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%

量化模型与构建方式 根据提供的研报内容，报告未涉及具体的量化模型或量化因子的构建、测试与评价。报告主要内容为市场行情回顾、技术面分析及行业展望[6][7][8][10][11][13][16][17][21][22][25][26][29][30][33][34][37][38][41][44][47][48][51][52][55]。 模型的回测效果 报告未提供任何量化模型的回测效果数据。 量化因子与构建方式 报告未涉及任何量化因子的构建、测试与评价。 因子的回测效果 报告未提供任何量化因子的回测效果数据。

量化模型与构建方式 1. **模型名称：DecompGRU深度学习选股模型**[1][7][8] * **模型构建思路**：基于DecompGRU（基于趋势分解的时序+截面端到端模型）架构，对个股进行集成打分，用于选股[7][8]。 * **模型具体构建过程**：该模型在2025年3月发布的报告《AI+HI 系列（7）：DecompGRU：基于趋势分解的时序+截面端到端模型》中提出，本报告进行样本外追踪。模型的具体构建过程未在本报告中详细说明，但核心是使用DecompGRU模型对股票进行打分[8]。 2. **模型名称：宽基热度动量轮动策略**[2][21][24] * **模型构建思路**：利用不同宽基指数（及“其他”组）周度总热度变化率构建轮动策略，买入市场关注度提升最快的板块[21]。 * **模型具体构建过程**： 1. 计算不同宽基组（沪深300、中证500、中证1000、中证2000、“其他”）的周度总热度变化率[21]。 2. 对周度热度变化率取2期移动平均（MA2）进行平滑[21]。 3. 在每周最后一个交易日，买入总热度变化率MA2最大的宽基指数[21]。 4. 如果变化率最大的为“其他”组，则选择空仓[21]。 3. **模型名称：高热度概念+低热度个股组合（BOTTOM组合）**[2][36][40] * **模型构建思路**：在每周热度变化最大的热门概念中，选取概念内个股热度排名靠后的股票构建组合，利用热门板块内关注度不足的个股可能存在的补涨机会获取超额收益[36][40]。 * **模型具体构建过程**： 1. 在每周最后一个交易日，选出本周热度变化率最大的5个概念，将其成分股作为选股股票池[40]。 2. 从股票池中排除流通市值最小的20%股票[40]。 3. 从每个热门概念中，选出该概念内总热度排名最后的10只个股[40]。 4. 等权持有所有选出的个股，构建BOTTOM组合[40]。 量化因子与构建方式 1. **因子名称：个股总热度**[15] * **因子构建思路**：基于同花顺用户行为数据（浏览、自选、点击），构建反映市场对个股关注度的情绪代理指标[15]。 * **因子具体构建过程**：将个股单日的浏览、自选与点击次数求和，然后除以全市场所有股票当日的该三项行为次数之和，进行归一化，最后将归一化后的数值乘以10000。公式如下： $$个股总热度 = \frac{个股单日（浏览次数+自选次数+点击次数）}{全市场单日（浏览次数+自选次数+点击次数）之和} \times 10000$$ 该因子取值区间为[0,10000][15]。 2. **因子名称：宽基/行业/概念总热度**[15][16][27][35] * **因子构建思路**：将个股总热度因子在宽基指数、申万行业或概念层面进行聚合，得到更高层面的情绪热度代理变量[15]。 * **因子具体构建过程**：对于目标群体（如沪深300指数、钢铁行业、化肥概念），将该群体内所有成分股的“个股总热度”指标进行求和，即得到该群体的总热度[16][27][35]。 3. **因子名称：热度变化率**[2][21][27][35] * **因子构建思路**：计算宽基、行业或概念总热度的周度环比变化，反映市场情绪热度的边际变化方向与强度[2][21]。 * **因子具体构建过程**：计算目标群体本周总热度与上周总热度的变化率。报告中常使用其2期移动平均值（MA2）[21][27]。 $$热度变化率 = \frac{本周总热度 - 上周总热度}{上周总热度}$$ $$热度变化率MA2 = \frac{热度变化率_{t} + 热度变化率_{t-1}}{2}$$ 模型的回测效果 1. **DecompGRU深度学习选股模型（TOP200多头组合）**[1][8][10] * 累计绝对收益：84.37% * 相对全指等权超额收益：43.11% * 最大回撤：10.08% * 周度胜率：65.96% * 月度胜率：100% * 2026年2月绝对收益：5.41% * 2026年2月超额收益：1.50% 2. **DecompGRU深度学习选股模型（ETF轮动组合）**[1][11][13][14] * 累计绝对收益：53.40% * 相对万得主题ETF指数超额收益：17.47% * 最大回撤：7.82% * 周度胜率：62.50% * 月度胜率：72.73% * 2026年2月绝对收益：9.51% * 2026年2月超额收益：8.18% 3. **宽基热度动量轮动策略**[2][24] * 2017年以来年化收益率：8.74% * 最大回撤：23.5% * 2026年累计收益：5.6% 4. **高热度概念+低热度个股组合（BOTTOM组合）**[2][36][41] * 年化收益：15.71% * 最大回撤：28.89% * 2026年以来收益：1.4% 因子的回测效果 （注：本报告未提供单个因子的独立回测绩效指标，如IC、IR等。因子效果体现在上述模型的构建与回测结果中）

量化模型与构建方式 1. **模型名称**：沪深300指数增强组合[1][5][8][9] * **模型构建思路**：基于多因子模型，在沪深300指数成分股内进行选股和权重优化，以获取超越基准指数的超额收益[5][8][9]。 * **模型具体构建过程**：报告未详细披露具体构建过程，但提及其为多因子模型驱动的指数增强策略[5][8][9]。 2. **模型名称**：中证500指数增强组合[5][8][9] * **模型构建思路**：基于多因子模型，在中证500指数成分股内进行选股和权重优化，以获取超越基准指数的超额收益[5][8][9]。 * **模型具体构建过程**：报告未详细披露具体构建过程，但提及其为多因子模型驱动的指数增强策略[5][8][9]。 3. **模型名称**：中证1000指数增强组合[5][8][9] * **模型构建思路**：基于多因子模型，在中证1000指数成分股内进行选股和权重优化，以获取超越基准指数的超额收益[5][8][9]。 * **模型具体构建过程**：报告未详细披露具体构建过程，但提及其为多因子模型驱动的指数增强策略[5][8][9]。 4. **模型名称**：进取组合[8][9][10] * **模型构建思路**：以中证500为基准，采用更积极的因子暴露和风险控制，追求更高的超额收益[8][9][10]。 * **模型具体构建过程**：报告未详细披露具体构建过程，但提及其为量化股票组合，基准为中证500指数[8][9][10]。 5. **模型名称**：平衡组合[8][9][10] * **模型构建思路**：以中证500为基准，在风险与收益之间寻求平衡，相比进取组合可能采用更稳健的因子配置[8][9][10]。 * **模型具体构建过程**：报告未详细披露具体构建过程，但提及其为量化股票组合，基准为中证500指数[8][9][10]。 