金融工程 证 券 研 究 报 告 市场情绪监控周报（20250310-20250314） 本周热度变化最大行业为煤炭、社会服务 本周市场热度跟踪 本周宽基热度变化方面：热度变化率最大的为"其他"，相比上周提高 8.85%， 最小的为中证 500，相比上周降低 6.15%。 本周申万行业热度变化方面，一级行业中热度变化率正向变化前 5 的一级行 业分别为煤炭、社会服务、美容护理、有色金属、纺织服饰，负向变化前 5 的 一级行业分别为电子、建筑材料、家用电器、钢铁、房地产。申万二级行业中， 热度正向变化率最大的 5 个行业是电视广播Ⅱ、贸易Ⅱ、焦炭Ⅱ、医药商业、 摩托车及其他。 本周概念热度变化最大的 5 个概念为培育钻石、NMN 概念、共享单车、CRO 概念、啤酒概念。 本周市场估值跟踪 本周宽基和行业估值： 申万二级行业中，从 2015 年开始回溯，目前处于历史分位数 80%以上的二级 行业有军工电子、水泥、风电设备、动物保健、软件开发、汽车服务、化学制 药、能源金属、一般零售、半导体、广告营销、个护用品、橡胶、航天装备、 证券、工程机械、国有大型银行、冶钢原料、旅游及景区、化学纤维、游戏。 风险提示： 策略 ...

金融工程| 证券研究报告 —周报 2025 年 3 月 16 日 中银量化大类资产周报 AH 股市场情绪乐观，主动股基发行仍然较弱 股票市场概览 本周 A 股上涨，港股下跌，美股下跌，其他海外权益市场走势分化。 A 股风格与拥挤度 成长 vs 红利：成长风格拥挤度及超额净值持续处于历史低位；红利风 格拥挤度当前仍处于历史较低位置，近期快速下降。 小盘 vs 大盘：小盘风格超额净值及拥挤度持续处于历史低位；大盘风 格近期拥挤度下降至历史较低位置。 微盘股 vs 基金重仓：微盘股拥挤度持续处于历史极高分位，超额净值 近期下跌；基金重仓拥挤度近一年波动剧烈，当前处于历史高位，超额 累计净值处于历史低位。 资金面与动量/反转风格：当前资金总量处于长期下降阶段，反转较动量 长期占优，与经验一致。 A 股行情及成交热度 本周领涨的行业为食品饮料、煤炭、有色金属；领跌的行业为计算 机、电子。本周沪深 300、中证 500、创业板指数成交热度较上周下 降。 A 股估值与股债性价比 机构调研活跃度 当前机构调研活跃度历史分位居前的行业为商贸零售、汽车、非银行金 融，居后的行业为医药、食品饮料、电力设备及新能源。 利率市场 本周 ...

