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**：基于市场情绪热度变化，构建一个在主流宽基指数间进行轮动的择时策略。其核心逻辑是，市场关注度（热度）的边际变化可能预示着短期资金流向，选择热度上升最快的宽基指数进行投资，以期获得超额收益[13]。 * **模型具体构建过程**： 1. **数据准备**：计算全A股票池中，属于沪深300、中证500、中证1000、中证2000以及“其他”组（不属于上述四个宽基的股票）的股票总热度[8]。 2. **计算热度变化率**：计算每个宽基组（含“其他”组）的周度总热度变化率[11]。 3. **平滑处理**：对周度热度变化率取2周移动平均（MA2）进行平滑[11]。 4. **交易信号**：在每周最后一个交易日，买入MA2值最大的宽基指数对应的ETF或一篮子股票。如果MA2值最大的是“其他”组，则选择空仓[13]。 5. **调仓周期**：每周调仓一次[13]。 2. **模型名称：热门概念内低热度选股策略（BOTTOM组合）** [30][32] * **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。其逻辑是，热门概念中的高关注度个股可能因“有限注意力”导致短期定价过度，而低关注度个股可能存在反应不足或补涨机会[29]。 * **模型具体构建过程**： 1. **筛选热门概念**：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[32]。 2. **构建备选股票池**：将这5个热门概念对应的所有成分股作为初始股票池，并剔除其中流通市值最小的20%的股票[32]。 3. **构建BOTTOM组合**：在每个热门概念对应的备选股票池中，选出个股总热度指标排名最低的10只股票，等权重构建投资组合[32]。 4. **调仓周期**：每周调仓一次[32]。 模型的回测效果 1. **宽基轮动策略**，年化收益率8.74%，最大回撤23.5%，2026年收益为0%[16]。 2. **热门概念内低热度选股策略（BOTTOM组合）**，年化收益15.71%，最大回撤28.89%，2026年收益为-7.6%[34]。 量化因子与构建方式 1. **因子名称：个股总热度** [7] * **因子构建思路**：通过加总个股的浏览、自选与点击次数，并经过标准化处理，构建一个衡量市场对单只股票关注度（情绪热度）的代理指标[7]。 * **因子具体构建过程**： 1. 获取股票i在交易日t的浏览、自选与点击次数原始数据。 2. 将这三项数据求和，得到股票i在交易日t的原始总热度。 3. 计算该原始总热度在交易日t全市场所有股票中的占比，进行归一化。 4. 将归一化后的数值乘以10000，使因子取值区间落在[0, 10000]之间[7]。 * **公式**： $$个股总热度_{i,t} = \frac{（浏览_{i,t} + 自选_{i,t} + 点击_{i,t}）}{\sum_{j=1}^{N}（浏览_{j,t} + 自选_{j,t} + 点击_{j,t}）} \times 10000$$ 其中，$i$ 代表个股，$t$ 代表交易日，$N$ 为全市场股票总数[7]。 2. **因子名称：聚合总热度（宽基/行业/概念层面）** [7] * **因子构建思路**：将属于同一宽基指数、申万行业或概念的成分股的“个股总热度”因子进行加总，得到更高层面的市场情绪热度指标，用于追踪板块或主题的整体关注度变化[7]。 * **因子具体构建过程**： 1. 确定分组范围（如：沪深300指数、公用事业行业、兵装重组概念等）。 2. 将该分组内所有成分股在交易日t的“个股总热度”因子值进行求和[7][8]。 * **公式**： $$聚合总热度_{G,t} = \sum_{i \in G} 个股总热度_{i,t}$$ 其中，$G$ 代表某个特定的宽基指数、行业或概念分组[7][8]。 3. **因子名称：热度变化率（周度）** [11] * **因子构建思路**：计算“聚合总热度”因子在相邻两周之间的变化率，用于衡量市场关注度的边际变化速度[11]。 * **因子具体构建过程**： 1. 计算分组G在本周末（$t$）的聚合总热度 $H_{G,t}$。 2. 计算分组G在上周末（$t-1$）的聚合总热度 $H_{G, t-1}$。 3. 计算周度热度变化率[11]。 * **公式**： $$周度热度变化率_{G,t} = \frac{H_{G,t} - H_{G, t-1}}{H_{G, t-1}}$$ 4. **因子名称：热度变化率MA2** [11] * **因子构建思路**：对“热度变化率（周度）”因子进行2周移动平均平滑，以降低噪声，得到更稳定的趋势信号[11]。 * **因子具体构建过程**： 1. 获取分组G在当周（$t$）和上一周（$t-1$）的“周度热度变化率”。 2. 计算这两周变化率的简单算术平均值[11]。 * **公式**： $$热度变化率MA2_{G,t} = \frac{周度热度变化率_{G,t} + 周度热度变化率_{G, t-1}}{2}$$ 因子的回测效果 *（注：报告未提供单个因子的独立回测绩效指标，如IC、IR等。因子效果体现在其构建的模型回测结果中。）*

量化模型与构建方式 1. 短期择时模型 * **模型名称**：短期量化择时模型[17][19] * **模型构建思路**：通过构建基本面、估值面、情绪面、流动性四个维度的指标体系，综合判断市场短期走势，给出仓位建议[17]。 * **模型具体构建过程**： 1. 构建四个一级指标（基本面、估值面、情绪面、流动性），每个一级指标下包含若干二级指标[17][20]。 2. 对每个二级指标计算其当前值在过去5年历史数据中的分位数[17][18][19]。 3. 根据各二级指标的分位数水平，将其转化为“乐观”、“中性”或“谨慎”的定性信号[17][18][19]。 4. 综合每个一级指标下的所有二级指标信号，得出该一级指标的最终信号（乐观、中性、谨慎）[17][18][19]。 5. 将四个一级指标信号汇总，形成最终的总仓位信号[17][20]。 * **模型评价**：该模型在历史回测中表现显著优于基准，能够有效控制回撤[19]。 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[27] * **模型构建思路**：通过动态宏观、估值回归、短期动量、风格广度、风格拥挤等多个子信号，综合判断成长与价值风格的占优情况，进行动态配置[27][28]。 * **模型具体构建过程**： 1. 模型包含多个子信号，包括：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[28]。 2. 每个子信号独立计算，并输出一个建议的成长风格仓位比例（例如0%、100%）[28]。 3. 将所有子信号的仓位建议进行综合（例如取5日平均），得到最终的成长与价值风格配置比例[27][28]。 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[30] * **模型构建思路**：从流动性等视角出发，选取11个有效轮动指标，构建综合信号来判断小盘与大盘风格的轮动机会[30]。 * **模型具体构建过程**： 1. 选取11个轮动指标，包括：A股龙虎榜买入强度、R007、融资买入余额变化、主题投资交易情绪、等级利差、期权波动率风险溢价、beta离散度、pb分化度、大宗交易折溢价率、中证1000 MACD、中证1000交易量能[31]。 2. 每个指标独立计算，并输出一个建议的小盘风格仓位比例（例如0%或100%）[31]。 3. 将所有指标的仓位建议进行综合（例如采用3日平滑），得到最终的小盘与大盘风格配置比例[31]。 --- 模型的回测效果 1. 短期择时模型 * 回测区间：2012年底至今[19] * 年化收益率：15.84%[19] * 基准年化收益率：4.78%[19] * 年化超额收益率：11.06%[19] * 最大回撤：15.05%[19] * 夏普比率：0.9295[23] * 收益回撤比：1.0524[23] * 月度胜率：65.63%[23] * 季度胜率：59.26%[23] * 年度胜率：73.33%[23] 2. 