- 非银板块在2024年9月以来上涨19.22%[3][12][14] - 公募基金持仓测算显示近期仓位未见回升[4][15][16] - ETF资金持仓占非银板块股票市值比例在2024年以来持续上升，占比达到4.56%[4][16][18] - 融资余额在9月20号之后反弹向上[4][19][22] - 招商证券、中信证券、广发证券等机构调研次数最多[5][20][21] - 天风证券、东方财富、中国平安等雪球大V关注度最高[5][24][26] - 东方财富、天风证券、太平洋等主力资金买入最多[5][27][28] - 天茂集团、国海证券、中油资本等曾出现在龙虎榜[5][30][32] - 华铁应急、首创证券、浙商证券等股东户数增幅最高[5][31][32]

- 本周市场复盘：政策组合助力预期扭转，增量市可期[8][9] - 宽基指数表现回顾：A股权益类资产实现快速普涨，成长风格反弹速度较快[9] - 行业指数表现回顾：消费、券商、地产涨幅领先[12] - 公募基金仓位测算："固收+"基金测算仓位明显提升[18] - 主动权益产品风格动向：中盘成长仓位下调，小盘成长提升[25] - 主动权益产品行业动向：地产链暴露提升，银行仓位持续下调[29] - ETF市场跟踪：宽基ETF周度净流入额超500亿元[31] - 新成立基金：本周主动权益型基金新发总规模约为2.70亿元[35]

量化模型与构建方式 1. 模型名称：择时体系信号模型 - **模型构建思路**：通过均线距离、市场风控线以及估值水平等指标，判断市场趋势并识别最佳做多窗口期[2][3][9] - **模型具体构建过程**： 1. 定义长期均线（120日）和短期均线（20日），计算两者的距离： $ 距离 = \frac{短期均线 - 长期均线}{长期均线} $ 2. 判断均线距离是否小于0（短期均线位于长期均线下方）以及绝对距离是否大于3%[2][9] 3. 判断指数位置是否高于市场风控线（45日均线）[2][9] 4. 结合估值水平（PE和PB分位点）以及长短均线距离差（大于5%），确认市场是否进入最佳做多窗口期[2][3][9] - **模型评价**：通过多维度指标综合判断市场趋势，逻辑清晰，适合捕捉趋势反转信号[2][3][9] 2. 模型名称：行业配置模型 - **模型构建思路**：基于市场环境和行业特性，动态调整行业配置方向，优先选择困境反转型板块[2][3][9] - **模型具体构建过程**： 1. 结合市场趋势信号，筛选出符合困境反转特征的行业[2][3][9] 2. 当前推荐行业包括消费医药、证券、计算机、地产等[2][3][9] 3. 使用TWOBETA模型进一步推荐科技板块[2][3][9] - **模型评价**：能够结合市场趋势和行业特性，提供明确的行业配置建议，具有较强的实用性[2][3][9] 3. 模型名称：仓位管理模型 - **模型构建思路**：根据市场估值水平和趋势信号，动态调整仓位比例[2][9] - **模型具体构建过程**： 1. 结合wind全A指数的PE和PB分位点，判断市场估值水平[2][9] 2. 当前PE位于20分位点附近，PB位于5分位点附近，属于较低和极低水平[2][9] 3. 根据估值水平和趋势信号，建议将仓位上调至90%[2][9] - **模型评价**：通过估值和趋势信号结合，提供明确的仓位调整建议，逻辑合理[2][9] --- 模型的回测效果 1. 择时体系信号模型 - 均线距离：-5.46%[2][9] - 绝对距离：大于3%[2][9] - 指数位置：高于市场风控线（45日均线）[2][9] 2. 行业配置模型 - 推荐行业：消费医药、证券、计算机、地产、电子、通信[2][3][9] 3. 仓位管理模型 - 仓位建议：90%[2][9] --- 量化因子与构建方式 1. 因子名称：长短均线距离因子 - **因子构建思路**：通过计算短期均线与长期均线的距离，判断市场趋势[2][9] - **因子具体构建过程**： 1. 