根据提供的金融工程市场跟踪周报内容，以下是总结的量化模型与因子详情： 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**：通过分析市场交易量能变化来判断市场趋势和情绪，为宽基指数提供择时信号[23] - **模型具体构建过程**：基于主要宽基指数（上证指数、上证50、沪深300等）的量能指标进行计算和信号生成，具体方法未在报告中详细披露，但涉及对交易量数据的监测和阈值判断[23] 2. 沪深300上涨家数占比情绪指标 - **因子名称**：沪深300上涨家数占比 - **因子构建思路**：通过计算指数成分股中近期收益为正的股票数量占比，来捕捉市场情绪和行情拐点[24] - **因子具体构建过程**： 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，公式为： $$ \text{上涨家数占比} = \frac{\text{过去N日收益大于0的个股数}}{\text{沪深300成分股总数}} $$ 其中N为参数，报告中未明确具体取值[24] 3. 动量情绪指标（基于上涨家数占比） - **模型名称**：动量情绪指标择时策略 - **模型构建思路**：通过对上涨家数占比指标进行不同窗口期的移动平均，捕捉情绪变动趋势并生成交易信号[28] - **模型具体构建过程**： 对沪深300上涨家数占比序列进行两次平滑计算： - 快线 = 移动平均(上涨家数占比, N2) - 慢线 = 移动平均(上涨家数占比, N1) 其中N1=230（长期窗口），N2=35（短期窗口），N=50（计算上涨家数占比的窗口）[28] 交易规则：当快线 > 慢线时，看多市场；当快线 < 慢线时，对市场持中性态度[28] 4. 均线情绪指标 - **模型名称**：八均线情绪指标 - **模型构建思路**：通过判断价格与多条移动平均线的位置关系来评估市场趋势状态和情绪[31] - **模型具体构建过程**： 1. 计算沪深300收盘价的8条移动平均线，参数分别为：8, 13, 21, 34, 55, 89, 144, 233[31] 2. 统计当日收盘价大于各均线值的数量[32] 3. 信号生成规则：当超过5条均线被价格突破时，看多沪深300指数[32] 5. 横截面波动率因子 - **因子名称**：横截面波动率 - **因子构建思路**：通过计算指数成分股收益率的截面标准差，来衡量市场分化程度和Alpha环境[36] - **因子具体构建过程**： 对于每个宽基指数（沪深300、中证500、中证1000），每日计算成分股收益率的横截面标准差： $$ \sigma_{cross} = \sqrt{\frac{1}{N-1} \sum_{i=1}^{N} (r_i - \bar{r})^2} $$ 其中$r_i$为个股收益率，$\bar{r}$为成分股平均收益率，N为成分股数量[36] 6. 时间序列波动率因子 - **因子名称**：时间序列波动率 - **因子构建思路**：通过计算指数成分股加权时间序列波动率，评估市场波动环境和Alpha机会[38] - **因子具体构建过程**： 计算各宽基指数成分股的加权时间序列波动率，具体方法未详细披露，但涉及对个股收益率时间序列的标准差计算和市值加权[38] 7. 基金抱团分离度指标 - **因子名称**：基金抱团分离度 - **因子构建思路**：通过计算抱团基金截面收益的标准差来衡量基金抱团程度，标准差小表示抱团程度高[84] - **因子具体构建过程**： 构建抱团基金组合，计算该组合截面收益率的标准差： $$ \text{分离度} = \sqrt{\frac{1}{M-1} \sum_{j=1}^{M} (R_j - \bar{R})^2} $$ 其中$R_j$为单只抱团基金收益率，$\bar{R}$为抱团基金平均收益率，M为抱团基金数量[84] 模型的回测效果 量能择时模型 - 上证指数：看空信号[24] - 上证50：看空信号[24] - 沪深300：看空信号[24] - 中证500：看空信号[24] - 中证1000：看空信号[24] - 创业板指：看空信号[24] - 北证50：看空信号[24] 动量情绪指标 - 快线开始拐头向下、慢线向上，快线位于慢线之上，预计维持乐观态度[28] 均线情绪指标 - 短期内沪深300指数处于情绪景气区间[34] 因子的回测效果 横截面波动率因子 - 沪深300近一季度平均值：2.04%，占近两年分位：73.50%[38] - 中证500近一季度平均值：2.19%，占近两年分位：67.46%[38] - 中证1000近一季度平均值：2.40%，占近两年分位：66.14%[38] 时间序列波动率因子 - 沪深300近一季度平均值：0.63%，占近两年分位：61.70%[41] - 中证500近一季度平均值：0.45%，占近两年分位：74.60%[41] - 中证1000近一季度平均值：0.24%，占近两年分位：59.76%[41] 基金抱团分离度指标 - 基金抱团分离度环比上周下降[84] - 最近一周抱团股和抱团基金超额收益小幅上升[84]

根据研报内容，以下是关于量化因子和模型的总结： 量化因子与构建方式 **1 因子名称：日内高频偏度因子** - 因子构建思路：基于股票日内高频收益的分布特征构建，捕捉收益分布的非对称性[13] - 因子具体构建过程：参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[13] **2 因子名称：日内下行波动占比因子** - 因子构建思路：通过分解已实现波动，衡量下行波动在总波动中的占比[18] - 因子具体构建过程：参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[18] **3 因子名称：开盘后买入意愿占比因子** - 因子构建思路：基于开盘后的交易行为数据，衡量买入意愿的强度[22] - 因子具体构建过程：参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[22] **4 因子名称：开盘后买入意愿强度因子** - 因子构建思路：进一步量化开盘后买入意愿的强度水平[26] - 因子具体构建过程：参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[26] **5 因子名称：开盘后大单净买入占比因子** - 因子构建思路：分析开盘后大单净买入在总交易中的占比[30] **6 因子名称：开盘后大单净买入强度因子** - 因子构建思路：衡量开盘后大单净买入的强度水平[35] **7 因子名称：改进反转因子** - 因子构建思路：对传统反转因子进行改进优化[40] **8 因子名称：尾盘成交占比因子** - 因子构建思路：分析尾盘成交在当日总成交中的占比[45] **9 因子名称：平均单笔流出金额占比因子** - 因子构建思路：衡量平均单笔流出金额的相对占比[51] **10 因子名称：大单推动涨幅因子** - 