量化模型与构建方式 **本报告为金融工程周报，主要对市场及各类基金表现进行回顾与统计，未涉及具体的量化模型或量化因子的构建思路、过程及评价。** 量化因子与构建方式 **本报告为金融工程周报，主要对市场及各类基金表现进行回顾与统计，未涉及具体的量化模型或量化因子的构建思路、过程及评价。** 模型的回测效果 **本报告未涉及具体量化模型的回测效果。** 因子的回测效果 **本报告未涉及具体量化因子的回测效果。**

量化模型与构建方式 1. 存款搬家信号模型 * **模型名称**：存款搬家信号模型[5][12][13] * **模型构建思路**：结合居民存款和非银存款的月度变化方向，构建一个判断居民资金是否从银行存款转向非银机构（可能包括股市）的择时信号[5][13] * **模型具体构建过程**： 1. **计算存款占比**：为了消除季节性影响，使用12个月累计数据计算两个核心指标[13]。 * 新增居民存款占比 = 过去12个月累计新增居民存款 / 过去12个月累计新增总存款[13] * 新增非银存款占比 = 过去12个月累计新增非银存款 / 过去12个月累计新增总存款[13] 2. **判断变化方向**：将当月计算出的占比数值与前3个月的平均值进行比较[13]。 * 若当月值 > 前3月均值，则判定该占比“上行”[13][14] * 若当月值 < 前3月均值，则判定该占比“下行”[13][14] 3. **生成信号**：当同时满足“新增居民存款占比下降”和“新增非银存款占比上升”这两个条件时，触发“存款搬家”看多信号[5][14] * **模型评价**：该信号在历史上对A股后市有较好的预示效果，但需注意资金可能流向非权益资产（如债券）而导致信号失效，需结合A股成交热度进行辅助判断[14] 2. 短期量化择时模型 * **模型名称**：短期量化择时模型[19][20][21] * **模型构建思路**：从宏观基本面、估值面、情绪面、流动性四个维度选取多个指标，综合判断市场短期走势，并给出仓位建议[19][20] * **模型具体构建过程**： 1. **基本面指标**： * 制造业PMI：若 > 50，给出乐观信号[19][22] * 信贷脉冲环比变化分位数：处于历史高位时，给出乐观信号[19][22] * M1同比增速（HP滤波去趋势）分位数：处于历史高位时，给出乐观信号[19][22] * 综合以上指标信号，得出基本面总信号（乐观/中性/谨慎）[19] 2. **估值面指标**： * A股整体PE中位数分位数：处于历史高位（均值回归下行压力大）时，给出谨慎信号[19][22] * A股整体PB中位数分位数：处于历史高位（均值回归下行压力大）时，给出谨慎信号[19][22] * 综合以上指标信号，得出估值面总信号[19] 3. **情绪面指标**： * A股整体Beta离散度分位数：偏高时，给出谨慎信号[20][22] * A股整体量能情绪分位数：偏高时，给出乐观信号[20][22] * A股整体波动率分位数：根据分位数水平给出中性或其它信号[20][22] * 综合以上指标信号，得出情绪面总信号[20] 4. **流动性指标**： * 货币利率指标分位数：偏低（流动性宽松）时，给出乐观信号[20][22] * 汇率预期指标分位数：人民币偏强时，给出乐观信号[20][22] * 沪深净融资额5日均值分位数：极低（杠杆风险小）时，给出乐观信号[20][22] * 综合以上指标信号，得出流动性总信号[20] 5. **综合信号**：汇总四个维度的总信号，通过一定规则（报告中未明确给出具体加权或投票规则）生成最终的总仓位信号（如乐观、中性、谨慎，对应不同的仓位水平）[19][20][22] 3. 成长价值风格轮动模型 * **模型名称**：成长价值风格轮动模型[28][29] * **模型构建思路**：从基本面、估值面、情绪面三个维度选取与成长/价值风格相关的指标，构建综合轮动信号，以决定超配成长或价值风格[28][30] * **模型具体构建过程**： 1. **基本面指标**： * 盈利周期斜率：斜率大时，利好成长风格[28][30] * 利率综合周期水平：水平偏低时，利好成长风格[28][30] * 信贷综合周期变化：上行时，利好成长风格[28][30] * 综合以上信号，得出基本面维度的风格建议（如100%成长，0%价值）[30] 2. **估值面指标**： * 成长价值PE差分位数：估值差均值回归上行时，利好成长风格[28][30] * 成长价值PB差分位数：估值差反弹至偏高位置时，利好均衡风格[28][30] * 综合以上信号，得出估值面维度的风格建议[30] 3. **情绪面指标**： * 成长价值换手差分位数：换手差偏高时，利好成长风格[28][30] * 成长价值波动差分位数：波动差处于中性位置时，利好均衡风格[28][30] * 综合以上信号，得出情绪面维度的风格建议[30] 4. **综合信号**：结合三个维度的风格建议，通过一定规则（报告中未明确给出具体规则）生成最终的风格轮动信号，即建议超配成长或价值[28][30] 4. 小盘大盘风格轮动模型 * **模型名称**：小盘大盘风格轮动模型[32][33] * **模型构建思路**：从11个有效轮动指标出发，构建综合大小盘轮动信号[32] * **模型具体构建过程**： 1. **指标构成**：模型基于11个指标，每个指标独立产生看多小盘或看多大盘的信号（0%或100%仓位）[32][34]。报告中列举的指标包括： * A股龙虎榜买入强度[34] * R007[34] * 融资买入余额变化[34] * 主题投资交易情绪[34] * 等级利差[34] * 期权波动率风险溢价[34] * beta离散度[34] * pb分化度[34] * 大宗交易折溢价率[34] * 中证1000 MACD(10,20,10)[34] * 中证1000交易量能[34] 2. **信号生成**：每个指标独立判断，给出看多小盘（100%）或看多大盘（0%）的信号[34] 3. **综合信号**：将所有指标的信号进行综合（报告中提及“综合信号3D平滑”，但未详述具体聚合方法，如等权平均或投票），得出最终的小盘仓位建议百分比[34] 模型的回测效果 1. 存款搬家信号模型 * **信号触发后一个月内全A指数平均收益率**：1.72%[5][15] * **信号触发后一个月内胜率**：65% (64.9%)[5][15] * **对比（未触发信号月份）平均收益率**：0.13%[5][15] * **对比（未触发信号月份）胜率**：52% (51.8%)[5][15] 2. 短期量化择时模型 * **回测期**：2012年底至今[21] * **年化收益率**：16.65%[21][24] * **年化波动率**：14.80%[24] * **最大回撤**：15.05%[21][24] * **夏普比率**：0.9802[24] * **收益回撤比**：1.1068[24] * **月度胜率**：66.46%[24] * **基准（月度中性持仓再平衡）表现**： * **年化收益率**：5.05%[21][24] * **年化波动率**：11.57%[24] * **最大回撤**：31.41%[21][24] * **夏普比率**：0.3109[24] * **收益回撤比**：0.1607[24] * **月度胜率**：54.43%[24] * **2024年以来表现**： * **年化收益率**：30.80%[26] * **年化波动率**：16.58%[26] * **最大回撤**：11.04%[21][26] * **夏普比率**：1.5833[26] * **收益回撤比**：2.7907[26] * **月度胜率**：73.08%[26] * **基准（2024年以来）表现**： * **年化收益率**：10.75%[26] * **年化波动率**：10.92%[26] * **最大回撤**：8.89%[26] * **夏普比率**：0.8069[26] * **收益回撤比**：1.2087[26] * **月度胜率**：61.54%[26] 3. 