量化模型与构建方式 1. 模型名称：流动性冲击指标模型；模型构建思路：基于沪深300指数构建流动性冲击指标，通过衡量当前市场流动性相对于过去一年平均水平的偏离程度来判断市场流动性状况；模型具体构建过程：计算沪深300指数的流动性冲击指标，将其标准化为相对于过去一年均值的标准差倍数，指标值为负表示当前市场流动性高于过去一年平均水平；模型评价：该指标能够直观反映市场流动性的相对宽松程度，为择时判断提供参考[5] 2. 模型名称：PUT-CALL比率模型；模型构建思路：基于上证50ETF期权成交量数据，通过计算看跌期权与看涨期权成交量的比值来衡量投资者对短期走势的谨慎程度；模型具体构建过程：计算上证50ETF期权成交量中PUT（看跌）期权与CALL（看涨）期权的比率，比率上升表明投资者对短期走势谨慎程度上升；模型评价：该指标能够反映期权市场投资者情绪变化，作为短期市场情绪的风向标[5] 3. 模型名称：SAR翻转指标模型；模型构建思路：基于抛物线转向指标（SAR）判断市场趋势方向，当指数向上突破翻转指标时趋势转为正向；模型具体构建过程：计算Wind全A指数的SAR指标，当指数价格向上突破SAR翻转指标时，发出趋势转正的信号；模型评价：该模型能够有效捕捉市场短期趋势变化，信号较为及时[10] 4. 模型名称：均线强弱指数模型；模型构建思路：通过Wind二级行业指数计算市场均线强弱指数，衡量市场整体技术面强弱程度；模型具体构建过程：基于Wind二级行业指数计算均线强弱指数，当前市场得分为102，处于2023年以来的34.57%分位点；模型评价：该指标能够综合反映各行业均线层面的强弱状态，辅助判断市场整体技术面位置[10] 5. 模型名称：情绪模型（涨跌停板相关因子模型）；模型构建思路：基于涨停板、打板策略相关因子构建情绪择时指标，通过涨跌停板相关因子刻画市场情绪强弱；模型具体构建过程：构建净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益等五个细分信号因子，综合得出情绪模型得分（满分5分）；模型评价：该模型从市场情绪维度提供择时信号，能够捕捉市场情绪的极端状态[10] 6. 模型名称：趋势模型；模型构建思路：基于技术面趋势信号判断市场走势方向；模型具体构建过程：综合技术指标生成趋势信号，当前趋势模型信号为正向；模型评价：趋势模型信号与情绪模型信号结合使用，可提供更全面的择时判断[10] 7. 模型名称：加权模型；模型构建思路：将情绪模型与趋势模型等信号进行加权综合，形成最终的择时判断；模型具体构建过程：对情绪模型得分和趋势模型信号等进行加权处理，当前加权模型信号为负向；模型评价：加权模型综合了多个维度的信号，但当前信号与趋势模型存在分歧[10] 8. 模型名称：高频资金流模型；模型构建思路：通过高频资金流的走势对主要宽基指数发出买入卖出信号，判断卖盘出清情况；模型具体构建过程：基于高频资金流数据，分别对沪深300、中证500、中证1000、中证2000等指数构建激进多头、激进多空、稳健多头、稳健多空四类信号；模型评价：该模型能够从资金流维度辅助宽基择时决策，对卖盘出清信号有较好的捕捉能力[10] 9. 模型名称：因子拥挤度模型（复合因子拥挤度）；模型构建思路：因子拥挤是指跟踪或投资某一因子的资金过多，使得该因子的收益或收益稳定性下降的现象，因子拥挤度指标可作为因子失效的预警指标；模型具体构建过程：使用估值价差、配对相关性、长期收益反转、因子波动率四个指标度量因子拥挤程度，综合得出复合因子拥挤度打分；模型评价：该模型能够有效预警因子失效风险，为因子配置提供参考[16] 10. 模型名称：行业拥挤度模型；模型构建思路：基于行业板块拥挤度研究，度量各行业板块的拥挤程度；模型具体构建过程：计算各行业板块的拥挤度指标，并比较相对上个月的变化；模型评价：该模型能够识别行业层面的拥挤风险，辅助行业轮动配置[21] 11. 