量化模型与构建方式 1. 债券久期择时模型 * **模型名称**：改进的Diebold2006模型[10] * **模型构建思路**：利用改进的Diebold-Li模型，通过预测即期收益率曲线的水平、斜率、曲率三个因子，来映射不同久期债券的预期收益，从而实现久期择时[10]。 * **模型具体构建过程**： 1. 使用改进的Diebold2006模型对即期收益率曲线进行建模和预测[10]。 2. 将收益率曲线分解为水平、斜率、曲率三个因子[10]。 3. 对三个因子分别进行预测： * **水平因子**：基于宏观变量预判和政策利率跟随两个视角进行预测[10]。 * **斜率因子**与**曲率因子**：基于AR(1)模型进行预测[10]。 4. 将预测出的未来三个因子状态（上升/下降、陡峭/平坦、凸/凹）映射到不同久期债券的预期收益上，选择预期收益最高的久期进行配置[10][12]。 2. 黄金预期收益模型 * **模型名称**：基于TIPS收益率的黄金预期收益模型[22] * **模型构建思路**：将黄金的远期实际回报与美国抗通胀债券(TIPS)的远期实际回报相关联，通过估计两者之间的弹性系数k，并结合通胀预期，来预测黄金的名义预期收益率[22]。 * **模型具体构建过程**： 1. 建立黄金实际回报与TIPS实际回报之间的线性关系模型： $$E[Real\_Return^{gold}]=k\times E[Real\_Return^{Tips}]$$[22] 其中，k为弹性系数，通过扩展窗口OLS进行估计[22]。 2. 在黄金实际预期收益的基础上，加上预期通胀率，得到黄金的名义预期收益率： $$E[R^{gold}]=\pi^{e}+k\times E[Real\_Return^{Tips}]$$[22] 其中，$\pi^{e}$为预期通胀率，以美联储长期通胀目标2%作为代理[22]。 3. 当模型测算出的未来一年黄金预期收益率大于10%时，择时模型发出为期一年的看多信号[24]。 3. A股权益择时框架（多策略合成模型） * **模型名称**：A股权益择时多策略框架[29] * **模型构建思路**：从宏观流动性、信贷预期、跨境资金流、衍生品预期、市场资金流、技术分析六个维度分别构建子择时策略，然后通过动态调整各子策略权重合成综合择时信号，并基于此信号通过风险预算模型构建股债轮动组合[29]。 * **模型具体构建过程**： 1. **构建子策略**：在六个维度（宏观流动性、信贷预期、跨境资金流、衍生品预期、市场资金流、技术分析）下分别构建独立的择时子模型[29]。 2. **动态合成综合信号**：为使模型灵活适应市场环境，采用动态调整的方法为各子策略赋予权重，加权得到综合择时信号[31]。信号值越接近1表示越看多，越接近-1表示越看空[33]。 3. **构建股债轮动组合**：基于综合择时信号，运用风险预算模型动态分配股票和债券的仓位，构建股债轮动投资组合[29]。 4. 行业轮动体系3.0（多模型合成框架） * **模型名称**：行业轮动体系3.0[35] * **模型构建思路**：从交易行为、景气度、资金面、筹码结构、宏观驱动、技术分析六个维度出发，分别构建行业轮动子模型，然后对子模型的信号进行动态合成，以双周频优选行业[35]。 * **模型具体构建过程**： 1. **构建六个维度的子模型**： * **交易行为模型**：捕捉行业的日内动量与隔夜反转效应[35]。 * **景气度模型**：捕捉行业的盈余动量效应[35]。 * **资金流模型**：捕捉主动抢筹与被动派发行为[35]。 * **筹码结构模型**：捕捉持仓收益与阻力支撑效应[35]。 * **宏观驱动模型**：捕捉高频宏观预期在行业层面的映射[35]。 * **技术分析模型**：捕捉行业成分股在趋势、振荡、量能指标上的交易信号[35]。 2. **动态合成行业信号**：对上述六个子模型产生的信号进行动态加权合成，得到每个行业的最终得分[35][42]。权重根据模型近期的表现动态调整[42]。 3. **行业选择**：根据行业得分进行排序，选择得分高的行业作为看多方向[41]。 5. 转债风格轮动模型 * **模型名称**：转债风格轮动模型[16] * **模型构建思路**：在剔除高估值转债的基础上，选择能够捕捉市场情绪的指标，在转债的股性和债性两种主要风格之间进行轮动配置[16]。 * **模型具体构建过程**： 1. **剔除高估值转债**：构建**转股溢价率偏离度因子**和**理论价值偏离度因子**，综合筛选并剔除高估值转债[16]。 2. **构建风格轮动指标**：选择**转债20日动量**与**转债波动率偏离度**作为捕捉市场情绪的指标[16]。 3. **组合构建与调仓**：基于上述指标，构建转债风格轮动组合，每两周调仓一次[16]。根据信号在偏债低估转债指数和偏股型转债指数之间进行切换配置[16]。 6. ETF轮动组合构建模型 * **模型名称**：ETF轮动组合构建模型[46] * **模型构建思路**：利用行业轮动体系3.0产生的行业信号，选择对应的行业ETF构建投资组合，并通过分资金、分批次调仓的方式平滑调仓冲击[46]。 * **模型具体构建过程**： 1. **信号来源**：直接使用行业轮动体系3.0生成的行业得分作为ETF选择的依据[47]。 2. **组合构建**：每周选择得分最高的4个行业，并调入其对应的代表性ETF，每只ETF配置25%的权重[47]。 3. **调仓方式**：为平滑单双周调仓时点的扰动，将资金分为两份，每周对其中一份资金进行调仓。调入的ETF持有周期为两周[46]。 量化因子与构建方式 1. 百元转股溢价率因子 * **因子名称**：百元转股溢价率[13] * **因子构建思路**：构建一个在时间序列上可比的估值指标，用于衡量可转债与其正股之间的相对配置价值[13]。 * **因子具体构建过程**：计算每只可转债的转股溢价率，并以“百元”为单位进行标准化或调整，使得该指标在不同时期具有可比性。通过计算该指标在滚动历史窗口（如三年、五年）内的分位数，来判断当前转债相对于正股的估值高低[13]。 2. 修正YTM-信用债YTM因子 * **因子名称**：修正YTM–信用债YTM[15] * **因子构建思路**：通过剥离转股条款对转债到期收益率(YTM)的影响，得到“修正YTM”，再与同等级、同期限的信用债YTM比较，以衡量偏债型转债与信用债之间的相对配置价值[15]。 * **因子具体构建过程**： 1. 对偏债型转债的YTM进行修正，剔除转股期权价值的影响，得到纯债部分的收益率，即“修正YTM”[15]。 2. 计算“修正YTM”与同等级、同期限信用债YTM的差值[15]。 3. 计算全市场该差值的中位数，作为整体偏债型转债配置性价比的衡量指标。差值越低（或为负），说明偏债型转债相对于信用债的配置价值越低[15]。 3. 转股溢价率偏离度因子 * **因子名称**：转股溢价率偏离度因子[16] * **因子构建思路**：用于识别并剔除转股溢价率过高的可转债，即估值过高的转债[16]。 * **因子具体构建过程**：报告未给出具体公式，但思路是计算单只转债的转股溢价率与其自身历史均值或行业均值的偏离程度，偏离过大的被视为高估值标的[16]。 4. 理论价值偏离度因子 * **因子名称**：理论价值偏离度因子[16] * **因子构建思路**：用于识别并剔除市场价格严重偏离理论估值（如通过B-S模型计算）的可转债，即估值不合理的转债[16]。 * **因子具体构建过程**：报告未给出具体公式，但思路是计算转债市价与其通过模型计算出的理论价值之间的偏离度，偏离度过大的被视为估值不合理的标的[16]。 