量化模型与构建方式 1. 模型名称：三维择时框架[5][8] * 模型构建思路：通过构建分歧度、流动性、景气度三个维度的指标，综合判断市场状态，进行择时判断[5][8]。 * 模型具体构建过程：模型基于三个核心指标进行判断： 1. 分歧度：衡量市场参与者观点的离散程度，上行趋势表示市场分歧加大[5][8]。 2. 流动性：衡量市场资金面的松紧程度，下行趋势表示流动性趋紧[5][8]。 3. 景气度：衡量宏观经济或企业盈利的景气程度，下行趋势表示景气度回落[5][8]。 综合三个指标的趋势（上行或下行）进行组合判断，例如“分歧度↑-流动性↓-景气度↓”对应“震荡下跌”的市场判断[5][8]。 2. 模型名称：热点趋势ETF策略[32] * 模型构建思路：基于ETF价格形态（最高价与最低价）的上涨趋势和短期市场关注度（换手率）来筛选ETF，构建投资组合[32]。 * 模型具体构建过程： 1. 形态筛选：首先筛选出最高价与最低价同时呈现上涨形态的ETF[32]。 2. 构建支撑阻力因子：根据最高价与最低价近20日回归系数的相对陡峭程度，构建支撑阻力因子[32]。 3. 关注度筛选：在支撑阻力因子的多头组中，选择近5日换手率/近20日换手率最高的10只ETF，即短期市场关注度明显提升的品种[32]。 4. 组合构建：对最终选出的10只ETF采用风险平价方法构建投资组合[32]。 3. 模型名称：融资-主动大单资金流共振策略[40] * 模型构建思路：结合融资融券资金流和主动大单资金流两个维度，寻找资金面产生共振的行业进行配置[37][40]。 * 模型具体构建过程： 1. 构建行业融资融券资金因子：计算行业个股的（融资净买入-融券净卖出）并加总，经过Barra市值因子中性化处理，取最近50日均值后的两周环比变化率[40]。 2. 构建行业主动大单资金因子：计算行业主动大单净流入，经过最近一年成交量时序中性化处理，得到排序分位，并取最近10日均值[40]。 3. 策略逻辑：研究发现融资融券因子的多头端在某些市场状态下有稳定的负向超额收益，而主动大单因子剔除极端多头行业后有稳定正向超额收益。因此，策略在主动大单因子的头部打分行业内，剔除融资融券因子头部的行业，以提高策略稳定性[40]。 4. 行业剔除：进一步剔除大金融板块[40]。 4. 模型名称：全天候配置模型[44] * 模型构建思路：通过资产选择、风险调整和结构对冲三项原则，构建不依赖宏观预测、追求长期收益稳定的分散化投资组合[44]。 * 模型具体构建过程：采用循环对冲设计对冲构型，绕过宏观因素刻画，直接针对资产波动进行长期收益平衡[44]。按风险水平分为两个版本： 1. 高波版：采用“四层结构化-股债金风险平价”构型[44][48]。 2. 低波版：采用“五层结构化-风险预算”构型[44][53]。 模型的回测效果 1. 三维择时框架：模型保持“震荡下跌”判断[5][8]。 2. 热点趋势ETF策略：组合2025年以来收益58.34%，相比沪深300指数的超额收益为38.80%[5][32]。 3. 融资-主动大单资金流共振策略：策略2018年以来费后年化超额收益14.3%，IR 1.4[40]。策略上周（截至报告期）实现-2.53%的绝对收益与1.88%的超额收益（相对行业等权）[40]。 4. 全天候配置模型（高波版）：截至2025年，年化收益率11.8%，年平均最大回撤3.6%，夏普比率1.9[53]。2026年以来收益率1.9%[5][53]。 5. 全天候配置模型（低波版）：截至2025年，年化收益率6.7%，年平均最大回撤2.0%，夏普比率2.4[53]。2026年以来收益率1.1%[5][53]。 量化因子与构建方式 1. 因子名称：风格因子（市值、盈利收益率、成长等）[56] * 因子构建思路：报告跟踪了包括市值、贝塔、动量、波动率、非线性市值、价值、流动性、盈利收益率、成长、杠杆在内的多个风格因子表现[57]。 * 因子具体构建过程：未详细说明具体计算方式，但提及风格因子收益为多头减空头的收益表现[56][57]。 2. 因子名称：过去1个月的收益率标准差 (return std 1m)[61][62] * 因子构建思路：使用股票过去1个月收益率的标准差来衡量其近期波动[61][62]。 * 因子具体构建过程：计算个股过去1个月（约21个交易日）日收益率的样本标准差[62]。 3. 因子名称：近63交易日平均换手率的自然对数 (swap 3m)[61][62] * 因子构建思路：使用近期换手率的自然对数来度量股票的流动性或交易活跃度[61][62]。 * 因子具体构建过程：计算个股最近63个交易日的平均换手率，然后取其自然对数[62]。 4. 因子名称：过去1个月的平均换手率 (turnover mean 1m)[61][62] * 因子构建思路：使用近期平均换手率直接度量股票的流动性或交易活跃度[61][62]。 * 因子具体构建过程：计算个股过去1个月（约21个交易日）的日换手率平均值[62]。 5. 因子名称：评级上下调差/评级上下调和 (est num diff)[63][64] * 因子构建思路：通过分析师评级上调与下调的家数差异，衡量市场对个股的一致预期变化[63][64]。 * 因子具体构建过程：因子定义为（评级上调家数 - 评级下调家数）/（评级上调家数 + 评级下调家数）[64]。 6. 因子名称：十二个月残差动量 (specific mom12)[63][64] * 因子构建思路：使用剔除市场风险后的残差收益来衡量个股的特异性动量[63][64]。 * 因子具体构建过程：未给出具体公式，但通常为个股过去12个月收益率对市场指数收益率回归后的残差序列计算的动量[64]。 7. 因子名称：近一个月一致预期净利润变化（FY1）占比 (mom1 np fy1)[63][64] * 因子构建思路：衡量近期市场对个股未来一年净利润一致预期的调整幅度[63][64]。 * 因子具体构建过程：因子定义为（当前一致预测净利润FY1 - 1个月前一致预测净利润FY1）/ abs(1个月前一致预测净利润FY1)[64]。 8. 因子名称：单季度净利润同比增长 (考虑快报、预告) (yoy np q adv)[63][64] * 因子构建思路：使用包含业绩快报和预告信息的最新单季度净利润同比增长数据[63][64]。 * 因子具体构建过程：未给出具体公式，但为基于最新财务信息（含快报、预告）计算的单季度净利润同比增长率[64]。 因子的回测效果 1. 风格因子（最近一周）：市值因子收益1.59%，盈利收益率因子收益0.76%，成长因子收益0.42%，贝塔因子收益-2.34%，动量因子收益-2.20%，波动率因子收益-0.79%，流动性因子收益-1.87%[56][57]。 2. 过去1个月的收益率标准差 (return std 1m)：近一周多头超额收益1.27%，近一个月多头超额收益1.14%[61][62]。 3. 近63交易日平均换手率的自然对数 (swap 3m)：近一周多头超额收益1.26%，近一个月多头超额收益0.83%[61][62]。 4. 过去1个月的平均换手率 (turnover mean 1m)：近一周多头超额收益1.26%，近一个月多头超额收益1.12%[61][62]。 5. 评级上下调差/评级上下调和 (est num diff)：最近一年在沪深300指数中的多头超额收益33.24%[63][64]。 6. 十二个月残差动量 (specific mom12)：最近一年在沪深300指数中的多头超额收益32.93%[63][64]。 7. 近一个月一致预期净利润变化（FY1）占比 (mom1 np fy1)：最近一年在中证500指数中的多头超额收益16.98%[63][64]。 8. 单季度净利润同比增长 (考虑快报、预告) (yoy np q adv)：最近一年在中证1000指数中的多头超额收益22.83%[63][64]。