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与测试内容。该报告主要聚焦于AI领域的技术动态与产品发布，包括以下核心内容： 1. **智谱发布GLM-4.5大模型** - 采用混合专家架构，总参数量3550亿，激活参数320亿[12] - 三阶段训练流程：通用文本预训练、专项数据精调、强化学习对齐[12] - 在AGI评测中综合得分63.2，智能体任务准确率26.4%[15] 2. **蚂蚁数科金融推理大模型Agentar-Fin-R1** - 基于Qwen3架构的双引擎设计，支持金融场景专用推理[20] - 在FinEval1.0评测得分87.7，风险定价任务位列第一[23] 3. **商汤"悟能"具身智能平台** - 核心"开悟"世界模型支持4D环境构建与多视角视频生成[27] - 演示案例中机器人实现PPT讲解与动态交互[28] 4. **京东JoyInside附身智能品牌** - 整合RAG、TTS等多模态技术，支持情绪检测与长期记忆[33] - 教育机器人接入后对话轮次提升148%[33] 5. **字节Seed Diffusion Preview模型** - 离散扩散架构实现2146 tokens/秒的代码生成速度[37] - 在CanItEdit基准pass@1准确率54.3%[39] 6. **通义千问Qwen3-30B-A3B模型** - MoE架构每次推理仅激活33亿参数，支持256K长文本处理[44] - 数学推理测试AIME25得分61.3，较前代提升183%[47] 7. **腾讯Tairos具身智能平台** - "三脑协同"模型划分感知、规划、行动模块[52] - 复杂任务链成功率超80%，动态纠偏响应300毫秒[52] 8. **Goedel-Prover-V2定理证明系统** - 8B参数模型性能达DeepSeek-Prover-V2-671B的83.3%[58] - MiniF2F测试集Pass@32准确率88.1%[60] 注：以上总结未包含风险提示、免责声明等非核心内容[7][65][68][69]。报告重点为AI技术进展，未涉及量化投资相关模型或因子[1][2][3][4][5][6]。

量化模型与因子分析总结 量化因子与构建方式 1. **因子名称**：EPRank因子 **构建思路**：改进传统比值算子，采用截面分位点差值方法构建估值类因子，避免分母极端值影响[54] **具体构建过程**： $$EPRank = Percentile(NetProfit) - Percentile(MV)$$ 其中Percentile(·)为指标在股票截面的分位点，取值范围0-100%。相比传统EP=净利润/市值，EPRank通过分位点差值反映相对估值位置[54] **因子评价**：有效解决微利/亏损企业导致的比值失真问题，多空收益显著优于传统EPTMM因子[60] 2. **因子名称**：财务附注复合因子 **构建思路**：利用财务附注中的细分指标（如存货明细、应收账款账龄）构建增量信息因子[72] **具体构建过程**： - 计算分项占比：分项值/主项值（如库存商品/存货总额） - 计算占比变化：当期占比-去年同期占比 - 筛选390个有效附注因子后，按滚动12个月RankICIR加权合成[78] **因子评价**：提供财报主表外的增量信息，与传统因子相关性低（相关系数<0.15）[81] 3. **因子名称**：所得税复合因子 **构建思路**：利用所得税指标的"现金属性"和盈利真实性验证功能构建质量因子[93] **具体构建过程**： - 采用多种算子构建单因子：行业占比、同比增速、标准化偏离等 - 合成方法：筛选RankIC均值>1%的因子，滚动12个月RankICIR加权[95] **因子评价**：所得税作为刚性支出能有效识别盈利质量，剥离传统因子后残差仍具选股能力[99] 4. **因子名称**：预告快报增强因子 **构建思路**：通过业绩预告/快报数据提前更新财务指标，提升传统因子的时效性[109] **具体构建过程**： - 对NPQYOY等传统因子，用预告净利润中位数替代正式财报数据 - 构建公式保持原因子计算逻辑，仅更新数据源[109] **因子评价**：信息传递效率提升使RankICIR从1.95提升至2.60，多空收益显著改善[109] 5. **因子名称**：聚类增强因子 **构建思路**：通过"聚类-扩容-合成"三阶段优化传统因子合成方法[114] **具体构建过程**： - 