量化模型与因子总结 量化因子与构建方式 1. **因子名称：封板率因子** * **因子构建思路：** 通过计算当日最高价触及涨停且收盘价也维持在涨停的股票比例，来衡量市场追涨情绪和涨停板的可靠性[17]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票[17]。 2. 在每个交易日，识别出盘中最高价达到涨停价的股票集合。 3. 从该集合中，进一步筛选出收盘价仍为涨停价的股票。 4. 计算封板率，公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[17] 2. **因子名称：连板率因子** * **因子构建思路：** 通过计算连续两个交易日收盘涨停的股票比例，来衡量市场炒作热度的持续性[17]。 * **因子具体构建过程：** 1. 筛选上市满3个月以上的股票[17]。 2. 在每个交易日，识别出前一日（T-1日）收盘价为涨停价的股票集合。 3. 从该集合中，进一步筛选出当日（T日）收盘价也为涨停价的股票。 4. 计算连板率，公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[17] 3. **因子名称：大宗交易折价率因子** * **因子构建思路：** 通过计算大宗交易成交价相对于市价的折价幅度，来反映大资金的投资偏好和卖出意愿[27]。 * **因子具体构建过程：** 1. 获取当日所有大宗交易的成交数据，包括成交金额和成交数量[27]。 2. 计算大宗交易的总成交金额。 3. 计算大宗交易成交份额按当日收盘价计算的总市值。 4. 计算折价率，公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[27] 该值为负表示折价交易，绝对值越大折价越深。 4. **因子名称：股指期货年化贴水率因子** * **因子构建思路：** 通过计算股指期货主力合约相对于现货指数的年化基差，来反映市场对未来走势的预期和对冲成本[29]。 * **因子具体构建过程：** 1. 选定标的指数（如上证50、沪深300等）及其对应的股指期货主力合约[29]。 2. 计算基差：基差 = 股指期货价格 - 现货指数价格[29]。 3. 计算年化贴水率，公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[29] 结果为负表示期货贴水，为正表示升水。 因子的回测效果 *本报告为市场监测日报，主要展示市场指标的当日或近期状态，并未提供基于历史数据的长期回测结果，如年化收益、夏普比率、信息比率(IR)等量化因子评价指标。报告中提及的因子取值均为特定时点的观测值，具体如下：* 1. **封板率因子**，2026年01月12日取值：**76%**[17] 2. **连板率因子**，2026年01月12日取值：**46%**[17] 3. **大宗交易折价率因子**，2026年01月09日取值：**8.67%**[27]；近半年以来平均取值：**6.75%**[27] 4. **股指期货年化贴水率因子** * **上证50股指期货**，2026年01月12日取值：**0.65%**，近一年中位数：**0.70%**[29] * **沪深300股指期货**，2026年01月12日取值：**1.93%**，近一年中位数：**3.79%**[29] * **中证500股指期货**，2026年01月12日取值：**0.88%**，近一年中位数：**11.15%**[29] * **中证1000股指期货**，2026年01月12日取值：**3.17%**，近一年中位数：**13.61%**[29]

量化模型与构建方式 1. **模型名称**：流动性冲击指标[2] * **模型构建思路**：用于衡量当前市场流动性相对于过去一年平均水平的标准差倍数，以判断市场流动性状况[2]。 * **模型具体构建过程**：报告未提供该指标的具体计算公式和构建步骤，仅提及了基于沪深300指数的计算结果[2]。 2. **模型名称**：情绪择时模型[14][16][17] * **模型构建思路**：通过构建涨跌停板相关因子来刻画市场情绪强弱，并综合多个细分情绪因子信号生成择时信号[14]。 * **模型具体构建过程**：模型包含多个情绪因子，每个因子生成0或1的信号。报告列举了部分细分因子及其最新信号：净涨停占比（信号1）、跌停次日收益（信号0）、涨停板占比（信号1）、跌停板占比（信号1）、高频打板收益（信号1）[17]。模型最终综合这些信号给出总分（满分5分）和方向信号[14]。 