量化模型与构建方式 1. **模型名称**：固收+基金风险暴露模型 - **模型构建思路**：通过回归分析固收+基金净值与各类资产风格纯因子收益，计算其在债券、股票、转债等资产上的风险暴露[19][21][23] - **模型具体构建过程**： 1. 定义债券风险因子：利率水平、斜率、凸度、信用、违约 2. 定义股票风险因子：估值、市值、成长风格 3. 定义转债风险因子：平价暴露 4. 采用多元线性回归模型： $$R_{fund} = \alpha + \sum \beta_i \cdot F_i + \epsilon$$ 其中$F_i$为第$i$个风格因子收益，$\beta_i$为因子暴露系数 5. 对比月度暴露变化分析仓位调整[19][21][23] - **模型评价**：能够有效捕捉固收+基金在跨资产类别上的配置动态[19][23] 2. **模型名称**：纯债基金风险暴露模型 - **模型构建思路**：通过五因子回归分析纯债基金净值变化，识别利率曲线和信用策略暴露[42][44] - **模型具体构建过程**： 1. 选取五个债券市场因子：利率水平、斜率、凸度、信用、违约 2. 采用时间序列回归： $$R_{bond} = \alpha + \beta_1 \cdot Level + \beta_2 \cdot Slope + \beta_3 \cdot Convexity + \beta_4 \cdot Credit + \beta_5 \cdot Default + \epsilon$$ 3. 计算因子暴露均值变化及分歧度（标准差）[42][44] - **模型评价**：可监测纯债基金在利率曲线形态和信用风险上的集中度变化[44] 3. **模型名称**：固收+基金优选组合模型 - **模型构建思路**：基于胜率、赔率等多维度指标季度筛选基金构建等权组合[26][27] - **模型具体构建过程**： 1. 筛选过去四个季度平均权益仓位<40%的固收+基金 2. 按股票型/转债型/混合型分类 3. 计算基金在波动率、最大回撤、夏普比率等指标上的排名 4. 综合评分选取前10名等权配置[26][33] 4. **模型名称**：纯债基金优选组合模型 - **模型构建思路**：在风格暴露中性的基金池中筛选特质Alpha较高的基金[45][46] - **模型具体构建过程**： 1. 筛选风格暴露处于市场均值±1倍标准差的基金 2. 通过回归计算基金特质收益Alpha 3. 季频选择Alpha最高的10只基金等权配置[45][53] 模型的回测效果 1. **固收+基金优选组合模型** - 7月超额收益：+0.36%（vs 二级债基指数）[27] - 组合净值波动率：低于基准指数[27][30] - 持仓分散度：覆盖股票型/转债型/混合型三类资产[33] 2. **纯债基金优选组合模型** - 今年以来超额收益：+0.16%（vs 中长期纯债基金指数）[46] - 7月收益：与基准持平[46][50] - 持仓特征：10只基金规模分布在10-95亿元[53] 量化因子与构建方式 1. **因子名称**：债券五因子 - **因子构建思路**：刻画利率曲线形态和信用风险的核心驱动因子[42][44] - **因子具体构建过程**： 1. 利率水平因子：各期限收益率的一阶主成分 2. 斜率因子：10年期-1年期利差 3. 凸度因子：2×5年期-（1年期+10年期）收益率 4. 信用因子：AAA级与国债利差 5. 违约因子：高收益债与投资级债利差[42][44] 2. **因子名称**：股票风格三因子 - **因子构建思路**：捕捉固收+基金在股票资产上的风格暴露[21] - **因子具体构建过程**： 1. 估值因子：BP（账面市值比）分组收益 2. 市值因子：大市值组合与小市值组合收益差 3. 成长因子：营收增长率分组收益[21][23] 3. **因子名称**：转债平价因子 - **因子构建思路**：衡量转债资产对标的股票价格的敏感性[23][29] - **因子具体构建过程**： 1. 计算转债Delta值：$$\Delta = \frac{\partial P_{cb}}{\partial S}$$ 2. 按Delta值分组构建多空组合收益[29] 因子的回测效果 1. **债券五因子** - 7月暴露变化：信用因子暴露+0.15，凸度因子暴露-0.08[44] - 分歧度：信用因子标准差0.12（较低一致性）[44] 2. **股票风格三因子** - 7月暴露变化：估值因子+0.21，市值因子+0.18，成长因子+0.13[21][23] 3. **转债平价因子** - 7月暴露变化：平价因子暴露+0.23，仓位整体下降5%[23][29]

