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：沪深300上涨家数占比情绪指标 - 模型构建思路：通过计算指数成分股的近期正收益个数来判断市场情绪，正收益股票增多时可能处于行情底部，大部分股票正收益时可能情绪过热[24] - 模型具体构建过程： 1. 计算沪深300指数N日上涨家数占比： $\text{上涨家数占比} = \frac{\text{过去N日收益大于0的个股数}}{\text{成分股总数}}$ 2. 使用N=230日窗口计算原始指标 3. 对指标进行双重平滑处理（N1=50日慢线，N2=35日快线） 4. 当快线>慢线时生成看多信号[26][28] - 模型评价：能较快捕捉上涨机会但会错失持续亢奋阶段的收益，对下跌市场判断存在缺陷[25] 2. 模型名称：均线情绪指标 - 模型构建思路：通过八均线体系判断指数趋势状态，将均线区间值转换为-1/0/1三档情绪信号[32] - 模型具体构建过程： 1. 计算沪深300收盘价的8条均线（参数：8/13/21/34/55/89/144/233日） 2. 统计当日收盘价大于各均线的数量 3. 当超过5条均线被突破时看多指数[35] - 模型评价：能有效识别趋势状态但存在滞后性[32] 量化因子与构建方式 1. 因子名称：横截面波动率因子 - 因子构建思路：衡量指数成分股间收益率的离散程度，反映Alpha机会丰富度[36] - 因子具体构建过程： 1. 每日计算成分股收益率的标准差 $\sigma_{cross} = \sqrt{\frac{1}{N}\sum_{i=1}^N (r_i - \bar{r})^2}$ 2. 按5日/季度/半年/年不同窗口计算移动平均[37][39] 2. 因子名称：时间序列波动率因子 - 因子构建思路：衡量指数成分股自身收益波动幅度，反映市场波动环境[40] - 因子具体构建过程： 1. 计算各成分股20日收益率标准差 2. 按成分股市值加权得到指数整体时序波动率 $\sigma_{time} = \sum_{i=1}^N w_i \cdot \sigma_i$ 3. 同样采用多时间窗口平滑处理[41][43] 模型的回测效果 1. 沪深300上涨家数占比模型： - 年化收益率：8.2% - 最大回撤：22.5% - 胜率：63.4%[29] 2. 均线情绪指标模型： - 年化收益率：6.8% - 信息比率(IR)：0.85 - 月胜率：58.7%[35] 因子的回测效果 1. 横截面波动率因子： - 沪深300近半年均值：2.05% - 中证1000近一季度值：2.48%（处于近半年62.55%分位）[39] 2. 时间序列波动率因子： - 中证500近一年均值：0.47% - 当前值：0.44%（处于近半年34.13%分位）[43] 注：所有测试结果均基于2010-2025年历史数据回测[24][39]