量化模型与构建方式 1. 模型名称：SAR技术指标择时模型[1][7][14] * 模型构建思路：使用抛物线转向指标（SAR）来识别市场趋势的潜在反转点，生成买入或卖出信号[1][7][14]。 * 模型具体构建过程：SAR指标的计算涉及一个递归过程，其核心思想是随着价格趋势的发展，止损点（即SAR值）会加速移动。具体公式和计算步骤在报告中未详细给出，但标准SAR计算公式通常如下： $SAR_{t} = SAR_{t-1} + AF \times (EP - SAR_{t-1})$ 其中，SAR_t为当前周期的SAR值，SAR_{t-1}为上一周期的SAR值，AF为加速因子（随着新极值点出现而递增，但有上限），EP为当前上涨趋势中的最高价或下跌趋势中的最低价（极值点）。当价格从下方突破SAR时，发出买入信号；当价格从上方跌破SAR时，发出卖出信号[15]。 2. 模型名称：市场均线强弱指数[4][14] * 模型构建思路：通过计算各行业指数相对于其均线的位置，来综合判断整个市场的技术强弱[4][14]。 * 模型具体构建过程：报告提及该指数基于Wind二级行业指数计算。具体构建过程未详细说明，但通常思路可能是：计算每个行业指数相对于其某条移动平均线（如20日、60日均线）的偏离度或强弱状态，然后将所有行业的得分进行加总或平均，得到代表整体市场强度的指数。当前得分为238，处于2023年以来86.52%的分位点[14]。 3. 模型名称：市场情绪模型[4][14][16] * 模型构建思路：通过构建与涨跌停板相关的因子，来刻画市场的情绪强弱[4][14]。 * 模型具体构建过程：根据国泰海通量化团队前期专题报告，该模型包含多个细分情绪因子。报告列出了截至当前的部分因子信号：净涨停占比（信号为1）、跌停次日收益（信号为0）、涨停板占比（信号为0）、跌停板占比（信号为0）、高频打板收益（信号为1）[16]。这些因子信号通过一定规则（报告中未详述）汇总成情绪模型得分（当前为2分，满分5分）以及趋势模型信号（正向）和加权模型信号（正向）[14]。 4. 模型名称：高频资金流择时模型[4][14][16] * 模型构建思路：通过分析高频资金流的走势，对主要宽基指数发出买入或卖出信号[4][14]。 * 模型具体构建过程：根据国泰海通量化团队前期专题报告构建。报告展示了该模型对沪深300、中证500、中证1000指数的信号。模型分为“激进多头”、“激进多空”、“稳健多头”、“稳健多空”四种策略，当前对所有观察的宽基指数均发出看多信号（信号值为1）[16]。 5. 因子名称：因子拥挤度复合指标[18][19] * 因子构建思路：用于预警因子因资金过度追逐而可能失效的风险，通过综合多个维度指标来度量因子的拥挤程度[18]。 * 因子具体构建过程：根据国泰海通量化团队前期专题报告，使用四个指标度量因子拥挤度：估值价差、配对相关性、长期收益反转、因子波动率。报告未给出每个分项指标的具体计算公式。最终，将这四个指标得分综合成一个复合拥挤度打分[18][19]。 6. 因子名称：行业拥挤度指标[25][27] * 因子构建思路：度量特定行业板块因资金过度集中而可能面临的回调风险[25]。 * 因子具体构建过程：根据国泰海通量化团队前期专题报告构建。报告未给出具体计算公式，但展示了截至2026年1月23日各行业的拥挤度数值及相对上月的变化[25][27][28]。 模型的回测效果 （注：本报告为周报，主要展示模型当期信号和部分指标状态，未提供历史回测绩效指标如年化收益率、夏普比率等。） 量化因子与构建方式 1. 因子名称：流动性冲击指标[4][8] * 因子构建思路：基于沪深300指数，衡量当前市场流动性相对于历史平均水平的偏离程度[4][8]。 * 因子具体构建过程：报告指出，该指标值为5.09，意味着当前市场的流动性高于过去一年平均水平5.09倍标准差。具体计算公式未提供[8]。 2. 因子名称：PUT-CALL比率[4][8] * 因子构建思路：通过上证50ETF期权看跌期权与看涨期权的成交量比率，来观察投资者对短期走势的情绪谨慎程度[4][8]。 * 因子具体构建过程：计算公式为看跌期权成交量除以看涨期权成交量。报告指出周五该比率为0.98，高于前一周的0.80[8]。 3. 因子名称：五日平均换手率[4][8] * 因子构建思路：通过计算上证综指和Wind全A指数的五日平均换手率，并观察其历史分位点，来判断市场交易活跃度[4][8]。 * 因子具体构建过程：计算指数最近五个交易日的平均换手率。报告指出当前值分别为1.50%和2.21%，处于2005年以来的80.71%和86.58%分位点[8]。 4. 因子名称：日历效应因子[7][9] * 因子构建思路：基于历史数据，统计特定时间段（如1月下半月）各大宽基指数的历史表现规律，作为市场表现的参考[7][9]。 * 因子具体构建过程：统计2005年以来，每年1月下半月各指数的涨跌幅，计算上涨概率、涨幅均值和中位数。例如，报告指出上证综指在1月下半月上涨概率为55%，涨幅均值为-1.52%[9]。 5. 因子名称：估值价差（因子拥挤度分项）[18][19] * 因子构建思路：作为因子拥挤度的度量指标之一，具体思路未在本文中详述[18]。 * 因子具体构建过程：计算过程未提供。报告展示了小市值、低估值、高盈利、高增长因子的估值价差分项得分[19]。 6. 因子名称：配对相关性（因子拥挤度分项）[18][19] * 因子构建思路：作为因子拥挤度的度量指标之一，具体思路未在本文中详述[18]。 * 因子具体构建过程：计算过程未提供。报告展示了小市值、低估值、高盈利、高增长因子的配对相关性分项得分[19]。 7. 因子名称：长期收益反转（因子拥挤度分项）[18][19] * 因子构建思路：作为因子拥挤度的度量指标之一，具体思路未在本文中详述[18]。 * 因子具体构建过程：计算过程未提供。报告展示了小市值、低估值、高盈利、高增长因子的长期收益反转分项得分[19]。 8. 因子名称：因子波动率（因子拥挤度分项）[18][19] * 因子构建思路：作为因子拥挤度的度量指标之一，具体思路未在本文中详述[18]。 * 因子具体构建过程：计算过程未提供。报告展示了小市值、低估值、高盈利、高增长因子的因子波动率分项得分[19]。 因子的回测效果 （注：本报告未提供因子IC、IR、多空收益等传统因子测试结果。主要展示了部分因子的当期数值或状态。） 因子拥挤度复合指标取值（截至2026.01.23）[19][21] 1. 小市值因子拥挤度：0.28 2. 低估值因子拥挤度：-0.42 3. 高盈利因子拥挤度：0.31 4. 高盈利增长因子拥挤度：0.35 行业拥挤度指标取值（截至2026.01.23，列举部分）[27][28] 1. 有色金属行业拥挤度：2.08 2. 综合行业拥挤度：1.98 3. 通信行业拥挤度：1.97 4. 电子行业拥挤度：1.47 5. 国防军工行业拥挤度：1.46 6. 食品饮料行业拥挤度：-1.27 7. 美容护理行业拥挤度：-1.43