量化模型与构建方式 1. 模型名称：热点趋势ETF轮动策略 [31] * 模型构建思路：基于K线形态识别上涨趋势，并引入短期市场关注度指标，筛选出具有动量效应且市场热度提升的ETF构建组合[31]。 * 模型具体构建过程： 1. 形态筛选：筛选出最高价与最低价同时呈现上涨形态的ETF[31]。 2. 构建支撑阻力因子：计算最高价与最低价近20日的回归系数，根据其相对陡峭程度构建因子[31]。 3. 关注度筛选：在支撑阻力因子的多头组中，选择近5日换手率/近20日换手率最高的10只ETF，即短期市场关注度明显提升的标的[31]。 4. 组合构建：对选出的10只ETF采用风险平价方法构建投资组合[31]。 2. 模型名称：ETF三策略融合轮动模型 [34][35] * 模型构建思路：将三种不同逻辑（基本面、风格、反转）的行业轮动策略等权融合，以实现因子与风格互补，降低单一策略风险[34][35]。 * 模型具体构建过程： 1. 策略构建：分别构建三个独立的子策略： * 行业轮动策略：基于超预期景气度、行业龙头效应、行业动量、拥挤度、通胀beta等核心因子[35]。 * 个股风格驱动策略：基于个股动量、个股质量、个股波动率等核心因子[35]。 * 困境反转策略：基于PB_zscore、分析师长期预期、短期筹码交换等核心因子[35]。 2. 策略融合：将三个子策略的选股结果进行等权组合，形成最终的ETF轮动组合[34]。 3. 模型名称：资金流共振策略 [44][46][48] * 模型构建思路：结合融资融券资金流和主动大单资金流，寻找两种资金流产生共振效应的行业进行推荐[44][46][48]。 * 模型具体构建过程： 1. 构建融资融券资金因子：计算个股的融资净买入-融券净卖出，加总至行业层面。用Barra市值因子进行中性化，取最近50日均值，再计算其两周环比变化率[46]。 2. 构建主动大单资金因子：计算行业层面的主动大单净流入，用最近一年成交量时序进行中性化，得到排序分位数，再取最近10日均值[46]。 3. 信号生成：在主动大单因子打分较高的行业中，剔除融资融券因子打分也较高的行业（根据市场状态，融资融券因子多头端可能有稳定的负向超额收益），最终筛选出两种资金流产生正向共振的行业作为多头推荐[46][48]。 4. 模型名称：全天候配置模型 [53] * 模型构建思路：通过分散化的资产选择和结构化的风险对冲设计，绕过宏观预测，实现长期稳健的绝对收益[53]。 * 模型具体构建过程：模型采用循环对冲设计对冲构型，核心在于资产选择、风险调整和结构对冲[53]。报告提及两个版本： * 高波版：采用“四层结构化-股债金风险平价”方法[55]。 * 低波版：采用“五层结构化-风险预算”方法[57]。 模型的回测效果 1. 热点趋势ETF轮动策略，2025年以来收益率61.41%，相比沪深300指数的超额收益为38.22%[31]。 2. ETF三策略融合轮动模型，自2017年4月10日至2026年1月30日，组合收益率12.24%，夏普率0.74，2026年以来收益率1.44%[39][41]。 3. 全天候配置模型（高波版），截至2025年，年化收益率11.8%，年平均最大回撤3.6%，夏普比率2.3；2026年以来收益率2.9%[61]。 4. 全天候配置模型（低波版），截至2025年，年化收益率8.8%，年平均最大回撤2.0%，夏普比率3.4；2026年以来收益率0.9%[61]。 量化因子与构建方式 1. 因子名称：支撑阻力因子 [31] * 因子构建思路：通过K线最高价与最低价近期的回归斜率，衡量价格趋势的陡峭程度，作为支撑或阻力的度量[31]。 * 因子具体构建过程：分别对ETF的最高价序列和最低价序列进行近20日的线性回归，根据两个回归系数的相对大小或组合来构建因子[31]。 2. 因子名称：短期关注度因子 [31] * 因子构建思路：用短期换手率相对于中期换手率的提升幅度，捕捉市场关注度的突然变化[31]。 * 因子具体构建过程：计算因子值 = 近5日换手率 / 近20日换手率[31]。 