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）和长期均线（120日）的距离，判断市场趋势[2][9] 模型具体构建过程： - 计算Wind全A指数的20日均线（短期）和120日均线（长期） - 计算两线距离百分比： $均线距离 = \frac{短期均线 - 长期均线}{长期均线} \times 100\%$ - 当距离绝对值大于3%且短期均线位于长期均线之上时，判定为上行趋势[2][9] 模型评价：简单直观，能有效捕捉市场趋势变化 2. 模型名称：仓位管理模型 模型构建思路：结合估值水平和趋势信号，动态调整绝对收益产品的股票仓位[3][10] 模型具体构建过程： - 评估Wind全A的PE（70分位）和PB（30分位）估值水平[3][10] - 结合均线距离模型的趋势信号（当前7.96%） - 根据预设规则输出仓位建议（当前80%）[3][10] 3. 模型名称：TWO BETA行业配置模型 模型构建思路：通过双因子分析筛选科技等特定板块[2][8][15] 模型具体构建过程： - 未披露具体因子构建细节 - 输出行业推荐：军工、算力、电池等科技板块[2][8][15] 4. 模型名称：行业轮动模型 模型构建思路：综合政策驱动和困境反转逻辑配置行业[2][8][15] 模型具体构建过程： - 未披露具体构建方法 - 输出推荐：港股创新药、证券保险、光伏、煤炭、有色[2][8][15] 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：通过趋势线偏离度衡量市场赚钱效应[2][8][9] 因子具体构建过程： - 计算Wind全A当前价格与趋势线的偏离百分比 - 公式： $赚钱效应值 = \frac{当前价格 - 趋势线}{趋势线} \times 100\%$ - 当值为正时视为赚钱效应显著[2][8][9] 2. 因子名称：估值分位数因子 因子构建思路：通过历史分位数评估市场估值水平[3][10][17] 因子具体构建过程： - 计算Wind全A的PE/PB相对于2014-2025年历史数据的分位数 - 当前PE位于70分位，PB位于30分位[3][10][17] 模型的回测效果 1. 均线距离择时模型 - 当前均线距离：7.96%[2][9] - 趋势判定：上行趋势[2][9] 2. 仓位管理模型 - 当前建议仓位：80%[3][10] 因子的回测效果 1. 赚钱效应因子 - 当前取值：3.73%[8][15] 2. 估值分位数因子 - PE分位数：70%[3][10] - PB分位数：30%[3][17]