量化模型与构建方式 1. **模型名称：长期行业主题基金标签模型** [37] * **模型构建思路**：为主动偏股基金构建完整的行业主题和细分赛道标签，以支持资产配置、主题投资和产品选择的需求，并构建相应的行业主题基金指数作为衡量工具[37]。 * **模型具体构建过程**：通过观察基金在近四期（中报/年报）的持仓信息来判断其长期的行业主题特征[37]。根据特征将基金分为三类： 1. **行业主题基金**：长期聚焦于特定行业主题。 2. **行业轮动基金**：在不同时期呈现不同的行业主题特征。 3. **行业均衡基金**：行业配置较为均衡，无明显单一主题特征[37]。 2. **模型名称：REITs系列指数模型** [49] * **模型构建思路**：构建完整的REITs系列指数，以综合反映REITs市场表现，并提供基于不同底层资产和项目类型的细分指数，为投资者提供指数化资产配置的新视角[49]。 * **模型具体构建过程**： 1. **指数构建**：构建综合指数、底层资产指数（如产权类、特许经营权类）和细分项目指数（如生态环保、交通基础设施等）[49]。 2. **指数类型**：考虑到REITs的高分红特性，同时提供价格指数和全收益指数[49]。 3. **计算方法**： * 采用**分级靠档**的方法确保计算指数的份额保持相对稳定[49]。 * 当样本成分名单或样本成分的调整市值出现非交易因素变动（如新发、扩募）时，采用**除数修正法**保证指数的连续性[49]。 量化因子与构建方式 1. **因子名称：多因子ETF分类因子** [62] * **因子构建思路**：根据ETF所追踪指数的编制逻辑或投资策略中蕴含的量化因子，对ETF进行细分类，以区分不同风格和风险收益特征的被动投资工具[62]。 * **因子具体构建过程**：报告中将国内股票ETF的“多因子”细分类别具体划分为： * **红利因子**：基于股息率等红利相关指标筛选的ETF[62]。 * **现金流因子**：基于自由现金流等质量指标筛选的ETF[62]。 * **价值因子**：基于估值指标（如市净率、市盈率）筛选的ETF[62]。 * **动量因子**：基于价格动量指标筛选的ETF[62]。 * **成长因子**：基于盈利增长等成长性指标筛选的ETF[62]。 * **质量因子**：基于盈利能力、财务稳健性等质量指标筛选的ETF[62]。 * **低波因子**：基于低波动率指标筛选的ETF[62]。 * **基本面因子**：基于综合基本面指标筛选的ETF[62]。 2. **因子名称：ESG基金主题筛选因子** [73] * **因子构建思路**：根据基金投资策略中涵盖的环境(Environmental)、社会(Social)、治理(Governance)因素的范围和侧重点，对ESG基金进行主题分类[73]。 * **因子具体构建过程**：将ESG基金分为两大类，并进一步细分主题： 1. **ESG主题基金**：投资策略综合考量E、S、G三方面因素，通常使用ESG整合、负面筛选、正面筛选等方法。细分主题包括“ESG”、“可持续”、“责任投资”[73]。 2. **泛ESG基金**：投资策略仅覆盖ESG中一到两个方面因素，通常进行主题投资。进一步细分为： * **环境主题**：包括“低碳”、“碳中和”、“绿色”、“环境”、“环保”、“气候”、“生态”、“长江保护”等[73]。 * **社会主题**：包括“社会责任”、“扶贫”、“乡村振兴”、“一带一路”、“丝路”、“区域发展”等[73]。 * **治理主题**：包括“公司治理”、“治理”主题[73]。 模型的回测效果 1. **长期行业主题基金指数（截至2026年1月16日当周表现）** [37] * TMT主题基金，本周净值涨跌幅 3.98%[37] * 周期主题基金，本周净值涨跌幅 2.08%[37] * 行业均衡主题基金，本周净值涨跌幅 1.56%[37] * 行业轮动主题基金，本周净值涨跌幅 1.30%[37] * 新能源主题基金，本周净值涨跌幅 0.81%[37] * 消费主题基金，本周净值涨跌幅 -0.76%[37] * 医药主题基金，本周净值涨跌幅 -1.08%[37] * 金融地产主题基金，本周净值涨跌幅 -1.45%[37] * 国防军工主题基金，本周净值涨跌幅 -2.71%[37] 2. **REITs指数系列（基日以来业绩指标，数据截至2026年1月16日）** [54] * REITs综合指数，累计收益 -4.63%，年化收益 -1.03%，最大回撤 -42.67%，夏普比率 -0.24，年化波动 10.46%[54] * 产权类REITs指数，累计收益 13.96%，年化收益 2.90%，最大回撤 -45.00%，夏普比率 0.11，年化波动 12.71%[54] * 特许经营权类REITs指数，累计收益 -25.51%，年化收益 -6.24%，最大回撤 -41.17%，夏普比率 -0.84，年化波动 9.16%[54] * 消费基础设施REITs指数，累计收益 50.55%，年化收益 9.35%，最大回撤 -9.89%，夏普比率 0.74，年化波动 10.61%[54] * 仓储物流REITs指数，累计收益 -2.62%，年化收益 -0.58%，最大回撤 -50.32%，夏普比率 -0.13，年化波动 15.46%[54] * 能源基础设施REITs指数，累计收益 4.91%，年化收益 1.05%，最大回撤 -18.41%，夏普比率 -0.04，年化波动 10.09%[54] * 保障性租赁住房REITs指数，累计收益 7.44%，年化收益 1.58%，最大回撤 -33.34%，夏普比率 0.01，年化波动 12.41%[54] 因子的回测效果 1. **多因子ETF分类因子（各细分类ETF本周资金流向与回报，数据截至2026年1月16日）** [62] * 红利因子ETF，本周净流入 16.22亿元，本周回报 -1.67%[62] * 现金流因子ETF，本周净流入 1.09亿元，本周回报 0.17%[62] * 价值因子ETF，本周净流入 0.78亿元，本周回报 -0.53%[62] * 动量因子ETF，本周净流入 0.76亿元，本周回报 0.71%[62] * 成长因子ETF，本周净流入 0.43亿元，本周回报 0.88%[62] * 质量因子ETF，本周净流入 -0.01亿元，本周回报 1.11%[62] * 低波因子ETF，本周净流入 -0.06亿元，本周回报 1.09%[62] * 基本面因子ETF，本周净流入 -0.15亿元，本周回报 -0.81%[62] 2. **ESG基金主题筛选因子（各主题ESG基金市场规模，数据截至2026年1月16日）** [74] * ESG主题基金，规模合计 177.13亿元[74] * 环境主题泛ESG基金，规模合计 1245.39亿元[74] * 社会主题泛ESG基金，规模合计 148.39亿元[74] * 治理主题泛ESG基金，规模合计 26.52亿元[74]

