量化模型与构建方式 1. **模型/因子名称：250日新高距离**[11] * **构建思路**：该指标用于衡量当前价格相对于过去一段时间内最高价格的回落幅度，是趋势跟踪和动量策略中的一个关键度量。当价格创出新高时，该值为0；价格从高点回落时，该值为正，表示回落的百分比。[11] * **具体构建过程**：计算最新收盘价与过去250个交易日最高收盘价的相对距离。 * 公式为： $$250 日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ * 其中，`Closet` 代表最新收盘价，`ts_max(Close, 250)` 代表过去250个交易日收盘价的最大值。[11] 2. **模型名称：平稳创新高股票筛选模型**[26][28] * **构建思路**：该模型旨在从近期创出250日新高的股票中，进一步筛选出具有更强趋势延续潜力的“平稳创新高”股票。其理论基础在于，遵循平滑价格路径的动量股相比跳跃式上涨的动量股，未来表现可能更优（“温水煮青蛙”效应）。[26] * **具体构建过程**：采用多步骤条件筛选法。 1. **初选股票池**：筛选出过去20个交易日内曾创出250日新高的股票。[19][26] 2. **分析师关注度筛选**：要求过去3个月内，获得“买入”或“增持”评级的分析师研报不少于5份。[28] 3. **股价相对强弱筛选**：要求过去250日涨跌幅位于全市场前20%。[28] 4. **股价平稳性与创新高持续性筛选**：在满足上述条件的股票池内，使用两个指标综合打分，并选取排名在前50%的股票。 * **价格路径平滑性**：使用股价位移路程比进行度量。具体公式在报告中以文字描述为：“过去 120 日涨跌幅的绝对值”除以“过去 120 日日涨跌幅绝对值加总”。[26] * **创新高持续性**：使用过去120日的250日新高距离在时间序列上的均值进行度量。[28] 5. **趋势延续性筛选**：计算过去5日的250日新高距离在时间序列上的均值，并选取该值排序靠前的50只股票作为最终输出。[28] 模型的回测效果 *本报告为市场监测周报，主要展示截至特定日期的指标截面数据，未提供模型或因子在历史时间序列上的回溯测试绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。因此，本部分无相关测试结果取值。* 量化因子与构建方式 1. **因子名称：价格路径平滑性（股价位移路程比）**[26] * **构建思路**：该因子用于量化股价上涨路径的平稳程度。理论认为，平稳上涨的股票相比剧烈波动的股票，其动量效应可能更持续。[26] * **具体构建过程**：计算一定期间内（报告中为120日）的总涨幅绝对值与期间内每日涨跌幅绝对值之和的比值。 * 公式的文字描述为： $$价格路径平滑性 = \frac{过去 120 日涨跌幅的绝对值}{过去 120 日日涨跌幅绝对值加总}$$[26] * 该比值越接近1，表明股价路径越直接、平滑；比值越小，表明股价路径越曲折、波动越大。 2. **因子名称：创新高持续性**[28] * **构建思路**：该因子用于度量股票在近期维持接近其价格高点的能力，即创新高状态的持续性。[28] * **具体构建过程**：计算股票在过去一段时间内（报告中为120日）的“250日新高距离”的时间序列均值。 * 因子值越小，表明股票在近期越持续地接近或创出新高。 3. **因子名称：趋势延续性**[28] * **构建思路**：该因子用于捕捉短期内的趋势强度，通过计算最近几日（报告中为5日）的“250日新高距离”均值来反映股票是否在持续逼近新高。[28] * **具体构建过程**：计算股票在过去5个交易日的“250日新高距离”的时间序列均值。 * 因子值越小，表明股票在近期越强劲地延续其上涨趋势。 因子的回测效果 *本报告为市场监测周报，主要展示截至特定日期的指标截面数据，未提供因子在历史时间序列上的IC、IR、多空收益等回溯测试绩效指标。因此，本部分无相关测试结果取值。*

量化模型与构建方式 1. 模型名称：宏观因子优选风格配置策略 - **模型构建思路**：基于经济增长、通货膨胀、货币信贷三大维度的宏观经济指标，构建宏观单因子库，通过“分组构建法”分别研判“大/小市值”和“高/低估值”两组风格的轮动信号，再动态优选并复合有效因子，最终形成对四个宽基指数（中证红利、创业板指、上证50、中证1000）的配置权重[1][13]。 - **模型具体构建过程**： 1. **宏观单因子构建**：从三大维度（经济增长、通货膨胀、货币信贷）选取宏观指标（如PMI、CPI、M2等）[25]。对每个指标，从四个方向进行衍生：[26] - **指标原值**：使用指标的原始值（如同比、环比）。 - **趋势动量**：计算指标在特定周期（如3、6、9、12、18、24个月）内的变化率。$$趋势动量 = \frac{当前值 - N个月前值}{N个月前值}$$[28] - **均线斜率**：计算指标在特定周期（如3、6、9、12、24个月）移动平均线的斜率。 - **均线偏离度**：计算指标当前值与其特定周期（如3、6、9、12、24个月）移动平均线的偏离程度。 最终构建包含429个单因子的因子库[29]。 2. **单因子逻辑净值化（分组构建法）**：对每个宏观单因子，分别针对“大/小市值”和“高/低估值”两组风格独立生成交易信号和策略净值[43]。 - **信号逻辑**：根据预设的经济学逻辑（如图表8）将因子值转化为风格占优判断[30]。例如，CPI同比>0时，判断为利好大盘风格（上证50）和低估值风格（中证红利）[33][51]。 - **换仓机制**：在宏观数据披露日（PIT）实时建模并交易。若数据在14:00前发布，则当日收盘价交易；若在14:00后发布，则次日收盘价交易[17][35][36]。 - **业绩基准**： - 大小市值组合基准：上证50与中证1000的日度等权收益率[43]。 - 高低估值组合基准：中证红利与创业板指的日度等权收益率[43]。 每个单因子会生成两条独立的策略净值（分别对应两组风格），共得到918条单因子策略净值[46]。 3. **因子动态优选与复合**： - **Step1 单因子策略打分**：每月末，计算每条单因子策略净值的长期动量（近1年超额收益率）和短期动量（近2周超额收益率）[66]。对全部918条净值的长、短期动量值分别进行排序（Rank），然后将两个Rank值等权相加得到综合得分[68][69]。 - **Step2 单因子策略优选**：采用“不分层”模式，直接从全部单因子策略池中选取综合得分排名最高的10个策略，构成当期优选因子池[74][79]。 - **Step3 优选因子复合**：将优选出的10个策略按其对应的风格（大小市值或高低估值）分组。对每组内的因子信号，采用“等权投票器”方式进行复合，即统计看多某风格（如大盘）的因子数量占比，得到两组风格的复合信号（数值在-1到1之间）[87][88][89]。 - **Step4 确定目标持仓**：根据复合信号确定占优的风格指数（如大盘信号为1则选中证50，为-1则选中证1000）。两组风格指数间的配置权重（w_scale : w_value）不采用等权，而是根据优选池中两组风格因子的数量占比（N1:N2）进行加权，认为因子数量越多，信号“可信度”越高[92][93][94][98]。 - **模型评价**：该方法较传统宏观建模方法效率更高，对市场状态变化的滞后性更低，且能通过分组建模清晰刻画不同宏观因子对各类风格定价的有效性差异[61]。 模型的回测效果 - **宏观因子优选风格配置策略**，年化收益率17.3%，超额收益最大回撤15.6%，超额卡玛比率1.17[2][99]。 - **宏观因子优选风格配置策略（按可信度加权方案）**，平均年化超额收益17.3%，超额净值最大回撤15.6%，超额卡玛比率1.11[97]。 - **宏观因子优选风格配置策略（等权方案）**，平均年化超额收益12.6%，超额净值最大回撤15.6%，超额卡玛比率0.81[97]。 量化因子与构建方式 （注：本报告中的“因子”主要指从宏观指标衍生出的、用于风格研判的信号，其构建过程已包含在上述模型的“宏观单因子构建”与“单因子逻辑净值化”部分，未单独列出具有阿尔法预测能力的传统量化因子。因此，此处不重复列出因子构建方式。） 因子的回测效果 （注：报告未提供单个宏观因子的具体回测指标（如IC、IR等），仅展示了单因子策略净值的整体有效性。因此，此处无具体因子指标取值。）

量化模型与构建方式 1. **模型名称**：风险溢价模型 * **模型构建思路**：以十年期国债即期收益率作为无风险利率的参考，计算股票宽基指数相对于该无风险利率的风险溢价，用以衡量其相对投资价值和偏离情况[27]。 * **模型具体构建过程**：风险溢价的计算公式为指数收益率减去无风险利率。在报告中，具体表现为各宽基指数的“当前风险溢价”值，该值应为指数自身的收益率（或隐含收益率，如市盈率倒数）与十年期国债即期收益率的差值[27][29]。模型通过计算该溢价的历史分位值、均值、波动率及标准差区间，来评估当前溢价在历史中所处的位置和极端程度[31]。 2. **模型名称**：股债性价比模型 * **模型构建思路**：通过比较股票估值隐含收益率与债券收益率之间的差异，构建股债性价比指标，以判断股票和债券资产的相对吸引力[41][43]。 * **模型具体构建过程**：股债性价比定义为股票指数市盈率（PE-TTM）的倒数与十年期国债即期收益率之差[41]。计算公式可表示为： $$股债性价比 = \frac{1}{PE-TTM} - R_f$$ 其中，$R_f$ 代表十年期国债即期收益率。报告通过计算该指标近5年的历史分位值（如80%分位值为机会值，20%分位值为危险值）来评估当前市场的股债相对价值[43][44]。 3. **模型/因子名称**：破净率 * **构建思路**：通过统计市净率（PB）小于1的个股数量及其在指数成分股中的占比，来反映市场整体的估值态度和悲观程度[51]。 * **具体构建过程**：对于每一个宽基指数，遍历其所有成分股。计算每只成分股的市净率（股价/每股净资产）。统计满足市净率 < 1 的个股数量，即为破净个股数。破净率计算公式为： $$破净率 = \frac{破净个股数}{指数成分股总数} \times 100\%$$ 该指标用于观察市场低估的普遍性[51][53]。 量化因子与构建方式 1. **因子名称**：均线相对位置因子 * **因子构建思路**：通过计算指数收盘价与不同周期移动平均线（MA）的比值或差值，来判断指数当前的趋势强度和相对于历史均值的偏离程度[15]。 * **因子具体构建过程**：首先计算指数的5日（MA5）、10日（MA10）、20日（MA20）、60日（MA60）、120日（MA120）和250日（MA250）移动平均线。然后，计算收盘价相对于各条均线的百分比偏离，公式为： $$vsMA_n = \frac{收盘价 - MA_n}{MA_n} \times 100\%$$ 其中，$n$ 代表不同的均线周期（5, 10, 20, 60, 120, 250）[15]。 2. **因子名称**：历史分位因子 * **因子构建思路**：将当前各类指标（如PE-TTM、股息率、风险溢价）的数值置于其自身历史数据序列中，计算其所处的百分位位置，以评估当前值在历史中的相对水平[37][40][48]。 * **因子具体构建过程**：以PE-TTM近5年历史分位值为例。首先，获取指数在过去5年（约1260个交易日）每个交易日的PE-TTM数据，形成一个时间序列。然后，将当前交易日的PE-TTM值与该历史序列进行比较。