量化模型与构建方式 1. **模型/因子名称：融资盘拥挤度信号** * **构建思路：** 通过分析个股融资余额的变化，识别因杠杆资金过度流入导致的交易拥挤，从而预判其后续因微观结构恶化而表现不佳的风险[2][8]。 * **具体构建过程：** 1. 计算每只股票当月的融资余额增幅（或融资净买入额）。 2. 将所有股票按当月融资增幅（或净买入额）从高到低排序。 3. 将排名在前10%的股票定义为“融资增幅前10%的拥挤个股”[2][8]。 * **模型/因子评价：** 杠杆资金的集中流入被视为一个负向的拥挤度信号，可能加剧个股的微观交易结构恶化，并带来集中平仓风险[2][8]。 模型的回测效果 1. 融资盘拥挤度信号模型，次月平均收益率0.92%[2][8] 量化因子与构建方式 1. **因子名称：库存周转月数** * **构建思路：** 利用行业的库存周转月数（即库存水平）作为衡量该行业对成本上行压力的“缓冲垫”厚度的指标，库存越高，行业产品价格滞后于成本上涨的时间可能越长[1][7]。 * **具体构建过程：** 报告未提供该因子的具体计算公式，但明确了其核心逻辑：行业的库存周转月数与其产品价格滞后于成本上行的时间长短呈现明显正相关性[1][7]。 * **因子评价：** 该因子可用于判断中下游行业在面临油价等成本冲击时的承受能力和价格传导时滞，为判断行业景气度和投资时机提供参考[1][7]。 2. **因子名称：被动涨价幅度** * **构建思路：** 测算各行业受油价上涨影响而被动涨价的幅度，以识别下游需求受抑制程度较大的行业。被动涨价幅度越大，表明下游拿货意愿下降越明显，潜在库存消耗越多[3][9]。 * **具体构建过程：** 报告未提供该因子的具体计算公式，但指出通过测算发现化工行业的被动涨价幅度在全行业中排名靠前[3][9]。 * **因子评价：** 该因子可用于识别在成本冲击下，下游需求暂时被抑制、库存可能被消耗的行业。一旦供应链恢复正常，这些行业可能面临较强的补库需求弹性[3][9]。 因子的回测效果 *注：报告中未提供“库存周转月数”和“被动涨价幅度”这两个因子的独立回测绩效指标（如IC、IR、多空收益等）。报告主要将其用于逻辑推演和行业比较，而非作为独立的选股因子进行历史回测。*

量化模型与构建方式 1. **模型名称：择时雷达六面图综合择时模型**；模型构建思路：从流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取二十一个指标对市场进行刻画，并将其概括为“估值性价比”、“宏观基本面”、“资金&趋势”、“拥挤度&反转”四大类，从而生成综合择时分数[1]；模型具体构建过程：首先，对六个维度下的二十一个单因子指标分别计算其得分，得分规则各异，但最终均映射到[-1, 1]区间或{-1, 0, 1}的离散值。然后，将六个维度的分数汇总，最终生成一个位于[-1,1]之间的综合择时分数[1][6]；模型评价：这是一个基于多维视角的综合性择时框架，旨在通过多维度指标共同影响来刻画市场状态[1] 量化因子与构建方式 1. **因子名称：货币方向因子**；因子构建思路：判断当前货币政策的方向，通过比较央行政策利率与市场利率相对于历史的变化[9]；因子具体构建过程：选取央行使用的货币政策工具利率与短端市场利率，计算其相较于90天前的平均变化方向。若货币方向因子>0，则判断货币政策宽松，分数为1；若<0，则判断货币政策收紧，分数为-1[9] 2. **因子名称：货币强度因子**；因子构建思路：表征短端市场利率相对于政策利率的偏离幅度，基于“利率走廊”概念[13]；因子具体构建过程：计算偏离度 = DR007 / 7天逆回购利率 - 1，并进行平滑与zscore标准化。若货币强度因子 < -1.5倍标准差，则预期未来120个交易日为宽松环境，指标分数为1；反之若 > 1.5倍标准差，则预期未来120个交易日指标分数为-1[13] 3. **因子名称：信用方向因子**；因子构建思路：表征商业银行对实体经济信贷传导的松紧程度，使用中长期贷款指标[16]；因子具体构建过程：计算信用方向因子为：中长期贷款当月值 -> 计算过去十二个月增量 -> 计算同比。若信用方向因子相比于三个月之前上升则看多，分数为1；反之则看空，分数为-1[16] 4. **因子名称：信用强度因子**；因子构建思路：捕捉信贷指标是否大幅超预期或不及预期[19]；因子具体构建过程：构建信用强度因子 = (新增人民币贷款当月值 – 预期中位数) / 预期标准差。若信用强度因子 > 1.5倍标准差，则定义未来60个交易日为信用显著超预期环境，分数为1；反之若 < -1.5倍标准差，则未来60个交易日分数为-1[19] 5. **因子名称：增长方向因子**；因子构建思路：基于PMI数据判断经济增长方向[21]；因子具体构建过程：构建增长方向因子 = PMI -> 计算过去十二月均值 -> 计算同比。若增长方向因子相比于三个月之前上升则看多，分数为1；反之则看空，分数为-1[21] 6. **因子名称：增长强度因子**；因子构建思路：捕捉经济增长指标是否大幅超预期或不及预期[23]；因子具体构建过程：计算PMI预期差 = (PMI – 预期中位数) / 预期标准差，作为增长强度因子。若增长强度因子 > 1.5倍标准差，则定义未来60个交易日为增长显著超预期环境，分数为1；反之若 < -1.5倍标准差，则未来60个交易日分数为-1[23] 7. **因子名称：通胀方向因子**；因子构建思路：通过当前通胀水平变化判断未来货币政策空间[25]；因子具体构建过程：计算通胀方向因子 = 0.5 × CPI同比平滑值 + 0.5 × PPI同比原始值。若通胀方向因子相较于三个月之前降低，则说明是通胀下行环境，此时看多，分数为1；反之看空，分数为-1[25] 8. **因子名称：通胀强度因子**；因子构建思路：捕捉通胀指标是否大幅超预期或不及预期[27]；因子具体构建过程：分别计算CPI与PPI预期差 = (披露值 – 预期中位数) / 预期标准差，并计算通胀强度因子 = CPI与PPI预期差均值。