 网络接配及塔设：202.29%[39] - 建筑装修Ⅲ：4.42%[39] 5. 质量红利策略 近3月表现： - 车用电机电控：38.98%[42] - 其他家电：28.13%[42] - 稀土及磁性材料：98.77%[42] - 网络接配及塔设：202.29%[42] - 玻璃纤维：63.67%[42] 6. 价值红利策略 近3月表现： - 化学制剂：19.43%[45] - 日用化学品：2.12%[45] - 安防：21.03%[45] - 服务机器人：39.81%[45] - 网络接配及塔设：202.29%[45] 7. 破产价值策略 近3月表现： - 汽车销售及服务Ⅲ：4.59%[48] - 动物疫苗及兽药：10.81%[48] - 棉纺制品：4.80%[48] - 包装印刷：13.22%[48] - 印染：3.22%[48]

量化模型与因子总结 量化因子与构建方式 1 **因子名称**："日与夜的殊途同归"新动量因子[7] **因子构建思路**：基于日内与隔夜各自的价量关系，分别对日内因子、隔夜因子进行改进，再重新合成新的动量因子[7] **因子具体构建过程**： - 将交易时段切割为日与夜，分别探索各自的价量关系[7] - 在以往"动量因子切割"研究的基础上，加入"成交量"的信息，挖掘投资者交易行为的差异[7] - 分别构建日内因子和隔夜因子，并进行改进后重新合成[7] **因子评价**：选股能力显著优于传统动量因子，稳定性较好[6][7] 因子回测效果 1 **"日与夜的殊途同归"新动量因子**（全市场，2014年2月至2025年8月）[1][7] 年化收益率：17.93%[1][14] 年化波动率：8.73%[1][14] 信息比率(IR)：2.05[1][14] 月度胜率：76.98%[1][14] 月度最大回撤率：9.07%[1][14] 2 **"日与夜的殊途同归"新动量因子**（回测期2014/01/01-2022/07/31）[7] IC均值：-0.045[7] 年化ICIR：-2.59[7] 10分组多空对冲年化收益率：22.64%[7] 信息比率：2.85[7] 月度胜率：83.33%[7] 最大回撤率：5.79%[7] 3 **8月份因子表现**（2025年8月）[1][10] 10分组多头组合收益率：9.49%[1][10] 10分组空头组合收益率：9.58%[1][10] 10分组多空对冲收益率：-0.10%[1][10] 4 **传统动量因子**（2014/01/01-2022/07/31期间，以20日收益率为例）[6] 10分组多空对冲信息比率：1.09[6] 月度胜率：62.75%[6] 最大回撤：20.35%[6]

量化模型与构建方式 1 居民资金活跃度指标 **模型构建思路**：通过整合ETF资金流、龙虎榜成交数据和百度指数三个维度的信息，构建一个日频跟踪居民资金活跃度的综合指标，以高频监测居民资金动向[11][12][21] **模型具体构建过程**： 1. **数据预处理**： - 对三类日频原始数据（ETF资金流、龙虎榜成交额占比、百度指数）分别进行滚动1个月移动平均处理，以消除短期噪音[23] 2. **分位数计算**： - 计算每项指标的滚动半年分位数（窗口期为6个月）[23] 3. **百度指数合成**： - 将"股票开户"、"牛市"、"抄底"三个关键词的百度指数分位数等权合成，得到百度指数分项指标[23] 4. **综合指标合成**： - 将以下三个分项指标等权合成，得到最终的居民资金活跃度指标： - 个人投资者主导的ETF资金流分位数 - 龙虎榜居民资金活跃度分位数 - 百度指数合成指标分位数 - 指标取值范围为0-1，代表当前居民资金活跃度在过去半年中的分位数水平[23] **模型评价**：该指标能够较好地高频代理居民资金动向，与月频新增开户数走势一致性较强，且具备一定的市场择时能力，类似于"恐贪指数"的功能[27][28] 2 市场分化度指标 **因子构建思路**：通过计算中证800成分股的平均涨幅与中位数涨幅之间的差异，衡量市场上涨是否集中于少部分股票，以反映市场分化程度[32][35] **因子具体构建过程**： 1. **每日计算**： - 计算中证800指数所有成分股的当日涨幅 - 计算这些涨幅的算术平均值（AvgReturn）和中位数（MedReturn） 2. **差异计算**： - 计算每日分化度： $$ \text{DiffFactor}_t = \text{AvgReturn}_t - \text{MedReturn}_t $$ 3. **平滑处理**： - 对每日分化度进行滚动20日移动平均处理，得到平滑后的市场分化度指标[32][35] **因子评价**：该因子能够有效衡量市场收益分化程度，历史数据显示当分化度过大时往往对应市场短期高点，对市场行情延续性有指示作用[32][35] 模型的回测效果 1 居民资金活跃度择时策略 **策略规则**：当居民资金活跃度指标在过去10日内有达到过70%以上时空仓，否则满仓持有Wind全A指数[28] **回测结果**（2019年2月至2025年8月）： - Wind全A基准收益：75%[28] - 择时策略收益：167%[28] 2 市场分化度指标 **观察结果**：截至2025年9月1日，市场分化度指标（滚动20日均值）处于2019年以来的97.4%分位水平，表明市场收益分化度处于历史极值附近[32] 量化因子与构建方式 1 个人投资者ETF资金流因子 **因子构建思路**：通过筛选个人投资者主导的ETF，计算其每日资金流，以反映居民资金流向[12] **因子具体构建过程**： 1. **样本筛选**：每年8月底和3月底，筛选最新公布的个人持有比例≥70%的A股权益类ETF[12] 2. **资金流计算**： - 每日资金流 = ETF份额变动 × 成交量加权平均价（VWAP）[12] - 加总所有符合条件的ETF资金流，得到日频因子值[12] 2 龙虎榜居民资金活跃度因子 **因子构建思路**：通过计算东方财富拉萨营业部席位在龙虎榜上的成交占比，反映居民资金活跃度[13][17] **因子具体构建过程**： 1. **席位识别**：将东方财富在拉萨的营业部席位视为居民资金主导（如东方财富拉萨团结路第一、东环路第二等）[13][16] 2. **活跃度计算**： - 每日因子值 = 拉萨营业部龙虎榜总成交额 / 万得全A成交额[17] 3 百度指数情绪因子 **因子构建思路**：通过追踪"股票开户"、"牛市"、"抄底"三个关键词的搜索指数，衡量居民资金情绪[21] **因子具体构建过程**： 1. **数据获取**：获取三个关键词的日度百度指数数据[21] 2. **平滑处理**：对每个关键词的指数进行滚动1个月移动平均处理[22] 因子的回测效果 （注：报告中未提供单个因子的具体回测结果数据，仅提供了综合模型的效果）

根据提供的量化研报内容，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**：估值价差赔率因子[7] * **因子构建思路**：基于多空两组的估值价差（即因子多空两组BP中位数的比率）来构建风格因子的赔率指标，用以定位风格轮动的大周期，具有左侧交易特征（“跌多了买，涨多了卖”）[7] * **因子具体构建过程**： 1) 选定因子，按照因子值排序分为五组（行业中性，每个行业内分组后再合并），确定多头组和空头组[11] 2) 计算多头组和空头组的中位数 log(BP)，对数处理是为了使BP呈现正态分布[11] 3) 估值价差原始值 = 多头组中位数 log(BP) - 空头组中位数 log(BP)[11] 4) 对估值价差原始值进行滚动六年窗口的zscore处理，得到最终的赔率指标[11] 2. **因子名称**：A股赔率因子[32] * **因子构建思路**：基于ERP（股权风险溢价）和DRP（信用风险溢价）的标准化数值等权计算A股资产的赔率[32] * **因子具体构建过程**：报告提及了计算基础（ERP和DRP），但未详细描述具体的加权或合成公式。 3. **因子名称**：债券赔率因子[33] * **因子构建思路**：根据长短债预期收益差构建债券资产的赔率指标[33] * **因子具体构建过程**：报告提及了构建基础（长短债预期收益差），但未详细描述具体的计算过程。 4. **因子名称**：美股AIAE指标[37] * **因子构建思路**：作为衡量美股估值风险的赔率指标[37] * **因子具体构建过程**：报告未详细描述其具体构建过程。 5. **因子名称**：美联储流动性指数[37] * **因子构建思路**：结合数量维度和价格维度构建，用以衡量美联储流动性的充裕程度[37] * **因子具体构建过程**：报告提及了构建维度（数量维度和价格维度），但未详细描述具体的合成方法。 6. **因子名称**：风格因子综合评分[42][45][47][50] * **因子构建思路**：综合赔率、趋势、拥挤度三个维度对风格因子进行评价和排名[42][45][47][50] * **因子具体构建过程**：报告多次提到基于“赔率-趋势-拥挤度”三标尺进行综合分析并给出综合得分，但未详细描述三者的具体加权或合成公式。 