模型名称：行业三维矩阵模型；模型构建思路：通过拥挤度与历史估值偏离度两个维度构建行业三维矩阵，气泡大小代表行业滚动120个交易日分析师预期ROE的百分位（刻画景气度），纵轴代表行业滚动500个交易日PB的Z值；模型具体构建过程：横轴为历史估值偏离度，纵轴为拥挤度，将行业划分为高估值低拥挤、高估值高拥挤、低估值低拥挤、低估值高拥挤四个象限，气泡大小代表景气度；模型评价：该模型综合了估值、拥挤度和景气度三个维度，能够直观展示行业配置机会与风险[26][29] 12. 模型名称：日历效应模型；模型构建思路：基于历史数据统计11月上半月各宽基指数的表现规律；模型具体构建过程：统计2005年以来上证指数、沪深300、中证500和创业板指在11月上半月的上涨概率、涨幅均值和涨幅中位数；模型评价：日历效应显示11月上半月多数宽基指数表现较好，为短期市场判断提供历史参考[6] 模型的回测效果 1. 流动性冲击指标模型，周五指标值-1.17，前一周指标值-1.16[5] 2. PUT-CALL比率模型，周五指标值0.90，前一周指标值0.74[5] 3. SAR翻转指标模型，Wind全A指数于11月4日向上突破翻转指标[10] 4. 均线强弱指数模型，当前市场得分102，处于2023年以来34.57%分位点[10] 5. 情绪模型，得分3分（满分5分）[10] 6. 趋势模型，信号为正向[10] 7. 加权模型，信号为负向[10] 8. 高频资金流模型，沪深300指数信号为正向（激进多头1、激进多空1、稳健多头1、稳健多空1），中证500指数信号为正向（激进多头1、激进多空1、稳健多头1、稳健多空1），中证1000指数信号为正向（激进多头1、激进多空1、稳健多头1、稳健多空1），中证2000指数信号为负向（激进多头0、激进多空-1、稳健多头0、稳健多空-1）[10][14] 9. 因子拥挤度模型，小市值因子拥挤度-0.02，低估值因子拥挤度0.68，高盈利因子拥挤度0.37，高盈利增长因子拥挤度-0.01[17] 10. 行业拥挤度模型，建筑材料拥挤度1.90，基础化工拥挤度1.90，石油石化拥挤度1.48，煤炭拥挤度1.39，综合拥挤度1.34，电力设备拥挤度-0.63（较上月变化+0.40），传媒拥挤度0.34（较上月变化+0.33）[24] 11. 日历效应模型，上证指数11月上半月上涨概率75%、涨幅均值2.15%、涨幅中位数1.79%；沪深300上涨概率65%、涨幅均值2.09%、涨幅中位数1.83%；中证500上涨概率65%、涨幅均值2.48%、涨幅中位数1.08%；创业板指上涨概率80%、涨幅均值2.76%、涨幅中位数2.16%[6] 量化因子与构建方式 1. 因子名称：小市值因子；因子构建思路：捕捉小市值股票的超额收益，当前拥挤度处于较低水平；因子具体构建过程：综合估值价差（-0.08）、配对相关性（1.48）、市场波动（-0.76）、收益反转（-0.71）四个分项指标，得出复合拥挤度打分-0.02；因子评价：小市值因子拥挤度较低，表明当前跟踪该因子的资金不多，因子失效风险较低[17] 2. 因子名称：低估值因子；因子构建思路：捕捉低估值股票的超额收益，当前拥挤度处于高位；因子具体构建过程：综合估值价差（0.57）、配对相关性（2.11）、市场波动（0.78）、收益反转（-0.76）四个分项指标，得出复合拥挤度打分0.68；因子评价：低估值因子拥挤度依旧处于高位，需关注因子失效风险[17] 3. 因子名称：高盈利因子；因子构建思路：捕捉高盈利股票的超额收益；因子具体构建过程：综合估值价差（-1.42）、配对相关性（1.91）、市场波动（-0.75）、收益反转（1.72）四个分项指标，得出复合拥挤度打分0.37；因子评价：高盈利因子拥挤度处于中等偏高水平[17] 4. 