量化模型与构建方式 1. 逆周期配置模型 * **模型名称**：逆周期配置模型[7] * **模型构建思路**：从逆周期投资视角出发，通过预测未来的宏观环境，选择不同宏观环境下表现最优的资产构建绝对收益组合[7]。 * **模型具体构建过程**： 1. **宏观环境预测**：采用信用利差和期限利差作为代理变量，分别对下个季度的经济增长和通货膨胀变化方向进行预判[7]。 2. **环境划分**：根据预判结果，将宏观环境划分为Growth（增长）、Inflation（通胀）、Slowdown（放缓）三种阶段[7]。 3. **资产配置**：根据预测出的宏观环境阶段，配置不同的资产及权重。例如，在Slowdown环境下，低配股票资产，高配债券资产[7][8]。 2. 宏观动量月度配置模型 * **模型名称**：宏观动量月度配置模型[9][12] * **模型构建思路**：通过构建一个包含经济增长、通货膨胀、汇率、利率、风险情绪等多个维度的宏观因子库，对股票、债券、黄金等大类资产进行月度择时判断[9][12]。 * **模型具体构建过程**： 1. **因子库构建**：选取多个宏观指标作为小类因子，并归入不同的大类因子类别（如经济增长、通货膨胀等）。每个小类因子被赋予一个预设的“影响方向”（+1或-1），代表该因子对资产价格的预期影响[9][12]。 2. **信号生成**：计算每个小类因子的“最新变化”（+1表示指标值上升，-1表示下降，0表示不变）[9][12]。每个小类因子的“分项信号”计算公式为： $$分项信号 = 影响方向 \times 最新变化$$[9][12] 3. **信号汇总**：将同一大类下的所有小类因子的分项信号求和，得到该大类的“汇总信号”[9][12]。最后，将所有大类的汇总信号加总，得到最终的“总信号”。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. 行业复合趋势因子 * **因子名称**：行业复合趋势因子[13][15] * **因子构建思路**：从行业维度构建相关指标，作为观察市场行情启动或结束的信号。当因子绝对值超过一定水平时，预示市场可能启动上涨行情；当因子绝对值突降时，可能触发空仓信号[13]。 * **因子具体构建过程**：报告中未提供该因子的详细计算公式和构建步骤，仅说明计算方法与历史效果可参考对应专题报告[13]。 模型的回测效果 1. 逆周期配置模型 * 累计净值走势：截至2026年4月30日，模型累计净值走势如图所示[10] * 2026年第一季度配置表现：模型给出的宏观环境预测为Slowdown，配置组合中沪深300、国证2000、南华商品和中债国债总财富指数的涨幅依次为8.03%、9.65%、0.83%和0.55%[7] 2. 行业复合趋势因子组合 * 累计收益（2015年1月至2026年4月）：141.52%[4][15] * 超额收益（2015年1月至2026年4月）：52.52%[4][15] * 最新因子值与信号（2026年4月底）：因子值为0.22，维持正向信号[4][15] * 近期表现：2026年4月因子信号为正向，Wind全A当月收益率为8.69%[4][15] 量化因子与构建方式 1. 股票市场择时因子（Wind全A指数） * **构建思路**：用于生成股票市场月度择时信号的宏观因子集合[9]。 * **具体因子列表与构建**： * **经济增长类**： * PMI：影响方向为+1，最新变化为-1，分项信号为-1[9] * 标普全球中国通用制造业PMI：影响方向为+1，最新变化为+1，分项信号为+1[9] * **通货膨胀类**： * PPI当月同比：影响方向为-1，最新变化为+1，分项信号为-1[9] * PPI预期误差：影响方向为-1，最新变化为+1，分项信号为-1[9] * **汇率类**： * CFETS人民币汇率指数：影响方向为+1，最新变化为-1，分项信号为-1[9] * 美元中间价：影响方向为-1，最新变化为-1，分项信号为+1[9] * **利率类**： * 中债企业债到期收益率(AA):1个月：影响方向为-1，最新变化为-1，分项信号为+1[9] * 中债国开债到期收益率:10年：影响方向为+1，最新变化为-1，分项信号为-1[9] * **风险情绪类**： * wind全A前一个月收益率：影响方向为+1，最新变化为+1，分项信号为+1[9] * wind全A前一个月波动率（滚动6个月）变化：影响方向为-1，最新变化为+1，分项信号为-1[9] 2. 债券市场择时因子（中债国债总净价指数） * **构建思路**：用于生成债券市场月度择时信号的宏观因子集合[12]。 * **具体因子列表与构建**： * **经济增长类**： * PMI：影响方向为-1，最新变化为-1，分项信号为+1[12] * PMI预期误差：影响方向为-1，最新变化为+1，分项信号为-1[12] * 工业增加值误差：影响方向为-1，最新变化为+1，分项信号为-1[12] * **通货膨胀类**： * CRB指数：影响方向为-1，最新变化为0，分项信号为0[12] * CPI当月同比：影响方向为-1，最新变化为-1，分项信号为+1[12] * **汇率类**： * CFETS人民币汇率指数：影响方向为+1，最新变化为-1，分项信号为-1[12] * 美元中间价：影响方向为-1，最新变化为-1，分项信号为+1[12] * **利率类**： * 中债国债到期收益率:2年：影响方向为-1，最新变化为-1，分项信号为+1[12] * 中债国债到期收益率:5年：影响方向为-1，最新变化为-1，分项信号为+1[12] * 中债国债到期收益率:10年：影响方向为-1，最新变化为-1，分项信号为+1[12] * **风险情绪类**： * wind全A前一个月收益率：影响方向为-1，最新变化为+1，分项信号为-1[12] * wind全A前一个月波动率（滚动6个月）变化：影响方向为+1，最新变化为+1，分项信号为+1[12] 3. 黄金市场择时因子 * **构建思路**：用于生成黄金市场月度择时信号的因子集合，涵盖基本面、持仓和技术面维度[12]。 * **具体因子列表与信号**： * **基本面类**：预期通胀（分项信号+1）、实际利率（+1）、全球负收益债规模（0）、美国M2（+1）[12] * **持仓类**：CFTC掉期商持仓（-1）、CFTC管理基金持仓（+1）[12] * **技术类**：伦敦金10月均线（+1）、伦敦金20月均线（+1）[12] 因子的回测效果 （报告中未单独列出各因子的历史测试指标值，如IC、IR、多空收益等，仅展示了由因子构成的模型或组合的整体表现。）