其分位值计算公式为： $$分位值 = \frac{历史序列中低于当前值的样本数}{历史序列总样本数} \times 100\%$$ 该因子同样应用于股息率、风险溢价等指标[40][49][31]。 3. **因子名称**：收益分布形态因子（偏度与峰度） * **因子构建思路**：通过计算指数日收益率分布的偏度和超额峰度，来描述收益分布的不对称性和尾部厚度，以捕捉市场情绪和极端风险的变化[22][24]。 * **因子具体构建过程**：基于指数近一年的日收益率序列进行计算。 * **偏度 (Skewness)**：衡量分布的不对称性。正偏态表示右尾较长，极端正收益较多；负偏态表示左尾较长，极端负收益较多[22]。计算公式为： $$偏度 = \frac{E[(R-\mu)^3]}{\sigma^3}$$ 其中，$R$为日收益率，$\mu$为序列均值，$\sigma$为标准差。 * **峰度 (Kurtosis)**：报告中计算的是超额峰度，即峰度减去正态分布峰度3[24]。用于衡量分布峰部的陡峭程度和尾部的厚度。正值越大，表示收益率分布比正态分布更集中且尾部更厚。计算公式为： $$超额峰度 = \frac{E[(R-\mu)^4]}{\sigma^4} - 3$$ 报告通过比较当前偏度/峰度与近5年均值的差异（当前vs.近5年）来观察形态变化[24]。 4. **因子名称**：股息率因子 * **因子构建思路**：计算指数的股息率，即现金分红回报率，作为价值投资和红利投资风格的衡量指标，尤其在市场低迷或利率下行期受到关注[46]。 * **因子具体构建过程**：指数股息率通常基于其成分股计算。报告中的“当前值”为指数整体的股息率，计算公式可理解为： $$股息率 \approx \frac{\sum (成分股近12个月现金分红总额)}{\sum (成分股总市值)} \times 100\%$$ 该因子用于跟踪指数的现金回报水平和估值状态[46][49]。 5. **因子名称**：交易活跃度因子（换手率） * **因子构建思路**：通过计算指数的换手率来衡量市场对该指数成分股的交易活跃程度和资金关注度[17]。 * **因子具体构建过程**：报告给出了指数换手率的计算方式： $$指数换手率 = \frac{\sum(成分股流通股本 \times 成分股换手率)}{\sum(成分股流通股本)}$$ 该因子是成分股换手率按其流通股本加权的平均值[17]。 模型的回测效果 *注：本报告为市场状态跟踪报告，未对上述模型进行历史回测并提供统一的绩效指标（如年化收益率、夏普比率、最大回撤等）。报告主要展示了各模型/因子在特定截止日（2026年4月2日）的输出结果和其在历史中的分位状态。* 因子的回测效果 *注：本报告为市场状态跟踪报告，未对上述因子进行因子测试并提供统一的因子IC、IR、多空收益等绩效指标。报告主要展示了各因子在特定截止日（2026年4月2日）的截面取值或时间序列值，以及其历史分位状态。*

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：风格组相对拥挤度模型 * **模型构建思路**：通过计算不同风格指数换手率的历史标准化值差异，来衡量某一风格相对于另一风格的交易拥挤程度，从而判断其配置风险或性价比[72][122]。 * **模型具体构建过程**： 1. 分别计算风格A指数和风格B指数的近252日平均换手率。 2. 将上述换手率序列在2005年1月1日以来的历史时间序列上进行Z-score标准化，得到Z-score_A与Z-score_B[122]。 3. 计算二者差值：$$Diff = Z\_score\_A - Z\_score\_B$$[122]。 4. 计算该差值序列的滚动6年历史分位数（若历史数据不足6年，则使用全部历史数据计算），该分位数即为风格A相对于风格B的相对拥挤度[122]。 2. **模型名称**：风格指数累计超额净值模型 * **模型构建思路**：以万得全A指数为基准，计算各风格指数相对于基准的累计超额收益，用以衡量风格的长期相对表现[123]。 * **模型具体构建过程**： 1. 以2020年1月4日为基准日，将各风格指数及万得全A指数的每日收盘价除以基准日收盘价，得到各自的累计净值[123]。 2. 将各风格指数每个交易日的累计净值，除以同一交易日的万得全A指数累计净值，得到各风格指数相对于万得全A指数的累计超额净值[123]。 3. **模型名称**：机构调研活跃度模型 * **模型构建思路**：通过标准化板块（指数、行业）的日均机构调研次数，并与市场整体水平比较，来衡量机构对特定板块的关注热度[124]。 * **模型具体构建过程**： 1. 计算板块（指数、行业）近n个交易日的“日均机构调研次数”[124]。 2. 将该日均次数在滚动y年的历史时间序列上进行z-score标准化[124]。 3. 将上述标准化值与万得全A指数的同期标准化结果作差，得到“机构调研活跃度”[124]。 4. 最后计算该“机构调研活跃度”的滚动y年历史分位数[124]。 * **参数设置**： * 长期口径：n取126（近半年），滚动窗口y为6年（历史数据量满3年且不足6年时，以全部历史数据进行计算）[124]。 * 短期口径：n取63（近一季度），滚动窗口y为3年（历史数据量满1年且不足3年时，以全部历史数据进行计算）[124]。 4. **模型名称**：股债性价比（ERP）模型 * **模型构建思路**：通过计算股票指数的盈利收益率与无风险利率（10年期国债收益率）之差，来衡量投资股票相对于债券的潜在超额收益，即风险溢价[52]。 * **模型具体构建过程**： 1. 计算股票指数的盈利收益率（Earnings Yield），即市盈率（PE_TTM）的倒数[52]。 2. 减去10年期中债国债到期收益率[52]。 