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）

量化模型与因子总结 量化模型与构建方式 1. **模型名称：平稳创新高股票筛选模型**[27][29] * **模型构建思路**：基于行为金融学理论，从已创新高的股票中进一步筛选出具有平稳动量特征的股票，这些股票被认为可能具有更强的动量效应和持续性[27] * **模型具体构建过程**：该模型是一个多步骤的筛选流程： 1. 初始股票池：过去20个交易日创出过250日新高的股票[19][27] 2. **分析师关注度筛选**：过去3个月内有不少于5份买入或增持评级的分析师研报[29] 3. **股价相对强弱筛选**：过去250日涨跌幅位于全市场前20%[29] 4. **综合打分筛选**：在满足上述条件的股票池内，使用以下两个指标进行综合打分，并取排名在前50%的股票[29]： * **价格路径平滑性（股价位移路程比）**：$$ \text{平滑性} = \frac{|\text{过去120日涨跌幅}|}{\sum|\text{过去120日日涨跌幅}|} $$[27] 该比值越高，表明价格路径越平滑，波动越小。 * **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[29] 5. **趋势延续性筛选**：对经过上述筛选的股票，计算其过去5日的250日新高距离在时间序列上的均值，并最终选取该指标排序最靠前的50只股票[29] 量化因子与构建方式 1. **因子名称：250日新高距离**[11] * **因子构建思路**：衡量当前股价相对于其过去250个交易日最高点的回落幅度，用于识别接近或创出新高的股票，这类股票被认为具有动量效应[11] * **因子具体构建过程**：对于单只股票，在时间点t，其250日新高距离的计算公式为： $$ \text{250日新高距离} = 1 - \frac{\text{Close}_t}{\text{ts\_max(Close, 250)}} $$[11] 其中，$\text{Close}_t$ 为股票在t日的最新收盘价，$\text{ts\_max(Close, 250)}$ 为股票在过去250个交易日收盘价的最大值。若最新收盘价创出新高，则该因子值为0；若股价从高点回落，则该因子为正值，表示回落的幅度[11] 模型的回测效果 （注：研报中未提供平稳创新高股票筛选模型的具体回测指标数值，如年化收益率、夏普比率、信息比率(IR)、最大回撤等，因此此部分省略。） 因子的回测效果 （注：研报中未提供250日新高距离因子的具体回测指标数值，如IC、ICIR、因子收益率、年化多空收益等，因此此部分省略。）

量化模型与构建方式 1. **模型名称**：250日新高距离模型[11] **模型构建思路**：通过计算当前价格与过去250日最高价的相对距离，来衡量股票或指数接近历史高点的程度，以此捕捉市场动量与趋势[11] **模型具体构建过程**：对于给定的标的（股票或指数），取其最新收盘价 `Closet` 和过去250个交易日收盘价的最大值 `ts_max(Close,250)`，按以下公式计算： $$250 日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$[11] 若最新收盘价创出新高，则结果为0；若价格回落，则结果为正值，表示回落幅度[11] 量化因子与构建方式 1. **因子名称**：平稳创新高股票筛选因子[27][29] **因子构建思路**：在创250日新高的股票池中，结合分析师关注度、股价相对强弱、趋势延续性、股价路径平稳性和创新高持续性等多个维度，筛选出价格路径更为平滑、趋势更可能持续的“平稳创新高”股票[27][29] **因子具体构建过程**：筛选过程分为多个步骤： 1. 初筛股票池：筛选出过去20个交易日内创过250日新高的股票[19] 2. 分析师关注度：要求过去3个月内，有买入或增持评级的分析师研报不少于5份[29] 3. 股价相对强弱：要求过去250日涨跌幅位于全市场前20%[29] 4. 多指标综合打分：在满足上述条件的股票池内，使用以下两个指标进行综合打分，并取排名在前50%的股票[29]： * **价格路径平滑性（股价位移路程比）**：计算公式为 `过去120日涨跌幅的绝对值 / 过去120日日涨跌幅绝对值加总`[27][29] * **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`[29] 5. 趋势延续性：使用`过去5日的250日新高距离在时间序列上的均值`作为指标，并最终选取该指标排序最靠前的50只股票作为最终筛选结果[29] 模型的回测效果 1. 250日新高距离模型，截至2025年9月19日，上证指数250日新高距离1.63%[12]，深证成指250日新高距离1.09%[12]，沪深300指数250日新高距离1.08%[12]，中证500指数250日新高距离1.24%[12]，中证1000指数250日新高距离1.54%[12]，中证2000指数250日新高距离1.91%[12]，创业板指250日新高距离1.79%[12]，科创50指数250日新高距离1.28%[12] 2. 