量化模型与构建方式 1. **模型名称：A股情绪指数系统[47]** * **模型构建思路：** 基于市场波动率和成交额的变化方向，将市场划分为四个象限（波动-成交情绪时钟），通过判断当前市场所处的象限来生成择时信号[47][48]。 * **模型具体构建过程：** 首先，计算市场的波动率和成交额，并判断其相对于前期的变化方向（上行或下行）。然后，根据波动率和成交额变化方向的组合，将市场状态划分为四个象限。研究发现，只有“波动率上行、成交额下行”的区间表现为显著负收益，其余三个象限均为显著正收益[47]。基于此规律，构建了包含见底预警（主要基于价格/波动率信号）和见顶预警（主要基于成交量信号）的A股情绪指数。最后，综合两个预警信号的指向（“多”或“空”），得出对市场的整体观点[47][50][53]。 2. **模型名称：主题挖掘算法[60]** * **模型构建思路：** 通过处理新闻和研报文本，提取主题关键词，挖掘主题与个股的关联，构建主题活跃周期和主题影响力因子，从而识别和描述主题投资机会[60]。 * **模型具体构建过程：** 1) **文本处理**：收集新闻和研报文本数据。2) **主题关键词提取**：从文本中提取与投资主题相关的关键词。3) **主题个股关系挖掘**：建立关键词与上市公司股票之间的关联关系。4) **主题活跃周期构建**：分析主题在时间维度上的活跃程度变化。5) **主题影响力因子构建**：构建量化指标来衡量主题的市场影响力。最终，算法会推荐近期概念热度异动较高的主题，例如报告中提及的“黄金概念”[60]。 3. **模型名称：中证500增强组合[60][62]** * **模型构建思路：** 通过量化策略模型（具体模型未在报告中披露）构建投资组合，旨在持续跑赢中证500指数[60]。 * **模型具体构建过程：** 报告未详细说明具体的因子或模型构建过程，仅展示了根据策略模型生成的持仓明细[62][63][65]。 4. **模型名称：沪深300增强组合[66][67]** * **模型构建思路：** 通过量化策略模型（具体模型未在报告中披露）构建投资组合，旨在持续跑赢沪深300指数[66]。 * **模型具体构建过程：** 报告未详细说明具体的因子或模型构建过程，仅展示了根据策略模型生成的持仓明细[67][69][72]。 模型的回测效果 1. **A股情绪指数系统择时表现**，具体指标值未在报告中提供，仅展示了历史择时表现图表[57]。 2. **中证500增强组合**，本周收益-3.58%，跑赢基准2.24%[60]。2020年至今，相对中证500指数超额收益51.46%，最大回撤-10.90%[60]。 3. **沪深300增强组合**，本周收益-2.91%，跑输基准0.72%[66]。2020年至今，相对沪深300指数超额收益44.99%，最大回撤-5.86%[66]。 量化因子与构建方式 1. **因子体系：BARRA风格因子体系[73]** * **因子构建思路：** 参照BARRA因子模型，构建了涵盖市值、波动、动量、估值、盈利、成长、流动性等多维度的十大类风格因子，用于描述和解释A股市场的风格特征[73]。 * **因子具体构建过程：** 报告列出了十大类风格因子的名称，但未提供每个因子的具体计算公式。十大类风格因子包括：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）[73]。 2. **行业因子体系** * **因子构建思路：** 基于中信一级行业分类，构建行业因子，用于分析行业相对于市场的收益表现[74]。 * **因子具体构建过程：** 报告未提供行业因子的具体构建公式。 因子的回测效果 1. **风格因子暴露相关性（近一周）**：报告以矩阵形式展示了十大类风格因子之间的风险暴露相关性系数[75]。例如，流动性因子与Beta因子相关系数为0.546，与动量因子为0.480，与残差波动率因子为0.536；价值因子与Beta因子为-0.381，与残差波动率因子为-0.365，与流动性因子为-0.430[75]。 2. **风格因子表现（近期）**： * **残差波动率因子**：本周超额收益较高[2][74]。 * **流动性因子**：本周呈较为显著的负向超额收益[2][74]。 * **盈利因子**：近期表现优异（高盈利股表现好）[2][74]。 * **非线性市值因子**：近期表现不佳[2][74]。 3. **行业因子表现（近一周）**： * **银行、证券等行业因子**：相对市场市值加权组合跑出较高超额收益[2][74]。 * **有色金属、钢铁、化工等行业因子**：回撤较多[2][74]。

量化模型与构建方式 1. **模型名称：成交量模型**[7][8][10] * **模型构建思路**：基于市场成交量的变化来判断短期市场情绪和趋势。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程，仅提及其为短期择时模型，并给出了“中性”的信号判断[10]。 2. **模型名称：特征龙虎榜机构模型**[1][10] * **模型构建思路**：利用龙虎榜中机构资金的买卖行为特征来构建择时信号。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程，仅提及其为短期择时模型，并给出了“看多”的信号判断[10]。 3. **模型名称：特征成交量模型**[1][10] * **模型构建思路**：基于更精细或具有特定特征的成交量数据（可能与普通成交量不同）来构建择时信号。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程，仅提及其为短期择时模型，并给出了“看空”的信号判断[10]。 4. **模型名称：智能算法沪深300模型**[1][10] * **模型构建思路**：应用智能算法（如机器学习）对沪深300指数进行择时判断。 * **模型具体构建过程**：报告未详细描述具体算法和构建过程，仅提及其为短期择时模型，并给出了“中性”的信号判断[10]。 5. **模型名称：智能算法中证500模型**[1][10] * **模型构建思路**：应用智能算法（如机器学习）对中证500指数进行择时判断。 * **模型具体构建过程**：报告未详细描述具体算法和构建过程，仅提及其为短期择时模型，并给出了“看空”的信号判断[10]。 6. **模型名称：涨跌停模型**[1][11] * **模型构建思路**：通过分析市场中涨停和跌停股票的数量、比例等特征，来判断市场中期情绪和动能。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程，仅提及其为中期择时模型，并给出了“中性”的信号判断[11]。 7. **模型名称：上下行收益差模型**[1][10][11][14] * **模型构建思路**：通过计算市场或指数上行收益与下行收益的差值或比率，来衡量市场动能的强弱和方向，用于中期择时。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程，仅提及其为中期择时模型，对A股大部分宽基指数给出“中性”信号，对深证100和创业板指给出“看多”信号[10][11]，对港股恒生指数给出“中性”信号[14]。 8. **模型名称：月历效应模型**[1][11] * **模型构建思路**：基于历史数据中存在的特定月份或时间窗口的规律性收益模式（月历效应）来构建择时模型。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程，仅提及其为中期择时模型，并给出了“中性”的信号判断[11]。 9. **模型名称：长期动量模型**[1][12] * **模型构建思路**：基于资产价格的长期趋势（动量效应）进行择时，认为过去表现好的资产在未来一段时间内仍会延续其表现。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程，仅提及其为长期择时模型，并给出了“中性”的信号判断[12]。 