- 本周市场复盘：本周，三大重要事项靴子落地，特朗普赢得美国总统大选，同时共和党夺回参议院控制权，美联储宣布降息25个基点，全国人大常委会审议通过近年来力度最大的化债措施[2][4] - 公募基金仓位测算：截至2024/11/8，主动权益型基金的平均仓位约为85.67%，其中普通股票型基金的平均仓位约为87.89%，偏股混合型基金的平均仓位约为86.47%，配置型基金的平均仓位约为83.41%[14] - 主动权益产品风格动向：截至2024/11/8，主动偏股型基金大盘成长仓位16.41%，大盘价值仓位11.53%，中盘成长仓位13.3%，中盘价值仓位15.42%，小盘成长仓位38.73%，小盘价值仓位4.6%[23] - ETF市场跟踪：本周各类型ETF基金资金合计净流入47.61亿元，其中境内股票ETF净流入17.30亿元，跨境ETF净流入50.81亿元，债券ETF净流出27.60亿元，商品ETF净流入7.09亿元[35] - 主力/主动资金流向：本周主买净额约-1713亿元，主力、主动资金流入国防军工，流出非银行金融[50]

量化模型与构建方式 1. 模型名称：成交量模型 - **模型构建思路**：基于市场成交量的变化趋势，判断市场短期走势[12][67] - **模型具体构建过程**：通过分析宽基指数的成交量变化，结合历史数据，构建看多或看空信号[12][67] - **模型评价**：该模型在短期内对市场情绪的捕捉较为敏感，适合短期择时[9][12] 2. 模型名称：低波动率模型 - **模型构建思路**：通过分析市场波动率的变化，判断市场的稳定性和风险偏好[12][67] - **模型具体构建过程**：利用宽基指数的波动率数据，结合历史波动率分布，生成中性信号[12][67] - **模型评价**：该模型适合在市场波动较大时提供稳定的参考信号[9][12] 3. 模型名称：特征龙虎榜机构模型 - **模型构建思路**：基于龙虎榜数据和机构资金流向，判断市场短期趋势[12][67] - **模型具体构建过程**：通过提取龙虎榜中机构席位的买卖数据，结合市场资金流向，生成中性信号[12][67] 4. 模型名称：特征成交量模型 - **模型构建思路**：结合成交量特征，捕捉市场短期趋势[12][68] - **模型具体构建过程**：通过分析成交量的变化特征，结合历史成交量分布，生成看多信号[12][68] 5. 模型名称：智能沪深300模型 - **模型构建思路**：基于智能算法，结合沪深300指数的历史数据，判断市场短期趋势[12][68] - **模型具体构建过程**：通过智能算法对沪深300指数的历史数据进行回归分析，生成看多信号[12][68] 6. 模型名称：智能中证500模型 - **模型构建思路**：基于智能算法，结合中证500指数的历史数据，判断市场短期趋势[12][68] - **模型具体构建过程**：通过智能算法对中证500指数的历史数据进行回归分析，生成看空信号[12][68] 7. 模型名称：涨跌停模型 - **模型构建思路**：通过分析市场涨跌停板的分布情况，判断市场中期趋势[13][69] - **模型具体构建过程**：统计市场中涨停和跌停个股的数量及比例，结合历史数据生成中性信号[13][69] 8. 模型名称：月历效应模型 - **模型构建思路**：基于月历效应的统计规律，判断市场中期趋势[13][69] - **模型具体构建过程**：通过分析不同月份的市场表现，结合历史数据生成中性信号[13][69] 9. 模型名称：动量模型 - **模型构建思路**：基于动量因子的变化，判断市场长期趋势[14][70] - **模型具体构建过程**：通过计算市场主要指数的动量因子，结合历史数据生成中性信号[14][70] 10. 模型名称：A股综合兵器V3模型 - **模型构建思路**：综合多个短期、中期、长期模型信号，生成综合择时信号[15][71] - **模型具体构建过程**：将多个模型的信号进行加权平均，结合市场数据生成看多信号[15][71] 11. 模型名称：A股综合国证2000模型 - **模型构建思路**：综合多个短期、中期、长期模型信号，生成综合择时信号[15][71] - **模型具体构建过程**：将多个模型的信号进行加权平均，结合市场数据生成看多信号[15][71] 12. 模型名称：成交额倒波幅模型（港股） - **模型构建思路**：通过分析成交额与波幅的关系，判断港股中期趋势[16][72] - **模型具体构建过程**：计算港股市场的成交额与波幅比值，结合历史数据生成看空信号[16][72] --- 模型的回测效果 短期模型 - **成交量模型**：大多数宽基指数看多[12][67] - **低波动率模型**：中性[12][67] - **特征龙虎榜机构模型**：中性[12][67] - **特征成交量模型**：看多[12][68] - **智能沪深300模型**：看多[12][68] - **智能中证500模型**：看空[12][68] 中期模型 - **涨跌停模型**：中性[13][69] - **月历效应模型**：中性[13][69] 长期模型 - **动量模型**：所有指数中性[14][70] 综合模型 - **A股综合兵器V3模型**：看多[15][71] - **A股综合国证2000模型**：看多[15][71] 港股模型 - **成交额倒波幅模型**：看空[16][72]

