根据提供的研报内容，以下是量化模型与因子的总结： 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，通过行业扩散指数捕捉行业趋势，选择扩散指数排名靠前的行业进行配置[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. 对扩散指数进行排名，选择排名前六的行业作为配置标的 3. 每月进行轮动调仓，保持组合与当前趋势一致 4. 扩散指数计算公式： $$DI_t = \frac{N_{up}}{N_{up}+N_{down}}$$ 其中$N_{up}$为行业成分股中上涨股票数量，$N_{down}$为下跌股票数量[27] - **模型评价**：在趋势行情中表现优异，但在市场反转时可能失效[26] 2. **模型名称：GRU因子行业轮动模型** - **模型构建思路**：基于GRU深度学习网络处理分钟频量价数据，生成行业因子进行轮动[33] - **模型具体构建过程**： 1. 使用GRU网络处理行业分钟频量价数据 2. 输出行业因子得分，反映行业短期动量特征 3. 选择因子得分最高的六个行业进行配置 4. 每周进行调仓，动态适应市场变化[34] - **模型评价**：在短周期表现较好，但对极端行情适应性有限[40] 量化因子与构建方式 1. **因子名称：行业扩散指数因子** - **因子构建思路**：通过行业成分股涨跌数量比衡量行业趋势强度[27] - **因子具体构建过程**： 1. 计算每个中信一级行业成分股当日涨跌数量 2. 计算扩散指数值： $$DI = \frac{\text{上涨股票数}}{\text{上涨股票数}+\text{下跌股票数}}$$ 3. 对DI值进行标准化处理，得到0-1区间因子值[28] 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[34] - **因子具体构建过程**： 1. 输入行业分钟频量价数据至GRU网络 2. 网络输出行业特征得分 3. 对得分进行标准化处理，生成可比因子值[36] 模型的回测效果 1. **扩散指数行业轮动模型** - 2025年8月超额收益：-0.44% - 2025年以来超额收益：-0.40%[30] - 本周超额收益：0.04%[30] 2. **GRU因子行业轮动模型** - 2025年8月超额收益：0.16% - 2025年以来超额收益：-2.35%[38] - 本周超额收益：1.70%[38] 因子的回测效果 1. **行业扩散指数因子** - 钢铁行业因子值：1.0 - 综合金融因子值：1.0 - 非银行金融因子值：0.999 - 综合因子值：0.998 - 有色金属因子值：0.997 - 建筑因子值：0.996[27] 2. **GRU行业因子** - 非银行金融因子值：-1.15 - 有色金属因子值：0.5 - 建材因子值：-2.63 - 汽车因子值：-2.81 - 钢铁因子值：0.7 - 家电因子值：-5.47[34]

量化模型与构建方式 1. **模型名称：预期成长策略** - **构建思路**：通过分析师预期增速（gf）筛选高成长性行业，优先配置预期增速最高的资产[5][6] - **具体构建过程**： 1. 计算行业预期净利润增速 $$g_{fttm} = \frac{E_t[NI_{t+1}] - NI_t}{NI_t}$$，其中 $NI$ 为净利润，$E_t$ 为分析师预期[21][23] 2. 按 $g_{fttm}$ 排序，选取Top组行业（如无烟煤、电力电子等）[14][35] 3. 动态跟踪优势差 $\Delta gf = g_{fttm}^{Top} - g_{fttm}^{Bottom}$，确保头部资产趋势持续[21][23] 2. **模型名称：实际成长策略** - **构建思路**：基于业绩动量（$\Delta g$）筛选超预期行业，聚焦成长期资产[6][25] - **具体构建过程**： 1. 计算行业实际净利润增速 $$g_{ttm} = \frac{NI_t - NI_{t-1}}{NI_{t-1}}$$[25][27] 2. 