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跟踪分析，未涉及具体的预测或选股量化模型。报告内容侧重于市场指标的统计和展示，而非构建用于生成交易信号的量化模型或因子。 量化因子与构建方式 报告未构建用于选股的Alpha因子，而是计算并跟踪了一系列用于描述市场状态和估值的指标。这些指标可被视为用于评估市场整体情况的“宏观因子”或“风格因子”。 1. **因子名称：风险溢价** * **因子构建思路：** 衡量股票市场相对于无风险利率的额外回报，用于评估市场的相对投资价值和风险补偿水平[30]。 * **因子具体构建过程：** 以宽基指数的市盈率倒数（E/P）作为股票市场的预期收益率，减去十年期国债的即期收益率，得到风险溢价[30][32]。 $$风险溢价 = \frac{1}{PE_{TTM}} - R_f$$ 其中，$PE_{TTM}$ 为指数滚动市盈率，$R_f$ 为十年期国债即期收益率。 2. **因子名称：股债性价比** * **因子构建思路：** 风险溢价的一种变形，同样用于衡量股票相对于债券的吸引力[43]。 * **因子具体构建过程：** 计算方式与风险溢价因子相同，即市盈率倒数与十年期国债收益率之差[43]。 $$股债性价比 = \frac{1}{PE_{TTM}} - R_f$$ 其中，$PE_{TTM}$ 为指数滚动市盈率，$R_f$ 为十年期国债即期收益率。 3. **因子名称：股息率** * **因子构建思路：** 反映指数成分股的现金分红回报率，是红利投资风格的核心指标，在市场低迷期通常被视为避风港[47]。 * **因子具体构建过程：** 报告未给出具体计算公式，通常为指数成分股过去12个月现金分红总额除以指数总市值。 4. **因子名称：破净率** * **因子构建思路：** 衡量市场中被低估（股价低于每股净资产）的个股普遍程度，破净率越高通常意味着市场整体估值越低迷[50]。 * **因子具体构建过程：** 统计指数成分股中市净率（PB）小于1的个股数量，再除以指数成分股总数[50]。 $$破净率 = \frac{破净个股数}{指数成分股总数}$$ 5. **因子名称：收益分布形态指标（偏度与峰度）** * **因子构建思路：** 通过分析指数日收益率分布的偏度和峰度，来刻画收益分布的特征，例如极端收益出现的可能性和分布集中程度[22][25]。 * **因子具体构建过程：** 计算指数近一年日收益率序列的偏度和峰度。报告中峰度计算减去了3（正态分布的峰度值），因此“峰度负偏离”表示分布比正态分布更平坦[27]。 因子的回测效果 报告未提供基于历史数据的因子分层回测、多空组合收益或IC/IR等传统因子测试结果。报告主要展示了各指标在**当前时点（2026年4月30日）** 的截面取值以及与自身历史（近1年、近5年）的比较情况。 1. **风险溢价因子**，当前值：上证50（0.60%），沪深300（-0.07%），中证500（0.08%），中证1000（0.46%），中证2000（0.51%），中证全指（0.21%），创业板指（-0.28%）[34]。近5年历史分位值：上证50（78.89%），中证1000（62.70%），中证2000（59.68%），中证全指（59.21%），中证500（52.14%），沪深300（48.49%），创业板指（44.68%）[31][34]。 2. **股债性价比因子**，当前状态：没有指数高于其近5年80%分位（机会值），中证500、中证全指和沪深300低于其近5年20%分位（危险值）[46]。 3. **股息率因子**，当前值：上证50（3.12%），沪深300（2.65%），中证500（1.25%），中证1000（0.96%），中证2000（0.68%），中证全指（1.88%），创业板指（0.93%）[50]。近5年历史分位值：创业板指（57.36%），沪深300（25.62%），上证50（24.63%），中证全指（19.26%），中证1000（17.52%），中证500（2.48%），中证2000（0.08%）[49][50]。 4. **破净率因子**，当前值：上证50（26.0%），沪深300（18.33%），中证500（11.0%），中证1000（7.9%），中证全指（6.32%），中证2000（3.35%）[52]。 5. **PE-TTM（估值因子）**，当前近5年历史分位值：中证1000（100.0%），中证全指（100.0%），沪深300（99.34%），中证500（96.20%），上证50（86.03%），创业板指（70.66%），中证2000（98.10%）[42][43]。 6. **收益分布峰度因子**，当前vs近5年变化：创业板指（-5.38），中证1000（-4.88），中证2000（-4.84），中证500（-4.36），中证全指（-3.88），沪深300（-3.28），上证50（-2.78）[27]。负值扩大表明当前收益率分布比近5年平均更平坦。 7. **收益分布偏度因子**，当前vs近5年变化：创业板指（-1.63），中证1000（-1.48），中证2000（-1.42），中证500（-1.33），中证全指（-1.16），沪深300（-1.02），上证50（-0.94）[27]。负值表明当前收益率分布的负偏程度比近5年平均有所减弱（或正偏程度减弱）。

量化模型与构建方式 1. **模型名称：微盘股轮动策略**[2][18][25] * **模型构建思路**：通过结合相对净值趋势和短期价格动量，在微盘股指数和茅指数之间进行轮动配置，以捕捉大小盘风格切换的收益[25]。 * **模型具体构建过程**： 1. **子策略一：相对净值与动量轮动** * 计算微盘股指数与茅指数的相对净值。 * 当相对净值高于其243日移动平均线时，倾向于投资微盘股；反之则投资茅指数[25]。 * 同时，计算微盘股指数和茅指数各自的20日收盘价斜率（动量）。 * 当两个指数的20日斜率方向相反且一方为正时，选择投资斜率为正的指数[25]。 2. **子策略二：M1轮动** * 跟踪M1同比指标的6个月移动平均值。 * 当该移动平均值下行时，中期配置从微盘股切换至茅指数[2][18]。 3. **综合策略**：综合两个子策略的信号，决定最终的配置方向（微盘股、茅指数或均衡配置）[2][18]。 2. **模型名称：微盘股择时风控模型**[18][25] * **模型构建思路**：通过监控宏观流动性指标和市场波动率拥挤度，对微盘股板块进行中期风险预警，在风险过高时发出平仓信号[18][25]。 * **模型具体构建过程**： 1. 设定两个风控指标及其阈值： * 十年期国债到期收益率同比，风控阈值为30%[18][25]。 * 微盘股波动率拥挤度同比，风控阈值为55%[18][25]。 2. 若任一指标触及或超过其对应阈值，则对微盘股发出平仓（或降低仓位）信号[25]。 3. **模型名称：宏观择时模型**[45][46] * **模型构建思路**：基于经济增长和货币流动性等多个宏观维度的动态事件因子，构建股债轮动策略，给出中期的权益资产配置仓位建议[45]。 * **模型具体构建过程**：模型具体细节未在本文中详述，需参考作者于2022年12月9日发布的研究报告《Beta 猎手系列：基于动态宏观事件因子的股债轮动策略》[45]。本文仅给出了模型的最新输出信号：4月份经济增长层面信号强度为50%，货币流动性层面信号强度为0%，综合得出的股票推荐仓位为25%[45][46]。 