量化模型与因子总结 量化模型与构建方式 1. 择时框架 2.0 * 模型名称：择时框架 2.0[14] * 模型构建思路：通过整合动态宏观、非线性情绪、价量趋势和估值回归四大类信号，对全A和创业板综进行综合择时判断[15]。 * 模型具体构建过程： 1. 动态宏观信号：选取一系列宏观指标（如中长期信贷脉冲、M1、通胀剪刀差、出口增速、美国利率等），观察其变化方向（滞后1个月）。根据历史回测胜率（>54%）筛选出有效指标，并判断其对市场的影响（利多或利空），最终综合生成动态宏观信号[16]。 2. 非线性情绪信号：选取多个市场情绪指标（如融资余额较全市场市值比、20日收益换手比、涨停跌停剪刀差、新增开户数量等），计算其最新值在历史（多回看窗口）中的分位数，并根据分位数高低映射为情绪信号（如分位数高可能对应看多信号），最终综合生成非线性情绪信号[16]。 3. 价量趋势信号：选取价量指标，如PB离散度（截面MAD/MEDIAN）、交易量能（截断±2×std的标准化交易量能）。将指标最新值与20日均值比较，生成信号（如大于均值为1，否则为0）[16]。 4. 估值回归信号：选取估值指标，如PB中位数、ERP（1/PE-3年存款利率）。计算其最新估值在滚动12年历史中的分位数，根据分位数高低映射为估值回归信号[16]。 5. 综合信号：将上述四大类信号等权或加权平均，得到日度综合择时信号。进一步可采用5日均匀建仓的方式平滑仓位[16]。 2. 择时框架 1.0 * 模型名称：择时框架 1.0[14] * 模型构建思路：从基本面、估值面、情绪面、流动性四个维度选取指标，通过判断指标状态（如分位数高低、环比变化）生成择时信号[23]。 * 模型具体构建过程： 1. 基本面：观察制造业PMI是否大于50、信贷脉冲环比变化分位数、M1同比增速（HP滤波去趋势）分位数等指标，根据指标强弱给出乐观、谨慎等信号[23]。 2. 估值面：观察A股整体PE分位数、PB分位数、Beta离散度分位数，根据估值是否处于高位以及均值回归趋势给出谨慎或中性信号[23]。 3. 情绪面：观察A股整体量能情绪分位数、波动率分位数，根据其水平给出中性信号[23]。 4. 流动性：观察货币利率指标分位数、汇率预期指标分位数、沪深净融资额5日均值分位数，综合判断流动性松紧并给出相应信号[23]。 5. 综合以上各维度信号，形成最终的短期择时观点[23]。 3. 成长价值风格轮动模型 * 模型名称：成长价值风格轮动模型[26] * 模型构建思路：综合动态宏观、估值回归、短期动量、风格广度、风格拥挤五个维度的信号，决定在成长与价值风格间的配置权重[27]。 * 模型具体构建过程： 1. 分别计算动态宏观、估值回归、短期动量、风格广度、风格拥挤五个子信号，每个信号输出一个仓位百分比（如0%， 50%， 100%），分别代表看空价值/看多成长、均衡、看多价值/看空成长[27]。 2. 将五个子信号等权平均，得到每日的综合仓位信号[27]。 3. 为平滑交易，对综合仓位信号进行5日平均，得到最终的“5D平均仓位_成长”和“5D平均仓位_价值”[27]。 4. 小盘大盘风格轮动模型 * 模型名称：小盘大盘风格轮动模型[29] * 模型构建思路：从流动性等视角选取11个有效轮动指标，分别生成独立的小盘/大盘看多信号，通过综合这些信号构建大小盘轮动策略[29]。 * 模型具体构建过程： 1. 选取11个轮动指标，包括：A股龙虎榜买入强度、R007、融资买入余额变化、主题投资交易情绪、等级利差、期权波动率风险溢价、beta离散度、pb分化度、大宗交易折溢价率、中证1000MACD(10,20,10)、中证1000交易量能[30]。 2. 每个指标独立运行，根据其模型规则每日生成看多小盘（100%）或看多大盘（0%）的信号[30]。 