因子构建思路：分析大单交易对股价涨幅的推动作用[56] **11 因子名称：改进GRU(50,2)+NN(10)因子** - 因子构建思路：基于门控循环单元(GRU)和神经网络(NN)的深度学习模型[61] **12 因子名称：残差注意力LSTM(48,2)+NN(10)因子** - 因子构建思路：结合残差注意力机制的长短期记忆网络(LSTM)模型[62] **13 因子名称：多颗粒度模型-5日标签因子** - 因子构建思路：基于多时间颗粒度数据，使用5日收益标签训练[67] - 因子具体构建过程：因子基于双向AGRU训练得到[67] **14 因子名称：多颗粒度模型-10日标签因子** - 因子构建思路：基于多时间颗粒度数据，使用10日收益标签训练[68] - 因子具体构建过程：因子基于双向AGRU训练得到[68] 量化模型与构建方式 **1 模型名称：中证500 AI增强宽约束组合** - 模型构建思路：基于深度学习因子构建指数增强组合，采用相对宽松的约束条件[72] - 模型具体构建过程：优化目标为最大化预期收益，目标函数为$$max\sum\mu_{i}w_{i}$$，其中$w_i$为股票权重，$\mu_i$为预期超额收益[73] **2 模型名称：中证500 AI增强严约束组合** - 模型构建思路：基于深度学习因子构建指数增强组合，采用严格的约束条件[72] **3 模型名称：中证1000 AI增强宽约束组合** - 模型构建思路：基于深度学习因子构建指数增强组合，采用相对宽松的约束条件[72] **4 模型名称：中证1000 AI增强严约束组合** - 模型构建思路：基于深度学习因子构建指数增强组合，采用严格的约束条件[72] 因子的回测效果 **1 日内高频偏度因子**：历史IC 0.027，2025年IC 0.042，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.329，9月多空收益3.82%，2025YTD多空收益16.22%，2025年月胜率6/9，9月多头超额1.74%，2025YTD多头超额5.14%[9] **2 日内下行波动占比因子**：历史IC 0.025，2025年IC 0.036，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.326，9月多空收益2.86%，2025YTD多空收益13.58%，2025年月胜率7/9，9月多头超额0.55%，2025YTD多头超额1.41%[9] **3 开盘后买入意愿占比因子**：历史IC 0.032，2025年IC 0.030，历史e^(-rank mae) 0.322，2025年e^(-rank mae) 0.324，9月多空收益0.68%，2025YTD多空收益10.39%，2025年月胜率6/9，9月多头超额0.54%，2025YTD多头超额4.07%[9] **4 开盘后买入意愿强度因子**：历史IC 0.035，2025年IC 0.030，历史e^(-rank mae) 0.326，2025年e^(-rank mae) 0.329，9月多空收益0.65%，2025YTD多空收益11.29%，2025年月胜率7/9，9月多头超额0.60%，2025YTD多头超额4.52%[9] **5 开盘后大单净买入占比因子**：历史IC 0.041，2025年IC 0.035，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.324，9月多空收益1.49%，2025YTD多空收益15.60%，2025年月胜率8/9，9月多头超额0.35%，2025YTD多头超额7.93%[9] **6 开盘后大单净买入强度因子**：历史IC 0.033，2025年IC 0.028，历史e^(-rank mae) 0.323，2025年e^(-rank mae) 0.322，9月多空收益0.88%，2025YTD多空收益11.30%，2025年月胜率8/9，9月多头超额0.80%，2025YTD多头超额6.14%[9] **7 改进反转因子**：历史IC 0.032，2025年IC 0.016，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.331，9月多空收益-0.81%，2025YTD多空收益4.07%，2025年月胜率5/9，9月多头超额-0.63%，2025YTD多头超额3.61%[9] **8 尾盘成交占比因子**：历史IC 0.049，2025年IC 0.030，历史e^(-rank mae) 0.332，2025年e^(-rank mae) 0.323，9月多空收益2.13%，2025YTD多空收益14.11%，2025年月胜率7/9，9月多头超额0.58%，2025YTD多头超额6.10%[9] **9 平均单笔流出金额占比因子**：历史IC 0.020，2025年IC 0.009，历史e^(-rank mae) 0.317，2025年e^(-rank mae) 0.318，9月多空收益-0.48%，2025YTD多空收益3.59%，2025年月胜率5/9，9月多头超额0.80%，2025YTD多头超额3.67%[9] **10 大单推动涨幅因子**：历史IC 0.016，2025年IC 0.010，历史e^(-rank mae) 0.322，2025年e^(-rank mae) 0.327，9月多空收益2.23%，2025YTD多空收益7.36%，2025年月胜率7/9，9月多头超额1.19%，2025YTD多头超额3.34%[9] 模型的回测效果 **1 中证500 AI增强宽约束组合**：上周超额收益-1.36%，9月超额收益-3.85%，2025YTD超额收益0.94%，2025年周胜率23/39[13] **2 中证500 AI增强严约束组合**：上周超额收益-1.35%，9月超额收益-1.33%，2025YTD超额收益3.70%，2025年周胜率24/39[13] **3 中证1000 AI增强宽约束组合**：上周超额收益0.40%，9月超额收益0.42%，2025YTD超额收益9.15%，2025年周胜率26/39[13] **4 中证1000 AI增强严约束组合**：上周超额收益-0.19%，9月超额收益0.67%，2025YTD超额收益14.01%，2025年周胜率25/39[13]