3. 公式为：$$erp = \frac{1}{PE\_TTM} - 10年期国债到期收益率$$[52]。 5. **模型名称**：市场情绪风险模型（滚动季度夏普率） * **模型构建思路**：使用万得全A指数的滚动季度夏普率作为衡量市场情绪风险的指标，夏普率处于历史极端高位可能预示市场情绪过热，后续存在调整风险[38]。 * **模型具体构建过程**：报告中提及使用“滚动季度夏普率”，但未给出具体计算公式。通常，滚动夏普率的计算为在滚动时间窗口（例如一个季度）内，计算资产收益率均值除以收益率标准差。 6. **因子名称**：动量因子 * **因子构建思路**：以最近一年收益率减去最近一个月收益率（剔除涨停板）作为动量指标，筛选市场中动量特征强的股票[63]。 * **因子具体构建过程**：“长江动量”指数使用该因子构建，具体为：$$Momentum = Return_{(t-252, t-1)} - Return_{(t-22, t-1)} (排除涨停板)$$，并选择综合排名靠前的100只流动性较好的股票作为成分股[63]。 7. **因子名称**：反转因子 * **因子构建思路**：以最近一个月股票收益率作为筛选指标，选择市场中反转效应强的股票[63]。 * **因子具体构建过程**：“长江反转”指数使用该因子构建，具体为：$$Reversal = -Return_{(t-22, t-1)}$$，并选择综合排名靠前的100只流动性较好的股票作为成分股，采用近三个月日均成交量加权[63]。 模型的回测效果 1. **风格拥挤度模型**，成长 vs 红利相对拥挤度历史分位：69%[72]；小盘 vs 大盘相对拥挤度历史分位：6%[72]；微盘股 vs 中证800相对拥挤度历史分位：62%[72] 2. **风格超额净值模型**，成长较红利超额收益（近一周）：-0.8%[62][66]；小盘较大盘超额收益（近一周）：-0.5%[62][66]；微盘股较基金重仓超额收益（近一周）：0.2%[62][66]；动量较反转超额收益（近一周）：3.1%[62][66] 3. **股债性价比（ERP）模型**，万得全A指数ERP历史分位：56%[52][61]；沪深300指数ERP历史分位：62%[52][61]；创业板指数ERP历史分位：87%[52][61] 4. **市场情绪风险模型**，万得全A滚动季度夏普率状态：已下降至历史低位[38] 量化因子与构建方式 1. **因子名称**：成交热度因子 * **因子构建思路**：使用“周度日均自由流通换手率历史分位”来衡量板块或行业的交易活跃度相对于自身历史的水平[27]。 * **因子具体构建过程**：计算板块或行业当周的日均自由流通换手率，然后计算该值在其历史时间序列（报告中未明确起始点，通常为较长历史区间）上的历史分位数[27]。 2. **因子名称**：估值分位因子（PE_TTM） * **因子构建思路**：使用市盈率（TTM）的历史分位数来衡量指数、板块或行业当前估值在历史中所处的位置[43][50]。 * **因子具体构建过程**：计算指数、板块或行业当前的PE_TTM值，然后计算该值在2005年1月1日至今的历史时间序列上的百分位[36][50]。 因子的回测效果 1. **成交热度因子**，电力及公用事业行业成交热度历史分位：97%[27][36]；房地产行业成交热度历史分位：38%[27][36] 2. **估值分位因子（PE_TTM）**，万得全A指数PE_TTM历史分位：79%[42][50]；消费板块PE_TTM历史分位：14%（极低）[50]；电力设备及新能源行业PE_TTM历史分位：94%（极高）[50]

量化模型与构建方式 根据您提供的研报内容，报告主要对基金投顾产品进行分类统计和调仓行为分析，并未涉及传统意义上的量化模型（如多因子选股模型、风险模型等）或量化因子（如价值、动量、质量等）的构建与测试[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44][45][46]。 报告的核心是**基金投顾产品的分类体系**，这可以视为一种基于规则的产品分类模型。 1. **模型名称：基金投顾产品分类模型** * **模型构建思路：** 根据基金投顾产品的业绩基准和实际资产配置，将其划分为不同的风险收益类型，以便进行业绩比较和分析[11]。 * **模型具体构建过程：** 1. 数据来源：天天基金、且慢及雪球平台上的总计650只基金投顾产品[11]。 2. 分类标准：主要依据“业绩基准中权益部分的指数权重和资产配置分布”[11]。 3. 具体类别与定义： * **纯债型：** 权益资产配置中枢为0%[11][15]。 * **固收+型：** 权益资产配置中枢为0%~20%[11][15]。 * **股债混合型：** 权益资产配置中枢为20%~70%[11][15]。 * **股票型：** 权益资产配置中枢为70%以上[11][15]。该类别进一步细分为： * QDII型 * 行业主题型 * 普通股票型（再根据策略细分为行业轮动、指数驱动、主动优选）[11]。 * **多元配置型：** 进行多元资产的分散投资，具体定义为扣除货币基金、境内债券、A股、港股后，剩余大类资产的平均仓位需超过20%[11][15]。 * **模型评价：** 该分类体系为系统性地比较和分析不同风险偏好、不同策略的基金投顾产品提供了清晰的框架，有助于投资者和研究者进行业绩归因和产品筛选[11]。 模型的回测效果 本报告未对上述分类模型进行历史回溯测试以提供如信息比率(IR)、夏普比率、最大回撤等量化指标。报告主要展示了基于该分类模型，在特定时间窗口内（2026年3月及2026年初以来）各类别产品的平均业绩表现[2][3][12]。 