量化模型与构建方式 1. 上涨家数占比情绪指标 - **模型名称**：上涨家数占比情绪指标 - **模型构建思路**：通过计算指数成分股中近期正收益个股的占比来判断市场情绪，正收益股票增多可能预示行情底部，占比过高则可能预示情绪过热[12] - **模型具体构建过程**： 计算沪深300指数N日上涨家数占比： $$沪深300指数N日上涨家数占比 = \frac{沪深300指数成分股过去N日收益大于0的个股数}{总成分股数} \times 100\%$$ 其中N为时间窗口参数[12] - **模型评价**：该指标能较快捕捉上涨机会，但在市场过热阶段可能错失持续上涨收益，且对下跌市场的判断存在缺陷[12] 2. 动量情绪指标 - **模型名称**：动量情绪指标 - **模型构建思路**：通过对上涨家数占比指标进行不同窗口期的平滑处理，捕捉情绪变动趋势，快线高于慢线时看多市场[13][15] - **模型具体构建过程**： 1. 计算沪深300指数N日上涨家数占比（N=230）[13] 2. 分别计算窗口期为N1=50（慢线）和N2=35（快线）的移动平均值[13][15] 3. 当快线 > 慢线时，发出看多信号[15] 3. 均线情绪指标 - **模型名称**：均线情绪指标 - **模型构建思路**：通过计算收盘价与八条均线的位置关系判断市场趋势，价格高于多数均线时看多[19][24] - **模型具体构建过程**： 1. 计算沪深300收盘价的八条均线（参数：8, 13, 21, 34, 55, 89, 144, 233）[19] 2. 统计当日收盘价大于各均线值的数量[24] 3. 当数量超过5时，看多沪深300指数[24] 4. 基金抱团分离度指标 - **因子名称**：基金抱团分离度 - **因子构建思路**：以抱团基金截面收益的标准差作为抱团程度的代理变量，标准差小表示抱团程度高[25] - **因子具体构建过程**： 计算抱团基金组合在截面上的收益标准差[25] 5. PB-ROE-50策略 - **模型名称**：PB-ROE-50策略 - **模型构建思路**：基于PB-ROE定价模型寻找市场预期差，叠加超预期因子增强收益[29] - **模型具体构建过程**： 1. 使用Wilcox（1984）PB-ROE定价模型得到预期差股票池[29] 2. 结合SUE（未预期收益）、ROE同比增长等因子精选50只股票构建组合[29] 6. 机构调研策略 - **模型名称**：公募调研选股策略 - **模型构建思路**：通过上市公司被调研次数及调研前相对基准的涨跌幅选股[37] - **模型名称**：私募调研跟踪策略 - **模型构建思路**：通过知名私募调研数据挖掘超额收益[37] 7. 有息负债率因子 - **因子名称**：有息负债率 - **因子构建思路**：衡量企业有息负债占总资产的比例，识别偿债压力大的公司[42] - **因子具体构建过程**： 提供三种计算口径： - 传统口径：$$传统有息负债率 = \frac{短期借款+长期借款+应付债券}{总资产}$$[42] - 严苛口径：$$严苛有息负债率 = \frac{短期借款+应付利息+交易性金融负债+应付短期债券+租赁负债+长期借款+应付债券+长期应付款}{总资产}$$[42] - 宽松口径：$$宽松有息负债率 = \frac{短期借款+应付利息+交易性金融负债+应付短期债券+租赁负债+长期借款+应付债券+长期应付款+其他流动负债+划分为持有待售的负债+一年内到期的非流动负债}{总资产}$$[42] 8. 财务成本负担率因子 - **因子名称**：财务成本负担率 - **因子构建思路**：以利息费用占息税前利润的比例衡量企业还息压力[46] - **因子具体构建过程**： $$财务成本负担率 = \frac{财务费用：利息费用}{息税前利润}$$[46] 模型的回测效果 1. PB-ROE-50策略 - **中证500股票池**：今年以来超额收益率3.05%，上月超额收益率-0.54%，今年以来绝对收益率26.78%，上月绝对收益率12.52%[33] - **中证800股票池**：今年以来超额收益率15.45%，上月超额收益率5.22%，今年以来绝对收益率34.51%，上月绝对收益率16.86%[33] - **全市场股票池**：今年以来超额收益率18.76%，上月超额收益率7.61%，今年以来绝对收益率43.09%，上月绝对收益率19.17%[33] 2. 机构调研策略 - **公募调研选股策略**：今年以来超额收益率5.61%，上月超额收益率-1.33%，今年以来绝对收益率23.04%，上月绝对收益率9.60%[39] - **私募调研跟踪策略**：今年以来超额收益率12.04%，上月超额收益率-5.05%，今年以来绝对收益率30.53%，上月绝对收益率5.46%[39]

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**：基于基金每日净值序列，采用带约束条件的多元回归模型，以基准或其他资产序列作为自变量，估算基金仓位变动趋势和行业配置偏好[67] - **模型具体构建过程**： 1. 以基金每日披露的净值序列作为因变量 2. 选择基准指数或其他资产序列作为自变量组合 3. 采用带约束条件的多元回归模型进行拟合 4. 通过回归系数估算基金的整体仓位水平和行业配置比例 5. 定期更新模型参数以反映最新市场情况 具体计算方式可参考2022年9月18日发布的《国内公募基金费率的发展现状和变化趋势》报告[67] 2. 行业主题基金分类模型 - **模型名称**：行业主题基金分类模型 - **模型构建思路**：基于基金历史持仓信息，构建完整的行业主题和细分赛道标签，区分行业主题基金、行业轮动基金和行业均衡基金[37] - **模型具体构建过程**： 1. 收集基金近四期中报/年报的持仓信息 2. 分析持仓的行业分布特征 3. 根据行业集中度确定基金分类： - 行业主题基金：持仓高度集中于特定行业 - 行业轮动基金：持仓行业随时间显著变化 - 行业均衡基金：持仓行业分布较为均衡 4. 构建行业主题基金指数，作为衡量主题基金风险收益的工具[37] 3. REITs指数构建模型 - **模型名称**：REITs系列指数构建模型 - **模型构建思路**：构建完整的REITs系列指数，包括综合指数、底层资产指数和细分项目指数，提供价格指数和全收益指数两种形式[49] - **模型具体构建过程**： 1. 采用分级靠档方法确保计算指数的份额保持相对稳定 2. 当样本成分名单或调整市值出现非交易因素变动时，采用除数修正法保证指数连续性 3. 