根据提供的文档内容，没有涉及量化模型或量化因子的具体构建、公式、测试结果等相关内容，因此无法按照任务要求总结出相关内容

量化模型与构建方式 1. 模型名称：戴维斯双击组合 - **模型构建思路**：以较低的市盈率（PE）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，从而实现EPS和PE的“双击”效应[1][7] - **模型具体构建过程**：通过PEG指标评估股票定价的合理性，筛选出业绩增速加速增长的标的，理论上这些标的的PE向下空间能得到有效控制[7] - **模型评价**：策略在回测期内表现出较高的稳定性，7个完整年度的超额收益均超过11%[10] 2. 模型名称：净利润断层组合 - **模型构建思路**：结合基本面和技术面，通过“净利润惊喜”和“断层跳空”两个核心要素筛选股票[2][13] - **模型具体构建过程**：每期筛选过去两个月内业绩预告和正式财报中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，选取前50只股票等权构建组合[13] - **模型评价**：策略在2010年至今的年化收益和超额收益均表现优异，显示出较强的选股能力[15] 3. 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（GARP型、成长型、价值型）构建组合，分别通过PBROE因子和PEG因子筛选股票[3][17] - **模型具体构建过程**： - **PBROE因子**：以PB与ROE的分位数之差构建，筛选估值低且盈利能力强的股票[17] - **PEG因子**：以PE与增速的分位数之差构建，筛选价值被低估且成长潜力可靠的股票[17] - **成长型因子**：通过营业收入、毛利润、净利润增速筛选高速成长的股票[17] - **价值型因子**：偏好长期稳定高ROE的公司[17] - **模型评价**：历史回测显示超额收益稳定，能够较好地捕捉沪深300指数的增强收益[17] --- 模型的回测效果 1. 戴维斯双击组合 - 年化收益：26.45%[10] - 年化超额收益：21.08%[10] - 全样本超额收益：21.88%[8] - 最大相对回撤：-16.69%[8] - 收益回撤比：1.31[8] 2. 净利润断层组合 - 年化收益：26.89%[15] - 年化超额收益：26.57%[15] - 全样本超额收益：26.57%[15] - 最大相对回撤：-19.09%[15] - 收益回撤比：1.39[15] 3. 沪深300增强组合 - 年化收益：8.18%[17] - 年化超额收益：8.67%[17] - 全样本超额收益：8.67%[17] - 最大相对回撤：-9.18%[17] - 收益回撤比：0.94[17]

- 沪深300指数快慢线差值在2024年3月26日触发金叉信号，快慢线差向上突破0，本周继续回落[11][15][17] - 创业板指快慢线差值在2024年7月11日触发金叉信号，本周继续上升[12][16][20] - 扩散指数排名前六的中信一级行业分别是银行、家电、电力及公用事业、煤炭、石油石化、有色金属[12][40] - 本周宽基ETF中，沪深300ETF流入居前，行业ETF中，红利ETF基金流入居前[15][33][36] - 本周行业/主题ETF净流入前五的行业分别是红利ETF基金、半导体ETF、芯片ETF、红利低波ETF基金和芯片ETF[13][57][58] - 本周中信一级行业中融资余额上升最多的五个行业分别是消费者服务、非银行金融、银行、轻工制造和交通运输[14][51][53] - 本周中信一级行业中北向资金成交净买入最多的五个行业分别是食品饮料、医药、电力及公用事业、交通运输和房地产[14][55][56] - 本周北向资金净流入居前的个股有东山精密、贵州茅台、紫金矿业、中国船舶、深南电路[14][64][65] - 本周北向资金净流出居前的个股有美的集团、宁德时代、中际旭创、格力电器、比亚迪[66][67] - 下周预计解禁规模居前的公司有海通证券、乖宝宠物、固高科技、义翘神州、五矿新能[14][69][70]

