量化模型与因子总结 量化模型与构建方式 1. 模型名称：风格组相对拥挤度模型[126] * 模型构建思路：通过计算两种风格指数换手率标准化值的差值，并观察该差值在历史序列中的分位数，来衡量一种风格相对于另一种风格的交易拥挤程度[126] * 模型具体构建过程： 1. 分别计算风格A指数和风格B指数的近252日平均换手率[126] 2. 将这两个换手率序列在2005年1月1日以来的历史时间序列上进行Z-score标准化，得到Z-score_A与Z-score_B[126] 3. 计算二者差值：$Diff = Z\_score\_A - Z\_score\_B$[126] 4. 计算该差值序列的滚动6年历史分位数（若历史数据量满1年不足6年，则以全部历史数据计算），该分位数即为风格A相对于风格B的相对拥挤度[126] 2. 模型名称：风格指数累计超额净值模型[127] * 模型构建思路：以万得全A指数为基准，计算各风格指数相对于基准的累计超额表现，用于衡量风格的长期相对收益特征[127] * 模型具体构建过程： 1. 设定基准日（例如2020年1月4日）[127] 2. 将各风格指数及万得全A指数的每日收盘点数除以各自在基准日的收盘点数，得到各自的累计净值序列[127] 3. 将各风格指数每日的累计净值除以同一交易日万得全A指数的累计净值，得到该风格指数相对于万得全A指数的累计超额净值[127] 3. 模型名称：机构调研活跃度分位数模型[128] * 模型构建思路：通过计算板块或行业相对于全市场的机构调研热度标准化差值的历史分位，来评估其受机构关注度的相对水平[128] * 模型具体构建过程： 1. 计算板块（或指数、行业）近n个交易日的“日均机构调研次数”[128] 2. 将该序列在滚动y年的历史时间序列上进行z-score标准化[128] 3. 将上述结果与万得全A指数的标准化结果作差，得到“机构调研活跃度”：$Active\_Score = Z\_score_{target} - Z\_score_{WAA}$[128] 4. 最后计算该“机构调研活跃度”序列的滚动y年历史分位数[128] * 参数设置： * 长期口径：n取126（近半年），滚动窗口y为6年（历史数据量满3年不足6年时，以全部历史数据计算）[128] * 短期口径：n取63（近一季度），滚动窗口y为3年（历史数据量满1年不足3年时，以全部历史数据计算）[128] 量化因子与构建方式 1. 因子名称：滚动季度夏普率[35] * 因子构建思路：计算万得全A指数滚动一个季度（约63个交易日）的夏普比率，用于衡量市场近期的风险调整后收益，作为市场情绪风险的预警指标[35] * 因子具体构建过程：报告未给出具体计算公式，但根据金融学常识，滚动季度夏普率通常计算为：$Rolling\_Quarterly\_Sharpe = \frac{Mean(R_{t-63:t})}{Std(R_{t-63:t})}$ 其中，$R_{t-63:t}$ 为指数在最近63个交易日的收益率序列，Mean为均值，Std为标准差[35] 2. 因子名称：PE_TTM（滚动市盈率）[39][47] * 因子构建思路：使用总市值除以最近十二个月（TTM）的归属母公司股东的净利润，是衡量股票估值水平的核心指标[39][47] * 因子具体构建过程：$PE\_TTM = \frac{Total\_Market\_Cap}{Net\_Profit\_TTM}$[39][47] 3. 因子名称：股债风险溢价（ERP）[49] * 因子构建思路：计算股票市场市盈率倒数与无风险利率（10年期国债收益率）的差值，用于衡量投资股票相对于债券的额外收益补偿，即股债性价比[49] * 因子具体构建过程：$ERP = \frac{1}{PE\_TTM} - 10Y\_Treasury\_Yield$[49] * 因子评价：ERP越高，表明投资股票的性价比越高[49] 4. 因子名称：成交热度[25] * 因子构建思路：使用“周度日均自由流通换手率”的历史分位值来衡量市场或板块、行业的交易活跃程度[25] * 因子具体构建过程：成交热度 = 当前“周度日均自由流通换手率”在历史时间区间（例如2005年1月1日至今）内的百分位值[25] 5. 因子名称：动量因子[60] * 因子构建思路：以最近一年股票收益率减去最近一个月股票收益率（剔除涨停板）作为动量指标，筛选市场中动量特征强的股票[60] * 因子具体构建过程：报告提及“长江动量”指数的构建以此为基础，具体公式未详细展开，但思路是捕捉中长期动量并排除短期反转效应[60] 6. 因子名称：反转因子[60] * 因子构建思路：以最近一个月股票收益率作为筛选指标，选择市场中反转效应强的股票[60] * 因子具体构建过程：报告提及“长江反转”指数的构建以此为基础，旨在表征高反转特征个股的整体表现[60] 模型的回测效果 1. 风格组相对拥挤度模型，成长vs红利相对拥挤度历史分位74%[69]，小盘vs大盘相对拥挤度历史分位40%[69][72]，微盘股vs中证800相对拥挤度历史分位87%[69] 2. 风格指数累计超额净值模型，成长较红利超额净值处于历史极高位置[69]，小盘较大盘超额净值处于历史较高位置[72]，微盘股较中证800超额净值处于历史极高位置[75] 因子的回测效果 1. 滚动季度夏普率因子，当前万得全A的滚动季度夏普率从历史低位反弹，尚未触及预警位置[35] 2. PE_TTM因子，当前万得全A PE_TTM处于历史极高分位（83%）[39][47]，沪深300 PE_TTM处于历史较高分位（66%）[41][47]，中证1000 PE_TTM处于历史较高分位（73%）[41][47]，创业板指PE_TTM处于历史均衡分位（41%）[41][47] 3. 股债风险溢价（ERP）因子，当前万得全A erp处于均衡分位（54%）[49][58]，沪深300 erp处于均衡分位（59%）[49][58]，中证500 erp处于较高分位（66%）[49]，创业板指erp处于极高分位（84%）[49][58] 4. 成交热度因子，当前万得全A成交热度为96%[30]，创业板指成交热度为100%[30]，TMT板块成交热度为100%[25][30] 5. 动量与反转因子，近一周动量较反转超额收益为0.5%[59][65]，近一月为6.1%[59][65]，年初至今为-0.1%[59][65]