量化模型与构建方式 1. A股大盘择时模型 - **模型名称**：A股多维择时模型[2][9] - **模型构建思路**：从估值、情绪、资金、技术四个维度对万得全A指数进行整体方向性判断，左侧指标（估值、情绪）采用反转逻辑规避风险，右侧指标（资金、技术）采用趋势逻辑捕捉机会[9] - **模型具体构建过程**： - 选取四个维度的具体指标： - 估值维度：股权风险溢价（ERP）[9][15] - 情绪维度：期权沽购比、期权隐含波动率、期货会员持仓比[9][15] - 资金维度：融资买入额[9][15] - 技术维度：布林带、个股涨跌成交额占比差[9][15] - 各维度日频发出信号，每日信号取值为0（看平）、+1（看多）、-1（看空）[9] - 以各维度得分之和的正负性作为大盘多空观点的依据[9] 2. 红利风格择时模型 - **模型名称**：红利风格择时模型[3][17] - **模型构建思路**：结合中证红利相对中证全指的动量、10Y-1Y期限利差和银行间质押式回购成交量三者的趋势进行择时[3][17] - **模型具体构建过程**： - 选取三个维度的指标： - 中证红利相对中证全指的动量：红利风格正向指标[21] - 10Y-1Y期限利差：红利风格负向指标[21] - 银行间质押式回购成交量：红利风格正向指标[21] - 三个指标从趋势维度日频发出信号，每日信号取值为0（看平）、+1（看多）、-1（看空）[17] - 以各维度得分之和的正负性作为红利风格多空观点的依据[17] - 当模型看好红利风格时全仓持有中证红利，不看好时全仓持有中证全指[17] 3. 大小盘风格择时模型 - **模型名称**：大小盘风格择时模型[3][22] - **模型构建思路**：采用基于拥挤度分域的趋势模型进行择时，在不同拥挤度区间采用不同参数的双均线模型判断趋势[3][22][24] - **模型具体构建过程**： - 以沪深300指数和万得微盘股指数为大小盘风格代表[22] - 从动量视角和成交视角计算大小盘风格拥挤度得分[22][26]： - 动量之差：计算万得微盘股指数与沪深300指数的多窗长（10/20/30/40/50/60日）动量之差，进一步计算各窗长动量之分的3.0/3.5/4.0/4.5/5.0年分位数的均值，对6个计算窗长下分位数最高的3个结果取均值作为小盘风格的动量得分，最低的3个结果取均值作为大盘风格的动量得分[26] - 成交额之比：计算万得微盘股指数与沪深300指数的多窗长（10/20/30/40/50/60日）成交额之比，进一步计算各窗长成交额之比的3.0/3.5/4.0/4.5/5.0年分位数的均值，对6个计算窗长下分位数最高的3个结果取均值作为小盘风格的成交量得分，最低的3个结果取均值作为大盘风格的成交量得分[26] - 将小盘风格的动量得分和成交量得分取均值得到小盘风格的拥挤度得分，大于90%视为触发高拥挤；将大盘风格的动量得分和成交量得分取均值得到大盘风格的拥挤度得分，小于10%视为触发高拥挤[26] - 若最近20个交易日中曾触发过高拥挤，视为运行在高拥挤区间，否则为低拥挤区间[24] - 在高拥挤区间采用小参数双均线模型应对风格反转，在低拥挤区间采用大参数双均线模型跟踪中长期趋势[24] 4. 行业轮动模型 - **模型名称**：遗传规划行业轮动模型[4][29][32] - **模型构建思路**：采用双目标遗传规划技术直接对行业指数的量价、估值等特征进行因子挖掘，每季度末更新因子库，周频调仓[4][29][32] - **模型具体构建过程**： - 底层资产为32个中信行业指数[29] - 使用双目标遗传规划，以|IC|和NDCG@5两个指标同时评价因子的分组单调性和多头组表现[32] - 采用NSGA-II算法提升因子多样性、降低过拟合风险[33] - 结合贪心策略和方差膨胀系数，将共线性较弱的多个因子合成为行业得分[33] - 每周末选出多因子综合得分最高的五个行业进行等权配置[4][29] - 最新一期权重最大的因子基于单行业流动性中性化后的估值水平构建[36]： - 在截面上，用全体行业市净率滚动4年分位数对标准化月度成交额开展带有常数项的一元线性回归，取残差，记作变量A[37] - 在过去15个交易日中，取A最小的9个交易日，取其之和，记作变量B[37] - 在过去15个交易日中，对B开展zscore标准化；对于大于2.5的数值，进行反转即乘以-1；最后计算这15个交易日之和[37] 5. 