量化模型与构建方式 1. **模型名称：扩散指数模型** - **模型构建思路**：通过监测微盘股成分股未来N天股价涨跌幅的扩散指数临界点，判断市场变盘信号[5][19] - **模型具体构建过程**： 1. 横轴设定未来N天股价相对涨跌幅（1.1至0.9代表涨10%至跌10%） 2. 纵轴设定回顾窗口期长度T天（T从20到10对应未来N=0到10天） 3. 计算扩散指数值（例：横轴0.95和纵轴15天值为0.21，表示未来5天若成分股均跌5%，扩散指数为0.21）[40] 4. 结合三种交易信号方法（首次阈值法、延迟阈值法、双均线法）生成交易信号[5][19] 2. **模型名称：首次阈值法（左侧交易）** - **模型构建思路**：基于扩散指数提前触发空仓信号[5] - **模型具体构建过程**：当扩散指数首次跌破阈值（如2025年5月8日收盘0.9850）时触发空仓[45] 3. **模型名称：延迟阈值法（右侧交易）** - **模型构建思路**：在扩散指数确认趋势后触发信号[5] - **模型具体构建过程**：延迟观察扩散指数变化（如2025年5月15日收盘0.8975触发空仓）[49] 4. **模型名称：双均线法（自适应交易）** - **模型构建思路**：结合均线交叉动态调整仓位[5] - **模型具体构建过程**：短期均线下穿长期均线时翻空（如2025年8月4日信号）[50] 5. **模型名称：小市值低波50策略** - **模型构建思路**：在微盘股成分股中优选小市值和低波动股票[7][37] - **模型具体构建过程**： 1. 筛选微盘股成分股市值最小的50只股票 2. 计算历史波动率并选择低波动标的 3. 每双周调仓一次，费用双边千三[37] - **模型评价**：策略在2025年YTD收益73.21%，但本周超额-1.25%，受市场风格影响较大[37] --- 量化因子与构建方式 1. **因子名称：对数市值因子** - **因子构建思路**：捕捉市值对收益的影响[4][18] - **因子具体构建过程**：$$ \text{因子值} = \ln(\text{总市值}) $$ - **因子评价**：本周rankic 0.206（历史平均-0.033），近期有效性显著提升[4][18] 2. **因子名称：非线性市值因子** - **因子构建思路**：捕捉市值非线性的收益贡献[4] - **因子具体构建过程**：通过分段函数或多项式拟合市值与收益的非线性关系 - **因子评价**：本周rankic 0.206（历史平均-0.033），与对数市值因子表现一致[4] 3. **因子名称：未复权股价因子** - **因子构建思路**：利用股价绝对值筛选标的[4] - **因子具体构建过程**：直接取股票未复权价格 - **因子评价**：本周rankic 0.15（历史平均-0.014），短期有效性增强[4] 4. **因子名称：盈利因子** - **因子构建思路**：衡量公司盈利能力[4] - **因子具体构建过程**：$$ \text{因子值} = \frac{\text{净利润}}{\text{总资产}} $$ - **因子评价**：本周rankic 0.141（历史平均0.022），基本面因子表现稳定[4] 5. **因子名称：单季度净资产收益率因子** - **因子构建思路**：聚焦短期ROE变化[4] - **因子具体构建过程**：$$ \text{因子值} = \frac{\text{单季度净利润}}{\text{净资产}} $$ - **因子评价**：本周rankic 0.137（历史平均0.022），与盈利因子相关性较高[4] 6. **因子名称：非流动性因子** - **因子构建思路**：衡量股票流动性风险[4] - **因子具体构建过程**：$$ \text{因子值} = \frac{\text{日均换手率}^{-1}}{\text{市值}} $$ - **因子评价**：本周rankic -0.128（历史平均0.04），流动性差的股票近期表现不佳[4] 7. **因子名称：动量因子** - **因子构建思路**：捕捉历史收益率延续性[4] - **因子具体构建过程**：$$ \text{因子值} = \text{过去10天收益率} $$ - **因子评价**：本周rankic -0.027（历史平均-0.005），反转效应明显[4] --- 模型的回测效果 1. **扩散指数模型** - 首次阈值法：2025年5月8日触发空仓信号[45] - 延迟阈值法：2025年5月15日触发空仓信号[49] - 