250日新高距离模型，截至2025年9月19日，电子行业指数250日新高距离0.65%[13]，通信行业指数250日新高距离3.31%[13]，消费者服务行业指数250日新高距离1.76%[13]，电力设备及新能源行业指数250日新高距离2.03%[13]，汽车行业指数250日新高距离2.22%[13]，食品饮料行业指数250日新高距离较远[13]，银行行业指数250日新高距离较远[13]，煤炭行业指数250日新高距离较远[13]，综合金融行业指数250日新高距离较远[13]，非银行金融行业指数250日新高距离较远[13] 因子的回测效果 1. 平稳创新高股票筛选因子，截至2025年9月19日，全市场共有1461只股票在过去20个交易日创出250日新高[19]，其中电子行业创新高个股数量204只[19]，机械行业创新高个股数量201只[19]，基础化工行业创新高个股数量158只[19]，有色金属行业创新高个股数量占比64.52%[19]，电子行业创新高个股数量占比41.98%[19]，综合行业创新高个股数量占比34.78%[19] 2. 平稳创新高股票筛选因子，截至2025年9月19日，科技板块创新高股票数量456只，占比32.25%[20]，制造板块创新高股票数量417只，占比26.71%[20]，周期板块创新高股票数量346只，占比30.81%[20]，医药板块创新高股票数量98只，占比19.96%[20]，消费板块创新高股票数量96只，占比19.96%[20]，大金融板块创新高股票数量40只，占比17.54%[20] 3. 平稳创新高股票筛选因子，截至2025年9月19日，中证2000指数中创新高个股数量523只，占比26.15%[20]，中证1000指数中创新高个股数量306只，占比30.60%[20]，中证500指数中创新高个股数量170只，占比34.00%[20]，沪深300指数中创新高个股数量101只，占比33.67%[20]，创业板指中创新高个股数量36只，占比36.00%[20]，科创50指数中创新高个股数量23只，占比46.00%[20] 4. 平稳创新高股票筛选因子，最终筛选出50只平稳创新高股票[30]，其中科技板块18只[30]，制造板块15只[30]，科技板块中电子行业创新高最多[30]，制造板块中机械行业创新高最多[30]

根据您提供的研报内容，以下是关于量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：均线偏离因子** [11][14][15] * **因子构建思路**：通过计算指数收盘价与不同周期移动平均线（MA）的偏离程度，来衡量指数当前价格相对于其近期和历史平均成本的位置，从而判断其短期趋势和超买超卖状态[11][14][15]。 * **因子具体构建过程**：首先，计算指数的不同周期移动平均线，报告中涉及的周期包括5日（MA5）、10日（MA10）、20日（MA20）、60日（MA60）、120日（MA120）和250日（MA250）[15]。然后，计算收盘价与各均线的偏离幅度，公式为： $$偏离幅度 = \frac{收盘价 - 移动平均价}{移动平均价} \times 100\%$$ 例如，vsMA5 = (收盘价 - MA5) / MA5 * 100%[15]。 2. **因子名称：风险溢价因子** [27][28][29][31] * **因子构建思路**：以十年期国债即期收益率作为无风险利率的参考，计算各宽基指数收益率与其之差，得到风险溢价，用以衡量投资股票市场相对于无风险资产的超额回报和补偿[27][29]。 * **因子具体构建过程**：风险溢价 = 宽基指数收益率 - 十年期国债即期收益率[29][31]。报告中展示了当前风险溢价及其在近1年和近5年历史数据中的分位值[29][31]。 3. **因子名称：估值因子（PE-TTM）** [39][41][43][44] * **因子构建思路**：使用滚动市盈率（PE-TTM）作为估值指标，衡量指数当前价格与其最近十二个月每股收益的比率，从而评估指数的估值水平[39][43]。 * **因子具体构建过程**：PE-TTM = 总市值 / 最近12个月净利润总和[43][44]。报告中列出了各指数的当前PE-TTM值，并计算了其在近1年和近5年历史数据中的分位值[43][44]。 4. **因子名称：股债性价比因子** [46] * **因子构建思路**：通过计算指数PE-TTM的倒数（即盈利收益率）与十年期国债收益率的差值，来比较股票与债券的相对吸引力，辅助资产配置决策[46]。 * **因子具体构建过程**：股债性价比 = (1 / PE-TTM) - 十年期国债即期收益率[46]。 5. **因子名称：股息率因子** [48][52][53] * **因子构建思路**：股息率反映了公司现金分红相对于股价的回报率，是价值投资和红利策略中的重要指标，尤其在市场低迷期和高利率环境下受到关注[48]。 * **因子具体构建过程**：股息率 = 年度现金分红总额 / 总市值[52][53]。报告中列出了各指数的当前股息率及其历史分位值[52][53]。 6. **因子名称：破净率因子** [54] * **因子构建思路**：破净率是指数中市净率（PB）小于1的个股数量占指数总成分股数量的比例，反映了市场总体的低估程度和悲观情绪[54]。 * **因子具体构建过程**：破净率 = (市净率 < 1的个股数量) / 指数总成分股数量[54]。报告中列出了各宽基指数当前的破净率[54]。 7. **因子名称：收益分布形态因子（偏度与峰度）** [24][25] * **因子构建思路**：通过分析指数日收益率的分布偏度和峰度，来描述收益分布的不对称性和尖峰肥尾特征，从而衡量收益的极端情况和分布形态变化[24][25]。 * **因子具体构建过程**：计算指数日收益率序列的偏度（Skewness）和峰度（Kurtosis）[25]。报告中对比了当前值与近5年历史值的差异[25]。 因子的回测效果 1. **均线偏离因子** [15] * 上证50 vsMA5: -1.2%, vsMA10: -1.2%, vsMA20: -1.4%, vsMA60: 2.7%, vsMA120: 5.7%, vsMA250: 8.4% * 沪深300 vsMA5: -0.6%, vsMA10: 0.0%, vsMA20: 0.6%, vsMA60: 6.8%, vsMA120: 11.7%, vsMA250: 14.1% * 中证500 vsMA5: 0.2%, vsMA10: 1.7%, vsMA20: 2.8%, vsMA60: 11.1%, vsMA120: 18.3%, vsMA250: 22.0% * 中证1000 vsMA5: 0.1%, vsMA10: 1.4%, vsMA20: 1.5%, vsMA60: 8.1%, vsMA120: 15.4%, vsMA250: 20.3% * 中证2000 vsMA5: 0.0%, vsMA10: 1.1%, vsMA20: 1.3%, vsMA60: 7.0%, vsMA120: 15.4%, vsMA250: 23.6% * 中证全指 vsMA5: -0.3%, vsMA10: 0.7%, vsMA20: 1.2%, vsMA60: 7.7%, vsMA120: 14.1%, vsMA250: 18.1% * 创业板指 vsMA5: 0.4%, vsMA10: 2.7%, vsMA20: 6.3%, vsMA60: 23.0%, vsMA120: 36.9%, vsMA250: 41.2% 2. **风险溢价因子** [31] * 上证50 当前风险溢价: -1.36%, 近5年分位值: 7.86% * 沪深300 当前风险溢价: -1.17%, 近5年分位值: 10.56% * 中证500 当前风险溢价: -0.84%, 近5年分位值: 20.48% * 中证1000 当前风险溢价: -1.05%, 近5年分位值: 19.68% * 中证2000 当前风险溢价: -1.09%, 近5年分位值: 19.52% * 中证全指 当前风险溢价: -1.09%, 近5年分位值: 14.05% * 创业板指 当前风险溢价: -1.64%, 近5年分位值: 13.25% 3. **估值因子（PE-TTM）** [44] * 上证50 当前值: 11.61, 近5年分位值: 81.82% * 沪深300 当前值: 13.97, 近5年分位值: 81.57% * 中证500 当前值: 34.42, 近5年分位值: 99.92% * 中证1000 当前值: 47.61, 近5年分位值: 95.45% * 中证2000 当前值: 165.69, 近5年分位值: 86.78% * 中证全指 当前值: 21.38, 近5年分位值: 96.78% * 创业板指 当前值: 44.05, 近5年分位值: 59.50% 4. **股息率因子** [52][53] * 上证50 当前值: 3.36%, 近5年分位值: 38.18% * 沪深300 当前值: 2.70%, 近5年分位值: 37.19% * 中证500 当前值: 1.32%, 近5年分位值: 14.63% * 中证1000 当前值: 1.10%, 近5年分位值: 41.16% * 中证2000 当前值: 0.75%, 近5年分位值: 11.40% * 中证全指 当前值: 1.99%, 近5年分位值: 34.63% * 创业板指 当前值: 0.96%, 近5年分位值: 65.79% 5. **破净率因子** [54] * 上证50: 24.0% * 沪深300: 17.0% * 中证500: 11.6% * 中证1000: 7.5% * 中证2000: 3.25% * 创业板指: 1.0% * 中证全指: 6.11% 6. **收益分布形态因子（偏度与峰度）** [25] * 上证50 当前峰度: 2.87, 当前偏度: 2.12 * 沪深300 当前峰度: 3.54, 当前偏度: 2.27 * 中证500 当前峰度: 3.53, 当前偏度: 2.22 * 中证1000 当前峰度: 4.71, 当前偏度: 2.33 * 中证2000 当前峰度: 3.06, 当前偏度: 2.03 * 中证全指 当前峰度: 3.35, 当前偏度: 2.20 * 创业板指 当前峰度: 4.50, 当前偏度: 2.35

