量化模型与构建方式 1. **模型名称：微盘股轮动模型**[17][23] * **模型构建思路**：通过比较微盘股与茅指数的相对价值和短期动量，判断市场风格并进行轮动配置[17][23]。 * **模型具体构建过程**： 1. **计算相对净值**：计算微盘股指数与茅指数的相对净值（微盘股指数净值 / 茅指数净值）[17]。 2. **计算移动平均线**：计算相对净值的243日移动平均线（年均线）[17]。 3. **计算动量斜率**：分别计算微盘股指数和茅指数过去20日收盘价的斜率[17]。 4. **生成轮动信号**： * 当微盘股/茅指数相对净值 **高于** 其243日均线时，倾向于投资微盘股[23]。 * 当微盘股/茅指数相对净值 **低于** 其243日均线时，倾向于投资茅指数[23]。 * 结合微盘股与茅指数的20日收盘价斜率，当二者方向相反且一方为正时，选择投资斜率为正的指数[23]。 2. **模型名称：微盘股择时风控模型**[17][23] * **模型构建思路**：监控宏观和市场风险指标，当指标触及阈值时，对微盘股发出平仓信号以控制中期系统性风险[17][23]。 * **模型具体构建过程**： 1. **选取风险指标**： * 十年期国债到期收益率同比（TenYrGovBondYield_YoY）[17]。 * 微盘股波动率拥挤度同比（VolCrowding_YoY）[17]。 2. **设定风险阈值**： * 十年期国债收益率同比阈值：30%[23]。 * 波动率拥挤度同比阈值：55%[23]。 3. **生成风控信号**：当 **任一** 风险指标触及其对应阈值时，则发出平仓微盘股的信号[23]。 3. **模型名称：宏观择时模型**[44] * **模型构建思路**：基于经济增长和货币流动性等宏观维度构建动态事件因子，用于判断权益资产（股票）的配置仓位[44]。 * **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步骤，仅提及模型参考了前期研究报告《Beta 猎手系列：基于动态宏观事件因子的股债轮动策略》[44]。 模型的回测效果 1. **微盘股轮动模型**：截至2025年12月31日，模型发出轮动至茅指数的信号[17]。 2. **微盘股择时风控模型**：截至报告期，波动率拥挤度同比为-29.45%，十年期国债到期收益率同比为13.56%，均未触及各自阈值，未触发风控平仓信号[17]。 3. **宏观择时模型**：模型给出的2026年1月份权益推荐仓位为60%[44]。2025年年初至今收益率为14.59%，同期Wind全A收益率为26.87%[44]。 量化因子与构建方式 1. **因子名称：一致预期因子**[47][57] * **因子构建思路**：使用分析师对未来盈利的一致预期数据构建因子，捕捉市场对上市公司未来业绩的共识变化[57]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义： * **EPS_FTTM_Chg3M**：未来12个月一致预期EPS过去3个月的变化率[59]。 * **ROE_FTTM_Chg3M**：未来12个月一致预期ROE过去3个月的变化率[59]。 * **TargetReturn_180D**：一致预期目标价相对于目前股价的收益率[59]。 2. **因子名称：市值因子**[47][57] * **因子构建思路**：使用公司流通市值的对数作为因子，通常与小市值溢价效应相关[57]。 * **因子具体构建过程**： * **LN_MktCap**：流通市值的对数[57]。 3. **因子名称：成长因子**[47][57] * **因子构建思路**：使用公司营业收入、净利润等财务指标的同比增长率来度量公司的成长性[57]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义： * **NetIncome_SQ_Chg1Y**：单季度净利润同比增速[57]。 * **OperatingIncome_SQ_Chg1Y**：单季度营业利润同比增速[57]。 * **Revenues_SQ_Chg1Y**：单季度营业收入同比增速[59]。 4. **因子名称：反转因子**[47][57] * **因子构建思路**：使用股票过去一段时间的收益率作为因子，捕捉股价的均值回归效应[59]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义： * **Price_Chg20D**：20日收益率[59]。 * **Price_Chg40D**：40日收益率[59]。 * **Price_Chg60D**：60日收益率[59]。 * **Price_Chg120D**：120日收益率[59]。 5. **因子名称：质量因子**[47][57] * **因子构建思路**：使用盈利能力、运营效率、财务稳健性等指标来度量公司的基本面质量[57]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义： * **ROE_FTTM**：未来12个月一致预期净利润/股东权益均值[59]。 * **OCF2CurrentDebt**：过去12个月经营现金流净额/流动负债均值[59]。 * **GrossMargin_TTM**：过去12个月毛利率[59]。 * **Revenues2Asset_TTM**：过去12个月营业收入/总资产均值[59]。 6. **因子名称：技术因子**[47][57] * **因子构建思路**：使用成交量、换手率、价格形态等技术指标来捕捉市场交易行为[59]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义： * **Volume_Mean_20D_240D**：20日成交量均值/240日成交量均值[59]。 * **Skewness_240D**：240日收益率偏度[59]。 * **Volume_CV_20D**：20日成交量标准差/20日成交量均值[59]。 * **Turnover_Mean_20D**：20日换手率均值[59]。 7. **因子名称：价值因子**[47][57] * **因子构建思路**：使用市净率、市盈率、市销率等估值指标来度量股票的价格相对于其账面价值或盈利的便宜程度[57]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义： * **BP_LR**：最新年报账面净资产/最新市值[57]。 * **EP_FTTM**：未来12个月一致预期净利润/最新市值[57]。 * **SP_TTM**：过去12个月营业收入/最新市值[57]。 * **EP_FY0**：当期年报一致预期净利润/最新市值[57]。 * **Sales2EV**：过去12个月营业收入/企业价值[57]。 8. **因子名称：波动率因子**[47][57] * **因子构建思路**：使用股票收益率的历史波动率或模型残差波动率来度量股票的风险[59]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义： * **Volatility_60D**：60日收益率标准差[59]。 * **IV_CAPM**：CAPM模型残差波动率[59]。 * **IV_FF**：Fama-French三因子模型残差波动率[59]。 * **IV_Carhart**：Carhart四因子模型残差波动率[59]。 9. **因子名称：可转债择券因子**[56] * **因子构建思路**：针对可转债特性构建量化择券因子，主要包括从正股映射的因子（如正股财务质量、成长、价值、一致预期）和转债特有的估值因子[56]。 * **因子具体构建过程**： * **正股因子**：从预测正股的因子（如财务质量、成长、价值、一致预期）来构建可转债因子[56]。 * **转债估值因子**：选取了平价底价溢价率[56]。 因子的回测效果 （以下数据均为“上周”在“全部A股”股票池的表现）[48] 1. **一致预期因子**，IC均值 3.42%，多空收益 0.19%[48] 2. **市值因子**，IC均值 14.51%，多空收益 1.50%[48] 3. **成长因子**，IC均值 8.04%，多空收益 1.38%[48] 4. **反转因子**，IC均值 -1.35%，多空收益 -0.54%[48] 5. **质量因子**，IC均值 15.76%，多空收益 2.52%[48] 6. **技术因子**，IC均值 11.34%，多空收益 2.14%[48] 7. **价值因子**，IC均值 0.22%，多空收益 -0.42%[48] 8. **波动率因子**，IC均值 9.85%，多空收益 1.42%[48]

量化模型与构建方式 1. 模型名称：封板率模型；模型构建思路：通过计算当日最高价涨停且收盘涨停的股票比例，来衡量市场追涨情绪和涨停板的可靠性[17]；模型具体构建过程：首先，筛选出上市满3个月以上的股票。然后，找出在当日盘中最高价达到涨停的股票集合。最后，计算这些股票中，收盘价仍为涨停的股票数量占比。公式是：封板率=最高价涨停且收盘涨停的股票数/最高价涨停的股票数[17] 2. 模型名称：连板率模型；模型构建思路：通过计算连续两日收盘涨停的股票比例，来衡量市场涨停效应的持续性[17]；模型具体构建过程：首先，筛选出上市满3个月以上的股票。然后，找出在昨日收盘涨停的股票集合。最后，计算这些股票中，今日收盘价仍为涨停的股票数量占比。公式是：连板率=连续两日收盘涨停的股票数/昨日收盘涨停的股票数[17] 3. 模型名称：大宗交易折价率模型；模型构建思路：通过计算大宗交易成交价相对于市价的折价率，来反映大资金的交易情绪和偏好[27]；模型具体构建过程：首先，获取当日所有大宗交易的成交总金额。然后，计算这些成交份额按当日市价计算的总市值。最后，计算折价率。公式是：折价率=大宗交易总成交金额/当日成交份额的总市值-1[27] 4. 模型名称：股指期货年化贴水率模型；模型构建思路：通过计算股指期货主力合约相对于现货指数的年化基差，来反映市场对未来预期、对冲成本及情绪[29]；模型具体构建过程：首先，计算基差（股指期货价格 - 现货指数价格）。然后，将基差除以现货指数价格，得到日度贴水率。最后，根据合约剩余交易日数进行年化处理。公式是：年化贴水率=基差/指数价格*(250/合约剩余交易日数)[29] 量化因子与构建方式 1. 因子名称：昨日涨停股今日收益因子；因子构建思路：通过计算昨日涨停股票在今日的平均收益，来观察涨停股次日的表现，捕捉市场动量或反转效应[14]；因子具体构建过程：首先，筛选出上市满3个月以上且昨日收盘涨停的股票。然后，计算这些股票在今日的收盘收益，并求其平均值[14] 2. 因子名称：昨日跌停股今日收益因子；因子构建思路：通过计算昨日跌停股票在今日的平均收益，来观察跌停股次日的表现，捕捉市场恐慌情绪的修复或延续[14]；因子具体构建过程：首先，筛选出上市满3个月以上且昨日收盘跌停的股票。然后，计算这些股票在今日的收盘收益，并求其平均值[14] 3. 因子名称：机构调研热度因子；因子构建思路：通过统计近期对上市公司进行调研的机构数量，来衡量机构投资者对该公司的关注度[31]；因子具体构建过程：统计近7天内对某家上市公司进行调研或参加分析师会议的机构总数[31] 4. 因子名称：龙虎榜机构净流入因子；因子构建思路：通过统计龙虎榜上机构专用席位对某只股票的净买入金额，来衡量机构资金对该股票的短期态度和动向[37]；因子具体构建过程：从每日龙虎榜数据中，汇总机构专用席位对特定股票的买入总额与卖出总额，计算其差额（净流入）[37] 5. 因子名称：龙虎榜陆股通净流入因子；因子构建思路：通过统计龙虎榜上陆股通席位对某只股票的净买入金额，来衡量北向资金对该股票的短期态度和动向[38]；因子具体构建过程：从每日龙虎榜数据中，汇总陆股通席位对特定股票的买入总额与卖出总额，计算其差额（净流入）[38] 模型的回测效果 1. 封板率模型，20260119当日封板率78%[17] 2. 连板率模型，20260119当日连板率20%[17] 3. 大宗交易折价率模型，近半年平均折价率6.74%，20260116当日折价率3.41%[27] 4. 股指期货年化贴水率模型，近一年中位数：上证50为0.70%，沪深300为3.79%，中证500为11.11%，中证1000为13.61%[29]；20260119当日值：上证50年化升水率0.36%，沪深300年化贴水率0.81%，中证500年化贴水率1.74%，中证1000年化贴水率6.29%[29] 因子的回测效果 1. 昨日涨停股今日收益因子，20260119当日收益2.62%[14] 2. 昨日跌停股今日收益因子，20260119当日收益-4.27%[14] 3. 机构调研热度因子，近一周调研机构数量最多的是帝科股份，被97家机构调研[31] 4. 龙虎榜机构净流入因子，20260119当日净流入前十的股票包括金风科技、纳百川等[37]；净流出前十的股票包括红相股份、许继电气等[37] 5. 龙虎榜陆股通净流入因子，20260119当日净流入前十的股票包括中国西电、许继电气等[38]；净流出前十的股票包括金风科技、银河电子等[38]

