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价格变动的扩散程度来预测市场拐点，触发买卖信号[5][12] - **模型具体构建过程**： 1. 横轴为未来N天股价涨跌幅（从+10%到-10%），纵轴为回顾窗口期长度T天（T=20-N） 2. 计算扩散指数值：当成分股价格变动达到特定阈值时，扩散指数触发信号（如0.1以下为买点） 3. 首次阈值法（左侧交易）在扩散指数≤0.0225时触发满仓信号[36] 4. 延迟阈值法（右侧交易）和双均线法（自适应交易）分别基于不同条件触发空仓信号[40][41] 2. **模型名称：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和低波动率的50只股票，双周调仓并剔除风险[14][29] - **模型具体构建过程**： 1. 筛选标准：市值小（中位数17.37亿元[56]）、历史波动率低 2. 风险剔除：临近4月年报季时额外剔除高风险股票[29] 3. 调仓频率：每两周调整一次持仓[29] --- 模型的回测效果 1. **扩散指数模型** - 首次阈值法：2025年4月7日触发开仓信号（扩散指数=0.0225）[36] - 延迟阈值法：2025年2月19日触发空仓信号[40] - 双均线法：2025年3月12日触发空仓信号[41] 2. **小市值低波50策略** - 2024年收益率7.07%，超额收益-2.93%（基准为万得微盘股指数）[29] - 2024年以来收益率22.87%，本周超额2.42%（双边费用0.3%）[29] --- 量化因子与构建方式 1. **因子名称：残差波动率因子** - **因子构建思路**：衡量股票收益率中不能被市场因子解释的波动部分[4][27] - **因子评价**：本周RankIC为0.135（历史平均-0.04），短期有效性显著提升[4][27] 2. **因子名称：非流动性因子** - **因子构建思路**：反映股票交易难度（如买卖价差、成交量等）[4][27] - **因子评价**：本周RankIC为0.11（历史平均0.038），市场流动性压力下表现突出[4][27] 3. **因子名称：对数市值因子** - **因子构建思路**：取股票总市值的自然对数，捕捉小市值效应[4][27] - **因子评价**：本周RankIC为-0.189（历史平均-0.033），小市值风格暂时失效[4][27] 4. **因子名称：10天总市值换手率因子** - **因子构建思路**：计算10日内成交额与总市值的比率[4][27] - **因子评价**：本周RankIC为-0.093（历史平均-0.058），高换手股票表现疲弱[4][27] --- 因子的回测效果 1. **残差波动率因子**：RankIC=0.135（本周），历史平均=-0.04[4][27] 2. **非流动性因子**：RankIC=0.11（本周），历史平均=0.038[4][27] 3. **对数市值因子**：RankIC=-0.189（本周），历史平均=-0.033[4][27] 4. **10天总市值换手率因子**：RankIC=-0.093（本周），历史平均=-0.058[4][27] --- 其他关键指标 1. **微盘股指数成分股总市值中位数**：17.37亿元（历史分位数40.58%）[56] 2. **微盘股指数PB中位数**：1.96（历史分位数11.44%）[58] 3. **成交占比**：微盘股占全市场成交1.29%，小盘股（非国证1000/2000）占20.42%[63][62]

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)神经网络预测股票未来收益，通过历史价格和风格因子数据训练模型[4][5][6] - **模型具体构建过程**： 1. 输入层：历史价格序列（如close1d、open1d）和Barra风格因子（如barra1d、barra5d） 2. GRU层：捕捉时间序列依赖关系 3. 输出层：预测未来1日或5日收益 4. 行业中性化处理：对预测结果进行行业调整[18][19] - **模型评价**：在全市场和中证1000股池表现较强，但在沪深300内效果较弱[5][6][21] 2. **模型名称**：多因子组合模型 - **模型构建思路**：综合基本面和技术类因子构建复合选股模型[8][31] - **模型具体构建过程**： 1. 因子筛选：选取估值、成长、动量等有效因子 2. 