根据研报内容，以下是涉及的量化模型和因子的总结： 量化模型与构建方式 **1 模型名称：A股大盘择时模型[2][10]** - 模型构建思路：从估值、情绪、资金、技术四个维度对万得全A指数进行整体方向性判断[10] - 模型具体构建过程：各维度日频发出信号，每日信号取值为0、±1，分别代表看平、看多、看空三种观点[10] 估值和情绪采用反转逻辑，刻画A股市场均值回归特征；资金和技术采用趋势逻辑，刻画市场趋势延续特征[10] 以各维度得分之和的正负性作为大盘多空观点的依据[10] - 模型评价：左侧指标规避风险，右侧指标捕捉机会[10] **2 模型名称：红利风格择时模型[3][18]** - 模型构建思路：结合中证红利相对中证全指的动量、10Y-1Y期限利差和银行间质押式回购成交量三者的趋势进行择时[3][18] - 模型具体构建过程：三个指标从趋势维度日频发出信号，每日信号取值为0、+1、-1，分别代表看平、看多、看空三种观点[18] 以各维度得分之和的正负性作为红利风格多空观点的依据[18] 当模型看好红利风格时全仓持有中证红利，不看好时全仓持有中证全指[18] **3 模型名称：大小盘风格择时模型[3][23]** - 模型构建思路：采用基于拥挤度分域的趋势模型进行择时，其中拥挤度采用小盘和大盘的动量之差和成交额之比刻画[3][23] - 模型具体构建过程：首先从动量视角和成交视角计算大小盘风格拥挤度得分[23] 若最近20个交易日中曾触发过高拥挤，视为运行在高拥挤区间，否则为低拥挤区间[25] 在高拥挤区间采用参数值较小的双均线模型应对风格反转，在低拥挤区间采用参数值较大的双均线模型跟踪中长期趋势[25] **4 模型名称：遗传规划行业轮动模型[4][30]** - 模型构建思路：采用遗传规划技术直接对行业指数的量价、估值等特征进行因子挖掘，每季度末更新因子库[4][33] - 模型具体构建过程：底层资产为32个中信行业指数，因子更新频率为季频，调仓频率为周频[30] 使用|IC|和NDCG@5两个指标同时评价因子的分组单调性和多头组表现[33] 在NSGA-II算法加持下挖掘兼具分组表现单调、多头表现优秀的行业轮动因子[33] **5 模型名称：中国境内全天候增强组合[5][39]** - 模型构建思路：采用宏观因子风险预算框架，选取增长超预期/不及预期、通胀超预期/不及预期四种宏观风险源作为平价对象[5][39] - 模型具体构建过程：在四象限风险平价基础上，基于宏观预期动量的观点主动偏配看好象限[5] 构建分为三步：宏观象限划分与资产选择、象限组合构建与风险度量、风险预算模型确定象限权重[42] 每月底根据"象限观点"调整象限风险预算进行主动偏配[42] 模型的回测效果 **1 A股大盘择时模型[15]** - 年化收益：24.94% - 最大回撤：-28.46% - 夏普比率：1.16 - Calmar比率：0.88 - YTD：43.84% - 上周收益：5.28% **2 红利风格择时模型[21]** - 年化收益：15.67% - 最大回撤：-25.52% - 夏普比率：-0.26 - Calmar比率：0.85 - YTD：20.86% - 上周收益：-3.63% **3 大小盘风格择时模型[28]** - 年化收益：27.04% - 最大回撤：-32.05% - 夏普比率：1.13 - Calmar比率：0.84 - YTD：71.14% - 上周收益：-7.80% **4 遗传规划行业轮动模型[33]** - 年化收益：30.83% - 年化波动：17.74% - 夏普比率：1.74 - 最大回撤：-19.63% - 卡玛比率：1.57 - 上周表现：-4.39% - YTD：35.44% **5 中国境内全天候增强组合[43]** - 年化收益：11.51% - 年化波动：6.18% - 夏普比率：1.86 - 最大回撤：-6.30% - 卡玛比率：1.83 - 上周表现：-1.53% - YTD：10.75% 量化因子与构建方式 **1 因子名称：大小盘风格拥挤度因子[23][27]** - 因子构建思路：从动量视角和成交视角计算大小盘风格拥挤度得分[23] - 因子具体构建过程： 1) 动量之差：计算万得微盘股指数与沪深300指数的10/20/30/40/50/60日动量之差，计算各窗长动量之差的3.0/3.5/4.0/4.5/5.0年分位数的均值，对6个计算窗长下分位数最高的3个结果取均值作为小盘风格的动量得分；对分位数最低的3个结果取均值作为大盘风格的动量得分[27] 2) 成交额之比：计算万得微盘股指数与沪深300指数的10/20/30/40/50/60日成交额之比，计算各窗长成交额之比的3.0/3.5/4.0/4.5/5.0年分位数的均值，对6个计算窗长下分位数最高的3个结果取均值作为小盘风格的成交量得分；对分位数最低的3个结果取均值作为大盘风格的成交量得分[27] 