量化模型与因子总结 量化模型与构建方式 本报告为市场数据跟踪报告，未涉及具体的量化选股或择时模型，因此无量化模型部分。 量化因子与构建方式 报告中对多个宽基指数进行了多维度指标跟踪，这些指标可视为用于评估市场状态和风格的量化因子。 **1. 因子名称：连阴连阳天数** * **因子构建思路**：通过计算指数K线连续为阴线或阳线的天数，来反映市场的短期趋势强度和持续性[14]。 * **因子具体构建过程**：从指定起始日开始，逐日判断指数收盘价涨跌。若当日收益率为正，则连阳天数加1，连阴天数重置为0；若当日收益率为负，则连阴天数加1（以负数表示），连阳天数重置为0；若当日收益率为0，则可能将连续天数重置为空[14]。最终输出一个带符号的整数，正数表示连阳天数，负数表示连阴天数[14]。 **2. 因子名称：均线相对位置** * **因子构建思路**：通过比较指数当前价格与不同周期移动平均线（MA）的位置关系，判断指数所处的趋势阶段和强弱[17]。 * **因子具体构建过程**：首先计算指数收盘价的移动平均值，常用周期包括5日（MA5）、10日（MA10）、20日（MA20）、60日（MA60）、120日（MA120）、250日（MA250）[18]。然后计算当前收盘价相对于各条均线的偏离百分比，公式为： $$偏离百分比 = \frac{当前收盘价 - 移动平均线值}{移动平均线值} \times 100\%$$ 根据偏离百分比的正负和大小，判断指数是突破、贴近还是跌破某条均线[17][18]。 **3. 因子名称：交易金额占比** * **因子构建思路**：计算特定指数成分股总成交金额占全市场（以中证全指为代表）总成交金额的比例，用以观察资金在不同风格板块间的流向和集中度[3][20]。 * **因子具体构建过程**：在交易日T，对于特定宽基指数，其交易金额占比计算公式为： $$交易金额占比_T = \frac{该指数所有成分股在T日的成交金额之和}{中证全指所有成分股在T日的成交金额之和} \times 100\%$$ 报告中使用该指标比较了主要宽基指数的资金吸引力[3][20]。 **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，高换手率通常意味着市场关注度高或分歧大[20]。 * **因子具体构建过程**：采用流通市值加权的方式计算指数换手率，公式为： $$指数换手率_T = \frac{\sum (成分股流通股本_T \times 成分股换手率_T)}{\sum (成分股流通股本_T)}$$ 其中，成分股换手率通常由当日成交股数除以流通股本计算得到[20]。 **5. 因子名称：收益分布峰度与偏度** * **因子构建思路**：通过分析指数日收益率分布的峰度和偏度，刻画收益分布的尖锐程度和对称性，以评估市场收益的稳定性和极端风险[25][26]。 * **因子具体构建过程**： * **峰度**：计算指数日收益率序列的四阶中心矩与标准差四次方的比值，再减去3（正态分布的峰度值）。报告中的“峰度负偏离”指当前峰度值低于近5年历史峰度均值[25][26]。 $$峰度 = \frac{E[(R-\mu)^4]}{\sigma^4} - 3$$ 其中，\(R\)为日收益率序列，\(\mu\)为序列均值，\(\sigma\)为标准差。 * **偏度**：计算指数日收益率序列的三阶中心矩与标准差三次方的比值。正偏态表示收益率分布有长的右尾，负偏态表示有长的左尾[25][26]。 $$偏度 = \frac{E[(R-\mu)^3]}{\sigma^3}$$ **6. 因子名称：风险溢价** * **因子构建思路**：用指数的预期收益率（通常用市盈率倒数或股息率近似）减去无风险利率（以十年期国债即期收益率为参考），衡量投资者因承担市场风险而要求的额外回报，用于判断市场的相对估值和投资价值[28][32]。 * **因子具体构建过程**：报告中使用指数的市盈率倒数（E/P）作为预期收益率的代理变量。风险溢价计算公式为： $$风险溢价 = \frac{1}{PE_{TTM}} - 十年期国债即期收益率$$ 同时，计算该风险溢价在近1年、近5年历史数据中的分位值，以判断其当前位置[32]。 **7. 因子名称：PE-TTM（滚动市盈率）** * **因子构建思路**：使用最近四个季度的净利润总和计算市盈率，作为衡量指数估值水平的核心指标[40][43]。 * **因子具体构建过程**：对于指数而言，其PE-TTM通常为成分股市盈率的市值加权或调和平均数。报告重点关注其当前值以及相对于近1年、近5年历史数据的分位值[43][44]。 **8. 因子名称：股债性价比** * **因子构建思路**：是风险溢价因子的另一种表现形式，直接对比股票资产与债券资产的预期收益率之差，用于进行大类资产配置的决策参考[47]。 * **因子具体构建过程**：计算公式与风险溢价一致，即PE-TTM的倒数与十年期国债即期收益率之差[47]。报告通过比较该值与其历史分位（如80%分位为机会值，20%分位为危险值）来判断股票的相对吸引力[47]。 **9. 因子名称：股息率** * **因子构建思路**：衡量指数成分股现金分红的回报率，是高股息或红利投资风格的核心指标，尤其在市场低迷或利率下行期受到关注[49][56]。 * **因子具体构建过程**：指数股息率通常为成分股过去一年现金分红总额与指数总市值的比率。报告跟踪其当前值、历史均值及分位值[54]。 **10. 因子名称：破净率** * **因子构建思路**：计算指数中市净率（PB）小于1的个股数量占指数总成分股数量的比例，反映市场整体的悲观程度或估值洼地情况[55][58]。 * **因子具体构建过程**：对于指数中的每一个成分股，判断其市净率是否小于1。破净率计算公式为： $$破净率 = \frac{市净率<1的个股数量}{指数总成分股数量} \times 100\%$$ 报告展示了各主要宽基指数的当前破净率[58]。 因子的回测效果 本报告为市场状态跟踪报告，展示了各因子在特定时点（2026年1月23日）的截面数据或状态描述，并未提供因子在历史回溯测试中的表现指标（如IC、IR、多空收益等）。因此，无因子的量化回测效果部分。 报告中对部分因子的状态给出了定性评价，例如： * **风险溢价**：中证1000和中证2000的风险溢价波动率相对较大[29]；上证50的风险溢价分布更集中[35]。 * **PE-TTM**：中证500和中证1000估值连续达到近1年和近5年峰值[43]。 * **股息率**：高股息率在市场利率下行期的表现尤为突出[49]。 * **破净率**：破净占比越高，低估的情况越普遍；占比越低，可能表明市场对未来发展持乐观态度[57]。

量化模型与构建方式 1. **模型名称：长期行业主题基金标签模型**[42] * **模型构建思路**：通过分析主动偏股基金的历史持仓信息，为其打上长期行业主题标签，以帮助投资者进行资产配置、主题投资和产品选择，并构建相应的行业主题基金指数作为衡量工具[42]。 * **模型具体构建过程**： 1. 数据来源：获取基金在近四期（即最近两年）的中报和年报披露的全部持仓信息[42]。 2. 行业映射：将每只持仓股票映射到其所属的行业（例如申万一级行业）[42]。 3. 特征计算：根据每期持仓，计算基金在各个行业上的配置比例[42]。 4. 长期特征判断：综合近四期报告期的行业配置比例，判断基金长期稳定的行业暴露特征[42]。 5. 标签定义： * **行业主题基金**：长期在某一特定行业上保持高且稳定的配置比例[42]。 * **行业轮动基金**：长期特征显示其在不同报告期之间行业配置变化显著，主动进行行业切换[42]。 * **行业均衡基金**：长期特征显示其行业配置较为分散，没有明显集中于某个或某几个行业[42]。 * **模型评价**：该模型为投资者提供了衡量主题基金风险收益情况的工具，有助于定位细分赛道的优质产品[42]。 2. **模型名称：公募REITs系列指数模型**[54] * **模型构建思路**：构建一套完整的REITs市场指数，包括综合指数、按底层资产分类的指数和按项目类型分类的细分指数，以综合反映REITs市场表现，并为投资者提供基于指数化思想的资产配置新视角[54]。 * **模型具体构建过程**： 1. 样本选择：选取所有符合条件的公募REITs产品作为指数成分[54]。 2. 指数类别： * 综合指数：反映整个REITs市场的表现[54]。 * 底层资产指数：分为产权类REITs指数和特许经营权类REITs指数[54]。 * 细分项目指数：包括生态环保、交通基础设施、园区基础设施、仓储物流、能源基础设施、保障性租赁住房、消费基础设施、市政设施、水利设施、新型基础设施等主题指数[54]。 3. 指数计算： * 采用**分级靠档**的方法确定成分股权重，以确保计算指数的份额保持相对稳定[54]。 * 当样本成分名单或样本成分的调整市值出现非交易因素的变动时（如新发、扩募等），采用**除数修正法**保证指数的连续性[54]。 * 考虑到REITs的高分红特性，同时提供**价格指数**和**全收益指数**[54]。 * **模型评价**：该指数体系为长期投资者提供了关注REITs资产指数化投资的机会，有助于实现更优的资产配置策略[54]。 量化因子与构建方式 1. **因子名称：多因子ETF分类因子**[14][66] * **因子构建思路**：基于Smart Beta或因子投资理念，将ETF产品按照其追踪指数所暴露的核心因子进行分类，以便于投资者进行因子层面的资产配置和风格分析[14][66]。 * **因子具体构建过程**：报告并未详细描述每个因子的具体计算方式，但列出了市场上基于特定因子构建的ETF产品类别。这些因子类别包括： * **红利**：聚焦于高股息率股票[14][66]。 * **现金流**：聚焦于自由现金流表现优异的股票[14][66]。 * **价值**：聚焦于估值水平（如市净率、市盈率）较低的股票[14][66]。 * **成长**：聚焦于盈利或收入增长较快的股票[14][66]。 * **质量**：聚焦于财务质量高（如高ROE、低负债）的股票[66]。 * **基本面**：通常指基于基本面指标（如销售额、现金流、净资产、分红）加权编制的指数[14][66]。 * **低波**：聚焦于股价波动率较低的股票[14][66]。 * **动量**：聚焦于近期价格表现强势的股票[14][66]。 模型的回测效果 1. **长期行业主题基金指数**，截至2026年1月23日当周收益率：周期主题5.26%，国防军工主题5.12%，新能源主题3.44%，行业轮动主题2.06%，行业均衡主题1.68%，消费主题0.41%，TMT主题-0.09%，金融地产主题-0.57%，医药主题-2.64%[42]。 2. **长期行业主题基金指数**，2026年1月（截至1月23日）月度收益率：周期主题13.96%，国防军工主题14.21%，新能源主题8.07%，行业轮动主题7.84%，行业均衡主题7.83%，TMT主题11.29%，消费主题2.36%，医药主题7.33%，金融地产主题0.08%[45]。 3. **REITs指数系列**，基日以来至2026年1月23日的业绩指标： * **REITs综合指数**：累计收益-2.15%，年化收益-0.47%，最大回撤-42.67%，夏普比率-0.19，年化波动率10.46%[58]。 * **产权类REITs指数**：累计收益17.36%，年化收益3.55%，最大回撤-45.00%，夏普比率0.16，年化波动率12.70%[58]。 * **特许经营权类REITs指数**：累计收益-24.23%，年化收益-5.86%，最大回撤-41.17%，夏普比率-0.80，年化波动率9.15%[58]。 * **消费基础设施REITs指数**：累计收益56.31%，年化收益10.21%，最大回撤-9.89%，夏普比率0.82，年化波动率10.65%[58]。 * **市政设施REITs指数**：累计收益20.82%，年化收益4.20%，最大回撤-20.26%，夏普比率0.13，年化波动率20.51%[58]。 因子的回测效果 *（注：本报告未提供多因子分类ETF的具体因子IC、收益率等量化回测结果，仅提供了按此分类的ETF资金流和收益表现。）* 1. **多因子类别ETF**，截至2026年1月23日当周市场表现（基于表11汇总）： * **红利因子ETF**：基金规模1257.98亿元，本周净流入27.70亿元，本周回报1.14%[66]。 * **现金流因子ETF**：基金规模310.61亿元，本周净流入21.60亿元，本周回报4.22%[66]。 * **价值因子ETF**：基金规模48.67亿元，本周净流入1.10亿元，本周回报2.54%[66]。 * **成长因子ETF**：基金规模40.89亿元，本周净流入0.83亿元，本周回报0.91%[66]。 * **质量因子ETF**：基金规模11.74亿元，本周净流入0.42亿元，本周回报4.58%[66]。 * **基本面因子ETF**：基金规模6.18亿元，本周净流入0.03亿元，本周回报1.64%[66]。 * **低波因子ETF**：基金规模6.87亿元，本周净流出0.05亿元，本周回报0.97%[66]。 * **动量因子ETF**：基金规模30.12亿元，本周净流出0.67亿元，本周回报-2.08%[66]。

量化模型与因子总结 量化因子与构建方式 1. **因子名称：估值因子** [9] * **因子构建思路**：基于公司基本面价值指标，衡量股票价格相对于其内在价值的便宜程度，通常认为估值较低的股票未来收益更高[9]。 * **因子具体构建过程**：该因子为合成大类因子，由多个细分估值因子合成。报告中列出的细分因子包括： * **估值-EP**：盈利价格比，通常为每股收益除以股价。 * **估值-BP**：账面市值比，通常为每股净资产除以股价。 * **估值-SP**：销售收入价格比，通常为每股营业收入除以股价。 * **股息率**：每股股息除以股价。 2. **因子名称：成长因子** [9] * **因子构建思路**：衡量公司未来增长潜力的指标，通常认为成长性高的公司未来股价表现更好[9]。 * **因子具体构建过程**：该因子为合成大类因子，由多个细分成长因子合成。报告中列出的细分因子包括： * **营业收入增长率**：衡量公司营业收入的增长情况。 * **净利润增长率**：衡量公司净利润的增长情况。 * **ROE增长率**：衡量公司净资产收益率（ROE）的增长情况。 3. **因子名称：盈利因子** [9] * **因子构建思路**：衡量公司盈利能力和质量的指标，通常认为盈利能力强的公司更受市场青睐[9]。 * **因子具体构建过程**：该因子为合成大类因子，由多个细分盈利因子合成。报告中列出的细分因子包括： * **ROE**：净资产收益率，衡量公司运用自有资本的效率。 * **ROA**：总资产收益率，衡量公司运用全部资产的效率。 * **毛利率**：衡量公司核心业务的盈利能力。 * **净利率**：衡量公司最终的整体盈利能力。 4. **因子名称：小市值因子** [9] * **因子构建思路**：基于公司总市值的指标，通常认为小市值公司相比大市值公司具有更高的风险溢价和成长潜力，从而可能带来超额收益[9]。 5. **因子名称：反转因子** [9] * **因子构建思路**：基于股票过去一段时间收益率表现的指标，认为过去表现较差的股票未来可能反弹，而过去表现较好的股票未来可能回调[9]。 * **因子具体构建过程**：该因子为合成大类因子，由多个细分反转因子合成。报告中列出的细分因子包括： * **1个月反转**：基于过去1个月收益率的反转因子。 * **3个月反转**：基于过去3个月收益率的反转因子。 * **衰减换手率加权3个月反转**：在3个月反转因子的基础上，使用衰减换手率对历史收益率进行加权，以降低近期高换手率对因子信号的干扰。 * **衰减换手率加权6个月反转**：在6个月反转因子的基础上，使用衰减换手率对历史收益率进行加权。 6. **因子名称：波动率因子** [9] * **因子构建思路**：衡量股票价格波动风险的指标，通常认为低波动率的股票风险更低，可能带来更稳定的超额收益[9]。 * **因子具体构建过程**：该因子为合成大类因子，由多个细分波动率因子合成。报告中列出的细分因子包括： * **1个月波动率**：基于过去1个月收益率计算的波动率。 * **3个月波动率**：基于过去3个月收益率计算的波动率。 * **FF三因子残差1个月波动率**：基于过去1个月收益率，剔除Fama-French三因子（市场、市值、估值）影响后的残差波动率。 * **FF三因子残差3个月波动率**：基于过去3个月收益率，剔除Fama-French三因子影响后的残差波动率。 7. **因子名称：换手率因子** [9] * **因子构建思路**：衡量股票流动性和交易活跃度的指标，通常认为换手率过高可能意味着投机情绪浓厚，未来收益可能不佳[9]。 * **因子具体构建过程**：该因子为合成大类因子，由多个细分换手率因子合成。报告中列出的细分因子包括： * **1个月日均换手率**：过去1个月的日均换手率。 * **3个月日均换手率**：过去3个月的日均换手率。 * **近1个月/近2年的日均换手率**：近期换手率与长期换手率的比值，用于衡量换手率的异常变化。 8. **因子名称：超预期因子** [9] * **因子构建思路**：基于公司实际财务数据与市场一致预期之间的差异，认为业绩超预期的公司未来股价表现更好[9]。 * **因子具体构建过程**：该因子为合成大类因子，由多个细分超预期因子合成。报告中列出的细分因子包括： * **SUR**：营收超预期因子，衡量实际营业收入与一致预期营收的差异。 * **SUE**：盈利超预期因子，衡量实际每股收益与一致预期每股收益的差异。 9. **因子名称：预期估值因子** [9] * **因子构建思路**：基于分析师对未来财务数据的一致预期构建的估值指标，衡量股票相对于其未来盈利或增长预期的估值水平[9]。 * **因子具体构建过程**：该因子为合成大类因子，由多个细分预期估值因子合成。报告中列出的细分因子包括： * **预期EP_FY1**：基于未来12个月（FY1）一致预期每股收益计算的预期盈利价格比。 * **预期PEG倒数_FY1**：基于未来12个月（FY1）一致预期盈利增长率和预期市盈率计算的PEG比率倒数，用于衡量增长与估值的匹配度。 * **预期BP_FY1**：基于未来12个月（FY1）一致预期每股净资产计算的预期账面市值比。 10. **因子名称：预期净利润复合增速FY1** [9] * **因子构建思路**：基于分析师对未来净利润增长率的一致预期，衡量公司未来的盈利增长潜力[9]。 11. **模型名称：因子多空组合模型** [14] * **模型构建思路**：为了更贴近实际投资场景，评估因子在优选头部股票和规避尾部股票方面的能力，通过构建行业中性的多空组合来模拟因子收益[14]。 * **模型具体构建过程**： 1. 