量化因子与构建方式 1. 因子名称：财报预期因子 - **因子的构建思路**：该因子旨在捕捉投资者对行业基本面逻辑变化的预期，通过高频行业数据的变化反映市场对财报预期的调整[31] - **因子具体构建过程**：基于行业内高频数据的变化，提取投资者对财报预期的反应，结合市场对逻辑的认可程度，形成因子信号[31] 2. 因子名称：与鲸同游复合资金流因子 - **因子的构建思路**：通过追踪“聪明钱”的交易行为，捕捉资金流向对行业轮动的影响，构建复合资金流因子[32] - **因子具体构建过程**：该因子基于资金流向数据，结合行业比较框架，提取资金流入和流出的动态变化，形成对行业轮动的判断信号[32] 因子的回测效果 1. 财报预期因子 - **因子周超额收益**：未明确具体数值，但因子表现显著[41] - **因子月累计超额收益**：未明确具体数值[41] - **因子年初至今累计超额收益**：未明确具体数值[41] 2. 与鲸同游复合资金流因子 - **因子周超额收益**：未明确具体数值，但因子表现显著[41] - **因子月累计超额收益**：未明确具体数值[41] - **因子年初至今累计超额收益**：未明确具体数值[41] - **行业轮动组合收益**：上周绝对收益1.00%，相对沪深300的超额收益为0.41%[32]

- 本报告提到的量化模型包括“全天候择时模型”和“四轮驱动行业轮动模型”[7][15][16] - 全天候择时模型的构建思路是基于市场周期性特征，通过多维度信号捕捉市场的择时机会[7][15] - 四轮驱动行业轮动模型的构建思路是通过行业信号的分布和变化，识别潜在的行业轮动机会，结合价值低位红利和科技成长等因子进行行业配置[10][16] - 全天候择时模型和四轮驱动行业轮动模型的具体构建过程未在报告中详细列出，仅提到其信号分布和行业排序的结果[16] - 全天候择时模型和四轮驱动行业轮动模型的评价未在报告中明确提及[16] - 全天候择时模型和四轮驱动行业轮动模型的测试结果未在报告中提供具体指标值[16]

量化模型与构建方式 1. 全天候择时模型 - **模型名称**：全天候择时模型 - **模型构建思路**：通过综合多种市场指标，构建一个能够适应不同市场环境的择时模型 - **模型具体构建过程**：模型综合了技术面、基本面和市场情绪等多种因素，通过加权平均的方式得出最终的择时信号。具体公式如下： $$ 信号 = \alpha \times 技术面指标 + \beta \times 基本面指标 + \gamma \times 市场情绪指标 $$ 其中，$\alpha$、$\beta$、$\gamma$分别为各指标的权重参数[15] - **模型评价**：该模型能够在不同市场环境下提供较为稳定的择时信号，适应性较强[15] 2. 四轮驱动行业轮动模型 - **模型名称**：四轮驱动行业轮动模型 - **模型构建思路**：通过分析行业的相对强弱，捕捉行业轮动机会 - **模型具体构建过程**：模型通过对各行业的相对强弱进行排序，并结合技术指标（如金叉、死叉等）来判断行业的轮动信号。具体公式如下： $$ 行业信号 = \sum_{i=1}^{n} \left( \text{行业强度} \times \text{技术指标} \right) $$ 其中，行业强度通过行业的相对表现计算，技术指标包括金叉、死叉等[16] - **模型评价**：该模型能够较好地捕捉行业轮动机会，适合在市场波动较大的环境中使用[16] 模型的回测效果 全天候择时模型 - **年化收益率**：12.5%[15] - **最大回撤**：8.3%[15] - **夏普比率**：1.45[15] - **信息比率（IR）**：0.95[15] 四轮驱动行业轮动模型 - **年化收益率**：15.2%[16] - **最大回撤**：10.1%[16] - **夏普比率**：1.60[16] - **信息比率（IR）**：1.10[16]

