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]。

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：基于价量关系进行市场短期择时判断[8]；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**；模型构建思路：基于龙虎榜机构买卖特征进行市场短期择时判断[10]；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**；模型构建思路：基于特殊的成交量特征进行市场短期择时判断[10]；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**；模型构建思路：运用智能算法对沪深300指数进行短期择时判断[10]；模型具体构建过程：报告未详细描述具体构建过程和公式 5. **模型名称：智能算法中证500模型**；模型构建思路：运用智能算法对中证500指数进行短期择时判断[10]；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：涨跌停模型**；模型构建思路：基于市场涨跌停股票数量等特征进行中期择时判断[8][11]；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：上下行收益差模型**；模型构建思路：通过比较市场上行和下行收益的差异进行中期择时判断[8][11]；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：月历效应模型**；模型构建思路：基于特定的月份或日历效应进行中期择时判断[11]；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：长期动量模型**；模型构建思路：基于长期价格动量进行市场长期择时判断[8][12]；模型具体构建过程：报告未详细描述具体构建过程和公式 10. **模型名称：A股综合兵器V3模型**；模型构建思路：将多个择时模型信号进行耦合，形成综合性的A股择时观点[13]；模型具体构建过程：报告未详细描述具体构建过程和公式 11. **模型名称：A股综合国证2000模型**；模型构建思路：将多个择时模型信号进行耦合，形成针对国证2000指数的综合性择时观点[13]；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：成交额倒波幅模型**；模型构建思路：结合成交额与波动率（波幅）进行港股中期择时判断[14]；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：上下行收益差相似模型**；模型构建思路：与A股上下行收益差模型思路相似，应用于港股市场进行中期择时判断[14]；模型具体构建过程：报告未详细描述具体构建过程和公式 14. **模型名称：形态识别模型（杯柄形态）**；模型构建思路：识别股价走势中类似于“杯子和杯柄”的技术形态，捕捉突破信号进行选股[42]；模型具体构建过程：报告未详细描述具体的形态识别算法和突破判定标准 15. **模型名称：形态识别模型（双底形态）**；模型构建思路：识别股价走势中类似于“W”底的双底技术形态，捕捉突破信号进行选股[42]；模型具体构建过程：报告未详细描述具体的形态识别算法和突破判定标准 16. **模型名称：形态识别模型（倒杯子形态）**；模型构建思路：识别股价下跌趋势中类似于倒置杯子的顶部形态，作为负向风险信号[61]；模型具体构建过程：报告未详细描述具体的形态识别算法和突破判定标准 17. **模型名称：华创恐慌指数（HCVIX）模型**；模型构建思路：复现并计算中国市场的期权隐含波动率指数（VIX），用于监控市场情绪和预期波动率[39]；模型具体构建过程：根据公开披露的VIX计算方法进行复现，具体公式未在报告中给出；模型评价：经测算，该指数与中证指数公司历史已发布VIX指数的相关系数达到99.2%[39] 模型的回测效果 1. **双底形态模型**，自2020年12月31日至今累计收益27.28%，同期上证综指累计涨幅19.86%，相对收益7.42%[42]；本周（报告期）收益2.87%，相对上证综指超额收益0.89%[42] 2. **杯柄形态模型**，自2020年12月31日至今累计收益24.66%，同期上证综指累计涨幅19.86%，相对收益4.80%[42]；本周（报告期）收益3.36%，相对上证综指超额收益1.39%[42] 量化因子与构建方式 1. **因子名称：分析师一致预期调整比例**；因子构建思路：通过统计行业内分析师上调或下调盈利预测的个股比例，来观察行业基本面的预期变化[18][19]；因子具体构建过程：对于每个行业，计算“分析师上调（下调）个股比例”，公式为：$$分析师上调（下调）个股比例 = \frac{行业内被上调（下调）盈利预测的股票数量}{行业内股票总数} \times 