3. **模型名称**：趋势模型[14][16] * **模型构建思路**：作为情绪择时模型的一部分，根据市场趋势给出正向或负向信号[14][16]。 * **模型具体构建过程**：报告未提供具体构建过程，仅提及了其最新信号为“正向”[14]。 4. **模型名称**：加权模型[14][16] * **模型构建思路**：作为情绪择时模型的一部分，根据加权计算给出正向或负向信号[14][16]。 * **模型具体构建过程**：报告未提供具体构建过程，仅提及了其最新信号为“正向”[14]。 5. **模型名称**：SAR指标（停损转向指标）[14][15] * **模型构建思路**：一种技术分析指标，用于判断市场趋势的转向点，提供买入和卖出信号[14][15]。 * **模型具体构建过程**：报告未提供具体计算公式，但通过图表展示了Wind全A指数与SAR指标的对比，并指出Wind全A指数于12月1日向上突破翻转指标[14][15]。 6. **模型名称**：均线强弱指数[1][7][14][19] * **模型构建思路**：通过计算Wind二级行业指数的均线情况来综合衡量整个市场的技术面强弱程度[14]。 * **模型具体构建过程**：报告未提供具体计算公式。构建过程涉及使用Wind二级行业指数进行计算，最终得到一个市场得分[14]。最新得分为261，处于2023年以来的95.22%分位点，表明市场技术面处于历史高位[14]。 7. **模型名称**：日历效应模型[1][4][7][9] * **模型构建思路**：基于历史数据统计特定时间段（如1月下半月）市场指数的表现规律，用于判断未来相同时期的市场表现[1][4][7][9]。 * **模型具体构建过程**：统计2005年以来，各大宽基指数在1月下半月的上涨概率、涨幅均值和中位数[9]。例如，上证综指、沪深300、中证500、创业板指在1月下半月的上涨概率分别为55%、45%、50%、40%，涨幅均值分别为-1.52%、-0.97%、-1.42%、-1.11%[9]。 8. **因子名称**：因子拥挤度（复合因子）[18][20][21] * **因子构建思路**：用于预警因子可能因资金过度追逐而失效的风险。通过综合多个子指标来度量因子的拥挤程度[18]。 * **因子具体构建过程**：使用四个指标度量因子拥挤程度：估值价差、配对相关性、长期收益反转、因子波动率[18]。报告未提供各子指标及综合打分的具体计算公式，但提及详细计算方法可参考专题报告《选股因子系列（四十二）——因子失效预警：因子拥挤》[18]。 9. **因子名称**：行业拥挤度[4][23][25][26] * **因子构建思路**：用于衡量特定行业是否因资金过度集中而存在回调风险[4][23]。 * **因子具体构建过程**：报告未提供具体计算公式，但提及详细计算方法可参考专题报告《行业轮动系列研究 15——行业板块拥挤度》[23]。 10. **因子名称**：行业三维矩阵[27][28][29] * **因子构建思路**：通过三个维度（拥挤度、历史估值偏离度、景气度）对行业进行可视化分析，辅助判断行业投资价值[27][28][29]。 * **因子具体构建过程**： * **横轴**：历史估值偏离度，代表行业滚动500个交易日市净率（PB）的Z值[29]。 * **纵轴**：行业拥挤度[28]。 * **气泡大小**：代表行业景气度，用行业滚动120个交易日分析师预期ROE的百分位刻画[29]。 模型的回测效果 *报告未提供量化模型的历史回测效果指标（如年化收益率、夏普比率、最大回撤等）。* 量化因子与构建方式 *（因子拥挤度、行业拥挤度、行业三维矩阵因子已在上方“量化模型与构建方式”中列出，此处不再重复）* 因子的回测效果 1. **小市值因子拥挤度**，综合打分 **0.37**[21] 2. **低估值因子拥挤度**，综合打分 **-0.57**[21] 3. **高盈利因子拥挤度**，综合打分 **0.63**[21] 4. **高增长因子拥挤度**，综合打分 **1.09**[21] 5. **行业拥挤度**（截至2026.01.09），各行业取值如下[25][26]： * 通信：2.19 * 综合：1.47 * 有色金属：1.74 * 国防军工：-0.15 * 电子：0.59 * 电力设备：1.08 * 基础化工：0.59 * 机械设备：0.14 * 非银金融：0.07 * 钢铁：0.36 * 银行：0.16 * 商贸零售：0.16 * 石油石化：-0.44 * 社会服务：-0.07 * 轻工制造：-0.16 * 计算机：-0.97 * 医药生物：-0.76 * 公用事业：-0.48 * 农林牧渔：-0.67 * 交通运输：-0.32 * 纺织服饰：-0.50 * 传媒：-1.04 * 煤炭：-0.71 * 汽车：-0.89 * 建筑材料：-0.34 * 建筑装饰：-0.89 * 美容护理：-0.68 * 食品饮料：-1.01 * 家用电器：-1.03 * 房地产：-0.90 * 环保：-1.03

