根据研报内容，总结量化模型与因子如下： 量化因子与构建方式 1. **因子名称：RSI相对强弱指标** - 构建思路：通过计算一定周期内平均涨幅与平均跌幅的比值，判断市场超买或超卖状态[2] - 具体构建过程： $$RSI = 100 - \frac{100}{1 + RS}$$ 其中RS为12天内平均涨幅与平均跌幅的比值。RSI>70为超买，RSI<30为超卖[2] - 因子评价：经典动量类指标，适用于短期趋势判断 2. **因子名称：日内行情趋势** - 构建思路：基于5分钟级别成交价分析日内价格波动特征[2] - 具体构建过程： - 提取当日最高价/最低价作为红点标记 - 通过分时数据构建趋势图（注：部分数据可能存在缺失）[2] 3. **因子名称：净申购金额** - 构建思路：通过ETF净值变化计算资金流动情况[2] - 具体构建过程： $$NETBUY(T) = NAV(T) - NAV(T-1) \times (1+R(T))$$ 其中NAV为ETF净值，R(T)为当日收益率[2] 因子回测效果 （注：原文未提供具体测试指标值，仅展示因子构建方法） 补充说明 1. 所有因子均基于ETF日频数据计算，涵盖宽基/主题两类ETF[2] 2. 基金池构建规则：选取各类型中规模较大的ETF作为分析对象[2] 3. 数据局限性：部分QDII净值披露延迟，新上市基金数据可能存在空值[3] 以上内容提取自文档[2][3]，未涉及模型构建及测试结果部分。

量化模型与构建方式 1. **模型名称**：港股优选20组合多因子模型 **模型构建思路**：基于技术面、资金面、基本面和分析师预期四大类因子，筛选港股通成分股中表现优异的个股构建组合[39] **模型具体构建过程**： - 每月底对港股通样本股（545只）进行因子评分，选取分数最高的前20只个股 - 采用等权重方式构建组合，基准为港股综合指数(HKD) (930930.CSI)[40] - 因子分类： - **技术面**：动量、波动率等 - **资金面**：南下资金、外资等持仓变化[19] - **基本面**：PE、ROE等财务指标[45] - **分析师预期**：盈利预测调整等[39] **模型评价**：长期表现优异，但2025年5月出现短期跑输基准的情况[40] 模型的回测效果 1. **港股优选20组合**： - 2025年5月收益率：2.44%（基准4.80%，超额-2.36%）[40] - 全区间（2015.1~2025.5）： - 超额年化收益率：13.3% - 超额收益波动比：1.0 - 超额最大回撤：18.2%[42] - 分年度表现： - 最佳年份（2020年）：超额年化收益率58.5%，超额收益波动比3.4[41] - 最差年份（2025年）：超额年化收益率-13.7%，超额收益波动比-1.3[41] 量化因子与构建方式 1. **因子名称**：资金流因子 **因子构建思路**：通过港股通标的在四类经纪商（南下资金、外资、中资、港资及其他）的持仓市值占比变化捕捉资金流向[19] **因子具体构建过程**： - 计算每只港股通标的在四类经纪商的持仓市值占比（归一化处理） - 动态跟踪占比变化，例如： - 南下资金持仓占比：19.84%（2025年5月环比+0.06pct） - 外资持仓占比：61.00%（环比-0.07pct）[19] - 行业层面统计净流入方向（如南下资金偏好煤炭、钢铁等）[23][26] 2. **因子名称**：价值因子 **因子构建思路**：结合低估值（PE）与高盈利（ROE）筛选个股[45] **因子具体构建过程**： - 使用PEttm和ROEttm指标，例如： - 中国海洋石油(0883.HK)：PEttm=5.9，ROEttm=19.5%[45] - 农业银行(1288.HK)：PEttm=6.2，ROEttm=9.4%[45] - 2025年6月组合增配低PE高ROE个股[44] 因子的回测效果 1. **资金流因子**： - 南下资金净流入前十个股平均收益率30.1%（2025年5月），显著跑赢其他类别[34] - 外资净流入前十个股平均收益率2.8%，表现较弱[34] 2. **价值因子**： - 2025年5月低估值高股息板块涨幅居前[14] - 组合中价值股如中国海洋石油(0883.HK)长期贡献稳定超额收益[45] （注：部分因子如技术面、分析师预期因子的具体构建公式未在报告中明确列出，故未详细展开）

