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价格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，从而判断短期价格走势[2]。 * **具体构建过程：** 1. 计算一定周期（N天）内每日的涨跌幅。 2. 分别计算该周期内所有上涨日涨幅的平均值（Avg Gain）和所有下跌日跌幅的绝对值平均值（Avg Loss）。 3. 计算相对强度RS：$$RS = \frac{Avg\ Gain}{Avg\ Loss}$$ 4. 计算RSI指标：$$RSI = 100 - \frac{100}{1 + RS}$$ 5. 根据报告，计算周期为12天[2]。当RSI>70时，市场被认为处于超买状态；当RSI<30时，市场被认为处于超卖状态[2]。 2. **模型/因子名称：净申购（亿元）**[2] * **构建思路：** 通过计算ETF单位净值的变动与基金份额变化的综合影响，来反映当日资金的净流入或流出情况[2]。 * **具体构建过程：** 1. 获取当日（T日）的ETF单位净值NAV(T)和前一日（T-1日）的单位净值NAV(T-1)。 2. 获取T日ETF的日收益率R(T)。 3. 计算T日的净申购金额NETBUY(T)，公式为：$$NETBUY(T) = NAV(T) - NAV(T-1) * (1 + R(T))$$[2] 4. 公式中，NAV(T-1)为前一交易日的ETF净值[2]。 模型的回测效果 （报告中未提供具体模型的回测效果指标值，如年化收益率、夏普比率、最大回撤等，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，在内容上更偏向于技术指标和资金流指标，通常作为因子使用，其构建方式已在“量化模型与构建方式”部分详细说明。报告未提供其他独立的、用于选股或择时的量化因子构建方法。） 因子的回测效果 （报告中未提供因子的具体测试结果，如IC值、IR、多空收益、分组收益等，仅展示了各ETF在特定日期的因子截面数据[4][7]。因此无法总结统一的指标取值。）

量化模型与构建方式 1. **模型名称：缠论走势分解模型**[16] * **模型构建思路：** 该模型基于缠论技术分析理论，通过识别价格走势中的“分型”、“笔”、“线段”和“中枢”等结构元素，对市场走势进行多级别（如周线级别）的分解，用以判断当前市场所处的结构阶段（如主升、主跌、横盘震荡）并推演未来可能的走势[16]。 * **模型具体构建过程：** 1. **识别分型：** 在K线图上识别顶分型和底分型。顶分型由三根K线组成，中间K线的高点是三根中的最高点，低点也是三根中的最高点；底分型则相反[16]。 2. **连接成笔：** 相邻的顶分型和底分型之间，若满足一定的价格和时间间隔条件，则连接形成“笔”，代表一段基本的上涨或下跌趋势[16]。 3. **连接成线段：** 由连续的三笔构成一个“线段”，线段是比笔更高级别的趋势单位[16]。 4. **识别中枢：** 由至少三个连续重叠的线段（或次级别走势类型）构成一个“中枢”，代表多空力量平衡的横盘震荡区域[16]。 5. **走势分解：** 根据中枢的数量和位置，将整体走势分解为“上涨”、“下跌”或“盘整”等不同类型，并判断当前走势处于趋势的哪个阶段（例如：主升浪、中枢震荡）[16]。 * **模型评价：** 该模型是一种主观性较强的技术分析框架，侧重于对市场走势结构的定性识别和模式推演，而非基于统计的定量预测[16]。 模型的回测效果 （报告中未提供缠论走势分解模型的定量回测指标数据，如年化收益率、夏普比率等，故本部分省略。） 量化因子与构建方式 （报告中未涉及具体的量化因子构建，如价值因子、动量因子等，故本部分省略。） 因子的回测效果 （报告中未涉及具体的量化因子测试结果，如IC值、IR、多空收益等，故本部分省略。）

量化模型与构建方式 1. **模型名称：周期股双属性分析框架**[4][7][16] * **模型构建思路**：将周期股的收益来源拆解为“权益属性”和“商品属性”两部分。权益属性决定其与市场整体同步的Beta收益，是行情启动的基础；商品属性决定其相对于市场的Alpha收益，是超额收益的主要来源。[4][7][16] * **模型具体构建过程**： 1. **权益属性识别**：识别A股市场的整体性上涨（Beta）行情。周期板块的独立牛市需同时满足两个条件：板块自身录得绝对收益，且板块相对市场整体（如Wind全A指数）取得超额收益。[22][31] 2. **商品属性识别**：观测PPI生产资料当月同比指标。周期板块的相对超额收益区间，大多对应PPI生产资料的修复区间。[7][35] 3. **领先指标应用**：引入宏观流动性指标作为领先信号。以M1-M2剪刀差表征的流动性拐点，往往领先PPI生产资料同比拐点约2~3个季度，可作为周期行情的前瞻参考。[7][35] 4. **预警信号**：流动性见顶回落是周期板块行情结束的预警信号，周期股独立行情的终结大多发生在流动性收紧的中后期。[7][38] * **模型评价**：该框架为理解和把握周期股行情提供了清晰的逻辑脉络，将复杂的周期波动归因于两种可观测的属性，并引入了具有领先性的观测指标，增强了投资的可操作性。[4][7] 模型的回测效果 *注：本报告未提供该分析框架在统一口径下的量化回测指标（如年化收益率、夏普比率、最大回撤等）。报告主要通过历史行情复盘来验证框架的有效性。* 量化因子与构建方式 1. **因子名称：周期板块牛市识别因子**[22][31][51] * **因子构建思路**：通过量化规则，从全市场Beta行情中筛选出周期板块的独立牛市区间。[22][31] * **因子具体构建过程**： 1. 划定全市场整体性上涨行情区间（以Wind全A指数等表征）。[17] 2. 在以上区间内，对周期板块（如长江原材料板块指数）计算两个时间序列：板块自身的价格收益率（绝对收益），以及板块指数相对于市场基准指数（如Wind全A）的收益率（相对收益）。[22] 3. 定义周期板块牛市区间：必须同时满足“绝对收益 > 0”且“相对收益 > 0”的连续时间段。[22][31][51] 4. 应用此规则，报告回溯划分出五轮周期股牛市区间：2008年底至2010年初（区间1）、2010年二季度至2011年一季度（区间2）、2016年初至2018年初（区间3）、2019年初至2021年末（区间4）、2024年三季度以来（区间5）。