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：多因子模型[2][15][18] * **模型构建思路**：通过综合多个能够预测股票收益的因子（特征）来构建投资组合，以期获得超越基准的收益[15][18]。 * **模型具体构建过程**：研报未详细描述具体的多因子模型构建过程，仅将其作为一类基金（多因子基金）的投资策略进行归类统计[15][18]。 2. **模型名称**：行业主题轮动模型[2][15][18] * **模型构建思路**：根据对宏观经济、市场情绪、行业景气度等因素的判断，动态调整在不同行业或主题上的配置权重，以捕捉不同阶段的投资机会[15][18]。 * **模型具体构建过程**：研报未详细描述具体的行业主题轮动模型构建过程，仅将其作为一类基金（行业主题轮动基金）的投资策略进行归类统计[15][18]。 3. **模型名称**：大数据驱动主动投资模型[2][15][19][20] * **模型构建思路**：利用海量、非结构化的数据（如互联网搜索数据、社交媒体舆情、电商交易数据等）作为信息源，通过机器学习、自然语言处理等技术提取有效信号，辅助投资决策[15][19][20]。 * **模型具体构建过程**：研报未详细描述具体的大数据模型构建过程，仅将其作为一类基金（大数据驱动主动投资基金）的投资策略进行归类统计[15][19][20]。 模型的回测效果 1. **多因子模型**，本周收益中位数5.54%，本月收益中位数5.54%，本季度收益中位数5.54%，本年度收益中位数5.54%[18]。 2. **行业主题轮动模型**，本周收益中位数4.48%，本月收益中位数4.48%，本季度收益中位数4.48%，本年度收益中位数4.48%[18]。 3. **大数据驱动主动投资模型**，本周收益中位数8.19%，本月收益中位数8.19%，本季度收益中位数8.19%，本年度收益中位数8.19%[19][20]。 量化因子与构建方式 * 本研报主要对采用不同量化模型或策略的基金产品进行业绩统计和分类，并未涉及具体量化因子的构建与测试[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20]。 因子的回测效果 * 本研报未涉及具体量化因子的测试结果。

量化模型与构建方式 本报告为ESG市场观察周报，主要内容为市场动态、政策梳理和舆情追踪，并未涉及具体的量化选股模型或量化因子的构建、测试与评价。报告中对市场板块的分类和资金流向分析，可视为一种分析框架，但并非用于生成超额收益的量化模型或因子。 分析框架与分类方式 1. **框架名称**：绿色转型板块资金流向分析框架[30] 2. **构建思路**：为追踪碳中和进程中的资金流向，将与绿色或转型相关的行业进行归类分析[30] 3. **具体构建过程**：主要基于各行业在碳减排链条中的功能定位进行划分，将相关行业归入以下三类[30]： * **低碳核心**：涵盖直接贡献碳减排的领域，如电力设备、环保，以及公用事业和汽车行业的部分领域[33] * **低碳支撑**：包括为产业绿色转型提供数字化、自动化和智能化支撑的领域，如计算机、通信、电子及机械设备的部分领域[33] * **转型主体**：包括能源消耗强度高、排放基数大的重点减排领域，如火电、煤炭、钢铁、有色金属、化工等[33] 4. **框架评价**：该分类仅用于资金流动与市场结构趋势分析，并非严格的环境绩效评价[30] 模型的回测效果 报告中未涉及任何量化模型的回测效果。 量化因子与构建方式 报告中未涉及任何量化因子的构建。 因子的回测效果 报告中未涉及任何量化因子的测试结果。