根据提供的金融工程周报，以下是报告中涉及的量化模型和因子的总结： 量化模型与构建方式 1. 流动性冲击指标 **模型构建思路**：通过计算当前市场流动性相对于历史水平的偏离程度，来评估市场流动性状况[2] **模型具体构建过程**：基于沪深300指数构建，计算当前流动性相对于过去一年平均水平的标准化偏差[2] **模型评价**：该指标越高表明市场流动性越好，高于历史平均水平[2] 2. PUT-CALL比率模型 **模型构建思路**：通过上证50ETF期权成交量中认沽期权与认购期权的比率来反映市场情绪[2] **模型具体构建过程**：计算认沽期权成交量与认购期权成交量的比值[2] **模型评价**：比率下降表明投资者对短期走势的谨慎程度降低[2] 3. 换手率指标模型 **模型构建思路**：使用五日平均换手率来度量市场交易活跃度[2] **模型具体构建过程**：分别计算上证综指和Wind全A的五日平均换手率，并与历史分位点进行比较[2] **模型评价**：换手率分位点较高时表明交易活跃度相对历史水平有所下降[2] 4. SAR指标模型 **模型构建思路**：抛物线转向指标，用于识别市场趋势的转折点[10] **模型具体构建过程**：Wind全A指数于9月11日向上突破翻转指标，产生买入信号[10][12] **模型评价**：该指标继续维持正向信号，表明趋势向好[10] 5. 均线强弱指数模型 **模型构建思路**：通过Wind二级行业指数计算市场整体技术面强弱程度[10] **模型具体构建过程**：基于均线系统构建综合得分，当前市场得分为150，处于2023年以来的53.3%分位点[10][16] **模型评价**：指数下降至近50%分位点，出现震荡趋势[10] 6. 情绪择时模型 **模型构建思路**：基于涨跌停板相关因子构建的情绪择时指标[10] **模型具体构建过程**：包含趋势模型和加权模型两个子模型，当前情绪模型得分为1分（满分5分）[10][13] **模型评价**：情绪模型较上周有所降低，趋势模型信号为正向，加权模型信号为负向[10] 7. 情绪因子细分模型 **模型构建思路**：通过多个细分情绪因子综合刻画市场情绪强弱[14] **模型具体构建过程**：包含净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益等五个细分因子[14] **模型具体构建过程**：各因子信号分别为：净涨停占比0、跌停次日收益0、涨停板占比0、跌停板占比0、高频打板收益1[14] 8. 因子拥挤度模型 **模型构建思路**：度量因子投资资金过度集中导致的收益稳定性下降现象[15] **模型具体构建过程**：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综合度量因子拥挤程度[15] **模型具体构建过程**：综合打分公式为四个分项指标的综合评估[15][18] 9. 行业拥挤度模型 **模型构建思路**：评估各行业板块的资金拥挤程度[21] **模型具体构建过程**：基于多维指标构建行业拥挤度评分体系[21] **模型评价**：拥挤度较高的行业可能存在回调风险[21] 模型的回测效果 流动性冲击指标 - 当前值：1.86[2] - 前一周值：1.33[2] PUT-CALL比率模型 - 当前值：0.91[2] - 前一周值：1.14[2] 换手率指标模型 - 上证综指五日平均换手率：1.27%，处于2005年以来75.73%分位点[2] - Wind全A五日平均换手率：1.91%，处于2005年以来81.47%分位点[2] 均线强弱指数模型 - 当前得分：150[10] - 历史分位点：53.3%（2023年以来）[10] 情绪择时模型 - 情绪模型得分：1分（满分5分）[10] - 趋势模型信号：正向[10] - 加权模型信号：负向[10] 量化因子与构建方式 1. 小市值因子 **因子构建思路**：基于市值规模选股的有效因子[18] **因子具体构建过程**：作为常见选股因子之一，其拥挤度通过复合指标评估[18] 2. 低估值因子 **因子构建思路**：基于估值水平选股的有效因子[18] **因子具体构建过程**：作为常见选股因子之一，其拥挤度通过复合指标评估[18] 3. 高盈利因子 **因子构建思路**：基于盈利能力选股的有效因子[18] **因子具体构建过程**：作为常见选股因子之一，其拥挤度通过复合指标评估[18] 4. 高盈利增长因子 **因子构建思路**：基于盈利增长能力选股的有效因子[18] **因子具体构建过程**：作为常见选股因子之一，其拥挤度通过复合指标评估[18] 5. 情绪细分因子 **因子构建思路**：通过市场微观结构数据构建情绪监测因子[14] **因子具体构建过程**：包含净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益等五个细分因子[14] 因子的回测效果 因子拥挤度指标（2025年9月26日） 小市值因子 - 估值价差：1.08[18] - 配对相关性：0.06[18] - 市场波动：-0.42[18] - 收益反转：0.85[18] - 综合打分：0.40[18] 低估值因子 - 估值价差：-1.25[18] - 配对相关性：-0.03[18] - 市场波动：-0.09[18] - 收益反转：-1.32[18] - 综合打分：-0.67[18] 高盈利因子 - 估值价差：-0.17[18] - 配对相关性：0.14[18] - 市场波动：-0.84[18] - 收益反转：0.48[18] - 综合打分：-0.10[18] 高盈利增长因子 - 估值价差：1.91[18] - 配对相关性：0.46[18] - 市场波动：-0.94[18] - 收益反转：-0.82[18] - 综合打分：0.15[18] 行业拥挤度指标（2025年9月26日） 高拥挤度行业 - 有色金属：1.58[18][23] - 通信：1.40[18][23] - 综合：1.38[18][23] - 电力设备：1.19[18][23] - 电子：0.97[18][23] 拥挤度变化较大行业 - 电力设备：从-0.06上升至1.19，变化1.25[24] - 国防军工：从0.35下降至-0.77，变化-1.12[24] - 传媒：从-1.00上升至-0.66，变化0.34[24] - 电子：从0.65上升至0.97，变化0.32[24]

根据研报内容，现总结如下： 量化模型与构建方式 1. **模型名称：三维择时框架**[7][11][12][16] * **模型构建思路**：通过综合评估市场分歧度、流动性和景气度三个维度的变化趋势，对市场短期走势进行判断[7][11] * **模型具体构建过程**：模型基于三个核心指标：市场分歧度指数、市场流动性指数和A股景气度指数[7][11][19][21][25] 通过观察这三个指标的趋势（如下行、扩大、回升）及其组合状态，形成对市场（如震荡下跌）的综合判断[7][11] 2. **模型名称：ETF热点趋势策略**[30][31][32] * **模型构建思路**：通过筛选价格形态呈上涨趋势且短期市场关注度提升的ETF，构建投资组合[30] * **模型具体构建过程**：首先，根据K线的最高价与最低价的上涨或下跌形态，选出最高价与最低价同时为上涨形态的ETF[30] 其次，根据最高价与最低价近20日回归系数的相对陡峭程度，构建支撑阻力因子[30] 最后，在支撑阻力因子的多头组中，选择近5日换手率/近20日换手率最高（即短期市场关注度明显提升）的10只ETF，构建风险平价组合[30] 