根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称**：中欧中证500指数增强模型 - **模型构建思路**：通过量化投资方法进行积极的投资组合管理与风险控制，在控制跟踪误差的基础上追求超越标的指数的回报[76]。 - **模型具体构建过程**： 1. 股票筛选：投资于中证500指数成份股及其备选成份股的资产不低于非现金基金资产的80%[76]。 2. 行业配置：允许在紧密跟踪指数的条件下进行一定的行业偏离，但整体偏离幅度较小[72]。 3. 风格暴露：在盈利、成长等因子上超配，在市值等因子上低配[68]。 4. 风险控制：控制基金净值增长率与业绩比较基准之间的日均跟踪偏离度的绝对值不超过0.5%，年跟踪误差不超过8%[76]。 - **模型评价**：模型在控制跟踪误差的同时，能够稳定获取超额收益，超额来源主要依靠优秀的选股能力[73]。 模型的回测效果 1. **中欧中证500指数增强模型**： - 年化收益率：9.33%[49] - 年化超额回报：8.40%[48] - 年化信息比率（IR）：2.26[48] - 年化跟踪误差：3.87%[57] - 最大回撤：22.46%[49] - 月度超额胜率：76.92%[61] 量化因子与构建方式 1. **因子名称**：盈利因子 - **因子构建思路**：筛选高盈利能力的股票，以获取超额收益[68]。 - **因子具体构建过程**：根据财报数据计算ROE、ROA等盈利指标，筛选盈利水平高于行业平均的股票[68]。 2. **因子名称**：成长因子 - **因子构建思路**：筛选高成长性的股票，以获取超额收益[68]。 - **因子具体构建过程**：根据一致预期数据计算归母净利润增长率，筛选成长性高于行业平均的股票[17]。 3. **因子名称**：市值因子 - **因子构建思路**：筛选小市值股票，以获取超额收益[68]。 - **因子具体构建过程**：根据自由流通市值数据，筛选市值低于行业中位数的股票[68]。 因子的回测效果 1. **盈利因子**： - 在基金持仓中超配，贡献了部分超额收益[68]。 2. **成长因子**： - 在基金持仓中超配，贡献了部分超额收益[68]。 3. **市值因子**： - 在基金持仓中低配，但小市值风格仍贡献了部分超额收益[68]。 其他关键指标 - **中证500指数估值**：市盈率30.78倍，市净率2.06倍，处于历史低位[8]。 - **中证500指数风格暴露**：中市值、高流动性、高Beta[29]。 - **中证500指数行业分布**：行业均衡，前十大行业累计权重73%[20]。 - **中证500指数成份股分散度**：前十大成份股累计权重仅5.75%[21]。

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：均线距离择时模型** - **模型构建思路**：通过比较Wind全A指数的短期均线（20日）和长期均线（120日）的距离来判断市场趋势[2][9] - **模型具体构建过程**： 计算20日均线和120日均线的差值，公式为： $$均线距离 = \frac{20日均线 - 120日均线}{120日均线} \times 100\%$$ 当均线距离绝对值大于3%时，认为市场处于上行趋势[2][9] - **模型评价**：简单直观，能够有效捕捉市场趋势变化 2. **模型名称：仓位管理模型** - **模型构建思路**：结合估值水平和短期趋势判断，为绝对收益产品提供仓位建议[3][10] - **模型具体构建过程**： 根据Wind全A的PE（70分位）和PB（30分位）估值水平，结合均线距离信号，建议仓位80%[3][10] 3. **模型名称：TWO BETA行业配置模型** - **模型构建思路**：基于市场风险偏好和行业特性推荐科技板块[2][8] - **模型具体构建过程**： 未披露具体公式，但持续推荐军工和算力板块[2][8] - **模型评价**：适合上行趋势市场环境 模型的回测效果 1. **均线距离择时模型** - 当前均线距离：6.92%[2][9] - 趋势判断：上行趋势（距离>3%）[2][9] 2. **仓位管理模型** - 建议仓位：80%[3][10] 量化因子与构建方式 1. **因子名称：赚钱效应因子** - **因子构建思路**：通过计算当前价格与趋势线的偏离程度反映市场赚钱效应[2][8] - **因子具体构建过程**： $$赚钱效应值 = \frac{当前价格 - 趋势线}{趋势线} \times 100\%$$ 当值为正时保持高仓位[2][8] - **因子评价**：有效反映市场资金流向 2. **因子名称：估值分位因子** - **因子构建思路**：通过PE/PB历史分位数判断市场估值水平[3][10] - **因子具体构建过程**： 计算Wind全A指数PE/PB在过去10年（2014-2025）的历史分位数[11][14] 因子的回测效果 1. **赚钱效应因子** - 当前取值：2.30%[2][8] - 趋势线位置：5540点[2][8] 2. **估值分位因子** - PE分位：70%[3][10] - PB分位：30%[3][10]

根据提供的研报内容，以下是量化模型和因子的详细总结： 量化模型与构建方式 1. **模型名称：遗传规划行业轮动模型** - **模型构建思路**：直接对行业指数的量价、估值等数据进行因子挖掘，每季度末更新因子库，采用周频调仓[30][32] - **模型具体构建过程**： 1. 每周末计算多因子综合得分，选取得分最高的五个行业 2. 对选中的行业进行等权配置 3. 季度末更新因子库以保持模型适应性[30][32] - **模型评价**：能够紧跟市场主线，捕捉热点板块，如科技、消费和周期行业的轮动机会[32][33] 2. **模型名称：境内绝对收益ETF模拟组合** - **模型构建思路**：大类资产配置权重基于资产近期趋势计算，权益内部配置采用月频行业轮动模型观点[34][36] - **模型具体构建过程**： 1. 对趋势较强的资产赋予较高权重 2. 权益资产内部直接采用行业轮动模型的月度观点 3. 动态调整权益和商品仓位[34][36] 3. **模型名称：全球资产配置模拟组合** - **模型构建思路**：基于周期三因子定价模型预测全球大类资产收益率，采用"动量选资产，周期调权重"的风险预算框架[40][42] - **模型具体构建过程**： 1. 对资产未来收益率进行预测排序 2. 根据动量选择资产，周期调整权重 3. 目前超配债券和外汇[40][42] 模型的回测效果 1. **遗传规划行业轮动模型** - 年化收益：31.39% - 年化波动：18.12% - 夏普比率：1.73 - 最大回撤：-19.63% - 卡玛比率：1.60 - 上周表现：3.15% - YTD：28.79%[32] 2. **境内绝对收益ETF模拟组合** - 年化收益率：6.52% - 年化波动率：3.81% - 最大回撤：4.65% - 夏普比率：1.71 - Calmar比率：1.40 - 今年以来收益率：5.69% - 近一周收益率：0.34%[39] 3. **全球资产配置模拟组合** - 年化收益率：7.22% - 年化波动率：4.82% - 最大回撤：-6.44% - 夏普比率：1.50 - Calmar比率：1.12 - 今年以来收益率：-3.04% - 近一周收益率：0.61%[41] 情绪指标构建方式 1. **期权市场情绪指标** - **构建思路**：通过认购与认沽期权成交活跃程度表征投资者方向性观点[17][20] - **具体构建**： 1. 计算上证50ETF和沪500ETF期权的认购成交额与认沽成交额之比 2. 观察该比值是否突破布林带上轨判断过热信号[17][20] 2. **隐含波动率指标** - **构建思路**：通过认购与认沽期权隐含波动率比值衡量投资者情绪[20][25] - **具体构建**： 1. 计算认购期权隐含波动率与认沽期权隐含波动率比值 2. 比值高低反映市场乐观或悲观程度[20][25] 3. **股指期货基差指标** - **构建思路**：基差体现投资者对未来价格的预期，与市场情绪相关[26][29] - **具体构建**： 1. 对IC、IF、IH、IM四个品种计算持仓量加权年化基差率 2. 基差序列趋势反映期货市场情绪变化[26][29] 情绪指标近期表现 1. **期权成交额沽购比**：上周有所回升但仍低于7月极值水平[17][24] 2. **隐含波动率比值**：上周震荡下行[20][25] 3. **股指期货基差率**：上周维持波动向下趋势[26][29]

