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]

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，以预测未来收益[16] **因子具体构建过程：** 报告未提供详细构建公式，但指出计算方式可参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[16] 2. **因子名称：日内下行波动占比因子** **因子构建思路：** 通过分解已实现波动，计算下行波动在总波动中的占比，用以衡量风险[20] **因子具体构建过程：** 报告未提供详细构建公式，但指出计算方式可参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[20] 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内的交易数据，衡量买方意愿的强度[24] **因子具体构建过程：** 报告未提供详细构建公式，但指出计算方式可参考专题报告《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：** 在买入意愿占比的基础上，进一步衡量买方意愿的强度[29] **因子具体构建过程：** 报告未提供详细构建公式，但指出计算方式可参考专题报告《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：** 衡量开盘后大单净买入金额在总成交额中的占比[34] **因子具体构建过程：** 报告未提供详细构建公式 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] **因子具体构建过程：** 报告未提供详细构建公式 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，以更好地捕捉反转效应[44] **因子具体构建过程：** 报告未提供详细构建公式 8. **因子名称：尾盘成交占比因子** **因子构建思路：** 计算尾盘阶段成交量在日总成交量中的占比[48] **因子具体构建过程：** 报告未提供详细构建公式 9. **因子名称：平均单笔流出金额占比因子** **因子构建思路：** 衡量平均单笔卖出（流出）金额在总成交额中的占比[52] **因子具体构建过程：** 报告未提供详细构建公式 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[57] **因子具体构建过程：** 报告未提供详细构建公式 11. **因子名称：深度学习高频因子（改进 GRU(50,2)+NN(10)）** **因子构建思路：** 使用改进的GRU（门控循环单元）神经网络结合全连接层（NN），从高频数据中提取预测信号[61] **因子具体构建过程：** 报告未提供详细的网络结构和训练过程 12. **因子名称：深度学习高频因子（残差注意力 LSTM(48,2)+NN(10)）** **因子构建思路：** 使用带有残差连接和注意力机制的LSTM（长短期记忆网络）结合全连接层，从高频数据中提取预测信号[65] **因子具体构建过程：** 报告未提供详细的网络结构和训练过程 13. **因子名称：多颗粒度模型-5日标签因子** **因子构建思路：** 使用双向AGRU（注意力门控循环单元）模型进行训练，以5日收益作为预测标签，构建选股因子[66] **因子具体构建过程：** 因子基于双向AGRU训练得到[66] 14. **因子名称：多颗粒度模型-10日标签因子** **因子构建思路：** 使用双向AGRU（注意力门控循环单元）模型进行训练，以10日收益作为预测标签，构建选股因子[70] **因子具体构建过程：** 因子基于双向AGRU训练得到[70] 15. **复合因子名称：深度学习因子（用于AI增强组合）** **因子构建思路：** 将两个多颗粒度模型因子进行等权复合，作为AI增强组合的预期收益来源[72] **因子具体构建过程：** 由“多颗粒度模型-10日标签”因子乘以0.5，加上“多颗粒度模型-5日标签”因子乘以0.5，复合而成[72] 量化模型与构建方式 1. **模型名称：周度/日度调仓的AI指数增强组合模型** **模型构建思路：** 基于复合深度学习因子预测的股票预期收益，在给定的约束条件下，通过优化求解构建指数增强组合，以最大化组合预期收益[72][75] **模型具体构建过程：** * **核心输入：** 股票预期超额收益（μi），由复合深度学习因子（多颗粒度模型-10日标签*0.5 + 多颗粒度模型-5日标签*0.5）生成[72]。 * **优化目标：** 最大化组合预期收益。目标函数为： $$max\sum\mu_{i}w_{i}$$[75] 其中，wi为股票i在组合中的权重，μi为股票i的预期超额收益[75]。 * **约束条件：** 根据不同组合类型（空气指增、中证500宽/严约束、中证1000宽/严约束）施加不同的风险控制约束，包括个股权重上限、行业偏离、市值暴露、风格因子（PB、ROE、SUE等）暴露、波动率控制、成分股权重约束以及换手率约束等[73][75]。 * **调仓与成本：** 分为周度调仓和日度调仓两种频率。回测假设以次日均价成交，并扣除双边3‰的交易成本[76]。 **模型评价：** 该模型通过深度学习因子捕捉Alpha，并利用严格的约束条件控制组合相对于基准指数的跟踪误差和风险暴露。 因子的回测效果 （数据来源：表2[12][14]，统计区间为上周、3月、2026年初至今（YTD）及2026年周胜率） 1. **日内高频偏度因子**，上周多空收益-0.24%，3月多空收益-0.03%，2026YTD多空收益4.27%，2026年周胜率7/10[12] 2. **日内下行波动占比因子**，上周多空收益-0.07%，3月多空收益0.94%，2026YTD多空收益6.76%，2026年周胜率7/10[12] 3. **开盘后买入意愿占比因子**，上周多空收益0.18%，3月多空收益2.26%，2026YTD多空收益5.22%，2026年周胜率8/10[12] 4. **开盘后买入意愿强度因子**，上周多空收益-0.45%，3月多空收益2.18%，2026YTD多空收益4.61%，2026年周胜率6/10[12] 5. **开盘后大单净买入占比因子**，上周多空收益0.33%，3月多空收益0.91%，2026YTD多空收益5.72%，2026年周胜率9/10[12] 6. **开盘后大单净买入强度因子**，上周多空收益0.43%，3月多空收益0.07%，2026YTD多空收益3.76%，2026年周胜率7/10[12] 7. **改进反转因子**，上周多空收益-0.72%，3月多空收益-0.08%，2026YTD多空收益1.98%，2026年周胜率5/10[12] 8. **尾盘成交占比因子**，上周多空收益0.72%，3月多空收益0.08%，2026YTD多空收益4.83%，2026年周胜率7/10[12] 9. **平均单笔流出金额占比因子**，上周多空收益0.55%，3月多空收益-0.86%，2026YTD多空收益-3.75%，2026年周胜率3/10[14] 10. **大单推动涨幅因子**，上周多空收益-0.33%，3月多空收益0.77%，2026YTD多空收益1.40%，2026年周胜率5/10[14] 11. **改进 GRU(50,2)+NN(10)因子**，上周多空收益0.61%，3月多空收益-0.13%，2026YTD多空收益5.13%，2026年周胜率7/10[14] 12. **残差注意力 LSTM(48,2)+NN(10)因子**，上周多空收益0.42%，3月多空收益0.55%，2026YTD多空收益4.88%，2026年周胜率8/10[14] 13. **多颗粒度模型-5日标签因子**，上周多空收益0.82%，3月多空收益1.68%，2026YTD多空收益9.31%，2026年周胜率10/10[14] 14. **多颗粒度模型-10日标签因子**，上周多空收益1.06%，3月多空收益2.35%，2026YTD多空收益8.19%，2026年周胜率8/10[14] 模型的回测效果 （数据来源：表3[15]，统计区间为上周、3月、2026年初至今（YTD）及2026年周胜率） 1. **AI空气指增模型（周度调仓）**，上周超额/绝对收益-0.12%/-5.47%，3月超额/绝对收益0.65%/-7.86%，2026YTD超额/绝对收益4.17%/6.70%，2026年周胜率5/10[15] 2. **AI空气指增模型（日度调仓）**，上周超额/绝对收益-0.78%/-6.12%，3月超额/绝对收益-0.08%/-8.59%，2026YTD超额/绝对收益4.41%/6.94%，2026年周胜率5/10[15] 3. **中证500 AI增强宽约束模型（周度调仓）**，上周超额/绝对收益1.43%/-4.40%，3月超额/绝对收益5.62%/-4.76%，2026YTD超额/绝对收益2.71%/6.66%，2026年周胜率5/10[15] 4. **中证500 AI增强宽约束模型（日度调仓）**，上周超额/绝对收益0.60%/-5.23%，3月超额/绝对收益1.79%/-8.58%，2026YTD超额/绝对收益-2.71%/1.24%，2026年周胜率5/10[15] 