根据提供的研报内容，以下是关于量化模型和因子的总结。报告内容主要涉及市场数据回顾和基金业绩跟踪，未详细阐述具体的量化模型构建过程或量化因子定义。因此，以下总结将基于报告中明确提及的模型和因子相关概念进行。 量化模型与构建方式 1. **模型名称**： ETF资金净流入计算模型[10] * **模型构建思路**： 通过跟踪ETF每日份额变化与前一日净值的乘积，来计算一级市场的资金净流入或净流出情况[10] * **模型具体构建过程**： 1. 获取ETF每日的基金份额数据 2. 计算每日份额较前一日的变化额 3. 获取前一日ETF的单位净值 4. 将每日份额变化额乘以前一日净值，得到该日的净申购/赎回额 5. 对报告期内发生份额拆分的ETF进行数据调整，以确保计算口径的一致性 6. 将报告期内（如上周年内）所有交易日的净申购/赎回额加总，得到该期间的资金净流入合计值[10] * **模型评价**： 该模型是监测ETF市场资金动向的基础工具 2. **模型名称**： 增强策略ETF/增强指数型基金超额收益计算模型[23][35][36] * **模型构建思路**： 通过比较基金收益率与其业绩比较基准的收益率，来评估基金的主动管理能力[23][35][36] * **模型具体构建过程**： 1. 选定评估周期（如上周、2025年以来、近1年） 2. 计算评估周期内基金的净值增长率（收益率） 3. 计算同一评估周期内业绩比较基准的收益率 4. 使用以下公式计算超额收益率： $$超额收益率 = 基金收益率 - 业绩比较基准收益率$$[23][35][36] * **模型评价**： 该模型是衡量指数增强产品投资效果的核心指标 模型的回测效果 *报告未提供上述计算模型的量化回测指标（如年化收益率、夏普比率、最大回撤等）。报告中的结果均为特定时间窗口（如上周、近一年）下的具体计算值，而非模型历史表现的统计检验结果[10][23][35][36]。* 量化因子与构建方式 *报告内容为市场数据描述与基金业绩展示，未涉及量化因子的构建、测试或分析。* 因子的回测效果 *报告内容为市场数据描述与基金业绩展示，未涉及量化因子的回测效果。*

根据研报内容，以下是关于量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：动量因子**[60] * **因子构建思路**：基于股价的历史表现，筛选近期表现强势的股票，旨在捕捉趋势延续效应[60] * **因子具体构建过程**：以“长江动量”指数作为动量因子的表征。该指数的构建方法是，首先计算每只股票的动量指标，具体公式为：`最近一年股票收益率 - 最近一个月股票收益率（剔除涨停板）`。然后，根据此动量指标，在A股市场中选取动量特征强且流动性相对较高的前100只股票作为指数成分股[60] 2. **因子名称：反转因子**[60] * **因子构建思路**：基于股价的短期表现，筛选近期表现弱势的股票，旨在捕捉价格回归均值的反转效应[60] * **因子具体构建过程**：以“长江反转”指数作为反转因子的表征。该指数的构建方法是，以最近一个月股票收益率作为筛选指标，在A股市场中选取反转效应强、流动性较好的前100只股票作为指数成分股，并采用成分股近三个月日均成交量进行加权[60] 3. **因子名称：风格相对拥挤度**[125] * **因子构建思路**：通过比较不同风格指数（如成长vs红利）的换手率活跃程度，来衡量该风格交易的相对拥挤程度，以判断其配置风险或性价比[125] * **因子具体构建过程**：对于风格A和风格B，计算步骤如下： 1. 分别计算风格A指数和风格B指数的近252日平均换手率时间序列[125] 2. 将上述时间序列在2005年1月1日以来的历史数据上进行Z-score标准化，得到Z-score_A与Z-score_B[125] 3. 计算二者差值：$$Diff_{Zscore} = Zscore\_A - Zscore\_B$$ 4. 计算该差值（Diff_Zscore）的滚动6年历史分位数（若历史数据量满1年但不足6年，则以全部历史数据计算），此分位数即为风格A相对于风格B的相对拥挤度[125] 4. **因子名称：风格累计超额净值**[126] * **因子构建思路**：通过计算风格指数相对于市场基准（万得全A）的累计超额表现，来评估该风格的长期收益特征[126] * **因子具体构建过程**： 1. 以2020年1月4日为基准日，将各风格指数及万得全A指数的每日收盘点数除以基准日收盘点数，得到各自的累计净值[126] 2. 将各风格指数的累计净值除以同一交易日的万得全A指数累计净值，得到该风格指数相对于万得全A指数的累计超额净值[126] 5. **因子名称：机构调研活跃度**[127] * **因子构建思路**：通过计算板块或行业相对于市场的机构调研热度差异，并将其标准化为历史分位数，来捕捉机构投资者的关注度变化[127] * **因子具体构建过程**：对于特定板块（或指数、行业），计算其“机构调研活跃度”的滚动历史分位数。