3. **模型名称：资金流共振策略**[34][37][40] * **模型构建思路**：结合融资融券资金流和主动大单资金流，选择两类资金都看好的行业[34][37] * **模型具体构建过程**： * **行业融资融券资金因子**：定义为经Barra市值因子中性化后的（个股）融资净买入-融券净卖出，在行业层面加总，然后取最近50日均值，并计算其两周环比变化率[37] 公式为：`因子值 = (最近50日平均融资净买入额 - 最近50日平均融券净卖出额) / 上期50日平均值 * 100%`[37] * **行业主动大单资金因子**：定义为行业最近一年成交量时序中性化后的净流入排序，并取最近10日均值[37] * **策略规则**：在主动大单因子的头部打分行业内，剔除融资融券因子的头部行业（因融资融券因子多头端在某些市场状态下有稳定的负向超额收益），以提高策略稳定性[37] 进一步剔除大金融板块后，得到最终推荐的行业组合[37][40] 量化因子与构建方式 1. **因子名称：风格因子（size, beta, momentum, value, growth等）**[43][44] * **因子构建思路**：采用常见的风格因子体系，用于描述市场的风格特征[43][44] * **因子具体构建过程**：报告提及了多个风格因子，包括规模(size)、贝塔(beta)、动量(momentum)、波动率(volatility)、非线性市值(nlsize)、估值(value)、流动性(liquidity)、盈利收益率(earnings_yield)、成长(growth)、杠杆(leverage)等[44] 这些因子通常基于股价、市值、财务数据等计算，并进行了标准化处理[44] 2. **因子名称：Alpha因子（如io_to_float_a_share, top_ten_mean_stkvaluetonav等）**[47][48][49][50] * **因子构建思路**：从不同维度（如基金持仓、动量、分析师覆盖、财务质量等）构建选股因子[47][48] * **因子具体构建过程**：报告列出了多个Alpha因子及其释义： * `io_to_float_a_share`: 根据基金年报和半年报披露持股数统计，基金总持股数占个股流通股比值[48] * `top_ten_mean_stkvaluetonav`: 根据基金披露前十大重仓股，重仓股数占净值均值[48] * `mom_1y_1m`: 1年收益率减去1个月收益率[48] * `top_ten_io_to_float_a_share`: 根据基金披露前十大重仓股，重仓股数占个股流通股比值[48] * `ana_cov`: 过去90个交易日分析师预测数[48] * `tot_rd_ttm_to_sales`: 研发销售收入占比[50] * `tot_rd_ttm_to_assets`: 研发总资产占比[48][50] * `tot_rd_ttm_to_equity`: 研发净资产占比[48][50] * 其他因子如 `mom_6m`（6个月收益率）, `yoy_orps_q`（单季度每股营业收入同比增长率）等[50] 模型的回测效果 1. **三维择时框架**：模型保持对市场的震荡下跌判断[7] 2. **ETF热点趋势策略**：策略今年以来表现优于沪深300，累计超额收益为正[31] 3. **资金流共振策略**：策略2018年以来费后年化超额收益13.5%，信息比率(IR)为1.7，相对北向-大单共振策略回撤更小[37] 策略上周实现-1.5%的绝对收益与-0.7%的超额收益（相对行业等权）[37] 因子的回测效果 1. **风格因子近期表现**[43][44]： * **beta因子**：最近一周收益率为2.19%，本年收益率为26.61%[44] * **growth因子**：最近一周收益率为1.51%，近一月收益率为4.74%[43][44] * **value因子**：最近一周收益率为-1.42%，近一月收益率为-1.32%[43][44] * **size因子**：最近一周收益率为1.46%，本年收益率为-23.35%[44] * **momentum因子**：最近一周收益率为0.27%，本年收益率为-3.31%[44] 2. **Alpha因子多头超额表现**[47][48][49][50]： * **近期表现较好因子（近一周多头超额）**： * `io_to_float_a_share`: 1.32%[48] * `top_ten_mean_stkvaluetonav`: 1.00%[48] * `mom_1y_1m`: 0.94%[48] * `top_ten_io_to_float_a_share`: 0.92%[48] * **分指数表现（上周多头超额）**： * `tot_rd_ttm_to_sales`因子在沪深300中超额36.52%，在中证500中超额29.00%，在中证800中超额37.34%，在中证1000中超额39.13%[50] * `tot_rd_ttm_to_assets`因子在沪深300中超额37.87%，在中证500中超额25.27%，在中证800中超额37.86%，在中证1000中超额36.26%[50] * 整体看，小市值指数（如中证1000）下部分因子表现更好[49]

量化因子与构建方式 1 因子名称：估值因子[10]；因子构建思路：基于公司估值水平构建的因子，衡量股票价格相对于其基本面价值的偏离程度[10]；因子具体构建过程：包含多个细分因子，包括估值-EP（市盈率倒数）、估值-BP（市净率倒数）、估值-SP（市销率倒数）和股息率因子[11][12][13][14] 2 因子名称：成长因子[10]；因子构建思路：基于公司成长性指标构建的因子，衡量公司业务和盈利的增长能力[10]；因子具体构建过程：包含多个细分因子，包括营业收入增长率、净利润增长率和ROE增长率[11][12][13][14] 3 因子名称：盈利因子[10]；因子构建思路：基于公司盈利能力指标构建的因子，衡量公司创造利润的效率[10]；因子具体构建过程：包含多个细分因子，包括ROE（净资产收益率）、ROA（总资产收益率）、毛利率和净利率[11][12][13][14] 4 因子名称：小市值因子[10]；因子构建思路：基于公司市值规模构建的因子，衡量小市值股票的溢价效应[10]；因子具体构建过程：直接使用公司市值作为因子指标[11][12][13][14] 5 因子名称：反转因子[10]；因子构建思路：基于股票价格反转效应构建的因子，衡量过去表现差的股票未来可能出现的反弹[10]；因子具体构建过程：包含多个细分因子，包括1个月反转、3个月反转、衰减换手率加权3个月反转和衰减换手率加权6个月反转[11][12][13][14] 6 因子名称：波动率因子[10]；因子构建思路：基于股票价格波动性构建的因子，衡量股票风险水平[10]；因子具体构建过程：包含多个细分因子，包括1个月波动率、3个月波动率、FF三因子残差1个月波动率和FF三因子残差3个月波动率[11][12][13][14] 7 因子名称：换手率因子[10]；因子构建思路：基于股票交易活跃度构建的因子，衡量市场关注度和流动性[10]；因子具体构建过程：包含多个细分因子，包括1个月日均换手率、3个月日均换手率和近1个月/近2年的日均换手率[11][12][13][14] 