量化模型与因子总结 量化模型与构建方式 1. **模型名称：平稳创新高股票筛选模型**[11][18][22][23][26] * **模型构建思路**：该模型旨在从近期创出股价新高的股票中，筛选出具有更强趋势延续性和更平稳价格路径的“领头羊”股票。其理论基础在于，研究表明遵循平滑价格路径的高动量股票未来收益可能更高，且“温水煮青蛙”效应表明平滑的动量产生的关注度更低，动量效应可能更强大[11][18][22][23]。 * **模型具体构建过程**：模型采用多步骤筛选法，在“过去20个交易日创出过250日新高”的股票池中进行筛选[19][23]。 1. **初筛条件**： * **分析师关注度**：过去3个月买入或增持评级的分析师研报不少于5份[26]。 * **股价相对强弱**：过去250日涨跌幅位于全市场前20%[26]。 2. **综合打分与排序**：在满足初筛条件的股票池内，使用以下两个指标综合打分，并选取排名在前50%的股票[26]。 * **价格路径平滑性（股价位移路程比）**：该指标衡量股价走势的平稳程度。计算公式为： $$价格路径平滑性 = \frac{|过去120日涨跌幅|}{过去120日日涨跌幅绝对值加总}$$ 其中，分子是考察期（120日）内的净涨跌幅绝对值，分母是考察期内每日涨跌幅绝对值之和。该比值越接近1，说明价格路径越平滑（单边趋势强）；比值越小，说明价格路径波动越大（来回震荡）[23][26]。 * **创新高持续性**：过去120日的250日新高距离在时间序列上的均值。该均值越小，说明股票在考察期内持续接近或创出新高的状态越稳定[26]。 3. **最终筛选**：对经过综合打分筛选后的股票，再根据 **“趋势延续性”** 指标进行排序，选取排名靠前的50只股票。该指标为过去5日的250日新高距离在时间序列上的均值，用于捕捉近期趋势的强度[26]。 量化因子与构建方式 1. **因子名称：250日新高距离**[11] * **因子构建思路**：该因子用于量化个股、行业指数或宽基指数当前价格距离其过去一年（250个交易日）最高点的回落幅度，是衡量趋势强度和“接近新高”状态的核心指标。其构建受到George (2004)等研究的启发，即股价接近52周最高价时未来收益可能更高[11]。 * **因子具体构建过程**：对于任意标的（股票或指数），在时间点t，计算其最新收盘价与过去250个交易日最高收盘价的相对距离。 * **计算公式**： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ * **公式说明**： * `Closet` 代表最新收盘价。 * `ts_max(Close, 250)` 代表过去250个交易日收盘价的最大值。 * **因子取值含义**： * 若最新收盘价创出新高，则因子值为0。 * 若最新收盘价较新高有所回落，则因子值为正数，数值大小代表回落的幅度（百分比距离）[11]。 模型的回测效果 *本报告未提供“平稳创新高股票筛选模型”的历史回测绩效指标（如年化收益率、夏普比率、最大回撤、信息比率IR等）的具体数值。报告主要展示了模型在特定时点（2026年3月13日）的应用结果，即筛选出的18只股票列表及其部分特征[27][30]。* 因子的回测效果 *本报告未提供“250日新高距离”因子作为选股因子的历史回测绩效指标（如IC值、ICIR、多空收益、分组收益等）的具体数值。报告主要展示了该因子在特定时点（2026年3月13日）的截面数据，包括主要指数、行业指数、概念指数以及个股的因子取值[12][13][15][30]。*

量化模型与因子总结 量化模型与构建方式 1. **模型名称：宏观周期识别框架** * **模型构建思路**：为克服单一经济周期指标（如美林时钟）预测不稳定的问题，构建一个多维度、高维度的宏观周期识别框架，以更稳定地判断宏观状态，并分析其对大类资产价格的传导逻辑[8][9]。 * **模型具体构建过程**： 1. **变量选取**：同时考虑经济景气、通胀、利率、库存、信用五个维度的宏观指标[9]。 2. **宏观变量构建**：将宏观指数分别对宽基指数、代理宏观变量做回归，选取t值显著的细分宏观变量，用过去一年标准差倒数加权构建宏观因子变量[2]。 3. **数据滤波**：采用单边HP滤波器对宏观经济数据进行调整，消除短期波动对长期趋势判断的影响[2]。 4. **状态与趋势划分**：基于滤波后的变量，分别用因子动量划分宏观趋势（上行、下行）和用时序百分位划分宏观状态（高、中、低位）[2]。 5. **升维分析**：将宏观变量的边际变化（趋势）与所处状态（时序排位）结合，形成高维宏观变量，以分析其对资产价格的不同传导路径[2][8]。 2. **模型名称：中证全指择时策略** * **模型构建思路**：基于宏观变量组合，构建对中证全指的择时策略，根据宏观状态预测其未来收益上涨概率，进行多空操作[31]。 * **模型具体构建过程**： 1. **子策略构建**：分别构建“流动性+库存”和“流动性+信用”两个子策略，统计它们对中证全指未来收益是否上涨的预测值[31]。 2. **信号生成**：当任一子策略的预测值高于阈值（0.6）时，对中证全指做多，反之做空[31]。 3. **模型名称：红利指数择时策略** * **模型构建思路**：基于宏观变量组合，构建对红利指数的择时策略，根据宏观状态预测其未来收益上涨概率，进行多空操作[40]。 * **模型具体构建过程**： 1. **子策略构建**：分别构建“通胀+库存”和“库存+信用”两个子策略，计算它们对红利指数未来收益是否上涨的预测值[40]。 2. **信号生成**：对两个子策略的预测值求均值，当均值高于阈值（0.6）时，对红利指数做多，反之做空[40]。 4. **模型名称：风格轮动配置策略** * **模型构建思路**：基于有效的宏观因子组合，滚动预测六大风格指数的未来收益率，每月配置预期表现最优的风格，实现风格轮动[49][54]。 * **模型具体构建过程**： 1. **有效组合筛选**：通过测试宏观因子两两组合对风格轮动的有效性，筛选出“通胀+库存”和“通胀+信用”两个有效的宏观组合[49]。 2. **子策略构建**：对于每个有效宏观组合，滚动预测六大风格指数（大盘、小盘、成长、绩优、红利、价值）的未来远期收益率。