量化模型与因子总结 量化模型与构建方式 1. AI主题指数轮动模型 **模型构建思路**：使用全频段量价融合因子对主题指数进行打分，构建周频调仓的指数轮动策略[3][6] **模型具体构建过程**： 1. 主题指数池：根据Wind的ETF基金分类，选取主题ETF基金跟踪的指数形成主题指数池，共有133个主题指数[9] 2. 因子：使用全频段量价融合因子，通过主题指数成分股的因子得分对每个主题指数进行打分[9] 3. 策略规则：每周最后一个交易日选择模型得分最高的10个主题指数等权配置，以下周第一个交易日开盘价买入，周频调仓，交易成本为双边万分之四[9] 2. AI概念指数轮动模型 **模型构建思路**：使用全频段量价融合因子对概念指数进行打分，构建周频调仓的指数轮动策略[11][13] **模型具体构建过程**： 1. 概念指数池：选取Wind热门概念指数，共有72个概念指数[15] 2. 因子：使用全频段量价融合因子，通过概念指数成分股的因子得分对每个概念指数进行打分[15] 3. 策略规则：每周最后一个交易日选择模型得分最高的10个概念指数等权配置，以下周第一个交易日开盘价买入，周频调仓，交易成本为双边万分之四[15] 3. AI行业轮动模型 **模型构建思路**：使用全频段量价融合因子对行业进行打分，构建自下而上的周频行业轮动策略[4][16] **模型具体构建过程**： 1. 行业池：主要为一级行业，其中食品饮料拆成食品、饮料和酒类，有色金属拆成工业金属、贵金属和稀有金属，不考虑综合和综合金融，共有32个行业[23] 2. 因子：使用全频段量价融合因子，通过行业成分股的因子得分对每个行业进行打分[23] 3. 策略规则：每周最后一个交易日选择模型得分最高的5个行业等权配置，以下周第一个交易日收盘价买入，周频调仓，不计交易成本[23] **模型评价**：能够利用AI模型的特征提取能力，充分挖掘多频段量价数据中的规律，与自上而下策略形成互补[16] 4. AI中证1000增强组合 **模型构建思路**：基于全频段融合因子构建中证1000指数的增强组合[1][27] **模型具体构建过程**： 1. 因子：全频段融合因子[29] 2. 组合构建方式：成分股权重不低于80%，个股权重偏离上限为0.8%，barra暴露小于0.3，周双边换手率控制为30%，周频调仓，交易费用为双边千分之四[29] 5. 文本FADT_BERT选股组合 **模型构建思路**：基于盈利预测调整场景下的文本因子构建主动量化选股组合[32] **模型具体构建过程**：对盈利预测调整场景下的文本因子进行升级，构建了forecast_adjust_txt_bert因子，并基于该因子的多头端基础股票池进行增强，构建top25的主动量化选股组合[32] 量化因子与构建方式 1. 全频段量价融合因子 **因子构建思路**：通过深度学习模型融合高频和低频量价数据信息[26] **因子具体构建过程**： 1. 首先用深度学习模型训练27个高频因子，得到高频深度学习因子[26] 2. 接着利用多任务学习对低频量价数据进行端到端挖掘，得到低频多任务因子[26] 3. 最后将高频深度学习因子和低频多任务因子合成为全频段融合因子[26] 2. 文本FADT_BERT因子 **因子构建思路**：在盈利预测调整场景下对文本因子进行升级[32] **因子具体构建过程**：对盈利预测调整场景下的文本因子进行升级，构建了forecast_adjust_txt_bert因子[32] 模型的回测效果 1. AI主题指数轮动模型 年化收益率16.76%，年化超额收益率10.61%，超额收益最大回撤20.79%，超额夏普比率0.82，今年以来收益率24.22%[8] 2. AI概念指数轮动模型 年化收益率23.06%，年化超额收益率10.78%，超额收益最大回撤19.48%，超额夏普比率0.91，今年以来收益率25.27%，今年以来超额收益率-0.98%[13] 3. AI行业轮动模型 年化收益率26.55%，年化超额收益率20.18%，超额收益最大回撤12.43%，超额夏普比率1.96，今年以来收益率23.70%，今年以来超额收益率1.52%[22] 4. AI中证1000增强组合 年化收益率20.19%，年化波动率23.47%，夏普比率0.86，最大回撤33.08%，年化超额收益率22.09%，年化跟踪误差6.07%，超额收益最大回撤7.55%，信息比率3.64，Calmar比率2.92，相对基准月胜率79.81%，调仓双边换手率32.60%[30] 5. 文本FADT_BERT选股组合 自2009年初回测以来年化收益率39.96%，相对中证500超额年化收益30.76%，组合夏普比率1.39[32] 因子的回测效果 1. 全频段量价融合因子 5日RankIC均值0.116，TOP层年化超额收益率29.98%，今年以来TOP层超额收益率16.97%[26] 2. 文本FADT_BERT因子 截至2025年10月17日，文本FADT_BERT组合本月以来绝对收益-2.29%，相对中证500超额收益3.06%，今年以来绝对收益20.49%，超额收益-2.04%[32]

