量化模型与因子总结 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**[39] * **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股市场景气度的指数，用于判断景气周期的底部和上行趋势[39]。 * **模型具体构建过程：** 报告未详细描述该指数的具体计算步骤和公式，仅说明其构建详情可参考另一篇报告《视角透析：A股景气度高频指数构建与观察》[39]。 2. **模型名称：A股情绪指数模型**[42] * **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，通过将市场状态划分为四个象限来构造包含见底预警与见顶预警的情绪指数[42]。 * **模型具体构建过程：** 1. 将市场状态根据波动率（价）和成交额（量）的变化方向划分为四个象限[42]。 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（波动上-成交上、波动下-成交上、波动下-成交下）均为显著正收益[42]。 3. 据此规律构建情绪指数，当波动率处于上行区间时，见底信号指向看空；当成交额处于上行区间时，见顶信号指向看多[43]。 4. 综合见底和见顶信号得出对市场的整体观点[46]。 3. **模型名称：主题挖掘算法模型**[55] * **模型构建思路：** 通过处理新闻和研报文本，提取主题关键词，挖掘主题与个股的关系，构建主题活跃周期和主题影响力因子，从而识别和推荐主题投资机会[55]。 * **模型具体构建过程：** 报告未提供该算法的具体计算步骤和公式，仅概述了其包含文本处理、关键词提取、关系挖掘、周期构建和因子构建等多个维度[55]。 4. **模型名称：中证500增强组合模型**[55] * **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[55]。 * **模型具体构建过程：** 报告未披露该增强组合模型的具体因子构成、权重配置和优化方法[55][56]。 5. **模型名称：沪深300增强组合模型**[61] * **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[61]。 * **模型具体构建过程：** 报告未披露该增强组合模型的具体因子构成、权重配置和优化方法[61][64]。 模型的回测效果 1. **A股情绪指数模型**，择时表现见报告图表21[52]。 2. **中证500增强组合模型**，截至本周（2026年5月6日-5月8日），本周收益1.24%，跑输基准2.89%[55]。2020年至今，累计超额收益49.77%，最大回撤-10.90%[55]。 3. **沪深300增强组合模型**，截至本周（2026年5月6日-5月8日），本周收益1.25%，跑输基准0.10%[61]。2020年至今，累计超额收益47.59%，最大回撤-5.86%[61]。 量化因子与构建方式 1. **因子体系：BARRA风格因子体系**[67] * **因子构建思路：** 参照BARRA因子模型，为A股市场构建一套包含十大类风格因子的分析体系，用于解释股票收益的来源和进行组合绩效归因[67]。 * **因子具体构建过程：** 报告列出了十大类风格因子的名称，但未提供每个因子的具体计算公式[67]。十大类风格因子包括： 1. 市值（SIZE） 2. BETA 3. 动量（MOM） 4. 残差波动率（RESVOL） 5. 非线性市值（NLSIZE） 6. 估值（BTOP） 7. 流动性（LIQUIDITY） 8. 盈利（EARNINGS_YIELD） 9. 成长（GROWTH） 10. 杠杆（LVRG）[67] 因子的回测效果 1. **风格因子近期表现（截至报告本周）：** * **纯因子收益表现：** Beta因子超额收益较高，盈利因子呈较为显著的负向超额收益[68]。价值、盈利等因子表现不佳，高Beta、高动量股表现优异[68]。 * **因子暴露相关性（近一周）：** 流动性因子分别与Beta、动量、残差波动率呈现明显正相关性；价值因子分别与Beta、残差波动率、流动性等因子呈现明显负相关性[68]。具体相关性矩阵见报告图表27和图表30[70][72]。 * **纯因子收益率：** 见报告图表28[71]。 2. **行业因子近期表现（截至报告本周）：** 保险、银行、交运等行业因子相对市场市值加权组合跑出较高超额收益，煤炭、化工等行业因子回撤较多[68]。行业纯因子收益率见报告图表29[71]。

量化模型与构建方式 1. **模型名称：成交量模型**[1][9][11] * **模型构建思路**：基于价量关系进行市场择时，认为成交量是价格变动的重要驱动因素[9]。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程。 2. **模型名称：特征龙虎榜机构模型**[1][11] * **模型构建思路**：利用龙虎榜中机构投资者的买卖行为作为特征，判断市场短期情绪[1][11]。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程。 3. **模型名称：特征成交量模型**[1][11] * **模型构建思路**：提取成交量数据中的特定特征（可能与常规成交量模型不同），用于市场择时[1][11]。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程。 4. **模型名称：智能算法模型**[1][11] * **模型构建思路**：应用智能算法（如机器学习）对市场数据进行建模和预测，针对不同宽基指数（如沪深300、中证500）构建独立模型[1][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。 5. **模型名称：涨跌停模型**[1][12] * **模型构建思路**：通过分析市场中涨跌停股票的数量或比例等指标，判断市场中期情绪[1][12]。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程。 6. **模型名称：上下行收益差模型**[1][11][12] * **模型构建思路**：通过计算市场上涨阶段与下跌阶段收益的差异，判断市场趋势和动能[1][11][12]。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程。 7. **模型名称：月历效应模型**[1][12] * **模型构建思路**：基于历史数据中存在的特定月份或日期效应（如月初效应、月末效应等）进行择时[1][12]。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程。 8. **模型名称：长期动量模型**[1][13] * **模型构建思路**：基于长期价格动量（趋势）进行择时，认为过去较长时间内表现强势的市场未来仍可能延续[1][13]。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程。 9. **模型名称：A股综合兵器V3模型**[1][14] * **模型构建思路**：一个综合性的A股择时模型，可能耦合了多个周期或多种策略的信号[1][14]。 * **模型具体构建过程**：报告未详细描述具体耦合方式和构建过程。 10. **模型名称：A股综合国证2000模型**[1][14] * **模型构建思路**：专门针对国证2000指数构建的综合择时模型[1][14]。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程。 11. **模型名称：成交额倒波幅模型**[1][15] * **模型构建思路**：结合成交额和波动率（倒波幅）指标，用于港股市场的中期择时[1][15]。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程。 