量化模型与构建方式 1. 模型名称：三维择时框架 * **模型构建思路**：通过构建分歧度、流动性、景气度三个维度的指标，综合判断市场走势，当三个维度趋势一致时给出明确的上涨或下跌判断[9]。 * **模型具体构建过程**：模型基于三个核心指标进行判断[9]。 1. **分歧度**：衡量市场参与者观点的离散程度，当前处于下行趋势[9]。 2. **流动性**：衡量市场资金面的松紧程度，当前处于下行趋势[9]。 3. **景气度**：衡量上市公司基本面的繁荣程度，当前处于上行趋势[9]。 当三个指标的趋势方向一致时，框架转为一致的上涨或下跌判断。例如，当前分歧度下行、流动性下行、景气度上行，框架转为一致上涨判断[9]。 2. 模型名称：热点趋势ETF策略 * **模型构建思路**：结合价格形态（支撑阻力）和市场短期关注度（换手率变化）来筛选ETF，构建风险平价组合[30]。 * **模型具体构建过程**： 1. **形态筛选**：根据K线的最高价与最低价的上涨或下跌形态，先选出最高价与最低价同时为上涨形态的ETF[30]。 2. **构建支撑阻力因子**：根据最高价与最低价近20日回归系数的相对陡峭程度，构建支撑阻力因子[30]。 3. **关注度筛选**：在支撑阻力因子的多头组中，选择近5日换手率/近20日换手率最高的ETF，即短期市场关注度明显提升的品种[30]。 4. **组合构建**：最终选择10只ETF，采用风险平价方法构建组合[30]。 3. 模型名称：ETF三策略融合轮动模型 * **模型构建思路**：将基于基本面、质量低波、困境反转三种不同逻辑的行业轮动策略进行等权融合，实现因子与风格的互补，降低单一策略风险[35]。 * **模型具体构建过程**： 1. **策略构成**：模型融合了三个子策略[35]。 * **行业轮动策略**：核心因子包括超预期景气度、行业龙头效应、行业动量、拥挤度、通胀beta，旨在覆盖行业多维度特性[36]。 * **个股风格驱动策略**：核心因子包括个股动量、个股质量、个股波动率，聚焦个股质量与低波，防御性突出[36]。 * **困境反转策略**：核心因子包括PB_zscore、分析师长期预期、短期筹码交换，旨在捕捉估值修复与业绩反转机会[36]。 2. **融合方式**：将三个子策略的选股结果进行等权组合[35]。 4. 模型名称：融资-主动大单资金流共振策略 * **模型构建思路**：利用融资融券资金流和主动大单资金流两个维度，通过取交集（在主动大单因子头部行业中剔除融资融券因子头部行业）的方式，筛选出具有资金共振效应的行业，以提高策略稳定性[44][45]。 * **模型具体构建过程**： 1. **构建行业融资融券资金因子**：定义为经过Barra市值因子中性化后的（融资净买入-融券净买入）个股加总值，取最近50日均值后的两周环比变化率[44]。 2. **构建行业主动大单资金因子**：定义为行业最近一年成交量时序中性化后的净流入排序，并取最近10日均值[44]。 3. **策略逻辑**：研究发现融资融券因子的多头端在不同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，剔除融资融券因子的头部行业[45]。 4. **行业剔除**：进一步剔除大金融板块[45]。 5. 因子名称：风格因子（盈利收益率、市值、价值） * **因子构建思路**：报告跟踪了多个风格因子的表现，本周市场呈现“高盈利高市值高价值”的特征[50]。 * **因子具体构建过程**：报告未详细描述具体构建公式，但提及了因子的表现方向。盈利收益率因子代表高盈利个股，市值因子代表高市值个股，价值因子代表高价值个股[50]。 6. 因子名称：Alpha因子（动量、研发收入类等） * **因子构建思路**：从多维度（时间、指数、行业）观察不同因子的表现趋势，计算其多头超额收益（前1/5组）[52]。除规模因子外，均进行了市值、行业中性化处理[52]。 * **因子具体构建过程**：报告列出了多个因子的近期表现和释义，例如： * **一年期动量因子 (pb_roe)**：近一周多头超额收益1.13%，定义为“1年-1个月的收益率”[55]。 * **研发销售收入占比因子 (safexp_operrev)**：近一周多头超额收益1.04%[55]。 * **销售费用因子 (ep_q_adv)**：近一周多头超额收益0.96%，定义为“管理费用/总销售收入”[55]。 7. 模型名称：多风格增强策略（质量增强、红利增强等） * **模型构建思路**：在多风格策略的基础上叠加增强因子，通过在其他风格端增厚收益，抑制单一风格波动，实现在不同周期下的稳定超额[58]。 * **模型具体构建过程**：报告未详细描述具体增强因子的构建方法，但展示了基于不同风格（质量、红利、长期成长、价值、低波、短期动量、长期动量）的增强策略及其绩效[62]。 模型的回测效果 1. 热点趋势ETF策略 * 今年以来收益率：34.49%[30] * 相比沪深300指数的超额收益：19.58%[30] 2. ETF三策略融合轮动模型 * 截至2025年12月12日组合收益率：12.11%[39] * 夏普率：0.73[39] * 今年以来组合收益率：25.60%[39] * 信息比率 (IR)：1.09 (All)[40] * 最大回撤：-24.55% (All)[40] * 分年度绩效详见报告表4[40] 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：14.3%[45] * 信息比率 (IR)：1.4[45] * 策略上周（截至报告期）绝对收益：-0.27%[45] * 策略上周（截至报告期）超额收益（相对行业等权）：0.37%[45] 4. 多风格增强策略（截至2025年12月12日） * **质量增强策略**：本周超额收益率2.00%，本年超额收益率-0.01%，最近一年年化收益率18.89%，夏普率1.54，区间最大回撤-5.73%[62] * **红利增强策略**：本周超额收益率0.62%，本年超额收益率13.71%，最近一年年化收益率17.45%，夏普率1.45，区间最大回撤-5.88%[62] * **长期成长增强策略**：本周超额收益率-0.97%，本年超额收益率4.29%，最近一年年化收益率24.26%，夏普率1.40，区间最大回撤-12.76%[62] * **价值增强策略**：本周超额收益率-1.97%，本年超额收益率-12.03%，最近一年年化收益率8.76%，夏普率0.54，区间最大回撤-11.34%[62] * **低波增强策略**：本周超额收益率-2.08%，本年超额收益率4.30%，最近一年年化收益率22.72%，夏普率1.73，区间最大回撤-8.73%[62] * **短期动量增强策略**：本周超额收益率-1.86%，本年超额收益率-15.35%，最近一年年化收益率6.46%，夏普率0.46，区间最大回撤-9.14%[62] * **长期动量增强策略**：本周超额收益率-1.20%，本年超额收益率-16.31%，最近一年年化收益率7.55%，夏普率0.55，区间最大回撤-9.53%[62] 量化因子与构建方式 （注：报告中提及的Alpha因子和风格因子，其具体构建方式已在上述“量化模型与构建方式”部分的第5、6点中说明，此处不再重复列出。） 因子的回测效果 1. 风格因子（本周表现） * 盈利收益率因子：正收益2.04%[50] * 市值因子：正收益1.51%[50] * 价值因子：正收益1.37%[50] 2. Alpha因子（近一周多头超额收益，截至2025年12月12日） * 一年期动量因子 (pb_roe)：1.13%[55] * 研发销售收入占比因子 (safexp_operrev)：1.04%[55] * 销售费用因子 (ep_q_adv)：0.96%[55] 3. 分指数Alpha因子表现（上周多头超额收益，截至2025年12月12日，前20因子示例） * **单季度ROA同比差值（考虑快报、预告）因子 (roa_q_delta_adv)**：在沪深300中超额收益25.52%，在中证500中10.16%，在中证800中17.88%，在中证1000中21.98%[57] * **单季度ROE同比差值（考虑快报、预告）因子 (roe_q_delta_adv)**：在沪深300中超额收益24.15%，在中证500中11.37%，在中证800中19.46%，在中证1000中20.24%[57] * **一致预期净利润变化（FY1）因子 (mom1_np_fy1)**：在沪深300中超额收益14.41%，在中证500中18.54%，**在中证800中21.49%**，在中证1000中15.27%[57] * **研发总资产占比因子 (tot_rd_ttm_to_assets)**：在沪深300中超额收益11.41%，**在中证500中20.25%**，在中证800中19.65%，在中证1000中16.88%[57] * **单季度净利润同比增速（考虑快报、预告）因子 (yoy_np_q_adv)**：在沪深300中超额收益22.25%，在中证500中9.56%，在中证800中15.85%，**在中证1000中22.74%**[57]