定义短期均线（20日）和长期均线（120日）[2][9] 2. 计算均线距离： $ 距离 = \frac{短期均线 - 长期均线}{长期均线} $ 3. 判断均线距离是否小于0以及绝对值是否大于3%[2][9] - **因子评价**：能够有效捕捉市场趋势变化，适合作为择时信号的核心因子[2][9] 2. 因子名称：估值分位点因子 - **因子构建思路**：通过PE和PB的历史分位点，判断市场估值水平[2][9] - **因子具体构建过程**： 1. 计算wind全A指数的PE和PB值[2][9] 2. 将PE和PB值与历史数据对比，计算分位点[2][9] 3. 当前PE分位点为20%，PB分位点为5%[2][9] - **因子评价**：能够直观反映市场估值水平，为仓位管理提供重要依据[2][9] --- 因子的回测效果 1. 长短均线距离因子 - 均线距离：-5.46%[2][9] - 绝对距离：大于3%[2][9] 2. 估值分位点因子 - PE分位点：20%[2][9] - PB分位点：5%[2][9]

量化模型与构建方式 戴维斯双击策略 - **模型名称**：戴维斯双击策略 - **模型构建思路**：以较低的市盈率买入具有成长潜力的股票，待成长性显现、市盈率相应提高后卖出，获得乘数效应的收益，即 EPS 和 PE 的"双击"[1][7] - **模型具体构建过程**：通过筛选市盈率较低且具有成长潜力的股票，待其成长性显现后卖出，以获取 EPS 和 PE 的双重收益[7] - **模型评价**：该策略在回测期内表现出较高的年化收益率和稳定的超额收益[10] 净利润断层策略 - **模型名称**：净利润断层策略 - **模型构建思路**：结合基本面与技术面，通过业绩超预期和盈余公告后的股价跳空行为筛选股票[2][12] - **模型具体构建过程**：每期筛选过去两个月业绩预告和正式财报满足超预期事件的股票样本，按照盈余公告日跳空幅度排序前50的股票等权构建组合[12] - **模型评价**：该策略在回测期内表现出较高的年化收益率和稳定的超额收益[2][14] 沪深300增强组合 - **模型名称**：沪深300增强组合 - **模型构建思路**：基于投资者偏好因子构建增强组合，通过PBROE因子和PEG因子筛选股票[3][16] - **模型具体构建过程**：以PB与ROE的分位数之差构建PBROE因子，寻找估值低且盈利能力强的股票；以PE与增速的分位数之差构建PEG因子，寻找价值被低估且拥有可靠成长潜力的公司[16] - **模型评价**：该策略在回测期内表现出稳定的超额收益[3][16] 模型的回测效果 - **戴维斯双击策略** - 年化收益：26.45%[10] - 年化超额基准：21.08%[10] - 2023年累计绝对收益：-6.29%[10] - 2023年超额中证500指数：-2.10%[10] - 本周超额中证500指数：-3.48%[10] - 本期组合超额基准指数：-0.23%[10] - **净利润断层策略** - 年化收益：27.11%[2][14] - 年化超额基准：26.11%[2][14] - 2023年累计绝对收益：-10.34%[2][14] - 2023年超额基准指数：-6.15%[2][14] - 本周超额收益：0.48%[2][14] - **沪深300增强组合** - 年化收益：8.91%[16] - 年化超额基准：8.67%[16] - 2023年累计绝对收益：14.24%[16] - 2023年超额沪深300指数：6.30%[16] - 本周超额收益：-0.79%[16] - 本月超额收益：-0.18%[16]