结合超预期因子（sue、sur、jor）筛选 $\Delta g$ 最高的行业（如聚氨酯、PCB等）[38] 3. 监控优势差 $\Delta g = g_{ttm}^{Top} - g_{ttm}^{Bottom}$[25][27] 3. **模型名称：盈利能力策略** - **构建思路**：在PB-ROE框架下选择估值合理的优质资产[5][40] - **具体构建过程**： 1. 计算行业ROE及PB，回归残差 $$Residual = PB - \alpha \cdot ROE$$，选取低残差行业（如锂电池、啤酒等）[40] 2. 结合ROE优势差（$\Delta ROE$）判断基本面拐点[29] 4. **模型名称：质量红利策略** - **构建思路**：综合股息率（DP）和ROE筛选高分红且盈利稳定的资产[43] - **具体构建过程**： 1. 对行业DP和ROE标准化打分，加权求和 $$Score = w_1 \cdot DP + w_2 \cdot ROE$$[43] 2. 选取高分行业（如公交、玻璃纤维等）[43] 5. **模型名称：价值红利策略** - **构建思路**：结合股息率（DP）和市净率（BP）挖掘低估值高分红资产[47] - **具体构建过程**： 1. 计算行业DP和BP标准化值，加权排序[47] 2. 优选高分行业（如网络接配及塔设、非乳饮料等）[47] 6. **模型名称：破产价值策略** - **构建思路**：筛选低PB和小市值（SIZE）的潜在反转资产[51] - **具体构建过程**： 1. 计算行业PB和SIZE的逆序得分 $$Score = -w_1 \cdot PB - w_2 \cdot SIZE$$[51] 2. 选取最低分行业（如贸易Ⅲ、印染等）[51] --- 模型的回测效果 1. **预期成长策略**：年化收益26.70%，2019年后超额显著，2025年8月Top行业近3月平均收益32.58%（玻璃纤维）[16][35] 2. **实际成长策略**：长期超额显著，2025年8月Top行业近3月平均收益81.60%（PCB）[38] 3. **盈利能力策略**：2016-2020年超额显著，2025年8月Top行业近3月平均收益110.06%（网络接配及塔设）[40] 4. **质量红利策略**：2016-2017年超额显著，2025年8月Top行业近3月平均收益32.58%（玻璃纤维）[43] 5. **价值红利策略**：2021-2023年超额显著，2025年8月Top行业近3月平均收益110.06%（网络接配及塔设）[47] 6. **破产价值策略**：2021-2023年超额显著，2025年8月Top行业近3月平均收益17.24%（印染）[51] --- 量化因子与构建方式 1. **因子名称：预期净利润增速（$g_{fttm}$）** - **构建思路**：反映分析师对未来盈利增长的预期[21][23] - **具体构建**：$$g_{fttm} = \frac{E_t[NI_{t+1}] - NI_t}{NI_t}$$，滚动12个月计算[23] 2. **因子名称：实际净利润增速（$g_{ttm}$）** - **构建思路**：衡量历史业绩动量[25][27] - **具体构建**：$$g_{ttm} = \frac{NI_t - NI_{t-1}}{NI_{t-1}}$$，TTM口径[27] 3. **因子名称：PB-ROE残差** - **构建思路**：识别ROE驱动下被低估的资产[40] - **具体构建**：回归残差 $$Residual = PB - \hat{\alpha} \cdot ROE$$[40] 4. **因子名称：DP+ROE复合因子** - **构建思路**：兼顾分红与盈利质量[43] - **具体构建**：标准化后线性加权 $$Score = Z(DP) + Z(ROE)$$[43] 5. **因子名称：DP+BP复合因子** - **构建思路**：平衡分红与估值[47] - **具体构建**：标准化后加权 $$Score = Z(DP) + Z(BP)$$[47] --- 因子的回测效果 1. **$g_{fttm}$**：优势差（$\Delta gf$）扩张时策略超额显著，2025年8月Top组增速较Bottom组高15%[21][23] 2. **$g_{ttm}$**：优势差（$\Delta g$）缓升，2025年8月头部行业增速差7%[25][27] 3. **PB-ROE残差**：低残差组合在2016-2020年IR达1.2[40] 4. **DP+ROE**：2016年IR峰值1.5，2023年回升至0.8[43] 5. **DP+BP**：2021-2023年IR稳定在1.0以上[47]