分组加权法定义因子关联度：计算十分组超额收益序列加权相关性（权重[5,4,3,2,1,1,2,3,4,5]）[125] - Leiden聚类得到8大类：价值、成长、低波等[30] - 增量筛选法扩容：按多空相关性将新因子归入对应大类[34] **因子评价**：解决传统合成方法风格偏移问题，大类因子间相关性显著降低[31] 因子回测效果 1. **EPRank因子** RankIC均值5.46%，年化RankICIR 2.01，多头月均超额0.64%，空头月均超额-0.73%[60] 2. **财务附注复合因子** RankIC均值4.78%，年化RankICIR 2.69，多头月均超额0.77%，空头月均超额-1.02%[78] 3. **所得税复合因子** RankIC均值4.62%，年化RankICIR 2.60，多头月均超额0.67%，空头月均超额-0.47%[95] 4. **预告快报增强因子** RankIC均值4.26%（原3.47%），年化RankICIR 2.60（原1.95），多头月均超额0.72%（原0.53%）[109] 5. **聚类增强因子** RankIC均值12.08%，年化RankICIR 5.32，多头月均超额1.62%，空头年化超额-24.3%[4] 价值大类因子增强后：年化RankICIR从2.77→3.28，成长大类因子从2.84→3.90[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结构化总结： --- 量化因子与构建方式 1. **封板率因子** - 构建思路：通过涨停股盘中表现与收盘状态的对比反映市场情绪强度[17] - 具体构建： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 筛选上市满3个月的股票，统计日内最高价涨停且收盘仍涨停的比例[17] - 因子评价：高频情绪指标，对短线交易策略有较强参考性 2. **连板率因子** - 构建思路：衡量涨停股持续性的市场情绪指标[17] - 具体构建： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 需排除新股和ST股票[17] - 因子评价：反映市场追涨动能的持续性 3. **大宗交易折价率因子** - 构建思路：通过大宗交易价格偏离度监测机构资金动向[26] - 具体构建： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 采用近半年日均成交金额13亿元作为基准[26] - 因子评价：机构资金行为的领先指标 4. **股指期货年化贴水率因子** - 构建思路：量化期现套利成本与市场预期差异[28] - 具体构建： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 覆盖上证50/沪深300/中证500/中证1000四大合约[28] - 因子评价：对冲成本与市场情绪的综合反映 --- 因子回测效果 1. **封板率因子** - 当日值：76%（较前日下降2%）[17] - 近一月趋势：呈现震荡下行特征[17] 2. **连板率因子** - 当日值：23%（较前日下降7%）[17] - 近一月趋势：与封板率同步波动[17] 3. **大宗交易折价率因子** - 当日值：4.13%（近半年均值5.75%）[26] - 近半年分布：日均成交13亿元[26] 4. **股指期货年化贴水率因子** - 当日值： - 上证50：升水0.07%（60%分位） - 沪深300：贴水3.96%（38%分位） - 中证500：贴水12.58%（33%分位） - 中证1000：贴水11.77%（49%分位）[28] - 近一年中位数： - 上证50：0.61% - 沪深300：2.89% - 中证500：9.13% - 中证1000：11.56%[28] --- 注：报告中未涉及量化模型的具体构建，主要聚焦市场监测类因子的计算与应用[17][26][28]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **因子名称：无形资产因子(INT)** - 构建思路：替代传统投资因子以提升资产定价模型的解释力[10] - 具体构建过程：通过量化企业无形资产（如专利、品牌价值等）对收益的影响，重构五因子模型。