量化模型与构建方式 1. **模型名称**：预期高股息组合模型 - **模型构建思路**：通过两阶段构建预期股息率指标，结合短期反转因子与盈利因子筛选沪深300成份股，优选高股息个股[8][13] - **模型具体构建过程**： 1. **股票池筛选**：剔除停牌、涨停的沪深300成份股[13] 2. **动量剔除**：剔除21日累计涨幅最高的20%个股（反转因子）$$ \text{动量排名} = \text{rank}(21\text{日累计收益率}) $$[13] 3. **盈利剔除**：剔除单季度净利润同比增长率小于0的个股（盈利因子）$$ \text{盈利条件} = \text{单季度净利润同比} \geq 0 $$[13] 4. **预期股息率排序**：剩余个股按两阶段计算的预期股息率排序，选取前30只等权构建组合[9] - **模型评价**：结合基本面与短期因子，兼顾股息稳定性和市场表现 模型的回测效果 1. **预期高股息组合模型**： - **累计收益**：358.90%（2009/2/2-2017/8/31）[10] - **累计超额收益（vs沪深300）**：107.44%[10] - **年化超额收益**：8.87%[10] - **最大回撤（滚动一年）**：12.26%[10] - **月度超额胜率**：60.19%[10] - **2025年5月超额收益**： - vs沪深300：2.69%[14] - vs中证红利：2.30%[14] 量化因子与构建方式 1. **因子名称**：预期股息率因子 - **因子构建思路**：两阶段计算股息率，第一阶段基于年报分红数据，第二阶段结合历史分红与基本面预测[8][13] 2. **因子名称**：反转因子（21日动量） - **因子构建思路**：剔除短期涨幅过高个股，避免追涨风险[13] 3. **因子名称**：盈利因子（单季度净利润同比） - **因子构建思路**：筛选盈利改善个股，增强股息持续性[13] 因子的回测效果 （注：报告中未单独披露因子IC或分层回测结果，仅体现于组合整体表现） 其他关键信息 - **组合调仓频率**：每月底调仓，持仓30只等权配置[8][9] - **最新持仓行业分布**：银行（6只）、家用电器（3只）、建筑材料（2只）等[20][21] - **2025年5月最佳个股**：中国太保（+14.42%）、成都银行（+13.66%）[15][19]

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，分别对日内因子、隔夜因子进行改进，再重新合成新的动量因子[6][7] **因子具体构建过程**： - 将交易时段切割为日与夜，分别探索各自的价量关系 - 对日内因子和隔夜因子分别进行改进，具体改进方法未详细说明 - 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，稳定性较好[6][7] 因子的回测效果 1. **"日与夜的殊途同归"新动量因子** - 年化收益率：18.37%[1][7][13] - 年化波动率：8.79%[1][7][13] - 信息比率(IR)：2.09[1][7][13] - 月度胜率：77.94%[1][7][13] - 月度最大回撤率：9.07%[1][7][13] - IC均值：-0.045[6] - 年化ICIR：-2.59[6] - 10分组多空对冲年化收益率：22.64%[6] - 10分组多空对冲信息比率：2.85[6] - 10分组多空对冲月度胜率：83.33%[6] - 10分组多空对冲最大回撤率：5.79%[6] 2. **5月份表现** - 10分组多头组合收益率：4.00%[1][10] - 10分组空头组合收益率：5.90%[1][10] - 10分组多空对冲收益率：-1.90%[1][10] 对比数据 1. **传统动量因子（20日收益率）** - 信息比率：1.09[6] - 月度胜率：62.75%[6] - 最大回撤：20.35%[6]