6. **模型名称**：绩优基金的独门重仓股组合[5][8][9][27] * **模型构建思路**：筛选绩优基金（报告未定义具体标准）的独门重仓股（即持仓占基金净值比例较高且其他基金持仓较少的股票），构建等权或特定权重的投资组合，旨在捕捉基金经理的独到选股能力[5][8][9][27]。 * **模型具体构建过程**：报告未详细披露具体构建过程，仅提及组合构成来源为绩优基金的独门重仓股[5][8][9][27]。 7. **模型名称**：盈利、增长、现金流三者兼优组合[5][8][9][29] * **模型构建思路**：同时筛选在盈利能力、增长能力和现金流质量三个基本面维度上表现优异的股票，构建投资组合[5][8][9][29]。 * **模型具体构建过程**：报告未详细披露具体筛选标准、因子定义及合成方法[5][8][9][29]。 8. **模型名称**：PB-盈利优选组合[5][8][9][32] * **模型构建思路**：结合低估值（市净率PB）和高盈利（如ROE等）两个维度，筛选具有基本面支撑的低估值股票，构建投资组合[5][8][9][32]。 * **模型具体构建过程**：报告未详细披露PB与盈利因子的具体合成方式及权重分配[5][8][9][32]。 9. **模型名称**：GARP组合[8][9][36] * **模型构建思路**：采用GARP（Growth at a Reasonable Price）策略，即寻找价格合理且具有持续增长潜力的股票，通常结合增长因子和估值因子[8][9][36]。 * **模型具体构建过程**：报告未详细披露增长因子和估值因子的具体定义及组合构建方法[8][9][36]。 10. **模型名称**：小盘价值优选组合1[8][9][38] * **模型构建思路**：在微盘股范围内，筛选具有价值属性的股票进行投资[8][9][38]。 * **模型具体构建过程**：报告未详细披露价值属性的具体定义（如可能使用PB、PE等）及筛选过程[8][9][38]。 11. **模型名称**：小盘价值优选组合2[8][9][40] * **模型构建思路**：在微盘股范围内，采用另一套（或调整参数的）价值因子筛选标准，构建价值投资组合[8][9][40]。 * **模型具体构建过程**：报告未详细披露其与“小盘价值优选组合1”在构建上的具体差异[8][9][40]。 12. **模型名称**：小盘成长组合[5][8][9][42] * **模型构建思路**：在微盘股范围内，筛选具有高成长属性的股票进行投资[5][8][9][42]。 * **模型具体构建过程**：报告未详细披露成长属性的具体定义（如可能使用营收增长率、净利润增长率等）及筛选过程[5][8][9][42]。 量化因子与构建方式 1. **因子名称**：市值因子[46] * **因子构建思路**：衡量公司规模大小，通常认为小市值公司存在规模溢价[46]。 * **因子具体构建过程**：报告未给出具体计算公式。通常为股票的总市值。在测试中，按因子值排序，因子值高（大市值）的股票构成多头组合，因子值低（小市值）的股票构成空头组合[46]。 2. **因子名称**：PB因子[46] * **因子构建思路**：市净率，衡量估值水平，通常认为低估值股票存在价值溢价[46]。 * **因子具体构建过程**：报告未给出具体计算公式。通常为股票市价除以每股净资产。在测试中，按因子值排序，因子值低（低PB）的股票构成多头组合，因子值高（高PB）的股票构成空头组合[46]。 3. **因子名称**：PE_TTM因子[46] * **因子构建思路**：滚动市盈率，衡量估值水平，通常认为低估值股票存在价值溢价[46]。 * **因子具体构建过程**：报告未给出具体计算公式。通常为股票市价除以最近四个季度（TTM）的每股收益。在测试中，按因子值排序，因子值低（低PE）的股票构成多头组合，因子值高（高PE）的股票构成空头组合[46]。 4. **因子名称**：反转因子[51] * **因子构建思路**：基于股价短期反转效应，认为过去一段时间跌幅较大的股票未来可能反弹，而涨幅较大的股票未来可能回调[51]。 * **因子具体构建过程**：报告未给出具体计算公式。通常使用过去一段时间（如1个月）的收益率。在测试中，按因子值（过去收益率）排序，因子值低（过去表现差）的股票构成多头组合，因子值高（过去表现好）的股票构成空头组合[51]。 5. **因子名称**：换手率因子[51] * **因子构建思路**：衡量股票流动性或交易活跃度，通常认为低换手率股票存在流动性溢价[51]。 * **因子具体构建过程**：报告未给出具体计算公式。通常为一段时间内的成交股数除以流通股本。在测试中，按因子值排序，因子值低（低换手）的股票构成多头组合，因子值高（高换手）的股票构成空头组合[51]。 6. **因子名称**：波动率因子[51] * **因子构建思路**：衡量股票价格波动风险，通常认为低波动率股票存在低波动溢价[51]。 * **因子具体构建过程**：报告未给出具体计算公式。通常使用过去一段时间收益率的标准差。在测试中，按因子值排序，因子值低（低波动）的股票构成多头组合，因子值高（高波动）的股票构成空头组合[51]。 7. **因子名称**：ROE因子[54] * **因子构建思路**：净资产收益率，衡量公司的盈利能力，通常认为高ROE股票存在质量溢价[54]。 * **因子具体构建过程**：报告未给出具体计算公式。通常为净利润除以净资产。在测试中，按因子值排序，因子值高（高ROE）的股票构成多头组合，因子值低（低ROE）的股票构成空头组合[54]。 8. **因子名称**：SUE因子[54] * **因子构建思路**：标准化未预期盈余，衡量公司业绩增长超市场预期的程度，通常认为SUE高的股票未来表现更好[54]。 * **因子具体构建过程**：报告未给出具体计算公式。通常为（实际公告的每股收益 - 市场一致预期每股收益）除以历史预期误差的标准差。在测试中，按因子值排序，因子值高（业绩超预期多）的股票构成多头组合，因子值低（业绩不及预期或超预期少）的股票构成空头组合[54]。 9. **因子名称**：预期净利润调整因子[54] * **因子构建思路**：跟踪分析师对上市公司未来净利润预测的调整情况，通常认为预测上调的股票未来表现更好[54]。 * **因子具体构建过程**：报告未给出具体计算公式。通常基于一定时间内分析师一致预期净利润的变化幅度。在测试中，按因子值排序，因子值高（预期上调幅度大）的股票构成多头组合，因子值低（预期下调或上调幅度小）的股票构成空头组合[54]。 