量化因子与构建方式 1. **因子名称：Barra风格因子** - **构建思路**：基于多因子模型框架，通过市值、估值、动量等维度刻画股票风险收益特征[13][29] - **具体构建过程**： 1. **BETA因子**：计算个股相对市场的敏感度 $$ \text{BETA} = \frac{\text{Cov}(r_i, r_m)}{\text{Var}(r_m)} $$ 其中$r_i$为个股收益，$r_m$为市场收益 2. **残差波动率因子**：衡量个股非系统性风险 $$ \text{Residual Vol} = \sqrt{\frac{\sum_{t=1}^T \epsilon_t^2}{T-1}} $$ $\epsilon_t$为回归残差 3. **动量因子**：过去12个月收益率剔除最近1个月（11-1动量）[29] - **因子评价**：BETA因子近期表现稳健，残差波动率因子在低波动市场环境有效性较高 2. **因子名称：巨潮风格因子** - **构建思路**：通过价值/成长、大盘/小盘维度划分风格象限[31][34] - **具体构建过程**： - **小盘成长因子**：筛选市值后30%且ROE增速前30%股票 - **大盘价值因子**：筛选市值前30%且PB分位数后30%股票 - **因子评价**：小盘成长因子近期超额收益显著，但波动较大[34] 因子回测效果 1. **Barra风格因子** - BETA因子：周收益率0.27%，年化夏普比2.03[29] - 残差波动率因子：周收益率0.12%，年化夏普比-3.27[29] - 动量因子：周收益率0.05%，年化夏普比3.82[29] 2. **巨潮风格因子** - 小盘成长因子：近1年夏普比1.83，最大回撤16.41%[34] - 大盘价值因子：近1年夏普比1.68，最大回撤9.99%[34] 量化模型与构建方式 1. **模型名称：超额收益率监测模型** - **构建思路**：通过滚动窗口计算中小盘指数相对沪深300的超额收益[89] - **具体构建过程**： $$ \text{超额收益} = \frac{\prod_{t=1}^{20}(1+r_{中小盘,t})}{\prod_{t=1}^{20}(1+r_{HS300,t})} - 1 $$ 采用20日滚动窗口计算中证500/1000/2000相对收益[89] - **模型评价**：对市场风格切换有领先指示作用 2. **模型名称：期权情绪监测模型** - **构建思路**：通过认购认沽比(CPR)捕捉衍生品市场情绪[93] - **具体构建过程**： $$ \text{CPR} = \frac{\text{认购期权持仓量}}{\text{认沽期权持仓量}} $$ 计算中证1000/沪深300ETF/中证500ETF期权CPR[92] - **模型评价**：情绪极端值时具有反转预测能力 模型回测效果 1. **超额收益率监测模型** - 中证1000超额收益：3.85%（80.9%分位）[89] - 中证2000超额收益：4.15%（72.0%分位）[89] 2. **期权情绪监测模型** - 中证1000期权CPR：1.08（17.28%分位）[93] - 沪深300ETF期权CPR：1.12（48.28%分位）[93] 复合因子 1. **因子名称：交易拥挤度因子** - **构建思路**：结合成交额占比与波动率识别过热板块[114] - **具体构建过程**： $$ \text{拥挤度} = \frac{\text{行业成交额占比}}{\text{近3年分位数}} \times \text{波动率Z值} $$ 应用于TMT和小微盘板块监测[114] - **因子评价**：在板块轮动中具有风险预警作用

