根据您提供的金融工程日报内容，报告核心是市场数据统计与监测，并未涉及传统的量化选股模型或多因子模型的构建与测试。报告主要定义并计算了数个用于监测市场情绪和资金流向的指标。以下是总结： 量化因子与构建方式 1. **因子名称**：封板率[16] * **因子构建思路**：通过计算盘中触及涨停且最终成功封住涨停板的股票比例，来反映市场追涨情绪和涨停板的可靠性[16]。 * **因子具体构建过程**：统计上市满3个月以上的股票。首先，找出当日盘中最高价涨停的股票总数。然后，在这些股票中找出收盘价也涨停的股票数。最后，用后者除以前者得到封板率。 * 计算公式：$$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[16] 2. **因子名称**：连板率[16] * **因子构建思路**：通过计算连续两个交易日都收盘涨停的股票比例，来反映市场强烈的看涨情绪和题材炒作的持续性[16]。 * **因子具体构建过程**：统计上市满3个月以上的股票。首先，确定昨日收盘涨停的股票总数。然后，在这些股票中找出今日收盘也涨停的股票数。最后，用后者除以前者得到连板率。 * 计算公式：$$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[16] 3. **因子名称**：大宗交易折价率[25] * **因子构建思路**：通过计算大宗交易成交价格相对于市价的折价程度，来反映大资金或产业资本的减持意愿或短期市场流动性状况[25]。 * **因子具体构建过程**：收集当日所有大宗交易数据，计算总成交金额。再根据成交股数和这些股票当日的收盘价（或均价）计算其总市值。最后，用成交金额除以总市值再减1得到折价率。 * 计算公式：$$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[25] 4. **因子名称**：股指期货年化贴水率[27] * **因子构建思路**：通过计算股指期货价格相对于现货指数价格的年化折价程度，来反映市场对未来走势的预期、对冲成本以及市场情绪（如悲观情绪常导致深度贴水）[27]。 * **因子具体构建过程**：首先计算基差（股指期货价格减去现货指数价格）。然后用基差除以现货指数价格，再年化处理。年化方法为乘以250（假设一年约250个交易日）并除以合约剩余的交易天数。 * 计算公式：$$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[27] * **因子评价**：该指标是量化对冲策略成本的关键输入，其变化也常被视为市场情绪的晴雨表[27]。 因子的回测效果 （注：本日报仅提供了所述因子在特定日期（20250901或20250902）的截面数据或时间序列上的一个快照值，并未提供任何基于历史回测的绩效指标（如年化收益率、夏普比率、信息比率IR、IC值等）。因此，此处仅列示报告中给出的具体数据取值。） 1. **封板率因子**，当日取值54%[16] 2. **连板率因子**，当日取值16%[16] 3. **大宗交易折价率因子**，近半年平均值5.89%[25]，当日取值7.40%[25] 4. **上证50股指期货年化贴水率因子**，近一年中位数0.21%[27]，当日取值0.05%[27]，近一年分位点52%[27] 5. **沪深300股指期货年化贴水率因子**，近一年中位数2.22%[27]，当日取值3.96%[27]，近一年分位点36%[27] 6. **中证500股指期货年化贴水率因子**，近一年中位数9.46%[27]，当日取值18.09%[27]，近一年分位点16%[27] 7. **中证1000股指期货年化贴水率因子**，近一年中位数11.56%[27]，当日取值16.43%[27]，近一年分位点28%[27]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：市场风格动量选股模型[28][48] **模型构建思路**：基于市场风格动量与银行股内部风格轮动的映射关系，通过市场短期动量信号选择银行股中相应风格的标的[28][47] **模型具体构建过程**： - 每月末计算市场风格动量，使用两个月的风格动量，当两个对立风格之间的动量差异大于5%时认为风格占优[48] - 次月在银行股内选择对应风格的标的，风格分为大盘价值、大盘成长、小盘价值、小盘成长四类[28][42] - 市值因子依据前20%与后80%的划分标准，分为大、小市值两组；估值因子则依据50%分位，划分为高、低估值两组，平行构建四宫格组合[42] **模型评价**：该模型能够有效捕捉银行股内部风格轮动，尤其在市场价值风格下表现优异，但在成长风格主导或市场震荡阶段可能表现独立[47][48] 2. **模型名称**：基本面修正成长风格选股模型[56][58] **模型构建思路**：在成长风格选择时，引入ROE基本面指标修正高估值标的，以规避估值下修风险[56][58] **模型具体构建过程**： - 当市场风格动量信号指向成长风格时，使用PB和ROE_TTM值做等权打分[58] - 选择高估值（高PB）且高基本面（高ROE）的标的，公式为： $$ \text{综合得分} = \frac{\text{PB分位数} + \text{ROE分位数}}{2} $$ - 选取得分较高的股票作为成长风格组合[58] **模型评价**：通过基本面修正，提升了成长风格选择的稳健性，减少了高估值标的的下行风险[58] 模型的回测效果 1. **市场风格动量选股模型**[48][54] - 年化收益：14.45%[48] - 年化波动：22.62%[48] - 夏普比例：0.64[48] - 最大回撤：33.08%[48] - 卡玛比例：0.44[48] - 超额年化（相对中信银行指数）：5.65%[48] - 