中国境内全天候增强组合 - **模型名称**：中国境内全天候增强组合[5][38] - **模型构建思路**：采用宏观因子风险预算框架，选取增长超预期/不及预期、通胀超预期/不及预期四种宏观风险源作为平价对象，在四象限风险平价的基础上基于宏观预期动量的观点主动偏配看好象限[5][38] - **模型具体构建过程**： - 宏观象限划分与资产选择：选择增长和通胀维度，根据是否超预期划分为四象限，结合"定量+定性"的方式确定各象限适配的资产[41] - 象限组合构建与风险度量：象限内资产等权构建子组合，注重刻画象限的下行风险[41] - 风险预算模型确定象限权重：每月底根据"象限观点"调整象限风险预算，进行主动偏配[41] - "象限观点"由宏观预期动量指标给出，该指标综合考虑资产价格交易的"买方预期动量"和经济指标预期差体现的"卖方预期差动量"[41] - 模型月频调仓，9月配置观点为超配"增长超预期"象限和"通胀超预期"象限[5] 模型的回测效果 1. A股多维择时模型 - 回测区间：2010-01-05至2025-09-26[14] - 年化收益：25.23%[14] - 最大回撤：-28.46%[14] - 夏普比率：1.17[14] - Calmar比率：0.89[14] - YTD收益：40.98%[14] - 上周收益：0.15%[14] 2. 红利风格择时模型 - 回测区间：2017-01-03至2025-09-26[20] - 年化收益：16.04%[20] - 最大回撤：-25.52%[20] - 夏普比率：0.87[20] - Calmar比率：0.63[20] - YTD收益：21.75%[20] - 上周收益：0.23%[20] 3. 大小盘风格择时模型 - 回测区间：2017-01-03至2025-09-26[27] - 年化收益：26.25%[27] - 最大回撤：-30.86%[27] - 夏普比率：1.09[27] - Calmar比率：0.85[27] - YTD收益：65.89%[27] - 上周收益：1.07%[27] 4. 遗传规划行业轮动模型 - 回测区间：2022-09-30至2025-09-26[32] - 年化收益：32.60%[32] - 年化波动：17.95%[32] - 夏普比率：1.82[32] - 最大回撤：-19.63%[32] - 卡玛比率：1.66[32] - 上周表现：0.27%[32] - YTD收益：36.44%[32] 5. 中国境内全天候增强组合 - 回测区间：2013-12-31至2025-09-26[42] - 年化收益：11.53%[42] - 年化波动：6.16%[42] - 夏普比率：1.87[42] - 最大回撤：-6.30%[42] - 卡玛比率：1.83[42] - 上周表现：0.66%[42] - YTD收益：9.02%[42]

量化模型与构建方式 1 模型名称：绝对收益ETF模拟组合[4][36]；模型构建思路：通过大类资产配置和权益资产内部轮动实现绝对收益目标，主要根据资产近期趋势分配风险预算并计算基础权重，同时结合月频行业轮动模型和红利资产择时观点[4][36]；模型具体构建过程：首先对大类资产近期趋势进行量化计算，趋势较强的资产赋予较高风险预算，根据风险预算计算大类资产的基础配置权重，然后在权益资产内部采用月频行业轮动模型生成每月行业配置观点，并叠加红利资产的择时观点，最终形成组合权重[4][36] 模型的回测效果 1 绝对收益ETF模拟组合，年化收益率6.61%，年化波动率3.81%，最大回撤4.65%，夏普比率1.73，Calmar比率1.42，今年以来收益率7.47%，近一周收益率0.13%[4][36][37]

证券研究报告 | 金融工程 gszqdatemark 2025 09 28 年 月 日 量化周报 非银确认日线级别下跌 非银确认日线级别下跌。本周（9.22-9.26），大盘横盘震荡，上证指数全 周收涨 0.21%。在此背景下，非银确认日线级别下跌。市场的本轮上涨自 4 月 7 日以来，日线级别反弹已经持续了 5 个多月，反弹幅度也基本在 30%左右，各大指数和板块的上涨基本都轮动了一遍，超 2/3 的行业日线 级别上涨处于超涨状态，几乎所有的规模指数及一半以上的行业更是走出 了复杂的 9-15 浪的上涨结构，而银行、非银也已经率先形成了日线级别 下跌，军工、钢铁、建筑、交运、医药离确认日线级别下跌的日子也不远 了。因此我们认为本轮日线级别上涨大概率已临近尾声。短期，市场的波 动进一步加大后，投资者后续可积极关注市场未来是否出现放量滞涨、放 量大跌及缩量反弹迹象。中期来看，上证指数、上证 50、沪深 300、中证 500、深证成指、创业板指、科创 50 纷纷确认周线级别上涨，而且在日线 上只走出了 3 浪结构，中期牛市刚刚开始；此外，已有 26 个行业处于周 线级别上涨中，且 18 个行业周线上涨走了 1-3 ...

