量化模型与构建方式 1. **模型名称**：红利风格择时模型[1][3][5] * **模型构建思路**：构建一个多因子综合打分模型，用于判断对红利风格资产是否应该看多[3][5]。 * **模型具体构建过程**：模型通过综合多个宏观经济、市场情绪及估值类因子的信号，形成一个综合因子值，并根据该值的正负发出择时观点[3][5][6]。 * 首先，选取多个与红利风格表现相关的因子，包括：中国非制造业PMI（服务业）、中国M2同比、美国10年期国债收益率、红利相对净值自身、中证红利股息率与10年期中债收益率之差、融资净买入、行业平均景气度等[10]。 * 其次，对每个因子进行处理，得到标准化的因子值[10]。 * 最后，将各因子值按照模型设定的规则进行综合，得到最终的“综合因子值”[1][3][5]。综合因子值为正时，发出看多红利风格的信号；为负时，则不发出看多信号[1][5]。 量化因子与构建方式 1. **因子名称**：中国非制造业PMI（服务业）因子[10] * **因子构建思路**：使用中国非制造业PMI中的服务业指数作为反映宏观经济景气的指标之一，用于判断对红利风格的影响[10]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算过程，仅给出了标准化后的因子值[10]。 2. **因子名称**：中国M2同比因子[10] * **因子构建思路**：使用中国M2货币供应量的同比增速作为反映宏观流动性的指标，用于判断对红利风格的影响[10]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算过程，仅给出了标准化后的因子值[10]。 3. **因子名称**：美国国债收益率（10年）因子[3][6][10] * **因子构建思路**：使用美国10年期国债收益率作为反映全球无风险利率和资金成本的指标，用于判断对红利风格的影响[3][6][10]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算过程，仅给出了标准化后的因子值[10]。 4. **因子名称**：红利相对净值自身因子[3][6][10] * **因子构建思路**：使用红利风格自身的相对表现（可能指其相对于市场基准的净值走势）作为动量或趋势类指标，用于判断其未来走势[3][6][10]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算过程，仅给出了标准化后的因子值[10]。 5. **因子名称**：中证红利股息率-10年期中债收益率因子[10] * **因子构建思路**：计算中证红利指数的股息率与10年期中国国债收益率之间的利差，作为衡量红利资产相对债券吸引力的估值指标[10]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算过程，仅给出了标准化后的因子值[10]。 6. **因子名称**：融资净买入因子[10] * **因子构建思路**：使用市场的融资净买入数据作为反映市场情绪和风险偏好的指标[10]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算过程，仅给出了标准化后的因子值[10]。 7. **因子名称**：行业平均景气度因子[3][6][10] * **因子构建思路**：使用行业平均景气度数据作为反映整体经济或企业盈利状况的指标[3][6][10]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算过程，仅给出了标准化后的因子值[10]。 模型的回测效果 1. **红利风格择时模型**，截至2026年4月24日当周的综合因子值为-0.44[1][3][5]，未发出看多信号[1][5]。 因子的回测效果 1. **中国非制造业PMI（服务业）因子**，2026年4月24日因子值为0.95[10]，最新观点为“0”（报告中未明确“0”和“1”的具体含义，但结合上下文，“1”可能代表看多红利，“0”代表不看多）[10]。 2. **中国M2同比因子**，2026年4月24日因子值为0.46[10]，最新观点为“0”[10]。 3. **美国国债收益率（10年）因子**，2026年4月24日因子值为0.55[10]，最新观点为“1”[10]。 4. **红利相对净值自身因子**，2026年4月24日因子值为-2.40[10]，最新观点为“0”[10]。 5. **中证红利股息率-10年期中债收益率因子**，2026年4月24日因子值为-0.14[10]，最新观点为“0”[10]。 6. **融资净买入因子**，2026年4月24日因子值为1.72[10]，最新观点为“0”[10]。 7. **行业平均景气度因子**，2026年4月24日因子值为0.88[10]，最新观点为“0”[10]。