5. **中证500 AI增强严约束模型（周度调仓）**，上周超额/绝对收益0.35%/-5.47%，3月超额/绝对收益3.51%/-6.87%，2026YTD超额/绝对收益2.73%/6.68%，2026年周胜率6/10[15] 6. **中证500 AI增强严约束模型（日度调仓）**，上周超额/绝对收益0.31%/-5.52%，3月超额/绝对收益2.10%/-8.27%，2026YTD超额/绝对收益1.42%/5.37%，2026年周胜率6/10[15] 7. **中证1000 AI增强宽约束模型（周度调仓）**，上周超额/绝对收益0.79%/-4.46%，3月超额/绝对收益3.52%/-5.56%，2026YTD超额/绝对收益4.19%/6.67%，2026年周胜率6/10[15] 8. **中证1000 AI增强宽约束模型（日度调仓）**，上周超额/绝对收益-0.20%/-5.44%，3月超额/绝对收益1.81%/-7.27%，2026YTD超额/绝对收益1.92%/4.40%，2026年周胜率4/10[15] 9. **中证1000 AI增强严约束模型（周度调仓）**，上周超额/绝对收益0.57%/-4.68%，3月超额/绝对收益2.55%/-6.53%，2026YTD超额/绝对收益3.67%/6.15%，2026年周胜率7/10[15] 10. **中证1000 AI增强严约束模型（日度调仓）**，上周超额/绝对收益0.75%/-4.49%，3月超额/绝对收益1.87%/-7.21%，2026YTD超额/绝对收益3.72%/6.20%，2026年周胜率6/10[15]

量化模型与构建方式 1. **模型名称：长期行业主题基金分类模型**[38] * **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，并构建行业主题基金指数作为衡量工具[38]。 * **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标签。根据持仓的行业集中度和稳定性，将基金的长期行业标签区分为三类：行业主题基金、行业轮动基金和行业均衡基金[38]。 2. **模型名称：REITs系列指数构建模型**[48] * **模型构建思路**：构建一套完整的公募REITs系列指数，以综合反映市场表现，并提供不同底层资产和项目类型的细分指数，为投资者提供基于指数化投资的资产配置新视角[48]。 * **模型具体构建过程**： 1. 构建综合指数及按底层资产（产权类、特许经营权类）和细分项目类型划分的子指数[48]。 2. 考虑到REITs的高分红特性，同时编制价格指数和全收益指数[48]。 3. 在计算指数时，采用分级靠档的方法以确保计算指数的份额保持相对稳定[48]。 4. 当样本成分名单或样本成分的调整市值出现非交易因素的变动时（如新发、扩募等），采用除数修正法来保证指数的连续性[48]。 量化因子与构建方式 1. **因子名称：多因子ETF分类体系中的风格因子**[61] * **因子的构建思路**：在ETF市场跟踪中，将采用多因子策略的ETF按其核心暴露的量化风格因子进行分类，以分析不同风格因子的资金流向和市场表现[61]。 * **因子具体构建过程**：报告将国内股票ETF中的“多因子”类别进一步细分为多个风格因子子类，包括：红利、现金流、动量、价值、基本面、质量、成长[61]。这些因子代表了对应ETF在选股或编制指数时所侧重的不同量化投资风格。 模型的回测效果 1. **长期行业主题基金分类模型**（相关指数表现）[38][40] * 医药主题基金本周净值涨跌幅：-1.51% * TMT主题基金本周净值涨跌幅：-1.79% * 金融地产主题基金本周净值涨跌幅：-2.11% * 消费主题基金本周净值涨跌幅：-2.51% * 行业均衡主题基金本周净值涨跌幅：-3.26% * 新能源主题基金本周净值涨跌幅：-3.81% * 行业轮动主题基金本周净值涨跌幅：-3.94% * 国防军工主题基金本周净值涨跌幅：-4.99% * 周期主题基金本周净值涨跌幅：-7.84% 2. **REITs系列指数构建模型**（指数业绩指标）[51] * REITs综合指数，本周收益：-0.11%，累计收益：-4.89%，年化收益：-1.05%，最大回撤：-42.67%，夏普比率：-0.25，年化波动：10.35% * 产权类REITs指数，本周收益：-0.27%，累计收益：12.62%，年化收益：2.53%，最大回撤：-45.00%，夏普比率：0.08，年化波动：12.57% * 特许经营权类REITs指数，本周收益：0.25%，累计收益：-24.15%，年化收益：-5.66%，最大回撤：-41.17%，夏普比率：-0.79，年化波动：9.04% * 