若通胀强度因子 < -1.5，则定义未来60个交易日为通胀显著不及预期环境，分数为1；反之若 > 1.5倍标准差，则未来60个交易日分数为-1[27] 9. **因子名称：席勒ERP**；因子构建思路：使用经过周期调整的盈利来排除经济周期干扰，计算股权风险溢价以衡量估值性价比[28]；因子具体构建过程：计算过去6年通胀调整后的平均盈利得到席勒PE，然后计算席勒ERP = 1/席勒PE - 10年期国债到期收益率，并计算过去6年zscore作为分数[28] 10. **因子名称：PB**；因子构建思路：使用市净率的倒数并标准化来衡量估值水平[32]；因子具体构建过程：将PB × (-1)并计算过去6年zscore，1.5倍标准差截尾后标准化到±1之间得到分数[32] 11. **因子名称：AIAE（全市场权益配置比例）**；因子构建思路：通过全市场权益资产与安全资产的相对配置比例来反映市场整体风险偏好[34]；因子具体构建过程：构建A股的AIAE指标 = 中证全指总流通市值 / (中证全指总流通市值 + 实体总债务)，将AIAE × (-1)并计算过去6年zscore得到分数[34] 12. **因子名称：两融增量**；因子构建思路：通过融资余额与融券余额的净增量趋势判断市场杠杆资金情绪[37]；因子具体构建过程：计算融资余额-融券余额，并计算其过去120日均增量与过去240日均增量。若120日均增量 > 过去240日均增量时杠杆资金上行并看多，分数为1；反之看空，分数为-1[37] 13. **因子名称：成交额趋势**；因子构建思路：通过成交额均线系统判断市场成交热度与资金活跃度趋势[40]；因子具体构建过程：对对数成交额计算其均线距离 = ma120 / ma240 - 1。当均线距离的 max(10) = max(30) = max(60) 时看多，分数为1；当均线距离的 min(10) = min(30) = min(60) 时看空，分数为-1[40] 14. **因子名称：中国主权CDS利差**；因子构建思路：通过海外投资者对中国主权信用风险的定价变化来推断外资流入意愿[44]；因子具体构建过程：当平滑后CDS利差的20日差分 < 0时，说明当前CDS利差下降，海外投资者预期中国基本面转好，此时看多，分数为1；反之看空，分数为-1[44] 15. **因子名称：海外风险厌恶指数（花旗RAI指数）**；因子构建思路：通过海外市场风险偏好指数变化判断外资风险偏好[46]；因子具体构建过程：当平滑后风险厌恶指数的20日差分 < 0时，外资风险偏好上升，此时看多，分数为1；反之看空，分数为-1[46] 16. **因子名称：价格趋势**；因子构建思路：使用均线距离衡量标的价格的中长期趋势方向与强度[48]；因子具体构建过程：使用均线距离（ma120/ma240-1）。当均线距离 > 0时趋势方向分数=1，反之为-1。当均线距离的max(20)=max(60)时，趋势强度分数为1；当min(20)=min(60)时，趋势强度分数为-1。趋势综合分数 = (趋势方向分数 + 趋势强度分数) / 2[48] 17. **因子名称：新高新低数**；因子构建思路：使用指数成分股的新高与新低个数作为市场反转信号[51]；因子具体构建过程：当中证800成分股占过去一年新低数-新高数的ma20 > 0时，说明最近新低较多，市场有见底预期，此时看多，分数为1；反之发出看空信号，分数为-1[51] 18. **因子名称：期权隐含升贴水**；因子构建思路：基于期权平价关系推导的隐含升贴水，作为反转指标衡量市场拥挤度[55]；因子具体构建过程：若50ETF近5日收益率 < 0，且指标分位数 < 30%，则看多持续20日，分数为1。若50ETF近5日收益率 > 0，且指标分位数 > 70%，则看空持续20日，分数为-1[55] 19. **因子名称：期权VIX指数**；因子构建思路：使用期权隐含波动率指数作为市场情绪与反转指标[57]；因子具体构建过程：若50ETF近5日收益率 < 0，且指标分位数 > 70%，则看多持续20日，分数为1。若50ETF近5日收益率 > 0，且指标分位数 > 70%，则看空持续20日，分数为-1[57] 20. **因子名称：期权SKEW指数**；因子构建思路：使用期权隐含偏度指数作为市场情绪与反转指标[61]；因子具体构建过程：若50ETF近5日收益率 < 0，且指标分位数 > 70%，则看多持续20日，分数为1。若50ETF近5日收益率 > 0，且指标分位数 < 30%，则看空持续20日，分数为-1[61] 21. **因子名称：可转债定价偏离度**；因子构建思路：通过可转债实际价格与模型定价的偏离度来反映市场情绪和拥挤度[64]；因子具体构建过程：计算可转债定价偏离度 = 转债价格 / 模型定价 - 1，并计算分数 = 定价偏离度 × (-1) 并计算过去3年zscore得到分数。定价偏离度越高，拥挤度越高，分数越低[64] 模型的回测效果 1. 择时雷达六面图综合择时模型，本周综合打分为-0.11分[6][8]；流动性维度得分为0.25分[1][8]；经济面维度得分为-0.50分[1][8]；估值面维度得分为-0.52分[2][8]；资金面维度得分为0.00分[2][8]；技术面维度得分为0.50分[2][8]；拥挤度维度得分为0.00分[2][8] 因子的回测效果（本周分数） 1. 货币方向因子，分数为1分[8][9] 2. 货币强度因子，分数为0分[8][13] 3. 信用方向因子，分数为1分[8][16] 4. 信用强度因子，分数为-1分[8][19] 5. 增长方向因子，分数为1分[8][21] 6. 增长强度因子，分数为-1分[8][23] 7. 通胀方向因子，分数为-1分[8][25] 8. 通胀强度因子，分数为-1分[8][27] 9. 席勒ERP因子，分数为0.04分[8][28] 10. PB因子，分数为-0.59分[8][32] 11. AIAE因子，分数为-1.00分[8][34] 12. 两融增量因子，分数为-1分[2][37][41] 13. 成交额趋势因子，分数为-1分[2][41] 14. 中国主权CDS利差因子，分数为1分[2][44] 15. 海外风险厌恶指数因子，分数为1分[2][46] 16. 价格趋势因子，分数为0分[8][50] 17. 新高新低数因子，分数为1分[2][52] 18. 期权隐含升贴水因子，分数为1分[2][56] 19. 期权VIX指数因子，分数为1分[2][57] 20. 期权SKEW指数因子，分数为-1分[2][62] 21. 