具体步骤为： 1. 计算该板块近n个交易日的“日均机构调研次数”[127] 2. 将该时间序列在滚动y年的历史数据上进行Z-score标准化[127] 3. 将上述结果与万得全A的同期Z-score标准化结果作差，得到“机构调研活跃度”[127] 4. 最后计算此“机构调研活跃度”的滚动y年历史分位数（历史数据量不足y年时，以全部历史数据计算）[127] * **参数设置**：长期口径：n=126（近半年），y=6年；短期口径：n=63（近一季度），y=3年[127] 6. **因子名称：股债风险溢价（ERP）**[48] * **因子构建思路**：通过比较股票市场市盈率的倒数与无风险利率（国债收益率）的差异，来衡量权益资产相对于债券资产的相对吸引力[48] * **因子具体构建过程**：对于特定指数，其ERP的计算公式为： $$ERP = \frac{1}{指数PE\_{TTM}} - 10年期中债国债到期收益率$$ 其中，PE_TTM为指数滚动市盈率[48] 因子的回测效果 1. **动量因子**：近一周收益-1.7%，近一月收益1.8%，年初至今收益34.8%[58] 2. **反转因子**：近一周收益1.6%，近一月收益0.0%，年初至今收益13.5%[58] 3. **成长vs红利风格相对收益**：近一周收益-1.5%，近一月收益-2.9%，年初至今收益26.4%[58] 4. **小盘vs大盘风格相对收益**：近一周收益-0.9%，近一月收益-2.3%，年初至今收益8.1%[58] 5. **微盘股vs基金重仓风格相对收益**：近一周收益3.7%，近一月收益9.8%，年初至今收益45.9%[58] 6. **动量vs反转风格相对收益**：近一周收益-3.3%，近一月收益1.8%，年初至今收益21.3%[58]

经过仔细阅读和分析提供的研报内容，发现该报告主要是一份市场周报，侧重于对过去一周股票、债券、基金等市场的回顾和描述，并包含了大量基金产品的发行信息。报告内容并未涉及具体的量化模型或量化因子的构建思路、详细构建过程、公式或专门的测试结果。 报告中提到的“量化选股基金”（如鹏华启航量化选股基金[10]）和“量化对冲型基金”[38]属于应用量化方法的基金产品类别，但报告本身并未阐述这些产品所采用的具体模型或因子。报告中对基金业绩的统计（如表8、表9、表10等[55][58]）属于业绩展示，并非对特定模型或因子效果的测试。 因此，根据任务要求，本总结将跳过“量化模型与构建方式”及“量化因子与构建方式”部分，因为报告中无相关内容。同时，报告末尾的“风险提示”[55]和“免责声明”[56]类内容也将按指令不予包含。 **基金的量化策略业绩表现** 1. **指数增强型基金（本周超额收益）**[40] 分组 | 指标值 ---|--- Min | -3.41% 10% | -0.70% 20% | -0.51% 30% | -0.36% 40% | -0.23% 50% | -0.14% 60% | -0.04% 70% | 0.06% 80% | 0.20% 90% | 0.35% Max | 2.03% 2. **量化对冲型基金（本周收益）**[40] 分组 | 指标值 ---|--- Min | -0.22% 10% | -0.12% 20% | -0.01% 30% | 0.08% 40% | 0.15% 50% | 0.27% 60% | 0.29% 70% | 0.33% 80% | 0.41% 90% | 0.59% Max | 2.07% 3. **指数增强型基金（本年超额收益）**[40] 分组 | 指标值 ---|--- Min | -9.65% 10% | -1.42% 20% | 0.66% 30% | 1.65% 40% | 2.64% 50% | 3.95% 60% | 5.22% 70% | 6.76% 80% | 8.70% 90% | 12.19% Max | 23.88% 4. **量化对冲型基金（本年收益）**[40] 分组 | 指标值 ---|--- Min | -5.27% 10% | -1.36% 20% | -1.17% 30% | -0.72% 40% | 0.57% 50% | 1.11% 60% | 1.42% 70% | 1.48% 80% | 2.28% 90% | 3.21% Max | 14.43%