将预测收益平滑后，在每月末选取预测收益率排名前二的风格指数，在下月进行等权配置[49]。 3. **策略综合**：综合两个子策略，将“通胀+库存”和“通胀+信用”子策略对风格指数的未来收益预测值进行截面排序并求均值。每月等权配置最终预测值排名前二的风格指数[54]。 模型的回测效果 1. **中证全指择时策略**（回测期：2012年1月末至2026年2月28日） * 年化收益：15.34%[34][36] * 年化波动：22.02%[36] * 夏普比率：0.74[36] * 最大回撤：-28.10%[36] * 超额收益（相对中证全指）：10.31%[34][36] * 跟踪误差：34.16%[36] * 信息比率(IR)：0.30[36] * 相对最大回撤：-50.30%[36] 2. **红利指数择时策略**（回测期：2012年1月末至2026年2月28日） * 年化收益：10.32%[40][42][43] * 年化波动：13.74%[42][43] * 夏普比率：0.75[42][43] * 最大回撤：-19.92%[42][43] * 超额收益（相对红利指数）：7.97%[40][42][43] * 跟踪误差：9.23%[42][43] * 信息比率(IR)：0.86[42][43] * 相对最大回撤：-12.47%[42][43] 3. **风格轮动配置策略**（回测期：2014年9月30日至2026年2月28日） * 年化收益：14.79%[54][59] * 年化波动：21.81%[59] * 夏普比率：0.64[59] * 最大回撤：-45.93%[59] * 超额收益（相对风格等权基准）：4.61%[54][59] * 跟踪误差：10.28%[59] * 信息比率(IR)：0.52[59] * 相对最大回撤：-81.71%[59] 量化因子与构建方式 1. **因子名称：宏观因子变量** * **因子构建思路**：从大量细分宏观指标中，筛选出对市场（宽基指数或代理变量）有显著预测能力的变量，并合成综合性的宏观因子[2]。 * **因子具体构建过程**： 1. **变量筛选**：将宏观指数分别对宽基指数、代理宏观变量做回归，选取t值显著的细分宏观变量[2]。 2. **加权合成**：使用过去一年标准差倒数对筛选出的显著变量进行加权，构建宏观因子变量[2]。 3. **公式**：假设有N个显著变量 $X_i$，其过去一年标准差为 $\sigma_i$，则宏观因子 $F$ 可表示为： $$ F = \sum_{i=1}^{N} w_i X_i, \quad 其中 \quad w_i = \frac{1/\sigma_i}{\sum_{j=1}^{N} (1/\sigma_j)} $$ 2. **因子名称：宏观状态与趋势因子** * **因子构建思路**：对处理后的宏观数据，从“状态”（水平位置）和“趋势”（边际变化）两个维度进行刻画，形成可用于资产配置的高维信号[2]。 * **因子具体构建过程**： 1. **数据预处理**：使用单边HP滤波器对原始宏观因子变量进行调整，得到平滑序列 $hp\_cpt$，以消除短期波动[2][21]。 2. **趋势划分**：基于滤波后变量计算因子动量，据此刻画宏观趋势为“上行”或“下行”[2]。 3. **状态划分**：计算滤波后变量在历史时序上的百分位，据此刻画宏观状态为“高”、“中”或“低”位[2][21]。 因子的回测效果 （报告未提供独立因子的回测绩效指标，如IC、IR等。因子效果体现在其驱动的各类择时与轮动策略的绩效中。）

量化模型与构建方式 1. **模型名称：华福金工权益基金评价模型**[18] * **模型构建思路：** 通过滚动窗口一元线性回归，为每只基金确定一个最能解释其近期业绩表现的参考基准指数，以此对基金进行分类和评价[18]。 * **模型具体构建过程：** 1. **确定基准池：** 选取22个代表不同市场风格和板块的基准指数作为自变量[18][21]。 2. **滚动回归：** 对每只基金，以其收益率为因变量，分别与22个基准指数进行一元线性回归。每个月底，向前选取窗口期为6个月的收益率数据进行滚动窗口回归，得到每个基金相对于每个指数的 $$R^2$$ 序列矩阵[18]。 3. **确定参考指数：** 计算每个指数近6期 $$R^2$$ 的均值，选取均值最大的指数作为该基金当期的业绩参考指数，其对应的回归方程结果作为当期分析结果[18]。 2. **模型名称：华福金工基金综合评分模型**[49][51] * **模型构建思路：** 构建一个立体的综合打分体系，从横向（全市场胜率）和纵向（长期业绩、业绩变化趋势）两个维度对基金经理进行评价和分档[49][51]。 * **模型具体构建过程：** 1. **横向打分：** 根据基金经理相对自适应基准的长期超额收益胜率在全市场中的分位数进行分档[49]。 2. **纵向考察：** 不仅考察长期业绩，还考察基金经理投资能力（α值）的变化趋势[51]。 3. **综合评级：** 结合横向和纵向分析，形成面向所有主动权益基金的综合评分，并划分为不同等级[51]。 * **AAA级 (稳定alpha型)：** 长期超额收益胜率排名前25%，α值稳定无下滑[51]。 * **AA+级 (α持续上升型)：** 胜率排名前25%，且α值序列呈现稳健提升态势[51]。 * **AA级 (α择时型)：** 胜率高，但α值相对不稳定[51]。 * **BB+级 (逆风翻盘型)：** 胜率排名前25%-50%，但α值趋势处于持续上升状态[51]。 模型的回测效果 *本报告未提供量化模型（如选股模型）在历史数据上的系统化回测指标（如年化收益、夏普比率、最大回撤、信息比率IR等）。报告主要展示了基于上述评价模型对基金市场现状的分析结果，而非模型本身的预测性能测试。* 量化因子与构建方式 *本报告未涉及用于选股或资产定价的量化因子（如价值、动量、质量等因子）的构建与测试。报告核心是基金评价与分类方法。* 因子的回测效果 *本报告未涉及量化因子的回测效果。*