[51] 2. **因子名称：板块行情弹性因子**[56][57] * **因子构建思路**：衡量在周期牛市区间内，不同细分板块的价格上涨幅度，以识别高弹性品种。[56] * **因子具体构建过程**：在每一轮已识别的周期板块牛市区间内，计算各细分板块指数（如金属材料及矿业、化学原料及制品等）的区间最大涨幅。公式为： $$ \text{区间最大涨幅} = \frac{\text{区间内最高价} - \text{区间起始价}}{\text{区间起始价}} \times 100\% $$ 通过比较各板块在历次区间内的最大涨幅，评估其弹性特征。[56][57] 3. **因子名称：板块行情持续性因子**[61][62] * **因子构建思路**：衡量在周期牛市区间内，不同细分板块的上涨趋势所能维持的时间长度。[61] * **因子具体构建过程**：在每一轮已识别的周期板块牛市区间内，统计各细分板块指数满足“绝对收益 > 0”且“相对收益 > 0”条件的持续时长（通常以年为单位）。通过比较各板块在历次区间内的持续时间，评估其行情延续性特征。[61][62] 因子的回测效果 *注：报告展示了上述因子在历史五轮周期牛市中的具体表现，但未提供因子在统一多空组合或分层测试下的传统量化指标（如IC、IR、多空收益等）。以下为报告披露的历史观察结果。* 1. **周期板块牛市识别因子**：应用该因子，报告识别出2008年以来的五轮周期股独立牛市区间，并指出周期板块长期持有收益不及市场整体，仅在特定区间内能通过超额收益实现增厚。[17][51] 2. **板块行情弹性因子**： * **金属材料及矿业板块**：在五轮周期牛市区间内的最大涨幅分别为219%、80%、71%、168%、164%，每一轮涨幅均超越同期市场和原材料板块整体表现，被识别为高弹性品种。[57] * **细分金属品类**：贵金属、基本有色金属、稀土磁材、能源金属等弹性表现更为突出。[57] 3. **板块行情持续性因子**： * **化工、油气石化、煤炭、非金属材料等板块**：行情持续时间普遍更长，趋势延续性相对更久。例如，在区间4（2019年初至2021年末），化学原料及制品、油气石化、煤炭等板块的上涨持续时间均达到或超过2.7年。[62][63]

量化模型与构建方式 1. **模型名称**：风格Smart Beta组合（价值50、价值均衡50、成长50、成长均衡50、小盘50、小盘均衡50）[6] **模型构建思路**：选取历史相关性低的价值、成长、小盘三种风格，根据不同的投资目标（高beta弹性和长期稳健超额收益）构建选股组合[6]。 **模型具体构建过程**：报告未详细描述具体构建过程，但指出其基于2024年10月5日发布的专题报告《基于投资目标的基础Smart beta组合构建与配置》[6]。通常此类模型会先定义风格因子（如价值、成长、规模），然后根据因子得分筛选股票并加权构建组合。 2. **模型名称**：生命周期优选组合（初创优选、成长优选、成熟稳健、困境反转）[6] **模型构建思路**：以现金流为基础，将A股上市公司系统性地划分为初创、成长、成熟、整合四个生命周期阶段，并基于不同阶段的投资逻辑构建优选组合[6]。 **模型具体构建过程**：报告未详细描述具体构建过程，但指出其基于2025年6月6日发布的专题报告《解码企业生命周期：股票投资的新范式探索》[6]。通常此类模型会通过财务指标（如经营、投资、融资现金流）的模式来划分公司生命周期阶段，然后针对每个阶段构建特定的选股策略。 模型的回测效果 1. **价值50模型**，周绝对收益-0.63%[10]，周超额收益（相对国证价值）-0.02%[10]，月绝对收益-1.11%[10]，月超额收益-0.79%[10]，年（今年以来）绝对收益-1.75%[10]，年（今年以来）超额收益-0.60%[10]，最大相对回撤3.17%[10]。 2. **价值均衡50模型**，周绝对收益-2.16%[10]，周超额收益（相对国证价值）-1.55%[10]，月绝对收益-1.49%[10]，月超额收益-1.17%[10]，年（今年以来）绝对收益-0.73%[10]，年（今年以来）超额收益0.42%[10]，最大相对回撤6.07%[10]。 3. **成长50模型**，周绝对收益-2.37%[10]，周超额收益（相对国证成长）0.36%[10]，月绝对收益-0.62%[10]，月超额收益0.11%[10]，年（今年以来）绝对收益-4.18%[10]，年（今年以来）超额收益-3.32%[10]，最大相对回撤4.21%[10]。 4. **成长均衡50模型**，周绝对收益-2.34%[10]，周超额收益（相对国证成长）0.39%[10]，月绝对收益-0.02%[10]，月超额收益0.71%[10]，年（今年以来）绝对收益2.58%[10]，年（今年以来）超额收益3.44%[10]，最大相对回撤5.82%[10]。 5. **小盘50模型**，周绝对收益-3.93%[10]，周超额收益（相对国证2000）-1.43%[10]，月绝对收益-4.05%[10]，月超额收益-3.01%[10]，年（今年以来）绝对收益1.28%[10]，年（今年以来）超额收益1.65%[10]，最大相对回撤5.52%[10]。 6. **小盘均衡50模型**，周绝对收益-1.70%[10]，周超额收益（相对国证2000）0.79%[10][4]，月绝对收益-1.61%[10]，月超额收益-0.57%[10]，年（今年以来）绝对收益-2.54%[10]，年（今年以来）超额收益-2.17%[10]，最大相对回撤8.33%[10]。 7. **成长优选模型**，周绝对收益-2.54%[10]，周超额收益（相对偏股混基金指数）-1.73%[10]，月绝对收益-1.63%[10]，月超额收益-2.30%[10]，年（今年以来）绝对收益4.03%[10]，年（今年以来）超额收益4.27%[10]，最大相对回撤4.03%[10]。 8. **成熟稳健模型**，周绝对收益-1.68%[10]，周超额收益（相对中证800）0.05%[10]，月绝对收益-0.52%[10]，月超额收益-0.07%[10]，年（今年以来）绝对收益-2.91%[10]，年（今年以来）超额收益-0.18%[10]，最大相对回撤5.80%[10]。 9. **初创优选模型**，周绝对收益-1.37%[10]，周超额收益（相对中证全指）0.84%[10][4]，月绝对收益0.69%[10]，月超额收益1.56%[10]，年（今年以来）绝对收益-1.88%[10]，年（今年以来）超额收益0.28%[10]，最大相对回撤11.22%[10]。 10. **困境反转模型**，周绝对收益-2.16%[10]，周超额收益（相对中证全指）0.04%[10]，月绝对收益-2.36%[10]，月超额收益-1.49%[10]，年（今年以来）绝对收益-0.93%[10]，年（今年以来）超额收益1.23%[10]，最大相对回撤2.67%[10]。

