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： 量化因子与构建方式 1. **因子名称：封板率因子** - 构建思路：通过统计涨停股票在盘中最高价涨停且收盘仍涨停的比例，反映市场情绪强度[17] - 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，计算当日满足条件的股票比例[17] - 因子评价：高频情绪指标，对短期动量策略有参考价值 2. **因子名称：连板率因子** - 构建思路：衡量涨停股票的持续性，反映市场追涨热情[17] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 剔除ST股票和上市不足3个月的标的[17] 3. **因子名称：大宗交易折价率因子** - 构建思路：通过大宗交易成交价与市价的偏离度监测大资金动向[26] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计近半年日均成交金额作为流动性过滤条件[26] 4. **因子名称：股指期货贴水率因子** - 构建思路：利用期货与现货基差反映市场预期[28] - 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和中证1000主力合约数据[28] 因子回测效果 1. **封板率因子** - 当日取值：58%（较前日下降1%）[17] - 近一月分位数：未披露 2. **连板率因子** - 当日取值：25%（较前日提升0%）[17] - 近一月分位数：未披露 3. **大宗交易折价率因子** - 当日取值：4.93%[26] - 近半年均值：5.79%[26] 4. **股指期货贴水率因子** - 上证50：年化升水0.07%（60%分位）[28] - 沪深300：年化贴水4.46%（35%分位）[28] - 中证500：年化贴水12.55%（33%分位）[28] - 中证1000：年化贴水13.67%（37%分位）[28] 注：报告中未涉及完整量化模型构建，主要为市场监测类因子。龙虎榜机构席位因子因缺乏具体构建公式未列入[36][37]

量化因子与构建方式 1. **因子名称**："日与夜的殊途同归"新动量因子 - **因子构建思路**：基于日内与隔夜各自的价量关系，分别改进日内因子和隔夜因子，再重新合成新的动量因子[6][7] - **因子具体构建过程**： 1. 将交易时段切割为日与夜，分别计算日内和隔夜的价量关系 2. 对日内因子和隔夜因子进行改进，具体改进方法未详细说明[7] 3. 将改进后的日内因子和隔夜因子重新合成为新的动量因子[7] - **因子评价**：选股能力显著优于传统动量因子，稳定性较高[6][7] 因子的回测效果 1. **"日与夜的殊途同归"新动量因子**（2014/02-2025/07，全体A股剔除北交所股票） - 年化收益率：18.08%[1][14] - 年化波动率：8.75%[1][14] - 信息比率（IR）：2.07[1][14] - 月度胜率：77.54%[1][14] - 月度最大回撤率：9.07%[1][14] 2. **"日与夜的殊途同归"新动量因子**（2014/01/01-2022/07/31，全体A股） - IC均值：-0.045[1] - 年化ICIR：-2.59[1] - 10分组多空对冲年化收益率：22.64%[1] - 信息比率（IR）：2.85[1] - 月度胜率：83.33%[1] - 最大回撤率：5.79%[1] 3. **7月份表现**（2025年7月，全体A股剔除北交所股票） - 10分组多头组合收益率：4.75%[1][10] - 10分组空头组合收益率：4.40%[1][10] - 10分组多空对冲收益率：0.35%[1][10] 对比传统动量因子 - 传统动量因子（2014/01/01-2022/07/31，全体A股） - 10分组多空对冲信息比率（IR）：1.09[6] - 月度胜率：62.75%[6] - 最大回撤：20.35%[6]