双均线法：2025年8月4日触发空仓信号[50] 2. **小市值低波50策略** - 2024年收益7.07%，超额-2.93%[37] - 2025年YTD收益73.21%，本周超额-1.25%[37] --- 因子的回测效果 1. **对数市值因子**：本周rankic 0.206，历史平均-0.033[4] 2. **非线性市值因子**：本周rankic 0.206，历史平均-0.033[4] 3. **未复权股价因子**：本周rankic 0.15，历史平均-0.014[4] 4. **盈利因子**：本周rankic 0.141，历史平均0.022[4] 5. **单季度ROE因子**：本周rankic 0.137，历史平均0.022[4] 6. **非流动性因子**：本周rankic -0.128，历史平均0.04[4] 7. **动量因子**：本周rankic -0.027，历史平均-0.005[4]

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：扩散指数行业轮动模型** - **模型构建思路**：基于价格动量原理，通过行业扩散指数捕捉行业趋势，选择向上趋势的行业进行配置[24] - **模型具体构建过程**： 1. 计算各中信一级行业的扩散指数，反映行业价格趋势强度 2. 选择扩散指数排名靠前的行业作为配置标的 3. 每月进行轮动调仓，配置扩散指数提升较大的行业[25][26] - **模型评价**：在趋势性行情中表现较好，但在市场反转时可能失效[24] 2. **模型名称：GRU因子行业轮动模型** - **模型构建思路**：基于GRU深度学习网络，利用分钟频量价数据生成行业因子，捕捉短期交易机会[30] - **模型具体构建过程**： 1. 使用GRU网络处理行业分钟频量价数据 2. 输出行业因子得分，反映行业短期动量特征 3. 选择GRU因子得分较高的行业进行配置[31][32] - **模型评价**：在短周期表现较好，但长周期表现一般，极端行情可能失效[30] 量化因子与构建方式 1. **因子名称：行业扩散指数** - **因子构建思路**：衡量行业价格趋势强度，反映行业动量特征[25] - **因子具体构建过程**： 1. 计算行业价格序列的扩散指标 2. 标准化处理得到扩散指数，取值范围0-1 3. 指数越高表示行业趋势越强[26] 2. **因子名称：GRU行业因子** - **因子构建思路**：通过GRU网络提取行业量价特征，反映短期交易信号[31] - **因子具体构建过程**： 1. 输入行业分钟频量价数据到GRU网络 2. 网络输出行业因子得分，得分越高表示短期动量越强[32] 模型的回测效果 1. **扩散指数行业轮动模型** - 2025年8月超额收益1.51%[28] - 2025年以来超额收益1.75%[28] 2. **GRU因子行业轮动模型** - 2025年8月超额收益-1.78%[33] - 2025年以来超额收益-6.66%[33] 因子的回测效果 1. **行业扩散指数** - 截至2025年8月15日，排名前六的行业扩散指数值： - 综合金融1.0 - 钢铁1.0 - 非银行金融0.999 - 综合0.998 - 有色金属0.997 - 通信0.997[25] 2. **GRU行业因子** - 截至2025年8月15日，排名前六的GRU因子值： - 有色金属5.67 - 非银行金融4.65 - 建材4.14 - 房地产4.08 - 钢铁3.64 - 基础化工2.71[31]

根据研报内容，总结量化模型与因子如下： 量化因子与构建方式 1. **因子名称**：RSI相对强弱指标 **因子构建思路**：通过计算一定周期内平均涨幅与平均跌幅的比值，判断市场超买或超卖状态[2] **因子具体构建过程**： - 计算公式：$$RSI = 100 - \frac{100}{1 + RS}$$ 其中RS为12天内平均涨幅与平均跌幅的比值[2] - 阈值设定：RSI>70为超买状态，RSI<30为超卖状态[2] **因子评价**：经典动量类指标，适用于短期趋势判断 2. **因子名称**：日内行情趋势 **因子构建思路**：通过5分钟级别成交价捕捉日内价格波动特征[2] **因子具体构建过程**： - 采用分时数据绘制趋势图 - 标记当日最高价（红点）和最低价（红点）[2] 3. **因子名称**：净申购金额 **因子构建思路**：通过净值变化测算资金流动方向[2] **因子具体构建过程**： - 