量化模型与构建方式 1. 量能择时模型 - **模型名称**：量能择时模型 - **模型构建思路**：通过量能信号判断市场的多空观点 - **模型具体构建过程**： - 计算各大宽基指数的量能信号 - 根据量能信号判断市场的多空观点 - 例如，截至2025年1月17日，北证50指数的量能择时信号为看多，其余各大宽基指数的量能择时信号为谨慎[27][28] - **模型评价**：该模型通过量能信号来判断市场的多空观点，能够较好地捕捉市场的短期趋势 2. 沪深300上涨家数占比情绪指标 - **模型名称**：沪深300上涨家数占比情绪指标 - **模型构建思路**：通过计算沪深300指数成分股的上涨家数占比来判断市场情绪 - **模型具体构建过程**： - 计算沪深300指数成分股过去N日收益大于0的个股数占比 - 例如，沪深300指数N日上涨家数占比 = 沪深300指数成分股过去N日收益大于0的个股数占比[28][29] - **模型评价**：该指标可以较快捕捉上涨机会，但在市场过热阶段可能会错失部分上涨收益，对下跌市场的判断存在缺陷 3. 动量情绪指标 - **模型名称**：动量情绪指标 - **模型构建思路**：通过对沪深300上涨家数占比指标进行两次不同窗口期的平滑来捕捉指标变动情况 - **模型具体构建过程**： - 计算沪深300指数N日上涨家数占比并进行窗口期为N1和N2的移动平均，分别称之为慢线和快线，其中N1>N2 - 当快线>慢线时，看多沪深300指数[30][31] - **模型评价**：该指标能够较好地捕捉市场情绪的变化，适用于判断市场的短期趋势 4. 均线情绪指标 - **模型名称**：均线情绪指标 - **模型构建思路**：通过计算沪深300收盘价八均线数值来判断市场情绪 - **模型具体构建过程**： - 计算沪深300收盘价八均线数值，均线参数为8，13，21，34，55，89，144，233 - 当日沪深300指数收盘价大于八均线指标值的数量超过5时，看多沪深300指数[32][33] - **模型评价**：该指标能够较好地反映市场的趋势状态，适用于判断市场的中短期趋势 模型的回测效果 量能择时模型 - **量能择时模型**，北证50指数量能择时信号为看多，其余各大宽基指数量能择时信号为谨慎[27][28] 沪深300上涨家数占比情绪指标 - **沪深300上涨家数占比情绪指标**，最近一周向上，上涨家数占比在75%左右水平[29] 动量情绪指标 - **动量情绪指标**，快线慢线同步向上，快线处在慢线之上，预计在未来一段时间内将维持乐观态度[30][31] 均线情绪指标 - **均线情绪指标**，短期内沪深300指数处于情绪非景气区间[38]

量化模型与构建方式 1. 模型名称：TWOBETA模型 - **模型构建思路**：通过双Beta因子模型，捕捉市场中科技板块的超额收益机会[2][3][9] - **模型具体构建过程**：未在报告中详细说明具体的构建过程，仅提到该模型用于推荐科技板块的投资方向[2][3][9] - **模型评价**：该模型在1月继续推荐科技板块，表现出对消费电子、传媒、机器人等领域的关注，具有一定的行业指向性[2][3][9] 2. 模型名称：行业配置模型 - **模型构建思路**：基于中期视角，结合行业困境反转特性，推荐消费、新能源等板块[2][3][9] - **模型具体构建过程**：未在报告中详细说明具体的构建过程，仅提到该模型用于中期行业配置的推荐[2][3][9] - **模型评价**：模型推荐的困境反转型板块具有一定的逻辑合理性，能够结合市场趋势进行行业选择[2][3][9] 3. 模型名称：仓位管理模型 - **模型构建思路**：结合估值指标和短期趋势信号，动态调整股票配置的仓位比例[3][9] - **模型具体构建过程**： - 使用Wind全A指数的PE和PB估值分位点作为参考 - 当前PE位于50分位点附近，PB位于10分位点附近，属于中等偏下和较低水平 - 根据估值水平和短期趋势信号，建议将仓位调整至80%[3][9] - **模型评价**：模型能够结合估值和趋势信号，提供明确的仓位建议，具有一定的实用性[3][9] 4. 