量化模型与构建方式 1. **模型名称：A股景气度高频指数**[43] * **模型构建思路**：以上证指数归母净利润同比为Nowcasting（即时预测）目标，构建一个能够高频反映A股景气度的指数，用于观测景气周期的变化[43]。 * **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，仅提及构建详情需参考另一篇报告《视角透析：A股景气度高频指数构建与观察》[43]。 2. **模型名称：A股情绪指数系统**[49] * **模型构建思路**：通过量价数据（波动率和成交额）的变化方向来刻画市场情绪，并据此构建包含见底预警与见顶预警的情绪指数，用于择时判断[49]。 * **模型具体构建过程**： 1. 将市场状态根据波动率和成交额的变化方向划分为四个象限[49]。 2. 通过历史统计发现，只有“波动率上行-成交额下行”的区间表现为显著负收益，其余三个象限均为显著正收益[49]。 3. 基于此规律，分别构造了A股情绪见底预警指数（主要基于价格/波动信号）和见顶预警指数（主要基于成交量信号）[49][53]。 4. 综合两个预警指数的信号（“多”或“空”），得出对后市的整体观点[52][53]。 3. **模型名称：主题挖掘算法**[61] * **模型构建思路**：通过对新闻和研报文本进行多维度处理，挖掘主题投资机会，包括识别主题关键词、挖掘主题与个股关联、构建主题活跃周期和影响力因子等[61]。 * **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，仅概述了其构建的多个维度[61]。 4. **模型名称：中证500增强组合策略模型**[64] * **模型构建思路**：构建一个旨在持续跑赢中证500指数的量化增强投资组合[62]。 * **模型具体构建过程**：报告未披露该策略模型的具体因子构成、权重配置及组合优化方法。 5. **模型名称：沪深300增强组合策略模型**[72] * **模型构建思路**：构建一个旨在持续跑赢沪深300指数的量化增强投资组合[71]。 * **模型具体构建过程**：报告未披露该策略模型的具体因子构成、权重配置及组合优化方法。 6. **模型名称：BARRA风格因子模型**[73] * **模型构建思路**：参照BARRA模型框架，对A股市场构建一系列风格因子，用于解释股票收益的差异，并进行组合的绩效归因分析[73][83]。 * **模型具体构建过程**：报告列出了所构建的十大类风格因子名称，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）[73]。但未提供每个因子的具体计算公式。 量化因子与构建方式 1. **因子名称：十大类风格因子**[73] * **因子构建思路**：基于BARRA模型框架，从不同维度刻画A股上市公司的特征，以解释其收益来源[73]。 * **因子具体构建过程**：报告未提供每个风格因子的详细计算公式。十大类风格因子包括：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）和杠杆（LVRG）[73]。 2. **因子名称：行业因子**[74] * **因子构建思路**：用于刻画不同行业对股票收益的影响[74]。 * **因子具体构建过程**：报告未提供行业因子的具体构建方法。 模型的回测效果 1. **A股情绪指数系统择时表现**：报告提供了该系统的择时表现图表，但未给出具体的量化指标数值[59]。 2. **中证500增强组合**：截至报告期（2026年4月17日当周），该组合自2020年至今相对中证500指数的累计超额收益为53.52%，期间最大回撤为-10.90%[61]。 3. **沪深300增强组合**：截至报告期（2026年4月17日当周），该组合自2020年至今相对沪深300指数的累计超额收益为47.47%，期间最大回撤为-5.86%[69]。 因子的回测效果 1. **风格因子表现（近一周）**： * 从纯因子收益看，Beta因子超额收益较高，价值（BTOP）因子呈现较为显著的负向超额收益[74]。 * 从近期表现看，高Beta、高动量（MOM）因子表现优异，流动性（LIQUIDITY）、价值（BTOP）等因子表现不佳[74]。 2. **行业因子表现（近一周）**： * 银行、房地产、通信等行业因子相对市场市值加权组合跑出较高超额收益[74]。 * 石油石化、医药、传媒等行业因子回撤较多[74]。

量化模型与构建方式 1. **模型名称：成交量模型**[11] * **模型构建思路：** 基于市场成交量的变化来判断短期市场情绪和方向。 * **模型具体构建过程：** 报告未详细说明具体构建过程和公式。 2. **模型名称：特征龙虎榜机构模型**[11] * **模型构建思路：** 利用龙虎榜中机构的买卖行为数据构建特征，用于判断市场短期走势。 * **模型具体构建过程：** 报告未详细说明具体构建过程和公式。 3. **模型名称：特征成交量模型**[11] * **模型构建思路：** 基于成交量的某些特征（可能如放量/缩量、量价关系等）来构建短期择时信号。 * **模型具体构建过程：** 报告未详细说明具体构建过程和公式。 4. **模型名称：智能算法沪深300模型/智能算法中证500模型**[11] * **模型构建思路：** 运用智能算法（如机器学习等）对特定宽基指数（沪深300、中证500）进行择时判断。 * **模型具体构建过程：** 报告未详细说明具体算法、特征和构建过程。 5. **模型名称：涨跌停模型**[12] * **模型构建思路：** 通过分析市场涨跌停股票的数量、分布等特征，来判断中期市场情绪和趋势强度。 * **模型具体构建过程：** 报告未详细说明具体构建过程和公式。 6. **模型名称：上下行收益差模型**[12] * **模型构建思路：** 通过计算市场或指数上行与下行阶段的收益差异，来判断中期市场动能和方向。 * **模型具体构建过程：** 报告未详细说明具体计算方法和公式。 7. **模型名称：月历效应模型**[12] * **模型构建思路：** 基于历史数据中存在的月份、季节等周期性规律（月历效应）进行择时。 * **模型具体构建过程：** 报告未详细说明具体效应规则和构建过程。 8. **模型名称：长期动量模型**[13] * **模型构建思路：** 依据资产价格的长期趋势（动量）进行择时，认为过去表现好的资产未来会继续好。 * **模型具体构建过程：** 报告未详细说明计算动量的时间窗口和具体公式。 9. **模型名称：A股综合兵器V3模型**[14] * **模型构建思路：** 一个综合性的A股择时模型（V3版本），可能整合了多个周期或类型的子模型信号。 * **模型具体构建过程：** 报告未详细说明子模型构成和综合方式。 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指数的综合性择时模型。 * **模型具体构建过程：** 报告未详细说明具体构建过程。 11. **模型名称：成交额倒波幅模型**[15] * **模型构建思路：** 结合成交额和波动率（波幅）的倒数或相关关系，用于港股市场的中期择时。 * **模型具体构建过程：** 报告未详细说明具体公式和构建过程。 