量化模型与构建方式 1. **模型名称：择时信号模型**[5] * **模型构建思路**：该模型是一个多资产择时模型，旨在预测各类资产（包括债券、股票指数、商品等）未来短期价格走势的概率，并据此生成“看多”、“震荡”、“调整”三种交易观点[5][6]。 * **模型具体构建过程**： 1. **模型输出**：模型每日计算并输出一个“原始信号”，该信号是一个百分比数值，代表模型对未来短期内资产价格上行概率的估计[6]。例如，对于国债，该数值代表到期收益率上行的概率；对于股指和商品，该数值代表价格上行的概率[6]。 2. **信号平滑**：对原始信号进行5日移动平均（MA5）处理，得到“择时信号MA5”，以平滑信号的波动[5][6]。 3. **观点生成**：根据平滑后的MA5信号值与预设的阈值进行比较，生成最终的多空观点[6]。 * 对于利率类资产（如国债）：MA5 > 60% 视为看空（调整），MA5 < 40% 视为看多，介于40%和60%之间视为震荡[6]。 * 对于股指和商品类资产：MA5 > 60% 视为看多，MA5 < 40% 视为看空（调整），介于40%和60%之间视为震荡[6]。 模型的回测效果 1. **择时信号模型**，在2026年3月6日对30年国债的原始信号为33.34%，MA5信号为45.69%，模型观点为“震荡”，信号已持续8个交易日[2][5]。 2. **择时信号模型**，在2026年3月6日对3年AAA中短票的原始信号为15.33%，MA5信号为40.25%，模型观点为“震荡”，信号已持续2个交易日[2][5]。 3. **择时信号模型**，在2026年3月6日对10年国债的原始信号为13.86%，MA5信号为30.77%，模型观点为“看多”，信号已持续超过10个交易日[2][5]。 4. **择时信号模型**，在2026年3月6日对2年国债的原始信号为9.23%，MA5信号为11.72%，模型观点为“看多”，信号已持续超过10个交易日[2][5]。 5. **择时信号模型**，在2026年3月6日对万得全A指数的原始信号为45.46%，MA5信号为29.85%，模型观点为“看多”，信号已持续超过10个交易日[2][5]。 6. **择时信号模型**，在2026年3月6日对中证红利全收益指数的原始信号为18.61%，MA5信号为27.25%，模型观点为“看多”，信号已持续10个交易日[2][5]。 7. **择时信号模型**，在2026年3月6日对恒生科技指数的原始信号为70.64%，MA5信号为87.31%，模型观点为“调整”，信号已持续超过10个交易日[2][5]。 8. **择时信号模型**，在2026年3月6日对科创50指数的原始信号为67.82%，MA5信号为80.57%，模型观点为“调整”，信号已持续8个交易日[2][5]。 9. **择时信号模型**，在2026年3月6日对万得微盘指数的原始信号为27.17%，MA5信号为45.77%，模型观点为“震荡”，信号已持续2个交易日[2][5]。 10. **择时信号模型**，在2026年3月6日对国证2000指数的原始信号为8.66%，MA5信号为58.45%，模型观点为“震荡”，信号已持续3个交易日[2][5]。 11. **择时信号模型**，在2026年3月6日对COMEX黄金的原始信号为11.43%，MA5信号为7.67%，模型观点为“看多”，信号已持续超过10个交易日[2][5]。 12. **择时信号模型**，在2026年3月6日对IPE布油的原始信号为21.71%，MA5信号为14.53%，模型观点为“看多”，信号已持续超过10个交易日[2][6]。

量化模型与构建方式 1. **模型名称：条件选股模型**[48] * **模型构建思路**：基于给定的财务指标（总市值、市盈率）对A股全市场股票进行筛选，构建符合条件的投资组合，并进行历史回测[48]。 * **模型具体构建过程**： 1. 从数据库（如Wind）获取全部A股的最新数据[48]。 2. 设定筛选条件：总市值小于500亿元，市盈率（TTM）大于0且小于300倍[48]。 3. 对满足筛选条件的股票，构建等权重投资组合[48]。 4. 以筛选日（例如2026-03-06）为起点，回测该等权组合在过去10个交易日的收益率表现[48]。 2. **模型名称：形态学量化策略（黄包车夫形态）**[52] * **模型构建思路**：基于特定的K线形态（黄包车夫形态）识别交易信号，以形态出现后的第二天开盘价作为买入价，统计不同持有期后的收益情况，以验证该形态的有效性[52]。 * **模型具体构建过程**： 1. 从数据库获取目标股票（如寒武纪，688256.SH）的全部历史日K线数据[52]。 2. 定义并识别“黄包车夫”（Rickshaw Man）K线形态。该形态需满足以下条件[52]： * 实体极小：$$ \frac{|收盘价 - 开盘价|}{开盘价} < 0.58 $$ * 上下影线都较长：上影线长度 > 实体长度 × 2，且下影线长度 > 实体长度 × 2。 * 上下影线接近：$$ 0.5 \leq \frac{上影线长度}{下影线长度} \leq 2.0 $$ * 当日有足够振幅：$$ \frac{最高价 - 最低价}{最低价} > 2\% $$ 3. 每当识别到该形态，即以形态出现日的下一个交易日的开盘价作为模拟买入价[52]。 4. 分别计算买入后持有1天、3天、5天、8天、10天、20天的收益率[52]。 5. 对所有识别到的形态进行统计，计算各持有期的平均收益率、胜率、最大收益和最小收益[52]。 3. **模型名称：指数仿制策略（南华综合指数模拟）**[53] * **模型构建思路**：通过筛选A股中与大宗商品相关的股票，并按照南华综合指数的品类权重分配板块及个股权重，构建一个股票组合来模拟南华综合指数的走势[53]。 * **模型具体构建过程**： 1. **确定选股范围**：根据申万行业分类，筛选出与大宗商品相关的A股，涵盖煤炭、石油、有色金属、钢铁、化工、农产品加工等行业，共得到397只股票[53]。 2. **设定板块权重**：参照南华综合指数的构成，为不同板块分配目标权重。例如：能源30%、工业金属25%、黑色系20%、贵金属10%、化工10%、农产品5%[53]。 3. **构建组合**：在每个板块内部，按照成分股的流通市值进行加权，计算各股票在板块内的权重。再将板块权重分配到板块内各股票，得到股票在模拟组合中的最终权重[53]。 4. **回测与评估**：在回测区间（例如2025-03-06至2026-03-06）内，计算模拟组合的净值曲线，并评估其相对于基准（南华综合指数）的表现，计算各项绩效指标[53]。 