量化模型与构建方式 1 模型名称：计算机指数偏离修复模型 模型构建思路：基于申万一级计算机指数相对沪深300指数的偏离-回归特性，通过统计回撤序列确定买入阈值，当价格偏离超过阈值时触发买入信号[4][5][6] 模型具体构建过程： - 计算计算机指数收盘价相对沪深300指数的归一化值cl - 计算cl在区间内的回撤序列W - 提取W中单次回撤的最大值，降序排列为序列S - 计算S总和T，逐步累加S直至达到T的80%，保留剩余序列S1 - 对S1迭代执行上述筛选过程直至结果稳定，得到有效回撤集合C - 取C中最大值的80%作为阈值，当W>阈值时信号为1（买入），W=0时信号为0（平仓），否则维持前值[6] 模型评价：样本内表现依赖历史数据统计，样本外出现超额负收益，对计算机指数配置价值判断参考性有限[6][7] 模型的回测效果 1 计算机指数偏离修复模型 区间策略总收益：78.50% 标的买入并持有收益：152.35% 总超额：-73.86% 最大回撤：54.68% 最长回撤时间：2261交易日[6] （注：原文未提及因子相关内容，故跳过该部分总结）

量化模型与构建方式 1. **模型名称**：行业拥挤度监测模型 - **模型构建思路**：通过监测申万一级行业指数的拥挤度水平，识别当前市场过热或过冷的行业，为投资决策提供参考[3] - **模型具体构建过程**： 1. 计算各行业指数的滚动历史分位数（如30日窗口），衡量当前值相对于历史水平的相对位置 2. 根据分位数阈值划分拥挤度等级（如高于80%为高拥挤，低于20%为低拥挤） 3. 每日更新行业拥挤度热力图，动态展示行业状态[3][10] - **模型评价**：能够有效捕捉市场情绪极端点，但需结合基本面分析避免误判[3] 2. **模型名称**：ETF溢价率Z-score筛选模型 - **模型构建思路**：通过统计套利逻辑识别ETF溢价率的异常波动，挖掘潜在套利机会[4] - **模型具体构建过程**： 1. 计算ETF的IOPV溢价率：$$溢价率 = (市价 - IOPV)/IOPV \times 100\%$$ 2. 滚动计算溢价率的Z-score：$$Z = \frac{溢价率 - \mu_{滚动窗口}}{\sigma_{滚动窗口}}$$ 3. 设定阈值触发信号（如|Z|>2时为异常）[4][12] - **模型评价**：对短期交易有指导意义，但需警惕流动性风险和模型滞后性[4] --- 模型的回测效果 1. **行业拥挤度监测模型**： - 高拥挤行业（如美容护理89%、基础化工85%）后续3日平均收益-1.2%[3][10] - 低拥挤行业（如传媒8%、电力设备12%）后续3日平均收益+0.8%[3][10] 2. **ETF溢价率Z-score模型**： - 信号触发后3日套利成功率62%（样本期内）[4][12] --- 量化因子与构建方式 1. **因子名称**：主力资金净流入因子 - **因子构建思路**：跟踪主力资金流向变化，捕捉资金驱动的短期动量效应[11] - **因子具体构建过程**： 1. 按申万行业分类计算单日主力净流入额：$$净流入 = 主力买入额 - 主力卖出额$$ 2. 计算3日滚动净流入合计值[11] - **因子评价**：对行业轮动有较强解释力，但需结合换手率过滤噪音[11] 2. **因子名称**：ETF资金流因子 - **因子构建思路**：通过ETF申赎数据逆向推断大资金动向[6] - **因子具体构建过程**： 1. 计算单日资金净流入：$$净流入 = 份额变化 \times 单位净值$$ 2. 按ETF类型（宽基/行业/跨境等）分类统计[6][7] --- 因子的回测效果 1. **主力资金净流入因子**： - 3日净流入TOP3行业（汽车27.31亿、公用事业21.73亿）后续5日超额收益+1.5%[11] - 净流出TOP3行业（商贸零售-42.93亿、有色金属-35.66亿）后续5日超额收益-2.1%[11] 2. **ETF资金流因子**： - 宽基ETF单日净流出12.43亿后3日指数平均跌幅0.6%[6][9] - 行业主题ETF单日净流入7.9亿后3日指数平均涨幅0.9%[6][9]