可转债定价偏离度因子，分数为-1分[2][64]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：日内高频偏度因子** * 因子构建思路：捕捉股票日内收益分布的非对称性特征[14] * 因子具体构建过程：具体构建方式请参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[14] 2. **因子名称：日内下行波动占比因子** * 因子构建思路：衡量日内下行波动在总波动中的占比[18] * 因子具体构建过程：具体构建方式请参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[18] 3. **因子名称：开盘后买入意愿占比因子** * 因子构建思路：衡量开盘后一段时间内买方意愿的强弱[23] * 因子具体构建过程：具体构建方式请参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[23] 4. **因子名称：开盘后买入意愿强度因子** * 因子构建思路：衡量开盘后一段时间内买方意愿的强度[28] * 因子具体构建过程：具体构建方式请参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[28] 5. **因子名称：开盘后大单净买入占比因子** * 因子构建思路：衡量开盘后一段时间内大单净买入的占比[34] 6. **因子名称：开盘后大单净买入强度因子** * 因子构建思路：衡量开盘后一段时间内大单净买入的强度[37] 7. **因子名称：改进反转因子** * 因子构建思路：对传统反转因子进行改进[44] 8. **因子名称：尾盘成交占比因子** * 因子构建思路：衡量尾盘成交额在当日总成交额中的占比[49] 9. **因子名称：平均单笔流出金额占比因子** * 因子构建思路：衡量平均每笔流出金额在总成交额中的占比[54] 10. **因子名称：大单推动涨幅因子** * 因子构建思路：衡量由大单交易推动的股价涨幅[57] 11. **因子名称：深度学习高频因子（改进 GRU(50,2)+NN(10)）** * 因子构建思路：使用改进的GRU神经网络与全连接网络结合，从高频数据中提取选股信号[62] 12. **因子名称：深度学习高频因子（残差注意力 LSTM(48,2)+NN(10)）** * 因子构建思路：使用带有残差注意力机制的LSTM神经网络与全连接网络结合，从高频数据中提取选股信号[63] 13. **因子名称：深度学习因子（多颗粒度模型-5日标签）** * 因子构建思路：基于双向A-GRU神经网络训练，使用5日收益率作为预测标签[66] * 因子具体构建过程：因子基于双向A-GRU训练得到[66] 14. **因子名称：深度学习因子（多颗粒度模型-10日标签）** * 因子构建思路：基于双向A-GRU神经网络训练，使用10日收益率作为预测标签[69] * 因子具体构建过程：因子基于双向A-GRU训练得到[69] 15. **模型名称：AI指数增强组合模型** * 模型构建思路：基于深度学习因子构建指数增强组合，通过优化求解得到组合权重[71] * 模型具体构建过程： 1. **信号合成**：使用多颗粒度模型-10日标签和多颗粒度模型-5日标签等权重合成预期收益信号[71] 2. **优化目标**：最大化预期收益，目标函数为 $$max\sum_{w_{i}}\mu_{i}w_{i}$$ 其中，$w_i$为组合中股票i的权重，$\mu_i$为股票i的预期超额收益[74] 3. **约束条件**：根据不同组合类型（空气指增、宽约束、严约束）施加个股、行业、风格（市值、PB、ROE等）、换手率等约束[72][74] 4. **交易设置**：测算中假定以次日均价成交，并扣除双边3‰的交易成本[75] 因子的回测效果 （数据基于周度换仓，统计截至2026年4月17日当周）[10][12] 1. **日内高频偏度因子**：上周多空收益0.32%，4月多空收益2.62%，2026年多空收益8.03%，2026年周胜率11/14[10] 2. **日内下行波动占比因子**：上周多空收益-0.17%，4月多空收益0.49%，2026年多空收益7.86%，2026年周胜率10/14[10] 3. **开盘后买入意愿占比因子**：上周多空收益0.51%，4月多空收益2.64%，2026年多空收益9.26%，2026年周胜率12/14[10] 4. **开盘后买入意愿强度因子**：上周多空收益1.57%，4月多空收益5.12%，2026年多空收益11.18%，2026年周胜率10/14[10] 5. **开盘后大单净买入占比因子**：上周多空收益0.34%，4月多空收益1.21%，2026年多空收益7.41%，2026年周胜率13/14[10] 6. **开盘后大单净买入强度因子**：上周多空收益0.10%，4月多空收益1.93%，2026年多空收益6.08%，2026年周胜率11/14[10] 7. **改进反转因子**：上周多空收益1.76%，4月多空收益3.12%，2026年多空收益5.68%，2026年周胜率8/14[10] 8. **尾盘成交占比因子**：上周多空收益1.26%，4月多空收益2.33%，2026年多空收益7.54%，2026年周胜率11/14[10] 9. **平均单笔流出金额占比因子**：上周多空收益0.43%，4月多空收益1.46%，2026年多空收益-3.39%，2026年周胜率6/14[12] 10. **大单推动涨幅因子**：上周多空收益0.22%，4月多空收益0.08%，2026年多空收益0.51%，2026年周胜率7/14[12] 11. **改进 GRU(50,2)+NN(10)因子**：上周多空收益1.07%，4月多空收益4.53%，2026年多空收益9.89%，2026年周胜率11/14[12] 12. **残差注意力 LSTM(48,2)+NN(10)因子**：上周多空收益0.89%，4月多空收益3.95%，2026年多空收益9.63%，2026年周胜率12/14[12] 13. **多颗粒度模型-5日标签因子**：上周多空收益-0.52%，4月多空收益2.51%，2026年多空收益12.73%，2026年周胜率13/14[12] 14. **多颗粒度模型-10日标签因子**：上周多空收益-1.61%，4月多空收益0.76%，2026年多空收益9.66%，2026年周胜率10/14[12] 模型的回测效果 （数据统计截至2026年4月17日当周）[13] 1. **周度调仓AI空气指增组合**：上周超额收益-2.01%/绝对收益0.56%，4月超额收益-4.70%/绝对收益0.93%，2026年超额收益2.03%/绝对收益8.89%，2026年周胜率7/14[13] 2. **日度调仓AI空气指增组合**：上周超额收益-2.16%/绝对收益0.40%，4月超额收益-4.74%/绝对收益0.89%，2026年超额收益1.61%/绝对收益8.47%，2026年周胜率7/14[13] 3. **周度调仓中证500 AI增强宽约束组合**：上周超额收益-2.01%/绝对收益1.06%，4月超额收益-4.99%/绝对收益2.85%，2026年超额收益-1.07%/绝对收益8.95%，2026年周胜率5/14[13] 