根据提供的研报内容，以下是关于港股医药类指数的总结。报告主要对比了多个港股医药类指数及其跟踪ETF的情况，并未涉及具体的量化模型或量化因子的构建与分析。因此，总结将聚焦于报告中详细描述的指数。 量化因子与构建方式 报告内容未涉及量化因子的构建思路、过程或评价。 量化模型与构建方式 报告内容未涉及量化模型的构建思路、过程或评价。 指数的回测效果 1. **国证港股通创新药指数 (987018.CNI)** * 跟踪ETF总规模：341.32亿元[7][12] * 2025年收益率：87.47%[12] * 2024年收益率：-10.50%[12] * 2023年收益率：-22.80%[12] * 2022年收益率：-25.60%[12] * 2021年收益率：-21.59%[12] * 2020年收益率：88.80%[12] 2. **港股创新药指数 (931787.CSI)** * 跟踪ETF总规模：226.36亿元[7][12] * 2025年收益率：94.16%[12] * 2024年收益率：-10.80%[12] * 2023年收益率：-19.33%[12] * 2022年收益率：-20.63%[12] * 2021年收益率：-11.74%[12] * 2020年收益率：48.88%[12] 3. **中证港股通创新药指数 (931250.CSI)** * 跟踪ETF总规模：50.44亿元[12] * 2025年收益率：94.34%[12] * 2024年收益率：-14.40%[12] * 2023年收益率：-19.91%[12] * 2022年收益率：-23.26%[12] * 2021年收益率：-7.25%[12] * 2020年收益率：25.47%[12] 4. **恒生生物科技指数 (HSBIO.HI)** * 跟踪ETF总规模：75.66亿元[12] * 2025年收益率：83.07%[12] * 2024年收益率：-15.75%[12] * 2023年收益率：-23.98%[12] * 2022年收益率：-18.70%[12] * 2021年收益率：-27.79%[12] * 2020年收益率：51.55%[12] 5. **恒生医疗保健指数 (HSHCI.HI)** * 跟踪ETF总规模：72.22亿元[12] * 2025年收益率：75.22%[12] * 2024年收益率：-18.93%[12] * 2023年收益率：-24.52%[12] * 2022年收益率：-19.34%[12] * 2021年收益率：-29.63%[12] * 2020年收益率：41.85%[12] 6. **恒生港股通创新药及医疗保健指数 (HSSCHI.HI)** * 跟踪ETF总规模：33.60亿元[12] * 2025年收益率：88.57%[12] * 2024年收益率：-18.20%[12] * 2023年收益率：-21.63%[12] * 2022年收益率：-12.92%[12] * 2021年收益率：-32.34%[12] * 2020年收益率：30.72%[12] 7. **恒生港股通创新药指数 (HSSCID.HI)** * 跟踪ETF总规模：32.98亿元[12] * 2025年收益率：84.51%[12] * 2024年收益率：-12.83%[12] * 2023年收益率：-18.19%[12] * 2022年收益率：-19.31%[12] * 2021年收益率：-13.26%[12] * 2020年收益率：28.78%[12] 8. **恒生港股通创新药精选指数 (HSSCPB.HI)** * 跟踪ETF总规模：22.11亿元[12] * 2025年收益率：87.81%[12] * 2024年收益率：-14.16%[12] * 2023年收益率：-19.76%[12] * 2022年收益率：-16.48%[12] * 2021年收益率：-22.72%[12] 9. **恒生创新药指数 (HSIDI.HI)** * 跟踪ETF总规模：15.26亿元[12] * 2025年收益率：85.99%[12] * 2024年收益率：-16.01%[12] * 2023年收益率：-25.56%[12] * 2022年收益率：-19.04%[12] * 2021年收益率：-17.68%[12] * 2020年收益率：32.96%[12] 10. **港股通医疗主题指数 (932069.CSI)** * 跟踪ETF总规模：5.19亿元[12] * 2025年收益率：65.54%[12] * 2024年收益率：-25.08%[12] * 2023年收益率：-32.92%[12] * 2022年收益率：-15.99%[12] * 2021年收益率：-28.26%[12] * 2020年收益率：67.58%[12] 因子的回测效果 报告内容未提供量化因子的测试结果。

