量化模型与构建方式 1. **模型/因子名称**：南方基金“首趋E指”小程序双核心评价体系[12] **模型/因子构建思路**：该小程序为指数投资工具，其核心功能模块“比”环节，提炼了两个核心评价指标，用于横向对比不同指数的投资价值[12][14]。 **模型/因子具体构建过程**：构建了两个评价指标： * **热度值**：反映指数所代表的短期市场情绪与交易热度[14]。 * **潜力值**：衡量指数的中长期配置价值[14]。 **模型/因子评价**：该体系旨在将复杂的指数投资决策过程简化、标准化，通过“热度值”和“潜力值”两个维度，帮助投资者快速理解和比较不同指数的短期交易特征与长期投资价值[12][14]。 2. **模型/因子名称**：动态哑铃策略工具[14] **模型/因子构建思路**：作为“首趋E指”小程序的“投”环节工具，旨在帮助投资者构建攻守兼备的投资组合[14]。 **模型/因子具体构建过程**：该工具将投资组合的资产进行可视化拆解，分为两类： * **进攻型资产**：主要包括成长风格、科技主题的指数或基金[14]。 * **防守型资产**：主要包括红利指数、债券类资产、宽基蓝筹指数或基金[14]。 投资者可以通过调整这两类资产的配置比例，动态构建符合自身风险偏好的投资组合[14]。 模型的回测效果 （报告中未提供“首趋E指”小程序相关模型或策略的具体回测指标数据。） 量化因子与构建方式 （报告中未提供传统量化选股因子的具体构建细节。） 因子的回测效果 （报告中未提供传统量化选股因子的具体测试结果。）

量化模型与构建方式 1. **模型名称：三维择时框架**[6][9] * **模型构建思路**：通过监测市场分歧度、流动性和景气度三个维度的趋势变化，综合判断市场整体走势（震荡上涨、震荡下跌、趋势上涨、趋势下跌）[6][9]。 * **模型具体构建过程**：报告未详细描述三个具体指数的构建公式，但明确了其构建逻辑。市场分歧度指数用于衡量投资者观点分歧程度[16]。市场流动性指数用于衡量市场资金面松紧状况[23]。A股景气度指数2.0用于衡量上市公司盈利增长趋势[19]。通过观察这三个指数的变化趋势（上行或下行），将其映射到“分歧度-流动性-景气度”三维坐标系中，从而对市场状态进行判断[9]。 2. **模型名称：ETF热点趋势策略**[27] * **模型构建思路**：结合技术形态（价格趋势）和市场情绪（换手率变化），筛选出处于强势上涨趋势且市场关注度短期显著提升的ETF构建组合[27]。 * **模型具体构建过程**： 1. **初选**：根据K线形态，筛选出最高价与最低价同时呈现上涨形态的ETF[27]。 2. **构建支撑阻力因子**：基于最高价与最低价近20日的回归系数，计算其相对陡峭程度，以此构建因子[27]。 3. **筛选关注度提升品种**：在支撑阻力因子的多头组中，选择近5日换手率与近20日换手率比值最高的ETF，即短期市场关注度明显提升的品种[27]。 4. **组合构建**：最终选择10只ETF，采用风险平价方法构建投资组合[27]。 3. **模型名称：融资-主动大单资金流共振策略**[34] * **模型构建思路**：利用融资融券资金流和主动大单资金流两种不同类型资金的共振效应，筛选出资金面共同看好的行业[34]。 * **模型具体构建过程**： 1. **构建行业融资融券资金因子**：计算行业内个股的融资净买入减去融券净卖出并加总，然后使用Barra市值因子进行中性化处理。取该中性化后序列的最近50日均值，并计算其两周环比变化率[34]。 2. **构建行业主动大单资金因子**：计算行业资金净流入，并使用行业最近一年的成交量进行时序中性化处理，然后进行排序打分。取该排序分值的最近10日均值[34]。 3. **策略逻辑**：研究发现，融资融券因子的多头端在某些市场状态下有稳定的负向超额收益，而主动大单因子（剔除极端多头行业后）有稳定的正向超额收益。因此，策略在主动大单因子的头部打分行业内，剔除融资融券因子也处于头部的行业，以提高策略稳定性。最后，再剔除大金融板块[34]。 4. **模型名称：全天候配置策略（高波版与低波版）**[38] * **模型构建思路**：通过资产选择、风险调整和结构对冲三项原则，构建分散化的投资组合，旨在不依赖宏观预测和杠杆的情况下获取稳健的绝对收益[38]。 * **模型具体构建过程**：报告未提供具体的资产配置权重计算公式，但阐述了核心设计原则。 1. **核心原则**：遵循资产选择、风险调整、结构对冲三项基本原则以实现收益稳定[38]。 2. **对冲构型**：采用循环对冲设计，直接针对资产波动进行长期收益平衡，绕过对宏观因素的刻画[38]。 3. **组合分类**：根据风险水平分为高波版和低波版。高波版采用“四层结构化-股债金风险平价”方法；低波版采用“五层结构化-风险预算”方法[38][40][42]。 4. **资产类别**：组合涵盖A股、H股、美股、债券、商品（黄金、有色金属、能源化工、豆粕）等多种资产[48]。 量化因子与构建方式 1. **因子名称：支撑阻力因子**[27] * **因子构建思路**：通过计算价格高点与低点回归线的陡峭程度，来衡量ETF价格的上涨动力或阻力强度[27]。 * **因子具体构建过程**：对于每只ETF，分别对其最高价和最低价序列进行近20日的线性回归。该因子的值即为两个回归线斜率的相对陡峭程度，具体计算公式未在报告中给出[27]。 2. **因子名称：行业融资融券资金因子**[34] * **因子构建思路**：衡量经过市值调整后的行业层面融资客资金流向的近期变化强度[34]。 * **因子具体构建过程**： 1. 计算行业内各股票的融资净买入与融券净卖出之差，并在行业内加总，得到原始行业两融资金流。 2. 使用Barra市值因子对该原始序列进行横截面中性化处理。 3. 