因子加权：根据历史IC动态调整权重 3. 组合优化：控制行业偏离（0.01标准差）和个股权重上限（0.2%）[31] --- 量化因子与构建方式 1. **因子名称**：Barra风格因子（Beta/市值/动量/波动等） - **因子构建思路**：通过多维度市场特征刻画股票风险收益特征[16] - **因子具体构建过程**： - **波动因子**： $$0.74 \times \text{历史超额收益波动率} + 0.16 \times \text{累积超额收益离差} + 0.1 \times \text{残差收益波动率}$$ - **流动性因子**： $$0.35 \times \text{月换手率} + 0.35 \times \text{季换手率} + 0.3 \times \text{年换手率}$$ - **成长因子**： $$0.18 \times \text{长期盈利增长率} + 0.11 \times \text{短期增长率} + 0.24 \times \text{盈利增长率} + 0.47 \times \text{营收增长率}$$[16] - **因子评价**：动量因子近期表现强势，市值因子呈现非线性效应[3][17] 2. **因子名称**：技术类因子（20日动量/60日波动等） - **因子构建思路**：基于价格和成交量数据捕捉市场行为模式[19][25] - **因子具体构建过程**： - **动量因子**：过去N日收益率均值 - **波动因子**：滚动窗口收益率标准差[25][30] 3. **因子名称**：基本面因子（ROE增长/营业利润增长等） - **因子构建思路**：通过财务指标筛选优质公司[19][27] - **因子具体构建过程**： - **超预期增长类因子**：分析师预测与实际财报差异 - **静态估值因子**：市净率/市盈率倒数[27] --- 模型的回测效果 1. **GRU模型**： - 全市场多空收益：barra1d（+0.14%周收益）、barra5d（-0.63%周收益）[19][32] - 中证1000多空收益：barra1d（强势）、open1d（强势）[26] - 沪深300多空收益：close1d/open1d（较好）[21] 2. **多因子组合**： - 相对中证1000超额收益：-0.79%（周）、+3.11%（月）[32] --- 因子的回测效果 1. **Barra风格因子**： - 波动因子：周多空收益+2.04%（全市场）[17][19] - 动量因子：周多空收益+4.02%（全市场）[17][19] - 市值因子：周空头收益显著[3] 2. **技术类因子**： - 20日动量：中证500周收益+4.02%[25] - 60日波动：中证1000周收益-0.91%[30] 3. **基本面因子**： - ROE超预期增长：中证1000周收益-0.35%[27] - 营业利润增长：中证1000周收益+0.32%[27]

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宏观事件因子构建股债轮动策略[4][24] - **具体构建过程**： 1. **经济增长信号**：通过工业增加值、社零等经济指标同比变化计算信号强度，当前信号强度为0%[4][24] 2. **货币流动性信号**：结合SHIBOR、国债收益率等利率指标，当前信号强度为50%[4][24] 3. **仓位计算**：综合信号加权得出权益推荐仓位（当前25%）[4][24] - **模型评价**：策略在2025年初至今收益率为1.06%，略低于Wind全A的1.90%，但能有效控制风险敞口[4][24] 2. **模型名称：微盘股择时模型** - **构建思路**：通过波动率拥挤度和利率同比指标监控微盘股风险[5][34] - **具体构建过程**： 1. **波动率拥挤度指标**：计算微盘股波动率同比变化，阈值设定为0.3，当前值为-50.09%（未触发风险）[5][34] 2. **十年国债利率同比指标**：阈值设定为0.3，当前值为-20.45%（未触发风险）[5][34] - **模型评价**：模型能及时预警市场情绪和基本面风险，当前建议继续持有微盘股[5][34] --- 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EPS、ROE的一致预期变化构建[47][57] - **具体构建过程**： - $$ EPS\_FTTM\_Chg3M = \frac{EPS_{t} - EPS_{t-3}}{EPS_{t-3}} $$ - $$ ROE\_FTTM\_Chg3M = \frac{ROE_{t} - ROE_{t-3}}{ROE_{t-3}} $$ - **因子评价**：在中证500和中证1000成分股中表现突出，反映资金对业绩确定性的需求[45][47] 2. **因子名称：市值因子（LN_MktCap）** - **构建思路**：通过流通市值的对数捕捉规模效应[57] - **具体构建过程**： - $$ LN\_MktCap = \ln(流通市值) $$ - **因子评价**：近期在沪深300中表现突出，成为资金避险方向[45][47] 3. **因子名称：质量因子** - **构建思路**：结合ROE、经营现金流等财务指标[57] - **具体构建过程**： - $$ OCF2CurrentDebt = \frac{经营现金流净额}{流动负债均值} $$ - $$ GrossMargin\_TTM = \frac{毛利}{营业收入} $$ - **因子评价**：在全部A股中稳定性较强，多空收益为正[47][57] 4. **因子名称：转债估值因子（平价底价溢价率）** - **构建思路**：衡量可转债相对于正股的估值水平[54][57] - **具体构建过程**： - $$ 溢价率 = \frac{转债价格 - 转股价值}{转股价值} \times 100\% $$ - **因子评价**：近期多空收益表现良好，反映市场对转债估值的敏感性[54] --- 模型的回测效果 1. **宏观择时策略**： - 2025年初至今收益率：1.06%[4] - Wind全A同期收益率：1.90%[4] 2. **微盘股择时模型**： - 波动率拥挤度同比：-50.09%（未触发风险）[34] - 十年国债利率同比：-20.45%（未触发风险）[34] --- 因子的回测效果 1. **一致预期因子**： - 全部A股IC均值：0.54%[47] - 中证500多空收益：1.32%[47] 2. **市值因子**： - 沪深300多空收益：-1.09%[47] - 全部A股IC均值：-15.82%[47] 3. **质量因子**： - 全部A股多空收益：0.56%[47] - IC均值（中证1000）：3.75%[47] 4. **转债估值因子**： - 多空净值：正收益（具体数值未披露）[54] --- 以上内容严格依据研报原文提取，未包含风险提示等非核心信息。

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. **主动偏股基金仓位高频估测模型** - 模型构建思路：基于净值序列和基准资产组合的多元回归模型，估算主动偏股基金的股票仓位变动[65] - 模型具体构建过程： 1. 以基金每日净值为因变量，基准指数或行业指数为自变量 2. 采用带约束条件的多元回归（如最小二乘法）求解仓位权重 3. 通过模拟组合优化估算精度，跟踪行业配置动向 - 模型评价：能够相对高频地捕捉仓位变化趋势，但对行业细分层面的估算可能存在偏差 2. **REITs指数构建模型** - 模型构建思路：通过分级靠档和除数修正法构建反映REITs市场表现的系列指数[51] - 模型具体构建过程： 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成分 2. 采用分级靠档法稳定指数份额，计算公式为： $$ I_t = I_{t-1} \times \frac{\sum (P_{i,t} \times S_{i,t})}{\sum (P_{i,t-1} \times S_{i,t-1})} $$ 其中$P_{i,t}$为第i只REITs在t日的价格，$S_{i,t}$为调整后的流通份额 3. 对成分变动采用除数修正法保证连续性 - 模型评价：同时提供价格指数和全收益指数，能有效反映REITs的高分红特性 量化因子与构建方式 1. **行业主题因子** - 因子构建思路：通过基金持仓信息提取长期行业主题暴露特征[38] - 因子具体构建过程： 1. 分析近4期年报/中报持仓数据 2. 根据申万一级行业分类计算行业集中度 3. 定义三类标签：行业主题型（集中度>50%）、行业轮动型（风格切换显著）、行业均衡型（分散配置） 2. **ESG整合因子** - 因子构建思路：综合环境(E)、社会(S)、治理(G)维度筛选投资标的[78] - 因子具体构建过程： 1. 负面筛选：剔除争议行业（如烟草、武器） 2. 正面筛选：加权ESG评分（如Wind/华证ESG评级） 3. 