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：公募基金实时持仓测算模型** - **模型构建思路**：基于基金净值、持仓披露、调研行为等市场公开信息，对公募基金持仓进行实时测算[20] - **模型具体构建过程**：通过复杂的数据处理流程，整合基金净值变化、定期报告披露的持仓数据以及上市公司调研记录，动态估算公募基金对特定板块（如PCB）的配置仓位[20] - **模型评价**：能够及时捕捉机构资金动向，但依赖公开数据的时效性和完整性 2. **模型名称：ETF资金持仓动态模型** - **模型构建思路**：通过监测ETF产品规模变化及持仓结构，分析资金对特定板块的配置偏好[21] - **模型具体构建过程**：计算ETF持仓占板块市值的比重（MA5平滑处理），公式为： $$ \text{ETF持仓占比} = \frac{\sum \text{ETF持有PCB成分股市值}}{\text{PCB板块总市值}} $$ 并对比历史分位数判断当前水平[23][24] 3. **模型名称：筹码收益模型** - **模型构建思路**：通过估算资金的历史持仓成本，衡量当前价格的赚钱效应[26] - **模型具体构建过程**： 1. 基于成交量与价格数据构建筹码分布曲线 2. 计算当前价格相对于筹码成本的收益率： $$ \text{筹码收益率} = \frac{\text{当前价格} - \text{平均持仓成本}}{\text{平均持仓成本}} \times 100\% $$ 3. 根据历史回测确定动量/反转效应的阈值[26][28] - **模型评价**：对市场情绪有较好的刻画能力，但需结合其他指标验证 4. **因子名称：主力资金净流入因子** - **因子构建思路**：通过大单交易数据捕捉主力资金动向[38] - **因子具体构建过程**： - 定义主力资金为大单（20-100万元）与超大单（>100万元）的加总 - 计算每日净流入额： $$ \text{主力净流入} = \sum \text{主力买入金额} - \sum \text{主力卖出金额} $$ - 滚动累计N日数据作为因子值[38] 5. **因子名称：龙虎榜营业部活跃度因子** - **因子构建思路**：利用龙虎榜公布的营业部交易数据识别资金热点[39] - **因子具体构建过程**： 1. 提取上榜个股的营业部成交总额与净流入额 2. 构建标准化指标： $$ \text{活跃度得分} = \frac{\text{营业部净流入}}{\text{个股流通市值}} \times 100 $$ 3. 结合上榜次数加权计算综合分值[39][40] 6. **因子名称：股东户数增幅因子** - **因子构建思路**：监测股东户数变化反映筹码分散度[41] - **因子具体构建过程**： $$ \text{增幅} = \frac{\text{最新股东户数} - \text{上期户数}}{\text{上期户数}} \times 100\% $$ 结合历史分位数判断异常波动[41][42] --- 模型的回测效果 1. **公募基金实时持仓模型** - PCB板块配置仓位2025年5月以来逐步企稳[20] 2. **ETF资金持仓模型** - PCB板块ETF持仓占比达2.6%，处于历史高位[23][24] 3. **筹码收益模型** - PCB指数当前赚钱效应22.95%[28] - 成分股中生益科技筹码收益最高（40.04%）[30] 4. **主力资金因子** - 深南电路主力净流入5.12亿元（7月16日以来）[38] 5. **龙虎榜因子** - 胜宏科技龙虎榜营业部单日成交45.3亿元[40] 6. **股东户数因子** - 世运电路股东户数增幅57.26%（2025年3月31日数据）[42] --- 其他量化指标 1. **两融余额指标** - PCB板块融资余额处于历史高位，融券余额较低[25][27] 2. **机构调研热度** - 大族激光2025年以来接受69次调研[32][34] 3. **雪球大V关注度** - 胜宏科技获37位大V关注[35][37] 注：所有数据统计截止2025年7月31日[14][17][31]