根据研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **商品期限结构模拟组合** - 模型构建思路：基于展期收益率因子刻画商品升贴水状态，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] - 模型具体构建过程： 1. 计算各品种的展期收益率因子 2. 根据展期收益率排序，构建多空组合 3. 动态调整仓位，保持板块均衡[24] - 模型评价：近期表现较好，能有效捕捉商品期限结构带来的收益[23] 2. **商品时序动量模拟组合** - 模型构建思路：基于多个技术指标刻画商品中长期趋势，动态做多趋势上涨的资产，做空趋势下跌的资产[24] - 模型具体构建过程： 1. 计算各品种的技术指标（如均线、MACD等） 2. 根据趋势信号构建多空组合 3. 定期调整仓位[24] - 模型评价：对趋势行情的捕捉能力较强，但近期表现较弱[33] 3. **商品截面仓单模拟组合** - 模型构建思路：基于仓单因子刻画商品基本面变化情况，动态做多仓单下降的资产，做空仓单增长的资产[24] - 模型具体构建过程： 1. 跟踪各品种的仓单变化情况 2. 根据仓单变化方向构建多空组合 3. 定期调整仓位[24] - 模型评价：对基本面变化的反应较为灵敏[39] 4. **全球市场因子** - 因子构建思路：利用海外主要资产价格同比数据构建统一的全球市场因子，反映资本市场周期[14] - 因子具体构建过程： 1. 收集海外主要资产价格同比数据 2. 进行主成分分析（PCA）提取主要因子 3. 通过周期滤波方法构建全球市场因子[15] $$PCA1 = \sum_{i=1}^{n} w_i \cdot r_i$$ 其中$w_i$为权重，$r_i$为资产收益率 - 因子评价：能有效反映全球资本市场周期变化[14] 模型的回测效果 1. **商品期限结构模拟组合** - 近两周收益：1.69%[23] - 今年以来收益：3.09%[23] - 最大回撤：-7.0%[29] 2. **商品时序动量模拟组合** - 近两周收益：-1.22%[26] - 今年以来收益：-3.17%[35] - 最大回撤：-8.0%[36] 3. **商品截面仓单模拟组合** - 近两周收益：-0.56%[26] - 今年以来收益：3.42%[39] - 最大回撤：-6.0%[40] 4. **商品融合策略** - 近两周收益：-0.05%[23] - 今年以来收益：1.09%[23] - 最大回撤：-3.0%[25] 量化因子与构建方式 1. **展期收益率因子** - 因子构建思路：反映商品期货合约的升贴水状态[24] - 因子具体构建过程： 1. 计算近月合约与远月合约的价格差 2. 标准化处理得到展期收益率[24] $$RollYield = \frac{F_t - S_t}{S_t}$$ 其中$F_t$为远月合约价格，$S_t$为近月合约价格 2. **仓单因子** - 因子构建思路：反映商品基本面供需变化[24] - 因子具体构建过程： 1. 跟踪各品种的仓单变化量 2. 标准化处理得到仓单因子[24] 3. **技术指标因子** - 因子构建思路：反映商品价格趋势[24] - 因子具体构建过程： 1. 计算各品种的均线、MACD等技术指标 2. 综合多个指标构建趋势信号[24] 因子的回测效果 1. **展期收益率因子** - 近两周收益贡献：玻璃1.27%、PVC0.32%、橡胶0.31%[30] 2. **仓单因子** - 近两周收益贡献：玉米0.54%、聚丙烯0.27%、沪镍0.22%[43] 3. **技术指标因子** - 近两周收益贡献：豆油0.26%、石油气0.16%、豆粕0.07%[37]

根据提供的研报内容，以下是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**：沪深300上涨家数占比情绪指标 **模型构建思路**：通过计算指数成分股近期正收益的个数来判断市场情绪，强势股的持续上行能为整个板块带来机会[23] **模型具体构建过程**： - 计算沪深300指数成分股过去N日收益大于0的个股数占比 - 公式：$$沪深300指数N日上涨家数占比 = \frac{沪深300指数成分股过去N日收益>0的个股数}{沪深300指数成分股总数}$$ - 当市场中正收益股票增多时处于行情底部，大部分股票正收益时可能过热[23] **模型评价**：能较快捕捉上涨机会，但会错失持续亢奋阶段的收益，对下跌市场判断存在缺陷[25] 2. **模型名称**：沪深300上涨家数占比择时模型 **模型构建思路**：通过对情绪指标进行不同窗口期平滑来捕捉市场情绪拐点[26] **模型具体构建过程**： - 对上涨家数占比指标进行N1=50和N2=35的移动平均（慢线和快线） - 当快线>慢线时看多市场[28] - 截至2025年8月8日快线在慢线上方，维持看多观点[26] 3. **模型名称**：均线情绪指标 **模型构建思路**：通过八均线体系判断指数趋势状态[32] **模型具体构建过程**： - 计算沪深300收盘价的8条均线（参数：8,13,21,34,55,89,144,233） - 统计当日收盘价大于均线的数量，超过5条时看多[32] - 截至2025年8月8日处于情绪景气区间[32] 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**：衡量指数成分股间收益离散程度，反映Alpha环境强弱[37] **因子具体构建过程**： - 计算指数成分股日收益率的横截面标准差 - 统计结果显示：沪深300近一季度横截面波动率1.63%，处于近半年48.86%分位[40] 2. **因子名称**：时间序列波动率因子 **因子构建思路**：反映指数成分股时间维度上的波动特征[40] **因子具体构建过程**： - 计算指数成分股加权时间序列波动率 - 沪深300近一季度时序波动率0.47%，处于近半年33.13%分位[42] 模型的回测效果 1. 沪深300上涨家数占比择时模型： - 快线/慢线金叉信号持续有效[26] - 策略净值在情绪景气区间显著跑赢基准[29] 2. 均线情绪指标模型： - 八均线指标值与指数净值呈现正相关性[35] - 在情绪区间7-9时超额收益明显[32] 因子的回测效果 1. 横截面波动率因子： - 沪深300近一年均值1.87%，当前1.63%[40] - 中证1000近半年均值2.31%，当前处于29.88%分位[40] 2. 时间序列波动率因子： - 沪深300近两年均值0.59%，当前0.47%[42] - 中证500近半年均值0.41%，当前处于34.13%分位[42]

量化因子与构建方式 1. **因子名称：日内高频偏度因子** - 构建思路：通过捕捉股票日内收益分布的偏度特征来预测未来收益[13] - 具体构建过程：计算日内收益率的三阶矩标准化后的偏度值，公式为： $$Skew = \frac{E[(r-\mu)^3]}{\sigma^3}$$ 其中$r$为日内收益率，$\mu$为均值，$\sigma$为标准差[13] 2. **因子名称：日内下行波动占比因子** - 构建思路：衡量下行波动在总波动中的占比，反映风险不对称性[19] - 具体构建过程：计算下行收益率的标准差与整体标准差的比值： $$DownVolRatio = \frac{\sqrt{\sum_{r<0}(r-\mu_-)^2/N_-}}{\sigma}$$ $\mu_-$为下行收益均值，$N_-$为下行观测数[19] 3. **因子名称：开盘后买入意愿占比因子** - 构建思路：通过开盘后特定时段的大单买入占比捕捉资金流向[23] - 具体构建过程：统计开盘后30分钟内大单买入金额占总成交金额比例[23] 4. **因子名称：改进GRU(50,2)+NN(10)因子** - 构建思路：结合门控循环单元(GRU)和神经网络(NN)的深度学习模型[14] - 具体构建过程： - 第一层GRU网络处理50个时间步长的输入特征 - 第二层GRU输出2维隐藏状态 - 10层全连接神经网络进行最终预测[14] 5. **因子名称：多颗粒度模型-5日标签因子** - 构建思路：基于双向AGRU网络处理不同时间尺度的价格特征[70] - 具体构建过程： - 输入层接收5日累计收益率作为训练标签 - 双向AGRU网络提取多时间尺度特征 - 注意力机制动态加权特征重要性[70] 因子回测效果 1. **日内高频偏度因子** - 上周多空收益：-0.66% - 8月多空收益：-0.37% - 2025年多空收益：16.9% - 历史IC：0.026 - 2025年IC：0.037[10] 2. **改进GRU(50,2)+NN(10)因子** - 上周多空收益：1.36% - 8月多空收益：2.42% - 2025年多空收益：28.86% - 历史IC：0.066 - 2025年IC：0.045[12] 3. **多颗粒度模型-5日标签因子** - 上周多空收益：1.65% - 8月多空收益：2.68% - 2025年多空收益：44.62% - 