公式未明确给出，但文献提到其显著提升模型对异象的解释力[10] - 因子评价：有效捕捉传统因子未覆盖的价值驱动因素 2. **因子名称：高频部分可观测因子模型(POFM)** - 构建思路：同步处理可观测因子与潜在因子以提升拟合优度[15] - 具体构建过程： - 开发鲁棒估计方法（抗跳跃/噪声/异步数据） - 首创高频无监督外生成分学习框架(HF-UECL)，量化可观测因子对潜在因子的贡献 - 实证验证潜在因子在残差中的必要性及显-隐因子相关性[15] - 因子评价：突破传统高频因子模型的线性假设局限 3. **因子名称：新闻分歧度因子** - 构建思路：基于成交量-波动率弹性衡量投资者分歧[11] - 具体构建过程： - 计算新闻事件后的成交量变化率与波动率变化的弹性系数 - 公式：$$ \text{Divergence} = \frac{\Delta \log(\text{Volume})}{\Delta \log(\text{Volatility})} $$ - 负向信号筛选（低弹性股票预示未来超额收益）[11] - 因子评价：符合行为金融理论中的过度反应机制 4. **因子名称：碳风险因子** - 构建思路：量化企业碳转型风险对股票收益的影响[41] - 具体构建过程： - 构建行业调整后的碳排放强度指标 - 通过Fama-MacBeth回归验证其定价能力 - 污染重/大市值企业敏感度更高[41] - 因子评价：在双碳政策背景下具有持续有效性 量化模型与构建方式 1. **模型名称：调整后PIN模型(AdjPIN)** - 构建思路：解决传统PIN模型数值不稳定性问题[11] - 具体构建过程： - 采用对数似然分解技术 - 智能初始值算法避免局部最优 - 公式：$$ \text{AdjPIN} = \frac{\alpha \mu}{\alpha \mu + \epsilon_b + \epsilon_s} $$ 其中$\alpha$为信息事件概率，$\mu$为信息交易强度，$\epsilon$为噪声交易[11] - 模型评价：实现无偏估计且计算效率提升 2. **模型名称：HARLF分层强化学习模型** - 构建思路：整合轻量LLM情感与市场指标优化资产配置[39] - 具体构建过程： - 三层架构：基础RL层（处理原始数据）、元智能体层（融合市场情绪）、超级智能体层（战略决策） - 动态调整股票/债券/期权权重[39] - 模型评价：实现跨模态信息的高效利用 3. **模型名称：DiT-LSTM-SVAR联合预测模型** - 构建思路：结合深度学习与计量经济学方法[39] - 具体构建过程： - DiT模块预测涨跌方向（马修斯相关系数+3%） - SVAR模块识别随机游走股票 - 组合优化公式：$$ w^* = \arg\min_w w^T \hat{\Sigma} w \quad \text{s.t.} \quad R^T w \geq \tau $$[39] - 模型评价：在保持可解释性同时提升预测精度 因子回测效果 1. **INT因子** - 年化超额收益：未明确数值但提及"显著提升五因子模型解释力"[10] - IR：未披露 2. **POFM高频因子** - 拟合优度提升：较传统模型提高15%-20%[15] - 因子贡献度：HF-UECL框架量化显性因子解释力达68%[15] 3. **新闻分歧度因子** - 多空组合收益：负向信号组合年化超额2.4%[11] - IC：-0.12（横截面测试）[11] 4. **碳风险因子** - 分组收益差：高碳风险组合年化低收益3.8%[41] - 风险溢价：碳排放强度每升1σ导致预期收益降0.6%[41] 模型回测效果 1. **AdjPIN模型** - 估计偏差：较传统PIN降低42%[11] - 计算耗时：减少67%[11] 2. **HARLF模型** - 年化收益：26%[39] - 夏普比率：1.2（超基准17%）[39] 3. **DiT-LSTM-SVAR模型** - 累计收益：266.6%[39] - 夏普比率：1.8[39] 注：部分指标因原文未明确数值而省略，严格遵循同一因子/模型的指标口径一致性要求[7][8]