模型的回测效果 1. **条件选股模型**[48] * 选股日期：2026-03-06 * 筛选结果：共筛选出3,197只符合条件的A股[48] * （注：报告未提供该等权组合在过去10个交易日的具体收益率数值）[48] 2. **形态学量化策略（黄包车夫形态）**[52] * 测试标的：寒武纪 (688256.SH) * 数据区间：2020-07-20 至 2026-03-06 (共1364个交易日) * 形态出现次数：65次 * 各持有期表现统计[52]： | 持有天数 | 平均收益率 | 胜率 | 最大收益率 | 最小收益率 | |:--------:|:----------:|:------:|:----------:|:----------:| | 1日 | +1.45% | 53.85% | +17.81% | -7.21% | | 3日 | +3.21% | 58.46% | +32.40% | -11.08% | | 5日 | +3.88% | 55.38% | +45.74% | -18.47% | | 8日 | +5.00% | 55.38% | +67.10% | -20.13% | | 10日 | +4.81% | 49.23% | +85.35% | -23.64% | | 20日 | +6.10% | 36.92% | +150.28% | -25.84% | 3. **指数仿制策略（南华综合指数模拟）**[53] * 回测区间：2025-03-06 至 2026-03-06 (共243个交易日) * 累计收益率：+61.79%[53] * 年化收益率：+64.70%[53] * 年化波动率：19.11%[53] * 夏普比率：3.281[53] * 最大回撤：-10.37%[53] * 前五大持仓：中国石油(11.59%)、中国神华(5.48%)、宝钢股份(4.47%)、中国石化(3.13%)、紫金矿业(2.71%)[53] 量化因子与构建方式 （注：本篇研报核心内容在于介绍AI工具（Skills）的安装使用和在金融场景下的应用案例，并展示了利用这些工具构建和回测量化策略的过程。报告本身并未独立提出或详细定义新的量化因子。所涉及的选股条件（如市值、市盈率）和形态识别（黄包车夫形态）是作为策略模型的组成部分进行应用的，并非报告重点阐述的独立因子构建方法。[48][52]）

量化模型与构建方式 1. **模型名称：人工智能全球大类资产配置模型**[38] * **模型构建思路**：将机器学习模型应用于大类资产配置问题，基于因子投资的思路，使用模型对各类资产进行打分排序，最终构建可投资的、月频调整的量化等权配置策略[38]。 * **模型具体构建过程**：报告未详细描述该机器学习模型的具体构建过程、因子构成及公式。 2. **模型名称：基于动态宏观事件因子的股债轮动配置模型**[45] * **模型构建思路**：构建一个包含经济增长和货币流动性两大维度的动态宏观事件因子体系，并基于此体系结合风险预算模型框架，输出针对不同风险偏好（保守型、稳健型、进取型）的股债配置权重[45]。 * **模型具体构建过程**： 1. **宏观事件因子构建**：模型选取了经济增长和货币流动性两个维度的多个细分指标作为宏观事件因子[45][48]。例如，经济增长维度包括M1同比、PPI同比、PPI-CPI剪刀差、工业增加值同比、国债利差(10Y-1M)、发电量当月值_MA3环比等指标；货币流动性维度包括M1-M2剪刀差、中美国债利差(10Y)、中国国债美国TIPS利差(10年)等指标[48]。 2. **信号生成**：每个细分指标会生成一个二值信号（例如，1代表看多，0代表不看多）[48]。 3. **信号合成**：将同一维度下的多个细分因子信号进行合成，得到经济增长维度和货币流动性维度的综合信号强度（百分比形式）[45][47]。例如，报告显示截至2月28日，经济增长维度信号强度为0%，货币流动性维度信号强度为60%[47]。 4. **权重确定**：基于宏观择时模块（即合成信号）与风险预算模型框架，最终输出不同风险偏好组合的股票和债券配置权重[45][47]。 3. **模型名称：基于红利风格择时配置模型**[52] * **模型构建思路**：针对中证红利指数，构建一个基于经济增长与货币流动性两大维度共10项指标的动态宏观事件因子体系，用于进行择时配置，旨在捕捉红利风格资产的相对优势并控制回撤[52]。 * **模型具体构建过程**： 1. **宏观事件因子构建**：模型选取经济增长与货币流动性两大维度共10项指标构建动态宏观事件因子体系[52]。具体指标包括：经济增长维度的消费者信心指数、发电量当月值_MA3_MoM、国债利差(10Y-3M)、中采制造业PMI新出口订单、PPI同比、PPI-CPI剪刀差；货币流动性维度的Shibor2W、R007_MA20、Shibor1M_MoM、逆回购R007差额[54]。 2. **信号生成**：每个指标会生成一个二值信号（例如，1代表看多，0代表不看多）[54]。 3. **信号合成**：将所有指标的信号合成为一个最终的二值择时信号（1或0）[52][54]。例如，报告显示2026年3月的最终合成信号为1（看多）[52][54]。 模型的回测效果 1. **人工智能全球大类资产配置模型** * 回测期间：2021年1月至2026年3月[40] * 年化收益率：16.48%[40] * 年化波动率：6.78%[43] * 最大回撤：-6.66%[40] * 夏普比率：1.15[40] * 2026年初至今收益率：5.72%[40] 2. **基于动态宏观事件因子的股债轮动配置模型** * 回测期间：2005年1月至2026年3月[46] * **进取型策略**： * 年化复合收益率：20.07%[46] * 年化波动率：14.00%[51] * 最大回撤：-13.72%[51] * 夏普比率：1.31[51] * 收益回撤比：1.46[51] * 2026年初至今收益率：5.42%[46] * **稳健型策略**： * 年化复合收益率：10.79%[46] * 年化波动率：8.09%[51] * 最大回撤：-6.77%[51] * 夏普比率：1.19[51] * 收益回撤比：1.59[51] * 2026年初至今收益率：1.81%[46] * **保守型策略**： * 年化复合收益率：5.85%[46] * 年化波动率：3.19%[51] * 最大回撤：-3.55%[51] * 夏普比率：1.49[51] * 收益回撤比：1.65[51] * 2026年初至今收益率：0.83%[46] 3. **基于红利风格择时配置模型** * **择时策略**（假设单边交易成本千分之二）[52]： * 年化收益率：15.85%[52] * 年化波动率：16.17%[52] * 最大回撤：-21.22%[52] * 夏普比率：0.93[52] * 最近1个月收益率：1.35%[52] * **基准（中证红利全收益指数）**： * 年化收益率：11.49%[52] * 年化波动率：22.45%[52] * 最大回撤：-36.80%[52] * 夏普比率：0.58[52] * 最近1个月收益率：1.35%[52] 量化因子与构建方式 1. **因子名称：动态宏观事件因子（用于股债轮动模型）**[45] * **因子构建思路**：从经济增长和货币流动性两个宏观维度，选取具有预测性的高频或月度指标，将其转化为二值信号，用以判断股票资产的配置时机[45][48]。 * **因子具体构建过程**：报告列出了具体的细分指标，但未给出每个指标具体的信号生成阈值或公式。例如，经济增长维度包括M1同比、PPI同比、PPI-CPI剪刀差、工业增加值同比、国债利差(10Y-1M)、产量:发电量:当月值_MA3:环比等；货币流动性维度包括M1-M2剪刀差、中美国债利差10Y、中国国债美国TIPS利差:10年等[48]。每个指标在特定时点会输出1（看多）或0（不看多）的信号[48]。 2. **因子名称：动态宏观事件因子（用于红利择时模型）**[52] * **因子构建思路**：从经济增长和货币流动性两个维度选取10项指标，构建一个用于对中证红利指数进行择时的信号体系[52]。 * **因子具体构建过程**：报告列出了具体的细分指标，但未给出每个指标具体的信号生成阈值或公式。指标包括：经济增长维度的消费者信心指数、产量:发电量:当月值_MA3_MoM、国债利差10Y-3M、中采制造业PMI_新出口订单、PPI_YoY、PPI-CPI剪刀差；货币流动性维度的Shibor2W、R007_MA20、Shibor1M_MoM、逆回购R007差额[54]。每个指标在特定时点会输出1（看多）或0（不看多）的信号[54]。

量化模型与构建方式 1. **模型名称：贝塔配置轮动模型 (TOP10组合/多头组合)**[17] * **模型构建思路：** 将风格和行业进行交集处理，构建一个相关性不高、覆盖尽可能多市场方向的“贝塔指数”标的池。通过策略信号从该池中筛选出得分靠前的指数进行等权配置，以实现轮动和获取超额收益[1][10][13]。 * **模型具体构建过程：** 1. **构建贝塔指数标的池：** 以行业和风格作为基础标签，进行交集处理。例如，对于通信行业，同时包含通信服务和通信设备等细分行业，每个细分行业再与大小盘、成长价值等风格标签进行组合，形成如“大盘价值-通信设备”、“小盘成长-通信服务”等具体、指向明确的贝塔指数[11][18]。 2. **生成策略信号：** 报告指出策略流程与《权益指数配置方案：风险控制视角》一致，但未在本文中详细描述信号生成的具体因子和处理方法[18]。 3. **组合构建：** 在每个调仓时点，选取策略信号得分排名前10的贝塔指数，进行等权配置，构成TOP10组合（多头组合）[21]。 2. **模型名称：贝塔配置轮动模型 (稳健组合)**[17] * **模型构建思路：** 在贝塔配置的统一框架下，通过约束组合相对于基准（中证全指）的行业偏离，来控制风险并构建更为稳健的投资组合[21]。 * **模型具体构建过程：** 1. **构建贝塔指数标的池：** 与TOP10组合相同，构建一个由行业与风格交集形成的丰富贝塔指数池[18]。 2. **生成策略信号：** 与TOP10组合使用相同的策略信号生成流程[18]。 3. **组合构建：** 在利用信号筛选指数进行配置时，加入行业偏离约束，使组合的行业配置与中证全指相比控制在一定范围内，以降低组合波动[21]。 模型的回测效果 1. **TOP10组合（多头组合）**，年化超额31.48%，超额波动率12.88%，信息比(IR)2.44，最大回撤17.97%，卡玛比(Calmar)1.75[22]。 2. **稳健组合**，年化超额24.58%，超额波动率8.15%，信息比(IR)3.02，最大回撤7.81%，卡玛比(Calmar)3.15[22]。 量化因子与构建方式 *（注：本报告核心在于构建贝塔配置的模型框架，并提及使用了与另一篇报告一致的因子和方法，但未在本文中详细阐述任何单一因子的具体构建过程、公式或评价。因此，此部分无具体因子内容可总结。）*

量化模型与构建方式 1. **模型名称**：红利风格择时模型[1][3][5] **模型构建思路**：通过构建一个综合多个影响红利风格表现因素的择时模型，来判断未来一段时间红利风格是否具有超额收益机会[5]。 **模型具体构建过程**：模型是一个多因子综合打分模型。首先，选取了影响红利风格表现的多个因子，包括宏观经济、市场情绪、估值差、资金流向等[8][11]。然后，对每个因子进行标准化处理，并赋予方向性（即因子值对红利风格的影响是正向还是负向）。最后，将各因子的标准化值加权（报告中未明确说明权重，可能为等权或根据历史表现确定）求和，得到综合因子值[5]。当综合因子值为正时，发出看多信号；为负时，则不发出看多信号[1][5]。 2. **因子名称**：中国:非制造业PMI:服务业[11] **因子构建思路**：反映国内服务业经济活动状况，是宏观经济景气的先行指标[11]。 **因子具体构建过程**：直接采用国家统计局发布的“中国非制造业PMI:服务业”指标的原始数据或经处理（如去趋势、标准化）后的数据作为因子值[11]。 **因子评价**：对红利风格的影响为中性（最新观点为0）[11]。 3. **因子名称**：中国:M2:同比[11] **因子构建思路**：反映国内货币供应量情况，影响市场流动性和风险偏好[11]。 **因子具体构建过程**：直接采用中国人民银行发布的“中国M2同比”指标的原始数据或经处理（如去趋势、标准化）后的数据作为因子值[11]。 **因子评价**：对红利风格的影响为中性（最新观点为0）[11]。 4. **因子名称**：美国:国债收益率:10年[11] **因子构建思路**：反映全球无风险利率水平和资金成本，其变化影响高股息资产的相对吸引力[8][11]。 **因子具体构建过程**：直接采用美国10年期国债收益率的原始数据或经处理（如去趋势、标准化）后的数据作为因子值[11]。 **因子评价**：对红利风格产生压制作用（因子值为负），近期下行增强了压制作用[8][11]。 