成长价值风格轮动模型 * 回测区间：2011年至今[27] * **综合信号2（5日平均仓位）效果**： * 年化收益率：14.28%[27][28] * 基准年化收益率：6.38%[27][28] * 年化超额收益率：7.89%[27][28] * 最大回撤：40.08%[28] * 夏普比率：0.64[28] * 收益回撤比：0.36[28] * 年化跟踪误差：5.88%[28] * 年化信息比率(IR)：1.34[28] * 月度超额胜率：66.32%[28] 3. 小盘大盘风格轮动模型 * 回测区间：2014年以来[31] * **综合信号（3日平滑）效果**： * 年化收益率：19.49%[31] * 年化超额收益率：12.43%[31] * 最大回撤：40.70%[31] * 平均换手间隔（交易日）：19天[31] * 胜率（按交易）：50.00%[31] --- 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，主要介绍了用于模型输入的指标。以下根据报告内容整理出模型中使用的关键指标。） 1. 基本面维度指标 * **指标名称**：制造业PMI[17] * **构建思路**：直接采用国家统计局发布的制造业采购经理指数，反映经济景气度[17]。 * **具体构建过程**：当PMI > 50时，通常给出乐观或中性信号；当PMI < 50时，给出谨慎信号[17][20]。 * **指标名称**：信贷脉冲（同比增速）[17] * **构建思路**：使用人民币中长期贷款脉冲同比增速，反映信贷扩张强度[17]。 * **具体构建过程**：计算该指标在过去5年的分位数，分位数高表示信贷增速强，给出乐观信号[17][20]。 * **指标名称**：M1同比增速（HP滤波去趋势）[17] * **构建思路**：对M1同比增速进行HP滤波去除趋势项，以观察其周期波动[17]。 * **具体构建过程**：计算滤波后数据在过去5年的分位数，分位数高表示M1增速偏强，给出乐观信号[17][20]。 2. 估值面维度指标 * **指标名称**：A股整体PE分位数[17] * **构建思路**：计算全市场PE中位数在历史（如过去5年）中的分位水平，判断估值高低[17]。 * **具体构建过程**：分位数过高（如>90%）时，认为估值偏高有均值回归下行压力，给出谨慎信号[17][20]。 * **指标名称**：A股整体PB分位数[18] * **构建思路**：计算全市场PB中位数在历史（如过去5年）中的分位水平，判断估值高低[18]。 * **具体构建过程**：分位数过高（如>90%）时，认为估值偏高有均值回归下行压力，给出谨慎信号[18][20]。 3. 情绪面维度指标 * **指标名称**：A股整体Beta离散度[18] * **构建思路**：衡量个股Beta值相对于市场平均Beta的离散程度，反映市场分歧度[18]。 * **具体构建过程**：计算该指标在过去5年的分位数，分位数低表示市场分歧小、情绪可能趋于一致，给出乐观信号[18][20]。 * **指标名称**：A股整体量能情绪[18] * **构建思路**：综合量价关系构建的情绪指标[18]。 * **具体构建过程**：计算该指标在过去5年的分位数，分位数低表示量能情绪偏弱，给出谨慎信号[18][20]。 * **指标名称**：A股整体波动率（年化）[18] * **构建思路**：计算市场指数的年化波动率，反映市场波动和风险水平[18]。 * **具体构建过程**：计算该指标在过去5年的分位数，根据分位数高低给出相应信号[18][20]。 4. 流动性维度指标 * **指标名称**：货币利率指标[19] * **构建思路**：反映银行间市场流动性松紧的指标[19]。 * **具体构建过程**：计算该指标在过去5年的分位数，分位数低表示流动性相对宽松，给出乐观信号[19][20]。 * **指标名称**：汇率预期指标[19] * **构建思路**：反映人民币兑美元汇率变化预期的指标[19]。 * **具体构建过程**：计算该指标在过去5年的分位数，分位数低表示人民币汇率偏强，给出乐观信号[19][20]。 * **指标名称**：沪深净融资额5日均值[19] * **构建思路**：观察融资客的加杠杆行为和市场风险偏好[19]。 * **具体构建过程**：计算该指标在过去5年的分位数，根据分位数给出相应信号[19][20]。 5. 小盘大盘轮动指标（部分列举） * **指标名称**：期权波动率风险溢价[31] * **构建思路**：通过期权市场数据衡量风险偏好[31]。 * **指标名称**：Beta离散度[31] * **构建思路**：同上文情绪面指标，用于风格轮动[31]。 * **指标名称**：PB分化度[31] * **构建思路**：衡量大小盘板块之间PB估值差异的指标[31]。 * **指标名称**：中证1000 MACD(10,20,10)[31] * **构建思路**：对中证1000指数应用MACD技术指标，捕捉小盘股趋势[31]。 * **指标名称**：中证1000交易量能[31] * **构建思路**：反映小盘股交易活跃度的指标[31]。 --- 因子的回测效果 （注：报告仅对小盘大盘轮动模型中的部分独立因子提供了历史表现统计。） 1. 小盘大盘轮动模型中的独立因子（回测统计） * **融资买入余额变化因子**： * 年化收益：12.49% * 年化超额收益率：5.43% * 最大回撤：44.32% * 平均换手间隔：3个交易日 * 胜率（按交易）：50.18%[31] * **大宗交易折溢价率因子**： * 年化收益：16.14% * 年化超额收益率：9.08% * 最大回撤：40.67% * 平均换手间隔：7个交易日 * 胜率（按交易）：56.11%[31] * **A股龙虎榜买入强度因子**： * 年化收益：12.11% * 年化超额收益率：5.05% * 最大回撤：54.66% * 平均换手间隔：10个交易日 * 胜率（按交易）：48.26%[31] * **R007因子**： * 年化收益：11.05% * 年化超额收益率：3.99% * 最大回撤：57.98% * 平均换手间隔：6个交易日 * 胜率（按交易）：50.38%[31] * **主题投资交易情绪因子**： * 年化收益：12.52% * 年化超额收益率：5.46% * 最大回撤：55.35% * 平均换手间隔：10个交易日 * 胜率（按交易）：51.18%[31]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：风格指数相对拥挤度模型[123] * **模型构建思路**：通过计算不同风格指数换手率Z-score的差值及其历史分位，来度量某一风格相对于另一风格的交易拥挤程度，从而判断其配置风险或性价比[123]。 * **模型具体构建过程**： 1. 分别计算风格A指数和风格B指数在过去252个交易日的平均换手率[123]。 2. 将这两个平均换手率值，分别置于自2005年1月1日以来的历史时间序列中进行Z-score标准化，得到Z-score_A与Z-score_B[123]。 3. 计算两者差值：Diff = Z-score_A - Z-score_B[123]。 4. 计算该差值Diff在滚动6年窗口内的历史分位数（若历史数据不足6年但满1年，则使用全部历史数据计算）[123]。此分位数即为“风格A vs 风格B”的相对拥挤度。 2. **模型名称**：风格指数累计超额净值模型[124] * **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收益，用以衡量风格的长期表现[124]。 * **模型具体构建过程**： 1. 以2020年1月4日为基准日，计算各风格指数及万得全A指数每日的累计净值：累计净值_t = 收盘价_t / 基准日收盘价[124]。 2. 对于每个交易日，将风格指数的累计净值除以万得全A指数的累计净值，得到该风格指数相对于万得全A的累计超额净值[124]。 3. **模型名称**：机构调研活跃度分位数模型[125] * **模型构建思路**：通过计算板块或行业在特定周期内机构调研次数的活跃程度，并与其历史水平及市场整体水平比较，以判断市场关注度的变化[125]。 * **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”[125]。 2. 在滚动y年的历史时间序列中，对该“日均机构调研次数”进行z-score标准化[125]。 3. 同时，对万得全A指数进行相同的计算，得到其z-score值[125]。 4. 将板块的z-score值与万得全A的z-score值作差，得到“机构调研活跃度”[125]。 5. 最后，计算该“机构调研活跃度”在滚动y年窗口内的历史分位数[125]。 6. 参数设置： * 长期口径：n取126（近半年），滚动窗口y为6年（历史数据满3年不足6年时用全部数据）[125]。 * 短期口径：n取63（近一季度），滚动窗口y为3年（历史数据满1年不足3年时用全部数据）[125]。 4. **模型名称**：股债性价比（ERP）模型[50] * **模型构建思路**：通过计算股票指数的盈利收益率与无风险利率（10年期国债收益率）之差，来衡量配置股票资产相对于债券资产的预期超额回报，即风险溢价[50]。 * **模型具体构建过程**： 1. 计算股票指数的盈利收益率：Earnings Yield = 1 / 指数PE_TTM[50]。 2. 获取当前10年期中债国债到期收益率作为无风险利率[50]。 3. 计算指数ERP（股权风险溢价）：$$ERP = \frac{1}{PE\_TTM} - 10年期国债到期收益率$$[50]。 4. 将该ERP值置于历史序列中计算其百分位，以判断当前性价比的高低[50][59]。 5. **因子名称**：动量因子[61] * **因子构建思路**：捕捉股票价格延续前期趋势的效应，即过去表现好的股票在未来一段时间内继续表现好，过去表现差的股票继续表现差[61]。 * **因子具体构建过程**：报告引用了“长江动量”指数的构建方法。该指数以最近一年股票收益率减去最近一个月股票收益率（剔除涨停板）作为动量指标，综合选择A股市场中动量特征强且流动性相对较高的前100只股票作为指数成分股[61]。 6. **因子名称**：反转因子[61] * **因子构建思路**：捕捉股票价格出现方向性反转的效应，即过去短期内涨幅过大的股票在未来可能出现下跌，而跌幅过大的股票可能出现反弹[61]。 * **因子具体构建过程**：报告引用了“长江反转”指数的构建方法。该指数以最近一个月股票收益率作为筛选指标，综合选择A股市场中反转效应强、流动性较好的前100只股票作为指数成分股，并采用成分股近三个月日均成交量进行加权[61]。 模型的回测效果 1. **风格指数相对拥挤度模型**，成长 vs 红利相对拥挤度历史分位为69%[70]，小盘 vs 大盘相对拥挤度历史分位为7%[70][74]，微盘股 vs 中证800相对拥挤度历史分位为65%[70][77] 2. **风格指数累计超额净值模型**，成长较红利累计超额净值处于历史较高位置[70]，小盘较大盘累计超额净值处于历史较高位置[74]，微盘股较中证800累计超额净值处于历史极高位置[77] 3. **股债性价比（ERP）模型**，万得全A指数ERP历史分位为58%[59]，沪深300指数ERP历史分位为66%[59]，中证500指数ERP历史分位为69%[59]，创业板指数ERP历史分位为86%[59] 量化因子与构建方式 1. **因子名称**：成交热度[25] * **因子构建思路**：通过计算行业或指数的换手率在其历史序列中的分位值，来衡量当前交易的活跃程度[25]。 * **因子具体构建过程**：成交热度 = 行业或指数的周度日均自由流通换手率在历史时间区间（例如2005年1月1日至今）内的历史分位值[25][34]。 2. **因子名称**：滚动季度夏普率[36] * **因子构建思路**：用于衡量市场情绪风险，当夏普率升至历史极高位置表明市场情绪过热，后续可能调整；降至低位则相反[36]。 * **因子具体构建过程**：计算万得全A指数滚动季度（约63个交易日）的夏普比率（超额收益与波动率的比值），并观察其在历史序列中的位置[36][38]。 因子的回测效果 1. **成交热度因子**，电力及公用事业行业成交热度为99%[25][34]，机械行业成交热度为99%[25][34]，煤炭行业成交热度为98%[25][34]，房地产行业成交热度为59%[25][34]，消费者服务行业成交热度为62%[25][34]，食品饮料行业成交热度为66%[25][34] 2. **滚动季度夏普率因子**，近期万得全A滚动季度夏普率下降至历史低位[36]

量化模型与构建方式 1. **模型名称：成交量模型**；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[1]；模型具体构建过程：报告未详细描述具体构建公式和过程，仅给出信号结果 2. **模型名称：特征龙虎榜机构模型**；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[1]；模型具体构建过程：报告未详细描述具体构建公式和过程，仅给出信号结果 3. **模型名称：特征成交量模型**；模型构建思路：基于更精细或特定维度的成交量特征（可能与普通成交量模型不同）来构建择时信号[1]；模型具体构建过程：报告未详细描述具体构建公式和过程，仅给出信号结果 4. **模型名称：智能算法沪深300/中证500模型**；模型构建思路：运用智能算法（如机器学习等）对沪深300或中证500指数进行择时判断[1]；模型具体构建过程：报告未详细描述具体构建公式和过程，仅给出信号结果 5. **模型名称：涨跌停模型**；模型构建思路：通过分析市场涨跌停股票的数量、比例等特征来判断中期市场情绪和趋势[1][12]；模型具体构建过程：报告未详细描述具体构建公式和过程，仅给出信号结果 6. **模型名称：上下行收益差模型**；模型构建思路：通过比较市场上涨和下跌时的收益率差异来构建择时信号[1][11][15]；模型具体构建过程：报告未详细描述具体构建公式和过程，仅给出信号结果 7. **模型名称：月历效应模型**；模型构建思路：基于历史数据中存在的月份、季节等日历效应规律来构建择时信号[1][12]；模型具体构建过程：报告未详细描述具体构建公式和过程，仅给出信号结果 8. **模型名称：长期动量模型**；模型构建思路：基于资产价格的长期趋势（动量效应）来构建择时信号[1][13]；模型具体构建过程：报告未详细描述具体构建公式和过程，仅给出信号结果 9. **模型名称：A股综合兵器V3模型**；模型构建思路：将多个择时模型信号进行综合集成，形成最终的择时观点[1][14]；模型具体构建过程：报告未详细描述具体集成方法和过程，仅给出信号结果 10. **模型名称：A股综合国证2000模型**；模型构建思路：针对国证2000指数，综合多个择时模型信号形成最终观点[1][14]；模型具体构建过程：报告未详细描述具体集成方法和过程，仅给出信号结果 11. **模型名称：成交额倒波幅模型**；模型构建思路：结合成交额与波动率（波幅）构建择时信号，用于港股市场[1][15]；模型具体构建过程：报告未详细描述具体构建公式和过程，仅给出信号结果 12. **模型名称：上下行收益差相似模型**；模型构建思路：可能是“上下行收益差模型”在港股市场的应用或变体[1][15]；模型具体构建过程：报告未详细描述具体构建公式和过程，仅给出信号结果 13. **模型名称：形态学监控（杯柄形态、双底形态）**；模型构建思路：通过识别股票价格走势图中的特定技术形态（如杯柄形态、双底形态）来筛选个股，并构建投资组合[43][44][47]；模型具体构建过程：报告未给出具体形态识别的量化规则和算法，但展示了形态的关键点位（如A点、B点、C点）和形态长度（周数），通过识别这些形态的“突破”来产生交易信号[46][49][53][54] 14. **模型名称：倒杯子形态风险监控**；模型构建思路：识别股价走势中的“倒杯子”这一负面技术形态，用于预警个股下跌风险[58]；模型具体构建过程：报告未给出具体形态识别的量化规则和算法，但指出该形态出现在一波下跌后的筑顶并再次突破下跌时，是典型的负向形态[58] 模型的回测效果 