1. **基金投顾产品分类模型，** 2026年3月各类型平均收益率：纯债型(0.2%)、固收+(-1.3%)、股债混合(-4.3%)、多元配置型(-4.7%)、股票型(-7.3%)[2][12]。 2. **基金投顾产品分类模型，** 2026年初以来各类型平均收益率：固收+(0.6%)、纯债型(0.4%)、股债混合(0.1%)、多元配置型(-0.6%)、股票型(-0.9%)[2][12]。 3. **基金投顾产品分类模型（股票型细分策略），** 2026年3月各策略平均收益率：主动优选(-7.1%)、指数驱动(-7.7%)、行业轮动(-8.3%)[3][12]。 4. **基金投顾产品分类模型（股票型细分策略），** 2026年初以来各策略平均收益率：主动优选(-0.4%)、指数驱动(-1.1%)、行业轮动(-1.3%)[3][12]。 量化因子与构建方式 本报告未涉及任何量化因子的构建。 因子的回测效果 本报告未涉及任何量化因子的测试，因此无相关指标取值。

量化模型与因子总结 量化模型与构建方式 1. **模型名称：封板率计算模型**[17] * **模型构建思路**：通过计算当日最高价涨停且收盘涨停的股票数量与当日最高价涨停的股票总数之比，来衡量涨停板的封板质量或市场追涨资金的坚定程度[17]。 * **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[17]。 2. 在每个交易日，识别出盘中最高价达到涨停价的股票集合[17]。 3. 在上述股票集合中，进一步识别出收盘价仍为涨停价的股票[17]。 4. 计算封板率，公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[17] 2. **模型名称：连板率计算模型**[17] * **模型构建思路**：通过计算连续两个交易日收盘涨停的股票数量与前一日收盘涨停的股票总数之比，来衡量市场涨停效应的持续性[17]。 * **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[17]。 2. 在每个交易日，识别出前一日（T-1日）收盘涨停的股票集合[17]。 3. 在上述股票集合中，进一步识别出当日（T日）收盘也涨停的股票[17]。 4. 计算连板率，公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[17] 3. **模型名称：大宗交易折价率计算模型**[26] * **模型构建思路**：通过比较大宗交易成交总额与按当日市价计算的对应份额总市值，计算折价率，以反映大资金交易的溢价或折价情况，可作为市场情绪或大资金偏好的观察指标[26]。 * **模型具体构建过程**： 1. 获取当日所有大宗交易的成交数据，包括每笔交易的成交价格和成交数量[26]。 2. 计算大宗交易总成交金额（成交价×成交数量之和）[26]。 3. 计算大宗交易对应份额按当日收盘价（或成交均价）计算的总市值[26]。 4. 计算折价率，公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[26] 当结果为负时表示折价交易，为正时表示溢价交易[26]。 4. **模型名称：股指期货年化贴水率计算模型**[28] * **模型构建思路**：将股指期货主力合约与现货指数之间的基差（期货价格-现货价格），进行年化处理，得到年化贴水率，用于标准化衡量不同期限合约的升贴水程度，反映市场对未来预期、对冲成本等[28]。 * **模型具体构建过程**： 1. 确定股指期货主力合约（如IH、IF、IC、IM）及其对应的现货指数（如上证50、沪深300、中证500、中证1000）[28]。 2. 计算基差：基差 = 期货价格 - 现货指数价格[28]。 3. 获取该主力合约的剩余交易日数[28]。 4. 计算年化贴水率，公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[28] 公式中，250为一年中近似的大盘交易日数量[28]。结果为负表示期货贴水，为正表示期货升水[28]。 模型的回测效果 *本报告为市场监测日报，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、信息比率IR等）。报告主要展示了这些模型在特定交易日（2026年4月2日及前后）的计算结果和近期统计特征[17][26][28]。* 量化因子与构建方式 *本报告未涉及用于选股或资产定价的量化因子（如价值、动量、质量等因子）的构建与测试。报告内容侧重于市场表现、情绪、资金流向等宏观或中观监测指标的构建与展示[1][2][3][4]。* 因子的回测效果 *本报告未涉及量化因子的回测效果。*

量化模型与构建方式 1. **模型名称：宏观评分模型**[24] * **模型构建思路**：通过构建一套涵盖国内与全球多个维度的宏观因子评分体系，对各类大类资产进行评分，以判断其宏观层面的多空观点[24][26]。 * **模型具体构建过程**： 1. 选取多个宏观因子，包括：国内景气、国内货币、国内信用、国内通胀、全球景气、全球货币、全球通胀、美元、金融压力[26]。 2. 对每个宏观因子，根据其当前状态（如上月值、本月值）进行评分，评分值通常为-1、0、1，代表对资产的影响为负面、中性或正面[26]。 3. 为每类资产（如中证800、10年国债、标普500、黄金、原油、铜）预设每个宏观因子的影响系数（评分），构成一个评分矩阵[26]。 4. 将每个资产对应的各宏观因子评分与当前因子状态评分相乘并求和，得到该资产当月的宏观总评分[26]。 5. 根据总评分的高低，形成对各类资产的择时观点（如看多、谨慎）[26]。 * **模型评价**：该模型提供了一个系统性的宏观视角，用于评估各类资产面临的整体宏观环境，并识别如金融压力等尾部风险信号[24]。 