量化模型与构建方式 1. **模型名称：MiroFish 群体智能预测引擎**[1][7] * **模型构建思路**：构建一个高保真平行数字世界，通过多智能体（Agent）在虚拟环境中的社会交互与演化，涌现出群体行为模式，从而对宏观与行业趋势进行推演和预测[4][7]。 * **模型具体构建过程**： 1. **输入与图谱构建**：用户上传“种子材料”（如新闻、政策、报告等）和模拟提示词[15]。系统利用LLM分析文档，自动提取实体类型（Entity Types）与关系类型（Edge Types），构建知识图谱，并为每个实体节点注入个体记忆与群体记忆，形成可演化的数字社会基础架构[16]。 2. **智能体生成**：将知识图谱中的Person节点转化为具备完整人格的Agent，Organization节点转化为拟人化实体[17]。每个Agent的配置包括：年龄、性别、MBTI、职业、国籍、活动频率、情感倾向、立场、影响力权重，以及基于“种子材料”生成的认知背景[17]。系统还会配置Agent自动生成OASIS仿真规则（如互动频率、话题敏感度等）[17]。 3. **双轨仿真推演**：系统启动模拟的X（原Twitter）与Reddit两个社交平台进行并行仿真[20]。Agent在这些平台上进行互动（如发表观点、回复、点赞等）[35][36]。通过`zep_graph_memory_updater.py`脚本，Agent的行为被实时转化为自然语言描述并回写至Zep Cloud的时序知识图谱中，实现关系动态更新（如信任度衰减、立场转变）[20]。 4. **报告生成**：采用ReACT（Reasoning & Acting）范式，主动调用工具集生成结构化报告[20]。工具集包括： * `insight_forge`：深度洞察提取[22] * `panorama_search`：跨平台全景检索[22] * `interview_agents`：智能体访谈（查询决策动机）[22] 报告整合双平台数据，识别舆论极化、级联传播等复杂网络特征，最终输出包含事件脉络、关键节点、风险预警、策略建议的结构化Markdown报告[20]。 * **模型评价**：该模型在知识图谱构建、Agent人格设计、端到端流程自动化及多元视角模拟方面表现突出[4][58]。其核心价值在于提供强叙事性与逻辑闭环的分析框架，适合用于政策影响推演、技术路线排查及假设情景测试等需要反复推敲的宏观研究领域[4][69]。但由于其封闭模拟环境极度依赖“种子文件”的准确性与完整性，容易放大假设偏误，且受限于Token成本难以实现大规模深度交互，因此更适合作为逻辑推演与查漏补缺的“沙盒”工具，而非高精度预测终端[4][42][69]。 2. **模型名称：基于MiroFish的基模型对比测评框架**[65][67] * **模型构建思路**：在MiroFish系统架构之上，更换不同的底层大语言模型（LLM）作为基模型，以测评不同基模型在金融任务推演中的效果差异[65]。 * **模型具体构建过程**： 1. 保持MiroFish的工作流程、种子材料和模拟提示词不变[65]。 2. 分别使用**Qwen 3.5-plus**和**Claude Opus 4.6**作为基模型，运行相同的四个金融任务场景（产业政策、资产预测、地缘推演、科技路径）[65]。 3. 记录并对比不同基模型下的各项基本指标（如总耗时、总动作数、报告长度、图谱节点与边数）[65][67]。 4. 使用独立的Claude Code对生成报告的质量进行多维度评估和打分[65][68]。 * **模型评价**：该测评框架揭示了不同基模型的特质：Claude Opus 4.6在因果推演、结构化分析、信息诚实度和语言一致性方面表现更优；而Qwen 3.5-plus在数据密度、结论具象化和投资可操作性方面更具优势[4][67][68]。这为根据具体任务需求（如重逻辑推演还是重落地执行）选择合适的基模型提供了依据。 模型的回测效果 1. **MiroFish 群体智能预测引擎** * **黄金走势预测案例核心结论**：模型预测2026年黄金价格将在一季度飙升后，以宽幅震荡代替深幅回调，在新的信用定价体系中寻找更高的历史中枢[36]。 * **与联网LLM对比评价（ChatGPT评分）**：在宏观深度（9.5分）、逻辑完整性（9分）上得分较高；在数据量化（6分）、可交易性（5分）、情景分析（6分）、风险控制（6分）、假设稳健性（5分）上得分较低；总分6.6/10[56]。 * **基础能力测评结果**：知识图谱构建能力较强，尤其擅长处理非结构化信息；Agent画像生成在角色多样性、人设深度、关系网络方面优秀，但在MBTI多样性上一般，年龄/性别多样性不足；预测一致性良好；输入敏感性合理；Agent采访与深度对话质量出色[58]。 * **金融任务测评结果**： * **产业政策场景**：耗时1926秒，生成14个Agent，92个交互行为，报告7240字符[60][61]。 * **资产预测场景**：耗时1586秒，生成Agent数量未明确，84个交互行为，报告7315字符[60][62]。 * **地缘推演场景**：耗时1825秒，生成Agent数量未明确，124个交互行为，报告8688字符[60][63]。 * **科技路径场景**：耗时3245秒，生成Agent数量未明确，164个交互行为，报告7549字符[60][64]。 2. **基于MiroFish的基模型对比测评框架** * **基本指标对比结果（Claude Opus 4.6 vs Qwen 3.5-plus）**： * **总耗时**：在所有四个场景中，Claude均显著快于Qwen[65][67]。 * **总动作数**：在产业政策、资产预测、地缘推演场景中Claude略多；在科技路径场景中Qwen更多[67]。 * **报告长度**：结果不一，在资产预测场景中Claude报告更长，在其他三个场景中Qwen报告更长[67]。 * **图谱规模**：Qwen倾向于构建更大、更密的知识图谱（节点和边数更多），而Claude的图谱更精简[65][67]。 * **报告质量指标对比结果（平均分，Qwen/Claude）**： * 推演深度：3.88 / 4.38[68] * 逻辑合理性：3.63 / 4.38[68] * 逻辑完整性：3.38 / 4.50[68] * 逻辑细节度：4.50 / 4.00[68] * 结论明确度：4.25 / 3.88[68] * 观点多元性：3.88 / 4.25[68] * 创新性/独特洞察：3.75 / 4.38[68] * 可操作性：4.25 / 3.50[68] * 证据引用质量：3.13 / 4.50[68] * 风险分析深度：3.50 / 4.50[68] * 语言表达质量：3.25 / 4.50[68] * 信息边界意识：2.50 / 4.50[68]