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**：攻守兼备红利50组合 - **模型构建思路**：采用"稳健+成长"风格，结合红利资产防御特性与成长性选股逻辑[15] - **模型具体构建过程**： 1. 筛选标的：从红利资产池中选取兼具高分红和盈利增长潜力的个股 2. 因子加权：综合股息率、盈利稳定性、行业景气度等指标动态调整权重 3. 组合优化：控制行业偏离度≤5%，个股权重上限3%[16][21] - **模型评价**：在防御性不足的市场环境下仍能保持超额收益，体现多因子协同效应[21] 2. **模型名称**：央国企高分红30组合 - **模型构建思路**：聚焦央国企标的，强化分红因子的纯粹性[15] - **模型具体构建过程**： 1. 初筛：选取中证央企红利指数成分股 2. 排序：按近3年股息支付率、股息增长率双指标降序排列 3. 风控：剔除波动率高于行业均值1.5倍的标的[18][21] 3. **模型名称**：电子板块优选增强组合 - **模型构建思路**：捕捉电子行业成熟期细分赛道龙头Alpha[15] - **模型具体构建过程**： 1. 细分赛道筛选：选取印制电路板、电子终端品等活跃子行业[24] 2. 龙头识别：综合营收增速、专利数量、市占率构建评分卡 3. 动态调仓：月度频率调整成分股，权重与景气度正相关[31] 模型的回测效果 1. **攻守兼备红利50组合** - 周度超额收益：1.41%（vs 中证红利全收益）[21] - 年初至今超额：3.52%[21] - 基金分位数：11%（红利类产品）[21] 2. **央国企高分红30组合** - 周度超额收益：0.35%[21] - 最大回撤：-6.69%（同期中证红利）[16] 3. **电子板块优选增强组合** - 周度超额收益：0.89%（vs 电子行业指数）[31] - 胜率：跑赢76%科技类基金产品[32] 量化因子与构建方式 1. **因子名称**：红利质量因子 - **因子构建思路**：区分传统红利因子的盈利可持续性[18] - **因子具体构建过程**： $$ \text{QualityScore} = 0.4 \times \text{ROE} + 0.3 \times \text{毛利率} + 0.3 \times \text{经营现金流/营收} $$ 其中ROE取近3年移动平均值[18] 2. **因子名称**：细分赛道拥挤度因子 - **因子构建思路**：量化电子子行业交易过热风险[24] - **因子具体构建过程**： 1. 计算各三级行业20日换手率Z-score 2. 叠加融资买入占比变化率 3. 标准化为0-100分位数[24][29] 因子的回测效果 1. **红利质量因子** - IC均值：0.32（近1年）[18] - 多空收益差：年化9.7%[21] 2. **细分赛道拥挤度因子** - 预警准确率：82%（回撤前10%分位）[29] - 行业轮动贡献度：超额收益的23%[31]

根据研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **因子名称：长江动量因子** - **构建思路**：基于股票过去一年的收益率减去最近一个月的收益率（剔除涨停板）构建动量指标，筛选A股市场中动量特征强且流动性高的股票[27] - **具体构建过程**： 1. 计算每只股票过去12个月的收益率$$R_{12m}$$ 2. 计算最近1个月的收益率$$R_{1m}$$（剔除涨停板股票） 3. 动量指标定义为$$Momentum = R_{12m} - R_{1m}$$ 4. 按动量指标排序，选取前100只股票作为成分股，采用等权重或流动性加权[27] - **因子评价**：能有效捕捉A股市场的动量效应，尤其在趋势性行情中表现突出[27] 2. **因子名称：长江反转因子** - **构建思路**：利用短期反转效应，筛选近期表现弱势但流动性较好的股票[28] - **具体构建过程**： 1. 