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：250日新高距离** - **构建思路**：通过计算当前收盘价与过去250日最高价的相对距离，捕捉个股或指数的趋势强度[10] - **具体构建过程**： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中： - \(Closet\)为最新收盘价 - \(ts\_max(Close,250)\)为过去250日收盘价最大值[10] - **因子评价**：有效识别接近历史高点的标的，符合动量效应理论[10][18] 2. **因子名称：平稳创新高筛选因子** - **构建思路**：结合分析师关注度、股价路径平滑性等维度筛选具备持续动量的股票[24][27] - **具体构建过程**： - **分析师关注度**：过去3个月买入/增持评级研报≥5份[27] - **股价相对强弱**：过去250日涨跌幅全市场前20%[27] - **股价平稳性**： 1. 位移路程比（价格路径平滑性） 2. 过去120日250日新高距离的时序均值[24][27] - **趋势延续性**：过去5日250日新高距离的时序均值[27] - **因子评价**：综合多维特征过滤噪声，提升动量策略稳定性[24] --- 因子的回测效果 1. **250日新高距离因子** - **指数应用**： - 上证指数距离1.54%，深证成指4.38%，创业板指8.93%（截至20250801）[11][33] - 传媒、通信行业距离分别为0.00%、1.65%，食品饮料行业距离较远[12][33] - **个股应用**：全市场1239只股票过去20日创250日新高，医药/机械行业数量最多（192/169只）[19][34] 2. **平稳创新高筛选因子** - **选股结果**：50只标的通过筛选，如胜宏科技（250日涨幅382%）、博瑞医药（219%）[28][32] - **板块分布**：制造板块15只（机械行业为主），科技板块14只（电子行业为主）[28][34] --- 关键公式说明 - **位移路程比**：未明确给出公式，但原文强调其用于衡量价格路径平滑性[24] - **创新高持续性**：定义为过去120日250日新高距离的时序均值，具体计算公式未披露[27] 注：模型部分未在研报中提及，故未总结。

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：煤炭行业利润预测模型** - **模型构建思路**：基于动力煤长协价格机制和产能因子同比变化，预测煤炭行业月度营收和利润增速[10] - **模型具体构建过程**： 1. 通过每月最后一期价格指数确定下月动力煤销售价格 2. 结合价格因子和产能因子的同比变化，逐月估算营收和利润增速 3. 公式： $$ \text{利润增速} = f(\text{价格因子}, \text{产能因子}) $$ （具体函数形式未披露） - **模型评价**：能够有效跟踪煤炭行业利润变化趋势，但依赖价格和产能因子的准确性[14] 2. **模型名称：生猪供需预测模型** - **模型构建思路**：利用能繁母猪存栏数据与6个月后生猪出栏的稳定比例关系，预测供需缺口[15] - **模型具体构建过程**： 1. 计算历史出栏系数： $$ \text{出栏系数} = \frac{\text{单季度生猪出栏}}{\text{6个月前能繁母猪存栏}} $$ 2. 预测未来6个月潜在产能： $$ \text{潜在产能} = \text{当前能繁母猪存栏} \times \text{上年同期出栏系数} $$ 3. 对比潜在产能与历史需求（上年同期出栏量）判断供需平衡[16] - **模型评价**：经验证可识别生猪价格上行周期，但对存栏数据时效性敏感[17] 3. **模型名称：普钢行业利润预测模型** - **模型构建思路**：综合钢材售价与铁矿石、焦炭等成本指标，预测月度利润增速和单吨盈利[18] - **模型具体构建过程**： 1. 跟踪普通钢材综合售价 2. 计算成本指标（铁矿石、焦炭、废钢等）的加权变动 3. 通过价差模型估算单吨盈利： $$ \text{单吨盈利} = \text{钢材售价} - \sum \text{单位成本指标} $$ 4. 结合产量数据推算行业利润增速[23] 4. **模型名称：燃料型炼化利润预测模型** - **模型构建思路**：基于成品油与原油价差（裂解价差）预测行业利润[30] - **模型具体构建过程**： 1. 监测成品油（如汽油、柴油）与原油价格变动 2. 