12. **模型名称：上下行收益差相似多空模型**[1][15] * **模型构建思路**：在“上下行收益差模型”基础上，可能引入了相似度计算或多空对比逻辑，专门应用于港股市场（恒生指数、恒生国企指数）[1][15]。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程。 13. **模型名称：HCVIX模型**[38] * **模型构建思路**：复现并计算中国市场的波动率指数（VIX），作为判断市场情绪和风险的参考指标[38]。 * **模型具体构建过程**：根据公开披露的VIX计算方法进行复现，具体公式未在报告中给出。其计算基于期权价格，反映市场对未来波动率的预期[38]。 14. **模型名称：双底形态识别模型**[39][45] * **模型构建思路**：通过技术分析识别股价走势中的“双底”形态（W底），该形态通常被视为看涨反转信号，并据此构建投资组合[39][45]。 * **模型具体构建过程**：报告未详细描述自动识别形态的具体算法和规则，但展示了根据形态突破点（如A点、B点、C点）筛选出的个股[44][48]。 15. **模型名称：杯柄形态识别模型**[39][40] * **模型构建思路**：通过技术分析识别股价走势中的“杯柄”形态，该形态是持续看涨形态，并据此构建投资组合[39][40]。 * **模型具体构建过程**：报告未详细描述自动识别形态的具体算法和规则，但展示了根据形态关键点（如A点、B点、C点）筛选出的个股[44][52]。 16. **模型名称：倒杯子形态识别模型**[57] * **模型构建思路**：通过技术分析识别股价走势中的“倒杯子”形态，该形态是典型的看跌反转形态，用于提示个股下跌风险[57]。 * **模型具体构建过程**：报告未详细描述自动识别形态的具体算法和规则，但提及该形态在筑顶后下跌突破时产生[57]。 模型的回测效果 1. **双底形态识别模型**：自2020年12月31日至今，组合累计上涨32.89%，同期上证综指累计上涨20.35%，累计超额收益为12.54%[39]。本周（报告期）组合上涨4.14%，跑赢上证综指2.49%[39]。 2. **杯柄形态识别模型**：自2020年12月31日至今，组合累计上涨26.51%，同期上证综指累计上涨20.35%，累计超额收益为6.16%[39]。本周（报告期）组合上涨1.77%，跑赢上证综指0.12%[39]。 量化因子与构建方式 1. **因子名称：分析师一致预期调整因子**[19][20] * **因子构建思路**：利用分析师对个股盈利预测的上调或下调比例，构建行业层面的情绪或基本面强弱指标[19][20]。 * **因子具体构建过程**：报告展示了“分析师上调个股比例”和“分析师下调个股比例”两个数据，可能通过计算行业成分股中盈利预测被上调或下调的股票数量占比来构建[19][20]。 2. **因子名称：基金仓位因子**[22][23][26] * **因子构建思路**：通过监测股票型、混合型基金的行业持仓比例及变化，反映机构资金动向和行业偏好[22][23][26]。 * **因子具体构建过程**： * **绝对仓位**：计算某类基金在某个行业的持仓市值占其总持仓市值的百分比[26]。 * **超低配仓位**：计算基金在某个行业的持仓比例与该行业市值占全市场比例之间的差值。公式为：$$超低配比例 = 基金行业持仓比例 - 行业市值占比$$[28]。 * **变化值**：计算当前仓位相对于上周、上月、上季度的变化[26]。 3. **因子名称：形态学因子（双底/杯柄/倒杯子）**[39][40][45][57] * **因子构建思路**：将技术分析中的经典价格形态（如双底、杯柄、倒杯子）进行量化，作为个股的择时或风险提示信号[39][40][45][57]。 * **因子具体构建过程**：因子值为布尔类型（是否出现形态突破）。报告未给出形态识别的具体量化规则，但通过图表列出了形态突破的关键时间点（A, B, C, E点）[44][48][51][52][58]。 因子的回测效果 （报告未提供单个因子的独立回测绩效指标，如IC、IR等。因子效果体现在其驱动的模型或策略组合表现中。）

量化模型与构建方式 1. **模型名称：流动性冲击指标**[3] * **模型构建思路**：衡量当前市场流动性相对于历史水平的偏离程度[3] * **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，该指标值为0.52，表示当前市场的流动性高于过去一年平均水平0.52倍标准差[3] 2. **模型名称：均线强弱指数**[13] * **模型构建思路**：通过计算各行业指数相对于其均线的位置，综合评估市场整体技术强弱[13] * **模型具体构建过程**：通过Wind二级行业指数计算出均线强弱指数，当前市场得分为204，处于2023年以来的74.1%分位点[13] 3. **模型名称：市场情绪模型**[13] * **模型构建思路**：利用涨跌停板相关因子刻画市场的情绪强弱[13] * **模型具体构建过程**：模型包含多个细分情绪因子，包括净涨停占比、跌停次日收益、涨停板占比、跌停板占比和高频打板收益[16]。每个因子给出信号（0或1），综合得出情绪模型总得分（满分5分）[13][16] 4. **模型名称：高频资金流择时模型**[13] * **模型构建思路**：通过分析高频资金流的走势，对主要宽基指数发出买入或卖出信号[13] * **模型具体构建过程**：模型针对不同宽基指数（如沪深300、中证500等）生成信号，并分为激进多头、激进多空、稳健多头、稳健多空四种策略类型[16]。信号为1代表正向（买入），为0或负向代表卖出或观望（报告中未明确负值）[16]。 5. **模型名称：因子拥挤度模型**[17] * **模型构建思路**：使用多个指标度量因子的拥挤程度，作为因子可能失效的预警[17] * **模型具体构建过程**：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[17]。将各分项指标标准化后，综合计算得到复合拥挤度得分[18]。 6. **模型名称：行业拥挤度模型**[21] * **模型构建思路**：评估各行业板块的拥挤程度[21] * **模型具体构建过程**：具体构建方法未在报告中详细说明，但给出了截至计算日的各行业拥挤度数值及历史变化[21][23]。报告同时展示了结合估值偏离度和景气度（分析师预期ROE）的行业三维矩阵分析图[24]。 模型的回测效果 1. **流动性冲击指标**， 基于沪深300指数的指标值为0.52[3] 2. **均线强弱指数**， 当前市场得分为204，历史分位点为74.1%[13] 3. **市场情绪模型**， 情绪模型总得分为1分（满分5分）[13] 4. **高频资金流择时模型**， 对沪深300指数信号为：激进多头1， 激进多空1， 稳健多头1， 稳健多空1[16]； 对中证500指数信号为：激进多头1， 激进多空1， 稳健多头1， 稳健多空1[16]； 对中证1000指数信号为：激进多头1， 激进多空1， 稳健多头1， 稳健多空1[16]； 对中证2000指数信号为：激进多头1， 激进多空1， 稳健多头1， 稳健多空1[16] 5. **因子拥挤度模型**， 小市值因子综合拥挤度为-0.02[18]； 低估值因子综合拥挤度为-0.74[18]； 高盈利因子综合拥挤度为0.03[18]； 高盈利增长因子综合拥挤度为0.27[18] 6. **行业拥挤度模型**， 综合行业拥挤度为2.21[23]； 通信行业拥挤度为1.89[23]； 有色金属行业拥挤度为1.48[23]； 电子行业拥挤度为1.41[23]； 国防军工行业拥挤度为0.99[23]； 计算机行业拥挤度为-0.05[23] 量化因子与构建方式 1. **因子名称：小市值因子**[17] * **因子构建思路**：属于常见选股因子，其拥挤度被监控[17] * **因子具体构建过程**：报告中未详细描述该因子的原始构建方法，仅展示了其拥挤度的评估结果[17][18] 