根据提供的华福证券金融工程研究报告内容，以下是量化模型与因子的详细总结： --- 量化模型与构建方式 1. **模型名称**：权益基金评价模型 **模型构建思路**：通过22个基准指数与基金收益率的一元线性回归，计算拟合优度（R²）来确定基金业绩参考基准[17] **模型具体构建过程**： - 每月向前滚动6个月窗口期，对基金收益率与每个基准指数进行一元线性回归，得到R²矩阵 - 选取近6期R²均值最大的指数作为当期业绩参考指数 - 公式：$$ R^2 = 1 - \frac{SS_{res}}{SS_{tot}} $$，其中$SS_{res}$为残差平方和，$SS_{tot}$为总平方和[17] **模型评价**：通过动态调整基准指数适配市场环境变化，增强业绩归因的准确性 2. **模型名称**：基金经理指数模型 **模型构建思路**：加权计算基金经理管理的主动权益基金组合收益曲线，反映个体投资能力[32] **模型具体构建过程**： - 筛选主动权益基金，按最新规模加权构建组合收益曲线 - 纳入多基金经理管理的基金时，根据实际管理日期分别打分[48] --- 量化因子与构建方式 1. **因子名称**：基金策略分布因子 **因子构建思路**：统计基金跟踪的细分指数分布，识别市场主线[40] **因子具体构建过程**： - 分类跟踪指数为成长、中小盘、大盘等大类，细分指数包括数字经济、中证500等 - 计算各指数跟踪基金数量占比及月度流量变化[40][41] 2. **因子名称**：基金评级因子 **因子构建思路**：基于横向胜率分位数和纵向α趋势对基金综合打分[46] **因子具体构建过程**： - AAA级：长期超额收益胜率前25%，α稳定无下滑 - AA+级：α持续上升且胜率前25% - BB+级：α持续上升但胜率前25%-50%[46][47] --- 模型的回测效果 1. **权益基金评价模型**： - 7月平均拟合优度（R²）0.7852，超0.9占比9.69%[36] - 6月平均R² 0.7989，超0.9占比11.74%[36] 2. **基金经理指数模型**： - 本月Top3基金经理收益：廖庆阳（37.9%）、廖星昊（29.6%）、池陈森（28.3%）[32] --- 因子的回测效果 1. **基金策略分布因子**： - 7月流入最多指数：数字经济（189只）、创业板指（155只）、中证500（98只）[41] - 流出最多指数：TMT（中信）（141只）、中小盘成长（132只）[41] 2. **基金评级因子**： - 7月AAA级基金32只（持平上月），AA+级增至80只（上月69只）[48] - 价值类绩优率14%（上月15%），大盘绩优率12%（上月11%）[52] --- 注：以上内容严格基于报告中的量化分析部分，未包含风险提示、免责声明等非核心信息。

量化模型与构建方式 1. **模型名称：宏观因子风险平价模型** - **模型构建思路**：通过分散宏观超预期风险，构建科学均衡的SAA（战略性资产配置）方案，控制宏观真实数据超预期或不及预期的风险[45] - **模型具体构建过程**： 1. 使用真实的宏观指标构建宏观原始因子，避免交易因素干扰[43] 2. 将原始宏观数据经STL季节性处理得到的预测值作为市场预期，真实值与预测值的差值作为宏观风险因子[43] 3. 因子选择包括国内经济因子（增长、通胀、利率、信用、汇率、流动性）和海外资产溢价因子（美、欧、日、印）[44] 4. 采用类似Barra模型的显性因子模型，基于主观先验指定资产相关因子，通过多元线性回归计算因子暴露（滚动5年窗口，权重半衰期1年）[44] 5. 最终输出大类资产基准比例（权益45%、债券45%、商品10%）[48] 2. **模型名称：全球大类资产配置BL策略（TAA）** - **模型构建思路**：基于投资时钟和周期嵌套模型，将宏观周期评分转化为BL模型观点矩阵，主被动结合增强收益[50][51] - **模型具体构建过程**： 1. 量化经济周期环境压力（如美国库存周期滞销指标），逆序分位数处理得到宏观周期评分[50] 2. 综合多周期评分指标，按经济学逻辑合成资产专属宏观综合评分[50] 3. 将评分转化为资产预期收益率，融入BL观点矩阵[51] 4. 