8 因子名称：超预期因子[10]；因子构建思路：基于公司业绩超预期程度构建的因子，衡量市场预期与实际业绩的差异[10]；因子具体构建过程：包含多个细分因子，包括SUR（收入超预期）和SUE（盈利超预期）[11][12][13][14] 9 因子名称：预期估值因子[10]；因子构建思路：基于分析师一致预期构建的估值因子，衡量未来预期估值水平[10]；因子具体构建过程：包含多个细分因子，包括预期EP_FY1（预期市盈率倒数）、预期PEG倒数_FY1和预期BP_FY1（预期市净率倒数）[11][12][13][14] 10 因子名称：预期净利润复合增速FY1[10]；因子构建思路：基于分析师一致预期构建的成长因子，衡量未来预期盈利增长能力[10]；因子具体构建过程：使用分析师预测的未来一年净利润复合增长率作为因子指标[11][12][13][14] 因子的回测效果 1 估值因子，本月以来Rank IC均值：沪深300为-11.02%[11]，中证500为6.54%[12]，中证1000为3.07%[13]，全A股为6.04%[14]；近一季度Rank IC均值：沪深300为-3.96%[11]，中证500为0.40%[12]，中证1000为-0.39%[13]，全A股为3.08%[14]；今年以来Rank IC均值：沪深300为-1.07%[11]，中证500为-0.51%[12]，中证1000为0.19%[13]，全A股为2.85%[14]；2015年以来Rank IC均值：沪深300为4.40%[11]，中证500为4.96%[12]，中证1000为4.88%[13]，全A股为6.24%[14] 2 成长因子，本月以来Rank IC均值：沪深300为9.19%[11]，中证500为4.10%[12]，中证1000为-0.22%[13]，全A股为-1.70%[14]；近一季度Rank IC均值：沪深300为4.73%[11]，中证500为2.79%[12]，中证1000为5.34%[13]，全A股为3.95%[14]；今年以来Rank IC均值：沪深300为6.31%[11]，中证500为3.59%[12]，中证1000为3.49%[13]，全A股为4.49%[14]；2015年以来Rank IC均值：沪深300为1.31%[11]，中证500为3.92%[12]，中证1000为3.81%[13]，全A股为2.96%[14] 3 盈利因子，本月以来Rank IC均值：沪深300为10.78%[11]，中证500为4.79%[12]，中证1000为3.27%[13]，全A股为0.25%[14]；近一季度Rank IC均值：沪深300为5.04%[11]，中证500为-1.37%[12]，中证1000为2.22%[13]，全A股为2.28%[14]；今年以来Rank IC均值：沪深300为5.45%[11]，中证500为1.99%[12]，中证1000为0.84%[13]，全A股为3.83%[14]；2015年以来Rank IC均值：沪深300为1.73%[11]，中证500为3.46%[12]，中证1000为3.55%[13]，全A股为3.13%[14] 4 小市值因子，本月以来Rank IC均值：沪深300为4.17%[11]，中证500为-6.83%[12]，中证1000为3.48%[13]，全A股为-4.98%[14]；近一季度Rank IC均值：沪深300为3.04%[11]，中证500为-8.50%[12]，中证1000为-1.55%[13]，全A股为-7.88%[14]；今年以来Rank IC均值：沪深300为1.39%[11]，中证500为3.01%[12]，中证1000为5.76%[13]，全A股为9.04%[14]；2015年以来Rank IC均值：沪深300为-1.84%[11]，中证500为1.12%[12]，中证1000为4.92%[13]，全A股为4.36%[14] 5 反转因子，本月以来Rank IC均值：沪深300为-9.98%[11]，中证500为4.28%[12]，中证1000为2.81%[13]，全A股为8.41%[14]；近一季度Rank IC均值：沪深300为-3.64%[11]，中证500为3.02%[12]，中证1000为5.33%[13]，全A股为9.00%[14]；今年以来Rank IC均值：沪深300为4.57%[11]，中证500为6.05%[12]，中证1000为7.87%[13]，全A股为9.77%[14]；2015年以来Rank IC均值：沪深300为4.06%[11]，中证500为4.97%[12]，中证1000为7.82%[13]，全A股为8.90%[14] 6 波动率因子，本月以来Rank IC均值：沪深300为-2.63%[11]，中证500为2.97%[12]，中证1000为9.77%[13]，全A股为12.12%[14]；近一季度Rank IC均值：沪深300为-4.45%[11]，中证500为1.60%[12]，中证1000为5.79%[13]，全A股为9.97%[14]；今年以来Rank IC均值：沪深300为0.36%[11]，中证500为1.84%[12]，中证1000为6.07%[13]，全A股为8.30%[14]；2015年以来Rank IC均值：沪深300为4.68%[11]，中证500为6.81%[12]，中证1000为8.22%[13]，全A股为9.22%[14] 7 换手率因子，本月以来Rank IC均值：沪深300为1.30%[11]，中证500为5.45%[12]，中证1000为16.37%[13]，全A股为16.55%[14]；近一季度Rank IC均值：沪深300为-4.42%[11]，中证500为0.99%[12]，中证1000为8.49%[13]，全A股为12.22%[14]；今年以来Rank IC均值：沪深300为-0.68%[11]，中证500为3.23%[12]，中证1000为8.04%[13]，全A股为10.33%[14]；2015年以来Rank IC均值：沪深300为3.84%[11]，中证500为6.98%[12]，中证1000为9.17%[13]，全A股为9.55%[14] 8 超预期因子，本月以来Rank IC均值：沪深300为6.11%[11]，中证500为-6.38%[12]，中证1000为-3.40%[13]，全A股为-4.17%[14]；近一季度Rank IC均值：沪深300为6.11%[11]，中证500为2.28%[12]，中证1000为2.63%[13]，全A股为1.95%[14]；今年以来Rank IC均值：沪深300为6.14%[11]，中证500为3.21%[12]，中证1000为3.25%[13]，全A股为2.94%[14]；2015年以来Rank IC均值：沪深300为2.69%[11]，中证500为2.58%[12]，中证1000为2.90%[13]，全A股为2.58%[14] 9 预期估值因子，本月以来Rank