量化模型与构建方式 1. **模型名称：中国经济六周期模型** - **模型构建思路**：基于货币-信用-增长三个维度方向来刻画宏观状态，用于判断经济周期阶段[1][7] - **模型具体构建过程**： 1. 划分六个周期阶段（阶段1-6），每个阶段对应不同的货币、信用、增长组合状态 2. 信用扩张阶段（如阶段1-3）配置成长风格资产，收缩阶段（阶段4-6）配置价值风格资产[7][10] 3. 通过信贷数据（如中长贷脉冲）动态调整周期阶段判断[11] 2. **模型名称：中长贷脉冲择时模型** - **模型构建思路**：利用中长期贷款脉冲指标识别信用周期方向，指导A股仓位配置[11] - **模型具体构建过程**： 1. 计算新增中长贷TTM同比：$$ \text{中长贷脉冲} = \frac{\sum_{i=t-11}^t \text{新增中长贷}_i}{\sum_{i=t-23}^{t-12} \text{新增中长贷}_i} - 1 $$ 2. 取三个月差分作为信用扩张/收缩信号：$$ \Delta \text{中长贷脉冲} = \text{中长贷脉冲}_t - \text{中长贷脉冲}_{t-3} $$ 3. 当差分转正时发出看多信号[11][12] - **模型评价**：历史回测显示对A股波动率和最大回撤控制效果显著[11] 3. **模型名称：主权CDS择时模型** - **模型构建思路**：基于中国主权CDS指标水平和变化方向构建A股仓位规则[14] - **模型具体构建过程**： 1. 计算CDS滚动4年z-score标准化值：$$ z = \frac{\text{CDS}_t - \mu_{4y}}{\sigma_{4y}} $$ 2. 计算近20日差分方向：$$ \Delta \text{CDS} = \text{CDS}_t - \text{CDS}_{t-20} $$ 3. 分四档配置： - z <0且ΔCDS<0 → 100%股票 - z ≥0且ΔCDS<0 → 75%股票 - z <0且ΔCDS≥0 → 25%股票 - z ≥0且ΔCDS≥0 → 0%股票[15] 4. **模型名称：六周期FOF配置模型** - **模型构建思路**：将六周期观点融入风险预算框架，月频调整多资产权重[18] - **模型具体构建过程**： 1. 设定目标波动率3%，按周期阶段分配风险预算： - 阶段1-3：增配权益（成长/制造风格） - 阶段4-6：增配债券/黄金[18] 2. 使用风格FOF组合（如成长ETF）、国开债ETF、黄金ETF作为底层资产[18] - **模型评价**：风险调整后收益显著优于目标波动基准[19] --- 量化因子与构建方式 1. **因子名称：中长贷脉冲因子** - **因子构建思路**：反映银行体系对实体经济的中长期信贷支持力度[11] - **因子具体构建过程**： 1. 计算12个月新增中长贷滚动总和 2. 同比增速标准化：$$ \text{因子值} = \frac{\text{TTM中长贷}_t}{\text{TTM中长贷}_{t-12}} - 1 $$[11] 2. **因子名称：主权CDS因子** - **因子构建思路**：捕捉海外投资者对中国经济基本面的预期变化[14] - **因子具体构建过程**： 1. 原始CDS报价经4年滚动z-score标准化 2. 叠加20日动量方向形成复合信号[14][15] --- 模型的回测效果 1. **中长贷脉冲择时模型** - 年化收益：15.6% - 年化波动：15.2% - 最大回撤：24.1% - 夏普比率：1.03 - 超额收益（vs中证800）：6.9%[13] 2. **主权CDS择时模型** - 年化收益：14.7% - 年化波动：14.2% - 最大回撤：25.7% - 夏普比率：1.03 - 超额收益（vs中证800）：6%[22] 3. **六周期FOF配置模型** - 年化收益：8.0% - 年化波动：2.6% - 最大回撤：2.9% - 夏普比率：3.04 - 超额收益（vs目标波动基准）：3.0%[19][23] --- 因子的回测效果 1. **中长贷脉冲因子** - 信用扩张区间A股年化收益弹性：+6.9%（相对收缩区间）[11] 2. **主权CDS因子** - CDS下行区间A股胜率：78%（历史统计）[14]