5. **因子名称**：红利相对净值自身[11] **因子构建思路**：可能指红利指数或其相对基准的净值动量，反映趋势延续性[11]。 **因子具体构建过程**：报告未详细说明具体计算，可能基于中证红利指数净值或相对收益的动量指标（如过去一段时间的收益率）计算并标准化[11]。 **因子评价**：对红利风格产生正向贡献（最新观点为1）[11]。 6. **因子名称**：中证红利股息率-10年期中债收益率[11] **因子构建思路**：计算红利指数股息率与长期国债收益率的差值（股债利差），衡量高股息资产的相对估值吸引力[11]。 **因子具体构建过程**：计算公式为：中证红利指数的股息率减去10年期中国国债收益率，然后对差值进行标准化处理得到因子值[11]。 **因子评价**：对红利风格的影响为中性（最新观点为0）[11]。 7. **因子名称**：融资净买入[11] **因子构建思路**：反映A股市场杠杆资金的情绪和流向[11]。 **因子具体构建过程**：直接采用A股市场融资净买入金额的原始数据或经处理（如规模调整、标准化）后的数据作为因子值[11]。 **因子评价**：对红利风格的影响为中性（最新观点为0）[11]。 8. **因子名称**：行业平均景气度[11] **因子构建思路**：反映A股整体行业的景气状况，当景气度回暖时，资金可能从防御性的红利风格流向成长风格[8][11]。 **因子具体构建过程**：报告未详细说明具体计算，可能基于各行业景气指数或财务指标合成一个整体景气度指标，并标准化[11]。 **因子评价**：对红利风格产生负贡献[8][11]。 模型的回测效果 1. **红利风格择时模型**，综合因子值（2026.03.02-2026.03.06）为-0.38[1][3][5]。 2. **红利风格择时模型**，综合因子值（2026.02.24-2026.02.27）为-0.10[1][5]。 因子的回测效果 （注：报告未提供各因子独立的历史回测绩效指标（如IC、IR、多空收益等），仅提供了特定时点的因子值和观点。因此，本部分展示报告给出的最新因子数据。） 1. **中国:非制造业PMI:服务业因子**，因子值（2026.03.06）为0.14[11]，因子值（2026.02.27）为-0.13[11]，因子值（2026.01.30）为-0.19[11]。 2. **中国:M2:同比因子**，因子值（2026.03.06）为0.31[11]，因子值（2026.02.27）为0.21[11]，因子值（2026.01.30）为0.27[11]。 3. **美国:国债收益率:10年因子**，因子值（2026.03.06）为-0.70[11]，因子值（2026.02.27）为-0.49[11]，因子值（2026.01.30）为-0.39[11]。 4. **红利相对净值自身因子**，因子值（2026.03.06）为0.76[11]，因子值（2026.02.27）为0.54[11]，因子值（2026.01.30）为-0.11[11]。 5. **中证红利股息率-10年期中债收益率因子**，因子值（2026.03.06）为-0.11[11]，因子值（2026.02.27）为0.03[11]，因子值（2026.01.30）为0.43[11]。 6. **融资净买入因子**，因子值（2026.03.06）为0.26[11]，因子值（2026.02.27）为-1.31[11]，因子值（2026.01.30）为-1.76[11]。 7. **行业平均景气度因子**，因子值（2026.03.06）为0.97[11]，因子值（2026.02.27）为1.12[11]，因子值（2026.01.30）为0.77[11]。

量化模型与构建方式 1. **模型/因子名称**：绿色转型板块分类模型[29] **模型/因子构建思路**：为追踪不同行业在碳中和进程中的资金流向，根据各行业在碳减排链条中的功能定位，将相关行业划分为三类[29] **模型/因子具体构建过程**： * **低碳核心板块**：涵盖直接贡献碳减排的行业，是新能源发电、绿色出行及减污降碳的核心环节。具体包括电力设备、环保，以及公用事业和汽车行业的部分领域[33] * **低碳支撑板块**：涵盖为产业绿色转型提供数字化、自动化和智能化支撑的行业，是提升社会整体能效与资源利用效率的关键赋能方。具体包括计算机、通信、电子及机械设备的部分领域[33] * **转型主体板块**：涵盖能源消耗强度高、排放基数大的行业，是碳减排的重点领域，也是转型金融政策优先关注的对象。具体包括火电、煤炭、钢铁、有色金属、化工等多个领域[33] 模型的回测效果 *注：本报告未提供该分类模型的量化回测效果指标（如年化收益率、夏普比率、最大回撤等）。报告主要使用该模型进行市场资金流向和成交结构的描述性分析[30][31]* 量化因子与构建方式 1. **因子名称**：ESG事件情绪因子[37] **因子构建思路**：通过统计全市场ESG相关事件的数量和情绪倾向（正向、负向、中性），构建反映市场ESG舆情热度和情绪的因子[37] **因子具体构建过程**： * 数据来源：基于第三方数据（如妙盈科技）收集全市场ESG事件[37] * 事件分类：将每个ESG事件根据其内容划分为**正向事件**、**负向事件**或**中性事件**[37] * 因子计算：每周统计ESG事件总数、正向事件数量及占比、负向事件数量及占比等指标[37] * 维度细分：可进一步按环境（E）、社会（S）、治理（G）三个维度统计事件分布[39] * 行业细分：可进一步按行业统计ESG事件的数量和情绪分布，识别热点行业和议题[42][44] 2. **因子名称**：行业ESG议题集中度因子[44] **因子构建思路**：在ESG事件情绪因子的基础上，进一步分析各行业内最受关注的ESG议题（TOP3），用于识别行业当前面临的特定ESG风险或机遇[44] **因子具体构建过程**： * 基于ESG事件数据库，按行业对事件进行分类[44] * 在每个行业内，统计所有ESG事件中涉及的不同议题（如“减持”、“战略合作”、“响应碳中和”等）出现的频率[44] * 选取出现频率最高的三个议题作为该行业本周的TOP3热点议题[44] * 例如，报告显示电力设备行业本周TOP3议题为“响应碳中和”、“信披违规”、“战略合作”；汽车行业为“战略合作”、“股份回购”、“正面环境事件”[44] 因子的回测效果 *注：本报告未提供上述ESG因子的量化回测效果指标（如IC值、IR、多空收益等）。报告主要展示这些因子的描述性统计结果，用于市场舆情分析[37][39][42][44]*