生态环保REITs指数，本周收益：0.49%，累计收益：-11.18%，年化收益：-2.47%，最大回撤：-55.72%，夏普比率：-0.26，年化波动：15.02% * 交通基础设施REITs指数，本周收益：0.54%，累计收益：-33.57%，年化收益：-8.25%，最大回撤：-44.19%，夏普比率：-1.10，年化波动：8.90% * 园区基础设施REITs指数，本周收益：-0.31%，累计收益：-15.62%，年化收益：-3.51%，最大回撤：-52.07%，夏普比率：-0.37，年化波动：13.61% * 仓储物流REITs指数，本周收益：-1.82%，累计收益：-4.99%，年化收益：-1.07%，最大回撤：-50.32%，夏普比率：-0.17，年化波动：15.29% * 能源基础设施REITs指数，本周收益：0.11%，累计收益：6.57%，年化收益：1.35%，最大回撤：-18.41%，夏普比率：-0.02，年化波动：9.94% * 保障性租赁住房REITs指数，本周收益：0.90%，累计收益：5.73%，年化收益：1.18%，最大回撤：-33.34%，夏普比率：-0.03，年化波动：12.28% * 消费基础设施REITs指数，本周收益：-0.09%，累计收益：49.74%，年化收益：8.88%，最大回撤：-9.89%，夏普比率：0.70，年化波动：10.56% * 市政设施REITs指数，本周收益：-2.69%，累计收益：12.67%，年化收益：2.54%，最大回撤：-20.26%，夏普比率：0.05，年化波动：19.53% * 水利设施REITs指数，本周收益：-0.83%，累计收益：17.88%，年化收益：3.53%，最大回撤：-21.47%，夏普比率：0.13，年化波动：15.75% * 新型基础设施REITs指数，本周收益：0.10%，累计收益：18.40%，年化收益：3.62%，最大回撤：-5.08%，夏普比率：0.17，年化波动：12.46% 因子的回测效果 1. **多因子ETF分类体系中的风格因子**（细分因子类别ETF资金流向与表现）[61] * 红利因子ETF，本周净流入：52.58亿元，本周回报：-1.89%，近1月回报：2.57%，今年以来回报：4.10% * 现金流因子ETF，本周净流入：27.54亿元，本周回报：-4.67%，近1月回报：2.69%，今年以来回报：8.40% * 动量因子ETF，本周净流入：1.08亿元，本周回报：3.10%，近1月回报：7.82%，今年以来回报：3.65% * 价值因子ETF，本周净流入：1.03亿元，本周回报：-3.45%，近1月回报：-1.20%，今年以来回报：0.82% * 基本面因子ETF，本周净流入：0.24亿元，本周回报：-4.18%，近1月回报：-3.52%，今年以来回报：-1.92% * 质量因子ETF，本周净流入：-0.19亿元，本周回报：-1.12%，近1月回报：-0.64%，今年以来回报：0.29% * 成长因子ETF，本周净流入：-0.93亿元，本周回报：-0.87%，近1月回报：-2.60%，今年以来回报：1.76%

好的，作为一名熟练的金融工程分析师，我将为您总结这篇研报中涉及的量化模型与因子内容。 量化模型与构建方式 1. **模型名称**：中证科创创业人工智能指数[17][19] * **模型构建思路**：从科创板和创业板中，选取业务涉及人工智能主题的上市公司证券，构建一个反映该主题整体表现的指数[19]。 * **模型具体构建过程**：该指数是一个主题指数，其构建过程遵循特定的样本空间和选样方法。 1. **样本空间**：科创板和创业板上市交易的股票和存托凭证[19]。 2. **选样方法**：从样本空间中，选取业务涉及人工智能基础资源、人工智能技术以及人工智能应用领域的上市公司证券作为指数样本[19]。 3. **样本数量**：选取50只证券作为指数样本[19]。 4. **指数计算**：报告未详细说明具体的加权方式和计算公式，但通常此类指数采用自由流通市值加权。 2. **模型名称**：中国战略新兴产业综合指数[17][19] * **模型构建思路**：选取属于中国战略新兴产业的上市公司证券，构建一个反映该领域公司证券整体表现的指数[19]。 * **模型具体构建过程**：该指数是一个综合性的主题指数。 1. **样本空间**：未明确说明，通常为A股市场。 2. **选样方法**：选取属于新一代信息技术产业、高端装备制造产业、新材料产业、生物产业、新能源汽车产业、新能源产业、节能环保产业、数字创意产业、高技术服务业等九大领域的公司证券作为指数样本[19]。 3. **指数计算**：报告未详细说明具体的加权方式和计算公式。 