根据研报内容，总结量化模型与因子如下： 量化模型与构建方式 1. **恒生消费指数模型** 模型构建思路：跟踪港股消费板块表现，覆盖食品饮料、家用电器等细分行业[13] 模型具体构建过程：选取港股消费行业市值较大的上市公司，按自由流通市值加权计算指数。行业权重分布为食品饮料27.78%、家用电器15.2%、社会服务20.8%等[18] 模型评价：集中度高，前十大成分股权重达58.7%[25] 2. **中证港股通消费主题指数模型** 模型构建思路：聚焦港股通范围内的消费主题公司[13] 模型具体构建过程：筛选港股通标的中消费行业公司，采用自由流通市值加权。传媒行业权重最高达18.51%，其次为商贸零售18.92%[18] 模型评价：成分股分散性优于恒生消费指数，前十大权重合计76.9%[25] 3. **中证全指家用电器指数模型** 模型构建思路：反映A股家电行业整体表现[13] 模型具体构建过程：覆盖白色家电（48.32%）、小家电（11.43%）等子行业，采用分级靠档加权法[33] 模型评价：行业集中度高，家电板块权重近90%[33] 模型的回测效果 1. 恒生消费指数：YTD收益率-0.99%，4.6-4.16期间收益率8.48%[18] 2. 中证港股通消费主题指数：YTD收益率8.62%，4.6-4.16期间收益率6.84%[18] 3. 中证全指家用电器指数：YTD收益率-5.24%，4.6-4.16期间收益率2.89%[33] 量化因子与构建方式 1. **消费行业权重因子** 因子构建思路：衡量不同消费子行业在指数中的占比差异[18][33] 因子具体构建过程： $$行业权重 = \frac{行业成分股总市值}{指数成分股总市值} \times 100\%$$ 例如家用电器指数中白色家电权重48.32%[33] 2. **头部集中度因子** 因子构建思路：刻画前十大成分股的集中程度[25][63] 因子具体构建过程： $$CR10 = \sum_{i=1}^{10} (成分股权重_i)$$ 如恒生消费指数CR10=58.7%[25] 因子的回测效果 1. 消费行业权重因子：家用电器指数中家电行业权重89.56% vs 智能家居指数仅15.58%[33] 2. 头部集中度因子：必选消费类指数CR10普遍高于60%，泛消费类指数CR10约50-70%[78][85] 注：报告中未涉及传统多因子模型的具体构建公式，主要展示行业指数构建方法及权重分布特征[13][18][33]

量化模型与构建方式 1. **模型名称：宏观择时策略** - **模型构建思路**：基于动态宏观事件因子构建股债轮动策略，通过经济增长和货币流动性两个维度信号确定权益配置比例[26] - **模型具体构建过程**： 1. **经济增长信号**：监测工业增加值、PMI等指标，信号强度为0%时表示经济疲软，50%为中性[26][27] 2. **货币流动性信号**：跟踪SHIBOR、国债收益率等，信号强度50%对应适度宽松[26][27] 3. **权益仓位计算**：综合两维度信号加权得出，4月推荐仓位25%（经济增长0% + 流动性50%）[26][27] - **模型评价**：策略年初收益率1.06%，略低于Wind全A的1.90%，适合稳健配置场景[26][27] 2. **模型名称：微盘股择时模型** - **模型构建思路**：结合交易情绪与基本面指标监控微盘股风险[30] - **模型具体构建过程**： 1. **波动率拥挤度指标**：衡量市场交易情绪，阈值突破触发预警（当前-50.09%低于阈值）[30][31][33] 2. **十年国债利率同比指标**：反映基本面环境，阈值0.3%（当前-28.69%未触发）[30][31][32] 3. **轮动信号**：微盘股/茅指数相对净值上穿243日均线（2024年10月14日触发）[30][34] 模型的回测效果 1. **宏观择时策略**： - 年初至今收益率1.06%[26] - 同期Wind全A收益率1.90%[26] - 4月经济增长信号强度0%，流动性信号强度50%[27] 2. **微盘股择时模型**： - 波动率拥挤度同比-50.09%（安全）[31][33] - 十年国债利率同比-28.69%（安全）[31][32] - 微盘股20日斜率持续为正[34] 量化因子与构建方式 1. **因子名称：八大类选股因子** - **构建思路**：覆盖市值、价值、成长、质量等维度，在不同股票池中测试有效性[37][47] - **具体构建过程**： - **市值因子**：$$LN\_MktCap = \ln(流通市值)$$[47] - **价值因子**：$$BP\_LR = \frac{账面净资产}{市值}$$，$$EP\_FTTM = \frac{预期净利润}{市值}$$[47] - **成长因子**：$$NetIncome\_SQ\_Chg1Y = \frac{单季度净利润同比增速}{}$$[47] - **技术因子**：$$Skewness\_240D = 240日收益率偏度$$[47] 2. **因子名称：转债择券因子** - **构建思路**：通过正股关联指标与转债估值指标筛选标的[41][42] - **具体构建过程**： - **正股一致预期因子**：基于正股目标价收益率构建 - **转债估值因子**：平价底价溢价率 因子的回测效果 1. **选股因子IC均值（上周）**： - 一致预期因子（全部A股）：7.01%[38] - 市值因子（中证1000）：-1.84%[38] - 成长因子（沪深300）：19.41%[38] 2. **转债因子多空收益**： - 正股一致预期因子：正收益[42] - 正股成长因子：正收益[42] 附录：因子分类体系 | 大类因子 | 细分指标示例 | 计算公式参考 | |----------------|-----------------------------|---------------------------| | 价值(↑) | BP_LR | 账面净资产/市值 | | 技术(↓) | Volume_Mean_20D_240D | 20日成交量/240日成交量均值| [47]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **REITs指数构建模型** - 模型构建思路：通过分级靠档方法确保指数份额稳定性，采用除数修正法处理非交易因素变动（如新发、扩募）[45] - 具体构建过程： 1) 基于底层资产类型划分产权类/特许经营权类指数 2) 细分项目指数包括生态环保、交通基础设施等9类 3) 计算全收益指数时纳入分红再投资 4) 使用分级靠档法稳定样本权重，除数修正法保证连续性[45] - 模型评价：有效反映REITs市场表现，适合长期资产配置 2. **主动偏股基金仓位测算模型** - 模型构建思路：利用带约束的多元回归模型，以基金净值序列为因变量，基准资产组合为自变量[60] - 具体构建过程： 1) 构建各基金模拟组合作为自变量 2) 加入行业暴露约束条件 3) 通过回归分析估算股票仓位[60] - 模型评价：高频跟踪仓位变化，但存在与实际仓位的偏差风险 量化因子与构建方式 1. **行业主题因子** - 构建思路：基于基金持仓信息划分长期行业标签（新能源/医药/TMT等）[32] - 具体构建： 1) 提取近4期财报持仓数据 2) 按行业暴露阈值定义主题类别 3) 区分行业主题/轮动/均衡三类基金[32] 2. **ESG主题因子** - 构建思路：整合环境、社会、治理三维度筛选标的[71] - 具体构建： 1) ESG整合策略：综合评分筛选 2) 负面筛选：排除高污染行业 3) 主题细分（碳中和/乡村振兴等）[71] 模型的回测效果 1. **REITs指数模型** - 产权类指数年化收益3.28%，最大回撤-42.3%，夏普比率0.13[47] - 消费基础设施指数年化收益10.84%，最大回撤仅-4.6%[47] 2. **行业主题因子** - 新能源主题基金本周收益2.76%，年内收益-5.52%[34] - TMT主题基金本周收益0.44%，近1月收益-4.14%[34] 因子的回测效果 1. **ESG因子** - 主动权益型ESG基金中位数收益2.14%[76] - 碳中和主题基金鹏华碳中和A单周收益12.59%[77] 2. **自由现金流因子** - 相关ETF（如159232.SZ）本周资金净流入19.09亿元[26] - 中证全指自由现金流ETF本周收益中位数0.84%[48] 注：所有数据截至2025年4月25日，测试结果均来自研报披露的实证数据[32][45][47]

根据研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称：扩散指数行业轮动模型** - **模型构建思路**：基于价格动量原理，通过跟踪行业扩散指数来捕捉行业趋势，选择向上趋势的行业进行配置[6][26][27] - **模型具体构建过程**： 1. 计算各中信一级行业的扩散指数，反映行业价格动量强度 2. 对扩散指数进行排名，选择排名靠前的行业作为配置标的 3. 每月定期调整行业配置，根据最新扩散指数排名进行轮动 4. 2025年4月建议配置行业：银行、非银行金融、综合金融、计算机、通信、电子[26][30] - **模型评价**：在趋势行情中表现优异，但在市场反转时可能失效[26][38] 2. **模型名称：GRU因子行业轮动模型** - **模型构建思路**：基于GRU（门控循环单元）深度学习网络，利用分钟频量价数据生成行业因子，捕捉短期交易信号[7][34][38] - **模型具体构建过程**： 1. 输入分钟频量价数据到GRU网络进行训练 2. 输出各行业的GRU因子值，反映行业短期动量强度 3. 根据GRU因子排名进行行业配置，定期调整组合 4. 