量化模型与构建方式 1. 模型名称：无 模型构建思路：无 模型具体构建过程：无 模型评价：无 模型的回测效果 1. 无模型回测效果数据 量化因子与构建方式 1. 因子名称：估值因子 因子构建思路：通过市盈率（EP）、市净率（BP）、市销率（SP）等指标构建[10] 因子具体构建过程： - 市盈率（EP）：$$ EP = \frac{股价}{每股收益} $$ - 市净率（BP）：$$ BP = \frac{股价}{每股净资产} $$ - 市销率（SP）：$$ SP = \frac{股价}{每股销售收入} $$ 因子评价：估值因子在沪深300成分股中表现较好，但在中证500成分股中表现有所回撤[1][2] 2. 因子名称：成长因子 因子构建思路：通过营业收入增长率、净利润增长率、ROE增长率等指标构建[10] 因子具体构建过程： - 营业收入增长率：$$ 营业收入增长率 = \frac{本期营业收入 - 上期营业收入}{上期营业收入} $$ - 净利润增长率：$$ 净利润增长率 = \frac{本期净利润 - 上期净利润}{上期净利润} $$ - ROE增长率：$$ ROE增长率 = \frac{本期ROE - 上期ROE}{上期ROE} $$ 因子评价：成长因子在沪深300成分股中表现较好，但在中证500成分股中表现有所回撤[1][2] 3. 因子名称：盈利因子 因子构建思路：通过ROE、ROA、毛利率、净利率等指标构建[10] 因子具体构建过程： - ROE：$$ ROE = \frac{净利润}{净资产} $$ - ROA：$$ ROA = \frac{净利润}{总资产} $$ - 毛利率：$$ 毛利率 = \frac{营业收入 - 营业成本}{营业收入} $$ - 净利率：$$ 净利率 = \frac{净利润}{营业收入} $$ 因子评价：盈利因子在沪深300成分股中表现较好，但在中证500成分股中表现有所回撤[1][2] 4. 因子名称：小市值因子 因子构建思路：通过市值大小构建[10] 因子具体构建过程： - 小市值因子：$$ 小市值因子 = \frac{市值}{总市值中位数} $$ 因子评价：小市值因子在全A股股票池中表现较好[1][2] 5. 因子名称：反转因子 因子构建思路：通过1个月反转、3个月反转、衰减换手率加权3个月反转等指标构建[10] 因子具体构建过程： - 1个月反转：$$ 1个月反转 = \frac{本期收益率 - 上期收益率}{上期收益率} $$ - 3个月反转：$$ 3个月反转 = \frac{本期收益率 - 上期收益率}{上期收益率} $$ - 衰减换手率加权3个月反转：$$ 衰减换手率加权3个月反转 = \frac{本期收益率 - 上期收益率}{上期收益率} \times 换手率衰减系数 $$ 因子评价：反转因子在沪深300成分股中表现较好，但在中证500成分股中表现有所回撤[1][2] 6. 因子名称：波动率因子 因子构建思路：通过1个月波动率、3个月波动率、FF三因子残差1个月波动率等指标构建[10] 因子具体构建过程： - 1个月波动率：$$ 1个月波动率 = \sqrt{\frac{\sum_{i=1}^{n}(r_i - \bar{r})^2}{n-1}} $$ - 3个月波动率：$$ 3个月波动率 = \sqrt{\frac{\sum_{i=1}^{n}(r_i - \bar{r})^2}{n-1}} $$ - FF三因子残差1个月波动率：$$ FF三因子残差1个月波动率 = \sqrt{\frac{\sum_{i=1}^{n}(r_i - \bar{r})^2}{n-1}} $$ 因子评价：波动率因子在沪深300成分股中表现较好，但在中证500成分股中表现有所回撤[1][2] 7. 因子名称：换手率因子 因子构建思路：通过1个月日均换手率、3个月日均换手率、近1个月/近2年的日均换手率等指标构建[10] 因子具体构建过程： - 1个月日均换手率：$$ 1个月日均换手率 = \frac{总成交量}{总股本} $$ - 3个月日均换手率：$$ 3个月日均换手率 = \frac{总成交量}{总股本} $$ - 近1个月/近2年的日均换手率：$$ 近1个月/近2年的日均换手率 = \frac{近1个月日均换手率}{近2年日均换手率} $$ 因子评价：换手率因子在沪深300成分股中表现较好，但在中证500成分股中表现有所回撤[1][2] 8. 因子名称：超预期因子 因子构建思路：通过SUR、SUE等指标构建[10] 因子具体构建过程： - SUR：$$ SUR = \frac{实际收益 - 预期收益}{预期收益} $$ - SUE：$$ SUE = \frac{实际收益 - 预期收益}{预期收益} $$ 因子评价：超预期因子在沪深300成分股中表现较好，但在中证500成分股中表现有所回撤[1][2] 9. 