量化投资策略演进 - 公司量化团队突破传统线性分析局限，采用非线性分析方式更精准地挖掘市场投资机遇[1] - 投资策略从依赖线性分析把握长期规律，向结合非线性分析技术以适应市场变化过渡[2] - 针对指数样本增强，储备了线性多因子模型和非线性机器学习模型两类策略[2] 线性与非线性模型结合 - 指数样本增强主要采取线性和非线性相结合的方式，由多因子模型与机器学习模型互相协作[1] - 线性策略以常见的多因子模型为主，非线性策略包括XGBoost、LightGBM等非线性映射方法[2] - 模型间相关性较低，力争有效降低整体组合的跟踪误差并获得相对稳健的超额收益[1] 神经网络学习技术应用 - 在简单神经网络学习基础上，进一步开发复杂神经网络学习，将长期规则和中短期信息相结合[3] - 通过在原有因子特征基础上做提取，再放到有监督的神经网络训练，有助于模型迅速适应市场变化[3] - XGBoost等技术可展示因子重要性，帮助识别关键因子，增强模型对市场变化的适应能力[2] 卫星策略与风险管理 - 在指数样本增强策略基础上，辅以卫星策略做进一步的风格补充，包括红利优选和大盘成长优选[4] - 红利优选策略在小市值、低估值、高盈利等方面有较强风格暴露，大盘成长优选策略侧重大市值、高成长[4] - 同步开发财务风险管理策略，力争避免风险事件带来的意外冲击[5] 量化产品体系与发展 - 指数样本内增强策略叠加卫星策略，共同构成量化策略体系，自2019年实盘以来已逐步成熟[5] - 公司已推出银河沪深300指数增强基金、银河中证A500指数增强基金两只指增产品[5] - 拟新发行银河中证800指数增强基金，该指数结合大盘蓝筹与中盘成长风格，覆盖申万31个一级行业[5]

根据提供的量化周报内容，以下是关于报告中涉及的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：A股景气指数模型**[29] * **模型构建思路**：该模型旨在对A股市场的景气度进行高频Nowcasting（即时预测），其核心目标是Nowcasting上证指数的归母净利润同比增速[29] * **模型具体构建过程**：报告指出，该指数的构建详情可参考其前期研究报告《视角透析：A股景气度高频指数构建与观察》，但本次周报未提供具体的构建公式和详细步骤[29] 2. **模型名称：A股情绪指数模型**[34] * **模型构建思路**：该模型通过分析市场的波动率和成交额这两个最直接的情绪刻画指标，将市场状态划分为四个象限，并据此构建包含见底预警和见顶预警的综合情绪指数[34] * **模型具体构建过程**：模型首先根据波动率和成交额的变化方向将市场划分为四个象限。历史回测表明，只有“波动率上行-成交额下行”的区间表现为显著负收益，其余三个区间均为显著正收益。基于这一规律，模型构建了A股情绪指数系统，相关细节可参考报告《视角透析：A股情绪指数构建与观察》。报告未提供具体的数学公式[34] 3. **模型名称：指数增强组合模型**[46][55] * **模型构建思路**：分别为中证500和沪深300指数构建增强投资组合，旨在通过量化策略获取超越基准指数的超额收益[46][55] * **模型具体构建过程**：报告展示了两个增强组合的当前持仓明细，但未详细说明其背后的具体选股模型、因子权重配置或组合优化过程。持仓列表可视为模型输出的结果[48][56] 4. **模型名称：主题挖掘算法**[46] * **模型构建思路**：该算法用于从新闻和研报文本中自动挖掘主题投资机会[46] * **模型具体构建过程**：算法流程包括文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建以及主题影响力因子构建等多个维度。基于此算法，报告在当期推荐了“半导体概念”主题[46] 模型的回测效果 1. **中证500增强模型**，本周收益-0.61%，本周超额收益0.66%，2020年至今累计超额收益53.24%，最大回撤-5.73%[46] 2. **沪深300增强模型**，本周收益-1.67%，本周超额收益-0.58%（跑输基准），2020年至今累计超额收益38.04%，最大回撤-5.86%[55] 量化因子与构建方式 1. **因子体系名称：BARRA风格因子体系**[60] * **因子构建思路**：参照国际通用的BARRA风险模型，针对A股市场构建一套包含十大类风格因子的分析体系，用于解释股票收益的来源和进行组合归因[60] * **因子具体构建过程**：报告列出了十大类风格因子的名称，包括：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）和杠杆（LVRG）。但报告未提供每个因子的具体计算公式和构建细节[60] 因子的回测效果 *报告在本周（近一周）的因子分析中，未提供各个因子具体的IC值、IR值等定量指标，仅给出了定性的表现描述[61]：* * **风格因子表现**：残差波动率因子超额收益较高；市值因子呈现较为显著的负向超额收益；高杠杆股表现优异；市值、成长等因子表现不佳[61] * **行业因子表现**：保险、医药、有色金属等行业因子跑出较高超额收益；计算机、汽车等行业因子回撤较多[61]

