根据提供的研报内容，以下是其中涉及的量化模型与因子的详细总结。 量化模型与构建方式 1. 模型名称：短期择时模型[13][14][16] * 模型构建思路：该模型从宏观基本面、估值面、情绪面和流动性四个维度，选取多个二级指标进行综合判断，以生成对A股市场的短期仓位信号。 * 模型具体构建过程： * 第一步：构建一级指标信号。模型包含四个一级指标：基本面、估值面、情绪面、流动性。每个一级指标下包含若干二级指标。 * 第二步：计算二级指标信号。每个二级指标根据其当前值在过去5年历史数据中的分位数，被赋予“乐观”（对应信号值1.00）、“中性”（对应信号值0.50）或“谨慎”（对应信号值0.00）的信号。 * 基本面指标：包括制造业PMI是否大于50、信贷脉冲环比变化分位数、M1同比增速（HP滤波去趋势）分位数[13][16]。 * 估值面指标：包括A股整体PE分位数、A股整体PB分位数[13][16]。 * 情绪面指标：包括A股整体Beta离散度分位数、A股整体量能情绪分位数、A股整体波动率分位数[14][16]。 * 流动性指标：包括货币利率指标分位数、汇率预期指标分位数、沪深净融资额5日均值分位数[14][16]。 * 第三步：合成一级指标信号。每个一级指标的综合信号由其下属的二级指标信号值简单平均或加权平均得到。 * 第四步：生成总仓位信号。最终的总仓位信号由四个一级指标的综合信号值再次平均得到，并根据阈值确定最终的仓位建议（例如，高仓位、中性仓位、低仓位）[16]。 2. 模型名称：成长价值风格轮动模型[23][24][25] * 模型构建思路：该模型从基本面、估值面、情绪面三个维度分析成长风格与价值风格的相对强弱，以决定超配成长或价值风格。 * 模型具体构建过程： * 第一步：维度信号分析。模型在三个维度上分别计算信号： * 基本面：基于盈利周期斜率、利率综合周期水平、信贷综合周期变化三个指标。例如，盈利周期斜率大时利好成长风格[23][25]。 * 估值面：基于成长价值PE估值差的分位数和PB估值差的分位数。当估值差的分位数较低，意味着均值回归上行，利好成长风格[23][25]。 * 情绪面：基于成长价值换手差的分位数和波动差的分位数。换手差偏高利好成长风格[23][25]。 * 第二步：信号合成：每个维度内的指标信号被综合（例如，加权平均或投票），得出该维度的最终建议仓位（如100%成长/0%价值）。 * 第三步：模型最终决策：综合三个维度的建议，得出最终的风格配置建议（例如，超配成长）[23][25]。 3. 模型名称：小盘大盘风格轮动模型[27][28][29] * 模型构建思路：该模型基于专题研究，从流动性等多个视角选取11个有效指标，构建综合信号来判断小盘风格与大盘风格的轮动机会。 * 模型具体构建过程： * 第一步：选取有效指标。模型共使用11个指标，包括A股龙虎榜买入强度、R007、融资买入余额变化、主题投资交易情绪、等级利差、期权波动率风险溢价、beta离散度、pb分化度、大宗交易折溢价率、中证1000MACD(10,20,10)、中证1000交易量能[29]。 * 第二步：生成单个指标信号。每个指标独立产生一个对小盘风格的仓位建议（0%或100%，或可能的中性仓位），例如，0%表示看空小盘（即看多大盘），100%表示看多小盘[29]。 * 第三步：合成综合信号。将所有11个指标的信号进行综合（具体方法未在提供内容中详述，可能为平均或投票），得出最终的小盘风格综合仓位信号，其补集即为大盘风格仓位信号[27][29]。 模型的回测效果 1. 短期择时模型[15][18][19][21] * 年化收益率：16.41%（基准为4.74%） * 年化超额收益率：11.66% * 年化波动率：14.82%（基准为11.60%） * 最大回撤：14.07%（基准为31.41%） * 夏普比率：0.9647（基准为0.2854） * 收益回撤比：1.1664（基准为0.1511） * 月度胜率：66.03%（基准为53.85%） * 2024年以来年化收益率：29.24%（基准为9.02%） * 2024年以来夏普比率：1.4804（基准为0.6509） 2. 成长价值风格轮动模型[24][26] * 年化收益率：12.40%（基准为7.75%） * 年化超额收益率：4.65% * 年化波动率：20.82%（基准为20.69%） * 最大回撤：43.07%（基准为44.13%） * 夏普比率：0.5704（基准为0.3684） * 收益回撤比：0.2879（基准为0.1757） * 月度胜率：58.06%（基准为55.48%） * 2025年以来收益率：19.75%（基准为22.28%） 3. 小盘大盘风格轮动模型[28][29] * 综合策略年化收益率：19.64%（基准未明确给出单一数值，但提及基准为沪深300和中证1000全收益指数的等权组合） * 综合策略年化超额收益率：12.63% * 综合策略最大回撤：40.70% * 2025年以来超额收益率：10.82% * 部分单一指标年化超额收益率示例：融资买入余额变化（5.66%）、中证1000交易量能（9.63%）[29] 量化因子与构建方式 1. 因子名称：Beta离散度[12][14][16][29] * 因子构建思路：用于衡量市场中个股收益率相对于市场基准收益率（Beta）的分散程度，反映市场共识度和交易主线明确性。 * 因子具体构建过程：报告中未提供具体的计算公式，但指出该指标的分位数被用于情绪面分析。当Beta离散度偏高时，通常给出谨慎信号[14][16]。 2. 因子名称：PB分化度[12][29] * 因子构建思路：用于衡量市场中个股市净率（PB）的离散程度，反映估值层面的分化情况。 * 因子具体构建过程：报告中未提供具体的计算公式，但指出该指标被用于情绪面分析和大小盘轮动模型。PB分化度下行被视为谨慎信号[12][29]。 3. 因子名称：量能情绪[14][16][29] * 因子构建思路：综合交易量能信息，反映市场交易活跃度和情绪强弱。 * 因子具体构建过程：报告中未提供“量能情绪得分”的具体计算公式，但指出其分位数被用于情绪面分析。量能情绪偏弱时给出谨慎信号[14][16]。在大小盘轮动中，“中证1000交易量能”作为一个独立指标使用[29]。 4. 因子名称：成长价值估值差（PE/PB）[23][25] * 因子构建思路：计算成长风格与价值风格在估值指标（如PE中位数、PB中位数）上的差异，并通过其历史分位数判断均值回归方向。 * 因子具体构建过程：报告中未提供具体的差值计算公式，但使用了“成长价值PE差分位数”和“成长价值PB差分位数”的概念。当这些差分位数较低时，认为估值差有均值回归上行的动力，利好成长风格[23][25]。 5. 因子名称：成长价值换手差/波动差[23][25] * 因子构建思路：计算成长风格与价值风格在换手率、波动率上的差异，反映市场对不同风格的情绪偏好和风险偏好。 * 因子具体构建过程：报告中未提供具体的差值计算公式，但使用了“成长价值换手差分位数”和“成长价值波动差分位数”。例如，换手差偏高被认为利好成长风格[23][25]。 因子的回测效果 （注：提供的研报内容主要展示了整合这些因子的模型整体表现，未单独列出上述因子的独立回测绩效指标，如IC值、IR等。因此，此部分根据要求跳过。）