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**：网下打新收益测算模型 **模型构建思路**：通过假设所有主板、科创板、创业板的股票都打中，并在上市首日以市场均价卖出，忽略锁定期限制，测算不同规模账户的打新收益率[10] **模型具体构建过程**： - 计算满中数量：$$可申购上限额度 \times 网下类平均中签率$$ - 计算满中收益：$$(首次开板价 - 首发价格) \times 满中数量$$ 其中，可申购上限额度根据账户规模（如1.5亿/2亿/3亿/5亿/10亿）设定，网下中签率采用A类/B类平均数据，首次开板价取自上市首日均价[42] **模型评价**：该模型通过简化假设（如全额入围、忽略锁定期）快速估算打新收益，但实际收益可能受报价入围率、资金使用效率等因素影响[47] 2. **模型名称**：分板块打新收益模型 **模型构建思路**：在基础打新模型上，按科创板、创业板、主板分类统计收益，反映板块差异[48][49][50] **模型具体构建过程**： - 板块划分依据发行市场（科创板/创业板/主板） - 对每只新股按板块归类后，复用基础模型的满中数量和收益计算公式 - 资金配置假设：沪市与深市各占50%[47] 模型的回测效果 1. **网下打新收益测算模型** - A类2亿账户2025年累计收益率：1.92%[10] - B类2亿账户2025年累计收益率：1.72%[10] - A类10亿账户2025年累计收益率：0.61%[10] - B类10亿账户2025年累计收益率：0.55%[10] 2. **分板块打新收益模型** - **科创板**：A类2亿账户2025年收益率0.51%，B类2亿账户0.49%[49][53] - **创业板**：A类2亿账户2025年收益率0.88%，B类2亿账户0.77%[49][54] - **主板**：A类2亿账户2025年收益率0.54%，B类2亿账户0.46%[50][55] 量化因子与构建方式 1. **因子名称**：有效报价账户数量因子 **因子构建思路**：通过统计不同类别（A类/B类）有效报价账户的中位数，反映打新竞争程度[23][27] **因子具体构建过程**： - 对近期20只新股，分别计算科创板、创业板、主板的A类/B类有效报价账户数量的中位数 - 示例取值：科创板A类3062户，B类1602户；创业板A类3630户，B类2080户[27] 2. **因子名称**：首日涨幅因子 **因子构建思路**：统计新股上市首日均价涨幅，衡量打新收益潜力[20] **因子具体构建过程**： - 计算首日均价涨幅：$$(首日均价 - 发行价)/发行价 \times 100\%$$ - 示例取值：科创板首日平均涨幅218.45%，创业板227.38%[20] 因子的回测效果 1. **有效报价账户数量因子** - 科创板A类中位数：3062户[27] - 科创板B类中位数：1602户[27] - 创业板A类中位数：3630户[27] - 主板A类中位数：3866户[27] 2. **首日涨幅因子** - 科创板首日涨幅：218.45%[20] - 创业板首日涨幅：227.38%[20] - 极端案例：山大电力首日涨幅426.31%[38]

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**：价值50组合 - **构建思路**：基于价值风格因子筛选股票，追求高beta弹性和长期稳健超额收益[7] - **具体构建过程**： 1. 以国证价值指数为基准，选取估值（如PE、PB）、股息率等价值因子 2. 通过因子加权（如等权或优化权重）构建组合 3. 定期调仓以维持风格暴露[7] 2. **模型名称**：价值均衡50组合 - **构建思路**：在价值因子的基础上加入风险控制，降低组合波动[7] - **具体构建过程**： 1. 与价值50组合同源因子，但引入行业中性化或波动率约束 2. 通过风险模型（如Barra）优化权重[7] 3. **模型名称**：成长50组合 - **构建思路**：聚焦营收增长、盈利增长等成长因子[7] - **具体构建过程**： 1. 以国证成长指数为基准，选取ROE、净利润增长率等指标 2. 因子标准化后加权合成[7] 4. **模型名称**：成长均衡50组合 - **构建思路**：平衡成长因子与风险因子，避免风格漂移[7] - **具体构建过程**：类似价值均衡组合，加入成长因子与风险优化[7] 5. **模型名称**：小盘50组合 - **构建思路**：捕捉小市值股票的溢价效应[7] - **具体构建过程**： 1. 以国证2000指数为基准，筛选市值最小的50只股票 2. 