量化因子与构建方式 大类因子 - **因子名称**：Beta因子 **因子的构建思路**：衡量股票相对于市场的系统性风险，Beta值越高，股票对市场波动的敏感性越强 **因子具体构建过程**：通过回归分析计算股票收益率与市场收益率之间的关系，公式为： $ R_i = \alpha + \beta R_m + \epsilon $ 其中，$ R_i $为个股收益率，$ R_m $为市场收益率，$ \beta $为Beta因子，表示个股对市场波动的敏感性[17] **因子评价**：本周表现突出，获取正收益2.59%，显示市场对高Beta股票的偏好[17] - **因子名称**：市值因子 **因子的构建思路**：衡量股票市值大小对收益的影响，通常反映市场风格偏好 **因子具体构建过程**：以股票的总市值作为因子值，公式为： $ 市值因子 = \ln(市值) $ 其中，市值为股票的流通市值或总市值[17] **因子评价**：本周表现为大市值风格，获取正收益1.88%[17] - **因子名称**：残差波动率因子 **因子的构建思路**：衡量股票收益率中非系统性风险的波动程度 **因子具体构建过程**：通过回归模型计算残差的标准差，公式为： $ \sigma_{\epsilon} = \sqrt{\frac{\sum_{i=1}^n (\epsilon_i - \bar{\epsilon})^2}{n-1}} $ 其中，$ \epsilon_i $为回归残差，$ \bar{\epsilon} $为残差均值，$ n $为样本数量[17] **因子评价**：本周获取正收益0.93%，表现较好[17] - **因子名称**：盈利因子 **因子的构建思路**：衡量公司盈利能力对股票收益的影响 **因子具体构建过程**：以净利润率、ROE等指标为基础，构造盈利相关因子[17] **因子评价**：本周获取正收益0.60%，表现一般[17] - **因子名称**：动量因子 **因子的构建思路**：衡量股票过去一段时间的收益率对未来收益的影响 **因子具体构建过程**：计算股票在过去一段时间内的累计收益率，公式为： $ 动量因子 = \sum_{t=1}^n R_t $ 其中，$ R_t $为第$t$天的收益率，$ n $为回溯期[17] **因子评价**：本周获取负收益-1.77%，表现较差[17] 单因子 - **因子名称**：对数市值因子 **因子的构建思路**：衡量市值大小对股票收益的影响 **因子具体构建过程**：以股票市值的对数值作为因子值，公式为： $ 对数市值因子 = \ln(市值) $ 其中，市值为股票的流通市值或总市值[8][9] **因子评价**：在沪深300股票池中表现较好，本周收益为3.46%[8][9] - **因子名称**：总资产毛利率TTM **因子的构建思路**：衡量公司盈利能力与资产规模的关系 **因子具体构建过程**：以过去12个月的总资产毛利率作为因子值，公式为： $ 总资产毛利率TTM = \frac{毛利润}{总资产} $ 其中，毛利润为营业收入减去营业成本[8][9] **因子评价**：在沪深300股票池中表现较好，本周收益为3.05%[8][9] - **因子名称**：市盈率因子 **因子的构建思路**：衡量股票价格相对于每股收益的比值 **因子具体构建过程**：以市盈率的倒数作为因子值，公式为： $ 市盈率因子 = \frac{1}{市盈率} $ 其中，市盈率为股票价格与每股收益的比值[11][12] **因子评价**：在中证500股票池中表现较好，本周收益为3.28%[11][12] - **因子名称**：市净率因子 **因子的构建思路**：衡量股票价格相对于每股净资产的比值 **因子具体构建过程**：以市净率的倒数作为因子值，公式为： $ 市净率因子 = \frac{1}{市净率} $ 其中，市净率为股票价格与每股净资产的比值[11][12] **因子评价**：在中证500股票池中表现较好，本周收益为2.55%[11][12] - **因子名称**：毛利率TTM **因子的构建思路**：衡量公司盈利能力与营业收入的关系 **因子具体构建过程**：以过去12个月的毛利率作为因子值，公式为： $ 毛利率TTM = \frac{毛利润}{营业收入} $ 其中，毛利润为营业收入减去营业成本[11][12][14] **因子评价**：在流动性1500股票池中表现较好，本周收益为2.23%[14][15] 