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 * 模型构建思路：通过计算不同风格指数换手率的历史标准化值差异，来衡量某一风格相对于另一风格的交易拥挤程度，从而判断其配置风险或性价比[72][122]。 * 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。 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[122]。 3. 计算二者差值：$Diff = Z\_score\_A - Z\_score\_B$[122]。 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[122]。 2. 模型名称：风格指数累计超额净值模型 * 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收益，用以衡量风格的长期相对表现[123]。 * 模型具体构建过程： 1. 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[123]。 2. 将各风格指数每个交易日的累计净值，除以同一交易日的万得全A指数累计净值，得到各风格指数相对于万得全A指数的累计超额净值[123]。 3. 模型名称：机构调研活跃度模型 * 模型构建思路：通过标准化板块（指数、行业）的日均机构调研次数，并与市场整体水平比较，来衡量机构对特定板块的关注热度[124]。 * 模型具体构建过程： 1. 计算板块（指数、行业）近n个交易日的“日均机构调研次数”[124]。 2. 将该日均次数在滚动y年的历史时间序列上进行z-score标准化[124]。 3. 将上述标准化值与万得全A指数的同期标准化结果作差，得到“机构调研活跃度”[124]。 4. 最后计算该“机构调研活跃度”的滚动y年历史分位数[124]。 * 参数设置： * 长期口径：n取126（近半年），滚动窗口y为6年（历史数据量满3年且不足6年时，以全部历史数据进行计算）[124]。 * 短期口径：n取63（近一季度），滚动窗口y为3年（历史数据量满1年且不足3年时，以全部历史数据进行计算）[124]。 4. 模型名称：股债性价比（ERP）模型 * 模型构建思路：通过计算股票指数的盈利收益率与无风险利率（10年期国债收益率）之差，来衡量投资股票相对于债券的潜在超额收益，即风险溢价[52]。 * 模型具体构建过程： 1. 计算股票指数的盈利收益率（Earnings Yield），即市盈率（PE_TTM）的倒数[52]。 2. 减去10年期中债国债到期收益率[52]。 3. 公式为：$erp = \frac{1}{PE\_TTM} - 10年期国债到期收益率$[52]。 5. 模型名称：市场情绪风险模型（滚动季度夏普率） * 模型构建思路：使用万得全A指数的滚动季度夏普率作为衡量市场情绪风险的指标，夏普率处于历史极端高位可能预示市场情绪过热，后续存在调整风险[38]。 * 模型具体构建过程：报告中提及使用“滚动季度夏普率”，但未给出具体计算公式。通常，滚动夏普率的计算为在滚动时间窗口（例如一个季度）内，计算资产收益率均值除以收益率标准差。 6. 因子名称：动量因子 * 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，筛选市场中动量特征强的股票[63]。 * 因子具体构建过程：“长江动量”指数使用该因子构建，具体为：$Momentum = Return_{(t-252, t-1)} - Return_{(t-22, t-1)} (排除涨停板)$，并选择综合排名靠前的100只流动性较好的股票作为成分股[63]。 7. 因子名称：反转因子 * 因子构建思路：以最近一个月股票收益率作为筛选指标，选择市场中反转效应强的股票[63]。 * 因子具体构建过程：“长江反转”指数使用该因子构建，具体为：$Reversal = -Return_{(t-22, t-1)}$，并选择综合排名靠前的100只流动性较好的股票作为成分股，采用近三个月日均成交量加权[63]。 模型的回测效果 1. 风格拥挤度模型，成长 vs 红利相对拥挤度历史分位：69%[72]；小盘 vs 大盘相对拥挤度历史分位：6%[72]；微盘股 vs 中证800相对拥挤度历史分位：62%[72] 2. 风格超额净值模型，成长较红利超额收益（近一周）：-0.8%[62][66]；小盘较大盘超额收益（近一周）：-0.5%[62][66]；微盘股较基金重仓超额收益（近一周）：0.2%[62][66]；动量较反转超额收益（近一周）：3.1%[62][66] 3. 股债性价比（ERP）模型，万得全A指数ERP历史分位：56%[52][61]；沪深300指数ERP历史分位：62%[52][61]；创业板指数ERP历史分位：87%[52][61] 4. 市场情绪风险模型，万得全A滚动季度夏普率状态：已下降至历史低位[38] 量化因子与构建方式 1. 因子名称：成交热度因子 * 因子构建思路：使用“周度日均自由流通换手率历史分位”来衡量板块或行业的交易活跃度相对于自身历史的水平[27]。 * 因子具体构建过程：计算板块或行业当周的日均自由流通换手率，然后计算该值在其历史时间序列（报告中未明确起始点，通常为较长历史区间）上的历史分位数[27]。 2. 因子名称：估值分位因子（PE_TTM） * 因子构建思路：使用市盈率（TTM）的历史分位数来衡量指数、板块或行业当前估值在历史中所处的位置[43][50]。 * 因子具体构建过程：计算指数、板块或行业当前的PE_TTM值，然后计算该值在2005年1月1日至今的历史时间序列上的百分位[36][50]。 因子的回测效果 1. 成交热度因子，电力及公用事业行业成交热度历史分位：97%[27][36]；房地产行业成交热度历史分位：38%[27][36] 2. 估值分位因子（PE_TTM），万得全A指数PE_TTM历史分位：79%[42][50]；消费板块PE_TTM历史分位：14%（极低）[50]；电力设备及新能源行业PE_TTM历史分位：94%（极高）[50]