量化模型与构建方式 1. 模型名称：招商证券全球大类资产配置策略指数（GARRI） - **模型构建思路**：通过动量趋势跟踪方法对全球范围内的权益、债券和商品类资产进行轮动配置，结合风险平价、波动率控制以及止盈止损机制控制组合波动水平，提供长期稳健的资产配置方案[3][10][11] - **模型具体构建过程**： 1. **资产池构建**：涵盖4种股票指数（沪深300、中证500、纳斯达克100、标普500）、4种债券（中美5年期国债期货、中美10年期国债期货）、贵金属（黄金期货）和4种商品（原油、豆粕、沪铜、螺纹钢期货），共13个子组合[3][11][16] 2. **动量筛选**：每个成分调整日计算各子组合对应的动量因子，基于2种动量指标打分，选出动量信号排名靠前的子组合作为入选标的[11][12] 3. **权重优化**：依据风险平价理论调整各子组合初始持仓权重，通过比较组合历史波动率与策略目标波动率得到权重调整比例系数，将不足100%权重转移至货币资产；分别计算过去20、60、120交易日为区间的持仓权重，取平均值作为目标权重[11][13] 4. **动态调整**：每个交易日若某子组合收益贡献超过期初策略价值水平的1%，则在t+1收盘时将该子组合仓位转移到货币资产[13] 5. **异常处理**：针对市场中断、对冲干扰、子组合异常和价格异常等事件，采取暂停计算、推迟发布或修正持仓等处理方式[13][15] 2. 模型名称：招商证券境内大类资产配置策略指数2.0（CARRI2） - **模型构建思路**：通过动量趋势跟踪方法对中国境内权益、债券和商品类资产进行轮动配置，结合风险平价、波动率控制以及止盈止损机制控制组合波动水平，提供长期稳健的资产配置方案[3][10][11] - **模型具体构建过程**： 1. **资产池构建**：涵盖3种股票指数（中证500、中证1000、红利指数）、2种债券（5年期国债现货、10年期国债现货）、贵金属（黄金期货）和4种商品（原油、豆粕、沪铜、螺纹钢期货），共10个子组合[3][11][28] 2. **动量筛选**：每个成分调整日计算各子组合对应的动量因子，基于6种动量指标打分，选出动量信号排名靠前的子组合作为入选标的[11][12] 3. **权重优化**：依据风险平价理论调整各子组合初始持仓权重，通过比较组合历史波动率与策略目标波动率得到权重调整比例系数，将不足100%权重转移至货币资产；分别计算过去20、60、120交易日为区间的持仓权重，取平均值作为目标权重[11][13] 4. **动态调整**：每个交易日若某子组合收益贡献超过期初策略价值水平的1%，则在t+1收盘时将该子组合仓位转移到货币资产[13] 5. **异常处理**：针对市场中断、对冲干扰、子组合异常和价格异常等事件，采取暂停计算、推迟发布或修正持仓等处理方式[13][15] 模型的回测效果 1. GARRI模型 - 年化收益率：7.76%[3][42] - 年化波动率：4.05%[3][42] - 最大回撤：5.46%[3][42] - 收益回撤比：1.42[3][42] - 月度胜率：68%[3][42] 2. CARRI2模型 - 年化收益率：7.42%[3][55] - 年化波动率：4.62%[3][55] - 最大回撤：5.66%[3][55] - 收益回撤比：1.31[3][55] - 月度胜率：64%[3][51] 量化因子与构建方式 1. 因子名称：动量因子（GARRI） - **因子构建思路**：基于价格动量指标筛选表现优异的资产[11][12] - **因子具体构建过程**：每个成分调整日计算各子组合对应的动量因子，基于2种动量指标打分，选出动量信号排名靠前的子组合[11][12] 2. 因子名称：动量因子（CARRI2） - **因子构建思路**：基于价格动量指标筛选表现优异的资产[11][12] - **因子具体构建过程**：每个成分调整日计算各子组合对应的动量因子，基于6种动量指标打分，选出动量信号排名靠前的子组合[11][12] 因子的回测效果 1. 动量因子（GARRI） - 无动量择时组合年化收益率：5.85%[45] - 无动量择时组合年化波动率：5.01%[45] - 无动量择时组合最大回撤：7.89%[45] - 无动量择时组合收益回撤比：0.74[45] 2. 动量因子（CARRI2） - 无动量择时组合年化收益率：5.07%[59] - 无动量择时组合年化波动率：4.96%[59] - 无动量择时组合最大回撤：10.92%[59] - 无动量择时组合收益回撤比：0.46[59]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：四轮驱动行业轮动模型**[2][8][17] * **模型构建思路：** 该模型通过综合多个维度的信号，进行行业轮动配置，以捕捉不同行业的投资机会[2][8][17] * **模型具体构建过程：** 模型生成的信号包括“多头信号（潜在机会）”和“赚钱效应异动（潜在机会）”等，并会标注行业是否处于“拥挤”状态。模型最终会给出一个行业排序列表，作为行业配置的建议[17] 模型的回测效果 1. **四轮驱动行业轮动模型**[17] * 行业排序：有色金属 (1), 传媒 (2), 商贸零售 (3), 农林牧渔 (4), 机械设备 (6), 电力设备 (7), 计算机 (8), 汽车 (9)[17] * 信号类型：有色金属-多头信号(潜在机会); 传媒-赚钱效应异动(潜在机会); 商贸零售-赚钱效应异动(潜在机会); 农林牧渔-赚钱效应异动(潜在机会)[17] * 拥挤度：商贸零售 (否-0), 农林牧渔 (否-0), 机械设备 (否-0)[17] * 过去1年夏普比率排序：农林牧渔 (18), 汽车 (8)[17]