因子的回测效果 大类因子 - Beta因子，最近1周收益2.59%[17] - 市值因子，最近1周收益1.88%[17] - 残差波动率因子，最近1周收益0.93%[17] - 盈利因子，最近1周收益0.60%[17] - 动量因子，最近1周收益-1.77%[17] 单因子 - 对数市值因子，最近1周收益3.46%[8][9] - 总资产毛利率TTM，最近1周收益3.05%[8][9] - 市盈率因子，最近1周收益3.28%[11][12] - 市净率因子，最近1周收益2.55%[11][12] - 毛利率TTM，最近1周收益2.23%[14][15]

量化模型与构建方式 1. ARMA-GARCH 模型 - **模型名称**：ARMA-GARCH 模型 - **模型构建思路**：捕捉市场中的线性关系，处理时间序列中的线性依赖结构与波动性特征[4][5] - **模型具体构建过程**： 1. **ARMA 模型**： - 公式：$ r_{t}=\beta_{0}+\sum_{i=1}^{p}\beta_{i}r_{t-i}+\sum_{j=1}^{q}\theta_{j}a_{t-j}+\epsilon_{t} $[20] - 参数说明：$ r_{t} $为对数收益率，$ \beta_{0} $为常数项，$ \beta $为自回归系数，$ \theta $为移动平均项系数，$ \epsilon_{t} $为误差项[21] 2. **GARCH 模型**： - 公式：$ \sigma_{t}^{2}=\alpha_{0}+\sum_{i=1}^{q}\alpha_{i}\epsilon_{t-i}^{2}+\sum_{j=1}^{p}\beta_{j}\sigma_{t-j}^{2} $[22] - 参数说明：$ \sigma_{t}^{2} $为条件异方差，$ \alpha_{0} $为常数项，$ \alpha $为滞后期残差平方项的系数，$ \beta $为滞后期条件方差项的系数[23] 3. **模型训练**： - 数据划分为训练集和测试集，训练集用于确定模型参数，测试集用于回测和验证[24] - 使用 AIC 信息准则确定 ARMA 模型参数为（5,3）[27] - 对 ARMA 模型残差进行 LB 检验和 ARCH 效应检验，确定残差存在异方差现象，使用 GARCH(1,1)模型处理残差[30][31][32] - **模型评价**：ARMA-GARCH 模型在预测准确率、精确率、召回率和 F1 值上均优于"抛硬币"预测法，特别是召回率的提升表明模型在捕捉上涨趋势上更具优势[35] 2. LSTM 模型 - **模型名称**：LSTM 模型 - **模型构建思路**：捕捉市场中的非线性关系，处理和预测时间序列数据中的长期依赖性[5][47] - **模型具体构建过程**： 1. **LSTM 模型介绍**： - 通过遗忘门、输入门和输出门机制处理时间序列数据[47][49][50] - 公式： - 遗忘门：$ \mathbf{f}_{\mathbf{t}}=\sigma\left(\mathbf{W}_{\mathbf{f}}\cdot\,[\mathbf{h}_{\mathbf{t-1}},\mathbf{x}_{\mathbf{t}}]+b_{f}\right) $[47] - 输入门：$ i_{t}=\sigma(W_{i}\cdot\,[h_{t-1},x_{t}]+b_{i}) $，$ {\tilde{C}}_{t}=\operatorname{tanh}(W_{c}\cdot\ [h_{t-1},x_{t}]+b_{c}) $[49] - 输出门：$ = σ( ⋅ [ℎ−1, ] + ) $，$ ℎ = ∗ ℎ( ) $[50] - 单元状态：$ C_{t}=f_{t}*C_{t-1}+i_{t}*{\widehat{C}}_{t} $[51] 2. **数据处理**： - 使用价格指标和技术指标，收盘价进行二元分类处理，其他数据采用 