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 * **模型构建思路**：从宏观基本面、估值面、情绪面、流动性四个维度构建综合择时信号，每个维度下包含若干二级指标，通过判断各指标在历史分位数上的位置来给出乐观、中性或谨慎的二级信号，最终综合形成一级择时信号[16][17][18]。 * **模型具体构建过程**： 1. **指标选取与信号生成**：模型包含四个一级维度，每个维度下包含2-3个二级指标。每周计算每个二级指标的当前值在过去5年（部分为3年）历史数据中的分位数[16][17][18]。 2. **信号映射**：根据分位数区间，将每个二级指标映射为“乐观”、“中性”或“谨慎”的定性信号。例如，当制造业PMI小于50时，给出谨慎信号；当M1同比增速（HP滤波去趋势）分位数较高时，给出乐观信号[16][19]。 3. **维度综合**：对每个一级维度（如基本面）下的所有二级指标信号进行综合，得出该维度的总体信号（乐观/中性/谨慎）[16][17][18]。 4. **总信号生成**：综合四个维度的总体信号，形成最终的择时总仓位信号。报告中的信号以0（空仓）、0.5（半仓）、1.0（满仓）等形式表示[19][26]。 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 * **模型构建思路**：从基本面、估值面、情绪面三个维度构建风格轮动信号，判断成长与价值风格的相对强弱，以决定超配成长或价值[27]。 * **模型具体构建过程**： 1. **基本面维度**：基于量化经济中周期分析框架，考察三个周期指标： * 盈利周期斜率：斜率大时利好成长风格。 * 利率综合周期水平：水平偏低时利好成长风格。 * 信贷综合周期变化：上行时利好成长风格。 根据各指标状态分别给出超配成长或价值的信号（例如，成长100%，价值0%），然后进行综合[27][29]。 2. **估值面维度**：计算成长与价值风格的估值差（如PE差、PB差）在过去5年的分位数。当估值差分位数较低，处于均值回归上行过程中时，利好成长风格[27][29]。 3. **情绪面维度**：计算成长与价值风格的换手差、波动差在过去5年的分位数。换手差偏高利好成长；波动差反弹至偏高位置则利好均衡配置[27][29]。 4. **综合决策**：结合基本面、估值面、情绪面三个维度的信号，最终给出超配成长或价值的建议[27][28]。 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（综合大小盘轮动信号） * **模型构建思路**：从流动性、交易行为、市场结构等多个角度选取11个有效轮动指标，分别生成独立的大小盘轮动信号，然后综合这些信号形成最终的轮动建议[31]。 * **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[33]。 2. **独立信号**：每个指标独立运行，根据其自身的逻辑和阈值，每日生成一个仓位信号，以“小盘仓位百分比”表示（例如0%， 100%）[33]。 3. **信号综合**：将11个指标的每日仓位信号进行综合（具体综合方法未在本文中详述，但提及“综合信号3D平滑”），得出最终的综合轮动信号，决定超配小盘（以中证1000为代表）或大盘（以沪深300为代表）[31][33]。 模型的回测效果 1. 短期择时模型 * **回测区间**：2012年底至今（全区间）及2024年以来[18][22][25]。 * **基准策略**：月度中性持仓再平衡[18]。 * **全区间（2012年底至今）表现**： * 年化收益率：16.40%[18][22] * 年化超额收益率：11.63%[18] * 年化波动率：14.80%[22] * 最大回撤：14.07%[18][22] * 夏普比率：0.9651[22] * 收益回撤比：1.1655[22] * 月度胜率：66.24%[22] * 季度胜率：60.38%[22] * 年度胜率：78.57%[22] * **2024年以来表现**： * 年化收益率：28.87%[25] * 年化超额收益率：10.11%（2025年以来）[18][22] * 年化波动率：16.80%[25] * 最大回撤：11.04%[18][25] * 夏普比率：1.4752[25] * 收益回撤比：2.6150[25] * 月度胜率：72.00%[25] 2. 成长价值风格轮动模型 * **回测区间**：2012年底至今[28]。 * **基准策略**：月度成长与价值风格均衡配置[28]。 * **全区间表现**： * 年化收益率：12.74%[28][30] * 年化超额收益率：4.77%[28] * 年化波动率：20.80%[30] * 最大回撤：43.07%[30] * 夏普比率：0.5853[30] * 收益回撤比：0.2958[30] * 月度胜率：58.33%[30] * 季度胜率：59.62%[30] * **2025年以来表现**： * 策略收益率：25.13%[28][30] * 基准收益率：25.96%[28][30] * 超额收益率：-0.84%[28][30] 3. 小盘大盘风格轮动模型 * **回测区间**：2014年以来[32]。 * **基准**：沪深300与中证1000全收益指数等权配置[32]。 * **综合策略全区间表现**： * 年化收益率：19.73%（综合信号3D平滑）[33] * 年化超额收益率：12.67%（综合信号3D平滑）[33] * 最大回撤：40.70%（综合信号3D平滑）[33] * 胜率（按交易）：50.00%（综合信号3D平滑）[33] * **分年度超额收益**：自2014年以来，策略每年均产生正向超额收益[32]。2025年以来的超额收益率为11.30%[32][33]。 * **各独立指标表现示例**：报告列出了11个独立指标的历史回测表现，例如： * 融资买入余额变化：年化超额收益率5.76%，最大回撤44.32%[33]。 * 中证1000交易量能：年化超额收益率9.64%，最大回撤39.27%[33]。 * A股龙虎榜买入强度：年化超额收益率5.69%，最大回撤54.66%[33]。 量化因子与构建方式 1. 标准化交易量能指标 * **因子名称**：标准化交易量能指标 * **因子构建思路**：用于衡量市场交易活跃度的相对强度，通过将当前交易量能与历史水平进行比较，判断其是否处于强势区间[15]。 * **因子具体构建过程**：文中未给出具体计算公式，但指出该指标是“标准化”的，并且其当前值处于过去5年中位数水平之下[15]。 2. 估值分位数因子群 * **因子构建思路**：通过计算各类指数估值（PE、PB）在特定历史窗口内的分位数，来衡量当前估值的相对高低和历史位置，用于均值回归判断[8][11]。 * **因子具体构建过程**： 1. 选取估值指标，如PE_TTM中位数或PB_LF中位数[12][13]。 2. 确定历史窗口期，常见的有滚动1年、3年、5年以及指数成立以来[12][13]。 3. 计算当前估值在该窗口期历史数据中的分位数。公式可表示为： $$分位数 = \frac{排名(当前估值, 历史序列)}{历史数据总数}$$ 其中“排名”指当前估值在历史序列中从小到大排序的位置[12][13]。 4. 应用：例如，报告中计算万得全A的PE中位数滚动5年分位数为93.38%，表明当前估值高于过去5年中93.38%的时间，处于较高位置[8][11]。 3. 成长价值估值差因子 * **因子名称**：成长价值PE/PB估值差 * **因子构建思路**：计算成长风格与价值风格估值（PE或PB）的差值，并通过其历史分位数判断风格间估值差的收敛或发散趋势，用于风格轮动[27]。 * **因子具体构建过程**： 1. 分别计算成长风格指数和价值风格指数的估值（如PE中位数）[27]。 2. 计算两者的差值：$$估值差 = 成长风格估值 - 价值风格估值$$ 3. 计算该差值在过去5年（或3年）历史序列中的分位数[27][29]。 4. 应用：当估值差分位数较低时，意味着估值差处于历史较低水平，未来均值回归上行（即成长风格估值相对上升）的概率较大，从而利好成长风格[27]。 4. 市场情绪与结构因子群 * **因子构建思路**：从不同角度捕捉市场情绪、资金流向和交易结构的变化，用于择时或风格判断[17][31]。 * **因子具体构建过程**（报告中提及了多个因子，构建过程未完全展开）： * **Beta离散度**：衡量市场个股Beta值的分散程度，反映市场共识度[17]。 * **量能情绪得分**：综合量价信息的情绪指标，分位数低表明情绪偏弱[17]。 * **波动率**：市场波动水平，通常以年化标准差表示[17]。 * **货币利率指标**：反映银行间市场流动性松紧[18]。 * **汇率预期指标**：反映人民币汇率强弱预期[18]。 * **融资买入余额变化**：反映杠杆资金的入场意愿和力度[31][33]。 * **龙虎榜买入强度**：反映机构或游资等活跃资金的买入力度[31][33]。 * **主题投资交易情绪**：反映市场主题炒作的热度与集中度[31][33]。 * **PB分化度**：可能指市场个股PB估值分布的离散程度，反映结构性分化[33]。

量化模型与构建方式 1. **模型名称**：基于杠反ETF份额变化的港股择时策略[4] **模型构建思路**：利用杠杆反向ETF（杠反ETF）份额的日度变化作为散户情绪的代理变量，基于散户“追涨杀跌”的反向交易行为构建择时策略[3][4][26] **模型具体构建过程**： 1. **数据准备**：每日收盘后，获取目标指数（如恒生科技指数、恒生指数）对应的两倍做多和两倍做空ETF的份额数据[35]。 2. **计算份额变化率**：计算做多份额变化率ΔL和做空份额变化率ΔS。公式为： $$ΔL_t = \frac{L_t - L_{t-1}}{L_{t-1}}$$ $$ΔS_t = \frac{S_t - S_{t-1}}{S_{t-1}}$$ 其中，L_t和S_t分别代表第t日做多ETF和做空ETF的份额[35]。 3. **信号生成**：设置回看天数N和情绪阈值θ1、θ2（均为正值）[37]。当满足以下任一条件时触发信号： * **看多信号**：ΔL < -θ1（散户多头离场）或 ΔS > θ1（散户空头进场），则在下一个交易日收盘价建仓[4][35]。 * **看空信号**：ΔL > θ2（散户多头进场）或 ΔS < -θ2（散户空头离场），则在下一个交易日收盘价清仓[4][42]。 * **无信号**：延续上期持仓状态[4][42]。 4. **参数优化**：参数集(N, θ1, θ2)通过网格搜索进行优化[37][45]。 **模型评价**：该模型指标具有实时性（日度更新）和行为穿透性（直接捕捉散户交易行为）两大优势，相较于依赖宏观或财报数据的传统择时框架更为灵敏[4][46]。 