量化模型与构建方式 1. 模型名称：首次阈值法（左侧交易） - **模型构建思路**：通过扩散指数的阈值设定，判断市场情绪并进行仓位调整[67] - **模型具体构建过程**： 1. 定义扩散指数为万得微盘股指数成分股过去20个交易日处于上涨状态的比例[66] 2. 当扩散指数高于0.9时，触发空仓信号；当低于0.1时，触发满仓信号；其余时间根据上一期信号填充[67] 3. 必须在满仓后才能空仓，空仓后才能满仓[67] - **模型评价**： - 样本内表现未能跑赢微盘股指数，但回撤相对可控 - 样本外表现较差，未能识别2024年大熊市，且在2024年9月大牛市中过早退出，错失后续收益[67] 2. 模型名称：延迟阈值法（右侧交易） - **模型构建思路**：通过延迟触发阈值信号，优化首次阈值法的不足[69] - **模型具体构建过程**： 1. 当扩散指数上一日高于0.9且今日跌破0.9时，触发空仓信号；当上一日低于0.1且今日突破0.1时，触发满仓信号[69] 2. 其余时间根据上一期信号填充[69] - **模型评价**： - 样本内表现未能跑赢微盘股指数，但回撤相对可控 - 样本外表现较好，避免了过早退出2024年9月大牛市，保留了上涨收益，策略净值近期创下新高[69] 3. 模型名称：双均线法（自适应交易） - **模型构建思路**：通过短期和长期均线的交叉信号，解决阈值法对固定阈值的依赖，并从反转策略转为趋势动量策略[72] - **模型具体构建过程**： 1. 定义短期均线为扩散指数的10日移动平均（MA），长期均线为20日移动平均[72] 2. 当短期均线站上长期均线时，触发满仓信号；反之触发空仓信号[72] - **模型评价**： - 样本内表现未能跑赢微盘股指数，但回撤控制较好 - 样本外表现令人满意，在2024年大熊市中有效规避了大幅下跌，同时在2024年9月大牛市中保留了上涨收益[72] --- 模型的回测效果 1. 首次阈值法 - 样本内表现：未跑赢微盘股指数，回撤可控[67] - 样本外表现：未识别2024年大熊市，错失2024年9月大牛市后续收益[67] 2. 延迟阈值法 - 样本内表现：未跑赢微盘股指数，回撤可控[69] - 样本外表现：避免过早退出2024年9月大牛市，策略净值近期创下新高[69] 3. 双均线法 - 样本内表现：未跑赢微盘股指数，回撤控制较好[72] - 样本外表现：规避2024年大熊市大幅下跌，保留2024年9月大牛市收益[72]

