量化模型与构建方式 **注意**：经审阅，该研报为一份宏观市场分析报告，主要从流动性、估值、资本开支、地缘政治、盈利和技术分析等多个维度进行定性分析和历史数据展示。报告**并未**构建或测试任何用于选股、择时或资产配置的**量化模型**或**量化因子**。报告中的图表和数据主要用于论证市场观点，而非用于构建具有预测能力的量化策略或因子。 因此，本总结中**无**“量化模型与构建方式”及“量化因子与构建方式”的具体内容。 模型的回测效果 **无相关内容** 因子的回测效果 **无相关内容**

量化模型与构建方式 1. **模型名称**：GAN_GRU模型[4][13] * **模型构建思路**：利用生成式对抗网络（GAN）对量价时序特征进行增强处理，再利用门控循环单元（GRU）模型对处理后的时序特征进行编码，最终输出股票的未来收益预测作为选股因子[4][13]。 * **模型具体构建过程**： 1. **数据准备**：使用个股过去400个交易日的18个量价特征[14][17][19]。每5个交易日进行一次特征采样，采样形状为40天*18个特征，用以预测未来20个交易日的累计收益[18]。 2. **数据处理**：对每次采样的40天内的每个特征，在时间序列上进行去极值+标准化处理；同时，在每个截面上对所有个股的每个特征进行标准化[18]。 3. **GAN特征生成**： * **生成器 (G)**：采用LSTM模型，输入原始量价时序特征（形状为(40, 18)），输出增强后的量价时序特征（形状仍为(40, 18)）[33][37]。生成器的目标是让判别器无法区分其生成的数据与真实数据，其损失函数为： $$L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))]$$ 其中，z是随机噪声，G(z)是生成器输出的数据，D(G(z))是判别器判断G(z)为真实数据的概率[24]。 * **判别器 (D)**：采用卷积神经网络（CNN）模型，用于判断输入数据是真实量价特征还是生成器生成的假特征[33]。其损失函数为： $$L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$$ 其中，x是真实数据，D(x)是判别器判断x为真实数据的概率[27]。 * **训练过程**：交替训练生成器和判别器，使两者相互对抗、共同提升[29][30]。 4. **GRU收益预测**：将GAN生成器增强后的特征输入到一个两层GRU网络（GRU(128, 128)）中，后面再接一个多层感知机（MLP(256, 64, 64)）[22]。模型最终输出的预测收益（pRet）即为GAN_GRU选股因子[22]。 5. **模型训练**： * **训练/验证集划分**：80%的数据用于训练，20%用于验证[18]。 * **训练方式**：采用半年滚动训练，每年6月30日和12月31日各训练一次模型，用于预测未来半年的收益[18]。 * **样本筛选**：选取全市场股票，剔除ST股及上市不足半年的股票；同时剔除标签（未来收益）为空值的样本[18]。 * **超参数**：批大小（batch_size）为截面股票数量，优化器为Adam，学习率为1e-4，损失函数为IC，早停轮数为10，最大训练轮数为50[18]。 * **模型评价**：该模型结合了GAN的数据增强能力和GRU的时序建模能力，旨在挖掘更深层次的量价时序特征以预测股票收益[4][13]。 量化因子与构建方式 1. **因子名称**：GAN_GRU因子[4][13] * **因子的构建思路**：通过GAN_GRU模型输出的股票未来20个交易日的预测收益（pRet）作为选股因子[4][13][22]。在测试和应用前，因子会经过行业和市值中性化处理，并进行标准化[22]。 * **因子具体构建过程**：因子值直接来源于上述GAN_GRU模型的输出结果。具体步骤即上述模型的完整构建与预测过程[4][13][18][22]。 模型的回测效果 1. **GAN_GRU模型**（基于因子构建的多头组合，全A股范围，月频调仓，测试期：2019年2月至2026年4月）[41][42] * 年化收益率：36.26%[42] * 年化波动率：23.24%[42] * 信息比率（IR）：1.56[42] * 最大回撤率：27.29%[42] * 年化超额收益率：21.62%[4][42] 2. **GAN_GRU模型**（因子IC表现，全A股范围，月频调仓，测试期：2019年2月至2026年4月）[41][42] * IC均值：0.1078[4][41][42] * ICIR（未年化）：0.88[42] * 换手率：0.82X[42] * 最新一期IC（2026年4月）：-0.0531[4][41][42] * 近一年IC均值：0.0480[4][41][42] 因子的回测效果 1. **GAN_GRU因子**（行业IC表现，截至2026年4月）[42] * 当期IC排名前五的行业及IC值： * 农林牧渔：0.3139[42] * 石油石化：0.2845[42] * 煤炭：0.2646[42] * 消费者服务：0.2021[42] * 银行：0.1941[42] 