历史IC：0.081 - 2025年IC：0.070[12] AI增强组合表现 1. **中证500 AI增强宽约束组合** - 上周超额收益：0.47% - 8月超额收益：0.85% - 2025年超额收益：11.56%[13] 2. **中证1000 AI增强严约束组合** - 上周超额收益：0.39% - 8月超额收益：0.91% - 2025年超额收益：15.66%[92] 模型构建细节 - **优化目标函数**： $$max\sum\mu_{i}w_{i}$$ 其中$w_i$为股票权重，$\mu_i$为预期超额收益[74] - **交易成本假设**：双边3‰的交易成本[75]

量化模型与构建方式 1. **模型名称**：GARP组合 - **模型构建思路**：结合增长（Growth）与合理估值（Reasonable Price）的选股策略，筛选兼具成长性和估值吸引力的股票[5][9][33] - **模型具体构建过程**： 1. 筛选标的：沪深300成分股 2. 成长性指标：选取营收增长率、净利润增长率排名前30%的股票 3. 估值指标：剔除PE_TTM和PB高于行业中位数的股票 4. 综合评分：对剩余股票按成长性与估值加权打分，选取前50只等权配置 - **模型评价**：在平衡成长与估值风险方面表现优异，长期超额收益稳定 2. **模型名称**：PB-盈利优选组合 - **模型构建思路**：通过低市净率（PB）与高盈利（ROE）双重筛选，挖掘低估值的优质企业[5][29][32] - **模型具体构建过程**： 1. 初筛：沪深300成分股中PB分位数低于30%的股票 2. 盈利筛选：ROE连续两年高于行业均值 3. 动态调整：季度调仓，权重按盈利稳定性调整 - **模型评价**：在低估值风格占优时表现突出，但周期敏感性较高 3. **模型名称**：小盘成长组合 - **模型构建思路**：聚焦小市值且具备高成长特征的股票，捕捉市场弹性[5][38][42] - **模型具体构建过程**： 1. 市值筛选：全市场市值后20%的股票 2. 成长指标：营收增长率、研发投入占比综合排名前20% 3. 流动性过滤：剔除日均成交额低于1000万元的股票 4. 等权配置Top 100股票 - **模型评价**：高风险高收益特征显著，需警惕流动性风险 --- 量化因子与构建方式 1. **因子名称**：反转因子 - **因子构建思路**：捕捉短期价格反转效应的技术类因子[5][46][48] - **因子具体构建过程**： $$ \text{Reversal}_t = \frac{P_{t-5} - P_t}{P_{t-5}} $$ 其中$P_{t-5}$为5日前收盘价，$P_t$为当前收盘价，因子值为负表示近期下跌，可能反弹 - **因子评价**：上周全市场多空收益达0.98%，短期有效性显著 2. **因子名称**：SUE因子（标准化意外盈利） - **因子构建思路**：衡量盈利超预期程度的基本面因子[50][51] - **因子具体构建过程**： $$ \text{SUE} = \frac{\text{实际EPS} - \text{预期EPS}}{\sigma(\text{EPS预测误差})} $$ 其中分母为分析师预测的标准差 - **因子评价**：2025年全市场多空收益12.34%，在沪深300中表现最佳 3. **因子名称**：市值因子 - **因子构建思路**：通过市值分层捕捉规模效应[43][44][45] - **因子具体构建过程**： 1. 每月末计算全市场股票总市值 2. 按市值分为10组，多头为最小10%，空头为最大10% 3. 多空收益 = 多头组合收益 - 空头组合收益 - **因子评价**：小市值效应2025年全市场收益达48%，但波动较大 --- 模型的回测效果 | 模型名称 | 周收益率 | 月收益率 | 年收益率 | 超额收益(年) | 跟踪误差 | 最大回撤 | |------------------------|----------|----------|----------|--------------|----------|----------| | GARP组合 | 3.28% | 4.32% | 28.19% | 23.87% | 10.50% | 3.45% | [9][33][34] | PB-盈利优选组合 | 2.86% | 3.52% | 20.53% | 16.21% | 9.83% | 3.71% | [9][29][32] | 