量化模型与构建方式 1. **模型名称**：DFQ-FactorGCL - **模型构建思路**：基于超图卷积神经网络和时间残差对比学习的股票收益预测模型[6] - **模型具体构建过程**：未详细描述 2. **模型名称**：DFQ-FactorVAE-pro - **模型构建思路**：加入特征选择与环境变量模块的FactorVAE模型[6] - **模型具体构建过程**：未详细描述 3. **模型名称**：Neural ODE - **模型构建思路**：时序动力系统重构下深度学习因子挖掘模型[6] - **模型具体构建过程**：未详细描述 量化因子与构建方式 1. **因子名称**：Beta风格因子 - **因子构建思路**：衡量股票对市场波动的敏感性，基于贝叶斯压缩后的市场Beta[16] - **因子具体构建过程**：$$Beta = \text{贝叶斯压缩后的市场Beta}$$[16] - **因子评价**：近期表现突出，市场对高Beta股票偏好稳定[11][13] 2. **因子名称**：UMR因子（一个月UMR） - **因子构建思路**：风险调整后的动量因子，基于一个月窗口计算[21] - **因子具体构建过程**：未详细描述 - **因子评价**：在中证全指样本空间中表现最佳[47] 3. **因子名称**：DELTAROA - **因子构建思路**：单季总资产收益率同比变化[21] - **因子具体构建过程**：$$DELTAROA = \text{单季总资产收益率} - \text{去年同期总资产收益率}$$[21] - **因子评价**：在中证1000样本空间中表现最佳[36] 4. **因子名称**：非流动性冲击 - **因子构建思路**：衡量股票流动性风险，基于过去20个交易日日度涨跌幅绝对值比成交额的均值[21] - **因子具体构建过程**：$$ILLIQ\_1M = \frac{\sum_{t=1}^{20} |r_t|}{V_t}$$[21] - **因子评价**：在国证2000样本空间中表现最佳[39] 5. **因子名称**：预期PEG - **因子构建思路**：一致预期滚动PE与个股滚动净利复合增长率的比值[21] - **因子具体构建过程**：$$TTM\_FPEG = \frac{\text{一致预期滚动PE}}{\text{个股滚动净利复合增长率}}$$[21] - **因子评价**：在沪深300样本空间中表现最佳[24] 6. **因子名称**：一年动量 - **因子构建思路**：剔除近1个月的过去一年涨跌幅[21] - **因子具体构建过程**：$$MOMENTUM\_1Y = \sum_{t=2}^{12} r_t$$[21] - **因子评价**：在中证500样本空间中表现最佳[28] 模型的回测效果 1. **DFQ-FactorGCL模型**：未提供具体回测数据 2. **DFQ-FactorVAE-pro模型**：未提供具体回测数据 3. **Neural ODE模型**：未提供具体回测数据 因子的回测效果 1. **Beta风格因子**： - 近一周收益：0.88%[13] - 近一月收益：5.18%[13] - 今年以来收益：21.07%[13] 2. **一个月UMR因子**： - 近一周收益：1.82%[47] - 近一月收益：1.49%[47] - 今年以来收益：6.19%[47] 3. **DELTAROA因子**： - 近一周收益：0.63%[36] - 近一月收益：1.57%[36] - 今年以来收益：8.06%[36] 4. **非流动性冲击因子**： - 近一周收益：1.26%[39] - 近一月收益：1.99%[39] - 今年以来收益：12.11%[39] 5. **预期PEG因子**： - 近一周收益：0.75%[24] - 近一月收益：2.07%[24] - 今年以来收益：7.23%[24] 6. **一年动量因子**： - 近一周收益：0.84%[28] - 近一月收益：2.33%[28] - 今年以来收益：3.83%[28] 附录 - **MFE组合构建方式**：通过线性规划最大化单因子暴露，控制行业、风格等约束[63] - 目标函数：$$max\ f^{T}w$$[63] - 约束条件：风格偏离、行业偏离、换手率等[63]