2. **因子名称：低估值因子**[17] * **因子构建思路**：属于常见选股因子，其拥挤度被监控[17] * **因子具体构建过程**：报告中未详细描述该因子的原始构建方法，仅展示了其拥挤度的评估结果[17][18] 3. **因子名称：高盈利因子**[17] * **因子构建思路**：属于常见选股因子，其拥挤度被监控[17] * **因子具体构建过程**：报告中未详细描述该因子的原始构建方法，仅展示了其拥挤度的评估结果[17][18] 4. **因子名称：高盈利增长因子**[17] * **因子构建思路**：属于常见选股因子，其拥挤度被监控[17] * **因子具体构建过程**：报告中未详细描述该因子的原始构建方法，仅展示了其拥挤度的评估结果[17][18] 5. **因子名称：情绪细分因子（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）**[16] * **因子构建思路**：用于构建市场情绪模型的底层指标，从不同维度捕捉市场涨停板相关特征所反映的情绪[13][16] * **因子具体构建过程**：报告未给出具体计算公式，仅列出了各因子在当前时点的信号状态（0或1）[16] 因子的回测效果 1. **小市值因子**， 估值价差分项得分0.08[18]， 配对相关性分项得分0.58[18]， 市场波动分项得分-0.70[18]， 收益反转分项得分-0.04[18] 2. **低估值因子**， 估值价差分项得分-1.41[18]， 配对相关性分项得分0.42[18]， 市场波动分项得分-0.04[18]， 收益反转分项得分-1.95[18] 3. **高盈利因子**， 估值价差分项得分-1.06[18]， 配对相关性分项得分0.48[18]， 市场波动分项得分-0.75[18]， 收益反转分项得分1.45[18] 4. **高盈利增长因子**， 估值价差分项得分0.67[18]， 配对相关性分项得分-0.12[18]， 市场波动分项得分-0.53[18]， 收益反转分项得分1.05[18] 5. **情绪细分因子**， 净涨停占比信号为0[16]， 跌停次日收益信号为0[16]， 涨停板占比信号为0[16]， 跌停板占比信号为0[16]， 高频打板收益信号为1[16]

量化模型与构建方式 （一） 量化择时模型 1. 模型名称：基于PB离散度的市场趋势择时模型 * **模型构建思路**：通过计算全市场市净率（PB）的离散度（MAD/Median），并观察其短期变化方向，来判断市场整体估值是处于扩张（看多）还是收缩（谨慎）状态。该指标是市场上涨的领先指标，因为市场整体估值提升前，往往需要内部出现估值结构分化（低估值股票转为高估值或高估值股票继续拉升）[1][12]。 * **模型具体构建过程**： 1. 计算全市场所有个股的PB（市净率）。 2. 计算全市场PB的中位数（Median）和平均绝对偏差（MAD）。平均绝对偏差的计算公式为： $$MAD = median(|PB_i - median(PB)|)$$ 其中，\(PB_i\) 为个股i的市净率，\(median(PB)\) 为全市场PB的中位数。 3. 计算估值离散度指标：\(PB\_MAD = MAD / median(PB)\)[1][12]。 4. 观察 \(PB\_MAD\) 的20日环比变化方向。当该指标上行时，代表市场估值广度扩张，发出看多信号；反之则发出谨慎信号[1][12]。 * **模型评价**：该择时指标长期有效且优秀，是市场上涨的领先指标[1][12]。但需注意，它主要指示方向，作为极值反转信号的有效性不高[12]。 * **衍生信号（阈值预警）**： * **构建思路**：虽然PB_MAD是方向指标，但当其绝对水平超过特定阈值时，历史上看市场短期上涨速度往往会放缓，可用于预警短期盘整风险[1][12]。 * **具体构建**：计算 \(PB\_MAD\) 的20日移动平均值。当该均值高于0.45时，认为市场短期持续上涨面临压力，上涨速度可能放缓[1][12]。最近两个触发该预警的阶段是2025年10月和2026年2月，后续市场均出现阶段性盘整[1]。 2. 模型名称：多维度短期量化择时策略 * **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，分别选取多个二级指标，根据各指标当前值在其过去5年历史中的分位数位置，判断其发出的信号（乐观、谨慎或中性），最后综合四个维度的信号得出总体的仓位建议[18][19][20][21]。 * **模型具体构建过程**： 1. **基本面维度**：选取制造业PMI、信贷脉冲同比增速、M1同比增速（HP滤波去趋势）三个指标[18]。 * 信号规则：PMI > 50发出乐观信号；信贷脉冲和M1增速的分位数越高，越倾向于发出乐观信号[18][21]。 2. **估值面维度**：选取全市场PE中位数和PB中位数两个指标[19]。 * 信号规则：PE和PB的分位数越高，估值均值回归下行的压力越大，越倾向于发出谨慎信号[19][21]。 3. **情绪面维度**：选取A股整体Beta离散度、量能情绪得分、年化波动率三个指标[19]。 * 信号规则：Beta离散度分位数高发出谨慎信号；量能情绪分位数高发出乐观信号；波动率分位数处于中性区间[19][21]。 4. **流动性维度**：选取货币利率指标、汇率预期指标、两市新增融资额5日均值三个指标[20]。 * 信号规则：货币利率指标分位数低（流动性宽松）发出乐观信号；汇率预期指标分位数低（人民币强势）发出乐观信号；融资额分位数高为中性信号[20][21]。 5. **信号综合**：将每个维度下的二级指标信号汇总，得出该维度的一级信号（乐观、中性、谨慎），再综合四个一级信号得出最终的总仓位信号（例如，通过加权或投票机制确定仓位水平）[21]。 （二） 风格轮动模型 1. 模型名称：成长价值风格轮动模型 * **模型构建思路**：综合动态宏观信号、估值回归信号、短期动量信号、风格广度信号和风格拥挤信号等多个子信号，构建一个综合的成长价值轮动模型，以决定超配成长风格还是价值风格[29][30]。 * **模型具体构建过程**： 1. 模型包含五个子信号源：动态宏观信号、估值回归信号、短期动量信号、风格广度信号、风格拥挤信号[30]。 2. 各子信号会独立输出一个仓位建议（例如，100%表示全仓成长，0%表示全仓价值）[30]。 3. 对五个子信号的仓位建议进行平滑处理（例如，取5日平均），得到最终的成长和价值仓位配置比例[30]。 4. 报告中提到，当前（2026年5月）动态宏观、估值回归、短期动量、风格广度四个信号均支持100%配置成长风格，仅风格拥挤信号为0%（提示拥挤风险），但综合后仍推荐配置成长风格[29][30]。 2. 模型名称：小盘大盘风格轮动模型 * **模型构建思路**：从流动性等视角出发，选取11个有效的轮动指标，分别构建信号，然后综合这些信号得出大小盘轮动的最终建议[32][34]。 * **模型具体构建过程**： 1. 选取11个轮动指标，包括：A股龙虎榜买入强度、R007、融资买入余额变化、主题投资交易情绪、等级利差、期权波动率风险溢价、Beta离散度、PB分化度、大宗交易折溢价率、中证1000 MACD、中证1000交易量能[34]。 2. 每个指标独立判断，输出对小盘风格看多（100%仓位）或看空（0%仓位）的信号[34]。 3. 将所有指标的信号进行综合（例如，通过看多指标占比或加权平均），得出最终的综合信号，决定超配小盘还是大盘[32][34]。报告指出，当小盘向好的指标占比较高时（例如9/11），小盘风格看多信号明确[32]。 模型的回测效果 1. 多维度短期量化择时策略 * **回测区间**：2012年底至2026年5月10日（全区间）及2024年以来[20][24][26] * **基准**：月度中性持仓再平衡[20] * **全区间表现**： * 年化收益率：15.95%[20] * 基准年化收益率：5.14%[20] * 年化超额收益率：10.81%[20] * 最大回撤：15.05%[20] * 夏普比率：0.9397[24] * 收益回撤比：1.0603[24] * 月度胜率：65.43%[24] * **2024年以来表现**： * 年化收益率：23.93%[26] * 基准年化收益率：10.57%[26] * 年化超额收益率：13.36%（计算得出） * 最大回撤：11.10%[26] * 夏普比率：1.2510[26] * 收益回撤比：2.1552[26] * 月度胜率：66.67%[26] 2. 