根据提供的研报内容，以下是其中涉及的量化模型和因子的总结。 量化模型与构建方式 1. 模型名称：价格分段体系[15] * 模型构建思路：该模型用于对指数价格走势进行分段识别，以分析不同时间级别（如日线、周线）的趋势特征[15] * 模型具体构建过程：模型通过计算指数价格的特定技术指标来划分走势段。报告中提到了“dea”指标，这通常是技术分析中MACD指标的一部分，即离差平均值（Difference Exponential Average）[18]。其构建可能涉及以下步骤： 1. 计算指数价格的EMA（指数移动平均线），常用参数为12日EMA和26日EMA。 2. 计算离差值DIF：$DIF = EMA(close, 12) - EMA(close, 26)$ 3. 计算dea，即DIF的EMA，常用参数为9日：$DEA = EMA(DIF, 9)$ 通过分析指数点位与dea等指标的关系，对价格走势进行分段[18] 2. 模型名称：微观市场结构择时模型[16] * 模型构建思路：通过监测“知情交易者”的市场行为来对权益市场进行择时判断[16] * 模型具体构建过程：模型的核心是构建“知情交易者活跃度”指标。该指标通过分析市场高频交易数据（如订单流、成交明细等），识别出可能拥有信息优势的交易者的行为模式。当该指标上升时，表明知情交易者活跃度提高，可能预示着市场将有方向性变化[16][19]。报告显示，该指标数值在特定区间内波动（例如-0.0015至0.0030），其边际变化用于判断市场情绪[19] 3. 模型名称：分析师行业景气预期模型[20] * 模型构建思路：通过追踪分析师对上市公司的一致预测数据变化，来监测各行业的景气度变化趋势[20] * 模型具体构建过程：模型计算申万一级行业的两个关键指标： 1. 一致预测滚动未来12个月ROE（ROEFTTM）环比变化：反映市场对行业未来盈利能力预期的变化。 2. 一致预期净利润FTTM增速环比变化：反映市场对行业未来成长性预期的变化。 通过计算这些指标本周相对于上周的环比变化率，并观察其近一季的趋势，来判断行业景气的边际变化[21] 4. 模型名称：风格监测模型[23] * 模型构建思路：基于BARRA多因子模型框架，监测不同风格因子在A股市场的收益表现，以洞察市场风格偏好[23] * 模型具体构建过程：模型跟踪一系列风格因子的周度收益。这些因子包括： * 基本面类因子：如价值因子（EP价值、BP价值）、成长因子、盈利能力因子、投资质量因子、盈利质量因子、盈利波动因子、财务杠杆因子。 * 交易类因子：如动量因子、长期反转因子、波动率因子、换手率因子、流动性因子（报告中提及“近释”，可能指近期解禁或流动性相关因子）、贝塔因子。 * 市值类因子：如市值因子、非线性市值因子。 模型通过回归分析等方法，计算这些因子在特定周期内（如本周）的风险溢价收益[24] 模型的回测效果 报告未提供上述量化模型的具体回测指标数值（如年化收益率、夏普比率、最大回撤等）。 量化因子与构建方式 1. 因子名称：BARRA风格因子[23][24] * 因子构建思路：基于BARRA风险模型体系，从不同维度刻画股票的风险收益特征，因子收益反映了市场对该特征的偏好程度[23] * 因子具体构建过程：报告中提及了多个BARRA风格因子，其构建逻辑简述如下： * 价值因子：如BP（账面市值比）价值因子，可能构建为 $BP = \frac{Book Value}{Market Value}$，衡量公司的估值水平。 * 成长因子：通常基于历史营收、利润或预期增速构建。 * 盈利能力因子：如ROE、ROA等。 * 投资质量因子：衡量公司投资效率。 * 动量因子：通常基于股票过去一段时间（如11个月剔除最近1个月）的收益率构建。 * 波动率因子：基于股票历史收益率的波动性。 * 市值因子：通常为股票总市值的对数。 * 非线性市值因子：捕捉市值与收益之间的非线性关系。 每个因子在横截面上进行标准化等处理，因子收益即为该因子组合的超额收益[24] 因子的回测效果 报告展示了风格因子在特定周期（本周）的收益表现，但未提供长期回测指标（如IC均值、IR等）。因子收益取值如下： 1. BARRA风格因子[24] * 换手因子收益：-0.5% * 财务杠杆因子收益：0.1% * 盈利波动因子收益：0.0% * 盈利质量因子收益：0.3% * 盈利能力因子收益：0.3% * 投资质量因子收益：0.4% * 长期反转因子收益：-0.5% * EP价值因子收益：-0.3% * BP价值因子收益：0.2% * 成长因子收益：0.1% * 动量因子收益：1.2% * 非线性市值因子收益：-0.6% * 市值因子收益：-0.3% * 波动率因子收益：-0.5% * 流动性因子（近释）收益：1.3% * 股息率因子收益：-0.1%