3) 将小盘风格的动量得分和成交量得分取均值得到小盘风格的拥挤度得分，大于90%视为触发高拥挤；将大盘风格的动量得分和成交量得分取均值得到大盘风格的拥挤度得分，小于10%视为触发高拥挤[27] **2 因子名称：遗传规划行业轮动因子[37]** - 因子构建思路：基于单行业阻力支撑位构建[37] - 因子具体构建过程： 1) 在过去25个交易日中，计算周度标准化最低价和月度标准化开盘价的协方差，记作变量A[38] 2) 在过去15个交易日中，对周度标准化最高价开展zscore标准化，取标准化后大于2.0的日期，对A进行反转即乘以-1后，计算这15个交易日A之和[38] 因子表达式：$$ts\_grouping\_deczscorecut\_torch(ts\_covariance\_torch(wlow\_st, mopen\_st, 25), whigh\_st, 15, 2.0, 2)$$[37]

量化模型与构建方式 商品融合策略 1. **模型名称**：商品融合策略[25] **模型构建思路**：该策略旨在捕捉商品市场中的基本面、carry和动量等风险溢价，通过整合三个子策略来构建一个综合性的商品投资组合[25][26] **模型具体构建过程**：首先构建三个独立的子策略模拟组合，分别是商品期限结构模拟组合、商品时序动量模拟组合和商品截面仓单模拟组合，然后采用三策略等权的方式将这三个子策略组合起来，形成最终的融合策略[25][26] 商品期限结构模拟组合 2. **模型名称**：商品期限结构模拟组合[25][26] **模型构建思路**：该策略基于展期收益率因子来刻画商品的升贴水状态，旨在从商品的期限结构（carry）中获取收益[26] **模型具体构建过程**：策略动态地做多展期收益率高的品种，同时做空展期收益率低的品种，其核心因子是展期收益率，用于衡量商品期货的持有收益或成本[26] 商品时序动量模拟组合 3. **模型名称**：商品时序动量模拟组合[25][26] **模型构建思路**：该策略基于多个技术指标来刻画境内商品的中长期价格趋势，旨在从价格的动量效应中获利[26] **模型具体构建过程**：策略动态地做多处于趋势上涨状态的资产，同时做空处于趋势下跌状态的资产，其核心是动量因子[26] 商品截面仓单模拟组合 4. **模型名称**：商品截面仓单模拟组合[25][26] **模型构建思路**：该策略基于仓单因子来刻画境内商品基本面的变化情况，旨在从商品供需基本面的变化中获取收益[26] **模型具体构建过程**：策略动态地做多仓单下降的资产（通常暗示供应趋紧或需求增加），同时做空仓单增长的资产（通常暗示供应过剩或需求疲软），其核心是仓单因子[26] 模型的回测效果 1. **商品融合策略**，近两周收益0.97%，今年以来收益3.16%[25][28] 2. **商品期限结构模拟组合**，近两周收益2.31%，今年以来收益7.46%[25][28] 3. **商品时序动量模拟组合**，近两周收益-0.38%，今年以来收益-3.19%[25][28] 4. **商品截面仓单模拟组合**，近两周收益0.98%，今年以来收益5.43%[25][28] 量化因子与构建方式 展期收益率因子 1. **因子名称**：展期收益率因子[26] **因子构建思路**：该因子用于量化商品期货合约由于远近月价差（期限结构）而产生的持有收益或成本，即carry收益[26] **因子具体构建过程**：通过计算特定商品期货合约的展期收益率来构建，展期收益率反映了持有该期货合约至到期并展期到下一个合约的预期收益或成本 动量因子 2. **因子名称**：动量因子[26] **因子构建思路**：该因子用于捕捉商品价格的中长期趋势，基于技术分析指标来判断资产的涨跌趋势[26] **因子具体构建过程**：综合运用多个技术指标（如均线、MACD等）来量化商品价格的动量状态，判断其处于上涨趋势还是下跌趋势 仓单因子 3. **因子名称**：仓单因子[26] **因子构建思路**：该因子通过追踪商品仓单数量的变化来反映其基本面供需状况的变动[26] **因子具体构建过程**：基于商品注册仓单的数据进行计算，仓单的增减直接关联到可交割实物量的变化，从而指示供需平衡的潜在变动 因子的回测效果 *（注：报告中未提供各因子独立的回测绩效指标，如IC值、IR等，仅提供了基于这些因子构建的策略组合的业绩表现。）*