根据提供的量化周报内容，以下是报告中涉及的量化模型和因子的总结： 量化模型与构建方式 **1 模型名称：三维择时框架** - 模型构建思路：基于流动性、分歧度和景气度三个维度对市场状态进行判断[7] - 模型具体构建过程：通过监控流动性趋势（下行）、分歧度趋势（上行）和景气度趋势（稳中有升）三个维度的变化，综合判断市场处于震荡下跌状态[7] **2 模型名称：热点趋势ETF策略** - 模型构建思路：根据K线形态和换手率筛选短期市场关注度提升的ETF构建组合[28] - 模型具体构建过程：首先选出最高价与最低价同时为上涨形态的ETF；然后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；最后选择因子多头组中近5日换手率/近20日换手率最高（即短期市场关注度明显提升）的10只ETF构建风险平价组合[28] **3 模型名称：资金流共振策略** - 模型构建思路：结合融资融券资金流和主动大单资金流，选择两类资金都看好的行业[37] - 模型具体构建过程：定义行业融资融券资金因子为barra市值因子中性化后的融资净买入-融券净买入（个股加总），取最近50日均值后的两周环比变化率；定义行业主动大单资金因子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；在主动大单因子的头部打分内做融资融券因子的剔除，以提高策略稳定性[37] 模型的回测效果 **1 三维择时框架**：保持震荡下跌判断[7] **2 热点趋势ETF策略**：本周策略中主要包括家电、半导体、有色、国央企、石化、碳中和等行业、以及上证深证宽基等ETF[31] **3 资金流共振策略**：2018年以来费后年化超额收益13.5%，信息比率1.7，相对北向-大单共振策略回撤更小；策略上周超额收益录得正向超额收益，实现2.37%的绝对收益与4.96%的超额收益（相对行业等权）[37] 量化因子与构建方式 **1 因子名称：风格因子（Barra风格因子）** - 因子构建思路：采用Barra框架下的经典风格因子进行市场风格分析[41] - 因子具体构建过程：包括size（市值）、beta（贝塔）、momentum（动量）、volatility（波动率）、nlsize（非线性市值）、value（价值）、liquidity（流动性）、earnings yield（盈利收益率）、growth（成长）、leverage（杠杆）等因子[42] **2 因子名称：Alpha因子** - 因子构建思路：多维度观察不同因子的表现趋势，从各时间维度、宽基指数和行业板块等角度分析因子表现[43] - 因子具体构建过程：除规模因子外，均进行市值、行业中性化处理，规模因子进行行业中性化处理；按照流通市值加权测算不同大类因子的多头收益（因子方向下前1/5组）[43] 因子的回测效果 **1 风格因子近期表现**： - size因子：本年-23.40%，最近一月4.72%，最近一周1.39%[42] - beta因子：本年27.16%，最近一月2.83%，最近一周2.63%[42] - momentum因子：本年-3.08%，最近一月-0.40%，最近一周0.51%[42] - volatility因子：本年-18.85%，最近一月0.80%，最近一周0.39%[42] - nlsize因子：本年-18.02%，最近一月2.02%，最近一周0.98%[42] - value因子：本年-4.53%，最近一月-1.25%，最近一周-1.35%[42] - liquidity因子：本年-10.35%，最近一月0.52%，最近一周1.13%[42] - earnings yield因子：本年-10.40%，最近一月0.84%，最近一周-0.50%[42] - growth因子：本年-0.45%，最近一月4.73%，最近一周1.51%[42] - leverage因子：本年-9.29%，最近一月2.38%，最近一周-0.64%[42] **2 Alpha因子近期表现**： - 机构持仓类因子：io to float a share近一周多头超额1.33%，近一月3.68%[46] - 动量类因子：mom 1y 1m近一周多头超额0.94%，近一月1.79%[46] - 成长类因子：tot rd ttm to assets在不同宽基指数中表现稳健，在沪深300中多头超额22.36%，中证500中19.16%，中证1000中22.48%，中证800中26.49%[48]

根据研报内容，经过全面梳理，本报告主要涉及市场技术分析，未明确构建或测试具体的量化模型或量化因子。报告内容聚焦于对主要指数和行业板块的走势研判[6][7][10][11][14][15][18][19][22][23][26][27][30][31][34][35][38][39][42][43][45]，以及主题股票的表现统计[43]。 因此，本报告中未涉及需要总结的量化模型或量化因子相关内容。