计算公式：$$NETBUY(T) = NAV(T) - NAV(T-1) \times (1+R(T))$$ 其中NAV为ETF净值，R为收益率[2] 因子回测效果 1. **RSI因子** - 华泰柏瑞沪深300ETF取值73.29[4] - 易方达沪深300ETF取值69.68[4] - 南方中证500ETF取值75.37[4] 2. **净申购因子** - 华夏沪深300ETF取值为-3.97亿元[4] - 南方中证500ETF取值为4.57亿元[4] - 华夏上证50ETF取值为20.55亿元[4] 3. **机构持仓占比因子** - 华泰柏瑞沪深300ETF取值83.06%[4] - 华夏沪深300ETF取值91.03%[4] - 嘉实沪深300ETF取值89.88%[4] 注：日内行情趋势因子因属图形化指标未提供具体数值[2]

根据您提供的研报内容，以下是关于量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：动量因子** [29] * **因子构建思路：** 通过计算股票在过去一段时间内的收益率差异，以捕捉价格趋势延续的效应。[29] * **因子具体构建过程：** 以最近一年股票收益率减去最近一个月股票收益率（剔除涨停板）作为动量指标，综合选择A股市场中动量特征强且流动性相对较高的前100只股票作为指数成分股。[29] * **因子评价：** 该因子旨在表征A股市场中最具动量特征的股票的整体走势。[29] 2. **因子名称：反转因子** [30] * **因子构建思路：** 通过计算股票在短期内的收益率，以捕捉价格反向修正的效应。[30] * **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只股票作为指数成分股，并采用成分股近三个月日均成交量进行加权。[30] * **因子评价：** 该因子旨在准确表征我国A股市场各阶段高反转特征个股的整体表现。[30] 3. **因子名称：风格拥挤度因子** [39][128] * **因子构建思路：** 通过衡量特定风格交易的热度或集中度，来判断该风格是否过度拥挤，从而评估其潜在风险与性价比。[39] * **因子具体构建过程：** 1. 计算各风格指数近n个交易日（n=63，即近一个季度）的日均换手率。[128] 2. 在历史时间序列（滚动窗口为6年）上对该换手率进行z-score标准化。[128] 3. 将万得全A指数的同期标准化换手率作为基准。[128] 4. 计算风格指数标准化换手率与万得全A标准化换手率的差值。[128] 5. 最后计算该差值的滚动y年（y=6）历史分位值，得到风格拥挤度分位数。[128] * **因子评价：** 该因子用于监测不同风格（如成长/红利、大盘/小盘）的交易拥挤程度，为风格配置提供风险预警和性价比参考。[39] 4. **因子名称：机构调研活跃度因子** [108][130] * **因子构建思路：** 通过统计机构对上市公司调研的频繁程度，来捕捉市场关注度和潜在的信息优势。[108] * **因子具体构建过程：** 1. 统计板块（指数、行业）的近n个交易日的“日均机构调研次数”。[130] 2. 在滚动y年的历史时间序列上对该值进行z-score标准化。[130] 3. 将万得全A指数的同期标准化值作为基准。[130] 4. 计算板块标准化值与万得全A标准化值的差值，得到“机构调研活跃度”。[130] 5. 最后计算“机构调研活跃度”的滚动y年历史分位数。[130] * **长期口径参数：** n取126（近半年），滚动窗口为6年。[130] * **短期口径参数：** n取63（近一季度），滚动窗口为3年。[130] * **因子评价：** 该因子用于衡量不同板块或行业受机构投资者关注的程度，可能隐含了基本面变化或市场情绪的线索。[108] 因子的回测效果 1. **动量因子** [28] * 近一周收益: 7.3% * 近一月收益: 13.9% * 年初至今收益: 32.1% * 近一周相对收益（动量-反转）: 5.8% * 近一月相对收益（动量-反转）: 9.1% * 年初至今相对收益（动量-反转）: 25.9% 2. **反转因子** [28] * 近一周收益: 1.5% * 近一月收益: 4.8% * 年初至今收益: 6.3% 3. **成长风格因子** [28][39] * 近一周收益（国证成长）: 3.7% * 近一月收益（国证成长）: 5.9% * 年初至今收益（国证成长）: 7.5% * 