5. 转债20日动量因子 * **因子名称**：转债20日动量[16] * **因子构建思路**：作为捕捉市场情绪的指标之一，用于转债的风格轮动[16]。 * **因子具体构建过程**：计算可转债过去20个交易日的价格收益率，作为动量因子[16]。 6. 转债波动率偏离度因子 * **因子名称**：转债波动率偏离度[16] * **因子构建思路**：作为捕捉市场情绪的指标之一，用于转债的风格轮动[16]。 * **因子具体构建过程**：报告未给出具体公式，但思路是计算转债当前波动率与其历史波动率均值的偏离程度[16]。 模型的回测效果 1. **债券久期择时模型**：2026年3月，策略回报18.3bp，等权基准收益率6.4bp，超额收益11.9bp[12]。最近一年，策略回报1.57%，等权基准收益率-0.12%，超额收益1.69%[12]。 2. **黄金预期收益择时模型**：基于TIPS收益率的择时策略，在过去一年的绝对回报为62.0%[24]。 3. **A股权益择时框架（股债轮动组合）**：在全样本区间内，股债轮动组合（风险预算）年化收益率8.16%，最大回撤3.74%，收益波动比2.76，收益回撤比2.19[33]。2026年3月，组合收益为-0.44%[33]。 4. **行业轮动体系3.0**：2026年3月，行业多头组合收益为-6.42%，空头组合收益为-7.73%，行业等权基准收益为-7.23%，多头超额收益0.81%，空头超额收益0.5%，五分组多空组合收益为1.65%[38]。 5. **转债风格轮动模型**：2018年2月14日至2026年3月13日，策略年化收益为25.60%，最大回撤15.89%，信息比率(IR)1.51[16]。2026年以来收益为9.34%[16]。 6. **ETF轮动组合构建模型**：2026年3月，组合收益率为-5.69%，有ETF跟踪的行业平均收益率为-6.84%，超额收益率为1.14%[50]。 因子的回测效果 （报告中未提供单个因子的独立回测绩效指标，仅将其作为模型的一部分呈现结果。）

量化模型与构建方式 根据提供的研报内容，该报告主要介绍了将OpenClaw AI Agent框架与本地大模型推理工具LM Studio进行连接和部署的技术方案，并未涉及任何用于金融市场分析的量化模型或量化因子[7]。报告的核心是技术部署指南，而非金融量化研究。 因此，报告中**没有**涉及以下内容： 1. 用于选股、择时或资产配置的量化模型。 2. 用于解释或预测资产收益的量化因子（如价值、动量、质量等）。 3. 对上述模型或因子的回测效果及指标分析。 报告的主要内容聚焦于本地化AI部署的技术路径、软件配置和操作步骤[1][8][46]。

量化模型与因子总结 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**[1][75] * **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，学习其与未来价格走势之间的关系，并将学习到的特征映射到行业主题板块中，以识别具有趋势性机会的板块[1][75]。 * **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[75]。研报中提及了“标准化数据价量图表”，但未给出具体标准化方法和图表形式（如K线图、价量组合图等）的细节[76]。 2. **模型训练**：使用卷积神经网络对上述图表化的数据进行训练，目标是建立图表特征与未来价格变动之间的映射关系[1][75]。报告未提供具体的网络结构、损失函数、训练周期等细节。 3. **特征映射与应用**：将训练好的模型学习到的特征应用于行业或主题板块层面，从而生成对板块未来走势的判断[1][75]。最终输出为看好的具体指数列表[76]。 2. **模型名称：宏观因子事件模型**[51][53] * **模型构建思路**：通过跟踪一系列国内外宏观指标，定义其特定的走势事件（如短期高低点、连续涨跌等），并从历史数据中筛选出对资产未来收益率有显著影响的“有效因子事件”，以此作为判断未来资产趋势的依据[51]。 * **模型具体构建过程**： 1. **因子选择**：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[51]。 2. **事件定义**：定义四类宏观因子事件来描述指标走势：短期高低点、连续上涨下跌、创历史新高新低、因子走势反转[51]。 3. **有效性检验**：从历史数据中寻找“有效因子事件”，即那些对资产未来收益率影响较为显著的因子事件[51]。 4. **趋势判断**：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，并统计在不同趋势下资产未来一个月的平均收益，筛选出收益存在显著差异的资产[53]。例如，当PMI指标处于其3月均线趋势上行时，对股票市场持看多观点[54]。 3. **模型名称：GFTD模型**[78] * **模型构建思路**：报告仅在风险提示部分提及该模型名称，指出其历史择时成功率约为80%。未提供该模型的任何构建思路、过程或细节[78]。 4. **模型名称：LLT模型**[78] * **模型构建思路**：报告仅在风险提示部分提及该模型名称，指出其历史择时成功率约为80%。未提供该模型的任何构建思路、过程或细节[78]。 模型的回测效果 （注：报告中未提供任何量化模型的回测效果指标数据，如年化收益率、夏普比率、最大回撤、信息比率（IR）等。） 量化因子与构建方式 1. **因子名称：新高新低比例因子**[31] * **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趋势强度[31]。 * **因子具体构建过程**： * **60日新高比例**：计算当日收盘价创过去60日新高的个股数量占全部A股个股总数的比例[1][31]。 * **60日新低比例**：计算当日收盘价创过去60日新低的个股数量占全部A股个股总数的比例[1][31]。 2. **因子名称：个股均线结构因子**[36] * **因子构建思路**：通过计算处于不同均线排列状态（多头、空头）的个股占比，来反映市场整体的技术面强弱[36]。 * **因子具体构建过程**： * **均线强弱指标**：计算呈现多头排列的个股数量与呈现空头排列的个股数量之差，再除以总个股数（或直接表示为比例差）[1][36]。报告中的表述为“多头排列减空头排列个股占比”[1]。 3. **因子名称：长期均线以上比例因子**[39] * **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，用以衡量市场长期趋势的强弱和广度[39]。 * **因子具体构建过程**： * **200日长期均线之上比例**：计算当日收盘价位于其200日移动平均线之上的个股数量占全部A股个股总数的比例[39][40]。 4. **因子名称：风险溢价因子**[62][77] * **因子构建思路**：通过计算股票市场收益率（以市盈率倒数表示）与无风险收益率（十年期国债收益率）之差，来衡量股票资产相对于债券资产的吸引力[62][77]。 * **因子具体构建过程**： * 以中证全指为例，风险溢价 = （1 / 中证全指静态PE_TTM） - 十年期国债收益率[77]。 * 公式可表示为：$$风险溢价 = \frac{1}{PE_{TTM}} - R_{10Y}$$ 其中，$PE_{TTM}$ 为指数市盈率（滚动十二个月），$R_{10Y}$ 为十年期国债收益率。 5. **因子名称：指数超买超卖因子**[65][69] * **因子构建思路**：通过测量当前指数价格相对于其历史价格区间的位置，来判断指数是否处于超跌或超买状态[65][69]。 * **因子具体构建过程**：报告未给出该因子的具体计算公式。通常此类因子可能基于历史分位数、布林带、RSI等指标构建。报告中展示了主要指数和行业指数的“超跌指标统计”图，但未说明其计算方法[66][70]。 因子的回测效果 （注：报告中未提供任何量化因子的IC值、IR、多空收益、分组测试效果等回测结果数据。仅展示了部分因子如新高新低比例、均线结构、风险溢价等的当前数值或时间序列图表[31][36][40][63][66][70]。）

