量化模型与构建方式 1. 模型名称：常青低波基金组合 - **模型构建思路**：通过量化方法优选具有低波动特征的主动权益基金，满足在高风险市场环境下的防御需求，同时适合追求稳定收益的投资者[10][12] - **模型具体构建过程**： - 以基金的历史净值回撤和波动水平为核心指标，评估基金经理的投资风格和风险控制能力[12] - 结合因子测试结果，验证最大回撤和波动率的延续性[12] - 增加基金估值水平限制，从净值表现和持仓特征两个维度优选低波基金[12] - **模型评价**：该模型在减小净值波动的同时，保持了较好的收益水平，适合风险偏好较低的投资者[22] 2. 模型名称：股基增强基金组合 - **模型构建思路**：挖掘具有更强Alpha收益能力的基金经理，构建风险波动较高且进攻性更强的基金组合[10][13] - **模型具体构建过程**： - 对基金收益率指标进行研究，拆分收益来源[13] - 剔除配置行业的Beta收益，提取剩余的Alpha收益[13] - 基于Alpha收益的显著延续性，筛选强选股能力的基金经理，构建组合[13] - **模型评价**：该模型在持有期内表现出较高胜率，适合风险偏好较高的投资者[13][24] 3. 模型名称：现金增利基金组合 - **模型构建思路**：基于货币基金的多维特征因子，优选收益表现更佳的货币基金，优化现金管理收益[11][15] - **模型具体构建过程**： - 综合管理费率、托管费率、销售服务费率、久期水平、杠杆水平等指标[15] - 考虑机构持仓占比和偏离度等风险指标，减少收益波动风险[15] - 构建货币基金优选体系，筛选出收益率更高的货币基金[15] - **模型评价**：该模型能够有效帮助投资者在现金管理中获取更高收益，同时降低收益波动风险[25] 4. 模型名称：海外权益配置基金组合 - **模型构建思路**：基于海外市场指数的长期动量和短期反转因子，优选上涨趋势较好的指数，构建全球化投资组合[11][16] - **模型具体构建过程**： - 剔除涨势过高、出现超买的指数[16] - 选择处于上涨趋势且动能较好的指数作为配置标的[16] - 构建海外权益配置基金组合，满足全球化投资需求[16] - **模型评价**：该模型在全球化配置中表现出较强的分散化价值，适合拓展权益投资收益的投资者[28] --- 模型的回测效果 1. 常青低波基金组合 - 本周收益：-1.340%[17] - 超额收益：0.711%[17] - 策略运行以来收益：4.667%[20] 2. 股基增强基金组合 - 本周收益：-1.696%[17] - 超额收益：0.355%[17] - 策略运行以来收益：5.475%[20] 3. 现金增利基金组合 - 本周收益：0.033%[18] - 超额收益：0.004%[18] - 策略运行以来收益：2.680%[20] 4. 海外权益配置基金组合 - 本周收益：-0.701%[18] - 超额收益：1.388%[18] - 策略运行以来收益：22.409%[20]