IC均值：沪深300为-12.20%[11]，中证500为1.83%[12]，中证1000为1.27%[13]，全A股为-3.28%[14]；近一季度Rank IC均值：沪深300为-3.75%[11]，中证500为-1.35%[12]，中证1000为-4.51%[13]，全A股为-2.78%[14]；今年以来Rank IC均值：沪深300为-2.62%[11]，中证500为0.16%[12]，中证1000为-1.23%[13]，全A股为-1.25%[14]；2015年以来Rank IC均值：沪深300为-0.80%[11]，中证500为0.42%[12]，中证1000为-0.28%[13]，全A股为0.42%[14] 10 预期净利润复合增速FY1因子，本月以来Rank IC均值：沪深300为4.61%[11]，中证500为-0.66%[12]，中证1000为3.40%[13]，全A股为0.97%[14]；近一季度Rank IC均值：沪深300为-2.29%[11]，中证500为1.08%[12]，中证1000为2.14%[13]，全A股为4.16%[14]；今年以来Rank IC均值：沪深300为1.09%[11]，中证500为1.38%[12]，中证1000为1.80%[13]，全A股为1.33%[14]；2015年以来Rank IC均值：沪深300为-0.27%[11]，中证500为0.58%[12]，中证1000为1.36%[13]，全A股为1.16%[14]

量化模型与构建方式 1. A股大盘择时模型 - **模型名称**：A股多维择时模型[2][9] - **模型构建思路**：从估值、情绪、资金、技术四个维度对万得全A指数进行整体方向性判断，左侧指标（估值、情绪）采用反转逻辑规避风险，右侧指标（资金、技术）采用趋势逻辑捕捉机会[9] - **模型具体构建过程**： - 选取四个维度的具体指标： - 估值维度：股权风险溢价（ERP）[9][15] - 情绪维度：期权沽购比、期权隐含波动率、期货会员持仓比[9][15] - 资金维度：融资买入额[9][15] - 技术维度：布林带、个股涨跌成交额占比差[9][15] - 各维度日频发出信号，每日信号取值为0（看平）、+1（看多）、-1（看空）[9] - 以各维度得分之和的正负性作为大盘多空观点的依据[9] 2. 红利风格择时模型 - **模型名称**：红利风格择时模型[3][17] - **模型构建思路**：结合中证红利相对中证全指的动量、10Y-1Y期限利差和银行间质押式回购成交量三者的趋势进行择时[3][17] - **模型具体构建过程**： - 选取三个维度的指标： - 中证红利相对中证全指的动量：红利风格正向指标[21] - 10Y-1Y期限利差：红利风格负向指标[21] - 银行间质押式回购成交量：红利风格正向指标[21] - 三个指标从趋势维度日频发出信号，每日信号取值为0（看平）、+1（看多）、-1（看空）[17] - 以各维度得分之和的正负性作为红利风格多空观点的依据[17] - 当模型看好红利风格时全仓持有中证红利，不看好时全仓持有中证全指[17] 3. 大小盘风格择时模型 - **模型名称**：大小盘风格择时模型[3][22] - **模型构建思路**：采用基于拥挤度分域的趋势模型进行择时，在不同拥挤度区间采用不同参数的双均线模型判断趋势[3][22][24] - **模型具体构建过程**： - 以沪深300指数和万得微盘股指数为大小盘风格代表[22] - 从动量视角和成交视角计算大小盘风格拥挤度得分[22][26]： - 动量之差：计算万得微盘股指数与沪深300指数的多窗长（10/20/30/40/50/60日）动量之差，进一步计算各窗长动量之分的3.0/3.5/4.0/4.5/5.0年分位数的均值，对6个计算窗长下分位数最高的3个结果取均值作为小盘风格的动量得分，最低的3个结果取均值作为大盘风格的动量得分[26] - 成交额之比：计算万得微盘股指数与沪深300指数的多窗长（10/20/30/40/50/60日）成交额之比，进一步计算各窗长成交额之比的3.0/3.5/4.0/4.5/5.0年分位数的均值，对6个计算窗长下分位数最高的3个结果取均值作为小盘风格的成交量得分，最低的3个结果取均值作为大盘风格的成交量得分[26] - 将小盘风格的动量得分和成交量得分取均值得到小盘风格的拥挤度得分，大于90%视为触发高拥挤；将大盘风格的动量得分和成交量得分取均值得到大盘风格的拥挤度得分，小于10%视为触发高拥挤[26] - 若最近20个交易日中曾触发过高拥挤，视为运行在高拥挤区间，否则为低拥挤区间[24] - 在高拥挤区间采用小参数双均线模型应对风格反转，在低拥挤区间采用大参数双均线模型跟踪中长期趋势[24] 4. 行业轮动模型 - **模型名称**：遗传规划行业轮动模型[4][29][32] - **模型构建思路**：采用双目标遗传规划技术直接对行业指数的量价、估值等特征进行因子挖掘，每季度末更新因子库，周频调仓[4][29][32] - **模型具体构建过程**： - 底层资产为32个中信行业指数[29] - 使用双目标遗传规划，以|IC|和NDCG@5两个指标同时评价因子的分组单调性和多头组表现[32] - 采用NSGA-II算法提升因子多样性、降低过拟合风险[33] - 结合贪心策略和方差膨胀系数，将共线性较弱的多个因子合成为行业得分[33] - 每周末选出多因子综合得分最高的五个行业进行等权配置[4][29] - 最新一期权重最大的因子基于单行业流动性中性化后的估值水平构建[36]： - 在截面上，用全体行业市净率滚动4年分位数对标准化月度成交额开展带有常数项的一元线性回归，取残差，记作变量A[37] - 在过去15个交易日中，取A最小的9个交易日，取其之和，记作变量B[37] - 在过去15个交易日中，对B开展zscore标准化；对于大于2.5的数值，进行反转即乘以-1；最后计算这15个交易日之和[37] 5. 中国境内全天候增强组合 - **模型名称**：中国境内全天候增强组合[5][38] - **模型构建思路**：采用宏观因子风险预算框架，选取增长超预期/不及预期、通胀超预期/不及预期四种宏观风险源作为平价对象，在四象限风险平价的基础上基于宏观预期动量的观点主动偏配看好象限[5][38] - **模型具体构建过程**： - 宏观象限划分与资产选择：选择增长和通胀维度，根据是否超预期划分为四象限，结合"定量+定性"的方式确定各象限适配的资产[41] - 象限组合构建与风险度量：象限内资产等权构建子组合，注重刻画象限的下行风险[41] - 风险预算模型确定象限权重：每月底根据"象限观点"调整象限风险预算，进行主动偏配[41] - "象限观点"由宏观预期动量指标给出，该指标综合考虑资产价格交易的"买方预期动量"和经济指标预期差体现的"卖方预期差动量"[41] - 模型月频调仓，9月配置观点为超配"增长超预期"象限和"通胀超预期"象限[5] 模型的回测效果 1. A股多维择时模型 - 回测区间：2010-01-05至2025-09-26[14] - 年化收益：25.23%[14] - 最大回撤：-28.46%[14] - 夏普比率：1.17[14] - Calmar比率：0.89[14] - YTD收益：40.98%[14] - 上周收益：0.15%[14] 2. 