模型的回测效果 （数据统计期间：2025年12月31日至2026年2月27日）[9] 1. **沪深300增强组合**，绝对收益9.77%，超额收益8.02%，跟踪误差6.62%，最大相对回撤2.09%[9] 2. **中证500增强组合**，绝对收益14.18%，超额收益-1.80%，跟踪误差8.64%，最大相对回撤3.17%[9] 3. **中证1000增强组合**，绝对收益15.05%，超额收益2.34%，跟踪误差8.92%，最大相对回撤2.23%[9] 4. **进取组合**，绝对收益21.64%，超额收益5.66%，跟踪误差21.05%，最大相对回撤5.01%[9] 5. **平衡组合**，绝对收益18.72%，超额收益2.74%，跟踪误差18.30%，最大相对回撤3.98%[9] 6. **绩优基金的独门重仓股组合**，绝对收益17.41%，超额收益10.62%，跟踪误差26.43%，最大相对回撤5.18%[9] 7. **盈利、增长、现金流三者兼优组合**，绝对收益-3.43%，超额收益-5.17%，跟踪误差15.69%，最大相对回撤8.71%[9] 8. **PB-盈利优选组合**，绝对收益7.85%，超额收益6.11%，跟踪误差12.23%，最大相对回撤2.38%[9] 9. **GARP组合**，绝对收益14.05%，超额收益12.31%，跟踪误差11.16%，最大相对回撤1.18%[9] 10. **小盘价值优选组合1**，绝对收益12.37%，超额收益-5.65%，跟踪误差10.46%，最大相对回撤8.23%[9] 11. **小盘价值优选组合2**，绝对收益18.61%，超额收益0.60%，跟踪误差11.69%，最大相对回撤5.62%[9] 12. **小盘成长组合**，绝对收益14.07%，超额收益-3.95%，跟踪误差9.62%，最大相对回撤6.37%[9] 因子的回测效果 （多空收益，数据统计期间：2026年2月13日至2月27日（上周）及2025年12月31日至2026年2月27日（2026年以来））[46][47][51][53][54][55] 1. **市值因子**，上周多空收益（全市场）-0.33%，2026年以来多空收益（全市场）6.67%[46][47] 2. **PB因子**，上周多空收益（全市场）0.24%，2026年以来多空收益（全市场）-2.22%[46][47] 3. **PE_TTM因子**，上周多空收益（全市场）0.05%，2026年以来多空收益（全市场）-0.80%[46][47] 4. **反转因子**，上周多空收益（全市场）-4.02%，2026年以来多空收益（全市场）-5.91%[51][53] 5. **换手率因子**，上周多空收益（全市场）-2.01%，2026年以来多空收益（全市场）-0.36%[51][53] 6. **波动率因子**，上周多空收益（全市场）-1.54%，2026年以来多空收益（全市场）-2.54%[51][53] 7. **ROE因子**，上周多空收益（全市场）1.35%，2026年以来多空收益（全市场）2.32%[54][55] 8. **SUE因子**，上周多空收益（全市场）0.74%，2026年以来多空收益（全市场）2.44%[54][55] 9. **预期净利润调整因子**，上周多空收益（全市场）-0.34%，2026年以来多空收益（全市场）-0.12%[54][55]

量化模型与构建方式 1. **模型名称：HALO交易策略模型** [2][11] * **模型构建思路**：基于“人工智能难以替代且依赖的重资产将受益，而易于被人工智能颠覆的轻资产将受损”的核心逻辑，构建一个多空组合策略[2][11]。 * **模型具体构建过程**：该模型是一个宏观主题策略，其构建过程主要分为逻辑定义、资产分类和方向选择三步。 1. **逻辑定义**：确立“做多‘AI难以替代、且为其所依赖’的重资产，同时做空‘易于被AI颠覆’的轻资产”的核心投资逻辑[2][11]。 2. **资产分类**：根据上述逻辑，将具体资产归类。报告中指出，电网设备、能源、矿业、工业设备、国防及信号塔等领域的资产属于值得关注的“重资产”范畴[2][11]。 3. **方向选择**：对归类后的资产进行做多或做空操作，形成策略组合。报告未提供具体的选股、权重分配或调仓规则。 2. **因子名称：板块拥挤度因子** [3][11] * **因子构建思路**：通过衡量特定板块成交金额在市场总成交中的占比及其历史分位数，来评估该板块交易的活跃程度和过热风险[3][11]。 * **因子具体构建过程**：对于特定板块（如周期、先进制造、TMT），计算其成交金额占全市场（或可比范围）总成交金额的比例。然后，计算该比例在历史区间（如过去10年）内的分位数，用以判断当前拥挤度所处的历史位置[3][11]。 * 计算公式：$$板块拥挤度_t = \frac{板块成交金额_t}{市场总成交金额_t}$$ * 其中，`t`代表计算时点。报告中使用的是该比值在过去10年历史数据中的分位数作为最终观测值[3][11]。 3. **因子名称：行业分化度因子** [3][11] * **因子构建思路**：通过量化不同行业或板块之间表现的离散程度，来刻画市场结构性行情的强弱和集中度[3][11]。 * **因子具体构建过程**：报告未给出该因子的具体计算公式。其构建思路是计算一组行业或板块指数收益率（或超额收益）的横截面离散统计量（如标准差、变异系数等），用以衡量行业间表现的差异程度。指标值上行代表行业表现分化加大，结构性行情凸显[3][11]。 4. **因子名称：板块超额收益历史分位数因子** [3][12] * **因子构建思路**：将特定板块当前相对于基准（如全市场）的超额收益，置于其自身长期历史序列中进行比较，以判断该板块相对强弱所处的历史阶段[3][12]。 * **因子具体构建过程**：计算板块指数相对于市场基准指数（报告中未明确）在一段时间内的累计超额收益。然后，计算该当前超额收益在长历史周期（如报告提到的过去20年）数据中所处的分位数位置[3][12]。 模型的回测效果 （报告中未提供HALO交易策略模型的具体回测指标数值，如年化收益率、夏普比率、最大回撤等。） 因子的回测效果 （报告中未提供拥挤度、分化度等因子的IC、IR、多空收益等传统因子测试指标数值。报告主要展示了这些因子在特定时点的状态描述和历史比较。） 1. **板块拥挤度因子** [3][11] * **周期板块**：成交金额占比处于过去10年中值下方。 * **先进制造板块**：成交金额占比处于过去10年85%-90%分位点左右。 * **TMT板块**：成交金额占比处于过去10年85%-90%分位点左右。 2. **行业分化度因子** [3][11] * **当前状态**：该指标自年初以来震荡上行，目前已回升至2025年8月底的水平。 3. **板块超额收益历史分位数因子** [3][12] * **周期板块**：相对强弱处于过去20年底部区域长期筑底后的震荡上行初期。 * **TMT板块**：相对强弱处于历史高位区域。 * **先进制造板块**：相对强弱位于中位数上方。 * **消费与金融地产板块**：相对强弱虽处于过去20年的底部区域，但距离历史最低点尚有一定距离。

