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**：主动量化产品 **模型构建思路**：通过量化方法筛选股票构建投资组合，追求超越基准的收益[21][24] **模型评价**：在医药、科技等板块表现突出，但受市场环境影响较大[24][26] 2. **模型名称**：量化对冲产品 **模型构建思路**：利用多空策略对冲市场风险，获取绝对收益[21][24] **模型评价**：收益稳定性较好但收益率偏低，适合低风险偏好投资者[24][26] 模型的回测效果 1. 主动量化产品： - 上周平均收益0.18%[21] - 年初至今平均收益2.95%[24] - 最佳单周收益11.57%（东吴智慧医疗量化策略A）[24] - 最佳年初至今收益29.48%（诺安多策略A）[26] 2. 量化对冲产品： - 上周平均收益-0.03%[21] - 年初至今平均收益0.74%[24] - 最佳单周收益0.41%（大成绝对收益A）[24] - 最佳年初至今收益3.38%（工银绝对收益A）[26] 量化因子与构建方式 1. **因子名称**：医药生物因子 **因子构建思路**：聚焦医疗健康板块的量化选股因子[24][26] **因子评价**：在北交所主题基金中表现突出，但受政策影响显著[9][26] 2. **因子名称**：科创50增强因子 **因子构建思路**：基于科创板企业的研发投入和成长性指标构建[24][29] **因子评价**：波动较大但长期超额收益明显[24][39] 因子的回测效果 1. 医药生物因子： - 上周TOP3基金收益12.04%/10.44%/9.55%[24] - 年初至今TOP3基金收益56.21%/53.93%/52.83%[26] 2. 科创50增强因子： - 相关ETF规模达796.65亿元（华夏上证科创板50ETF）[39] - 年初至今资金净流出117.95亿元[39] - 单周最佳超额收益3.99%（银华中证全指医药卫生增强）[24]

量化模型与构建方式 1. **模型名称**：公募基金仓位估计模型 - **模型构建思路**：基于基金季报披露的前十大重仓股、上市公司十大股东信息及行业配置数据，模拟补全基金的全部股票持仓[8][9] - **模型具体构建过程**： 1. 利用基金季报（T期）的行业配置比例和T-1期半年报/年报的非重仓股持仓，假设非重仓股在各行业内的持股种类不变，仅按比例调整权重，通过加权放缩得到T期非重仓股模拟持仓[10] 2. 将模拟持仓拆分为大、小盘组合，结合基金日收益率和大、小盘指数日收益率，采用加权最小二乘法估计每日大、小盘配置仓位[11] - **模型评价**：解决了基金持仓披露滞后性问题，实现了对基金仓位的日度监控，但依赖历史持仓假设可能引入偏差[11] 2. **模型名称**：基金风格监控模型 - **模型构建思路**：从大小盘配置、市值暴露、行业配置三个维度分析基金风格变化[11] - **模型具体构建过程**： 1. 基于模拟持仓计算基金在大盘（如上证50）和小盘（如中证1000）指数上的暴露 2. 通过回归分析计算行业配置权重，跟踪中信一级行业的仓位变动[15][20] --- 模型的回测效果 1. **公募基金仓位估计模型** - 普通股票型基金仓位中位数：87.39%（2025-05-30），周环比上升0.10%[16] - 偏股混合型基金仓位中位数：83.76%，周环比下降0.18%[16] - 大盘仓位变动：普通股票型+2.48%，偏股混合型+1.34%[16] - 小盘仓位变动：普通股票型-2.37%，偏股混合型-1.52%[16] 2. **基金风格监控模型** - 行业配置权重：电子（普通股票型14.32%）、医药（10.99%）、电力设备（9.29%）[20] - 行业分位点：电子元器件（66.79%分位）、汽车（97.08%分位）、医药（14.23%分位）[20] --- 量化因子与构建方式 1. **因子名称**：基金大小盘暴露因子 - **因子构建思路**：通过基金持仓与市场指数的相关性计算市值风格暴露[11] - **因子具体构建过程**： $$ \text{Exposure} = \frac{\sum (w_i \cdot \beta_i)}{\sum w_i} $$ 