Z-score 标准化处理[53] 3. **模型训练**： - 多重交叉验证，分为训练集和测试集，优化模型表现[55][56] - 关键参数：神经元个数、随机断开输入神经元比例、训练批次、损失函数、学习率[56][57][60] - **模型评价**：LSTM 模型在预测准确率上显著优于"抛硬币"预测法，特别是20步长的表现最佳，预测准确率稳定维持在52%附近[62] 模型的回测效果 1. **ARMA-GARCH 模型**： - 准确率：51.61%[34] - 精确率：52.06%[34] - 召回率：58.96%[34] - F1 值：55.30%[34] - 年化收益率：4.89%[40] - 年化波动率：21.54%[40] - 夏普比：0.227[40] - 最大回撤：55.58%[40] 2. **LSTM 模型**： - 准确率：52.33%（20步长）[62] - 年化收益率：14.71%[64] - 日度胜率：52.33%[64]

根据提供的文档内容，没有涉及量化模型或量化因子的相关内容，因此无法按照任务要求进行总结

量化模型与构建方式 1. 模型名称：Black-Litterman模型（BL模型） - **模型构建思路**：BL模型是对传统均值-方差模型（MVO）的改进，采用贝叶斯理论将主观观点与量化配置模型结合，通过投资者对市场的分析预测资产收益，优化资产配置权重[12][13] - **模型具体构建过程**： 1. 选择投资标的：国内资产BL模型基于沪深300、中证1000、恒生指数、中债-国债总财富指数、中债-企业债总财富指数、中证转债、南华商品指数和SHFE黄金等资产；全球资产BL模型基于沪深300、恒生指数、标普500、中债-国债总财富指数、中债-企业债总财富指数和南华商品指数[13][14] 2. 通过贝叶斯方法结合主观观点与市场均衡收益率，计算资产的预期收益 3. 优化资产配置权重，解决均值-方差模型对预期收益敏感的问题[12][13] - **模型评价**：BL模型有效解决了均值-方差模型对预期收益敏感的问题，同时相较于纯主观投资具有更高的容错性，为投资者提供高效的资产配置方案[12] 2. 模型名称：风险平价模型 - **模型构建思路**：风险平价模型的核心思想是将投资组合的整体风险分摊到每类资产中，使得每类资产对组合整体风险的贡献相等[17] - **模型具体构建过程**： 1. 选择底层资产：国内资产风险平价模型基于沪深300、中证1000、恒生指数、中债-国债总财富指数、中债-企业债总财富指数、中证转债、南华商品指数和SHFE黄金；全球资产风险平价模型基于沪深300、标普500、恒生指数、中债-企业债总财富指数、南华商品指数和COMEX黄金[18] 2. 计算资产对组合的风险贡献：基于资产的预期波动率及相关性，计算初始权重下各资产对组合风险的贡献 3. 优化权重：调整资产权重，使得各资产的实际风险贡献与预期风险贡献相等[17][18] - **模型评价**：风险平价模型通过均衡风险分布，构建了在经济周期不同阶段都能获得稳定收益的策略[16][17] 3. 模型名称：基于宏观因子的资产配置模型 - **模型构建思路**：基于宏观因子模型通过构造增长、通胀、利率、信用、汇率和流动性六大宏观因子，结合主观观点优化资产配置[21][22] - **模型具体构建过程**： 1. 构造因子：通过Factor Mimicking Portfolio方法构造增长、通胀等六大宏观因子[22] 2. 计算因子暴露：每月末计算资产的因子暴露水平，并以风险平价组合为基准，计算基准因子暴露[22] 3. 主观调整：根据对未来一个月的宏观判断，给定主观因子偏离值，结合基准因子暴露，得到资产组合的因子暴露目标[22][23] 4. 