量化模型与构建方式 1. 模型名称：中国经济六周期模型 模型构建思路： 通过识别中长期贷款脉冲（新增中长贷TTM同比）的三个月差分方向来判断信用周期，并结合其他宏观因子，将经济划分为六个阶段，用于指导资产配置[7]。 模型具体构建过程： 1. 使用“中长期贷款脉冲”作为核心信用周期识别指标。该指标的计算基于“新增中长期贷款TTM同比”的三个月差分[7]。 2. 通过该指标的变动方向（上升或下降）来判定信用周期是处于扩张还是收缩状态[7]。 3. 结合货币因子、增长因子等其他宏观指标，将经济状态综合划分为六个阶段。报告当前指出模型处于“阶段6：货币扩张”状态[7][11]。 2. 模型名称：宏观胜率评分卡 模型构建思路： 从货币、信用、增长、通胀和海外五个宏观因子出发，合成一个综合评分，用于评估各类资产的未来上涨概率（胜率）[21]。 模型具体构建过程： 报告提及该模型基于五个宏观因子（货币、信用、增长、通胀、海外）构建，但未详细说明各因子的具体计算方法和合成规则。模型输出结果为各资产的综合胜率百分比，例如A股胜率[21]。 3. 模型名称：利率债收益预测模型（债券赔率指标） 模型构建思路： 根据长短期债券的预期收益差来构建债券资产的赔率指标，用于衡量债券资产的估值吸引力[22]。 模型具体构建过程： 报告未给出该模型计算预期收益差和赔率的具体公式，但明确指出该赔率指标是标准化后的数值，以标准差倍数表示[22]。 4. 模型名称：美联储流动性指数 模型构建思路： 结合数量维度和价格维度，综合构建一个反映美联储流动性松紧程度的指数[29]。 模型具体构建过程： 报告指出该指数综合了净流动性、联储信用支持、预期引导、市场隐含、公告意外等多个维度，但未提供具体的合成公式。指数设有预警阈值，例如-60%代表“极度收紧”[28][29]。 5. 模型名称：行业景气-趋势-拥挤配置模型（并行策略） 模型构建思路： 提出两种右侧行业配置方案，并将它们结合形成并行策略。方案一以行业景气度为核心，结合趋势并规避高拥挤；方案二以市场趋势为核心，结合低拥挤并规避低景气[46]。 模型具体构建过程： * 行业景气模型： 核心是“分析师行业景气指数”。该指数基于分析师预测数据构建，用于衡量市场对行业未来业绩的预期。具体构建方法在引用的专题报告中，本报告未详述[12]。 * 行业趋势模型： 核心是行业的趋势强度。 * 拥挤度： 用于衡量交易过热风险。 * 并行策略： 同时运行上述两个模型，其推荐结果共同构成最终的行业配置建议[46][49]。 6. 模型名称：行业ETF配置模型 模型构建思路： 将“行业景气-趋势-拥挤配置模型”的逻辑应用于可交易的行业ETF上，构建一个可落地的投资组合[50]。 模型具体构建过程： 与模型5思路一致，但标的物为行业ETF。模型对每只ETF计算其跟踪指数的景气度、趋势和拥挤度，并据此进行配置[50][51]。 7. 模型名称：行业库存景气+困境反转模型 模型构建思路： 从赔率-胜率角度出发，在当前或过去处于困境但已有所反弹的板块中，筛选出分析师长期看好且库存压力不大、具备补库条件的行业，以捕捉困境反转行情[55]。 模型具体构建过程： 报告提及模型结合了“困境”（赔率）、“分析师长期看好”（胜率的一部分）和“库存压力/补库条件”等多个维度，但未给出具体的因子计算公式和合成规则[55]。 8. 模型名称：赔率增强型策略（固收+） 模型构建思路： 基于风险预算模型，在目标波动率约束下，根据各资产的赔率指标动态调整配置权重，持续超配高赔率（估值有吸引力）的资产[58]。 模型具体构建过程： 策略使用风险预算模型进行资产配置。赔率指标作为输入，用于计算各类资产（泛权益、黄金、债券）的风险预算。在满足目标波动率约束的前提下，分配更多风险预算给赔率高的资产[58]。 9. 模型名称：胜率增强型策略（固收+） 模型构建思路： 与赔率增强型策略框架类似，但输入指标替换为基于宏观五因子合成的各资产“胜率”评分，旨在超配未来上涨概率更高的资产[61]。 模型具体构建过程： 使用与模型8相同的风险预算模型框架，但将赔率指标替换为模型2（宏观胜率评分卡）输出的胜率评分，作为计算风险预算的依据[61]。 10. 模型名称：赔率+胜率增强型策略（固收+） 模型构建思路： 综合赔率和胜率信息，将两种策略的风险预算简单相加得到综合得分，据此构建更全面的资产配置策略[64]。 模型具体构建过程： 分别计算赔率增强策略（模型8）和胜率增强策略（模型9）对各类资产的风险预算，然后将两者相加，得到最终的综合风险预算，并据此确定资产配置权重[64]。 