根据提供的金融工程市场跟踪周报，以下是其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：量能择时模型 - **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和情绪，为宽基指数提供择时信号[24] - **模型具体构建过程**：基于各宽基指数的交易量能数据，当量能指标显示收缩或转弱时，发出谨慎或看空信号；具体判断标准未详细说明[24] - **模型评价**：该模型用于判断市场整体情绪和趋势状态[24] 2. 模型名称：沪深300上涨家数占比情绪指标 - **模型构建思路**：通过计算沪深300指数成分股中上涨股票的家数占比来反映市场情绪，认为强势股的持续上行能为整个板块带来机会[25] - **模型具体构建过程**：计算沪深300指数N日上涨家数占比 = 沪深300指数成分股过去N日收益大于0的个股数占比[25] - **模型评价**：该指标可以较快捕捉上涨机会，但在市场过热阶段会错失持续上涨收益，对下跌市场的判断存在缺陷[26] 3. 模型名称：沪深300上涨家数占比择时模型 - **模型构建思路**：通过对上涨家数占比指标进行不同窗口期的平滑处理来捕捉情绪变动趋势[27] - **模型具体构建过程**： 1. 计算沪深300指数N日上涨家数占比并进行窗口期为N1和N2的移动平均，分别称为慢线和快线，其中N1>N2[29] 2. 当快线>慢线时，看多沪深300指数[29] 3. 具体参数：N=230，N1=50，N2=35[27] - **模型评价**：通过双均线系统来识别情绪拐点，提供更稳定的交易信号[27] 4. 模型名称：均线情绪指标模型 - **模型构建思路**：基于八均线体系对标的指数的趋势状态进行判断，通过价格与多条均线的相对位置来反映市场情绪[33] - **模型具体构建过程**： 1. 计算沪深300收盘价八均线数值，均线参数为8，13，21，34，55，89，144，233[33] 2. 计算当日沪深300指数收盘价大于八均线指标值的数量[37] 3. 当前价格大于八均线指标值的数量超过5时，看多沪深300指数[37] - **模型评价**：该模型能够清晰反映指数价格与均线系统的相对关系，提供趋势判断依据[33] 5. 模型名称：抱团基金分离度模型 - **模型构建思路**：通过计算抱团基金截面收益的标准差来监控基金抱团程度，标准差小说明抱团程度高，反之表示抱团正在瓦解[80] - **模型具体构建过程**：分离度指标 = 抱团基金截面收益的标准差[80] - **模型评价**：该指标能够有效反映基金抱团行为的变化趋势，为市场风格判断提供参考[80] 量化因子与构建方式 1. 因子名称：横截面波动率因子 - **因子构建思路**：衡量同一时间点不同股票收益率的离散程度，反映市场分化情况和Alpha环境[38] - **因子具体构建过程**：计算特定指数（如沪深300、中证500、中证1000）成分股在同一时间截面上收益率的波动率[38] - **因子评价**：横截面波动率越高，说明个股分化越明显，Alpha机会越多[38] 2. 因子名称：时间序列波动率因子 - **因子构建思路**：衡量单只股票或指数在不同时间点的收益率波动程度，反映市场稳定性和风险水平[39] - **因子具体构建过程**：计算指数成分股加权时间序列波动率，反映整体市场的波动性变化[39] - **因子评价**：时间序列波动率较低时，市场相对稳定，Alpha环境较好[39] 模型的回测效果 1. 量能择时模型 - 截至2025年11月7日，各宽基指数量能择时信号均为空[24] 2. 沪深300上涨家数占比情绪指标 - 截至2025年11月7日，该指标最近一周上升，上涨家数占比指标高达70%，市场情绪较高[26] 3. 沪深300上涨家数占比择时模型 - 截至2025年11月7日，快线、慢线均小幅下行，目前快线处于慢线下方，维持谨慎观点[27] 4. 均线情绪指标模型 - 截至2025年11月7日，近期沪深300指数处于情绪景气区间[33] 5. 抱团基金分离度模型 - 截至2025年11月7日，基金抱团分离度环比前一周小幅下降[80] 因子的回测效果 1. 横截面波动率因子 - 沪深300横截面波动率：近两年平均值1.91%，近一年平均值1.91%，近半年平均值1.94%，近一季度平均值2.26%[39] - 中证500横截面波动率：近两年平均值2.09%，近一年平均值2.14%，近半年平均值2.10%，近一季度平均值2.43%[39] - 中证1000横截面波动率：近两年平均值2.28%，近一年平均值2.42%，近半年平均值2.34%，近一季度平均值2.59%[39] 2. 时间序列波动率因子 - 沪深300时序波动率：近两年平均值0.65%，近一年平均值0.63%，近半年平均值0.61%，近一季度平均值0.72%[42] - 中证500时序波动率：近两年平均值0.47%，近一年平均值0.46%，近半年平均值0.44%，近一季度平均值0.53%[42] - 中证1000时序波动率：近两年平均值0.26%，近一年平均值0.26%，近半年平均值0.24%，近一季度平均值0.27%[42]

根据提供的量化周报内容，以下是关于报告中涉及的量化模型和因子的总结。 量化模型与构建方式 1. **模型名称：A股景气指数模型**[32][33][35] * **模型构建思路**：该模型旨在对A股市场的景气度进行高频Nowcasting（即时预测），其核心目标是Nowcasting上证指数的归母净利润同比增速[32] * **模型具体构建过程**：模型的具体构建细节在报告《视角透析：A股景气度高频指数构建与观察》中。报告指出，该指数用于追踪景气下行周期的底部区域和上行趋势[32][33][35] 2. **模型名称：A股情绪指数模型**[37][38][43] * **模型构建思路**：该模型通过分析市场的波动率和成交额变化来刻画投资者情绪，并据此生成见底和见顶预警信号[37][38] * **模型具体构建过程**：模型将市场状态根据波动率和成交额的变化方向划分为四个象限。研究表明，只有在“波动率上行-成交额下行”的区间内市场表现为显著负收益，其余区间均为显著正收益。基于此规律，模型构建了包含见底预警与见顶预警的A股情绪指数系统。