因子名称：预期估值因子 因子构建思路：通过预期EP_FY1、预期PEG倒数_FY1、预期BP_FY1等指标构建[10] 因子具体构建过程： - 预期EP_FY1：$$ 预期EP_FY1 = \frac{预期股价}{预期每股收益} $$ - 预期PEG倒数_FY1：$$ 预期PEG倒数_FY1 = \frac{预期每股收益增长率}{预期市盈率} $$ - 预期BP_FY1：$$ 预期BP_FY1 = \frac{预期股价}{预期每股净资产} $$ 因子评价：预期估值因子在沪深300成分股中表现较好，但在中证500成分股中表现有所回撤[1][2] 10. 因子名称：预期净利润复合增速FY1 因子构建思路：通过预期净利润复合增速FY1构建[10] 因子具体构建过程： - 预期净利润复合增速FY1：$$ 预期净利润复合增速FY1 = \frac{预期净利润增长率}{预期净利润} $$ 因子评价：预期净利润复合增速FY1在沪深300成分股中表现较好，但在中证500成分股中表现有所回撤[1][2] 因子的回测效果 1. 估值因子，本月以来Rank IC均值3.87%，近一季度Rank IC均值-1.09%，今年以来Rank IC均值-1.09%，2015年以来Rank IC均值4.67%[11] 2. 成长因子，本月以来Rank IC均值10.04%，近一季度Rank IC均值5.08%，今年以来Rank IC均值5.08%，2015年以来Rank IC均值1.04%[11] 3. 盈利因子，本月以来Rank IC均值18.66%，近一季度Rank IC均值10.08%，今年以来Rank IC均值10.08%，2015年以来Rank IC均值1.66%[11] 4. 小市值因子，本月以来Rank IC均值2.31%，近一季度Rank IC均值6.12%，今年以来Rank IC均值6.12%，2015年以来Rank IC均值-1.89%[11] 5. 反转因子，本月以来Rank IC均值12.91%，近一季度Rank IC均值14.03%，今年以来Rank IC均值14.03%，2015年以来Rank IC均值4.26%[11] 6. 波动率因子，本月以来Rank IC均值0.50%，近一季度Rank IC均值3.75%，今年以来Rank IC均值3.75%，2015年以来Rank IC均值5.02%[11] 7. 换手率因子，本月以来Rank IC均值-5.15%，近一季度Rank IC均值2.49%，今年以来Rank IC均值2.49%，2015年以来Rank IC均值4.14%[11] 8. 超预期因子，本月以来Rank IC均值3.62%，近一季度Rank IC均值4.00%，今年以来Rank IC均值4.00%，2015年以来Rank IC均值2.46%[11] 9. 预期估值因子，本月以来Rank IC均值-3.84%，近一季度Rank IC均值-6.96%，今年以来Rank IC均值-6.96%，2015年以来Rank IC均值-0.82%[11] 10. 预期净利润复合增速FY1，本月以来Rank IC均值10.41%，近一季度Rank IC均值6.36%，今年以来Rank IC均值6.36%，2015年以来Rank IC均值-0.21%[11]

金融工程 | 金工定期报告 金融工程 证券研究报告 在当前市场中，分析师报告数量众多，以行业报告为例，每周通常有超过 500 篇的报告。而阅读这些报告通常要花费大量的时间和成本。针对这一 需求，我们利用 DeepSeek-V3 大模型的总结能力对分析师行业报告进行智 能总结和整合，提炼出核心观点和关键信息。 利用大模型衡量景气度 行业研究报告通常提供分析师对行业趋势的深入分析与总体评价，但其应 用性较弱，主要有两个原因。首先，行业评级是行业研报中的标准化输出， 但其并非连续指标，通常仅分为三类，缺乏足够的区分度。因此，分析师 细微的态度和用词变化可能不会导致行业评级的调整。其次，不同证券公 司采用的行业分类标准并不一致，这些差异使得行业比较变得困难。 大模型普及之前，并不容易解决这些问题，而大模型的应用可能为此提供 更有效的支持。为了深入挖掘行业研报的信息，我们对其进行了进一步的 整理与标准化。我们构造了一个能够提取行业研报所涉具体中信一级、二 级行业名称以及对应行业景气度的提示词，并使用 DeepSeek-V3 模型，将 研报摘要作为输入文本得到该研报所属行业、景气度等指标结果。 最新行业研报文本景气度 我 ...