10. **模型名称：A股综合兵器V3模型**[1][13] * **模型构建思路**：这是一个综合性的择时模型，可能耦合了短期、中期、长期等多个周期下的不同择时策略信号，形成最终的复合判断。 * **模型具体构建过程**：报告未详细描述具体耦合方法和构建过程，仅提及其为综合择时模型，并给出了“看空”的信号判断[13]。 11. **模型名称：A股综合国证2000模型**[1][13] * **模型构建思路**：专门针对国证2000指数构建的综合择时模型，可能集成了多因子或多策略信号。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程，仅提及其为综合择时模型，并给出了“看空”的信号判断[13]。 12. **模型名称：成交额倒波幅模型**[1][14] * **模型构建思路**：结合成交额与波动率（波幅）的倒置关系来构建择时模型，用于港股中期择时。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程，仅提及其为港股中期择时模型，并给出了“看空”的信号判断[14]。 13. **模型名称：上下行收益差相似模型**[1][14] * **模型构建思路**：与“上下行收益差模型”思路类似，但可能采用了不同的计算方式或比较基准，专门用于港股择时。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程，仅提及其为港股中期择时模型，并给出了“中性”的信号判断[14]。 14. **模型名称：HCVIX模型**[39][40][42] * **模型构建思路**：复现并计算中国市场的波动率指数（VIX），作为判断市场情绪和风险的参考指标。VIX基于期权价格计算，反映市场对未来波动率的预期。 * **模型具体构建过程**：报告提及该模型根据公开披露的VIX计算方法复现，与中证指数公司历史发布的VIX指数相关系数达99.2%[40]。具体计算公式未在报告中给出，但标准VIX计算涉及选取近月和次近月期权，通过加权计算隐含波动率。模型提供了50ETF、沪深300指数、300ETF的VIX计算结果[40]。 15. **模型/策略名称：杯柄形态策略**[43][44][45] * **构建思路**：一种基于价格图表的技术分析形态识别策略。“杯柄”形态被视为看涨的持续形态，策略在股价突破“柄部”上沿时买入。 * **具体构建过程**：报告未给出具体的形态识别算法和量化规则。策略通过识别股价走势中类似“杯状”的U型底（A点到B点）和随后的小幅回调或盘整“柄部”（B点到C点）来构建交易信号，当价格突破C点（柄部高点）时触发买入[47]。 16. **模型/策略名称：双底形态策略**[43][49][50] * **构建思路**：一种基于价格图表的技术分析形态识别策略。“双底”形态（W底）被视为看涨的反转形态，策略在股价突破颈线位时买入。 * **具体构建过程**：报告未给出具体的形态识别算法和量化规则。策略通过识别股价形成两个相近低点（A点和C点）后，突破两者之间的反弹高点（B点，即颈线）时触发买入信号[52]。 17. **模型/策略名称：倒杯子形态风险监控**[59] * **构建思路**：一种识别潜在下跌趋势延续的技术形态。“倒杯子”形态被视为典型的负向形态，用于风险预警。 * **具体构建过程**：报告描述为在一波下跌后，股价出现筑顶（A点到C点），之后再次下跌并实现突破（E点），预示可能延续下跌趋势[59]。具体量化识别规则未给出。 模型的回测效果 1. **杯柄形态策略**，本周收益-4.28%，同期上证综指收益-3.38%，本周超额收益-0.90%，自2020年12月31日累计收益20.02%，累计超额收益6.08%[43] 2. **双底形态策略**，本周收益-3.36%，同期上证综指收益-3.38%，本周超额收益0.02%，自2020年12月31日累计收益16.65%，累计超额收益2.72%[43] 3. **HCVIX模型**，当前最新值为18.05[2][40] 量化因子与构建方式 1. **因子名称：分析师上调/下调个股比例**[18][19] * **因子构建思路**：通过统计行业内获得分析师上调或下调盈利预测（或评级）的个股比例，来反映分析师对该行业的一致预期变化。 * **因子具体构建过程**：报告未给出具体计算公式。构建过程可能为：对于每个行业，计算在特定时间段内，盈利预测被上调（或下调）的上市公司数量占该行业被覆盖上市公司总数的比例。 因子的回测效果 *(报告未提供因子的独立测试结果，如IC、IR、多空收益等)*

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：风格组相对拥挤度模型[127] * **模型构建思路**：通过计算不同风格指数换手率标准化值的差异及其历史分位，来衡量两种风格之间的相对交易拥挤程度，以判断其配置风险或性价比[71] * **模型具体构建过程**： 1. 对于风格A和风格B，分别计算其近252日平均换手率[127] 2. 将风格A和风格B的换手率序列，在2005年1月1日以来的历史时间序列上进行Z-score标准化，得到Z-score_A与Z-score_B[127] 3. 计算二者差值：差值 = Z-score_A - Z-score_B[127] 4. 计算该差值的滚动6年历史分位数（历史数据量满1年且不足6年时，以全部历史数据进行计算），该分位数即为风格A相对于风格B的相对拥挤度[127] 2. **模型名称**：风格指数累计超额净值模型[128] * **模型构建思路**：以万得全A指数为基准，计算各风格指数相对于基准的累计超额表现，用于跟踪风格轮动和相对强弱[128] * **模型具体构建过程**： 1. 设定基准日（例如2020年1月4日）[128] 2. 将各风格指数及万得全A指数的每日收盘点数除以各自在基准日的收盘点数，得到各自的累计净值[128] 3. 将各风格指数在每一交易日的累计净值，除以同一交易日的万得全A指数累计净值，得到该风格指数相对于万得全A指数的累计超额净值[128] 3. **模型名称**：机构调研活跃度分位数模型[129] * **模型构建思路**：通过计算板块或行业日均机构调研次数的标准化值相对于全市场的差异及其历史分位，来衡量机构关注度的相对热度[129] * **模型具体构建过程**： 1. 对于特定板块（指数、行业），计算其近n个交易日的“日均机构调研次数”[129] 2. 将该日均调研次数序列在滚动y年的历史时间序列上进行z-score标准化[129] 3. 将上述标准化结果与万得全A指数的标准化结果作差，得到“机构调研活跃度”[129] 4. 最后计算该“机构调研活跃度”的滚动y年历史分位数（长期口径：n=126，y=6年；短期口径：n=63，y=3年）[129] 量化因子与构建方式 1. **因子名称**：滚动季度夏普率[35] * **因子构建思路**：计算万得全A指数滚动一个季度的夏普比率，作为衡量市场情绪风险的指标，极端高位可能预示市场情绪高峰后的调整风险[35] * **因子具体构建过程**：报告未详细说明具体计算窗口和参数，但核心是计算指数在过去一个季度时间窗口内的收益率均值与标准差之比，即夏普比率 2. **因子名称**：股债性价比（ERP）[51] * **因子构建思路**：通过计算股票市场市盈率倒数与无风险利率（国债收益率）的差值，来衡量投资股票相对于债券的预期超额收益，即风险溢价[51] * **因子具体构建过程**： 1. 计算指数市盈率（PE_TTM）的倒数：$$1 / PE\_TTM$$[51] 2. 减去10年期中债国债到期收益率：$$ERP = 1 / PE\_TTM - 10年期国债到期收益率$$[51] 3. 将计算出的ERP值置于历史时间序列中计算其百分位，以判断当前性价比高低[51][59] 3. **因子名称**：成交热度[25] * **因子构建思路**：使用周度日均自由流通换手率的历史分位值来衡量板块或行业的交易活跃度[25] * **因子具体构建过程**：计算特定板块或行业当周的日均自由流通换手率，然后计算该值在历史时间序列（例如自2005年1月1日以来）中的百分位[25] 4. **因子名称**：长江动量因子[63] * **因子构建思路**：以最近一年收益率减去最近一个月收益率（剔除涨停板）作为动量指标，筛选A股市场中动量特征强且流动性高的股票[63] * **因子具体构建过程**：报告未给出具体公式，但构建逻辑为：动量指标 = 最近一年股票收益率 - 最近一个月股票收益率（需剔除涨停板影响）[63] 5. **因子名称**：长江反转因子[63] * **因子构建思路**：以最近一个月股票收益率作为筛选指标，选择A股市场中反转效应强、流动性好的股票[63] * **因子具体构建过程**：报告未给出具体公式，但构建逻辑为直接使用最近一个月股票收益率作为反转因子指标[63] 模型的回测效果 *本报告为市场跟踪周报，未提供量化模型的历史回测绩效指标（如年化收益率、夏普比率、最大回撤等）。* 因子的回测效果 *本报告为市场跟踪周报，未提供量化因子的历史IC、IR、多空收益等传统因子测试结果。报告主要通过展示因子当前状态（如历史分位）及其与市场表现的近期关系来进行分析。*