构建以下指数类型： - REITs综合指数 - 底层资产指数（产权类REITs指数、特许经营权类REITs指数） - 细分项目指数（生态环保、交通基础设施、园区基础设施、仓储物流、能源基础设施、保障性租赁住房、消费基础设施、市政设施、水利设施、新型基础设施等） 4. 同时提供价格指数和全收益指数，以反映REITs的高分红特性[49] 量化因子与构建方式 1. 多因子ETF投资因子 - **因子名称**：多因子ETF投资因子 - **因子构建思路**：基于多种量化因子构建ETF投资策略，包括现金流、红利、成长、价值、基本面、低波、质量、动量等因子[64] - **因子具体构建过程**： 1. 选择因子类型：现金流、红利、成长、价值、基本面、低波、质量、动量 2. 对每个因子构建相应的ETF产品 3. 定期计算各因子ETF的收益和资金流向 4. 监控各因子ETF的市场表现和资金流动情况[64] 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1.94个百分点[67] - 通信、有色金属、电力设备等行业获资金增配[67] - 医药生物、家用电器、机械设备等行业遭资金减持[67] 2. 行业主题基金分类模型 - TMT主题基金本周上涨5.85%[37] - 新能源主题基金本周上涨4.15%[37] - 行业均衡主题基金本周上涨3.52%[37] - 周期主题基金本周上涨3.30%[37] - 行业轮动主题基金本周上涨2.98%[37] - 国防军工主题基金本周上涨1.75%[37] - 消费主题基金本周上涨1.57%[37] - 金融地产主题基金本周下跌0.10%[37] - 医药主题基金本周下跌1.44%[37] 3. REITs指数构建模型 | 指数名称 | 本周收益 | 累计收益 | 年化收益 | 最大回撤 | 夏普比率 | 年化波动 | |---------|---------|---------|---------|---------|---------|---------| | REITs综合指数 | 1.36% | 0.94% | 0.22% | -42.67% | -0.12 | 10.70% | | 产权类REITs指数 | 1.53% | 16.73% | 3.76% | -46.13% | 0.17 | 13.23% | | 特许经营权类REITs指数 | 1.07% | -15.65% | -3.98% | -40.74% | -0.59 | 9.27% | | 生态环保REITs指数 | 0.25% | -8.59% | -2.12% | -55.72% | -0.23 | 15.80% | | 交通基础设施REITs指数 | 1.06% | -26.91% | -7.20% | -41.29% | -0.96 | 9.09% | | 园区基础设施REITs指数 | 1.18% | -8.17% | -2.01% | -52.07% | -0.25 | 14.16% | | 仓储物流REITs指数 | 1.54% | 1.75% | 0.42% | -50.32% | -0.07 | 15.95% | | 能源基础设施REITs指数 | 0.10% | 14.02% | 3.18% | -18.41% | 0.16 | 10.34% | | 保障性租赁住房REITs指数 | 1.92% | 13.28% | 3.02% | -33.34% | 0.12 | 12.61% | | 消费基础设施REITs指数 | 2.16% | 52.16% | 10.53% | -8.32% | 0.82 | 11.04% | | 市政设施REITs指数 | 5.70% | 28.32% | 6.13% | -13.79% | 0.19 | 23.95% | | 水利设施REITs指数 | 3.57% | 28.76% | 6.22% | -13.60% | 0.29 | 16.42% | | 新型基础设施REITs指数 | 1.28% | 5.04% | 1.18% | -2.83% | -1.54% | 20.81% | 因子的回测效果 1. 多因子ETF投资因子 | 因子类型 | 基金数量 | 基金规模(亿元) | 本周净流入(亿元) | 本周回报(%) | 近1月回报(%) | 今年以来回报(%) | |---------|---------|---------------|----------------|-----------|-------------|----------------| | 现金流 | 26 | 191.05 | 17.37 | 1.73 | 5.56 | - | | 红利 | 34 | 1007.63 | 6.71 | -1.18 | 0.23 | 3.78 | | 成长 | 12 | 29.48 | 4.18 | 5.36 | 12.05 | 28.14 | | 价值 | 13 | 32.11 | 1.37 | 0.49 | 4.50 | 10.14 | | 基本面 | 3 | 6.98 | -0.10 | 1.50 | 4.79 | 8.53 | | 低波 | 3 | 7.56 | -0.15 | 1.05 | 5.63 | 10.68 | | 质量 | 3 | 11.20 | -0.29 | 2.51 | 9.68 | 24.53 | | 动量 | 1 | 43.88 | -0.71 | 6.41 | 19.05 | 30.19 |

量化模型与构建方式 1. **模型名称：券商金股业绩增强组合**[39][43] **模型构建思路**：以券商金股股票池为选股空间，通过多因子方式优选个股，旨在构建一个能稳定战胜偏股混合型基金指数的投资组合[12][39][43] **模型具体构建过程**： 1. 选股空间：每月初汇总所有券商发布的金股，构成基础股票池[19][39] 2. 优化目标：以全体公募基金的行业分布为行业配置基准，控制组合与券商金股股票池在个股、风格上的偏离[43] 3. 组合构建：采用组合优化的方法进行构建，具体多因子选股模型细节需参考专题报告《券商金股全解析—数据、建模与实践》[12][39][43] 4. 