根据研报内容，现总结如下： 量化模型与构建方式 1. 行业主线模型：相对强弱RSI指标[10] - 模型构建思路：通过计算行业在不同时间窗口的涨跌幅排名，构建一个综合的相对强弱指标，用于识别年度可能领涨的行业主线[10] - 模型具体构建过程： 1. 配置标的为29个申万一级行业[10] 2. 分别计算每个行业过去20、40、60个交易日的涨跌幅[10] 3. 对这三个时间窗口的行业涨跌幅进行横截面排名，并对排名做归一化处理，得到RS_20, RS_40, RS_60[10] 4. 计算三个归一化排名的算术平均值，得到最终的行业相对强弱指数RS[10] 公式为：$RS = (RS\_20 + RS\_40 + RS\_60)/3$[10] 2. 行业轮动模型：景气度-趋势-拥挤度框架[14] - 模型构建思路：结合行业的景气度、价格趋势和交易拥挤度三个维度，形成两种适用于不同市场环境的右侧行业配置方案[14][16] - 模型具体构建过程：该框架包含两种具体方案： 1. 行业景气模型：筛选具有高景气度和强趋势的行业，但同时需要规避交易拥挤度过高的行业，属于进攻性较强的同步策略[14] 2. 行业趋势模型：筛选具有强趋势和低拥挤度的行业，规避低景气行业，属于思路简单、持有体验感强的右侧策略[14] 模型最新配置权重为：电新19%、传媒16%、计算机12%、化工11%、地产9%、家电7%、通信7%、农业7%、轻工7%、商贸零售6%[6][14] 3. 左侧库存反转模型[24] - 模型构建思路：从赔率-胜率角度出发，在处于困境或困境有所反弹的板块中，挖掘分析师长期看好且库存压力不大、具备补库条件的行业，以捕捉行业困境反转行情[24] - 模型评价：该模型旨在弥补景气和动量因子在近两年效果衰退时可能出现的阶段性失效问题[24] 模型的回测效果 1. 行业景气度-趋势-拥挤度框架[14][19][20] - 多头年化收益：22.1%[14] - 超额年化收益（基准：Wind全A）：13.8%[14] - 信息比率（IR）：1.51[14] - 超额最大回撤：-8.0%[14] - 月度胜率：68%[14] - 2023年超额收益（Wind全A）：7.3%[14] - 2024年超额收益（Wind全A）：5.7%[14] - 2025年以来超额收益（Wind全A）：2.8%[14] - ETF组合年化超额收益（基准：中证800）：16.1%[19] - ETF组合信息比率（IR）：1.8[19] - ETF组合超额最大回撤：10.8%[19] - ETF组合月度胜率：66%[19] - ETF组合2025年以来超额收益（中证800）：15.4%[2][19] 2. 行业景气度选股模型（行业配置叠加PB-ROE选股）[20] - 多头年化收益：26.7%[20] - 超额年化收益（基准：Wind全A）：19.9%[20] - 信息比率（IR）：1.7[20] - 超额最大回撤：-15.4%[20] - 月度胜率：68%[20] - 2025年以来超额收益（Wind全A）：5.5%[2][20] 3. 左侧库存反转模型[24] - 基准：行业等权指数[24] - 2023年绝对收益：13.4%[24] - 2023年超额收益（行业等权）：17.0%[24] - 2024年绝对收益：26.5%[24] - 2024年超额收益（行业等权）：15.4%[24] - 2025年至今绝对收益：26.4%[2][24] - 2025年至今超额收益（行业等权）：7.8%[2][24] 量化因子与构建方式 1. PB-ROE估值性价比因子[20] - 因子构建思路：用于行业内选股，筛选估值与盈利匹配度高的股票，即寻找具有高性价比的投资标的[20] - 因子具体构建过程：在行业景气度模型确定的行业内，选取PB-ROE指标排名前40%的股票，再结合流通市值和PB-ROE打分进行加权[20]