量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[13][44] * **模型构建思路**：为了准确计算股指期货的升贴水幅度，需要精确估计指数成分股在期货合约存续期内将进行的分红对指数点位的累计影响，从而从价格指数中剥离分红效应[13][44]。 * **模型具体构建过程**：模型的核心是预测从当前时刻 `t` 到期货合约到期日 `T` 之间，所有指数成分股的累计分红点数。具体流程如下[44][45][47]： 1. **获取成分股及权重**：采用中证指数公司每日披露的日度收盘权重数据，确保权重准确性[51]。若使用估算方法，则公式为： $$W_{n,t}={\frac{w_{i0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{n})}}$$ 其中，`W_{n,t}` 为股票 `n` 在 `t` 日的估算权重，`w_{i0}` 为最近一次公布（`t_0` 日）的股票 `i` 的权重，`r_n` 为股票 `n` 从 `t_0` 到 `t` 的非复权涨跌幅[50]。 2. **预测个股分红金额**：对于每只成分股，若已公布分红金额则直接采用；若未公布，则需预测。分红金额由净利润与股息支付率的乘积得到[52]。 * **净利润预测**：采用“基于历史净利润分布的动态预测法”。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）；若未披露，则根据其历史季度盈利分布是否稳定进行分类预测[54]。 * **股息支付率预测**： * 若公司去年分红，则以去年股息支付率作为今年预测值。 * 若公司去年不分红，则以最近3年股息支付率平均值作为预测值。 * 若公司过去从未分红，则默认今年不分红。 * 当预期股息支付率大于100%时，进行截尾处理[58]。 3. **预测个股除息日**：采用“基于历史间隔天数稳定性的线性外推法”[56]。流程如下[61]： * 若公司已公布除息日，则直接采用。 * 若未公布，则判断公司是否已公布分红预案。 * 若未公布预案，则参考去年或前年分红日期（需满足合理性条件，如不在当前时点之前、距离当前不少于10天、不在今年股东大会召开日之前）。 * 若已公布预案，则根据其所处分红阶段（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对应公告日进行线性外推；若不稳定，则参考历史分红日期。 * 若通过上述方法无法得到合理日期，或公司过去两年未分红，则采用默认日期（根据预测时间点，设置为7月31日、8月31日或9月30日）[61]。 4. **计算指数分红点数**：将所有满足条件（除息日大于当前日期 `t` 且小于等于合约到期日 `T`）的成分股的分红影响加总，公式为： 分红点数 = $$\sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$$[44] * **模型评价**：该模型通过精细化处理成分股权重、分红金额和除息日预测，旨在提高股指分红点位预测的准确性[13][44]。模型对以上证50、沪深300为代表的大盘指数预测准确度较高，对中证500、中证1000等指数的预测误差稍大但基本稳定[66]。 量化因子与构建方式 1. **因子名称：已实现股息率**[18] * **因子构建思路**：衡量指数成分股中，在计算时点之前已经完成现金分红的公司，其分红对指数股息率的实际贡献[18]。 * **因子具体构建过程**：计算指数中所有 **今年已现金分红** 的成分股，其分红金额与当前总市值之比，按指数权重加权求和[18]。 公式为：已实现股息率 = $$\sum_{i=1}^{N_1} \frac{个股已分红金额}{个股总市值} \times 个股权重$$ 其中，`N_1` 表示指数成分股中今年已现金分红的公司数量[18]。 2. **因子名称：剩余股息率**[18] * **因子构建思路**：衡量指数成分股中，在计算时点之后预计还将进行现金分红的公司，其待分红金额对指数股息率的潜在贡献[18]。 * **因子具体构建过程**：计算指数中所有 **尚未现金分红** 的成分股，其待分红金额（预测值）与当前总市值之比，按指数权重加权求和[18]。 公式为：剩余股息率 = $$\sum_{i=1}^{N_2} \frac{个股待分红金额}{个股总市值} \times 个股权重$$ 其中，`N_2` 表示指数成分股中尚未现金分红的公司数量[18]。 模型的回测效果 1. **股指分红点位测算模型**： * **预测误差（2024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指数的预测误差基本在10个点左右[66]。 * **预测误差（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指数的预测误差基本在10个点左右[66]。 * **股指期货股息点预测效果（2024、2025年）**：对上证50、沪深300、中证500及中证1000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，模型具有较好的预测准确性[66]。 因子的回测效果 1. **已实现股息率因子（截至2026年3月4日）**： * **上证50指数**：0.00%[4][18] * **沪深300指数**：0.00%[4][18] * **中证500指数**：0.00%[4][18] * **中证1000指数**：0.00%[4][18] 2. **剩余股息率因子（截至2026年3月4日）**： * **上证50指数**：2.80%[4][18] * **沪深300指数**：2.14%[4][18] * **中证500指数**：1.14%[4][18] * **中证1000指数**：0.89%[4][18]

量化模型与构建方式 1. **模型名称：基于ETF资金流向的行业轮动策略** **模型构建思路：** 从短期资金流入流出、风格调整后的持仓程度及边际变化、以及与主动权益基金的持仓分歧度三个角度，综合构建行业配置模型[35]。 **模型具体构建过程：** * **步骤1：构建四个核心因子** * **因子A：短期资金流入流出**。周频计算各行业ETF持仓规模的一阶差分，差分值越大代表资金流入越明显[40]。 * **因子B：风格调整后持仓程度**。首先使用单边HP滤波器和因子动量模型判断当前市场是**大盘风格占优**还是**小盘风格占优**[48][50]。当大盘风格占优时，持有ETF截面持仓程度（行业持仓规模/行业总市值）最高的行业组合；当小盘风格占优时，持有持仓程度最低的行业组合[47][56]。 * **因子C：风格调整后持仓边际变化**。同样基于风格判断模型，判断当前是**成长风格占优**还是**价值风格占优**[48][50]。当成长风格占优时，持有ETF持仓边际变化（月度截面持仓差分）最大的行业组合（加仓）；当价值风格占优时，持有持仓边际变化最小的行业组合（减仓）[47][56]。 * **因子D：与权益基金的持仓分歧度**。计算股票ETF持仓规模占比与主动权益基金持仓规模占比的差值[27]。同时，对比股票ETF与主动权益基金的月度新发份额环比，定义“新发热度” = 股票ETF新发份额环比 - 主动权益新发份额环比[62]。当股票ETF新发热度更高时，选择ETF持仓相对主动权益**高配**（分歧度为正）的行业；反之，选择主动权益持仓相对ETF**高配**（分歧度为负）的行业[62][65]。 * **步骤2：因子合成与组合构建**。将上述四个因子等权合并，每月优选综合排名前6的行业，进行等权配置，每两周换仓一次[72]。 