根据提供的ETF周报内容，该报告主要描述了ETF市场的业绩、规模、估值及融资融券情况，并未涉及任何量化模型或量化因子的构建、测试与分析。报告内容集中于市场数据统计与描述，属于市场综述性质[1][2][3][4][5][7][9][10][11][12][13][14][15][17][18][19][20][21][22][25][26][27][28][29][31][32][33][34][35][36][37][38][39][40][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60][61][62][63][64]。 因此，本次总结无量化模型与因子相关内容可提供。

量化模型与构建方式 1. **模型名称**：极坐标系价量形态分析模型 - **模型构建思路**：通过极坐标系精确刻画指数价格与成交金额的变化形态，结合历史规律预测未来涨幅[8][11][13] - **模型具体构建过程**： 1. **直角坐标系划分**：将价量变化分为四个象限（放量上涨、放量下跌、缩量下跌、缩量上涨）[9][11] 2. **极坐标转换**： - **极角计算**：$$\theta = \arctan2(\text{成交变化幅度}, \text{价格变化幅度})$$[15] - **极径计算**（马氏距离）：$$\rho={\sqrt{(x-y)^{T}\cdot\Sigma^{-1}\cdot(x-y)}}$$，其中\(x\)为当前价量向量，\(y\)为历史均值向量，\(\Sigma\)为协方差矩阵[14][15] 3. **区域划分**：极径等分5段，极角等分16个区域（共80个区域），统计各区域历史平均未来涨幅[31][42] - **模型评价**：通过多周期历史数据验证，极坐标系能更精准定位价量形态与未来收益的关系[20][35] 2. **模型名称**：位置参数表模型 - **模型构建思路**：建立历史价量形态与未来涨幅的映射关系表，用于预测ETF收益[36][40] - **模型具体构建过程**： 1. **多周期分析**：固定未来20日涨幅，遍历历史5-240日价量周期，筛选有效预测周期[40][47] 2. **参数表生成**：聚合不同时间窗口（全样本、固定窗口、滚动窗口）的历史极坐标区域与未来涨幅均值[53][56][60] - **模型评价**：滚动窗口参数表表现最优，样本外超额收益显著[60][65] --- 量化因子与构建方式 1. **因子名称**：极径因子 - **因子构建思路**：衡量价量变化的幅度（马氏距离），反映波动强度[14][15] - **因子具体构建过程**：同极径计算公式$$\rho$$[14] 2. **因子名称**：极角因子 - **因子构建思路**：刻画价量变化的方向比例（成交与价格变化的相对关系）[15][20] - **因子具体构建过程**：同极角计算公式$$\theta$$[15] --- 模型的回测效果 1. **极坐标系价量形态分析模型** - **滚动窗口组合**：2021-2025年累计收益358.64%，年化收益17.45%，超额ETF等权组合77.51%[60][65] - **固定窗口组合**：同期累计收益264.93%，年化收益14.65%[57][65] - **全样本组合**：年化收益17.27%，但含未来信息[56][65] 2. **位置参数表模型** - **最优区域预测**：放量下跌且极角特定范围的指数未来20日表现最佳[35][42] --- 因子的回测效果 1. **极径因子**：高极径区域（波动剧烈）与未来涨幅非线性相关，需结合极角分析[31][42] 2. **极角因子**：0°-90°（放量上涨）和180°-270°（缩量下跌）区域历史收益分化显著[20][35] --- 关键数据引用 - 极坐标系划分依据[11][19] - 马氏距离公式[14][15] - 滚动窗口组合超额收益[60][65]