量化模型与构建方式 1. 风向标定价模型 **模型名称**：风向标定价模型 **模型构建思路**：通过二次曲线拟合转股价值与转债价格之间的关系，以转股价值为100的转债理论价格作为转债市场估值标准[14] **模型具体构建过程**： 1. 剔除转股价值在200以上的高价转债以避免对拟合结果的影响[15] 2. 使用二次曲线拟合转股价值与转债价格的关系，函数形式为： $$P(S) = aS^2 + bS + c$$ 其中P(S)表示转股价值为S时的理论转债价格，a、b、c为拟合参数[8][14] 3. 计算转股价值为100时的理论价格作为风向标估值指数[14] 2. 估值动量因子 **因子名称**：估值动量因子 **因子构建思路**：通过计算当前估值与五日均值的差异来捕捉估值趋势性变化，识别资金流入流出转债市场的信号[23][25] **因子具体构建过程**： 1. 计算风向标估值的5日移动平均值MA5[37] 2. 计算带缓冲的均线值：MA5_buf = MA5 × (1 + 0.0005)[37] 3. 计算估值动量：Mom = value - MA5_buf[4][37] 4. 动量信号判断：Mom > 0时为正向动量信号，Mom ≤ 0时为动量不足信号[37] **因子评价**：该因子能够有效识别估值趋势性上升时期，在这些时期转债市场容易走强，且正股表现较好[25][28][29] 3. 估值分位点因子 **因子名称**：估值分位点因子 **因子构建思路**：通过计算当前估值在最近一年内的分位点水平来判断估值相对高低程度[17][19] **因子具体构建过程**： 1. 使用滚动250个交易日的估值数据[17] 2. 计算当前估值在最近一年估值序列中的分位点位置[19] 3. 将分位点分为5组：Q1(0-0.2)、Q2(0.2-0.4)、Q3(0.4-0.6)、Q4(0.6-0.8)、Q5(0.8-1)[19] 4. 复合择时模型 **模型名称**：高估值区间择时模型 **模型构建思路**：结合估值分位点和估值动量两个维度，在高估值区间不做择时以降低换手率，在配置区间跟随估值动量[43][50] **模型具体构建过程**： 1. 当估值分位点位于80%分位点以上时（高位区），信号为1，维持高仓位不做择时[4][50] 2. 当估值分位点低于80%分位点时（配置区）： - 估值动量Mom > 0时，信号为1，做多/加仓[37][50] - 估值动量Mom ≤ 0时，信号为0，观望/减仓[37][50] **模型评价**：该模型解决了单独使用估值动量因子换手过高的问题，在高估值区间放弃择时降低了换手率，提升了实操可行性[50][51] 5. 低溢价率策略 **策略名称**：低溢价率策略 **策略构建思路**：选取转债溢价率最低的20%转债，构建偏股型进攻性转债策略[61] **策略具体构建过程**： 1. 计算所有转债的溢价率指标 2. 选择溢价率最低的20%转债作为投资组合[61] 3. 根据择时信号进行调仓：取得信号后第二天开盘时点买入或卖出转债[61] 6. 双低策略 **策略名称**：双低策略 **策略构建思路**：选取转债溢价率与价格之和最低的20%转债，构建平衡型转债策略[68] **策略具体构建过程**： 1. 计算所有转债的溢价率与价格之和（双低值） 2. 选择双低值最低的20%转债作为投资组合[68] 3. 根据择时信号进行调仓：取得信号后第二天开盘时点买入或卖出转债[68] 模型的回测效果 1. 低溢价率策略（基准） 年化收益：17.31%[56] 最大回撤：36.17%[56] 年化波动率：22.18%[56] 胜率：52.25%[56] 卡尔玛比率：0.48[56] 夏普比率：0.79[56] 2. 低溢价率策略（择时） 年化收益：21.13%[57] 最大回撤：19.69%[57] 年化波动率：17.85%[57] 胜率：47.20%[57] 卡尔玛比率：1.07[57] 夏普比率：1.11[57] 3. 双低策略（基准） 年化收益：15.08%[65] 最大回撤：15.09%[65] 年化波动率：14.05%[65] 胜率：52.83%[65] 卡尔玛比率：1.00[65] 夏普比率：0.99[65] 4. 双低策略（择时） 年化收益：18.29%[66] 最大回撤：6.74%[66] 年化波动率：11.32%[66] 胜率：48.10%[66] 卡尔玛比率：2.72[66] 夏普比率：1.45[66] 因子的回测效果 1. 估值分位点因子（未来一天收益） Q1分组：平均收益0.030%，收益>0概率50.7%[21] Q2分组：平均收益0.050%，收益>0概率55.1%[21] Q3分组：平均收益0.000%，收益>0概率50.2%[21] Q4分组：平均收益0.010%，收益>0概率53.3%[21] Q5分组：平均收益0.050%，收益>0概率54.2%[21] 2. 估值分位点因子（未来一周收益） Q1分组：平均收益0.17%[19] Q2分组：平均收益0.32%[19] Q3分组：平均收益0.16%[19] Q4分组：平均收益-0.13%[19] Q5分组：平均收益0.19%[19] 3. 估值分位点因子（未来一年收益） Q1分组：平均收益12.57%，收益>0概率90.4%[20] Q2分组：平均收益9.21%，收益>0概率86.1%[20] Q3分组：平均收益5.35%，收益>0概率69.5%[20] Q4分组：平均收益2.52%，收益>0概率51.7%[20] Q5分组：平均收益2.21%，收益>0概率57.0%[20] 4. 估值动量因子（未来一天收益） Q1分组：平均收益-0.05%，收益>0概率45.02%[24] Q2分组：平均收益0.00%，收益>0概率51.90%[24] Q3分组：平均收益0.01%，收益>0概率51.90%[24] Q4分组：平均收益0.04%，收益>0概率50.24%[24] Q5分组：平均收益0.14%，收益>0概率62.00%[24] 5. 估值动量因子（未来一年收益） Q1分组：平均收益5.67%，收益>0概率64.86%[24] Q2分组：平均收益6.53%，收益>0概率74.47%[24] Q3分组：平均收益5.78%，收益>0概率72.44%[24] Q4分组：平均收益5.08%，收益>0概率68.68%[24] Q5分组：平均收益3.83%，收益>0概率58.10%[24] 6. 交叉分组因子（估值分位点×估值动量） Q5分组且因子>0：平均收益0.04%[44][49] Q5分组且因子≤0：平均收益0.06%[44][49]