成长价值风格轮动模型 * **回测期**：2012年底至今[29] * **年化收益率**：13.30%[29][31] * **年化波动率**：20.76%[31] * **最大回撤**：43.07%[31] * **夏普比率**：0.6098[31] * **收益回撤比**：0.3088[31] * **月度胜率**：58.60%[31] * **基准（月度风格均衡配置）表现**： * **年化收益率**：8.30%[29][31] * **年化波动率**：20.60%[31] * **最大回撤**：44.13%[31] * **夏普比率**：0.3935[31] * **收益回撤比**：0.1880[31] * **月度胜率**：56.05%[31] 4. 小盘大盘风格轮动模型 * **综合策略表现（2014年以来）**： * **年化收益率**：20.60%[34] * **年化超额收益率**：12.95%[34] * **最大回撤**：40.70%[34] * **胜率（按交易）**：50.11%[34] * **2026年以来表现**： * **超额收益率**：2.88%[33][34] * **部分子指标表现（年化超额收益）**： * 融资买入余额变化：5.96%[34] * 大宗交易折溢价率：9.52%[34] * 中证1000交易量能：9.90%[34] * pb分化度：9.53%[34]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：风格组相对拥挤度模型[126] * **模型构建思路**：通过计算两种风格指数换手率标准化值的差值，并观察该差值在历史序列中的分位数，来衡量一种风格相对于另一种风格的交易拥挤程度[126] * **模型具体构建过程**： 1. 分别计算风格A指数和风格B指数的近252日平均换手率[126] 2. 将这两个换手率序列在2005年1月1日以来的历史时间序列上进行Z-score标准化，得到Z-score_A与Z-score_B[126] 3. 计算二者差值：$$Diff = Z\_score\_A - Z\_score\_B$$[126] 4. 计算该差值序列的滚动6年历史分位数（若历史数据量满1年不足6年，则以全部历史数据计算），该分位数即为风格A相对于风格B的相对拥挤度[126] 2. **模型名称**：风格指数累计超额净值模型[127] * **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表现，用于衡量风格的长期相对收益特征[127] * **模型具体构建过程**： 1. 设定基准日（例如2020年1月4日）[127] 2. 将各风格指数及万得全A指数的每日收盘点数除以各自在基准日的收盘点数，得到各自的累计净值序列[127] 3. 将各风格指数每日的累计净值除以同一交易日万得全A指数的累计净值，得到该风格指数相对于万得全A指数的累计超额净值[127] 3. **模型名称**：机构调研活跃度分位数模型[128] * **模型构建思路**：通过计算板块或行业相对于全市场的机构调研热度标准化差值的历史分位，来评估其受机构关注度的相对水平[128] * **模型具体构建过程**： 1. 计算板块（或指数、行业）近n个交易日的“日均机构调研次数”[128] 2. 将该序列在滚动y年的历史时间序列上进行z-score标准化[128] 3. 将上述结果与万得全A指数的标准化结果作差，得到“机构调研活跃度”：$$Active\_Score = Z\_score_{target} - Z\_score_{WAA}$$[128] 4. 最后计算该“机构调研活跃度”序列的滚动y年历史分位数[128] * **参数设置**： * 长期口径：n取126（近半年），滚动窗口y为6年（历史数据量满3年不足6年时，以全部历史数据计算）[128] * 短期口径：n取63（近一季度），滚动窗口y为3年（历史数据量满1年不足3年时，以全部历史数据计算）[128] 量化因子与构建方式 1. **因子名称**：滚动季度夏普率[35] * **因子构建思路**：计算万得全A指数滚动一个季度（约63个交易日）的夏普比率，用于衡量市场近期的风险调整后收益，作为市场情绪风险的预警指标[35] * **因子具体构建过程**：报告未给出具体计算公式，但根据金融学常识，滚动季度夏普率通常计算为：$$Rolling\_Quarterly\_Sharpe = \frac{Mean(R_{t-63:t})}{Std(R_{t-63:t})}$$ 其中，$R_{t-63:t}$ 为指数在最近63个交易日的收益率序列，Mean为均值，Std为标准差[35] 2. **因子名称**：PE_TTM（滚动市盈率）[39][47] * **因子构建思路**：使用总市值除以最近十二个月（TTM）的归属母公司股东的净利润，是衡量股票估值水平的核心指标[39][47] * **因子具体构建过程**：$$PE\_TTM = \frac{Total\_Market\_Cap}{Net\_Profit\_TTM}$$[39][47] 3. **因子名称**：股债风险溢价（ERP）[49] * **因子构建思路**：计算股票市场市盈率倒数与无风险利率（10年期国债收益率）的差值，用于衡量投资股票相对于债券的额外收益补偿，即股债性价比[49] * **因子具体构建过程**：$$ERP = \frac{1}{PE\_TTM} - 10Y\_Treasury\_Yield$$[49] * **因子评价**：ERP越高，表明投资股票的性价比越高[49] 4. **因子名称**：成交热度[25] * **因子构建思路**：使用“周度日均自由流通换手率”的历史分位值来衡量市场或板块、行业的交易活跃程度[25] * **因子具体构建过程**：成交热度 = 当前“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）内的百分位值[25] 5. **因子名称**：动量因子[60] * **因子构建思路**：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，筛选市场中动量特征强的股票[60] * **因子具体构建过程**：报告提及“长江动量”指数的构建以此为基础，具体公式未详细展开，但思路是捕捉中长期动量并排除短期反转效应[60] 6. **因子名称**：反转因子[60] * **因子构建思路**：以最近一个月股票收益率作为筛选指标，选择市场中反转效应强的股票[60] * **因子具体构建过程**：报告提及“长江反转”指数的构建以此为基础，旨在表征高反转特征个股的整体表现[60] 模型的回测效果 1. **风格组相对拥挤度模型**，成长vs红利相对拥挤度历史分位74%[69]，小盘vs大盘相对拥挤度历史分位40%[69][72]，微盘股vs中证800相对拥挤度历史分位87%[69] 2. **风格指数累计超额净值模型**，成长较红利超额净值处于历史极高位置[69]，小盘较大盘超额净值处于历史较高位置[72]，微盘股较中证800超额净值处于历史极高位置[75] 因子的回测效果 1. **滚动季度夏普率因子**，当前万得全A的滚动季度夏普率从历史低位反弹，尚未触及预警位置[35] 2. **PE_TTM因子**，当前万得全A PE_TTM处于历史极高分位（83%）[39][47]，沪深300 PE_TTM处于历史较高分位（66%）[41][47]，中证1000 PE_TTM处于历史较高分位（73%）[41][47]，创业板指PE_TTM处于历史均衡分位（41%）[41][47] 3. **股债风险溢价（ERP）因子**，当前万得全A erp处于均衡分位（54%）[49][58]，沪深300 erp处于均衡分位（59%）[49][58]，中证500 erp处于较高分位（66%）[49]，创业板指erp处于极高分位（84%）[49][58] 4. **成交热度因子**，当前万得全A成交热度为96%[30]，创业板指成交热度为100%[30]，TMT板块成交热度为100%[25][30] 5. **动量与反转因子**，近一周动量较反转超额收益为0.5%[59][65]，近一月为6.1%[59][65]，年初至今为-0.1%[59][65]