根据研报内容，该报告主要涉及对三大核心指数（沪深300、中证500、科创50）样本股调整的预测方法和结果，其核心是基于指数编制规则的量化筛选模型。以下是总结： 量化模型与构建方式 **1. 模型名称：指数样本股调整预测模型**[6][7][9][13] - **模型构建思路**：该模型严格依据中证指数有限公司发布的指数编制细则，利用截止至当年10月31日的客观交易数据和财务数据，通过一系列量化筛选步骤，预测在定期调整中可能被调入或调出的样本股[6][7] - **模型具体构建过程**：模型构建过程遵循指数编制规则，主要包含以下几个步骤： 1. **确定样本空间**：选择经营状况良好、无违法违规事件、财务报告无重大问题、股票价格无明显异常波动或市场操纵的公司作为备选池[7][9][13] 2. **数据排序**：对样本空间内的股票，按其在最近一年（特定日期前）的日均总市值和日均成交金额分别进行排名[7][9][13] 3. **综合筛选**： - **沪深300指数**：主要依据日均总市值和日均成交金额的综合排名进行选择，并设置缓冲区（例如，每次调整数量不超过成分股数量的10%）以降低样本周转率，同时会剔除长期停牌等特殊情况的股票[7] - **中证500指数**：首先剔除沪深300指数样本股及最近一年日均总市值排名前300的股票，然后在剩余股票中同样依据日均总市值和日均成交金额进行筛选，并遵循缓冲规则[9] - **科创50指数**：在科创板市场中，依据日均总市值和日均成交金额进行排序和筛选[13] 4. **特殊规则应用**：例如，对于沪深300指数，创业板证券进入样本空间的时间要求为上市超过一年[7] 5. **主观经验剔除**：基于历史观察，对于多次满足条件但未被纳入的股票（如沪农商行、三安光电等），模型会将其从预测样本池中主动剔除，以提高预测准确性[8][9] 模型的回测效果 *（注：报告未提供模型的历史预测准确率、信息比率(IR)等具体的量化回测指标取值，因此本部分省略）* 量化因子与构建方式 **1. 因子名称：日均总市值**[7][8][9][11][12][14] - **因子构建思路**：衡量上市公司在特定时间段内的市场规模，是决定股票能否进入宽基指数的核心指标之一[7][9][13] - **因子具体构建过程**：计算股票在审核截止日期前最近一年（例如，截至10月31日）的每日总市值的平均值。总市值通常为股价乘以总股本。$$日均总市值 = \frac{\sum_{t=1}^{N} (当日收盘价_t \times 总股本_t)}{N}$$ 其中，N为最近一年的总交易天数[7][8][11] **2. 因子名称：日均成交金额**[7][8][9][11][12][14] - **因子构建思路**：衡量股票在特定时间段内的流动性水平，保证指数成分股具有良好的交易活跃度[7][9][13] - **因子具体构建过程**：计算股票在审核截止日期前最近一年（例如，截至10月31日）的每日成交金额的平均值。$$日均成交金额 = \frac{\sum_{t=1}^{N} 当日成交金额_t}{N}$$ 其中，N为最近一年的总交易天数[7][8][11] 因子的回测效果 *（注：报告未提供上述因子在选股中的有效性、IC值、因子收益率等具体的量化回测指标取值，因此本部分省略）* 模型/因子评价 - **指数样本股调整预测模型**：该模型具有较强的规则性和客观性，完全基于公开的编制规则和历史数据，排除了分析师的主观判断，预测结果具有较高的透明度和可重复性[4][14]。同时，模型通过引入“历史未纳入剔除列表”来优化预测，体现了对规则细节和实际执行情况的深入理解[8][9]

根据提供的研报内容，这是一份关于大类资产与基金市场表现的周度报告，主要描述了市场概况和基金业绩，并未涉及具体的量化模型或量化因子的构建、测试与分析。报告内容集中于市场数据统计和业绩回顾[1][3][8][9][26][34][42][46][51][55]。 因此，本总结将不包含“量化模型与构建方式”、“模型的回测效果”、“量化因子与构建方式”及“因子的回测效果”等章节。

根据提供的金融工程市场跟踪周报，以下是其中涉及的量化模型与因子的总结： 量化模型与构建方式 1. 模型名称：量能择时模型 - **模型构建思路**：通过分析市场交易量能的变化来判断市场趋势和情绪，为宽基指数提供择时信号[24] - **模型具体构建过程**：基于各宽基指数的交易量能数据，当量能指标显示收缩或转弱时，发出谨慎或看空信号；具体判断标准未详细说明[24] - **模型评价**：该模型用于判断市场整体情绪和趋势状态[24] 2. 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指数成分股中上涨股票的家数占比来反映市场情绪，认为强势股的持续上行能为整个板块带来机会[25] - **模型具体构建过程**：计算沪深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] - **模型评价**：该指标可以较快捕捉上涨机会，但在市场过热阶段会错失持续上涨收益，对下跌市场的判断存在缺陷[26] 3. 