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**：无具体量化模型或因子名称 **模型构建思路**：研报主要关注美国公募基金市场的收益表现、资金流向和产品发行情况，未涉及具体的量化模型或因子构建[1][2][3][4] **模型具体构建过程**：无相关内容 2. **模型评价**：无相关内容 模型的回测效果 1. 无具体模型回测效果数据 量化因子与构建方式 1. **因子名称**：无具体量化因子名称 **因子构建思路**：研报未涉及量化因子的构建[1][2][3][4] **因子具体构建过程**：无相关内容 2. **因子评价**：无相关内容 因子的回测效果 1. 无具体因子回测效果数据 其他关键数据 1. **美国股票型基金收益中位数**：2025年5月为5.59%[1][14] 2. **国际股票型基金收益中位数**：2025年5月为4.57%[1][14] 3. **债券型基金收益中位数**：2025年5月为0.08%[1][14] 4. **资产配置型基金收益中位数**：2025年5月为3.31%[1][14] 5. **大盘成长风格基金收益中位数**：2025年5月为8.62%[15] 6. **大盘价值风格基金收益中位数**：2025年5月为3.64%[15] 7. **欧洲中小盘基金收益中位数**：2025年5月为7.11%[15] 8. **美国市政债基金收益中位数**：2025年5月为-0.13%[19] 9. **进取配置型基金收益中位数**：2025年5月为4.54%[19] 10. **目标日期型基金收益中位数**：2025年初至今为4.24%[19] 资金流向数据 1. **主动管理型基金净流出**：2025年5月为23亿美元[22][29] 2. **被动基金净流入**：2025年5月为593亿美元[22][29] 3. **债券型基金净流入**：2025年5月为224亿美元[31][35] 4. **股票型基金净流出**：2025年5月为510亿美元[31][35] 5. **股票型ETF净流入**：2025年5月为490亿美元[35] 6. **债券型ETF净流入**：2025年5月为386亿美元[35] 产品发行数据 1. **新成立ETF数量**：2025年5月为37只[49][54] 2. **新成立开放式基金数量**：2025年5月为5只[49][54] 3. **新成立股票型基金数量**：2025年5月为32只[54] 4. **新成立债券型基金数量**：2025年5月为8只[54] 5. **新成立资产配置型基金数量**：2025年5月为2只[54] 头部资管机构资金流动 1. **American Funds净流出**：2025年5月为83亿美元[38] 2. **Vanguard净流出**：2025年5月为78亿美元[38] 3. **iShares净流入**：2025年5月为258亿美元[38] 4. **Vanguard ETF净流入**：2025年5月为218亿美元[38] 资金净流入TOP10产品 1. **Vanguard Total Bond Market II Index Fund净流入**：2025年5月为30.02亿美元[47] 2. **Fidelity 500 Index Fund净流入**：2025年5月为25.16亿美元[47] 3. **Vanguard 500 Index Fund净流入**：2025年5月为104.67亿美元[48] 4. **Invesco QQQ Trust净流入**：2025年5月为81.82亿美元[48] 海外资管机构观点 1. **BlackRock观点**：关税对通胀和经济增长的影响有限，看好发达市场股票[61] 2. **Schroders观点**：以色列-伊朗冲突对石油市场影响有限[61] 3. **Capital Group观点**：全球贸易重组可能减缓增长并推高通胀[61] 4. **Fidelity观点**：中美关税减免有助于缓解全球经济放缓风险[65] 以上为研报中涉及的主要数据和观点总结，未发现具体的量化模型或因子构建内容[1][2][3][4]

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：宽基形态择时策略** - **模型构建思路**：基于宽基指数成分股的形态信号构建多空比率剪刀差，判断市场整体趋势[16] - **模型具体构建过程**： 1. 统计成分股中每日出现看多/看空形态的股票数量 2. 计算多空比率剪刀差： $$ \text{剪刀差} = \frac{\text{看多数量} - \text{看空数量}}{\text{成分股总数}} $$ 3. 当剪刀差连续N日超过阈值时触发看多信号[16] - **模型评价**：策略年化收益显著跑赢基准指数（如万德微盘股策略年化46.26% vs 指数36.17%）[14] 2. **模型名称：行业形态择时策略** - **模型构建思路**：在中信一级行业层面应用形态信号剪刀差逻辑[16] - **模型具体构建过程**： 1. 