具体构建方法可参考报告《视角透析：A股情绪指数构建与观察》[37][38][43] 3. **模型名称：中证500指数增强模型**[48][51][53] * **模型构建思路**：通过量化策略模型构建投资组合，旨在持续跑赢中证500指数基准[48][51] * **模型具体构建过程**：报告未详细说明该增强模型的具体因子构成和权重配置方法，但展示了根据该模型产生的具体持仓列表[53] 4. **模型名称：沪深300指数增强模型**[56][57][60] * **模型构建思路**：通过量化策略模型构建投资组合，旨在持续跑赢沪深300指数基准[56][57] * **模型具体构建过程**：报告未详细说明该增强模型的具体因子构成和权重配置方法，但展示了根据该模型产生的具体持仓列表[60] 5. **模型名称：主题挖掘算法模型**[48] * **模型构建思路**：该模型通过分析新闻和研报文本，自动挖掘当前市场的热点主题投资机会[48] * **模型具体构建过程**：模型包含多个处理维度，包括文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建以及主题影响力因子构建等[48] 模型的回测效果 1. **中证500增强模型**，本周收益0.40%，本周超额收益0.45%，2020年至今超额收益52.65%，最大回撤-5.73%[48][51] 2. **沪深300增强模型**，本周收益0.84%，本周超额收益0.02%，2020年至今超额收益39.36%，最大回撤-5.86%[56][57] 3. **A股情绪指数系统择时模型**，报告通过图表展示了其历史择时表现，但未给出具体的量化指标数值[47] 量化因子与构建方式 1. **因子名称：风格因子体系**[61] * **因子构建思路**：参照BARRA因子模型框架，构建一套涵盖十大类风格的风险因子体系，用于解释股票收益和市场风格分析[61] * **因子具体构建过程**：报告指出构建的风格因子包括：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）。但未提供每个因子的具体计算公式[61] 因子的回测效果 1. **残差波动率因子**，近期纯因子收益表现优异[2][62] 2. **价值因子**，近期纯因子收益表现优异[2][62] 3. **动量因子**，近期纯因子收益呈较为显著的负向超额收益[2][62] 4. **市值因子**，近期表现不佳[2][62] 5. **非线性市值因子**，近期表现不佳[2][62] 对模型或因子的评价 * **A股景气指数**：评价认为当前景气指数正缓慢呈现出震荡上行趋势，本轮景气下行的底部区域已经出现[32][35] * **风格因子**：评价认为当前市场风格中，残差波动率因子占优，高价值股表现优异[2][62]

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：短期择时模型**[5][12][14][15] * **模型构建思路**：该模型通过综合评估基本面、估值面、情绪面和流动性四个维度的多个指标信号，生成对市场短期走势的综合判断，以决定仓位水平[5][12][14][15] * **模型具体构建过程**： * **一级指标与信号**：模型包含四个一级指标：基本面、估值面、情绪面、流动性。每个一级指标下包含若干二级指标[14][15][19] * **二级指标信号生成**：每个二级指标根据其当前值在历史（通常为过去5年）中的分位数位置，被赋予“乐观”（看多）、“谨慎”（看空）或“中性”的信号[14][15][19]。例如： * 基本面指标：观察制造业PMI（>50为乐观）、信贷脉冲环比变化分位数（高分为乐观）、M1同比增速（HP滤波去趋势）分位数（高分为乐观）[14][19] * 估值面指标：观察A股整体PE分位数和PB分位数（高分为谨慎）[14][19] * 情绪面指标：观察A股整体Beta离散度分位数（高分为谨慎）、量能情绪分位数（低分为谨慎）、波动率分位数（中性区间）[15][19] * 流动性指标：观察货币利率指标分位数（中性区间）、汇率预期指标分位数（低分为乐观，代表汇率偏强）、沪深净融资额5日均值分位数（高分为中性）[15][19] * **综合信号合成**：将四个一级指标的信号（乐观、谨慎、中性）通过一定的规则合成为一个总体的仓位信号（例如，满仓、半仓、空仓）[5][19][25] 2. **模型名称：成长价值风格轮动模型**[5][26][27][28] * **模型构建思路**：该模型基于基本面、估值面和情绪面三个维度的指标，判断成长风格与价值风格之间哪一类在未来更具相对优势，从而进行超配或低配[5][26][28] * **模型具体构建过程**： * **基本面维度**：基于量化经济中周期分析框架，观察三个指标： * 盈利周期斜率：斜率大时利好成长风格[26][28] * 利率综合周期水平：水平低时利好成长风格[26][28] * 信贷综合周期变化：上行时利好成长风格[26][28] * **估值面维度**：观察成长风格与价值风格之间的估值差（PE差和PB差）在历史（5年）中的分位数。当估值差分位数较低时，意味着估值差有均值回归上行的动力，利好成长风格[26][28] * **情绪面维度**：观察成长风格与价值风格之间的换手差和波动差在历史（5年）中的分位数。换手差偏高利好成长风格；波动差反弹至偏高位置则建议均衡配置[26][28] * **信号合成**：综合上述各维度的信号，最终给出超配成长或超配价值的建议[26][28] 3. **模型名称：小盘大盘风格轮动模型**[5][30][31][32] * **模型构建思路**：该模型从流动性、交易行为、市场情绪、价格趋势等多个角度选取11个有效指标，构建综合信号来判断小盘风格与大盘风格的轮动机会[30][32] * **模型具体构建过程**： * **指标池**：模型包含11个指标，例如：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1000的MACD指标、中证1000交易量能等[30][32] * **单个指标信号**：每个指标独立产生看多小盘（100%）或看多大盘（0%）的信号[32] * **综合信号生成**：对11个指标的信号进行综合（例如，投票或平滑处理），形成最终的综合轮动信号。