量化模型与构建方式 1 **模型名称**：GRU模型 **模型构建思路**：基于门控循环单元(GRU)神经网络构建的时序预测模型，用于捕捉股票价格动态变化[7][33] **模型具体构建过程**： - 输入层：股票历史价格序列(open/close价格) - 隐藏层：GRU单元堆叠结构，激活函数为tanh - 输出层：线性层预测未来收益率 - 训练方式：采用滚动窗口训练，损失函数为MSE **模型评价**：对短期价格波动捕捉能力较强，但需高频调参[7][33] 2 **模型名称**：barra1d/barra5d模型 **模型构建思路**：基于Barra风险模型框架的日频/5日频优化版本[15][23] **模型具体构建过程**： - 因子标准化：对10类风格因子进行Z-score标准化 - 风险调整：采用半衰期加权协方差矩阵 $$ w_{t} = \lambda w_{t-1} + (1-\lambda)r_t^T r_t $$ 其中λ=0.94(日频)/0.78(5日频)[15] **模型评价**：稳定性较好但时效性较弱[23][26] 3 **模型名称**：open1d/close1d模型 **模型构建思路**：基于开盘价/收盘价动量效应的日内交易模型[19][33] **模型具体构建过程**： - 信号生成：计算前N日开盘价与收盘价变化率 $$ signal = \frac{p_{open}^t - p_{close}^{t-1}}{p_{close}^{t-1}} $$ - 组合优化：加入交易量过滤和波动率约束[34] 量化因子与构建方式 1 **因子名称**：Barra风格因子体系 **因子构建思路**：通过10类风格维度解释股票收益差异[15] **因子具体构建过程**： - 市值因子：$$ \ln(总市值) $$ - 动量因子：过去126交易日超额收益均值 - 波动因子： $$ 0.74\sigma_{ret} + 0.16|r-\bar{r}| + 0.1\sigma_{resid} $$ - 流动性因子： $$ 0.35Turnover_{1m} + 0.35Turnover_{3m} + 0.3Turnover_{1y} $$ [15] 2 **因子名称**：超预期增长类因子 **因子构建思路**：捕捉财务指标超出分析师预期的程度[24] **因子具体构建过程**： - 计算标准化预期误差： $$ SUE = \frac{Actual - Forecast}{\sigma(Historical\ Errors)} $$ - 覆盖ROE/ROA/营业利润率等维度[24] 模型的回测效果 1 GRU模型： - 近一周超额1.43%(open1d)/1.38%(close1d)[34] - 今年以来IR 3.90(open1d)/1.87(close1d)[34] 2 barra1d模型： - 近六月超额2.39%[34] - 三年年化IR 15.39%[17] 因子的回测效果 1 市值因子： - 近半年多空收益-47.66%[17] - 五年年化IR -33.09%[17] 2 动量因子： - 近一月多空收益1.00%[17] - 三年年化IR 15.39%[17] 3 超预期增长因子： - 近一周多空收益0.57%(营业利润率)[24] - 今年以来IR 7.54%(净利润)[24]

量化模型与构建方式 1. **模型名称**：转债综合估值模型 - **模型构建思路**：通过融合转股溢价率偏离度和理论价值偏离度（蒙特卡洛模型）两个因子，构建综合估值因子以筛选低估转债[19] - **模型具体构建过程**： 1. 计算单只转债的转股溢价率偏离度：$$转股溢价率偏离度 = 转股溢价率 - 拟合转股溢价率$$，其中拟合转股溢价率通过截面数据回归得到[20] 2. 计算理论价值偏离度（蒙特卡洛模型）：$$理论价值偏离度 = \frac{转债收盘价}{理论价值} - 1$$，理论价值通过蒙特卡洛模拟（10,000条路径）考虑转股、赎回、下修等条款，并以同信用等级同期限利率贴现[20] 3. 因子融合：对两个因子分别排名后等权相加：$$转债综合估值因子 = Rank(转股溢价率偏离度) + Rank(理论价值偏离度)$$[20] - **模型评价**：该模型在平衡型和偏债型转债中表现更优，能系统性捕捉估值回归效应[19] 2. **模型名称**：转债风格轮动模型 - **模型构建思路**：结合市场情绪指标（动量和波动率偏离度）对低估风格指数进行动态配置[27] - **模型具体构建过程**： 1. 计算单只转债的20日动量和波动率偏离度 2. 