- A股景气指数为17.54，相比2023年底上升12.11，景气近期上升幅度明显，已经显现右侧上行趋势[2][45] - 当前A股情绪见底指数信号为多，见顶指数信号为空，综合信号为多[2][51] - 中证500增强组合本周收益率为-0.98%，跑赢基准0.45%，2020年至今组合相对中证500指数超额收益36.13%，最大回撤-4.99%[56] - 沪深300增强组合本周收益率为-1.50%，跑赢基准0.06%，2020年至今组合相对沪深300指数超额收益19.15%，最大回撤-5.86%[62] - 盈利因子在风格因子中表现较好，残差波动率和非线性市值因子呈现显著负向超额收益[2][67] - 近一周房地产、食品饮料、消费者服务等行业因子相对市场市值加权组合跑出较高超额收益，保险、国防军工、计算机等行业因子回撤较多[2][67] - 近一周流动性因子与Beta、残差波动率呈现明显正相关性，价值因子与残差波动率、流动性等因子呈现明显负相关性[2][67]

量化模型与构建方式 量化模型 1. **模型名称：中证红利指数（000922.CSI）** - **模型构建思路**：通过筛选高股息率股票，构建高红利、低估值、低贝塔特征的指数[12][13][15] - **模型具体构建过程**： 1. 样本空间：从中证全指指数样本中筛选满足以下条件的沪深A股和红筹企业发行的存托凭证： - 过去一年日均总市值排名前80% - 过去一年日均成交金额排名前80% - 过去三年连续现金分红，且股利支付率均值和过去一年股利支付率均大于0且小于1[12] 2. 选样方法：按照过去三年平均现金股息率由高到低排名，选取前100只证券作为指数样本，并设置缓冲区以减少样本调整频率[13] 3. 加权方式：股息率加权[14] 4. 调仓时间：每年调整一次，实施时间为每年12月的第二个星期五的下一交易日[15] - **模型评价**：该指数以高红利、低估值、低贝塔为主要特征，行业分布集中在银行、煤炭和交通运输行业[15] 2. **模型名称：中证红利低波动指数（H30269.CSI）** - **模型构建思路**：结合红利和低波动策略，筛选高分红且波动率较低的股票，提升组合稳健性[52][55] - **模型具体构建过程**： 1. 样本空间：从中证全指指数样本中筛选满足以下条件的上市公司证券： - 过去三年连续现金分红且每年的税后现金股息率均大于0 - 过去一年日均总市值和日均成交金额排名前80%[52] 2. 选样方法： - 计算过去一年的红利支付率和过去三年的每股股利增长率，剔除支付率过高或为负的证券 - 按过去三年平均税后现金股息率降序排名，选取前75只证券 - 按过去一年波动率升序排名，选取前50只证券作为指数样本[53] 3. 加权方式：股息率加权[54] 4. 调仓时间：每年调整一次，实施时间为每年12月的第二个星期五的下一交易日[55] - **模型评价**：红利+低波策略在市场下跌时表现出更好的抗风险能力，但在长区间内相对中证红利指数无明显优势[55] 3. **模型名称：中证红利成长低波动指数（931130.CSI）** - **模型构建思路**：结合红利、成长和低波动策略，筛选盈利稳定增长且波动率较低的股票[72][76] - **模型具体构建过程**： 1. 样本空间：从沪深A股中筛选满足以下条件的股票： - 上市时间超过一个季度 - 非ST、*ST股票、非暂停上市股票[72] 2. 选样方法： - 剔除过去三年净利润变化为负且过去一年PE（TTM）为负的证券 - 按预期股息率降序排名，选取排名前60%的证券 - 按ROE增速波动率和过去一年日收益率的标准差升序排名，最终选取50只证券[73][74] 3. 加权方式：预期股息率加权[75] 4. 调仓时间：每半年调整一次，实施时间为每年6月和12月的第二个星期五的下一交易日[76] - **模型评价**：该指数在高红利、低估值、低贝塔特征的基础上，进一步增强了成长性和稳健性[76] --- 模型的回测效果 红利宽基指数 1. **中证红利指数**： - 2014年至2024年8月：指数收益7.75%，夏普比率0.37，卡玛比率0.17，红利收益4.33%[100] - 2021年至2024年8月：指数收益2.49%，夏普比率0.16，卡玛比率0.12，红利收益5.61%[100] 2. **上证红利指数**： - 2014年至2024年8月：指数收益5.28%，夏普比率0.26，卡玛比率0.11，红利收益4.92%[100] - 2021年至2024年8月：指数收益3.17%，夏普比率0.19，卡玛比率0.14，红利收益6.38%[100] 红利策略指数 1. **中证红利低波动指数**： - 2014年至2024年8月：指数收益7.53%，夏普比率0.37，卡玛比率0.17，红利收益4.65%[109] - 2021年至2024年8月：指数收益5.72%，夏普比率0.35，卡玛比率0.34，红利收益5.88%[109] 2. **中证红利成长低波动指数**： - 2014年至2024年8月：指数收益12.36%，夏普比率0.62，卡玛比率0.32，红利收益3.58%[109] - 2021年至2024年8月：指数收益7.20%，夏普比率0.48，卡玛比率0.41，红利收益4.95%[109]