根据研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 1. **模型名称：利率价量多周期择时模型**[10][21][24] * **模型构建思路**：基于核回归算法捕捉利率趋势形态，刻画利率数据的支撑线和阻力线，根据不同投资周期下利率走势的形态突破情况，给出多周期复合择时观点[10][24] * **模型具体构建过程**： * 使用核回归算法对利率（YTM）时间序列进行平滑处理，以识别趋势并生成支撑线和阻力线[10] * 在长周期（平均切换频率为月度）、中周期（平均切换频率为双周度）和短周期（平均切换频率为周度）三个不同时间尺度上，分别判断当前利率是否向上突破阻力线或向下突破支撑线[10][21] * 综合三个周期的突破信号生成最终择时观点：当三个周期中有至少两个周期发出同向突破信号（例如，两个或以上周期为向下突破），且利率趋势非反向时，则产生明确的看多或看空信号；否则信号为中性[10][21][24] * 对于美国市场，模型逻辑类似，但最终信号会结合近期信号历史进行微调，例如“中性偏多”的判断[21] 2. **模型名称：利率多周期交易策略**[24][29] * **模型构建思路**：将上述利率价量多周期择时信号转化为具体的久期配置策略，通过在不同信号下超配或低配不同久期的债券组合来获取超额收益[24] * **模型具体构建过程**： * **投资标的**：根据模型久期偏好选择不同久期的债券指数[24] * 短久期：综合债1-3 (CBA00121) * 中久期：综合债3-5 (CBA00131) * 长久期：根据基础YTM期限对应选择（5年期YTM模型对应综合债5-7 (CBA00141)，10年期对应综合债7-10 (CBA00151)，30年期对应综合债10以上 (CBA00161)）[24] * **组合构建规则**[24][29]： * 看多信号（长久期）：当短、中、长周期中，有至少2个周期下的利率形态向下突破支撑线，且利率趋势非向上时，满配长久期；当条件满足但利率趋势向上时，配置1/2中久期+1/2长久期 * 看空信号（短久期）：当短、中、长周期中，有至少2个周期下的利率形态向上突破阻力线，且利率趋势非向下时，满配短久期；当条件满足但利率趋势向下时，配置1/2中久期+1/2短久期 * 中性信号：其余时间三种久期等权配置 * **业绩基准**：久期等权策略，即1/3短久期 + 1/3中久期 + 1/3长久期[29] * **止损方式**：当单日组合超额收益小于-0.5%时，调整持仓为等权配置[29] 量化因子与构建方式 1. **因子名称：利率水平结构因子**[7] * **因子构建思路**：从收益率曲线中提取出代表整体利率水平的信息[7] * **因子具体构建过程**：将1至10年的国债到期收益率（YTM）数据通过特定方法（报告中未明确给出具体公式，但提及是转化）计算出一个综合读数，用以衡量利率市场的整体水平[7] 2. **因子名称：利率期限结构因子**[7] * **因子构建思路**：从收益率曲线中提取出代表期限利差的信息[7] * **因子具体构建过程**：基于1至10年国债YTM数据，通过特定方法计算出一个代表长短期利差水平的读数[7] 3. **因子名称：利率凸性结构因子**[7] * **因子构建思路**：从收益率曲线中提取出代表曲线凸性程度的信息[7] * **因子具体构建过程**：基于1至10年国债YTM数据，通过特定方法计算出一个代表收益率曲线弯曲程度（凸性）的读数[7] 模型的回测效果 1. **基于5年期国债YTM价量的多周期交易策略**[25][37] * 长期年化收益率：5.5% (2007.12.31至今) * 长期最大回撤：2.88% * 长期收益回撤比：1.91 * 长期超额收益率（相对久期等权基准）：1.07% * 长期超额收益回撤比：0.62 * 短期年化收益率（2024年底以来）：1.86% * 短期最大回撤：0.59% * 短期收益回撤比：3.16 * 短期超额收益率：0.85% * 短期超额收益回撤比：2.17 * 逐年绝对收益胜率（2008年以来）：100% * 逐年超额收益胜率（2008年以来）：100% 2. **基于10年期国债YTM价量的多周期交易策略**[28][37] * 长期年化收益率：6.09% (2007.12.31至今) * 长期最大回撤：2.74% * 长期收益回撤比：2.22 * 长期超额收益率（相对久期等权基准）：1.66% * 长期超额收益回撤比：1.16 * 短期年化收益率（2024年底以来）：2.42% * 短期最大回撤：0.58% * 短期收益回撤比：4.19 * 短期超额收益率：1.55% * 短期超额收益回撤比：3.53 * 逐年绝对收益胜率（2008年以来）：100% * 逐年超额收益胜率（2008年以来）：100% 3. **基于30年期国债YTM价量的多周期交易策略**[33][37] * 长期年化收益率：7.38% (2007.12.31至今) * 长期最大回撤：4.27% * 长期收益回撤比：1.73 * 长期超额收益率（相对久期等权基准）：2.42% * 长期超额收益回撤比：0.87 * 短期年化收益率（2024年底以来）：3.11% * 短期最大回撤：0.92% * 短期收益回撤比：3.39 * 短期超额收益率：2.87% * 短期超额收益回撤比：3.28 * 逐年绝对收益胜率（2008年以来）：94.44% * 逐年超额收益胜率（2008年以来）：94.44% 因子的回测效果 （报告中未提供利率水平、期限、凸性结构因子的独立回测绩效指标）