成长价值风格轮动模型（综合信号2_5D平均仓位） * **回测区间**：2011年至2026年5月8日[29][30] * **基准**：成长价值代理ETF等权配置[30] * **表现**： * 累计收益：3645.36%[30] * 年化收益率：28.41%[29][30] * 基准年化收益率：11.50%[29][30] * 年化超额收益率：16.91%[29][30] * 最大回撤：46.75%[30] * 夏普比率：1.06[30] * 收益回撤比：0.61[30] * 年化信息比率（IR）：1.48[30] * 月度超额胜率：66.67%[30] 3. 小盘大盘风格轮动模型（综合信号3D平滑） * **回测区间**：2014年至2026年[33][34] * **基准**：未明确说明，对比基准应为大小盘均衡配置[33][34] * **表现**： * 年化收益率：20.41%[34] * 年化超额收益率：12.54%[34] * 最大回撤：40.70%[34] * 平均换手间隔（交易日）：19天[34] * 胜率（按交易）：50.31%[34] * **分年度表现**：自2014年以来，策略每年均产生正向超额收益[33]。2026年以来超额收益率为1.83%[33]。

量化模型与因子总结 量化模型与构建方式 1. **模型名称：基金投顾产品分类模型**[12] * **模型构建思路**：根据基金投顾产品的业绩基准和资产配置特征，将其划分为不同的风险收益类型，以便于进行业绩统计和比较分析[12]。 * **模型具体构建过程**：模型基于两个核心维度对基金投顾产品进行分类。 1. **第一层分类（按权益资产中枢）**：根据产品业绩基准中权益部分的指数权重和实际的资产配置分布，将产品分为五类： * 纯债型：权益中枢为0%[12]。 * 固收+型：权益中枢为0%~20%[12]。 * 股债混合型：权益中枢为20%~70%[12]。 * 股票型：权益中枢为70%~100%[12]。 * 多元配置型：进行多元资产的分散投资。具体判定标准为，扣除货币基金、境内债券、A股、港股后，剩余大类资产的平均仓位需超过20%[17]。 2. **第二层分类（股票型产品细分）**：在股票型投顾产品内部，根据其策略特点及收益来源，进一步细分为三类： * 行业轮动型 * 指数驱动型 * 主动优选型[12] 2. **模型名称：基金投顾调仓分析模型**[31] * **模型构建思路**：通过跟踪基金投顾产品持仓的变化，从基金、大类资产和行业三个层面解析其调仓行为和市场动向[31]。 * **模型具体构建过程**：模型对发生调仓的基金投顾产品的持仓数据进行分解和汇总。 1. **基金层面分析**：统计所有调仓产品中，各只基金被增持或减持的权重变化比例，识别出被集中增配或减配的个基[31][33][32]。 2. **大类资产层面分析**：将基金投顾的持仓分布分解到11类资产：A股、港股、美股、债券、黄金、货币及现金、海外债券、新兴市场、其他发达市场、海外REIT、其他商品[35]。计算所有调仓产品在各类资产上配置比例的平均变化，以观察整体增配或减配方向[35]。 3. **行业层面分析**：针对A股持仓，进一步将其分解到一级行业。计算所有调仓产品在各行业上配置比例的平均变化，以观察行业层面的配置动向[38]。 模型的回测效果 （注：本报告未提供所提及分类模型和调仓分析模型的量化回测指标，如年化收益率、夏普比率、最大回撤、信息比率(IR)等。报告主要展示了基于这些模型分析得到的描述性统计结果。） 量化因子与构建方式 （注：本报告未提及具体的量化因子（如价值、动量、质量等）的构建。） 因子的回测效果 （注：本报告未提及具体的量化因子，因此无相关测试结果。）

量化模型与构建方式 1. **模型名称：择时雷达六面图综合择时模型** [1][6] * **模型构建思路**：权益市场表现受多维度因素影响，该模型从流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取二十一个指标刻画市场，并将其概括为“估值性价比”、“宏观基本面”、“资金&趋势”、“拥挤度&反转”四大类，最终生成一个综合择时分数 [1][6]。 * **模型具体构建过程**： 1. 构建六个维度的子分数：每个维度包含若干底层指标，每个指标根据其构建规则生成一个在[-1, 1]区间或为-1/0/1的原始信号 [1]。 2. 生成维度分数：将同一维度内所有指标的原始信号进行综合（具体综合方法未在本文中详述，但提及了“概括”和“综合得分”），得到六个维度的分数，分值在[-1, 1]之间 [1][7]。 3. 生成大类分数：将六个维度分数进一步概括为四大类分数 [1][7]。 4. 生成综合择时分数：最终将四大类分数或六个维度分数综合（具体加权或计算方法未在本文中详述）为[-1, 1]之间的综合择时分数 [1][6]。 量化因子与构建方式 1. **因子名称：货币方向因子** [10] * **因子构建思路**：判断当前货币政策的方向，通过比较当前货币政策工具利率与短端市场利率相对于过去一段时间的平均变化方向来识别 [10]。 * **因子具体构建过程**：选取央行使用的货币政策工具利率与短端市场利率，计算其相较于90天前的平均变化方向。若货币方向因子>0，则判断货币政策宽松；若<0，则判断货币政策收紧 [10]。 2. **因子名称：货币强度因子** [13] * **因子构建思路**：表征短端市场利率相对于政策利率的偏离幅度，基于“利率走廊”概念构建 [13]。 * **因子具体构建过程**：计算偏离度 = DR007 / 7天逆回购利率 - 1，并对该偏离度进行平滑与z-score标准化，形成货币强度因子。若因子值<-1.5倍标准差，则预期未来120个交易日为宽松环境；若因子值>1.5倍标准差，则预期未来120个交易日为紧缩环境 [13]。 3. **因子名称：信用方向因子** [16] * **因子构建思路**：表征商业银行对实体经济的信贷传导松紧程度，使用中长期贷款指标进行体现 [16]。 * **因子具体构建过程**：计算中长期贷款当月值在过去十二个月的增量，并计算其同比。将当前计算的信用方向因子值与三个月之前的值进行比较，若上升则看多，若下降则看空 [16]。 4. **因子名称：信用强度因子** [19] * **因子构建思路**：捕捉信贷指标是否大幅超预期或不及预期 [19]。 * **因子具体构建过程**：计算信用强度因子 = (新增人民币贷款当月值 – 预期中位数) / 预期标准差。若因子值>1.5倍标准差，则定义未来60个交易日为信用显著超预期环境；若因子值<-1.5倍标准差，则定义未来60个交易日为信用显著不及预期环境 [19]。 5. **因子名称：增长方向因子** [23] * **因子构建思路**：基于PMI数据判断经济增长方向 [23]。 * **因子具体构建过程**：基于中采制造业PMI、中采非制造业PMI、财新制造业PMI数据，计算过去十二个月的均值，再计算其同比，得到增长方向因子。将当前因子值与三个月之前的值进行比较，若上升则看多，若下降则看空 [23]。 6. **因子名称：增长强度因子** [26] * **因子构建思路**：捕捉经济增长指标是否大幅超预期或不及预期 [26]。 * **因子具体构建过程**：计算PMI预期差 = (PMI – 预期中位数) / 预期标准差，作为增长强度因子。若因子值>1.5倍标准差，则定义未来60个交易日为增长显著超预期环境；若因子值<-1.5倍标准差，则定义未来60个交易日为增长显著不及预期环境 [26]。 7. **因子名称：通胀方向因子** [29] * **因子构建思路**：判断通胀水平变化方向，通胀下行通常为未来货币宽松预留空间，利好权益 [29]。 * **因子具体构建过程**：计算通胀方向因子 = 0.5 × CPI同比平滑值 + 0.5 × PPI同比原始值。