计算中性化后序列的50日移动平均值。 4. 计算该50日均值的两周环比变化率，作为最终的因子值[34]。 3. **因子名称：行业主动大单资金因子**[34] * **因子构建思路**：衡量经过自身成交量调整后的行业层面主力资金（大单）净流入强度的近期平均水平[34]。 * **因子具体构建过程**： 1. 计算行业的主动大单资金净流入额。 2. 使用该行业自身最近一年的成交量时间序列，对资金净流入序列进行时序中性化处理。 3. 将中性化后的序列在全市场行业内进行排序并转化为分位数打分。 4. 取该排序分值的10日移动平均值，作为最终的因子值[34]。 4. **风格因子组**：报告提及了价值因子、盈利收益率因子、杠杆因子，并指出本周市场呈现“高价值高盈利收益率高杠杆”的风格特征，但未提供这些因子的具体构建公式[49]。 5. **Alpha因子组**：报告列出了大量Alpha因子及其近期表现，但未提供具体构建公式。这些因子主要包括： * **估值类**：未来三年一致预期市盈率倒数（ep_fy3）、市盈率倒数fttm（ep_fttm）、一致预期市盈率倒数（est_ep）、市销率倒数（sp）、股息率（dividend_yield_ratio）等[54]。 * **盈利与质量类**：营业收入TTM（or_ttm）、经营现金流TTM/总市值（ocfp）、单季度ROA同比差值（roa_q_delta_adv）、营业利润TTM/销售费用TTM（oper_salesexp）等[54][57]。 * **成长与预期类**：一致预期净利润（FY1）变化占比（mom1_np_fy1）、一致预期营收（FY1）变化占比（mom3_rev_fy1）、一致预期EPS变化占比（mom3_eps_fy1）、PEG（peg）等[56][57]。 * **动量与波动类**：一周收益标准差（return_std_1w）、十二个月收益标准差（return_std_12m）、3月最高价/3月最低价（close_max_div_min_3m）、2年的收益率（mom_2y）、十二个月残差动量（specific_mom12）等[54][57]。 * **情绪与交易类**：近252交易日平均换手率的自然对数（swap_1y）、换手率波动（turnover_std_3m）等[54]。 * **分析师预期类**：评级上下调差/评级上下调和（est_num_diff）、est eps刷量（mom_est_eps）等[57]。 模型的回测效果 1. **三维择时框架**：报告展示了该框架的历史状态划分图（图3、图4），但未提供具体的量化回测指标（如年化收益率、夏普比率等）[9][12]。 2. **ETF热点趋势策略**：2025年以来，策略收益为65.46%，相比沪深300指数的超额收益为43.25%[27]。 3. **融资-主动大单资金流共振策略**： * 2018年以来费后年化超额收益为14.3%，信息比率（IR）为1.3[34]。 * 策略上周（报告期）绝对收益为-1.51%，相对行业等权基准的超额收益为-0.91%[34]。 4. **全天候配置策略**： * **高波版**：截至2025年，年化收益率11.8%，年平均最大回撤3.6%，夏普比率1.9。2026年以来收益率2.9%[46]。 * **低波版**：截至2025年，年化收益率6.7%，年平均最大回撤2.0%，夏普比率2.4。2026年以来收益率1.3%[46]。 因子的回测效果 1. **风格因子（本周表现）**： * 价值因子周收益：3.08%[49] * 盈利收益率因子周收益：2.10%[49] * 杠杆因子周收益：1.93%[49] 2. **Alpha因子（近一周多头超额收益）**：报告以表格形式列出了近一周和近一个月表现最好的20个因子及其多头超额收益[54]。部分关键因子近一周表现如下： * 未来三年一致预期市盈率倒数（ep_fy3）：1.13%[54] * 一周收益标准差（return_std_1w）：1.07%[54] * 十二个月收益标准差（return_std_12m）：1.00%[54] * 市盈率倒数fttm（ep_fttm）：0.99%[54] * 一致预期市盈率倒数（est_ep）：0.99%[54] 3. **Alpha因子（分指数最近一年多头超额收益）**：报告展示了在不同宽基指数（沪深300、中证500、中证800、中证1000）中，最近一年表现最佳的因子及其超额收益[57]。部分代表性因子表现如下： * **沪深300中表现最佳**：评级上下调差/评级上下调和（est_num_diff），超额收益34.58%[57] * **中证500中表现最佳**：一致预期净利润（FY1）变化占比（mom1_np_fy1），超额收益15.80%[57] * **中证800中表现最佳**：一致预期净利润（FY1）变化占比（mom3_np_fy1），超额收益28.07%[57] * **中证1000中表现最佳**：单季度净利润同比增长(考虑快报、预告)（yoy_np_q_adv），超额收益23.09%[57]

