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：基于分歧度、流动性、景气度三个维度构建市场择时模型[7] - 模型具体构建过程： 1. 分歧度指数：衡量市场观点离散程度，下行时预示反转机会[12] 2. 流动性指数：监测资金面变化，上行时支持市场上涨[21] 3. 景气度指数2.0：综合宏观与行业数据反映经济动能，上行时市场表现更优[25] 4. 当三维指标均向好时（分歧度↓、流动性↑、景气度↑），模型给出满仓信号[7] 2. 模型名称：资金流共振策略 - 模型构建思路：结合融资融券与大单资金流，筛选两类资金共同看好的行业[37] - 模型具体构建过程： 1. 行业融资融券因子： $\text{融资净买入}_i - \text{融券净卖出}_i$ 经Barra市值中性化后取50日均值的两周环比变化率[37] 2. 行业主动大单因子： 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[37] 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多头端行业[37] - 模型评价：相比北向-大单策略回撤更小，2018年以来年化超额13.5%，IR=1.7[37] 3. 模型名称：研报覆盖度调整的指数增强模型 - 模型构建思路：根据个股研报覆盖度分域选择差异化因子增强[47] - 模型具体构建过程： 1. 高覆盖度域：侧重基本面因子（如ROE、营收增速） 2. 低覆盖度域：侧重量价因子（如动量、波动率）[47] 3. 组合优化时控制行业偏离与跟踪误差 --- 量化因子与构建方式 1. 因子名称：成长因子组 - 因子构建思路：捕捉企业盈利与收入增长动能[43] - 因子具体构建过程： 1. 一致预测修正因子： $\frac{\text{Rev\_FY1}_{\text{当前}} - \text{Rev\_FY1}_{\text{3个月前}}}{\left|\text{Rev\_FY1}_{\text{3个月前}}\right|}$ [44] 2. ROE同比变化： $\frac{\text{ROE}_{\text{当期}} - \text{ROE}_{\text{去年同期}}}{\left|\text{ROE}_{\text{去年同期}}\right|}$ [44] 3. 单季度EPS同比增速[44] 4. 研发投入占比： $\frac{\text{研发费用\_TTM}}{\text{总资产}}$ [44] 2. 因子名称：资金流因子组 - 因子构建思路：量化资金流向对行业选择的预测能力[31] - 因子具体构建过程： 1. 两融资金流因子：行业融资净买入-融券净卖出经市值中性化[37] 2. 大单资金流因子：行业净流入金额在过去一年成交量分位数[37] --- 模型的回测效果 1. 三维择时框架 - 历史满仓期年化收益：18.2%（vs 沪深300年化9.8%）[16] - 最大回撤：22.4%（vs 基准28.6%）[16] 2. 资金流共振策略 - 2018-2025年化超额收益：13.5%[37] - 信息比率（IR）：1.7[37] - 上周超额收益：-0.3%（行业等权基准）[37] 3. 指数增强组合（2025年数据） | 组合类型 | 上周超额 | 本月超额 | 本年超额 | 年化超额收益 | |----------------|----------|----------|----------|--------------| | 沪深300增强 | 0.98% | 1.70% | 5.02% | 10.89% | | 中证500增强 | 0.49% | 1.53% | 3.53% | 12.81% | | 中证1000增强 | 0.10% | 1.58% | 4.40% | 13.61% | [48] --- 因子的回测效果 1. 成长因子组（近一周多头超额） | 因子名称 | 超额收益 | 主要逻辑 | |------------------------|----------|--------------------------| | 研发总资产占比 | 1.84% | 创新投入驱动长期增长 | | 一致预测营收修正 | 1.31% | 分析师预期上调信号 | | ROE同比变化 | 1.30% | 盈利能力改善 | [44] 2. 分市值表现（沪深300内） | 因子名称 | 多头超额 | |------------------------|----------| | 固定资产/股东权益 | 3.30% | | SUE1（净利润意外） | 4.09% | | PEG | 3.82% | [46] 3. 资金流因子（行业层面） - 医药行业：大单净流入分位数76% + 两融净流入分位数53%[39] - 通信行业：大单分位数76% + 两融分位数23%[39]