1. **双底形态组合**，本周上涨3.17%，相对上证综指超额收益4.26%，自2020年12月31日至今累计上涨23.82%，相对上证综指累计超额收益11.13%[43] 2. **杯柄形态组合**，本周上涨1.07%，相对上证综指超额收益2.17%，自2020年12月31日至今累计上涨17.9%，相对上证综指累计超额收益5.21%[43] 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**；因子构建思路：通过统计行业内分析师上调或下调盈利预期的个股比例，来观察行业情绪和预期变化[20][21][22]；因子具体构建过程：对于每个行业，计算“分析师上调个股比例”和“分析师下调个股比例”，具体公式为：$$上调比例 = \frac{行业内盈利预测被上调的个股数量}{行业内有效覆盖个股总数}$$ $$下调比例 = \frac{行业内盈利预测被下调的个股数量}{行业内有效覆盖个股总数}$$[20][21][22] 2. **因子名称：基金仓位因子（绝对仓位、超低配仓位）**；因子构建思路：通过分析股票型基金和混合型基金的行业持仓数据，构建反映机构资金动向的因子[22][23][25][26][30]；因子具体构建过程： * **绝对仓位**：计算某类基金在某个行业的持仓市值占该类基金总股票市值的比例[26]。 * **超低配仓位**：计算基金在某个行业的实际持仓比例与该行业市值占全市场比例（或基准比例）的差值[30]。公式为：$$超低配比例 = 基金行业持仓比例 - 行业市值占比$$[30] * **超低配近两年分位数**：将当前时点的超低配比例放在过去两年的历史序列中，计算其分位数，以判断当前配置水平在历史中的位置[30]。 因子的回测效果 （报告未提供具体因子的分层回测、IC、IR等量化效果指标）

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][48] * **模型构建思路：** 将对标基准从宽基指数转向主动股基，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][48]。 * **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[48]。 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，作为选股空间和对标基准[48]。 3. **组合优化增强：** 以优选基金持仓组合为基准，采用组合优化的方法，控制组合与基准在个股、行业及风格因子上的偏离，构建最终的业绩增强组合[49]。 2. **模型名称：超预期精选组合**[4][12][54] * **模型构建思路：** 以业绩超预期事件为切入点，筛选出超预期股票池，并对其进行基本面和技术面两个维度的精选，构建同时具备基本面支撑和技术面共振的股票组合[4][54]。 * **模型具体构建过程：** 1. **事件筛选：** 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][54]。 2. **双层优选：** 对超预期股票池中的股票，分别进行基本面维度和技术面维度的筛选，挑选出同时满足两个维度条件的股票[4][54]。 3. **模型名称：券商金股业绩增强组合**[5][12][59] * **模型构建思路：** 以蕴含Alpha潜力并能反映公募基金前瞻性判断的券商金股股票池为基础，通过组合优化控制与基准的偏离，进行进一步精选以增强收益[5][59]。 * **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，构建业绩增强组合[5]。 4. **模型名称：成长稳健组合**[6][12][64] * **模型构建思路：** 采用“先时序、后截面”的二维评价体系，优先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，再通过多因子打分进行横向精选[6][64]。 * **模型具体构建过程：** 1. **时序筛选（黄金期布局）：** 以“研报标题超预期”及“业绩大增”为条件筛选成长股股票池。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，旨在布局超额收益释放的“黄金期”[6][64]。 2. **截面精选：** 当时序筛选后的样本数量较多时，采用多因子打分的方法精选优质个股[6][64]。 3. **组合构建与风控：** 构建100只股票的等权组合，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[64]。 模型的回测效果 1. **优秀基金业绩增强组合** * 全样本区间（2012.1.4-2025.12.31）年化收益（考虑仓位）：21.40%[50][52] * 全样本区间年化超额收益（相对偏股混合型基金指数）：9.85%[50][52] * 2026年本年收益（考虑仓位，2026.1.5-2026.3.27）：7.35%[1][13][21] * 2026年本年超额收益（相对偏股混合型基金指数）：6.77%[1][13][21] * 2026年本年排名分位点（主动股基）：13.33%[1][13][21] 2. **超预期精选组合** * 全样本区间（2010.1.4-2025.12.31）年化收益（考虑仓位）：31.11%[55][58] * 全样本区间年化超额收益（相对偏股混合型基金指数）：23.98%[55][58] * 2026年本年收益（考虑仓位，2026.1.5-2026.3.27）：7.60%[1][13][29] * 2026年本年超额收益（相对偏股混合型基金指数）：7.02%[1][13][29] * 2026年本年排名分位点（主动股基）：12.87%[1][13][29] 3. **券商金股业绩增强组合** * 全样本区间（2018.1.2-2025.12.31）年化收益（考虑仓位）：21.71%[60][63] * 全样本区间年化超额收益（相对偏股混合型基金指数）：14.18%[60][63] * 2026年本年收益（考虑仓位，2026.1.5-2026.3.27）：8.41%[1][13][34] * 2026年本年超额收益（相对偏股混合型基金指数）：7.83%[1][13][34] * 2026年本年排名分位点（主动股基）：10.86%[1][13][34] 4. **成长稳健组合** * 全样本区间（2012.1.4-2025.12.31）年化收益（考虑仓位）：36.34%[65][68] * 全样本区间年化超额收益（相对偏股混合型基金指数）：26.33%[65][68] * 2026年本年收益（考虑仓位，2026.1.5-2026.3.27）：13.41%[2][13][42] * 2026年本年超额收益（相对偏股混合型基金指数）：12.83%[2][13][42] * 2026年本年排名分位点（主动股基）：3.87%[2][13][42]

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：** 捕捉股票日内收益分布的非对称性特征，即偏度[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：** 衡量股票日内已实现波动中下行波动的贡献比例[21] **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》[21] 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高频数据，度量市场买入意愿的强度[26] **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》[26] 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，进一步衡量买入意愿的强度[31] **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》[31] 5. **因子名称：开盘后大单净买入占比因子** **因子构建思路：** 衡量开盘后大单资金净流入的占比情况[35] 