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：** 捕捉股票日内收益的分布特征，特别是偏度（三阶矩）信息，用于预测未来收益[14] **因子具体构建过程：** 报告未提供详细构建公式，但指出计算方式参考专题报告《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：** 将已实现波动率分解，计算下行波动部分在总波动中的占比，用于衡量股票的“坏波动”[19] **因子具体构建过程：** 报告未提供详细构建公式，但指出计算方式参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[19] 3. **因子名称：开盘后买入意愿占比因子** **因子构建思路：** 基于开盘后一段时间的高频数据，通过直观逻辑或机器学习方法，计算反映买入意愿的指标占比[24] **因子具体构建过程：** 报告未提供详细构建公式，但指出计算方式参考专题报告《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》[24] 4. **因子名称：开盘后买入意愿强度因子** **因子构建思路：** 与买入意愿占比因子类似，但侧重于衡量买入意愿的强度而非占比[29] **因子具体构建过程：** 报告未提供详细构建公式，但指出计算方式参考专题报告《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》[29] 5. **因子名称：开盘后大单净买入占比因子** **因子构建思路：** 计算开盘后大单净买入金额在总成交中的占比，捕捉大资金在开盘后的动向[34] 6. **因子名称：开盘后大单净买入强度因子** **因子构建思路：** 衡量开盘后大单净买入的强度[39] 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，以提升预测效果[44] 8. **因子名称：尾盘成交占比因子** **因子构建思路：** 计算尾盘阶段成交额在日总成交额中的占比，捕捉尾盘资金的活跃程度[49] 9. **因子名称：平均单笔流出金额占比因子** **因子构建思路：** 计算平均单笔流出金额在总成交中的占比，用于衡量资金流出的平均力度[52] 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上涨幅度[58] 11. **因子名称：改进 GRU(50,2)+NN(10)因子** **因子构建思路：** 使用门控循环单元（GRU）和神经网络（NN）的深度学习模型处理高频数据，生成选股信号[13][63] **因子具体构建过程：** 模型结构为GRU(50,2)加上NN(10)，具体网络架构和训练细节未在报告中详述[13] 12. **因子名称：残差注意力 LSTM(48,2)+NN(10)因子** **因子构建思路：** 使用带有残差连接和注意力机制的长短期记忆网络（LSTM）结合神经网络，从高频数据中提取特征[13][65] **因子具体构建过程：** 模型结构为残差注意力LSTM(48,2)加上NN(10)[13] 13. **因子名称：多颗粒度模型-5日标签因子** **因子构建思路：** 基于双向AGRU（可能指注意力GRU）训练的多时间颗粒度模型，使用5日收益率作为预测标签[13][68] **因子具体构建过程：** 因子基于双向AGRU训练得到，模型整合了不同时间颗粒度的信息[68] 14. **因子名称：多颗粒度模型-10日标签因子** **因子构建思路：** 与多颗粒度模型-5日标签类似，但使用10日收益率作为预测标签[13][69] **因子具体构建过程：** 因子基于双向AGRU训练得到[69] 量化模型与构建方式 1. **模型名称：周度调仓的中证500 AI增强宽约束组合** **模型构建思路：** 以多颗粒度模型-10日标签因子提供的预期收益为核心，在控制跟踪误差和一系列风险约束的条件下，通过优化求解构建相对于中证500指数的增强组合[73] **模型具体构建过程：** * **核心信号：** 使用深度学习因子（多颗粒度模型-10日标签）作为股票的预期超额收益来源 $\mu_i$[73] * **优化目标：** 最大化组合预期收益，目标函数为： $$\operatorname*{max}_{w_{i}}\sum\mu_{i}w_{i}$$ 其中，$w_i$ 为股票 $i$ 的权重，$\mu_i$ 为股票 $i$ 的预期超额收益[74] * **约束条件：** 包括个股权重上限、行业偏离、市值风格暴露（线性及非线性）、估值（PB）、基本面（ROE、SUE）、波动率以及成分股权重等约束，具体约束值在“宽约束”条件下相对宽松[74] * **交易设置：** 周度调仓，假设以次日均价成交，并扣除双边3‰的交易成本[75] 2. **模型名称：周度调仓的中证500 AI增强严约束组合** **模型构建思路：** 与宽约束组合思路一致，但在风险控制上施加更严格的约束，旨在进一步控制跟踪误差和组合风险[73] **模型具体构建过程：** 优化目标与核心信号与宽约束组合相同，区别在于各项风险约束的阈值更严格（例如市值暴露约束更小），并增加了额外的约束如ROE、SUE、波动率和更高的成分股约束[74] 3. **模型名称：周度调仓的中证1000 AI增强宽约束组合** **模型构建思路：** 构建方法同中证500宽约束组合，但基准指数改为中证1000，并相应调整约束参数[73] **模型具体构建过程：** 使用相同的多颗粒度模型因子和优化框架，针对中证1000指数的成分股及特征调整优化中的约束条件[74] 4. **模型名称：周度调仓的中证1000 AI增强严约束组合** **模型构建思路：** 构建方法同中证500严约束组合，但基准指数改为中证1000[73] **模型具体构建过程：** 使用相同的多颗粒度模型因子和优化框架，针对中证1000指数施加更严格的风险约束[74] 因子的回测效果 （数据来源：表2，周度换仓因子表现汇总[11][13]） | 因子名称 | IC(历史) | IC(2026年) | e^(-rank mae)(历史) | e^(-rank mae)(2026年) | 多空收益(上周) | 多空收益(1月) | 多空收益(2026YTD) | 2026年周胜率 | 多头超额(上周) | 多头超额(1月) | 多头超额(2026YTD) | 2026年周胜率 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 日内高频偏度 | 0.019 | 0.024 | 0.324 | 0.321 | 1.26% | 1.55% | 1.55% | 2/2 | 0.27% | 1.26% | 1.26% | 2/2 | | 日内下行波动占比 | 0.016 | 0.028 | 0.323 | 0.319 | 1.43% | 1.65% | 1.65% | 2/2 | 0.88% | 1.83% | 1.83% | 2/2 | | 开盘后买入意愿占比 | 0.026 | 0.046 | 0.321 | 0.331 | 1.04% | 2.08% | 2.08% | 2/2 | 0.50% | 0.09% | 0.09% | 1/2 | | 开盘后买入意愿强度 | 0.030 | 0.065 | 0.326 | 0.338 | 2.21% | 2.86% | 2.86% | 2/2 | 1.37% | 2.00% | 2.00% | 2/2 | | 开盘后大单净买入占比 | 0.035 | 0.035 | 0.322 | 0.317 | 1.35% | 0.83% | 0.83% | 1/2 | 0.81% | 0.28% | 0.28% | 1/2 | | 开盘后大单净买入强度 | 0.024 | 0.044 | 0.320 | 0.320 | 1.08% | 1.01% | 1.01% | 1/2 | 0.27% | -0.39% | -0.39% | 1/2 | | 改进反转 | 0.030 | 0.058 | 0.330 | 0.339 | 1.63% | 3.40% | 3.40% | 2/2 | 1.20% | 3.09% | 3.09% | 2/2 | | 尾盘成交占比 | 0.026 | 0.037 | 0.322 | 0.324 | -0.12% | 2.56% | 2.56% | 1/2 | 0.29% | 1.63% | 1.63% | 2/2 | | 平均单笔流出金额占比 | 0.008 | 0.020 | 0.317 | 0.323 | 