根据提供的金融工程周报内容，以下是关于报告中涉及的量化模型和因子的总结。报告主要涉及对各类基金（如指数增强基金、量化对冲基金）业绩表现的统计和分析，但并未详细阐述具体的量化模型构建思路、过程或因子定义。因此，总结将基于报告中明确提及的量化基金类别及其业绩指标。 量化模型与构建方式 1. **模型名称**：指数增强基金投资模型[36][38] * **模型构建思路**：通过量化方法构建投资组合，力求在跟踪特定市场指数（如沪深300、中证500等）的基础上，获得超越基准指数的超额收益[36][38] * **模型具体构建过程**：报告未提供具体的模型构建流程、选股逻辑或权重优化方法等细节 * **模型评价**：报告未提供针对该模型本身的定性评价 2. **模型名称**：量化对冲基金投资模型[36][38] * **模型构建思路**：运用量化策略同时建立多头和空头头寸，以对冲市场系统性风险，目标是在不同市场环境下获取绝对收益[36][38] * **模型具体构建过程**：报告未披露具体的对冲策略、风险模型或交易算法 * **模型评价**：报告未提供针对该模型本身的定性评价 模型的回测效果 1. **指数增强基金投资模型**[36][38] * 本周超额收益中位数：0.05%[36][38] * 本年超额收益中位数：4.00%[36][38] 2. **量化对冲基金投资模型**[36][38] * 本周收益中位数：-0.15%[36][38] * 本年收益中位数：0.62%[36][38] 量化因子与构建方式 （报告未提及具体的量化因子及其构建方式） 因子的回测效果 （报告未提及具体的量化因子及其测试结果）

根据提供的金融工程周报内容，以下是关于报告中涉及的量化模型与因子的详细总结。 量化模型与构建方式 1. **模型名称：流动性冲击指标**[3] * **模型构建思路**：该指标用于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，以评估市场的流动性状况[3]。 * **模型具体构建过程**：报告未提供该指标的具体计算公式，仅说明其计算基于沪深300指数。指标值为0.15，表示当前市场流动性高于过去一年平均水平0.15倍标准差[3]。 2. **模型名称：SAR指标（停损转向指标）**[3][10] * **模型构建思路**：SAR是一种趋势跟踪指标，用于识别市场的潜在反转点。当价格向下突破SAR线时，产生卖出信号；当价格向上突破SAR线时，产生买入信号[3][10][11]。 * **模型具体构建过程**：报告未提供SAR指标的具体计算公式，但展示了其应用。Wind全A指数于11月17日向下突破翻转指标，形成卖出信号[10][11]。 3. **模型名称：均线强弱指数**[3][10] * **模型构建思路**：该指数通过计算Wind二级行业指数中处于强势（如价格位于某均线之上）的行业比例，来度量整个市场的技术面强弱[3][10]。 * **模型具体构建过程**：报告未提供该指数的具体构建公式。当前市场得分为80，处于2023年以来的25.9%分位点，表明市场技术面偏弱[10]。 4. **模型名称：情绪择时模型**[3][10][13] * **模型构建思路**：通过构建涨跌停板相关因子来刻画市场的情绪强弱，并综合这些因子信号形成择时模型[3][10]。 * **模型具体构建过程**：模型包含多个细分因子，每个因子给出0或1的信号，综合后得到总得分（满分5分）。具体因子包括： * 净涨停占比[13] * 跌停次日收益[13] * 涨停板占比[13] * 跌停板占比[13] * 高频打板收益[13] 当前情绪模型总得分为0分，趋势模型信号为负向，加权模型信号为负向[10][13]。 5. **因子名称：因子拥挤度复合指标**[14][15] * **因子构建思路**：因子拥挤度用于预警因子可能因资金过度追逐而失效的风险。通过综合多个子指标来评估因子的拥挤程度[14]。 * **因子具体构建过程**：对于每个待评估的因子（如小市值、低估值等），使用以下四个指标进行度量，并综合打分[14][15]： * 估值价差 * 配对相关性 * 长期收益反转（报告中亦称为“市场波动”和“收益反转”）[15] * 因子波动率 报告未提供各子指标及综合打分的具体计算公式。 6. **因子名称：行业拥挤度**[22][23] * **因子构建思路**：用于评估特定行业是否因交易过热而存在回调风险[22]。 * **因子具体构建过程**：报告提及该因子参考了专题报告《行业轮动系列研究 15——行业板块拥挤度》，但未在周报中给出具体的构建公式。其结果显示为标准化分数[22][23]。 模型的回测效果 *报告未提供上述量化模型（如流动性冲击指标、SAR、均线强弱指数、情绪择时模型）的具体历史回测指标（如年化收益率、夏普比率、最大回撤等）。* 量化因子与构建方式 *报告中提及的小市值、低估值、高盈利、高增长因子，以及行业拥挤度因子，其具体的因子计算公式（如如何定义小市值、如何计算估值等）未在本周报中提供，仅展示了其拥挤度监测结果。* 因子的回测效果 1. **小市值因子** * 复合拥挤度：0.39[15] 2. **低估值因子** * 复合拥挤度：-0.69[15] 3. **高盈利因子** * 复合拥挤度：-0.02[15][17] 4. **高盈利增长因子** * 复合拥挤度：0.05[15][17] 5. **行业拥挤度因子** * 具体行业拥挤度取值详见报告中的图表和表格[22][23][24]。