模型名称：沪深300上涨家数占比择时模型 - **模型构建思路**：通过对上涨家数占比指标进行不同窗口期的平滑处理来捕捉情绪变动趋势[27] - **模型具体构建过程**： 1. 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，分别称为慢线和快线，其中N1>N2[29] 2. 当快线>慢线时，看多沪深300指数[29] 3. 具体参数：N=230，N1=50，N2=35[27] - **模型评价**：通过双均线系统来识别情绪拐点，提供更稳定的交易信号[27] 4. 模型名称：均线情绪指标模型 - **模型构建思路**：基于八均线体系对标的指数的趋势状态进行判断，通过价格与多条均线的相对位置来反映市场情绪[33] - **模型具体构建过程**： 1. 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[33] 2. 计算当日沪深300指数收盘价大于八均线指标值的数量[37] 3. 当前价格大于八均线指标值的数量超过5时，看多沪深300指数[37] - **模型评价**：该模型能够清晰反映指数价格与均线系统的相对关系，提供趋势判断依据[33] 5. 模型名称：抱团基金分离度模型 - **模型构建思路**：通过计算抱团基金截面收益的标准差来监控基金抱团程度，标准差小说明抱团程度高，反之表示抱团正在瓦解[80] - **模型具体构建过程**：分离度指标 = 抱团基金截面收益的标准差[80] - **模型评价**：该指标能够有效反映基金抱团行为的变化趋势，为市场风格判断提供参考[80] 量化因子与构建方式 1. 因子名称：横截面波动率因子 - **因子构建思路**：衡量同一时间点不同股票收益率的离散程度，反映市场分化情况和Alpha环境[38] - **因子具体构建过程**：计算特定指数（如沪深300、中证500、中证1000）成分股在同一时间截面上收益率的波动率[38] - **因子评价**：横截面波动率越高，说明个股分化越明显，Alpha机会越多[38] 2. 因子名称：时间序列波动率因子 - **因子构建思路**：衡量单只股票或指数在不同时间点的收益率波动程度，反映市场稳定性和风险水平[39] - **因子具体构建过程**：计算指数成分股加权时间序列波动率，反映整体市场的波动性变化[39] - **因子评价**：时间序列波动率较低时，市场相对稳定，Alpha环境较好[39] 模型的回测效果 1. 量能择时模型 - 截至2025年11月7日，各宽基指数量能择时信号均为空[24] 2. 沪深300上涨家数占比情绪指标 - 截至2025年11月7日，该指标最近一周上升，上涨家数占比指标高达70%，市场情绪较高[26] 3. 沪深300上涨家数占比择时模型 - 截至2025年11月7日，快线、慢线均小幅下行，目前快线处于慢线下方，维持谨慎观点[27] 4. 均线情绪指标模型 - 截至2025年11月7日，近期沪深300指数处于情绪景气区间[33] 5. 抱团基金分离度模型 - 截至2025年11月7日，基金抱团分离度环比前一周小幅下降[80] 因子的回测效果 1. 横截面波动率因子 - 沪深300横截面波动率：近两年平均值1.91%，近一年平均值1.91%，近半年平均值1.94%，近一季度平均值2.26%[39] - 中证500横截面波动率：近两年平均值2.09%，近一年平均值2.14%，近半年平均值2.10%，近一季度平均值2.43%[39] - 中证1000横截面波动率：近两年平均值2.28%，近一年平均值2.42%，近半年平均值2.34%，近一季度平均值2.59%[39] 2. 时间序列波动率因子 - 沪深300时序波动率：近两年平均值0.65%，近一年平均值0.63%，近半年平均值0.61%，近一季度平均值0.72%[42] - 中证500时序波动率：近两年平均值0.47%，近一年平均值0.46%，近半年平均值0.44%，近一季度平均值0.53%[42] - 中证1000时序波动率：近两年平均值0.26%，近一年平均值0.26%，近半年平均值0.24%，近一季度平均值0.27%[42]