量化模型与构建方式 1. **模型名称**：多资产择时模型[3][6][7] * **模型构建思路**：该模型是一个基于量化信号的多资产择时模型，旨在预测多种资产（包括国债、信用债、股票指数、商品等）在未来短期内的价格上行概率，并据此生成看多、调整（看空）或震荡的交易观点[3][6][7]。 * **模型具体构建过程**： 1. **模型输出**：模型每日对每个资产输出一个“原始信号”值，该值为一个百分比，代表模型对未来短期内该资产价格（对于利率债和信用债，指到期收益率；对于股指和商品，指价格指数）上行的概率估计[7]。 2. **信号平滑**：对原始信号进行5日移动平均（MA5）处理，得到“择时信号MA5”[3][6][7]。公式为： $$MA5_t = \frac{Signal_t + Signal_{t-1} + Signal_{t-2} + Signal_{t-3} + Signal_{t-4}}{5}$$ 其中，$Signal_t$ 代表第 $t$ 日的原始信号，$MA5_t$ 代表第 $t$ 日的5日移动平均信号。 3. **观点生成**：将平滑后的信号（MA5）与预设的阈值进行比较，生成最终的多空观点[7]。对于利率债和信用债（如30年国债、3年AAA中短票等），阈值设定为：MA5 > 60% 看空（报告表述为“调整”），MA5 < 40% 看多，介于两者之间为“震荡”[7]。对于股指和商品（如万得全A指数、COMEX黄金等），阈值设定相反：MA5 > 60% 看多，MA5 < 40% 看空（报告表述为“调整”），介于两者之间为“震荡”[7]。 模型的回测效果 （注：报告未提供模型历史回测的统计指标（如年化收益率、夏普比率、最大回撤等），仅提供了特定交易日（2026年3月12日及前几日）的信号输出和多空观点。因此，以下为模型在报告发布日的具体信号取值和生成的观点。） 1. **多资产择时模型**，**30年国债**原始信号68.41%，MA5信号63.62%，模型观点为【调整】[3][6] 2. **多资产择时模型**，**3年AAA中短票**原始信号6.32%，MA5信号46.09%，模型观点为【震荡】[3][6] 3. **多资产择时模型**，**10年国债**原始信号72.72%，MA5信号41.91%，模型观点为【震荡】[3][6] 4. **多资产择时模型**，**2年国债**原始信号20.57%，MA5信号13.86%，模型观点为【看多】[3][6] 5. **多资产择时模型**，**万得全A指数**原始信号67.82%，MA5信号68.15%，模型观点为【调整】[3][6] 6. **多资产择时模型**，**中证红利全收益指数**原始信号36.60%，MA5信号24.23%，模型观点为【看多】[3][6] 7. **多资产择时模型**，**恒生科技指数**原始信号71.60%，MA5信号55.90%，模型观点为【震荡】[3][6] 8. **多资产择时模型**，**科创50指数**原始信号77.20%，MA5信号70.23%，模型观点为【调整】[3][6] 9. **多资产择时模型**，**万得微盘指数**原始信号15.06%，MA5信号27.42%，模型观点为【看多】[3][6] 10. **多资产择时模型**，**国证2000指数**原始信号71.97%，MA5信号56.53%，模型观点为【震荡】[3][6] 11. **多资产择时模型**，**COMEX黄金**原始信号14.39%，MA5信号12.22%，模型观点为【看多】[3][6] 12. **多资产择时模型**，**IPE布油**原始信号53.05%，MA5信号37.75%，模型观点为【看多】[3][6][7] （注：报告未涉及独立的量化因子构建与分析，因此“量化因子与构建方式”及“因子的回测效果”部分无相关内容。）

量化模型与构建方式 1. **模型/因子名称**：封板率[18] **构建思路**：通过计算当日最高价涨停且收盘涨停的股票数量与最高价涨停股票总数的比例，来衡量市场涨停板的封板强度，反映追涨资金的意愿和情绪[18]。 **具体构建过程**： 1. 筛选出上市满3个月以上的股票[18]。 2. 找出当日盘中最高价达到涨停价的股票集合。 3. 从上述集合中，找出当日收盘价也达到涨停价的股票。 4. 计算封板率，公式为： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[18] 2. **模型/因子名称**：连板率[18] **构建思路**：通过计算连续两日收盘涨停的股票数量占昨日收盘涨停股票总数的比例，来衡量市场涨停板的延续性，反映强势股的赚钱效应和市场情绪的热度[18]。 **具体构建过程**： 1. 筛选出上市满3个月以上的股票[18]。 2. 找出昨日收盘涨停的股票集合。 3. 从上述集合中，找出今日收盘也涨停的股票。 4. 计算连板率，公式为： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[18] 3. **模型/因子名称**：大宗交易折价率[27] **构建思路**：通过计算大宗交易成交总额与按当日市价计算的成交份额总市值的差异，来衡量大额资金交易的折价或溢价水平，反映大资金的交易情绪和偏好[27]。 **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份额[27]。 2. 计算成交份额按当日收盘价（或成交均价）计算的总市值。 3. 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] 4. **模型/因子名称**：股指期货年化贴水率[29] **构建思路**：通过计算股指期货主力合约价格与现货指数价格的基差，并将其年化，来衡量股指期货相对于现货的折溢价程度。这反映了市场对未来走势的预期以及股指对冲的成本[29]。 **具体构建过程**： 1. 计算基差：基差 = 股指期货价格 - 现货指数价格[29]。 2. 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] 其中，250为年化交易日数假设[29]。 模型的回测效果 （注：该报告为市场监测日报，未提供量化模型或因子在历史样本上的系统性回测绩效指标，如年化收益率、夏普比率、最大回撤、信息比率(IR)等。因此，此部分内容缺失。） 量化因子与构建方式 （注：报告中所提及的“封板率”、“连板率”、“大宗交易折价率”、“股指期货年化贴水率”等，在本文的语境下更偏向于市场监测指标或情绪指标。虽然其构建过程与量化因子类似，但报告并未将其作为选股因子进行测试。因此，将上述内容归类于“量化模型与构建方式”部分。本部分无其他独立因子内容。） 因子的回测效果 （注：该报告为市场监测日报，未提供量化因子的历史IC、IR、多空收益、分组收益等回测效果数据。因此，此部分内容缺失。）