在每个股票池（如沪深300、中证500等）内，计算每个股票的大类因子综合评分[14]。 2. 根据因子评分，选取排名位于前20%的股票作为多头组合，排名位于后20%的股票作为空头组合[14]。 3. 对多头组合和空头组合分别进行行业中性化处理，以控制行业风险暴露[14]。 4. 多头组合和空头组合均采用等权重配置[14]。 5. 多空组合的收益为多头组合收益减去空头组合收益[14]。 因子的回测效果 (Rank IC均值) *注：所有指标均为月频Rank IC，截至2026年1月23日[10][11][12][13]。* 1. **估值因子** * 本月以来：沪深300 (-4.46%)， 中证500 (-12.10%)， 中证1000 (-8.56%)， 全A股 (-3.32%)[10][11][12][13] * 近一季度：沪深300 (5.78%)， 中证500 (0.79%)， 中证1000 (-1.63%)， 全A股 (3.24%)[10][11][12][13] * 今年以来：沪深300 (-4.46%)， 中证500 (-12.10%)， 中证1000 (-8.56%)， 全A股 (-3.32%)[10][11][12][13] * 2015年以来：沪深300 (4.56%)， 中证500 (5.00%)， 中证1000 (4.77%)， 全A股 (6.23%)[10][11][12][13] 2. **成长因子** * 本月以来：沪深300 (0.91%)， 中证500 (-4.46%)， 中证1000 (8.83%)， 全A股 (8.11%)[10][11][12][13] * 近一季度：沪深300 (4.84%)， 中证500 (-4.72%)， 中证1000 (3.86%)， 全A股 (3.27%)[10][11][12][13] * 今年以来：沪深300 (0.91%)， 中证500 (-4.46%)， 中证1000 (8.83%)， 全A股 (8.11%)[10][11][12][13] * 2015年以来：沪深300 (1.30%)， 中证500 (3.67%)， 中证1000 (3.81%)， 全A股 (2.96%)[10][11][12][13] 3. **盈利因子** * 本月以来：沪深300 (3.55%)， 中证500 (-10.47%)， 中证1000 (0.19%)， 全A股 (4.23%)[10][11][12][13] * 近一季度：沪深300 (7.17%)， 中证500 (0.02%)， 中证1000 (2.28%)， 全A股 (2.77%)[10][11][12][13] * 今年以来：沪深300 (3.55%)， 中证500 (-10.47%)， 中证1000 (0.19%)， 全A股 (4.23%)[10][11][12][13] * 2015年以来：沪深300 (1.80%)， 中证500 (2.20%)， 中证1000 (3.51%)， 全A股 (3.09%)[10][11][12][13] 4. **小市值因子** * 本月以来：沪深300 (21.54%)， 中证500 (-4.30%)， 中证1000 (3.60%)， 全A股 (8.42%)[10][11][12][13] * 近一季度：沪深300 (4.45%)， 中证500 (-3.55%)， 中证1000 (3.73%)， 全A股 (1.26%)[10][11][12][13] * 今年以来：沪深300 (21.54%)， 中证500 (-4.30%)， 中证1000 (3.60%)， 全A股 (8.42%)[10][11][12][13] * 2015年以来：沪深300 (-1.70%)， 中证500 (1.04%)， 中证1000 (4.97%)， 全A股 (4.46%)[10][11][12][13] 5. **反转因子** * 本月以来：沪深300 (7.56%)， 中证500 (-14.06%)， 中证1000 (3.13%)， 全A股 (1.42%)[10][11][12][13] * 近一季度：沪深300 (0.61%)， 中证500 (-1.29%)， 中证1000 (4.50%)， 全A股 (5.56%)[10][11][12][13] * 今年以来：沪深300 (7.56%)， 中证500 (-14.06%)， 中证1000 (3.13%)， 全A股 (1.42%)[10][11][12][13] * 2015年以来：沪深300 (4.08%)， 中证500 (4.89%)， 中证1000 (7.75%)， 全A股 (8.85%)[10][11][12][13] 6. **波动率因子** * 本月以来：沪深300 (4.93%)， 中证500 (-14.60%)， 中证1000 (-2.65%)， 全A股 (-1.99%)[10][11][12][13] * 近一季度：沪深300 (7.81%)， 中证500 (-1.03%)， 中证1000 (3.44%)， 全A股 (7.26%)[10][11][12][13] * 今年以来：沪深300 (4.93%)， 中证500 (-14.60%)， 中证1000 (-2.65%)， 全A股 (-1.99%)[10][11][12][13] * 2015年以来：沪深300 (4.78%)， 中证500 (6.70%)， 中证1000 (8.13%)， 全A股 (9.20%)[10][11][12][13] 7. **换手率因子** * 本月以来：沪深300 (2.33%)， 中证500 (-13.08%)， 中证1000 (-1.94%)， 全A股 (-2.19%)[10][11][12][13] * 近一季度：沪深300 (9.53%)， 中证500 (1.52%)， 中证1000 (4.39%)， 全A股 (5.42%)[10][11][12][13] * 今年以来：沪深300 (2.33%)， 中证500 (-13.08%)， 中证1000 (-1.94%)， 全A股 (-2.19%)[10][11][12][13] * 2015年以来：沪深300 (4.03%)， 中证500 (6.85%)， 中证1000 (9.05%)， 全A股 (9.49%)[10][11][12][13] 8. **超预期因子** * 本月以来：沪深300 (-0.36%)， 中证500 (3.21%)， 中证1000 (8.04%)， 全A股 (8.60%)[10][11][12][13] * 近一季度：沪深300 (-2.81%)， 中证500 (-3.84%)， 中证1000 (4.10%)， 全A股 (2.38%)[10][11][12][13] * 今年以来：沪深300 (-0.36%)， 中证500 (3.21%)， 中证1000 (8.04%)， 全A股 (8.60%)[10][11][12][13] * 2015年以来：沪深300 (2.63%)， 中证500 (3.19%)， 中证1000 (3.00%)， 全A股 (2.64%)[10][11][12][13] 9. **预期估值因子** * 本月以来：沪深300 (-5.56%)， 中证500 (-6.83%)， 中证1000 (-10.84%)， 全A股 (-7.29%)[10][11][12][13] * 近一季度：沪深300 (1.81%)， 中证500 (-1.21%)， 中证1000 (-5.10%)， 全A股 (-3.41%)[10][11][12][13] * 今年以来：沪深300 (-5.56%)， 中证500 (-6.83%)， 中证1000 (-10.84%)， 全A股 (-7.29%)[10][11][12][13] * 2015年以来：沪深300 (-0.55%)， 中证500 (0.24%)， 中证1000 (-0.35%)， 全A股 (0.40%)[10][11][12][13] 10. **预期净利润复合增速FY1因子** * 本月以来：沪深300 (3.92%)， 中证500 (-1.54%)， 中证1000 (-2.85%)， 全A股 (4.47%)[10][11][12][13] * 近一季度：沪深300 (3.36%)， 中证500 (-1.52%)， 中证1000 (-0.62%)， 全A股 (1.78%)[10][11][12][13] * 今年以来：沪深300 (3.92%)， 中证500 (-1.54%)， 中证1000 (-2.85%)， 全A股 (4.47%)[10][11][12][13] * 2015年以来：沪深300 (-0.25%)， 中证500 (0.47%)， 中证1000 (1.21%)， 全A股 (1.09%)[10][11][12][13] 模型（因子多空组合）的回测效果 *注：所有指标均为“本月以来”收益，截至2026年1月23日[20][21][22][16][18]。* 1. **因子多空组合模型（各股票池平均收益）** * 小市值因子：约1.5%[20] * 预期净利润复合增速FY1因子：约1.0%[20] * 超预期因子：约0.8%[20] * 成长因子：约0.6%[20] * 盈利因子：约0.2%[20] * 预期估值因子：约-0.2%[20] * 估值因子：约-0.4%[20] * 反转因子：约-0.6%[20] * 换手率因子：约-1.0%[20] * 波动率因子：约-1.2%[20] 2. **因子多空组合模型（沪深300股票池）** * 小市值因子：约7.5%[21] * 反转因子：约4.