其中 \( w_i \) 为股票权重，\( \beta_i \) 为股票对大盘/小盘指数的敏感度 2. **因子名称**：行业动量因子 - **因子构建思路**：跟踪基金行业配置的周度变动捕捉资金流向[24] - **因子具体构建过程**：计算中信一级行业仓位周环比变化，如电子（+）、机械（-）[24] --- 因子的回测效果 1. **基金大小盘暴露因子** - 普通股票型基金小盘仓位：43.2%（2025-05-30），大盘仓位：44.2%[15] - 偏股混合型基金小盘仓位：47.0%，大盘仓位：36.8%[15] 2. **行业动量因子** - 本周增持行业：电子、计算机、传媒（变动幅度未披露）[24] - 本周减持行业：机械、汽车、电力设备[24]

根据提供的ETF周报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **ETF业绩表现模型** - 模型构建思路：统计不同类别ETF的周度收益率，按资产类别、宽基、板块和主题进行分类比较[13][15][16][17] - 模型具体构建过程： 1. 使用ETF单位复权净值计算收益率 2. 分类统计中位数收益率： - 宽基ETF：中证1000ETF（0.76%）、科创板ETF（0.61%）[13] - 板块ETF：消费ETF（1.01%）[16] - 主题ETF：军工ETF（2.07%）[16] - 模型评价：能有效捕捉市场结构性机会 2. **ETF规模变动分析模型** - 模型构建思路：跟踪ETF规模变动与净申赎数据，反映资金流向[2][27][28][29][30][31] - 模型具体构建过程： 1. 计算每日净申赎规模：$$净申赎规模=当日份额变动×收盘价$$ 2. 剔除分红和份额折算影响[27] 3. 分类统计：科创板ETF净申购15.7亿元，科技板块净申购21.3亿元[28][30] 3. **ETF估值分位数模型** - 模型构建思路：基于历史5年数据计算PE/PB分位数[33][34][35][36][37][41] - 模型具体构建过程： 1. 计算ETF基准指数估值中位数 2. 分位数公式：$$分位数=\frac{当前估值-历史最小值}{历史最大值-历史最小值}$$ 3. 输出结果：创业板类ETF市盈率分位数31.02%，消费板块PE分位数1.49%[34][36] 量化因子与构建方式 1. **融资融券因子** - 因子构建思路：通过融资余额和融券余量反映市场杠杆情绪[44][45][46][48][49][51] - 因子具体构建过程： 1. 统计日均融资买入额：科创板ETF（3.57亿元）、创业板ETF（2.5亿元）[46] 2. 统计日均融券卖出量：中证1000ETF（5.87万手）[49] - 因子评价：对短期市场情绪敏感 2. **管理人规模因子** - 因子构建思路：跟踪基金公司非货币ETF管理规模[52][53][54] - 因子具体构建过程： 1. 按管理人汇总规模：华夏（7124亿元）、易方达（6405亿元）[53] 2. 计算规模占比：华夏占全市场18.16%[53] 模型的回测效果 1. **ETF业绩表现模型** - 中证1000ETF周收益率：0.76%[13] - 军工ETF周收益率：2.07%[16] - 消费ETF周收益率：1.01%[16] 2. **ETF规模变动模型** - 科创板ETF净申购规模：15.7亿元[28] - 芯片ETF净申购规模：14.1亿元[30] 3. **估值分位数模型** - 创业板类ETF市盈率分位数：31.02%[34] - 军工ETF市盈率分位数：99.83%[37] 因子的回测效果 1. **融资融券因子** - 科创板ETF日均融资买入额：3.57亿元[46] - 中证1000ETF日均融券卖出量：5.87万手[49] 2. **管理人规模因子** - 华夏基金非货币ETF规模：7124亿元[53] - 易方达基金规模占比：16.33%[53]