对行业成分股统计特殊K线形态（如金针探底、火箭发射等） 2. 构建行业多空比率： $$ \text{行业多空比} = \frac{\sum \text{看多形态股}}{\sum \text{成分股}} - \frac{\sum \text{看空形态股}}{\sum \text{成分股}} $$ 3. 结合历史胜率阈值生成信号（如通信行业看多信号需满足连续3日多空比>0.2）[16][19] - **模型评价**：回测显示100%行业跑赢基准，通信行业策略年化达31.92%[16] 量化因子与构建方式 1. **因子名称：隐含波动率恐慌指数** - **因子构建思路**：采用Heston模型计算近月平值期权隐含波动率反映市场情绪[8] - **因子具体构建过程**： 1. 提取上证50/沪深300等指数的期权隐含波动率数据 2. 标准化处理： $$ \text{恐慌指数} = \frac{IV - \mu_{IV}}{\sigma_{IV}} $$ 其中IV为当日隐含波动率，μ/σ为过去20日均值与标准差[8][10] - **因子评价**：对市场拐点有预警作用（如中证1000波动率18.06%时易触发反转）[10] 2. **因子名称：特殊K线形态因子** - **因子构建思路**：识别六类高胜率K线模式（金针探底、满江红等）[24] - **因子具体构建过程**： 1. **金针探底**：满足以下条件： $$ \frac{\text{下影线长度}}{\text{实体长度}} \geq 3 \quad \& \quad \text{收盘价} > \text{开盘价} $$ 2. **火箭发射**：当日涨幅>5%且成交量突增2倍[24][26] - **因子评价**：满江红形态历史胜率达70%（如索通发展案例）[26] 模型的回测效果 | 模型/因子 | 年化收益(%) | 最大回撤(%) | 基准年化收益(%) | 基准最大回撤(%) | |--------------------------|-------------|-------------|------------------|------------------| | 宽基择时(万德微盘股) | 46.26 | -34.85 | 36.17 | -51.80 | [14] | 行业择时(通信) | 31.92 | -43.37 | 5.31 | -66.74 | [19] | 隐含波动率因子(中证1000) | - | - | - | - | [10] | 特殊形态因子(满江红) | - | - | - | - | [26] 因子的回测效果 | 因子类型 | 信号胜率(%) | 典型案例 | |----------------|-------------|---------------------------| | 正面形态信号 | 28.25 | 凯龙股份(连续5日看多) | [13][21] | 负面形态信号 | 71.88 | 电力设备行业(翻空信号) | [13][19] | 特殊K线形态 | 70.00 | 比亚迪(倒锤头形态) | [29][33] 注：部分指标如信息比率(IR)未在原文披露，故未列出。所有数据均来自2025年6月回测窗口[14][19]

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：宽基轮动策略** - **模型构建思路**：基于不同宽基指数（沪深300、中证500、中证1000、中证2000及“其他”组）的热度变化率构建轮动策略，选择周度热度变化率MA2最大的宽基进行投资[7][8][11][13] - **模型具体构建过程**： 1. 计算个股总热度指标：浏览、自选与点击次数之和，归一化为全市场占比后乘以10000，取值区间[0,10000][7] 2. 对宽基成分股的总热度指标求和，分组计算周度热度变化率： $$ \text{热度变化率} = \frac{\text{本周总热度} - \text{上周总热度}}{\text{上周总热度}} $$ 3. 取MA2平滑处理，每周买入变化率最大的宽基（若为“其他”组则空仓）[11][13] - **模型评价**：策略捕捉市场情绪异常变化，适用于短期轮动[13] 2. **模型名称：热门概念组合策略** - **模型构建思路**：筛选高热度概念中的低关注度个股，利用行为金融学的反应不足现象获取超额收益[31][32] - **模型具体构建过程**： 1. 