量化模型与构建方式 1. **模型名称：宏观指标趋势模型**[11][17] * **模型构建思路**：通过分析宏观指标的趋势（上行或下行）与各类资产未来一个月收益率之间的关系，筛选出对资产表现有显著影响的宏观指标，并据此对资产进行月度打分[11][17]。 * **模型具体构建过程**： 1. **指标趋势判断**：采用月度均线方法判断单个宏观指标的趋势，分为趋势上行和趋势下行两种情况[18]。 2. **显著性检验**：利用T检验判断在宏观指标趋势上行和下行两种情况下，某类资产未来一个月月度收益率的分布是否存在显著差异[17]。 3. **T检验公式**： $$t={\frac{{\overline{{R_{1}}}}-{\overline{{R_{2}}}}}{\sqrt{\frac{(n_{1}-1){S_{1}}^{2}+(n_{2}-1){S_{2}}^{2}}{n_{1}+n_{2}-2}}({\frac{1}{n_{1}}}+{\frac{1}{n_{2}}})}}\sim t_{n_{1}+n_{2}-2}$$ 其中，$\overline{R_{1}}$ 和 $\overline{R_{2}}$ 分别代表宏观指标趋势上行和下行情况下，资产未来一个月的平均月度收益率；$S_{1}$ 和 $S_{2}$ 是对应收益率的标准差；$n_{1}$ 和 $n_{2}$ 是宏观指标处于趋势上行或下行的月份数量[17]。 4. **打分规则**：对于通过检验的宏观指标，根据其最新趋势方向（正向影响记+1分，负向影响记-1分）及资产在该指标下的历史表现方向，给出该指标对资产的得分[31][54]。综合各指标得分得到宏观视角总分。 2. **模型名称：技术视角打分模型**[22][26] * **模型构建思路**：从趋势、估值（仅权益资产）、资金流（主要权益资产）三个技术维度构建指标，对大类资产和权益风格进行月度打分[22][26]。 * **模型具体构建过程**： * **趋势指标**： * **构建**：基于资产收盘价或LLT指标，计算特定窗口期（如2个月、6个月）的平均月度涨跌幅。若最新值大于历史同期（如T-12至T-2月）平均值，则判断趋势向上，记+1分；反之记-1分[22][33][55]。 * **估值指标（仅权益）**： * **构建**：计算股权风险溢价：ERP = 1 / 中证800指数PE(TTM) - 10年期国债到期收益率[23]。 * **分位数计算**：计算当前ERP在过去5年历史数据中的分位数[23]。 * **打分规则**：根据分位数高低判断估值水平并打分：高于90%（+2分），70%-90%（+1分），30%-70%（0分），10%-30%（-1分），低于10%（-2分）[25][26]。 * **资金流指标（主要权益）**： * **构建**：以日度频率计算个股主动净流入额，加总得到指数月度主动净流入额。计算该数据的边际变化（如当月值与过去6个月平均值比较）[26]。 * **打分规则**：若资金流指标为正，认为资金面边际改善，记+1分；为负则记-1分[26][55]。 3. **模型名称：大类资产配置组合模型**[35][46] * **模型构建思路**：在固定比例、控制波动率或风险平价等基准配置权重的基础上，根据宏观指标和技术指标的月度信号，动态调整各类资产的权重[35][46]。 * **模型具体构建过程**： 1. **设定基准组合**： * **固定比例基准**：权益20%，债券60%，商品（黄金10%+工业品5%），货币5%[36]。 * **控制年化波动率基准**：控制年化波动率不超过6%[46]。 * **风险平价基准**：采用风险平价模型确定权重[46]。 2. **权重调整规则**：根据宏观视角和技术视角对每类资产的最新观点（看好、看平、看空），在基准权重上进行增减调整。例如，固定比例组合中，每类非货币资产有固定的“调整权重”（如权益±5%），根据信号调增或调减其权重，并相应调整货币资产比例[35][36]。 4. **模型名称：权益风格轮动组合模型**[57] * **模型构建思路**：对于大盘/小盘、成长/价值两类风格，在等权基准配置的基础上，根据宏观指标和技术指标的月度信号，动态超配看好的风格，低配不看好的风格[57]。 * **模型具体构建过程**： 1. **设定基准组合**：大盘与小盘指数各占50%，成长与价值指数各占50%[58]。 2. **权重调整规则**：根据宏观视角和技术视角对风格的最新观点，在基准权重上进行增减调整。例如，每类风格有固定的“调整权重”（如±25%），根据信号调增或调减其权重[57][58]。 模型的回测效果 1. **固定比例+宏观指标+技术指标组合**，年化收益率10.18%，最大回撤9.27%，年化波动率6.17%[40][41]。2026年以来（截至2026.2.28）收益率3.95%[36][44]。 2. **固定比例+宏观指标组合**，年化收益率9.29%，最大回撤11.21%，年化波动率6.06%[40]。 3. **固定比例+技术指标组合**，年化收益率8.50%，最大回撤12.56%，年化波动率6.10%[40]。 4. **固定比例基准组合**，年化收益率6.35%，最大回撤18.51%，年化波动率5.84%[40]。 5. **控制年化波动率6%+宏观指标+技术指标组合**，年化收益率10.44%，最大回撤7.37%，年化波动率5.57%[50]。2026年以来（截至2026.2.28）收益率5.90%[46][51]。 6. **风险平价+宏观指标+技术指标组合**，年化收益率8.28%，最大回撤4.58%，年化波动率3.40%[50]。2026年以来（截至2026.2.28）收益率2.21%[46][51]。 7. **大小盘轮动组合**，年化收益率14.42%，最大回撤49.10%，年化波动率22.30%[59]。相对于基准组合（巨潮大盘50%+巨潮小盘50%）的年化超额收益率为5.71%（2013年至今）[58]。2026年以来（截至2026.2.28）超额收益率3.59%[58][61]。 8. **成长价值轮动组合**，年化收益率14.47%，最大回撤45.18%，年化波动率21.56%[66]。相对于基准组合（国证成长50%+国证价值50%）的年化超额收益率为6.00%（2013年至今）[63]。2026年以来（截至2026.2.28）超额收益率1.53%[63][66]。 量化因子与构建方式 1. **因子名称：趋势因子**[22][33] * **因子构建思路**：通过比较资产近期价格走势与历史同期走势，判断其当前趋势方向[22]。 * **因子具体构建过程**：计算资产在最近N个月（如2个月、6个月）的平均月度涨跌幅，与历史（T-12至T-2个月）的平均月度涨跌幅进行比较。若近期均值大于历史均值，则因子值为正（趋势向上）；反之为负（趋势向下）[33][55]。 2. **因子名称：估值因子（股权风险溢价ERP）**[23][26] * **因子构建思路**：用权益资产的盈利收益率与无风险利率的差值来衡量其相对估值吸引力和风险补偿[23]。 * **因子具体构建过程**： 1. 计算权益资产盈利收益率：E/P = 1 / PE(TTM)（以中证800指数为例）[23]。 2. 计算股权风险溢价：ERP = E/P - 10年期国债到期收益率[23]。 3. 计算ERP的历史分位数（过去5年）进行标准化[23]。 3. **因子名称：资金流因子**[26][55] * **因子构建思路**：通过计算指数成分股的资金主动净流入情况，衡量市场资金面的边际变化[26]。 * **因子具体构建过程**： 1. 日度计算每只股票的主动净流入额[26]。 2. 加总得到指数的月度主动净流入额[26]。 3. 计算资金流的边际变化，例如：当月主动净流入额 - 过去6个月平均月度主动净流入额[26][55]。对于风格轮动，则计算两个风格指数该值的差值[55]。