2. **模型名称：美股择时模型**[29] * **模型构建思路**：通过构建一个多因子监测体系，综合评估美股的基本面（景气度）、资金流和市场风险（金融压力），以判断美股的中期走势[29][32]。 * **模型具体构建过程**： 1. 构建三个分项指标：景气度、资金流、金融压力[32]。 2. 将各分项指标的历史数据计算其滚动5年分位数，以标准化指标值，范围在0到100之间[32]。 3. 综合三个分项指标的分位数情况，形成对美股的整体择时观点。例如，景气度分项维持在滚动5年的50分位以上，表明基本面尚未受到显著冲击[29]。 3. **模型名称：黄金择时模型**[30] * **模型构建思路**：构建量化指标以捕捉黄金价格的中期驱动逻辑，综合考量资金面、美元信用和宏观经济预期（如衰退交易）等因素[30][33]。 * **模型具体构建过程**：报告未详细描述具体指标构建公式，但提及模型关注资金面扰动（如COMEX黄金期货非商业及非报告头寸净持仓）、美元信用风险以及市场交易范式（通胀交易 vs 衰退交易）的切换[22][30]。 4. **模型名称：原油择时模型**[31] * **模型构建思路**：通过构建“原油景气指数”来量化原油市场的基本面状况，以判断油价走势[31][34]。 * **模型具体构建过程**：报告未给出“原油景气指数”的具体计算公式，但指出该指数的读数（如-0.20）用于判断市场景气程度，当指数维持在0轴以下时，模型观点偏向谨慎[31][34]。 5. **模型名称：大类资产配置策略**[4][35] * **模型构建思路**：采用风险预算与宏观风险暴露调整相结合的方法，每月生成一次大类资产的配置方案[4][35]。 * **模型具体构建过程**： 1. **风险预算分配**：根据各资产的量化配置信号（未具体说明）分配其风险预算[4][35]。 2. **宏观风险暴露调整**：基于前述的宏观因子体系，对组合的整体宏观风险暴露进行调整[4][35]。 3. **优化求解**：通过模型优化，得到最终的各资产配置比例，使得组合在满足风险预算和宏观风险暴露目标的前提下，追求最优风险收益比[37]。 6. **因子名称：金融压力因子**[24][28] * **因子构建思路**：构建一个用于监测市场尾部风险或流动性压力的指标，该指标触发时往往预示着风险资产调整和避险资产走强[24]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算方式，但展示了其应用效果。该因子被划分为“下行”、“震荡”、“上行”等不同状态，并统计了在不同状态下各类大类资产的年化收益率，以验证其对资产收益的区分能力[28]。 模型的回测效果 1. **大类资产配置策略**[4][35] * 3月收益：-0.6%[4][35] * 最近1年收益：10.8%[4][35] * 最大回撤：2.1%[4][35] 因子的回测效果 1. **金融压力因子**[28] * 该因子在不同状态下，对大类资产的年化收益展现出明显的区分效果[28]。例如，在因子处于“上行”状态时，中证800、标普500、原油等风险资产的年化收益为负或较低；而10年国债、黄金等避险资产的年化收益为正且较高[27][28]。

量化模型与构建方式 1. **模型名称**：未明确命名的多资产择时模型[2][3][6][7] **模型构建思路**：该模型通过计算各资产的“原始信号”百分比，并对其进行5日移动平均平滑处理，根据信号值所处的阈值区间，将资产未来走势观点划分为“看多”、“调整”或“震荡”三类[2][3][6][7]。 **模型具体构建过程**： * **步骤1：生成原始信号**：模型为每个标的资产计算一个“原始信号”，该信号是一个百分比数值，代表模型看多该资产未来走势的概率或强度。报告未披露该原始信号的具体计算方法和所使用的因子[3][6][7]。 * **步骤2：信号平滑**：对原始信号进行5日移动平均（MA5）计算，以平滑短期波动，得到更稳定的趋势信号。计算公式为： $$MA5_t = \frac{Signal_{t} + Signal_{t-1} + Signal_{t-2} + Signal_{t-3} + Signal_{t-4}}{5}$$ 其中，\(MA5_t\) 代表第t日的5日移动平均信号值，\(Signal_{t}\) 代表第t日的原始信号值[3][6][7]。 * **步骤3：生成观点**：根据平滑后的信号值（MA5）落入的预设阈值区间，输出最终的择时观点。报告未明确给出具体的阈值划分标准，但根据结果可推断存在“看多”、“调整”、“震荡”三个区间[2][3][6][7]。 模型的回测效果 （注：报告为日度观点输出，未提供历史回测的统计指标（如年化收益率、夏普比率、胜率等）。以下为报告发布日当天模型对各资产的具体信号输出值及观点。）[3][6][7] 1. **30年国债模型**，原始信号值84.45%，MA5信号值80.32%，模型观点为【调整】 2. **3年AAA中短票模型**，原始信号值34.38%，MA5信号值44.07%，模型观点为【震荡】 3. **10年国债模型**，原始信号值88.61%，MA5信号值61.74%，模型观点为【调整】 4. **2年国债模型**，原始信号值23.39%，MA5信号值15.78%，模型观点为【看多】 5. **万得全A指数模型**，原始信号值61.06%，MA5信号值78.14%，模型观点为【调整】 6. **中证红利全收益指数模型**，原始信号值73.84%，MA5信号值76.35%，模型观点为【调整】 7. **恒生科技指数模型**，原始信号值71.16%，MA5信号值82.22%，模型观点为【调整】 8. **科创50指数模型**，原始信号值65.54%，MA5信号值79.92%，模型观点为【调整】 9. **万得微盘指数模型**，原始信号值70.92%，MA5信号值77.46%，模型观点为【调整】 10. **国证2000指数模型**，原始信号值68.48%，MA5信号值82.68%，模型观点为【调整】 11. **COMEX黄金模型**，原始信号值26.01%，MA5信号值41.24%，模型观点为【震荡】 12. **IPE布油模型**，原始信号值70.49%，MA5信号值43.19%，模型观点为【震荡】 量化因子与构建方式 （注：报告中未提及任何具体的量化因子构建细节。）[1][2][3][4][5][6][7][8][9][10][11][12][13][14] 因子的回测效果 （注：报告中未提及任何具体的量化因子及其测试结果。）[1][2][3][4][5][6][7][8][9][10][11][12][13][14]