计算每只股票最近1个月的收益率$$R_{1m}$$ 2. 按$$R_{1m}$$升序排序，选取后100只股票作为成分股 3. 采用近3个月日均成交量加权[28] - **因子评价**：在震荡市中表现优于动量因子，但对交易成本敏感[28] 3. **因子名称：风格拥挤度因子** - **构建思路**：通过换手率标准化差异衡量风格过热或过冷状态[122] - **具体构建过程**： 1. 计算风格指数近63个交易日的日均换手率$$T_{style}$$ 2. 计算万得全A同期换手率$$T_{benchmark}$$ 3. 对两者分别进行Z-score标准化： $$Z_{style} = \frac{T_{style} - \mu_{style}}{\sigma_{style}}$$ $$Z_{benchmark} = \frac{T_{benchmark} - \mu_{benchmark}}{\sigma_{benchmark}}$$ 4. 拥挤度=$$Z_{style} - Z_{benchmark}$$，再计算6年滚动分位数[122] 4. **因子名称：机构调研活跃度因子** - **构建思路**：反映机构对板块/行业的关注度差异[124] - **具体构建过程**： 1. 统计板块近126个交易日的日均调研次数$$V_{sector}$$ 2. 计算万得全A同期值$$V_{benchmark}$$ 3. 标准化后计算活跃度差值： $$Activity = \frac{V_{sector} - \mu_{sector}}{\sigma_{sector}} - \frac{V_{benchmark} - \mu_{benchmark}}{\sigma_{benchmark}}$$ 4. 取6年滚动分位数[124] 因子的回测效果 1. **长江动量因子** - 近一周超额收益3.3%，近一月1.7%，年初至今17.0%[26] - 当前拥挤度分位数11%（成长风格对比）[36] 2. **长江反转因子** - 近一周超额收益-1.9%，近一月4.5%，年初至今2.8%[26] - 与主动型基金规模呈负相关性（资金流入时反转效应减弱）[47] 3. **微盘股因子** - 较基金重仓股超额收益：近一周2.5%，近一月5.4%，年初至今42.0%[26] - 当前拥挤度分位数53%（历史均衡水平）[36] 4. **红利风格因子** - 当前估值分位数39%，ERP分位数98%（极高性价比）[68][80] - 与美债利率负相关性显著（利率下行时跑输成长）[44] 关键模型逻辑 1. **超额净值计算模型** - 以2016年1月4日为基准日，计算风格指数与万得全A的累计净值比[123] - 公式：$$ExcessReturn = \frac{P_{style,t}/P_{style,base}}{P_{benchmark,t}/P_{benchmark,base}} - 1$$ 2. **股债性价比模型(ERP)** - 计算逻辑：$$ERP = \frac{1}{PE_{TTM}} - Y_{10y\_bond}$$[71] - 当前万得全A的ERP为3.2%，处于64%历史分位[80] 3. **利率联动模型** - 美债利率与A股风格相关性： - 利率下行时大盘股/成长股占优（国证成长跑赢中证红利4.0%）[44] - 利率变动解释度达60%以上[18][19] （注：所有因子测试结果均基于2025年8月1日最新数据[26][36]）

根据提供的金融工程周报内容，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. **指数增强基金模型** - 构建思路：通过量化方法在跟踪基准指数的基础上获取超额收益[36] - 具体构建：采用多因子选股框架，结合成长、价值等风格因子，通过优化算法控制跟踪误差。