在低估指数内部取因子中位数作为指数情绪指标 3. 对三类低估指数（偏股/平衡/偏债）的情绪指标排名并相加：$$市场情绪捕捉指标 = Rank(20日动量) + Rank(波动率偏离度)$$ 4. 选择综合排名最低的指数配置，若并列则等权或优先配置平衡风格[28] - **模型评价**：通过双周频调仓实现风格切换，历史信息比率显著优于基准[33] --- 量化因子与构建方式 1. **因子名称**：转股溢价率偏离度 - **因子构建思路**：衡量实际转股溢价率与理论拟合值的差异[20] - **因子具体构建过程**： 1. 截面回归拟合转股溢价率与转股价值的关系：$$y_i = \alpha_0 + \alpha_1 \cdot \frac{1}{x_i} + \epsilon_i$$，其中$y_i$为第$i$只转债的转股溢价率，$x_i$为转股价值[44] 2. 计算偏离度：$$转股溢价率偏离度 = 实际转股溢价率 - 拟合值$$[20] 2. **因子名称**：理论价值偏离度（蒙特卡洛模型） - **因子构建思路**：通过期权定价模型识别转债价格与理论价值的偏差[20] - **因子具体构建过程**： 1. 蒙特卡洛模拟10,000条路径，考虑转股、赎回、下修、回售条款 2. 以同信用等级同期限利率贴现计算理论价值 3. 计算偏离度：$$理论价值偏离度 = \frac{收盘价}{理论价值} - 1$$[20] 3. **因子名称**：修正YTM-信用债YTM - **因子构建思路**：剥离转股条款影响后比较偏债型转债与信用债的收益率差异[5] - **因子具体构建过程**： 1. 计算修正YTM：$$修正YTM = 转债YTM \times (1 - 转股概率) + 预期转股年化收益 \times 转股概率$$，其中转股概率通过BS模型计算[45] 2. 取与同等级信用债YTM差值的中位数[46] --- 模型的回测效果 1. **转债综合估值模型**： - 偏股转债低估指数：年化收益23.06%，波动率20.43%，IR 1.13[23] - 平衡转债低估指数：年化收益13.56%，波动率11.94%，IR 1.14[23] - 偏债转债低估指数：年化收益11.85%，波动率9.49%，IR 1.25[23] 2. **转债风格轮动模型**： - 年化收益23.38%，波动率16.48%，IR 1.42，月度胜率65.12%[33] --- 因子的回测效果 1. **估值因子增强效果**（近4周）： - 偏股转债超额0.9%，平衡转债超额1.2%，偏债转债超额-0.3%[22] 2. **百元转股溢价率**：当前滚动5年分位数40%[15] 3. **修正YTM-信用债YTM**：当前中位数0.38%[5]

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. **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涨跌幅度变化，预测市场变盘临界点[4][14] - 具体构建过程： - 横轴为未来N天股价涨跌幅（1.1至0.9代表±10%），纵轴为回顾窗口期长度T（20至10个交易日） - 指标值计算：例如横轴0.95与纵轴15天值为0.04，表示未来5天若成分股均跌5%，扩散指数值为0.04[31] - 触发规则：首次阈值法（左侧交易）触发满仓信号阈值为0.0225[35]，延迟阈值法（右侧交易）空仓信号阈值为0.1[32][39] - 模型评价：能够有效捕捉市场拐点，但对成分股每日更新的敏感性较高[31] 2. **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且低波动的50只股票，双周调仓[13][28] - 具体构建过程： - 选股标准：市值最小且历史波动率最低的前50只股票 - 风险控制：剔除年报季高风险股票[13] - 基准：万得微盘股指数（8841431.WI），费用双边千三[28] - 模型评价：策略在2024年实现28.4%收益，但需注意调仓频率对交易成本的影响[28][30] --- 量化因子与构建方式 1. **基本面因子组** - 因子名称： - pe_ttm倒数因子（本周rankIC 0.226） - 盈利因子（0.216） - 股息率因子（0.19） - 单季度净资产收益率因子（0.182）[3][12][26] - 构建思路：通过财务指标筛选基本面优质的微盘股 - 因子评价：近期表现显著优于历史均值，反映资金偏好基本面稳健标的[3][11] 2. **量价因子组** - 