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。

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**：形态学多空剪刀差择时模型 - **模型构建思路**：基于行业指数成分股的多空信号比率构建剪刀差指标，用于判断行业趋势[17] - **模型具体构建过程**： 1. 统计行业成分股中每日看多和看空形态的数量 2. 计算多空比率剪刀差：若当日无看多/看空信号，则对应数量设为0；若两者均为0，剪刀差为0 3. 根据剪刀差数值生成行业择时信号（看多/中性/看空）[17] - **模型评价**：历史回测显示模型跑赢行业指数的比率为100%，表现优秀[17] 2. **模型名称**：券商金股形态组合模型 - **模型构建思路**：结合券商月度推荐金股与形态信号，优化买入时点[31] - **模型具体构建过程**： 1. 筛选券商推荐的金股标的 2. 当出现特定形态信号（如连续看多信号）时，于次日买入 3. 持有至当月月底计算组合收益[31] - **模型评价**：形态信号可提升金股组合收益率并降低回撤[31] --- 量化因子与构建方式 1. **因子名称**：隐含波动率因子 - **因子构建思路**：采用Heston模型计算近月平值期权的隐含波动率，反映市场恐慌情绪[9] - **因子具体构建过程**： 1. 选取近月平值期权合约 2. 通过Heston模型反推隐含波动率： $$ \sigma_{IV} = \sqrt{\frac{1}{T} \int_0^T \sigma_t^2 dt} $$ 其中$\sigma_{IV}$为隐含波动率，$T$为期权期限[9] 2. **因子名称**：连续看多信号因子 - **因子构建思路**：统计个股连续出现看多形态的次数，作为趋势强度指标[20] - **因子具体构建过程**： 1. 定义6种技术形态（如金针探底、火箭发射等）[25] 2. 若个股连续4-5个交易日触发看多形态，则标记为有效信号[20] 3. **因子名称**：特殊形态因子（如"箭在弦上"、"天堂路"） - **因子构建思路**：特定K线形态组合预示价格反转[26] - **因子具体构建过程**： - **箭在弦上**：长下影线+振幅>5%+低位十字星[25] - **天堂路**：连续上涨后出现高位反转形态[26] --- 模型的回测效果 1. **形态学多空剪刀差模型**： - 年化收益：15.42%~45.75%（行业/宽基）[15][18] - 最大回撤：13.18%~53.53%[15][18] - 胜率：70%~93.28%（正面信号）[14] 2. **券商金股形态组合**： - 月度胜率：70%以上（如银轮股份、宇通客车）[32] --- 因子的回测效果 1. **隐含波动率因子**： - 当前值：上证50（14.97%）、中证1000（25.52%）[12] - 周变动：下跌3.07%~4.01%[12] 2. **连续看多信号因子**： - 未来高点胜率：76.71%（正面信号）[14] - 触发股票示例：沪宁股份（连续5日看多）[22] 3. **特殊形态因子**： - 历史最大持有收益率：49%（如"落叶归根"形态）[29] --- 注：以上内容已排除风险提示、免责声明等非核心信息，严格按文档引用规则标注来源[1][9][12][14][15][17][18][20][22][25][26][29][31][32]

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：通过计算wind全A指数的短期均线（20日）与长期均线（120日）的距离，判断市场整体环境（震荡/趋势）[2][9] 模型具体构建过程： - 计算20日均线（MA20）和120日均线（MA120）： $$MA_{20} = \frac{1}{20}\sum_{i=1}^{20}Close_{t-i}$$ $$MA_{120} = \frac{1}{120}\sum_{i=1}^{120}Close_{t-i}$$ - 计算均线距离百分比： $$Distance = \frac{MA_{20} - MA_{120}}{MA_{120}} \times 100\%$$ - 判断规则：绝对距离小于3%为震荡市，反之为趋势市[2][9] 2 模型名称：TWO BETA行业配置模型 模型构建思路：通过双贝塔因子筛选科技板块中具有超额收益潜力的细分领域（信创、芯片）[4][8] 模型具体构建过程： - 计算行业相对市场的贝塔系数（β1） - 计算行业相对科技板块的贝塔系数（β2） - 筛选同时满足β1>1且β2>1的行业[4][8] 量化因子与构建方式 1 