根据提供的研报内容，总结其中涉及的量化模型与因子如下。 量化模型与构建方式 1. **模型名称：价格分段体系**[17] * **模型构建思路**：该模型用于对市场价格走势进行多时间维度的划分和识别，以判断当前市场所处的趋势阶段[17] * **模型具体构建过程**：模型通过分析上证综指的日线和周线级别的价格数据，识别出不同时间尺度下的价格分段结果，从而判断市场趋势是上行、下行还是震荡[17][20] 2. **模型名称：微观市场结构择时模型**[18] * **模型构建思路**：通过监测“知情交易者活跃度”这一指标，来捕捉市场内部具有信息优势的交易者的行为变化，从而对市场短期走势进行判断[18] * **模型具体构建过程**：报告未详细描述该指标的具体计算方法，但指出其变化与市场走势同步，可用于判断市场情绪和资金动向[18][21] 3. **模型名称：基金仓位估算模型**[4][15] * **模型构建思路**：该模型旨在估算公募主动权益基金在不同板块（如TMT）的持仓比例，以监测机构资金的配置情况和市场拥挤度[4][15] * **模型具体构建过程**：报告未给出具体的构建公式和过程，但展示了模型的应用结果，例如估算出公募基金对TMT板块的累计持仓占比[4][15] 4. **模型名称：交易拥挤度模型**[4][15] * **模型构建思路**：该模型用于衡量特定板块或资产的交易热度是否处于极端水平，通常使用历史分位数来评估当前交易的拥挤程度[4][15] * **模型具体构建过程**：报告未给出具体的构建公式，但说明了其应用方式，即计算板块拥挤度在滚动3年历史数据中的分位数，例如90%分位以上表示交易非常拥挤[4][15] 5. **因子名称：分析师行业景气预期因子**[22] * **因子构建思路**：基于分析师一致预测数据，构建反映行业基本面景气度变化的因子，包括预期净资产收益率（ROE）和预期净利润增速的变化[22] * **因子具体构建过程**：因子计算涉及申万一级行业对应的两个指标： 1. 一致预测滚动未来12个月ROE的环比变化率。 2. 一致预期净利润滚动未来12个月增速（FTTM）的环比变化率[22][23] * **因子评价**：该因子可用于追踪行业基本面的边际改善或恶化情况[22][23] 6. **因子名称：融资融券净买入因子**[24] * **因子构建思路**：通过监测各行业融资融券资金的净流入/流出情况，构建反映杠杆资金偏好的因子[24] * **因子具体构建过程**：因子值为行业维度本周的融资净买入额与融券净卖出额的差值，即：$$期间净买入额 = 融资净买入额 - 融券净卖出额$$[24][26] 该因子按行业计算，取值单位为亿元[24][26] 7. **因子名称：BARRA风格因子**[27] * **因子构建思路**：采用国际通用的BARRA风险模型框架，从多个维度（如价值、成长、动量、质量、波动率等）刻画市场的风格偏好和股票收益来源[27] * **因子具体构建过程**：报告列出了多个BARRA风格因子，但未详细描述每个因子的具体计算公式。涉及的因子包括：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、动量、非线性市值、市值、波动率、贝塔（近诺）、股息率等[27][28] * **因子评价**：该系列因子体系成熟，能全面解析市场风格收益，有助于进行风险控制和风格配置[27][28] 模型的回测效果 （报告中未提供相关量化模型的具体回测指标数值） 因子的回测效果 1. **BARRA风格因子**[27][28] * **因子名称**：换手；**本周收益**：-0.6% * **因子名称**：财务杠杆；**本周收益**：-0.1% * **因子名称**：盈利波动；**本周收益**：0.2% * **因子名称**：盈利质量；**本周收益**：-0.1% * **因子名称**：盈利能力；**本周收益**：-0.5% * **因子名称**：投资质量；**本周收益**：0.2% * **因子名称**：长期反转；**本周收益**：0.0% * **因子名称**：EP价值；**本周收益**：0.0% * **因子名称**：BP价值；**本周收益**：-0.1% * **因子名称**：成长；**本周收益**：0.0% * **因子名称**：动量；**本周收益**：-0.4% * **因子名称**：非线性市值；**本周收益**：-0.6% * **因子名称**：市值；**本周收益**：-0.5% * **因子名称**：波动率；**本周收益**：0.7% * **因子名称**：贝塔（近诺）；**本周收益**：-1.0% * **因子名称**：股息率；**本周收益**：0.3%