根据您提供的研报内容，这是一份关于美国公募基金市场月度动态的观察报告，主要包含市场数据统计和资管机构观点梳理，并未涉及具体的量化模型或量化因子的构建、测试与分析。报告内容侧重于市场现状描述，而非量化投资策略的开发与评估[1][12][13]。 因此，报告中未包含需要总结的量化模型或量化因子相关内容。

根据提供的研报内容，以下是关于量化模型和因子的总结。 量化模型与构建方式 1. **模型名称：价格分段体系**[15] * **模型构建思路**：通过分析价格在不同时间尺度（如日线、周线）上的走势，对市场趋势进行分段识别，以判断当前市场所处的阶段[15] * **模型具体构建过程**：模型使用移动平均线类的技术指标（如图中显示的dea指标）对指数价格（如上证综指）进行平滑处理，通过比较不同周期（如日线与周线）的指标走势来判断趋势的一致性与边际变化[15][18] 2. **模型名称：微观市场结构择时模型**[16] * **模型构建思路**：通过监测市场中的“知情交易者”行为来捕捉市场情绪和资金流向的变化，从而进行择时判断[16] * **模型具体构建过程**：构建“知情交易者活跃度”指标，该指标通过分析市场的高频交易数据或订单流数据，识别可能拥有信息优势的交易者的行为模式，其数值变化反映了这类交易者对后市的态度（如谨慎或乐观）[16][19] 量化因子与构建方式 1. **因子名称：分析师行业景气预期因子**[20] * **因子构建思路**：利用卖方分析师对上市公司未来的盈利预测数据，构建行业层面的景气度指标，以反映市场对行业基本面的预期变化[20] * **因子具体构建过程**：计算申万一级行业的两个关键指标：1）一致预测滚动未来12个月ROE（ROEFTTM）的周度环比变化；2）一致预期净利润未来12个月（FTTM）增速的周度环比变化。通过比较这些环比变化率来评估各行业景气预期的强弱[20][21] 2. **因子名称：融资融券资金流向因子**[22] * **因子构建思路**：跟踪融资融券交易产生的资金在不同行业间的净流入/流出情况，以此作为衡量市场情绪和资金偏好的一个维度[22] * **因子具体构建过程**：计算每个行业在本周内的融资净买入额与融券净卖出额的差值，得到“期间净买入额”。正值代表资金净流入，负值代表资金净流出[22][24] 3. **因子名称：BARRA风格因子**[25] * **因子构建思路**：采用成熟的因子模型框架，从多个维度（如价值、成长、动量、市值、波动率等）解析市场的风格收益特征[25] * **因子具体构建过程**：报告直接引用了BARRA风格因子体系的收益表现，涉及的因子包括但不限于： * **价值类**：EP价值（盈利价格比）、BP价值（账面价格比）、股息率 * **成长类**：成长因子 * **质量类**：盈利质量、投资质量、盈利能力、盈利波动、财务杠杆 * **动量与反转类**：动量、长期反转 * **交易行为类**：换手率、波动率 * **市值类**：市值、非线性市值 （具体构建公式未在报告中详细给出，为行业通用标准因子）[25][26] 模型的回测效果 （报告中未提供相关模型的量化回测指标结果，如年化收益率、夏普比率等） 因子的回测效果 1. **分析师行业景气预期因子**，本周一致预期ROE环比变化：食品饮料行业+2.59%，建筑材料行业+2.57%[21]；本周一致预期净利润增速环比变化：建筑材料行业+18.23%，房地产行业+14.52%[21] 2. **融资融券资金流向因子**，本周期间净买入额：国防军工行业+13.8亿元，基础化工行业净流入金额较高[22][24]；电子行业净流出金额较高[22][24] 3. **BARRA风格因子**，本周收益：市值因子+0.6%，股息率因子+0.3%，波动率因子+0.2%，非线性市值因子+0.2%，投资质量因子+0.2%，盈利质量因子+0.2%，EP价值因子+0.1%[26]；动量因子-0.6%，长期反转因子-0.5%，BP价值因子-0.5%，换手因子-0.5%[26]