量化模型与因子总结 根据您提供的研报，该报告主要对各类公募量化基金的业绩表现进行了跟踪统计，并未详细阐述具体的量化模型或量化因子的构建过程。报告内容侧重于基金产品的分类业绩回顾，而非模型或因子本身的构建与测试[1][2][3][15]。 因此，报告中**未涉及**具体的量化模型或量化因子的构建思路、具体构建过程、公式或定性评价。 基金策略类型与业绩表现 报告提及了多种基于量化方法的基金策略类型，并给出了其近期业绩中位数数据。这些策略类型本身可被视为应用了不同量化模型（如多因子模型、行业轮动模型、大数据模型等）的投资产品，但报告未对其底层模型进行分解说明。 以下是报告中提到的各类策略基金及其业绩表现汇总[2][3][4][8][15][16][17][18][19][20]： **策略基金的业绩表现 (收益中位数)** 1. **沪深300指数增强基金**，本周超额收益0.49%，本月超额收益0.59%，本季度超额收益0.59%，本年度超额收益0.59%[3][4] 2. **中证500指数增强基金**，本周超额收益-0.25%，本月超额收益-2.08%，本季度超额收益-2.08%，本年度超额收益-2.08%[3][4] 3. **中证1000指数增强基金**，本周超额收益0.43%，本月超额收益-0.36%，本季度超额收益-0.36%，本年度超额收益-0.36%[3][4] 4. **中证A500指数增强基金**，本周超额收益0.39%，本月超额收益-0.02%，本季度超额收益-0.02%，本年度超额收益-0.02%[3][4] 5. **其它指数增强基金**，本周收益0.11%，本月收益0.75%，本季度收益0.75%，本年度收益0.75%[3][4] 6. **绝对收益（对冲）基金**，本周收益0.19%，本月收益-0.03%，本季度收益-0.03%，本年度收益-0.03%[3][8] 7. **其它主动量化基金**，本周收益1.51%，本月收益6.03%，本季度收益6.03%，本年度收益6.03%[3][8] 8. **定增主题基金**，本周收益0.46%，本月收益2.92%，本季度收益2.92%，本年度收益2.92%[15][16] 9. **提取业绩报酬基金**，本周收益0.37%，本月收益3.29%，本季度收益3.29%，本年度收益3.29%[15][17] 10. **行业主题轮动基金**，本周收益1.55%，本月收益6.03%，本季度收益6.03%，本年度收益6.03%[15][18] 11. **多因子类型基金**，本周收益1.89%，本月收益7.44%，本季度收益7.44%，本年度收益7.44%[15][19] 12. **大数据驱动主动投资基金**，本周收益-0.89%，本月收益7.22%，本季度收益7.22%，本年度收益7.22%[15][20] 13. **大数据被动型基金**，本周收益5.90%，本月收益14.92%，本季度收益14.92%，本年度收益14.92%[20]

量化模型与构建方式 本报告为ESG市场观察周报，主要内容为政策、市场动态与舆情追踪，未涉及具体的量化模型或量化因子的构建、测试与分析。报告内容聚焦于宏观政策解读、市场指数表现、资金流向和舆情事件统计[1][2][3]。 量化因子与构建方式 本报告未涉及具体的量化因子构建、测试与分析。 模型的回测效果 本报告未涉及任何量化模型的回测效果展示。 因子的回测效果 本报告未涉及任何量化因子的回测效果展示。

量化模型与构建方式 1. 模型名称：不同信用评级转债指数；模型构建思路：根据可转债的信用评级（如AA+、AA、A+、A等）对市场中的可转债进行分类，并分别构建指数以观察不同信用等级转债的市场表现差异[20] 2. 模型名称：不同价格转债指数；模型构建思路：根据可转债的绝对价格水平（如小于100元、100-110元、110-120元、120-130元、130-140元、大于140元等区间）对可转债进行分类，并分别构建指数以观察不同价格区间转债的市场表现和估值特征[8][32] 3. 模型名称：不同规模转债指数；模型构建思路：根据可转债的发行规模或剩余规模对可转债进行分类，并分别构建指数以观察不同规模等级转债的市场表现差异[25] 4. 模型名称：不同策略转债指数；模型构建思路：基于特定的量化策略（报告中未明确具体策略规则）对可转债进行筛选或组合，构建策略指数以评估该策略的历史表现[25] 量化因子与构建方式 1. 因子名称：转股溢价率；因子构建思路：衡量可转债价格相对于其转换价值的溢价程度，是评估可转债估值高低和股性强弱的核心指标[17]；因子具体构建过程：首先计算转股价值，公式为 转股价值 = (100 / 转股价格) * 正股收盘价，然后计算转股溢价率，公式为 转股溢价率 = (可转债收盘价 - 转股价值) / 转股价值[17] 模型的回测效果 1. 不同信用评级转债指数，近一年累计涨跌幅：Fetching...（数据缺失）[21] 2. 不同价格转债指数，近一年累计涨跌幅：Fetching...（数据缺失）[23] 3. 不同规模转债指数，近一年累计涨跌幅：Fetching...（数据缺失）[26] 4. 不同策略转债指数，近一年累计涨跌幅：Fetching...（数据缺失）[26] 因子的回测效果 1. 转股溢价率因子，截至2026-01-16全市场中位数：33.06%[12] 2. 转股溢价率因子，截至2026-01-16全市场算术平均数：45.21%[12] 3. 转股溢价率因子，按价格区间分组中位数（<100元）：0.00%[32] 4. 转股溢价率因子，按价格区间分组中位数（100-110元）：125.64%[32] 5. 转股溢价率因子，按价格区间分组中位数（110-120元）：50.75%[32] 6. 转股溢价率因子，按价格区间分组中位数（120-130元）：62.33%[32] 7. 转股溢价率因子，按价格区间分组中位数（130-140元）：34.05%[32] 8. 转股溢价率因子，按价格区间分组中位数（>140元）：24.43%[32]