量化模型与构建方式 1. **模型名称：ETF资金流模型** [1][11] * **模型构建思路**：通过监测重要宽基ETF的资金流向，推断市场重要资金（如中央汇金）的态度和意图，并据此判断市场风格和板块轮动方向[1][11]。 * **模型具体构建过程**：模型监测一组由重要资金（如中央汇金）持有比例较高的宽基ETF（报告中提及包括沪深300ETF、中证500ETF等共14只）。计算这些ETF在特定时间段（如每日）的资金净流入/流出额。通过分析资金流出的规模与持续性，推断重要资金是在流入支持市场还是在流出控制节奏。同时，对比不同板块或主题ETF的资金流向差异，寻找资金可能集中涌入的方向[1][11]。 * **模型评价**：该模型用于捕捉市场“聪明钱”的动向，对判断大盘指数上行节奏和市场风格切换有一定指示意义[1][11]。 2. **模型名称：价格分段体系** [14][17] * **模型构建思路**：通过技术分析方法，对指数价格走势进行多时间周期（如日线、周线）的分解和识别，以判断当前市场所处的趋势阶段[14][17]。 * **模型具体构建过程**：报告中的图表展示了上证综指的价格分段结果，涉及“日线”、“周线”和“dea”指标。构建过程通常包括：1) 选取标的指数（如上证综指）；2) 计算不同时间周期的移动平均线或趋势线；3) 使用算法（如MACD中的DEA线）对价格序列进行平滑处理，以识别趋势的转折点或分段；4) 将不同周期的分段结果叠加，观察其重合与背离情况。公式可能涉及移动平均计算，例如简单移动平均(SMA)： $$SMA_t = \frac{P_t + P_{t-1} + ... + P_{t-n+1}}{n}$$ 其中，$SMA_t$ 表示在时间 $t$ 的简单移动平均值，$P$ 表示价格，$n$ 为移动平均的周期[14][17]。 3. **模型名称：微观市场结构择时模型（知情交易者活跃度指标）** [15][18] * **模型构建思路**：通过构建“知情交易者活跃度”指标，监测市场中可能具备信息优势的交易者的行为变化，以此作为市场情绪和未来走势的择时参考[15][18]。 * **模型具体构建过程**：报告未详细说明该指标的具体计算公式。通常，这类模型会基于高频交易数据（如订单流、买卖不平衡、交易量分布等）来识别知情交易的概率或强度。构建过程可能包括：1) 收集个股或市场层面的逐笔交易数据；2) 计算能够区分知情交易与流动性交易的代理变量（如VPIN、订单失衡等）；3) 进行标准化或平滑处理，得到时间序列指标；4) 设定阈值或观察其与市场指数的同步/背离关系进行判断[15][18]。 * **模型评价**：该指标旨在捕捉市场内部结构的微妙变化，当指标与市场走势出现背离时，可能预示着趋势的转折[15]。 量化因子与构建方式 1. **因子名称：分析师行业景气预期因子** [19][20] * **因子构建思路**：利用卖方分析师对公司未来盈利的一致预测数据，构建行业层面的景气度变化指标，以捕捉基本面预期的边际变化[19][20]。 * **因子具体构建过程**：针对申万一级行业，进行以下计算： 1) **ROE预期变化因子**：计算行业内成分股分析师一致预测的滚动未来12个月ROE（ROEFTTM），然后计算该指标本周值与上周值的环比变化率[19][20]。 2) **净利润增速预期变化因子**：计算行业内成分股分析师一致预测的滚动未来12个月净利润增速（FTTM），然后计算该指标本周值与上周值的环比变化率[19][20]。 公式可概括为： $$\text{行业预期变化率} = \frac{\text{本周行业一致预期值中位数} - \text{上周行业一致预期值中位数}}{|\text{上周行业一致预期值中位数}|}$$ 通过排序这些变化率，可以识别出分析师预期边际改善最显著的行业[19][20]。 2. **因子名称：行业融资融券净流入因子** [21][23] * **因子构建思路**：通过监测各行业融资融券资金的净流入情况，反映杠杆资金对行业板块的偏好和热度[21][23]。 * **因子具体构建过程**：对于每个申万一级行业，计算指定周期（本周）内： $$\text{行业融资融券净买入额} = \sum_{i \in \text{行业}} (\text{融资净买入额}_i - \text{融券净卖出额}_i)$$ 其中，$i$ 代表属于该行业的个股。计算结果是行业层面的资金净流入绝对金额，正值表示融资资金净流入（看多），负值表示净流出（看空）[21][23]。 3. **因子名称：BARRA风格因子** [24][25] * **因子构建思路**：采用经典的BARRA多因子模型框架，从一系列描述股票特征的基本面、市场面和风险面指标中，提取出具有持续解释能力的共同风格因子，用以描述和监测市场风格偏好[24][25]。 * **因子具体构建过程**：报告提及了多类BARRA风格因子，其构建是系统性的工程，通常包括： * **基本面类因子**：如价值（Value）、成长（Growth）。价值因子可能基于BP、EP等指标；成长因子可能基于净利润增长率、营收增长率等。 * **盈利类因子**：如盈利能力（Profitability），可能基于ROE、ROA等指标。 * **交易类因子**：如流动性（Liquidity，常用换手率度量）、动量（Momentum，过去一段时间收益率）、波动率（Beta，衡量系统风险）。 * **市值类因子**：包括市值（Size，总市值的对数）和非线性市值（Non-linear Size）。 具体构建时，会对个股的原始特征进行标准化、去极值、行业中性化等处理，然后通过截面回归或因子模拟组合的方式提取纯因子收益序列[24][25]。 * **因子评价**：BARRA风格因子体系是量化投资中用于风险管理和收益归因的核心工具，能有效刻画市场在不同时期对各类股票特征的偏好变化[24]。 模型的回测效果 （报告中未提供具体模型的量化回测指标，如年化收益率、夏普比率、最大回撤等数值结果。） 因子的回测效果 （报告中未提供具体因子的IC值、IR、多空收益等量化测试结果。仅对因子近期表现进行了定性描述[24]。）

量化模型与构建方式 1. **模型名称：均线强弱指数模型**[14] * **模型构建思路**：通过计算市场各行业指数相对于其关键移动平均线的位置，来综合判断市场整体的技术强弱状态[14]。 * **模型具体构建过程**： 1. 选取Wind二级行业指数作为计算基础[14]。 2. 对于每个行业指数，计算其收盘价与某一长期移动平均线（如250日均线）的相对位置[14]。 3. 根据每个行业指数相对于其均线的位置（例如，在均线之上或之下，以及偏离程度）进行打分[14]。 4. 将所有行业指数的得分加总，得到市场的均线强弱指数总分[14]。 5. 将当前总分与历史分位数进行比较，以判断当前市场在历史中的强弱位置[14]。 2. **模型名称：情绪择时模型**[14] * **模型构建思路**：基于涨跌停板相关数据构建因子，用以刻画市场的情绪强弱，并综合多个因子信号生成择时观点[14]。 * **模型具体构建过程**： 1. 根据专题报告，构建了多个涨跌停板相关情绪因子，包括：净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益[14][19]。 2. 每个因子独立生成信号（例如，看多为1，看空为0）[19]。 3. 通过加权或其他方式综合各因子信号，得到最终的情绪模型得分（满分5分）和趋势方向信号[14]。 3. **模型名称：高频资金流择时模型**[14] * **模型构建思路**：通过分析主要宽基指数的高频资金流数据（如主力资金流向）的走势，对指数发出买入或卖出信号[14]。 * **模型具体构建过程**： 1. 