小盘成长组合 | 4.87% | 6.74% | 56.37% | -9.38%* | 11.01% | 21.91% | [9][38][42] *注：小盘组合基准为微盘股指数，年化超额收益为负因基准涨幅更高 --- 因子的回测效果 | 因子名称 | 全市场多空收益(周) | 沪深300多空收益(年) | 中证500多空收益(年) | |----------------|--------------------|---------------------|---------------------| | 反转因子 | 0.98% | -2.34% | 12.18% | [46][48][49] | SUE因子 | 0.51% | 23.16% | 4.08% | [50][51][52] | 市值因子 | 2.47% | 2.61% | 15.43% | [43][44][45]

根据提供的研报内容，以下是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**：宽基轮动策略 - **模型构建思路**：基于主流宽基指数（沪深300/中证500/中证1000/中证2000）的热度变化率构建轮动策略，捕捉市场情绪驱动的短期超额收益[8][12] - **模型具体构建过程**： 1. 计算每周各宽基成分股的总热度指标（浏览+自选+点击次数之和，归一化为全市场占比后乘以10000）[7] 2. 计算周度热度变化率的2周移动平均（MA2）[9] 3. 每周最后一个交易日买入MA2变化率最大的宽基指数，若为"其他"组则空仓[12] - **模型评价**：策略通过非主流宽基的热度异常变化捕捉市场情绪拐点，但依赖短期行为金融效应[9] 2. **模型名称**：概念热度组合策略 - **模型构建思路**：筛选高热度概念中的低关注个股，利用市场过度反应与滞后效应获取超额收益[29][31] - **模型具体构建过程**： 1. 每周选出热度变化率TOP5的概念，排除流通市值最小的20%股票[29] 2. 从每个概念中分别选取总热度排名最后10的个股构建BOTTOM组合（等权重）[29] 3. 持有周期为一周，动态调仓[31] --- 量化因子与构建方式 1. **因子名称**：个股总热度因子 - **因子构建思路**：通过归一化处理个股的浏览、自选、点击数据，衡量市场关注度[7] - **因子具体构建过程**： $$ \text{总热度} = \left( \frac{\text{浏览+自选+点击次数}}{\text{全市场总次数}} \right) \times 10000 $$ 取值区间[0,10000]，数值越高代表关注度越集中[7] 2. **因子名称**：行业热度变化率因子 - **因子构建思路**：监测申万一级/二级行业的热度边际变化，捕捉行业轮动信号[19][26] - **因子具体构建过程**： 1. 对行业成分股的总热度指标求和[19] 2. 计算周度变化率的MA2平滑值[19] 3. 国防军工行业本周变化率+43.6%（正向最大），煤炭行业-36.2%（负向最大）[26] 3. **因子名称**：概念热度变化率因子 - **因子构建过程**：与行业因子类似，但针对概念板块（如中船系周变化率+134%）[27][29] --- 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%，2025年收益20.95%[15] 2. **概念BOTTOM组合**： - 年化收益15.71%，最大回撤28.89%，2025年收益29%[31] --- 因子的回测效果 1. **行业热度变化率因子**： - 国防军工（+43.6%）、传媒（+38.2%）、电子（+35.1%）为本周正向TOP3[26] 2. **概念热度变化率因子**： - 中船系（+134%）、脑机接口（+106.5%）、高压氧舱（+100.5%）为本周正向TOP3[29] --- 其他量化指标 1. **估值分位数因子**： - 沪深300/中证500/中证1000的5年估值分位数分别为73%/96%/86%[36] - 银行、电力设备等行业估值分位数>80%，农林牧渔、公用事业<20%[37][39] （注：部分内容如股权激励事件跟踪等未涉及量化模型/因子，故未列出）