仓位管理：以每次调仓时点所能获取的主动股基最近一个报告期的权益仓位中位数作为组合的仓位[19] **模型评价**：该组合历史表现稳健，能够较好地跟踪并稳定战胜偏股混合型基金指数，体现了从券商金股股票池中进一步精选的价值[12][43][44] 模型的回测效果 1. **券商金股业绩增强组合（考虑仓位）**[39][44][47] 本月（20250801-20250829）绝对收益15.49%[5][42] 本月（20250801-20250829）相对偏股混合型基金指数超额收益3.59%[5][42] 本年（20250102-20250829）绝对收益34.01%[5][42] 本年（20250102-20250829）相对偏股混合型基金指数超额收益5.72%[5][42] 今年以来在主动股基中排名分位点30.38%[5][42] 全样本年化收益19.34%[44][47] 全样本相对偏股混合型基金指数年化超额收益14.38%[44][47] 量化因子与构建方式 1. **因子名称：单季度净利润增速**[3][29] **因子构建思路**：基于公司最新单季度的净利润增长情况来构建因子，旨在捕捉企业的盈利增长能力[3][29] **因子具体构建过程**：报告未提供具体计算公式，仅提及因子名称及表现[3][29] 2. **因子名称：单季度ROE**[3][29] **因子构建思路**：基于公司最新单季度的净资产收益率来构建因子，旨在衡量企业的股东权益回报能力[3][29] **因子具体构建过程**：报告未提供具体计算公式，仅提及因子名称及表现[3][29] 3. **因子名称：单季度营收增速**[3][29] **因子构建思路**：基于公司最新单季度的营业收入增长情况来构建因子，旨在捕捉企业的收入增长能力[3][29] **因子具体构建过程**：报告未提供具体计算公式，仅提及因子名称及表现[3][29] 4. **因子名称：BP**[3][29] **因子构建思路**：通常指账面市值比（Book-to-Price），旨在捕捉价值效应[3][29] **因子具体构建过程**：报告未提供具体计算公式，仅提及因子名称及表现[3][29] 5. **因子名称：日内收益率**[3][29] **因子构建思路**：旨在捕捉股票的短期价格动量或反转效应[3][29] **因子具体构建过程**：报告未提供具体计算公式，仅提及因子名称及表现[3][29] 6. **因子名称：预期股息率**[3][29] **因子构建思路**：基于预期的股息支付来构建因子，旨在捕捉高股息收益股票的收益特征[3][29] **因子具体构建过程**：报告未提供具体计算公式，仅提及因子名称及表现[3][29] 7. **因子名称：总市值**[3][29] **因子构建思路**：基于公司的总市值来构建因子，旨在捕捉规模效应[3][29] **因子具体构建过程**：报告未提供具体计算公式，仅提及因子名称及表现[3][29] 8. **因子名称：分析师净上调幅度**[3][29] **因子构建思路**：基于分析师对盈利预测的调整幅度来构建因子，旨在捕捉分析师乐观情绪带来的超额收益[3][29] **因子具体构建过程**：报告未提供具体计算公式，仅提及因子名称及表现[3][29] 9. **因子名称：波动率**[3][29] **因子构建思路**：旨在衡量股票价格的波动风险[3][29] **因子具体构建过程**：报告未提供具体计算公式，仅提及因子名称及表现[3][29] 因子的回测效果 1. **单季度净利润增速因子**[3][29] 最近一个月表现：较好[3][29] 今年以来表现：未提及 2. **单季度ROE因子**[3][29] 最近一个月表现：较好[3][29] 今年以来表现：未提及 3. **单季度营收增速因子**[3][29] 最近一个月表现：较好[3][29] 今年以来表现：较好[3][29] 4. **BP因子**[3][29] 最近一个月表现：较差[3][29] 今年以来表现：较差[3][29] 5. **日内收益率因子**[3][29] 最近一个月表现：较差[3][29] 今年以来表现：未提及 6. **预期股息率因子**[3][29] 最近一个月表现：较差[3][29] 今年以来表现：较差[3][29] 7. **总市值因子**[3][29] 最近一个月表现：未提及 今年以来表现：较好[3][29] 8. **分析师净上调幅度因子**[3][29] 最近一个月表现：未提及 今年以来表现：较好[3][29] 9. **波动率因子**[3][29] 最近一个月表现：未提及 今年以来表现：较差[3][29]

根据提供的研报内容，总结量化模型、因子及相关测试结果如下： 量化模型与构建方式 1. **模型名称**：开源金工优选金股组合[23] * **模型构建思路**：基于历史研究发现新进金股收益优于重复金股，且业绩超预期因子（SUE因子）在新进金股中选股能力优异，因此在新进金股样本中，选取SUE因子排名靠前的股票构建组合[23] * **模型具体构建过程**： 1. 样本选择：每月的新进金股[23] 2. 因子选择：业绩超预期因子（SUE因子）[23] 3. 选股规则：在样本中，选择SUE因子值排名前30的股票[23] 4. 组合构建：对入选的30只股票，按其被券商推荐的家数进行加权，构建最终的投资组合[23] 量化因子与构建方式 1. **因子名称**：业绩超预期因子（SUE因子）[23] * **因子构建思路**：用于衡量上市公司业绩是否超出市场预期[23] * **因子具体构建过程**：研报中未提供SUE因子的具体计算公式和构建细节[23] 模型的回测效果 1. **全部金股组合**[18][20] * 8月收益率：13.6%[18][20] * 2025年收益率：33.5%[18][20] * 年化收益率：13.7%[20] * 年化波动率：23.6%[20] * 收益波动比：0.58[20] * 最大回撤：42.6%[20] 2. **新进金股组合**[18][20] * 8月收益率：11.8%[18][20] * 2025年收益率：37.9%[18][20] * 年化收益率：16.5%[20] * 年化波动率：24.3%[20] * 收益波动比：0.68[20] * 最大回撤：38.5%[20] 3. **重复金股组合**[18][20] * 8月收益率：15.6%[18][20] * 2025年收益率：30.2%[18][20] * 年化收益率：11.3%[20] * 年化波动率：23.7%[20] * 收益波动比：0.48[20] * 最大回撤：45.0%[20] 4. **开源金工优选金股组合**[23][25] * 8月收益率：19.6%[23][25] * 2025年收益率：37.6%[23][25] * 年化收益率：22.3%[25] * 年化波动率：25.5%[25] * 收益波动比：0.88[25] * 最大回撤：24.6%[25] 5. **沪深300指数**[20][25] * 8月收益率：10.3%[20][25] * 2025年收益率：14.3%[20][25] * 年化收益率：3.2%[20][25] * 年化波动率：21.3%[20][25] * 收益波动比：0.15[20][25] * 最大回撤：40.6%[20][25] 6. **中证500指数**[20][25] * 8月收益率：13.1%[20][25] * 2025年收益率：23.0%[20][25] * 年化收益率：1.4%[20][25] * 年化波动率：24.0%[20][25] * 收益波动比：0.06[20][25] * 最大回撤：37.5%[20][25]