每周选出热度变化率最大的5个概念，排除流通市值最小的20%股票[31] 2. 从每个概念中分别选取总热度排名前10（TOP组合）和后10（BOTTOM组合）的个股，等权持有[31][32] --- 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**：通过浏览、自选、点击行为量化个股关注度，作为情绪代理变量[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]，数值越高表示关注度越高[7] 2. **因子名称：宽基/行业热度变化率因子** - **因子构建思路**：监测宽基或行业层面的情绪边际变化[8][18][20] - **因子具体构建过程**： 1. 对宽基或行业成分股的总热度求和 2. 计算周度变化率并取MA2平滑[11][18] 3. **因子名称：估值历史分位数因子** - **因子构建思路**：通过滚动历史分位数定位当前估值水平[38][41][43] - **因子具体构建过程**： 1. 宽基采用滚动5年PE/TTM分位数[41] 2. 行业采用2015年以来的PE/TTM分位数[43] --- 模型的回测效果 1. **宽基轮动策略** - 年化收益率：8.74%（2017年以来）[16] - 最大回撤：23.5%[16] - 2025年收益：9.6%[16] 2. **热门概念BOTTOM组合** - 年化收益率：15.71%[33] - 最大回撤：28.89%[33] - 2025年收益：18%[33] --- 因子的回测效果 1. **宽基热度变化率因子（本周）** - 中证1000变化率：+5.04%[16][18] - 中证500变化率：-2.93%[16][18] 2. **行业热度变化率因子（本周）** - 正向TOP5行业：石油石化（+211.3%）、有色金属、传媒、国防军工、煤炭[27] - 负向TOP5行业：美容护理（-28.6%）、综合、纺织服饰、环保、建筑装饰[27] 3. **估值分位数因子（当前）** - 宽基：沪深300（63%）、中证500（76%）、中证1000（59%）[41] - 行业：计算机、电力设备等分位数>80%；农林牧渔、钢铁等分位数<20%[43]

根据提供的金融工程周报内容，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**：鑫选ETF绝对收益策略 - **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] - **具体构建**： 1. 筛选标的：从黄金ETF、食品饮料ETF等8类ETF中按10%等权重配置[12] 2. 交易规则：基于技术面信号动态调整持仓（未披露具体公式） - **评价**：样本外表现优异，兼顾收益与风险控制[11] 2. **模型名称**：全天候多资产多策略ETF风险平价策略 - **构建思路**：结合行业/风格轮动等权益策略与风险平价，分散资产和策略风险[16] - **具体构建**： 1. 资产分类：商品（黄金ETF）、美股（标普500ETF）、国内债（10/30年国债ETF）等[17] 2. 权重分配：通过波动率倒数归一化确定（如30年国债ETF占21.24%）[17] 3. **模型名称**：中美核心资产组合 - **构建思路**：纳入白酒、红利、黄金、纳指四类强趋势标的，结合RSRS择时与技术面反转策略[20] - **具体构建**： 1. 信号生成：RSRS指标判断趋势强度（未披露阈值） 2. 动态调仓：当前空仓状态[20] 4. **模型名称**：高景气/红利轮动策略 - **构建思路**：根据市场信号在高景气成长（创业板/科创50ETF）与红利（低波/央企红利ETF）间切换[23] - **具体构建**： 1. 信号规则：未披露具体因子组合 2. 权重分配：两类风格各占50%[23] 5. **模型名称**：双债LOF增强策略 - **构建思路**：以债券为主（中证综合债），辅以其他标的权重优化增强收益[26] - **具体构建**： 1. 波动率加权：计算每周标的波动率倒数并归一化 2. 