量化模型与构建方式 1. **模型/因子名称**：风险溢价模型[28] **模型/因子构建思路**：以十年期国债即期收益率为无风险利率参考，计算各宽基指数相对于无风险利率的风险溢价，用以衡量其相对投资价值和偏离情况[28] **模型/因子具体构建过程**：计算指数收益率与无风险收益率之差。具体公式为： $$风险溢价 = 指数收益率 - 十年期国债即期收益率$$ 报告中展示了各指数的当前风险溢价、历史分位值、均值及波动率等统计指标[32] 2. **模型/因子名称**：股债性价比模型[47] **模型/因子构建思路**：以各指数PE-TTM的倒数代表股票预期收益率，减去十年期国债即期收益率，其差值作为股债性价比指标，用于观察股票相对债券的吸引力[47] **模型/因子具体构建过程**：计算公式为： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 报告中通过绘制该指标的历史走势，并叠加其近5年的80分位值（机会值）、20分位值（危险值）、均值及±1倍标准差线进行分析[47] 3. **模型/因子名称**：破净率因子[56] **因子构建思路**：计算指数成分股中市净率小于1的个股占比，用以反映市场整体的估值态度和低估的普遍程度[56][58] **因子具体构建过程**：对于每个宽基指数，统计其成分股中满足“市净率(PB) < 1”条件的股票数量，然后计算该数量占指数总成分股数量的比例。 $$破净率 = \frac{指数中市净率小于1的成份股数量}{指数总成份股数量} \times 100\%$$ 报告跟踪了各指数破净率的历史走势和当前值[59] 4. **模型/因子名称**：指数换手率因子[19] **因子构建思路**：计算宽基指数的整体换手率，反映该指数所代表市场的整体交易活跃度[19] **因子具体构建过程**：采用流通市值加权平均的方式计算指数换手率。具体公式为： $$指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$$ 报告计算并列出了各宽基指数的当前换手率[19] 5. **模型/因子名称**：收益分布形态指标（偏度与峰度）[25][26] **因子构建思路**：通过计算指数日收益率序列的偏度和峰度，分析其收益分布的特征，例如极端收益出现的可能性和分布集中程度[25] **因子具体构建过程**： * **偏度**：衡量收益率分布的不对称性。正偏态表示极端正收益情形增加[25]。 * **峰度**：衡量收益率分布的陡峭或扁平程度。报告中计算的是超额峰度（减去了正态分布的峰度值3），峰度越大，说明收益率分布更集中[23][25][26]。 报告对比了各指数当前与近5年的偏度和峰度值[26]。 模型的回测效果 *本报告为市场数据跟踪报告，未提供基于历史数据的模型策略回测结果，如年化收益率、夏普比率、最大回撤等量化指标。报告主要呈现了各类指标在特定时点（2026年2月6日）的截面数据、历史分位值及统计特征。* 量化因子与构建方式 *（注：本报告中的“因子”多体现为可直接观测或计算的市场指标，而非用于选股的多因子模型中的阿尔法因子。相关构建方式已在“量化模型与构建方式”部分列出。）* 因子的回测效果 *报告未提供因子在历史样本内的IC值、IR值、多空收益等传统因子测试结果。* 报告主要展示了各指标在**当前时点（2026年2月6日）** 的取值及其相对于自身历史的统计位置，具体如下： 1. **风险溢价因子**[32] * 当前值：上证50(-0.70%)、沪深300(-0.58%)、中证500(-0.004%)、中证1000(-0.21%)、中证2000(0.42%)、中证全指(-0.24%)、创业板指(-0.74%) * 近5年历史分位值：上证50(20.95%)、沪深300(25.95%)、中证500(48.41%)、中证1000(39.92%)、中证2000(57.14%)、中证全指(38.17%)、创业板指(31.35%) 2. **PE-TTM因子**[44] * 当前值：上证50(11.59)、沪深300(14.05)、中证500(37.02)、中证1000(49.57)、中证2000(168.23)、中证全指(22.15)、创业板指(42.21) * 近5年历史分位值：上证50(81.90%)、沪深300(84.63%)、中证500(98.51%)、中证1000(98.43%)、中证2000(90.66%)、中证全指(98.26%)、创业板指(60.83%) 3. **股息率因子**[55] * 当前值：上证50(3.29%)、沪深300(2.77%)、中证500(1.27%)、中证1000(1.02%)、中证2000(0.71%)、中证全指(1.96%)、创业板指(0.89%) * 