量化模型与构建方式 1. **模型名称：三维择时框架** [3] * **模型构建思路**：通过监测市场分歧度、流动性和景气度三个维度的变化趋势，综合判断市场整体走势，进行择时判断[3]。 * **模型具体构建过程**：报告未详细描述该框架三个维度的具体计算方法和综合判断规则，仅提及了其应用和结论[3]。 2. **模型名称：ETF热点趋势策略** [29] * **模型构建思路**：结合K线形态、价格趋势的陡峭程度（支撑阻力因子）以及短期市场关注度（换手率变化），筛选出处于热点上升趋势的ETF构建投资组合[29]。 * **模型具体构建过程**： 1. 筛选形态：首先选出最高价与最低价同时为上涨形态的ETF[29]。 2. 计算支撑阻力因子：根据最高价与最低价近20日回归系数的相对陡峭程度构建[29]。 3. 筛选关注度：在支撑阻力因子的多头组中，选择近5日换手率/近20日换手率最高的ETF，即短期关注度明显提升的品种[29]。 4. 组合构建：最终选取10只ETF，采用风险平价方法构建组合[29]。 3. **模型名称：资金流共振策略** [37] * **模型构建思路**：结合融资融券资金流和主动大单资金流两个维度，寻找两种资金流产生共振效应的行业进行推荐[34][37]。 * **模型具体构建过程**： 1. **构建融资融券资金因子**：计算行业融资净买入-融券净卖出（个股加总），用Barra市值因子进行中性化，取最近50日均值后的两周环比变化率[37]。 2. **构建主动大单资金因子**：计算行业主动大单净流入，用行业最近一年成交量进行时序中性化后排序，并取最近10日均值[37]。 3. **策略逻辑**：在主动大单因子的头部打分行业内，剔除融资融券因子也处于头部的行业（根据历史回测，融资融券因子多头端在某些市场状态下有稳定的负向超额收益）[37]。进一步剔除大金融板块以提高策略稳定性[37]。 4. **模型名称：全天候配置策略** [42] * **模型构建思路**：通过资产选择、风险调整和结构对冲三项原则，构建分散化的投资组合，绕过宏观预测，直接针对资产波动进行平衡配置，以获取稳健的绝对收益[42]。 * **模型具体构建过程**：报告提及该策略采用“循环对冲设计对冲构型”，但未给出具体构建公式和步骤。策略按风险水平分为两个版本： * **高波版**：采用“四层结构化-股债金风险平价”方法[46][47]。 * **低波版**：采用“五层结构化-风险预算”方法[48]。 模型的回测效果 1. **ETF热点趋势策略** [29] * 2025年以来收益：56.47%[29] * 2025年以来相对沪深300超额收益：38.62%[29] 2. **资金流共振策略** [37] * 2018年以来费后年化超额收益：14.3%[37] * 信息比率(IR)：1.3[37] * 上周绝对收益：-0.87%[37] * 上周超额收益（相对行业等权）：-0.33%[37] 3. **全天候配置策略** [53] * **高波版**： * 截至2025年年化收益率：11.8%[53] * 截至2025年年平均最大回撤：3.6%[53] * 截至2025年夏普比率：1.9[53] * 2026年以来收益率：1.8%[3][53] * **低波版**： * 截至2025年年化收益率：6.7%[53] * 截至2025年年平均最大回撤：2.0%[53] * 截至2025年夏普比率：2.4[53] * 2026年以来收益率：1.2%[3][53] 量化因子与构建方式 1. **因子名称：风格因子（波动率、动量、杠杆等）** [56] * **因子构建思路**：报告跟踪了一系列常见的风格因子，用于描述市场的风格特征，如市值、贝塔、动量、波动率、价值、流动性、成长、杠杆等[56][57]。 * **因子具体构建过程**：报告未提供这些风格因子的具体计算公式。 2. **因子名称：Alpha因子（多维度）** [60] * **因子构建思路**：从不同时间维度、宽基指数和行业板块等角度，构建并测试了大量选股因子，以观察其在不同环境下的表现[60]。 * **因子具体构建过程**：报告列出了多个Alpha因子，但仅提供了部分因子的定义说明，未给出统一的详细计算公式。所有因子（除规模因子外）均进行了市值、行业中性化处理；规模因子仅进行行业中性化处理[60]。部分因子示例如下： * **十二个月残差动量 (specific mom12)**：未提供公式[62]。 * **1年-1个月的收益率 (mom 1y 1m)**：未提供公式[62]。 * **管理费用/总销售收入 (gaexp sales)**：未提供公式[62]。 * **每股收益同比增速 (yoy eps)**：未提供公式[62]。 * **ROE同比变化 (yoy roe)**：$$(当期 ROE - 去年同期 ROE) / |去年同期 ROE|$$ [62] * **营业利润波动 (op growth std)**：$$(营业利润 - 过去八个季度的营业利润均值) / 过去八个季度的营业利润标准差$$ [62] * **单季度ROA同比差值(考虑快报、预告) (roa q delta adv)**：未提供公式[62]。 * **评级上下调差/评级上下调和 (est num diff)**：未提供公式[64]。 * **一致预测净利润变化(FY1)占比 (mom1 np fy1)**：$$(当前一致预测np FY1 - 1个月前一致预测np FY1) / |1个月前一致预测np FY1|$$ [64] * **营业收入意外 (sue1)**：$$(营业收入同比delta - 过去八个季度的营业收入同比delta均值) / 过去八个季度的营业收入同比delta标准差$$ [62] 因子的回测效果 1. **风格因子近期表现（最近一周）** [57] * 波动率因子：1.95% * 动量因子：1.58% * 杠杆因子：0.96% * 市值因子：-1.58% * 贝塔因子：-0.73% * 价值因子：0.10% * 流动性因子：0.32% * 成长因子：-0.29% 2. **Alpha因子近期表现（近一周多头超额收益）** [62] * 十二个月残差动量 (specific mom12)：0.87% * 1年-1个月的收益率 (mom 1y 1m)：0.79% * 管理费用/总销售收入 (gaexp sales)：0.75% * 每股收益同比增速 (yoy eps)：0.52% * ROE同比变化 (yoy roe)：0.50% 3. **Alpha因子分指数表现（最近一年多头超额收益）** [64] * **在沪深300中表现突出**： * 十二个月残差动量 (specific mom12)：33.21% * 评级上下调差/评级上下调和 (est num diff)：33.05% * **在中证500中表现突出**： * 一致预测净利润变化(FY1)占比 (mom1 np fy1)：16.36% * **在中证1000中表现突出**： * 单季度净利润同比增长(考虑快报、预告) (yoy np q adv)：20.62%