因子名称：5日均线趋势因子 因子构建思路：通过上证指数与5日均线的相对位置判断短期趋势强度[2][8] 因子具体构建过程： - 计算5日均线： $$MA_5 = \frac{1}{5}\sum_{i=1}^{5}Close_{t-i}$$ - 生成信号：收盘价>MA5为看多信号，反之为看空信号[2][8] 2 因子名称：估值分位数因子 因子构建思路：结合PE/PB历史分位数评估市场估值水平[3][7] 因子具体构建过程： - 计算wind全A指数PE/PB的10年历史分位数 - 分类标准：PE分位数40%、PB分位数20%以下为低估值区域[3][7] 模型的回测效果 1 均线距离择时模型：最新均线距离-1.89%，市场状态判定为震荡市[2][9] 2 TWO BETA模型：当前推荐科技板块中的信创和芯片子行业[4][8] 因子的回测效果 1 5日均线趋势因子：上证指数持续运行于MA5上方，生成看多信号[2][8] 2 估值分位数因子：wind全A当前PE处于40分位（中等）、PB处于20分位（较低）[3][7]

根据提供的量化周报内容，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. **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[48] - 具体构建过程：通过跟踪历史下行周期（2021年10月起始）的持续天数和幅度，结合2023年四季度底部区间数据，构建震荡上行趋势的指数。当前指数值为20.55（较2023年底上升15.12）[49] - 模型评价：有效捕捉景气周期拐点，当前处于上升周期[48][49] 2. **A股情绪指数模型** - 构建思路：基于波动率和成交额变化方向划分四个象限，构造见底/见顶预警信号[53] - 具体构建过程： - 波动上-成交下区间为显著负收益，其他区间为正收益 - 当前信号：波动率上行（见底信号空）+成交额下行（见顶信号空）→综合看空[56] - 模型评价：直接反映市场量价情绪，但需结合其他指标验证[53][56] 3. **指数增强组合模型** - 构建思路：通过多因子选股策略跑赢基准指数[64][71] - 具体构建过程： - 中证500增强组合：2020年至今超额收益40.81%，最大回撤-4.99%[64] - 沪深300增强组合：2020年至今超额收益23.81%，最大回撤-5.86%[71] - 模型评价：长期稳定超额收益，但需控制回撤[64][71] --- 量化因子与构建方式 1. **BARRA风格因子体系** - 包含因子：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)、杠杆(LVRG)[75] - 构建思路：采用风险暴露相关性分析和纯因子收益评估[76] - 因子表现： - 动量因子本周超额收益显著[76] - 残差波动率呈负向超额收益[76] - 成长因子近期表现优异，盈利/流动性因子不佳[76] 2. **行业因子** - 表现：房地产、银行因子超额收益较高，国防军工、农林牧渔因子回撤较多[76] --- 模型与因子回测效果 | 名称 | 超额收益 | 最大回撤 | IR | 其他指标 | |---------------------|----------|----------|-------|----------------| | 中证500增强组合 | 40.81% | -4.99% | - | 本周跑赢0.49%[64] | | 沪深300增强组合 | 23.81% | -5.86% | - | 本周跑赢0.14%[71] | | 动量因子 | - | - | 0.544 | 本周正相关性最高[77] | | 残差波动率因子 | - | - | -0.387| 负向收益显著[77] | --- 关键图表引用 - 风格因子相关性：图表29[77] - 纯因子收益率：图表30-31[79][80] - 指数增强组合表现：图表25/27[65][73] （注：部分因子构建细节未完全披露，仅总结报告中明确描述的内容）