近5年历史分位值：上证50(34.21%)、沪深300(38.76%)、中证500(7.36%)、中证1000(24.38%)、中证2000(3.88%)、中证全指(28.43%)、创业板指(56.36%) 4. **破净率因子**[59] * 当前值：上证50(24.0%)、沪深300(16.67%)、中证500(10.6%)、中证1000(7.0%)、中证2000(2.45%)、中证全指(5.5%) 5. **指数换手率因子**[19] * 当前值：中证2000(3.96%)、创业板指(3.26%)、中证1000(2.83%)、中证500(1.96%)、中证全指(1.79%)、沪深300(0.62%)、上证50(0.28%) 6. **收益分布形态指标**[26] * **当前峰度（超额）**：上证50(-0.23)、沪深300(0.55)、中证500(0.87)、中证1000(0.76)、中证2000(0.99)、中证全指(0.66)、创业板指(1.21) * **当前偏度**：上证50(1.26)、沪深300(1.53)、中证500(1.55)、中证1000(1.46)、中证2000(1.56)、中证全指(1.51)、创业板指(1.62)

量化模型与构建方式 1. **模型名称：主动偏股基金行业主题标签模型**[39] * **模型构建思路**：为满足投资者在资产配置、主题投资、产品选择上的多样化需求，构建主动偏股基金完整的行业主题和细分赛道标签，并构建行业主题基金指数，作为衡量主题基金风险收益情况的工具[39]。 * **模型具体构建过程**： 1. **数据基础**：使用基金在近四期（中报/年报）的持仓信息来判断其长期的行业主题标签[39]。 2. **标签定义与分类**：根据基金持仓所呈现的行业特征，将其长期行业标签区分为三类： * **行业主题基金**：长期聚焦于特定行业的基金。 * **行业轮动基金**：在不同时期切换行业配置的基金。 * **行业均衡基金**：行业配置较为分散均衡的基金[39]。 3. **指数构建**：基于上述分类，构建相应的行业主题基金指数，以反映各类主题基金的整体表现[39]。 2. **模型名称：公募REITs系列指数模型**[50] * **模型构建思路**：为投资者提供基于指数化投资思想、利用REITs指数进行资产配置的新视角，构建完整的REITs系列指数以综合反映REITs市场表现，并提供不同底层资产、项目类型的细分REITs指数[50]。 * **模型具体构建过程**： 1. **指数类型**：考虑到REITs的高分红特性，为所有指数同时提供**价格指数**和**全收益指数**[50]。 2. **权重计算方法**：采用**分级靠档**的方法，以确保计算指数的份额保持相对稳定[50]。 3. **指数维护与调整**：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[50]。 4. **指数体系**：构建了涵盖综合指数、底层资产指数（如产权类、特许经营权类）和细分项目指数（如生态环保、交通基础设施、园区基础设施等）的完整REITs指数系列[50][55]。 量化因子与构建方式 1. **因子名称：ESG基金主题分类因子**[71] * **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和侧重点，将市场上的ESG相关基金进行系统性的分类，以区分不同的投资策略和主题[71]。 * **因子具体构建过程**： 1. **一级分类**：首先将ESG相关基金分为两大类： * **ESG主题基金**：在投资策略中综合考量环境、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投资标的选择[71]。 * **泛ESG基金**：投资策略仅覆盖ESG中一到两个方面因素，通常进行主题投资[71]。 2. **二级分类（细分主题）**：在两大类下，根据基金名称和投资策略中的关键词进一步细分为不同主题： * **ESG主题基金**：包括“ESG”、“可持续”、“责任投资”主题[71]。 * **环境主题泛ESG基金**：包括“低碳”、“碳中和”、“绿色”、“环境”、“环保”、“气候”、“生态”、“长江保护”等主题[71]。 * **社会主题泛ESG基金**：包括“社会责任”、“扶贫”、“乡村振兴”、“一带一路”、“丝路”、“区域发展”等主题[71]。 * **治理主题泛ESG基金**：包括“公司治理”、“治理”主题[71]。 