- 微盘股茅指数轮动信号方面，微盘股茅指数相对净值在10月14日触发上穿年线的信号[5] - 微盘股与茅指数的20日收盘价斜率均为正值，整体来看目前轮动策略后续更看好微盘指数的相对表现[5] - 在微盘择时模型中，10月15日，偏体现市场交易情绪的波动率拥挤度指标已经回落到阈值以下，触波动率拥挤度风险预警信号已经解除[5] - 偏基本面的利率同比指标数值为-20.45%未触发利率风控阈值0.3[5] - 目前微盘择时模型未触发风控，对于希望长期持有微盘股风格的投资者，建议继续持有[5] - 过去一周市场震荡回落，市场资金回流低估值的板块，使得价值因子表现良好[5] - 由于市场的回落，资金风险偏好回落，量价类因子，包括技术和低波因子表现如期回升[5] - 未来一周，由于没有太多潜在事件催化，预期本周的市场风格会继续延续，建议投资者关注价值以及量价类因子[5] - 选股因子方面，八个大类选股因子在不同的股票池中的表现进行跟踪（全部A股、沪深300、中证500和中证1000）[41] - 从IC结果可以得出，上周技术、波动率因子在全部4个股票池中表现较好，而其他因子表现比较一般[41] - 过去一周市场震荡回落，市场资金回流低估值的板块，使得价值因子表现良好[41] - 由于市场的回落，资金风险偏好回落，量价类因子，包括技术和低波因子表现如期回升[41] - 未来一周，由于没有太多潜在事件催化，预期本周的市场风格会继续延续，建议投资者关注价值以及量价类因子[41] - 可转债因子方面，针对可转债构建了量化择券因子，并定期对五个择券因子的表现进行跟踪[48] - 正股因子主要从正股与可转债的相关关系出发，从预测正股的因子来构建可转债因子[48] - 转债估值因子选取了平价底价溢价率[48] - 从IC结果可以看出正股价值、转债估值因子上周表现较为不错[48] - 从择券因子多空组合净值来看，上周正股成长、正股价值、转债估值因子取得了正的多空收益[48] 模型的回测效果 - 微盘股茅指数轮动信号方面，微盘股茅指数相对净值在10月14日触发上穿年线的信号[5] - 微盘股与茅指数的20日收盘价斜率均为正值，整体来看目前轮动策略后续更看好微盘指数的相对表现[5] - 在微盘择时模型中，10月15日，偏体现市场交易情绪的波动率拥挤度指标已经回落到阈值以下，触波动率拥挤度风险预警信号已经解除[5] - 偏基本面的利率同比指标数值为-20.45%未触发利率风控阈值0.3[5] - 目前微盘择时模型未触发风控，对于希望长期持有微盘股风格的投资者，建议继续持有[5] 因子的回测效果 - 选股因子方面，八个大类选股因子在不同的股票池中的表现进行跟踪（全部A股、沪深300、中证500和中证1000）[41] - 从IC结果可以得出，上周技术、波动率因子在全部4个股票池中表现较好，而其他因子表现比较一般[41] - 过去一周市场震荡回落，市场资金回流低估值的板块，使得价值因子表现良好[41] - 由于市场的回落，资金风险偏好回落，量价类因子，包括技术和低波因子表现如期回升[41] - 未来一周，由于没有太多潜在事件催化，预期本周的市场风格会继续延续，建议投资者关注价值以及量价类因子[41] - 可转债因子方面，针对可转债构建了量化择券因子，并定期对五个择券因子的表现进行跟踪[48] - 正股因子主要从正股与可转债的相关关系出发，从预测正股的因子来构建可转债因子[48] - 转债估值因子选取了平价底价溢价率[48] - 从IC结果可以看出正股价值、转债估值因子上周表现较为不错[48] - 从择券因子多空组合净值来看，上周正股成长、正股价值、转债估值因子取得了正的多空收益[48]

量化因子与构建方式 SIM因子 - **因子构建思路** 基于股票之间的相似性信息，利用欧几里得距离衡量股票特征间的相关性，构建相似股票的收益加权均值（SIM）和收益的相对差值（RSIM）作为因子[34][19][33] - **因子具体构建过程** 1. 筛选价格、市值、估值、盈利和投资等五个角度的指标刻画股票之间的相关性[33][20][19] 2. 计算股票特征的欧几里得距离，筛选相似股票[34] 3. 计算相似股票的收益加权均值（SIM）和收益的相对差值（RSIM）[34] - **因子评价** SIM因子在月频和周频回测中表现一般，收益特征不够突出[36][39][49] SIM_corr因子 - **因子构建思路** 在SIM因子的基础上，进一步改进代理变量，采用“相关性程度”构建因子[53][54] - **因子具体构建过程** 1. 以“相关性程度”作为代理变量，结合股票特征的欧几里得距离计算相似股票的相关性[53][34] 2. 构建相似股票的收益加权均值（SIM_corr）[54][34] - **因子评价** SIM_corr因子在月频和周频回测中表现优异，收益特征显著，且行业市值中性化后进一步增强[54][58][113] 因子拆解改进 - **因子构建思路** 基于不同数值方向的收益序列构建相关系数，拆解股票与相似股票的收益序列[107][116] - **因子具体构建过程** 1. 根据收益序列的符号将股票与相似股票的收益拆分为正向和负向序列[107][110] 2. 分别计算拆解后的相关性因子并进行回测[110][111] - **因子评价** 拆解后的收益特征与拆解前基本一致，未显著提升因子效果[107][110] 分域检验 - **因子构建思路** 分析因子在不同股票池（沪深300、中证500、中证1000）中的表现[113][115] - **因子具体构建过程** 1. 在不同股票池中进行因子回测，观察IC值、胜率及收益特征[113][115] 2. 比较因子在不同股票池中的敏感性[113][115] - **因子评价** 因子在中证1000股票池中的回测IC值更高，多头组区分度更加突出[113][115] --- 因子的回测效果 SIM因子 - **月度回测** - RANK_IC：-2.9% - ICIR：-0.20 - IC胜率：54.6% - 多空年化收益：8.1% - 夏普比：0.45 - 多头年化收益：4.4%[36][39][51] - **周度回测** - RANK_IC：-1.8% - ICIR：-0.12 - IC胜率：54.4% - 多空年化收益：3.3% - 夏普比：0.16 - 多头年化收益：-2.5%[36][39][51] SIM_corr因子 - **月度回测** - RANK_IC：7.6% - ICIR：1.96 - IC胜率：74.8% - 多空年化收益：25.0% - 夏普比：2.36 - 多头年化收益：14.0%[54][58][110] - **周度回测** - RANK_IC：6.8% - ICIR：3.24 - IC胜率：76.8% - 多空年化收益：47.3% - 夏普比：4.14 - 多头年化收益：17.9%[54][58][111] 因子拆解后回测 - **月度回测** - RANK_IC：7.6% - ICIR：0.65 - IC胜率：74.8% - 多空年化收益：25.0% - 多头年化收益：14.0%[110][111][116] - **周度回测** - RANK_IC：6.8% - ICIR：0.60 - IC胜率：76.8% - 多空年化收益：47.3% - 多头年化收益：17.9%[110][111][116] 分域检验回测 - **中证1000股票池（月度）** - RANK_IC：6.9% - ICIR：0.62 - IC胜率：77.3% - 多空年化收益：19.8% - 多头年化收益：9.5%[113][115][116] - **中证1000股票池（周度）** - RANK_IC：6.0% - ICIR：0.53 - IC胜率：71.3% - 多空年化收益：40.6% - 多头年化收益：9.4%[113][115][116]