超额波动：9.99%[48] - 信息比例（IR）：0.57[48] - 超额最大回撤：20.03%[48] 2. **基本面修正成长风格选股模型**[54][58] - 年化收益：16.27%[54][58] - 年化波动：22.20%[54] - 夏普比例：0.73[54] - 最大回撤：32.82%[54] - 卡玛比例：0.50[54] - 超额年化（相对中证全指）：13.20%[3][58] - 超额年化（相对中信银行指数）：7.33%[3][54][58] - 超额波动：9.59%[54] - 信息比例（IR）：0.76[54] - 超额最大回撤：15.26%[54] 量化因子与构建方式 1. **因子名称**：PB估值因子[32] **因子构建思路**：使用市净率（PB）作为估值指标，低估值组合预期表现更优[32] **因子具体构建过程**： - 每月末计算银行股的PB值[32] - 按PB值从小到大排序，分为5组，第1组为低估值组合，第5组为高估值组合[32] **因子评价**：低估值组合在全区间内表现最优，尤其在价值风格下表现强劲[32][39] 2. **因子名称**：股息率因子[32] **因子构建思路**：使用股息率作为价值指标，高股息率组合预期表现稳定[32] **因子具体构建过程**： - 每月末计算银行股的股息率[32] - 按股息率从高到低排序，分为5组，第1组为高股息率组合[32] **因子评价**：高股息率组合在大部分年份表现突出，但部分年份推动力较弱[32] 3. **因子名称**：市值因子[35][39] **因子构建思路**：使用总市值作为规模指标，大市值组合预期表现更稳健[35][39] **因子具体构建过程**： - 每月末计算银行股的总市值[35] - 按市值从大到小排序，分为5组，第1组为大市值组合[35] **因子评价**：大市值组合表现稳定，自2023年起加速上行[35][39] 4. **因子名称**：ROE因子[36][39] **因子构建思路**：使用ROE_TTM作为基本面指标，高ROE组合预期表现更优[36][39] **因子具体构建过程**： - 每月末计算银行股的ROE_TTM值[36] - 按ROE从高到低排序，分为5组，第1组为高ROE组合[36] **因子评价**：高ROE组合在多数年份表现占优，但有效性不稳定，存在特定市场环境下的局限性[36][39] 因子的回测效果 1. **PB估值因子**[32] - 低估值组合（第1组）绝对净值显著跑赢中证全指及其他分组[32] - 2014年低估值组合取得年度最高绝对业绩[32] 2. **股息率因子**[32] - 高股息率组合（第1组）在大部分年份跑赢基准[32] - 2019年、2020年表现不及低估值组合[32] 3. **市值因子**[35][39] - 大市值组合（第1组）绝对净值稳定跑赢中证全指[35] - 自2023年起加速上行[39] 4. **ROE因子**[36][39] - 高ROE组合（第1组）在多数年份表现占优[36] - 2014年表现显著逊于低ROE组合[39]

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称**：行业拥挤度监测模型[3] * **模型构建思路**：对申万一级行业指数的拥挤度进行每日监测，以识别交易过热或过冷的行业[3] * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程[3] 2. **模型名称**：溢价率 Z-score 模型[4] * **模型构建思路**：通过滚动测算ETF的溢价率Z-score，来筛选存在潜在套利机会的标的[4] * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程[4] 量化因子与构建方式 1. **因子名称**：行业拥挤度[3] * **因子构建思路**：通过综合指标衡量特定行业的交易热度[3] * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细过程[3] 2. **因子名称**：溢价率 Z-score[4] * **因子构建思路**：衡量ETF市价相对于其净值（IOPV）的偏离程度，并经过标准化处理[4] * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细过程[4] 模型的回测效果 （报告未提供相关模型的回测效果指标取值） 因子的回测效果 （报告未提供相关因子的回测效果指标取值）

根据您提供的研报内容，经过全面梳理，总结如下： 量化因子与构建方式 1. **因子名称**：行业ROE(TTM)分位数因子[2][7] **因子构建思路**：通过计算各行业ROE(TTM)指标在其历史序列中的分位数，来评估其当前盈利水平所处的相对位置，以此判断行业景气度[2] **因子具体构建过程**： 1. 选取申万一级行业分类[2] 2. 计算每个行业在指定报告期（2025Q2）的ROE(TTM)值[2] 3. 获取每个行业ROE(TTM)自2014年上半年至2025年第二季度的历史时间序列数据[7] 4. 对于每个行业，将其当前ROE(TTM)值置于其自身的历史序列中，计算其分位数 5. 分位数计算公式为：$$P = \frac{rank(x)}{N}$$ 其中，`rank(x)` 为当前ROE(TTM)值在历史序列中的升序排名，`N` 为历史数据点的总数 **因子评价**：该因子用于识别那些盈利水平处于自身历史高位的行业，这些行业可能处于高景气区间[2] 2. **因子名称**：行业PB分位数因子[2][6] **因子构建思路**：通过计算各行业PB指标在其近期历史序列中的分位数，来评估其当前估值水平的相对高低[2] **因子具体构建过程**： 1. 选取申万一级行业分类[2] 2. 