量化模型与因子总结 量化因子与构建方式 1. 基础资金流因子 **1.1 因子名称：大单成交单数占比因子** - **因子构建思路**：合并特大单与大单，统计其买入或卖出成交笔数占总成交笔数的比例，以20日平滑值作为因子值，旨在捕捉机构资金的交易动向[18]。 - **因子具体构建过程**： 1. 根据Wind资金流分类，将每笔成交划分为特大单、大单、中单和小单。 2. 合并特大单与大单，统称为“大单”。 3. 分别计算每日大单买入成交笔数、大单卖出成交笔数以及市场总成交笔数。 4. 计算每日的大单买入单数占比和大单卖出单数占比： $$大单买入单数占比_t = \frac{大单买入成交笔数_t}{市场总成交笔数_t}$$ $$大单卖出单数占比_t = \frac{大单卖出成交笔数_t}{市场总成交笔数_t}$$ 5. 对上述日度占比序列取20日移动平均，得到最终的因子值[18]。 - **因子评价**：相比成交金额占比，成交单数占比更能剔除极端单笔成交的噪音，更真实地反映机构投资者的共识性动作[20]。大单的买入与卖出行为因子绩效接近[20]。 **1.2 因子名称：小单成交单数占比因子** - **因子构建思路**：统计小单买入或卖出成交笔数占总成交笔数的比例，以20日平滑值作为因子值，旨在捕捉散户资金的交易行为[24]。 - **因子具体构建过程**： 1. 根据Wind资金流分类，识别“小单”成交。 2. 分别计算每日小单买入成交笔数、小单卖出成交笔数以及市场总成交笔数。 3. 计算每日的小单买入单数占比和小单卖出单数占比： $$小单买入单数占比_t = \frac{小单买入成交笔数_t}{市场总成交笔数_t}$$ $$小单卖出单数占比_t = \frac{小单卖出成交笔数_t}{市场总成交笔数_t}$$ 4. 对上述日度占比序列取20日移动平均，得到最终的因子值[24]。 - **因子评价**：成交单数占比绩效全面优于金额占比[25]。小单卖出行为的因子绩效显著优于买入行为，具有极强的反向领先意义[25]。 **1.3 因子名称：相对量资金流因子 (小单卖出/小单买入、大单买入/大单卖出)** - **因子构建思路**：使用平滑后的小单卖出与买入笔数之比、大单买入与卖出笔数之比作为因子，旨在通过相对变化增强信号的稳健性[28]。 - **因子具体构建过程**： 1. 分别计算“小单卖出单数占比”和“小单买入单数占比”的20日平滑序列。 2. 构建小单相对量因子：$$小单相对量因子_t = \frac{小单卖出单数占比_{t, smoothed}}{小单买入单数占比_{t, smoothed}}$$ 3. 分别计算“大单买入单数占比”和“大单卖出单数占比”的20日平滑序列。 4. 构建大单相对量因子：$$大单相对量因子_t = \frac{大单买入单数占比_{t, smoothed}}{大单卖出单数占比_{t, smoothed}}$$ 其中，`smoothed`表示经过20日移动平均处理后的值[28]。 2. 情境匹配衍生因子 **2.1 因子名称：涨跌情境匹配因子** - **因子构建思路**：根据股票过去一段时间的价格走势划分“上涨”和“下跌”情境，并在不同情境下分别计算资金流因子，以提升因子的信噪比[33]。 - **因子具体构建过程**： 1. **情境划分**：对每只股票，回溯过去40个交易日，根据日收益率区分上涨日和下跌日[33]。 2. **因子计算**： - **大单因子**：仅在股票上涨区间，统计“大单买入笔数/大单卖出笔数”[37]。 - **小单因子**：仅在股票下跌区间，统计“小单卖出笔数/小单买入笔数”[38]。 3. **衍生处理**：基于过去40个交易日的滚动窗口，从上述情境化因子序列中进一步衍生出三类统计特征：**均值(mean)**、**90分位值(quantile90)** 以及 **标准差(std)**[44]。 - **因子评价**：大单因子在不同涨跌区间的绩效较为均衡，有效性对价格走势情境依赖不高[37]。小单因子在下跌情境下表现极佳，在上涨情境下失效甚至为负，其有效性主要来源于对下跌阶段市场负面情绪的刻画[38]。 **2.2 因子名称：市值情境匹配因子** - **因子构建思路**：在不同市值分域（如中证800、中证1000、国证2000）中分别测试资金流因子的有效性，观察其选股能力的差异[39]。 - **因子具体构建过程**： 1. 将股票池按市值划分为不同子域（例如，中证800代表大市值，国证2000代表小市值）[39]。 2. 在各市值子域内，分别计算“大单买入/大单卖出”和“小单卖出/小单买入”等基础或相对量因子[40][43]。 3. 分别评估各因子在不同子域内的绩效[40][43]。 - **因子评价**：2021年以前，大单因子在大市值股票中选股能力更优；2021年以后，其在小市值股票中表现更稳健，反映出大市值股票中算法拆单行为对传统大单因子干扰增强[42]。小单因子在不同市值分域中的表现则保持了高度的一致性[43]。 3. 复合因子 **3.1 因子名称：IRCF因子 (机构与散户逆向资金流因子)** - **因子构建思路**：核心思路为“下跌日看小单卖出、上涨日看大单买入，大单只作用于小票”。通过分情境捕捉“主力吸筹”与“散户恐慌”的背离行为，构建复合因子[3][48]。 - **因子具体构建过程**： 1. **基础信号生成**： - **小单信号**：在股票下跌区间，计算“小单卖出单数/小单买入单数”[48]。 - **大单信号**：在股票上涨区间，计算“大单买入单数/大单卖出单数”[48]。 2. **信号衍生**：以40个交易日为窗口，分别从小单和大单的基础信号序列中计算**均值(mean)**、**标准差(std)** 和 **90分位值(quantile90)** 三类衍生指标，共得到6个指标[48]。 3. **市值过滤**：为避免大市值股票中算法拆单的干扰，对衍生出的大单指标（3个）施加过滤条件：若个股日均成交额处于市场最高的前1/3，则将该股票的大单指标值设为空[49]。 4. **因子合成**：将上述6个衍生指标分别进行横截面标准化，然后等权求平均，得到最终的IRCF因子值[49]。 - **因子评价**：该因子通过情境匹配和时序平滑，有效捕捉了未被算法平滑的微观博弈规律，表现出极强的预测持续性和稳定性[52][53]。 **3.2 因子名称：“情境-特征”资金流综合因子** - **因子构建思路**：基于“情境(Regime)-行为(Behavior)”框架，通过多种情境刻画（涨跌、成交额、振幅等）与多种资金流行为特征（小单/大单买卖笔数）的组合，挖掘并构建数十个有效因子，最后等权合成综合因子[3][60]。 - **因子具体构建过程**： 1. **框架定义**：遵循范式 $$regime + behavior \xrightarrow{aggregation} factor$$，其中情境(Regime)包括涨跌状态、成交额分布、振幅水平等；行为(Behavior)包括小单/大单的买入与卖出笔数；聚合方式(Aggregation)包括均值、标准差、分位值等[60]。 2. **因子挖掘**：按照上述框架，生成大量“情境-特征”组合的衍生因子。例如，`mean_down_day_s_sell_t_1` 表示在下跌情境(`down_day=1`)下，小单卖出相对笔数(`s_sell_t`)的均值(`mean`)因子[64]。 