量化模型与构建方式 1. **模型名称**：大额买入与资金流向跟踪模型[7] **模型构建思路**：使用交易明细数据构建指标，以跟踪市场中的大额买入行为和主动资金流向[1][7]。 **模型具体构建过程**：该模型包含两个核心跟踪指标。 * **大买单成交金额占比**：首先，根据逐笔成交数据中的叫买和叫卖序号，将数据还原为买卖单数据[7]。然后，按照每单的成交量筛选得到大单[7]。最后，计算大买单的成交金额占当日总成交金额的比例[7]。 * **净主动买入金额占比**：首先，根据逐笔成交数据中的买卖标志，界定每笔成交属于主动买入还是主动卖出[7]。然后，将主动买入成交金额与主动卖出成交金额相减，得到净主动买入金额[7]。最后，计算净主动买入金额占当日总成交金额的比例[7]。 量化因子与构建方式 1. **因子名称**：大买单成交金额占比[7] **因子构建思路**：通过逐笔成交数据还原买卖单并筛选大单，计算大买单金额占总成交额的比例，以刻画大资金的买入行为[7]。 **因子具体构建过程**： 1. 数据准备：获取股票的逐笔成交数据，数据中需包含叫买序号和叫卖序号[7]。 2. 还原买卖单：利用叫买和叫卖序号，将逐笔成交数据还原为原始的买卖单数据[7]。 3. 筛选大单：对还原后的买卖单，按照每单的成交量设定阈值，筛选出符合条件的大单[7]。 4. 计算因子值：对于每个交易日，计算所有大买单的成交金额总和，再除以该股票当日的总成交金额。公式为： $$大买单成交金额占比_t = \frac{\sum 大买单成交金额_t}{当日总成交金额_t}$$ 其中，t代表交易日。 **因子评价**：该因子直接反映了大额资金的买入强度，是监测主力资金动向的高频指标。 2. **因子名称**：净主动买入金额占比[7] **因子构建思路**：根据逐笔成交的买卖标志区分主动买入和主动卖出，计算其净额占总成交额的比例，以刻画投资者的主动买入意愿[7]。 **因子具体构建过程**： 1. 数据准备：获取股票的逐笔成交数据，数据中需包含买卖标志（如B表示主动买入，S表示主动卖出）[7]。 2. 分类汇总：根据买卖标志，将每笔成交金额归类为主动买入成交金额或主动卖出成交金额[7]。 3. 计算净额：将当日所有主动买入成交金额求和，减去所有主动卖出成交金额求和，得到净主动买入金额[7]。 4. 计算因子值：将净主动买入金额除以该股票当日的总成交金额。公式为： $$净主动买入金额占比_t = \frac{\sum 主动买入成交金额_t - \sum 主动卖出成交金额_t}{当日总成交金额_t}$$ 其中，t代表交易日。 **因子评价**：该因子反映了市场交易中主动买入力量的净强度，是衡量资金流向和投资者情绪的重要指标。 模型的回测效果 （注：本报告为跟踪周报，展示的是特定时间窗口的指标截面排名和数值，而非长期历史回测结果。因此，此处展示模型跟踪指标在报告期内的具体取值。） 1. **大额买入与资金流向跟踪模型**，在报告期内（20260316-20260320）跟踪了**个股**的大买单成交金额占比，排名前5的个股及其5日平均指标值为：韶能股份 (86.7%)[9]、鞍钢股份 (85.7%)[9]、中利集团 (85.5%)[9]、华电辽能 (85.5%)[9]、文投控股 (85.3%)[9]。 2. **大额买入与资金流向跟踪模型**，在报告期内（20260316-20260320）跟踪了**个股**的净主动买入金额占比，排名前5的个股及其5日平均指标值为：云南白药 (15.5%)[10]、苏泊尔 (14.9%)[10]、泽璟制药-U (14.5%)[10]、工商银行 (13.9%)[10]、富临精工 (13.6%)[10]。 3. **大额买入与资金流向跟踪模型**，在报告期内（20260316-20260320）跟踪了**宽基指数**的指标，其5日平均大买单成交金额占比和净主动买入金额占比分别为：上证指数 (72.3%, -4.6%)[12]、上证50 (71.3%, -4.3%)[12]、沪深300 (73.4%, -2.3%)[12]、中证500 (71.3%, -3.9%)[12]、创业板指 (72.4%, 0.7%)[12]。 4. **大额买入与资金流向跟踪模型**，在报告期内（20260316-20260320）跟踪了**中信一级行业**的指标，大买单成交金额占比排名前5的行业及其5日平均值为：银行 (80.0%)[13]、钢铁 (78.3%)[13]、交通运输 (78.3%)[13]、电力及公用事业 (77.5%)[13]、煤炭 (77.5%)[13]；净主动买入金额占比排名前5的行业及其5日平均值为：通信 (1.2%)[13]、煤炭 (0.5%)[13]、电力设备及新能源 (-0.1%)[13]、电力及公用事业 (-1.0%)[13]、银行 (-2.2%)[13]。 5. **大额买入与资金流向跟踪模型**，在报告期内（20260316-20260320）跟踪了**ETF**的大买单成交金额占比，排名前5的ETF及其5日平均指标值为：华泰柏瑞中证A500ETF (93.6%)[15]、汇添富MSCI中国A50互联互通ETF (93.5%)[15]、国泰中证A500ETF (93.4%)[15]、海富通上证城投债ETF (92.0%)[15]、华夏中证A500ETF (91.5%)[15]。 6. **大额买入与资金流向跟踪模型**，在报告期内（20260316-20260320）跟踪了**ETF**的净主动买入金额占比，排名前5的ETF及其5日平均指标值为：天弘中证工业有色金属主题ETF (18.3%)[16]、嘉实国证绿色电力ETF (14.0%)[16]、华夏中证细分有色金属产业ETF (13.9%)[16]、景顺长城中证红利低波动100ETF (13.2%)[16]、华夏中证半导体材料设备主题ETF (12.2%)[16]。 因子的回测效果 （注：本报告为跟踪周报，未提供因子在长期回测中的IC、IR、多空收益等传统因子测试指标。此处列出报告期内部分股票和ETF的因子具体数值作为示例。） 1. **大买单成交金额占比因子**，在报告期内（20260316-20260320），部分股票的5日平均因子值为：韶能股份 86.7%[9]，鞍钢股份 85.7%[9]，中利集团 85.5%[9]。 2. **净主动买入金额占比因子**，在报告期内（20260316-20260320），部分股票的5日平均因子值为：云南白药 15.5%[10]，苏泊尔 14.9%[10]，泽璟制药-U 14.5%[10]。

量化模型与构建方式 1. **模型名称**：风格Smart Beta组合（价值50、成长50、小盘50）[6] **模型构建思路**：根据历史相关性低的价值、成长、小盘风格，基于高beta弹性的投资目标，在各风格内选股构建组合[6]。 **模型具体构建过程**：报告未提供具体构建过程，仅说明其构建基于2024年10月5日发布的专题报告《基于投资目标的基础Smart beta组合构建与配置》[6]。 2. **模型名称**：风格Smart Beta均衡组合（价值均衡50、成长均衡50、小盘均衡50）[6] **模型构建思路**：根据历史相关性低的价值、成长、小盘风格，基于长期稳健超额收益的投资目标，在各风格内选股构建组合[6]。 **模型具体构建过程**：报告未提供具体构建过程，仅说明其构建基于2024年10月5日发布的专题报告《基于投资目标的基础Smart beta组合构建与配置》[6]。 3. **模型名称**：生命周期优选组合（成长优选、成熟稳健、初创优选、困境反转）[6] **模型构建思路**：以现金流为基础，将A股上市公司所处生命周期阶段系统性地划分为初创、成长、成熟、整合四个阶段，并基于不同的投资逻辑，构建相应阶段的优选组合[6]。 **模型具体构建过程**：报告未提供具体构建过程，仅说明其构建基于2025年6月6日发布的专题报告《解码企业生命周期：股票投资的新范式探索》[6]。 