量化模型与构建方式 1. **模型/因子名称**：风险溢价模型[27] * **构建思路**：以十年期国债即期收益率为无风险利率的参考，计算各宽基指数相对于无风险利率的风险溢价，用以衡量其相对投资价值和偏离情况[27]。 * **具体构建过程**：风险溢价的计算方式为指数的预期收益率（通常用市盈率TTM的倒数，即盈利收益率来近似）减去十年期国债即期收益率。报告中的“当前风险溢价”即为此差值[31]。 公式为：$$风险溢价 = 盈利收益率 - 无风险利率$$ 其中，盈利收益率通常用指数PE-TTM的倒数表示，无风险利率为十年期国债即期收益率。 * **模型评价**：各跟踪指数的风险溢价有明显的均值复归现象，其中中证1000和中证2000的风险溢价波动率相对较大[28]。 2. **模型/因子名称**：股债性价比模型[40] * **构建思路**：以各指数PE-TTM的倒数（盈利收益率）和十年期国债即期收益率之差作为股债性价比指标，用于比较股票资产与债券资产的相对吸引力[40]。 * **具体构建过程**：计算指数的盈利收益率（1 / PE-TTM），然后减去十年期国债即期收益率，得到股债性价比[40]。 公式为：$$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 该指标与风险溢价模型在思路上一致。 3. **因子名称**：破净率因子[49] * **构建思路**：计算指数成分股中市净率（PB）小于1的个股数量占总成分股数量的比例，用以反映市场的整体估值态度和悲观情绪[49]。 * **具体构建过程**：对于每个宽基指数，统计其所有成分股中，满足“市净率 < 1”条件的个股数量，再除以该指数的总成分股数量，得到破净率[49]。 公式为：$$破净率 = \frac{破净个股数}{指数总成分股数} \times 100\%$$ * **因子评价**：破净率越高，表明市场低估的情况越普遍；破净率越低，可能表明市场对未来发展持乐观态度[49]。 4. **因子名称**：换手率因子[18] * **构建思路**：衡量指数整体的交易活跃程度，通过成分股的加权平均换手率来计算[18]。 * **具体构建过程**：计算指数换手率时，采用成分股的流通股本作为权重，对成分股的换手率进行加权平均[18]。 公式为：$$指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$$ 5. **因子名称**：收益分布形态因子（偏度与峰度）[24] * **构建思路**：通过计算指数日收益率序列的偏度和峰度，分析其收益分布的特征，如极端收益出现的可能性和分布集中度[22][24]。 * **具体构建过程**： * **偏度**：衡量收益率分布的不对称性。正偏态显示极端正收益情形增加的程度，负偏态则相反[22]。 * **峰度**：衡量收益率分布的尖峭或扁平程度。报告中的峰度计算减去了3（正态分布的峰度值），因此“峰度负偏离”表示分布比正态分布更平坦[24]。峰度越大（负偏离越小），说明各区间段的收益率分布更集中[22]。 模型的回测效果 *注：本报告为市场状态跟踪报告，未提供基于历史数据的策略回测结果，如年化收益率、夏普比率、最大回撤等传统回测指标。以下为报告截至2026年4月24日所展示的各模型/因子在主要宽基指数上的截面取值。* 1. **风险溢价模型**，当前风险溢价：上证50为0.58%[31]，沪深300为-0.36%[31]，中证500为-0.58%[31]，中证1000为-0.71%[31]，中证2000为-0.77%[31]，中证全指为-0.51%[31]，创业板指为-1.42%[31] 2. **风险溢价模型**，近5年分位值：上证50为77.46%[31]，沪深300为36.11%[31]，中证500为27.06%[31]，中证1000为26.83%[31]，中证2000为25.08%[31]，中证全指为28.33%[31]，创业板指为15.79%[31] 3. **股债性价比模型**，当前状态：没有指数高于其近5年80%分位（机会值），中证500和中证全指低于其近5年20%分位（危险值）[43] 4. **破净率因子**，当前值：上证50为26.0%[51]，沪深300为18.0%[51]，中证500为10.6%[51]，中证1000为8.1%[51]，中证2000为3.7%[51]，中证全指为6.36%[51] 5. **换手率因子**，当前值：中证2000为4.05[18]，创业板指为3.7[18]，中证1000为2.94[18]，中证500为1.98[18]，中证全指为1.82[18]，沪深300为0.59[18]，上证50为0.25[18] 6. **收益分布形态因子（峰度）**，当前vs近5年差值：上证50为-2.80[24]，沪深300为-3.29[24]，中证500为-4.33[24]，中证1000为-4.80[24]，中证2000为-4.80[24]，中证全指为-3.85[24]，创业板指为-5.33[24] 7. **收益分布形态因子（偏度）**，当前vs近5年差值：上证50为-0.95[24]，沪深300为-1.02[24]，中证500为-1.32[24]，中证1000为-1.46[24]，中证2000为-1.41[24]，中证全指为-1.15[24]，创业板指为-1.60[24]

量化模型与构建方式 **注意**：根据提供的研报内容，该报告主要介绍了Claude Desktop工具的使用方法及其在投研场景下的应用案例，并未涉及任何量化投资模型或量化因子的构建、测试与分析。报告内容聚焦于AI工具（Claude Cowork）的功能演示，而非金融量化模型或因子研究[1][7]。 量化因子与构建方式 **注意**：根据提供的研报内容，该报告未涉及任何量化因子的构建、测试与分析。报告的核心是展示如何配置和使用Claude Desktop的Cowork功能来处理投研文档，并未讨论股票、债券或其他金融产品的量化因子[1][7]。 总结 本研报是一篇关于AI工具（Claude Desktop）使用技巧的点评报告，其核心内容是指导用户如何配置第三方大模型API（以智谱GLM系列为例）来使用Claude Cowork功能，并通过一个“卖方研报批量阅读与观点对比”的案例展示了该工具在信息提取和整理方面的能力[19][37][38]。报告全文未包含任何量化投资模型或量化因子的构建思路、具体过程、评价或回测结果。