量化模型与构建方式 1. **模型名称：市场整体环境择时体系（均线距离模型）**[2][7] * **模型构建思路**：通过比较Wind全A指数的短期均线与长期均线的相对位置和距离，来判断市场整体是处于上行趋势还是下行趋势[2][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）和120日移动平均线（长期均线）[2][7]。 2. 计算两条均线之间的距离（差值），通常以百分比表示。公式为： $$均线距离 = \frac{短期均线价格 - 长期均线价格}{长期均线价格} \times 100\%$$ 其中，短期均线价格为20日均线值，长期均线价格为120日均线值[2][7]。 3. 设定阈值进行判断：当均线距离的绝对值大于3%时，认为市场处于明确的趋势中（上行或下行）；否则可能处于震荡市[2][7]。 2. **模型名称：仓位管理模型**[8] * **模型构建思路**：综合市场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[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PE（市盈率）和PB（市净率）在其历史数据中的分位数[8]。 2. 结合短期趋势判断：参考择时体系等对市场短期方向的判断[8]。 3. 综合以上两点，通过模型计算得出建议的股票仓位比例。报告未提供具体的综合计算公式。 3. **模型名称：行业趋势配置模型**[2][6][7] * **模型构建思路**：这是一个复合模型，通过整合多个子模型的信号，为行业配置提供方向性建议[2][6][7]。 * **模型具体构建过程**：该模型本身不提供具体构建公式，而是作为以下三个子模型信号的汇总与整合框架： * **子模型1：中期困境反转预期模型**[2][6][7] * **构建思路**：寻找具有中期困境反转预期的行业或板块。 * **具体构建过程**：报告未提供具体构建细节。 * **子模型2：TWO BETA模型**[2][6][7] * **构建思路**：推荐科技板块，并关注与特定主题（如商业航天、太空光伏、稳定代币）相关的方向。 * **具体构建过程**：报告未提供具体构建细节。 * **子模型3：业绩趋势模型**[2][6][7] * **构建思路**：提示具有业绩趋势向好信号的板块机会。 * **具体构建过程**：报告未提供具体构建细节。 量化因子与构建方式 1. **因子名称：均线距离因子**[2][7] * **因子构建思路**：作为择时体系的核心指标，衡量市场短期动量相对于长期趋势的强度[2][7]。 * **因子具体构建过程**：与上述“市场整体环境择时体系”中的均线距离计算过程完全相同。即计算Wind全A指数20日均线与120日均线的百分比差值[2][7]。 * **因子评价**：该因子是判断市场是否处于上行趋势的关键定量指标[2][7]。 2. **因子名称：赚钱效应因子**[2][5][7] * **因子构建思路**：在市场被判断为上行趋势后，用于观测趋势能否延续的核心指标，反映市场整体的盈利状况[2][5][7]。 * **因子具体构建过程**： 1. 设定一个“市场趋势线”参考点位（报告中为6712点）[2][5][7]。 2. 计算赚钱效应，公式为： $$赚钱效应 = \frac{当前指数点位 - 市场趋势线点位}{市场趋势线点位} \times 100\%$$ 其中，当前指数点位为Wind全A指数的最新值[2][5][7]。 * **因子评价**：该因子是确认上行趋势健康度和持续性的重要观测指标，当其值为正时，意味着趋势有望延续[2][5][7]。 3. **因子名称：估值分位数因子（PE/PB）**[8][10][12] * **因子构建思路**：通过计算指数估值指标在其历史序列中的分位数，来判断当前市场的估值水平高低[8][10][12]。 * **因子具体构建过程**： 1. 选取估值指标：如Wind全A指数的市盈率（PE）和市净率（PB）[8]。 2. 获取该指标的历史数据（报告中数据区间为2014年10月17日至2026年1月23日）[10][12]。 3. 计算当前估值在历史数据中所处的百分位点（分位数）。分位数越高，表示当前估值相对自身历史水平越高[10][12]。 模型的回测效果 （注：本篇报告为周度市场观点，未提供历史回测的详细绩效指标，如年化收益率、夏普比率、最大回撤等。报告中仅展示了模型在当前时点的信号输出和仓位建议。） 因子的回测效果 （注：本篇报告未提供因子IC值、IR、多空收益等历史测试结果。报告中仅展示了因子在当前时点的具体数值和状态。） 1. **均线距离因子**，当前数值：6.78%[2][7] 2. **赚钱效应因子**，当前数值：2.7%[2][5][7] 3. **估值分位数因子（PE）**，当前数值：约95分位点[8] 4. **估值分位数因子（PB）**，当前数值：约55分位点[8]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：价格分段体系**[14] * **模型构建思路**：通过分析价格在不同时间周期（如日线、周线）上的走势，对市场趋势进行分段识别和判断[14]。 * **模型具体构建过程**：模型未在报告中详细阐述具体构建步骤和公式，但通过图表（图1）展示了其应用结果。图表显示，模型可能结合了指数点位与类似DEA（离差平均值）等技术指标，对“日线”和“周线”级别的价格趋势进行分段描绘和比较[17]。 2. **模型名称：微观市场结构择时模型（知情交易者活跃度指标）**[15] * **模型构建思路**：通过构建“知情交易者活跃度”指标，监测市场中可能拥有信息优势的交易者的行为变化，以此作为市场情绪和未来走势的择时参考[15]。 * **模型具体构建过程**：报告未提供该指标的具体计算公式和构建细节。模型通过跟踪该指标的时间序列变化（如图2所示），观察其与市场走势（权益市场震荡上涨）的同步性，并依据指标值（如回升至零线附近）和边际变化来判断知情交易者对后市的态度（如谨慎观望）[15][18]。 3. **模型名称：公募基金仓位监测模型**[3][13] * **模型构建思路**：使用数理统计方法估算公募基金（如偏股混合型产品）在不同板块（如科技、周期）的持仓比例变化，以监测机构资金的配置动向[3][13]。 * **模型具体构建过程**：报告未披露模型的具体估算方法和公式。模型通过测算，输出公募基金在特定板块的持仓比例数据（例如，科技板块持仓降至24.76%，周期板块增持至21.33%），并与市场行业基准权重（18.41%）进行比较，从而判断机构持仓逻辑的切换（如从科技AI叙事转向涨价逻辑）[3][13]。 4. **模型名称：量化指增产品小微盘敞口测算模型**[2][12] * **模型构建思路**：通过模型测算量化指数增强类产品（如500/1000指增）对小微盘股票的总体风险敞口，以评估市场的风格偏好和潜在资金流向[2][12]。 * **模型具体构建过程**：报告未给出具体的测算公式。模型通过分析私募指增产品的超额收益回撤情况，估算其当前的小微盘敞口（如收至0附近）和未来的潜在增配空间（约5-10%），并结合量化指增产品的总管理规模（接近2.1万亿），推算出可能流入微盘股的增量资金规模（或在1000亿以上）[2][12]。 5. **因子名称：分析师行业景气预期因子**[19] * **因子构建思路**：基于卖方分析师的一致预测数据，构建反映行业未来盈利能力和增长预期的因子，用于监测行业基本面的景气变化[19]。 * **因子具体构建过程**：因子计算涉及两个具体指标： 1. **一致预测滚动未来12个月ROE变化**：计算各申万一级行业分析师一致预测的ROE（未来12个月）的环比变化率[19]。 2. **一致预测净利润FTTM增速变化**：计算各行业分析师一致预测的净利润（未来12个月）增速的环比变化率[19]。 * **因子评价**：该因子能够及时捕捉分析师群体对行业盈利预期的调整，是观测行业景气度边际变化的重要前瞻性指标[19]。 6. **因子名称：行业维度融资融券净买入额因子**[21] * **因子构建思路**：通过计算各行业融资净买入与融券净卖出的差额，构建反映杠杆资金在行业层面偏好和流向的因子[21]。 * **因子具体构建过程**：因子具体计算公式为： $$行业融资融券净买入额 = 行业融资净买入额 - 行业融券净卖出额$$ 报告展示了按此公式计算出的本周各行业净买入额结果（单位：亿元），如有色金属行业净流入39.8亿元，电子行业呈净流出等[21][23]。 