模型的回测效果 1. **价值50模型**，周绝对收益率-2.28%[4][8]，周超额收益率（相对国证价值）1.44%[4][8]，月绝对收益率-1.67%[8]，月超额收益率（相对国证价值）1.37%[8]，年绝对收益率-0.13%[4][8]，年超额收益率（相对国证价值）-0.62%[8]，最大相对回撤3.17%[8] 2. **价值均衡50模型**，周绝对收益率-5.23%[4][8]，周超额收益率（相对国证价值）-1.51%[8]，月绝对收益率-7.24%[8]，月超额收益率（相对国证价值）-4.19%[8]，年绝对收益率2.95%[4][8]，年超额收益率（相对国证价值）2.46%[8]，最大相对回撤4.33%[8] 3. **成长50模型**，周绝对收益率-2.86%[4][8]，周超额收益率（相对国证成长）-0.08%[8]，月绝对收益率-4.75%[8]，月超额收益率（相对国证成长）-0.26%[8]，年绝对收益率-0.51%[4][8]，年超额收益率（相对国证成长）-2.51%[8]，最大相对回撤2.84%[8] 4. **成长均衡50模型**，周绝对收益率-5.11%[4][8]，周超额收益率（相对国证成长）-2.33%[8]，月绝对收益率-8.00%[8]，月超额收益率（相对国证成长）-3.52%[8]，年绝对收益率5.32%[4][8]，年超额收益率（相对国证成长）3.32%[8]，最大相对回撤5.30%[8] 5. **小盘50模型**，周绝对收益率-4.63%[4][8]，周超额收益率（相对国证2000）0.82%[8]，月绝对收益率-9.74%[8]，月超额收益率（相对国证2000）0.07%[8]，年绝对收益率3.92%[4][8]，年超额收益率（相对国证2000）1.50%[8]，最大相对回撤5.52%[8] 6. **小盘均衡50模型**，周绝对收益率-6.18%[4][8]，周超额收益率（相对国证2000）-0.73%[8]，月绝对收益率-13.11%[8]，月超额收益率（相对国证2000）-3.29%[8]，年绝对收益率-1.91%[4][8]，年超额收益率（相对国证2000）-4.33%[8]，最大相对回撤8.33%[8] 7. **成长优选模型**，周绝对收益率-3.10%[4][8]，周超额收益率（相对偏股混基金指数）0.37%[8]，月绝对收益率-7.64%[8]，月超额收益率（相对偏股混基金指数）-0.69%[8]，年绝对收益率7.05%[4][8]，年超额收益率（相对偏股混基金指数）6.15%[8]，最大相对回撤4.03%[8] 8. **成熟稳健模型**，周绝对收益率-5.18%[4][8]，周超额收益率（相对中证800）-1.94%[8]，月绝对收益率-8.93%[8]，月超额收益率（相对中证800）-3.70%[8]，年绝对收益率0.94%[4][8]，年超额收益率（相对中证800）0.86%[8]，最大相对回撤4.87%[8] 9. **初创优选模型**，周绝对收益率-2.82%[4][8]，周超额收益率（相对中证全指）1.28%[4][8]，月绝对收益率-10.99%[8]，月超额收益率（相对中证全指）-4.23%[8]，年绝对收益率-0.68%[4][8]，年超额收益率（相对中证全指）-1.47%[8]，最大相对回撤11.22%[8] 10. **困境反转模型**，周绝对收益率-5.10%[4][8]，周超额收益率（相对中证全指）-1.01%[8]，月绝对收益率-7.50%[8]，月超额收益率（相对中证全指）-0.74%[8]，年绝对收益率1.68%[4][8]，年超额收益率（相对中证全指）0.89%[8]，最大相对回撤2.11%[8]

量化模型与构建方式 1. **模型名称：卷积神经网络趋势观察模型**[76] * **模型构建思路**：利用卷积神经网络（CNN）对个股历史价量数据形成的标准化图表进行深度学习，识别图表中的特征模式，并将这些学习到的特征映射到行业主题板块，以预测未来价格走势或进行主题配置[76]。 * **模型具体构建过程**： 1. **数据准备**：为每个个股在特定窗口期内的价量数据构建标准化的图表[76]。价量数据通常包括价格、成交量等时间序列。 2. **图表化**：将标准化的价量数据转换为图像格式，作为CNN的输入[76]。图23展示了标准化数据价量图表的示例[77]。 3. **模型训练**：使用卷积神经网络对图表化的价量数据与未来价格（或收益率）进行建模[76]。模型学习从价量图表中提取有效特征，并建立这些特征与未来价格变动之间的映射关系。 4. **特征映射**：将训练好的CNN模型学习到的特征，应用于行业或主题板块的分析，识别出具有相似特征模式的板块[76]。 5. **输出配置**：模型最终输出看好的行业主题配置列表。例如，在报告期内，模型配置的主题为红利低波、银行、地产，具体指向中证红利低波动指数、中证银行指数、中证800银行指数、中证内地地产主题指数、中证800地产指数等细分指数[78]。 2. **模型名称：宏观因子事件模型**[52] * **模型构建思路**：通过跟踪一系列国内外宏观指标，定义并识别出有效的宏观因子事件，利用这些事件的历史规律来预判未来资产价格的趋势[52]。 * **模型具体构建过程**： 1. **因子选择**：从货币政策、财政政策、流动性、通胀水平及其他经济指标等多个角度，选取对市场影响较大的宏观因子进行跟踪，共计25个国内外宏观指标[52]。 2. **事件定义**：定义四类宏观因子事件来描述宏观因子的走势：短期高低点、连续上涨/下跌、创历史新高/新低、因子走势反转[52]。 3. **事件有效性检验**：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[52]。例如，报告中列举了部分有效因子事件：PMI短期高点对中小盘股票有正向影响；CPI同比连续下跌对全市场股票有正向影响等[52]。 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[54]。统计历史上宏观指标处于不同趋势时，各类资产未来一个月的平均收益，筛选出收益存在显著差异的资产[54]。 5. **观点生成**：根据当前宏观因子的趋势状态，给出对大类资产的看多、看空或震荡观点[55]。例如，当前PMI处于3月均线趋势上行，模型对股票资产持“看多”观点；而社融存量同比、10年期国债收益率、美元指数等因子则提示市场可能“震荡”[55]。 3. **模型名称：GFTD模型与LLT模型**[80] * **模型构建思路**：报告在风险提示部分提及了GFTD模型和LLT模型，指出其历史择时成功率约为80%。这两个模型应是用于市场择时判断的量化模型[80]。 模型的回测效果 1. **卷积神经网络趋势观察模型**，最新配置主题：红利低波、银行、地产[78] 2. **宏观因子事件模型**，当前对权益市场观点：PMI趋势看多，社融、国债收益率、美元指数趋势震荡[55] 3. **GFTD模型与LLT模型**，历史择时成功率：约80%[80] 量化因子与构建方式 1. **因子名称：新高比例因子**[33] * **因子构建思路**：通过统计市场中创近期新高的个股数量占比，来度量市场的强势程度和上涨动能[33]。 * **因子具体构建过程**：计算创近60日新高的个股数占全部个股总数的比例。报告显示，该指标从前一期的12.0%降至8.1%[33]。 2. **因子名称：新低比例因子**[33] * **因子构建思路**：通过统计市场中创近期新低的个股数量占比，来度量市场的弱势程度和下跌压力[33]。 * **因子具体构建过程**：计算创近60日新低的个股数占全部个股总数的比例。报告显示，该指标从前一期的11.2%升至37.4%[33]。 3. **因子名称：均线结构因子（均线强弱指标）**[37] * **因子构建思路**：通过计算呈现多头排列与空头排列的个股数量之差占全部个股的比例，来反映市场整体的技术面强弱结构[37]。 * **因子具体构建过程**：首先判断个股的均线排列状态（如多头排列、空头排列），然后计算（多头排列个股数 - 空头排列个股数）/ 总个股数。报告显示，该指标从前一期的14%降至7.3%[37]。 4. **因子名称：长期均线以上比例因子**[40] * **因子构建思路**：统计股价位于长期移动平均线（如200日线）之上的个股比例，用以衡量市场长期趋势的强弱[40]。 * **因子具体构建过程**：计算股价位于200日移动平均线之上的个股数占总个股数的比例。该因子通过图表进行跟踪展示[40]。 5. **因子名称：风险溢价因子**[63] * **因子构建思路**：计算股票市场隐含收益率与无风险收益率（通常为十年期国债收益率）的差值，用以衡量股票资产相对于债券资产的吸引力[63][79]。 * **因子具体构建过程**：采用中证全指静态市盈率（PE_TTM）的倒数作为权益资产的隐含收益率（EP），减去十年期国债收益率。 $$风险溢价 = \frac{1}{PE_{TTM}} - R_{10Y国债}$$ 报告显示，截至2026年3月20日，该指标值为2.63%[79]。 6. **因子名称：估值分位数因子**[79] * **因子构建思路**：计算当前指数或行业的估值（PE或PB）在其历史序列中所处的位置百分比，用以判断估值相对水平的高低[79]。 * **因子具体构建过程**：将当前估值与历史估值（自2005年1月7日起）进行比较，计算其历史分位数。例如，报告指出中证全指PE_TTM分位数为82%，创业板指接近63%[79]。 7. **因子名称：超跌指标因子**[66] * **因子构建思路**：用于度量市场或行业指数短期内下跌的幅度和广度，识别超卖状态[66]。 * **因子具体构建过程**：报告展示了主要指数和行业指数的超跌指标统计图，该指标具体计算方法未详细说明，但通常基于价格偏离均线的程度或下跌个股比例等构建[66][70]。 8. **复合因子名称：宏观因子（如PMI、CPI同比、社融存量同比等）**[52][55] * **因子构建思路**：选取对金融市场有显著影响的宏观经济指标作为因子，观察其变化趋势和事件来预判市场方向[52]。 * **因子具体构建过程**：直接跟踪宏观指标的实际发布值。模型进一步处理其走势，例如判断其相对于某期均线（如1月、3月、12月均线）是处于上行还是下行趋势[54][55]。 因子的回测效果 （注：报告未提供各因子独立的、系统性的回测绩效指标（如IC、IR、多空收益等）。以下为报告期内的因子观测值。） 1. **新高比例因子**，当前值：8.1%[33] 2. **新低比例因子**，当前值：37.4%[33] 3. **均线结构因子**，当前值：7.3%[37] 4. **风险溢价因子**，当前值：2.63%[79] 5. **中证全指PE_TTM分位数因子**，当前值：82%[79] 6. **PMI宏观因子**，当前趋势：3月均线上行，观点：看多[55] 7. **社融存量同比宏观因子**，当前趋势：1月均线，观点：震荡[55] 8. **10年期国债收益率宏观因子**，当前趋势：12月均线，观点：震荡[55] 9. **美元指数宏观因子**，当前趋势：1月均线，观点：震荡[55]

量化模型与构建方式 **注：** 根据提供的研报内容，报告主要涉及市场数据追踪、指数表现分析和资金流向分类，并未详细阐述任何具体的量化选股模型或多因子模型的构建过程。报告内容侧重于ESG市场动态、事件舆情和板块资金流向的观察，而非量化因子或模型的开发与测试。因此，以下总结将基于报告中实际提及的分类方法和分析框架进行整理。 1. **分类框架名称：绿色转型板块资金流向分类框架**[28] * **构建思路：** 为追踪碳中和进程中的资金流向，将与绿色或转型相关的行业进行归类，依据各行业在碳减排链条中的功能定位进行划分[28]。 * **具体构建过程：** 将A股市场相关行业划分为三个类别和一个对照组： 1. **低碳核心：** 涵盖直接贡献碳减排的行业，是新能源发电、绿色出行及减污降碳的核心环节。具体包括电力设备、环保，以及公用事业和汽车行业的部分领域[33]。 2. **低碳支撑：** 涵盖为产业绿色转型提供数字化、自动化和智能化支撑的行业，是提升社会整体能效与资源利用效率的关键赋能方。具体包括计算机、通信、电子及机械设备的部分领域[33]。 3. **转型主体：** 涵盖能源消耗强度高、排放基数大的重点减排领域，也是转型金融政策优先关注的对象。具体包括火电、煤炭、钢铁、有色金属、化工等多个领域[33]。 4. **其他板块：** 上述三类未涵盖的其余市场板块，作为对照[29]。 * **评价：** 该分类主要用于资金流动与市场结构趋势分析，并非严格的环境绩效评价[28]。 2. **分析框架名称：ESG事件舆情分析框架**[36][38][40] * **构建思路：** 对全市场发生的ESG相关事件进行统计、分类和情感分析，以追踪市场舆情热度与结构变化[36]。 * **具体构建过程：** 1. **事件收集与统计：** 统计全市场每周发生的ESG事件总数[36]。 2. **情感属性分类：** 将每个事件划分为**正向**、**负向**或**中性**[36]。 3. **议题维度分类：** 将事件按环境（E）、社会（S）、治理（G）三个维度进行归类，并统计各维度下的事件数量[38]。 4. **热点议题识别：** 在每个维度（E、S、G）下，识别并统计出现频率最高的前三个具体议题[39]。 5. **行业分布分析：** 统计ESG事件数量最多的行业，并分析各行业内事件的情感属性分布及主要议题[40][43]。 模型的回测效果 **注：** 报告中未涉及任何量化模型的回测效果指标（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 **注：** 报告中未涉及任何用于选股或资产定价的量化因子的构建（如价值因子、动量因子、质量因子、ESG因子等）。 因子的回测效果 **注：** 报告中未涉及任何量化因子的回测效果指标（如IC值、ICIR、多空组合收益、因子收益率等）。

量化模型与构建方式 1. 微盘股轮动与择时模型 1. **模型名称**：微盘股轮动与择时模型[21][29] 2. **模型构建思路**：通过构建多指标系统，对微盘股进行轮动配置和择时风控，以捕捉风格切换并规避系统性风险[21][29]。 3. **模型具体构建过程**：该模型包含两个子策略：轮动子策略和择时风控子策略。 * **轮动子策略**：在微盘股指数和茅指数之间进行轮动配置[29]。 1. 计算微盘股指数与茅指数的相对净值（微盘股/茅指数）[8][29]。 2. 计算该相对净值的243日移动平均线（年均线）[8][29]。 3. 计算微盘股指数和茅指数各自的20日收盘价斜率（动量）[9][29]。 4. 生成轮动信号： * 当相对净值高于其243日均线时，倾向于投资微盘股；反之则投资茅指数[29]。 * 结合动量指标：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[29]。 * **择时风控子策略**：监控中期风险指标，触发阈值时发出平仓信号[21][29]。 1. 计算十年期国债到期收益率的同比变化率[24][29]。 2. 计算微盘股波动率拥挤度的同比变化率[24][29]。 3. 生成风控信号：若十年期国债收益率同比触及30%的阈值，或波动率拥挤度同比触及55%的阈值，则发出平仓信号[29]。 2. 宏观择时模型 1. **模型名称**：宏观择时模型[51] 2. **模型构建思路**：基于动态宏观事件因子构建股债轮动策略，以确定中期的权益资产配置仓位[51]。 3. **模型具体构建过程**：模型从经济增长和货币流动性两个维度生成信号，并综合得出股票仓位建议[52]。 1. 对经济增长层面进行量化评估，生成信号强度（例如，2月份信号强度为0%）[52]。 2. 对货币流动性层面进行量化评估，生成信号强度（例如，2月份信号强度为60%）[52]。 3. 综合两个维度的信号，输出最终的股票配置仓位观点（例如，3月份推荐仓位为30%，观点为“中性偏低”）[52]。 量化因子与构建方式 1. 