量化模型与构建方式 1. 模型名称：流动性冲击指标[2] * 模型构建思路：用于衡量当前市场流动性相对于历史平均水平的偏离程度，负值表示流动性高于平均水平[2]。 * 模型具体构建过程：该指标是一个标准化值（Z-Score），基于沪深300指数计算。具体计算过程未在报告中详细说明，但报告指出其含义：指标值为-1.24，意味着当前市场的流动性高于过去一年平均水平-1.24倍标准差[2]。 2. 模型名称：SAR（抛物线转向）指标[11] * 模型构建思路：一种趋势跟踪指标，用于判断市场趋势的转向点[11]。 * 模型具体构建过程：报告未给出具体计算公式。应用上，当价格向上突破SAR指标时，发出买入信号；反之，向下突破时发出卖出信号。报告指出，Wind全A指数于3月27日向上突破翻转指标，发出买入信号[11]。 3. 模型名称：均线强弱指数[11] * 模型构建思路：通过计算各行业指数相对于其均线的位置，综合判断整个市场的强弱程度[11]。 * 模型具体构建过程：报告未给出具体计算公式。构建过程涉及使用Wind二级行业指数计算。当前市场得分为163，处于2023年以来的57.2%分位点[11]。 4. 模型名称：情绪择时模型[11] * 模型构建思路：通过构建一系列与涨停板、跌停板相关的因子，综合刻画市场的情绪强弱，用于择时[11]。 * 模型具体构建过程：模型基于国泰海通量化团队前期专题报告《从涨停板、打板策略到赚钱效应引发的情绪择时指标》构建。模型包含多个细分因子，如净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益等[11]。这些细分因子被综合打分，形成情绪模型得分（满分5分）和趋势模型信号[11][14]。 5. 模型名称：高频资金流择时模型[11] * 模型构建思路：通过分析高频资金流的走势，对主要宽基指数发出买入或卖出信号[11]。 * 模型具体构建过程：模型基于国泰海通量化团队前期专题报告《高频资金流如何辅助宽基择时决策》构建。模型针对不同指数（如沪深300、中证500等）和不同风险偏好（激进/稳健、多头/多空）设置了多个信号[11][14]。 6. 模型名称：因子拥挤度模型[15] * 模型构建思路：用于度量跟踪或投资某一因子的资金是否过多，以预警因子可能失效的风险[15]。 * 模型具体构建过程：模型基于国泰海通量化团队前期专题报告《选股因子系列（四十二）——因子失效预警：因子拥挤》构建。它使用四个子指标来度量因子拥挤程度：估值价差、配对相关性、长期收益反转、因子波动率[15]。这四个子指标被综合计算，得到一个复合拥挤度分数[15][17]。 7. 模型名称：行业拥挤度模型[18] * 模型构建思路：用于度量各行业板块的交易拥挤程度，以识别过热或过冷的行业[18]。 * 模型具体构建过程：模型基于国泰海通量化团队前期专题报告《行业轮动系列研究 15——行业板块拥挤度》构建。具体计算过程未在报告中详述[18]。 模型的回测效果 注：本报告为周度监测报告，主要展示模型的最新信号和状态，未提供长期历史回测的量化指标（如年化收益率、夏普比率等）。以下为报告截至2026年4月17日的模型信号或状态取值。 1. 流动性冲击指标：基于沪深300指数，2026年4月17日（周五）值为 -1.24[2]。 2. SAR指标：对Wind全A指数，当前信号为 买入信号（3月27日向上突破）[11]。 3. 均线强弱指数：当前市场得分为 163，处于2023年以来的 57.2% 分位点[11]。 4. 情绪择时模型： * 情绪模型得分：3分（满分5分）[11]。 * 趋势模型信号：正向[11]。 * 加权模型信号：正向[11]。 5. 高频资金流择时模型：对主要宽基指数的信号如下表所示[11][14]。 | 指数 | 激进多头信号 | 激进多空信号 | 稳健多头信号 | 稳健多空信号 | | :--- | :--- | :--- | :--- | :--- | | 沪深300 | 1 (买入) | 1 (买入) | 0 (中性) | 0 (中性) | | 中证500 | 1 (买入) | 1 (买入) | 1 (买入) | 1 (买入) | | 中证1000 | 0 (中性) | -1 (卖出) | 0 (中性) | 0 (中性) | | 中证2000 | 0 (中性) | 0 (中性) | 0 (中性) | 0 (中性) | 量化因子与构建方式 1. 因子名称：小市值因子拥挤度[15][17] * 因子构建思路：衡量小市值风格因子的交易拥挤程度[15]。 * 因子具体构建过程：作为因子拥挤度模型的一个应用实例，其复合拥挤度由估值价差、配对相关性、市场波动、收益反转四个子指标综合计算得出[15][17]。 2. 因子名称：低估值因子拥挤度[15][17] * 因子构建思路：衡量低估值风格因子的交易拥挤程度[15]。 * 因子具体构建过程：作为因子拥挤度模型的一个应用实例，其复合拥挤度由估值价差、配对相关性、市场波动、收益反转四个子指标综合计算得出[15][17]。 3. 因子名称：高盈利因子拥挤度[15][17] * 因子构建思路：衡量高盈利风格因子的交易拥挤程度[15]。 * 因子具体构建过程：作为因子拥挤度模型的一个应用实例，其复合拥挤度由估值价差、配对相关性、市场波动、收益反转四个子指标综合计算得出[15][17]。 4. 因子名称：高盈利增长因子拥挤度[15][17] * 因子构建思路：衡量高盈利增长风格因子的交易拥挤程度[15]。 * 因子具体构建过程：作为因子拥挤度模型的一个应用实例，其复合拥挤度由估值价差、配对相关性、市场波动、收益反转四个子指标综合计算得出[15][17]。 5. 因子名称：情绪模型细分因子[11][14] * 因子构建思路：用于构建情绪择时模型的一系列子因子，包括净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益等[11]。 * 因子具体构建过程：基于国泰海通量化团队前期专题报告《从涨停板、打板策略到赚钱效应引发的情绪择时指标》构建，具体计算过程未在本报告中详述[11]。 因子的回测效果 注：本报告主要展示因子拥挤度的最新监测值，未提供因子本身的长期收益表现指标（如IC、IR等）。以下为报告截至2026年4月17日的因子拥挤度取值。 1. 小市值因子拥挤度：复合拥挤度为 0.20[4][17]。其分项指标值为：估值价差 0.54，配对相关性 0.95，市场波动 -0.67，收益反转 -0.01[17]。 2. 低估值因子拥挤度：复合拥挤度为 -0.97[4][17]。其分项指标值为：估值价差 -1.12，配对相关性 0.21，市场波动 -1.24，收益反转 -1.74[17]。 3. 高盈利因子拥挤度：复合拥挤度为 0.22[4][17]。其分项指标值为：估值价差 -0.75，配对相关性 0.84，市场波动 -0.84，收益反转 1.62[17]。 4. 高盈利增长因子拥挤度：复合拥挤度为 0.22[4][17]。其分项指标值为：估值价差 0.71，配对相关性 -0.14，市场波动 -0.91，收益反转 1.24[17]。