计算每个行业在指定报告期（2025Q2）的PB值[2] 3. 获取每个行业PB自2022年至2025年第二季度的近三年历史时间序列数据[6] 4. 对于每个行业，将其当前PB值置于其自身的近期历史序列中，计算其分位数 5. 分位数计算公式同上：$$P = \frac{rank(x)}{N}$$ **因子评价**：该因子用于识别估值处于自身历史低位或高位的行业，辅助判断其投资的安全边际或风险[2] 3. **因子名称**：行业ROE(TTM)同比变化因子[2][3] **因子构建思路**：通过考察行业ROE(TTM)指标的同比变化情况，来捕捉景气度正在改善的行业[2][3] **因子具体构建过程**： 1. 选取申万一级或二级行业分类[2][3] 2. 计算每个行业在当前报告期（2025Q2）的ROE(TTM)值[2] 3. 计算每个行业在上一年同期（2024Q2）的ROE(TTM)值 4. 计算每个行业ROE(TTM)的同比变化值或变化率 5. 变化率公式为：$$Growth = \frac{ROE_{t} - ROE_{t-4}}{|ROE_{t-4}|}$$ 其中，`t` 代表当前期（2025Q2），`t-4` 代表去年同期（2024Q2）[3][13] 因子的回测效果 （注：研报中未提供任何因子或模型的定量回测指标结果，如年化收益率、夏普比率、信息比率(IR)、最大回撤等，因此本部分内容缺失。） 模型与构建方式 （注：研报内容集中于对行业基本面指标的现状描述和统计，并未明确提及或构建任何具体的量化选股模型或投资组合模型，因此本部分内容缺失。） 模型的回测效果 （注：研报内容集中于对行业基本面指标的现状描述和统计，并未提供任何量化模型的回测效果数据，因此本部分内容缺失。）

量化模型与构建方式 1. 模型名称：预期高股息组合模型；模型构建思路：通过两阶段构建预期股息率指标，并结合反转与盈利因子进行辅助筛选，从沪深300成分股中优选股票构建高股息组合[5][10][16]；模型具体构建过程： (1) 剔除停牌及涨停的沪深300成份股作为待选股票池[15]； (2) 剔除股票池中短期动量最高的20%股票（即21日累计涨幅最高的20%个股）[15]； (3) 剔除股票池中盈利下滑的个股（即单季度净利润同比增长率小于0的股票）[15]； (4) 在剩余股票池中，按预期股息率排序，选取预期股息率最高的30只个股等权构建组合[11]。 预期股息率构建分为两个阶段： 第一阶段：根据年报公告利润分配情况计算股息率[5][10]； 第二阶段：利用历史分红与基本面指标预测并计算股息率[5][10]。 2. 模型名称：红利择时框架模型；模型构建思路：通过合成多个宏观经济与市场情绪因子信号，对中证红利指数进行择时判断[2][25]；模型具体构建过程：模型包含5个子信号，每个信号根据其指标状态输出看多（1）或看空（0）红利的信号，最终合成一个总的择时观点[25][28]。具体因子及规则如下： - 通胀因子：PPI同比（高/低位），信号方向为+[28]。 - 流动性因子1：M2同比（高/低位），信号方向为-[28]。 - 流动性因子2：M1-M2剪刀差（高/低位），信号方向为-[28]。 - 利率因子：美国10年期国债收益率（高/低位），信号方向为+[28]。 - 市场情绪因子：红利股成交额占比（上/下行），信号方向为-[28]。 模型的回测效果 1. 预期高股息组合模型，累计收益358.90%[13]，累计超额收益107.44%[13]，年化超额收益8.87%[13]，超额收益滚动一年最大回撤12.26%[13]，月度超额胜率60.19%[13] 2. 预期高股息组合模型（2025年8月），月度收益5.69%[5][16]，相对沪深300指数超额收益-4.80%[5][16]，相对中证红利指数超额收益4.70%[5][16] 量化因子与构建方式 1. 因子名称：预期股息率因子；因子构建思路：结合已公告的分红数据和基本面指标对未来分红进行预测，从而计算预期股息率[5][10][16]；因子具体构建过程：采用两阶段法计算。 第一阶段：对于已发布年报并公告利润分配方案的股票，直接根据其公告计算股息率。 计算公式为：$$股息率 = \frac{每股现金分红}{股价}$$[5][10] 第二阶段：对于尚未公告的股票，利用其历史分红数据（如分红比例、分红稳定性）和基本面指标（如盈利能力、现金流等）建立预测模型，估算其可能的分红，进而计算预期股息率[5][10]。 2. 因子名称：反转因子；因子构建思路：捕捉股票的短期反转效应，即过去短期涨幅过高的股票未来表现可能不佳[10][15][16]；因子具体构建过程：计算股票过去21日的累计涨幅，并以此作为因子值[15]。 3. 因子名称：盈利因子；因子构建思路：筛选出盈利状况正在改善的股票，规避盈利下滑的风险[10][15][16]；因子具体构建过程：使用单季度净利润同比增长率，计算公式为：$$单季度净利润同比增长率 = \frac{本期单季度净利润 - 上年同期单季度净利润}{|上年同期单季度净利润|}$$，并剔除该值小于0的股票[15]。 4. 因子名称：红利股成交额占比因子；因子构建思路：通过监测红利主题股票的成交额在市场中的占比变化来判断市场情绪[25][28]；因子具体构建过程：计算红利板块股票的总成交额与市场总成交额的比值，并判断该比值的变化趋势（上行或下行）[28]。 因子的回测效果 1. 反转因子，在预期高股息组合模型中用作剔除排名前20%的股票[15] 2. 盈利因子，在预期高股息组合模型中用作剔除单季度净利润同比增速为负的股票[15] 3. 红利股成交额占比因子，2025年9月信号为1（看多）[25][28]