量化模型与构建方式 1. **模型名称：行业拥挤度监测模型** - **模型构建思路**：通过监测申万一级行业指数的拥挤度，识别当前市场热点行业及潜在风险行业[3] - **模型具体构建过程**： 1. 每日计算行业指数的拥挤度指标，可能结合成交量、价格波动、资金流入等维度 2. 根据历史分位数或标准化方法（如Z-score）对拥挤度排序 3. 输出高拥挤度（如军工、机械设备）和低拥挤度行业（如商贸零售、食品饮料）[3][13] - **模型评价**：能够动态捕捉行业资金集中度变化，但对极端市场环境适应性需验证 2. **模型名称：ETF溢价率Z-score模型** - **模型构建思路**：通过滚动计算ETF溢价率的Z-score，识别偏离正常水平的套利机会[4] - **模型具体构建过程**： 1. 计算ETF的IOPV溢价率：$$溢价率 = (市价 - IOPV)/IOPV$$ 2. 滚动计算溢价率的均值与标准差，生成Z-score：$$Z = \frac{当前溢价率 - 滚动均值}{滚动标准差}$$ 3. 设定阈值筛选异常值（如|Z|>2）[4][14] - **模型评价**：适用于捕捉短期套利机会，但需结合流动性分析避免踩踏风险 --- 量化因子与构建方式 1. **因子名称：主力资金净流入因子** - **因子构建思路**：通过行业主力资金净流入额衡量资金偏好[13] - **因子具体构建过程**： 1. 按申万一级行业分类统计主力资金净流入额（单位：亿元） 2. 计算T日、T-1日、T-2日及3日累计值 3. 标准化后生成多空信号（如机械设备连续净流入）[13] 2. **因子名称：行业拥挤度变动因子** - **因子构建思路**：捕捉行业拥挤度的短期剧烈变化（如煤炭、金融）[3] - **因子具体构建过程**： 1. 计算拥挤度指标的日环比或滚动窗口变化率 2. 结合绝对水平和变化幅度生成预警信号[3][13] --- 模型的回测效果 1. **行业拥挤度监测模型** - 高拥挤度行业：军工（主力3日净流入22.83亿元）、机械设备（净流入23.60亿元）[13] - 低拥挤度行业：医药生物（净流出114.51亿元）、计算机（净流出52.13亿元）[13] 2. **ETF溢价率Z-score模型** - 建议关注标的：医疗器械ETF（规模1.25亿元）、VRETF（规模1.34亿元）[14] --- 因子的回测效果 1. **主力资金净流入因子** - 正向信号：汽车（15.43亿元）、机械设备（23.60亿元）[13] - 负向信号：医药生物（-114.51亿元）、电子（-34.85亿元）[13] 2. **行业拥挤度变动因子** - 激增行业：机械设备（拥挤度排名前二）、煤炭（变动幅度显著）[3][13]

根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **封板率模型** - 模型构建思路：通过统计涨停股票的封板情况来反映市场情绪[16] - 具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 筛选上市满3个月的股票，计算当日最高价涨停且收盘仍涨停的比例[16] - 模型评价：高频指标能有效捕捉短线资金情绪 2. **连板率模型** - 模型构建思路：衡量涨停股的持续性[16] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 基于前一日涨停股名单计算连续涨停比例[16] - 模型评价：反映市场接力资金强度 3. **股指期货贴水率模型** - 模型构建思路：通过期货主力合约年化贴水率监测市场预期[27] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 分别计算上证50、沪深300、中证500、中证1000四大期货品种的贴水率[27] - 模型评价：跨品种比较需考虑合约流动性差异 量化因子与构建方式 1. **大宗交易折价因子** - 因子构建思路：反映机构大宗交易的折让水平[25] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额总市值}-1$$ 统计近半年日均折价率5.74%作为基准[25] 2. **ETF溢价因子** - 因子构建思路：捕捉ETF套利机会[22] - 具体构建过程：筛选日成交额超100万的股票型ETF，计算场内价格与IOPV偏离度[22] 3. **龙虎榜机构净流入因子** - 因子构建思路：跟踪机构席位资金动向[35] - 具体构建过程：统计龙虎榜机构专用席位净买入金额前十个股[35] 模型回测效果 1. **封板率模型** - 当日值：76%（较前日+3%）[16] - 近一月趋势：震荡上行[16] 2. **连板率模型** - 当日值：25%（较前日-7%）[16] - 近一月趋势：波动回落[16] 3. **股指期货贴水率模型** - 当日值： - 上证50：0.15%（56%分位）[27] - 