模型的回测效果 1. **基于ETF资金流向的行业轮动策略**，回测区间（2019年10月8日至2026年1月30日）： * 绝对年化收益：**15.57%**[71] * 年化波动率：**20.75%**[71] * 夏普比率：**0.75**[71] * 最大回撤：**-24.75%**[71] * 超额年化收益（相对行业等权）：**7.56%**[71] * 跟踪误差：**8.13%**[71] * 信息比率（IR）：**0.93**[71] * 相对最大回撤：**-8.30%**[71] * 超额月度胜率：**64%**[3] * 超额月度赔率：**1.38倍**[3] 量化因子与构建方式 1. **因子名称：短期资金流入流出因子** **因子构建思路：** 捕捉ETF资金短期（周频）流入流出对行业收益的驱动效应[44]。 **因子具体构建过程：** 周频计算每个中信一级行业被所有股票ETF持有的总规模。对每个行业，计算其周度持仓规模的一阶差分 $$Flow_{i,t} = Holding_{i,t} - Holding_{i,t-1}$$，其中 $$Holding_{i,t}$$ 代表行业 $$i$$ 在 $$t$$ 周末的ETF持仓总规模。$$Flow_{i,t}$$ 值越大，表示该行业在当周资金流入越显著[37][40]。 **因子评价：** 资金流入的行业在短期内具有明显的收益优势，且2021年后ETF规模快速上升，该因子的驱动效用显著提升[44]。 2. **因子名称：风格调整后持仓程度因子** **因子构建思路：** 根据市场市值风格（大小盘）的强弱，动态选择ETF持仓程度高或低的行业组合[47]。 **因子具体构建过程：** * **基础指标计算：** 月频计算行业截面持仓程度，即行业被ETF持仓的规模除以行业总市值[20]。 * **风格判断模型：** 使用**单边HP滤波器**对风格指数比值（如沪深300/中证1000）进行降噪处理，消除短期波动[50]。然后计算**因子动量**来划分风格阶段，因子动量定义为当期滤波后数值与过去两期均值之差：$$Momentum_t = Factor_t - (Factor_{t-1} + Factor_{t-2})/2$$。当 $$Momentum_t > 0$$ 时，判定为对应风格（如大盘风格）上行/占优；反之则判定为下行/占优[49][50]。 * **因子生成：** 当模型判定为大盘风格占优时，该因子取值为行业截面持仓程度的排名（持仓越高，因子值越大）；当判定为小盘风格占优时，则取持仓程度的倒序排名（持仓越低，因子值越大）[56]。 3. **因子名称：风格调整后持仓边际变化因子** **因子构建思路：** 根据市场成长价值风格的强弱，动态选择ETF加仓或减仓的行业组合[47]。 **因子具体构建过程：** * **基础指标计算：** 月频计算行业持仓边际变化，即当月截面持仓程度与上月截面持仓程度的差值[20]。 * **风格判断模型：** 与因子2类似，使用单边HP滤波器和因子动量模型判断成长/价值风格的强弱（例如使用国证成长/国证价值指数）[50]。 * **因子生成：** 当模型判定为成长风格占优时，该因子取值为行业持仓边际变化的排名（加仓越多，因子值越大）；当判定为价值风格占优时，则取持仓边际变化的倒序排名（减仓越多，因子值越大）[56]。 4. **因子名称：与权益基金的持仓分歧度因子** **因子构建思路：** 将主动权益基金的持仓作为增量信息，利用股票ETF与主动权益基金在行业配置上的分歧以及两者资金流入的热度对比来挖掘机会[60][65]。 **因子具体构建过程：** * **分歧度计算：** 月频计算每个行业的持仓分歧度，即股票ETF持仓规模占比减去主动权益基金持仓规模占比[27]。主动权益基金持仓在季报公布月使用真实重仓数据，在非季报月使用收益回归法模拟估算[28]。 * **热度对比：** 计算股票ETF与主动权益基金的月度新发份额环比差值，得到“新发热度”[62]。 * **因子生成：** 当股票ETF新发热度高于主动权益基金时，该因子取值为行业持仓分歧度的排名（ETF相对持仓越高，因子值越大）；反之，则取持仓分歧度的倒序排名（主动权益相对持仓越高，因子值越大）[62][65]。 因子的回测效果 1. **短期资金流入流出因子**（第5组 vs. 行业等权，全时期）： * 超额年化收益：**2.72%** (计算：6.17% - 3.45%)[42] * 年化波动率：**21.22%**[42] * 夏普比率：**0.29**[42] * 最大回撤：**-37.61%**[42] * *注：表格中第5组（资金流入最多）的绝对年化收益为6.17%，行业等权基准为3.45%*[42]。 2. **风格调整后持仓程度因子**（基础策略，2017年1月9日至2026年1月30日）： * 绝对年化收益：**9.66%**[55] * 年化波动率：**20.29%**[55] * 夏普比率：**0.48**[55] * 最大回撤：**-29.11%**[55] * 超额年化收益（相对行业等权）：**5.82%**[55] * 跟踪误差：**7.76%**[55] * 信息比率（IR）：**0.75**[55] * 相对最大回撤：**-12.33%**[55] 3. **与权益基金的持仓分歧度因子**（基础策略，2019年10月8日至2026年1月30日）： * 绝对年化收益：**14.01%**[64] * 年化波动率：**20.46%**[64] * 夏普比率：**0.68**[64] * 最大回撤：**-28.80%**[64] * 超额年化收益（相对行业等权）：**6.11%**[64] * 跟踪误差：**8.00%**[64] * 信息比率（IR）：**0.76**[64] * 相对最大回撤：**-15.55%**[64]

量化模型与构建方式 1. **模型名称：中国经济六周期模型** **模型构建思路：** 通过识别中长期贷款脉冲（新增中长贷TTM同比）的三个月差分方向来判断信用周期，并结合其他宏观因子，将经济划分为六个阶段，用于指导资产配置[7]。 **模型具体构建过程：** 1. 使用“中长期贷款脉冲”作为核心信用周期识别指标。该指标的计算基于“新增中长期贷款TTM同比”的三个月差分[7]。 2. 通过该指标的变动方向（上升或下降）来判定信用周期是处于扩张还是收缩状态[7]。 3. 结合货币因子、增长因子等其他宏观指标，将经济状态综合划分为六个阶段。报告当前指出模型处于“阶段6：货币扩张”状态[7][11]。 2. **模型名称：宏观胜率评分卡** **模型构建思路：** 从货币、信用、增长、通胀和海外五个宏观因子出发，合成一个综合评分，用于评估各类资产的未来上涨概率（胜率）[21]。 **模型具体构建过程：** 报告提及该模型基于五个宏观因子（货币、信用、增长、通胀、海外）构建，但未详细说明各因子的具体计算方法和合成规则。模型输出结果为各资产的综合胜率百分比，例如A股胜率[21]。 3. **模型名称：利率债收益预测模型（债券赔率指标）** **模型构建思路：** 根据长短期债券的预期收益差来构建债券资产的赔率指标，用于衡量债券资产的估值吸引力[22]。 **模型具体构建过程：** 报告未给出该模型计算预期收益差和赔率的具体公式，但明确指出该赔率指标是标准化后的数值，以标准差倍数表示[22]。 4. **模型名称：美联储流动性指数** **模型构建思路：** 结合数量维度和价格维度，综合构建一个反映美联储流动性松紧程度的指数[29]。 **模型具体构建过程：** 报告指出该指数综合了净流动性、联储信用支持、预期引导、市场隐含、公告意外等多个维度，但未提供具体的合成公式。指数设有预警阈值，例如-60%代表“极度收紧”[28][29]。 5. **模型名称：行业景气-趋势-拥挤配置模型（并行策略）** **模型构建思路：** 提出两种右侧行业配置方案，并将它们结合形成并行策略。方案一以行业景气度为核心，结合趋势并规避高拥挤；方案二以市场趋势为核心，结合低拥挤并规避低景气[46]。 **模型具体构建过程：** * **行业景气模型：** 核心是“分析师行业景气指数”。该指数基于分析师预测数据构建，用于衡量市场对行业未来业绩的预期。具体构建方法在引用的专题报告中，本报告未详述[12]。 * **行业趋势模型：** 核心是行业的趋势强度。 * **拥挤度：** 用于衡量交易过热风险。 * **并行策略：** 同时运行上述两个模型，其推荐结果共同构成最终的行业配置建议[46][49]。 6. **模型名称：行业ETF配置模型** **模型构建思路：** 将“行业景气-趋势-拥挤配置模型”的逻辑应用于可交易的行业ETF上，构建一个可落地的投资组合[50]。 **模型具体构建过程：** 与模型5思路一致，但标的物为行业ETF。模型对每只ETF计算其跟踪指数的景气度、趋势和拥挤度，并据此进行配置[50][51]。 7. **模型名称：行业库存景气+困境反转模型** **模型构建思路：** 从赔率-胜率角度出发，在当前或过去处于困境但已有所反弹的板块中，筛选出分析师长期看好且库存压力不大、具备补库条件的行业，以捕捉困境反转行情[55]。 **模型具体构建过程：** 报告提及模型结合了“困境”（赔率）、“分析师长期看好”（胜率的一部分）和“库存压力/补库条件”等多个维度，但未给出具体的因子计算公式和合成规则[55]。 8. **模型名称：赔率增强型策略（固收+）** **模型构建思路：** 基于风险预算模型，在目标波动率约束下，根据各资产的赔率指标动态调整配置权重，持续超配高赔率（估值有吸引力）的资产[58]。 **模型具体构建过程：** 策略使用风险预算模型进行资产配置。赔率指标作为输入，用于计算各类资产（泛权益、黄金、债券）的风险预算。在满足目标波动率约束的前提下，分配更多风险预算给赔率高的资产[58]。 9. **模型名称：胜率增强型策略（固收+）** **模型构建思路：** 与赔率增强型策略框架类似，但输入指标替换为基于宏观五因子合成的各资产“胜率”评分，旨在超配未来上涨概率更高的资产[61]。 **模型具体构建过程：** 使用与模型8相同的风险预算模型框架，但将赔率指标替换为模型2（宏观胜率评分卡）输出的胜率评分，作为计算风险预算的依据[61]。 10. **模型名称：赔率+胜率增强型策略（固收+）** **模型构建思路：** 综合赔率和胜率信息，将两种策略的风险预算简单相加得到综合得分，据此构建更全面的资产配置策略[64]。 **模型具体构建过程：** 分别计算赔率增强策略（模型8）和胜率增强策略（模型9）对各类资产的风险预算，然后将两者相加，得到最终的综合风险预算，并据此确定资产配置权重[64]。 量化因子与构建方式 1. **因子名称：行业相对强弱指标（RS）** **因子构建思路：** 基于行业内个股的横截面收益排名，构建一个行业级别的相对强弱指标，用于提前识别年度领涨主线[15]。 **因子具体构建过程：** 报告未给出RS因子的具体计算公式，但说明其构建基础是“行业横截面收益排名”。当某个行业的RS指标大于90%时，被视为一个强烈的看涨信号[15]。 2. **因子名称：A股赔率因子** **因子构建思路：** 综合Shiller ERP（经周期调整的市盈率倒数）和DRP（股息率）两个估值指标，合成一个衡量A股整体估值吸引力的赔率因子[21]。 **因子具体构建过程：** 将Shiller ERP和DRP分别进行标准化处理（转化为Z-score），然后进行等权加权，得到最终的赔率因子值。该值以标准差倍数表示[21]。 3. **因子名称：债券赔率因子** **因子构建思路：** 基于利率债收益预测模型输出的长短期债券预期收益差，构建衡量债券估值吸引力的指标[22]。 **因子具体构建过程：** 由模型3（利率债收益预测模型）输出，并进行标准化处理，以标准差倍数表示[22]。 4. **因子名称：美股AIAE指标** **因子构建思路：** 作为一个衡量美股估值风险的指标，具体构建方法未说明，但历史高点通常预示较大的回撤风险[26][29]。 5. **风格因子（小盘、价值、质量、成长等）的三标尺：赔率、趋势、拥挤度** **因子构建思路：** 从三个维度（赔率、趋势、拥挤度）对风格因子进行综合评估，每个维度都进行标准化处理（以标准差倍数表示），并据此计算综合得分[30][32][36][39]。 **因子具体构建过程：** * **赔率：** 衡量因子估值便宜程度，数值越大代表越便宜[31]。 * **趋势：** 衡量因子近期表现强度，数值越大代表趋势越强[31]。 * **拥挤度：** 衡量因子交易过热程度，数值越大代表越拥挤[31]。 * **综合得分：** 基于三个维度的标准化数值计算得出，用于排名和判断[44]。 模型的回测效果 1. **行业景气-趋势-拥挤配置模型（并行策略）**，基准：Wind全A指数，年化收益22.0%，年化超额收益13.2%，信息比率(IR)1.5，超额最大回撤-8.0%，月度胜率67%[47]。2026年初至2月底绝对收益8.0%，超额收益-0.2%[47]。 2. **行业ETF配置模型**，基准：中证800指数，年化超额收益16.3%，信息比率(IR)1.9，超额最大回撤10.8%，月度胜率66%[52]。2025年超额收益21.4%[52]。2026年初至2月底绝对收益9.5%，超额收益3.9%[52]。 3. **行业库存景气+困境反转模型**，基准：行业等权组合，2023年绝对收益13.4%，超额收益17.0%；2024年绝对收益26.5%，超额收益15.4%；2025年绝对收益28.7%，超额收益5.6%[55]。2026年初至2月底绝对收益12.2%，超额收益3.9%[55]。 4. **赔率增强型策略（固收+）**，自2011年以来年化收益6.7%，年化波动2.3%，最大回撤3.1%，夏普比率2.88[60]。自2014年以来年化收益7.4%，最大回撤2.8%，夏普比率3.35[60]。自2019年以来年化收益6.8%（原文6.9%），最大回撤2.8%，夏普比率3.14[60]。 5. **胜率增强型策略（固收+）**，自2011年以来年化收益7.1%，年化波动2.4%，最大回撤3.4%，夏普比率2.99[62]。自2014年以来年化收益7.9%，最大回撤2.2%，夏普比率3.41[62]。自2019年以来年化收益6.8%，最大回撤1.5%，夏普比率3.10[62]。 6. **赔率+胜率增强型策略（固收+）**，自2011年以来年化收益6.7%，年化波动2.3%，最大回撤2.9%，夏普比率2.92[66]。自2014年以来年化收益7.3%，最大回撤2.3%，夏普比率3.31[66]。自2019年以来年化收益6.3%，最大回撤2.3%，夏普比率2.99[66]。 因子的回测效果 1. **小盘因子**，赔率0.6倍标准差，趋势0.7倍标准差，拥挤度-1.4倍标准差，综合得分4[30]。 2. **价值因子**，赔率1.2倍标准差，趋势0.3倍标准差，拥挤度-1.2倍标准差，综合得分3[32]。 3. **质量因子**，赔率1.2倍标准差，趋势-0.1倍标准差，拥挤度-0.2倍标准差，综合得分1[36]。 4. **成长因子**，赔率-1.2倍标准差，趋势0.6倍标准差，拥挤度0.2倍标准差，综合得分-0.4[39]。