量化模型与构建方式 1. 风格轮动模型 - **模型名称**：风格轮动模型[38] - **模型构建思路**：基于资产定价模型，从宏观经济、市场状态和微观特征三个层次构建多维度指标，预测市场风格（如大小盘、价值成长）的轮动[38] - **模型具体构建过程**： 1. **宏观经济维度**：从经济增长、消费、货币、利率、汇率和地产六个维度选取宏观因子，定义5种事件模式（历史高位/低位、边际改善、超预期、创新高/新低），通过事件驱动法研究宏观事件与风格收益的关系[38] 2. **市场状态维度**：计算中证全指的月涨跌幅、月换手率、月波动率、ERP、BP、DRP和中证红利指数的月超额收益作为代理变量，采用事件研究法考察市场状态与风格轮动的关系[38] 3. **微观特征维度**：从上市公司业绩变化、资金趋向和交易情绪三个方面构建信号，使用多因子模型，强调相对位置比较而非绝对数值，业绩、资金和量价类因子均呈现动量效应[39] 2. 行业轮动模型 - **模型名称**：行业轮动模型[40] - **模型构建思路**：从微观视角构建行业轮动模型，涵盖基本面、技术面和分析师三个维度的信息，生成行业综合得分[40][44] - **模型具体构建过程**： 1. **基本面因子**：包括季度EP、盈余公告日开盘跳空、单季度净利润同比增速、季度ROE、盈利超预期幅度、毛利超预期幅度[44] 2. **分析师因子**：包括三个月预期净利润上下调、一致预测ROE环比变化率[44] 3. **技术面因子**：包括成交量调整动量、剥离涨停动量[44] 4. **综合得分计算**：对每个行业计算基本面、分析师、动量、资金面、风格面、拥挤度等子维度得分，加权得到综合得分[28] 3. 策略择时模型 - **模型名称**：策略择时模型[44][46] - **模型构建思路**：通过多维度指标体系判断市场环境更适合选股策略还是行业轮动策略，生成择时信号[44][46] - **模型具体构建过程**： 1. **指标维度**：包括经济基本面、市场周期、风格切换、行业切换、资金切换、行业内分化、景气分歧度、投资者结构共8个指标[46] 2. **信号生成**：每个子指标输出信号（1表示适合选股，-1表示适合行业轮动，0表示中间态），综合投票得到最终信号[29][30] 量化因子与构建方式 1. 价值类因子 - **因子名称**：预期EP[15] - **因子构建思路**：基于预期盈利和市值的估值因子[15] - **因子具体构建过程**：$$预期EP = \frac{预期盈利}{市值}$$[15] - **因子名称**：股息率TTM[15] - **因子构建思路**：衡量公司分红回报的因子[15] - **因子具体构建过程**：$$股息率TTM = \frac{近12个月股息}{市值}$$[15] - **因子名称**：营收企业价值比[15] - **因子构建思路**：衡量营收相对于企业价值的比率[15] - **因子具体构建过程**：$$营收企业价值比 = \frac{营业收入}{企业价值}$$[15] 2. 成长类因子 - **因子名称**：营收超预期[15] - **因子构建思路**：衡量公司营收超出市场预期的程度[15] - **因子名称**：季度净利润同比增速[15] - **因子构建思路**：衡量公司净利润同比增长情况[15] - **因子具体构建过程**：$$季度净利润同比增速 = \frac{本期净利润 - 上年同期净利润}{上年同期净利润}$$[15] - **因子名称**：季度营业收入同比增速[15] - **因子构建思路**：衡量公司营业收入同比增长情况[15] - **因子具体构建过程**：$$季度营业收入同比增速 = \frac{本期营业收入 - 上年同期营业收入}{上年同期营业收入}$$[15] 3. 盈利类因子 - **因子名称**：季度ROE_Q[15] - **因子构建思路**：衡量公司季度净资产收益率[15] - **因子具体构建过程**：$$季度ROE_Q = \frac{季度净利润}{净资产}$$[15] - **因子名称**：季度ROA_Q[15] - **因子构建思路**：衡量公司季度总资产收益率[15] - **因子具体构建过程**：$$季度ROA_Q = \frac{季度净利润}{总资产}$$[15] 4. 分析师类因子 - **因子名称**：一致预测ROE3个月环比变化[15] - **因子构建思路**：衡量分析师对ROE预测的变化情况[15] - **因子名称**：3个月盈利上下调[15] - **因子构建思路**：衡量分析师对盈利预测的调整方向[15] 5. 量价类因子 - **因子名称**：年动量[15] - **因子构建思路**：基于年收益率的动量因子[15] - **因子名称**：月动量[15] - **因子构建思路**：基于月收益率的动量因子[15] - **因子名称**：月非流动性[15] - **因子构建思路**：衡量股票流动性的因子[15] 6. 另类因子 - **因子名称**：研发市值比[15] - **因子构建思路**：衡量公司研发投入相对于市值的比率[15] - **因子具体构建过程**：$$研发市值比 = \frac{研发费用}{市值}$$[15] - **因子名称**：股东数目时序偏离度[15] - **因子构建思路**：衡量股东数量变化偏离度的因子[15] 模型的回测效果 1. 风格轮动模型 - 9月模型判断风格为大盘成长[3][17] - 市场状态和微观特征指向大盘风格，宏观经济模型看好小盘[17] - 宏观经济和微观特征模型看好成长风格，市场状态看好价值风格[17] 2. 行业轮动模型 - 9月看好通信、电子、银行、非银行金融、家电和汽车行业[4][27] - 通信行业综合得分0.5930，基本面得分0.6808，分析师得分0.7891，动量得分0.7500[28] - 电子行业综合得分0.5257，基本面得分0.6058，分析师得分0.7188，动量得分0.6000[28] - 银行行业综合得分0.5226，基本面得分0.3563，分析师得分0.6797，动量得分0.8375[28] 3. 