量化模型与构建方式 1. **模型名称：三维择时框架**[8][12] * **模型构建思路**：通过构建市场分歧度、流动性、景气度三个维度的指标，综合判断市场整体趋势[8]。 * **模型具体构建过程**：模型基于三个独立的指数进行判断。分歧度指数用于衡量市场参与者观点的离散程度[18]。流动性指数用于衡量市场资金面的松紧状况[23]。景气度指数（A股景气度指数2.0）用于衡量上市公司整体的经营状况和盈利趋势[20]。通过观察这三个指标的变化趋势（上行或下行），形成对市场（如震荡下跌）的综合判断[8]。 2. **模型名称：热点趋势ETF策略**[28] * **模型构建思路**：结合价格形态（支撑阻力）和短期市场关注度（换手率变化）来筛选ETF，构建组合[28]。 * **模型具体构建过程**： 1. 首先筛选出K线最高价与最低价同时呈现上涨形态的ETF[28]。 2. 计算支撑阻力因子：基于最高价与最低价近20日的回归系数，衡量价格趋势的陡峭程度[28]。 3. 在支撑阻力因子的多头组中，进一步选择近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[28]。 4. 最终选取10只ETF，采用风险平价方法构建投资组合[28]。 3. **模型名称：ETF三策略融合轮动模型**[32][34] * **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，以实现因子与风格的互补，降低单一策略风险[32]。 * **模型具体构建过程**： 1. 分别构建三个子策略： * **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等，旨在覆盖行业多维度特性[33]。 * **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，聚焦于个股质量与低波，防御性突出[33]。 * **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[33]。 2. 将三个策略选出的行业或标的进行等权合并，形成最终的ETF轮动组合[32]。 4. **模型名称：资金流共振策略**[43][46] * **模型构建思路**：结合融资融券资金流和主动大单资金流，通过剔除极端值来提高策略稳定性，筛选出两类资金流产生共振的行业[43][46]。 * **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，然后进行Barra市值因子中性化处理，再取最近50日均值，最后计算其两周环比变化率[43]。 2. **构建行业主动大单资金因子**：计算行业净流入资金，并进行最近一年成交量时序中性化处理，然后排序并取最近10日均值[43]。 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[43]。 4. 进一步剔除大金融板块，得到最终推荐的行业组合[43]。 5. **模型名称：全天候配置策略**[49] * **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，绕过宏观预测，直接针对资产波动进行长期收益平衡，旨在获取稳健的绝对收益[49]。 * **模型具体构建过程**：采用循环对冲设计对冲构型。根据风险水平分为两个版本： * **高波版**：采用“四层结构化-股债金风险平价”构型[53][54]。 * **低波版**：采用“五层结构化-风险预算”构型[55][57]。 模型的回测效果 1. **热点趋势ETF策略**[28][29] * 2025年以来收益率：59.92%[28] * 2025年以来相对沪深300的超额收益率：36.61%[28] 2. **ETF三策略融合轮动模型**[34][37][38] * 总回测期（2017/4/10 - 2026/2/27）组合收益率：12.16%[37] * 总回测期（2017/4/10 - 2026/2/27）夏普比率：0.74[37] * 2026年以来收益率：1.47%[37] * 总回测期（2017/4/10 - 2026/2/27）信息比率(IR)：0.96[38] * 总回测期（2017/4/10 - 2026/2/27）最大回撤：-24.55%[38] 3. **资金流共振策略**[43][44] * 2018年以来费后年化超额收益：14.3%[43] * 2018年以来信息比率(IR)：1.4[43] * 上周（报告期）绝对收益：-0.92%[44] * 上周（报告期）相对行业等权的超额收益：-3.63%[44] 4. **全天候配置策略**[57][59][60] * **高波版**（截至2025年）： * 年化收益率：11.8%[57] * 年平均最大回撤：3.6%[57] * 夏普比率：2.3[57] * **低波版**（截至2025年）： * 年化收益率：8.8%[59] * 年平均最大回撤：2.0%[59] * 夏普比率：3.4[59] * 2026年以来收益率： * 高波版：2.7%[59] * 低波版：1.1%[59] 量化因子与构建方式 1. **因子名称：支撑阻力因子**[28] * **因子构建思路**：通过计算ETF价格最高价与最低价近20日回归系数的相对陡峭程度，来衡量价格趋势的强度[28]。 * **因子具体构建过程**：分别对ETF的最高价序列和最低价序列进行近20日的线性回归，比较两个回归系数的陡峭程度，具体公式未在报告中给出[28]。 2. **因子名称：行业融资融券资金因子**[43] * **因子构建思路**：衡量经过市值调整后的行业层面融资融券资金流的近期变化趋势[43]。 * **因子具体构建过程**： 1. 计算行业内个股的融资净买入减去融券净卖出并加总。 2. 对加总后的值进行Barra市值因子中性化处理。 3. 取最近50日的均值。 4. 计算该均值的两周环比变化率作为最终因子值[43]。 3. **因子名称：行业主动大单资金因子**[43] * **因子构建思路**：衡量经过成交量调整后的行业层面主动大单资金流的近期强度[43]。 * **因子具体构建过程**： 1. 计算行业净流入资金。 2. 进行最近一年成交量时序中性化处理。 3. 将处理后的值进行排序（分位化）。 4. 取最近10日的均值作为最终因子值[43]。 4. **风格因子组**[62] * **因子构建思路**：报告提及了贝塔因子、动量因子、流动性因子，用于描述市场的风格特征[62]。 * **因子具体构建过程**：报告未详细描述具体构建过程，仅展示了其本周收益[62]。 5. **Alpha因子组**[65][66][67][70] * **因子构建思路**：从多维度（时间、指数、行业）构建并测试了大量选股因子，以观察其选股能力[65]。 * **因子具体构建过程**：因子均进行了市值和行业中性化处理（规模因子仅进行行业中性化）。通过计算因子多头组（前1/5）相对基准的收益来评估因子表现[65]。报告列举了多个因子，例如： * **1年-1个月的收益率 (non ly 1n)**：过去1年收益率减去过去1个月收益率[67]。 * **营业利润占销售费用比 (oper salesexp)**：营业利润TTM / 销售费用TTM[67]。 * **研发销售收入占比 (tot rd ttm to sales)**：研发费用TTM / 营业收入TTM[70]。 * **单季度ROA同比差值(考虑快报、预告) (roa q delta adv)**：单季度ROA与去年同期的差值，并考虑快报和预告数据[70]。 * **一致预期净利润变化 (mom1 np fy1)**：$$(当前一致预测净利润FY1 - 1个月前一致预测净利润FY1) / |1个月前一致预测净利润FY1|$$[70]。 因子的回测效果 1. **风格因子（本周表现）**[62] * 贝塔因子周收益：3.26%[62] * 动量因子周收益：2.37%[62] * 流动性因子周收益：2.21%[62] 2. **Alpha因子（近一周多头超额收益）**[66][67] * 1年-1个月的收益率因子：1.18%[66][67] * 营业利润占销售费用比因子：1.13%[66][67] * 涨幅排行榜因子：0.77%[67] 3. **Alpha因子（最近一年在不同指数中的多头超额收益前例）**[69][70] * **在沪深300中表现突出的因子**： * 单季度ROA同比差值(考虑快报、预告)：33.90%[69][70] * 单季度ROA同比差值：32.59%[69][70] * 评级上下调差/评级上下调和：30.37%[70] * **在中证500中表现突出的因子**： * 一致预期净利润变化：19.23%[69][70] * 研发净资产占比：18.63%[70] * **在中证800中表现突出的因子**： * 一致预期净利润变化：31.20%[69][70] * est eps动量：30.74%[70] * **在中证1000中表现突出的因子**： * 单季度净利润同比增长(考虑快报、预告)：23.24%[69][70] * 研发销售收入占比：22.12%[70]