量化模型与构建方式 1. **模型名称：基金仓位测算模型**[2][13] * **模型构建思路**：通过数理统计方法估算公募主动权益基金在特定行业（如有色金属）上的配置比例，以监测机构资金的持仓变化[2][13][26]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建步骤和公式，仅提及模型用于估算基金仓位，并给出了具体时点的测算结果（如1月30日有色金属仓位10.5%，3月20日降至8.7%）[2][13][14]。 2. **模型名称：价格分段体系**[16][19] * **模型构建思路**：对指数（如上证综指）价格走势进行分析和分段，以识别不同时间周期（如日线、周线）下的市场结构状态[16][19]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建算法和公式，主要通过图表（图1）展示分段结果，图中包含“dea”指标，可能涉及移动平均线或类似技术指标的计算[19]。 3. **模型名称：微观市场结构择时模型（知情交易者活跃度指标）**[17][20] * **模型构建思路**：构建一个反映“知情交易者”活跃程度的指标，用于判断市场内部结构变化，辅助择时[17][20]。 * **模型具体构建过程**：报告未详细描述该指标的具体构建算法和计算公式，仅展示了该指标的历史走势图（图2），并说明其与市场走势的同步关系[17][20]。 模型的回测效果 （报告未提供上述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。） 量化因子与构建方式 1. **因子名称：BARRA风格因子体系**[22][23][25] * **因子构建思路**：采用经典的BARRA多因子模型框架，从多个维度（基本面、市场、风险等）拆解股票收益来源，以监测市场风格偏好[22][23][25]。 * **因子具体构建过程**：报告未详细描述每个因子的具体计算公式，但列举了所监测的因子类别及名称，包括： * 基本面类因子：换手、财务杠杆、盈利波动、盈利质量、盈利能力、投资质量、长期反转、EP价值、BP价值、成长[23][25]。 * 市场与风险类因子：动量、非线性市值、市值、波动率、股息率[23][25]。 * 报告还提到了“残差波动率”（可能为“Residual Volatility”的翻译）因子[23]。 * **因子评价**：该因子体系被用于有效监测市场风格偏好的变化，例如报告指出本周基本面因子表现分化，资金偏好成长多于价值，交易类因子中高波动股票占优，市值风格上大盘股相对占优[22][25]。 因子的回测效果 1. **BARRA风格因子**，**本周收益**：换手 -0.4%，财务杠杆 -0.3%，盈利波动 0.4%，盈利质量 0.0%，盈利能力 0.1%，投资质量 -0.2%，长期反转 0.0%，EP价值 -0.4%，BP价值 -0.3%，成长 0.1%，动量 -0.6%，非线性市值 0.1%，市值 0.5%，波动率 0.7%，残差波动率 0.1%，股息率 0.5%[23]。 （报告仅提供了因子在特定一周内的收益表现，未提供长期历史回测指标如IC、IR、多空收益等。）

量化模型与构建方式 1. **模型名称：三维择时框架**[5][8] * **模型构建思路**：通过构建分歧度、流动性、景气度三个维度的指标，综合判断市场状态，进行择时判断[5][8]。 * **模型具体构建过程**：模型基于三个核心指标进行判断： 1. **分歧度**：衡量市场参与者观点的离散程度，上行趋势表示市场分歧加大[5][8]。 2. **流动性**：衡量市场资金面的松紧程度，下行趋势表示流动性趋紧[5][8]。 3. **景气度**：衡量宏观经济或企业盈利的景气程度，下行趋势表示景气度回落[5][8]。 综合三个指标的趋势（上行或下行）进行组合判断，例如“分歧度↑-流动性↓-景气度↓”对应“震荡下跌”的市场判断[5][8]。 2. **模型名称：热点趋势ETF策略**[32] * **模型构建思路**：基于ETF价格形态（最高价与最低价）的上涨趋势和短期市场关注度（换手率）来筛选ETF，构建投资组合[32]。 * **模型具体构建过程**： 1. **形态筛选**：首先筛选出最高价与最低价同时呈现上涨形态的ETF[32]。 2. **构建支撑阻力因子**：根据最高价与最低价近20日回归系数的相对陡峭程度，构建支撑阻力因子[32]。 3. **关注度筛选**：在支撑阻力因子的多头组中，选择近5日换手率/近20日换手率最高的10只ETF，即短期市场关注度明显提升的品种[32]。 4. **组合构建**：对最终选出的10只ETF采用风险平价方法构建投资组合[32]。 3. **模型名称：融资-主动大单资金流共振策略**[40] * **模型构建思路**：结合融资融券资金流和主动大单资金流两个维度，寻找资金面产生共振的行业进行配置[37][40]。 * **模型具体构建过程**： 1. **构建行业融资融券资金因子**：计算行业个股的（融资净买入-融券净卖出）并加总，经过Barra市值因子中性化处理，取最近50日均值后的两周环比变化率[40]。 2. **构建行业主动大单资金因子**：计算行业主动大单净流入，经过最近一年成交量时序中性化处理，得到排序分位，并取最近10日均值[40]。 3. **策略逻辑**：研究发现融资融券因子的多头端在某些市场状态下有稳定的负向超额收益，而主动大单因子剔除极端多头行业后有稳定正向超额收益。因此，策略在主动大单因子的头部打分行业内，剔除融资融券因子头部的行业，以提高策略稳定性[40]。 4. **行业剔除**：进一步剔除大金融板块[40]。 4. **模型名称：全天候配置模型**[44] * **模型构建思路**：通过资产选择、风险调整和结构对冲三项原则，构建不依赖宏观预测、追求长期收益稳定的分散化投资组合[44]。 * **模型具体构建过程**：采用循环对冲设计对冲构型，绕过宏观因素刻画，直接针对资产波动进行长期收益平衡[44]。按风险水平分为两个版本： 1. **高波版**：采用“四层结构化-股债金风险平价”构型[44][48]。 2. **低波版**：采用“五层结构化-风险预算”构型[44][53]。 模型的回测效果 1. **三维择时框架**：模型保持“震荡下跌”判断[5][8]。 2. **热点趋势ETF策略**：组合2025年以来收益58.34%，相比沪深300指数的超额收益为38.80%[5][32]。 3. **融资-主动大单资金流共振策略**：策略2018年以来费后年化超额收益14.3%，IR 1.4[40]。策略上周（截至报告期）实现-2.53%的绝对收益与1.88%的超额收益（相对行业等权）[40]。 4. **全天候配置模型（高波版）**：截至2025年，年化收益率11.8%，年平均最大回撤3.6%，夏普比率1.9[53]。2026年以来收益率1.9%[5][53]。 5. **全天候配置模型（低波版）**：截至2025年，年化收益率6.7%，年平均最大回撤2.0%，夏普比率2.4[53]。2026年以来收益率1.1%[5][53]。 