量化模型与构建方式 本报告为市场数据跟踪报告，未涉及具体的量化交易模型或选股因子的构建与测试。报告主要对宽基指数的各类市场指标进行统计、计算和展示[1][2][3][4][6][8][10][11][12][13][15][16][18][19][20][21][22][23][24][25][27][28][29][30][31][34][35][37][39][41][42][43][44][46][47][48][49][51][53][54][55][56][57][58][59]。 报告计算并展示了多个用于评估市场状态和指数价值的量化指标，这些指标可被视为基础的“因子”或分析工具。 **量化因子与构建方式** 1. **因子名称**：风险溢价[27] * **因子构建思路**：以十年期国债即期收益率为无风险利率参考，计算股票指数收益率相对于无风险利率的溢价，用于衡量股票市场的相对投资价值和风险补偿[27]。 * **因子具体构建过程**：风险溢价通常定义为股票指数的预期收益率（或近期收益率）减去无风险利率。报告中展示的“当前风险溢价”具体计算方式未明确给出，但根据上下文，可能是指数近期收益率（如股息率加上预期增长）或基于市盈率倒数（E/P）与十年期国债收益率的差值[27][46]。报告中表4直接列出了计算结果[31]。 2. **因子名称**：股债性价比[46] * **因子构建思路**：通过比较股票市场收益率与债券市场收益率的差异，来判断股票和债券两类资产哪一类更具投资吸引力[46]。 * **因子具体构建过程**：报告中使用各指数市盈率TTM（PE-TTM）的倒数作为股票收益率的代理指标，减去十年期国债即期收益率，得到股债性价比差值[46]。公式可表示为： $$股债性价比 = \frac{1}{PE-TTM} - R_{f}$$ 其中，$R_{f}$ 代表十年期国债即期收益率[46]。 3. **因子名称**：指数换手率[18] * **因子构建思路**：衡量指数成分股整体的交易活跃程度[18]。 * **因子具体构建过程**：报告给出了具体的计算方法：指数换手率 = Σ(成分股流通股本 * 成分股换手率) / Σ(成分股流通股本)[18]。这是一个流通市值加权平均的换手率。 4. **因子名称**：破净率[54][56] * **因子构建思路**：统计指数成分股中市净率小于1的个股占比，反映市场整体的估值低迷程度或悲观情绪[54][56]。 * **因子具体构建过程**：对于单个指数，遍历其所有成分股，判断个股市净率（股价/每股净资产）是否小于1。破净率 = (市净率小于1的个股数量) / (指数总成分股数量)[54][56]。 5. **因子名称**：收益分布形态指标（偏度与峰度）[24] * **因子构建思路**：通过分析指数日收益率序列的分布形态（偏度和峰度），来刻画收益分布的不对称性和尾部特征，反映市场极端收益出现的可能性和分布集中度[24]。 * **因子具体构建过程**：对指数在过去一段时间（如近一年）的日收益率序列计算样本偏度和样本峰度。报告中指出，其峰度计算中减去了3（正态分布的峰度值），即计算的是超额峰度[25]。偏度公式（样本偏度）近似为： $$Skewness \approx \frac{\frac{1}{n}\sum_{i=1}^{n}(r_i - \bar{r})^3}{[\frac{1}{n}\sum_{i=1}^{n}(r_i - \bar{r})^2]^{3/2}}$$ 峰度公式（样本峰度，报告采用超额峰度）近似为： $$Excess\ Kurtosis \approx \frac{\frac{1}{n}\sum_{i=1}^{n}(r_i - \bar{r})^4}{[\frac{1}{n}\sum_{i=1}^{n}(r_i - \bar{r})^2]^{2}} - 3$$ 其中，$r_i$ 为日收益率，$\bar{r}$ 为收益率均值，$n$ 为样本数[24][25]。 因子的回测效果 本报告未提供因子在历史数据上的分组回测、多空收益、信息比率（IR）等量化回测效果。报告主要呈现了各宽基指数在特定时点（2026年1月16日）的因子截面取值以及部分因子的近期历史统计值（如均值、波动率、分位值等）[11][12][15][16][18][25][31][42][43][53][57]。 **各宽基指数因子取值（截至2026年1月16日）** 1. **风险溢价因子**：上证50为-0.84%，沪深300为-0.42%，中证500为0.11%，中证1000为-0.11%，中证2000为0.04%，中证全指为-0.21%，创业板指为-0.21%[31]。其近5年历史分位值分别为：17.46%， 33.57%， 53.49%， 43.02%， 46.51%， 39.29%， 46.11%[31]。 2. **PE-TTM因子**：上证50为11.74，沪深300为14.24，中证500为37.50，中证1000为50.39，中证2000为167.92，中证全指为22.40，创业板指为43.67[43]。其近5年历史分位值分别为：83.06%， 88.43%， 99.92%， 99.92%， 91.57%， 99.67%， 64.13%[42][43]。 3. **股息率因子**：上证50为3.24%，沪深300为2.75%，中证500为1.27%，中证1000为1.01%，中证2000为0.71%，中证全指为1.95%，创业板指为0.92%[53]。其近5年历史分位值分别为：33.06%， 37.77%， 6.78%， 24.38%， 2.64%， 27.93%， 57.36%[51][53]。 4. **破净率因子**：上证50为24.0%，沪深300为16.67%，中证500为11.0%，中证1000为7.3%，中证2000为2.85%，中证全指为5.82%[57]。 5. **换手率因子**：中证2000为4.77，创业板指为4.5，中证1000为3.55，中证500为2.52，中证全指为2.33，沪深300为0.99，上证50为0.43[18]。 6. **收益分布峰度因子（当前vs近5年）**：创业板指偏离最大（当前1.05 vs 近5年3.76，差-2.71），沪深300偏离最小（当前0.56 vs 近5年2.41，差-1.85）[24][25]。 7. **收益分布偏度因子（当前vs近5年）**：创业板指负偏态最大（当前1.57 vs 近5年2.23，差-0.66），沪深300负偏态最小（当前1.53 vs 近5年1.98，差-0.46）[24][25]。

量化模型与构建方式 **本报告为金融工程周报，主要对市场及各类基金表现进行回顾与统计，未涉及具体的量化模型或量化因子的构建思路、过程及评价。** 量化因子与构建方式 **本报告为金融工程周报，主要对市场及各类基金表现进行回顾与统计，未涉及具体的量化模型或量化因子的构建思路、过程及评价。** 模型的回测效果 **本报告未涉及具体量化模型的回测效果。** 因子的回测效果 **本报告未涉及具体量化因子的回测效果。**