QuantaAlpha框架：量化模型与因子总结 量化模型与构建方式 1. **模型名称：QuantaAlpha框架**[2][6][11] * **模型构建思路**：将大语言模型与进化算法深度融合，通过多智能体协作模拟专业量化研究员“提出假设→构建因子→回测检验→迭代优化→因子池维护”的全流程，实现自动化、白盒化、可溯源的Alpha因子挖掘[6][11][16]。 * **模型具体构建过程**： 1. **初始假设生成**：由LLM基于价量背离、波动率状态等经典量化维度，生成10个独立互补的初始投资假设，并行挖掘以拓宽研究广度[17]。 2. **多智能体协同实现**： * **Idea Agent（想法智能体）**：将宏观研究方向细化为具备清晰市场机制、明确信号逻辑和限定参数范围的可执行结构化假设[18][19]。 * **Factor Agent（因子智能体）**：采用“符号化表达+抽象语法树（AST）”方式，将结构化假设转化为标准数学表达式，经结构校验后编译为可执行代码。同时施加三重约束：语义一致性（假设、表达式、代码逻辑统一）、复杂度（控制表达式长度与特征数量）、冗余性（通过结构匹配过滤相似因子）[19]。 * **Evaluation Agent（评估智能体）**：基于Qlib回测框架进行标准化回测，评估因子IC、Rank IC、年化收益、最大回撤等指标，并将结果录入轨迹档案[19]。 3. **迭代优化**： * **变异（Mutation）**：由LLM回溯研究轨迹，精准定位导致因子失效的关键步骤，仅对问题部分进行修正，保留已验证的有效逻辑[20]。 * **交叉（Crossover）**：从历史优质挖掘轨迹中提取核心逻辑片段（如有效动量信号、波动率判断逻辑），在投资假设层面进行有意义的逻辑组合与重构，而非简单公式拼接[20]。 4. **因子筛选**：设置三层入池门槛：1) 按Rank IC从高到低排序；2) 与池中已有因子的绝对相关系数≤0.7；3) 因子池容量上限为当轮总因子数的50%[21]。 * **模型评价**：该框架突破了传统遗传规划的随机试错和同类LLM方法的迭代低效、语义漂移等问题，实现了金融逻辑引导、定向进化、研究经验复用和全流程可解释，为量化Alpha因子研究提供了新的技术思路[11][14][27][28]。 2. **模型名称：DFQ遗传规划价量因子挖掘系统（作为对比基准）**[23] * **模型构建思路**：传统遗传规划方法，通过自定义特征和算子，指定适应度指标，从一个随机种群出发，通过多代进化得到更优子代，以挖掘显式表达式的选股因子[23]。 * **模型具体构建过程**： 1. **初始种群**：按照预设的公式树深度随机生成[24]。 2. **进化方式**：变异（如子树变异、点变异）和交叉完全随机，本质是对公式树进行排列组合[25]。 3. **冗余管控**：采用“被动约束+数值惩罚”组合，如限制公式长度、在适应度评价中添加相关性数值惩罚[29]。 4. **可解释性**：先生成符合统计规律的公式，再反向解读可能的市场逻辑[29]。 * **模型评价**：可解释性强，但进化过程高度随机、缺乏金融逻辑引导，挖掘效率低，易生成无经济学含义的噪声因子[13][24][25][29]。 模型的回测效果 1. **QuantaAlpha模型（论文实证）**[32][33] * **股票池**：沪深300 * **测试区间**：2022-01-01 至 2025-12-26 * **IC**：15.01% * **Rank IC**：14.65% * **年化收益率（ARR）**：27.75% * **最大回撤（MDD）**：7.98% * **信息比率（IR）**：332.51% * **卡玛比率（CR）**：347.74% 2. **AlphaAgent模型（对比基准）**[33] * **股票池**：沪深300 * **测试区间**：2022-01-01 至 2025-12-26 * **IC**：9.66% * **Rank IC**：9.42% * **年化收益率（ARR）**：15.54% * **最大回撤（MDD）**：12.89% * **信息比率（IR）**：193.28% * **卡玛比率（CR）**：120.56% 3. **RD-Agent模型（对比基准）**[33] * **股票池**：沪深300 * **测试区间**：2022-01-01 至 2025-12-26 * **IC**：5.31% * **Rank IC**：6.33% * **年化收益率（ARR）**：9.91% * **最大回撤（MDD）**：14.82% * **信息比率（IR）**：125.02% * **卡玛比率（CR）**：66.87% 4. **QuantaAlpha模型（团队复现）**[37][39] * **股票池**：沪深300 * **测试区间**：2022-01-01 至 2025-12-26（严格样本外） * **核心结果**：累计挖掘21个因子，因子层面IC、Rank IC处于有效区间但ICIR偏低；组合层面扣费后年化超额收益有限，最大回撤幅度较大，净值曲线波动明显[39]。 量化因子与构建方式 *（注：报告未详细列出由QuantaAlpha框架挖掘出的具体单个因子的名称、公式及独立构建过程，而是重点阐述了生成这些因子的自动化框架和方法论。因此，此处总结框架所生成因子的通用构建特征。）* 1. **因子构建的通用特征**： * **数据基础**：使用开盘价、最高价、最低价、收盘价、成交量、均价（VWAP）这6类日频价量数据作为基础特征[32]。 * **算子库**：采用时间序列、截面、数学、技术指标、逻辑、辅助等6大类约60个通用量化算子[32]。 * **构建逻辑**：遵循“先有明确市场逻辑，再转化为可计算公式与代码”的路径，确保因子具备经济学意义和可解释性[31]。 * **约束条件**：在构建过程中受到表达式复杂度（如符号表达式长度≤250字符）、底层原始特征数量（≤6个）及语义一致性等多重约束[19][30]。 因子的回测效果 *（注：报告未提供框架所挖掘的各个具体因子的独立回测指标值。回测效果均以模型或因子组合的形式呈现，已汇总于“模型的回测效果”部分。）*

