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]。

量化模型与构建方式 1. **模型名称：宽基轮动策略**[16] * **模型构建思路**：基于市场情绪热度指标，通过追踪不同宽基指数（沪深300、中证500、中证1000、中证2000及“其他”组）周度热度的边际变化，构建一个简单的择时轮动策略。认为热度变化率最大的宽基可能代表短期市场情绪聚集的方向。[11][14][16] * **模型具体构建过程**： 1. 首先，根据报告定义的个股总热度指标，对属于沪深300、中证500、中证1000、中证2000成分股的股票，分别计算其组内总热度之和，得到各宽基的“总热度”指标。未被纳入上述四个宽基的股票归为“其他”组，并计算其总热度。[11] 2. 计算每个宽基组（包括“其他”组）的周度热度变化率。[14] 3. 对周度热度变化率进行2期移动平均（MA2）平滑处理。[14] 4. 在每周最后一个交易日，选择总热度变化率MA2最大的宽基指数，并在下一周持有该宽基指数（如果变化率最大的是“其他”组，则选择空仓）。[16] 2. **模型名称：热门概念内低热度选股策略**[35] * **模型构建思路**：在短期受市场情绪驱动、关注度高的热门概念板块中，选取板块内相对关注度（热度）较低的个股，利用市场有限注意力导致的“反应不足”或“价值洼地”效应来获取超额收益。[34][35] * **模型具体构建过程**： 1. 每周筛选出本周热度变化率最大的5个概念。[35] 2. 将这5个热门概念的所有成分股合并，作为初始选股股票池。[35] 3. 在股票池中，排除流通市值最小的20%的股票（以规避小市值股票的极端波动）。[35] 4. 对于每个热门概念，分别选出其成分股中“总热度”指标排名最后（最低）的10只个股。[35] 5. 将所有选出的个股（5个概念 * 10只个股 = 50只）等权构建投资组合，记为“BOTTOM组合”。[35] * **模型评价**：该策略利用了A股概念行情持续时间短、受行为因素影响大的特点，通过在高热度板块中挑选低热度个股，历史上长期可以取得一定的超额收益。[34][37] 模型的回测效果 1. **宽基轮动策略**，年化收益率8.74%，最大回撤23.5%，2026年收益为2.1%。[19] 2. **热门概念内低热度选股策略（BOTTOM组合）**，年化收益15.71%，最大回撤28.89%。[37] 量化因子与构建方式 1. **因子名称：个股总热度**[10] * **因子构建思路**：从行为金融学中的“有限注意力”角度出发，将投资者对个股的浏览、自选、点击等行为数据加总，构建一个衡量个股受市场关注程度的综合指标，作为“情绪热度”的代理变量。[10] * **因子具体构建过程**： 1. 获取个股每日的浏览次数、自选次数与点击次数。 2. 将同一交易日内，个股的上述三项数据求和。 3. 将该求和值除以当日全市场所有股票的该项求和总值，进行归一化处理，得到该股当日的关注度占比。 4. 将归一化后的数值乘以10000，使得因子取值区间落在[0, 10000]之间。 公式为： $$个股总热度_i, t = \frac{(浏览_i, t + 自选_i, t + 点击_i, t)}{\sum_{j=1}^{N}(浏览_j, t + 自选_j, t + 点击_j, t)} \times 10000$$ 其中，$i$ 代表个股，$t$ 代表交易日，$N$ 代表全市场股票总数。[10] 2. **因子名称：聚合总热度（宽基/行业/概念）**[10] * **因子构建思路**：将个股层面的总热度因子向上聚合，得到宽基指数、申万行业、市场概念等不同板块层面的整体热度指标，用于追踪市场情绪在宏观或中观层面的聚集与变化。[10] * **因子具体构建过程**： 1. 确定目标板块（如沪深300指数、传媒行业、Sora概念）的成分股名单。 2. 将该板块内所有成分股在同一个交易日的“个股总热度”值进行简单加总。 公式为： $$板块总热度_{S, t} = \sum_{i \in S} 个股总热度_i, t$$ 其中，$S$ 代表特定的板块（宽基、行业或概念）股票集合，$t$ 代表交易日。[10] 3. **因子名称：热度变化率MA2**[14][22] * **因子构建思路**：计算“聚合总热度”因子的周度环比变化率，并对其进行平滑处理，以捕捉板块热度边际变化的趋势，用于构建轮动或选股策略。[14][16][22] * **因子具体构建过程**： 1. 计算板块$S$在第$w$周的周度“聚合总热度”，可通过对周内各交易日热度取平均或直接使用周末值获得。 2. 计算周度热度变化率：$变化率_{S, w} = \frac{热度_{S, w} - 热度_{S, w-1}}{热度_{S, w-1}}$ 3. 对计算出的周度变化率序列进行2期移动平均（MA2）平滑： $$变化率MA2_{S, w} = \frac{变化率_{S, w} + 变化率_{S, w-1}}{2}$$[14] 因子的回测效果 *（注：本报告未提供单个因子的独立测试结果（如IC、IR等），仅展示了基于因子构建的策略组合的回测表现。因此，此部分根据要求跳过。）*

