量化模型与构建方式 1. **模型名称**：华鑫市场情绪温度指标[5][8] **模型构建思路**：通过综合多个市场维度数据，构建一个能够量化市场整体情绪状态的摆荡指标，用于在震荡市中识别高抛低吸的参考点位[21] **模型具体构建过程**：模型从6大维度选取数据并构建综合评分[21]。具体构建过程未在报告中详细披露，但明确了其数据来源和指标性质。它是一个综合评分模型，通过对历史数据进行统计和回测，将多个维度的数据合成为一个0-100分的情绪指数[21] **模型评价**：该指标属于摆荡指标，类似于RSI，主要适用于震荡市，提供高抛低吸的参考[21]。在趋势性行情中可能出现钝化现象，即指标长时间维持在极端高位（如80以上）或低位（如20以下），此时指标的适用性需要重新判断[21] 量化因子与构建方式 1. **因子名称**：融资净买入额[22] **因子构建思路**：通过计算融资买入与融资偿还的差额，反映投资者通过融资杠杆对特定证券或市场的乐观情绪和买入意愿[22] **因子具体构建过程**：因子计算基于融资融券交易数据。对于单个证券或行业，在特定交易日（T日）的融资净买入额计算公式为： $$融资净买入额(T) = 融资买入额(T) - 融资偿还额(T)$$ 其中，融资买入额代表投资者当日借入资金买入股票的总额，融资偿还额代表投资者当日偿还融资负债的总额。该因子值通常以万元为单位呈现[10][12] 2. **因子名称**：融券净卖出额[22] **因子构建思路**：通过计算融券卖出与融券偿还的差额，反映投资者对特定证券或市场的悲观情绪和卖空意愿[22] **因子具体构建过程**：因子计算基于融资融券交易数据。对于单个证券或行业，在特定交易日（T日）的融券净卖出额计算公式为： $$融券净卖出额(T) = 融券卖出额(T) - 融券偿还额(T)$$ 其中，融券卖出额代表投资者当日借入证券并卖出的总额，融券偿还额代表投资者当日买入证券归还负债的总额。报告中的表格直接列出了该因子的计算结果[14][20] 3. **因子名称**：期间净买入额[21] **因子构建思路**：综合融资的看多力量和融券的看空力量，得到一个反映市场多空双方净力量对比的因子[21] **因子具体构建过程**：该因子是融资净买入因子与融券净卖出因子的复合因子。对于单个证券或行业，在特定交易日（T日）的期间净买入额计算公式为： $$期间净买入额(T) = 融资净买入额(T) - 融券净卖出额(T)$$ 公式说明：该计算将融券净卖出额视为空头力量，从代表多头力量的融资净买入额中减去，得到净多头力量。正值表示净多头力量占优，负值表示净空头力量占优[21] 4. **因子名称**：主力资金净流入额[11][16] **因子构建思路**：通过监控大额资金（主力资金）的流向，捕捉机构或大资金投资者对特定证券的短期交易动向[11] **因子具体构建过程**：报告未详细说明该因子的具体计算方法，但展示了其应用结果。通常，该因子基于Level-2行情数据中的大单、中单成交数据计算，将主动性买入的大额资金视为流入，主动性卖出的大额资金视为流出，其差额即为主力资金净流入额[10][13] 模型的回测效果 （报告中未提供华鑫市场情绪温度指标的具体回测绩效指标，如年化收益率、夏普比率、最大回撤等数值结果，因此本部分跳过） 因子的回测效果 （报告中未提供上述各因子的具体回测绩效指标，如IC值、IR、多空收益等数值结果，因此本部分跳过）

量化模型与构建方式 1. **模型名称**：红利风格择时模型[1][4][6] **模型构建思路**：通过构建一个综合因子，对红利风格进行择时判断[1][4][6] **模型具体构建过程**：模型综合了多个维度的分项因子，通过某种加权或合成方式得到最终的“综合因子值”[4][6][7][11]。报告未详细说明各因子的具体合成公式，但展示了各分项因子的最新值及综合结果[11]。综合因子值为正代表看多红利风格，为负代表看空[1][4][6]。 **模型评价**：因子值在0轴上下轻微波动是正常现象，可能位于风格切换的关键节点[4][6]。 量化因子与构建方式 1. **因子名称**：中国:非制造业 PMI:服务业[11] **因子构建思路**：使用中国服务业采购经理指数（PMI）作为反映经济景气度的宏观指标[11]。 **因子具体构建过程**：报告未提供该指标转化为模型所用因子值的具体计算过程，仅给出了标准化或处理后的因子数值[11]。 2. **因子名称**：中国:M2:同比[11] **因子构建思路**：使用中国广义货币供应量（M2）的同比增速作为反映货币环境的宏观指标[11]。 **因子具体构建过程**：报告未提供该指标转化为模型所用因子值的具体计算过程，仅给出了标准化或处理后的因子数值[11]。 3. **因子名称**：美国:国债收益率:10年[11] **因子构建思路**：使用美国10年期国债收益率作为反映全球无风险利率和资金成本的指标[4][7][11]。 **因子具体构建过程**：报告未提供该指标转化为模型所用因子值的具体计算过程，仅给出了标准化或处理后的因子数值[11]。美债利率下行被认为对红利风格有压制作用[4][7]。 4. **因子名称**：红利相对净值自身[11] **因子构建思路**：可能指红利指数相对于其自身历史净值或基准的表现，用于衡量红利风格的动量效应[4][7][11]。 **因子具体构建过程**：报告未提供该指标的具体计算过程，仅给出了标准化或处理后的因子数值[11]。报告指出“总体较强的红利动量对红利风格产生正贡献”[7]。 5. **因子名称**：中证红利股息率-10年期中债收益率[11] **因子构建思路**：计算中证红利指数的股息率与10年期中国国债收益率的差值，作为衡量红利资产相对吸引力的指标[11]。 **因子具体构建过程**：报告未提供该指标的具体计算过程，仅给出了标准化或处理后的因子数值[11]。 6. **因子名称**：融资净买入[11] **因子构建思路**：使用融资净买入数据作为反映市场情绪和杠杆资金偏好的指标[11]。 **因子具体构建过程**：报告未提供该指标转化为模型所用因子值的具体计算过程，仅给出了标准化或处理后的因子数值[11]。报告指出“市场情绪有所回暖，红利超额表现减弱”[7]。 7. **因子名称**：行业平均景气度[11] **因子构建思路**：使用行业平均景气度指标，可能反映整体经济的活跃程度[4][7][11]。 **因子具体构建过程**：报告未提供该指标的具体计算过程和构成，仅给出了标准化或处理后的因子数值[11]。行业景气度的回暖被认为对红利风格产生负贡献[4][7]。 模型的回测效果 1. **红利风格择时模型**，综合因子值（截至2026.02.27）为 -0.10[1][4][6][11]，综合因子值（截至2026.02.13）为 0.09[1][4][6][11]，综合因子值（截至2026.01.30）未给出具体数值但可从分项因子值推断[11]。 