100\%$$ 例如，有色金属行业分析师上调个股比例为8.06%[18] 2. **因子名称：基金仓位超低配**；因子构建思路：计算公募基金在某个行业上的实际持仓比例与市场标准配置（如行业流通市值占比）的差值，用以判断机构的偏好程度[30]；因子具体构建过程：对于每个行业，计算“超/低配”比例，公式为：$$超/低配比例 = 基金在该行业的仓位百分比 - 该行业的市值占比百分比$$ 例如，股票型基金在电子行业的超配比例为25.20%[30] 3. **因子名称：基金仓位变化**；因子构建思路：跟踪公募基金在不同行业上仓位相对于上周、上月、上季度的变动，以观察机构资金的流向[26][27][28]；因子具体构建过程：直接计算本期仓位与上期仓位的差值，例如本周机械行业获得股票型基金加仓1.27个百分点[26][28] 4. **因子名称：形态长度**；因子构建思路：在形态识别模型中，衡量识别出的技术形态所持续的时间跨度，可能作为形态强度的辅助指标[45][52]；因子具体构建过程：从形态起点（如A点）到突破点（如C点）所经历的周数，例如某杯柄形态的长度为27周[45] 因子的回测效果 （报告中未提供因子的独立回测绩效指标，如IC、IR、多空收益等）

量化模型与构建方式 1. **模型名称：卷积神经网络（CNN）趋势观察模型**[81][82][87] * **模型构建思路**：使用卷积神经网络对图表化的个股价量数据进行深度学习，以识别与未来价格走势相关的特征模式，并将这些学习到的特征映射到行业主题板块中，从而进行行业主题配置[81][82]。 * **模型具体构建过程**： 1. **数据准备**：为每个个股在特定窗口期内的价量数据构建标准化的图表[81][82]。 2. **模型训练**：使用卷积神经网络对上述图表化的价量数据与未来价格进行建模，学习能够预测未来价格走势的特征[81][87]。 3. **特征映射与应用**：将训练好的模型学习到的特征应用于行业主题板块，识别出当前具有相似价量特征模式的行业主题[81][87]。 4. **输出配置**：模型最终输出当前建议配置的行业主题及对应的具体指数[82][87]。 2. **模型名称：宏观因子事件模型**[56][57][59] * **模型构建思路**：通过跟踪一系列国内外宏观指标，定义其走势变化为特定事件，并从历史数据中筛选出对未来资产收益率有显著影响的“有效因子事件”，以此作为判断未来市场趋势的依据[56][57]。 * **模型具体构建过程**： 1. **因子选择**：跟踪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[56][57]。 2. **事件定义**：将宏观因子的走势变化定义为四类事件：短期高低点、连续上涨/下跌、创历史新高/新低、因子走势反转[57]。 3. **有效性检验**：从历史数据中寻找“有效因子事件”，即那些对资产未来收益率影响较为显著的因子事件[57]。 4. **趋势分析**：采用历史均线（如1月、3月、12月均线）将宏观因子走势分为趋势上行和趋势下行，统计不同趋势下资产未来一个月的平均收益，筛选出收益存在显著差异的资产[59][60]。 3. **模型名称：期权成交量看涨看跌比（CPR）模型**[50] * **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，来判断蓝筹股的短期超买超卖风险[50]。 * **模型具体构建过程**： 1. **计算指标**：计算上证50ETF期权成交量的看涨看跌比率（CPR）。 2. **构建通道**：计算CPR的60日布林通道（包括上轨与下轨）[50]。 3. **信号生成**：当最近20个交易日的CPR值高于其60日布林通道上轨时，模型认为蓝筹股短期存在超卖风险[50]。 4. **模型名称：GFTD模型与LLT模型**[88] * **模型评价**：报告提及GFTD模型和LLT模型的历史择时成功率约为80%，但未详细描述其构建思路与具体过程[88]。 模型的回测效果 1. **卷积神经网络（CNN）趋势观察模型**，最新配置主题为船舶、电网、钢铁、机器人等，具体输出指数包括：中证智选船舶产业指数(932420.CSI)、中证电网设备主题指数(931994.CSI)、中证钢铁指数(930606.CSI)、中证机器人指数(h30590.CSI)、中证工程机械主题指数(931752.CSI)[82][87]。 2. **宏观因子事件模型**，当前（截至报告期）有效信号包括：PMI（3月均线上行）看多股票；社融存量同比（1月均线上行）看多股票；10年期国债收益率（12月均线上行）对股票观点为震荡；美元指数（1月均线下行）看多股票[60]。 3. **期权成交量看涨看跌比（CPR）模型**，最新信号显示：最近20个交易日CPR高于60日布林通道上轨，认为蓝筹股短期存在超卖风险[50]。 4. **GFTD模型与LLT模型**，历史择时成功率约为80%[88]。 