报告中提到采用了“3D平滑”的方式，即连续3个交易日形成看多信号则确认风格观点[30][32]。最终输出小盘仓位百分比和大盘仓位百分比[32] 模型的回测效果 1. **短期择时模型**[16][21][24] * 回测期：2012年底至今 * 年化收益率：16.36% * 基准年化收益率（月度中性持仓再平衡）：4.88% * 年化超额收益率：11.48% * 最大回撤：15.49% * 夏普比率：0.9627 * 收益回撤比：1.0561 * 月度胜率：66.03% * 2024年以来年化收益率：30.51% * 2024年以来最大回撤：11.04% 2. **成长价值风格轮动模型**[27][29] * 回测期：2012年底至今 * 年化收益率：13.00% * 基准年化收益率（月度风格均衡配置）：8.13% * 年化超额收益率：4.87% * 最大回撤：43.07% * 夏普比率：0.5961 * 收益回撤比：0.3018 * 月度胜率：58.71% * 2025年以来收益率：27.61% * 2025年以来基准收益率：27.48% * 2025年以来超额收益率：0.13% 3. **小盘大盘风格轮动模型**[31][32] * 回测期：2014年以来 * 综合策略年化收益率：20.08% * 综合策略年化超额收益率：12.77% * 综合策略最大回撤：40.70% * 2025年以来超额收益率：11.59% 量化因子与构建方式 1. **因子名称：Beta离散度**[12][15][30] * **因子构建思路**：该因子用于衡量市场风险，反映市场中个股收益率对市场收益率（Beta）的离散程度，离散度高表明市场存在局部风险[12][15] * **因子具体构建过程**：计算全市场个股Beta值的标准差或类似离散度指标。报告中提及观察其变化方向和历史分位数[12][15][30] 2. **因子名称：PB分化度**[12][15][30] * **因子构建思路**：该因子用于衡量市场交易分歧度，反映全市场股票市净率（PB）的离散程度，分化度下行表明市场估值水平趋于收敛，观点分歧小[12][15] * **因子具体构建过程**：计算全市场个股PB值的标准差或类似分化度指标。报告中提及观察其变化方向和历史分位数[12][15][30] 3. **因子名称：全A交易量能/量能情绪**[12][15] * **因子构建思路**：该因子用于衡量短期交易情绪，反映市场整体的交易活跃度[12][15] * **因子具体构建过程**：基于全市场交易额构建标准化指标（例如，相对于长期均值的偏离）。报告中提及观察其变化方向和历史分位数[12][15] 因子的回测效果 （报告中未提供上述单个因子的独立回测绩效指标）

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：商品融合策略**[23] * **模型构建思路**：该策略是一个复合模型，通过等权配置三个基于不同风险溢价（基本面、carry、动量）的子策略，旨在获取商品市场的综合收益[23] * **模型具体构建过程**：首先分别构建商品期限结构、商品时序动量和商品截面仓单三个模拟组合，然后将这三个子策略进行等权组合，形成最终的融合策略[23] 2. **因子名称：商品期限结构因子**[24][32] * **因子构建思路**：基于展期收益率因子来刻画商品的升贴水状态，属于carry风险溢价[24] * **因子具体构建过程**：动态做多展期收益率高的品种，做空展期收益率低的品种[24][32] 3. **因子名称：商品时序动量因子**[24][36] * **因子构建思路**：基于多个技术指标刻画境内商品的中长期趋势，属于动量风险溢价[24] * **因子具体构建过程**：动态做多趋势上涨的资产，做空趋势下跌的资产[24][36] 4. **因子名称：商品截面仓单因子**[24][42] * **因子构建思路**：基于仓单因子刻画境内商品基本面的变化情况，属于基本面风险溢价[24] * **因子具体构建过程**：动态做多仓单下降的资产，做空仓单增长的资产[24][42] 模型的回测效果 1. **商品融合策略**，近两周收益0.57%，今年以来收益3.17%[23][26] 2. **商品期限结构模拟组合**，近两周收益0.90%，今年以来收益6.44%[23][26][28] 3. **商品时序动量模拟组合**，近两周收益0.47%，今年以来收益-2.66%[26][33] 4. **商品截面仓单模拟组合**，近两周收益0.34%，今年以来收益5.90%[26][37] 量化因子与构建方式 *（因子构建方式已在“量化模型与构建方式”部分详细列出，此处不再重复）* 因子的回测效果 1. **商品期限结构因子**，近两周收益贡献靠前的品种是甲醇(0.34%)、棕榈油(0.22%)、聚丙烯(0.14%)[30] 2. **商品时序动量因子**，近两周收益贡献靠前的品种是甲醇(0.29%)、铝(0.21%)、棕榈油(0.16%)[33] 3. **商品截面仓单因子**，近两周收益贡献靠前的品种是沪铝(0.30%)、聚丙烯(0.29%)、聚乙烯(0.28%)[40]

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：A股多维择时模型**[2][9] * **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，各维度采用不同逻辑（反转或趋势）以捕捉市场机会和规避风险[9] * **模型具体构建过程**：选取四个维度的具体指标，包括股权风险溢价（估值）、期权沽购比/期权隐含波动率/期货会员持仓比（情绪）、融资买入额（资金）、布林带/个股涨跌成交额占比差（技术）[9][11][15]；各维度日频发出信号，每日信号取值为0（看平）、+1（看多）、-1（看空）[9]；以各维度得分之和的正负性作为最终多空观点依据[9] 2. **模型名称：红利风格择时模型**[3][17] * **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对红利风格进行择时[3][17] * **模型具体构建过程**：使用三个指标：中证红利相对中证全指的动量（正向指标）、10Y-1Y期限利差（负向指标）、银行间质押式回购成交量（正向指标）[3][21]；三个指标从趋势维度日频发出信号（0, +1, -1）[17]；以各维度得分之和的正负性作为红利风格多空观点依据[17]；当看好红利风格时全仓持有中证红利，否则全仓持有中证全指[17] 