好的，作为一名熟练的金融工程分析师，我已仔细阅读并分析了您提供的这份金融工程周报。根据我的专业判断，这份报告的核心内容是市场数据回顾与基金产品动态，**并未涉及任何具体的量化模型或量化因子的构建、测试与分析**。报告内容主要包括市场指数表现、行业涨跌、基金业绩统计、产品发行情况等描述性信息[1][2][3][4][6][7][8][9][10][11][12][13][14][15][16][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][34][35][36][37][38][39][40][41][42][43][44][46][47][48][49][50][51][52][53][54][55][56][57][58][59]。 因此，按照任务要求，我无法从报告中总结出关于“量化模型”或“量化因子”的名称、构建思路、具体过程、评价及测试结果。报告中没有相关内容可供提取。

量化模型与构建方式 1. 模型名称：物理增强型样本熵择时模型 (Phys-Enhanced SampEn) * **模型构建思路**：将非线性动力学的样本熵理论与物理学的推重比概念深度融合，构建一个一体化择时模型。其核心创新在于将“流动性调整推重比序列”作为样本熵的输入，使得计算出的熵值能够同时量化“价格波动的随机性”与“驱动力-风险平衡的规律性”，从而输出择时信号[4][78]。 * **模型具体构建过程**： 1. **构建输入序列**：首先计算流动性调整推重比序列 $$Z_{t}=[T W R_{t}]$$，该序列融合了价格、成交量、波动率和流动性信息，作为后续样本熵计算的输入[79][80]。 2. **设定模型参数**：嵌入维度 $$m = 2$$，延迟时间 $$\tau = 1$$，相似性阈值 $$r = ETF_{std} \times \sigma_{std}$$，其中 $$\sigma_{std}$$ 为序列的标准差[82]。 3. **重构嵌入向量**：在序列 $$Z_t$$ 上构建延迟坐标嵌入，形成 $$m$$ 维嵌入向量序列：$$V_{i}^{(m)}=\left[Z_{i},Z_{i+\tau},\cdots,Z_{i+(m-1)\tau}\right],i=1,2,\cdots,N$$，其中 $$N = T - \tau + 1$$ 为有效样本数[83][84]。 4. **计算向量间相似性**：采用最大范数（Chebyshev距离）计算两个嵌入向量间的距离：$$d\left(V_{i}^{(m)},V_{j}^{(m)}\right)=\operatorname*{max}_{0\leq k\leq m-1,1\leq s\leq2}\left|Z_{i+k\tau(s)},Z_{j+k\tau(s)}\right|$$[86]。 5. **计算条件概率**：对每个嵌入向量 $$V_i^{(m)}$$，统计其与其他向量（排除自身）的相似性比例：$$C_{i}^{m}(r)=\frac{1}{N-1}\times\\left\{j\!:\!d\left(V_{i}^{(m)},V_{j}^{(m)}\right)<r,j\neq i\right\}$$[87]。进而计算全局平均相似概率：$$B^{m}(r)=\frac{1}{N}\sum_{i=1}^{N}C_{i}^{m}(r)$$[88]。 6. **计算物理增强型样本熵**：类似地构建 $$B^{m+1}(r)$$，最终定义物理增强型样本熵为：$$P h y s-S a m p E n(m,r,\tau)=-l n\left(\frac{B^{m+1}(r)}{B^{m}(r)}\right)$$。当 $$B^m(r)=0$$ 或 $$B^{m+1}(r)=0$$ 时，加正则化常数 $$10^{-6}$$ 避免对数发散[91][92]。 7. **生成择时信号**： * 基于滚动窗口 $$W$$ 个交易日的融合熵序列，定义经验分位数阈值：低熵阈值 $$S_{low}=Q_{0.4}(Phys-SampEn_t)$$，高熵阈值 $$S_{high}=Q_{0.6}(Phys-SampEn_t)$$[94][95]。 * 结合当前熵值 $$Phys-SampEn_t$$ 和推重比 $$TWR_t$$ 的方向，应用一套规则判断输出上涨、下跌或平盘信号。核心逻辑是：低熵态下系统规律性强，推重比数值指示趋势方向；高熵态下系统失序，规避方向性暴露或抓住反转趋势[95][97]。 2. 因子名称：流动性调整推重比 (TWR) * **因子构建思路**：在传统推重比（累计收益率/波动率）的基础上进行优化，将驱动力项从“累计收益”升级为“量价共振收益”，并将风险项从“单一波动率”扩展为“波动率×流动性阻力”，从而构建一个同时评估趋势有效性和交易可操作性的综合指标[54][72]。 * **因子具体构建过程**： 1. **计算驱动力 (Thrust)**：驱动力项定义为量价共振动量：$$T h r u s t_{v o l p,t}=\left(\sum_{k=t-L+1}^{t}r_{k}\right)\times\left(\frac{V o l_{t}}{V o l_{a v g,t}}\right)$$。其中，$$\sum r_k$$ 为过去 $$L$$ 日累计收益率，$$Vol_t$$ 为当日成交量，$$Vol_{avg,t}$$ 为过去 $$L$$ 日平均成交量[56][58]。 2. **计算风险项 (Weight)**：风险项综合了价格波动风险和流动性阻力：$$W e i g h t_{l i q\ ,t}=\sigma_{t}\times\left(\frac{V o l_{a v g,t}}{V o l_{t}}\right)+10^{-6}$$[64]。 * 价格波动风险 $$\sigma_t$$ 为过去 $$L$$ 日的年化波动率：$$\sigma_{t}=\sqrt{\frac{252}{L-1}\sum_{k=t-L+1}^{t}\left(r_{k}-\bar{r}_{t,L}\right)^{2}}$$，其中 $$\bar{r}_{t,L}$$ 为过去 $$L$$ 日的平均收益率[65][66]。 * 流动性阻力通过比较当日成交量与近期平均成交量的比值来构建，比值大于1表示流动性差、阻力放大[68]。 3. **计算原始推重比**：原始推重比为驱动力与风险项的比值：$$R a w T W R_{l i q,t}=\frac{T h r u s t_{v o l p,t}}{W e i g h t_{l i q,t}}$$[69]。 4. **标准化**：为消除跨ETF的量纲差异，对原始推重比进行Z-Score标准化：$$T W R_{l i q,t}=\frac{R a w T W R_{i i q,t}-\mu_{R a w T W R},\;\;W}{\sigma_{R a w T W R},\;\;w+10^{-6}}$$。其中，$$\mu_{RawTWR,W}$$ 和 $$\sigma_{RawTWR,W}$$ 分别为过去 $$W$$ 个交易日原始推重比的均值与标准差，$$10^{-6}$$ 为平滑项[70][71][72]。 3. 因子名称：样本熵 (SampEn) * **因子构建思路**：样本熵是用于量化时间序列复杂性和规律性的指标。它通过计算“数据片段延长后，还能保持相似”的概率，来衡量序列的“混乱度”或不确定性。相比近似熵，样本熵通过排除自匹配，提高了在短序列下的无偏性和统计一致性[20][21][44]。 * **因子具体构建过程**： 1. **重构嵌入向量**：对长度为 $$N$$ 的序列 $$x$$，设定嵌入维度 $$m$$ 和延迟时间 $$\tau$$，为每个时间点 $$i$$ 构造 $$m$$ 维嵌入向量：$$X_{i}^{m}=[x(i),x(i+\tau),x(i+2\tau),\cdots,x(i+(m-1)\tau)],\mathrm{i=1,2,\cdots,N_{m}}$$[25][26]。 2. **定义相似性度量**：采用Chebyshev距离（最大范数）计算两个嵌入向量间的距离：$$d\left(X_{i}^{m},X_{j}^{m}\right)=m a x_{k=0,1,\cdots,m-1}|x(i+k\tau)-x(j+k\tau)|$$。若距离小于阈值 $$r$$，则判定两个向量相似[28][29]。 3. **计算相似概率**： * 对于每个嵌入向量 $$X_i^m$$，计算其与其他向量（$$j \neq i$$）相似的比例：$$B_{i}^{m}(r)=\;\frac{1}{N_{m}-1}\sum_{j=1,j\neq i}^{N_{m}}I\big(d\big(X_{i}^{m},X_{j}^{m}\big)<r\big)\;.$$，其中 $$I(\cdot)$$ 为指示函数[31][33]。 * 对所有向量求平均，得到 $$m$$ 维整体相似概率：$$B^{m}(r)=\ \frac{1}{N_{m}}\sum_{i=1}^{N_{m}}B_{i}^{m}(r)$$[32]。 4. **计算样本熵**：将嵌入维度增加到 $$m+1$$，重复上述步骤得到 $$B^{m+1}(r)$$。样本熵最终定义为：$$S a m p E n(m,r,N)=-l n\left(\frac{B^{m+1}(r)}{B^{m}(r)}\right)$$[36]。概率衰减越慢（序列越规律），熵值越低；概率衰减越快（序列越随机），熵值越高[37]。 模型的回测效果 * **物理增强型样本熵择时模型 (单标的)**：回测期2017年1月至2025年11月，覆盖38只不同板块的ETF[7][101]。 * **宽基指数 (8只)**：策略年化收益率16.19%-41.67%，夏普比率1.04-1.69，最大回撤-14.32%至-25.48%，显著优于买入持有策略[106][108]。 * **周期资源型ETF (示例4只)**：策略年化收益率15.85%-44.81%，夏普比率0.77-1.89，最大回撤-13.25%至-29.61%，较买入持有大幅改善[116][118]。 * **新能源与科技型ETF (示例4只)**：策略年化收益率27.52%-33.45%，夏普比率1.27-1.51，最大回撤-21.14%至-31.31%，表现卓越[124][125]。 * **消费、医疗与金融型ETF (示例4只)**：策略年化收益率18.83%-30.28%，夏普比率0.98-1.37，最大回撤-14.43%至-29.45%，实现显著超额收益[130][132]。 * **物理增强型样本熵择时模型 (等权组合)**：基于38只ETF的择时信号动态构建等权组合。回测期内年化收益率37.20%，夏普比率1.76，索提诺比率251.62%，最大回撤-20.72%[137][140]。

量化模型与构建方式 1. **模型名称：市场择时体系**[2][7] * **模型构建思路**：通过比较WIND全A指数的长期均线（120日）和短期均线（20日）的相对位置和距离，来区分市场的整体环境（如趋势或震荡）[2][7]。 * **模型具体构建过程**： 1. 计算WIND全A指数的20日移动平均线（MA20）和120日移动平均线（MA120）。 2. 计算两条均线的距离，公式为： $$均线距离 = \frac{MA20 - MA120}{MA120} \times 100\%$$ 3. 设定阈值（报告中提及3%）来判断市场状态。当均线距离绝对值大于3%时，通常认为市场存在趋势；当距离绝对值小于或接近3%时，市场可能处于震荡格局[2][7]。 4. 结合其他技术指标（如5日均线与趋势线的关系）进行综合判断[2][7]。 2. **模型名称：仓位管理模型**[2][8] * **模型构建思路**：结合市场估值水平（PE、PB分位数）和短期趋势判断，为绝对收益产品提供股票仓位的配置建议[2][8]。 * **模型具体构建过程**： 1. 评估市场估值水平：计算WIND全A指数的PE和PB在其历史数据中的分位数[2][8]。 