- 本报告未涉及量化模型或量化因子的具体内容[5][7][11]

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：择时体系模型** - **模型构建思路**：通过比较wind全A指数的长期均线（120日）和短期均线（20日）的距离来判断市场整体环境[2][9] - **模型具体构建过程**： 1. 计算wind全A指数的20日均线和120日均线 2. 计算两线距离：$$距离 = \frac{20日线 - 120日线}{120日线} \times 100\%$$ 3. 结合趋势线位置（5171点）和赚钱效应（-1.2%）综合判断市场格局[2][9] - **模型评价**：该模型能有效捕捉市场趋势变化，但对成交金额变化的敏感性较高 2. **模型名称：仓位管理模型** - **模型构建思路**：基于wind全A指数的估值水平（PE/PB分位数）和短期趋势判断来调整仓位[3][10] - **模型具体构建过程**： 1. 计算PE分位数（当前50分位）和PB分位数（当前10分位） 2. 结合趋势信号（均线距离17%）生成仓位建议 3. 当前建议仓位70%[3][10] 3. **模型名称：TWOBETA模型** - **模型构建思路**：用于行业配置推荐，重点关注科技板块[2][7][9] - **模型具体构建过程**：未详细披露构建细节，11月推荐消费电子和新能源车板块[2][7][9] 4. **模型名称：行业配置模型** - **模型构建思路**：推荐困境反转型板块[2][7][9] - **模型具体构建过程**：未详细披露构建细节，当前推荐地产/家电等大宗消费相关行业[2][7][9] 模型的回测效果 1. **择时体系模型** - 均线距离：17%[2][9] - 赚钱效应：-1.2%[2][9] - 趋势线位置：5171点[2][9] 2. **仓位管理模型** - 建议仓位：70%[3][10] - PE分位数：50分位[3][10] - PB分位数：10分位[3][10] 量化因子与构建方式 1. **因子名称：均线距离因子** - **因子构建思路**：通过长短均线距离反映市场趋势强度[2][9] - **因子具体构建过程**： $$均线距离 = \frac{20日线 - 120日线}{120日线} \times 100\%$$ 当前值：17%[2][9] 2. **因子名称：估值分位数因子** - **因子构建思路**：通过历史分位数判断市场估值水平[3][10] - **因子具体构建过程**： - PE分位数：50分位 - PB分位数：10分位[3][10] 3. **因子名称：赚钱效应因子** - **因子构建思路**：反映市场整体赚钱效应[2][9] - **因子具体构建过程**：未披露具体计算公式，当前值-1.2%[2][9] 因子的回测效果 1. **均线距离因子** - 当前值：17%[2][9] 2. **估值分位数因子** - PE分位数：50分位[3][10] - PB分位数：10分位[3][10] 3. **赚钱效应因子** - 当前值：-1.2%[2][9]