0.56% | 1.02% | 1.02% | 2/2 | 0.27% | 0.41% | 0.41% | 2/2 | | 大单推动涨幅 | 0.018 | 0.017 | 0.325 | 0.331 | 0.75% | 0.97% | 0.97% | 2/2 | 0.53% | 0.96% | 0.96% | 2/2 | | 改进 GRU(50,2)+NN(10) | 0.065 | 0.040 | 0.336 | 0.327 | 2.62% | 2.79% | 2.79% | 2/2 | 0.70% | 0.96% | 0.96% | 2/2 | | 残差注意力 LSTM(48,2)+NN(10) | 0.062 | 0.026 | 0.334 | 0.325 | 1.55% | 1.30% | 1.30% | 1/2 | 0.39% | 1.26% | 1.26% | 2/2 | | 多颗粒度模型-5日标签 | 0.079 | 0.034 | 0.343 | 0.332 | 1.88% | 2.13% | 2.13% | 2/2 | 1.05% | 1.74% | 1.74% | 2/2 | | 多颗粒度模型-10日标签 | 0.073 | 0.022 | 0.342 | 0.329 | 2.11% | 1.33% | 1.33% | 1/2 | 1.15% | 1.10% | 1.10% | 1/2 | 模型的回测效果 （数据来源：表3，AI增强组合超额收益汇总[14]） | 模型名称 | 超额收益(上周) | 超额收益(1月) | 超额收益(2026YTD) | 2026年周胜率 | | :--- | :--- | :--- | :--- | :--- | | 中证500 AI增强宽约束组合 | -1.91% | -4.47% | -4.47% | 0/3 | | 中证500 AI增强严约束组合 | -1.03% | -2.86% | -2.86% | 0/3 | | 中证1000 AI增强宽约束组合 | -0.09% | -2.18% | -2.18% | 0/3 | | 中证1000 AI增强严约束组合 | 0.06% | -1.57% | -1.57% | 1/3 |

量化模型与构建方式 1. **模型名称：三维择时框架**[8][12][14] * **模型构建思路**：通过构建市场分歧度、流动性、景气度三个维度的指标，综合判断市场整体趋势。当三个维度指标趋势一致时，给出明确的上涨或下跌判断。[8][12] * **模型具体构建过程**：报告未详细描述三个具体指标的构建公式，但说明了其来源和用途。分歧度、流动性、景气度均为独立的指数，通过观察其变化趋势（如回升、下行、上行）进行综合判断。[8][12][14][18][21][23] 2. **模型名称：热点趋势ETF策略**[28] * **模型构建思路**：基于技术形态和换手率筛选短期受市场关注的ETF。首先筛选出价格形态呈上涨趋势的ETF，再从中选择支撑阻力特征明显且短期市场关注度（换手率）提升的品种构建组合。[28] * **模型具体构建过程**： 1. **形态筛选**：选出最高价与最低价同时为上涨形态的ETF。[28] 2. **构建支撑阻力因子**：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因子。[28] 3. **关注度筛选**：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10只ETF。[28] 4. **组合构建**：对筛选出的10只ETF构建风险平价组合。[28] 3. **模型名称：ETF三策略融合轮动模型**[31][32][33] * **模型构建思路**：将基于基本面、质量低波风格、困境反转三种不同逻辑的行业轮动策略进行等权融合，实现因子与风格互补，降低单一策略风险。[31][32] * **模型具体构建过程**： 1. **策略一：行业轮动策略**：核心因子包括超预期景气度、行业龙头效应、行业动量、拥挤度、通胀beta。[32] 2. **策略二：个股风格驱动策略**：核心因子包括个股动量、个股质量、个股波动率。[32] 3. **策略三：困境反转策略**：核心因子包括PB_zscore、分析师长期预期、短期筹码交换。[32] 4. **策略融合**：将上述三个策略的选股结果进行等权组合，形成最终的ETF轮动组合。[31] 4. **模型名称：资金流共振策略**[42][44][46] * **模型构建思路**：结合融资融券资金流和主动大单资金流，寻找两种资金流产生共振效应的行业进行推荐。[42][44] * **模型具体构建过程**： 1. **构建行业融资融券资金因子**：个股层面计算融资净买入-融券净卖出，加总到行业，进行Barra市值因子中性化，取最近50日均值后的两周环比变化率。[44] 2. **构建行业主动大单资金因子**：行业层面计算净流入，进行最近一年成交量时序中性化后排序，取最近10日均值。[44] 3. **策略逻辑**：根据市场状态，剔除融资融券因子多头端的负向行业，并剔除主动大单因子的极端多头行业，取两种资金流因子均表现较好的行业作为多头推荐。[44][46] 5. **模型名称：全天候配置策略（高波版与低波版）**[50][54][56] * **模型构建思路**：通过资产选择、风险调整和结构对冲，构建分散化的投资组合，旨在不依赖宏观预测和杠杆的情况下获取稳健绝对收益，并根据风险偏好区分高波动和低波动版本。[50] * **模型具体构建过程**： 1. **高波版**：采用“四层结构化-股债金风险平价”对冲构型。[54] 2. **低波版**：采用“五层结构化-风险预算”对冲构型。[56] 3. 具体资产选择和权重配置未在报告中详细披露，但遵循循环对冲设计，直接针对资产波动进行平衡。[50] 模型的回测效果 1. **热点趋势ETF策略**，2025年以来收益52.22%，相比沪深300指数的超额收益为28.36%。[28] 2. **ETF三策略融合轮动模型**，2017年4月10日至2026年1月16日，组合收益率12.18%，夏普率0.74，今年以来组合收益率0.53%。[36][37] 3. **全天候配置策略-高波版**，截至2025年，年化收益率11.8%，年平均最大回撤3.6%，夏普比率2.3；2026年以来收益率0.4%。[60][61] 4. **全天候配置策略-低波版**，截至2025年，年化收益率8.8%，年平均最大回撤2.0%，夏普比率3.4；2026年以来收益率0.2%。[60][61] 量化因子与构建方式 1. **因子名称：支撑阻力因子**[28] * **因子构建思路**：通过价格高点和低点的回归斜率来衡量价格趋势的陡峭程度，以判断支撑或阻力强度。[28] * **因子具体构建过程**：根据ETF的最高价与最低价近20日回归系数的相对陡峭程度构建。具体公式未给出。[28] 2. **因子名称：行业融资融券资金因子**[44] * **因子构建思路**：衡量行业层面融资客的净买入力度，并经过市值和时序平滑处理。[44] * **因子具体构建过程**： 1. 个股层面：融资净买入 - 融券净卖出。 2. 行业层面：将个股因子值按行业加总。 3. 中性化：对加总后的行业值进行Barra市值因子中性化。 4. 平滑与变化率：取最近50日的均值，然后计算其两周环比变化率。[44] 3. **因子名称：行业主动大单资金因子**[44] * **因子构建思路**：衡量行业层面机构或大资金的净流入情况，并经过成交量时序中性化处理。[44] * **因子具体构建过程**： 1. 计算行业最近一年的成交量时序序列。 2. 对行业的净流入数据进行上述成交量序列的时序中性化处理。 3. 将中性化后的值进行排序（分位）。 4. 平滑：取最近10日的均值。[44] 4. **风格因子组**：报告提及了市值、贝塔、动量、波动率、非线性市值、价值、流动性、盈利收益率、成长、杠杆等风格因子，并进行了跟踪。[62][63][66] 5. **Alpha因子组**：报告列出了大量Alpha因子，并进行了多维度绩效分析。所有因子（除规模因子）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。