量化模型与构建方式 1. 模型名称：DCC模型 - 模型构建思路：用于捕捉多资产收益相关性的动态变化，解决传统滚动窗口相关性(RWC)方法滞后性强、易受异常值干扰的问题[3][4] - 模型具体构建过程： 1) 使用AR(1)模型分别拟合资产收益序列： $$r_{i,t}=\gamma_{i}+\varphi_{i}r_{i,t-1}+\varepsilon_{i,t}$$[25] 2) 使用GARCH(1,1)模型估计条件方差： $$\sigma_{i,t}^{2}=\omega_{i}+\alpha_{i}\varepsilon_{i,t-1}^{2}+\beta_{i}\sigma_{i,t-1}^{2}$$[26] 3) 计算动态条件相关性矩阵： $$R_{t}=\bar{R}+a\big(z_{t-1}z_{t-1}^{T}-\bar{R}\big)+b(R_{t-1}-\bar{R})$$[58] 其中$z_{t}$为标准化残差向量，$\bar{R}$为无条件相关性矩阵 - 模型评价：能有效降低估计噪音，提供更平滑的相关性趋势，且具有预测能力[4][27] 2. 模型名称：风险平价策略 - 模型构建思路：通过优化算法使各类资产对组合波动的贡献相同，实现风险分散[72] - 模型具体构建过程： 1) 计算组合波动率： $$\sigma={\sqrt{w^{\prime}\Sigma w}}$$[74] 2) 计算单个资产波动贡献： $$\sigma_{i}={\frac{w_{i}(\Sigma w)_{i}}{\sqrt{w^{\prime}\Sigma w}}}$$[75] 3) 优化目标函数： $$\operatorname*{min}\{\sum_{i=1}^{N}(\sigma_{i}-{\frac{\sigma}{N}})^{2}\}$$[76] 或 $$\begin{array}{l}{{\operatorname*{min}\left\{s t d(\sigma_{i})\right\}}}\\ {{s.t.\ w^{\prime}{\bf1}=1}}\end{array}$$[77] 3. 模型名称：PCA+风险平价策略 - 模型构建思路：通过主成分分析提取宏观因子，在正交空间实施风险平价配置[84] - 模型具体构建过程： 1) 对资产收益序列进行PCA转换，提取前三个主成分(PC1-PC3)[84] 2) 计算主成分收益序列并构建协方差矩阵[89] 3) 在PCA因子空间实施风险平价优化[89] 模型的回测效果 1. DCC模型优化策略 - 风险平价指数组合：年化收益7.11%，年化波动3.34%，夏普比率2.13，最大回撤4.49%[80] - 风险平价ETF组合：年化收益7.40%，年化波动3.80%，夏普比率1.94，最大回撤4.20%[82] - PCA+风险平价指数组合：年化收益8.21%，年化波动7.56%，夏普比率1.09，最大回撤11.88%[90] - PCA+风险平价ETF组合：年化收益9.78%，年化波动9.18%，夏普比率1.07，最大回撤12.01%[93] 2. 基准策略 - 原始风险平价指数组合：年化收益7.62%，年化波动4.04%，夏普比率1.89，最大回撤6.45%[80] - 原始风险平价ETF组合：年化收益7.61%，年化波动4.57%，夏普比率1.66，最大回撤6.79%[82] - 原始PCA+风险平价指数组合：年化收益7.27%，年化波动7.64%，夏普比率0.95，最大回撤13.21%[90] 量化因子与构建方式 1. 因子名称：股债相关性因子 - 因子构建思路：通过DCC模型动态捕捉股票与债券收益的相关性变化[24] - 因子具体构建过程： 1) 使用中证全指和中债综合财富指数分别代表股债资产[21] 2) 应用DCC(1,1)模型三阶段估计流程[25][26][27] 3) 输出动态条件相关系数DCC_CORR序列[27] 2. 