量化因子与构建方式 1. **因子名称：风格因子（市值、盈利收益率、成长等）**[56] * **因子构建思路**：报告跟踪了包括市值、贝塔、动量、波动率、非线性市值、价值、流动性、盈利收益率、成长、杠杆在内的多个风格因子表现[57]。 * **因子具体构建过程**：未详细说明具体计算方式，但提及风格因子收益为多头减空头的收益表现[56][57]。 2. **因子名称：过去1个月的收益率标准差 (return std 1m)**[61][62] * **因子构建思路**：使用股票过去1个月收益率的标准差来衡量其近期波动[61][62]。 * **因子具体构建过程**：计算个股过去1个月（约21个交易日）日收益率的样本标准差[62]。 3. **因子名称：近63交易日平均换手率的自然对数 (swap 3m)**[61][62] * **因子构建思路**：使用近期换手率的自然对数来度量股票的流动性或交易活跃度[61][62]。 * **因子具体构建过程**：计算个股最近63个交易日的平均换手率，然后取其自然对数[62]。 4. **因子名称：过去1个月的平均换手率 (turnover mean 1m)**[61][62] * **因子构建思路**：使用近期平均换手率直接度量股票的流动性或交易活跃度[61][62]。 * **因子具体构建过程**：计算个股过去1个月（约21个交易日）的日换手率平均值[62]。 5. **因子名称：评级上下调差/评级上下调和 (est num diff)**[63][64] * **因子构建思路**：通过分析师评级上调与下调的家数差异，衡量市场对个股的一致预期变化[63][64]。 * **因子具体构建过程**：因子定义为（评级上调家数 - 评级下调家数）/（评级上调家数 + 评级下调家数）[64]。 6. **因子名称：十二个月残差动量 (specific mom12)**[63][64] * **因子构建思路**：使用剔除市场风险后的残差收益来衡量个股的特异性动量[63][64]。 * **因子具体构建过程**：未给出具体公式，但通常为个股过去12个月收益率对市场指数收益率回归后的残差序列计算的动量[64]。 7. **因子名称：近一个月一致预期净利润变化（FY1）占比 (mom1 np fy1)**[63][64] * **因子构建思路**：衡量近期市场对个股未来一年净利润一致预期的调整幅度[63][64]。 * **因子具体构建过程**：因子定义为（当前一致预测净利润FY1 - 1个月前一致预测净利润FY1）/ abs(1个月前一致预测净利润FY1)[64]。 8. **因子名称：单季度净利润同比增长 (考虑快报、预告) (yoy np q adv)**[63][64] * **因子构建思路**：使用包含业绩快报和预告信息的最新单季度净利润同比增长数据[63][64]。 * **因子具体构建过程**：未给出具体公式，但为基于最新财务信息（含快报、预告）计算的单季度净利润同比增长率[64]。 因子的回测效果 1. **风格因子（最近一周）**：市值因子收益1.59%，盈利收益率因子收益0.76%，成长因子收益0.42%，贝塔因子收益-2.34%，动量因子收益-2.20%，波动率因子收益-0.79%，流动性因子收益-1.87%[56][57]。 2. **过去1个月的收益率标准差 (return std 1m)**：近一周多头超额收益1.27%，近一个月多头超额收益1.14%[61][62]。 3. **近63交易日平均换手率的自然对数 (swap 3m)**：近一周多头超额收益1.26%，近一个月多头超额收益0.83%[61][62]。 4. **过去1个月的平均换手率 (turnover mean 1m)**：近一周多头超额收益1.26%，近一个月多头超额收益1.12%[61][62]。 5. **评级上下调差/评级上下调和 (est num diff)**：最近一年在沪深300指数中的多头超额收益33.24%[63][64]。 6. **十二个月残差动量 (specific mom12)**：最近一年在沪深300指数中的多头超额收益32.93%[63][64]。 7. **近一个月一致预期净利润变化（FY1）占比 (mom1 np fy1)**：最近一年在中证500指数中的多头超额收益16.98%[63][64]。 8. **单季度净利润同比增长 (考虑快报、预告) (yoy np q adv)**：最近一年在中证1000指数中的多头超额收益22.83%[63][64]。

量化模型与构建方式 1. **模型名称：基金仓位测算模型**[2][13] * **模型构建思路**：通过数理统计方法估算公募主动权益基金在特定行业（如有色金属）上的配置比例，以监测机构持仓的集中度变化[2][13]。 * **模型具体构建过程**：报告未详细描述该模型的构建过程和具体公式，仅提及模型用于测算基金仓位[2][13]。 2. **模型名称：价格分段体系**[16][19] * **模型构建思路**：对指数价格序列进行分析，识别不同时间尺度（如日线、周线）上的价格走势结构，以判断市场所处的状态（如震荡）[16][19]。 * **模型具体构建过程**：报告未详细描述该模型的构建过程和具体公式。图表显示其分析结果包含“日线”、“周线”和“dea”指标，可能涉及移动平均或趋势分解技术[19]。 3. **模型名称：微观市场结构择时模型（知情交易者活跃度指标）**[17][20] * **模型构建思路**：构建一个反映知情交易者（即掌握非公开信息的交易者）活跃程度的指标，用于判断市场情绪和预测短期走势[17][20]。 * **模型具体构建过程**：报告未详细描述该指标的具体构建过程和计算公式。其数值可正可负，零轴上下代表不同的市场含义[17][20]。 模型的回测效果 （报告中未提供上述量化模型的具体回测效果指标取值。） 量化因子与构建方式 1. **因子名称：BARRA风格因子体系**[22][23] * **因子构建思路**：采用经典的BARRA多因子模型框架，从多个维度（基本面、市场、风险等）刻画股票收益的来源，以监测市场风格偏好[22][23]。 * **因子具体构建过程**：报告未详细描述每个因子的具体构建公式。但列出了本周监测的因子列表及其收益，包括： * **基本面与价值类**：换手、财务杠杆、盈利波动、盈利质量、盈利能力、投资质量、长期反转、EP价值、BP价值、成长、股息率[23]。 * **市场与交易类**：动量、非线性市值、市值、波动率、贝塔[23]。 因子的回测效果 1. **BARRA风格因子**，**本周收益（%）**：换手 -0.4%， 财务杠杆 -0.3%， 盈利波动 0.4%， 盈利质量 0.0%， 盈利能力 0.1%， 投资质量 -0.2%， 长期反转 0.0%， EP价值 -0.4%， BP价值 -0.3%， 成长 0.1%， 动量 -0.6%， 非线性市值 0.1%， 市值 0.5%， 波动率 0.7%， 贝塔 0.1%， 股息率 0.5%[23]。