量化模型与构建方式 国信金工指数增强模型 1. **模型名称**：国信金工指数增强模型[11][12] **模型构建思路**：以多因子选股为主体，分别构建对标不同基准指数的增强组合，力求稳定战胜基准[11][12] **模型具体构建过程**：构建流程主要包括收益预测、风险控制和组合优化三块[12] 具体优化模型如下： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ 其中，f为因子取值向量，w为待求解的股票权重向量，wb为基准指数成分股权重向量 X为风格因子暴露矩阵，H为行业暴露矩阵，Bb为成分股标识向量 sl, sh为风格暴露上下限，hl, hh为行业偏离上下限，wl, wh为个股权重偏离上下限，bl, bh为成分股内权重占比上下限[39][40] 单因子MFE组合模型 1. **模型名称**：最大化单因子暴露组合（MFE组合）[15][39] **模型构建思路**：采用组合优化的方式来检验控制了各种实际约束后单因子的有效性，目标是在满足实际约束条件下最大化单因子暴露[39] **模型具体构建过程**：采用与指数增强模型相同的优化框架，但目标函数修改为最大化单因子暴露fTw 具体构建过程为：1) 设定约束条件，如控制行业暴露为0、市值风格暴露为0、个股权重最大偏离1%等[43] 2) 在每个月末，根据约束条件构建每个单因子的MFE组合[43] 3) 在回测期内根据各期MFE组合换仓，计算历史收益并按双边0.3%扣除交易费用[43] 公募重仓指数模型 1. **模型名称**：公募重仓指数[41][42] **模型构建思路**：以公募基金的持股信息构建一个指数，用于测试因子在“机构风格”下的有效性[41] **模型具体构建过程**：选样空间为普通股票型基金和偏股混合型基金，剔除规模小于五千万且上市不足半年的基金[42] 通过基金定期报告获取持股信息，将符合条件基金的持仓股票权重平均后，选取累计权重达到90%的股票作为成分股来构建指数[42] 量化因子与构建方式 估值类因子 1. **因子名称**：BP[17] **因子构建思路**：市净率的倒数，衡量估值水平[17] **因子具体构建过程**：净资产/总市值[17] 1. **因子名称**：单季EP[17] **因子构建思路**：衡量单季度的盈利估值水平[17] **因子具体构建过程**：单季度归母净利润/总市值[17] 1. **因子名称**：单季SP[17] **因子构建思路**：衡量单季度的收入估值水平[17] **因子具体构建过程**：单季度营业收入/总市值[17] 1. **因子名称**：EPTTM[17] **因子构建思路**：衡量滚动市盈率的倒数[17] **因子具体构建过程**：归母净利润TTM/总市值[17] 1. **因子名称**：SPTTM[17] **因子构建思路**：衡量市销率的倒数[17] **因子具体构建过程**：营业收入TTM/总市值[17] 1. **因子名称**：EPTTM分位点[17] **因子构建思路**：衡量估值在历史中的相对位置[17] **因子具体构建过程**：EPTTM在过去一年中的分位点[17] 1. **因子名称**：股息率[17] **因子构建思路**：衡量分红收益水平[17] **因子具体构建过程**：最近四个季度预案分红金额/总市值[17] 反转类因子 1. **因子名称**：一个月反转[17] **因子构建思路**：衡量短期反转效应[17] **因子具体构建过程**：过去20个交易日涨跌幅[17] 1. **因子名称**：三个月反转[17] **因子构建思路**：衡量中期反转效应[17] **因子具体构建过程**：过去60个交易日涨跌幅[17] 1. **因子名称**：一年动量[17] **因子构建思路**：衡量长期动量效应[17] **因子具体构建过程**：近一年除近一月后动量[17] 成长类因子 1. **因子名称**：单季净利同比增速[17] **因子构建思路**：衡量单季度净利润增长情况[17] **因子具体构建过程**：单季度净利润同比增长率[17] 1. **因子名称**：单季营收同比增速[17] **因子构建思路**：衡量单季度营业收入增长情况[17] **因子具体构建过程**：单季度营业收入同比增长率[17] 1. **因子名称**：单季营利同比增速[17] **因子构建思路**：衡量单季度营业利润增长情况[17] **因子具体构建过程**：单季度营业利润同比增长率[17] 1. **因子名称**：SUE[17] **因子构建思路**：衡量盈利超预期程度[17] **因子具体构建过程**：（单季度实际净利润-预期净利润）/预期净利润标准差[17] 1. **因子名称**：SUR[17] **因子构建思路**：衡量收入超预期程度[17] **因子具体构建过程**：（单季度实际营业收入-预期营业收入）/预期营业收入标准差[17] 1. **因子名称**：单季超预期幅度[17] **因子构建思路**：衡量盈利超预期幅度[17] **因子具体构建过程**：预期单季度净利润/财报单季度净利润[17] 盈利类因子 1. **因子名称**：单季ROE[17] **因子构建思路**：衡量单季度净资产收益率[17] **因子具体构建过程**：单季度归母净利润*2/（期初归母净资产+期末归母净资产）[17] 1. **因子名称**：单季ROA[17] **因子构建思路**：衡量单季度总资产收益率[17] **因子具体构建过程**：单季度归母净利润*2/（期初归母总资产+期末归母总资产）[17] 1. **因子名称**：DELTAROE[17] **因子构建思路**：衡量净资产收益率的变化[17] **因子具体构建过程**：单季度净资产收益率-去年同期单季度净资产收益率[17] 