在SAA基准比例基础上进行有限偏离的战术调仓[54] --- 模型的回测效果 1. **宏观因子风险平价模型（SAA）** - 年化收益率：9.1%[45] - 夏普比率：1.57[45] - 最大回撤：9%[47] - 年化波动率：6%[47] 2. **全球大类资产配置BL策略（TAA）** - 年化收益率：24%（全样本）、55%（2025年）[54][57] - 夏普比率：1.65[54] - 最大回撤：12%[57] - 年化波动率：15%[57] --- 量化因子与构建方式 1. **因子名称：宏观周期评分因子** - **因子构建思路**：量化经济周期状态（如库存周期、美林周期），生成资产配置信号[50] - **因子具体构建过程**： 1. 计算底层宏观指标（如美国库存周期滞销指标）[50] 2. 对指标逆序分位数处理，得到0-100的周期评分（例如CN金融周期友好度7月读数为59.2）[38][50] 3. 多周期评分加权合成宏观综合评分[50] 2. **因子名称：宏观风险因子（预期差因子）** - **因子构建思路**：捕捉宏观数据超预期部分对资产价格的冲击[43] - **因子具体构建过程**： $$ \text{因子值} = \text{真实值} - \text{STL季节性预测值} $$ 经标准化后用于风险暴露回归[43] --- 因子的回测效果 1. **宏观周期评分因子** - 在BL策略中驱动2025年55%的年化收益，成功捕捉黄金牛市和A股行情[54] 2. **宏观风险因子** - 支撑SAA模型年化收益超越风险平价模型3.1个百分点（9.1% vs 6%）[47] （注：原文未提供因子独立回测指标，以上结果基于模型整体表现推导[45][54]）

根据研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称**：交易量能择时模型 - **模型构建思路**：通过规避缩量信号获取较高交易赔率，利用流动性即时反馈特性，尤其针对中小盘指数[3][8][22] - **具体构建过程**： 1. 计算指数成交额与换手率的60日滚动均值和标准差 2. 标准化处理：若当日值在±2倍标准差内，按线性映射到[-1,1]打分；超出则直接赋±1分 3. 等权合成成交额与换手率得分 4. 信号生成：得分>0时做多，≤0时空仓[23] - **模型评价**：赔率导向型策略，胜率一般但能有效规避市场大跌风险，对中小盘指数效果显著[3][22][29] 2. **模型名称**：复合择时信号模型（信贷脉冲+Beta离散度+交易量能） - **模型构建思路**：结合宏观信贷周期、市场波动分化与流动性指标构建不定期调仓信号[8][22] - **具体构建过程**： 1. 信贷脉冲：计算中长期贷款余额同比变化 2. Beta离散度：测算个股Beta系数的横截面标准差 3. 交易量能：同上文量能模型 4. 三指标等权合成综合信号[22][41] 3. **模型名称**：四风格轮动模型 - **模型构建思路**：整合成长价值与小盘大盘轮动逻辑，形成四象限配置建议[51][61] - **具体构建过程**： 1. 成长价值维度：基于盈利斜率、利率周期、信贷周期构建信号 2. 小盘大盘维度：同周期指标结合估值差、换手差分析 3. 交叉形成小盘成长/价值、大盘成长/价值四象限权重[52][57][61] 量化因子与构建方式 1. **因子名称**：量能情绪因子 - **构建思路**：反映市场流动性强弱，标准化处理避免极端值干扰[23] - **具体构建**： $$ \text{Score}_t = \frac{\min(\max(V_t, \mu_V - 2\sigma_V), \mu_V + 2\sigma_V) - (\mu_V - 2\sigma_V)}{4\sigma_V} \times 2 - 1 $$ 其中$V_t$为当日成交额，$\mu_V$、$\sigma_V$为60日均值和标准差[23] 2. **因子名称**：估值差分位数因子 - **构建思路**：捕捉风格间估值均值回归机会[52][57] - **具体构建**： 1. 计算成长价值PE差：$ \Delta PE = PE_{成长} - PE_{价值} $ 2. 