量化模型与构建方式 1. 模型名称：沪深300上涨家数占比情绪指标 - 模型构建思路：通过计算沪深300指数成分股的近期正收益个数来判断市场情绪[30] - 模型具体构建过程： 1. 计算沪深300指数N日上涨家数占比 = 沪深300指数成分股过去N日收益大于0的个股数占比 2. 对指标进行两次不同窗口期的平滑，分别称之为慢线和快线，其中N1>N2 3. 当快线>慢线时，看多沪深300指数[30][32][33] - 模型评价：该指标可以较快捕捉上涨机会，但在对下跌市场的判断存在缺陷，难以有效规避下跌风险[30] 2. 模型名称：均线情绪指标 - 模型构建思路：通过八均线体系的使用方式，以指标区间对标的指数的趋势状态进行判断[36] - 模型具体构建过程： 1. 计算沪深300收盘价八均线数值，均线参数为8，13，21，34，55，89，144，233 2. 将八均线区间值处于1/2/3时对八均线指标值赋值为-1，处于4/5/6时赋值为0，处于7/8/9时赋值为1 3. 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[36][38][39] - 模型评价：通过这种划分，指标值状态与沪深300的涨跌变化规律更加清晰[36] 模型的回测效果 1. 沪深300上涨家数占比情绪指标 - 情绪景气区间：沪深300策略净值0.8-1.0[35] 2. 均线情绪指标 - 沪深300指数净值：1.0-1.6[38] 量化因子与构建方式 1. 因子名称：横截面波动率 - 因子的构建思路：通过计算指数成分股的横截面波动率来判断短期Alpha环境[40] - 因子具体构建过程： 1. 计算沪深300、中证500、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、近一季度的平均值及其分位点[42][43] - 因子评价：横截面波动率下行，短期Alpha环境环比上周变差[40] 2. 因子名称：时间序列波动率 - 因子的构建思路：通过计算指数成分股的时间序列波动率来判断短期Alpha环境[41] - 因子具体构建过程： 1. 计算沪深300、中证500、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、近一季度的平均值及其分位点[45][47] - 因子评价：时间序列波动率下行，短期Alpha环境环比上周变差[41] 因子的回测效果 1. 横截面波动率 - 沪深300横截面波动率：近一季度平均值1.76%，近一季度平均值占近两年分位37.40%[42] - 中证500横截面波动率：近一季度平均值1.87%，近一季度平均值占近两年分位30.95%[42] - 中证1000横截面波动率：近一季度平均值2.02%，近一季度平均值占近两年分位52.19%[42] 2. 时间序列波动率 - 沪深300时间序列波动率：近一季度平均值0.54%，近一季度平均值占近两年分位39.05%[45] - 中证500时间序列波动率：近一季度平均值0.41%，近一季度平均值占近两年分位42.86%[45] - 中证1000时间序列波动率：近一季度平均值0.24%，近一季度平均值占近两年分位54.58%[45]

根据提供的文档内容，未发现与量化模型或量化因子相关的具体构建方式、公式或测试结果等内容，因此无法提取相关信息总结

量化模型与构建方式 1. 模型名称：PB-ROE-50组合 - **模型构建思路**：基于PB（市净率）和ROE（净资产收益率）两个核心指标，筛选出具有较高投资价值的股票组合[23] - **模型具体构建过程**：以PB和ROE为核心因子，结合中证500和中证800股票池，构建50只股票的投资组合。具体调仓周期和权重分配未在报告中详细说明[23] - **模型评价**：该模型在中证500和中证800股票池中表现出较好的超额收益能力，但在全市场股票池中表现不佳[23][24] 2. 模型名称：大宗交易组合 - **模型构建思路**：基于“大宗交易成交金额比率”和“6日成交金额波动率”两个指标，筛选出高成交、低波动的股票[30] - **模型具体构建过程**：通过月频调仓方式，选择“大宗交易成交金额比率”较高且“6日成交金额波动率”较低的股票，构建投资组合[30] - **模型评价**：该模型利用大宗交易的特性，提炼出超额收益信息，表现出一定的投资价值[30] 3. 模型名称：定向增发组合 - **模型构建思路**：基于定向增发事件效应，结合市值因素、调仓周期及仓位控制，筛选出具有投资价值的股票[35] - **模型具体构建过程**：以股东大会公告日为时间节点，综合考虑市值因素、调仓周期及仓位控制，构建定向增发事件驱动的选股组合[35] - **模型评价**：该模型通过事件驱动策略，捕捉定向增发带来的超额收益，具有一定的投资参考价值[35] --- 模型的回测效果 1. PB-ROE-50组合 - **中证500股票池**：本周超越基准收益率0.88%，今年以来超额收益率10.90%[24] - **中证800股票池**：本周超越基准收益率1.04%，今年以来超额收益率7.49%[24] - **全市场股票池**：本周超越基准收益率-0.30%，今年以来超额收益率2.40%[24] 2. 