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

量化模型与构建方式 1. 普林格周期模型 **模型名称**：普林格周期模型[13][14][16] **模型构建思路**：通过观察股票、债券和大宗商品的轮动表现，将经济与市场划分为六个阶段，帮助投资者应对不同的经济环境[14][16] **模型具体构建过程**： - 将经济周期划分为六个阶段，每个阶段对应不同的资产表现： 1. 第一阶段（经济复苏初期）：股票小幅上涨，债券表现最佳，大宗商品持平 2. 第二阶段（经济复苏加速）：股票领涨，债券转弱，大宗商品持平 3. 第三阶段（经济扩张高峰）：股票上涨放缓，债券进一步减弱，大宗商品开始上涨 4. 第四阶段（经济过热）：股票下跌，债券持平或小幅下跌，大宗商品表现最佳 5. 第五阶段（经济增长放缓）：股票继续下跌，债券逐步改善，大宗商品下跌 6. 第六阶段（经济衰退）：股票触底或小幅反弹，债券表现最佳，大宗商品表现最差[16] - 通过市场价格与风格轮动特征反向刻画宏观周期状态[3] **模型评价**：普林格周期本身具有一定的前瞻性，能够从价格、利率、商品等市场变量中提取出"隐含的经济预期"，提前反映经济处于复苏、过热或衰退的大方向[47] 2. 宏观趋势信号（TS）模型 **模型名称**：宏观趋势信号（Trend Score, TS）[4][31] **模型构建思路**：从多项宏观经济指标中筛选出最具解释力的变量，综合构建为一个新的宏观趋势信号，用于识别宏观环境的"积极"与"谨慎"状态[4] **模型具体构建过程**： 1. **因子选取与权重**：从月度宏观数据中提取核心因子，包括PMI新订单（权重2）、PPI YoY（权重1）、PPI MoM（权重1）、M1 YoY（权重2）、M2 YoY（权重1）[29] 2. **标准化处理**：对每个因子做12个月滚动Z-score，得到可比的月度z分数矩阵[33] $$ Z_{i,t} = \frac{X_{i,t} - \mu_{i,t-11:t}}{\sigma_{i,t-11:t}} $$ 其中$Z_{i,t}$为因子i在t月的Z-score，$X_{i,t}$为因子原始值，$\mu_{i,t-11:t}$和$\sigma_{i,t-11:t}$为过去12个月的均值和标准差 3. **加权合成**：将各因子的z分数按归一化权重加总，得到月度原始Trend Score[33] $$ TS_t = \sum_{i=1}^{5} w_i \cdot Z_{i,t} $$ 4. **EWMA平滑**：对原始TS做EWMA（α=0.5），得到更稳定、段落更清晰的趋势曲线[33] $$ TS_{smooth,t} = α \cdot TS_t + (1-α) \cdot TS_{smooth,t-1} $$ 5. **防跳跃规则**：使用60期滚动分位+双阈值迟滞（35/65外层+45/55内层），将Trend Score划分为"谨慎/中性/积极"三类宏观状态[33][34] - 初始/上期为中性时：x ≤ 下外层（35%）→进入谨慎；x ≥ 上外层（65%）→进入积极；否则→保持中性 - 上期为谨慎时：x仍低于下内层（45%）→继续谨慎；x介于下内层和上外层之间（45%~65%）→回到中性；x ≥ 上外层（65%）→反向进入积极 - 上期为积极时：x仍高于上内层（55%）→继续积极；x介于下外层和上内层之间（35%~55%）→回到中性；x ≤ 下外层（35%）→反向进入谨慎[34] 6. **频率扩展与滞后**：将月度TS与状态扩展至日频，并整体滞后15天用于实盘使用[33] **模型评价**：宏观趋势信号（TS）基于月度宏观数据构建，反映真实经济活动、企业利润与流动性的中期趋势，具有更强的稳定性和跨行业一致性[47] 3. 复合宏观配置模型 **模型名称**：双源驱动宏观配置模型[47][51] **模型构建思路**：结合普林格周期和宏观趋势信号TS，构建"市场预期+宏观数据"的双源驱动框架，在不同宏观状态下选择不同宽基指数和行业配置[47][51] **模型具体构建过程**： - **状态划分**：将普林格周期的复苏、过热、衰退状态与TS的谨慎、中性、积极状态进行组合，形成9种宏观情景[53] - **宽基配置逻辑**： - 偏乐观情景（谨慎-复苏、中性-复苏、积极-复苏、积极-衰退、积极-过热）：配置中证2000、创业板指等成长性指数[53] - 偏谨慎情景（谨慎-衰退、谨慎-过热、中性-衰退、中性-过热）：配置沪深300、低波红利等防御性指数[53] - **行业轮动逻辑**： - 防守思路：在悲观/谨慎情境下增配银行、公用事业、食品饮料等抗跌行业[53] - 进攻思路：在复苏/积极情境下重点增配非银行金融（券商）、电子等进攻性行业[53] - 牛市中后段（过热阶段）：逐步加入化工、有色金属、煤炭等顺周期行业[55] **模型评价**：两者结合能够互补，普林格提供趋势的早期提示，TS提供趋势的确认与过滤，当两者方向一致时，其正向收益的确定性在回测中最强、跨行业一致性最高[47] 模型的回测效果 1. 