获取沪深300、中证500、中证1000等宽基指数的高频资金流数据[14]。 2. 根据资金流的趋势、强度等特征，设定信号生成规则[14]。 3. 模型输出多种策略信号，包括“激进多头”、“激进多空”、“稳健多头”、“稳健多空”[19]。 4. 信号为“1”代表看多，“-1”代表看空（根据上下文推断）[19]。 4. **模型名称：因子拥挤度模型**[20] * **模型构建思路**：使用多个指标综合度量因子的拥挤程度，以预警因子可能因资金过度追逐而失效的风险[20]。 * **模型具体构建过程**： 1. 选取四个分项指标来度量拥挤度：估值价差、配对相关性、长期收益反转、因子波动率[20]。 2. 分别计算目标因子（如小市值因子）在这四个指标上的得分[21]。 3. 将四个分项指标得分合成一个综合拥挤度分数[21]。合成方法在对应专题报告中详细说明[20]。 5. **模型名称：行业拥挤度模型**[27] * **模型构建思路**：构建综合指标来度量各行业的交易拥挤程度，以识别过热或过冷的行业板块[27]。 * **模型具体构建过程**：根据专题报告，构建了行业拥挤度指标，具体计算方法未在本文中详述，但展示了截至某一时点的计算结果和排名[27]。 模型的回测效果 1. **均线强弱指数模型**，当前市场得分为213，处于2023年以来的76.93%分位点[14] 2. **情绪择时模型**，情绪模型得分为2分（满分5分），趋势模型信号为正向，加权模型信号为负向[14] 3. **高频资金流择时模型**，沪深300指数信号：看多[14]；中证500指数信号：看多[14]；中证1000指数信号：看多[14] 4. **因子拥挤度模型**，小市值因子拥挤度0.20[21]；低估值因子拥挤度-0.75[21]；高盈利因子拥挤度0.35[21]；高盈利增长因子拥挤度0.55[21] 5. **行业拥挤度模型**，通信行业拥挤度1.96[30]；有色金属行业拥挤度1.95[30]；综合行业拥挤度1.82[30]；电子行业拥挤度1.40[30]；国防军工行业拥挤度1.08[30] 量化因子与构建方式 1. **因子名称：流动性冲击指标**[4] * **因子构建思路**：通过计算当前市场流动性相对于其历史平均水平的偏离程度，来度量市场的流动性冲击[4]。 * **因子具体构建过程**：以沪深300指数为标的，计算其流动性指标的Z值。具体公式为： $$流动性冲击指标 = \frac{当前流动性 - 过去一年流动性均值}{过去一年流动性标准差}$$ 报告中指出，周五该指标值为3.32，意味着当前市场流动性高于过去一年平均水平3.32倍标准差[4]。 2. **因子名称：PUT-CALL比率**[4] * **因子构建思路**：使用上证50ETF期权看跌期权与看涨期权的成交量比率，来观察市场对标的资产短期走势的谨慎或乐观情绪[4]。 * **因子具体构建过程**：计算上证50ETF期权当日看跌期权总成交量与看涨期权总成交量的比值[4]。 3. **因子名称：五日平均换手率**[4] * **因子构建思路**：通过计算市场近期平均换手率，并将其与历史分位数比较，来衡量市场的交易活跃度[4]。 * **因子具体构建过程**：计算上证综指或Wind全A指数最近五个交易日的日均换手率[4]。 4. **因子名称：净涨停占比**[14][19] * **因子构建思路**：通过涨停与跌停公司数量的净差额占比来反映市场多头力量的强度[14]。 * **因子具体构建过程**：计算（涨停公司家数 - 跌停公司家数） / 总交易公司家数（或类似基准）[14]。 5. **因子名称：跌停次日收益**[14][19] * **因子构建思路**：通过观察跌停股票在次日的平均表现，来探测市场是否存在“错杀”或恐慌性抛售后的修复动力[14]。 * **因子具体构建过程**：计算当日跌停股票在下一个交易日的平均收益率[14]。 6. **因子名称：涨停板占比**[14][19] * **因子构建思路**：通过涨停公司数量占比来直接衡量市场的赚钱效应和做多热情[14]。 * **因子具体构建过程**：计算涨停公司家数 / 总交易公司家数[14]。 7. **因子名称：跌停板占比**[14][19] * **因子构建思路**：通过跌停公司数量占比来直接衡量市场的亏钱效应和悲观情绪[14]。 * **因子具体构建过程**：计算跌停公司家数 / 总交易公司家数[14]。 8. **因子名称：高频打板收益**[14][19] * **因子构建思路**：通过模拟在涨停价买入股票并在次日卖出的策略收益，来检验涨停板策略的短期有效性，从而反映市场情绪[14]。 * **因子具体构建过程**：计算在涨停价买入当日涨停股票，并于下一交易日以开盘价或收盘价卖出的平均收益率[14]。 9. **复合因子名称：小市值因子**[20] * **因子构建思路**：识别并投资于市值较小的公司，这些公司可能具有更高的成长潜力和弹性[20]。 * **因子具体构建过程**：通常使用总市值或流通市值作为排序标准，构建做多小市值、做空大市值的组合。其拥挤度通过估值价差、配对相关性等四个子指标综合计算[20][21]。 10. **复合因子名称：低估值因子**[20] * **因子构建思路**：识别并投资于估值水平（如市盈率PE、市净率PB）较低的股票，寻求价值回归的收益[20]。 * **因子具体构建过程**：通常使用PE或PB等估值指标作为排序标准，构建做多低估值、做空高估值的组合。其拥挤度通过估值价差、配对相关性等四个子指标综合计算[20][21]。 11. **复合因子名称：高盈利因子**[20] * **因子构建思路**：识别并投资于盈利能力（如净资产收益率ROE）较强的公司[20]。 * **因子具体构建过程**：通常使用ROE等盈利指标作为排序标准，构建做多高盈利、做空低盈利的组合。其拥挤度通过估值价差、配对相关性等四个子指标综合计算[20][21]。 12. **复合因子名称：高盈利增长因子**[20] * **因子构建思路**：识别并投资于盈利增长能力较强的公司[20]。 * **因子具体构建过程**：通常使用净利润增长率等指标作为排序标准，构建做多高增长、做空低增长的组合。其拥挤度通过估值价差、配对相关性等四个子指标综合计算[20][21]。 因子的回测效果 1. **流动性冲击指标**，基于沪深300指数，周五值为3.32[4] 2. **PUT-CALL比率**，周五值为0.80[4] 3. **五日平均换手率**，上证综指值为1.71%，处于2005年以来84.10%分位点[4]；Wind全A值为2.71%，处于2005年以来92.01%分位点[4] 4. **净涨停占比**，当前信号为1（看多）[19] 5. **跌停次日收益**，当前信号为0[19] 6. **涨停板占比**，当前信号为1（看多）[19] 7. **跌停板占比**，当前信号为0[19] 8. **高频打板收益**，当前信号为0[19] 9. **小市值因子**，估值价差得分0.43，配对相关性得分0.22，市场波动得分-0.28，收益反转得分0.41，综合拥挤度0.20[21] 10. **低估值因子**，估值价差得分-1.22，配对相关性得分-0.05，市场波动得分0.26，收益反转得分-2.01，综合拥挤度-0.75[21] 11. **高盈利因子**，估值价差得分-0.55，配对相关性得分0.31，市场波动得分-0.01，收益反转得分1.65，综合拥挤度0.35[21] 12. **高盈利增长因子**，估值价差得分1.09，配对相关性得分0.46，市场波动得分-0.29，收益反转得分0.95，综合拥挤度0.55[21]