量化模型与构建方式 1. **模型名称：量能择时模型**[24] * **模型构建思路：** 通过观察主要宽基指数的量能指标来判断市场短期走势，给出看多或谨慎（空）的观点[12][24]。 * **模型具体构建过程：** 报告未详细说明该模型的构建过程和具体公式，仅提及其为一种量能择时信号[24]。 2. **模型名称：沪深300上涨家数占比择时模型（动量情绪指标）**[25][27][29] * **模型构建思路：** 通过计算沪深300指数成分股中过去一段时间内上涨的股票家数占比，来衡量市场情绪，并利用该指标的快慢线交叉来产生择时信号[25][27]。 * **模型具体构建过程：** 1. 计算基础指标：**沪深300指数N日上涨家数占比 = 沪深300指数成分股过去N日收益大于0的个股数占比**[25]。报告中N取值为230[27]。 2. 对基础指标进行平滑处理：计算该指标的两种移动平均线，窗口期分别为N1和N2，其中N1 > N2，分别称为慢线和快线[27][29]。报告中N1=50，N2=35[27]。 3. 生成交易信号：当快线大于慢线时，看多沪深300指数；当快线小于慢线时，对市场持中性或谨慎态度[27][29]。 * **模型评价：** 该指标可以较快地捕捉上涨机会，但由于选择在市场过热阶段提前止盈离场，也会错失市场持续亢奋阶段的上涨收益。同时，该指标在判断下跌市场时存在缺陷，难以有效规避下跌风险[25]。 3. **模型名称：均线情绪指标择时模型**[34][38] * **模型构建思路：** 通过判断沪深300指数收盘价相对于一组长期均线（八均线体系）的位置，来评估市场趋势状态并生成择时信号[34]。 * **模型具体构建过程：** 1. 计算八均线数值：计算沪深300指数收盘价的8条均线，参数分别为8, 13, 21, 34, 55, 89, 144, 233[34]。 2. 计算当日指标值：统计当日沪深300指数收盘价大于这八条均线数值的数量[38]。 3. 生成交易信号：当收盘价大于均线数值的数量超过5条时，看多沪深300指数[38]。 模型的回测效果 （报告中未提供各择时模型具体的回测绩效指标，如年化收益率、夏普比率、最大回撤等数值，仅展示了策略净值走势图[30][31][35][36]） 量化因子与构建方式 1. **因子名称：横截面波动率**[39] * **因子构建思路：** 衡量同一时间点（截面）上，某个指数（如沪深300、中证500等）内所有成分股收益率之间的离散程度，用于评估市场的Alpha获取环境[39]。 * **因子具体构建过程：** 报告未给出具体的计算公式，但通常指在特定时间点（如每日），计算指数内所有成分股收益率的截面标准差[39]。 * **因子评价：** 横截面波动率上涨，通常意味着个股表现分化加大，短期Alpha环境好转；反之则环境恶化[2][39]。 2. **因子名称：时间序列波动率**[40] * **因子构建思路：** 衡量指数成分股收益率在时间序列上的波动程度，同样用于评估Alpha环境[40]。 * **因子具体构建过程：** 报告未给出具体的计算公式，但通常指计算指数成分股收益率在时间维度上的波动率（如过去20日的年化波动率）[40]。 * **因子评价：** 时间序列波动率的变化反映了市场整体波动性的变化，影响量化策略的表现[2][40]。 3. **因子名称：抱团基金分离度**[85] * **因子构建思路：** 通过计算抱团基金组合截面收益的标准差，作为基金抱团程度的代理变量。分离度小表示基金表现趋同，抱团程度高；分离度大表示抱团正在瓦解[85]。 * **因子具体构建过程：** 1. 构造抱团基金组合（报告未详述具体构造方法）[85]。 2. 计算该组合内各基金在截面上的收益率标准差，即为分离度指标[85]。 * **因子评价：** 该指标用于实时监控基金抱团程度，分离度变化反映了市场风格和资金集中度的变化[85]。 因子的回测效果 （报告中未提供上述因子的IC、IR、多空收益等具体测试结果数值，仅提供了因子时间序列的统计描述，如近两年平均值、近一季度平均值及其历史分位数等[40][42][43][72]）

量化模型与构建方式 1. **市场择时模型** * **模型名称**：均线距离择时模型[2][6] * **模型构建思路**：通过计算市场宽基指数（Wind全A）的短期均线与长期均线的相对位置（距离差），来划分市场的整体环境（如上涨、下跌、震荡），并据此进行仓位管理[2][6]。 * **模型具体构建过程**： 1. 选择标的指数：Wind全A指数[2][6]。 2. 计算均线：计算指数的20日移动平均线（短期均线）和120日移动平均线（长期均线）[2][6]。 3. 计算距离差：计算短期均线与长期均线的距离差，通常以百分比表示。公式为： $$距离差 = \frac{(短期均线 - 长期均线)}{长期均线} \times 100\%$$ 其中，短期均线为20日均线，长期均线为120日均线[2][6]。 4. 市场状态判断：根据距离差的绝对值大小来判断市场格局。报告指出，当距离差绝对值低于3%时，市场处于典型的震荡格局[2][6]。 