近一周相对收益（成长-红利）: 4.9% * 近一月相对收益（成长-红利）: 5.0% * 年初至今相对收益（成长-红利）: 8.0% * 当前拥挤度分位: 12% [39] 4. **红利风格因子** [28][39] * 近一周收益（中证红利）: -1.1% * 近一月收益（中证红利）: 0.8% * 年初至今收益（中证红利）: -0.5% * 当前拥挤度分位: 32% [39] 5. **小盘风格因子** [28][39] * 近一周收益（巨潮小盘）: 3.5% * 近一月收益（巨潮小盘）: 7.4% * 年初至今收益（巨潮小盘）: 15.6% * 近一周相对收益（小盘-大盘）: 1.2% * 近一月相对收益（小盘-大盘）: 4.0% * 年初至今相对收益（小盘-大盘）: 8.8% * 当前拥挤度分位: 10% [39] 6. **大盘风格因子** [28][39] * 近一周收益（巨潮大盘）: 2.4% * 近一月收益（巨潮大盘）: 3.4% * 年初至今收益（巨潮大盘）: 6.8% * 当前拥挤度分位: 28% [39] 7. **微盘股风格因子** [28][39] * 近一周收益（万得微盘股）: -0.6% * 近一月收益（万得微盘股）: 8.6% * 年初至今收益（万得微盘股）: 55.7% * 近一周相对收益（微盘股-基金重仓）: -3.8% * 近一月相对收益（微盘股-基金重仓）: 1.9% * 年初至今相对收益（微盘股-基金重仓）: 41.6% * 当前拥挤度分位: 51% [39] 8. **基金重仓风格因子** [28][39] * 近一周收益（基金重仓）: 3.2% * 近一月收益（基金重仓）: 6.8% * 年初至今收益（基金重仓）: 14.1% * 当前拥挤度分位: 23% [39]

根据提供的量化周报内容，以下是总结的量化模型和因子相关内容： 量化模型与构建方式 1.模型名称：A股景气度高频指数；模型构建思路：以上证指数归母净利润同比为Nowcasting目标构建景气度指数[37]；模型具体构建过程：通过跟踪宏观经济指标和行业数据，构建高频更新的景气度指数，反映A股整体盈利周期变化[37][38]；模型评价：能够有效捕捉景气周期转折点 2.模型名称：A股情绪指数；模型构建思路：基于市场波动率和成交额变化方向划分四个象限构造情绪指标[42]；模型具体构建过程：将市场状态分为波动上/下×成交上/下四种组合，其中波动上-成交下区间为显著负收益，其他为正收益[42][43]；模型评价：提供直观的量价情绪判断 3.模型名称：中证500增强组合；模型构建思路：通过多因子选股构建指数增强组合[53]；模型具体构建过程：采用量化选股模型，持仓分散在多个行业，单票权重控制在5%以内[54][55][56] 4.模型名称：沪深300增强组合；模型构建思路：基于量化模型构建指数增强策略[57]；模型具体构建过程：采用因子模型选股，持仓包含金融、消费、科技等多个板块[59][60] 量化因子与构建方式 1.因子名称：BARRA十大类风格因子；因子构建思路：参照BARRA因子模型构建市场风格因子[62]；因子具体构建过程：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)[62] 2.因子名称：行业因子；因子构建思路：构建行业层面的风格因子[63]；因子具体构建过程：包括证券、房地产、电子、国防军工、钢铁、银行等行业因子[63][66] 模型的回测效果 1.A股景气度高频指数，当前指数值22.29，相比2023年底上升16.87[38] 2.中证500增强组合，本周收益2.92%，跑输基准0.96%，2020年至今超额收益50.58%，最大回撤-4.99%[53] 3.沪深300增强组合，本周收益2.28%，跑输基准0.09%，2020年至今超额收益35.61%，最大回撤-5.86%[57] 因子的回测效果 1.Beta因子，本周超额收益较高[63][66] 2.价值因子，本周呈显著负向超额收益[63][66] 3.证券行业因子，本周相对市场跑出较高超额收益[63][66] 4.银行行业因子，本周回撤较多[63][66]