因子的回测效果 1. **中国:非制造业 PMI:服务业 因子**，因子值（2026.02.27）为 -0.13[11]，因子值（2026.02.13）为 -0.13[11]，因子值（2026.01.30）为 -0.19[11] 2. **中国:M2:同比 因子**，因子值（2026.02.27）为 0.21[11]，因子值（2026.02.13）为 0.21[11]，因子值（2026.01.30）为 0.27[11] 3. **美国:国债收益率:10年 因子**，因子值（2026.02.27）为 -0.49[11]，因子值（2026.02.13）为 -0.23[11]，因子值（2026.01.30）为 -0.39[11] 4. **红利相对净值自身 因子**，因子值（2026.02.27）为 0.54[11]，因子值（2026.02.13）为 0.89[11]，因子值（2026.01.30）为 -0.11[11] 5. **中证红利股息率-10年期中债收益率 因子**，因子值（2026.02.27）为 0.03[11]，因子值（2026.02.13）为 0.17[11]，因子值（2026.01.30）为 0.43[11] 6. **融资净买入 因子**，因子值（2026.02.27）为 -1.59[11]，因子值（2026.02.13）为 -1.89[11]，因子值（2026.01.30）为 -1.76[11] 7. **行业平均景气度 因子**，因子值（2026.02.27）为 1.12[11]，因子值（2026.02.13）为 1.02[11]，因子值（2026.01.30）为 0.77[11]

量化模型与构建方式 1. **模型名称：基于赔率和胜率的风格轮动模型[1]** * **模型构建思路：** 通过计算不同风格（如成长/价值、大盘/小盘）的“赔率”和“胜率”，并基于一个综合得分公式来决定推荐配置的风格[1][11]。 * **模型具体构建过程：** 1. **赔率估计：** 认为市场风格的相对估值水平是其预期赔率的关键影响因素，两者呈负相关。根据最新的估值差分位数，推算出相对赔率估计值。例如，价值相对成长的赔率估计为1.23，大盘相对小盘的赔率估计为1.68[8]。 2. **胜率估计：** 通过一组宏观经济、市场技术等指标对风格进行打分，统计看多某一风格的指标数量占比作为其胜率。例如，成长风格胜率为56.25%，价值风格胜率为43.75%；小盘风格胜率为85.71%，大盘风格胜率为14.29%[10][11]。 3. **综合得分计算：** 根据公式计算每种风格的投资权重得分。得分高的风格为推荐配置方向[11]。 $$投资权重得分=(胜率*赔率-(1-胜率) )/赔率$$ 公式说明：该公式将胜率与赔率结合，计算经风险调整后的配置得分。 4. **生成观点：** 分别对成长/价值、大盘/小盘进行上述计算，选择得分高的风格进行组合，形成最终推荐（如小盘+成长）[7][11]。 2. **模型名称：DTW相似性择时策略[12]** * **模型构建思路：** 基于动态时间规整（DTW）算法，计算当前指数行情与历史行情的相似度，以相似历史片段的未来表现作为当前市场未来走势的参考，从而生成择时信号[12]。 * **模型具体构建过程：** 1. **计算相似度：** 使用DTW算法度量当前一段指数行情与历史各段行情之间的相似距离。 2. **筛选参照片段：** 筛选出与当前行情相似度最高的若干历史行情片段。 3. **计算未来预期：** 计算这些筛选出的历史行情片段在未来特定窗口期（如5日）的涨跌幅均值和标准差。计算时，以相似距离的倒数为权重进行加权平均[12]。 4. **生成信号：** 依据计算出的未来预期涨跌幅的平均值和标准差，形成“乐观”、“中性”等择时交易信号[12][13]。 模型的回测效果 *注：以下为报告中提供的策略回测结果，策略基于上述风格轮动模型进行风格选择，并对比等权基准。* 1. **成长价值轮动策略（代表：红利低波 vs 创业板综）** * 全样本年化收益：19.41%[19] * 全样本年化波动：23.63%[19] * 全样本最大回撤：29.09%[19] * 全样本夏普比率：0.82[19] * 全样本收益回撤比：0.67[19] * 相对基准（50%红利低波+50%创业板综）年化超额收益：13.09%[19] * 相对基准超额年化波动：12.49%[19] * 相对基准超额最大回撤：13.54%[19] * 相对基准超额夏普比率：1.05[19] * 2025年超额收益：34.56%[3][19] * 2026年至今年化超额收益：1.92%[3][19] 2. **大小盘轮动策略（代表：沪深300 vs 中证2000）** * 全样本年化收益：22.05%[24] * 全样本年化波动：23.19%[24] * 全样本最大回撤：28.66%[24] * 全样本夏普比率：0.95[24] * 全样本收益回撤比：0.77[24] * 相对基准（50%沪深300+50%中证2000）年化超额收益：18.10%[24] * 相对基准超额年化波动：9.04%[24] * 相对基准超额最大回撤：12.12%[24] * 相对基准超额夏普比率：2.00[24] * 2025年超额收益：16.84%[3][24] * 2026年至今年化超额收益：6.03%[3][24] 量化因子与构建方式 *注：报告未详细阐述底层因子的具体构建公式，但列出了用于计算风格胜率的指标集合。* 1. **因子类别：成长/价值风格胜率指标[10]** * **因子构建思路：** 选取一组对成长或价值风格有指示意义的宏观经济与市场指标，根据其状态发出支持成长或价值风格的信号，统计支持成长信号的指标占比作为成长风格胜率[10]。 * **因子具体构建过程：** 报告列出了7个指标，包括：国债、美债、CPI_PPI、PMI、中长期贷款、动量、强势股。每个指标根据其状态判断为“成长”或“价值”信号，最终成长风格胜率 = 发出“成长”信号的指标数量 / 总指标数量[10]。 2. **因子类别：大盘/小盘风格胜率指标[11]** * **因子构建思路：** 选取一组对大盘或小盘风格有指示意义的流动性、市场环境与行为指标，根据其状态发出支持大盘或小盘风格的信号，统计支持小盘信号的指标占比作为小盘风格胜率[11]。 * **因子具体构建过程：** 报告列出了7个指标，包括：Shibor、期限利差、市场趋势、市场波动、风格动量、风格拥挤度、月历效应。每个指标根据其状态判断为“大盘”或“小盘”信号，最终小盘风格胜率 = 发出“小盘”信号的指标数量 / 总指标数量[11]。