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：采用Barra框架下的多个风格维度，包括市场相关、估值、盈利、成长、流动性等，通过线性组合或直接计算方式构建[15] 因子具体构建过程： * Beta因子：直接使用历史beta值[15] * 市值因子：对总市值取自然对数[15] * 动量因子：计算历史超额收益率序列的均值[15] * 波动因子：由历史超额收益率序列波动率、累积超额收益率离差、历史残差收益率序列波动率三部分按权重组合而成，公式为 $$0.74 * 历史超额收益率序列波动率 + 0.16 * 累积超额收益率离差 + 0.1 * 历史残差收益率序列波动率$$[15] * 非线性市值因子：对市值风格值取三次方[15] * 估值因子：使用市净率的倒数[15] * 流动性因子：由月换手率、季换手率、年换手率按权重组合而成，公式为 $$0.35 * 月换手率 + 0.35 * 季换手率 + 0.3 * 年换手率$$[15] * 盈利因子：由分析师预测盈利价格比、市现率倒数、市盈率ttm倒数按权重组合而成，公式为 $$0.68 * 分析师预测盈利价格比 + 0.21 * 市现率倒数 + 0.11 * 市盈率ttm倒数$$[15] * 成长因子：由分析师预测长期盈利增长率、分析师预测短期利率增长率、盈利增长率、营业收入增长率按权重组合而成，公式为 $$0.18 * 分析师预测长期盈利增长率 + 0.11 * 分析师预测短期利率增长率 + 0.24 * 盈利增长率 + 0.47 * 营业收入增长率$$[15] * 杠杆因子：由市场杠杆率、账面杠杆、资产负债率按权重组合而成，公式为 $$0.38 * 市场杠杆率 + 0.35 * 账面杠杆 + 0.27 * 资产负债率$$[15] 2. 因子名称：基本面因子[18][20][22][24][26] 因子构建思路：基于公司财务数据，从盈利能力、成长性、估值等多个维度构建因子，涉及的财务指标均为ttm方式计算[17] 因子具体构建过程：报告中提及的具体基本面因子包括营业利润超预期增长、营业周转率、市盈率、roe、roc超预期增长、市销率、roa超预期增长、roa增长、roc增长、营业利润率、净利润超预期增长、营业利润率增长、roa等[20][24][26] 3. 因子名称：技术类因子[18][20][22][24][26] 因子构建思路：基于市场交易数据，从动量、波动等维度构建因子[18][20][22][24][26] 因子具体构建过程：报告中提及的具体技术类因子包括120日动量、20日波动、20日动量、120日波动、中位数离差、60日波动、60日动量等[24][26] 4. 因子名称：GRU因子[18][20][22][24][26] 因子构建思路：基于GRU深度学习模型构建的因子[18][20][22][24][26] 因子具体构建过程：报告中提及的具体GRU因子模型包括barra5d、open1d、close1d、barra1d等[18][20][22][24][26] 5. 因子名称：多因子组合[8][29] 因子构建思路：将多个因子组合成一个综合性的多因子模型[8][29] 因子的回测效果 1. Barra风格因子，近一周多空收益表现：市值因子多头表现较好，非线性市值因子多头表现较好，成长因子多头表现较好，流动性因子多头表现较好，盈利因子多头表现较好，估值因子空头表现强势[3][16] 2. 基本面因子（全市场），近一周多空收益表现：均为正向，营业相关因子多空收益最强，权益类收益相关因子多空表现次之[4] 基本面因子（沪深300），近一周多空收益表现：均为正向，营业相关因子多空收益最强，权益类收益相关因子多空表现次之[5][20] 基本面因子（中证500），近一周多空收益表现：多数为正，估值因子多空收益显著为正，超预期增长类因子多空表现次之[6][22] 基本面因子（中证1000），近一周多空收益表现：多数为正，增长类和超预期增长类因子多空表现显著为正，静态财务因子多空收益表现不显著[7][26] 3. 技术类因子（全市场），近一周多空收益表现：均为正向，波动因子多空收益较为显著[4] 技术类因子（沪深300），近一周多空收益表现：均为正向，波动因子多空收益较为显著[5][20] 技术类因子（中证500），近一周多空收益表现：均为正向[6][22][24] 技术类因子（中证1000），近一周多空收益表现：均为正向[7][26] 4. GRU因子（全市场），近一周多空收益表现：barra1d模型多空收益表现较好，其余模型均有所回撤[18] GRU因子（沪深300），近一周多空收益表现：barra5d和open1d模型多空表现有所回撤，close1d和barra1d模型多空收益表现较好[5][20] GRU因子（中证500），近一周多空收益表现：barra5d模型多空收益回撤较大，barra1d模型多空收益强势[6][22] GRU因子（中证1000），近一周多空收益表现：barra5d模型多空收益表现较差，barra1d模型多空表现较好[7][26] 5. 多头组合策略（比较基准：中证1000指数），近一周超额收益：open1d模型 -0.97%，close1d模型 -1.68%，barra1d模型 0.57%，barra5d模型 -2.17%，多因子组合 -0.29%[29] 多头组合策略（比较基准：中证1000指数），近一月超额收益：open1d模型 -2.85%，close1d模型 -4.50%，barra1d模型 0.75%，barra5d模型 -3.76%，多因子组合 -2.43%[29] 多头组合策略（比较基准：中证1000指数），近三月超额收益：open1d模型 -2.74%，close1d模型 -3.80%，barra1d模型 0.48%，barra5d模型 -2.91%，多因子组合 -2.79%[29] 多头组合策略（比较基准：中证1000指数），近六月超额收益：open1d模型 3.10%，close1d模型 0.92%，barra1d模型 1.61%，barra5d模型 3.17%，多因子组合 1.69%[29] 多头组合策略（比较基准：中证1000指数），今年以来超额收益：open1d模型 4.20%，close1d模型 1.90%，barra1d模型 4.38%，barra5d模型 4.13%，多因子组合 0.01%[29]