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** * **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对市场进行综合刻画，并概括为“估值性价比”、“宏观基本面”、“资金&趋势”、“拥挤度&反转”四大类，最终生成一个介于[-1,1]之间的综合择时分数[1]。 * **模型具体构建过程**： 1. 从六个维度（流动性、经济面、估值面、资金面、技术面、拥挤度）选取二十一个底层指标[1]。 2. 对每个底层指标，根据其构建规则计算出一个介于[-1, 1]之间的信号分数（看多为1，看空为-1，中性为0）[9]。 3. 将二十一个指标归纳为四大类：“估值性价比”、“宏观基本面”、“资金&趋势”、“拥挤度&反转”[1]。 4. 通过一定方法（报告未详述具体加权或合成方式）将各类别下的指标分数合成为各大类分数[1]。 5. 最终，将四大类分数合成为一个综合择时分数，范围在[-1,1]之间[1]。 量化因子与构建方式 1. **因子名称：货币方向因子** * **因子构建思路**：判断当前货币政策的方向，通过比较货币政策工具利率与短端市场利率相对于过去的变化来确定宽松或收紧[11]。 * **因子具体构建过程**：选取央行使用的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[11]。若因子值>0，则判断货币政策宽松，发出看多信号；若因子值<0，则判断货币政策收紧，发出看空信号[11]。 2. **因子名称：货币强度因子** * **因子构建思路**：基于“利率走廊”概念，表征短端市场利率相对于政策利率的偏离幅度，以判断货币环境的松紧程度[15]。 * **因子具体构建过程**： 1. 计算偏离度：$$偏离度 = \frac{DR007}{7天逆回购利率} - 1$$[15]。 2. 对偏离度进行平滑处理并计算z-score，得到货币强度因子[15]。 3. 若货币强度因子 < -1.5倍标准差，则预期未来120个交易日为宽松环境，指标分数为1；若因子 > 1.5倍标准差，则预期未来120个交易日指标分数为-1[15]。 3. **因子名称：信用方向因子** * **因子构建思路**：表征商业银行对实体经济信贷传导的松紧程度，使用中长期贷款指标的同比变化趋势来判断[18]。 * **因子具体构建过程**： 1. 获取中长期贷款当月值[18]。 2. 计算过去十二个月的增量[18]。 3. 计算该增量的同比值，得到信用方向因子[18]。 4. 若信用方向因子相比于三个月之前上升则看多，分数为1；反之则看空，分数为-1[18]。 4. **因子名称：信用强度因子** * **因子构建思路**：捕捉信贷指标是否大幅超预期或不及预期，反映信用环境的强度变化[21]。 * **因子具体构建过程**： 1. 计算因子值：$$信用强度因子 = \frac{新增人民币贷款当月值 – 预期中位数}{预期标准差}$$[21]。 2. 若信用强度因子 > 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，分数为1；反之若因子 < -1.5倍标准差，则未来60个交易日分数为-1[21]。 5. **因子名称：增长方向因子** * **因子构建思路**：基于PMI数据判断经济增长的方向性趋势[23]。 * **因子具体构建过程**： 1. 基于中采制造业PMI、中采非制造业PMI、财新制造业PMI构建综合PMI指标[23]。 2. 计算该综合PMI过去十二个月的均值[23]。 3. 计算该均值的同比值，得到增长方向因子[23]。 4. 若增长方向因子相比于三个月之前上升则看多，分数为1；反之则看空，分数为-1[23]。 6. **因子名称：增长强度因子** * **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，反映经济增长的动量强度[25]。 * **因子具体构建过程**： 1. 计算PMI预期差：$$增长强度因子 = \frac{PMI – 预期中位数}{预期标准差}$$[25]。 2. 若增长强度因子 > 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，分数为1；反之若因子 < -1.5倍标准差，则未来60个交易日分数为-1[25]。 7. **因子名称：通胀方向因子** * **因子构建思路**：通过CPI和PPI的综合变化判断通胀趋势，通胀下行通常意味着未来货币政策空间更大，利好权益[27]。 * **因子具体构建过程**： 1. 计算因子值：$$通胀方向因子 = 0.5 \times CPI同比平滑值 + 0.5 \times PPI同比原始值$$[27]。 2. 若通胀方向因子相较于三个月之前降低，则说明是通胀下行环境，此时看多，分数为1；反之看空，分数为-1[27]。 8. **因子名称：通胀强度因子** * **因子构建思路**：捕捉通胀指标是否大幅超预期或不及预期[30]。 * **因子具体构建过程**： 1. 分别计算CPI与PPI的预期差：$$预期差 = \frac{披露值 – 预期中位数}{预期标准差}$$[30]。 2. 计算CPI与PPI预期差的均值，得到通胀强度因子[30]。 3. 若通胀强度因子 < -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，分数为1；反之若因子 > 1.5倍标准差，则未来60个交易日分数为-1[30]。 9. **因子名称：席勒ERP** * **因子构建思路**：使用经过周期调整的盈利来计算市盈率，再与无风险利率比较，得到股权风险溢价，以衡量市场的估值性价比[31]。 * **因子具体构建过程**： 1. 计算过去6年通胀调整后的平均盈利，得到席勒PE[31]。 2. 计算席勒ERP：$$席勒ERP = \frac{1}{席勒PE} - 10年期国债到期收益率$$[31]。 3. 计算席勒ERP过去6年的z-score作为分数[31]。 10. **因子名称：PB因子** * **因子构建思路**：将市净率（PB）进行标准化处理，作为衡量市场估值水平的指标之一[35]。 * **因子具体构建过程**：对PB乘以-1，并计算过去6年的z-score，经过1.5倍标准差截尾后，标准化到±1之间得到分数[35]。 11. **因子名称：AIAE因子** * **因子构建思路**：全市场权益配置比例，反映了投资者在风险资产和安全资产之间的动态配置均衡，用以衡量市场整体风险偏好[37]。 * **因子具体构建过程**： 1. 构建A股AIAE指标：$$AIAE = \frac{中证全指总流通市值}{中证全指总流通市值 + 实体总债务}$$[37]。 2. 将AIAE乘以-1，并计算过去6年的z-score得到分数[37]。 12. **因子名称：两融增量因子** * **因子构建思路**：两融余额变化反映市场杠杆资金情绪，上行通常伴随市场走强[40]。 * **因子具体构建过程**： 1. 计算融资余额与融券余额的差值[40]。 2. 分别计算该差值过去120日的日均增量和过去240日的日均增量[40]。 3. 若120日均增量 > 240日均增量，则判断杠杆资金上行，看多，分数为1；反之看空，分数为-1[40]。 13. **因子名称：成交额趋势因子** * **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[43]。 * **因子具体构建过程**： 1. 计算对数成交额的均线距离：$$均线距离 = \frac{ma120}{ma240} - 1$$[43]。 2. 当均线距离的过去10日、30日、60日最大值同时相等时，看多，分数为1；当过去10日、30日、60日最小值同时相等时，看空，分数为-1[43]。 14. **因子名称：中国主权CDS利差因子** * **因子构建思路**：中国主权CDS利差代表了海外投资者对中国经济与主权信用风险的定价，利差下降通常意味着外资流入意愿增强[47]。 * **因子具体构建过程**：对平滑后的CDS利差计算20日差分。若20日差分 < 0，说明CDS利差下降，看多，分数为1；反之看空，分数为-1[47]。 15. **因子名称：海外风险厌恶指数因子** * **因子构建思路**：花旗风险厌恶指数（Citi RAI Index）能捕捉海外市场的风险偏好，其下降表明外资风险偏好上升[49]。 * **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20日差分 < 0，外资风险偏好上升，看多，分数为1；反之看空，分数为-1[49]。 16. **因子名称：价格趋势因子** * **因子构建思路**：使用均线距离衡量标的价格的中长期趋势方向与强度[52]。 * **因子具体构建过程**： 1. 计算价格均线距离：$$均线距离 = \frac{ma120}{ma240} - 1$$[52]。 2. **趋势方向分数**：若均线距离 > 0，则分数为1，反之为-1[52]。 3. **趋势强度分数**：若均线距离的过去20日与60日最大值相等，则分数为1；若过去20日与60日最小值相等，则分数为-1[52]。 4. **趋势综合分数**：$$趋势综合分数 = \frac{趋势方向分数 + 趋势强度分数}{2}$$[52]。 17. **因子名称：新高新低数因子** * **因子构建思路**：指数成分股的新高与新低个数之差可作为市场反转信号[54]。 * **因子具体构建过程**：计算中证800成分股过去一年新低数减去新高数，并取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，看多，分数为1；反之看空，分数为-1[54]。 