根据提供的研报内容，以下是量化模型和因子的总结： 量化模型与构建方式 1. **模型名称**：攻守兼备红利50组合 **模型构建思路**：结合"稳健+成长"风格，旨在通过主动量化策略在红利资产中实现超额收益[15] **模型具体构建过程**： - 采用"自上而下"选股逻辑，从海量基本面因子库筛选有效选股因子 - 聚焦红利质量表现活跃的细分板块（周度平均收益约1.64%）[16] - 相对纯粹红利资产构建超额收益组合 2. **模型名称**：央国企高分红30组合 **模型构建思路**：专注央国企高分红标的，构建防御性投资组合[15] 3. **模型名称**：电子均衡配置增强组合 **模型构建思路**：在电子板块内进行均衡配置，捕捉细分赛道机会[15] 4. **模型名称**：电子板块优选增强组合 **模型构建思路**：聚焦电子行业成熟期细分赛道的龙头企业[15] 模型的回测效果 1. **攻守兼备红利50组合** - 周度超额收益：1.51%（相对中证红利全收益）[22] - 实现正收益[22] 2. **央国企高分红30组合** - 周度超额收益：0.61%（相对中证红利全收益）[22] 3. **电子板块优选增强组合** - 周度收益：6.20%[31] - 跑赢科技类基金产品中位数[31] 量化因子与构建方式 1. **因子名称**：红利质量因子 **因子构建思路**：筛选具有持续分红能力和高质量财务特征的红利股[16] **因子表现**： - 周度平均收益1.64%[16] - 相对纯粹红利资产超额收益显著[16] 2. **因子名称**：电子终端品因子 **因子表现**： - 相关子行业周度涨幅达8%以上[26] 3. **因子名称**：印制电路板因子 **因子表现**： - 相关子行业周度涨幅达8%以上[26] 4. **因子名称**：集成电路设计因子 **因子表现**： - 相关子行业周度涨幅达8%以上[26] 因子的回测效果 1. **红利质量因子** - 中证红利质量指数周度收益4.19%（超额中证红利指数5.30%）[19] 2. **电子终端品因子** - 相关子行业周度涨幅8%+[26] 3. **印制电路板因子** - 相关子行业周度涨幅8%+[26] 4. **集成电路设计因子** - 相关子行业周度涨幅8%+[26] 注：报告中未提供具体的因子构建公式和详细计算过程，主要展示了策略组合的表现结果和部分细分因子的市场表现[15][16][19][22][26][31]

根据提供的金融工程研报内容，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：A股仓位择时策略 - **模型构建思路**：基于市场情绪、流动性指标和技术信号对沪深300ETF进行多头仓位择时，以捕捉市场趋势[1][8][17] - **模型具体构建过程**：通过监测融资余额、北向资金流向、公募仓位变化等流动性指标，结合技术面信号（如突破关键点位）进行仓位调整。具体包含以下指标： - 融资余额变化率 - 北向资金净流入/流出意愿 - 公募基金仓位变动 - 关键技术点位突破信号[17][46][47] 2. 模型名称：A股多空择时策略 - **模型构建思路**：基于市场多空信号对沪深300股指期货进行多空双向择时交易[19][20] - **模型具体构建过程**：综合运用市场广度、情绪指标和技术指标生成多空信号，具体包括： - 市场广度指标（上涨/下跌家数比） - 波动率指标 - 趋势跟踪指标 - 均值回归信号[20] 3. 模型名称：港股仓位择时策略 - **模型构建思路**：基于港股市场情绪面和资金面指标进行仓位择时[21][48][49] - **模型具体构建过程**：通过监测以下指标进行仓位调整： - 卖空成交占比（当低于阈值时看多） - PCR指标（Put-Call Ratio） - 南向资金净流入规模 - HIBOR利率变化[48][49] 4. 模型名称：A股小微盘择时策略 - **模型构建思路**：基于流动性和技术面指标对小微盘股票进行择时[23][56] - **模型具体构建过程**：使用以下指标构建择时信号： - 流动性宽松指标 - RSI技术指标 - 小微盘拥挤度指标 - 赔率指标[56] 5. 模型名称：A股红利成长择时策略 - **模型构建思路**：基于期限利差、社融增速等宏观指标进行红利与成长风格的择时[24][26][55] - **模型具体构建过程**：监测以下指标： - 期限利差变化 - 社融增速 - 外资流入意愿 - ETF红利净买入速度[55] 6. 模型名称：美股择时策略 - **模型构建思路**：基于美元流动性和技术信号对美股进行杠杆择时[27][29][41] - **模型具体构建过程**：使用美元真实流动性指标构建择时信号： - 美联储资产负债表规模变化 - TGA账户变动 - 隔夜逆回购规模变化 - 技术面突破信号[29][41] 7. 