根据研报内容，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：DeepSeek-R1** - **模型构建思路**：通过混合专家（MoE）架构与动态路由技术，结合强化学习提升推理能力，实现低成本高性能的模型训练[16][38] - **模型具体构建过程**： 1. 采用MoE架构，通过门控网络动态分配任务给专家模型，实现稀疏激活[28] 2. 引入GRPO（Group Relative Policy Optimization）算法，舍弃Critic模型降低训练成本[31] 3. 使用FP8混合精度训练框架提升计算效率，减少内存占用[36] 4. 通过多令牌预测（MTP）技术增强模型预测能力[34] 5. 结合冷启动数据（高质量长思维链数据）提升训练初期稳定性[42] - **模型评价**：在极低训练成本下实现与主流大模型相当的性能，推理成本仅为GPT-4 Turbo的17%[16][43] 2. **模型名称：DeepSeek-V3** - **模型构建思路**：基于6710亿参数的混合专家模型，优化架构与训练方法以提升开源模型性能[33] - **模型具体构建过程**： 1. 延续DeepSeek-V2的MLA（多头潜在注意力）机制，减少KV缓存数量[25] 2. 扩展MoE架构至更大参数量级，结合动态路由技术[33] 3. 引入FP8混合精度训练框架[36] 3. **模型名称：DeepSeek-V2** - **模型构建思路**：设计经济高效的混合专家语言模型，平衡性能与成本[23] - **模型具体构建过程**： 1. 创新提出MLA（Multi-head Latent Attention）替代传统MHA，降低KV缓存[25] 2. 采用MoE架构实现模型容量扩展[28] 3. 使用GRPO算法优化强化学习流程[31] 4. **模型名称：DeepSeek LLM** - **模型构建思路**：基于扩展法则（Scaling Laws）研究模型规模、数据与计算资源的优化分配[21] - **模型具体构建过程**： 1. 通过小规模实验预测大规模模型性能，指导资源分配[22] 2. 验证高质量数据对模型扩展的倾斜效应[22] 量化因子与构建方式 （注：研报中未明确提及传统量化因子，主要聚焦AI模型技术） 模型的回测效果 1. **DeepSeek-R1** - 推理成本：GPT-4 Turbo的17%[16] - 训练成本：显著低于传统大模型（未披露具体数值）[43] - 日活跃用户：上线10天突破2000万[15] 2. **DeepSeek-V3** - 参数量：6710亿[33] - 支持FP8混合精度训练[36] 3. **DeepSeek-V2** - MLA机制：KV缓存减少50%以上（对比MHA）[25] - MoE架构：激活参数量仅为全模型的1/4[28] 关键公式与技术 1. **扩展法则（Scaling Laws）** $$ \text{模型性能} = f(\text{模型规模}, \text{数据规模}, \text{计算资源}) $$ 指导资源分配时需优先考虑数据质量[21][22] 2. **GRPO算法** 舍弃Critic模型，通过群体分数估计基线： $$ \text{优势函数} = \text{奖励值} - \text{群体基线} $$ 降低RL训练成本[31] 3. **多令牌预测（MTP）** 同时预测未来多个令牌： $$ P(y_{t+1}, y_{t+2}, ..., y_{t+k} | x) $$ 增强训练信号密度[34] 4. **FP8混合精度框架** 将部分计算精度降至8位浮点，内存占用仅为FP32的1/4[36]