量化模型与构建方式 1. **模型名称**：指数调样综合冲击模型[11] * **模型构建思路**：为量化评估多只指数同时调整样本股对单一个股造成的综合资金影响，定义了一个综合冲击系数[11]。该系数综合考虑了股票在相关指数中的权重变化、跟踪该指数的资金规模以及股票自身的流动性[11]。 * **模型具体构建过程**：模型的核心是计算每只股票的综合冲击系数（effect_total_s）。具体步骤如下： 1. 对于每只股票s，识别其涉及调样的所有指数i（i=1, 2, ..., n）[11]。 2. 计算股票s在指数i上的权重变化（wt_chg_s_i），即调入为正权重，调出为负权重[11]。 3. 获取指数i的跟踪规模（fund_size_i），即跟踪该指数的基金总规模[11]。 4. 计算股票s过去20个交易日的平均成交金额（amount_avg_s_20）[11]。 5. 对股票s涉及的每一个指数i，计算其单项冲击：`(权重变化 * 指数跟踪规模) / (股票20日平均成交额)`[11]。 6. 将所有相关指数的单项冲击求和，得到该股票的综合冲击系数[11]。 * **公式**： $$effect\_total_{s}=\sum_{i=1}^{n}\frac{wt\_chg_{s_{i}}\times fund\_size_{i}}{amount\_avg_{s_{i}}20}$$ 其中，`effect_total_s` 代表股票s的综合冲击系数，`wt_chg_s_i` 代表股票s在指数i上的权重变化，`fund_size_i` 代表指数i的跟踪规模，`amount_avg_s_20` 代表股票s过去20日的平均成交金额[11]。 * **模型评价**：该模型提供了一个统一的量化框架，用于比较不同股票因指数调样可能面临的资金流入/流出压力，有助于投资者识别潜在的投资机会与风险[11][14][16]。但模型结果依赖于输入数据（如基金规模、成交额）的准确性和时效性[16]。 模型的回测效果 *注：本报告未提供该综合冲击模型的历史回测绩效指标（如年化收益率、夏普比率、最大回撤等）。报告展示了模型在特定时点（2026年2月27日）的应用结果，即根据当时数据计算出的个股冲击系数[17]。* 量化因子与构建方式 *注：本报告核心内容为事件（指数调样）冲击模型，未涉及传统的选股阿尔法因子（如价值、成长、动量等）的构建与测试。* 因子的回测效果 *注：本报告未涉及传统量化因子的回测效果。*

量化模型与构建方式 1. **择时体系模型** * **模型构建思路**：通过计算市场指数长短期均线的距离差，并结合市场趋势线、赚钱效应等指标，来综合判断市场所处的整体环境（如上/下行趋势），从而进行择时判断[2][7]。 * **模型具体构建过程**： 1. 计算WIND全A指数的长期均线（120日）和短期均线（20日）[2][7]。 2. 计算两线距离差（百分比）：$$距离差 = \frac{短期均线 - 长期均线}{长期均线} \times 100\%$$ 例如，20日线收于6407，120日线收于6809，则距离差为 (6407-6809)/6809 ≈ -6.28%[2][7]。 3. 观察市场趋势线（报告中未给出具体计算方法，但提及位于6812点附近）和“赚钱效应”指标（当期值为1.91%）[2][7]。 4. 根据规则进行判断：当均线距离绝对值大于3%，且赚钱效应大于0时，市场处于上行趋势[2][5][7]。 2. **仓位管理模型** * **模型构建思路**：结合市场估值水平（PE/PB分位数）和短期趋势判断（来自择时体系），为绝对收益产品提供股票仓位建议[2][9]。 * **模型具体构建过程**： 1. 评估市场估值水平：计算WIND全A指数PE和PB在历史数据（例如2014年10月17日以来）中的分位数[9][10][12]。 2. 结合择时体系对短期趋势的判断（如上行趋势）[9]。 3. 根据模型规则输出建议仓位。例如，当前PE位于90分位点（较高），PB位于50分位点（中等），结合上行趋势，建议仓位为80%[2][9]。 3. **中期困境反转预期模型** * **模型构建思路**：识别处于中期困境但有望出现反转的行业或板块，捕捉其阶段性投资机会[2][6][8]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建公式和步骤，仅给出了模型当前的输出结论：继续等待地产链（建材）的反转信号，并认为在两会窗口期可能有阶段性机会[2][6][8][15]。 4. **TWO BETA模型** * **模型构建思路**：基于双Beta理论进行行业配置，推荐具有特定风险暴露（报告中特指科技板块）的行业[2][6][8]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建公式和步骤，仅给出了模型当前的输出结论：继续推荐科技板块，并关注商业航天（卫星）的反弹机会[2][6][8][15]。 5. **业绩趋势模型** * **模型构建思路**：根据上市公司业绩的变化趋势进行行业配置，重点关注业绩向好或具备强成长性的产业链[2][6][8]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建公式和步骤，仅给出了模型当前的提示结论：重点关注算力相关产业链（半导体设备、通信）以及有色与化工板块[2][6][8][15]。 模型的回测效果 （报告未提供各模型的历史回测绩效指标，如年化收益率、夏普比率、最大回撤等具体数值。） 量化因子与构建方式 （报告未提及具体的量化因子构建。） 因子的回测效果 （报告未提及具体的量化因子及其测试结果。）

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：风格指数构建模型（长江动量/反转指数）[64] * **模型构建思路**：分别基于动量效应和反转效应，构建能够表征A股市场中相应风格股票整体走势的指数。 * **模型具体构建过程**： * **长江动量指数**：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，综合选择A股市场中动量特征强且流动性相对较高的前100只股票作为指数成分股[64]。 * **长江反转指数**：以最近一个月股票收益率作为筛选指标，综合选择A股市场中反转效应强、流动性较好的前100只股票作为指数成分股，并采用成分股近三个月日均成交量进行加权[64]。 2. **模型名称**：风格拥挤度计算模型[73][129] * **模型构建思路**：通过计算不同风格指数换手率Z-score的差值及其历史分位数，来衡量某一风格相对于另一风格的交易拥挤程度。 * **模型具体构建过程**： 1. 分别计算风格A和风格B指数的近252日平均换手率在历史时间序列上的Z-score标准化值，记为Z-score_A与Z-score_B[129]。 2. 计算二者差值：$$Diff_{Z} = Z\text{-}score\_A - Z\text{-}score\_B$$[129]。 3. 计算该差值（Diff_Z）的滚动6年历史分位数（历史数据量满1年且不足6年时，以全部历史数据进行计算），此分位数即为风格A相对于风格B的“相对拥挤度”[129]。 3. **模型名称**：风格累计超额净值计算模型[130] * **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，用于跟踪风格收益的持续性。 * **模型具体构建过程**： 1. 以2020年1月4日为基准日，将各风格指数及万得全A指数的每日收盘点数除以基准日收盘点数，得到各自的累计净值[130]。 2. 