大宗交易组合 - **本周超越基准收益率**：1.36%[31] - **今年以来超额收益率**：-11.69%[31] 3. 定向增发组合 - **本周超越基准收益率**：1.87%[36] - **今年以来超额收益率**：-15.12%[36] --- 量化因子与构建方式 1. 因子名称：盈利因子 - **因子的构建思路**：衡量企业盈利能力，捕捉盈利能力较强的股票[17] - **因子具体构建过程**：未详细说明具体计算方法，仅提到该因子在全市场股票池中表现良好[17] 2. 因子名称：成长因子 - **因子的构建思路**：衡量企业成长性，捕捉成长性较高的股票[17] - **因子具体构建过程**：未详细说明具体计算方法，仅提到该因子在全市场股票池中表现良好[17] 3. 因子名称：杠杆因子 - **因子的构建思路**：衡量企业杠杆水平，捕捉杠杆水平适中的股票[17] - **因子具体构建过程**：未详细说明具体计算方法，仅提到该因子在全市场股票池中表现良好[17] 4. 因子名称：流动性因子 - **因子的构建思路**：衡量股票的流动性，捕捉流动性较高的股票[17] - **因子具体构建过程**：未详细说明具体计算方法，仅提到该因子在全市场股票池中表现较差[17] 5. 因子名称：非线性市值因子 - **因子的构建思路**：衡量市值对股票收益的非线性影响[17] - **因子具体构建过程**：未详细说明具体计算方法，仅提到该因子在全市场股票池中表现较差[17] 6. 因子名称：市值因子 - **因子的构建思路**：衡量市值对股票收益的线性影响[17] - **因子具体构建过程**：未详细说明具体计算方法，仅提到该因子在全市场股票池中表现较差[17] --- 因子的回测效果 1. 盈利因子 - **全市场股票池**：本周收益0.29%[17] 2. 成长因子 - **全市场股票池**：本周收益0.23%[17] 3. 杠杆因子 - **全市场股票池**：本周收益0.22%[17] 4. 流动性因子 - **全市场股票池**：本周收益-0.72%[17] 5. 非线性市值因子 - **全市场股票池**：本周收益为负，具体数值未披露[17] 6. 市值因子 - **全市场股票池**：本周收益为负，具体数值未披露[17]

量化模型与构建方式 1. **模型名称：超跌反弹信号** - 模型构建思路：通过识别行业板块的超跌状态，捕捉后续反弹机会[14] - 模型具体构建过程：当行业流通股本收益率低于历史阈值时触发信号，统计显示信号出现后5日平均收益率为4.56%，胜率71%，盈亏比1.87[14] 2. **模型名称：平台突破信号** - 模型构建思路：监测行业价格突破长期盘整平台后的趋势延续性[14] - 模型具体构建过程：信号触发后5日平均收益率为3.30%，胜率62%，平均持有9个交易日时累计收益达6.77%[14] 3. **模型名称：顶部预警信号** - 模型构建思路：识别高股息板块等过热行业的见顶风险[15] - 模型具体构建过程：通过中证红利指数相对万得全A的比值阈值监控，5月底曾触发预警[15][16] 4. **模型名称：股价抛压模型** - 模型构建思路：基于流通股本分布计算行业上行阻力[17] - 模型具体构建过程：量化理论抛压与实际股价压力的偏离度，2024年8月数据显示大消费板块抛压最小[17][18] 模型的回测效果 1. **超跌反弹模型** - 后5日收益率：4.56% - 5日胜率：71% - 盈亏比：1.87 - 10日收益率：7.22%[14] 2. **平台突破模型** - 后5日收益率：3.30% - 5日胜率：62% - 盈亏比：1.45 - 平均持有收益：6.77%[14] 3. **抛压模型组合** - 回测超额收益：15%（相对万得全A）[18] 量化因子与构建方式 1. **因子名称：流通股本收益率** - 因子构建思路：反映投资者平均赚钱效应[10] - 因子具体构建过程：计算行业流通股持有者的加权平均收益率，银行板块当前处于历史95%分位[10][12] 2. **因子名称：获利盘比率** - 因子构建思路：衡量当前盈利持仓占比[13] - 因子评价：银行板块获利比率最高[13] 3. **因子名称：风格分化因子** - 因子构建思路：监控大盘价值与小盘成长的收益差[20] - 因子具体构建过程：当前分化程度达历史95%分位，提示小盘成长潜在反弹机会[20][22] 因子的回测效果 1. **流通股本收益率因子** - 银行板块分位数：95%[12] 2. **风格分化因子** - 当前差值分位数：95%[22]