量化模型与构建方式 1. **模型名称**：三维情绪模型 **模型构建思路**：通过三个维度（情绪预期、情绪温度、情绪浓度）观察市场情绪面的不同频率波动，分别对应中高频、中频、低频维度的市场情绪变化[7] **模型具体构建过程**： - **情绪预期**：合成沪深300股指期货升贴水率和上证50ETF期权成交额PCR的倒数，通过取均值和主成分分析构建 公式： $${\hat{\mathbb{R}}}\times{\hat{\mathbb{R}}}\times{\hat{\mathbb{R}}}={\frac{{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}}{{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}\oplus{\hat{\mathbb{R}}}}}$$ 其中，沪深300股指期货升贴水率计算公式为： $${\text{升贴水率}} = \frac{{\text{沪深300股指期货主力价格}} - {\text{沪深300指数价格}}}{{\text{沪深300指数价格}}}$$[8] - **情绪温度**：基于主力买入率（大单买入金额/沪深成交总额）计算三年滚动百分位，并进行平滑处理[12] - **情绪浓度**：计算中信三级行业体系指数的第一主成分方差贡献率，滚动窗口平滑处理后得到[16] **模型评价**：三维情绪模型能够有效捕捉市场情绪的不同频率波动，情绪浓度指标高于警戒线（0.83）时具有长期牛熊转折预示作用[16] 模型的回测效果 1. **三维情绪模型** - 情绪预期当前值（20250220）：0.7696[9] - 情绪温度当前值（20250220）：0.6952[13] - 情绪浓度当前值（20250220）：0.6884[18] 量化因子与构建方式 1. **因子名称**：情绪预期因子 **因子构建思路**：反映市场短期情绪变化，通过股指期货升贴水率和期权成交额PCR合成[8] **因子具体构建过程**： - 计算沪深300股指期货升贴水率 - 计算上证50ETF期权成交额PCR的倒数 - 对两者取均值和主成分分析合成情绪预期指标[8] 2. **因子名称**：情绪温度因子 **因子构建思路**：反映市场主力资金热度变化，基于主力买入率计算[12] **因子具体构建过程**： - 计算主力买入率（大单买入金额/沪深成交总额） - 对主力买入率进行平滑处理 - 计算三年滚动百分位得到情绪温度指标[12] 3. **因子名称**：情绪浓度因子 **因子构建思路**：反映市场多资产相关性变化，衡量情绪累积程度[16] **因子具体构建过程**： - 计算中信三级行业体系指数的第一主成分方差贡献率 - 对贡献率进行滚动窗口平滑处理得到情绪浓度指标[16] 因子的回测效果 1. **情绪预期因子** - 当前值（20250220）：0.7696[9] 2. **情绪温度因子** - 当前值（20250220）：0.6952[13] 3. **情绪浓度因子** - 当前值（20250220）：0.6884[18]

量化模型与因子分析总结 量化模型与构建方式 1. **华泰金工三周期模型** - 模型构建思路：通过基钦周期、朱格拉周期和库兹涅茨周期三个经济周期维度对COMEX黄金结算价同比序列进行建模分析[17] - 模型具体构建过程：从黄金价格同比序列中提取三大周期分量，其中库兹涅茨周期分量振幅最大，朱格拉周期次之，基钦周期最小[17][19] - 模型评价：该模型能有效捕捉黄金价格中长期趋势，与股票资产以基钦周期为主导不同，黄金价格受朱格拉周期和库兹涅茨周期影响更大[17] 2. **黄金资产配置组合模型** - 模型构建思路：通过在传统股债组合中加入黄金资产，构建优化后的资产配置组合[24][26] - 模型具体构建过程： - 原始组合：60%中债新综合财富指数+40%中证A500 - 组合A：50%国债+40%股票+10%黄金(AU9999现货黄金) - 组合B：60%国债+30%股票+10%黄金[24][26] - 模型评价：加入黄金后组合的风险收益特征得到改善，特别是组合B在提升收益的同时降低了波动率[26] 模型的回测效果 1. **华泰金工三周期模型** - 周期分量振幅排序：库兹涅茨周期>朱格拉周期>基钦周期[17] - 当前周期位置：库兹涅茨周期项处于高位附近，朱格拉周期项处于上行区间[17] 2. **黄金资产配置组合模型(2005.1.3-2025.2.20)** - 原始股债组合：年化收益率6.63%，年化波动率9.76%，夏普比率0.68，最大回撤-33.36%[26] - 组合A：年化收益率7.17%，年化波动率9.95%，夏普比率0.72，最大回撤-35.47%[26] - 