根据提供的研报内容，以下是量化模型与因子的详细总结： --- 量化模型与构建方式 1. **模型名称：宏观择时策略** - **构建思路**：基于经济增长和货币流动性两大维度的动态信号，生成权益资产配置建议[7][28] - **具体构建过程**： 1. **经济增长信号**：综合PMI、工业增加值等指标，当前信号强度50% 2. **货币流动性信号**：结合SHIBOR、国债收益率等，当前信号强度40% 3. **仓位计算**：加权平均信号生成推荐仓位（6月为45%）[28] - **模型评价**：中期配置工具，2025年初至今收益率1.06%，略低于Wind全A（1.90%）[27] 2. **模型名称：微盘股择时模型** - **构建思路**：通过波动率拥挤度和利率同比指标监控微盘股风险[30][31] - **具体构建过程**： 1. **波动率拥挤度阈值**：-50.09%（需低于0.55触发预警） 2. **十年国债利率同比阈值**：-28.69%（需高于0.3触发预警）[31] - **模型评价**：当前未触发风控信号，适合长期持有微盘风格[30] --- 量化因子与构建方式 选股因子（八大类）[34][43] 1. **价值因子** - **构建公式**： $$ BP\_LR = \frac{账面净资产}{市值} $$ $$ EP\_FTTM = \frac{未来12月预期净利润}{市值} $$ - **测试结果**：沪深300池IC均值0.23，多空收益1.75%[36] 2. **成长因子** - **构建公式**： $$ NetIncome\_SQ\_Chg1Y = \frac{单季度净利润同比增速}{标准化处理} $$ - **测试结果**：中证500池IC均值0.11，多空收益0.95%[36] 3. **质量因子** - **构建公式**： $$ ROE\_FTTM = \frac{预期净利润}{股东权益均值} $$ - **测试结果**：全A股池多空收益1.45%，中证500池IC均值0.0702[36] 4. **技术因子** - **构建公式**： $$ Volume\_Mean\_20D\_240D = \frac{20日成交量均值}{240日成交量均值} $$ - **测试结果**：全A股池多空收益-1.08%[36] 5. **波动率因子** - **构建公式**： $$ Volatility\_60D = \sqrt{\frac{\sum_{i=1}^{60}(r_i - \bar{r})^2}{59}} $$ - **测试结果**：全A股池多空收益-1.40%[36] 转债因子[39][41] 1. **正股一致预期因子**：上周多空收益0.14% 2. **转债估值因子**（平价底价溢价率）：上周多空收益0.97% --- 模型与因子的回测效果 | 名称 | IC均值 | 多空收益（上周） | 股票池 | |--------------------|-------------|----------------|-------------| | 宏观择时模型 | - | 年化收益率1.06% | 全市场 | | 价值因子 | 0.23 | 1.75% | 沪深300 | | 成长因子 | 0.11 | 0.95% | 中证500 | | 质量因子 | 0.0702 | 1.45% | 全A股 | | 转债估值因子 | - | 0.97% | 可转债市场 | --- 关键结论 - **当前推荐**：价值/质量因子为核心配置，成长因子在中证500池表现突出[35] - **风格延续**：市场风险偏好回落利好量价因子（技术/低波）[35]

根据提供的研报内容，以下是量化模型和因子的总结： 量化模型与构建方式 1. **模型名称：扩散指数行业轮动模型** - **模型构建思路**：基于价格动量原理，通过跟踪行业扩散指数来捕捉行业趋势[6][26] - **模型具体构建过程**： 1. 计算各中信一级行业的扩散指数，反映行业价格趋势强度 2. 选择扩散指数排名靠前的行业作为配置标的 3. 每月进行行业轮动调整[26][30] - **模型评价**：在趋势性行情中表现较好，但在市场反转时可能失效[26][36] 2. **模型名称：GRU因子行业轮动模型** - **模型构建思路**：利用GRU神经网络处理分钟频量价数据，捕捉行业短期交易特征[7][32] - **模型具体构建过程**： 1. 使用GRU深度学习网络处理行业量价数据 2. 生成GRU行业因子得分 3. 选择因子得分高的行业进行配置[32][35] - **模型评价**：在短周期表现较好，但对极端行情适应性有限[32][37] 量化因子与构建方式 1. **因子名称：行业扩散指数** - **因子构建思路**：衡量行业价格趋势强度的标准化指标[6][26] - **因子具体构建过程**： 1. 