量化模型与构建方式 1 **模型名称**：无 **模型构建思路**：无 **模型具体构建过程**：无 模型的回测效果 1 **无模型回测效果数据** 量化因子与构建方式 1 **因子名称**：封板率因子 **因子构建思路**：通过计算当日最高价涨停且收盘涨停的股票数与最高价涨停的股票数的比例，反映市场涨停板的稳定性[18] **因子具体构建过程**： 1. 筛选上市满3个月以上的股票 2. 识别当日最高价涨停的股票集合 3. 识别当日收盘涨停的股票集合 4. 计算封板率： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[18] 2 **因子名称**：连板率因子 **因子构建思路**：通过计算连续两日收盘涨停的股票数与昨日收盘涨停的股票数的比例，反映市场连续涨停的强度[18] **因子具体构建过程**： 1. 筛选上市满3个月以上的股票 2. 识别昨日收盘涨停的股票集合 3. 识别当日收盘涨停的股票集合 4. 计算连板率： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[18] 3 **因子名称**：大宗交易折价率因子 **因子构建思路**：通过大宗交易成交价与市价的差异，反映大资金的投资偏好和市场情绪[27] **因子具体构建过程**： 1. 获取当日大宗交易总成交金额 2. 计算当日成交份额的总市值 3. 计算折价率： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[27] 4 **因子名称**：股指期货年化贴水率因子 **因子构建思路**：通过计算股指期货主力合约与现货指数的基差年化值，反映市场对未来预期的情绪和对冲成本[29] **因子具体构建过程**： 1. 计算基差：股指期货价格减去现货指数价格 2. 获取合约剩余交易日数 3. 计算年化贴水率： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[29] 因子的回测效果 1 **封板率因子**，当日取值49%[18] 2 **连板率因子**，当日取值30%[18] 3 **大宗交易折价率因子**，当日取值8.11%[27]，近半年平均值6.06%[27] 4 **上证50年化贴水率因子**，当日取值17.39%[29]，近一年中位数0.16%[29] 5 **沪深300年化贴水率因子**，当日取值60.63%[29]，近一年中位数2.22%[29] 6 **中证500年化贴水率因子**，当日取值98.21%[29]，近一年中位数9.75%[29] 7 **中证1000年化贴水率因子**，当日取值72.23%[29]，近一年中位数12.19%[29]

根据您提供的文档内容，经过全面梳理，未发现任何关于量化模型或量化因子构建、测试及评价的相关信息。文档内容主要为市场行情数据、公司公告、宏观经济指标、个股涨跌幅及财务数据等[1][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33]。 因此，本次总结无法提供关于量化模型或量化因子的名称、构建思路、具体构建过程、评价及测试结果等内容。

量化模型与构建方式 1. ESG合成因子模型 **模型名称**：ESG合成因子模型 **模型构建思路**：通过选取RankIC均值最高的ESG单因子进行合成，以增强选股能力并降低特异性风险[4][5][37] **模型具体构建过程**： 1. 单因子筛选：从53个预处理后的ESG指标中，选取RankIC均值最高的10/20/30个因子[34][37][55] 2. 合成方法： - 等权合成：所有选中的因子直接等权重相加 $$F_{eq} = \frac{1}{N}\sum_{i=1}^{N} f_i$$ 其中$F_{eq}$为等权合成因子值，$N$为选中因子数量（10/20/30），$f_i$为第$i$个因子的标准化值[55] - 分类合成：先将属于相同二级分类的因子等权合成子因子，再将不同类别的子因子等权合成 $$F_{cat} = \frac{1}{M}\sum_{j=1}^{M} \left( \frac{1}{K_j}\sum_{k=1}^{K_j} f_{jk} \right)$$ 其中$F_{cat}$为分类合成因子值，$M$为二级分类数量，$K_j$为第$j$类下的因子数量，$f_{jk}$为第$j$类第$k$个因子的标准化值[55] 3. 