量化模型与构建方式 1. **模型名称：微盘股轮动策略**[19][27] * **模型构建思路**：通过比较微盘股与茅指数的相对强弱以及各自的短期动量，进行大小盘风格轮动配置[19][27]。 * **模型具体构建过程**：该策略包含两个子策略，综合判断后决定配置方向。 * **子策略一（相对净值与动量）**： 1. 计算微盘股指数与茅指数的相对净值（微盘股/茅指数）[27]。 2. 计算该相对净值的243日移动平均线（年均线）[19]。 3. 计算微盘股指数和茅指数各自的20日收盘价斜率（动量）[19]。 4. 生成信号：若相对净值高于其年均线，则初步倾向于投资微盘股，反之倾向于茅指数[27]。同时，结合20日斜率，当两者方向相反且一方为正时，选择投资斜率为正的指数[27]。 * **子策略二（M1轮动）**： 1. 获取M1同比数据[37]。 2. 计算M1同比的6个月移动平均值[19]。 3. 生成信号：当M1的6个月移动平均值下行时，中期配置从微盘股切换至茅指数[19]。 2. **模型名称：微盘股择时风控模型**[19][27] * **模型构建思路**：通过监控与市场风险相关的宏观及市场指标，在指标触及阈值时发出平仓信号，以控制微盘股投资的中期系统性风险[19][27]。 * **模型具体构建过程**： 1. 选取两个风控指标：十年期国债到期收益率同比、微盘股波动率拥挤度同比[19]。 2. 设定风控阈值：十年期国债收益率同比阈值为30%，波动率拥挤度同比阈值为55%[27]。 3. 生成信号：当任一指标触及或超过其对应阈值时，则发出平仓信号[27]。 3. **模型名称：宏观择时模型**[50][51] * **模型构建思路**：基于经济增长和货币流动性两个维度的宏观指标，动态调整权益资产（股票）的配置仓位[50][51]。 * **模型具体构建过程**： 1. **信号维度**：模型从经济增长和货币流动性两个层面进行观察[51]。 2. **信号生成**：每个维度会生成一个信号强度（百分比形式），例如经济增长信号强度为50%，货币流动性信号强度为0%[51]。 3. **仓位合成**：综合两个维度的信号，最终合成一个股票仓位建议比例（例如25%）[51]。具体合成方法需参考其历史研究报告《Beta 猎手系列：基于动态宏观事件因子的股债轮动策略》[50]。 量化因子与构建方式 1. **因子名称：一致预期因子**[70][72] * **因子构建思路**：基于分析师对未来盈利的一致预期数据构建因子，捕捉市场预期变化带来的alpha[70][72]。 * **因子具体构建过程**：包含多个细分因子。 * **EPS_FTTM_Chg3M**：未来12个月一致预期EPS过去3个月的变化率[72]。 * **ROE_FTTM_Chg3M**：未来12个月一致预期ROE过去3个月的变化率[72]。 * **TargetReturn_180D**：一致预期目标价相对于目前股价的收益率[72]。 2. **因子名称：市值因子**[70] * **因子构建思路**：使用公司规模作为因子，通常小市值公司存在溢价效应[70]。 * **因子具体构建过程**： * **LN_MktCap**：公司流通市值的自然对数[70]。 3. **因子名称：成长因子**[70][72] * **因子构建思路**：通过公司财务数据的增长率来度量公司的成长性[70][72]。 * **因子具体构建过程**：包含多个细分因子。 * **NetIncome_SQ_Chg1Y**：单季度净利润同比增速[70]。 * **OperatingIncome_SQ_Chg1Y**：单季度营业利润同比增速[70]。 * **Revenues_SQ_Chg1Y**：单季度营业收入同比增速[72]。 4. **因子名称：反转因子**[72] * **因子构建思路**：利用股票价格的短期反转效应，即过去一段时间跌幅较大的股票未来可能反弹，涨幅较大的可能回调[72]。 * **因子具体构建过程**：包含多个不同时间窗口的收益率。 * **Price_Chg20D**：20日收益率[72]。 * **Price_Chg40D**：40日收益率[72]。 * **Price_Chg60D**：60日收益率[72]。 * **Price_Chg120D**：120日收益率[72]。 5. **因子名称：质量因子**[70][72] * **因子构建思路**：通过盈利能力、运营效率、财务稳健性等指标筛选高质量公司[70][72]。 * **因子具体构建过程**：包含多个细分因子。 * **ROE_FTTM**：未来12个月一致预期净利润/股东权益均值[70]。 * **OCF2CurrentDebt**：过去12个月经营现金流净额/流动负债均值[70]。 * **GrossMargin_TTM**：过去12个月毛利率[72]。 * **Revenues2Asset_TTM**：过去12个月营业收入/总资产均值[72]。 6. **因子名称：技术因子**[72] * **因子构建思路**：基于价量数据构建因子，捕捉市场交易行为中的规律[72]。 * **因子具体构建过程**：包含多个细分因子。 * **Volume_Mean_20D_240D**：20日成交量均值/240日成交量均值[72]。 * **Skewness_240D**：240日收益率偏度[72]。 * **Volume_CV_20D**：20日成交量标准差/20日成交量均值[72]。 * **Turnover_Mean_20D**：20日换手率均值[72]。 7. **因子名称：价值因子**[70] * **因子构建思路**：寻找市场价格低于其内在价值的公司，常用估值比率衡量[70]。 * **因子具体构建过程**：包含多个细分因子。 * **BP_LR**：最新年报账面净资产/最新市值[70]。 * **EP_FTTM**：未来12个月一致预期净利润/最新市值[70]。 * **SP_TTM**：过去12个月营业收入/最新市值[70]。 * **EP_FY0**：当期年报一致预期净利润/最新市值[70]。 * **Sales2EV**：过去12个月营业收入/企业价值[70]。 8. **因子名称：波动率因子**[72] * **因子构建思路**：利用股票波动率与未来收益之间的负相关关系（低波动异象）[72]。 * **因子具体构建过程**：包含多个细分因子。 * **Volatility_60D**：60日收益率标准差[72]。 * **IV_CAPM**：CAPM模型残差波动率[72]。 * **IV_FF**：Fama-French三因子模型残差波动率[72]。 * **IV_Carhart**：Carhart四因子模型残差波动率[72]。 9. **因子名称：可转债正股价值因子**[65][66] * **因子构建思路**：从可转债对应的正股出发，将预测正股的价值因子应用于可转债择券[65]。 * **因子具体构建过程**：报告未给出具体构建公式，但指出该因子是从预测正股的因子来构建可转债因子[65]。 10. **因子名称：可转债估值因子**[65][66] * **因子构建思路**：通过平价底价溢价率等指标衡量可转债自身的估值水平，用于择券[65]。 * **因子具体构建过程**：报告明确提及选取了平价底价溢价率作为转债估值因子[65]。 模型的回测效果 1. **宏观择时模型**，2026年年初至今收益率2.44%，同期Wind全A收益率-1.15%[50]。 因子的回测效果 **（以下因子表现数据统计周期为“上周”，即报告发布前一周）**[57] 1. **一致预期因子**，全部A股IC均值-2.47%，多空收益-0.49%[57]。 2. **市值因子**，全部A股IC均值-11.79%，多空收益0.29%[57]。 3. **成长因子**，全部A股IC均值4.39%，多空收益0.00%[57]。 4. **反转因子**，全部A股IC均值7.65%，多空收益1.34%[57]。 5. **质量因子**，全部A股IC均值14.28%，多空收益2.18%[57]。 6. **技术因子**，全部A股IC均值14.29%，多空收益2.38%[57]。 7. **价值因子**，全部A股IC均值4.71%，多空收益-0.05%[57]。 8. **波动率因子**，全部A股IC均值11.37%，多空收益1.38%[57]。

量化模型与因子总结 量化模型与构建方式 根据提供的研报内容，报告主要描述了市场监测指标和统计方法，并未涉及用于选股或资产配置的量化预测模型（如多因子模型、机器学习模型等）[1][5]。因此，本部分无相关内容。 量化因子与构建方式 根据提供的研报内容，报告主要描述了市场监测指标和统计方法，并未涉及用于解释股票收益的量化因子（如价值、动量、质量等因子）[1][5]。因此，本部分无相关内容。 市场监测指标与构建方式 报告详细描述了一系列用于监测市场状态、情绪和资金流向的指标及其计算方法[2][3][4][6][7][10][13][16][19][23][24][27][29][31][33][36]。 1. **指标名称：封板率**[16] * **指标构建思路**：用于衡量涨停股票的封板质量，反映市场追涨情绪的强弱[16]。 * **指标具体构建过程**：统计上市满3个月以上的股票，计算当日最高价曾触及涨停且收盘价仍为涨停的股票数量，与当日最高价曾触及涨停的股票总数之比[16]。 * 计算公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[16] 2. **指标名称：连板率**[16] * **指标构建思路**：用于衡量涨停行情的持续性，反映市场投机资金的接力意愿[16]。 * **指标具体构建过程**：统计上市满3个月以上的股票，计算连续两个交易日收盘均涨停的股票数量，与前一个交易日收盘涨停的股票总数之比[16]。 * 计算公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[16] 3. **指标名称：大宗交易折价率**[27] * **指标构建思路**：通过大宗交易成交价与市价的差异，反映大资金的投资偏好和情绪，折价率高通常意味着卖出意愿较强或对股票短期看法偏谨慎[27]。 * **指标具体构建过程**：统计当日所有大宗交易，计算总成交金额与按当日收盘价计算的成交股份总市值之比，再减去1[27]。 * 计算公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[27] 4. **指标名称：股指期货年化贴水率**[29] * **指标构建思路**：衡量股指期货价格相对现货指数的折溢价程度，并年化以便于比较。贴水率受利率、分红、市场情绪等多因素影响，其水平与变化可以反映市场对未来的预期和对冲成本[29]。 * **指标具体构建过程**：计算股指期货主力合约与标的指数之间的基差（期货价格 - 现货价格），除以现货指数价格，再乘以年化因子（250天除以合约剩余交易日数）[29]。 * 计算公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \left( \frac{250}{合约剩余交易日数} \right)$$[29] * 其中，基差 = 股指期货价格 - 现货指数价格。当结果为负时，表示贴水；为正时，表示升水[29]。 市场监测指标效果与取值 报告展示了部分监测指标在特定日期的具体数值或近期统计值[2][3][13][16][19][23][27][29]。 1. **市场情绪指标**： * 2026年04月07日，收盘涨停股票数：101只[2][13]。 * 2026年04月07日，收盘跌停股票数：18只[2][13]。 * 2026年04月07日，昨日涨停股票今日收盘收益：1.39%[2][14]。 * 2026年04月07日，昨日跌停股票今日收盘收益：-0.65%[2][14]。 * 2026年04月07日，封板率：75%[2][16]。 * 2026年04月07日，连板率：18%[2][16]。 2. **资金流向指标**： * 截至2026年04月03日，两融余额：25808亿元[2][19]。 * 截至2026年04月03日，两融余额占流通市值比重：2.7%[2][23]。 * 截至2026年04月03日，两融交易占市场成交额比重：9.1%[2][23]。 3. **折溢价指标**： * 近半年以来大宗交易平均折价率：7.15%[3][27]。 * 2026年04月03日大宗交易折价率：5.51%[3][27]。 * 近一年以来股指期货年化贴水率中位数： * 上证50：1.20%[3][29] * 沪深300：4.80%[3][29] * 中证500：10.99%[3][29] * 中证1000：13.28%[3][29] * 2026年04月07日股指期货年化贴水率及历史分位： * 上证50：5.67%，处于近一年21%分位点[3][29] * 沪深300：9.08%，处于近一年22%分位点[3][29] * 中证500：12.04%，处于近一年42%分位点[3][29] * 中证1000：15.08%，处于近一年36%分位点[3][29]

