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对市场进行择时判断[7] - 模型具体构建过程： 1. 分歧度指数：衡量市场参与者观点的离散程度，反映市场情绪分化[12] 2. 流动性指数：跟踪市场资金面松紧程度[22] 3. 景气度指数：监测宏观经济和企业盈利状况[26] 将三个指标综合判断，当三者同步上行时给出看涨信号[14] - 模型评价：历史表现显示该框架能有效捕捉市场趋势转折点[19] 2. 模型名称：ETF热点趋势策略 - 模型构建思路：通过技术形态和资金流筛选短期热点ETF[31] - 模型具体构建过程： 1. 筛选最高价与最低价同时呈上涨形态的ETF 2. 计算支撑阻力因子：$\text{斜率} = \frac{\text{最高价}_{20日回归系数}}{\text{最低价}_{20日回归系数}}$ 3. 选择换手率提升明显的ETF：$\text{换手率比} = \frac{\text{近5日换手率}}{\text{近20日换手率}}$ 4. 对筛选出的10只ETF构建风险平价组合[31] 3. 模型名称：资金流共振策略 - 模型构建思路：结合两融资金与大单资金流向寻找行业配置机会[35] - 模型具体构建过程： 1. 构建行业融资融券资金因子： $\text{融资因子} = \text{Barra市值中性化}(\text{融资净买入-融券净卖出})_{50日均值环比}$ 2. 构建行业主动大单资金因子： $\text{大单因子} = \frac{\text{行业净流入}}{\text{年成交量时序中性化}}$ 3. 在主动大单因子头部行业中剔除融资因子极端多头行业[35] - 模型评价：2018年以来年化超额收益13.5%，IR达1.7[35] 模型的回测效果 1. 三维择时框架： - 2025年8月给出震荡上涨信号[7] - 历史回测显示信号胜率68%[19] 2. ETF热点趋势策略： - 本周组合含金融(32.69%)、创新药(5.67%)等ETF[32] - 近一月资金净流入194.56亿元[32] 3. 资金流共振策略： - 本周超额收益-1.7%(相对行业等权)[35] - 年化换手率450%[35] 量化因子与构建方式 1. 因子名称：风格因子群 - 因子构建思路：采用Barra框架体系监测市场风格特征[43] - 因子具体构建过程： - 动量因子：过去12个月收益率[43] - 流动性因子：$\text{Amihud非流动性指标}$ - 估值因子：EP、BP等传统价值指标[43] 2. 因子名称：Alpha因子群 - 因子构建思路：通过财务指标挖掘超额收益来源[45] - 因子具体构建过程： - yoy_accpayable：$\frac{\text{应付账款}_t - \text{应付账款}_{t-12}}{\text{应付账款}_{t-12}}$ - roe_q_delta_adv：$\text{ROE}_q - \text{ROE}_{q-4}$ (含预告调整)[47] - cur_liab_yoy：流动负债同比增长率[47] 因子的回测效果 1. 风格因子： - 动量因子周收益+2.05%[43] - 流动性因子周收益+3.38%[43] - 估值因子周收益-2.41%[43] 2. Alpha因子： - yoy_accpayable周超额3.51%[47] - roe_q_delta_adv在沪深300中超额8.58%[49] - cur_liab_yoy周超额3.37%[47]