量化模型与构建方式 1. **模型名称：A股景气指数模型**[29] * **模型构建思路**：构建一个高频指数，用于对A股整体景气度（以上证指数归母净利润同比为代表）进行实时预测（Nowcasting）[29]。 * **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，仅说明其目标是对上证指数归母净利润同比进行Nowcasting[29]。 2. **模型名称：A股情绪指数系统**[34] * **模型构建思路**：基于市场波动率和成交额的变化方向来刻画市场情绪，并构建择时信号[34]。 * **模型具体构建过程**： 1. 将市场状态根据波动率和成交额的变化方向划分为四个象限[34]。 2. 通过历史统计发现，只有“波动率上行-成交额下行”的区间表现为显著负收益，其余三个象限均为显著正收益[34]。 3. 基于此规律，构建了包含“见底预警”与“见顶预警”的A股情绪指数[34]。 4. 具体信号生成逻辑：当市场波动率处于下行区间时，见底信号看多；当成交额处于上行区间时，见顶信号看多；综合两个信号得出整体观点[37]。 3. **模型名称：中证500增强组合模型**[45] * **模型构建思路**：通过量化策略模型构建投资组合，旨在持续跑赢中证500指数基准[45]。 * **模型具体构建过程**：报告未提供该增强模型的具体构建公式和详细步骤，仅展示了其持仓和业绩表现[45][48]。 4. **模型名称：沪深300增强组合模型**[51] * **模型构建思路**：通过量化策略模型构建投资组合，旨在持续跑赢沪深300指数基准[51]。 * **模型具体构建过程**：报告未提供该增强模型的具体构建公式和详细步骤，仅展示了其持仓和业绩表现[51][54]。 5. **模型名称：主题挖掘算法**[45] * **模型构建思路**：从新闻和研报文本中自动挖掘具有投资机会的主题概念[45]。 * **模型具体构建过程**：算法涉及多个维度，包括文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建、主题影响力因子构建等[45]。报告未提供具体公式。 模型的回测效果 1. **中证500增强组合模型**，本周收益1.07%，本周超额收益-1.12%（跑输基准），2020年至今累计超额收益47.12%，2020年至今最大回撤-9.32%[45]。 2. **沪深300增强组合模型**，本周收益0.44%，本周超额收益1.01%（跑赢基准），2020年至今累计超额收益43.72%，2020年至今最大回撤-5.86%[51]。 量化因子与构建方式 1. **因子名称：市值因子 (SIZE)**[55] * **因子构建思路**：衡量公司规模大小的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 2. **因子名称：BETA因子**[55] * **因子构建思路**：衡量股票相对于市场整体波动性的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 3. **因子名称：动量因子 (MOM)**[55] * **因子构建思路**：衡量股票价格趋势强弱的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 4. **因子名称：残差波动率因子 (RESVOL)**[55] * **因子构建思路**：衡量股票特异性风险的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 5. **因子名称：非线性市值因子 (NLSIZE)**[55] * **因子构建思路**：捕捉市值因子非线性效应的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 6. **因子名称：估值因子 (BTOP， 即Book-to-Price)**[55] * **因子构建思路**：衡量股票估值水平的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 7. **因子名称：流动性因子 (LIQUIDITY)**[55] * **因子构建思路**：衡量股票交易活跃度与变现能力的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 