计算行业价格序列的扩散指标 2. 进行标准化处理得到0-1区间的扩散指数[26][27] 2. **因子名称：GRU行业因子** - **因子构建思路**：通过GRU网络提取行业量价特征[7][32] - **因子具体构建过程**： 1. 输入行业分钟频量价数据到GRU网络 2. 输出行业因子得分[32][33] 模型的回测效果 1. **扩散指数行业轮动模型** - 2025年6月超额收益：1.20%[30] - 2025年以来超额收益：-0.44%[26][30] 2. **GRU因子行业轮动模型** - 2025年6月超额收益：0.00%[35] - 2025年以来超额收益：-4.13%[32][35] 因子的回测效果 1. **行业扩散因子** - 最新排名前六行业得分：综合金融(1.0)、非银行金融(0.997)、银行(0.97)[27] - 环比提升最大行业：有色金属(+0.167)、农林牧渔(+0.164)[27][29] 2. **GRU行业因子** - 最新排名前六行业得分：钢铁(2.42)、建筑(1.47)、交通运输(0.85)[33] - 环比提升最大行业：电力设备及新能源、电子、机械[33]

量化模型与构建方式 1. **模型名称：GRU模型** - 模型构建思路：结合基本面和量价特征的GRU模型，用于预测股票收益[2] - 模型具体构建过程：报告中未详细描述构建过程，但提到基于历史数据训练，涉及barra1d、open1d、close1d、barra5d等不同参数变体[4][5][6][7] - 模型评价：多空收益表现强势，尤其在沪深300和中证1000股池中表现突出[5][7] 2. **模型名称：多因子组合模型** - 模型构建思路：综合基本面和技术类因子构建的多因子选股模型[8] - 模型具体构建过程：未详细描述，但涉及行业中性化处理和月度调仓[17][29] --- 量化因子与构建方式 **Barra风格因子** 1. **因子名称：Beta** - 因子构建思路：衡量股票历史系统性风险[15] - 因子具体构建过程：历史beta值计算 2. **因子名称：市值** - 因子构建思路：反映股票规模特征[15] - 因子具体构建过程：总市值取自然对数 3. **因子名称：动量** - 因子构建思路：捕捉股票历史超额收益趋势[15] - 因子具体构建过程：历史超额收益率序列均值 4. **因子名称：波动** - 因子构建思路：衡量股票价格波动性[15] - 因子具体构建过程： $$0.74 \times \text{历史超额收益率序列波动率} + 0.16 \times \text{累积超额收益率离差} + 0.1 \times \text{历史残差收益率序列波动率}$$ 5. **因子名称：非线性市值** - 因子构建思路：捕捉市值非线性的影响[15] - 因子具体构建过程：市值风格的三次方 6. **因子名称：估值** - 因子构建思路：反映股票估值水平[15] - 因子具体构建过程：市净率倒数 7. **因子名称：流动性** - 因子构建思路：衡量股票交易活跃度[15] - 因子具体构建过程： $$0.35 \times \text{月换手率} + 0.35 \times \text{季换手率} + 0.3 \times \text{年换手率}$$ 8. **因子名称：盈利** - 因子构建思路：反映公司盈利能力[15] - 因子具体构建过程： $$0.68 \times \text{分析师预测盈利价格比} + 0.21 \times \text{市现率倒数} + 0.11 \times \text{市盈率TTM倒数}$$ 9. **因子名称：成长** - 因子构建思路：捕捉公司增长潜力[15] - 因子具体构建过程： $$0.18 \times \text{分析师预测长期盈利增长率} + 0.11 \times \text{分析师预测短期利率增长率} + 0.24 \times \text{盈利增长率} + 0.47 \times \text{营业收入增长率}$$ 10. **因子名称：杠杆** - 因子构建思路：衡量公司财务杠杆水平[15] - 因子具体构建过程： $$0.38 \times \text{市场杠杆率} + 0.35 \times \text{账面杠杆} + 0.27 \times \text{资产负债率}$$ **基本面因子** - **构建思路**：基于财务指标（如ROA、ROE、营收增长率等）计算，并进行行业中性化处理[17] - **具体因子**：包括静态财务因子（如市销率）、增长类因子（如ROA增长）、超预期增长类因子（如净利润超预期增长）[25][26] **技术类因子** - **构建思路**：基于量价数据（如动量、波动率）构建[17] - **具体因子**： - 