3. 将11个指标当日的信号投票加总，若看多小盘的指标数多，则当日综合信号为看多小盘（100%），否则为看多大盘（0%）[30]。 4. 采用“3天连续相同信号确认”的规则来生成最终交易信号，以降低换手率[29]。 模型的回测效果 1. 择时框架 2.0 * 万得全A择时（日度择时5日建仓）：年化收益19.20%，年化波动率17.19%，最大回撤26.92%，夏普比率0.9919，收益回撤比0.7133[21]。今年以来（至2026/7/10）收益率4.88%，最大回撤5.73%[15][22]。 * 创业板综择时（日度择时5日建仓）：年化收益26.11%，年化波动率20.88%，最大回撤24.40%，夏普比率1.1204，收益回撤比1.0702[21]。今年以来（至2026/7/10）收益率46.85%，最大回撤7.16%[15][22]。 2. 择时框架 1.0（短期择时策略） * 全区间表现（基准为万得全A）：年化收益率15.20%，年化波动率14.85%，最大回撤15.05%，夏普比率0.8929，收益回撤比1.0102，月度胜率64.63%[25]。 3. 成长价值风格轮动模型 * 综合信号2_5D平均仓位：累计收益3141.96%，年化收益26.76%，年化波动率24.49%，最大回撤45.62%，夏普比率1.01，收益回撤比0.59[27]。 * 超额收益（相对于成长价值代理ETF等权）：年化超额收益率15.16%，年化跟踪误差11.12%，年化信息比率（IR）1.36，月度超额胜率67.05%[27]。 * 今年以来（至2026/7/10）表现：绝对收益22.85%，超额收益6.43%[26][27]。 4. 小盘大盘风格轮动模型 * 综合信号3D平滑：年化收益19.77%，年化超额收益率（相对基准）12.30%，最大回撤40.70%，胜率（按交易）50.31%[30]。 * 今年以来（至2026年）表现：策略收益8.47%，基准收益6.67%，超额收益1.80%[30]。 量化因子与构建方式 1. PB离散度 * 因子名称：PB离散度（截面MAD/MEDIAN）[16] * 因子构建思路：衡量全市场个股市净率（PB）的截面离散程度，用于反映市场估值分布的收敛或扩散状态，作为价量趋势的观察指标[12][16]。 * 因子具体构建过程：计算全市场个股PB值的中位数（MEDIAN）以及平均绝对差（MAD），因子值为MAD与MEDIAN的比值。$$PB离散度 = \frac{MAD(PB)}{MEDIAN(PB)}$$[16] 2. 交易量能 * 因子名称：交易量能（截断±2×std的标准化交易量能）[16] * 因子构建思路：对市场交易量进行标准化和异常值处理，用于衡量市场的活跃程度，作为价量趋势的观察指标[16]。 * 因子具体构建过程：首先对原始交易量序列进行标准化，然后对标准化后的序列进行截断处理（如截断±2倍标准差以外的值），最终得到处理后的交易量能序列[16]。 3. 估值分位数（PB中位数、ERP） * 因子名称：PB中位数分位数、ERP分位数[16] * 因子构建思路：将市场整体估值水平（PB中位数）和股权风险溢价（ERP）与历史水平进行比较，判断当前估值位置，用于估值回归信号[16]。 * 因子具体构建过程： 1. PB中位数：计算万得全A成分股市净率（PB）的中位数[16]。 2. ERP：计算为市场整体市盈率（PE）的倒数减去三年期存款利率。$$ERP = \frac{1}{PE} - 3年存款利率$$[16] 3. 分别计算PB中位数和ERP在当前时点的值在滚动12年历史数据中的分位数[16]。 因子的回测效果 （注：报告中未单独列出上述因子的历史IC、IR等传统因子测试结果，其有效性已融入相应模型的回测表现中。）