主题细分：环境因子侧重"碳中和"等关键词，社会因子关注"乡村振兴"等标签 模型的回测效果 1. **主动偏股基金仓位模型** - 本周仓位变动：-0.94pcts[65] - 行业配置变化：电子(+0.38pct)、农林牧渔(+0.25pct)获增配，医药生物(-0.41pct)遭减持[69] 2. **REITs指数模型** - 本周收益：综合指数-0.47%，能源基础设施指数年化收益10.44%（最大回撤13.28%）[53] - 风险指标：产权类指数夏普比率0.19，特许经营权类指数年化波动10.28%[53] 因子的回测效果 1. **行业主题因子** - 本周收益：国防军工主题-0.48%（相对抗跌），新能源主题-5.91%[38] - 月度表现：消费主题2月收益+2.63%，TMT主题3月收益-3.28%[40] 2. **ESG整合因子** - 基金表现：债券型ESG基金本周收益中位数+0.13%，显著优于权益型ESG基金(-4.92%)[81] - 规模分布：环境主题基金占比77.2%（991.33亿元），治理主题仅占1.6%[79]

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**：DeepSeek-V3-0324大模型 **模型构建思路**：利用大模型的总结能力对分析师行业报告进行智能总结和整合，提炼核心观点和关键信息[7] **模型具体构建过程**： - 从Wind数据库获取行业研报，入库时间截至2025年4月13日24点，共计772篇报告[7] - 将同一个一级行业内的所有摘要合并，与提示词拼接后调用DeepSeek-V3大模型[7] - 提示词要求总结为不超过200个汉字的简明摘要，需准确反映研报的主要事实、观点和结论[8] - 模型的随机性设置为0以保证结果可重复性[7] 2. **模型名称**：行业景气度衡量模型 **模型构建思路**：利用大模型对行业研报进行打分，解决行业评级区分度不足和分类标准不一致的问题[14] **模型具体构建过程**： - 构造提示词提取中信一级、二级行业名称及对应行业景气度，明确要求返回标准格式json[16] - 使用DeepSeek-V3模型，将研报摘要与提示词拼接作为输入，得到行业景气度和超预期程度[18] - 按照中信二级行业计算"景气度"和"超预期程度"的均值，保留报告数目大于2的行业[18] 模型的回测效果 1. **DeepSeek-V3-0324大模型**： - 总结结果示例见表1至表4，涵盖石油石化、煤炭、有色金属等多个行业的核心观点[9][10][11][12][13] 2. **行业景气度衡量模型**： - 最新结果显示航空航天行业景气度为8.86，旅游及休闲行业为8.83，橡胶及制品行业为5.25，普钢行业为4.80[19][21] - 航空航天行业景气度周变化为+0.08，旅游及休闲行业为+1.33，橡胶及制品行业为-0.75[19][21] 量化因子与构建方式 1. **因子名称**：行业景气度因子 **因子构建思路**：基于大模型对行业研报的解读，量化行业的景气程度[14] **因子具体构建过程**： - 使用DeepSeek-V3模型对每篇研报摘要进行分析，提取行业景气度评分[18] - 按行业汇总评分并计算均值，得到各行业的景气度因子值[19][21] 2. **因子名称**：超预期程度因子 **因子构建思路**：衡量行业实际表现与市场预期的差异[14] **因子具体构建过程**： - 通过大模型分析研报内容，提取行业超预期程度评分[18] - 按行业汇总评分并计算均值，得到各行业的超预期程度因子值[19][21] 因子的回测效果 1. **行业景气度因子**： - 航空航天行业景气度为8.86，旅游及休闲行业为8.83，橡胶及制品行业为5.25，普钢行业为4.80[19][21] 2. **超预期程度因子**： - 航空航天行业超预期程度为7.86，旅游及休闲行业为7.83，橡胶及制品行业为4.25，普钢行业为4.00[19][21] 模型与因子的评价 1. **DeepSeek-V3-0324大模型**：能够有效整合大量行业研报信息，提炼核心观点，但可能存在模型误读或信息二次加工的风险[8] 2. **行业景气度衡量模型**：解决了行业评级区分度不足和分类标准不一致的问题，提供了连续的行业景气度指标[14][16] 3. **行业景气度因子与超预期程度因子**：能够反映行业的实际表现和市场预期差异，为投资决策提供量化参考[19][21]