7. **因子名称：BARRA风格因子**[24] * **因子构建思路**：采用经典的BARRA风险模型体系中的一系列风格因子，用于描述和监测市场在不同维度上的风格收益特征[24]。 * **因子具体构建过程**：报告直接引用了BARRA风格因子的收益表现，未详述每个因子的具体构建公式。涉及的风格因子包括： * **基本面类因子**：换手、财务杠杆、盈利波动、盈利质量、盈利能力、投资质量、长期反转、EP价值、BP价值、成长[24][25]。 * **交易类因子**：动量、非线性市值、市值、波动率、流动性（近释）、股息率[24][25]。 * **因子评价**：BARRA风格因子体系是量化分析中用于解析市场收益来源和风格轮动的标准化工具，能够系统性地刻画市场在价值、成长、动量、市值、流动性等多方面的风险偏好[24]。 模型的回测效果 （报告中未提供所列量化模型的明确回测指标数值，如年化收益率、夏普比率、最大回撤等。） 因子的回测效果 1. **分析师行业景气预期因子**，本周一致预期ROE环比变化值：房地产 8.99%，通信 4.57%，社会服务 2.15%，计算机 1.35%，...，农林牧渔 -2.39%[20]；本周一致预期净利润增速环比变化值：农林牧渔 101.71%，房地产 38.87%，环保 13.11%，社会服务 11.51%，...，公用事业 -21.86%[20]。 2. **行业维度融资融券净买入额因子**，本周期间净买入额（亿元）：有色金属 39.8，非银金融 (具体数值未列出，但图示为正且较高)，银行 (具体数值未列出，但图示为正且较高)，...，电子 (具体数值未列出，但图示为负)[23]。 3. **BARRA风格因子**，本周因子收益：换手 0.3%，财务杠杆 0.2%，盈利波动 0.2%，盈利质量 0.1%，盈利能力 0.0%，投资质量 -0.1%，长期反转 0.5%，EP价值 -0.2%，BP价值 0.3%，成长 0.1%，动量 0.3%，非线性市值 0.3%，市值 -0.9%，波动率 -0.8%，流动性（近释） -0.4%，股息率 -0.1%[25]。

量化模型与构建方式 1. **模型名称：A股景气度高频指数模型**[31] * **模型构建思路**：以上证指数归母净利润同比为Nowcasting目标，构建一个能够高频反映A股整体景气度变化的指数[31] * **模型具体构建过程**：报告未详细描述该指数的具体构建公式和步骤，仅说明其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》[31] 2. **模型名称：A股情绪指数择时系统**[36][47] * **模型构建思路**：基于市场波动率和成交额的变化方向来刻画市场情绪，并据此构建择时信号[36] * **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[36] 2. 通过历史统计发现，只有“波动率上行-成交额下行”的区间为显著负收益，其余三个象限均为显著正收益[36] 3. 基于此规律，构造了包含“见底预警”与“见顶预警”两个维度的A股情绪指数系统[36] 4. 根据当前波动率与成交额所处的象限生成综合择时信号[39] 3. **模型名称：主题挖掘算法**[47] * **模型构建思路**：通过处理新闻和研报文本，挖掘近期热度异动较高的投资主题及关联个股[47] * **模型具体构建过程**：算法涉及多个维度，包括文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建、主题影响力因子构建等[47] 4. **模型名称：中证500指数增强模型**[47][50] * **模型构建思路**：通过量化策略构建投资组合，旨在持续跑赢中证500指数基准[47] * **模型具体构建过程**：报告未披露该增强模型的具体因子构成和权重配置方法，仅展示了其持仓明细和业绩表现[50][52][54] 5. **模型名称：沪深300指数增强模型**[55][56] * **模型构建思路**：通过量化策略构建投资组合，旨在持续跑赢沪深300指数基准[55] * **模型具体构建过程**：报告未披露该增强模型的具体因子构成和权重配置方法，仅展示了其持仓明细和业绩表现[55][59] 6. **模型名称：风格因子模型（参照BARRA）**[60] * **模型构建思路**：参照BARRA多因子模型框架，对A股市场构建一套风格因子体系，用于解释股票收益和进行组合归因[60] * **模型具体构建过程**：报告列出了十大类风格因子，但未给出每个因子的具体计算公式。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）[60] 量化因子与构建方式 1. **因子名称：十大类风格因子**[60] * **因子构建思路**：从不同维度刻画股票的特征，包括规模、风险、动量、波动、估值、流动性、基本面质量等[60] * **因子具体构建过程**：报告未提供每个风格因子的具体计算公式，仅列出了因子名称[60] * **因子评价**：该因子体系是进行风格分析、风险管理和绩效归因的基础工具[60][69] 模型的回测效果 1. **A股情绪指数择时系统**，历史择时表现参见图表17[47] 2. **中证500增强组合**，本周收益4.01%，跑输基准0.33%；2020年至今累计超额收益48.49%，最大回撤-9.51%[47][50] 3. **沪深300增强组合**，本周收益0.81%，跑赢基准1.43%；2020年至今累计超额收益45.73%，最大回撤-5.86%[55] 因子的回测效果 1. **风格因子（近一周表现）**，纯因子收益率显示：Beta因子超额收益较高，市值因子呈较为显著的负向超额收益[61][67] 2. **行业因子（近一周表现）**，纯因子收益率显示：石油石化、有色金属、建材等行业因子超额收益较高；银行、保险等行业因子回撤较多[61][65]

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进行宽基指数轮动。每周选择市场关注度（总热度）边际提升最大的宽基指数进行投资，若热度提升最大的是非主流股票（“其他”组），则选择空仓[11][13]。 * **模型具体构建过程**： 1. 将全市场股票按宽基指数成分股分组：沪深300、中证500、中证1000、中证2000，以及不属于以上四组的“其他”组[8]。 2. 计算各组股票的“总热度”：将该组内所有成分股的个股总热度指标求和[8]。 3. 计算各组总热度的周度变化率[11]。 4. 对周度变化率取2周移动平均（MA2）进行平滑[11]。 5. 在每周最后一个交易日，买入MA2值最大的宽基指数（沪深300、中证500、中证1000、中证2000之一）。如果MA2最大的是“其他”组，则空仓[13]。 2. **模型名称：热门概念内低热度选股策略**[30] * **模型构建思路**：在短期内受市场高度关注（热度变化率大）的概念板块中，选择该概念内市场关注度（总热度）相对较低的个股，以期获得超额收益[30][32]。 * **模型具体构建过程**： 1. 每周计算所有概念板块的总热度周度变化率[28]。 2. 选出本周热度变化率最大的5个概念[30]。 3. 将这5个概念的所有成分股合并作为初选股票池[30]。 4. 从初选股票池中剔除流通市值最小的20%的股票[30]。 5. 在剩余的股票池中，针对每个热门概念，分别选出其成分股中“个股总热度”排名最低的10只股票[30]。 6. 将所有选出的股票等权重构建投资组合（BOTTOM组合）[30]。 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3.6%[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%[32]。 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，并以全市场占比进行归一化，构建一个衡量个股受市场关注程度的情绪代理指标[7]。 * **因子具体构建过程**： 1. 获取股票每日的浏览次数、加入自选次数、点击次数[7]。 2. 将上述三个次数相加，得到股票的原始热度值[7]。 3. 计算该股票原始热度值在当日全市场所有股票总原始热度值中的占比，进行归一化[7]。 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]。 $$个股总热度 = \frac{股票当日（浏览+自选+点击）次数}{全市场当日（浏览+自选+点击）总次数} \times 10000$$ 2. **因子名称：聚合总热度（宽基/行业/概念）**[7] * **因子构建思路**：将特定群体（如宽基指数、行业、概念）内所有成分股的“个股总热度”加总，得到该群体的整体情绪热度指标，用于监控市场情绪[7]。 * **因子具体构建过程**：对于目标群体（如沪深300指数），将其所有成分股在计算日的“个股总热度”因子值直接求和[7][8]。 3. **因子名称：热度变化率MA2**[11][20] * **因子构建思路**：计算聚合总热度（或个股总热度）的周度环比变化，并采用移动平均平滑，以捕捉关注度的边际变化趋势[11][20]。 * **因子具体构建过程**： 1. 计算目标对象（宽基、行业、概念或个股）本周的聚合总热度（或个股总热度）[11]。 2. 计算其相对于上周的环比变化率[11]。 3. 对该周度变化率序列计算2周移动平均值（MA2）[11][20]。 因子的回测效果 （报告中未提供单个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：成交量模型**[9][12] * **模型构建思路**：属于短期择时模型，基于价量关系进行市场判断[9]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 2. **模型名称：特征龙虎榜机构模型**[12] * **模型构建思路**：属于短期择时模型，基于龙虎榜机构买卖行为特征进行判断[12]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 3. **模型名称：特征成交量模型**[12] * **模型构建思路**：属于短期择时模型，基于特殊的成交量特征进行判断[12]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 4. **模型名称：智能算法沪深300模型 / 智能算法中证500模型**[12] * **模型构建思路**：属于短期择时模型，应用智能算法对特定宽基指数（沪深300、中证500）进行择时[12]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 5. **模型名称：涨跌停模型**[13] * **模型构建思路**：属于中期择时模型，从涨跌停角度构建择时策略[9][13]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 6. **模型名称：上下行收益差模型**[13] * **模型构建思路**：属于中期择时模型，基于市场上涨和下跌收益的差异进行判断[13]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 7. **模型名称：月历效应模型**[13] * **模型构建思路**：属于中期择时模型，基于日历效应进行市场择时[13]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 8. **模型名称：长期动量模型**[14] * **模型构建思路**：属于长期择时模型，基于长期动量角度构建择时策略[9][14]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 9. **模型名称：A股综合兵器V3模型 / A股综合国证2000模型**[15] * **模型构建思路**：属于综合择时模型，通过耦合不同周期或同一周期下的多个模型信号，实现攻守兼备[9][15]。 * **模型具体构建过程**：报告未提供该模型的具体耦合方法与详细步骤。 10. **模型名称：成交额倒波幅模型**[16] * **模型构建思路**：属于港股中期择时模型[16]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 11. **模型名称：恒生指数上下行收益差模型 / 上下行收益差相似模型**[16] * **模型构建思路**：属于港股中期择时模型，基于上下行收益差或其相似逻辑进行判断[16]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 12. **模型名称：形态学监控模型（双底形态、杯柄形态）**[43] * **模型构建思路**：基于技术分析中的经典价格形态（如双底、杯柄形态）识别突破信号，构建选股组合[43]。 * **模型具体构建过程**：报告展示了形态识别的结果（如A点、B点、C点等关键时点），但未提供形态识别的具体量化规则和公式[48][49][54][55]。 13. **模型名称：大师策略监控模型**[38] * **模型构建思路**：监控经典量化选股策略（价值型、成长型、综合型），以发现当前收益靠前组合暴露的因子及因子标准[38]。 * **模型具体构建过程**：报告提及监控了33个大师系列策略，但未列出具体策略名称、构建思路及详细过程[38]。 14. **模型名称：VIX指数计算模型**[42] * **模型构建思路**：根据公开披露的VIX计算方法，复现国内市场的波动率指数，用于监控市场情绪[42]。 * **模型具体构建过程**：报告未提供具体的VIX计算公式，但提及复现的指数与中证指数公司历史发布的VIX指数相关系数达99.2%[42]。 模型的回测效果 1. **双底形态组合**，本周上涨3.75%，相对上证综指超额收益2.91%，自2020年12月31日至今累计上涨28.48%，相对上证综指累计超额收益9.38%[43]。 2. **杯柄形态组合**，本周上涨4.51%，相对上证综指超额收益3.67%，自2020年12月31日至今累计上涨23.66%，相对上证综指累计超额收益4.57%[43]。 3. **上周杯柄形态突破个股**（70只），上周平均相对上证综指超额收益1.11%[44]。 4. **上周双底形态突破个股**（102只），上周平均相对上证综指超额收益2.0%[51]。 量化因子与构建方式 1. **因子名称：分析师上调/下调个股比例**[20] * **因子构建思路**：从分析师一致预期角度观察行业，计算行业内获得分析师上调或下调评级的个股占比[20][21]。 * **因子具体构建过程**：对于每个行业，因子值为： * 分析师上调个股比例 = (行业内被上调评级的个股数量 / 行业内总样本股数量) * 100% * 分析师下调个股比例 = (行业内被下调评级的个股数量 / 行业内总样本股数量) * 100% 报告以表格形式展示了各行业的计算结果[20][23]。 2. **因子名称：基金仓位（绝对仓位）**[23][29] * **因子构建思路**：监控股票型基金和混合型基金在不同行业上的配置比例，反映机构资金的布局动向[23]。 * **因子具体构建过程**：基于基金持仓数据，汇总计算各类型基金在每个行业上的持仓市值占其总资产的比例，得到本周仓位及相较于上周、上月、上季的变化[29]。 3. **因子名称：基金超低配仓位**[24][32] * **因子构建思路**：衡量基金在行业上的主动配置倾向，即基金仓位与市场标准（如行业市值占比）的差异[24]。 * **因子具体构建过程**：对于每个行业和基金类型，计算： * 超/低配(%) = 基金本周仓位(%) - 行业市值占比(%) 同时，计算该超低配值在近两年历史中的分位数，以判断当前配置水平在历史上的位置[32][33]。 因子的回测效果 *(报告未提供上述因子的独立历史回测绩效指标，如IC、IR、多空收益等。)*