量化模型与构建方式 1. **模型名称：风险平价/风险预算模型**[57][59] * **模型构建思路**：通过配置资产权重，使各类资产对投资组合的整体风险贡献相等或按预算分配，以实现更优的风险分散，而非简单的市值或等权重配置[57][59]。 * **模型具体构建过程**：报告提到海外量化型产品（如Fidelity Risk Parity Fund和Invesco Balanced-Risk Allocation Fund）使用基于风险因子的风险平价框架[59]。具体构建通常涉及以下步骤： 1. 定义风险因子：例如，Fidelity使用的因子包括增长、通胀、利率、流动性；Invesco使用的因子包括增长、防御、实际收益[59]。 2. 映射资产到风险因子：将股票、债券、商品及对应衍生品等大类资产映射到上述风险因子上[59]。 3. 计算风险贡献：估计各资产（或因子）的波动率和相关性，计算每个资产对组合总风险（通常以波动率衡量）的边际贡献。 4. 优化权重：通过优化算法调整资产权重，使得每个资产（或目标风险因子）对组合的风险贡献相等或符合预设的预算比例。其核心优化目标可表述为最小化各资产风险贡献的差异，数学形式通常为： $$ \min_{\mathbf{w}} \sum_{i=1}^{N} \left( RC_i(\mathbf{w}) - \frac{\sigma_p(\mathbf{w})}{N} \right)^2 $$ 其中，$\mathbf{w}$ 为资产权重向量，$RC_i(\mathbf{w})$ 是资产 $i$ 的风险贡献，$\sigma_p(\mathbf{w})$ 是组合总风险，$N$ 是资产数量。 * **模型评价**：报告认为，风险平价理念与宏观因子框架在过去一年及近期市场环境下显示出有效性，帮助量化型产品在收益上持续领先并在美股回撤时实现正收益[59][67][74]。 2. **模型名称：混合型策略量化框架**[57][58] * **模型构建思路**：结合量化模型与主观判断，先用量化框架确定基础资产配置权重，再根据基金经理的主观市场观点和机会识别进行战术调整[57][58]。 * **模型具体构建过程**：报告提及了Blackrock和PIMCO旗下混合型产品的构建方法： 1. **量化基础框架**：使用包括宏观、基本面、另类数据在内的多源数据构建信号[58]。 * Blackrock Tactical Opportunities Fund：主要从宏观角度分析，使用的数据除传统的GDP、通胀、就业外，还包括气候变化、央行会议等另类数据，并使用自然语言处理等方式将其转换为信号[58]。 * PIMCO产品：在宏观数据外，还会引入对应资产类别的基本面指标，例如债券的到期收益率、信用风险，股票的盈利增长、估值水平等，搭建多因子框架[58]。 2. **主观判断调整**：在量化模型输出的基础权重上，基金经理基于对中长期宏观市场环境展望以及短期观点，在一定的权重范围内进行增减配操作[57][58]。 3. **模型名称：主观多策略决策框架**[57] * **模型构建思路**：以基金经理和投资委员会的决策为核心，采用自上而下的方式进行大类资产配置和具体标的选取，主要依赖团队对宏观和市场的中长期展望及短期观点[57]。 * **模型具体构建过程**：以JPMorgan Global Allocation Fund为例： 1. **宏观展望**：依据团队对未来6-18个月经济增长、通胀、利率、政治事件等的展望，决定大类资产（如股、债、商品）的配置比例[57]。 2. **策略实施**：在考虑基金风险与回报目标的前提下，选择具体的证券、基金或衍生品等工具来实施上述配置策略[57]。 3. **持续监控与调整**：持续监控组合风险与权重，并根据短期市场观点进行调整、再平衡等操作[57]。 4. **因子名称：宏观与基本面多因子**[58] * **因子构建思路**：从宏观经济和资产自身基本面中提取影响资产价格的关键变量，构建因子信号以指导资产配置[58]。 * **因子具体构建过程**：报告提及了混合型策略产品中使用的因子类型： 1. **宏观因子**：例如GDP、通胀、就业、利率、流动性等传统宏观指标，以及通过自然语言处理从央行会议纪要、气候变化报告等另类数据中提取的信号[58]。 2. **基本面因子**：针对不同资产类别的基本面指标。例如，债券的到期收益率、信用风险；股票的盈利增长、估值水平（如P/E、P/B）等[58]。这些因子被用于搭建多因子框架，以评估资产的吸引力或风险。 5. **因子名称：风险因子**[59] * **因子构建思路**：识别并定义驱动大类资产回报的共同风险源（因子），并将资产配置问题转化为对这些因子的风险暴露管理[59]。 * **因子具体构建过程**：报告明确提到了两家机构在风险平价模型中使用的风险因子集： 1. **Fidelity风险因子**：包括增长、通胀、利率、流动性[59]。 2. **Invesco风险因子**：包括增长、防御、实际收益[59]。 这些因子并非直接从市场数据中计算出的单一指标，而是概念性的风险维度，需要通过投资于股票、债券、商品及对应衍生品等具体资产来实现对这些因子的暴露[59]。 模型的回测效果 （注：报告未提供统一时间区间内各量化模型的独立回测指标。以下为报告中提到的各策略类型产品在特定时期的表现摘要，并非单一模型回测结果。） 因子的回测效果 （注：报告未提供单个因子的独立测试结果，如IC值、多空收益等。） 产品策略表现汇总 （注：此部分为根据报告内容整理的、采用不同模型/策略的基金产品表现，并非模型或因子本身的回测。指标取值截至2026年03月06日[68]。） 