量化模型与构建方式 量化模型 1. **模型名称**：三维择时框架 - **模型构建思路**：通过分歧度、流动性和景气度三个维度来判断市场的择时信号[1][8] - **模型具体构建过程**： - **分歧度**：衡量市场参与者之间的意见分歧程度 - **流动性**：衡量市场的资金流动情况 - **景气度**：衡量市场的整体经济状况 - 通过这三个指标的综合分析，判断市场的短期调整概率和长期趋势[1][8] - **模型评价**：该模型能够较好地捕捉市场的短期调整信号，同时对长期趋势保持乐观[1][8] 2. **模型名称**：基于研报覆盖度调整的指数增强模型 - **模型构建思路**：在研报覆盖度高和低的域内分别选用合适因子进行增强，效果好于统一的原始因子选股[44] - **模型具体构建过程**： - **沪深300增强组合**：基于研报覆盖度调整，选用适用性因子进行增强 - **中证500增强组合**：同样基于研报覆盖度调整，选用适用性因子进行增强 - **中证1000增强组合**：基于研报覆盖度调整，选用适用性因子进行增强[44] - **模型评价**：该模型在不同宽基指数内表现出较好的增强效果，能够实现较高的超额收益[44] 量化因子 1. **因子名称**：动量因子 - **因子的构建思路**：通过股票的历史价格变化趋势来预测未来的价格走势[37] - **因子具体构建过程**： - **动量因子**：如2年的收益率、六个月残差动量、1年的收益率等 - 公式：$ \text{动量因子} = \frac{\text{当前价格} - \text{过去价格}}{\text{过去价格}} $ - 公式中，当前价格代表当前的股票价格，过去价格代表一段时间前的股票价格[38][39] - **因子评价**：动量因子在不同时间维度、宽基指数和行业板块中表现较好，具有较高的胜率[37][38][42] 2. **因子名称**：成交量因子 - **因子的构建思路**：通过股票的成交量变化来预测未来的价格走势[38] - **因子具体构建过程**： - **成交量因子**：如每天一个亿成交量能推动的股价涨幅、每笔成交前十的交易日累计涨跌幅减去成交后十的交易日累计涨跌幅等 - 公式：$ \text{成交量因子} = \frac{\text{当前成交量} - \text{过去成交量}}{\text{过去成交量}} $ - 公式中，当前成交量代表当前的股票成交量，过去成交量代表一段时间前的股票成交量[38][39] - **因子评价**：成交量因子在不同时间维度和宽基指数中表现较好，具有较高的超额收益[38][39] 模型的回测效果 1. **三维择时框架**： - **沪深300增强组合**：上周绝对收益0.27%，超额收益-0.53%，10月超额-0.96%，本年超额收益6.87%[44][45] - **中证500增强组合**：上周绝对收益3.39%，超额收益0.38%，10月超额-0.21%，本年超额收益8.66%[44][45] - **中证1000增强组合**：上周绝对收益5.14%，超额收益1.22%，10月超额-0.98%，本年超额收益4.77%[44][45] 因子的回测效果 1. **动量因子**： - **近一周多头超额**：如每天一个亿成交量能推动的股价涨幅6.70%，每笔成交前十的交易日累计涨跌幅减去成交后十的交易日累计涨跌幅5.94%，2年的收益率5.38%等[39] - **近一个月多头超额**：如每天一个亿成交量能推动的股价涨幅16.75%，每笔成交前十的交易日累计涨跌幅减去成交后十的交易日累计涨跌幅17.76%，2年的收益率11.75%等[39] - **近一年多头超额**：如每天一个亿成交量能推动的股价涨幅21.60%，每笔成交前十的交易日累计涨跌幅减去成交后十的交易日累计涨跌幅16.84%，2年的收益率15.42%等[39] 2. **成交量因子**： - **近一周多头超额**：如每天一个亿成交量能推动的股价涨幅6.70%，每笔成交前十的交易日累计涨跌幅减去成交后十的交易日累计涨跌幅5.94%，2年的收益率5.38%等[39] - **近一个月多头超额**：如每天一个亿成交量能推动的股价涨幅16.75%，每笔成交前十的交易日累计涨跌幅减去成交后十的交易日累计涨跌幅17.76%，2年的收益率11.75%等[39] - **近一年多头超额**：如每天一个亿成交量能推动的股价涨幅21.60%，每笔成交前十的交易日累计涨跌幅减去成交后十的交易日累计涨跌幅16.84%，2年的收益率15.42%等[39]

