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)*

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：风格组相对拥挤度模型[127] * **模型构建思路**：通过计算不同风格指数换手率标准化值的差异及其历史分位，来衡量两种风格之间的相对交易拥挤程度，以判断其配置风险或性价比[71] * **模型具体构建过程**： 1. 对于风格A和风格B，分别计算其近252日平均换手率[127] 2. 将风格A和风格B的换手率序列，在2005年1月1日以来的历史时间序列上进行Z-score标准化，得到Z-score_A与Z-score_B[127] 3. 计算二者差值：差值 = Z-score_A - Z-score_B[127] 4. 计算该差值的滚动6年历史分位数（历史数据量满1年且不足6年时，以全部历史数据进行计算），该分位数即为风格A相对于风格B的相对拥挤度[127] 2. **模型名称**：风格指数累计超额净值模型[128] * **模型构建思路**：以万得全A指数为基准，计算各风格指数相对于基准的累计超额表现，用于跟踪风格轮动和相对强弱[128] * **模型具体构建过程**： 1. 设定基准日（例如2020年1月4日）[128] 2. 将各风格指数及万得全A指数的每日收盘点数除以各自在基准日的收盘点数，得到各自的累计净值[128] 3. 将各风格指数在每一交易日的累计净值，除以同一交易日的万得全A指数累计净值，得到该风格指数相对于万得全A指数的累计超额净值[128] 3. **模型名称**：机构调研活跃度分位数模型[129] * **模型构建思路**：通过计算板块或行业日均机构调研次数的标准化值相对于全市场的差异及其历史分位，来衡量机构关注度的相对热度[129] * **模型具体构建过程**： 1. 对于特定板块（指数、行业），计算其近n个交易日的“日均机构调研次数”[129] 2. 将该日均调研次数序列在滚动y年的历史时间序列上进行z-score标准化[129] 3. 将上述标准化结果与万得全A指数的标准化结果作差，得到“机构调研活跃度”[129] 4. 最后计算该“机构调研活跃度”的滚动y年历史分位数（长期口径：n=126，y=6年；短期口径：n=63，y=3年）[129] 量化因子与构建方式 1. **因子名称**：滚动季度夏普率[35] * **因子构建思路**：计算万得全A指数滚动一个季度的夏普比率，作为衡量市场情绪风险的指标，极端高位可能预示市场情绪高峰后的调整风险[35] * **因子具体构建过程**：报告未详细说明具体计算窗口和参数，但核心是计算指数在过去一个季度时间窗口内的收益率均值与标准差之比，即夏普比率 2. **因子名称**：股债性价比（ERP）[51] * **因子构建思路**：通过计算股票市场市盈率倒数与无风险利率（国债收益率）的差值，来衡量投资股票相对于债券的预期超额收益，即风险溢价[51] * **因子具体构建过程**： 1. 计算指数市盈率（PE_TTM）的倒数：$$1 / PE\_TTM$$[51] 2. 减去10年期中债国债到期收益率：$$ERP = 1 / PE\_TTM - 10年期国债到期收益率$$[51] 3. 将计算出的ERP值置于历史时间序列中计算其百分位，以判断当前性价比高低[51][59] 3. **因子名称**：成交热度[25] * **因子构建思路**：使用周度日均自由流通换手率的历史分位值来衡量板块或行业的交易活跃度[25] * **因子具体构建过程**：计算特定板块或行业当周的日均自由流通换手率，然后计算该值在历史时间序列（例如自2005年1月1日以来）中的百分位[25] 4. **因子名称**：长江动量因子[63] * **因子构建思路**：以最近一年收益率减去最近一个月收益率（剔除涨停板）作为动量指标，筛选A股市场中动量特征强且流动性高的股票[63] * **因子具体构建过程**：报告未给出具体公式，但构建逻辑为：动量指标 = 最近一年股票收益率 - 最近一个月股票收益率（需剔除涨停板影响）[63] 5. **因子名称**：长江反转因子[63] * **因子构建思路**：以最近一个月股票收益率作为筛选指标，选择A股市场中反转效应强、流动性好的股票[63] * **因子具体构建过程**：报告未给出具体公式，但构建逻辑为直接使用最近一个月股票收益率作为反转因子指标[63] 模型的回测效果 *本报告为市场跟踪周报，未提供量化模型的历史回测绩效指标（如年化收益率、夏普比率、最大回撤等）。