2. **GAN_GRU因子**（行业IC表现，近一年）[42] * IC均值排名前五的行业及IC均值： * 传媒：0.1428[42] * 食品饮料：0.1319[42] * 商贸零售：0.1071[42] * 钢铁：0.1066[42] * （注：原文此处列举了四个行业，第五个行业名称缺失，IC均值为0.1065）[42] 3. **GAN_GRU因子**（行业多头组合表现，2026年4月当期）[2][45] * 超额收益排名前五的行业及超额收益： * 石油石化：8.84%[2][45] * 消费者服务：7.72%[2][45] * 农林牧渔：4.33%[2][45] * 建筑：4.18%[2][45] * 纺织服饰：3.86%[2][45] 4. **GAN_GRU因子**（行业多头组合表现，近一年月平均）[2][46] * 超额收益排名前五的行业及超额收益： * 消费者服务：2.08%[2][46] * 电力及公用事业：1.64%[2][46] * 房地产：1.59%[2][46] * 商贸零售：1.47%[2][46] * 建筑：1.21%[2][46]

量化模型与因子总结 量化模型与构建方式 **注：** 根据提供的研报内容，报告核心为对比评测两款AI智能体（Hermes Agent与OpenClaw）在金融投研任务中的应用表现，并未涉及传统意义上的量化投资模型（如多因子模型、风险模型）或量化因子（如价值、动量、质量等）的构建与测试。报告重点在于智能体的架构、功能及执行效率对比，而非量化策略或因子研究[1][2][3][9][18][34][52][64][66]。 模型的回测效果 **注：** 报告未提供任何量化模型的回测绩效指标（如年化收益率、夏普比率、最大回撤、信息比率IR等）[1][2][3][9][18][34][52][64][66]。 量化因子与构建方式 **注：** 报告未涉及任何量化因子的构建、定义或计算过程[1][2][3][9][18][34][52][64][66]。 因子的回测效果 **注：** 报告未提供任何量化因子的测试结果（如因子IC值、IR、多空收益、分组收益等）[1][2][3][9][18][34][52][64][66]。

量化模型与构建方式 1. **模型名称**：多资产择时模型[1][2][5][6] * **模型构建思路**：该模型用于对多种资产（包括不同期限的国债、信用债、股票指数、商品等）进行短期方向性择时判断，输出“看多”、“调整”（看空）或“震荡”观点[1][2][5][6]。 * **模型具体构建过程**：模型的核心是计算一个代表资产未来短期内上涨概率的“原始信号”（百分比）。具体构建过程在报告中未详细披露，但提到了其输出结果的处理和判断规则： 1. 模型每日输出一个“原始信号”，代表对未来短期内资产价格（如国债到期收益率、股指）上行的概率估计[7]。 2. 对“原始信号”进行平滑处理，计算其5日移动平均值（MA5）[2][5][6][7]。 3. 根据资产类型和设定的阈值，将平滑后的信号转化为具体的多空观点。对于利率债（如国债），当信号大于60%时看空，小于40%时看多，介于两者之间为震荡；对于股指，当信号大于60%时看多，小于40%时看空，介于两者之间为震荡[7]。 * **模型评价**：模型在多个资产上展现了持续的择时信号，但报告也提示了模型可能因市场环境变化、因子失效或数据质量问题而失效的风险[2][8]。 模型的回测效果 （注：报告未提供历史回测的统计指标（如年化收益率、夏普比率、最大回撤等），仅展示了截至报告日（2026-04-28）模型对各个资产的最新信号和观点。以下为各资产模型在报告日的具体输出值。） 1. **30年国债模型**，原始信号8.31%，MA5信号18.96%，模型观点为【看多】[2][5][7]。 2. **3年AAA中短票模型**，原始信号3.40%，MA5信号27.93%，模型观点为【看多】[2][5][7]。 3. **5年国债模型**，原始信号2.16%，MA5信号4.29%，模型观点为【看多】[2][5][7]。 4. **2年国债模型**，原始信号93.06%，MA5信号90.23%，模型观点为【调整】[2][5][7]。 5. **万得全A指数模型**，原始信号6.32%，MA5信号12.78%，模型观点为【看多】[2][5][7]。 6. **中证红利全收益指数模型**，原始信号39.01%，MA5信号28.38%，模型观点为【看多】[2][5][7]。 7. **恒生科技指数模型**，原始信号1.45%，MA5信号19.23%，模型观点为【看多】[2][5][7]。 8. **科创50指数模型**，原始信号3.02%，MA5信号3.23%，模型观点为【看多】[2][5][7]。 9. **万得微盘指数模型**，原始信号6.72%，MA5信号6.85%，模型观点为【看多】[2][5][7]。 10. **国证2000指数模型**，原始信号7.73%，MA5信号12.86%，模型观点为【看多】[2][6][7]。 11. **COMEX黄金模型**，原始信号75.04%，MA5信号63.58%，模型观点为【调整】[2][6][7]。 12. **IPE布油模型**，原始信号15.37%，MA5信号6.12%，模型观点为【看多】[2][6][7]。 13. **COMEX铜模型**，原始信号80.03%，MA5信号41.02%，模型观点为【震荡】[2][6][7]。 14. **焦煤模型**，原始信号27.42%，MA5信号24.53%，模型观点为【看多】[2][6][7]。