模型的回测效果 1. **长期行业主题基金指数（截至2026年2月6日当周）**[39] * 消费主题基金，本周净值涨跌幅0.94% * 新能源主题基金，本周净值涨跌幅0.38% * 金融地产主题基金，本周净值涨跌幅-0.03% * 医药主题基金，本周净值涨跌幅-0.61% * 国防军工主题基金，本周净值涨跌幅-1.37% * 行业轮动基金，本周净值涨跌幅-2.23% * 行业均衡基金，本周净值涨跌幅-2.56% * 周期主题基金，本周净值涨跌幅-4.60% * TMT主题基金，本周净值涨跌幅-5.74% 2. **REITs指数系列（基日以来业绩，截至2026年2月6日）**[55] * REITs综合指数，累计收益-2.89%，年化收益-0.63%，最大回撤-42.67%，夏普比率-0.20，年化波动10.43% * 产权类REITs指数，累计收益16.07%，年化收益3.27%，最大回撤-45.00%，夏普比率0.14，年化波动12.67% * 特许经营权类REITs指数，累计收益-24.19%，年化收益-5.80%，最大回撤-41.17%，夏普比率-0.80，年化波动9.12% * 生态环保REITs指数，累计收益-11.07%，年化收益-2.50%，最大回撤-55.72%，夏普比率-0.26，年化波动15.17% * 交通基础设施REITs指数，累计收益-33.88%，年化收益-8.54%，最大回撤-44.19%，夏普比率-1.12，年化波动8.98% * 园区基础设施REITs指数，累计收益-12.24%，年化收益-2.78%，最大回撤-52.07%，夏普比率-0.31，年化波动13.71% * 仓储物流REITs指数，累计收益-0.48%，年化收益-0.10%，最大回撤-50.32%，夏普比率-0.10，年化波动15.41% * 能源基础设施REITs指数，累计收益6.59%，年化收益1.39%，最大回撤-18.41%，夏普比率-0.01，年化波动10.05% * 保障性租赁住房REITs指数，累计收益9.05%，年化收益1.89%，最大回撤-33.34%，夏普比率0.03，年化波动12.36% * 消费基础设施REITs指数，累计收益54.19%，年化收益9.80%，最大回撤-9.89%，夏普比率0.78，年化波动10.69% * 市政设施REITs指数，累计收益16.81%，年化收益3.41%，最大回撤-20.26%，夏普比率0.09，年化波动20.26% * 水利设施REITs指数，累计收益23.61%，年化收益4.68%，最大回撤-21.47%，夏普比率0.20，年化波动16.04% * 新型基础设施REITs指数，累计收益17.85%，年化收益3.61%，最大回撤-3.95%，夏普比率0.17，年化波动12.36% 因子的回测效果 （报告未提供基于ESG基金主题分类因子的量化回测绩效指标，如多空组合收益、IC值、IR等。）

量化模型与构建方式 1. **模型名称：价格分段体系**[8][15] * **模型构建思路**：通过分析价格走势在不同时间周期（如日线、周线）上的形态和趋势，对市场状态进行划分和识别[15]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤和公式，仅展示了其应用结果。从图表[18]来看，该模型可能涉及对指数价格序列进行技术分析，以识别“日线”和“周线”级别的趋势，并与一个名为“dea”的指标进行对比。 2. **模型名称：微观市场结构择时模型（知情交易者活跃度指标）**[8][16] * **模型构建思路**：通过监测市场中知情交易者（通常指掌握非公开信息或具有信息优势的交易者）的活跃程度，来判断市场情绪和未来走势[16]。 * **模型具体构建过程**：报告未详细说明该指标的具体构建步骤和公式，仅展示了其时间序列变化图[19]。该指标可能基于订单流、大单交易或特定价量数据构建，用以捕捉知情交易行为。 3. **模型名称：基金仓位监测模型**[6][25] * **模型构建思路**：使用数理统计方法估算公募基金等机构的整体持仓比例，以监测市场主力资金的动向[6][25]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤和公式。 量化因子与构建方式 1. **因子名称：BARRA风格因子体系**[23] * **因子构建思路**：采用经典的BARRA风险模型框架，从多个维度（基本面、市场、技术等）刻画股票的风格特征，并计算各风格因子在特定周期内的收益表现[23]。 * **因子具体构建过程**：报告未详细说明每个因子的具体构建公式，但列出了因子名称及其本周收益。涉及的因子包括：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、动量、非线性市值、市值、波动率、贝塔、股息率[23]。这些因子通常基于财务报表数据、市场价格和交易量数据计算得到。 模型的回测效果 （报告中未提供相关量化模型的回测效果指标数据） 因子的回测效果 1. **BARRA风格因子**，本周收益：换手因子0.3%，财务杠杆因子0.2%，盈利波动因子0.1%，盈利质量因子-0.1%，盈利能力因子-0.5%，投资质量因子0.3%，长期反转因子0.3%，EP价值因子-0.2%，BP价值因子-0.4%，成长因子0.2%，动量因子-0.6%，非线性市值因子-0.3%，市值因子-0.2%，波动率因子-0.1%，贝塔因子-0.7%，股息率因子0.5%[23]。