模型的回测效果 1. **恒生科技指数择时策略**（参数：N=20, θ1=1.2%, θ2=1.0%）[38] * 全区间年化超额收益率：22.27%[38][44] * 全区间年化超额波动率：31.89%[44] * 全区间年化超额夏普比率：0.54[44] * 全区间最大回撤：-27.20%[40][44] * 全区间月度胜率：63.33%[44] * 总交易次数：48次[39] * 平均持仓时长：33天[39] 2. **恒生指数择时策略**（参数：N=20, θ1=1.0%, θ2=1.0%）[38] * 全区间年化超额收益率：10.41%[38][44] * 全区间年化超额波动率：19.72%[44] * 全区间年化超额夏普比率：0.45[44] * 全区间最大回撤：-21.19%[44] * 全区间月度胜率：55.56%[44] * 总交易次数：79次[39] * 平均持仓时长：16天[39] 量化因子与构建方式 1. **因子名称**：杠反ETF份额变化率[35] **因子构建思路**：杠反ETF具有高换手、高散户参与度的特征，其份额的剧烈变化反映了散户在极端市场情绪下的“羊群交易”行为，可作为市场情绪的反向指标[3][15][26] **因子具体构建过程**：对于特定的杠反ETF（如南方东英2倍做多恒生科技ETF），计算其份额的日度变化率。公式为： $$Δ_t = \frac{Share_t - Share_{t-1}}{Share_{t-1}}$$ 其中，Share_t代表第t日该ETF的总份额[35]。报告中分别计算了做多ETF份额变化率ΔL和做空ETF份额变化率ΔS[35]。 **因子评价**：该因子与标的指数走势呈现显著的负相关性，例如两倍做多恒生科技ETF份额与指数的相关系数达-0.67，两倍做多恒生指数ETF更达-0.92，表明散户集中进场（份额激增）往往对应市场顶部，集中离场（份额锐减）则暗示底部区域[3][26][29]。 2. **因子名称**：经纪商持仓复制因子[12] **因子构建思路**：将港交所CCASS系统中记录的每家经纪商视为独立的投资决策主体，通过复制其持仓来构建跟踪组合，以评估其选股能力[12] **因子具体构建过程**：对于CCASS系统中的每一家经纪商，在每月末复制其持有的全部港股通标的股票的仓位，构建一个“经纪商跟踪组合”，并计算该组合相对于基准（如恒生指数）的超额收益和风险指标[12]。例如，报告统计了持仓市值前20大经纪商的超额夏普比率排名和年化双边换手率[12][14]。 3. **因子名称**：富途证券持仓占比[17] **因子构建思路**：富途证券是典型的互联网券商，其客户以个人散户为主，通过计算其在特定证券（尤其是杠反ETF）中的持仓占比，可以度量散户的参与集中度[13][17][25] **因子具体构建过程**：对于目标证券（如某只ETF），从CCASS数据中提取富途证券的持股数量，除以该证券的总发行份额，得到富途证券的持仓占比[17]。报告对比了杠反ETF与普通ETF中富途证券的平均持仓占比（15.4% vs 1.8%）和平均排名（第2 vs 第8）[17][22][24]。

量化模型与构建方式 1. **模型名称：A股景气度高频指数模型**[28] * **模型构建思路**：以上证指数归母净利润同比为Nowcasting目标，构建一个能够高频反映A股整体景气状况的指数[28]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅提及构建详情可参考另一篇报告《视角透析：A股景气度高频指数构建与观察》[28]。 2. **模型名称：A股情绪指数模型**[32] * **模型构建思路**：基于市场波动率和成交额的变化方向来刻画市场情绪，并据此构建包含见底预警与见顶预警的情绪指数[32]。 * **模型具体构建过程**：首先，将市场按照波动率和成交额的变化方向划分为四个象限。研究发现，只有“波动上-成交下”的区间为显著负收益，其余象限都为显著正收益[32]。基于此规律，构建了A股情绪指数系统。具体算法和公式未在本报告中详述，相关研究请参考报告《视角透析：A股情绪指数构建与观察》[32]。 3. **模型名称：主题挖掘算法模型**[43] * **模型构建思路**：通过处理新闻和研报文本，从多个维度挖掘和描述主题投资机会[43]。 * **模型具体构建过程**：算法涉及文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建、主题影响力因子构建等多个维度[43]。报告未提供具体的数学模型或计算公式。 4. **模型名称：中证500指数增强模型**[44] * **模型构建思路**：通过量化策略构建投资组合，旨在持续稳定地跑赢中证500指数基准[44]。 * **模型具体构建过程**：报告未披露该增强模型的具体因子构成、权重配置或组合优化公式，仅展示了其历史表现和当期持仓[44][45]。 5. **模型名称：沪深300指数增强模型**[50] * **模型构建思路**：通过量化策略构建投资组合，旨在持续稳定地跑赢沪深300指数基准[49]。 * **模型具体构建过程**：报告未披露该增强模型的具体因子构成、权重配置或组合优化公式，仅展示了其历史表现和当期持仓[49][52]。 6. **模型名称：风格因子模型（BARRA框架）**[54] * **模型构建思路**：参照BARRA因子模型框架，对A股市场构建一套风格因子体系，用于解释股票收益差异并进行组合归因[54]。 * **模型具体构建过程**：报告列出了十大类风格因子，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）[54]。报告未提供每个因子的具体计算公式。 模型的回测效果 1. **A股情绪指数模型**，择时表现参见图表17[41]。 2. **中证500指数增强模型**，截至本周收益-0.25%，跑输基准1.27%[44]。2020年至今，相对中证500指数超额收益47.37%，最大回撤-5.89%[44]。 3. **沪深300指数增强模型**，截至本周收益率0.57%，跑赢基准0.65%[49]。2020年至今，相对沪深300指数超额收益39.15%，最大回撤-5.86%[49]。 量化因子与构建方式 1. **因子名称：市值（SIZE）**[54] * **因子构建思路**：衡量公司规模大小的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 2. **因子名称：BETA**[54] * **因子构建思路**：衡量股票相对于市场整体波动性的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 3. **因子名称：动量（MOM）**[54] * **因子构建思路**：衡量股票价格趋势强弱的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 4. **因子名称：残差波动率（RESVOL）**[54] * **因子构建思路**：衡量股票特异性风险（剔除市场风险后）的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 5. **因子名称：非线性市值（NLSIZE）**[54] * **因子构建思路**：捕捉市值因子非线性效应的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 6. **因子名称：估值（BTOP，Book-to-Price）**[54] * **因子构建思路**：通常指市净率（PB）的倒数，衡量股票估值高低的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 7. **因子名称：流动性（LIQUIDITY）**[54] * **因子构建思路**：衡量股票交易活跃度与变现难易程度的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 8. **因子名称：盈利（EARNINGS_YIELD）**[54] * **因子构建思路**：衡量公司盈利能力的风格因子，通常为市盈率（PE）的倒数[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 9. **因子名称：成长（GROWTH）**[54] * **因子构建思路**：衡量公司成长性的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 10. **因子名称：杠杆（LVRG）**[54] * **因子构建思路**：衡量公司财务杠杆水平的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 因子的回测效果 1. **风格因子（近一周纯因子收益率）**，表现参见图表24[58]。其中，非线性市值因子超额收益较高，价值、流动性因子呈较为显著的负向超额收益[55]。 2. **风格因子（近期表现）**，高Beta股表现优异，杠杆、价值、流动性等因子表现不佳[55]。 3. **行业因子（近一周纯因子收益率）**，表现参见图表25[58]。其中，国防军工、通信等行业因子跑出较高超额收益，石油石化、煤炭等行业因子回撤较多[55]。