量化模型与构建方式 1. **模型名称：三维择时框架** * **模型构建思路：** 通过构建分歧度、流动性、景气度三个维度的指标，综合判断市场状态，进行择时判断[8]。 * **模型具体构建过程：** 模型基于三个核心指标：市场分歧度指数、市场流动性指数、A股景气度指数2.0[13][26][24]。通过观察这三个指标的趋势（上行或下行）及其组合状态，形成对市场走势（如震荡下跌）的判断[8]。例如，当流动性保持下行趋势、分歧度保持上行趋势、景气度保持下行趋势时，框架判断市场为震荡下跌[8]。 2. **模型名称：热点趋势ETF策略** * **模型构建思路：** 结合价格形态（支撑阻力）和市场关注度（换手率变化），筛选出具有短期趋势和热度的ETF构建组合[32]。 * **模型具体构建过程：** 首先，根据K线形态，筛选出最高价与最低价同时呈现上涨形态的ETF[32]。其次，根据最高价与最低价近20日回归系数的相对陡峭程度，构建支撑阻力因子，并选择该因子得分处于多头组的ETF[32]。最后，在多头组中，选择近5日换手率与近20日换手率比值最高的10只ETF，即短期市场关注度明显提升的品种，构建风险平价组合[32]。 3. **模型名称：融资-主动大单资金流共振策略** * **模型构建思路：** 结合融资融券资金流和主动大单资金流两种数据，寻找两种资金流产生共振效应的行业进行配置，以提高策略稳定性[40]。 * **模型具体构建过程：** 1. **构建行业融资融券资金因子：** 对个股的（融资净买入-融券净卖出）进行行业加总，然后进行Barra市值因子中性化处理，再计算其最近50日均值，最后计算该均值的两周环比变化率[40]。 2. **构建行业主动大单资金因子：** 对行业的主动大单净流入数据进行最近一年成交量时序中性化处理，然后进行排序并计算最近10日均值[40]。 3. **策略逻辑：** 研究发现，融资融券因子的多头端在不同市场状态下有稳定的负向超额收益，而主动大单因子（剔除极端多头行业后）有稳定的正向超额收益[40]。因此，策略在主动大单因子的头部打分行业内，剔除融资融券因子得分也处于头部的行业，以提高策略稳定性[40]。最后，再剔除大金融板块[40]。 4. **模型名称：全天候配置策略（高波版与低波版）** * **模型构建思路：** 通过循环对冲设计对冲构型，绕过对宏观因素的直接预测，直接针对资产波动进行长期收益平衡，旨在获取稳健的绝对收益，不依赖杠杆、预测或宏观假设[44]。 * **模型具体构建过程：** 策略遵循资产选择、风险调整、结构对冲三项基本原则[44]。具体采用循环对冲设计对冲构型[44]。根据风险水平不同，分为两个版本： * **高波版：** 采用四层结构化-股债金风险平价模型[44][48]。 * **低波版：** 采用五层结构化-风险预算模型[49][53]。 模型的回测效果 1. **三维择时框架**，模型评价：用于判断市场整体状态，本周保持震荡下跌判断[8]。 2. **热点趋势ETF策略**，2025年以来收益58.34%，相比沪深300指数的超额收益为38.80%[32]。 3. **融资-主动大单资金流共振策略**，2018年以来费后年化超额收益14.3%，信息比率（IR）1.4[40]；策略上周实现-2.53%的绝对收益与1.88%的超额收益（相对行业等权）[40]；模型评价：相对北向-大单共振策略回撤更小[40]。 4. **全天候配置策略（高波版）**，截至2025年年化收益率11.8%，年平均最大回撤3.6%，夏普比率1.9[53]；2026年以来收益率1.9%[53]。 5. **全天候配置策略（低波版）**，截至2025年年化收益率6.7%，年平均最大回撤2.0%，夏普比率2.4[53]；2026年以来收益率1.1%[53]。 量化因子与构建方式 1. **因子名称：支撑阻力因子（属于热点趋势ETF策略）** * **因子构建思路：** 根据ETF价格最高价和最低价近期的回归趋势陡峭程度，判断其支撑或阻力强度[32]。 * **因子具体构建过程：** 分别对ETF的最高价和最低价进行近20日的线性回归，根据回归系数的相对陡峭程度构建因子[32]。 2. **因子名称：行业融资融券资金因子** * **因子构建思路：** 衡量经过市值调整后的行业层面融资资金净流入的近期变化趋势[40]。 * **因子具体构建过程：** 因子 = 两周环比变化率( 最近50日均值( Barra市值中性化后的(行业∑(个股融资净买入-融券净卖出) ) ) )[40]。 3. **因子名称：行业主动大单资金因子** * **因子构建思路：** 衡量经过成交量调整后的行业主动大单资金净流入的近期强度[40]。 * **因子具体构建过程：** 因子 = 最近10日均值( 排序( 最近一年成交量时序中性化后的行业主动大单净流入 ) )[40]。 4. **风格因子组**：报告跟踪了市值、贝塔、动量、波动率、非线性市值、价值、流动性、盈利收益率、成长、杠杆等风格因子[57]。 5. **Alpha因子组**：报告从多维度观察了不同Alpha因子的表现，包括过去1个月的收益率标准差(`return std 1m`)、近63交易日平均换手率的自然对数(`swap 3m`)、过去1个月的平均换手率(`turnover mean 1m`)等[61][62]。除规模因子仅进行行业中性化外，其他因子均进行了市值和行业中性化处理[60]。 因子的回测效果 1. **风格因子近期表现**： * **市值因子**，本周收益1.59%，最近一月收益2.88%，本年收益-2.92%[57]。 * **盈利收益率因子**，本周收益0.76%，最近一月收益1.18%，本年收益-0.41%[57]。 * **成长因子**，本周收益0.42%，最近一月收益1.18%，本年收益1.95%[57]。 * **贝塔因子**，本周收益-2.34%，最近一月收益3.90%，本年收益7.91%[57]。 * **动量因子**，本周收益-2.20%，最近一月收益0.37%，本年收益1.51%[57]。 * **波动率因子**，本周收益-0.79%，最近一月收益-3.21%，本年收益-3.62%[57]。 * **流动性因子**，本周收益-1.87%，最近一月收益0.36%，本年收益0.38%[57]。 2. **Alpha因子近期表现（近一周多头超额）**： * **过去1个月的收益率标准差(`return std 1m`)**，近一周多头超额1.27%，近一个月多头超额1.14%[62]。 * **近63交易日平均换手率的自然对数(`swap 3m`)**，近一周多头超额1.26%，近一个月多头超额0.83%[62]。 * **过去1个月的平均换手率(`turnover mean 1m`)**，近一周多头超额1.26%，近一个月多头超额1.12%[62]。 3. **Alpha因子分指数表现（最近一年多头超额）**： * **评级上下调差/评级上下调和(`est num diff`)**，在沪深300中多头超额33.24%，在中证500中多头超额6.99%，在中证800中多头超额22.93%，在中证1000中多头超额6.15%[64]。 * **十二个月残差动量(`specific mom12`)**，在沪深300中多头超额32.93%，在中证500中多头超额10.27%，在中证800中多头超额24.75%，在中证1000中多头超额10.99%[64]。 * **单季度净利润同比增长 (`yoy np q adv`)**，在沪深300中多头超额24.01%，在中证500中多头超额12.78%，在中证800中多头超额25.76%，在中证1000中多头超额22.83%[64]。 * **近一个月一致预期净利润变化（FY1）占比(`mom1 np fy1`)**，在沪深300中多头超额16.99%，**在中证500中多头超额16.98%**，在中证800中多头超额25.58%，在中证1000中多头超额9.70%[64]。

量化模型与构建方式 1. **模型名称：择时雷达六面图综合择时模型** * 模型构建思路：从流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取二十一个指标对市场进行综合刻画，并概括为“估值性价比”、“宏观基本面”、“资金&趋势”、“拥挤度&反转”四大类，最终生成一个介于[-1,1]之间的综合择时分数[1][6] * 模型具体构建过程：首先，对每个单指标进行构建和标准化处理，将其转化为[-1, 0, 1]或连续标准化后的择时分数。然后，将六个维度的单指标分数汇总，形成每个维度的综合得分。最后，将六个维度的得分（或四大类得分）进一步综合，生成最终的[-1,1]区间内的市场择时观点[1][6] 量化因子与构建方式 1. **因子名称：货币方向因子** * 因子构建思路：通过比较货币政策工具利率与短端市场利率相对于90天前的平均变化方向，来判断当前货币政策是宽松还是收紧[10] * 因子具体构建过程：选取央行货币政策工具利率与短端市场利率，计算其相较于90天前的平均变化方向。若因子值>0，则判断货币政策宽松，发出看多信号（分数为1）；若因子值<0，则判断货币政策收紧，发出看空信号（分数为-1）[10] 2. **因子名称：货币强度因子** * 因子构建思路：基于“利率走廊”概念，通过计算短端市场利率相对于政策利率的偏离幅度，来表征货币环境的松紧强度[13] * 因子具体构建过程：计算偏离度 = DR007 / 7天逆回购利率 - 1，并对该偏离度进行平滑与z-score标准化，形成货币强度因子。