根据提供的证券研究报告内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **短期择时模型** - 模型构建思路：基于基本面、估值面、情绪面和流动性四个维度的指标进行综合判断，生成市场短期走势信号[32] - 模型具体构建过程： 1. **基本面指标**：制造业PMI分位数（16.81%）、中长期贷款余额同比增速分位数（0%）、M1同比增速分位数（9.24%），均触发谨慎信号[32] 2. **估值面指标**：A股整体PE分位数（2.52%）、PB分位数（0.45%），触发乐观信号[32] 3. **情绪面指标**：Beta离散度分位数（9.24%）、量能情绪分位数（45.93%）、波动率分位数（53.29%），综合触发乐观信号[32] 4. **流动性指标**：货币利率分位数（46.22%）、汇率预期分位数（47.90%），触发中性信号[32] - 模型评价：通过多维度指标动态加权，有效降低回撤风险[31] 2. **成长价值风格轮动模型** - 模型构建思路：结合基本面周期、估值差和情绪指标判断成长/价值风格占优[42] - 模型具体构建过程： 1. **基本面信号**：盈利周期斜率（-12.5）利好价值，利率周期（-33.33）利好成长，信贷周期（-4.58）利好价值[43] 2. **估值信号**：成长价值PE差分位数（7.79%）利好成长，PB差分位数（13.22%）触发均衡[43] 3. **情绪信号**：换手差分位数（5%）和波动差分位数（75.05%）均利好价值[43] - 模型评价：在经济周期拐点处表现突出[42] 3. **小盘大盘风格轮动模型** - 模型构建思路：与成长价值模型类似，但指标替换为小盘/大盘相关参数[46] - 模型具体构建过程： 1. **基本面信号**：盈利周期斜率（-12.5）利好大盘，利率周期（-33.33）利好小盘[47] 2. **估值信号**：小盘大盘PE差分位数（31.53%）和PB差分位数（32.72%）均利好小盘[47] 3. **情绪信号**：换手差分位数（9.77%）和波动差分位数（89.24%）均利好大盘[47] - 模型评价：在流动性宽松环境下超额收益显著[46] 4. **四风格轮动模型** - 模型构建思路：整合成长价值和小盘大盘模型，生成四象限配置建议[50] - 模型具体构建过程：将成长价值和小盘大盘信号矩阵交叉，当前输出配置比例为大盘价值50%、大盘成长25%、小盘价值25%、小盘成长0%[51] - 模型评价：分散化配置降低单一风格风险[50] 模型的回测效果 1. **短期择时模型** - 年化收益率：12.53%（基准3.34%）[39] - 最大回撤：17.02%（基准31.41%）[39] - 夏普比率：0.7707（基准0.1688）[39] - 2024年收益率：0.10%（基准-4.82%）[39] 2. **成长价值风格轮动模型** - 年化收益率：11.43%（基准5.52%）[44] - 最大回撤：43.07%（基准44.13%）[44] - 2024年收益率：8.93%（基准-1.24%）[44] 3. **小盘大盘风格轮动模型** - 年化收益率：10.47%（基准5.31%）[48] - 最大回撤：50.65%（基准53.70%）[48] - 2024年收益率：-9.03%（基准-6.10%）[48] 4. **四风格轮动模型** - 年化收益率：12.37%（基准5.95%）[51] - 最大回撤：47.79%（基准49.07%）[51] - 2024年收益率：1.56%（基准-3.70%）[51] 量化因子与构建方式 1. **情绪面复合因子** - 因子构建思路：综合价格、量能、波动率等子因子生成情绪得分[8] - 因子具体构建过程： - 价格情绪得分：布林带（-1.0）、MACD（-0.5）、RSI（0.34）等指标标准化加权[8] - 量能情绪得分：换手率（-0.72）和成交量（-0.18）分位数加权[8] - 最终复合情绪得分公式： $$ \text{复合情绪得分} = 0.3 \times \text{价格得分} + 0.4 \times \text{量能得分} + 0.3 \times \text{波动率得分} $$ - 因子评价：对市场拐点敏感度高[8] 2. **风格情绪因子** - 因子构建思路：分风格计算情绪得分差异[11] - 因子具体构建过程： - 大盘价值得分：-0.77（本周），中盘成长得分：-0.26（本周）[11] - 通过各风格情绪得分的横截面比较生成轮动信号[11] - 因子评价：捕捉风格极端分化后的均值回归[11] 因子的回测效果 1. **情绪面复合因子** - 本周得分：-0.51（历史分位数45.93%）[32] - 与市场收益率相关性：-0.62（近1年）[8] 2. **风格情绪因子** - 价值风格得分：-0.77（近1周），成长风格得分：-0.72[11] - 风格收益差异解释力：R²=0.41（近3年）[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. **资金流动跟踪模型** - 模型构建思路：通过跟踪全球各类资产（股票、债券、黄金等）的资金流入流出情况，分析市场趋势和投资者偏好[3][4][5] - 模型具体构建过程： 1. 数据来源：EPFR和Wind数据库[21][25][31] 2. 计算单周资金净流入/流出金额： $$净流入 = 流入金额 - 流出金额$$ 3. 计算资金流动占净资产比例： $$资金流动比例 = \frac{单周资金净流入}{净资产规模} \times 100\%$$ 4. 对资金流动进行连续性和趋势分析[24][27][30] 2. **行业资金流动模型** - 模型构建思路：分析不同行业（如科技、金融、医疗健康等）的资金流动情况，识别资金偏好行业[60][64] - 模型具体构建过程： 1. 按行业分类统计资金流入流出金额[61][65] 2. 计算行业资金流动占净资产比例[61][65] 3. 分析资金流动的连续性和变化趋势[63][67] 3. **风格资金流动模型** - 模型构建思路：跟踪不同投资风格（大盘、小盘、成长、价值）的资金流动情况[68][71][74][77] - 模型具体构建过程： 1. 按风格分类统计资金流入流出金额[69][72][75][78] 2. 分析资金流动的连续性和变化趋势[70][73][76][79] 量化因子与构建方式 1. **单周资金净流入因子** - 因子构建思路：衡量单周资金净流入的绝对金额[3][4][5] - 因子具体构建过程： $$单周资金净流入 = 流入金额 - 流出金额$$ 数据来源：EPFR和Wind数据库[21][25][31] 2. **资金流动比例因子** - 因子构建思路：衡量资金流动占净资产的比例[61][65] - 因子具体构建过程： $$资金流动比例 = \frac{单周资金净流入}{净资产规模} \times 100\%$$ 3. **资金流动连续性因子** - 因子构建思路：衡量资金流动的连续性（如连续净流入周数）[24][27][30] - 因子具体构建过程：统计连续净流入或净流出的周数[70][73][76][79] 模型的回测效果 1. **资金流动跟踪模型** - 截至8月7日，股票净流入97亿美元，债券净流入100亿美元，黄金净流出3.6亿美元[3] - 国债连续14周净流入，单周净流入44亿美元[27] - 投资级债券连续净流入，单周净流入118亿美元[31] 2. **行业资金流动模型** - 美国科技行业净流入27亿美元，占规模的0.6%[61] - 中国科技行业净流入8亿美元，占规模的1.2%[65] 3. **风格资金流动模型** - 全球大盘风格净流入140亿美元，连续16周净流入[70] - 全球小盘风格净流出34亿美元[73] 因子的回测效果 1. **单周资金净流入因子** - 股票ETF单周净流入219亿美元[84] - 债券ETF单周净流入32亿美元[84] 2. **资金流动比例因子** - 美国公用事业行业资金流动比例为1.2%[61] - 中国金融行业资金流动比例为-0.8%[65] 3. **资金流动连续性因子** - 国债连续14周净流入[27] - 投资级债券自2月至今保持连续净流入[31]