量化模型与构建方式 1. 成交量模型 - 模型构建思路：基于市场成交量的变化来预测短期市场走势[10] - 模型具体构建过程：通过监测宽基指数的成交量变化，判断市场情绪和资金流向，当成交量显著放大时看多，缩量时看空，无明显变化时中性[10][12] 2. 低波动率模型 - 模型构建思路：利用市场波动率的高低来判断市场状态[10][12] - 模型具体构建过程：计算市场指数的波动率，当波动率处于低位时中性，高位时看空[12] 3. 特征龙虎榜机构模型 - 模型构建思路：通过分析龙虎榜机构资金流向预测市场走势[10][12] - 模型具体构建过程：监控龙虎榜机构资金的净流入流出情况，机构资金大幅净流入时看多[12] 4. 特征成交量模型 - 模型构建思路：基于特定特征成交量变化判断市场趋势[10][12] - 模型具体构建过程：分析特定板块或特征的成交量变化，当出现异常放量时看空[12] 5. 智能算法沪深300模型 - 模型构建思路：应用智能算法对沪深300指数进行预测[10][12] - 模型具体构建过程：采用机器学习算法分析历史价量数据，输出看空信号[12] 6. 智能算法中证500模型 - 模型构建思路：应用智能算法对中证500指数进行预测[10][12] - 模型具体构建过程：采用机器学习算法分析历史价量数据，输出看空信号[12] 7. 涨跌停模型 - 模型构建思路：通过涨跌停板数量变化判断市场情绪[10][13] - 模型具体构建过程：统计市场涨跌停股票数量比例，当比例处于正常区间时中性[13] 8. 月历效应模型 - 模型构建思路：利用历史月历效应规律预测市场走势[10][13] - 模型具体构建过程：分析历史同期月份的市场表现规律，当前无明显月历效应时中性[13] 9. 长期动量模型 - 模型构建思路：基于长期价格动量趋势判断市场方向[10][14] - 模型具体构建过程：计算长期价格动量指标，当显示向上趋势时看多[14] 10. A股综合兵器V3模型 - 模型构建思路：综合多种因子和信号的复合模型[10][15] - 模型具体构建过程：集成短期、中期、长期多个模型的信号，加权平均后输出看空信号[15] 11. A股综合国证2000模型 - 模型构建思路：专门针对国证2000指数的综合预测模型[10][15] - 模型具体构建过程：结合国证2000的特有价量特征和宏观因子，输出看空信号[15] 12. 成交额倒波幅模型 - 模型构建思路：通过成交额与波动率的关系预测港股走势[10][16] - 模型具体构建过程：计算成交额与波动率的比值，当比值显示积极信号时看多[16] 13. 形态识别模型（双底形态） - 模型构建思路：通过识别技术分析中的双底形态来选股[44][50] - 模型具体构建过程：识别价格走势中形成的W底形态，当价格突破颈线位时确认突破信号[50] 14. 形态识别模型（杯柄形态） - 模型构建思路：通过识别技术分析中的杯柄形态来选股[44][47] - 模型具体构建过程：识别价格走势中形成的杯状整理后带柄部突破的形态，当价格突破柄部高点时确认信号[47] 15. VIX指数模型 - 模型构建思路：利用波动率指数预测市场恐慌情绪[42][44] - 模型具体构建过程：计算期权隐含波动率，构建VIX指数，与大盘呈现负相关关系[42] 模型的回测效果 1. 形态识别模型表现 - 双底形态组合：本周下跌-2.12%，相对上证综指跑输-2.35%，累计上涨31.39%，跑赢上证综指19.31%[44] - 杯柄形态组合：本周下跌-0.7%，相对上证综指跑输-0.94%，累计上涨69.0%，跑赢上证综指56.92%[44] 2. 大师策略监控 - 价值型大师策略：19篇[38] - 成长型大师策略：6篇[38] - 综合型大师策略：8篇[38] 量化因子与构建方式 1. 成交量因子 - 因子构建思路：基于成交量变化捕捉资金流向[10][12] - 因子具体构建过程：计算相对成交量比率和成交量移动平均变化[12] 2. 波动率因子 - 因子构建思路：利用波动率测量市场风险程度[10][12] - 因子具体构建过程：计算历史波动率和已实现波动率[12] 3. 动量因子 - 因子构建思路：基于价格动量效应[10][14] - 因子具体构建过程：计算不同时间周期的收益率动量$$R_t = \frac{P_t}{P_{t-n}} - 1$$[14] 4. 龙虎榜资金因子 - 因子构建思路：捕捉机构资金流向[10][12] - 因子具体构建过程：统计龙虎榜机构买卖净额[12] 5. 涨跌停因子 - 因子构建思路：测量市场极端情绪[10][13] - 因子具体构建过程：计算涨跌停股票数量比例[13] 6. 月历效应因子 - 因子构建思路捕捉季节性规律[10][13] - 因子具体构建过程：分析历史同期月份收益表现[13] 7. 形态识别因子 - 因子构建思路：识别技术形态突破[44][47][50] - 因子具体构建过程：通过模式识别算法检测双底、杯柄等形态[47][50] 因子的回测效果 1. 形态识别因子表现 - 杯柄形态突破个股：上周6只个股中3只跑赢上证综指，平均超额收益-2.8%[45] - 双底形态突破个股：上周6只个股中1只跑赢上证综指，平均超额收益-2.59%[48] 2. 大师策略因子暴露 - 通过大师策略能发现收益靠前组合的因子暴露情况[38]