量化投资策略演进 - 为适应复杂市场环境，量化团队突破传统线性分析局限，采用非线性分析方式更精准挖掘投资机遇 [1] - 量化投资仅依靠线性分析难以支撑，行业趋势正从线性向非线性过渡，需不断学习非线性分析技术紧跟市场变化 [2] - 针对指数样本增强储备线性和非线性两类策略，线性策略以多因子模型为主，非线性策略包括XGBoost、LightGBM等非线性映射方法 [2] 非线性策略技术细节 - XGBoost可展示因子重要性，通过排序帮助识别重要因子，增强模型对市场变化的适应能力，尤其在结构化行情下能抓住弹性品种机会 [2] - 在简单神经网络基础上开发复杂神经网络学习，将长期规则和中短期信息结合，在原有因子特征基础上提取再训练，有助于模型迅速适应市场变化 [3] - 简单神经网络直接用原始数据提取个股特征进行有监督学习，但原始数据噪音大难以训练收敛 [3] 复合策略体系构建 - 指数样本增强采取线性和非线性相结合方式，由多因子模型与机器学习模型协作，力争获得稳健超额收益并降低组合跟踪误差 [1] - 在指数样本增强基础上辅以卫星策略加强组合适应能力，卫星策略包括红利优选和大盘成长优选两部分 [4] - 红利优选策略在高股息率样本池中用多因子方法选股，在小市值、低估值、高盈利等方面有较强风格暴露 [4] - 大盘成长优选策略在市值较大样本池中用多因子方法选股，对大市值、高成长等特点有风格暴露 [4] - 同步开发财务风险管理策略，力争避免风险事件带来的意外冲击 [4] 产品应用与市场布局 - 量化策略体系自2019年实盘以来已逐步成熟，并具体运用于量化产品管理过程，基于不同产品特征调整卫星策略子策略配置比例以更精准刻画市场风格 [4] - 公司已推出银河沪深300指数增强基金、银河中证A500指数增强基金两只产品，拟由罗博担纲的银河中证800指数增强基金已启动发行 [4] - 中证800指数结合大盘蓝筹风格与中盘成长风格整体更为均衡，多维度覆盖A股资产，能较全面代表中国经济整体活力 [5] - 中证800指数样本全面覆盖申万31个一级行业，包含传统支柱行业及代表未来产业升级方向的新兴成长领域 [5]

量化投资行业趋势 - 随着AI技术发展，量化投资力量日益壮大，公募量化领域受到市场关注[1] - 传统量化多因子模型基于历史数据归纳，无法从根本上解决市场的长期有效性问题[1][4] - 量化行业竞争加剧，获取阿尔法的难度提升，模型需要不断挖掘新因子[1][4] - 相较国外成熟市场，国内量化投资历史较短积淀尚浅[7] - 量化私募具有交易成本低和灵活便利的优势，但选股层面创造超额收益相对较小[7] - 公募量化在基本面研究上的优势将逐渐显现，尤其在竞争激烈环境下[1][7] 黄志钢的量化投资框架 - 投资框架概括为“价值选股，双重轮动”[2] - 价值选股核心因子包括股利支付比例、净资产收益率、盈利收益率等[2] - 模型运作第一步是预测公司ROE和EP，第二步代入公式计算潜在收益率值并排序选股[2] - 选股并非固定不变，而是根据因子变化持续调整，从全市场选过去3到5年跌幅较大股票构建基础池[3] - 致力于智能选股数理模型开发，结合价值选股与量化轮动策略进行高抛低吸[4] - 在公募基金交易环境中需找到合理调仓率，平衡交易性收益和交易成本[7] 优秀量化模型的关键问题 - 优秀量化投资模型关键在于构建投资安全边际、识别投资价值陷阱、合理定义公司价格[1][4] - 实际操作中从两方面入手：一是排除陷入价值陷阱的个股，二是选择低市盈率、低市净率、高股息率股票提供安全边际[5] - 通过个股诊断系统和价量指标识别，采用特异度因子提高筛除价值陷阱股票的有效性[5] - 投资目标是在“好公司”和“好价格”之间寻求较佳平衡，追求长期业绩优势而非短期表现[5] - 量化投资能通过模型监测识别经济周期阶段，在不同阶段选择不同估值指标构建安全边际[7] 风险管理与业绩表现 - 量化投资风控手段主要体现在事前，通过降低波动控制回撤[8] - 具体措施包括基金仓位不长期满仓、分散持仓数量（单股最大权重2%以内）、保持策略风格平衡[8] - 在组合构建上不做择时，而是通过突出超额收益平滑波动风险，持仓分散不集中特定赛道[7] - 基金换手率稳定控制在双边12倍，持股数量在80至130只[7] - 截至2025年9月30日，南华丰汇混合A成立以来净值增长率超87%，同期业绩比较基准3.99%[4] - 南华丰元量化选股混合A自2024年1月管理至今净值增长率超38%[4]