量化模型与构建方式 1. **模型名称：社融自下而上拆分预测框架** [7][10] * **模型构建思路**：从社融各子项的经济逻辑、高频数据、季节性特征等角度出发，分别对每个子项进行预测，最后汇总得到社融总量预测，以实现对总量和结构的准确预测[7][10]。 * **模型具体构建过程**：该框架并非单一模型，而是针对社融的不同子项采用多种预测方法的集合[11]。 1. **人民币贷款（企业贷款+居民短贷）预测**：以PMI与唐山钢厂产能利用率为自变量，对信贷大月和小月分别进行滚动回归预测[11]。 2. **居民中长期贷款预测**：根据商品房销售代理指标与居民中长贷的三阶段特点进行预测[11]。 3. **企业票据融资预测**：以转贴现利率为外生变量，使用5年窗口的滚动自回归进行预测[11]。 4. **政府债券净融资预测**：通过将月末新发政府债券计入下月，对政府债券发行到期高频跟踪数据进行口径调整[11]。 5. **企业债券净融资预测**：使用5年窗口的滚动回归对企业债券子项重新配权，以降低口径差异[11]。 6. **外币贷款预测**：使用过去3个月均值作为预测[11]。 7. **信托贷款预测**：通过跟踪集合信托以及单一信托发行到期的披露情况进行近似预测[11]。 8. **委托贷款预测**：使用过去12个月均值作为预测，部分基建相关增量额外进行判断[11]。 9. **未贴现银行承兑汇票预测**：鉴于票交所高频数据停止对外公布，使用过去三年同期平均值作近似估计[11]。 10. **非金融企业境内股票融资预测**：将股权融资（包括IPO、增发、配股、优先股）的月频净融资数据扣除金融企业部分得到预测[11]。 11. **贷款核销预测**：使用去年同期值作为预测[11]。 12. **存款类金融机构资产支持证券预测**：使用信贷ABS净融资高频跟踪[11]。 * **模型评价**：该框架能够较为准确地预测社融总量，同时提供对社融结构信息的预测[10]。 模型的回测效果 *注：本报告未提供模型在历史回测中的具体量化指标（如IR、胜率、最大回撤等），仅展示了近期预测值与实际值的对比。* 1. **社融自下而上拆分预测框架** * 2026年1月新增社融预测值：74432亿元，实际值：72208亿元[20]。 * 2026年2月新增社融预测值：23417亿元[1][7][11]。 *注：报告未提供独立的量化因子及其构建过程与测试结果。*

量化模型与构建方式 1. **模型名称：逆周期配置模型**[7] * **模型构建思路**：从逆周期视角出发，通过预测未来的宏观环境（经济增长和通货膨胀变化方向），选择在不同宏观环境下预期表现最优的资产进行配置，以构建绝对收益组合[7]。 * **模型具体构建过程**： 1. **宏观环境预判**：使用两个代理变量预测下个季度的宏观环境。 * 使用**信用利差**的变化方向预判下个季度的经济增长变化方向[7]。 * 使用**期限利差**的变化方向预判下个季度的通货膨胀变化方向[7]。 2. **环境划分**：根据上述两个利差的变化方向（扩张或收窄），将宏观环境划分为三种阶段：Growth、Inflation、Slowdown[7]。 3. **资产配置**：根据预测出的宏观环境阶段，超配、低配或基准配置不同的资产。报告示例中提到： * Growth环境：超配股票资产10%（具体为沪深300，配置比例30%）[8]。 * Slowdown环境：低配股票资产10%（具体为国证2000，配置比例10%）[8]。 * Inflation环境：维持股票基准配置比例（具体为沪深300，配置比例20%），并配置南华商品指数30%[8]。 * 债券资产（以中债国债总财富指数代表）作为基础配置，在不同环境中调整股票和商品的配置比例[7][8]。 2. **模型名称：宏观动量月度配置模型**[9][12] * **模型构建思路**：针对股票、债券、黄金等不同大类资产，分别构建一个多因子打分模型。模型汇总多个宏观经济、市场情绪等维度的因子信号，生成月度择时观点（正向或负向）[9][12]。 * **模型具体构建过程**： 1. **因子库构建**：为每类资产选取一组相关的小类因子，并归入不同的大类因子类别（如经济增长、通货膨胀、汇率、利率、风险情绪、基本面、持仓、技术等）[9][12]。 2. **信号生成**：对于每个小类因子，其分项信号的计算方法为： $$分项信号 = 影响方向 \times 最新变化$$ 其中，“影响方向”代表该因子对资产价格的预期影响（+1为正向，-1为负向），“最新变化”代表因子值相对于上期的变化方向（+1为上升或改善，-1为下降或恶化）[9][12]。 3. **信号汇总**： * 每个大类因子的“汇总信号”由其下辖的小类因子“分项信号”汇总得到（具体汇总逻辑未明确说明，可能为求和或均值）[9][12]。 * 将所有大类因子的“汇总信号”相加，得到“总信号”[9][12]。 4. **择时判断**：根据“总信号”的正负给出资产月度涨跌的择时信号（例如，总信号为正代表看多/正向信号，为负代表看空/负向信号）[9][12]。 3. **因子名称：行业复合趋势因子**[13][14] * **因子构建思路**：从行业维度构建一个复合指标，用以观察A股市场整体行情启动的信号。该因子在绝对值超过一定阈值后，往往预示着市场后续上涨；而在市场接近顶部时，因子绝对值会突然下降，可能触发空仓信号[13]。 * **因子具体构建过程**：报告未提供该因子的详细计算公式和构建步骤，仅指出其从行业维度构建，并参考了专题报告《大类资产与中观配置研究（二）——权益资产择时之市场趋势因子》[13]。 模型的回测效果 1. **逆周期配置模型**： * 累计净值：截至2026年2月28日，模型累计净值走势展示于报告中（具体数值需从图1中读取，文本未提供）[10]。 * 季度表现示例：2025年第四季度，模型预测环境为Inflation，配置组合中沪深300、国证2000、南华商品、中债国债总财富指数的涨幅依次为-0.23%、1.83%、3.63%、0.11%[7]。 2. **行业复合趋势因子（组合）**： * 累积收益（2015年1月至2026年2月）：143.48%[14]。 * 超额收益（2015年1月至2026年2月）：52.95%[14]。 * 最新信号与表现：2026年2月，因子信号为正向，Wind全A当月收益率为2.34%[14]。截至2026年2月底，因子值为0.24，维持正向信号[14]。 量化因子与构建方式 1. **因子名称：股票市场择时因子集**[9] * **因子构建思路**：选取与股票市场（Wind全A指数）相关的宏观经济、汇率、利率及市场情绪指标，通过判断其变化方向生成择时信号[9]。 * **因子具体构建过程**：因子列表及影响方向如下： * **经济增长类**：PMI（影响方向+1）、标普全球中国通用制造业PMI（+1）[9]。 * **通货膨胀类**：PPI当月同比（-1）、PPI预期误差（-1）[9]。 * **汇率类**：CFETS人民币汇率指数（+1）、美元中间价（-1）[9][11]。 * **利率类**：中债企业债到期收益率(AA):1个月（-1）、中债国开债到期收益率:10年（+1）[9]。 * **风险情绪类**：Wind全A前一个月收益率（+1）、Wind全A前一个月波动率（滚动6个月）变化（-1）[9]。 2. **因子名称：债券市场择时因子集**[12] * **因子构建思路**：选取与债券市场（中债国债总净价指数）相关的宏观经济、汇率、利率及市场情绪指标，通过判断其变化方向生成择时信号[12]。 * **因子具体构建过程**：因子列表及影响方向如下： * **经济增长类**：PMI（-1）、PMI预期误差（-1）、工业增加值误差（-1）[12]。 * **通货膨胀类**：CRB指数（-1）、CPI当月同比（-1）[12]。 * **汇率类**：CFETS人民币汇率指数（+1）、美元中间价（-1）[12]。 * **利率类**：中债国债到期收益率:2年（-1）、中债国债到期收益率:5年（-1）、中债国债到期收益率:10年（-1）[12]。 * **风险情绪类**：Wind全A前一个月收益率（-1）、Wind全A前一个月波动率（滚动6个月）变化（+1）[12]。 3. **因子名称：黄金市场择时因子集**[12] * **因子构建思路**：选取与黄金价格相关的基本面、持仓、技术指标，直接给出分项信号（+1或-1），汇总后生成择时信号[12]。 * **因子具体构建过程**：因子列表如下： * **基本面类**：预期通胀、实际利率、全球负收益债规模、美国M2[12]。 * **持仓类**：CFTC掉期商持仓、CFTC管理基金持仓[12]。 * **技术类**：伦敦金10月均线、伦敦金20月均线[12]。 因子的回测效果 （报告未提供单个因子的独立测试结果指标，仅展示了其集成到模型中的综合信号和结果）