计算裂解价差： $$ \text{裂解价差} = \text{成品油价格} - \text{原油价格} $$ 3. 结合产能利用率数据预测利润增速[33] --- 量化因子与构建方式 1. **因子名称：能繁母猪存栏因子** - **因子构建思路**：作为生猪产能的领先指标，滞后6个月影响出栏量[15] - **因子具体构建过程**：直接采用农业农村部发布的能繁母猪存栏量（万头），环比变化率作为辅助指标[17] 2. **因子名称：普钢单吨盈利因子** - **因子构建思路**：反映钢企即时盈利能力，驱动股价波动[21] - **因子具体构建过程**： $$ \text{单吨盈利} = \text{钢材售价} - (\text{铁矿石成本} + \text{焦炭成本} + \text{喷吹煤成本} + \text{废钢成本}) $$ 各成本项按生产配比加权[23] 3. **因子名称：裂解价差因子** - **因子构建思路**：衡量炼化企业加工利润的核心指标[30] - **因子具体构建过程**： 1. 选取代表性成品油（如92汽油）与原油（如Brent）价格 2. 按炼厂产出比例加权计算综合价差[35] --- 模型的回测效果 1. **煤炭行业利润预测模型**： - 历史季度利润增速预测误差率≤15%（2012Q2-2025Q1）[12] - 2025年8月预测利润同比延续下降[14] 2. **生猪供需预测模型**： - 2025Q4预测供需缺口：潜在供给18249万头 vs 需求18226万头（基本平衡）[17] 3. **普钢单吨盈利因子**： - 2025年7月单吨盈利同比上升，驱动中信普钢指数超额收益14.8%[23] 4. **裂解价差因子**： - 2025年7月燃料型炼化利润同比小幅增长，但油价同比仍低，维持中性信号[37] --- 因子的回测效果 1. **能繁母猪存栏因子**： - 2025年6月存栏4043万头（环比持平），预示25Q4价格底部震荡[17] 2. **普钢单吨盈利因子**： - 2025年7月中信普钢指数超额收益14.8%，与单吨盈利改善同步[23] 3. **裂解价差因子**： - 2025年7月炼油指数超额收益0.9%，价差扩张但未达景气阈值[35]

量化因子与构建方式 1. **因子名称：新价量相关性RPV因子** - **构建思路**：通过划分价量四象限，利用月度IC均值甄别价量相关性因子的反转效应和动量效应，结合日内与隔夜信息叠加，加入成交量信息构建因子[6] - **具体构建过程**： 1. 从基准因子CCV（日频CPV）中发现换手率序列增强收盘价序列的反转效应 2. 为日内价量相关性找到最佳代表CCOIV，为隔夜价量相关性找到最佳代表COV 3. 日内价量相关性加强反转效应，隔夜价量相关性通过时间维度"错配"加强动量效应 4. 将两类信息协调叠加，最终合成RPV因子[6] - **因子评价**：因子在A股市场表现优异，兼具新颖性和实战效果[6] 2. **因子名称：聪明版日频价量相关性SRV因子** - **构建思路**：改进传统价量相关性因子，通过拆分日内交易时段并识别"聪明"交易时段（知情交易集中时段），结合优化后的隔夜价量相关性构建[6] - **具体构建过程**： 1. 将日内涨跌拆分为上午和下午涨跌 2. 计算分钟级"聪明"指标，选取下午时段中"聪明"指标最大的20%（24分钟）作为知情交易集中时段 3. 使用下午"聪明"换手率与下午涨跌的相关系数作为日内价量相关性 4. 对隔夜价量相关性，将换手率替换为昨日最后半小时换手率（知情交易比例更高） 5. 将优化后的日内和隔夜价量相关性因子结合，合成SRV因子[6] - **因子评价**：相比RPV因子具有更优的风险收益特征，最大回撤控制更佳[6] 因子回测效果 1. **新价量相关性RPV因子** - 测试区间：2014年1月-2025年7月（全市场A股剔除北交所） - 年化收益率：14.44% - 年化波动率：7.71% - 信息比率（IR）：1.87 - 月度胜率：72.46% - 最大回撤：10.63%[7][10] - 2025年7月表现： - 多头组合收益率：5.18% - 空头组合收益率：5.58% - 多空对冲收益率：-0.39%[10] 2. **聪明版日频价量相关性SRV因子** - 测试区间：2014年1月-2025年7月（全市场A股剔除北交所） - 年化收益率：17.15% - 年化波动率：6.49% - 信息比率（IR）：2.64 - 月度胜率：74.64% - 最大回撤：3.74%[7][10] - 2025年7月表现： - 多头组合收益率：5.66% - 空头组合收益率：5.81% - 多空对冲收益率：-0.15%[10] 补充说明 - RPV因子在2014/01/01-2023/08/31回测期内，10分组多空对冲年化收益16.29%，IR为2.41[6] - SRV因子在同期的RankICIR为-4.26，年化收益18.91%，IR达3.07，月度胜率80%，最大回撤仅3.11%[6]