8. **因子名称：盈利因子 (EARNINGS_YIELD)**[55] * **因子构建思路**：衡量公司盈利能力的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 9. **因子名称：成长因子 (GROWTH)**[55] * **因子构建思路**：衡量公司成长能力的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 10. **因子名称：杠杆因子 (LVRG)**[55] * **因子构建思路**：衡量公司财务杠杆水平的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 11. **因子名称：行业因子**[56] * **因子构建思路**：衡量不同行业对投资组合收益影响的因子[56]。 * **因子具体构建过程**：报告未提供具体构建公式，但在风格分析中将其与十大类风格因子并列提及[56]。 因子的回测效果 *注：报告未提供各因子长期历史回测指标（如IC、IR、多空收益等）的具体数值。仅提供了近期（近一周）的表现描述和相关性矩阵。* 1. **近期因子表现评价**：本周，风格因子中**Beta因子**超额收益较高，**残差波动率因子**呈较为显著的负向超额收益[56]。从近期表现看，高Beta股表现优异，**杠杆因子**、**盈利因子**等表现不佳[56]。行业因子中，**计算机**、**传媒**等行业因子跑出较高超额收益，**国防军工**、**煤炭**、**保险**等行业因子回撤较多[56]。 2. **因子暴露相关性**：近一周，流动性因子分别与Beta、动量、残差波动率因子呈现明显正相关性；价值因子分别与Beta、残差波动率、流动性等因子呈现明显负相关性[56]。具体相关性矩阵参见报告图表[57]。

量化模型与构建方式 1. **模型名称：市场趋势择时模型**[2][5][6] * **模型构建思路**：通过比较市场指数的短期均线与长期均线的相对位置，来判断市场整体处于上行或下行趋势[2][6]。 * **模型具体构建过程**： 1. 选择基准指数：WIND全A指数。 2. 计算均线：计算基准指数的20日移动平均线（短期均线）和120日移动平均线（长期均线）。 3. 计算均线距离：计算短期均线与长期均线的差值百分比。 $$均线距离 = \frac{20日线价格 - 120日线价格}{120日线价格} \times 100\%$$ 4. 生成信号：当均线距离的绝对值大于3%时，认为市场处于明确的趋势中。具体地，若短期均线位于长期均线之上（距离为正且大于3%），则判断为上行趋势；若短期均线位于长期均线之下（距离为负且绝对值大于3%），则判断为下行趋势[2][6]。 2. **模型名称：赚钱效应指标**[2][5][7] * **模型构建思路**：在判断市场为上行趋势后，通过计算当前价格相对于市场趋势线的位置（即赚钱效应），来观测趋势的强弱和持续性[2][7]。 * **模型具体构建过程**： 1. 确定市场趋势线：报告未明确给出趋势线的具体计算方法，但指出其是判断市场环境的核心观测指标之一[2][7]。 2. 计算赚钱效应：计算当前指数价格相对于趋势线的涨幅百分比。 $$赚钱效应 = \frac{当前指数价格 - 市场趋势线价格}{市场趋势线价格} \times 100\%$$ 3. 信号解读：当赚钱效应为正时，表明市场处于盈利状态，有助于吸引增量资金，上行趋势有望延续[2][7]。 3. **模型名称：仓位管理模型**[5][7] * **模型构建思路**：结合市场的估值水平和短期趋势判断，为绝对收益产品提供股票仓位的配置建议[7]。 * **模型具体构建过程**： 1. 评估估值水平：计算WIND全A指数的PE（市盈率）和PB（市净率）在其历史数据中的分位数[7]。 2. 判断短期趋势：参考其他择时指标（如赚钱效应、ETF资金流、成交额等）对市场短期走势进行定性判断[5][7]。 3. 综合给出仓位建议：将估值水平（例如，PE位于90分位点偏上，PB位于50分位点中等）与短期趋势判断相结合，通过模型计算出建议仓位。例如，当前建议仓位为80%[5][7]。 4. **模型名称：行业趋势配置模型**[2][5][7] * **模型构建思路**：这是一个综合模型框架，内部包含多个子模型，用于在不同时间维度上挖掘具有配置机会的行业或板块[2][5]。 * **模型具体构建过程**：报告未详细描述该综合模型的具体构建步骤，但列举了其包含的子模型及其当前信号： * **中期困境反转预期模型**：信号显示关注“创新医疗”板块[2][5]。 * **TWO BETA模型**：继续推荐“科技”板块，并提示关注“AI应用”和“商业航天”调整后的机会[2][5]。 * **业绩趋势模型**：在短期业绩披露高峰期，提示关注“算力”与“储能电池”等板块的机会[2][5][7]。 模型的回测效果 （报告中未提供各量化模型的历史回测绩效指标，如年化收益率、夏普比率、最大回撤等具体数值。） 量化因子与构建方式 （报告中未提及具体的、可计算的量化因子（如价值、动量、质量等因子）的构建思路与过程。） 因子的回测效果 （报告中未提供任何量化因子的测试结果，如IC值、IR、多空收益等。）