6. **因子名称：开盘后大单净买入强度因子** **因子构建思路：** 在净买入占比的基础上，衡量大单净买入的强度[41] 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[46] 8. **因子名称：尾盘成交占比因子** **因子构建思路：** 衡量尾盘时段成交额占全天成交额的比例[51] 9. **因子名称：平均单笔流出金额占比因子** **因子构建思路：** 衡量平均每笔流出交易的金额占比[55] 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涨幅[58] 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神经网络结合全连接网络，从高频数据中提取选股信号[63] 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神经网络结合全连接网络，从高频数据中提取选股信号[64] 13. **因子名称：深度学习因子（多颗粒度模型-5日标签）** **因子构建思路：** 使用基于双向AGRU训练的多颗粒度模型，以5日收益率为预测标签[65] **因子评价：** 持续稳健表现[1] 14. **因子名称：深度学习因子（多颗粒度模型-10日标签）** **因子构建思路：** 使用基于双向AGRU训练的多颗粒度模型，以10日收益率为预测标签[70] **因子评价：** 持续稳健表现[1] 15. **因子名称：复合深度学习因子** **因子构建思路：** 将两个多颗粒度模型因子进行等权合成，作为AI增强组合的预期收益来源[72] **因子具体构建过程：** 复合因子 = 多颗粒度模型-10日标签 * 0.5 + 多颗粒度模型-5日标签 * 0.5[72] 量化模型与构建方式 1. **模型名称：AI指数增强组合模型** **模型构建思路：** 以复合深度学习因子作为股票的预期超额收益，通过组合优化构建指数增强组合[72] **模型具体构建过程：** 1. 预期收益：使用复合深度学习因子作为股票i的预期超额收益μi[72]。 2. 优化目标：在给定的约束条件下，最大化组合的预期超额收益[75]。目标函数为： $$max\sum\mu_{i}w_{i}$$ 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]。 3. 约束条件：根据不同组合类型（空气指增、中证500/1000宽/严约束）施加不同的风险控制约束，包括个股权重、行业偏离、风格因子（市值、PB、ROE等）暴露、成分股权重以及换手率约束[73][75]。 4. 交易设置：假设以次日均价成交，并扣除双边3‰的交易成本[76]。 因子的回测效果 （数据来源：表2，周度换仓口径[12][14]） 1. **日内高频偏度因子**，历史IC 0.019，2026年IC 0.027，历史e^(-rank mae) 0.324，2026年e^(-rank mae) 0.328，上周多空收益 1.14%，3月多空收益 1.10%，2026YTD多空收益 5.41%，2026年周胜率 8/11，上周多头超额 1.09%，3月多头超额 1.01%，2026YTD多头超额 2.90%，2026年多头周胜率 7/11[12] 2. **日内下行波动占比因子**，历史IC 0.016，2026年IC 0.032，历史e^(-rank mae) 0.323，2026年e^(-rank mae) 0.328，上周多空收益 0.61%，3月多空收益 1.55%，2026YTD多空收益 7.37%，2026年周胜率 8/11，上周多头超额 0.54%，3月多头超额 0.79%，2026YTD多头超额 3.73%，2026年多头周胜率 7/11[12] 3. **开盘后买入意愿占比因子**，历史IC 0.025，2026年IC 0.028，历史e^(-rank mae) 0.321，2026年e^(-rank mae) 0.322，上周多空收益 1.40%，3月多空收益 3.66%，2026YTD多空收益 6.62%，2026年周胜率 9/11，上周多头超额 0.72%，3月多头超额 2.36%，2026YTD多头超额 2.72%，2026年多头周胜率 8/11[12] 4. **开盘后买入意愿强度因子**，历史IC 0.030，2026年IC 0.030，历史e^(-rank mae) 0.326，2026年e^(-rank mae) 0.328，上周多空收益 1.46%，3月多空收益 3.64%，2026YTD多空收益 6.07%，2026年周胜率 7/11，上周多头超额 0.72%，3月多头超额 1.33%，2026YTD多头超额 2.14%，2026年多头周胜率 6/11[12] 5. **开盘后大单净买入占比因子**，历史IC 0.035，2026年IC 0.027，历史e^(-rank mae) 0.322，2026年e^(-rank mae) 0.318，上周多空收益 0.47%，3月多空收益 1.38%，2026YTD多空收益 6.20%，2026年周胜率 10/11，上周多头超额 -0.08%，3月多头超额 -0.19%，2026YTD多头超额 1.29%，2026年多头周胜率 5/11[12] 6. **开盘后大单净买入强度因子**，历史IC 0.024，2026年IC 0.021，历史e^(-rank mae) 0.320，2026年e^(-rank mae) 0.317，上周多空收益 0.39%，3月多空收益 0.46%，2026YTD多空收益 4.15%，2026年周胜率 8/11，上周多头超额 0.05%，3月多头超额 0.04%，2026YTD多头超额 0.91%，2026年多头周胜率 7/11[12] 7. **改进反转因子**，历史IC 0.030，2026年IC 0.013，历史e^(-rank mae) 0.330，2026年e^(-rank mae) 0.329，上周多空收益 0.58%，3月多空收益 0.50%，2026YTD多空收益 2.56%，2026年周胜率 6/11，上周多头超额 0.81%，3月多头超额 -1.30%，2026YTD多头超额 1.65%，2026年多头周胜率 6/11[12] 8. **尾盘成交占比因子**，历史IC 0.025，2026年IC 0.019，历史e^(-rank mae) 0.322，2026年e^(-rank mae) 0.318，上周多空收益 0.39%，3月多空收益 0.47%，2026YTD多空收益 5.21%，2026年周胜率 8/11，上周多头超额 0.09%，3月多头超额 -0.44%，2026YTD多头超额 1.34%，2026年多头周胜率 7/11[12] 9. **平均单笔流出金额占比因子**，历史IC 0.007，2026年IC -0.022，历史e^(-rank mae) 0.317，2026年e^(-rank mae) 0.313，上周多空收益 -1.10%，3月多空收益 -1.96%，2026YTD多空收益 -4.85%，2026年周胜率 3/11，上周多头超额 -0.10%，3月多头超额 -0.69%，2026YTD多头超额 -1.72%，2026年多头周胜率 3/11[14] 10. **大单推动涨幅因子**，历史IC 0.018，2026年IC 0.002，历史e^(-rank mae) 0.325，2026年e^(-rank mae) 0.326，上周多空收益 -0.97%，3月多空收益 -0.20%，2026YTD多空收益 0.43%，2026年周胜率 5/11，上周多头超额 0.15%，3月多头超额 -0.77%，2026YTD多头超额 0.66%，2026年多头周胜率 7/11[14] 11. **改进 GRU(50,2)+NN(10)因子**，历史IC 0.065，2026年IC 0.022，历史e^(-rank mae) 0.336，2026年e^(-rank mae) 0.325，上周多空收益 0.23%，3月多空收益 0.10%，2026YTD多空收益 5.36%，2026年周胜率 8/11，上周多头超额 0.15%，3月多头超额 -0.96%，2026YTD多头超额 -0.60%，2026年多头周胜率 7/11[14] 12. **残差注意力 LSTM(48,2)+NN(10)因子**，历史IC 0.062，2026年IC 0.026，历史e^(-rank mae) 0.334，2026年e^(-rank mae) 0.323，上周多空收益 0.80%，3月多空收益 1.35%，2026YTD多空收益 5.68%，2026年周胜率 9/11，上周多头超额 0.03%，3月多头超额 -0.41%，2026YTD多头超额 0.80%，2026年多头周胜率 6/11[14] 13. **多颗粒度模型-5日标签因子**，历史IC 0.079，2026年IC 0.042，历史e^(-rank mae) 0.343，2026年e^(-rank mae) 0.335，上周多空收益 0.91%，3月多空收益 2.60%，2026YTD多空收益 10.22%，2026年周胜率 11/11，上周多头超额 0.82%，3月多头超额 2.04%，2026YTD多头超额 5.77%，2026年多头周胜率 10/11[14] 14. **多颗粒度模型-10日标签因子**，历史IC 0.072，2026年IC 0.041，历史e^(-rank mae) 0.342，2026年e^(-rank mae) 0.337，上周多空收益 0.71%，3月多空收益 3.06%，2026YTD多空收益 8.90%，2026年周胜率 9/11，上周多头超额 0.88%，3月多头超额 2.35%，2026YTD多头超额 5.59%，2026年多头周胜率 9/11[14] 模型的回测效果 （数据来源：表3，上周、3月、2026YTD口径[15]） 1. **AI空气值增模型（周度调仓）**，上周超额收益 1.72%，上周绝对收益 1.58%，3月超额收益 2.23%，3月绝对收益 -6.40%，2026YTD超额收益 6.00%，2026YTD绝对收益 8.38%，2026年周胜率 6/11[15] 2. **AI空气值增模型（日度调仓）**，上周超额收益 1.20%，上周绝对收益 1.07%，3月超额收益 1.02%，3月绝对收益 -7.61%，2026YTD超额收益 5.70%，2026YTD绝对收益 8.08%，2026年周胜率 6/11[15] 3. **中证500 AI增强宽约束模型（周度调仓）**，上周超额收益 -0.14%，上周绝对收益 -0.43%，3月超额收益 5.47%，3月绝对收益 -5.17%，2026YTD超额收益 2.56%，2026YTD绝对收益 6.20%，2026年周胜率 5/11[15] 4. **中证500 AI增强宽约束模型（日度调仓）**，上周超额收益 -1.45%，上周绝对收益 -1.74%，3月超额收益 0.46%，3月绝对收益 -10.17%，2026YTD超额收益 -4.16%，2026YTD绝对收益 -0.52%，2026年周胜率 5/11[15] 5. **中证500 AI增强严约束模型（周度调仓）**，上周超额收益 0.37%，上周绝对收益 0.08%，3月超额收益 3.84%，3月绝对收益 -6.79%，2026YTD超额收益 3.12%，2026YTD绝对收益 6.77%，2026年周胜率 7/11[15] 6. **中证500 AI增强严约束模型（日度调仓）**，上周超额收益 -0.07%，上周绝对收益 -0.36%，3月超额收益 2.03%，3月绝对收益 -8.60%，2026YTD超额收益 1.34%，2026YTD绝对收益 4.99%，2026年周胜率 6/11[15] 7. **中证1000 AI增强宽约束模型（周度调仓）**，上周超额收益 0.68%，上周绝对收益 0.20%，3月超额收益 4.14%，3月绝对收益 -5.37%，2026YTD超额收益 4.90%，2026YTD绝对收益 6.89%，2026年周胜率 7/11[15] 8. **中证1000 AI增强宽约束模型（日度调仓）**，上周超额收益 0.81%，上周绝对收益 0.34%，3月超额收益 2.55%，3月绝对收益 -6.96%，2026YTD超额收益 2.77%，2026YTD绝对收益 4.75%，2026年周胜率 5/11[15] 9. **中证1000 AI增强严约束模型（周度调仓）**，上周超额收益 0.23%，上周绝对收益 -0.25%，3月超额收益 2.75%，3月绝对收益 -6.77%，2026YTD超额收益 3.90%，2026YTD绝对收益 5.89%，2026年周胜率 8/11[15] 10. **中证1000 AI增强严约束模型（日度调仓）**，上周超额收益 0.16%，上周绝对收益 -0.31%，3月超额收益 2.01%，3月绝对收益 -7.50%，2026YTD超额收益 3.88%，2026YTD绝对收益 5.86%，2026年周胜率 7/11[15]

量化模型与构建方式 1. **模型名称：价格分段体系**[14] * **模型构建思路**：通过分析价格走势，将市场划分为不同的趋势阶段，以识别当前市场所处的状态（如震荡、上涨、下跌）[14]。 * **模型具体构建过程**：报告未详细描述该模型的构建过程，仅展示了其应用结果。从图1“上证综指价格分段结果”来看，该模型可能结合了日线、周线等不同时间周期的价格数据进行分析，并可能使用了类似MACD指标中的DIF和DEA线（图中显示有“dea”线）来辅助判断趋势[17]。 2. **模型名称：微观市场结构择时模型**[15] * **模型构建思路**：通过监测“知情交易者活跃度”这一指标，来捕捉市场内部资金流向和交易者行为的变化，以判断市场情绪和未来走势[15]。 * **模型具体构建过程**：报告未详细描述“知情交易者活跃度”指标的具体构建公式和计算过程。该模型通过跟踪该指标的变化（如图2所示），当指标升温至零线附近时，表明知情交易者对后市持谨慎观望但边际乐观的态度[15][18]。 3. **因子名称：BARRA风格因子体系**[20] * **因子构建思路**：采用经典的BARRA多因子模型框架，从多个维度（如价值、成长、动量、市值、波动率等）刻画股票的风险收益特征，以监测市场风格偏好[20]。 * **因子具体构建过程**：报告未详细列出每个因子的具体计算公式。它直接引用了BARRA风格因子的分类和收益表现。报告中涉及的风格因子包括：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、动量、非线性市值、市值、波动率、贝塔、股息率[21]。 * **因子评价**：该体系是国际通用的标准化风险模型框架，能够系统性地分解和解释股票收益的来源，广泛应用于风险管理和组合分析[20]。 模型的回测效果 （报告中未提供价格分段体系和微观市场结构择时模型的具体量化回测指标，如年化收益率、夏普比率、最大回撤等数值结果。） 因子的回测效果 1. **BARRA风格因子**，本周收益：换手因子0.2%，财务杠杆因子0.2%，盈利波动因子0.1%，盈利质量因子0.0%，盈利能力因子-0.5%，投资质量因子-0.1%，长期反转因子0.0%，EP价值因子0.0%，BP价值因子-0.1%，成长因子0.1%，动量因子0.3%，非线性市值因子0.0%，市值因子-0.3%，波动率因子0.2%，贝塔因子-0.3%，股息率因子-0.3%[21]。 2. **BARRA风格因子**，上周收益：换手因子-0.4%，财务杠杆因子-0.3%，盈利波动因子0.4%，盈利质量因子0.0%，盈利能力因子0.1%，投资质量因子-0.2%，长期反转因子0.0%，EP价值因子-0.4%，BP价值因子-0.3%，成长因子0.1%，动量因子-0.6%，非线性市值因子0.1%，市值因子0.5%，波动率因子0.7%，贝塔因子0.1%，股息率因子0.5%[21]。