公式： $$ w_i = \frac{1/\sigma_i}{\sum_{j=1}^n 1/\sigma_j} $$ 其中$\sigma_i$为第$i$组标的波动率[26] 6. **模型名称**：结构化风险平价（QDII） - **构建思路**：国内债券ETF为主，QDII权益/黄金等增强配置[27][29] - **具体构建**：含纳指ETF、日经ETF等9类跨境资产，未披露具体权重算法[29] --- 模型回测效果 | 模型名称 | 总收益率 | 年化收益率 | 最大回撤 | 波动率 | 夏普比率 | |------------------------------|----------|------------|----------|--------|----------| | 鑫选技术面量化策略 | 34.07% | 23.08% | -6.30% | 17.11% | 1.18 | [32] | 高景气红利轮动策略 | 53.14% | 35.23% | -22.04% | 33.88% | 0.99 | [32] | 中美核心资产组合 | 61.21% | 40.24% | -10.86% | 16.79% | 1.98 | [32] | 双债LOF增强 | 9.26% | 6.47% | -2.26% | 3.32% | 1.30 | [32] | 结构化风险平价(QDII) | 24.84% | 17.01% | -2.38% | 4.83% | 2.87 | [32] | 全天候多资产风险平价策略 | 19.84% | 13.67% | -3.62% | 4.39% | 2.49 | [14][32] --- 关键因子应用（隐含） 1. **RSRS择时因子**：用于中美核心资产组合的趋势判断，通过斜率指标捕捉市场拐点[20] 2. **波动率因子**：在双债LOF增强策略中作为权重分配依据[26] 3. **行业轮动因子**：驱动高景气/红利策略的风格切换（未披露具体因子）[23] --- 注：报告中未明确列出独立因子构建细节，上述因子为从策略描述中提取的隐含因子。公式引用严格按文档序号标注，测试结果统一采用2024年初至今数据[32]。

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. **模型名称：短期量化择时模型** - **构建思路**：基于基本面、估值面、情绪面、流动性四个维度的指标信号进行综合判断[13][14][15] - **具体构建过程**： 1. **基本面指标**： - 制造业PMI分位数（35.59%分位数时触发谨慎信号） - 中长期贷款余额同比增速（0%分位数时触发谨慎信号） - M1同比增速（HP滤波后77.97%分位数时触发乐观信号） 2. **估值面指标**： - A股整体PE分位数（85.11%分位数时触发中性信号） - A股整体PB分位数（35.40%分位数时触发乐观信号） 3. **情绪面指标**： - Beta离散度（52.54%分位数时触发中性信号） - 量能情绪得分（40.45%分位数时触发谨慎信号） - 波动率（4.55%分位数时触发中性信号） 4. **流动性指标**： - 货币利率指标（33.90%分位数时触发乐观信号） - 汇率预期指标（20.34%分位数时触发乐观信号） - 融资额分位数（54.01%分位数时触发中性信号） - **模型评价**：多维度综合判断，历史表现稳健，年化超额收益显著[15][20] 2. **模型名称：成长价值轮动模型** - **构建思路**：结合盈利周期、利率周期、信贷周期、估值差、换手差等指标判断风格偏好[27][28] - **具体构建过程**： 1. **基本面信号**： - 盈利周期斜率（12.5分位数时利好成长） - 利率周期水平（0分位数时利好价值） - 信贷周期变化（-4.17分位数时利好价值） 2. **估值面信号**： - 成长价值PE差分位数（14.54%分位数时利好成长） - PB差分位数（30.19%分位数时利好成长） 3. **情绪面信号**： - 换手差分位数（4.71%分位数时利好价值） - 波动差分位数（35.20%分位数时均衡配置） - **模型评价**：长期超额收益稳定，但近期受市场环境影响信号分化[28][29] 3. **模型名称：小盘大盘轮动模型** - **构建思路**：类似成长价值模型，但指标调整为小盘大盘差异[32][33] - **具体构建过程**： 1. **基本面信号**：盈利斜率（12.5分位数利好小盘）、利率周期（0分位数利好大盘）、信贷周期（-4.17分位数利好大盘） 