计算5年滚动分位数：$ Rank(\Delta PE) = \frac{\text{当前值}-Min}{Max-Min} $[52][58] 模型的回测效果 | 模型名称 | 年化收益率 | 最大回撤 | 胜率 | 赔率 | IR | 测试区间 | |------------------------|------------|----------|--------|-------|-------|----------------| | 交易量能(中证500ETF) | 11.08% | 16.65% | 51.67% | 1.69 | 1.05 | 2017-2025[39] | | 交易量能(中证1000ETF) | 12.66% | 22.93% | 46.95% | 2.15 | 0.72 | 2017-2025[39] | | 短期择时策略 | 18.21% | 22.77% | 69.93% | - | 1.10 | 2013-2025[47] | | 四风格轮动模型 | 13.37% | 47.91% | 59.87% | - | 0.60 | 2013-2025[63] | 因子的回测效果 | 因子名称 | IC均值 | ICIR | 多空年化收益 | 最大回撤 | 测试标的 | |-------------------|--------|--------|--------------|----------|----------------| | 量能情绪因子 | 0.12 | 0.85 | 9.8% | 18.3% | 万得全A[23][34]| | 估值差分位数因子 | 0.09 | 0.62 | 7.2% | 15.6% | 成长价值指数[52]|

量化模型与构建方式 1. **模型名称：分红预测模型** - **模型构建思路**：基于上市公司分红历史数据、年报信息及市场环境，预测指数成分股的分红对股指期货合约的影响[8][21] - **模型具体构建过程**： 1. **预估成分股净利润**：以年报公布的净利润为准[23] 2. **计算税前分红总额**： - 若已公布分红预案，直接采用税前分红总额[26] - 未公布预案的公司，假设分红率（分红金额/净利润）不变，计算税后分红总额[24] 3. **计算分红对指数的影响**： - 股息率 = 税后分红总额 / 最新市值 - 股息点 = 股票权重 × 股息率 - 权重调整公式： $$\mathrm{w_{it}={\frac{w_{i0}\times\mathrm{\(\1+R\)}}{\sum_{1}^{n}w_{i0}\times\mathrm{\(\1+R\)}}}}$$ 其中 \(w_{i0}\) 为初始权重，\(R\) 为涨跌幅[24] 4. **预测分红对各合约的影响值**： - 除权除息日预测：已公布日期的直接采用；未公布的参考历史分红时间差中位数[27][28] - 将交割日前所有分红相加，得到分红影响点数[28] - **模型评价**：依赖历史数据和假设，若分红率突变可能导致预测偏差[20][30] 2. **模型名称：股指期货理论定价模型** - **模型构建思路**：基于无套利原则，考虑分红现值和利率因素，推导期货理论价格[30] - **模型具体构建过程**： 1. **离散红利分配**： - 期货价格公式： $$F_t = (S_t - D)(1 + r)$$ 其中 \(D\) 为红利现值，\(r\) 为无风险利率[30] 2. **连续红利分配**： - 期货价格公式： $$F_t = S_t e^{(r - d)(T - t)}$$ 其中 \(d\) 为年化红利率[31] --- 量化因子与构建方式 1. **因子名称：年化对冲成本因子** - **因子构建思路**：衡量持有股指期货至到期的对冲成本，剔除分红影响[5][9] - **因子具体构建过程**： - 计算实际价差（期货收盘价 - 现货价格） - 剔除分红点数后，按365天或243天年化： $$年化对冲成本 = \left(\frac{实际价差 - 分红点数}{现货价格}\right) \times \frac{365（或243）}{合约剩余天数}$$[10][11][12] 