量化模型与构建方式 量化模型 1. **模型名称**：PB-ROE-50组合 **模型构建思路**：基于PB（市净率）和ROE（净资产收益率）两个核心估值与盈利指标，构建选股组合[24]。 **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指标构建的组合[24]。 2. **模型名称**：机构调研组合（公募调研选股策略） **模型构建思路**：基于公募基金调研活动信息构建选股策略[26]。 **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，仅提及其为公募调研选股策略[26]。 3. **模型名称**：机构调研组合（私募调研跟踪策略） **模型构建思路**：基于私募基金调研活动信息构建选股策略[26]。 **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，仅提及其为私募调研跟踪策略[26]。 4. **模型名称**：大宗交易组合 **模型构建思路**：根据“高成交、低波动”原则，利用大宗交易数据构建选股组合[30]。 **模型具体构建过程**：经过测算，选择“大宗交易成交金额比率”越高、“6日成交金额波动率”越低的股票，通过月频调仓方式构造组合[30]。具体公式未在本文中给出。 5. **模型名称**：定向增发组合 **模型构建思路**：以定向增发股东大会公告日为事件节点，进行事件驱动选股[36]。 **模型具体构建过程**：以股东大会公告日为时间节点，综合考虑市值因素、调仓周期以及对仓位的控制来构造组合[36]。具体公式未在本文中给出。 量化因子 1. **因子名称**：动量弹簧因子 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 2. **因子名称**：5日反转 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 3. **因子名称**：早盘后收益因子 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 4. **因子名称**：早盘收益因子 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 5. **因子名称**：单季度营业利润同比增长率 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 6. **因子名称**：单季度ROA同比 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 7. **因子名称**：单季度净利润同比增长率 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 8. **因子名称**：单季度ROA **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 9. **因子名称**：ROA稳定性 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 10. **因子名称**：ROE稳定性 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 11. **因子名称**：毛利率TTM **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 12. **因子名称**：标准化预期外盈利 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 13. **因子名称**：单季度ROE同比 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 14. **因子名称**：净利润断层 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 15. **因子名称**：营业利润率TTM **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 16. **因子名称**：动量调整大单 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 17. **因子名称**：单季度总资产毛利率 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 18. **因子名称**：5日成交量的标准差 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 19. **因子名称**：净利润率TTM **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 20. **因子名称**：单季度营业收入同比增长率 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 21. **因子名称**：EPTTM分位点 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 22. **因子名称**：ROIC增强因子 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 23. **因子名称**：标准化预期外收入 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 24. **因子名称**：市净率因子 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 25. **因子名称**：动量调整小单 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 26. **因子名称**：下行波动率占比 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 27. **因子名称**：总资产毛利率TTM **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 28. **因子名称**：换手率相对波动率 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 29. **因子名称**：成交量的5日指数移动平均 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 30. **因子名称**：小单净流入 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 31. **因子名称**：大单净流入 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 32. **因子名称**：单季度ROE **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 33. **因子名称**：总资产增长率 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 34. **因子名称**：6日成交金额的标准差 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 35. **因子名称**：日内波动率与成交金额的相关性 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 36. **因子名称**：5分钟收益率偏度 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 37. **因子名称**：市销率TTM倒数 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 38. **因子名称**：对数市值因子 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 39. **因子名称**：经营现金流比率 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 40. **因子名称**：市盈率因子 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 41. **因子名称**：5日平均换手率 