4. **日度调仓中证500 AI增强宽约束组合**：上周超额收益-2.30%/绝对收益0.77%，4月超额收益-4.84%/绝对收益3.00%，2026年超额收益-4.51%/绝对收益5.52%，2026年周胜率5/14[13] 5. **周度调仓中证500 AI增强严约束组合**：上周超额收益-1.08%/绝对收益1.99%，4月超额收益-1.63%/绝对收益6.21%，2026年超额收益-0.42%/绝对收益9.60%，2026年周胜率8/14[13] 6. **日度调仓中证500 AI增强严约束组合**：上周超额收益-1.66%/绝对收益1.42%，4月超额收益-1.85%/绝对收益5.99%，2026年超额收益-1.56%/绝对收益8.46%，2026年周胜率8/14[13] 7. **周度调仓中证1000 AI增强宽约束组合**：上周超额收益-3.16%/绝对收益0.70%，4月超额收益-6.97%/绝对收益2.06%，2026年超额收益-2.10%/绝对收益7.27%，2026年周胜率7/14[13] 8. **日度调仓中证1000 AI增强宽约束组合**：上周超额收益-3.26%/绝对收益0.60%，4月超额收益-6.08%/绝对收益2.95%，2026年超额收益-2.87%/绝对收益6.51%，2026年周胜率6/14[13] 9. **周度调仓中证1000 AI增强严约束组合**：上周超额收益-2.29%/绝对收益1.58%，4月超额收益-3.46%/绝对收益5.57%，2026年超额收益-0.32%/绝对收益9.06%，2026年周胜率8/14[13] 10. **日度调仓中证1000 AI增强严约束组合**：上周超额收益-1.70%/绝对收益2.16%，4月超额收益-3.08%/绝对收益5.95%，2026年超额收益0.94%/绝对收益10.32%，2026年周胜率8/14[13]

量化模型与构建方式 1. **模型名称：A股景气度高频指数**[43] * **模型构建思路**：以上证指数归母净利润同比为Nowcasting（即时预测）目标，构建一个能够高频反映A股景气度的指数，用于观测景气周期的变化[43]。 * **模型具体构建过程**：报告未详细描述该指数的具体计算步骤和公式，仅提及构建详情需参考另一篇报告《视角透析：A股景气度高频指数构建与观察》[43]。 2. **模型名称：A股情绪指数系统**[49] * **模型构建思路**：通过量价数据（波动率和成交额）的变化方向来刻画市场情绪，并据此构建包含见底预警与见顶预警的情绪指数，用于择时判断[49]。 * **模型具体构建过程**： 1. 将市场状态根据波动率和成交额的变化方向划分为四个象限[49]。 2. 通过历史统计发现，只有“波动率上行-成交额下行”的区间表现为显著负收益，其余三个象限均为显著正收益[49]。 3. 基于此规律，分别构造了A股情绪见底预警指数（主要基于价格/波动信号）和见顶预警指数（主要基于成交量信号）[49][53]。 4. 综合两个预警指数的信号（“多”或“空”），得出对后市的整体观点[52][53]。 3. **模型名称：主题挖掘算法**[61] * **模型构建思路**：通过对新闻和研报文本进行多维度处理，挖掘主题投资机会，包括识别主题关键词、挖掘主题与个股关联、构建主题活跃周期和影响力因子等[61]。 * **模型具体构建过程**：报告未提供该算法的具体计算步骤和公式，仅概述了其构建的多个维度[61]。 4. **模型名称：中证500增强组合策略模型**[64] * **模型构建思路**：构建一个旨在持续跑赢中证500指数的量化增强投资组合[62]。 * **模型具体构建过程**：报告未披露该策略模型的具体因子构成、权重配置及组合优化方法。 5. **模型名称：沪深300增强组合策略模型**[72] * **模型构建思路**：构建一个旨在持续跑赢沪深300指数的量化增强投资组合[71]。 * **模型具体构建过程**：报告未披露该策略模型的具体因子构成、权重配置及组合优化方法。 6. **模型名称：BARRA风格因子模型**[73] * **模型构建思路**：参照BARRA模型框架，对A股市场构建一系列风格因子，用于解释股票收益的差异，并进行组合的绩效归因分析[73][83]。 * **模型具体构建过程**：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）[73]。但未提供每个因子的具体计算公式。 量化因子与构建方式 1. **因子名称：十大类风格因子**[73] * **因子构建思路**：基于BARRA模型框架，从不同维度刻画A股上市公司的特征，以解释其收益来源[73]。 * **因子具体构建过程**：报告未提供每个风格因子的详细计算公式。十大类风格因子包括：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）[73]。 2. **因子名称：行业因子**[74] * **因子构建思路**：用于刻画不同行业对股票收益的影响[74]。 * **因子具体构建过程**：报告未提供行业因子的具体构建方法。 模型的回测效果 1. **A股情绪指数系统择时表现**：报告提供了该系统的择时表现图表，但未给出具体的量化指标数值[59]。 2. **中证500增强组合**：截至报告期（2026年4月17日当周），该组合自2020年至今相对中证500指数的累计超额收益为53.52%，期间最大回撤为-10.90%[61]。 3. **沪深300增强组合**：截至报告期（2026年4月17日当周），该组合自2020年至今相对沪深300指数的累计超额收益为47.47%，期间最大回撤为-5.86%[69]。 因子的回测效果 1. **风格因子表现（近一周）**： * 从纯因子收益看，Beta因子超额收益较高，价值（BTOP）因子呈现较为显著的负向超额收益[74]。 * 从近期表现看，高Beta、高动量（MOM）因子表现优异，流动性（LIQUIDITY）、价值（BTOP）等因子表现不佳[74]。 2. **行业因子表现（近一周）**： * 银行、房地产、通信等行业因子相对市场市值加权组合跑出较高超额收益[74]。 * 石油石化、医药、传媒等行业因子回撤较多[74]。