策略择时模型 - 9月信号维持+1，6个指标建议做选股，1个指标建议进行beta轮动[5][29] - 模型认为alpha性价比相对更高，适合做选股，在行业保持中性[5][29] 因子的回测效果 | 因子名称 | 类型 | 最近一个月累计超额 | 最近三个月累计超额 | 最近半年累计超额 | 最近一年累计超额 | |---------|------|-------------------|-------------------|-------------------|-------------------| | 营收超预期 | 成长 | 4.4% | 3.7% | 6.0% | 7.5% | | 年动量 | 量价 | 4.4% | 5.1% | 5.9% | 6.5% | | 一致预测ROE3个月环比变化 | 分析师 | 4.1% | 7.2% | 9.2% | 10.7% | | 毛利超预期 | 成长 | 3.6% | 4.5% | 6.5% | 7.7% | | 盈余公告日开盘跳空 | 成长 | 3.1% | 5.2% | 5.1% | 0.7% | | 季度净利润同比增速 | 成长 | 3.1% | 6.3% | 8.5% | 12.0% | | 一致预测ROE_FY3 | 分析师 | 3.1% | 4.1% | 2.6% | 0.0% | | 季度营业收入同比增速 | 成长 | 3.1% | 5.9% | 8.6% | 11.3% | | 盈余超预期 | 成长 | 3.1% | 6.9% | 8.4% | 9.8% | | 季度资产周转率变化 | 成长 | 2.5% | 4.4% | 5.6% | 8.0% | | 季度ROE_Q | 盈利 | 2.5% | 2.6% | 2.0% | -2.8% | | 季度ROA_Q | 盈利 | 2.4% | 2.6% | 3.3% | -0.8% | | 季度ROIC | 盈利 | 2.2% | 2.1% | 1.8% | -2.7% | | 营业利润TTM同比增速 | 成长 | 2.0% | 4.0% | 4.0% | 6.3% | | 净利润TTM同比增速 | 成长 | 1.9% | 3.8% | 4.2% | 6.4% | | 3个月分析师覆盖度 | 分析师 | 1.8% | 0.9% | 1.0% | 1.1% | | 大单买入强度 | 量价 | 1.7% | 2.4% | 3.2% | 1.4% | | 动态均衡估值 | 分析师 | 1.6% | 4.0% | 4.7% | 6.6% | | 预期EP | 价值 | -3.5% | -5.3% | -4.0% | -11.0% | | 季动量 | 量价 | -3.6% | 4.9% | 5.5% | 15.0% |

根据提供的研报内容，报告核心是对基金投顾产品的业绩统计和调仓行为解析，并未涉及具体的量化模型或量化因子的构建、测试与评价过程。报告内容主要集中于市场现状描述、业绩数据展示和调仓行为分析。 因此，本总结中**没有**需要列出的量化模型或量化因子内容。 报告的核心内容可概括为对2025年8月各类基金投顾产品（纯债型、固收+型、股债混合型、股票型）的业绩表现进行统计[3][11]，并对该月的调仓行为（包括债券资产、权益资产、QDII与商品等）进行了详细解析[4][5][28]。报告中的表格（表1至表10）和图表（图1至图11）均为上述内容的直观数据展示[10][23][24][26][27][30][33][34][35][38][56][61]，不包含模型或因子的构建公式及回测效果指标（如信息比率IR、年化收益、最大回撤等）。

以下是对该量化研报中涉及的量化模型与因子的总结： 量化模型与构建方式 一、宏观定性模型 1. **模型名称：普林格周期模型**[2][9][10] * **模型构建思路**：作为美林时钟的升级版，引入金融数据以提高大类资产配置建议的胜率。该模型通过三组宏观经济指标（先行、同步、滞后）的趋势方向组合，来定义六种经济状态，并为每种状态推荐占优的大类资产。[2][9][10] * **模型具体构建过程**： 1. 选取指标：结合中国经济实际情况，将 M2 增速和新增社融拟合为**先行指标**（金融指标），将房地产投资和出口同比拟合为**同步指标**（实体经济指标），将 PPI 和 CPI 同比拟合为**滞后指标**（价格指标）。[2][14] 2. 处理数据：采用滤波法过滤掉上述指标的周期性因子，观察其**趋势项**的走势（向上或向下）来确定普林格时钟所处的状态。[2][14] 3. 状态判定：根据三组指标趋势项的方向组合，判断当前经济所处阶段（复苏、繁荣、过热、滞胀、衰退、萧条）。例如，先行指标趋势向上、同步指标趋势向上、滞后指标趋势向下对应**复苏期**，权益资产占优。[10][11][12] * **模型评价**：该模型是对美林时钟的改进，但仍有其局限性，例如运行状态可以跳跃，并非依次运行，且可能出现模型无法解释的指标组合。[13] 二、大类资产定价模型 1. A股定价模型（基于两阶段DDM的PB-ROE框架） * **模型构建思路**：基于机构投资者占比提升使得宽基指数层面定价效率变高的背景，强调通过PB-ROE定价框架来评估指数的合理估值及未来一年的预期收益回报。[52] * **模型具体构建过程**： 1. **投资回报分解**：假设每股净资产为 B，市净率 PB，分红比例为 d，净资产收益率为 ROE。未来一年股票投资回报率可近似分解为： $$R\approx\frac{\Delta B}{B_{0}}+\frac{\Delta PB}{PB_{0}}\times(1-d)+(1-\frac{1}{PB_{0}})$$ 其中，股息收益率和净资产增长率相对容易预测，难点在于合理估值 PB* 的评估，其与当前估值 PB₀ 的差异很大程度上决定了股价变动。