2. 结合短期趋势判断：参考择时体系等模型对市场短期走势的研判[2][8]。 3. 综合估值和趋势信号，输出一个具体的股票仓位建议比例（例如70%）[2][8]。 3. **模型名称：行业趋势配置模型**[2][5][7] * **模型构建思路**：识别各行业板块的中期趋势，筛选出处于上行趋势或显示困境反转信号的行业进行配置[2][5][7]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建步骤和公式，仅提及了其输出结果，例如显示电池和工业金属板块延续上行趋势，以及中期困境反转信号关注白酒和非银金融行业[2][5][7]。 4. **模型名称：TWO BETA模型**[2][5][7] * **模型构建思路**：该模型用于行业配置推荐，持续推荐科技板块[2][5][7]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建步骤和公式，仅提及了其输出结果，即继续推荐科技板块，并关注商业航天和消费电子等细分领域[2][5][7]。 模型的回测效果 *本报告为周度市场观点与信号报告，未提供上述量化模型的历史回测绩效指标（如年化收益率、夏普比率、最大回撤等）的具体数值。报告主要展示了模型在当期（2025年12月初）产生的具体信号和配置建议[1][2][5][7][8]。* 量化因子与构建方式 *本报告未涉及具体的股票alpha因子（如价值、动量、质量等因子）的构建与测试。报告内容聚焦于市场择时、行业配置和仓位管理等模型。* 因子的回测效果 *本报告未涉及具体的股票alpha因子的回测效果。*

根据提供的研报内容，这是一篇关于债券ETF（特别是十年国债ETF）配置价值的分析报告，并非一篇关于量化模型或因子构建的研报。报告的核心是对宏观经济、政策环境、产品特性及历史表现进行定性分析和数据展示，并未涉及任何量化模型的构建、因子挖掘或详细的回测过程。 报告中提及的“上证10年期国债指数”是一个已有的市场指数，报告介绍了跟踪该指数的ETF产品及其表现，但并未将其作为一个需要构建的“量化因子”或“量化模型”来阐述其构建思路、具体过程和公式。 因此，根据任务要求，本报告中**没有**需要总结的量化模型或量化因子内容。 **量化模型与构建方式** （无相关内容） **模型的回测效果** （无相关内容） **量化因子与构建方式** （无相关内容） **因子的回测效果** （无相关内容）

量化模型与构建方式 1. **模型名称：利率市场结构指标（水平、期限、凸性）**[1][7] * **模型构建思路**：通过主成分分析（PCA）等方法，将1至10年期国债的到期收益率（YTM）曲线分解为三个正交的结构性因子，分别代表利率的整体水平、期限利差和曲率变化，用以定量描述利率市场的结构状态[7]。 * **模型具体构建过程**：将不同期限（1-10年）的国债YTM序列进行主成分分析。前三个主成分分别对应： 1. **水平结构**：代表收益率曲线的平行移动，是所有期限收益率变动的共同部分。 2. **期限结构**：代表收益率曲线的斜率变化，反映长短期利差。 3. **凸性结构**：代表收益率曲线的曲率变化，反映中期收益率相对于长短端收益率的变动。 通过计算各主成分的得分，得到三个结构指标的读数。报告通过计算当前读数在历史滚动窗口（3年、5年、10年）内的分位数，来判断其处于“中性偏高”或“中性偏低”的状态[1][7]。 2. **模型名称：利率价量多周期择时模型**[6][10][24] * **模型构建思路**：采用核回归算法拟合利率（YTM）历史数据，识别并刻画其运行过程中的支撑线与阻力线形态。通过观察不同投资周期（长、中、短）下利率走势对形态的突破情况，生成交易信号，并综合多周期信号形成最终的择时观点[10][24]。 * **模型具体构建过程**： 1. **形态刻画**：使用核回归（一种非参数回归方法）对指定期限（如5年、10年、30年）国债的YTM时间序列进行平滑拟合，生成一条趋势线。通过算法识别该趋势线在特定时间窗口内的高点和低点，分别连接形成“阻力线”和“支撑线”，构成一个动态的通道形态[10]。 2. **周期设定**：设定长、中、短三种投资周期，其信号平均切换频率分别为月度、双周度和周度[10][21]。 3. **信号生成**：在每个周期视角下，判断最新利率数据是否向上突破阻力线或向下突破支撑线，分别记为“向上突破”或“向下突破”信号，若无突破则为“无信号”[6][10]。 4. **信号综合**：统计三个周期中“向上突破”和“向下突破”的票数。若某一方向的突破总票数达到或超过2票（即2/3多数），则生成明确的看多或看空信号；否则，结果为中性震荡。对于边界情况（如信号刚由空转中但看空情绪未完全消散），会给出“中性偏空”等细化判断[6][10][17]。 模型的回测效果 1. **基于5年期国债YTM的价量多周期交易策略**[6][29] * **长期表现（2007.12.31至今）**：年化收益率5.48%，最大回撤2.88%，收益回撤比1.91，相对久期等权基准的年化超额收益率1.07%，超额收益回撤比0.62[29]。 * **短期表现（2024年底以来）**：年化收益率2.11%，最大回撤0.59%，收益回撤比3.57，相对久期等权基准的年化超额收益率0.87%，超额收益回撤比2.36[6][29]。 * **胜率（2008年以来逐年统计）**：绝对收益大于0的胜率100%，超额收益大于0的胜率100%[6][29]。 2. **基于10年期国债YTM的价量多周期交易策略**[6][28] * **长期表现（2007.12.31至今）**：年化收益率6.06%，最大回撤2.74%，收益回撤比2.21，相对久期等权基准的年化超额收益率1.65%，超额收益回撤比1.16[28]。 * **短期表现（2024年底以来）**：年化收益率2.39%，最大回撤0.58%，收益回撤比4.14，相对久期等权基准的年化超额收益率1.36%，超额收益回撤比3.35[6][28]。 * **胜率（2008年以来逐年统计）**：绝对收益大于0的胜率100%，超额收益大于0的胜率100%[6][28]。 3. **基于30年期国债YTM的价量多周期交易策略**[6][33] * **长期表现（2007.12.31至今）**：年化收益率7.34%，最大回撤4.27%，收益回撤比1.72，相对久期等权基准的年化超额收益率2.43%，超额收益回撤比0.87[33]。 * **短期表现（2024年底以来）**：年化收益率3.03%，最大回撤0.92%，收益回撤比3.31，相对久期等权基准的年化超额收益率2.97%，超额收益回撤比3.28[6][33]。 * **胜率（2008年以来逐年统计）**：绝对收益大于0的胜率94.44%，超额收益大于0的胜率94.44%[33]。 量化因子与构建方式 1. **因子名称：水平结构因子**[1][7] * **因子构建思路**：提取国债收益率曲线变动中的第一主成分，反映利率的整体水平变化[7]。 * **因子具体构建过程**：对1-10年期国债YTM序列进行主成分分析，取第一个主成分（解释方差最大的成分）的得分作为该因子的取值。该因子代表了收益率曲线的平行移动[7]。 2. **因子名称：期限结构因子**[1][7] * **因子构建思路**：提取国债收益率曲线变动中的第二主成分，反映长短期利率的利差变化[7]。 * **因子具体构建过程**：对1-10年期国债YTM序列进行主成分分析，取第二个主成分的得分作为该因子的取值。该因子代表了收益率曲线的斜率变化[7]。 3. **因子名称：凸性结构因子**[1][7] * **因子构建思路**：提取国债收益率曲线变动中的第三主成分，反映收益率曲线的曲率变化[7]。 * **因子具体构建过程**：对1-10年期国债YTM序列进行主成分分析，取第三个主成分的得分作为该因子的取值。该因子代表了收益率曲线中间部分相对于两端的弯曲程度[7]。

量化模型与构建方式 1. **模型名称：成交量模型**[9][12] * **模型构建思路**：基于价量关系进行市场择时，认为成交量变化蕴含市场情绪和趋势信息[9]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 2. **模型名称：特征龙虎榜机构模型**[12] * **模型构建思路**：利用龙虎榜中机构投资者的买卖行为特征来构建择时信号[12]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 3. **模型名称：特征成交量模型**[12] * **模型构建思路**：基于更精细或具有特定特征的成交量数据（可能与普通成交量不同）进行择时[12]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 4. **模型名称：智能算法模型（沪深300/中证500）**[12] * **模型构建思路**：运用智能算法（如机器学习）对市场数据进行建模，以生成择时信号[12]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 5. **模型名称：涨跌停模型**[13] * **模型构建思路**：通过分析市场中涨停和跌停股票的数量或比例等特征来研判市场情绪和强度[9][13]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 6. **模型名称：上下行收益差模型**[13] * **模型构建思路**：通过计算市场上涨阶段与下跌阶段的收益差异，来衡量市场的内在动能和趋势[9][13]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 7. **模型名称：月历效应模型**[13] * **模型构建思路**：基于历史数据中存在的特定月份或时间窗口的规律性收益模式进行择时[13]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 8. **模型名称：长期动量模型**[14] * **模型构建思路**：利用长期的价格动量效应，即过去表现较好的资产未来继续表现较好的趋势，进行择时[9][14]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 9. **模型名称：A股综合兵器V3模型**[15] * **模型构建思路**：这是一个综合性的择时模型，可能耦合了多个周期、多个策略的信号，以达到攻守兼备的效果[9][15]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 10. **模型名称：A股综合国证2000模型**[15] * **模型构建思路**：针对国证2000指数构建的综合择时模型[15]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 11. **模型名称：成交额倒波幅模型（港股）**[16] * **模型构建思路**：结合成交额和波动率（波幅）的倒数关系来对港股市场进行择时[16]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 12. **模型名称：恒生指数上下行收益差模型（港股）**[16] * **模型构建思路**：针对恒生指数，计算其上行与下行的收益差来构建择时信号[16]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 13. **模型名称：双底形态选股策略**[42][51] * **模型构建思路**：基于技术分析中的“双底”形态进行选股，该形态通常被视为看涨反转信号[42]。 * **模型具体构建过程**：识别股价走势中形成的两个近似低点（A点和C点）及之间的反弹高点（B点），当股价突破B点与A点连线构成的颈线位时，视为形态突破，产生买入信号[51]。报告展示了具体个股的A、B、C点日期及突破时点[51][54]。 