因子名称：高增长因子（高盈利增长因子）；因子构建思路：捕捉高盈利增长股票的超额收益；因子具体构建过程：综合估值价差（0.52）、配对相关性（-0.15）、市场波动（-0.81）、收益反转（0.41）四个分项指标，得出复合拥挤度打分-0.01；因子评价：高增长因子拥挤度处于较低水平[17] 5. 因子名称：净涨停占比因子；因子构建思路：通过净涨停占比刻画市场情绪强弱；因子具体构建过程：计算涨停板与跌停板的净占比，作为情绪模型的细分信号之一，当前信号为1；因子评价：该因子从涨停板角度反映市场情绪，当前信号偏积极[14] 6. 因子名称：跌停次日收益因子；因子构建思路：通过跌停股票次日收益表现刻画市场情绪；因子具体构建过程：统计跌停股票次日的收益表现，作为情绪模型的细分信号之一，当前信号为1；因子评价：该因子从跌停股次日表现角度反映市场情绪，当前信号偏积极[14] 7. 因子名称：涨停板占比因子；因子构建思路：通过涨停板占比刻画市场情绪强弱；因子具体构建过程：计算涨停板数量占比，作为情绪模型的细分信号之一，当前信号为0；因子评价：该因子当前信号中性[14] 8. 因子名称：跌停板占比因子；因子构建思路：通过跌停板占比刻画市场情绪强弱；因子具体构建过程：计算跌停板数量占比，作为情绪模型的细分信号之一，当前信号为1；因子评价：该因子当前信号偏积极[14] 9. 因子名称：高频打板收益因子；因子构建思路：通过高频打板策略收益刻画市场情绪强弱；因子具体构建过程：计算高频打板策略的收益表现，作为情绪模型的细分信号之一，当前信号为0；因子评价：该因子当前信号中性[14] 10. 因子名称：估值价差因子（因子拥挤度分项）；因子构建思路：作为因子拥挤度的分项指标之一，度量因子估值层面的拥挤程度；因子具体构建过程：计算因子组合的估值价差，小市值-0.08、低估值0.57、高盈利-1.42、高增长0.52；因子评价：低估值因子估值价差为正且较高，表明估值层面拥挤度较高[17] 11. 因子名称：配对相关性因子（因子拥挤度分项）；因子构建思路：作为因子拥挤度的分项指标之一，度量因子内部配对相关性的拥挤程度；因子具体构建过程：计算因子组合的配对相关性，小市值1.48、低估值2.11、高盈利1.91、高增长-0.15；因子评价：低估值和高盈利因子配对相关性较高，拥挤度偏高[17] 12. 因子名称：市场波动因子（因子拥挤度分项）；因子构建思路：作为因子拥挤度的分项指标之一，度量因子波动率层面的拥挤程度；因子具体构建过程：计算因子组合的市场波动，小市值-0.76、低估值0.78、高盈利-0.75、高增长-0.81；因子评价：低估值因子市场波动分项为正，拥挤度偏高[17] 13. 因子名称：收益反转因子（因子拥挤度分项）；因子构建思路：作为因子拥挤度的分项指标之一，度量因子长期收益反转层面的拥挤程度；因子具体构建过程：计算因子组合的收益反转，小市值-0.71、低估值-0.76、高盈利1.72、高增长0.41；因子评价：高盈利因子收益反转分项较高，需关注[17] 因子的回测效果 1. 小市值因子，拥挤度-0.02，估值价差-0.08，配对相关性1.48，市场波动-0.76，收益反转-0.71[17] 2. 低估值因子，拥挤度0.68，估值价差0.57，配对相关性2.11，市场波动0.78，收益反转-0.76[17] 3. 高盈利因子，拥挤度0.37，估值价差-1.42，配对相关性1.91，市场波动-0.75，收益反转1.72[17] 4. 高增长因子，拥挤度-0.01，估值价差0.52，配对相关性-0.15，市场波动-0.81，收益反转0.41[17] 5. 净涨停占比因子，信号值1[14] 6. 跌停次日收益因子，信号值1[14] 7. 涨停板占比因子，信号值0[14] 8. 跌停板占比因子，信号值1[14] 9. 高频打板收益因子，信号值0[14]