量化模型与构建方式 1. 模型名称：均线距离择时模型 - 模型构建思路：通过比较Wind全A指数的短期均线（20日）与长期均线（120日）的距离，判断市场处于趋势或震荡格局[1][9] - 模型具体构建过程： 1. 计算Wind全A指数的20日均线（短期）和120日均线（长期） 2. 计算两均线的距离差值百分比： $\text{均线距离} = \frac{\text{20日均线值} - \text{120日均线值}}{\text{120日均线值}} \times 100\%$ 3. 根据距离绝对值划分市场状态： - 若距离绝对值≥3%，判定为趋势行情 - 若距离绝对值<3%，判定为震荡行情[9] - 模型评价：简单直观，但依赖均线参数的设定，对突发事件的适应性较弱 2. 模型名称：TWO BETA行业配置模型 - 模型构建思路：通过双因子（市场Beta和行业Beta）筛选具有超额收益潜力的行业板块[2][10] - 模型具体构建过程： 1. 计算各行业相对于市场整体的Beta值（市场Beta） 2. 计算行业内部个股的Beta离散度（行业Beta） 3. 综合两类Beta筛选高弹性行业（如科技、军工、港股汽车）[10] 3. 模型名称：仓位管理模型 - 模型构建思路：结合估值分位数（PE/PB）和市场趋势动态调整绝对收益产品的股票仓位[2][8] - 模型具体构建过程： 1. 计算Wind全A的PE/PB历史分位数（PE位于60分位，PB位于20分位） 2. 根据分位数区间和趋势信号（如均线距离）输出仓位建议（当前建议50%）[8] --- 量化因子与构建方式 1. 因子名称：估值分位数因子 - 因子构建思路：通过PE/PB的历史分位数判断市场估值水平[7][11] - 因子具体构建过程： 1. 计算Wind全A的PE/PB在过去10年（2014-2025）的历史分位数 2. 标准化分位数至0-100%区间（PE当前60分位，PB当前20分位）[11] - 因子评价：长期有效，但需结合趋势信号避免估值陷阱 2. 因子名称：成交量极端状态因子 - 因子构建思路：通过成交金额的极端值捕捉市场止跌信号[8][10] - 因子具体构建过程： 1. 监测Wind全A的日成交金额（当前阈值设为9000亿） 2. 当成交金额回落至阈值附近时触发止跌信号[10] --- 模型的回测效果 1. 均线距离择时模型 - 当前均线距离：1.09%（20日均线5130，120日均线5075）[9] - 市场状态判定：震荡格局（距离绝对值<3%）[9] 2. TWO BETA模型 - 推荐行业：科技、军工、港股汽车[10] 3. 仓位管理模型 - 当前仓位建议：50%（基于PE60分位/PB20分位）[8] --- 因子的回测效果 1. 估值分位数因子 - Wind全A PE分位数：60% - Wind全A PB分位数：20%[11] 2. 成交量极端状态因子 - 当前成交金额阈值：9000亿（未触发）[10]