股票大类选股因子 报告跟踪了八个大类选股因子，并提供了其细分因子的定义[25][55][65][68]。 1. **因子名称**：市值因子[25][65] * **因子构建思路**：捕捉规模效应，通常小市值股票可能具有更高的收益弹性[25]。 * **因子具体构建过程**：使用流通市值的自然对数。$$LN\_MktCap = ln(MarketCap_{float})$$[65] 2. **因子名称**：价值因子[25][65] * **因子构建思路**：寻找价格低于其内在价值的股票[25]。 * **因子具体构建过程**：包含多个细分指标，例如： * 账面市值比：$$BP\_LR = \frac{BookValue_{latest}}{MarketCap_{latest}}$$[65] * 预期市盈率倒数：$$EP\_FTTM = \frac{ConsensusNetProfit_{FTTM}}{MarketCap_{latest}}$$[65] * 市销率：$$SP\_TTM = \frac{Revenue_{TTM}}{MarketCap_{latest}}$$[65] 3. **因子名称**：成长因子[25][65] * **因子构建思路**：寻找盈利或收入增长更快的公司[25]。 * **因子具体构建过程**：包含多个细分指标，例如： * 单季度净利润同比增速：$$NetIncome\_SQ\_Chg1Y$$[65] * 单季度营业收入同比增速：$$Revenues\_SQ\_Chg1Y$$[65] * 预期净资产收益率：$$ROE\_FTTM = \frac{ConsensusNetProfit_{FTTM}}{AverageShareholdersEquity}$$[68] 4. **因子名称**：质量因子[25][68] * **因子构建思路**：寻找财务稳健、盈利能力强的公司[25]。 * **因子具体构建过程**：包含多个细分指标，例如： * 经营现金流负债比：$$OCF2CurrentDebt = \frac{OperatingCashFlow_{TTM}}{AverageCurrentLiabilities}$$[68] * 毛利率：$$GrossMargin\_TTM$$[68] * 资产周转率：$$Revenues2Asset\_TTM = \frac{Revenue_{TTM}}{AverageTotalAssets}$$[68] 5. **因子名称**：一致预期因子[25][68] * **因子构建思路**：利用分析师一致预期的变化捕捉市场共识的调整[25]。 * **因子具体构建过程**：包含多个细分指标，例如： * 预期EPS变化率：$$EPS\_FTTM\_Chg3M$$[68] * 预期ROE变化率：$$ROE\_FTTM\_Chg3M$$[68] * 目标收益价：$$TargetReturn\_180D$$[68] 6. **因子名称**：技术因子[25][68] * **因子构建思路**：基于价量信息捕捉市场交易行为与趋势[25]。 * **因子具体构建过程**：包含多个细分指标，例如： * 成交量比率：$$Volume\_Mean\_20D\_240D = \frac{Mean(Volume_{20D})}{Mean(Volume_{240D})}$$[68] * 收益率偏度：$$Skewness\_240D$$[68] * 换手率均值：$$Turnover\_Mean\_20D$$[68] 7. **因子名称**：波动率因子[25][68] * **因子构建思路**：寻找低波动股票，这类股票可能具有更稳定的表现[25]。 * **因子具体构建过程**：包含多个细分指标，例如： * 历史波动率：$$Volatility\_60D$$[68] * 模型残差波动率（如CAPM、Fama-French三因子、Carhart四因子模型）：$$IV\_CAPM$$, $$IV\_FF$$, $$IV\_Carhart$$[68] 8. **因子名称**：反转因子[25][68] * **因子构建思路**：捕捉股价的短期反转效应[25]。 * **因子具体构建过程**：使用过去不同时间窗口的收益率，例如： * 20日收益率：$$Price\_Chg20D$$[68] * 60日收益率：$$Price\_Chg60D$$[68] 2. 可转债择券因子 1. **因子名称**：正股一致预期因子[64] * **因子构建思路**：从预测正股的因子出发构建可转债因子，利用正股与可转债的相关关系[64]。 2. **因子名称**：正股成长因子[64] * **因子构建思路**：从预测正股的因子出发构建可转债因子，利用正股与可转债的相关关系[64]。 3. **因子名称**：正股财务质量因子[64] * **因子构建思路**：从预测正股的因子出发构建可转债因子，利用正股与可转债的相关关系[64]。 4. **因子名称**：正股价值因子[64] * **因子构建思路**：从预测正股的因子出发构建可转债因子，利用正股与可转债的相关关系[64]。 5. **因子名称**：转债估值因子[64] * **因子构建思路**：直接衡量可转债本身的估值水平[64]。 * **因子具体构建过程**：使用平价底价溢价率[64]。 模型的回测效果 1. **宏观择时模型**：2025年年初至报告期（2026年2月28日），该策略收益率为14.59%，同期Wind全A收益率为26.87%[51]。 因子的回测效果 （以下结果基于“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）[56] 1. **一致预期因子**： * IC均值（上周）：全部A股 0.80%， 沪深300 -3.81%， 中证500 9.55%， 中证1000 -0.65%[56] * 多空收益（上周）：全部A股 0.73%， 沪深300 -1.04%， 中证500 3.25%， 中证1000 -0.45%[56] * IC均值（今年以来）：全部A股 0.69%， 沪深300 -4.72%， 中证500 -0.91%， 中证1000 2.09%[56] * 多空收益（今年以来）：全部A股 3.39%， 沪深300 -7.14%， 中证500 -5.26%， 中证1000 3.83%[56] 2. **市值因子**： * IC均值（上周）：全部A股 -10.26%， 沪深300 -15.28%， 中证500 27.24%， 中证1000 15.92%[56] * 多空收益（上周）：全部A股 -2.10%， 沪深300 -2.50%， 中证500 3.97%， 中证1000 -0.09%[56] * IC均值（今年以来）：全部A股 2.08%， 沪深300 3.93%， 中证500 4.46%， 中证1000 2.92%[56] * 多空收益（今年以来）：全部A股 -1.62%， 沪深300 0.65%， 中证500 -4.55%， 中证1000 -4.52%[56] 3. **成长因子**： * IC均值（上周）：全部A股 -0.81%， 沪深300 -1.36%， 中证500 3.47%， 中证1000 -4.00%[56] * 多空收益（上周）：全部A股 0.27%， 沪深300 0.40%， 中证500 1.34%， 中证1000 -0.53%[56] * IC均值（今年以来）：全部A股 0.90%， 沪深300 -0.88%， 中证500 -0.79%， 中证1000 0.08%[56] * 多空收益（今年以来）：全部A股 3.83%， 沪深300 3.70%， 中证500 5.03%， 中证1000 2.70%[56] 4. **反转因子**： * IC均值（上周）：全部A股 