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 42. **因子名称**：6日成交金额的移动平均值 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 43. **因子名称**：单季度EPS **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 44. **因子名称**：市盈率TTM倒数 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 45. **因子名称**：净资产增长率 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 46. **因子名称**：净利润增长率 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 47. **因子名称**：5日动量 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 48. **因子名称**：1月动量 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 49. **因子名称**：每股净资产 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 50. **因子名称**：每股经营利润TTM **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 51. **因子名称**：EP因子 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 52. **因子名称**：BP因子 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 53. **因子名称**：成长因子 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 54. **因子名称**：残差波动率因子 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 55. **因子名称**：流动性因子 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 56. **因子名称**：动量因子 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 57. **因子名称**：杠杆因子 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 58. **因子名称**：市值因子 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 59. **因子名称**：盈利因子 **因子构建思路**：未明确说明。 **因子具体构建过程**：报告未提供具体构建公式和过程。 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）-0.11%[25]，本周超越基准收益率（中证800）0.12%[25]，本周超越基准收益率（全市场）0.03%[25]，今年以来超额收益率（中证500）1.04%[25]，今年以来超额收益率（中证800）4.69%[25]，今年以来超额收益率（全市场）2.60%[25]，本周绝对收益率（中证500）-0.40%[25]，本周绝对收益率（中证800）-0.97%[25]，本周绝对收益率（全市场）-0.70%[25]，今年以来绝对收益率（中证500）4.72%[25]，今年以来绝对收益率（中证800）3.63%[25]，今年以来绝对收益率（全市场）2.65%[25] 2. **机构调研组合（公募调研选股）**，本周超越基准收益率0.73%[27]，今年以来超额收益率-1.13%[27]，本周绝对收益率-0.37%[27]，今年以来绝对收益率-2.14%[27] 3. **机构调研组合（私募调研跟踪）**，本周超越基准收益率0.20%[27]，今年以来超额收益率5.01%[27]，本周绝对收益率-0.90%[27]，今年以来绝对收益率3.94%[27] 4. **大宗交易组合**，本周超越基准收益率-0.10%[31]，今年以来超额收益率8.23%[31]，本周绝对收益率-0.83%[31]，今年以来绝对收益率8.29%[31] 5. **定向增发组合**，本周超越基准收益率1.86%[37]，今年以来超额收益率5.89%[37]，本周绝对收益率1.11%[37]，今年以来绝对收益率5.94%[37] 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. **动量弹簧因子**，沪深300股票池收益1.20%[13]，中证500股票池收益2.73%[15]，流动性1500股票池收益1.17%[17] 2. **5日反转**，沪深300股票池收益1.18%[13]，中证500股票池收益1.14%[15]，流动性1500股票池收益1.02%[17] 3. **早盘后收益因子**，沪深300股票池收益1.01%[13]，中证500股票池收益1.95%[15]，流动性1500股票池收益1.41%[17] 4. **早盘收益因子**，沪深300股票池收益-0.96%[13]，中证500股票池收益-0.22%[15]，流动性1500股票池收益-0.03%[17] 5. **单季度营业利润同比增长率**，沪深300股票池收益0.86%[13]，中证500股票池收益1.25%[15]，流动性1500股票池收益1.37%[17] 6. **单季度ROA同比**，沪深300股票池收益0.37%[13]，中证500股票池收益0.44%[15]，流动性1500股票池收益1.19%[17] 7. **单季度净利润同比增长率**，沪深300股票池收益1.00%[13]，中证500股票池收益0.05%[15]，流动性1500股票池收益0.92%[17] 8. **单季度ROA**，沪深300股票池收益0.91%[13]，中证500股票池收益0.30%[15]，流动性1500股票池收益0.03%[17] 9. **ROA稳定性**，沪深300股票池收益0.87%[13]，中证500股票池收益0.47%[15]，流动性1500股票池收益-0.06%[17] 10. **ROE稳定性**，沪深300股票池收益0.82%[13]，中证500股票池收益-0.02%[15]，流动性1500股票池收益-0.49%[17] 11. **毛利率TTM**，沪深300股票池收益0.59%[13]，中证500股票池收益0.40%[15]，流动性1500股票池收益0.36%[17] 12. **标准化预期外盈利**，沪深300股票池收益0.51%[13]，中证500股票池收益0.02%[15]，流动性1500股票池收益0.08%[17] 13. **单季度ROE同比**，沪深300股票池收益0.36%[13]，中证500股票池收益0.54%[15]，流动性1500股票池收益0.53%[17] 14. **净利润断层**，沪深300股票池收益0.31%[13]，中证500股票池收益-0.38%[15]，流动性1500股票池收益-0.31%[17] 15. **营业利润率TTM**，沪深300股票池收益0.27%[13]，中证500股票池收益0.49%[15]，流动性1500股票池收益0.55%[17] 16. **动量调整大单**，沪深300股票池收益0.27%[13]，中证500股票池收益-1.02%[15]，流动性1500股票池收益0.01%[17] 17. **单季度总资产毛利率**，沪深300股票池收益0.14%[13]，中证500股票池收益-0.45%[15]，流动性1500股票池收益-0.54%[17] 18. **5日成交量的标准差**，沪深300股票池收益0.09%[13]，中证500股票池收益-0.69

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]