2. **仓位管理模型** * **模型名称**：仓位管理模型[7] * **模型构建思路**：综合市场估值水平（如PE、PB分位数）和短期趋势（如上述择时模型判断的市场格局）来判断市场风险，从而为绝对收益产品提供具体的仓位建议[7]。 * **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，仅提及了其输入变量和输出结果。模型会结合估值指标（Wind全A的PE、PB历史分位数）和短期趋势判断（如市场处于震荡格局），最终输出一个建议的股票仓位比例[7]。 3. **行业配置模型** * **模型名称**：中期行业配置模型[2][5][7] * **模型构建思路**：该模型用于生成中期的行业配置建议，其下包含更具体的子模型来识别具有投资机会的板块[2][5][7]。 * **模型具体构建过程**：报告未详细描述该复合模型的具体构建过程。 4. **业绩趋势模型 (行业配置子模型)** * **模型名称**：业绩趋势模型[2][5][7][13] * **模型构建思路**：作为中期行业配置模型的一部分，用于识别和提示业绩趋势向好的产业链或板块[2][5][7][13]。 * **模型具体构建过程**：报告未详细描述该子模型的具体构建过程和因子定义。 量化因子与构建方式 1. **估值因子 (用于仓位管理模型输入)** * **因子名称**：PE历史分位数、PB历史分位数[7] * **因子构建思路**：计算当前市场整体估值（PE、PB）在其自身历史数据中所处的位置，以衡量当前估值水平的高低[7][9][11]。 * **因子具体构建过程**： 1. 选择标的指数：Wind全A指数[7]。 2. 计算当前估值：获取指数最新的市盈率（PE）和市净率（PB）[7]。 3. 计算历史分位数：将当前估值指标值放入其历史时间序列（例如报告提及数据自2014年10月17日至2026年4月24日[9][11]）中，计算其所处的百分位点（分位数）[7][9][11]。分位数越高，表示当前估值相对自身历史水平越高[9][11]。 模型的回测效果 1. **均线距离择时模型**， 最新信号显示：Wind全A指数20日均线为6602点，120日均线为6539点，两线距离差为0.97%，市场状态判断为震荡格局[2][6]。 2. **仓位管理模型**， 最新建议：以Wind全A为配置主体的绝对收益产品建议仓位为50%[5][7]。 3. **业绩趋势模型**， 最新行业配置提示：重点关注电池/算力/有色相关的产业链（如储能电池ETF，通信ETF，工业有色ETF）和周期中的标普油气[2][5][7][13]。同时可适量配置处于底部的银行与地产板块以平衡组合[2][5][7][13]。 因子的回测效果 1. **PE历史分位数因子**， 最新取值：Wind全A指数PE位于约90分位点，属于偏高水平[7]。 2. **PB历史分位数因子**， 最新取值：Wind全A指数PB位于60分位点，属于中等水平[7]。

量化模型与构建方式 1. **模型名称：A股景气度高频指数** [34] * **模型构建思路**：以上证指数归母净利润同比为Nowcasting目标，构建一个能够高频追踪A股景气度变化的指数[34]。 * **模型具体构建过程**：报告未提供该指数的具体构建公式和计算步骤，仅提及构建详情可参考报告《视角透析：A股景气度高频指数构建与观察》[34]。 2. **模型名称：A股情绪指数系统** [40][41][44][46] * **模型构建思路**：基于市场波动率和成交额的变化方向来刻画市场情绪，并构造包含见底预警与见顶预警的情绪指数[40]。 * **模型具体构建过程**：首先，将市场状态按照波动率和成交额的变化方向划分为四个象限。研究发现，只有“波动率上行、成交额下行”的区间呈现显著负收益，其余三个象限均为显著正收益[40]。基于此规律，构建了A股情绪见底预警指数（基于价格/波动率信号）和见顶预警指数（基于成交量信号）[40][44][46]。具体信号判断逻辑为：当波动率处于上行区间时，见底信号看空；当成交额处于上行区间时，见顶信号看多[43]。 * **模型评价**：该模型为市场择时提供了基于量价情绪的信号[40]。 3. **模型名称：主题挖掘算法** [51] * **模型构建思路**：通过处理新闻和研报文本，挖掘主题投资机会[51]。 * **模型具体构建过程**：算法涉及多个维度，包括文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建以及主题影响力因子构建[51]。根据算法结果，可以推荐近期概念热度异动较高的主题，例如本次报告推荐的半导体概念[51]。 4. **模型名称：中证500增强组合模型** [51][54] * **模型构建思路**：构建一个旨在持续跑赢中证500指数的投资组合[51]。 * **模型具体构建过程**：报告未提供该组合模型的具体选股和权重配置公式，仅展示了根据该策略模型生成的当前持仓明细[54]。 5. **模型名称：沪深300增强组合模型** [59][62] * **模型构建思路**：构建一个旨在持续跑赢沪深300指数的投资组合[59]。 * **模型具体构建过程**：报告未提供该组合模型的具体选股和权重配置公式，仅展示了根据该策略模型生成的当前持仓明细[62]。 6. **模型/因子框架：BARRA风格因子模型** [63] * **构建思路**：参照BARRA因子模型框架，对A股市场构建一套风格因子体系，用于解释股票收益和进行组合绩效归因[63]。 * **具体构建过程**：报告列出了所构建的十大类风格因子名称，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）[63]。未提供每个因子的具体计算公式。 模型的回测效果 1. **中证500增强组合模型**，本周收益-0.05%，跑输基准0.46%[51]。2020年至今，累计超额收益52.78%，最大回撤-10.90%[51]。 2. **沪深300增强组合模型**，本周收益率0.57%，跑输基准0.29%[59]。2020年至今，累计超额收益47.42%，最大回撤-5.86%[59]。 3. **A股情绪指数系统择时模型**，报告通过图表展示了其历史择时表现，但未给出具体的量化指标数值[49]。 量化因子与构建方式 1. **因子名称：行业因子** [64] * **因子构建思路**：用于捕捉不同行业相对于市场的超额收益[64]。 * **因子具体构建过程**：报告未提供行业因子的具体构建方法，但在风格分析中将其与风格因子并列，用于收益归因[64]。 2. **风格因子集合** [63] * **包含因子**：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）、杠杆（LVRG）[63]。 * **因子构建思路**：全面刻画影响A股股票收益的各种风格风险来源[63]。 * **因子具体构建过程**：报告未提供每个风格因子的具体计算公式。 因子的回测效果 1. **风格因子近期表现**：本周，动量因子超额收益较高，Beta因子、残差波动率因子呈现较为显著的负向超额收益[64]。从近期表现看，高Beta、高动量股票表现优异，而残差波动率因子、价值因子（可能对应估值BTOP）表现不佳[2][64]。 2. **行业因子近期表现**：本周，煤炭、电子、化工等行业因子相对市场市值加权组合跑出较高超额收益；证券、保险、农林牧渔等行业因子回撤较多[2][64]。 3. **风格因子相关性**：近期，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（可能对应估值BTOP）分别与Beta、残差波动率、流动性等因子呈现明显负相关性[64]。

量化模型与构建方式 1. **模型名称：全天候择时模型**[2][7] * **模型构建思路**：该模型旨在对市场宽基指数进行择时，通过监测多种信号，在特定条件下发出交易型风险提示，以规避市场短期风险或捕捉交易机会。 * **模型具体构建过程**：报告未详细说明该模型的具体构建过程、信号来源或合成方法。 2. **模型名称：周期分析模型**[2][7] * **模型构建思路**：该模型用于分析市场（如上证综指）的长期运行趋势，通过识别市场所处的周期阶段（如上行末端、下行阶段）来辅助判断市场的中长期方向。 * **模型具体构建过程**：报告未详细说明该模型的具体构建过程、周期划分标准或核心指标。 3. **模型名称：行业四轮驱动模型**[2][7] * **模型构建思路**：该模型用于进行行业轮动配置，通过综合多个维度的信号，筛选出具有潜在投资机会的行业。 * **模型具体构建过程**：报告未详细说明该模型四个驱动维度的具体构成、信号生成规则以及最终的行业排序合成方法。但从图表中可知，模型会输出行业排序，并标注触发信号的类型（如赚钱效应异动、弱势行业反转、牛回头）及信号日期[13]。 4. **因子名称：行业拥挤度**[2][3][7] * **因子构建思路**：该因子用于衡量某个行业或板块的交易过热程度，当拥挤度过高时，可能预示着短期调整风险。 * **因子具体构建过程**：报告未提供行业拥挤度因子的具体计算公式和构建步骤。仅提及该指标用于监测TMT板块中的通信行业，并显示其已出现一定拥挤迹象[2][7]。 5. **因子名称：行业分化度**[2][7] * **因子构建思路**：该因子用于衡量不同行业间走势的差异性或离散程度。分化度较高可能意味着市场存在结构性机会，而分化度过低可能意味着市场普涨普跌，缺乏明确主线。 * **因子具体构建过程**：报告未提供行业分化度因子的具体计算公式和构建步骤。仅提及通过观察过去一个季度的行业分化度指标来判断市场结构[2][7]。 6. **因子名称：成交金额占比**[2][7] * **因子构建思路**：该因子通过计算某个板块（如周期板块）的成交金额占市场总成交额的比例，来观察资金的流向和板块的热度变化。占比从低位回升可能意味着资金关注度重新提升。 * **因子具体构建过程**：报告未提供成交金额占比因子的具体计算公式。仅提及周期板块的该指标已回落至相对低位并出现企稳回升迹象[2][7]。 模型的回测效果 （报告未提供各模型的具体回测绩效指标，如年化收益率、夏普比率、最大回撤、信息比率IR等。） 因子的回测效果 （报告未提供各因子的具体测试结果取值，如因子收益率、IC值、IR等。仅对拥挤度和分化度指标给出了定性观察结论。）