7. **因子名称**：行业轮动因子[58] * **因子构建思路**：基于行业景气度、趋势、拥挤度三个维度构建行业轮动模型[58] * **因子具体构建过程**： * 以行业过去12个月信息比率刻画行业动量和趋势[58] * 以行业的换手率比率、波动率比率和beta比率刻画行业的交易拥挤度[58] * 报告未详细描述景气度的具体计算方法和三者的最终合成方式。 量化模型与构建方式 1. **模型名称**：赔率增强型策略[63] * **模型构建思路**：结合各资产的赔率指标，在目标波动率约束的条件下持续超配高赔率资产，低配低赔率资产[63] * **模型具体构建过程**：报告提及了核心思想（基于赔率进行超低配）和约束条件（目标波动率），但未详细描述资产选择、权重计算等具体步骤。 2. **模型名称**：胜率增强型策略[66] * **模型构建思路**：从货币、信用、增长、通胀和海外五个因素出发，获得各资产的宏观胜率评分，并据此构建配置策略[66] * **模型具体构建过程**：报告提及了胜率的来源（五个宏观因素），但未详细描述评分卡的构建方法以及如何根据胜率评分进行资产配置。 3. **模型名称**：赔率+胜率策略[69] * **模型构建思路**：将赔率策略的风险预算和胜率策略的风险预算进行简单相加得到综合得分，并据此构建配置策略[69] * **模型具体构建过程**：报告描述了核心合成方式（风险预算简单相加），但未详细说明赔率策略和胜率策略各自的风险预算具体是如何计算得出的。 因子的回测效果 1. **估值价差赔率因子**（截至报告时点）[12][15][16][17][18][19][20][21][22][23][24][25][26] * 小微盘风格赔率：-0.72倍标准差（中低赔率水平） * 红利风格赔率：0.47倍标准差（中等赔率水平） * PB因子赔率：0.63倍标准差（中高赔率水平） * PE因子赔率：0.82倍标准差（中高赔率水平） * 质量风格赔率（ROE因子）：1.17倍标准差（中高赔率水平） * 低波风格赔率：1.75倍标准差（超高赔率水平） * 动量风格赔率：-1.36倍标准差（中低赔率水平） 2. **风格因子综合评分**（截至报告时点）[42][45][47][50] * 价值风格：赔率0.6倍标准差，趋势0，拥挤度-1.4倍标准差，综合得分2.4 * 质量风格：赔率1.7倍标准差，趋势-1.4倍标准差，拥挤度-0.8倍标准差，综合得分1 * 成长风格：赔率0.8倍标准差，趋势-0.2倍标准差，拥挤度0.4倍标准差，综合得分0.9 * 小盘风格：赔率-0.7倍标准差，趋势1.8倍标准差，拥挤度0.4倍标准差，综合得分0.2 3. **行业轮动模型**（历史回测）[59] * 2011年以来年化收益：13.1% * 2011年以来年化超额收益：11.0% * 2011年以来最大回撤：25.4% * 2011年以来信息比率(IR)：1.18 * 2014年以来年化收益：13.0% * 2014年以来年化超额收益：12.0% * 2014年以来最大回撤：25.4% * 2014年以来信息比率(IR)：1.08 * 2019年以来年化收益：10.8% * 2019年以来年化超额收益：10.7% * 2019年以来最大回撤：12.3% * 2019年以来信息比率(IR)：1.02 模型的回测效果 1. **赔率增强型策略**（历史回测）[65] * 2011年以来年化收益：6.6% * 2011年以来年化波动率：2.4% * 2011年以来最大回撤：3.0% * 2011年以来夏普比率：2.72 * 2014年以来年化收益：7.5% * 2014年以来年化波动率：2.3% * 2014年以来最大回撤：2.4% * 2014年以来夏普比率：3.19 * 2019年以来年化收益：7.0% * 2019年以来年化波动率：2.2% * 2019年以来最大回撤：2.4% * 2019年以来夏普比率：3.02 2. **胜率增强型策略**（历史回测）[68] * 2011年以来年化收益：7.0% * 2011年以来年化波动率：2.3% * 2011年以来最大回撤：2.8% * 2011年以来夏普比率：2.96 * 2014年以来年化收益：7.7% * 2014年以来年化波动率：2.2% * 2014年以来最大回撤：2.3% * 2014年以来夏普比率：3.36 * 2019年以来年化收益：6.3% * 