量化模型与构建方式 1. **模型名称：Fama五因子模型**[4][35] * **模型构建思路**：该模型用于对基金（东吴阿尔法A）的收益进行归因分析，旨在分解其超额收益的来源，区分是来自市场系统性风险（风格暴露）还是基金经理的个股选择能力（特质Alpha）[4][37]。 * **模型具体构建过程**：模型通过多元线性回归，将基金的收益率分解为五个系统性风险因子和一个特质收益（Alpha）。具体回归方程如下： $$R_{p,t} - R_{f,t} = \alpha_p + \beta_{MKT,p}MKT_t + \beta_{SMB,p}SMB_t + \beta_{HML,p}HML_t + \beta_{RMW,p}RMW_t + \beta_{CMA,p}CMA_t + \epsilon_{p,t}$$ 其中： * $R_{p,t} - R_{f,t}$ 表示基金在t期的超额收益率（基金收益率减去无风险利率）。 * $\alpha_p$ 是模型的截距项，代表基金的特质性Alpha，即不能被五个因子解释的超额收益，用于衡量基金经理的选股能力。 * $\beta_{MKT,p}$、$\beta_{SMB,p}$、$\beta_{HML,p}$、$\beta_{RMW,p}$、$\beta_{CMA,p}$ 分别代表基金对五个因子的暴露系数（敏感度）。 * $MKT_t$ 是市场风险因子，代表市场组合的超额收益。 * $SMB_t$ 是规模因子，代表小市值股票组合与大市值股票组合的收益率之差。 * $HML_t$ 是价值因子，代表高账面市值比（价值股）组合与低账面市值比（成长股）组合的收益率之差。 * $RMW_t$ 是盈利因子，代表高盈利组合与低盈利组合的收益率之差。 * $CMA_t$ 是投资因子，代表保守投资（低资产增长）组合与激进投资（高资产增长）组合的收益率之差。 * $\epsilon_{p,t}$ 是残差项。 * **模型评价**：分析结果显示，该基金的超额收益主要来源于个股特异性Alpha，而非对系统性风格因子的暴露，表明基金经理具备较强的个股选择能力[37]。 模型的回测效果 1. **Fama五因子模型**，市场因子（MKT）在各时间窗口（近三月、近六月、近一年、近三年）的暴露均显著为正[35]。 2. **Fama五因子模型**，价值因子（HML）长期表现疲弱，负向敏感度最为突出[35]。 3. **Fama五因子模型**，规模因子（SMB）和投资因子（CMA）长期表现疲弱[35]。 4. **Fama五因子模型**，从收益分解看，市场因子和特质收益（Alpha）为基金带来了明显的正向收益[37]。 5. **Fama五因子模型**，从风险分解看，市场因子是主要风险来源；价值因子在各周期均呈现显著正向风险贡献；特质风险（非系统性）变化不大[39]。 量化因子与构建方式 1. **因子名称：市场因子（MKT）**[35][37] * **因子构建思路**：衡量股票投资所承担的整体市场系统性风险带来的收益补偿。 * **因子具体构建过程**：通常为市场组合（如全A股指数）的收益率减去无风险利率（如国债收益率），即 $MKT = R_m - R_f$。 2. **因子名称：规模因子（SMB）**[35] * **因子构建思路**：衡量小市值公司相对于大市值公司可能存在的超额收益（规模溢价）。 * **因子具体构建过程**：根据市值中位数将股票分为大市值组（B）和小市值组（S）。同时，根据其他维度（如账面市值比）进行二次分组。SMB因子收益率等于小市值组股票组合的平均收益率减去大市值组股票组合的平均收益率。 3. **因子名称：价值因子（HML）**[35][39] * **因子构建思路**：衡量价值股（高账面市值比）相对于成长股（低账面市值比）可能存在的超额收益。 * **因子具体构建过程**：根据账面市值比（B/M）将股票分为高（H）、中、低（L）三组。HML因子收益率等于高B/M组（价值股）股票组合的平均收益率减去低B/M组（成长股）股票组合的平均收益率。 4. **因子名称：盈利因子（RMW）**[35] * **因子构建思路**：衡量高盈利能力的公司相对于低盈利能力的公司可能存在的超额收益。 * **因子具体构建过程**：根据盈利能力指标（如营业利润率）将股票分为高盈利（R）、中、弱盈利（W）三组。RMW因子收益率等于高盈利组股票组合的平均收益率减去弱盈利组股票组合的平均收益率。 5. **因子名称：投资因子（CMA）**[35] * **因子构建思路**：衡量投资保守（低资产增长）的公司相对于投资激进（高资产增长）的公司可能存在的超额收益。 * **因子具体构建过程**：根据资产增长率或投资支出比例将股票分为保守（C）、中、激进（A）三组。CMA因子收益率等于保守投资组股票组合的平均收益率减去激进投资组股票组合的平均收益率。 因子的回测效果 *（注：报告未提供针对上述五个因子的独立回测绩效指标（如IC、IR等），仅提供了基金对这些因子的暴露情况和因子对基金收益/风险的贡献分析。因此，本部分无具体指标取值。）*

量化模型与构建方式 1. **模型名称：优秀基金业绩增强组合**[3][12][46] * **模型构建思路**：将对标基准从宽基指数转变为主动股基，在借鉴优秀基金持仓的基础上，采用量化方法进行增强，以达到优中选优、稳定战胜主动股基中位数的目的[3][46]。 * **模型具体构建过程**： 1. **基金优选**：对基金进行优选，并对收益类因子进行分层中性化处理，以解决市场风格突变时的反转问题和持股风格集中化问题[46]。 2. **构建基准组合**：根据优选基金的补全持仓构建“优选基金持仓组合”，该组合能较好地跟踪主动股基中位数的走势[46]。 3. **组合优化增强**：以业绩分层视角下的优选基金持仓为选股空间和对标基准，采用组合优化的方法控制组合与优选基金持仓在个股偏离、行业偏离及风格上的偏离，构建最终的投资组合[47]。 2. **模型名称：超预期精选组合**[4][12][52] * **模型构建思路**：以业绩超预期事件为切入点，对超预期股票池进行基本面和技术面两个维度的双层优选，挑选出同时具备基本面支撑和技术面共振的股票构建组合[4][52]。 * **模型具体构建过程**： 1. **筛选股票池**：以“研报标题超预期”与“分析师全线上调净利润”为条件，筛选出超预期事件股票池[4][52]。 2. **双层优选**：对超预期股票池中的股票，同时进行基本面和技术面两个维度的筛选，精选出符合条件的股票[4][52]。 3. **模型名称：券商金股业绩增强组合**[5][12][57] * **模型构建思路**：以蕴含Alpha潜力且能反映公募基金前瞻性判断的券商金股股票池为基础，通过组合优化控制偏离，进行进一步精选，以获得稳定战胜基准的表现[5][57]。 * **模型具体构建过程**：以券商金股股票池为选股空间和约束基准，采用组合优化的方式控制组合与券商金股股票池在个股、风格上的偏离，构建增强组合[5]。 