- 本周市场复盘显示，主力资金净流出仍处于高位，市场避险情绪较浓厚，宽基指数持续回调，结构上小盘+红利跌幅较少[7][8][10] - 公募基金方面，主动权益基金仓位较上周略微提升，"固收+"基金仓位维持不变，主动偏股型基金的平均仓位约为86.18%，其中普通股票型基金的平均仓位为88.27%，偏股混合型基金为87.02%，配置型基金为83.91%[16][19][20] - 主动权益产品风格动向显示，中盘价值风格仓位上调2.81个百分点至18.38%，小盘价值风格仓位下降1.62个百分点至3.26%，而小盘成长风格近三月增配明显，配置比例提升15.71个百分点[24][26][27] - 主动权益产品行业动向中，电新、传媒等行业持续增配，红利类行业如石油石化、煤炭等持续减配，其中有色金属行业配置比例较上周提升0.31个百分点至4.74%，而石油石化行业下降0.21个百分点至1.58%[28][29] - 基于绩优基金持仓倾向的行业轮动模型显示，本周绩优基金行业轮动策略获得一定超额收益，多头超额收益为0.74%，景气度模型多头超额收益为0.35%，绩优基金超配行业包括有色金属、电力及公用事业等[30][31][33] - ETF市场方面，本周境内股票指数ETF资金净流入约41.69亿元，其中TMT板块ETF净流入23.78亿元，消费板块ETF净流入4.44亿元，周期制造ETF净流入3.66亿元[35][36][62] - 债券ETF资金净流入46.23亿元，商品指数ETF净流入4.78亿元，其中黄金ETF表现突出，华安黄金ETF净流入4.00亿元，国泰黄金ETF净流入2.18亿元[36][63]

量化模型与构建方式 1. 三维择时模型 - **模型名称**：三维择时模型 - **模型构建思路**：通过分歧度、流动性和景气度三个维度来判断市场走势 - **模型具体构建过程**： - **分歧度**：衡量市场参与者对未来走势的分歧程度 - **流动性**：衡量市场的资金流动情况 - **景气度**：衡量市场的整体经济状况 - 公式：未提供具体公式 - **模型评价**：在高波动环境下，流动性回落偏向于震荡下跌[7][11][13] 2. 资金流共振策略 - **模型名称**：资金流共振策略 - **模型构建思路**：通过监控融资融券和大单资金的流入流出情况，选择资金流入较多的行业 - **模型具体构建过程**： - **融资资金因子**：Barra市值因子中性化后的融资净买入（个股加总），取最近20日均值 - **主动大单资金因子**：行业最近一年成交量时序中性化后的净流入排序，取最近10日均值 - 选择两种资金流都看好的行业，即每一期同时在两个因子排序前十的行业 - 公式：未提供具体公式 - **模型评价**：策略2018年以来费后年化超额收益14.5%，信息比率1.4，相对北向-大单共振策略回撤更小[23][28][29] 模型的回测效果 - **三维择时模型**：未提供具体回测效果 - **资金流共振策略**： - **绝对收益**：-1.4% - **超额收益**：0.4% - **年化超额收益**：14.5% - **信息比率**：1.4[28][29] 量化因子与构建方式 1. 反转因子 - **因子名称**：反转因子 - **因子的构建思路**：通过观察股票价格的反转趋势来预测未来走势 - **因子具体构建过程**： - 公式：未提供具体公式 - **因子评价**：表现较好，最近一周相对于中证全指的超额收益达到2%以上[33][34] 2. 估值因子 - **因子名称**：估值因子 - **因子的构建思路**：通过估值指标（如市盈率、市销率等）来选择低估值股票 - **因子具体构建过程**： - 公式：未提供具体公式 - **因子评价**：在不同市值下表现较好，整体看大市值下因子超额更高[33][35] 因子的回测效果 - **反转因子**： - **近一周多头超额**：2.74% - **近一个月多头超额**：6.09% - **近一年多头超额**：11.66%[34][35] - **估值因子**： - **近一周多头超额**：2.69% - **近一个月多头超额**：6.68% - **近一年多头超额**：10.92%[34][35]

