量化模型与构建方式 1. 模型名称：风格相对拥挤度模型[70] * 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，来衡量某一风格相对于另一风格的交易拥挤程度，以判断其配置性价比和潜在风险[70]。 * 模型具体构建过程： 1. 对于风格A和风格B的指数，分别计算其近252个交易日的平均换手率[125]。 2. 将上述平均换手率在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[125]。 3. 计算二者差值：$Diff = Z-score_A - Z-score_B$[125]。 4. 计算该差值Diff在滚动6年窗口期内的历史分位数（若历史数据满1年但不足6年，则使用全部历史数据计算）[125]。此分位数即为风格A相对于风格B的相对拥挤度指标。 2. 模型名称：风格累计超额净值模型[126] * 模型构建思路：通过计算风格指数相对于市场基准（万得全A）的累计净值比，来刻画该风格的长期超额收益表现[126]。 * 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序列[126]。 2. 将各风格指数在每个交易日的累计净值，除以同一交易日万得全A指数的累计净值，得到该风格指数相对于万得全A的累计超额净值[126]。公式为：$风格累计超额净值_t = \frac{风格指数累计净值_t}{万得全A累计净值_t}$。 3. 模型名称：机构调研活跃度模型[127] * 模型构建思路：通过标准化和比较不同板块（或指数、行业）的机构调研频率，构建活跃度指标并计算其历史分位，以衡量市场关注度的相对冷热[127]。 * 模型具体构建过程： 1. 对于特定板块，计算其近n个交易日的“日均机构调研次数”[127]。 2. 将该日均值在滚动y年的历史时间序列上进行z-score标准化[127]。 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”[127]。 4. 计算该“机构调研活跃度”在滚动y年窗口期内的历史分位数[127]。 * 参数设置：长期口径取n=126（近半年），滚动窗口y=6年（数据满3年不足6年用全部数据）[127]。短期口径取n=63（近一季度），滚动窗口y=3年（数据满1年不足3年用全部数据）[127]。 4. 因子名称：风险溢价因子 (ERP)[50] * 因子构建思路：通过比较股票市场估值倒数与无风险利率的差值，来衡量投资股票市场相对于债券市场的超额回报预期，即股债性价比[50]。 * 因子具体构建过程：对于特定指数，其ERP计算公式为：$指数ERP = \frac{1}{指数PE\_TTM} - 10年期中债国债到期收益率$[50]。其中，PE_TTM为指数滚动市盈率。 5. 因子名称：动量因子[61] * 因子构建思路：基于股价的延续性效应，认为过去一段时间表现好的股票在未来短期内仍将保持强势[61]。 * 因子具体构建过程：报告中引用的“长江动量”指数构建方法为，以最近一年股票收益率减去最近一个月股票收益率（剔除涨停板）作为动量指标，综合选择A股市场中动量特征强且流动性相对较高的前100只股票作为指数成分股[61]。 6. 因子名称：反转因子[62] * 因子构建思路：基于股价的均值回归效应，认为过去短期内表现较差的股票在未来可能迎来反弹[62]。 * 因子具体构建过程：报告中引用的“长江反转”指数构建方法为，以最近一个月股票收益率作为筛选指标，综合选择A股市场中反转效应强、流动性较好的前100只股票作为指数成分股，并采用成分股近三个月日均成交量进行加权[62]。 模型的回测效果 1. 成长 vs 红利 相对拥挤度模型，本周末历史分位值75%，上周末72%，上年末70%[70] 2. 小盘 vs 大盘 相对拥挤度模型，本周末历史分位值7%，上周末6%，上年末39%[70] 3. 微盘股 vs 中证800 相对拥挤度模型，本周末历史分位值58%，上周末59%，上年末90%[70] 因子的回测效果 1. 成长-红利因子，近一周收益率0.1%，近一月收益率7.8%，年初至今收益率4.4%[60][61] 2. 小盘-大盘因子，近一周收益率0.4%，近一月收益率2.4%，年初至今收益率9.4%[60][61] 3. 动量-反转因子，近一周收益率-0.5%，近一月收益率12.4%，年初至今收益率10.3%[60][61] 4. 万得全A风险溢价因子(ERP)，本周末值2.4%，历史分位53%，状态“均衡”[58][59] 5. 沪深300风险溢价因子(ERP)，本周末值5.1%，历史分位57%，状态“均衡”[58][59] 6. 创业板指风险溢价因子(ERP)，本周末值0.5%，历史分位84%，状态“极高”[58][59]