量化模型与构建方式 1. **模型名称：成交量模型**[11] * **模型构建思路：** 基于市场成交量的变化来判断短期市场情绪和方向。 * **模型具体构建过程：** 报告未详细说明具体构建过程和公式。 2. **模型名称：特征龙虎榜机构模型**[11] * **模型构建思路：** 利用龙虎榜中机构的买卖行为数据构建特征，用于判断市场短期走势。 * **模型具体构建过程：** 报告未详细说明具体构建过程和公式。 3. **模型名称：特征成交量模型**[11] * **模型构建思路：** 基于成交量的某些特征（可能如放量/缩量、量价关系等）来构建短期择时信号。 * **模型具体构建过程：** 报告未详细说明具体构建过程和公式。 4. **模型名称：智能算法沪深300模型/智能算法中证500模型**[11] * **模型构建思路：** 运用智能算法（如机器学习等）对特定宽基指数（沪深300、中证500）进行择时判断。 * **模型具体构建过程：** 报告未详细说明具体算法、特征和构建过程。 5. **模型名称：涨跌停模型**[12] * **模型构建思路：** 通过分析市场涨跌停股票的数量、分布等特征，来判断中期市场情绪和趋势强度。 * **模型具体构建过程：** 报告未详细说明具体构建过程和公式。 6. **模型名称：上下行收益差模型**[12] * **模型构建思路：** 通过计算市场或指数上行与下行阶段的收益差异，来判断中期市场动能和方向。 * **模型具体构建过程：** 报告未详细说明具体计算方法和公式。 7. **模型名称：月历效应模型**[12] * **模型构建思路：** 基于历史数据中存在的月份、季节等周期性规律（月历效应）进行择时。 * **模型具体构建过程：** 报告未详细说明具体效应规则和构建过程。 8. **模型名称：长期动量模型**[13] * **模型构建思路：** 依据资产价格的长期趋势（动量）进行择时，认为过去表现好的资产未来会继续好。 * **模型具体构建过程：** 报告未详细说明计算动量的时间窗口和具体公式。 9. **模型名称：A股综合兵器V3模型**[14] * **模型构建思路：** 一个综合性的A股择时模型（V3版本），可能整合了多个周期或类型的子模型信号。 * **模型具体构建过程：** 报告未详细说明子模型构成和综合方式。 10. **模型名称：A股综合国证2000模型**[14] * **模型构建思路：** 针对国证2000指数的综合性择时模型。 * **模型具体构建过程：** 报告未详细说明具体构建过程。 11. **模型名称：成交额倒波幅模型**[15] * **模型构建思路：** 结合成交额和波动率（波幅）的倒数或相关关系，用于港股市场的中期择时。 * **模型具体构建过程：** 报告未详细说明具体公式和构建过程。 12. **模型名称：恒生指数/恒生国企指数上下行收益差相似多空模型**[15] * **模型构建思路：** 在“上下行收益差”模型基础上，引入“相似多空”逻辑，可能用于判断港股指数情绪。 * **模型具体构建过程：** 报告未详细说明“相似多空”的具体定义和模型构建过程。 13. **模型名称：双底形态识别模型**[42][48] * **模型构建思路：** 基于技术分析中的“双底”价格形态进行选股或择时，该形态通常被视为看涨反转信号。 * **模型具体构建过程：** 报告未详细说明形态识别的量化规则（如A、B、C、E点的定义，突破条件等）。 14. **模型名称：杯柄形态识别模型**[42][43] * **模型构建思路：** 基于技术分析中的“杯柄”价格形态进行选股或择时，该形态通常被视为看涨持续信号。 * **模型具体构建过程：** 报告未详细说明形态识别的量化规则（如A、B、C点的定义，杯深、柄长等参数）。 15. **模型名称：倒杯子形态识别模型**[61] * **模型构建思路：** 基于技术分析中的“倒杯子”价格形态识别风险个股，该形态是典型的负向（看跌）形态。 * **模型具体构建过程：** 报告未详细说明形态识别的量化规则。 模型的回测效果 1. **双底形态模型**，本周收益2.32%，同期上证综指涨跌幅1.64%，本周超额收益0.69%，自2020年12月31日至今累计收益24.29%，累计超额收益7.64%[42]。 2. **杯柄形态模型**，本周收益2.04%，同期上证综指涨跌幅1.64%，本周超额收益0.41%，自2020年12月31日至今累计收益23.46%，累计超额收益6.81%[42]。 量化因子与构建方式 1. **因子名称：分析师一致预期调整因子**[19][20] * **因子构建思路：** 通过跟踪分析师对个股盈利预测的上调或下调比例，来观察行业或个股的预期变化。 * **因子具体构建过程：** 报告展示了各行业“分析师上调个股比例”和“分析师下调个股比例”的数据，但未给出具体的因子计算公式[19][20]。 因子的回测效果 *(报告中未提供具体因子的独立回测绩效指标，如IC、IR、多空收益等。)*

量化模型与构建方式 1. **模型名称：宽基轮动策略**[13] * **模型构建思路**：基于市场情绪热度，构建一个在主流宽基指数间进行轮动的策略。每周选择市场关注度（总热度）边际提升最显著的宽基指数进行投资，若关注度提升最大的是非主流股票（“其他”组），则选择空仓。[13] * **模型具体构建过程**： 1. 将全市场股票按成分股归属分为五组：沪深300、中证500、中证1000、中证2000以及“其他”（不属于前四组的股票）。[9] 2. 计算每组股票的总热度：对该组内所有成分股的“个股总热度”指标进行求和。[9] 3. 计算每组总热度的周度变化率。[13] 4. 对周度变化率进行MA2（2期移动平均）平滑处理。[13] 5. 在每周最后一个交易日，选择MA2值最大的宽基组（若为“其他”组则空仓），买入该组对应的指数（或等权组合）。[13] 2. **模型名称：热门概念内高低热度选股策略**[31] * **模型构建思路**：在短期内受市场情绪驱动、关注度急剧上升的热门概念板块中，逆向选择板块内关注度最低的个股，以期获得超额收益。其逻辑在于热门概念中的高关注度个股可能已充分定价，而低关注度个股存在反应不足的可能。[30][31] * **模型具体构建过程**： 1. **构建TOP组合**： * 在每周最后一个交易日，筛选出本周总热度变化率最大的5个概念。[31] * 将这5个概念的所有成分股合并为初始股票池。[31] * 剔除股票池中流通市值最小的20%股票。[31] * 在每个热门概念中，选出“个股总热度”排名前10的个股。[31] * 将选出的所有个股等权构建组合，称为“热度TOP组合”。[31] 2. **构建BOTTOM组合**： * 前三个步骤与TOP组合相同。[31] * 在每个热门概念中，选出“个股总热度”排名最后10的个股。[31] * 将选出的所有个股等权构建组合，称为“热度BOTTOM组合”。