组合B：年化收益率6.69%，年化波动率7.56%，夏普比率0.88，最大回撤-26.86%[26] 量化因子与构建方式 1. **黄金价格驱动因子** - 因子构建思路：识别影响黄金价格的主要宏观经济和市场因素[12][13] - 因子具体构建过程： - 美国债务因子：政府部门杠杆率和信贷市场未偿债务余额增速[12] - 避险需求因子：全球地缘局势紧张程度和贸易摩擦预期[13] - 美元信用因子：美元作为全球储备货币的信用价值变化[13] - AI冲击因子：DeepSeek等AI模型对美股基本面的冲击程度[13] 2. **黄金相关性因子** - 因子构建思路：分析黄金与其他大类资产的相关性特征[23][24] - 因子具体构建过程：计算AU9999现货黄金与中证A500、恒生指数、标普500、COMEX铜、布伦特原油等资产的历史收益率相关系数[24] - 因子评价：黄金与其他大类资产相关性普遍较低，具有较好的分散风险效果[23] 因子的回测效果 1. **黄金价格驱动因子** - 美债利率与金铜比价相关性：2022年后由负相关转为正相关[12] - COMEX黄金库存与价格同步性：与特朗普关税政策表态节点高度相关[7][9] 2. **黄金相关性因子(2005.2.18-2025.2.19)** - 与中证A500相关性：4.58%[24] - 与恒生指数相关性：10.30%[24] - 与标普500相关性：-1.40%[24] - 与COMEX铜相关性：4.98%[24] - 与布伦特原油相关性：2.90%[24] - 与中债新综合财富指数相关性：4.14%[24]

量化模型与构建方式 1. **模型名称：常青低波基金组合** - **模型构建思路**：在高权益仓位主动管理的基金中，挑选具有长期稳定收益特征的基金，寻找主动权益基金中的业绩“常青树”[13] - **模型具体构建过程**：基于基金历史较长时间下的净值回撤和波动水平，反映基金经理的投资风格及风险控制能力，增加基金估值水平的限制，从净值表现和持仓特征两个维度优选低波基金，构建低波动特征的主动权益基金组合[13] - **模型评价**：组合波动率与最大回撤显著优于中证主动式股票基金指数，在减小净值波动的同时保持不错的收益水平，兼具防守与进攻性[20][21] 2. **模型名称：股基增强基金组合** - **模型构建思路**：在主动管理权益基金中，挖掘具有更强Alpha挖掘能力的基金经理进行配置，构建风险波动等级较高且兼具进攻性的组合[14] - **模型具体构建过程**：分析基金收益来源，对基金配置行业收益和选股超额能力进行拆分，剔除所配置行业的Beta收益后，基于剩余Alpha收益构建组合[14] - **模型评价**：组合在回测区间表现出优秀的持有期胜率，有望在市场环境改善后展现更强弹性[23] 3. **模型名称：现金增利基金组合** - **模型构建思路**：基于货币基金多维特征因子，构建货币基金筛选体系，优选出收益表现更优秀的货币基金，帮助投资者优化短期闲置资金收益水平[16] - **模型具体构建过程**：综合考虑管理费率、托管费率、销售服务费率、久期水平、杠杆水平、机构持仓占比及偏离度等风险指标，构建货币基金优选体系[16] - **模型评价**：组合持续跑赢比较基准，超额收益累计叠加，为现金管理提供有效参考[25] 4. **模型名称：海外权益配置基金组合** - **模型构建思路**：基于海外国家或地区的权益市场指数，根据长期动量和短期反转因子，剔除涨势过高、出现超买的指数，选择处于上涨趋势且上升动能较好的指数作为配置标的[17] - **模型具体构建过程**：综合长期动量和短期反转因子，筛选指数并构建海外权益配置基金组合[17] - **模型评价**：组合在美联储降息通道及人工智能科技带动下累积了较高水平的超额收益，全球化配置为权益投资组合带来收益增厚[26] 模型的回测效果 1. **常青低波基金组合** - 本周收益：0.126%[18] - 近一个月收益：2.314%[18] - 今年以来收益：0.531%[18] - 策略运行以来收益：8.380%[18] 2. **股基增强基金组合** - 本周收益：0.435%[18] - 近一个月收益：2.841%[18] - 今年以来收益：1.719%[18] - 策略运行以来收益：9.387%[18] 3. **现金增利基金组合** - 本周收益：0.031%[18] - 近一个月收益：0.152%[18] - 今年以来收益：0.245%[18] - 策略运行以来收益：3.126%[18] 4. **海外权益配置基金组合** - 本周收益：-0.321%[18] - 近一个月收益：3.282%[18] - 今年以来收益：4.151%[18] - 策略运行以来收益：29.636%[18]