量化模型与构建方式 1. **模型/因子名称**：连阴连阳天数 **模型/因子构建思路**：通过计算指数K线连续为阴线或阳线的天数，来跟踪市场的短期趋势和动量特征[12] **模型/因子具体构建过程**：从指定起始日开始计数，连续出现阳线则天数计为正数，连续出现阴线则天数计为负数，数值的绝对值代表连续的天数[12] 2. **模型/因子名称**：指数与均线比较 **模型/因子构建思路**：通过计算指数收盘价相对于不同周期移动平均线（MA）的位置，来判断指数的短期、中期和长期趋势状态[15] **模型/因子具体构建过程**：计算指数收盘价相对于MA5、MA10、MA20、MA60、MA120、MA250的偏离百分比，公式为： $$ vsMA = (收盘价 / MA - 1) * 100\% $$ 其中，MA代表不同周期的移动平均价[16] 3. **模型/因子名称**：指数与历史极值比较 **模型/因子构建思路**：通过计算指数当前价格相对于近250个交易日最高价和最低价的回撤或上涨幅度，来衡量指数所处的历史价格区间[15] **模型/因子具体构建过程**：计算指数收盘价相对于近250日高位和低位的偏离百分比，公式为： $$ vs近250日高位 = (收盘价 / 近250日最高价 - 1) * 100\% $$ $$ vs近250日低位 = (收盘价 / 近250日最低价 - 1) * 100\% $$ [16] 4. **模型/因子名称**：资金占比 **模型/因子构建思路**：通过计算单一宽基指数成交金额占全市场（以中证全指代表）成交金额的比例，来观察资金在不同风格板块间的流动和聚集情况[18] **模型/因子具体构建过程**：对于每个宽基指数，计算其当日总成交金额，然后除以中证全指当日的总成交金额[19] 5. **模型/因子名称**：指数换手率 **模型/因子构建思路**：通过计算基于流通股本加权的成分股换手率，来衡量指数整体的交易活跃度[18] **模型/因子具体构建过程**：计算公式为： $$ 指数换手率 = \frac{\sum (成分股流通股本 * 成分股换手率)}{\sum (成分股流通股本)} $$ [19] 6. **模型/因子名称**：日收益率分布形态（峰度与偏度） **模型/因子构建思路**：通过计算指数日收益率分布的峰度和偏度统计量，并与历史时期对比，来刻画收益率分布的集中程度和尾部特征变化[24][26] **模型/因子具体构建过程**：计算指数日收益率序列的峰度（Kurtosis）和偏度（Skewness）。报告中峰度计算减去了3（正态分布峰度值），因此“超额峰度”为负表示分布比正态更平坦[26]。通过比较“当前值”与“近5年”历史均值的差异，来分析分布形态的变动[26] 7. **模型/因子名称**：风险溢价 **模型/因子构建思路**：以十年期国债即期收益率作为无风险利率基准，计算股票指数收益率与其之差，用以衡量股票市场相对于债券市场的超额回报或投资价值[29] **模型/因子具体构建过程**：计算公式为： $$ 风险溢价 = 指数收益率 - 十年期国债即期收益率 $$ 报告中具体展示了当前风险溢价、其在近1年和近5年历史中的分位值、历史均值及波动率，并通过与均值加减1倍、2倍标准差的比较来判断当前水平的极端程度[32] 8. **模型/因子名称**：PE-TTM（滚动市盈率）分位值 **模型/因子构建思路**：计算指数当前市盈率在历史（近1年、近5年、全部历史）中的百分位位置，作为估值高低和投资价值的参考[36][38] **模型/因子具体构建过程**：首先获取指数每日的PE-TTM时间序列，对于当前时点，计算其PE-TTM数值在指定历史窗口期（如近1年、近5年）内的排名百分位[41][42] 9. **模型/因子名称**：股债性价比 **模型/因子构建思路**：以市盈率倒数（E/P，代表股票盈利收益率）与十年期国债收益率的差值作为指标，直接比较股票和债券资产的相对吸引力[42][45] **模型/因子具体构建过程**：计算公式为： $$ 股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率 $$ 通过观察该值在历史中的分位（如80%分位为机会值，20%分位为危险值）来判断资产配置价值[45] 10. **模型/因子名称**：股息率 **模型/因子构建思路**：跟踪指数成分股的现金分红回报率，高股息率在市场波动或利率下行期可能具有防御性和吸引力[47] **模型/因子具体构建过程**：计算指数整体的股息率，并分析其在近1年、近5年及全部历史中的分位值、均值及波动区间，方法类似于PE-TTM分位值分析[50] 11. **模型/因子名称**：破净率 **模型/因子构建思路**：统计指数中市净率（PB）小于1的个股数量占比，用以衡量市场整体的估值悲观程度或低估普遍性[52] **模型/因子具体构建过程**：对于每个指数，遍历其成分股，计算市净率（股价/每股净资产），统计PB < 1的个股数量，再除以指数总成分股数量，得到破净率[52][54] 模型/因子的回测效果 **注**：本报告主要为对宽基指数各类指标在特定时点（2026年4月28日）的截面状态描述和历史对比分析，未提供基于历史回测的量化策略绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。