模型名称：择时体系 - **模型构建思路**：通过均线距离和趋势线信号，判断市场整体环境和趋势[2][3][8] - **模型具体构建过程**： - 定义Wind全A指数的长期均线（120日）和短期均线（20日） - 计算均线距离：当前20日线为4944.9，120日线为4665.6，均线距离为6% - 绝对距离大于3%，短期均线位于长期均线上方 - 当前趋势线位于5045点，5日均线为4860点，低于趋势线，显示市场仍处于震荡格局[2][3][8] - **模型评价**：模型通过均线和趋势线信号，能够较好地反映市场的震荡状态，具有一定的参考价值[2][3][8] --- 模型的回测效果 1. TWOBETA模型 - 无具体指标值披露 2. 行业配置模型 - 无具体指标值披露 3. 仓位管理模型 - 仓位建议：80%[3][9] 4. 择时体系 - 均线距离：6%[2][3][8] - 绝对距离：大于3%[2][3][8] - 当前趋势线：5045点[2][3][8] - 5日均线：4860点[2][3][8] --- 量化因子与构建方式 本报告未涉及具体的量化因子构建内容 --- 因子的回测效果 本报告未涉及具体的量化因子回测内容

- A股短期模型信号互有多空，特征成交量模型与特征龙虎榜机构模型与智能沪深300模型看空，智能中证500模型看多[1][3][12] - 中期涨跌停模型看多，月历效应模型中性[13] - 长期动量模型所有宽基指数看多[14] - 综合模型中，A股综合兵器V3模型看多，A股综合国证2000模型中性[15] - 港股中期成交额倒波幅模型看多[16]

量化模型与构建方式 1. 模型名称：股指期货基差修正模型 - **模型构建思路**：基差是股指期货合约价格与标的指数价格的差值，分红会影响基差，因此需要剔除分红的影响以更准确地分析基差[17] - **模型具体构建过程**： 1. 定义基差： $ 基差 = 合约收盘价 - 标的指数收盘价 $ 2. 分红调整后的基差公式： $ 预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红 $ 3. 年化基差公式： $ 年化基差 = (实际基差 + (预期)分红点位) / 指数价格 × 360 / 合约剩余天数 $ 公式中，"实际基差"为当前基差值，"预期分红点位"为未来分红的预估值，"指数价格"为标的指数当前价格，"合约剩余天数"为期货合约到期的剩余天数[17] 2. 模型名称：期现对冲策略模型 - **模型构建思路**：通过持有现货指数和做空股指期货合约，利用基差收敛的特性实现对冲收益[38] - **模型具体构建过程**： 1. **连续对冲策略**： - 现货端：持有标的指数的全收益指数 - 期货端：使用70%资金持有现货，30%资金做空股指期货合约 - 调仓规则：连续持有季月/当月合约，直至合约到期前2日平仓并换仓至下一合约[39] 2. **最低贴水策略**： - 现货端：同上 - 期货端：选择年化基差贴水幅度最小的合约进行开仓，持有8个交易日或到期前2日换仓[40] 3. 模型名称：信达波动率指数（Cinda-VIX） - **模型构建思路**：借鉴海外VIX指数编制方法，结合中国期权市场实际情况，反映市场对标的资产未来波动的预期[56] - **模型具体构建过程**： - 基于期权市场隐含波动率计算，VIX具有期限结构，反映投资者对不同期限内波动的预期[56] 4. 模型名称：信达波动率偏斜指数（Cinda-SKEW） - **模型构建思路**：通过捕捉不同行权价格期权隐含波动率的偏斜特征，衡量市场对标的资产未来收益分布的预期[62] - **模型具体构建过程**： - 计算不同行权价格的隐含波动率，分析其偏斜程度 - SKEW指数高于100表示市场对极端负面事件的担忧加剧[62] --- 模型的回测效果 1. 股指期货基差修正模型 - **IC当季合约**：当前基差贴水3.51%，相较前一周基差上行[18] - **IF当季合约**：当前基差贴水0.16%，相较前一周基差下行[22] - **IH当季合约**：当前基差升水1.41%，相较前一周基差上行[27] - **IM当季合约**：当前基差贴水6.02%，相较前一周基差上行[33] 2. 