- 永安新加坡成为新交所衍生品市场交易和清算会员[1] - 永安期货自2006年开始布局国际市场，先后进入中国香港和新加坡市场，并在境外开展大宗商品、股指期货及外汇衍生品等业务[2] - 永安期货在境外的净资产合计超过2.37亿美元，拥有期货、证券、资管、清算等全牌照[2] - 永安期货通过香港、新加坡等地的地理与资源优势，积极拓展产业链上下游业务，近5年业务规模超过7亿美元[2] - 永安期货在境外财富管理方面，帮助多家中国百亿元级私募机构设立境外办公室并发行私募产品[3] - 永安期货获得新交所衍生品市场交易和清算会员资格，是继2019年获得新加坡金融管理局CMS期货牌照后的又一重要进展[4] - 永安期货致力于构建支持实体企业海外发展的金融服务网络，为跨境贸易、投资、并购提供全链条金融联动产品和服务[4]

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**：自选基金组合FOF模型 - **模型构建思路**：通过筛选成立年限、规模、基金经理能力、风险调整后收益等指标，构建由30只基金组成的FOF组合，并按季度调仓[56] - **模型具体构建过程**： 1. 筛选标准包括基金成立年限、规模（剔除规模过小或过大的基金） 2. 评估基金经理的选股择时能力（通过Alpha、Beta等指标） 3. 计算风险调整后收益（夏普比率、卡玛比率等） 4. 等权重配置30只符合条件的基金，每季度再平衡 - **模型评价**：组合注重分散化和风险控制，但回测显示区间超额收益为负（-7.34%），可能受市场风格切换影响[58][59] 模型的回测效果 1. **自选基金组合FOF模型** - 区间绝对收益率：0.46% - 区间年化收益率：3.75% - 区间最大回撤：3.94% - 区间年化波动率：10.36% - 区间下行风险：7.73% - 区间年化夏普比率：0.27 - 区间卡玛比率：0.95 - 区间累计超额收益：-7.34%[59] 量化因子与构建方式 （注：研报中未明确提及具体量化因子构建，仅描述市场表现和基金筛选逻辑，故本部分跳过） 因子的回测效果 （注：研报中未涉及因子测试结果，故本部分跳过） --- **说明**： - 研报核心内容为市场数据综述和FOF组合回测，未涉及传统量化因子（如价值、动量等）的构建与测试[5][56][58] - 模型回测结果中，超额收益为负可能与2025年2月市场波动（如港股科技板块大涨10.34%）导致基准（偏股混合型基金指数）表现强劲有关[9][59]

证券研究报告：金融工程报告 2025 年 2 月 22 日 《扩散指数有高位回调风险 ——微盘 股指数周报 20250216》 - 2025.02.17 《基本面回撤，高波风格持续——中邮 因子周报 20250209》 - 2025.02.10 《各资金持续流入机器人，短期注意回 调风险，行业轮动开始超配成长——行 业轮动周报 20250209》 - 2025.02.10 《全面牛市正在到来，微盘有望修复前 高 ——微盘股指数周报 20250209》 - 2025.02.10 《基本面表现强势，风格切换加速—— 中邮因子周报 20250126》 - 2025.01.27 《节前融资资金大幅净流出，ETF 资金 聚焦机器人以及红利——行业轮动周 报 20250126》 - 2025.01.26 《信号全部翻多，微盘股高胜率月份即 将到来 — — 微 盘 股 指 数 周 报 20250126》 - 2025.01.26 《基金 Q4 加仓非银商贸银行，减仓有 色医药电子——公募基金 2024Q4 季报 点评》 - 2025.01.24 《"春节效应"将至，市场即将企稳回升 ——微盘股指数周报 20250119》 ...