量化因子与构建方式 1. **因子名称**：盈利预期期限结构因子 - **构建思路**：通过分析分析师对上市公司未来多年盈利预测的趋势（向上倾斜、水平、向下倾斜），用斜率度量盈利预期期限结构，反映分析师的乐观、中性或悲观预期[7] - **具体构建过程**： 1. 以未来年度为X轴，盈利预测数据为Y轴，拟合线性趋势 2. 计算斜率： $$ \text{斜率} = \frac{\sum_{t=1}^{n}(x_t - \bar{x})(y_t - \bar{y})}{\sum_{t=1}^{n}(x_t - \bar{x})^2} $$ 其中 \( x_t \) 为年度变量，\( y_t \) 为对应盈利预测值，\( \bar{x} \) 和 \( \bar{y} \) 为均值[7] - **因子评价**：历史表现良好，走势稳定性高[9] 2. **因子名称**：合成动量 ff 因子 - **构建思路**：将盈利预期期限结构"动量 ff"因子与传统分析师预期调升因子（如一致预期净利润3个月变化率）合成，以兼顾收益与稳定性[11] - **具体构建过程**： 1. 标准化处理两个因子的数值 2. 加权合成： $$ \text{合成动量 ff} = w_1 \cdot \text{动量 ff} + w_2 \cdot \text{调升因子} $$ 权重 \( w_1 \) 和 \( w_2 \) 根据历史表现优化确定[11] - **因子评价**：合成后因子走势改善，兼具高收益与稳定性[11] --- 因子的回测效果 1. **盈利预期期限结构因子**： - 累计IC表现见图1[8] 2. **合成动量 ff 因子**： - 累计IC表现见图2[13] --- 选股组合表现 1. **沪深300选股组合**： - 2025年5月超额收益：-0.15% - 2025年前5个月超额收益：1.09%[14] 2. **中证500选股组合**： - 2025年5月超额收益：0.57% - 2025年前5个月超额收益：1.33%[14] 3. **中证800选股组合**： - 2025年5月超额收益：-0.32% - 2025年前5个月超额收益：1.79%[14] 4. **中证1000选股组合**： - 2025年5月超额收益：-0.32% - 2025年前5个月超额收益：2.29%[14] （注：组合构建方法为选取对应指数内"合成动量 ff"因子排名前50/100的股票[14]）

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**：中证红利超额收益择时策略 **模型构建思路**：基于全球流动性（10年期美债收益率）、内部流动性（国内M2同比）、国内经济预期（M1-M2同比剪刀差）三个维度构建中证红利相对于万得全A的超额收益择时模型[8] **模型具体构建过程**： - 美债端信号：当10年期美债收益率60日均线上穿250日均线时看多红利[8][11] - 国内流动性信号：M2同比3月均线上穿12月均线时看空红利超额[10][14] - 经济预期信号：M1-M2剪刀差3月均线上穿12月均线时看空红利超额[10][16] **模型评价**：2010年以来年化超额收益8.05%，但2025年表现不佳（-6.69%）[8] 2. **模型名称**：红利50优选组合 **模型构建思路**：在高股息基础上叠加多因子增强，并采用Barra风格因子约束暴露[46] **模型具体构建过程**： - 选股：线性多因子模型筛选50只股票 - 风控：Barra风格因子约束组合偏离 - 动态调整：参考三维择时模型微调红利暴露度[46] --- 量化因子与构建方式 1. **因子名称**：PETTM估值因子 **因子构建思路**：采用权重因子加权调整中证红利PETTM估值以适配股息率加权特性[18] **因子具体构建过程**： - 绝对估值：计算中证红利PETTM近三年百分位 - 相对估值：中证红利PETTM ÷ 万得全A PETTM[21] **因子评价**：绝对/相对PETTM与未来收益呈负相关（T统计值-15.57/-18.07）[18][21] 2. **因子名称**：价量因子 **因子构建思路**：通过120日均线上权重合计和成交额百分位预测反转效应[24][31] **因子具体构建过程**： - 价格维度：计算成分股中位于120日均线上方的权重占比 - 成交维度：计算绝对成交额近三年百分位和相对万得全A的成交额百分位[24][31] 3. **因子名称**：红利风格暴露因子 **因子构建思路**：标准化季度股息率后计算偏股型基金前十大重仓的红利暴露度[37] **因子具体构建过程**： - 截面标准化A股股息率 - 合并基金重仓持股计算加权暴露值[37] --- 模型的回测效果 1. **中证红利超额收益择时模型** - 年化超额收益：8.05%（2010-2025）[8] - 2025年超额收益：-6.69%[8] 2. **红利50优选组合** - 近一年绝对收益：5.69% vs 中证红利1.84%[47] - 近三月超额收益：1.74%[47] - 2022年以来累计超额：19.07%[47] --- 因子的回测效果 1. **PETTM估值因子** - 绝对PETTM近三年98.93%分位 → 预测未来一年收益-1.42%[18] - 相对PETTM近三年80.37%分位 → 预测未来一年超额收益0.00%[22] 2. **价量因子** - 120日均线上权重58.84% → 预测未来一年收益7.35%[24] - 绝对成交额53.81%分位 → 预测未来一年收益13.78%[31] - 相对成交额7.61%分位 → 预测未来一月超额收益0.80%[33] 3. **红利风格暴露因子** - 2025Q1偏股基金暴露度0.37（2024Q4为0.45）[37] --- 注：所有公式引用均来自原文图表说明，未直接出现数学表达式[7][17][19][26]

根据研报内容，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. **高频宏观因子模型** - **构建思路**：通过资产组合模拟构建高频宏观因子体系，用于观察市场交易的宏观预期变化[12] - **具体构建过程**： 1. 对利率、汇率、信用等因子直接通过多空相关指数构建组合 2. 对高频经济增长和通胀因子： - 合成低频宏观因子（如工业增加值同比、CPI同比等） - 筛选领先资产（如恒生指数、CRB金属现货等） - 通过滚动多元回归确定资产权重，拟合宏观因子走势 $$y_t = \beta_0 + \sum_{i=1}^n \beta_i x_{i,t-k} + \epsilon_t$$ 其中y为宏观因子同比，x为资产收益率，k为领先期数[12][13] - **评价**：对低频宏观因子具有领先性，能有效捕捉预期变化 2. **债券久期择时模型** - **构建思路**：改进Diebold2006模型预测收益率曲线三因子（水平/斜率/曲率）[20] - **具体构建过程**： - 水平因子：结合宏观变量预判和政策利率跟随 - 斜率/曲率因子：基于AR(1)模型预测 - 映射不同久期债券的预期收益[20] - **评价**：能动态捕捉收益率曲线形态变化 3. **转债风格轮动模型** - **构建思路**：通过估值偏离度和市场情绪指标进行风格切换[28] - **具体构建过程**： 1. 构建转股溢价率偏离度因子： $$\Delta PE = \frac{PE_i - PE_{median}}{\sigma_{PE}}$$ 2. 理论价值偏离度因子： $$\Delta PV = \frac{PV_i - PV_{model}}{\sigma_{PV}}$$ 3. 结合20日动量和波动率偏离度构建情绪指标[28] - **评价**：有效规避高估值转债风险 4. **黄金预期收益模型** - **构建思路**：关联黄金与TIPS的实际回报[32] - **具体构建过程**： $$E[Real\_Return^{gold}]=k\times E[Real\_Return^{Tips}]$$ $$E[R^{gold}]=\pi^{e}+k\times E[Real\_Return^{Tips}]$$ 其中k通过扩展窗口OLS估计，π^e取美联储2%通胀目标[32] - **评价**：建立了黄金与实际利率的量化关系 5. **主动风险预算模型** - **构建思路**：将风险平价与主动信号结合动态调整股债权重[40] - **具体构建过程**： 1. 计算股权风险溢价(ERP)： $$ERP = \frac{1}{PE_{ttm}} - YTM_{10Y}$$ 2. 估值分位数信号（5年滚动） 3. M2-M1剪刀差流动性信号 4. 