2025年4月配置行业：银行、交通运输、石油石化、纺织服装、钢铁、非银行金融[34][36] - **模型评价**：在短周期表现较好，但对极端行情适应性较弱[34][38] 模型的回测效果 1. **扩散指数行业轮动模型** - 2021年超额收益一度超过25%，但9月后回撤较大[26] - 2022年全年超额收益6.12%[26] - 2023年全年超额收益-4.58%[26] - 2024年全年超额收益-5.82%[26] - 2025年4月以来超额收益-1.08%，今年以来超额收益-3.16%[30] 2. **GRU因子行业轮动模型** - 本周组合收益0.9%，超额中信一级行业等权收益-0.31%[36] - 4月以来超额收益0.92%，今年以来超额收益-3.33%[36] 量化因子与构建方式 1. **因子名称：行业扩散指数** - **因子构建思路**：通过量化行业价格动量强度，生成扩散指数用于行业轮动[6][27] - **因子具体构建过程**： 1. 计算各行业价格时间序列的动量指标 2. 标准化处理得到扩散指数，范围在0-1之间 3. 截至2025年4月25日，扩散指数排名前六的行业：银行(0.986)、非银行金融(0.948)、综合金融(0.926)、计算机(0.873)、商贸零售(0.847)、通信(0.841)[27][28] 2. **因子名称：GRU行业因子** - **因子构建思路**：利用GRU深度学习网络从分钟频量价数据中提取行业特征因子[7][34] - **因子具体构建过程**： 1. 输入行业分钟频量价数据到GRU网络 2. 输出各行业的GRU因子值，反映行业短期动量特征 3. 截至2025年4月25日，GRU因子排名前六的行业：银行(3.81)、交通运输(2.77)、非银行金融(2.37)、纺织服装(2.34)、传媒(1.98)、轻工制造(1.81)[34] 因子的回测效果 1. **行业扩散指数** - 本周建筑行业扩散指数环比提升0.189，房地产提升0.187，建材提升0.136[28][29] - 本周钢铁行业扩散指数环比下降0.111，电力及公用事业下降0.038[28][29] 2. **GRU行业因子** - 本周银行GRU因子提升显著，纺织服装提升明显[34] - 本周煤炭GRU因子下降较大，汽车下降明显[34]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **动量情绪指标择时模型** - 构建思路：通过计算沪深300指数成分股的上涨家数占比，结合不同窗口期的移动平均线捕捉市场情绪变化[26][27] - 具体构建过程： 1. 计算沪深300指数N日上涨家数占比： $$ \text{上涨家数占比} = \frac{\text{过去N日收益>0的个股数}}{\text{成分股总数}} $$ 2. 对指标进行双重平滑（快线窗口N2=35日，慢线窗口N1=50日） 3. 当快线>慢线时生成看多信号[27][29] - 模型评价：能快速捕捉上涨机会，但对下跌市场判断存在滞后性[26] 2. **均线情绪指标模型** - 构建思路：基于8条均线（参数为8/13/21/34/55/89/144/233日）的突破状态判断趋势[33][37] - 具体构建过程： 1. 计算沪深300收盘价与各均线的位置关系 2. 统计收盘价高于均线的数量 3. 当超过5条均线被突破时看多[37] - 模型评价：对趋势性行情敏感，但震荡市中易产生假信号[33] 量化因子与构建方式 1. **横截面波动率因子** - 构建思路：衡量指数成分股间收益率的离散程度，反映Alpha机会[38][39] - 具体构建过程： $$ \sigma_{cross} = \sqrt{\frac{1}{N}\sum_{i=1}^N (r_i - \bar{r})^2} $$ 其中$r_i$为个股收益率，$\bar{r}$为成分股平均收益率[39] - 因子评价：波动率上升通常预示超额收益机会增加[38] 2. **时间序列波动率因子** - 构建思路：捕捉指数成分股历史波动率变化[42][43] - 具体构建过程： $$ \sigma_{time} = \sqrt{\frac{1}{T}\sum_{t=1}^T (r_t - \mu)^2} $$ 采用20日滚动窗口计算[43] - 因子评价：可作为风险管理和择时辅助指标[42] 模型的回测效果 1. **动量情绪指标模型** - 年化收益率：4.5% - 最大回撤：22.3% - IR：0.89[31] 2. **均线情绪指标模型** - 年化收益率：6.2% - 胜率：58.7% - 盈亏比：1.35[35] 因子的回测效果 1. **横截面波动率因子** - 沪深300近一年均值：1.92% - 中证1000近半年分位数：66.53%[39][41] 2. **时间序列波动率因子** - 沪深300近一季度值：0.61% - 中证500近半年分位数：60.32%[43]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **宽基形态择时策略模型** - **模型构建思路**：通过监测宽基指数的技术形态信号（如连续看多/看空信号）进行市场趋势判断[13][14] - **具体构建过程**： 1. 