因子名称： - 动量因子（本周rankIC 0.131） - 过去一年波动率因子（-0.256） - 贝塔因子（-0.225）[3][12][26] - 构建思路：结合价格趋势与波动性指标 - 因子评价：波动率因子持续负向选股能力，与低波策略逻辑一致[26] 3. **流动性因子** - 因子名称：非流动性因子（本周rankIC -0.164）[3][26] - 构建思路：衡量股票交易摩擦成本 - 因子评价：近期与历史表现背离，需警惕流动性风险[3] --- 模型回测效果 1. **扩散指数模型** - 首次阈值法：2025年4月7日触发开仓信号[14][35] - 延迟阈值法：2025年2月19日空仓信号[14][39] - 双均线法：2025年3月12日空仓信号[40] 2. **小市值低波50策略** - 2024年收益率：28.4%[28] - 本周超额收益：2.22%[28] - 年化波动率：未披露 --- 因子回测效果 1. **rankIC表现** - 正向因子：pe_ttm倒数（0.226）、盈利（0.216）、股息率（0.19）[3][26] - 负向因子：过去一年波动率（-0.256）、贝塔（-0.225）[3][26] - 历史对比：多数因子本周IC值显著偏离历史均值[12] 2. **日历效应** - 日度效应：周二、四绝对收益为正（2024-2025年）[44][46] - 月度效应：2月胜率84%，3月/5月超额胜率90%[48][51] 注：所有指标取值均基于2025年4月18日数据[12][21][26][58]

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. **主动偏股基金仓位高频估测模型** - **构建思路**：基于基金每日净值序列，采用带约束条件的多元回归模型估算股票仓位变动[63] - **具体构建过程**： 1. 以基金净值序列为因变量，基准或构建的资产序列为自变量 2. 通过多元回归模型求解最优仓位估计 3. 结合模拟组合提升估算准确性，跟踪行业配置动向 - **模型评价**：提供相对高频的仓位跟踪，但存在与实际仓位的偏差风险[63] 2. **REITs指数系列模型** - **构建思路**：通过分级靠档和除数修正法构建综合及细分REITs指数[46][47] - **具体构建过程**： 1. 按底层资产类型（产权类/特许经营权类）和项目类型划分指数 2. 采用分级靠档法稳定样本份额，除数修正法保证指数连续性 3. 同步计算价格指数和全收益指数 $$指数_t = \frac{\sum (成分股价格_t \times 调整后权重_t)}{除数_t}$$ - **模型评价**：有效反映REITs市场表现，适合长期资产配置[47] 3. **行业主题基金标签模型** - **构建思路**：通过持仓分析定义基金的长期行业主题标签[35] - **具体构建过程**： 1. 提取近四期财报持仓数据 2. 划分行业主题（如金融地产/TMT）、行业轮动、行业均衡三类标签 3. 构建主题基金指数跟踪风险收益特征[35] --- 量化因子与构建方式 1. **自由现金流因子** - **构建思路**：筛选ETF时作为多因子策略的子因子[59] - **具体构建过程**： 1. 计算企业自由现金流（FCFF）= 经营现金流 - 资本支出 2. 标准化后与其他因子（价值/成长等）复合加权 - **因子评价**：在宽基ETF中表现稳定，但需结合市场周期调整[59] 2. **ESG整合因子** - **构建思路**：综合环境、社会、治理维度筛选标的[75] - **具体构建过程**： 1. 负面筛选：剔除高污染、高争议行业 2. 正面筛选：加权ESG评分高的标的 3. 主题细分（如低碳/乡村振兴）[75] --- 模型回测效果 1. **REITs指数模型** - 产权类指数年化收益4.69%，最大回撤-42.30%[49] - 特许经营权类指数年化收益-0.14%，夏普比率-0.16[49] 2. **行业主题基金模型** - 金融地产主题基金本周收益2.24%，国防军工主题收益-2.59%[35] 3. **自由现金流因子** - 相关ETF本周收益1.83%，年化波动17.50%[59] --- 因子回测效果 1. **ESG整合因子** - 环境主题基金规模占比77.4%（1009.07亿元）[76] - 主动权益型ESG基金本周收益中位数-0.50%[78] 2. **动量因子** - 相关ETF近1月回报-14.86%，年内回报-11.93%[59] （注：部分模型如仓位估算未提供具体指标值，故未列出）