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，主要分析对象为指数及其跟踪产品，因此无量化模型相关内容。** 量化因子与构建方式 **本报告未涉及用于选股或预测的量化因子（如价值、动量、质量等因子）的构建与测试。** 指数编制规则与产品分析 1. **指数名称：中证卫星产业指数 (CSI Satellite Industry Index)**[29] * **指数构建思路：** 从沪深市场中选取业务涉及卫星全产业链的上市公司证券，以反映卫星产业上市公司证券的整体表现[29]。 * **指数具体构建过程：** 1. **样本空间：** 同中证全指指数的样本空间[30]。 2. **可投资性筛选：** 对样本空间内证券，剔除过去一年日均成交金额排名位于后20%的证券[30]。 3. **选样方法：** 在通过可投资性筛选的证券中，选取业务涉及卫星产业相关领域的上市公司证券作为待选样本。相关领域包括： * **基础领域：** 卫星平台与卫星载荷制造、卫星发射等。 * **应用领域：** 卫星通信、卫星导航、卫星遥感等领域的地面设备制造、软件开发及系统集成[30]。 4. **成分股选择：** 在上述待选样本中，按照过去一年日均总市值由高到低排名，选取排名前50的证券作为指数样本[30]。 5. **加权方式：** 样本采用营业收入占比调整后自由流通市值加权。具体规则为： * 单个样本权重不超过10%。 * **基础领域（卫星制造+发射）样本权重合计不低于50%**[30]。 6. **定期调整：** 指数样本每半年调整一次，调整实施时间为每年6月和12月的第二个星期五的下一交易日[30]。 * **指数评价：** 该指数定位覆盖卫星全产业链，且编制规则强制要求上游制造与发射环节权重不低于50%，使其在产业爆发初期能更充分地受益于相关利好，具备更强的业绩弹性和进攻性[54][55]。 2. **产品名称：招商中证卫星产业 ETF (159218)** * **产品构建思路：** 采用完全复制法，紧密跟踪中证卫星产业指数，为投资者提供一键投资卫星全产业链的工具化产品[56][57]。 * **产品具体构建过程：** 作为被动指数型基金，其构建过程即按照标的指数（中证卫星产业指数）的成分股及其权重进行资产配置，以最小化跟踪偏离度和跟踪误差为目标[57]。基金力争将日均跟踪偏离度的绝对值控制在0.2%以内，年化跟踪误差控制在2%以内[57]。 指数与产品的回测效果 1. **中证卫星产业指数 (931594.CSI)** * 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] * 2020年收益：15.08%[51] * 2021年收益：7.91%[51] * 2022年收益：-21.53%[51] * 2023年收益：15.16%[51] * 2024年收益：-5.91%[51] * 2025年收益（截至2026年1月15日）：79.04%[51] * 2026年初至1月15日收益：28.86%[51] 2. **国证商用卫星通信产业指数 (980018.CNI)** * 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)** * 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]

量化模型与构建方式 本报告主要对中证卫星产业指数及其跟踪ETF产品进行分析，未涉及传统意义上的量化选股模型或多因子模型。报告的核心分析对象是一个已编制发布的行业主题指数，并对其进行了详细的特征分析和绩效评估。 1. **模型/因子名称**：中证卫星产业指数编制模型[29] * **模型/因子构建思路**：从沪深市场中选取业务涉及卫星全产业链的上市公司证券，构建一个能够反映卫星产业上市公司整体表现的指数[29]。 * **模型/因子具体构建过程**： 1. **样本空间**：同中证全指指数的样本空间[30]。 2. **可投资性筛选**：对样本空间内证券，剔除过去一年日均成交金额排名位于后20%的证券[30]。 3. **选样方法**： * 在通过可投资性筛选的证券中，选取业务涉及卫星产业相关领域的上市公司证券作为待选样本。