12. **模型名称：恒生指数/恒生国企指数上下行收益差相似多空模型**[15] * **模型构建思路：** 在“上下行收益差”模型基础上，引入“相似多空”逻辑，可能用于判断港股指数情绪。 * **模型具体构建过程：** 报告未详细说明“相似多空”的具体定义和模型构建过程。 13. **模型名称：双底形态识别模型**[42][48] * **模型构建思路：** 基于技术分析中的“双底”价格形态进行选股或择时，该形态通常被视为看涨反转信号。 * **模型具体构建过程：** 报告未详细说明形态识别的量化规则（如A、B、C、E点的定义，突破条件等）。 14. **模型名称：杯柄形态识别模型**[42][43] * **模型构建思路：** 基于技术分析中的“杯柄”价格形态进行选股或择时，该形态通常被视为看涨持续信号。 * **模型具体构建过程：** 报告未详细说明形态识别的量化规则（如A、B、C点的定义，杯深、柄长等参数）。 15. **模型名称：倒杯子形态识别模型**[61] * **模型构建思路：** 基于技术分析中的“倒杯子”价格形态识别风险个股，该形态是典型的负向（看跌）形态。 * **模型具体构建过程：** 报告未详细说明形态识别的量化规则。 模型的回测效果 1. **双底形态模型**，本周收益2.32%，同期上证综指涨跌幅1.64%，本周超额收益0.69%，自2020年12月31日至今累计收益24.29%，累计超额收益7.64%[42]。 2. **杯柄形态模型**，本周收益2.04%，同期上证综指涨跌幅1.64%，本周超额收益0.41%，自2020年12月31日至今累计收益23.46%，累计超额收益6.81%[42]。 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：** 通过跟踪分析师对个股盈利预测的上调或下调比例，来观察行业或个股的预期变化。 * **因子具体构建过程：** 报告展示了各行业“分析师上调个股比例”和“分析师下调个股比例”的数据，但未给出具体的因子计算公式[19][20]。 因子的回测效果 *(报告中未提供具体因子的独立回测绩效指标，如IC、IR、多空收益等。)*

量化模型与构建方式 1. **模型名称：宽基轮动策略**[13] * **模型构建思路**：基于市场情绪热度，构建一个在主流宽基指数间进行轮动的策略。每周选择市场关注度（总热度）边际提升最显著的宽基指数进行投资，若关注度提升最大的是非主流股票（“其他”组），则选择空仓。[13] * **模型具体构建过程**： 1. 将全市场股票按成分股归属分为五组：沪深300、中证500、中证1000、中证2000以及“其他”（不属于前四组的股票）。[9] 2. 计算每组股票的总热度：对该组内所有成分股的“个股总热度”指标进行求和。[9] 3. 计算每组总热度的周度变化率。[13] 4. 对周度变化率进行MA2（2期移动平均）平滑处理。[13] 5. 在每周最后一个交易日，选择MA2值最大的宽基组（若为“其他”组则空仓），买入该组对应的指数（或等权组合）。[13] 2. **模型名称：热门概念内高低热度选股策略**[31] * **模型构建思路**：在短期内受市场情绪驱动、关注度急剧上升的热门概念板块中，逆向选择板块内关注度最低的个股，以期获得超额收益。其逻辑在于热门概念中的高关注度个股可能已充分定价，而低关注度个股存在反应不足的可能。[30][31] * **模型具体构建过程**： 1. **构建TOP组合**： * 在每周最后一个交易日，筛选出本周总热度变化率最大的5个概念。[31] * 将这5个概念的所有成分股合并为初始股票池。[31] * 剔除股票池中流通市值最小的20%股票。[31] * 在每个热门概念中，选出“个股总热度”排名前10的个股。[31] * 将选出的所有个股等权构建组合，称为“热度TOP组合”。[31] 2. **构建BOTTOM组合**： * 前三个步骤与TOP组合相同。[31] * 在每个热门概念中，选出“个股总热度”排名最后10的个股。[31] * 将选出的所有个股等权构建组合，称为“热度BOTTOM组合”。[31] 模型的回测效果 1. **宽基轮动策略**，年化收益率11.54%[16]，最大回撤23.5%[16]，2026年收益为2.3%[16] 2. **热门概念内高低热度选股策略（BOTTOM组合）**，年化收益17.05%[33]，最大回撤28.89%[33]，2026年收益为-6.3%[33] 量化因子与构建方式 1. **因子名称：个股总热度**[8] * **因子构建思路**：从行为金融学角度，用个股的浏览、自选与点击数据来度量市场对该股票的关注度，作为“情绪热度”的代理变量。[8] * **因子具体构建过程**： 1. 获取个股单日的浏览、自选与点击次数。[8] 2. 将这三项数据求和。[8] 3. 将该求和值除以当日全市场所有股票的该项求和总值，进行归一化。[8] 4. 将归一化后的数值乘以10000，使因子值区间落在[0, 10000]。[8] * 公式：$$个股总热度 = \frac{个股日度（浏览次数+自选次数+点击次数）}{全市场日度（浏览次数+自选次数+点击次数）之和} \times 10000$$[8] 2. **因子名称：宽基/行业/概念总热度**[8] * **因子构建思路**：将个股层面的关注度（情绪热度）聚合到宽基指数、行业或概念板块层面，用于追踪更大范围的市场情绪变化。[8] * **因子具体构建过程**：对目标宽基指数、申万行业或概念板块内的所有成分股的“个股总热度”因子值进行直接求和。[8][9] 3. **因子名称：热度周度变化率MA2**[13][20] * **因子构建思路**：计算宽基、行业或概念“总热度”的边际变化，并做平滑处理，以观察市场情绪热度的短期动向。[13][20] * **因子具体构建过程**： 1. 计算目标对象（宽基、行业、概念）本周“总热度”相比上周的变化率。[13][20] 2. 对该周度变化率序列进行2期移动平均（MA2）处理。[13][20] 因子的回测效果 *(注：报告未提供单个因子的独立测试结果（如IC、IR等），仅展示了基于因子构建的策略组合表现。)*

2026 年 4 月 19 日 总量研究 资金面表现积极 ——金融工程市场跟踪周报 20260419 要点 市场核心观点： 本周（2026.04.13-2026.04.17，下同）A 股市场震荡上涨，通信、电子领涨行 业指数，主要宽基指数量能亦有回升。资金面方面，周度融资净买入额环比持续 提升，资金面边际表现积极。情绪面、资金面提振下，量能稍显不足，后市或延 续震荡上行表现，若量能转向收缩，需防范市场回调风险。中长期维持震荡上行 判断，看好"科技+红利"配置主线。 本周市场所有指数均表现为上涨，上证综指上涨 1.64%，上证 50 上涨 0.39%， 沪深 300 上涨 1.99%，中证 500 上涨 3.07%，中证 1000 上涨 3.87%，创业板 指上涨 6.65%，北证 50 指数上涨 7.43%。 截至 2026 年 4 月 17 日，宽基指数来看，上证 50、中证 500、中证 1000、创 业板指处于估值分位数"适中"等级，上证指数、沪深 300 处于估值分位数"危 险"等级。 中信一级行业分类来看，食品饮料、非银行金融处于估值分位数"安全"等级。 截面波动率来看，沪深 300、中证 1000 ...

