量化模型与因子总结 量化模型与构建方式 1. 模型名称：风格组相对拥挤度模型[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及其历史分位，来衡量两种风格之间的相对交易拥挤程度，以判断其配置风险或性价比[71] * 模型具体构建过程： 1. 对于风格A和风格B，分别计算其近252日平均换手率[127] 2. 将风格A和风格B的换手率序列，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. 计算该差值的滚动6年历史分位数（历史数据量满1年且不足6年时，以全部历史数据进行计算），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：风格指数累计超额净值模型[128] * 模型构建思路：以万得全A指数为基准，计算各风格指数相对于基准的累计超额表现，用于跟踪风格轮动和相对强弱[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指数的每日收盘点数除以各自在基准日的收盘点数，得到各自的累计净值[128] 3. 将各风格指数在每一交易日的累计净值，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：机构调研活跃度分位数模型[129] * 模型构建思路：通过计算板块或行业日均机构调研次数的标准化值相对于全市场的差异及其历史分位，来衡量机构关注度的相对热度[129] * 模型具体构建过程： 1. 对于特定板块（指数、行业），计算其近n个交易日的“日均机构调研次数”[129] 2. 将该日均调研次数序列在滚动y年的历史时间序列上进行z-score标准化[129] 3. 将上述标准化结果与万得全A指数的标准化结果作差，得到“机构调研活跃度”[129] 4. 最后计算该“机构调研活跃度”的滚动y年历史分位数（长期口径：n=126，y=6年；短期口径：n=63，y=3年）[129] 量化因子与构建方式 1. 因子名称：滚动季度夏普率[35] * 因子构建思路：计算万得全A指数滚动一个季度的夏普比率，作为衡量市场情绪风险的指标，极端高位可能预示市场情绪高峰后的调整风险[35] * 因子具体构建过程：报告未详细说明具体计算窗口和参数，但核心是计算指数在过去一个季度时间窗口内的收益率均值与标准差之比，即夏普比率 2. 因子名称：股债性价比（ERP）[51] * 因子构建思路：通过计算股票市场市盈率倒数与无风险利率（国债收益率）的差值，来衡量投资股票相对于债券的预期超额收益，即风险溢价[51] * 因子具体构建过程： 1. 计算指数市盈率（PE_TTM）的倒数：$1 / PE\_TTM$[51] 2. 减去10年期中债国债到期收益率：$ERP = 1 / PE\_TTM - 10年期国债到期收益率$[51] 3. 将计算出的ERP值置于历史时间序列中计算其百分位，以判断当前性价比高低[51][59] 3. 因子名称：成交热度[25] * 因子构建思路：使用周度日均自由流通换手率的历史分位值来衡量板块或行业的交易活跃度[25] * 因子具体构建过程：计算特定板块或行业当周的日均自由流通换手率，然后计算该值在历史时间序列（例如自2005年1月1日以来）中的百分位[25] 4. 因子名称：长江动量因子[63] * 因子构建思路：以最近一年收益率减去最近一个月收益率（剔除涨停板）作为动量指标，筛选A股市场中动量特征强且流动性高的股票[63] * 因子具体构建过程：报告未给出具体公式，但构建逻辑为：动量指标 = 最近一年股票收益率 - 最近一个月股票收益率（需剔除涨停板影响）[63] 5. 因子名称：长江反转因子[63] * 因子构建思路：以最近一个月股票收益率作为筛选指标，选择A股市场中反转效应强、流动性好的股票[63] * 因子具体构建过程：报告未给出具体公式，但构建逻辑为直接使用最近一个月股票收益率作为反转因子指标[63] 模型的回测效果 本报告为市场跟踪周报，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）。 因子的回测效果 本报告为市场跟踪周报，未提供量化因子的历史IC、IR、多空收益等传统因子测试结果。报告主要通过展示因子当前状态（如历史分位）及其与市场表现的近期关系来进行分析。