量化模型与构建方式 1. **模型名称**：量价行业轮动组合 **模型构建思路**：基于动量、交易波动、换手率、多空对比、量价背离、量幅同向六个维度的量价因子，通过单因子测试筛选出11个有效因子，构建复合因子进行行业轮动[7] **模型具体构建过程**： - 每月末从中信一级行业（剔除综合和综合金融）中选取复合因子值最高的五个行业 - 因子等权加权，行业间等权加权[8] **模型评价**：逻辑性强，历史表现优异 2. **模型名称**："正预期与非拥挤"行业组合 **模型构建思路**：结合分析师预期复合因子和拥挤度指标，剔除拥挤度最低的15个行业后选择预期因子值最高的五个行业[11] **模型具体构建过程**： - 分析师预期复合因子包含：分析师预期变化、市场信心、报告覆盖加速度、机构覆盖加速度、财务报表超预期、业绩预告超预期 - 拥挤度指标由6个量价因子构建 - 每月末剔除拥挤度最低的15个行业后，选择剩余行业中分析师预期复合因子值最高的五个行业[11] 模型的回测效果 1. **量价行业轮动组合** - 累计收益：797.59%（2010-2025/7） - 累计超额收益：686.47%（vs行业等权） - 7月收益：5.54% - 7月超额收益：0.82% - 2025年前7月超额收益：4.36% - 月胜率：100%[9][10] 2. **"正预期与非拥挤"行业组合** - 累计收益：1145.44%（2010-2025/7） - 累计超额收益：1034.33%（vs行业等权） - 7月收益：6.74% - 7月超额收益：2.02% - 2025年前7月收益：5.25% - 2025年前7月超额收益：-4.08%[11] 量化因子与构建方式 1. **因子名称**：二阶动量 **因子构建思路**：衡量价格二阶变化趋势 **因子具体构建过程**： $$𝐶𝑙𝑜𝑠𝑒𝑡\ 𝐸𝑊𝑀𝐴(𝐶𝑙𝑜𝑠𝑒𝑡−𝑚𝑒𝑎𝑛(𝐶𝑙𝑜𝑠𝑒𝑡−window1:𝑡),window2)−𝑑𝑒𝑙𝑎𝑦(𝑚𝑒𝑎𝑛(𝐶𝑙𝑜𝑠𝑒𝑡−window1:𝑡),window)$$ 其中： - $𝐶𝑙𝑜𝑠𝑒𝑡$为当期收盘价 - $𝐸𝑊𝑀𝐴$为指数加权移动平均 - $window1$和$window2$为不同时间窗口[8] 2. **因子名称**：动量期限差 **因子构建思路**：比较不同期限价格动量差异 **因子具体构建过程**： $$\frac{𝐶𝑙𝑜𝑠𝑒𝑡−𝐶𝑙𝑜𝑠𝑒𝑡−𝑤𝑖𝑛𝑑𝑜𝑤1}{𝐶𝑙𝑜𝑠𝑒𝑡−𝑤𝑖𝑛𝑑𝑜𝑤1}−\frac{𝐶𝑙𝑜𝑠𝑒𝑡−𝐶𝑙𝑜𝑠𝑒𝑡−𝑤𝑖𝑛𝑑𝑜𝑤2}{𝐶𝑙𝑜𝑠𝑒𝑡−𝑤𝑖𝑛𝑑𝑜𝑤2}$$[8] 3. **因子名称**：成交金额波动 **因子构建思路**：衡量成交金额波动性 **因子具体构建过程**： $$−𝑆𝑇𝐷(𝐴𝑚𝑜𝑢𝑛𝑡)$$[8] 4. **因子名称**：换手率变化 **因子构建思路**：比较不同窗口换手率均值变化 **因子具体构建过程**： $$\frac{𝑀𝑒𝑎𝑛(𝑡𝑢𝑟𝑛𝑜𝑣𝑒𝑟𝑡−window1:𝑡)}{𝑀𝑒𝑎𝑛(𝑡𝑢𝑟𝑛𝑜𝑣𝑒𝑟𝑡−window2:𝑡)}$$[8] 5. **因子名称**：多空对比总量 **因子构建思路**：综合衡量多空力量对比 **因子具体构建过程**： $$\sum_{𝑖=𝑡−𝑤𝑖𝑛𝑑𝑜𝑤}^𝑡\left[\frac{(𝐶𝑙𝑜𝑠𝑒−𝐿𝑜𝑤)−(𝐻𝑖𝑔ℎ−𝐶𝑙𝑜𝑠𝑒)}{𝐻𝑖𝑔ℎ𝑖−𝐿𝑜𝑤𝑖}\times(𝑉𝑜𝑙𝑢𝑚𝑒\ 𝐸𝑊𝑀𝐴\times𝐶𝑙𝑜𝑠𝑒)\right]$$[8] 6. **因子名称**：量价背离协方差 **因子构建思路**：通过排名协方差捕捉量价背离 **因子具体构建过程**： $$𝑟𝑎𝑛𝑘\{𝑐𝑜𝑣𝑎𝑟𝑖𝑎𝑛𝑐𝑒[𝑟𝑎𝑛𝑘(𝐶𝑙𝑜𝑠𝑒),𝑟𝑎𝑛𝑘(𝑉𝑜𝑙𝑢𝑚𝑒),𝑤𝑖𝑛𝑑𝑜𝑤]\}$$[8] 7. **因子名称**：量价相关系数 **因子构建思路**：直接计算量价相关性 **因子具体构建过程**： $$−𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛(𝐶𝑙𝑜𝑠𝑒,𝑉𝑜𝑙𝑢𝑚𝑒,𝑤𝑖𝑛𝑑𝑜𝑤)$$[8] 因子的回测效果 （注：报告中未单独披露各因子测试结果，仅展示复合模型效果）