量化模型与构建方式 1. **模型名称：量化大势研判行业配置策略** **模型构建思路：** 基于产业生命周期理论，将股票资产划分为五种风格阶段，通过全局比较不同风格下资产的优势（“有没有好资产”）和估值（“贵不贵”），自下而上地判断未来市场的主流风格并进行行业配置[6]。 **模型具体构建过程：** 1. **资产分类：** 将股票资产（以中信二三级行业为标的，整理合并为202个）根据产业生命周期划分为五种风格：外延成长、质量成长、质量红利、价值红利、破产价值[6]。 2. **资产比较框架：** 遵循 `g > ROE > D` 的优先级顺序[1][6]。主流资产（实际增速资产 `g`、预期增速资产 `gf`、盈利资产 `ROE`）优先比较，只有当主流资产均无优势时，才考虑次级资产（质量红利、价值红利、破产价值），次级资产的优先级由拥挤度确定[10]。 3. **优势判断：** * 对于**预期成长 (gf)**：比较分析师预期增速 (`g_fttm`) 的高低，计算其优势差 (`Δgf`)[7][23]。优势差计算类似于因子择时中的 Spread，即头部资产与尾部资产在特定指标上的差值[23]。 * 对于**实际成长 (g)**：比较业绩动量 (`Δg`)，即净利润增速 (`g_ttm`) 的变化[7][27]。 * 对于**盈利能力 (ROE)**：在 PB-ROE 框架下，比较估值水平的高低[7]。 * 对于**质量红利**：采用 `DP+ROE` 综合打分[44]。 * 对于**价值红利**：采用 `DP+BP` 综合打分[47]。 * 对于**破产价值**：采用 `PB+SIZE` 综合打分（取最低）[50]。 4. **行业选择：** 在每月确定的占优风格下，根据该风格的筛选逻辑（如预期增速最高、PB-ROE 残差最低等），选取排名前5的细分行业[17]。 5. **组合构建：** 将选出的行业以等权重方式进行配置[17]。 2. **因子名称：预期净利润增速 (g_fttm)** **因子构建思路：** 基于分析师对未来盈利的一致预期，衡量资产的成长潜力，用于筛选预期成长风格的资产[7][37]。 **因子具体构建过程：** 报告未给出具体计算公式，但指出该因子为行业层面的分析师预期净利润增速[25]。通常构建方式为汇总行业内个股的分析师一致预期净利润增速，并进行行业加权平均。 3. **因子名称：净利润增速 (g_ttm) 及变化 (Δg)** **因子构建思路：** 基于历史财务数据，衡量资产的实际成长性及其动量，用于筛选实际成长风格的资产[7][38]。 **因子具体构建过程：** 报告未给出具体计算公式，但指出 `g_ttm` 为行业净利润增速，`Δg` 为其变化值，用于表征业绩动量[27]。通常 `g_ttm` 为行业最近12个月净利润的同比增速，`Δg` 为其环比或历史变化。 4. **因子名称：超预期因子 (sue, sur, jor)** **因子构建思路：** 衡量公司实际财报业绩相对于市场预期的偏离程度，用于捕捉业绩惊喜，是实际成长策略的具体因子[38]。 **因子具体构建过程：** 报告未给出具体计算公式和说明。通常 `SUE` (Standardized Unexpected Earnings) 为标准化意外盈余，`SUR` 可能为收入惊喜，`JOR` 含义不明。 5. **因子名称：PB-ROE 回归残差** **因子构建思路：** 在盈利能力 (`ROE`) 策略中，用于筛选高 `ROE` 但估值 (`PB`) 相对较低的资产，即寻找盈利能力强且估值合理的标的[41]。 **因子具体构建过程：** 报告未给出具体计算公式。通常构建方式为：在横截面上对 `PB` 和 `ROE` 进行回归（如 `PB = α + β * ROE + ε`），取回归残差 `ε`。残差为负表示相对于其 `ROE` 水平，该资产的 `PB` 估值较低。 6. **因子名称：股息率 (dp)** **因子构建思路：** 衡量资产的现金分红回报，是红利类策略（质量红利、价值红利）的核心因子[44][47]。 **因子具体构建过程：** 报告未给出具体计算公式。通常为每股股息除以股价。 7. **因子名称：市净率倒数 (bp)** **因子构建思路：** 衡量资产的账面价值低估程度，是价值红利策略的因子之一[47]。 **因子具体构建过程：** 报告未给出具体计算公式。通常为每股净资产除以股价，即市净率 (`PB`) 的倒数。 8. **因子名称：市净率 (pb)** **因子构建思路：** 衡量资产的估值水平，在破产价值策略中，低 `PB` 是重要筛选标准[50]。 **因子具体构建过程：** 报告未给出具体计算公式。通常为股价除以每股净资产。 9. **因子名称：规模 (size)** **因子构建思路：** 衡量资产的市值大小，在破产价值策略中，与小市值因子结合使用[50]。 **因子具体构建过程：** 报告未给出具体计算公式。通常为总市值或流通市值的对数。 模型的回测效果 1. **量化大势研判行业配置策略**，年化收益 **27.81%** (2009年以来)[17]，2009年超额收益 **51%** [20]，2010年超额收益 **14%** [20]，2011年超额收益 **-11%** [20]，2012年超额收益 **0%** [20]，2013年超额收益 **36%** [20]，2014年超额收益 **-4%** [20]，2015年超额收益 **16%** [20]，2016年超额收益 **-1%** [20]，2017年超额收益 **27%** [20]，2018年超额收益 **7%** [20]，2019年超额收益 **8%** [20]，2020年超额收益 **44%** [20]，2021年超额收益 **38%** [20]，2022年超额收益 **62%** [20]，2023年超额收益 **10%** [20]，2024年超额收益 **52%** [20]，2025年超额收益 **14%** [20]，2026年2月超额收益 **1%** [20]。 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、IR等），仅提供了基于该因子构建的策略历史表现定性描述。)* 1. **预期成长策略 (基于g_fttm)**，历史表现：2019年以来超额显著，2014-2015年期间也有较高超额[37]。 2. **实际成长策略 (基于sue, sur, jor)**，历史表现：长期超额都较为显著，在成长风格占优环境下尤其突出[38]。 3. **盈利能力策略 (基于PB-ROE残差)**，历史表现：2016年-2020年超额较为显著，2021年-2024年上半年持续较弱[41]。 4. **质量红利策略 (基于dp, roe)**，历史表现：2016年、2017年、2023年超额较为显著[44]。 5. **价值红利策略 (基于dp, bp)**，历史表现：2009年、2017年、2021-2023年超额较为显著[47]。 6. **破产价值策略 (基于pb, size)**，历史表现：2015-2016年、2021-2023年超额较为显著[50]。