模型名称：黄金择时策略 - **模型构建思路**：基于降息预期、央行增持和技术面进行黄金择时[30][32][58] - **模型具体构建过程**：综合考虑以下因素： - 美联储降息预期 - 央行黄金增持数据 - 地缘政治风险 - 技术面支撑阻力位[58] 8. 模型名称：ETF组合策略-偏股型（鑫选技术面量化） - **模型构建思路**：通过技术面量化方法构建ETF投资组合[10][33][60] - **模型具体构建过程**：基于动量、趋势和技术指标选择ETF品种，包括： - 动量因子排序 - 趋势跟踪信号 - 技术突破确认 - 风险分散约束[33][60] 9. 模型名称：ETF组合策略-偏债型（量化全天候） - **模型构建思路**：构建跨资产类别的全天候投资策略[10][35][37] - **模型具体构建过程**：通过量化方法配置多资产类别： - 权益类资产（QDII、ETF） - 债券类资产（国债、地债） - 商品类资产（黄金ETF） - 动态风险平衡模型[35][37][60] 量化因子与构建方式 1. 因子名称：美元真实流动性因子 - **因子构建思路**：通过美联储资产负债表和流动性工具测算美元真实流动性水平[2][41] - **因子具体构建过程**：使用公式： $$流动性 = 美联储资产负债表 - TGA账户 - 隔夜逆回购$$ 其中TGA账户代表财政部一般账户，隔夜逆回购反映市场剩余流动性[2][41] 2. 因子名称：金融条件指数 - **因子构建思路**：综合反映市场风险偏好的金融条件指标[5][43] - **因子具体构建过程**：通过多个市场指标合成，包括： - 信用利差 - 波动率指数 - 汇率变化 - 利率水平[5][43] 3. 因子名称：拥挤度因子 - **因子构建思路**：衡量小微盘交易过热程度的指标[56] - **因子具体构建过程**：通过以下指标计算： - 换手率偏离度 - 估值分位数 - 资金流入集中度 - 动量极端值[56] 4. 因子名称：南向资金因子 - **因子构建思路**：跟踪南向资金流向和偏好[48][49] - **因子具体构建过程**：监测： - 南向资金净流入规模 - 行业配置偏好 - 个股集中度 - 资金流向持续性[49] 模型的回测效果 1. A股仓位择时策略 - 历史净值表现：2016年至今实现显著超额收益[17][18] - 风险调整收益：优于沪深300持有策略[17] 2. A股多空择时策略 - 策略净值：多空择时策略净值表现稳定[20] - 超额收益：相对沪深300持有曲线有明显超额[20] 3. 港股仓位择时策略 - 绝对收益：港股择时策略实现正收益[21] - 风险控制：有效控制港股市场波动风险[21] 4. 美股择时策略 - 杠杆收益：2倍杠杆择时净值显著高于标普500持有净值[29] - 信号准确性：多空信号捕捉主要市场转折点[29] 5. ETF组合策略-偏股型 - 绝对收益：2024年初至今42.75%[10][60] - 相对收益：相对沪深300超额18.65%，相对ETF等权超额13.08%[10][60] 6. ETF组合策略-偏债型 - 累积收益：8.91%[10][60] - 最大回撤：3.26%[10][60] - 单周涨幅：0.28%[10][60] 因子的回测效果 1. 美元真实流动性因子 - 预测效果：有效预警美股流动性风险[2][41] - 市场影响：流动性变化与市场波动高度相关[2][41] 2. 金融条件指数 - 风险偏好指示：准确反映市场risk on/risk off转换[5][43] - 趋势跟踪：持续位于120日均线之上表明risk on[5][43] 3. 拥挤度因子 - 预警功能：6月初提示小微盘交易过热风险[56] - 反转信号：拥挤度极端值后市场往往出现调整[56] 4. 南向资金因子 - 资金流向：本周累计买入381亿元[49] - 行业偏好：非银、医药、电子为买入前三行业[49]