量化模型与因子总结 根据所提供的研报内容，该报告主要侧重于市场回顾、行业比较和走势推演，并未涉及传统意义上的量化模型（如多因子选股模型、风险模型）或量化因子（如价值、动量、质量等因子的具体构建与测试）[1][2][3][4]。报告中的分析更多是基于历史价格数据的统计、图表形态观察和主观逻辑推演。 报告内容中与量化分析相关的部分主要体现在对市场数据的统计处理和分类比较上，具体如下： 量化模型与构建方式 **1. 模型名称：行业弹性比较模型** * **模型构建思路**：通过计算并比较不同行业指数在特定时间区间内的价格涨幅，以衡量各行业在牛市中的相对强弱和弹性[5]。 * **模型具体构建过程**： 1. 确定基准时间点（例如：2024年2月5日，被视为本轮牛市的起点）[6]。 2. 选取截至分析日（2026年4月17日）的各行业指数价格高点[6]。 3. 计算每个行业的“区间最大涨幅”，公式为： $$区间最大涨幅(\%) = \frac{区间高点价格 - 起涨日价格}{起涨日价格} \times 100\%$$ 其中，起涨日价格对应基准时间点的指数价格，区间高点价格为截至分析日的历史最高价格[6]。 4. 按“区间最大涨幅”从高到低对行业进行排序，形成行业弹性排行榜[6]。 **2. 模型名称：分类股票走势比较模型** * **模型构建思路**：将A股股票按是否被公募基金重仓以及是否属于“50”成分股进行分类，分别构建组合并计算其累计净值，以观察不同类别股票的市场表现差异[11][12]。 * **模型具体构建过程**： 1. **股票分类**： * **公募重仓50（A股）**：被公募基金重仓且属于某“50”指数成分股的A股股票[12]。 * **公募重仓非50（A股）**：被公募基金重仓但不属于“50”指数成分股的A股股票[12]。 * **非公募重仓股（A股）**：未被公募基金重仓的A股股票[12]。 2. **净值计算**：以某个特定起始日期（报告中未明确，推测为年初）为基点，将各类别组合的初始净值设为1.00，随后根据组合内股票的价格变化计算每日或每周的累计净值[12]。 3. **走势比较**：绘制三类组合累计净值随时间变化的曲线，并进行比较分析[12]。 模型的回测效果 （注：报告中未提供上述模型在历史样本外的严格回测绩效指标，如年化收益率、夏普比率、最大回撤等。仅提供了截至报告日的统计结果。） 1. **行业弹性比较模型**，截至2026年4月17日，通信行业区间最大涨幅为292.24%，有色金属为260.72%，电子为184.01%[6]。 2. **分类股票走势比较模型**，年初至2026年4月17日，公募重仓50（A股）累计净值为1.16，公募重仓非50（A股）为1.11，非公募重仓股（A股）为1.06[12]。 量化因子与构建方式 （注：报告中未涉及可用于选股或解释收益的量化因子（如估值、成长、动量等）的构建与测试。） 因子的回测效果 （注：报告中未涉及量化因子的回测效果。）

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**：使用卷积神经网络（CNN）对图表化的个股价量数据进行建模，以识别与未来价格走势相关的模式，并将学习到的特征映射到行业主题板块，生成配置建议[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。价量数据通常包括价格（如开盘价、收盘价）和成交量等[76]。 2. **模型训练**：使用卷积神经网络对上述生成的图表化数据进行训练。模型的目标是学习从图表中提取的特征与未来股价表现之间的关系[76]。 3. **特征映射**：将训练好的CNN模型学习到的有效特征，应用于行业或主题板块层面的分析，识别出具有相似上涨模式的板块[76]。 4. **输出配置**：模型最终输出当前看好的行业主题板块及对应的具体指数[76][77]。 2. **模型名称：GFTD模型**[79] * **模型评价**：报告提及该模型历史择时成功率约为80%，但指出在市场波动不确定性下模型信号存在失效可能[79]。 3. **模型名称：LLT模型**[79] * **模型评价**：报告提及该模型历史择时成功率约为80%，但指出在市场波动不确定性下模型信号存在失效可能[79]。 量化因子与构建方式 1. **因子名称：宏观因子事件**[52][53] * **因子构建思路**：跟踪一系列国内外宏观指标，根据其近期走势定义出特定的事件类型，并利用历史回测筛选出对未来资产收益率有显著预测作用的有效事件，作为判断市场趋势的依据[52][53]。 * **因子具体构建过程**： 1. **指标选择**：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，例如PMI、CPI同比、PPI同比、M2同比、社融、10年期国债收益率、美元指数等[52][53]。 2. **事件定义**：针对每个宏观指标，定义四类表征其走势的事件：**短期高点/低点**、**连续上涨/下跌**、**创历史新高/新低**、**因子走势反转**[53]。 3. **有效性检验**：从历史数据中寻找“有效因子事件”，即那些发生后，对资产（如股票）未来收益率产生统计上显著影响的事件[53]。 4. **趋势分类与信号生成**：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**。统计历史上在指标处于不同趋势下，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情况，生成看多或看空的观点信号[55][56]。 2. **因子名称：新高新低比例**[34] * **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，来度量市场的极端情绪和广度[34]。 * **因子具体构建过程**：分别计算创近60日新高的个股数占总个股数的比例（**新高比例**），以及创近60日新低的个股数占总个股数的比例（**新低比例**）。报告展示了这两个比例的时间序列[34][35]。 3. **因子名称：个股均线结构指标（均线强弱指标）**[38][39] * **因子构建思路**：通过比较个股短期、中期、长期均线的相对位置，构建反映市场整体技术形态强弱的指标[38]。 * **因子具体构建过程**：计算呈现**多头排列**（通常指短期均线在中期均线之上，中期均线在长期均线之上）的个股占比，与呈现**空头排列**（排列顺序相反）的个股占比之差。公式表示为： $$均线强弱指标 = (多头排列个股数占比) - (空头排列个股数占比)$$ 报告展示了该指标的时间序列，例如前期值为-33.2%，最新值降至-35.7%[38][39]。 4. **因子名称：长期均线以上比例**[41] * **因子构建思路**：统计股价位于长期均线（如200日均线）之上的个股比例，用以衡量市场整体的长期趋势强度[41]。 * **因子具体构建过程**：在特定时间点，计算当前股价位于其200日移动平均线之上的股票数量，除以总股票数量，得到**长期均线以上比例**[41][42]。 5. **因子名称：风险溢价**[64][78] * **因子构建思路**：通过比较股票资产与债券资产的隐含收益率，来判断股票市场的相对估值吸引力[64][78]。 * **因子具体构建过程**：以中证全指为例，计算公式为： $$风险溢价 = (中证全指静态PE的倒数) - (十年期国债收益率)$$ 即，风险溢价 = 盈利收益率 - 无风险利率。报告会跟踪该指标的绝对数值及其相对于历史均值和标准差的边界（如±2倍标准差）[64][65][78]。 6. **因子名称：指数超买超卖指标**[67][71] * **因子构建思路**：通过量化方法计算主要宽基指数和行业指数处于“超跌”状态的百分比，以识别市场或行业可能存在的超卖机会[67][71]。 * **因子具体构建过程**：报告未详细说明具体计算方法，但展示了截至报告日（NEW）和某一历史基准日（20181228）两个时点，各指数“超跌”指标的横截面对比数据[67][68][71][72]。 模型的回测效果 1. **卷积神经网络趋势观察模型**，最新配置主题为新能源、通信、电子，具体推荐指数包括：国证新能源车电池指数、中证5G通信主题指数、创业板动量成长指数、中证新能源汽车产业指数、中证新能源汽车指数[77][78]。 2. **GFTD模型**，历史择时成功率约80%[79]。 3. **LLT模型**，历史择时成功率约80%[79]。 因子的回测效果 1. **宏观因子事件**，当前有效信号：PMI（3月均线趋势）看多股票；CPI同比（1月均线趋势）看多股票；社融存量同比（1月均线趋势）看多股票；10年期国债收益率（12月均线趋势）看多股票；美元指数（1月均线趋势）看多股票[56]。 2. **新高新低比例**，最新一期（2026年4月13日-17日）数据：创近60日新高个股数占比从前一期的9.1%升至11.3%；创近60日新低个股数占比从前一期的6.5%升至8.0%[34]。 3. **个股均线结构指标**，最新一期数据：多头排列减空头排列个股占比从前一期的-33.2%降至-35.7%[38]。 4. **风险溢价**，截至2026年4月17日数据：中证全指风险溢价为2.54%，其两倍标准差上边界为4.56%[78]。 5. **指数超买超卖指标**，截至2026年4月17日数据：展示了主要宽基指数（如中证全指、沪深300、创业板指等）和申万一级行业指数（如有色金属、电子、汽车等）的超跌指标具体数值[68][72]。

量化模型与因子总结 量化模型与构建方式 1. 短期择时模型 - **模型名称**：短期择时模型 - **模型构建思路**：通过综合评估宏观基本面、估值面、情绪面和流动性四个维度的多个指标，生成周度的市场总仓位信号，以判断市场短期走势[7][16]。 - **模型具体构建过程**： 1. **指标选取与信号生成**：模型从四个一级维度（基本面、估值面、情绪面、流动性）选取多个二级指标。每个指标根据其当前值在过去5年历史数据中的分位数，被赋予一个定性信号（乐观/谨慎/中性）[16][17][19]。 2. **维度综合信号**：每个一级维度的最终信号由其下属的二级指标信号综合决定（例如，基本面维度综合了制造业PMI、信贷脉冲、M1增速的信号）[16][19]。 3. **总仓位信号合成**：最终的总仓位信号由四个维度的综合信号进一步合成，输出为一个仓位比例值（例如0.00， 0.50， 1.00），代表看空、中性或看多的仓位建议[19][23]。 2. 成长价值风格轮动模型 - **模型名称**：成长价值风格轮动模型 - **模型构建思路**：通过动态宏观、估值回归、短期动量、风格广度和风格拥挤度等多个信号，综合判断并推荐超配成长或价值风格[24][25]。 - **模型具体构建过程**： 1. **多信号合成**：模型包含五个子信号：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。每个信号独立计算，并输出一个建议配置成长风格的仓位比例（0%或100%）[25]。 2. **信号平滑与综合**：对上述五个信号的输出进行5日平均，得到最终的“5D平均仓位_成长”和“5D平均仓位_价值”，以此作为风格配置建议[25]。报告提到了两种综合信号方式：“综合信号1_无中性仓位”和“综合信号2_5D平均仓位”[25]。 3. 小盘大盘风格轮动模型 - **模型名称**：小盘大盘风格轮动模型 - **模型构建思路**：主要从流动性视角出发，选取11个有效轮动指标，构建综合信号来判断小盘或大盘风格的占优方向[27][29]。 - **模型具体构建过程**： 1. **多指标投票机制**：模型基于11个指标，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[29]。每个指标独立判断，输出建议配置小盘风格的仓位比例（0%或100%）[29]。 2. **综合信号生成**：将所有指标的信号进行综合（具体综合方式未详细说明，可能为简单平均或投票），生成最终的“综合信号：小盘”和“综合信号：大盘”仓位建议[29]。报告中还提到了对综合信号进行“3D平滑”处理[29]。 模型的回测效果 1. 短期择时模型 - **回测区间**：2012年底至今（至2026年4月）[18][21] - **年化收益率**：15.79%[18][21] - **基准年化收益率**：4.98%（月度中性持仓再平衡）[18][21] - **年化超额收益率**：10.81%[18] - **年化波动率**：14.79%[21] - **最大回撤**：15.05%[18][21] - **夏普比率**：0.9304[21] - **收益回撤比**：1.0494[21] - **月度胜率**：65.84%[21] - **季度胜率**：60.00%[21] - **年度胜率**：73.33%[21] 2. 成长价值风格轮动模型 - **回测区间**：2011年至今（至2026年4月19日）[24][25] - **模型年化收益率**：14.62%（综合信号2_5D平均仓位）[24][25] - **基准年化收益率**：6.62%（月度风格均衡配置）[24][25] - **年化超额收益率**：7.99%[24][25] - **年化波动率**：21.40%[25] - **最大回撤**：40.08%[25] - **夏普比率**：0.65[25] - **收益回撤比**：0.36[25] - **年化跟踪误差**：5.88%[25] - **年化信息比率(IR)**：1.36[25] - **月度超额胜率**：66.49%[25] 3. 