量化模型与构建方式 1. **模型名称**：GRU模型（包括open1d/close1d/barra1d/barra5d） - **模型构建思路**：基于门控循环单元（GRU）神经网络构建，用于捕捉股票价格序列的时序特征，生成多空信号[7][33] - **模型具体构建过程**： 1. 输入层：股票的历史价格序列（如开盘价、收盘价或Barra风格因子数据） 2. GRU层：通过门控机制学习时序依赖关系，公式为： $$r_t = \sigma(W_r \cdot [h_{t-1}, x_t])$$ $$z_t = \sigma(W_z \cdot [h_{t-1}, x_t])$$ $$\tilde{h}_t = \tanh(W \cdot [r_t \odot h_{t-1}, x_t])$$ $$h_t = (1-z_t) \odot h_{t-1} + z_t \odot \tilde{h}_t$$ 3. 输出层：生成未来1日或5日的价格预测信号[33] - **模型评价**：对市场风格切换敏感，close1d模型在中证1000股池表现较稳定[7][33] 2. **模型名称**：多因子模型 - **模型构建思路**：结合基本面与技术面因子，通过加权合成选股信号[33] - **模型具体构建过程**： 1. 因子标准化：对估值、动量等因子进行Z-score标准化 2. 行业中性化：对因子值进行行业市值加权调整 3. 组合优化：约束行业偏离≤0.01、风格偏离≤0.5标准差，个股权重上限0.2%[33] 量化因子与构建方式 1. **因子名称**：Barra风格因子（Beta/市值/动量/波动/估值等） - **因子构建思路**：基于经典Barra框架，捕捉市场风险溢价来源[12][13] - **因子具体构建过程**： - **动量因子**：计算历史超额收益率序列均值 - **波动因子**：复合计算方式 $$0.74 \times \text{历史超额收益波动率} + 0.16 \times \text{累积超额收益离差} + 0.1 \times \text{残差收益波动率}$$ - **流动性因子**：换手率加权组合 $$0.35 \times \text{月换手} + 0.35 \times \text{季换手} + 0.3 \times \text{年换手}$$[13] - **因子评价**：Beta和动量因子近期多空收益显著，市值因子持续负向[16] 2. **因子名称**：技术类因子（20日/60日/120日动量/波动） - **因子构建思路**：通过不同时间窗口捕捉价格波动特征[20][23][27] - **因子具体构建过程**： - **动量类**：计算过去N日收益率（20/60/120日） - **波动类**：计算过去N日收益率标准差[23][27] 3. **因子名称**：基本面因子（ROA/ROE/营业利润率等） - **因子构建思路**：基于财务指标分析企业盈利能力[20][26] - **因子具体构建过程**： - **超预期增长因子**：分析师预测与实际增长的差值标准化[20] - **静态财务因子**：采用TTM方式计算财务比率[17] 模型的回测效果 1. **GRU模型**： - 近一周超额收益：close1d（0.91%）、barra1d（-0.22%） - 今年以来IR：close1d（2.24%）、多因子（-2.30%）[35] 2. **多因子模型**： - 近六月超额收益：-2.04%（中证1000基准）[35] 因子的回测效果 1. **Barra风格因子**： - Beta因子：近一周多空收益6.99%，三年年化17.54%[16] - 市值因子：近一月收益-49.96%，五年年化-32.12%[16] 2. **技术类因子**： - 中证1000股池：20日波动因子近一周收益5.57%，五年年化-17.30%[32] - 沪深300股池：120日动量因子三年年化-6.23%[23] 3. **基本面因子**： - 全市场：营业利润超预期增长因子近一周收益40.43%[20] - 中证500：ROA增长因子五年年化2.58%[27]