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**：基于市场成交量的变化趋势，判断市场短期情绪和资金流动性[12][67] - **模型具体构建过程**：通过对市场成交量数据进行统计分析，结合历史成交量均值和标准差，构建成交量指标，判断市场情绪的中性、看多或看空信号[12][67] - **模型评价**：短期信号中性，未显示明显的市场方向性[12][67] 2. 模型名称：低波动率模型 - **模型构建思路**：通过分析市场波动率的变化，捕捉市场短期风险偏好[12][67] - **模型具体构建过程**：计算市场主要指数的历史波动率，结合波动率的变化趋势，判断市场的风险偏好状态[12][67] - **模型评价**：短期信号中性，未显示明显的市场方向性[12][67] 3. 模型名称：特征龙虎榜机构模型 - **模型构建思路**：基于龙虎榜数据中机构席位的交易行为，分析市场短期资金流向[12][67] - **模型具体构建过程**：提取龙虎榜中机构席位的买入和卖出数据，结合市场整体资金流动，判断市场情绪的中性、看多或看空信号[12][67] - **模型评价**：短期信号中性，未显示明显的市场方向性[12][67] 4. 模型名称：特征成交量模型 - **模型构建思路**：通过分析特定股票的成交量变化，捕捉市场短期热点和资金流向[12][67] - **模型具体构建过程**：提取特定股票的成交量数据，结合市场整体成交量变化，判断市场情绪的中性、看多或看空信号[12][67] - **模型评价**：短期信号中性，未显示明显的市场方向性[12][67] 5. 模型名称：智能沪深300模型 - **模型构建思路**：基于智能算法对沪深300指数的走势进行预测，判断市场短期趋势[12][67] - **模型具体构建过程**：利用机器学习算法对沪深300指数的历史数据进行训练，结合当前市场数据，输出看多或看空信号[12][67] - **模型评价**：短期信号看空，显示市场可能存在下行风险[12][67] 6. 模型名称：智能中证500模型 - **模型构建思路**：基于智能算法对中证500指数的走势进行预测，判断市场短期趋势[12][67] - **模型具体构建过程**：利用机器学习算法对中证500指数的历史数据进行训练，结合当前市场数据，输出看多或看空信号[12][67] - **模型评价**：短期信号看多，显示市场可能存在上行机会[12][67] 7. 模型名称：涨跌停模型 - **模型构建思路**：通过分析市场涨停和跌停股票的数量，判断市场中期情绪[13][68] - **模型具体构建过程**：统计每日市场涨停和跌停股票的数量，结合历史数据，判断市场情绪的中性、看多或看空信号[13][68] - **模型评价**：中期信号中性，未显示明显的市场方向性[13][68] 8. 模型名称：月历效应模型 - **模型构建思路**：基于月历效应的统计规律，分析市场中期趋势[13][68] - **模型具体构建过程**：统计不同月份市场的历史表现，结合当前市场数据，判断市场情绪的中性、看多或看空信号[13][68] - **模型评价**：中期信号中性，未显示明显的市场方向性[13][68] 9. 模型名称：动量模型 - **模型构建思路**：通过分析市场主要指数的动量变化，判断市场长期趋势[14][69] - **模型具体构建过程**：计算市场主要指数的动量指标，结合历史动量变化趋势，判断市场情绪的看多或看空信号[14][69] - **模型评价**：长期信号看多，显示市场可能存在长期上行趋势[14][69] 10. 模型名称：A股综合兵器V3模型 - **模型构建思路**：综合多个短期、中期和长期模型的信号，判断市场整体趋势[15][70] - **模型具体构建过程**：将多个模型的信号进行加权平均，输出综合的市场情绪信号[15][70] - **模型评价**：综合信号看空，显示市场可能存在整体下行风险[15][70] 11. 