8.48%， 沪深300 -5.61%， 中证500 17.09%， 中证1000 5.95%[56] * 多空收益（上周）：全部A股 0.59%， 沪深300 1.62%， 中证500 2.58%， 中证1000 -0.03%[56] * IC均值（今年以来）：全部A股 0.95%， 沪深300 -0.73%， 中证500 2.79%， 中证1000 1.61%[56] * 多空收益（今年以来）：全部A股 -6.28%， 沪深300 -5.84%， 中证500 -9.87%， 中证1000 -7.18%[56] 5. **质量因子**： * IC均值（上周）：全部A股 3.53%， 沪深300 11.32%， 中证500 4.81%， 中证1000 11.39%[56] * 多空收益（上周）：全部A股 -0.26%， 沪深300 2.35%， 中证500 -1.69%， 中证1000 1.76%[56] * IC均值（今年以来）：全部A股 -0.63%， 沪深300 1.50%， 中证500 -2.33%， 中证1000 -0.61%[56] * 多空收益（今年以来）：全部A股 -1.59%， 沪深300 4.97%， 中证500 -7.10%， 中证1000 -1.39%[56] 6. **技术因子**： * IC均值（上周）：全部A股 6.22%， 沪深300 -2.69%， 中证500 9.17%， 中证1000 6.63%[56] * 多空收益（上周）：全部A股 0.22%， 沪深300 -0.42%， 中证500 0.77%， 中证1000 0.28%[56] * IC均值（今年以来）：全部A股 5.96%， 沪深300 1.54%， 中证500 4.42%， 中证1000 4.10%[56] * 多空收益（今年以来）：全部A股 -0.98%， 沪深300 -3.80%， 中证500 -8.98%， 中证1000 -4.94%[56] 7. **价值因子**： * IC均值（上周）：全部A股 -0.88%， 沪深300 -14.61%， 中证500 -4.72%， 中证1000 -2.01%[56] * 多空收益（上周）：全部A股 -0.68%， 沪深300 -4.15%， 中证500 -1.53%， 中证1000 -0.44%[56] * IC均值（今年以来）：全部A股 5.96%， 沪深300 7.22%， 中证500 6.47%， 中证1000 5.62%[56] * 多空收益（今年以来）：全部A股 1.51%， 沪深300 9.75%， 中证500 1.51%， 中证1000 0.76%[56] 8. **波动率因子**： * IC均值（上周）：全部A股 9.88%， 沪深300 1.70%， 中证500 17.81%， 中证1000 11.03%[56] * 多空收益（上周）：全部A股 0.99%， 沪深300 -1.53%， 中证500 0.11%， 中证1000 0.18%[56] * IC均值（今年以来）：全部A股 7.55%， 沪深300 6.10%， 中证500 6.02%， 中证1000 6.18%[56] * 多空收益（今年以来）：全部A股 2.66%， 沪深300 3.69%， 中证500 -5.09%， 中证1000 -2.09%[56]

量化模型与构建方式 1. **模型名称：量能择时模型**[24] * **模型构建思路**：通过观察主要宽基指数的成交量（量能）变化来判断市场短期趋势，当量能快速收缩时，市场情绪可能转向谨慎。[12] * **模型具体构建过程**：报告未详细描述该模型的具体构建公式和信号生成规则，仅给出了基于该模型产生的最终择时观点。[24] 2. **模型名称：沪深300上涨家数占比择时模型（动量情绪指标）**[25][27][29] * **模型构建思路**：通过计算沪深300指数成分股中过去一段时间内收益为正的股票数量占比，来衡量市场情绪。当多数股票上涨时，市场情绪可能过热；反之，可能处于底部。通过对该指标进行平滑处理来捕捉趋势变化，生成交易信号。[25][27] * **模型具体构建过程**： 1. 计算沪深300指数N日上涨家数占比：统计沪深300指数成分股中，过去N日收益大于0的个股数量，并计算其占总成分股数的比例。[25] 2. 对上述指标分别进行窗口期为N1和N2（N1>N2）的移动平均，得到慢线和快线。[27][29] 3. 生成信号：当快线大于慢线时，看多沪深300指数；当快线小于慢线时，对市场持中性态度。[27][29] * **模型评价**：该指标可以较快捕捉上涨机会，但也会错失市场持续亢奋阶段的上涨收益。同时，在下跌市场中难以有效规避风险。[26] 3. **模型名称：均线情绪指标择时模型**[33][36] * **模型构建思路**：利用沪深300指数收盘价与一组均线（八均线体系）的相对位置关系来判断市场趋势状态，并将这种状态量化为情绪指标，用于择时。[33] * **模型具体构建过程**： 1. 计算沪深300收盘价的八条均线，参数分别为8, 13, 21, 34, 55, 89, 144, 233。[33] 2. 统计当日沪深300指数收盘价大于这八条均线数值的数量。[36] 3. 生成信号：当收盘价大于均线的数量超过5条时，看多沪深300指数。[36] 模型的回测效果 1. **动量情绪指标择时策略**，策略净值表现见附图，在所示回测区间内（2010.01.04—2026.03.20）策略净值有增长。[30][31] 2. **均线情绪指标择时策略**，策略净值表现见附图，在所示回测区间内（2010.01.04—2026.03.20）策略净值有增长。[34] 量化因子与构建方式 1. **因子名称：横截面波动率**[37] * **因子构建思路**：衡量同一时间点（截面）上，某个指数（如沪深300、中证500等）内所有成分股收益率的离散程度。波动率高表明个股走势分化大，有利于Alpha策略获取超额收益。[37] * **因子具体构建过程**：报告未给出具体的计算公式，但通常指在特定时间点（如日度或周度），计算指数内所有成分股收益率的标准差。 2. **因子名称：时间序列波动率**[38] * **因子构建思路**：衡量单个股票或指数组合收益率随时间变化的波动程度。通常用于评估市场整体风险水平，波动率低可能意味着Alpha环境不佳。[38] * **因子具体构建过程**：报告未给出具体的计算公式，但通常指在特定时间窗口内（如过去20日），计算股票或指数收益率序列的标准差。 3. **因子名称：抱团基金分离度**[82] * **因子构建思路**：通过计算抱团基金组合截面收益的标准差，来度量基金的抱团程度。标准差小说明基金表现趋同，抱团程度高；标准差大说明抱团正在瓦解。[82] * **因子具体构建过程**：报告未给出具体的抱团基金组合构建方法及分离度计算公式，仅说明了其代理变量的含义。 因子的回测效果 1. **横截面波动率因子**，沪深300指数近两年平均值2.02%，近一年平均值2.03%，近半年平均值2.30%，近一季度平均值2.17%[38]；中证500指数近两年平均值2.28%，近一年平均值2.30%，近半年平均值2.71%，近一季度平均值2.51%[38]；中证1000指数近两年平均值2.51%，近一年平均值2.51%，近半年平均值2.77%，近一季度平均值2.63%[38]。 2. **时间序列波动率因子**，沪深300指数近两年平均值0.98%，近一年平均值0.88%，近半年平均值0.75%，近一季度平均值0.89%[41]；中证500指数近两年平均值1.32%，近一年平均值1.18%，近半年平均值1.28%，近一季度平均值1.29%[41]；中证1000指数近两年平均值1.46%，近一年平均值1.22%，近半年平均值1.25%，近一季度平均值1.23%[41]。