量化模型与构建方式 1. **鑫选ETF绝对收益策略** - 模型构建思路：通过"抽屉法"在场内权益ETF池中进行测试，目标是跑出绝对收益和相对A股权益的长周期相对收益[11] - 模型具体构建过程：从鑫选ETF池中筛选标的，采用技术面量化方法进行组合配置，最新持仓包括黄金ETF、食品饮料ETF等10只产品，每只权重10%[12] - 模型评价：样本外表现优异，兼具收益性和防御性 2. **全天候多资产多策略ETF风险平价策略** - 模型构建思路：结合行业轮动、风格轮动等权益策略，通过风险平价降低组合波动性，分散配置于商品、美股、国内权益及债券等资产[16] - 模型具体构建过程：按风险贡献分配权重，商品类（如黄金ETF）占5.55%，国内债券类（如10年国债ETF）占17.37%，美股类（如标普500ETF）占3.45%[17] 3. **中美核心资产组合** - 模型构建思路：纳入白酒、红利、黄金、纳指四种强趋势标的，结合RSRS择时策略和技术面反转策略[20] - 模型具体构建过程：根据RSRS信号动态调整四类资产权重，当前持仓为黄金ETF[20] 4. **高景气/红利轮动策略** - 模型构建思路：通过定量信号在高景气成长与红利策略间轮动[23] - 模型具体构建过程：信号为高景气时配置创业板ETF和科创50ETF（各50%），信号为红利时配置红利低波ETF与央企红利50ETF（各50%）[23] 5. **双债LOF增强策略** - 模型构建思路：以债券持仓为主，通过波动率倒数归一化调整其他标的权重[26] - 模型具体构建过程：计算双债LOF与其他三组标的的收益率波动率，按波动率倒数分配权重[26] 6. **结构化风险平价（QDII）策略** - 模型构建思路：以国内中长期债券ETF为主，QDII权益、黄金、国内红利ETF为增强配置[27] - 模型具体构建过程：QDII类（如纳指ETF）与国内红利类（如银行ETF）按风险平价原则组合[29] --- 模型的回测效果 1. **鑫选ETF绝对收益策略** - 2024年初至今总收益率29.91%，年化收益率23.33%，最大回撤-6.30%，波动率18.11%，夏普比率1.13[32] 2. **高景气/红利轮动策略** - 2024年初至今总收益率45.11%，年化收益率34.76%，最大回撤-22.04%，波动率35.90%，夏普比率0.94[32] 3. **中美核心资产组合** - 2024年初至今总收益率53.79%，年化收益率41.19%，最大回撤-10.86%，波动率17.52%，夏普比率1.94[32] 4. **双债LOF增强策略** - 2024年初至今总收益率8.64%，年化收益率6.86%，最大回撤-2.26%，波动率3.51%，夏普比率1.34[32] 5. **结构化风险平价（QDII）策略** - 2024年初至今总收益率22.27%，年化收益率17.48%，最大回撤-2.38%，波动率4.85%，夏普比率2.93[32] 6. **全天候多资产风险平价策略** - 2024年初至今总收益率17.51%，年化收益率13.80%，最大回撤-3.62%，波动率4.50%[32] --- 量化因子与构建方式 （注：报告中未明确提及独立因子构建，仅涉及复合策略模型） --- 因子的回测效果 （注：报告中未提供单因子测试结果）

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**：境内主动资产配置组合 - **模型构建思路**：基于战术性主动观点，动态调整权益、债券、商品等大类资产的配置权重，以追求超额收益[18] - **模型具体构建过程**： 1. **调仓频率**：每周审视组合，观点无显著变化时按月调仓；观点变化时不定期间隔调整[18] 2. **换手率限制**：月双边换手率≤60%[18] 3. **基准设置**：20%×A股宽基等权指数+60%×国债+20%×南华商品指数[18] 4. **货币对冲**：人民币计价，汇率风险完全对冲[18] 2. **模型名称**：全球主动资产配置组合 - **模型构建思路**：通过全球化资产分散配置（权益、债券、商品）捕捉跨市场机会[18] - **模型具体构建过程**： 1. **基准设置**：20%×全球权益等权指数+60%×十年期美债+20%×CRB指数[18] 2. **货币处理**：美元计价，汇率风险完全对冲[18] 其余规则与境内组合一致（调仓频率、换手率限制等）[18] --- 模型的回测效果 1. **境内主动资产配置组合**： - 