量化模型与构建方式 1. **模型名称：游资活跃度指标** - **模型构建思路**：通过剔除机构席位主导的股票，分析剩余股票的市值分位数，构建反映游资活跃度的指标[11] - **模型具体构建过程**： 1. 从龙虎榜数据中剔除机构专用、沪股通等机构席位主导的股票 2. 计算剩余股票的平均市值分位数（2018年以来稳定在30%-50%分位，对应中证2000市值域） 3. 指标与国证2000相对沪深300的相对净值相关系数达0.94，验证其对小盘风格定价的主导性[11] - **模型评价**：有效捕捉游资对小盘风格的影响，历史分位显示当前活跃度位于高位[11] 2. **模型名称：知情交易者活跃度指标** - **模型构建思路**：通过微观市场结构数据（如订单流、买卖价差）识别知情交易者的交易行为[15] - **模型评价**：与市场走势同步性高，近期显示谨慎乐观信号[15] 3. **模型名称：行业收益分化度指标** - **模型构建思路**：衡量行业内部个股收益离散程度，反映资金集中度[13] - **模型具体构建过程**： 计算行业成分股每日收益标准差的滚动20日均值，分位数越低表明分化度越小（通信/有色金属/电子当前分位为44.4%/61.8%/54.7%）[13] --- 量化因子与构建方式 1. **因子名称：BARRA风格因子（EP价值、动量、市值等）** - **因子构建思路**：基于BARRA多因子模型，拆解市场风格收益来源[24] - **因子具体构建过程**： - **EP价值因子**：$$ EP = \frac{净利润}{市值} $$，高EP股票近期超额显著[24] - **动量因子**：计算短期价格动量，本周超额0.3%[24] - **市值因子**：非线性市值因子本周回撤-0.3%，小盘风格占优[24] 2. **因子名称：分析师一致预期因子（ROE/净利润增速）** - **因子构建思路**：跟踪分析师对行业未来12个月的盈利预测变化[19] - **因子具体构建过程**： 计算申万一级行业ROE/净利润增速的滚动环比变化（如社会服务行业净利润增速环比+1.16%）[19] --- 模型的回测效果 1. **游资活跃度指标**： - 与国证2000相对收益相关系数0.94[11] - 当前融资余额增长位于2010年以来93.8%分位[11] 2. **知情交易者活跃度指标**： - 本周与市场上涨同步，边际信号为谨慎乐观[15] 3. **行业收益分化度指标**： - 通信/有色金属/电子行业分化度分位值44.4%/61.8%/54.7%[13] --- 因子的回测效果 1. **BARRA风格因子**： - EP价值因子本周收益+0.2%，近一季持续强势[24] - 动量因子本周收益+0.3%，短期超额显著[24] - 市值因子本周收益+0.1%，小盘风格占优[24] 2. **分析师一致预期因子**： - 通信行业ROE环比+0.39%，电子+0.16%[19] - 社会服务行业净利润增速环比+1.16%[19]

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**：通过分歧度、流动性和景气度三个维度对市场进行择时判断[7] - **模型具体构建过程**： 1. **分歧度指数**：衡量市场参与者观点的离散程度，反映市场情绪分化[12] 2. **流动性指数**：跟踪市场资金面松紧程度[22] 3. **景气度指数**：监测宏观经济和企业盈利状况[26] 将三个指标综合判断，当三者同步上行时给出看涨信号[14] - **模型评价**：历史表现显示该框架能有效捕捉市场趋势转折点[19] 2. **模型名称：ETF热点趋势策略** - **模型构建思路**：通过技术形态和资金流筛选短期热点ETF[31] - **模型具体构建过程**： 1. 筛选最高价与最低价同时呈上涨形态的ETF 2. 计算支撑阻力因子：$$ \text{斜率} = \frac{\text{最高价}_{20日回归系数}}{\text{最低价}_{20日回归系数}} $$ 3. 选择换手率提升明显的ETF：$$ \text{换手率比} = \frac{\text{近5日换手率}}{\text{近20日换手率}} $$ 4. 对筛选出的10只ETF构建风险平价组合[31] 3. **模型名称：资金流共振策略** - **模型构建思路**：结合两融资金与大单资金流向寻找行业配置机会[35] - **模型具体构建过程**： 1. 构建行业融资融券资金因子： $$ \text{融资因子} = \text{Barra市值中性化}(\text{融资净买入-融券净卖出})_{50日均值环比} $$ 2. 构建行业主动大单资金因子： $$ \text{大单因子} = \frac{\text{行业净流入}}{\text{年成交量时序中性化}} $$ 3. 