期现对冲策略模型 - **IC对冲策略**： - 年化收益：当月连续对冲-1.94%，季月连续对冲-2.00%，最低贴水策略-0.93% - 波动率：4.07%-5.00% - 最大回撤：-7.51%-8.34% - 净值：0.9525-0.9772[42] - **IF对冲策略**： - 年化收益：当月连续对冲0.97%，季月连续对冲0.84%，最低贴水策略1.38% - 波动率：2.90%-3.28% - 最大回撤：-3.95%-4.06% - 净值：1.0242-1.0347[47] - **IH对冲策略**： - 年化收益：当月连续对冲1.31%，季月连续对冲2.06%，最低贴水策略1.74% - 波动率：3.09%-3.55% - 最大回撤：-3.75%-4.22% - 净值：1.0329-1.0520[50] - **IM对冲策略**： - 年化收益：当月连续对冲-4.85%，季月连续对冲-4.33%，最低贴水策略-3.74% - 波动率：4.25%-5.30% - 最大回撤：-11.11%-13.84% - 净值：0.8838-0.9096[53] 3. 信达波动率指数（Cinda-VIX） - **30日VIX值**： - 上证50：23.52 - 沪深300：23.65 - 中证500：34.78 - 中证1000：35.24[56] 4. 信达波动率偏斜指数（Cinda-SKEW） - **SKEW值**： - 上证50：95.22 - 沪深300：97.05 - 中证500：98.08 - 中证1000：100.16[63]

- 本报告中提到的量化模型包括GFTD模型和LLT模型[88] - GFTD模型和LLT模型的历史择时成功率为80%左右[88] - 这些模型在市场波动不确定性下可能存在信号失效的风险[88] - 报告中提到的宏观因子包括货币政策、财政政策、流动性、通胀水平以及其他经济指标[60] - 宏观因子的变化趋势与股市、债市、大宗商品的变化趋势密切相关[60] - 报告中列出了对市场影响较大的宏观因子事件，例如PMI、CPI同比、PPI同比等[61] - 通过历史均线将宏观因子走势分为趋势上行和趋势下行，并统计其对资产未来一个月收益率的影响[63] - 当前宏观因子趋势对权益市场的影响包括：PMI 3月均线上行看多、CPI同比1月均线下行看多等[64] - 报告中提到的市场情绪指标包括新高新低比例指标、个股均线结构指标、基金仓位、ETF规模变化、期权成交量看涨看跌比、市场交易活跃度等[36][37][41][42][52][55] - 近5个交易日，ETF资金流入111.65亿元，融资盘增加约47亿元，两市日均成交11830亿元[87] - 中证全指风险溢价跟踪显示，截至2025年1月17日，风险溢价指标为3.63%，两倍标准差边界为4.65%[86] - 沪深300的PE为12.7倍，位于历史45%分位，创业板指的PE为31.9倍，位于历史12%分位[25] - 主要指数PE_TTM统计显示，沪深300、上证50、创业板指等指数的PE_TTM走势[27][29] - 主要行业指数PE_TTM统计显示，电力设备、建筑装饰、纺织服饰、美容护理、食品饮料等行业的PE_TTM距离其历史底部估值最近[29] - 主要行业指数PB_LF统计显示，不同行业的PB_LF和其分位数[33][35] - 年初至今A股个股基于收益区间的占比分布统计显示，不同收益区间的个股占比情况[67] - 年初至今A股个股收益中位数统计显示，个股收益的中位数情况[70] - 主要指数超跌指标统计显示，不同指数的超跌情况[78] - 行业指数超跌指标统计显示，不同行业指数的超跌情况[81]

量化因子与构建方式 1. **因子名称**：WTR因子 - **因子的构建思路**：基于分析师的目标价格预测，考虑报告发布时的价格而不是月末计算因子时的股票价格[79] - **因子具体构建过程**：构造加权目标收益率因子，公式如下： $$ W T R=\sum{\frac{P_{i}^{e}}{P_{i}^{0}}}={\frac{\sum P_{i}^{e}\times P/P_{i}^{0}}{P}}=\sum{\frac{P_{i}^{e}}{P}}\omega_{i}=T R\times W $$ 其中，$P_{i}^{0}$表示在第$i$家机构发布价格预测前一个交易日的收盘价；$P_{i}^{e}$为第$i$家机构发布的股票目标价格；$P$为月末计算因子时的股票收盘价；$\omega_{i}$表示在不同行情下，对不同机构预测的目标价格应赋予的系数[80][81] - **因子评价**：因子的收益大多集中在多头端，说明高预期收益率的股票要明显比低预期收益率的股票要好，分析师对于个股的价格预测存在有效的选股能力[84] 