模型的回测效果 1. **宏观择时模型**，2026年年初至今收益率为2.44%，同期Wind全A收益率为-1.15%，超额收益为3.59%[45]。 量化因子与构建方式 1. **因子名称：一致预期因子**[51][61][64] * **因子构建思路**：使用分析师对未来业绩的一致预期数据，捕捉市场对上市公司未来盈利能力的共识变化[51][64]。 * **因子具体构建过程**：报告中列出了多个细分一致预期因子，包括： * **EPS_FTTM_Chg3M**：未来12个月一致预期EPS过去3个月的变化率[64]。 * **ROE_FTTM_Chg3M**：未来12个月一致预期ROE过去3个月的变化率[64]。 * **TargetReturn_180D**：一致预期目标价相对于目前股价的收益率[64]。 2. **因子名称：市值因子**[51][61] * **因子构建思路**：通常以市值的对数作为因子值，小市值股票历史上长期存在溢价效应[61]。 * **因子具体构建过程**：使用**LN_MktCap**，即上市公司流通市值的自然对数[61]。 3. **因子名称：成长因子**[51][61][64] * **因子构建思路**：通过公司财务数据的增长率来衡量公司的成长性[64]。 * **因子具体构建过程**：报告中列出了多个细分成长因子，例如： * **NetIncome_SQ_Chg1Y**：单季度净利润同比增速[64]。 * **OperatingIncome_SQ_Chg1Y**：单季度营业利润同比增速[64]。 * **Revenues_SQ_Chg1Y**：单季度营业收入同比增速[64]。 4. **因子名称：反转因子**[51][61][64] * **因子构建思路**：认为过去一段时间跌幅较大的股票未来可能反弹，而涨幅过大的股票可能回调，即“追跌杀涨”[64]。 * **因子具体构建过程**：使用过去不同时间窗口的收益率作为因子，例如： * **Price_Chg20D**：20日收益率[64]。 * **Price_Chg60D**：60日收益率[64]。 * **Price_Chg120D**：120日收益率[64]。 5. **因子名称：质量因子**[61][64] * **因子构建思路**：通过盈利能力、运营效率、财务稳健性等指标筛选优质公司[64]。 * **因子具体构建过程**：报告中列出了多个细分质量因子，例如： * **ROE_FTTM**：未来12个月一致预期净利润/股东权益均值[64]。 * **GrossMargin_TTM**：过去12个月毛利率[64]。 * **Revenues2Asset_TTM**：过去12个月营业收入/总资产均值[64]。 6. **因子名称：技术因子**[61][64] * **因子构建思路**：基于价量数据构建，反映市场交易行为特征[64]。 * **因子具体构建过程**：报告中列出了多个细分技术因子，例如： * **Volume_Mean_20D_240D**：20日成交量均值/240日成交量均值[64]。 * **Skewness_240D**：240日收益率偏度[64]。 * **Turnover_Mean_20D**：20日换手率均值[64]。 7. **因子名称：价值因子**[51][61][64] * **因子构建思路**：寻找市场价格低于其内在价值的股票，常用估值比率衡量[64]。 * **因子具体构建过程**：报告中列出了多个细分价值因子，例如： * **BP_LR**：最新年报账面净资产/最新市值（市净率倒数）[61]。 * **EP_FTTM**：未来12个月一致预期净利润/最新市值（预期市盈率倒数）[61]。 * **SP_TTM**：过去12个月营业收入/最新市值（市销率倒数）[61]。 8. **因子名称：波动率因子**[61][64] * **因子构建思路**：认为历史波动率较低的股票未来可能有更好表现（低波动效应）[64]。 * **因子具体构建过程**：报告中列出了多个细分波动率因子，例如： * **Volatility_60D**：60日收益率标准差[64]。 * **IV_CAPM**：CAPM模型残差波动率[64]。 * **IV_FF**：Fama-French三因子模型残差波动率[64]。 9. **因子名称：可转债正股一致预期因子**[60] * **因子构建思路**：将用于股票选股的一致预期因子逻辑应用于可转债对应的正股，用以预测正股走势从而择券[60]。 * **因子具体构建过程**：未在报告中详细说明，但指出是从预测正股的因子来构建可转债因子[60]。 10. **因子名称：可转债估值因子**[60] * **因子构建思路**：通过平价底价溢价率等指标衡量可转债本身的估值水平[60]。 * **因子具体构建过程**：报告中明确提及的因子是**平价底价溢价率**，但未给出具体计算公式[60]。 因子的回测效果 （以下数据均基于“上周”和“今年以来”两个时间窗口，在全部A股、沪深300、中证500、中证1000四个股票池中的表现）[52] 1. **一致预期因子**，上周IC均值（全部A股）7.61%，今年以来IC均值（全部A股）2.32%；上周多空收益（全部A股）1.49%，今年以来多空收益（全部A股）8.57%[52]。 2. **市值因子**，上周IC均值（全部A股）9.68%，今年以来IC均值（全部A股）1.22%；上周多空收益（全部A股）-0.39%，今年以来多空收益（全部A股）-7.24%[52]。 3. **成长因子**，上周IC均值（全部A股）-5.83%，今年以来IC均值（全部A股）1.66%；上周多空收益（全部A股）-0.83%，今年以来多空收益（全部A股）8.26%[52]。 4. **反转因子**，上周IC均值（全部A股）-4.85%，今年以来IC均值（全部A股）-1.01%；上周多空收益（全部A股）-2.34%，今年以来多空收益（全部A股）-15.39%[52]。 5. **质量因子**，上周IC均值（全部A股）-7.97%，今年以来IC均值（全部A股）-0.10%；上周多空收益（全部A股）-1.78%，今年以来多空收益（全部A股）-0.71%[52]。 6. **技术因子**，上周IC均值（全部A股）6.12%，今年以来IC均值（全部A股）4.68%；上周多空收益（全部A股）0.53%，今年以来多空收益（全部A股）-0.71%[52]。 7. **价值因子**，上周IC均值（全部A股）-7.15%，今年以来IC均值（全部A股）2.01%；上周多空收益（全部A股）-2.13%，今年以来多空收益（全部A股）-6.41%[52]。 8. **波动率因子**，上周IC均值（全部A股）未提供，今年以来IC均值（全部A股）4.52%；上周多空收益（全部A股）未提供，今年以来多空收益（全部A股）-0.29%[52]。