量化因子与构建方式 1. **因子名称**：重拾自信2.0 RCP因子 **因子构建思路**：基于行为金融学中的过度自信现象，通过高频分钟序列数据计算利好超涨和股价回调的时间差作为代理变量，构造第一代过度自信因子CP；进一步考虑过度自信后的过度修正，将CP因子与日内收益正交化，得到第二代重拾自信因子RCP[6][7] **因子具体构建过程**： - 第一代CP因子：计算股价在利好信息发布后的快速上涨时间与回调时间的差值，公式未明确给出但逻辑为时间差代理变量[6] - 第二代RCP因子：将CP因子与日内收益进行正交化处理，提取残差项作为净化后的因子，公式为 $$RCP = CP - \beta \cdot r_{intraday}$$ 其中$\beta$为回归系数，$r_{intraday}$为日内收益[6][7] **因子评价**：新因子通过标准化和正交化处理显著提升纯净度，捕捉了投资者从过度自信到修正的行为模式[7] 2. **因子名称**：过度自信CP因子（第一代） **因子构建思路**：基于DHS模型，用股价快速上涨与下跌的时间差衡量投资者过度自信程度[6] **因子具体构建过程**：未披露具体公式，但通过分钟级高频数据计算利好事件后的股价反应时间差[6] --- 因子回测效果 1. **重拾自信2.0 RCP因子**（2014/02-2025/05全市场回测） - 年化收益率：18.68%[1][7][10] - 年化波动率：7.69%[1][10] - 信息比率（IR）：2.43[1][7][10] - 月度胜率：78.68%[1][10] - 最大回撤率：5.89%[1][10] - 多头组合5月收益率：4.17%（空头4.27%，多空对冲-0.10%）[1][11] 2. **重拾自信2.0 RCP因子**（2014/01-2022/08回测） - IC均值：0.04[1] - 年化ICIR：3.27[1] - 10分组多空年化收益：20.69%[1] - 信息比率：2.91[1] - 月度胜率：81.55%[1] --- 其他说明 - 因子改进：第二代RCP因子通过标准化处理替代排序值，保留更多因子信息[7] - 图表支持：图1展示因子2014-2025年分组净值走势，图2显示2025年5月多头组合表现[9][13]

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同比变化，逐月估算行业利润增速 3. 公式： $$利润增速 = f(价格因子_{同比}, 产能因子_{同比})$$ - **模型评价**：能够有效跟踪行业利润变化趋势，但对价格波动敏感性较高[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，预测未来供需缺口[15] - **模型具体构建过程**： 1. 计算历史出栏系数： $$出栏系数 = \frac{单季度生猪出栏}{能繁母猪存栏_{滞后6个月}}$$ 2. 预测6个月后潜在产能： $$潜在产能 = 当月能繁母猪存栏 \times 上年同期出栏系数$$ 3. 对比潜在产能与历史需求判断供需平衡[17] - **模型评价**：实证显示对猪周期上行阶段有较强识别能力[16] 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，预测单吨盈利和行业利润增速[18] - **模型具体构建过程**： 1. 跟踪普通钢材综合售价 2. 加权计算铁矿石、焦炭、废钢等成本指标 3. 通过价差模型估算单吨毛利变化[20] - **模型评价**：需结合PMI景气指标增强信号稳定性[22] 量化因子与构建方式 1. **因子名称：玻璃行业毛利因子** - **因子构建思路**：通过浮法玻璃价格与纯碱、天然气等成本价差构建盈利跟踪指标[28] - **因子具体构建过程**： $$玻璃毛利 = 浮法玻璃价格 - (纯碱成本 + 天然气成本 + 其他变动成本)$$ - **因子评价**：对短期价格波动反应灵敏[30] 2. **因子名称：裂解价差因子** - **因子构建思路**：反映炼化行业成品油与原油价差的盈利能力[31] - **因子具体构建过程**： $$裂解价差 = 成品油价格 - 原油成本$$ - **因子评价**：需结合油价趋势和新钻井数综合判断[35] 模型的回测效果 1. **煤炭行业利润预测模型**： - 2025年6月预测利润同比增速为负值[14] - 历史季度利润预测误差率±3%[12] 2. **生猪供需预测模型**： - 2025Q4预测供需缺口为0（均衡状态）[17] - 猪价周期识别准确率78%（历史回测）[16] 3. **普钢行业利润预测模型**： - 2025年5月预测利润同比增速-1.2%[22] - 单吨盈利预测与股价相关性0.65[20] 因子的回测效果 1. **玻璃行业毛利因子**： - 2025年5月毛利同比下跌12%[28] - 与股价超额收益相关性0.71[30] 2. **裂解价差因子**： - 2025年5月价差同比收缩8%[33] - 对炼油指数超额收益解释力R²=0.52[35]