超额收益计算为基金收益减去基准指数收益[38] - 模型评价：中短期超额收益稳定，但受市场风格切换影响较大 2. **量化对冲基金模型** - 构建思路：利用市场中性策略对冲系统性风险[36] - 具体构建：通过股指期货或期权对冲Beta暴露，同时运用统计套利和事件驱动策略挖掘个股Alpha[38] - 模型评价：收益波动率低，适合低风险偏好投资者 模型的回测效果 1. **指数增强基金** - 周度超额收益中位数：0.17%[38] - 年度超额收益中位数：3.78%[38] - 信息比率(IR)：0.45（年化）[38] 2. **量化对冲基金** - 周度收益中位数：0.17%[38] - 年度收益中位数：0.64%[38] - 最大回撤：-1.35%[38] 量化因子与构建方式 1. **成长因子** - 构建思路：捕捉企业盈利增长潜力[4] - 具体构建： $$ Growth = \frac{归母净利润(TTM)_t - 归母净利润(TTM)_{t-4}}{|归母净利润(TTM)_{t-4}|} $$ 结合营收增长率、ROE变化率等次级指标[4] - 因子评价：近期在通信、医药行业表现突出[21] 2. **红利因子** - 构建思路：筛选高股息率个股[12] - 具体构建： $$ DividendYield = \frac{近12个月现金分红总额}{总市值} $$ 叠加股息支付稳定性指标[12] - 因子评价：在国企板块和港股通标的中有效性显著[12] 因子的回测效果 1. **成长因子** - 通信行业周度收益：3.14%[21] - 医药行业周度收益：2.73%[21] - 本年累计收益：有色金属26.06%、医药22.79%[21] 2. **红利因子** - 中证红利低波ETF规模：1.87亿元（Y份额）[12] - 港股通央企红利基金周度发行规模：12.89亿元[47] - 本年超额收益：银华中证医药卫生增强10.32%[57] 注：报告中未涉及具体因子计算公式的部分采用行业通用构建方法[4][12][21]

量化模型与构建方式 1. **模型名称：四轮驱动模型** - **模型构建思路**：通过多维度指标筛选行业板块，捕捉潜在投资机会[8][14] - **模型具体构建过程**： 1. 选取医药生物、汽车、计算机、通信、机械设备等行业作为候选池 2. 结合行业动量、估值、资金流向等指标综合排序 3. 生成行业信号（如"赚钱效应异动"、"潜在机会"等）并触发交易[14] - **模型评价**：多因子复合框架，兼顾行业轮动与趋势跟踪 2. **模型名称：中期趋势择时系统** - **模型构建思路**：基于技术面信号判断市场趋势强度[7] - **模型具体构建过程**： 1. 监测上证综指在关键位（如3670-3674区域）的反复测试情况 2. 结合缠论顶分型信号（放量跌破5/10日均线）确认调整级别[7][11] - **模型评价**：强调趋势验证的稳健性，避免单一信号误判 量化因子与构建方式 1. **因子名称：量能缩量因子** - **因子构建思路**：通过成交量萎缩程度判断市场企稳概率[2][7] - **因子具体构建过程**： - 计算当前成交量相对前期高点的比例 - 快速牛市阈值设为55%，慢牛阈值设为60%-65%[2] - **因子评价**：历史统计规律显著，但需结合市场环境调整阈值 2. **因子名称：高频温度计因子** - **因子构建思路**：衡量市场短期超卖状态[8] - **因子具体构建过程**： - 监测高频指标（如个股涨跌比、波动率等） - 设定阈值：强超跌信号<10，弱超跌信号<20[8] - **因子评价**：对短期反弹敏感度高 模型的回测效果 1. **四轮驱动模型**： - 医药生物行业过去1年夏普比率12[14] - 汽车行业动量排名第2[14] - 机械设备行业排名第5[14] 2. **中期趋势择时系统**： - 当前趋势强度维持"偏强"状态[7] - 关键阻力区测试次数达3次以上[7] 因子的回测效果 1. **量能缩量因子**： - 快速牛市中55%阈值触发后的5日胜率78%[2] - 慢牛中60%阈值触发后的10日胜率65%[2] 2. **高频温度计因子**： - 阈值<10时次日反弹概率82%[8] - 阈值<20时3日累计收益中位数1.2%[8]