量化模型与因子总结 量化模型与构建方式 1. **模型名称：周期分析模型**[2] * **模型构建思路：** 通过分析经济或市场周期的长度规律，对市场状态进行推断和预测[2] * **模型具体构建过程：** 报告未详细描述该模型的构建过程，但提及了其应用逻辑。模型可能基于历史数据识别市场周期的长度规律，并将当前市场的上涨时间与历史牛市周期进行对比参照，从而推断当前市场所处的周期阶段[2] 2. **模型名称：缠论及趋势分析模型**[13] * **模型构建思路：** 结合缠论技术分析方法和趋势分析，对市场走势进行研判[13] * **模型具体构建过程：** 报告未详细描述该模型的构建过程，仅提及了其分析结果以图表形式展示[13] 量化因子与构建方式 1. **因子名称：综合趋势因子**[2] * **因子构建思路：** 综合多项技术指标或市场信息，用以衡量市场的整体趋势强度[2] * **因子具体构建过程：** 报告未详细描述该因子的具体构建公式和过程，仅提及该因子是周期分析模型的组成部分，其表现被用来评估市场趋势的稳健性[2] 模型的回测效果 *报告未提供任何量化模型或量化因子的具体回测效果指标取值（如年化收益率、夏普比率、最大回撤、信息比率IR等）。* 因子的回测效果 *报告未提供任何量化模型或量化因子的具体回测效果指标取值（如IC值、IR、多空收益等）。*

量化模型与构建方式 1. 短期择时模型 * **模型名称**：短期择时模型[4][16] * **模型构建思路**：通过综合评估宏观基本面、估值面、情绪面和流动性四个维度的多个指标，生成对A股市场的短期（周度）择时信号[14][16]。 * **模型具体构建过程**： 1. **指标选取与信号生成**：选取四个一级维度下的多个二级指标，每个指标根据其当前值在过去5年历史数据中的分位数，被赋予“乐观”、“中性”或“谨慎”的定性信号[14][15][16]。 * **基本面**：包含制造业PMI是否大于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[14][17]。 * **估值面**：包含A股整体PE分位数、A股整体PB分位数[15][17]。 * **情绪面**：包含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[15][17]。 * **流动性**：包含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[16][17]。 2. **维度综合**：将每个一级维度下的所有二级指标信号进行综合，得出该维度的总体信号（乐观/中性/谨慎）[14][15][16]。 3. **总仓位信号生成**：将四个一级维度的总体信号进一步综合，生成最终的总仓位信号（例如，以0.5为中性，1.0为乐观，0.0为谨慎）[17][21]。 2. 成长价值风格轮动模型 * **模型名称**：成长价值风格轮动模型[4][22] * **模型构建思路**：通过动态宏观信号、估值回归信号、短期动量信号、风格广度信号和风格拥挤信号等多个维度的信号，综合判断并轮动配置成长与价值风格[22][23]。 * **模型具体构建过程**： 1. **信号维度**：模型包含五个信号维度，每个维度独立生成对成长风格的配置建议（仓位百分比）[23]。 * 动态宏观信号 * 估值回归信号 * 短期动量信号 * 风格广度信号 * 风格拥挤信号 2. **信号综合**：将上述五个维度的信号进行综合，生成最终的成长风格配置仓位。报告中展示了两种综合方式：“无中性仓位”和“5日平均仓位”[23]。 3. 小盘大盘风格轮动模型 * **模型名称**：小盘大盘风格轮动模型[4][25] * **模型构建思路**：从流动性、资金面、市场情绪、技术趋势等多个角度选取11个有效轮动指标，构建综合信号来轮动配置大盘与小盘风格[25][27]。 * **模型具体构建过程**： 1. **指标选取**：根据专题报告，选取了11个有效的大小盘轮动指标[25][27]。报告中列举的指标包括： * 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 MACD(10,20,10) * 中证1000交易量能 2. **信号生成与综合**：每个指标独立生成对小盘风格的配置建议（0%或100%）。将所有指标信号进行综合，得到最终的小盘/大盘配置仓位。报告中采用了“综合信号3D平滑”的方式进行综合[27]。 模型的回测效果 1. 