3. **因子合成**：将挖掘出的数十个有效因子（如表15所列）进行简单等权合成，得到“资金流综合因子”[64]。 - **因子评价**：该因子体系通过捕捉不同的“情境-行为”组合，弥补了单一逻辑的不足，即便在市场风格剧烈切换的年份也能保持高稳定性[67]。 **3.3 因子名称：等权复合因子 (IRCF + 资金流综合因子)** - **因子构建思路**：将IRCF因子与“情境-特征”资金流综合因子进行等权复合，以结合两者的优势，获取边际增量[3][67]。 - **因子具体构建过程**：将标准化后的IRCF因子值与资金流综合因子值进行等权相加，得到最终的等权复合因子值[67]。 - **因子评价**：复合后的因子绩效相比单一的IRCF因子有进一步提升，表明“情境-特征”体系挖掘的因子能提供有效的边际增量[3][67]。 因子的回测效果 （注：以下绩效数据若无特别说明，均为2017年以来的整体表现，回测空间多为中证全指） **1. 基础资金流因子绩效** - **大单卖出单数占比因子**：多空年化收益8.0%，多头超额年化收益1.3%，多空IR 0.66，多头IR 0.11，IC均值-4.2%，ICIR -1.95[19]。 - **小单卖出单数占比因子**：多空年化收益15.7%，多头超额年化收益5.4%，多空IR 1.36，多头IR 1.00，IC均值5.8%，ICIR 2.44[25]。 - **小单卖出/小单买入因子 (中证全指)**：多空年化收益11.8%，多头超额年化收益7.0%，IC均值3.0%，ICIR 1.43[29]。 - **大单买入/大单卖出因子 (中证全指)**：多空年化收益12.2%，多头超额年化收益6.9%，IC均值3.7%，ICIR 1.97[29]。 **2. 情境匹配衍生因子绩效** - **下跌情境小单卖出/买入因子 (均值)**：多头超额年化收益7.8%，IC均值6.3%[38][47]。 - **下跌情境小单卖出/买入因子 (90分位值)**：多头超额年化收益8.6%，IC均值7.4%[46][47]。 **3. 复合因子绩效** - **IRCF因子**：多空年化收益25.8%，多头超额年化收益9.6%，多头IR 2.13，IC均值7.1%，ICIR 3.29，IC胜率85.2%[50][53]。 - **资金流综合因子**：多头超额年化收益9.9%，IC均值7.7%[65][67]。 - **等权复合因子 (IRCF+综合)**：多头超额年化收益10.9%，IC均值7.7%[65][67]。

量化择时周报：继续等缩量 - 模型与因子总结 量化模型与构建方式 1. **模型名称：市场环境择时体系（均线距离模型）**[3][7][12] * **模型构建思路**：通过计算Wind全A指数的短期均线与长期均线的距离差，来划分市场的整体环境（如上涨、下跌或震荡格局）[3][7]。 * **模型具体构建过程**： 1. 计算Wind全A指数的20日移动平均线（短期均线，MA20）和120日移动平均线（长期均线，MA120）[3][7]。 2. 计算两条均线之间的距离差，公式为： $$距离差 = (MA20 - MA120) / MA120 * 100\%$$ 其中，MA20代表短期趋势，MA120代表长期趋势[3][7]。 3. 根据距离差的绝对值设定阈值来判断市场状态。报告指出，当距离绝对值低于3%时，市场进入典型的震荡格局[3][7][12]。 2. **模型名称：仓位管理模型**[3][8] * **模型构建思路**：结合市场的估值水平和短期趋势判断，为绝对收益产品提供股票仓位的配置建议[3][8]。 * **模型具体构建过程**： 1. 评估市场估值水平：计算Wind全A指数的市盈率（PE）和市净率（PB）在其自身历史数据中所处的分位数位置[3][8]。 2. 结合趋势判断：参考上述“市场环境择时体系”对短期市场格局（如震荡）的判断[3][8]。 3. 综合输出仓位建议：例如，当PE处于历史高位（90分位点），PB处于中等水平（50分位点），且市场处于震荡格局时，模型建议仓位为50%[3][8]。 3. **模型名称：中期行业配置模型**[3][6][8] * **模型构建思路**：通过子模型（如业绩趋势模型）筛选出未来具有较强业绩趋势或配置机会的行业板块[3][6][8]。 * **模型具体构建过程**： 1. **业绩趋势模型**：作为该配置模型的核心组成部分，用于识别业绩趋势向好的行业。具体构建细节未在报告中详细披露，但其输出结果用于指导行业配置[3][6][8]。 2. 模型会结合市场状态（如是否出现“缩量信号”）动态调整关注重点。例如，在等待缩量信号时，模型提示关注有色金属及军工；在未出现该信号时，则重点关注算力产业链、周期与新能源板块[3][6][8]。 4. **模型/信号名称：缩量信号**[3][6][8][12] * **模型/信号构建思路**：将市场成交额的萎缩程度作为一个关键的择时或行业切换观测变量，认为成交额萎缩至特定阈值以下是市场可能迎来反弹的信号[3][6][8]。 * **模型/信号具体构建过程**：报告明确指出，需要“等待成交萎缩至1.7万亿之下”。因此，该信号的构建是基于对Wind全A（或类似宽基指数）日度成交额的观测，当成交额持续低于1.7万亿元的临界值时，触发“缩量信号”[3][6][8][12]。 模型的回测效果 （注：本篇报告为周度市场观点，主要展示模型的最新信号和结论，未提供历史回测的绩效指标（如年化收益率、夏普比率、最大回撤等）的具体数值[1][2][3][4][6]。） 量化因子与构建方式 1. **因子名称：估值因子（PE/PB分位数）**[3][8][9][11] * **因子构建思路**：通过计算指数或个股的估值指标（PE、PB）在其历史序列中所处的相对位置（分位数），来判断当前估值水平的高低[3][8][10][12]。 * **因子具体构建过程**： 1. 获取Wind全A指数历史的市盈率（PE）和市净率（PB）时间序列数据[10][12]。 2. 计算当前PE和PB值在历史数据（例如，报告提及数据区间为2014年10月17日至2026年3月27日）中的分位数[10][12]。 3. 分位数越高，代表当前估值相对自身历史水平越高[10][12]。例如，PE位于90分位点附近属于偏高水平，PB位于50分位点属于中等水平[3][8]。 因子的回测效果 （注：报告仅展示了估值因子（PE/PB分位数）在最新时点的取值和定性评价，未提供该因子在选股或择时中的历史有效性检验指标（如IC值、IR、多空收益等）[3][8][9][11]。）