量化模型与构建方式 1. **模型名称**：趋势跟踪模型[2][10] **模型构建思路**：基于技术分析中“顺势而为”的普遍逻辑，通过监控市场趋势指标来判断市场整体走势对多头的有利程度[10] **模型具体构建过程**：报告未详细描述该趋势跟踪模型的具体构建过程、参数或公式，仅提及将其作为市场判断的参考依据之一[10] 2. **模型名称**：周期分析模型[11] **模型构建思路**：未明确阐述 **模型具体构建过程**：报告未详细描述该周期分析模型的具体构建过程、参数或公式，仅以“上证综指-周期分析”图表形式展示分析结果[11] 3. **模型名称**：波浪理论分析模型[12] **模型构建思路**：未明确阐述 **模型具体构建过程**：报告未详细描述该波浪理论分析模型的具体构建过程、参数或公式，仅以“上证综指-波浪理论分析”图表形式展示分析结果[12] 4. **模型名称**：历史类比走势模型[3][10] **模型构建思路**：通过将当前市场走势与历史相似阶段进行对比，来推测未来可能的走势路径[10] **模型具体构建过程**：报告未详细描述该历史类比模型的具体构建过程、匹配规则或相似度度量方法，仅以“上证综指-类比走势分析”图表形式展示类比结果[3][10] 量化因子与构建方式 1. **因子名称**：“天量”成交额因子[1][8][9] **因子构建思路**：识别市场在一段时期内出现的明确且难以超越的巨量成交，作为潜在顶部拐点的预警信号[1][9] **因子具体构建过程**：报告未给出该因子的量化定义和具体计算步骤。通常，“天量”可能通过比较当前成交额与过去特定窗口期（如N日、N月）的历史分位数（如95%分位或最大值）来判断[1][8][9] **因子评价**：该信号并非绝对可靠，历史上并非所有重要价格拐点都伴随“天量”，即天量与天价不一定同步出现[9] 2. **因子名称**：量价背离因子[1][9] **因子构建思路**：观察价格持续上涨过程中，成交量能否同步放大或至少维持，若价格创新高而成交量未能跟上，则形成“量价背离”，可能对多头走势构成压力[1][9] **因子具体构建过程**：报告未给出该因子的具体量化构建方法。通常，量价背离可以通过比较价格序列与成交量序列的趋势、动量或创新高情况来识别[1][9] 3. **因子名称**：融资余额因子[2][9] **因子构建思路**：监控市场融资余额的绝对水平及其变化，作为衡量场内杠杆资金情绪和潜在极限的指标[2][9] **因子具体构建过程**：报告未给出该因子的具体量化构建方法。本期报告未着重讨论该因子，主要原因是当前市场对其是否达到阶段性极限缺乏共识，难以确定合理的极限值作为“天量”的参照锚点[2][9] 模型的回测效果 （报告中未提供任何量化模型的回测效果指标数据，如年化收益率、夏普比率、最大回撤、信息比率(IR)等） 因子的回测效果 （报告中未提供任何量化因子的回测效果指标数据，如IC值、IR、多空收益、分组收益等）

量化模型与构建方式 1. **模型名称：微盘股/茅指数轮动模型**[2][19][25] * **模型构建思路**：通过比较微盘股与茅指数的相对价值和短期动量，判断市场风格偏向，从而在两者之间进行轮动配置[19][25]。 * **模型具体构建过程**： 1. **计算相对净值**：计算微盘股指数与茅指数的相对净值（微盘股指数净值 / 茅指数净值）[25]。 2. **计算长期均线**：计算该相对净值的243日移动平均线（年均线）[19][25]。 3. **计算短期动量**：分别计算微盘股指数和茅指数过去20日收盘价的斜率（即线性回归的斜率系数，代表价格趋势）[19][25]。 4. **生成轮动信号**： * 当微盘股/茅指数相对净值 **高于** 其243日均线时，模型倾向于投资微盘股[25]。 * 当微盘股/茅指数相对净值 **低于** 其243日均线时，模型倾向于投资茅指数[25]。 * 结合短期动量进行确认：当微盘股与茅指数的20日斜率方向相反，且其中一方为正时，选择投资斜率为正的指数[25]。 2. **模型名称：微盘股择时风控模型**[19][25] * **模型构建思路**：通过监控宏观流动性指标和市场情绪拥挤度，对微盘股板块进行中期风险控制，在风险过高时发出平仓信号[19][25]。 * **模型具体构建过程**： 1. **选取风控指标**： * **十年期国债到期收益率同比**：计算当前十年期国债收益率相对于一年前同期的变化率[19][23]。 * **波动率拥挤度同比**：计算微盘股波动率指标（具体计算未详述）相对于一年前同期的变化率[19][23]。 2. **设定风控阈值**： * 十年期国债收益率同比的阈值为 **30%**[19][25]。 * 波动率拥挤度同比的阈值为 **55%**[19][25]。 3. **生成风控信号**：当 **任一指标** 触及或超过其对应阈值时，模型发出平仓微盘股的信号[25]。 3. **模型名称：宏观择时模型**[44][45] * **模型构建思路**：基于经济增长和货币流动性等多个宏观维度的信号，综合判断中期权益资产（股票）的推荐配置仓位[44][45]。 * **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，但指出其核心是基于动态宏观事件因子，细节可参考历史报告《Beta猎手系列：基于动态宏观事件因子的股债轮动策略》[44]。模型最终输出经济增长、货币流动性等维度的信号强度，并综合给出股票仓位建议[44][45]。 模型的回测效果 1. **宏观择时模型**，2025年年初至今收益率为 **14.59%**，同期Wind全A收益率为 **26.87%**[44]。 量化因子与构建方式 1. **因子名称：一致预期因子**[49][58][60] * **因子构建思路**：使用分析师对未来盈利的一致预期数据，构建反映市场共识变化和预期的因子[58][60]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义： * **EPS_FTTM_Chg3M**：未来12个月一致预期EPS过去3个月的变化率[60]。 * **ROE_FTTM_Chg3M**：未来12个月一致预期ROE过去3个月的变化率[60]。 * **TargetReturn_180D**：一致预期目标价相对于目前股价的收益率[60]。 2. **因子名称：成长因子**[49][58][60] * **因子构建思路**：使用公司财务数据的增长率指标，筛选出成长性较高的公司[58][60]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义： * **NetIncome_SQ_Chg1Y**：单季度净利润同比增速[58]。 * **OperatingIncome_SQ_Chg1Y**：单季度营业利润同比增速[58]。 * **Revenues_SQ_Chg1Y**：单季度营业收入同比增速[60]。 3. **因子名称：质量因子**[50][58][60] * **因子构建思路**：使用盈利能力、运营效率等财务指标，筛选出基本面质量较高的公司[58][60]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义： * **ROE_FTTM**：未来12个月一致预期净利润/股东权益均值[60]。 * **OCF2CurrentDebt**：过去12个月经营现金流净额/流动负债均值[60]。 * **GrossMargin_TTM**：过去12个月毛利率[60]。 * **Revenues2Asset_TTM**：过去12个月营业收入/总资产均值[60]。 4. **因子名称：价值因子**[49][50][58] * **因子构建思路**：使用价格与账面价值、盈利、收入等指标的比率，寻找估值相对较低的股票[58]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义： * **BP_LR**：最新年报账面净资产/最新市值[58]。 * **EP_FTTM**：未来12个月一致预期净利润/最新市值[58]。 * **SP_TTM**：过去12个月营业收入/最新市值[58]。 * **EP_FY0**：当期年报一致预期净利润/最新市值[58]。 * **Sales2EV**：过去12个月营业收入/企业价值[58]。 5. **因子名称：技术因子**[49][50][60] * **因子构建思路**：基于价量数据，构建反映市场交易行为和技术形态的因子[60]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义： * **Volume_Mean_20D_240D**：20日成交量均值/240日成交量均值[60]。 * **Skewness_240D**：240日收益率偏度[60]。 * **Volume_CV_20D**：20日成交量标准差/20日成交量均值[60]。 * **Turnover_Mean_20D**：20日换手率均值[60]。 6. **因子名称：波动率因子**[49][50][60] * **因子构建思路**：使用历史收益率波动率或模型残差波动率，衡量股票的风险水平[60]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义： * **Volatility_60D**：60日收益率标准差[60]。 * **IV_CAPM**：CAPM模型残差波动率[60]。 * **IV_FF**：Fama-French三因子模型残差波动率[60]。 * **IV_Carhart**：Carhart四因子模型残差波动率[60]。 