量化模型与构建方式 **注：** 该报告为历史牛市行业表现的复盘研究，未涉及具体的量化模型或量化因子构建。报告的核心内容是对不同牛市阶段中，各行业（长江一级行业）的涨幅、弹性、超额收益等表现进行统计和对比分析，属于历史规律总结和定性描述，并未提出新的量化模型或因子[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15]。 量化因子与构建方式 **注：** 该报告未构建新的量化因子。报告中用于衡量行业表现的核心指标是**“区间最大涨幅”**，其定义为行业指数在特定时间段内从最低点到最高点的最大涨幅[20]。报告以此作为衡量行业弹性的主要标准，并基于此指标进行排序和对比分析[20][28][46]。 模型的回测效果 **注：** 报告未涉及量化模型，因此无模型回测效果。 因子的回测效果 **注：** 报告未构建量化因子，因此无因子回测效果。但报告对历史四轮牛市中各行业基于“区间最大涨幅”等指标的表现进行了详尽的统计，具体结果如下： **1. 第一轮牛市（2005年6月6日至2007年10月16日）行业弹性排名** * 综合金融，区间最大涨幅1955%，超额收益月份数22个月[28] * 房地产，区间最大涨幅1000%，超额收益月份数10个月[28] * 非金属材料，区间最大涨幅894%，超额收益月份数15个月[28] * 机械设备，区间最大涨幅884%，超额收益月份数15个月[28] * 金属材料及矿业，区间最大涨幅858%，超额收益月份数14个月[28] * 煤炭，区间最大涨幅842%，超额收益月份数13个月[28] * 家用装饰及休闲，区间最大涨幅808%，超额收益月份数13个月[28] * 油气石化，区间最大涨幅805%，超额收益月份数17个月[28] * 商业贸易，区间最大涨幅758%，超额收益月份数9个月[28] * 电力及新能源设备，区间最大涨幅726%，超额收益月份数14个月[28] **2. 第二轮牛市（2012年12月4日至2015年6月3日）行业弹性排名** * 计算机，区间最大涨幅891%，超额收益月份数22个月[46] * 家用装饰及休闲，区间最大涨幅542%，超额收益月份数22个月[46] * 传媒互联网，区间最大涨幅537%，超额收益月份数17个月[46] * 国防军工，区间最大涨幅509%，超额收益月份数17个月[46] * 电信业务，区间最大涨幅454%，超额收益月份数20个月[46] * 电力及新能源设备，区间最大涨幅393%，超额收益月份数21个月[46] * 环保，区间最大涨幅388%，超额收益月份数15个月[46] * 社会服务，区间最大涨幅380%，超额收益月份数20个月[46] * 电子，区间最大涨幅354%，超额收益月份数20个月[46] * 综合金融，区间最大涨幅348%，超额收益月份数13个月[46] **3. 第三轮牛市（2018年10月19日至2021年7月21日）行业弹性排名** * 电力及新能源设备，区间最大涨幅502%，超额收益月份数19个月[55] * 食品饮料，区间最大涨幅425%，超额收益月份数19个月[55] * 国防军工，区间最大涨幅373%，超额收益月份数15个月[55] * 有色金属，区间最大涨幅365%，超额收益月份数15个月[55] * 医药生物，区间最大涨幅364%，超额收益月份数18个月[55] * 电子，区间最大涨幅361%，超额收益月份数18个月[55] * 基础化工，区间最大涨幅342%，超额收益月份数16个月[55] * 汽车，区间最大涨幅337%，超额收益月份数16个月[55] * 机械设备，区间最大涨幅332%，超额收益月份数17个月[55] * 计算机，区间最大涨幅329%，超额收益月份数15个月[55] **4. 第四轮牛市（2024年2月5日至今）行业弹性排名（截至报告时）** * 电信业务，区间最大涨幅84.79%[25] * 金属材料及矿业，区间最大涨幅82.68%[25] * 电子，区间最大涨幅48.18%[25] * 电力及新能源设备，区间最大涨幅40.71%[25] * 国防军工，区间最大涨幅39.70%[25] * 化学品，区间最大涨幅39.26%[25] * 机械设备，区间最大涨幅39.14%[25] * 保险，区间最大涨幅31.36%[25] * 传媒互联网，区间最大涨幅30.08%[25] * 非金属材料，区间最大涨幅28.16%[25]

量化模型与构建方式 根据提供的研报内容，报告主要侧重于市场走势分析、行业轮动观察和事件驱动判断，并未涉及具体的量化模型或量化因子的构建、测试与评价[1][2][3][4][5][6][7][8][9][10][11][12][13][15][16][17][19][20][21][22][23][24][25][27][28][29][30][32][33][34][35][37][38][39][40][41][42][43][44][45][46][47][49][50][51][52][53][54][55][56][57][58][59][60][61][62]。 量化因子与构建方式 根据提供的研报内容，报告主要侧重于市场走势分析、行业轮动观察和事件驱动判断，并未涉及具体的量化模型或量化因子的构建、测试与评价[1][2][3][4][5][6][7][8][9][10][11][12][13][15][16][17][19][20][21][22][23][24][25][27][28][29][30][32][33][34][35][37][38][39][40][41][42][43][44][45][46][47][49][50][51][52][53][54][55][56][57][58][59][60][61][62]。