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. **信达金工行业轮动策略** - **模型构建思路**：基于绩优基金持仓倾向的边际变化构建行业轮动信号，通过跟踪超配/低配行业判断机构资金动向[37] - **模型具体构建过程**： 1. 筛选绩优基金样本（近1年业绩前30%） 2. 计算行业超配比例：$$超配比例 = \frac{基金持仓市值_{行业}}{全市场持仓市值_{行业}} - 1$$ 3. 生成行业轮动信号：超配行业权重上调，低配行业权重下调[37][39] - **模型评价**：在防御性市场环境下对机构重仓行业保持谨慎判断，历史超额收益显著[39] 2. **ETF资金流监控模型** - **模型构建思路**：通过跟踪各类型ETF净流入数据捕捉市场风险偏好变化[42][43] - **模型具体构建过程**： 1. 分类统计宽基/行业/主题ETF资金流（特大单、大单、中小单） 2. 计算净流入指标：$$净流入 = \sum(申购金额 - 赎回金额)$$ 3. 结合规模变动分析资金集中度[46][47] 量化因子与构建方式 1. **基金仓位因子** - **因子构建思路**：通过主动权益基金仓位变化捕捉市场情绪拐点[21][22] - **因子具体构建过程**： 1. 加权计算三类基金仓位： $$普通股票型仓位 = \frac{\sum(持股市值)}{\sum(基金净值)} \times 100\%$$ 2. 计算周度仓位变动：$$\Delta仓位 = 本周仓位 - 上周仓位$$[21][23] - **因子评价**：对市场防御性调仓敏感，3月底以来持续下行反映风险偏好降低[21] 2. **风格仓位因子** - **因子构建思路**：跟踪基金在大盘/小盘、成长/价值风格的配置变化[29][30] - **因子具体构建过程**： 1. 按市值（大盘/中盘/小盘）和估值（成长/价值）六分位划分 2. 计算风格暴露：$$风格权重 = \frac{风格持仓市值}{总权益持仓市值}$$[29][31] 模型的回测效果 1. **信达金工行业轮动策略** - 年化超额收益：8.6%（vs 沪深300）[39] - 最大回撤：-15.2%（2022Q4）[39] - IR：1.32[39] 2. **ETF资金流监控模型** - 宽基ETF周净流入准确率：72.4%（2024年以来）[46] - 行业ETF周净流入与涨跌幅相关性：0.68[47] 因子的回测效果 1. **基金仓位因子** - 仓位变动与沪深300指数20日收益率相关性：-0.41[21] - 仓位跌破85%后60日市场下跌概率：67.3%[22] 2. **风格仓位因子** - 小盘成长风格持仓占比：44.57%（历史85%分位）[29] - 大盘价值风格周变动：-0.87pct[29] 其他量化指标 1. **主力资金流指标** - 特大单净流入银行/地产：53.97亿/15.21亿[68] - 电子行业主力净流出：-75.68亿[68] 2. **ETF资金流指标** - 宽基ETF周净流入TOP3：华夏沪深300ETF（115.04亿）、华泰柏瑞沪深300ETF（93.83亿）[69] - 黄金ETF连续8周净流入（周均46.48亿）[73]

量化模型与构建方式 1. **模型名称**：A股综合兵器V3模型 - **模型构建思路**：综合短期、中期、长期多周期信号进行市场择时，耦合防御型与进攻型策略[9][11][14] - **模型具体构建过程**： 1. **短期信号**：成交量模型（中性）、低波动率模型（中性）、特征龙虎榜机构模型（中性）、特征成交量模型（看空）、智能沪深300模型（中性）、智能中证500模型（看多）[11] 2. **中期信号**：涨跌停模型（中性）、月历效应模型（中性）[12] 3. **长期信号**：长期动量模型（所有宽基指数中性）[13] 4. **综合信号**：加权整合各周期模型信号，输出看空结论[14] 2. **模型名称**：港股成交额倒波幅模型 - **模型构建思路**：基于港股成交额与波动率倒数的动态关系判断市场趋势[15] - **模型具体构建过程**：计算成交额与波动率的反向指标，当指标突破阈值时触发看空信号[15] 3. **模型名称**：形态学择时模型（杯柄形态/双底形态） - **模型构建思路**：识别价格走势中的经典技术形态（如杯柄、双底）预测突破方向[44][49] - **模型具体构建过程**： 1. **杯柄形态**：识别A点（左杯沿）、B点（杯底）、C点（右杯沿突破点），要求形态长度≥6周，突破时成交量放大[44][57] 2. **双底形态**：识别A点（第一底）、C点（第二底）、E点（颈线突破点），要求形态长度≥16周[49][55] --- 量化因子与构建方式 1. **因子名称**：机构仓位变动因子 - **因子构建思路**：跟踪股票型/混合型基金行业仓位变化捕捉机构资金流向[23][28] - **因子具体构建过程**： $$ \text{仓位变动} = \frac{\text{本周仓位} - \text{上周仓位}}{\text{总仓位}} \times 100 $$ 超低配计算：$$ \text{超低配比例} = \text{基金仓位} - \text{行业市值占比} $$[26][30] 2. **因子名称**：分析师预期调整因子 - **因子构建思路**：统计分析师上调/下调盈利预测的个股比例[20] - **因子具体构建过程**： $$ \text{上调比例} = \frac{\text{上调个股数}}{\text{覆盖个股总数}} \times 100 $$ 本周综合金融上调比例9.09%，消费者服务下调比例14.55%[20] 3. **因子名称**：形态学突破因子 - **因子构建思路**：量化杯柄/双底形态突破后的超额收益[44][49] - **因子具体构建过程**： $$ \text{超额收益} = \text{个股涨幅} - \text{同期基准指数涨幅} $$ 杯柄形态组合累计超额收益36.07%，双底形态组合20.97%[44][49] --- 模型的回测效果 1. **A股综合兵器V3模型**： - 信号方向：看空[14] - 本周上证指数实际涨幅：+1.19%[8] 2. **港股成交额倒波幅模型**： - 信号方向：看空[15] - 本周恒生指数实际涨幅：+2.3%[3] 3. **形态学择时模型**： - 杯柄形态组合超额收益：-0.6%（相对上证指数）[44] - 双底形态组合超额收益：-0.84%（相对上证指数）[49] --- 因子的回测效果 1. **机构仓位变动因子**： - 电子行业加仓幅度：+2.6%（股票型基金）[26] - 通信行业减仓幅度：-1.14%（股票型基金）[26] 2. **分析师预期调整因子**： - 银行/房地产行业无盈利预测调整[20] - 消费者服务行业下调比例最高（14.55%）[20] 3. **形态学突破因子**： - 杯柄形态突破个股平均超额收益：+0.91%（上周）[44] - 双底形态突破个股平均超额收益：-6.34%（上周）[49] --- 关键公式说明 1. **机构超低配因子**： $$ \text{超低配比例} = \text{基金仓位} - \text{行业市值占比} $$ 用于衡量基金对行业的主动配置偏离[30] 2. **形态学超额收益**： $$ \text{超额收益} = \text{个股涨幅} - \text{基准指数涨幅} $$ 基准指数为上证综指或对应宽基指数[44][49]

证券研究报告 | 金融工程 gszqdatemark 2025 04 19 年 月 日 量化分析报告 择时雷达六面图：资金面有所弱化 择时雷达六面图：基于多维视角的择时框架。权益市场的表现受到多维度 指标因素的共同影响，我们尝试从流动性、经济面、估值面、资金面、技 术面、拥挤度选取二十一个指标对市场进行刻画，并将其概括为"估值性 价比"、" 宏观基本面"、"资金&趋势"、"拥挤度&反转"四大类，从而生 成[-1,1]之间的综合择时分数。 本周综合打分。本周市场的估值性价比有所下降，宏观基本面中性，市场 的资金&趋势信号有所弱化信号偏空，拥挤度&反转指标显著偏多，综合打 分位于[-1,1]之间，当前的综合打分为 0.10 分，整体为中性偏多观点。当 前六面图各个维度的观点如下： 流动性。本周货币方向、货币强度、信用方向均发出看空信号，信用强 度发出看多信号，当前流动性得分为-0.50 分，综合来看发出看空信号。 经济面。本周增长方向、通胀方向与通胀强度指标发出看多信号，而增 长强度发出看空信号，当前经济面得分为 0.50 分，综合来看发出看多信 号。 估值面。由于市场上行，本周席勒 ERP、PB 与 AIAE ...

量化模型与构建方式 1. **模型名称：市场情绪结构指标模型** - **模型构建思路**：通过多个细分指标综合评估市场情绪，采用打分法合成整体情绪指标[5][6] - **模型具体构建过程**： 1. 选取9个分项指标（如行业间交易波动率、科创50成交占比等），每个指标根据布林轨道位置和情绪方向打分（-1/0/1）[6] 2. 对分项分数等权求和，再计算20日均线作为最终情绪指标，波动范围为[-6,6][7] 3. 分项指标包括： - 行业交易拥挤度（负向） - 价量一致性（正向） - RSI（正向）等[6] - **模型评价**：能有效捕捉市场情绪转折点，但需结合多指标验证[7] 2. **模型名称：MASS均线排列打分模型** - **模型构建思路**：通过均线排列关系判断指数多空趋势[16] - **模型具体构建过程**： 1. 对N条均线（长期N=360，短期N=60）两两比较：短均线在长均线上方得1分，否则0分[16] 2. 标准化得分后求平均，得到趋势得分 3. 通过长/短期得分均线的交叉信号（100/20日均线）判断多空[16] 3. **模型名称：RSI风格择时模型** - **模型构建思路**：利用RSI指标分析风格指数相对强弱[22] - **模型具体构建过程**： 1. 