7. **因子名称：反转因子**[50][60] * **因子构建思路**：基于股票过去一段时间的收益率，认为过去表现差的股票未来可能反弹，而过去表现好的股票可能回调[60]。 * **因子具体构建过程**：报告列出了该大类因子下的细分因子定义（排序方向为↓，即认为过去涨幅越小越好）： * **Price_Chg20D**：20日收益率[60]。 * **Price_Chg40D**：40日收益率[60]。 * **Price_Chg60D**：60日收益率[60]。 * **Price_Chg120D**：120日收益率[60]。 8. **因子名称：市值因子**[50][58] * **因子构建思路**：使用公司流通市值的对数，作为反映公司规模的因子[58]。 * **因子具体构建过程**： * **LN_MktCap**：流通市值的对数[58]。 9. **因子名称：可转债正股一致预期因子**[57][58] * **因子构建思路**：从可转债对应的正股出发，使用预测正股的因子来构建可转债择券因子[57]。 * **因子具体构建过程**：报告未给出具体公式，但指出其构建逻辑是从预测正股的因子衍生而来[57]。 10. **因子名称：可转债正股成长因子**[57][58] * **因子构建思路**：从可转债对应的正股出发，使用预测正股的因子来构建可转债择券因子[57]。 * **因子具体构建过程**：报告未给出具体公式，但指出其构建逻辑是从预测正股的因子衍生而来[57]。 11. **因子名称：可转债正股财务质量因子**[58] * **因子构建思路**：从可转债对应的正股出发，使用预测正股的因子来构建可转债择券因子[57]。 * **因子具体构建过程**：报告未给出具体公式，但指出其构建逻辑是从预测正股的因子衍生而来[57]。 12. **因子名称：可转债正股价值因子**[58] * **因子构建思路**：从可转债对应的正股出发，使用预测正股的因子来构建可转债择券因子[57]。 * **因子具体构建过程**：报告未给出具体公式，但指出其构建逻辑是从预测正股的因子衍生而来[57]。 13. **因子名称：可转债估值因子**[57][58] * **因子构建思路**：直接从可转债自身的估值指标出发构建因子[57]。 * **因子具体构建过程**：选取了 **平价底价溢价率** 作为转债估值因子[57]。平价底价溢价率 = (转债价格 - 纯债价值) / 转股价值，是衡量转债估值高低的重要指标。 因子的回测效果 *（以下因子表现数据均为“上周”在“全部A股”股票池中的表现，除非特别说明）[50]* 1. **一致预期因子**，IC均值 **3.13%**，多空收益 **-0.34%**[50]。 2. **成长因子**，IC均值 **1.59%**，多空收益 **0.20%**[50]。 3. **质量因子**，IC均值 **-0.44%**，多空收益 **-0.36%**[50]。 4. **价值因子**，IC均值 **-14.02%**，多空收益 **-4.04%**[50]。 5. **技术因子**，IC均值 **-9.05%**，多空收益 **-3.62%**[50]。 6. **波动率因子**，IC均值 **-12.94%**，多空收益 **-3.99%**[50]。 7. **反转因子**，IC均值 **-3.15%**，多空收益 **-2.46%**[50]。 8. **市值因子**，IC均值 **-3.26%**，多空收益 **-0.47%**[50]。

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：指数增强基金模型[3][32] * **模型构建思路**：通过量化方法构建投资组合，旨在长期稳定地超越其业绩比较基准（如沪深300、中证500等宽基指数）[3][32]。 * **模型具体构建过程**：报告未详细描述具体的模型构建过程，但指出此类基金通常采用多因子选股、风险模型控制、优化算法等量化技术来构建组合。其核心是获取相对于基准指数的超额收益（Alpha）[3][32]。 2. **模型名称**：量化对冲型基金模型[3][32] * **模型构建思路**：通过同时构建股票多头和利用金融衍生工具（如股指期货）建立空头头寸，对冲市场系统性风险（Beta），以获取与市场涨跌无关的绝对收益[3][32]。 * **模型具体构建过程**：报告未详细描述具体的模型构建过程。此类模型通常包括：1）使用量化模型（如多因子模型）构建股票多头组合；2）利用股指期货等工具建立与多头组合市值或风险暴露相匹配的空头头寸，以对冲市场整体波动风险[3][32]。 