短期择时模型 * **回测区间**：2012年底至2026年2月8日[16][18] * **年化收益率**：16.45%[16][18] * **年化波动率**：14.81%[18] * **最大回撤**：15.05%[16][18] * **夏普比率**：0.9681[18] * **收益回撤比**：1.0935[18] * **月度胜率**：66.04%[18] * **基准年化收益率**：4.97%[16][18] * **年化超额收益率**：11.48%[16] 2. 成长价值风格轮动模型 * **回测区间**：2011年至2026年2月6日[22][23] * **模型版本**：综合信号2_5D平均仓位_国证成长价值[23] * **累计收益**：741.18%[23] * **年化收益**：14.47%[22][23] * **年化波动率**：21.44%[23] * **最大回撤**：40.08%[23] * **夏普比率**：0.64[23] * **收益回撤比**：0.36[23] * **基准年化收益**：6.57%[22][23] * **年化超额收益率**：7.90%[22][23] * **月度超额胜率**：66.14%[23] * **年化跟踪误差**：5.89%[23] * **年化信息比率(IR)**：1.34[23] 3. 小盘大盘风格轮动模型 * **回测区间**：2014年至2026年[26][27] * **模型版本**：综合信号3D平滑[27] * **年化收益**：20.61%[27] * **年化超额收益率**：13.18%[27] * **最大回撤**：40.70%[27] * **平均换手间隔（交易日）**：20[27] * **胜率（按交易）**：50.00%[27] 量化因子与构建方式 （报告中未详细描述独立因子的构建过程，主要介绍了用于模型决策的各类指标。） 因子的回测效果 （报告中未提供独立因子的测试结果。）

量化模型与构建方式 **本报告未涉及具体的量化模型或量化因子的构建、测试与评价。** 报告内容主要为市场回顾、技术分析及未来走势推演，未提供任何量化模型或量化因子的名称、构建思路、具体构建过程、公式、定性评价或回测效果数据[1][2][3][4][5][6][7][8][9][10][11][12][13][14][16][17][18][19][21][22][23][24][25][26][27][29][30][31][32][33][34]。 模型的回测效果 **本报告未涉及任何量化模型的回测效果指标。** 量化因子与构建方式 **本报告未涉及任何量化因子的构建与测试。** 因子的回测效果 **本报告未涉及任何量化因子的回测效果指标。**

量化模型与构建方式 1. **模型名称**：风格相对拥挤度模型[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，来衡量一种风格相对于另一种风格的交易拥挤程度，从而判断其配置风险或性价比[127]。 * **模型具体构建过程**： 1. 分别计算风格A指数和风格B指数的近252日平均换手率[127]。 2. 将上述换手率序列在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. 计算该差值序列的滚动6年历史分位数（若历史数据不足6年，则使用全部历史数据计算），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，计算各风格指数的累计超额收益，用以观察风格的长期相对表现[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指数的每日收盘价除以基准日收盘价，得到各自的累计净值[128]。 3. 将各风格指数每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**：机构调研活跃度模型[129] * **模型构建思路**：通过计算板块或行业相对于全市场的机构调研热度分位数，来捕捉市场关注度的变化[129]。 * **模型具体构建过程**： 1. 计算板块（或指数、行业）近n个交易日的“日均机构调研次数”[129]。 2. 将该序列在滚动y年的历史时间序列上进行z-score标准化，并与万得全A指数的标准化结果作差，得到“机构调研活跃度”[129]。 3. 计算“机构调研活跃度”的滚动y年历史分位数[129]。 * **长期口径参数**：n取126（近半年），滚动窗口y为6年（历史数据满3年不足6年时，使用全部历史数据）[129]。 * **短期口径参数**：n取63（近一季度），滚动窗口y为3年（历史数据满1年不足3年时，使用全部历史数据）[129]。 4. **因子名称**：ERP（股权风险溢价）因子[51] * **因子构建思路**：衡量股票市场相对于无风险资产的超额回报预期，用于评估权益资产的配置性价比[51]。 * **因子具体构建过程**：对于特定指数，其ERP计算公式为： $$指数erp = 1 / 指数PE\_TTM – 10年期中债国债到期收益率$$[51] * **因子评价**：ERP越高，代表投资股票的预期超额回报越高，即权益资产的配置性价比越高[51]。 5. **因子名称**：长江动量因子[63] * **因子构建思路**：以过去一年剔除最近一个月的收益率作为动量指标，筛选市场中动量效应强的股票[63]。 * **因子具体构建过程**：首先计算每只股票最近一年的收益率减去最近一个月（剔除涨停板影响）的收益率，以此作为动量指标。然后综合选择A股市场中该动量指标强且流动性相对较高的前100只股票作为成分股，构建指数以表征动量风格[63]。 6. **因子名称**：长江反转因子[63] * **因子构建思路**：以最近一个月的收益率作为筛选指标，捕捉市场中短期反转效应强的股票[63]。 * **因子具体构建过程**：以最近一个月股票收益率作为筛选指标，综合选择A股市场中反转效应强、流动性较好的前100只股票作为成分股，并采用成分股近三个月日均成交量进行加权，构建指数以表征反转风格[63]。 模型的回测效果 （本报告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、最大回撤等具体数值。） 量化因子与构建方式 （因子部分已在上方“量化模型与构建方式”中列出。） 因子的回测效果 （本报告未提供单因子测试的绩效指标，如IC、IR、多空收益等具体数值。）

量化模型与构建方式 1. **模型名称：择时体系模型** [5][8][9] * **模型构建思路**：通过计算市场指数（WIND全A）的短期均线与长期均线的相对距离，来判断市场整体所处的趋势环境（上行、下行或震荡）[5][9]。 * **模型具体构建过程**： 1. 计算WIND全A指数的20日移动平均线（短期均线）和120日移动平均线（长期均线）。 2. 计算两条均线之间的距离（差值），并以百分比形式表示。公式定义为： $$均线距离 = \frac{短期均线值 - 长期均线值}{长期均线值} \times 100\%$$ 3. 设定阈值进行判断：当均线距离的绝对值大于3%时，市场处于趋势格局（上行或下行）；当均线距离绝对值小于等于3%时，市场处于震荡格局[5][9]。 2. **模型名称：仓位管理模型** [5][10] * **模型构建思路**：结合市场的估值水平（PE、PB分位数）和短期趋势判断（来自择时体系模型），为绝对收益产品提供股票仓位的配置建议[5][10]。 3. **模型名称：行业趋势配置模型** [5][8][10] * **模型构建思路**：该模型是一个复合模型，包含多个子模型，分别从不同维度（如困境反转、宏观Beta、业绩趋势）对行业进行研判，以提供综合的行业配置方向[5][8][10]。 * **模型具体构建过程**：该模型由三个子模型构成： 1. **中期困境反转预期模型**：用于识别当前处于困境但未来有反转预期的行业（如报告提及的白酒与地产），并等待其反转信号的出现[5][8][10]。 2. **TWO BETA模型**：基于宏观风险因子（贝塔）分析，推荐与特定宏观环境（如科技产业周期）相匹配的板块（如科技板块）[5][8][10]。 3. **业绩趋势模型**：基于行业或产业链的业绩增长趋势进行筛选，提示重点关注高景气或业绩有望改善的方向（如算力产业链、超跌的有色与化工板块）[5][8][10]。 模型的回测效果 （报告中未提供各模型具体的历史回测指标数值，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：均线距离因子** [5][9] * **因子构建思路**：作为择时体系模型的核心输入，该因子衡量市场短期动量与长期趋势的偏离程度[5][9]。 * **因子具体构建过程**： 1. 取标的指数（WIND全A）的每日收盘价。 2. 分别计算其20日简单移动平均（MA20）和120日简单移动平均（MA120）。 3. 计算均线距离因子值，公式为： $$均线距离因子值 = \frac{MA20 - MA120}{MA120} \times 100\%$$ 2. **因子名称：估值分位数因子（PE、PB）** [5][10][11][13] * **因子构建思路**：用于评估市场或指数的估值水平，通过计算当前估值指标（PE或PB）在其自身历史数据中所处的位置（分位数），来判断估值的高低[5][10]。 * **因子具体构建过程**： 1. 选取标的指数（如WIND全A）。 2. 计算其历史每日的市盈率（PE）和市净率（PB）。 3. 对于当前时点的PE（或PB）值，计算其在过去一段历史时期（例如报告中数据自2014年10月17日起）所有PE（或PB）值序列中的分位数。 4. 