2. **因子名称**：MTR因子 - **因子的构建思路**：基于加权预期收益率因子的同比变化，反映分析师预期的变化在短期对市场的冲击影响[88] - **因子具体构建过程**：构造调整预期收益率因子，公式如下： $$ M T R=d i f f(W T R) $$ [88] - **因子评价**：MTR因子的多空收益主要贡献在空头端，分析师下调收益率的含义相对而言更加明确一些[91] 3. **因子名称**：CTR因子 - **因子的构建思路**：基于分析师预期数据中的关注度因子，反映股票热度的差异性[94] - **因子具体构建过程**：构造关注度修正因子，公式如下： $$ C T R=R a n k(W T R)*R a n k(C) $$ 具体步骤： 1. 在横截面上计算WTR因子的排序值，记为$Rank(WTR)$ 2. 在横截面上计算C因子的排序值，若是不同股票为相同值，则按照WTR因子内部排序，记为$Rank(C)$ 3. 将两个排序值进行乘积运算，得到CTR因子[94][95] - **因子评价**：CTR因子的多头年化收益率较高，胜率同样比原始因子的表现更好[98] 4. **因子名称**：TR_ICIR因子 - **因子的构建思路**：将WTR因子、MTR因子和CTR因子等权组合，利用ICIR加权合成[99] - **因子具体构建过程**：对比原始的因子在全市场上的表现，合成因子在选股上的效果更优[100] - **因子评价**：合成因子的表现要优于原始因子，在稳定性上有明显的提升[100] 因子的回测效果 1. **WTR因子** - **ICIR**：1.52 (N=20), 1.41 (N=40), 1.346 (N=60), 1.264 (N=90)[86] - **IR**：1.265 (N=20), 1.047 (N=40), 0.996 (N=60), 0.997 (N=90)[86] - **年化收益**：0.144 (N=20), 0.142 (N=40), 0.141 (N=60), 0.147 (N=90)[86] - **夏普比率**：0.522 (N=20), 0.517 (N=40), 0.515 (N=60), 0.538 (N=90)[86] - **月度胜率**：0.696 (N=20), 0.667 (N=40), 0.667 (N=60), 0.623 (N=90)[86] 2. **MTR因子** - **ICIR**：2.022 (N=20), 1.87 (N=40), 1.808 (N=60), 1.933 (N=90)[93] - **IR**：1.772 (N=20), 1.486 (N=40), 1.537 (N=60), 1.616 (N=90)[93] - **年化收益**：0.123 (N=20), 0.117 (N=40), 0.115 (N=60), 0.117 (N=90)[93] - **夏普比率**：0.456 (N=20), 0.434 (N=40), 0.426 (N=60), 0.43 (N=90)[93] - **月度胜率**：0.703 (N=20), 0.681 (N=40), 0.681 (N=60), 0.688 (N=90)[93] 3. **CTR因子** - **ICIR**：1.061 (N=20), 0.973 (N=40), 0.919 (N=60), 0.823 (N=90)[99] - **IR**：1.233 (N=20), 1.108 (N=40), 1.124 (N=60), 0.967 (N=90)[99] - **年化收益**：0.125 (N=20), 0.135 (N=40), 0.144 (N=60), 0.144 (N=90)[99] - **夏普比率**：0.469 (N=20), 0.506 (N=40), 0.546 (N=60), 0.549 (N=90)[99] - **月度胜率**：0.623 (N=20), 0.645 (N=40), 0.674 (N=60), 0.609 (N=90)[99] 4. **TR_ICIR因子** - **ICIR**：1.533[100] - **IR**：1.401[100] - **年化收益**：0.149[100] - **夏普比率**：0.545[100] - **月度胜率**：0.674[100]