18. **因子名称：期权隐含升贴水因子** * **因子构建思路**：基于看涨看跌平价关系推导出的期权隐含升贴水，反映了期权市场对未来标的收益率的预期与情绪，可作为反转指标[58]。 * **因子具体构建过程**：若50ETF近5日收益率 < 0，且该指标的历史分位数 < 30%，则看多持续20日；若50ETF近5日收益率 > 0，且该指标的历史分位数 > 70%，则看空持续20日[58]。 19. **因子名称：期权VIX因子** * **因子构建思路**：期权隐含波动率指数（VIX）反映了市场对未来波动率的预期，较高时市场倾向于反转[60]。 * **因子具体构建过程**：若50ETF近5日收益率 < 0，且该指标的历史分位数 > 70%，则看多持续20日；若50ETF近5日收益率 > 0，且该指标的历史分位数 > 70%，则看空持续20日[60]。 20. **因子名称：期权SKEW因子** * **因子构建思路**：期权隐含偏度指数（SKEW）反映了市场对未来收益率分布偏度的预期，可用作反转指标[64]。 * **因子具体构建过程**：若50ETF近5日收益率 < 0，且该指标的历史分位数 > 70%，则看多持续20日；若50ETF近5日收益率 > 0，且该指标的历史分位数 < 30%，则看空持续20日[64]。 21. **因子名称：可转债定价偏离度因子** * **因子构建思路**：可转债估值水平能体现市场情绪，定价偏离度越高，拥挤度越高，可作为反转指标[68]。 * **因子具体构建过程**： 1. 计算可转债定价偏离度：$$定价偏离度 = \frac{转债价格}{模型定价} - 1$$[68]。 2. 计算分数：将定价偏离度乘以-1，并计算过去3年的z-score得到最终分数[68]。 模型的回测效果 *注：本报告未提供综合择时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），仅提供了截至报告期的最新信号分数。* 1. **择时雷达六面图综合择时模型**，当前综合打分为-0.25分[6]。 因子的回测效果 *注：本报告未提供各因子的历史IC、IR等统计检验指标，仅提供了截至报告期的最新信号分数。所有因子分数范围均为[-1, 1]，其中1代表看多，-1代表看空，0代表中性[9]。* 1. **货币方向因子**，当前分数为1.00分[9]。 2. **货币强度因子**，当前分数为0.00分[9]。 3. **信用方向因子**，当前分数为-1.00分[9]。 4. **信用强度因子**，当前分数为0.00分[9]。 5. **增长方向因子**，当前分数为-1.00分[9]。 6. **增长强度因子**，当前分数为-1.00分[9]。 7. **通胀方向因子**，当前分数为-1.00分[9]。 8. **通胀强度因子**，当前分数为0.00分[9]。 9. **席勒ERP因子**，当前分数为-0.07分[9]。 10. **PB因子**，当前分数为-0.77分[9]。 11. **AIAE因子**，当前分数为-1.00分[9]。 12. **两融增量因子**，当前分数为1.00分[9]。 13. **成交额趋势因子**，当前分数为1.00分[9]。 14. **中国主权CDS利差因子**，当前分数为-1.00分[9]。 15. **海外风险厌恶指数因子**，当前分数为-1.00分[9]。 16. **价格趋势因子**，当前分数为1.00分[9]。 17. **新高新低数因子**，当前分数为-1.00分[9]。 18. **期权隐含升贴水因子**，当前分数为1.00分[9]。 19. **期权VIX因子**，当前分数为1.00分[9]。 20. **期权SKEW因子**，当前分数为-1.00分[9]。 21. **可转债定价偏离度因子**，当前分数为-1.00分[9]。

量化模型与构建方式 1. **模型名称：成交量模型**；模型构建思路：基于价量关系进行市场短期择时判断[8]；模型具体构建过程：报告未详细描述具体构建过程和公式 2. **模型名称：特征龙虎榜机构模型**；模型构建思路：基于龙虎榜机构买卖特征进行市场短期择时判断[10]；模型具体构建过程：报告未详细描述具体构建过程和公式 3. **模型名称：特征成交量模型**；模型构建思路：基于特殊的成交量特征进行市场短期择时判断[10]；模型具体构建过程：报告未详细描述具体构建过程和公式 4. **模型名称：智能算法沪深300模型**；模型构建思路：运用智能算法对沪深300指数进行短期择时判断[10]；模型具体构建过程：报告未详细描述具体构建过程和公式 5. **模型名称：智能算法中证500模型**；模型构建思路：运用智能算法对中证500指数进行短期择时判断[10]；模型具体构建过程：报告未详细描述具体构建过程和公式 6. **模型名称：涨跌停模型**；模型构建思路：基于市场涨跌停股票数量等特征进行中期择时判断[8][11]；模型具体构建过程：报告未详细描述具体构建过程和公式 7. **模型名称：上下行收益差模型**；模型构建思路：通过比较市场上行和下行收益的差异进行中期择时判断[8][11]；模型具体构建过程：报告未详细描述具体构建过程和公式 8. **模型名称：月历效应模型**；模型构建思路：基于特定的月份或日历效应进行中期择时判断[11]；模型具体构建过程：报告未详细描述具体构建过程和公式 9. **模型名称：长期动量模型**；模型构建思路：基于长期价格动量进行市场长期择时判断[8][12]；模型具体构建过程：报告未详细描述具体构建过程和公式 10. **模型名称：A股综合兵器V3模型**；模型构建思路：将多个择时模型信号进行耦合，形成综合性的A股择时观点[13]；模型具体构建过程：报告未详细描述具体构建过程和公式 11. **模型名称：A股综合国证2000模型**；模型构建思路：将多个择时模型信号进行耦合，形成针对国证2000指数的综合性择时观点[13]；模型具体构建过程：报告未详细描述具体构建过程和公式 12. **模型名称：成交额倒波幅模型**；模型构建思路：结合成交额与波动率（波幅）进行港股中期择时判断[14]；模型具体构建过程：报告未详细描述具体构建过程和公式 13. **模型名称：上下行收益差相似模型**；模型构建思路：与A股上下行收益差模型思路相似，应用于港股市场进行中期择时判断[14]；模型具体构建过程：报告未详细描述具体构建过程和公式 14. **模型名称：形态识别模型（杯柄形态）**；模型构建思路：识别股价走势中类似于“杯子和杯柄”的技术形态，捕捉突破信号进行选股[42]；模型具体构建过程：报告未详细描述具体的形态识别算法和突破判定标准 15. **模型名称：形态识别模型（双底形态）**；模型构建思路：识别股价走势中类似于“W”底的双底技术形态，捕捉突破信号进行选股[42]；模型具体构建过程：报告未详细描述具体的形态识别算法和突破判定标准 16. **模型名称：形态识别模型（倒杯子形态）**；模型构建思路：识别股价下跌趋势中类似于倒置杯子的顶部形态，作为负向风险信号[61]；模型具体构建过程：报告未详细描述具体的形态识别算法和突破判定标准 17. **模型名称：华创恐慌指数（HCVIX）模型**；模型构建思路：复现并计算中国市场的期权隐含波动率指数（VIX），用于监控市场情绪和预期波动率[39]；模型具体构建过程：根据公开披露的VIX计算方法进行复现，具体公式未在报告中给出；模型评价：经测算，该指数与中证指数公司历史已发布VIX指数的相关系数达到99.2%[39] 模型的回测效果 1. **双底形态模型**，自2020年12月31日至今累计收益27.28%，同期上证综指累计涨幅19.86%，相对收益7.42%[42]；本周（报告期）收益2.87%，相对上证综指超额收益0.89%[42] 2. **杯柄形态模型**，自2020年12月31日至今累计收益24.66%，同期上证综指累计涨幅19.86%，相对收益4.80%[42]；本周（报告期）收益3.36%，相对上证综指超额收益1.39%[42] 量化因子与构建方式 1. **因子名称：分析师一致预期调整比例**；因子构建思路：通过统计行业内分析师上调或下调盈利预测的个股比例，来观察行业基本面的预期变化[18][19]；因子具体构建过程：对于每个行业，计算“分析师上调（下调）个股比例”，公式为：$$分析师上调（下调）个股比例 = \frac{行业内被上调（下调）盈利预测的股票数量}{行业内股票总数} \times 100\%$$ 例如，有色金属行业分析师上调个股比例为8.06%[18] 2. **因子名称：基金仓位超低配**；因子构建思路：计算公募基金在某个行业上的实际持仓比例与市场标准配置（如行业流通市值占比）的差值，用以判断机构的偏好程度[30]；因子具体构建过程：对于每个行业，计算“超/低配”比例，公式为：$$超/低配比例 = 基金在该行业的仓位百分比 - 该行业的市值占比百分比$$ 例如，股票型基金在电子行业的超配比例为25.20%[30] 3. **因子名称：基金仓位变化**；因子构建思路：跟踪公募基金在不同行业上仓位相对于上周、上月、上季度的变动，以观察机构资金的流向[26][27][28]；因子具体构建过程：直接计算本期仓位与上期仓位的差值，例如本周机械行业获得股票型基金加仓1.27个百分点[26][28] 4. **因子名称：形态长度**；因子构建思路：在形态识别模型中，衡量识别出的技术形态所持续的时间跨度，可能作为形态强度的辅助指标[45][52]；因子具体构建过程：从形态起点（如A点）到突破点（如C点）所经历的周数，例如某杯柄形态的长度为27周[45] 因子的回测效果 （报告中未提供因子的独立回测绩效指标，如IC、IR、多空收益等）