因子名称：宏观驱动因子 - 因子构建思路：基于经济增长和通胀指标解释股债相关性变动[41] - 因子具体构建过程： 1) 使用PMI作为经济增长指标，CPI作为通胀指标[46] 2) 计算宏观指标滚动波动与相关性作为解释变量[46] 3) 建立回归模型： $$r_{t}^{5}-E_{t-1}r_{t}^{5}=b_{g}^{5}e_{t}^{5}+b_{x}^{5}e_{t}^{7}$$[44] $$r_{t}^{b}-E_{t-1}r_{t}^{b}=b_{g}^{b}e_{t}^{g}+b_{n}^{b}e_{t}^{n}$$[44] 因子的回测效果 1. 股债相关性因子 - 全区间拟合参数：股票GARCH参数α=0.0601，β=0.9297；债券GARCH参数α=0.2000，β=0.7000[30] - 相关性持续性参数：a=0.0166，b=0.9834[30] - 预测效果：短期预测值与RWC相关性达0.802(21日窗口)，长期预测均值相关性保持0.7以上[38] 2. 宏观驱动因子 - 经济增长波动系数显著为负(-0.10)，通胀波动系数不显著[50] - 经济增长与通胀相关性系数显著为负(-0.18)[50] - 模型解释力：对126日RWC的解释度达26.8%，对DCC_CORR解释度达30.1%[50]

量化模型与构建方式 1. **模型名称**：三维择时框架 **模型构建思路**：通过流动性、分歧度和景气度三个维度进行市场择时，判断市场趋势并给出仓位建议[7] **模型具体构建过程**： - 流动性：监控市场流动性变化，判断其趋势 - 分歧度：衡量市场参与者之间的分歧程度，判断市场情绪 - 景气度：评估市场整体景气状态，判断市场基本面 根据这三个维度的综合表现，给出半仓的建议[7] **模型评价**：该框架能够有效捕捉市场趋势变化，尤其在关键阻力线测试时表现突出[7] 2. **模型名称**：资金流共振策略 **模型构建思路**：通过监控两融资金与大单资金的共振情绪，选择两类资金都看好的行业[19] **模型具体构建过程**： - 两融资金流：计算融资净买入与融券净卖出的差值，取最近50日均值后的两周环比变化率 - 大单资金流：计算行业最近一年成交量时序中性化后的净流入排序，取最近10日均值 通过剔除大金融板块和极端多头行业，提高策略稳定性[23] **模型评价**：该策略在2018年以来表现稳定，年化超额收益13.5%，信息比率1.7[23] 模型的回测效果 1. **三维择时框架**，半仓建议[7] 2. **资金流共振策略**，年化超额收益13.5%，信息比率1.7[23] 量化因子与构建方式 1. **因子名称**：盈利因子 **因子构建思路**：通过经营现金流、营业利润和净利润等指标衡量企业的盈利能力[29] **因子具体构建过程**： - 经营现金流因子：$$(经营现金流净额_{ttm} - 过去八个季度的经营现金流净额_{ttm}均值) / 过去八个季度的经营现金流净额_{ttm}标准差$$ - 营业利润因子：$$营业利润_{TTM} / 销售费用_{TTM}$$ - 净利润因子：$$(净利润同比 - 过去八个季度的净利润同比均值) / 过去八个季度的净利润同比标准差$$[29] **因子评价**：盈利因子在不同市值下表现较好，尤其在大市值股票中超额收益更高[29] 2. **因子名称**：波动率因子 **因子构建思路**：通过成交量、价格波动等指标衡量股票的波动性[29] **因子具体构建过程**： - 成交量波动因子：$$volume\_std\_1m\_div\_12m$$ - 价格波动因子：$$duvol = 60日上行波动率 / 下行波动率$$[29] **因子评价**：波动率因子在近期表现较好，尤其在成交量波动较大的股票中超额收益显著[29] 因子的回测效果 1. **盈利因子**，沪深300多头超额2.92%，中证500多头超额0.53%，中证1000多头超额-0.14%，国证2000多头超额-0.07%[34] 2. **波动率因子**，沪深300多头超额1.86%，中证500多头超额3.58%，中证1000多头超额25.48%，国证2000多头超额8.98%[34]