量化模型与构建方式 1. 宏观择时策略模型 - **模型名称**：宏观择时策略模型 - **模型构建思路**：基于宏观事件因子进行股债轮动策略，通过规避宏观下行风险来获取超额收益 - **模型具体构建过程**： - 使用景气度指标（如中采制造业PMI）和PPI同比+工业增加值同比来判断经济环境阶段 - 通过调整因子打分方式，提升持仓权重，适配上涨行情 - 增加市场情绪类指标，及时反映非宏观驱动的指数行情 - 公式：择时信号 = max(经济增长信号, 流动性信号) > 30% ? 1 : 0 - **模型评价**：在市场上行阶段表现较好，通过调整规则提升持仓权重和时长，避免错过上涨行情[89][90][91] 2. AI选股模型 - **模型名称**：AI选股模型 - **模型构建思路**：基于决策树的集成算法GBDT和神经网络类模型，针对不同特征数据集进行训练 - **模型具体构建过程**： - 使用量价数据进行模型训练，模型天然向低波、非流动性等因子学习 - 通过回归剥离Barra风格因子后的表现，发现在不同股票池中因子表现有差异 - 公式：AI因子 = GBDT模型(量价数据) + 神经网络模型(特征数据) - **模型评价**：整体表现优异，但在特定月份回撤明显，需结合市场环境进行调整[140][143][144] 模型的回测效果 宏观择时策略模型 - **年化超额收益**：12.05%[67] - **最大回撤**：17.31%[67] - **信息比率（IR）**：0.68[67] AI选股模型 - **沪深300股票池**：剥离Barra后因子多头超额收益走平[147] - **中证500股票池**：剥离Barra后因子多头超额收益走平[147] - **中证1000股票池**：剥离Barra后因子多头超额收益保持向上稳定走势[147] 量化因子与构建方式 1. 分析师预期因子 - **因子名称**：分析师预期因子 - **因子的构建思路**：通过分析师对行业的预期来判断高景气度的行业 - **因子具体构建过程**： - 收集分析师对各行业的预期数据 - 计算各行业的景气度指标 - 公式：分析师预期因子 = Σ(分析师预期 * 行业景气度) - **因子评价**：在市场下行阶段表现较差，但在市场回暖阶段表现回升[118][119] 2. 超预期因子 - **因子名称**：超预期因子 - **因子的构建思路**：通过实际业绩超出预期的情况来判断行业表现 - **因子具体构建过程**： - 收集各行业的实际业绩数据 - 计算实际业绩与预期的差值 - 公式：超预期因子 = Σ(实际业绩 - 预期业绩) - **因子评价**：整体表现稳健，建议持续配置[118][119] 因子的回测效果 分析师预期因子 - **IC均值**：1.4%[111] - **多空收益**：0.7%[111] - **多头超额收益**：3.6%[111] - **多头收益**：8.1%[111] 超预期因子 - **IC均值**：5.8%[111] - **多空收益**：7.1%[111] - **多头超额收益**：4.3%[111] - **多头收益**：8.8%[111]

总结 量化模型与构建方式 - **模型名称**：公募基金实时持仓测算模型 **模型构建思路**：基于基金净值、持仓披露、调研行为等市场公开信息，实时测算公募基金的持仓动态[3][15] **模型具体构建过程**：通过复杂的数据处理流程，整合基金净值、持仓披露和调研行为等公开信息，动态估算公募基金的持仓比例[15] - **模型名称**：ETF资金持仓动态监测模型 **模型构建思路**：通过ETF持仓占流通市值比例的变化，监测市场资金动态[15][17] **模型具体构建过程**：计算ETF持仓占流通市值比例，并通过移动平均（MA5）平滑数据，观察其趋势变化[17] - **模型名称**：两融余额动向监测模型 **模型构建思路**：通过融资余额的变化，反映市场投资者的看多情绪[18] **模型具体构建过程**：统计融资余额的历史数据，分析其变化趋势，结合市场背景解读投资者情绪[18] 模型的回测效果 - **公募基金实时持仓测算模型**：2024年以来，公募基金对AIGC板块的配置仓位有所下降[3][15] - **ETF资金持仓动态监测模型**：2024年以来，ETF持仓占AIGC板块股票市值比例持续上升，达到5.5%[15][17] - **两融余额动向监测模型**：融资余额自2024年9月25日后大幅反弹向上，融券余额处于较低水平[3][18] 量化因子与构建方式 - **因子名称**：主力资金净流入因子 **因子的构建思路**：通过大单（20-100万元）与超大单（>100万元）的加总，作为主力资金的代理变量，分析资金流向[23] **因子具体构建过程**： 1. 收集大单与超大单的交易数据 2. 计算主力资金净流入值 3. 按个股统计主力资金净流入排名[23][24] - **因子名称**：高频股东户数变动因子 **因子的构建思路**：通过股东户数的变化，捕捉市场投资者行为的变化趋势[31] **因子具体构建过程**： 1. 收集上市公司最新两期的股东户数数据 2. 计算股东户数变动比例 3. 按变动比例对个股进行排序[31][32] 因子的回测效果 - **主力资金净流入因子**：协创数据净流入111972.3万元，金山办公净流入70872.9万元，拓尔思净流入58277.4万元[23][24] - **高频股东户数变动因子**：协创数据股东户数增幅36.48%，福石控股增幅35.88%，淳中科技增幅34.21%[31][32]

- 本报告未涉及量化模型或量化因子的构建、测试及相关分析内容[1][2][5][6]