1. **因子名称**：DELTAROA[17] **因子构建思路**：衡量总资产收益率的变化[17] **因子具体构建过程**：单季度总资产收益率-去年同期单季度总资产收益率[17] 流动性类因子 1. **因子名称**：非流动性冲击[17] **因子构建思路**：衡量价格冲击成本[17] **因子具体构建过程**：过去20个交易日的日涨跌幅绝对值/成交额的均值[17] 1. **因子名称**：一个月换手[17] **因子构建思路**：衡量短期换手率水平[17] **因子具体构建过程**：过去20个交易日换手率均值[17] 1. **因子名称**：三个月换手[17] **因子构建思路**：衡量中期换手率水平[17] **因子具体构建过程**：过去60个交易日换手率均值[17] 波动类因子 1. **因子名称**：特异度[17] **因子构建思路**：衡量特异性风险[17] **因子具体构建过程**：1-过去20个交易日Fama-French三因子回归的拟合度[17] 1. **因子名称**：一个月波动[17] **因子构建思路**：衡量短期波动率[17] **因子具体构建过程**：过去20个交易日日内真实波幅均值[17] 1. **因子名称**：三个月波动[17] **因子构建思路**：衡量中期波动率[17] **因子具体构建过程**：过去60个交易日日内真实波幅均值[17] 公司治理类因子 1. **因子名称**：高管薪酬[17] **因子构建思路**：衡量公司治理水平[17] **因子具体构建过程**：前三高管报酬总额取对数[17] 分析师类因子 1. **因子名称**：预期EPTTM[17] **因子构建思路**：衡量一致预期滚动EP[17] **因子具体构建过程**：一致预期滚动EP[17] 1. **因子名称**：预期BP[17] **因子构建思路**：衡量一致预期滚动PB[17] **因子具体构建过程**：一致预期滚动PB[17] 1. **因子名称**：预期PEG[17] **因子构建思路**：衡量成长估值指标[17] **因子具体构建过程**：一致预期PEG[17] 1. **因子名称**：预期净利润环比[17] **因子构建思路**：衡量预期净利润变化[17] **因子具体构建过程**：一致预期净利润/3个月前一致预期净利润[17] 1. **因子名称**：三个月盈利上下调[17] **因子构建思路**：衡量分析师盈利预测调整[17] **因子具体构建过程**：过去3个月内分析师（上调家数-下调家数）/总家数[17] 1. **因子名称**：三个月机构覆盖[17] **因子构建思路**：衡量机构关注度[17] **因子具体构建过程**：过去3个月内机构覆盖数量[17] 1. **因子名称**：标准化预期外收入[17] **因子构建思路**：衡量收入超预期程度[17] **因子具体构建过程**：未明确给出计算公式，但参考SUE构建思路[17] 1. **因子名称**：标准化预期外盈利[17] **因子构建思路**：衡量盈利超预期程度[17] **因子具体构建过程**：未明确给出计算公式，但参考SUE构建思路[17] 模型的回测效果 1. **国信金工指数增强模型（沪深300）**，本周超额收益-0.65%，本年超额收益16.53%[5][14] 1. **国信金工指数增强模型（中证500）**，本周超额收益-0.37%，本年超额收益8.50%[5] 1. **国信金工指数增强模型（中证1000）**，本周超额收益-0.53%，本年超额收益16.52%[5] 1. **国信金工指数增强模型（中证A500）**，本周超额收益0.02%，本年超额收益9.22%[5] 因子的回测效果 沪深300样本空间 1. **一年动量因子**，最近一周0.67%，最近一月3.06%，今年以来1.10%，历史年化2.70%[19] 1. **单季营收同比增速因子**，最近一周0.66%，最近一月4.36%，今年以来16.54%，历史年化4.93%[19] 1. **三个月机构覆盖因子**，最近一周0.60%，最近一月1.96%，今年以来10.01%，历史年化3.10%[19] 1. **三个月盈利上下调因子**，最近一周0.37%，最近一月2.44%，今年以来7.80%，历史年化5.56%[19] 1. **一个月波动因子**，最近一周0.31%，最近一月-2.20%，今年以来-4.22%，历史年化0.43%[19] 1. **DELTAROA因子**，最近一周0.30%，最近一月2.29%，今年以来11.40%，历史年化4.81%[19] 1. **单季ROE因子**，最近一周0.26%，最近一月4.08%，今年以来14.71%，历史年化4.83%[19] 1. **单季净利同比增速因子**，最近一周0.21%，最近一月2.73%，今年以来12.35%，历史年化4.00%[19] 1. **三个月波动因子**，最近一周0.21%，最近一月-3.17%，今年以来-5.43%，历史年化1.34%[19] 1. **预期净利润环比因子**，最近一周0.20%，最近一月1.74%，今年以来4.12%，历史年化1.86%[19] 1. **单季ROA因子**，最近一周0.17%，最近一月2.14%，今年以来11.36%，历史年化3.88%[19] 1. **标准化预期外盈利因子**，最近一周0.17%，最近一月1.86%，今年以来10.98%，历史年化4.46%[19] 1. **股息率因子**，最近一周0.17%，最近一月-1.43%，今年以来0.00%，历史年化3.55%[19] 1. **特异度因子**，最近一周0.10%，最近一月-1.39%，今年以来0.65%，历史年化0.19%[19] 1. **高管薪酬因子**，最近一周0.10%，最近一月-0.70%，今年以来3.65%，历史年化3.21%[19] 1. **非流动性冲击因子**，最近一周0.08%，最近一月-1.09%，今年以来-2.50%，历史年化0.23%[19] 1. **单季超预期幅度因子**，最近一周0.02%，最近一月1.49%，今年以来7.65%，历史年化3.98%[19] 