量化模型与构建方式 1. **模型名称：全频段量价融合因子模型**[6] * **模型构建思路**：整合不同频率（高频与低频）的量价数据，通过深度学习模型分别挖掘其蕴含的选股信息，最终融合成一个综合因子[6]。 * **模型具体构建过程**： 1. **高频因子构建**：使用深度学习模型，以分钟和Level2等高频数据为输入特征，训练得到27个高频深度学习因子[6][11]。 2. **低频因子构建**：利用多任务学习模型，对日频、周频、月频等低频量价数据进行端到端挖掘，得到低频多任务因子[6]。 3. **因子融合**：将上述得到的高频深度学习因子与低频多任务因子合成为最终的全频段融合因子[6]。 2. **模型名称：AI中证1000增强组合模型**[1][7] * **模型构建思路**：基于全频段融合因子，在跟踪中证1000指数的基础上构建增强组合，以获取稳定的超额收益[1][7]。 * **模型具体构建过程**： 1. **选股与赋权**：使用全频段融合因子作为核心选股指标[1][7]。 2. **组合约束**：组合构建时遵循以下规则：对中证1000指数成分股的权重不低于80%；个股权重相对于基准的偏离上限为0.8%；对Barra风险模型的暴露控制在0.3以内；周双边换手率目标为30%[9]。 3. **调仓与交易**：采用周频调仓，交易费用假设为双边千分之四[9]。 3. **模型名称：文本LLM-FADT选股模型**[2][14][17] * **模型构建思路**：在传统文本分析模型（BERT-FADT）基础上，引入大语言模型（LLM）对分析师研报进行多维度深度解读，生成更丰富的文本特征，以提升选股效果[2][14]。 * **模型具体构建过程**： 1. **文本增强**：对原始研报的标题和摘要，使用大语言模型从“标题新解”、“行情催化剂”、“言外之意”、“潜在风险”、“收益指引”五个额外视角进行解读和补充[14][17]。 2. **特征提取**：将原始文本及上述5个增强后的文本，共计6类文本，输入微调版的FinBERT模型，分别转化为文本特征向量[17]。 3. **预测建模**：将得到的多组文本特征向量作为输入，使用XGBoost模型进行训练，预测股票未来收益[17]。 4. **模型名称：AI行业轮动模型**[3][38][43] * **模型构建思路**：利用全频段量价融合因子，自下而上地对行业进行打分，选择得分最高的行业构建轮动策略[3][38]。 * **模型具体构建过程**： 1. **行业池**：主要覆盖32个一级行业，其中对食品饮料、有色金属进行了细分，排除了综合和综合金融[43]。 2. **行业打分**：使用行业内成分股的全频段量价融合因子得分，对每个行业进行打分[38][43]。 3. **策略规则**：每周最后一个交易日，选择模型打分最高的5个行业，于下周第一个交易日收盘价等权买入，周频调仓，策略回测中不计交易成本[3][43]。 5. **模型名称：AI主题指数轮动模型**[4][31] * **模型构建思路**：利用全频段量价融合因子，对主题指数进行打分，选择得分高的指数构建轮动策略[4][31]。 * **模型具体构建过程**： 1. **指数池**：根据Wind的ETF基金分类，选取133个有对应ETF的主题指数构成备选池[31]。 2. **指数打分**：使用指数成分股的全频段量价融合因子得分，对每个主题指数进行打分[31]。 3. **策略规则**：每周最后一个交易日，选择模型打分最高的10个主题指数，于下周第一个交易日开盘价等权买入，周频调仓，交易成本为双边万分之四[4][31]。 6. **模型名称：AI概念指数轮动模型**[4][37] * **模型构建思路**：利用全频段量价融合因子，对概念指数进行打分，选择得分高的指数构建轮动策略[4][37]。 * **模型具体构建过程**： 1. **指数池**：选取Wind热门概念指数，共72个构成备选池[37]。 2. **指数打分**：使用指数成分股的全频段量价融合因子得分，对每个概念指数进行打分[37]。 3. **策略规则**：每周最后一个交易日，选择模型打分最高的10个概念指数，于下周第一个交易日开盘价等权买入，周频调仓，交易成本为双边万分之四[4][37]。 量化因子与构建方式 1. **因子名称：全频段量价融合因子**[6] * **因子构建思路**：通过深度学习技术分别挖掘高频和低频量价数据中的有效信息，并将它们融合成一个综合性的选股因子[6]。 * **因子具体构建过程**：参见上述“全频段量价融合因子模型”的具体构建过程[6]。 * **因子评价**：该因子的主要收益贡献来源于日频、周频、月频等低频量价数据[1][11]。在2025年表现非常显著，但在2026年初经历了一定回撤[11]。相比之下，基于纯高频数据（如分钟、Level2）的深度学习因子在2026年初回撤较小，且在2024年极端市场环境中表现更优[11]。 2. **因子名称：高频深度学习因子**[6][11] * **因子构建思路**：专注于从分钟级和Level2等高频率量价数据中，通过深度学习模型提取能够预测股票收益的特征[6][11]。 * **因子具体构建过程**：使用深度学习模型，以分钟和Level2数据作为输入特征进行训练，得到27个因子[6]。 3. **因子名称：低频多任务因子**[6] * **因子构建思路**：专注于从日频、周频、月频等低频率量价数据中，通过多任务学习模型进行端到端的信息挖掘[6]。 * **因子具体构建过程**：利用多任务学习模型对低频量价数据进行端到端训练得到[6]。 模型的回测效果 1. **AI中证1000增强组合模型**[1][7][11] * 年化收益率：21.37%[11] * 年化波动率：23.27%[11] * 夏普比率：0.92[11] * 最大回撤：33.08%[11] * 年化超额收益率（相对中证1000）：21.60%[1][7][11] * 年化跟踪误差：6.06%[1][7][11] * 信息比率（IR）：3.57[1][7][11] * 超额收益最大回撤：7.55%[1][7][11] * 超额收益Calmar比率：2.86[1][7][11] * 相对基准月胜率：78.50%[11] * 年化双边换手率：32.56%[11] 2. **文本LLM-FADT选股模型（中证500增强）**[2][20][24] * 年化收益率：30.10%[2][20][24] * 年化波动率：25.57%[24] * 夏普比率：1.18[2][20][24] * 最大回撤：36.70%[24] * Calmar比率：0.82[24] * 年化超额收益率（相对中证500）：25.52%[2][20][24] * 年化跟踪误差：12.76%[24] * 信息比率（IR）：2.00[2][20][24] * 超额收益最大回撤：22.89%[24] * 超额收益Calmar比率：1.11[24] * 相对基准月胜率：75.00%[24] * 年化双边换手率：14.88%[24] 3. **AI行业轮动模型**[3][41] * 年化收益率：26.87%[3][41] * 年化超额收益率（相对行业等权基准）：19.02%[3][41] * 超额收益最大回撤：12.43%[41] * 超额夏普比率：1.85[41] * 今年以来收益率（截至2026/1/23）：4.22%[41] 4. **AI主题指数轮动模型**[4][30] * 年化收益率：16.92%[4][30] * 年化超额收益率（相对主题指数等权基准）：9.37%[4][30] * 超额收益最大回撤：20.79%[30] * 超额夏普比率：0.73[30] * 今年以来收益率（截至2026/1/23）：3.78%[30] 5. **AI概念指数轮动模型**[4][35] * 年化收益率：23.22%[4][35] * 年化超额收益率（相对概念指数等权基准）：9.74%[35] * 超额收益最大回撤：20.16%[35] * 超额夏普比率：0.82[35] * 今年以来收益率（截至2026/1/23）：4.41%[35] 因子的回测效果 1. **全频段量价融合因子**[6] * 5日RankIC均值：0.114[6][7] * TOP层年化超额收益率（相对全A等权基准）：29.38%[6] * 今年以来TOP层超额收益率（截至2026/1/23）：0.40%[6]