2. **因子名称：分红剩余影响因子** - **因子构建思路**：量化分红对合约剩余期限的未兑现影响[10][12] - **因子具体构建过程**： - 分红剩余影响 = 分红点数 / 现货价格[10][12] --- 模型的回测效果 1. **分红预测模型** - 上证50（IH）8月合约：年化对冲成本5.90%（365天）[10] - 沪深300（IF）8月合约：年化对冲成本8.26%（365天）[10] - 中证500（IC）8月合约：年化对冲成本17.00%（365天）[11] - 中证1000（IM）8月合约：年化对冲成本19.43%（365天）[12] 2. **股指期货理论定价模型** - 理论价格与实际价格偏差用于评估市场贴水/升水程度[30][31] --- 因子的回测效果 1. **年化对冲成本因子** - IH2508合约：5.90%（365天）、5.50%（243天）[10] - IF2508合约：8.26%（365天）、7.70%（243天）[10] - IC2508合约：17.00%（365天）、15.84%（243天）[11] - IM2508合约：19.43%（365天）、18.11%（243天）[12] 2. **分红剩余影响因子** - IH2508合约：0.04%[10] - IF2508合约：0.04%[10] - IC2508合约：0.06%[11] - IM2508合约：0.04%[12]

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称**：中证800自由现金流指数增强模型 **模型构建思路**：通过筛选具有高自由现金流的股票构建投资组合，旨在获取超额收益[44] **模型具体构建过程**： - 计算每只股票的自由现金流：$$FCF = 经营活动现金流净额 - 资本支出$$ - 按自由现金流/市值比率排序，选取前30%股票 - 采用市值加权方式构建组合，每季度调仓[44] **模型评价**：该模型能有效捕捉现金流质量高的企业，但可能对成长股覆盖不足 2. **模型名称**：港股通高股息ETF策略模型 **模型构建思路**：聚焦港股高股息率股票，追求稳定分红收益[44] **模型具体构建过程**： - 筛选港股通范围内股息率>5%的股票 - 剔除过去3年分红不连续的公司 - 按股息率加权构建组合，每月调整[44] 模型的回测效果 1. 中证800自由现金流指数增强模型：年化收益18.2%，最大回撤22.4%，IR 1.85[44] 2. 港股通高股息ETF策略模型：年化收益12.7%，最大回撤15.8%，IR 1.32[44] 量化因子与构建方式 1. **因子名称**：自由现金流因子 **因子构建思路**：识别企业真实盈利能力的核心指标[44] **因子具体构建过程**： $$FCF\_Score = \frac{FCF}{总资产} \times 0.6 + \frac{FCF}{营业收入} \times 0.4$$ 采用z-score标准化处理[44] **因子评价**：该因子在周期行业表现突出，但需结合增长因子使用 2. **因子名称**：港股通股息率因子 **因子构建思路**：衡量港股分红回报水平的关键指标[44] **因子具体构建过程**： - 计算滚动12个月股息率 - 剔除异常值（>20%或<0%） - 行业中性化处理[44] 因子的回测效果 1. 自由现金流因子：IC均值0.12，Rank IC 0.15，多空收益年化9.8%[44] 2. 港股通股息率因子：IC均值0.08，Rank IC 0.11，多空收益年化6.3%[44] 注：所有数据引用自报告中基金产品披露的量化策略说明[44]，具体因子测试结果基于2023年回测数据[44]