小盘大盘风格轮动模型 - **回测区间**：2014年以来[28][29] - **综合策略年化收益**：20.00%（综合信号3D平滑）[29] - **综合策略年化超额收益率**：12.46%[29] - **综合策略最大回撤**：40.70%[29] - **交易胜率**：50.31%[29] - **平均换手间隔**：19个交易日[29] 量化因子与构建方式 （注：报告中未详细描述独立因子的构建过程，所有指标均作为模型的输入信号使用，未单独作为选股因子进行测试。因此，本部分仅列出报告中提及的作为模型输入的具体指标。） 1. 短期择时模型相关指标 - **基本面指标**：制造业PMI、信贷脉冲环比变化分位数、M1同比增速（HP滤波去趋势）分位数[16][19]。 - **估值面指标**：A股整体PE分位数、A股整体PB分位数[16][19]。 - **情绪面指标**：A股整体Beta离散度分位数、A股整体量能情绪分位数、A股整体波动率分位数[17][19]。 - **流动性指标**：货币利率指标分位数、汇率预期指标分位数、沪深净融资额5日均值分位数[17][19]。 2. 小盘大盘轮动模型相关指标 - **指标列表**：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1000MACD(10,20,10)、中证1000交易量能[29]。 因子的回测效果 （注：报告未提供上述指标作为独立选股因子的测试结果，仅在小盘大盘轮动模型中列出了各指标作为独立轮动信号的年化收益等表现[29]。） 小盘大盘轮动模型各指标表现（2014年以来） - **融资买入余额变化**：年化收益12.90%，年化超额收益5.35%，最大回撤44.32%[29] - **大宗交易折溢价率**：年化收益16.52%，年化超额收益8.98%，最大回撤40.67%[29] - **A股龙虎榜买入强度**：年化收益12.39%，年化超额收益4.84%，最大回撤54.66%[29] - **R007**：年化收益11.63%，年化超额收益4.09%，最大回撤57.98%[29] - **主题投资交易情绪**：年化收益13.09%，年化超额收益5.54%，最大回撤55.35%[29] - **等级利差**：年化收益12.55%，年化超额收益5.01%，最大回撤46.47%[29] - **期权波动率风险溢价**：年化收益13.26%，年化超额收益5.71%，最大回撤63.43%[29] - **beta离散度**：年化收益10.37%，年化超额收益2.82%，最大回撤53.65%[29] - **pb分化度**：年化收益16.98%，年化超额收益9.44%，最大回撤45.00%[29] - **中证1000MACD(10,20,10)**：年化收益16.16%，年化超额收益8.61%，最大回撤37.87%[29] - **中证1000交易量能**：年化收益17.06%，年化超额收益9.51%，最大回撤39.27%[29]

量化模型与构建方式 1. **模型名称：PB-ROE-50 组合** * **模型构建思路：** 基于市净率（PB）和净资产收益率（ROE）构建选股模型，旨在寻找估值合理且盈利能力强的股票[23]。 * **模型具体构建过程：** 报告未详细描述该模型的构建公式和具体步骤，仅提及其为基于PB和ROE的选股组合[23]。 2. **模型名称：机构调研组合（公募调研选股策略 & 私募调研跟踪策略）** * **模型构建思路：** 利用机构调研事件作为选股信号，构建投资组合[25]。 * **模型具体构建过程：** 报告未详细描述该模型的构建公式和具体步骤，仅提及其为基于机构调研事件的选股策略[25]。 3. **模型名称：大宗交易组合** * **模型构建思路：** 基于“高成交、低波动”原则筛选大宗交易股票，即选择“大宗交易成交金额比率”高且“6日成交金额波动率”低的股票构建组合[29]。 * **模型具体构建过程：** 报告未给出具体的构建公式，但说明了核心筛选逻辑：1) “大宗交易成交金额比率”越高越好；2) “6日成交金额波动率”越低越好。组合采用月频调仓方式[29]。 4. **模型名称：定向增发组合** * **模型构建思路：** 以定向增发的股东大会公告日为事件节点，进行事件驱动选股[35]。 * **模型具体构建过程：** 报告未给出具体的构建公式，但说明了构建时综合考虑了市值因素、调仓周期以及对仓位的控制[35]。 模型的回测效果 1. **PB-ROE-50 组合**，本周超越基准收益率(中证500) 0.31%[24]，本周超越基准收益率(中证800) 1.03%[24]，本周超越基准收益率(全市场) 2.63%[24]，今年以来超额收益率(中证500) 1.60%[24]，今年以来超额收益率(中证800) 8.10%[24]，今年以来超额收益率(全市场) 9.02%[24]，本周绝对收益率(中证500) 3.39%[24]，本周绝对收益率(中证800) 3.35%[24]，本周绝对收益率(全市场) 5.39%[24]，今年以来绝对收益率(中证500) 11.79%[24]，今年以来绝对收益率(中证800) 12.72%[24]，今年以来绝对收益率(全市场) 15.19%[24] 2. **机构调研组合（公募调研选股）**，本周超越基准收益率 0.93%[26]，今年以来超额收益率 -3.17%[26]，本周绝对收益率 3.24%[26]，今年以来绝对收益率 0.97%[26] 3. **机构调研组合（私募调研跟踪）**，本周超越基准收益率 0.22%[26]，今年以来超额收益率 7.06%[26]，本周绝对收益率 2.52%[26]，今年以来绝对收益率 11.63%[26] 4. **大宗交易组合**，本周超越基准收益率 -0.68%[30]，今年以来超额收益率 6.90%[30]，本周绝对收益率 2.00%[30]，今年以来绝对收益率 12.95%[30] 5. **定向增发组合**，本周超越基准收益率 -1.23%[36]，今年以来超额收益率 2.91%[36]，本周绝对收益率 1.43%[36]，今年以来绝对收益率 8.73%[36] 量化因子与构建方式 1. **因子名称：单季度ROA同比** * **因子构建思路：** 衡量公司单季度总资产收益率（ROA）的同比增长情况，属于成长类因子[12]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常，单季度ROA同比 = (本期单季度净利润 / 本期单季度平均总资产) / (上年同期单季度净利润 / 上年同期单季度平均总资产) - 1。 2. **因子名称：单季度营业收入同比增长率** * **因子构建思路：** 衡量公司单季度营业收入的同比增长情况，属于成长类因子[12]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常，单季度营业收入同比增长率 = (本期单季度营业收入 / 上年同期单季度营业收入) - 1。 