量化模型与构建方式 1. **模型名称：A股技术打分模型**[2][9] * **模型构建思路**：通过挖掘技术面信息来刻画市场状态，并基于对当前状态的理解形成对未来走势的打分观点[2][9] * **模型具体构建过程**： 1. 将“市场状态”细分为价格、量能、波动、趋势和拥挤五个维度[9] 2. 在每个维度内筛选出有效的市场观测指标，共10个[9] 3. 每个指标独立发出多空择时信号[9] 4. 将10个指标的择时信号进行等权投票，综合形成一个介于-1至+1之间的打分结果[9] 5. 根据打分结果制定多空策略：得分 > +0.33时看多，得分在-0.33至+0.33之间时看平，得分 < -0.33时看空[11] 2. **模型名称：红利风格择时模型**[3][16] * **模型构建思路**：结合多个维度的趋势指标，对红利风格（以中证红利指数相对中证全指的收益率衡量）进行多空择时[3][16] * **模型具体构建过程**： 1. 选取三个择时指标： * 中证红利相对中证全指的动量（正向指标）[19] * 10Y-1Y期限利差（负向指标）[19] * 银行间质押式回购成交量（正向指标）[19] 2. 每个指标从趋势维度日频发出信号，取值为0（看平）、+1（看多）、-1（看空）[16] 3. 将三个维度的得分求和，根据其正负性作为最终多空观点[16] 4. 当模型看好红利风格时，全仓持有中证红利指数；不看好时，全仓持有中证全指[16] 3. **模型名称：大小盘风格择时模型**[3][20] * **模型构建思路**：采用基于拥挤度分域的趋势模型进行择时，在不同拥挤度区间采用不同参数的趋势跟踪策略[3][20] * **模型具体构建过程**： 1. **计算拥挤度**：以沪深300指数代表大盘，万得微盘股指数代表小盘[20] * **动量得分**：计算小盘与大盘的10/20/30/40/50/60日动量之差，再计算各窗长动量之差在3.0/3.5/4.0/4.5/5.0年历史分位数的均值。对6个窗长下分位数最高的3个结果取均值作为小盘动量得分，分位数最低的3个结果取均值作为大盘动量得分[25] * **成交量得分**：计算小盘与大盘的10/20/30/40/50/60日成交额之比，再计算各窗长成交额之比在3.0/3.5/4.0/4.5/5.0年历史分位数的均值。对6个窗长下分位数最高的3个结果取均值作为小盘成交量得分，分位数最低的3个结果取均值作为大盘成交量得分[25] * **拥挤度得分**：将小盘（大盘）的动量得分和成交量得分取均值，得到小盘（大盘）拥挤度得分。小盘拥挤度得分大于90%视为触发高拥挤，大盘拥挤度得分小于10%视为触发高拥挤[25] 2. **判断运行区间**：若最近20个交易日中，小盘或大盘风格曾触发过高拥挤，则模型运行在高拥挤区间，否则运行在低拥挤区间[22] 3. **趋势择时**：在高拥挤区间，采用参数较小的双均线模型以应对可能的风格反转；在低拥挤区间，采用参数较大的双均线模型以跟踪中长期趋势[22] 4. **模型名称：遗传规划行业轮动模型**[4][28] * **模型构建思路**：采用遗传规划技术，直接对行业指数的量价、估值等特征进行因子挖掘，不再依赖人工设计打分规则，以构建行业轮动策略[4][32] * **模型具体构建过程**： 1. **因子挖掘**：使用双目标遗传规划（NSGA-II算法）对底层输入变量进行挖掘[32]。底层变量包括收盘价、开盘价、最高价、最低价、成交额、换手率、市净率等原始值、标准化值及分位数[37] 2. **因子评价**：同时使用|IC|（信息系数绝对值）和NDCG@5两个目标来评价因子的分组单调性和多头组表现，旨在挖掘出兼具单调性和优秀多头表现的因子[32] 3. **因子合成**：对挖掘得到的备选因子，结合贪心策略和方差膨胀系数（VIF），将共线性较弱的多个因子合成为行业综合得分[34] 4. **组合构建**：模型周频调仓，每周末选出多因子综合得分最高的五个行业进行等权配置[4][28] 5. **模型名称：中国境内全天候增强组合**[5][39] * **模型构建思路**：采用宏观因子风险预算框架，在四象限风险平价的基础上，基于宏观预期动量的观点主动超配看好的象限，以实现风险分散下的收益增强[5][39] * **模型具体构建过程**： 1. **宏观象限划分与资产选择**：选择增长和通胀两个宏观维度，根据是否超预期划分为四个象限（增长超预期、增长不及预期、通胀超预期、通胀不及预期）。结合定量与定性方式确定各象限适配的资产[42] 2. **象限组合构建与风险度量**：在每个象限内，将适配的资产等权构建子组合，并注重刻画象限的下行风险[42] 3. **风险预算与主动超配**：每月底，根据由“宏观预期动量指标”给出的“象限观点”来调整各象限的风险预算，从而主动超配看好的象限，实现策略增强[42] 量化因子与构建方式 1. **因子名称：技术面观测指标（10个）**[9][14] * **因子构建思路**：从价格、量能、波动、趋势、拥挤五个维度选取有效的技术指标，用于刻画市场状态[9] * **因子具体构建过程**：报告中列出了10个具体指标，包括： * **价格维度**：20日布林带、20日价格乖离率[14] * **量能维度**：20日换手乖离率、60日换手乖离率[14] * **趋势维度**：20日ADX、20日新高天数占比[14] * **波动维度**：60日换手率波动、期权隐含波动率[14] * **拥挤维度**：成分股涨停家数占比5日平均、期权持仓量PCR-5日平均[14] 2. **因子名称：遗传规划挖掘的权重最高因子**[37][38] * **因子构建思路**：通过双目标遗传规划算法从量价数据中自动挖掘出的有效行业轮动因子[37] * **因子具体构建过程**： 1. 在截面上，用全体行业标准化日度成交额对当日跳空缺口开展带有常数项的一元线性回归，取残差，记作变量A[38] 2. 在过去9个交易日中，取标准化日度成交额最大的交易日索引，记作变量B[38] 3. 在过去50个交易日中，将变量A和B开展时序回归取截距项，记作变量C[38] 4. 计算过去45个交易日变量C和标准化月度开盘价的协方差，作为因子值[38] * **因子表达式**：`ts_covariance_torch(ts_regalpha_torch(xs_regres_torch(volume_st, jump_gap), ts_argmax_torch(volume_st, 9), 50), mopen_st, 45)`[37] 模型的回测效果 （回测区间：2010-01-04 至 2026-01-23，除非特别说明） 1. **A股技术打分模型**，年化收益20.78%，年化波动17.32%，最大回撤-23.74%，夏普比率1.20，Calmar比率0.88[15] 2. **红利风格择时模型**（回测区间：2017-01-03 至 2026-01-23），年化收益16.82%，最大回撤-25.52%，夏普比率0.92，Calmar比率0.66，YTD收益7.46%，上周收益1.77%[17] 3. **大小盘风格择时模型**（回测区间：2017-01-03 至 2026-01-23），年化收益28.46%，最大回撤-32.05%，夏普比率1.19，Calmar比率0.89，YTD收益11.85%，上周收益5.25%[26] 4. **遗传规划行业轮动模型**（回测区间：2022-09-30 至 2026-01-23），年化收益32.92%，年化波动17.43%，夏普比率1.89，最大回撤-19.63%，卡玛比率1.68，上周表现3.37%，YTD收益6.80%[31] 5. **中国境内全天候增强组合**（回测区间：2013-12-31 至 2026-01-23），年化收益11.93%，年化波动6.20%，夏普比率1.92，最大回撤-6.30%，卡玛比率1.89，上周表现1.54%，YTD收益3.59%[43] 因子的回测效果 （回测区间：2010-01-04 至 2026-01-23，起始日期不同者已标注） 1. **20日价格乖离率**，年化收益13.24%，年化波动23.52%，最大回撤-42.04%，夏普比率0.56，Calmar比率0.32[15] 2. **布林带**（回测起始：2015-04-09），年化收益14.82%，年化波动24.68%，最大回撤-31.45%，夏普比率0.60，Calmar比率0.47[15] 3. **20日换手率乖离率**，年化收益13.06%，年化波动23.53%，最大回撤-38.79%，夏普比率0.56，Calmar比率0.34[15] 4. **60日换手率乖离率**，年化收益17.89%，年化波动23.52%，最大回撤-29.57%，夏普比率0.76，Calmar比率0.61[15] 5. **20日ADX**，年化收益15.33%，年化波动23.52%，最大回撤-52.27%，夏普比率0.65，Calmar比率0.29[15] 6. **20日创新高占比**，年化收益8.75%，年化波动16.11%，最大回撤-32.44%，夏普比率0.54，Calmar比率0.27[15] 7. **期权隐含波动率**（回测起始：2015-03-30），年化收益11.91%，年化波动24.69%，最大回撤-50.95%，夏普比率0.48，Calmar比率0.23[15] 8. **60日换手率波动**，年化收益11.58%，年化波动14.27%，最大回撤-20.60%，夏普比率0.81，Calmar比率0.56[15] 9. **5日涨停占比平均**，年化收益14.15%，年化波动23.52%，最大回撤-34.98%，夏普比率0.60，Calmar比率0.40[15] 10. **5日持仓量PCR平均**，年化收益4.55%，年化波动23.55%，最大回撤-55.73%，夏普比率0.19，Calmar比率0.08[15]