根据提供的金融工程市场跟踪周报，以下是报告中涉及的量化模型与因子的总结。报告主要描述市场状况和跟踪指标，并未详细阐述复杂的多因子模型或具体的因子构建公式，但包含了一些用于市场情绪跟踪和择时的量化指标。以下是基于报告内容的梳理： 量化模型与构建方式 1. **模型/指标名称：量能择时模型**[24][25] * **模型构建思路**：通过分析市场交易量能的变化来判断市场趋势，生成择时信号[24][25] * **模型具体构建过程**：报告未提供该模型具体的构建公式和详细步骤，仅提及其为一种择时方法并给出了当前观点[25] * **模型评价**：报告未提供对该模型的定性评价 2. **模型/指标名称：沪深300上涨家数占比情绪指标**[25][26] * **因子构建思路**：通过计算指数成分股中上涨股票的数量占比来捕捉市场情绪的变化，认为上涨家数增多可能预示市场底部，而大部分股票上涨则可能预示情绪过热[25] * **因子具体构建过程**： * 计算沪深300指数成分股在过去N日收益大于0的个股数量 * 计算该数量占成分股总数的比例 * 公式为：沪深300指数N日上涨家数占比 = (过去N日收益大于0的个股数) / (沪深300指数成分股总数) [25] * **因子评价**：该指标可以较快捕捉上涨机会，但在市场过热阶段会提前离场而错失后续收益，且难以有效规避下跌风险[26] 3. **模型/指标名称：动量情绪指标（基于上涨家数占比）**[27][29] * **模型构建思路**：对上述“沪深300上涨家数占比”指标进行平滑处理，通过比较短期和长期移动平均线来生成交易信号[27][29] * **模型具体构建过程**： * 计算沪深300指数N日上涨家数占比（报告中示例参数N=230）[27] * 对该占比序列分别计算窗口期为N1（长窗口，示例为50）和N2（短窗口，示例为35）的移动平均线，得到慢线和快线[27][29] * 当快线 > 慢线时，看多沪深300指数；当快线 < 慢线时，对市场持谨慎或中性态度[29] * **模型评价**：报告未提供对该模型的定性评价 4. **模型/指标名称：均线情绪指标**[33][37] * **模型构建思路**：通过计算当前价格与一组均线的相对位置来判断指数的趋势状态[33][37] * **模型具体构建过程**： * 计算沪深300收盘价的八条均线，参数为8, 13, 21, 34, 55, 89, 144, 233[33] * 统计当日沪深300指数收盘价大于这八条均线数值的数量[37] * 当该数量超过5时，看多沪深300指数[37] * （报告亦提及另一种赋值方式：将八均线区间值映射为-1, 0, 1来表征情绪，但当前信号生成基于数量判断）[33][37] * **模型评价**：报告未提供对该模型的定性评价 5. **因子名称：横截面波动率**[38][39] * **因子构建思路**：衡量同一时间点，不同股票收益率之间的差异程度，用于评估选股获取Alpha的难易环境，波动率高通常意味着Alpha机会更多[38][39] * **因子具体构建过程**：报告未提供具体的计算公式，但明确指出其用于衡量指数成分股间的收益率差异[38][39] * **因子评价**：报告未提供对该因子的定性评价 6. **因子名称：时间序列波动率**[39][42] * **因子构建思路**：衡量指数或个股收益率随时间变化的波动程度，也用于评估Alpha环境[39][42] * **因子具体构建过程**：报告未提供具体的计算公式，但提及其为指数成分股加权的时序波动率[39][42] * **因子评价**：报告未提供对该因子的定性评价 7. **因子名称：抱团基金分离度**[83][86] * **因子构建思路**：通过计算抱团基金组合截面收益率的标准差，来衡量基金抱团的程度，标准差小表示抱团程度高，反之则表示抱团瓦解[83][86] * **因子具体构建过程**： * 构建抱团基金组合 * 计算该组合在某个周期内（如一周）各基金收益率的截面标准差 * 这个标准差即为分离度指标[83][86] * **因子评价**：报告未提供对该因子的定性评价 模型的回测效果 （报告未提供上述量化模型的具体回测绩效指标，如年化收益率、夏普比率、最大回撤等） 量化因子与构建方式 （已合并至“量化模型与构建方式”章节，因报告中的内容更多是以指标形式用于描述市场或作为模型输入，而非独立的因子测试） 因子的回测效果 （报告未提供上述因子的具体IC值、IR值、多空收益等传统因子测试结果） 模型/因子的指标取值（跟踪状态） 1. **量能择时信号**[25] * 信号观点（截至2025/11/21）：对所有跟踪的宽基指数（上证指数、上证50、沪深300、中证500、中证1000、创业板指、北证50）均为“空”或“谨慎”观点[25] 2. **沪深300上涨家数占比情绪指标**[26] * 当前数值（截至2025/11/21）：最近一周下降，数值略高于50%[26] 3. **动量情绪指标**[27] * 信号观点（截至2025/11/21）：快线、慢线均下行，快线处于慢线下方，维持谨慎观点[27] 4. **均线情绪指标**[33] * 信号观点（截至2025/11/21）：沪深300指数处于情绪非景气区间[33] 