* 因子的回测效果 *本报告为市场跟踪周报，未提供量化因子的历史IC、IR、多空收益等传统因子测试结果。报告主要通过展示因子当前状态（如历史分位）及其与市场表现的近期关系来进行分析。*

量化模型与构建方式 1. **模型名称：基金仓位测算模型**[2][13] * **模型构建思路**：通过数理统计方法估算公募主动权益基金在特定行业（如有色金属）上的配置比例，以监测机构资金的持仓变化[2][13][26]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建步骤和公式，仅提及模型用于估算基金仓位，并给出了具体时点的测算结果（如1月30日有色金属仓位10.5%，3月20日降至8.7%）[2][13][14]。 2. **模型名称：价格分段体系**[16][19] * **模型构建思路**：对指数（如上证综指）价格走势进行分析和分段，以识别不同时间周期（如日线、周线）下的市场结构状态[16][19]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建算法和公式，主要通过图表（图1）展示分段结果，图中包含“dea”指标，可能涉及移动平均线或类似技术指标的计算[19]。 3. **模型名称：微观市场结构择时模型（知情交易者活跃度指标）**[17][20] * **模型构建思路**：构建一个反映“知情交易者”活跃程度的指标，用于判断市场内部结构变化，辅助择时[17][20]。 * **模型具体构建过程**：报告未详细描述该指标的具体构建算法和计算公式，仅展示了该指标的历史走势图（图2），并说明其与市场走势的同步关系[17][20]。 模型的回测效果 （报告未提供上述模型的量化回测效果指标，如年化收益率、夏普比率、最大回撤等。） 量化因子与构建方式 1. **因子名称：BARRA风格因子体系**[22][23][25] * **因子构建思路**：采用经典的BARRA多因子模型框架，从多个维度（基本面、市场、风险等）拆解股票收益来源，以监测市场风格偏好[22][23][25]。 * **因子具体构建过程**：报告未详细描述每个因子的具体计算公式，但列举了所监测的因子类别及名称，包括： * 基本面类因子：换手、财务杠杆、盈利波动、盈利质量、盈利能力、投资质量、长期反转、EP价值、BP价值、成长[23][25]。 * 市场与风险类因子：动量、非线性市值、市值、波动率、股息率[23][25]。 * 报告还提到了“残差波动率”（可能为“Residual Volatility”的翻译）因子[23]。 * **因子评价**：该因子体系被用于有效监测市场风格偏好的变化，例如报告指出本周基本面因子表现分化，资金偏好成长多于价值，交易类因子中高波动股票占优，市值风格上大盘股相对占优[22][25]。 因子的回测效果 1. **BARRA风格因子**，**本周收益**：换手 -0.4%，财务杠杆 -0.3%，盈利波动 0.4%，盈利质量 0.0%，盈利能力 0.1%，投资质量 -0.2%，长期反转 0.0%，EP价值 -0.4%，BP价值 -0.3%，成长 0.1%，动量 -0.6%，非线性市值 0.1%，市值 0.5%，波动率 0.7%，残差波动率 0.1%，股息率 0.5%[23]。 （报告仅提供了因子在特定一周内的收益表现，未提供长期历史回测指标如IC、IR、多空收益等。）