模型的回测效果 1. **指数增强基金模型**，上周超额收益中位数 **-0.36%**[3][32]，今年以来超额收益中位数 **-0.36%**[3][32]。 2. **量化对冲型基金模型**，上周收益中位数 **-0.11%**[3][32]，今年以来收益中位数 **-0.11%**[3][32]。 量化因子与构建方式 1. **因子名称**：预计权益占比因子[35][38] * **因子构建思路**：用于估算FOF基金中权益类资产的配置权重，以分析其风险敞口和风格特征[35][38]。 * **因子具体构建过程**：根据FOF基金的业绩比较基准构成，将不同类型的基金指数权重按固定比例划归为权益资产。具体公式如下： $$预计权益占比 = 股票型基金指数权重 \times 85\% + 偏股型基金指数权重 \times 80\% + 债券型基金指数权重 \times 10\% + 开放式基金指数权重 \times 50\% + 中证工银财富股票混合基金指数权重 \times 80\% + 中证工银财富动态配置基金指数权重 \times 20\%$$ 其中，各项权重来源于基金业绩比较基准的构成[35][38]。 因子的回测效果 *（注：本报告未提供量化因子的独立测试结果，如IC、IR、多空收益等。报告中的“回测效果”部分主要展示基于相关模型运作的基金产品业绩。）*

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：指数增强模型[4] * **模型构建思路**：通过量化方法构建投资组合，旨在稳定地超越特定基准指数（如沪深300、中证500等）的收益[4]。 * **模型具体构建过程**：研报未详细描述具体的模型构建过程，但提及了此类模型通常涉及多因子选股、风险模型控制、组合优化等步骤。其核心是生成相对于基准指数的主动权重（即“增强”部分），以追求超额收益[4]。 2. **模型名称**：量化对冲模型[4] * **模型构建思路**：通过同时构建多头和空头头寸，剥离市场系统性风险（Beta），以获取与市场涨跌无关的绝对收益（Alpha）[4]。 * **模型具体构建过程**：研报未详细描述具体的模型构建过程。此类模型通常包括：1）使用量化模型（如多因子模型）构建股票多头组合；2）利用股指期货、融券等工具构建空头头寸，以对冲掉多头组合的市场风险暴露，使组合整体呈现市场中性状态[4]。 模型的回测效果 1. **指数增强模型**，上周超额收益中位数为 **-0.36%**，今年以来超额收益中位数为 **-0.36%**[3][34]。 2. **量化对冲模型**，上周收益中位数为 **-0.11%**，今年以来收益中位数为 **-0.11%**[3][34]。 量化因子与构建方式 *注：本篇研报为市场与基金产品周度回顾报告，未涉及具体量化因子的构建与测试细节[1][2][3][4]。* 因子的回测效果 *注：本篇研报未提供任何量化因子的测试结果。*

量化模型与构建方式 1. **模型名称：利率市场结构指标（水平、期限、凸性结构）**[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，用以从均值回归视角评估当前利率市场的相对位置[1][7]。 * **模型具体构建过程**：报告未提供具体的数学变换公式，但描述了构建逻辑。将1-10年期国债YTM曲线分解为三个正交的成分： 1. **水平结构**：代表整体利率水平的高低。 2. **期限结构**：代表长短期利差（期限利差）。 3. **凸性结构**：代表收益率曲线弯曲程度（凸性）。 通过计算当前各结构指标值在历史滚动窗口（如3年、5年、10年）内的分位数，来判断其处于“中性偏高”、“中性偏低”等状态[7]。 2. **模型名称：利率价量多周期择时模型**[2][6][10] * **模型构建思路**：采用核回归算法识别利率（国债YTM）历史走势的形态，刻画支撑线和阻力线，并根据长、中、短三种不同投资周期下价格对形态的突破情况，进行多周期信号复合，生成最终的择时观点（看空、看多、中性震荡）[10]。 * **模型具体构建过程**： 1. **数据输入**：分别输入5年期、10年期、30年期国债的到期收益率（YTM）时间序列数据[6][10][13][16]。 2. **趋势形态刻画**：使用核回归算法对利率历史数据进行平滑拟合，生成代表趋势的支撑线和阻力线。具体算法细节引用自报告《形态识别算法在利率择时中的应用》[10]。 3. **多周期信号生成**：在长周期（平均切换频率为月度）、中周期（双周度）、短周期（周度）三个时间维度上，分别判断当前利率是否向上突破阻力线或向下突破支撑线[10][19]。 