量化模型与构建方式 本报告未涉及具体的量化选股模型或多因子模型，主要对特定主题指数及其跟踪ETF产品进行分析。 量化因子与构建方式 本报告未涉及具体的量化因子构建与分析。 指数与ETF的回测效果 1. **中证卫星产业指数 (931594.CSI)** * 2020年收益率：15.08%[51] * 2021年收益率：7.91%[51] * 2022年收益率：-21.53%[51] * 2023年收益率：15.16%[51] * 2024年收益率：-5.91%[51] * 2025年收益率：79.04%[51] * 截至2026年1月15日收益率：28.86%[51] * 过去5年收益：91.42%[51] * 过去1年收益：121.14%[51] * 过去6个月收益：107.84%[51] * 过去3个月收益：69.12%[51] * 过去1个月收益：52.82%[51] * 过去5年年化波动率：32.13%[51] * 过去5年最大回撤：-42.39%[51] 2. **国证商用卫星通信产业指数 (980018.CNI)** * 2020年收益率：-2.09%[51] * 2021年收益率：2.58%[51] * 2022年收益率：-33.46%[51] * 2023年收益率：6.80%[51] * 2024年收益率：13.23%[51] * 2025年收益率：75.84%[51] * 截至2026年1月15日收益率：26.87%[51] * 过去5年收益：63.44%[51] * 过去1年收益：114.63%[51] * 过去6个月收益：108.47%[51] * 过去3个月收益：72.24%[51] * 过去1个月收益：47.65%[51] * 过去5年年化波动率：31.54%[51] * 过去5年最大回撤：-51.32%[51] 3. **沪深300指数 (000300.SH)** * 2020年收益率：27.21%[51] * 2021年收益率：-5.20%[51] * 2022年收益率：-21.63%[51] * 2023年收益率：-11.38%[51] * 2024年收益率：14.68%[51] * 2025年收益率：17.66%[51] * 截至2026年1月15日收益率：2.42%[51] * 过去5年收益：-13.14%[51] * 过去1年收益：24.37%[51] * 过去6个月收益：22.96%[51] * 过去3个月收益：5.07%[51] * 过去1个月收益：3.72%[51] * 过去5年年化波动率：17.92%[51] * 过去5年最大回撤：-45.60%[51]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：行业均线趋势模型**[2][24] * **模型构建思路**：通过分析行业价格的多条移动平均线，从排列形态、间距扩散和时序变化三个维度综合评估行业的趋势强度，得分越高代表趋势越明确[2][24]。 * **模型具体构建过程**： 1. 使用4条不同周期的移动平均线（MA）进行评估[2][24]。 2. 计算三个子指标： * **均线排列形态**：判断短期均线是否在长期均线上方。若是，记为多头排列，得1分；反之，为空头排列，得-1分[2][24]。 * **均线扩散间距**：计算所有相邻周期两条均线之间的价格差异幅度，然后对所有差异幅度取平均值[2][24]。 * **均线时序变化**：对于每一条均线，比较其当前价格与前一日的价格。若上涨，记1分；若下跌，记-1分[2][24]。 3. 将上述三个指标合成一个综合得分，并取绝对值，得到最终的“均线得分”[2][24]。 4. 根据均线得分对所有行业进行从高到低排名，排名靠前的行业被认为是上涨或下跌趋势明显的行业[24]。 2. **模型名称：行业资金流模型**[3][26] * **模型构建思路**：通过计算行业近期资金流入率相对于其历史水平的变化幅度，来衡量资金流向的变动情况，变化幅度越大，代表资金流入的改善越显著[3][26]。 * **模型具体构建过程**： 1. 计算每个行业的“资金流入率”，其公式为： $$资金流入率 = \frac{资金主动净流入金额}{成交金额}$$[26] 2. 计算该行业最近期的资金流入率相对于其历史资金流入率（如过去一段时间均值）的变化幅度[3][26]。 3. 根据资金流入率的变化幅度对所有行业进行从高到低排名，排名靠前的行业被认为是资金流入提升最多的行业[26]。 3. **模型名称：行业追涨机会复合模型**[1][4][9][27] * **模型构建思路**：将“行业均线趋势模型”和“行业资金流模型”的结果相结合，筛选出同时具备明确趋势和资金流入支持的行业，作为潜在的追涨机会[1][4][27]。 * **模型具体构建过程**： 1. 分别运行“行业均线趋势模型”和“行业资金流模型”，得到每个行业的均线得分排名和资金流得分排名[9]。 2. 将两个维度的排名进行综合（例如等权相加或排序打分），得到一个综合排名[4][27]。 3. 选择综合排名靠前的行业，这些行业被认为同时具备“趋势明确”和“资金流入排名靠前”的特点[4][27]。 模型的回测效果 *本报告未提供具体的模型回测指标（如年化收益率、夏普比率、最大回撤等）数值。报告仅展示了基于截至2026年1月16日数据的模型应用结果，给出了当前观点下的行业排名和推荐列表[1][9][10]。* 量化因子与构建方式 1. **因子名称：均线排列形态因子**[2][24] * **因子构建思路**：通过判断短期均线与长期均线的相对位置关系，来捕捉价格趋势的方向性信号[2][24]。 * **因子具体构建过程**：对于一个给定的标的（如行业指数），计算其短期移动平均线（如MA5）和长期移动平均线（如MA20）。若短期均线 > 长期均线，则因子取值为1（多头排列）；若短期均线 < 长期均线，则因子取值为-1（空头排列）[2][24]。 2. **因子名称：均线扩散间距因子**[2][24] * **因子构建思路**：通过计算不同周期均线之间的平均距离，来度量趋势的强度或动能，间距越大通常代表趋势动能越强[2][24]。 * **因子具体构建过程**：对于一个使用N条均线的系统，计算每两条相邻周期均线（如MA5与MA10， MA10与MA20等）之间的价格差异幅度（通常为差值或比率）。然后对所有相邻均线对的差异幅度取平均值，作为该因子的取值[2][24]。 3. **因子名称：均线时序变化因子**[2][24] * **因子构建思路**：通过观察各条均线自身的日度变化方向，来捕捉趋势的近期动量或持续性[2][24]。 * **因子具体构建过程**：对于每一条使用的移动平均线，比较其在当前交易日（t日）的数值与前一交易日（t-1日）的数值。若MA_t > MA_{t-1}，则对该条均线记1分；若MA_t < MA_{t-1}，则记-1分。将所有均线的得分求和或取平均，作为该因子的最终取值[2][24]。 4. **因子名称：资金流入率变化因子**[3][26] * **因子构建思路**：衡量近期资金主动流入的强度相对于其历史常态的变化，以识别资金面突然改善或恶化的标的[3][26]。 * **因子具体构建过程**： 1. 首先计算每日的资金流入率： $$资金流入率_{t} = \frac{资金主动净流入金额_{t}}{成交金额_{t}}$$[26] 2. 计算近期（如最近M日）的资金流入率均值（或中位数）作为近期水平。 3. 计算历史（如过去N日， N>M）的资金流入率均值（或中位数）作为历史基准水平。 4. 因子取值为近期水平相对于历史基准水平的变化幅度（如差值、比率或标准化后的Z-Score）[3][26]。 因子的回测效果 *本报告未提供上述单个因子的历史回测效果指标（如IC、IR、多空收益等）的具体数值。报告的重点在于展示如何将这些因子组合成模型并应用于当前的市场观点生成[1][9][10]。*