量化投资策略演进 - 量化团队突破传统线性分析对历史回测的局限 采用非线性分析方式更精准地挖掘投资机遇 [1] - 投资总监助理罗博具有21年证券从业经验和15年公募基金管理经验 长期扎根于指数与量化投资领域 [1] - 量化投资从线性向非线性过渡 需要不断学习非线性分析技术以紧跟市场变化 [1] 核心量化策略框架 - 指数样本增强采取线性和非线性相结合的方式 多因子模型与机器学习模型协作力争稳健超额收益 [1] - 线性策略以多因子模型为主 非线性策略包括XGBoost、LightGBM等非线性映射方法 [1] - XGBoost可展示因子重要性 帮助识别重要因子以增强模型对市场变化的适应能力 尤其在结构化行情下能抓住弹性品种机会 [2] 神经网络学习应用 - 在简单神经网络学习基础上进行深度开发 看好复杂神经网络学习 [2] - 将长期规则和中短期信息相结合 在原有因子特征基础上提取 再放到有监督神经网络训练 有助于模型迅速适应市场变化 [2] - 通过调整可避免原始数据噪音问题 训练出收敛的神经网络 [2] 组合策略与产品布局 - 除指数样本增强策略外 还辅以卫星策略加强组合对市场的适应能力 包括红利优选和大盘成长优选两部分 [3] - 红利优选策略在小市值、低估值、高盈利等方面有较强风格暴露 大盘成长优选策略对大市值、高成长等特点有风格暴露 [3] - 同步开发财务风险管理策略 力争避免风险事件带来的意外冲击 [3] - 量化体系自2019年实盘以来逐步成熟 已推出银河沪深300指数增强基金和银河中证A500指数增强基金两只产品 [3] - 拟由罗博担纲的银河中证800指数增强基金已启动发行 以进一步丰富量化产品矩阵 [3] 中证800指数特征 - 中证800指数结合大盘蓝筹风格与中盘成长风格 整体更为均衡 [4] - 指数样本多维度覆盖A股资产 能够较为全面地代表中国经济整体活力 [4] - 指数样本全面覆盖申万31个一级行业 包含传统支柱行业和代表产业升级方向的新兴成长领域 [4]

量化投资框架 - 量化投资框架概括为“价值选股，双重轮动” [2] - 价值选股的核心因子包括股利支付比例、净资产收益率和盈利收益率 [2] - 模型运作首先预测公司净资产收益率和盈利收益率，然后计算潜在收益率值并根据其排序构建投资组合 [2] 模型运作与选股标准 - 选股标准旨在寻找价值投资中的好公司和好价格，以企业未来净资产收益率和盈利收益率为核心指标 [2] - 通过构建安全边际的方法筛选股票，如低估值、低市盈率和高股息等指标 [2] - 基础股票池由过去3到5年跌幅较大的股票构成，并通过每日更新以实现低买高卖 [3] 量化模型的挑战与优化 - 传统多因子模型基于历史数据归纳，存在局限性且无法根本解决市场长期有效性问题 [1][4] - 随着行业竞争加剧，获取阿尔法的难度提升，量化模型需不断挖掘新因子以迭代更新 [1][4] - 优化投资框架致力于智能选股数理模型开发，结合价值选股与量化轮动策略以实现收益最大化 [4] 优秀量化模型的关键问题 - 优秀量化投资模型需解决构建投资安全边际、识别投资价值陷阱和合理定义公司价格三个关键问题 [1][4] - 实际操作中通过个股诊断系统和价量指标识别并筛除陷入价值陷阱的股票 [5] - 投资目标是在“好公司”与“好价格”之间寻求较佳平衡，追求长期业绩优势而非短期表现 [5] 公募量化优势与策略平衡 - 公募量化在基本面研究上的优势将逐渐显现，而量化私募在交易成本和高频交易上更具优势 [7] - 量化策略需在交易性收益和交易成本之间找到合理平衡，确定较佳的交易调仓率 [7] - 通过模型监测经济周期阶段，在不同阶段选择不同估值指标以构建安全边际并识别投资风险 [7] 投资组合管理与风险控制 - 组合构建不做择时，而是通过突出的超额收益来平滑波动风险，持仓分散且不集中特定赛道 [7] - 基金换手率稳定控制在双边12倍，持股数量在80至130只 [7] - 风险控制手段包括基金仓位不长期满仓、分散持仓使单个股票权重低于2%以及保持策略风格平衡 [8] 基金经理业绩 - 在管4只基金总规模超过10亿元 [4] - 南华丰汇混合A基金成立以来净值增长率超87%，同期业绩比较基准为3.99%，近一年净值增长率超53%，同期业绩比较基准为11.24% [4] - 南华丰元量化选股混合A自2024年1月管理至今净值增长率超过38% [4]