量化模型与构建方式 1. 存款搬家信号模型 * **模型名称**：存款搬家信号模型[5][12][13] * **模型构建思路**：结合居民存款和非银存款的月度变化方向，构建一个判断居民资金是否从银行存款转向非银机构（可能包括股市）的择时信号[5][13] * **模型具体构建过程**： 1. **计算存款占比**：为了消除季节性影响，使用12个月累计数据计算两个核心指标[13]。 * 新增居民存款占比 = 过去12个月累计新增居民存款 / 过去12个月累计新增总存款[13] * 新增非银存款占比 = 过去12个月累计新增非银存款 / 过去12个月累计新增总存款[13] 2. **判断变化方向**：将当月计算出的占比数值与前3个月的平均值进行比较[13]。 * 若当月值 > 前3月均值，则判定该占比“上行”[13][14] * 若当月值 < 前3月均值，则判定该占比“下行”[13][14] 3. **生成信号**：当同时满足“新增居民存款占比下降”和“新增非银存款占比上升”这两个条件时，触发“存款搬家”看多信号[5][14] * **模型评价**：该信号在历史上对A股后市有较好的预示效果，但需注意资金可能流向非权益资产（如债券）而导致信号失效，需结合A股成交热度进行辅助判断[14] 2. 短期量化择时模型 * **模型名称**：短期量化择时模型[19][20][21] * **模型构建思路**：从宏观基本面、估值面、情绪面、流动性四个维度选取多个指标，综合判断市场短期走势，并给出仓位建议[19][20] * **模型具体构建过程**： 1. **基本面指标**： * 制造业PMI：若 > 50，给出乐观信号[19][22] * 信贷脉冲环比变化分位数：处于历史高位时，给出乐观信号[19][22] * M1同比增速（HP滤波去趋势）分位数：处于历史高位时，给出乐观信号[19][22] * 综合以上指标信号，得出基本面总信号（乐观/中性/谨慎）[19] 2. **估值面指标**： * A股整体PE中位数分位数：处于历史高位（均值回归下行压力大）时，给出谨慎信号[19][22] * A股整体PB中位数分位数：处于历史高位（均值回归下行压力大）时，给出谨慎信号[19][22] * 综合以上指标信号，得出估值面总信号[19] 3. **情绪面指标**： * A股整体Beta离散度分位数：偏高时，给出谨慎信号[20][22] * A股整体量能情绪分位数：偏高时，给出乐观信号[20][22] * A股整体波动率分位数：根据分位数水平给出中性或其它信号[20][22] * 综合以上指标信号，得出情绪面总信号[20] 4. **流动性指标**： * 货币利率指标分位数：偏低（流动性宽松）时，给出乐观信号[20][22] * 汇率预期指标分位数：人民币偏强时，给出乐观信号[20][22] * 沪深净融资额5日均值分位数：极低（杠杆风险小）时，给出乐观信号[20][22] * 综合以上指标信号，得出流动性总信号[20] 5. **综合信号**：汇总四个维度的总信号，通过一定规则（报告中未明确给出具体加权或投票规则）生成最终的总仓位信号（如乐观、中性、谨慎，对应不同的仓位水平）[19][20][22] 3. 成长价值风格轮动模型 * **模型名称**：成长价值风格轮动模型[28][29] * **模型构建思路**：从基本面、估值面、情绪面三个维度选取与成长/价值风格相关的指标，构建综合轮动信号，以决定超配成长或价值风格[28][30] * **模型具体构建过程**： 1. **基本面指标**： * 盈利周期斜率：斜率大时，利好成长风格[28][30] * 利率综合周期水平：水平偏低时，利好成长风格[28][30] * 信贷综合周期变化：上行时，利好成长风格[28][30] * 综合以上信号，得出基本面维度的风格建议（如100%成长，0%价值）[30] 2. **估值面指标**： * 成长价值PE差分位数：估值差均值回归上行时，利好成长风格[28][30] * 成长价值PB差分位数：估值差反弹至偏高位置时，利好均衡风格[28][30] * 综合以上信号，得出估值面维度的风格建议[30] 3. **情绪面指标**： * 成长价值换手差分位数：换手差偏高时，利好成长风格[28][30] * 成长价值波动差分位数：波动差处于中性位置时，利好均衡风格[28][30] * 综合以上信号，得出情绪面维度的风格建议[30] 4. **综合信号**：结合三个维度的风格建议，通过一定规则（报告中未明确给出具体规则）生成最终的风格轮动信号，即建议超配成长或价值[28][30] 4. 小盘大盘风格轮动模型 * **模型名称**：小盘大盘风格轮动模型[32][33] * **模型构建思路**：从11个有效轮动指标出发，构建综合大小盘轮动信号[32] * **模型具体构建过程**： 1. **指标构成**：模型基于11个指标，每个指标独立产生看多小盘或看多大盘的信号（0%或100%仓位）[32][34]。报告中列举的指标包括： * A股龙虎榜买入强度[34] * R007[34] * 融资买入余额变化[34] * 主题投资交易情绪[34] * 等级利差[34] * 期权波动率风险溢价[34] * beta离散度[34] * pb分化度[34] * 大宗交易折溢价率[34] * 中证1000 MACD(10,20,10)[34] * 中证1000交易量能[34] 2. **信号生成**：每个指标独立判断，给出看多小盘（100%）或看多大盘（0%）的信号[34] 3. **综合信号**：将所有指标的信号进行综合（报告中提及“综合信号3D平滑”，但未详述具体聚合方法，如等权平均或投票），得出最终的小盘仓位建议百分比[34] 模型的回测效果 1. 存款搬家信号模型 * **信号触发后一个月内全A指数平均收益率**：1.72%[5][15] * **信号触发后一个月内胜率**：65% (64.9%)[5][15] * **对比（未触发信号月份）平均收益率**：0.13%[5][15] * **对比（未触发信号月份）胜率**：52% (51.8%)[5][15] 2. 短期量化择时模型 * **回测期**：2012年底至今[21] * **年化收益率**：16.65%[21][24] * **年化波动率**：14.80%[24] * **最大回撤**：15.05%[21][24] * **夏普比率**：0.9802[24] * **收益回撤比**：1.1068[24] * **月度胜率**：66.46%[24] * **基准（月度中性持仓再平衡）表现**： * **年化收益率**：5.05%[21][24] * **年化波动率**：11.57%[24] * **最大回撤**：31.41%[21][24] * **夏普比率**：0.3109[24] * **收益回撤比**：0.1607[24] * **月度胜率**：54.43%[24] * **2024年以来表现**： * **年化收益率**：30.80%[26] * **年化波动率**：16.58%[26] * **最大回撤**：11.04%[21][26] * **夏普比率**：1.5833[26] * **收益回撤比**：2.7907[26] * **月度胜率**：73.08%[26] * **基准（2024年以来）表现**： * **年化收益率**：10.75%[26] * **年化波动率**：10.92%[26] * **最大回撤**：8.89%[26] * **夏普比率**：0.8069[26] * **收益回撤比**：1.2087[26] * **月度胜率**：61.54%[26] 3. 