5. **横截面波动率**[38][39][40] * **沪深300**：最近一周环比下降；近一季度平均值2.28%，处于近半年83.44%分位、近一年80.54%分位、近半年78.26%分位[39][40] * **中证500**：最近一周环比下降；近一季度平均值2.44%，处于近半年78.57%分位、近一年76.19%分位、近半年79.37%分位[39][40] * **中证1000**：最近一周环比上升；近一季度平均值2.60%，处于近半年83.67%分位、近一年78.09%分位、近半年73.71%分位[39][40] 6. **时间序列波动率**[39][42] * **沪深300**：最近一周环比下降；近一季度平均值0.73%，处于近半年77.23%分位、近一年75.78%分位、近半年69.15%分位[42] * **中证500**：最近一周环比上升；近一季度平均值0.53%，处于近半年80.16%分位、近一年76.19%分位、近半年78.57%分位[42] * **中证1000**：最近一周环比上升；近一季度平均值0.27%，处于近半年82.07%分位、近一年77.69%分位、近半年72.51%分位[42] 7. **抱团基金分离度**[83][86] * 当前状态（截至2025/11/21）：环比前一周小幅上升[83]

根据提供的金融工程定期报告内容，以下是关于报告中涉及的量化模型与因子的总结。 量化模型与构建方式 1. **模型名称：缠论分析模型**[1][7] * **模型构建思路**：该模型基于缠论技术分析理论，通过识别市场走势中的不同级别（如周线级别、月线级别）的上升或下降趋势段，以及特定的结构（如ABC三浪调整结构），来判断当前市场所处的阶段和未来可能的走势[1][7][8]。 * **模型具体构建过程**：模型的应用过程主要包括： * **周期分析**：识别不同时间周期的趋势。例如，报告中区分了自2024年初启动的“月线级别上行趋势”和2025年4月初以来的“周线级别上升趋势”，并判断当前调整针对后者[1][7]。 * **结构识别**：识别特定的价格波动形态。例如，报告中指出科技板块已呈现“清晰的ABC三浪调整结构”，这通常被解读为调整阶段可能接近尾声的信号[8]。 * **历史对比**：将当前的缠论结构与历史相似形态进行类比，以推测后续走势。例如，报告中将当前走势与“2017年11月底至12月初的形态”进行类比，认为市场可能进入震荡筑底阶段[1][7]。 2. **模型名称：温度计指标模型**[1][7] * **模型构建思路**：该模型通过计算一个或多个市场情绪或技术指标（统称为“温度计”），来度量市场的超买或超卖状态，从而判断市场短期的风险与机会[1][7]。 * **模型具体构建过程**：模型包含不同频率的指标： * **高频温度计**：用于捕捉短期市场情绪。报告中提及“主流宽基指数的高频温度计均值已降至7以下”，这表明市场可能出现短期超跌[1][7]。 * **低频与超低频温度计**：用于分析中长期市场状态。报告结合了高频、低频、超低频温度计的读数进行综合判断[1][7]。 3. **因子名称：量能拥挤度因子**[2][8] * **因子构建思路**：该因子通过计算特定板块（如TMT板块）的成交金额占市场总成交金额的比例，来衡量资金对该板块的关注度和交易热度，从而判断板块的拥挤程度和资金流向变化[2][8]。 * **因子具体构建过程**：因子构建公式可表示为： $$拥挤度_{板块, t} = \frac{成交金额_{板块, t}}{成交金额_{全市场, t}} \times 100\%$$ 其中，$成交金额_{板块, t}$ 代表在时间点 $t$ 该板块的总成交金额，$成交金额_{全市场, t}$ 代表在时间点 $t$ 全市场（或作为基准的市场组合）的总成交金额。报告中通过观察TMT板块成交金额占比从低位“出现小幅企稳甚至回升的迹象”，来判断资金可能重新关注该方向[2][8]。 模型的回测效果 （报告未提供具体的模型回测指标数值，如年化收益率、夏普比率、最大回撤等，因此此部分省略） 因子的回测效果 （报告未提供具体的因子回测指标数值，如IC值、IR、多空收益等，因此此部分省略）

量化模型与构建方式 量化择时模型 1. **模型名称**：短期择时策略模型[5][13][14] **模型构建思路**：基于多维度市场指标构建综合择时信号，通过基本面、估值面、情绪面、流动性四个维度的二级指标信号综合判断市场走势[13][14] **模型具体构建过程**： - 选取四个一级指标：基本面、估值面、情绪面、流动性 - 每个一级指标下设置多个二级指标： - 基本面：制造业PMI是否>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[13] - 估值面：A股整体PE分位数、A股整体PB分位数[13] - 情绪面：A股整体Beta离散度分位数、A股整体量能情绪分位数、A股整体波动率分位数[14] - 流动性：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[14] - 