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**：宏观驱动型投顾模型 **模型构建思路**：基于宏观经济指标和市场预期变化调整资产配置，重点关注债市波动和风格选择[5][6] **模型具体构建过程**： - 通过存款利率、信用债利差等指标判断债市性价比，动态调整货币/利率债比例（如纯债型投顾久期减少0.04年，固收+型增加0.24年）[7][33] - 根据通胀预期和行业景气度调整权益配置（如增配银行+0.92%，减配电子-0.42%）[35][39] **模型评价**：在5月表现领先其他策略（收益3.34%），但对宏观数据敏感性较高[16][20] 2. **模型名称**：红利因子增强模型 **因子构建思路**：利用低通胀环境下红利资产的防御性特征构建组合[5][41] **因子具体构建过程**： - 筛选高股息率指数基金（如中证红利），计算持仓比例变化： $$红利配置比例 = \frac{\sum(调仓后红利基金权重)}{\sum(调仓前红利基金权重)}$$ - 5月平均增配幅度达2.1%，超额收益前50%产品增配7.8%[41][42] 模型的回测效果 1. **宏观驱动型模型**：5月收益3.34%，Calmar比率2.70（固收+型）[16][26] 2. **红利因子模型**：近1年超额收益1.4%，5月持仓比例从5.44%升至5.52%[42][44] 量化因子与构建方式 1. **因子名称**：久期调整因子 **因子构建思路**：反映利率预期变化对债券组合的影响[6][33] **因子具体构建过程**： - 计算调仓前后组合久期差值： $$\Delta久期 = \sum(债券久期 \times 权重变化)$$ - 纯债型产品久期减少0.04年，固收+型增加0.24年[33][34] 2. **因子名称**：港股暴露因子 **因子构建思路**：捕捉港股相对A股的估值优势[41][53] **因子具体构建过程**： - 统计QDII基金中港股类配置比例变化，5月平均增配1.8%[53][54] 因子的回测效果 1. **久期调整因子**：纯债型组合久期调整后收益0.18%（5月）[4][34] 2. **港股暴露因子**：近1年相关组合收益41.9%，5月增配幅度2.2%[53][54] （注：原文未涉及部分因子公式的详细参数说明，故未列出完整数学表达式）

量化模型与构建方式 1. 跳跃不平衡指标模型 1.1 模型名称：跳跃不平衡指标模型 **模型构建思路**：通过识别个股股价跳跃行为，构建衡量股票价格向上跳跃与向下跳跃力量差的指标，用于指数择时[1][2] **模型具体构建过程**： 1. 使用Jiang and Oomen(2008)的跳跃统计量识别股价跳跃： $$JS=N\frac{\hat{V}_{(0,1)}}{\sqrt{\hat{\Omega}_{SW}}}(1-\frac{RV_{N}}{SWV_{N}})\sim N(0,1)$$ $$RV_{N}=\sum_{k=1}^{N}r_{k}^{2}\;;\;SW_{N}=2\sum_{k=1}^{N}(R_{k}-r_{k})$$ $$\hat{V}_{(0,1)}=\frac{1}{\mu_{1}^{2}}\sum_{k=1}^{N-1}|r_{k+1}||r_{k}|$$ $$\mu_{p}=2^{p/2}\,\Gamma\left(\frac{p+1}{2}\right)/\sqrt{\pi}$$[9] 2. 