当周收益率0.80%，基准0.17%，超额0.63%[19] - 累计超额收益率4.29%（年化5.39%），累计绝对收益率8.48%（年化10.71%）[19] - 最新权重：权益20.59%、债券63.45%、商品15.97%[25] 2. **全球主动资产配置组合**： - 当周收益率1.17%，基准1.14%，超额0.03%[26] - 累计超额收益率3.64%（年化4.53%），累计绝对收益率5.38%（年化6.72%）[26] - 最新权重：权益17.42%、债券64.61%、商品17.97%[31] --- 量化因子与构建方式 （注：报告中未明确提及独立因子构建细节，仅描述资产配置的驱动逻辑，如A股定价因子预期稳定[9]、债券交易拥挤度[10]等，但无具体因子公式或构建流程） --- 关键配置逻辑（隐含因子参考） 1. **权益类资产驱动因子**： - 政策不确定性消除（如"924"政策组合拳）[9] - 市场风险偏好与流动性趋势[9] - 产业资本开支预期（科技突破）[9] 2. **债券类资产驱动因子**： - 利率中枢下行压力（融资需求/信贷供给不平衡）[10] - 交易拥挤度与波动率变化[10] 3. **黄金驱动因子**： - 地缘政治风险溢价[13] - 美元信用削弱预期[13] --- 模型评价 1. **境内组合**：通过灵活调仓在震荡市中实现稳定超额收益，年化超额5.39%显著优于基准[19][25] 2. **全球组合**：跨市场配置有效分散风险，但超额收益波动较大（如当周超额仅0.03%）[26][31] （注：报告未提供模型IR、胜率等量化指标，评价基于历史收益表现）

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：宏观择时策略** - **构建思路**：基于经济增长和货币流动性两大维度的动态信号，确定权益资产配置比例[27] - **具体构建过程**： 1. **经济增长信号**：综合PMI、工业增加值等指标，信号强度0%时表示经济下行风险，50%为中性[28] 2. **货币流动性信号**：跟踪SHIBOR、国债收益率等，信号强度50%表明流动性宽松[28] 3. **仓位计算**：加权平均信号强度（经济增长0% + 流动性50%）× 50% = 25%权益仓位[27] - **模型评价**：策略在2025年初跑输Wind全A指数（1.06% vs 1.90%），但风险控制稳健[27] 2. **模型名称：微盘股择时模型** - **构建思路**：结合趋势轮动和风险预警指标判断微盘股持有时机[31] - **具体构建过程**： 1. **轮动信号**：微盘股/茅指数相对净值上穿243日均线时触发买入信号[36] 2. **风险预警**： - 波动率拥挤度同比（阈值-50.09%），低于阈值解除风险[34] - 十年国债利率同比（阈值0.3%），当前-20.45%未触发[33] - **模型评价**：当前模型未触发风控，建议继续持有微盘股风格[31] --- 量化因子与构建方式 1. **因子名称：一致预期因子** - **构建思路**：基于分析师对未来盈利预测的变化捕捉市场预期差[42] - **具体构建过程**： - 核心指标：$$EPS_{FTTM\_Chg3M} = \frac{EPS_{t} - EPS_{t-3}}{|EPS_{t-3}|}$$ [53] - 辅助指标：目标价180日预期收益率（TargetReturn_180D）[53] - **因子评价**：上周在全部A股中IC均值2.02%，多空收益0.44%[42] 2. **因子名称：质量因子** - **构建思路**：筛选财务稳健性高的股票[53] - **具体构建过程**： - 核心指标：$$ROE_{FTTM} = \frac{预期净利润}{股东权益均值}$$ [53] - 辅助指标：经营现金流/流动负债（OCF2CurrentDebt）[53] - **因子评价**：上周在全部A股中表现最佳，IC均值5.35%[42] 3. **因子名称：转债估值因子** - **构建思路**：通过平价底价溢价率评估可转债估值合理性[47] - **具体构建过程**： - 计算公式：$$溢价率 = \frac{转债价格 - 转股价值}{转股价值} \times 100\%$$ [47] - **因子评价**：上周多空收益为正，与正股价值因子联动性强[47] --- 模型回测效果 1. **宏观择时模型** - 年化收益率：1.06%（vs Wind全A 1.90%）[27] - 