4. **模型名称：成长稳健组合**[6][12][62] * **模型构建思路**：采用“先时序、后截面”的二维评价体系，重点捕捉成长股在利好事件（如财报发布）前后超额收益释放最强烈的阶段，并进行多因子精选和风险控制，以高效获取成长股超额收益[6][62]。 * **模型具体构建过程**： 1. **筛选股票池**：以“研报标题超预期”及“业绩大增”为条件筛选成长股股票池[6][62]。 2. **时序分档**：根据股票距离正式财报预约披露日的间隔天数进行分档，优先选择距离财报预约披露日较近的股票[6][62]。 3. **截面精选**：当样本数量较多时，采用多因子打分精选优质个股[6][62]。 4. **组合构建与风控**：构建100只股票等权组合，并引入弱平衡机制、跃迁机制、缓冲机制和风险规避机制以降低换手、规避风险[62]。 模型的回测效果 （注：以下指标均基于“考虑仓位及交易费用”的组合净值计算，基准为偏股混合型基金指数(885001.WI)。全样本年化收益及超额收益数据来源于各组合对应的绩效统计表。） 1. **优秀基金业绩增强组合** * 全样本年化收益：21.40%[48][50] * 全样本年化超额收益：9.85%[48][50] * 2026年迄今收益：7.35%[1][13] * 2026年迄今超额收益：6.77%[1][13] * 2026年迄今在主动股基中排名分位点：13.33%[1][13] 2. **超预期精选组合** * 全样本年化收益：31.11%[53][56] * 全样本年化超额收益：23.98%[53][56] * 2026年迄今收益：7.60%[1][13] * 2026年迄今超额收益：7.02%[1][13] * 2026年迄今在主动股基中排名分位点：12.87%[1][13] 3. **券商金股业绩增强组合** * 全样本年化收益：21.71%[58][61] * 全样本年化超额收益：14.18%[58][61] * 2026年迄今收益：8.41%[1][13] * 2026年迄今超额收益：7.83%[1][13] * 2026年迄今在主动股基中排名分位点：10.86%[1][13] 4. **成长稳健组合** * 全样本年化收益：36.34%[63][66] * 全样本年化超额收益：26.33%[63][66] * 2026年迄今收益：13.41%[2][13] * 2026年迄今超额收益：12.83%[2][13] * 2026年迄今在主动股基中排名分位点：3.87%[2][13]

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，分别构建对标不同宽基指数（沪深300、中证500、中证1000、中证A500）的增强组合，力求稳定战胜各自基准[11]。 * **模型具体构建过程：** 构建流程主要包括收益预测、风险控制和组合优化三部分[12]。具体步骤未在报告中详细展开。 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（如行业、风格中性）的条件下检验单因子的有效性，采用组合优化的方式，构建最大化单因子暴露组合（Maximized Factor Exposure Portfolio, MFE组合），并通过其相对于基准的收益表现来判断因子有效性[40]。 * **模型具体构建过程：** 采用组合优化模型来构建MFE组合，目标函数为最大化单因子暴露，并施加多种实际约束[40][44]。具体优化模型如下： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ 其中，$f$为因子取值向量，$w$为待求解的股票权重向量，$w_b$为基准指数成分股权重向量[40][41]。约束条件包括： * 风格暴露约束：$X$为风格因子暴露矩阵，$s_l$, $s_h$为风格因子相对暴露的上下限[41]。 * 行业偏离约束：$H$为行业暴露矩阵，$h_l$, $h_h$为行业偏离上下限[41]。 * 个股权重偏离约束：$w_l$, $w_h$为个股相对于基准权重的偏离上下限[41]。 * 成分股权重占比约束：$B_b$为成分股标识向量，$b_l$, $b_h$为成分股内权重的上下限[41]。 * 卖空限制与个股权重上限：$0 \leq w \leq l$[41]。 * 满仓约束：权重和为1，$\mathbf{1}^{T}\ w=1$[41]。 * **模型评价：** 该方法能更真实地反映在满足实际投资约束条件下因子的选股能力，检验后认为“有效”的因子更可能在最终组合中发挥真实的收益预测作用[40]。 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，通过汇总公募基金持仓信息构建一个“公募重仓指数”，作为因子测试的样本空间[42]。 * **模型具体构建过程：** 1. **选样空间：** 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. **数据获取：** 通过基金定期报告获取持股信息。对于季报，需结合前期的半年报或年报信息构建完整持仓数据[43]。 3. **权重计算：** 将符合条件的所有基金持仓股票权重进行平均，得到公募基金平均持仓权重[43]。 4. **成分股筛选：** 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，构建公募重仓指数[43]。 模型的回测效果 1. **国信金工指数增强组合模型**[14] * 沪深300指数增强组合：本周超额收益1.05%，本年超额收益6.86%[14]。 * 中证500指数增强组合：本周超额收益0.14%，本年超额收益3.75%[14]。 * 中证1000指数增强组合：本周超额收益0.91%，本年超额收益5.64%[14]。 * 中证A500指数增强组合：本周超额收益1.04%，本年超额收益4.74%[14]。 2. **公募基金指数增强产品（作为市场模型表现的参考）**[32][35][37][39] * **沪深300指数增强产品：** 最近一周超额收益中位数0.32%，最近一月0.03%，今年以来1.22%[32]。 * **中证500指数增强产品：** 最近一周超额收益中位数0.24%，最近一月0.58%，今年以来-0.01%[35]。 * **中证1000指数增强产品：** 最近一周超额收益中位数0.18%，最近一月0.35%，今年以来2.03%[37]。 * **中证A500指数增强产品：** 最近一周超额收益中位数0.30%，最近一月0.22%，今年以来1.04%[39]。 量化因子与构建方式 报告从估值、反转、成长、盈利、流动性、波动、公司治理、分析师等维度构造了30余个常见因子[16]。以下是部分因子的构建方式： 1. **因子名称：BP（市净率倒数）**[17] * **因子构建思路：** 估值类因子，衡量公司净资产与市值的相对关系。 * **因子具体构建过程：** $$BP = \frac{净资产}{总市值}$$ [17] 2. **因子名称：单季EP**[17] * **因子构建思路：** 估值类因子，使用单季度净利润计算盈利与市值的比率。 * **因子具体构建过程：** $$单季 EP = \frac{单季度归母净利润}{总市值}$$ [17] 3. **因子名称：EPTTM（滚动市盈率倒数）**[17] * **因子构建思路：** 估值类因子，使用过去十二个月（TTM）的净利润计算盈利与市值的比率。 * **因子具体构建过程：** $$EPTTM = \frac{归母净利润 TTM}{总市值}$$ [17] 4. **因子名称：一个月反转**[17] * **因子构建思路：** 反转类因子，捕捉短期价格反转效应。 * **因子具体构建过程：** $$一个月反转 = 过去20个交易日涨跌幅$$ [17] 5. **因子名称：一年动量**[17] * **因子构建思路：** 动量类因子，捕捉中长期价格动量效应（通常排除近期一个月以避免与短期反转冲突）。 * **因子具体构建过程：** $$一年动量 = 近一年除近一月后动量$$ [17] 6. **因子名称：单季净利同比增速**[17] * **因子构建思路：** 成长类因子，衡量公司单季度净利润的同比增长情况。 * **因子具体构建过程：** $$单季净利同比增速 = 单季度净利润同比增长率$$ [17] 7. **因子名称：SUE（标准化预期外盈利）**[17] * **因子构建思路：** 成长/分析师类因子，衡量实际盈利超出分析师一致预期的程度，并经过预期标准差标准化。 * **因子具体构建过程：** $$SUE = \frac{单季度实际净利润 - 预期净利润}{预期净利润的标准差}$$ [17] 8. **因子名称：单季ROE**[17] * **因子构建思路：** 盈利类因子，衡量公司单季度的净资产收益率。 * **因子具体构建过程：** $$单季 ROE = \frac{单季度归母净利润 \times 2}{期初归母净资产 + 期末归母净资产}$$ [17] 9. **因子名称：一个月换手**[17] * **因子构建思路：** 流动性类因子，衡量股票近期的交易活跃程度。 * **因子具体构建过程：** $$一个月换手 = 过去20个交易日换手率均值$$ [17] 10. **因子名称：特异度**[17] * **因子构建思路：** 波动/残差波动类因子，衡量股价中不能被常见风险因子（Fama-French三因子）解释的部分，即 idiosyncratic risk。 * **因子具体构建过程：** $$特异度 = 1 - 过去20个交易日 Fama-French 三因子回归的拟合度 (R^2)$$ [17] 11. **因子名称：预期EPTTM**[17] * **因子构建思路：** 分析师预期类因子，基于分析师一致预期的滚动盈利计算估值。 * **因子具体构建过程：** $$预期 EPTTM = 一致预期滚动 EP$$ [17] 12. **因子名称：三个月盈利上下调**[17] * **因子构建思路：** 分析师行为类因子，反映近期分析师对公司盈利预测的调整方向。 * **因子具体构建过程：** $$三个月盈利上下调 = \frac{过去3个月内分析师（上调家数 - 下调家数）}{总家数}$$ [17] （注：报告中共列出30余个因子，以上为部分示例，其余因子构建思路类似，具体计算方式参见表1[17]。） 因子的回测效果 （以下为各因子在**最近一周**、**最近一月**、**今年以来**和**历史年化**四个相同时间窗口下的MFE组合超额收益表现，数据来源于各样本空间下的因子表现图[19][21][23][25][27]。） 1. **一个月波动因子** * 在沪深300样本空间中：最近一周0.57%，最近一月1.06%，今年以来2.11%，历史年化1.03%[19]。 2. **EPTTM一年分位点因子** * 在沪深300样本空间中：最近一周0.52%，最近一月1.97%，今年以来1.37%，历史年化2.45%[19]。 3. **单季净利同比增速因子** * 在沪深300样本空间中：最近一周0.51%，最近一月0.21%，今年以来2.05%，历史年化3.99%[19]。 * 在中证500样本空间中：最近一周0.62%，最近一月3.64%，今年以来6.36%，历史年化7.49%[21]。 * 在公募重仓指数样本空间中：最近一周0.76%，最近一月2.08%，今年以来3.64%，历史年化2.27%[27]。 4. **三个月反转因子** * 在沪深300样本空间中：最近一周0.40%，最近一月1.64%，今年以来0.47%，历史年化0.21%[19]。 5. **单季超预期幅度因子** * 在沪深300样本空间中：最近一周0.29%，最近一月-0.05%，今年以来0.33%，历史年化3.84%[19]。 * 在中证A500样本空间中：最近一周0.70%，最近一月0.64%，今年以来1.83%，历史年化4.72%[25]。 6. **单季营收同比增速因子** * 在沪深300样本空间中：最近一周0.27%，最近一月1.04%，今年以来1.75%，历史年化4.64%[19]。 * 在中证500样本空间中：最近一周0.96%，最近一月4.27%，今年以来5.15%，历史年化3.90%[21]。 7. **3个月盈利上下调因子** * 在沪深300样本空间中：最近一周0.24%，最近一月-0.37%，今年以来0.19%，历史年化5.19%[19]。 8. **标准化预期外盈利(SUE)因子** * 在沪深300样本空间中：最近一周0.22%，最近一月0.40%，今年以来0.91%，历史年化4.10%[19]。 9. **预期净利润环比因子** * 在沪深300样本空间中：最近一周-0.20%，最近一月-1.57%，今年以来-2.94%，历史年化1.47%[19]。 * 在中证500样本空间中：最近一周0.90%，最近一月2.41%，今年以来1.60%，历史年化3.40%[21]。 10. **一年动量因子** * 在沪深300样本空间中：最近一周-0.07%，最近一月-0.44%，今年以来0.23%，历史年化3.09%[19]。 * 在公募重仓指数样本空间中：最近一周1.09%，最近一月-0.15%，今年以来2.05%，历史年化2.44%[27]。 11. **单季ROA因子** * 在沪深300样本空间中：最近一周-0.03%，最近一月1.01%，今年以来2.22%，历史年化4.21%[19]。 * 在中证1000样本空间中：最近一周0.65%，最近一月1.44%，今年以来0.37%，历史年化6.48%[23]。 12. **预期EPTTM因子** * 在沪深300样本空间中：最近一周-0.37%，最近一月2.54%，今年以来2.11%，历史年化3.81%[19]。 13. **BP因子** * 在沪深300样本空间中：最近一周-0.27%，最近一月-0.37%，今年以来-0.75%，历史年化2.54%[19]。 14. **特异度因子** * 在沪深300样本空间中：最近一周-0.28%，最近一月0.12%，今年以来0.43%，历史年化0.11%[19]。 15. **三个月换手因子** * 在沪深300样本空间中：最近一周-0.32%，最近一月1.22%，今年以来0.30%，历史年化2.22%[19]。 （注：以上仅为部分因子在部分样本空间下的表现示例，报告中对每个因子在五个样本空间（沪深300、中证500、中证1000、中证A500、公募重仓）下均有四个时间维度的表现数据[19][21][23][25][27]。）