量化模型与构建方式 1. **模型名称：三维择时框架**[5][8] * **模型构建思路**：通过构建分歧度、流动性、景气度三个维度的指标，综合判断市场状态，进行择时判断[5][8]。 * **模型具体构建过程**：模型基于三个核心指标进行判断： 1. **分歧度**：衡量市场参与者观点的离散程度，上行趋势表示市场分歧加大[5][8]。 2. **流动性**：衡量市场资金面的松紧程度，下行趋势表示流动性趋紧[5][8]。 3. **景气度**：衡量宏观经济或企业盈利的景气程度，下行趋势表示景气度回落[5][8]。 综合三个指标的趋势（上行或下行）进行组合判断，例如“分歧度↑-流动性↓-景气度↓”对应“震荡下跌”的市场判断[5][8]。 2. **模型名称：热点趋势ETF策略**[32] * **模型构建思路**：基于ETF价格形态（最高价与最低价）的上涨趋势和短期市场关注度（换手率）来筛选ETF，构建投资组合[32]。 * **模型具体构建过程**： 1. **形态筛选**：首先筛选出最高价与最低价同时呈现上涨形态的ETF[32]。 2. **构建支撑阻力因子**：根据最高价与最低价近20日回归系数的相对陡峭程度，构建支撑阻力因子[32]。 3. **关注度筛选**：在支撑阻力因子的多头组中，选择近5日换手率/近20日换手率最高的10只ETF，即短期市场关注度明显提升的品种[32]。 4. **组合构建**：对最终选出的10只ETF采用风险平价方法构建投资组合[32]。 3. **模型名称：融资-主动大单资金流共振策略**[40] * **模型构建思路**：结合融资融券资金流和主动大单资金流两个维度，寻找资金面产生共振的行业进行配置[37][40]。 * **模型具体构建过程**： 1. **构建行业融资融券资金因子**：计算行业个股的（融资净买入-融券净卖出）并加总，经过Barra市值因子中性化处理，取最近50日均值后的两周环比变化率[40]。 2. **构建行业主动大单资金因子**：计算行业主动大单净流入，经过最近一年成交量时序中性化处理，得到排序分位，并取最近10日均值[40]。 3. **策略逻辑**：研究发现融资融券因子的多头端在某些市场状态下有稳定的负向超额收益，而主动大单因子剔除极端多头行业后有稳定正向超额收益。因此，策略在主动大单因子的头部打分行业内，剔除融资融券因子头部的行业，以提高策略稳定性[40]。 4. **行业剔除**：进一步剔除大金融板块[40]。 4. **模型名称：全天候配置模型**[44] * **模型构建思路**：通过资产选择、风险调整和结构对冲三项原则，构建不依赖宏观预测、追求长期收益稳定的分散化投资组合[44]。 * **模型具体构建过程**：采用循环对冲设计对冲构型，绕过宏观因素刻画，直接针对资产波动进行长期收益平衡[44]。按风险水平分为两个版本： 1. **高波版**：采用“四层结构化-股债金风险平价”构型[44][48]。 2. **低波版**：采用“五层结构化-风险预算”构型[44][53]。 模型的回测效果 1. **三维择时框架**：模型保持“震荡下跌”判断[5][8]。 2. **热点趋势ETF策略**：组合2025年以来收益58.34%，相比沪深300指数的超额收益为38.80%[5][32]。 3. **融资-主动大单资金流共振策略**：策略2018年以来费后年化超额收益14.3%，IR 1.4[40]。策略上周（截至报告期）实现-2.53%的绝对收益与1.88%的超额收益（相对行业等权）[40]。 4. **全天候配置模型（高波版）**：截至2025年，年化收益率11.8%，年平均最大回撤3.6%，夏普比率1.9[53]。2026年以来收益率1.9%[5][53]。 5. **全天候配置模型（低波版）**：截至2025年，年化收益率6.7%，年平均最大回撤2.0%，夏普比率2.4[53]。2026年以来收益率1.1%[5][53]。 量化因子与构建方式 1. **因子名称：风格因子（市值、盈利收益率、成长等）**[56] * **因子构建思路**：报告跟踪了包括市值、贝塔、动量、波动率、非线性市值、价值、流动性、盈利收益率、成长、杠杆在内的多个风格因子表现[57]。 * **因子具体构建过程**：未详细说明具体计算方式，但提及风格因子收益为多头减空头的收益表现[56][57]。 