2019年以来年化波动率：2.1% * 2019年以来最大回撤：2.3% * 2019年以来夏普比率：2.87 3. **赔率+胜率策略**（历史回测）[71] * 2011年以来年化收益：7.0% * 2011年以来年化波动率：2.4% * 2011年以来最大回撤：2.8% * 2011年以来夏普比率：2.86 * 2014年以来年化收益：7.6% * 2014年以来年化波动率：2.3% * 2014年以来最大回撤：2.7% * 2014年以来夏普比率：3.26 * 2019年以来年化收益：7.2% * 2019年以来年化波动率：2.4% * 2019年以来最大回撤：2.8% * 2019年以来夏普比率：2.85

量化模型与构建方式 1. **模型名称**：无 本报告未涉及具体的量化模型，主要聚焦于量化因子的构建与应用[1][3][8]。 量化因子与构建方式 1. **因子名称**：基金选股 alpha 胜率因子 **因子构建思路**：通过计算基金历史持仓中个股跑赢行业的胜率，来刻画基金的选股能力[18][23]。 **因子具体构建过程**： - 在每个基金季报披露时点，回看过去5个报告期的持仓数据（其中2期为年报/中报的全持仓，其余为季报前十大重仓）[15][23]。 - 对于每只持仓股票，计算其在持仓时点后一段时间内的收益率与行业收益率的差值，若差值超过阈值δ（δ=0.5%），则记为一次成功选股[18][19][23]。 - 基金选股 alpha 胜率因子的计算公式为： $$Select\_Alpha\_WinRate_{T} = \frac{\sum_{\text{回看5个报告期}} I(Stock\_Return_{S,T} - Industry\_Return_{S,T} > 0.5\%)}{\sum_{\text{回看5个报告期}} I(Stock\_Return_{S,T})}$$ 其中，$Stock\_Return_{S,T}$ 是股票S在持仓时点T后一段时间内的收益率，$Industry\_Return_{S,T}$ 是同期行业收益率，$I(\cdot)$ 是指示函数[18][19][23]。 **因子评价**：该因子能有效预测基金未来业绩，选基效果优秀[18][23][25]。 2. **因子名称**：FHQ 因子 **因子构建思路**：将基金选股 alpha 胜率因子通过持仓关系映射到股票层面，反映持有该股票的基金平均质量[1][31][34]。 **因子具体构建过程**： - 在基金季报公布时点，获取基金的前十大重仓股信息[31][34]。 - 对于每只股票，计算其FHQ因子值，公式为： $$FHQ_{i} = \frac{\sum_{f=1}^{F} \bar{A}_{f} w_{i,f}}{\sum_{f=1}^{F} w_{i,f}}$$ 其中，$\bar{A}_{f}$ 是基金f的选股 alpha 胜率因子值，$w_{i,f}$ 是基金f持有股票i的权重（本文采用占基金净值比加权）[34][35][67]。 **因子评价**：FHQ因子在多个样本空间内均表现出较好的选股效果，尤其是在大盘股中[2][42][48]。 3. **因子名称**：FHQ_5 因子 **因子构建思路**：将多个基金因子映射得到的股票因子进行合成，以提升选股效果的稳健性和显著性[3][90][93]。 **因子具体构建过程**： - 选取五个基金因子分别映射为股票因子： - T{股票投资能力（选股 alpha 胜率）} → FHQₐ - T{行业配置能力（行业收益贡献）} → FHQ₆ - T{超额收益能力（近1年Calmar）} → FHQ꜀ - T{风险控制能力（近1年最大回撤）} → FHQₔ - T{机构认可度（机构持有份额占比）} → FHQₑ[90][93] - 对每个因子进行截面标准化处理，然后等权合成综合因子： $$FHQ\_5 = mean(FHQ_{a} + FHQ_{b} + FHQ_{c} + FHQ_{d} + FHQ_{e})$$[90] **因子评价**：FHQ_5因子相比单一的FHQ因子，在选股绩效上有显著提升[3][90][103]。 模型的回测效果 本报告未涉及量化模型的回测效果。 