量化模型与构建方式 1. **模型名称：择时雷达六面图综合择时模型**[1][6] * **模型构建思路**：权益市场表现受多维度因素影响，该模型从流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取二十一个指标刻画市场，并将其概括为“估值性价比”、“宏观基本面”、“资金&趋势”、“拥挤度&反转”四大类，最终生成一个综合择时分数[1][6]。 * **模型具体构建过程**： 1. 构建六个维度的子分数：每个维度包含若干具体指标，每个指标根据其构建规则生成一个介于-1（看空）到1（看多）之间的信号分数[1][9]。 2. 汇总维度分数：将每个维度内所有指标的分数进行汇总（具体汇总方式如等权平均或加权平均，报告未明确说明），得到该维度的综合得分，范围同样在[-1, 1]之间[1][9]。 3. 生成综合择时分数：将六个维度的分数（或四大类的分数）进一步综合，最终生成一个位于[-1, 1]之间的综合择时分数，用以判断市场整体观点[1][6]。 量化因子与构建方式 1. **因子名称：货币方向因子**[11] * **因子构建思路**：判断当前货币政策的方向，通过比较当前利率与历史利率的变化来确定宽松或收紧[11]。 * **因子具体构建过程**：选取央行货币政策工具利率与短端市场利率，计算其相较于90天前的平均变化方向。若因子值>0，则判断货币政策宽松；若因子值<0，则判断货币政策收紧[11]。 2. **因子名称：货币强度因子**[14] * **因子构建思路**：表征短端市场利率相对于政策利率的偏离幅度，基于“利率走廊”概念构建[14]。 * **因子具体构建过程**：计算偏离度 = DR007 / 7天逆回购利率 - 1，并对该偏离度进行平滑与z-score标准化，形成货币强度因子。若因子值 < -1.5倍标准差，则预期未来120个交易日为宽松环境；若因子值 > 1.5倍标准差，则预期未来120个交易日为收紧环境[14]。 3. **因子名称：信用方向因子**[17] * **因子构建思路**：表征商业银行对实体经济的信贷松紧程度，使用中长期贷款指标进行体现[17]。 * **因子具体构建过程**：计算中长期贷款当月值 -> 计算过去十二个月增量 -> 计算同比，得到信用方向因子。若该因子值相比于三个月之前上升则看多；反之则看空[17]。 4. **因子名称：信用强度因子**[20] * **因子构建思路**：捕捉信用指标是否大幅超预期或不及预期[20]。 * **因子具体构建过程**：构建信用强度因子 = (新增人民币贷款当月值 – 预期中位数) / 预期标准差。若因子值 > 1.5倍标准差，则定义未来60个交易日为信用显著超预期环境；若因子值 < -1.5倍标准差，则未来60个交易日为信用显著不及预期环境[20]。 5. **因子名称：增长方向因子**[22] * **因子构建思路**：基于PMI数据判断经济增长的方向[22]。 * **因子具体构建过程**：基于中采制造业PMI、中采非制造业PMI、财新制造业PMI，构建增长方向因子 = PMI -> 计算过去十二月均值 -> 计算同比。若该因子值相比于三个月之前上升则看多；反之则看空[22]。 6. **因子名称：增长强度因子**[25] * **因子构建思路**：捕捉经济增长指标是否大幅超预期或不及预期[25]。 * **因子具体构建过程**：计算PMI预期差 = (PMI – 预期中位数) / 预期标准差，得到增长强度因子。若因子值 > 1.5倍标准差，则定义未来60个交易日为增长显著超预期环境；若因子值 < -1.5倍标准差，则未来60个交易日为增长显著不及预期环境[25]。 7. **因子名称：通胀方向因子**[27] * **因子构建思路**：判断通胀水平的变化方向，通胀下行可能为未来货币宽松提供空间，利好权益资产[27]。 * **因子具体构建过程**：计算通胀方向因子 = 0.5 × CPI同比平滑值 + 0.5 × PPI同比原始值。若该因子值相较于三个月之前降低，则看多；反之看空[27]。 8. **因子名称：通胀强度因子**[29] * **因子构建思路**：捕捉通胀指标是否大幅超预期或不及预期[29]。 * **因子具体构建过程**：分别计算CPI与PPI的预期差 = (披露值 – 预期中位数) / 预期标准差，并计算通胀强度因子 = CPI与PPI预期差的均值。若因子值 < -1.5倍标准差，则定义未来60个交易日为通胀显著不及预期环境；若因子值 > 1.5倍标准差，则未来60个交易日为通胀显著超预期环境[29]。 9. **因子名称：席勒ERP**[30] * **因子构建思路**：使用经过周期平滑的盈利计算市盈率，再与无风险利率比较，得到股权风险溢价，以更稳定地衡量估值水平[30]。 * **因子具体构建过程**：计算过去6年通胀调整后的平均盈利，得到席勒PE。再计算席勒ERP = 1 / 席勒PE - 10年期国债到期收益率。最后计算该ERP过去6年的z-score作为分数[30]。 10. **因子名称：PB**[34] * **因子构建思路**：使用市净率的倒数并标准化，来衡量估值水平[34]。 * **因子具体构建过程**：将PB乘以(-1)，并计算过去6年的z-score，再用1.5倍标准差进行截尾后，标准化到±1之间得到分数[34]。 11. **因子名称：AIAE (全市场权益配置比例)**[36] * **因子构建思路**：反映市场整体的风险偏好，逻辑是投资者会根据风险资产和安全资产的供应量动态调整两者价格以达到市场均衡[36]。 * **因子具体构建过程**：构建A股的AIAE指标 = 中证全指总流通市值 / (中证全指总流通市值 + 实体总债务)。将该指标乘以(-1)并计算过去6年的z-score得到分数[36]。 12. **因子名称：两融增量**[38] * **因子构建思路**：两融余额变化反映市场杠杆资金情绪，上行时市场情绪较好[38]。 * **因子具体构建过程**：计算融资余额-融券余额，并计算其过去120日均增量与过去240日均增量。若120日均增量 > 240日均增量，则看多；反之看空[38]。 13. **因子名称：成交额趋势**[41] * **因子构建思路**：成交额上行代表市场成交热度与资金活跃度高[41]。 * **因子具体构建过程**：对对数成交额计算其均线距离 = ma120 / ma240 - 1。当均线距离的max(10日) = max(30日) = max(60日)时看多；当均线距离的min(10日) = min(30日) = min(60日)时看空[41]。 14. **因子名称：中国主权CDS利差**[45] * **因子构建思路**：该利差代表海外投资者对中国主权信用风险的定价，与外资流入意愿相关[45]。 * **因子具体构建过程**：对平滑后的CDS利差计算20日差分。若差分 < 0，说明利差下降，海外投资者预期中国基本面转好，此时看多；反之看空[45]。 15. **因子名称：海外风险厌恶指数 (花旗RAI指数)**[47] * **因子构建思路**：该指数由海外期权隐波、信用利差等数据组成，能捕捉海外市场的风险偏好[47]。 * **因子具体构建过程**：对平滑后的风险厌恶指数计算20日差分。若差分 < 0，说明外资风险偏好上升，此时看多；反之看空[47]。 16. **因子名称：价格趋势**[49] * **因子构建思路**：使用均线距离衡量标的价格的中长期趋势与强度[49]。 * **因子具体构建过程**： 1. 计算均线距离 = ma120 / ma240 - 1。 2. **趋势方向分数**：当均线距离 > 0时为1，反之为-1。 3. **趋势强度分数**：当均线距离的max(20日) = max(60日)时为1；当min(20日) = min(60日)时为-1。 4. **趋势综合分数** = (趋势方向分数 + 趋势强度分数) / 2[49]。 17. **因子名称：新高新低数**[51] * **因子构建思路**：指数成分股的新高与新低个数可以作为市场反转信号[51]。 * **因子具体构建过程**：计算中证800成分股（过去一年新低数 - 新高数）的20日移动平均。若该值 > 0，说明近期新低较多，市场有见底预期，此时看多；反之看空[51]。 18. **因子名称：期权隐含升贴水**[55] * **因子构建思路**：基于看涨看跌平价关系推导出期权隐含的标的升贴水，反映期权市场对未来标的收益率的预期与情绪，作为反转指标[55]。 * **因子具体构建过程**：若50ETF近5日收益率 < 0，且该指标分位数 < 30%，则看多持续20日。若50ETF近5日收益率 > 0，且该指标分位数 > 70%，则看空持续20日[55]。 19. **因子名称：期权隐含波动率VIX**[57] * **因子构建思路**：反映期权投资者对未来标的波动率的预期与市场情绪，较高时市场倾向于反转[57]。 * **因子具体构建过程**：若50ETF近5日收益率 < 0，且该指标分位数 > 70%，则看多持续20日。若50ETF近5日收益率 > 0，且该指标分位数 > 70%，则看空持续20日[57]。 20. **因子名称：期权隐含偏度SKEW**[62] * **因子构建思路**：反映期权投资者对未来标的偏度的预期与市场情绪，用作反转指标[62]。 * **因子具体构建过程**：若50ETF近5日收益率 < 0，且该指标分位数 > 70%，则看多持续20日。若50ETF近5日收益率 > 0，且该指标分位数 < 30%，则看空持续20日[62]。 21. **因子名称：可转债定价偏离度**[65] * **因子构建思路**：可转债估值水平能体现市场情绪，可用作反转指标[65]。 * **因子具体构建过程**：计算可转债定价偏离度 = 转债价格 / 模型定价 - 1。计算分数 = 定价偏离度 × (-1) 并计算过去3年的z-score。定价偏离度越高，拥挤度越高，分数越低[65]。 模型的回测效果 * **择时雷达六面图综合择时模型**，当前综合打分为0.08分[1][6][9]，流动性维度得分为0.25分[1][9]，经济面维度得分为-0.50分[1][9]，估值面维度得分为-0.35分[2][9]，资金面维度得分为0.50分[2][9]，技术面维度得分为1.00分[2][9]，拥挤度维度得分为0.00分[2][9] 因子的回测效果 * **货币方向因子**，当前分数为1分[11] * **货币强度因子**，当前分数为0分[14] * **信用方向因子**，当前分数为1分[17] * **信用强度因子**，当前分数为-1分[20] * **增长方向因子**，当前分数为1分[22] * **增长强度因子**，当前分数为-1分[25] * **通胀方向因子**，当前分数为-1分[27] * **通胀强度因子**，当前分数为-1分[29] * **席勒ERP**，当前分数为0.06分[30] * **PB**，当前分数为-0.38分[34] * **AIAE**，当前分数为-0.72分[36] * **两融增量**，当前分数为1分[38] * **成交额趋势**，当前分数为1分[41][42] * **中国主权CDS利差**，当前分数为-1分[45] * **海外风险厌恶指数**，当前分数为1分[47] * **价格趋势**，当前综合分数为1分[49] * **新高新低数**，当前分数为1分[51][52] * **期权隐含升贴水**，当前分数为-1分[55][56] * **期权隐含波动率VIX**，当前分数为1分[57][58] * **期权隐含偏度SKEW**，当前分数为1分[62][63] * **可转债定价偏离度**，当前分数为-1分[65]