量化模型与构建方式 本报告主要介绍AI智能体OpenClaw的部署与应用，并未涉及传统意义上的量化模型或量化因子构建。报告内容聚焦于如何利用OpenClaw这一工具平台，通过安装和调用特定的“技能”（Skills）来执行金融投研任务[3][48]。报告本身未提出新的量化模型或因子，而是展示了使用该工具实现数据获取、条件选股、技术分析等功能的流程。 量化因子与构建方式 本报告未提出或构建新的量化因子。 OpenClaw 技能与构建方式 报告详细介绍了如何利用OpenClaw平台安装和使用多种投研相关的“技能”（Skills），这些技能可以视为实现特定量化分析功能的工具模块。 1. **技能名称：Stock Watcher** * **技能构建思路**：该技能旨在通过自然语言指令，实现对自选股的实时行情监控与数据获取[58]。 * **技能具体构建过程**：该技能并非由报告作者构建，而是从OpenClaw官方技能生态社区ClawHub获取并安装[52]。用户通过与OpenClaw对话，下达指令“请帮我安装并启用这个技能：https://clawhub.ai/Robin797860/stock-watcher”，即可完成安装[58]。安装后，技能自动加载到OpenClaw工作区，用户可通过自然语言对话调用其功能，如添加自选股、查看行情、获取涨跌幅等[58][63]。当默认数据源（如同花顺）出现问题时，OpenClaw会灵活地自动切换至备用数据源（如新浪）以完成指令[62]。 2. **技能名称：Technical Analyst** * **技能构建思路**：该技能旨在对K线图进行自动化技术分析，并生成详细的分析报告[75]。 * **技能具体构建过程**：该技能同样从ClawHub社区获取。用户通过指令调用该技能分析指定的K线图文件（如“k线图.png”）[77]。技能执行后，会输出包含趋势判断、强度评估、关键位置、情景分析概率分布等要点的分析结果，并将完整分析报告保存至本地指定路径[77]。 3. **技能名称：read_file（基础系统技能）** * **技能构建思路**：作为OpenClaw的基础系统技能，用于演示其“技能”模块如何通过标准化接口，让大语言模型安全地操作本地系统[51]。 * **技能具体构建过程**：该技能体现了OpenClaw技能的双层架构设计[51]： * **接口声明层**：面向大语言模型，通过OpenAPI规范定义技能功能（如读取文件）和必填参数（如文件路径`file_path`）。大模型在需要时会输出包含这些参数的结构化指令[57]。 * **物理执行层**：面向宿主机，OpenClaw核心调度器接收并解析结构化指令，将其转化为宿主机环境（如Python）下的真实I/O操作，执行读取文件等动作[57]。 * **反馈闭环**：执行结果（文件内容或错误信息）作为“观察结果”反馈给大模型，驱动其进行后续决策[57]。 4. **复合技能应用：条件选股与回测** * **应用构建思路**：结合数据获取与数据处理能力，通过自然语言指令实现多条件选股并对结果进行简单回测[65]。 * **应用具体构建过程**：用户在安装数据类技能（如Stock Watcher）后，可直接向OpenClaw下达复合指令。例如：“选择合适的数据源，获取最新数据对自选股列表进行条件选股：总市值小于1000亿元，市盈率为正且小于100倍。并回测所选个股的等权组合在过去20个交易日的收益率”[65]。OpenClaw会解析该指令，调用相应技能获取数据，执行筛选逻辑，并计算回测收益率。 5. **复合技能应用：财报分析** * **应用构建思路**：利用OpenClaw自动选择并调用合适的工具（如文档解析技能）来读取和分析本地财务文档[71]。 * **应用具体构建过程**：用户下达指令如“用合适的工具读取目录下的‘某公司财报.pdf’文件，并客观总结”[71]。OpenClaw会自动选择合适的技能（可能是内置或已安装的文档处理技能）来读取PDF文件，并调用大模型对内容进行总结。 6. **复合技能应用：复杂代码工程** * **应用构建思路**：利用OpenClaw的文件管理和大模型代码生成能力，根据需求文档构建结构化的量化因子计算代码工程[74]。 * **应用具体构建过程**：用户通过指令指定任务，例如：“基于目录下的‘cne-6公式.pdf’文件，编写barra cne6因子的python实现代码。我希望所有代码文件保存在新建的‘cne6’文件夹中，并实现合理的代码结构和分层级目录...”[74]。OpenClaw会读取参考文档，生成符合要求的、具有分层结构的多个Python脚本文件，并保存到指定目录。 模型与因子的回测效果 本报告未对任何量化模型或因子进行回测，因此没有相关的回测效果指标数据。报告展示的“条件选股与回测”示例，其回测结果（过去20个交易日等权组合收益率）是单次指令执行的输出示例，并非系统性的历史回测绩效指标[65]。

量化模型与构建方式 1. **模型名称：宏观视角下的港股择时模型** [3][6][8] * **模型构建思路**：以宏观预期指标为主，辅以其他常见宏观指标和港股市场特异性指标，构建一个对恒生指数R未来一个月涨跌进行预测的二分类（买入/空仓）择时模型[3][16]。 * **模型具体构建过程**： 1. **宏观变量选取与处理**：从宏观经济、货币与流动性、通胀与价格水平、资金与情绪四个维度选取一系列原始连续宏观变量[34][35][37]。将连续变量通过多种方法改造成二元（0/1）状态变量，以作为Logit回归的自变量[39]。主要改造方法包括： * **门限项**：采用“二八分位数”法（超过过去12期80%分位数为1，低于20%分位数为0）或“中位值”法（大于过去6期中位数为1，否则为0）[42]。 * **方向项**：数值大于0为1，否则为0[42]。 * **差分项**：计算滞后2期差分（$Var_{con, t} - Var_{con, t-2}$），大于0为1，否则为0[42]。 * **平滑项**：采用HP滤波（lambda=14400）保留趋势项[42][72]。 * **波动项**：计算过去6期滚动标准差，若超过过去12期20%分位数为1，否则为0[42]。 2. **单变量筛选**：对每个宏观变量的不同细分指标项（如门限项、方向项等）分别进行Logit回归检验，评估其预测恒生指数R下月涨跌（因变量也为0/1变量）的能力[39][41]。评估指标包括样本外AUC（auc_pred）、显著性（p值）等[42]。最终筛选出预测能力较强的四个指标项[85]： * 方向项-USDHKD预期修正滞后2期（lag_2） * 门限项（二八分位数）-CPI预期修正滞后1期（lag_1） * 方向项-花旗中国经济意外指数月度均值滞后3期（lag_3） * 波动项-恒生指数期权认沽认购比状态变化变量（change） 3. **模型训练**：使用上述四个变量作为输入，采用Logit模型进行训练[8][90]。以80%的样本作为训练集，20%作为测试集[91]。 4. **信号生成**：根据训练好的模型计算因变量预测值，若预测值大于0.5则给出买入信号（1），否则给出空仓信号（0）[93]。 * **模型评价**：模型综合考虑了流动性、宏观经济、通胀和市场情绪，样本外预测能力（AUC）较为优秀，过拟合程度可控[3][8][91]。其中方向项-USDHKD预期修正最显著，表明港股涨跌预测或由流动性预期的边际变化主导[91]。 模型的回测效果 1. **宏观视角下的港股择时模型**，样本外AUC约0.70[3][91]，训练集AUC约0.77[91]，过拟合程度约9.15%[91]。全区间（2015年初至2026年1月底）年化超额收益约10.74%[3][95]，月度胜率约81.95%[3][95]，年度胜率约81.82%[95]。年化收益16.43%，最大回撤19.91%，年化波动14.31%，夏普比率1.14，信息比率(IR)0.71[96]。 量化因子与构建方式 1. **因子名称：方向项-USDHKD预期修正滞后2期 (lag_2)** * **因子构建思路**：USDHKD预期修正反映了美元兑港币汇率预期的边际变化。