3. 因子名称：行业融资融券资金因子 [46] * 因子构建思路：衡量经过市值中性化处理后的行业层面两融资金净流入的近期变化趋势[46]。 * 因子具体构建过程： 1. 计算个股两融资金流：融资净买入 - 融券净卖出[46]。 2. 加总至行业层面[46]。 3. 使用Barra市值因子对行业资金流进行横截面中性化处理[46]。 4. 计算中性化后序列的最近50日移动平均值[46]。 5. 计算该50日均值的两周环比变化率作为最终因子值[46]。 4. 因子名称：行业主动大单资金因子 [46] * 因子构建思路：衡量经过成交量时序中性化处理后的行业主动大单净流入强度[46]。 * 因子具体构建过程： 1. 计算行业主动大单净流入[46]。 2. 使用行业最近一年的成交量时间序列进行回归，以消除成交量趋势的影响，得到残差作为中性化后的净流入[46]。 3. 将中性化后的净流入在横截面上转换为排序分位数[46]。 4. 取该排序分位数的最近10日移动平均值作为最终因子值[46]。 5. 风格因子组 [63][67] * 因子构建思路：报告跟踪了一系列常见的风格因子，包括市值、贝塔、动量、波动率、非线性市值、价值、流动性、盈利收益率、成长、杠杆[67]。 * 因子具体构建过程：报告未详细描述每个因子的具体计算公式，但提及除规模因子仅进行行业中性化外，其他因子均进行了市值和行业中性化处理[65]。 6. Alpha因子组 [66][68][70][71] * 因子构建思路：从不同时间维度、不同市值板块观察各类因子的选股能力，因子均进行了市值和行业中性化处理（规模因子除外）[65][66]。 * 因子具体构建过程：报告列出了多个Alpha因子，部分示例如下： * 收益波动类：return_std_12m（十二个月收益标准差）、return_std_6m（六个月收益标准差）[68]。 * 换手波动类：turnover_std_6m（六个月换手率标准差）[68]。 * 换手率类：turnover_mean_6m（六个月平均换手率）、swap_1m（近21交易日平均换手率的自然对数）[68]。 * 估值类：ep（市盈率倒数）、ep_de（扣除非经常损益的净利润_TTM/总市值）、sp（市销率倒数）[68]。 * 质量类：ocfp（经营现金流_TTM/总市值）[68]。 * 成长与预期类：yoy_np_q_adv（单季度净利润同比增长（考虑快报、预告））、roa_q_delta_adv（单季度ROA同比差值（考虑快报、预告））、mom1_np_fy1（一致预期净利润变化）[71]。 * 研发类：tot_rd_ttm_to_equity（研发净资产占比）[71]。 * 分析师类：est_num_diff（评级上下调差/评级上下调和）[71]。 因子的回测效果 1. 风格因子（最近一周表现），盈利收益率因子收益3.24%，价值因子收益2.67%，杠杆因子收益1.32%，流动性因子收益-3.57%，波动率因子收益-2.35%，贝塔因子收益-2.97%[63][67]。 2. Alpha因子（近一周多头超额收益），return_std_12m因子2.40%，return_std_6m因子2.37%，turnover_std_6m因子2.20%，ep_de因子1.81%，ep因子1.78%[68]。 3. Alpha因子（最近一年在不同指数中的多头超额收益） [71]： * 沪深300中：roa_q_delta_adv因子31.22%，est_num_diff因子29.23%，yoy_np_q_adv因子25.97%。 * 中证500中：tot_rd_ttm_to_equity因子18.26%，tot_rd_ttm_to_sales因子14.01%。 * 中证800中：mom1_np_fy1因子28.39%，tot_rd_ttm_to_assets因子26.03%。 * 中证1000中：yoy_np_q_adv因子21.71%，tot_rd_ttm_to_sales因子19.60%。