量化模型与构建方式 1. 扩散指数模型 - **模型名称**：扩散指数模型[5][38][39] - **模型构建思路**：通过监测微盘股指数成分股价格变动的扩散程度，预测市场变盘的临界点，用于交易信号生成[38] - **模型具体构建过程**： 1. 横轴代表未来N天后股价相对当前涨跌幅（从涨10%到跌10%，即1.1到0.9） 2. 纵轴代表回顾过去窗口期长度T天或未来N天（T从20到10，N=20-T） 3. 计算扩散指数值：例如横轴0.95和纵轴15天值为0.05，表示N=5天后如果所有成分股跌5%，扩散指数值为0.05 4. 当前扩散指数值为0.39（横轴20，纵轴1.00）[38] - **模型评价**：扩散指数天然有向下趋势，因成分股每日更新，需注意预测局限性[38] 2. 首次阈值法（左侧交易） - **模型名称**：首次阈值法[5][42] - **模型构建思路**：作为扩散指数的左侧交易方法，通过阈值触发空仓信号[5][42] - **模型具体构建过程**：当扩散指数收盘值达到特定阈值（如0.9850）时触发空仓信号[5][42] 3. 延迟阈值法（右侧交易） - **模型名称**：延迟阈值法[5][44][46] - **模型构建思路**：作为扩散指数的右侧交易方法，延迟确认交易信号[5][44][46] - **模型具体构建过程**：当扩散指数收盘值达到特定阈值（如0.8975）时给予空仓信号[5][46] 4. 双均线法（自适应交易） - **模型名称**：双均线法[5][47] - **模型构建思路**：使用双均线交叉作为自适应交易信号[5][47] - **模型具体构建过程**：当短期均线下穿长期均线时给予空仓信号（如2025年8月4日）[5][47] 5. 小市值低波50策略 - **模型名称**：小市值低波50策略[7][18][35] - **模型构建思路**：在微盘股成分股中优选小市值和低波动性的50只股票，每双周调仓一次[7][18][35] - **模型具体构建过程**： 1. 选择微盘股指数成分股 2. 按市值和波动率排序 3. 选取市值最小、波动率最低的50只股票 4. 每两周调仓一次，费用双边千三[7][18][35] 模型的回测效果 1. **小市值低波50策略**： - 2024年收益7.07%，超额-2.93%[7][18][35] - 2025年YTD收益61.16%，本周超额0.37%[7][18][35] - 基准：万得微盘股指数(8841431.WI)[7][18][35] 2. **扩散指数模型**： - 当前值0.39，预测再调整6%左右或未来6个交易日可能触发买点[5][38][39] 3. **首次阈值法**： - 2025年5月8日收盘触发空仓信号（阈值0.9850）[5][42] 4. **延迟阈值法**： - 2025年5月15日收盘触发空仓信号（阈值0.8975）[5][46] 5. **双均线法**： - 2025年8月4日收盘触发空仓信号[5][47] 量化因子与构建方式 1. 对数市值因子 - **因子名称**：对数市值因子[4][17][33] - **因子构建思路**：使用股票市值的对数作为因子，捕捉市值规模效应[4][17][33] - **因子具体构建过程**： $$ \text{LogMarketCap} = \log(\text{MarketCapitalization}) $$ 其中MarketCapitalization为股票总市值[4][17][33] 2. 非线性市值因子 - **因子名称**：非线性市值因子[4][17][33] - **因子构建思路**：捕捉市值与收益之间的非线性关系[4][17][33] - **因子具体构建过程**：通过对市值进行非线性变换（如分段函数或多项式）构建因子[4][17][33] 3. PE_TTM倒数因子 - **因子名称**：PE_TTM倒数因子[4][17][33] - **因子构建思路**：使用市盈率的倒数作为估值因子，衡量股票便宜程度[4][17][33] - **因子具体构建过程**： $$ \text{EP} = \frac{1}{\text{PE}_{\text{TTM}}} $$ 其中PE_TTM为滚动市盈率[4][17][33] 4. 盈利因子 - **因子名称**：盈利因子[4][17][33] - **因子构建思路**：衡量公司盈利能力[4][17][33] - **因子具体构建过程**：使用ROE、ROA等盈利指标或其变化率构建因子[4][17][33] 5. 单季度净资产收益率因子 - **因子名称**：单季度净资产收益率因子[4][17][33] - **因子构建思路**：使用最新季度的净资产收益率衡量短期盈利能力[4][17][33] - **因子具体构建过程**： $$ \text{ROE}_q = \frac{\text{NetIncome}_q}{\text{Equity}} $$ 其中NetIncome_q为单季度净利润，Equity为净资产[4][17][33] 6. 非流动性因子 - **因子名称**：非流动性因子[4][17][33] - **因子构建思路**：衡量股票流动性风险[4][17][33] - **因子具体构建过程**：使用Amihud非流动性指标或其他流动性度量指标[4][17][33] 7. 贝塔因子 - **因子名称**：贝塔因子[4][17][33] - **因子构建思路**：衡量股票相对于市场的系统性风险[4][17][33] - **因子具体构建过程**：通过CAPM模型回归得到股票Beta系数[4][17][33] 8. 过去一年波动率因子 - **因子名称**：过去一年波动率因子[4][17][33] - **因子构建思路**：衡量股票历史波动率，作为风险因子[4][17][33] - **因子具体构建过程**： $$ \sigma = \sqrt{\frac{1}{n-1} \sum_{i=1}^n (r_i - \bar{r})^2} $$ 其中r_i为日收益率，n为252个交易日[4][17][33] 9. 标准化预期盈利因子 - **因子名称**：标准化预期盈利因子[4][17][33] - **因子构建思路**：使用分析师预期盈利数据构建标准化因子[4][17][33] - **因子具体构建过程**：将预期盈利减去均值后除以标准差进行标准化[4][17][33] 10. 