通过softmax函数转化信号： $$softmax(x)=\frac{\exp(\lambda x)}{\exp(\lambda x)+\exp(-\lambda x)}$$[49] - **评价**：实现了风险控制与主动调整的平衡 6. **行业轮动3.0模型** - **构建思路**：六维度动态合成信号体系[56] - **具体构建过程**： - 交易行为：日内动量+隔夜反转 - 景气度：盈余动量 - 资金流：主动抢筹+被动派发 - 筹码结构：持仓收益+阻力支撑 - 宏观驱动：高频宏观映射 - 技术分析：趋势/振荡/量能指标[56] - **评价**：多维度捕捉行业轮动规律 模型回测效果 1. **高频宏观因子** - 经济增长因子：与低频数据方向一致性达80%[13] - 通胀因子（消费端）：领先低频数据1-2个月[16] 2. **债券久期择时** - 2025年5月超额收益18bp[23] - 近1年超额收益-3.58%[23] 3. **转债风格轮动** - 年化收益23.94%，最大回撤15.54%，IR 1.45[30] - 2025年收益23.61%[30] 4. **黄金模型** - 未来1年预期收益23.0%[32] - 过去1年实际收益41.32%[36] 5. **主动风险预算** - 年化收益6.49%，收益波动比1.62[53] - 最大回撤4.89%[53] 6. **行业轮动3.0** - 2025年5月多空收益-0.08%[60] - ETF轮动组合超额收益-0.26%[73] 量化因子与构建方式 1. **股权风险溢价(ERP)因子** - **构建过程**： $$ERP = \frac{1}{PE_{ttm}} - YTM_{10Y}^{TB}$$[41] - **信号规则**：>5%超配权益，<2%低配[42] 2. **转债估值因子** - 百元转股溢价率：26.28%（3年分位数39.6%）[26] - 修正YTM利差：0.18%中位数[26] 3. **基金风格因子** - 成长因子：强动量+景气上行[83] - 质量因子：强动量+景气上行[83] - 估值因子：弱动量+低赔率[83] 因子回测效果 1. **ERP因子** - 当前值5.50%（2025/5/30）[44] 2. **估值分位数因子** - 中证800 PE_ttm分位数57.2%[46] 3. **流动性因子** - M2-M1剪刀差6.50%（2025/04）[48] 4. **行业轮动因子** - 赔率指标：历史中低水平[59] - 胜率指标：1周动量最强[59]

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**：中证1000指数增强组合 **模型构建思路**：通过多因子选股策略对中证1000指数成分股进行增强，结合量化因子筛选和权重优化[4] **模型具体构建过程**： - 因子库构建：包含价值、成长、动量、质量等大类因子 - 因子合成：采用加权平均法合成综合得分 - 组合优化：在跟踪误差约束下最大化因子得分，使用二次规划求解 $$ \min_w (w-w_b)^T\Sigma(w-w_b) \quad s.t.\quad \sum f_iw_i \geq F_0 $$ 其中$w$为组合权重，$w_b$为基准权重，$\Sigma$为协方差矩阵，$f_i$为股票因子值 **模型评价**：年内超额收益达9.41%，显示稳定超额能力[4] 2. **模型名称**：港股精选组合 **模型构建思路**：基于港股通标的构建多因子量化选股策略[4] **模型具体构建过程**： - 因子筛选：侧重股息率、ROE和动量因子 - 组合构建：采用分层加权法，按市值和行业分组配置 **模型评价**：相对恒生指数超额15.07%，体现跨市场选股优势[4] 3. **模型名称**：成长稳健组合 **模型构建思路**：小盘成长风格主导的主动量化策略[4] **模型具体构建过程**： - 风格暴露控制：限制市值和估值因子暴露 - 动态调仓：月度再平衡结合事件驱动调整 量化因子与构建方式 1. **因子名称**：自由现金流因子 **因子构建思路**：反映企业真实盈利能力的质量因子[12] **因子具体构建过程**： $$ FCF = \frac{经营性现金流净额 - 资本支出}{总资产} $$ 采用过去3年移动平均值平滑波动 2. **因子名称**：ESG筛选因子 **因子构建思路**：优化指数编制中引入的环境社会治理标准[13] **因子具体构建过程**： - 数据来源：第三方ESG评级机构 - 阈值设定：剔除行业后20%分位的股票 3. **因子名称**：专精特新因子 **因子构建思路**：捕捉政策支持的小盘创新属性[13] **因子具体构建过程**： - 定义标准：研发投入占比>5%且专利数行业前30% - 权重加成：在综合因子中额外赋予20%权重 模型的回测效果 1. 