量化模型与构建方式 1. **模型名称：周期分析模型**[2][9] * **模型构建思路**：通过分析市场价格的周期性波动规律，识别市场潜在的转折点或企稳信号[2][9] * **模型具体构建过程**：报告中未详细描述该模型的具体数学构建过程、参数或公式，仅提及该模型的输出结果（即释放出初步企稳信号）用于与技术分析中的“三重支撑”形成共振判断[9] 2. **模型名称：缠论分析模型**[7][14] * **模型构建思路**：基于“缠论”这一技术分析理论，对市场走势进行结构分解和形态识别[7][14] * **模型具体构建过程**：报告中未详细描述该模型的具体数学构建过程、参数或公式，仅以图表形式展示了其分析结果[7][14] 量化因子与构建方式 1. **因子名称：量度空间支撑因子**[2][9] * **因子构建思路**：基于经典技术分析形态（如“M头”），在形态破位后，按照等比例幅度测量潜在的价格调整目标位[2][9] * **因子具体构建过程**：对于“M头”形态，其颈线破位后的理论最小下跌目标幅度为形态高度。设“M头”两个高点价格为 $$H$$，颈线价格为 $$N$$，则形态高度为 $$H - N$$。理论下跌目标位（支撑位）计算公式为： $$目标位 = N - (H - N)$$ 即1:1的等比例调整幅度[9]。 2. **因子名称：筹码密集区支撑因子**[2][9] * **因子构建思路**：识别历史上成交量密集、多空双方反复争夺形成的价格平台，该区域通常具备较强的支撑或阻力作用[2][9] * **因子具体构建过程**：通过历史价格和成交量数据，定位曾长时间横盘震荡的价格区间，该区间的下轨被视为重要的筹码密集支撑位。报告中以2025年三季度震荡平台的下轨作为具体示例[9]。 3. **因子名称：关键均线支撑因子**[2][9] * **因子构建思路**：将长期移动平均线（如200日均线）视为重要的趋势分界线，价格回调至该均线附近可能获得支撑[2][9] * **因子具体构建过程**：计算标的指数（如上证综指）的200日简单移动平均线（SMA）。公式为： $$SMA_{200}(t) = \frac{1}{200} \sum_{i=0}^{199} Price(t-i)$$ 其中，$$Price(t-i)$$ 为第 $$t-i$$ 交易日的收盘价。当市场价格接近或触及该均线时，被视为关键均线支撑位[9]。 模型的回测效果 （报告中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等具体数值。） 因子的回测效果 （报告中未提供任何量化因子的测试结果，如IC值、IR值、多空收益、分组收益等具体数值。）

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**：基于市场情绪热度变化，构建一个在主流宽基指数间进行轮动的择时策略。其核心逻辑是，市场关注度（热度）的边际变化可能预示着短期资金流向，选择热度上升最快的宽基指数进行投资，以期获得超额收益[13]。 * **模型具体构建过程**： 1. **数据准备**：计算全A股票池中，属于沪深300、中证500、中证1000、中证2000以及“其他”组（不属于上述四个宽基的股票）的股票总热度[8]。 2. **计算热度变化率**：计算每个宽基组（含“其他”组）的周度总热度变化率[11]。 3. **平滑处理**：对周度热度变化率取2周移动平均（MA2）进行平滑[11]。 4. **交易信号**：在每周最后一个交易日，买入MA2值最大的宽基指数对应的ETF或一篮子股票。如果MA2值最大的是“其他”组，则选择空仓[13]。 5. **调仓周期**：每周调仓一次[13]。 2. **模型名称：热门概念内低热度选股策略（BOTTOM组合）** [30][32] * **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。其逻辑是，热门概念中的高关注度个股可能因“有限注意力”导致短期定价过度，而低关注度个股可能存在反应不足或补涨机会[29]。 * **模型具体构建过程**： 1. **筛选热门概念**：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[32]。 2. **构建备选股票池**：将这5个热门概念对应的所有成分股作为初始股票池，并剔除其中流通市值最小的20%的股票[32]。 3. **构建BOTTOM组合**：在每个热门概念对应的备选股票池中，选出个股总热度指标排名最低的10只股票，等权重构建投资组合[32]。 4. **调仓周期**：每周调仓一次[32]。 模型的回测效果 1. **宽基轮动策略**，年化收益率8.74%，最大回撤23.5%，2026年收益为0%[16]。 2. **热门概念内低热度选股策略（BOTTOM组合）**，年化收益15.71%，最大回撤28.89%，2026年收益为-7.6%[34]。 量化因子与构建方式 1. **因子名称：个股总热度** [7] * **因子构建思路**：通过加总个股的浏览、自选与点击次数，并经过标准化处理，构建一个衡量市场对单只股票关注度（情绪热度）的代理指标[7]。 * **因子具体构建过程**： 1. 获取股票i在交易日t的浏览、自选与点击次数原始数据。 2. 将这三项数据求和，得到股票i在交易日t的原始总热度。 3. 计算该原始总热度在交易日t全市场所有股票中的占比，进行归一化。 4. 将归一化后的数值乘以10000，使因子取值区间落在[0, 10000]之间[7]。 * **公式**： $$个股总热度_{i,t} = \frac{（浏览_{i,t} + 自选_{i,t} + 点击_{i,t}）}{\sum_{j=1}^{N}（浏览_{j,t} + 自选_{j,t} + 点击_{j,t}）} \times 10000$$ 其中，$i$ 代表个股，$t$ 代表交易日，$N$ 为全市场股票总数[7]。 2. **因子名称：聚合总热度（宽基/行业/概念层面）** [7] * **因子构建思路**：将属于同一宽基指数、申万行业或概念的成分股的“个股总热度”因子进行加总，得到更高层面的市场情绪热度指标，用于追踪板块或主题的整体关注度变化[7]。 * **因子具体构建过程**： 1. 确定分组范围（如：沪深300指数、公用事业行业、兵装重组概念等）。 2. 将该分组内所有成分股在交易日t的“个股总热度”因子值进行求和[7][8]。 * **公式**： $$聚合总热度_{G,t} = \sum_{i \in G} 个股总热度_{i,t}$$ 其中，$G$ 代表某个特定的宽基指数、行业或概念分组[7][8]。 3. **因子名称：热度变化率（周度）** [11] * **因子构建思路**：计算“聚合总热度”因子在相邻两周之间的变化率，用于衡量市场关注度的边际变化速度[11]。 * **因子具体构建过程**： 1. 计算分组G在本周末（$t$）的聚合总热度 $H_{G,t}$。 2. 计算分组G在上周末（$t-1$）的聚合总热度 $H_{G, t-1}$。 3. 计算周度热度变化率[11]。 * **公式**： $$周度热度变化率_{G,t} = \frac{H_{G,t} - H_{G, t-1}}{H_{G, t-1}}$$ 4. **因子名称：热度变化率MA2** [11] * **因子构建思路**：对“热度变化率（周度）”因子进行2周移动平均平滑，以降低噪声，得到更稳定的趋势信号[11]。 * **因子具体构建过程**： 1. 获取分组G在当周（$t$）和上一周（$t-1$）的“周度热度变化率”。 2. 计算这两周变化率的简单算术平均值[11]。 * **公式**： $$热度变化率MA2_{G,t} = \frac{周度热度变化率_{G,t} + 周度热度变化率_{G, t-1}}{2}$$ 因子的回测效果 *（注：报告未提供单个因子的独立回测绩效指标，如IC、IR等。因子效果体现在其构建的模型回测结果中。）*