将当前因子值与三个月之前的值进行比较，若降低则看多（通胀下行），若上升则看空（通胀上行） [29]。 8. **因子名称：通胀强度因子** [32] * **因子构建思路**：捕捉通胀指标是否大幅超预期或不及预期 [32]。 * **因子具体构建过程**：分别计算CPI与PPI的预期差 = (披露值 – 预期中位数) / 预期标准差，然后取两者的均值作为通胀强度因子。若因子值<-1.5倍标准差，则定义未来60个交易日为通胀显著不及预期环境；若因子值>1.5倍标准差，则定义未来60个交易日为通胀显著超预期环境 [32]。 9. **因子名称：席勒ERP因子** [35] * **因子构建思路**：使用经过周期平滑的盈利计算估值，以消除经济周期波动干扰，衡量股票相对于债券的性价比 [35]。 * **因子具体构建过程**： 1. 计算过去6年通胀调整后的平均盈利，得到席勒PE。 2. 计算席勒ERP = 1 / 席勒PE - 10年期国债到期收益率。 3. 计算席勒ERP在过去6年的z-score作为最终分数 [35]。 10. **因子名称：PB因子** [37] * **因子构建思路**：使用市净率（PB）衡量市场估值水平 [37]。 * **因子具体构建过程**：对PB取负值（PB × (-1)），计算其过去6年的z-score，然后进行1.5倍标准差截尾，最后标准化到±1之间得到分数 [37]。 11. **因子名称：AIAE因子** [40] * **因子构建思路**：通过计算全市场权益配置比例，反映市场整体的风险偏好 [40]。 * **因子具体构建过程**：构建A股的AIAE指标 = 中证全指总流通市值 / (中证全指总流通市值 + 实体总债务)。将AIAE取负值（AIAE × (-1)），并计算其过去6年的z-score得到最终分数 [40]。 12. **因子名称：两融增量因子** [43] * **因子构建思路**：通过融资余额与融券余额的净增量趋势，判断市场杠杆资金情绪 [43]。 * **因子具体构建过程**：计算（融资余额 - 融券余额）的过去120日平均增量与过去240日平均增量。若120日平均增量 > 240日平均增量，则看多；反之则看空 [43]。 13. **因子名称：成交额趋势因子** [46] * **因子构建思路**：通过成交额的均线趋势判断市场资金活跃度 [46]。 * **因子具体构建过程**：计算对数成交额的均线距离 = ma120 / ma240 - 1。当均线距离的过去10日、30日、60日最大值同时相等时，看多；当过去10日、30日、60日最小值同时相等时，看空 [46]。 14. **因子名称：中国主权CDS利差因子** [49] * **因子构建思路**：通过海外投资者对中国主权信用风险的定价变化，判断外资流入意愿 [49]。 * **因子具体构建过程**：对平滑后的中国主权CDS利差计算其20日差分。若20日差分 < 0（利差下降），则看多；反之看空 [49][50]。 15. **因子名称：海外风险厌恶指数因子** [52] * **因子构建思路**：通过花旗风险厌恶指数（Citi RAI Index）的变化，判断海外市场整体风险偏好，进而影响外资流向 [52]。 * **因子具体构建过程**：对平滑后的花旗风险厌恶指数计算其20日差分。若20日差分 < 0（风险厌恶下降），则看多；反之看空 [52]。 16. **因子名称：价格趋势因子** [54] * **因子构建思路**：结合价格均线距离的方向和强度，综合判断市场中长期趋势 [54]。 * **因子具体构建过程**： 1. 计算价格均线距离 = ma120 / ma240 - 1。 2. **趋势方向分数**：若均线距离 > 0，则为1；反之为-1。 3. **趋势强度分数**：若均线距离的过去20日与60日最大值相等，则为1；若过去20日与60日最小值相等，则为-1；否则为0。 4. **趋势综合分数** = (趋势方向分数 + 趋势强度分数) / 2 [54]。 17. **因子名称：新高新低数因子** [57] * **因子构建思路**：通过指数成分股创一年新高与新低的个股数量差，捕捉市场反转信号 [57]。 * **因子具体构建过程**：计算中证800成分股中，过去一年新低股票数 - 新高股票数的20日移动平均（ma20）。若该值 > 0（新低多于新高），则看多；反之看空 [57][58]。 18. **因子名称：期权隐含升贴水因子** [61] * **因子构建思路**：基于期权平价关系推导出的隐含升贴水，反映期权市场对未来标的收益率的预期，作为反转指标 [61]。 * **因子具体构建过程**：若50ETF近5日收益率 < 0，且该指标的历史分位数 < 30%，则看多并持续20日；若50ETF近5日收益率 > 0，且该指标的历史分位数 > 70%，则看空并持续20日 [61]。 19. **因子名称：期权VIX指数因子** [62] * **因子构建思路**：期权隐含波动率（VIX）反映市场对未来波动率的预期，高VIX时市场倾向于反转 [62]。 * **因子具体构建过程**：若50ETF近5日收益率 < 0，且该指标的历史分位数 > 70%，则看多并持续20日；若50ETF近5日收益率 > 0，且该指标的历史分位数 > 70%，则看空并持续20日 [62]。 20. **因子名称：期权SKEW指数因子** [66] * **因子构建思路**：期权隐含偏度（SKEW）反映市场对未来收益率分布偏度的预期，可用作反转指标 [66]。 * **因子具体构建过程**：若50ETF近5日收益率 < 0，且该指标的历史分位数 > 70%，则看多并持续20日；若50ETF近5日收益率 > 0，且该指标的历史分位数 < 30%，则看空并持续20日 [66]。 21. **因子名称：可转债定价偏离度因子** [68] * **因子构建思路**：可转债价格相对于模型理论价格的偏离度，反映市场情绪和拥挤度，作为反转指标 [68]。 * **因子具体构建过程**：计算可转债定价偏离度 = 转债价格 / 模型定价 - 1。将定价偏离度取负值，并计算其过去3年的z-score得到最终分数。定价偏离度越高，分数越低 [68]。 模型的回测效果 *注：本报告未提供模型历史回测的量化指标（如年化收益率、夏普比率、最大回撤等），仅提供了截至报告发布当周（“本周”）各维度及综合模型的信号方向和具体分数。* 1. **择时雷达六面图综合择时模型**，本周综合打分为 **-0.42** 分 [1][6][8]。 2. **择时雷达六面图综合择时模型**，本周流动性维度得分为 **0.25** 分 [1][8]。 3. **择时雷达六面图综合择时模型**，本周经济面维度得分为 **-0.50** 分 [1][8]。 4. **择时雷达六面图综合择时模型**，本周估值面维度得分为 **-0.55** 分 [2][8]。 5. **择时雷达六面图综合择时模型**，本周资金面维度得分为 **0.00** 分 [2][8]。 6. **择时雷达六面图综合择时模型**，本周技术面维度得分为 **-0.50** 分 [2][8]。 7. **择时雷达六面图综合择时模型**，本周拥挤度维度得分为 **-1.00** 分 [2][8]。 因子的回测效果 *注：本报告未提供因子历史IC、IR等量化指标，仅提供了截至报告发布当周（“本周”）各因子的信号方向和具体分数。所有因子分数均来自图表3 [9]。* 1. **货币方向因子**，本周分数为 **1.00** [9][10]。 2. **货币强度因子**，本周分数为 **0.00** [9][13]。 3. **信用方向因子**，本周分数为 **1.00** [9][16]。 4. **信用强度因子**，本周分数为 **-1.00** [9][19]。 5. **增长方向因子**，本周分数为 **1.00** [9][23][25]。 6. **增长强度因子**，本周分数为 **-1.00** [9][26]。 7. **通胀方向因子**，本周分数为 **-1.00** [9][29]。 