量化模型与构建方式 1. 模型名称：三维择时框架 - 模型构建思路：通过分歧度、流动性和景气度三个维度的指标综合判断市场趋势，形成择时信号[8][12][15] - 模型具体构建过程： 1. 分歧度指数：衡量市场参与者观点差异的指标，通过价格波动和成交量变化计算 2. 流动性指数：跟踪市场资金松紧程度，如货币供应量、利率等宏观数据 3. 景气度指数2.0：结合行业盈利预期、宏观经济数据合成的综合指标 4. 信号生成：当分歧度↑、流动性↓、景气度↓时，判断为震荡下跌；其他组合对应不同市场状态[8][12][15] - 模型评价：历史回测显示对市场拐点有较强捕捉能力，但需结合技术形态二次验证[8][15] 2. 模型名称：资金流共振策略 - 模型构建思路：通过北向资金与大单资金（或融资融券资金）的共振效应选择行业[30][36] - 模型具体构建过程： 1. 行业融资融券资金因子： - 计算公式：$\text{因子值} = \text{Barra市值中性化后的（融资净买入-融券净买入）}$ - 取50日均值后计算两周环比变化率[36] 2. 行业主动大单资金因子： - 对行业最近一年成交量时序中性化后的净流入排序，取10日均值[36] 3. 策略规则：在主动大单因子头部行业中剔除融资融券因子表现差的行业，最终取交集[36] - 模型评价：2018年以来年化超额收益13.5%，IR 1.7，回撤小于纯北向策略[36] --- 量化因子与构建方式 1. 因子名称：超预期因子（如roa_q_delta_report、yoy_est_np等） - 因子构建思路：捕捉财务指标或分析师预期与实际公告数据的差异[44][45] - 因子具体构建过程： 1. 单季度ROA同比差值：\text{roa_q_delta_report} = \frac{\text{当期ROA} - \text{去年同期ROA}}{\text{去年同期ROA绝对值}}[45] 2. 一致预期净利润增速：\text{yoy_est_np} = \frac{\text{一致预测净利润FY1} - \text{净利润_TTM}}{\text{净利润_TTM绝对值}}[45] 3. 其他衍生因子如illiq（流动性冲击指标）、amt_1m_3m（成交额变化率）等[45] - 因子评价：近期在大小市值股票中均表现突出，尤其在中小市值中超额更显著[44][47] 2. 因子名称：稳健资金流因子 - 因子构建思路：通过行业资金净流入的历史分位数筛选强势行业[30][36] - 因子具体构建过程： 1. 计算行业近期资金净流入（如北向资金、大单资金） 2. 统计其在过去一年中的分位数，剔除极端值后标准化[36] --- 模型的回测效果 1. 三维择时框架： - 历史年化超额收益：未披露具体数值，但图表显示对沪深300下跌阶段有显著预警[15][19] 2. 资金流共振策略： - 年化超额收益：13.5% - IR：1.7 - 上周超额收益：0.4%（相对行业等权）[36] 3. 指数增强组合： - 沪深300增强：本年超额4.25%，上周超额0.11%[48] - 中证500增强：本年超额0.90%，上周超额0.31%[48] - 中证1000增强：本年超额-0.45%，上周超额0.12%[48] --- 因子的回测效果 1. 超预期因子： - 近一周多头超额：roa_q_delta_report（1.22%）、yoy_est_np（1.06%）[45] - 近一年多头超额：roa_q_delta_report（15.09%）、amt_1m_3m（23.29%）[45] 2. 分市值表现： - 沪深300内：np_growth_fy3（2.71%）[47] - 中证500内：yoy_tot_equity（4.17%）[47] - 中证1000内：yoy_or（2.76%）[47] --- 其他关键指标 - ETF资金流监测：港股通创新药近1周份额增长93%（931250.CSI）[28][29] - 行业资金共振推荐：电力及公用事业（大单分位73%+两融分位60%）、医药（大单分位66%）[40][42]