信号稳定性：经济增长信号强度0%，流动性信号强度50%[28] 2. **微盘股择时模型** - 当前信号：波动率拥挤度-50.09%（安全），利率同比-20.45%（安全）[33][34] --- 因子回测效果 | 因子名称 | IC均值（全部A股） | 多空收益（上周） | |----------------|------------------|------------------| | 一致预期因子 | 2.02% | 0.44% | [42] | 质量因子 | 5.35% | 0.56% | [42] | 转债估值因子 | - | 正收益（未量化） | [47] --- 注：部分因子如技术、波动率等因篇幅限制未展开，完整定义参见附录[53]

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. **量能择时模型** - 构建思路：通过监测宽基指数的交易量能变化判断市场趋势[24] - 具体构建：对北证50等宽基指数设置量能阈值，当持续缩量时触发谨慎信号，仅北证50维持看多[24] - 模型评价：对市场流动性变化敏感，但易受短期波动干扰[24] 2. **沪深300上涨家数占比情绪指标** - 构建思路：利用成分股正收益比例捕捉市场情绪拐点[25] - 具体构建： $$ \text{N日上涨家数占比} = \frac{\text{过去N日收益>0的个股数}}{\text{成分股总数}} $$ 采用双均线系统（快线N2=35日，慢线N1=50日）生成信号[27][29] - 模型评价：能快速识别底部但易错过持续上涨阶段[25] 3. **均线情绪指标** - 构建思路：通过八均线体系判断趋势状态[31] - 具体构建： - 计算8条均线（参数：8/13/21/34/55/89/144/233日） - 当收盘价超过5条均线时看多[37] - 模型评价：对中长期趋势判断有效但滞后性明显[31] 量化因子与构建方式 1. **横截面波动率因子** - 构建思路：衡量成分股间收益离散度作为Alpha环境指标[38] - 具体构建： $$ \sigma_{cross} = \sqrt{\frac{1}{N}\sum_{i=1}^N (r_i - \bar{r})^2} $$ 其中$r_i$为个股收益率，$\bar{r}$为指数收益率[39] - 因子评价：高波动环境更易获取超额收益[38] 2. **时间序列波动率因子** - 构建思路：通过历史波动率评估市场风险水平[42] - 具体构建： $$ \sigma_{time} = \sqrt{\frac{1}{T}\sum_{t=1}^T (r_t - \mu)^2} $$ 采用20日滚动计算[43] - 因子评价：与市场流动性呈负相关关系[42] 模型回测效果 | 模型/因子 | 年化收益率 | 最大回撤 | IR | 胜率 | |--------------------|------------|----------|------|-------| | 量能择时模型 | 15.2%[24] | 22.3%[24]| 1.8[24] | 68%[24] | | 上涨家数占比策略 | 18.7%[30] | 19.5%[30]| 2.1[30] | 72%[30] | | 均线情绪策略 | 12.4%[35] | 25.8%[35]| 1.5[35] | 65%[35] | 因子回测效果 | 因子 | IC均值 | ICIR | 多空收益差 | |--------------------|----------|---------|------------| | 横截面波动率 | 0.21[39] | 2.3[39] | 9.8%[39] | | 时间序列波动率 | -0.18[43]| 1.7[43] | -6.5%[43] | 注：所有测试结果均基于2025年4月18日前推两年的数据[39][43]

中银量化大类资产跟踪 A 股缩量回升，大盘红利占优 股票市场概览 ◼ 本周 A 股上涨，港股上涨，美股下跌，其他海外权益市场普遍上涨 A 股风格与拥挤度 成长 vs 红利：成长风格拥挤度及超额净值持续处于历史低位；红利风 格拥挤度当前仍处于历史较低位置，近期快速下降。 小盘 vs大盘：小盘风格超额净值及拥挤度持续处于历史低位；大盘风格 近期拥挤度下降至历史较低位置。 微盘股 vs基金重仓：微盘股拥挤度持续处于历史极高分位；基金重仓拥 挤度近一年波动剧烈，当前处于历史适中位置，超额累计净值处于历史 低位。 资金面与动量/反转风格：当前资金总量处于长期下降阶段，反转较动量 长期占优，与经验一致。 金融工程| 证券研究报告 —周报 2025 年 4 月 20 日 A 股行情及成交热度 ◼ 本周领涨的行业为银行、非银行金融、煤炭；领跌的行业为电力设备及 新能源、农林牧渔、计算机。本周沪深 300、中证500、创业板指数成交 热度较上周下降。 A 股估值与股债性价比 A 股资金面 机构调研活跃度 ◼ 当前机构调研活跃度历史分位居前的行业为商贸零售、汽车、房地产， 居后的行业为医药、食品饮料、电力设备及新能源。 利率市场 ...

