量化模型与构建方式 1. 模型名称：经济六周期模型与宏观偏离度配置模型[48] * 模型构建思路：从国内货币传导流程出发，搭建“货币-信用-增长”六周期框架，并通过资产价格倒推市场隐含的周期阶段来刻画市场情绪，构建宏观偏离度指标[48] * 模型具体构建过程： 1. 构建“货币-信用-增长”六周期框架，划分真实经济周期阶段[48] 2. 通过资产价格（如股票、债券等）数据，使用模型倒推出市场当前“隐含”的周期阶段[48] 3. 计算真实周期与资产隐含周期之间的“宏观偏离度”[48] 4. 根据偏离度高低制定配置策略：当偏离度较低时，跟随市场情绪做动量交易；当偏离度过高时，做反转交易以博取反弹收益或规避急剧回撤[48] 2. 模型名称：A股情绪指数系统[60] * 模型构建思路：基于市场波动率和成交额的变化方向划分市场状态，构造包含见底预警与见顶预警的情绪指数，用于择时[60] * 模型具体构建过程： 1. 选取市场波动率和成交额作为核心观测指标[60] 2. 根据波动率和成交额的“上升”或“下降”状态，将市场划分为四个象限（例如：波动上-成交上、波动上-成交下、波动下-成交上、波动下-成交下）[60] 3. 通过历史回测确定每个象限对应的市场收益特征，其中“波动上-成交下”区间被识别为显著负收益区间[60][61] 4. 基于此划分，分别构建“见底预警指数”（主要关注价格/波动信号）和“见顶预警指数”（主要关注成交量信号）[60][64][67] 5. 综合两个指数的信号得出最终的市场观点（如：看多、看空）[66] 3. 模型名称：国盛特色量价指增组合模型[94] * 模型构建思路：基于国盛特色量价因子库，使用树模型合成综合选股因子，构建跟踪沪深300、中证500、中证1000的指数增强组合[94] * 模型具体构建过程： 1. 构建国盛特色量价因子库[94] 2. 使用树模型（如梯度提升树GBDT、随机森林等）对库中的量价因子进行非线性组合与筛选，得到一个合成因子（即Alpha因子）[94] 3. 以合成因子为主要依据，在目标指数（沪深300、中证500、中证1000）成分股内进行选股和权重优化[94] 4. 组合构建时施加约束条件：行业偏离不超过1%、个股权重上下限偏离不超过1%、指数成分股权重之和不低于85%[94] 5. 组合采用月度调仓频率[94] 4. 模型名称：多因子选基FOF模型[111] * 模型构建思路：从多维度对主动权益型基金进行综合打分，选取得分靠前的基金构建FOF组合，旨在获得稳定超额收益[111] * 模型具体构建过程： 1. 构建多维度基金评价因子，包括：基金经理稳健换股能力、基金经理剔除风格后的选股能力、内部管理人认可程度、负向规模因子等[111] 2. 基于这些因子对全市场主动权益型基金进行综合打分[111] 3. 每个季度选取综合打分TOP20的基金作为投资标的[111] 4. 等权或按评分加权构建FOF投资组合[111] 5. 模型名称：沪深300增强FOF模型[113] * 模型构建思路：以最优化复合多因子Alpha为目标，通过穿透+测算的方式控制FOF组合相对沪深300基准的行业和风格暴露，构建具备稳定超额的FOF增强组合[113] * 模型具体构建过程： 1. 确定目标：最大化复合多因子Alpha（即经风险调整后的超额收益）[113] 2. 对备选基金进行持仓穿透和风格测算，精确计算每只基金在各类行业和风格因子（如市值、估值、盈利等）上的暴露[113] 3. 在组合构建优化过程中，严格控制FOF组合整体相对沪深300指数的行业暴露和风格暴露，使其保持中性或低偏离[113] 4. 在约束条件下，优化基金权重，以实现Alpha目标[113] 模型的回测效果 1. 国盛特色量价沪深300增强组合，近一周超额收益-0.66%[97]，近一月超额收益-0.51%[97]，今年以来超额收益13.96%[97]，2018年至今年化超额收益15.52%[98]，超额IR 2.50[98]，超额最大回撤10.26%[98] 2. 国盛特色量价中证500增强组合，近一周超额收益3.22%[97]，近一月超额收益0.97%[97]，今年以来超额收益12.76%[97]，2018年至今年化超额收益18.40%[101]，超额IR 2.58[101]，超额最大回撤9.91%[101] 3. 国盛特色量价中证1000增强组合，近一周超额收益3.44%[97]，近一月超额收益6.23%[97]，今年以来超额收益17.85%[97]，2018年至今年化超额收益27.16%[104]，超额IR 3.14[104]，超额最大回撤12.01%[104] 4. 多因子选基FOF组合，年初以来收益率11.38%[111]，年初以来超额偏股混合型基金指数收益8.45%[111]，自2014年以来年化收益率18.01%[111]，年化超额偏股混合型基金指数收益7.57%[111]，IR 1.56[111] 5. 沪深300增强FOF组合，年初以来收益率5.66%[113]，年初以来超额沪深300指数收益7.84%[113]，自2017年以来年化收益率12.31%[113]，年化超额沪深300指数收益8.08%[113]，IR 2.04[113] 量化因子与构建方式 1. 因子类别：BARRA风格因子体系[72] * 因子构建思路：参照BARRA因子模型，针对A股市场构建十大类风格因子，用于描述股票的共同风险和收益特征[72] * 因子具体构建过程：报告提及了十大类风格因子的名称，但未详细描述每个因子的具体计算公式。这十类因子包括：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）和杠杆（LVRG）[72]。构建过程通常涉及对原始财务或交易数据进行标准化、去极值、行业中性化等处理。 2. 因子类别：行业因子[73] * 因子构建思路：构建代表不同中信一级行业的因子，用于刻画行业层面的收益与风险[73] * 因子具体构建过程：通常将股票按所属行业分类，构建行业虚拟变量或行业组合收益，作为因子暴露。报告未给出具体公式，但展示了行业因子的近期表现[73]。 因子的回测效果 （注：报告未提供因子在长期回测中的具体指标值（如IC、IR、多空收益等），仅提供了近期表现描述。） 1. 风格因子近期表现：本周（报告期），盈利因子超额收益较高，Beta因子呈较为显著的负向超额收益[73]。从近期表现看，高盈利股表现优异，Beta、动量等因子表现不佳[73]。 2. 行业因子近期表现：本周（报告期），医药、商贸零售、煤炭等行业因子相对市场市值加权组合跑出较高超额收益，国防军工、银行、电子等行业因子回撤较多[73]。