量化模型与构建方式 1. 模型名称：宏观+量价大小盘双驱轮动模型[7] - **模型构建思路**：从宏观经济和微观量价两个层面出发，选取有效的因子，整合形成对大小盘风格进行轮动配置的策略[7] - **模型具体构建过程**： 1. 选取多个宏观与量价因子，每个因子独立产生信号。当因子发出大盘信号时，信号值设为1；发出小盘信号时，信号值设为-1；若无有效信号，则设为0[8] 2. 将所有因子的信号值加总，得到“综合分数”[7] 3. 根据综合分数进行资产配置： - 若综合分数 > 0，则全仓配置沪深300指数（代表大盘）[8] - 若综合分数 < 0，则全仓配置中证1000指数（代表小盘）[8] - 若综合分数 = 0，则等权配置沪深300及中证1000指数[8] - **模型评价**：策略具有较高的历史回测胜率[7] 2. 模型名称：宏观量价双驱价值成长风格轮动模型[13] - **模型构建思路**：从宏观经济和微观量价两个层面出发，选取有效的因子，整合形成对价值与成长风格进行轮动配置的策略[13] - **模型具体构建过程**： 1. 选取多个宏观与量价因子，每个因子独立产生信号。当因子发出价值信号时，信号值设为1；发出成长信号时，信号值设为-1；若无有效信号，则设为0[14] 2. 将所有因子的信号值加总，得到“综合分数”[13] 3. 根据综合分数进行资产配置： - 若综合分数 > 0，则全仓配置国证价值指数[14] - 若综合分数 < 0，则全仓配置国证成长指数[14] - 若综合分数 = 0，则等权配置国证价值及国证成长指数[14] - **模型评价**：策略具有较高的历史回测胜率[13] 3. 模型名称：行业轮动复合因子策略[4][18] - **模型构建思路**：使用行业历史基本面、预期基本面、情绪面、量价技术面、宏观经济等多个维度的因子对各行业进行综合打分，构建多头组合[4][18] - **模型具体构建过程**： 1. 针对中信一级30个行业，从历史基本面、预期基本面、情绪面、量价技术面、宏观经济等维度选取并计算一系列因子[18] 2. 将所有因子整合，对每个行业计算一个综合得分[4] 3. 根据行业得分进行排序，选择排名靠前的行业构建多头组合。报告中提及的策略是选择5个行业等权构建多头组合[18] 4. 模型名称：行业轮动单因子多策略[4][19] - **模型构建思路**：分别使用不同维度的单因子构建行业轮动策略，并将这些策略进行组合[4][19] - **模型具体构建过程**： 1. 分别针对行业历史基本面、预期基本面、情绪面、量价技术面、宏观经济等不同维度的单因子，构建独立的行业轮动策略[18][19] 2. 将这些基于不同单因子的策略进行组合，形成最终的“单因子多策略”[19] 3. 根据该策略的输出，选择行业构建多头组合。报告中提及的策略是选择5个行业构建多头组合[20] 量化因子与构建方式 1. 因子名称：大小盘风格轮动单因子群[8] - **因子构建思路**：从宏观经济和量价层面选取多个指标，用于预测大小盘风格的走势[7] - **因子具体构建过程**：报告中列举了用于大小盘双驱轮动模型的7个单因子，包括：PMI季均差分、社融加权同比、货币流动性、中美利差、宏观调整动量、宏观调整狭义风格拥挤度、广义大盘拥挤度。每个因子根据其定义的规则，独立产生1（看多大盘）、-1（看多小盘）或0（无信号）的信号[8] 2. 因子名称：价值成长风格轮动单因子群[14] - **因子构建思路**：从宏观经济和量价层面选取多个指标，用于预测价值与成长风格的走势[13] - **因子具体构建过程**：报告中列举了用于价值成长双驱轮动模型的7个单因子，包括：PMI新订单季均差分、PPI-CPI加权环比、1Y国债、3M美债水平、宏观调整动量、风格拥挤度、市场情绪。每个因子根据其定义的规则，独立产生1（看多价值）、-1（看多成长）或0（无信号）的信号[14] 3. 因子名称：行业轮动多维度因子群[18] - **因子构建思路**：从多个维度构建因子，用于对行业进行打分和排序[18] - **因子具体构建过程**：报告指出行业轮动模型使用了行业历史基本面、预期基本面、情绪面、量价技术面、宏观经济等维度的因子，但未提供具体因子名称和计算公式[18] 模型的回测效果 （注：以下回测结果截至2026年4月30日） 1. 宏观+量价大小盘双驱轮动模型 - 区间收益（YTD）：10.36%[11][12] - 年化收益：36.72%[12] - 年化波动：25.20%[12] - 最大回撤：13.45%[12] - 夏普比率：1.46[12] - 卡玛比率：2.73[12] - 历史胜率（截至2026Q1）：81.63%[7] - 相较等权基准累计超额（YTD）：3.28%[11] - 相较沪深300累计超额（YTD）：6.53%[11] - 相较中证1000累计超额（YTD）：0.00%[11] 2. 宏观量价双驱价值成长风格轮动模型 - 区间收益（YTD）：10.11%[15][16] - 年化收益：35.75%[16] - 年化波动：20.26%[16] - 最大回撤：7.97%[16] - 夏普比率：1.76[16] - 卡玛比率：4.48[16] - 历史胜率（截至2026Q1）：77.55%[13] - 相较等权基准累计超额（YTD）：3.96%[15] - 相较国证价值累计超额（YTD）：7.90%[15] - 相较国证成长累计超额（YTD）：0.00%[15] 3. 行业轮动复合因子策略 - 上个月（2026年4月）绝对收益：10.68%[20] - 上个月（2026年4月）超额收益：5.25%[4][20] - 2026年累计绝对收益：19.30%[20] - 2026年累计超额收益：14.13%[20] 4. 行业轮动单因子多策略 - 上个月（2026年4月）绝对收益：8.63%[20] - 上个月（2026年4月）超额收益：3.21%[4][20] - 2026年累计绝对收益：7.95%[20] - 2026年累计超额收益：3.71%[20]

量化模型与构建方式 1. **模型名称：券商金股指数**[1][17] * **模型构建思路**：将每月券商推荐的金股汇总，构建一个代表卖方分析师整体推荐表现的指数，用于跟踪和比较公募基金的整体表现[17]。 * **模型具体构建过程**： 1. 每月初汇总所有券商发布的当月金股。 2. 对股票池进行去重，得到当月的金股股票池[4]。 3. 根据每只股票被券商推荐的家数进行加权，构建组合[17]。 4. 每月第一个交易日收盘后按上述权重进行调仓[17]。 5. 为更公允地与偏股混合型基金指数比较，在计算指数收益时，以每次调仓时点所能获取的主动股基最近一个报告期的权益仓位中位数作为该指数的仓位[17]。 2. **模型名称：券商金股业绩增强组合**[5][40][44] * **模型构建思路**：在券商金股股票池的基础上，通过多因子优选和组合优化的方式，构建一个旨在稳定战胜偏股混合型基金指数的增强组合[11][40][44]。 * **模型具体构建过程**： 1. **选股空间与约束基准**：以券商金股股票池为选股空间和约束基准[44]。 2. **行业配置基准**：以全体公募基金的行业分布为行业配置基准[44]。 