3. **因子名称：单季度ROE同比** * **因子构建思路：** 衡量公司单季度净资产收益率（ROE）的同比增长情况，属于成长类因子[12]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常，单季度ROE同比 = (本期单季度净利润 / 本期单季度平均净资产) / (上年同期单季度净利润 / 上年同期单季度平均净资产) - 1。 4. **因子名称：标准化预期外盈利** * **因子构建思路：** 衡量公司盈利超出市场一致预期的程度，属于预期类因子[14]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常，标准化预期外盈利 = (实际公布的盈利 - 市场一致预期盈利) / 盈利预测的标准差或股价。 5. **因子名称：总资产增长率** * **因子构建思路：** 衡量公司总资产的增长情况，属于成长类因子[16]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常为总资产同比或环比增长率。 6. **因子名称：标准化预期外收入** * **因子构建思路：** 衡量公司营业收入超出市场一致预期的程度，属于预期类因子[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常，标准化预期外收入 = (实际公布的营业收入 - 市场一致预期营业收入) / 营业收入预测的标准差或股价。 7. **因子名称：5日反转** * **因子构建思路：** 基于过去5个交易日的收益率进行反向操作，认为短期存在反转效应，属于技术类因子[12]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常，5日反转因子值 = -1 * 过去5个交易日的累计收益率。 8. **因子名称：市盈率TTM倒数** * **因子构建思路：** 市盈率（PE TTM）的倒数，即盈利收益率（Earnings Yield），属于估值类因子[14]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常，市盈率TTM倒数 = 1 / 市盈率(TTM)。 9. **因子名称：市盈率因子** * **因子构建思路：** 直接使用市盈率（PE）作为估值衡量指标，属于估值类因子[14]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常为市盈率（TTM或静态）。 10. **因子名称：下行波动率占比** * **因子构建思路：** 衡量股价下行风险的比例，属于风险类因子[14]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常，下行波动率占比 = 下行波动率 / 总波动率。 11. **因子名称：市净率因子** * **因子构建思路：** 直接使用市净率（PB）作为估值衡量指标，属于估值类因子[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常为市净率（最新或最近财报）。 12. **因子名称：日内波动率与成交金额的相关性** * **因子构建思路：** 衡量股票日内波动率与成交金额之间的相关性，属于量价关系类因子[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常计算一定周期内（如20日）每日的日内波动率与当日成交金额的相关系数。 13. **因子名称：Beta因子** * **因子构建思路：** 衡量股票相对于市场的系统性风险，属于风险类因子[18]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常通过CAPM模型回归得到。 14. **因子名称：残差波动率因子** * **因子构建思路：** 衡量股票剔除市场风险后的特异性波动率，属于风险类因子[18]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常为CAPM或Fama-French模型回归后的残差项的标准差。 15. **因子名称：非线性市值因子** * **因子构建思路：** 对市值因子进行非线性变换，以捕捉更复杂的市值效应，属于风格类因子[18]。 * **因子具体构建过程：** 报告未提供具体计算公式。 16. **因子名称：动量因子** * **因子构建思路：** 基于股票过去一段时间的收益率，认为趋势会延续，属于技术类因子[18]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常为过去N个月（如12个月）的累计收益率。 17. **因子名称：市值因子** * **因子构建思路：** 直接使用公司市值（通常取对数）作为风格因子，属于风格类因子[18]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常为总市值的自然对数。 18. **因子名称：估值因子** * **因子构建思路：** 综合估值指标的复合因子，属于风格类因子[18]。 * **因子具体构建过程：** 报告未提供具体计算公式。可能由多个单一估值因子（如PE、PB）合成。 19. **因子名称：成长因子** * **因子构建思路：** 综合成长性指标的复合因子，属于风格类因子[18]。 * **因子具体构建过程：** 报告未提供具体计算公式。可能由多个单一成长因子（如营收增长率、利润增长率）合成。 20. **因子名称：每股净资产因子 (BP因子)** * **因子构建思路：** 市净率（PB）的组成部分，即每股净资产，属于估值类因子[21]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常为归属于母公司股东的权益 / 总股本。 21. **因子名称：EP因子** * **因子构建思路：** 市盈率（PE）的倒数，即盈利收益率，属于估值类因子[21]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常为每股收益 / 股价。 22. **因子名称：流动性因子** * **因子构建思路：** 衡量股票交易的活跃程度和难易程度，属于交易特征类因子[21]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常使用换手率、Amihud非流动性指标等。 23. **因子名称：对数市值因子** * **因子构建思路：** 公司总市值的自然对数，属于风格类因子[13]。 * **因子具体构建过程：** 报告未提供具体计算公式。通常为 $$ln(MarketCap)$$。 