3. **模型名称：大小盘风格择时模型**[3][22] * **模型构建思路**：采用基于拥挤度分域的趋势模型进行择时，在不同拥挤度区间采用不同参数的均线模型判断趋势[3][22] * **模型具体构建过程**：首先计算大小盘风格拥挤度得分[22]；拥挤度得分基于动量之差和成交额之比构建[22][26]： * **动量得分**：计算万得微盘股指数与沪深300指数的多个窗长（10/20/30/40/50/60日）动量之差，再计算各窗长动量之差的多个年数（3.0/3.5/4.0/4.5/5.0年）分位数的均值，对小盘风格取分位数最高的3个窗长结果均值，对大盘风格取分位数最低的3个窗长结果均值[26] * **成交量得分**：计算万得微盘股指数与沪深300指数的多个窗长（10/20/30/40/50/60日）成交额之比，再计算各窗长成交额之比的多个年数（3.0/3.5/4.0/4.5/5.0年）分位数的均值，对小盘风格取分位数最高的3个窗长结果均值，对大盘风格取分位数最低的3个窗长结果均值[26] * **拥挤度得分**：将小盘（大盘）风格的动量得分和成交量得分取均值，得到小盘（大盘）风格的拥挤度得分；小盘风格得分大于90%视为触发高拥挤，大盘风格得分小于10%视为触发高拥挤[22][26]；若最近20个交易日中任一风格曾触发高拥挤，则模型运行在高拥挤区间，否则在低拥挤区间[24]；在高拥挤区间采用小参数双均线模型，在低拥挤区间采用大参数双均线模型判断趋势[22][24] 4. **模型名称：遗传规划行业轮动模型**[4][29][33] * **模型构建思路**：采用遗传规划技术（特别是双目标遗传规划）直接对行业指数的量价、估值等特征进行因子挖掘，不再依托逻辑设计打分规则，以提升因子多样性和降低过拟合风险[4][33][34] * **模型具体构建过程**：底层资产为32个中信行业指数[29]；使用双目标遗传规划，以|IC|（信息系数绝对值）和NDCG@5（前5名归一化折损累积增益）两个指标同时评价因子的分组单调性和多头组表现，并采用NSGA-II算法进行优化[33]；因子挖掘的底层输入变量包括行业指数的标准化价格、成交额、换手率分位数、市净率分位数等[37]；每季度末更新因子库[4]；每周末，结合贪心策略和方差膨胀系数将共线性较弱的多个因子合成为行业得分，并选出多因子综合得分最高的五个行业进行等权配置[4][34] 5. **模型名称：中国境内全天候增强组合**[5][39][42] * **模型构建思路**：采用宏观因子风险预算框架，在增长和通胀两个维度下根据是否超预期划分四象限并进行风险平价，再基于宏观预期动量主动偏配看好的象限，实现全天候增强[5][39][42] * **模型具体构建过程**：策略构建分为三步：1) 宏观象限划分与资产选择：选择增长超预期、增长不及预期、通胀超预期、通胀不及预期四个宏观风险源象限，结合定量与定性方式确定各象限适配的资产[42]；2) 象限组合构建与风险度量：象限内资产等权构建子组合，注重刻画象限的下行风险[42]；3) 风险预算模型确定象限权重：每月底，根据由宏观预期动量指标给出的"象限观点"调整象限风险预算，进行主动偏配[42]；模型月频调仓[5] 模型的回测效果 1. **A股多维择时模型**[2][9][14] * 今年以来收益：36.03%[2][14] * 年化收益：24.54%[14] * 最大回撤：-28.46%[14] * 夏普比率：1.14[14] * Calmar比率：0.86[14] * 上周收益：-0.65%[14] 2. **红利风格择时模型**[17][20] * 今年以来收益：25.04%[17][20] * 年化收益：16.20%[20] * 最大回撤：-25.52%[20] * 夏普比率：0.88[20] * Calmar比率：0.63[20] * 上周收益：2.23%[20] 3. **大小盘风格择时模型**[24][27] * 今年以来收益：78.29%[24][27] * 年化收益：27.79%[27] * 最大回撤：-116.07%[27] * 夏普比率：-0.32[27] * Calmar比率：0.87[27] * 上周收益：3.44%[27] 4. **遗传规划行业轮动模型**[4][29][32] * 今年以来收益：40.67%[4][32] * 年化收益：32.96%[32] * 年化波动：17.77%[32] * 夏普比率：1.85[32] * 最大回撤：-19.63%[32] * 卡玛比率：1.68[32] * 上周收益：-0.64%[32] 5. **中国境内全天候增强组合**[5][40][43] * 今年以来收益：11.10%[5][40][43] * 年化收益：11.64%[43] * 年化波动：6.19%[43] * 夏普比率：1.88[43] * 最大回撤：-6.30%[43] * 卡玛比率：1.85[43] * 上周收益：0.16%[40][43] * 月度胜率：100%[5][40] 量化因子与构建方式 1. **因子名称**：遗传规划挖掘的权重最高因子（最新一期）[37][38] * **因子构建思路**：通过双目标遗传规划算法从行业量价等数据中自动挖掘[33][37] * **因子具体构建过程**：因子表达式为 `ts_grouping_deczscorecut_torch(ts_covariance_torch(wlow_st, mopen_st, 25), whigh_st, 15, 2.0, 2)`[37]；具体计算步骤：1) 在过去25个交易日中，计算周度标准化最低价(`wlow_st`)和月度标准化开盘价(`mopen_st`)的协方差，记为变量A[38]；2) 在过去15个交易日中，对周度标准化最高价(`whigh_st`)进行zscore标准化，筛选出标准化值大于2.0的日期，对变量A进行反转（乘以-1）后，计算这些日期内A值的总和[38]