量化模型与构建方式 1. 模型名称：基于深度学习的短周期量价风险因子模型 - **模型构建思路**：通过深度学习从量价数据中提取短周期风险特征，构建8个维度的量价风险因子，剥离alpha信息后用于风险刻画[2][40][48] - **模型具体构建过程**： 1. **数据输入**：构建6个基础数据集，包括日K线、分钟K线、日内收益分布、资金流、日间技术特征和日内技术指标，数据经过标准化和滚动窗口处理[22][23][24][25][26][27][28] 2. **网络结构**：采用LSTM结合自注意力机制提取时序特征，并通过图注意力网络（GAT）捕捉股票间的截面关联，最终通过MLP输出风险因子[31][32][33][34] - LSTM用于处理时间序列信息 - 自注意力机制捕捉序列内部依赖关系 - GAT通过股票邻接矩阵捕捉股票间的复杂关系 - 输出公式： $ output = MLP(gat\_output) $ 3. **训练过程**：采用滚动训练策略，使用过去8年数据训练模型，最后10%数据作为验证集，按日拆分训练批次，并引入早停机制防止过拟合[35] 4. **损失函数**：以股票未来5日真实收益率为标签，损失函数为预测值与标签相关系数绝对值： $ Loss = -|Corr(predicted, actual)| $[37][52] 5. **因子剥离alpha信息**：通过二次训练分别提取alpha因子和风险因子，并对风险因子进行alpha中性化处理，最终得到纯粹的风险刻画[48][49] - **模型评价**：相比传统BARRA风格因子，短周期量价风险因子在单因子维度表现出更强的解释能力，尤其在市场风险放大的行情中[40][42] --- 模型的回测效果 1. 中证500指数增强组合 - **超额收益**：约束量价风险和无约束情况下均为16.9% - **跟踪误差**：从5.5%下降到5.1% - **信息比率（IR）**：从2.66提高到2.86 - **超额回撤**：从7.3%下降到5.7%[70][71] 2. 中证1000指数增强组合 - **超额收益**：从23.2%下降到22.1% - **跟踪误差**：从6.1%下降到5.2% - **信息比率（IR）**：从3.22提高到3.65 - **超额回撤**：从9.0%下降到5.9%[73][76][77] 3. 沪深300指数增强组合 - **超额收益**：从12.9%下降到10.8% - **跟踪误差**：从5.2%下降到4.7% - **信息比率（IR）**：从2.23下降到2.06 - **超额回撤**：从5.4%下降到5.3%[79][80][81] --- 量化因子与构建方式 1. 因子名称：短周期量价风险因子 - **因子构建思路**：基于深度学习从量价数据中提取短周期风险特征，剥离alpha信息后用于风险刻画[2][40][48] - **因子具体构建过程**： 1. **数据输入**：6个基础数据集，包括日K线、分钟K线、日内收益分布、资金流、日间技术特征和日内技术指标，数据经过标准化和滚动窗口处理[22][23][24][25][26][27][28] 2. **网络结构**：LSTM结合自注意力机制提取时序特征，GAT捕捉股票间截面关联，最终通过MLP输出风险因子[31][32][33][34] 3. **因子剥离alpha信息**：通过二次训练分别提取alpha因子和风险因子，并对风险因子进行alpha中性化处理，最终得到纯粹的风险刻画[48][49] - **因子评价**：短周期量价风险因子在单因子维度表现出更强的解释能力，尤其在市场风险放大的行情中[40][42] --- 因子的回测效果 1. 