3. **模型名称**：恒生A股电网设备指数[12] * **模型构建思路**：选取内地上市公司中涉及特高压及电网设备相关领域的证券，构建反映该领域整体表现的指数[12]。 * **模型具体构建过程**： 1. **样本空间**：A股上市公司。 2. **选样方法**：选取业务涉及特高压及电网设备相关领域的证券[12]。 3. **样本数量**：选取50只成分股[12]。 4. **指数计算**：报告未详细说明具体的加权方式和计算公式。 模型的回测效果 1. 中证科创创业人工智能指数，报告未提供该指数的历史回测表现数据。 2. 中国战略新兴产业综合指数，报告未提供该指数的历史回测表现数据。 3. 恒生A股电网设备指数，报告未提供该指数的历史回测表现数据。 量化因子与构建方式 * 本篇研报为市场周报，核心内容是市场回顾、基金产品动态与业绩统计，**未涉及具体的量化选股因子（如价值、成长、动量等）的构建、测试与分析**[1][2][3][4][5][7][8][9][10][11][12][13][14][15][16][17][18][19][20][22][23][24][25][26][27][28][29][30][32][34][35][37][38][39][40][41][42][43][44][45][46][48][49][50][51][52][53][54][55][56][57][58][59][60][61][62]。 因子的回测效果 * 本篇研报**未涉及量化因子**，因此无相关回测效果数据。

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**[45] * **模型构建思路**：以上证指数归母净利润同比为Nowcasting目标，构建一个能够高频追踪A股景气度变化的指数[45]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅提及构建详情可参考另一篇报告《视角透析：A股景气度高频指数构建与观察》[45]。 2. **模型名称：A股情绪指数模型**[48] * **模型构建思路**：基于市场波动率和成交额的变化方向来刻画市场情绪，并据此构造包含见底预警与见顶预警的情绪指数[48]。 * **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[48]。 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，其余象限均为显著正收益[48]。 3. 基于此规律，分别构建了见底预警指数（主要与价格/波动率相关）和见顶预警指数（主要与成交量相关）[48][51][54]。 3. **模型名称：主题挖掘算法模型**[61] * **模型构建思路**：通过处理新闻和研报文本，挖掘主题投资机会[61]。 * **模型具体构建过程**：算法包含多个维度，包括文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建、主题影响力因子构建等[61]。 4. **模型名称：中证500增强组合模型**[61][63] * **模型构建思路**：通过量化策略模型构建投资组合，旨在持续跑赢中证500指数[61][63]。 * **模型具体构建过程**：报告未提供该组合模型的具体因子构成、权重配置及交易规则等详细构建过程。 5. **模型名称：沪深300增强组合模型**[67][70] * **模型构建思路**：通过量化策略模型构建投资组合，旨在持续跑赢沪深300指数[67][70]。 * **模型具体构建过程**：报告未提供该组合模型的具体因子构成、权重配置及交易规则等详细构建过程。 6. **模型名称：BARRA多因子模型**[74] * **模型构建思路**：参照BARRA模型框架，构建十大类风格因子，用于解释股票收益、分析市场风格和进行投资组合绩效归因[74][85]。 * **模型具体构建过程**：报告列出了所采用的十大类风格因子名称，但未提供每个因子的具体计算公式。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）[74]。 模型的回测效果 1. **A股情绪指数模型**，近一周综合择时信号为“空”[2][54]。 2. **中证500增强组合模型**，截至报告期本周收益-3.58%，跑赢基准2.24%[61]。2020年至今，累计超额收益51.46%，最大回撤-10.90%[61]。 3. **沪深300增强组合模型**，截至报告期本周收益-2.91%，跑输基准0.72%[67]。2020年至今，累计超额收益44.99%，最大回撤-5.86%[67]。 