量化模型与构建方式 1. **模型名称**：DFQ-FactorGCL - **模型构建思路**：基于超图卷积神经网络和时间残差对比学习的股票收益预测模型[6] - **模型具体构建过程**：未详细描述 2. **模型名称**：DFQ-FactorVAE-pro - **模型构建思路**：加入特征选择与环境变量模块的FactorVAE模型[6] - **模型具体构建过程**：未详细描述 3. **模型名称**：Neural ODE - **模型构建思路**：时序动力系统重构下深度学习因子挖掘模型[6] - **模型具体构建过程**：未详细描述 量化因子与构建方式 1. **因子名称**：Beta风格因子 - **因子构建思路**：衡量股票对市场波动的敏感性，基于贝叶斯压缩后的市场Beta[16] - **因子具体构建过程**：$$Beta = \text{贝叶斯压缩后的市场Beta}$$[16] - **因子评价**：近期表现突出，市场对高Beta股票偏好稳定[11][13] 2. **因子名称**：UMR因子（一个月UMR） - **因子构建思路**：风险调整后的动量因子，基于一个月窗口计算[21] - **因子具体构建过程**：未详细描述 - **因子评价**：在中证全指样本空间中表现最佳[47] 3. **因子名称**：DELTAROA - **因子构建思路**：单季总资产收益率同比变化[21] - **因子具体构建过程**：$$DELTAROA = \text{单季总资产收益率} - \text{去年同期总资产收益率}$$[21] - **因子评价**：在中证1000样本空间中表现最佳[36] 4. **因子名称**：非流动性冲击 - **因子构建思路**：衡量股票流动性风险，基于过去20个交易日日度涨跌幅绝对值比成交额的均值[21] - **因子具体构建过程**：$$ILLIQ\_1M = \frac{\sum_{t=1}^{20} |r_t|}{V_t}$$[21] - **因子评价**：在国证2000样本空间中表现最佳[39] 5. **因子名称**：预期PEG - **因子构建思路**：一致预期滚动PE与个股滚动净利复合增长率的比值[21] - **因子具体构建过程**：$$TTM\_FPEG = \frac{\text{一致预期滚动PE}}{\text{个股滚动净利复合增长率}}$$[21] - **因子评价**：在沪深300样本空间中表现最佳[24] 6. **因子名称**：一年动量 - **因子构建思路**：剔除近1个月的过去一年涨跌幅[21] - **因子具体构建过程**：$$MOMENTUM\_1Y = \sum_{t=2}^{12} r_t$$[21] - **因子评价**：在中证500样本空间中表现最佳[28] 模型的回测效果 1. **DFQ-FactorGCL模型**：未提供具体回测数据 2. **DFQ-FactorVAE-pro模型**：未提供具体回测数据 3. **Neural ODE模型**：未提供具体回测数据 因子的回测效果 1. **Beta风格因子**： - 近一周收益：0.88%[13] - 近一月收益：5.18%[13] - 今年以来收益：21.07%[13] 2. **一个月UMR因子**： - 近一周收益：1.82%[47] - 近一月收益：1.49%[47] - 今年以来收益：6.19%[47] 3. **DELTAROA因子**： - 近一周收益：0.63%[36] - 近一月收益：1.57%[36] - 今年以来收益：8.06%[36] 4. **非流动性冲击因子**： - 近一周收益：1.26%[39] - 近一月收益：1.99%[39] - 今年以来收益：12.11%[39] 5. **预期PEG因子**： - 近一周收益：0.75%[24] - 近一月收益：2.07%[24] - 今年以来收益：7.23%[24] 6. **一年动量因子**： - 近一周收益：0.84%[28] - 近一月收益：2.33%[28] - 今年以来收益：3.83%[28] 附录 - **MFE组合构建方式**：通过线性规划最大化单因子暴露，控制行业、风格等约束[63] - 目标函数：$$max\ f^{T}w$$[63] - 约束条件：风格偏离、行业偏离、换手率等[63]