量化模型与构建方式 1. 模型名称：投资者情绪指数 - **模型构建思路**：通过主成分分析法提取市场情绪的核心变量，形成可持续更新的情绪指数，用于监控投资者情绪水平及其变动[27][29] - **模型具体构建过程**： 1. 数据来源：Wind、中信数量化投资分析系统、中登等，数据频率为周频[26][30] 2. 选取变量：包括市场整体市盈率（P/E）、市净率（P/B）、换手率（TURNOVER），以及市场结构类指标（如ADV/DEC、ARMS等）[26] 3. 数据标准化处理，消除量纲影响[28] 4. 采用主成分分析法提取第一主成分（投资者情绪水平指数）和第二主成分（投资者情绪变动指数）[29] 5. 滚动计算，头尾相连形成指数[28] - **模型评价**：情绪指数能够提前1-2个月预测股市的大顶和大底，具有较强的前瞻性[33] 2. 模型名称：大小盘风格指针 - **模型构建思路**：通过多项指标加权计算，形成风格指针值，用于判断大小盘风格轮动趋势[52][54] - **模型具体构建过程**： 1. 指标选取：包括技术指标（如12月RSI）、波动性（如上证指数波动率）、盈利状况（如工业增加值）、通货膨胀（如CPI）、货币环境（如M1增速、流动比率、短期利率）[53] 2. 计算公式： $ 风格指针_t = \sum_{i=1}^{n} W_{i,t} \cdot Factor_{i,t} $ 其中，$ W_{i,t} $ 为权重，$ Factor_{i,t} $ 为各指标值[53] 3. 风格指针值大于5时，倾向于大盘股；小于-5时，倾向于小盘股[53] - **模型评价**：风格指针在大趋势判断上准确率接近60%，并能通过调整投资组合超越全市场约80%[55][56] 3. 模型名称：价值动量模型 - **模型构建思路**：结合价值因子和动量因子，捕捉高E/P和高B/P股票的超额收益机会，同时利用动量信号捕捉强势行业和个股的惯性[88][91] - **模型具体构建过程**： 1. 基础股票池：沪深300[92] 2. 交易成本：0.3%[92] 3. 因子选取： - 价值因子：高E/P（盈利角度看估值安全）、高B/P（净资本角度看估值安全）[90] - 动量因子：长期动量信号捕捉强势行业和个股惯性，短期反转因子修正[91] 4. 模型回测：2003-2009年，月平均收益率为0.95%，超额收益标准差为0.0262，每期换手率平均为52.07%，入选股票数量为31.46支[92] - **模型评价**：价值动量模型在上涨和下跌市场中均表现出较强的抗跌性和超额收益能力[90][92] 4. 模型名称：GARP选股策略 - **模型构建思路**：兼顾成长与价值，通过价值成长矩阵打分，筛选出具有持续性表现的股票[77][83] - **模型具体构建过程**： 1. 数据来源：财务指标和价格数据来自中信证券数量化分析系统，预测数据来自一致预期[81] 2. 指标选取： - 成长指标：预测EPS增长率、上年销售净利率、净利润增长率、ROE、ROE标准差[81] - 价值指标：预测P/E、预测P/E/G、历史市净率（P/B）、历史市销率（P/S）、历史EV/EBITDA[81] 3. 打分方法： - 成长指标按顺序排序打分，价值指标按倒序排序打分[84] - 总分为各指标秩值得分加总，分别得出价值度和成长性[84] 4. 筛选股票：根据价值成长矩阵得分，选择高分股票构建组合[83] - **模型评价**：GARP策略兼顾成长与价值，能够平滑不同市场阶段的表现，更适合量化投资[77] --- 模型的回测效果 投资者情绪指数 - 情绪水平指数：在±2之间波动，能够提前1-2个月预测股市的大顶和大底[33] - 情绪变动指数：值突破5时，后续铁定出现跌幅超过6%的调整；从负值上升到3附近时，可能出现调整，幅度在1%-5%之间[33] 大小盘风格指针 - Hit Ratio：接近60%[56] - 投资组合调整后超越全市场：约80%[56] 价值动量模型 - 月平均收益率：0.95%[92] - 超额收益标准差：0.0262[92] - 平均换手率：52.07%[92] - 入选股票数量：31.46支[92] - 历年超额收益： - 2003年：市值加权12.92%，等权重7.44% - 2004年：市值加权-0.08%，等权重-2.19% - 2005年：市值加权5.46%，等权重-0.06% - 2006年：市值加权10.28%，等权重9.03% - 2007年：市值加权10.62%，等权重20.86% - 2008年：市值加权33.97%，等权重32.72% - 2009年：市值加权0.06%，等权重11.50%[92] GARP选股策略 - 无具体回测数据披露，仅提到其持续增强效果[85]