3. **优化方法**：采用组合优化的方式，控制组合与券商金股股票池在个股、风格上的偏离[44]。 4. **仓位管理**：组合仓位根据市场情况调整，例如上月仓位为90%[40]。 量化因子与构建方式 研报中提及了在券商金股股票池内进行跟踪测试的一系列常见选股因子，并展示了其近期表现[3][29]。报告未详细阐述每个因子的具体构建公式，但列出了因子名称和表现评价。 1. **因子名称**：单季度营收增速[3][29] * **因子评价**：最近一个月及今年以来在券商金股股票池中表现较好[3][29]。 2. **因子名称**：单季度净利润增速[3][29] * **因子评价**：最近一个月及今年以来在券商金股股票池中表现较好[3][29]。 3. **因子名称**：盈余公告后跳空超额[3][29] * **因子评价**：最近一个月在券商金股股票池中表现较好[3][29]。 4. **因子名称**：分析师净上调幅度[3][29] * **因子评价**：今年以来在券商金股股票池中表现较好[3][29]。 5. **因子名称**：EPTTM[3][29] * **因子评价**：最近一个月及今年以来在券商金股股票池中表现较差[3][29]。 6. **因子名称**：经营性现金净流量[3][29] * **因子评价**：最近一个月在券商金股股票池中表现较差[3][29]。 7. **因子名称**：预期股息率[3][29] * **因子评价**：最近一个月及今年以来在券商金股股票池中表现较差[3][29]。 8. **因子名称**：BP[3][29] * **因子评价**：今年以来在券商金股股票池中表现较差[3][29]。 模型的回测效果 1. **券商金股指数**[17][23] * 本月（20260401-20260430）绝对收益：11.62%[23] * 本月（20260401-20260430）相对偏股混合型基金指数超额收益：0.79% (计算：11.62% - 10.83%)[23] * 今年以来（20260105-20260430）绝对收益：9.04%[23] * 今年以来（20260105-20260430）相对偏股混合型基金指数超额收益：-0.79% (计算：9.04% - 9.83%)[23] 2. **券商金股业绩增强组合**[5][43][45][48] * **本月表现（20260401-20260430）**： * 绝对收益：15.30%[5][43] * 相对偏股混合型基金指数超额收益：4.47%[5][43] * **今年以来表现（20260105-20260430）**： * 绝对收益：22.94%[5][43] * 相对偏股混合型基金指数超额收益：13.12%[5][43] * 在主动股基中排名分位点：14.86% (553/3721)[5][43] * **历史表现（2018.1.2-2025.12.31，考虑仓位及交易费用）**： * 年化收益：21.71%[45][48] * 相对偏股混合型基金指数年化超额收益：14.18%[45][48] * 历年排名：基本排在主动股基前30%水平[45] 因子的回测效果 （注：报告仅提供了因子在券商金股股票池内近期的定性表现排序，未提供具体的多空收益、IC、IR等量化指标值[3][29]。）

2026 年 05 月 06 日 金融工程研究团队 魏建榕（首席分析师） 证书编号：S0790519120001 傅开波（分析师） 证书编号：S0790520090003 高 鹏（分析师） 证书编号：S0790520090002 苏俊豪（分析师） 证书编号：S0790522020001 胡亮勇（分析师） 证书编号：S0790522030001 王志豪（分析师） 证书编号：S0790522070003 盛少成（分析师） 证书编号：S0790523060003 蒋 韬（分析师） 证书编号：S0790525070001 5 月份电子、电力设备、基础化工、有色金属等行业金股数量占比靠前。5 月份 金股权重靠前的行业分别为：电子（15.9%）、电力设备（8.6%）、基础化工（7.8%）、 有色金属（7.5%）。相比于上月，本月权重增加最多的行业为：电子（+9.6%）、 机械设备（+2.2%）、基础化工（+1.5%）；权重减少最多的行业为：电力设备 （-3.2%）、公用事业（-2.7%）、通信（-2.2%）。 5 月份券商金股的市值水平下降，估值水平上升。我们按月统计了金股行业内加 权市值分位和估值分位水平。可以发现，5 ...

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[37]** * **模型构建思路：** 以上证指数归母净利润同比为Nowcasting目标，构建一个能够高频跟踪A股景气度的指数[37]。 * **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，仅提及构建详情可参考报告《视角透析：A股景气度高频指数构建与观察》[37]。 2. **模型名称：A股情绪指数系统[43]** * **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，并构建包含见底预警与见顶预警的情绪指数[43]。 * **模型具体构建过程：** 将市场按照波动率和成交额的变化方向划分为四个象限，其中“波动上-成交下”的区间为显著负收益，其余象限为显著正收益[43]。基于此规律构建情绪指数，但未提供具体的计算公式。 3. **模型名称：主题挖掘算法[52]** * **模型构建思路：** 通过处理新闻和研报文本，挖掘主题投资机会[52]。 * **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[52]。报告未提供具体的构建公式和详细步骤。 4. **模型名称：中证500增强策略模型[52][57]** * **模型构建思路：** 构建一个旨在持续跑赢中证500指数的投资组合[52]。 * **模型具体构建过程：** 报告未披露该增强策略模型的具体因子构成、权重配置及组合优化公式，仅展示了根据该模型生成的持仓明细[52][57]。 5. **模型名称：沪深300增强策略模型[62][65]** * **模型构建思路：** 构建一个旨在持续跑赢沪深300指数的投资组合[62]。 * **模型具体构建过程：** 报告未披露该增强策略模型的具体因子构成、权重配置及组合优化公式，仅展示了根据该模型生成的持仓明细[62][65]。 6. **模型名称：BARRA风格因子模型（应用于A股）[66]** * **模型构建思路：** 参照BARRA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绩效归因[66]。 * **模型具体构建过程：** 报告构建了十大类风格因子，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）[66]。报告未提供每个因子的具体计算公式。 