核心观点 报告核心观点为量化ETF投顾策略在2024年表现出色，其中高景气/红利轮动策略总收益率达110.41%，鑫选ETF绝对收益策略总回报为54.04% [9][26] 同时，指数基金新发市场活跃，资金持续流入A股、跨境及商品类ETF，特别是港股通互联网等主题 [37][49][55] ETF投顾策略跟踪 鑫选ETF绝对收益策略 - 策略组合2024年初至今总回报为54.04%，较ETF等权超额11.1%，夏普比率1.55，最大回撤6.3%，波动率16.25% [9] - 最新持仓包括酒ETF（10%）、创新药ETF（15%）、银行ETF（10%）、证券ETF（10%）、有色金属ETF（5%）、化工ETF（10%）、新能源ETF（5%）、黄金股ETF（10%）、养殖ETF（5%）、证券保险ETF（5%）、红利低波ETF（5%） [10] - 具体持仓ETF代码及权重详见表格，如华泰柏瑞红利低波ETF（5%）、国泰中证畜牧养殖ETF（5%）、鹏华中证酒ETF（10%）等 [11] 全天候多资产多策略ETF风险平价策略 - 2024年初至今收益率为27.75%，最大回撤3.62%，波动率4.53%，夏普比率2.56 [13] - 策略覆盖商品（黄金ETF）、美股（标普500ETF）、国内权益（行业轮动、风格轮动、大小盘轮动）、国内债（10年国债ETF、30年国债ETF） [15] - 持仓以债券为主，上证10年期国债ETF权重43.68%，黄金ETF权重8.02%，并配置畜牧养殖、美股、港股等多元化资产 [16] “复苏”固收+组合 - 组合从2021年至今年化收益7.63%、年化波动率7.06%，夏普率1.07，采用港股高流动性ETF月度轮动结合30年长债持仓 [19] - 八月持仓中，博时上证30年期国债ETF权重59.20%，港股ETF如易方达中证香港证券投资主题ETF（3.05%）、广发中证香港创新药ETF（3.35%）等分散配置 [20] 中美核心资产组合 - 2015年初至今年化回报33.66%，较各指数等权超额收益12.11%，夏普比率1.65，最大回撤18.23%，波动率17.62% [23] - 组合纳入白酒、红利、黄金、纳指四种标的，结合RSRS择时和技术面反转策略，最新持仓为中证红利ETF [23] 高景气/红利轮动策略 - 2021年初至今年化收益25.49%，较各指数等权超额收益22.91%，夏普比率1.09，最大回撤22.91%，波动率24.2% [26] - 信号为高景气成长时调入创业板ETF和科创50ETF各50%，信号为红利时调入红利低波ETF与央企红利50ETF，最新持仓为央企红利50ETF、红利低波ETF [26] 双债LOF增强策略 - 2019年初至今年化收益6.43%，夏普比率2.48，最大回撤2.42%，波动率2.52%，通过调整债券与其他标的权重降低波动 [29] 结构化风险平价（QDII）策略 - 2024年初至今收益率28.53%，最大回撤2.38%，波动率4.68，夏普比率2.57，配置QDII权益、黄金、国内红利及债券ETF [32] 策略表现总览 - 2024年初至今，高景气红利轮动策略总收益率110.41%居首，鑫选技术面量化策略54.04%，中美核心资产组合78.85%，双债增强10.03%，结构化风险平价28.53%，全天候多资产风险平价27.75% [35] 指数基金新发市场追踪 新申报指数基金 - 本周新申报指数基金包括华宝国证商用卫星通信产业ETF、鹏华中证港股通信息技术综合ETF、易方达中证全指红利质量ETF等，覆盖卫星通信、港股通、红利质量等主题 [37] 新成立指数基金 - 本周新成立公募基金24只，募集总金额141.73亿元，其中指数基金14只，首发规模65.90亿元 [39] - 新成立基金包括德邦中证800指数增强A（募集11.73亿元）、国投瑞银上证综合指数增强A（9.71亿元）、银华创业板综合ETF联接A（8.61亿元）等 [39] 首发基金 - 下周首发指数基金24只，如国投瑞银北证50成份指数A、华宝北证50成份指数A、天弘中证细分化工产业主题ETF等，覆盖北证50、化工、港股通互联网等板块 [42] 上市基金 - 下周2只基金上市，南方恒生科技ETF（上市份额45,187.60万份）和华夏中证光伏产业ETF（上市份额29,971.30万份） [44] ETF资金流向 不同资产类别ETF资金流向 - 截至2025年11月14日，A股ETF净申赎122.0亿元，债券ETF-2.7亿元，商品ETF59.4亿元，跨境ETF102.4亿元 [49] A股ETF细分类别资金流 - A股宽基ETF净流出-31亿元，科创50、创业板指净买入居前，行业方面电力设备及新能源净流入28亿元，电子23亿元，非银16亿元，主题ETF中机器人主题净流入近16亿元 [50] - 资金净买入前5产品中，宽基如科创50ETF（25.13亿元）、500ETF（4.49亿元），行业如证券保险ETF（13.87亿元）、科创芯片ETF（10.57亿元），因子如自由现金流ETF（8.16亿元） [54] 跨境ETF资金流 - 跨境ETF本周净买入102亿元，香港市场ETF获增持91亿元，前5产品包括港股非银ETF（16.55亿元）、恒生互联ETF（10.70亿元）、恒生科技ETF天弘（9.31亿元） [55][58] 商品类ETF资金流 - 商品类ETF中黄金ETF净买入58亿元 [59] 市场表现复盘 全球大类资产表现 - A股市场万得微盘指数年初至今涨83.54%，创业板指涨49.80%，港股恒生指数涨30.82%，美股纳斯达克指数涨19.13%，大宗商品伦敦金现涨52.44% [63] 一级行业表现 - 本周消费者服务涨4.81%，纺织服装涨4.43%，医药涨3.29%，基础化工涨3.28%，计算机跌3.72%，电子跌4.44%，通信跌4.90% [64] 鑫选ETF池周涨幅TOP35 - 周涨幅前5为恒生医疗ETF（5.90%）、旅游ETF（5.86%）、恒生医药ETF（5.73%）、科创生物医药ETF（4.01%）、化工ETF（3.72%） [65]

根据提供的研报内容，以下是其中涉及的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：三维择时框架**[7][12] * **模型构建思路**：通过综合评估市场的分歧度、流动性和景气度三个维度的状态，对市场整体走势进行判断[7][12] * **模型具体构建过程**：模型监控三个核心指标：1）市场分歧度指数，反映投资者观点分歧程度；2）市场流动性指数，反映资金面状况；3）A股景气度指数2.0，反映宏观经济与企业盈利景气状况（金融与工业等分项）[7][11][12][23][24] 通过观察这三个指标的趋势（上行或下行）及其组合，形成对市场（如震荡、下跌）的判断[7][12] 2. **模型名称：ETF热点趋势策略**[27][28] * **模型构建思路**：根据ETF价格的上涨形态和市场关注度的提升，筛选出具有短期趋势的ETF构建投资组合[27] * **模型具体构建过程**：1）首先筛选出最高价与最低价同时呈现上涨形态的ETF；2）计算支撑阻力因子，该因子基于最高价与最低价近20日回归系数的相对陡峭程度；3）在支撑阻力因子的多头组中，进一步选择近5日换手率与近20日换手率比值最高的ETF，即短期关注度明显提升的品种；4）最终对选出的约10只ETF采用风险平价方法构建组合[27] 3. **模型名称：资金流共振策略**[35][36] * **模型构建思路**：结合融资融券资金和主动大单资金两类资金流在行业层面的动向，寻找两者有共振效应的行业进行推荐[35][36] * **模型具体构建过程**： * **行业融资融券资金因子**：首先计算个股层面的（融资净买入-融券净卖出），在行业内加总，然后使用Barra市值因子进行中性化处理，再计算其最近50日的均值，最后取该均值的两周环比变化率[35] * **行业主动大单资金因子**：计算行业层面的净流入数据，并采用其最近一年的成交量时间序列进行中性化处理，然后对中性化后的结果进行排序，最后取最近10日的均值[35] * **策略逻辑**：研究发现融资融券因子的多头端在某些市场状态下有稳定的负向超额收益，而主动大单因子（剔除极端多头行业后）有稳定正向超额收益。因此，策略在主动大单因子的头部行业（打分较高）中，剔除融资融券因子也处于头部的行业，以提高稳定性。策略通常会进一步剔除大金融板块[35] 模型的回测效果 1. **资金流共振策略**，年化超额收益13.5%[35]，信息比率(IR)1.7[35]，近期（策略上周）绝对收益1.28%[35]，超额收益（相对行业等权）0.55%[35] 量化因子与构建方式 1. **因子名称：Barra风格因子系列**[41][42] * **因子构建思路**：采用经典的Barra风险模型框架，从不同维度刻画股票的风格特征[41][42] * **因子具体构建过程**：报告中提及的Barra风格因子包括：规模(size)、贝塔(beta)、动量(momentum)、波动率(volatility)、非线性规模(nlsize)、价值(value)、流动性(liquidity)、盈利收益率(earnings_yield)、成长(growth)、杠杆(leverage)。