根据您提供的研报内容，以下是关于其中涉及的量化模型和因子的详细总结： 量化模型与构建方式 1. 短期量化择时模型 - **模型名称**：短期量化择时模型[19][22][24] - **模型构建思路**：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，生成对市场短期走势的综合判断信号[19][20][21] - **模型具体构建过程**： 1. **选择一级指标**：包括基本面、估值面、情绪面、流动性四个维度[19][20][21] 2. **选择二级指标**： - 基本面：制造业PMI分位数、中长期贷款余额同比增速分位数、M1同比增速（HP滤波去趋势）分位数[20] - 估值面：A股整体PE分位数、A股整体PB分位数[20] - 情绪面：A股整体Beta离散度分位数、A股整体量能情绪分位数（60日成交量与换手率布林带指标）、A股整体波动率分位数[21] - 流动性：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[21] 3. **信号生成规则**：每个二级指标根据其当前值在过去5年中的分位数位置，被赋予“乐观”、“中性”或“谨慎”的定性信号[19][20][21] 4. **综合判断**：将同一一级指标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、中性或谨慎），最后再综合四个维度的总体信号，生成最终的总仓位信号（看多或看空）[19][23] 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[31][32][33] - **模型构建思路**：基于基本面、估值面和情绪面三大维度的指标，判断成长风格与价值风格中哪一类在未来更占优，从而进行超配[32][34] - **模型具体构建过程**： 1. **选择一级指标**：包括基本面、估值面、情绪面三个维度[32][34] 2. **选择二级指标**： - 基本面：盈利斜率周期水平、利率综合周期水平、信贷综合周期变化[32][34] - 估值面：成长价值PE差分位数、成长价值PB差分位数[32][34] - 情绪面：成长价值换手差分位数、成长价值波动差分位数[32][34] 3. **信号生成与权重分配**：每个二级指标根据其数值和预定义规则，直接计算出对成长或价值的配置权重（0%, 50%, 100%）[34] 4. **综合配置建议**：计算每个一级指标下所有二级指标权重的平均值，得到该维度的配置建议，最后综合三个维度的建议，给出最终的成长/价值配置比例[32][34] 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[31][37][38] - **模型构建思路**：基于基本面、估值面和情绪面三大维度的指标，判断小盘风格与大盘风格中哪一类在未来更占优，从而进行超配[37][39] - **模型具体构建过程**： 1. **选择一级指标**：包括基本面、估值面、情绪面三个维度[37][39] 2. **选择二级指标**： - 基本面：盈利斜率周期水平、利率综合周期水平、信贷综合周期变化[37][39] - 估值面：小盘大盘PE差分位数、小盘大盘PB差分位数[37][39] - 情绪面：小盘大盘换手差分位数、小盘大盘波动差分位数[37][39] 3. **信号生成与权重分配**：每个二级指标根据其数值和预定义规则，直接计算出对小盘或大盘的配置权重（0%, 50%, 100%）[39] 4. **综合配置建议**：计算每个一级指标下所有二级指标权重的平均值，得到该维度的配置建议，最后综合三个维度的建议，给出最终的小盘/大盘配置比例[37][39] 4. 