结合流动性因子（如换手率）剔除极端样本[7] 6. **模型名称**：小盘均衡50组合 - **构建思路**：在小盘因子的基础上控制组合换手和行业偏离[7] - **具体构建过程**：引入换手率阈值和行业中性化处理[7] --- 模型的回测效果 1. **价值50组合**： - 周收益率：-2.12%（超额-0.41%）[8] - 年收益率：12.44%（超额8.78%）[8] - 最大相对回撤：2.35%[8] 2. **价值均衡50组合**： - 周收益率：-0.46%（超额1.26%）[8] - 年收益率：10.16%（超额6.50%）[8] - 最大相对回撤：3.99%[8] 3. **成长50组合**： - 周收益率：-1.48%（超额0.68%）[8] - 年收益率：4.50%（超额2.38%）[8] - 最大相对回撤：3.61%[8] 4. **成长均衡50组合**： - 周收益率：-1.64%（超额0.53%）[8] - 年收益率：8.71%（超额6.59%）[8] - 最大相对回撤：6.11%[8] 5. **小盘50组合**： - 周收益率：1.25%（超额1.43%）[8] - 年收益率：36.52%（超额19.90%）[8] - 最大相对回撤：6.23%[8] 6. **小盘均衡50组合**： - 周收益率：-1.09%（超额-0.90%）[8] - 年收益率：26.60%（超额9.98%）[8] - 最大相对回撤：4.56%[8] --- 量化因子与构建方式 （报告中未明确提及单因子构建细节，仅描述复合模型） --- 因子的回测效果 （报告中未提供单因子测试结果） --- 注：所有模型均基于国证风格指数基准，超额收益为相对基准表现[7][8]

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. **行业轮动型投顾模型** - 模型构建思路：通过动态调整行业配置来捕捉市场轮动机会，重点增配医药、顺周期和科技行业，减配消费类行业[13][37] - 模型具体构建过程： 1. 行业配置调整：每月统计股债混合型和股票型投顾产品的行业持仓变化，计算增/减配比例（如医药生物+0.47%、有色金属+0.31%）[37][38] 2. 风格配置调整：监控红利基金、微盘股配置比例变化（如红利基金比例从5.45%增至5.51%）[41][42] 3. 板块轮动信号：基于港股、科创板等热门板块的超额收益右侧配置（港股配置比例从9.54%增至9.61%）[47][48] - 模型评价：策略具有明显的右侧交易特征，对市场热点反应灵敏[13][48] 2. **久期调整模型（债券类投顾）** - 模型构建思路：通过调整债券久期和底层资产比例应对利率波动，增强组合进攻性[28][31] - 模型具体构建过程： 1. 久期计算：采用加权平均期限法，纯债型投顾久期增加0.10年，固收+型增加0.05年[31][32] 2. 资产置换规则： - 纯债型：货币市场基金（-1.14%）→ 中长期纯债（+1.11%）+ 美债（+0.66%）[28][29] - 固收+型：短期纯债（-2.19%）→ 混合债券型二级（+2.51%）[29][30] - 模型评价：有效捕捉利率债交易性机会，但需警惕流动性风险[28][32] 量化因子与构建方式 1. **行业动量因子** - 因子构建思路：捕捉行业短期超额收益动量[37][38] - 因子具体构建过程： $$ \text{行业动量得分} = \frac{\text{行业近1月收益率}}{\text{沪深300近1月收益率}} $$ 应用案例：7月增配医药生物（超额收益显著）、减配食品饮料（超额收益回落）[38][39] 2. **微盘股暴露因子** - 因子构建思路：衡量组合对小市值股票的风险敞口[43][44] - 因子具体构建过程： 1. 计算持仓中中证2000成分股市值占比 2. 监控调仓变化（7月微盘股比例从5.49%→5.58%）[43][44] 模型的回测效果 1. **行业轮动型投顾模型** - 7月绝对收益：5.85%（vs 沪深300超额显著）[13][17] - 近1年收益率：领先同业约25%-30%[17][18] 2. **久期调整模型** - 纯债型投顾7月收益：0.13%（较基准+0.10%）[3][31] - 固收+型投顾Calmar比率：1.36-1.98（风险调整收益优异）[23][30] 因子的回测效果 1. **行业动量因子** - 7月增配行业平均收益：医药生物（+3.9%）、有色金属（+2.5%）[38][49] - 减配行业平均收益：食品饮料（-1.2%）[38][39] 2. **微盘股暴露因子** - 7月微盘股组合收益：跑赢小盘股0.5%[43][44] 注：所有数据截至2025年7月31日[3][13][31]