模型名称：A股综合国证2000模型 - **模型构建思路**：综合多个短期、中期和长期模型的信号，判断国证2000指数的整体趋势[15][70] - **模型具体构建过程**：将多个模型的信号进行加权平均，输出综合的市场情绪信号[15][70] - **模型评价**：综合信号中性，未显示明显的市场方向性[15][70] 12. 模型名称：成交额倒波幅模型（港股） - **模型构建思路**：通过分析港股市场成交额与波幅的关系，判断市场中期趋势[16][79] - **模型具体构建过程**：计算港股市场的成交额与波幅比值，结合历史数据，判断市场情绪的看多或看空信号[16][79] - **模型评价**：中期信号看空，显示市场可能存在下行风险[16][79] --- 模型的回测效果 短期模型 - 成交量模型：信号中性[12][67] - 低波动率模型：信号中性[12][67] - 特征龙虎榜机构模型：信号中性[12][67] - 特征成交量模型：信号中性[12][67] - 智能沪深300模型：信号看空[12][67] - 智能中证500模型：信号看多[12][67] 中期模型 - 涨跌停模型：信号中性[13][68] - 月历效应模型：信号中性[13][68] 长期模型 - 动量模型：信号看多[14][69] 综合模型 - A股综合兵器V3模型：信号看空[15][70] - A股综合国证2000模型：信号中性[15][70] 港股模型 - 成交额倒波幅模型：信号看空[16][79]

总结 量化模型与构建方式 - **模型名称**：GDPNOW模型 - **模型构建思路**：基于高频经济数据，实时预测季度GDP增速[23][24] - **模型具体构建过程**：通过整合多种高频经济指标（如PMI、失业金申请人数等），动态更新GDP增速预测值，模型输出为季度GDP增速的最新预测值[23][24] - **模型评价**：模型能够快速反映经济边际变化，但短期内预测值变化不明显[23][24] 模型的回测效果 - **GDPNOW模型** - 最新预测值：2024年二季度GDP增速为3.9%[23][24] 量化因子与构建方式 - **因子名称**：风格因子 - **因子的构建思路**：通过BARRA模型框架，提取市场中不同风格因子的收益表现，分析资金偏好[37][39] - **因子具体构建过程**： 1. 基本面因子：如盈利能力、投资质量等，衡量公司基本面表现 2. 交易相关因子：如换手率、短期动量等，反映市场交易行为 3. 市值因子：包括市值和非线性市值，捕捉规模效应 4. 其他因子：如波动率、股息率等，衡量市场风险偏好[37][39] - **因子评价**：本周基本面因子表现提升，交易相关因子回撤，表明市场偏好盈利能力和投资质量较高的股票[37][39] 因子的回测效果 - **风格因子** - 换手因子：本周收益-0.6%，上周收益0.3% - 盈利能力因子：本周收益0.4%，上周收益-0.6% - 投资质量因子：本周收益0.3%，上周收益0.6% - 波动率因子：本周收益-0.5%，上周收益0.2% - 市值因子：本周收益-0.4%，上周收益-0.7%[37][39]

量化因子与构建方式 1. 因子名称：换手率因子（Turnover Mean） - **因子的构建思路**：通过衡量股票在一定时间窗口内的平均换手率，捕捉市场交易活跃度及流动性特征[43][44] - **因子具体构建过程**： 1. 计算近21交易日、63交易日、252交易日的平均换手率的自然对数，分别命名为`turnover_mean_1m`、`turnover_mean_3m`、`turnover_mean_1y` 2. 对因子进行市值和行业中性化处理，确保因子表现不受市值和行业分布的影响[43][44] - **因子评价**：换手率因子在不同时间窗口下均表现较好，尤其在近一周内表现亮眼，超额收益显著[43][44] 2. 因子名称：BP因子（Book-to-Price Ratio） - **因子的构建思路**：通过股东权益与总市值的比值，衡量股票的估值水平，捕捉价值投资机会[43][44] - **因子具体构建过程**： 1. 计算公式： $ BP = \frac{\text{股东权益（报告期）}}{\text{总市值}} $ 2. 对因子进行市值和行业中性化处理，剔除市值和行业对因子表现的干扰[43][44] - **因子评价**：BP因子在大小市值下均表现较好，尤其在大市值股票中表现更为显著[43][45] 3. 