根据提供的研报内容，以下是量化模型与因子的详细总结： --- 量化模型与构建方式 1. **模型名称**：基本面量化模型 - **模型构建思路**：通过跟踪行业基本面数据（如ROE、净利润增速）判断景气度变化，用于行业配置建议[3][20] - **模型具体构建过程**： 1. 计算申万一级行业的分析师一致预测滚动未来12个月ROE（ROEFTTM）及净利润增速 2. 计算环比变化值： $$ \Delta ROE_{t} = ROE_{t} - ROE_{t-1} $$ $$ \Delta 净利润增速_{t} = 净利润增速_{t} - 净利润增速_{t-1} $$ 3. 根据环比变化排序，筛选景气度回升的行业（如煤炭、化工）[20] - **模型评价**：对周期板块的景气度拐点捕捉效果较好，但依赖分析师预测数据的及时性[3] 2. **模型名称**：游资热度模型 - **模型构建思路**：监测个人投资者主导的微观市场交易活跃度，识别TMT等板块的交易机会[3][19] - **模型具体构建过程**： 1. 统计全A成交额均值（近2周1.75万亿）及历史分位数 2. 构建游资活跃度指标（未披露具体公式，推测包含换手率、成交额占比等） 3. 结合龙头股业绩超预期信号，判断板块持续性[3] 3. **模型名称**：知情交易者活跃度指标 - **模型构建思路**：通过高频交易数据识别机构投资者的边际动向，用于市场择时[16][19] - **模型评价**：与市场走势分化时提示风险，但需结合其他指标验证[16] 4. **模型名称**：板块拥挤度模型 - **模型具体构建过程**： 1. 计算创新药等板块的持仓集中度、换手率等指标 2. 统计过去5年分位数（如创新药拥挤度94.93%） 3. 根据历史统计规律预警回调风险（未来3周概率较高）[3] --- 量化因子与构建方式 1. **因子名称**：BARRA风格因子（EP价值、动量、波动率等） - **因子构建思路**：基于多因子模型分析市场风格偏好，指导组合调整[25][26] - **因子具体构建过程**： - EP价值因子： $$ EP = \frac{净利润}{市值} $$ - 动量因子：计算短期价格涨幅排名 - 波动率因子：基于历史收益标准差[26] --- 模型的回测效果 1. **基本面量化模型**： - 煤炭、化工ROEFTTM环比增长0.04%、0.03%，净利润增速环比-0.02%、0.32%[20] - 创新药拥挤度分位数94.93%，未来3周回调概率高[3] 2. **游资热度模型**： - TMT板块成交额均值1.75万亿（历史高位），游资热度持续上行[3][19] 3. **知情交易者活跃度指标**： - 本周指标回落，与市场上涨分化，提示谨慎[16][19] 4. **BARRA风格因子**： - EP价值因子周收益0.2%，动量因子0.3%，波动率因子-0.1%[26] --- 因子的回测效果 1. **EP价值因子**：本周收益0.2%，近一季持续正向[26] 2. **动量因子**：本周收益0.3%，上周-0.4%[26] 3. **波动率因子**：本周收益-0.1%，近一季负向[26] --- 注：部分模型（如价格分段体系）因未披露构建细节未纳入[15][18]

根据研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称：沪深300ETF多头仓位择时模型** - 模型构建思路：通过技术指标和仓位信号对沪深300ETF进行多空择时[21] - 模型具体构建过程： 1. 使用价格趋势指标（如均线突破）生成开仓信号 2. 结合波动率调整仓位比例 3. 净值曲线显示2016-2025年策略表现[21] 2. **模型名称：A股多空期货择时模型** - 模型构建思路：基于沪深300期货的多空信号捕捉市场转折点[25] - 模型具体构建过程： 1. 综合动量指标与市场情绪指标 2. 当信号强度超过阈值时触发多空转换 3. 净值曲线显示策略2016-2025年跑赢持有收益[25] 3. **模型名称：小微盘择时模型** - 模型构建思路：通过流动性指标和拥挤度监测中小盘股机会[55] - 模型具体构建过程： 1. 计算RSI技术面指标 2. 监测融资余额变化 3. 结合赔率指标判断交易过热风险[55] 4. **模型名称：黄金择时模型** - 模型构建思路：基于CFTC持仓数据与关税事件驱动分析[57] - 模型具体构建过程： 1. 跟踪COMEX黄金期货持仓变化 2. 