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：通过计算Wind全A指数的短期均线（20日）与长期均线（120日）的距离，判断市场整体环境趋势[2][10] - 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. 计算两线距离百分比： $\text{均线距离} = \frac{\text{20日均线值} - \text{120日均线值}}{\text{120日均线值}} \times 100\%$ 3. 设定阈值3%：距离绝对值大于3%时判定为上行趋势，否则为震荡或下行[2][10] - 模型评价：简单直观，能有效捕捉市场趋势转折，但对短期波动敏感度较低 2. 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）和市场趋势信号，动态调整绝对收益产品的股票仓位[3][11] - 模型具体构建过程： 1. 计算Wind全A的PE/PB历史分位数（PE 70分位、PB 30分位） 2. 若均线距离模型显示上行趋势且估值分位数未达高位，建议高仓位（如80%）[3][11] 3. 模型名称：TWO BETA行业配置模型 - 模型构建思路：基于宏观因子（如利率、风险偏好）筛选具有超额收益的行业板块[4][9] - 模型具体构建过程： 1. 识别当前主导市场的Beta因子（如科技板块的成长性、军工的政策驱动） 2. 结合行业动量与估值，推荐科技、军工、AI应用等板块[4][9] --- 量化因子与构建方式 1. 因子名称：赚钱效应因子 - 因子构建思路：通过市场趋势线位置与价格偏离度衡量资金吸引力[2][10] - 因子具体构建过程： 1. 定义趋势线为Wind全A指数的动态支撑位（如5300点） 2. 计算赚钱效应值： $\text{赚钱效应} = \frac{\text{当前价格} - \text{趋势线价格}}{\text{趋势线价格}} \times 100\%$ 3. 正值表示增量资金可能入场[2][10] 2. 因子名称：估值分位数因子 - 因子构建思路：通过PE/PB历史分位数判断市场估值水平[3][8] - 因子具体构建过程： 1. 计算Wind全A指数PE/PB的10年历史分位数（PE 70%、PB 30%） 2. 分位数低于50%视为低估值[3][8] --- 模型的回测效果 1. 均线距离择时模型： - 均线距离4.04%（上周3.04%），持续触发上行信号[2][10] - 对应Wind全A周涨幅1.4%[1][10] 2. 仓位管理模型： - 当前建议仓位80%，历史回测显示该仓位在上行趋势中年化超额收益约15%[3][11] 3. TWO BETA模型： - 推荐科技板块（通信周涨7.02%），军工/AI应用超额显著[1][9] --- 因子的回测效果 1. 赚钱效应因子： - 当前值3.76%，历史数据显示该水平下未来1月正收益概率68%[2][10] 2. 估值分位数因子： - PE 70分位、PB 30分位组合下，市场后续6个月平均收益12%[3][8]