20日/60日/120日动量：不同时间窗口的历史收益率[28] - 20日/60日/120日波动：不同时间窗口的收益率波动[28] - 中位数离差：价格偏离中位数的程度[28] --- 模型的回测效果 1. **GRU模型** - 近一周超额收益：0.06%-0.95%（不同参数变体）[31] - 今年以来超额收益：4.31%-7.75%（barra5d表现最佳）[31] 2. **多因子组合模型** - 近一周超额收益：0.13%[31] - 今年以来超额收益：2.61%[31] --- 因子的回测效果 **全市场股池** - **基本面因子**：增长类和超预期增长类因子多空收益为正，静态类因子不显著[18] - **技术类因子**：中短期动量和波动类因子多空收益为正，长期动量为负[18] - **GRU因子**：barra5d模型多空收益表现最佳[18] **沪深300股池** - **基本面因子**：估值类因子多空收益显著[20] - **技术类因子**：波动类因子多空收益突出[20] - **GRU因子**：close1d模型表现强势[20] **中证500股池** - **基本面因子**：静态财务因子多空收益最显著[22] - **技术类因子**：长期波动和中位数离差表现为负[22] - **GRU因子**：close1d模型表现强势，barra1d和open1d回撤[22] **中证1000股池** - **基本面因子**：静态财务因子多空收益强势，超预期增长类为负[24] - **技术类因子**：长期动量和波动为负，中短期动量为正[24] - **GRU因子**：barra5d模型多空收益强势[24]

根据研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **扩散指数模型** - **模型构建思路**：通过监测微盘股指数成分股的扩散指数变化，判断市场变盘临界点，用于交易信号触发[5][16] - **具体构建过程**： - 横轴为未来N天股价涨跌幅（1.1至0.9代表涨跌10%），纵轴为回顾窗口期长度T天（T=20至10对应N=0至10） - 扩散指数值计算：例如横轴0.95和纵轴15天值为0.19，表示未来5天若成分股均跌5%，扩散指数为0.19[5][36] - 触发逻辑：当前扩散指数0.70（横轴20，纵轴1.0），若未来累计跌幅>6%触发左侧买点[5][36] - **子模型**： - **首次阈值法（左侧交易）**：2025/5/8收盘0.9850触发空仓信号[5][39] - **延迟阈值法（右侧交易）**：2025/5/15收盘0.8975触发空仓信号[5][43] - **双均线法（自适应交易）**：2025/6/11触发空仓信号[5][44] 2. **小市值低波50策略** - **模型构建思路**：在微盘股成分股中优选小市值和低波动的50只股票，双周调仓[15][32] - **具体构建过程**： - 基准：万得微盘股指数（8841431.WI） - 费用：双边千三 - 2024年收益7.07%（超额-2.93%），2025年YTD收益47.43%[15][32] --- 量化因子与构建方式 1. **周度RankIC因子** - **因子表现**： - **正向因子**： - pe_ttm倒数因子（本周0.187，历史平均0.018）[4][30] - 盈利因子（本周0.177，历史平均0.023）[4][30] - 未复权股价因子（本周0.13，历史平均-0.017）[4][30] - **负向因子**： - 过去一年波动率因子（本周-0.188，历史平均-0.034）[4][30] - 10天自由流通市值换手率因子（本周-0.166，历史平均-0.06）[4][30] --- 模型与因子的回测效果 1. **扩散指数模型信号** - 首次阈值法：2025/5/8空仓信号[5][39] - 延迟阈值法：2025/5/15空仓信号[5][43] - 双均线法：2025/6/11空仓信号[5][44] 2. **小市值低波50策略** - 2024年收益7.07%，超额-2.93%[15][32] - 2025年YTD收益47.43%，本周超额-0.58%[15][32] 3. **因子RankIC历史对比** - pe_ttm倒数因子：本周0.187 vs 历史0.018[4][30] - 盈利因子：本周0.177 vs 历史0.023[4][30] - 波动率因子：本周-0.188 vs 历史-0.034[4][30] --- 其他关键指标 1. **市场宽度监控** - 全市场宽度值：0.628（定义为全市场个股过去20日跑赢沪深300的比例）[72][74] 2. **微盘股成分股特征** - 总市值中位数：21.06亿元（历史分位数72.76%）[59][60] - PB中位数：2.34（历史分位数28.04%）[61][62] - 换手率：3.19%（历史分位数91.94%）[64][65] （注：日历效应、基金表现等非模型/因子相关内容未纳入总结）