短周期量价风险因子 - **IC均值**： - kbar：-1.1% - kbar_m4：4.4% - moneyflow：-1.7% - intra_ret：1.3% - pv_factor：1.7% - intra_factor：-3.1% - long_Kbar：-0.4% - long_Kbar_m4：2.6%[41] - **|IC|均值**： - kbar：18.7% - kbar_m4：13.3% - moneyflow：12.9% - intra_ret：17.9% - pv_factor：18.5% - intra_factor：18.9% - long_Kbar：18.5% - long_Kbar_m4：17.1%[41] - **剥离alpha后IC均值**： - kbar：0.8% - kbar_m4：1.8% - moneyflow：-0.3% - intra_ret：1.0% - pv_factor：1.1% - intra_factor：-1.1% - long_Kbar：-0.4% - long_Kbar_m4：0.7%[50] - **剥离alpha后|IC|均值**： - kbar：16.8% - kbar_m4：7.8% - moneyflow：12.1% - intra_ret：16.5% - pv_factor：17.7% - intra_factor：18.0% - long_Kbar：17.2% - long_Kbar_m4：15.6%[50]

量化模型与构建方式 模型名称：考夫曼价格效率系数 - **模型构建思路**：基于市场移动方向与噪声量的关系，衡量市场趋势强度[30] - **模型具体构建过程**： 1. 假设考夫曼效率系数在0~1之间 2. 分子为一定时期内的价格变化绝对值 3. 分母为一定时期内每天价格变化绝对值总和 4. 两者相除得到考夫曼价格效率系数 5. 使用20日移动平均进行平滑 6. 计算过去三年的历史分位数，将高于80%分位数划分为高波区间，低于20%分位数划分为低波区间，其余为正常区间[30][31] - **模型评价**：考夫曼价格效率系数越高，市场趋势强度越明显；越低则市场呈现震荡走势[30] 模型名称：商品市场成交活跃度 - **模型构建思路**：通过波动率与持仓量衡量市场成交活跃度[33] - **模型具体构建过程**： 1. 采用南华商品指数波动率衡量市场成交活跃度 2. 计算波动率过去三年的历史分位数 3. 高于80%分位数为高波区间，低于20%分位数为低波区间，其余为正常区间[33] - **模型评价**：波动率较高时，量化CTA策略表现优异；波动率较低时，策略表现不佳[33] 模型名称：商品市场流动性 - **模型构建思路**：通过成交量与持仓量的比值衡量市场流动性[35] - **模型具体构建过程**： 1. 计算商品主力合约每日成交量与持仓量的比值 2. 使用20日移动平均进行平滑 3. 计算近一年的历史分位数排名 4. 高于80%分位数为高区间段，低于20%分位数为低区间段，其余为正常区间段[35] - **模型评价**：市场投机度较高时，量化CTA策略表现更优；投机度较低时，策略表现不佳[35] 模型名称：商品市场交易结构 - **模型构建思路**：通过品种与板块的成交额衡量市场成交集中情况[36] - **模型具体构建过程**： 1. 计算全市场商品每日成交前10品种占全市场交易额的占比 2. 使用20日平均进行平滑 3. 计算近一年的历史分位数排名 4. 高于80%分位数为高区间段，低于20%分位数为低区间段，其余为正常区间段[36] - **模型评价**：市场成交集中度分散时，量化CTA策略收益更高且稳定性更强；成交集中时，策略收益较低[36] 模型名称：商品市场轮动速度 - **模型构建思路**：通过品种日收益率排名变化衡量市场轮动速度[37] - **模型具体构建过程**： 1. 计算每日涨幅排名前10与跌幅排名前10品种与上一日排名的变动比例 2. 轮动速度加快时，数值为1；品种表现稳定时，数值接近0 3. 计算近一年的历史分位数排名 4. 高于80%分位数为高区间段，低于20%分位数为低区间段，其余为正常区间段[37] - **模型评价**：轮动速度较慢时，市场行情延续性较强，量化CTA策略收益更高且稳定性更强；轮动速度较快时，策略表现不佳[37] 模型名称：商品市场期限结构 - **模型构建思路**：通过基差动量衡量期限结构斜率变化[39] - **模型具体构建过程**： 1. 基差动量定义为近月合约过去一段时间的涨跌幅减去远月合约过去一段时间的涨跌幅 2. 计算每个品种的基差动量 3. 根据近20日平均成交额进行加权 4. 使用20日移动平均进行平滑 5. 计算近一年的历史分位数排名 6. 