根据提供的量化周报内容，以下是关于报告中涉及的量化模型和因子的总结。 量化模型与构建方式 1. **模型名称：A股景气指数模型**[32][33][35] * **模型构建思路**：该模型旨在对A股市场的景气度进行高频Nowcasting（即时预测），其核心目标是Nowcasting上证指数的归母净利润同比增速[32] * **模型具体构建过程**：模型的具体构建细节在报告《视角透析：A股景气度高频指数构建与观察》中。报告指出，该指数用于追踪景气下行周期的底部区域和上行趋势[32][33][35] 2. **模型名称：A股情绪指数模型**[37][38][43] * **模型构建思路**：该模型通过分析市场的波动率和成交额变化来刻画投资者情绪，并据此生成见底和见顶预警信号[37][38] * **模型具体构建过程**：模型将市场状态根据波动率和成交额的变化方向划分为四个象限。研究表明，只有在“波动率上行-成交额下行”的区间内市场表现为显著负收益，其余区间均为显著正收益。基于此规律，模型构建了包含见底预警与见顶预警的A股情绪指数系统。具体构建方法可参考报告《视角透析：A股情绪指数构建与观察》[37][38][43] 3. **模型名称：中证500指数增强模型**[48][51][53] * **模型构建思路**：通过量化策略模型构建投资组合，旨在持续跑赢中证500指数基准[48][51] * **模型具体构建过程**：报告未详细说明该增强模型的具体因子构成和权重配置方法，但展示了根据该模型产生的具体持仓列表[53] 4. **模型名称：沪深300指数增强模型**[56][57][60] * **模型构建思路**：通过量化策略模型构建投资组合，旨在持续跑赢沪深300指数基准[56][57] * **模型具体构建过程**：报告未详细说明该增强模型的具体因子构成和权重配置方法，但展示了根据该模型产生的具体持仓列表[60] 5. **模型名称：主题挖掘算法模型**[48] * **模型构建思路**：该模型通过分析新闻和研报文本，自动挖掘当前市场的热点主题投资机会[48] * **模型具体构建过程**：模型包含多个处理维度，包括文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建以及主题影响力因子构建等[48] 模型的回测效果 1. **中证500增强模型**，本周收益0.40%，本周超额收益0.45%，2020年至今超额收益52.65%，最大回撤-5.73%[48][51] 2. **沪深300增强模型**，本周收益0.84%，本周超额收益0.02%，2020年至今超额收益39.36%，最大回撤-5.86%[56][57] 3. **A股情绪指数系统择时模型**，报告通过图表展示了其历史择时表现，但未给出具体的量化指标数值[47] 量化因子与构建方式 1. **因子名称：风格因子体系**[61] * **因子构建思路**：参照BARRA因子模型框架，构建一套涵盖十大类风格的风险因子体系，用于解释股票收益和市场风格分析[61] * **因子具体构建过程**：报告指出构建的风格因子包括：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）。但未提供每个因子的具体计算公式[61] 因子的回测效果 1. **残差波动率因子**，近期纯因子收益表现优异[2][62] 2. **价值因子**，近期纯因子收益表现优异[2][62] 3. **动量因子**，近期纯因子收益呈较为显著的负向超额收益[2][62] 4. **市值因子**，近期表现不佳[2][62] 5. **非线性市值因子**，近期表现不佳[2][62] 对模型或因子的评价 * **A股景气指数**：评价认为当前景气指数正缓慢呈现出震荡上行趋势，本轮景气下行的底部区域已经出现[32][35] * **风格因子**：评价认为当前市场风格中，残差波动率因子占优，高价值股表现优异[2][62]

根据提供的研报内容，以下是关于量化模型和因子的总结。 量化模型与构建方式 1. **模型名称：短期择时模型**[5][12][14][15] * **模型构建思路**：该模型通过综合评估基本面、估值面、情绪面和流动性四个维度的多个指标信号，生成对市场短期走势的综合判断，以决定仓位水平[5][12][14][15] * **模型具体构建过程**： * **一级指标与信号**：模型包含四个一级指标：基本面、估值面、情绪面、流动性。每个一级指标下包含若干二级指标[14][15][19] * **二级指标信号生成**：每个二级指标根据其当前值在历史（通常为过去5年）中的分位数位置，被赋予“乐观”（看多）、“谨慎”（看空）或“中性”的信号[14][15][19]。例如： * 基本面指标：观察制造业PMI（>50为乐观）、信贷脉冲环比变化分位数（高分为乐观）、M1同比增速（HP滤波去趋势）分位数（高分为乐观）[14][19] * 估值面指标：观察A股整体PE分位数和PB分位数（高分为谨慎）[14][19] * 情绪面指标：观察A股整体Beta离散度分位数（高分为谨慎）、量能情绪分位数（低分为谨慎）、波动率分位数（中性区间）[15][19] * 流动性指标：观察货币利率指标分位数（中性区间）、汇率预期指标分位数（低分为乐观，代表汇率偏强）、沪深净融资额5日均值分位数（高分为中性）[15][19] * **综合信号合成**：将四个一级指标的信号（乐观、谨慎、中性）通过一定的规则合成为一个总体的仓位信号（例如，满仓、半仓、空仓）[5][19][25] 