1. **DELTAROE因子**，最近一周0.01%，最近一月2.22%，今年以来12.47%，历史年化4.47%[19] 1. **标准化预期外收入因子**，最近一周-0.08%，最近一月1.08%，今年以来9.09%，历史年化4.84%[19] 1. **预期PEG因子**，最近一周-0.13%，最近一月1.76%，今年以来9.69%，历史年化3.72%[19] 1. **预期BP因子**，最近一周-0.16%，最近一月-4.00%，今年以来-2.87%，历史年化2.81%[19] 1. **EPTTM一年分位点因子**，最近一周-0.20%，最近一月-1.74%，今年以来3.96%，历史年化2.57%[19] 1. **SPTTM因子**，最近一周-0.20%，最近一月-3.13%，今年以来-4.10%，历史年化1.78%[19] 1. **单季营利同比增速因子**，最近一周-0.26%，最近一月1.06%，今年以来11.07%，历史年化3.64%[19] 1. **预期EPTTM因子**，最近一周-0.28%，最近一月-1.79%，今年以来2.73%，历史年化3.72%[19] 1. **单季EP因子**，最近一周-0.32%，最近一月-1.97%，今年以来3.42%，历史年化5.08%[19] 1. **三个月反转因子**，最近一周-0.33%，最近一月-2.14%，今年以来1.02%，历史年化0.79%[19] 1. **一个月反转因子**，最近一周-0.41%，最近一月-3.00%，今年以来0.00%，历史年化-0.27%[19] 1. **BP因子**，最近一周-0.47%，最近一月-3.83%，今年以来-4.11%，历史年化2.32%[19] 1. **EPTTM因子**，最近一周-0.48%，最近一月-2.04%，今年以来1.80%，历史年化4.13%[19] 1. **单季SP因子**，最近一周-0.63%，最近一月-3.59%，今年以来-3.10%，历史年化2.61%[19] 1. **三个月换手因子**，最近一周-0.64%，最近一月-2.98%，今年以来-5.56%，历史年化2.27%[19] 1. **一个月换手因子**，最近一周-0.69%，最近一月-2.90%，今年以来-6.12%，历史年化1.16%[19] 中证500样本空间 1. **高管薪酬因子**，最近一周1.13%，最近一月2.06%，今年以来9.78%，历史年化2.82%[21] 1. **标准化预期外收入因子**，最近一周1.07%，最近一月1.94%，今年以来10.83%，历史年化6.60%[21] 1. **单季营收同比增速因子**，最近一周1.05%，最近一月2.95%，今年以来13.28%，历史年化3.70%[21] 1. **单季SP因子**，最近一周0.99%，最近一月1.01%，今年以来-1.98%，历史年化4.21%[21] 1. **一年动量因子**，最近一周0.92%，最近一月0.21%，今年以来6.42%，历史年化3.07%[21] 1. **SPTTM因子**，最近一周0.76%，最近一月0.19%，今年以来-2.52%，历史年化2.69%[21] 1. **三个月机构覆盖因子**，最近一周0.66%，最近一月0.06%，今年以来3.69%，历史

量化模型与构建方式 1 PB-ROE-50 组合模型 - 模型名称：PB-ROE-50 组合[23] - 模型构建思路：基于市净率（PB）和净资产收益率（ROE）构建选股组合，旨在捕捉估值与盈利质量兼具的股票[23] - 模型具体构建过程：从股票池中选取市净率较低、净资产收益率较高的股票，具体构建方式未详细说明，但组合名称暗示可能选取50只股票[23] 2 机构调研组合模型 - 模型名称：公募调研选股策略[25] - 模型构建思路：基于公募基金调研活动构建选股策略，认为机构调研行为蕴含未来超额收益信息[25] - 模型具体构建过程：未详细说明构建过程，但基于公募基金调研数据构建组合[25] - 模型名称：私募调研跟踪策略[25] - 模型构建思路：基于私募基金调研活动构建选股策略，跟踪私募调研行为挖掘投资机会[25] - 模型具体构建过程：未详细说明构建过程，但基于私募基金调研数据构建组合[25] 3 大宗交易组合模型 - 模型名称：大宗交易组合[29] - 模型构建思路：基于大宗交易数据构建选股策略，遵循"高成交、低波动"原则[29] - 模型具体构建过程：通过月频调仓方式，选择"大宗交易成交金额比率"越高、"6日成交金额波动率"越低的股票构建组合[29] 4 定向增发组合模型 - 模型名称：定向增发组合[34] - 模型构建思路：基于定向增发事件构建事件驱动选股策略[34] - 模型具体构建过程：以股东大会公告日为时间节点，综合考虑市值因素、调仓周期以及对仓位的控制构建组合[34] 模型的回测效果 1 PB-ROE-50 组合表现[24] - 中证500股票池：本周超越基准收益率1.04%，今年以来超额收益率4.08%，本周绝对收益率1.36%，今年以来绝对收益率30.34% - 中证800股票池：本周超越基准收益率-0.28%，今年以来超额收益率15.83%，本周绝对收益率-0.52%，今年以来绝对收益率35.71% - 全市场股票池：本周超越基准收益率-0.03%，今年以来超额收益率22.27%，本周绝对收益率-0.21%，今年以来绝对收益率47.96% 2 机构调研组合表现[26] - 公募调研选股：本周超越基准收益率2.22%，今年以来超额收益率10.50%，本周绝对收益率1.97%，今年以来绝对收益率29.47% - 私募调研跟踪：本周超越基准收益率1.51%，今年以来超额收益率13.72%，本周绝对收益率1.27%，今年以来绝对收益率33.23% 3 大宗交易组合表现[30] - 大宗交易组合：本周超越基准收益率-0.98%，今年以来超额收益率32.84%，本周绝对收益率-1.16%，今年以来绝对收益率60.76% 4 定向增发组合表现[35] - 定向增发组合：本周超越基准收益率-0.21%，今年以来超额收益率-0.63%，本周绝对收益率-0.38%，今年以来绝对收益率20.26% 