成长价值风格轮动模型 * **回测期**：2012年底至今[29] * **年化收益率**：13.30%[29][31] * **年化波动率**：20.76%[31] * **最大回撤**：43.07%[31] * **夏普比率**：0.6098[31] * **收益回撤比**：0.3088[31] * **月度胜率**：58.60%[31] * **基准（月度风格均衡配置）表现**： * **年化收益率**：8.30%[29][31] * **年化波动率**：20.60%[31] * **最大回撤**：44.13%[31] * **夏普比率**：0.3935[31] * **收益回撤比**：0.1880[31] * **月度胜率**：56.05%[31] 4. 小盘大盘风格轮动模型 * **综合策略表现（2014年以来）**： * **年化收益率**：20.60%[34] * **年化超额收益率**：12.95%[34] * **最大回撤**：40.70%[34] * **胜率（按交易）**：50.11%[34] * **2026年以来表现**： * **超额收益率**：2.88%[33][34] * **部分子指标表现（年化超额收益）**： * 融资买入余额变化：5.96%[34] * 大宗交易折溢价率：9.52%[34] * 中证1000交易量能：9.90%[34] * pb分化度：9.53%[34]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：风格组相对拥挤度模型[126] * **模型构建思路**：通过计算两种风格指数换手率标准化值的差值，并观察该差值在历史序列中的分位数，来衡量一种风格相对于另一种风格的交易拥挤程度[126] * **模型具体构建过程**： 1. 分别计算风格A指数和风格B指数的近252日平均换手率[126] 2. 将这两个换手率序列在2005年1月1日以来的历史时间序列上进行Z-score标准化，得到Z-score_A与Z-score_B[126] 3. 计算二者差值：$$Diff = Z\_score\_A - Z\_score\_B$$[126] 4. 计算该差值序列的滚动6年历史分位数（若历史数据量满1年不足6年，则以全部历史数据计算），该分位数即为风格A相对于风格B的相对拥挤度[126] 2. **模型名称**：风格指数累计超额净值模型[127] * **模型构建思路**：以万得全A指数为基准，计算各风格指数相对于基准的累计超额表现，用于衡量风格的长期相对收益特征[127] * **模型具体构建过程**： 1. 设定基准日（例如2020年1月4日）[127] 2. 将各风格指数及万得全A指数的每日收盘点数除以各自在基准日的收盘点数，得到各自的累计净值序列[127] 3. 将各风格指数每日的累计净值除以同一交易日万得全A指数的累计净值，得到该风格指数相对于万得全A指数的累计超额净值[127] 3. **模型名称**：机构调研活跃度分位数模型[128] * **模型构建思路**：通过计算板块或行业相对于全市场的机构调研热度标准化差值的历史分位，来评估其受机构关注度的相对水平[128] * **模型具体构建过程**： 1. 计算板块（或指数、行业）近n个交易日的“日均机构调研次数”[128] 2. 将该序列在滚动y年的历史时间序列上进行z-score标准化[128] 3. 将上述结果与万得全A指数的标准化结果作差，得到“机构调研活跃度”：$$Active\_Score = Z\_score_{target} - Z\_score_{WAA}$$[128] 4. 最后计算该“机构调研活跃度”序列的滚动y年历史分位数[128] * **参数设置**： * 长期口径：n取126（近半年），滚动窗口y为6年（历史数据量满3年不足6年时，以全部历史数据计算）[128] * 短期口径：n取63（近一季度），滚动窗口y为3年（历史数据量满1年不足3年时，以全部历史数据计算）[128] 量化因子与构建方式 1. **因子名称**：滚动季度夏普率[35] * **因子构建思路**：计算万得全A指数滚动一个季度（约63个交易日）的夏普比率，用于衡量市场近期的风险调整后收益，作为市场情绪风险的预警指标[35] * **因子具体构建过程**：报告未给出具体计算公式，但根据金融学常识，滚动季度夏普率通常计算为：$$Rolling\_Quarterly\_Sharpe = \frac{Mean(R_{t-63:t})}{Std(R_{t-63:t})}$$ 其中，$R_{t-63:t}$ 为指数在最近63个交易日的收益率序列，Mean为均值，Std为标准差[35] 2. **因子名称**：PE_TTM（滚动市盈率）[39][47] * **因子构建思路**：使用总市值除以最近十二个月（TTM）的归属母公司股东的净利润，是衡量股票估值水平的核心指标[39][47] * **因子具体构建过程**：$$PE\_TTM = \frac{Total\_Market\_Cap}{Net\_Profit\_TTM}$$[39][47] 3. **因子名称**：股债风险溢价（ERP）[49] * **因子构建思路**：计算股票市场市盈率倒数与无风险利率（10年期国债收益率）的差值，用于衡量投资股票相对于债券的额外收益补偿，即股债性价比[49] * **因子具体构建过程**：$$ERP = \frac{1}{PE\_TTM} - 10Y\_Treasury\_Yield$$[49] * **因子评价**：ERP越高，表明投资股票的性价比越高[49] 4. **因子名称**：成交热度[25] * **因子构建思路**：使用“周度日均自由流通换手率”的历史分位值来衡量市场或板块、行业的交易活跃程度[25] * **因子具体构建过程**：成交热度 = 当前“周度日均自由流通换手率”在历史时间区间（例如2005年1月1日至今）内的百分位值[25] 