因子的回测效果 1. **基金选股 alpha 胜率因子** - IC均值：0.0653[1][23] - IC胜率：71%[1][23] 2. **FHQ 因子** - 在万得全A样本空间： - IC均值：0.035[37][42] - IC胜率：59%[42] - 在沪深300样本空间： - IC均值：0.06[2][48] - IC胜率：63%[2][48] - 在上证50样本空间： - IC均值：0.11[49][54] - IC胜率：65%[54] 3. **FHQ_5 因子** - 在沪深300样本空间： - IC均值：0.0963[3][90][103] - IC胜率：73%[3][90][103] 基于因子构建策略的回测效果 1. **基于FHQ的沪深300多头选股等权组合** - 年化收益率：15.29%[57][59] - 超额年化收益率（相对沪深300等权）：11.22%[57][59] - 月度胜率：72.37%[59] - 季度胜率：72.55%[59] 2. **基于FHQ的上证50多头选股等权组合** - 年化收益率：12.46%[61][63] - 超额年化收益率（相对上证50等权）：10.60%[61][63] - 月度胜率：65.79%[63] - 季度胜率：72.55%[61] 3. **基于FHQ_5的沪深300多头选股等权组合** - 年化收益率：15.31%[94][96] - 超额年化收益率（相对沪深300等权）：10.72%[94][96] - 月度胜率：63.16%[96] - 季度胜率：66.67%[94] 4. **基于FHQ的沪深300指数增强组合** - 超额年化收益率：6.48%[79][84] - 年化跟踪误差：4.16%[79] - 信息比率（IR）：1.56[79] - 月度胜率：67.76%[79] 5. **基于FHQ_5的沪深300指数增强组合** - 超额年化收益率：7.40%[98][104] - 年化跟踪误差：4.33%[98][104] - 信息比率（IR）：1.71[98][104] - 月度胜率：74.34%[98]

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**：ETF机构持仓穿透算法[1][13] * **模型构建思路**：由于ETF基金在定期报告中公布的机构投资者持有份额占比通常将ETF联接基金也视为机构，这会高估真实的机构持仓比例。该模型旨在通过穿透联接基金的持有人结构，更精确地计算ETF中机构投资者的实际持仓规模和占比[1][13]。 * **模型具体构建过程**：模型基于ETF及其联接基金的定期报告数据。核心思想是，ETF的实际机构持有份额等于ETF公布的机构持有份额减去联接基金持有的ETF份额中属于个人投资者的部分[15][17]。 具体计算公式如下： $$P_{\rm inst}=P_{\rm inst}^{\rm pub}-P_{\rm link}*(1-S_{\rm inst}^{\rm link})$$[17] 其中： * $P_{\rm inst}$ 代表修正后的ETF机构投资者实际持有份额占比。 * $P_{\rm inst}^{\rm pub}$ 代表ETF定期报告中公布的机构投资者持有份额占比[15]。 * $P_{\rm link}$ 代表ETF定期报告中公布的联接基金持有该ETF的份额占比[15]。 * $S_{\rm inst}^{\rm link}$ 代表联接基金（合并口径）的机构投资者持有比例[15]。 对于个别缺失$P_{\rm link}$数据的情况，使用联接基金数据进行反向推算： $$P_{\mathrm{link}}=A_{\mathrm{link}}*P_{\mathrm{fund}}/A_{\mathrm{net}}$$[18] 其中$A_{\mathrm{link}}$为联接基金资产净值，$P_{\mathrm{fund}}$为联接基金持有ETF市值占其资产净值比例，$A_{\mathrm{net}}$为ETF资产净值[15][18]。 模型的回测效果 （报告中未提供该穿透算法模型自身的量化回测指标，如年化收益率、夏普比率、信息比率(IR)、最大回撤等。报告主要展示了应用此算法后得到的各类ETF机构持仓占比的静态或时序变化结果[2][3][4][5][21][22][23][26][29][32][33][38][40][43][44][47][48][51][53][56][60]。） 量化因子与构建方式 （报告中未涉及传统意义上的量化因子（如价值、动量、质量等）的构建与分析。其核心内容是应用上述穿透算法对ETF持有人结构进行分析，属于投资者行为分析范畴，而非构建预测未来收益的Alpha因子。） 因子的回测效果 （报告中未提供任何量化因子的回测效果指标，如因子IC值、ICIR、多空收益、年化收益、夏普比率等。）