量化模型与构建方式 **1. 市场波动环境划分模型** * **模型名称**：基于滚动平均振幅的市场波动周期划分模型[5] * **模型构建思路**：为了更平滑地判断市场波动趋势，避免因波动率历史中枢变化导致直接比较偏差，采用滚动窗口内的平均振幅（而非标准差）来划分高波与低波市场环境[5][14][17]。 * **模型具体构建过程**： 1. **计算标的指数日度振幅**：计算沪深300指数每日的振幅，即（最高价 - 最低价）/ 前一日收盘价[14]。 2. **计算滚动平均振幅**：以63个交易日为滚动窗口，计算每日对应的过去63个交易日振幅的移动平均值，得到“63日平均振幅”序列[5][14]。 3. **趋势判断划分区间**：对“63日平均振幅”序列进行趋势判断，将其划分为连续的“高波”和“低波”区间。具体划分时点由模型根据振幅趋势变化确定[5][18]。例如，报告给出了从2010年至2026年3月31日的具体划分时点和区间类型[20]。 量化因子与构建方式 报告共涉及11个大类因子，每个大类因子由若干子类因子去异常、标准化后等权合成得到[12]。 **1. 因子名称**：价格稳定 * **因子构建思路**：衡量股价的稳定性和噪声程度，属于低风险因子[12]。 * **因子具体构建过程**：由4个子类因子合成。 1. **残差波动率**：Fama-French三因子模型回归残差的波动率。方向为-1[12]。 2. **特异率**：1减去Fama-French三因子模型回归的拟合优度（R²）。方向为-1[12]。公式为：$$特异率 = 1 - R^2$$ 3. **残差峰度**：Fama-French三因子模型回归残差的峰度。方向为-1[12]。 4. **高价振幅**：价格处于最高20%部分交易日的平均振幅。方向为-1[12]。 **2. 因子名称**：成交稳定 * **因子构建思路**：衡量成交量分布的稳定性和集中度，属于低风险因子[12]。 * **因子具体构建过程**：由4个子类因子合成。 1. **换手率变异系数**：换手率的标准差除以平均值。方向为1[12]。公式为：$$换手率变异系数 = \frac{换手率标准差}{换手率平均值}$$ 2. **成交占比熵**：以每个交易日（或细分时段）的成交量占比作为概率p，代入信息熵公式计算。方向为1[12]。公式为：$$成交占比熵 = -\sum p \cdot \log(p)$$ 3. **量大单买入强度**：过去n个交易日，大买单成交额的标准差与平均值之比。方向为1[12]。 4. **波峰**：基于日内1分钟成交量K线数据，筛选出大于（均值+1倍标准差）的K线，并计算这些K线中局部峰值的数量。方向为1[12]。 **3. 因子名称**：价值 * **因子构建思路**：衡量股票的估值水平，属于低风险因子[12]。 * **因子具体构建过程**：由4个子类因子合成。 1. **BP**：净资产除以总市值（市净率倒数）。方向为1[12]。公式为：$$BP = \frac{净资产}{总市值}$$ 2. **SALES2EV**：营业收入除以企业价值。方向为1[12]。 3. **DP**：近12个月分红除以总市值（股息率）。方向为1[12]。 4. **EP**：归母净利润TTM除以总市值（市盈率倒数）。方向为1[12]。公式为：$$EP = \frac{归母净利润_{TTM}}{总市值}$$ **4. 因子名称**：流动性 * **因子构建思路**：衡量股票的流动性和交易成本，属于中风险因子[12]。 * **因子具体构建过程**：由4个子类因子合成。 1. **换手率**：20日平均成交量除以总股本。方向为-1[12]。 2. **非流动性**：收益率绝对值除以总成交额（Amihud非流动性指标）。方向为1[12]。公式为：$$非流动性 = \frac{|收益率|}{总成交额}$$ 3. **一致买入占比**：在“一致买入”区间（定义未给出）的买入成交额占总成交额的比例。方向为1[12]。 4. **量价相关性**：成交量和复权收盘价的秩相关系数。方向为-1[12]。 **5. 因子名称**：拥挤度（原文表格中为“筹码分布”） * **因子构建思路**：衡量筹码分布和交易集中度，属于中风险因子[12]。 * **因子具体构建过程**：由4个子类因子合成。 1. **加权偏度**：以成交量加权的收盘价偏度。方向为-1[12]。 2. **时量价比**：时间加权价格除以成交量加权价格。方向为1[12]。 3. **高量交易成本**：在最高20%价格区间内的成交量占全部区间成交量的比例。方向为-1[12]。 4. **短期反转**：以5分钟成交量/成交笔数为划分标准，筛选出后20%的数据，计算其对数收益率之和。方向为-1[12]。 **6. 因子名称**：反转 * **因子构建思路**：捕捉股票的短期反转效应，属于中风险因子[12]。 * **因子具体构建过程**：由2个子类因子合成。 1. **收益偏度**：收益率序列的偏度。方向为-1[12]。 2. **半衰残差动量**：使用过去240个交易日的日线数据，对Fama-French三因子模型进行滚动回归，得到残差收益率序列。然后计算从第240日到第20日（即剔除最近20日）的累积残差收益率。方向为1[12]。 **7. 因子名称**：质量 * **因子构建思路**：衡量公司的盈利能力和财务稳健性，属于中风险因子[12]。 * **因子具体构建过程**：由5个子类因子合成。 1. **ROE**：净利润除以净资产。方向为1[12]。公式为：$$ROE = \frac{净利润}{净资产}$$ 2. **总资产周转率**：营业收入除以总资产。方向为1[12]。 3. **净利率**：净利润除以营业收入。方向为1[12]。 4. **现金总资产比率**：经营活动现金流净额除以总资产。方向为1[12]。 5. **现金营业收入比率**：经营活动现金流净额除以营业收入。方向为1[12]。 **8. 因子名称**：成长 * **因子构建思路**：衡量公司的成长性，属于高风险因子[12]。 * **因子具体构建过程**：由6个子类因子合成。 1. **ROE增长**：用过去8个季度的ROE数据对时间进行线性回归，取回归的斜率项。方向为1[12]。 2. **总资产周转率增长**：用过去8个季度的总资产周转率数据对时间进行线性回归，取回归的斜率项。方向为1[12]。 3. **归母净利润同比**：（本期季度归母净利润 - 去年同期季度归母净利润）/ |去年同期季度归母净利润|。方向为1[12]。 