中证1000指数增强组合：年化超额9.41%，最大回撤4.2%，信息比率2.1[4] 2. 港股精选组合：年化收益31.17%，超额15.07%，跟踪误差6.8%[4] 3. 成长稳健组合：相对股基指数超额12.09%，月胜率83%[4] 因子的回测效果 1. 自由现金流因子：IC均值0.12，年化多空收益8.5%[12] 2. ESG筛选因子：降低组合波动率1.2个百分点，年化超额2.3%[13] 3. 专精特新因子：在小盘股中ICIR达1.8，月频换手率35%[13]

量化模型与构建方式 1. **模型名称**：成交量模型 - **模型构建思路**：基于市场成交量变化判断短期市场情绪[12] - **模型评价**：对市场流动性敏感，但易受异常交易干扰 2. **模型名称**：低波动率模型 - **模型构建思路**：通过计算标的指数波动率分位数判断市场风险偏好[12] - **模型评价**：防御性较强，适用于震荡市 3. **模型名称**：特征龙虎榜机构模型 - **模型构建思路**：跟踪龙虎榜机构买卖行为构建资金流向因子[12] - **模型评价**：对机构主导行情有效性较高 4. **模型名称**：智能沪深300/中证500模型 - **模型构建思路**：结合量价特征与机器学习算法优化宽基指数择时[12] - **模型评价**：智能化程度高，但存在过拟合风险 5. **模型名称**：涨跌停模型 - **模型构建思路**：统计涨停/跌停股票比例反映市场极端情绪[13] - **模型评价**：对市场转折点敏感 6. **模型名称**：长期动量模型 - **模型构建思路**：计算宽基指数12个月动量筛选趋势性机会[14] - **模型评价**：在单边市中表现优异 7. **模型名称**：成交额倒波幅模型（港股） - **模型构建思路**：$$ \text{信号}=\frac{\text{成交额}}{\text{波动率}} $$ 捕捉港股资金效率[16] - **模型评价**：适用于高流动性市场 模型的回测效果 1. 成交量模型：当前信号中性[12] 2. 低波动率模型：当前信号中性[12] 3. 智能沪深300模型：当前信号中性[12] 4. 智能中证500模型：当前信号看多[12] 5. 涨跌停模型：当前信号看多[13] 6. 长期动量模型：全宽基中性[14] 量化因子与构建方式 1. **因子名称**：杯柄形态因子 - **因子构建思路**：识别杯柄形态突破个股，计算形态长度与突破幅度[44][45] - **因子具体构建**： - A点（左杯沿）、B点（杯底）、C点（右杯沿）价格序列 - 突破条件：$$ P_{\text{break}} > \max(P_A, P_C) \times (1+\theta) $$ - **因子评价**：对成长股趋势延续性捕捉较好 2. **因子名称**：双底形态因子 - **因子构建思路**：捕捉W底形态突破个股[49][51] - **因子具体构建**： - A点（左底）、B点（颈线）、C点（右底）价格序列 - 突破条件：$$ P_{\text{break}} > P_B \times (1+\lambda) $$ - **因子评价**：在反弹市中表现突出 因子的回测效果 1. 杯柄形态因子：本周组合超额收益1.16%，年内累计超额40.69%[43] 2. 双底形态因子：本周组合超额收益2.29%，年内累计超额30.19%[43] 特殊指标监控 1. VIX指数：当前值14.78，较上周下降[41] 2. 基金仓位：股票型基金仓位90.12%（-71bps），混合型75.70%（+203bps）[23][29]