将各风格指数的累计净值除以同一交易日的万得全A指数累计净值，得到各风格指数相对于万得全A指数的累计超额净值[130]。 4. **模型名称**：机构调研活跃度分位数计算模型[131] * **模型构建思路**：通过标准化板块（指数、行业）的日均机构调研次数并与市场整体水平比较，计算其历史分位数，以衡量机构关注度的相对高低。 * **模型具体构建过程**： 1. 计算板块（指数、行业）近n个交易日的“日均机构调研次数”[131]。 2. 将该值在滚动y年的历史时间序列上进行Z-score标准化，得到该板块的标准化值[131]。 3. 将该板块的标准化值与万得全A指数的标准化结果作差，得到“机构调研活跃度”差值[131]。 4. 最后计算该“机构调研活跃度”差值的滚动y年历史分位数[131]。 * **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年且不足6年时，以全部历史数据进行计算）[131]。 * 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年且不足3年时，以全部历史数据进行计算）[131]。 5. **模型名称**：股债性价比（ERP）计算模型[52] * **模型构建思路**：通过计算股票指数市盈率倒数与无风险利率的差值，来衡量权益资产相对于债券的预期超额回报，即风险溢价。 * **模型具体构建过程**： 1. 计算指数市盈率的倒数：$$Earnings Yield = 1 / PE\_TTM$$[52]。 2. 减去10年期中债国债到期收益率：$$ERP = 1 / PE\_TTM - 10\text{年期国债到期收益率}$$[52]。 3. 计算该ERP值在历史时间序列上的百分位，以判断当前性价比的高低[52][60]。 量化因子与构建方式 1. **因子名称**：动量因子[64] * **因子构建思路**：捕捉股票中期收益率延续的趋势，即过去表现好的股票在未来一段时间内继续表现好。 * **因子具体构建过程**：计算每只股票最近一年收益率减去最近一个月收益率（剔除涨停板影响），以此作为动量得分[64]。 2. **因子名称**：反转因子[64] * **因子构建思路**：捕捉股票短期收益率反转的趋势，即过去短期内表现差的股票在未来可能反弹。 * **因子具体构建过程**：计算每只股票最近一个月的股票收益率，以此作为反转得分[64]。 3. **因子名称**：成交热度因子[25] * **因子构建思路**：通过换手率的历史分位来衡量板块或行业的交易活跃度。 * **因子具体构建过程**：计算板块或行业的周度日均自由流通换手率，并求其在历史时间区间（例如2005年1月1日至今）内的历史分位值[25][36]。 4. **因子名称**：估值分位因子[41][50] * **因子构建思路**：通过市盈率（PE_TTM）的历史分位来判断指数、板块或行业的估值水平高低。 * **因子具体构建过程**：计算指数、板块或行业的当前PE_TTM，并求其在历史时间区间（例如2005年1月1日至今）内的历史分位值[41][50]。 5. **因子名称**：规模因子（小盘/大盘）[61] * **因子构建思路**：基于市值规模划分风格，捕捉小盘股相对于大盘股的溢价效应。 * **因子具体构建过程**：通常通过构建小盘指数（如巨潮小盘）与大盘指数（如巨潮大盘）的相对收益来表征[61]。 6. **因子名称**：成长/红利因子[61] * **因子构建思路**：区分成长型股票与高股息（红利）型股票，捕捉不同市场环境下两类风格的表现差异。 * **因子具体构建过程**：通过构建成长指数（如国证成长）与红利指数（如中证红利）的相对收益来表征[61]。 模型的回测效果 （本报告为市场跟踪周报，未提供量化模型的历史回测绩效指标，如年化收益率、夏普比率、最大回撤等。报告主要展示了模型或因子在特定时点的状态和近期表现。） 因子的回测效果 （本报告为市场跟踪周报，未提供量化因子的历史回测绩效指标，如IC、IR、多空收益等。报告主要展示了基于因子构建的风格指数在近期的表现，具体数值如下：） 1. **成长 vs 红利因子**，近一周超额收益-0.4%，近一月超额收益-3.4%，年初至今超额收益0.9%[61] 2. **小盘 vs 大盘因子**，近一周超额收益3.5%，近一月超额收益1.0%，年初至今超额收益14.4%[61] 3. **微盘股 vs 基金重仓因子**，近一周超额收益0.2%，近一月超额收益3.7%，年初至今超额收益7.3%[61] 4. **动量 vs 反转因子**，近一周超额收益0.8%，近一月超额收益-0.9%，年初至今超额收益-2.4%[61]

量化模型与构建方式 1. 模型名称：风格轮动综合打分体系 **模型构建思路**：通过宏观、市场情绪与拥挤度三个维度对市场风格（价值/成长、大盘/小盘）进行多因子打分，构建综合打分体系以判断风格轮动方向[2][6]。 **模型具体构建过程**： 1. **价值成长轮动策略**：构建思路基于“成长股能够更好地受益于流动性宽松，大盘股对经济繁荣的表现更加敏感”[2][6]。报告未详细披露具体用于打分的因子及权重分配过程，但指出是通过“三维度多因子打分”构建[6]。 2. **大小盘轮动策略**：构建思路与价值成长轮动策略类似，同样基于宏观敏感性、流动性受益和市场情绪/拥挤度三个维度进行综合打分[2][6]。 **模型评价**：该模型旨在通过多维度的宏观和市场指标，系统性地捕捉市场风格的切换信号。 2. 模型名称：行业轮动综合解决方案 **模型构建思路**：构造宏观经济、中观基本面、微观技术面以及交易拥挤度四个维度的指标，通过综合打分的方式构建行业轮动模型，每月选取得分最高的行业进行配置[3][11]。 **模型具体构建过程**： 1. **宏观指标**：将一级行业划分为上游周期、中游制造、下游消费、TMT、大金融五个板块。构建基于宏观经济增长与流动性二阶差分的象限划分体系，根据经济增长和流动性的二阶变化（如“衰退加深/扩张放缓”、“宽松加码/紧缩放缓”）来推荐配置的板块[15]。 2. **基本面指标**：包含历史景气、景气变化与景气预期三个部分[17]。具体因子和合成方法未详细披露。 3. **技术面指标**：包含指数动量、龙头股动量与K线形态三个部分[20]。具体因子和合成方法未详细披露。 4. **拥挤度指标**：包含融资流入、换手率与成交占比三个部分[21]。该指标为负向指标，用于提示交易过热风险。 5. **综合信号合成**：结合宏观、基本面和技术面三个维度的正向得分，同时负向配置拥挤度因子，构建行业轮动综合评价体系[25]。 6. **ETF映射**：为将行业观点落地为可投资标的，建立了从行业到ETF的映射规则[26]： * 规则一：整理ETF清单，每个指数仅保留规模最大的ETF，并根据规模和流动性筛选。 * 规则二：统计指数成分股的行业权重，将指数映射到其成分股权重最大且超过50%的行业。 * 规则三：对于每个行业，若存在3个以上符合条件的指数，则选择过去60天收益率相关性最低的3个指数对应的ETF；若仅有3个及以内，则全部映射。 * 规则四：计算行业与指数的过去60天收益率相关系数，选择相关性最强的一个指数对应的ETF进行最终映射。 **模型评价**：该模型框架全面，覆盖了宏观、中观、微观及市场情绪多个层面，旨在通过多维信号捕捉行业轮动机会，历史回测显示其能产生稳定的超额收益[12]。 模型的回测效果 1. 行业轮动综合解决方案 * 年化收益：18.4%[12] * 基准年化收益（行业等权）：4.9%[12] * 超额年化收益：13.5%[12] * 月度IC均值：12.1%[12] * 月度ICIR：1.39[13] （注：报告未提供风格轮动模型的详细历史回测绩效指标。） 量化因子与构建方式 1. 因子类别：行业轮动宏观因子 **因子构建思路**：通过宏观经济增长和流动性的二阶差分（变化速度的变化）来划分经济象限，从而判断对不同行业板块的配置倾向[15]。 **因子具体构建过程**：报告未给出具体的计算公式，但描述了构建逻辑：基于宏观增长与流动性的二阶差分进行象限划分。例如，当“经济增长二阶走弱、流动性二阶改善”时，模型建议配置TMT和上游周期板块[15]。 2. 因子类别：行业轮动基本面因子 **因子构建思路**：从历史景气度、景气度变化以及未来景气预期三个角度评估行业的基本面状况[17]。 **因子具体构建过程**：报告指出该因子包含历史景气、景气变化与景气预期三个部分，但未披露具体因子构成、计算方法和合成公式[17]。 3. 因子类别：行业轮动技术面因子 **因子构建思路**：从指数整体动量、行业内龙头股动量以及K线形态三个技术分析角度评估行业的趋势强度[20]。 **因子具体构建过程**：报告指出该因子包含指数动量、龙头股动量与K线形态三个部分，但未披露具体因子构成、计算方法和合成公式[20]。 4. 因子类别：行业轮动拥挤度因子 **因子构建思路**：通过融资流入、换手率与成交占比三个维度衡量行业的交易热度和拥挤程度，作为风险提示指标[21]。 **因子具体构建过程**：报告指出该因子包含融资流入、换手率与成交占比三个部分，但未披露具体因子构成、计算方法和合成公式[21]。 **因子评价**：拥挤度因子是一个负向指标，用于识别交易过热、可能面临回调风险的行业[21][25]。 因子的回测效果 （注：报告未提供各个独立因子（如宏观、基本面、技术面、拥挤度因子）的历史IC、IR等具体测试结果取值。仅提供了合成后的行业轮动模型的整体绩效。）

量化模型与构建方式 1. **模型名称：A股景气度高频指数**[33] * **模型构建思路**：以上证指数归母净利润同比为Nowcasting目标，构建一个能够高频反映A股景气度变化的指数[33]。 * **模型具体构建过程**：报告提及该指数构建详情请参考另一篇报告《视角透析：A股景气度高频指数构建与观察》，但未在本报告中给出具体公式和构建步骤[33]。 2. **模型名称：A股情绪指数系统**[38] * **模型构建思路**：通过量价数据（波动率和成交额）的变化方向来刻画市场情绪，并据此构建包含见底预警与见顶预警的情绪指数[38]。 * **模型具体构建过程**：将市场按照波动率和成交额的变化方向划分为四个象限。其中，波动率上行、成交额下行的区间为显著负收益，其余象限均为显著正收益。根据这一规律构造情绪指数[38]。 3. **模型名称：主题投资挖掘算法**[51] * **模型构建思路**：基于新闻和研报文本，通过多维度分析来挖掘和描述主题投资机会[51]。 * **模型具体构建过程**：通过对文本进行处理、提取主题关键词、挖掘主题与个股关系、构建主题活跃周期、构建主题影响力因子等多个步骤来描述主题投资机会[51]。 4. **模型名称：中证500增强组合**[52] * **模型构建思路**：通过量化策略模型构建一个旨在跑赢中证500指数的投资组合[52]。 * **模型具体构建过程**：报告未详细说明具体构建过程，但展示了根据策略模型生成的持仓明细[52]。 5. **模型名称：沪深300增强组合**[57] * **模型构建思路**：通过量化策略模型构建一个旨在跑赢沪深300指数的投资组合[57]。 * **模型具体构建过程**：报告未详细说明具体构建过程，但展示了根据策略模型生成的持仓明细[60]。 模型的回测效果 1. **A股景气度高频指数**：截至2026年2月27日，指数取值为18.79，相比2023年底上升13.37，当前处于上升周期中[36]。 2. **A股情绪指数系统**：当前A股情绪见底指数信号为“空”，A股情绪见顶指数信号为“空”，综合信号为“空”[44]。 3. **中证500增强组合**：本周（报告期）收益3.10%，跑输基准1.22%。2020年至今，组合相对中证500指数超额收益45.79%，最大回撤-10.19%[52]。 4. **沪深300增强组合**：本周（报告期）收益1.30%，跑赢基准0.22%。2020年至今，组合相对沪深300指数超额收益46.24%，最大回撤-5.86%[57]。 量化因子与构建方式 1. **因子体系**：参照BARRA因子模型，构建了A股市场的十大类风格因子[61]。 * **因子名称**：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS\_YIELD）、成长（GROWTH）和杠杆（LVRG）[61]。 因子的回测效果 1. **风格因子近期表现（纯因子收益角度）**： * **动量因子**：超额收益较高[62]。 * **市值因子、残差波动率因子**：呈较为显著的负向超额收益[62]。 * **盈利因子**：高盈利股表现优异[62]。 2. **行业因子近期表现（纯因子收益角度）**： * **钢铁、煤炭、有色金属等行业因子**：相对市场市值加权组合跑出较高超额收益[62]。 * **传媒、保险、消费者服务等行业因子**：回撤较多[62]。

量化模型与构建方式 1. **模型名称：三维择时框架**[8][12] * **模型构建思路**：通过构建市场分歧度、流动性、景气度三个维度的指标，综合判断市场整体趋势[8]。 * **模型具体构建过程**：模型基于三个独立的指数进行判断。分歧度指数用于衡量市场参与者观点的离散程度[18]。流动性指数用于衡量市场资金面的松紧状况[23]。景气度指数（A股景气度指数2.0）用于衡量上市公司整体的经营状况和盈利趋势[20]。通过观察这三个指标的变化趋势（上行或下行），形成对市场（如震荡下跌）的综合判断[8]。 2. **模型名称：热点趋势ETF策略**[28] * **模型构建思路**：结合价格形态（支撑阻力）和短期市场关注度（换手率变化）来筛选ETF，构建组合[28]。 * **模型具体构建过程**： 1. 首先筛选出K线最高价与最低价同时呈现上涨形态的ETF[28]。 2. 计算支撑阻力因子：基于最高价与最低价近20日的回归系数，衡量价格趋势的陡峭程度[28]。 3. 在支撑阻力因子的多头组中，进一步选择近5日换手率与近20日换手率比值最高的ETF，即短期市场关注度明显提升的品种[28]。 4. 最终选取10只ETF，采用风险平价方法构建投资组合[28]。 