根据提供的研报内容，以下是量化模型与因子的详细总结： --- 量化模型与构建方式 1. **模型名称**：基本面量化模型 - **模型构建思路**：通过跟踪行业基本面数据（如ROE、净利润增速）判断景气度变化，用于行业配置建议[3][20] - **模型具体构建过程**： 1. 计算申万一级行业的分析师一致预测滚动未来12个月ROE（ROEFTTM）及净利润增速 2. 计算环比变化值： $$ \Delta ROE_{t} = ROE_{t} - ROE_{t-1} $$ $$ \Delta 净利润增速_{t} = 净利润增速_{t} - 净利润增速_{t-1} $$ 3. 根据环比变化排序，筛选景气度回升的行业（如煤炭、化工）[20] - **模型评价**：对周期板块的景气度拐点捕捉效果较好，但依赖分析师预测数据的及时性[3] 2. **模型名称**：游资热度模型 - **模型构建思路**：监测个人投资者主导的微观市场交易活跃度，识别TMT等板块的交易机会[3][19] - **模型具体构建过程**： 1. 统计全A成交额均值（近2周1.75万亿）及历史分位数 2. 构建游资活跃度指标（未披露具体公式，推测包含换手率、成交额占比等） 3. 结合龙头股业绩超预期信号，判断板块持续性[3] 3. **模型名称**：知情交易者活跃度指标 - **模型构建思路**：通过高频交易数据识别机构投资者的边际动向，用于市场择时[16][19] - **模型评价**：与市场走势分化时提示风险，但需结合其他指标验证[16] 4. **模型名称**：板块拥挤度模型 - **模型具体构建过程**： 1. 计算创新药等板块的持仓集中度、换手率等指标 2. 统计过去5年分位数（如创新药拥挤度94.93%） 3. 根据历史统计规律预警回调风险（未来3周概率较高）[3] --- 量化因子与构建方式 1. **因子名称**：BARRA风格因子（EP价值、动量、波动率等） - **因子构建思路**：基于多因子模型分析市场风格偏好，指导组合调整[25][26] - **因子具体构建过程**： - EP价值因子： $$ EP = \frac{净利润}{市值} $$ - 动量因子：计算短期价格涨幅排名 - 波动率因子：基于历史收益标准差[26] --- 模型的回测效果 1. **基本面量化模型**： - 煤炭、化工ROEFTTM环比增长0.04%、0.03%，净利润增速环比-0.02%、0.32%[20] - 创新药拥挤度分位数94.93%，未来3周回调概率高[3] 2. **游资热度模型**： - TMT板块成交额均值1.75万亿（历史高位），游资热度持续上行[3][19] 3. **知情交易者活跃度指标**： - 本周指标回落，与市场上涨分化，提示谨慎[16][19] 4. **BARRA风格因子**： - EP价值因子周收益0.2%，动量因子0.3%，波动率因子-0.1%[26] --- 因子的回测效果 1. **EP价值因子**：本周收益0.2%，近一季持续正向[26] 2. **动量因子**：本周收益0.3%，上周-0.4%[26] 3. **波动率因子**：本周收益-0.1%，近一季负向[26] --- 注：部分模型（如价格分段体系）因未披露构建细节未纳入[15][18]

根据研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称：沪深300ETF多头仓位择时模型** - 模型构建思路：通过技术指标和仓位信号对沪深300ETF进行多空择时[21] - 模型具体构建过程： 1. 使用价格趋势指标（如均线突破）生成开仓信号 2. 结合波动率调整仓位比例 3. 净值曲线显示2016-2025年策略表现[21] 2. **模型名称：A股多空期货择时模型** - 模型构建思路：基于沪深300期货的多空信号捕捉市场转折点[25] - 模型具体构建过程： 1. 综合动量指标与市场情绪指标 2. 当信号强度超过阈值时触发多空转换 3. 净值曲线显示策略2016-2025年跑赢持有收益[25] 3. **模型名称：小微盘择时模型** - 模型构建思路：通过流动性指标和拥挤度监测中小盘股机会[55] - 模型具体构建过程： 1. 计算RSI技术面指标 2. 监测融资余额变化 3. 结合赔率指标判断交易过热风险[55] 4. **模型名称：黄金择时模型** - 模型构建思路：基于CFTC持仓数据与关税事件驱动分析[57] - 模型具体构建过程： 1. 跟踪COMEX黄金期货持仓变化 2. 结合美联储政策预期调整仓位[57] 量化因子与构建方式 1. **因子名称：美元真实流动性因子** - 因子构建思路：通过美联储资产负债表变化监测市场流动性[40] - 因子具体构建过程： $$流动性 = 负债表 - TGA账户 - ONRRP$$ 其中TGA账户变动448.69亿美元，ONRRP减少171.23亿美元[40] 2. **因子名称：港股情绪因子** - 因子构建思路：综合卖空成交占比与南向资金流向[48] - 因子具体构建过程： 1. 计算卖空成交占比（本周15.54%） 2. 