报告未详细描述每个因子的具体计算公式，但指出其属于Barra体系[41][42] 2. **因子名称：速动比率 (quick_ratio)**[46] * **因子构建思路**：衡量企业短期偿债能力，属于流动性及质量类因子[46] * **因子具体构建过程**：$$quick\\_ratio = \\frac{速动资产}{流动负债}$$ [46] 3. **因子名称：资产负债率 (debt_asset_ratio)**[46] * **因子构建思路**：衡量企业负债水平，属于杠杆类因子[46] * **因子具体构建过程**：$$debt\\_asset\\_ratio = \\frac{总负债}{总资产}$$ [46] 报告表格中释义为“资产/负债”，但根据因子名称和常规财务定义，应为“总负债/总资产”。 4. **因子名称：产权比率 (debt_to_equity)**[46] * **因子构建思路**：反映由债权人提供的资本与股东提供的资本的相对关系，属于杠杆类因子[46] * **因子具体构建过程**：$$debt\\_to\\_equity = \\frac{total\\_liab}{book\\_value}$$ [46] 其中 total_liab 为总负债，book_value 为账面价值（股东权益） 5. **因子名称：5年盈利波动性 (earnings_variability_5y)**[46] * **因子构建思路**：衡量公司盈利的稳定性，属于盈利质量类因子[46] * **因子具体构建过程**：$$earnings\\_variability\\_5y = standard \\ deviation \\ of \\ yoy \\ eps \\ growth \\ over \\ 5y$$ [46] 计算过去5年每股收益(EPS)同比增速的标准差 6. **因子名称：单季度ROE同比差值（考虑快报、预告）(roe_q_delta_adv)**[49] * **因子构建思路**：基于业绩快报和预告信息，衡量公司最新单季度净资产收益率相对于去年同期改善程度，属于盈利动量类因子[49] * **因子具体构建过程**：报告未给出具体公式，因子释义为“单季度ROE同比差值（考虑快报、预告）”[49] 7. **因子名称：单季度ROA同比差值（考虑快报、预告）(roa_q_delta_adv)**[49] * **因子构建思路**：基于业绩快报和预告信息，衡量公司最新单季度总资产收益率相对于去年同期改善程度，属于盈利动量类因子[49] * **因子具体构建过程**：报告未给出具体公式，因子释义为“单季度ROA同比差值（考虑快报、预告）”[49] 8. **因子名称：单季度每股营业收入同比增长率 (yoy_orps_q)**[49] * **因子构建思路**：衡量公司营收增长情况，属于成长类因子[49] * **因子具体构建过程**：报告未给出具体公式，因子释义为“单季度每股营业收入同比增长率”[49] 9. **因子名称：基金持股比例 (io_to_float_a_share)**[49] * **因子构建思路**：反映机构投资者对公司的关注度和认可度，属于机构关注度类因子[49] * **因子具体构建过程**：$$io\\_to\\_float\\_a\\_share = \\frac{基金总持股数}{个股流通股数}$$ [49] 根据基金年报和半年报披露持股数统计 因子的回测效果 1. **Barra风格因子系列**，最近一周收益：价值(value)因子2.36%[42]，杠杆(leverage)因子1.08%[42]，波动率(volatility)因子0.19%[42]，规模(size)因子-3.76%[42]，贝塔(beta)因子-5.52%[42]，动量(momentum)因子-3.16%[42]，流动性(liquidity)因子-2.43%[42]，盈利收益率(earnings_yield)因子-0.08%[42]，成长(growth)因子-2.86%[42]，非线性规模(nlsize)因子-2.30%[42] 2. **速动比率 (quick_ratio)因子**，近一周多头超额收益1.32%[46]，近一月多头超额收益1.17%[46] 3. **资产负债率 (debt_asset_ratio)因子**，近一周多头超额收益1.21%[46]，近一月多头超额收益1.26%[46] 4. **产权比率 (debt_to_equity)因子**，近一周多头超额收益1.11%[46]，近一月多头超额收益1.45%[46] 5. **5年盈利波动性 (earnings_variability_5y)因子**，近一周多头超额收益1.04%[46]，近一月多头超额收益1.38%[46] 