因子预处理：所有原始ESG指标均经过去极值、行业市值中性化、截面标准化处理[34] **模型评价**：合成因子显著提升了选股效果，且与传统量价因子相关性低，提供了独立的定价信息[5][59][77] 2. ESG指数增强模型 **模型名称**：ESG指数增强模型 **模型构建思路**：基于ESG合成因子构建多约束条件的指数增强组合，追求持续超额收益[5][61][77] **模型具体构建过程**： 1. 优化目标：最大化预期收益（基于ESG合成因子）[62] 2. 约束条件： - 成分股权重不低于80% - 个股权重偏离上限0.8% - 行业暴露<0.02 - Barra风险模型因子暴露<0.3[62] 3. 交易设置：月频调仓（每月初第6个交易日），以VWAP价格成交，交易成本双边0.4%[62] **模型评价**：该模型在不同宽基指数上均能产生显著且稳定的超额收益，证明了ESG定价权的实际应用价值[5][77] 模型的回测效果 1. ESG合成因子模型 - top10等权合成：RankIC均值4.89%，RankIC标准差9.23%，RankICIR 0.53，RankIC>0占比67.78%，多头组合年化超额收益率4.65%，空头组合年化超额收益率-7.41%，多头组合换手率18.58%，空头组合换手率22.42%[55] - top10分类合成：RankIC均值5.29%，RankIC标准差7.94%，RankICIR 0.67，RankIC>0占比76.67%，多头组合年化超额收益率5.53%，空头组合年化超额收益率-8.29%，多头组合换手率18.69%，空头组合换手率22.80%[55] - top20等权合成：RankIC均值5.18%，RankIC标准差10.42%，RankICIR 0.50，RankIC>0占比70.00%，多头组合年化超额收益率4.41%，空头组合年化超额收益率-7.55%，多头组合换手率20.75%，空头组合换手率25.76%[55] - top20分类合成：RankIC均值5.22%，RankIC标准差9.09%，RankICIR 0.57，RankIC>0占比71.11%，多头组合年化超额收益率4.86%，空头组合年化超额收益率-7.04%，多头组合换手率35.78%，空头组合换手率43.11%[55] - top30等权合成：RankIC均值5.23%，RankIC标准差9.62%，RankICIR 0.54，RankIC>0占比70.00%，多头组合年化超额收益率4.97%，空头组合年化超额收益率-7.38%，多头组合换手率21.72%，空头组合换手率26.31%[55] - top30分类合成：RankIC均值5.36%，RankIC标准差8.13%，RankICIR 0.66，RankIC>0占比75.56%，多头组合年化超额收益率5.30%，空头组合年化超额收益率-7.42%，多头组合换手率27.80%，空头组合换手率34.36%[55] 2. ESG指数增强模型 沪深300增强组合（2018/2/8～2025/8/29） - top10等权合成：年化收益率5.54%，年化波动率19.98%，夏普比率0.28，最大回撤27.43%，年化超额收益率3.85%，年化跟踪误差7.15%，超额收益最大回撤17.23%，信息比率0.54，Calmar比率0.22，相对基准月胜率62.64%，调仓双边换手率35.60%[65] - top10分类合成：年化收益率6.07%，年化波动率20.04%，夏普比率0.30，最大回撤27.25%，年化超额收益率4.39%，年化跟踪误差7.05%，超额收益最大回撤11.81%，信息比率0.62，Calmar比率0.37，相对基准月胜率61.54%，调仓双边换手率33.72%[65] - top20等权合成：年化收益率6.81%，年化波动率19.99%，夏普比率0.34，最大回撤27.28%，年化超额收益率5.09%，年化跟踪误差7.23%，超额收益最大回撤17.52%，信息比率0.70，Calmar比率0.29，相对基准月胜率54.95%，调仓双边换手率39.44%[65] - top20分类合成：年化收益率4.78%，年化波动率20.11%，夏普比率0.24，最大回撤28.11%，年化超额收益率3.13%，年化跟踪误差7.12%，超额收益最大回撤19.15%，信息比率0.44，Calmar比率0.16，相对基准月胜率52.75%，调仓双边换手率55.99%[65] - top30等权合成：年化收益率7.43%，年化波动率20.28%，夏普比率0.37，最大回撤28.33%，年化超额收益率5.75%，年化跟踪误差7.54%，超额收益最大回撤14.78%，信息比率0.76，Calmar比率0.39，相对基准月胜率60.44%，调仓双边换手率38.68%[5][65] - top30分类合成：年化收益率6.14%，年化波动率20.01%，夏普比率0.31，最大回撤28.29%，年化超额收益率4.46%，年化跟踪误差6.98%，超额收益最大回撤13.12%，信息比率0.64，Calmar比率0.34，相对基准月胜率58.24%，调仓双边换手率40.90%[65] 