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，然后从基本面和技术面两个维度对股票池中的股票进行精选，构建投资组合[13][15]。 * **模型具体构建过程**： 1. **构建分析师推荐股票池**：以三种分析师推荐事件作为信号源构建初始股票池，包括：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”[15]。 2. **基本面和技术面精选**：对上述股票池中的股票，从基本面和技术面两个维度进行筛选，挑选出同时具备基本面支撑和技术面共振的股票[15]。 * **模型评价**：该模型旨在捕捉分析师推荐与市场技术走势共振带来的超额收益机会[15]。 2. **模型名称：平稳创新高股票筛选模型**[20][22][23] * **模型构建思路**：从近期创出股价新高的股票中，通过多维度条件（如分析师关注度、股价强度、价格路径平稳性等）筛选出趋势更为稳健、持续性更强的“平稳创新高”股票[2][20][22]。 * **模型具体构建过程**： 1. **初始股票池**：全部港股，剔除成立时间不超过15个月的股票[23]。 2. **创新高筛选**：选取过去20个交易日内曾创出250日新高的股票[2][22]。 3. **多维度条件筛选**：在步骤2的股票池中，依次应用以下筛选条件[22][23]： * **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]。 * **股价相对强弱**：过去250日涨跌幅位于全部港股样本池的前20%[23]。 * **股价平稳性**：在满足上述条件的股票中，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（位移路程比）**：$$价格路径平滑性 = \frac{过去120日涨跌幅绝对值}{过去120日日涨跌幅绝对值加总}$$[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[23]。 * **趋势延续性**：对经过上述筛选的股票，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只股票作为最终输出[23]。 * **核心指标计算**：模型中使用“250日新高距离”来衡量股价创新高情况，计算公式为：$$250日新高距离 = 1 - \frac{Close_t}{ts\_max(Close, 250)}$$ 其中，$Close_t$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。该值越接近0，表示股价越接近历史高点[22]。 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] * **绝对收益（年化）**：19.08%[15] * **超额收益（年化，相对恒生指数）**：18.06%[15] * **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] 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**：衡量当前股价相对于过去一段时间内最高价的回落幅度，用于识别股价是否创出新高以及创新高后的回调程度[20][22]。 * **因子具体构建过程**： * 计算过去250个交易日（约一年）收盘价的最大值：$MaxClose_{250} = ts\_max(Close, 250)$[22]。 * 使用最新收盘价$Close_t$与上述最大值进行比较，计算公式为：$$250日新高距离 = 1 - \frac{Close_t}{MaxClose_{250}}$$[22] * **因子解释**：若最新收盘价创出新高，则因子值为0；若股价从高点回落，则因子值为正，数值越大表示回落幅度越大[22]。 2. **因子名称：价格路径平滑性（位移路程比）**[22][23] * **因子构建思路**：通过比较一段时间内的累计涨跌幅（位移）与每日涨跌幅绝对值之和（路程），来衡量股价上涨或下跌过程的流畅度与波动性。比值越高，表明路径越平滑，趋势性越强[22][23]。 * **因子具体构建过程**： * 计算过去120个交易日的累计涨跌幅绝对值：$|R_{120}|$[22]。 * 计算过去120个交易日每日涨跌幅的绝对值之和：$\sum_{i=1}^{120} |r_i|$[22]。 * 计算公式为：$$价格路径平滑性 = \frac{|R_{120}|}{\sum_{i=1}^{120} |r_i|}$$[22] * **因子解释**：该因子值介于0和1之间。值越接近1，说明股价在120日内几乎呈单边上涨或下跌，路径平滑，波动小；值越小，说明期间股价反复震荡，路径曲折[22]。 因子的回测效果 （报告中未提供单个因子的独立测试结果，如IC、IR、多空收益等，因此此部分无相关内容）

量化模型与构建方式 1. **模型名称：进取组合**；模型构建思路：基于多因子模型构建的积极型投资组合[7]；模型具体构建过程：报告未详细说明具体因子构成和加权方式，仅表明其为多因子模型下的“进取”风格组合[10][11] 2. **模型名称：平衡组合**；模型构建思路：基于多因子模型构建的平衡型投资组合[7]；模型具体构建过程：报告未详细说明具体因子构成和加权方式，仅表明其为多因子模型下的“平衡”风格组合[10][11] 3. **模型名称：沪深300指数增强组合**；模型构建思路：在沪深300指数成分股内，通过量化模型优选股票，旨在获取超越基准的超额收益[5][9]；模型具体构建过程：报告未详细说明具体的增强模型（如多因子模型、优化器约束等）[13][15] 4. **模型名称：中证500指数增强组合**；模型构建思路：在中证500指数成分股内，通过量化模型优选股票，旨在获取超越基准的超额收益[5][9]；模型具体构建过程：报告未详细说明具体的增强模型[13][15] 5. **模型名称：中证1000指数增强组合**；模型构建思路：在中证1000指数成分股内，通过量化模型优选股票，旨在获取超越基准的超额收益[5][9]；模型具体构建过程：报告未详细说明具体的增强模型[13][15] 6. **模型名称：绩优基金的独门重仓股组合**；模型构建思路：选取绩优基金持有的非主流重仓股（独门重仓股）构建组合，旨在获取基金经理的Alpha[5][9]；模型具体构建过程：报告未详细说明绩优基金的筛选标准、独门重仓股的定义及组合构建方法[28] 