量化因子与构建方式 1 基本面因子 - 因子名称：总资产增长率[12] - 因子构建思路：衡量公司资产规模增长能力的指标 - 因子具体构建过程：未详细说明计算公式 - 因子名称：总资产毛利率TTM[12] - 因子构建思路：衡量公司资产盈利能力的指标 - 因子具体构建过程：未详细说明计算公式 - 因子名称：单季度总资产毛利率[12] - 因子构建思路：衡量公司单季度资产盈利能力的指标 - 因子具体构建过程：未详细说明计算公式 - 因子名称：ROE稳定性[14] - 因子构建思路：衡量公司净资产收益率稳定性的指标 - 因子具体构建过程：未详细说明计算公式 - 因子名称：ROA稳定性[16] - 因子构建思路：衡量公司总资产收益率稳定性的指标 - 因子具体构建过程：未详细说明计算公式 2 估值因子 - 因子名称：市盈率TTM倒数[12] - 因子构建思路：市盈率的倒数，衡量估值水平的指标 - 因子具体构建过程：未详细说明计算公式 - 因子名称：市净率因子[12] - 因子构建思路：衡量公司市净率水平的指标 - 因子具体构建过程：未详细说明计算公式 - 因子名称：BP因子[21] - 因子构建思路：账面市值比因子，衡量估值水平 - 因子具体构建过程：未详细说明计算公式 - 因子名称：EP因子[21] - 因子构建思路：盈利价格比因子，衡量估值水平 - 因子具体构建过程：未详细说明计算公式 3 技术因子 - 因子名称：动量弹簧因子[12] - 因子构建思路：衡量价格动量特征的指标 - 因子具体构建过程：未详细说明计算公式 - 因子名称：5日反转[12] - 因子构建思路：衡量短期价格反转效应的指标 - 因子具体构建过程：未详细说明计算公式 - 因子名称：成交量的5日指数移动平均[12] - 因子构建思路：衡量成交量平滑变化的指标 - 因子具体构建过程：未详细说明计算公式 - 因子名称：5日成交量的标准差[14] - 因子构建思路：衡量成交量波动性的指标 - 因子具体构建过程：未详细说明计算公式 4 资金流因子 - 因子名称：大单净流入[16] - 因子构建思路：衡量大单资金流向的指标 - 因子具体构建过程：未详细说明计算公式 - 因子名称：小单净流入[12] - 因子构建思路：衡量小单资金流向的指标 - 因子具体构建过程：未详细说明计算公式 5 波动性因子 - 因子名称：残差波动率因子[21] - 因子构建思路：衡量股票残差波动率的指标 - 因子具体构建过程：未详细说明计算公式 - 因子名称：流动性因子[21] - 因子构建思路：衡量股票流动性的指标 - 因子具体构建过程：未详细说明计算公式 因子的回测效果 1 沪深300股票池因子表现[13] - 总资产增长率：最近1周2.41%，最近1个月8.72%，最近1年35.74%，最近10年5.91% - 总资产毛利率TTM：最近1周2.02%，最近1个月4.87%，最近1年21.22%，最近10年-6.28% - 单季度总资产毛利率：最近1周1.34%，最近1个月6.78%，最近1年14.58%，最近10年11.55% - 对数市值因子：最近1周1.18%，最近1个月-0.65%，最近10年13.62% - 单季度ROA：最近1周1.05%，最近1个月7.70%，最近1年19.71%，最近10年17.10% - 市盈率TTM倒数：最近1周-1.90%，最近1个月-5.84%，最近1年-1.42%，最近10年50.79% - 市盈率因子：最近1周-1.44%，最近1个月-6.44%，最近1年-7.05%，最近10年10.01% - 成交量的5日指数移动平均：最近1周-1.33%，最近1个月0.70%，最近1年1.48%，最近10年6.02% 2 中证500股票池因子表现[15] - 总资产增长率：最近1周2.12%，最近1个月2.00%，最近1年21.41%，最近10年4.51% - 单季度营业收入同比增长率：最近1周1.73%，最近1个月3.09%，最近1年16.71%，最近10年37.81% - ROE稳定性：最近1周1.53%，最近1个月-2.50%，最近1年-9.80%，最近10年74.54% - 净利润断层：最近1周-1.87%，最近1个月-2.37%，最近1年-0.28%，最近10年79.26% - 5日成交量的标准差：最近1周-1.53%，最近1个月-2.98%，最近1年-12.96%，最近10年88.02% - 动量弹簧因子：最近1周-1.31%，最近1个月-2.05%，最近1年10.87%，最近10年16.09% 3 流动性1500股票池因子表现[17] - ROA稳定性：最近1周1.89%，最近1个月2.99%，最近1年-0.65%，最近10年69.49% - ROE稳定性：最近1周1.22%，最近1个月1.64%，最近1年-5.64%，最近10年60.49% - 大单净流入：最近1周1.18%，最近1个月3.04%，最近1年-4.52%，最近10年107.39% - 5日成交量的标准差：最近1周-1.93%，最近1个月-0.98%，最近1年-2.46%，最近10年87.28% - 单季度净利润同比增长率：最近1周-1.42%，最近1个月0.73%，最近1年22.52%，最近10年75.31% - 单季度ROA同比：最近1周-1.36%，最近1个月3.07%，最近1年23.17%，最近10年89.17% 4 大类因子表现[18] - Beta因子：最近1周0.73% - 市值因子：最近1周0.58% - 成长因子：最近1周0.21% - 非线性市值因子：最近1周0.21% - 杠杆因子：最近1周-0.25%

这篇研报主要跟踪了各类公募量化基金的业绩表现，并未涉及具体的量化模型或量化因子的构建、测试与评价。报告内容集中于基金产品的业绩统计，而非底层模型或因子[1][2][3][9][10]。 因此，根据您的要求，本次总结将跳过“量化模型与构建方式”、“模型的回测效果”、“量化因子与构建方式”及“因子的回测效果”等部分。