沪深300：4.32%（36%分位）[27] - 中证500：14.14%（27%分位）[27] - 中证1000：13.18%（42%分位）[27] - 近一年中位数： - 上证50：0.61%[27] - 沪深300：2.97%[27] 因子回测效果 1. **大宗交易折价因子** - 当日值：6.23%（近半年均值5.74%）[25] - 近半年日均成交额：14亿元[25] 2. **ETF溢价因子** - 极端值： - 最高溢价：通信ETF南方+1.41%[22] - 最高折价：科创芯片ETF-0.83%[22] 3. **龙虎榜机构净流入因子** - 当日净流入TOP3：东方精工/大为股份/利德曼[35] - 当日净流出TOP3：创新医疗/东芯股份/山河智能[35]

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：浮动频率傅立叶变换模型** - **模型构建思路**：突破传统傅立叶变换固定频率的局限，通过动态调整频率和幅值来更精准拟合金融市场波动[6][64] - **模型具体构建过程**： 1. **市场滤波**：使用Butterworth带通滤波器剔除高频噪音，保留趋势项数据（截止频率0.1，采样频率1.0）[65][67] 2. **幅值与频率选择**： - 对滤波后数据离散快速傅立叶变换，提取复数序列中最大幅值对应的周期（如94.1周、80.5周、62.6周）[78] - 构建拟合曲线：$$F(t) = a_0 + \sum_{i=1}^n (a_i \sin \omega_i t + b_i \cos \omega_i t)$$，其中$\omega_i$为浮动频率[88] 3. **双重优化**： - 内层优化：非线性最小二乘法求解最优幅值$a_i, b_i$[88] - 外层优化：粒子群算法（群体规模100，惯性权重动态调整）求解最优浮动频率$x,y,z$（如39.02周、19.17周、8.13周）[91][99] - **模型评价**：相比传统傅立叶模型，在趋势拟合和样本外预测精度上显著提升，尤其对主升浪和调整浪的拐点捕捉更准确[99][102] 2. **模型名称：波浪理论量化模型** - **模型构建思路**：将波浪理论的"八浪结构"转化为正弦波叠加，揭示价格振幅的数学本质[19][42] - **模型具体构建过程**： - 构建谐波叠加函数：$$y(n) = 4\sin(0.00125n) + 2\sin(0.01n) + \sin(0.04n) + 0.5\sin(0.16n)$$[39] - 频率结构：基频0.001与谐波呈$2^k$关系，振幅按$2^{-m}$规律衰减[39] - 识别关键浪型特征（如3浪最长、4浪不重叠1浪顶点等）[30][33] - **模型评价**：提供离散化浪型分析框架，但存在主观划分和定量验证不足的缺陷[37][48] 3. **模型名称：江恩周期量化模型** - **模型构建思路**：将时间周期法则转化为频率域分析，捕捉多周期共振效应[46][47] - **模型具体构建过程**： - 关键周期嵌套：30年（360°圆周）为核心，衍生45个月、10年等子周期[47] - 几何分割规则：价格回调采用八分法（12.5%递增），角度线以45°为基准[46] - **模型评价**：擅长捕捉趋势转折时间窗口，但周期定量标准缺乏严谨数学基础[48] --- 模型的回测效果 1. **浮动频率傅立叶变换模型** - 样本内拟合误差：较传统模型降低38%（2014-2024年上证指数Log数据）[99] - 样本外预测准确率：对2024-2027年关键时间窗口（如2026年8月）的波段节奏预测吻合历史规律[102][103] 2. **波浪理论量化模型** - 浪型识别准确率：对3浪主升段识别成功率达72%，但5浪失败形态误判率较高（约40%）[33][36] 3. **江恩周期量化模型** - 周期共振信号有效性：在30年、10年等长周期转折点预测中，提前3-6个月预警概率达65%[47] --- 量化因子与构建方式 1. **因子名称：频率共振因子** - **因子构建思路**：捕捉多周期正弦波同向叠加产生的价格放大效应[56] - **因子具体构建过程**： 1. 提取短期（5日）、中期（20日）、长期（60日）均线斜率 2. 计算三者方向一致性指标：$$CR = \frac{\sum_{i=1}^3 \text{sgn}(\nabla MA_i)}{3}$$ 3. 结合成交量放大信号（>90日平均1.5倍）[56] 2. **因子名称：分形自相似因子** - **因子构建思路**：利用小级别浪型与大级别走势的形态相似性[59] - **因子具体构建过程**： 1. 对价格序列进行Hurst指数计算（窗口滚动计算） 2. 构建分形维度指标：$$FD = \frac{\log(N)}{\log(N) + \log(d/R)}$$ 其中$d$为价格极差，$R$为重标极差[59] --- 因子的回测效果 1. **频率共振因子** - IR：1.52（2019-2024年A股主板测试）[56] - 胜率：68.3%（共振信号发出后20日收益率>0的概率）[56] 2. **分形自相似因子** - IC：0.21（与未来10日收益率RankIC）[59] - 多空收益差：年化9.8%（按因子十分组）[59]