[31] 模型的回测效果 1. **宽基轮动策略**，年化收益率11.54%[16]，最大回撤23.5%[16]，2026年收益为2.3%[16] 2. **热门概念内高低热度选股策略（BOTTOM组合）**，年化收益17.05%[33]，最大回撤28.89%[33]，2026年收益为-6.3%[33] 量化因子与构建方式 1. **因子名称：个股总热度**[8] * **因子构建思路**：从行为金融学角度，用个股的浏览、自选与点击数据来度量市场对该股票的关注度，作为“情绪热度”的代理变量。[8] * **因子具体构建过程**： 1. 获取个股单日的浏览、自选与点击次数。[8] 2. 将这三项数据求和。[8] 3. 将该求和值除以当日全市场所有股票的该项求和总值，进行归一化。[8] 4. 将归一化后的数值乘以10000，使因子值区间落在[0, 10000]。[8] * 公式：$$个股总热度 = \frac{个股日度（浏览次数+自选次数+点击次数）}{全市场日度（浏览次数+自选次数+点击次数）之和} \times 10000$$[8] 2. **因子名称：宽基/行业/概念总热度**[8] * **因子构建思路**：将个股层面的关注度（情绪热度）聚合到宽基指数、行业或概念板块层面，用于追踪更大范围的市场情绪变化。[8] * **因子具体构建过程**：对目标宽基指数、申万行业或概念板块内的所有成分股的“个股总热度”因子值进行直接求和。[8][9] 3. **因子名称：热度周度变化率MA2**[13][20] * **因子构建思路**：计算宽基、行业或概念“总热度”的边际变化，并做平滑处理，以观察市场情绪热度的短期动向。[13][20] * **因子具体构建过程**： 1. 计算目标对象（宽基、行业、概念）本周“总热度”相比上周的变化率。[13][20] 2. 对该周度变化率序列进行2期移动平均（MA2）处理。[13][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），仅展示了基于因子构建的策略组合表现。)*

2026 年 4 月 19 日 总量研究 资金面表现积极 ——金融工程市场跟踪周报 20260419 要点 市场核心观点： 本周（2026.04.13-2026.04.17，下同）A 股市场震荡上涨，通信、电子领涨行 业指数，主要宽基指数量能亦有回升。资金面方面，周度融资净买入额环比持续 提升，资金面边际表现积极。情绪面、资金面提振下，量能稍显不足，后市或延 续震荡上行表现，若量能转向收缩，需防范市场回调风险。中长期维持震荡上行 判断，看好"科技+红利"配置主线。 本周市场所有指数均表现为上涨，上证综指上涨 1.64%，上证 50 上涨 0.39%， 沪深 300 上涨 1.99%，中证 500 上涨 3.07%，中证 1000 上涨 3.87%，创业板 指上涨 6.65%，北证 50 指数上涨 7.43%。 截至 2026 年 4 月 17 日，宽基指数来看，上证 50、中证 500、中证 1000、创 业板指处于估值分位数"适中"等级，上证指数、沪深 300 处于估值分位数"危 险"等级。 中信一级行业分类来看，食品饮料、非银行金融处于估值分位数"安全"等级。 截面波动率来看，沪深 300、中证 1000 ...

量化模型与因子总结 根据所提供的研报内容，该报告主要侧重于市场回顾、行业比较和走势推演，并未涉及传统意义上的量化模型（如多因子选股模型、风险模型）或量化因子（如价值、动量、质量等因子的具体构建与测试）[1][2][3][4]。报告中的分析更多是基于历史价格数据的统计、图表形态观察和主观逻辑推演。 报告内容中与量化分析相关的部分主要体现在对市场数据的统计处理和分类比较上，具体如下： 量化模型与构建方式 **1. 模型名称：行业弹性比较模型** * **模型构建思路**：通过计算并比较不同行业指数在特定时间区间内的价格涨幅，以衡量各行业在牛市中的相对强弱和弹性[5]。 * **模型具体构建过程**： 1. 确定基准时间点（例如：2024年2月5日，被视为本轮牛市的起点）[6]。 2. 选取截至分析日（2026年4月17日）的各行业指数价格高点[6]。 3. 计算每个行业的“区间最大涨幅”，公式为： $$区间最大涨幅(\%) = \frac{区间高点价格 - 起涨日价格}{起涨日价格} \times 100\%$$ 其中，起涨日价格对应基准时间点的指数价格，区间高点价格为截至分析日的历史最高价格[6]。 4. 按“区间最大涨幅”从高到低对行业进行排序，形成行业弹性排行榜[6]。 **2. 模型名称：分类股票走势比较模型** * **模型构建思路**：将A股股票按是否被公募基金重仓以及是否属于“50”成分股进行分类，分别构建组合并计算其累计净值，以观察不同类别股票的市场表现差异[11][12]。 * **模型具体构建过程**： 1. **股票分类**： * **公募重仓50（A股）**：被公募基金重仓且属于某“50”指数成分股的A股股票[12]。 * **公募重仓非50（A股）**：被公募基金重仓但不属于“50”指数成分股的A股股票[12]。 * **非公募重仓股（A股）**：未被公募基金重仓的A股股票[12]。 2. **净值计算**：以某个特定起始日期（报告中未明确，推测为年初）为基点，将各类别组合的初始净值设为1.00，随后根据组合内股票的价格变化计算每日或每周的累计净值[12]。 3. **走势比较**：绘制三类组合累计净值随时间变化的曲线，并进行比较分析[12]。 模型的回测效果 （注：报告中未提供上述模型在历史样本外的严格回测绩效指标，如年化收益率、夏普比率、最大回撤等。仅提供了截至报告日的统计结果。） 1. **行业弹性比较模型**，截至2026年4月17日，通信行业区间最大涨幅为292.24%，有色金属为260.72%，电子为184.01%[6]。 2. **分类股票走势比较模型**，年初至2026年4月17日，公募重仓50（A股）累计净值为1.16，公募重仓非50（A股）为1.11，非公募重仓股（A股）为1.06[12]。 量化因子与构建方式 （注：报告中未涉及可用于选股或解释收益的量化因子（如估值、成长、动量等）的构建与测试。） 因子的回测效果 （注：报告中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：卷积神经网络趋势观察模型**[76] * **模型构建思路**：使用卷积神经网络（CNN）对图表化的个股价量数据进行建模，以识别与未来价格走势相关的模式，并将学习到的特征映射到行业主题板块，生成配置建议[76]。 * **模型具体构建过程**： 1. **数据准备**：为每个个股在特定窗口期内的价量数据构建标准化的图表。