宏观状态组合表现 **普林格复苏+TS积极组合**： - 沪深300平均收益率：2.74%[41] - 中证2000平均收益率：3.14%[42] - 创业板指平均收益率：4.31%[43] - 低波红利平均收益率：1.51%[44] **普林格复苏+TS中性组合**： - 沪深300平均收益率：0.23%[41] - 中证2000平均收益率：2.85%[42] - 创业板指平均收益率：-0.97%[43] - 低波红利平均收益率：-0.69%[44] **普林格复苏+TS谨慎组合**： - 沪深300平均收益率：-0.24%[41] - 中证2000平均收益率：4.42%[42] - 创业板指平均收益率：3.69%[43] - 低波红利平均收益率：2.13%[44] 2. 行业板块在特定状态下的表现 **积极-复苏状态下表现最佳的行业**： - 电力设备及新能源：5.63%[62] - 有色金属：5.51%[62] - 消费者服务：4.87%[62] - 基础化工：4.49%[62] - 创业板指：4.31%[62] **积极-过热状态下表现最佳的行业**： - 电子：2.26%[62] - 基础化工：2.09%[62] - 电力设备及新能源：2.02%[62] - 家用电器：1.98%[62] - 食品饮料：1.96%[62] 3. 综合配置策略年度表现 **策略年度收益率与超额收益**： - 2011年：策略-15.7%，基准-25.0%，超额12.4%[58] - 2012年：策略5.7%，基准7.6%，超额-1.7%[58] - 2013年：策略24.4%，基准-7.6%，超额34.7%[58] - 2014年：策略64.8%，基准51.7%，超额8.7%[58] - 2015年：策略27.3%，基准5.6%，超额20.5%[58] - 2016年：策略-10.9%，基准-11.3%，超额0.5%[58] - 2017年：策略13.5%，基准21.8%，超额-6.8%[58] - 2018年：策略-20.5%，基准-25.3%，超额6.5%[58] - 2019年：策略40.1%，基准36.1%，超额3.0%[58] - 2020年：策略31.5%，基准27.2%，超额3.4%[58] - 2021年：策略17.8%，基准-5.2%，超额24.2%[58] - 2022年：策略-18.0%，基准-21.6%，超额4.6%[58] - 2023年：策略-0.6%，基准-11.4%，超额12.2%[58] - 2024年：策略27.5%，基准14.7%，超额11.2%[58] - 2025年（至11月14日）：策略43.9%，基准17.6%，超额22.3%[58] 4. 风险调整后收益表现 **收益波动比表现最佳的行业（积极-复苏状态）**： - 基础化工：87.72%[66] - 汽车：77.97%[66] - 电力设备及新能源：77.86%[66] - 机械：75.08%[66] - 有色金属：74.93%[66] **收益波动比表现最佳的行业（积极-过热状态）**： - 食品饮料：23.89%[66] - 银行：23.36%[66] - 低波红利：22.63%[66] - 煤炭：22.55%[66] - 中证2000：19.51%[66]

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 模型名称：主动权益基金仓位测算模型**[22][24][25] - **模型构建思路**：通过持股市值加权计算主动权益型基金的平均仓位，用于跟踪公募基金的市场配置动态[22][24] - **模型具体构建过程**： 1. **样本筛选**：选择合格样本基金，筛选门槛包括： - 成立期满两个季度 - 基金未到期 - 规模大于5000万元 - 过去四期平均仓位大于60%[25] 2. **分类处理**：将主动权益型基金分为普通股票型、偏股混合型、灵活配置型、平衡混合型四类，其中灵活配置型和平衡混合型合称配置型基金[25] 3. **仓位计算**：采用持股市值加权方法计算市场平均仓位[25] 4. **数据清理**：剔除不完全投资于A股的基金[26] **2 模型名称：固收+基金仓位测算模型**[27][28][29] - **模型构建思路**：专门针对固收+基金构建仓位监测模型，跟踪低风险偏好资金的权益配置情况[27][28] - **模型具体构建过程**： 1. **样本筛选**：固收+基金合格样本筛选门槛包括： - 成立期满两个季度 - 未到期 - 规模大于5000万元 - 过去四期平均仓位在10%-30%[25] 2. **基金分类**：固收+基金包括偏债混合型基金、混合债券型二级基金、灵活配置型基金[25] 3. **加权计算**：采用持股市值加权方法计算平均仓位[28] **3 模型名称：基金风格暴露分析模型**[30][31][32] - **模型构建思路**：分析主动偏股型基金在不同市值风格上的仓位分布，跟踪基金风格偏好变化[30][31] - **模型具体构建过程**： 1. **风格分类**：将基金持仓按大盘成长、大盘价值、中盘成长、中盘价值、小盘成长、小盘价值六类进行划分[30][31] 2. **仓位测算**：计算各类风格仓位占比，监测风格暴露变化趋势[30][32] 3. **趋势分析**：跟踪各风格仓位的周度变化，识别风格轮动方向[30] **4 