优化权重：反解得到下个月的资产配置权重，最终资产组合反映了对六大宏观风险的主观判断[22] - **模型评价**：该模型建立了宏观研究与资产配置研究的桥梁，能够将宏观观点有效落地到资产配置层面[21] --- 模型的回测效果 1. Black-Litterman模型 - 国内资产BL模型1：本周收益0.47%，9月份收益1.10%，2024年收益6.48%，年化波动1.70%，最大回撤0.78%[14][16] - 国内资产BL模型2：本周收益0.28%，9月份收益0.79%，2024年收益5.70%，年化波动1.47%，最大回撤0.65%[14][16] - 全球资产BL模型1：本周收益0.29%，9月份收益1.05%，2024年收益6.93%，年化波动1.96%，最大回撤0.95%[14][16] - 全球资产BL模型2：本周收益0.32%，9月份收益0.84%，2024年收益5.82%，年化波动1.49%，最大回撤0.64%[14][16] 2. 风险平价模型 - 国内资产风险平价模型：本周收益0.24%，9月份收益0.32%，2024年收益4.71%，年化波动1.15%，最大回撤0.37%[20][26] - 全球资产风险平价模型：本周收益0.20%，9月份收益0.13%，2024年收益5.11%，年化波动1.03%，最大回撤0.31%[20][21] 3. 基于宏观因子的资产配置模型 - 基于宏观因子的资产配置模型：本周收益0.25%，9月份收益0.32%，2024年收益4.14%，年化波动1.24%，最大回撤0.45%[25][26]

量化模型与构建方式 1. 超跌反弹信号模型 - **模型名称**：超跌反弹信号 - **模型构建思路**：通过识别市场中超跌的股票，捕捉其反弹机会 - **模型具体构建过程**： - 选择样本内的股票数据（2017年至2024年） - 计算股票的超跌幅度，定义超跌反弹信号 - 统计超跌反弹信号出现后的持有表现，包括后5日和后10日的平均收益率、胜率和盈亏比等指标 - **模型评价**：该模型在识别超跌反弹机会方面表现较好，具有较高的胜率和盈亏比[13][14] 2. 平台突破信号模型 - **模型名称**：平台突破信号 - **模型构建思路**：通过识别股票价格突破平台的信号，捕捉其上涨机会 - **模型具体构建过程**： - 选择样本内的股票数据（2017年至2024年） - 识别股票价格突破平台的信号 - 统计平台突破信号出现后的持有表现，包括后5日和后10日的平均收益率、胜率和盈亏比等指标 - **模型评价**：该模型在识别平台突破机会方面表现较好，具有较高的胜率和盈亏比[14] 模型的回测效果 1. 超跌反弹信号模型 - **后5日平均收益率**：4.56% - **持有5日胜率**：71% - **盈亏比**：1.87 - **后10日平均收益率**：7.22% - **持有10日胜率**：62% - **盈亏比**：1.66 - **平均持有交易日**：5.2 - **平均持有收益**：6.30% - **胜率**：76% - **盈亏比**：2.3[13] 2. 平台突破信号模型 - **后5日平均收益率**：3.30% - **持有5日胜率**：62% - **盈亏比**：1.45 - **后10日平均收益率**：5.10% - **持有10日胜率**：61% - **盈亏比**：1.70 - **平均持有交易日**：9 - **平均持有收益**：6.77% - **胜率**：60% - **盈亏比**：2.15[14] 量化因子与构建方式 1. 流通股本收益率因子 - **因子名称**：流通股本收益率 - **因子的构建思路**：通过衡量各行业板块的流通股本收益率，分析投资者的平均赚钱效应 - **因子具体构建过程**： - 计算各行业板块的流通股本收益率 - 统计各行业板块的历史分位水平 - 分析当前各行业板块的赚钱效应 - **因子评价**：该因子能够有效反映各行业板块的投资者赚钱效应，具有较高的参考价值[10][12] 因子的回测效果 1. 流通股本收益率因子 - **银行板块的赚钱效应**：处于历史72%分位水平，获利比率在所有行业中最高[10][12]