7. **模型名称：盈利、增长、现金流三者兼优组合**；模型构建思路：筛选在盈利能力、增长能力和现金流质量三个维度均表现优异的股票构建组合[7][30]；模型具体构建过程：报告未详细说明具体筛选指标（如ROE、营收增长率、经营性现金流等）及阈值[30] 8. **模型名称：PB-盈利优选组合**；模型构建思路：结合低市净率（PB）与高盈利能力的股票筛选逻辑，构建有基本面支撑的低估值组合[5][33]；模型具体构建过程：报告未详细说明PB与盈利指标（如ROE、净利润率）的具体结合方式（如排序打分、复合因子等）[33][36] 9. **模型名称：GARP组合**；模型构建思路：采用GARP（Growth at a Reasonable Price）策略，寻找价格合理的成长股[9][38]；模型具体构建过程：报告未详细说明具体的成长指标（如PEG）和估值指标的构建方法[38] 10. **模型名称：小盘价值优选组合1**；模型构建思路：在小市值股票中，优选具备价值特征的股票构建组合[7][39]；模型具体构建过程：报告未详细说明小盘和价值的具体定义及筛选方法[39] 11. **模型名称：小盘价值优选组合2**；模型构建思路：在小市值股票中，采用另一套价值优选逻辑构建组合[9][42]；模型具体构建过程：报告未详细说明与“组合1”差异化的具体构建方法[42] 12. **模型名称：小盘成长组合**；模型构建思路：在小市值股票中，优选具备高成长特征的股票构建组合[7][43]；模型具体构建过程：报告未详细说明小盘和成长的具体定义及筛选方法[43] 量化因子与构建方式 1. **因子名称：市值因子**；因子构建思路：基于股票的总市值或流通市值构建，通常认为小市值股票存在溢价[47]；因子具体构建过程：报告未给出具体计算公式，通常使用股票总市值的自然对数或分位数排名。多头组合为市值最小的10%股票，空头组合为市值最大的10%股票[47] 2. **因子名称：PB因子**；因子构建思路：基于市净率构建，衡量股票的估值水平[47]；因子具体构建过程：报告未给出具体计算公式，通常使用股价除以每股净资产。多头组合为PB最高的10%股票（高估值），空头组合为PB最低的10%股票（低估值）[47] 3. **因子名称：PE_TTM因子**；因子构建思路：基于滚动市盈率构建，衡量股票的估值水平[47]；因子具体构建过程：报告未给出具体计算公式，通常使用股价除以最近四个季度的每股收益之和。多头组合为PE_TTM最高的10%股票（高估值），空头组合为PE_TTM最低的10%股票（低估值）[47] 4. **因子名称：反转因子**；因子构建思路：基于股票过去一段时间的收益率构建，认为过去表现差的股票未来可能反弹，过去表现好的股票未来可能回调[51]；因子具体构建过程：报告未给出具体计算公式和回溯期。多头组合为过去一段时间收益率最低的10%股票，空头组合为收益率最高的10%股票[51] 5. **因子名称：换手率因子**；因子构建思路：基于股票的换手率构建，通常认为低换手率股票未来表现更优[51]；因子具体构建过程：报告未给出具体计算公式和计算窗口。多头组合为换手率最低的10%股票，空头组合为换手率最高的10%股票[51] 6. **因子名称：波动率因子**；因子构建思路：基于股票价格的波动率构建，通常认为低波动率股票风险调整后收益更优[51]；因子具体构建过程：报告未给出具体计算公式（如历史收益标准差）和计算窗口。多头组合为波动率最低的10%股票，空头组合为波动率最高的10%股票[51] 7. **因子名称：ROE因子**；因子构建思路：基于净资产收益率构建，衡量公司的盈利能力[56]；因子具体构建过程：报告未给出具体计算公式（如净利润/净资产）。多头组合为ROE最高的10%股票，空头组合为ROE最低的10%股票[56] 8. **因子名称：SUE因子**；因子构建思路：基于标准化未预期盈余构建，衡量公司盈利超出市场预期的程度[56]；因子具体构建过程：报告未给出具体计算公式。通常公式为 $$SUE = \frac{(EPS_{实际} - EPS_{预期})}{\sigma(EPS_{预期})}$$，其中EPS_实际为报告期每股收益，EPS_预期为市场一致预期，σ为预期标准差。多头组合为SUE最高的10%股票，空头组合为SUE最低的10%股票[56] 9. **因子名称：预期净利润调整因子**；因子构建思路：基于分析师对净利润预测的调整幅度构建，反映基本面预期的变化[56]；因子具体构建过程：报告未给出具体计算公式。通常计算近期分析师净利润预测上调幅度。多头组合为预期净利润上调幅度最大的10%股票，空头组合为下调幅度最大的10%股票[56] 模型的回测效果 （数据期间：2026年3月20日至2026年3月27日（周）、2026年2月27日至2026年3月27日（月）、2025年12月31日至2026年3月27日（年））[9] 1. **进取组合**，周绝对收益率2.27%，周超额收益（vs 中证500）2.56%，月绝对收益率-7.95%，月超额收益2.68%，年绝对收益率11.96%，年超额收益8.32%，年跟踪误差23.54%，年最大相对回撤6.14%[9] 2. **平衡组合**，周绝对收益率1.12%，周超额收益（vs 中证500）1.41%，月绝对收益率-7.46%，月超额收益3.18%，年绝对收益率9.87%，年超额收益6.22%，年跟踪误差19.41%，年最大相对回撤4.99%[9] 3. **沪深300增强组合**，周绝对收益率-0.66%，周超额收益（vs 沪深300）0.75%，月绝对收益率-6.60%，月超额收益-2.18%，年绝对收益率2.53%，年超额收益5.28%，年跟踪误差7.52%，年最大相对回撤4.04%[9] 4. **中证500增强组合**，周绝对收益率-0.47%，周超额收益（vs 中证500）-0.18%，月绝对收益率-9.74%，月超额收益0.90%，年绝对收益率3.06%，年超额收益-0.58%，年跟踪误差7.40%，年最大相对回撤3.17%[9] 5. **中证1000增强组合**，周绝对收益率-0.25%，周超额收益（vs 中证1000）0.23%，月绝对收益率-8.94%，月超额收益0.58%，年绝对收益率4.77%，年超额收益2.78%，年跟踪误差7.92%，年最大相对回撤2.32%[9] 6. **绩优基金的独门重仓股组合**，周绝对收益率0.78%，周超额收益（vs 股票型基金总指数）2.49%，月绝对收益率-12.53%，月超额收益-5.42%，年绝对收益率2.70%，年超额收益3.51%，年跟踪误差24.34%，年最大相对回撤8.70%[9] 7. **盈利、增长、现金流三者兼优组合**，周绝对收益率0.60%，周超额收益（vs 沪深300）2.01%，月绝对收益率-11.28%，月超额收益-6.86%，年绝对收益率-14.32%，年超额收益-11.57%，年跟踪误差15.71%，年最大相对回撤16.70%[9] 8. **PB-盈利优选组合**，周绝对收益率-0.09%，周超额收益（vs 沪深300）1.33%，月绝对收益率-4.47%，月超额收益-0.05%，年绝对收益率3.03%，年超额收益5.79%，年跟踪误差13.89%，年最大相对回撤3.40%[9] 