量化模型与构建方式 1 模型名称：扩散指数行业轮动模型[3][23][24]；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[24][36]；模型具体构建过程：首先，计算每个中信一级行业的扩散指数，该指数反映了行业内个股价格走势的强弱程度；然后，每周或每月跟踪各行业扩散指数的数值及其变化，并选择扩散指数排名前六的行业作为当期配置建议[25][28]；模型评价：该模型在趋势性行情中表现较好，能有效捕捉行业动量，但在市场风格切换至反转行情时可能面临失效风险[24][36] 2 模型名称：GRU因子行业轮动模型[3][6][31]；模型构建思路：基于分钟频量价数据，利用GRU（门控循环单元）深度学习网络生成行业因子，以把握短期交易信息并进行行业轮动[31][37]；模型具体构建过程：首先，收集各行业的分钟频量价数据；然后，将这些数据输入到GRU深度学习网络中进行训练，以生成GRU行业因子；最后，根据GRU行业因子的数值进行排序，选择因子排名靠前的行业进行配置[6][32][34]；模型评价：该模型对短周期行情有较好的自适应能力，但在长周期表现一般，且可能因极端行情而失效[31][37] 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3.68%[3][23][28] 2 GRU因子行业轮动模型，2025年以来超额收益-7.53%[3][31][34] 量化因子与构建方式 1 因子名称：行业扩散指数[3][5][25]；因子的构建思路：通过量化行业内个股价格走势的强弱来构建一个综合指标，用以衡量行业的整体趋势强度[24][36]；因子具体构建过程：对于每个中信一级行业，计算其成分股中价格处于上涨趋势的股票比例或使用其他类似方法合成一个0到1之间的指数，数值越高代表行业趋势越强[25][26] 2 因子名称：GRU行业因子[3][6][32]；因子的构建思路：利用GRU深度学习模型处理高频量价数据，提取能够预测行业短期表现的因子[31][37]；因子具体构建过程：使用各行业的分钟频量价数据作为输入特征，通过训练好的GRU网络模型输出一个因子得分，该得分反映了模型对该行业未来表现的预测[32][37] 因子的回测效果 1 行业扩散指数因子，截至2025年9月26日，在通信行业的取值为0.949，在有色金属行业的取值为0.927，在银行业的取值为0.897，在电子行业的取值为0.864，在汽车行业的取值为0.859，在综合行业的取值为0.811[5][25] 2 GRU行业因子，截至2025年9月26日，在钢铁行业的取值为3.15，在房地产行业的取值为2.6，在建材行业的取值为2.08，在石油石化行业的取值为1.85，在交通运输行业的取值为0.81，在电力及公用事业的取值为0.01[6][32]

市场维持震荡， 主动权益基金向哑铃型配置迁移 —— 量化市场追踪周报（2025W39） 请阅读最后一页免责声明及信息披露 http://www.cindasc.com 1 [Table_ReportTime] 2025 年 4 月 27 日 证券研究报告 [Table_ReportDate] 2025 年 9 月 28 日 截至 2025/9/26，主动权益型基金的平均仓位约为 90.31%。其中，普通股 票型基金的平均仓位约为 92.51%（较上周下降 0.13pct），偏股混合型基金 的平均仓位约为 91.14%（较上周下降 0.02pct），配置型基金的平均仓位约 为 88.03%（较上周下降 0.45pct）；"固收+"基金平均仓位约为 23.27%， 较上周下降 0.21pct。 近三月公募基金上调大盘成长配置比例。截至 2025/9/26，主动偏股型基 金大盘成长仓位 32.35%（较上周上升 0.24pct），大盘价值仓位 9.73%（较 上周下降 0.61pct），中盘成长仓位 6.73%（较上周下降 0.36pct），中盘价 值仓位 8.35%（较上周下降 0.3pct），小盘成长仓位 36 ...

证券研究报告 | 金融工程 、 gszqdatemark 2025 09 27 年 月 日 量化分析报告 择时雷达六面图：本周资金面分数上升，拥挤度弱化 择时雷达六面图：基于多维视角的择时框架。权益市场的表现受到多维度 指标因素的共同影响，我们尝试从流动性、经济面、估值面、资金面、技 术面、拥挤度选取二十一个指标对市场进行刻画，并将其概括为"估值性 价比"、"宏观基本面"、"资金&趋势"、"拥挤度&反转"四大类，从而生成 [-1,1]之间的综合择时分数。 本周综合打分。本周市场的估值性价比与拥挤度&反转分数下行，资金&趋 势分数好转，宏观基本面分数不变，综合打分位于[-1,1]之间，当前的综合 打分为-0.30 分，整体为中性偏空观点。当前六面图各个维度的观点如下： 流动性。本周货币强度发出看空信号，货币方向、信用方向发出看多信 号，当前流动性得分为 0.25 分，综合来看发出中性偏多信号。 经济面。本周增长方向指标发出看多信号，增长强度、通胀方向发出看 空信号，当前经济面得分为-0.25 分，综合来看发出中性偏空信号。 估值面。本周席勒 ERP、PB 与 AIAE 指标分数下降，当前市场的估值 面得分为-0 ...