根据提供的研报内容，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**：该模型旨在对分析师推荐股票池进行基本面和技术面的双层优选，挑选出同时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. 构建分析师推荐股票池：以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. 对股票池中的股票进行基本面和技术面两个维度的精选[15] 3. 构建港股精选股票组合[15] - **模型评价**：该组合在回测区间20100101-20250630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**：用于衡量股票价格创新高的情况，基于研究发现股票价格在接近52周最高价时其未来收益显著更高的现象[21][23] - **因子具体构建过程**： 计算公式：$$250 日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$[23] 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 若最新收盘价创出新高，则250日新高距离为0；若最新收盘价较新高回落，则为正值，表示回落幅度[23] 3. 复合筛选条件：平稳创新高股票筛选体系 - **构建思路**：根据分析师关注度、股价相对强弱、股价路径平稳性、创新高连续性等角度筛选出平稳创新高股票[3][23] - **具体构建过程**： 1. 样本池：全部港股（剔除成立时间不超过15个月）[24] 2. 分析师关注度：过去6个月买入或增持评级的分析师研报不少于5份[24] 3. 股价相对强弱：过去250日涨跌幅位于样本池前20%[24] 4. 股价平稳性：使用两个指标综合打分，取排名在前50%的股票（最少取50只股票）[24] - 价格路径平滑性：股价位移路程比[24] - 创新高持续性：过去120日的250日新高距离在时间序列上的均值[24] 5. 趋势延续性：过去5日的250日新高距离在时间序列上的均值，取排序靠前的50只[24] 模型的回测效果 港股精选组合模型绩效表现[20] - 全样本期年化收益：19.11% - 相对恒生指数超额收益：18.48% - 信息比率(IR)：1.22 - 跟踪误差：14.55% - 收益回撤比：0.78 - 最大回撤：23.73% - 最大回撤起始日：20221025 - 最大回撤截止日：20230616 分年度绩效表现（2010-20250630）[20] 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 平稳创新高筛选体系近期表现[23][29] - 筛选出的平稳创新高股票涵盖多个板块，包括周期板块（12只）、医药板块（10只）、科技板块（9只）、消费板块（5只）和制造板块（4只） - 具体个股表现数据显示，筛选出的股票在过去250日涨跌幅表现优异，多数股票涨幅超过100%，部分甚至超过500%

量化模型与构建方式 1. 模型名称：优秀基金业绩增强组合[4][13][49]；模型构建思路：从对标宽基指数转变为对标主动股基，在借鉴优秀基金持仓的基础上，采用量化方法进行增强，以达到优中选优的目的[4][49]；模型具体构建过程：首先对基金进行优选，对收益类因子进行分层中性化处理以规避风格集中化问题，基于业绩分层视角构建优选基金组合[49]；然后根据其补全持仓构建优选基金持仓组合，该组合能较好地跟踪股基中位数走势[49]；最后以业绩分层视角下的优选基金持仓为选股空间和对标基准，采用组合优化的方法控制组合与优选基金持仓在个股偏离、行业偏离及风格上的偏离，构建最终的优秀基金业绩增强组合[50] 2. 模型名称：超预期精选组合[5][13][55]；模型构建思路：对超预期股票池进行基本面和技术面的双层优选，挑选出同时具备基本面支撑和技术面共振的超预期股票[5][55]；模型具体构建过程：以研报标题超预期与分析师全线上调净利润为条件筛选超预期事件股票池[5][55]；接着对超预期股票池中的股票进行基本面和技术面两个维度的精选[5][55] 3. 模型名称：券商金股业绩增强组合[6][13][60]；模型构建思路：以券商金股股票池为选股空间和约束基准，进行进一步精选以获得稳定战胜偏股混合型基金指数的表现[6][60]；模型具体构建过程：以券商金股股票池为选股空间和对标基准[6][60]；采用组合优化的方式控制组合与券商金股股票池在个股、风格上的偏离[6] 4. 模型名称：成长稳健组合[7][13][65]；模型构建思路：采用“先时序、后截面”的方式，构建成长股二维评价体系，旨在对成长股股票池超额收益释放的黄金期进行提前布局[7][38][65]；模型具体构建过程：以研报标题超预期及业绩大增为条件筛选成长股股票池[7][65]；根据距离正式财报预约披露日的间隔天数进行分档，优先选择距离财报预约披露日较近的股票[7][65]；当样本数量较多时，采用多因子打分精选优质个股[7]；构建100只股票等权组合[7]；引入了弱平衡机制、跃迁机制、缓冲机制和风险规避机制以降低组合换手、规避组合风险[65] 模型的回测效果 1. 优秀基金业绩增强组合，全样本年化收益（考虑仓位）20.31%[51]，全样本年化超额收益（相较偏股混合型基金指数）11.83%[51]，2025年（考虑仓位）绝对收益27.54%[2][16][23]，2025年超额收益（相对偏股混合型基金指数）-3.91%[2][16][23]，2025年在主动股基中排名分位点53.24%[2][16][23] 2. 超预期精选组合，全样本年化收益（考虑仓位）30.55%[56]，全样本年化超额收益（相较偏股混合型基金指数）24.68%[56]，2025年（考虑仓位）绝对收益45.51%[2][16][31]，2025年超额收益（相对偏股混合型基金指数）14.06%[2][16][31]，2025年在主动股基中排名分位点20.03%[2][16][31] 3. 券商金股业绩增强组合，全样本年化收益（考虑仓位）19.34%[61]，全样本年化超额收益（相较偏股混合型基金指数）14.38%[61]，2025年（考虑仓位）绝对收益33.97%[2][16][37]，2025年超额收益（相对偏股混合型基金指数）2.52%[2][16][37]，2025年在主动股基中排名分位点39.18%[2][16][37] 4. 成长稳健组合，全样本年化收益（考虑仓位）35.51%[66]，全样本年化超额收益（相较偏股混合型基金指数）26.88%[66]，2025年（考虑仓位）绝对收益51.45%[3][16][44]，2025年超额收益（相对偏股混合型基金指数）20.00%[3][16][44]，2025年在主动股基中排名分位点14.27%[3][16][44]

