量化模型与构建方式 1. 三维择时模型 - 模型名称：三维择时模型 - 模型构建思路：通过分歧度、流动性和景气度三个维度来判断市场走势 - 模型具体构建过程： - 分歧度：衡量市场参与者对未来走势的分歧程度 - 流动性：衡量市场的资金流动情况 - 景气度：衡量市场的整体经济状况 - 公式：未提供具体公式 - 模型评价：在高波动环境下，流动性回落偏向于震荡下跌[7][11][13] 2. 资金流共振策略 - 模型名称：资金流共振策略 - 模型构建思路：通过监控融资融券和大单资金的流入流出情况，选择资金流入较多的行业 - 模型具体构建过程： - 融资资金因子：Barra市值因子中性化后的融资净买入（个股加总），取最近20日均值 - 主动大单资金因子：行业最近一年成交量时序中性化后的净流入排序，取最近10日均值 - 选择两种资金流都看好的行业，即每一期同时在两个因子排序前十的行业 - 公式：未提供具体公式 - 模型评价：策略2018年以来费后年化超额收益14.5%，信息比率1.4，相对北向-大单共振策略回撤更小[23][28][29] 模型的回测效果 - 三维择时模型：未提供具体回测效果 - 资金流共振策略： - 绝对收益：-1.4% - 超额收益：0.4% - 年化超额收益：14.5% - 信息比率：1.4[28][29] 量化因子与构建方式 1. 反转因子 - 因子名称：反转因子 - 因子的构建思路：通过观察股票价格的反转趋势来预测未来走势 - 因子具体构建过程： - 公式：未提供具体公式 - 因子评价：表现较好，最近一周相对于中证全指的超额收益达到2%以上[33][34] 2. 估值因子 - 因子名称：估值因子 - 因子的构建思路：通过估值指标（如市盈率、市销率等）来选择低估值股票 - 因子具体构建过程： - 公式：未提供具体公式 - 因子评价：在不同市值下表现较好，整体看大市值下因子超额更高[33][35] 因子的回测效果 - 反转因子： - 近一周多头超额：2.74% - 近一个月多头超额：6.09% - 近一年多头超额：11.66%[34][35] - 估值因子： - 近一周多头超额：2.69% - 近一个月多头超额：6.68% - 近一年多头超额：10.92%[34][35]