3. **模型名称：ETF三策略融合轮动模型**[32][34] * **模型构建思路**：将基于基本面、质量低波、困境反转三种不同逻辑的行业轮动策略进行等权融合，以实现因子与风格的互补，降低单一策略风险[32]。 * **模型具体构建过程**： 1. 分别构建三个子策略： * **行业轮动策略**：核心因子包括超预期景气度、行业龙头效应、行业动量、拥挤度、通胀beta等，旨在覆盖行业多维度特性[33]。 * **个股风格驱动策略**：核心因子包括个股动量、个股质量、个股波动率，聚焦于个股质量与低波，防御性突出[33]。 * **困境反转策略**：核心因子包括PB_zscore、分析师长期预期、短期筹码交换，旨在捕捉估值修复与业绩反转机会[33]。 2. 将三个策略选出的行业或标的进行等权合并，形成最终的ETF轮动组合[32]。 4. **模型名称：资金流共振策略**[43][46] * **模型构建思路**：结合融资融券资金流和主动大单资金流，通过剔除极端值来提高策略稳定性，筛选出两类资金流产生共振的行业[43][46]。 * **模型具体构建过程**： 1. **构建行业融资融券资金因子**：计算行业内个股的融资净买入减去融券净卖出并加总，然后进行Barra市值因子中性化处理，再取最近50日均值，最后计算其两周环比变化率[43]。 2. **构建行业主动大单资金因子**：计算行业净流入资金，并进行最近一年成交量时序中性化处理，然后排序并取最近10日均值[43]。 3. **策略逻辑**：研究发现融资融券因子的多头端在某些市场状态下有稳定的负向超额收益，而主动大单因子剔除极端多头行业后有稳定正向超额收益。因此，策略在主动大单因子的头部打分行业内，剔除融资融券因子也处于头部的行业[43]。 4. 进一步剔除大金融板块，得到最终推荐的行业组合[43]。 5. **模型名称：全天候配置策略**[49] * **模型构建思路**：通过资产选择、风险调整和结构对冲三项原则，绕过宏观预测，直接针对资产波动进行长期收益平衡，旨在获取稳健的绝对收益[49]。 * **模型具体构建过程**：采用循环对冲设计对冲构型。根据风险水平分为两个版本： * **高波版**：采用“四层结构化-股债金风险平价”构型[53][54]。 * **低波版**：采用“五层结构化-风险预算”构型[55][57]。 模型的回测效果 1. **热点趋势ETF策略**[28][29] * 2025年以来收益率：59.92%[28] * 2025年以来相对沪深300的超额收益率：36.61%[28] 2. **ETF三策略融合轮动模型**[34][37][38] * 总回测期（2017/4/10 - 2026/2/27）组合收益率：12.16%[37] * 总回测期（2017/4/10 - 2026/2/27）夏普比率：0.74[37] * 2026年以来收益率：1.47%[37] * 总回测期（2017/4/10 - 2026/2/27）信息比率(IR)：0.96[38] * 总回测期（2017/4/10 - 2026/2/27）最大回撤：-24.55%[38] 3. **资金流共振策略**[43][44] * 2018年以来费后年化超额收益：14.3%[43] * 2018年以来信息比率(IR)：1.4[43] * 上周（报告期）绝对收益：-0.92%[44] * 上周（报告期）相对行业等权的超额收益：-3.63%[44] 4. **全天候配置策略**[57][59][60] * **高波版**（截至2025年）： * 年化收益率：11.8%[57] * 年平均最大回撤：3.6%[57] * 夏普比率：2.3[57] * **低波版**（截至2025年）： * 年化收益率：8.8%[59] * 年平均最大回撤：2.0%[59] * 夏普比率：3.4[59] * 2026年以来收益率： * 高波版：2.7%[59] * 低波版：1.1%[59] 量化因子与构建方式 1. **因子名称：支撑阻力因子**[28] * **因子构建思路**：通过计算ETF价格最高价与最低价近20日回归系数的相对陡峭程度，来衡量价格趋势的强度[28]。 * **因子具体构建过程**：分别对ETF的最高价序列和最低价序列进行近20日的线性回归，比较两个回归系数的陡峭程度，具体公式未在报告中给出[28]。 2. **因子名称：行业融资融券资金因子**[43] * **因子构建思路**：衡量经过市值调整后的行业层面融资融券资金流的近期变化趋势[43]。 * **因子具体构建过程**： 1. 计算行业内个股的融资净买入减去融券净卖出并加总。 2. 对加总后的值进行Barra市值因子中性化处理。 3. 取最近50日的均值。 4. 计算该均值的两周环比变化率作为最终因子值[43]。 3. **因子名称：行业主动大单资金因子**[43] * **因子构建思路**：衡量经过成交量调整后的行业层面主动大单资金流的近期强度[43]。 * **因子具体构建过程**： 1. 计算行业净流入资金。 2. 进行最近一年成交量时序中性化处理。 3. 将处理后的值进行排序（分位化）。 4. 取最近10日的均值作为最终因子值[43]。 4. **风格因子组**[62] * **因子构建思路**：报告提及了贝塔因子、动量因子、流动性因子，用于描述市场的风格特征[62]。 * **因子具体构建过程**：报告未详细描述具体构建过程，仅展示了其本周收益[62]。 5. **Alpha因子组**[65][66][67][70] * **因子构建思路**：从多维度（时间、指数、行业）构建并测试了大量选股因子，以观察其选股能力[65]。 * **因子具体构建过程**：因子均进行了市值和行业中性化处理（规模因子仅进行行业中性化）。通过计算因子多头组（前1/5）相对基准的收益来评估因子表现[65]。报告列举了多个因子，例如： * **1年-1个月的收益率 (non ly 1n)**：过去1年收益率减去过去1个月收益率[67]。 * **营业利润占销售费用比 (oper salesexp)**：营业利润TTM / 销售费用TTM[67]。 * **研发销售收入占比 (tot rd ttm to sales)**：研发费用TTM / 营业收入TTM[70]。 * **单季度ROA同比差值(考虑快报、预告) (roa q delta adv)**：单季度ROA与去年同期的差值，并考虑快报和预告数据[70]。 * **一致预期净利润变化 (mom1 np fy1)**：$$(当前一致预测净利润FY1 - 1个月前一致预测净利润FY1) / |1个月前一致预测净利润FY1|$$[70]。 因子的回测效果 1. **风格因子（本周表现）**[62] * 贝塔因子周收益：3.26%[62] * 动量因子周收益：2.37%[62] * 流动性因子周收益：2.21%[62] 2. **Alpha因子（近一周多头超额收益）**[66][67] * 1年-1个月的收益率因子：1.18%[66][67] * 营业利润占销售费用比因子：1.13%[66][67] * 涨幅排行榜因子：0.77%[67] 3. **Alpha因子（最近一年在不同指数中的多头超额收益前例）**[69][70] * **在沪深300中表现突出的因子**： * 单季度ROA同比差值(考虑快报、预告)：33.90%[69][70] * 单季度ROA同比差值：32.59%[69][70] * 评级上下调差/评级上下调和：30.37%[70] * **在中证500中表现突出的因子**： * 一致预期净利润变化：19.23%[69][70] * 研发净资产占比：18.63%[70] * **在中证800中表现突出的因子**： * 一致预期净利润变化：31.20%[69][70] * est eps动量：30.74%[70] * **在中证1000中表现突出的因子**： * 单季度净利润同比增长(考虑快报、预告)：23.24%[69][70] * 研发销售收入占比：22.12%[70]