5. **因子名称**：动量因子[60] * **因子构建思路**：以最近一年股票收益率减去最近一个月股票收益率（剔除涨停板）作为动量指标，筛选市场中动量特征强的股票[60] * **因子具体构建过程**：报告提及“长江动量”指数的构建以此为基础，具体公式未详细展开，但思路是捕捉中长期动量并排除短期反转效应[60] 6. **因子名称**：反转因子[60] * **因子构建思路**：以最近一个月股票收益率作为筛选指标，选择市场中反转效应强的股票[60] * **因子具体构建过程**：报告提及“长江反转”指数的构建以此为基础，旨在表征高反转特征个股的整体表现[60] 模型的回测效果 1. **风格组相对拥挤度模型**，成长vs红利相对拥挤度历史分位74%[69]，小盘vs大盘相对拥挤度历史分位40%[69][72]，微盘股vs中证800相对拥挤度历史分位87%[69] 2. **风格指数累计超额净值模型**，成长较红利超额净值处于历史极高位置[69]，小盘较大盘超额净值处于历史较高位置[72]，微盘股较中证800超额净值处于历史极高位置[75] 因子的回测效果 1. **滚动季度夏普率因子**，当前万得全A的滚动季度夏普率从历史低位反弹，尚未触及预警位置[35] 2. **PE_TTM因子**，当前万得全A PE_TTM处于历史极高分位（83%）[39][47]，沪深300 PE_TTM处于历史较高分位（66%）[41][47]，中证1000 PE_TTM处于历史较高分位（73%）[41][47]，创业板指PE_TTM处于历史均衡分位（41%）[41][47] 3. **股债风险溢价（ERP）因子**，当前万得全A erp处于均衡分位（54%）[49][58]，沪深300 erp处于均衡分位（59%）[49][58]，中证500 erp处于较高分位（66%）[49]，创业板指erp处于极高分位（84%）[49][58] 4. **成交热度因子**，当前万得全A成交热度为96%[30]，创业板指成交热度为100%[30]，TMT板块成交热度为100%[25][30] 5. **动量与反转因子**，近一周动量较反转超额收益为0.5%[59][65]，近一月为6.1%[59][65]，年初至今为-0.1%[59][65]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：日内高频偏度因子** **因子构建思路：** 捕捉股票日内收益的分布特征，特别是偏度（三阶矩）信息，用于预测未来收益[14] **因子具体构建过程：** 报告未提供详细构建公式，但指出计算方式参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[14] 2. **因子名称：日内下行波动占比因子** **因子构建思路：** 将已实现波动率分解，计算下行波动部分在总波动中的占比，用于衡量股票的“坏波动”[19] **因子具体构建过程：** 报告未提供详细构建公式，但指出计算方式参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[19] 3. **因子名称：开盘后买入意愿占比因子** **因子构建思路：** 基于开盘后一段时间的高频数据，通过直观逻辑或机器学习方法，计算反映买入意愿的指标占比[24] **因子具体构建过程：** 报告未提供详细构建公式，但指出计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[24] 4. **因子名称：开盘后买入意愿强度因子** **因子构建思路：** 与买入意愿占比因子类似，但侧重于衡量买入意愿的强度而非占比[29] **因子具体构建过程：** 报告未提供详细构建公式，但指出计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[29] 5. **因子名称：开盘后大单净买入占比因子** **因子构建思路：** 计算开盘后大单净买入金额在总成交中的占比，捕捉大资金在开盘后的动向[34] 6. **因子名称：开盘后大单净买入强度因子** **因子构建思路：** 衡量开盘后大单净买入的强度[39] 7. **因子名称：改进反转因子** **因子构建思路：** 对传统反转因子进行改进，以提升预测效果[44] 8. **因子名称：尾盘成交占比因子** **因子构建思路：** 计算尾盘阶段成交额在日总成交额中的占比，捕捉尾盘资金的活跃程度[49] 9. **因子名称：平均单笔流出金额占比因子** **因子构建思路：** 计算平均单笔流出金额在总成交中的占比，用于衡量资金流出的平均力度[52] 10. **因子名称：大单推动涨幅因子** **因子构建思路：** 衡量由大单交易推动的股价上涨幅度[58] 11. **因子名称：改进 GRU(50,2)+NN(10)因子** **因子构建思路：** 使用门控循环单元（GRU）和神经网络（NN）的深度学习模型处理高频数据，生成选股信号[13][63] **因子具体构建过程：** 模型结构为GRU(50,2)加上NN(10)，具体网络架构和训练细节未在报告中详述[13] 12. **因子名称：残差注意力 LSTM(48,2)+NN(10)因子** **因子构建思路：** 使用带有残差连接和注意力机制的长短期记忆网络（LSTM）结合神经网络，从高频数据中提取特征[13][65] **因子具体构建过程：** 模型结构为残差注意力LSTM(48,2)加上NN(10)[13] 13. **因子名称：多颗粒度模型-5日标签因子** **因子构建思路：** 基于双向AGRU（可能指注意力GRU）训练的多时间颗粒度模型，使用5日收益率作为预测标签[13][68] **因子具体构建过程：** 因子基于双向AGRU训练得到，模型整合了不同时间颗粒度的信息[68] 14. **因子名称：多颗粒度模型-10日标签因子** **因子构建思路：** 与多颗粒度模型-5日标签类似，但使用10日收益率作为预测标签[13][69] **因子具体构建过程：** 因子基于双向AGRU训练得到[69] 量化模型与构建方式 1. **模型名称：周度调仓的中证500 AI增强宽约束组合** **模型构建思路：** 以多颗粒度模型-10日标签因子提供的预期收益为核心，在控制跟踪误差和一系列风险约束的条件下，通过优化求解构建相对于中证500指数的增强组合[73] **模型具体构建过程：** * **核心信号：** 使用深度学习因子（多颗粒度模型-10日标签）作为股票的预期超额收益来源 $\mu_i$[73] * **优化目标：** 