量化模型与构建方式 1. **模型/工具名称**：AI知识库（基于检索增强生成RAG）[8][9][11] * **构建思路**：构建一个能够理解语义、基于用户私有文档进行智能问答的系统，其核心是将传统的关键词搜索升级为语义检索，并将检索结果交由大语言模型生成连贯答案，从而提升信息获取效率[8][11]。 * **具体构建过程**：系统构建分为三个核心步骤： 1. **文档向量化**：将用户上传的文档（如PDF、Word）按语义边界进行分块（chunking），然后通过嵌入模型（embedding model）将每个文本块转换为高维向量，并存储于本地向量数据库中[9]。 2. **语义检索**：当用户提问时，将问题通过同一个嵌入模型转换为向量，然后在向量数据库中进行相似度搜索（如计算余弦相似度或欧氏距离），找出与问题向量最相似的若干文档片段[10]。 3. **答案生成**：将检索到的相关文档片段作为上下文（context），与用户问题一同构建提示词（prompt），输入到大语言模型（LLM）中，由模型基于给定的上下文生成自然语言答案，此过程称为检索增强生成（RAG）[11]。 2. **模型/工具名称**：AnythingLLM方案[12][13] * **构建思路**：使用开箱即用的All-in-One AI应用快速搭建私有知识库，专注于实现RAG功能，让用户能够直接上传文档并与AI进行基于文档内容的对话[48]。 * **具体构建过程**： 1. 下载并安装AnythingLLM桌面应用[13]。 2. 在设置中配置本地大语言模型提供者（如已部署的LM Studio）和向量数据库（默认LanceDB）[18]。 3. 在工作区通过上传功能导入文档（支持文本、CSV、音频等多种格式），系统会自动将文档分块、向量化并存入知识库[22]。 4. 知识库建立后，可在工作区内选择“聊天”或“查询”模式进行提问，AI将基于上传的文档生成答案[25][28]。 5. 如需被其他工具（如OpenClaw）调用，可开启AnythingLLM的API功能，通过API接口提供服务[27][29][30]。 3. **模型/工具名称**：OpenClaw原生知识库方案[32][34] * **构建思路**：利用OpenClaw作为AI智能体（Agent）框架的行动和记忆能力，通过编写规则和配置文件，使其能够管理和检索本地知识库，并与其他自动化任务结合[32][33][48]。 * **具体构建过程**： 1. 在OpenClaw的工作空间（workspace）中创建专用的知识库文件夹（如`KB`），并可按需建立子文件夹（如`stocks/`， `company/`）进行分类[34][35][36]。 2. 将需要入库的文档转换为Markdown格式（可使用OpenClaw自带功能或Pandoc等第三方工具）[37]。 3. 在知识库根目录下编写索引文件（`INDEX.md`），说明文档结构和路径[35]。 4. 编辑OpenClaw的核心配置文件`AGENTS.md`，在其中强制注入规则，指明知识库文件夹的路径（例如：`- **KB文件夹**：\`/Users/xiaochuan/KB/\``），从而“驯化”AI优先查询自有知识库[32][33][34]。 4. **模型/工具名称**：Obsidian与OpenClaw联动方案[38][41] * **构建思路**：结合Obsidian本地优先、双向链接的知识管理优势，与OpenClaw的自动化信息收集和处理能力，构建一个从信息自动收集、智能整理到高效复用的闭环个人知识管理系统[38][41]。 * **具体构建过程**： 1. 下载安装Obsidian，并创建一个采用结构化目录的Vault（知识库），例如包含`收件箱`、`日记`、`项目`、`研究`、`知识库`等分类的五级目录[38][41][43]。 2. 在OpenClaw中安装必要的协同Skills，例如`obsidian-sync`（同步）、`obsidian-parser`（解析）、`markdown-formatter`（格式化）和`second-brain`（第二大脑）等，以实现两者间的通信[42]。 3. 配置完成后，OpenClaw可以自动从微信、网页等多渠道抓取信息，转为Markdown格式并存入Obsidian的相应目录；同时，OpenClaw也能直接检索Obsidian知识库中的内容来回答问题或生成内容[41][44]。 模型/工具的评价 1. **AI知识库（RAG）模型评价**：该模型将检索与生成结合，显著提升了从私有文档中获取信息的效率和体验，答案更具针对性和连贯性，并降低了大型语言模型产生“幻觉”的风险[8][11]。 2. **AnythingLLM方案评价**：成熟、开箱即用，适合希望快速搭建私有知识库进行文档问答的用户或团队，部署灵活且数据完全本地保存[48][49]。 