价量数据通常包括价格（如开盘价、收盘价）和成交量等[76]。 2. **模型训练**：使用卷积神经网络对上述生成的图表化数据进行训练。模型的目标是学习从图表中提取的特征与未来股价表现之间的关系[76]。 3. **特征映射**：将训练好的CNN模型学习到的有效特征，应用于行业或主题板块层面的分析，识别出具有相似上涨模式的板块[76]。 4. **输出配置**：模型最终输出当前看好的行业主题板块及对应的具体指数[76][77]。 2. **模型名称：GFTD模型**[79] * **模型评价**：报告提及该模型历史择时成功率约为80%，但指出在市场波动不确定性下模型信号存在失效可能[79]。 3. **模型名称：LLT模型**[79] * **模型评价**：报告提及该模型历史择时成功率约为80%，但指出在市场波动不确定性下模型信号存在失效可能[79]。 量化因子与构建方式 1. **因子名称：宏观因子事件**[52][53] * **因子构建思路**：跟踪一系列国内外宏观指标，根据其近期走势定义出特定的事件类型，并利用历史回测筛选出对未来资产收益率有显著预测作用的有效事件，作为判断市场趋势的依据[52][53]。 * **因子具体构建过程**： 1. **指标选择**：跟踪25个国内外宏观指标，涵盖货币政策、财政政策、流动性、通胀水平及其他经济指标，例如PMI、CPI同比、PPI同比、M2同比、社融、10年期国债收益率、美元指数等[52][53]。 2. **事件定义**：针对每个宏观指标，定义四类表征其走势的事件：**短期高点/低点**、**连续上涨/下跌**、**创历史新高/新低**、**因子走势反转**[53]。 3. **有效性检验**：从历史数据中寻找“有效因子事件”，即那些发生后，对资产（如股票）未来收益率产生统计上显著影响的事件[53]。 4. **趋势分类与信号生成**：采用历史均线（如1月、3月、12月均线）将宏观因子走势分为**趋势上行**和**趋势下行**。统计历史上在指标处于不同趋势下，各类资产未来一个月的平均收益，筛选出收益存在显著差异的情况，生成看多或看空的观点信号[55][56]。 2. **因子名称：新高新低比例**[34] * **因子构建思路**：通过统计市场中创近期新高与新低的个股数量占比，来度量市场的极端情绪和广度[34]。 * **因子具体构建过程**：分别计算创近60日新高的个股数占总个股数的比例（**新高比例**），以及创近60日新低的个股数占总个股数的比例（**新低比例**）。报告展示了这两个比例的时间序列[34][35]。 3. **因子名称：个股均线结构指标（均线强弱指标）**[38][39] * **因子构建思路**：通过比较个股短期、中期、长期均线的相对位置，构建反映市场整体技术形态强弱的指标[38]。 * **因子具体构建过程**：计算呈现**多头排列**（通常指短期均线在中期均线之上，中期均线在长期均线之上）的个股占比，与呈现**空头排列**（排列顺序相反）的个股占比之差。公式表示为： $$均线强弱指标 = (多头排列个股数占比) - (空头排列个股数占比)$$ 报告展示了该指标的时间序列，例如前期值为-33.2%，最新值降至-35.7%[38][39]。 4. **因子名称：长期均线以上比例**[41] * **因子构建思路**：统计股价位于长期均线（如200日均线）之上的个股比例，用以衡量市场整体的长期趋势强度[41]。 * **因子具体构建过程**：在特定时间点，计算当前股价位于其200日移动平均线之上的股票数量，除以总股票数量，得到**长期均线以上比例**[41][42]。 5. **因子名称：风险溢价**[64][78] * **因子构建思路**：通过比较股票资产与债券资产的隐含收益率，来判断股票市场的相对估值吸引力[64][78]。 * **因子具体构建过程**：以中证全指为例，计算公式为： $$风险溢价 = (中证全指静态PE的倒数) - (十年期国债收益率)$$ 即，风险溢价 = 盈利收益率 - 无风险利率。报告会跟踪该指标的绝对数值及其相对于历史均值和标准差的边界（如±2倍标准差）[64][65][78]。 6. **因子名称：指数超买超卖指标**[67][71] * **因子构建思路**：通过量化方法计算主要宽基指数和行业指数处于“超跌”状态的百分比，以识别市场或行业可能存在的超卖机会[67][71]。 * **因子具体构建过程**：报告未详细说明具体计算方法，但展示了截至报告日（NEW）和某一历史基准日（20181228）两个时点，各指数“超跌”指标的横截面对比数据[67][68][71][72]。 模型的回测效果 1. **卷积神经网络趋势观察模型**，最新配置主题为新能源、通信、电子，具体推荐指数包括：国证新能源车电池指数、中证5G通信主题指数、创业板动量成长指数、中证新能源汽车产业指数、中证新能源汽车指数[77][78]。 2. **GFTD模型**，历史择时成功率约80%[79]。 3. **LLT模型**，历史择时成功率约80%[79]。 因子的回测效果 1. **宏观因子事件**，当前有效信号：PMI（3月均线趋势）看多股票；CPI同比（1月均线趋势）看多股票；社融存量同比（1月均线趋势）看多股票；10年期国债收益率（12月均线趋势）看多股票；美元指数（1月均线趋势）看多股票[56]。 2. **新高新低比例**，最新一期（2026年4月13日-17日）数据：创近60日新高个股数占比从前一期的9.1%升至11.3%；创近60日新低个股数占比从前一期的6.5%升至8.0%[34]。 3. **个股均线结构指标**，最新一期数据：多头排列减空头排列个股占比从前一期的-33.2%降至-35.7%[38]。 4. **风险溢价**，截至2026年4月17日数据：中证全指风险溢价为2.54%，其两倍标准差上边界为4.56%[78]。 5. **指数超买超卖指标**，截至2026年4月17日数据：展示了主要宽基指数（如中证全指、沪深300、创业板指等）和申万一级行业指数（如有色金属、电子、汽车等）的超跌指标具体数值[68][72]。