量化模型与构建方式 1. 风格因子模型 - **模型名称**：BARRA风格因子模型[16] - **模型构建思路**：参考BARRA因子模型构建10个风格因子，以捕捉A股市场的风格变化[16] - **模型具体构建过程**：通过细分因子合成大类风格因子，细分因子构造方式及大类因子合成方式见表3[16]。具体因子构建如下： - 估值因子=BP，其中BP（Book to Price）=归母股东权益/总市值[17] - 成长因子=（SGRO+EGRO）/2，其中： - SGRO（Sales growth）：过去五个财年年报的每股营业收入按时间进行回归，将回归系数（斜率）除以每股营业收入的平均值[17] - EGRO（Earnings growth）：过去五个财年年报的每股归母净利润按时间进行回归，将回归系数（斜率）除以每股归母净利润的平均值[17] - 盈利因子=（ETOP+CETOP）/2，其中： - ETOP（Earnings-to-price ratio）：归母净利润TTM/总市值[17] - CETOP（Cash earnings-to-price ratio）：经营活动产生的现金流量净额TTM/总资产[17] - 规模因子=LNCAP，其中LNCAP（Natural log of market cap）=总市值的对数[17] - Beta因子=BETA，将个股过去252个交易日的日收益率与中证全指日收益率进行半衰指数加权回归，半衰期为63个交易日，最终取回归系数作为BETA[17] - 动量因子=RSTR，其中RSTR（Relative strength）=过去504个交易日个股累计收益率，不含最近21个交易日，收益率序列使用半衰指数加权，半衰期为126个交易日[17] - 流动性因子=（STOM+STOQ+STOA）/3，其中： - STOM（Share turnover, one month）：个股过去1个月的换手率加总，之后取对数[17] - STOQ（Average share turnover, trailing 3 months）：个股过去3个月STOM的均值[17] - STOA（Average share turnover, trailing 12 months）：个股过去12个月STOM的均值[17] - 波动性因子=（DASTD+CMRA+HSIGMA）/3，其中： - DASTD（Daily standard deviation）：过去250个交易日个股相对于所有股票等权指数的超额收益率的标准差，计算标准差时使用半衰指数加权，半衰期为40个交易日[17] - CMRA（Cumulative range）：计算个股过去12个月内的累计对数收益率，将累计最高收益与累积最低收益做差[17] - HSIGMA（Historical sigma）：计算BETA时残差的标准差[17] - 非线性市值因子=NLSIZE，将股票总市值对数的三次方与对数市值进行加权最小二乘回归，其中权重为对数市值的平方根，最终取回归残差作为NLSIZE[17] - 杠杆因子=（MLEV+DTOA+BLEV）/3，其中： - MLEV（Market leverage）：非流动负债/总市值[17] - DTOA（Debt to assets）：总负债/总资产[17] - BLEV（Book leverage）：非流动负债/归属母公司股东权益[17] 2. 中性约束条件下最大化因子暴露组合构建方法 - **模型名称**：中性约束条件下最大化因子暴露组合[22][23] - **模型构建思路**：在确保投资组合相对基准指数在行业和风格暴露保持中性的基础上，最大化目标因子在组合中的暴露[23] - **模型具体构建过程**：参考附录中的具体构建方法[23] 量化因子与构建方式 1. 估值因子 1. **因子名称**：BP[22] - 因子构建思路：衡量账面价值与市场价值的比率[22] - 因子具体构建过程：归属母公司股东权益/总市值[22] - 参考方向：正向[22] 2. **因子名称**：单季度EP[22] - 因子构建思路：衡量单季度盈利与市值的比率[22] - 因子具体构建过程：单季度归母净利润/总市值[22] - 参考方向：正向[22] 3. **因子名称**：EP_TTM[22] - 因子构建思路：衡量滚动盈利与市值的比率[22] - 因子具体构建过程：归母净利润TTM/总市值[22] - 参考方向：正向[22] 4. **因子名称**：单季度SP[22] - 因子构建思路：衡量单季度营收与市值的比率[22] - 因子具体构建过程：单季度营业收入/总市值[22] - 参考方向：正向[22] 5. **因子名称**：SP_TTM[22] - 因子构建思路：衡量滚动营收与市值的比率[22] - 因子具体构建过程：营业收入TTM/总市值[22] - 参考方向：正向[22] 6. **因子名称**：单季度CFEV[22] - 因子构建思路：衡量单季度现金流与调整市值的比率[22] - 因子具体构建过程：单季度经营活动产生的现金流量净额/（市值+短期借款+长期借款+应付债券-货币资金）[22] - 参考方向：正向[22] 7. **因子名称**：CFEV_TTM[22] - 因子构建思路：衡量滚动现金流与调整市值的比率[22] - 因子具体构建过程：经营活动产生的现金流量净额TTM/（市值+短期借款+长期借款+应付债券-货币资金）[22] - 参考方向：正向[22] 2. 