2. **估值面信号**：小盘大盘PE差分位数（71.08%分位数利好大盘）、PB差分位数（98.53%分位数利好大盘） 3. **情绪面信号**：换手差分位数（39.06%分位数利好大盘）、波动差分位数（87.23%分位数利好大盘） - **模型评价**：历史年化超额收益5.43%，但近期表现波动较大[33][34] 4. **模型名称：四风格轮动模型** - **构建思路**：整合成长价值和小盘大盘模型的输出，生成四风格配置比例[37][38] - **具体构建过程**： - 当前推荐配置：小盘成长12.5%、小盘价值37.5%、大盘成长12.5%、大盘价值37.5% - **模型评价**：长期年化超额收益5.94%，配置分散化效果显著[38] --- 模型的回测效果 1. **短期量化择时模型** - 年化收益率：16.10%（基准4.07%）[20] - 最大回撤：27.70%（基准31.41%）[20] - 夏普比率：0.9529（基准0.2288）[20] 2. **成长价值轮动模型** - 年化收益率：11.39%（基准6.47%）[29] - 最大回撤：43.07%（基准44.13%）[29] 3. **小盘大盘轮动模型** - 年化收益率：11.92%（基准6.49%）[34] - 最大回撤：50.65%（基准53.70%）[34] 4. **四风格轮动模型** - 年化收益率：12.89%（基准6.95%）[38] - 最大回撤：47.91%（基准49.07%）[38] --- 量化因子与构建方式 （注：研报中未明确提及独立因子构建，仅模型内嵌指标，故跳过此部分） --- 因子的回测效果 （注：无相关内容）

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**：通过流动性、分歧度和景气度三个维度的趋势变化进行市场择时判断[7] - **模型具体构建过程**： 1. **流动性指数**：监测市场资金面变化，上行趋势代表资金宽松[22] 2. **分歧度指数**：衡量市场观点分化程度，下行趋势代表共识增强[20] 3. **景气度指数**：跟踪工业与金融等板块基本面，上行趋势反映经济向好[26][28] 4. 综合三维指标状态（当前均为正向）得出满仓结论[7] - **模型评价**：历史表现稳定，能有效捕捉市场趋势转折点[16] 2. **模型名称**：资金流共振策略 - **模型构建思路**：结合融资融券与大单资金流的多维度信号筛选行业[34][40] - **模型具体构建过程**： 1. **两融资金因子**： $$ \text{Factor}_{\text{两融}} = \text{市值中性化}(\text{融资净买入} - \text{融券净买入})_{50\text{日均}} \text{的两周环比} $$ 剔除Barra市值因子影响后标准化[40] 2. **大单资金因子**： $$ \text{Factor}_{\text{大单}} = \text{成交量时序中性化}(\text{净流入分位数})_{10\text{日均}} $$ 剔除极端多头行业[40] 3. 策略组合：在大单因子头部行业中剔除两融因子负向信号行业[40] - **模型评价**：2018年以来年化超额收益13.5%，IR达1.7，回撤控制优于北向资金版本[40][45] 模型的回测效果 1. **三维择时框架**： - 历史年化超额收益16.8%（2018-2025）[36] - 当前状态：流动性↑/分歧度↓/景气度↑/ERP极值[7] 2. **资金流共振策略**： - 年化超额收益13.5%，IR=1.7[40] - 上周绝对收益-1.6%，超额-0.1%（行业等权基准）[40] 量化因子与构建方式 1. **因子名称**：估值类因子群 - **构建思路**：捕捉低估值股票的定价偏差[47] - **具体构建**： - 市盈率倒数（FY1-FY3）：$$ \text{ep\_fy} = 1/\text{预测市盈率} $$[48] - BP因子：$$ \text{bp} = \text{股东权益}/\text{总市值} $$[48] 2. **因子名称**：成长类因子群 - **构建思路**：识别盈利增长持续性[47] - **具体构建**： - 净利润增速：$$ \text{yoy\_np} = (\text{净利润}_t - \text{净利润}_{t-1})/|\text{净利润}_{t-1}| $$[50] - ROE变化：$$ \text{roe\_q\_delta} = \text{ROE}_q - \text{ROE}_{q-4} $$[50] 3. **因子名称**：资金流因子 - **构建思路**：反映主力资金动向[34] - **具体构建**： - 大单净流入分位数：$$ \text{rank}(\text{主动买单量}/\text{总成交量}) $$[43] 因子的回测效果 1. **估值因子**： - 近一周多头超额：ep_fy3（2.18%）、bp（1.88%）[48] - 近一月超额：ep_fy3（3.85%）[48] 2. **成长因子**： - 跨市值表现：peg因子在沪深300超额3.89%，中证1000超额3.07%[50] - 单季度ROE变化因子全市场超额2.4%[50] 3. **资金流因子**： - 交通运输行业大单净流入分位69%，两融分位83%[43] 量化组合表现 1. **沪深300增强组合**： - 本年超额收益4.42%，年化IR=7.77%[52] - 持仓龙头：晶科能源、浪潮信息、药明康德[62] 2. **中证500增强组合**： - 本年超额3.38%，上周超额0.40%[52] - 持仓成长股：新易盛、桐昆股份[62] 3. **中证1000增强组合**： - 本年超额4.99%，年化IR=9.26%[52] - 持仓中小盘：利安隆、万孚生物[62]

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：知情交易者活跃度指标** - **构建思路**：通过监测市场微观结构中的知情交易行为，判断市场情绪和未来走势[16] - **具体构建过程**： 1. 基于高频订单流数据识别知情交易者的异常交易行为 2. 计算标准化后的净主动买入量作为活跃度代理变量 3. 零线以上表示知情交易者看涨，零线以下表示看跌[17] - **模型评价**：对短期市场情绪变化敏感，但需结合其他指标验证信号有效性[16] 2. **模型名称：价格分段体系** - **构建思路**：通过多时间维度价格趋势分解，识别不同周期下的市场状态[15] - **具体构建过程**： 1. 对上证综指日线和周线价格序列分别进行平滑处理 2. 计算差异指数（dea）衡量趋势偏离程度 3. 日线与周线重合时确认趋势共振信号[19] 量化因子与构建方式 1. **因子名称：分析师景气预期因子** - **构建思路**：利用分析师一致预测变化捕捉行业景气度边际改善[20] - **具体构建过程**： 1. 计算申万一级行业未来12个月ROE环比变化 2. 同步计算净利润增速FTTM环比变化 3. 标准化处理后构建综合景气评分： $$Score_{industry} = w_1 \cdot \Delta ROE + w_2 \cdot \Delta EarningsGrowth$$ 其中权重$w_1$和$w_2$根据历史IC动态调整[21] 2. **因子名称：融资融券资金流向因子** - **构建思路**：监测杠杆资金行业配置变化捕捉资金驱动行情[22] - **具体构建过程**： 1. 计算行业维度融资净买入与融券净卖出的差额 2. 按流通市值标准化净流入金额 3. 构建20日移动平均线过滤噪声[24] 3. **因子名称：BARRA风格因子** - **构建思路**：基于经典风险模型拆解市场风格收益来源[25] - **具体构建过程**： 1. 估值因子（EP）：每股收益/价格 2. 动量因子：过去20日收益率 3. 市值因子：ln(总市值) 4. 波动率因子：过去60日收益标准差[26] 模型回测效果 1. **知情交易者活跃度模型** - 2025年6月周频信号准确率：68%[17] - 最大回撤：-0.0030（2025/1/30）[17] 2. **价格分段体系** - 日线级别趋势捕捉成功率：72%[19] - 周线级别趋势延迟：平均2.3个交易日[19] 因子回测效果 1. **分析师景气预期因子** - 行业轮动组合年化超额：15.6%[21] - IC均值：0.32（2025年H1）[21] 2. **融资融券资金流向因子** - 多空组合夏普比率：1.8[24] - 月度胜率：63%[24] 3. **BARRA风格因子** - 估值因子IR：0.85[26] - 动量因子20日衰减率：-0.12[26]