量化模型与构建方式 1. **模型名称：择时雷达六面图综合择时模型** * **模型构建思路**：权益市场表现受多维度因素影响，该模型从流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取二十一个指标对市场进行综合刻画，并概括为“估值性价比”、“宏观基本面”、“资金&趋势”、“拥挤度&反转”四大类，最终生成一个介于[-1,1]之间的综合择时分数[1]。 * **模型具体构建过程**： 1. 从六个维度（流动性、经济面、估值面、资金面、技术面、拥挤度）选取二十一个底层指标[1]。 2. 对每个底层指标，根据其构建规则计算出一个介于[-1, 1]之间的信号分数（看多为1，看空为-1，中性为0）[9]。 3. 将二十一个指标归纳为四大类：“估值性价比”、“宏观基本面”、“资金&趋势”、“拥挤度&反转”[1]。 4. 通过一定方法（报告未详述具体加权或合成方式）将各类别下的指标分数合成为各大类分数[1]。 5. 最终，将四大类分数合成为一个综合择时分数，范围在[-1,1]之间[1]。 量化因子与构建方式 1. **因子名称：货币方向因子** * **因子构建思路**：判断当前货币政策的方向，通过比较货币政策工具利率与短端市场利率相对于过去的变化来确定宽松或收紧[11]。 * **因子具体构建过程**：选取央行使用的货币政策工具利率与短端市场利率，计算其相较于90天前的平均变化方向[11]。若因子值>0，则判断货币政策宽松，发出看多信号；若因子值<0，则判断货币政策收紧，发出看空信号[11]。 2. **因子名称：货币强度因子** * **因子构建思路**：基于“利率走廊”概念，表征短端市场利率相对于政策利率的偏离幅度，以判断货币环境的松紧程度[15]。 * **因子具体构建过程**： 1. 计算偏离度：$$偏离度 = \frac{DR007}{7天逆回购利率} - 1$$[15]。 2. 对偏离度进行平滑处理并计算z-score，得到货币强度因子[15]。 3. 若货币强度因子 < -1.5倍标准差，则预期未来120个交易日为宽松环境，指标分数为1；若因子 > 1.5倍标准差，则预期未来120个交易日指标分数为-1[15]。 3. **因子名称：信用方向因子** * **因子构建思路**：表征商业银行对实体经济信贷传导的松紧程度，使用中长期贷款指标的同比变化趋势来判断[18]。 * **因子具体构建过程**： 1. 获取中长期贷款当月值[18]。 2. 计算过去十二个月的增量[18]。 3. 计算该增量的同比值，得到信用方向因子[18]。 4. 若信用方向因子相比于三个月之前上升则看多，分数为1；反之则看空，分数为-1[18]。 4. **因子名称：信用强度因子** * **因子构建思路**：捕捉信贷指标是否大幅超预期或不及预期，反映信用环境的强度变化[21]。 * **因子具体构建过程**： 1. 计算因子值：$$信用强度因子 = \frac{新增人民币贷款当月值 – 预期中位数}{预期标准差}$$[21]。 2. 若信用强度因子 > 1.5倍标准差，则定义未来60个交易日为信用显著超预期环境，分数为1；反之若因子 < -1.5倍标准差，则未来60个交易日分数为-1[21]。 5. **因子名称：增长方向因子** * **因子构建思路**：基于PMI数据判断经济增长的方向性趋势[23]。 * **因子具体构建过程**： 1. 基于中采制造业PMI、中采非制造业PMI、财新制造业PMI构建综合PMI指标[23]。 2. 计算该综合PMI过去十二个月的均值[23]。 3. 计算该均值的同比值，得到增长方向因子[23]。 4. 若增长方向因子相比于三个月之前上升则看多，分数为1；反之则看空，分数为-1[23]。 6. **因子名称：增长强度因子** * **因子构建思路**：捕捉经济增长指标是否大幅超预期或不及预期，反映经济增长的动量强度[25]。 * **因子具体构建过程**： 1. 计算PMI预期差：$$增长强度因子 = \frac{PMI – 预期中位数}{预期标准差}$$[25]。 2. 若增长强度因子 > 1.5倍标准差，则定义未来60个交易日为增长显著超预期环境，分数为1；反之若因子 < -1.5倍标准差，则未来60个交易日分数为-1[25]。 7. **因子名称：通胀方向因子** * **因子构建思路**：通过CPI和PPI的综合变化判断通胀趋势，通胀下行通常意味着未来货币政策空间更大，利好权益[27]。 * **因子具体构建过程**： 1. 计算因子值：$$通胀方向因子 = 0.5 \times CPI同比平滑值 + 0.5 \times PPI同比原始值$$[27]。 2. 若通胀方向因子相较于三个月之前降低，则说明是通胀下行环境，此时看多，分数为1；反之看空，分数为-1[27]。 8. **因子名称：通胀强度因子** * **因子构建思路**：捕捉通胀指标是否大幅超预期或不及预期[30]。 * **因子具体构建过程**： 1. 分别计算CPI与PPI的预期差：$$预期差 = \frac{披露值 – 预期中位数}{预期标准差}$$[30]。 2. 计算CPI与PPI预期差的均值，得到通胀强度因子[30]。 3. 若通胀强度因子 < -1.5倍标准差，则定义未来60个交易日为通胀显著不及预期环境，分数为1；反之若因子 > 1.5倍标准差，则未来60个交易日分数为-1[30]。 9. **因子名称：席勒ERP** * **因子构建思路**：使用经过周期调整的盈利来计算市盈率，再与无风险利率比较，得到股权风险溢价，以衡量市场的估值性价比[31]。 * **因子具体构建过程**： 1. 计算过去6年通胀调整后的平均盈利，得到席勒PE[31]。 2. 计算席勒ERP：$$席勒ERP = \frac{1}{席勒PE} - 10年期国债到期收益率$$[31]。 3. 计算席勒ERP过去6年的z-score作为分数[31]。 10. **因子名称：PB因子** * **因子构建思路**：将市净率（PB）进行标准化处理，作为衡量市场估值水平的指标之一[35]。 * **因子具体构建过程**：对PB乘以-1，并计算过去6年的z-score，经过1.5倍标准差截尾后，标准化到±1之间得到分数[35]。 