根据提供的量化市场追踪周报，以下是总结内容： 量化模型与构建方式 1. **模型名称**：主动权益型基金仓位测算模型[22][24][25] * **模型构建思路**：通过高频数据测算主动权益型基金的整体仓位水平，以反映基金经理的仓位配置动向和市场情绪[13][22] * **模型具体构建过程**： 1. **样本筛选**：首先确定合格样本基金，筛选门槛包括：成立期满两个季度、未到期、规模大于5000万元、过去四期平均仓位大于60%（对于主动权益型基金）或过去四期平均仓位在10%-30%（对于"固收+"基金）[25] 2. **数据处理**：剔除不完全投资于A股的基金[26] 3. **仓位计算**：对合格样本基金的持股市值进行加权平均计算，得到市场平均仓位[25] 4. **分类计算**：分别计算普通股票型基金、偏股混合型基金、配置型基金（灵活配置型与平衡混合型）以及"固收+"基金的平均仓位[22][25] * **模型评价**：该模型能够有效跟踪公募基金的整体仓位变化，为市场提供高频的仓位参考指标[13][22] 2. **模型名称**：主动权益型基金风格仓位模型[30][32] * **模型构建思路**：将主动偏股型基金的持仓分解到不同风格板块（如大盘成长、小盘价值等），以分析其风格配置动向[30] * **模型具体构建过程**： 1. **风格划分**：将市场划分为大盘成长、大盘价值、中盘成长、中盘价值、小盘成长、小盘价值等风格板块[30] 2. **持仓映射**：将主动偏股型基金的持仓股票映射到对应的风格板块[30] 3. **仓位计算**：计算基金在各个风格板块的持仓市值占比，作为该风格板块的仓位[30][32] * **模型评价**：该模型有助于洞察基金在大小盘、成长价值等维度上的风格偏好和切换[30] 3. **模型名称**：主动权益型基金行业仓位模型[34][36] * **模型构建思路**：分析主动权益型基金在不同行业上的配置比例，以跟踪其行业配置动向[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[34][36] 2. **持仓归类**：将基金的持仓股票归类到对应的行业[34] 3. **权重计算**：以持股市值加权平均值计算基金在各个行业的配置比例[34] * **模型评价**：该模型能够清晰展示基金在不同行业的超配或低配情况，反映其行业偏好[34] 4. **模型名称**：主力/主动资金流统计模型[52][53] * **模型构建思路**：基于成交单的划分标准，统计不同资金类型（如主力资金、主动资金）的净流入/流出情况，以分析资金动向[52][53] * **模型具体构建过程**： 1. **资金划分**：根据同花顺标准划分资金类型： * 特大单：成交量在20万股以上，或成交金额在100万元以上的成交单[52] * 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%的成交单[52] * 中单：成交量在1万股与6万股之间，或成交金额在5万到30万之间的成交单[52] * 小单：成交量在1万股以下，或成交金额在5万元以下的成交单[52] 2. **净流入计算**：分别计算个股和行业层面，不同类型资金的净流入额[53][57][58][59][60] 3. **主动资金流**：主买净额的计算基于特定算法，反映主动买入的资金情况[53] 模型的回测效果 （报告中未提供相关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，因此此部分省略） 量化因子与构建方式 （报告中主要描述的是市场监测指标和仓位测算模型，未涉及传统意义上的选股或定价因子的构建，因此此部分省略） 因子的回测效果 （报告中未涉及因子的测试结果，如IC值、IR、多空收益等，因此此部分省略）

根据提供的研报内容，以下是其中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：价格分段体系**[15] * **模型构建思路**：该模型用于对指数价格走势进行分段识别，以分析不同时间级别（如日线、周线）的趋势特征[15] * **模型具体构建过程**：模型通过计算指数价格的特定技术指标来划分走势段。报告中提到了“dea”指标，这通常是技术分析中MACD指标的一部分，即离差平均值（Difference Exponential Average）[18]。其构建可能涉及以下步骤： 1. 计算指数价格的EMA（指数移动平均线），常用参数为12日EMA和26日EMA。 2. 计算离差值DIF：$$DIF = EMA(close, 12) - EMA(close, 26)$$ 3. 计算dea，即DIF的EMA，常用参数为9日：$$DEA = EMA(DIF, 9)$$ 通过分析指数点位与dea等指标的关系，对价格走势进行分段[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“知情交易者”的市场行为来对权益市场进行择时判断[16] * **模型具体构建过程**：模型的核心是构建“知情交易者活跃度”指标。该指标通过分析市场高频交易数据（如订单流、成交明细等），识别出可能拥有信息优势的交易者的行为模式。当该指标上升时，表明知情交易者活跃度提高，可能预示着市场将有方向性变化[16][19]。报告显示，该指标数值在特定区间内波动（例如-0.0015至0.0030），其边际变化用于判断市场情绪[19] 3. **模型名称：分析师行业景气预期模型**[20] * **模型构建思路**：通过追踪分析师对上市公司的一致预测数据变化，来监测各行业的景气度变化趋势[20] * **模型具体构建过程**：模型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）环比变化**：反映市场对行业未来盈利能力预期的变化。 2. **一致预期净利润FTTM增速环比变化**：反映市场对行业未来成长性预期的变化。 通过计算这些指标本周相对于上周的环比变化率，并观察其近一季的趋势，来判断行业景气的边际变化[21] 4. **模型名称：风格监测模型**[23] * **模型构建思路**：基于BARRA多因子模型框架，监测不同风格因子在A股市场的收益表现，以洞察市场风格偏好[23] * **模型具体构建过程**：模型跟踪一系列风格因子的周度收益。