中证500增强组合（2018/2/8～2025/8/29） - top10等权合成：年化收益率10.81%，年化波动率22.17%，夏普比率0.49，最大回撤31.04%，年化超额收益率7.52%，年化跟踪误差4.89%，超额收益最大回撤5.70%，信息比率1.54，Calmar比率1.32，相对基准月胜率67.03%，调仓双边换手率33.84%[70] - top10分类合成：年化收益率10.41%，年化波动率22.15%，夏普比率0.47，最大回撤30.65%，年化超额收益率7.14%，年化跟踪误差4.60%，超额收益最大回撤5.43%，信息比率1.55，Calmar比率1.31，相对基准月胜率65.93%，调仓双边换手率32.32%[70] - top20等权合成：年化收益率11.02%，年化波动率22.14%，夏普比率0.50，最大回撤28.98%，年化超额收益率7.69%，年化跟踪误差5.32%，超额收益最大回撤8.96%，信息比率1.45，Calmar比率0.86，相对基准月胜率69.23%，调仓双边换手率39.26%[70] - top20分类合成：年化收益率9.85%，年化波动率21.95%，夏普比率0.45，最大回撤32.46%，年化超额收益率6.54%，年化跟踪误差4.73%，超额收益最大回撤6.07%，信息比率1.38，Calmar比率1.08，相对基准月胜率60.44%，调仓双边换手率59.58%[70] - top30等权合成：年化收益率12.41%，年化波动率22.45%，夏普比率0.55，最大回撤28.92%，年化超额收益率9.11%，年化跟踪误差5.42%，超额收益最大回撤9.24%，信息比率1.68，Calmar比率0.99，相对基准月胜率73.63%，调仓双边换手率38.70%[5][70] - top30分类合成：年化收益率10.02%，年化波动率21.84%，夏普比率0.46，最大回撤32.28%，年化超额收益率6.68%，年化跟踪误差4.74%，超额收益最大回撤5.23%，信息比率1.41，Calmar比率1.28，相对基准月胜率63.74%，调仓双边换手率43.37%[70] 中证1000增强组合（2018/2/8～2025/8/29） - top10等权合成：年化收益率8.85%，年化波动率24.58%，夏普比率0.36，最大回撤36.09%，年化超额收益率5.83%，年化跟踪误差5.33%，超额收益最大回撤10.70%，信息比率1.09，Calmar比率0.55，相对基准月胜率60.44%，调仓双边换手率37.59%[75] - top10分类合成：年化收益率9.97%，年化波动率24.97%，夏普比率0.40，最大回撤36.66%，年化超额收益率7.03%，年化跟踪误差5.28%，超额收益最大回撤9.24%，信息比率1.33，Calmar比率0.76，相对基准月胜率65.93%，调仓双边换手率37.42%[75] - top20等权合成：年化收益率11.07%，年化波动率24.46%，夏普比率0.45，最大回撤35.01%，年化超额收益率7.95%，年化跟踪误差5.51%，超额收益最大回撤10.86%，信息比率1.44，Calmar比率0.73，相对基准月胜率67.03%，调仓双边换手率42.46%[75] - top20分类合成：年化收益率10.30%，年化波动率24.46%，夏普比率0.42，最大回撤34.14%，年化超额收益率7.22%，年化跟踪误差5.06%，超额收益最大回撤7.42%，信息比率1.43，Calmar比率0.97，相对基准月胜率63.74%，调仓双边换手率71.57%[75] - top30等权合成：年化收益率11.51%，年化波动率24.70%，夏普比率0.47，最大回撤35.64%，年化超额收益率8.43%，年化跟踪误差5.61%，超额收益最大回撤8.47%，信息比率1.50，Calmar比率1.00，相对基准月胜率64.84%，调仓双边换手率40.42%[5][75] - top30分类合成：年化收益率10.73%，年化波动率24.61%，夏普比率0.44，最大回撤35.35%，年化超额收益率7.66%，年化跟踪误差5.30%，超额收益最大回撤8.81%，信息比率1.45，Calmar比率0.87，相对基准月胜率71.43%，调仓双边换手率50.48%[75] 量化因子与构建方式 1. 期末持有发明专利质量总分因子 **因子名称**：期末持有发明专利质量总分 **因子构建思路**：通过企业持有的高质量专利数量衡量其创新能力和技术壁垒，预期高质量创新能转化为未来盈利优势[4][38] **因子具体构建过程**：直接使用秩鼎提供的"期末持有发明专利质量总分"指标，经过去极值、行业市值中性化、截面标准化处理[34][38][42] **因子评价**：该因子体现了企业创新质量与技术壁垒，是RankIC最高的ESG因子，选股效果显著[4][38][42] 2. 工资、奖金、津贴和补贴因子 **因子名称**：工资、奖金、津贴和补贴 **因子构建思路**：通过企业人力资本投入水平反映其对核心人才的吸引和保留能力，预期良好的人力资本管理能提升长期经营稳定性[4][39] **因子具体构建过程**：直接使用秩鼎提供的"工资、奖金、津贴和补贴"指标，经过去极值、行业市值中性化、截面标准化处理[34][39][42] **因子评价**：该因子反映出企业通过人力资本投入提升竞争力的能力，选股效果稳定显著[4][39][42] 3. 