2. **模型名称：成长价值风格轮动模型**[5][26][27][28] * **模型构建思路**：该模型基于基本面、估值面和情绪面三个维度的指标，判断成长风格与价值风格之间哪一类在未来更具相对优势，从而进行超配或低配[5][26][28] * **模型具体构建过程**： * **基本面维度**：基于量化经济中周期分析框架，观察三个指标： * 盈利周期斜率：斜率大时利好成长风格[26][28] * 利率综合周期水平：水平低时利好成长风格[26][28] * 信贷综合周期变化：上行时利好成长风格[26][28] * **估值面维度**：观察成长风格与价值风格之间的估值差（PE差和PB差）在历史（5年）中的分位数。当估值差分位数较低时，意味着估值差有均值回归上行的动力，利好成长风格[26][28] * **情绪面维度**：观察成长风格与价值风格之间的换手差和波动差在历史（5年）中的分位数。换手差偏高利好成长风格；波动差反弹至偏高位置则建议均衡配置[26][28] * **信号合成**：综合上述各维度的信号，最终给出超配成长或超配价值的建议[26][28] 3. **模型名称：小盘大盘风格轮动模型**[5][30][31][32] * **模型构建思路**：该模型从流动性、交易行为、市场情绪、价格趋势等多个角度选取11个有效指标，构建综合信号来判断小盘风格与大盘风格的轮动机会[30][32] * **模型具体构建过程**： * **指标池**：模型包含11个指标，例如：A股龙虎榜买入强度、R007、融资买入余额变化、主题投资交易情绪、等级利差、期权波动率风险溢价、Beta离散度、PB分化度、大宗交易折溢价率、中证1000的MACD指标、中证1000交易量能等[30][32] * **单个指标信号**：每个指标独立产生看多小盘（100%）或看多大盘（0%）的信号[32] * **综合信号生成**：对11个指标的信号进行综合（例如，投票或平滑处理），形成最终的综合轮动信号。报告中提到采用了“3D平滑”的方式，即连续3个交易日形成看多信号则确认风格观点[30][32]。最终输出小盘仓位百分比和大盘仓位百分比[32] 模型的回测效果 1. **短期择时模型**[16][21][24] * 回测期：2012年底至今 * 年化收益率：16.36% * 基准年化收益率（月度中性持仓再平衡）：4.88% * 年化超额收益率：11.48% * 最大回撤：15.49% * 夏普比率：0.9627 * 收益回撤比：1.0561 * 月度胜率：66.03% * 2024年以来年化收益率：30.51% * 2024年以来最大回撤：11.04% 2. **成长价值风格轮动模型**[27][29] * 回测期：2012年底至今 * 年化收益率：13.00% * 基准年化收益率（月度风格均衡配置）：8.13% * 年化超额收益率：4.87% * 最大回撤：43.07% * 夏普比率：0.5961 * 收益回撤比：0.3018 * 月度胜率：58.71% * 2025年以来收益率：27.61% * 2025年以来基准收益率：27.48% * 2025年以来超额收益率：0.13% 3. **小盘大盘风格轮动模型**[31][32] * 回测期：2014年以来 * 综合策略年化收益率：20.08% * 综合策略年化超额收益率：12.77% * 综合策略最大回撤：40.70% * 2025年以来超额收益率：11.59% 量化因子与构建方式 1. **因子名称：Beta离散度**[12][15][30] * **因子构建思路**：该因子用于衡量市场风险，反映市场中个股收益率对市场收益率（Beta）的离散程度，离散度高表明市场存在局部风险[12][15] * **因子具体构建过程**：计算全市场个股Beta值的标准差或类似离散度指标。报告中提及观察其变化方向和历史分位数[12][15][30] 2. **因子名称：PB分化度**[12][15][30] * **因子构建思路**：该因子用于衡量市场交易分歧度，反映全市场股票市净率（PB）的离散程度，分化度下行表明市场估值水平趋于收敛，观点分歧小[12][15] * **因子具体构建过程**：计算全市场个股PB值的标准差或类似分化度指标。报告中提及观察其变化方向和历史分位数[12][15][30] 3. **因子名称：全A交易量能/量能情绪**[12][15] * **因子构建思路**：该因子用于衡量短期交易情绪，反映市场整体的交易活跃度[12][15] * **因子具体构建过程**：基于全市场交易额构建标准化指标（例如，相对于长期均值的偏离）。报告中提及观察其变化方向和历史分位数[12][15] 因子的回测效果 （报告中未提供上述单个因子的独立回测绩效指标）