量化模型与构建方式 1. **模型名称：ETF风险偏好指数模型**[11] * **模型构建思路**：通过监测ETF资金流向，构建一个反映市场整体风险偏好的指数。当指数上升时，表明市场风险偏好提升；当指数下降时，表明市场风险偏好收缩[11]。 * **模型具体构建过程**：报告未提供该指数的具体计算公式和构建细节，仅提及了其应用逻辑。模型通过跟踪ETF的资金流入流出情况，特别是不同风格（如科技成长 vs. 红利防御）ETF的资金流向对比，来综合判断市场风险偏好的变化方向[11]。 2. **模型名称：游资活跃度指标模型**[11] * **模型构建思路**：构建一个指标来监测市场中游资（活跃短线资金）的交易活跃程度，作为市场情绪的一个侧面观察[11]。 * **模型具体构建过程**：报告未提供该指标的具体计算公式和构建细节。该模型通过分析市场交易数据（可能涉及成交额、涨停板数量、特定股票或板块的资金流向等）来量化游资的活跃水平[11]。 3. **模型名称：知情交易者活跃度指标模型**[15][18] * **模型构建思路**：构建一个指标来监测市场中“知情交易者”（可能指机构、大资金等拥有信息优势的交易者）的交易活跃程度，用于微观市场结构择时[15]。 * **模型具体构建过程**：报告未提供该指标的具体计算公式和构建细节。该模型通过分析高频或特定维度的交易数据，来捕捉知情交易者的行为变化，其数值高低和方向变化被用于判断市场短期走势的边际变化[15][18]。 4. **模型名称：价格分段体系模型**[14][17] * **模型构建思路**：对指数价格走势进行多时间周期（如日线、周线）的技术分析，通过观察不同周期价格趋势线的位置关系（如重合、背离）来判断市场所处的趋势阶段[14]。 * **模型具体构建过程**：报告未提供该模型的具体算法细节。从描述和图表看，该模型可能涉及对指数价格进行平滑处理（例如使用移动平均线或类似“dea”的指标），并分别绘制日线级别和周线级别的趋势线，通过比较两者的相对位置（如“基本重合”、“边际上行”）来进行分析[14][17]。 5. **因子名称：分析师一致预期景气因子**[19][20] * **因子构建思路**：利用分析师对上市公司未来财务指标的一致预测数据，构建行业层面的景气度监测因子，以反映市场对行业基本面的预期变化[19]。 * **因子具体构建过程**：对于每个申万一级行业，计算两个核心指标： 1. **一致预期ROE环比变化**：计算行业成分股未来12个月滚动预测ROE（ROEFTTM）的一致预期值，并观察其本周相较于上周的环比变化率[19][20]。 2. **一致预期净利润增速环比变化**：计算行业成分股未来12个月滚动预测净利润（FTTM）增速的一致预期值，并观察其本周相较于上周的环比变化率[19][20]。 * **因子评价**：该因子能够及时捕捉市场对行业盈利能力和成长性的预期调整，是进行行业景气比较和监测的有效工具[19]。 6. **因子名称：行业融资融券净流入因子**[21][23] * **因子构建思路**：通过计算各行业融资净买入与融券净卖出的差额，构建反映杠杆资金在行业间偏好和流向的因子[21]。 * **因子具体构建过程**：对于每个行业，计算指定周期（本周）内的净买入额。 $$期间净买入额 = 融资净买入额 - 融券净卖出额$$ 其中，融资净买入额代表看多资金的流入，融券净卖出额代表看空资金的流出。两者之差即为杠杆资金对该行业的净流入金额[21][23]。 7. **因子名称：BARRA风格因子体系**[24][25] * **因子构建思路**：采用经典的BARRA风险模型框架，计算一系列风格因子的收益，以监测市场在不同风格维度上的暴露和偏好变化[24]。 * **因子具体构建过程**：报告直接引用了BARRA风格因子的收益结果，未详述每个因子的具体计算公式。涉及的风格因子包括： * **基本面与价值类**：换手、财务杠杆、盈利波动、盈利质量、盈利能力、投资质量、长期反转、EP价值、BP价值、成长、股息率。 * **交易与技术类**：动量、波动率、贝塔（报告中“近释”可能指短期贝塔）。 * **市值类**：市值、非线性市值。 这些因子的收益通常是通过对股票收益率进行横截面回归，或将股票按因子值分组后计算多空组合收益等方式得到[24][25]。 模型的回测效果 *报告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、最大回撤等）。报告中对模型的讨论集中于当前市场状态下的信号解读和逻辑分析[11][14][15]。* 因子的回测效果 1. **分析师一致预期景气因子**，本周ROE环比变化值：房地产 8.99%，通信 4.57%，社会服务 2.15%...[20]；本周净利润增速环比变化值：农林牧渔 101.71%，环保 13.11%，房地产 38.87%...[20] 2. **行业融资融券净流入因子**，本周净买入额：电子 70.6亿元，通信 (具体数值未列出，从图表看约为40-50亿元)，国防军工 (具体数值未列出，从图表看约为30-40亿元)...[21][23]；净流出额：计算机 (具体数值未列出，从图表看约为-15至-20亿元)，汽车 (具体数值未列出，从图表看约为-10至-15亿元)...[21][23] 3. **BARRA风格因子**，本周收益：波动率 0.8%，非线性市值 0.8%，成长 0.3%，市值 0.3%，EP价值 0.2%，动量 0.1%，换手 -0.1%，财务杠杆 -0.1%，盈利质量 -0.1%，长期反转 -0.1%，盈利波动 -0.2%，BP价值 -0.3%，投资质量 -0.4%[25]；上周收益：动量 0.7%，盈利能力 0.4%，EP价值 0.3%，BP价值 0.2%，投资质量 0.2%，换手 0.1%，财务杠杆 0.1%，盈利质量 0.0%，非线性市值 0.1%，市值 -0.1%，成长 -0.2%，股息率 -0.3%，长期反转 -0.6%，波动率 -1.0%[25]

量化模型与因子总结 量化因子与构建方式 1. **因子名称**：日内高频偏度因子 **因子构建思路**：通过分析日内高频收益的分布特征，捕捉股票收益的非对称性，以此作为选股依据[13]。 **因子具体构建过程**：具体计算方式参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[13]。报告中提及该因子已对常规因子进行了正交化处理[13]。 2. **因子名称**：日内下行波动占比因子 **因子构建思路**：将已实现波动率分解，计算下行波动部分在总波动中的占比，用以衡量股价下跌时的波动风险[18]。 **因子具体构建过程**：具体计算方式参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[18]。报告中提及该因子已对常规因子进行了正交化处理[18]。 3. **因子名称**：开盘后买入意愿占比因子 **因子构建思路**：基于开盘后一段时间内的高频交易数据，通过直观逻辑或机器学习方法，计算反映市场买入意愿的指标[22]。 **因子具体构建过程**：具体计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[22][26]。报告中提及该因子已对常规因子进行了正交化处理[22]。 4. **因子名称**：开盘后买入意愿强度因子 **因子构建思路**：与买入意愿占比因子类似，但更侧重于衡量买入意愿的强度或力度[22][26]。 **因子具体构建过程**：具体计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[22][26]。报告中提及该因子已对常规因子进行了正交化处理[26]。 5. **因子名称**：开盘后大单净买入占比因子 **因子构建思路**：分析开盘后大额资金的净买入行为，计算其占总成交的比例，以捕捉主力资金的动向[31]。 6. **因子名称**：开盘后大单净买入强度因子 **因子构建思路**：衡量开盘后大额资金净买入行为的强度[34]。 7. **因子名称**：改进反转因子 **因子构建思路**：在传统反转因子的基础上进行改进，以提升其选股效果[40]。 8. **因子名称**：尾盘成交占比因子 **因子构建思路**：计算尾盘时段成交量在当日总成交量中的占比，用以捕捉尾盘资金的异动行为[45]。 9. **因子名称**：平均单笔流出金额占比因子 **因子构建思路**：通过分析平均单笔流出金额的占比，来衡量资金流出的压力[48]。 10. **因子名称**：大单推动涨幅因子 **因子构建思路**：衡量由大额买单所推动的股价上涨幅度，以识别由大资金驱动的价格上涨[55]。 11. **因子名称**：改进GRU(50,2)+NN(10)因子 **因子构建思路**：使用门控循环单元（GRU）神经网络结合全连接神经网络（NN），对高频数据进行深度学习建模，以提取有效的选股信号[60]。这是一个改进版本。 12. **因子名称**：残差注意力LSTM(48,2)+NN(10)因子 **因子构建思路**：使用带有残差连接和注意力机制的长短期记忆网络（LSTM）结合全连接神经网络（NN），构建深度学习选股因子[62]。 13. **因子名称**：多颗粒度模型-5日标签因子 **因子构建思路**：基于双向A-GRU网络训练的多颗粒度深度学习模型，使用5日收益率作为训练标签[65]。 14. **因子名称**：多颗粒度模型-10日标签因子 **因子构建思路**：基于双向A-GRU网络训练的多颗粒度深度学习模型，使用10日收益率作为训练标签[66]。 量化模型的构建方式 1. **模型名称**：周度调仓的中证500/1000 AI增强组合（宽/严约束） **模型构建思路**：基于深度学习因子（多颗粒度模型-10日标签）构建指数增强组合，通过优化求解在给定约束条件下最大化组合预期收益[70]。 **模型具体构建过程**： * **核心因子**：使用“多颗粒度模型-10日标签”因子作为股票的预期超额收益（μi）来源[70]。 * **优化目标**：最大化组合的预期收益，目标函数为： $$max\sum\mu_{i}w_{i}$$ 其中，wi为股票i的权重，μi为股票i的预期超额收益[71]。 * **约束条件**：组合构建受到一系列风险控制约束，包括个股权重上限、行业偏离、风格因子（如市值、PB、ROE等）暴露、成分股权重下限以及换手率控制等。宽约束和严约束的区别在于约束条件的数量和严格程度[71]。 * **回测设置**：假设以次日均价成交，并扣除双边3‰的交易成本[72]。 