[64] * **交易量类因子**：如1个月交易量均值(`ln_volume_mean_1m`)、3个月交易量均值(`ln_volume_mean_3m`)等，计算相应时间窗口内成交量的均值或标准差。[65][67] * **盈利质量类因子**：如单季度ROA同比差值(`roa_q_delta_adv`)、单季度ROE同比差值(`roe_q_delta_adv`)等。[68] * **研发类因子**：如研发总资产占比(`tot_rd_ttm_to_assets`)、研发销售收入占比(`tot_rd_ttm_to_sales`)、研发净资产占比(`tot_rd_ttm_to_equity`)等。[67][68] * **动量类因子**：如1年-1个月的收益率(`mom_1y_1m`)、残差动量(`specific_mom12`)等。[68] * **预期调整类因子**：如分析师预测EPS的1个月动量(`mom1_eps_fy1`)、3个月动量(`mom3_eps_fy1`)等。[67][68] * **资金流类因子**：如基金持股变动(`delta_io_to_float_share`)、基金前十大重仓股变动(`delta_top_ten_io`)等。[67] 因子的回测效果 1. **风格因子近期表现**（最近一周）：贝塔因子收益3.33%，成长因子收益1.97%，动量因子收益0.45%，市值因子收益-1.11%，波动率因子收益-1.72%，价值因子收益-1.17%。[62][66] 2. **Alpha因子近期表现**（近一周多头超额）：1个月交易量均值因子1.69%，3个月交易量均值因子1.66%，6个月交易量均值因子1.65%。[65][67] 3. **Alpha因子分指数表现**（最近一年多头超额）： * **沪深300中**：单季度ROA同比差值(考虑快报、预告)因子36.35%，单季度ROA同比差值因子33.10%。[68] * **中证500中**：研发净资产占比因子25.74%。[68] * **中证800中**：研发总资产占比因子35.64%。[68] * **中证1000中**：研发销售收入占比因子29.45%。[68] 4. **多风格增强策略表现**（截至2026年1月16日）： * **长期成长增强策略**：本周超额收益0.63%，最近一年年化收益率40.20%，年化超额收益5.45%，夏普率2.44。[72][73] * **红利增强策略**：最近一年年化收益率23.10%，年化超额收益14.89%，夏普率2.02。[72][73] * **质量增强策略**：最近一年年化收益率21.23%，年化超额收益-4.14%，夏普率1.84。[73] * **价值增强策略**：最近一年年化收益率16.91%，年化超额收益-17.84%，夏普率1.10。[73] * **低波增强策略**：最近一年年化收益率31.10%，年化超额收益-3.65%，夏普率2.52。[73] * **短期动量增强策略**：最近一年年化收益率12.39%，年化超额收益-22.35%，夏普率0.93。[73] * **长期动量增强策略**：最近一年年化收益率14.75%，年化超额收益-19.99%，夏普率1.14。[73]

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** [37] * **模型构建思路**：为主动偏股基金构建完整的行业主题和细分赛道标签，以支持资产配置、主题投资和产品选择的需求，并构建相应的行业主题基金指数作为衡量工具[37]。 * **模型具体构建过程**：通过观察基金在近四期（中报/年报）的持仓信息来判断其长期的行业主题特征[37]。根据特征将基金分为三类： 1. **行业主题基金**：长期聚焦于特定行业主题。 2. **行业轮动基金**：在不同时期呈现不同的行业主题特征。 3. **行业均衡基金**：行业配置较为均衡，无明显单一主题特征[37]。 2. **模型名称：REITs系列指数模型** [49] * **模型构建思路**：构建完整的REITs系列指数，以综合反映REITs市场表现，并提供基于不同底层资产和项目类型的细分指数，为投资者提供指数化资产配置的新视角[49]。 * **模型具体构建过程**： 1. **指数构建**：构建综合指数、底层资产指数（如产权类、特许经营权类）和细分项目指数（如生态环保、交通基础设施等）[49]。 2. **指数类型**：考虑到REITs的高分红特性，同时提供价格指数和全收益指数[49]。 3. **计算方法**： * 采用**分级靠档**的方法确保计算指数的份额保持相对稳定[49]。 * 当样本成分名单或样本成分的调整市值出现非交易因素变动（如新发、扩募）时，采用**除数修正法**保证指数的连续性[49]。 量化因子与构建方式 1. **因子名称：多因子ETF分类因子** [62] * **因子构建思路**：根据ETF所追踪指数的编制逻辑或投资策略中蕴含的量化因子，对ETF进行细分类，以区分不同风格和风险收益特征的被动投资工具[62]。 * **因子具体构建过程**：报告中将国内股票ETF的“多因子”细分类别具体划分为： * **红利因子**：基于股息率等红利相关指标筛选的ETF[62]。 * **现金流因子**：基于自由现金流等质量指标筛选的ETF[62]。 * **价值因子**：基于估值指标（如市净率、市盈率）筛选的ETF[62]。 * **动量因子**：基于价格动量指标筛选的ETF[62]。 * **成长因子**：基于盈利增长等成长性指标筛选的ETF[62]。 * **质量因子**：基于盈利能力、财务稳健性等质量指标筛选的ETF[62]。 * **低波因子**：基于低波动率指标筛选的ETF[62]。 * **基本面因子**：基于综合基本面指标筛选的ETF[62]。 2. **因子名称：ESG基金主题筛选因子** [73] * **因子构建思路**：根据基金投资策略中涵盖的环境(Environmental)、社会(Social)、治理(Governance)因素的范围和侧重点，对ESG基金进行主题分类[73]。 * **因子具体构建过程**：将ESG基金分为两大类，并进一步细分主题： 1. **ESG主题基金**：投资策略综合考量E、S、G三方面因素，通常使用ESG整合、负面筛选、正面筛选等方法。细分主题包括“ESG”、“可持续”、“责任投资”[73]。 2. **泛ESG基金**：投资策略仅覆盖ESG中一到两个方面因素，通常进行主题投资。进一步细分为： * **环境主题**：包括“低碳”、“碳中和”、“绿色”、“环境”、“环保”、“气候”、“生态”、“长江保护”等[73]。 * **社会主题**：包括“社会责任”、“扶贫”、“乡村振兴”、“一带一路”、“丝路”、“区域发展”等[73]。 * **治理主题**：包括“公司治理”、“治理”主题[73]。 模型的回测效果 1. **长期行业主题基金指数（截至2026年1月16日当周表现）** [37] * TMT主题基金，本周净值涨跌幅 3.98%[37] * 周期主题基金，本周净值涨跌幅 2.08%[37] * 行业均衡主题基金，本周净值涨跌幅 1.56%[37] * 行业轮动主题基金，本周净值涨跌幅 1.30%[37] * 新能源主题基金，本周净值涨跌幅 0.81%[37] * 消费主题基金，本周净值涨跌幅 -0.76%[37] * 医药主题基金，本周净值涨跌幅 -1.08%[37] * 金融地产主题基金，本周净值涨跌幅 -1.45%[37] * 国防军工主题基金，本周净值涨跌幅 -2.71%[37] 2. **REITs指数系列（基日以来业绩指标，数据截至2026年1月16日）** [54] * REITs综合指数，累计收益 -4.63%，年化收益 -1.03%，最大回撤 -42.67%，夏普比率 -0.24，年化波动 10.46%[54] * 产权类REITs指数，累计收益 13.96%，年化收益 2.90%，最大回撤 -45.00%，夏普比率 0.11，年化波动 12.71%[54] * 特许经营权类REITs指数，累计收益 -25.51%，年化收益 -6.24%，最大回撤 -41.17%，夏普比率 -0.84，年化波动 9.16%[54] * 消费基础设施REITs指数，累计收益 50.55%，年化收益 9.35%，最大回撤 -9.89%，夏普比率 0.74，年化波动 10.61%[54] * 仓储物流REITs指数，累计收益 -2.62%，年化收益 -0.58%，最大回撤 -50.32%，夏普比率 -0.13，年化波动 15.46%[54] * 能源基础设施REITs指数，累计收益 4.91%，年化收益 1.05%，最大回撤 -18.41%，夏普比率 -0.04，年化波动 10.09%[54] * 保障性租赁住房REITs指数，累计收益 7.44%，年化收益 1.58%，最大回撤 -33.34%，夏普比率 0.01，年化波动 12.41%[54] 因子的回测效果 1. **多因子ETF分类因子（各细分类ETF本周资金流向与回报，数据截至2026年1月16日）** [62] * 红利因子ETF，本周净流入 16.22亿元，本周回报 -1.67%[62] * 现金流因子ETF，本周净流入 1.09亿元，本周回报 0.17%[62] * 价值因子ETF，本周净流入 0.78亿元，本周回报 -0.53%[62] * 动量因子ETF，本周净流入 0.76亿元，本周回报 0.71%[62] * 成长因子ETF，本周净流入 0.43亿元，本周回报 0.88%[62] * 质量因子ETF，本周净流入 -0.01亿元，本周回报 1.11%[62] * 低波因子ETF，本周净流入 -0.06亿元，本周回报 1.09%[62] * 基本面因子ETF，本周净流入 -0.15亿元，本周回报 -0.81%[62] 2. **ESG基金主题筛选因子（各主题ESG基金市场规模，数据截至2026年1月16日）** [74] * ESG主题基金，规模合计 177.13亿元[74] * 环境主题泛ESG基金，规模合计 1245.39亿元[74] * 社会主题泛ESG基金，规模合计 148.39亿元[74] * 治理主题泛ESG基金，规模合计 26.52亿元[74]

量化模型与构建方式 1. **模型名称：ETF资金流模型** [1][11] * **模型构建思路**：通过监测重要宽基ETF的资金流向，推断市场重要资金（如中央汇金）的态度和意图，并据此判断市场风格和板块轮动方向[1][11]。 * **模型具体构建过程**：模型监测一组由重要资金（如中央汇金）持有比例较高的宽基ETF（报告中提及包括沪深300ETF、中证500ETF等共14只）。计算这些ETF在特定时间段（如每日）的资金净流入/流出额。通过分析资金流出的规模与持续性，推断重要资金是在流入支持市场还是在流出控制节奏。同时，对比不同板块或主题ETF的资金流向差异，寻找资金可能集中涌入的方向[1][11]。 * **模型评价**：该模型用于捕捉市场“聪明钱”的动向，对判断大盘指数上行节奏和市场风格切换有一定指示意义[1][11]。 2. **模型名称：价格分段体系** [14][17] * **模型构建思路**：通过技术分析方法，对指数价格走势进行多时间周期（如日线、周线）的分解和识别，以判断当前市场所处的趋势阶段[14][17]。 * **模型具体构建过程**：报告中的图表展示了上证综指的价格分段结果，涉及“日线”、“周线”和“dea”指标。构建过程通常包括：1) 选取标的指数（如上证综指）；2) 计算不同时间周期的移动平均线或趋势线；3) 使用算法（如MACD中的DEA线）对价格序列进行平滑处理，以识别趋势的转折点或分段；4) 将不同周期的分段结果叠加，观察其重合与背离情况。公式可能涉及移动平均计算，例如简单移动平均(SMA)： $$SMA_t = \frac{P_t + P_{t-1} + ... + P_{t-n+1}}{n}$$ 其中，$SMA_t$ 表示在时间 $t$ 的简单移动平均值，$P$ 表示价格，$n$ 为移动平均的周期[14][17]。 3. **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][18] * **模型构建思路**：通过构建“知情交易者活跃度”指标，监测市场中可能具备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][18]。 * **模型具体构建过程**：报告未详细说明该指标的具体计算公式。通常，这类模型会基于高频交易数据（如订单流、买卖不平衡、交易量分布等）来识别知情交易的概率或强度。构建过程可能包括：1) 收集个股或市场层面的逐笔交易数据；2) 计算能够区分知情交易与流动性交易的代理变量（如VPIN、订单失衡等）；3) 进行标准化或平滑处理，得到时间序列指标；4) 设定阈值或观察其与市场指数的同步/背离关系进行判断[15][18]。 * **模型评价**：该指标旨在捕捉市场内部结构的微妙变化，当指标与市场走势出现背离时，可能预示着趋势的转折[15]。 量化因子与构建方式 1. **因子名称：分析师行业景气预期因子** [19][20] * **因子构建思路**：利用卖方分析师对公司未来盈利的一致预测数据，构建行业层面的景气度变化指标，以捕捉基本面预期的边际变化[19][20]。 * **因子具体构建过程**：针对申万一级行业，进行以下计算： 1) **ROE预期变化因子**：计算行业内成分股分析师一致预测的滚动未来12个月ROE（ROEFTTM），然后计算该指标本周值与上周值的环比变化率[19][20]。 2) **净利润增速预期变化因子**：计算行业内成分股分析师一致预测的滚动未来12个月净利润增速（FTTM），然后计算该指标本周值与上周值的环比变化率[19][20]。 公式可概括为： $$\text{行业预期变化率} = \frac{\text{本周行业一致预期值中位数} - \text{上周行业一致预期值中位数}}{|\text{上周行业一致预期值中位数}|}$$ 通过排序这些变化率，可以识别出分析师预期边际改善最显著的行业[19][20]。 2. **因子名称：行业融资融券净流入因子** [21][23] * **因子构建思路**：通过监测各行业融资融券资金的净流入情况，反映杠杆资金对行业板块的偏好和热度[21][23]。 * **因子具体构建过程**：对于每个申万一级行业，计算指定周期（本周）内： $$\text{行业融资融券净买入额} = \sum_{i \in \text{行业}} (\text{融资净买入额}_i - \text{融券净卖出额}_i)$$ 其中，$i$ 代表属于该行业的个股。计算结果是行业层面的资金净流入绝对金额，正值表示融资资金净流入（看多），负值表示净流出（看空）[21][23]。 3. **因子名称：BARRA风格因子** [24][25] * **因子构建思路**：采用经典的BARRA多因子模型框架，从一系列描述股票特征的基本面、市场面和风险面指标中，提取出具有持续解释能力的共同风格因子，用以描述和监测市场风格偏好[24][25]。 * **因子具体构建过程**：报告提及了多类BARRA风格因子，其构建是系统性的工程，通常包括： * **基本面类因子**：如价值（Value）、成长（Growth）。价值因子可能基于BP、EP等指标；成长因子可能基于净利润增长率、营收增长率等。 * **盈利类因子**：如盈利能力（Profitability），可能基于ROE、ROA等指标。 * **交易类因子**：如流动性（Liquidity，常用换手率度量）、动量（Momentum，过去一段时间收益率）、波动率（Beta，衡量系统风险）。 * **市值类因子**：包括市值（Size，总市值的对数）和非线性市值（Non-linear Size）。 具体构建时，会对个股的原始特征进行标准化、去极值、行业中性化等处理，然后通过截面回归或因子模拟组合的方式提取纯因子收益序列[24][25]。 * **因子评价**：BARRA风格因子体系是量化投资中用于风险管理和收益归因的核心工具，能有效刻画市场在不同时期对各类股票特征的偏好变化[24]。 模型的回测效果 （报告中未提供具体模型的量化回测指标，如年化收益率、夏普比率、最大回撤等数值结果。） 因子的回测效果 （报告中未提供具体因子的IC值、IR、多空收益等量化测试结果。仅对因子近期表现进行了定性描述[24]。）