红利风格择时模型 - 回测区间：2017-01-03至2025-09-26[20] - 年化收益：16.04%[20] - 最大回撤：-25.52%[20] - 夏普比率：0.87[20] - Calmar比率：0.63[20] - YTD收益：21.75%[20] - 上周收益：0.23%[20] 3. 大小盘风格择时模型 - 回测区间：2017-01-03至2025-09-26[27] - 年化收益：26.25%[27] - 最大回撤：-30.86%[27] - 夏普比率：1.09[27] - Calmar比率：0.85[27] - YTD收益：65.89%[27] - 上周收益：1.07%[27] 4. 遗传规划行业轮动模型 - 回测区间：2022-09-30至2025-09-26[32] - 年化收益：32.60%[32] - 年化波动：17.95%[32] - 夏普比率：1.82[32] - 最大回撤：-19.63%[32] - 卡玛比率：1.66[32] - 上周表现：0.27%[32] - YTD收益：36.44%[32] 5. 中国境内全天候增强组合 - 回测区间：2013-12-31至2025-09-26[42] - 年化收益：11.53%[42] - 年化波动：6.16%[42] - 夏普比率：1.87[42] - 最大回撤：-6.30%[42] - 卡玛比率：1.83[42] - 上周表现：0.66%[42] - YTD收益：9.02%[42]

量化模型与构建方式 1 模型名称：绝对收益ETF模拟组合[4][36]；模型构建思路：通过大类资产配置和权益资产内部轮动实现绝对收益目标，主要根据资产近期趋势分配风险预算并计算基础权重，同时结合月频行业轮动模型和红利资产择时观点[4][36]；模型具体构建过程：首先对大类资产近期趋势进行量化计算，趋势较强的资产赋予较高风险预算，根据风险预算计算大类资产的基础配置权重，然后在权益资产内部采用月频行业轮动模型生成每月行业配置观点，并叠加红利资产的择时观点，最终形成组合权重[4][36] 模型的回测效果 1 绝对收益ETF模拟组合，年化收益率6.61%，年化波动率3.81%，最大回撤4.65%，夏普比率1.73，Calmar比率1.42，今年以来收益率7.47%，近一周收益率0.13%[4][36][37]

根据提供的量化周报内容，以下是报告中涉及的量化模型和因子的总结。 量化模型与构建方式 1. **模型名称：A股景气指数模型**[27] * **模型构建思路**：该模型旨在对A股市场的景气度进行高频Nowcasting（即时预测），其核心目标是预测上证指数的归母净利润同比增速[27] * **模型具体构建过程**：报告未提供该模型的具体构建过程和公式，仅说明其构建目标是Nowcasting上证指数归母净利润同比[27] 2. **模型名称：A股情绪指数模型**[30] * **模型构建思路**：该模型基于市场的波动率和成交额变化方向来刻画投资者情绪，并据此生成见底和见顶预警信号[30] * **模型具体构建过程**：模型将市场状态根据波动率和成交额的变化方向划分为四个象限。历史回测表明，只有在“波动率上行-成交额下行”的区间市场表现为显著负收益，其余三个区间均为显著正收益。基于此规律构建情绪指数，具体包括见底预警指数（基于价格/波动率）和见顶预警指数（基于成交量）[30][33] 3. **模型名称：指数增强组合模型**[44][51] * **模型构建思路**：构建能够跑赢特定基准指数（如中证500、沪深300）的投资组合[44][51] * **模型具体构建过程**：报告未详细说明具体的模型构建过程，但展示了根据策略模型生成的持仓明细[47][53] 4. **模型名称：主题挖掘算法**[44] * **模型构建思路**：通过分析新闻和研报文本，自动挖掘当前市场的热点主题投资机会[44] * **模型具体构建过程**：算法流程包括文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建、主题影响力因子构建等多个维度[44] 模型的回测效果 1. **中证500增强组合**：本周收益1.89%，跑赢基准0.91%。2020年至今，累计超额收益50.71%，最大回撤-5.73%[44] 2. **沪深300增强组合**：本周收益0.26%，跑输基准0.81%。2020年至今，累计超额收益37.70%，最大回撤-5.86%[51] 3. **A股情绪指数系统择时表现**：报告通过图表展示了该系统的历史择时表现，但未给出具体的数值指标[41] 量化因子与构建方式 1. **因子体系**：报告中提及参照BARRA因子模型，构建了十大类风格因子用于市场风格分析和组合收益归因[55] 2. **因子名称**：十大类风格因子包括市值（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）[55] 3. **因子构建思路**：这些因子用于刻画股票在不同维度的风险暴露，从而解释市场收益来源和组合表现[55][61] 4. **因子具体构建过程**：报告未提供每个因子的具体计算公式和构建细节[55] 因子的回测效果 1. **近期因子表现概览**： * **表现较好的因子**：高Beta、高成长因子近期表现优异[56] * **表现不佳的因子**：残差波动率、价值等因子近期表现不佳[56] 2. **本周因子表现**： * **风格因子**：市值因子超额收益较高，残差波动率因子呈现较为显著的负向超额收益[56] * **行业因子**：电子、电力设备、有色金属等行业因子相对市场市值加权组合获得较高超额收益；消费者服务、食品饮料、商贸零售等行业因子回撤较多[56] 3. **因子相关性**：本周流动性因子分别与Beta、动量、残差波动率因子呈现明显正相关性；价值因子分别与Beta、残差波动率、流动性等因子呈现明显负相关性[56]