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称：港股多维定量择时模型** - **模型构建思路**：以恒生指数为核心标的，从基本面、流动性、资金面、情绪面、估值五大维度筛选细分指标，对港股市场涨跌的影响因子进行定性和定量评估[13][14]。 - **模型具体构建过程**： 1. **指标筛选**：选取OECD中国经济领先指标（基本面）、恒指期权认沽认购比PCR（情绪面）、外资净买入金额（资金面）作为有效信号[15]。 2. **信号生成**：根据指标阈值生成恒生指数的看多或看空信号。例如： - OECD领先指标连续回暖时触发看多信号[18]。 - PCR比率低于历史分位数阈值时触发看空信号[14]。 - **模型评价**：策略在样本外测试中成功捕捉港股波段行情，如2024年9月政策反弹和2025年1月科技重估行情[15]。 2. **因子名称：创新药行业因子（研发投入+流动性）** - **因子构建思路**：通过筛选高研发投入和强流动性的港股通医药股，构建恒生港股通创新药精选指数的成分股[20][22]。 - **因子具体构建过程**： 1. **初筛**：从港股通标的中选取药品或生物技术企业，剔除创新药相关性最低的5%[22]。 2. **加权指标**： - **研发投入**：企业研发费用占营收比例（$$ \text{研发强度} = \frac{\text{研发费用}}{\text{营业收入}} $$）[22]。 - **流动性**：过去一年日均成交额排名前80%[22]。 3. **指数加权**：按自由流通市值加权，限制个股权重上限[24]。 - **因子评价**：因子有效集中了高成长性创新药龙头（如百济神州、药明生物），指数年内涨幅显著跑赢基准[22][23]。 --- 模型的回测效果 1. **港股多维定量择时模型**： - **胜率**：样本外阶段（2024年9月-2025年1月）信号胜率达78%[15]。 - **年化收益率**：策略年化收益19.5%，同期恒生指数为12.3%[15]。 2. **恒生港股通创新药精选指数**： - **年化收益**：2025年初至6月累计收益69.22%，远超恒生指数（19.11%）[22]。 - **估值分位数**：PE(TTM) 28.44倍，处于指数发布以来13.49%分位[29]。 --- 因子的回测效果 1. **研发投入因子**： - **IC（信息系数）**：0.32（研发强度与未来3个月收益相关性显著）[22]。 - **分组收益**：高研发组（前30%）年化超额收益15.8%，低研发组为-3.2%[22]。 2. **流动性因子**： - **换手率稳定性**：高流动性成分股日均换手率波动标准差低于行业均值30%[24]。 --- 注：报告中未提及其他量化模型或因子，故未列出。

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **沪深300上涨家数占比情绪指标** - 构建思路：通过计算指数成分股的近期正收益个数判断市场情绪，强势股的持续上行能为板块带来机会[25] - 具体构建： $$ \text{沪深300指数N日上涨家数占比} = \frac{\text{过去N日收益>0的个股数}}{\text{成分股总数}} $$ 参数说明：N=230日，N1=50日（慢线），N2=35日（快线）[27][29] - 评价：能快速捕捉上涨机会，但对下跌市场判断存在缺陷[26] 2. **均线情绪指标** - 构建思路：通过八均线体系判断指数趋势状态，区间值映射为-1/0/1三档[33] - 具体构建： - 计算沪深300收盘价的8条均线（参数：8/13/21/34/55/89/144/233日） - 统计收盘价大于均线数量的阈值信号（>5时看多）[37] - 评价：指标状态与HS300涨跌规律匹配清晰[33] 量化因子与构建方式 1. **横截面波动率因子** - 构建思路：衡量指数成分股间收益离散程度，反映Alpha环境优劣[38] - 具体构建： $$ \sigma_{cross} = \sqrt{\frac{1}{N}\sum_{i=1}^N (r_i - \bar{r})^2} $$ 其中$r_i$为个股收益，$\bar{r}$为指数平均收益[39] - 评价：对沪深300的Alpha捕捉效果优于中证500/1000[40] 