若因子值 < -1.5倍标准差，则预期未来120个交易日为宽松环境，指标分数为1；若因子值 > 1.5倍标准差，则预期未来120个交易日指标分数为-1；否则为中性，分数为0[13] 3. **因子名称：信用方向因子** * 因子构建思路：使用中长期贷款指标的同比变化方向，来表征商业银行对实体经济的信贷传导是趋于宽松还是收紧[16] * 因子具体构建过程：计算中长期贷款当月值在过去十二个月的增量，并计算其同比值作为信用方向因子。若该因子值相比于三个月之前上升，则看多，分数为1；反之则看空，分数为-1[16] 4. **因子名称：信用强度因子** * 因子构建思路：捕捉新增人民币贷款数据是否大幅超预期或不及预期，以衡量信用扩张的强度[20] * 因子具体构建过程：计算信用强度因子 = (新增人民币贷款当月值 – 预期中位数) / 预期标准差。若因子值 > 1.5倍标准差，则定义未来60个交易日为信用显著超预期环境，分数为1；若因子值 < -1.5倍标准差，则未来60个交易日分数为-1；否则为中性，分数为0[20] 5. **因子名称：增长方向因子** * 因子构建思路：基于PMI数据的同比变化方向，来判断经济增长的趋势是向上还是向下[23] * 因子具体构建过程：选取中采制造业PMI、中采非制造业PMI、财新制造业PMI，计算其过去十二个月均值的同比值作为增长方向因子。若该因子值相比于三个月之前上升，则看多，分数为1；反之则看空，分数为-1[23] 6. **因子名称：增长强度因子** * 因子构建思路：捕捉PMI数据是否大幅超预期或不及预期，以衡量经济增长的强度[26] * 因子具体构建过程：计算PMI预期差 = (PMI – 预期中位数) / 预期标准差，作为增长强度因子。若因子值 > 1.5倍标准差，则定义未来60个交易日为增长显著超预期环境，分数为1；若因子值 < -1.5倍标准差，则未来60个交易日分数为-1[26] 7. **因子名称：通胀方向因子** * 因子构建思路：结合CPI和PPI的同比数据，判断通胀水平的变化方向，通胀下行通常为权益资产利好[29] * 因子具体构建过程：计算通胀方向因子 = 0.5 × CPI同比平滑值 + 0.5 × PPI同比原始值。若该因子值相较于三个月之前降低，则说明是通胀下行环境，此时看多，分数为1；反之看空，分数为-1[29] 8. **因子名称：通胀强度因子** * 因子构建思路：捕捉CPI和PPI数据是否大幅超预期或不及预期，以衡量通胀的强度[32] * 因子具体构建过程：分别计算CPI与PPI的预期差 = (披露值 – 预期中位数) / 预期标准差，并取两者的均值作为通胀强度因子。若通胀强度因子 < -1.5倍标准差，则定义未来60个交易日为通胀显著不及预期环境，分数为1；若因子值 > 1.5倍标准差，则未来60个交易日分数为-1[32] 9. **因子名称：席勒ERP因子** * 因子构建思路：使用经过周期调整的盈利（席勒PE）来计算股权风险溢价，以衡量股票相对于债券的长期估值性价比[34] * 因子具体构建过程：计算过去6年通胀调整后的平均盈利得到席勒PE，然后计算席勒ERP = 1/席勒PE - 10年期国债到期收益率。最后，计算该ERP值在过去6年时间窗口内的z-score作为分数[34] 10. **因子名称：PB因子** * 因子构建思路：使用市净率（PB）的倒数并标准化，作为衡量市场估值水平的指标[36] * 因子具体构建过程：将PB取相反数（PB × (-1)），并计算其过去6年时间窗口内的z-score，再用1.5倍标准差进行截尾处理，最后标准化到±1之间得到分数[36] 11. **因子名称：AIAE因子** * 因子构建思路：通过计算全市场权益资产配置比例，来反映市场整体的风险偏好水平[39] * 因子具体构建过程：构建A股的AIAE指标 = 中证全指总流通市值 / (中证全指总流通市值 + 实体总债务)。将该指标取相反数（AIAE × (-1)），并计算其过去6年时间窗口内的z-score得到分数[39] 12. **因子名称：两融增量因子** * 因子构建思路：通过比较融资融券余额的短期和长期平均增量，来判断杠杆资金的情绪和流向[42] * 因子具体构建过程：计算融资余额与融券余额的差值，并分别计算其过去120日的均增量和过去240日的均增量。若120日均增量 > 240日均增量，则看多，分数为1；反之看空，分数为-1[42] 13. **因子名称：成交额趋势因子** * 因子构建思路：通过分析成交额均线系统的排列关系，来判断市场成交热度和资金活跃度的趋势[45] * 因子具体构建过程：计算对数成交额的均线距离 = ma120 / ma240 - 1。当该均线距离的 max(10日) = max(30日) = max(60日) 时，发出看多信号，分数为1；当 min(10日) = min(30日) = min(60日) 时，发出看空信号，分数为-1；否则为中性，分数为0[45] 14. **因子名称：中国主权CDS利差因子** * 因子构建思路：将中国主权CDS利差的变化作为海外投资者对中国经济基本面预期和外资流入意愿的代理变量[48] * 因子具体构建过程：对平滑后的CDS利差计算其20日差分。若20日差分 < 0，说明CDS利差下降，海外预期转好，此时看多，分数为1；反之看空，分数为-1[48] 15. **因子名称：海外风险厌恶指数因子** * 因子构建思路：使用花旗风险厌恶指数（Citi RAI Index）的变化来衡量海外市场的整体风险偏好，进而影响外资流向[51] * 因子具体构建过程：对平滑后的风险厌恶指数计算其20日差分。若20日差分 < 0，说明外资风险偏好上升，此时看多，分数为1；反之看空，分数为-1[51] 16. **因子名称：价格趋势因子** * 因子构建思路：结合均线距离的方向和强度，来综合判断市场中长期的价格运行趋势[53] * 因子具体构建过程：首先计算价格均线距离 = ma120 / ma240 - 1。方向判断：若均线距离 > 0，趋势方向分数 = 1，反之为 -1。强度判断：若均线距离的 max(20日) = max(60日)，趋势强度分数为1；若 min(20日) = min(60日)，趋势强度分数为-1。最终趋势综合分数 = (趋势方向分数 + 趋势强度分数) / 2[53] 17. **因子名称：新高新低数因子** * 因子构建思路：将指数成分股创一年新高与新低的个股数量差作为市场反转信号，新低过多预示可能见底，新高过多预示可能见顶[56] * 因子具体构建过程：计算中证800成分股中，过去一年新低数减去新高数的差值，并取20日移动平均。若该平滑后的差值 > 0，说明近期新低较多，市场有见底预期，此时看多，分数为1；反之看空，分数为-1[56] 18. **因子名称：期权隐含升贴水因子** * 因子构建思路：将期权市场隐含的标的未来升贴水作为反转指标，用于衡量市场情绪的拥挤度[60] * 因子具体构建过程：若50ETF近5日收益率 < 0，且该指标的历史分位数 < 30%，则发出看多信号，持续20日，分数为1；若50ETF近5日收益率 > 0，且指标分位数 > 70%，则发出看空信号，持续20日，分数为-1[60] 19. **因子名称：期权VIX因子** * 因子构建思路：将期权隐含波动率（VIX）作为市场恐慌情绪和未来波动预期的指标，高VIX往往预示市场反转[61] * 因子具体构建过程：若50ETF近5日收益率 < 0，且VIX指标的历史分位数 > 70%，则发出看多信号，持续20日，分数为1；若50ETF近5日收益率 > 0，且VIX指标分位数 > 70%，则发出看空信号，持续20日，分数为-1[61] 20. **因子名称：期权SKEW因子** * 因子构建思路：将期权隐含偏度（SKEW）作为市场情绪和未来分布偏度的指标，用于判断市场反转[65] * 因子具体构建过程：若50ETF近5日收益率 < 0，且SKEW指标的历史分位数 > 70%，则发出看多信号，持续20日，分数为1；若50ETF近5日收益率 > 0，且SKEW指标分位数 < 30%，则发出看空信号，持续20日，分数为-1[65] 21. **因子名称：可转债定价偏离度因子** * 因子构建思路：通过计算可转债实际价格与模型理论定价的偏离度，来反映通过可转债暴露权益弹性的资金的拥挤情绪[68] * 因子具体构建过程：计算可转债定价偏离度 = 转债价格 / 模型定价 - 1。