根据提供的金融工程周报内容，以下是关于报告中涉及的量化模型和因子的总结。报告主要描述了多种资产择时策略，但未详细阐述具体的因子构建细节。因此，总结将侧重于报告中明确提及的策略模型。 量化模型与构建方式 1. **模型名称：A股仓位择时策略**[14][15] * **模型构建思路**：该模型旨在对沪深300ETF进行多头仓位择时，通过动态调整仓位以超越简单的买入持有策略[14][15] * **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过程，仅展示了其历史净值曲线与沪深300持有曲线的对比[15] 2. **模型名称：A股多空择时策略**[16][17][18] * **模型构建思路**：该模型针对沪深300股指期货，进行多空双向的择时交易，旨在获取超越基准的收益[16][17] * **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过程，仅展示了其策略净值曲线[17][18] 3. **模型名称：港股仓位择时策略**[19] * **模型构建思路**：该模型对港股市场进行仓位择时，动态调整风险暴露[19] * **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过程[19] 4. **模型名称：A股小微盘择时策略**[20][22][23] * **模型构建思路**：该模型旨在捕捉A股市场中小市值和微盘股的投资机会或风险，进行择时判断[20][22] * **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过程[22][23] 5. **模型名称：A股红利成长择时策略**[21] * **模型构建思路**：该模型在价值红利风格与成长风格之间进行轮动择时，报告本周建议超配价值红利风格[5][21][35] * **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过程[21] 6. **模型名称：美股择时策略**[24][25] * **模型构建思路**：该模型对美股标普500指数进行择时，策略包括杠杆做多、做空等多种信号[24][25] * **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过程[25] 7. **模型名称：黄金择时策略**[26][27] * **模型构建思路**：该模型对黄金价格进行择时交易，并设有买入区间[26][27] * **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过程[27] 8. **模型名称：ETF组合策略-偏股型**[28] * **模型构建思路**：该模型构建一个偏股型的ETF投资组合[28] * **模型具体构建过程**：报告未提供该组合的具体构建方法和成分选择逻辑[28] 9. **模型名称：ETF组合策略-偏债型**[30][31][34] * **模型构建思路**：该模型构建一个偏债型的ETF投资组合[30][34] * **模型具体构建过程**：报告未提供该组合的具体构建方法和成分选择逻辑[30][31] 10. **模型名称：港股金股定量优选模型**[5] * **模型构建思路**：通过定量方法筛选港股中的优质股票，形成投资组合（港股金股）[5] * **模型具体构建过程**：报告未提供该模型的具体选股因子、权重设置等构建细节[5] * **模型评价**：报告提及该模型自2024年11月样本外以来取得了显著的绝对收益和超额收益[5] 11. **模型名称：港股定量优选30**[5] * **模型构建思路**：该模型旨在从港股中定量优选30只股票，以跑赢港股高股息指数[5] * **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过程[5] 模型的回测效果 1. **港股金股定量优选模型**[5] * 自2024年11月样本外至今，绝对收益：+99.99%[5] * 自2024年11月样本外至今，相较恒生指数超额收益：+70.59%[5] 2. **港股定量优选30模型**[5] * 自2024年11月初至今，绝对收益：+42.78%[5] * 自2024年11月初至今，相较港股高股息指数超额收益：+26.81%[5] 量化因子与构建方式 （报告未详细阐述独立的量化因子构建内容） 因子的回测效果 （报告未提供独立因子的测试结果）

