量化模型与因子总结 量化模型与构建方式 1. 模型名称：三维择时框架 * 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，综合判断市场整体状态和趋势，为择时提供参考[8]。 * 模型具体构建过程： 模型包含三个核心指标：1) 市场分歧度指数，用于衡量市场参与者观点的离散程度[20]。2) 市场流动性指数，用于衡量市场资金面的宽松程度[25]。3) A股景气度指数2.0，用于衡量宏观经济和上市公司基本面的景气状况，该指数包含工业、金融等分项[23][25]。通过观察这三个指标的变化趋势（上行或下行）及其组合状态，形成对市场偏多、偏中或偏空的判断[8][12][14]。 2. 模型名称：热点趋势ETF策略 * 模型构建思路： 结合技术形态（价格高低点）和市场关注度（换手率变化），筛选出处于上涨趋势且近期市场热度提升的ETF构建投资组合[30]。 * 模型具体构建过程： 首先，根据K线的最高价与最低价的上涨或下跌形态，筛选出最高价与最低价同时呈现上涨形态的ETF。其次，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。然后，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ETF，即短期市场关注度明显提升的品种。最后，选取排名靠前的10只ETF，采用风险平价方法构建投资组合[30]。 3. 模型名称：资金流共振策略 * 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不同类型的资金流向，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[36][37]。 * 模型具体构建过程： 1. 构建行业融资融券资金因子： 对个股的（融资净买入-融券净卖出）在行业内加总，然后进行Barra市值因子中性化处理。取该中性化后值的最近50日均值，并计算其两周环比变化率[37]。 2. 构建行业主动大单资金因子： 计算行业的主动大单净流入，并进行最近一年成交量时序中性化处理。将处理后的行业净流入值进行排序（分位化），并取最近10日均值作为因子值[37]。 3. 策略合成： 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）有稳定的正向超额收益。因此，策略在主动大单因子的头部打分行业内，剔除融资融券因子得分也处于头部的行业，以提高策略稳定性。最后，再剔除大金融板块，得到最终推荐的行业[37][40]。 4. 模型名称：全天候配置策略 * 模型构建思路： 通过选择多元资产、进行风险调整和结构化对冲，绕过对宏观因子的预测，直接针对资产波动进行配置，以实现长期稳健的绝对收益，并根据风险偏好分为高波和低波两个版本[43]。 * 模型具体构建过程： 策略遵循三项基本原则：1) 资产选择：涵盖A股、H股、美股、债券、商品等多类资产。2) 风险调整：采用风险平价或风险预算方法调整资产权重。3) 结构对冲：采用循环对冲设计对冲构型，以熨平波动。具体分为两个版本： * 高波版： 采用“四层结构化-股债金风险平价”方法构建组合[47]。 * 低波版： 采用“五层结构化-风险预算”方法构建组合[48]。 5. 模型名称：经典线性多因子选股模型（指数增强策略核心） * 模型构建思路： 以多因子模型为核心，通过筛选有效因子、合成复合Alpha得分，并在基准指数约束下进行组合优化，力求获得稳定的超额收益[65]。 * 模型具体构建过程： 1. 因子筛选： 每年末，基于因子值之间的相关系数以及Rank ICIR指标，优选有效因子[65]。 2. 因子加权： 每月末，对入选的因子进行正交化处理，并采用Rank ICIR加权的方式合成复合因子，将其作为个股的Alpha得分[65]。 3. 组合优化： 在给定跟踪误差、行业中性、市值中性等风险约束条件下，以最大化复合因子暴露为目标，求解股票的最优权重。分别构建以沪深300、中证500和中证1000为基准的增强组合[65]。 量化因子与构建方式 1. 因子名称：支撑阻力因子（属于热点趋势ETF策略） * 因子构建思路： 通过分析ETF价格高点与低点的回归趋势，判断其上涨动能的强弱[30]。 * 因子具体构建过程： 根据ETF的最高价与最低价近20日回归系数的相对陡峭程度来构建。具体公式未在报告中明确给出，但思路是衡量价格通道的斜率[30]。 2. 因子名称：行业融资融券资金因子 * 因子构建思路： 衡量杠杆资金在行业层面的净流入强度及其近期变化[37]。 * 因子具体构建过程： 首先，计算每个行业的融资融券资金流：行业内个股的（融资净买入-融券净卖出）之和。然后，对该资金流进行Barra市值因子中性化处理。接着，计算该中性化后序列的最近50日移动平均值。最后，计算该50日均值的两周环比变化率作为最终因子值[37]。 3. 因子名称：行业主动大单资金因子 * 因子构建思路： 衡量机构或大资金在行业层面的主动买入强度[37]。 * 因子具体构建过程： 首先，计算每个行业的主动大单净流入金额。然后，对该净流入进行最近一年成交量时序中性化处理（以消除市场整体成交活跃度的影响）。接着，将处理后的行业净流入值在全行业范围内进行排序并转化为分位数（例如0%-100%）。最后，取该分位数序列的最近10日移动平均值作为最终因子值[37]。 4. 风格因子：流动性因子、贝塔因子、波动率因子 * 因子构建思路： 用于刻画市场当前呈现的风格特征，例如市场是偏好高流动性股票还是高波动性股票[55]。 * 因子具体构建过程： 报告未详细描述具体计算方法，但指出这些因子用于描述“高流动性高贝塔高波动率”等市场风格特征[55]。 