量化模型与构建方式 1. **模型名称：均线距离择时模型** - **模型构建思路**：通过比较wind全A指数的20日均线与120日均线的距离来判断市场趋势[2][9] - **模型具体构建过程**： 1. 计算wind全A指数的20日收盘价均值（短期均线）和120日收盘价均值（长期均线） 2. 计算两均线的距离百分比： $$\text{均线距离} = \frac{\text{20日均线} - \text{120日均线}}{\text{120日均线}} \times 100\%$$ 3. 当距离绝对值>3%时判定为上行趋势，否则为震荡/下行趋势[2][9] - **模型评价**：通过均线系统捕捉市场趋势变化，对趋势性行情敏感但可能滞后于快速反转 2. **模型名称：仓位管理模型** - **模型构建思路**：结合估值分位数与趋势信号动态调整股票仓位[3][10] - **模型具体构建过程**： 1. 计算wind全A的PE/PB历史分位数（PE 70分位、PB 30分位） 2. 当均线距离模型显示上行趋势且PB分位数<50%时，建议仓位80%[10] 3. **模型名称：TWO BETA行业配置模型** - **模型构建思路**：通过双beta因子筛选具有超额收益的科技板块[2][9] - **模型具体构建过程**：未披露具体因子构建细节，输出推荐科技子领域（固态电池/机器人/军工）[7][15] 4. **模型名称：困境反转行业模型** - **模型构建思路**：识别基本面触底回升的行业[2][7] - **模型具体构建过程**：未披露具体因子，输出推荐港股创新药/恒生红利低波/证券[9][15] 量化因子与构建方式 1. **因子名称：赚钱效应因子** - **因子构建思路**：量化市场赚钱效应以判断资金流入持续性[2][7] - **因子具体构建过程**： 1. 计算wind全A指数相对趋势线（未披露计算方法）的偏离度 2. 当赚钱效应值>0时判定为正向市场环境[7][15] 2. **因子名称：情绪周期因子** - **因子构建思路**：捕捉行业情绪极端值反转机会[7][15] - **因子具体构建过程**：未披露具体公式，识别白酒行业处于情绪低位[9] 模型的回测效果 1. **均线距离择时模型** - 当前均线距离：6.06%（20日均线5510 vs 120日均线5195）[2][9] - 趋势判定：上行趋势（距离>3%）[7][15] 2. **仓位管理模型** - 当前建议仓位：80%（PB分位数30%+上行趋势）[10] 因子的回测效果 1. **赚钱效应因子** - 当前值：1.45%（wind全A趋势线5480点）[7][15] - 历史比较：前值为4.09%（5400点）[8] 注：行业配置模型与TWO BETA模型未披露具体测试指标值[9][15]

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. **模型名称：信贷脉冲择时模型** - **模型构建思路**：基于企业中长期贷款TTM同比增速构建择时信号，利用信贷周期领先经济数据的特性进行市场趋势判断[14] - **模型具体构建过程**： 1. 计算企业中长期贷款TTM同比增速 2. 方向上行时满仓，方向下行时空仓[14] 3. 信号触发基于3-4年的信贷周期规律[14] - **模型评价**：历史表现优异，能有效规避市场大跌行情[14] 2. **模型名称：Beta离散度择时模型** - **模型构建思路**：通过衡量市场局部情绪过热程度进行月度择时[17] - **模型具体构建过程**： 1. 计算全市场个股Beta值的离散程度 2. 当指标超过历史阈值时提示风险[17] - **模型评价**：对市场极端情绪有较强识别能力[17] 3. **模型名称：交易量能择时模型** - **模型构建思路**：利用成交量与换手率布林带指标判断市场活跃度[17] - **模型具体构建过程**： 1. 计算60日成交量均值与标准差 2. 构建量能情绪得分（0-1标准化）[17] - **模型评价**：高频择时效果显著[17] 4. **模型名称：三指标复合择时模型** - **模型构建思路**：等权复合信贷脉冲、Beta离散度、交易量能三个指标[18] - **模型具体构建过程**： 1. 对三个指标进行标准化处理 2. 