量化模型与构建方式 1. 模型名称：量能择时模型 - **模型构建思路**：通过量能信号判断市场趋势，量能持续提升被视为市场反弹的重要变量[15][23] - **模型具体构建过程**： 1. 统计各宽基指数的量能变化情况 2. 根据量能信号发出“看多”或“谨慎”观点 3. 截至2024年9月20日，上证50和沪深300的量能信号为“看多”，其余宽基指数为“谨慎”[23][24] 2. 模型名称：沪深300上涨家数占比情绪指标 - **模型构建思路**：通过统计沪深300成分股中正收益股票的占比，判断市场情绪状态[24][25] - **模型具体构建过程**： 1. 计算公式： $ \text{沪深300指数N日上涨家数占比} = \frac{\text{过去N日收益大于0的个股数}}{\text{沪深300成分股总数}} $ 2. 当正收益股票占比逐步增多时，市场情绪处于底部；当大部分股票处于正收益状态时，情绪可能过热[24][25] 3. 最近一周该指标震荡向上，上涨家数占比约为27%[25] 3. 模型名称：沪深300上涨家数占比择时模型 - **模型构建思路**：通过对上涨家数占比指标进行平滑处理，捕捉市场情绪变化趋势[26] - **模型具体构建过程**： 1. 对上涨家数占比指标进行两次平滑处理，分别计算短期平滑线和长期平滑线（N=230，N1=50，N2=35） 2. 当短期平滑线大于长期平滑线时，看多市场；反之，对市场持中性态度 3. 当前快线和慢线同步向下，快线处于慢线之下，市场情绪维持谨慎[26] 4. 模型名称：均线情绪指标 - **模型构建思路**：基于八均线体系，通过均线区间值判断市场趋势状态[28][29] - **模型具体构建过程**： 1. 计算沪深300收盘价的八均线数值，均线参数为8、13、21、34、55、89、144、233 2. 赋值规则： - 八均线区间值处于1/2/3时，赋值为-1 - 八均线区间值处于4/5/6时，赋值为0 - 八均线区间值处于7/8/9时，赋值为1 3. 当当前价格大于八均线指标值的数量超过5时，看多沪深300指数[28][29] --- 模型的回测效果 1. 量能择时模型 - 上证50量能信号：看多[23][24] - 沪深300量能信号：看多[23][24] - 其余宽基指数量能信号：谨慎[23][24] 2. 沪深300上涨家数占比情绪指标 - 最近一周上涨家数占比：27%[25] 3. 沪深300上涨家数占比择时模型 - 当前快线和慢线同步向下，快线处于慢线之下，市场情绪维持谨慎[26] 4. 均线情绪指标 - 短期内沪深300指数处于情绪非景气区间[34] --- 量化因子与构建方式 1. 因子名称：横截面波动率因子 - **因子构建思路**：通过横截面波动率衡量市场的Alpha环境，波动率上升表明短期Alpha环境变好[32][35] - **因子具体构建过程**： 1. 计算沪深300、中证500和中证1000指数成分股的横截面波动率 2. 统计近两年、近一年、近半年和近一季度的平均值及分位点[35] 2. 因子名称：时间序列波动率因子 - **因子构建思路**：通过时间序列波动率衡量市场的Alpha环境，波动率上升表明短期Alpha环境变好[35][36] - **因子具体构建过程**： 1. 计算沪深300、中证500和中证1000指数成分股的时间序列波动率 2. 统计近两年、近一年、近半年和近一季度的平均值及分位点[36] --- 因子的回测效果 1. 横截面波动率因子 - 沪深300：近一季度平均值1.73%，占近两年分位点38.30%[35] - 中证500：近一季度平均值1.85%，占近两年分位点42.86%[35] - 中证1000：近一季度平均值2.00%，占近两年分位点51.00%[35] 2. 时间序列波动率因子 - 沪深300：近一季度平均值0.53%，占近两年分位点42.24%[36] - 中证500：近一季度平均值0.40%，占近两年分位点56.35%[36] - 中证1000：近一季度平均值0.23%，占近两年分位点57.37%[36]