量化模型与构建方式 1. **模型名称**：中证500增强组合 - **模型构建思路**：通过量化选股策略构建相对于中证500指数的增强组合，旨在跑赢基准指数[55] - **模型具体构建过程**： 1. 基于多因子选股框架，筛选具备超额收益潜力的个股 2. 通过优化算法确定组合权重，控制跟踪误差和风险暴露 3. 动态调整持仓以应对市场变化[56] - **模型评价**：长期超额收益显著，但短期可能跑输基准 2. **模型名称**：沪深300增强组合 - **模型构建思路**：通过量化选股策略构建相对于沪深300指数的增强组合，旨在跑赢基准指数[61] - **模型具体构建过程**： 1. 采用多因子模型筛选优质个股 2. 通过风险模型控制组合波动率 3. 定期再平衡以维持风格中性[64] - **模型评价**：长期超额收益稳定，但最大回撤需警惕 模型的回测效果 1. **中证500增强组合** - 本周收益率：-4.96% - 跑输基准：0.44% - 2020年至今超额收益：40.24% - 最大回撤：-4.99%[55] 2. **沪深300增强组合** - 本周收益率：-2.73% - 跑赢基准：0.14% - 2020年至今超额收益：23.65% - 最大回撤：-5.86%[61] 量化因子与构建方式 1. **因子名称**：残差波动率因子 - **因子构建思路**：衡量个股剔除市场影响后的特异性波动，捕捉风险调整后的收益机会[68] - **因子具体构建过程**： 1. 通过市场模型回归获取个股残差收益率 2. 计算残差收益率的波动率 $$RESVOL_i = \sqrt{\frac{1}{T}\sum_{t=1}^T (\epsilon_{i,t} - \bar{\epsilon_i})^2}$$ 其中$\epsilon_{i,t}$为个股i在t期的残差收益[69] - **因子评价**：近期表现优异，具有显著超额收益 2. **因子名称**：流动性因子 - **因子构建思路**：衡量股票交易活跃程度，捕捉流动性溢价[68] - **因子具体构建过程**： 1. 计算个股日均换手率 2. 标准化处理得到因子值 $$LIQUIDITY_i = \frac{Turnover_i - \mu_{Turnover}}{\sigma_{Turnover}}$$[69] - **因子评价**：近期呈现显著负向超额收益 3. **因子名称**：成长因子 - **因子构建思路**：捕捉公司未来盈利增长潜力[68] - **因子具体构建过程**： 1. 计算营收增长率、净利润增长率等指标 2. 通过主成分分析合成综合成长因子[69] 因子的回测效果 1. **残差波动率因子** - 本周纯因子收益率：显著正收益 - 与流动性因子相关性：0.533[69] 2. **流动性因子** - 本周纯因子收益率：显著负收益 - 与Beta因子相关性：0.526[69] 3. **成长因子** - 本周纯因子收益率：正向表现 - 与盈利因子相关性：0.306[69] 其他量化指标 1. **A股景气指数** - 当前值：20.87 - 较2023年底变化：+15.45 - 处于上升周期[41] 2. **A股情绪指数** - 见底信号：空 - 见顶信号：空 - 综合信号：空[50]

根据提供的金融工程周报内容，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. **模型名称**：中证自由现金流指数增强模型 **模型构建思路**：通过跟踪中证全指自由现金流指数，结合多因子增强策略，优选现金流质量高的个股[8][14][15] **模型具体构建过程**： - 基础指数筛选：中证全指自由现金流指数成分股 - 因子增强：叠加质量因子（ROE、资产负债率）、成长因子（现金流增长率） - 权重优化：采用半主动加权方式，对高现金流个股超配 $$ w_i = w_{基准} \times (1 + \frac{FCF_i}{\sum FCF}) $$ 其中$FCF_i$为个股自由现金流 **模型评价**：策略在熊市中防御性突出，但周期行业暴露较高[15][58] 2. **模型名称**：科创板综合指数增强模型 **模型构建思路**：利用科创板高成长特性，结合动量因子和研发强度因子构建增强组合[53][54][58] **模型具体构建过程**： - 基础池：上证科创板综合指数成分股 - 因子库： - 研发强度因子 = 研发费用/营业收入 - 动量因子 = 过去20日收益率 - 组合优化：限制行业偏离度≤3% **模型评价**：对科技周期敏感，超额收益波动较大[54][58] 