成长因子 8. **因子名称**：单季度净利润同比增速[22] - 因子构建思路：衡量单季度净利润同比增长情况[22] - 因子具体构建过程：单季度归母净利润同比增长率[22] - 参考方向：正向[22] 9. **因子名称**：单季度营业收入同比增速[22] - 因子构建思路：衡量单季度营业收入同比增长情况[22] - 因子具体构建过程：单季度营业收入同比增长率[22] - 参考方向：正向[22] 10. **因子名称**：单季度营业利润同比增速[22] - 因子构建思路：衡量单季度营业利润同比增长情况[22] - 因子具体构建过程：单季度营业利润同比增长率[22] - 参考方向：正向[22] 11. **因子名称**：标准化预期外盈利[22] - 因子构建思路：衡量盈利超出预期的程度[22] - 因子具体构建过程：（当前季度归母净利润-（去年同期单度归母净利润+过去8个季度单季归母净利润同比增长均值））/过去8个季度的单季度归母净利润同比增长值的标准差[22] - 参考方向：正向[22] 12. **因子名称**：标准化预期外收入[22] - 因子构建思路：衡量收入超出预期的程度[22] - 因子具体构建过程：（当前季度营业收入-（去年同期单度营业收入+过去8个季度单季度营业收入同比增长均值））/过去8个季度的单季度营业收入同比增长值的标准差[22] - 参考方向：正向[22] 13. **因子名称**：单季度ROE同比[22] - 因子构建思路：衡量单季度ROE同比变化[22] - 因子具体构建过程：ROE单季度同比变化[22] - 参考方向：正向[22] 14. **因子名称**：单季度ROA同比[22] - 因子构建思路：衡量单季度ROA同比变化[22] - 因子具体构建过程：ROA单季度同比变化[22] - 参考方向：正向[22] 3. 质量因子 15. **因子名称**：单季度ROE[22] - 因子构建思路：衡量单季度净资产收益率[22] - 因子具体构建过程：单季度归母净利润/归属母公司股东权益[22] - 参考方向：正向[22] 16. **因子名称**：单季度ROA[22] - 因子构建思路：衡量单季度总资产收益率[22] - 因子具体构建过程：单季度归母净利润/总资产[22] - 参考方向：正向[22] 17. **因子名称**：单季度毛利率[22] - 因子构建思路：衡量单季度毛利率水平[22] - 因子具体构建过程：（单季度营业收入-单季度营业成本）/单季度营业收入[22] - 参考方向：正向[22] 18. **因子名称**：单季度营业利润率[22] - 因子构建思路：衡量单季度营业利润率水平[22] - 因子具体构建过程：单季度营业利润/单季度营业收入[22] - 参考方向：正向[22] 19. **因子名称**：单季度净利润率[22] - 因子构建思路：衡量单季度净利润率水平[22] - 因子具体构建过程：单季度归母净利润/单季度营业收入[22] - 参考方向：正向[22] 20. **因子名称**：盈余质量[22] - 因子构建思路：衡量盈余质量[22] - 因子具体构建过程：（经营活动现金流量净额-营业利润）/总资产[22] - 参考方向：正向[22] 21. **因子名称**：流动比率[22] - 因子构建思路：衡量流动性风险[22] - 因子具体构建过程：流动资产/流动负债[22] - 参考方向：正向[22] 4. 规模因子 22. **因子名称**：对数市值[22] - 因子构建思路：衡量公司规模[22] - 因子具体构建过程：总市值的对数[22] - 参考方向：负向[22] 5. 反转因子 23. **因子名称**：20日反转[22] - 因子构建思路：衡量短期反转效应[22] - 因子具体构建过程：个股过去20个交易日收益率[22] - 参考方向：负向[22] 24. **因子名称**：60日反转[22] - 因子构建思路：衡量中期反转效应[22] - 因子具体构建过程：个股过去60个交易日收益率[22] - 参考方向：负向[22] 6. 动量因子 25. **因子名称**：60日动量[22] - 因子构建思路：衡量中期动量效应[22] - 因子具体构建过程：个股过去60个交易日（排除近20日）收益率[22] - 参考方向：正向[22] 26. **因子名称**：240日动量[22] - 因子构建思路：衡量长期动量效应[22] - 因子具体构建过程：个股过去240个交易日（排除近20日）收益率[22] - 参考方向：正向[22] 27. **因子名称**：盈余公告前隔夜动量[22] - 因子构建思路：衡量盈余公告前的隔夜动量效应[22] - 因子具体构建过程：个股盈余公告前20个交易日的隔夜收益[22] - 参考方向：正向[22] 28. **因子名称**：盈余公告次日开盘跳空超额[22] - 因子构建思路：衡量盈余公告次日的开盘跳空效应[22] - 因子具体构建过程：个股盈余公告次日开盘价/昨日收盘价-中证全指次日开盘价/昨日收盘价[22] - 参考方向：正向[22] 7. 