这些因子包括： * **基本面类因子**：如价值因子（EP价值、BP价值）、成长因子、盈利能力因子、投资质量因子、盈利质量因子、盈利波动因子、财务杠杆因子。 * **交易类因子**：如动量因子、长期反转因子、波动率因子、换手率因子、流动性因子（报告中提及“近释”，可能指近期解禁或流动性相关因子）、贝塔因子。 * **市值类因子**：如市值因子、非线性市值因子。 模型通过回归分析等方法，计算这些因子在特定周期内（如本周）的风险溢价收益[24] 模型的回测效果 *报告未提供上述量化模型的具体回测指标数值（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**[23][24] * **因子构建思路**：基于BARRA风险模型体系，从不同维度刻画股票的风险收益特征，因子收益反映了市场对该特征的偏好程度[23] * **因子具体构建过程**：报告中提及了多个BARRA风格因子，其构建逻辑简述如下： * **价值因子**：如BP（账面市值比）价值因子，可能构建为 $$BP = \frac{Book Value}{Market Value}$$，衡量公司的估值水平。 * **成长因子**：通常基于历史营收、利润或预期增速构建。 * **盈利能力因子**：如ROE、ROA等。 * **投资质量因子**：衡量公司投资效率。 * **动量因子**：通常基于股票过去一段时间（如11个月剔除最近1个月）的收益率构建。 * **波动率因子**：基于股票历史收益率的波动性。 * **市值因子**：通常为股票总市值的对数。 * **非线性市值因子**：捕捉市值与收益之间的非线性关系。 每个因子在横截面上进行标准化等处理，因子收益即为该因子组合的超额收益[24] 因子的回测效果 *报告展示了风格因子在特定周期（本周）的收益表现，但未提供长期回测指标（如IC均值、IR等）。因子收益取值如下：* 1. **BARRA风格因子**[24] * 换手因子收益：-0.5% * 财务杠杆因子收益：0.1% * 盈利波动因子收益：0.0% * 盈利质量因子收益：0.3% * 盈利能力因子收益：0.3% * 投资质量因子收益：0.4% * 长期反转因子收益：-0.5% * EP价值因子收益：-0.3% * BP价值因子收益：0.2% * 成长因子收益：0.1% * 动量因子收益：1.2% * 非线性市值因子收益：-0.6% * 市值因子收益：-0.3% * 波动率因子收益：-0.5% * 流动性因子（近释）收益：1.3% * 股息率因子收益：-0.1%

根据提供的量化主题研报，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：择时雷达六面图**[1][6] * **模型构建思路**：权益市场的表现受到多维度指标因素的共同影响，该模型尝试从流动性、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刻画，并将其概括为"估值性价比"、"宏观基本面"、"资金&趋势"、"拥挤度&反转"四大类，从而生成综合择时分数[1][6] * **模型具体构建过程**：首先，从六个维度（流动性、经济面、估值面、资金面、技术面、拥挤度）选取二十一个具体指标[1][6]；然后，将每个指标的处理结果（如方向判断、强度判断或标准化分数）映射到[-1, 1]区间，得到单个指标的分数[9][11][14][17][20][22][25][27][29][30][35][37][39][42][46][48][51][53][57][59][63][67]；接着，将六个维度的分数（可能是其下属指标分数的综合）概括为四大类分数（"估值性价比"、"宏观基本面"、"资金&趋势"、"拥挤度&反转"）[1][6]；最后，将四大类分数或所有指标分数综合，生成一个位于[-1,1]之间的最终综合择时分数[1][6] 量化因子与构建方式 1. **因子名称：货币方向因子**[11] * **因子构建思路**：判断当前货币政策的方向[11] * **因子具体构建过程**：选取央行使用的货币政策工具利率与短端市场利率，并计算其相较于90天前的平均变化方向[11]；若货币方向因子>0，则判断货币政策宽松，分数为1；若货币方向因子<0，则判断货币政策收紧，分数为-1[11] 2. **因子名称：货币强度因子**[14] * **因子构建思路**：表征短端市场利率相对于政策利率的偏离幅度，基于"利率走廊"的概念[14] * **因子具体构建过程**：计算偏离度=DR007/7天逆回购利率-1，并进行平滑与zscore标准化形成货币强度因子[14]；若货币强度因子<-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；反之若货币强度因子>1.5倍标准差，则预期未来120个交易日指标分数为-1[14] 3. **因子名称：信用方向因子**[17] * **因子构建思路**：表征商业银行对实体经济传导时的松紧，使用中长期贷款指标进行体现[17] * **因子具体构建过程**：计算信用方向因子为：中长期贷款当月值 -> 计算过去十二个月增量 -> 计算同比[17]；若信用方向因子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[17] 4. **因子名称：信用强度因子**[20] * **因子构建思路**：捕捉信用指标是否大幅超预期或者不及预期[20] * **因子具体构建过程**：构建信用强度因子=(新增人民币贷款当月值–预期中位数)/预期标准差[20]；若信用强度因子>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；反之若信用强度因子<-1.5倍标准差，则未来60个交易日分数为-1[20] 5. **因子名称：增长方向因子**[22] * **因子构建思路**：基于PMI数据判断经济增长方向[22] * **因子具体构建过程**：基于中采制造业PMI、中采非制造业PMI、财新制造业PMI构建增长方向因子= PMI -> 计算过去十二月均值 -> 计算同比[22]；若增长方向因子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[22] 