量化因子与构建方式 1. **因子名称：十大类风格因子（整体）**[74] * **因子构建思路**：基于BARRA模型框架，从市值、风险、动量、波动、估值、流动性、基本面等多个维度刻画股票特征[74]。 * **因子具体构建过程**：报告未提供每个因子的详细构建公式。因子列表包括：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）[74]。 2. **因子名称：残差波动率因子（RESVOL）**[2][75] * **因子评价**：本周（报告期）表现占优，纯因子超额收益较高[2][75]。 3. **因子名称：流动性因子（LIQUIDITY）**[2][75] * **因子评价**：本周（报告期）表现不佳，呈较为显著的负向超额收益[2][75]。近期（近一段时间）表现亦不佳[75]。 4. **因子名称：盈利因子（EARNINGS_YIELD）**[75] * **因子评价**：近期（近一段时间）表现优异，高盈利股票有较好表现[75]。 5. **因子名称：非线性市值因子（NLSIZE）**[75] * **因子评价**：近期（近一段时间）表现不佳[75]。 因子的回测效果 *注：报告未提供各风格因子在统一口径下的具体指标取值（如IC、IR、多空收益等），仅提供了近期表现的评价和一周的纯因子收益率方向。因此，本部分不适用。*

量化模型与构建方式 1. **模型名称：A股情绪指数系统[47]** * **模型构建思路：** 基于市场波动率和成交额的变化方向，将市场划分为四个象限（波动-成交情绪时钟），通过判断当前市场所处的象限来生成择时信号[47][48]。 * **模型具体构建过程：** 首先，计算市场的波动率和成交额，并判断其相对于前期的变化方向（上行或下行）。然后，根据波动率和成交额变化方向的组合，将市场状态划分为四个象限。研究发现，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[47]。基于此规律，构建了包含见底预警（主要基于价格/波动率信号）和见顶预警（主要基于成交量信号）的A股情绪指数。最后，综合两个预警信号的指向（“多”或“空”），得出对市场的整体观点[47][50][53]。 2. **模型名称：主题挖掘算法[60]** * **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联，构建主题活跃周期和主题影响力因子，从而识别和描述主题投资机会[60]。 * **模型具体构建过程：** 1) **文本处理**：收集新闻和研报文本数据。2) **主题关键词提取**：从文本中提取与投资主题相关的关键词。3) **主题个股关系挖掘**：建立关键词与上市公司股票之间的关联关系。4) **主题活跃周期构建**：分析主题在时间维度上的活跃程度变化。5) **主题影响力因子构建**：构建量化指标来衡量主题的市场影响力。最终，算法会推荐近期概念热度异动较高的主题，例如报告中提及的“黄金概念”[60]。 3. **模型名称：中证500增强组合[60][62]** * **模型构建思路：** 通过量化策略模型（具体模型未在报告中披露）构建投资组合，旨在持续跑赢中证500指数[60]。 * **模型具体构建过程：** 报告未详细说明具体的因子或模型构建过程，仅展示了根据策略模型生成的持仓明细[62][63][65]。 4. **模型名称：沪深300增强组合[66][67]** * **模型构建思路：** 通过量化策略模型（具体模型未在报告中披露）构建投资组合，旨在持续跑赢沪深300指数[66]。 * **模型具体构建过程：** 报告未详细说明具体的因子或模型构建过程，仅展示了根据策略模型生成的持仓明细[67][69][72]。 模型的回测效果 1. **A股情绪指数系统择时表现**，具体指标值未在报告中提供，仅展示了历史择时表现图表[57]。 2. **中证500增强组合**，本周收益-3.58%，跑赢基准2.24%[60]。2020年至今，相对中证500指数超额收益51.46%，最大回撤-10.90%[60]。 3. **沪深300增强组合**，本周收益-2.91%，跑输基准0.72%[66]。2020年至今，相对沪深300指数超额收益44.99%，最大回撤-5.86%[66]。 量化因子与构建方式 1. **因子体系：BARRA风格因子体系[73]** * **因子构建思路：** 参照BARRA因子模型，构建了涵盖市值、波动、动量、估值、盈利、成长、流动性等多维度的十大类风格因子，用于描述和解释A股市场的风格特征[73]。 * **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。