量化模型与构建方式 1. **模型名称：AI行业轮动模型** - 模型构建思路：使用全频段量价融合因子对32个一级行业打分，构建周频调仓策略，每周选取5个行业等权配置[1][16][23] - 模型具体构建过程： 1. 行业池：32个一级行业（拆分食品饮料、有色金属等）[23] 2. 因子：全频段量价融合因子，通过行业成分股因子得分加权计算行业得分[16][23] 3. 策略规则：每周最后一个交易日选择得分最高的5个行业，以下周首个交易日收盘价买入，周频调仓[23] 2. **模型名称：AI主题指数轮动模型** - 模型构建思路：基于全频段量价融合因子对133个主题指数打分，每周选取10个指数等权配置[2][9][15] - 模型具体构建过程： 1. 指数池：Wind主题ETF跟踪的133个指数[9] 2. 因子：全频段量价融合因子，通过成分股因子得分加权计算指数得分[9][15] 3. 策略规则：每周最后一个交易日选择得分最高的10个指数，以下周首个交易日开盘价买入，交易成本双边万分之四[9] 3. **模型名称：AI概念指数轮动模型** - 模型构建思路：对72个Wind热门概念指数应用全频段量价融合因子，每周选取10个指数等权配置[11][13][15] - 模型具体构建过程： 1. 指数池：72个Wind概念指数[15] 2. 因子：全频段量价融合因子，通过成分股因子得分加权计算指数得分[15] 3. 策略规则：每周最后一个交易日选择得分最高的10个指数，交易成本双边万分之四[15] 4. **模型名称：AI中证1000增强组合** - 模型构建思路：基于全频段融合因子构建中证1000指数增强策略[28][29] - 模型具体构建过程： 1. 因子：全频段融合因子[28] 2. 组合规则：成分股权重≥80%，个股权重偏离上限0.8%，Barra暴露<0.3，周双边换手率控制30%，交易成本双边千分之四[29] 5. **模型名称：文本FADT_BERT选股组合** - 模型构建思路：基于盈利预测调整文本因子（forecast_adjust_txt_bert）构建多头选股组合[32][36] - 模型具体构建过程： 1. 因子：forecast_adjust_txt_bert因子[32] 2. 策略规则：选取因子排名前25的股票构建组合[32] --- 量化因子与构建方式 1. **因子名称：全频段量价融合因子** - 因子构建思路：结合高频深度学习因子与低频多任务因子合成[26][28] - 因子具体构建过程： 1. 高频部分：深度学习模型提取27个高频量价特征[26] 2. 低频部分：多任务学习挖掘低频量价数据[26] 3. 合成方法：高频与低频因子加权融合[26] 2. **因子名称：forecast_adjust_txt_bert** - 因子构建思路：基于BERT模型升级盈利预测调整文本因子[32] - 因子评价：在历史回测中展现较强选股能力[32] --- 模型的回测效果 1. **AI行业轮动模型** - 年化收益率：24.95%[1][22] - 年化超额收益率（vs等权基准）：20.80%[1][22] - 超额收益最大回撤：12.43%[22] - 超额夏普比率：2.00[22] - 今年以来收益率：4.88%[22] 2. **AI主题指数轮动模型** - 年化收益率：16.03%[2][8] - 年化超额收益率：13.10%[2][8] - 超额收益最大回撤：16.55%[8] - 今年以来超额收益率：10.43%[2][8] 3. **AI概念指数轮动模型** - 年化收益率：22.42%[13] - 年化超额收益率：12.68%[13] - 超额收益最大回撤：17.96%[13] 4. **全频段融合因子分层测试** - TOP层年化超额收益率（vs全A等权）：31.47%[26][28] - 5日RankIC均值：0.116[28] - 今年以来TOP层超额收益：15.04%[26][28] 5. **AI中证1000增强组合** - 年化超额收益率（vs中证1000）：22.17%[28][30] - 年化跟踪误差：6.07%[28] - IR：3.65[28] - 超额收益最大回撤：7.55%[28] 6. **文本FADT_BERT组合** - 成立以来年化收益率：39.29%[32][38] - 年化超额收益率（vs中证500）：31.74%[32][38] - 夏普比率：1.36[32] - 最大回撤：48.69%[38]