结合美联储政策预期调整仓位[57] 量化因子与构建方式 1. **因子名称：美元真实流动性因子** - 因子构建思路：通过美联储资产负债表变化监测市场流动性[40] - 因子具体构建过程： $$流动性 = 负债表 - TGA账户 - ONRRP$$ 其中TGA账户变动448.69亿美元，ONRRP减少171.23亿美元[40] 2. **因子名称：港股情绪因子** - 因子构建思路：综合卖空成交占比与南向资金流向[48] - 因子具体构建过程： 1. 计算卖空成交占比（本周15.54%） 2. 监测南向资金净买入（本周217.51亿元）[48] 3. **因子名称：红利成长因子** - 因子构建思路：结合股息率与盈利增长筛选标的[54] - 因子具体构建过程： 1. 筛选高股息率个股 2. 叠加ROE增长条件 3. 当前推荐银行、半导体板块[54] 模型的回测效果 1. **沪深300ETF多头择时模型** - 年化收益率：未披露具体值（净值曲线显示2016-2025年累计收益约2.5倍）[21] - 最大回撤：未披露 2. **A股多空期货择时模型** - 年化收益率：未披露（净值曲线显示显著跑赢基准）[25] - 胜率：未披露 3. **ETF偏股型组合** - 2024年绝对收益：41.83% - 超额收益（vs沪深300）：20.61% - 当前持仓：食品饮料ETF、半导体ETF等[58] 4. **港股定量优选30组合** - 绝对收益（2024/11起）：35.64% - 超额收益（vs高股息指数）：13.13%[52] 因子的回测效果 1. **美元流动性因子** - 本周变动：6.13万亿→6.10万亿[40] - 对美股影响：5%回调触发买入信号[40] 2. **小微盘因子** - 当前RSI指标：显示技术面强势[55] - 拥挤度：6月初达历史极值后改善[55] 3. **黄金因子** - CFTC持仓：显示假突破信号[57] - 关税事件影响：推动COMEX创历史新高[57]

根据提供的量化周报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **A股景气指数模型** - 构建思路：以上证指数归母净利润同比为Nowcasting目标构建高频指数，用于监测A股景气周期[32] - 具体构建：通过历史下行周期的时间与幅度对比，判断当前景气位置（2025年8月指数值为22.24，较2023年底上升16.82）[32][35] - 评价：能有效捕捉景气拐点，当前显示A股处于上升周期 2. **A股情绪指数模型** - 构建思路：基于波动率与成交额变化方向划分四个象限，构造见底/见顶预警信号[36] - 具体构建： - 波动率上行+成交额下行=显著负收益区间 - 其他组合=显著正收益区间[36] - 当前信号：见底预警空/见顶预警多，综合看多[41] 3. **BARRA风格因子模型** - 包含因子：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）、杠杆（LVRG）[58] - 构建过程：通过个股风险暴露相关性分析，计算纯因子收益率[58][59] 量化因子与构建方式 1. **动量因子（MOM）** - 构建思路：捕捉近期高收益股票持续强势的特征[58] - 测试结果：本周超额收益显著，与流动性因子正相关[59][66] 2. **市值因子（SIZE）** - 构建思路：区分大/小市值股票表现差异[58] - 测试结果：本周呈显著负向超额收益[59][66] 3. **行业因子（国防军工/有色金属/煤炭）** - 构建思路：行业相对市场市值加权组合的超额收益[59] - 测试结果：本周国防军工、有色金属、煤炭超额收益较高；医药、计算机回撤明显[59][63] 模型的回测效果 1. **中证500增强组合** - 本周超额收益：0.22%（2020年至今累计超额50.26%）[48] - 最大回撤：-4.99%[48] 2. **沪深300增强组合** - 本周超额收益：0.61%（2020年至今累计超额34.90%）[54] - 最大回撤：-5.86%[54] 因子的回测效果 1. **动量因子** - 本周纯因子收益率：显著正向[59][66] - 近期表现：高Beta股持续占优[59] 2. **成长因子（GROWTH）** - 本周纯因子收益率：负向[59] - 近期表现：与杠杆因子同步不佳[59] 3. **流动性因子（LIQUIDITY）** - 相关性：与Beta/动量因子正相关[59][61] （注：部分因子如盈利/估值等未提供具体数值，故未列出测试结果）