量化模型与构建方式 1. **模型名称：短期量化择时模型** - **模型构建思路**：基于基本面、估值面、情绪面和流动性四个维度的指标，综合判断市场短期走势，给出仓位配置建议[6][27][28][29] - **模型具体构建过程**： 1. **基本面**：通过制造业PMI、中长期贷款余额同比增速、M1同比增速等指标判断经济景气度，给出中性或谨慎信号[27] 2. **估值面**：通过A股整体PE和PB估值分位数判断市场估值水平，给出乐观或中性信号[28] 3. **情绪面**：通过Beta离散度、量能情绪得分、波动率等指标判断市场情绪，给出中性或谨慎信号[28] 4. **流动性**：通过货币利率、汇率预期、融资额等指标判断市场流动性，给出中性或乐观信号[29] - **模型评价**：该模型在2012年至今的年化收益率为16.56%，显著优于基准策略，且最大回撤较低，表现出较好的择时能力[29] 2. **模型名称：成长价值风格轮动模型** - **模型构建思路**：基于基本面、估值面和情绪面三个维度，判断成长与价值风格的相对优势，给出超配或均衡配置建议[39] - **模型具体构建过程**： 1. **基本面**：通过盈利周期斜率、利率综合周期水平、信贷综合周期变化等指标判断经济周期对风格的影响，给出超配成长或价值的信号[39] 2. **估值面**：通过成长价值PE和PB估值差分位数判断估值差异，给出超配成长或价值的信号[39] 3. **情绪面**：通过成长价值换手差和波动差分位数判断市场情绪，给出均衡配置信号[39] - **模型评价**：该模型在2012年至今的年化收益率为12.00%，显著优于基准策略，表现出较好的风格轮动能力[40] 3. **模型名称：小盘大盘风格轮动模型** - **模型构建思路**：基于基本面、估值面和情绪面三个维度，判断小盘与大盘风格的相对优势，给出超配或均衡配置建议[44] - **模型具体构建过程**： 1. **基本面**：通过盈利周期斜率、利率综合周期水平、信贷综合周期变化等指标判断经济周期对风格的影响，给出超配小盘或大盘的信号[44] 2. **估值面**：通过小盘大盘PE和PB估值差分位数判断估值差异，给出超配小盘或大盘的信号[44] 3. **情绪面**：通过小盘大盘换手差和波动差分位数判断市场情绪，给出均衡配置信号[44] - **模型评价**：该模型在2012年至今的年化收益率为12.86%，显著优于基准策略，表现出较好的风格轮动能力[46] 4. **模型名称：四风格轮动模型** - **模型构建思路**：结合成长价值和小盘大盘风格轮动模型的结论，综合判断小盘成长、小盘价值、大盘成长、大盘价值四种风格的相对优势，给出配置比例[50] - **模型具体构建过程**： 1. **成长价值轮动模型**：给出成长与价值的超配或均衡配置建议[39] 2. **小盘大盘轮动模型**：给出小盘与大盘的超配或均衡配置建议[44] 3. **综合配置**：根据上述两个模型的结论，给出四种风格的具体配置比例[50] - **模型评价**：该模型在2012年至今的年化收益率为13.60%，显著优于基准策略，表现出较好的风格轮动能力[50] 模型的回测效果 1. **短期量化择时模型** - 年化收益率：16.56%[29] - 年化波动率：14.76%[29] - 最大回撤：27.70%[29] - 夏普比率：0.9766[29] - 收益回撤比：0.5978[29] - 月度胜率：68.24%[29] - 季度胜率：68.00%[29] - 年度胜率：85.71%[29] 2. **成长价值风格轮动模型** - 年化收益率：12.00%[40] - 年化波动率：20.90%[40] - 最大回撤：43.07%[40] - 夏普比率：0.5519[40] - 收益回撤比：0.2787[40] - 月度胜率：58.50%[40] - 季度胜率：61.22%[40] - 年度胜率：71.43%[40] 3. **小盘大盘风格轮动模型** - 年化收益率：12.86%[46] - 年化波动率：22.76%[46] - 最大回撤：50.65%[46] - 夏普比率：0.5583[46] - 收益回撤比：0.2539[46] - 月度胜率：61.22%[46] - 季度胜率：59.18%[46] - 年度胜率：69.23%[46] 4. **四风格轮动模型** - 年化收益率：13.60%[50] - 年化波动率：21.63%[50] - 最大回撤：47.91%[50] - 夏普比率：0.6062[50] - 收益回撤比：0.2839[50] - 月度胜率：59.86%[50] - 季度胜率：63.27%[50] - 年度胜率：69.23%[50]