量化模型与因子总结 量化模型与构建方式 1. 短期择时模型 - **模型名称**：短期择时模型 - **模型构建思路**：通过综合评估宏观基本面、估值面、情绪面和流动性四个维度的多个指标，生成周度的市场总仓位信号，以判断市场短期走势[7][16]。 - **模型具体构建过程**： 1. **指标选取与信号生成**：模型从四个一级维度（基本面、估值面、情绪面、流动性）选取多个二级指标。每个指标根据其当前值在过去5年历史数据中的分位数，被赋予一个定性信号（乐观/谨慎/中性）[16][17][19]。 2. **维度综合信号**：每个一级维度的最终信号由其下属的二级指标信号综合决定（例如，基本面维度综合了制造业PMI、信贷脉冲、M1增速的信号）[16][19]。 3. **总仓位信号合成**：最终的总仓位信号由四个维度的综合信号进一步合成，输出为一个仓位比例值（例如0.00， 0.50， 1.00），代表看空、中性或看多的仓位建议[19][23]。 2. 成长价值风格轮动模型 - **模型名称**：成长价值风格轮动模型 - **模型构建思路**：通过动态宏观、估值回归、短期动量、风格广度和风格拥挤度等多个信号，综合判断并推荐超配成长或价值风格[24][25]。 - **模型具体构建过程**： 1. **多信号合成**：模型包含五个子信号：动态宏观信号、估值回归信号、短期动量信号、风格广度信号、风格拥挤信号。每个信号独立计算，并输出一个建议配置成长风格的仓位比例（0%或100%）[25]。 2. **信号平滑与综合**：对上述五个信号的输出进行5日平均，得到最终的“5D平均仓位_成长”和“5D平均仓位_价值”，以此作为风格配置建议[25]。报告提到了两种综合信号方式：“综合信号1_无中性仓位”和“综合信号2_5D平均仓位”[25]。 3. 小盘大盘风格轮动模型 - **模型名称**：小盘大盘风格轮动模型 - **模型构建思路**：主要从流动性视角出发，选取11个有效轮动指标，构建综合信号来判断小盘或大盘风格的占优方向[27][29]。 - **模型具体构建过程**： 1. **多指标投票机制**：模型基于11个指标，包括A股龙虎榜买入强度、R007、融资买入余额变化、主题投资交易情绪、等级利差、期权波动率风险溢价、beta离散度、pb分化度、大宗交易折溢价率、中证1000 MACD、中证1000交易量能[29]。每个指标独立判断，输出建议配置小盘风格的仓位比例（0%或100%）[29]。 2. **综合信号生成**：将所有指标的信号进行综合（具体综合方式未详细说明，可能为简单平均或投票），生成最终的“综合信号：小盘”和“综合信号：大盘”仓位建议[29]。报告中还提到了对综合信号进行“3D平滑”处理[29]。 模型的回测效果 1. 短期择时模型 - **回测区间**：2012年底至今（至2026年4月）[18][21] - **年化收益率**：15.79%[18][21] - **基准年化收益率**：4.98%（月度中性持仓再平衡）[18][21] - **年化超额收益率**：10.81%[18] - **年化波动率**：14.79%[21] - **最大回撤**：15.05%[18][21] - **夏普比率**：0.9304[21] - **收益回撤比**：1.0494[21] - **月度胜率**：65.84%[21] - **季度胜率**：60.00%[21] - **年度胜率**：73.33%[21] 2. 成长价值风格轮动模型 - **回测区间**：2011年至今（至2026年4月19日）[24][25] - **模型年化收益率**：14.62%（综合信号2_5D平均仓位）[24][25] - **基准年化收益率**：6.62%（月度风格均衡配置）[24][25] - **年化超额收益率**：7.99%[24][25] - **年化波动率**：21.40%[25] - **最大回撤**：40.08%[25] - **夏普比率**：0.65[25] - **收益回撤比**：0.36[25] - **年化跟踪误差**：5.88%[25] - **年化信息比率(IR)**：1.36[25] - **月度超额胜率**：66.49%[25] 3. 小盘大盘风格轮动模型 - **回测区间**：2014年以来[28][29] - **综合策略年化收益**：20.00%（综合信号3D平滑）[29] - **综合策略年化超额收益率**：12.46%[29] - **综合策略最大回撤**：40.70%[29] - **交易胜率**：50.31%[29] - **平均换手间隔**：19个交易日[29] 量化因子与构建方式 （注：报告中未详细描述独立因子的构建过程，所有指标均作为模型的输入信号使用，未单独作为选股因子进行测试。因此，本部分仅列出报告中提及的作为模型输入的具体指标。） 1. 短期择时模型相关指标 - **基本面指标**：制造业PMI、信贷脉冲环比变化分位数、M1同比增速（HP滤波去趋势）分位数[16][19]。 - **估值面指标**：A股整体PE分位数、A股整体PB分位数[16][19]。 - **情绪面指标**：A股整体Beta离散度分位数、A股整体量能情绪分位数、A股整体波动率分位数[17][19]。 - **流动性指标**：货币利率指标分位数、汇率预期指标分位数、沪深净融资额5日均值分位数[17][19]。 2. 小盘大盘轮动模型相关指标 - **指标列表**：A股龙虎榜买入强度、R007、融资买入余额变化、主题投资交易情绪、等级利差、期权波动率风险溢价、beta离散度、pb分化度、大宗交易折溢价率、中证1000MACD(10,20,10)、中证1000交易量能[29]。 因子的回测效果 （注：报告未提供上述指标作为独立选股因子的测试结果，仅在小盘大盘轮动模型中列出了各指标作为独立轮动信号的年化收益等表现[29]。） 小盘大盘轮动模型各指标表现（2014年以来） - **融资买入余额变化**：年化收益12.90%，年化超额收益5.35%，最大回撤44.32%[29] - **大宗交易折溢价率**：年化收益16.52%，年化超额收益8.98%，最大回撤40.67%[29] - **A股龙虎榜买入强度**：年化收益12.39%，年化超额收益4.84%，最大回撤54.66%[29] - **R007**：年化收益11.63%，年化超额收益4.09%，最大回撤57.98%[29] - **主题投资交易情绪**：年化收益13.09%，年化超额收益5.54%，最大回撤55.35%[29] - **等级利差**：年化收益12.55%，年化超额收益5.01%，最大回撤46.47%[29] - **期权波动率风险溢价**：年化收益13.26%，年化超额收益5.71%，最大回撤63.43%[29] - **beta离散度**：年化收益10.37%，年化超额收益2.82%，最大回撤53.65%[29] - **pb分化度**：年化收益16.98%，年化超额收益9.44%，最大回撤45.00%[29] - **中证1000MACD(10,20,10)**：年化收益16.16%，年化超额收益8.61%，最大回撤37.87%[29] - **中证1000交易量能**：年化收益17.06%，年化超额收益9.51%，最大回撤39.27%[29]