4. **信号综合评分**：统计三个周期中“上行突破”和“下行突破”的票数。若某一方向的突破总票数达到或超过2/3（即至少2票），则生成对应的看多或看空信号；否则，信号为中性震荡[6][10][19]。 3. **模型名称：利率价量多周期交易策略**[4][22][27] * **模型构建思路**：将上述多周期择时信号转化为可交易的久期轮动策略。根据看空、看多等信号，在不同久期的债券指数基金间进行切换，以获取超额收益[22]。 * **模型具体构建过程**： 1. **投资标的**： * 短久期：综合债1-3指数（CBA00121） * 中久期：综合债3-5指数（CBA00131） * 长久期：根据择时信号来源的YTM期限，对应不同的指数（5Y对应CBA00141，10Y对应CBA00151，30Y对应CBA00161）[22]。 2. **交易规则**： * **看多信号（利率向下突破）**：当短、中、长周期中至少有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；若利率趋势向上，则配置1/2中久期+1/2长久期[22]。 * **看空信号（利率向上突破）**：当短、中、长周期中至少有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；若利率趋势向下，则配置1/2中久期+1/2短久期[27]。 * **其他情况**：三种久期等权配置[27]。 3. **业绩基准**：构建久期等权组合，即1/3短久期+1/3中久期+1/3长久期[27]。 4. **止损规则**：当单日组合超额收益小于-0.5%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的多周期交易策略**[4][23] * **长期表现（2007.12.31以来）**：年化收益率5.46%，最大回撤2.88%，收益回撤比1.9，相对业绩基准的超额年化收益率1.06%，超额收益回撤比0.61[23]。 * **短期表现（2024年底以来）**：年化收益率2.04%，最大回撤0.59%，收益回撤比3.47，相对业绩基准的超额年化收益率0.74%，超额收益回撤比2.2[4][23]。 * **胜率**：逐年绝对收益大于0的概率为100%，逐年超额收益大于0的概率为100%[23]。 2. **基于10年期国债YTM的多周期交易策略**[4][26] * **长期表现（2007.12.31以来）**：年化收益率6.03%，最大回撤2.74%，收益回撤比2.2，相对业绩基准的超额年化收益率1.63%，超额收益回撤比1.15[26]。 * **短期表现（2024年底以来）**：年化收益率2.3%，最大回撤0.58%，收益回撤比3.98，相对业绩基准的超额年化收益率1.2%，超额收益回撤比3.14[4][26]。 * **胜率**：逐年绝对收益大于0的概率为100%，逐年超额收益大于0的概率为100%[26]。 3. **基于30年期国债YTM的多周期交易策略**[4][31] * **长期表现（2007.12.31以来）**：年化收益率7.28%，最大回撤4.27%，收益回撤比1.7，相对业绩基准的超额年化收益率2.39%，超额收益回撤比0.86[31]。 * **短期表现（2024年底以来）**：年化收益率2.44%，最大回撤0.92%，收益回撤比2.66，相对业绩基准的超额年化收益率2.29%，超额收益回撤比2.59[4][31]。 * **胜率**：逐年绝对收益大于0的概率为94.44%，逐年超额收益大于0的概率为94.44%[31]。

量化模型与构建方式 根据提供的研报内容，该报告主要是一份ETF市场周度数据统计与描述性报告，并未涉及具体的量化选股模型或多因子模型的构建、测试与评价。报告内容聚焦于ETF产品的业绩表现、规模变动、估值、融资融券情况以及管理人排名等市场数据的汇总与分析[1][2][3][4][5]。 因此，报告中**没有**涉及需要总结的量化模型（如选股模型、择时模型、资产配置模型等）或量化因子（如价值因子、成长因子、动量因子等）的构建思路、具体过程、公式及评价。 模型的回测效果 报告中**没有**涉及任何量化模型的回测效果指标（如年化收益率、夏普比率、最大回撤、信息比率IR等）。 量化因子与构建方式 报告中**没有**涉及任何量化因子的构建与测试内容。 因子的回测效果 报告中**没有**涉及任何量化因子的回测效果指标（如IC值、ICIR、因子收益率、多空收益等）。