量化模型与构建方式 1. **模型名称：卷积神经网络（CNN）趋势观察模型**[81][82][87] * **模型构建思路**：使用卷积神经网络对图表化的个股价量数据进行深度学习，以识别与未来价格走势相关的特征模式，并将这些学习到的特征映射到行业主题板块中，从而进行行业主题配置[81][82]。 * **模型具体构建过程**： 1. **数据准备**：为每个个股在特定窗口期内的价量数据构建标准化的图表[81][82]。 2. **模型训练**：使用卷积神经网络对上述图表化的价量数据与未来价格进行建模，学习能够预测未来价格走势的特征[81][87]。 3. **特征映射与应用**：将训练好的模型学习到的特征应用于行业主题板块，识别出当前具有相似价量特征模式的行业主题[81][87]。 4. **输出配置**：模型最终输出当前建议配置的行业主题及对应的具体指数[82][87]。 2. **模型名称：宏观因子事件模型**[56][57][59] * **模型构建思路**：通过跟踪一系列国内外宏观指标，定义其走势变化为特定事件，并从历史数据中筛选出对未来资产收益率有显著影响的“有效因子事件”，以此作为判断未来市场趋势的依据[56][57]。 * **模型具体构建过程**： 1. **因子选择**：跟踪25个国内外宏观指标，涵盖货币政策、财政政策、流动性、通胀水平及其他经济指标[56][57]。 2. **事件定义**：将宏观因子的走势变化定义为四类事件：短期高低点、连续上涨/下跌、创历史新高/新低、因子走势反转[57]。 3. **有效性检验**：从历史数据中寻找“有效因子事件”，即那些对资产未来收益率影响较为显著的因子事件[57]。 4. **趋势分析**：采用历史均线（如1月、3月、12月均线）将宏观因子走势分为趋势上行和趋势下行，统计不同趋势下资产未来一个月的平均收益，筛选出收益存在显著差异的资产[59][60]。 3. **模型名称：期权成交量看涨看跌比（CPR）模型**[50] * **模型构建思路**：通过监测上证50ETF期权成交量的看涨看跌比率（CPR）与其布林通道的相对位置，来判断蓝筹股的短期超买超卖风险[50]。 * **模型具体构建过程**： 1. **计算指标**：计算上证50ETF期权成交量的看涨看跌比率（CPR）。 2. **构建通道**：计算CPR的60日布林通道（包括上轨与下轨）[50]。 3. **信号生成**：当最近20个交易日的CPR值高于其60日布林通道上轨时，模型认为蓝筹股短期存在超卖风险[50]。 4. **模型名称：GFTD模型与LLT模型**[88] * **模型评价**：报告提及GFTD模型和LLT模型的历史择时成功率约为80%，但未详细描述其构建思路与具体过程[88]。 模型的回测效果 1. **卷积神经网络（CNN）趋势观察模型**，最新配置主题为船舶、电网、钢铁、机器人等，具体输出指数包括：中证智选船舶产业指数(932420.CSI)、中证电网设备主题指数(931994.CSI)、中证钢铁指数(930606.CSI)、中证机器人指数(h30590.CSI)、中证工程机械主题指数(931752.CSI)[82][87]。 2. **宏观因子事件模型**，当前（截至报告期）有效信号包括：PMI（3月均线上行）看多股票；社融存量同比（1月均线上行）看多股票；10年期国债收益率（12月均线上行）对股票观点为震荡；美元指数（1月均线下行）看多股票[60]。 3. **期权成交量看涨看跌比（CPR）模型**，最新信号显示：最近20个交易日CPR高于60日布林通道上轨，认为蓝筹股短期存在超卖风险[50]。 4. **GFTD模型与LLT模型**，历史择时成功率约为80%[88]。 量化因子与构建方式 1. **因子名称：新高新低比例因子**[35][36] * **因子构建思路**：通过统计市场中创近期新高与新低的个股数量占比，来度量市场的极端情绪和广度[35]。 * **因子具体构建过程**： 1. 计算创近60日新高的个股数占全市场个股总数的比例（新高比例）。 2. 计算创近60日新低的个股数占全市场个股总数的比例（新低比例）[35][36]。 2. **因子名称：个股均线结构因子**[39][40] * **因子构建思路**：通过计算呈现多头排列与空头排列的个股数量之差占全体个股的比例，来反映市场整体的技术面强弱[39]。 * **因子具体构建过程**：计算呈现多头排列的个股数量减去呈现空头排列的个股数量，再除以全体个股数量，得到均线强弱指标[39][40]。 3. **因子名称：长期均线以上比例因子**[42][43] * **因子构建思路**：统计股价位于长期移动平均线（如200日）之上的个股比例，用以衡量市场长期趋势的强度[42][43]。 * **因子具体构建过程**：计算股价位于200日长期移动平均线之上的个股数占全市场个股总数的比例[42][43]。 4. **因子名称：基金仓位因子**[44][45] * **因子构建思路**：通过回归方法估算普通股票型、偏股混合型等权益类基金的整体仓位，以观察机构投资者的仓位变化[44]。 * **因子具体构建过程**：选取普通股票型、偏股混合型、平衡混合型、灵活配置型基金（剔除联接基金），将其净值与中证800指数进行回归，估算仓位，并按基金规模加权以反映整体权益基金仓位水平[44][45]。 5. **因子名称：市场真实换手率因子**[53][55] * **因子构建思路**：考虑自由流通股本后的市场换手率，用以观察市场真实的交易活跃程度，避免总股本导致的失真[53]。 * **因子具体构建过程**：计算基于自由流通股本的市场换手率[53][55]。 6. **因子名称：风险溢价因子**[68][69][87] * **因子构建思路**：用股票市场指数的盈利收益率（EP）减去无风险利率（十年期国债收益率），衡量权益资产相对于债券资产的超额收益预期，即风险补偿[68][69][87]。 * **因子具体构建过程**：对于特定指数（如中证全指），计算其静态市盈率（PE_TTM）的倒数得到盈利收益率（EP），再减去十年期国债收益率[87]。 $$风险溢价 = \frac{1}{PE\_TTM} - 十年期国债收益率$$ 其中，PE_TTM为指数滚动市盈率。 7. **因子名称：融资余额因子**[79][80] * **因子构建思路**：跟踪市场融资余额的绝对规模及其占流通市值的比例，用以观察杠杆资金的情绪和参与度[79][80]。 * **因子具体构建过程**： 1. 统计全市场融资余额的绝对数值（亿元）。 2. 计算融资余额占A股流通市值的百分比[80]。 因子的回测效果 1. **新高新低比例因子**，本期（2026年2月13日-27日）新高比例从前一期的9.8%升至15.7%，新低比例从前一期的7.0%升至7.2%[35]。 2. **个股均线结构因子**，本期（2026年2月13日-27日）多头排列减空头排列个股占比从前一期的31%降至26%[39]。 3. **长期均线以上比例因子**，报告展示了该因子的历史时间序列图表，但未提供最新具体数值[42][43]。 4. **基金仓位因子**，报告展示了该因子的历史时间序列图表，但未提供最新具体数值[45]。 5. **市场真实换手率因子**，报告展示了该因子（中证全指、创业板指）的历史时间序列图表，但未提供最新具体数值[55]。 6. **风险溢价因子**，截至2026年2月27日，中证全指风险溢价为2.43%，其历史均值加减两倍标准差边界分别为4.65%和约-0.79%（根据图表估算）[69][87]。 7. **融资余额因子**，报告展示了融资余额及其占流通市值比例的历史时间序列图表，但未提供最新具体数值[80]。

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[14][15][17] * **模型构建思路**：通过综合评估宏观基本面、估值面、情绪面、流动性四个维度的多个指标信号，生成每周的总体市场仓位建议[14][15][17]。 * **模型具体构建过程**： 1. **指标选取与信号生成**：选取四个一级维度下的多个二级指标，计算各指标当前值在过去5年历史数据中的分位数，根据分位数区间将每个二级指标转化为乐观（1）、中性（0.5）或谨慎（0）的量化信号[14][15][17]。 2. **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、中性或谨慎）[14][15][17]。 3. **总信号合成**：将四个一级维度的信号（乐观=1，中性=0.5，谨慎=0）等权或加权平均，得到最终的总仓位信号。总信号值映射到具体的仓位配置建议（如1表示满仓，0表示空仓，0.5表示半仓）[17]。 * **模型评价**：该模型是一个多因子综合择时模型，旨在通过多维度信息捕捉市场短期走势，历史回测显示其能有效提升收益并控制回撤[16]。 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[24][25] * **模型构建思路**：综合动态宏观信号、估值回归信号、短期动量信号、风格广度信号和风格拥挤信号五个子信号，生成在成长与价值风格间的超配建议[24][25]。 * **模型具体构建过程**： 1. **子信号计算**：分别计算五个维度的独立信号。例如，动态宏观信号可能基于信贷脉冲、通胀剪刀差、M0/M1增速等宏观指标；估值回归信号基于成长与价值板块的相对估值分位数；短期动量信号基于20日价量趋势等[24][25]。 2. **信号集成**：将五个子信号进行集成，生成每日的综合仓位信号。