流动性因子 29. **因子名称**：20日换手率[22] - 因子构建思路：衡量短期换手率水平[22] - 因子具体构建过程：个股过去20个交易日换手率的平均值[22] - 参考方向：负向[22] 30. **因子名称**：60日换手率[22] - 因子构建思路：衡量中期换手率水平[22] - 因子具体构建过程：个股过去60个交易日换手率的平均值[22] - 参考方向：负向[22] 31. **因子名称**：20日换手率波动[22] - 因子构建思路：衡量短期换手率波动[22] - 因子具体构建过程：个股过去20个交易日换手率的标准差[22] - 参考方向：负向[22] 32. **因子名称**：60日换手率波动[22] - 因子构建思路：衡量中期换手率波动[22] - 因子具体构建过程：个股过去60个交易日换手率的标准差[22] - 参考方向：负向[22] 33. **因子名称**：20日非流动性冲击[22] - 因子构建思路：衡量短期非流动性冲击[22] - 因子具体构建过程：个股过去20个交易日的收益率绝对值/过去20日成交额的均值[22] - 参考方向：正向[22] 34. **因子名称**：60日非流动性冲击[22] - 因子构建思路：衡量中期非流动性冲击[22] - 因子具体构建过程：个股过去60个交易日的收益率绝对值/过去60日成交额的均值[22] - 参考方向：正向[22] 8. 波动性因子 35. **因子名称**：20日收益率标准差[22] - 因子构建思路：衡量短期收益波动[22] - 因子具体构建过程：个股过去20个交易日的日收益率标准差[22] - 参考方向：负向[22] 36. **因子名称**：60日收益率标准差[22] - 因子构建思路：衡量中期收益波动[22] - 因子具体构建过程：个股过去60个交易日的日收益率标准差[22] - 参考方向：负向[22] 37. **因子名称**：20日特异度[22] - 因子构建思路：衡量短期特异度[22] - 因子具体构建过程：个股过去20个交易日的日收益与Fama-French三因子回归的拟合度[22] - 参考方向：负向[22] 38. **因子名称**：60日特异度[22] - 因子构建思路：衡量中期特异度[22] - 因子具体构建过程：个股过去60个交易日的日收益与Fama-French三因子回归的拟合度[22] - 参考方向：负向[22] 39. **因子名称**：20日三因子模型残差波动率[22] - 因子构建思路：衡量三因子模型残差的短期波动[22] - 因子具体构建过程：个股过去20个交易日的日收益对Fama-French三因子回归的残差的标准差[22] - 参考方向：负向[22] 40. **因子名称**：120日三因子模型残差波动率[22] - 因子构建思路：衡量三因子模型残差的中期波动[22] - 因子具体构建过程：个股过去120个交易日的日收益对Fama-French三因子回归的残差的标准差[22] - 参考方向：负向[22] 41. **因子名称**：240日三因子模型残差波动率[22] - 因子构建思路：衡量三因子模型残差的长期波动[22] - 因子具体构建过程：个股过去240个交易日的日收益对Fama-French三因子回归的残差的标准差[22] - 参考方向：负向[22] 9. 分红因子 42. **因子名称**：股息率[22] - 因子构建思路：衡量分红收益[22] - 因子具体构建过程：最近4个季度分红/总市值[22] - 参考方向：正向[22] 10. 公司治理因子 43. **因子名称**：前五大股东持股比例[22] - 因子构建思路：衡量股权集中度[22] - 因子具体构建过程：前五大股东持股比例合计[22] - 参考方向：正向[22] 44. **因子名称**：前十大股东持股比例[22] - 因子构建思路：衡量股权集中度[22] - 因子具体构建过程：前十大股东持股比例合计[22] - 参考方向：正向[22] 11. 技术因子 45. **因子名称**：20日成交额[22] - 因子构建思路：衡量短期成交活跃度[22] - 因子具体构建过程：过去20个交易日日均成交额[22] - 参考方向：负向[22] 46. **因子名称**：60日成交额[22] - 因子构建思路：衡量中期成交活跃度[22] - 因子具体构建过程：过去60个交易日日均成交额[22] - 参考方向：负向[22] 47. **因子名称**：60日偏度[22] - 因子构建思路：衡量中期收益偏度[22] - 因子具体构建过程：过去60个交易日日度收益率数据计算的偏度[22] - 参考方向：负向[22] 48. **因子名称**：240日偏度[22] - 因子构建思路：衡量长期收益偏度[22] - 因子具体构建过程：过去240个交易日日度收益率数据计算的偏度[22] - 参考方向：负向[22] 49. **因子名称**：20日成交量变异系数[22] - 因子构建思路：衡量短期成交量波动[22] - 因子具体构建过程：过去20个交易日成交量的标准差/过去20个交易日成交量均值[22] - 参考方向：负向[22] 50. **因子名称**：60日成交量变异系数[22] - 因子构建思路：衡量中期成交量波动[22] - 因子具体构建过程：过去60个交易日成交量的标准差/过去60个交易日成交量均值[22] - 参考方向：负向[22] 51. **因子名称**：20日成交量比率[22] - 因子构建思路：衡量