因子的回测效果 （数据来源：表2，周度高频、深度选股因子IC，RankMAE，多空收益，多头超额收益及月度胜率[10][12]） | 因子名称 | 历史IC | 2025年IC | 历史e^(-rank mae) | 2025年e^(-rank mae) | 上周多空收益 | 12月多空收益 | 2025YTD多空收益 | 2025年周胜率 | 上周多头超额 | 12月多头超额 | 2025YTD多头超额 | 2025年周胜率（多头） | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 日内高频偏度 | 0.019 | 0.020 | 0.324 | 0.326 | -0.29% | -1.85% | 21.72% | 31/50 | -0.49% | -1.40% | 5.20% | 26/50 | | 日内下行波动占比 | 0.016 | 0.017 | 0.323 | 0.324 | -0.96% | -2.20% | 18.22% | 33/50 | -0.77% | -1.69% | 1.90% | 27/50 | | 开盘后买入意愿占比 | 0.025 | 0.023 | 0.321 | 0.320 | -0.01% | -0.05% | 20.46% | 37/50 | -0.28% | -0.21% | 9.24% | 32/50 | | 开盘后买入意愿强度 | 0.030 | 0.026 | 0.326 | 0.326 | 1.03% | 0.47% | 27.63% | 37/50 | 0.82% | 0.59% | 11.22% | 35/50 | | 开盘后大单净买入占比 | 0.035 | 0.021 | 0.322 | 0.317 | 0.71% | 0.38% | 22.32% | 35/50 | 0.84% | 0.82% | 11.34% | 32/50 | | 开盘后大单净买入强度 | 0.024 | 0.015 | 0.320 | 0.316 | 1.09% | 0.64% | 12.75% | 30/50 | 0.90% | 0.83% | 9.46% | 34/50 | | 改进反转 | 0.030 | 0.020 | 0.330 | 0.330 | 1.04% | 0.56% | 21.98% | 37/50 | 0.85% | 0.47% | 8.36% | 28/50 | | 尾盘成交占比 | 0.026 | 0.016 | 0.322 | 0.319 | 1.69% | 1.98% | 17.67% | 33/50 | 1.01% | 0.65% | 5.92% | 27/50 | | 平均单笔流出金额占比 | 0.008 | -0.006 | 0.317 | 0.315 | 0.01% | -1.00% | -6.96% | 23/50 | -0.03% | -0.51% | -2.80% | 18/50 | | 大单推动涨幅 | 0.018 | 0.007 | 0.325 | 0.325 | -0.80% | -1.34% | 6.78% | 30/50 | 0.13% | -0.29% | 1.47% | 27/50 | | 改进GRU(50,2)+NN(10) | 0.066 | 0.045 | 0.336 | 0.332 | -0.43% | -1.60% | 45.90% | 40/50 | 0.55% | -0.06% | 7.30% | 28/50 | | 残差注意力LSTM(48,2)+NN(10) | 0.062 | 0.043 | 0.334 | 0.331 | 0.01% | -1.47% | 45.73% | 45/50 | 0.67% | -0.09% | 8.76% | 29/50 | | 多颗粒度模型-5日标签 | 0.080 | 0.064 | 0.343 | 0.340 | -0.84% | -1.34% | 65.67% | 44/50 | -0.45% | -0.92% | 23.74% | 39/50 | | 多颗粒度模型-10日标签 | 0.073 | 0.059 | 0.342 | 0.340 | -1.18% | -1.15% | 60.45% | 44/50 | -1.01% | -1.26% | 23.54% | 37/50 | 模型的回测效果 （数据来源：表3，周度调仓的AI增强组合超额收益及周度胜率[13]） | 模型名称 | 上周超额收益 | 12月超额收益 | 2025YTD超额收益 | 2025年周胜率 | | :--- | :--- | :--- | :--- | :--- | | 中证500 AI增强宽约束组合 | -2.80% | -3.04% | 5.03% | 28/50 | | 中证500 AI增强严约束组合 | -2.42% | -2.51% | 8.24% | 32/50 | | 中证1000 AI增强宽约束组合 | -3.54% | -4.18% | 13.63% | 33/50 | | 中证1000 AI增强严约束组合 | -2.35% | -2.88% | 17.29% | 32/50 |

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**：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正向信号，反之则不发出[1][4][6]。 **模型具体构建过程**：模型通过综合多个分项因子来构建。首先，对每个分项因子计算其因子值。然后，将所有分项因子的因子值进行综合，得到一个综合因子值。具体综合方式未在报告中明确给出，但根据上下文推断，可能为加权求和或其他线性组合方式。最终，根据综合因子值的正负来判断择时观点[6][9][12]。 量化因子与构建方式 1. **因子名称**：中国:非制造业PMI:服务业因子[12] **因子构建思路**：使用中国非制造业PMI中的服务业数据作为反映经济景气的宏观指标，用于判断对红利风格的择时观点[12]。 **因子具体构建过程**：报告未详细说明该因子值的具体计算过程，仅给出了最新一期的因子值为-0.80[12]。 2. **因子名称**：中国:M2:同比因子[12] **因子构建思路**：使用中国M2货币供应量的同比数据作为反映流动性的宏观指标，用于判断对红利风格的择时观点[12]。 **因子具体构建过程**：报告未详细说明该因子值的具体计算过程，仅给出了最新一期的因子值为0.58[12]。 3. **因子名称**：美国:国债收益率:10年因子[12] **因子构建思路**：使用美国10年期国债收益率作为反映全球无风险利率和资金成本的指标，用于判断对红利风格的择时观点[9][12]。 **因子具体构建过程**：报告未详细说明该因子值的具体计算过程，仅给出了最新一期的因子值为-1.17[12]。 4. **因子名称**：红利相对净值自身因子[12] **因子构建思路**：可能基于红利指数或其相对净值的动量或趋势进行构建，用于捕捉红利风格自身的运行态势[12]。 **因子具体构建过程**：报告未详细说明该因子值的具体计算过程，仅给出了最新一期的因子值为-1.00[12]。 5. **因子名称**：中证红利股息率-10年期中债收益率因子[12] **因子构建思路**：计算中证红利指数的股息率与10年期中国国债收益率的差值，作为衡量红利资产相对吸引力的价差指标[12]。 **因子具体构建过程**：报告未详细说明该因子值的具体计算过程，仅给出了最新一期的因子值为-0.12[12]。 6. **因子名称**：融资净买入因子[12] **因子构建思路**：使用融资净买入数据作为反映市场情绪和杠杆资金偏好的指标，用于判断对红利风格的择时观点[9][12]。 **因子具体构建过程**：报告未详细说明该因子值的具体计算过程，仅给出了最新一期的因子值为-0.15[12]。 7. **因子名称**：行业平均景气度因子[12] **因子构建思路**：使用分析师行业景气度数据，反映整体企业盈利预期，用于判断对红利风格的择时观点[9][12]。 **因子具体构建过程**：报告未详细说明该因子值的具体计算过程，仅给出了最新一期的因子值为1.83[12]。 模型的回测效果 *报告为周度跟踪报告，未提供模型历史回测的详细绩效指标（如年化收益率、夏普比率、最大回撤等）。报告主要提供了模型的最新信号和因子值。* 因子的回测效果 *报告为周度跟踪报告，未提供各因子历史表现的详细统计指标（如IC值、IR、多空收益等）。报告主要提供了各因子在最新时点的因子值和择时观点。* **模型/因子在最新时点（2025年12月12日）的指标取值** 1. **红利风格择时模型**，综合因子值: -0.72[1][4][6] 2. **中国:非制造业PMI:服务业因子**，因子值: -0.80，最新观点: 1[12] 3. **中国:M2:同比因子**，因子值: 0.58，最新观点: 0[12] 4. **美国:国债收益率:10年因子**，因子值: -1.17，最新观点: 0[12] 5. **红利相对净值自身因子**，因子值: -1.00，最新观点: 0[12] 6. **中证红利股息率-10年期中债收益率因子**，因子值: -0.12，最新观点: 0[12] 7. **融资净买入因子**，因子值: -0.15，最新观点: 1[12] 8. **行业平均景气度因子**，因子值: 1.83，最新观点: 0[12]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：中性约束条件下最大化因子暴露组合[22] **模型构建思路**：在构建单因子投资组合时，采用一种优化方法，在确保投资组合相对基准指数在行业和风格暴露保持中性的基础上，最大化目标因子在组合中的暴露[22]。 **模型具体构建过程**：模型的具体构建方法在附录中提及，但正文未详细展开。其核心思想是通过优化求解，在满足行业和风格因子暴露中性（即组合在这些维度上的暴露与基准指数一致或为零）的约束条件下，使投资组合对目标因子的暴露达到最大[22]。 量化因子与构建方式 风格因子（共10个大类）[16] 构建思路：参考BARRA因子模型构建，以捕捉A股市场的风格变化[16]。大类风格因子通过细分因子合成[16]。 