分位数越高，代表当前估值相对自身历史水平越高[12][14]。 3. **因子名称：赚钱效应因子** [5][8][9] * **因子构建思路**：反映市场近期的盈利状况，是判断市场趋势的辅助指标[5][9]。 * **因子具体构建过程**：（报告未详细说明其计算方式，仅提及该因子的当前数值。通常可定义为一定周期内上涨股票数量占比或指数累计涨幅等。） 4. **因子名称：成交量触底信号因子** [5][8][10] * **因子构建思路**：将市场成交量与一个预设的极值阈值（如2万亿元）进行比较，以判断市场情绪是否达到短期冰点，可能预示着反弹机会[5][8][10]。 * **因子具体构建过程**：监测市场（如沪深两市）的每日总成交金额，当成交金额接近或低于预设的阈值（报告中为2万亿）时，触发“触底信号”[5][8][10]。 因子的回测效果 （报告中未提供各因子具体的历史测试指标数值，如IC值、IR、多空收益等。）

量化模型与构建方式 1. **模型名称：时间序列PB-ROE模型[1][8][14]** * **模型构建思路：** 基于Wilcox & Philips(2005)提出的时间序列PB-ROE模型，用于分析指数（市场整体）的估值与基本面关系[8][14]。该模型认为，市场指数的合理估值（对数市净率）应与其净资产收益率（ROE）、实际利率和通货膨胀率等基本面因素呈线性关系[14]。 * **模型具体构建过程：** 使用市场整体的周度数据，对以下模型进行回归，以估计基本面合理估值[8][14]。 * 模型公式为： $$Ln(P/B)=a+b\cdot ROE+C\cdot RealInterest+d\cdot Inflation$$[8][14] * 其中，`Ln(P/B)` 是市场整体市净率（P/B）的自然对数，`ROE` 是市场整体的净资产收益率，`RealInterest` 是实际利率，`Inflation` 是通货膨胀率[14]。`a, b, c, d` 为模型回归系数[14]。 * 通过回归得到拟合值后，计算残差（Residual），即实际观测到的 `Ln(P/B)` 与模型拟合的合理值之间的差值[1][8]。 * **模型评价：** 该模型将估值分解为基本面驱动部分和情绪驱动部分，为市场情绪和风险偏好的度量提供了一个量化框架[1]。 2. **因子名称：PB-ROE估值偏离度[1][8][15]** * **因子构建思路：** 将时间序列PB-ROE模型的回归残差定义为“PB-ROE估值偏离度”，用以衡量市场实际估值相对于基本面合理估值的偏离程度，反映市场情绪[1][8][15]。 * **因子具体构建过程：** * 首先，如上述模型构建过程所述，通过回归得到残差（Residual）[1][8]。 * 将该残差直接定义为 **PB-ROE估值偏离度** [1][8]。 * 当偏离度 > 0 时，表示实际PB高于基本面合理值，市场情绪高涨，风险偏好提升[1][9][15]。 * 当偏离度 < 0 时，表示实际PB低于基本面合理值，市场情绪低迷，风险偏好下降[1][9][15]。 * **因子评价：** 该因子是模型的核心输出，将抽象的“市场情绪”和“估值泡沫/洼地”概念进行了量化，并验证了与未来短期市场收益的相关性[9][15][18]。 模型的回测效果 （注：报告未提供具体模型（如回归模型本身）的统计拟合优度、显著性等回测指标，故本部分省略。） 因子的回测效果 1. **PB-ROE估值偏离度因子** * **与未来收益的相关性：** 在A股市场的历史数据检验中，PB-ROE估值偏离度与未来第1周（下周）的指数涨幅总体呈显著正相关[2][9][15]。 * **分组收益表现：** 将估值偏离度升序分为4组，估值偏离度最高的第4组未来第1周涨幅显著最高，体现了正相关性（动量效应）；估值偏离度较低的组也有正收益，表明低估值时存在安全边际和投资机会[18][21]。 * **仓位择时效果：** 基于该因子构建的周度仓位择时策略（以因子历史均值±1倍标准差为信号阈值），历史回测显示能够有效降低回撤、提高收益[19][22]。 基于因子构建的仓位配置规则 1. **规则名称：基于PB-ROE估值偏离度的四档仓位规则[2][10][19]** * **规则构建思路：** 利用PB-ROE估值偏离度因子的历史统计分布（均值和标准差），设定明确的阈值来划分不同的市场情绪和估值状态，并对应建议不同的仓位水平[2][10][19]。 * **规则具体构建过程：** * 计算PB-ROE估值偏离度因子的历史均值（`mean`）和标准差（`std`）[10]。 * 设定以下仓位信号规则[19]： * **高仓位 (80%-100%)：** 当 `估值偏离度 > mean + 1 * std` 时[3][11][19]。 * **低仓位：** 当 `mean < 估值偏离度 < mean + 1 * std` 时[19]。 * **中等仓位：** 当 `mean - 1 * std < 估值偏离度 < mean` 时[19]。 * **中高仓位：** 当 `估值偏离度 < mean - 1 * std` 时[19]。 * **规则评价：** 该规则将连续的因子信号转化为离散的、可操作的战术仓位建议，逻辑清晰，旨在市场情绪极度高涨时保持高仓位享受动量，在估值明显偏低时增加仓位以利用安全边际[2][9][19]。 * **规则应用示例：** 截至2026/2/6，市场整体PB-ROE估值偏离度为0.159，超过历史均值+1倍标准差，故模型建议当周(2026/2/9-2026/2/13)采用高仓位(80%-100%)[3][11]。

量化模型与构建方式 1. **模型名称：宽基轮动策略**[12] * **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）周度热度的边际变化，构建一个简单的择时轮动策略，每周买入热度上升最快的宽基指数[12]。 * **模型具体构建过程**： 1. 首先，将全市场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）以及“其他”组[8]。 2. 计算每个组别的“总热度”指标：对该组内所有成分股的个股总热度指标进行求和[7][8]。 3. 计算每个组别热度的周度变化率[9]。 4. 对周度变化率取2周移动平均（MA2）进行平滑处理[9]。 5. 在每周最后一个交易日，选择总热度变化率MA2最大的宽基组别进行投资。如果变化率最大的组别是“其他”组，则选择空仓[12]。 2. **模型名称：热门概念低热度选股策略**[30] * **模型构建思路**：在每周热度上升最快的热门概念板块中，逆向选择该概念内关注度（总热度）最低的个股构建投资组合，利用市场对热门板块内低关注度个股可能存在的反应不足来获取超额收益[29][30]。 * **模型具体构建过程**： 1. 每周筛选出本周热度变化率最大的5个概念[30]。 2. 将这5个热门概念的所有成分股合并，作为初选股票池[30]。 3. 从初选股票池中，剔除流通市值最小的20%的股票[30]。 4. 在剩余的股票池中，针对每个热门概念，分别选出该概念内“个股总热度”指标排名最后10位的个股[30]。 5. 将所有选出的个股等权重构建投资组合，记为“BOTTOM组合”[30]。 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5.2%[15]。 2. **热门概念低热度选股策略（BOTTOM组合）**，年化收益15.71%，最大回撤28.89%[32]。 量化因子与构建方式 1. **因子名称：个股总热度**[7] * **因子构建思路**：从行为金融学中的有限注意力理论出发，将个股的浏览、自选与点击次数等市场关注度数据加总，作为衡量个股情绪热度的代理变量[7]。 * **因子具体构建过程**：对于单只股票，在交易日t，计算其浏览、自选与点击次数之和。将该数值除以当日全市场所有股票的浏览、自选与点击次数之和，进行归一化处理。最后将归一化后的数值乘以10000，使得因子取值区间落在[0, 10000]之间[7]。 公式表示为： $$个股总热度_{i,t} = \frac{(浏览_{i,t} + 自选_{i,t} + 点击_{i,t})}{\sum_{j=1}^{N}(浏览_{j,t} + 自选_{j,t} + 点击_{j,t})} \times 10000$$ 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）**[7] * **因子构建思路**：将个股层面的总热度指标向上聚合，得到宽基指数、行业或概念板块层面的整体情绪热度指标，用于监控更大范围的市场情绪变化[7]。 * **因子具体构建过程**：对于一个特定的宽基指数、申万行业或市场概念，将其包含的所有成分股的“个股总热度”因子值进行直接加总[7]。 公式表示为： $$聚合总热度_{G,t} = \sum_{i \in G} 个股总热度_{i,t}$$ 其中，$G$ 代表一个特定的宽基指数、行业或概念板块。 3. **因子名称：热度变化率MA2**[9][19] * **因子构建思路**：计算聚合总热度指标的周度环比变化，并采用移动平均进行平滑，以捕捉市场情绪热度的边际变化趋势，避免短期噪声干扰[9]。 * **因子具体构建过程**： 1. 对于某个标的（宽基、行业或概念），计算其本周聚合总热度与上周聚合总热度的环比变化率[9]。 2. 对该周度变化率序列计算2周移动平均值（MA2）[9]。 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。所有因子均作为上述模型的输入，模型的回测效果已在前文展示。）*