股权集中度变化率因子 **因子名称**：股权集中度变化率 **因子构建思路**：通过股权结构变化捕捉大股东对公司前景的信心信号，集中度提升可能表明看好公司前景或加强治理意图[40] **因子具体构建过程**：直接使用秩鼎提供的"股权集中度变化率"指标，经过去极值、行业市值中性化、截面标准化处理[34][40][42] **因子评价**：该因子能有效捕捉股东行为背后的信心变化，具有一定的选股能力[40][42] 4. 高管平均年龄因子 **因子名称**：高管平均年龄 **因子构建思路**：通过高管团队年龄结构评估战略风格和决策可靠性，年轻团队可能更激进创新，年长团队更稳健[40] **因子具体构建过程**：直接使用秩鼎提供的"高管平均年龄"指标，经过去极值、行业市值中性化、截面标准化处理[34][40][42] **因子评价**：该因子隐含了对治理团队稳定性和战略成熟度的评估，影响投资者对公司决策可靠性的判断[40][42] 5. 对外捐赠总金额因子 **因子名称**：对外捐赠总金额 **因子构建思路**：通过企业慈善捐赠行为衡量其社会责任履行和品牌形象建设，预期能增强社会信任和利益相关方关系[41] **因子具体构建过程**：直接使用秩鼎提供的"对外捐赠总金额"指标，经过去极值、行业市值中性化、截面标准化处理[34][41][42] **因子评价**：该因子体现企业社会责任履行程度，有助于降低运营风险并获得潜在政策支持[41][42] 因子的回测效果 1. 期末持有发明专利质量总分因子 RankIC均值5.60%，RankIC标准差10.64%，RankICIR 0.53，RankIC>0占比71.11%，多头组合年化超额收益率6.23%，空头组合年化超额收益率-7.91%，多头组合换手率16.80%，空头组合换手率19.55%[4][42] 2. 工资、奖金、津贴和补贴因子 RankIC均值4.27%，RankIC标准差8.70%，RankICIR 0.49，RankIC>0占比65.56%，多头组合年化超额收益率4.12%，空头组合年化超额收益率-6.98%，多头组合换手率19.45%，空头组合换手率21.80%[4][42] 3. 股权集中度变化率因子 RankIC均值2.88%，RankIC标准差6.13%，RankICIR 0.47，RankIC>0占比67.78%，多头组合年化超额收益率2.18%，空头组合年化超额收益率-4.82%，多头组合换手率68.05%，空头组合换手率62.90%[42] 4. 高管平均年龄因子 RankIC均值2.01%，RankIC标准差6.25%，RankICIR 0.32，RankIC>0占比58.89%，多头组合年化超额收益率2.16%，空头组合年化超额收益率-2.20%，多头组合换手率16.06%，空头组合换手率17.00%[42] 5. 对外捐赠总金额因子 RankIC均值1.83%，RankIC标准差7.42%，RankICIR 0.25，RankIC>0占比58.89%，多头组合年化超额收益率1.17%，空头组合年化超额收益率-0.56%，多头组合换手率21.33%，空头组合换手率22.50%[42]

根据提供的金融工程日报内容，报告主要描述了市场表现、情绪、资金流向及各类指标，但**并未涉及任何量化模型或量化因子的构建、测试与评价**。报告内容集中于市场行情数据统计、资金面指标计算（如折溢价、升贴水率）和市场情绪指标（如封板率）的描述，这些属于市场监测指标，而非用于选股或定价的量化模型或因子。 因此，本报告**无**需总结量化模型或量化因子的相关内容。

量化模型与构建方式 1. 股指分红点位测算模型 - **模型名称**：股指分红点位测算模型[11][44] - **模型构建思路**：通过精确预测指数成分股的分红金额、除息日及权重，计算期货合约存续期内指数因成分股分红导致的点位下降值，以更准确评估股指期货的升贴水幅度[11][44] - **模型具体构建过程**： 1. **获取成分股权重**：采用中证指数公司每日披露的日度收盘权重数据，保证每日个股权重的准确性，避免使用历史权重估算带来的偏差[49] 2. **预测分红金额**：若公司已公布分红金额，则直接采用；若未公布，则需预测。分红金额 = 净利润 × 股息支付率[50] - **净利润预测**：基于历史净利润分布的动态预测法。若公司已公布年报、快报或业绩预告，则直接采用（业绩预告取上下限均值）；若未披露，则根据其季度盈利分布稳定性进行分类预测[53] - **股息支付率预测**：若公司去年分红，则用去年值；若去年不分红，则用最近3年平均；若从未分红，则默认今年不分红；若预测值>100%则进行截尾处理[56] 3. **预测除息日**：[54][58] - 若已公布除息日，则直接采用 - 若未公布，则判断公司是否已公布分红预案 - 若处于预案阶段，检查过去三年从预案公告日到除息日的间隔天数的稳定性。