14. **模型名称：杯柄形态选股策略**[42][45] * **模型构建思路**：基于技术分析中的“杯柄”形态进行选股，该形态是持续看涨的整理形态[42]。 * **模型具体构建过程**：识别股价先下跌后回升形成的“U”形杯状区域（A点到B点），随后在一段较小的回调整理（柄部，B点到C点）后，股价放量突破柄部高点，视为形态突破，产生买入信号[45]。报告展示了具体个股的A、B、C点日期及突破时点[45][55]。 15. **模型名称：倒杯子形态风险监控**[60] * **模型构建思路**：识别技术分析中的“倒杯子”形态，该形态被视为典型的负向形态，预示股价可能延续下跌趋势[60]。 * **模型具体构建过程**：在一波下跌后的反弹筑顶过程中，识别顶部形态，当股价再次下跌并实现向下突破时，确认该负面形态[60]。报告展示了具体个股的形态关键点（A、C、E点）[60]。 模型的回测效果 1. **双底形态组合**，本周收益0.13%，同期上证综指涨跌幅0.37%，本周相对收益-0.23%，自2020年12月31日至今累计收益14.14%，累计超额收益1.77%[42]。 2. **杯柄形态组合**，本周收益-0.23%，同期上证综指涨跌幅0.37%，本周相对收益-0.59%，自2020年12月31日至今累计收益10.57%，累计超额收益-1.8%[42]。 3. **上周杯柄形态突破个股**（30只），上周平均超额收益0.09%[43]。 4. **上周双底形态突破个股**（17只），上周平均超额收益1.17%[49]。 量化因子与构建方式 * 报告提及监控了33个“大师系列”量化选股策略，涉及价值型、成长型、综合型，但未详细阐述具体因子的构建方式[35]。 因子的回测效果 * 报告未提供具体因子的测试结果取值。

量化模型与构建方式 1. **模型名称：A股景气指数模型**[30] * **模型构建思路**：以上证指数归母净利润同比为Nowcasting目标，构建一个反映A股景气度的高频指数，用于观测和预测经济景气周期[30]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅说明其构建目标和方法。详细构建过程需参考其提及的关联报告《视角透析：A股景气度高频指数构建与观察》[30]。 2. **模型名称：A股情绪指数模型**[34] * **模型构建思路**：基于市场波动率和成交额的变化方向来刻画市场情绪，通过构建“波动-成交情绪时钟”来划分市场状态，并据此生成见底和见顶预警信号[34]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。其核心逻辑是将市场状态根据波动率（上/下）和成交额（上/下）划分为四个象限，并统计各象限的历史收益特征，以此作为情绪判断和择时的依据[34]。详细构建过程需参考其提及的关联报告《视角透析：A股情绪指数构建与观察》[34]。 3. **模型名称：主题挖掘算法模型**[48] * **模型构建思路**：通过处理新闻和研报文本，提取主题关键词、挖掘主题与个股关系、构建主题活跃周期和影响力因子等多个维度，来识别和描述主题投资机会[48]。 * **模型具体构建过程**：报告未提供该算法的具体构建公式和详细步骤，仅概述了其包含的多个处理维度[48]。 4. **模型名称：中证500指数增强模型**[48] * **模型构建思路**：通过量化策略模型构建投资组合，旨在持续稳定地跑赢中证500指数基准[48]。 * **模型具体构建过程**：报告未披露该增强模型的具体因子构成、权重配置及组合优化公式，仅展示了其持仓明细和业绩表现[48][50]。 5. **模型名称：沪深300指数增强模型**[55] * **模型构建思路**：通过量化策略模型构建投资组合，旨在持续稳定地跑赢沪深300指数基准[55]。 * **模型具体构建过程**：报告未披露该增强模型的具体因子构成、权重配置及组合优化公式，仅展示了其持仓明细和业绩表现[55][56]。 6. **模型/因子框架名称：BARRA风格因子模型**[60] * **模型构建思路**：参照BARRA因子模型框架，为A股市场构建一套系统的风格因子体系，用于描述股票收益的风险来源，并进行组合绩效归因分析[60][68]。 * **模型具体构建过程**：报告列出了所构建的十大类风格因子名称，包括：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）和杠杆（LVRG）[60]。但未提供每个因子的具体计算公式。 量化因子与构建方式 1. **因子名称：市值因子 (SIZE)**[60] * **因子构建思路**：衡量公司规模大小的风格因子。 * **因子具体构建过程**：报告未提供具体计算公式。 2. **因子名称：BETA因子**[60] * **因子构建思路**：衡量股票相对于市场整体波动性的风格因子。 * **因子具体构建过程**：报告未提供具体计算公式。 3. **因子名称：动量因子 (MOM)**[60] * **因子构建思路**：衡量股票价格趋势延续性的风格因子。 * **因子具体构建过程**：报告未提供具体计算公式。 4. **因子名称：残差波动率因子 (RESVOL)**[60] * **因子构建思路**：衡量股票特异性风险（剔除市场风险后的波动）的风格因子。 * **因子具体构建过程**：报告未提供具体计算公式。 5. **因子名称：非线性市值因子 (NLSIZE)**[60] * **因子构建思路**：捕捉市值因子非线性效应的风格因子。 * **因子具体构建过程**：报告未提供具体计算公式。 6. **因子名称：估值因子 (BTOP， Book-to-Price)**[60] * **因子构建思路**：衡量股票估值水平的风格因子，通常为账面市值比。 * **因子具体构建过程**：报告未提供具体计算公式。 7. **因子名称：流动性因子 (LIQUIDITY)**[60] * **因子构建思路**：衡量股票交易活跃度与变现难易程度的风格因子。 * **因子具体构建过程**：报告未提供具体计算公式。 8. **因子名称：盈利因子 (EARNINGS_YIELD)**[60] * **因子构建思路**：衡量公司盈利能力的风格因子。 * **因子具体构建过程**：报告未提供具体计算公式。 * **因子评价**：报告指出，从近期因子表现来看，高盈利股表现优异[2][61]。 9. **因子名称：成长因子 (GROWTH)**[60] * **因子构建思路**：衡量公司成长能力的风格因子。 * **因子具体构建过程**：报告未提供具体计算公式。 10. **因子名称：杠杆因子 (LVRG)**[60] * **因子构建思路**：衡量公司财务杠杆水平的风格因子。 * **因子具体构建过程**：报告未提供具体计算公式。 * **因子评价**：报告指出，从近期因子表现来看，杠杆等因子表现不佳[2][61]。 模型的回测效果 1. **中证500增强模型**，本周收益0.60%，跑输基准0.34%[48]。2020年至今，累计超额收益49.21%，最大回撤-5.73%[48]。 2. **沪深300增强模型**，本周收益1.40%，跑赢基准0.12%[55]。2020年至今，累计超额收益38.20%，最大回撤-5.86%[55]。 3. **A股情绪指数系统择时模型**，报告通过图表展示了其择时表现，但未给出具体的绩效指标数值[45]。 因子的回测效果 *注：报告未提供单个因子长期回测的绩效指标（如IC、IR、多空收益等）。仅提供了近期（近一周）的风格因子纯因子收益率和相关性数据。* 1. **风格因子暴露相关性**：报告以矩阵形式展示了近一周十大类风格因子风险暴露之间的相关系数[62]。例如，流动性因子与Beta、动量、残差波动率呈现明显正相关性；价值因子与Beta、残差波动率、流动性等因子呈现明显负相关性[61][62]。 2. **风格因子纯因子收益率**：报告指出，近一周风格因子中，**盈利因子超额收益较高**，**残差波动率因子呈较为显著的负向超额收益**[2][61]。具体数值通过图表展示但未在文本中列出[70]。 3. **行业因子纯因子收益率**：报告指出，近一周有色金属、国防军工、通信等行业因子相对市场市值加权组合跑出较高超额收益，银行、传媒等行业因子回撤较多[2][61]。具体数值通过图表展示但未在文本中列出[65]。

量化模型与构建方式 1. **模型名称：行业主线模型（相对强弱RSI指标）**[1][4][9] * **模型构建思路**：通过构建行业层面的相对强弱指标，识别在每年特定时间窗口内表现强势的行业，这些行业有较大概率成为当年的市场主线[9]。 * **模型具体构建过程**： 1. 以31个申万一级行业指数为标的[9]。 2. 分别计算每个行业过去20、40、60个交易日的涨跌幅[9]。 3. 在每个时间窗口（20日、40日、60日）的横截面上，对所有行业的涨跌幅进行排名，并对排名进行归一化处理，得到三个归一化排名值：RS_20, RS_40, RS_60[9]。 4. 对三个排名值取平均，得到最终的行业相对强弱指数RS[9]。 $$ RS = (RS\_20 + RS\_40 + RS\_60) / 3 $$ * **模型评价**：该模型旨在提前识别年度领涨行业，为年度主线判断提供参考[9]。 2. **模型名称：行业景气度-趋势-拥挤度框架（右侧行业轮动模型）**[1][2][6][13] * **模型构建思路**：构建一个包含景气度、趋势、拥挤度三个维度的综合评价框架，并衍生出两种具体的行业轮动方案，以适应不同的市场环境[6][13]。 * **模型具体构建过程**： * **框架核心**：对每个行业，分别计算其**景气度**、**趋势**和**拥挤度**指标，并在三维图谱中进行可视化定位（例如，横轴为景气度，纵轴为趋势，气泡大小和颜色代表拥挤度）[6][8][17]。 * **衍生方案一：行业景气模型（高景气-强趋势）**：以景气度为核心，筛选高景气且趋势强的行业，同时利用拥挤度指标规避高拥挤的风险，该方案进攻性较强[13]。 * **衍生方案二：行业趋势模型（强趋势-低拥挤）**：以市场趋势为核心，筛选趋势强且拥挤度低的行业，同时规避低景气行业，该方案思路简单，持有体验感强[13]。 3. **模型名称：左侧库存反转模型**[4][24] * **模型构建思路**：从赔率-胜率角度出发，在处于困境或困境有所反弹的板块中，挖掘分析师长期看好且库存压力不大、具备补库条件的行业，以捕捉行业困境反转行情[24]。 * **模型具体构建过程**：报告未详细描述具体构建公式和步骤，但提及其核心逻辑是结合行业库存周期、分析师预期和赔率胜率进行筛选[24]。 4. **模型名称：行业景气趋势ETF配置模型**[18] * **模型构建思路**：将“行业景气度-趋势-拥挤度框架”应用于可交易的行业ETF上，构建具体的ETF配置组合[18]。 * **模型具体构建过程**：基于行业景气度模型得出的行业配置权重，选择对应跟踪指数的规模最大的ETF进行投资[18][20]。 5. **模型名称：行业景气度选股模型（叠加PB-ROE）**[20][21] * **模型构建思路**：在行业配置模型确定行业权重的基础上，在行业内使用PB-ROE模型进一步筛选估值性价比高的个股，构建股票投资组合[20]。 * **模型具体构建过程**： 1. 根据行业配置模型确定各行业的配置权重[20]。 2. 在每个行业内，使用PB-ROE模型筛选出估值性价比位于前40%的股票[20]。 3. 对筛选出的股票，按流通市值和PB-ROE打分进行加权，得到最终的股票组合权重[20]。 量化因子与构建方式 1. **因子名称：行业相对强弱指数（RS）**[9] * **因子构建思路**：综合多个时间窗口的行业涨跌幅排名，构建一个反映行业相对市场整体强弱程度的指标[9]。 * **因子具体构建过程**： 1. 计算行业过去N日涨跌幅（N=20, 40, 60）[9]。 2. 在每个截面上，对31个行业的涨跌幅进行排名，得到排名值 Rank_N[9]。 