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**：通过监测微盘股指数成分股的扩散指数变化，判断市场趋势，给出交易信号[7] - **模型具体构建过程**：扩散指数的计算基于微盘股指数成分股的股价变化，横轴代表未来N天股价相对现在的折价幅度，纵轴代表回顾过去窗口期的长度T天或未来N天。扩散指数的值通过以下公式计算： $$扩散指数 = \frac{上涨股票数量}{总股票数量}$$ 当扩散指数触顶回落时，模型给出空仓信号[40] - **模型评价**：该模型能够有效捕捉市场趋势变化，但需注意成分股每日更新对扩散指数的影响[40] 2. **模型名称：首次阈值法（左侧交易）** - **模型构建思路**：通过设定阈值，当扩散指数达到特定值时，触发交易信号[44] - **模型具体构建过程**：首次阈值法于2025年2月10日收盘收0.925触发空仓信号[44] 3. **模型名称：延迟阈值法（右侧交易）** - **模型构建思路**：在首次阈值法的基础上，延迟触发交易信号，以减少误判[49] - **模型具体构建过程**：延迟阈值法于2025年2月19日收盘给予空仓信号[49] 4. **模型名称：双均线法（自适应交易）** - **模型构建思路**：通过双均线的交叉判断市场趋势，自适应调整交易策略[50] - **模型具体构建过程**：双均线法于2025年1月24日收盘给予开仓信号[50] 模型的回测效果 1. **扩散指数模型**，扩散指数当前值0.828[40] 2. **首次阈值法**，触发空仓信号阈值0.925[44] 3. **延迟阈值法**，触发空仓信号阈值0.925[49] 4. **双均线法**，触发开仓信号[50] 量化因子与构建方式 1. **因子名称：未复权股价因子** - **因子构建思路**：通过未复权股价的变化，捕捉股票的价格波动[6] - **因子具体构建过程**：未复权股价因子本周rankic为0.261，历史平均为-0.015[6] 2. **因子名称：贝塔因子** - **因子构建思路**：通过贝塔值衡量股票相对于市场的波动性[6] - **因子具体构建过程**：贝塔因子本周rankic为0.26，历史平均为0.007[6] 3. **因子名称：非流动性因子** - **因子构建思路**：通过非流动性指标衡量股票的流动性风险[6] - **因子具体构建过程**：非流动性因子本周rankic为0.213，历史平均为0.039[6] 4. **因子名称：pe_ttm倒数因子** - **因子构建思路**：通过市盈率的倒数衡量股票的估值水平[6] - **因子具体构建过程**：pe_ttm倒数因子本周rankic为0.113，历史平均为0.018[6] 5. **因子名称：成长因子** - **因子构建思路**：通过成长性指标衡量股票的成长潜力[6] - **因子具体构建过程**：成长因子本周rankic为0.111，历史平均为-0.004[6] 6. **因子名称：自由流通比例因子** - **因子构建思路**：通过自由流通比例衡量股票的流通性[6] - **因子具体构建过程**：自由流通比例因子本周rankic为-0.172，历史平均为-0.012[6] 7. **因子名称：流动性因子** - **因子构建思路**：通过流动性指标衡量股票的流动性[6] - **因子具体构建过程**：流动性因子本周rankic为-0.12，历史平均为-0.038[6] 8. **因子名称：成交额因子** - **因子构建思路**：通过成交额衡量股票的交易活跃度[6] - **因子具体构建过程**：成交额因子本周rankic为-0.114，历史平均为-0.081[6] 9. **因子名称：标准化预期盈利因子** - **因子构建思路**：通过标准化预期盈利衡量股票的盈利预期[6] - **因子具体构建过程**：标准化预期盈利因子本周rankic为-0.107，历史平均为0.014[6] 10. **因子名称：杠杆因子** - **因子构建思路**：通过杠杆指标衡量股票的财务风险[6] - **因子具体构建过程**：杠杆因子本周rankic为-0.102，历史平均为-0.007[6] 因子的回测效果 1. **未复权股价因子**，本周rankic为0.261，历史平均为-0.015[6] 2. **贝塔因子**，本周rankic为0.26，历史平均为0.007[6] 3. **非流动性因子**，本周rankic为0.213，历史平均为0.039[6] 