2. **时间序列波动率因子** - 构建思路：衡量指数成分股自身收益波动率，反映市场稳定性[42] - 具体构建： $$ \sigma_{time} = \sqrt{\frac{1}{T}\sum_{t=1}^T (r_t - \mu)^2} $$ 其中$r_t$为日收益，$\mu$为样本均值[43] 模型的回测效果 1. **沪深300情绪指标** - 当前上涨家数占比：>60%（情绪较好）[26] - 快线/慢线位置：快线<慢线（谨慎观点）[28] 2. **均线情绪指标** - 当前八均线指标值：处于情绪景气区间[34] 因子的回测效果 1. **横截面波动率（最新周度）** - 沪深300：1.84%（环比上升，环境好转）[38][40] - 中证500：1.99%（环比下降，环境减弱）[40] - 中证1000：2.21%（环比下降，环境减弱）[40] 2. **时间序列波动率（最新周度）** - 沪深300：0.58%（环比上升）[43] - 中证500：0.43%（环比下降）[43] - 中证1000：0.25%（环比下降）[43] 3. **抱团基金分离度因子** - 最新值：环比下降（抱团程度增强）[85] - 抱团股超额收益：环比下降[85] （注：部分内容如量能择时模型仅提及信号未披露构建细节[25]，故未纳入总结）

量化模型与构建方式 1. **模型名称：利率价量多周期择时策略** - **模型构建思路**：通过核回归算法捕捉利率趋势形态，刻画支撑线和阻力线，根据不同周期（长、中、短）下的形态突破情况生成交易信号[10][12] - **模型具体构建过程**： 1. **周期划分**：长周期（月度切换）、中周期（双周度切换）、短周期（周度切换）[10] 2. **信号规则**： - 至少2个周期向下突破支撑线且趋势非向上时，满配长久期 - 至少2个周期向下突破但趋势向上时，配置1/2中久期+1/2长久期 - 至少2个周期向上突破阻力线且趋势非向下时，满配短久期 - 至少2个周期向上突破但趋势向下时，配置1/2中久期+1/2短久期 - 其他情况等权配置短、中、长久期[22] 3. **止损机制**：单日超额收益<-0.5%时切换为等权配置[22] - **模型评价**：基于多周期共振原理，兼顾趋势与形态突破的稳健性 2. **模型名称：公募债基久期测算模型** - **模型构建思路**：通过改进的回归模型动态跟踪中长期纯债基金的久期及分歧[13][15] - **模型具体构建过程**： 1. **数据输入**：计入杠杆后的基金持仓数据 2. **输出指标**： - 久期中位数（未平滑与4周移动平均） - 久期均值 - 久期截面标准差（分歧指标）[13][15] - **模型评价**：有效捕捉机构行为变化，但需注意杠杆调整的准确性 --- 量化因子与构建方式 1. **因子名称：利率水平结构因子** - **因子构建思路**：将1-10年期国债YTM转化为水平结构指标，衡量利率绝对水平[7][9] - **因子具体构建过程**： - 计算当前水平结构读数：$$水平结构=1.53\%$$（本周下降0.75BP） - 分位数计算：3年/5年/10年分位数分别为6%/4%/2%[9] 2. **因子名称：利率期限结构因子** - **因子构建思路**：衡量利率曲线的斜率特征[7][9] - **因子具体构建过程**： - 计算当前期限结构读数：$$期限结构=0.24\%$$（本周下降0.07BP） - 分位数计算：3年/5年/10年分位数分别为5%/3%/6%[9] 3. **因子名称：利率凸性结构因子** - **因子构建思路**：捕捉利率曲线的凸性变化[7][9] - **因子具体构建过程**： - 计算当前凸性结构读数：$$凸性结构=0.05\%$$（本周上升1.83BP） - 分位数计算：3年/5年/10年分位数分别为21%/13%/14%[9] --- 模型的回测效果 1. **利率价量多周期择时策略** - **长期表现（2007-2025）**： - 年化收益率：6.18% - 最大回撤：1.52% - 收益回撤比：2.26 - 超额收益率（vs久期等权基准）：1.66%[23][26] - **短期表现（2023年底以来）**： - 年化收益率：7.35% - 最大回撤：1.58% - 收益回撤比：6.31 - 超额收益率：2.26%[4][23] - **胜率**：逐年绝对收益>0的胜率100%，超额收益>0的胜率100%[23] --- 因子的回测效果 1. **利率水平结构因子** - 当前读数：1.53%（历史极低分位数）[9] 2. **利率期限结构因子** - 当前读数：0.24%（历史低分位数）[9] 3. **利率凸性结构因子** - 当前读数：0.05%（历史中低分位数）[9] 4. **公募债基久期因子** - 久期中位数：3.3年（历史5年96.14%分位数）[6][13] - 久期分歧：截面标准差1.58年（历史5年65.64%分位数）[14]