量化模型与构建方式 1. 短期择时模型 * **模型名称**：短期量化择时模型[17][19] * **模型构建思路**：通过构建基本面、估值面、情绪面、流动性四个维度的指标体系，综合判断市场短期走势，给出仓位建议[17]。 * **模型具体构建过程**： 1. 构建四个一级指标（基本面、估值面、情绪面、流动性），每个一级指标下包含若干二级指标[17][20]。 2. 对每个二级指标计算其当前值在过去5年历史数据中的分位数[17][18][19]。 3. 根据各二级指标的分位数水平，将其转化为“乐观”、“中性”或“谨慎”的定性信号[17][18][19]。 4. 综合每个一级指标下的所有二级指标信号，得出该一级指标的最终信号（乐观、中性、谨慎）[17][18][19]。 5. 将四个一级指标信号汇总，形成最终的总仓位信号[17][20]。 * **模型评价**：该模型在历史回测中表现显著优于基准，能够有效控制回撤[19]。 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[27] * **模型构建思路**：通过动态宏观、估值回归、短期动量、风格广度、风格拥挤等多个子信号，综合判断成长与价值风格的占优情况，进行动态配置[27][28]。 * **模型具体构建过程**： 1. 模型包含多个子信号，包括：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[28]。 2. 每个子信号独立计算，并输出一个建议的成长风格仓位比例（例如0%、100%）[28]。 3. 将所有子信号的仓位建议进行综合（例如取5日平均），得到最终的成长与价值风格配置比例[27][28]。 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[30] * **模型构建思路**：从流动性等视角出发，选取11个有效轮动指标，构建综合信号来判断小盘与大盘风格的轮动机会[30]。 * **模型具体构建过程**： 1. 选取11个轮动指标，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[31]。 2. 每个指标独立计算，并输出一个建议的小盘风格仓位比例（例如0%或100%）[31]。 3. 将所有指标的仓位建议进行综合（例如采用3日平滑），得到最终的小盘与大盘风格配置比例[31]。 --- 模型的回测效果 1. 短期择时模型 * 回测区间：2012年底至今[19] * 年化收益率：15.84%[19] * 基准年化收益率：4.78%[19] * 年化超额收益率：11.06%[19] * 最大回撤：15.05%[19] * 夏普比率：0.9295[23] * 收益回撤比：1.0524[23] * 月度胜率：65.63%[23] * 季度胜率：59.26%[23] * 年度胜率：73.33%[23] 2. 成长价值风格轮动模型 * 回测区间：2011年至今[27] * **综合信号2（5日平均仓位）效果**： * 年化收益率：14.28%[27][28] * 基准年化收益率：6.38%[27][28] * 年化超额收益率：7.89%[27][28] * 最大回撤：40.08%[28] * 夏普比率：0.64[28] * 收益回撤比：0.36[28] * 年化跟踪误差：5.88%[28] * 年化信息比率(IR)：1.34[28] * 月度超额胜率：66.32%[28] 3. 小盘大盘风格轮动模型 * 回测区间：2014年以来[31] * **综合信号（3日平滑）效果**： * 年化收益率：19.49%[31] * 年化超额收益率：12.43%[31] * 最大回撤：40.70%[31] * 平均换手间隔（交易日）：19天[31] * 胜率（按交易）：50.00%[31] --- 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，主要介绍了用于模型输入的指标。以下根据报告内容整理出模型中使用的关键指标。） 1. 基本面维度指标 * **指标名称**：制造业PMI[17] * **构建思路**：直接采用国家统计局发布的制造业采购经理指数，反映经济景气度[17]。 * **具体构建过程**：当PMI > 50时，通常给出乐观或中性信号；当PMI < 50时，给出谨慎信号[17][20]。 * **指标名称**：信贷脉冲（同比增速）[17] * **构建思路**：使用人民币中长期贷款脉冲同比增速，反映信贷扩张强度[17]。 * **具体构建过程**：计算该指标在过去5年的分位数，分位数高表示信贷增速强，给出乐观信号[17][20]。 * **指标名称**：M1同比增速（HP滤波去趋势）[17] * **构建思路**：对M1同比增速进行HP滤波去除趋势项，以观察其周期波动[17]。 * **具体构建过程**：计算滤波后数据在过去5年的分位数，分位数高表示M1增速偏强，给出乐观信号[17][20]。 2. 估值面维度指标 * **指标名称**：A股整体PE分位数[17] * **构建思路**：计算全市场PE中位数在历史（如过去5年）中的分位水平，判断估值高低[17]。 * **具体构建过程**：分位数过高（如>90%）时，认为估值偏高有均值回归下行压力，给出谨慎信号[17][20]。 * **指标名称**：A股整体PB分位数[18] * **构建思路**：计算全市场PB中位数在历史（如过去5年）中的分位水平，判断估值高低[18]。 * **具体构建过程**：分位数过高（如>90%）时，认为估值偏高有均值回归下行压力，给出谨慎信号[18][20]。 3. 情绪面维度指标 * **指标名称**：A股整体Beta离散度[18] * **构建思路**：衡量个股Beta值相对于市场平均Beta的离散程度，反映市场分歧度[18]。 * **具体构建过程**：计算该指标在过去5年的分位数，分位数低表示市场分歧小、情绪可能趋于一致，给出乐观信号[18][20]。 * **指标名称**：A股整体量能情绪[18] * **构建思路**：综合量价关系构建的情绪指标[18]。 * **具体构建过程**：计算该指标在过去5年的分位数，分位数低表示量能情绪偏弱，给出谨慎信号[18][20]。 * **指标名称**：A股整体波动率（年化）[18] * **构建思路**：计算市场指数的年化波动率，反映市场波动和风险水平[18]。 * **具体构建过程**：计算该指标在过去5年的分位数，根据分位数高低给出相应信号[18][20]。 4. 流动性维度指标 * **指标名称**：货币利率指标[19] * **构建思路**：反映银行间市场流动性松紧的指标[19]。 * **具体构建过程**：计算该指标在过去5年的分位数，分位数低表示流动性相对宽松，给出乐观信号[19][20]。 * **指标名称**：汇率预期指标[19] * **构建思路**：反映人民币兑美元汇率变化预期的指标[19]。 * **具体构建过程**：计算该指标在过去5年的分位数，分位数低表示人民币汇率偏强，给出乐观信号[19][20]。 * **指标名称**：沪深净融资额5日均值[19] * **构建思路**：观察融资客的加杠杆行为和市场风险偏好[19]。 * **具体构建过程**：计算该指标在过去5年的分位数，根据分位数给出相应信号[19][20]。 5. 小盘大盘轮动指标（部分列举） * **指标名称**：期权波动率风险溢价[31] * **构建思路**：通过期权市场数据衡量风险偏好[31]。 * **指标名称**：Beta离散度[31] * **构建思路**：同上文情绪面指标，用于风格轮动[31]。 * **指标名称**：PB分化度[31] * **构建思路**：衡量大小盘板块之间PB估值差异的指标[31]。 * **指标名称**：中证1000 MACD(10,20,10)[31] * **构建思路**：对中证1000指数应用MACD技术指标，捕捉小盘股趋势[31]。 * **指标名称**：中证1000交易量能[31] * **构建思路**：反映小盘股交易活跃度的指标[31]。 --- 因子的回测效果 （注：报告仅对小盘大盘轮动模型中的部分独立因子提供了历史表现统计。） 1. 小盘大盘轮动模型中的独立因子（回测统计） * **融资买入余额变化因子**： * 年化收益：12.49% * 年化超额收益率：5.43% * 最大回撤：44.32% * 平均换手间隔：3个交易日 * 胜率（按交易）：50.18%[31] * **大宗交易折溢价率因子**： * 年化收益：16.14% * 年化超额收益率：9.08% * 最大回撤：40.67% * 平均换手间隔：7个交易日 * 胜率（按交易）：56.11%[31] * **A股龙虎榜买入强度因子**： * 年化收益：12.11% * 年化超额收益率：5.05% * 最大回撤：54.66% * 平均换手间隔：10个交易日 * 胜率（按交易）：48.26%[31] * **R007因子**： * 年化收益：11.05% * 年化超额收益率：3.99% * 最大回撤：57.98% * 平均换手间隔：6个交易日 * 胜率（按交易）：50.38%[31] * **主题投资交易情绪因子**： * 年化收益：12.52% * 年化超额收益率：5.46% * 最大回撤：55.35% * 平均换手间隔：10个交易日 * 胜率（按交易）：51.18%[31]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：风格指数相对拥挤度模型[123] * **模型构建思路**：通过计算不同风格指数换手率Z-score的差值及其历史分位，来度量某一风格相对于另一风格的交易拥挤程度，从而判断其配置风险或性价比[123]。 * **模型具体构建过程**： 1. 分别计算风格A指数和风格B指数在过去252个交易日的平均换手率[123]。 2. 将这两个平均换手率值，分别置于自2005年1月1日以来的历史时间序列中进行Z-score标准化，得到Z-score_A与Z-score_B[123]。 3. 计算两者差值：Diff = Z-score_A - Z-score_B[123]。 4. 计算该差值Diff在滚动6年窗口内的历史分位数（若历史数据不足6年但满1年，则使用全部历史数据计算）[123]。此分位数即为“风格A vs 风格B”的相对拥挤度。 2. **模型名称**：风格指数累计超额净值模型[124] * **模型构建思路**：以万得全A指数为基准，计算各风格指数相对于基准的累计超额收益，用以衡量风格的长期表现[124]。 * **模型具体构建过程**： 1. 以2020年1月4日为基准日，计算各风格指数及万得全A指数每日的累计净值：累计净值_t = 收盘价_t / 基准日收盘价[124]。 2. 对于每个交易日，将风格指数的累计净值除以万得全A指数的累计净值，得到该风格指数相对于万得全A的累计超额净值[124]。 3. **模型名称**：机构调研活跃度分位数模型[125] * **模型构建思路**：通过计算板块或行业在特定周期内机构调研次数的活跃程度，并与其历史水平及市场整体水平比较，以判断市场关注度的变化[125]。 * **模型具体构建过程**： 1. 对于特定板块（指数、行业），计算其近n个交易日的“日均机构调研次数”[125]。 2. 在滚动y年的历史时间序列中，对该“日均机构调研次数”进行z-score标准化[125]。 3. 同时，对万得全A指数进行相同的计算，得到其z-score值[125]。 4. 将板块的z-score值与万得全A的z-score值作差，得到“机构调研活跃度”[125]。 5. 最后，计算该“机构调研活跃度”在滚动y年窗口内的历史分位数[125]。 6. 参数设置： * 长期口径：n取126（近半年），滚动窗口y为6年（历史数据满3年不足6年时用全部数据）[125]。 * 短期口径：n取63（近一季度），滚动窗口y为3年（历史数据满1年不足3年时用全部数据）[125]。 4. **模型名称**：股债性价比（ERP）模型[50] * **模型构建思路**：通过计算股票指数的盈利收益率与无风险利率（10年期国债收益率）之差，来衡量配置股票资产相对于债券资产的预期超额回报，即风险溢价[50]。 * **模型具体构建过程**： 1. 计算股票指数的盈利收益率：Earnings Yield = 1 / 指数PE_TTM[50]。 2. 获取当前10年期中债国债到期收益率作为无风险利率[50]。 3. 计算指数ERP（股权风险溢价）：$$ERP = \frac{1}{PE\_TTM} - 10年期国债到期收益率$$[50]。 4. 将该ERP值置于历史序列中计算其百分位，以判断当前性价比的高低[50][59]。 5. **因子名称**：动量因子[61] * **因子构建思路**：捕捉股票价格延续前期趋势的效应，即过去表现好的股票在未来一段时间内继续表现好，过去表现差的股票继续表现差[61]。 * **因子具体构建过程**：报告引用了“长江动量”指数的构建方法。该指数以最近一年股票收益率减去最近一个月股票收益率（剔除涨停板）作为动量指标，综合选择A股市场中动量特征强且流动性相对较高的前100只股票作为指数成分股[61]。 6. **因子名称**：反转因子[61] * **因子构建思路**：捕捉股票价格出现方向性反转的效应，即过去短期内涨幅过大的股票在未来可能出现下跌，而跌幅过大的股票可能出现反弹[61]。 * **因子具体构建过程**：报告引用了“长江反转”指数的构建方法。该指数以最近一个月股票收益率作为筛选指标，综合选择A股市场中反转效应强、流动性较好的前100只股票作为指数成分股，并采用成分股近三个月日均成交量进行加权[61]。 模型的回测效果 1. **风格指数相对拥挤度模型**，成长 vs 红利相对拥挤度历史分位为69%[70]，小盘 vs 大盘相对拥挤度历史分位为7%[70][74]，微盘股 vs 中证800相对拥挤度历史分位为65%[70][77] 2. **风格指数累计超额净值模型**，成长较红利累计超额净值处于历史较高位置[70]，小盘较大盘累计超额净值处于历史较高位置[74]，微盘股较中证800累计超额净值处于历史极高位置[77] 3. **股债性价比（ERP）模型**，万得全A指数ERP历史分位为58%[59]，沪深300指数ERP历史分位为66%[59]，中证500指数ERP历史分位为69%[59]，创业板指数ERP历史分位为86%[59] 量化因子与构建方式 1. **因子名称**：成交热度[25] * **因子构建思路**：通过计算行业或指数的换手率在其历史序列中的分位值，来衡量当前交易的活跃程度[25]。 * **因子具体构建过程**：成交热度 = 行业或指数的周度日均自由流通换手率在历史时间区间（例如2005年1月1日至今）内的历史分位值[25][34]。 2. **因子名称**：滚动季度夏普率[36] * **因子构建思路**：用于衡量市场情绪风险，当夏普率升至历史极高位置表明市场情绪过热，后续可能调整；降至低位则相反[36]。 * **因子具体构建过程**：计算万得全A指数滚动季度（约63个交易日）的夏普比率（超额收益与波动率的比值），并观察其在历史序列中的位置[36][38]。 因子的回测效果 1. **成交热度因子**，电力及公用事业行业成交热度为99%[25][34]，机械行业成交热度为99%[25][34]，煤炭行业成交热度为98%[25][34]，房地产行业成交热度为59%[25][34]，消费者服务行业成交热度为62%[25][34]，食品饮料行业成交热度为66%[25][34] 2. **滚动季度夏普率因子**，近期万得全A滚动季度夏普率下降至历史低位[36]