在主动大单因子头部行业中剔除融资因子极端多头行业[35] - **模型评价**：2018年以来年化超额收益13.5%，IR达1.7[35] 模型的回测效果 1. **三维择时框架**： - 2025年8月给出震荡上涨信号[7] - 历史回测显示信号胜率68%[19] 2. **ETF热点趋势策略**： - 本周组合含金融(32.69%)、创新药(5.67%)等ETF[32] - 近一月资金净流入194.56亿元[32] 3. **资金流共振策略**： - 本周超额收益-1.7%(相对行业等权)[35] - 年化换手率450%[35] 量化因子与构建方式 1. **因子名称：风格因子群** - **因子构建思路**：采用Barra框架体系监测市场风格特征[43] - **因子具体构建过程**： - 动量因子：过去12个月收益率[43] - 流动性因子：$$ \text{Amihud非流动性指标} $$ - 估值因子：EP、BP等传统价值指标[43] 2. **因子名称：Alpha因子群** - **因子构建思路**：通过财务指标挖掘超额收益来源[45] - **因子具体构建过程**： - yoy_accpayable：$$ \frac{\text{应付账款}_t - \text{应付账款}_{t-12}}{\text{应付账款}_{t-12}} $$ - roe_q_delta_adv：$$ \text{ROE}_q - \text{ROE}_{q-4} $$ (含预告调整)[47] - cur_liab_yoy：流动负债同比增长率[47] 因子的回测效果 1. **风格因子**： - 动量因子周收益+2.05%[43] - 流动性因子周收益+3.38%[43] - 估值因子周收益-2.41%[43] 2. **Alpha因子**： - yoy_accpayable周超额3.51%[47] - roe_q_delta_adv在沪深300中超额8.58%[49] - cur_liab_yoy周超额3.37%[47]

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，判断市场趋势[2][9] **模型具体构建过程**： - 计算Wind全A指数的20日均线（短期）和120日均线（长期） - 计算两线距离百分比： $$均线距离 = \frac{短期均线 - 长期均线}{长期均线} \times 100\%$$ - 当距离绝对值大于3%且短期均线位于长期均线之上时，判定为上行趋势[2][9] **模型评价**：简单直观，能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**：结合估值水平和趋势信号，动态调整绝对收益产品的股票仓位[3][10] **模型具体构建过程**： - 评估Wind全A的PE（70分位）和PB（30分位）估值水平[3][10] - 结合均线距离模型的趋势信号（当前7.96%） - 根据预设规则输出仓位建议（当前80%）[3][10] 3. **模型名称**：TWO BETA行业配置模型 **模型构建思路**：通过双因子分析筛选科技等特定板块[2][8][15] **模型具体构建过程**： - 未披露具体因子构建细节 - 输出行业推荐：军工、算力、电池等科技板块[2][8][15] 4. **模型名称**：行业轮动模型 **模型构建思路**：综合政策驱动和困境反转逻辑配置行业[2][8][15] **模型具体构建过程**： - 未披露具体构建方法 - 输出推荐：港股创新药、证券保险、光伏、煤炭、有色[2][8][15] 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**：通过趋势线偏离度衡量市场赚钱效应[2][8][9] **因子具体构建过程**： - 计算Wind全A当前价格与趋势线的偏离百分比 - 公式： $$赚钱效应值 = \frac{当前价格 - 趋势线}{趋势线} \times 100\%$$ - 当值为正时视为赚钱效应显著[2][8][9] 2. **因子名称**：估值分位数因子 **因子构建思路**：通过历史分位数评估市场估值水平[3][10][17] **因子具体构建过程**： - 计算Wind全A的PE/PB相对于2014-2025年历史数据的分位数 - 当前PE位于70分位，PB位于30分位[3][10][17] 模型的回测效果 1. **均线距离择时模型** - 当前均线距离：7.96%[2][9] - 趋势判定：上行趋势[2][9] 2. **仓位管理模型** - 当前建议仓位：80%[3][10] 因子的回测效果 1. **赚钱效应因子** - 当前取值：3.73%[8][15] 2. **估值分位数因子** - PE分位数：70%[3][10] - PB分位数：30%[3][17]