模型名称：行业配置监测模型**[33][34] - **模型构建思路**：基于中信一级行业分类，监测主动权益型基金行业配置变化[33][34] - **模型具体构建过程**： 1. **行业分类**：采用中信一级行业分类标准，涵盖30个行业[34] 2. **配置计算**：计算各行业配置比例，采用持股市值加权平均值[33] 3. **趋势识别**：标注连续上涨或连续下跌的行业，识别配置趋势[34] 4. **变动分析**：计算较上周配置比例变动，分析增减配方向[33][34] **5 模型名称：资金流向分析模型**[53][54][56] - **模型构建思路**：基于成交单规模划分资金类型，分析主力资金和主动资金流向[53][54] - **模型具体构建过程**： 1. **资金分类标准**： - 特大单：成交量在20万股以上，或成交金额在100万元以上[53] - 大单：成交量在6万股到20万股之间，或成交金额在30万到100万之间，或成交量占流通盘0.1%[53] - 中单：成交量在1万股与6万股之间，或成交金额在5万到30万之间[53] - 小单：成交量在1万股以下，或成交金额在5万元以下[53] 2. **流向计算**：分别计算各类型资金的净流入额[54][57][59] 3. **多维分析**：从个股和行业两个维度分析资金流向特征[54][59] 模型的回测效果 **1 主动权益基金仓位测算模型**[22] - 截至2025/11/21，主动权益型基金平均仓位：89.09% - 普通股票型基金平均仓位：91.84%（较上周上升0.47pct） - 偏股混合型基金平均仓位：90.10%（较上周上升0.39pct） - 配置型基金平均仓位：86.36%（较上周上升0.38pct） **2 固收+基金仓位测算模型**[22] - 固收+基金平均仓位：23.36%（较上周下降0.58pct） **3 基金风格暴露分析模型**[30] - 大盘成长仓位：43.41%（较上周上升1.57pct） - 大盘价值仓位：7.58%（较上周上升0.17pct） - 中盘成长仓位：6.93%（较上周上升1.5pct） - 中盘价值仓位：4.76%（较上周上升0.76pct） - 小盘成长仓位：27.97%（较上周下降2.74pct） - 小盘价值仓位：9.34%（较上周下降1.27pct） **4 行业配置监测模型**[33][34] - 配置比例上调较多行业： - 综合：0.76%（较上周提升0.24pct） - 钢铁：1.22%（较上周提升0.21pct） - 医药：10.29%（较上周提升0.14pct） - 家电：2.01%（较上周提升0.13pct） - 煤炭：0.90%（较上周提升0.13pct） - 配置比例下调较多行业： - 机械：5.32%（较上周下降0.39pct） - 计算机：4.75%（较上周下降0.20pct） - 综合金融：0.65%（较上周下降0.19pct） - 房地产：0.56%（较上周下降0.14pct） - 建材：0.83%（较上周下降0.09pct） **5 资金流向分析模型**[54][59] - 主力资金流向： - 净流入行业：银行等 - 净流出行业：电子、电力设备及新能源、基础化工、医药、有色金属等 - 主动资金流向： - 主买净额：-5158.66亿元 - 净流出行业：电力设备及新能源、基础化工、医药、电子、机械等 量化因子与构建方式 **1 因子名称：基金仓位变动因子**[22][30][33] - **因子构建思路**：基于基金仓位变化构建动量因子，识别资金配置趋势[22][30] - **因子具体构建过程**：计算各类基金仓位较上周变动幅度，作为资金流向的代理变量[22][30][33] **2 因子名称：风格暴露因子**[30][31][32] - **因子构建思路**：通过基金在不同风格上的仓位暴露，构建风格轮动因子[30][31] - **因子具体构建过程**：监测六类风格仓位的相对变化，识别风格偏好转移[30][32] **3 因子名称：行业集中度因子**[33][34] - **因子构建思路**：基于基金行业配置集中度变化，构建行业轮动因子[33][34] - **因子具体构建过程**：跟踪电子、有色等特定行业仓位变化，识别配置集中方向[33][34] **4 因子名称：资金流向因子**[54][59][61] - **因子构建思路**：利用不同规模资金的流向差异，构建市场情绪因子[54][59] - **因子具体构建过程**：分别计算特大单、大单、中单、小单的净流入额，分析资金结构特征[54][59][61] 因子的回测效果 **1 基金仓位变动因子**[22] - 主动权益基金仓位连续四周维持在90%下方 - 本周仓位小幅抬升，显示短期乐观情绪 **2 风格暴露因子**[30] - 大盘成长风格暴露持续提升至43.41% - 小盘风格仓位明显下降，风格向大盘集中 **3 行业集中度因子**[33][34] - 电子行业仓位保持20%以上（20.59%） - 有色行业仓位6.07%，呈现连续上涨趋势 - 反内卷相关行业仓位有所抬升 **4 资金流向因子**[54][59] - 特大单在电子行业净流出337.09亿元 - 大单在电力设备及新能源行业净流出159.53亿元 - 中单在电子行业净流入57.64亿元 - 小单在电力设备及新能源行业净流入440.97亿元