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：GDPNOW模型** - 模型构建思路：基于宏观经济高频数据预测GDP增速[15] - 模型具体构建过程：通过实时整合工业生产、消费、投资等高频指标，采用动态因子模型计算GDP增速。公式为加权平均法，具体参数未披露[15] - 模型评价：短期预测稳定性较高，但对政策冲击敏感 2. **模型名称：知情交易者活跃度指标** - 模型构建思路：通过龙虎榜数据量化游资交易行为[17] - 模型具体构建过程：计算异常交易金额占比与机构席位净买入强度的综合指标，阈值设定为历史分位数[3][17] - 模型评价：对市场风格切换有领先指示作用 3. **模型名称：价格分段体系** - 模型构建思路：识别上证综指不同时间维度的趋势状态[14] - 模型具体构建过程：采用MACD算法对日线/周线数据进行平滑处理，公式为： $$ DIF = EMA(close,12) - EMA(close,26) $$ $$ DEA = EMA(DIF,9) $$ 当DIF上穿DEA时判定为上行趋势[14][18] 量化因子与构建方式 1. **因子名称：BARRA风格因子** - 因子构建思路：捕捉市值/价值/动量等风格收益[26] - 因子具体构建过程： - EP价值因子：$$ EP = \frac{净利润}{市值} $$ - 波动率因子：20日收益率标准差[26][27] - 因子评价：本周价值因子表现优于成长因子 2. **因子名称：分析师景气预期因子** - 因子构建思路：跟踪分析师对行业ROE/净利润的预测变化[20] - 因子具体构建过程：计算未来12个月一致预测值的环比变动，钢铁行业净利润增速变动达1.60%[20][21] 模型的回测效果 1. **GDPNOW模型**：2025Q1 GDP预测值4.1%[15] 2. **知情交易者活跃度指标**：3月11日读数0.0025，突破零阈值[17][19] 3. **价格分段体系**：周线级别趋势与日线重合[14][18] 因子的回测效果 1. **EP价值因子**：本周收益0.5%，近一季累计1.2%[26][27] 2. **波动率因子**：本周收益0.5%，逆转上周-0.6%表现[26][27] 3. **钢铁行业净利润预期因子**：环比增长1.60%，居全行业首位[20][21] 注：所有公式引用自原文图表说明，测试结果为2025年3月14日最新数据[14][15][17][20][26]

证券研究报告 | 金融工程 gszqdatemark 2025 03 15 年 月 日 量化分析报告 择时雷达六面图：估值面略有弱化 择时雷达六面图：基于多维视角的择时框架。权益市场的表现受到多维度 指标因素的共同影响，我们尝试从流动性、经济面、估值面、资金面、技 术面、拥挤度选取二十一个指标对市场进行刻画，并将其概括为"估值性 价比"、"宏观基本面"、"资金&趋势"、"拥挤度&反转"四大类，从而生成 [-1,1]之间的综合择时分数。 本周综合打分。本周市场的估值性价比有所下降，宏观基本面无显著变化， 市场的资金&趋势仍然维持较高水平，而拥挤度&反转指标仍维持看空信 号，综合打分位于[-1,1]之间，当前的综合打分为-0.21 分，整体为中性偏 空观点。当前六面图各个维度的观点如下： 流动性。本周货币方向、货币强度、信用方向、信用强度均发出看空信 号，当前流动性得分为-1.00 分，综合来看发出显著看空信号。 估值面。由于市场回升，本周席勒 ERP、PB 与 AIAE 指标的 zscore 均 下降，当前市场的估值面得分为-0.17 分，信号较为中性。 资金面。本周内资的两融增量与成交额继续维持上行趋势，均发 ...