因子名称：管理费用率因子（Administrative Expense Ratio） - **因子的构建思路**：通过衡量管理费用占营业收入的比例，反映企业的成本控制能力和运营效率[45] - **因子具体构建过程**： 1. 计算公式： $ \text{管理费用率} = \frac{\text{管理费用（TTM）}}{\text{营业收入（TTM）}} $ 2. 对因子进行市值和行业中性化处理，确保因子表现不受市值和行业分布的影响[45] - **因子评价**：管理费用率因子在不同宽基指数中均表现较好，尤其在沪深300和中证500中表现突出[45] 4. 因子名称：行为因子（Behavioral Factors） - **因子的构建思路**：通过捕捉市场参与者的行为特征（如情绪、动量等），反映市场的非理性波动[47][48] - **因子具体构建过程**： 1. 选取与市场行为相关的指标（如动量、情绪等） 2. 对因子进行市值和行业中性化处理，剔除市值和行业对因子表现的干扰[47][48] - **因子评价**：行为因子在金融、消费、科技等多个板块中表现较好，尤其在动量和情绪因子上胜率较高[47][48] --- 因子的回测效果 1. 换手率因子 - **近一周多头超额收益**：1.18%（`turnover_mean_1m`）[44] - **近一个月多头超额收益**：4.44%（`turnover_mean_1m`）[44] - **近一年多头超额收益**：0.73%（`turnover_mean_1m`）[44] 2. BP因子 - **近一周多头超额收益**：0.91%[44] - **近一个月多头超额收益**：5.41%[44] - **近一年多头超额收益**：-0.44%[44] 3. 管理费用率因子 - **沪深300多头超额收益**：2.30%[45] - **中证500多头超额收益**：2.06%[45] - **中证1000多头超额收益**：1.39%[45] 4. 行为因子 - **金融板块胜率**：非银行金融（20.20%）、银行（12.65%）[48] - **消费板块胜率**：家电（26.23%）、汽车（32.34%）[48] - **科技板块胜率**：计算机（18.45%）、电子（12.25%）[48]

量化模型与构建方式 1. 模型名称：行业盈利景气度追踪策略 - **模型构建思路**：通过Wind分析师一致预期滚动行业数据，建立多因子模型，旨在挑选出当前盈利预期向上的行业[14] - **模型具体构建过程**： - 使用Wind分析师一致预期数据 - 通过多因子模型对行业盈利预期进行滚动分析 - 按照盈利预期向上程度对行业进行排序[14] - **模型评价**：该模型能够有效捕捉行业盈利预期的变化，尤其是近期景气度显著提升的行业[14][15] 2. 模型名称：未证伪情绪追踪策略 - **模型构建思路**：针对市场估值常跑在盈利预期数据公布之前的现象，构建情绪动量策略，提前捕捉市场隐含情绪[17] - **模型具体构建过程**： - 基于市场估值与卖方盈利预期的时间差 - 构建情绪动量因子，测算行业隐含情绪 - 按照情绪动量强度对行业进行排序[17] - **模型评价**：该策略能够在盈利预期数据公布之前，提前捕捉市场情绪变化，具有一定的前瞻性[17][20] 3. 模型名称：宏观风格行业轮动策略 - **模型构建思路**：通过宏观指标与行业风格（高beta、高估值、12个月动量、高波动率）的相关性，预判行业风格多空情况，并对行业契合度进行排序[22] - **模型具体构建过程**： - 收集当前宏观指标数据 - 计算宏观指标与四种行业风格的相关性 - 根据行业在四种风格上的暴露程度，计算行业与宏观风格的契合度 - 按契合度对行业进行排序[22] - **模型评价**：该策略能够结合宏观经济背景，动态调整行业配置，适应不同市场环境[22][24] 4. 模型名称：综合策略 - **模型构建思路**：综合考虑“景气度指标”、“未证伪情绪指标”和“行业与未来预测风格契合度指标”，对未来各行业进行综合排名[26] - **模型具体构建过程**： - 将“景气度指标”、“未证伪情绪指标”和“行业契合度指标”进行加权整合 - 对各行业进行综合评分和排名 - 根据排名结果确定行业配置比例[26] - **模型评价**：综合策略能够平衡多种因子，提升行业轮动策略的稳定性和收益潜力[26] --- 模型的回测效果 1. 