量化模型与构建方式 1. **模型名称：长期行业主题基金分类模型**[39] * **模型构建思路**：为主动偏股基金构建完整的行业主题和细分赛道标签，以支持资产配置、主题投资和产品选择需求，并提供衡量主题基金风险收益情况的工具[39]。 * **模型具体构建过程**：通过观察基金在近四期（中报/年报）的持仓信息来判断其长期的行业主题特征。根据特征将基金分为三类： 1. **行业主题基金**：基金在长期内持续聚焦于某一特定行业主题。 2. **行业轮动基金**：基金的行业主题特征在不同报告期之间发生显著变化。 3. **行业均衡基金**：基金的行业配置较为分散，未形成明显的长期主题特征[39]。 2. **模型名称：REITs系列指数构建模型**[49] * **模型构建思路**：构建完整的REITs系列指数，以综合反映REITs市场表现，并提供衡量不同底层资产、项目类型的细分指数，为投资者提供基于指数化投资的资产配置新视角[49]。 * **模型具体构建过程**： 1. **指数类型**：考虑到REITs的高分红特性，同时构建价格指数和全收益指数[49]。 2. **加权方法**：采用分级靠档的方法确定成分股权重，以确保计算指数的份额保持相对稳定[49]。 3. **除数修正法**：当样本成分名单或样本成分的调整市值出现非交易因素的变动时（如新发、扩募等），采用除数修正法来保证指数的连续性[49]。 量化因子与构建方式 1. **因子名称：ESG基金分类因子**[70] * **因子构建思路**：根据基金投资策略对ESG（环境、社会、治理）三个维度的覆盖程度，对市场上的ESG相关基金进行系统化分类[70]。 * **因子具体构建过程**：将ESG基金分为两大类： 1. **ESG主题基金**：投资策略综合考量环境、社会、治理三方面因素，通常使用ESG整合、负面筛选、正面筛选等方法进行选股。具体主题标签包括“ESG”、“可持续”、“责任投资”[70]。 2. **泛ESG基金**：投资策略仅覆盖ESG中的一到两个方面因素，通常进行主题投资。进一步细分为： * **环境主题**：标签包括“低碳”、“碳中和”、“绿色”、“环境”、“环保”、“气候”、“生态”、“长江保护”等[70]。 * **社会主题**：标签包括“社会责任”、“扶贫”、“乡村振兴”、“一带一路”、“丝路”、“区域发展”等[70]。 * **治理主题**：标签包括“公司治理”、“治理”等[70]。 模型的回测效果 1. **长期行业主题基金分类模型** 生成的指数本周（2026.3.2-2026.3.6）收益率如下[39]： * 金融地产主题基金：-1.10% * 周期主题基金：-1.66% * 行业轮动主题基金：-2.30% * 医药主题基金：-2.43% * 消费主题基金：-2.59% * 行业均衡主题基金：-2.62% * 新能源主题基金：-2.72% * 国防军工主题基金：-3.54% * TMT主题基金：-4.53% 2. **REITs系列指数构建模型** 生成的指数截至2026年3月6日的业绩指标如下[54]： * **REITs综合指数**：本周收益 -1.05%，累计收益 -4.35%，年化收益 -0.94%，最大回撤 -42.67%，夏普比率 -0.24，年化波动 10.38% * **产权类REITs指数**：本周收益 -1.55%，累计收益 13.52%，年化收益 2.73%，最大回撤 -45.00%，夏普比率 0.10，年化波动 12.61% * **特许经营权类REITs指数**：本周收益 0.09%，累计收益 -24.13%，年化收益 -5.70%，最大回撤 -41.17%，夏普比率 -0.79，年化波动 9.07% * **消费基础设施REITs指数**：本周收益 -1.57%，累计收益 50.71%，年化收益 9.10%，最大回撤 -9.89%，夏普比率 0.72，年化波动 10.62% * **水利设施REITs指数**：本周收益 1.66%，累计收益 20.97%，年化收益 4.13%，最大回撤 -21.47%，夏普比率 0.17，年化波动 15.90% 因子的回测效果 1. **ESG基金分类因子** 应用下的市场规模（截至2026年3月6日）如下[71]： * **按主题分类**： * ESG主题基金：168.75亿元 * 环境主题基金：1206.39亿元 * 社会主题基金：146.33亿元 * 治理主题基金：26.99亿元 * **按基金类型分类**： * 主动权益型ESG基金：848.86亿元 * 股票被动指数型ESG基金：213.03亿元 * 纯债型ESG基金：236.23亿元 * 债券被动指数型ESG基金：226.79亿元 * QDII型ESG基金：23.56亿元

量化因子与构建方式 1. **因子名称：一致预期因子**[67][70] * **因子构建思路**：基于分析师对未来盈利的一致预期数据构建，捕捉市场对公司未来业绩变化的共识和调整方向。 * **因子具体构建过程**：包含多个细分因子： * **EPS_FTTM_Chg3M**：未来12个月一致预期EPS在过去3个月的变化率。 * **ROE_FTTM_Chg3M**：未来12个月一致预期ROE在过去3个月的变化率。 * **TargetReturn_180D**：一致预期目标价相对于目前股价的预期收益率。 2. **因子名称：价值因子**[67][70] * **因子构建思路**：衡量股票价格相对于其基本面价值是否被低估，通常选取与公司盈利、收入或资产相关的指标与市值的比率。 * **因子具体构建过程**：包含多个细分因子： * **BP_LR**：最新年报账面净资产除以最新市值。 * **EP_FTTM**：未来12个月一致预期净利润除以最新市值。 * **SP_TTM**：过去12个月营业收入除以最新市值。 * **EP_FY0**：当期年报一致预期净利润除以最新市值。 * **Sales2EV**：过去12个月营业收入除以企业价值。 3. **因子名称：成长因子**[67][70] * **因子构建思路**：衡量公司盈利或收入的增长能力，通常使用增长率指标。 * **因子具体构建过程**：包含多个细分因子： * **NetIncome_SQ_Chg1Y**：单季度净利润同比增速。 * **OperatingIncome_SQ_Chg1Y**：单季度营业利润同比增速。 * **Revenues_SQ_Chg1Y**：单季度营业收入同比增速。 * **ROE_FTTM**：未来12个月一致预期净利润除以股东权益均值。 4. **因子名称：质量因子**[67][70] * **因子构建思路**：衡量公司的盈利质量、财务稳健性和运营效率。 * **因子具体构建过程**：包含多个细分因子： * **OCF2CurrentDebt**：过去12个月经营现金流净额除以流动负债均值。 * **GrossMargin_TTM**：过去12个月毛利率。 * **Revenues2Asset_TTM**：过去12个月营业收入除以总资产均值。 5. **因子名称：技术因子**[67][70] * **因子构建思路**：基于市场交易数据（如成交量、价格形态）构建，捕捉市场的短期交易行为和市场情绪。 * **因子具体构建过程**：包含多个细分因子： * **Volume_Mean_20D_240D**：20日成交量均值除以240日成交量均值。 * **Skewness_240D**：240日收益率偏度。 * **Volume_CV_20D**：20日成交量标准差除以20日成交量均值。 * **Turnover_Mean_20D**：20日换手率均值。 6. **因子名称：波动率因子**[67][70] * **因子构建思路**：衡量股票价格或收益率的波动性，通常认为低波动率股票具有更好的风险调整后收益。 * **因子具体构建过程**：包含多个细分因子： * **Volatility_60D**：60日收益率标准差。 * **IV_CAPM**：CAPM模型残差波动率。 * **IV_FF**：Fama-French三因子模型残差波动率。 * **IV_Carhart**：Carhart四因子模型残差波动率。 7. **因子名称：反转因子**[67][70] * **因子构建思路**：基于股票过去一段时间的收益率表现，认为过去表现差的股票未来可能反弹，而过去表现好的股票未来可能回调。 * **因子具体构建过程**：包含多个细分因子： * **Price_Chg20D**：20日收益率。 * **Price_Chg40D**：40日收益率。 * **Price_Chg60D**：60日收益率。 * **Price_Chg120D**：120日收益率。 8. **因子名称：市值因子**[67][70] * **因子构建思路**：衡量公司规模，通常认为小市值公司可能具有更高的风险溢价。 * **因子具体构建过程**：使用**LN_MktCap**，即流通市值的对数。 9. **因子名称：可转债正股价值因子**[66][67] * **因子构建思路**：从可转债对应的正股出发，将适用于正股选股的价值因子逻辑应用于可转债择券。 * **因子具体构建过程**：报告未详细说明具体构建公式，但指出正股因子主要从正股与可转债的相关关系出发，用预测正股的因子来构建可转债因子[66]。其中“正股价值”因子取得了较高的IC均值[66]。 10. **因子名称：可转债估值因子**[66][67] * **因子构建思路**：衡量可转债自身估值水平的高低。 * **因子具体构建过程**：选取了**平价底价溢价率**作为核心指标[66]。 量化模型与构建方式 1. **模型名称：微盘股轮动模型**[17][27] * **模型构建思路**：通过比较微盘股与茅指数的相对强弱和动量信号，在两者之间进行轮动配置。 * **模型具体构建过程**：综合两个子策略信号： * **大小盘轮动指标**：计算微盘股与茅指数的相对净值，当该值高于其243日移动平均线时，倾向于投资微盘股，反之投资茅指数[17][27]。同时结合两者20日收盘价斜率，当方向相反且一方为正时，选择投资斜率为正的指数[27]。 * **M1轮动子策略**：基于M1同比指标的6个月移动平均值进行判断，当该平均值下行时，中期配置从微盘股切换至茅指数[17]。 2. **模型名称：微盘股择时风控模型**[17][27] * **模型构建思路**：监控与微盘股系统性风险相关的宏观和市场指标，在指标触及阈值时发出风险控制（平仓）信号。 * **模型具体构建过程**：基于两个择时指标： * **十年期国债到期收益率同比**：阈值为0.3（30%），触及则发出平仓信号[27]。 * **微盘股波动率拥挤度同比**：阈值为0.55（55%），触及则发出平仓信号[27]。 3. **模型名称：宏观择时模型**[49] * **模型构建思路**：基于经济增长和货币流动性等宏观维度的信号，动态调整股票资产的配置仓位。 * **模型具体构建过程**：模型对经济增长和货币流动性两个维度分别给出信号强度，并综合得出最终的股票推荐仓位[49][50]。例如，3月份模型给出的经济增长信号强度为0%，货币流动性信号强度为60%，综合得出股票仓位为30%[49][50]。 因子的回测效果 （数据来源：截至2026年3月8日当周及今年以来，不同股票池的IC均值与多空收益）[56] 1. **一致预期因子** * **全部A股**：IC均值 0.49%， 多空收益 1.59% * **沪深300**：IC均值 -4.94%， 多空收益 -4.67% * **中证500**：IC均值 -2.57%， 多空收益 -8.95% * **中证1000**：IC均值 1.60%， 多空收益 2.24% 2. **市值因子** * **全部A股**：IC均值 4.14%， 多空收益 0.63% * **沪深300**：IC均值 6.71%， 多空收益 2.63% * **中证500**：IC均值 -0.34%， 多空收益 -11.14% * **中证1000**：IC均值 0.27%， 多空收益 -5.16% 3. **成长因子** * **全部A股**：IC均值 1.64%， 多空收益 3.49% * **沪深300**：IC均值 1.23%， 多空收益 3.59% * **中证500**：IC均值 -1.56%， 多空收益 0.86% * **中证1000**：IC均值 1.40%， 多空收益 3.26% 4. **反转因子** * **全部A股**：IC均值 -0.54%， 多空收益 -7.18% * **沪深300**：IC均值 -1.87%， 多空收益 -8.09% * **中证500**：IC均值 -0.73%， 多空收益 -13.29% * **中证1000**：IC均值 0.30%， 多空收益 -7.52% 5. **质量因子** * **全部A股**：IC均值 -0.35%， 多空收益 0.10% * **沪深300**：IC均值 0.55%， 多空收益 1.81% * **中证500**：IC均值 -2.90%， 多空收益 -3.42% * **中证1000**：IC均值 -1.13%， 多空收益 -1.44% 6. **技术因子** * **全部A股**：IC均值 5.12%， 多空收益 -2.11% * **沪深300**：IC均值 1.88%， 