2. **因子名称：过去1个月的收益率标准差 (return std 1m)**[61][62] * **因子构建思路**：使用股票过去1个月收益率的标准差来衡量其近期波动[61][62]。 * **因子具体构建过程**：计算个股过去1个月（约21个交易日）日收益率的样本标准差[62]。 3. **因子名称：近63交易日平均换手率的自然对数 (swap 3m)**[61][62] * **因子构建思路**：使用近期换手率的自然对数来度量股票的流动性或交易活跃度[61][62]。 * **因子具体构建过程**：计算个股最近63个交易日的平均换手率，然后取其自然对数[62]。 4. **因子名称：过去1个月的平均换手率 (turnover mean 1m)**[61][62] * **因子构建思路**：使用近期平均换手率直接度量股票的流动性或交易活跃度[61][62]。 * **因子具体构建过程**：计算个股过去1个月（约21个交易日）的日换手率平均值[62]。 5. **因子名称：评级上下调差/评级上下调和 (est num diff)**[63][64] * **因子构建思路**：通过分析师评级上调与下调的家数差异，衡量市场对个股的一致预期变化[63][64]。 * **因子具体构建过程**：因子定义为（评级上调家数 - 评级下调家数）/（评级上调家数 + 评级下调家数）[64]。 6. **因子名称：十二个月残差动量 (specific mom12)**[63][64] * **因子构建思路**：使用剔除市场风险后的残差收益来衡量个股的特异性动量[63][64]。 * **因子具体构建过程**：未给出具体公式，但通常为个股过去12个月收益率对市场指数收益率回归后的残差序列计算的动量[64]。 7. **因子名称：近一个月一致预期净利润变化（FY1）占比 (mom1 np fy1)**[63][64] * **因子构建思路**：衡量近期市场对个股未来一年净利润一致预期的调整幅度[63][64]。 * **因子具体构建过程**：因子定义为（当前一致预测净利润FY1 - 1个月前一致预测净利润FY1）/ abs(1个月前一致预测净利润FY1)[64]。 8. **因子名称：单季度净利润同比增长 (考虑快报、预告) (yoy np q adv)**[63][64] * **因子构建思路**：使用包含业绩快报和预告信息的最新单季度净利润同比增长数据[63][64]。 * **因子具体构建过程**：未给出具体公式，但为基于最新财务信息（含快报、预告）计算的单季度净利润同比增长率[64]。 因子的回测效果 1. **风格因子（最近一周）**：市值因子收益1.59%，盈利收益率因子收益0.76%，成长因子收益0.42%，贝塔因子收益-2.34%，动量因子收益-2.20%，波动率因子收益-0.79%，流动性因子收益-1.87%[56][57]。 2. **过去1个月的收益率标准差 (return std 1m)**：近一周多头超额收益1.27%，近一个月多头超额收益1.14%[61][62]。 3. **近63交易日平均换手率的自然对数 (swap 3m)**：近一周多头超额收益1.26%，近一个月多头超额收益0.83%[61][62]。 4. **过去1个月的平均换手率 (turnover mean 1m)**：近一周多头超额收益1.26%，近一个月多头超额收益1.12%[61][62]。 5. **评级上下调差/评级上下调和 (est num diff)**：最近一年在沪深300指数中的多头超额收益33.24%[63][64]。 6. **十二个月残差动量 (specific mom12)**：最近一年在沪深300指数中的多头超额收益32.93%[63][64]。 7. **近一个月一致预期净利润变化（FY1）占比 (mom1 np fy1)**：最近一年在中证500指数中的多头超额收益16.98%[63][64]。 8. **单季度净利润同比增长 (考虑快报、预告) (yoy np q adv)**：最近一年在中证1000指数中的多头超额收益22.83%[63][64]。