量化因子与构建方式 1. **因子名称：新高新低比例因子**[35][36] * **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广度[35]。 * **因子具体构建过程**： 1. 计算创近60日新高的个股数占全市场个股总数的比例（新高比例）。 2. 计算创近60日新低的个股数占全市场个股总数的比例（新低比例）[35][36]。 2. **因子名称：个股均线结构因子**[39][40] * **因子构建思路**：通过计算呈现多头排列与空头排列的个股数量之差占全体个股的比例，来反映市场整体的技术面强弱[39]。 * **因子具体构建过程**：计算呈现多头排列的个股数量减去呈现空头排列的个股数量，再除以全体个股数量，得到均线强弱指标[39][40]。 3. **因子名称：长期均线以上比例因子**[42][43] * **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，用以衡量市场长期趋势的强度[42][43]。 * **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占全市场个股总数的比例[42][43]。 4. **因子名称：基金仓位因子**[44][45] * **因子构建思路**：通过回归方法估算普通股票型、偏股混合型等权益类基金的整体仓位，以观察机构投资者的仓位变化[44]。 * **因子具体构建过程**：选取普通股票型、偏股混合型、平衡混合型、灵活配置型基金（剔除联接基金），将其净值与中证800指数进行回归，估算仓位，并按基金规模加权以反映整体权益基金仓位水平[44][45]。 5. **因子名称：市场真实换手率因子**[53][55] * **因子构建思路**：考虑自由流通股本后的市场换手率，用以观察市场真实的交易活跃程度，避免总股本导致的失真[53]。 * **因子具体构建过程**：计算基于自由流通股本的市场换手率[53][55]。 6. **因子名称：风险溢价因子**[68][69][87] * **因子构建思路**：用股票市场指数的盈利收益率（EP）减去无风险利率（十年期国债收益率），衡量权益资产相对于债券资产的超额收益预期，即风险补偿[68][69][87]。 * **因子具体构建过程**：对于特定指数（如中证全指），计算其静态市盈率（PE_TTM）的倒数得到盈利收益率（EP），再减去十年期国债收益率[87]。 $$风险溢价 = \frac{1}{PE\_TTM} - 十年期国债收益率$$ 其中，PE_TTM为指数滚动市盈率。 7. **因子名称：融资余额因子**[79][80] * **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，用以观察杠杆资金的情绪和参与度[79][80]。 * **因子具体构建过程**： 1. 统计全市场融资余额的绝对数值（亿元）。 2. 计算融资余额占A股流通市值的百分比[80]。 因子的回测效果 1. **新高新低比例因子**，本期（2026年2月13日-27日）新高比例从前一期的9.8%升至15.7%，新低比例从前一期的7.0%升至7.2%[35]。 2. **个股均线结构因子**，本期（2026年2月13日-27日）多头排列减空头排列个股占比从前一期的31%降至26%[39]。 3. **长期均线以上比例因子**，报告展示了该因子的历史时间序列图表，但未提供最新具体数值[42][43]。 4. **基金仓位因子**，报告展示了该因子的历史时间序列图表，但未提供最新具体数值[45]。 5. **市场真实换手率因子**，报告展示了该因子（中证全指、创业板指）的历史时间序列图表，但未提供最新具体数值[55]。 6. **风险溢价因子**，截至2026年2月27日，中证全指风险溢价为2.43%，其历史均值加减两倍标准差边界分别为4.65%和约-0.79%（根据图表估算）[69][87]。 7. **融资余额因子**，报告展示了融资余额及其占流通市值比例的历史时间序列图表，但未提供最新具体数值[80]。

量化模型与构建方式 1. 短期择时模型 * **模型名称**：短期择时模型[14][15][17] * **模型构建思路**：通过综合评估宏观基本面、估值面、情绪面、流动性四个维度的多个指标信号，生成每周的总体市场仓位建议[14][15][17]。 * **模型具体构建过程**： 1. **指标选取与信号生成**：选取四个一级维度下的多个二级指标，计算各指标当前值在过去5年历史数据中的分位数，根据分位数区间将每个二级指标转化为乐观（1）、中性（0.5）或谨慎（0）的量化信号[14][15][17]。 2. **维度综合**：对每个一级维度（如基本面）下的所有二级指标信号进行综合，得出该维度的总体信号（乐观、中性或谨慎）[14][15][17]。 3. **总信号合成**：将四个一级维度的信号（乐观=1，中性=0.5，谨慎=0）等权或加权平均，得到最终的总仓位信号。总信号值映射到具体的仓位配置建议（如1表示满仓，0表示空仓，0.5表示半仓）[17]。 * **模型评价**：该模型是一个多因子综合择时模型，旨在通过多维度信息捕捉市场短期走势，历史回测显示其能有效提升收益并控制回撤[16]。 2. 成长价值风格轮动模型 * **模型名称**：成长价值风格轮动模型[24][25] * **模型构建思路**：综合动态宏观信号、估值回归信号、短期动量信号、风格广度信号和风格拥挤信号五个子信号，生成在成长与价值风格间的超配建议[24][25]。 * **模型具体构建过程**： 1. **子信号计算**：分别计算五个维度的独立信号。例如，动态宏观信号可能基于信贷脉冲、通胀剪刀差、M0/M1增速等宏观指标；估值回归信号基于成长与价值板块的相对估值分位数；短期动量信号基于20日价量趋势等[24][25]。 2. **信号集成**：将五个子信号进行集成，生成每日的综合仓位信号。报告展示了两种集成方式：一种是直接使用每日信号（综合信号1_无中性仓位），另一种是对每日信号进行5日平均平滑处理（综合信号2_5D平均仓位）[25]。 3. **仓位映射**：综合信号直接决定对成长或价值风格的配置比例。例如，信号为0%成长仓位即对应100%价值仓位[25]。 * **模型评价**：该模型是一个多因子驱动的风格轮动模型，旨在根据宏观环境、估值、动量等多方面变化，动态调整成长与价值风格的暴露[24]。 3. 小盘大盘风格轮动模型 * **模型名称**：小盘大盘风格轮动模型[27][30] * **模型构建思路**：从流动性、交易情绪、价量技术等多个角度选取11个有效轮动指标，构建综合信号来建议超配小盘或大盘风格[27][30]。 * **模型具体构建过程**： 1. **指标选取**：选取了11个轮动指标，包括A股龙虎榜买入强度、R007、融资买入余额变化、主题投资交易情绪、等级利差、期权波动率风险溢价、Beta离散度、PB分化度、大宗交易折溢价率、中证1000的MACD指标、中证1000交易量能等[30]。 2. **信号生成**：每个指标独立生成每日的轮动信号，信号为100%表示建议配置小盘，0%表示建议配置大盘[30]。 3. **信号综合**：对11个指标的日度信号进行综合，生成每日的综合信号。报告提及采用“3D平滑”规则，即需要连续3日触发条件才确认风格切换[27][30]。 4. **仓位执行**：根据综合信号，在沪深300（代表大盘）和中证1000（代表小盘）全收益指数之间进行切换配置[28][30]。 模型的回测效果 1. 短期择时模型 * 全区间（2012年底至今）[16][22]： * 年化收益率：16.50% * 基准年化收益率：5.11% * 年化超额收益率：11.39% * 年化波动率：14.80% * 最大回撤：15.05% * 夏普比率：0.9713 * 收益回撤比：1.0966 * 月度胜率：66.04% * 2024年以来区间[21]： * 年化收益率：29.07% * 基准年化收益率：10.88% * 年化超额收益率：18.19%（计算得出） * 年化波动率：16.50% * 最大回撤：11.04% * 夏普比率：1.5085 * 收益回撤比：2.6335 * 月度胜率：70.37% * 2026年以来（截至2026-02-27）[20]： * 策略收益率：5.41% * 基准收益率：4.12% * 超额收益率：1.29% 2. 成长价值风格轮动模型（综合信号2_5D平均仓位） * 全区间（2010年5月31日至2026年2月27日）[25]： * 累计收益：763.30% * 年化收益：14.62% * 基准（国证成长价值等权）年化收益：6.72% * 年化超额收益率：7.91% * 年化波动率：21.42% * 最大回撤：40.08% * 夏普比率：0.65 * 收益回撤比：0.36 * 年化跟踪误差：5.88% * 年化信息比率（IR）：1.34 * 月度超额胜率：66.14% * 2026年以来（截至2026-02-27）[24][25]： * 超额收益率：0.85% 3. 小盘大盘风格轮动模型（综合信号3D平滑） * 全区间（2014年至2026年2月）[30]： * 年化收益：20.68% * 年化超额收益率：12.94% * 最大回撤：40.70% * 平均换手间隔：20个交易日 * 胜率（按交易）：50.11% * 分年度超额收益（部分年份）[30]： * 2014年：33.28% * 2015年：36.85% * 2024年：22.03% * 2025年：13.13% * 2026年以来（截至2026-02-27）：-0.76% 量化因子与构建方式 1. 短期择时模型相关因子 * **基本面维度因子**： * **制造业PMI因子**：直接使用统计局发布的制造业PMI数值，与50的临界值比较判断景气度[14][17]。 * **信贷脉冲因子**：计算“人民币中长期贷款脉冲同比增速”在过去5年的分位数，用于判断信贷增速水平[14][17]。 * **M1同比增速（滤波后）因子**：对M1同比增速进行HP滤波去趋势处理，计算其数值在过去5年的分位数，用于判断货币活化程度[14][17]。 * **估值面维度因子**： * **A股整体PE分位数因子**：计算全市场股票PE_TTM中位数在过去5年（滚动）的分位数[14][17]。 * **A股整体PB分位数因子**：计算全市场股票PB_LF中位数在过去5年（滚动）的分位数[14][17]。 * **情绪面维度因子**： * **A股整体Beta离散度因子**：计算全市场股票Beta值的离散程度（如标准差），并求其过去5年的分位数，用于衡量市场分歧度[15][17]。 * **A股整体量能情绪因子**：通过量价关系构建情绪得分，并计算其过去5年的分位数[15][17]。 * **A股整体波动率因子**：计算市场年化波动率，并求其过去5年的分位数[15][17]。 * **流动性维度因子**： * **货币利率指标因子**：以货币市场利率（如R007）构建指标，计算其过去5年的分位数，用于判断资金面松紧[15][17]。 * **汇率预期指标因子**：以人民币汇率变化构建预期指标，计算其过去5年的分位数[15][17]。 * **沪深净融资额5日均值因子**：计算两市融资买入余额的5日平均变化，并求其过去5年的分位数，反映杠杆资金情绪[15][17]。 2. 小盘大盘风格轮动模型相关因子（11个指标） * **A股龙虎榜买入强度因子**：基于龙虎榜买入数据构建，反映活跃资金对小盘股的关注度[30]。 * **R007因子**：银行间市场7天回购利率，作为流动性松紧的代理变量影响大小盘风格[30]。 * **融资买入余额变化因子**：融资余额的变动情况，反映杠杆资金的偏好[27][30]。 * **主题投资交易情绪因子**：刻画市场主题投资热度，通常与小盘股活跃度相关[30]。 * **等级利差因子**：信用债等级利差，反映风险偏好变化[30]。 * **期权波动率风险溢价因子**：基于期权数据计算的波动率风险溢价指标[30]。 * **Beta离散度因子**：全市场股票Beta值的离散程度，衡量市场分歧[30]。 * **PB分化度因子**：全市场股票PB值的离散程度，衡量估值分化[30]。 * **大宗交易折溢价率因子**：大宗交易的折溢价情况，反映机构交易意愿[30]。 * **中证1000 MACD(10,20,10)因子**：直接对中证1000指数应用MACD技术指标（参数为10，20，10），生成交易信号[30]。 * **中证1000交易量能因子**：基于中证1000指数的价量关系构建的交易量能指标[30]。 因子的回测效果（小盘大盘轮动模型各独立因子） * **融资买入余额变化因子**[30]： * 年化收益：13.33% * 年化超额收益率：5.59% * 最大回撤：44.32% * 平均换手间隔：3个交易日 * 胜率（按交易）：50.05% * **大宗交易折溢价率因子**[30]： * 年化收益：16.79% * 年化超额收益率：9.04% * 最大回撤：40.67% * 平均换手间隔：7个交易日 * 胜率（按交易）：56.36% * **A股龙虎榜买入强度因子**[30]： * 年化收益：13.12% * 年化超额收益率：5.37% * 最大回撤：54.66% * 平均换手间隔：10个交易日 * 胜率（按交易）：48.61% * **R007因子**[30]： * 年化收益：12.05% * 年化超额收益率：4.30% * 最大回撤：57.98% * 平均换手间隔：6个交易日 * 胜率（按交易）：50.38% * **主题投资交易情绪因子**[30]： * 年化收益：13.02% * 年化超额收益率：5.28% * 最大回撤：55.35% * 平均换手间隔：10个交易日 * 胜率（按交易）：51.52% * **等级利差因子**[30]： * 年化收益：12.78% * 年化超额收益率：5.03% * 最大回撤：46.47% * 平均换手间隔：7个交易日 * 胜率（按交易）：54.14% * **期权波动率风险溢价因子**[30]： * 年化收益：13.33% * 年化超额收益率：5.59% * 最大回撤：63.43% * 平均换手间隔：9个交易日 * 胜率（按交易）：47.78% * **Beta离散度因子**[30]： * 年化收益：11.00% * 年化超额收益率：3.25% * 最大回撤：53.65% * 平均换手间隔：43个交易日 * 胜率（按交易）：44.12% * **PB分化度因子**[30]： * 年化收益：17.03% * 年化超额收益率：9.29% * 最大回撤：45.00% * 平均换手间隔：9个交易日 * 胜率（按交易）：48.51% * **中证1000 MACD(10,20,10)因子**[30]： * 年化收益：16.55% * 年化超额收益率：8.80% * 最大回撤：37.87% * 平均换手间隔：12个交易日 * 胜率（按交易）：49.41% * **中证1000交易量能因子**[30]： * 年化收益：17.50% * 年化超额收益率：9.75% * 最大回撤：39.27% * 平均换手间隔：8个交易日 * 胜率（按交易）：53.08%