量化模型与构建方式 1. **模型名称**：择时雷达六面图 - **模型构建思路**：基于流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取21个指标，综合生成[-1,1]区间的择时分数，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[2][7] - **模型具体构建过程**： 1. **流动性维度**：货币方向因子（货币政策工具利率变化方向）、货币强度因子（DR007/7天逆回购利率偏离度）、信用方向因子（中长期贷款同比变化）、信用强度因子（新增人民币贷款预期差）[13][16][19][22] 2. **经济面维度**：增长方向因子（PMI同比变化）、增长强度因子（PMI预期差）、通胀方向因子（CPI/PPI组合变化）、通胀强度因子（CPI/PPI预期差均值）[23][27][28][32] 3. **估值面维度**：席勒ERP（6年通胀调整PE倒数减国债收益率）、PB（市净率zscore）、AIAE（全市场权益配置比例zscore）[33][37][39] 4. **资金面维度**：内资（两融增量、成交额趋势）、外资（中国主权CDS利差、海外风险厌恶指数）[41][44][47][49] 5. **技术面维度**：价格趋势（均线距离ma120/ma240）、新高新低数（成分股反转信号）[51][54] 6. **拥挤度维度**：衍生品（期权隐含升贴水、VIX、SKEW）、可转债定价偏离度[57][58][62][65] 模型的回测效果 1. **择时雷达六面图**： - 综合打分：-0.32（中性偏空）[7][9] - 细分维度得分： - 流动性：0.00（中性）[9][11] - 经济面：-0.25（中性偏空）[9][11] - 估值面：-0.55（中性偏空）[9][11] - 资金面：0.00（中性）[9][11] - 技术面：-0.50（看空）[9][11] - 拥挤度：-0.50（中性偏空）[9][11] 量化因子与构建方式 1. **因子名称**：货币方向因子 - **构建思路**：判断货币政策方向[13] - **具体构建**：计算央行货币政策工具利率与短端市场利率的90天平均变化方向，>0为宽松（分数1），<0为收紧（分数-1）[13] - **测试结果**：本周分数1（看多）[11][13] 2. **因子名称**：货币强度因子 - **构建思路**：量化短端利率偏离政策利率的程度[16] - **具体构建**：$$偏离度 = \frac{DR007}{7天逆回购利率} - 1$$，zscore后截尾±1.5倍标准差[16] - **测试结果**：本周分数-1（看空）[11][17] 3. **因子名称**：席勒ERP - **构建思路**：衡量权益风险溢价[33] - **具体构建**：$$席勒ERP = \frac{1}{席勒PE} - 10年期国债收益率$$，3年zscore标准化[33] - **测试结果**：本周分数-0.12[11][33] 4. **因子名称**：可转债定价偏离度 - **构建思路**：捕捉可转债市场情绪[65] - **具体构建**：$$偏离度 = \frac{转债价格}{模型定价} - 1$$，3年zscore取负[65] - **测试结果**：本周分数-1.00（看空）[11][65] （其他因子构建方式与测试结果详见原报告图表[4][5][6][8][10][12][14][15][18][20][21][24]） 因子的回测效果 - **流动性类因子**：货币方向1、货币强度-1、信用方向1、信用强度-1[11] - **经济面类因子**：增长方向-1、增长强度-1、通胀方向1、通胀强度0[11] - **估值面类因子**：席勒ERP-0.12、PB-0.86、AIAE-0.68[11] - **技术面类因子**：价格趋势0、新高新低-1[11] - **拥挤度类因子**：期权隐含升贴水0、VIX0、SKEW-1、可转债定价偏离度-1[11]