监测南向资金净买入（本周217.51亿元）[48] 3. **因子名称：红利成长因子** - 因子构建思路：结合股息率与盈利增长筛选标的[54] - 因子具体构建过程： 1. 筛选高股息率个股 2. 叠加ROE增长条件 3. 当前推荐银行、半导体板块[54] 模型的回测效果 1. **沪深300ETF多头择时模型** - 年化收益率：未披露具体值（净值曲线显示2016-2025年累计收益约2.5倍）[21] - 最大回撤：未披露 2. **A股多空期货择时模型** - 年化收益率：未披露（净值曲线显示显著跑赢基准）[25] - 胜率：未披露 3. **ETF偏股型组合** - 2024年绝对收益：41.83% - 超额收益（vs沪深300）：20.61% - 当前持仓：食品饮料ETF、半导体ETF等[58] 4. **港股定量优选30组合** - 绝对收益（2024/11起）：35.64% - 超额收益（vs高股息指数）：13.13%[52] 因子的回测效果 1. **美元流动性因子** - 本周变动：6.13万亿→6.10万亿[40] - 对美股影响：5%回调触发买入信号[40] 2. **小微盘因子** - 当前RSI指标：显示技术面强势[55] - 拥挤度：6月初达历史极值后改善[55] 3. **黄金因子** - CFTC持仓：显示假突破信号[57] - 关税事件影响：推动COMEX创历史新高[57]

根据提供的量化周报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **A股景气指数模型** - 构建思路：以上证指数归母净利润同比为Nowcasting目标构建高频指数，用于监测A股景气周期[32] - 具体构建：通过历史下行周期的时间与幅度对比，判断当前景气位置（2025年8月指数值为22.24，较2023年底上升16.82）[32][35] - 评价：能有效捕捉景气拐点，当前显示A股处于上升周期 2. **A股情绪指数模型** - 构建思路：基于波动率与成交额变化方向划分四个象限，构造见底/见顶预警信号[36] - 具体构建： - 波动率上行+成交额下行=显著负收益区间 - 其他组合=显著正收益区间[36] - 当前信号：见底预警空/见顶预警多，综合看多[41] 3. **BARRA风格因子模型** - 包含因子：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）、杠杆（LVRG）[58] - 构建过程：通过个股风险暴露相关性分析，计算纯因子收益率[58][59] 量化因子与构建方式 1. **动量因子（MOM）** - 构建思路：捕捉近期高收益股票持续强势的特征[58] - 测试结果：本周超额收益显著，与流动性因子正相关[59][66] 2. **市值因子（SIZE）** - 构建思路：区分大/小市值股票表现差异[58] - 测试结果：本周呈显著负向超额收益[59][66] 3. **行业因子（国防军工/有色金属/煤炭）** - 构建思路：行业相对市场市值加权组合的超额收益[59] - 测试结果：本周国防军工、有色金属、煤炭超额收益较高；医药、计算机回撤明显[59][63] 模型的回测效果 1. **中证500增强组合** - 本周超额收益：0.22%（2020年至今累计超额50.26%）[48] - 最大回撤：-4.99%[48] 2. **沪深300增强组合** - 本周超额收益：0.61%（2020年至今累计超额34.90%）[54] - 最大回撤：-5.86%[54] 因子的回测效果 1. **动量因子** - 本周纯因子收益率：显著正向[59][66] - 近期表现：高Beta股持续占优[59] 2. **成长因子（GROWTH）** - 本周纯因子收益率：负向[59] - 近期表现：与杠杆因子同步不佳[59] 3. **流动性因子（LIQUIDITY）** - 相关性：与Beta/动量因子正相关[59][61] （注：部分因子如盈利/估值等未提供具体数值，故未列出测试结果）