由于港币实行联系汇率制度，汇率预期的微小变化会带来流动性预期的改变，从而影响港股[7][46]。 * **因子具体构建过程**：使用下季度美元兑港币汇率的当月预测值减去上月预测值，得到连续变量`USDHKD预期修正`[37]。然后构建其**方向项**：若该连续变量大于0，则因子取值为1，否则为0[42]。最后，使用滞后2期的数据（lag_2）[61]。 * **因子评价**：在方向项检验中长期收益最好，系数为负（-2.41），表明当美元相较于港币的增值预期上修或贬值预期下调时（即因子为1），恒生指数R上涨概率更大，符合理论预期[63]。是最终择时模型中最显著的变量[91]。 2. **因子名称：门限项（二八分位数）-CPI预期修正滞后1期 (lag_1)** * **因子构建思路**：CPI预期修正反映了通胀预期的边际变化。通胀预期的变化会影响市场对经济状况和政策的判断[46]。 * **因子具体构建过程**：使用下季度CPI的当月预测值减去上月预测值，得到连续变量`CPI预期修正`[37]。然后构建其**门限项（二八分位数）**：计算该连续变量过去12期的80%分位数和20%分位数。若最新值超过80%分位数，则因子取值为1；若低于20%分位数，则取值为0；处于中间则状态不变[42]。最后，使用滞后1期的数据（lag_1）[45]。 * **因子评价**：系数为负（-1.42），表明当通胀预期上修速度放缓或通缩预期修正速度加快时（即指标修正幅度处于历史低位，因子为0），恒生指数R上涨概率更大[46]。但其有效性与经济状况直接关联，需结合其他指标判断[46]。 3. **因子名称：方向项-花旗中国经济意外指数月度均值滞后3期 (lag_3)** * **因子构建思路**：花旗中国经济意外指数衡量国内经济数据相对于市场预期的超预期程度，是感知经济动能转向的指标[34][35]。 * **因子具体构建过程**：先计算日频花旗中国经济意外指数的月度平均值，得到连续变量`花旗中国经济意外指数月度均值`[37]。然后构建其**方向项**：若该连续变量大于0，则因子取值为1，否则为0[42]。最后，使用滞后3期的数据（lag_3）[61]。 * **因子评价**：系数为正（1.55），表明当经济超预期时（即因子为1），恒生指数R上涨概率更大，符合理论预期[64]。预测能力较稳健[87]。 4. **因子名称：波动项-恒生指数期权认沽认购比状态变化变量 (change)** * **因子构建思路**：恒生指数期权认沽认购比是市场情绪的指标，其波动率的变化可能预示着市场风险的转变[83]。 * **因子具体构建过程**：计算恒生指数期权认沽合约成交量与认购合约成交量之比，得到连续变量`恒生指数期权认沽认购比`[37]。然后构建其**波动项**：首先计算该连续变量过去6期的滚动标准差。然后计算该标准差过去12期的20%分位数。若最新的6期标准差突破（向上或向下）该20%分位数，则因子`change`取值为1，表示状态发生变化；否则取值为0[42][83]。 * **因子评价**：系数为负（-1.71），表明当认沽认购比的波动状态发生变化时（因子为1），恒生指数R大概率下跌[83]。该因子在规避市场快速下跌风险方面表现较优，能提供其他指标之外的增量信息[83]。 5. **因子名称：门限项（中位值）-M2同比预期修正滞后2期 (lag_2)** * **因子构建思路**：M2同比预期修正反映了货币供应量增长预期的边际变化，与流动性和经济基本面相关[55]。 * **因子具体构建过程**：使用下季度M2同比的当月预测值减去上月预测值，得到连续变量`M2同比预期修正`[37]。然后构建其**门限项（中位值）**：计算该连续变量过去6期的中位数。若最新值大于该中位数，则因子取值为1，否则为0[42]。最后，使用滞后2期的数据（lag_2）[53]。 * **因子评价**：在中位值门限项检验中效果最好，系数为负（-1.20）[55]。但传导链条复杂，需谨慎解读[55]。该因子在最终模型构建的单变量检验中被筛除[88]。 6. **因子名称：平滑项-GDP同比预期修正滞后2期 (lag_2)** * **因子构建思路**：GDP同比预期修正反映了经济增长预期的边际变化，其长期趋势项可能包含持续的经济动能信息[72]。 * **因子具体构建过程**：使用下季度GDP同比的当月预测值减去上月预测值，得到连续变量`GDP同比预期修正`[37]。然后构建其**平滑项**：对该连续变量进行HP滤波（lambda=14400），保留滤波后的趋势项[42][72]。最后，使用滞后2期的数据（lag_2）[72]。 * **因子评价**：在平滑项检验中长期收益最好，系数为正（30.18）[72]。但该因子在最终模型构建的单变量检验中被筛除[88]。 因子的回测效果 （注：以下为各因子在**单变量**Logit回归检验中，以其最佳细分指标项形式呈现的预测效果，指标口径一致） 1. **方向项-USDHKD预期修正滞后2期**，样本外AUC (auc_pred) 0.75[61]，准确率 (accuracy) 62.50%，精确率 (precision) 73.33%，召回率 (recall) 68.75%，回归系数 (beta) -2.41，p值 0.0006[61]。 2. **门限项（二八分位数）-CPI预期修正滞后1期**，样本外AUC (auc_pred) 0.54[45]，准确率 (accuracy) 66.67%，精确率 (precision) 78.57%，召回率 (recall) 68.75%，回归系数 (beta) -1.42，p值 0.0333[45]。 3. **方向项-花旗中国经济意外指数月度均值滞后3期**，样本外AUC (auc_pred) 0.69[61]，准确率 (accuracy) 70.83%，精确率 (precision) 84.62%，召回率 (recall) 68.75%，回归系数 (beta) 1.55，p值 0.0027[61]。 4. **波动项-恒生指数期权认沽认购比状态变化变量**，样本外AUC (auc_pred) 0.48[80]，准确率 (accuracy) 54.17%，精确率 (precision) 63.16%，召回率 (recall) 75.00%，回归系数 (beta) -1.71，p值 0.0053[80]。 5. **门限项（中位值）-M2同比预期修正滞后2期**，样本外AUC (auc_pred) 0.57[53]，准确率 (accuracy) 50.00%，精确率 (precision) 62.50%，召回率 (recall) 62.50%，回归系数 (beta) -1.20，p值 0.0090[53]。 6. **平滑项-GDP同比预期修正滞后2期**，样本外AUC (auc_pred) 0.71[72]，准确率 (accuracy) 58.33%，精确率 (precision) 68.75%，召回率 (recall) 68.75%，回归系数 (beta) 30.18，p值 0.0000[72]。