3. 对排名进行归一化处理，例如将排名转换为百分比排名，得到RS_N[9]。 4. 将三个时间窗口的归一化排名求平均值，得到最终RS因子值[9]。 $$ RS = (RS\_20 + RS\_40 + RS\_60) / 3 $$ 2. **因子名称：行业景气度**[13][17] * **因子构建思路**：衡量行业基本面的繁荣程度。报告未给出具体计算公式，但从图表坐标轴可知，该因子是一个标准化后的数值，用于横向比较行业间的景气水平[17]。 3. **因子名称：行业趋势**[13][17] * **因子构建思路**：衡量行业价格动量的强弱。报告未给出具体计算公式，但从图表坐标轴可知，该因子是一个标准化后的数值，用于横向比较行业间的趋势强度[17]。 4. **因子名称：行业拥挤度**[6][13][17] * **因子构建思路**：衡量行业交易的热度或风险程度，用于提示风险。拥挤度高的行业（红色气泡）应尽量规避，拥挤度低的行业（蓝色气泡）更安全[6][17]。报告未给出具体计算公式。 5. **因子名称：PB-ROE**[20] * **因子构建思路**：结合市净率（PB）和净资产收益率（ROE）来评估股票的估值性价比，低PB高ROE代表估值性价比高[20]。 * **因子具体构建过程**：报告未详细描述具体构建公式，但提及用于在行业内筛选排名前40%的股票[20]。 模型的回测效果 （基准：Wind全A指数，除非特别说明） 1. **行业景气度-趋势-拥挤度框架（行业配置模型）**，年化收益21.7%，年化超额收益13.8%，信息比率(IR)1.5，超额最大回撤-8.0%，月度胜率67%[13]。 2. **行业景气趋势ETF配置模型**（基准：中证800），年化超额收益16.2%，信息比率(IR)1.8，超额最大回撤10.8%，月度胜率66%[18]。 3. **行业景气度选股模型（叠加PB-ROE）**，年化收益26.3%，年化超额收益19.7%，信息比率(IR)1.7，超额最大回撤-15.4%，月度胜率69%[21]。 4. **左侧库存反转模型**（基准：行业等权），2025年（至11月底）绝对收益25.4%，相对行业等权超额收益5.4%[24]。 因子的回测效果 （报告未提供单个因子的独立回测指标值，如IC、IR等，仅提供了整合因子后的模型表现）

量化模型与构建方式 1. **模型名称：量能择时模型**[24][25] * **模型构建思路**：通过分析主要宽基指数的成交量变化，判断市场短期走势，给出看多或谨慎（空）的观点[24]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建公式和步骤，仅展示了其应用结果。模型对多个宽基指数（上证指数、上证50、沪深300、中证500、中证1000、创业板指、北证50）分别生成择时信号[25]。 2. **模型名称：沪深300上涨家数占比择时模型**[25][27][29] * **模型构建思路**：通过计算沪深300指数成分股中近期上涨股票的数量占比，来判断市场情绪和趋势，并利用快慢线交叉原理生成交易信号[25][27]。 * **模型具体构建过程**： 1. 首先计算基础指标：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[25]。报告中N=230[27]。 2. 对基础指标进行平滑处理：分别计算窗口期为N1和N2的移动平均线，作为慢线和快线，其中N1>N2。报告中N1=50，N2=35[27][29]。 3. 生成信号：当快线大于慢线时，看多沪深300指数；当快线小于慢线时，对市场持中性或谨慎态度[27][29]。 3. **模型名称：均线情绪指标择时模型**[33] * **模型构建思路**：通过计算沪深300指数收盘价与一组长期均线的相对位置，判断指数的趋势状态，并据此生成看多或看空的情绪信号[33]。 * **模型具体构建过程**： 1. 计算八条均线：参数分别为8, 13, 21, 34, 55, 89, 144, 233[33]。 2. 计算当日沪深300指数收盘价大于这八条均线指标值的数量[33]。 3. 生成信号：当价格大于均线的数量超过5时，看多沪深300指数[33]。 模型的回测效果 （注：报告未提供上述择时模型具体的回测绩效指标，如年化收益率、夏普比率、最大回撤等数值结果。） 量化因子与构建方式 1. **因子名称：横截面波动率**[37][38] * **因子构建思路**：计算特定指数（如沪深300、中证500、中证1000）成分股在横截面上的收益率波动率，用以衡量市场分化程度和Alpha策略的盈利环境[37]。 * **因子具体构建过程**：报告未给出具体的计算公式，但指出该因子用于观察短期Alpha环境的好坏。横截面波动率上升通常意味着Alpha环境好转[37]。 2. **因子名称：时间序列波动率**[38][41] * **因子构建思路**：计算指数成分股加权的时间序列波动率，用以衡量市场整体波动水平和Alpha环境[38]。 * **因子具体构建过程**：报告未给出具体的计算公式，但指出该因子用于观察Alpha环境。时间序列波动率上升通常意味着Alpha环境好转[38]。 3. **因子名称：抱团基金分离度**[77] * **因子构建思路**：通过计算抱团基金组合截面收益的标准差，作为基金抱团程度的代理变量。标准差小表示抱团程度高，标准差大表示抱团正在瓦解[77]。 * **因子具体构建过程**：具体计算方式为抱团基金截面收益的标准差[77]。 因子的回测效果 1. **横截面波动率因子**，近两年平均值：沪深300为1.92%，中证500为2.11%，中证1000为2.31%[38]。近一年平均值：沪深300为1.88%，中证500为2.12%，中证1000为2.39%[38]。近半年平均值：沪深300为1.98%，中证500为2.15%，中证1000为2.39%[38]。近一季度平均值：沪深300为2.14%，中证500为2.33%，中证1000为2.52%[38]。 2. **时间序列波动率因子**，近两年平均值：沪深300为0.65%，中证500为0.47%，中证1000为0.26%[41]。近一年平均值：沪深300为0.61%，中证500为0.45%，中证1000为0.25%[41]。近半年平均值：沪深300为0.62%，中证500为0.45%，中证1000为0.24%[41]。近一季度平均值：沪深300为0.67%，中证500为0.50%，中证1000为0.27%[41]。