将该偏离度取相反数，并计算其过去3年时间窗口内的z-score作为分数。定价偏离度越高，拥挤度越高，分数越低[68] 模型的回测效果 * 本报告未提供择时雷达六面图综合择时模型的历史回测绩效指标（如年化收益率、夏普比率、最大回撤、信息比率IR等）的具体数值。 因子的回测效果 * 本报告提供了全部21个单因子在报告当周（最新）的择时信号分数，具体取值如下[9]： 1. 货币方向因子，当前分数：1.00 2. 货币强度因子，当前分数：0.00 3. 信用方向因子，当前分数：1.00 4. 信用强度因子，当前分数：0.00 5. 增长方向因子，当前分数：-1.00 6. 增长强度因子，当前分数：-1.00 7. 通胀方向因子，当前分数：-1.00 8. 通胀强度因子，当前分数：-1.00 9. 席勒ERP因子，当前分数：0.05 10. PB因子，当前分数：-0.57 11. AIAE因子，当前分数：-0.80 12. 两融增量因子，当前分数：-1.00 13. 成交额趋势因子，当前分数：0.00 14. 中国主权CDS利差因子，当前分数：-1.00 15. 海外风险厌恶指数因子，当前分数：-1.00 16. 价格趋势因子，当前分数：1.00 17. 新高新低数因子，当前分数：-1.00 18. 期权隐含升贴水因子，当前分数：1.00 19. 期权VIX因子，当前分数：1.00 20. 期权SKEW因子，当前分数：1.00 21. 可转债定价偏离度因子，当前分数：-1.00

量化模型与构建方式 1. **模型名称：进取组合**；模型构建思路：基于多因子模型构建的积极型股票组合[7][8] 2. **模型名称：平衡组合**；模型构建思路：基于多因子模型构建的稳健型股票组合[7][8] 3. **模型名称：沪深300增强组合**；模型构建思路：以跑赢沪深300指数为目标的量化增强策略[5][7] 4. **模型名称：中证500增强组合**；模型构建思路：以跑赢中证500指数为目标的量化增强策略[5][7] 5. **模型名称：中证1000增强组合**；模型构建思路：以跑赢中证1000指数为目标的量化增强策略[5][7] 6. **模型名称：绩优基金的独门重仓股组合**；模型构建思路：选取绩优基金所持有的非主流重仓股构建组合[5][7] 7. **模型名称：盈利、增长、现金流三者兼优组合**；模型构建思路：筛选在盈利、增长和现金流三个基本面维度均表现优异的股票[5][7] 8. **模型名称：PB-盈利优选组合**；模型构建思路：结合低市净率（PB）和高盈利能力的选股策略[5][7] 9. **模型名称：GARP组合**；模型构建思路：采用“合理价格成长”策略，寻找具有成长性且估值合理的股票[5][7] 10. **模型名称：小盘价值优选组合1**；模型构建思路：在小盘股中筛选具备价值属性的股票[7][37] 11. **模型名称：小盘价值优选组合2**；模型构建思路：另一种在小盘股中筛选价值股的方法[7][39] 12. **模型名称：小盘成长组合**；模型构建思路：在小盘股中筛选具备高成长属性的股票[5][7] 模型的回测效果 1. **进取组合**，周收益率-7.64%[9]，月收益率-10.00%[9]，年收益率9.48%[9]，周超额收益-1.82%[9]，月超额收益0.38%[9]，年超额收益5.53%[9]，跟踪误差22.00%[9]，最大相对回撤6.14%[9] 2. **平衡组合**，周收益率-6.73%[9]，月收益率-8.48%[9]，年收益率8.65%[9]，周超额收益-0.91%[9]，月超额收益1.89%[9]，年超额收益4.70%[9]，跟踪误差18.75%[9]，最大相对回撤4.99%[9] 3. **沪深300增强组合**，周收益率-4.58%[9]，月收益率-5.98%[9]，年收益率3.21%[9]，周超额收益-2.40%[9]，月超额收益-2.93%[9]，年超额收益4.57%[9]，跟踪误差7.44%[9]，最大相对回撤3.67%[9] 4. **中证500增强组合**，周收益率-5.25%[9]，月收益率-9.32%[9]，年收益率3.54%[9]，周超额收益0.58%[9]，月超额收益1.06%[9]，年超额收益-0.40%[9]，跟踪误差7.57%[9]，最大相对回撤3.17%[9] 5. **中证1000增强组合**，周收益率-4.37%[9]，月收益率-8.71%[9]，年收益率5.03%[9]，周超额收益0.87%[9]，月超额收益0.37%[9]，年超额收益2.56%[9]，跟踪误差8.21%[9]，最大相对回撤2.32%[9] 6. **绩优基金的独门重仓股组合**，周收益率-5.13%[9]，月收益率-13.20%[9]，年收益率1.91%[9]，周超额收益-2.77%[9]，月超额收益-8.43%[9]，年超额收益0.22%[9]，跟踪误差25.14%[9]，最大相对回撤8.93%[9] 7. **盈利、增长、现金流三者兼优组合**，周收益率-5.41%[9]，月收益率-11.81%[9]，年收益率-14.83%[9]，周超额收益-3.22%[9]，月超额收益-8.76%[9]，年超额收益-13.47%[9]，跟踪误差15.01%[9]，最大相对回撤15.84%[9] 8. **PB-盈利优选组合**，周收益率-4.29%[9]，月收益率-4.39%[9]，年收益率3.12%[9]，周超额收益-2.11%[9]，月超额收益-1.34%[9]，年超额收益4.48%[9]，跟踪误差12.84%[9]，最大相对回撤2.38%[9] 9. **GARP组合**，周收益率-5.80%[9]，月收益率-7.04%[9]，年收益率6.02%[9]，周超额收益-3.62%[9]，月超额收益-3.99%[9]，年超额收益7.38%[9]，跟踪误差11.69%[9]，最大相对回撤3.99%[9] 10. **小盘价值优选组合1**，周收益率-5.85%[9]，月收益率-7.96%[9]，年收益率3.42%[9]，周超额收益1.06%[9]，月超额收益0.99%[9]，年超额收益-4.03%[9]，跟踪误差12.01%[9]，最大相对回撤9.26%[9] 11. **小盘价值优选组合2**，周收益率-6.44%[9]，月收益率-8.78%[9]，年收益率8.20%[9]，周超额收益0.47%[9]，月超额收益0.17%[9]，年超额收益0.75%[9]，跟踪误差12.28%[9]，最大相对回撤5.84%[9] 12. **小盘成长组合**，周收益率-5.81%[9]，月收益率-8.95%[9]，年收益率3.86%[9]，周超额收益1.10%[9]，月超额收益0.00%[9]，年超额收益-3.60%[9]，跟踪误差11.11%[9]，最大相对回撤7.41%[9] 量化因子与构建方式 1. **因子名称：市值因子**；因子具体构建过程：按照股票的总市值进行排序，构建多空组合[44][45] 2. **因子名称：PB因子**；因子具体构建过程：按照股票的市净率（PB）进行排序，构建多空组合[44][45] 3. **因子名称：PE_TTM因子**；因子具体构建过程：按照股票的滚动市盈率（PE_TTM）进行排序，构建多空组合[44][45] 4. **因子名称：反转因子**；因子具体构建过程：按照股票过去一段时间的涨幅进行排序，低涨幅股票为多头，高涨幅股票为空头，构建多空组合[44][50] 5. **因子名称：换手率因子**；因子具体构建过程：按照股票的换手率进行排序，低换手率股票为多头，高换手率股票为空头，构建多空组合[44][50] 6. **因子名称：波动率因子**；因子具体构建过程：按照股票价格的波动率进行排序，低波动率股票为多头，高波动率股票为空头，构建多空组合[44][50] 