构建三种跳跃不平衡指标： - 跳跃不平衡指标： $$D_{i,t}^{N J}=\frac{\mathrm{No.of~Pjumps}_{i}^{d}\mathrm{\-~No.of~Njumps}_{i}^{d}}{\mathrm{No.of~Tjumps}_{i}^{d}}$$ - 跳跃数量不平衡指标： $$J D_{i,t}^{N J}={\frac{\mathrm{No.of~Pjumps}_{i}\,\mathrm{-~No.of~Njumps}_{i}}{\mathrm{No.of~Tjumps}_{i}}}$$ - 跳跃幅度不平衡指标： $$J R_{i,t}^{N J}={\frac{\mathrm{R.of~Pijumps}_{i}\ -\ R.\mathrm{of~Njumps}_{i}}{R.\mathrm{of~Tijumps}_{i}}}$$[15] 3. 计算指数层面跳跃不平衡指标变化值∆D、∆JD和∆JR[16] **模型评价**：跳跃不平衡指标对指数未来收益有一定预测能力，但解释能力不算高[17] 1.2 模型名称：隐含/暴露跳跃不平衡指标模型 **模型构建思路**：将个股跳跃分为受市场跳跃影响的暴露跳跃和不受市场跳跃影响的隐含跳跃，分别构建不平衡指标[23] **模型具体构建过程**： 1. 暴露跳跃不平衡指标： $$D_{i,t}^{EJ}=\frac{\text{No.of Pjumps}_{i}|\text{Market Jump-No.of Njumps}_{i}|\text{Market Jump}}{\text{No.of Tjumps}_{i}|\text{Market Jump}}$$ 2. 隐含跳跃不平衡指标： $$D_{i,t}^{IJ}=\frac{\text{No.of Pumps}_{i}|\text{No Market Jump-No.of Numps}_{i}|\text{No Market Jump}}{\text{No.of Tumps}_{i}|\text{No Market Jump}}$$ 3. 同样构建数量不平衡和幅度不平衡指标[27] 4. 计算指数层面指标变化值∆D、∆JD和∆JR[28] **模型评价**： - 隐含跳跃不平衡指标与未来指数收益正相关，可能反映市场参与者预期 - 暴露跳跃不平衡指标与未来指数收益负相关，可能反映市场情绪过热[28] 1.3 模型名称：跳跃不平衡离散度指标模型 **模型构建思路**：通过个股隐含跳跃不平衡指标的标准差衡量市场跳跃不平衡离散度，反映市场情绪分化程度[38] **模型具体构建过程**： 1. 计算个股当月的隐含跳跃不平衡指标标准差_ 2. 计算变化值∆_ 3. 当离散度收敛(∆_<0)时看多市场[39] **模型评价**：离散度指标能有效反映市场情绪分化程度，对指数择时有较好效果[39] 1.4 模型名称：复合指标择时模型 **模型构建思路**：结合隐含跳跃幅度不平衡指标和跳跃不平衡离散度指标构建复合择时模型[42] **模型具体构建过程**： 1. 当∆JR>0且∆JR_Std<0时持有上证指数 2. 当∆JR<0且∆JR_Std>0时空仓 3. 其他情况空仓[42] **模型评价**：复合指标择时效果显著优于单一指标[42] 2. 成长-价值风格轮动模型 2.1 模型名称：国证成长指数择时模型 **模型构建思路**：将跳跃不平衡指标应用于国证成长指数择时[51] **模型具体构建过程**： 1. 识别国证成长指数股价跳跃 2. 计算成分股隐含跳跃收益等权平均 3. 根据隐含跳跃收益变化值∆JR判断持仓[51] 2.2 模型名称：成长-价值风格轮动模型 **模型构建思路**：基于国证成长指数隐含跳跃收益变化构建成长-价值风格轮动策略[55] **模型具体构建过程**： 1. 当国证成长指数隐含跳跃收益增加超过阈值时持有国证成长指数 2. 当隐含跳跃收益减少超过阈值时空仓 3. 其他情况半仓持有国证价值指数[55] 模型的回测效果 1. 跳跃不平衡指标模型 - ∆JD_NJ模型：年化收益6.23%，夏普比0.57，盈亏比1.46，年化超额4.48%[20] - ∆JR_IJ模型：年化收益9.93%，夏普比0.82，卡玛比0.75，盈亏比2.05，年化超额8.46%[32] - ∆JR_Std_IJ模型：年化收益9.41%，夏普比0.74，卡玛比0.70，盈亏比1.50，年化超额7.91%[39] - 复合指标模型：年化收益16.5%，夏普比1.28，卡玛比2.41，年化超额15.49%[45] 2. 上证综指ETF择时策略 - 年化收益12.10%，夏普比0.89，卡玛比1.49，年化超额9.78%，最大回撤6.32%[47] 3. 国证成长指数择时 - 正向策略：年化收益12.94%，夏普比0.75，卡玛比0.69，盈亏比1.43[54] - 负向策略：年化收益-9.92%，盈亏比1.36[54] 4. 成长-价值风格轮动 - 年化收益11.34%，夏普比0.64，卡玛比0.77，年化超额10.53%[62]