量化模型与构建方式 1. **模型名称**：红利风格择时模型[1][4][6] **模型构建思路**：通过构建一个综合因子来对红利风格进行择时，当综合因子值为正时发出看多信号[1][4][6]。 **模型具体构建过程**：模型是一个多因子打分模型。首先，选取多个对红利风格有预测能力的变量作为子因子。然后，对每个子因子进行处理，将其转化为标准化的因子值。最后，将所有子因子的标准化值进行加权或合成，得到最终的“综合因子值”[6][7][12]。模型的具体构建过程在前期报告《红利风格的择时方案》中详细阐述[6]。 量化因子与构建方式 1. **因子名称**：综合因子[1][4][6] **因子构建思路**：综合多个子因子的信息，形成一个对红利风格整体看多看空的综合判断指标[1][4][6]。 **因子具体构建过程**：该因子是红利风格择时模型的核心输出。其构建基于多个基础变量（子因子），通过特定的标准化和合成方法计算得出。报告未提供具体的加权或合成公式[6][12]。 2. **因子名称**：中国:非制造业 PMI:服务业[12] **因子构建思路**：使用中国非制造业PMI中的服务业分项作为衡量经济景气度的指标，可能用于判断市场风险偏好，从而影响红利风格表现[7][12]。 **因子具体构建过程**：直接采用公开的经济数据作为原始因子值，并经过模型内部的标准化处理[12]。 3. **因子名称**：中国:M2:同比[12] **因子构建思路**：使用中国M2货币供应量的同比增速作为衡量市场流动性的指标，流动性环境会影响红利等风格的表现[12]。 **因子具体构建过程**：直接采用公开的金融数据作为原始因子值，并经过模型内部的标准化处理[12]。 4. **因子名称**：美国:国债收益率:10 年[12] **因子构建思路**：使用美国10年期国债收益率作为全球无风险利率和资金成本的锚，其变化会影响中外利差和资金流向，进而影响A股红利资产吸引力[4][7][12]。 **因子具体构建过程**：直接采用公开的市场数据作为原始因子值，并经过模型内部的标准化处理[12]。 5. **因子名称**：红利相对净值自身[12] **因子构建思路**：可能指红利指数或相关组合自身的价格动量，用于捕捉趋势延续效应[4][7][12]。 **因子具体构建过程**：报告未提供具体计算方式，可能基于价格或净值的相对变化计算[12]。 6. **因子名称**：中证红利股息率-10 年期中债收益率[12] **因子构建思路**：计算中证红利指数的股息率与10年期国债收益率的差值（股息利差），用以衡量红利资产的相对性价比。利差越高，红利资产吸引力越强[12]。 **因子具体构建过程**：公式为：`因子 = 中证红利指数股息率 - 10年期国债收益率`。报告中的因子值为此利差经过标准化处理后的结果[12]。 7. **因子名称**：融资净买入[12] **因子构建思路**：使用融资净买入数据作为衡量市场内杠杆资金情绪和交易活跃度的指标，可能用于判断市场短期风险偏好[12]。 **因子具体构建过程**：直接采用公开的市场交易数据作为原始因子值，并经过模型内部的标准化处理[12]。 8. **因子名称**：行业平均景气度[12] **因子构建思路**：使用行业层面的景气度指标（可能基于PMI、营收增速等合成）的平均值，用于衡量整体经济或企业的盈利前景。景气度回暖可能不利于防御性的红利风格[4][7][12]。 **因子具体构建过程**：报告未提供具体计算方式，可能是对多个行业景气指标进行平均或合成后，再经过标准化处理[12]。 模型的回测效果 *报告为周度跟踪报告，主要展示模型最新观点和因子值，未提供历史回测的绩效指标（如年化收益率、夏普比率、最大回撤等）[1][6][12]。* 因子的回测效果 *报告为周度跟踪报告，主要展示各子因子在最新时点的标准化因子值和观点，未提供各因子单独的历史IC、IR等有效性检验指标[12]。* **模型/因子最新指标取值（截至2026年03月13日）** 1. **综合因子**，综合因子值：-0.39[1][4][6] 2. **中国:非制造业 PMI:服务业**，因子值：0.14，最新观点：0[12] 3. **中国:M2:同比**，因子值：0.31，最新观点：0[12] 4. **美国:国债收益率:10 年**，因子值：-0.81，最新观点：0[12] 5. **红利相对净值自身**，因子值：1.59，最新观点：1[12] 6. **中证红利股息率-10 年期中债收益率**，因子值：-0.22，最新观点：0[12] 7. **融资净买入**，因子值：0.74，最新观点：0[12] 8. **行业平均景气度**，因子值：0.91，最新观点：0[12] *注：“最新观点”列中，“1”代表看多，“0”代表中性或看空[12]。*

量化模型与构建方式 1. **模型名称：四轮驱动行业轮动模型**[8][17] * **模型构建思路**：该模型旨在通过捕捉行业层面的多种技术信号，以识别潜在的行业轮动机会[17] * **模型具体构建过程**：模型对每个行业进行监控，并识别特定的技术信号类型。根据研报中提供的模型输出表格，信号类型主要包括： * **低位金叉**：可能指代行业指数或其相关技术指标（如均线）在低位区域出现短期线上穿长期线的看涨信号[17] * **赚钱效应异动**：可能指代行业指数的赚钱效应指标（如资金流向、涨跌家数比等）出现异常波动，提示潜在机会[17] * **牛回头**：可能指代行业指数在上升趋势中出现短暂回调后，再次企稳并可能恢复上涨的信号[17] 模型根据这些信号的出现日期和类型，对行业进行排序，以提示潜在的轮动方向[17]。 模型的回测效果 （报告中未提供“四轮驱动行业轮动模型”的具体回测指标数值，如年化收益率、夏普比率、最大回撤等，因此本部分无内容。） 量化因子与构建方式 1. **因子名称：拥挤度**[1][8][9] * **因子构建思路**：通过衡量特定板块或行业的交易活跃度（以成交金额占比为代理变量）在其历史分布中的位置，来判断该板块是否过热或交易过于集中[1][9] * **因子具体构建过程**：对于某个行业或板块，计算其当前成交金额占市场总成交额的比例。然后，计算该比例在过去一段时间（报告中提及了3年和20年两个窗口期）历史数据中的分位点（Percentile）。分位点越高，表明当前成交活跃度相对于历史水平越拥挤[9]。 * 公式说明：拥挤度 = *当前行业成交金额占比* 在 *历史窗口期（如3年或20年）* 成交金额占比序列中的分位数[9]。 2. **因子名称：量能关注度及变化**[1][8][9] * **因子构建思路**：结合成交金额的绝对水平（关注度）和其近期变化幅度，以识别当前市场资金集中流入或流出明显的行业[1][9] * **因子具体构建过程**：该因子可能由两个维度构成： * **量能关注度**：直接使用行业成交金额的绝对值或其在市场中的占比作为衡量标准[9]。 * **量能变化**：计算行业成交金额或其占比在近期（如一周）的变化率或变化幅度[9]。 报告中通过列举“量能关注度较高及变化较明显”的行业来展示该因子的应用结果[1][9]。 因子的回测效果 （报告中未提供“拥挤度”和“量能关注度及变化”因子在选股或行业轮动中的具体IC值、IR、多空收益等量化回测指标，因此本部分无内容。）