1. **因子名称**：估值因子 **因子具体构建过程**：估值因子 = BP。其中BP（Book to Price）为细分因子，构造方式为：归母股东权益 / 总市值[17]。 2. **因子名称**：成长因子 **因子具体构建过程**：成长因子 = (SGRO + EGRO) / 2[17]。 * 细分因子SGRO（Sales growth）：过去五个财年年报的每股营业收入按时间进行回归，将回归系数（斜率）除以每股营业收入的平均值，得到营业收入增长率SGRO[17]。 * 细分因子EGRO（Earnings growth）：过去五个财年年报的每股归母净利润按时间进行回归，将回归系数（斜率）除以每股归母净利润的平均值，得到归母净利润增长率EGRO[17]。 3. **因子名称**：盈利因子 **因子具体构建过程**：盈利因子 = (ETOP + CETOP) / 2[17]。 * 细分因子ETOP（Earnings-to-price ratio）：归母净利润TTM / 总市值[17]。 * 细分因子CETOP（Cash earnings-to-price ratio）：经营活动产生的现金流量净额TTM / 总资产[17]。 4. **因子名称**：规模因子 **因子具体构建过程**：规模因子 = LNCAP。其中LNCAP（Natural log of market cap）为细分因子，构造方式为：总市值的对数[17]。 5. **因子名称**：Beta因子 **因子具体构建过程**：Beta因子 = BETA。其中BETA为细分因子，构造方式为：将个股过去252个交易日的日收益率与中证全指日收益率进行半衰指数加权回归，半衰期为63个交易日。最终取回归系数作为BETA[17]。 6. **因子名称**：动量因子 **因子具体构建过程**：动量因子 = RSTR。其中RSTR（Relative strength）为细分因子，构造方式为：过去504个交易日个股累计收益率，不含最近21个交易日。其中收益率序列使用半衰指数加权，半衰期为126个交易日[17]。 7. **因子名称**：流动性因子 **因子具体构建过程**：流动性因子 = (STOM + STOQ + STOA) / 3[17]。 * 细分因子STOM（Share turnover, one month）：个股过去1个月的换手率加总，之后取对数[17]。 * 细分因子STOQ（Average share turnover, trailing 3 months）：个股过去3个月STOM的均值[17]。 * 细分因子STOA（Average share turnover, trailing 12 months）：个股过去12个月STOM的均值[17]。 8. **因子名称**：波动性因子 **因子具体构建过程**：波动性因子 = (DASTD + CMRA + HSIGMA) / 3[17]。 * 细分因子DASTD（Daily standard deviation）：过去250个交易日个股相对于所有股票等权指数的超额收益率的标准差。其中计算标准差时使用半衰指数加权，半衰期为40个交易日[17]。 * 细分因子CMRA（Cumulative range）：计算个股过去12个月内的累计对数收益率，将累计最高收益与累计最低收益做差得到CMRA[17]。 * 细分因子HSIGMA（Historical sigma）：计算BETA时残差的标准差[17]。 9. **因子名称**：非线性市值因子 **因子具体构建过程**：非线性市值因子 = NLSIZE。其中NLSIZE（Non-linear Size）为细分因子，构造方式为：将股票总市值对数的三次方与对数市值进行加权最小二乘回归，其中权重为对数市值的平方根，最终取回归残差作为NLSIZE。总市值越大或越小的股票NLSIZE越大，中市值股票NLSIZE小[17]。 10. **因子名称**：杠杆因子 **因子具体构建过程**：杠杆因子 = (MLEV + DTOA + BLEV) / 3[17]。 * 细分因子MLEV（Market leverage）：非流动负债 / 总市值[17]。 * 细分因子DTOA（Debt to assets）：总负债 / 总资产[17]。 * 细分因子BLEV（Book leverage）：非流动负债 / 归属母公司股东权益[17]。 选股因子（共53个）[21] 构建思路：构建了53个常用的选股因子，涵盖了估值、成长、质量、规模、反转、动量、流动性、波动性、分红、公司治理以及技术等多个方面[21]。在计算全市场股票池因子表现时，会对每个单因子进行中性化处理，消除其与行业、风格（规模、估值、成长）因子的相关性[47]。 **因子列表及具体构建过程如下表所示**[22]： | 因子类别 | 因子名称 | 构造方式 | 参考方向 | | :--- | :--- | :--- | :--- | | 估值 | BP | 归属母公司股东权益/总市值 | 正向[22] | | | 单季度EP | 单季度归母净利润/总市值 | 正向[22] | | | EP_TTM | 归母净利润TTM/总市值 | 正向[22] | | | 单季度SP | 单季度营业收入/总市值 | 正向[22] | | | SP_TTM | 营业收入TTM/总市值 | 正向[22] | | | 单季度CFEV | 单季度经营活动产生的现金流量净额/（市值 + 短期借款 + 长期借款 + 应付债券 - 货币资金） | 正向[22] | | | CFEV_TTM | 经营活动产生的现金流量净额TTM/（市值 + 短期借款 + 长期借款 + 应付债券 - 货币资金） | 正向[22] | | 成长 | 单季度净利润同比增速 | 单季度归母净利润同比增长率 | 正向[22] | | | 单季度营业收入同比增速 | 单季度营业收入同比增长率 | 正向[22] | | | 单季度营业利润同比增速 | 单季度营业利润同比增长率 | 正向[22] | | | 标准化预期外盈利 | （当前季度归母净利润 -（去年同期单度归母净利润+过去8个季度单季归母净利润同比增长均值））/ 过去8个季度的单季度归母净利润同比增长值的标准差 | 正向[22] | | | 标准化预期外收入 | （当前季度营业收入 -（去年同期单度营业收入+过去8个季度单季度营业收入同比增长均值））/ 过去8个季度的单季营业收入同比增长值的标准差 | 正向[22] | | | 单季度ROE同比 | ROE单季度同比变化 | 正向[22] | | | 单季度ROA同比 | ROA单季度同比变化 | 正向[22] | | 质量 | 单季度ROE | 单季度归母净利润/归属母公司股东权益 | 正向[22] | | | 单季度ROA | 单季度归母净利润/总资产 | 正向[22] | | | 单季度毛利率 | （单季度营业收入-单季度营业成本）/单季度营业收入 | 正向[22] | | | 单季度营业利润率 | 单季度营业利润/单季度营业收入 | 正向[22] | | | 单季度净利润率 | 单季度归母净利润/单季度营业收入 | 正向[22] | | | 盈余质量 | (经营活动现金流量净额-营业利润) /总资产 | 正向[22] | | | 流动比率 | 流动资产/流动负债 | 正向[22] | | 规模 | 对数市值 | 总市值的对数 | 负向[22] | | 反转 | 20日反转 | 个股过去20个交易日收益率 | 负向[22] | | | 60日反转 | 个股过去60个交易日收益率 | 负向[22] | | 动量 | 60日动量 | 个股过去60个交易日（排除近20日）收益率 | 正向[22] | | | 240日动量 | 个股过去240个交易日（排除近20日）收益率 | 正向[22] | | | 盈余公告前隔夜动量 | 个股盈余公告前20个交易日的隔夜收益 | 正向[22] | | | 盈余公告次日开盘跳空超额 | 个股盈余公告次日开盘价/昨日收盘价-中证全指次日开盘价/昨日收盘价 | 正向[22] | | 流动性 | 20日换手率 | 个股过去20个交易日换手率的平均值 | 负向[22] | | | 60日换手率 | 个股过去60个交易日换手率的平均值 | 负向[22] | | | 20日换手率波动 | 个股过去20个交易日换手率的标准差 | 负向[22] | | | 60日换手率波动 | 个股过去60个交易日换手率的标准差 | 负向[22] | | | 20日非流动性冲击 | 个股过去20个交易日的收益率绝对值/过去20日成交额的均值 | 正向[22] | | | 60日非流动性冲击 | 个股过去60个交易日的收益率绝对值/过去60日成交额的均值 | 正向[22] | | 波动性 | 20日收益率标准差 | 个股过去20个交易日的日收益率标准差 | 负向[22] | | | 60日收益率标准差 | 个股过去60个交易日的日收益率标准差 | 负向[22] | | | 20日特异度 | 个股过去20个交易日的日收益与Fama-French三因子回归的拟合度 | 负向[22] | | | 60日特异度 | 个股过去60个交易日的日收益与Fama-French三因子回归的拟合度 | 负向[22] | | | 20日三因子模型残差波动率 | 个股过去20个交易日的日收益对Fama-French三因子回归的残差的标准差 | 负向[22] | | | 120日三因子模型残差波动率 | 个股过去120个交易日的日收益对Fama-French三因子回归的残差的标准差 | 负向[22] | | | 240日三因子模型残差波动率 | 个股过去240个交易日的日收益对Fama-French三因子回归的残差的标准差 | 负向[22] | | 分红 | 股息率 | 最近4个季度分红/总市值 | 正向[22] | | 公司治理 | 前五大股东持股比例 | 前五大股东持股比例合计 | 正向[22] | | | 前十大股东持股比例 | 前十大股东持股比例合计 | 正向[22] | | 技术 | 20日成交额 | 过去20个交易日日均成交额 | 负向[22] | | | 60日成交额 | 过去60个交易日日均成交额 | 负向[22] | | | 60日偏度 | 过去60个交易日日度收益率数据计算的偏度 | 负向[22] | | | 240日偏度 | 过去240个交易日日度收益率数据计算的偏度 | 负向[22] | | | 20日成交量变异系数 | 过去20个交易日成交量的标准差 / 过去20个交易日成交量均值 | 负向[22] | | | 60日成交量变异系数 | 过去60个交易日成交量的标准差 / 过去60个交易日成交量均值 | 负向[22] | | | 20日成交量比率 | 过去20个交易日成交量均值/ 过去240个交易日成交量均值 | 负向[22] | | | 60日成交量比率 | 过去60个交易日成交量均值/ 过去240个交易日成交量均值 | 负向[22] | | | 120日成交量比率 | 过去120个交易日成交量均值/ 过去240个交易日成交量均值 | 负向[22] | 模型的回测效果 *注：报告中未提供“中性约束条件下最大化因子暴露组合”模型整体的综合回测指标（如年化收益、夏普比率等），仅提供了该模型框架下各单因子的超额收益表现。