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：商品融合策略**[23] * **模型构建思路**：该策略是一个复合模型，通过等权配置三个基于不同风险溢价（基本面、carry、动量）的子策略，旨在获取商品市场的综合收益[23] * **模型具体构建过程**：首先分别构建商品期限结构、商品时序动量和商品截面仓单三个模拟组合，然后将这三个子策略进行等权组合，形成最终的融合策略[23] 2. **因子名称：商品期限结构因子**[24][32] * **因子构建思路**：基于展期收益率因子来刻画商品的升贴水状态，属于carry风险溢价[24] * **因子具体构建过程**：动态做多展期收益率高的品种，做空展期收益率低的品种[24][32] 3. **因子名称：商品时序动量因子**[24][36] * **因子构建思路**：基于多个技术指标刻画境内商品的中长期趋势，属于动量风险溢价[24] * **因子具体构建过程**：动态做多趋势上涨的资产，做空趋势下跌的资产[24][36] 4. **因子名称：商品截面仓单因子**[24][42] * **因子构建思路**：基于仓单因子刻画境内商品基本面的变化情况，属于基本面风险溢价[24] * **因子具体构建过程**：动态做多仓单下降的资产，做空仓单增长的资产[24][42] 模型的回测效果 1. **商品融合策略**，近两周收益0.57%，今年以来收益3.17%[23][26] 2. **商品期限结构模拟组合**，近两周收益0.90%，今年以来收益6.44%[23][26][28] 3. **商品时序动量模拟组合**，近两周收益0.47%，今年以来收益-2.66%[26][33] 4. **商品截面仓单模拟组合**，近两周收益0.34%，今年以来收益5.90%[26][37] 量化因子与构建方式 *（因子构建方式已在“量化模型与构建方式”部分详细列出，此处不再重复）* 因子的回测效果 1. **商品期限结构因子**，近两周收益贡献靠前的品种是甲醇(0.34%)、棕榈油(0.22%)、聚丙烯(0.14%)[30] 2. **商品时序动量因子**，近两周收益贡献靠前的品种是甲醇(0.29%)、铝(0.21%)、棕榈油(0.16%)[33] 3. **商品截面仓单因子**，近两周收益贡献靠前的品种是沪铝(0.30%)、聚丙烯(0.29%)、聚乙烯(0.28%)[40]

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：A股多维择时模型**[2][9] * **模型构建思路**：从估值、情绪、资金、技术四个维度对万得全A指数进行整体方向性判断，各维度采用不同逻辑（反转或趋势）以捕捉市场机会和规避风险[9] * **模型具体构建过程**：选取四个维度的具体指标，包括股权风险溢价（估值）、期权沽购比/期权隐含波动率/期货会员持仓比（情绪）、融资买入额（资金）、布林带/个股涨跌成交额占比差（技术）[9][11][15]；各维度日频发出信号，每日信号取值为0（看平）、+1（看多）、-1（看空）[9]；以各维度得分之和的正负性作为最终多空观点依据[9] 2. **模型名称：红利风格择时模型**[3][17] * **模型构建思路**：结合中证红利相对中证全指的动量、10Y-1Y期限利差和银行间质押式回购成交量三者的趋势对红利风格进行择时[3][17] * **模型具体构建过程**：使用三个指标：中证红利相对中证全指的动量（正向指标）、10Y-1Y期限利差（负向指标）、银行间质押式回购成交量（正向指标）[3][21]；三个指标从趋势维度日频发出信号（0, +1, -1）[17]；以各维度得分之和的正负性作为红利风格多空观点依据[17]；当看好红利风格时全仓持有中证红利，否则全仓持有中证全指[17] 3. **模型名称：大小盘风格择时模型**[3][22] * **模型构建思路**：采用基于拥挤度分域的趋势模型进行择时，在不同拥挤度区间采用不同参数的均线模型判断趋势[3][22] * **模型具体构建过程**：首先计算大小盘风格拥挤度得分[22]；拥挤度得分基于动量之差和成交额之比构建[22][26]： * **动量得分**：计算万得微盘股指数与沪深300指数的多个窗长（10/20/30/40/50/60日）动量之差，再计算各窗长动量之差的多个年数（3.0/3.5/4.0/4.5/5.0年）分位数的均值，对小盘风格取分位数最高的3个窗长结果均值，对大盘风格取分位数最低的3个窗长结果均值[26] * **成交量得分**：计算万得微盘股指数与沪深300指数的多个窗长（10/20/30/40/50/60日）成交额之比，再计算各窗长成交额之比的多个年数（3.0/3.5/4.0/4.5/5.0年）分位数的均值，对小盘风格取分位数最高的3个窗长结果均值，对大盘风格取分位数最低的3个窗长结果均值[26] * **拥挤度得分**：将小盘（大盘）风格的动量得分和成交量得分取均值，得到小盘（大盘）风格的拥挤度得分；小盘风格得分大于90%视为触发高拥挤，大盘风格得分小于10%视为触发高拥挤[22][26]；若最近20个交易日中任一风格曾触发高拥挤，则模型运行在高拥挤区间，否则在低拥挤区间[24]；在高拥挤区间采用小参数双均线模型，在低拥挤区间采用大参数双均线模型判断趋势[22][24] 