每个二级指标根据其数值在历史分位数位置给出乐观、谨慎或中性信号 - 综合各维度信号得出总仓位信号[13][14] **模型评价**：该模型通过多维度指标综合判断，能够较全面反映市场状况[13][14] 2. **模型名称**：成长价值风格轮动模型[24][25] **模型构建思路**：基于基本面、估值面、情绪面三个维度分析成长与价值风格的相对强弱，实现风格轮动配置[24] **模型具体构建过程**： - 基本面维度：分析盈利周期斜率、利率综合周期水平、信贷综合周期变化 - 盈利周期斜率大时利好成长风格 - 利率周期水平偏低时利好成长风格 - 信贷周期上行时利好成长风格[24] - 估值面维度：分析成长价值PE估值差分位数、PB估值差分位数 - 估值差均值回归上行时利好成长风格[24] - 情绪面维度：分析成长价值换手差分位数、波动差分位数 - 换手差偏高时利好成长风格 - 波动差反弹至偏高位置时利好均衡配置[24] - 综合三个维度信号得出超配成长或价值的建议[24] 3. **模型名称**：小盘大盘风格轮动模型[28][29] **模型构建思路**：从流动性视角出发，基于11个有效轮动指标构建综合大小盘轮动信号[28] **模型具体构建过程**： - 选取11个轮动指标：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] - 每个指标独立给出小盘或大盘的仓位建议（0%或100%） - 对11个指标的综合信号进行3日平滑处理[30] - 根据综合信号确定最终的小盘大盘配置比例[28][30] 模型的回测效果 1. **短期择时策略模型**[15][19][22] - 全区间（2012年底至今）年化收益率：16.05%（基准4.64%）[15][19] - 全区间年化超额收益率：11.41%[15][19] - 全区间最大回撤：15.49%（基准31.41%）[15][19] - 全区间夏普比率：0.9453（基准0.2766）[19] - 全区间收益回撤比：1.0360（基准0.1477）[19] - 2024年以来年化收益率：27.83%（基准8.31%）[22] - 2024年以来最大回撤：11.04%（基准8.89%）[22] - 2024年以来夏普比率：1.4264（基准0.5906）[22] 2. **成长价值风格轮动模型**[25][27] - 全区间（2012年底至今）年化收益率：12.40%（基准7.75%）[25][27] - 全区间年化超额收益率：4.65%[25] - 全区间最大回撤：43.07%（基准44.13%）[27] - 全区间夏普比率：0.5704（基准0.3684）[27] - 全区间收益回撤比：0.2879（基准0.1757）[27] - 2025年收益率：19.75%（基准22.28%）[25][27] 3. **小盘大盘风格轮动模型**[29][30] - 2025年超额收益率：11.88%[29][30] - 2014年以来每年均产生正向超额收益[29] - 综合信号3日平滑年化收益：19.51%[30] - 综合信号年化超额收益：12.73%[30] - 综合信号最大回撤：40.70%[30] 量化因子与构建方式 1. **因子名称**：Beta离散度[11][14] **因子构建思路**：衡量市场个股Beta系数的离散程度，反映市场共识度和趋势强度[11][14] **因子具体构建过程**：计算全市场个股Beta系数的标准差或变异系数[11][14] 2. **因子名称**：PB分化度[11][30] **因子构建思路**：衡量市场个股市净率的离散程度，反映估值分化状况[11][30] 3. **因子名称**：量能情绪得分[14] **因子构建思路**：基于市场交易量能变化构建的情绪指标[14] 4. **因子名称**：龙虎榜买入强度[28][30] **因子构建思路**：通过龙虎榜数据反映机构资金买入意愿[28][30] 5. **因子名称**：融资买入余额变化[28][30] **因子构建思路**：监测融资资金的变化趋势，反映杠杆资金情绪[28][30] 6. **因子名称**：主题投资交易情绪[28][30] **因子构建思路**：衡量主题投资的热度和市场关注度[28][30] 7. **因子名称**：中证1000MACD(10,20,10)[30] **因子构建思路**：基于中证1000指数的MACD技术指标判断小盘股趋势[30] 8. **因子名称**：中证1000交易量能[30] **因子构建思路**：监测中证1000指数的成交量变化，反映小盘股交易活跃度[30]