单季度净利润增速因子 - **因子名称**：单季度净利润增速因子[4][17][33] - **因子构建思路**：衡量公司短期盈利增长能力[4][17][33] - **因子具体构建过程**： $$ \text{Growth}_q = \frac{\text{NetIncome}_q - \text{NetIncome}_{q-1}}{\left|\text{NetIncome}_{q-1}\right|} $$ 计算单季度净利润同比或环比增长率[4][17][33] 因子的回测效果 1. **对数市值因子**： - 本周rankIC 0.333，历史平均-0.032[4][17][33] 2. **非线性市值因子**： - 本周rankIC 0.333，历史平均-0.032[4][17][33] 3. **PE_TTM倒数因子**： - 本周rankIC 0.243，历史平均0.018[4][17][33] 4. **盈利因子**： - 本周rankIC 0.236，历史平均0.022[4][17][33] 5. **单季度净资产收益率因子**： - 本周rankIC 0.17，历史平均0.022[4][17][33] 6. **非流动性因子**： - 本周rankIC -0.226，历史平均0.04[4][17][33] 7. **贝塔因子**： - 本周rankIC -0.153，历史平均0.006[4][17][33] 8. **过去一年波动率因子**： - 本周rankIC -0.12，历史平均-0.032[4][17][33] 9. **标准化预期盈利因子**： - 本周rankIC -0.049，历史平均0.013[4][17][33] 10. **单季度净利润增速因子**： - 本周rankIC -0.002，历史平均0.02[4][17][33]

量化模型与构建方式 1. **模型名称**：基于微观的风格轮动模型[3][8] * **模型构建思路**：从80个基础微观因子出发，构造大量微观特征，并利用风格指数作为股票池来定义风格收益标签，最终通过随机森林模型进行风格择时和打分，构建月频轮动策略[3][8] * **模型具体构建过程**： 1. **基础因子选择**：选取80个底层微观因子，涵盖估值、市值、波动率、动量等基础风格[8]。 2. **特征构造**：基于80个基础微观指标，构造出640个微观特征[3][8]。 3. **风格收益标签定义**：使用常用指数作为风格股票池，以此取代按风格因子绝对比例划分的传统方法，并构建新的风格收益作为模型训练的标签[3][8]。 4. **模型训练与预测**：使用随机森林模型对单个风格进行择时。通过滚动训练的方式有效规避过拟合风险，并优选特征。模型输出每种风格的当期得分[3][8]。 5. **组合构建**：根据随机森林模型的择时结果与风格打分结果，综合构造最终的投资组合，进行月度的风格轮动[3][8]。 模型的回测效果 1. **基于微观的风格轮动模型**（回测区间：2017/01/01-2025/08/31）[9][10] * 年化收益率：17.08%[9][10] * 年化波动率：20.07%[9][10] * 信息比率(IR)：0.85[9][10] * 月度胜率：55.77%[9][10] * 历史最大回撤：-29.89%[10] 2. **基于微观的风格轮动模型（对冲市场基准后）**（回测区间：2017/01/01-2025/08/31）[9][10] * 年化收益率（超额）：10.42%[9][10] * 年化波动率（超额）：13.03%[9][10] * 信息比率(IR)（超额）：0.80[9][10] * 月度胜率（超额）：56.73%[9][10] * 历史最大回撤（超额）：-9.57%[10] 量化因子与构建方式 1. **因子名称**：估值因子[3][8] * **因子构建思路**：作为基础风格因子之一，用于刻画股票的估值水平[3][8] 2. **因子名称**：市值因子[3][8] * **因子构建思路**：作为基础风格因子之一，用于刻画股票的市值大小[3][8] 3. **因子名称**：波动率因子[3][8] * **因子构建思路**：作为基础风格因子之一，用于刻画股票价格的波动情况[3][8] 4. **因子名称**：动量因子[3][8] * **因子构建思路**：作为基础风格因子之一，用于刻画股票价格的动量效应[3][8] 最新模型输出 1. **2025年9月风格择时方向**：成长、大市值、动量、高波[1][17] 2. **2025年8月模型收益率**：7.85%[1][16]

根据提供的金融工程市场跟踪周报内容，以下是总结的量化模型与因子信息： 量化模型与构建方式 1. 沪深300上涨家数占比情绪指标模型 **模型构建思路**：通过计算指数成分股中近期正收益的个股占比来判断市场情绪，正收益股票增多可能预示行情底部，大部分股票正收益则可能预示情绪过热[27] **模型具体构建过程**： 计算沪深300指数N日上涨家数占比 = 沪深300指数成分股过去N日收益大于0的个股数占比[27] 其中N为参数时间窗口 **模型评价**：该指标可以较快捕捉上涨机会，但在市场过热阶段会提前止盈离场而错失持续上涨收益，对下跌市场的判断存在缺陷，难以有效规避下跌风险[28] 2. 沪深300上涨家数占比择时模型 **模型构建思路**：通过对指标进行不同窗口期的平滑处理来捕捉情绪变动趋势，当短期平滑线大于长期平滑线时看多市场[31] **模型具体构建过程**： 对沪深300指数N日上涨家数占比进行两次移动平均： - 慢线：窗口期为N1的移动平均 - 快线：窗口期为N2的移动平均 其中N=230，N1=50，N2=35[31] 当快线 > 慢线时，产生看多信号 3. 均线情绪指标模型 **模型构建思路**：使用八均线体系判断标的指数趋势状态，通过价格与均线关系来识别市场情绪[35] **模型具体构建过程**： （1）计算沪深300收盘价八均线数值，均线参数为8，13，21，34，55，89，144，233[35] （2）计算当日沪深300指数收盘价大于八均线指标值的数量[36] （3）当前价格大于八均线指标值的数量超过5时，看多沪深300指数[36] **模型评价**：指标值状态与HS300的涨跌变化规律更加清晰[35] 4. 量能择时模型 **模型构建思路**：通过量能指标对各大宽基指数进行择时判断[26] **模型具体构建过程**：报告中未详细说明具体构建公式和参数，但提到了对中证1000、创业板指、北证50等指数给出量能择时信号[26] 5. 抱团基金分离度指标 **因子构建思路**：通过抱团基金截面收益的标准差作为基金抱团程度的代理变量，标准差小说明抱团程度高[87] **因子具体构建过程**： 分离度指标 = 抱团基金截面收益的标准差[87] 分离度值越小，表明抱团基金表现越趋同，抱团程度越高；分离度值越大，表明抱团正在瓦解 量化因子与构建方式 1. 