5. Alpha因子（列举部分）： * 因子名称：1年-1个月的收益率 (mom 1y 1m) * 因子构建思路： 动量因子，计算过去1年剔除最近1个月后的收益率，捕捉中长期动量效应[58][60]。 * 因子名称：单季度营业收入同比增速 (yoy or q) * 因子构建思路： 成长因子，衡量公司最新单季度营业收入的同比增长情况[58][60]。 * 因子名称：营业收入同比增速 (yoy or) * 因子构建思路： 成长因子，衡量公司营业收入的同比增长情况[60]。 * 因子名称：十二个月残差动量 (specific mom12) * 因子构建思路： 残差动量因子，剥离市场风险后的过去12个月收益率动量，常用在沪深300等大市值股票中[61]。 * 因子名称：评级上下调差/评级上下调和 (est num diff) * 因子构建思路： 分析师情绪因子，通过券商评级上调与下调的家数差异来衡量市场对股票的预期变化，在大市值股票中表现突出[61]。 * 因子名称：一致预测净利润变化（FY1）占比 (mom1 np fy1, mom3 np fy1等) * 因子构建思路： 预期修正因子，衡量未来1年（FY1）一致预测净利润相对于1个月前或3个月前的变化幅度，在小市值指数中表现更佳[61]。 * 因子具体构建过程（以mom3 np fy1为例）： $mom3\ np\ fy1 = \frac{(当前一致预测np\ FY1 - 3个月前一致预测np\ FY1)}{|3个月前一致预测np\ FY1|}$ [61] * 因子名称：单季度净利润同比增长(考虑快报、预告) (yoy np q adv) * 因子构建思路： 成长与事件驱动结合因子，利用业绩快报或预告信息更早地捕捉净利润增长信号[61]。 * 其他Alpha因子： 报告还列出了大量其他Alpha因子，如每股营业收入同比增长率(yoy orps)、流动负债同比增长(cur liab yoy)、SUE因子(sue1)、研发销售收入占比(tot rd ttm to sales)等，均进行了市值和行业中性化处理（规模因子仅进行行业中性化）[57][60]。 模型的回测效果 1. 热点趋势ETF策略： 2025年以来收益61.81%，相比沪深300指数的超额收益为36.97%[30]。 2. 资金流共振策略： 2018年以来费后年化超额收益12.3%，IR 1.2，相对北向-大单共振策略回撤更小。策略上周绝对收益0.2%，相对行业等权超额收益0.4%[37]。 3. 全天候配置策略（截至2025年）： * 高波版： 年化收益率11.8%，年平均最大回撤3.6%，夏普比率1.9[52]。 * 低波版： 年化收益率6.7%，年平均最大回撤2.0%，夏普比率2.4[52]。 * 2026年以来： 高波版收益率6.2%，低波版收益率1.9%[52]。 4. 指数增强策略： * 沪深300增强组合： 本周超额收益0.3%，本月超额收益3.1%，本年超额收益7.2%[62]。 * 中证500增强组合： 本周超额收益0.3%，本月超额收益0.8%，本年超额收益5.2%[62]。自2016年1月1日以来，年化超额收益13.3%，年化IR 2.78[70]。 * 中证1000增强组合： 本周超额收益-0.4%，本月超额收益-2.4%，本年超额收益0.8%[62]。自2016年1月1日以来，年化超额收益16.4%，年化IR 3.45[74]。 因子的回测效果 注：因子表现数据分为近期（周/月）表现和长期（近一年）在不同指数中的表现。 1. 风格因子近期表现（截至2026年4月24日当周）： * 流动性因子： 正收益4.05%[55]。 * 贝塔因子： 正收益3.85%[55]。 * 波动率因子： 正收益3.59%[55]。 2. Alpha因子近期表现（截至2026年4月24日）： * 近一周多头超额收益前列因子： * 1年-1个月的收益率 (mom 1y 1m): 2.55%[58][60]。 * 单季度营业收入同比增速 (yoy or q): 1.27%[58][60]。 * 营业收入同比增速 (yoy or): 1.22%[60]。 * 近一个月多头超额收益前列因子： * 1年-1个月的收益率 (mom 1y 1m): 4.47%[60]。 * 营业收入同比增速 (yoy or): 2.49%[60]。 * 单季度营业收入同比增速 (yoy or q): 2.33%[60]。 3. Alpha因子长期表现（最近一年，截至2026年4月24日，在不同宽基指数中的多头超额收益）： * 在沪深300指数中表现突出的因子： * 十二个月残差动量 (specific mom12): 40.52%[61]。 * 评级上下调差/评级上下调和 (est num diff): 35.46%[61]。 * mom3 np fy1: 34.07%[61]。 * 在中证500指数中表现突出的因子： * 近一个月一致预测净利润变化（FY1）占比 (mom1 np fy1): 22.57%[61]。 * mom3 rev fy1: 18.67%[61]。 * mom3 np fy1: 18.11%[61]。 * 在中证800指数中表现突出的因子： * mom3 np fy1: 33.56%[61]。 * 1年-1个月的收益率 (mom 1y 1m): 31.47%[61]。 * 十二个月残差动量 (specific mom12): 31.30%[61]。 * 在中证1000指数中表现突出的因子： * mom3 rev fy1: 22.14%[61]。 * 1年-1个月的收益率 (mom 1y 1m): 20.99%[61]。 * 单季度净利润同比增长(考虑快报、预告) (yoy np q adv): 20.84%[61]。