对中证500、沪深300等宽基指数成分股进行形态学分析 2. 统计成分股中连续出现看多信号的股票比例 3. 设定多空信号阈值，生成择时观点（看多/中性）[13] - **模型评价**：策略年化收益显著跑赢基准指数（如中证2000策略年化30.73% vs 指数1.04%）[13] 2. **行业形态择时策略模型** - **模型构建思路**：基于中信一级行业成分股的形态信号构建多空剪刀差指标[15][16] - **具体构建过程**： 1. 计算行业成分股中看多形态数量与看空形态数量的差值 2. 标准化处理得到多空剪刀差比率： $$ \text{剪刀差比率} = \frac{\text{看多数量} - \text{看空数量}}{\text{成分股总数}} $$ 3. 比率超过阈值时触发行业看多信号[15] - **模型评价**：历史回溯中100%行业跑赢基准，机械行业策略年化19.79% vs 指数3.10%[16] 3. **特殊形态识别模型** - **模型构建思路**：识别六种特定K线形态（金针探底、火箭发射等）[26] - **具体构建过程**： 1. 定义形态规则（如"火箭发射"需满足振幅>5%且下影线长度>80%）[26] 2. 结合20日低位条件过滤信号 3. 生成特殊看多信号股票池[28] - **模型评价**：正向形态（如满江红）具有较高胜率，中复神鹰等标的被筛选出[28] --- 模型的回测效果 | 模型名称 | 年化收益(%) | 最大回撤(%) | 基准年化收益(%) | 基准最大回撤(%) | |-------------------------|-------------|-------------|------------------|------------------| | 中证2000宽基择时 | 30.73 | -19.10 | 1.04 | -37.79 | [13] | Wind微盘股宽基择时 | 45.93 | -34.85 | 35.34 | -51.80 | [13] | 机械行业择时 | 19.79 | -42.41 | 3.10 | -72.59 | [16] | 汽车行业择时 | 27.27 | -38.62 | 6.88 | -58.31 | [16] --- 量化因子与构建方式 1. **连续看多信号因子** - **因子构建思路**：统计个股连续出现看多K线形态的天数[19][20] - **具体构建过程**： 1. 定义单日看多形态标准（如收盘价站上5日均线） 2. 计算连续4-5日满足条件的股票数量 3. 结合流通市值和PE进行筛选[20][22] 2. **隐含波动率因子** - **因子构建思路**：采用Heston模型计算近月平值期权隐含波动率[7][9] - **具体构建过程**： $$ \sigma_{IV} = \sqrt{\frac{2\pi}{T}} \cdot \frac{C}{S} $$ 其中$T$为期权期限，$C$为期权价格，$S$为标的现价[7] --- 因子的回测效果 | 因子名称 | 未来5日胜率(%) | 未来10日胜率(%) | |-------------------|----------------|-----------------| | 连续5日看多信号 | 70.89 | 65.46 | [12][20] | 特殊看多形态 | 68.46 | 62.16 | [26][28] 注：所有测试结果均基于2025年4月历史数据[12][13][16]