模型的回测效果 1. **中证500增强组合[52]** * 本周收益：1.36%[52] * 本周超额收益（相对中证500）：0.12%[52] * 2020年至今累计超额收益（相对中证500）：53.69%[52] * 2020年至今最大回撤：-10.90%[52] 2. **沪深300增强组合[62]** * 本周收益：0.38%[62] * 本周超额收益（相对沪深300）：-0.41%[62] * 2020年至今累计超额收益（相对沪深300）：47.12%[62] * 2020年至今最大回撤：-5.86%[62] 3. **A股情绪指数系统择时表现[52]** * 报告通过图表展示了该系统的择时表现，但未给出具体的量化指标数值[52]。 量化因子与构建方式 1. **因子名称：市值（SIZE）[66]** * **因子构建思路：** 衡量公司规模大小的风格因子[66]。 * **因子具体构建过程：** 报告未提供具体计算公式。 2. **因子名称：BETA[66]** * **因子构建思路：** 衡量股票相对于市场整体波动性的风格因子[66]。 * **因子具体构建过程：** 报告未提供具体计算公式。 3. **因子名称：动量（MOM）[66]** * **因子构建思路：** 衡量股票价格趋势强弱的风格因子[66]。 * **因子具体构建过程：** 报告未提供具体计算公式。 4. **因子名称：残差波动率（RESVOL）[66]** * **因子构建思路：** 衡量股票特异性风险（剔除市场风险后）的风格因子[66]。 * **因子具体构建过程：** 报告未提供具体计算公式。 5. **因子名称：非线性市值（NLSIZE）[66]** * **因子构建思路：** 捕捉市值与收益之间非线性关系的风格因子[66]。 * **因子具体构建过程：** 报告未提供具体计算公式。 6. **因子名称：估值（BTOP）[66]** * **因子构建思路：** 衡量股票估值水平的风格因子（通常与账面市值比相关）[66]。 * **因子具体构建过程：** 报告未提供具体计算公式。 7. **因子名称：流动性（LIQUIDITY）[66]** * **因子构建思路：** 衡量股票交易活跃程度和变现能力的风格因子[66]。 * **因子具体构建过程：** 报告未提供具体计算公式。 8. **因子名称：盈利（EARNINGS\_YIELD）[66]** * **因子构建思路：** 衡量公司盈利能力的风格因子[66]。 * **因子具体构建过程：** 报告未提供具体计算公式。 9. **因子名称：成长（GROWTH）[66]** * **因子构建思路：** 衡量公司成长性的风格因子[66]。 * **因子具体构建过程：** 报告未提供具体计算公式。 10. **因子名称：杠杆（LVRG）[66]** * **因子构建思路：** 衡量公司财务杠杆水平的风格因子[66]。 * **因子具体构建过程：** 报告未提供具体计算公式。 因子的回测效果 1. **近期风格因子表现（定性）[67]** * 表现较优的因子：动量因子、Beta因子[2][67] * 表现不佳的因子：残差波动率因子、盈利因子[2][67] * 呈显著负向超额收益的因子：非线性市值因子[2][67] 2. **风格因子暴露相关性（近一周）[68]** * 报告以表格形式展示了十大类风格因子两两之间的相关性系数，例如流动性因子与Beta、动量、残差波动率因子呈现明显正相关性；价值因子与Beta、残差波动率、流动性等因子呈现明显负相关性[67][68]。 3. **风格因子纯因子收益率（近一周）[71]** * 报告通过图表展示了十大类风格因子近一周的纯因子收益率，但未给出具体数值[71]。 4. **行业因子纯因子收益率（近一周）[72]** * 报告通过图表展示了各行业因子近一周的纯因子收益率，指出石油石化、煤炭、电子等行业因子跑出较高超额收益，通信、国防军工等行业因子回撤较多[67][72]。

量化模型与构建方式 根据提供的研报内容，该报告主要涉及商品期货的行情分析与基本面跟踪，并未明确阐述用于量化选股或资产配置的量化模型或量化因子。报告内容聚焦于镍和不锈钢品种的现货、期货市场数据、产业链信息及事件分析，属于传统商品研究范畴[1][2][4][5][8]。 报告中的“模型”或“因子”更多是指对市场状态和交易机会的定性分析框架，而非可回测的量化指标。例如： 1. **成本估值模型**：报告通过计算镍的火法、湿法现金成本以及不锈钢的生产成本，来评估价格的下方支撑和上方压力[1][2]。其构建思路是跟踪原材料（如镍矿、硫磺、铬铁）价格、税收政策及汇率，套用特定的生产工艺公式来计算现金成本。具体构建过程涉及行业特定的成本核算，但报告未给出统一的量化公式。 2. **套利机会分析框架**：报告提到了“内外正套”（基于进口利润）和“跨期反套”等套利机会[1][2]。其构建思路是基于价差（如国内外价差、跨期价差）的均值回复或驱动逻辑。具体构建过程需要实时计算相关价差，并设定阈值或结合基本面判断，但报告未提供具体的触发和退出规则。 3. **库存结构指标**：报告中跟踪了各类库存数据，并隐含了通过库存变化（如“国内后端冶炼累库超过海外”）来推断“海外交仓性价比”的逻辑[1][4]。这可以视为一个基本面因子，其构建思路是监控库存的绝对水平、环比变化及结构分布。具体构建过程是直接引用第三方数据（如SMM、Mysteel的库存统计）。 **评价**：报告中的这些分析框架紧密结合产业现实，对短期交易有较强的指导意义，但因其高度依赖主观判断和实时信息更新，难以标准化为纯粹的量化因子进行历史回测和稳定性评估。 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、最大回撤等）。 量化因子与构建方式 报告中未构建和测试用于选股或资产定价的传统量化因子（如价值、动量、质量等）。所提及的价差、成本、库存等更接近于交易信号或基本面状态指标，而非经过标准化处理和有效性检验的Alpha因子。 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、多空收益、分组收益等）。