量化模型与构建方式 1. **模型名称：行业四轮驱动模型**[16] * **模型构建思路**：该模型旨在识别不同行业或主题板块的交易机会，通过分析市场调整形态、均线排列、量价关系等技术指标，判断板块是否处于新一轮行情的启动点或强势买点[16]。 * **模型具体构建过程**：模型通过一套规则系统对市场数据进行扫描，生成具体的交易信号。信号生成主要基于以下几个维度的判断： 1. **调整形态判断**：识别“偏强势的调整形态”，即价格在回调过程中表现出相对抗跌或结构紧凑的特征，这可能意味着调整接近尾声，新行情即将开始[16]。 2. **趋势与买点判断**：结合缠论等理论，识别“比较强势的第三类买点”。这通常发生在均线呈多头排列的背景下，强势板块价格回踩关键均线后重新启动上涨[16]。 3. **量价关系判断**： * **放量突破**：在震荡或偏强走势中，出现“放量上涨上穿多根均线”被视为潜在上涨机会的信号[16]。 * **缩量调整后放量**：前期强势板块在调整过程中出现“明显缩量”，随后又出现“适当放量迹象”，这被视为企稳甚至尝试反弹的信号[16]。 4. **势能因子异动**：模型会监测“势能因子大幅异动”的情况，当这种异动与放量上涨现象同时出现时，可能被识别为潜在的加仓点[16]。 * **模型评价**：该模型是一个综合性的技术分析择时模型，融合了多种技术分析流派的思想，旨在捕捉板块级别的趋势启动或延续信号。 模型的回测效果 *(注：报告未提供“行业四轮驱动模型”的具体回测指标数值，如年化收益率、夏普比率、最大回撤等。因此本部分无具体数据可总结。)* 量化因子与构建方式 1. **因子名称：势能因子**[16] * **因子构建思路**：该因子用于捕捉资产价格动量或动能发生显著变化的时刻，即“大幅异动”，以识别潜在的趋势加速或转折点[16]。 * **因子具体构建过程**：报告未详细说明“势能因子”的具体计算公式。根据其在模型中的应用上下文（“势能因子大幅异动,同时有放量上涨的现象”[16]），可以推断该因子可能基于价格变化率、加速度或其他动量类指标构建，并通过设定阈值来判断是否发生“大幅异动”。 因子的回测效果 *(注：报告未提供“势能因子”的独立测试结果，如IC值、IR、多空收益等。因此本部分无具体数据可总结。)*

量化模型与构建方式 1. **模型名称：成交量模型**[1][12][14] * **模型构建思路：** 基于市场成交量的变化来构建短期择时信号，属于价量类模型[9]。 * **模型具体构建过程：** 报告未详细描述具体构建过程和公式。 2. **模型名称：特征龙虎榜机构模型**[1][12][14] * **模型构建思路：** 利用龙虎榜中机构资金的买卖行为特征来构建短期择时信号[1]。 * **模型具体构建过程：** 报告未详细描述具体构建过程和公式。 3. **模型名称：特征成交量模型**[1][14] * **模型构建思路：** 基于具有特定特征的成交量数据来构建短期择时信号[1]。 * **模型具体构建过程：** 报告未详细描述具体构建过程和公式。 4. **模型名称：智能算法沪深300模型 / 智能算法中证500模型**[1][12][14] * **模型构建思路：** 应用智能算法（如机器学习）对沪深300或中证500指数进行择时判断[1]。 * **模型具体构建过程：** 报告未详细描述具体算法和构建过程。 5. **模型名称：涨跌停模型**[1][12][15] * **模型构建思路：** 基于市场中涨停和跌停股票的数量或相关特征来构建中期择时信号[9]。 * **模型具体构建过程：** 报告未详细描述具体构建过程和公式。 6. **模型名称：上下行收益差模型**[1][12][15] * **模型构建思路：** 通过计算市场上行收益与下行收益的差值来构建中期择时信号[9]。 * **模型具体构建过程：** 报告未详细描述具体构建过程和公式。 7. **模型名称：月历效应模型**[1][15] * **模型构建思路：** 基于历史数据中存在的特定月份或日期效应（如月初效应、月末效应等）来构建中期择时信号[1]。 * **模型具体构建过程：** 报告未详细描述具体构建过程和公式。 8. **模型名称：长期动量模型**[1][16] * **模型构建思路：** 基于资产的长期价格动量趋势来构建长期择时信号[9]。 * **模型具体构建过程：** 报告未详细描述具体构建过程和公式。 9. **模型名称：A股综合兵器V3模型**[1][17] * **模型构建思路：** 一个综合性的A股择时模型，可能耦合了不同周期或不同策略的多个子模型信号，以达到攻守兼备的效果[9][17]。 * **模型具体构建过程：** 报告未详细描述具体耦合方法和构建过程。 10. **模型名称：A股综合国证2000模型**[1][17] * **模型构建思路：** 针对国证2000指数的综合性择时模型[1]。 * **模型具体构建过程：** 报告未详细描述具体构建过程。 11. **模型名称：成交额倒波幅模型**[1][12][18] * **模型构建思路：** 结合成交额与波动率（波幅）的倒数关系来构建港股中期择时信号[1]。 * **模型具体构建过程：** 报告未详细描述具体构建过程和公式。 12. **模型名称：恒生指数上下行收益差模型**[1][12][18] * **模型构建思路：** 针对恒生指数，计算其上、下行收益差来构建择时信号[1][18]。 * **模型具体构建过程：** 报告未详细描述具体构建过程和公式。 13. **模型名称：杯柄形态选股模型**[46][47] * **模型构建思路：** 基于技术分析中的杯柄形态（Cup with Handle）识别突破个股进行选股[46]。 * **模型具体构建过程：** 通过识别股价走势中的特定形态点（如A点、B点、C点）来确定杯柄形态和突破点，当股价突破形态颈线时产生买入信号[49]。报告未给出具体的形态识别数学公式。 14. **模型名称：双底形态选股模型**[46][54] * **模型构建思路：** 基于技术分析中的双底形态（W底）识别突破个股进行选股[46]。 * **模型具体构建过程：** 通过识别股价走势中的两个低点（A点、B点）和颈线突破点（C点）来确定双底形态，当股价突破颈线时产生买入信号[57]。报告未给出具体的形态识别数学公式。 15. **模型名称：HCVIX模型**[42][43] * **模型构建思路：** 复现并计算中国市场的波动率指数（VIX），作为判断市场情绪的参考指标[42]。 * **模型具体构建过程：** 根据公开披露的VIX计算方法，使用期权数据计算预期波动率。报告提及该模型复现的指数与已停止发布的中证VIX历史数据相关系数达99.2%[43]。具体计算公式未在报告中给出。 模型的回测效果 1. **杯柄形态选股模型**，本周组合上涨1.04%，相对上证综指超额收益1.49%，自2020年12月31日至今累计上涨18.32%，跑赢上证综指0.22%[46]。 2. **双底形态选股模型**，本周组合上涨1.04%，相对上证综指超额收益1.49%，自2020年12月31日至今累计上涨23.83%，跑赢上证综指5.73%[46]。 量化因子与构建方式 （报告正文部分未详细阐述具体的量化因子构建方法，主要提及了大师策略中涉及的因子类型。） 1. **因子类型：价值型因子**[39] * **因子构建思路：** 属于经典量化选股策略中的一类，通常关注公司的估值水平，如市盈率、市净率等[39]。 * **因子具体构建过程：** 报告未详细描述。 2. **因子类型：成长型因子**[39] * **因子构建思路：** 属于经典量化选股策略中的一类，通常关注公司的成长能力，如营收增长率、净利润增长率等[39]。 * **因子具体构建过程：** 报告未详细描述。 3. **因子类型：综合型因子**[39] * **因子构建思路：** 属于经典量化选股策略中的一类，可能结合了价值、成长、质量等多种维度的因子[39]。 * **因子具体构建过程：** 报告未详细描述。 因子的回测效果 （报告未提供具体因子的独立测试结果数值。）

量化模型与构建方式 1. A股技术打分模型 * **模型名称**：A股技术打分模型[2][9] * **模型构建思路**：通过挖掘技术面信息来刻画市场状态，并基于当前状态对未来进行打分预测[2][9] * **模型具体构建过程**： 1. 将市场状态细分为价格、量能、波动、趋势、拥挤五个维度[9] 2. 在每个维度内筛选出有效的市场观测指标，共10个[9][14] 3. 每个指标独立发出多空择时信号[9] 4. 将10个指标的择时信号进行等权投票，综合形成一个介于-1至+1之间的打分结果[9] 5. 根据综合得分制定交易规则：得分>+0.33时看多，得分在-0.33至+0.33之间看平，得分<-0.33时看空[11] 2. 风格择时模型 * **模型名称**：红利风格择时模型[3][16] * **模型构建思路**：结合相对动量、期限利差和银行间市场成交量三个指标的趋势，对红利与成长风格进行择时[3][16] * **模型具体构建过程**： 1. **择时标的**：中证红利指数相对于中证全指的收益率[16] 2. **构建三个择时指标**： * **相对动量**：中证红利相对中证全指的动量，为红利风格正向指标[19] * **期限利差**：10年期与1年期国债的利差，为红利风格负向指标[19] * **银行间质押式回购成交量**：为红利风格正向指标[19] 3. 每个指标从趋势维度日频发出信号，取值为0（看平）、+1（看多）、-1（看空）[16] 4. 以三个指标得分之和的正负性作为最终多空观点依据[16] 5. **交易规则**：看好红利时全仓持有中证红利，不看好时全仓持有中证全指；基准为两者等权配置[16] * **模型名称**：大小盘风格择时模型[3][20] * **模型构建思路**：根据市场拥挤度状态（高/低），采用不同参数的双均线模型对大小盘风格进行择时[3][20][22] * **模型具体构建过程**： 1. **择时标的**：以沪深300指数代表大盘风格，万得微盘股指数代表小盘风格[20] 2. **计算拥挤度得分**： * **动量得分**：计算小盘与大盘指数多个时间窗口（10/20/30/40/50/60日）的动量之差，并计算各窗口动量差在多个历史长度（3.0/3.5/4.0/4.5/5.0年）下的分位数均值。取分位数最高的3个窗口结果均值作为小盘动量得分，取分位数最低的3个窗口结果均值作为大盘动量得分[24] * **成交量得分**：计算小盘与大盘指数多个时间窗口（10/20/30/40/50/60日）的成交额之比，并计算各窗口比值在多个历史长度下的分位数均值。取分位数最高的3个窗口结果均值作为小盘成交量得分，取分位数最低的3个窗口结果均值作为大盘成交量得分[24] * **综合得分**：将小盘（大盘）的动量得分与成交量得分取均值，得到小盘（大盘）风格的拥挤度得分[24] 3. **判断拥挤区间**：若最近20个交易日中，小盘风格拥挤度得分>90%或大盘风格拥挤度得分<10%曾触发，则模型运行在高拥挤区间，否则运行在低拥挤区间[22] 4. **趋势判断**：在高拥挤区间采用参数较小的双均线模型，在低拥挤区间采用参数较大的双均线模型来判断趋势[22] 3. 行业轮动模型 * **模型名称**：遗传规划行业轮动模型[4][27] * **模型构建思路**：采用双目标遗传规划技术，直接对行业指数的量价、估值等数据进行因子挖掘，不再依赖人工设计规则，以提升因子多样性和降低过拟合风险[27][31][32] * **模型具体构建过程**： 1. **底层资产**：32个中信行业指数[27] 2. **因子挖掘**：使用双目标遗传规划（NSGA-II算法），同时以因子IC的绝对值（|IC|）和NDCG@5两个目标来评价因子的分组单调性和多头组表现，挖掘行业轮动因子[31] 3. **因子合成**：对挖掘得到的备选因子，结合贪心策略和方差膨胀系数（VIF），将共线性较弱的多个因子合成为行业综合得分[33] 4. **调仓规则**：因子库每季度末更新，模型周频调仓。每周末选出多因子综合得分最高的五个行业进行等权配置，次周第一个交易日按均价调仓[4][27] * **因子名称**：最新一期权重最高的量价相关性因子[36] * **因子构建思路**：基于标准化成交额与跳空缺口的关系，以及成交额最大时点与标准化开盘价的协方差来构建因子[36] * **因子具体构建过程**： 1. 在截面上，用全体行业标准化日度成交额对当日跳空缺口开展带常数项的一元线性回归，取残差，记作变量A[37] 2. 在过去9个交易日中，取标准化日度成交额最大的交易日索引，记作变量B[37] 3. 在过去50个交易日中，将变量A和B开展时序回归取截距项，记作变量C[37] 4. 计算过去45个交易日变量C和标准化月度开盘价的协方差，作为因子值[37] * **因子表达式**：`ts_covariance_torch(ts_regalpha_torch(xs_regres_torch(volume_st, jump_gap), ts_argmax_torch(volume_st, 9), 50), mopen_st, 45)`[36] 4. 