9. **GARP组合**，周绝对收益率-1.26%，周超额收益（vs 沪深300）0.15%，月绝对收益率-8.22%，月超额收益-3.80%，年绝对收益率4.68%，年超额收益7.43%，年跟踪误差12.44%，年最大相对回撤5.81%[9] 10. **小盘价值优选组合1**，周绝对收益率1.96%，周超额收益（vs 微盘股指数）0.31%，月绝对收益率-6.16%，月超额收益1.29%，年绝对收益率5.45%，年超额收益-3.77%，年跟踪误差12.64%，年最大相对回撤9.26%[9] 11. **小盘价值优选组合2**，周绝对收益率0.64%，周超额收益（vs 微盘股指数）-1.01%，月绝对收益率-8.19%，月超额收益-0.74%，年绝对收益率8.89%，年超额收益-0.33%，年跟踪误差12.35%，年最大相对回撤5.84%[9] 12. **小盘成长组合**，周绝对收益率-0.35%，周超额收益（vs 微盘股指数）-2.00%，月绝对收益率-9.27%，月超额收益-1.82%，年绝对收益率3.49%，年超额收益-5.73%，年跟踪误差11.01%，年最大相对回撤7.41%[9] 因子的回测效果 （数据期间：2026年3月20日至2026年3月27日（周）、2026年2月27日至2026年3月27日（月）、2025年12月31日至2026年3月27日（年））[47][51][56] 1. **市值因子**，上周全市场多空收益2.51%[47]，上月全市场/沪深300/中证500/中证1000多空收益分别为-0.06%/-7.70%/8.42%/1.46%[47]，今年以来全市场/沪深300/中证500/中证1000多空收益分别为6.09%/0.27%/-1.71%/-4.59%[48] 2. **PB因子**，上周全市场多空收益-0.62%[47]，上月全市场/沪深300/中证500/中证1000多空收益分别为5.30%/9.64%/5.72%/4.62%[47]，今年以来全市场/沪深300/中证500/中证1000多空收益分别为3.74%/0.98%/2.01%/1.33%[48] 3. **PE_TTM因子**，上周全市场多空收益-0.32%[47]，上月全市场/沪深300/中证500/中证1000多空收益分别为2.83%/15.06%/8.90%/2.69%[47]，今年以来全市场/沪深300/中证500/中证1000多空收益分别为2.40%/6.95%/1.27%/-1.32%[48] 4. **反转因子**，上周全市场多空收益-0.51%[51]，上月全市场/沪深300/中证500/中证1000多空收益分别为-1.09%/-0.21%/2.07%/-2.74%[54]，今年以来全市场/沪深300/中证500/中证1000多空收益分别为-6.55%/-11.35%/-6.76%/-4.15%[54] 5. **换手率因子**，上周全市场多空收益0.27%[51]，上月全市场/沪深300/中证500/中证1000多空收益分别为5.79%/7.43%/14.33%/6.74%[54]，今年以来全市场/沪深300/中证500/中证1000多空收益分别为6.09%/-2.47%/0.14%/5.31%[54] 6. **波动率因子**，上周全市场多空收益-1.57%[51]，上月全市场/沪深300/中证500/中证1000多空收益分别为4.08%/7.30%/8.51%/2.43%[54]，今年以来全市场/沪深300/中证500/中证1000多空收益分别为2.11%/-1.42%/-5.56%/-0.93%[54] 7. **ROE因子**，上周全市场多空收益-1.34%[56]，上月全市场/沪深300/中证500/中证1000多空收益分别为-0.54%/2.69%/3.22%/-2.10%[56]，今年以来全市场/沪深300/中证500/中证1000多空收益分别为1.55%/2.54%/3.35%/3.53%[57] 8. **SUE因子**，上周全市场多空收益0.46%[56]，上月全市场/沪深300/中证500/中证1000多空收益分别为0.15%/-4.02%/-0.81%/0.15%[56]，今年以来全市场/沪深300/中证500/中证1000多空收益分别为2.40%/0.06%/-2.24%/0.88%[57] 9. **预期净利润调整因子**，上周全市场多空收益0.50%[56]，上月全市场/沪深300/中证500/中证1000多空收益分别为2.28%/5.97%/1.95%/1.04%[56]，今年以来全市场/沪深300/中证500/中证1000多空收益分别为2.45%/8.00%/4.22%/-0.41%[57]

根据您提供的研报内容，这是一篇关于人工智能投研工具 **OpenClaw** 的安装与配置技术教程，并非量化模型或因子研究类报告[1][2][3][4]。报告中未涉及任何量化投资模型、量化因子的构建思路、具体过程、评价或回测效果。 因此，无法按照您要求的格式（如“量化模型与构建方式”、“模型的回测效果”、“量化因子与构建方式”、“因子的回测效果”）进行总结。 报告的核心内容是指导用户如何在 Windows 系统的 WSL2 环境中部署和配置 OpenClaw 人工智能助手，主要步骤包括： 1. **安装 WSL2 与 Ubuntu 系统**：在 Windows PowerShell 中以管理员身份运行命令进行安装和验证[13][14][15][16][17]。 2. **进行安装前的环境准备**：包括启用 systemd、配置环境变量以避免冲突、安装必要的 Python 库（如 numpy、pandas）等[23][26][27][29][30][31][32][33][34][35]。 3. **安装 OpenClaw 本体**：在 Ubuntu 终端中更新系统并安装基础工具（curl, wget, git, nodejs, npm），配置 npm 镜像，最后通过 npm 安装 OpenClaw[36][37]。 4. **配置 OpenClaw**：这是一个多步骤的交互式过程，主要包括： * 选择个人使用模式[41]。 * 选择大模型服务商（如火山引擎）并配置 API Key[42][43]。 * 选择具体的大模型（如 `volcengine/doubao-seed-1-8-251228`）[44][45]。 * 配置通讯工具（Channel），例如飞书（Feishu），涉及在飞书开放平台创建应用、配置权限和事件回调，并将获得的 App ID 和 App Secret 填入 OpenClaw[46][47][48][50][51][52][53][54][55][56][57][59][60][61][62][63]。 * 完成其他配置项，如搜索引擎、技能安装等，最终启动机器人[65][66][67]。 5. **使用 OpenClaw**：演示了如何将配置好的飞书机器人添加到群聊，并通过技能（如 `weather`）执行任务[70][71][72]。 报告还对比了本地安装与云端部署、不同操作系统的优劣，并给出了相关风险提示[9][10][11][73]。

