量化模型与因子总结 量化模型与构建方式 1. 模型名称：市场情绪风险监测模型[35] 模型构建思路：通过监测市场宽基指数滚动夏普率的历史分位，来判断市场情绪是否达到极端水平，以预警市场可能的调整风险[35] 模型具体构建过程：计算万得全A指数的滚动季度夏普率，并将其置于历史时间序列中进行分位计算，当夏普率上升至历史极高位置时，认为市场情绪达到极端高峰[35] 2. 模型名称：风格拥挤度监测模型[2][69] 模型构建思路：通过计算不同风格指数之间相对换手率的历史分位，来度量该风格交易的拥挤程度，为风格配置提供风险提示[2][69] 模型具体构建过程：对于风格A和风格B，首先分别计算其近252日平均换手率在历史时间序列上的Z-score标准化值（Z-score_A与Z-score_B），然后计算二者差值（Z-score_A - Z-score_B）的滚动6年历史分位数[123] 公式： $相对拥挤度 = 历史分位数(Z\_score\_A - Z\_score\_B)$ 其中，Z-score基于近252日平均换手率在2005年1月1日以来的历史序列计算[123] 3. 模型名称：风格超额净值计算模型[69][124] 模型构建思路：通过计算风格指数相对于市场基准（万得全A）的累计超额净值，来刻画该风格的长期相对表现[69][124] 模型具体构建过程：以2020年1月4日为基准日，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。然后将各风格指数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的累计超额净值[124] 4. 模型名称：机构调研活跃度监测模型[125] 模型构建思路：通过标准化并比较不同板块（指数、行业）的机构调研频率，来监测资金关注度的相对变化[125] 模型具体构建过程：将板块近n个交易日的“日均机构调研次数”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的标准化结果作差，得到“机构调研活跃度”，最后计算该活跃度的滚动y年历史分位数[125]。报告提及两种参数设置：长期口径（n=126日，滚动窗口y=6年）和短期口径（n=63日，滚动窗口y=3年）[125] 量化因子与构建方式 1. 因子名称：股债性价比因子（ERP）[50] 因子构建思路：通过计算股票指数盈利收益率与无风险利率（10年期国债收益率）的差值，来衡量配置权益资产相对于债券的预期超额回报，即风险溢价[50] 因子具体构建过程：对于特定股票指数，计算其盈利收益率（即市盈率TTM的倒数），然后减去10年期中债国债到期收益率[50] 公式： $指数erp = \frac{1}{指数PE\_TTM} – 10年期中债国债到期收益率$ 其中，PE_TTM为指数滚动市盈率[50] 2. 因子名称：成交热度因子[24] 因子构建思路：使用换手率的历史分位来度量当前交易活跃度的相对水平，辅助判断市场或板块的情绪热度[24] 因子具体构建过程：计算指数或行业的周度日均自由流通换手率，然后计算该换手率在历史时间区间（例如2005年1月1日至今）内的百分位值[24][30] 3. 因子名称：长江动量因子[60] 因子构建思路：通过计算经过调整的长期收益率来捕捉股票的动量效应[60] 因子具体构建过程：以最近一年股票收益率减去最近一个月股票收益率（并剔除涨停板影响）作为动量指标[60]。该因子被用于构建“长江动量”指数，选取全市场动量特征强且流动性高的前100只股票[60] 4. 因子名称：长江反转因子[61] 因子构建思路：通过计算短期收益率来捕捉股票的反转效应[61] 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[61]。该因子被用于构建“长江反转”指数，选取全市场反转效应强、流动性好的前100只股票，并采用近三个月日均成交量进行加权[61] 模型的回测效果 （注：本报告为市场跟踪周报，未提供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。报告主要展示了模型或因子在特定时点的状态输出。） 因子的回测效果 （注：本报告为市场跟踪周报，未提供因子的历史IC、IR、多空收益等传统因子测试结果。报告主要展示了基于因子构建的指数或风格组合在近一周、近一月和年初至今的表现。） 1. 成长 vs 红利因子：近一周相对收益为-1.3%，近一月为-3.7%，年初至今为-3.3%[59] 2. 小盘 vs 大盘因子：近一周相对收益为-1.3%，近一月为1.0%，年初至今为9.9%[59] 3. 微盘股 vs 基金重仓因子：近一周相对收益为0.3%，近一月为1.0%，年初至今为8.8%[59] 4. 动量 vs 反转因子：近一周相对收益为-2.1%，近一月为-2.6%，年初至今为-6.7%[59]