四风格轮动模型 - **模型名称**：四风格轮动模型[31][42] - **模型构建思路**：该模型是上述成长价值轮动模型和小盘大盘轮动模型的结合，用于在“小盘成长、小盘价值、大盘成长、大盘价值”四种风格间进行轮动配置[31][42] - **模型具体构建过程**： 1. **输入**：获取成长价值轮动模型给出的最终成长配置权重（G_weight）和价值配置权重（V_weight），以及小盘大盘轮动模型给出的最终小盘配置权重（S_weight）和大盘配置权重（B_weight）[31][42] 2. **组合计算**：将两种风格的建议配置比例相乘，得到四种风格的推荐配置比例[42]： - 小盘成长配置比例 = S_weight × G_weight - 小盘价值配置比例 = S_weight × V_weight - 大盘成长配置比例 = B_weight × G_weight - 大盘价值配置比例 = B_weight × V_weight 3. **输出**：输出四种风格的具体配置比例[31][42] 模型的回测效果 1. 短期量化择时模型 - **年化收益率**：16.16%[22][25] - **基准年化收益率**：3.97%[22][25] - **年化超额收益率**：12.19%[22][25] - **年化波动率**：14.80%[22][25] - **最大回撤**：27.70%[22][25] - **夏普比率**：0.9519[22][25] - **收益回撤比**：0.5835[22][25] - **月度胜率**：67.79%[22][25] - **季度胜率**：66.67%[22][25] - **年度胜率**：85.71%[22][25] - **2024年以来年化收益率**：25.24%[28][29] - **2024年以来最大回撤**：11.04%[28][29] - **2024年以来夏普比率**：1.1679[28][29] - **2024年以来收益回撤比**：2.2864[28][29] - **2024年以来月度胜率**：64.71%[28][29] 2. 成长价值风格轮动模型 - **年化收益率**：11.00%[33][36] - **基准年化收益率**：6.31%[33][36] - **年化超额收益率**：4.69%[33][36] - **年化波动率**：20.99%[33][36] - **最大回撤**：43.07%[33][36] - **夏普比率**：0.5075[33][36] - **收益回撤比**：0.2553[33][36] - **月度胜率**：57.43%[33][36] - **季度胜率**：58.00%[33][36] - **2025年以来收益率**：-4.39%[33][36] - **2025年以来基准收益率**：-1.03%[33][36] - **2025年以来超额收益率**：-3.36%[33][36] 3. 小盘大盘风格轮动模型 - **年化收益率**：11.76%[38][40] - **基准年化收益率**：6.39%[38][40] - **年化超额收益率**：5.37%[38][40] - **年化波动率**：22.89%[38][40] - **最大回撤**：50.65%[38][40] - **夏普比率**：0.5138[38][40] - **收益回撤比**：0.2322[38][40] - **月度胜率**：60.14%[38][40] - **季度胜率**：56.00%[38][40] - **2025年以来收益率**：-4.45%[38][40] - **2025年以来基准收益率**：0.38%[38][40] - **2025年以来超额收益率**：-4.83%[38][40] 4. 四风格轮动模型 - **年化收益率**：12.59%[42][43] - **基准年化收益率**：6.81%[42][43] - **年化超额收益率**：5.78%[42][43] - **年化波动率**：21.74%[42][43] - **最大回撤**：47.91%[42][43] - **夏普比率**：0.5631[42][43] - **收益回撤比**：0.2627[42][43] - **月度胜率**：58.78%[42][43] - **季度胜率**：60.00%[42][43] - **2025年以来收益率**：-3.77%[42][43] - **2025年以来基准收益率**：-0.39%[42][43] - **2025年以来超额收益率**：-3.38%[42][43] 量化因子与构建方式 报告中未明确描述独立于上述模型的、可供选股或其他用途的单一量化因子。所有提到的指标（如PMI分位数、估值分位数、波动率等）均作为上述综合模型的输入组件，并未将其作为独立的Alpha因子进行构建和测试。