7. **因子名称：ROE因子**；因子具体构建过程：按照股票的净资产收益率（ROE）进行排序，构建多空组合[44][53] 8. **因子名称：SUE因子**；因子具体构建过程：按照标准化未预期盈余（SUE）进行排序，构建多空组合[44][53] 9. **因子名称：预期净利润调整因子**；因子具体构建过程：按照分析师对净利润预期的调整幅度进行排序，构建多空组合[44][53] 因子的回测效果 **（注：以下为上周（2026.03.13-2026.03.20）全市场范围内的因子表现）** 1. **市值因子**，多头收益-1.45%[45]，空头收益0.76%[45]，多空收益-2.22%[45] 2. **PB因子**，多头收益0.92%[45]，空头收益0.98%[45]，多空收益-0.06%[45] 3. **PE_TTM因子**，多头收益0.54%[45]，空头收益-0.01%[45]，多空收益0.55%[45] 4. **反转因子**，多头收益0.66%[50]，空头收益-1.33%[50]，多空收益1.99%[50] 5. **换手率因子**，多头收益1.77%[50]，空头收益-0.46%[50]，多空收益2.23%[50] 6. **波动率因子**，多头收益2.18%[50]，空头收益-0.82%[50]，多空收益3.00%[50] 7. **ROE因子**，多头收益0.77%[53]，空头收益0.35%[53]，多空收益0.42%[53] 8. **SUE因子**，多头收益0.38%[53]，空头收益-0.09%[53]，多空收益0.48%[53] 9. **预期净利润调整因子**，多头收益0.32%[53]，空头收益-0.40%[53]，多空收益0.72%[53]

量化择时和拥挤度预警周报（20260320）内容总结 量化模型与构建方式 1. **模型名称：情绪择时模型**[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[13] * **模型具体构建过程**：模型包含多个细分情绪因子，包括净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益[17]。每个因子给出一个信号（0或1），综合这些信号得出一个总得分（满分5分）[13][17]。具体计算过程参考了专题报告《从涨停板、打板策略到赚钱效应引发的情绪择时指标》[13]。 2. **模型名称：趋势模型**[13] * **模型构建思路**：未明确说明，但从上下文看，是基于技术分析判断市场趋势的模型。 * **模型具体构建过程**：未详细说明。 3. **模型名称：加权模型**[13] * **模型构建思路**：未明确说明，可能是对多个模型信号进行加权综合的模型。 * **模型具体构建过程**：未详细说明。 4. **模型名称：高频资金流择时模型**[13] * **模型构建思路**：通过分析高频资金流的走势，对主要宽基指数发出买入或卖出信号[13]。 * **模型具体构建过程**：模型针对不同风险偏好的投资者，输出“激进多头”、“激进多空”、“稳健多头”、“稳健多空”四种信号[17]。具体计算过程参考了专题报告《高频资金流如何辅助宽基择时决策》[13]。 5. **模型/指标名称：均线强弱指数**[13] * **构建思路**：通过计算Wind二级行业指数的均线情况，来评估市场的整体强弱[13]。 * **具体构建过程**：未详细说明，但最终输出一个市场得分，并计算其在特定历史时期（如2023年以来）的百分位点[13]。 6. **模型/指标名称：SAR指标**[13] * **构建思路**：使用抛物线转向指标（SAR）来判断市场趋势的翻转点[13]。 * **具体构建过程**：未详细说明，但用于判断指数是否向下突破翻转指标[13]。 7. **模型/指标名称：因子拥挤度模型**[18] * **模型构建思路**：使用多个指标度量因子的拥挤程度，作为因子可能失效的预警[18]。 * **模型具体构建过程**：使用四个指标来度量因子拥挤度：估值价差、配对相关性、长期收益反转、因子波动率[18]。将这四个指标得分综合成一个复合拥挤度打分[18][19]。具体计算方法参考了专题报告《选股因子系列（四十二）——因子失效预警：因子拥挤》[18]。 8. **模型/指标名称：行业拥挤度模型**[22] * **模型构建思路**：评估各行业的拥挤程度，以识别过热或关注度过高的行业[22]。 * **模型具体构建过程**：未详细说明，但最终输出各行业的拥挤度数值及相对变化[22][23][24]。具体计算方法参考了专题报告《行业轮动系列研究 15——行业板块拥挤度》[22]。 量化因子与构建方式 1. **因子名称：流动性冲击指标**[4] * **因子构建思路**：基于沪深300指数构建，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[4]。 * **因子具体构建过程**：未详细说明，但指标数值表示当前流动性高于过去一年平均水平的标准差倍数[4]。 2. **因子名称：PUT-CALL比率**[4] * **因子构建思路**：使用上证50ETF期权成交量的认沽/认购比率，来观察投资者对短期走势的乐观或悲观情绪[4]。 * **因子具体构建过程**：未详细说明。 3. **因子名称：五日平均换手率**[4] * **因子构建思路**：计算上证综指和Wind全A指数的五日平均换手率，并观察其在历史（2005年以来）的分位点，以衡量交易活跃度[4]。 * **因子具体构建过程**：未详细说明。 4. **因子名称：情绪模型细分因子**[17] * **因子列表**：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[17]。 * **因子构建思路**：通过涨跌停板相关的数据构建，用于综合评估市场情绪[13][17]。 * **因子具体构建过程**：未详细说明。 5. **因子名称：常见选股因子**[18] * **因子列表**：小市值因子、低估值因子、高盈利因子、高盈利增长因子[18][19]。 * **因子构建思路**：这些是常见的量化选股因子，用于构建股票组合。 * **因子具体构建过程**：未在本报告中详细说明。 模型的回测效果/信号 1. **情绪模型**：当前得分为0分（满分5分）[13] 2. **趋势模型**：当前信号为负向[13] 3. **加权模型**：当前信号为负向[13] 4. **高频资金流模型**（截至报告时点）[17]： * 沪深300指数：激进多头0，激进多空-1，稳健多头0，稳健多空-1 * 中证500指数：激进多头0，激进多空-1，稳健多头0，稳健多空-1 * 中证1000指数：激进多头0，激进多空-1，稳健多头0，稳健多空-1 * 中证2000指数：激进多头0，激进多空-1，稳健多头0，稳健多空-1 5. **均线强弱指数**：当前市场得分为63，处于2023年以来的15.91%分位点[13] 6. **SAR指标**：Wind全A指数于3月3日向下突破翻转指标[13] 因子的回测效果/数值 1. **流动性冲击指标**（基于沪深300，周五值）：0.49[4] 2. **PUT-CALL比率**（上证50ETF期权，周五值）：0.67[4] 3. **五日平均换手率**（截至报告时点）[4]： * 上证综指：1.39%（处于2005年以来78.35%分位点） * Wind全A：1.94%（处于2005年以来81.64%分位点） 4. **因子拥挤度**（截至2026.03.20）[19]： * 小市值因子综合拥挤度：0.09 * 低估值因子综合拥挤度：-0.31 * 高盈利因子综合拥挤度：0.24 * 高盈利增长因子综合拥挤度：0.25 5. **行业拥挤度**（截至2026.03.20）[22][23][24]： * 拥挤度相对较高的行业：综合（2.10）、通信（1.76）、有色金属（1.45）、钢铁（1.19）、电子（1.18） * 拥挤度上升幅度较大的行业：石油石化（变化+1.53）、煤炭（变化+0.71）、公用事业（变化+0.63）、农林牧渔（变化+0.54）