- 本报告未涉及量化模型或量化因子的构建、测试及相关内容[1][2][3]

- 本报告提到的量化模型为“四轮驱动行业轮动模型”，该模型建议关注家用电器、国防军工、传媒、医药生物、非银金融、电子、汽车等行业方向[2][10][17] - 四轮驱动行业轮动模型的构建思路是基于行业轮动规律，通过分析行业信号、强势表现及潜在机会，筛选出具有投资价值的行业[10][17] - 四轮驱动行业轮动模型的具体构建过程包括以下步骤： 1. 通过历史数据分析行业的强势信号和轮动规律 2. 结合近期信号日期和最新信号日期，判断行业的潜在机会 3. 使用Sharpe排序等指标对行业进行进一步筛选和排序 4. 输出强势上涨或潜在机会的行业列表[10][17] - 对四轮驱动行业轮动模型的评价：该模型能够较好地捕捉行业轮动中的强势板块，适合在市场分歧到再确认阶段进行行业选择[10][17] - 四轮驱动行业轮动模型的回测效果： 1. 家用电器行业，近期最早信号日期为2024-09-30，最新信号日期为2024-09-30，信号类型为“强势上涨中量(潜在机会)”[17] 2. 国防军工行业，近期最早信号日期为2024-09-26，最新信号日期为2024-10-08，信号类型为“强势上涨中壁(潜在机会)”，过去1年Sharpe排序为8[17] 3. 传媒行业，近期最早信号日期为2024-10-08，最新信号日期为2024-10-08，信号类型为“强势上涨中壁(潜在机会)”，过去1年Sharpe排序为13[17] 4. 医药生物行业，近期最早信号日期为2024-09-30，最新信号日期为2024-09-30，信号类型为“多段上涨中壁(潜在机会)”，过去1年Sharpe排序为23[17] 5. 非银金融行业，近期最早信号日期为2024-09-24，最新信号日期为2024-09-24，信号类型为“强势上涨中量(潜在机会)”，过去1年Sharpe排序为3[17] 6. 电子行业，近期最早信号日期为2024-09-27，最新信号日期为2024-09-27，信号类型为“强势上涨中量(潜在机会)”[17] 7. 汽车行业，近期最早信号日期为2024-09-27，最新信号日期为2024-09-27，信号类型为“多段上涨中壁(潜在机会)”，过去1年Sharpe排序为12[17]

