量化模型与构建方式 1. 模型名称：DecompGRU深度学习选股模型[8] * 模型构建思路：基于趋势分解的时序+截面端到端深度学习模型，用于预测股票未来收益，并据此构建选股组合[8]。 * 模型具体构建过程：模型架构基于《AI+HI系列（7）：DecompGRU：基于趋势分解的时序+截面端到端模型》报告[8]。具体构建过程未在本文中详细描述，但应用方式为：使用该模型对股票进行集成打分，每周根据得分最高的股票构建组合[8]。 2. 模型名称：宽基热度动量轮动策略[21] * 模型构建思路：利用不同宽基指数（及“其他”组）周度热度变化率的短期动量进行轮动，买入热度上升最快的宽基指数[21]。 * 模型具体构建过程： 1. 将全A股票按沪深300、中证500、中证1000、中证2000及“其他”分组[16]。 2. 计算每组股票周度的“总热度”指标：对组内所有个股的“总热度”指标（定义见下文情绪因子）进行求和[16]。 3. 计算每组热度指标的周度变化率，并取2周移动平均（MA2）进行平滑[19]。 4. 在每周最后一个交易日，买入总热度变化率MA2最大的宽基组对应的指数（或等权组合），若变化率最大的为“其他”组则空仓[21]。 3. 模型名称：高热度概念+低热度个股选股模型[39][41] * 模型构建思路：在每周热度上升最快的概念板块中，选取该概念内市场关注度（热度）最低的个股，利用市场对热门板块内低关注度个股的反应不足或延迟来获取超额收益[38][41]。 * 模型具体构建过程： 1. 在每周最后一个交易日，选出本周热度变化率最大的5个概念[41]。 2. 将这5个概念对应的所有成分股作为选股股票池，并排除股票池中流通市值最小的20%股票[41]。 3. 从每个热门概念中，选出其成分股中“总热度”指标排名最后的10只个股[41]。 4. 等权持有上述筛选出的所有个股，构建“BOTTOM”组合[41]。 模型的回测效果 1. DecompGRU深度学习选股模型（多头TOP200组合）[10] * 样本外累计绝对收益：74.91%[10] * 相对全指等权超额收益：38.96%[10] * 最大回撤：10.08%[10] * 绝对收益周度胜率：68.18%[10] * 绝对收益月度胜率：100%[10] * 2026年1月绝对收益：8.99%[10] * 2026年1月超额收益：0.98%[10] 2. DecompGRU深度学习选股模型（ETF轮动组合）[13][14] * 样本外累计绝对收益：40.08%[13] * 相对万得主题ETF指数超额收益：5.93%[13] * 最大回撤：7.82%[13] * 绝对收益周度胜率：64.44%[13] * 绝对收益月度胜率：70.00%[13] * 2026年1月绝对收益：10.98%[14] * 2026年1月超额收益：3.37%[14] 3. 宽基热度动量轮动策略[24] * 2017年以来年化收益率：8.74%[24] * 最大回撤：23.5%[24] * 2026年累计收益：6.6%[24] 4. 高热度概念+低热度个股选股模型（BOTTOM组合）[42] * 历史年化收益：15.71%[42] * 最大回撤：28.89%[42] * 2026年以来累计收益：3.7%[42] 量化因子与构建方式 1. 因子名称：个股总热度[15] * 因子构建思路：利用同花顺用户行为数据（浏览、自选、点击），构建反映市场对个股关注度的情绪代理指标[15]。 * 因子具体构建过程： 1. 获取个股每日的浏览、自选与点击次数[15]。 2. 将这三项数据求和[15]。 3. 将该和值除以当日全市场所有股票的该项和值总和，进行归一化[15]。 4. 将归一化后的数值乘以10000，使得因子取值区间落在[0, 10000][15]。 * 公式： $个股总热度_{i,t} = \frac{(浏览_{i,t} + 自选_{i,t} + 点击_{i,t})}{\sum_{j=1}^{N}(浏览_{j,t} + 自选_{j,t} + 点击_{j,t})} \times 10000$ 其中，$i$ 代表个股，$t$ 代表交易日，$N$ 代表全市场股票总数[15]。 2. 因子名称：宽基/行业/概念总热度[16] * 因子构建思路：将个股层面的总热度因子向上聚合，得到宽基指数、行业或概念板块层面的整体市场情绪热度指标[15][16]。 * 因子具体构建过程：对于特定的股票集合$G$（例如某个宽基指数的所有成分股、某个申万行业的所有股票、或某个概念的所有成分股），将其包含的所有个股在$t$日的“个股总热度”值进行求和[16]。 * 公式： $集合G的总热度_{t} = \sum_{i \in G} 个股总热度_{i,t}$ [16] 3. 因子名称：热度变化率（MA2）[19][28] * 因子构建思路：计算宽基、行业或概念“总热度”指标的周度环比变化，并平滑处理，以捕捉市场关注度的边际变化趋势[19][28]。 * 因子具体构建过程： 1. 计算集合$G$在第$w$周的“总热度”值（通常为周五的数值或周均值）[19]。 2. 计算周度热度变化率：$(本周总热度 - 上周总热度) / 上周总热度$[19]。 3. 对计算出的周度变化率序列取2周移动平均（MA2），得到平滑后的热度变化率因子[19][28]。 因子的回测效果 (注：本报告未提供单个因子的独立分层测试结果，如多空组合收益、IC值、IR等。所有因子效果均通过上述构建的具体策略模型来体现。)