1. **量化型策略产品 (代表模型：风险平价)**[68] * 过去1年收益：21.37% (Fidelity Risk Parity Fund)， 19.20% (Invesco Balanced-Risk Allocation Fund) * 过去1年波动：11.55% (Fidelity Risk Parity Fund)， 8.91% (Invesco Balanced-Risk Allocation Fund) * 过去1年收益/波动 (IR)：1.85 (Fidelity Risk Parity Fund)， 2.15 (Invesco Balanced-Risk Allocation Fund) * 过去1年最大回撤：9.34% (Fidelity Risk Parity Fund)， 7.72% (Invesco Balanced-Risk Allocation Fund) * 过去1年收益/最大回撤：2.29 (Fidelity Risk Parity Fund)， 2.49 (Invesco Balanced-Risk Allocation Fund) * 最近1个月收益：-0.09% (Fidelity Risk Parity Fund)， 6.61% (Invesco Balanced-Risk Allocation Fund) 2. **混合型策略产品 (代表模型：量化框架+主观调整)**[68] * 过去1年收益：21.30% (PIMCO Global Core Asset Allocation Fund)， 16.28% (PIMCO All Asset Fund)， 7.20% (Blackrock Tactical Opportunities Fund) * 过去1年波动：9.20% (PIMCO Global Core Asset Allocation Fund)， 6.75% (PIMCO All Asset Fund)， 6.37% (Blackrock Tactical Opportunities Fund) * 过去1年收益/波动 (IR)：2.32 (PIMCO Global Core Asset Allocation Fund)， 2.41 (PIMCO All Asset Fund)， 1.13 (Blackrock Tactical Opportunities Fund) * 过去1年最大回撤：9.08% (PIMCO Global Core Asset Allocation Fund)， 6.38% (PIMCO All Asset Fund)， 5.67% (Blackrock Tactical Opportunities Fund) * 过去1年收益/最大回撤：2.34 (PIMCO Global Core Asset Allocation Fund)， 2.55 (PIMCO All Asset Fund)， 1.27 (Blackrock Tactical Opportunities Fund) * 最近1个月收益：-0.77% (PIMCO Global Core Asset Allocation Fund)， 0.93% (PIMCO All Asset Fund)， 1.69% (Blackrock Tactical Opportunities Fund) 3. **主观型策略产品 (代表模型：主观多策略/生息策略)**[68] * **主观多策略**过去1年收益：10.46% ~ 16.97% * **生息策略**过去1年收益：8.85% ~ 19.11% * **生息策略**过去1年收益/波动 (IR) 较高者：2.53 (PIMCO Dividend and Income) * **生息策略**过去1年收益/最大回撤较高者：2.75 (PIMCO Dividend and Income) * **生息策略**最近3个月最大回撤：多数在3%以内[68][69]

量化模型与构建方式 1. 模型名称：异动雷达综合信号资金通道策略[29][42][44] 模型构建思路：基于“事件簇”理念，通过计算个股与基准指数在多种资金流指标上的分钟序列相关系数，并结合个股超额收益方向，批量识别个股异动事件信号。筛选出有效且低相关的信号进行合成，构建事件驱动策略[28][29]。 模型具体构建过程： * **信号生产**：对于每只股票，在每日的特定时间段（如第四个小时），计算其与基准指数（如万得全A）在特定资金流指标（如“最激进的主买单委托单数量”）上的分钟序列相关系数[29][44]。 * **信号触发**：若相关系数<0，则判定为发生异动。可进一步结合该时间段内个股相对基准指数的超额收益方向，细分为“上涨异动”（超额收益>0）或“下跌异动”（超额收益<0），也可不区分方向[29][39]。 * **信号筛选**：对批量生产的事件信号，通过其对应资金通道策略在样本内的超额信息比率（IR）和信号间的相关性进行分时段筛选，保留有效且低相关的信号，构成“异动雷达事件簇”[29][43]。 * **信号合成**：若某只股票在某一交易日同时触发事件簇中2个及以上的信号，则视为触发“异动雷达综合信号”[44]。 * **策略构建**：采用4通道轮动方式。每周末，回看过去5个交易日，将所有曾触发异动雷达综合信号的股票作为目标股票池。下周初开盘时，在空闲资金通道中等权买入目标池股票，持有20个交易日后平仓。4个通道的净值之和即为策略整体净值[42]。 2. 模型名称：叠加负向剔除的异动雷达综合信号资金通道策略[50][51] 模型构建思路：在异动雷达综合信号策略的基础上，进一步利用事件簇中具有负向筛选能力的信号，剔除部分股票以提升策略表现[48][51]。 模型具体构建过程： * **负向信号筛选**：从异动雷达事件簇中，筛选出对应资金通道策略负向超额收益信息比率较高且相关性较低的信号作为负向信号[48]。 * **策略构建**：每周末，回看过去5个交易日，将曾触发异动雷达综合信号的股票作为初始目标池，然后剔除在过去5日内曾触发任一负向信号的股票，得到最终目标股票池。后续资金通道轮动操作与基础模型相同[51]。 3. 模型名称：行业轮动模型（强趋势+低拥挤、剔除低景气）[69][70] 模型构建思路：每月末，基于行业的趋势、拥挤度、景气度因子，筛选出趋势强、不拥挤且景气度不低的行业进行配置[69]。 模型具体构建过程： * **因子标准化**：每月末，将各中信一级行业的趋势因子、拥挤度因子分别进行截面zscore标准化[69]。 * **综合得分**：将标准化后的趋势因子与拥挤度因子得分相加，得到行业综合得分[69]。 * **初始筛选**：选取综合得分排名前5的行业作为初始多头持仓[69]。 * **景气度剔除**：若初始持仓中存在景气度排名倒数前5的行业，则将其剔除，剩余行业构成最终行业配置组合[69]。 4. 模型名称：行业轮动模型（异动+强趋势+低拥挤、剔除低景气）[70] 模型构建思路：在“强趋势+低拥挤、剔除低景气”模型基础上，加入行业异动因子，以提升行业配置效果[70]。 模型具体构建过程： * **因子标准化**：每月末，将各中信一级行业的异动因子、趋势因子、拥挤度因子分别进行截面zscore标准化[70]。 * **综合得分**：将标准化后的三个因子得分相加，得到行业综合得分[70]。 * **初始筛选**：选取综合得分排名前5的行业作为初始多头持仓[70]。 * **景气度剔除**：若初始持仓中存在景气度排名倒数前5的行业，则将其剔除，剩余行业构成最终行业配置组合[70]。 5. 模型名称：行业轮动模型（强趋势+高景气、剔除高拥挤）[74] 模型构建思路：每月末，基于行业的趋势、景气度、拥挤度因子，筛选出趋势强、景气度高且不拥挤的行业进行配置[74]。 模型具体构建过程： * **因子标准化**：每月末，将各中信一级行业的趋势因子、景气度因子分别进行截面zscore标准化[74]。 * **综合得分**：将标准化后的趋势因子与景气度因子得分相加，得到行业综合得分[74]。 * **初始筛选**：选取综合得分排名前5的行业作为初始多头持仓[74]。 * **拥挤度剔除**：若初始持仓中存在拥挤度排名前5的行业，则将其剔除，剩余行业构成最终行业配置组合[74]。 6. 模型名称：行业轮动模型（异动+强趋势+高景气、剔除高拥挤）[74] 模型构建思路：在“强趋势+高景气、剔除高拥挤”模型基础上，加入行业异动因子，以提升行业配置效果[74]。 模型具体构建过程： * **因子标准化**：每月末，将各中信一级行业的异动因子、趋势因子、景气度因子分别进行截面zscore标准化[74]。 * **综合得分**：将标准化后的三个因子得分相加，得到行业综合得分[74]。 * **初始筛选**：选取综合得分排名前5的行业作为初始多头持仓[74]。 * **拥挤度剔除**：若初始持仓中存在拥挤度排名前5的行业，则将其剔除，剩余行业构成最终行业配置组合[74]。 量化因子与构建方式 1. 因子名称：价格异动事件信号[13] 因子构建思路：通过计算个股与基准指数（万得全A）日内分钟收盘价序列的相关系数，识别价格走势与大盘背离的个股[11][13]。 因子具体构建过程：对于某只股票，计算其当日分钟收盘价序列与万得全A指数分钟收盘价序列的相关系数。若相关系数<0，则判定该股当日发生价格异动[13]。 因子评价：该信号捕捉的异动股票未来超额收益胜率不足50%，无法成为有效的Alpha信号源[15]。 2. 因子名称：逆势上涨异动事件信号[18] 因子构建思路：在价格异动的基础上，进一步考虑个股相对指数的超额收益方向，识别“指数下跌而个股上涨”的情形[17][18]。 因子具体构建过程：对于某只股票，计算其当日分钟收盘价序列与万得全A指数分钟收盘价序列的相关系数。若相关系数<0，且当日个股收益率>指数收益率，则判定该股当日发生逆势上涨异动[18]。 3. 因子名称：逆势下跌异动事件信号[18] 因子构建思路：在价格异动的基础上，进一步考虑个股相对指数的超额收益方向，识别“指数上涨但个股下跌”的情形[17][18]。 因子具体构建过程：对于某只股票，计算其当日分钟收盘价序列与万得全A指数分钟收盘价序列的相关系数。若相关系数<0，且当日个股收益率<指数收益率，则判定该股当日发生逆势下跌异动[18]。 4. 因子名称：异动雷达事件簇信号[28][29] 因子构建思路：利用多种维度的资金流指标（而非仅价格），计算个股与基准指数资金流分钟序列的相关系数，并结合超额收益方向，体系化地批量生产个股异动事件信号[28][29]。 因子具体构建过程： * **资金流指标构建**：数据来源包括逐笔成交、委托、撤单。从“何人”（按金额大小或委托激进程度划分）、“何方向”（买/卖/整体）、“何种量”（成交量、金额、笔数、单笔金额）等多个维度构建分钟资金流指标[34]。 * **基准指数资金流拟合**：通过将成分股资金流简单相加、取中位数或按流通市值加权等方式，拟合得到基准指数（如万得全A或行业指数）的资金流序列[35]。 * **相关系数计算**：选择特定时段（如全天或分小时），计算个股与基准指数在选定资金流指标上的分钟序列相关系数$$corr$$[29][30]。 * **信号定义**：若相关系数$$corr < 0$$，可判定为“异动”。可进一步结合该时段内个股相对基准指数的超额收益$$R_{stock} - R_{benchmark}$$，定义“上涨异动”（超额收益>0）或“下跌异动”（超额收益<0）[29][39]。 5. 因子名称：行业异动因子[66] 因子构建思路：将个股层面的异动雷达综合信号聚合到行业层面，构建反映行业整体异动程度的因子[66]。 因子具体构建过程： * 每个交易日，统计各中信一级行业内触发异动雷达综合信号的股票数量$$Count_{signal}$$[66]。 * 计算各行业的异动占比：$$异动占比 = \frac{Count_{signal}}{行业成分股总数}$$[66]。 * 计算行业异动占比的滚动20日平均值[66]。 * 计算该滚动平均值在时序上的历史分位数，作为该行业当日的异动因子值[66]。 因子评价：该因子月度IC均值为0.03，具备一定的行业分组能力，且与常见的行业趋势因子相关性较低（约11%）[68]。 模型的回测效果 （回测期：2016/01/01 - 2026/02/28，基准：中证800等权指数） 1. 异动雷达综合信号资金通道策略，年化收益8.70%，年化波动19.95%，信息比率0.44，最大回撤31.98%，年化超额收益7.51%，超额年化波动3.03%，超额信息比率2.48，超额最大回撤4.13%[45][48] 2. 叠加负向剔除的异动雷达综合信号资金通道策略，年化收益10.94%，年化波动20.15%，信息比率0.54，最大回撤30.62%，年化超额收益9.77%，超额年化波动3.34%，超额信息比率2.92，超额最大回撤2.85%[51][53] 因子的回测效果 1. 价格异动事件信号，触发后60个交易日，相对中证800等权的累积超额收益平均值0.29%，样本胜率44.17%[16] 2. 逆势上涨异动事件信号，触发后60个交易日，相对中证800等权的累积超额收益平均值0.02%，样本胜率43.39%[21] 3. 逆势下跌异动事件信号，触发后60个交易日，相对中证800等权的累积超额收益平均值0.56%，样本胜率44.77%[26] 4. 行业异动因子，在行业轮动模型（异动+强趋势+低拥挤、剔除低景气）中，年化超额收益9.50%，超额信息比率1.09，超额最大回撤9.62%[70][73] 5. 行业异动因子，在行业轮动模型（异动+强趋势+高景气、剔除高拥挤）中，年化超额收益9.04%，超额信息比率0.80，超额最大回撤18.66%[75][78]