量化模型与构建方式 1. **模型名称：均线强弱指数** **模型构建思路**：通过比较不同均线与当前收盘价的相对位置，预测市场顶部或底部是否显现[15] **模型具体构建过程**：采用Wind二级行业指数的8日、13日、21日等8种均线组合，计算当前市场得分，得分越高表明市场越强[15] **模型评价**：该模型能够有效捕捉市场趋势，尤其是在市场波动较大时表现较为稳定[15] 2. **模型名称：SAR指标** **模型构建思路**：通过计算翻转指标，判断市场趋势的转折点[13] **模型具体构建过程**：Wind全A指数于3月6日向上突破翻转指标，表明市场趋势可能发生反转[13] **模型评价**：SAR指标在市场趋势反转时具有较高的预警能力[13] 模型的回测效果 1. **均线强弱指数模型**，当前市场得分为255，处于2021年以来的94.3%分位点[15] 2. **SAR指标模型**，Wind全A指数于3月6日向上突破翻转指标[13] 量化因子与构建方式 1. **因子名称：小市值因子** **因子构建思路**：通过计算小市值股票的复合拥挤度，判断因子的有效性[18] **因子具体构建过程**：使用估值价差、配对相关性、长期收益反转、因子波动率四个指标度量因子拥挤程度[18] **因子评价**：小市值因子在当前市场环境下表现较为稳定[19] 2. **因子名称：低估值因子** **因子构建思路**：通过计算低估值股票的复合拥挤度，判断因子的有效性[18] **因子具体构建过程**：使用估值价差、配对相关性、长期收益反转、因子波动率四个指标度量因子拥挤程度[18] **因子评价**：低估值因子拥挤度有所下降，表明其收益稳定性可能受到影响[19] 3. **因子名称：高盈利因子** **因子构建思路**：通过计算高盈利股票的复合拥挤度，判断因子的有效性[18] **因子具体构建过程**：使用估值价差、配对相关性、长期收益反转、因子波动率四个指标度量因子拥挤程度[18] **因子评价**：高盈利因子在当前市场环境下表现较为疲软[19] 4. **因子名称：高增长因子** **因子构建思路**：通过计算高增长股票的复合拥挤度，判断因子的有效性[18] **因子具体构建过程**：使用估值价差、配对相关性、长期收益反转、因子波动率四个指标度量因子拥挤程度[18] **因子评价**：高增长因子拥挤度较低，表明其收益稳定性可能较好[19] 因子的回测效果 1. **小市值因子**，拥挤度为0.84[19] 2. **低估值因子**，拥挤度为-0.15[19] 3. **高盈利因子**，拥挤度为-0.50[19] 4. **高增长因子**，拥挤度为-1.01[19] 行业拥挤度 1. **机械设备**，拥挤度为1.08[24] 2. **电子**，拥挤度为1.00[24] 3. **综合**，拥挤度为0.61[24] 4. **传媒**，拥挤度为0.50[24] 5. **非银金融**，拥挤度为0.50[24] 6. **汽车**，拥挤度为0.35[24] 7. **有色金属**，拥挤度为-0.18[24]