量化模型与构建方式 1. **模型名称**：港股通互联网与科技指数轮动策略（趋势跟随策略） * **模型构建思路**：基于动量效应，在两只主题指数（中证港股通互联网指数与恒生港股通科技指数）之间进行轮动配置，以捕捉不同市场风格下的强势指数[7][80]。 * **模型具体构建过程**： 1. **投资标的**：中证港股通互联网指数（931637.CSI）和恒生港股通科技指数（HSSCITI.HI）[80]。 2. **动量信号**：计算两个指数过去20个交易日的涨跌幅，作为动量信号[7][80]。 3. **调仓规则**： * 初始调仓：回测第1天立即根据初始信号选定持仓[82]。 * 定期调仓：之后每隔5个交易日（每周）检查一次动量信号[7][80]。 * 调仓条件：若检查日计算出的动量信号（即过去20天涨跌幅更高的指数）与当前持仓指数不同，则切换至另一指数；若相同，则不换仓[82]。 4. **回测区间**：2024-01-03 至 2026-04-22（共538个交易日）[82]。 * **模型评价**：在趋势明确的年份（如2024、2025年）能有效捕捉更强的那一只指数，但在持续震荡下行的环境中优势有限[7][86]。 模型的回测效果 1. **港股通互联网与科技指数轮动策略**，总收益率72.56%[85]，年化收益率28.20%[85]，年化波动率35.94%[85]，夏普比率0.743[85]，最大回撤-32.46%[85]，卡玛比率0.869[85]，索提诺比率1.171[85]，日胜率50.00%[85]。 2. **中证港股通互联网指数（931637.CSI）**，总收益率35.26%[85]，年化收益率14.75%[85]，年化波动率35.43%[85]，夏普比率0.374[85]，最大回撤-33.77%[85]。 3. **恒生港股通科技指数（HSSCITI.HI）**，总收益率57.45%[85]，年化收益率22.96%[85]，年化波动率35.86%[85]，夏普比率0.598[85]，最大回撤-33.00%[85]。 量化因子与构建方式 1. **因子名称**：20日动量因子 * **因子构建思路**：用于衡量指数在过去一段时间内的价格趋势，作为判断市场风格偏向“软”（互联网）还是“硬”（科技）的依据[80]。 * **因子具体构建过程**：对于任一指数（记为Index），在调仓日（t日），计算其过去20个交易日的累计收益率作为动量因子值。 $$Momentum_{Index, t} = \frac{P_{Index, t}}{P_{Index, t-20}} - 1$$ 其中，\(P_{Index, t}\) 为指数在t日的收盘价（或点位），\(P_{Index, t-20}\) 为指数在t-20日的收盘价[7][80]。比较两个指数的动量因子值，数值更高者即为当期信号指向的配置标的。 因子的回测效果 *(报告未提供该动量因子作为独立因子的测试结果，仅作为轮动策略的组成部分)*

量化模型与构建方式 1. **模型名称：戴维斯双击组合**[1][4] * **模型构建思路**：以较低市盈率买入具有成长潜力的股票，待其成长性显现、市盈率提升后卖出，获取每股收益（EPS）和市盈率（PE）双重上涨带来的乘数效应收益[1][4]。 * **模型具体构建过程**：报告未详细说明该组合的具体选股和构建步骤，仅阐述了其核心逻辑。其思路是寻找业绩增速在加速增长的标的，以控制市盈率（PE）的向下空间[4]。 2. **模型名称：净利润断层组合**[1][7] * **模型构建思路**：结合基本面（业绩超预期）与技术面（股价向上跳空）的共振进行选股。“净利润”指业绩超预期，“断层”指盈余公告后首个交易日股价出现明显的向上跳空缺口[1][7]。 * **模型具体构建过程**： 1. 筛选股票样本：每期选取过去两个月内发布业绩预告或正式财报，且业绩满足超预期事件的股票[7]。 2. 排序与构建组合：根据盈余公告日股价的跳空幅度对样本股票进行排序，选取排名前50的股票，采用等权重方式构建投资组合[7]。 3. **模型名称：沪深300增强组合**[1][10] * **模型构建思路**：基于对优秀基金的归因分析，识别并综合GARP（合理价格成长）、成长型和价值型三类投资者的偏好因子，对沪深300指数成分股进行增强配置[1][10]。 * **模型具体构建过程**：报告未详细说明三类因子的具体合成与组合加权方式，但阐述了构建各偏好因子的核心逻辑： * **GARP型因子**： * **PBROE因子**：寻找估值低且盈利能力强的股票。构建思路为计算市净率（PB）与净资产收益率（ROE）的分位数之差[10]。 * **PEG因子**：寻找价值被低估且拥有可靠成长潜力的公司。构建思路为计算市盈率（PE）与盈利增速的分位数之差[10]。 * **成长型因子**：通过营业收入、毛利润、净利润等增速指标来寻找高速成长的股票[10]。 * **价值型因子**：偏好具有长期稳定高ROE的公司[10]。 模型的回测效果 1. **戴维斯双击组合** * 基准指数：中证500指数[6] * 全样本年化收益：25.93%[6] * 全样本年化超额收益：21.60%[6] * 全样本相对最大回撤：-20.14%[6] * 全样本收益回撤比：1.07[6] * 特定区间（2010-2017年）年化收益：26.45%[6] * 特定区间（2010-2017年）年化超额收益：21.08%[6] * 今年以来（至2026-04-24）累计绝对收益：19.40%[6] * 今年以来（至2026-04-24）超额收益：8.92%[6] * 本期组合（2026-02-02至2026-04-24）超额收益：11.73%[6] 2. **净利润断层组合** * 基准指数：中证500指数[8] * 全样本年化收益：31.07%[8] * 全样本年化超额收益：27.24%[8] * 全样本相对最大回撤：-37.12%[8] * 全样本收益回撤比：0.73[8] * 今年以来（至2026-04-24）累计绝对收益：25.18%[8] * 今年以来（至2026-04-24）超额收益：14.70%[8] 3. **沪深300增强组合** * 基准指数：沪深300指数[12] * 全样本年化收益：11.11%[12] * 全样本年化超额收益：9.30%[12] * 全样本相对最大回撤：-9.18%[12] * 全样本收益回撤比：1.01[12] * 今年以来（至2026-04-24）累计绝对收益：9.45%[12] * 今年以来（至2026-04-24）超额收益：6.44%[12] 量化因子与构建方式 1. **因子名称：PBROE因子**[10] * **因子构建思路**：属于GARP型投资者偏好因子，旨在寻找估值低（PB低）并且盈利能力高（ROE高）的股票[10]。 * **因子具体构建过程**：计算股票市净率（PB）分位数与净资产收益率（ROE）分位数之差。报告未给出具体计算公式，但逻辑可表示为：因子值 = Rank(ROE) - Rank(PB)，预期因子值越高代表股票性价比越高[10]。 2. **因子名称：PEG因子**[10] * **因子构建思路**：属于GARP型投资者偏好因子，旨在寻找价值被低估（PE低）且拥有可靠成长潜力（增速高）的公司[10]。 * **因子具体构建过程**：计算股票市盈率（PE）分位数与盈利增速（G）分位数之差。报告未给出具体计算公式，但逻辑可表示为：因子值 = Rank(G) - Rank(PE)，预期因子值越高代表成长性与估值匹配度越好[10]。 3. **因子名称：成长型因子**[10] * **因子构建思路**：反映成长型投资者的偏好，关注公司的成长性[10]。 * **因子具体构建过程**：通过营业收入增速、毛利润增速、净利润增速等指标来寻找高速成长的股票。报告未说明具体合成方法[10]。 4. **因子名称：价值型因子**[10] * **因子构建思路**：反映价值型投资者的偏好，认为长期持有股票的收益率大致等于公司的ROE，因此偏好具有长期稳定高ROE的公司[10]。 * **因子具体构建过程**：核心指标是净资产收益率（ROE），侧重其长期稳定性。报告未说明具体构建方法[10]。 因子的回测效果 （报告未单独提供上述因子的测试结果，仅展示了基于这些因子构建的“沪深300增强组合”的整体表现[12]）

量化模型与构建方式 1. **模型名称：基于沪深300指数的流动性冲击指标**[3] * **模型构建思路**：通过计算当前市场流动性相对于过去一年平均水平的偏离程度，来衡量市场的流动性状况[3]。 * **模型具体构建过程**：该指标是一个标准化值，具体计算过程未在报告中详细说明。其含义为，当前市场的流动性高于过去一年平均水平-0.23倍标准差[3]。 2. **模型名称：上证50ETF期权成交量PUT-CALL比率**[3] * **模型构建思路**：通过计算看跌期权（PUT）与看涨期权（CALL）成交量的比率，来反映投资者对标的资产（上证50ETF）短期走势的情绪和谨慎程度[3]。 * **模型具体构建过程**：直接计算特定时间点（如周五）看跌期权总成交量与看涨期权总成交量的比值[3]。公式为： $$PUT-CALL比率 = \frac{看跌期权成交量}{看涨期权成交量}$$ 3. **模型名称：五日平均换手率分位点模型**[3] * **模型构建思路**：计算当前市场的五日平均换手率在历史（2005年以来）数据中所处的位置（分位点），以衡量当前交易活跃度相对于历史水平的高低[3]。 * **模型具体构建过程**：首先计算上证综指和Wind全A指数的五日平均换手率，然后将该数值与2005年以来的历史数据序列进行比较，计算其历史分位点[3]。 4. **模型名称：SAR（停损转向）指标择时模型**[13] * **模型构建思路**：利用抛物线转向指标（SAR）判断市场趋势的转折点，当价格向上突破SAR时发出买入信号，向下突破时发出卖出信号[13]。 * **模型具体构建过程**：报告提及Wind全A指数于3月27日向上突破翻转指标（SAR），从而发出买入信号。具体SAR计算公式未在报告中给出[13]。 5. **模型名称：市场均线强弱指数**[13] * **模型构建思路**：通过计算Wind二级行业指数相对于其均线的强弱情况，综合评估整个市场的技术面强弱[13]。 * **模型具体构建过程**：基于Wind二级行业指数计算均线强弱得分，并转化为百分位形式。报告指出当前市场得分为136，处于2023年以来的45.1%分位点[13][16]。 6. **模型名称：涨跌停板情绪择时模型**[13] * **模型构建思路**：通过构建与涨停板、跌停板相关的多个因子，综合刻画市场的情绪强弱，并用于择时[13]。 * **模型具体构建过程**：根据国泰海通量化团队前期专题报告，构建了包括净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益在内的多个细分情绪因子[13]。这些因子被合成为一个综合情绪模型，报告期模型得分为1分（满分5分）[13]。趋势模型和加权模型信号为负向[13]。 7. **模型名称：高频资金流择时模型**[13] * **模型构建思路**：通过分析高频资金流的走势，对主要宽基指数发出买入或卖出信号[13]。 * **模型具体构建过程**：根据国泰海通量化团队前期专题报告，构建了针对不同风险偏好的策略信号，包括“激进多头”、“激进多空”、“稳健多头”、“稳健多空”[18]。报告期对沪深300、中证500、中证1000、中证2000指数均发出了正向买入信号（信号值为1代表正向）[13][18]。 