量化模型与构建方式 1. **模型名称：宽基轮动策略**[13] * **模型构建思路**：基于市场情绪热度变化进行宽基指数轮动。认为不同宽基指数（如沪深300、中证500等）成分股的总热度周度变化率（经平滑处理）可以反映资金流向和市场情绪，选择热度上升最快的宽基进行投资，若热度上升最快的是非主流股票（“其他”组），则空仓以规避风险[11][13]。 * **模型具体构建过程**： 1. **数据准备**：将全A股按沪深300、中证500、中证1000、中证2000以及“其他”进行分组[8]。 2. **计算组内总热度**：对每个组内的所有成分股，计算其“个股总热度指标”的加和，得到该宽基（或“其他”组）的“总热度”指标[7][8]。 3. **计算热度变化率**：计算每个宽基（及“其他”组）总热度的周度变化率[11]。 4. **平滑处理**：对周度变化率取2周移动平均（MA2）进行平滑[11]。 5. **交易信号**：在每周最后一个交易日，买入总热度变化率MA2最大的宽基指数。如果变化率最大的为“其他”组，则选择空仓[13]。 6. **执行**：按信号等权买入对应宽基指数。 2. **模型名称：热门概念内低热度选股策略**[29] * **模型构建思路**：在短期受行为因素影响较大的热门概念板块中，选择板块内关注度（热度）最低的个股。逻辑在于热门概念中最高关注度的个股可能已充分定价，而低关注度个股存在反应不足或补涨机会[29]。 * **模型具体构建过程**： 1. **筛选热门概念**：在每周最后一个交易日，选出本周总热度变化率最大的5个概念[29]。 2. **构建备选股票池**：将这5个热门概念对应的所有成分股作为初始股票池，并排除其中流通市值最小的20%的股票[29]。 3. **构建TOP组合**：从每个热门概念的备选股票池中，选出“个股总热度指标”排名前10的个股，等权构建“热度TOP组合”[29]。 4. **构建BOTTOM组合**：从每个热门概念的备选股票池中，选出“个股总热度指标”排名最后10的个股，等权构建“热度BOTTOM组合”[29]。 模型的回测效果 1. **宽基轮动策略**，年化收益率8.74%，最大回撤23.5%，2025年收益31.4%[16]。 2. **热门概念内低热度选股策略（BOTTOM组合）**，年化收益15.71%，最大回撤28.89%，2025年收益40.2%[31]。 量化因子与构建方式 1. **因子名称：个股总热度指标**[7] * **因子构建思路**：通过加总个股的浏览、自选与点击次数，并做归一化处理，构建一个衡量市场对单只股票关注度（情绪热度）的代理指标[7]。 * **因子具体构建过程**： 1. 获取股票i在交易日t的浏览次数、加入自选次数、点击次数。 2. 将上述三个次数相加，得到原始热度值。 3. 计算该原始热度值在当日全市场所有股票总原始热度值中的占比，进行归一化。 4. 将归一化后的数值乘以10000，使因子取值区间落在[0, 10000]。 $$个股总热度指标_{i,t} = \frac{(浏览_{i,t} + 自选_{i,t} + 点击_{i,t})}{\sum_{j=1}^{N}(浏览_{j,t} + 自选_{j,t} + 点击_{j,t})} \times 10000$$ 其中，分母为当日全市场所有股票（共N只）的原始热度值总和[7]。 2. **因子名称：宽基/行业/概念总热度**[7] * **因子构建思路**：将属于同一宽基指数、同一行业或同一概念的所有成分股的“个股总热度指标”进行加总，得到更高层面的情绪热度代理变量，用于追踪市场对特定板块的整体关注度[7]。 * **因子具体构建过程**：对于给定的宽基指数G（或行业、概念），在交易日t，将其所有成分股的“个股总热度指标”进行求和。 $$总热度_{G,t} = \sum_{i \in G} 个股总热度指标_{i,t}$$ 其中，i为属于组G的成分股[7][8]。 3. **因子名称：热度周度变化率MA2**[11][20][27] * **因子构建思路**：计算宽基、行业或概念“总热度”指标的周度环比变化率，并采用2周移动平均进行平滑，以捕捉热度边际变化的趋势，减少噪声[11][20]。 * **因子具体构建过程**： 1. 计算对象（宽基、行业或概念）在第w周的“总热度”均值（或周末值）。 2. 计算周度变化率：$$变化率_w = \frac{总热度_w - 总热度_{w-1}}{总热度_{w-1}}$$ 3. 对变化率序列取2周移动平均（MA2）：$$变化率MA2_w = \frac{变化率_w + 变化率_{w-1}}{2}$$[11] 4. **因子名称：估值历史分位数**[38][41] * **因子构建思路**：计算宽基指数或行业当前估值（如PE）在历史序列中所处的位置（分位数），以判断其相对历史水平的估值高低[38][41]。 * **因子具体构建过程**： 1. **确定估值指标与回溯窗口**：例如，对宽基指数采用滚动5年窗口计算PE_TTM的历史分位数[38]；对行业采用从2015年起始的固定窗口[41]。 2. **计算历史分位数**：将当前估值指标值（如PE_TTM）放入历史时间序列中，计算其百分位排名。 $$估值历史分位数_t = \frac{历史序列中小于等于当前估值值的样本数}{历史序列总样本数} \times 100\%$$ 用于监控市场估值状态[38][41]。 因子的回测效果 （报告中未提供单个因子的独立测试结果，如IC、IR等，仅展示了基于因子构建的策略组合表现）