4. **营业收入同比**：（本期季度营业收入 - 去年同期季度营业收入）/ |去年同期季度营业收入|。方向为1[12]。 5. **ROE同比**：本期季度ROE减去去年同期季度ROE。方向为1[12]。 6. **总资产周转率同比**：本期季度总资产周转率减去去年同期季度总资产周转率。方向为1[12]。 **9. 因子名称**：SUE（超预期） * **因子构建思路**：衡量公司业绩超出市场预期的程度，属于高风险因子[12]。 * **因子具体构建过程**：由5个子类因子合成。 1. **ROE2年SUE**：对单季度扣非净利润进行归一化处理后，对时间进行回归，取回归的斜率项。方向为1[12]。 2. **总资产周转率2年SUE**：单季度扣非净利润对时间回归的斜率除以平均净资产。方向为1[12]。 3. **净利率2年SUE**：（本期归母净利润 - 过去8个季度均值）/ 过去8个季度标准差。方向为1[12]。公式为：$$净利率2年SUE = \frac{归母净利润_t - \mu_{t-7:t}}{\sigma_{t-7:t}}$$ 4. **现金总资产比率2年SUE**：（GPOA - 过去8个季度均值）/ 过去8个季度标准差。方向为1[12]。 5. **现金营业收入比率2年SUE**：（销售毛利率 - 过去8个季度均值）/ 过去8个季度标准差。方向为1[12]。 **10. 因子名称**：分析师 * **因子构建思路**：基于分析师一致预期的增长因子，属于高风险因子[12]。 * **因子具体构建过程**：由1个子类因子构成。 1. **预期增长**：分析师一致预期EPS的近两个月平均值除以较远两个月平均值。方向为1[12]。 **11. 因子名称**：动量 * **因子构建思路**：捕捉股票的长期动量效应，属于高风险因子[12]。 * **因子具体构建过程**：由3个子类因子合成。 1. **长期动量**：过去240个交易日（剔除最近20个交易日）的收益率。方向为1[12]。 2. **排序动量**：对日度收益率做截面排序，计算过去240个交易日（剔除最近20日）排序值的求和。方向为1[12]。 模型的回测效果 （报告未提供市场波动划分模型本身的量化回测效果指标，如预测准确率等。） 因子的回测效果 报告提供了两大类回测结果：历史高/低波区间（长周期）和近期三个高/低波区间。测试指标均为年化收益、最大回撤和信息比率（IR）。 **1. 历史高波、低波区间表现（全时间段）** * **测试范围**：根据模型划分的历史所有高波和低波区间[20]。 * **测试设置**：分为“沪深300内”（分5组）和“全市场”（分10组）两种股票池进行回测[22][25]。 * **因子表现取值**： * **沪深300内表现**：参见表4[23]。 * **价格稳定**：高波区间收益2.66%，最大回撤-9.94%，IR 0.50；低波区间收益2.55%，最大回撤-12.65%，IR 0.68。 * **成交稳定**：高波区间收益3.02%，最大回撤-7.80%，IR 0.53；低波区间收益3.33%，最大回撤-13.01%，IR 0.85。 * **价值**：高波区间收益6.46%，最大回撤-11.86%，IR 0.95；低波区间收益4.11%，最大回撤-17.13%，IR 0.88。 * **流动性**：高波区间收益4.31%，最大回撤-13.02%，IR 0.65；低波区间收益1.14%，最大回撤-22.96%，IR 0.25。 * **拥挤度**：高波区间收益1.55%，最大回撤-12.15%，IR 0.27；低波区间收益6.12%，最大回撤-5.48%，IR 1.46。 * **反转**：高波区间收益6.19%，最大回撤-7.87%，IR 1.10；低波区间收益4.41%，最大回撤-11.71%，IR 1.15。 * **质量**：高波区间收益6.18%，最大回撤-8.50%，IR 0.96；低波区间收益4.26%，最大回撤-11.75%，IR 0.97。 * **成长**：高波区间收益7.12%，最大回撤-8.98%，IR 1.08；低波区间收益1.90%，最大回撤-30.93%，IR 0.37。 * **SUE**：高波区间收益8.85%，最大回撤-4.23%，IR 1.66；低波区间收益2.51%，最大回撤-16.32%，IR 0.65。 * **分析师**：高波区间收益9.58%，最大回撤-9.13%，IR 1.35；低波区间收益3.36%，最大回撤-19.83%，IR 0.72。 * **动量**：高波区间收益5.22%，最大回撤-13.74%，IR 0.66；低波区间收益4.07%，最大回撤-15.08%，IR 0.71。 * **全市场表现**：参见表5[25]。 * **价格稳定**：高波区间收益12.13%，最大回撤-7.34%，IR 1.79；低波区间收益7.92%，最大回撤-13.21%，IR 1.71。 * **成交稳定**：高波区间收益10.60%，最大回撤-7.11%，IR 1.77；低波区间收益7.89%，最大回撤-5.13%，IR 2.17。 * **价值**：高波区间收益7.88%，最大回撤-17.84%，IR 0.85；低波区间收益4.29%，最大回撤-13.37%，IR 0.69。 * **流动性**：高波区间收益13.51%，最大回撤-8.70%，IR 1.81；低波区间收益11.28%，最大回撤-14.40%，IR 1.74。 * **拥挤度**：高波区间收益6.62%，最大回撤-11.31%，IR 1.00；低波区间收益7.38%，最大回撤-11.54%，IR 1.63。 * **反转**：高波区间收益7.32%，最大回撤-7.79%，IR 1.45；低波区间收益6.45%，最大回撤-10.32%，IR 1.64。 * **质量**：高波区间收益5.48%，最大回撤-9.74%，IR 0.90；低波区间收益4.06%，最大回撤-14.84%，IR 1.03。 * **成长**：高波区间收益4.61%，最大回撤-11.58%，IR 0.77；低波区间收益1.56%，最大回撤-23.22%，IR 0.40。 * **SUE**：高波区间收益7.69%，最大回撤-9.71%，IR 1.43；低波区间收益4.30%，最大回撤-14.58%，IR 1.30。 * **分析师**：高波区间收益5.79%，最大回撤-15.50%，IR 0.83；低波区间收益2.91%，最大回撤-23.47%，IR 0.62。 * **动量**：高波区间收益-2.85%，最大回撤-25.52%，IR -0.35；低波区间收益-0.63%，最大回撤-22.46%，IR -0.10。 **2. 近期高波、低波区间表现（2024年8月至2026年3月）** * **测试范围**：三个连续区间，分别为高波（2024-08-27至2024-12-16）、低波（2024-12-16至2025-07-16）、高波（2025-07-16至2026-03-31）[5][27]。 * **测试设置**：分为“沪深300内”（分5组）和“全市场”（分10组）两种股票池进行回测[27][30]。 * **因子表现取值**： * **沪深300内表现**：参见表6[28]。 * 各因子在三个近期区间及全区间内的收益、最大回撤、IR具体数值详见报告表6[28]。 * **全市场表现**：参见表7[30]。 * 各因子在三个近期区间及全区间内的收益、最大回撤、IR具体数值详见报告表7[30]。