量化模型与构建方式 1. **模型名称：华鑫市场情绪温度指标**[4][8][19] * **模型构建思路：** 该模型是一个综合性的市场情绪摆荡指标，旨在通过多维度数据刻画市场情绪状态，为在震荡市中识别高抛低吸机会提供参考[19]。 * **模型具体构建过程：** 模型从6个维度选取数据构建综合评分[19]。 1. **数据维度：** 包括指数涨跌幅、成交量、涨跌家数、KDJ技术指标、北向资金数据以及融资融券数据[19]。 2. **数据处理与合成：** 对过去5年的历史数据进行统计和回测，将上述6个维度的数据合成为一个综合评分[19]。报告未提供具体的加权或合成公式。 3. **评分与状态划分：** 综合评分范围在0-100分之间，并根据分值将市场情绪划分为五个等级：过冷（0-19分）、较冷（20-39分）、中性（40-59分）、较热（60-79分）、过热（80-100分）[19]。 * **模型评价：** 该模型属于摆荡指标，类似于RSI，主要适用于震荡市，用于提示高抛低吸的时机。当市场出现趋势性行情时，该指标可能出现钝化现象，即长时间维持在80分以上或20分以下，此时指标的适用性下降，钝化本身可能预示着趋势的出现[19]。 量化因子与构建方式 1. **因子名称：融资净买入额**[12][19] * **因子构建思路：** 该因子衡量投资者通过融资交易（借钱买股）表达对市场或个股乐观态度的资金净额[19]。 * **因子具体构建过程：** 计算特定时间段内（如前一日）融资买入金额与融资偿还金额的差值。 $$融资净买入额 = 融资买入额 - 融资偿还额$$ 其中，融资买入额指投资者向券商借入资金买入证券的金额，融资偿还额指投资者偿还之前融资负债的金额[12][19]。 2. **因子名称：融券净卖出额**[13][19] * **因子构建思路：** 该因子衡量投资者通过融券交易（借券卖出）表达对市场或个股悲观态度的证券净卖出价值[19]。 * **因子具体构建过程：** 计算特定时间段内（如前一日）融券卖出数量对应的金额与融券偿还数量对应的金额的差值。报告中的表格以“万元”为单位，表明已转换为货币价值[13]。 $$融券净卖出额 = 融券卖出金额 - 融券偿还金额$$ 其中，融券卖出金额指投资者向券商借入证券并卖出所获得的金额，融券偿还金额指投资者买入证券归还给券商所支付的金额[13][19]。 3. **因子名称：期间净买入额**[19] * **因子构建思路：** 该因子是融资净买入与融券净卖出的综合，用于衡量融资融券交易者整体的净多头头寸变化[19]。 * **因子具体构建过程：** 将融资净买入额减去融券净卖出额。 $$期间净买入额 = 融资净买入额 - 融券净卖出额$$ 该公式直接给出了因子的计算方法[19]。 模型的回测效果 *报告未提供华鑫市场情绪温度指标的具体历史回测绩效数据（如年化收益率、夏普比率、最大回撤等）[4][8][9][19]。* 因子的回测效果 *报告未提供融资净买入额、融券净卖出额、期间净买入额等因子在选股或择时方面的具体回测绩效数据（如IC值、IR、多空收益等）[12][13][19]。*

量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[12][43] * **模型构建思路**：为准确计算股指期货的升贴水，需要精确估计指数成分股在期货合约存续期内分红所导致的指数点位自然滑落（即分红点数）[12][43]。该模型通过精细化处理成分股权重、分红金额、除息日等核心要素，实现对指数分红点位的预测[12][43]。 * **模型具体构建过程**： 1. **核心公式**：指数从当前时刻 `t` 到期货合约到期日 `T` 期间的分红点数计算公式为： $$分红点数 = \sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$$ 其中，求和仅针对除权除息日 `τ` 满足 `t < τ ≤ T` 的成分股[43]。 2. **数据获取与处理流程**：如图16所示，首先获取指数成分股及其日度权重[44][49][50]。然后对每只成分股进行以下判断与估计[46]： * **已公布分红方案**：若公司已公布分红金额和除息日，则直接采用[46]。 * **未公布分红方案**：需依次预测**分红金额**和**除息日**[46]。 * **分红金额预测**：分红金额 = 净利润 × 股息支付率[51]。 * **净利润预测**：采用“基于历史净利润分布的动态预测法”[53]。若公司已公布年报、快报或业绩预告，则直接采用（业绩预告取上下限均值）；否则，根据其历史季度盈利分布是否稳定进行分类预测（见图17）[53]。 * **股息支付率预测**：采用历史数据替代[54]。 * 若去年分红，则以去年股息支付率为预测值[57]。 * 若去年不分红，则以最近3年平均股息支付率为预测值[57]。 * 若从未分红，则默认今年不分红[57]。 * 若预测值大于100%，则进行截尾处理[57]。 * **除息日预测**：采用“基于历史间隔天数稳定性的线性外推法”[55]。具体步骤如图18所示[60]： * 若已公布除息日，则直接采用[60]。 * 若未公布分红预案，则参考去年或前年的分红日期，并判断其合理性（是否在当前时点前、距离太近或在股东大会前），不合理则采用默认日期[60]。 * 若已公布分红预案，则根据所处阶段（预案或决案），判断历史从该阶段公告日到除息日的间隔天数是否稳定。若稳定，则用历史平均间隔天数与今年公告日进行线性外推；若不稳定，则参考历史分红日期[60]。 * 若无可靠历史日期或过去两年未分红，则采用默认日期（根据预测时间点，设为7月31日、8月31日或9月30日）[60]。 * **模型评价**：模型对于上证50和沪深300指数的预测准确度较高，对于中证500和中证1000指数的预测误差稍大但基本稳定[65]。整体来看，对各股指期货合约的股息点预测效果较好[65]。 2. **模型/因子名称：成分股权重日度估算模型**[49] * **模型构建思路**：由于指数成分股权重每日变动，而数据提供商通常只提供月末权重，因此需要一种方法估算日度权重，以更精确地计算分红影响[49]。 * **模型具体构建过程**： * **估算公式**：假设最近一次公布权重日期为 `t_0`，成分股 `n` 的权重为 `w_n0`。从 `t_0` 到当前日 `t`，个股非复权涨跌幅为 `r_n`，则当前日权重 `W_{n,t}` 估算为： $$W_{n,t}={\frac{w_{n0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{n})}}$$[49] * **精确替代**：报告指出，为更准确并避免成分股调整、解禁等事件的影响，最终采用了中证指数公司每日披露的日度收盘权重数据，而非上述估算值[50]。 3. **因子名称：已实现股息率与剩余股息率**[17] * **因子构建思路**：用于衡量指数成分股中，本年度已经完成现金分红和尚未进行现金分红的部分，分别占指数总市值的比例，以反映分红进度[17]。 * **因子具体构建过程**： * **已实现股息率**：计算指数中本年度已现金分红的公司，其分红金额总和占这些公司总市值的比例，并按个股权重加权[17]。 * **剩余股息率**：计算指数中本年度尚未现金分红的公司，其预计分红金额总和占这些公司总市值的比例，并按个股权重加权[17]。 * 公式描述：设 `N1` 和 `N2` 分别为指数中已分红和未分红的公司数量，则： * 全年已实现股息率 = Σ(个股已分红金额 / 个股总市值 × 个股权重)，对 `N1` 家公司求和[17]。 * 全年剩余股息率 = Σ(个股待分红金额 / 个股总市值 × 个股权重)，对 `N2` 家公司求和[17]。 模型的回测效果 1. **股指分红点位测算模型**[65] * **预测误差（2024年 & 2025年）**：对上证50和沪深300指数的预测误差基本在5个点左右；对中证500和中证1000指数的预测误差稍大，基本稳定在10个点左右[65]。 * **预测准确性**：对2024年及2025年各股指期货当月主力合约的预测股息点与实际股息点对比显示，模型对各合约都具有较好的预测准确性[65]。 量化因子与构建方式 1. **因子名称：行业股息率中位数**[15] * **因子构建思路**：统计各行业内已披露分红预案的个股的股息率，并取中位数，以比较不同行业的分红吸引力[15]。 * **因子具体构建过程**：对于每个行业，计算所有已公布分红预案股票的“预案分红金额/当前总市值”，然后取该组数据的中位数[15]。 因子的回测效果 （报告未提供相关因子的历史回测表现指标，如IC、IR、多空收益等。）

量化模型与构建方式 1. **模型/因子名称**：封板率[13] * **构建思路**：用于衡量涨停股票在盘中封住涨停板的稳定性，即最高价涨停的股票中有多少最终收盘也维持涨停[13]。 * **具体构建过程**：统计上市满3个月以上的股票，计算当日最高价涨停且收盘涨停的股票数量，与当日最高价涨停的股票总数之比[13]。 * **公式**：$$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[13] 2. **模型/因子名称**：连板率[13] * **构建思路**：用于衡量涨停股票的持续性，即昨日涨停的股票中有多少在今日继续涨停[13]。 * **具体构建过程**：统计上市满3个月以上的股票，计算连续两日收盘涨停的股票数量，与昨日收盘涨停的股票总数之比[13]。 * **公式**：$$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[13] 3. **模型/因子名称**：两融余额/交易占比[19] * **构建思路**：通过计算融资融券余额占流通市值的比重，以及两融交易额占市场总成交额的比例，来反映市场杠杆资金的规模和活跃程度[19]。 * **具体构建过程**： 1. 两融余额占比：使用截至统计日的融资余额与融券余额之和（即两融余额），除以市场总流通市值[19]。 2. 两融交易占比：使用统计日的融资买入额与融券卖出额之和，除以市场总成交额[19]。 4. **模型/因子名称**：大宗交易折价率[23] * **构建思路**：通过计算大宗交易成交价相对于市价的折价程度，来反映大资金的投资偏好和市场情绪[23]。 * **具体构建过程**：统计每日大宗交易的总成交金额，除以当日通过大宗交易成交的股份按当日市价计算的总市值，再减去1[23]。 * **公式**：$$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[23] 5. **模型/因子名称**：股指期货年化贴水率[26] * **构建思路**：计算股指期货价格与现货指数价格之间基差的年化比率，用于衡量市场对未来走势的预期以及股指对冲的成本[26]。 * **具体构建过程**：计算股指期货主力合约价格与对应现货指数价格的差值（基差），除以现货指数价格，再乘以（250天/合约剩余交易日数）进行年化[26]。 * **公式**：$$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[26] 模型的回测效果 （注：本报告为市场监测日报，未提供量化模型或因子在历史样本上的系统性回测绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。报告主要展示了所构建指标在特定日期的截面或时间序列取值[1][2][3][5][6][8][11][13][16][19][21][23][26][28][31][34][35]。） 量化因子与构建方式 （注：本报告未涉及用于选股或预测收益的传统阿尔法因子（如价值、动量、质量等）的构建与测试。） 因子的回测效果 （注：本报告未涉及用于选股或预测收益的传统阿尔法因子的历史回测绩效。）