横截面波动率因子 **因子构建思路**：通过计算指数成分股的横截面波动率来评估Alpha环境[39] **因子具体构建过程**：报告中未提供具体计算公式，但提到了对沪深300、中证500和中证1000指数成分股横截面波动率的计算和监测[39] 2. 时间序列波动率因子 **因子构建思路**：通过计算指数成分股的时间序列波动率来评估Alpha环境[43] **因子具体构建过程**：报告中未提供具体计算公式，但提到了对沪深300、中证500和中证1000指数成分股时间序列波动率的计算和监测[43] 模型的回测效果 从报告中提取的模型效果信息有限，主要包含以下内容： 1. **动量情绪指标择时策略**：从净值表现图来看，该策略在历史回测中表现良好[32] 2. **均线情绪指标择时策略**：从净值表现图来看，该策略在历史回测中表现稳定[37] 3. **量能择时模型**：截至2025年8月29日，对各大宽基指数的择时观点为：上证指数、上证50、沪深300、中证500为看多信号；中证1000、创业板指、北证50为看空信号[26] 因子的回测效果 从报告中提取的因子效果信息： 1. **横截面波动率因子**（截至2025.08.29）： - 沪深300横截面波动率：近一季度平均值1.76%，占近两年分位49.48%[43] - 中证500横截面波动率：近一季度平均值1.91%，占近两年分位61.90%[43] - 中证1000横截面波动率：近一季度平均值2.23%，占近两年分位48.61%[43] 2. **时间序列波动率因子**（截至2025.08.29）： - 沪深300时序波动率：近一季度平均值0.53%，占近两年分位34.99%[46] - 中证500时序波动率：近一季度平均值0.38%，占近两年分位57.94%[46] - 中证1000时序波动率：近一季度平均值0.22%，占近两年分位37.45%[46] 3. **抱团基金分离度因子**：截至2025年8月29日，基金抱团分离度环比上周小幅上升，最近一周抱团股和抱团基金超额收益小幅上升[87]

量化模型与构建方式 1 **模型名称**：五维行业轮动模型[6] **模型构建思路**：基于行业内部普遍存在的风格差异，利用风格指标对行业内部股票进行划分，通过构建行业内部离散指标与行业内部牵引指标合成行业最终因子[6] **模型具体构建过程**：以东吴金工特色多因子划分标准对微观因子进行大类划分，将微观因子划分为五大类：波动率、基本面、成交量、情绪、动量[6]；以大类选股因子的风格偏好为参照，构建行业内部离散指标与行业内部牵引指标，最终得到五类合成行业因子，并合成为最终的行业轮动模型[6] 量化因子与构建方式 1 **因子名称**：波动率因子[6] **因子构建思路**：作为五维行业轮动模型的维度之一，从微观个股层面出发构建[6] **因子具体构建过程**：属于东吴金工特色多因子体系中的一大类，具体构建方法可参考报告《万流归宗多因子系列研究（一）——基于量价因子的多因子决策树》[6] 2 **因子名称**：基本面因子[6] **因子构建思路**：作为五维行业轮动模型的维度之一，从微观个股层面出发构建[6] **因子具体构建过程**：属于东吴金工特色多因子体系中的一大类，具体构建方法可参考报告《万流归宗多因子系列研究（一）——基于量价因子的多因子决策树》[6] 3 **因子名称**：成交量因子[6] **因子构建思路**：作为五维行业轮动模型的维度之一，从微观个股层面出发构建[6] **因子具体构建过程**：属于东吴金工特色多因子体系中的一大类，具体构建方法可参考报告《万流归宗多因子系列研究（一）——基于量价因子的多因子决策树》[6] 4 **因子名称**：情绪因子[6] **因子构建思路**：作为五维行业轮动模型的维度之一，从微观个股层面出发构建[6] **因子具体构建过程**：属于东吴金工特色多因子体系中的一大类，具体构建方法可参考报告《万流归宗多因子系列研究（一）——基于量价因子的多因子决策树》[6] 5 **因子名称**：动量因子[6] **因子构建思路**：作为五维行业轮动模型的维度之一，从微观个股层面出发构建[6] **因子具体构建过程**：属于东吴金工特色多因子体系中的一大类，具体构建方法可参考报告《万流归宗多因子系列研究（一）——基于量价因子的多因子决策树》[6] 6 **因子名称**：合成因子[6] **因子构建思路**：将波动率、基本面、成交量、情绪、动量五大类因子合成，用于五维行业轮动模型[6] **因子具体构建过程**：基于行业内部离散指标与行业内部牵引指标，将五类因子合成为最终的行业轮动因子[6] 模型的回测效果 1 **五维行业轮动模型（多空对冲）**，年化收益率21.44%，年化波动率10.84%，信息比率(IR)1.98，月度胜率71.95%，历史最大回撤13.30%[11] 2 **五维行业轮动模型（多头超额）**，年化收益率10.52%，年化波动率6.58%，信息比率(IR)1.60，月度胜率70.49%，历史最大回撤9.36%[12] 3 **沪深300指数增强策略**，年化收益率8.88%，年化波动率20.01%，信息比率(IR)0.44，胜率56.10%，最大回撤26.45%[22] 4 **沪深300指数增强策略（超额）**，年化收益率8.59%，年化波动率7.37%，信息比率(IR)1.17，胜率69.11%，最大回撤12.65%[22] 因子的回测效果 1 **波动率因子**，年化收益率11.43%，波动率10.09%，信息比率(IR)1.13，胜率59.84%，最大回撤-14.27%，IC -0.08，ICIR -1.43，RankIC -0.07，RankICIR -1.07[13] 2 **基本面因子**，年化收益率6.64%，波动率12.10%，信息比率(IR)0.55，胜率55.91%，最大回撤-26.32%，IC 0.15，ICIR 3.25，RankIC 0.04，RankICIR 0.70[13] 3 **成交量因子**，年化收益率8.24%，波动率11.81%，信息比率(IR)0.70，胜率59.84%，最大回撤-18.40%，IC -0.06，ICIR -0.98，RankIC -0.06，RankICIR -0.94[13] 4 **情绪因子**，年化收益率7.96%，波动率12.81%，信息比率(IR)0.62，胜率64.57%，最大回撤-14.79%，IC 0.03，ICIR 0.51，RankIC 0.03，RankICIR 0.48[13] 5 **动量因子**，年化收益率11.54%，波动率10.63%，信息比率(IR)1.09，胜率61.11%，最大回撤-13.52%，IC 0.02，ICIR 0.40，RankIC 0.05，RankICIR 0.73[13] 6 **合成因子**，年化收益率21.44%，波动率10.84%，信息比率(IR)1.98，胜率72.95%，最大回撤-13.30%，IC -0.03，ICIR -0.62，RankIC -0.10，RankICIR -1.60[13]