4. **模型名称：遗传规划行业轮动模型**[4][29][33] * **模型构建思路**：采用遗传规划技术（特别是双目标遗传规划）直接对行业指数的量价、估值等特征进行因子挖掘，不再依托逻辑设计打分规则，以提升因子多样性和降低过拟合风险[4][33][34] * **模型具体构建过程**：底层资产为32个中信行业指数[29]；使用双目标遗传规划，以|IC|（信息系数绝对值）和NDCG@5（前5名归一化折损累积增益）两个指标同时评价因子的分组单调性和多头组表现，并采用NSGA-II算法进行优化[33]；因子挖掘的底层输入变量包括行业指数的标准化价格、成交额、换手率分位数、市净率分位数等[37]；每季度末更新因子库[4]；每周末，结合贪心策略和方差膨胀系数将共线性较弱的多个因子合成为行业得分，并选出多因子综合得分最高的五个行业进行等权配置[4][34] 5. **模型名称：中国境内全天候增强组合**[5][39][42] * **模型构建思路**：采用宏观因子风险预算框架，在增长和通胀两个维度下根据是否超预期划分四象限并进行风险平价，再基于宏观预期动量主动偏配看好的象限，实现全天候增强[5][39][42] * **模型具体构建过程**：策略构建分为三步：1) 宏观象限划分与资产选择：选择增长超预期、增长不及预期、通胀超预期、通胀不及预期四个宏观风险源象限，结合定量与定性方式确定各象限适配的资产[42]；2) 象限组合构建与风险度量：象限内资产等权构建子组合，注重刻画象限的下行风险[42]；3) 风险预算模型确定象限权重：每月底，根据由宏观预期动量指标给出的"象限观点"调整象限风险预算，进行主动偏配[42]；模型月频调仓[5] 模型的回测效果 1. **A股多维择时模型**[2][9][14] * 今年以来收益：36.03%[2][14] * 年化收益：24.54%[14] * 最大回撤：-28.46%[14] * 夏普比率：1.14[14] * Calmar比率：0.86[14] * 上周收益：-0.65%[14] 2. **红利风格择时模型**[17][20] * 今年以来收益：25.04%[17][20] * 年化收益：16.20%[20] * 最大回撤：-25.52%[20] * 夏普比率：0.88[20] * Calmar比率：0.63[20] * 上周收益：2.23%[20] 3. **大小盘风格择时模型**[24][27] * 今年以来收益：78.29%[24][27] * 年化收益：27.79%[27] * 最大回撤：-116.07%[27] * 夏普比率：-0.32[27] * Calmar比率：0.87[27] * 上周收益：3.44%[27] 4. **遗传规划行业轮动模型**[4][29][32] * 今年以来收益：40.67%[4][32] * 年化收益：32.96%[32] * 年化波动：17.77%[32] * 夏普比率：1.85[32] * 最大回撤：-19.63%[32] * 卡玛比率：1.68[32] * 上周收益：-0.64%[32] 5. **中国境内全天候增强组合**[5][40][43] * 今年以来收益：11.10%[5][40][43] * 年化收益：11.64%[43] * 年化波动：6.19%[43] * 夏普比率：1.88[43] * 最大回撤：-6.30%[43] * 卡玛比率：1.85[43] * 上周收益：0.16%[40][43] * 月度胜率：100%[5][40] 量化因子与构建方式 1. **因子名称**：遗传规划挖掘的权重最高因子（最新一期）[37][38] * **因子构建思路**：通过双目标遗传规划算法从行业量价等数据中自动挖掘[33][37] * **因子具体构建过程**：因子表达式为 `ts_grouping_deczscorecut_torch(ts_covariance_torch(wlow_st, mopen_st, 25), whigh_st, 15, 2.0, 2)`[37]；具体计算步骤：1) 在过去25个交易日中，计算周度标准化最低价(`wlow_st`)和月度标准化开盘价(`mopen_st`)的协方差，记为变量A[38]；2) 在过去15个交易日中，对周度标准化最高价(`whigh_st`)进行zscore标准化，筛选出标准化值大于2.0的日期，对变量A进行反转（乘以-1）后，计算这些日期内A值的总和[38]