[56] 2. **两阶段DDM估值模型**：引入两阶段股利贴现模型（DDM）来估算合理市净率（PB*）。模型假设分为当前高速增长阶段（持续T期）和永续稳定增长阶段。[56][57] * 当前增长阶段估值： $$P B_{c u r r e n t}=R O E_{1}\times d_{1}\times\sum_{t=1}^{T}\frac{(1+g1)^{t-1}}{(1+R f+R p)^{t}}$$ * 永续增长阶段估值： $$P B_{s t a b l e}={\frac{R O E_{2}\times d_{2}}{1+R f+R p-g_{2}}}\times{\frac{(1+g1)^{T}}{(1+R f+R p)^{T}}}$$ 其中： * ROE₁, d₁, g₁=ROE₁×(1-d₁) 分别代表当前阶段的预期ROE均值、分红率和增长率。 * ROE₂, d₂, g₂=ROE₂×(1-d₂) 分别代表永续阶段的ROE、分红率和增长率（经验上可设永续ROE₂ = 要求回报率 Rf+Rp）。[56][57][61] * Rf 为无风险利率，Rp 为风险溢价（长期经验值可设为4%）。[57] * T 为高速增长阶段的持续时间（对于中证800指数，历史校准建议T=11年）。[58] 3. **合理估值区间测算**：综合考虑三个决定因素（短期基本面ROE₁及持续时间T、长期基本面预期ROE₂、要求回报率Rf+Rp）和一个次要影响因素（分红率d）。[61] 考虑到短期ROE变动的不确定性，按乐观（ROE_TTM +1倍标准差）、中性（当前ROE_TTM）、谨慎（ROE_TTM -1倍标准差）三种情形测算合理估值区间。[58] 2. 利率债定价框架 * **模型一：三因素定价框架**[59] * **构建思路**：强调货币政策对无风险利率的决定性影响，通过回归分析确定各因素的重要性。[59] * **具体构建过程**：十年国债利率被分解为： $$十年国债利率 \approx 政策利率 + 通胀预期溢价 + 增长预期溢价$$ 具体操作中： * 以**一年期同业存单利率**作为政策利率的代理变量。 * 以**CPI同比增速**水平代表通胀预期。 * 以**PMI水平**代表增长预期（海外常用期限利差）。[59] 通过历史长期数据回归估计各因素的系数Beta（见回测效果中的图表16）。[59][62] * **模型二：ROIC-WACC均衡框架**[71] * **构建思路**：尝试从企业投资回报与资金成本的均衡视角，推演无风险利率的合理中枢及走廊空间，以避免三因素模型中预期溢价评估的参数依赖问题。[71] * **具体构建过程**： 1. 计算供给层面的**投资资本回报率（ROIC）**： $$R O I C=\frac{E B I T\times(1-企业税率)}{总资产-无息流动负债}$$ 2. 计算需求层面的**加权平均资金成本（WACC）**： $$W A C C=(无风险利率+股票风险溢价)\times股权比例+(无风险利率+信用风险溢价)\times债权比例\times(1-企业税率)$$ 3. 理论上，ROIC 与 WACC 应趋向均衡。基于此均衡关系，结合对上市公司未来ROIC的预测，可反推隐含的**无风险利率合理中枢**。[71][72] 4. 以滚动10年窗口，计算利率实际值与中枢值的偏离，用均值加减1.5倍标准差的形式，推断出**利率走廊的上下界**。[72] 3. 黄金定价框架 * **构建思路**：结合黄金的商品属性、金融投资属性和货币属性进行分析。强调在不同市场环境下，影响黄金价格的主导变量会发生切换，但货币属性是恒定影响因素。基于此构建估值指标进行跟踪。[74][77][80] * **具体构建过程**： 1. **属性分析**：复盘历史三轮牛市，识别主导属性（1971-80:货币+商品；2001-11:货币+金融投资；2019至今:货币主导）。[74] 2. **相关性观察**：2000年以来黄金与通胀相关性低，近五年与实际利率相关性边际走弱，与美元指数相关性稳定且有提升，凸显货币属性的重要性。[75][77] 3. **估值指标构建**： * **2022年以前**：估值指标 = (全球黄金储量 × 黄金美元价格) / 美国M2 * **2023年以后**（考虑逆全球化、美元信用弱化）：估值指标 = (全球黄金储量 × 黄金美元价格) / 储备货币国家加权M2 * **储备货币国家加权M2计算**：核心跟踪美元、欧元、英镑、日元和人民币。除美元外的货币给予额外1/3的权重，以此权重进行各国M2的加权。[80] 4. **估值分位数**：计算当前黄金价格在该估值指标历史序列中所处的分位数位置，以判断其估值高低。[80] 三、风格定价框架 * **模型构建思路**：沿用A股宽基指数的两阶段DDM估值定价框架（PB-ROE），对六类风格指数（价值、成长、中小盘、大盘、质量、红利）的估值规律进行探索和合理估值区间评估。[95][96] * **模型具体构建过程**： 1. 为每种风格选择代表性指数（如国证价值、国证成长、中证500、上证50、深证红利等）。[96][103][111][119][128] 2. 使用与中证800定价类似的两阶段DDM模型（公式同上）。 3. **关键参数校准**：根据各风格的历史估值走势特征，对模型中的关键参数（主要是高速增长阶段持续时间T，以及2020年后部分风格的永续ROE预期）进行差异化设定：[96][103][111][119] * **价值/大盘风格**：T=5年，2020年后永续ROE预期下调至5%（反映对长期经济增长信心的下滑）。[96][119] * **成长/质量风格**：T=15年（高速增长期更长），ROE波动大，合理估值范围宽，需重点判断ROE变化方向。[103][128] * **中小盘风格**：T=50年（表明其估值更多受流动性驱动而非基本面驱动，DDM框架解释力有限，主要用于评估尾部风险）。