量化模型与构建方式 1. **模型名称：利率市场结构指标模型**[1][7] * **模型构建思路**：将1至10年期国债的到期收益率（YTM）数据，通过数学变换分解为三个独立的维度：水平、期限和凸性结构，用以刻画利率曲线的整体形态和特征[7]。 * **模型具体构建过程**：报告未详细说明具体的数学变换公式，但指出是将不同期限的YTM数据转化为三个结构指标[7]。构建过程包括： 1. 收集并处理1至10年期各关键期限的国债YTM数据。 2. 通过特定的数学变换（如主成分分析或其他拟合方法），从原始YTM数据中提取出三个核心成分。 3. 第一个成分代表**利率水平结构**，反映整体利率的高低。 4. 第二个成分代表**利率期限结构**，反映长短期利差（期限利差）。 5. 第三个成分代表**利率凸性结构**，反映利率曲线弯曲度。 6. 计算各结构指标在当前时点的历史分位数（如滚动3年、5年、10年），以判断其相对历史水平的位置[7][9]。 2. **模型名称：利率价量多周期择时模型**[2][6][10][13][16][18] * **模型构建思路**：基于核回归算法识别利率（YTM）历史走势的形态，生成不同时间周期下的支撑线和阻力线，通过观察价格对这两条线的突破情况，产生长、中、短三个周期的择时信号，并综合投票得出最终观点[10]。 * **模型具体构建过程**：详情参考报告提及的早期文献《形态识别算法在利率择时中的应用》[10]。本报告概述的构建过程包括： 1. **趋势线刻画**：使用核回归算法对指定期限（如5年、10年、30年期）国债的YTM时间序列进行平滑处理，分别拟合出代表**支撑线**和**阻力线**的曲线[10]。 2. **多周期设定**：设定长、中、短三个投资周期，其信号平均切换频率分别为月度、双周度和周度[10][18]。 3. **突破信号生成**：在每个周期视角下，判断当前YTM是否向上突破阻力线（看空信号）或向下突破支撑线（看多信号）[10][11][14][17]。 4. **信号综合评分**：统计三个周期中“下行突破”（看多）和“上行突破”（看空）的票数。 * 若同向突破总票数达到2/3（即至少2票），则综合评分结果为明确的“看多”或“看空”[18]。 * 若同向突破总票数未达2/3，则综合评分结果为“中性震荡”。根据历史信号延续性，可进一步细分为“中性偏多”或“中性偏空”[13][16]。 3. **模型名称：利率多周期交易策略（轮动策略）**[4][22][23][26][27][31] * **模型构建思路**：将上述“利率价量多周期择时模型”产生的信号转化为可执行的债券久期轮动策略，通过在不同久期类型的债券指数间切换配置，以获取超额收益[22]。 * **模型具体构建过程**： 1. **投资标的**：根据择时信号所基于的国债期限，选择对应的综合债指数作为交易标的[22]： * 短久期：综合债1-3 (CBA00121) * 中久期：综合债3-5 (CBA00131) * 长久期：根据模型不同，分别为综合债5-7 (CBA00141，对应5Y模型)、综合债7-10 (CBA00151，对应10Y模型)、综合债10以上 (CBA00161，对应30Y模型)[22] 2. **交易信号与仓位规则**[22][27]： * **看多信号（利率下行）**： * 若短、中、长周期中，有至少2个周期出现利率**向下突破支撑线**，且利率趋势**非向上**时，**满配长久期**债券。 * 若满足上述突破条件，但利率趋势**向上**时，配置 **1/2中久期 + 1/2长久期**。 * **看空信号（利率上行）**： * 若短、中、长周期中，有至少2个周期出现利率**向上突破阻力线**，且利率趋势**非向下**时，**满配短久期**债券。 * 若满足上述突破条件，但利率趋势**向下**时，配置 **1/2中久期 + 1/2短久期**。 * **中性信号**：其余时间，在短、中、长三种久期债券上**等权配置**（各1/3）。 3. **业绩基准**：构建一个**久期等权策略**作为业绩基准，即始终持有1/3短久期 + 1/3中久期 + 1/3长久期债券组合[27]。 4. **止损规则**：当单日策略组合的超额收益（相对于业绩基准）小于-0.5%时，临时将持仓调整为等权配置[27]。 模型的回测效果 1. **基于5年期国债YTM的利率多周期交易策略**[4][23][35] * **长期表现（2007.12.31至今）**： * 年化收益率：5.45% * 最大回撤：2.88% * 收益回撤比：1.9 * 相对业绩基准的年化超额收益率：1.05% * 超额收益回撤比：0.61 * 逐年绝对收益大于0的胜率：100% * 逐年超额收益大于0的胜率：100% * **短期表现（2024年底以来）**： * 年化收益率：2.29% * 最大回撤：0.59% * 收益回撤比：3.88 * 相对业绩基准的超额收益率：0.63% * 超额收益回撤比：2.26 2. **基于10年期国债YTM的利率多周期交易策略**[4][26][35] * **长期表现（2007.12.31至今）**： * 年化收益率：6.03% * 最大回撤：2.74% * 收益回撤比：2.2 * 相对业绩基准的年化超额收益率：1.63% * 超额收益回撤比：1.15 * 逐年绝对收益大于0的胜率：100% * 逐年超额收益大于0的胜率：100% * **短期表现（2024年底以来）**： * 年化收益率：2.64% * 最大回撤：0.58% * 收益回撤比：4.57 * 相对业绩基准的超额收益率：1.13% * 超额收益回撤比：3.41 3. **基于30年期国债YTM的利率多周期交易策略**[4][31][35] * **长期表现（2007.12.31至今）**： * 年化收益率：7.26% * 最大回撤：4.27% * 收益回撤比：1.7 * 相对业绩基准的年化超额收益率：2.37% * 超额收益回撤比：0.85 * 逐年绝对收益大于0的胜率：94.44% * 逐年超额收益大于0的胜率：94.44% * **短期表现（2024年底以来）**： * 年化收益率：2.73% * 最大回撤：0.92% * 收益回撤比：2.98 * 相对业绩基准的超额收益率：1.98% * 超额收益回撤比：2.62 量化因子与构建方式 1. **因子名称：利率水平结构因子**[1][7][9] * **因子构建思路**：从整个利率曲线中提取出的第一个主成分，代表利率的绝对水平，反映市场整体资金成本的状况[7]。 * **因子具体构建过程**：报告未给出具体计算公式。构建过程是通过对1-10年期国债YTM序列进行数学变换（如PCA）得到的第一主成分序列[7]。其数值代表利率水平的高低。 2. **因子名称：利率期限结构因子（期限利差）**[1][7][9] * **因子构建思路**：从整个利率曲线中提取出的第二个主成分，代表长短期利率之差，反映市场对未来经济预期的斜率[7]。 * **因子具体构建过程**：报告未给出具体计算公式。构建过程是通过对1-10年期国债YTM序列进行数学变换（如PCA）得到的第二主成分序列[7]。其数值代表期限利差的宽窄。 3. **因子名称：利率凸性结构因子**[1][7][9] * **因子构建思路**：从整个利率曲线中提取出的第三个主成分，代表利率曲线的弯曲程度，反映长端利率相对于中短端利率变化的非线性特征[7]。 * **因子具体构建过程**：报告未给出具体计算公式。构建过程是通过对1-10年期国债YTM序列进行数学变换（如PCA）得到的第三主成分序列[7]。其数值代表曲线凸性的大小。 因子的回测效果 （报告中未提供针对利率水平、期限、凸性结构这三个因子的独立回测绩效指标，如IC、IR、多空收益等。报告仅展示了这些因子当前的历史分位数状态[7][9]。）