根据研报内容，总结如下： 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，识别行业投资机会；模型具体构建过程：每日计算各行业拥挤度指标，包括主力资金流动、价格波动等维度，综合评估行业热度[4] 2. 模型名称：溢价率Z-score模型；模型构建思路：通过滚动测算ETF产品的溢价率Z值，筛选存在套利机会的标的；模型具体构建过程：计算ETF产品溢价率的历史均值和标准差，构建标准化指标$$Z = \frac{Premium_t - \mu}{\sigma}$$，其中Premium_t为当日溢价率，μ为历史均值，σ为历史标准差[5] 模型的回测效果 1. 行业拥挤度监测模型，前一交易日拥挤度最高行业：环保、医药生物、美容护理；拥挤度最低行业：家用电器、有色金属、电子、社会服务[4] 2. 行业拥挤度监测模型，单日拥挤度变动最大行业：农林牧渔、建筑材料、通信、银行[4] 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：跟踪主力资金在各行业的流动方向；因子具体构建过程：计算各行业主力资金净流入额，包括单日值和多日累计值[11] 2. 因子名称：ETF资金流动因子；因子构建思路：监测各类ETF产品的资金流向；因子具体构建过程：统计宽基ETF、行业主题ETF、风格策略ETF、跨境ETF的单日净流入/流出金额[6] 因子的回测效果 1. 主力资金净流入因子，前一交易日主力资金流入TOP3行业：建筑装饰、农林牧渔、煤炭；流出TOP3行业：计算机、汽车、电力设备[4] 2. ETF资金流动因子，宽基ETF单日净流出70.63亿元，行业主题ETF单日净流入3.14亿元，风格策略ETF单日净流入1.82亿元，跨境ETF单日净流出3.36亿元[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： 量化因子与构建方式 1. **因子名称**：冲击系数（effect） - **因子构建思路**：用于衡量指数成分股调整带来的资金冲击效应，通过计算个股净调整规模与过去两周日均成交额的比值来评估潜在交易机会[5][6] - **因子具体构建过程**： 1. 计算个股在拟调入指数中的权重（$$wt_{in}$$）和调出指数中的权重（$$wt_{out}$$）[6] 2. 获取跟踪各指数的被动产品总规模（$$index\_scale$$）[6] 3. 计算个股过去两周日均成交额（$$avg\_amt$$）[6] 4. 公式： $$\mathrm{effect}_{s}={\frac{\sum_{i}^{m}wt_{i n}*index_{-}scale_{i}-\sum_{i}^{n}wt_{o u t}*index_{-}scale_{i}}{avg_{-}amt_{s}}}$$ 其中，分子为净调整规模（调入规模减调出规模），分母为流动性指标[6] - **因子评价**：该因子直接关联资金流动与市场流动性，对短期交易机会捕捉具有较高敏感性[7] --- 因子回测效果 1. **冲击系数因子** - **高冲击个股示例**： - 沪农商行（冲击系数12.55，净调入28.02亿元）[8][9] - 国泰海通（冲击系数7.58，净调入39.14亿元）[8][9] - **负冲击个股示例**： - 东方雨虹（冲击系数-7.12，净调出11.42亿元）[13] - 华兰生物（冲击系数-6.79，净调出8.55亿元）[13] --- 数据处理细节 - **权重计算**：调入个股权重基于自由流通市值测算，调出个股采用指数公司公布的权重，并对特殊加权方式（如股息率加权）和权重上限进行修正[5] - **规模汇总**：同一股票在不同指数中的调入/调出规模分别计算后汇总为净调整规模[6] 注：报告中未涉及量化模型或其他因子的构建，故未列出相关内容。