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**：人工智能全球大类资产配置模型 - **模型构建思路**：基于机器学习模型和因子投资思路，对全球大类资产进行打分排序，构建月频量化等权配置策略[34] - **模型具体构建过程**： 1. 使用历史数据训练机器学习模型，提取资产特征因子 2. 模型输出各资产的综合打分 3. 根据打分结果分配权重，构建等权组合 4. 每月定期调整组合权重[34] - **模型评价**：该模型在长期表现上优于基准，具有较好的风险调整收益[34] 2. **模型名称**：动态宏观事件因子的股债轮动策略 - **模型构建思路**：基于宏观择时模块和风险预算模型框架，构建不同风险偏好的股债配置策略[40] - **模型具体构建过程**： 1. 选取经济增长和货币流动性维度的宏观指标作为输入因子 2. 通过动态事件因子体系计算信号强度 3. 根据信号强度调整股票和债券的配置比例 4. 输出保守型、稳健型和进取型三种配置方案[40] - **模型评价**：该策略在长期历史回测中表现优异，各风险等级策略均优于基准[40] 3. **模型名称**：红利风格择时配置策略 - **模型构建思路**：基于经济增长和货币流动性指标构建中证红利的择时策略[48] - **模型具体构建过程**： 1. 选取10个宏观经济指标作为输入因子 2. 通过动态事件因子体系计算合成信号 3. 根据信号强度调整中证红利的配置仓位[48] - **模型评价**：该策略相较于中证红利指数有显著的稳定性提升[48] 模型的回测效果 1. **人工智能全球大类资产配置模型** - 年化收益率：6.77% - 年化波动率：6.64% - 最大回撤：-6.66% - 夏普比率：1.02 - 年初至今收益率：3.87%[34] 2. **动态宏观事件因子的股债轮动策略** - 进取型年化收益率：20.00% - 稳健型年化收益率：10.97% - 保守型年化收益率：6.01% - 进取型最大回撤：-13.72% - 稳健型最大回撤：-6.77% - 保守型最大回撤：-3.55%[40] 3. **红利风格择时配置策略** - 年化收益率：16.62% - 年化波动率：17.47% - 最大回撤：-21.22% - 夏普比率：0.94[48] 量化因子与构建方式 1. **因子名称**：经济增长维度因子 - **因子构建思路**：反映宏观经济景气度的指标[40] - **因子具体构建过程**： 1. 选取工业增加值同比、PPI同比等指标 2. 对指标进行标准化处理 3. 计算各指标的信号强度[40] 2. **因子名称**：货币流动性维度因子 - **因子构建思路**：反映市场流动性状况的指标[40] - **因子具体构建过程**： 1. 选取M1-M2剪刀差、国债利差等指标 2. 对指标进行标准化处理 3. 计算各指标的信号强度[40] 因子的回测效果 1. **经济增长维度因子** - 8月份信号强度：100%[40] 2. **货币流动性维度因子** - 8月份信号强度：0%[40]

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**：股指分红点位测算模型 - **模型构建思路**：通过精细化处理指数成分股的分红数据，准确预测股指期货合约的升贴水情况，考虑分红对指数点位的影响[12][38] - **模型具体构建过程**： 1. **成分股权重计算**：采用中证指数公司每日披露的日度收盘权重数据，确保权重准确性。若需估算，公式为： $$W_{n,t}={\frac{w_{i0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{n})}}$$ 其中，\(w_{i0}\)为最近公布权重，\(r_{n}\)为个股涨跌幅[44][45] 2. **分红金额预测**： - 若公司已公布分红金额，直接采用；否则通过净利润×股息支付率估算[46] - **净利润预测**：对盈利分布稳定的公司按历史规律预测，不稳定的公司采用上年同期数据[49][51] - **股息支付率预测**：历史股息率均值或截尾处理（>100%时）[50][52] 3. **除息日预测**：基于预案/决案公告日与历史间隔天数的稳定性线性外推，或默认日期（7/8/9月末）[54][55] 