量化模型与构建方式 1. **模型名称：A股赔率模型** - 模型构建思路：基于ERP（股权风险溢价）和DRP（债务风险溢价）的标准化数值等权计算A股赔率，用于衡量市场安全边际[7] - 模型具体构建过程： 1. 计算ERP和DRP的原始值 2. 对两者进行标准化处理（Z-score） 3. 等权加权求和得到综合赔率指标 $$ \text{赔率} = \frac{\text{ERP}_{标准化} + \text{DRP}_{标准化}}{2} $$ 截至7月底，赔率指标为0.9倍标准差[7][8] 2. **模型名称：A股胜率评分卡模型** - 模型构建思路：通过货币、信用、增长、通胀与海外五因子合成宏观胜率评分，预测资产未来表现[9] - 模型具体构建过程： 1. 选取五类宏观因子（如PMI、信贷数据等） 2. 对各因子进行标准化和方向调整（如增长因子负向影响胜率） 3. 加权合成综合胜率指标 当前A股胜率因PMI下滑回落至0轴附近[9][11] 3. **模型名称：A股拥挤度模型** - 模型构建思路：结合成交热度和行业分歧度（长期指标）与期权CPR（短期指标）刻画市场交易过热风险[12] - 模型具体构建过程： 1. 长期拥挤度：成交热度（换手率） + 行业分歧度（横截面波动） 2. 短期拥挤度：期权认购认沽成交比率（CPR） 3. 分别标准化后输出信号 当前长期/短期拥挤度分别为1.0和1.1倍标准差[12][14][15] 4. **模型名称：债券赔率模型** - 模型构建思路：基于长短债预期收益差构建债券估值指标[21] - 模型具体构建过程： 1. 计算长债（10年期）与短债（2年期）预期收益差 2. 标准化处理并反向调整（赔率越低表示估值风险越高） 当前债券赔率为-1.4倍标准差[19][21] 5. **模型名称：美联储流动性指数模型** - 模型构建思路：结合数量维度（如资产负债表规模）和价格维度（如利率）构建流动性指标[22] - 模型具体构建过程： 1. 选取净流动性、信用支持等子指标 2. 标准化后加权合成综合指数 当前指数位于20%中高水平[25][26] 6. **模型名称：行业轮动三标尺模型** - 模型构建思路：通过景气度、趋势、拥挤度三维框架筛选行业[43] - 模型具体构建过程： 1. 景气度：过去12个月行业IR（信息比率） 2. 趋势：动量指标 3. 拥挤度：换手率比率+波动率比率+Beta比率 2025年策略超额收益8.5%[44][45] --- 量化因子与构建方式 1. **因子名称：价值因子** - 因子构建思路：通过估值指标（如PB、股息率）筛选低估值股票[27] - 因子评价：当前呈现"中高赔率-中等趋势-低拥挤"特征，综合得分最高[27][28] 2. **因子名称：质量因子** - 因子构建思路：基于ROE、盈利稳定性等财务指标构建[29] - 因子评价：高赔率（1.7倍标准差）但趋势弱（-1.4倍标准差），需等待右侧确认[29][30] 3. **因子名称：成长因子** - 因子构建思路：结合营收/净利润增长率等指标[32] - 因子评价：高赔率（0.9倍标准差）但拥挤度中等（0.1倍标准差），建议标配[33][34] 4. **因子名称：小盘因子** - 因子构建思路：按市值分组捕捉小盘股超额收益[35] - 因子评价：低赔率（-0.7倍标准差）+高拥挤（0.6倍标准差），风险较高[36][37] --- 模型的回测效果 1. **赔率+胜率策略** - 年化收益：7.0%（2011年以来）、7.6%（2014年以来）[48][54] - 最大回撤：2.8%（2011年以来）[54] - 夏普比率：2.86（2011年以来）[56] 2. **行业轮动策略** - 信息比率（IR）：1.18（2011年以来）[44] - 最大回撤：25.4%（2011年以来）[44] 3. **债券赔率模型** - 当前赔率：-1.4倍标准差[19] 4. **A股拥挤度模型** - 长期拥挤度：1.0倍标准差[14] - 短期拥挤度：1.1倍标准差[15] --- 因子的回测效果 1. **价值因子** - 赔率：0.3倍标准差[28] - 拥挤度：-1.3倍标准差[28] 2. **质量因子** - 赔率：1.7倍标准差[30] - 趋势：-1.4倍标准差[30] 3. **小盘因子** - 趋势：1.6倍标准差[36] - 拥挤度：0.6倍标准差[36]