量化模型与构建方式 **本报告未涉及具体的量化投资模型（如多因子选股模型、CTA模型等）或用于量化交易的量化因子（如价值、动量、质量等因子）的构建、测试与评价[6]** 报告的核心内容是提出一个用于个人知识管理与学习决策的 **“四象限”分析框架**，以应对AI领域信息过载的焦虑[1][7]。该框架是一个定性的决策工具，而非用于金融资产预测或交易的量化模型。 1. **框架名称**：AI学习内容四象限决策框架[3][10] 2. **框架构建思路**：面对AI领域海量且快速迭代的信息，为帮助个人高效决策学习投入，从“与当前生产力的关联度”和“知识的保鲜期”两个维度构建一个四象限矩阵，对不同的AI知识或工具进行分类，并给出相应的学习策略[1][10][13]。 3. **框架具体构建过程**： * **第一步：定义两个评估维度** * **维度一：生产力关联度**（横轴）。评估某项AI技术或工具与个体日常工作的贴近程度。若能在具体工作场景中显著提升效率或改善成果质量，则视为高关联；若难以明确其在实际工作中的适用场景，则关联度较低[1][13]。 * **维度二：知识保鲜期**（纵轴）。评估知识或技能的生命周期。部分内容（如底层思维框架、通用方法论）学习后可在较长时间内持续发挥作用，形成复利效应，则保鲜期长；另一些内容可能在数月内即被新概念或工具取代，则保鲜期短[1][13]。 * **第二步：形成四象限**：将上述两个维度交叉，形成四个象限[10][14]。 * **第三步：定义各象限特征与应对策略**： * **第一象限（右上角）：高关联度，长保鲜期**。特征：能直接提升工作效率，且其底层逻辑或工具有长期价值[31]。策略：深度投入，追求复利，在少数核心工具或能力上建立深度掌握[3][33]。 * **第二象限（左上角）：低关联度，长保鲜期**。特征：不直接作用于日常工作，但已成为行业通用语言的基础概念（如“AI幻觉”、“Scaling Laws”、“多模态”），保鲜期长[19][25]。策略：维持关注度，通过系统性阅读理解核心概念，以保持对行业讨论的理解力，建立“地图感”[19][22]。 * **第三象限（右下角）：高关联度，短/不确定保鲜期**。特征：能直接服务于工作场景，但工具本身或操作技巧处于快速演进中，生命周期不确定[26][27]。策略：浅层试用，实际应用。投入有限时间上手使用以获取效率提升，但不宜过度钻研特定工具的细枝末节[3][28]。 * **第四象限（左下角）：低关联度，短保鲜期**。特征：与日常工作结合点弱，且很快会被淘汰或更迭（如每月模型排名、初创企业融资动态、短期套壳产品）[15]。策略：直接跳过。此类信息为噪音，跳过几乎不会带来实质损失[3][16]。 4. **框架评价**：该框架是一个简化的分析工具，有助于在信息过载背景下进行理性筛选和注意力分配，掌握“知道什么可以不学”的能力[1][40][45]。但需注意，同一技术或工具在象限中的位置可能随时间动态变化（象限移动），使用者需结合自身实际灵活应用，不宜机械套用[3][36][46]。 模型的回测效果 **本报告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）[6]** 量化因子与构建方式 **本报告未涉及任何用于量化选股或资产定价的量化因子的构建与测试[6]** 因子的回测效果 **本报告未提供任何量化因子的测试结果（如IC值、IR值、多空收益等）[6]**

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**[74] * **模型构建思路**：使用卷积神经网络（CNN）对个股历史价量数据形成的标准化图表进行建模，学习图表特征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，以识别具有趋势性机会的板块[74]。 * **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[74]。研报中未详细说明具体使用的价量指标和图表标准化方法。 2. **模型训练**：基于历史数据，使用卷积神经网络对上述图表化的价量数据与未来价格进行建模[74]。研报中未提供具体的网络结构、损失函数和训练参数。 3. **特征映射**：将训练好的CNN模型学习到的特征映射到行业主题板块中，以判断哪些板块在未来可能具有趋势性机会[74]。 4. **输出配置**：模型最终输出为看好的行业主题板块及其对应的具体指数[75]。 2. **模型名称：宏观因子事件模型**[50][52] * **模型构建思路**：通过跟踪一系列国内外宏观指标，定义其走势变化事件，并从历史数据中寻找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[50]。 * **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[50]。 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[50]。 3. **有效性检验**：从历史数据中回测，筛选出对资产未来收益率影响较为显著的“有效因子事件”[50]。 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收益率的平均表现，以形成对大类资产的观点[52][53]。 模型的回测效果 *本报告未提供上述量化模型的具体回测效果指标（如年化收益率、夏普比率、最大回撤等）。报告仅展示了卷积神经网络模型在特定时点（2026年3月20日）的输出结果[75]，以及宏观因子模型对当前市场（截至报告期）的观点[53]。* 量化因子与构建方式 1. **因子名称：风险溢价因子**[61][76] * **因子构建思路**：通过计算股票市场隐含收益率（市盈率倒数）与无风险利率（十年期国债收益率）的差值，来衡量权益资产相对于债券资产的吸引力[76]。 * **因子具体构建过程**： 1. 计算权益资产的隐含收益率（Earnings Yield, EY），通常为市盈率（PE）的倒数。 $$ EY = \frac{1}{PE} $$ 2. 计算风险溢价（Risk Premium, RP），即权益隐含收益率减去十年期国债收益率。 $$ RP = EY - R_{10Y} $$ 报告中以中证全指为例，其风险溢价为中证全指静态PE的倒数（EP）减去十年期国债收益率[76]。 2. **因子名称：估值分位数因子**[21][27][76] * **因子构建思路**：计算指数或行业的当前估值（PE或PB）在其历史序列中所处的分位数位置，以判断其估值相对历史水平的高低[21][27]。 * **因子具体构建过程**： 1. 确定估值指标，如市盈率（PE_TTM）或市净率（PB_LF）[21][27]。 2. 获取该指标在特定历史时间段（例如，报告中使用2005年1月7日作为起点）内的所有历史数据[22]。 3. 计算当前估值在历史数据中的百分位排名（分位数）。 $$ 分位数 = \frac{小于或等于当前值的样本数}{总样本数} \times 100\% $$ 报告中展示了主要宽基指数和行业指数的PE_TTM分位数及PB_LF分位数[21][27]。 3. **因子名称：市场情绪因子（新高新低比例）**[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，来度量市场的整体情绪强弱和广度[31]。 * **因子具体构建过程**： 1. 设定观察窗口期，报告中为近60日[31]。 2. 