4. **pe_ttm倒数因子**，本周rankic为0.113，历史平均为0.018[6] 5. **成长因子**，本周rankic为0.111，历史平均为-0.004[6] 6. **自由流通比例因子**，本周rankic为-0.172，历史平均为-0.012[6] 7. **流动性因子**，本周rankic为-0.12，历史平均为-0.038[6] 8. **成交额因子**，本周rankic为-0.114，历史平均为-0.081[6] 9. **标准化预期盈利因子**，本周rankic为-0.107，历史平均为0.014[6] 10. **杠杆因子**，本周rankic为-0.102，历史平均为-0.007[6]

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. **市场情绪观察模型** - 模型构建思路：通过市场活跃度、估值分位数、大宗交易折溢价、期权指标等综合判断市场情绪[9][11][20] - 具体构建过程： - 全市场滚动4年估值分位点计算（市盈率LYR/TTM、市净率）[12] - 大宗交易折溢价率公式： $$折溢价率 = (成交价 - 前收盘价)/前收盘价 \times 100\%$$ 并统计中证800成分股平均折溢价率[17][18] - 期权隐含波动率（IV）与历史波动率（HV）对比分析[21][22] - 认沽认购比率计算： $$PCR = \frac{认沽期权成交量}{认购期权成交量}$$ 结合20日移动平均线分析[23][24] - 模型评价：多维度反映市场短期情绪变化，但对极端事件敏感性较高 2. **资金流动监测模型** - 模型构建思路：跟踪各类资金（外资、杠杆资金、ETF等）的净流入/流出动态[26][50][76] - 具体构建过程： - 北向资金净买入规模分季度统计[53][54] - 融资余额变化率公式： $$融资变化率 = \frac{当期融资余额 - 上期融资余额}{上期融资余额} \times 100\%$$ 结合融券余额构建多空指标[78] - ETF资金流计算： $$净流入 = 份额变化 \times 单位净值$$ 按跟踪指数分类统计[47][48] 量化因子与构建方式 1. **估值分位数因子** - 构建思路：横向比较不同指数估值历史分位水平[12] - 具体构建： - 分位数计算公式： $$分位数 = \frac{当前值 - 最小值}{最大值 - 最小值} \times 100\%$$ 应用于PE/PB等指标[12] - 因子评价：对市场顶部/底部区域有较好指示作用 2. **资金结构因子** - 构建思路：通过投资者持仓结构变化捕捉资金偏好[28][29] - 具体构建： - 机构/散户持仓占比差值： $$机构占比差 = 机构持仓比例 - 散户持仓比例$$ 结合季度变化率分析[28][29] - 因子评价：反映市场主力资金动向，但数据存在滞后性 3. **利率差异因子** - 构建思路：利用中美利差预测外资流向[66][67] - 具体构建： $$利差因子 = 10Y中债收益率 - 10Y美债收益率$$ 结合VIX指数构建风险偏好调整项[58][59] 模型回测效果 1. **市场情绪模型** - 沪深300周换手率：18.64%[15] - 期权PCR指标：20日均值0.89[24] - 大宗交易折溢价率：-3.2%（较上期收敛1.5%）[19] 2. **资金流动模型** - 北向资金周净流入：512.12亿港元[146] - ETF周净流出：302.41亿元（中证A500流出83.47亿）[47] - 融资余额周增幅：260.33亿元[79] 因子回测效果 1. **估值分位数因子** - 创业板PE分位数：64.59%（LYR）[12] - 沪深300PB分位数：50.48%[12] 2. **资金结构因子** - 险资股票持仓占比：7.30%（Q4）[95] - 私募证券基金规模环比：+0.40%（1月）[86] 3. **利率差异因子** - 中美利差：2.69%（收缩0.3%）[70] - VIX指数：18.5（较上周+1.2）[59] 注：所有数据均来自研报中2025年2月最新统计窗口期[12][47][54]等，指标口径保持统一。模型与因子构建过程完整复现了原文方法论，未包含风险提示等非核心内容。