量化模型总结 量化模型与构建方式 1. 模型名称：市场趋势择时模型[2][5][7] * 模型构建思路：通过计算WIND全A指数的短期均线（20日）与长期均线（120日）之间的距离（百分比），来判断市场整体是处于上行趋势还是震荡格局[2][7]。 * 模型具体构建过程： 1. 计算WIND全A指数的20日移动平均线（MA20）和120日移动平均线（MA120）。 2. 计算两条均线之间的距离（百分比差值），公式为： $距离 = \frac{MA20 - MA120}{MA120} \times 100\%$ 3. 根据距离绝对值设定阈值进行判断：当距离绝对值大于3%时，市场处于上行趋势；否则可能处于震荡格局[2][7]。 2. 模型名称：仓位管理模型[2][9] * 模型构建思路：结合市场的估值水平（PE、PB分位数）和短期趋势判断，为绝对收益产品提供股票仓位的配置建议[2][9]。 * 模型具体构建过程：报告未详细描述该模型的具体计算过程和权重分配规则，仅展示了其输出结果。模型会综合估值指标（如PE位于90分位点，PB位于50分位点）和趋势判断，给出具体的仓位建议比例[9]。 3. 模型名称：行业趋势配置模型[2][6][8] * 模型构建思路：这是一个复合模型，整合了多个子模型的信号，用于进行行业配置方向的判断[2][6]。 * 模型具体构建过程：该模型本身未给出具体构建公式，但其包含以下三个子模型，并综合它们的输出进行推荐： * 中期困境反转预期模型：用于识别如白酒、地产等具有困境反转潜力的行业，当前模型显示需继续等待反转信号[2][6][8]。 * TWO BETA模型：用于推荐科技板块等，当前模型继续推荐科技板块，并关注商业航天的反弹机会[2][6][8]。 * 业绩趋势模型：用于提示业绩高景气的行业方向，当前模型提示重点关注算力相关产业链，以及周期上游中的工业有色与化工等板块（需等待缩量后的机会）[2][6][8]。 模型的回测效果 （注：本报告为周度观点报告，未提供上述模型的历史回测绩效指标，如年化收益率、夏普比率、最大回撤等具体数值。） 量化因子总结 量化因子与构建方式 1. 因子名称：均线距离因子[2][7] * 因子构建思路：作为趋势的度量，反映短期价格相对于长期平均成本的偏离程度，用于判断市场趋势强度[2][7]。 * 因子具体构建过程：与市场趋势择时模型的核心计算过程一致。计算WIND全A指数的20日线与120日线的百分比距离，公式为： $均线距离因子值 = \frac{MA20 - MA120}{MA120} \times 100\%$ 其中，MA20代表20日移动平均价，MA120代表120日移动平均价[2][7]。 2. 因子名称：估值分位数因子（PE/PB）[2][9][10][12] * 因子构建思路：通过计算当前估值（PE或PB）在历史序列中所处的位置（分位数），来判断市场估值水平的高低[9][10][12]。 * 因子具体构建过程： 1. 获取WIND全A指数历史每日的PE（或PB）数据，时间范围至少覆盖2014年10月17日至当前[11][13]。 2. 计算当前PE（或PB）值在历史全部数据中的百分位排名（分位数）。 3. 根据分位数高低进行定性判断：例如，PE位于90分位点附近属于较高水平，PB位于50分位点属于中等水平[9]。 3. 因子名称：赚钱效应因子[2][5][8] * 因子构建思路：在上行趋势中，将“赚钱效应是否为正”作为核心观测指标，用于判断趋势的可持续性[2][5][8]。 * 因子具体构建过程：报告未给出该因子的明确定义和计算公式。从上下文推断，可能涉及市场指数价格与某一关键趋势线（报告中提及6800点）的相对位置，或与广泛上涨的股票数量比例相关，当因子值在零值边缘时，预示上行趋势可能中止[2][5][8]。 因子的回测效果 （注：本报告未提供上述因子的IC值、IR、多空收益等历史测试结果的具体数值。）