量化模型与构建方式 1. **模型名称：成交量模型**[9] * **模型构建思路**：基于价量关系构建的短期择时模型，核心思想是成交量变化能反映市场情绪和资金动向[9]。 * **模型具体构建过程**：报告未详细描述具体构建公式和步骤，仅提及其为短期择时模型，并基于价量角度[9]。 2. **模型名称：特征龙虎榜机构模型**[11] * **模型构建思路**：基于龙虎榜机构买卖数据构建的短期择时模型，通过分析机构资金的异动来捕捉市场信号[11]。 * **模型具体构建过程**：报告未详细描述具体构建公式和步骤，仅提及其为短期择时模型[11]。 3. **模型名称：特征成交量模型**[11] * **模型构建思路**：基于成交量特征（可能包括成交量分布、放量/缩量模式等）构建的短期择时模型[11]。 * **模型具体构建过程**：报告未详细描述具体构建公式和步骤，仅提及其为短期择时模型[11]。 4. **模型名称：智能算法模型**[11] * **模型构建思路**：应用智能算法（如机器学习等）对市场数据进行建模，以生成择时信号的短期模型，报告中提及了针对沪深300和中证500的智能算法模型[11]。 * **模型具体构建过程**：报告未详细描述具体算法、特征和训练过程[11]。 5. **模型名称：涨跌停模型**[12] * **模型构建思路**：基于市场涨跌停股票数量及其变化构建的中期择时模型，反映市场极端情绪和赚钱效应[9][12]。 * **模型具体构建过程**：报告未详细描述具体构建公式和步骤，仅提及其为中期择时模型，并基于涨跌停角度[9][12]。 6. **模型名称：上下行收益差模型**[12] * **模型构建思路**：通过计算市场上行收益与下行收益的差值来构建的中期择时模型，衡量市场动能的强弱[9][12]。 * **模型具体构建过程**：报告未详细描述具体构建公式和步骤，仅提及其为中期择时模型，并基于加速度与趋势角度[9][12]。 7. **模型名称：月历效应模型**[12] * **模型构建思路**：基于历史月份、星期等时间周期上的统计规律（月历效应）构建的中期择时模型[12]。 * **模型具体构建过程**：报告未详细描述具体构建公式和步骤，仅提及其为中期择时模型[12]。 8. **模型名称：长期动量模型**[13] * **模型构建思路**：基于长期价格动量（趋势）构建的长期择时模型[9][13]。 * **模型具体构建过程**：报告未详细描述具体构建公式和步骤，仅提及其为长期择时模型，并基于动量角度[9][13]。 9. **模型名称：A股综合兵器V3模型**[14] * **模型构建思路**：将多个单一择时模型的信号进行耦合形成的综合择时模型，旨在结合不同模型的优势，做到攻守兼备[9][14]。 * **模型具体构建过程**：报告未详细描述各模型信号的耦合规则与权重分配方式[9][14]。 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，将多个择时模型信号进行耦合形成的综合择时模型[14]。 * **模型具体构建过程**：报告未详细描述具体构建过程[14]。 11. **模型名称：成交额倒波幅模型**[15] * **模型构建思路**：应用于港股的中期择时模型，结合成交额与波动率（倒波幅）指标来判断市场情绪[15]。 * **模型具体构建过程**：报告未详细描述具体构建公式和步骤[15]。 12. **模型名称：上下行收益差相似多空模型**[15] * **模型构建思路**：应用于港股的中期择时模型，是“上下行收益差模型”的衍生或相似版本，可能采用了多空对比的构建思路[15]。 * **模型具体构建过程**：报告未详细描述具体构建公式和步骤，及其与A股上下行收益差模型的区别[15]。 13. **模型名称：形态识别模型（双底形态、杯柄形态）**[40] * **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）进行选股的模型。当股价走势识别出特定形态并实现突破时，产生交易信号[40]。 * **模型具体构建过程**：报告展示了形态识别出的具体个股及其关键点位（如双底的A、C点，杯柄的A、B、C点），但未给出形态识别的量化规则和突破确认的阈值公式[40][43][45][48][49]。 14. **模型名称：倒杯子形态风险模型**[58] * **模型构建思路**：识别典型的负向价格形态（倒杯子形态），用于预警个股下跌风险。在一波下跌后的筑顶完成后，股价再次下跌并突破前低，预示下跌趋势可能延续[58]。 * **模型具体构建过程**：报告未详细描述形态识别的具体量化规则[58]。 模型的回测效果 *注：报告主要提供了各模型的最新择时信号（看多、中性、看空），以及形态识别模型的近期表现，未提供如年化收益、夏普比率、最大回撤等标准回测指标。* 1. **成交量模型**：最新信号显示，对上证50、中证500、中证800、深100指数看多；对上证指数、沪深300、创业板指、全A指数中性；对全A增强指数看多[11]。 2. **特征龙虎榜机构模型**：最新信号显示，对沪深300指数看空[11]。 3. **特征成交量模型**：最新信号显示，对国证2000、全A指数中性[11]。 4. **智能算法模型**：最新信号显示，对沪深300、中证500指数看多[11]。 5. **涨跌停模型**：最新信号显示，对国证2000、全A指数中性[12]。 6. **上下行收益差模型**：最新信号显示，对所有A股宽基指数（上证指数、上证50、沪深300、中证500、中证800、深100、国证2000、创业板指、全A）看多[11][12]。 7. **月历效应模型**：最新信号显示，中性[12]。 8. **长期动量模型**：最新信号显示，中性[13]。 9. **A股综合兵器V3模型**：最新信号显示，看空[14]。 10. **A股综合国证2000模型**：最新信号显示，中性[14]。 11. **成交额倒波幅模型**：最新信号显示，对恒生指数看多[15]。 12. **上下行收益差相似多空模型**：最新信号显示，对恒生指数、恒生国企指数看多[15]。 13. **双底形态模型**：截至报告期，本周（20260427-20260430）组合上涨2.5%，跑赢上证综指1.71%。自2020年12月31日至今，累计上涨27.61%，跑赢上证综指9.21%[40]。 14. **杯柄形态模型**：截至报告期，本周（20260427-20260430）组合上涨0.48%，跑输上证综指0.31%。自2020年12月31日至今，累计上涨24.32%，跑赢上证综指5.92%[40]。 量化因子与构建方式 *注：本报告为金工周报，核心内容是展示和解读各类择时模型的信号，并未详细阐述用于选股的底层量化因子的构建方式。报告中提到的“大师策略”涉及价值、成长等因子，但未展开说明[35]。*

量化模型与构建方式 1. **模型名称：流动性冲击指标**[2][8] * **模型构建思路**：用于衡量当前市场流动性相对于历史水平的偏离程度，以判断市场流动性状况。 * **模型具体构建过程**：基于沪深300指数计算。具体公式未在报告中给出，但根据描述，其计算过程应为：计算当前流动性指标（如成交额、换手率等）相对于过去一年（约250个交易日）该指标均值和标准差的Z值。报告中的数值“0.35”即为Z值，表示当前流动性高于过去一年平均水平0.35倍标准差。 $$流动性冲击指标 = \frac{当前流动性值 - 过去一年流动性均值}{过去一年流动性标准差}$$ * **模型评价**：该指标是判断市场微观流动性的有效工具。 2. **模型名称：情绪模型**[7][14][18] * **模型构建思路**：通过涨跌停板相关因子来刻画市场的情绪强弱和赚钱效应。 * **模型具体构建过程**：根据国泰海通量化团队前期专题报告构建，包含多个细分情绪因子。报告列出了截至当期的细分因子信号：净涨停占比（0）、跌停次日收益（0）、涨停板占比（0）、跌停板占比（0）、高频打板收益（1）。