量化模型与构建方式 1. **模型名称**：择时雷达六面图 - **模型构建思路**：基于流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取21个指标，综合生成[-1,1]区间的择时分数，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[2][7] - **模型具体构建过程**： 1. **流动性维度**：货币方向因子（货币政策工具利率变化方向）、货币强度因子（DR007/7天逆回购利率偏离度）、信用方向因子（中长期贷款同比变化）、信用强度因子（新增人民币贷款预期差）[13][16][19][22] 2. **经济面维度**：增长方向因子（PMI同比变化）、增长强度因子（PMI预期差）、通胀方向因子（CPI/PPI组合变化）、通胀强度因子（CPI/PPI预期差均值）[23][27][28][32] 3. **估值面维度**：席勒ERP（6年通胀调整PE倒数减国债收益率）、PB（市净率zscore）、AIAE（全市场权益配置比例zscore）[33][37][39] 4. **资金面维度**：内资（两融增量、成交额趋势）、外资（中国主权CDS利差、海外风险厌恶指数）[41][44][47][49] 5. **技术面维度**：价格趋势（均线距离ma120/ma240）、新高新低数（成分股反转信号）[51][54] 6. **拥挤度维度**：衍生品（期权隐含升贴水、VIX、SKEW）、可转债定价偏离度[57][58][62][65] 模型的回测效果 1. **择时雷达六面图**： - 综合打分：-0.32（中性偏空）[7][9] - 细分维度得分： - 流动性：0.00（中性）[9][11] - 经济面：-0.25（中性偏空）[9][11] - 估值面：-0.55（中性偏空）[9][11] - 资金面：0.00（中性）[9][11] - 技术面：-0.50（看空）[9][11] - 拥挤度：-0.50（中性偏空）[9][11] 量化因子与构建方式 1. **因子名称**：货币方向因子 - **构建思路**：判断货币政策方向[13] - **具体构建**：计算央行货币政策工具利率与短端市场利率的90天平均变化方向，>0为宽松（分数1），<0为收紧（分数-1）[13] - **测试结果**：本周分数1（看多）[11][13] 2. **因子名称**：货币强度因子 - **构建思路**：量化短端利率偏离政策利率的程度[16] - **具体构建**：$$偏离度 = \frac{DR007}{7天逆回购利率} - 1$$，zscore后截尾±1.5倍标准差[16] - **测试结果**：本周分数-1（看空）[11][17] 3. **因子名称**：席勒ERP - **构建思路**：衡量权益风险溢价[33] - **具体构建**：$$席勒ERP = \frac{1}{席勒PE} - 10年期国债收益率$$，3年zscore标准化[33] - **测试结果**：本周分数-0.12[11][33] 4. **因子名称**：可转债定价偏离度 - **构建思路**：捕捉可转债市场情绪[65] - **具体构建**：$$偏离度 = \frac{转债价格}{模型定价} - 1$$，3年zscore取负[65] - **测试结果**：本周分数-1.00（看空）[11][65] （其他因子构建方式与测试结果详见原报告图表[4][5][6][8][10][12][14][15][18][20][21][24]） 因子的回测效果 - **流动性类因子**：货币方向1、货币强度-1、信用方向1、信用强度-1[11] - **经济面类因子**：增长方向-1、增长强度-1、通胀方向1、通胀强度0[11] - **估值面类因子**：席勒ERP-0.12、PB-0.86、AIAE-0.68[11] - **技术面类因子**：价格趋势0、新高新低-1[11] - **拥挤度类因子**：期权隐含升贴水0、VIX0、SKEW-1、可转债定价偏离度-1[11]

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称**：中欧中证500指数增强模型 - **模型构建思路**：通过量化投资方法进行积极的投资组合管理与风险控制，在控制跟踪误差的基础上追求超越标的指数的回报[76]。 - **模型具体构建过程**： 1. 股票筛选：投资于中证500指数成份股及其备选成份股的资产不低于非现金基金资产的80%[76]。 2. 行业配置：允许在紧密跟踪指数的条件下进行一定的行业偏离，但整体偏离幅度较小[72]。 3. 风格暴露：在盈利、成长等因子上超配，在市值等因子上低配[68]。 4. 风险控制：控制基金净值增长率与业绩比较基准之间的日均跟踪偏离度的绝对值不超过0.5%，年跟踪误差不超过8%[76]。 - **模型评价**：模型在控制跟踪误差的同时，能够稳定获取超额收益，超额来源主要依靠优秀的选股能力[73]。 模型的回测效果 1. **中欧中证500指数增强模型**： - 年化收益率：9.33%[49] - 年化超额回报：8.40%[48] - 年化信息比率（IR）：2.26[48] - 年化跟踪误差：3.87%[57] - 最大回撤：22.46%[49] - 月度超额胜率：76.92%[61] 量化因子与构建方式 1. **因子名称**：盈利因子 - **因子构建思路**：筛选高盈利能力的股票，以获取超额收益[68]。 - **因子具体构建过程**：根据财报数据计算ROE、ROA等盈利指标，筛选盈利水平高于行业平均的股票[68]。 2. **因子名称**：成长因子 - **因子构建思路**：筛选高成长性的股票，以获取超额收益[68]。 - **因子具体构建过程**：根据一致预期数据计算归母净利润增长率，筛选成长性高于行业平均的股票[17]。 3. **因子名称**：市值因子 - **因子构建思路**：筛选小市值股票，以获取超额收益[68]。 - **因子具体构建过程**：根据自由流通市值数据，筛选市值低于行业中位数的股票[68]。 因子的回测效果 1. **盈利因子**： - 在基金持仓中超配，贡献了部分超额收益[68]。 2. **成长因子**： - 在基金持仓中超配，贡献了部分超额收益[68]。 3. **市值因子**： - 在基金持仓中低配，但小市值风格仍贡献了部分超额收益[68]。 其他关键指标 - **中证500指数估值**：市盈率30.78倍，市净率2.06倍，处于历史低位[8]。 - **中证500指数风格暴露**：中市值、高流动性、高Beta[29]。 - **中证500指数行业分布**：行业均衡，前十大行业累计权重73%[20]。 - **中证500指数成份股分散度**：前十大成份股累计权重仅5.75%[21]。

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：均线距离择时模型** - **模型构建思路**：通过比较Wind全A指数的短期均线（20日）和长期均线（120日）的距离来判断市场趋势[2][9] - **模型具体构建过程**： 计算20日均线和120日均线的差值，公式为： $$均线距离 = \frac{20日均线 - 120日均线}{120日均线} \times 100\%$$ 当均线距离绝对值大于3%时，认为市场处于上行趋势[2][9] - **模型评价**：简单直观，能够有效捕捉市场趋势变化 2. **模型名称：仓位管理模型** - **模型构建思路**：结合估值水平和短期趋势判断，为绝对收益产品提供仓位建议[3][10] - **模型具体构建过程**： 根据Wind全A的PE（70分位）和PB（30分位）估值水平，结合均线距离信号，建议仓位80%[3][10] 3. **模型名称：TWO BETA行业配置模型** - **模型构建思路**：基于市场风险偏好和行业特性推荐科技板块[2][8] - **模型具体构建过程**： 未披露具体公式，但持续推荐军工和算力板块[2][8] - **模型评价**：适合上行趋势市场环境 模型的回测效果 1. **均线距离择时模型** - 当前均线距离：6.92%[2][9] - 趋势判断：上行趋势（距离>3%）[2][9] 2. **仓位管理模型** - 建议仓位：80%[3][10] 量化因子与构建方式 1. **因子名称：赚钱效应因子** - **因子构建思路**：通过计算当前价格与趋势线的偏离程度反映市场赚钱效应[2][8] - **因子具体构建过程**： $$赚钱效应值 = \frac{当前价格 - 趋势线}{趋势线} \times 100\%$$ 当值为正时保持高仓位[2][8] - **因子评价**：有效反映市场资金流向 2. **因子名称：估值分位因子** - **因子构建思路**：通过PE/PB历史分位数判断市场估值水平[3][10] - **因子具体构建过程**： 计算Wind全A指数PE/PB在过去10年（2014-2025）的历史分位数[11][14] 因子的回测效果 1. **赚钱效应因子** - 当前取值：2.30%[2][8] - 趋势线位置：5540点[2][8] 2. **估值分位因子** - PE分位：70%[3][10] - PB分位：30%[3][10]

根据提供的研报内容，以下是量化模型和因子的详细总结： 量化模型与构建方式 1. **模型名称：遗传规划行业轮动模型** - **模型构建思路**：直接对行业指数的量价、估值等数据进行因子挖掘，每季度末更新因子库，采用周频调仓[30][32] - **模型具体构建过程**： 1. 每周末计算多因子综合得分，选取得分最高的五个行业 2. 对选中的行业进行等权配置 3. 季度末更新因子库以保持模型适应性[30][32] - **模型评价**：能够紧跟市场主线，捕捉热点板块，如科技、消费和周期行业的轮动机会[32][33] 2. **模型名称：境内绝对收益ETF模拟组合** - **模型构建思路**：大类资产配置权重基于资产近期趋势计算，权益内部配置采用月频行业轮动模型观点[34][36] - **模型具体构建过程**： 1. 