6. **因子名称：增长强度因子**[25] * **因子构建思路**：捕捉经济增长指标是否大幅超预期或者不及预期[25] * **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[25]；若增长强度因子>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；反之若增长强度因子<-1.5倍标准差，则未来60个交易日分数为-1[25] 7. **因子名称：通胀方向因子**[27] * **因子构建思路**：判断通胀水平变化对货币政策空间的潜在影响[27] * **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[27]；若通胀方向因子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[27] 8. **因子名称：通胀强度因子**[29] * **因子构建思路**：捕捉通胀指标是否大幅超预期或者不及预期[29] * **因子具体构建过程**：分别计算CPI与PPI预期差=(披露值–预期中位数)/预期标准差，并计算通胀强度因子=CPI与PPI预期差均值[29]；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；反之若通胀强度因子>1.5倍标准差，则未来60个交易日分数为-1[29] 9. **因子名称：席勒ERP**[30] * **因子构建思路**：计算经过周期调整的股权风险溢价，以消除经济周期波动对盈利的干扰[30] * **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，并计算过去6年zscore作为分数[30] 10. **因子名称：PB**[35] * **因子构建思路**：使用市净率衡量估值水平[35] * **因子具体构建过程**：对PB指标进行处理：PB×(-1)并计算过去6年zscore，1.5倍标准差截尾后标准化到±1之间得到分数[35] 11. **因子名称：AIAE**[37] * **因子构建思路**：计算全市场权益配置比例，反映市场整体的风险偏好[37] * **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AIAE×(-1)并计算过去6年zscore得到分数[37] 12. **因子名称：两融增量**[39] * **因子构建思路**：通过两融余额变化判断市场杠杆资金情绪[39] * **因子具体构建过程**：计算融资余额-融券余额，并计算其过去120日均增量与过去240日均增量[39]；若120日均增量>过去240日均增量时杠杆资金上行并看多，分数为1；反之看空，分数为-1[39] 13. **因子名称：成交额趋势**[42] * **因子构建思路**：通过成交额变化判断市场成交热度与资金活跃度[42] * **因子具体构建过程**：对对数成交额计算其均线距离=ma120/ma240-1[42]；当均线距离的max(10)=max(30)=max(60)时看多，分数为1；当均线距离的min(10)=min(30)=min(60)时看空，分数为-1[42] 14. **因子名称：中国主权CDS利差**[46] * **因子构建思路**：通过中国主权CDS利差变化判断海外投资者对中国基本面的预期和外资流入意愿[46] * **因子具体构建过程**：当平滑后CDS利差的20日差分<0时，说明当前CDS利差下降，海外投资者预期中国基本面转好，外资流入意愿强，此时看多，分数为1；反之看空，分数为-1[46] 15. **因子名称：海外风险厌恶指数**[48] * **因子构建思路**：通过花旗风险厌恶指数（Citi RAI Index）判断海外市场的风险偏好[48] * **因子具体构建过程**：当平滑后风险厌恶指数的20日差分<0时，外资风险偏好上升，此时看多，分数为1；反之看空，分数为-1[48] 16. **因子名称：价格趋势**[51] * **因子构建思路**：使用均线距离衡量标的价格的中长期趋势与强度[51] * **因子具体构建过程**：计算均线距离（ma120/ma240-1）[51]；趋势方向判断：当均线距离>0时分数=1，反之为-1[51]；趋势强度判断：当均线距离的max(20)=max(60)时，趋势强度分数为1，当均线距离的min(20)=min(60)时，趋势强度分数为-1[51]；趋势综合分数=(趋势方向分数+趋势强度分数)/2[51] 17. **因子名称：新高新低数**[53] * **因子构建思路**：使用指数成分股的新高新低个数作为市场反转信号[53] * **因子具体构建过程**：计算中证800成分股占过去一年新低数-新高数的20日移动平均（ma20）[53]；当该值>0时，说明最近新低较多，市场有见底预期，此时看多，分数为1；反之发出看空信号，分数为-1[53][54] 18. **因子名称：期权隐含升贴水**[57] * **因子构建思路**：基于看涨看跌平价关系推导期权隐含的标的升贴水，反映期权市场对未来标的收益率的预期与情绪，作为反转指标[57] * **因子具体构建过程**：若50ETF近5日收益率<0，且指标分位数<30%，则看多持续20日，分数为1[57]；若50ETF近5日收益率>0，且指标分位数>70%，则看空持续20日，分数为-1[57] 19. **因子名称：期权VIX**[59] * **因子构建思路**：使用期权隐含波动率（VIX）指数反映投资者对未来波动率的预期与市场情绪，作为反转指标[59] * **因子具体构建过程**：若50ETF近5日收益率<0，且指标分位数>70%，则看多持续20日，分数为1[59]；若50ETF近5日收益率>0，且指标分位数>70%，则看空持续20日，分数为-1[59] 20. **因子名称：期权SKEW**[63] * **因子构建思路**：使用期权隐含偏度（SKEW）指数反映投资者对未来标的偏度的预期与市场情绪，作为反转指标[63] * **因子具体构建过程**：若50ETF近5日收益率<0，且指标分位数>70%，则看多持续20日，分数为1[63]；若50ETF近5日收益率>0，且指标分位数<30%，则看空持续20日，分数为-1[63] 21. **因子名称：可转债定价偏离度**[67] * **因子构建思路**：通过可转债定价偏离度反映市场情绪，作为反转指标[67] * **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，并计算分数=定价偏离度×(-1)并计算过去3年zscore得到分数[67] 模型的回测效果 （报告中未提供择时雷达六面图模型的量化回测指标，如年化收益率、夏普比率等） 因子的回测效果 （报告中主要提供了各因子在当前时间点的信号方向和分数，未提供历史回测的量化指标，如IC值、IR等）