3. **OpenClaw原生方案评价**：不仅具备知识库问答能力，更拥有强大的行动力，可以执行复杂任务，代表了自动化AI应用的方向，但学习门槛和配置复杂度较高[48][50]。 4. **Obsidian联动方案评价**：充分发挥了Obsidian在知识长期构建、链接和数据绝对掌控方面的优势，结合OpenClaw后实现了自动化闭环，适合注重知识体系深度管理和隐私的用户[48][50]。 模型/工具方案对比结果 | 对比维度 | AnythingLLM方案 | OpenClaw原生方案 | Obsidian联动方案 | | :--- | :--- | :--- | :--- | | **核心定位** | 专注RAG的All-in-One AI工作空间[48] | 具备行动力的AI智能体框架[48] | 本地优先的知识管理与AI赋能结合[48] | | **适用人群** | 学生、研究者、企业团队[49] | 追求自动化的开发者/技术团队[48] | 研究者、作家、开发者等重度笔记用户[48][50] | | **核心优势** | 开箱即用、部署灵活、模型选择自由[48] | 强大的行动力、多通道交互、持久记忆[48] | 数据绝对掌控、双向链接、高度可定制[48] | | **主要局限** | RAG效果需调试、行动能力弱[48] | 学习门槛高、存在安全自控风险[48] | 缺乏原生AI能力、协作功能弱[48] | | **数据隐私** | 极高（可完全本地部署）[49] | 高（核心程序与数据在本地）[49] | 极高（笔记为本地纯文本文件）[48][49] | | **成本** | 开源免费（自托管）[49] | 开源免费（需自备LLM资源）[49] | 个人免费（部分高级服务需付费）[49] |

量化模型与构建方式 1. **模型/因子名称：RSI相对强弱指标**[2] * **构建思路：** 通过计算一定周期内平均涨幅与平均跌幅的比值，来衡量市场的超买或超卖状态[2]。 * **具体构建过程：** 1. 计算一定周期（报告中为12天）内每日上涨幅度的平均值（AvgGain）和每日下跌幅度（取正值）的平均值（AvgLoss）[2]。 2. 计算相对强度（RS），公式为：$$RS = \frac{AvgGain}{AvgLoss}$$[2] 3. 将RS代入公式计算RSI值：$$RSI = 100 - \frac{100}{1 + RS}$$[2] * **模型/因子评价：** RSI>70表示市场可能处于超买状态，RSI<30表示市场可能处于超卖状态[2]。 2. **模型/因子名称：净申购（亿元）**[2] * **构建思路：** 通过比较ETF当日净值与根据前日净值及指数收益率推算的理论净值之间的差异，估算当日的资金净流入/流出金额[2]。 * **具体构建过程：** 1. 获取当日ETF净值（NAV(T)）和前一交易日ETF净值（NAV(T-1)）[2]。 2. 获取ETF跟踪指数在当日的收益率（R(T)）[2]。 3. 计算理论净值：NAV(T-1) * (1 + R(T))[2]。 4. 计算净申购金额（NETBUY(T)），公式为：$$NETBUY(T) = NAV(T) - NAV(T-1) * (1 + R(T))$$[2] 模型的回测效果 （报告中未提供针对量化模型的统一回测结果，如年化收益率、夏普比率、最大回撤等指标，因此此部分跳过。） 量化因子与构建方式 （报告中提及的RSI和净申购，在内容上更偏向于对单只ETF的日频状态指标描述，而非用于横截面选股的Alpha因子。报告未提供基于这些指标构建多空组合或进行因子测试的内容。因此，此部分仅将上述两者作为指标列出，其构建方式已在“量化模型与构建方式”部分说明。） 因子的回测效果 （报告中未提供针对量化因子的IC、IR、多空收益、分组收益等回测测试结果，因此此部分跳过。） 报告中的其他指标取值（日频跟踪数据） 1. **RSI相对强弱指标**：报告列出了各只ETF在计算日的RSI具体数值，例如华泰柏瑞沪深300ETF为44.62[4]，南方中证500ETF为42.50[4]，华夏恒生科技ETF为39.29[4]等。 2. **净申购（亿元）**：报告列出了各只ETF在计算日的净申购金额，例如华泰柏瑞沪深300ETF为1.53亿元[4]，南方中证500ETF为14.14亿元[4]，华夏上证科创板50ETF为-16.84亿元[4]等。 3. **涨跌幅（%）**：报告列出了各只ETF在计算日的涨跌幅，例如华泰柏瑞沪深300ETF为1.59%[4]，南方中证500ETF为1.64%[4]，华夏上证科创板50ETF为3.40%[4]等。 4. **成交额（亿元）**：报告列出了各只ETF在计算日的成交额，例如华泰柏瑞沪深300ETF为22.67亿元[4]，南方中证500ETF为27.81亿元[4]，华夏上证科创板50ETF为41.02亿元[4]等。 5. **流通市值（亿元）**：报告列出了各只ETF在计算日的流通市值，例如华泰柏瑞沪深300ETF为2031.79亿元[4]，南方中证500ETF为750.21亿元[4]，华夏上证科创板50ETF为692.64亿元[4]等。 6. **机构持仓占比（%）**：报告列出了各只ETF最近一期披露的机构持仓占比（预估值），例如部分行业主题ETF如汇添富中证上海国企ETF为97.53%[6]，博时央企创新驱动ETF为96.02%[6]等。 7. **管理费率（%）**：报告列出了各只ETF的管理费率，例如华泰柏瑞沪深300ETF为0.15%[4]，天弘沪深300ETF为0.50%[4]等。 8. **跟踪指数**：报告列出了各只ETF所跟踪的指数名称，例如沪深300[4]、中证500[4]、科创50[4]等。 9. **T+0**：报告标明了各只ETF是否支持T+0交易，例如宽基ETF通常为“否”[4]，部分跨境ETF（如恒生科技、纳斯达克100等）为“是”[4]。