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. **行业因子体系** * **因子构建思路：** 基于中信一级行业分类，构建行业因子，用于分析行业相对于市场的收益表现[74]。 * **因子具体构建过程：** 报告未提供行业因子的具体构建公式。 因子的回测效果 1. **风格因子暴露相关性（近一周）**：报告以矩阵形式展示了十大类风格因子之间的风险暴露相关性系数[75]。例如，流动性因子与Beta因子相关系数为0.546，与动量因子为0.480，与残差波动率因子为0.536；价值因子与Beta因子为-0.381，与残差波动率因子为-0.365，与流动性因子为-0.430[75]。 2. **风格因子表现（近期）**： * **残差波动率因子**：本周超额收益较高[2][74]。 * **流动性因子**：本周呈较为显著的负向超额收益[2][74]。 * **盈利因子**：近期表现优异（高盈利股表现好）[2][74]。 * **非线性市值因子**：近期表现不佳[2][74]。 3. **行业因子表现（近一周）**： * **银行、证券等行业因子**：相对市场市值加权组合跑出较高超额收益[2][74]。 * **有色金属、钢铁、化工等行业因子**：回撤较多[2][74]。

量化模型与构建方式 1. **模型名称：成交量模型**[7][8][10] * **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趋势。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程，仅提及其为短期择时模型，并给出了“中性”的信号判断[10]。 2. **模型名称：特征龙虎榜机构模型**[1][10] * **模型构建思路**：利用龙虎榜中机构资金的买卖行为特征来构建择时信号。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程，仅提及其为短期择时模型，并给出了“看多”的信号判断[10]。 3. **模型名称：特征成交量模型**[1][10] * **模型构建思路**：基于更精细或具有特定特征的成交量数据（可能与普通成交量不同）来构建择时信号。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程，仅提及其为短期择时模型，并给出了“看空”的信号判断[10]。 4. **模型名称：智能算法沪深300模型**[1][10] * **模型构建思路**：应用智能算法（如机器学习）对沪深300指数进行择时判断。 * **模型具体构建过程**：报告未详细描述具体算法和构建过程，仅提及其为短期择时模型，并给出了“中性”的信号判断[10]。 5. **模型名称：智能算法中证500模型**[1][10] * **模型构建思路**：应用智能算法（如机器学习）对中证500指数进行择时判断。 * **模型具体构建过程**：报告未详细描述具体算法和构建过程，仅提及其为短期择时模型，并给出了“看空”的信号判断[10]。 6. **模型名称：涨跌停模型**[1][11] * **模型构建思路**：通过分析市场中涨停和跌停股票的数量、比例等特征，来判断市场中期情绪和动能。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程，仅提及其为中期择时模型，并给出了“中性”的信号判断[11]。 7. **模型名称：上下行收益差模型**[1][10][11][14] * **模型构建思路**：通过计算市场或指数上行收益与下行收益的差值或比率，来衡量市场动能的强弱和方向，用于中期择时。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程，仅提及其为中期择时模型，对A股大部分宽基指数给出“中性”信号，对深证100和创业板指给出“看多”信号[10][11]，对港股恒生指数给出“中性”信号[14]。 8. **模型名称：月历效应模型**[1][11] * **模型构建思路**：基于历史数据中存在的特定月份或时间窗口的规律性收益模式（月历效应）来构建择时模型。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程，仅提及其为中期择时模型，并给出了“中性”的信号判断[11]。 9. **模型名称：长期动量模型**[1][12] * **模型构建思路**：基于资产价格的长期趋势（动量效应）进行择时，认为过去表现好的资产在未来一段时间内仍会延续其表现。