4. **分红点数计算**： $$\text{分红点数}=\sum_{n=1}^{N}\left(\frac{\text{成分股分红金额}}{\text{成分股总市值}}\times\text{成分股权重}\times\text{指数收盘价}\right)$$ 要求除息日在当前日期至合约到期日之间[38] - **模型评价**：对上证50和沪深300预测误差约5点，中证500误差约10点，准确性较高[60][62] 2. **模型名称**：股息率计算模型 - **模型构建思路**：统计指数成分股已实现和剩余股息率，反映分红收益[17] - **模型具体构建过程**： - **已实现股息率**： $$\sum_{i=1}^{N_{1}}\left(\frac{\text{个股已分红金额}}{\text{个股总市值}}\times\text{个股权重}\right)$$ - **剩余股息率**：对未分红公司按相同方法计算[17] --- 量化因子与构建方式 1. **因子名称**：年化升贴水因子 - **因子构建思路**：衡量股指期货合约相对指数的升贴水幅度，扣除分红影响后反映市场情绪[12][13] - **因子具体构建过程**： $$\text{年化升贴水}=\left(\frac{\text{含分红价差}}{\text{指数收盘价}}\right)\times\frac{365}{\text{到期天数}}\times100\%$$ 其中含分红价差=合约收盘价-指数收盘价+分红点数[13] 2. **因子名称**：行业股息率因子 - **因子构建思路**：比较各行业已公布分红预案个股的股息率中位数，识别高股息行业[15][16] --- 模型的回测效果 1. **股指分红点位测算模型**： - 上证50预测误差：±5点[60] - 沪深300预测误差：±5点[60] - 中证500预测误差：±10点[60] 2. **股息率计算模型**（截至2025/8/6）： - 上证50已实现股息率：2.13%，剩余股息率：0.10%[17] - 沪深300已实现股息率：1.68%，剩余股息率：0.18%[17] - 中证500已实现股息率：1.14%，剩余股息率：0.08%[17] - 中证1000已实现股息率：0.87%，剩余股息率：0.04%[17] --- 因子的回测效果 1. **年化升贴水因子**（截至2025/8/6）： - IH主力合约年化贴水：-0.93%[13] - IF主力合约年化贴水：-3.52%[13] - IC主力合约年化贴水：-18.10%[13] - IM主力合约年化贴水：-15.40%[13] 2. **行业股息率因子**： - 煤炭、银行、钢铁行业股息率排名前三[15][16]

根据提供的金融工程日报内容，该报告主要聚焦市场表现、情绪指标及资金流向监测，未涉及量化模型或因子构建的具体方法论。以下是可提取的结构化信息： --- **市场情绪指标** 1. **封板率计算** - 构建思路：反映涨停股的封板稳定性[17] - 计算公式： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ - 测试结果：当日封板率73%（较前日下降2%）[17] 2. **连板率计算** - 构建思路：衡量涨停股的持续强度[17] - 计算公式： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ - 测试结果：当日连板率32%（较前日提升9%）[17] --- **资金流向指标** 1. **两融交易活跃度** - 构建思路：通过两融余额占比监测杠杆资金情绪[23] - 计算方式： - 两融余额占流通市值比重=2.3%[23] - 两融交易占成交额比重=10.2%[23] 2. **大宗交易折价率** - 构建思路：反映大资金交易偏好[27] - 计算公式： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ - 测试结果：当日折价率5.55%（近半年均值5.73%）[27] 3. **股指期货年化贴水率** - 构建思路：衡量期货市场对现货的预期[29] - 计算公式： $$年化贴水率=\frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right)$$ - 测试结果： - 中证500贴水率11.57%（37%分位）[29] - 中证1000贴水率11.24%（51%分位）[29] --- **机构行为指标** 1. **龙虎榜机构净流向** - 构建思路：跟踪机构席位资金动向[36] - 测试结果： - 净流入前三：铜陵有色、诚意药业、炬光科技[36] - 净流出前三：西部材料、新恒汇、万里马[36] 2. **陆股通净流向** - 构建思路：监测外资交易情绪[37] - 测试结果： - 净流入前三：成飞集成、东方精工、中大力德[37] - 净流出前三：福日电子、西藏天路、西宁特钢[37] --- **备注** - 报告未提供量化模型或因子评价内容 - 所有指标均为描述性统计结果，未涉及策略回测或因子有效性分析[1][2][3][4]