根据提供的金融工程日报内容，该报告主要聚焦市场表现与资金流向监测，未涉及量化模型或因子构建相关内容。以下是可提取的核心市场监测指标： 市场情绪指标 1 封板率构建方式：统计最高价涨停且收盘涨停股票数占最高价涨停股票总数的比例[16] 计算公式：$$封板率=\frac{最高价涨停且收盘涨停股票数}{最高价涨停股票数}$$[16] 2 连板率构建方式：统计连续两日收盘涨停股票数占昨日收盘涨停股票数的比例[16] 计算公式：$$连板率=\frac{连续两日收盘涨停股票数}{昨日收盘涨停股票数}$$[16] 资金流向指标 1 大宗交易折价率：计算大宗交易总成交金额与当日成交份额总市值的偏离度[25] 计算公式：$$折价率=\frac{大宗交易总成交金额}{当日成交份额总市值}-1$$[25] 2 股指期货年化贴水率：计算基差相对指数价格的年化比率[27] 计算公式：$$年化贴水率=\frac{基差}{指数价格}×\frac{250}{合约剩余交易日数}$$[27] 指标表现数据 1 封板率：当日78%（较前日+20%）[16] 2 连板率：当日29%（较前日+4%）[16] 3 大宗交易折价率：当日4.31%（半年均值5.77%）[25] 4 股指期货年化贴水率： - 上证50：+0.27%（61%分位）[27] - 沪深300：-3.23%（45%分位）[27] - 中证500：-10.89%（40%分位）[27] - 中证1000：-10.59%（56%分位）[27] 注：报告中未包含传统意义上的量化因子或模型构建内容，主要为市场监测类指标的计算与展示[1][2][3][4][5]

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**：战略与战术资产配置模型 - **模型构建思路**：通过战略配置确定长期资产比例，战术配置根据市场环境动态调整[35] - **模型具体构建过程**： 1. **战略配置**：基于风险预算框架，设定权益、债券等大类资产的长期配置比例 2. **战术配置**：结合宏观经济（货币政策、财政政策）、技术指标（资金流向、价格趋势）、市场情绪（交易数据、波动率）三类因子构建综合评分模型，动态调整资产权重[35] 3. **风险控制**：每日跟踪组合表现，定期压力测试，确保组合风险与目标偏差最小化[39] 2. **模型名称**：子基金筛选模型 - **模型构建思路**：通过定量与定性结合的方法优选子基金[36] - **模型具体构建过程**： 1. **定量筛选**： - 业绩分析：计算夏普比率、卡玛比等指标 - 持仓分析：评估基金风格稳定性 - 风险控制能力：最大回撤、波动率等 2. **定性调研**：通过基金经理访谈评估投资理念与盈利模式[38] --- 量化因子与构建方式 1. **因子名称**：宏观经济因子 - **因子构建思路**：反映宏观经济对资产配置的影响[35] - **因子具体构建过程**： - 选取货币政策（如利率变化）、财政政策（如赤字率）、工业生产（如PMI）等指标 - 标准化后加权综合评分： $$ \text{MacroScore} = w_1 \cdot \text{Policy} + w_2 \cdot \text{Growth} + w_3 \cdot \text{Inflation} $$ 2. **因子名称**：市场情绪因子 - **因子构建思路**：捕捉市场短期情绪波动[35] - **因子具体构建过程**： - 使用交易量、换手率、隐含波动率（如VIX）等数据 - 标准化后合成情绪指数： $$ \text{SentimentIndex} = \frac{\text{Volume}_t}{\text{Volume}_{MA20}} + \lambda \cdot \text{VIX}_t $$ 3. **因子名称**：技术指标因子 - **因子构建思路**：识别资产价格趋势与资金流向[35] - **因子具体构建过程**： - 计算动量指标（如12个月收益率）、波动率（如20日标准差） - 资金流向通过主力资金净流入数据构建 --- 模型的回测效果 1. **战略与战术资产配置模型**： - 年化收益率：5.13% - 最大回撤：0.88% - 夏普比率：2.94 - 卡玛比：5.81[43] 2. **子基金筛选模型**： - 前十大重仓基金占比：94.33%（市值）、85.60%（净值）[52] --- 因子的回测效果 1. **宏观经济因子**： - 在2024年利率下行期有效降低债券久期风险[51] 2. **市场情绪因子**： - 在2024年10月权益高波动阶段触发权益止盈信号[49] 3. **技术指标因子**： - 2025年二季度增配A股科技板块时提供正向动量信号[50] --- 其他关键指标 - **基金业绩**：任意时点买入持有3个月正收益概率100%，最低收益率0.43%，最高2.58%[45] - **资产配置比例**：固收类93.15%（2024年年报），权益类6.35%[51] 注：研报未提供部分因子的具体公式或独立测试结果，故未列出。