量化因子与构建方式 1. **因子名称**：自由现金流因子 **因子构建思路**：筛选企业持续创造自由现金流的能力[14][15][58] **因子具体构建过程**： $$ FCF因子值 = \frac{经营性现金流净额 - 资本支出}{总资产} $$ 按行业中性化处理后分组回测[15] 2. **因子名称**：低换手因子 **因子构建思路**：捕捉低换手率股票的长期超额收益[4][13] **因子具体构建过程**： - 计算20日平均换手率 - 剔除ST股和上市不满60日股票 - 分组测试显示10%最低换手组年化超额4.2%[13] 模型的回测效果 1. 中证自由现金流指数增强模型： - 年化超额收益：3.15%[4] - 信息比率(IR)：1.8[4] - 最大回撤：-12.3%[58] 2. 科创板综合指数增强模型： - 周度超额中位数：0.65%[39] - 本年超额：2.90%[62] - 跟踪误差：4.2%[58] 因子的回测效果 1. 自由现金流因子： - IC均值：0.12[15] - 多空年化收益：8.7%[58] - 因子衰减周期：6个月[15] 2. 低换手因子： - 中证1000组合超额：3.15%[4] - 月度胜率：68%[13] - 行业中性化后ICIR：1.5[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. **公募基金实时持仓模型** - 模型构建思路：基于基金净值、持仓披露、调研行为等公开信息，实时测算公募基金对农业板块的配置仓位[14] - 模型具体构建过程：通过多源数据（净值变化、持仓披露频率、调研活动）构建动态权重调整框架，具体公式未公开[14] - 模型评价：能够捕捉历史仓位低点，但依赖公开数据时效性 2. **ETF资金持仓动态模型** - 模型构建思路：跟踪ETF资金占农业板块市值的比重，反映指数投资资金的配置趋势[15] - 模型具体构建过程：计算ETF持仓市值与板块总市值的比值，采用5日移动平均（MA5）平滑数据 $$ \text{ETF持仓占比} = \frac{\sum \text{ETF持有农业股市值}}{\text{农业板块总市值}} $$ [18] - 模型评价：对市场资金流向敏感，但需注意ETF产品结构差异 3. **两融余额动向模型** - 模型构建思路：监测融资余额（看多信号）与融券余额（看空信号）的变动趋势[16] - 模型具体构建过程：统计农业板块成分股的两融余额日频数据，分离融资/融券余额并计算净变化[20] - 模型评价：对短期市场情绪有较强指示性，但易受政策影响 量化因子与构建方式 1. **主力资金因子** - 因子构建思路：以大单（20-100万元）和超大单（>100万元）净流入作为主力资金代理变量[28] - 因子具体构建过程： $$ \text{主力净流入} = \sum \text{超大单买入} + \sum \text{大单买入} - \sum \text{超大单卖出} - \sum \text{大单卖出} $$ [29] - 因子评价：反映机构资金动向，但需结合成交量验证 2. **股东户数变化因子** - 因子构建思路：股东户数大幅增加可能预示后续股价风险[32] - 因子具体构建过程：计算最新两期股东户数的变动比例 $$ \text{户数增幅} = \frac{\text{最新户数} - \text{上期户数}}{\text{上期户数}} \times 100\% $$ [33] - 因子评价：对筹码分散化有预警作用，但数据披露存在滞后 3. **雪球大V关注度因子** - 因子构建思路：统计高粉丝量雪球用户对个股的讨论热度[24] - 因子具体构建过程：爬取雪球平台大V的个股提及频次，按行业标准化[25] - 因子评价：捕捉散户情绪，但需区分正向/负向观点 模型的回测效果 1. **公募实时持仓模型** - 当前仓位水平：2018年以来历史低位[17] 2. **ETF资金持仓模型** - 当前持仓占比：4.5%（MA5）[18] 3. **两融余额动向模型** - 融资余额：3月以来企稳[20] - 融券余额：处于低位[20] 因子的回测效果 1. **主力资金因子** - 金健米业净流入：2.29亿元[29] - 海大集团净流入：2.19亿元[29] 2. **股东户数变化因子** - 贝斯美增幅：55.75%[33] - 温氏股份增幅：21.44%[33] 3. **雪球大V关注度因子** - 北大荒关注量：53次[25] - 圣农发展关注量：26次[25]