报告展示了两种集成方式：一种是直接使用每日信号（综合信号1_无中性仓位），另一种是对每日信号进行5日平均平滑处理（综合信号2_5D平均仓位）[25]。 3. **仓位映射**：综合信号直接决定对成长或价值风格的配置比例。例如，信号为0%成长仓位即对应100%价值仓位[25]。 * **模型评价**：该模型是一个多因子驱动的风格轮动模型，旨在根据宏观环境、估值、动量等多方面变化，动态调整成长与价值风格的暴露[24]。 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[27][30] * **模型构建思路**：从流动性、交易情绪、价量技术等多个角度选取11个有效轮动指标，构建综合信号来建议超配小盘或大盘风格[27][30]。 * **模型具体构建过程**： 1. **指标选取**：选取了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的MACD指标、中证1000交易量能等[30]。 2. **信号生成**：每个指标独立生成每日的轮动信号，信号为100%表示建议配置小盘，0%表示建议配置大盘[30]。 3. **信号综合**：对11个指标的日度信号进行综合，生成每日的综合信号。报告提及采用“3D平滑”规则，即需要连续3日触发条件才确认风格切换[27][30]。 4. **仓位执行**：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切换配置[28][30]。 模型的回测效果 1. 短期择时模型 * 全区间（2012年底至今）[16][22]： * 年化收益率：16.50% * 基准年化收益率：5.11% * 年化超额收益率：11.39% * 年化波动率：14.80% * 最大回撤：15.05% * 夏普比率：0.9713 * 收益回撤比：1.0966 * 月度胜率：66.04% * 2024年以来区间[21]： * 年化收益率：29.07% * 基准年化收益率：10.88% * 年化超额收益率：18.19%（计算得出） * 年化波动率：16.50% * 最大回撤：11.04% * 夏普比率：1.5085 * 收益回撤比：2.6335 * 月度胜率：70.37% * 2026年以来（截至2026-02-27）[20]： * 策略收益率：5.41% * 基准收益率：4.12% * 超额收益率：1.29% 2. 成长价值风格轮动模型（综合信号2_5D平均仓位） * 全区间（2010年5月31日至2026年2月27日）[25]： * 累计收益：763.30% * 年化收益：14.62% * 基准（国证成长价值等权）年化收益：6.72% * 年化超额收益率：7.91% * 年化波动率：21.42% * 最大回撤：40.08% * 夏普比率：0.65 * 收益回撤比：0.36 * 年化跟踪误差：5.88% * 年化信息比率（IR）：1.34 * 月度超额胜率：66.14% * 2026年以来（截至2026-02-27）[24][25]： * 超额收益率：0.85% 3. 小盘大盘风格轮动模型（综合信号3D平滑） * 全区间（2014年至2026年2月）[30]： * 年化收益：20.68% * 年化超额收益率：12.94% * 最大回撤：40.70% * 平均换手间隔：20个交易日 * 胜率（按交易）：50.11% * 分年度超额收益（部分年份）[30]： * 2014年：33.28% * 2015年：36.85% * 2024年：22.03% * 2025年：13.13% * 2026年以来（截至2026-02-27）：-0.76% 量化因子与构建方式 1. 短期择时模型相关因子 * **基本面维度因子**： * **制造业PMI因子**：直接使用统计局发布的制造业PMI数值，与50的临界值比较判断景气度[14][17]。 * **信贷脉冲因子**：计算“人民币中长期贷款脉冲同比增速”在过去5年的分位数，用于判断信贷增速水平[14][17]。 * **M1同比增速（滤波后）因子**：对M1同比增速进行HP滤波去趋势处理，计算其数值在过去5年的分位数，用于判断货币活化程度[14][17]。 * **估值面维度因子**： * **A股整体PE分位数因子**：计算全市场股票PE_TTM中位数在过去5年（滚动）的分位数[14][17]。 * **A股整体PB分位数因子**：计算全市场股票PB_LF中位数在过去5年（滚动）的分位数[14][17]。 * **情绪面维度因子**： * **A股整体Beta离散度因子**：计算全市场股票Beta值的离散程度（如标准差），并求其过去5年的分位数，用于衡量市场分歧度[15][17]。 * **A股整体量能情绪因子**：通过量价关系构建情绪得分，并计算其过去5年的分位数[15][17]。 * **A股整体波动率因子**：计算市场年化波动率，并求其过去5年的分位数[15][17]。 * **流动性维度因子**： * **货币利率指标因子**：以货币市场利率（如R007）构建指标，计算其过去5年的分位数，用于判断资金面松紧[15][17]。 * **汇率预期指标因子**：以人民币汇率变化构建预期指标，计算其过去5年的分位数[15][17]。 * **沪深净融资额5日均值因子**：计算两市融资买入余额的5日平均变化，并求其过去5年的分位数，反映杠杆资金情绪[15][17]。 2. 小盘大盘风格轮动模型相关因子（11个指标） * **A股龙虎榜买入强度因子**：基于龙虎榜买入数据构建，反映活跃资金对小盘股的关注度[30]。 * **R007因子**：银行间市场7天回购利率，作为流动性松紧的代理变量影响大小盘风格[30]。 * **融资买入余额变化因子**：融资余额的变动情况，反映杠杆资金的偏好[27][30]。 * **主题投资交易情绪因子**：刻画市场主题投资热度，通常与小盘股活跃度相关[30]。 * **等级利差因子**：信用债等级利差，反映风险偏好变化[30]。 * **期权波动率风险溢价因子**：基于期权数据计算的波动率风险溢价指标[30]。 * **Beta离散度因子**：全市场股票Beta值的离散程度，衡量市场分歧[30]。 * **PB分化度因子**：全市场股票PB值的离散程度，衡量估值分化[30]。 * **大宗交易折溢价率因子**：大宗交易的折溢价情况，反映机构交易意愿[30]。 * **中证1000 MACD(10,20,10)因子**：直接对中证1000指数应用MACD技术指标（参数为10，20，10），生成交易信号[30]。 * **中证1000交易量能因子**：基于中证1000指数的价量关系构建的交易量能指标[30]。 因子的回测效果（小盘大盘轮动模型各独立因子） * **融资买入余额变化因子**[30]： * 年化收益：13.33% * 年化超额收益率：5.59% * 最大回撤：44.32% * 平均换手间隔：3个交易日 * 胜率（按交易）：50.05% * **大宗交易折溢价率因子**[30]： * 年化收益：16.79% * 年化超额收益率：9.04% * 最大回撤：40.67% * 平均换手间隔：7个交易日 * 胜率（按交易）：56.36% * **A股龙虎榜买入强度因子**[30]： * 年化收益：13.12% * 年化超额收益率：5.37% * 最大回撤：54.66% * 平均换手间隔：10个交易日 * 胜率（按交易）：48.61% * **R007因子**[30]： * 年化收益：12.05% * 年化超额收益率：4.30% * 最大回撤：57.98% * 平均换手间隔：6个交易日 * 胜率（按交易）：50.38% * **主题投资交易情绪因子**[30]： * 年化收益：13.02% * 年化超额收益率：5.28% * 最大回撤：55.35% * 平均换手间隔：10个交易日 * 胜率（按交易）：51.52% * **等级利差因子**[30]： * 年化收益：12.78% * 年化超额收益率：5.03% * 最大回撤：46.47% * 平均换手间隔：7个交易日 * 胜率（按交易）：54.14% * **期权波动率风险溢价因子**[30]： * 年化收益：13.33% * 年化超额收益率：5.59% * 最大回撤：63.43% * 平均换手间隔：9个交易日 * 胜率（按交易）：47.78% * **Beta离散度因子**[30]： * 年化收益：11.00% * 年化超额收益率：3.25% * 最大回撤：53.65% * 平均换手间隔：43个交易日 * 胜率（按交易）：44.12% * **PB分化度因子**[30]： * 年化收益：17.03% * 年化超额收益率：9.29% * 最大回撤：45.00% * 平均换手间隔：9个交易日 * 胜率（按交易）：48.51% * **中证1000 MACD(10,20,10)因子**[30]： * 年化收益：16.55% * 年化超额收益率：8.80% * 最大回撤：37.87% * 平均换手间隔：12个交易日 * 胜率（按交易）：49.41% * **中证1000交易量能因子**[30]： * 年化收益：17.50% * 年化超额收益率：9.75% * 最大回撤：39.27% * 平均换手间隔：8个交易日 * 胜率（按交易）：53.08%

量化模型与构建方式 根据提供的研报内容，报告未涉及具体的量化模型或量化因子的构建、测试与评价。报告主要内容为市场行情回顾、技术面分析及行业展望[6][7][8][10][11][13][16][17][21][22][25][26][29][30][33][34][37][38][41][44][47][48][51][52][55]。 模型的回测效果 报告未提供任何量化模型的回测效果数据。 量化因子与构建方式 报告未涉及任何量化因子的构建、测试与评价。 因子的回测效果 报告未提供任何量化因子的回测效果数据。