相关领域包括： * **基础领域**：卫星平台与卫星载荷制造、卫星发射等。 * **应用领域**：卫星通信、卫星导航、卫星遥感等领域的地面设备制造、软件开发及系统集成[30]。 * 在上述待选样本中，按照过去一年日均总市值由高到低排名，选取排名前50的证券作为指数样本[30]。 4. **加权方式**：采用营业收入占比调整后自由流通市值加权。具体规则为： * 单个样本权重不超过10%[30]。 * **基础领域**（卫星制造与发射）样本权重合计不低于50%[30][54]。 5. **定期调整**：指数样本每半年调整一次，调整实施时间为每年6月和12月的第二个星期五的下一交易日[30]。 模型的回测效果 此处展示的是中证卫星产业指数作为投资标的的历史绩效表现。 1. **中证卫星产业指数 (931594.CSI)**，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)**，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)**，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] 量化因子与构建方式 报告未构建或测试独立的量化因子。 因子的回测效果 报告未构建或测试独立的量化因子。

量化模型与构建方式 **注：** 本报告为基金经理深度分析报告，并非传统的量化因子或模型研究。报告内容主要围绕基金经理的投资理念、风格和业绩归因展开，其中涉及的“模型”多为宏观周期模型和业绩归因模型，并非用于直接生成交易信号的量化模型。报告中也未构建具体的量化因子。以下将根据报告内容，总结其中提及的模型和分析框架。 1. **模型名称：宏观周期模型（用于判断成长风格占优环境）** * **模型构建思路：** 通过分析宏观经济所处的阶段（如筑底、复苏等）以及信用周期、企业盈利周期等指标，来判断市场风格（如成长风格）的未来表现[1]。 * **模型具体构建过程：** 报告未给出具体的构建公式和详细过程，但描述了其逻辑链条。模型主要观察几个关键宏观状态： 1. 判断经济处于“筑底后期”[1][21]。 2. 确认信用周期已经企稳[21]。 3. 观察到企业盈利滞后信用周期约一个季度触底，随后趋势上行[21]。 4. 综合以上状态，推断市场对成长属性的定价将强化，景气策略更有利于获取超额收益[1][22]。 2. **模型名称：Brinson业绩归因模型** * **模型构建思路：** 将投资组合的超额收益分解为资产配置收益（行业配置收益）、个股选择收益以及两者交互作用带来的收益，用以分析基金经理超额收益的来源[30]。 * **模型具体构建过程：** 报告未给出具体的数学公式，但明确了应用方式。以中证800成长指数作为基准，将基金经理代表产品（万家成长优选A和永赢科技驱动A）的超额收益归因为两部分： 1. **行业配置收益贡献：** 源于基金经理在行业权重上相对于基准指数的超配或低配决策[30]。 2. **选股+交互收益贡献：** 源于基金经理在行业内个股选择的超额收益，以及行业配置与选股交互作用产生的收益[30][32]。报告将后两者合并展示[32]。 模型的回测效果 *本报告未对上述宏观周期模型或Brinson模型进行独立的回测效果展示。相关数据主要用于分析基金经理的历史业绩和特征。* 量化因子与构建方式 *本报告未构建或测试具体的量化选股因子。报告中提及的“高质量成长”选股标准属于定性投资理念，并未量化为可计算的因子。* 因子的回测效果 *本报告未涉及量化因子的测试结果。*

量化模型与构建方式 1. **模型名称：竞争优势组合** [11] * **模型构建思路**：基于竞争壁垒分析框架，根据行业竞争特性（壁垒护盾型、竞争激烈型、稳中求进型、寻求突破型）和企业战略地位（唯一主导、合作共赢、高效运营）进行选股[11]。 * **模型具体构建过程**：首先将行业分类，在“壁垒护盾型”行业中筛选具有显著管理竞争优势的“唯一主导”企业，以及能够通过合作维持高利润的“合作共赢”企业。对于非“壁垒护盾型”行业，则筛选能够通过高效管理和成本控制实现优异运营的“高效运营”企业。最后，将这两类股票组合构成“竞争优势”组合[11][12]。 2. **模型名称：安全边际组合** [17] * **模型构建思路**：基于企业竞争优势（护城河）计算其内在价值（盈利能力价值），选择内在价值与市场价值差距（安全边际）最大的股票构建组合[17]。 * **模型具体构建过程**：首先，分析企业的竞争优势，识别其需求侧和供给侧壁垒以评估可持续性。其次，计算企业的盈利能力价值作为其内在价值。最后，在具有综合竞争优势的股票池中，选择安全边际（内在价值与市值之差）最大的前50只标的，并采用股息率加权的方式构建投资组合，以最大化整体安全边际[17]。