根据提供的研报内容，以下是量化模型与因子的详细总结： --- 量化模型与构建方式 1. **模型名称：宽基轮动策略** - **构建思路**：基于不同宽基指数（沪深300、中证500、中证1000、中证2000及"其他"组）的热度变化率MA2进行轮动，选择周度热度变化率最高的宽基指数作为投资标的[11][13] - **具体构建过程**： 1. 计算各宽基成分股的总热度指标（个股浏览、自选、点击次数之和的归一化值乘以10000）[7] 2. 按宽基分组汇总热度，计算周度变化率并取MA2平滑[11] 3. 每周最后一个交易日买入MA2变化率最大的宽基指数，若为"其他"组则空仓[13] - **模型评价**：策略简单易行，但依赖市场情绪的热度指标，可能受短期噪声影响 2. **模型名称：热门概念组合策略** - **构建思路**：筛选高热度概念中的低关注度个股，利用行为金融学的"反应不足"效应获取超额收益[31][33] - **具体构建过程**： 1. 每周选出热度变化率最大的5个概念，排除流通市值最小的20%股票[31] 2. 从每个概念中选取总热度排名后10的个股，等权构建BOTTOM组合[31] - **模型评价**：长期表现稳健，但需警惕概念炒作后的快速反转风险 --- 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% - 2025年收益：10.1%[16] 2. **热门概念BOTTOM组合**： - 年化收益率：15.71% - 最大回撤：28.89% - 2025年收益：21.1%[33] --- 量化因子与构建方式 1. **因子名称：总热度指标** - **构建思路**：通过个股浏览、自选、点击行为的聚合反映市场关注度[7] - **具体构建过程**： $$总热度 = \left( \frac{\text{浏览+自选+点击次数}}{\text{全市场总次数}} \right) \times 10000$$ 取值范围[0,10000]，按宽基/行业/概念分组求和[7][8] 2. **因子名称：热度变化率MA2** - **构建思路**：平滑周度热度波动，捕捉趋势性变化[11][22] - **具体构建过程**： 1. 计算当前周热度与上周的比率变化 2. 对变化率取2周移动平均（MA2）[11] 3. **因子名称：估值历史分位数** - **构建思路**：衡量当前估值相对于历史水平的相对位置[40][41] - **具体构建过程**： 1. 宽基采用滚动5年PE/TTM分位数[40] 2. 行业采用2015年至今的PE/TTM分位数[43] --- 因子的回测效果 1. **总热度指标**： - 沪深300本周热度变化率：+7.76% - "其他"组本周热度变化率：-3%[18] 2. **申万行业热度变化率MA2**： - 正向TOP5行业：石油石化（+56.8%）、有色金属、社会服务、传媒、通信 - 负向TOP5行业：机械设备、公用事业、食品饮料、环保、综合（-26.0%）[27] 3. **概念热度变化率**： - 本周TOP5概念：科创次新股（+184.9%）、稀土永磁（+184.2%）、广东自贸区（+124.5%）、染料（+108.7%）、噪声防治（+84.9%）[35] 4. **估值分位数因子**： - 宽基分位数：中证500（88%）、中证1000（80%）、沪深300（61%）[41] - 行业分位数：电力设备（>80%）、农林牧渔（<20%）[43] --- 以上内容严格依据研报中的量化模型、因子构建及测试结果整理，未包含风险提示等非核心信息。

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **行业轮动模型** - **构建思路**：基于绩优基金持仓倾向的边际变化，捕捉行业配置迁移信号[31] - **具体构建**： 1. 筛选绩优基金（如净值表现前20%的主动权益基金）作为样本 2. 计算各行业超配比例变化： $$超配比例 = \frac{基金持仓行业权重 - 基准行业权重}{基准行业权重}$$ 3. 生成行业轮动信号：连续超配且比例上升的行业为推荐配置方向（如有色金属、国防军工）[31][32] - **评价**：对机构重仓行业的趋势变化敏感，但需结合市场流动性验证 2. **资金流情绪模型** - **构建思路**：通过主力/主动资金流向划分市场情绪强弱[4][52] - **具体构建**： 1. 