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**：优选金股组合模型 - **构建思路**：基于新进金股样本，结合业绩超预期因子（SUE因子）筛选前30只股票，按券商推荐数量加权构建组合[23] - **具体构建过程**： 1. 筛选新进金股（相对上月首次推荐的股票） 2. 计算业绩超预期因子（SUE因子）： $$SUE = \frac{实际EPS - 预期EPS}{预期EPS的标准差}$$ 其中EPS为每股收益，标准差基于历史预期误差计算 3. 选择SUE因子排名前30的股票 4. 按券商推荐次数加权分配组合权重（推荐次数越多权重越高） - **模型评价**：该模型通过捕捉分析师预期差和资金关注度，在历史回测中表现出显著超额收益 2. **因子名称**：业绩超预期因子（SUE因子） - **构建思路**：衡量公司实际盈利与市场预期差异的标准化指标[23] - **具体构建过程**： 1. 获取一致预期EPS（卖方分析师预测均值） 2. 计算实际EPS与预期EPS的差值 3. 用历史预期误差的标准差对差值标准化： $$SUE_{t,i} = \frac{ActualEPS_{t,i} - E(EPS_{t,i})}{\sigma(EPS_{t,i})}$$ 其中$t$为报告期，$i$为个股 - **因子评价**：在新进金股样本中选股能力突出，能有效识别业绩惊喜 模型的回测效果 1. **优选金股组合模型**： - 年化收益率：20.8% - 年化波动率：25.2% - 收益波动比（IR）：0.82 - 最大回撤：24.6% - 2025年超额收益（vs中证500）：+9.3%[25] 2. **基准金股组合**： - 全部金股年化收益率：12.2% - 新进金股年化收益率：15.2% - 重复金股年化收益率：9.6%[20] 因子的回测效果 1. **SUE因子**： - 在新进金股组合中，SUE排名前30%组合年化超额收益达8.7%（vs后30%）[23] - 7月份SUE因子IC（信息系数）：0.21[23] 关键数据引用 - 行业权重变化：有色金属（+1.6%）、建筑材料（+1.4%）[14] - 个股收益表现：塞力医疗（+105.9%）、康辰药业（+96.5%）[22] - 组合波动率对比：优选组合25.2% vs 全金股23.4%[25]

根据提供的研报内容，该报告主要聚焦于资金流向和行业配置分析，未涉及量化模型或量化因子的构建与测试。以下是报告核心内容的总结： 资金流向分析 1. **主动权益基金规模变化** - 2025Q2主动权益基金加权份额环比减少3.21%，总规模回落至3.43万亿元[11][13] - 细分类型中，普通股票型（-4.53%）、偏股混合型（-2.50%）等均呈现净赎回[11] 2. **绩优基金申购情况** - 收益前10的基金合计净申购仅9亿元，显著低于2025Q1的233亿元[15] - 净申购前10的基金规模增长217亿元，收益率中位数12.55%[18] 3. **头部基金经理管理规模** - 单人管理规模前10的基金经理整体规模缩水142亿元，其中葛兰（-31.29亿元）、张坤（-14.02亿元）等均现净赎回[22] 行业配置分析 1. **A股行业调仓动向** - 主动加仓前三大行业：电信（+2.1pct）、银行（+0.7pct）、军工（+0.6pct）[27] - 主动减仓前三大行业：食品饮料（-1.3pct）、汽车（-1.1pct）、家电（-0.8pct）[27] 2. **热点板块持仓变化** - CPO板块持仓比例从4.14%升至6.00%，PCB板块从1.99%升至3.17%[34] - 港股中，恒生医疗保健持仓增加2.44pct至5.49%，恒生互联网科技持仓减少2.67pct至11.78%[37] 市场行为特征 - 多数行业呈现"上涨加仓、下跌减仓"趋势，但电子板块在涨幅不明显时仍获加仓[31] - 医疗保健和金属材料及矿业在上涨行情中被逆势减仓[31] （注：报告未包含量化模型/因子相关内容，故未输出对应模块）