宏观配置模型 * **模型名称**：中国境内全天候增强组合[5][38] * **模型构建思路**：采用宏观因子风险预算框架，分散于增长和通胀的宏观风险源，并基于宏观预期动量观点主动超配看好的象限，实现全天候基础上的增强[5][38][41] * **模型具体构建过程**： 1. **宏观象限划分**：选择增长和通胀两个维度，根据是否超预期划分为四个宏观风险象限：增长超预期、增长不及预期、通胀超预期、通胀不及预期[41] 2. **资产选择与子组合构建**：结合定量与定性方式确定各象限适配的资产，并在象限内等权构建子组合，注重刻画象限的下行风险[41] 3. **风险预算与主动增强**：每月底，根据由“买方预期动量”和“卖方预期差动量”综合得出的宏观预期动量指标，形成“象限观点”，并据此调整各象限的风险预算，主动超配看好的象限，实现策略增强[41] 4. **调仓规则**：模型月频调仓，月末发出信号后，采用次月第一个交易日收盘价调仓[40] 模型的回测效果 1. A股技术打分模型 * **回测区间**：2010-01-04 至 2026-01-16[15] * **年化收益**：20.67%[15] * **年化波动**：17.33%[15] * **最大回撤**：-23.74%[15] * **夏普比率**：1.19[15] * **Calmar比率**：0.87[15] * **今年以来（YTD）超额收益**：-5.70%（截至报告时点）[2][11] * **上周超额收益**：-0.57%[2][11] 2. 红利风格择时模型 * **回测区间**：2017-01-03 至 2026-01-16[17] * **年化收益**：16.65%[17] * **最大回撤**：-25.52%[17] * **夏普比率**：0.91[17] * **Calmar比率**：0.65[17] * **今年以来（YTD）收益**：5.78%[16][17] * **上周收益**：0.69%[17] 3. 大小盘风格择时模型 * **回测区间**：2017-01-03 至 2026-01-16[25] * **年化收益**：27.79%[25] * **最大回撤**：-32.05%[25] * **夏普比率**：1.16[25] * **Calmar比率**：0.87[25] * **今年以来（YTD）收益**：6.27%[22][25] * **上周收益**：1.70%[25] 4. 遗传规划行业轮动模型 * **回测区间**：2022-09-30 至 2026-01-16[30] * **年化收益**：31.95%[30] * **年化波动**：17.44%[30] * **夏普比率**：1.83[30] * **最大回撤**：-19.62%[30] * **卡玛比率**：1.63[30] * **今年以来（YTD）收益**：3.31%[4][27][30] * **上周收益**：0.14%[30] 5. 中国境内全天候增强组合 * **回测区间**：2013-12-31 至 2026-01-16[42] * **年化收益**：11.82%[42] * **年化波动**：6.20%[42] * **夏普比率**：1.91[42] * **最大回撤**：-6.30%[42] * **卡玛比率**：1.88[42] * **今年以来（YTD）收益**：2.02%[5][39][42] * **上周收益**：0.06%[5][39][42]

量化模型与构建方式 1. **模型名称：量能择时模型**[23][24] * **模型构建思路**：通过分析主要宽基指数的成交量信息，判断市场整体量能是否处于高景气区间，从而生成看多或看空的择时信号。[23] * **模型具体构建过程**：报告未详细描述该模型的具体构建过程和计算公式，仅提及根据“量能”指标生成观点。[23][24] 2. **模型名称：沪深300上涨家数占比择时模型**[24][26][28] * **模型构建思路**：通过计算沪深300指数成分股中过去一段时间内取得正收益的股票数量占比，来衡量市场情绪。认为该指标上升时市场情绪乐观，可作为看多信号。[24] * **模型具体构建过程**： 1. 首先，计算沪深300指数N日上涨家数占比。具体公式为： $$沪深300指数 N 日上涨家数占比 = \frac{沪深300指数成分股过去 N 日收益大于 0 的个股数}{沪深300指数成分股总数}$$[24] 2. 然后，对该指标进行两次不同窗口期的移动平均平滑处理，得到快线（短期平滑线）和慢线（长期平滑线）。报告示例参数为：N=230，快线窗口N2=35，慢线窗口N1=50（N1>N2）。[26][28] 3. 生成交易信号：当快线大于慢线时，看多沪深300指数。[28] * **模型评价**：该指标可以较快捕捉上涨机会，但会在市场过热阶段提前止盈离场，从而错失持续上涨收益。同时，该指标在判断下跌市场时存在缺陷，难以有效规避下跌风险。[25] 3. **模型名称：均线情绪指标择时模型**[32][36] * **模型构建思路**：通过计算沪深300指数收盘价与一组均线（八均线体系）的关系，判断指数的趋势状态，并将趋势状态量化为情绪指标值，用于生成择时信号。[32] * **模型具体构建过程**： 1. 计算沪深300收盘价的八条均线，均线参数为：8, 13, 21, 34, 55, 89, 144, 233。[32] 2. 统计当日沪深300指数收盘价大于这八条均线数值的数量。[36] 3. 生成交易信号：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。[36] 4. **因子名称：横截面波动率**[37][38] * **因子构建思路**：计算特定指数（如沪深300、中证500、中证1000）成分股在横截面上的收益率波动率，用以衡量市场分化程度和选股Alpha机会的强弱。[37] * **因子具体构建过程**：报告未给出该因子的具体计算公式，但明确指出其用于观察“市场赚钱效应”和评估“Alpha环境”。[37][38] 5. **因子名称：时间序列波动率**[38][41] * **因子构建思路**：计算特定指数成分股在时间序列上的收益率波动率，用以衡量市场整体波动水平和风险环境。[38] * **因子具体构建过程**：报告未给出该因子的具体计算公式，但将其作为观察市场波动环境和Alpha环境的指标之一。[38][41] 6. **因子名称：抱团基金分离度**[83] * **因子构建思路**：通过计算抱团基金组合截面收益的标准差，来度量基金抱团的程度。标准差小表示抱团基金表现趋同，抱团程度高；反之则表示抱团正在瓦解。[83] * **因子具体构建过程**：报告未给出该因子的具体计算公式，但说明了其代理变量为抱团基金截面收益的标准差。[83] 模型的回测效果 *报告未提供任何量化模型（如量能择时、上涨家数占比择时、均线情绪指标择时）的具体回测绩效指标（如年化收益率、夏普比率、最大回撤等）。* 因子的回测效果 *报告未提供任何量化因子（如横截面波动率、时间序列波动率、抱团基金分离度）的IC值、IR值、多空收益等具体测试结果。报告仅提供了这些因子的近期统计值或状态描述。