8. **模型/因子名称：因子拥挤度复合指标**[19][20] * **构建思路**：通过多个维度指标综合度量某一因子的资金拥挤程度，作为因子可能失效的预警指标[19]。 * **具体构建过程**：根据国泰海通量化团队前期专题报告，使用四个分项指标度量因子拥挤度，并合成为一个综合打分[19]。四个分项指标为： 1. 估值价差 2. 配对相关性 3. （长期）收益反转 4. 因子波动率（报告中“市场波动”可能为笔误，根据上下文应为“因子波动率”）[20] 综合打分由各分项得分合成，具体合成方法未在报告中给出[20]。 9. **模型/因子名称：行业拥挤度指标**[23] * **构建思路**：度量某一行业板块的资金拥挤程度[23]。 * **具体构建过程**：根据国泰海通量化团队前期专题报告构建，具体计算方法未在报告中详细说明[23]。 模型的回测效果 1. **基于沪深300指数的流动性冲击指标**，2026年4月24日（周五）指标值为 **-0.23**[3]。 2. **上证50ETF期权成交量PUT-CALL比率**，2026年4月24日（周五）指标值为 **0.81**[3]。 3. **五日平均换手率分位点模型**，截至2026年4月24日，上证综指五日平均换手率处于2005年以来 **74.39%** 分位点；Wind全A五日平均换手率处于 **78.99%** 分位点[3]。 4. **市场均线强弱指数**，截至2026年4月24日，市场得分为 **136**，处于2023年以来的 **45.1%** 分位点[13][16]。 5. **涨跌停板情绪择时模型**，截至2026年4月24日，情绪模型得分为 **1分**（满分5分）；趋势模型信号为 **负向**；加权模型信号为 **负向**[13]。 6. **高频资金流择时模型**，截至2026年4月24日，对主要宽基指数的信号如下[18]： * **沪深300指数**：激进多头信号 **1**，激进多空信号 **1**，稳健多头信号 **1**，稳健多空信号 **1**。 * **中证500指数**：激进多头信号 **1**，激进多空信号 **1**，稳健多头信号 **1**，稳健多空信号 **1**。 * **中证1000指数**：激进多头信号 **1**，激进多空信号 **1**，稳健多头信号 **0**，稳健多空信号 **0**。 * **中证2000指数**：激进多头信号 **1**，激进多空信号 **1**，稳健多头信号 **1**，稳健多空信号 **1**。 量化因子与构建方式 1. **因子名称：小市值因子**[19][20] * **构建思路**：基于市值规模选股的因子，通常认为小市值公司具有更高的成长性和弹性。 * **具体构建过程**：报告未详细说明其具体计算方法，但将其作为因子拥挤度分析的对象之一[19][20]。 2. **因子名称：低估值因子**[19][20] * **构建思路**：基于估值水平（如市盈率PE、市净率PB等）选股的因子，通常认为估值较低的股票具有安全边际。 * **具体构建过程**：报告未详细说明其具体计算方法，但将其作为因子拥挤度分析的对象之一[19][20]。 3. **因子名称：高盈利因子**[19][20] * **构建思路**：基于盈利能力（如ROE、ROA等）选股的因子，通常认为盈利质量高、盈利能力强的公司更具投资价值。 * **具体构建过程**：报告未详细说明其具体计算方法，但将其作为因子拥挤度分析的对象之一[19][20]。 4. **因子名称：高盈利增长因子（高增长）**[19][20] * **构建思路**：基于盈利增长能力（如净利润增长率、营收增长率等）选股的因子，通常认为高增长的公司能带来更高回报。 * **具体构建过程**：报告未详细说明其具体计算方法，但将其作为因子拥挤度分析的对象之一[19][20]。 5. **因子名称：涨跌停板情绪细分因子**[13] * **构建思路**：用于构建情绪择时模型的底层因子，从不同角度刻画市场涨停、跌停相关的情绪[13]。 * **具体构建过程**：包括净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益等，具体计算公式参考国泰海通量化团队前期专题报告[13]。 因子的回测效果 1. **因子拥挤度复合指标**，截至2026年4月24日，各因子的综合拥挤度打分如下[20]： * **小市值因子**：**-0.09** * **低估值因子**：**-0.95** * **高盈利因子**：**0.05** * **高盈利增长因子**：**0.25** 2. **涨跌停板情绪细分因子**，截至2026年4月24日，各细分因子信号如下：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**[18]。 3. **行业拥挤度指标**，截至2026年4月24日，部分行业拥挤度及变化如下[24][25]： * **通信**：拥挤度 **1.93**，较上月变化 **0.32** * **综合**：拥挤度 **1.87**，较上月变化 **-0.15** * **有色金属**：拥挤度 **1.40**，较上月变化 **-0.05** * **电子**：拥挤度 **1.27**，较上月变化 **0.28** * **基础化工**：拥挤度 **1.06**，较上月变化 **-0.24** * **房地产**：拥挤度 **-0.74**，较上月变化 **0.46** * **计算机**：拥挤度 **-0.33**，较上月变化 **0.45**