量化模型与因子总结 量化因子与构建方式 1. **因子名称：250日新高距离**[11] * **因子构建思路**：该因子用于衡量当前价格相对于过去一段时间内最高价格的回落幅度，是动量效应和趋势跟踪策略的核心指标。当价格接近或创出新高时，通常被认为具有强势的上涨动能[11]。 * **因子具体构建过程**：对于每个标的（个股、指数等），计算其最新收盘价与过去250个交易日（约一年）内最高收盘价的相对距离。 * 具体计算公式为： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ * 其中，$Closet$ 代表最新收盘价，$ts\_max(Close, 250)$ 代表过去250个交易日收盘价的最大值[11]。 * 若最新收盘价创出250日新高，则因子值为0；若价格从高点回落，则因子值为正，数值越大表示回落幅度越大[11]。 2. **模型名称：平稳创新高股票筛选模型**[26][29] * **模型构建思路**：该模型旨在从近期创出新高的股票中，进一步筛选出具有“平稳”上涨特征的股票。其理论基础在于，研究表明遵循平滑价格路径的高动量股收益，相较遵循跳跃价格路径的高动量股收益更高，存在“温水煮青蛙”效应，平滑的动量效应可能更强大[26]。 * **模型具体构建过程**：这是一个多步骤的筛选模型，具体流程如下： 1. **初选股票池**：筛选出过去20个交易日曾创出250日新高的股票[20]。 2. **应用筛选条件**：在初选股票池中，依次应用以下条件进行筛选[29]： * **分析师关注度**：过去3个月内，获得“买入”或“增持”评级的分析师研报数量不少于5份。 * **股价相对强弱**：过去250日涨跌幅位于全市场前20%。 * **股价平稳性**：使用以下两个指标对满足上述条件的股票进行综合打分，并选取排名在前50%的股票。 * **价格路径平滑性**：股价位移路程比。计算公式为：`过去120日涨跌幅的绝对值 / 过去120日日涨跌幅绝对值加总`[26]。 * **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。 * **趋势延续性**：对经过上述步骤筛选出的股票，计算其过去5日的250日新高距离在时间序列上的均值，并选取该值排序靠前的50只股票作为最终输出[29]。 模型的回测效果 *本报告为市场热点追踪周报，主要展示特定时点（2026年3月27日）的截面数据与筛选结果，未提供模型或因子在历史时间序列上的回测绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。* 因子的回测效果 *本报告为市场热点追踪周报，主要展示特定时点（2026年3月27日）的截面数据与筛选结果，未提供因子在历史时间序列上的回测绩效指标（如IC值、IR、多空收益等）。* 模型与因子的应用结果（截至2026年3月27日） 1. **250日新高距离因子取值**： * **主要宽基指数**：上证指数（6.43%）、深证成指（5.13%）、沪深300（6.01%）、中证500（10.64%）、中证1000（9.51%）、中证2000（9.52%）、创业板指（2.73%）、科创50（16.40%）[2][12]。 * **中信一级行业指数**：电力及公用事业（2.03%）、电力设备及新能源（4.75%）、煤炭（4.56%）、通信（2.83%）、石油石化（14.61%）距离新高较近；食品饮料、商贸零售、综合金融、非银行金融、房地产等行业距离新高较远[2][13]。 * **概念指数**：锂矿、钠离子电池、电力公用事业、储能、光伏逆变器、电气部件与设备、锂电池等概念指数距离250日新高较近[2][15]。 2. **平稳创新高股票筛选模型输出**： * 应用该模型，从全市场961只近期创新高股票中[20]，最终筛选出**14只**平稳创新高股票，包括亚翔集成、佰维存储、盐湖股份等[3][30]。 * **板块分布**：周期板块（6只）、科技板块（6只）入选数量最多[3][30]。周期板块中基础化工行业最多；科技板块中电子行业最多[3][30]。 * **具体股票列表及部分指标**：详见报告表1，列出了14只股票的代码、名称、所属行业、流通市值、最近创新高日期、当前250日新高距离、过去250日涨跌幅、过去20日涨跌幅、过去3个月获推荐研报数量等信息[33]。

量化模型与构建方式 1. **模型名称**：封板率模型[17] * **模型构建思路**：通过统计股票在交易日内达到涨停价并最终维持涨停至收盘的情况，来衡量市场涨停股的封板强度和市场情绪[17]。 * **模型具体构建过程**：首先，筛选出上市满3个月以上的股票。然后，在目标交易日，计算两个指标： 1. 统计当日“最高价涨停”的股票数量。 2. 在“最高价涨停”的股票中，统计“收盘价也涨停”的股票数量。 最后，计算封板率，公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 例如，2026年3月26日，封板率为66%[17]。 2. **模型名称**：连板率模型[17] * **模型构建思路**：通过统计连续两个交易日收盘涨停的股票比例，来衡量市场涨停效应的持续性和短线炒作热度[17]。 * **模型具体构建过程**：首先，筛选出上市满3个月以上的股票。然后，在目标交易日，计算两个指标： 1. 统计前一交易日“收盘涨停”的股票数量。 2. 在这些前一交易日涨停的股票中，统计当日“收盘也涨停”的股票数量。 最后，计算连板率，公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 例如，2026年3月26日，连板率为15%[17]。 3. **因子名称**：大宗交易折价率因子[26] * **因子构建思路**：通过计算大宗交易成交价相对于市价的折价幅度，来反映大资金的投资偏好和市场情绪，折价越高通常意味着卖出意愿更强或对后市看法偏谨慎[26]。 * **因子具体构建过程**：首先，获取目标交易日所有发生的大宗交易数据，包括每笔交易的成交金额和成交数量。然后，计算该交易日大宗交易的总成交金额和按当日收盘价计算的总市值。最后，计算折价率，公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ 例如，2026年3月25日，大宗交易折价率为9.50%[26]；近半年平均折价率为7.11%[26]。 4. **因子名称**：股指期货年化贴水率因子[28] * **因子构建思路**：通过计算股指期货主力合约价格相对于现货指数的年化基差，来反映市场对未来指数走势的预期、对冲成本以及市场情绪。贴水（基差为负）通常表示市场预期偏弱或对冲需求强烈[28]。 * **因子具体构建过程**：首先，选定目标股指期货品种（如上证50、沪深300等）的主力合约。然后，计算基差（期货价格 - 现货指数价格）。最后，将基差年化处理，得到年化贴水率，公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 例如，2026年3月26日，上证50、沪深300、中证500、中证1000股指期货主力合约的年化贴水率分别为3.09%、7.99%、13.10%、15.14%[28]。近一年中位数分别为0.94%、4.42%、10.99%、13.21%[28]。 模型的回测效果 1. 封板率模型，2026年3月26日封板率66%[17] 2. 连板率模型，2026年3月26日连板率15%[17] 因子的回测效果 1. 大宗交易折价率因子，2026年3月25日折价率9.50%[26]，近半年平均折价率7.11%[26] 2. 股指期货年化贴水率因子，2026年3月26日上证50年化贴水率3.09%[28]，沪深300年化贴水率7.99%[28]，中证500年化贴水率13.10%[28]，中证1000年化贴水率15.14%[28]