* 模型或因子指标的具体测试结果与取值 1. **量能择时模型信号** (截至2026年1月16日)[24] * 上证指数：多 * 上证50：多 * 沪深300：多 * 中证500：多 * 中证1000：多 * 创业板指：多 * 北证50：多 2. **沪深300上涨家数占比指标** (截至2026年1月16日)[25] * 230日上涨家数占比：高于60% 3. **横截面波动率因子近期统计值** (截至2026年1月16日)[38] * **沪深300横截面波动率**： * 近两年平均值：2.00% * 近一年平均值：1.97% * 近半年平均值：1.96% * 近一季度平均值：2.10% * 近一季度平均值占近半年分位：63.17% * **中证500横截面波动率**： * 近两年平均值：2.23% * 近一年平均值：2.24% * 近半年平均值：2.31% * 近一季度平均值：2.38% * 近一季度平均值占近半年分位：59.52% * **中证1000横截面波动率**： * 近两年平均值：2.48% * 近一年平均值：2.49% * 近半年平均值：2.49% * 近一季度平均值：2.55% * 近一季度平均值占近半年分位：64.54% 4. **时间序列波动率因子近期统计值** (截至2026年1月16日)[41] * **沪深300时序波动率**： * 近两年平均值：1.04% * 近一年平均值：0.92% * 近半年平均值：0.96% * 近一季度平均值：0.97% * 近一季度平均值占近半年分位：38.89% * **中证500时序波动率**： * 近两年平均值：1.38% * 近一年平均值：1.16% * 近半年平均值：1.20% * 近一季度平均值：1.19% * 近一季度平均值占近半年分位：58.73% * **中证1000时序波动率**： * 近两年平均值：1.56% * 近一年平均值：1.23% * 近半年平均值：1.15% * 近一季度平均值：1.15% * 近一季度平均值占近半年分位：55.78% 5. **抱团基金分离度因子近期状态** (截至2026年1月16日)[83] * 分离度环比前一周小幅上行。

量化模型与构建方式 1. **模型名称：卷积神经网络趋势观察模型**[79] * **模型构建思路**：使用卷积神经网络（CNN）对个股历史价量数据构建的标准化图表进行建模，学习图表特征与未来价格走势之间的关系，并将学习到的有效特征映射到行业主题板块中，以识别具有趋势性机会的行业主题[79][82]。 * **模型具体构建过程**： 1. 数据准备：对每个个股，在特定窗口期内（报告中未明确具体窗口期）收集其价格和成交量数据[79]。 2. 图表化：将标准化的价量数据转换为可视化的图表格式。具体标准化方法未详细说明，但目的是形成可供CNN处理的图像输入[79][80]。 3. 模型训练：使用卷积神经网络对上述价量图表与对应的未来价格表现（如未来收益率）进行训练，使模型学会从图表中提取与未来走势相关的特征[79]。 4. 特征映射与应用：将训练好的CNN模型学习到的特征应用于行业主题板块的分析，识别出当前价量图表特征预示未来可能表现较好的行业主题，并输出具体的主题指数配置建议[79][81]。 2. **模型名称：宏观因子事件模型**[56][58] * **模型构建思路**：跟踪一系列对市场影响较大的宏观指标，通过定义特定的“因子事件”（如短期高点、连续下跌等）来描述宏观因子的走势，并从历史数据中筛选出对未来资产收益率有显著预测作用的有效因子事件，用以判断大类资产的未来趋势[56]。 * **模型具体构建过程**： 1. 因子选择：选取约25个国内外宏观指标，涵盖货币政策、财政政策、流动性、通胀水平及其他经济指标等多个维度[55][56]。 2. 事件定义：为每个宏观因子定义四类走势事件：短期高点/低点、连续上涨/下跌、创历史新高/新低、因子走势反转[56]。 3. 有效性检验：在历史数据中回溯检验，筛选出那些在事件发生后，对特定资产（如股票、债券）未来收益率产生显著影响的“有效因子事件”[56]。 4. 趋势判断：对于连续型指标，采用历史均线（如1月、3月、12月均线）将因子走势划分为上行或下行趋势，并统计在不同趋势下资产未来一个月的平均收益，以判断当前宏观趋势对资产的观点（如看多、震荡）[58][59]。 3. **模型名称：期权成交量看涨看跌比（CPR）模型**[49] * **模型构建思路**：通过监测上证50ETF期权成交量的看涨看跌比率（CPR）与其布林通道的相对位置，来判断蓝筹股市场的短期超买超卖状态[49]。 * **模型具体构建过程**： 1. 计算CPR：计算上证50ETF期权成交量的看涨看跌比率[49]。 2. 计算布林通道：计算CPR的60日布林通道（具体计算方法如移动平均线及标准差倍数未明确，但通常包含中轨、上轨和下轨）[49]。 3. 信号生成：当最近20个交易日的CPR值持续高于其60日布林通道的上轨时，模型认为蓝筹股短期存在超卖风险[49]。 4. **模型名称：GFTD模型和LLT模型**[83] * **模型构建思路**：报告仅提及这两个模型名称及其历史择时成功率，未详细描述其构建思路和过程[83]。 量化因子与构建方式 1. **因子名称：新高新低比例因子**[34] * **因子构建思路**：通过统计市场中创近期新高与新低的个股数量占比，来度量市场的极端情绪和趋势强度[34]。 * **因子具体构建过程**：分别计算两个指标： * 60日新高比例 = 创近60日新高的个股数量 / 总股票数量[34]。 * 60日新低比例 = 创近60日新低的个股数量 / 总股票数量[34]。 2. **因子名称：个股均线结构因子**[38] * **因子构建思路**：通过计算均线呈多头排列与空头排列的个股数量占比之差，来反映市场整体的技术趋势强弱[38]。 * **因子具体构建过程**：计算“均线强弱指标”，其定义为（多头排列个股数量占比 - 空头排列个股数量占比）。报告指出，该指标从前期-13%升至1.2%，表明市场技术结构转强[38][39]。 3. **因子名称：长期均线以上比例因子**[41] * **因子构建思路**：统计股价位于长期移动平均线（如200日）之上的个股比例，用以衡量市场整体的长期趋势强弱[41]。 * **因子具体构建过程**：计算股价位于200日长期移动平均线之上的个股数量占总股票数量的比例[41]。 4. **因子名称：风险溢价因子**[67][82] * **因子构建思路**：通过计算股票市场隐含收益率（市盈率倒数）与无风险利率（十年期国债收益率）的差值，来衡量股票资产相对于债券资产的吸引力[82]。 * **因子具体构建过程**：以中证全指为例，风险溢价 = （1 / PE_TTM） - 十年期国债收益率。报告给出了截至2026年1月16日的具体数值为2.51%[82]。 5. **因子名称：指数超买超卖因子**[70] * **因子构建思路**：通过某种度量方法（报告中未明确具体计算公式，可能基于价格偏离均线的幅度或其他技术指标）计算主要宽基指数和行业指数的超跌或超买程度，以识别市场或板块的极端状态[70][71][74]。 6. **因子名称：融资余额因子**[77] * **因子构建思路**：跟踪市场融资余额的绝对规模及其占流通市值的比例，作为衡量市场杠杆资金情绪和活跃度的指标[77][78]。 模型的回测效果 （报告中未提供具体模型的量化回测指标，如年化收益率、夏普比率、最大回撤等数值结果。） 因子的回测效果 （报告中未提供具体因子的IC值、IR、多空收益等量化测试结果。仅有个别因子给出了当前时点的具体数值或状态描述。） 1. **新高新低比例因子**：截至报告期，60日新高个股数占比为13.4%，60日新低个股数占比为8.6%[34]。 2. **个股均线结构因子**：截至报告期，均线强弱指标（多头排列减空头排列个股占比）为1.2%[38]。 3. **风险溢价因子**：截至2026年1月16日，中证全指风险溢价为2.51%，其历史均值加减两倍标准差边界分别为4.68%和另一个未明确数值[82]。 4. **融资余额因子**：最近5个交易日，融资盘增加约973亿元[82]。