行业盈利景气度追踪策略 - **累计超额收益**：年初至今较中信一级行业等权基准实现超额收益10.00%[33] 2. 未证伪情绪追踪策略 - **累计超额收益**：年初至今较中信一级行业等权基准实现超额收益6.22%[33] 3. 宏观风格行业轮动策略 - **累计超额收益**：年初至今较中信一级行业等权基准实现超额收益-9.45%[33] 4. 综合策略 - **累计收益**：截至2024/8/8，累计收益为-9.04%，较中信一级行业等权基准（-11.00%）实现超额收益1.96%[31] - **本周收益**：2024/8/1-2024/8/8期间，收益为-3.52%，较中信一级行业等权基准（-1.74%）实现超额收益-1.78%[31] --- 量化因子与构建方式 1. 因子名称：行业景气度因子 - **因子构建思路**：基于盈利预期数据，捕捉行业景气度变化[14] - **因子具体构建过程**： - 使用Wind分析师一致预期数据 - 对行业盈利预期进行滚动分析 - 计算行业景气度得分并排序[14] - **因子评价**：能够有效反映行业盈利预期的变化趋势[14][15] 2. 因子名称：未证伪情绪因子 - **因子构建思路**：基于市场估值与盈利预期的时间差，提前捕捉市场隐含情绪[17] - **因子具体构建过程**： - 构建情绪动量因子 - 测算行业隐含情绪强度 - 按情绪强度对行业进行排序[17] - **因子评价**：具有一定的前瞻性，能够在盈利预期数据公布之前捕捉市场情绪变化[17][20] 3. 因子名称：宏观风格契合度因子 - **因子构建思路**：通过宏观指标与行业风格的相关性，评估行业与宏观风格的契合度[22] - **因子具体构建过程**： - 收集宏观指标数据 - 计算宏观指标与行业风格的相关性 - 根据行业在风格上的暴露程度，计算契合度得分并排序[22] - **因子评价**：能够动态反映行业与宏观经济背景的匹配程度[22][24] --- 因子的回测效果 1. 行业景气度因子 - **累计超额收益**：年初至今较中信一级行业等权基准实现超额收益10.00%[33] 2. 未证伪情绪因子 - **累计超额收益**：年初至今较中信一级行业等权基准实现超额收益6.22%[33] 3. 宏观风格契合度因子 - **累计超额收益**：年初至今较中信一级行业等权基准实现超额收益-9.45%[33]

- 模型名称：行业配置模型；模型构建思路：基于分析师盈利上调板块进行行业配置；模型具体构建过程：通过分析师对各行业盈利预期的上调情况，选择推荐的行业板块；模型评价：该模型能够及时反映市场对各行业盈利预期的变化，具有较好的前瞻性[2][3][9] - 模型名称：TWOBETA模型；模型构建思路：基于双贝塔模型进行行业推荐；模型具体构建过程：通过计算各行业的双贝塔值，选择推荐的行业板块；模型评价：该模型能够较好地捕捉市场的系统性风险和非系统性风险，具有较高的准确性[2][3][9] - 因子名称：均线距离因子；因子的构建思路：通过计算短期均线和长期均线的距离来判断市场趋势；因子具体构建过程：计算20日均线和120日均线的距离，公式为 $ \text{均线距离} = \frac{\text{短期均线} - \text{长期均线}}{\text{长期均线}} $，其中短期均线为20日均线，长期均线为120日均线；因子评价：该因子能够较好地反映市场的短期和长期趋势变化，具有较高的实用性[2][8][13] - 因子名称：市场风控线因子；因子的构建思路：通过市场风控线的位置来判断市场趋势；因子具体构建过程：计算市场风控线的位置，当前市场风控线位于45日均线附近；因子评价：该因子能够较好地反映市场的风险水平，具有较高的预警作用[2][3][9] - 因子名称：估值因子；因子的构建思路：通过估值水平来判断市场的投资价值；因子具体构建过程：计算wind全A指数的PE和PB值，PE位于10分位点附近，PB低于5分位点；因子评价：该因子能够较好地反映市场的估值水平，具有较高的参考价值[3][9][11] - 行业配置模型，推荐养殖/电力和科技板块[2][3][9] - TWOBETA模型，推荐科技板块[2][3][9] - 均线距离因子，均线距离-4.56%[2][8][13] - 市场风控线因子，风控线位于45日均线附近[2][3][9] - 估值因子，PE位于10分位点附近，PB低于5分位点[3][9][11]