根据提供的量化周报内容，以下是关于报告中涉及的量化模型和因子的总结。 量化模型与构建方式 1. 模型名称：A股景气指数[29] - **模型构建思路**：该模型旨在对A股市场的景气度进行高频Nowcasting（即时预测），其核心目标是Nowcasting上证指数的归母净利润同比增速[29] - **模型具体构建过程**：报告指出该指数的构建详情请参考其前期研究报告《视角透析：A股景气度高频指数构建与观察》，但未在本周报中提供具体的构建公式和详细步骤[29] 2. 模型名称：A股情绪指数[32] - **模型构建思路**：该模型旨在通过量价数据来刻画市场情绪，并据此构建了包含见底预警与见顶预警的情绪指数系统[32] - **模型具体构建过程**：模型将市场按照波动率和成交额的变化方向划分为四个象限，这四个象限中，只有“波动率上行-成交额下行”的区间表现为显著的负收益，其余象限均为显著的正收益[32] 基于此规律构建情绪指数，相关研究细节请参考报告《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[46] - **模型构建思路**：该算法旨在从新闻和研报文本中挖掘主题投资机会[46] - **模型具体构建过程**：算法通过对文本进行处理、提取主题关键词、挖掘主题与个股的关系、构建主题活跃周期以及构建主题影响力因子等多个维度来描述主题投资机会[46] 报告以“半导体概念”为例展示了算法的应用结果，但未提供具体的数学模型或公式[46] 4. 模型名称：中证500增强组合 / 沪深300增强组合[46][52] - **模型构建思路**：构建针对特定宽基指数（中证500、沪深300）的增强型投资组合，目标是获得超越基准指数的超额收益[46][52] - **模型具体构建过程**：报告展示了组合的持仓明细和本周表现，但未详细说明其背后的选股模型、权重优化模型或风险模型的具体构建过程[49][55] 5. 模型名称：风格因子模型（BARRA框架）[56] - **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，用于解释股票收益的来源并进行组合的风险收益归因[56] - **模型具体构建过程**：模型构建了十大类风格因子，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）[56] 报告未提供每个因子的具体计算公式 量化因子与构建方式 1. 因子名称：十大类风格因子[56] - **因子构建思路**：基于BARRA模型框架，从不同维度刻画影响股票收益的风险特征[56] - **因子具体构建过程**：报告中列出了十大类风格因子的名称：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）和杠杆（LVRG），但未提供每个因子的具体计算方法和公式[56] 2. 因子名称：行业因子[57] - **因子构建思路**：构建代表不同行业风险敞口的因子，用于分析行业对投资组合收益的贡献[57] - **因子具体构建过程**：报告在风格分析部分提及了银行、保险、煤炭、汽车、电子、基础化工等行业因子，并分析了其近期表现，但未说明这些行业因子的具体构建方法[57] 3. 因子名称：动量因子[2][57] - **因子构建思路**：动量因子基于“强者恒强”的市场现象，认为过去表现好的股票在未来一段时间内会继续表现良好[2][57] - **因子具体构建过程**：报告指出本周动量因子表现出较高的超额收益，并将其作为重要的风格因子进行分析，但未提供其具体的计算定义[2][57] 模型的回测效果 1. **A股情绪指数系统择时表现**：报告通过图表17展示了该系统的历史择时表现，但未给出具体的量化指标数值（如年化收益率、夏普比率等）[43] 2. **中证500增强组合**：截至报告周，2020年至今，组合相对中证500指数的累计超额收益为53.08%，本周跑赢基准1.19%，历史最大回撤为-5.73%[46] 3. **沪深300增强组合**：截至报告周，2020年至今，组合相对沪深300指数的累计超额收益为37.09%，本周跑输基准0.52%，历史最大回撤为-5.86%[52] 因子的回测效果 1. **风格因子近期表现**： * **动量因子**：本周超额收益较高[57] * **Beta因子**：本周呈较为显著的负向超额收益[57] * **杠杆因子（LVRG）**：近期（过去20日）高杠杆股表现优异[57] * **残差波动率因子（RESVOL）**：近期表现不佳[57] * **非线性市值因子（NLSIZE）**：近期表现不佳[57] 2. **行业因子本周表现**： * **银行、保险、煤炭等行业因子**：相对市场市值加权组合跑出较高超额收益[57] * **汽车、电子、基础化工等行业因子**：回撤较多[57] 3. **风格因子暴露相关性**：报告通过图表23展示了近一周十大类风格因子暴露之间的相关性矩阵，例如流动性因子与Beta、动量、残差波动率因子呈现明显正相关性；价值因子与Beta、残差波动率、流动性等因子呈现明显负相关性[58]