按成交量划分资金类型（特大单>20万股/100万元，大单6-20万股/30-100万元等）[51] 2. 计算净流入额： $$净流入额 = 主买金额 - 主卖金额$$ 3. 综合行业资金流方向（如非银金融净流入、电子净流出）生成防守/进攻信号[52][56] --- 量化因子与构建方式 1. **基金仓位因子** - **构建思路**：跟踪主动权益型基金仓位变化反映市场风险偏好[18][26] - **具体构建**： 1. 按基金类型分类计算加权平均仓位： - 普通股票型：88.98%（周环比-0.14pct） - 偏股混合型：85.71%（周环比-0.47pct）[18] 2. 计算风格仓位调整（如中盘价值仓位周升1.61pct）[26] 2. **行业配置因子** - **构建思路**：基于基金行业仓位调整捕捉超额收益机会[29][30] - **具体构建**： 1. 计算行业仓位变化率： $$变化率 = \frac{本周仓位 - 上周仓位}{上周仓位}$$ 2. 筛选调仓显著行业（如石油石化+0.56pct，电子-0.18pct）[29] --- 模型回测效果 1. **行业轮动模型** - 多头组合年化超额收益：1.45倍基准（2019-2025回测）[32] - 最新信号：超配有色金属（排名第1）、低配食品饮料（排名第27）[34] 2. **资金流情绪模型** - 本周主力净流入行业：非银金融（+17.85亿元）、石油石化（+11.01亿元）[56] - 主动资金净流出行业：计算机（-162.98亿元）、电子（-132.22亿元）[60] --- 因子回测效果 1. **基金仓位因子** - 主动权益基金仓位：85.50%（较年初下降3.2pct）[18] - 固收+基金仓位：24.39%（周环比+0.09pct）[18] 2. **行业配置因子** - 增配行业超额收益：石油石化（周涨幅3.31%）、有色金属（3.95%）[14] - 减配行业表现：食品饮料（-4.42%）、计算机（-2.25%）[14] （注：部分测试结果需结合图6行业轮动超额曲线[32]及表3行业排名[34]综合验证）

量化模型与构建方式 1. **模型名称：均线择时模型** - **模型构建思路**：通过比较wind全A指数的短期均线（20日）和长期均线（120日）的距离来判断市场整体环境（震荡或趋势）[1][9] - **模型具体构建过程**： 1. 计算wind全A指数的20日移动平均线（短期均线）和120日移动平均线（长期均线） 2. 计算两线距离差值： $$距离差值 = \frac{短期均线 - 长期均线}{长期均线} \times 100\%$$ 3. 判断规则：若距离绝对值小于3%则为震荡格局，否则为趋势格局[9][15] - **模型评价**：简单直观，但仅依赖技术指标，未纳入宏观因素 2. **模型名称：TWO BETA模型** - **模型构建思路**：通过行业Beta特性筛选具备特定风险收益特征的板块（如科技板块）[2][3][10] - **模型具体构建过程**：未披露具体构建公式，但明确输出方向为科技板块（港股汽车、军工）[3][15] 3. **模型名称：仓位管理模型** - **模型构建思路**：结合估值分位数（PE/PB）和市场趋势动态调整绝对收益产品的股票仓位[2][10] - **模型具体构建过程**： 1. 计算wind全A指数的PE（60分位）、PB（20分位）历史分位数 2. 综合短期趋势信号（如均线距离）生成仓位建议 3. 当前输出中性仓位50%[10][15] --- 量化因子与构建方式 1. **因子名称：估值分位数因子** - **因子构建思路**：衡量当前PE/PB相对于历史值的分位数水平[7][12][14] - **因子具体构建过程**： 1. 计算wind全A指数PE/PB的滚动历史分位数（数据区间：2014/10/17-2025/6/13） 2. 分位数公式： $$分位数 = \frac{当前值 - 历史最小值}{历史最大值 - 历史最小值} \times 100\%$$ 3. 当前PE位于60分位（中等水平），PB位于20分位（较低水平）[10][12][14] --- 模型的回测效果 1. **均线择时模型** - 当前均线距离：0.99%（20日线5128 vs 120日线5078）[9][15] - 市场状态判断：震荡格局（距离绝对值<3%）[9][15] 2. **仓位管理模型** - 建议仓位：50%（基于PE 60分位+PB 20分位+震荡信号）[10][15] --- 因子的回测效果 1. **估值分位数因子** - PE分位数：60%（当前值未披露）[12] - PB分位数：20%（当前值未披露）[14] --- 注：行业配置模型、TWO BETA模型未披露具体因子构成或测试指标[2][3][10]