对趋势较强的资产赋予较高权重 2. 权益资产内部直接采用行业轮动模型的月度观点 3. 动态调整权益和商品仓位[34][36] 3. **模型名称：全球资产配置模拟组合** - **模型构建思路**：基于周期三因子定价模型预测全球大类资产收益率，采用"动量选资产，周期调权重"的风险预算框架[40][42] - **模型具体构建过程**： 1. 对资产未来收益率进行预测排序 2. 根据动量选择资产，周期调整权重 3. 目前超配债券和外汇[40][42] 模型的回测效果 1. **遗传规划行业轮动模型** - 年化收益：31.39% - 年化波动：18.12% - 夏普比率：1.73 - 最大回撤：-19.63% - 卡玛比率：1.60 - 上周表现：3.15% - YTD：28.79%[32] 2. **境内绝对收益ETF模拟组合** - 年化收益率：6.52% - 年化波动率：3.81% - 最大回撤：4.65% - 夏普比率：1.71 - Calmar比率：1.40 - 今年以来收益率：5.69% - 近一周收益率：0.34%[39] 3. **全球资产配置模拟组合** - 年化收益率：7.22% - 年化波动率：4.82% - 最大回撤：-6.44% - 夏普比率：1.50 - Calmar比率：1.12 - 今年以来收益率：-3.04% - 近一周收益率：0.61%[41] 情绪指标构建方式 1. **期权市场情绪指标** - **构建思路**：通过认购与认沽期权成交活跃程度表征投资者方向性观点[17][20] - **具体构建**： 1. 计算上证50ETF和沪500ETF期权的认购成交额与认沽成交额之比 2. 观察该比值是否突破布林带上轨判断过热信号[17][20] 2. **隐含波动率指标** - **构建思路**：通过认购与认沽期权隐含波动率比值衡量投资者情绪[20][25] - **具体构建**： 1. 计算认购期权隐含波动率与认沽期权隐含波动率比值 2. 比值高低反映市场乐观或悲观程度[20][25] 3. **股指期货基差指标** - **构建思路**：基差体现投资者对未来价格的预期，与市场情绪相关[26][29] - **具体构建**： 1. 对IC、IF、IH、IM四个品种计算持仓量加权年化基差率 2. 基差序列趋势反映期货市场情绪变化[26][29] 情绪指标近期表现 1. **期权成交额沽购比**：上周有所回升但仍低于7月极值水平[17][24] 2. **隐含波动率比值**：上周震荡下行[20][25] 3. **股指期货基差率**：上周维持波动向下趋势[26][29]

根据研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **商品期限结构模拟组合** - 模型构建思路：基于展期收益率因子刻画商品升贴水状态，动态做多展期收益率高的品种，做空展期收益率低的品种[24] - 模型具体构建过程： 1. 计算各品种的展期收益率因子 2. 根据展期收益率排序，构建多空组合 3. 动态调整仓位，保持板块均衡[24] - 模型评价：近期表现较好，能有效捕捉商品期限结构带来的收益[23] 2. **商品时序动量模拟组合** - 模型构建思路：基于多个技术指标刻画商品中长期趋势，动态做多趋势上涨的资产，做空趋势下跌的资产[24] - 模型具体构建过程： 1. 计算各品种的技术指标（如均线、MACD等） 2. 根据趋势信号构建多空组合 3. 定期调整仓位[24] - 模型评价：对趋势行情的捕捉能力较强，但近期表现较弱[33] 3. **商品截面仓单模拟组合** - 模型构建思路：基于仓单因子刻画商品基本面变化情况，动态做多仓单下降的资产，做空仓单增长的资产[24] - 模型具体构建过程： 1. 跟踪各品种的仓单变化情况 2. 根据仓单变化方向构建多空组合 3. 定期调整仓位[24] - 模型评价：对基本面变化的反应较为灵敏[39] 4. **全球市场因子** - 因子构建思路：利用海外主要资产价格同比数据构建统一的全球市场因子，反映资本市场周期[14] - 因子具体构建过程： 1. 收集海外主要资产价格同比数据 2. 进行主成分分析（PCA）提取主要因子 3. 