每日计算两个指标： * **60日新高比例**：股价创近60日新高的个股数量 / 总股票数量[31]。 * **60日新低比例**：股价创近60日新低的个股数量 / 总股票数量[31]。 4. **因子名称：市场情绪因子（均线结构指标）**[35] * **因子构建思路**：通过计算呈现多头排列与空头排列的个股数量占比差值，来反映市场整体的技术趋势强弱[35]。 * **因子具体构建过程**： 1. 对每只个股判断其均线排列状态（例如，多头排列、空头排列）[35]。 2. 计算**均线强弱指标**：呈现多头排列的个股占比减去呈现空头排列的个股占比[35]。报告提到该指标从前一期的14%降至7.3%[1]。 5. **因子名称：超买超卖指标**[64] * **因子构建思路**：用于衡量指数或行业是否处于极端交易状态（超买或超卖），可能预示着短期反转[64]。 * **因子具体构建过程**：报告中未详细说明该指标的具体计算方法，仅展示了截至报告期主要指数和行业指数的“超跌指标统计”结果[64][68]。 因子的回测效果 *本报告未提供上述量化因子在选股或择时策略中的具体回测效果指标（如IC值、IR、多空收益等）。报告仅展示了这些因子在报告时点的具体数值或状态，例如：* * **风险溢价因子**：截至2026年3月20日，中证全指风险溢价为2.63%[76]。 * **估值分位数因子**：截至2026年3月20日，中证全指PE_TTM分位数为82%，创业板指接近63%[76]。 * **市场情绪因子（新高新低比例）**：创近60日新高个股数占比从前一期的12.0%降至8.1%；创近60日新低个股数占比从前一期的11.2%升至37.4%[1]。 * **市场情绪因子（均线结构指标）**：多头排列减空头排列个股占比从前一期的14%降至7.3%[1]。

量化模型与构建方式 1. **模型名称**：中证全指农牧渔指数编制模型[37][40] **模型构建思路**：构建一个纯粹覆盖农业核心产业链（养殖、饲料、种植、动物保健等）的二级行业指数，以反映A股农牧渔行业的整体表现[37] **模型具体构建过程**： * **样本空间**：与中证全指指数一致，包含A股市场中满足流动性、上市时间等基本条件的全部证券[42] * **选样方法**：按中证行业分类标准，筛选样本空间内归属“农牧渔”行业的证券[43]。若行业内证券数量≤50只，全部纳入样本；若＞50只，依次剔除成交金额排名后10%的证券，以及累积总市值占行业98%之后的证券，确保剩余样本≥50只[45] * **加权与权重规则**：采用调整市值加权，并设置权重因子控制单只股票权重上限为15%[46][47] * **样本调整**：定期调整每半年进行一次，于每年6月、12月第二个星期五的下一交易日实施[41][45]。特殊情况下（如样本退市、发生收购合并等）进行临时调整[45] 2. **模型名称**：农牧渔ETF景顺投资模型[89] **模型构建思路**：采用完全复制法构建投资组合，紧密跟踪中证全指农牧渔指数，追求跟踪偏离度和跟踪误差最小化[89][90] **模型具体构建过程**： * **投资范围**：主要投资于标的指数成份股及备选成份股（资产占比不低于基金资产净值的90%，且不低于非现金基金资产的80%）[90] * **投资方法**：采用完全复制法，即按照标的指数的成份股构成及其权重构建基金股票投资组合[89] * **风险控制目标**：力争实现日均跟踪偏离度绝对值不超过0.2%，年化跟踪误差不超过2%[89] 模型的回测效果 1. **中证全指农牧渔指数模型**，近20年年化收益率超过12%[8][67] 2. **中证全指农牧渔指数模型**，近一月收益率7.30%[71] 3. **中证全指农牧渔指数模型**，近三月收益率5.95%[71] 4. **中证全指农牧渔指数模型**，近六月收益率-1.59%[71] 5. **中证全指农牧渔指数模型**，近一年收益率17.40%[71] 6. **中证全指农牧渔指数模型**，年初至今收益率5.55%[71] 量化因子与构建方式 1. **因子名称**：行业营收增长因子[7][54] **因子构建思路**：通过分析农牧渔行业指数的营业收入历史数据与未来预测，捕捉行业整体的增长趋势与潜力[7][54] **因子具体构建过程**：计算并分析中证全指农牧渔指数成份股营业收入的总和及其同比增速。对于未来预测，报告采用了基于Wind一致预期数据的替代计算方法：对于无一致预期数据的证券，其预测营业收入 = 该证券上年营业收入 × (存在一致预期数据的证券当年累计一致预期营业收入 / 存在一致预期数据的证券上年累计营业收入)[58] 2. **因子名称**：行业净利润增长因子[7][59] **因子构建思路**：通过分析农牧渔行业指数的净利润历史数据与未来预测，捕捉行业盈利能力的周期性变化与反转趋势[7][59] **因子具体构建过程**：计算并分析中证全指农牧渔指数成份股净利润的总和及其同比增速。对于未来预测，报告采用了基于Wind一致预期数据的替代计算方法：对于无一致预期数据的证券，其预测净利润 = 该证券上年净利润 × (存在一致预期数据的证券当年累计一致预期净利润 / 存在一致预期数据的证券上年累计净利润)[63] 3. **因子名称**：估值分位数因子[8][85] **因子构建思路**：通过计算行业当前估值（PE-TTM）在历史序列中的分位点，判断其处于低估、中性还是高估区间，以评估安全边际[8][85] **因子具体构建过程**：以申万农林牧渔指数（801010.SI）为代表，计算其滚动市盈率（PE-TTM），并统计该估值在历史数据中所处的百分比位置（分位）[76][85] 因子的回测效果 1. **行业营收增长因子**，2020年营业收入0.62万亿元[7][54] 2. **行业营收增长因子**，2027年（预测）营业收入1.13万亿元[7][54] 3. **行业营收增长因子**，2021年营收增速15.87%[54] 4. **行业营收增长因子**，2022年营收增速16.11%[54] 5. **行业营收增长因子**，2023年营收增速5.39%[54] 6. **行业营收增长因子**，2024年营收增速1.33%[54] 7. **行业营收增长因子**，2025年（预测）营收增速6.75%[54][55] 8. **行业营收增长因子**，2026年（预测）营收增速8.44%[55] 9. **行业营收增长因子**，2027年（预测）营收增速9.00%[55] 10. **行业净利润增长因子**，2020年净利润737.13亿元[59] 11. **行业净利润增长因子**，2021年净利润-324.16亿元，同比增速-143.98%[59] 12. **行业净利润增长因子**，2022年净利润225.49亿元，同比增速169.56%[59] 13. **行业净利润增长因子**，2023年净利润-41.09亿元，同比增速-118.22%[59] 14. **行业净利润增长因子**，2024年净利润491.00亿元，同比增速1294.87%[59] 15. **行业净利润增长因子**，2025年（预测）净利润增速0.55%[7][59] 16. **行业净利润增长因子**，2026年（预测）净利润增速22.50%[7][59] 17. **行业净利润增长因子**，2027年（预测）净利润增速29.09%[7][59] 18. **估值分位数因子**，当前（2026年3月）PE-TTM为24.56倍[8][85] 19. **估值分位数因子**，当前（2026年3月）历史分位为27.06%[8][85] 20. **估值分位数因子**，机会值（低估阈值）为21.97倍[8][85] 21. **估值分位数因子**，中位数（中性阈值）为30.41倍[8][85]