高于80%分位数为高区间段，低于20%分位数为低区间段，其余为正常区间段[39] - **模型评价**：基差动量较高时，量化CTA策略收益表现更好；基差动量较低时，策略收益表现不佳[39] --- 模型的回测效果 考夫曼价格效率系数 - 南华贵金属指数效率系数处于较低区间段 - 有色、黑色、能化板块效率系数经历快速上升后下降 - 农产品板块效率系数有所下降[31] 商品市场成交活跃度 - 农产品板块波动率维持高位 - 其余各板块波动率快速下降，进入历史低值附近[33] 商品市场流动性 - 南华商品指数各板块流动性明显下降[35] 商品市场交易结构 - 商品市场轮动速度下降，成交集中度维持高位[37] 商品市场期限结构 - 南华能化、南华农产品板块基差动量快速上行至历史高位 - 贵金属板块基差动量有所上升 - 南华黑色板块基差动量处于历史较低区间[40]

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**：通过量化方法优选具有低波动特征的主动权益基金，满足在高风险市场环境下的防御需求，同时适合追求稳定收益的投资者[13][15] - **模型具体构建过程**： - 以主动权益基金为基础，筛选出具有长期稳定收益特征的基金 - 通过基金的历史净值回撤和波动水平，评估基金经理的投资风格和风险控制能力 - 在因子测试中发现，基金的最大回撤和波动率指标具有显著的延续性 - 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，构建低波动特征的基金组合[15] - **模型评价**：该模型在震荡下行的市场环境中表现出较强的韧性，能够在防守特性下兼具一定的进攻性[22][23] 2. 模型名称：股基增强基金组合 - **模型构建思路**：挖掘具有更强Alpha收益能力的基金经理，构建风险波动较高且进攻性更强的基金组合，满足高风险偏好投资者的需求[13][16] - **模型具体构建过程**： - 在主动管理权益基金中，分析基金收益率指标，拆分收益来源 - 剔除配置行业的Beta收益后，提取基金的Alpha收益 - 发现Alpha收益具有显著延续性，基于此构建基金组合 - 组合在回测中表现出较高的持有期胜率，配置于强选股能力的基金经理[16] - **模型评价**：在当前市场环境下，组合表现与基准接近，未来有望在市场环境改善后展现更强弹性[25] 3. 模型名称：现金增利基金组合 - **模型构建思路**：通过多维因子筛选，优选收益表现更佳的货币基金，帮助投资者优化短期闲置资金收益[14][18] - **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、杠杆水平等因素 - 关注机构持仓占比和偏离度等风险指标，避免收益率波动过大 - 构建货币基金优选体系，筛选出收益更高且波动风险更低的货币基金[18] - **模型评价**：该模型能够持续跑赢比较基准，为投资者提供有效的现金管理工具[27] 4. 模型名称：海外权益配置基金组合 - **模型构建思路**：基于海外市场指数的动量和反转因子，优选上涨趋势较好的指数，构建全球化投资的辅助工具[14][19] - **模型具体构建过程**： - 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 - 构建海外权益配置基金组合，满足投资者全球化配置需求[19] - **模型评价**：在美联储降息通道和人工智能科技带动下，该组合累积了较高水平的超额收益[28] --- 模型的回测效果 1. 常青低波基金组合 - 本周收益：-0.911%[20] - 近一个月收益：-2.595%[20] - 今年以来收益：-3.306%[20] - 策略运行以来收益：4.244%[20] 2. 股基增强基金组合 - 本周收益：-1.005%[20] - 近一个月收益：-4.722%[20] - 今年以来收益：-3.946%[20] - 策略运行以来收益：3.295%[20] 3. 现金增利基金组合 - 本周收益：0.031%[20] - 近一个月收益：0.153%[20] - 今年以来收益：0.045%[20] - 策略运行以来收益：2.921%[20] 4. 海外权益配置基金组合 - 本周收益：0.428%[20] - 近一个月收益：-2.602%[20] - 今年以来收益：-0.018%[20] - 策略运行以来收益：24.446%[20]

- 本报告未涉及具体的量化模型或因子的构建、测试及评价内容[1][2][3]