通过周期滤波方法构建全球市场因子[15] $$PCA1 = \sum_{i=1}^{n} w_i \cdot r_i$$ 其中$w_i$为权重，$r_i$为资产收益率 - 因子评价：能有效反映全球资本市场周期变化[14] 模型的回测效果 1. **商品期限结构模拟组合** - 近两周收益：1.69%[23] - 今年以来收益：3.09%[23] - 最大回撤：-7.0%[29] 2. **商品时序动量模拟组合** - 近两周收益：-1.22%[26] - 今年以来收益：-3.17%[35] - 最大回撤：-8.0%[36] 3. **商品截面仓单模拟组合** - 近两周收益：-0.56%[26] - 今年以来收益：3.42%[39] - 最大回撤：-6.0%[40] 4. **商品融合策略** - 近两周收益：-0.05%[23] - 今年以来收益：1.09%[23] - 最大回撤：-3.0%[25] 量化因子与构建方式 1. **展期收益率因子** - 因子构建思路：反映商品期货合约的升贴水状态[24] - 因子具体构建过程： 1. 计算近月合约与远月合约的价格差 2. 标准化处理得到展期收益率[24] $$RollYield = \frac{F_t - S_t}{S_t}$$ 其中$F_t$为远月合约价格，$S_t$为近月合约价格 2. **仓单因子** - 因子构建思路：反映商品基本面供需变化[24] - 因子具体构建过程： 1. 跟踪各品种的仓单变化量 2. 标准化处理得到仓单因子[24] 3. **技术指标因子** - 因子构建思路：反映商品价格趋势[24] - 因子具体构建过程： 1. 计算各品种的均线、MACD等技术指标 2. 综合多个指标构建趋势信号[24] 因子的回测效果 1. **展期收益率因子** - 近两周收益贡献：玻璃1.27%、PVC0.32%、橡胶0.31%[30] 2. **仓单因子** - 近两周收益贡献：玉米0.54%、聚丙烯0.27%、沪镍0.22%[43] 3. **技术指标因子** - 近两周收益贡献：豆油0.26%、石油气0.16%、豆粕0.07%[37]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称**：沪深300上涨家数占比情绪指标 **模型构建思路**：通过计算指数成分股近期正收益的个数来判断市场情绪，强势股的持续上行能为整个板块带来机会[23] **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 - 公式：$$沪深300指数N日上涨家数占比 = \frac{沪深300指数成分股过去N日收益>0的个股数}{沪深300指数成分股总数}$$ - 当市场中正收益股票增多时处于行情底部，大部分股票正收益时可能过热[23] **模型评价**：能较快捕捉上涨机会，但会错失持续亢奋阶段的收益，对下跌市场判断存在缺陷[25] 2. **模型名称**：沪深300上涨家数占比择时模型 **模型构建思路**：通过对情绪指标进行不同窗口期平滑来捕捉市场情绪拐点[26] **模型具体构建过程**： - 对上涨家数占比指标进行N1=50和N2=35的移动平均（慢线和快线） - 当快线>慢线时看多市场[28] - 截至2025年8月8日快线在慢线上方，维持看多观点[26] 3. **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指数趋势状态[32] **模型具体构建过程**： - 计算沪深300收盘价的8条均线（参数：8,13,21,34,55,89,144,233） - 统计当日收盘价大于均线的数量，超过5条时看多[32] - 截至2025年8月8日处于情绪景气区间[32] 量化因子与构建方式 1. **因子名称**：横截面波动率因子 **因子构建思路**：衡量指数成分股间收益离散程度，反映Alpha环境强弱[37] **因子具体构建过程**： - 计算指数成分股日收益率的横截面标准差 - 统计结果显示：沪深300近一季度横截面波动率1.63%，处于近半年48.86%分位[40] 2. **因子名称**：时间序列波动率因子 **因子构建思路**：反映指数成分股时间维度上的波动特征[40] **因子具体构建过程**： - 计算指数成分股加权时间序列波动率 - 沪深300近一季度时序波动率0.47%，处于近半年33.13%分位[42] 模型的回测效果 1. 沪深300上涨家数占比择时模型： - 快线/慢线金叉信号持续有效[26] - 策略净值在情绪景气区间显著跑赢基准[29] 2. 均线情绪指标模型： - 八均线指标值与指数净值呈现正相关性[35] - 在情绪区间7-9时超额收益明显[32] 因子的回测效果 1. 横截面波动率因子： - 沪深300近一年均值1.87%，当前1.63%[40] - 中证1000近半年均值2.31%，当前处于29.88%分位[40] 2. 时间序列波动率因子： - 沪深300近两年均值0.59%，当前0.47%[42] - 中证500近半年均值0.41%，当前处于34.13%分位[42]