量化模型与构建方式 1. 短期择时模型 **模型名称**：短期择时模型[5][12][13] **模型构建思路**：通过综合评估宏观基本面、估值面、情绪面和流动性四个维度的多个指标，生成每周的总体仓位信号（乐观、中性、谨慎）[5][12][13]。 **模型具体构建过程**： 1. **一级指标构建**：模型包含四个一级指标：基本面、估值面、情绪面、流动性[12][13]。 2. **二级指标信号生成**：每个一级指标下包含若干二级指标。每个二级指标根据其当前值在过去5年历史数据中的分位数，被赋予“乐观”、“中性”或“谨慎”的信号[12][13]。 * **基本面指标**： * 制造业PMI：若>50则为乐观，否则为谨慎[12]。 * 信贷脉冲环比变化分位数：分位数高表示信贷增速偏强，给出乐观信号[12]。 * M1同比增速（HP滤波去趋势）分位数：分位数高表示M1增速偏强，给出乐观信号[12]。 * **估值面指标**： * A股整体PE分位数：分位数高（如98.35%）表示估值偏高，均值回归下行压力大，给出谨慎信号[12]。 * A股整体PB分位数：分位数高（如97.27%）表示估值偏高，均值回归下行压力大，给出谨慎信号[12]。 * **情绪面指标**： * A股整体Beta离散度分位数：分位数低（如16.95%）表示市场分歧小，给出乐观信号[13]。 * A股整体量能情绪分位数：分位数中性（如47.73%）给出中性信号[13]。 * A股整体波动率分位数：分位数中性（如66.34%）给出中性信号[13]。 * **流动性指标**： * 货币利率指标分位数：分位数低（如33.90%）表示流动性相对宽松，给出乐观信号[13]。 * 汇率预期指标分位数：分位数低（如8.47%）表示人民币兑美元汇率偏强，给出乐观信号[13]。 * 沪深净融资额5日均值分位数：分位数中性（如19.69%）给出中性信号[13]。 3. **一级指标信号汇总**：综合每个一级指标下所有二级指标的信号，得出该一级指标的总体信号（乐观、中性、谨慎）[12][13]。 4. **总仓位信号生成**：综合四个一级指标的信号，得出最终的总体仓位建议（如标配/中性）[5][12]。 2. 成长价值风格轮动模型 **模型名称**：成长价值风格轮动模型[22] **模型构建思路**：通过动态宏观、估值回归、短期动量、风格广度和风格拥挤度五个维度的信号，综合判断并动态调整成长与价值风格的配置权重[22][23]。 **模型具体构建过程**： 1. **信号维度**：模型包含五个信号维度：动态宏观信号、估值回归信号、短期动量信号、风格广度信号、风格拥挤信号[23]。 2. **信号生成与加权**：每个维度独立生成对成长或价值风格的仓位建议（0%或100%代表完全配置该风格）。报告展示了两种综合方式[23]： * **综合信号1（无中性仓位）**：可能直接对五个维度的信号进行某种加权或投票，直接得出每日的成长仓位比例。 * **综合信号2（5日平均仓位）**：对综合信号1的每日仓位进行5日平滑平均，得到更稳定的仓位信号[23]。 3. **最终仓位**：根据综合信号，得出建议超配成长或价值风格。例如，当前模型建议超配价值，成长仓位为0%，价值仓位为100%[22][23]。 **模型评价**：该模型在基本面环境对成长风格不友好、且成长风格价量趋势弱于价值时，建议超配价值风格以防御风险[22]。 3. 小盘大盘风格轮动模型 **模型名称**：小盘大盘风格轮动模型[25] **模型构建思路**：从流动性等视角选取11个有效轮动指标，构建综合信号来判断小盘与大盘风格的轮动机会[25]。 **模型具体构建过程**： 1. **指标池**：模型共使用11个轮动指标，包括：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 MACD(10,20,10)、中证1000交易量能[27]。 2. **信号生成**：每个指标独立生成每日信号，信号为“100%”表示看多小盘（即建议配置小盘），信号为“0%”表示看多大盘（即建议配置大盘）[27]。 3. **综合信号**：对所有11个指标的信号进行综合（具体综合方法未详细说明，可能是简单投票或加权），得出每日的综合信号，决定是配置小盘还是大盘[27]。例如，某日若综合信号显示“小盘 0%”，“大盘 100%”，则建议超配大盘[27]。 4. **策略应用**：根据综合信号在沪深300（代表大盘）和中证1000（代表小盘）全收益指数之间进行轮动配置[26]。 **模型评价**：该模型信号有时切换较快，在流动性波动较大的市场环境下，建议以均衡配置为主[25]。 模型的回测效果 1. 短期择时模型 * **回测区间**：2012年底至2026年3月[14][18] * **年化收益率**：16.32%[14][18] * **基准年化收益率**：4.98%[14][18] * **年化超额收益率**：11.34%[14] * **年化波动率**：14.79%[18] * **最大回撤**：15.05%[14][18] * **夏普比率**：0.9617[18] * **收益回撤比**：1.0848[18] * **月度胜率**：65.63%[18] * **2024年以来年化收益率**：27.64%[19] * **2024年以来最大回撤**：11.04%[19] * **2024年以来夏普比率**：1.4483[19] * **2026年以来超额收益率**：1.27%[14][18] 2. 