量化模型与构建方式 1. 模型名称：风格相对拥挤度模型[127] * 模型构建思路：通过计算不同风格指数换手率标准化值的差异，来衡量一种风格相对于另一种风格的交易拥挤程度，从而判断其配置风险或性价比[127]。 * 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[127]。 2. 将上述换手率序列在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[127]。 3. 计算二者差值：差值 = Z-score_A - Z-score_B[127]。 4. 计算该差值序列的滚动6年历史分位数（若历史数据不足6年，则使用全部历史数据计算），该分位数即为风格A相对于风格B的“相对拥挤度”[127]。 2. 模型名称：风格累计超额净值模型[128] * 模型构建思路：以万得全A指数为基准，计算各风格指数的累计超额收益，用以观察风格的长期相对表现[128]。 * 模型具体构建过程： 1. 设定基准日（例如2020年1月4日）[128]。 2. 将各风格指数及万得全A指数的每日收盘价除以基准日收盘价，得到各自的累计净值[128]。 3. 将各风格指数每日的累计净值除以同一交易日的万得全A指数累计净值，得到该风格指数相对于万得全A指数的累计超额净值[128]。 3. 模型名称：机构调研活跃度模型[129] * 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分位数，来捕捉市场关注度的变化[129]。 * 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”[129]。 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，并与万得全A指数的标准化结果作差，得到“机构调研活跃度”[129]。 3. 计算“机构调研活跃度”的滚动y年历史分位数[129]。 * 长期口径参数：n取126（近半年），滚动窗口y为6年（历史数据满3年不足6年时，使用全部历史数据）[129]。 * 短期口径参数：n取63（近一季度），滚动窗口y为3年（历史数据满1年不足3年时，使用全部历史数据）[129]。 4. 因子名称：ERP（股权风险溢价）因子[51] * 因子构建思路：衡量股票市场相对于无风险资产的超额回报预期，用于评估权益资产的配置性价比[51]。 * 因子具体构建过程：对于特定指数，其ERP计算公式为： $指数erp = 1 / 指数PE\_TTM – 10年期中债国债到期收益率$[51] * 因子评价：ERP越高，代表投资股票的预期超额回报越高，即权益资产的配置性价比越高[51]。 5. 因子名称：长江动量因子[63] * 因子构建思路：以过去一年剔除最近一个月的收益率作为动量指标，筛选市场中动量效应强的股票[63]。 * 因子具体构建过程：首先计算每只股票最近一年的收益率减去最近一个月（剔除涨停板影响）的收益率，以此作为动量指标。然后综合选择A股市场中该动量指标强且流动性相对较高的前100只股票作为成分股，构建指数以表征动量风格[63]。 6. 因子名称：长江反转因子[63] * 因子构建思路：以最近一个月的收益率作为筛选指标，捕捉市场中短期反转效应强的股票[63]。 * 因子具体构建过程：以最近一个月股票收益率作为筛选指标，综合选择A股市场中反转效应强、流动性较好的前100只股票作为成分股，并采用成分股近三个月日均成交量进行加权，构建指数以表征反转风格[63]。 模型的回测效果 （本报告未提供量化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。） 量化因子与构建方式 （因子部分已在上方“量化模型与构建方式”中列出。） 因子的回测效果 （本报告未提供单因子测试的绩效指标，如IC、IR、多空收益等具体数值。）