[111] 4. 根据当前各风格指数的ROE水平（TTM），结合设定的参数，计算其合理的PB估值目标范围，并进一步推导未来一年的预期收益区间。[96][103][111][119][128] 四、宏观因子与资产/风格收益关联分析模型 * **模型构建思路**：从信贷、景气度、通胀、出口、库存、盈利等多个维度选取核心宏观经济指标，定量分析其与大类资产收益率及权益风格超额收益率的同步性，以评估宏观因子对资产及风格选择的能力。[85] * **模型具体构建过程**： 1. **指标与数据准备**： * 选取13个核心宏观经济指标（如人民币中长期贷款、企业中长期贷款、M1、M2、PMI、PPI、CPI等）的月度同比或环比数据。[85] * 计算各类资产指数（A股、港股、利率债、商品、黄金、信用债）的月度收益率。对于风格指数，计算其相对于基准（A股用中证800，港股用恒生指数）的月度超额收益率。[85] 2. **秩相关性检验**： * 计算各宏观数据月度增速环比变化值与资产月度收益率的**Spearman相关系数**。 * 进行统计检验，规定p值≤1%为显著同步指标，并按相关系数方向确定显著性方向。[85] 3. **胜率统计**： * 根据Spearman相关系数确定宏观数据与收益率的相关性方向（正/负）。 * 以正相关为例，胜率 = (同月同方向的月份数) / (有效月份总数)。历史胜率≥60%视为显著同步指标。[86] 4. **显著因子判定**：只要满足秩相关性显著或胜率显著其中一项，即认为该宏观指标与该资产收益率呈显著同步性。[86] 模型的回测效果 一、普林格周期模型 * **当前状态判断（截至研报时点）**：先行指标趋势向上、同步指标止跌回稳（趋势向上）、滞后指标趋势向下 → 对应**复苏期**，权益资产胜率更高。[2][35] 二、A股定价模型（中证800） * **合理估值区间**：1.36 ~ 1.55 (PB)[58] * **预期年收益区间**：5% ~ 9%[58] 三、利率债定价模型 * **三因素回归系数（十年国债利率）**[62]： | 回归项目 | 系数 Beta | 标准误差 | t Stat | P-value | | :--- | :--- | :--- | :--- | :--- | | 截距项 | 0.00 | 0.65 | 0.00 | 100% | | 同业存单利率 | 0.47 | 0.02 | 18.89 | 0% | | CPI | 0.10 | 0.02 | 5.85 | 0% | | PMI | 0.03 | 0.01 | 2.11 | 4% | * **ROIC-WACC均衡框架推演**： * 当前上市公司ROIC预测目标值：4.08%[72] * 推演十年国债利率中枢：1.36% ~ 1.51%[72] * 当前十年国债利率处于利率走廊合理区间，且相对中枢有下行空间。[72] 四、黄金定价模型 * **估值分位数（新口径下）**：历史39%分位数（距离中位数仍有10%上行空间）。[80] 五、风格定价模型预期收益（截至2025年7月31日） * **价值风格（国证价值）**： * 当前ROE: 9.14% * 合理PB区间: 0.9 ~ 0.95 * 预期年收益: 6% ~ 8%[96] * **成长风格（国证成长）**： * 当前ROE: 12.48% * 合理PB区间: 1.69 ~ 3.24 * 预期年收益: -7% ~ 13%[103] * **中小盘风格（中证500）**： * 当前ROE: 5.99% * 合理PB区间: 0.65 ~ 1.82 * 预期年收益: 较低[111] * **大盘风格（上证50）**： * 当前ROE: 10.21% * 合理PB区间: 0.92 ~ 1 * 预期年收益: 0% ~ 2%[119] * **质量风格（深证红利）**： * 当前ROE: 14.23% * 合理PB区间: 2.34 ~ 5.35 * 预期年收益: 8% ~ 39%[128] 六、宏观因子显著性分析结果（摘要） * **显著正相关案例**： * **企业中长期贷款**上行时，**利率债**表现好（胜率62.63%）。[89][90] * **PMI**上行时，**大宗商品**表现好（秩相关性显著）。[89][90] * **出口金额**上行时，**港股**表现好（胜率54.66%）。[89][90] * **显著负相关案例**： * **PPI**上行时，**利率债**表现差（秩相关性显著）。[89][90] * **CPI**上行时，**大宗商品**表现好（胜率54.25%）。[89][90]

量化模型与构建方式 1. 模型名称：微盘股扩散指数择时模型（首次阈值法）[66]；模型构建思路：基于万得微盘股指数成分股过去20个交易日上涨比例构建扩散指数，通过设定固定阈值进行左侧反转交易[66]；模型具体构建过程：计算扩散指数，定义为万得微盘股指数成分股过去20个交易日处于上涨状态的比例[65]。当扩散指数大于等于0.9时发出空仓信号，当扩散指数小于等于0.1时发出满仓信号，其余时间维持上一期信号。必须满仓之后才能空仓，同时也必须空仓之后才能满仓[66]；模型评价：在样本内无法跑赢微盘股指数但回撤相对可控，2024年以来无法识别大级别熊市，属于“越跌越买”策略，在牛市来临时可能过早离场[66] 2. 模型名称：微盘股扩散指数择时模型（延迟阈值法）[69]；模型构建思路：基于扩散指数，通过设定阈值并进行延迟确认，进行右侧动量交易[69]；模型具体构建过程：计算扩散指数（同上）[65]。当扩散指数上一日在0.9以上且今日跌破0.9时发出空仓信号，当扩散指数上一日在0.1以下且今日突破0.1时发出满仓信号，其余时间维持上一期信号[69]；模型评价：在样本内无法跑赢微盘股指数但回撤相对可控，2024年以来同样无法识别大级别熊市，但在牛市来临时能避免过早离场，较好保留了上涨收益[69] 3. 