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**：沪深300指数增强模型 **模型构建思路**：通过超额收益跟踪沪深300指数表现，采用多因子选股和优化权重的方法构建投资组合[9][10] **模型具体构建过程**： - 采用日频数据进行计算，年化采用242个交易日，几何年化 - 基金分类标准为Wind投资类型二级为指数增强型基金，跟踪沪深300指数 - 超额业绩计算的比较基准为沪深300全收益指数[31] 2. **模型名称**：中证500指数增强模型 **模型构建思路**：通过超额收益跟踪中证500指数表现，采用多因子选股和优化权重的方法构建投资组合[9][10] **模型具体构建过程**： - 采用日频数据进行计算，年化采用242个交易日，几何年化 - 基金分类标准为Wind投资类型二级为指数增强型基金，跟踪中证500指数 - 超额业绩计算的比较基准为中证500全收益指数[31] 3. **模型名称**：中证1000指数增强模型 **模型构建思路**：通过超额收益跟踪中证1000指数表现，采用多因子选股和优化权重的方法构建投资组合[9][10] **模型具体构建过程**： - 采用日频数据进行计算，年化采用242个交易日，几何年化 - 基金分类标准为Wind投资类型二级为指数增强型基金，跟踪中证1000指数 - 超额业绩计算的比较基准为中证1000全收益指数[31] 4. **模型名称**：中证A500指数增强模型 **模型构建思路**：通过超额收益跟踪中证A500指数表现，采用多因子选股和优化权重的方法构建投资组合[9][10] **模型具体构建过程**： - 采用日频数据进行计算，年化采用242个交易日，几何年化 - 基金分类标准为Wind投资类型二级为指数增强型基金，跟踪中证A500指数 - 超额业绩计算的比较基准为中证A500全收益指数[31] 5. **模型名称**：主动量化模型 **模型构建思路**：通过多因子选股和动态调整权重，实现绝对收益目标[9][10] **模型具体构建过程**： - 采用日频数据进行计算，年化采用242个交易日，几何年化 - 基金分类标准为Wind投资类型为普通股票型、偏股混合型、灵活配置型基金，根据投资名称、投资目标、基金经理等定义主动量化基金[31] 6. **模型名称**：股票市场中性模型 **模型构建思路**：通过多空对冲策略，降低市场风险，追求绝对收益[9][10] **模型具体构建过程**： - 采用日频数据进行计算，年化采用242个交易日，几何年化 - 基金分类标准为Wind投资类型二级为股票多空策略[31] 模型的回测效果 1. **沪深300指增模型** - 本周超额收益均值：0.35%[10] - 本月超额收益均值：0.40%[10] - 本年超额收益均值：1.30%[10] - 近一年跟踪误差：3.60%[10] 2. **中证500指增模型** - 本周超额收益均值：0.20%[10] - 本月超额收益均值：1.12%[10] - 本年超额收益均值：1.99%[10] - 近一年跟踪误差：4.99%[10] 3. **中证1000指增模型** - 本周超额收益均值：0.09%[10] - 本月超额收益均值：0.68%[10] - 本年超额收益均值：4.01%[10] - 近一年跟踪误差：5.15%[10] 4. **中证A500指增模型** - 本周超额收益均值：0.34%[10] - 本月超额收益均值：0.32%[10] - 本年超额收益均值：3.02%[10] - 本年跟踪误差：7.69%[10] 5. **主动量化模型** - 本周收益均值：0.10%[10] - 本月收益均值：2.20%[10] - 本年收益均值：2.93%[10] - 近一年最大回撤：16.17%[10] 6. **股票市场中性模型** - 本周收益均值：0.04%[10] - 本月收益均值：0.17%[10] - 本年收益均值：0.74%[10] - 近一年最大回撤：5.15%[10] 量化因子与构建方式 （研报中未提及具体量化因子的构建，故跳过此部分） 因子的回测效果 （研报中未提及具体量化因子的回测效果，故跳过此部分）