量化模型与构建方式 1. 模型名称：三维择时框架[8][12] * 模型构建思路：通过构建市场分歧度、流动性、景气度三个维度的指标，综合判断市场整体趋势，进行择时判断[8][11]。 * 模型具体构建过程：报告未详细描述三个具体指标的构建公式，但明确了其构成和判断逻辑。模型通过监测这三个指标的变化趋势（上行或下行）来形成综合判断。例如，当前流动性下行、分歧度上行、景气度下行，则框架判断市场为“震荡下跌”[8][11]。 2. 模型名称：ETF热点趋势策略[29] * 模型构建思路：结合价格形态、技术指标和市场关注度（换手率）来筛选短期内具有上涨趋势和资金关注度的ETF，构建投资组合[29]。 * 模型具体构建过程： 1. 形态筛选：首先筛选出K线最高价与最低价同时呈现上涨形态的ETF[29]。 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，构建一个支撑阻力因子[29]。 3. 关注度筛选：在支撑阻力因子的多头组中，选择近5日换手率与近20日换手率比值最高的10只ETF，即短期市场关注度明显提升的标的[29]。 4. 组合构建：对上述筛选出的10只ETF采用风险平价方法构建最终投资组合[29]。 3. 模型名称：融资-主动大单资金流共振策略[35] * 模型构建思路：结合融资融券资金流和主动大单资金流两种资金流向，寻找两种资金流产生共振（同时看好）的行业进行配置，以提高策略的稳定性[35]。 * 模型具体构建过程： 1. 构建融资融券资金因子：计算行业融资净买入与融券净卖出之差（代表两融资金流），然后使用Barra市值因子进行中性化处理。对中性化后的序列取最近50日均值，并计算其两周环比变化率[35]。 2. 构建主动大单资金因子：计算行业主动大单净流入，并使用该行业最近一年的成交量进行时序中性化处理。对处理后的序列进行排序，并取最近10日均值[35]。 3. 信号合成：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，剔除融资融券因子也处于头部的行业[35]。 4. 行业剔除：进一步剔除大金融板块[35]。 4. 模型名称：全天候配置策略（高波版/低波版）[42][46][48][52] * 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，构建一个不依赖宏观预测、追求长期收益平衡和风险分散的稳健绝对收益组合[42]。 * 模型具体构建过程：报告未给出具体资产配置权重的计算公式，但阐述了核心构建哲学和具体实现版本。 1. 核心原则：遵循资产选择、风险调整、结构对冲三项基本原则进行平衡配置，以熨平波动率[42]。 2. 对冲构型：采用循环对冲设计对冲构型，绕过宏观因素刻画，直击资产波动进行长期收益平衡[42]。 3. 版本区分：按风险水平分为高波版和低波版两种组合[42]。 * 高波版：采用“四层结构化-股债金风险平价”构型[46][47]。 * 低波版：采用“五层结构化-风险预算”构型[48][52]。 模型的回测效果 1. 三维择时框架：报告未提供具体的量化回测指标，仅给出定性判断：当前保持“震荡下跌”判断[8]。 2. ETF热点趋势策略：2025年以来收益率为53.22%，相比沪深300指数的超额收益为36.99%[29]。 3. 融资-主动大单资金流共振策略： * 2018年以来费后年化超额收益：12.6%[35] * 信息比率（IR）：1.2[35] * 上周（报告期）绝对收益：-2.41%[35] * 上周（报告期）超额收益（相对行业等权）：-0.02%[35] 4. 全天候配置策略： * 高波版（截至2025年）： * 年化收益率：11.8%[52] * 年平均最大回撤：3.6%[52] * 夏普比率：1.9[52] * 2026年以来收益率：2.2%[52] * 低波版（截至2025年）： * 年化收益率：6.7%[52] * 年平均最大回撤：2.0%[52] * 夏普比率：2.4[52] * 2026年以来收益率：1.4%[52] 量化因子与构建方式 1. 因子名称：风格因子（市值、贝塔、成长）[55] * 因子构建思路：报告未详细描述构建过程，但将其作为描述市场风格特征的分析维度。本周市场呈现“高市值高贝塔高成长”特征[55]。 * 因子具体构建过程：未提供。 2. 因子名称：行业融资融券资金因子[35] * 因子构建思路：衡量行业层面融资客的资金流向变化[35]。 * 因子具体构建过程： 1. 计算行业融资净买入与融券净卖出之差（个股加总）。 2. 使用Barra市值因子对该差值进行中性化处理。 3. 对中性化后的序列计算最近50日的均值。 4. 计算该50日均值的两周环比变化率作为最终因子值[35]。 3. 因子名称：行业主动大单资金因子[35] * 因子构建思路：衡量行业层面主动大单资金的净流入强度，并考虑其历史成交活跃度[35]。 * 因子具体构建过程： 1. 计算行业主动大单净流入。 2. 使用该行业最近一年的成交量进行时序中性化处理。 3. 对处理后的序列进行排序。 4. 取排序后序列的最近10日均值作为最终因子值[35]。 4. 因子名称：近21交易日平均换手率的自然对数[58][60] * 因子构建思路：使用换手率的对数形式来度量股票的流动性或交易活跃度，可能用于捕捉流动性溢价或反转效应[58]。 * 因子具体构建过程：报告未提供详细公式，但根据名称可推断为：$factor = ln(mean(turnover, 21))$ 其中，mean(turnover, 21) 为近21交易日的平均换手率。 5. 因子名称：近21交易日平均换手率[58][60] * 因子构建思路：直接使用换手率均值度量股票的交易活跃度[58]。 * 因子具体构建过程：$factor = mean(turnover, 21)$ 6. 因子名称：单季度ROA[58][60] * 因子构建思路：衡量公司单季度的资产盈利能力[58]。 * 因子具体构建过程：报告未提供详细公式，通常为：$ROA_q = \frac{单季度净利润}{单季度平均总资产}$ 7. 因子名称：十二个月残差动量 (specific mom12)[62] * 因子构建思路：剥离市场风险后的纯Alpha动量，衡量股票自身特质收益的延续性[62]。 * 因子具体构建过程：报告未提供详细公式，通常通过回归剥离市场收益后，计算过去12个月的特质收益累积。 8. 因子名称：评级上下调差/评级上下调和 (est num diff)[62] * 因子构建思路：通过分析师评级上调与下调的家数差异，标准化后反映市场一致预期情绪的变化[62]。 * 因子具体构建过程：$factor = \frac{评级上调家数 - 评级下调家数}{评级上调家数 + 评级下调家数}$ 9. 因子名称：近一个月一致预测净利润变化（FY1）占比 (mom1 np fy1)[62] * 因子构建思路：衡量未来一年（FY1）一致预测净利润在过去一个月内的相对变化幅度，反映预期修正强度[62]。 * 因子具体构建过程：$factor = \frac{当前一致预测NP_{FY1} - 1个月前一致预测NP_{FY1}}{|1个月前一致预测NP_{FY1}|}$ 10. 因子名称：近三个月一致预测营业收入预期变化占比（FY1） (mom3 rev fy1)[62] * 因子构建思路：衡量未来一年（FY1）一致预测营业收入在过去三个月内的相对变化幅度[62]。 * 因子具体构建过程：$factor = \frac{当前一致预测Rev_{FY1} - 3个月前一致预测Rev_{FY1}}{|3个月前一致预测Rev_{FY1}|}$ 因子的回测效果 （注：报告中Alpha因子的测试均基于流通市值加权，除规模因子外均进行了市值、行业中性化处理，规模因子进行行业中性化处理[57]。因子表现以多头组（前1/5）超额收益衡量。） 1. 风格因子（本周收益）： * 市值因子：1.90%[55] * 贝塔因子：1.78%[55] * 成长因子：0.95%[55] 2. 分时间维度因子（近一周多头超额收益）： * 近21交易日平均换手率的自然对数：1.24%[58][60] * 近21交易日平均换手率：1.24%[58][60] * 单季度ROA：1.22%[58][60] 3. 分指数因子（最近一年多头超额收益）： * 沪深300中表现最佳：十二个月残差动量 (specific mom12)，超额收益35.57%[62] * 中证500中表现最佳：近一个月一致预测净利润变化（FY1）占比 (mom1 np fy1)，超额收益18.15%[62] * 中证800中表现最佳：近三个月一致预测净利润预期变化占比（FY1） (mom3 np fy1)，超额收益25.71%[62] * 中证1000中表现最佳：近三个月一致预测营业收入预期变化占比（FY1） (mom3 rev fy1)，超额收益20.01%[62]