根据研报内容，现总结如下： 量化模型与构建方式 1. **模型名称：利率价量多周期择时模型**[11] * **模型构建思路**：该模型旨在捕捉利率的趋势形态，通过核回归算法刻画利率数据的支撑线和阻力线，并根据长、中、短三个不同投资周期下利率走势的形态突破情况，生成复合择时信号[11] * **模型具体构建过程**： 1. **形态识别**：使用核回归算法对利率时间序列（如不同期限的国债YTM）进行拟合，生成代表趋势的支撑线和阻力线[11] 2. **多周期信号生成**：分别在长周期（平均切换频率为月度）、中周期（双周度）和短周期（周度）三个时间框架下，判断当前利率是否向上突破阻力线（看多信号）或向下突破支撑线（看空信号）[11][14][17][21] 3. **信号综合**：将三个周期的突破信号进行投票汇总。具体规则为： * 若三个周期中出现同向突破（看多或看空）的总票数达到或超过2票（即2/3），则生成明确的看多或看空信号[11][17] * 若同向突破总票数未达到2票（即1票对1票，或1票对0票等情况），则综合评分结果为中性震荡。若此前的信号为看多或看空，则当前结果可进一步细分为“中性偏多”或“中性偏空”[14][21] * **模型评价**：该模型通过多周期共振机制，旨在提高信号的稳定性，减少单一周期信号的噪音干扰[11] 量化因子与构建方式 1. **因子名称：利率水平结构因子**[8] * **因子构建思路**：该因子用于衡量利率市场的绝对水平，通过将1至10年的国债到期收益率（YTM）数据进行转化得到，并从均值回归的视角评估当前水平在历史中的相对位置[8] * **因子具体构建过程**：报告未提供具体的计算公式，但指出该因子是基于1年至10年期国债的YTM数据转化而来。其数值代表利率的绝对水平，例如当前读数约为1.61%[8] 2. **因子名称：利率期限结构因子**[8] * **因子构建思路**：该因子用于衡量利率曲线的斜率，即长短期利率之间的利差，反映市场对远期利率的预期[8] * **因子具体构建过程**：报告未提供具体的计算公式。其数值代表期限利差，例如当前读数约为0.41%[8] 3. **因子名称：利率凸性结构因子**[8] * **因子构建思路**：该因子用于衡量利率曲线的弯曲程度，即凸性，反映利率曲线中长端利率相对于中短端利率的变化特征[8] * **因子具体构建过程**：报告未提供具体的计算公式。其数值代表凸性结构，例如当前读数约为-0.04%[8] 模型的回测效果 1. **基于5年期国债YTM的利率价量多周期择时策略**[25][28][33][37] * **长期表现（2007年12月31日至今）**：年化收益率5.5%，最大回撤2.88%，收益回撤比1.91，相对业绩基准的超额年化收益率1.07%，超额收益回撤比0.62，逐年绝对收益大于0的胜率100%，逐年超额收益大于0的胜率100%[25][37] * **短期表现（2024年底以来）**：年化收益率2.21%，最大回撤0.59%，收益回撤比3.74，相对业绩基准的超额年化收益率0.87%，超额收益回撤比2.44[25] 2. **基于10年期国债YTM的利率价量多周期择时策略**[28][33][37] * **长期表现（2007年12月31日至今）**：年化收益率6.09%，最大回撤2.74%，收益回撤比2.22，相对业绩基准的超额年化收益率1.65%，超额收益回撤比1.16，逐年绝对收益大于0的胜率100%，逐年超额收益大于0的胜率100%[28][37] * **短期表现（2024年底以来）**：年化收益率2.64%，最大回撤0.58%，收益回撤比4.57，相对业绩基准的超额年化收益率1.43%，超额收益回撤比3.64[28] 3. **基于30年期国债YTM的利率价量多周期择时策略**[33][37] * **长期表现（2007年12月31日至今）**：年化收益率7.37%，最大回撤4.27%，收益回撤比1.73，相对业绩基准的超额年化收益率2.41%，超额收益回撤比0.87，逐年绝对收益大于0的胜率94.44%，逐年超额收益大于0的胜率94.44%[33][37] * **短期表现（2024年底以来）**：年化收益率3.28%，最大回撤0.92%，收益回撤比3.59，相对业绩基准的超额年化收益率2.68%，超额收益回撤比3.3[33] 因子的回测效果 （报告中未提供利率水平、期限、凸性结构因子的独立测试结果）

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：周期分析模型**[7][9] * **模型构建思路**：通过分析指数的周期性波动规律，来判断当前市场所处的阶段（如震荡筑顶阶段）[7] * **模型具体构建过程**：报告未提供该模型的具体构建过程和公式 2. **模型名称：四轮驱动模型**[2][8] * **模型构建思路**：用于行业配置，通过综合多个维度发出交易机会信号[2][8] * **模型具体构建过程**：报告未提供该模型的具体构建过程和公式 量化因子与构建方式 1. **因子名称：中期趋势因子**[7] * **因子构建思路**：用于衡量指数（如科创50、创业板指）趋势的强度和稳定性[7] * **因子具体构建过程**：报告未提供该因子的具体构建过程和公式 * **因子评价**：该因子表现可用于判断趋势是否出现摇摆或是否更为稳健[7] 2. **因子名称：泛行业拥挤度**[7] * **因子构建思路**：以中证TMT指数为代表，衡量泛科技行业的交易拥挤程度[7] * **因子具体构建过程**：报告未提供该因子的具体构建过程和公式 模型的回测效果 （报告未提供量化模型的回测效果指标取值） 因子的回测效果 （报告未提供量化因子的回测效果指标取值）