6. **单季度ROE同比差值（考虑快报、预告）(roe_q_delta_adv)因子**，在沪深300成分股中近一周多头超额收益23.45%[49]，在中证500成分股中近一周多头超额收益11.70%[49]，在中证800成分股中近一周多头超额收益18.31%[49]，在中证1000成分股中近一周多头超额收益16.31%[49] 7. **单季度ROA同比差值（考虑快报、预告）(roa_q_delta_adv)因子**，在沪深300成分股中近一周多头超额收益24.07%[49]，在中证500成分股中近一周多头超额收益10.44%[49]，在中证800成分股中近一周多头超额收益16.28%[49]，在中证1000成分股中近一周多头超额收益17.56%[49] 8. **单季度每股营业收入同比增长率 (yoy_orps_q)因子**，在沪深300成分股中近一周多头超额收益11.05%[49]，在中证500成分股中近一周多头超额收益8.25%[49]，在中证800成分股中近一周多头超额收益11.04%[49]，在中证1000成分股中近一周多头超额收益21.00%[49] 9. **基金持股比例 (io_to_float_a_share)因子**，在沪深300成分股中近一周多头超额收益10.96%[49]，在中证500成分股中近一周多头超额收益8.06%[49]，在中证800成分股中近一周多头超额收益10.94%[49]，在中证1000成分股中近一周多头超额收益18.78%[49]

根据提供的研报内容，以下是关于量化模型和因子的总结。报告主要涉及风格因子和风险溢价模型，未涉及复杂的多因子模型。 量化因子与构建方式 1. **因子名称：动量因子**[62] * **因子构建思路**：以最近一年股票收益率减去最近一个月股票收益率（剔除涨停板）作为动量指标，旨在捕捉股票的持续上涨趋势[62]。 * **因子具体构建过程**：该因子由“长江动量指数”表征。具体构建过程为，首先计算每只股票的动量指标（最近一年收益率 - 最近一个月收益率），然后在整个A股市场中，选取动量特征强且流动性相对较高的前100只股票作为指数成分股，以反映最具动量特征的股票整体走势[62]。 2. **因子名称：反转因子**[62] * **因子构建思路**：以最近一个月股票收益率作为筛选指标，旨在捕捉股票的短期反转效应[62]。 * **因子具体构建过程**：该因子由“长江反转指数”表征。具体构建过程为，在整个A股市场中，选取反转效应强、流动性较好的前100只股票作为指数成分股，并采用成分股近三个月日均成交量进行加权，以准确表征高反转特征个股的整体表现[62]。 3. **因子名称：风格拥挤度因子**[120] * **因子构建思路**：通过计算不同风格指数换手率的相对Z-score值及其历史分位数，来衡量某一风格交易的拥挤程度，以提示配置风险[120]。 * **因子具体构建过程**：对于特定的风格对比（如成长vs红利），分别计算风格A和风格B指数的近252日平均换手率，并在2005年1月1日以来的历史时间序列上进行Z-score标准化，得到Z-score_A与Z-score_B。然后计算二者差值（Z-score_A - Z-score_B）的滚动6年历史分位数。若历史数据量满1年但不足6年，则以全部历史数据进行计算[120]。公式如下： * 计算Z-score: $$Z = \frac{X - \mu}{\sigma}$$ * 相对拥挤度 = $$历史分位数(Z_{score\_A} - Z_{score\_B})$$ 4. **模型名称：风险溢价模型**[51] * **模型构建思路**：通过比较股票市场盈利收益率与无风险利率（通常为国债收益率）的差异，即风险溢价，来衡量配置股票的相对性价比[51]。 * **模型具体构建过程**：对于特定指数，其风险溢价的计算公式为： $$ERP = \frac{1}{PE_{TTM}} - R_{f}$$ 其中，$$PE_{TTM}$$ 为指数的滚动市盈率，$$R_{f}$$ 为10年期中债国债到期收益率[51]。 模型的回测效果 *本报告未提供量化模型的回测绩效指标，如年化收益率、夏普比率、最大回撤等。