多空收益 -2.58% * **中证500**：IC均值 3.00%， 多空收益 -11.21% * **中证1000**：IC均值 2.58%， 多空收益 -5.70% 7. **价值因子** * **全部A股**：IC均值 5.32%， 多空收益 0.03% * **沪深300**：IC均值 8.54%， 多空收益 7.68% * **中证500**：IC均值 5.87%， 多空收益 -0.07% * **中证1000**：IC均值 4.13%， 多空收益 -1.73% 8. **波动率因子** * **全部A股**：IC均值 5.52%， 多空收益 -0.58% * **沪深300**：IC均值 4.42%， 多空收益 -0.55% * **中证500**：IC均值 2.86%， 多空收益 -8.22% * **中证1000**：IC均值 3.43%， 多空收益 -4.26% 模型的回测效果 1. **宏观择时模型** * **2025年初至今收益率**：14.59%[49] * **同期基准（Wind全A）收益率**：26.87%[49]

量化模型与构建方式 1. **模型名称：卷积神经网络趋势观察模型**[80] * **模型构建思路**：使用卷积神经网络（CNN）对个股历史价量数据构建的标准化图表进行建模，学习图表特征与未来价格走势之间的关系，并将学习到的有效特征映射到行业主题板块，以识别具有趋势性机会的行业主题[80]。 * **模型具体构建过程**： 1. **数据准备**：为每只个股选取一个窗口期内的价量数据（如价格、成交量等）[80]。 2. **图表生成**：将标准化处理后的价量数据构建成标准化的图表[80][81]。 3. **模型训练**：使用卷积神经网络对生成的图表与对应的未来价格（如未来涨跌）进行建模训练，以识别图表中的有效预测特征[80]。 4. **特征映射**：将训练好的模型学习到的特征，应用于行业主题板块的指数或成分股，以判断哪些行业主题板块在未来具有更高的上涨概率[80]。 5. **输出配置**：模型最终输出当前时点看好的行业主题板块及对应的具体指数[82]。 2. **模型名称：宏观因子事件模型**[56][57] * **模型构建思路**：通过跟踪一系列国内外宏观指标，定义其特定的走势事件（如短期高低点、连续涨跌等），并从历史数据中筛选出对未来资产收益率有显著影响的“有效因子事件”，以此作为判断未来市场或资产走势的依据[56][57]。 * **模型具体构建过程**： 1. **因子选择**：跟踪约25个国内外宏观指标，涵盖货币政策、财政政策、流动性、通胀水平及其他经济指标[56][57]。 2. **事件定义**：为每个宏观因子定义四类走势事件：短期高低点、连续上涨/下跌、创历史新高/新低、因子走势反转[57]。 3. **有效性检验**：从历史数据中寻找“有效因子事件”，即那些对资产未来收益率影响较为显著的因子事件[57]。 4. **趋势判断**：采用历史均线（如1月、3月、12月均线）将宏观因子走势分为趋势上行或下行[59]。 5. **信号生成**：统计历史上在特定宏观因子处于不同趋势下，各类资产（如股票、债券）的未来平均收益，筛选出收益存在显著差异的资产，生成当前宏观因子趋势下的市场观点[59][60]。 3. **模型名称：期权成交量看涨看跌比（CPR）模型**[50] * **模型构建思路**：通过监测上证50ETF期权成交量的看涨看跌比率（CPR）与其布林通道的相对位置，来判断蓝筹股市场的短期超买或超卖风险[50]。 * **模型具体构建过程**： 1. **计算CPR**：计算上证50ETF期权成交量的看涨看跌比率[50]。 2. **计算通道**：计算CPR的60日布林通道（通常包含上轨和下轨）[50]。 3. **信号判断**：当最近20个交易日的CPR高于60日布林通道上轨时，模型认为蓝筹股短期存在超卖风险[50]。 4. **模型名称：GFTD模型与LLT模型**[84] * **模型评价**：报告提及GFTD模型和LLT模型的历史择时成功率约为80%，但未详细描述其构建思路和具体过程[84]。 模型的回测效果 1. 卷积神经网络趋势观察模型，最新配置主题为电力、电网、公用事业等，具体推荐指数包括：国证绿色电力指数 (399438.SZ)、中证绿色电力指数 (931897.CSI)、中证全指电力公用事业指数 (h30199.CSI)、中证全指公用事业指数 (000995.CSI)、中证电网设备主题指数 (931994.CSI)[82]。 2. 宏观因子事件模型，当前（截至报告期）对权益市场的观点为：PMI（3月均线趋势）发出看多信号；社融存量同比（1月均线趋势）、10年期国债收益率（12月均线趋势）、美元指数（1月均线趋势）均显示震荡信号[60]。 3. 期权成交量看涨看跌比（CPR）模型，当前信号显示：最近20个交易日CPR高于60日布林通道上轨，表明蓝筹股短期存在超卖风险[50]。 4. GFTD模型与LLT模型，历史择时成功率约为80%[84]。 量化因子与构建方式 1. **因子名称：新高新低比例因子**[35] * **因子构建思路**：通过统计市场中创近期新高与新低的个股数量占比，来度量市场的整体强度与广度情绪[35]。 * **因子具体构建过程**：计算创近60日新高的个股数占总股票数的比例（新高比例），以及创近60日新低的个股数占总股票数的比例（新低比例）[35]。 2. **因子名称：个股均线结构因子**[39] * **因子构建思路**：通过计算呈现多头排列与空头排列的个股数量差值占比，来反映市场整体的技术趋势强弱[39]。 * **因子具体构建过程**：计算呈现多头排列的个股数量减去呈现空头排列的个股数量，再除以总股票数，得到“均线强弱指标”[39][40]。 3. **因子名称：长期均线以上比例因子**[42] * **因子构建思路**：统计股价位于长期均线（如200日）之上的个股比例，用以衡量市场长期趋势的强弱和广度[42]。 * **因子具体构建过程**：计算股价位于200日长期均线之上的个股数量占总股票数的比例[42]。 4. **因子名称：风险溢价因子**[68] * **因子构建思路**：通过计算股票市场隐含收益率（盈利收益率）与无风险利率（十年期国债收益率）的差值，来衡量股票资产相对于债券资产的吸引力[68][83]。 * **因子具体构建过程**：风险溢价 = 中证全指静态市盈率（PE_TTM）的倒数（即盈利收益率EP） - 十年期国债收益率[83]。 5. **因子名称：指数超买超卖因子**[70] * **因子构建思路**：通过特定方法计算各主要宽基指数和行业指数的超跌或超买程度，以识别市场或板块的极端状态[70][74]。 * **因子具体构建过程**：报告未详细说明具体计算公式，但展示了截至报告期（NEW）和2018年底（20181228）两个时点，各指数在该因子上的取值情况，数值越高可能代表超跌越严重或超买越严重[71][72][75][76]。 6. **因子名称：融资余额因子**[77] * **因子构建思路**：跟踪市场融资余额的绝对规模及其占流通市值的比例，作为衡量市场杠杆情绪和资金面的指标[77]。 * **因子具体构建过程**：直接获取市场融资余额的总规模（亿元），并计算融资余额占A股流通市值的百分比[79]。 因子的回测效果 1. 新高新低比例因子，截至本期，创近60日新高个股数占比为15.7%，创近60日新低个股数占比为7.2%[35]。 2. 个股均线结构因子，截至本期，多头排列减空头排列个股占比为19%[39]。 3. 长期均线以上比例因子，报告展示了该因子的历史走势图，但未给出本期具体数值[42]。 4. 风险溢价因子，截至2026年3月6日，中证全指风险溢价为2.47%，其两倍标准差上边界为4.64%[83]。 5. 指数超买超卖因子，截至2026年3月6日（NEW），主要宽基指数中，中证1000、国证2000、小盘成长、小盘价值等指数的因子取值较高（接近或超过80）；行业指数中，有色金属、电子、汽车等行业的因子取值较高（超过80）[71][72][75][76]。 6. 融资余额因子，报告展示了该因子的历史走势图，但未给出本期具体数值[79]。

量化模型与构建方式 1. **模型名称：宽基轮动策略**[13] * **模型构建思路**：基于市场情绪热度指标，通过追踪不同宽基指数（如沪深300、中证500等）的热度变化率，构建一个简单的择时轮动策略。每周选择热度上升最快的宽基指数进行投资，若热度最高的是非主流股票（“其他”组），则选择空仓[13]。 * **模型具体构建过程**： 1. 首先，计算个股的总热度指标。个股总热度定义为股票的浏览、自选与点击次数之和，以同一日在全市场占比的方式进行归一化，再将归一化后的数值乘以10000，使指标取值区间为[0,10000][8]。 2. 将全A股票按宽基指数成分股分组（如沪深300、中证500、中证1000、中证2000及“其他”组），对每组内所有成分股的总热度指标进行求和，得到各宽基指数的“总热度”[9]。 3. 计算每个宽基指数总热度的周度变化率，并取2周移动平均（MA2）进行平滑处理[10]。 4. 在每周最后一个交易日，比较各宽基指数（包括“其他”组）的热度变化率MA2，买入该数值最大的宽基指数。如果变化率最大的为“其他”组，则本周空仓[13]。 2. **模型名称：热门概念内低热度选股策略**[30][32] * **模型构建思路**：在A股概念行情中，热门概念的成分股中拥有最高关注度的个股可能短期反应一步到位，而同一概念内的低热度个股可能存在反应不足或补涨机会。该策略旨在每周筛选出最热门的概念板块，并在其中选择关注度最低的个股构建组合，以获取超额收益[29][32]。 * **模型具体构建过程**： 1. 采用与宽基热度相同的方法，计算每个概念板块的总热度及其周度变化率[28]。 2. 在每周最后一个交易日，选出本周热度变化率最大的5个概念[32]。 3. 将这5个热门概念对应的所有成分股作为初选股票池，并排除其中流通市值最小的20%的股票[32]。 4. 对于每个热门概念，从其成分股中选出总热度排名最后的10只个股[32]。 5. 将所有选出的个股（5个概念 * 10只个股 = 50只）等权持有，构建“BOTTOM”组合[32]。同时，作为对比，可构建“TOP”组合，即从每个热门概念中选出总热度排名前10的个股等权持有[32]。 模型的回测效果 1. **宽基轮动策略**，年化收益率8.74%，最大回撤23.5%，2026年收益为1.8%[16]。 2. **热门概念内低热度选股策略（BOTTOM组合）**，年化收益15.71%，最大回撤28.89%，2026年收益率为0.00%[34]。 量化因子与构建方式 1. **因子名称：个股总热度**[8] * **因子构建思路**：从行为金融学的有限注意力理论出发，将投资者对个股的浏览、自选、点击等行为数据加总，作为衡量该股票受市场关注程度（情绪热度）的代理变量[8]。 * **因子具体构建过程**：收集个股每日的浏览、自选与点击次数，将这三项数据求和。然后，计算该股票的热度值占当日全市场所有股票总热度值的比例，进行归一化处理。最后，将归一化后的比例乘以10000，得到最终的个股总热度因子值，其理论取值范围在[0, 10000]之间[8]。公式可表述为： $$个股总热度_{i,t} = \frac{浏览_{i,t} + 自选_{i,t} + 点击_{i,t}}{\sum_{j=1}^{N}(浏览_{j,t} + 自选_{j,t} + 点击_{j,t})} \times 10000$$ 其中，$i$ 代表个股，$t$ 代表交易日，$N$ 代表全市场股票总数。 2. **因子名称：聚合总热度（宽基/行业/概念）**[8] * **因子构建思路**：将个股层面的关注度（总热度）汇总到更高层级的资产类别（如宽基指数、行业、概念板块），用以追踪这些板块整体的市场情绪热度[8]。 * **因子具体构建过程**：对于一个特定的板块$G$（例如“沪深300”指数或“石油石化”行业），在交易日$t$，将其所有成分股的个股总热度因子值直接加总，即得到该板块的聚合总热度[8][9]。公式为： $$板块总热度_{G,t} = \sum_{i \in G} 个股总热度_{i,t}$$ 3. **因子名称：热度变化率MA2**[10][20] * **因子构建思路**：衡量板块（宽基、行业、概念）关注度的边际变化趋势，并使用移动平均平滑短期波动，以捕捉更稳定的情绪变化方向[10][20]。 * **因子具体构建过程**：对于任一板块的聚合总热度时间序列，先计算其周度环比变化率。然后，对该变化率序列取2周移动平均（MA2），得到平滑后的热度变化率因子[10][20]。公式可表示为： $$热度变化率_{G,w} = \frac{板块总热度_{G,w} - 板块总热度_{G,w-1}}{板块总热度_{G,w-1}}$$ $$热度变化率MA2_{G,w} = \frac{热度变化率_{G,w} + 热度变化率_{G,w-1}}{2}$$ 其中，$w$ 代表第$w$周。 因子的回测效果 *(注：报告未提供单个因子的独立测试结果（如IC、IR等），仅展示了基于因子构建的策略组合表现，已汇总于“模型的回测效果”部分。)*