量化模型与构建方式 1. 三维择时框架 * 模型名称：三维择时框架[9][13][15] * 模型构建思路：通过监测市场分歧度、流动性和景气度三个维度的变化趋势，综合判断市场整体方向，进行择时判断[9][13][15]。 * 模型具体构建过程：报告未详细描述三个具体指数的构建公式和过程，仅说明其应用逻辑。即当流动性保持上行趋势、景气度保持上行趋势，且分歧度虽上行但斜率降低时，框架判断为偏多[9]。 2. 热点趋势ETF策略 * 模型名称：热点趋势ETF策略[32] * 模型构建思路：结合价格形态（支撑阻力）和市场短期关注度（换手率变化），筛选出具有上涨趋势且受市场关注的ETF构建组合[32]。 * 模型具体构建过程： 1. 形态筛选：根据K线形态，先选出最高价与最低价同时为上涨形态的ETF[32]。 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，构建支撑阻力因子[32]。 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/近20日换手率最高的10只ETF，即短期市场关注度明显提升的标的[32]。 4. 组合构建：对筛选出的10只ETF构建风险平价组合[32]。 3. 资金流共振策略 * 模型名称：融资-主动大单资金流共振策略[39] * 模型构建思路：利用融资融券资金流和主动大单资金流两个维度的数据，通过特定的因子构建和筛选逻辑，找出两种资金流产生共振效应的行业进行推荐[36][39]。 * 模型具体构建过程： 1. 构建行业融资融券资金因子：定义个股的融资净买入-融券净卖出（代表两融资金流）[36]，在行业内加总。然后对该因子进行Barra市值因子中性化处理，再计算其最近50日均值后的两周环比变化率[39]。 2. 构建行业主动大单资金因子：定义行业的主动大单净流入，并对其进行最近一年成交量时序中性化处理，然后取最近10日均值[39]。 3. 策略逻辑：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，剔除融资融券因子的头部行业，以提高策略稳定性。最后再剔除大金融板块[39]。 4. 全天候配置策略 * 模型名称：全天候配置策略（高波版与低波版）[44] * 模型构建思路：遵循资产选择、风险调整和结构对冲三项基本原则，通过循环对冲设计对冲构型，绕过宏观预测，直击资产波动进行长期收益平衡，以获取稳健绝对收益[44]。 * 模型具体构建过程：报告未详细描述具体的资产选择、风险调整和对冲构型的数学公式与计算过程。策略按风险水平分为两个版本： * 高波版：采用“四层结构化-股债金风险平价”构型[44][46]。 * 低波版：采用“五层结构化-风险预算”构型[44][48]。 5. 经典线性多因子选股模型（指数增强） * 模型名称：经典线性多因子选股模型（用于沪深300、中证500、中证1000指数增强）[64] * 模型构建思路：通过筛选有效因子，合成复合Alpha因子，并在风险约束下优化组合权重，以最大化Alpha暴露，从而获取相对于基准指数的稳定超额收益[64]。 * 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[64]。 2. 因子加权：每月末，对入选因子进行正交处理，并采用Rank ICIR加权方式合成复合因子，将其作为个股的Alpha得分[64]。 3. 组合优化：在给定风险约束条件下，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[64]。 量化因子与构建方式 1. 风格因子 * 因子名称：流动性因子、贝塔因子、波动率因子[55] * 因子构建思路：报告未详细描述这三个风格因子的具体构建公式，仅提及它们是常见的风格因子，并展示了其本周收益表现[55]。 * 因子具体构建过程：无详细描述。 2. Alpha因子（列举部分） 报告在“因子跟踪”章节中提及并测试了大量Alpha因子，以下列举部分有明确构建逻辑或公式说明的因子。 * 因子名称：1年-1个月的收益率 (mom 1y 1m)[60] * 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[60]。 * 因子具体构建过程：报告未给出具体计算公式，通常为 $R_{t-252, t-21}$，其中R代表收益率，t为当前日，252和21分别对应约1年和1个月的交易日数量。 * 因子名称：单季度营业收入同比增速 (yoy or q)[60] * 因子构建思路：成长因子，计算单季度营业收入的同比增长率[60]。 * 因子具体构建过程：报告未给出具体计算公式，通常为 $(OR_{q} - OR_{q-4}) / |OR_{q-4}|$，其中OR为营业收入，q为当前季度。 * 因子名称：十二个月残差动量 (specific mom12)[60] * 因子构建思路：剔除常见风险因子（如市值、行业）影响后的特异性动量[60]。 * 因子具体构建过程：报告未给出具体计算公式。 * 因子名称：一致预期净利润变化 (mom3 np fy1)[61] * 因子构建思路：预期修正因子，计算未来一年一致预测净利润（FY1）在过去三个月内的变化幅度[61]。 * 因子具体构建过程：公式为 $(NP_{FY1, t} - NP_{FY1, t-3}) / |NP_{FY1, t-3}|$，其中 NP_FY1 为未来一年一致预测净利润，t为当前时间[61]。 * 因子名称：评级上下调差/评级上下调和 (est num diff)[61] * 因子构建思路：分析师情绪因子，通过评级上调与下调的家数差与和值的比值来衡量分析师观点的变化[61]。 * 因子具体构建过程：报告未给出具体计算公式。 * 其他Alpha因子：报告在表格中列出了大量其他因子及其释义，例如：营业收入同比增速(yoy or)、每股营业收入同比增长率(yoy orps)、流动负债同比增长(cur liab yoy)、总负债同比增长(tot liab yoy)、一致预期净利润增速(yoy est np)、SUE (sue1)、研发销售收入占比(tot rd ttm to sales)等，但均未提供详细的构建公式[60][61]。 3. 行业资金流因子 * 因子名称：行业融资融券资金因子、行业主动大单资金因子[39] * 因子构建思路：分别从杠杆资金和主力资金角度，构建行业层面的资金流向指标[39]。 * 因子具体构建过程： * 行业融资融券资金因子：个股层面为融资净买入-融券净卖出，行业加总后，进行Barra市值因子中性化，然后取最近50日均值，最后计算两周环比变化率[39]。 * 行业主动大单资金因子：行业主动大单净流入，进行最近一年成交量时序中性化，然后取最近10日均值[39]。 模型的回测效果 1. 热点趋势ETF策略[32] * 2025年以来收益：67.48% * 2025年以来相对沪深300超额收益：39.96% 2. 融资-主动大单资金流共振策略[39] * 2018年以来费后年化超额收益：12.3% * 信息比率(IR)：1.2 * 上周绝对收益：1.31% * 上周相对行业等权超额收益：0.18% 3. 全天候配置策略-高波版[52] * 截至2025年年化收益率：11.8% * 截至2025年年平均最大回撤：3.6% * 截至2025年夏普比率：1.9 * 2026年以来收益率：6.8% 4. 全天候配置策略-低波版[52] * 截至2025年年化收益率：6.7% * 截至2025年年平均最大回撤：2.0% * 截至2025年夏普比率：2.4 * 2026年以来收益率：2.1% 5. 沪深300指数增强组合[62][65] * 本周超额收益：-0.1% * 本月超额收益：-0.1% * 本年超额收益：7.4% * 自2016年1月1日以来年化超额收益：9.3% * 自2016年1月1日以来年化信息比率(IR)：2.29 * 自2016年1月1日以来超额最大回撤：-5.3% 6. 中证500指数增强组合[62][70] * 本周超额收益：-0.7% * 本月超额收益：-0.7% * 本年超额收益：5.1% * 自2016年1月1日以来年化超额收益：13.3% * 自2016年1月1日以来年化信息比率(IR)：2.78 7. 中证1000指数增强组合[62][73] * 本周超额收益：-0.9% * 本月超额收益：-0.9% * 本年超额收益：-0.4% * 自2016年1月1日以来年化超额收益：16.4% * 自2016年1月1日以来年化信息比率(IR)：3.42 因子的回测效果 （注：以下因子表现数据均截至2026年5月8日） 1. 风格因子本周表现[55] * 流动性因子：本周收益 4.05% * 贝塔因子：本周收益 3.85% * 波动率因子：本周收益 3.59% 2. Alpha因子近期表现 * 1年-1个月的收益率 (mom 1y 1m)[58][60] * 近一周多头超额收益：2.55% * 近一个月多头超额收益：4.47% * 单季度营业收入同比增速 (yoy or q)[58][60] * 近一周多头超额收益：1.27% * 近一个月多头超额收益：2.33% * 营业收入同比增速 (yoy or)[60] * 近一周多头超额收益：1.22% * 近一个月多头超额收益：2.49% 3. Alpha因子分指数最近一年表现（前20因子举例）[61] * 十二个月残差动量 (specific mom12) * 在沪深300中多头超额收益：40.52% * 在中证500中多头超额收益：15.51% * 在中证800中多头超额收益：31.30% * 在中证1000中多头超额收益：15.79% * 一致预期净利润变化 (mom3 np fy1) * 在沪深300中多头超额收益：34.07% * 在中证500中多头超额收益：18.11% * 在中证800中多头超额收益：33.56% * 在中证1000中多头超额收益：17.46% * 评级上下调差/评级上下调和 (est num diff) * 在沪深300中多头超额收益：35.46% * 在中证500中多头超额收益：8.55% * 在中证800中多头超额收益：26.33% * 在中证1000中多头超额收益：0.66%