成长价值风格轮动模型 * **回测区间**：2011年至2026年3月13日[22][23] * **综合信号2（5日平均仓位）年化收益率**：14.63%[22][23] * **基准（月度风格均衡配置）年化收益率**：6.66%[22][23] * **综合信号2年化超额收益率**：7.97%[22][23] * **综合信号2年化跟踪误差**：5.88%[23] * **综合信号2信息比率(IR)**：1.35[23] * **综合信号2月度超额胜率**：66.32%[23] * **2026年以来超额收益率**：2.15%[22][23] 3. 小盘大盘风格轮动模型 * **回测区间**：2014年至2026年[26][27] * **综合信号（3日平滑）年化收益率**：20.23%[27] * **综合信号年化超额收益率**：12.73%[27] * **综合信号最大回撤**：40.70%[27] * **2026年以来超额收益率**：2.51%[26][27] 量化因子与构建方式 （报告未详细描述独立的因子构建过程，主要介绍的是基于这些因子或指标构建的轮动模型。） 因子的回测效果 （报告未提供独立因子的回测效果数据。）

量化模型、因子总结 量化模型与构建方式 1. **模型名称：市场环境择时体系**[2][5][7][12] * **模型构建思路**：通过计算Wind全A指数的短期均线与长期均线的距离差，并结合市场趋势线、赚钱效应等指标，来区分市场的整体环境（如震荡、上涨、下跌），从而进行大势判断[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（短期均线，MA20）和120日移动平均线（长期均线，MA120）[7]。 2. 计算两条均线的距离差，公式为： $$均线距离 = (MA20 - MA120) / MA120 * 100\%$$ 其中，MA20代表短期均线值，MA120代表长期均线值[7]。 3. 设定阈值（如±3%）来判断市场状态。报告指出，当均线距离绝对值大于3%时，市场可能处于趋势行情；当绝对值小于3%时，市场可能处于震荡格局[2][7]。 4. 结合市场趋势线（报告中提及位于6796点）和赚钱效应（报告中为-0.02%）等辅助指标进行综合判断[5][7][12]。 2. **模型名称：仓位管理模型**[2][8] * **模型构建思路**：结合市场的估值水平（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（市盈率）和PB（市净率）在其自身历史数据中的分位数[2][8]。 2. 结合择时体系对短期趋势的判断（如上述市场环境判断）[2]。 3. 根据估值分位数和趋势状态的组合，输出建议仓位。例如，报告指出当前Wind全A的PE位于90分位点（较高水平），PB位于50分位点（中等水平），结合市场处于震荡格局的判断，模型建议仓位为60%[2][8]。 3. **模型名称：中期行业配置模型**[2][6][8][12] * **模型构建思路**：通过业绩趋势模型等子模型，筛选出未来一段时期内具备较强业绩增长趋势或配置价值的行业板块[2][6][8]。 * **模型具体构建过程**：报告未详细披露该模型的具体构建公式和步骤，但提及了其核心子模型及输出结果。 1. 核心子模型为“业绩趋势模型”，用于识别业绩向好的行业[2][6][12]。 2. 模型最终输出具体的行业配置建议。例如，本期报告提示重点关注算力相关产业链（半导体设备、通信）、周期板块（油气、能源化工）与农业板块[2][6][8][12]。 模型的回测效果 *本报告未提供上述模型的历史回测指标（如年化收益率、夏普比率、最大回撤、信息比率IR等）的具体数值。报告主要展示了模型在最新时点（2026年3月）的输出信号和判断结果[2][5][7][8][12]。* 量化因子与构建方式 *本报告未涉及对单个股票进行评价或筛选的量化因子（如价值因子、动量因子、质量因子等）的构建与说明。报告内容聚焦于市场择时、仓位管理和行业配置模型。* 因子的回测效果 *本报告未涉及量化因子的测试结果。*

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：市场情绪风险监测模型[35] **模型构建思路**：通过监测市场宽基指数滚动夏普率的历史分位，来判断市场情绪是否达到极端水平，以预警市场可能的调整风险[35] **模型具体构建过程**：计算万得全A指数的滚动季度夏普率，并将其置于历史时间序列中进行分位计算，当夏普率上升至历史极高位置时，认为市场情绪达到极端高峰[35] 2. **模型名称**：风格拥挤度监测模型[2][69] **模型构建思路**：通过计算不同风格指数之间相对换手率的历史分位，来度量该风格交易的拥挤程度，为风格配置提供风险提示[2][69] **模型具体构建过程**：对于风格A和风格B，首先分别计算其近252日平均换手率在历史时间序列上的Z-score标准化值（Z-score_A与Z-score_B），然后计算二者差值（Z-score_A - Z-score_B）的滚动6年历史分位数[123] **公式**： $$相对拥挤度 = 历史分位数(Z\_score\_A - Z\_score\_B)$$ 其中，Z-score基于近252日平均换手率在2005年1月1日以来的历史序列计算[123] 3. **模型名称**：风格超额净值计算模型[69][124] **模型构建思路**：通过计算风格指数相对于市场基准（万得全A）的累计超额净值，来刻画该风格的长期相对表现[69][124] **模型具体构建过程**：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。