报告中的“测试结果”主要表现为各指标在报告日的具体数值、历史分位值及与统计区间的比较。 1. **连阴连阳天数模型/因子**：报告日，上证50为5周连阳[12]；创业板指日K连阴天数为4天[12] 2. **指数与均线比较模型/因子**：报告日，各指数vsMA250均为正，位于年线上方；创业板指vsMA60为7.1%，偏离最大；上证50 vsMA60为-0.4%，位于60日线下方[16] 3. **指数与历史极值比较模型/因子**：报告日，创业板指vs近250日低位为88.4%，距离历史低点涨幅最大；上证50 vs近250日高位为-6.6%，中证500为-5.3%，回撤超过5%[16] 4. **资金占比模型/因子**：报告日，沪深300交易金额占比最高，为25.43%；其次为中证1000（22.12%）和中证2000（22.04%）[18] 5. **指数换手率模型/因子**：报告日，中证2000换手率最高，为3.94；上证50换手率最低，为0.29[18] 6. **日收益率分布形态模型/因子**：当前峰度vs近5年均值：创业板指负偏离最大（-5.45），上证50负偏离最小（-2.81）[26]。当前偏度vs近5年均值：创业板指负偏态最大（-1.63），上证50负偏态最小（-0.95）[26] 7. **风险溢价模型/因子**：报告日当前值：上证50为0.38%，创业板指为-1.43%[32]。近5年分位值：上证50较高（69.52%），中证1000较低（13.33%）[30][32]。近1年波动率：创业板指最大（1.69%），上证50最小（0.78%）[32] 8. **PE-TTM分位值模型/因子**：报告日当前值：中证2000最高（166.34），上证50最低（11.59）[42]。近5年分位值：中证1000最高（100.0%），中证全指次之（99.67%）；创业板指较低（70.41%）[41][42] 9. **股债性价比模型/因子**：报告日，没有指数高于其近5年80%分位（机会值）；中证500、中证全指和沪深300低于其近5年20%分位（危险值）[45] 10. **股息率模型/因子**：报告日当前值：上证50最高（3.17%），中证2000最低（0.69%）[50]。近5年分位值：创业板指较高（61.74%），中证2000较低（1.24%）[49][50] 11. **破净率模型/因子**：报告日，上证50破净率最高（26.0%），中证2000最低（3.6%）[54]

量化模型与构建方式 1. **模型/因子名称**：港股通医疗主题指数（中证港股通医疗主题指数）[2][55] * **模型/因子构建思路**：从港股通范围内，选取业务涉及医疗主题的上市公司证券构建指数，以反映港股通内医疗领域上市公司的整体表现[55]。 * **模型/因子具体构建过程**： * **样本空间**：中证港股通综合指数样本[57]。 * **可投资性筛选**：对样本空间内证券，计算每月的日换手率中位数作为月换手率，剔除过去12个月或过去3个月平均月换手率不足0.1%的证券，除非该证券过去一年日均成交金额大于5000万港元[57]。 * **选样方法**： 1. 对于样本空间内符合可投资性筛选条件的证券，选取业务涉及医疗器械、医疗商业与服务、制药与生物科技服务、生物药品及制药等医疗主题的上市公司证券作为待选样本[57]。 2. 在上述待选样本中，优先选取业务涉及医疗器械、医疗商业与服务、制药与生物科技服务等上市公司证券作为指数样本，再按照过去一年日均总市值由高到低依次纳入剩余证券，使得样本数量达到50只[57]。 * **加权方式**：采用调整市值加权，并设置权重限制[57]。 * 使医疗器械、医疗商业与服务、制药与生物科技服务等证券的单个样本权重不超过15%[57]。 * 其余单个样本权重不超过2%且权重合计不超过20%[57]。 * 指数前五大样本合计权重不超过60%[57]。 * **定期调整**：指数样本每半年调整一次，样本调整实施时间分别为每年6月和12月的第二个星期五的下一交易日[57]。 * **模型/因子评价**：该指数聚焦港股医疗产业核心赛道，覆盖医疗器械、医疗服务、生物制药及CXO等方向，成分股创新性突出，对CXO相关领域配置集中[2][62][66]。 2. **模型/因子名称**：永赢中证港股通医疗主题ETF跟踪模型[4][82] * **模型/因子构建思路**：采用完全复制法进行投资，紧密跟踪标的指数（港股通医疗主题指数），追求跟踪偏离度和跟踪误差最小化[4][82]。 * **模型/因子具体构建过程**： * **投资策略**：主要采用完全复制策略，即按照标的指数的成分股构成及其权重构建投资组合，并根据标的指数成分股及其权重的变动进行相应调整[4][87]。 * **投资目标**：力争将年化跟踪误差控制在4%以内，日均跟踪偏离度的绝对值控制在0.35%以内[85]。 * **模型/因子评价**：该基金是跟踪港股通医疗主题指数的被动指数型产品，采用完全复制策略，追求较低跟踪误差与偏离度[4][82]。 模型的回测效果 1. **港股通医疗主题指数**： * **市盈率**：47.93倍（截至2026年4月24日）[2][68] * **市盈率历史分位点**：65.75%（发布以来，截至2026年4月24日）[2][68] * **成分股平均市值**：578.84亿元（截至2026年4月24日）[2][56] * **前十大成分股权重**：64.89%（截至2026年4月24日）[2][62] * **CXO（制药与生物科技服务Ⅲ）行业权重**：42.71%（截至2026年4月24日）[2][63][66] * **业绩弹性**：相对沪深300、中证500和中证1000等宽基指数以及A股医疗相关指数（如中证医疗指数）具有更高收益弹性，尤其在医药创新主线行情中表现突出[3][74][76]。例如，2025年相对中证医疗指数的超额收益达到44.99%[76]。 * **流动性**：2026年1月、2月、3月的日均成交额分别达到158.84亿元、99.41亿元和113.99亿元，流动性较为充裕[77]。 2. **永赢中证港股通医疗主题ETF（159366.SZ）**： * **年化跟踪误差**：1.52%（上市以来）[4][87] * **滚动20日日均跟踪偏离度**：控制在0.16%以内[4][87] * **基金规模**：4.03亿元（截至2026年一季度）[92]

量化模型与构建方式 1. **模型名称**：封板率与连板率计算模型[16] * **模型构建思路**：通过计算涨停股票的封板成功率（封板率）和连续涨停的概率（连板率），来量化市场短线炒作情绪和赚钱效应[16]。 * **模型具体构建过程**： 1. **数据筛选**：选取上市满3个月以上的股票作为样本[16]。 2. **封板率计算**：统计当日最高价曾达到涨停价的股票中，收盘价仍为涨停的股票数量，以此计算封板率[16]。公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数} \times 100\%$$ 3. **连板率计算**：统计前一日收盘涨停的股票中，当日收盘也涨停的股票数量，以此计算连板率[16]。公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数} \times 100\%$$ 2. **模型名称**：大宗交易折价率模型[25] * **模型构建思路**：通过计算大宗交易成交价相对于市场价格的折价幅度，来反映大资金的投资偏好和市场情绪[25]。 * **模型具体构建过程**： 1. **数据获取**：获取每日大宗交易的总成交金额和对应成交份额的当日总市值[25]。 2. **折价率计算**：计算大宗交易总成交金额与当日成交份额总市值的比值，再减去1，得到折价率[25]。公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ 该值为负表示折价交易，绝对值越大表示折价幅度越大。 3. **模型名称**：股指期货年化贴水率模型[27] * **模型构建思路**：通过计算股指期货主力合约价格相对于现货指数价格的年化基差（贴水率），来反映市场对未来走势的预期和对冲成本[27]。 * **模型具体构建过程**： 1. **基差计算**：计算股指期货主力合约价格与对应现货指数价格的差值[27]。 2. **年化贴水率计算**：将基差除以现货指数价格，再乘以年化因子（250天除以合约剩余交易日数），得到年化贴水率[27]。公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 该值为正表示期货升水，为负表示期货贴水。 模型的回测效果 （注：本报告为市场监测日报，未提供模型的历史回测绩效指标，如年化收益率、夏普比率、最大回撤等。因此本部分无相关内容。） 量化因子与构建方式 （注：本报告主要描述市场状态和情绪指标的计算方法，未涉及用于选股或预测收益的传统量化因子（如价值、动量、质量等因子）的构建。因此本部分无相关内容。） 因子的回测效果 （注：本报告未涉及传统量化因子的测试，因此本部分无相关内容。）