11. **因子名称：AIAE因子** * **因子构建思路**：全市场权益配置比例，反映了投资者在风险资产和安全资产之间的动态配置均衡，用以衡量市场整体风险偏好[37]。 * **因子具体构建过程**： 1. 构建A股AIAE指标：$$AIAE = \frac{中证全指总流通市值}{中证全指总流通市值 + 实体总债务}$$[37]。 2. 将AIAE乘以-1，并计算过去6年的z-score得到分数[37]。 12. **因子名称：两融增量因子** * **因子构建思路**：两融余额变化反映市场杠杆资金情绪，上行通常伴随市场走强[40]。 * **因子具体构建过程**： 1. 计算融资余额与融券余额的差值[40]。 2. 分别计算该差值过去120日的日均增量和过去240日的日均增量[40]。 3. 若120日均增量 > 240日均增量，则判断杠杆资金上行，看多，分数为1；反之看空，分数为-1[40]。 13. **因子名称：成交额趋势因子** * **因子构建思路**：成交额上行代表市场成交热度与资金活跃度高[43]。 * **因子具体构建过程**： 1. 计算对数成交额的均线距离：$$均线距离 = \frac{ma120}{ma240} - 1$$[43]。 2. 当均线距离的过去10日、30日、60日最大值同时相等时，看多，分数为1；当过去10日、30日、60日最小值同时相等时，看空，分数为-1[43]。 14. **因子名称：中国主权CDS利差因子** * **因子构建思路**：中国主权CDS利差代表了海外投资者对中国经济与主权信用风险的定价，利差下降通常意味着外资流入意愿增强[47]。 * **因子具体构建过程**：对平滑后的CDS利差计算20日差分。若20日差分 < 0，说明CDS利差下降，看多，分数为1；反之看空，分数为-1[47]。 15. **因子名称：海外风险厌恶指数因子** * **因子构建思路**：花旗风险厌恶指数（Citi RAI Index）能捕捉海外市场的风险偏好，其下降表明外资风险偏好上升[49]。 * **因子具体构建过程**：对平滑后的风险厌恶指数计算20日差分。若20日差分 < 0，外资风险偏好上升，看多，分数为1；反之看空，分数为-1[49]。 16. **因子名称：价格趋势因子** * **因子构建思路**：使用均线距离衡量标的价格的中长期趋势方向与强度[52]。 * **因子具体构建过程**： 1. 计算价格均线距离：$$均线距离 = \frac{ma120}{ma240} - 1$$[52]。 2. **趋势方向分数**：若均线距离 > 0，则分数为1，反之为-1[52]。 3. **趋势强度分数**：若均线距离的过去20日与60日最大值相等，则分数为1；若过去20日与60日最小值相等，则分数为-1[52]。 4. **趋势综合分数**：$$趋势综合分数 = \frac{趋势方向分数 + 趋势强度分数}{2}$$[52]。 17. **因子名称：新高新低数因子** * **因子构建思路**：指数成分股的新高与新低个数之差可作为市场反转信号[54]。 * **因子具体构建过程**：计算中证800成分股过去一年新低数减去新高数，并取20日移动平均。若该值 > 0，说明近期新低较多，市场有见底预期，看多，分数为1；反之看空，分数为-1[54]。 18. **因子名称：期权隐含升贴水因子** * **因子构建思路**：基于看涨看跌平价关系推导出的期权隐含升贴水，反映了期权市场对未来标的收益率的预期与情绪，可作为反转指标[58]。 * **因子具体构建过程**：若50ETF近5日收益率 < 0，且该指标的历史分位数 < 30%，则看多持续20日；若50ETF近5日收益率 > 0，且该指标的历史分位数 > 70%，则看空持续20日[58]。 19. **因子名称：期权VIX因子** * **因子构建思路**：期权隐含波动率指数（VIX）反映了市场对未来波动率的预期，较高时市场倾向于反转[60]。 * **因子具体构建过程**：若50ETF近5日收益率 < 0，且该指标的历史分位数 > 70%，则看多持续20日；若50ETF近5日收益率 > 0，且该指标的历史分位数 > 70%，则看空持续20日[60]。 20. **因子名称：期权SKEW因子** * **因子构建思路**：期权隐含偏度指数（SKEW）反映了市场对未来收益率分布偏度的预期，可用作反转指标[64]。 * **因子具体构建过程**：若50ETF近5日收益率 < 0，且该指标的历史分位数 > 70%，则看多持续20日；若50ETF近5日收益率 > 0，且该指标的历史分位数 < 30%，则看空持续20日[64]。 21. **因子名称：可转债定价偏离度因子** * **因子构建思路**：可转债估值水平能体现市场情绪，定价偏离度越高，拥挤度越高，可作为反转指标[68]。 * **因子具体构建过程**： 1. 计算可转债定价偏离度：$$定价偏离度 = \frac{转债价格}{模型定价} - 1$$[68]。 2. 计算分数：将定价偏离度乘以-1，并计算过去3年的z-score得到最终分数[68]。 模型的回测效果 *注：本报告未提供综合择时模型的历史回测绩效指标（如年化收益率、夏普比率、最大回撤等），仅提供了截至报告期的最新信号分数。* 1. **择时雷达六面图综合择时模型**，当前综合打分为-0.25分[6]。 因子的回测效果 *注：本报告未提供各因子的历史IC、IR等统计检验指标，仅提供了截至报告期的最新信号分数。所有因子分数范围均为[-1, 1]，其中1代表看多，-1代表看空，0代表中性[9]。* 1. **货币方向因子**，当前分数为1.00分[9]。 2. **货币强度因子**，当前分数为0.00分[9]。 3. **信用方向因子**，当前分数为-1.00分[9]。 4. **信用强度因子**，当前分数为0.00分[9]。 5. **增长方向因子**，当前分数为-1.00分[9]。 6. **增长强度因子**，当前分数为-1.00分[9]。 7. **通胀方向因子**，当前分数为-1.00分[9]。 8. **通胀强度因子**，当前分数为0.00分[9]。 9. **席勒ERP因子**，当前分数为-0.07分[9]。 10. **PB因子**，当前分数为-0.77分[9]。 11. **AIAE因子**，当前分数为-1.00分[9]。 12. **两融增量因子**，当前分数为1.00分[9]。 13. **成交额趋势因子**，当前分数为1.00分[9]。 14. **中国主权CDS利差因子**，当前分数为-1.00分[9]。 15. **海外风险厌恶指数因子**，当前分数为-1.00分[9]。 16. **价格趋势因子**，当前分数为1.00分[9]。 17. **新高新低数因子**，当前分数为-1.00分[9]。 18. **期权隐含升贴水因子**，当前分数为1.00分[9]。 19. **期权VIX因子**，当前分数为1.00分[9]。 20. **期权SKEW因子**，当前分数为-1.00分[9]。 21. **可转债定价偏离度因子**，当前分数为-1.00分[9]。