量化模型与因子总结 量化模型与构建方式 本报告主要对市场宽基指数进行多维度数据跟踪与统计分析，未涉及具体的量化选股模型或预测模型。报告的核心内容是对一系列市场状态指标（可视为广义的“因子”）的计算和监控[1][2][3]。 量化因子与构建方式 报告详细计算并跟踪了多个用于评估市场状态和宽基指数特征的指标，这些指标可被视为市场层面的监测因子。 1. **因子名称：风险溢价** * **因子构建思路：** 以十年期国债即期收益率作为无风险利率的参考，计算各宽基指数收益率相对于无风险利率的溢价，用以衡量其相对投资价值和偏离情况[26]。 * **因子具体构建过程：** 计算各宽基指数的收益率（报告中未明确具体收益率计算周期，通常为预期收益率或历史收益率）与十年期国债即期收益率之差。报告中的“当前风险溢价”即为该差值[30]。 * 公式：$$风险溢价 = 指数收益率 - 十年期国债即期收益率$$ * **因子评价：** 该因子有明显的均值复归现象，可用于观察市场极端表现后的价值回归[27]。不同指数的风险溢价分布特征不同，如上证50分布更集中，而中证1000、中证2000等分布较分散，不确定性更大[33]。 2. **因子名称：股债性价比** * **因子构建思路：** 将股票资产的估值收益率（市盈率倒数）与债券收益率（十年期国债）进行比较，其差值代表股票相对债券的吸引力[45]。 * **因子具体构建过程：** 计算各宽基指数市盈率（PE-TTM）的倒数，再减去十年期国债即期收益率。 * 公式：$$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ * **因子评价：** 该因子是经典的资产配置参考指标，高于历史高位（如80%分位）通常代表股票资产更具吸引力，低于历史低位（如20%分位）则代表债券相对更有吸引力[45]。 3. **因子名称：指数破净率** * **因子构建思路：** 统计指数成分股中市净率（PB）小于1的个股占比，用以反映市场整体的估值态度和悲观程度[53][55]。 * **因子具体构建过程：** 对于每个宽基指数，遍历其所有成分股，判断其市净率是否小于1。破净率等于破净个股数量除以指数成分股总数量。 * 公式：$$破净率 = \frac{指数内破净（PB < 1）的个股数量}{指数成分股总数量}$$ * **因子评价：** 破净率越高，表明市场低估的情况越普遍，可能反映市场情绪悲观；破净率越低，可能表明市场对未来发展持相对乐观态度[55]。 4. **因子名称：指数换手率** * **因子构建思路：** 衡量指数整体交易的活跃程度[17]。 * **因子具体构建过程：** 采用流通股本加权平均的方式计算指数换手率。具体为：对指数内所有成分股，计算其流通股本与个股换手率的乘积之和，再除以所有成分股的流通股本之和[17]。 * 公式：$$指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$$ 5. **因子名称：交易金额占比** * **因子构建思路：** 衡量单个宽基指数的成交额在全市场（以中证全指为代表）中的比重，反映资金流向和关注度[17]。 * **因子具体构建过程：** 计算该指数当日的总成交金额，除以中证全指当日的总成交金额[17]。 * 公式：$$交易金额占比 = \frac{指数当日交易金额}{中证全指当日交易金额}$$ 6. **因子名称：收益分布形态指标（偏度与峰度）** * **因子构建思路：** 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，例如是否具有“尖峰厚尾”或偏态特性[23]。 * **因子具体构建过程：** * **偏度：** 衡量收益率分布的不对称性。正偏态表示极端正收益情形增加[23]。报告计算了当前偏度与近5年历史偏度的差值（当前vs.近5年）[24]。 * **峰度：** 衡量收益率分布的陡峭程度。报告中计算的是超额峰度（计算中减去了正态分布的峰度值3），峰度越大，说明收益率分布更集中[23][24]。报告同样计算了当前峰度与近5年历史峰度的差值[24]。 7. **因子名称：均线相对位置** * **因子构建思路：** 通过比较指数收盘价与不同周期移动平均线（MA）的位置关系，判断市场短期、中期和长期的趋势状态[13]。 * **因子具体构建过程：** 计算指数收盘价相对于各周期均线（如MA5, MA10, MA20等）的百分比偏离。例如，`vsMA5 = (收盘价 / MA5) - 1`。报告中使用“跌破”描述收盘价低于某条均线的情况[13][14]。 8. **因子名称：历史分位值（应用于PE-TTM、股息率、风险溢价等）** * **因子构建思路：** 将因子的当前值置于其历史数据（如近1年、近5年）中，计算其所处的百分位位置，以判断当前值的相对高低[41][50]。 * **因子具体构建过程：** 对于某个因子（如PE-TTM），收集其在指定历史窗口期（如近5年）的所有日度数据。将当前值与该历史序列比较，计算其百分位数。例如，98%的分位值意味着当前值高于历史98%的数据[42]。 因子的回测效果 报告未对上述因子进行传统的因子IC值、分组收益等量化回测。报告主要展示了这些因子在**特定时点（2026年3月3日）** 对各宽基指数的截面取值和统计结果，以及部分因子相对于其自身历史数据的分位状态[11][14][24][30][41][42][52][56]。 1. **风险溢价因子** * 当前风险溢价：上证50为-1.06%，沪深300为-1.55%，中证500为-4.36%，中证1000为-3.95%，中证2000为-4.17%，中证全指为-2.95%，创业板指为-2.58%[30] * 近5年历史分位值：上证50为12.94%，沪深300为6.27%，中证500为0.40%，中证1000为0.95%，中证2000为1.51%，中证全指为1.11%，创业板指为4.76%[30] 2. **PE-TTM因子** * 当前值：上证50为11.73，沪深300为14.29，中证500为37.38，中证1000为49.84，中证2000为166.28，中证全指为22.42，创业板指为42.08[43] * 近5年历史分位值：上证50为84.79%，沪深300为90.91%，中证500为97.85%，中证1000为97.69%，中证2000为88.84%，中证全指为98.18%，创业板指为60.50%[42][43] 3. **股息率因子** * 当前值：上证50为3.29%，沪深300为2.75%，中证500为1.27%，中证1000为1.00%，中证2000为0.72%，中证全指为1.95%，创业板指为0.90%[52] * 近5年历史分位值：上证50为33.55%，沪深300为36.53%，中证500为7.02%，中证1000为23.72%，中证2000为6.36%，中证全指为27.69%，创业板指为56.53%[50][52] 4. **破净率因子** * 当前值：上证50为20.0%，沪深300为15.67%，中证500为9.2%，中证1000为6.8%，中证2000为2.95%，中证全指为5.5%[56] 5. **交易金额占比因子** * 当前值（2026年3月3日）：沪深300为25.86%，中证1000为21.45%，中证2000为21.02%[17] 6. **换手率因子** * 当前值（2026年3月3日）：中证2000为5.15，中证1000为3.92，创业板指为3.65，中证500为3.09，中证全指为2.64，沪深300为1.12，上证50为0.63[17] 7. **收益分布形态指标** * 峰度负偏离（当前vs近5年）：创业板指最大（-2.63），中证500最小（-1.52）[23][24] * 偏度负偏离（当前vs近5年）：创业板指最大（-0.63），中证500最小（-0.41）[23][24]