8. **通胀强度因子**，本周分数为 **-1.00** [9][32]。 9. **席勒ERP因子**，本周分数为 **-0.06** [9][35][38]。 10. **PB因子**，本周分数为 **-0.59** [9][37]。 11. **AIAE因子**，本周分数为 **-1.00** [9][40]。 12. **两融增量因子**，本周分数为 **-1.00** [9][43]。 13. **成交额趋势因子**，本周分数为 **-1.00** [9][46]。 14. **中国主权CDS利差因子**，本周分数为 **1.00** [9][49][50]。 15. **海外风险厌恶指数因子**，本周分数为 **1.00** [9][52]。 16. **价格趋势因子**，本周分数为 **0.00** [9][54][56]。 17. **新高新低数因子**，本周分数为 **-1.00** [9][57][58]。 18. **期权隐含升贴水因子**，本周分数为 **-1.00** [9][61]。 19. **期权VIX指数因子**，本周分数为 **-1.00** [9][62]。 20. **期权SKEW指数因子**，本周分数为 **-1.00** [9][66]。 21. **可转债定价偏离度因子**，本周分数为 **-1.00** [9][68]。

量化模型与因子总结 量化模型与构建方式 1. **模型名称：国信金工指数增强组合模型**[11][12] * **模型构建思路**：以多因子选股为主体，通过收益预测、风险控制和组合优化三个主要步骤，构建能够稳定战胜特定基准指数（如沪深300、中证500等）的投资组合[11][12]。 * **模型具体构建过程**： 1. **收益预测**：基于多因子模型对股票未来收益进行预测。 2. **风险控制**：控制组合相对于基准指数在行业、风格等方面的风险暴露。 3. **组合优化**：在满足各项风险约束的条件下，通过优化算法求解最优的股票权重，以最大化预期收益或风险调整后收益[12]。 2. **模型名称：单因子MFE组合模型**[15][40] * **模型构建思路**：为了在更贴近实际投资约束（如控制行业、风格暴露）的条件下检验单因子的有效性，采用组合优化的方式，构建最大化该因子暴露的投资组合（Maximized Factor Exposure Portfolio, MFE组合），并通过该组合相对于基准的表现来判断因子有效性[15][40]。 * **模型具体构建过程**： 1. 设定优化目标为最大化组合在目标因子上的暴露度，即目标函数为： $$\max f^{T}w$$ 其中，$f$为因子取值向量，$w$为待求解的股票权重向量[40]。 2. 施加一系列实际投资约束，包括： * **风格暴露约束**：$s_{l} \leq X(w-w_{b}) \leq s_{h}$，限制组合相对于基准指数在风格因子上的偏离度，$X$为风格暴露矩阵，$w_b$为基准权重[41]。 * **行业偏离约束**：$h_{l} \leq H(w-w_{b}) \leq h_{h}$，限制组合相对于基准指数的行业偏离，$H$为行业暴露矩阵[41]。 * **个股权重偏离约束**：$w_{l} \leq w-w_{b} \leq w_{h}$，限制个股相对于其基准权重的偏离幅度[41]。 * **成分股权重占比约束**：$b_{l} \leq B_{b}w \leq b_{h}$，限制组合在基准成分股内的权重占比，$B_b$为成分股标识向量[41]。 * **卖空与权重上限约束**：$\mathbf{0} \leq w \leq l$，禁止卖空并设置个股权重上限[41]。 * **满仓约束**：$\mathbf{1}^{T}w = 1$，要求组合权重和为1，即满仓运作[42]。 3. 在每个月末，根据上述优化模型求解得到每个单因子的MFE组合权重[44]。 4. 在回测期内定期换仓，计算组合历史收益并扣除交易费用，评估其相对于基准的表现[44]。 3. **模型名称：公募重仓指数构建模型**[42][43] * **模型构建思路**：为了测试因子在公募基金持仓风格下的有效性，通过汇总公募基金定期报告的持仓信息，构建一个反映公募基金整体重仓股情况的指数，作为新的因子测试样本空间[42]。 * **模型具体构建过程**： 1. **确定样本基金**：选取普通股票型基金和偏股混合型基金，剔除规模小于五千万且上市不足半年的基金[43]。 2. **获取持仓数据**：从基金的定期报告（年报、半年报、季报）中获取持股信息。对于季报，需结合前期的年报或半年报信息来构建完整的持仓数据[43]。 3. **计算平均持仓**：将所有符合条件的基金持仓股票进行权重平均，得到公募基金的平均持仓信息[43]。 4. **筛选成分股**：将平均后的股票权重降序排序，选取累计权重达到90%的股票作为成分股，构建公募基金重仓指数[43]。 量化因子与构建方式 报告从估值、反转、成长、盈利、流动性、公司治理、分析师等多个维度构建了30余个常见因子[16]。以下是部分因子的具体构建方式： 1. **因子名称：BP (账面市值比)**[17] * **因子构建思路**：衡量公司净资产与市场价值的比率，属于估值类因子。 * **因子具体构建过程**：$$BP = \frac{净资产}{总市值}$$ 2. **因子名称：单季EP (单季度盈余价格比)**[17] * **因子构建思路**：使用单季度净利润衡量公司的短期盈利与市值关系，属于估值类因子。 * **因子具体构建过程**：$$单季EP = \frac{单季度归母净利润}{总市值}$$ 3. **因子名称：EPTTM (滚动盈余价格比)**[17] * **因子构建思路**：使用过去十二个月（TTM）的净利润衡量公司的盈利与市值关系，属于估值类因子。 * **因子具体构建过程**：$$EPTTM = \frac{归母净利润TTM}{总市值}$$ 4. **因子名称：股息率**[17] * **因子构建思路**：衡量公司的现金分红回报率，属于估值类因子。 * **因子具体构建过程**：$$股息率 = \frac{最近四个季度预案分红金额}{总市值}$$ 5. **因子名称：一个月反转**[17] * **因子构建思路**：捕捉股票的短期反转效应，即过去表现差的股票未来可能反弹，属于反转类因子。 * **因子具体构建过程**：$$一个月反转 = 过去20个交易日涨跌幅$$ 6. **因子名称：三个月反转**[17] * **因子构建思路**：捕捉股票的中期反转效应，属于反转类因子。 * **因子具体构建过程**：$$三个月反转 = 过去60个交易日涨跌幅$$ 7. **因子名称：一年动量**[17] * **因子构建思路**：捕捉股票的中长期动量效应，即过去表现好的股票未来可能继续走强，属于动量类因子。 * **因子具体构建过程**：$$一年动量 = 近一年除近一月后动量$$ (计算近一年收益率，但剔除最近一个月的收益率以避免与短期反转冲突) 8. **因子名称：单季营收同比增速**[17] * **因子构建思路**：衡量公司营业收入的短期增长情况，属于成长类因子。 * **因子具体构建过程**：$$单季营收同比增速 = 单季度营业收入同比增长率$$ 9. **因子名称：SUE (标准化预期外盈利)**[17] * **因子构建思路**：衡量公司实际盈利超出市场一致预期的程度，并进行标准化处理，属于成长类因子。 * **因子具体构建过程**：$$SUE = \frac{(单季度实际净利润 - 预期净利润)}{预期净利润的标准差}$$ 10. **因子名称：标准化预期外收入**[17] * **因子构建思路**：衡量公司实际营业收入超出市场一致预期的程度，并进行标准化处理，属于成长类因子。 * **因子具体构建过程**：$$SUR = \frac{(单季度实际营业收入 - 预期营业收入)}{预期营业收入的标准差}$$ 11. **因子名称：单季ROE (单季度净资产收益率)**[17] * **因子构建思路**：衡量公司单季度的股东权益回报率，属于盈利类因子。 * **因子具体构建过程**：$$单季ROE = \frac{单季度归母净利润 \times 2}{(期初归母净资产 + 期末归母净资产)}$$ 12. **因子名称：DELTAROE (净资产收益率变化)**[17] * **因子构建思路**：衡量公司盈利能力（ROE）的改善情况，属于盈利类因子。 * **因子具体构建过程**：$$DELTAROE = 单季度净资产收益率 - 去年同期单季度净资产收益率$$ 13. **因子名称：一个月换手**[17] * **因子构建思路**：衡量股票的短期流动性，属于流动性类因子。 * **因子具体构建过程**：$$一个月换手 = 过去20个交易日换手率均值$$ 14. **因子名称：特异度 (残差波动率)**[17] * **因子构建思路**：衡量股票价格波动中不能被常见风险因子（如Fama-French三因子）解释的部分，属于波动类因子。 * **因子具体构建过程**：$$特异度 = 1 - 过去20个交易日Fama-French三因子回归的拟合度(R^2)$$ 15. **因子名称：一个月波动**[17] * **因子构建思路**：衡量股票的短期价格波动风险，属于波动类因子。 * **因子具体构建过程**：$$一个月波动 = 过去20个交易日日内真实波幅均值$$ 16. **因子名称：高管薪酬**[17] * **因子构建思路**：以公司高管薪酬总额的对数作为公司治理水平的代理变量，属于公司治理类因子。 * **因子具体构建过程**：$$高管薪酬 = \log(前三高管报酬总额)$$ 17. **因子名称：预期EPTTM (一致预期滚动EP)**[17] * **因子构建思路**：基于分析师一致预期的未来盈利计算的盈余价格比，属于分析师类因子。 * **因子具体构建过程**：$$预期EPTTM = 一致预期滚动EP$$ 18. **因子名称：预期PEG**[17] * **因子构建思路**：结合成长性与估值，衡量股票的成长性价比，属于分析师类因子。 * **因子具体构建过程**：$$预期PEG = 一致预期PEG$$ 19. **因子名称：三个月盈利上下调**[17] * **因子构建思路**：反映分析师群体对公司盈利预期的调整方向，属于分析师类因子。 * **因子具体构建过程**：$$三个月盈利上下调 = \frac{过去3个月内分析师(上调家数 - 下调家数)}{总家数}$$ 模型的回测效果 1. **国信金工沪深300指数增强组合**，本周超额收益-0.67%，本年（今年以来）超额收益4.69%[5][14]。 2. **国信金工中证500指数增强组合**，本周超额收益-0.90%，本年（今年以来）超额收益2.67%[5][14]。 3. **国信金工中证1000指数增强组合**，本周超额收益0.01%，本年（今年以来）超额收益4.06%[5][14]。 4. **国信金工中证A500指数增强组合**，本周超额收益-1.25%，本年（今年以来）超额收益0.48%[5][14]。 因子的回测效果 (以单因子MFE组合表现衡量) **注**：以下为各因子在**最近一周**、**最近一月**和**今年以来**三个时间窗口内，相对于其对应基准指数的MFE组合超额收益表现摘要。因子方向“正向”表示因子值越大越看好，“反向”则相反。 在沪深300样本空间中[18][19] 1. **一年动量因子**，因子方向正向，最近一周超额收益0.96%，最近一月超额收益3.42%，今年以来超额收益4.54%。 2. **标准化预期外收入因子**，因子方向正向，最近一周超额收益0.78%，最近一月超额收益0.95%，今年以来超额收益3.53%。 3. **单季ROE因子**，因子方向正向，最近一周超额收益0.57%，最近一月超额收益0.72%，今年以来超额收益3.95%。 4. **EPTTM因子**，因子方向正向，最近一周超额收益-1.06%，最近一月超额收益-4.71%，今年以来超额收益-1.91%。 5. **预期EPTTM因子**，因子方向正向，最近一周超额收益-1.03%，最近一月超额收益-1.09%，今年以来超额收益2.32%。 6. **一个月波动因子**，因子方向反向，最近一周超额收益-0.93%，最近一月超额收益-4.70%，今年以来超额收益-2.57%。 在中证500样本空间中[20][21] 1. **特异度因子**，因子方向反向，最近一周超额收益表现较好（报告中未给出具体数值，表述为“表现较好”）。 2. **三个月反转因子**，因子方向反向，最近一周超额收益表现较好。 3. **标准化预期外收入因子**，因子方向正向，最近一周超额收益表现较好。 4. **预期PEG因子**，因子方向反向，最近一周超额收益表现较差。 5. **三个月换手因子**，因子方向反向，最近一周超额收益表现较差。 6. **一个月换手因子**，因子方向反向，最近一周超额收益表现较差。 在中证1000样本空间中[22][23] 1. **特异度因子**，因子方向反向，最近一周超额收益2.41%，最近一月超额收益1.49%，今年以来超额收益3.90%。 2. **三个月反转因子**，因子方向反向，最近一周超额收益1.59%，最近一月超额收益-0.34%，今年以来超额收益1.98%。 3. **一年动量因子**，因子方向正向，最近一周超额收益1.07%，最近一月超额收益3.58%，今年以来超额收益5.33%。 4. **预期BP因子**，因子方向正向，最近一周超额收益-2.38%，最近一月超额收益-5.17%，今年以来超额收益-3.92%。 5. **预期PEG因子**，因子方向反向，最近一周超额收益-2.09%，最近一月超额收益-4.23%，今年以来超额收益-0.84%。 6. **BP因子**，因子方向正向，最近一周超额收益-2.03%，最近一月超额收益-8.49%，今年以来超额收益-7.75%。 在中证A500样本空间中[24][25] 1. **一年动量因子**，因子方向正向，最近一周超额收益1.05%，最近一月超额收益3.45%，今年以来超额收益2.38%。 2. **标准化预期外收入因子**，因子方向正向，最近一周超额收益0.82%，最近一月超额收益1.80%，今年以来超额收益6.14%。 3. **高管薪酬因子**，因子方向正向，最近一周超额收益0.73%，最近一月超额收益1.93%，今年以来超额收益3.72%。 4. **单季EP因子**，因子方向正向，最近一周超额收益-1.67%，最近一月超额收益-5.22%，今年以来超额收益-1.37%。 5. **预期EPTTM因子**，因子方向正向，最近一周超额收益-1.63%，最近一月超额收益-2.98%，今年以来超额收益2.32%。 6. **三个月波动因子**，因子方向反向，最近一周超额收益-1.47%，最近一月超额收益-5.13%，今年以来超额收益-4.93%。 在公募重仓指数样本空间中[26][27] 1. **一年动量因子**，因子方向正向，最近一周超额收益表现较好。 2. **特异度因子**，因子方向反向，最近一周超额收益表现较好。 3. **三个月反转因子**，因子方向反向，最近一周超额收益表现较好。 4. **股息率因子**，因子方向正向，最近一周超额收益表现较差。 5. **预期EPTTM因子**，因子方向正向，最近一周超额收益表现较差。 6. **预期BP因子**，因子方向正向，最近一周超额收益表现较差。