根据研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 **1. 成交量模型** - 模型构建思路：基于市场成交量的变化来判断短期市场走势[8] - 模型具体构建过程：通过分析宽基指数的成交量数据，判断市场情绪和资金活跃度[8][11] - 模型评价：短期有效的市场情绪指标 **2. 特征龙虎榜机构模型** - 模型构建思路：利用龙虎榜机构交易数据构建择时信号[8][11] - 模型具体构建过程：跟踪机构在龙虎榜上的买卖行为，分析机构资金流向[8][11] **3. 特征成交量模型** - 模型构建思路：基于特殊的成交量特征进行市场判断[8][11] - 模型具体构建过程：识别成交量中的异常波动和特殊模式[8][11] **4. 智能算法模型** - 模型构建思路：应用智能算法对沪深300和中证500指数进行择时[8][11] - 模型具体构建过程：使用机器学习等智能算法分析价量数据[8][11] - 模型评价：能够捕捉非线性关系 **5. 涨跌停模型** - 模型构建思路：通过涨跌停板数量分析市场情绪[8][12] - 模型具体构建过程：统计市场涨跌停个股数量及其变化趋势[8][12] **6. 上下行收益差模型** - 模型构建思路：比较市场上行和下行收益的差异[8][12][15] - 模型具体构建过程：计算特定时期内上涨股票与下跌股票的收益差异[8][12][15] - 模型评价：有效反映市场多空力量对比 **7. 月历效应模型** - 模型构建思路：基于日历效应进行市场择时[12] - 模型具体构建过程：分析历史数据中的季节性模式和月度效应[12] **8. 长期动量模型** - 模型构建思路：利用长期价格动量判断市场趋势[13] - 模型具体构建过程：计算长期时间窗口内的价格动量指标[13] - 模型评价：对长期趋势有较好的捕捉能力 **9. A股综合兵器V3模型** - 模型构建思路：综合多个因子和模型的复合择时模型[14] - 模型具体构建过程：整合短期、中期、长期多个维度的信号[14] **10. A股综合国证2000模型** - 模型构建思路：专门针对国证2000指数的综合择时模型[14] - 模型具体构建过程：结合多个因子对国证2000指数进行专门分析[14] **11. 成交额倒波幅模型** - 模型构建思路：用于港股市场的中期择时模型[15] - 模型具体构建过程：结合成交额和波动率指标进行判断[15] **12. 形态识别模型** - 模型构建思路：基于技术形态识别进行选股和择时[40][41][44][46][48] - 模型具体构建过程： - 杯柄形态：识别A点（起点）、B点（杯柄形成点）、C点（突破点）[44][51] - 双底形态：识别A点（第一个底部）、C点（第二个底部）、E点（突破点）[49][50] - 模型评价：经典的技术分析工具，对突破行情有较好效果 **13. VIX指数模型** - 模型构建思路：基于波动率指数进行市场风险判断[38] - 模型具体构建过程：复现中证指数公司的VIX计算方法，相关系数达到99.2%[38] - 模型评价：有效的市场恐慌情绪指标 模型的回测效果 **形态识别模型表现**[40]： - 双底形态组合：本周收益-6.55%，相对上证综指跑输-2.65%，累计收益10.32% - 杯柄形态组合：本周收益-5.67%，相对上证综指跑输-1.77%，累计收益6.66% **VIX指数**[38][39]： - 最新VIX值：16.8 **形态突破个股表现**[41][46]： - 杯柄形态突破个股：上周5只个股中2只跑赢上证综指，平均超额收益0.16% - 双底形态突破个股：上周7只个股中2只跑赢上证综指，平均超额收益-0.05% 量化因子与构建方式 **1. 机构仓位因子** - 因子构建思路：基于基金仓位变化分析机构行为[22][23][24][25] - 因子具体构建过程：跟踪股票型和混合型基金的行业配置变化[22][23][24][25] **2. 分析师预期因子** - 因子构建思路：利用分析师一致预期数据[18][19] - 因子具体构建过程：统计分析师上调/下调个股比例[18][19] **3. 资金流向因子** - 因子构建思路：分析主力资金流向[16] - 因子具体构建过程：跟踪各行业主力资金净流入流出情况[16] 因子的回测效果 **机构仓位因子表现**[22][23][24][25]： - 股票型基金总仓位：95.82%，较上周减少52bps - 混合型基金总仓位：88.71%，较上周减少218bps - 加仓行业：汽车、电力设备及新能源 - 减仓行业：通信、基础化工 **分析师预期因子表现**[18][19]： - 分析师上调比例最高行业：农林牧渔(5.0%)、国防军工(4.17%)、石油石化(4.0%) - 分析师下调比例最高行业：电子(4.55%)、医药(3.8%)、钢铁(3.77%) **资金流向因子表现**[16]： - 所有行业主力资金净流出 - 净流出前五行业：电子、电力设备及新能源、基础化工、医药、机械