量化模型与构建方式 1. 量能择时模型 - **模型名称**：量能择时模型 - **模型构建思路**：通过量能信号判断市场趋势，量能信号看多时，市场趋势向好 - **模型具体构建过程**： - 计算各指数的量能信号 - 量能信号为“多”时，表示市场看多 - 量能信号为“空”时，表示市场看空 - **模型评价**：该模型能够较好地捕捉市场趋势变化，适用于短期市场趋势判断[26][27] 2. 沪深300上涨家数占比情绪指标 - **模型名称**：沪深300上涨家数占比情绪指标 - **模型构建思路**：通过计算沪深300指数成分股的上涨家数占比，判断市场情绪 - **模型具体构建过程**： - 计算沪深300指数成分股过去N日收益大于0的个股数占比 - 进行两次不同窗口期的平滑处理，分别称为慢线和快线 - 当快线大于慢线时，看多市场；当快线小于慢线时，看空市场 - 公式：沪深300指数N日上涨家数占比 = 沪深300指数成分股过去N日收益大于0的个股数占比 - **模型评价**：该指标能够较快捕捉上涨机会，但在市场过热阶段可能会错失部分上涨收益[27][28][29] 3. 均线情绪指标 - **模型名称**：均线情绪指标 - **模型构建思路**：通过八均线体系判断市场趋势 - **模型具体构建过程**： - 计算沪深300收盘价的八均线数值，均线参数为8，13，21，34，55，89，144，233 - 将八均线区间值处于1/2/3时赋值为-1，处于4/5/6时赋值为0，处于7/8/9时赋值为1 - 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 - **模型评价**：该指标能够较好地反映市场情绪变化，适用于中短期市场趋势判断[35][36][37] 模型的回测效果 1. 量能择时模型 - **沪深300指数**：量能择时信号为“多”[27] - **上证50指数**：量能择时信号为“多”[27] - **中证500指数**：量能择时信号为“多”[27] - **中证1000指数**：量能择时信号为“多”[27] - **创业板指**：量能择时信号为“多”[27] - **北证50指数**：量能择时信号为“多”[27] 2. 沪深300上涨家数占比情绪指标 - **沪深300指数**：上涨家数占比高于50%，看多市场[29][30][31] 3. 均线情绪指标 - **沪深300指数**：当前处于情绪景气区间，看多市场[35][36][37] 量化因子与构建方式 1. 横截面波动率因子 - **因子名称**：横截面波动率因子 - **因子的构建思路**：通过计算指数成分股的横截面波动率，判断市场Alpha环境 - **因子具体构建过程**： - 计算沪深300、中证500和中证1000指数成分股的横截面波动率 - 统计近两年、近一年、近半年和近一季度的平均值及分位点 - **因子评价**：该因子能够较好地反映市场的Alpha环境变化，适用于短期市场环境判断[39][40][41] 2. 时间序列波动率因子 - **因子名称**：时间序列波动率因子 - **因子的构建思路**：通过计算指数成分股的时间序列波动率，判断市场Alpha环境 - **因子具体构建过程**： - 计算沪深300、中证500和中证1000指数成分股的时间序列波动率 - 统计近两年、近一年、近半年和近一季度的平均值及分位点 - **因子评价**：该因子能够较好地反映市场的Alpha环境变化，适用于短期市场环境判断[43][44][45] 因子的回测效果 1. 横截面波动率因子 - **沪深300指数**：近一季度平均值为2.02%，占近两年分位点71.22%[43] - **中证500指数**：近一季度平均值为2.08%，占近两年分位点80.16%[43] - **中证1000指数**：近一季度平均值为2.28%，占近两年分位点77.29%[43] 2. 时间序列波动率因子 - **沪深300指数**：近一季度平均值为0.75%，占近两年分位点89.65%[46] - **中证500指数**：近一季度平均值为0.51%，占近两年分位点86.51%[46] - **中证1000指数**：近一季度平均值为0.29%，占近两年分位点90.44%[46]

- 公募沪深300增强基金的整体超额收益率在2024年9月20日以来为-3.58%，2024年以来为0.47%[4][13] - 公募中证500增强基金的整体超额收益率在2024年9月20日以来为-4.47%，2024年以来为0.43%[5][19] - 公募中证1000增强基金的整体超额收益率在2024年9月20日以来为-4.95%，2024年以来为2.19%[5][21] - 私募量化中性精选指数的收益率在2024年为1.31%[6][25] - 头部量化私募中性策略在2024年10月的平均收益率为-0.89%，月度收益率最高为1.12%，最低为-4.49%[6][29]

根据提供的文档内容，没有涉及量化模型或量化因子的构建、测试或评价等相关内容

- 本次报告未涉及量化模型或量化因子的构建、测试及相关内容[1][2][3]