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程，仅提及其为长期择时模型，并给出了“中性”的信号判断[12]。 10. **模型名称：A股综合兵器V3模型**[1][13] * **模型构建思路**：这是一个综合性的择时模型，可能耦合了短期、中期、长期等多个周期下的不同择时策略信号，形成最终的复合判断。 * **模型具体构建过程**：报告未详细描述具体耦合方法和构建过程，仅提及其为综合择时模型，并给出了“看空”的信号判断[13]。 11. **模型名称：A股综合国证2000模型**[1][13] * **模型构建思路**：专门针对国证2000指数构建的综合择时模型，可能集成了多因子或多策略信号。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程，仅提及其为综合择时模型，并给出了“看空”的信号判断[13]。 12. **模型名称：成交额倒波幅模型**[1][14] * **模型构建思路**：结合成交额与波动率（波幅）的倒置关系来构建择时模型，用于港股中期择时。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程，仅提及其为港股中期择时模型，并给出了“看空”的信号判断[14]。 13. **模型名称：上下行收益差相似模型**[1][14] * **模型构建思路**：与“上下行收益差模型”思路类似，但可能采用了不同的计算方式或比较基准，专门用于港股择时。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程，仅提及其为港股中期择时模型，并给出了“中性”的信号判断[14]。 14. **模型名称：HCVIX模型**[39][40][42] * **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。VIX基于期权价格计算，反映市场对未来波动率的预期。 * **模型具体构建过程**：报告提及该模型根据公开披露的VIX计算方法复现，与中证指数公司历史发布的VIX指数相关系数达99.2%[40]。具体计算公式未在报告中给出，但标准VIX计算涉及选取近月和次近月期权，通过加权计算隐含波动率。模型提供了50ETF、沪深300指数、300ETF的VIX计算结果[40]。 15. **模型/策略名称：杯柄形态策略**[43][44][45] * **构建思路**：一种基于价格图表的技术分析形态识别策略。“杯柄”形态被视为看涨的持续形态，策略在股价突破“柄部”上沿时买入。 * **具体构建过程**：报告未给出具体的形态识别算法和量化规则。策略通过识别股价走势中类似“杯状”的U型底（A点到B点）和随后的小幅回调或盘整“柄部”（B点到C点）来构建交易信号，当价格突破C点（柄部高点）时触发买入[47]。 16. **模型/策略名称：双底形态策略**[43][49][50] * **构建思路**：一种基于价格图表的技术分析形态识别策略。“双底”形态（W底）被视为看涨的反转形态，策略在股价突破颈线位时买入。 * **具体构建过程**：报告未给出具体的形态识别算法和量化规则。策略通过识别股价形成两个相近低点（A点和C点）后，突破两者之间的反弹高点（B点，即颈线）时触发买入信号[52]。 17. **模型/策略名称：倒杯子形态风险监控**[59] * **构建思路**：一种识别潜在下跌趋势延续的技术形态。“倒杯子”形态被视为典型的负向形态，用于风险预警。 * **具体构建过程**：报告描述为在一波下跌后，股价出现筑顶（A点到C点），之后再次下跌并实现突破（E点），预示可能延续下跌趋势[59]。具体量化识别规则未给出。 模型的回测效果 1. **杯柄形态策略**，本周收益-4.28%，同期上证综指收益-3.38%，本周超额收益-0.90%，自2020年12月31日累计收益20.02%，累计超额收益6.08%[43] 2. **双底形态策略**，本周收益-3.36%，同期上证综指收益-3.38%，本周超额收益0.02%，自2020年12月31日累计收益16.65%，累计超额收益2.72%[43] 3. **HCVIX模型**，当前最新值为18.05[2][40] 量化因子与构建方式 1. **因子名称：分析师上调/下调个股比例**[18][19] * **因子构建思路**：通过统计行业内获得分析师上调或下调盈利预测（或评级）的个股比例，来反映分析师对该行业的一致预期变化。 * **因子具体构建过程**：报告未给出具体计算公式。构建过程可能为：对于每个行业，计算在特定时间段内，盈利预测被上调（或下调）的上市公司数量占该行业被覆盖上市公司总数的比例。 因子的回测效果 *(报告未提供因子的独立测试结果，如IC、IR、多空收益等)*