量化模型与构建方式 1. **模型名称：均线强弱指数模型**[14] * **模型构建思路**：通过计算市场各行业指数相对于其关键移动平均线的位置，来综合判断市场整体的技术强弱状态[14]。 * **模型具体构建过程**： 1. 选取Wind二级行业指数作为计算基础[14]。 2. 对于每个行业指数，计算其收盘价与某一长期移动平均线（如250日均线）的相对位置[14]。 3. 根据每个行业指数相对于其均线的位置（例如，在均线之上或之下，以及偏离程度）进行打分[14]。 4. 将所有行业指数的得分加总，得到市场的均线强弱指数总分[14]。 5. 将当前总分与历史分位数进行比较，以判断当前市场在历史中的强弱位置[14]。 2. **模型名称：情绪择时模型**[14] * **模型构建思路**：基于涨跌停板相关数据构建因子，用以刻画市场的情绪强弱，并综合多个因子信号生成择时观点[14]。 * **模型具体构建过程**： 1. 根据专题报告，构建了多个涨跌停板相关情绪因子，包括：净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益[14][19]。 2. 每个因子独立生成信号（例如，看多为1，看空为0）[19]。 3. 通过加权或其他方式综合各因子信号，得到最终的情绪模型得分（满分5分）和趋势方向信号[14]。 3. **模型名称：高频资金流择时模型**[14] * **模型构建思路**：通过分析主要宽基指数的高频资金流数据（如主力资金流向）的走势，对指数发出买入或卖出信号[14]。 * **模型具体构建过程**： 1. 获取沪深300、中证500、中证1000等宽基指数的高频资金流数据[14]。 2. 根据资金流的趋势、强度等特征，设定信号生成规则[14]。 3. 模型输出多种策略信号，包括“激进多头”、“激进多空”、“稳健多头”、“稳健多空”[19]。 4. 信号为“1”代表看多，“-1”代表看空（根据上下文推断）[19]。 4. **模型名称：因子拥挤度模型**[20] * **模型构建思路**：使用多个指标综合度量因子的拥挤程度，以预警因子可能因资金过度追逐而失效的风险[20]。 * **模型具体构建过程**： 1. 选取四个分项指标来度量拥挤度：估值价差、配对相关性、长期收益反转、因子波动率[20]。 2. 分别计算目标因子（如小市值因子）在这四个指标上的得分[21]。 3. 将四个分项指标得分合成一个综合拥挤度分数[21]。合成方法在对应专题报告中详细说明[20]。 5. **模型名称：行业拥挤度模型**[27] * **模型构建思路**：构建综合指标来度量各行业的交易拥挤程度，以识别过热或过冷的行业板块[27]。 * **模型具体构建过程**：根据专题报告，构建了行业拥挤度指标，具体计算方法未在本文中详述，但展示了截至某一时点的计算结果和排名[27]。 模型的回测效果 1. **均线强弱指数模型**，当前市场得分为213，处于2023年以来的76.93%分位点[14] 2. **情绪择时模型**，情绪模型得分为2分（满分5分），趋势模型信号为正向，加权模型信号为负向[14] 3. **高频资金流择时模型**，沪深300指数信号：看多[14]；中证500指数信号：看多[14]；中证1000指数信号：看多[14] 4. **因子拥挤度模型**，小市值因子拥挤度0.20[21]；低估值因子拥挤度-0.75[21]；高盈利因子拥挤度0.35[21]；高盈利增长因子拥挤度0.55[21] 5. **行业拥挤度模型**，通信行业拥挤度1.96[30]；有色金属行业拥挤度1.95[30]；综合行业拥挤度1.82[30]；电子行业拥挤度1.40[30]；国防军工行业拥挤度1.08[30] 量化因子与构建方式 1. **因子名称：流动性冲击指标**[4] * **因子构建思路**：通过计算当前市场流动性相对于其历史平均水平的偏离程度，来度量市场的流动性冲击[4]。 * **因子具体构建过程**：以沪深300指数为标的，计算其流动性指标的Z值。具体公式为： $$流动性冲击指标 = \frac{当前流动性 - 过去一年流动性均值}{过去一年流动性标准差}$$ 报告中指出，周五该指标值为3.32，意味着当前市场流动性高于过去一年平均水平3.32倍标准差[4]。 2. **因子名称：PUT-CALL比率**[4] * **因子构建思路**：使用上证50ETF期权看跌期权与看涨期权的成交量比率，来观察市场对标的资产短期走势的谨慎或乐观情绪[4]。 * **因子具体构建过程**：计算上证50ETF期权当日看跌期权总成交量与看涨期权总成交量的比值[4]。 3. **因子名称：五日平均换手率**[4] * **因子构建思路**：通过计算市场近期平均换手率，并将其与历史分位数比较，来衡量市场的交易活跃度[4]。 * **因子具体构建过程**：计算上证综指或Wind全A指数最近五个交易日的日均换手率[4]。 4. **因子名称：净涨停占比**[14][19] * **因子构建思路**：通过涨停与跌停公司数量的净差额占比来反映市场多头力量的强度[14]。 * **因子具体构建过程**：计算（涨停公司家数 - 跌停公司家数） / 总交易公司家数（或类似基准）[14]。 5. **因子名称：跌停次日收益**[14][19] * **因子构建思路**：通过观察跌停股票在次日的平均表现，来探测市场是否存在“错杀”或恐慌性抛售后的修复动力[14]。 * **因子具体构建过程**：计算当日跌停股票在下一个交易日的平均收益率[14]。 6. **因子名称：涨停板占比**[14][19] * **因子构建思路**：通过涨停公司数量占比来直接衡量市场的赚钱效应和做多热情[14]。 * **因子具体构建过程**：计算涨停公司家数 / 总交易公司家数[14]。 7. **因子名称：跌停板占比**[14][19] * **因子构建思路**：通过跌停公司数量占比来直接衡量市场的亏钱效应和悲观情绪[14]。 * **因子具体构建过程**：计算跌停公司家数 / 总交易公司家数[14]。 8. **因子名称：高频打板收益**[14][19] * **因子构建思路**：通过模拟在涨停价买入股票并在次日卖出的策略收益，来检验涨停板策略的短期有效性，从而反映市场情绪[14]。 * **因子具体构建过程**：计算在涨停价买入当日涨停股票，并于下一交易日以开盘价或收盘价卖出的平均收益率[14]。 9. **复合因子名称：小市值因子**[20] * **因子构建思路**：识别并投资于市值较小的公司，这些公司可能具有更高的成长潜力和弹性[20]。 * **因子具体构建过程**：通常使用总市值或流通市值作为排序标准，构建做多小市值、做空大市值的组合。其拥挤度通过估值价差、配对相关性等四个子指标综合计算[20][21]。 10. **复合因子名称：低估值因子**[20] * **因子构建思路**：识别并投资于估值水平（如市盈率PE、市净率PB）较低的股票，寻求价值回归的收益[20]。 * **因子具体构建过程**：通常使用PE或PB等估值指标作为排序标准，构建做多低估值、做空高估值的组合。其拥挤度通过估值价差、配对相关性等四个子指标综合计算[20][21]。 11. **复合因子名称：高盈利因子**[20] * **因子构建思路**：识别并投资于盈利能力（如净资产收益率ROE）较强的公司[20]。 * **因子具体构建过程**：通常使用ROE等盈利指标作为排序标准，构建做多高盈利、做空低盈利的组合。其拥挤度通过估值价差、配对相关性等四个子指标综合计算[20][21]。 12. **复合因子名称：高盈利增长因子**[20] * **因子构建思路**：识别并投资于盈利增长能力较强的公司[20]。 * **因子具体构建过程**：通常使用净利润增长率等指标作为排序标准，构建做多高增长、做空低增长的组合。其拥挤度通过估值价差、配对相关性等四个子指标综合计算[20][21]。 因子的回测效果 1. **流动性冲击指标**，基于沪深300指数，周五值为3.32[4] 2. **PUT-CALL比率**，周五值为0.80[4] 3. **五日平均换手率**，上证综指值为1.71%，处于2005年以来84.10%分位点[4]；Wind全A值为2.71%，处于2005年以来92.01%分位点[4] 4. **净涨停占比**，当前信号为1（看多）[19] 5. **跌停次日收益**，当前信号为0[19] 6. **涨停板占比**，当前信号为1（看多）[19] 7. **跌停板占比**，当前信号为0[19] 8. **高频打板收益**，当前信号为0[19] 9. **小市值因子**，估值价差得分0.43，配对相关性得分0.22，市场波动得分-0.28，收益反转得分0.41，综合拥挤度0.20[21] 10. **低估值因子**，估值价差得分-1.22，配对相关性得分-0.05，市场波动得分0.26，收益反转得分-2.01，综合拥挤度-0.75[21] 11. **高盈利因子**，估值价差得分-0.55，配对相关性得分0.31，市场波动得分-0.01，收益反转得分1.65，综合拥挤度0.35[21] 12. **高盈利增长因子**，估值价差得分1.09，配对相关性得分0.46，市场波动得分-0.29，收益反转得分0.95，综合拥挤度0.55[21]