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. **基金加权净值模型** - 构建思路：通过规模加权计算主动权益基金的收益率并转换为净值，反映市场整体表现[15] - 具体构建过程： 1. 限定基金池为普通股票型、偏股混合型、灵活配置型、平衡混合型四类 2. 以每季度初规模为权重加总计算各类基金收益率 3. 换算为净值形式展示 4. 公式： $$净值 = \sum_{i=1}^{n} (规模_i \times 收益率_i) / \sum_{i=1}^{n} 规模_i$$ - 模型评价：有效反映不同类型基金的市场表现差异 2. **净申购计算模型** - 构建思路：通过剔除自然规模增长影响，计算基金真实资金流入[37] - 具体构建过程： 1. 计算当期基金规模与上期规模的差值 2. 扣除因净值增长带来的规模自然变化 3. 公式： $$净申购 = 当期规模 - 上期规模 \times (1 + 当期涨跌幅)$$ - 模型评价：准确识别基金的主动吸金能力 量化因子与构建方式 1. **行业配置因子** - 构建思路：通过持仓分析捕捉基金行业偏好变化[43] - 具体构建过程： 1. 按长江行业分类统计基金持股 2. 计算被动调仓比例（持仓涨跌影响） 3. 结合整体配置比变动推导主动调仓比例 4. 公式： $$主动调仓比例 = 行业配置比变动 - 被动调仓比例$$ - 因子评价：对重仓行业参考价值较高，小行业误差较大 2. **重仓股集中度因子** - 构建思路：通过TOP3基金公司持仓占比衡量个股机构集中度[49][53] - 具体构建过程： 1. 统计单只个股被公募基金持有的总市值 2. 计算前三大基金公司持仓市值占比 3. 公式： $$集中度 = \frac{\sum_{i=1}^{3} 持仓市值_i}{总持仓市值}$$ - 因子评价：有效识别机构抱团标的 模型的回测效果 1. **基金加权净值模型** - 2025Q2收益率：2.14%（加权） vs 1.85%（中位数）[15] - 超额收益：+0.88% vs 沪深300[24] 2. **净申购计算模型** - Top10基金净申购规模：217.30亿元[39] - 申购方向集中度：医疗保健和化学品占比41.71%[34] 因子的回测效果 1. **行业配置因子** - 电信业务主动加仓：+2.08pct（全市场） vs +2.70pct（非行业主题基金）[46] - 食品饮料主动减仓：-1.32pct（全市场） vs -2.33pct（非行业主题基金）[46] 2. **重仓股集中度因子** - 银行股TOP3集中度：37.32%-49.75%[49] - 电子股TOP3集中度：36.16%-51.58%[61] 注：所有公式参数说明详见原文对应章节，测试结果均基于2025年二季度数据窗口。

根据提供的研报内容，未发现涉及量化模型或量化因子的具体构建方法、公式或测试结果。文档主要包含以下内容： 1 市场数据图表 - 北证50与沪深300指数对比走势图[2] - 北交所与A股各行业当日涨跌幅对比图[5][6] - 北证成交额与换手率变化趋势图[8] - 北证与双创板块估值变化对比图[12] - 北交所公司分行业市盈率情况图[13] 2 个股数据表格 - 涨幅前十股票的市场数据（含市值、财务指标等）[9] - 跌幅前十股票的市场数据（含市值、财务指标等）[10] 3 其他内容 - 分析师信息与免责声明[15][16][17] - 公司评级标准说明[18] - 联系方式等辅助信息[19] 注：文档中未出现需要总结的量化模型或因子相关内容，故无法按照要求格式输出模型/因子总结。所有引用内容均为市场行情数据展示或常规声明信息[1][2][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19]

根据提供的文档内容，未发现涉及量化模型或量化因子的具体构建、测试及评价相关内容。文档主要展示以下市场数据： 1）北证50与沪深300指数涨跌幅对比图表[2] 2）北交所与A股行业涨跌幅对比数据[5][6] 3）北交所成交额与换手率趋势图[8] 4）北交所个股涨跌幅排名及财务数据[9][10] 5）北证与双创板块估值对比[12] 6）北交所分行业市盈率情况[13] 以上内容均为市场行情数据展示，未包含量化模型或因子相关的构建方法、测试指标等核心要素[1][4][7][11][14][15][16][17][18][19]