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：通过短期均线（20日）与长期均线（120日）的距离判断市场整体环境 模型具体构建过程：计算wind全A指数的20日均线与120日均线的绝对距离（百分比），公式为 $$距离 = \frac{短期均线 - 长期均线}{长期均线} \times 100\%$$ 当距离绝对值小于3%时判定为震荡格局，否则为趋势格局[1][9] 模型评价：简单直观，能有效区分市场状态但滞后性较明显 2 模型名称：TWO BETA行业配置模型 模型构建思路：基于市场风险偏好和行业Beta特性筛选科技板块 模型具体构建过程：结合国产替代政策导向和行业Beta值，优先选择软件、电子及新能源车等科技行业[3][10] 3 模型名称：仓位管理模型 模型构建思路：结合估值分位数和短期趋势动态调整仓位 模型具体构建过程：当wind全A的PE处于40分位（中等）、PB处于20分位（较低）时，建议绝对收益产品仓位提升至60%[10] 模型的回测效果 1 均线距离择时模型，当前均线距离0.3%，判定为震荡格局[1][9] 2 仓位管理模型，建议仓位60%[10] 量化因子与构建方式 1 因子名称：PE估值分位因子 因子构建思路：通过历史分位数评估市场估值水平 因子具体构建过程：计算wind全A当前PE在2014-2025年历史数据中的百分位，当前处于40分位[10][11] 2 因子名称：PB估值分位因子 因子构建思路：通过历史分位数评估市场估值水平 因子具体构建过程：计算wind全A当前PB在2014-2025年历史数据中的百分位，当前处于20分位[10][14] 因子的回测效果 1 PE估值分位因子，当前值40分位[10][11] 2 PB估值分位因子，当前值20分位[10][14]

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. **行业轮动模型** - **构建思路**：基于绩优基金持仓倾向的边际变化，跟踪行业配置信号以捕捉风格轮动机会[36] - **具体构建**： 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： $$超配比例 = \frac{基金持仓行业权重 - 基准行业权重}{基准行业权重}$$ 3. 生成行业信号：超配行业看多，低配行业看空 4. 结合动量与景气度模型形成综合信号[39] - **模型评价**：在红利风格暴露下表现稳健，但对机构重仓行业判断偏谨慎[36] 2. **基金仓位测算模型** - **构建思路**：通过持股市值加权计算主动权益型基金仓位变动[21] - **具体构建**： 1. 筛选合格样本（成立满两季度、规模>5000万、历史仓位>60%） 2. 按基金类型分组计算加权平均仓位： $$仓位 = \frac{股票持仓市值}{基金净资产}$$ 3. 剔除非A股投资部分[24] 量化因子与构建方式 1. **风格暴露因子** - **构建思路**：分解基金持仓的大盘/小盘、成长/价值风格暴露[29] - **具体构建**： 1. 按市值（大盘/中盘/小盘）和估值（成长/价值）划分股票 2. 计算基金持仓在各风格的权重占比[30] - **因子评价**：有效捕捉市场风格切换，中小盘成长暴露近期显著提升[29] 2. **行业配置因子** - **构建思路**：跟踪基金行业配置调整方向[32] - **具体构建**： 1. 采用中信一级行业分类 2. 计算行业持仓比例变动（单位：pct）[33] 3. 识别连续上调/下调行业[34] 模型的回测效果 1. **行业轮动模型** - 年化超额收益：8.6%（vs 基准）[39] - 信息比率（IR）：1.35[39] - 最大回撤：-12.4%[39] 2. **基金仓位模型** - 主动权益基金平均仓位：87.48%（较上周-1.2pct）[21] - 固收+基金平均仓位：24.29%（较上周+0.92pct）[21] 因子的回测效果 1. **风格暴露因子** - 小盘成长仓位：44.57%（+1.97pct）[29] - 大盘价值仓位：12.24%（-0.49pct）[29] 2. **行业配置因子** - 电子行业增配：17.86%（+0.53pct）[32] - 医药行业减配：10.49%（-0.46pct）[32] 关键数据引用 - 仓位测算方法[21][24] - 行业轮动信号表[40] - 风格暴露分布图[30] - ETF资金流数据[41][43]