量化模型与构建方式 1. **模型名称**：均线距离择时模型 - **模型构建思路**：通过计算wind全A指数的短期均线（20日）与长期均线（120日）的距离，判断市场整体环境趋势[2][3] - **模型具体构建过程**： 1. 计算20日均线（短期）和120日均线（长期）的数值 2. 计算两线距离百分比： $$ \text{均线距离} = \frac{\text{20日均线} - \text{120日均线}}{\text{120日均线}} \times 100\% $$ 3. 根据阈值划分市场状态： - 距离≥3%为上行趋势 - -3%＜距离＜3%为震荡趋势 - 距离≤-3%为下行趋势[2][3][8] - **模型评价**：通过均线交叉关系捕捉市场趋势变化，但对突发性事件反应滞后 2. **模型名称**：TWO BETA行业配置模型 - **模型构建思路**：基于宏观经济周期与行业特性，筛选具有超额收益潜力的板块[3][8] - **模型具体构建过程**： 1. 定义经济周期指标（如利率、PMI等） 2. 计算各行业对经济周期的敏感度（Beta系数） 3. 结合行业估值与动量指标进行综合筛选[3][8][10] 3. **模型名称**：仓位管理模型 - **模型构建思路**：结合估值分位数与趋势信号动态调整仓位[3][10] - **模型具体构建过程**： 1. 计算wind全A的PE/PB历史分位数（PE 50分位、PB 20分位） 2. 叠加均线距离信号（当前-3.08%） 3. 输出仓位建议： - 估值低位+下行趋势→50%中性仓位[3][8][10] 模型的回测效果 1. 均线距离择时模型： - 当前均线距离：-3.08%[2][3] - 市场状态：下行趋势边缘[8][10] 2. TWO BETA模型： - 推荐板块：科技（信创、AI芯片）、银行[3][8] 3. 仓位管理模型： - 当前建议仓位：50%[3][10] 量化因子与构建方式 1. **因子名称**：赚钱效应因子 - **因子构建思路**：反映市场整体盈利能力的动态指标[2][3] - **因子具体构建过程**： 1. 计算近期市场累计收益率 2. 标准化处理： $$ \text{赚钱效应} = \frac{\text{指数N日收益率} - \text{均值}}{\text{标准差}} $$ 3. 当前值：-1.7%[3][8][10] 2. **因子名称**：估值分位数因子 - **因子构建思路**：衡量指数相对历史估值水平[3][11] - **因子具体构建过程**： 1. 计算wind全A的PE/PB在过去10年的分位数 2. 当前值： - PE分位数：50% - PB分位数：20%[3][11][12] 因子的回测效果 1. 赚钱效应因子： - 当前值：-1.7%[3][8] - 阈值：转正为趋势反转信号[10] 2. 估值分位数因子： - PE分位数：50%（中等水平）[3][11] - PB分位数：20%（较低水平）[11][12]

量化模型与构建方式 1 **模型名称**：仓位模型 - **模型构建思路**：根据市场结构性机会调整仓位判断，从低仓位基础上适当提升[7] - **模型评价**：能动态捕捉市场结构性机会，提升资金使用效率 2 **模型名称**：风格轮动模型 - **模型构建思路**：从大盘占优风格转向均衡或略偏小盘风格[7] - **模型评价**：灵活适应市场风格切换，增强组合收益潜力 3 **模型名称**：四轮驱动行业轮动模型 - **模型构建思路**：综合多维度信号（如成交金额占比、技术指标等）筛选行业[7][16] - **模型具体构建过程**： - 信号类型包括"赚钱效应异动"、"低位金叉"等[16] - 行业排序基于信号强度和历史表现（如Sharpe比率）[16] - **模型评价**：多因子驱动，行业覆盖全面 4 **模型名称**：美元指数见底信号模型 - **模型构建思路**：通过技术指标捕捉美元指数阶段性底部[2][8] - **模型评价**：历史信号有效期较长（1-3个月），时效性较好 模型的回测效果 1 **四轮驱动模型**： - 推荐行业：电子（Sharpe排序2）、计算机（Sharpe排序0）、农林牧渔（Sharpe排序24）[16] - 信号有效期：部分行业信号持续2周以上（如电子2025-04-11至2025-04-25未出局）[16] 2 **美元指数模型**： - 信号有效期：平均3个月，最短1个月[8] 量化因子与构建方式 1 **因子名称**：成交金额占比因子 - **因子构建思路**：监测TMT/消费等板块成交占比变化捕捉资金流向[7] - **因子具体构建过程**： - 计算板块成交额占市场总成交额比例 - 跟踪比例变化趋势（如消费板块连续2个月回升）[7] - **因子评价**：反映资金偏好变化，领先于价格波动 2 **因子名称**：行业拥挤度因子 - **因子构建思路**：通过泛行业拥挤度指标识别过热/过冷板块[10] - **因子评价**：辅助判断行业反转时机 因子的回测效果 1 **成交金额占比因子**： - TMT板块：过去两周占比从低点回升[7] - 消费板块：占比底部回升持续2个月[7] 2 **行业拥挤度因子**： - 数据来源：泛行业拥挤度跟踪图表[10]