量化模型与构建方式 1. **模型名称**：多资产择时模型[1][2][6] **模型构建思路**：该模型旨在对多种资产（包括债券、股票、商品等）进行多空动能判断，生成“看多”、“调整”或“震荡”的择时观点[2][6] **模型具体构建过程**： * **第一步：生成原始信号**。模型首先为每个标的计算一个“原始信号”，该信号是一个百分比数值，代表模型判断的看空动能强度[2][6]。例如，30年国债的原始信号为73.10%[2][6]。报告未披露原始信号的具体计算方法和所依赖的因子。 * **第二步：计算平滑信号**。对原始信号进行移动平均平滑处理，以降低噪音。报告中采用了5日移动平均（MA5）[2][6]。计算公式为： $$MA5_t = \frac{1}{5} \sum_{i=0}^{4} Signal_{t-i}$$ 其中，\(MA5_t\) 代表在交易日t的5日移动平均值，\(Signal_{t-i}\) 代表交易日t-i的原始信号值。 * **第三步：生成模型观点**。根据平滑后的信号（MA5）数值区间，将观点划分为三类[2][6]： * **看多**：MA5值处于低位（例如2年国债MA5为10.80%）[2][6]。 * **调整**：MA5值处于高位（例如30年国债MA5为73.46%）[2][6]。 * **震荡**：MA5值处于中间区间（例如IPE布油MA5为48.82%）[2][6]。 报告未明确给出三个观点对应的具体阈值。 * **第四步：跟踪信号持续性**。模型同时记录当前观点持续的交易日天数[2][6]。 模型的回测效果 （注：报告为每日观点输出，未提供历史回测的绩效指标（如年化收益率、夏普比率、最大回撤等）。报告中展示的是模型在特定时点（2026年3月26日）对各个标的的最新信号和观点[2][6]。） 1. **多资产择时模型**，**30年国债**原始信号值73.10%，MA5信号值73.46%，模型观点为“调整”，信号持续10个交易日[2][6] 2. **多资产择时模型**，**3年AAA中短票**原始信号值73.81%，MA5信号值80.07%，模型观点为“调整”，信号持续2个交易日[2][6] 3. **多资产择时模型**，**10年国债**原始信号值69.40%，MA5信号值74.91%，模型观点为“调整”，信号持续7个交易日[2][6] 4. **多资产择时模型**，**2年国债**原始信号值17.95%，MA5信号值10.80%，模型观点为“看多”，信号持续超过10个交易日[2][6] 5. **多资产择时模型**，**万得全A指数**原始信号值64.74%，MA5信号值65.43%，模型观点为“调整”，信号持续1个交易日[2][6] 6. **多资产择时模型**，**中证红利全收益指数**原始信号值76.94%，MA5信号值72.05%，模型观点为“调整”，信号持续5个交易日[2][6] 7. **多资产择时模型**，**恒生科技指数**原始信号值79.89%，MA5信号值80.42%，模型观点为“调整”，信号持续6个交易日[2][6] 8. **多资产择时模型**，**科创50指数**原始信号值78.50%，MA5信号值78.98%，模型观点为“调整”，信号持续超过10个交易日[2][6] 9. **多资产择时模型**，**万得微盘指数**原始信号值66.86%，MA5信号值62.01%，模型观点为“调整”，信号持续1个交易日[2][6] 10. **多资产择时模型**，**国证2000指数**原始信号值76.44%，MA5信号值76.88%，模型观点为“调整”，信号持续9个交易日[2][6] 11. **多资产择时模型**，**COMEX黄金**原始信号值31.26%，MA5信号值51.98%，模型观点为“震荡”，信号持续1个交易日[2][7] 12. **多资产择时模型**，**IPE布油**原始信号值57.93%，MA5信号值48.82%，模型观点为“震荡”，信号持续8个交易日[2][7] 量化因子与构建方式 （注：报告中未详细披露用于生成原始信号的具体量化因子及其构建方法。）

量化模型与因子总结 量化因子与构建方式 1. **因子名称：RSI相对强弱指标**[2] * **因子构建思路**：通过计算一定周期内价格上涨和下跌的幅度对比，来衡量市场的超买或超卖状态，以判断短期趋势的强弱。[2] * **因子具体构建过程**： 1. 计算一定周期（报告中为12天）内，每日上涨幅度的平均值（AvgGain）和每日下跌幅度绝对值的平均值（AvgLoss）。[2] 2. 计算相对强度（RS），公式为：$$RS = \frac{AvgGain}{AvgLoss}$$[2] 3. 将RS转化为RSI指标，公式为：$$RSI = 100 - \frac{100}{1 + RS}$$[2] 4. 根据RSI值进行状态判断：RSI > 70表示市场处于超买状态；RSI < 30表示市场处于超卖状态。[2] 2. **因子名称：净申购金额**[2] * **因子构建思路**：通过计算ETF基金单位净值的变化与基金份额自然增长（分红再投资）的差异，来估算当日资金的净流入或流出情况。[2] * **因子具体构建过程**： 1. 获取当日ETF净值NAV(T)和前一日ETF净值NAV(T-1)。[2] 2. 获取当日ETF的收益率R(T)。[2] 3. 计算净申购金额NETBUY(T)，公式为：$$NETBUY(T) = NAV(T) - NAV(T-1) \times (1 + R(T))$$[2] 该公式的核心是剔除了因基金净值涨跌（NAV(T-1)*R(T)）和分红再投资导致的份额自然增长对总资产的影响，从而得到由投资者主动申购赎回引起的资金净变化。 模型的回测效果 （报告中未提供基于上述因子的策略模型及其回测效果指标，故本部分省略。） 因子的回测效果 （报告中未提供因子的历史测试表现，如IC、IR、多空收益等指标，仅展示了特定日期的截面数据。因此，无法提供统一的指标取值总结。报告中表格列示的是各ETF在特定日期的因子截面值，例如RSI值和净申购金额。）[4][6]