量化模型与构建方式 1. **模型名称：DTW择时模型** - **模型构建思路**：基于相似性原理和DTW（动态时间规整）算法，通过比较当前指数行情与历史行情的相似度，筛选相似片段并预测未来涨跌幅[25][26] - **模型具体构建过程**： 1. 计算当前行情与历史片段的DTW距离（弹性度量），筛选距离最小的前N个片段[27][28] 2. 对筛选片段未来5日或1日涨跌幅加权平均（权重为距离倒数），公式： $$\text{预测涨跌幅} = \frac{\sum_{i=1}^N w_i \cdot r_i}{\sum_{i=1}^N w_i}, \quad w_i = \frac{1}{d_i}$$ 其中$d_i$为DTW距离，$r_i$为历史片段未来涨跌幅[15] 3. 引入改进的DTW算法（如Sakoe-Chiba或Itakura边界限制）避免"病态匹配"[29][35] - **模型评价**：在非突发政策市场环境下超额收益稳定，但对宏观政策突变敏感[16] 2. **模型名称：外资择时模型** - **模型构建思路**：利用境外关联资产（富时中国A50期货和南方A50ETF）的价格背离和升贴水信号构建复合择时信号[34] - **模型具体构建过程**： 1. 从富时中国A50期货提取升贴水指标和价格背离指标[34] 2. 从南方A50ETF提取价格背离指标[34] 3. 复合两类资产信号生成最终外资择时信号[34] - **模型评价**：样本外表现优异，多空策略年化收益达18.96%[20] --- 模型的回测效果 1. **DTW择时模型** - 样本外（2022年11月以来）：绝对收益25.79%，超额沪深300收益16.83%，最大回撤21.32%[5][16] - 2024年以来：绝对收益23.98%，超额收益2.76%，最大回撤21.36%，交易胜率53.85%，盈亏比2.93[18][19] 2. **外资择时模型** - 全样本（2014-2024）：多空年化收益18.96%，多头年化14.19%，最大回撤25.69%（多空）/17.27%（多头），日胜率55%[20] - 2024年样本外：多头绝对收益29.11%，最大回撤8.32%[23] --- 量化因子与构建方式 1. **因子名称：大小盘轮动(DTW)** - **因子构建思路**：基于DTW算法比较大小盘指数（如沪深300与中证1000）的相对强弱[15] - **因子具体构建过程**：通过DTW距离筛选历史相似片段，计算未来涨跌幅差异判断轮动方向[15] 2. **因子名称：成长价值轮动(估值比)** - **因子构建思路**：结合PS（市销率）和PCF（市现率）等估值指标判断成长与价值风格相对优势[15] --- 因子的回测效果 1. **大小盘轮动(DTW)** - 2024年信号：持续看多小盘风格[15][19] 2. **成长价值轮动(估值比)** - 最新信号：PS指标看多价值，PCF指标看多成长，综合无明确信号[15]

根据提供的研报内容，该报告主要跟踪了各类量化基金的业绩表现，但未涉及具体的量化模型或因子构建细节。以下是基于文档内容的总结： 量化基金业绩统计 1. **沪深300指增基金** - 本周平均超额收益0.17%，正超额占比82.61%[9] - 近一年跟踪误差中位数3.25%，最大回撤中位数14.03%[9] 2. **中证500指增基金** - 本周平均超额收益0.01%，正超额占比55.71%[9] - 近一年跟踪误差中位数4.77%，超额收益分布呈右偏[9][11] 3. **中证1000指增基金** - 年度超额收益达5.81%，正超额占比95.65%[9] - 跟踪误差中位数5.00%，显著高于其他指增类型[9] 4. **主动量化基金** - 年度平均收益14.99%，正收益占比97.91%[9] - 近一年最大回撤中位数14.03%，收益分布呈现两极分化[9][11] 5. **市场中性策略** - 年度收益1.38%，波动率显著低于权益类策略[9] - 近一年最大回撤中位数3.81%，体现低风险特征[9] 业绩分布特征 - 中证1000指增超额收益分布最分散，沪深300指增最集中[11] - 主动量化基金收益区间跨度最大（-16.52%至123.01%）[9][11] 净值走势分析 - 中证A500指增组合年内超额净值增长最快（2025年4-8月）[20][21] - 市场中性组合净值波动率显著低于主动量化组合[25][28] 注：报告中未提及具体的量化模型构建方法或因子计算过程，主要聚焦于基金产品的业绩归因和横向比较[1][3][29]