量化模型与构建方式 1. 模型名称：ETF智能择时模型[22] * 模型构建思路：通过对标的指数所有成分股进行K线形态扫描与量化分析，将个股层面的形态信号通过算法聚合，生成增强型的指数择时信号，以提升对ETF的择时决策质量。[22] * 模型具体构建过程： 1. 对目标ETF所跟踪指数的每一个成分股，进行自动化K线形态识别与捕捉。[22] 2. 对识别出的每个形态，计算其历史统计指标，如上涨概率（胜率）。[18] 3. 采用未明确披露的独家聚合算法，将全成分股的形态信号进行综合，最终合成一个针对该指数的择时信号。[22] * 模型评价：该方法由线及面，从个股形态跨越至指数级择时，旨在掌握大盘风向标。[10] 2. 模型名称：ETF轮动模型[27] * 模型构建思路：基于市场强弱形态动能，在不同板块的ETF中建立动态轮动模型，并结合形态学择时，旨在实现“在对的时间持有对的品种”。[27][28] * 模型具体构建过程： 1. 信号生成：基于K线形态分析，计算不同板块或主题ETF所对应的“市场强弱形态动能”。[27] 2. 轮动规则：根据动能信号，在不同ETF间进行切换。报告提到了多种调仓规则，例如固定时间点调仓、每日调仓等。[27] 3. 择时叠加：将形态学择时信号与轮动算法相结合，进一步优化买入和卖出时机。[28] 模型的回测效果 1. ETF轮动模型（每日调仓策略），年化收益21.85%，最大回撤-49.41%[29] 量化因子与构建方式 1. 因子名称：K线形态因子[18] * 因子构建思路：对历史K线图形进行标准化定义与建模，实现海量形态的自动化捕捉与实时监控，并计算其历史表现作为未来预测的参考。[10][18] * 因子具体构建过程： 1. 标准化建模：对诸如“看空胜率超70%”、“连续4/5根”等基础K线形态进行标准化的数学或规则定义。[10][12] 2. 形态识别：在个股、指数、ETF、可转债、期货等各类资产的历史及实时行情数据中，扫描并识别出符合定义的形态。[12] 3. 历史回测：对识别出的每一种形态，统计其在过去十年内出现后的表现，核心计算指标包括： * 发生次数 * 上涨概率（胜率） * 历史盈亏比[18] 4. 信号生成：当资产当前K线出现特定形态时，即产生相应的看多、看空或反转信号。信号可与MACD、均线、财报评分等其他指标耦合。[12] 因子的回测效果 （报告中未提供单一因子的独立测试结果数值，仅提及部分形态因子的历史表现定性结论，例如“历史上出现持有1-2月的平均胜率高于80%”[12]）