根据您提供的研报内容，经过全面梳理，总结如下： 量化模型与构建方式 1. **模型/因子名称**：行业拥挤度模型[3][17] **构建思路**：使用马氏距离来衡量行业指数在价格和成交金额变动上的综合偏离程度，以识别短期交易过热或过冷的行业[3][17] **具体构建过程**： 1. 选取各行业指数最近一周的价格变动数据和成交金额变动数据作为两个特征维度[3] 2. 计算所有行业这两个特征维度所构成数据集的协方差矩阵 3. 对于每一个行业，计算其价格变动和成交金额变动向量到数据集中心点（假设为均值向量）的马氏距离，公式为： $$D_M(\vec{x}) = \sqrt{(\vec{x} - \vec{\mu})^T \Sigma^{-1} (\vec{x} - \vec{\mu})}$$ 其中，$\vec{x}$ 代表某个行业的价格与成交金额变动向量，$\vec{\mu}$ 代表所有行业变动的均值向量，$\Sigma$ 代表所有行业变动的协方差矩阵[17] 4. 将结果绘制在散点图上（价格变动为X轴，成交金额变动为Y轴），并绘制出置信水平为99%的椭圆边界[17] 5. 位于第一象限且椭圆外的点被视为短期显著拥挤的行业（价量齐升且偏离度过大）[17] 模型的回测效果 （报告中未提供行业拥挤度模型的具体回测指标数值） 量化因子与构建方式 （报告中未涉及其他独立的量化因子构建） 因子的回测效果 （报告中未提供任何因子的具体回测指标数值） **注**：本报告核心内容为市场数据描述与复盘，仅包含一个用于衡量行业拥挤度的模型，未涉及其他量化因子或模型的构建与测试[1][2][3][8][9][12][13][14][17]

根据提供的金融工程周报内容，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：港股精选组合模型 - **模型构建思路**：基于分析师推荐事件构建股票池，再结合基本面和技术面指标进行双重筛选，旨在选出具备基本面支撑和技术面共振的超预期股票[14][15] - **模型具体构建过程**： 1. **事件筛选**：选取分析师上调盈利预测、分析师首次关注、分析师研报标题超预期事件作为分析师推荐事件[15] 2. **股票池构建**：基于分析师推荐事件构建初始股票池[15] 3. **双重筛选**： - 基本面筛选：具体筛选标准未详细说明[15] - 技术面筛选：具体筛选标准未详细说明[15] 4. **组合构建**：通过上述筛选流程最终形成港股精选股票组合[15] - **模型评价**：该模型在回测期间表现优异，年化收益19.11%，相对恒生指数超额收益达到18.48%[15] 2. 因子名称：250日新高距离因子 - **因子构建思路**：通过计算当前价格与250日最高价的距离来度量股票的创新高情况，用于识别趋势强度[20][22] - **因子具体构建过程**： 计算公式为： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中： - $Closet$ 为最新收盘价 - $ts\_max(Close, 250)$ 为过去250个交易日收盘价的最大值[22] - **因子评价**：该因子能有效识别接近新高的股票，这类股票往往表现出更强的动量效应[20] 3. 因子名称：股价路径平滑性因子 - **因子构建思路**：通过位移路程比来衡量股价走势的平稳性，筛选出趋势更加稳定的股票[23] - **因子具体构建过程**：使用股价位移路程比作为衡量指标，具体计算公式未明确给出[23] 4. 因子名称：创新高持续性因子 - **因子构建思路**：通过计算过去120日内250日新高距离的时间序列均值，评估股票创新高的持续能力[23] - **因子具体构建过程**：计算过去120日的250日新高距离在时间序列上的均值[23] 5. 因子名称：趋势延续性因子 - **因子构建思路**：通过近期5日的250日新高距离均值来捕捉短期趋势延续性[23] - **因子具体构建过程**：计算过去5日的250日新高距离在时间序列上的均值[23] 模型的回测效果 港股精选组合模型绩效表现[19] - **绝对收益**：19.11% - **超额收益**：18.48% - **相对最大回撤**：23.73% - **信息比率(IR)**：1.22 - **跟踪误差**：14.55% - **收益回撤比**：0.78 分年度绩效表现（2010-20250630）[19] 各年度具体指标包括：绝对收益、恒生指数收益、超额收益、相对最大回撤、信息比、跟踪误差、收益回撤比、最大回撤起始日和截止日 因子的回测效果 平稳创新高股票筛选效果[22][23][28] 通过综合运用250日新高距离、股价路径平滑性、创新高持续性和趋势延续性等因子，筛选出的平稳创新高股票在医药、周期、科技、消费和制造板块表现出色，其中： - 医药板块：14只股票入选 - 周期板块：11只股票入选 - 科技板块：8只股票入选 - 消费板块：6只股票入选 - 制造板块：4只股票入选 具体个股包括华虹半导体、药明生物、药明合联等，这些股票在过去250日内涨幅显著，多数超过100%，部分甚至达到1000%以上[28]