量化模型与构建方式 1. 行业拥挤度模型 - 模型名称：行业拥挤度模型[3][15] - 模型构建思路：通过衡量行业指数价格变动与成交金额变动之间的统计距离来识别短期市场拥挤状态[3][15] - 模型具体构建过程：使用行业指数最近一周价格和成交金额变动的马氏距离来衡量拥挤度。具体步骤为：首先计算各行业指数最近一周的价格变动率和成交金额变动率，然后计算这两个变量的马氏距离，公式为： $$D_M(x) = \sqrt{(x - \mu)^T \Sigma^{-1} (x - \mu)}$$ 其中$x$表示行业的价格变动和成交金额变动组成的二维向量，$\mu$表示所有行业该二维向量的均值向量，$\Sigma$表示所有行业该二维向量的协方差矩阵。最后，通过置信椭圆来识别异常值，椭圆之外表示价格与成交金额偏离度置信水平超过99%的行业[15][17] 量化因子与构建方式 1. 行业PE估值因子 - 因子名称：行业PE估值因子[13][15] - 因子构建思路：使用行业市盈率(PE)来衡量行业估值水平[13][15] - 因子具体构建过程：直接采用各行业指数的市盈率(PE)数据，计算各行业当前PE值及其历史分位数。PE分位数的计算以2019年作为统计起点，计算当前PE值在历史PE序列中的百分位位置[15][20] 2. 行业价格动量因子 - 因子名称：行业价格动量因子[11][12] - 因子构建思路：通过不同时间窗口的行业指数涨跌幅来衡量价格动量[11][12] - 因子具体构建过程：计算各行业指数在不同时间窗口(近1周、近1月、近3月、近6月、近1年、今年以来)的涨跌幅，公式为： $$R_t = \frac{P_t - P_{t-n}}{P_{t-n}} \times 100\%$$ 其中$P_t$表示当前时点行业指数价格，$P_{t-n}$表示n期前的行业指数价格[12] 模型的回测效果 1. 行业拥挤度模型 - 检测结果：上周汽车行业出现短期显著拥挤[16] 因子的回测效果 1. 行业PE估值因子 - 当前PE最高行业：计算机(93.08倍)、国防军工(85.19倍)、电子(70.07倍)[13] - 当前PE最低行业：银行(6.20倍)、建筑装饰(12.04倍)、非银金融(14.48倍)[13] - PE分位数最高行业：煤炭(100%)[15] - PE分位数99%行业：房地产、电子、机械设备、商贸零售、计算机[15] - PE分位数最低行业：食品饮料(15%)、农林牧渔(19%)、非银金融(31%)[15] 2. 行业价格动量因子 - 近1周涨幅前三行业：煤炭(3.51%)、电力设备(3.07%)、电子(2.96%)[11] - 今年以来涨幅前三行业：通信(64.09%)、有色金属(51.05%)、电子(44.29%)[12] - 近1年涨幅前三行业：通信(126.03%)、电子(112.57%)、传媒(83.18%)[12]

量化模型与构建方式 行业拥挤度监测模型 1. 模型名称：行业拥挤度监测模型[3] 2. 模型构建思路：通过多维度指标监测申万一级行业指数的拥挤程度，识别过热或过冷行业[3] 3. 模型具体构建过程：模型基于多个市场指标（如交易量、价格波动、资金流向等）构建综合拥挤度指标，每日对申万一级行业指数进行监测排名。具体计算过程未详细披露，但通过热力图形式展示近30个交易日的拥挤度变化[3][9] 4. 模型评价：能够有效识别行业拥挤状态变化，为行业轮动提供参考依据[3] 溢价率Z-score模型 1. 模型名称：溢价率Z-score模型[4] 2. 模型构建思路：通过统计套利方法识别ETF溢价率的异常波动，挖掘潜在套利机会[4] 3. 模型具体构建过程：计算ETF溢价率的Z-score统计量，公式为： $$Z = \frac{P_{溢价率} - \mu_{溢价率}}{\sigma_{溢价率}}$$ 其中$P_{溢价率}$为当前溢价率，$\mu_{溢价率}$为历史溢价率均值，$\sigma_{溢价率}$为历史溢价率标准差。通过滚动窗口计算Z-score值，当Z-score超过特定阈值时生成交易信号[4] 4. 模型评价：能够有效捕捉ETF定价偏差，但需警惕标的回调风险[4] 量化因子与构建方式 资金净流入因子 1. 因子名称：资金净流入因子[5] 2. 因子构建思路：通过监测各类ETF产品的资金流动情况，识别资金偏好方向[5] 3. 因子具体构建过程：每日计算各类ETF产品的资金净流入额，公式为： $$资金净流入 = 流入资金总额 - 流出资金总额$$ 按宽基ETF、行业主题ETF、风格策略ETF、跨境ETF四大类别分别统计，并筛选单日资金净流入TOP3和净流出TOP3产品[5] 主力资金净流动因子 1. 因子名称：主力资金净流动因子[11] 2. 因子构建思路：监测申万一级行业指数的主力资金流向变化[11] 3. 因子具体构建过程：计算各行业指数的主力资金净流入额，按T日、T-1日、T-2日分别统计，并汇总近3个交易日合计值。公式为： $$近3日主力净流入合计 = 主力净流入_T + 主力净流入_{T-1} + 主力净流入_{T-2}$$ 其中主力净流入额为正值表示资金流入，负值表示资金流出[11] 模型的回测效果 （报告中未提供具体的模型回测效果指标数据） 因子的回测效果 （报告中未提供具体的因子回测效果指标数据）