模型名称：微盘股扩散指数择时模型（双均线法）[72]；模型构建思路：基于扩散指数的均线系统，自适应市场行情变化，进行趋势跟踪交易[72]；模型具体构建过程：计算扩散指数（同上）[65]。计算短期均线（扩散指数的10日简单移动平均，MA）和长期均线（短期均线的20日MA）。当短期均线上穿长期均线时满仓，当短期均线下穿长期均线时空仓[72]；模型评价：在样本内无法跑赢微盘股指数但回撤控制较好，2024年能在大熊市下跌间隙给出看空信号避免大幅下跌，在牛市来临时也能避免过早离场，但对趋势的识别有时因参数平滑不够而不够理想[72] 模型的回测效果 1. 首次阈值法模型，样本外跟踪起始年份2023年[66]，2024年表现无法识别大级别熊市且在牛市来临时过早离场[66]，2025年对底部把握较好并抓住上涨行情但于5月8日触发空仓信号[66] 2. 延迟阈值法模型，样本外跟踪起始年份2023年[69]，2024年表现无法识别大级别熊市但能避免牛市过早离场[69]，2025年抓住部分上涨行情但于5月15日触发空仓信号[69] 3. 双均线法模型，样本外跟踪起始年份2023年[72]，2024年表现能在大熊市中间隙给出看空信号避免大幅下跌且能避免牛市过早离场[72]，2025年抓住一段上涨行情且对动量行情捕捉较好但于8月4日触发空仓信号[72] 量化因子与构建方式 1. 因子名称：扩散指数[65]；因子的构建思路：用于短期衡量微盘股指数的市场情绪，计算成分股中上涨股票的比例[65]；因子具体构建过程：计算万得微盘股指数成分股在过去20个交易日中处于上涨状态的股票数量所占的比例[65]。定义公式为： $$ DiffusionIndex_t = \frac{Count(P_{i,t} > P_{i,t-1})}{N} $$ 其中，$P_{i,t}$ 代表股票i在交易日t的收盘价，$P_{i,t-1}$ 代表股票i在交易日t-1的收盘价，Count函数统计满足条件的股票数量，N为万得微盘股指数的成分股总数[65]

根据提供的研报内容，报告核心聚焦于打新市场跟踪，并未涉及传统意义上的量化选股模型或阿尔法因子。报告的核心是构建了一个用于测算不同条件下打新收益的**收益测算模型**。以下是总结： 量化模型与构建方式 1. **模型名称**：打新收益测算模型[47] **模型构建思路**：通过模拟不同规模、不同类型的账户（A类/C类投资者）参与所有新股打新的过程，来测算其理论打新收益率和打满收益[47] **模型具体构建过程**： - **单账户个股打新收益**：对于单只新股，其打新收益的计算公式为： $$单账户个股打新收益 = min（账户规模，申购上限） * 中签率 * 收益率$$[47] - **A/B/C类投资者打满收益**：假设账户资金足以顶格申购所有新股（即“打满”）时的理论收益，计算公式为： $$打满收益 = 申购上限 * 网下中签率 * 收益率$$[47] - **参数说明**： - `账户规模`：参与打新的账户资产规模，是模型的核心输入变量之一[47][49][52] - `申购上限`：单只新股网下申购的资金上限[31][47] - `中签率`：根据投资者类别（A类/C类）采用相应的网下发行实际中签率[31][47] - `收益率`：对于科创板和创业板新股，以及全面注册制下的主板新股，采用`上市首日成交均价`相对于`发行价`的涨跌幅；对于非注册制下的主板新股，采用`开板当日成交均价`相对于`发行价`的涨跌幅。若统计区间内主板新股尚未开板，则使用动态12个月内主板上市个股开板实现收益率的均值作为替代[47] - **汇总计算**：将计算期内所有新股的“单账户个股打新收益”或“打满收益”进行加总，得到月度、季度或年度累计收益，并可进一步除以账户规模得到收益率[47][49][52] 模型的回测效果 1. **打新收益测算模型 (A类投资者 - 5亿规模账户)**[49][52][53][54][55] - 2025年8月主板打新收益率：0.014%[49] - 2025年8月创业板打新收益率：0.066%[52] - 2025年8月科创板打新收益率：0.000%[53] - 2025年8月合计打新收益率：0.080%[54][55] - 2025年累计打新收益率：1.134%[54][55] 2. **打新收益测算模型 (C类投资者 - 5亿规模账户)**[49][52][53][54][56] - 2025年8月主板打新收益率：0.013%[49] - 2025年8月创业板打新收益率：0.064%[52] - 2025年8月科创板打新收益率：0.000%[53] - 2025年8月合计打新收益率：0.077%[54][56] - 2025年累计打新收益率：1.035%[54][56] 3. **打新收益测算模型 (打满收益 - A类投资者)**[49][52][53] - 2025年8月主板打满收益：6.77万元[49] - 2025年8月创业板打满收益：33.19万元[52] - 2025年8月科创板打满收益：0.00万元[53] - 2025年累计主板打满收益：248.87万元[49] - 2025年累计创业板打满收益：228.30万元[52] - 2025年累计科创板打满收益：198.43万元[53] 4. **打新收益测算模型 (打满收益 - C类投资者)**[49][52][53] - 2025年8月主板打满收益：6.44万元[49] - 2025年8月创业板打满收益：32.06万元[52] - 2025年8月科创板打满收益：0.00万元[53] - 2025年累计主板打满收益：216.15万元[49] - 2025年累计创业板打满收益：205.42万元[52] - 2025年累计科创板打满收益：193.74万元[53] 量化因子与构建方式 （本报告中未涉及独立的量化因子构建） 因子的回测效果 （本报告中未涉及独立的量化因子测试）