根据研报内容，总结如下： 量化模型与构建方式 1. 模型名称：A股多维择时模型[2][9] * 模型构建思路：从估值、情绪、资金、技术四个维度对万得全A指数进行整体方向性判断，各维度采用不同逻辑（反转或趋势）以捕捉市场机会和规避风险[9] * 模型具体构建过程：选取四个维度的具体指标，包括股权风险溢价（估值）、期权沽购比/期权隐含波动率/期货会员持仓比（情绪）、融资买入额（资金）、布林带/个股涨跌成交额占比差（技术）[9][11][15]；各维度日频发出信号，每日信号取值为0（看平）、+1（看多）、-1（看空）[9]；以各维度得分之和的正负性作为最终多空观点依据[9] 2. 模型名称：红利风格择时模型[3][17] * 模型构建思路：结合中证红利相对中证全指的动量、10Y-1Y期限利差和银行间质押式回购成交量三者的趋势对红利风格进行择时[3][17] * 模型具体构建过程：使用三个指标：中证红利相对中证全指的动量（正向指标）、10Y-1Y期限利差（负向指标）、银行间质押式回购成交量（正向指标）[3][21]；三个指标从趋势维度日频发出信号（0, +1, -1）[17]；以各维度得分之和的正负性作为红利风格多空观点依据[17]；当看好红利风格时全仓持有中证红利，否则全仓持有中证全指[17] 3. 模型名称：大小盘风格择时模型[3][22] * 模型构建思路：采用基于拥挤度分域的趋势模型进行择时，在不同拥挤度区间采用不同参数的均线模型判断趋势[3][22] * 模型具体构建过程：首先计算大小盘风格拥挤度得分[22]；拥挤度得分基于动量之差和成交额之比构建[22][26]： * 动量得分：计算万得微盘股指数与沪深300指数的多个窗长（10/20/30/40/50/60日）动量之差，再计算各窗长动量之差的多个年数（3.0/3.5/4.0/4.5/5.0年）分位数的均值，对小盘风格取分位数最高的3个窗长结果均值，对大盘风格取分位数最低的3个窗长结果均值[26] * 成交量得分：计算万得微盘股指数与沪深300指数的多个窗长（10/20/30/40/50/60日）成交额之比，再计算各窗长成交额之比的多个年数（3.0/3.5/4.0/4.5/5.0年）分位数的均值，对小盘风格取分位数最高的3个窗长结果均值，对大盘风格取分位数最低的3个窗长结果均值[26] * 拥挤度得分：将小盘（大盘）风格的动量得分和成交量得分取均值，得到小盘（大盘）风格的拥挤度得分；小盘风格得分大于90%视为触发高拥挤，大盘风格得分小于10%视为触发高拥挤[22][26]；若最近20个交易日中任一风格曾触发高拥挤，则模型运行在高拥挤区间，否则在低拥挤区间[24]；在高拥挤区间采用小参数双均线模型，在低拥挤区间采用大参数双均线模型判断趋势[22][24] 4. 模型名称：遗传规划行业轮动模型[4][29][33] * 模型构建思路：采用遗传规划技术（特别是双目标遗传规划）直接对行业指数的量价、估值等特征进行因子挖掘，不再依托逻辑设计打分规则，以提升因子多样性和降低过拟合风险[4][33][34] * 模型具体构建过程：底层资产为32个中信行业指数[29]；使用双目标遗传规划，以|IC|（信息系数绝对值）和NDCG@5（前5名归一化折损累积增益）两个指标同时评价因子的分组单调性和多头组表现，并采用NSGA-II算法进行优化[33]；因子挖掘的底层输入变量包括行业指数的标准化价格、成交额、换手率分位数、市净率分位数等[37]；每季度末更新因子库[4]；每周末，结合贪心策略和方差膨胀系数将共线性较弱的多个因子合成为行业得分，并选出多因子综合得分最高的五个行业进行等权配置[4][34] 5. 模型名称：中国境内全天候增强组合[5][39][42] * 模型构建思路：采用宏观因子风险预算框架，在增长和通胀两个维度下根据是否超预期划分四象限并进行风险平价，再基于宏观预期动量主动偏配看好的象限，实现全天候增强[5][39][42] * 模型具体构建过程：策略构建分为三步：1) 宏观象限划分与资产选择：选择增长超预期、增长不及预期、通胀超预期、通胀不及预期四个宏观风险源象限，结合定量与定性方式确定各象限适配的资产[42]；2) 象限组合构建与风险度量：象限内资产等权构建子组合，注重刻画象限的下行风险[42]；3) 风险预算模型确定象限权重：每月底，根据由宏观预期动量指标给出的"象限观点"调整象限风险预算，进行主动偏配[42]；模型月频调仓[5] 模型的回测效果 1. A股多维择时模型[2][9][14] * 今年以来收益：36.03%[2][14] * 年化收益：24.54%[14] * 最大回撤：-28.46%[14] * 夏普比率：1.14[14] * Calmar比率：0.86[14] * 上周收益：-0.65%[14] 2. 红利风格择时模型[17][20] * 今年以来收益：25.04%[17][20] * 年化收益：16.20%[20] * 最大回撤：-25.52%[20] * 夏普比率：0.88[20] * Calmar比率：0.63[20] * 上周收益：2.23%[20] 3. 大小盘风格择时模型[24][27] * 今年以来收益：78.29%[24][27] * 年化收益：27.79%[27] * 最大回撤：-116.07%[27] * 夏普比率：-0.32[27] * Calmar比率：0.87[27] * 上周收益：3.44%[27] 4. 遗传规划行业轮动模型[4][29][32] * 今年以来收益：40.67%[4][32] * 年化收益：32.96%[32] * 年化波动：17.77%[32] * 夏普比率：1.85[32] * 最大回撤：-19.63%[32] * 卡玛比率：1.68[32] * 上周收益：-0.64%[32] 5. 中国境内全天候增强组合[5][40][43] * 今年以来收益：11.10%[5][40][43] * 年化收益：11.64%[43] * 年化波动：6.19%[43] * 夏普比率：1.88[43] * 最大回撤：-6.30%[43] * 卡玛比率：1.85[43] * 上周收益：0.16%[40][43] * 月度胜率：100%[5][40] 量化因子与构建方式 1. 因子名称：遗传规划挖掘的权重最高因子（最新一期）[37][38] * 因子构建思路：通过双目标遗传规划算法从行业量价等数据中自动挖掘[33][37] * 因子具体构建过程：因子表达式为 ts_grouping_deczscorecut_torch(ts_covariance_torch(wlow_st, mopen_st, 25), whigh_st, 15, 2.0, 2)[37]；具体计算步骤：1) 在过去25个交易日中，计算周度标准化最低价(wlow_st)和月度标准化开盘价(mopen_st)的协方差，记为变量A[38]；2) 在过去15个交易日中，对周度标准化最高价(whigh_st)进行zscore标准化，筛选出标准化值大于2.0的日期，对变量A进行反转（乘以-1）后，计算这些日期内A值的总和[38]