然后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的累计超额净值[124] 4. **模型名称**：机构调研活跃度监测模型[125] **模型构建思路**：通过标准化并比较不同板块（指数、行业）的机构调研频率，来监测资金关注度的相对变化[125] **模型具体构建过程**：将板块近n个交易日的“日均机构调研次数”在滚动y年的历史时间序列上进行z-score标准化，并与万得全A的标准化结果作差，得到“机构调研活跃度”，最后计算该活跃度的滚动y年历史分位数[125]。报告提及两种参数设置：长期口径（n=126日，滚动窗口y=6年）和短期口径（n=63日，滚动窗口y=3年）[125] 量化因子与构建方式 1. **因子名称**：股债性价比因子（ERP）[50] **因子构建思路**：通过计算股票指数盈利收益率与无风险利率（10年期国债收益率）的差值，来衡量配置权益资产相对于债券的预期超额回报，即风险溢价[50] **因子具体构建过程**：对于特定股票指数，计算其盈利收益率（即市盈率TTM的倒数），然后减去10年期中债国债到期收益率[50] **公式**： $$指数erp = \frac{1}{指数PE\_TTM} – 10年期中债国债到期收益率$$ 其中，PE_TTM为指数滚动市盈率[50] 2. **因子名称**：成交热度因子[24] **因子构建思路**：使用换手率的历史分位来度量当前交易活跃度的相对水平，辅助判断市场或板块的情绪热度[24] **因子具体构建过程**：计算指数或行业的周度日均自由流通换手率，然后计算该换手率在历史时间区间（例如2005年1月1日至今）内的百分位值[24][30] 3. **因子名称**：长江动量因子[60] **因子构建思路**：通过计算经过调整的长期收益率来捕捉股票的动量效应[60] **因子具体构建过程**：以最近一年股票收益率减去最近一个月股票收益率（并剔除涨停板影响）作为动量指标[60]。该因子被用于构建“长江动量”指数，选取全市场动量特征强且流动性高的前100只股票[60] 4. **因子名称**：长江反转因子[61] **因子构建思路**：通过计算短期收益率来捕捉股票的反转效应[61] **因子具体构建过程**：以最近一个月股票收益率作为筛选指标[61]。该因子被用于构建“长江反转”指数，选取全市场反转效应强、流动性好的前100只股票，并采用近三个月日均成交量进行加权[61] 模型的回测效果 （注：本报告为市场跟踪周报，未提供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。报告主要展示了模型或因子在特定时点的状态输出。） 因子的回测效果 （注：本报告为市场跟踪周报，未提供因子的历史IC、IR、多空收益等传统因子测试结果。报告主要展示了基于因子构建的指数或风格组合在近一周、近一月和年初至今的表现。） 1. **成长 vs 红利因子**：近一周相对收益为-1.3%，近一月为-3.7%，年初至今为-3.3%[59] 2. **小盘 vs 大盘因子**：近一周相对收益为-1.3%，近一月为1.0%，年初至今为9.9%[59] 3. **微盘股 vs 基金重仓因子**：近一周相对收益为0.3%，近一月为1.0%，年初至今为8.8%[59] 4. **动量 vs 反转因子**：近一周相对收益为-2.1%，近一月为-2.6%，年初至今为-6.7%[59]

量化模型与构建方式 1. **模型名称：分红调整年化基差计算模型**[8][19] * **模型构建思路**：为了准确分析股指期货合约的基差，需要剔除标的指数成分股分红对期货合约价格的影响，从而得到反映纯粹市场供需和预期的基差水平[8]。 * **模型具体构建过程**： 1. 首先，对股指期货合约存续期内标的指数的预期分红点位进行预估[9]。该预估基于指数成分股的历史分红情况[9]。 2. 然后，计算实际基差，即期货合约收盘价与标的指数收盘价的差值[19]。 3. 接着，计算预期分红调整后的基差，公式为：`预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红`[20]。 4. 最后，将调整后的基差进行年化处理，以方便跨期比较。年化基差的计算公式为： $$年化基差 = (实际基差 + (预期)分红点位)/指数价格 \times 360/合约剩余天数$$[21] 公式中，“(预期)分红点位”代表合约存续期内未实现的预期分红点位，“指数价格”为标的指数收盘价，“合约剩余天数”为期货合约距离到期日的天数[21]。 2. **模型名称：期现对冲策略（连续合约策略）**[40][41] * **模型构建思路**：通过持续做空股指期货合约，对冲持有标的指数现货（全收益指数）的市场风险，旨在获取相对稳定的收益或降低组合波动[40]。 * **模型具体构建过程**： 1. **资金分配**：现货端使用70%的资金持有对应标的指数的全收益指数，期货端使用等额名义本金的股指期货合约进行做空对冲，占用剩余30%的资金[41]。 2. **合约选择**：分为“当月连续”和“季月连续”两种模式。前者持续持有当月合约，后者持续持有季月合约[41]。 3. **调仓规则**：连续持有选定合约，直至该合约离到期剩余不足2日，在当日以收盘价进行平仓，并同时以当日收盘价卖空下一对应期限（当月或季月）的合约[41]。 4. **动态调整**：每次调仓后，根据产品净值重新计算现货及期货端的持仓数量[41]。 