量化模型与构建方式 1. 成交量模型 - 模型构建思路：基于市场成交量的变化来预测短期市场走势[10] - 模型具体构建过程：通过监测宽基指数的成交量变化，判断市场情绪和资金流向，当成交量显著放大时看多，缩量时看空，无明显变化时中性[10][12] 2. 低波动率模型 - 模型构建思路：利用市场波动率的高低来判断市场状态[10][12] - 模型具体构建过程：计算市场指数的波动率，当波动率处于低位时中性，高位时看空[12] 3. 特征龙虎榜机构模型 - 模型构建思路：通过分析龙虎榜机构资金流向预测市场走势[10][12] - 模型具体构建过程：监控龙虎榜机构资金的净流入流出情况，机构资金大幅净流入时看多[12] 4. 特征成交量模型 - 模型构建思路：基于特定特征成交量变化判断市场趋势[10][12] - 模型具体构建过程：分析特定板块或特征的成交量变化，当出现异常放量时看空[12] 5. 智能算法沪深300模型 - 模型构建思路：应用智能算法对沪深300指数进行预测[10][12] - 模型具体构建过程：采用机器学习算法分析历史价量数据，输出看空信号[12] 6. 智能算法中证500模型 - 模型构建思路：应用智能算法对中证500指数进行预测[10][12] - 模型具体构建过程：采用机器学习算法分析历史价量数据，输出看空信号[12] 7. 涨跌停模型 - 模型构建思路：通过涨跌停板数量变化判断市场情绪[10][13] - 模型具体构建过程：统计市场涨跌停股票数量比例，当比例处于正常区间时中性[13] 8. 月历效应模型 - 模型构建思路：利用历史月历效应规律预测市场走势[10][13] - 模型具体构建过程：分析历史同期月份的市场表现规律，当前无明显月历效应时中性[13] 9. 长期动量模型 - 模型构建思路：基于长期价格动量趋势判断市场方向[10][14] - 模型具体构建过程：计算长期价格动量指标，当显示向上趋势时看多[14] 10. A股综合兵器V3模型 - 模型构建思路：综合多种因子和信号的复合模型[10][15] - 模型具体构建过程：集成短期、中期、长期多个模型的信号，加权平均后输出看空信号[15] 11. A股综合国证2000模型 - 模型构建思路：专门针对国证2000指数的综合预测模型[10][15] - 模型具体构建过程：结合国证2000的特有价量特征和宏观因子，输出看空信号[15] 12. 成交额倒波幅模型 - 模型构建思路：通过成交额与波动率的关系预测港股走势[10][16] - 模型具体构建过程：计算成交额与波动率的比值，当比值显示积极信号时看多[16] 13. 形态识别模型（双底形态） - 模型构建思路：通过识别技术分析中的双底形态来选股[44][50] - 模型具体构建过程：识别价格走势中形成的W底形态，当价格突破颈线位时确认突破信号[50] 14. 形态识别模型（杯柄形态） - 模型构建思路：通过识别技术分析中的杯柄形态来选股[44][47] - 模型具体构建过程：识别价格走势中形成的杯状整理后带柄部突破的形态，当价格突破柄部高点时确认信号[47] 15. VIX指数模型 - 模型构建思路：利用波动率指数预测市场恐慌情绪[42][44] - 模型具体构建过程：计算期权隐含波动率，构建VIX指数，与大盘呈现负相关关系[42] 模型的回测效果 1. 形态识别模型表现 - 双底形态组合：本周下跌-2.12%，相对上证综指跑输-2.35%，累计上涨31.39%，跑赢上证综指19.31%[44] - 杯柄形态组合：本周下跌-0.7%，相对上证综指跑输-0.94%，累计上涨69.0%，跑赢上证综指56.92%[44] 2. 大师策略监控 - 价值型大师策略：19篇[38] - 成长型大师策略：6篇[38] - 综合型大师策略：8篇[38] 量化因子与构建方式 1. 成交量因子 - 因子构建思路：基于成交量变化捕捉资金流向[10][12] - 因子具体构建过程：计算相对成交量比率和成交量移动平均变化[12] 2. 波动率因子 - 因子构建思路：利用波动率测量市场风险程度[10][12] - 因子具体构建过程：计算历史波动率和已实现波动率[12] 3. 动量因子 - 因子构建思路：基于价格动量效应[10][14] - 因子具体构建过程：计算不同时间周期的收益率动量$$R_t = \frac{P_t}{P_{t-n}} - 1$$[14] 4. 龙虎榜资金因子 - 因子构建思路：捕捉机构资金流向[10][12] - 因子具体构建过程：统计龙虎榜机构买卖净额[12] 5. 涨跌停因子 - 因子构建思路：测量市场极端情绪[10][13] - 因子具体构建过程：计算涨跌停股票数量比例[13] 6. 月历效应因子 - 因子构建思路捕捉季节性规律[10][13] - 因子具体构建过程：分析历史同期月份收益表现[13] 7. 形态识别因子 - 因子构建思路：识别技术形态突破[44][47][50] - 因子具体构建过程：通过模式识别算法检测双底、杯柄等形态[47][50] 因子的回测效果 1. 形态识别因子表现 - 杯柄形态突破个股：上周6只个股中3只跑赢上证综指，平均超额收益-2.8%[45] - 双底形态突破个股：上周6只个股中1只跑赢上证综指，平均超额收益-2.59%[48] 2. 大师策略因子暴露 - 通过大师策略能发现收益靠前组合的因子暴露情况[38]

量化模型与构建方式 1 模型名称：扩散指数行业轮动模型[3][23][24]；模型构建思路：基于价格动量原理，通过计算行业扩散指数来捕捉行业趋势，选择扩散指数排名靠前的行业进行配置[24][36]；模型具体构建过程：首先，计算每个中信一级行业的扩散指数，该指数反映了行业内个股价格走势的强弱程度；然后，每周或每月跟踪各行业扩散指数的数值及其变化，并选择扩散指数排名前六的行业作为当期配置建议[25][28]；模型评价：该模型在趋势性行情中表现较好，能有效捕捉行业动量，但在市场风格切换至反转行情时可能面临失效风险[24][36] 2 模型名称：GRU因子行业轮动模型[3][6][31]；模型构建思路：基于分钟频量价数据，利用GRU（门控循环单元）深度学习网络生成行业因子，以把握短期交易信息并进行行业轮动[31][37]；模型具体构建过程：首先，收集各行业的分钟频量价数据；然后，将这些数据输入到GRU深度学习网络中进行训练，以生成GRU行业因子；最后，根据GRU行业因子的数值进行排序，选择因子排名靠前的行业进行配置[6][32][34]；模型评价：该模型对短周期行情有较好的自适应能力，但在长周期表现一般，且可能因极端行情而失效[31][37] 模型的回测效果 1 扩散指数行业轮动模型，2025年以来超额收益3.68%[3][23][28] 2 GRU因子行业轮动模型，2025年以来超额收益-7.53%[3][31][34] 量化因子与构建方式 1 因子名称：行业扩散指数[3][5][25]；因子的构建思路：通过量化行业内个股价格走势的强弱来构建一个综合指标，用以衡量行业的整体趋势强度[24][36]；因子具体构建过程：对于每个中信一级行业，计算其成分股中价格处于上涨趋势的股票比例或使用其他类似方法合成一个0到1之间的指数，数值越高代表行业趋势越强[25][26] 2 因子名称：GRU行业因子[3][6][32]；因子的构建思路：利用GRU深度学习模型处理高频量价数据，提取能够预测行业短期表现的因子[31][37]；因子具体构建过程：使用各行业的分钟频量价数据作为输入特征，通过训练好的GRU网络模型输出一个因子得分，该得分反映了模型对该行业未来表现的预测[32][37] 因子的回测效果 1 行业扩散指数因子，截至2025年9月26日，在通信行业的取值为0.949，在有色金属行业的取值为0.927，在银行业的取值为0.897，在电子行业的取值为0.864，在汽车行业的取值为0.859，在综合行业的取值为0.811[5][25] 2 GRU行业因子，截至2025年9月26日，在钢铁行业的取值为3.15，在房地产行业的取值为2.6，在建材行业的取值为2.08，在石油石化行业的取值为1.85，在交通运输行业的取值为0.81，在电力及公用事业的取值为0.01[6][32]