量化模型与构建方式 1. PB-ROE-50 组合 * **模型名称**: PB-ROE-50 组合[23] * **模型构建思路**: 基于市净率（PB）和净资产收益率（ROE）两个核心指标构建的选股模型，旨在筛选估值合理且盈利能力强的股票[23]。 * **模型具体构建过程**: 报告未详细描述该组合的具体构建公式和步骤，仅提及其为基于PB和ROE的选股模型[23]。 2. 机构调研组合 * **模型名称**: 机构调研组合[25] * **模型构建思路**: 利用公募基金和私募基金的调研活动信息构建选股策略，认为被机构密集调研的股票可能蕴含投资机会[25]。 * **模型具体构建过程**: 报告未详细描述该组合的具体构建公式和步骤，仅提及分为“公募调研选股策略”和“私募调研跟踪策略”[25]。 3. 大宗交易组合 * **模型名称**: 大宗交易组合[29] * **模型构建思路**: 基于“高成交、低波动”原则，从发生大宗交易的股票中筛选后续表现更佳的标的[29]。 * **模型具体构建过程**: 通过统计分析发现，“大宗交易成交金额比率”越高、“6 日成交金额波动率”越低的股票后续表现更佳。根据此规律，以月频调仓方式构造组合[29]。具体公式未在本文中给出，需参考其2023年8月5日的专题报告[29]。 4. 定向增发组合 * **模型名称**: 定向增发组合[35] * **模型构建思路**: 以定向增发的股东大会公告日为事件节点，构建事件驱动选股策略[35]。 * **模型具体构建过程**: 综合考虑市值因素、调仓周期以及对仓位的控制来构造组合[35]。具体公式未在本文中给出，需参考其2023年11月26日的专题报告[35]。 模型的回测效果 1. PB-ROE-50 组合业绩表现 * **中证500股票池**: 本周超越基准收益率0.70%，今年以来超额收益率-0.92%，本周绝对收益率5.06%，今年以来绝对收益率14.91%[24]。 * **中证800股票池**: 本周超越基准收益率2.32%，今年以来超额收益率6.74%，本周绝对收益率4.39%，今年以来绝对收益率12.72%[24]。 * **全市场股票池**: 本周超越基准收益率2.25%，今年以来超额收益率6.22%，本周绝对收益率5.06%，今年以来绝对收益率14.82%[24]。 2. 机构调研组合业绩表现 * **公募调研选股策略**: 本周超越基准收益率1.38%，今年以来超额收益率1.36%，本周绝对收益率3.43%，今年以来绝对收益率7.04%[26]。 * **私募调研跟踪策略**: 本周超越基准收益率1.51%，今年以来超额收益率11.63%，本周绝对收益率3.56%，今年以来绝对收益率17.88%[26]。 3. 大宗交易组合业绩表现 * **大宗交易组合**: 本周超越基准收益率1.06%，今年以来超额收益率7.79%，本周绝对收益率3.84%，今年以来绝对收益率16.52%[30]。 4. 定向增发组合业绩表现 * **定向增发组合**: 本周超越基准收益率0.97%，今年以来超额收益率1.97%，本周绝对收益率3.75%，今年以来绝对收益率10.23%[36]。 量化因子与构建方式 1. 大类风格因子 * **因子名称**: Beta因子、盈利因子、流动性因子、市值因子等[18]。 * **因子构建思路**: 将众多单因子归类为几个具有明确经济含义的大类风格，以观察市场整体风格动向[18]。 * **因子具体构建过程**: 报告未详细描述大类因子的具体合成方法。 2. 单因子（列举部分） 报告提及了数十个单因子，以下按类别列举部分因子名称及其方向： * **盈利与增长类**: 净利润断层(正向)[12]、单季度ROA(正向)[12]、单季度ROA同比(正向)[12]、单季度ROE同比(正向)[13]、标准化预期外盈利(正向)[13]、单季度净利润同比增长率(正向)[13]、单季度营业收入同比增长率(正向)[13]、总资产增长率(正向)[13]、ROIC增强因子(正向)[13]、营业利润率TTM(正向)[13]、净利润率TTM(正向)[13]、毛利率TTM(正向)[13]。 * **估值类**: 市净率因子(正向)[14]、市销率TTM倒数(正向)[14]、市盈率因子(正向)[13]、市盈率TTM倒数(正向)[13]、EPTTM分位点(正向)[13]、BP因子(正向)[21]、EP因子(正向)[21]。 * **市值与流动性类**: 对数市值因子(负向)[13]、5日平均换手率(负向)[13]、成交量的5日指数移动平均(负向)[13]、6日成交金额的移动平均值(负向)[13]、6日成交金额的标准差(负向)[13]、换手率相对波动率(负向)[13]。 * **动量与反转类**: 动量弹簧因子(正向)[13]、5日反转(负向)[16]、5日动量[22]、1月动量[22]。 * **交易与资金流类**: 早盘收益因子(正向)[13]、早盘后收益因子(负向)[13]、大单净流入(正向)[13]、小单净流入(负向)[16]、动量调整大单(正向)[13]、动量调整小单(负向)[13]。 * **波动与质量类**: 下行波动率占比(负向)[13]、5分钟收益率偏度(负向)[13]、日内波动率与成交金额的相关性(负向)[13]、残差波动率(正向)[21]、ROA稳定性(正向)[13]、ROE稳定性(正向)[13]、经营现金流比率(正向)[12]、总资产毛利率TTM(正向)[12]、单季度总资产毛利率(正向)[12]。 * **基本面类 (行业内)**: 每股净资产[21]、每股经营利润TTM[21]、净资产增长率[22]、净利润增长率[22]。 * **因子具体构建过程**: 报告未提供各个单因子的具体计算公式，仅列出了因子名称、方向和表现。 因子的回测效果 **注**：以下因子表现数据均为“最近1周”（2026.02.24-2026.02.27）在对应股票池中，剔除行业与市值影响后的多空收益[12]。 1. 沪深300股票池因子表现（部分） * **净利润断层**: 4.93%[12] * **单季度ROA**: 2.93%[12] * **单季度ROA同比**: 2.83%[12] * **单季度ROE同比**: 2.68%[13] * **标准化预期外盈利**: 2.62%[13] * **总资产毛利率TTM**: -0.77%[12] * **单季度总资产毛利率**: -0.66%[12] * **经营现金流比率**: -0.66%[12] 2. 中证500股票池因子表现（部分） * **市净率因子**: 0.83%[14] * **市销率TTM倒数**: 0.72%[14] * **对数市值因子**: 0.23%[14] * **总资产毛利率TTM**: -3.84%[14] * **毛利率TTM**: -3.51%[14] * **单季度总资产毛利率**: -3.46%[14] 3. 流动性1500股票池因子表现（部分） * **5日反转**: 0.76%[16] * **净利润断层**: 0.31%[16] * **市净率因子**: 0.29%[16] * **毛利率TTM**: -2.50%[16] * **小单净流入**: -2.24%[16] * **单季度总资产毛利率**: -2.14%[16] 4. 大类因子表现（全市场股票池） * **Beta因子**: 1.04%[18] * **盈利因子**: 0.57%[18] * **流动性因子**: 0.55%[18] * **市值因子**: -0.39%[18]