最大化组合预期收益，目标函数为： $$\operatorname*{max}_{w_{i}}\sum\mu_{i}w_{i}$$ 其中，$w_i$ 为股票 $i$ 的权重，$\mu_i$ 为股票 $i$ 的预期超额收益[74] * **约束条件：** 包括个股权重上限、行业偏离、市值风格暴露（线性及非线性）、估值（PB）、基本面（ROE、SUE）、波动率以及成分股权重等约束，具体约束值在“宽约束”条件下相对宽松[74] * **交易设置：** 周度调仓，假设以次日均价成交，并扣除双边3‰的交易成本[75] 2. **模型名称：周度调仓的中证500 AI增强严约束组合** **模型构建思路：** 与宽约束组合思路一致，但在风险控制上施加更严格的约束，旨在进一步控制跟踪误差和组合风险[73] **模型具体构建过程：** 优化目标与核心信号与宽约束组合相同，区别在于各项风险约束的阈值更严格（例如市值暴露约束更小），并增加了额外的约束如ROE、SUE、波动率和更高的成分股约束[74] 3. **模型名称：周度调仓的中证1000 AI增强宽约束组合** **模型构建思路：** 构建方法同中证500宽约束组合，但基准指数改为中证1000，并相应调整约束参数[73] **模型具体构建过程：** 使用相同的多颗粒度模型因子和优化框架，针对中证1000指数的成分股及特征调整优化中的约束条件[74] 4. **模型名称：周度调仓的中证1000 AI增强严约束组合** **模型构建思路：** 构建方法同中证500严约束组合，但基准指数改为中证1000[73] **模型具体构建过程：** 使用相同的多颗粒度模型因子和优化框架，针对中证1000指数施加更严格的风险约束[74] 因子的回测效果 （数据来源：表2，周度换仓因子表现汇总[11][13]） | 因子名称 | IC(历史) | IC(2026年) | e^(-rank mae)(历史) | e^(-rank mae)(2026年) | 多空收益(上周) | 多空收益(1月) | 多空收益(2026YTD) | 2026年周胜率 | 多头超额(上周) | 多头超额(1月) | 多头超额(2026YTD) | 2026年周胜率 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 日内高频偏度 | 0.019 | 0.024 | 0.324 | 0.321 | 1.26% | 1.55% | 1.55% | 2/2 | 0.27% | 1.26% | 1.26% | 2/2 | | 日内下行波动占比 | 0.016 | 0.028 | 0.323 | 0.319 | 1.43% | 1.65% | 1.65% | 2/2 | 0.88% | 1.83% | 1.83% | 2/2 | | 开盘后买入意愿占比 | 0.026 | 0.046 | 0.321 | 0.331 | 1.04% | 2.08% | 2.08% | 2/2 | 0.50% | 0.09% | 0.09% | 1/2 | | 开盘后买入意愿强度 | 0.030 | 0.065 | 0.326 | 0.338 | 2.21% | 2.86% | 2.86% | 2/2 | 1.37% | 2.00% | 2.00% | 2/2 | | 开盘后大单净买入占比 | 0.035 | 0.035 | 0.322 | 0.317 | 1.35% | 0.83% | 0.83% | 1/2 | 0.81% | 0.28% | 0.28% | 1/2 | | 开盘后大单净买入强度 | 0.024 | 0.044 | 0.320 | 0.320 | 1.08% | 1.01% | 1.01% | 1/2 | 0.27% | -0.39% | -0.39% | 1/2 | | 改进反转 | 0.030 | 0.058 | 0.330 | 0.339 | 1.63% | 3.40% | 3.40% | 2/2 | 1.20% | 3.09% | 3.09% | 2/2 | | 尾盘成交占比 | 0.026 | 0.037 | 0.322 | 0.324 | -0.12% | 2.56% | 2.56% | 1/2 | 0.29% | 1.63% | 1.63% | 2/2 | | 平均单笔流出金额占比 | 0.008 | 0.020 | 0.317 | 0.323 | 0.56% | 1.02% | 1.02% | 2/2 | 0.27% | 0.41% | 0.41% | 2/2 | | 大单推动涨幅 | 0.018 | 0.017 | 0.325 | 0.331 | 0.75% | 0.97% | 0.97% | 2/2 | 0.53% | 0.96% | 0.96% | 2/2 | | 改进 GRU(50,2)+NN(10) | 0.065 | 0.040 | 0.336 | 0.327 | 2.62% | 2.79% | 2.79% | 2/2 | 0.70% | 0.96% | 0.96% | 2/2 | | 残差注意力 LSTM(48,2)+NN(10) | 0.062 | 0.026 | 0.334 | 0.325 | 1.55% | 1.30% | 1.30% | 1/2 | 0.39% | 1.26% | 1.26% | 2/2 | | 多颗粒度模型-5日标签 | 0.079 | 0.034 | 0.343 | 0.332 | 1.88% | 2.13% | 2.13% | 2/2 | 1.05% | 1.74% | 1.74% | 2/2 | | 多颗粒度模型-10日标签 | 0.073 | 0.022 | 0.342 | 0.329 | 2.11% | 1.33% | 1.33% | 1/2 | 1.15% | 1.10% | 1.10% | 1/2 | 模型的回测效果 （数据来源：表3，AI增强组合超额收益汇总[14]） | 模型名称 | 超额收益(上周) | 超额收益(1月) | 超额收益(2026YTD) | 2026年周胜率 | | :--- | :--- | :--- | :--- | :--- | | 中证500 AI增强宽约束组合 | -1.91% | -4.47% | -4.47% | 0/3 | | 中证500 AI增强严约束组合 | -1.03% | -2.86% | -2.86% | 0/3 | | 中证1000 AI增强宽约束组合 | -0.09% | -2.18% | -2.18% | 0/3 | | 中证1000 AI增强严约束组合 | 0.06% | -1.57% | -1.57% | 1/3 |