根据提供的研报内容，以下是关于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**：社融自下而上预测框架 **模型构建思路**：从社融各子项的经济逻辑、高频数据、季节性特征等角度出发，分别预测各子项后汇总得到社融总量预测[8] **模型具体构建过程**： - **企业贷款+居民短贷**：以PMI与唐山钢厂产能利用率为自变量，对信贷大月和小月分别进行滚动回归预测[9] - **居民中长贷**：根据商品房销售代理指标与居民中长贷的三阶段特点进行预测[9] - **企业票据融资**：以转贴现利率为外生变量，使用5年窗口的滚动自回归预测 $$ \text{票据融资} = f(\text{转贴现利率}) $$ - **政府债券**：通过调整高频发行到期数据的口径（将月末新发债券计入下月）[9] - **企业债券**：使用5年窗口的滚动回归重新配权以降低口径差异[9] - **外币贷款**：采用过去3个月均值作为预测[9] - **信托贷款**：跟踪集合信托及单一信托的发行到期披露数据近似预测[9] - **委托贷款**：使用过去12个月均值预测，基建相关增量额外判断[9] - **未贴现银行承兑汇票**：采用过去三年同期平均值估计（因高频数据停更）[9] - **非金融企业股票融资**：扣除金融企业部分后汇总股权融资数据[9] - **贷款核销**：直接采用去年同期值[9] - **存款类金融机构ABS**：改用信贷ABS净融资高频跟踪（2023年12月起）[9] **模型评价**：该框架通过细分逻辑刻画细节，能够同时预测总量和结构信息，历史表现较为准确[8] 2. **衍生模型**：社融TTM环比与存量同比增速模型 **构建思路**：基于社融预测结果计算滚动12个月总和（TTM）及同比增速[9] **具体构建过程**： $$ \text{社融TTM环比} = \frac{\text{最新TTM值}}{\text{前一期TTM值}} - 1 $$ $$ \text{社融存量同比} = \frac{\text{当期存量}}{\text{去年同期存量}} - 1 $$ 模型的回测效果 1. **社融自下而上预测框架**： - 2025年7月预测新增社融1.53万亿元（实际待公布），同比多增0.76万亿元[9] - 社融TTM环比预测2.05%，存量同比增速预测9.11%[9] - 历史预测误差（示例）：2025年6月预测值42157亿元 vs 实际值41993亿元（偏差0.39%）[18] 2. **子项预测效果**： - **政府债券**：7月预测净融资1.18万亿元（同比+0.49万亿元），高频跟踪显示发行节奏延续[9][10] - **企业债券**：7月预测净融资0.39万亿元（同比+0.19万亿元），高频数据支持增长[9][10] - **人民币贷款**：7月预测新增362亿元（结构较弱，企业贷款+居民短贷减少0.51万亿元）[18] 关键因子说明 1. **因子名称**：PMI-信贷关联因子 **构建思路**：捕捉制造业PMI对企业信贷需求的领先关系[9] **具体构建**：在滚动回归中作为企业贷款预测的自变量 2. **因子名称**：商品房销售-居民中长贷因子 **构建思路**：利用商品房销售数据与居民中长贷的滞后相关性[9] **具体构建**：分三阶段（领先、同步、滞后）映射销售数据至贷款增量 3. **因子名称**：转贴现利率-票据融资因子 **构建思路**：利率下行时银行票据贴现意愿增强[9] **具体构建**：通过负相关关系建模 $$ \text{票据融资量} = \alpha - \beta \times \text{转贴现利率} $$ 因子回测效果 1. **PMI-信贷关联因子**：7月PMI 49.3%回落，对应企业贷款预测减少[10] 2. **商品房销售-居民中长贷因子**：7月大中城市新房销售同比环比均降，预测居民中长贷仅新增47亿元[10][18] 3. **转贴现利率-票据融资因子**：7月末利率大幅下行，预测票据融资新增5444亿元[10][18] （注：报告中未明确提及因子的独立测试指标如IC或IR，故未列出）