* 因子的回测效果 风格因子表现（近一周多空收益）[19] 1. Beta因子， 多空收益 4.54%[19] 2. 动量因子， 多空收益 4.34%[19] 3. 波动性因子， 多空收益 3.81%[19] 4. 规模因子， 多空收益 3.36%[19] 5. 流动性因子， 多空收益 1.59%[19] 6. 成长因子， 多空收益 1.15%[19] 7. 非线性市值因子， 多空收益 0.88%[19] 8. 盈利因子， 多空收益 0.61%[19] 9. 杠杆因子， 多空收益 -0.56%[19] 10. 估值因子， 多空收益 -3.71%[19] 选股因子表现（基于“中性约束条件下最大化因子暴露组合”） **以下为各股票池中，因子在“最近一周”窗口期的超额收益表现。** 沪深300股票池[24] 1. 标准化预期外盈利因子， 超额收益 0.87%[24] 2. 240日动量因子， 超额收益 0.78%[24] 3. 单季度净利润率因子， 超额收益 0.74%[24] 中证500股票池[28] 1. 单季度毛利率因子， 超额收益 1.49%[28] 2. 单季度营业利润率因子， 超额收益 1.26%[28] 3. 单季度净利润率因子， 超额收益 1.05%[28] 中证800股票池[33] 1. 单季度ROE因子， 超额收益 1.02%[33] 2. 盈余公告前隔夜动量因子， 超额收益 0.97%[33] 3. 标准化预期外盈利因子， 超额收益 0.94%[33] 中证1000股票池[38] 1. 单季度营业利润率因子， 超额收益 1.34%[38] 2. 单季度净利润率因子， 超额收益 1.25%[38] 3. 单季度营业利润同比增速因子， 超额收益 1.15%[38] 沪深300ESG股票池[42] 1. 标准化预期外盈利因子， 超额收益 0.96%[42] 2. 单季度营业利润同比增速因子， 超额收益 0.57%[42] 3. 单季度ROA因子， 超额收益 0.52%[42] 全市场股票池（近一周Rank IC）[46] 1. 单季度ROE因子， Rank IC 17.68%[46] 2. 单季度ROA因子， Rank IC 17.19%[46] 3. 单季度净利润率因子， Rank IC 16.25%[46]

量化模型与构建方式 1. **模型名称**：公募指数增强基金等权组合模型[6][17][20][21][26] **模型构建思路**：通过等权重配置同一指数增强基金类别下的多只产品，构建一个能够代表该类基金整体平均表现的组合[17][22]。 **模型具体构建过程**： * **基金筛选**：根据Wind投资类型二级分类，筛选出跟踪特定指数（如沪深300、中证500、中证1000、中证A500）的指数增强型基金[29]。 * **成立时间过滤**：在每次再平衡时点，仅纳入成立已满2个月的基金，以排除建仓期影响[17][22][30]。对于中证A500指增，由于存续时间较短，在统计本年收益时放宽要求，不要求满2个月[8][30]。 * **组合构建与再平衡**：将筛选出的基金进行等权重配置，形成组合。组合采用月度频率进行再平衡，即每月调整一次，使各成分基金恢复等权重[17][22]。 * **净值计算**：计算该等权组合的净值走势，用于观察该类基金整体的累计超额收益表现[6][17][20][21][26]。 2. **模型名称**：公募主动量化产品等权组合模型[6][17][25][27] **模型构建思路**：通过等权重配置多只主动量化基金，构建一个能够代表主动量化基金整体平均表现的组合[17]。 **模型具体构建过程**： * **基金筛选**：根据基金名称、投资目标、基金经理、招股说明书的投资策略、股票仓位等，从Wind投资类型为普通股票型、偏股混合型、灵活配置型的基金中定义并筛选出主动量化基金[29]。 * **成立时间过滤**：在每次再平衡时点，仅纳入成立已满2个月的基金[17]。 * **组合构建与再平衡**：将筛选出的基金进行等权重配置，形成组合。组合采用月度频率进行再平衡[17]。 * **净值计算**：计算该等权组合的净值走势，用于观察主动量化基金整体的累计绝对收益表现[6][17][25][27]。 3. **模型名称**：公募市场中性产品等权组合模型[6][17][24] **模型构建思路**：通过等权重配置多只股票市场中性策略基金，构建一个能够代表市场中性基金整体平均表现的组合[17]。 **模型具体构建过程**： * **基金筛选**：根据Wind投资类型二级分类，筛选出投资类型为“股票多空”的基金，定义为股票市场中性策略基金[29]。 * **成立时间过滤**：在每次再平衡时点，仅纳入成立已满2个月的基金[17]。 * **组合构建与再平衡**：将筛选出的基金进行等权重配置，形成组合。组合采用月度频率进行再平衡[17]。 * **净值计算**：计算该等权组合的净值走势，用于观察市场中性基金整体的累计绝对收益表现[6][17][24]。 模型的回测效果 1. 公募沪深300指增等权组合模型，近一年跟踪误差3.07%[8]，近一年信息比率(IR)未直接给出，可通过“近一年均值0.29%”与“近一年跟踪误差3.07%”估算。 2. 公募中证A500指增等权组合模型，本年跟踪误差5.94%[8]。 3. 公募中证500指增等权组合模型，近一年跟踪误差4.35%[8]，近一年信息比率(IR)未直接给出，可通过“近一年均值2.85%”与“近一年跟踪误差4.35%”估算。 4. 公募中证1000指增等权组合模型，近一年跟踪误差4.37%[8]，近一年信息比率(IR)未直接给出，可通过“近一年均值9.70%”与“近一年跟踪误差4.37%”估算。 5. 公募主动量化产品等权组合模型，近一年最大回撤13.10%[8]。 6. 公募市场中性产品等权组合模型，近一年最大回撤3.42%[8]。 量化因子与构建方式 1. **因子名称**：超额收益因子[1][2][3][8] **因子构建思路**：衡量指数增强基金相对于其跟踪基准的超额收益能力[29]。 **因子具体构建过程**： * **基准确定**：以基金所跟踪的标的指数对应的全收益指数作为比较基准[29]。 * **计算**：在指定时间窗口内（如本周、本月、本年等），计算基金净值增长率与基准指数增长率之差，即为该时间窗口的超额收益。 $$超额收益 = R_{fund} - R_{benchmark}$$ 其中，$R_{fund}$ 为基金收益率，$R_{benchmark}$ 为基准全收益指数收益率。 2. **因子名称**：跟踪误差因子[8] **因子构建思路**：衡量指数增强基金投资组合收益率与基准指数收益率之间的偏离程度，即投资组合的风险控制能力[8]。 **因子具体构建过程**： * **数据准备**：获取基金和基准指数在近一年内的日度收益率序列。 * **计算**：计算基金日收益率与基准日收益率之差的年化标准差。 $$年化跟踪误差 = \sqrt{242} \times Std(R_{fund, daily} - R_{benchmark, daily})$$ 其中，$Std$ 表示标准差，年化交易日数采用242天[29]。 3. **因子名称**：最大回撤因子[8] **因子构建思路**：衡量基金净值从前期高点下降到后期低点的最大幅度，用于评估基金的历史下行风险[8]。 **因子具体构建过程**： * **数据准备**：获取基金在指定时间窗口内（如近一年）的净值序列。 * **计算**：对于净值序列中的每一个时点，计算从该时点之前的历史最高点到该时点的回撤率，所有时点回撤率中的最大值即为该时间窗口的最大回撤。 $$回撤率(At\ Time\ t) = \frac{Peak_t - NAV_t}{Peak_t}$$ $$最大回撤 = Max(回撤率_1, 回撤率_2, ..., 回撤率_T)$$ 其中，$Peak_t$ 为时点 $t$ 之前的历史最高净值，$NAV_t$ 为时点 $t$ 的净值。 因子的回测效果 1. 超额收益因子（沪深300指增），本周均值0.21%[1][8]，本月均值0.33%[2][8]，本年均值-0.24%[3][8]，近一年均值0.29%[8]。 2. 超额收益因子（中证A500指增），本周均值-0.04%[1][8]，本月均值-0.03%[2][8]，本年均值1.04%[3][8]。 3. 超额收益因子（中证500指增），本周均值-0.44%[1][8]，本月均值-0.11%[2][8]，本年均值0.64%[3][8]，近一年均值2.85%[8]。 4. 超额收益因子（中证1000指增），本周均值-0.24%[1][8]，本月均值0.25%[2][8]，本年均值7.52%[3][8]，近一年均值9.70%[8]。 5. 超额收益因子（主动量化），本周均值-0.12%[1][8]，本月均值0.58%[2][8]，本年均值26.64%[3][8]，近一年均值21.68%[8]。 6. 超额收益因子（市场中性），本周均值-0.12%[1][8]，本月均值-0.10%[2][8]，本年均值1.03%[3][8]，近一年均值1.40%[8]。 7. 跟踪误差因子（沪深300指增），近一年均值3.07%[8]。 8. 跟踪误差因子（中证A500指增），本年均值5.94%[8]。 9. 跟踪误差因子（中证500指增），近一年均值4.35%[8]。 10. 跟踪误差因子（中证1000指增），近一年均值4.37%[8]。 11. 最大回撤因子（主动量化），近一年均值13.10%[8]。 12. 最大回撤因子（市场中性），近一年均值3.42%[8]。