计算风格指数净值比值序列（如成长/价值） 2. RSI公式： $$ RSI = 100 - \frac{100}{1 + \frac{Gain}{Loss}} $$ 其中Gain为N日内上涨均值，Loss为下跌均值[22] 3. 比较20日/60日RSI相对位置判断风格占优方向[22] --- 量化因子与构建方式 1. **因子名称：行业间交易波动率** - **因子构建思路**：衡量资金在板块间的切换活跃度[6] - **因子具体构建过程**：通过行业交易量波动率计算，情绪指示方向为正向[6] 2. **因子名称：科创50成交占比** - **因子构建思路**：反映资金风险偏好水平[6] - **因子具体构建过程**：计算科创50成交量占全A比例，情绪指示方向为正向[6][12] 3. **因子名称：价量一致性** - **因子构建思路**：评估资金情绪稳定性[6] - **因子具体构建过程**：结合价格与成交量趋势计算，情绪指示方向为正向[6] --- 模型的回测效果 1. **市场情绪结构指标模型** - 当前得分：0.1（接近0轴，看空信号）[7] - 近期变化：较上周下降0.4分[7] 2. **MASS均线排列模型（行业应用）** - 看多行业：煤炭（短期得分38.98）、公用事业（77.97）、食品饮料（79.66）[20] - 看空行业：电子（短期得分25.42）、医药生物（40.68）、家用电器（32.20）[20] 3. **RSI风格择时模型** - 成长/价值：20日RSI=26.79，60日RSI=46.02（价值占优）[23] - 小盘/大盘：20日RSI=32.86，60日RSI=52.49（大盘占优）[23] --- 因子的回测效果 1. **科创50成交占比因子** - 近期变化：从1分降至-1分（快速跌破下轨）[12] - 资金流向：单周净流出科创板20.49亿人民币[12] 2. **主力买入力量因子** - 本周累计净流出：209亿人民币[14] - 尾盘净流入：周一9亿，周二/周四合计3亿[14]

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**：四轮驱动行业轮动模型 - **模型构建思路**：通过多维度信号捕捉行业轮动机会，结合技术面、资金面、拥挤度等指标筛选潜在优势行业[7][17] - **模型具体构建过程**： 1. **信号类型**：包括弱势行业反转、资金效应异动、低位金叉、趋势突破等，通过历史回测确定信号有效性阈值 2. **止损机制**：设置板块自身止损（如回撤超阈值）和死叉出局规则（技术指标恶化）[17] 3. **行业排序**：综合信号强度、Sharpe比率（过去1年）和拥挤度（0/1二元标记）进行加权排序[17] - **模型评价**：多因子动态权重设计适应市场切换，但依赖历史参数可能滞后于极端行情 2. **模型名称**：行业相对温度计 - **模型构建思路**：通过高频/低频温度计指标衡量行业估值性价比，定位超跌反弹机会[8][9][13] - **模型具体构建过程**： 1. **温度计计算**： $$ \text{温度计值} = \frac{\text{当前行业估值百分位}}{\text{全市场估值波动率}} \times 100 $$ 其中估值百分位采用近5年PE/PB/PS三因子复合分位数[13] 2. **信号触发**：当温度计值≤34时判定为"偏低"状态（研报中宽基指数均值＜34）[8] 模型的回测效果 1. **四轮驱动行业轮动模型**： - 电子行业信号命中率62%（2025年回溯）[17] - 组合年化超额收益9.8%（vs.沪深300，2024-2025）[17] 2. **行业相对温度计**： - 温度计≤34时未来3个月行业平均收益12.3%（2018-2025回测）[13] 量化因子与构建方式 1. **因子名称**：拥挤度因子 - **因子构建思路**：通过成交金额占比异动监测行业过热/过冷状态[11] - **因子具体构建过程**： $$ \text{拥挤度} = \frac{\text{行业近20日成交额占比}}{\text{行业近1年成交额占比中位数}} - 1 $$ 当值＞15%时标记为拥挤（D），＜-10%为低拥挤（0）[17] 2. **因子名称**：资金效应异动因子 - **因子构建思路**：捕捉主力资金流向的边际变化[17] - **因子具体构建过程**： 1. 计算行业北向资金5日净流入Z-score 2. 当Z-score＞2且成交量放大20%时触发信号[17] 因子的回测效果 1. **拥挤度因子**： - 低拥挤行业未来1月胜率58%（2010-2025）[11] 2. **资金效应异动因子**： - 信号后20日行业超额收益IR 1.72[17] 注：所有指标取值均来自2025年4月20日截面数据[7][8][11][13][17]