3. **模型名称：期现对冲策略（最低贴水策略）**[40][42] * **模型构建思路**：在连续对冲的基础上进行优化，通过动态选择市场中贴水幅度最小（即基差最有利）的合约作为对冲工具，旨在获取更优的基差收敛收益[40]。 * **模型具体构建过程**： 1. **资金分配**：与连续合约策略相同，现货端70%资金，期货端等额名义本金做空，占用30%资金[42]。 2. **合约选择**：调仓时，对当日所有可交易期货合约计算其分红调整后的年化基差，选择年化基差贴水幅度最小的合约进行开仓[42]。 3. **调仓规则**：同一合约至少持有8个交易日。持有满8日后，若该合约离到期剩余不足2日，则必须调仓；若剩余天数充足，则重新计算所有合约基差，并选择贴水最小的合约（可能与原合约相同）[42]。每次选择后，无论是否更换合约，都继续持有8个交易日[42]。 4. **动态调整**：每次调仓后，根据产品净值重新计算现货及期货端的持仓数量[42]。 4. **因子名称：期权波动率指数 (VIX)**[57][58] * **因子构建思路**：借鉴海外成熟经验，结合国内场内期权市场实际情况编制，旨在反映期权投资者对标的资产未来特定期限（如30日）波动水平的预期[58]。 * **因子具体构建过程**：报告未详细披露具体的VIX计算公式。其核心是基于期权市场价格，通过模型反推出市场对未来波动率的预期，并具备期限结构，可展示不同时间跨度的波动预期差异[58]。 * **因子评价**：该指数能够反映专业投资者对未来市场波动的集体预期，具备较高的分析与参考价值[57]。 5. **因子名称：偏度指数 (SKEW)**[57][62] * **因子构建思路**：用于刻画不同行权价格下期权隐含波动率（IV）曲线的偏斜形态，以洞察市场对标的资产未来收益率分布（尤其是尾部风险）的预期[62]。 * **因子具体构建过程**：报告未详细披露具体的SKEW计算公式。其核心是衡量波动率曲线的偏斜程度。当市场担忧下行风险时，看跌期权需求上升，低行权价区域的隐含波动率被推高，导致波动率曲线向左上方倾斜（负偏），SKEW指数值通常升高[62]。 * **因子评价**：该指数是衡量市场对潜在极端风险（尤其是下行风险）担忧程度的有效工具，常被称为“黑天鹅指数”[62]。 模型的回测效果 *回测区间：2022年7月22日至2026年3月13日[41][42]* 1. **IC当月连续对冲模型**，年化收益-3.25%，波动率3.83%，最大回撤-12.10%，净值0.8876，年换手次数12，2026年以来收益0.28%[44] 2. **IC季月连续对冲模型**，年化收益-2.59%，波动率4.90%，最大回撤-10.94%，净值0.9097，年换手次数4，2026年以来收益0.09%[44] 3. **IC最低贴水策略模型**，年化收益-1.61%，波动率4.56%，最大回撤-8.56%，净值0.9429，年换手次数17.45，2026年以来收益0.15%[44] 4. **IF当月连续对冲模型**，年化收益0.27%，波动率2.85%，最大回撤-3.95%，净值1.0100，年换手次数12，2026年以来收益0.04%[49] 5. **IF季月连续对冲模型**，年化收益0.69%，波动率3.25%，最大回撤-4.03%，净值1.0251，年换手次数4，2026年以来收益0.45%[49] 6. **IF最低贴水策略模型**，年化收益1.17%，波动率3.00%，最大回撤-4.06%，净值1.0429，年换手次数15.79，2026年以来收益0.46%[49] 7. **IH当月连续对冲模型**，年化收益1.00%，波动率2.89%，最大回撤-4.22%，净值1.0367，年换手次数12，2026年以来收益0.02%[53] 8. **IH季月连续对冲模型**，年化收益1.95%，波动率3.30%，最大回撤-3.76%，净值1.0722，年换手次数4，2026年以来收益0.31%[53] 9. **IH最低贴水策略模型**，年化收益1.58%，波动率2.95%，最大回撤-3.91%，净值1.0584，年换手次数15.23，2026年以来收益0.21%[53] 10. **IM当月连续对冲模型**，年化收益-6.12%，波动率4.31%，最大回撤-21.04%，净值0.7962，年换手次数12，2026年以来收益-0.05%[55] 11. **IM季月连续对冲模型**，年化收益-4.94%，波动率5.42%，最大回撤-18.06%，净值0.8329，年换手次数4，2026年以来收益-0.46%[55] 12. **IM最低贴水策略模型**，年化收益-3.87%，波动率5.14%，最大回撤-14.41%，净值0.8672，年换手次数15.23，2026年以来收益0.38%[55] 因子的回测效果 *数据截至2026年3月13日[58][63]* 1. **上证50VIX (30日)**，取值20.45，2024年以来历史分位数64%[58] 2. **沪深300VIX (30日)**，取值19.98，2024年以来历史分位数58%[58] 3. **中证500VIX (30日)**，取值29.63，2024年以来历史分位数72%[58] 4. **中证1000VIX (30日)**，取值27.82，2024年以来历史分位数59%[58] 5. **上证50SKEW**，取值104.95，2024年以来历史分位数96.2%[63] 6. **沪深300SKEW**，取值108.19，2024年以来历史分位数94.5%[63] 7. **中证500SKEW**，取值107.52，2024年以来历史分位数97.7%[63] 8. **中证1000SKEW**，取值106.80，2024年以来历史分位数86.7%[63]