量化因子与构建方式 1. 因子名称：行业相对强弱指标（RS） 因子构建思路： 基于行业内个股的横截面收益排名，构建一个行业级别的相对强弱指标，用于提前识别年度领涨主线[15]。 因子具体构建过程： 报告未给出RS因子的具体计算公式，但说明其构建基础是“行业横截面收益排名”。当某个行业的RS指标大于90%时，被视为一个强烈的看涨信号[15]。 2. 因子名称：A股赔率因子 因子构建思路： 综合Shiller ERP（经周期调整的市盈率倒数）和DRP（股息率）两个估值指标，合成一个衡量A股整体估值吸引力的赔率因子[21]。 因子具体构建过程： 将Shiller ERP和DRP分别进行标准化处理（转化为Z-score），然后进行等权加权，得到最终的赔率因子值。该值以标准差倍数表示[21]。 3. 因子名称：债券赔率因子 因子构建思路： 基于利率债收益预测模型输出的长短期债券预期收益差，构建衡量债券估值吸引力的指标[22]。 因子具体构建过程： 由模型3（利率债收益预测模型）输出，并进行标准化处理，以标准差倍数表示[22]。 4. 因子名称：美股AIAE指标 因子构建思路： 作为一个衡量美股估值风险的指标，具体构建方法未说明，但历史高点通常预示较大的回撤风险[26][29]。 5. 风格因子（小盘、价值、质量、成长等）的三标尺：赔率、趋势、拥挤度 因子构建思路： 从三个维度（赔率、趋势、拥挤度）对风格因子进行综合评估，每个维度都进行标准化处理（以标准差倍数表示），并据此计算综合得分[30][32][36][39]。 因子具体构建过程： * 赔率： 衡量因子估值便宜程度，数值越大代表越便宜[31]。 * 趋势： 衡量因子近期表现强度，数值越大代表趋势越强[31]。 * 拥挤度： 衡量因子交易过热程度，数值越大代表越拥挤[31]。 * 综合得分： 基于三个维度的标准化数值计算得出，用于排名和判断[44]。 模型的回测效果 1. 行业景气-趋势-拥挤配置模型（并行策略），基准：Wind全A指数，年化收益22.0%，年化超额收益13.2%，信息比率(IR)1.5，超额最大回撤-8.0%，月度胜率67%[47]。2026年初至2月底绝对收益8.0%，超额收益-0.2%[47]。 2. 行业ETF配置模型，基准：中证800指数，年化超额收益16.3%，信息比率(IR)1.9，超额最大回撤10.8%，月度胜率66%[52]。2025年超额收益21.4%[52]。2026年初至2月底绝对收益9.5%，超额收益3.9%[52]。 3. 行业库存景气+困境反转模型，基准：行业等权组合，2023年绝对收益13.4%，超额收益17.0%；2024年绝对收益26.5%，超额收益15.4%；2025年绝对收益28.7%，超额收益5.6%[55]。2026年初至2月底绝对收益12.2%，超额收益3.9%[55]。 4. 赔率增强型策略（固收+），自2011年以来年化收益6.7%，年化波动2.3%，最大回撤3.1%，夏普比率2.88[60]。自2014年以来年化收益7.4%，最大回撤2.8%，夏普比率3.35[60]。自2019年以来年化收益6.8%（原文6.9%），最大回撤2.8%，夏普比率3.14[60]。 5. 胜率增强型策略（固收+），自2011年以来年化收益7.1%，年化波动2.4%，最大回撤3.4%，夏普比率2.99[62]。自2014年以来年化收益7.9%，最大回撤2.2%，夏普比率3.41[62]。自2019年以来年化收益6.8%，最大回撤1.5%，夏普比率3.10[62]。 6. 赔率+胜率增强型策略（固收+），自2011年以来年化收益6.7%，年化波动2.3%，最大回撤2.9%，夏普比率2.92[66]。自2014年以来年化收益7.3%，最大回撤2.3%，夏普比率3.31[66]。自2019年以来年化收益6.3%，最大回撤2.3%，夏普比率2.99[66]。 因子的回测效果 1. 小盘因子，赔率0.6倍标准差，趋势0.7倍标准差，拥挤度-1.4倍标准差，综合得分4[30]。 2. 价值因子，赔率1.2倍标准差，趋势0.3倍标准差，拥挤度-1.2倍标准差，综合得分3[32]。 3. 质量因子，赔率1.2倍标准差，趋势-0.1倍标准差，拥挤度-0.2倍标准差，综合得分1[36]。 4. 成长因子，赔率-1.2倍标准差，趋势0.6倍标准差，拥挤度0.2倍标准差，综合得分-0.4[39]。