量化模型与构建方式 根据提供的研报内容，该报告主要是一份关于美国公募基金市场月度动态的观察报告，并未涉及具体的量化模型或量化因子的构建、测试与分析[6][12]。报告内容聚焦于市场数据统计（如基金收益、资金流向、产品发行）和海外资管机构观点梳理[12][50]，属于市场综述和观点整理性质。 因此，报告中**没有**涉及需要总结的量化模型或量化因子。 模型的回测效果 报告中**没有**涉及量化模型的回测效果。 量化因子与构建方式 报告中**没有**涉及量化因子的构建方式。 因子的回测效果 报告中**没有**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：宽基轮动策略** * **模型构建思路**：基于市场情绪热度变化，构建一个在主流宽基指数间进行轮动的策略。其核心逻辑是，市场关注度（热度）的边际变化可能预示着短期资金流向，买入热度上升最快的宽基指数可能获得超额收益[7][8]。 * **模型具体构建过程**： 1. 首先，计算个股的“总热度”指标。该指标定义为个股的浏览、自选与点击次数之和，并以同一日在全市场的占比进行归一化，再乘以10000，使取值区间为[0,10000][7]。 2. 将全部A股按沪深300、中证500、中证1000、中证2000以及“其他”（不属于上述4个宽基的成分股）进行分组[8]。 3. 对每个分组内的所有成分股的“总热度”指标进行求和，得到该分组的聚合热度[8]。 4. 计算每个分组周度的热度变化率，并取2周移动平均（MA2）进行平滑处理[11]。 5. 在每周最后一个交易日，买入总热度变化率MA2最大的宽基分组（沪深300、中证500、中证1000、中证2000之一）。如果变化率最大的是“其他”组，则选择空仓[13]。 2. **模型名称：热门概念内高低热度选股策略** * **模型构建思路**：在短期内关注度急剧上升（热门）的概念板块中，选择板块内关注度相对较低的个股构建组合。其逻辑是，热门概念中的高热度个股可能因过度反应而股价一步到位，而低热度个股可能存在补涨机会[30]。 * **模型具体构建过程**： 1. 计算每个概念板块的“总热度”指标，方法同宽基，即对概念内所有成分股的个股总热度进行加总[7]。 2. 在每周最后一个交易日，筛选出本周热度变化率最大的5个概念[31]。 3. 将这5个热门概念的所有成分股作为初选股票池，并剔除其中流通市值最小的20%的股票[31]。 4. **构建TOP组合**：从每个热门概念中，选出总热度排名前10的个股，等权持有[31]。 5. **构建BOTTOM组合**：从每个热门概念中，选出总热度排名最后的10只个股，等权持有[31]。 模型的回测效果 1. **宽基轮动策略**，年化收益率10.9%，最大回撤23.5%，2026年收益为-0.03%[16]。 2. **热门概念内高低热度选股策略**，其中BOTTOM组合年化收益15.71%，最大回撤28.89%，2026年收益为-12.1%[33]。 量化因子与构建方式 1. **因子名称：个股总热度** * **因子构建思路**：从行为金融学“有限注意力”角度出发，构建一个衡量个股受市场关注程度的代理指标，用于捕捉可能由关注度变化导致的错误定价现象[7]。 * **因子具体构建过程**：对单只股票，计算其浏览、自选与点击次数之和。将该数值除以同一日全市场所有股票的浏览、自选与点击次数之和，得到归一化占比。最后，将占比乘以10000，使因子值落在[0, 10000]区间内[7]。公式可表达为： $$ 个股总热度_t = \frac{股票_t的（浏览+自选+点击）次数}{全市场当日（浏览+自选+点击）总次数} \times 10000 $$ 其中，t代表日期。 2. **因子名称：聚合热度（宽基/行业/概念层面）** * **因子构建思路**：将个股层面的关注度加总到更高维度（如宽基指数、行业、概念），作为追踪该板块整体市场情绪热度的代理变量[7]。 * **因子具体构建过程**：对于一个特定的板块S（例如“沪深300”指数、“医药生物”行业或“创新药”概念），将其所有成分股的“个股总热度”因子值进行简单加和[7]。公式为： $$ 板块S聚合热度_t = \sum_{i \in S} 个股总热度_{i,t} $$ 其中，i代表属于板块S的个股，t代表日期。 3. **因子名称：热度变化率MA2** * **因子构建思路**：衡量板块或个股关注度的边际变化趋势，通过移动平均平滑短期波动，捕捉更持续的热度变化方向[11][20]。 * **因子具体构建过程**：对于任意一个热度时间序列（可以是“个股总热度”或“聚合热度”），首先计算其周度环比变化率。然后，对该变化率序列取2周移动平均[11][20]。公式为： $$ 热度变化率_t = \frac{热度_t - 热度_{t-1周}}{热度_{t-1周}} $$ $$ 热度变化率MA2_t = \frac{热度变化率_t + 热度变化率_{t-1周}}{2} $$ 4. **因子名称：估值历史分位数** * **因子构建思路**：通过计算当前估值在历史序列中的位置，判断宽基指数或行业板块的相对估值高低，用于监控市场估值状态[38]。 * **因子具体构建过程**：以滚动时间窗口（如滚动5年）或固定起始点（如从2015年起）计算历史估值时间序列（如PE_TTM）。将当前估值与该历史序列进行比较，计算其百分位排名[38][41][42]。例如，滚动5年历史分位数表示当前估值在最近5年历史数据中所处的位置百分比[41]。 因子的回测效果 *（注：本报告未提供单个因子的独立回测绩效指标，如IC、IR等。因子效果体现在其构建的模型回测结果中。）*