根据提供的量化市场追踪周报，以下是关于报告中涉及的量化模型与因子的总结： 量化模型与构建方式 报告内容主要为市场监测和资金流分析，未涉及具体的量化模型或量化因子的构建思路、过程及公式[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60][61][62][63][64][65][66][67][68][69][70][71][72][73][74] 模型的回测效果 报告内容主要为市场监测和资金流分析，未涉及具体量化模型的回测效果指标取值[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60][61][62][63][64][65][66][67][68][69][70][71][72][73][74] 量化因子与构建方式 报告内容主要为市场监测和资金流分析，未涉及具体的量化因子的构建思路、过程及公式[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60][61][62][63][64][65][66][67][68][69][70][71][72][73][74] 因子的回测效果 报告内容主要为市场监测和资金流分析，未涉及具体量化因子的回测效果指标取值[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60][61][62][63][64][65][66][67][68][69][70][71][72][73][74]

量化模型与构建方式 1. 择时体系模型 **模型名称**：均线距离择时模型[2][11] **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，来判断市场整体环境，从而进行趋势判断[2][11] **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）和120日移动平均线（长期均线）[2][11] 2. 计算两条均线之间的距离，距离计算公式为： $$均线距离 = \frac{短期均线 - 长期均线}{长期均线} \times 100\%$$ 其中，短期均线为20日均线，长期均线为120日均线[2][11] 3. 根据距离绝对值判断市场趋势格局：距离绝对值大于3%时，市场处于趋势格局（上行或下行）；否则市场处于震荡格局[2][11] 2. 赚钱效应指标 **因子名称**：赚钱效应指标[2][11] **因子构建思路**：通过比较当前收盘价与趋势线的关系，来判断市场的赚钱效应[2][11] **因子具体构建过程**： 1. 确定Wind全A指数的趋势线（报告中未明确给出趋势线的具体计算方法，但指出其数值）[2][11] 2. 计算赚钱效应指标： $$赚钱效应 = \frac{收盘价 - 趋势线}{趋势线} \times 100\%$$ 其中，收盘价为Wind全A指数的最新收盘价[2][11] 3. 判断标准：当赚钱效应为正时，维持原仓位；当赚钱效应转负时，预示上行趋势可能告一段落[2][11] 3. 仓位管理模型 **模型名称**：仓位管理模型[3][12] **模型构建思路**：结合估值指标和短期趋势判断，为绝对收益产品提供股票仓位建议[3][12] **模型具体构建过程**： 1. 评估市场估值水平：观察Wind全A指数的PE（市盈率）和PB（市净率）在其历史数据中的分位点[3][12] 2. 结合短期趋势判断（来自择时体系模型）[3][12] 3. 输出仓位建议：例如，在PE位于85分位点附近、PB位于50分位点附近的中等估值水平下，结合趋势判断，建议仓位为60%[3][12] 4. 行业配置模型 **模型名称**：行业配置模型[3][4][12] **模型构建思路**：在市场不同阶段（如反弹前），推荐值得关注的行业方向[3][4][12] **模型具体构建过程**：报告中未详细描述该模型的具体构建公式和步骤，但提到了其输出结果，即推荐的行业板块[3][4][12] 5. TWO BETA 模型 **模型名称**：TWO BETA 模型[3][4][12] **模型构建思路**：用于推荐特定板块（如科技板块）[3][4][12] **模型具体构建过程**：报告中未详细描述该模型的具体构建公式和步骤，但提到了其输出结果，即继续推荐科技板块[3][4][12] 模型的回测效果 （报告中未提供具体的模型回测效果指标取值，如年化收益率、夏普比率、最大回撤等） 量化因子与构建方式 （报告中提及的因子主要为上述模型中的中间指标，如均线距离、赚钱效应等，已在上文模型部分描述） 因子的回测效果 （报告中未提供独立因子的具体回测效果指标取值）