* 因子的回测效果 1. **动量因子** * 近一周相对收益：-2.3%[59] * 近一月相对收益：-0.1%[59] * 年初至今相对收益：17.8%[59] 2. **反转因子** * 近一周相对收益：与动量因子相对计算，结果为2.3%[59] * 近一月相对收益：与动量因子相对计算，结果为0.1%[59] * 年初至今相对收益：与动量因子相对计算，结果为-17.8%[59] 3. **成长因子** * 近一周相对收益（较红利）：-1.6%[59] * 近一月相对收益（较红利）：1.0%[59] * 年初至今相对收益（较红利）：24.5%[59] 4. **红利因子** * 近一周相对收益（较成长）：与成长因子相对计算，结果为1.6%[59] * 近一月相对收益（较成长）：与成长因子相对计算，结果为-1.0%[59] * 年初至今相对收益（较成长）：与成长因子相对计算，结果为-24.5%[59] 5. **小盘因子** * 近一周相对收益（较大盘）：0.3%[59] * 近一月相对收益（较大盘）：1.2%[59] * 年初至今相对收益（较大盘）：8.4%[59] 6. **大盘因子** * 近一周相对收益（较小盘）：与小盘因子相对计算，结果为-0.3%[59] * 近一月相对收益（较小盘）：与小盘因子相对计算，结果为-1.2%[59] * 年初至今相对收益（较小盘）：与小盘因子相对计算，结果为-8.4%[59] 7. **微盘股因子** * 近一周相对收益（较基金重仓）：5.3%[59] * 近一月相对收益（较基金重仓）：13.4%[59] * 年初至今相对收益（较基金重仓）：54.6%[59] 8. **风格拥挤度因子** * 成长vs红利相对拥挤度历史分位：68%[70] * 小盘vs大盘相对拥挤度历史分位：37%[70] * 微盘股vs中证800相对拥挤度历史分位：86%[70]

根据提供的研报内容，以下是其中涉及的量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：价格分段体系**[15] * **模型构建思路**：该模型用于对市场价格走势进行分段识别，以判断不同时间周期（如日线、周线）下的趋势状态[15] * **模型具体构建过程**：模型通过计算价格序列的指标来划分走势段，报告中提及了dea指标，该指标常用于趋势分析，是价格分段的重要依据[15][18] 2. **模型名称：微观市场结构择时模型**[16] * **模型构建思路**：通过监测市场中知情交易者的活跃度来对市场走势进行择时判断[16] * **模型具体构建过程**：模型构建了一个“知情交易者活跃度”指标，该指标的变化反映了知情交易者对后市的态度，当指标为负值时表明市场情绪偏谨慎，边际变化则指示情绪的转向[16][19] 3. **因子名称：分析师行业景气预期因子**[20] * **因子构建思路**：利用分析师对上市公司未来财务表现的一致预测数据来构建行业景气度因子，以捕捉基于分析师预期的行业轮动机会[20] * **因子具体构建过程**：因子计算涉及两个核心指标：1）申万一级行业对应的分析师一致预测滚动未来12个月ROE（ROEFTTM）的环比变化；2）行业一致预期净利润滚动未来12个月（FTTM）增速的环比变化[20][21] 通过跟踪这些预期数据的变化来评估行业景气度的边际改善或恶化 4. **因子名称：BARRA风格因子**[23] * **因子构建思路**：采用经典的BARRA风险模型框架，从多个维度刻画股票的风格特征，并分析这些风格因子在近期的收益表现[23] * **因子具体构建过程**：报告列出了多个BARRA风格因子，包括但不限于：价值类（EP价值、BP价值）、成长类、动量类、质量类（盈利质量、盈利能力、投资质量）、规模类（市值、非线性市值）、交易行为类（换手、波动率、流动性、长期反转、财务杠杆、盈利波动）以及股息率因子[23][24] 这些因子共同构成了对市场风格的多维度刻画 模型的回测效果 （报告中未提供具体量化模型的回测效果指标取值） 因子的回测效果 1. **BARRA风格因子**[23][24] * **本周收益**：换手因子 -0.5%，财务杠杆因子 0.1%，盈利波动因子 0.0%，盈利质量因子 0.3%，盈利能力因子 0.3%，投资质量因子 0.4%，长期反转因子 -0.5%，EP价值因子 -0.3%，BP价值因子 0.2%，成长因子 0.1%，动量因子 1.2%，非线性市值因子 -0.6%，市值因子 -0.3%，波动率因子 -0.5%，流动性因子 1.3%，股息率因子 -0.1%[24] * **上周收益**：换手因子 -0.6%，财务杠杆因子 -0.1%，盈利波动因子 0.2%，盈利质量因子 -0.1%，盈利能力因子 -0.5%，投资质量因子 0.2%，长期反转因子 0.0%，EP价值因子 0.0%，BP价值因子 -0.1%，成长因子 0.0%，动量因子 -0.4%，非线性市值因子 -0.6%，市值因子 -0.5%，波动率因子 0.7%，流动性因子 -1.0%，股息率因子 0.3%[24] * **近一季趋势**：报告中以图表形式展示趋势，未提供具体数值[24]