量化模型与构建方式 1. **模型名称：景顺长城“电新全能工具箱”自适应动态配置框架**[2][6] * **模型构建思路**：构建一个覆盖新能源全产业链（光伏、锂电、储能、风电、电网、电力运营）的投资组合，通过主动与被动产品相结合，实现阿尔法（α）与贝塔（β）的精准协同[2][6][14]。 * **模型具体构建过程**： * **产品矩阵构建**：选取景顺长城基金旗下的五只产品构建“主动阿尔法 + 被动贝塔”矩阵[6][14]。 * **主动阿尔法来源（2只）**：景顺长城精锐成长（021431，提供全市场成长选股Alpha）和景顺长城新能源产业（011329，提供新能源产业主题深耕Alpha）[6][20]。 * **被动贝塔来源（3只ETF）**：创业板新能源ETF景顺（159187，跟踪创业板新能源全链）、电力ETF景顺（159158，跟踪全市场电力公用事业）、电池ETF景顺（159757，跟踪新能源车电池细分）[6][20]。 * **核心-卫星策略框架构建**：基于上述五只产品，构建“1核心+2卫星+1防御+1机动”的四层配置结构[57]。 * **核心仓（40%）**：创业板新能源ETF景顺（159187），提供新能源制造全产业链的综合行业贝塔[57]。 * **双卫星仓（合计40%）**：电池ETF景顺（159757，强化锂电周期高弹性）和景顺新能源产业（011329，获取主动Alpha）[58][62]。 * **防御仓（20%）**：电力ETF景顺（159158），利用公用事业板块的低波动、稳收益特征对冲下行风险[58]。 * **机动仓（0-20%）**：景顺精锐成长（021431），根据市场环境动态调整，增强策略灵活性[59]。 * **模型评价**：该框架实现了新能源赛道全覆盖，通过差异化赛道工具的科学组合，构建兼具高弹性与抗波动性的新能源核心组合，旨在实现攻守兼备、牛熊周期自适应的动态配置目标[51]。 2. **模型名称：三种风险偏好配置方案**[63] * **模型构建思路**：在“电新全能工具箱”产品矩阵基础上，针对不同风险承受能力的投资者，预设进取型、均衡型、稳健型三种静态资产配置方案[63]。 * **模型具体构建过程**：为三种风险偏好设定了固定的产品权重配置比例[67]。 * **进取型（高弹性）**：以“新能源Alpha最大化”为核心，承受高波动以换取高收益弹性。配置为：景顺精锐成长15%，景顺新能源产业25%，创业板新能源ETF景顺35%，电力ETF景顺10%，电池ETF景顺15%[64][67]。 * **均衡型（攻守兼备）**：采用主被动均衡配置思路，追求收益与风险平衡。配置为：景顺精锐成长5%，景顺新能源产业20%，创业板新能源ETF景顺30%，电力ETF景顺25%，电池ETF景顺20%[65][67]。 * **稳健型（低波动优先）**：以“用部分弹性换取组合稳定性”为核心逻辑，公用事业板块占比高。配置为：景顺精锐成长0%，景顺新能源产业10%，创业板新能源ETF景顺20%，电力ETF景顺50%，电池ETF景顺20%[66][67]。 3. **模型名称：动态调仓逻辑（含三套预案）**[69][71][74][76] * **模型构建思路**：为“电新全能工具箱”组合设置基于量化规则或事件触发的动态调仓机制，以控制风格漂移、锁定收益并强化纪律性操作[69][76]。 * **模型具体构建过程**： * **预案一：基于估值分位变化的调仓**[69][70] * 以电新板块历史10年估值分位为锚，在不同分位区间执行不同的配置操作[69]。 * **具体规则**： * **<20%分位（极度低估）**：大幅加仓成长端，增配电池ETF景顺和景顺新能源产业，降低电力ETF景顺仓位[69][71]。 * **20%-40%分位（低估区间）**：执行均衡型配置方案，并主动低处加仓[69][71]。 * **40%-60%分位（合理区间）**：维持均衡方案，仅进行定期再平衡[70][71]。 * **60%-80%分位（略高）**：逐步切换至稳健型配置，增配电力ETF景顺[70][71]。 * **>80%分位（高估区间）**：减仓景顺精锐成长、电池ETF景顺等高弹性品种，提高现金或防御仓位[70][71]。 * **预案二：基于政策催化触发的调仓**[71][74] * 以关键政策信号为触发条件，快速调整仓位以把握细分赛道机会[71]。 * **具体规则**： * **储能政策超预期**：加仓电池ETF景顺和景顺新能源产业[74][75]。 * **AI数据中心电力需求加速扩张**：加仓电力ETF景顺，关注电网设备[74][75]。 * **光伏产能出清、价格底部反转**：加仓景顺新能源产业和创业板新能源ETF景顺[74][75]。 * **新能源汽车销量超预期/渗透率突破**：加仓电池ETF景顺[74][75]。 * **电力改革深化**：加仓电力ETF景顺[74][75]。 * **预案三：周期再平衡规则**[76][77][79] * 设定常规再平衡周期（月度或季度）及明确的触发条件，以维持组合预设的风险收益特征[76]。 * **触发条件**： * 任意单只产品偏离目标权重超过±10%时，执行强制再平衡[76]。 * 新能源板块季度涨幅超过30%时，主动将高弹性仓位减持至目标下限[76]。 * **具体情景应对**： * 电池ETF景顺仓位>30%：卖出至20%，溢出资金补入电力ETF景顺[77][80]。 * 电力ETF景顺仓位<15%：买入补至25%，资金来源优先卖出涨幅最大的产品[77][80]。 * 景顺精锐成长大幅上涨：可适当加仓至10-15%，替换部分景顺新能源产业仓位[79][80]。 * 新能源板块系统性下跌>20%：暂停卖出，待估值分位回落至40%以下后再低处加仓[79][80]。 模型的回测效果 *注：报告未提供具体的量化回测指标（如年化收益率、夏普比率、最大回撤等）数值。报告中的效果分析主要为定性描述和情景分析[53][54]。* 量化因子与构建方式 *注：本报告主要讨论资产配置模型和投资组合构建，未涉及传统的股票量化因子（如价值、动量、质量等）的构建与分析。* 因子的回测效果 *注：本报告未涉及传统量化因子的测试，因此无相关指标取值。*