组合每年在5月1日、9月1日和11月1日进行调仓[19]。 3. **模型名称：红利低波季调组合** [23] * **模型构建思路**：在传统红利策略基础上进行优化，通过预测股息率和设置负向清单（如剔除股价表现极端、负债率异常的标的）来规避“高股息陷阱”，即避免因单纯追逐高股息率而忽视公司盈利可持续性和长期价值[23]。 * **模型具体构建过程**：报告指出，一方面可以通过股息率本身的预测来规避陷阱，另一方面考虑设置负向清单制度，例如剔除股价表现极端、负债率异常的标的[23]。 4. **模型名称：AEG估值潜力组合** [28][31] * **模型构建思路**：基于超额收益增长（AEG）模型，筛选市场尚未充分认识其增长潜力、且股利再投资比率高的公司[28][31]。 * **模型具体构建过程**：首先，使用AEG_EP因子（基于AEG模型计算的估值因子）筛选出排名前100的股票。然后，从这100只股票中进一步选择股利再投资比率高的前50只股票构建最终组合[28][31]。 * **涉及的核心公式**： 超额收益增长（AEG）定义为公司的带息收益超过其机会成本的部分： $$A E G=Y_{t}-N_{t}=(E_{t}+r*D P S_{t-1})-(1+r)*E_{t-1}$$ 其中，$Y_t$为第$t$期带息收益，$N_t$为第$t$期正常收益，$E_t$为第$t$期盈利，$r$为要求回报率，$DPS_{t-1}$为第$t-1$期每股股利。 基于AEG的估值模型将远期市盈率表示为正常市盈率与增长溢价之和： $${\frac{V_{0}}{E_{1}}}={\frac{1}{r}}+{\frac{1}{r}}*{\frac{\left({\frac{A E G_{2}}{1+r}}+{\frac{A E G_{3}}{(1+r)^{2}}}+{\frac{A E G_{4}}{(1+r)^{3}}}+\cdots\right)}{E_{1}}}$$ 其中，$V_0$是当期市值，$E_1$是第一期预测盈利。若无超额收益增长，则正常市盈率为 ${\frac{V_{0}}{E_{1}}}={\frac{1}{r}}$[28]。 5. **模型名称：中证800现金牛组合** [34][36] * **模型构建思路**：引入自由现金流回报率（CFOR）分析体系，从现金流角度深入评估企业的盈利能力和资产现金生成效率，筛选高质量、现金流稳定的“现金牛”公司[34]。 * **模型具体构建过程**：通过CFOR体系拆解企业的现金流量回报率，关注自由现金利润比率和经营资产回报率的稳定性。同时，结合传统的杜邦分析（净利润率、总资产周转率的稳定性）和低波、低估值、SUE（未预期盈余）等因子。选股流程为：在全A非金融股中，筛选自由现金利润比率、经营资产回报率、净利润率、总资产周转率四项指标由高到低均位于行业前40%分位数的股票，构成“非金融高质量股票池”；在金融板块内，筛选ROE位于行业前40%分位数的股票，构成“金融高质量股票池”。将两个股票池取并集后，再通过低波、低估值、SUE等因子进一步筛选，得到最终持仓[34][35]。 6. **模型名称：困境反转组合** [41] * **模型构建思路**：利用库存周期刻画公司的困境反转阶段，同时结合景气加速恢复和定价错误的估值回归，旨在捕捉估值提升带来的收益[41]。 * **模型具体构建过程**：利用库存周期识别处于困境反转阶段的公司。同时，考虑公司景气度加速恢复和估值低估的情况。将刻画困境反转、景气加速和低估的相关因子进行标准化并叠加，最终选取综合得分最高的50只股票构建组合[41]。 模型的回测效果 **（注：以下为各模型自2019年以来的历史表现，数据截至2025年12月31日）** [16][21][24][33][39][43] 1. **竞争优势组合**：年化收益19.84%，夏普比率0.93，IR 0.09，最大回撤-19.32%，卡玛比率1.03[16]。 2. **安全边际组合**：年化收益23.16%，夏普比率1.15，IR 0.16，最大回撤-16.89%，卡玛比率1.37[21]。 3. **红利低波季调组合**：年化收益16.87%，夏普比率1.00，IR 0.17，最大回撤-21.61%，卡玛比率0.78[24]。 4. **AEG估值潜力组合**：年化收益25.36%，夏普比率1.16，IR 0.15，最大回撤-24.02%，卡玛比率1.06[33]。 5. **中证800现金牛组合**：年化收益13.42%，夏普比率0.67，IR 0.09，最大回撤-19.80%，卡玛比率0.68[39]。 6. **困境反转组合**：年化收益24.53%，夏普比率0.99，IR 0.15，最大回撤-33.73%，卡玛比率0.73[43]。