量化模型与构建方式 1. **模型名称：港股精选组合模型**[13][15] * **模型构建思路**：基于分析师推荐事件构建股票池，再对池内股票进行基本面和技术面的双重筛选，以挑选出具备基本面支撑且技术面共振的超预期股票[13][15]。 * **模型具体构建过程**： 1. **构建分析师推荐股票池**：选取发生以下三类事件的股票：分析师上调盈利预测、分析师首次关注、分析师研报标题出现“超预期”字样[15]。 2. **基本面与技术面精选**：对上述股票池中的股票，从基本面和技术面两个维度进行进一步筛选，具体筛选标准未在本文中详述，可参考其专题报告[13][15]。 * **模型评价**：该模型旨在捕捉由分析师行为驱动的、且得到市场走势验证的投资机会[15]。 模型的回测效果 1. **港股精选组合模型**[15][18][19] * **回测区间**：2010年1月1日至2025年12月31日[15] * **年化收益**：19.08%[15][19] * **超额收益（相对恒生指数）**：18.06%[15][19] * **信息比率（IR）**：1.19[19] * **跟踪误差**：14.60%[19] * **最大回撤**：23.73%[19] * **收益回撤比**：0.76[19] * **本周（20260504-20260508）绝对收益**：-0.17%[1][17] * **本周（20260504-20260508）超额收益**：-2.56%[1][17] * **本年（20260102-20260508）绝对收益**：-10.42%[1][17] * **本年（20260102-20260508）超额收益**：-13.40%[1][17] 量化因子与构建方式 1. **因子名称：250日新高距离**[20][22] * **因子构建思路**：用于量化股价接近其过去一年（250个交易日）最高点的程度，该因子基于动量效应和趋势跟踪的理论，认为接近新高的股票未来表现可能更优[20]。 * **因子具体构建过程**： * 计算过去250个交易日收盘价的最大值：`ts_max(Close, 250)`[22]。 * 因子计算公式为： $$250日新高距离 = 1 - \frac{Close_t}{ts\_max(Close, 250)}$$[22] * 其中，`Close_t`为最新收盘价[22]。若最新收盘价创出新高，则因子值为0；若股价自高点回落，则因子值为正，数值越大表示回落幅度越大[22]。 2. **复合筛选方法：平稳创新高股票筛选体系**[2][22][23] * **构建思路**：在创出过250日新高的股票中，综合分析师关注度、股价相对强弱、股价路径平稳性及创新高连续性等多个角度，筛选出趋势更为稳健的“平稳创新高”股票[2][22]。 * **具体构建过程**：从全港股（剔除上市不足15个月的股票）中，按以下步骤逐层筛选[23]： 1. **分析师关注度**：过去6个月内获得“买入”或“增持”评级的分析师研报不少于5份[23]。 2. **股价相对强弱**：过去250日涨跌幅位于全样本池的前20%[23]。 3. **股价平稳性**：在满足以上条件的股票池内，使用以下两个指标综合打分，选取排名前50%的股票（最少取50只）[23]： * **价格路径平滑性（股价位移路程比）**：具体计算公式未在本文中给出[23]。 * **创新高持续性**：过去120日的“250日新高距离”在时间序列上的均值[23]。 4. **趋势延续性**：对通过上一步筛选的股票，计算其过去5日的“250日新高距离”在时间序列上的均值，并选取排序靠前的50只股票作为最终“平稳创新高”股票[23]。

证券研究报告 | 2026年05月08日 2026年05月09日 **Acknowledgments** I would like to thank my supervisor, for his kind of support. I would like to thank my supervisor, for his kind of support. 当上市公司盈余公告的业绩发生大幅变化时，作为对上市公司跟踪调研最为 密切的群体，分析师通常会在其研报的标题中鲜明标示其"业绩超预期"或 "利润超预期"，相比其它判定方式，标题超预期是分析师融合了上市公司 客观盈余数据和主观调研跟踪之后的综合判断，对上市公司是否超预期的判 定更为综合、全面。本文主要对上市公司披露 2026 年一季报（或者业绩预 告）后，至少有一篇分析师点评超预期（标题中出现"业绩"、"利润"、 "营收"、"增长"、"超预期"、"好于预期"等关键词）研报的公司进 行梳理。 一季报披露情况：截至 2026 年 5 月 7 日，在 2026 年 1 月 1 日前已上市的 A 股公司中，共超 5458 家公司披露了 2026 年一季报。 从不同指数成分股 ...

量化模型与构建方式 1. **模型名称：时间序列PB-ROE模型**[1][8][14] * **模型构建思路**：基于Wilcox & Philips (2005)的时间序列模型，用于分析指数的时间序列回报。该模型认为市场的对数市净率（Ln(P/B)）与净资产收益率（ROE）、实际利率（RealInterest）和通货膨胀率（Inflation）存在线性关系[14]。 * **模型具体构建过程**：使用周度数据，对全市场指数进行时间序列回归，拟合模型(1)。模型(1)的公式为： $$Ln(P/B)=a+b\cdot ROE+C\cdot RealInterest+d\cdot Inflation$$[8][14][15] 其中，`Ln(P/B)` 是市场整体市净率的自然对数，`ROE` 是市场整体的净资产收益率，`RealInterest` 是实际利率，`Inflation` 是通货膨胀率，`a`, `b`, `c`, `d` 是回归系数[14][15]。通过该回归方程计算出的残差，即为“PB-ROE估值偏离度”[1][8][15]。 * **模型评价**：在A股市场的实证检验显示，该模型计算出的估值偏离度与未来一周指数涨幅总体正相关，且具有统计显著性[9][15]。模型能够捕捉市场情绪（风险偏好）的变化，当偏离度为正时，表明市场情绪高涨；为负时，表明市场情绪低迷[1][9][15]。 2. **模型名称：基于PB-ROE估值偏离度的周度仓位择时模型**[2][10][19] * **模型构建思路**：利用“时间序列PB-ROE模型”计算出的“PB-ROE估值偏离度”及其历史统计特征（均值、标准差），构建一个四档的周度战术仓位配置信号模型[2][10][19]。 * **模型具体构建过程**： 1. 首先，计算“PB-ROE估值偏离度”的历史均值（μ）和标准差（σ）[2][10]。 2. 然后，根据当前估值偏离度（D）相对于历史均值±1倍标准差的相对位置，确定仓位信号[2][10][19]： * 当 D > μ + 1σ 时，发出 **高仓位** 信号[19]。 * 当 μ < D ≤ μ + 1σ 时，发出 **低仓位** 信号[19]。 * 当 μ - 1σ < D ≤ μ 时，发出 **中等仓位** 信号[19]。 * 当 D ≤ μ - 1σ 时，发出 **中高仓位** 信号[19]。 模型的回测效果 1. **时间序列PB-ROE模型**，**PB-ROE估值偏离度与未来第1周指数涨幅正相关性**具有统计显著性[15][17]。 2. **基于PB-ROE估值偏离度的周度仓位择时模型**，**历史回测显示仓位择时策略能够有效降低回撤、提高收益**[19]。 量化因子与构建方式 1. **因子名称：PB-ROE估值偏离度**[1][8][15] * **因子的构建思路**：该因子是“时间序列PB-ROE模型”的回归残差，代表了市场实际估值（PB）相对于其基本面（ROE、利率、通胀）所决定的合理估值的偏离程度[1][8][15]。 * **因子具体构建过程**：作为“时间序列PB-ROE模型”的副产品，其构建过程与模型构建过程一致。具体为：对全市场指数应用模型(1) $$Ln(P/B)=a+b\cdot ROE+C\cdot RealInterest+d\cdot Inflation$$ 进行回归，将实际观测到的 `Ln(P/B)` 值代入回归方程后计算出的残差（即实际值减去模型预测值），即为PB-ROE估值偏离度[8][15]。 * **因子评价**：该因子被解释为市场情绪的代理指标。当因子值>0时，表明实际PB高于基本面合理值，市场情绪高涨，风险偏好提升；当因子值<0时，表明实际PB低于基本面合理值，市场情绪低迷，风险偏好下降[1][9][15]。该因子与未来短期市场收益（如下一周涨幅）存在正相关关系[9][15]。 因子的回测效果 1. **PB-ROE估值偏离度因子**，**与未来第1周指数涨幅正相关**[9][15]。 2. **PB-ROE估值偏离度因子**，按因子值升序分为4组后，**因子值最高的第4组未来第1周涨幅显著最高**[18][21]。因子值较低的组也有正收益，表明低估值时存在安全边际和投资机会[18]。