量化模型与构建方式 1. **模型名称：DecompGRU深度学习选股模型**[1][7][8] * **模型构建思路**：基于DecompGRU（基于趋势分解的时序+截面端到端模型）架构，对个股进行集成打分，用于选股[7][8]。 * **模型具体构建过程**：该模型在2025年3月发布的报告《AI+HI 系列（7）：DecompGRU：基于趋势分解的时序+截面端到端模型》中提出，本报告进行样本外追踪。模型的具体构建过程未在本报告中详细说明，但核心是使用DecompGRU模型对股票进行打分[8]。 2. **模型名称：宽基热度动量轮动策略**[2][21][24] * **模型构建思路**：利用不同宽基指数（及“其他”组）周度总热度变化率构建轮动策略，买入市场关注度提升最快的板块[21]。 * **模型具体构建过程**： 1. 计算不同宽基组（沪深300、中证500、中证1000、中证2000、“其他”）的周度总热度变化率[21]。 2. 对周度热度变化率取2期移动平均（MA2）进行平滑[21]。 3. 在每周最后一个交易日，买入总热度变化率MA2最大的宽基指数[21]。 4. 如果变化率最大的为“其他”组，则选择空仓[21]。 3. **模型名称：高热度概念+低热度个股组合（BOTTOM组合）**[2][36][40] * **模型构建思路**：在每周热度变化最大的热门概念中，选取概念内个股热度排名靠后的股票构建组合，利用热门板块内关注度不足的个股可能存在的补涨机会获取超额收益[36][40]。 * **模型具体构建过程**： 1. 在每周最后一个交易日，选出本周热度变化率最大的5个概念，将其成分股作为选股股票池[40]。 2. 从股票池中排除流通市值最小的20%股票[40]。 3. 从每个热门概念中，选出该概念内总热度排名最后的10只个股[40]。 4. 等权持有所有选出的个股，构建BOTTOM组合[40]。 量化因子与构建方式 1. **因子名称：个股总热度**[15] * **因子构建思路**：基于同花顺用户行为数据（浏览、自选、点击），构建反映市场对个股关注度的情绪代理指标[15]。 * **因子具体构建过程**：将个股单日的浏览、自选与点击次数求和，然后除以全市场所有股票当日的该三项行为次数之和，进行归一化，最后将归一化后的数值乘以10000。公式如下： $$个股总热度 = \frac{个股单日（浏览次数+自选次数+点击次数）}{全市场单日（浏览次数+自选次数+点击次数）之和} \times 10000$$ 该因子取值区间为[0,10000][15]。 2. **因子名称：宽基/行业/概念总热度**[15][16][27][35] * **因子构建思路**：将个股总热度因子在宽基指数、申万行业或概念层面进行聚合，得到更高层面的情绪热度代理变量[15]。 * **因子具体构建过程**：对于目标群体（如沪深300指数、钢铁行业、化肥概念），将该群体内所有成分股的“个股总热度”指标进行求和，即得到该群体的总热度[16][27][35]。 3. **因子名称：热度变化率**[2][21][27][35] * **因子构建思路**：计算宽基、行业或概念总热度的周度环比变化，反映市场情绪热度的边际变化方向与强度[2][21]。 * **因子具体构建过程**：计算目标群体本周总热度与上周总热度的变化率。报告中常使用其2期移动平均值（MA2）[21][27]。 $$热度变化率 = \frac{本周总热度 - 上周总热度}{上周总热度}$$ $$热度变化率MA2 = \frac{热度变化率_{t} + 热度变化率_{t-1}}{2}$$ 模型的回测效果 1. **DecompGRU深度学习选股模型（TOP200多头组合）**[1][8][10] * 累计绝对收益：84.37% * 相对全指等权超额收益：43.11% * 最大回撤：10.08% * 周度胜率：65.96% * 月度胜率：100% * 2026年2月绝对收益：5.41% * 2026年2月超额收益：1.50% 2. **DecompGRU深度学习选股模型（ETF轮动组合）**[1][11][13][14] * 累计绝对收益：53.40% * 相对万得主题ETF指数超额收益：17.47% * 最大回撤：7.82% * 周度胜率：62.50% * 月度胜率：72.73% * 2026年2月绝对收益：9.51% * 2026年2月超额收益：8.18% 3. **宽基热度动量轮动策略**[2][24] * 2017年以来年化收益率：8.74% * 最大回撤：23.5% * 2026年累计收益：5.6% 4. **高热度概念+低热度个股组合（BOTTOM组合）**[2][36][41] * 年化收益：15.71% * 最大回撤：28.89% * 2026年以来收益：1.4% 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。因子效果体现在上述模型的构建与回测结果中）

量化模型与构建方式 1. **模型名称**：沪深300指数增强组合[1][5][8][9] * **模型构建思路**：基于多因子模型，在沪深300指数成分股内进行选股和权重优化，以获取超越基准指数的超额收益[5][8][9]。 * **模型具体构建过程**：报告未详细披露具体构建过程，但提及其为多因子模型驱动的指数增强策略[5][8][9]。 2. **模型名称**：中证500指数增强组合[5][8][9] * **模型构建思路**：基于多因子模型，在中证500指数成分股内进行选股和权重优化，以获取超越基准指数的超额收益[5][8][9]。 * **模型具体构建过程**：报告未详细披露具体构建过程，但提及其为多因子模型驱动的指数增强策略[5][8][9]。 3. **模型名称**：中证1000指数增强组合[5][8][9] * **模型构建思路**：基于多因子模型，在中证1000指数成分股内进行选股和权重优化，以获取超越基准指数的超额收益[5][8][9]。 * **模型具体构建过程**：报告未详细披露具体构建过程，但提及其为多因子模型驱动的指数增强策略[5][8][9]。 4. **模型名称**：进取组合[8][9][10] * **模型构建思路**：以中证500为基准，采用更积极的因子暴露和风险控制，追求更高的超额收益[8][9][10]。 * **模型具体构建过程**：报告未详细披露具体构建过程，但提及其为量化股票组合，基准为中证500指数[8][9][10]。 5. **模型名称**：平衡组合[8][9][10] * **模型构建思路**：以中证500为基准，在风险与收益之间寻求平衡，相比进取组合可能采用更稳健的因子配置[8][9][10]。 * **模型具体构建过程**：报告未详细披露具体构建过程，但提及其为量化股票组合，基准为中证500指数[8][9][10]。 6. **模型名称**：绩优基金的独门重仓股组合[5][8][9][27] * **模型构建思路**：筛选绩优基金（报告未定义具体标准）的独门重仓股（即持仓占基金净值比例较高且其他基金持仓较少的股票），构建等权或特定权重的投资组合，旨在捕捉基金经理的独到选股能力[5][8][9][27]。 * **模型具体构建过程**：报告未详细披露具体构建过程，仅提及组合构成来源为绩优基金的独门重仓股[5][8][9][27]。 7. **模型名称**：盈利、增长、现金流三者兼优组合[5][8][9][29] * **模型构建思路**：同时筛选在盈利能力、增长能力和现金流质量三个基本面维度上表现优异的股票，构建投资组合[5][8][9][29]。 * **模型具体构建过程**：报告未详细披露具体筛选标准、因子定义及合成方法[5][8][9][29]。 8. **模型名称**：PB-盈利优选组合[5][8][9][32] * **模型构建思路**：结合低估值（市净率PB）和高盈利（如ROE等）两个维度，筛选具有基本面支撑的低估值股票，构建投资组合[5][8][9][32]。 * **模型具体构建过程**：报告未详细披露PB与盈利因子的具体合成方式及权重分配[5][8][9][32]。 9. **模型名称**：GARP组合[8][9][36] * **模型构建思路**：采用GARP（Growth at a Reasonable Price）策略，即寻找价格合理且具有持续增长潜力的股票，通常结合增长因子和估值因子[8][9][36]。 * **模型具体构建过程**：报告未详细披露增长因子和估值因子的具体定义及组合构建方法[8][9][36]。 10. **模型名称**：小盘价值优选组合1[8][9][38] * **模型构建思路**：在微盘股范围内，筛选具有价值属性的股票进行投资[8][9][38]。 * **模型具体构建过程**：报告未详细披露价值属性的具体定义（如可能使用PB、PE等）及筛选过程[8][9][38]。 11. **模型名称**：小盘价值优选组合2[8][9][40] * **模型构建思路**：在微盘股范围内，采用另一套（或调整参数的）价值因子筛选标准，构建价值投资组合[8][9][40]。 * **模型具体构建过程**：报告未详细披露其与“小盘价值优选组合1”在构建上的具体差异[8][9][40]。 12. **模型名称**：小盘成长组合[5][8][9][42] * **模型构建思路**：在微盘股范围内，筛选具有高成长属性的股票进行投资[5][8][9][42]。 * **模型具体构建过程**：报告未详细披露成长属性的具体定义（如可能使用营收增长率、净利润增长率等）及筛选过程[5][8][9][42]。 量化因子与构建方式 1. **因子名称**：市值因子[46] * **因子构建思路**：衡量公司规模大小，通常认为小市值公司存在规模溢价[46]。 * **因子具体构建过程**：报告未给出具体计算公式。通常为股票的总市值。在测试中，按因子值排序，因子值高（大市值）的股票构成多头组合，因子值低（小市值）的股票构成空头组合[46]。 2. **因子名称**：PB因子[46] * **因子构建思路**：市净率，衡量估值水平，通常认为低估值股票存在价值溢价[46]。 * **因子具体构建过程**：报告未给出具体计算公式。通常为股票市价除以每股净资产。在测试中，按因子值排序，因子值低（低PB）的股票构成多头组合，因子值高（高PB）的股票构成空头组合[46]。 3. **因子名称**：PE_TTM因子[46] * **因子构建思路**：滚动市盈率，衡量估值水平，通常认为低估值股票存在价值溢价[46]。 * **因子具体构建过程**：报告未给出具体计算公式。通常为股票市价除以最近四个季度（TTM）的每股收益。在测试中，按因子值排序，因子值低（低PE）的股票构成多头组合，因子值高（高PE）的股票构成空头组合[46]。 4. **因子名称**：反转因子[51] * **因子构建思路**：基于股价短期反转效应，认为过去一段时间跌幅较大的股票未来可能反弹，而涨幅较大的股票未来可能回调[51]。 * **因子具体构建过程**：报告未给出具体计算公式。通常使用过去一段时间（如1个月）的收益率。在测试中，按因子值（过去收益率）排序，因子值低（过去表现差）的股票构成多头组合，因子值高（过去表现好）的股票构成空头组合[51]。 5. **因子名称**：换手率因子[51] * **因子构建思路**：衡量股票流动性或交易活跃度，通常认为低换手率股票存在流动性溢价[51]。 * **因子具体构建过程**：报告未给出具体计算公式。通常为一段时间内的成交股数除以流通股本。在测试中，按因子值排序，因子值低（低换手）的股票构成多头组合，因子值高（高换手）的股票构成空头组合[51]。 6. **因子名称**：波动率因子[51] * **因子构建思路**：衡量股票价格波动风险，通常认为低波动率股票存在低波动溢价[51]。 * **因子具体构建过程**：报告未给出具体计算公式。通常使用过去一段时间收益率的标准差。在测试中，按因子值排序，因子值低（低波动）的股票构成多头组合，因子值高（高波动）的股票构成空头组合[51]。 7. **因子名称**：ROE因子[54] * **因子构建思路**：净资产收益率，衡量公司的盈利能力，通常认为高ROE股票存在质量溢价[54]。 * **因子具体构建过程**：报告未给出具体计算公式。通常为净利润除以净资产。在测试中，按因子值排序，因子值高（高ROE）的股票构成多头组合，因子值低（低ROE）的股票构成空头组合[54]。 8. **因子名称**：SUE因子[54] * **因子构建思路**：标准化未预期盈余，衡量公司业绩增长超市场预期的程度，通常认为SUE高的股票未来表现更好[54]。 * **因子具体构建过程**：报告未给出具体计算公式。通常为（实际公告的每股收益 - 市场一致预期每股收益）除以历史预期误差的标准差。在测试中，按因子值排序，因子值高（业绩超预期多）的股票构成多头组合，因子值低（业绩不及预期或超预期少）的股票构成空头组合[54]。 9. **因子名称**：预期净利润调整因子[54] * **因子构建思路**：跟踪分析师对上市公司未来净利润预测的调整情况，通常认为预测上调的股票未来表现更好[54]。 * **因子具体构建过程**：报告未给出具体计算公式。通常基于一定时间内分析师一致预期净利润的变化幅度。在测试中，按因子值排序，因子值高（预期上调幅度大）的股票构成多头组合，因子值低（预期下调或上调幅度小）的股票构成空头组合[54]。 模型的回测效果 （数据统计期间：2025年12月31日至2026年2月27日）[9] 1. **沪深300增强组合**，绝对收益9.77%，超额收益8.02%，跟踪误差6.62%，最大相对回撤2.09%[9] 2. **中证500增强组合**，绝对收益14.18%，超额收益-1.80%，跟踪误差8.64%，最大相对回撤3.17%[9] 3. **中证1000增强组合**，绝对收益15.05%，超额收益2.34%，跟踪误差8.92%，最大相对回撤2.23%[9] 4. **进取组合**，绝对收益21.64%，超额收益5.66%，跟踪误差21.05%，最大相对回撤5.01%[9] 5. **平衡组合**，绝对收益18.72%，超额收益2.74%，跟踪误差18.30%，最大相对回撤3.98%[9] 6. **绩优基金的独门重仓股组合**，绝对收益17.41%，超额收益10.62%，跟踪误差26.43%，最大相对回撤5.18%[9] 7. **盈利、增长、现金流三者兼优组合**，绝对收益-3.43%，超额收益-5.17%，跟踪误差15.69%，最大相对回撤8.71%[9] 8. **PB-盈利优选组合**，绝对收益7.85%，超额收益6.11%，跟踪误差12.23%，最大相对回撤2.38%[9] 9. **GARP组合**，绝对收益14.05%，超额收益12.31%，跟踪误差11.16%，最大相对回撤1.18%[9] 10. **小盘价值优选组合1**，绝对收益12.37%，超额收益-5.65%，跟踪误差10.46%，最大相对回撤8.23%[9] 11. **小盘价值优选组合2**，绝对收益18.61%，超额收益0.60%，跟踪误差11.69%，最大相对回撤5.62%[9] 12. **小盘成长组合**，绝对收益14.07%，超额收益-3.95%，跟踪误差9.62%，最大相对回撤6.37%[9] 因子的回测效果 （多空收益，数据统计期间：2026年2月13日至2月27日（上周）及2025年12月31日至2026年2月27日（2026年以来））[46][47][51][53][54][55] 1. **市值因子**，上周多空收益（全市场）-0.33%，2026年以来多空收益（全市场）6.67%[46][47] 2. **PB因子**，上周多空收益（全市场）0.24%，2026年以来多空收益（全市场）-2.22%[46][47] 3. **PE_TTM因子**，上周多空收益（全市场）0.05%，2026年以来多空收益（全市场）-0.80%[46][47] 4. **反转因子**，上周多空收益（全市场）-4.02%，2026年以来多空收益（全市场）-5.91%[51][53] 5. **换手率因子**，上周多空收益（全市场）-2.01%，2026年以来多空收益（全市场）-0.36%[51][53] 6. **波动率因子**，上周多空收益（全市场）-1.54%，2026年以来多空收益（全市场）-2.54%[51][53] 7. **ROE因子**，上周多空收益（全市场）1.35%，2026年以来多空收益（全市场）2.32%[54][55] 8. **SUE因子**，上周多空收益（全市场）0.74%，2026年以来多空收益（全市场）2.44%[54][55] 9. **预期净利润调整因子**，上周多空收益（全市场）-0.34%，2026年以来多空收益（全市场）-0.12%[54][55]

量化模型与构建方式 1. **模型名称：HALO交易策略模型** [2][11] * **模型构建思路**：基于“人工智能难以替代且依赖的重资产将受益，而易于被人工智能颠覆的轻资产将受损”的核心逻辑，构建一个多空组合策略[2][11]。 * **模型具体构建过程**：该模型是一个宏观主题策略，其构建过程主要分为逻辑定义、资产分类和方向选择三步。 1. **逻辑定义**：确立“做多‘AI难以替代、且为其所依赖’的重资产，同时做空‘易于被AI颠覆’的轻资产”的核心投资逻辑[2][11]。 2. **资产分类**：根据上述逻辑，将具体资产归类。报告中指出，电网设备、能源、矿业、工业设备、国防及信号塔等领域的资产属于值得关注的“重资产”范畴[2][11]。 3. **方向选择**：对归类后的资产进行做多或做空操作，形成策略组合。报告未提供具体的选股、权重分配或调仓规则。 2. **因子名称：板块拥挤度因子** [3][11] * **因子构建思路**：通过衡量特定板块成交金额在市场总成交中的占比及其历史分位数，来评估该板块交易的活跃程度和过热风险[3][11]。 * **因子具体构建过程**：对于特定板块（如周期、先进制造、TMT），计算其成交金额占全市场（或可比范围）总成交金额的比例。然后，计算该比例在历史区间（如过去10年）内的分位数，用以判断当前拥挤度所处的历史位置[3][11]。 * 计算公式：$$板块拥挤度_t = \frac{板块成交金额_t}{市场总成交金额_t}$$ * 其中，`t`代表计算时点。报告中使用的是该比值在过去10年历史数据中的分位数作为最终观测值[3][11]。 3. **因子名称：行业分化度因子** [3][11] * **因子构建思路**：通过量化不同行业或板块之间表现的离散程度，来刻画市场结构性行情的强弱和集中度[3][11]。 * **因子具体构建过程**：报告未给出该因子的具体计算公式。其构建思路是计算一组行业或板块指数收益率（或超额收益）的横截面离散统计量（如标准差、变异系数等），用以衡量行业间表现的差异程度。指标值上行代表行业表现分化加大，结构性行情凸显[3][11]。 