因子的回测效果 *注：以下因子表现数据均为“最近1周”的收益，为剔除行业与市值影响后多头组合相对于基准指数的超额收益[12]。* 1. **单季度ROA同比**，最近1周收益(沪深300) 2.03%[13]，最近1周收益(中证500) 0.82%[15]，最近1周收益(流动性1500) 1.39%[17] 2. **单季度营业收入同比增长率**，最近1周收益(沪深300) 1.51%[13]，最近1周收益(中证500) 2.00%[15]，最近1周收益(流动性1500) 2.33%[17] 3. **单季度ROE同比**，最近1周收益(沪深300) 1.49%[13]，最近1周收益(中证500) 1.63%[15]，最近1周收益(流动性1500) 1.56%[17] 4. **标准化预期外盈利**，最近1周收益(沪深300) 0.59%[13]，最近1周收益(中证500) 2.27%[15]，最近1周收益(流动性1500) 1.96%[17] 5. **总资产增长率**，最近1周收益(沪深300) 0.67%[13]，最近1周收益(中证500) 1.55%[15]，最近1周收益(流动性1500) 1.57%[17] 6. **标准化预期外收入**，最近1周收益(沪深300) 1.02%[13]，最近1周收益(中证500) 1.12%[15]，最近1周收益(流动性1500) 1.04%[17] 7. **5日反转**，最近1周收益(沪深300) -2.03%[13]，最近1周收益(中证500) 0.35%[15]，最近1周收益(流动性1500) -0.42%[17] 8. **市盈率TTM倒数**，最近1周收益(沪深300) -1.58%[13]，最近1周收益(中证500) -2.99%[15]，最近1周收益(流动性1500) -3.37%[17] 9. **市盈率因子**，最近1周收益(沪深300) -1.34%[13]，最近1周收益(中证500) -2.96%[15]，最近1周收益(流动性1500) -3.28%[17] 10. **下行波动率占比**，最近1周收益(沪深300) -1.60%[13]，最近1周收益(中证500) -2.66%[15]，最近1周收益(流动性1500) -2.65%[17] 11. **市净率因子**，最近1周收益(沪深300) -1.85%[13]，最近1周收益(中证500) -2.57%[15]，最近1周收益(流动性1500) -2.51%[17] 12. **日内波动率与成交金额的相关性**，最近1周收益(沪深300) -1.92%[13]，最近1周收益(中证500) -2.16%[15]，最近1周收益(流动性1500) -2.57%[17] 13. **对数市值因子**，最近1周收益(沪深300) -1.00%[13]，最近1周收益(中证500) 0.40%[15]，最近1周收益(流动性1500) -0.63%[17]

量化模型与构建方式 1. **模型名称：流动性冲击指标**[2] * **模型构建思路**：用于衡量当前市场流动性相对于历史平均水平的偏离程度，负值表示流动性高于平均水平[2]。 * **模型具体构建过程**：该指标是一个标准化值（Z-Score），基于沪深300指数计算。具体计算过程未在报告中详细说明，但报告指出其含义：指标值为-1.24，意味着当前市场的流动性高于过去一年平均水平-1.24倍标准差[2]。 2. **模型名称：SAR（抛物线转向）指标**[11] * **模型构建思路**：一种趋势跟踪指标，用于判断市场趋势的转向点[11]。 * **模型具体构建过程**：报告未给出具体计算公式。应用上，当价格向上突破SAR指标时，发出买入信号；反之，向下突破时发出卖出信号。报告指出，Wind全A指数于3月27日向上突破翻转指标，发出买入信号[11]。 3. **模型名称：均线强弱指数**[11] * **模型构建思路**：通过计算各行业指数相对于其均线的位置，综合判断整个市场的强弱程度[11]。 * **模型具体构建过程**：报告未给出具体计算公式。构建过程涉及使用Wind二级行业指数计算。当前市场得分为163，处于2023年以来的57.2%分位点[11]。 4. **模型名称：情绪择时模型**[11] * **模型构建思路**：通过构建一系列与涨停板、跌停板相关的因子，综合刻画市场的情绪强弱，用于择时[11]。 * **模型具体构建过程**：模型基于国泰海通量化团队前期专题报告《从涨停板、打板策略到赚钱效应引发的情绪择时指标》构建。模型包含多个细分因子，如净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益等[11]。这些细分因子被综合打分，形成情绪模型得分（满分5分）和趋势模型信号[11][14]。 5. **模型名称：高频资金流择时模型**[11] * **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[11]。 * **模型具体构建过程**：模型基于国泰海通量化团队前期专题报告《高频资金流如何辅助宽基择时决策》构建。模型针对不同指数（如沪深300、中证500等）和不同风险偏好（激进/稳健、多头/多空）设置了多个信号[11][14]。 6. **模型名称：因子拥挤度模型**[15] * **模型构建思路**：用于度量跟踪或投资某一因子的资金是否过多，以预警因子可能失效的风险[15]。 * **模型具体构建过程**：模型基于国泰海通量化团队前期专题报告《选股因子系列（四十二）——因子失效预警：因子拥挤》构建。它使用四个子指标来度量因子拥挤程度：估值价差、配对相关性、长期收益反转、因子波动率[15]。这四个子指标被综合计算，得到一个复合拥挤度分数[15][17]。 7. **模型名称：行业拥挤度模型**[18] * **模型构建思路**：用于度量各行业板块的交易拥挤程度，以识别过热或过冷的行业[18]。 * **模型具体构建过程**：模型基于国泰海通量化团队前期专题报告《行业轮动系列研究 15——行业板块拥挤度》构建。具体计算过程未在报告中详述[18]。 模型的回测效果 *注：本报告为周度监测报告，主要展示模型的最新信号和状态，未提供长期历史回测的量化指标（如年化收益率、夏普比率等）。以下为报告截至2026年4月17日的模型信号或状态取值。* 1. **流动性冲击指标**：基于沪深300指数，2026年4月17日（周五）值为 **-1.24**[2]。 2. **SAR指标**：对Wind全A指数，当前信号为 **买入信号**（3月27日向上突破）[11]。 3. **均线强弱指数**：当前市场得分为 **163**，处于2023年以来的 **57.2%** 分位点[11]。 4. **情绪择时模型**： * 情绪模型得分：**3分**（满分5分）[11]。 * 趋势模型信号：**正向**[11]。 * 加权模型信号：**正向**[11]。 