量化模型与构建方式 1. **模型名称：宏观评分模型**[19] * **模型构建思路**：通过一套宏观因子体系，对各类宏观分项（如国内景气、全球景气等）进行评分，并综合这些分项评分，形成对大类资产的择时观点[19][21]。 * **模型具体构建过程**： 1. 构建宏观因子体系，包含国内景气、国内货币、国内信用、国内通胀、全球景气、全球货币、全球通胀、美元、金融压力等分项[21]。 2. 对每个宏观分项进行评分，评分值为-1, 0, 1[21]。 3. 将每个宏观分项对各类资产（如中证800、10年国债、标普500、黄金、原油、铜）的影响方向进行映射。例如，国内景气分项评分为-1时，对中证800的影响为-1，对10年国债的影响为1[21]。 4. 对每个资产，将所有宏观分项的影响值加总，得到该资产的宏观评分[21]。 5. 根据宏观评分的高低，形成“谨慎”、“看多”等择时观点[21]。 2. **模型名称：美股择时模型**[20] * **模型构建思路**：构建一个包含多个分项指标（如景气度、资金流、金融压力）的监测体系，通过观察各分项指标在历史滚动窗口（如5年）中的分位数位置，来判断美股的中期走势[20][24]。 * **模型具体构建过程**： 1. 构建美股择时监测体系，包含景气度、资金流、金融压力等分项指标[24]。 2. 计算每个分项指标在滚动5年窗口内的分位数[24]。 3. 通过历史回测确定分项指标的有效阈值。例如，当景气度分项指标位于50分位以上时，美股极少出现持续大幅回撤[20][25]。 4. 综合各分项指标的分位数和阈值，形成对美股走势的判断[20]。 3. **模型名称：黄金择时模型**[23] * **模型构建思路**：构建一个黄金择时指标，通过该指标的数值和变化趋势来判断黄金的短期配置价值和中期逻辑[23][26]。 * **模型具体构建过程**：报告未详细说明黄金择时指标的具体构建公式，但指出其数值可用于判断。最新指标值为-0.34[23][26]。 4. **模型名称：原油择时模型**[27] * **模型构建思路**：构建原油景气指数，通过该指数的读数（是否在0轴以上）来判断原油基本面的好坏和油价趋势[27][29]。 * **模型具体构建过程**：报告未详细说明原油景气指数的具体构建公式，但指出其读数可用于判断。最新指数读数为-0.01[27][29]。 5. **模型名称：大类资产配置策略**[4][28] * **模型构建思路**：每月根据量化配置信号为各资产分配风险预算，并结合宏观因子体系调整组合的宏观风险暴露，最终得到资产配置方案[4][28]。 * **模型具体构建过程**： 1. 生成大类资产量化配置信号。 2. 根据配置信号为每类资产分配风险预算。 3. 利用宏观因子体系（如宏观评分模型）对组合的宏观风险暴露进行调整。 4. 通过模型优化，得到最终的资产配置比例[33]。 模型的回测效果 1. **大类资产配置策略**，最近1年收益11.9%[4][28]，最大回撤2.7%[4][28]，2月收益-0.2%[4][28]。 2. **宏观评分模型**，2026年3月对中证800评分为-1[21]，对10年国债评分为2[21]，对标普500评分为3[21]，对黄金评分为-1[21]，对原油评分为3[21]，对铜评分为3[21]。 3. **美股择时模型**，景气度分项最新值位于滚动5年的60分位附近[20][24]。 4. **黄金择时模型**，择时指标最新值为-0.34[23][26]。 5. **原油择时模型**，景气指数最新读数为-0.01[27][29]。 量化因子与构建方式 1. **因子名称：全球景气因子**[1][18] * **因子构建思路**：构建一个能够综合反映全球制造业景气周期的因子，其走势与铜价等周期品价格高度同步[1][18]。 * **因子具体构建过程**：报告未详细说明该因子的具体构建公式，但展示了其与LME铜价同比增速的高度同步性[18]。 2. **因子名称：国内景气因子**[21] * **因子构建思路**：作为宏观评分模型的分项之一，用于评估国内经济景气状况[21]。 * **因子具体构建过程**：报告未详细说明其具体构建过程，但在宏观评分模型中，其评分值为-1, 0, 1[21]。 3. **因子名称：国内货币因子**[21] * **因子构建思路**：作为宏观评分模型的分项之一，用于评估国内货币政策状况[21]。 * **因子具体构建过程**：报告未详细说明其具体构建过程，但在宏观评分模型中，其评分值为-1, 0, 1[21]。 4. **因子名称：国内信用因子**[19][21] * **因子构建思路**：作为宏观评分模型的分项之一，用于评估国内信用周期状况[19][21]。 * **因子具体构建过程**：报告未详细说明其具体构建过程，但在宏观评分模型中，其评分值为-1, 0, 1。最新数据显示国内信用周期再度走弱[19][21]。 5. **因子名称：国内通胀因子**[21] * **因子构建思路**：作为宏观评分模型的分项之一，用于评估国内通胀状况[21]。 * **因子具体构建过程**：报告未详细说明其具体构建过程，但在宏观评分模型中，其评分值为-1, 0, 1[21]。 6. **因子名称：全球货币因子**[21] * **因子构建思路**：作为宏观评分模型的分项之一，用于评估全球货币政策状况[21]。 * **因子具体构建过程**：报告未详细说明其具体构建过程，但在宏观评分模型中，其评分值为-1, 0, 1[21]。 7. **因子名称：全球通胀因子**[21] * **因子构建思路**：作为宏观评分模型的分项之一，用于评估全球通胀状况[21]。 * **因子具体构建过程**：报告未详细说明其具体构建过程，但在宏观评分模型中，其评分值为-1, 0, 1[21]。 8. **因子名称：美元因子**[21] * **因子构建思路**：作为宏观评分模型的分项之一，用于评估美元走势状况[21]。 * **因子具体构建过程**：报告未详细说明其具体构建过程，但在宏观评分模型中，其评分值为-1, 0, 1[21]。 9. **因子名称：金融压力因子**[21] * **因子构建思路**：作为宏观评分模型的分项之一，用于评估金融体系压力状况[21]。 * **因子具体构建过程**：报告未详细说明其具体构建过程，但在宏观评分模型中，其评分值为-1, 0, 1[21]。 10. **因子名称：景气度分项（美股择时）**[20][24] * **因子构建思路**：作为美股择时模型的分项之一，用于评估美国经济景气状况对美股的影响[20][24]。 * **因子具体构建过程**：报告未详细说明其具体构建公式，但通过计算其在滚动5年窗口内的分位数来使用[24]。 11. **因子名称：资金流分项（美股择时）**[24] * **因子构建思路**：作为美股择时模型的分项之一，用于评估市场资金流向对美股的影响[24]。 * **因子具体构建过程**：报告未详细说明其具体构建过程，但通过计算其在滚动5年窗口内的分位数来使用[24]。 12. **因子名称：金融压力分项（美股择时）**[24] * **因子构建思路**：作为美股择时模型的分项之一，用于评估金融压力对美股的影响[24]。 * **因子具体构建过程**：报告未详细说明其具体构建过程，但通过计算其在滚动5年窗口内的分位数来使用[24]。 因子的回测效果 （报告未提供各因子的独立测试结果，如IC、IR等）

量化模型与构建方式 1. **模型名称**：宽基指数择时模型（通用框架）[2][3][6] **模型构建思路**：将前期应用于债券和商品的择时框架，扩展至权益宽基指数，以覆盖大类资产配置。针对权益指数波动大、趋势变化快的特点，对模型因子和结构进行了针对性优化[3][6]。 **模型具体构建过程**： * **因子集构建**：分为两部分。 1. **共性因子集**：适用于所有指数，包括资金、利率、商品期货及现货价格、高频日度指数（如BDI）、高频基本面（日度的消费及生产数据）、海外因子（美国股债价格、波动率等）以及描述国内权益市场的共性因子（如两融余额、股票回购金额）[7]。 2. **指数因子集**：针对每个宽基指数构建，包含两部分：a) 指数自身的成交量、成交金额、市盈率、市净率、换手率、资金净买入；b) 基于该指数计算的技术指标，如随机指标、标准差、相对强弱指标、能量潮等[7]。 * **因子调整**： * **减少低频因子**：选择性保留10-20个月频因子（主要由通胀、出口、金融数据等构成），剔除其余月频及更低频率因子，以避免滞后指标对高波资产择时产生负面影响[8]。 * **丰富高频因子**：针对宽基指数等高波动资产，使用不同参数构建技术指标（例如不同区间长度的均线或动量指标），使模型能学习到不同市场环境下的信息[8]。 * **模型结构**：采用神经网络模型，并针对权益指数进行调整[3][10]。 * **类别平衡机制**：根据不同指数的走势特性（如是否存在单边形态）决定是否应用类别平衡[10]。 * **隐藏单元维度**：通过增加隐藏单元维度（而非层数）来提升模型复杂度，以避免过拟合[10]。 * **超参数调整**：包括窗口长度、正则化系数、学习率。例如，通过lambda函数设置学习率递减进行调优[11]。 2. **模型名称**：万得全A指数择时模型[3][6][12] **模型构建思路**：基于通用宽基指数择时框架，针对代表A股整体市场的万得全A指数进行择时[3][6]。 3. **模型名称**：中证红利全收益指数择时模型[3][15] **模型构建思路**：基于通用宽基指数择时框架，针对中证红利全收益指数进行择时。选择全收益指数是因红利指数本身波动率高、走势高频震荡，难以形成明显趋势[15]。 4. **模型名称**：恒生科技指数择时模型[3][22] **模型构建思路**：基于通用宽基指数择时框架，针对港股恒生科技指数进行择时。因子构建上更多考虑港股量价及全球流动性，并需处理港股与内地交易日不对齐的问题[22]。 5. **模型名称**：科创50指数择时模型[3][28] **模型构建思路**：基于通用宽基指数择时框架，针对代表内地“创新资产”的科创50指数进行择时。因子方面偏重于内地股票的量价数据[28]。 6. **模型名称**：万得微盘指数择时模型[3][34] **模型构建思路**：基于通用宽基指数择时框架，针对衡量小微盘市场情况的万得微盘指数进行择时。该指数走势偏单边，其翻转拐点可能更具指导意义[34]。 7. **模型名称**：国证2000指数择时模型[3][41] **模型构建思路**：基于通用宽基指数择时框架，针对国证2000指数进行择时。选择该指数是为了与万得微盘指数结合以更好覆盖小微盘市场，因中证2000指数数据量较少[41]。 模型的回测效果 （注：所有模型回测区间均为2023年6月至今的样本外区间，指标“区间胜率”定义为正确区间数/(正确区间数+错误区间数)） 1. **万得全A指数择时模型**，区间胜率71.88%[3][12] 2. **中证红利全收益指数择时模型**，区间胜率84.62%[3][15] 3. **恒生科技指数择时模型**，区间胜率79.31%[3][22] 4. **科创50指数择时模型**，区间胜率82.61%[3][28] 5. **万得微盘指数择时模型**，区间胜率80.77%[3][34] 6. **国证2000指数择时模型**，区间胜率71.43%[3][41] 量化因子与构建方式 （注：报告未详细列出单个因子的具体计算公式，主要阐述了因子集的构建逻辑和调整方向。） 1. **因子类别**：共性因子集[7] **因子的构建思路**：构建适用于所有宽基指数的、描述资本市场整体方向的因子[7]。 **因子具体构建过程**：包含资金、利率、商品期货及现货价格、高频日度指数（如BDI）、高频基本面（日度的消费及生产数据）、海外因子（美国股债价格、波动率等）以及国内权益市场共性因子（如两融余额、股票回购金额）[7]。 2. **因子类别**：指数特异性因子集[7] **因子的构建思路**：构建针对每个具体宽基指数、衡量其自身高频量价和交易情绪的因子[7]。 **因子具体构建过程**：包含两部分：a) 对应指数的成交量、成交金额、市盈率、市净率、换手率、资金净买入；b) 基于该指数计算的技术指标，如随机指标、标准差、相对强弱指标、能量潮等[7]。 3. **因子调整方向**：低频因子精简[8] **调整思路**：由于高波资产的波段较短，价格转向更多受高频交易因素影响，低频因子指导意义不强且可能滞后，因此大幅减少基本面因子[3][6][8]。 **调整过程**：选择性保留10-20个月频因子（主要由通胀、出口、金融数据等构成），剔除其余的月频及更低频率因子[8]。 4. **因子调整方向**：高频因子丰富与参数优化[8] **调整思路**：针对宽基指数等高波动资产，通过不同参数的技术指标使模型学习到更多市场信息[3][8]。 **调整过程**：对技术指标（如均线类、动量类）使用不同的参数设置，以捕捉不同区间长度和不同市场环境下的走势[8]。

量化模型与构建方式 1. **模型/因子名称**：封板率 **模型/因子构建思路**：通过计算盘中最高价涨停且最终收盘涨停的股票比例，来衡量市场涨停板的封板质量或资金封板的坚决程度[15]。 **模型/因子具体构建过程**： 1. 筛选上市满3个月以上的股票[15]。 2. 在目标交易日，统计所有盘中最高价达到涨停价的股票数量（记为A）[15]。 3. 在A中，进一步统计收盘价仍为涨停价的股票数量（记为B）[15]。 4. 封板率计算公式为： $$封板率 = \frac{B}{A}$$ [15] 其中，B代表最高价涨停且收盘涨停的股票数，A代表最高价涨停的股票数[15]。 2. **模型/因子名称**：连板率 **模型/因子构建思路**：通过计算连续两日收盘涨停的股票占昨日所有涨停股票的比例，来衡量市场涨停板的持续性和短线赚钱效应[15]。 **模型/因子具体构建过程**： 1. 筛选上市满3个月以上的股票[15]。 2. 统计前一交易日（T-1日）收盘涨停的股票数量（记为C）[15]。 3. 在C中，统计在目标交易日（T日）收盘也涨停的股票数量（记为D）[15]。 4. 连板率计算公式为： $$连板率 = \frac{D}{C}$$ [15] 其中，D代表连续两日收盘涨停的股票数，C代表昨日收盘涨停的股票数[15]。 3. **模型/因子名称**：大宗交易折价率 **模型/因子构建思路**：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偏离度，来反映大额资金交易的折溢价情况，通常折价率能反映大资金的交易情绪和偏好[24]。 **模型/因子具体构建过程**： 1. 获取目标交易日所有大宗交易的成交数据，包括每笔交易的成交金额和成交份额[24]。 2. 计算当日所有大宗交易的总成交金额（记为E）[24]。 3. 对于每笔大宗交易的成交份额，以其当日收盘价（或成交均价）计算其市值，并加总得到按市价计算的成交份额总市值（记为F）[24]。 4. 大宗交易折价率计算公式为： $$折价率 = \frac{E}{F} - 1$$ [24] 其中，E代表大宗交易总成交金额，F代表当日成交份额的总市值[24]。计算结果为负表示折价交易，为正表示溢价交易。 4. **模型/因子名称**：股指期货年化贴水率 **模型/因子构建思路**：通过计算股指期货价格与现货指数价格之间的基差，并将其年化，来衡量股指期货的升贴水程度，这反映了市场对未来走势的预期和股指对冲的成本[26]。 **模型/因子具体构建过程**： 1. 选定目标股指期货合约（如上证50、沪深300等）及其对应的现货指数[26]。 2. 计算基差：基差 = 期货价格 - 现货指数价格[26]。 3. 获取该期货合约的剩余交易日数（记为T）[26]。 4. 年化贴水率计算公式为： $$年化贴水率 = \frac{基差}{指数价格} \times (\frac{250}{T})$$ [26] 其中，基差为期货价格减去现货指数价格，指数价格为现货指数价格，T为合约剩余交易日数，250为年化交易日数假设[26]。计算结果为正表示年化升水，为负表示年化贴水。 模型的回测效果 （注：本篇报告为市场监测日报，未提供量化模型或因子在历史样本外的长期回测表现指标，如年化收益率、夏普比率、最大回撤、信息比率（IR）等。报告中的数据均为特定日期的观察值或近期统计值[5][6][9][12][15][17][20][21][24][26][28][34][35]。） 量化因子与构建方式 （注：本篇报告未涉及用于选股或资产定价的传统Alpha因子（如价值、动量、质量等）的构建与测试。报告中的“封板率”、“连板率”、“折价率”、“年化贴水率”更接近于市场情绪或资金面指标，已在上方“量化模型与构建方式”部分总结。） 因子的回测效果 （注：本篇报告未提供量化因子的历史回测表现指标，如因子IC值、ICIR、分组收益、多空收益等。报告中的数据均为特定日期的指标取值或近期统计值[5][6][9][12][15][17][20][21][24][26][28][34][35]。）