4. **因子名称：板块超额收益历史分位数因子** [3][12] * **因子构建思路**：将特定板块当前相对于基准（如全市场）的超额收益，置于其自身长期历史序列中进行比较，以判断该板块相对强弱所处的历史阶段[3][12]。 * **因子具体构建过程**：计算板块指数相对于市场基准指数（报告中未明确）在一段时间内的累计超额收益。然后，计算该当前超额收益在长历史周期（如报告提到的过去20年）数据中所处的分位数位置[3][12]。 模型的回测效果 （报告中未提供HALO交易策略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。） 因子的回测效果 （报告中未提供拥挤度、分化度等因子的IC、IR、多空收益等传统因子测试指标数值。报告主要展示了这些因子在特定时点的状态描述和历史比较。） 1. **板块拥挤度因子** [3][11] * **周期板块**：成交金额占比处于过去10年中值下方。 * **先进制造板块**：成交金额占比处于过去10年85%-90%分位点左右。 * **TMT板块**：成交金额占比处于过去10年85%-90%分位点左右。 2. **行业分化度因子** [3][11] * **当前状态**：该指标自年初以来震荡上行，目前已回升至2025年8月底的水平。 3. **板块超额收益历史分位数因子** [3][12] * **周期板块**：相对强弱处于过去20年底部区域长期筑底后的震荡上行初期。 * **TMT板块**：相对强弱处于历史高位区域。 * **先进制造板块**：相对强弱位于中位数上方。 * **消费与金融地产板块**：相对强弱虽处于过去20年的底部区域，但距离历史最低点尚有一定距离。

量化模型与构建方式 1. **模型名称：宏观指标趋势模型**[11][17] * **模型构建思路**：通过分析宏观指标的趋势（上行或下行）与各类资产未来一个月收益率之间的关系，筛选出对资产表现有显著影响的宏观指标，并据此对资产进行月度打分[11][17]。 * **模型具体构建过程**： 1. **指标趋势判断**：采用月度均线方法判断单个宏观指标的趋势，分为趋势上行和趋势下行两种情况[18]。 2. **显著性检验**：利用T检验判断在宏观指标趋势上行和下行两种情况下，某类资产未来一个月月度收益率的分布是否存在显著差异[17]。 3. **T检验公式**： $$t={\frac{{\overline{{R_{1}}}}-{\overline{{R_{2}}}}}{\sqrt{\frac{(n_{1}-1){S_{1}}^{2}+(n_{2}-1){S_{2}}^{2}}{n_{1}+n_{2}-2}}({\frac{1}{n_{1}}}+{\frac{1}{n_{2}}})}}\sim t_{n_{1}+n_{2}-2}$$ 其中，$\overline{R_{1}}$ 和 $\overline{R_{2}}$ 分别代表宏观指标趋势上行和下行情况下，资产未来一个月的平均月度收益率；$S_{1}$ 和 $S_{2}$ 是对应收益率的标准差；$n_{1}$ 和 $n_{2}$ 是宏观指标处于趋势上行或下行的月份数量[17]。 4. **打分规则**：对于通过检验的宏观指标，根据其最新趋势方向（正向影响记+1分，负向影响记-1分）及资产在该指标下的历史表现方向，给出该指标对资产的得分[31][54]。综合各指标得分得到宏观视角总分。 2. **模型名称：技术视角打分模型**[22][26] * **模型构建思路**：从趋势、估值（仅权益资产）、资金流（主要权益资产）三个技术维度构建指标，对大类资产和权益风格进行月度打分[22][26]。 * **模型具体构建过程**： * **趋势指标**： * **构建**：基于资产收盘价或LLT指标，计算特定窗口期（如2个月、6个月）的平均月度涨跌幅。若最新值大于历史同期（如T-12至T-2月）平均值，则判断趋势向上，记+1分；反之记-1分[22][33][55]。 * **估值指标（仅权益）**： * **构建**：计算股权风险溢价：ERP = 1 / 中证800指数PE(TTM) - 10年期国债到期收益率[23]。 * **分位数计算**：计算当前ERP在过去5年历史数据中的分位数[23]。 * **打分规则**：根据分位数高低判断估值水平并打分：高于90%（+2分），70%-90%（+1分），30%-70%（0分），10%-30%（-1分），低于10%（-2分）[25][26]。 * **资金流指标（主要权益）**： * **构建**：以日度频率计算个股主动净流入额，加总得到指数月度主动净流入额。计算该数据的边际变化（如当月值与过去6个月平均值比较）[26]。 * **打分规则**：若资金流指标为正，认为资金面边际改善，记+1分；为负则记-1分[26][55]。 3. **模型名称：大类资产配置组合模型**[35][46] * **模型构建思路**：在固定比例、控制波动率或风险平价等基准配置权重的基础上，根据宏观指标和技术指标的月度信号，动态调整各类资产的权重[35][46]。 * **模型具体构建过程**： 1. **设定基准组合**： * **固定比例基准**：权益20%，债券60%，商品（黄金10%+工业品5%），货币5%[36]。 * **控制年化波动率基准**：控制年化波动率不超过6%[46]。 * **风险平价基准**：采用风险平价模型确定权重[46]。 2. **权重调整规则**：根据宏观视角和技术视角对每类资产的最新观点（看好、看平、看空），在基准权重上进行增减调整。例如，固定比例组合中，每类非货币资产有固定的“调整权重”（如权益±5%），根据信号调增或调减其权重，并相应调整货币资产比例[35][36]。 4. **模型名称：权益风格轮动组合模型**[57] * **模型构建思路**：对于大盘/小盘、成长/价值两类风格，在等权基准配置的基础上，根据宏观指标和技术指标的月度信号，动态超配看好的风格，低配不看好的风格[57]。 * **模型具体构建过程**： 1. **设定基准组合**：大盘与小盘指数各占50%，成长与价值指数各占50%[58]。 2. **权重调整规则**：根据宏观视角和技术视角对风格的最新观点，在基准权重上进行增减调整。例如，每类风格有固定的“调整权重”（如±25%），根据信号调增或调减其权重[57][58]。 模型的回测效果 1. **固定比例+宏观指标+技术指标组合**，年化收益率10.18%，最大回撤9.27%，年化波动率6.17%[40][41]。2026年以来（截至2026.2.28）收益率3.95%[36][44]。 2. **固定比例+宏观指标组合**，年化收益率9.29%，最大回撤11.21%，年化波动率6.06%[40]。 3. **固定比例+技术指标组合**，年化收益率8.50%，最大回撤12.56%，年化波动率6.10%[40]。 4. **固定比例基准组合**，年化收益率6.35%，最大回撤18.51%，年化波动率5.84%[40]。 5. **控制年化波动率6%+宏观指标+技术指标组合**，年化收益率10.44%，最大回撤7.37%，年化波动率5.57%[50]。2026年以来（截至2026.2.28）收益率5.90%[46][51]。 6. **风险平价+宏观指标+技术指标组合**，年化收益率8.28%，最大回撤4.58%，年化波动率3.40%[50]。2026年以来（截至2026.2.28）收益率2.21%[46][51]。 7. **大小盘轮动组合**，年化收益率14.42%，最大回撤49.10%，年化波动率22.30%[59]。相对于基准组合（巨潮大盘50%+巨潮小盘50%）的年化超额收益率为5.71%（2013年至今）[58]。2026年以来（截至2026.2.28）超额收益率3.59%[58][61]。 8. **成长价值轮动组合**，年化收益率14.47%，最大回撤45.18%，年化波动率21.56%[66]。相对于基准组合（国证成长50%+国证价值50%）的年化超额收益率为6.00%（2013年至今）[63]。2026年以来（截至2026.2.28）超额收益率1.53%[63][66]。 量化因子与构建方式 1. **因子名称：趋势因子**[22][33] * **因子构建思路**：通过比较资产近期价格走势与历史同期走势，判断其当前趋势方向[22]。 * **因子具体构建过程**：计算资产在最近N个月（如2个月、6个月）的平均月度涨跌幅，与历史（T-12至T-2个月）的平均月度涨跌幅进行比较。若近期均值大于历史均值，则因子值为正（趋势向上）；反之为负（趋势向下）[33][55]。 2. **因子名称：估值因子（股权风险溢价ERP）**[23][26] * **因子构建思路**：用权益资产的盈利收益率与无风险利率的差值来衡量其相对估值吸引力和风险补偿[23]。 * **因子具体构建过程**： 1. 计算权益资产盈利收益率：E/P = 1 / PE(TTM)（以中证800指数为例）[23]。 2. 计算股权风险溢价：ERP = E/P - 10年期国债到期收益率[23]。 3. 计算ERP的历史分位数（过去5年）进行标准化[23]。 3. **因子名称：资金流因子**[26][55] * **因子构建思路**：通过计算指数成分股的资金主动净流入情况，衡量市场资金面的边际变化[26]。 * **因子具体构建过程**： 1. 日度计算每只股票的主动净流入额[26]。 2. 加总得到指数的月度主动净流入额[26]。 3. 计算资金流的边际变化，例如：当月主动净流入额 - 过去6个月平均月度主动净流入额[26][55]。对于风格轮动，则计算两个风格指数该值的差值[55]。