量化因子与构建方式 1. **因子名称**：成长风格拥挤度因子[37][38]；**因子构建思路**：通过计算风格指数与市场基准的换手率差异的标准化值，来衡量特定风格（成长）的交易拥挤程度[125]；**因子具体构建过程**：首先计算国证成长指数近63个交易日（一个季度）的日均换手率，并在其6年历史时间序列上进行z-score标准化。同时，计算万得全A指数同期的日均换手率并进行z-score标准化。最后，计算两个标准化值的差值，并将该差值映射到其滚动6年历史分位值上，得到成长风格拥挤度分位点。其计算过程可表示为： $$ \text{Z}_{\text{style}} = \frac{\text{Turnover}_{\text{style}} - \mu_{\text{style}}}{\sigma_{\text{style}}} $$ $$ \text{Z}_{\text{broad}} = \frac{\text{Turnover}_{\text{broad}} - \mu_{\text{broad}}}{\sigma_{\text{broad}}} $$ $$ \text{Crowding}_{\text{style}} = \text{Percentile}_{\text{6y}} (\text{Z}_{\text{style}} - \text{Z}_{\text{broad}}) $$ 其中，$\text{Turnover}_{\text{style}}$ 和 $\text{Turnover}_{\text{broad}}$ 分别为风格指数和万得全A的换手率，$\mu$ 和 $\sigma$ 为对应时间窗口内的均值和标准差，$\text{Percentile}_{\text{6y}}$ 表示计算6年滚动窗口的历史分位数。 2. **因子名称**：红利风格拥挤度因子[37][38]；**因子构建思路**：与成长风格拥挤度因子构建思路一致，但计算对象为中证红利指数[125]；**因子具体构建过程**：计算过程与成长风格拥挤度因子完全相同，仅将风格指数由国证成长替换为中证红利。 3. **因子名称**：小盘风格拥挤度因子[37][38]；**因子构建思路**：与成长风格拥挤度因子构建思路一致，但计算对象为巨潮小盘指数[125]；**因子具体构建过程**：计算过程与成长风格拥挤度因子完全相同，仅将风格指数由国证成长替换为巨潮小盘。 4. **因子名称**：大盘风格拥挤度因子[37][38]；**因子构建思路**：与成长风格拥挤度因子构建思路一致，但计算对象为巨潮大盘指数[125]；**因子具体构建过程**：计算过程与成长风格拥挤度因子完全相同，仅将风格指数由国证成长替换为巨潮大盘。 5. **因子名称**：微盘股风格拥挤度因子[37][38]；**因子构建思路**：与成长风格拥挤度因子构建思路一致，但计算对象为万得微盘股指数[125]；**因子具体构建过程**：计算过程与成长风格拥挤度因子完全相同，仅将风格指数由国证成长替换为万得微盘股。 6. **因子名称**：基金重仓风格拥挤度因子[37][38]；**因子构建思路**：与成长风格拥挤度因子构建思路一致，但计算对象为基金重仓指数[125]；**因子具体构建过程**：计算过程与成长风格拥挤度因子完全相同，仅将风格指数由国证成长替换为基金重仓。 7. **因子名称**：风格超额净值因子[37][38]；**因子构建思路**：通过计算风格指数相对于万得全A的累计净值比，来衡量风格的长期超额收益表现[126]；**因子具体构建过程**：以2016年1月4日为基准日，计算风格指数和万得全A指数的每日累计净值（当日收盘价/基准日收盘价）。将风格指数的累计净值除以同一交易日的万得全A指数累计净值，得到该风格指数相对于万得全A的累计超额净值。 8. **因子名称**：机构调研活跃度因子[107][110]；**因子构建思路**：通过计算板块或行业相对于市场的机构调研次数标准化差异的历史分位，来衡量其受机构关注的程度[127]；**因子具体构建过程**：计算板块（或指数、行业）近n个交易日（长期口径n=126，即近半年；短期口径n=63，即近一季度）的日均机构调研次数，并在滚动y年（长期口径y=6年；短期口径y=3年）的历史时间序列上进行z-score标准化。同时，计算万得全A同期的日均机构调研次数并进行z-score标准化。计算两个标准化值的差值得到“机构调研活跃度”，最后计算该活跃度值的滚动历史分位数（窗口期与标准化窗口期一致）。 9. **因子名称**：风险溢价（ERP）因子[73][80]；**因子构建思路**：通过计算股票市场市盈率倒数与无风险利率的差值，来衡量投资股票的额外风险补偿[73]；**因子具体构建过程**：对于特定指数，其ERP计算公式为： $$ \text{ERP} = \frac{1}{\text{PE\_TTM}}} - R_{\text{f}} $$ 其中，$\text{PE\_TTM}$ 为该指数的滚动市盈率，$R_{\text{f}}$ 为10年期中债国债到期收益率。计算出的ERP值会进一步被映射到其历史分位数以判断当前性价比。 **因子的回测效果** 1. 成长风格拥挤度因子，当前历史分位值13%[37][38] 2. 红利风格拥挤度因子，当前历史分位值23%[37][38] 3. 小盘风格拥挤度因子，当前历史分位值16%[37][38] 4. 大盘风格拥挤度因子，当前历史分位值51%[37][38] 5. 微盘股风格拥挤度因子，当前历史分位值28%[37][38] 6. 基金重仓风格拥挤度因子，当前历史分位值72%[37][38] 7. 成长较红利超额净值因子，近一周收益率6.6%，近一月收益率15.2%，年初至今收益率19.4%[27][28] 8. 小盘较大盘超额净值因子，近一周收益率-0.1%，近一月收益率1.5%，年初至今收益率8.7%[27][28] 9. 微盘股较基金重仓超额净值因子，近一周收益率-6.5%，近一月收益率-10.2%，年初至今收益率31.8%[27][28] 10. 动量较反转超额净值因子，近一周收益率0.9%，近一月收益率9.3%，年初至今收益率29.3%[27][28] 11. 万得全A指数ERP因子，当前值2.7%，当前历史分位值49%[80] 12. 沪深300指数ERP因子，当前值5.2%，当前历史分位值50%[80] 13. 中证500指数ERP因子，当前值1.1%，当前历史分位值68%[80] 14. 创业板指数ERP因子，当前值0.6%，当前历史分位值87%[80]