量化模型与构建方式 本报告未涉及具体的量化选股模型或多因子模型，主要对特定主题指数及其跟踪ETF产品进行分析。 量化因子与构建方式 本报告未涉及具体的量化因子构建与分析。 指数与ETF的回测效果 1. **中证卫星产业指数 (931594.CSI)** * 2020年收益率：15.08%[51] * 2021年收益率：7.91%[51] * 2022年收益率：-21.53%[51] * 2023年收益率：15.16%[51] * 2024年收益率：-5.91%[51] * 2025年收益率：79.04%[51] * 截至2026年1月15日收益率：28.86%[51] * 过去5年收益：91.42%[51] * 过去1年收益：121.14%[51] * 过去6个月收益：107.84%[51] * 过去3个月收益：69.12%[51] * 过去1个月收益：52.82%[51] * 过去5年年化波动率：32.13%[51] * 过去5年最大回撤：-42.39%[51] 2. **国证商用卫星通信产业指数 (980018.CNI)** * 2020年收益率：-2.09%[51] * 2021年收益率：2.58%[51] * 2022年收益率：-33.46%[51] * 2023年收益率：6.80%[51] * 2024年收益率：13.23%[51] * 2025年收益率：75.84%[51] * 截至2026年1月15日收益率：26.87%[51] * 过去5年收益：63.44%[51] * 过去1年收益：114.63%[51] * 过去6个月收益：108.47%[51] * 过去3个月收益：72.24%[51] * 过去1个月收益：47.65%[51] * 过去5年年化波动率：31.54%[51] * 过去5年最大回撤：-51.32%[51] 3. **沪深300指数 (000300.SH)** * 2020年收益率：27.21%[51] * 2021年收益率：-5.20%[51] * 2022年收益率：-21.63%[51] * 2023年收益率：-11.38%[51] * 2024年收益率：14.68%[51] * 2025年收益率：17.66%[51] * 截至2026年1月15日收益率：2.42%[51] * 过去5年收益：-13.14%[51] * 过去1年收益：24.37%[51] * 过去6个月收益：22.96%[51] * 过去3个月收益：5.07%[51] * 过去1个月收益：3.72%[51] * 过去5年年化波动率：17.92%[51] * 过去5年最大回撤：-45.60%[51]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：行业均线趋势模型**[2][24] * **模型构建思路**：通过分析行业价格的多条移动平均线，从排列形态、间距扩散和时序变化三个维度综合评估行业的趋势强度，得分越高代表趋势越明确[2][24]。 * **模型具体构建过程**： 1. 使用4条不同周期的移动平均线（MA）进行评估[2][24]。 2. 计算三个子指标： * **均线排列形态**：判断短期均线是否在长期均线上方。若是，记为多头排列，得1分；反之，为空头排列，得-1分[2][24]。 * **均线扩散间距**：计算所有相邻周期两条均线之间的价格差异幅度，然后对所有差异幅度取平均值[2][24]。 * **均线时序变化**：对于每一条均线，比较其当前价格与前一日的价格。若上涨，记1分；若下跌，记-1分[2][24]。 3. 将上述三个指标合成一个综合得分，并取绝对值，得到最终的“均线得分”[2][24]。 4. 根据均线得分对所有行业进行从高到低排名，排名靠前的行业被认为是上涨或下跌趋势明显的行业[24]。 2. **模型名称：行业资金流模型**[3][26] * **模型构建思路**：通过计算行业近期资金流入率相对于其历史水平的变化幅度，来衡量资金流向的变动情况，变化幅度越大，代表资金流入的改善越显著[3][26]。 * **模型具体构建过程**： 1. 计算每个行业的“资金流入率”，其公式为： $$资金流入率 = \frac{资金主动净流入金额}{成交金额}$$[26] 2. 计算该行业最近期的资金流入率相对于其历史资金流入率（如过去一段时间均值）的变化幅度[3][26]。 3. 根据资金流入率的变化幅度对所有行业进行从高到低排名，排名靠前的行业被认为是资金流入提升最多的行业[26]。 3. **模型名称：行业追涨机会复合模型**[1][4][9][27] * **模型构建思路**：将“行业均线趋势模型”和“行业资金流模型”的结果相结合，筛选出同时具备明确趋势和资金流入支持的行业，作为潜在的追涨机会[1][4][27]。 * **模型具体构建过程**： 1. 分别运行“行业均线趋势模型”和“行业资金流模型”，得到每个行业的均线得分排名和资金流得分排名[9]。 2. 将两个维度的排名进行综合（例如等权相加或排序打分），得到一个综合排名[4][27]。 3. 选择综合排名靠前的行业，这些行业被认为同时具备“趋势明确”和“资金流入排名靠前”的特点[4][27]。 模型的回测效果 *本报告未提供具体的模型回测指标（如年化收益率、夏普比率、最大回撤等）数值。报告仅展示了基于截至2026年1月16日数据的模型应用结果，给出了当前观点下的行业排名和推荐列表[1][9][10]。* 量化因子与构建方式 1. **因子名称：均线排列形态因子**[2][24] * **因子构建思路**：通过判断短期均线与长期均线的相对位置关系，来捕捉价格趋势的方向性信号[2][24]。 * **因子具体构建过程**：对于一个给定的标的（如行业指数），计算其短期移动平均线（如MA5）和长期移动平均线（如MA20）。若短期均线 > 长期均线，则因子取值为1（多头排列）；若短期均线 < 长期均线，则因子取值为-1（空头排列）[2][24]。 2. **因子名称：均线扩散间距因子**[2][24] * **因子构建思路**：通过计算不同周期均线之间的平均距离，来度量趋势的强度或动能，间距越大通常代表趋势动能越强[2][24]。 * **因子具体构建过程**：对于一个使用N条均线的系统，计算每两条相邻周期均线（如MA5与MA10， MA10与MA20等）之间的价格差异幅度（通常为差值或比率）。然后对所有相邻均线对的差异幅度取平均值，作为该因子的取值[2][24]。 3. **因子名称：均线时序变化因子**[2][24] * **因子构建思路**：通过观察各条均线自身的日度变化方向，来捕捉趋势的近期动量或持续性[2][24]。 * **因子具体构建过程**：对于每一条使用的移动平均线，比较其在当前交易日（t日）的数值与前一交易日（t-1日）的数值。若MA_t > MA_{t-1}，则对该条均线记1分；若MA_t < MA_{t-1}，则记-1分。将所有均线的得分求和或取平均，作为该因子的最终取值[2][24]。 4. **因子名称：资金流入率变化因子**[3][26] * **因子构建思路**：衡量近期资金主动流入的强度相对于其历史常态的变化，以识别资金面突然改善或恶化的标的[3][26]。 * **因子具体构建过程**： 1. 首先计算每日的资金流入率： $$资金流入率_{t} = \frac{资金主动净流入金额_{t}}{成交金额_{t}}$$[26] 2. 计算近期（如最近M日）的资金流入率均值（或中位数）作为近期水平。 3. 计算历史（如过去N日， N>M）的资金流入率均值（或中位数）作为历史基准水平。 4. 因子取值为近期水平相对于历史基准水平的变化幅度（如差值、比率或标准化后的Z-Score）[3][26]。 因子的回测效果 *本报告未提供上述单个因子的历史回测效果指标（如IC、IR、多空收益等）的具体数值。报告的重点在于展示如何将这些因子组合成模型并应用于当前的市场观点生成[1][9][10]。*