量化模型与构建方式 1. **模型/因子名称：恒生科技指数编制模型** **构建思路：** 构建一个能够代表在香港上市、与科技主题高度相关且具备创新能力的中国龙头企业的指数[8]。 **具体构建过程：** 1. **样本空间：** 在香港交易所主板上市的股票，不包括第二上市的外国公司和根据上市规则第21章上市的投资公司[9]。 2. **主题筛选：** 要求公司业务与以下至少一项科技主题高度相关：网络（包括移动通讯）、金融科技、云端、电子商贸、数码、智能化[9]。 3. **创新筛选：** 要求公司符合以下至少一项创新要求： * 利用科技平台（如网络或移动平台）运营[9]。 * 研究发展开支占收入比例 ≥ 5%[9]。 * 年度收入同比增长 ≥ 10%[9]。 4. **成分股选择：** 从满足上述条件的股票中，选取市值排名最高的30只证券作为成分股，成分股数量固定为30只[9]。 5. **快速纳入机制：** 若新股在首个交易日的收市市值排名进入现有指数成分股的前10名，则该新股将被纳入指数，通常在该公司上市后的第10个交易日收市后实施[9]。 6. **加权方法：** 采用流通市值加权法，并对个股权重设置上限：非外国公司成分股上限为8%，外国公司成分股上限为4%，所有外国公司成分股合计权重上限为10%[9]。 模型的回测效果 *本报告未提供关于恒生科技指数编制模型本身的量化回测效果指标（如年化收益率、夏普比率、最大回撤等）。* 量化因子与构建方式 *本报告未涉及除指数编制规则外的独立量化因子（如价值因子、动量因子等）的构建。* 因子的回测效果 *本报告未提供独立量化因子的回测效果指标。*

量化模型与因子总结 量化模型与构建方式 1. **模型名称：微盘股轮动与择时模型**[2][18][26] * **模型构建思路**：构建一个结合大小盘轮动和中期择时的综合策略，以捕捉微盘股相对于大盘（茅指数）的风格切换机会，并在风险过高时进行平仓控制[2][18][26]。 * **模型具体构建过程**： 1. **轮动子策略**：包含两个信号源。 * **信号一（相对净值）**：计算微盘股指数与茅指数的相对净值。当该相对净值高于其243日移动平均线时，倾向于投资微盘股；反之则投资茅指数[18][26]。 * **信号二（动量斜率）**：分别计算微盘股指数和茅指数的20日收盘价斜率。当两者方向相反且一方为正时，选择投资斜率为正的指数[26]。 * **综合轮动信号**：结合上述两个子策略信号，决定最终配置方向[2]。 2. **择时风控子策略**：基于两个宏观风险指标。 * **指标一**：十年期国债到期收益率同比。当该值触及30%（0.3）的阈值时，发出平仓信号[18][26]。 * **指标二**：微盘股波动率拥挤度同比。当该值触及55%（0.55）的阈值时，发出平仓信号[18][26]。 * **择时信号**：任一指标触及阈值，则对微盘股持仓发出平仓信号[26]。 * **模型评价**：该模型旨在通过多维度信号进行风格轮动，并引入宏观风险指标进行中期风险控制[2][18]。 2. **模型名称：宏观择时模型**[45][46] * **模型构建思路**：基于经济增长和货币流动性等宏观维度构建信号，动态调整权益资产（股票）的配置仓位[45]。 * **模型具体构建过程**：模型从经济增长和货币流动性两个观察维度生成信号，并综合得出最终的权益仓位建议。具体因子构建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》[45]。 模型的回测效果 1. **微盘股轮动与择时模型**：截至2026年4月24日，轮动模型处于均衡配置状态[2][18]。微盘股对茅指数的相对净值为2.47，高于其243日均线（2.08）[2][18]。波动率拥挤度同比为1.00%，十年期国债到期收益率同比为5.78%，均未触及风控阈值[18]。 2. **宏观择时模型**：模型给出的2026年4月份权益推荐仓位为25%，配置观点为“中性偏低”[45][46]。其中，经济增长层面信号强度为50%，货币流动性层面信号强度为0%[46]。该策略2026年年初至今收益率为2.44%，同期Wind全A收益率为-1.15%[45]。 量化因子与构建方式 1. **因子名称：一致预期因子**[52][62][64] * **因子构建思路**：基于分析师对未来盈利的一致预期数据构建，捕捉市场对上市公司未来业绩的共识变化[52][62]。 * **因子具体构建过程**：报告中列出了三个细分因子： * **EPS_FTTM_Chg3M**：未来12个月一致预期EPS过去3个月的变化率[64]。 * **ROE_FTTM_Chg3M**：未来12个月一致预期ROE过去3个月的变化率[64]。 * **TargetReturn_180D**：一致预期目标价相对于目前股价的收益率[64]。 2. **因子名称：价值因子**[52][62] * **因子构建思路**：寻找相对于其基本面价值（如净资产、盈利、收入等）被低估的股票[52][62]。 * **因子具体构建过程**：报告中列出了六个细分因子： * **BP_LR**：最新年报账面净资产除以最新市值[62]。 * **EP_FTTM**：未来12个月一致预期净利润除以最新市值[62]。 * **EP_FY0**：当期年报一致预期净利润除以最新市值[62]。 * **SP_TTM**：过去12个月营业收入除以最新市值[62]。 * **Sales2EV**：过去12个月营业收入除以企业价值[62]。 3. **因子名称：成长因子**[52][62] * **因子构建思路**：寻找营业收入、利润等财务指标增长较快的公司[52][62]。 * **因子具体构建过程**：报告中列出了三个细分因子： * **NetIncome_SQ_Chg1Y**：单季度净利润同比增速[62]。 * **OperatingIncome_SQ_Chg1Y**：单季度营业利润同比增速[62]。 * **Revenues_SQ_Chg1Y**：单季度营业收入同比增速[64]。 4. **因子名称：质量因子**[52][62][64] * **因子构建思路**：筛选盈利能力、运营效率、财务稳健性较高的公司[52][62]。 * **因子具体构建过程**：报告中列出了五个细分因子： * **ROE_FTTM**：未来12个月一致预期净利润除以股东权益均值[64]。 * **OCF2CurrentDebt**：过去12个月经营现金流净额除以流动负债均值[64]。 * **GrossMargin_TTM**：过去12个月毛利率[64]。 * **Revenues2Asset_TTM**：过去12个月营业收入除以总资产均值[64]。 5. **因子名称：技术因子**[52][62][64] * **因子构建思路**：基于价量数据，捕捉市场的交易行为特征[52][62]。 * **因子具体构建过程**：报告中列出了四个细分因子： * **Volume_Mean_20D_240D**：20日成交量均值除以240日成交量均值[64]。 * **Skewness_240D**：240日收益率偏度[64]。 * **Volume_CV_20D**：20日成交量标准差除以20日成交量均值[64]。 * **Turnover_Mean_20D**：20日换手率均值[64]。 6. **因子名称：波动率因子**[52][62][64] * **因子构建思路**：度量股票价格波动风险，通常低波动股票具有长期超额收益[52][62]。 * **因子具体构建过程**：报告中列出了五个细分因子： * **Volatility_60D**：60日收益率标准差[64]。 * **IV_CAPM**：CAPM模型残差波动率[64]。 * **IV_FF**：Fama-French三因子模型残差波动率[64]。 * **IV_Carhart**：Carhart四因子模型残差波动率[64]。 7. **因子名称：反转因子**[52][62][64] * **因子构建思路**：认为过去一段时间涨幅过大的股票未来会下跌，跌幅过大的股票未来会上涨[52][62]。 * **因子具体构建过程**：报告中列出了四个细分因子： * **Price_Chg20D**：20日收益率[64]。 * **Price_Chg40D**：40日收益率[64]。 * **Price_Chg60D**：60日收益率[64]。 * **Price_Chg120D**：120日收益率[64]。 8. **因子名称：市值因子**[52][62] * **因子构建思路**：以公司流通市值的对数作为因子，通常小市值公司长期表现更优[52][62]。 * **因子具体构建过程**： * **LN_MktCap**：流通市值的对数[62]。 9. **因子名称：可转债择券因子**[61] * **因子构建思路**：针对可转债特性构建择券因子，包括从正股映射的因子和转债特有的估值因子[61]。 * **因子具体构建过程**： * **正股映射因子**：从预测正股的因子（如一致预期、成长、财务质量、价值）来构建可转债因子[61]。 * **转债估值因子**：选取了平价底价溢价率作为估值因子[61]。 因子的回测效果 （数据截至报告上周，股票池为全部A股）[53] 1. **一致预期因子**，IC均值3.45%，多空收益1.97%[53]。 2. **价值因子**，IC均值4.61%，多空收益2.62%[53]。 3. **成长因子**，IC均值0.23%，多空收益2.16%[53]。 4. **质量因子**，IC均值1.10%，多空收益0.43%[53]。 5. **技术因子**，IC均值5.35%，多空收益4.58%[53]。 6. **波动率因子**，IC均值5.37%，多空收益4.53%[53]。 7. **反转因子**，IC均值-6.54%，多空收益-0.75%[53]。 8. **市值因子**，IC均值-9.11%，多空收益0.65%[53]。