若稳定，则用该间隔天数均值与今年预案公告日进行线性外推；若不稳定，则采用历史分红日期判断 - 若处于决案阶段，检查过去三年从股东大会公告日到除息日的间隔天数的稳定性。若稳定，则用该间隔天数均值与今年股东大会公告日进行线性外推；若不稳定，则采用历史分红日期判断 - 若采用历史日期不合理（在当前时点之前、距当前不足10天或在股东大会日前），则采用默认日期：7月31日（预测日在7月22日前）、8月31日（预测日在7月22日至8月21日）、9月30日（其他情况） - 若过去两年未分红，也采用默认日期 4. **计算分红点数**：汇总从当前时刻t至期货合约到期日T之间所有成分股的分红影响。公式为： $$分红点数 = \sum_{n=1}^{N} \left( \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价 \right)$$ 其中，要求个股除权除息日满足 $t < \text{除息日} \leq T$[44] 2. 年化升贴水计算模型 - **模型名称**：年化升贴水计算模型[12] - **模型构建思路**：基于股指期货合约价格、指数价格及预测的分红点数，计算扣除了分红影响后的实际价差，并年化以衡量其升贴水幅度[11][12] - **模型具体构建过程**： 1. 计算当前价差：合约收盘价 - 指数收盘价[12] 2. 计算含分红价差：当前价差 + 分红[12] 3. 计算升贴水幅度：含分红价差 / 指数收盘价[12] 4. 年化升贴水幅度：$$年化升贴水 = \left(1 + \frac{含分红价差}{指数收盘价}\right)^{\frac{365}{到期天数}} - 1$$[12] 或采用线性年化近似：$$\text{年化升贴水} = \frac{含分红价差}{指数收盘价} \times \frac{365}{到期天数}$$[12] 模型的回测效果 1. **股指分红点位测算模型**： - 预测误差（2023年）：上证50指数误差基本在5点以内，沪深300指数误差基本在5点以内，中证500指数误差基本在10点以内[64] - 预测误差（2024年）：上证50指数误差基本在5点以内，沪深300指数误差基本在5点以内，中证500指数误差基本在10点以内[64] - 对股指期货合约的预测准确性：上证50和沪深300股指期货的预测效果最好，中证500股指期货的偏离度稍大[64] 2. **年化升贴水计算模型**（截至2025年9月17日数据）[12]： - **IH2510.CFE合约**：年化升水1.66% - **IF2510.CFE合约**：年化升水1.19% - **IC2510.CFE合约**：年化贴水9.49% - **IM2510.CFE合约**：年化贴水11.25% 量化因子与构建方式 1. 股息率因子 - **因子名称**：股息率[2][14] - **因子构建思路**：计算上市公司预案分红金额与其当前总市值的比率，用以衡量其分红回报水平[14] - **因子具体构建过程**：$$股息率 = \frac{预案分红金额}{当前总市值}$$[14] - **因子评价**：股息率是衡量股票投资价值的重要因子，高股息率通常吸引追求稳定现金流的投资者[2] 2. 已实现股息率因子 - **因子名称**：已实现股息率[3][16] - **因子构建思路**：计算指数中已实施现金分红的成分股，其已分红金额按权重加总后与指数总市值的比率，反映已兑现的分红收益[16] - **因子具体构建过程**：$$已实现股息率 = \sum_{i=1}^{N_1} \left( \frac{个股已分红金额}{个股总市值} \times 个股权重 \right)$$[16] 其中，$N_1$ 表示指数中今年已现金分红的公司数量[16] 3. 剩余股息率因子 - **因子名称**：剩余股息率[3][16] - **因子构建思路**：计算指数中尚未实施现金分红的成分股，其预计分红金额按权重加总后与指数总市值的比率，反映未来潜在的分红收益[16] - **因子具体构建过程**：$$剩余股息率 = \sum_{i=1}^{N_2} \left( \frac{个股预计分红金额}{个股总市值} \times 个股权重 \right)$$[16] 其中，$N_2$ 表示指数中尚未现金分红的公司数量[16] 因子的回测效果 1. **股息率因子**（截至2025年9月17日，各行业已公布预案股票的股息率中位数）[2][14]： - 煤炭行业：排名第一 - 银行行业：排名第二 - 钢铁行业：排名第三 2. **已实现股息率因子**（截至2025年9月17日）[3][16]： - 上证50指数：2.18% - 沪深300指数：1.75% - 中证500指数：1.10% - 中证1000指数：0.85% 3. **剩余股息率因子**（截至2025年9月17日）[3][16]： - 上证50指数：0.57% - 沪深300指数：0.40% - 中证500指数：0.14% - 中证1000指数：0.09%