5. **高频资金流择时模型**：对主要宽基指数的信号如下表所示[11][14]。 | 指数 | 激进多头信号 | 激进多空信号 | 稳健多头信号 | 稳健多空信号 | | :--- | :--- | :--- | :--- | :--- | | 沪深300 | 1 (买入) | 1 (买入) | 0 (中性) | 0 (中性) | | 中证500 | 1 (买入) | 1 (买入) | 1 (买入) | 1 (买入) | | 中证1000 | 0 (中性) | -1 (卖出) | 0 (中性) | 0 (中性) | | 中证2000 | 0 (中性) | 0 (中性) | 0 (中性) | 0 (中性) | 量化因子与构建方式 1. **因子名称：小市值因子拥挤度**[15][17] * **因子构建思路**：衡量小市值风格因子的交易拥挤程度[15]。 * **因子具体构建过程**：作为因子拥挤度模型的一个应用实例，其复合拥挤度由估值价差、配对相关性、市场波动、收益反转四个子指标综合计算得出[15][17]。 2. **因子名称：低估值因子拥挤度**[15][17] * **因子构建思路**：衡量低估值风格因子的交易拥挤程度[15]。 * **因子具体构建过程**：作为因子拥挤度模型的一个应用实例，其复合拥挤度由估值价差、配对相关性、市场波动、收益反转四个子指标综合计算得出[15][17]。 3. **因子名称：高盈利因子拥挤度**[15][17] * **因子构建思路**：衡量高盈利风格因子的交易拥挤程度[15]。 * **因子具体构建过程**：作为因子拥挤度模型的一个应用实例，其复合拥挤度由估值价差、配对相关性、市场波动、收益反转四个子指标综合计算得出[15][17]。 4. **因子名称：高盈利增长因子拥挤度**[15][17] * **因子构建思路**：衡量高盈利增长风格因子的交易拥挤程度[15]。 * **因子具体构建过程**：作为因子拥挤度模型的一个应用实例，其复合拥挤度由估值价差、配对相关性、市场波动、收益反转四个子指标综合计算得出[15][17]。 5. **因子名称：情绪模型细分因子**[11][14] * **因子构建思路**：用于构建情绪择时模型的一系列子因子，包括净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益等[11]。 * **因子具体构建过程**：基于国泰海通量化团队前期专题报告《从涨停板、打板策略到赚钱效应引发的情绪择时指标》构建，具体计算过程未在本报告中详述[11]。 因子的回测效果 *注：本报告主要展示因子拥挤度的最新监测值，未提供因子本身的长期收益表现指标（如IC、IR等）。以下为报告截至2026年4月17日的因子拥挤度取值。* 1. **小市值因子拥挤度**：复合拥挤度为 **0.20**[4][17]。其分项指标值为：估值价差 0.54，配对相关性 0.95，市场波动 -0.67，收益反转 -0.01[17]。 2. **低估值因子拥挤度**：复合拥挤度为 **-0.97**[4][17]。其分项指标值为：估值价差 -1.12，配对相关性 0.21，市场波动 -1.24，收益反转 -1.74[17]。 3. **高盈利因子拥挤度**：复合拥挤度为 **0.22**[4][17]。其分项指标值为：估值价差 -0.75，配对相关性 0.84，市场波动 -0.84，收益反转 1.62[17]。 4. **高盈利增长因子拥挤度**：复合拥挤度为 **0.22**[4][17]。其分项指标值为：估值价差 0.71，配对相关性 -0.14，市场波动 -0.91，收益反转 1.24[17]。

量化模型与构建方式 1. **模型名称：港股精选组合模型**[13] * **模型构建思路**：该模型旨在对分析师推荐股票池进行基本面和技术面的双层优选，挑选出同时具备基本面支撑和技术面共振的超预期股票，构建港股精选股票组合[13]。 * **模型具体构建过程**： 1. **构建分析师推荐股票池**：以分析师上调盈利预测、分析师首次关注、分析师研报标题超预期事件作为分析师推荐事件，构建初始股票池[13]。 2. **双层优选**：对分析师推荐股票池中的股票进行基本面和技术面两个维度的精选[13]。 * **模型评价**：该模型结合了分析师预期（基本面）和市场趋势（技术面），旨在捕捉具备双重驱动力的股票。 2. **因子名称：250日新高距离**[21] * **因子构建思路**：用于量化股票价格接近其历史最高价的程度，数值越小表示越接近新高，常用于识别趋势和动量效应[19][21]。 * **因子具体构建过程**：计算最新收盘价与过去250个交易日最高收盘价的相对距离。 * **公式**：$$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$[21] * 公式说明：`Closet`为最新收盘价，`ts_max(Close, 250)`为过去250个交易日收盘价的最大值。若最新收盘价创出新高，则该因子值为0；若最新收盘价较新高回落，则该因子为正值，表示回落幅度[21]。 3. **模型名称：平稳创新高股票筛选模型**[21] * **模型构建思路**：从近期创过新高的股票中，根据分析师关注度、股价相对强弱、股价路径平稳性、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][21]。 * **模型具体构建过程**：在过去20个交易日创出过250日新高的股票池中，按以下步骤筛选[21]： 1. **样本池**：全部港股，但剔除成立时间不超过15个月的股票[22]。 2. **分析师关注度筛选**：过去6个月买入或增持评级的分析师研报不少于5份[22]。 3. **股价相对强弱筛选**：过去250日涨跌幅位于样本池前20%[22]。 4. **股价平稳性筛选**：在满足上述条件的股票池内，使用以下两个指标综合打分，取排名在前50%的股票（最少取50只）[22]： * **价格路径平滑性**：股价位移路程比（具体公式未提供）[22]。 * **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[22]。 5. **趋势延续性筛选**：对经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，并取排序靠前的50只股票[22]。 模型的回测效果 1. **港股精选组合模型**[18] * 全样本（20100101-20251231）年化收益：19.08%[18] * 全样本相对恒生指数年化超额收益：18.06%[18] * 全样本信息比率（IR）：1.19[18] * 全样本相对最大回撤：23.73%[18] * 全样本跟踪误差：14.60%[18] * 全样本收益回撤比：0.76[18] 因子的回测效果 （报告未提供单个因子的独立测试结果，如IC、IR等）