这些因子信号通过一定规则（未详细说明）汇总成综合情绪得分（1分，满分5分）和趋势模型信号（负向）。 * **模型评价**：用于预警市场情绪过热或过冷，辅助判断市场赚钱效应。 3. **模型名称：均线强弱指数**[7][14][17] * **模型构建思路**：通过计算各行业指数相对于其均线的位置，综合判断市场整体的技术性强弱。 * **模型具体构建过程**：根据Wind二级行业指数计算。具体方法为：计算每个行业指数是否位于其关键均线（如20日、60日等）之上，并给予得分，然后将所有行业的得分加总或进行标准化处理，得到市场整体的均线强弱得分（当前为163分）及其历史百分位（当前为57.2%）。 * **模型评价**：用于从技术面衡量市场整体的趋势强度和广度。 4. **模型名称：高频资金流模型**[7][14][18] * **模型构建思路**：通过分析高频资金流向数据，对主要宽基指数发出买入或卖出信号。 * **模型具体构建过程**：根据国泰海通量化团队前期专题报告构建。模型对沪深300、中证500、中证1000、中证2000指数分别生成四种信号：激进多头、激进多空、稳健多头、稳健多空。报告期内，对所有指数所有信号类型均发出正向买入信号（信号值为1）。 * **模型评价**：用于捕捉短期资金动向，辅助进行宽基指数的择时决策。 5. **模型名称：因子拥挤度综合打分模型**[19][20] * **模型构建思路**：通过多个维度指标综合评估单一因子的拥挤程度，作为因子可能失效的预警。 * **模型具体构建过程**：参考国泰海通量化团队专题报告，使用四个指标度量因子拥挤度：估值价差、配对相关性、长期收益反转、因子波动率。每个指标计算后都进行标准化（Z-Score）处理。综合打分由这四个分项指标得分通过一定方式（如等权或加权平均）合成。报告展示了小市值、低估值、高盈利、高增长四个因子的分项及综合得分。 * **模型评价**：是有效的因子失效预警工具，帮助投资者规避因资金过度追逐而面临回撤风险的因子。 6. **模型名称：行业拥挤度模型**[23][24][25] * **模型构建思路**：评估各行业板块的交易拥挤程度，识别过热或关注度不足的行业。 * **模型具体构建过程**：根据国泰海通量化团队专题报告构建。具体计算细节未在报告中给出，但结果以标准化分数（Z-Score）形式呈现。报告列出了截至期末各行业的拥挤度数值及相对上月的变化。 * **模型评价**：用于行业轮动和风险控制，帮助识别交易过热或存在预期差的行业。 模型的回测效果 1. **流动性冲击指标**， 当前数值0.35[2][8] 2. **情绪模型**， 综合得分1分（满分5分）， 趋势模型信号为负向[14][18] 3. **均线强弱指数**， 当前得分163， 历史百分位57.2%[14][17] 4. **高频资金流模型**， 沪深300指数信号：激进多头1、激进多空1、稳健多头1、稳健多空1；中证500指数信号：激进多头1、激进多空1、稳健多头1、稳健多空1；中证1000指数信号：激进多头1、激进多空1、稳健多头1、稳健多空1；中证2000指数信号：激进多头1、激进多空1、稳健多头1、稳健多空1[18] 5. **因子拥挤度综合打分模型**， 小市值因子综合拥挤度0.10；低估值因子综合拥挤度-0.72；高盈利因子综合拥挤度-0.21；高盈利增长因子综合拥挤度0.25[4][20] 6. **行业拥挤度模型**， 行业拥挤度最高为综合（2.13），其次为通信（1.74）、有色金属（1.43）、电子（1.24）、基础化工（1.03）；行业拥挤度上升幅度最大为计算机（变化0.40）[23][25] 量化因子与构建方式 1. **因子名称：小市值因子**[19][20] * **因子构建思路**：选择市值较小的股票，基于小市值公司可能具有更高成长性和溢价空间的逻辑。 * **因子具体构建过程**：报告未给出具体构建公式。通常使用总市值或流通市值的倒数或排名作为因子值。 * **因子评价**：A股市场长期有效的风格因子之一，但容易受到市场风格和资金流向的影响。 2. **因子名称：低估值因子**[19][20] * **因子构建思路**：选择估值水平（如市盈率PE、市净率PB）较低的股票，基于价值投资理念。 * **因子具体构建过程**：报告未给出具体构建公式。通常使用PE或PB的倒数或排名作为因子值。 * **因子评价**：经典的价值因子，在风格切换时往往有较好表现。 3. **因子名称：高盈利因子**[19][20] * **因子构建思路**：选择盈利能力（如净资产收益率ROE、总资产收益率ROA）较强的股票。 * **因子具体构建过程**：报告未给出具体构建公式。通常直接使用ROE或ROA的数值或排名作为因子值。 * **因子评价**：质量因子的核心代表，关注公司的盈利能力和质量。 4. **因子名称：高盈利增长因子**[19][20] * **因子构建思路**：选择盈利增长（如净利润增长率、营业收入增长率）较快的股票。 * **因子具体构建过程**：报告未给出具体构建公式。通常使用增长率指标的数值或排名作为因子值。 * **因子评价**：成长因子的核心代表，关注公司的成长潜力。 5. **因子名称：估值价差（用于拥挤度）**[19][20] * **因子构建思路**：衡量因子多空组合两端股票的估值差异，差异过大可能预示拥挤。 * **因子具体构建过程**：计算因子多头组合与空头组合的平均估值（如市净率PB）之比或差值，并进行标准化。 6. **因子名称：配对相关性（用于拥挤度）**[19][20] * **因子构建思路**：衡量因子多头组合内股票收益的相关性，相关性升高可能预示拥挤。 * **因子具体构建过程**：计算因子多头组合内股票收益率的平均两两相关性，并进行标准化。 7. **因子名称：长期收益反转（用于拥挤度）**[19][20] * **因子构建思路**：观察因子过去长期收益表现，近期持续强势后可能出现反转，预示拥挤。 * **因子具体构建过程**：计算因子组合过去一段时间（如一年）的累计收益，并进行标准化。 8. **因子名称：因子波动率（用于拥挤度）**[19][20] * **因子构建思路**：衡量因子收益的波动情况，波动率异常升高可能预示拥挤和风险。 * **因子具体构建过程**：计算因子组合收益率的滚动波动率，并进行标准化。 因子的回测效果 1. **小市值因子**， 估值价差0.95， 配对相关性0.24， 长期收益反转-0.11， 因子波动率-0.67， 综合拥挤度0.10[20] 2. **低估值因子**， 估值价差-0.85， 配对相关性0.17， 长期收益反转-1.74， 因子波动率-0.45， 综合拥挤度-0.72[20] 3. **高盈利因子**， 估值价差-1.28， 配对相关性-0.57， 长期收益反转1.67， 因子波动率-0.65， 综合拥挤度-0.21[20] 4. **高盈利增长因子**， 估值价差0.67， 配对相关性-0.41， 长期收益反转1.23， 因子波动率-0.47， 综合拥挤度0.25[20]