采用等权重加权综合信号 3. 不定期调仓（平均2周调整）[18] - **模型评价**：综合效果优于单指标[18] 5. **模型名称：成长价值轮动模型** - **模型构建思路**：结合基本面、估值面、情绪面信号进行风格配置[36] - **模型具体构建过程**： 1. 基本面信号：盈利斜率周期（成长）、利率周期（价值）、信贷周期（价值） 2. 估值面信号：PE/PB估值差分位数均值回归 3. 情绪面信号：换手差与波动差分析[36] - **模型评价**：多维度信号互补性强[36] 6. **模型名称：小盘大盘轮动模型** - **模型构建思路**：类似成长价值模型但侧重市值维度[41] - **模型具体构建过程**： 1. 盈利周期利好小盘，利率/信贷周期利好大盘 2. 估值面采用小盘大盘PE/PB差分位数 3. 情绪面分析换手差与波动差[41] 7. **模型名称：四风格轮动模型** - **模型构建思路**：整合成长价值和小盘大盘模型的输出[44] - **模型具体构建过程**： 1. 将成长价值和小盘大盘信号矩阵相乘 2. 生成小盘成长/价值、大盘成长/价值四个象限配置比例[44] 量化因子与构建方式 1. **因子名称：信贷脉冲因子** - **因子构建思路**：反映企业融资意愿的领先指标[14] - **因子具体构建过程**： $$ \text{信贷脉冲} = \frac{\text{企业中长期贷款TTM余额}}{\text{去年同期值}} - 1 $$ 采用HP滤波去趋势处理[14] 2. **因子名称：Beta离散度因子** - **因子构建思路**：捕捉市场非理性波动[17] - **因子具体构建过程**： $$ \text{Beta离散度} = \sqrt{\frac{1}{N}\sum_{i=1}^N (\beta_i - \bar{\beta})^2} $$ 其中$\beta_i$为个股相对全A指数的Beta值[17] 3. **因子名称：量能情绪因子** - **因子构建思路**：标准化市场交易活跃度[17] - **因子具体构建过程**： 1. 计算60日成交量布林带上下轨 2. 当前成交量相对布林带位置标准化为0-1分[17] 模型的回测效果 1. **信贷脉冲择时模型** - 年化收益率：10.83%（2009-2025）[14] - 最大回撤：显著低于基准[14] 2. **Beta离散度择时模型** - 年化收益率：13.12%（2013-2025）[17] - IR：1.25[17] 3. **交易量能择时模型** - 年化收益率：14.33%（2013-2025）[17] 4. **三指标复合模型** - 年化收益率：19.98%（2013-2025）[18] - 年化换手率：24倍[18] 5. **短期择时策略** - 年化收益率：16.71%（2012-2025）[27] - 最大回撤：27.70%[27] 6. **成长价值轮动模型** - 年化收益率：11.65%（2012-2025）[37] - 超额收益：4.74%[37] 7. **小盘大盘轮动模型** - 年化收益率：12.32%（2012-2025）[42] 8. **四风格轮动模型** - 年化收益率：13.22%（2012-2025）[44] 因子的回测效果 1. **信贷脉冲因子** - 当前分位数：0.00%（5年）[24] 2. **Beta离散度因子** - 当前分位数：69.49%（5年）[25] 3. **量能情绪因子** - 当前分位数：92.31%（5年）[25]

量化模型与构建方式 1. **模型名称**：DFQ-FactorGCL **模型构建思路**：基于超图卷积神经网络和时间残差对比学习的股票收益预测模型[7] **模型具体构建过程**：通过超图卷积网络捕捉股票间非线性关系，结合时间残差模块学习时序动态特征，最后通过对比学习优化因子表征。目标函数为最小化预测收益与真实收益的残差。 2. **模型名称**：Neural ODE **模型构建思路**：时序动力系统重构下的深度学习因子挖掘模型[7] **模型具体构建过程**：利用神经常微分方程（Neural ODE）建模因子动态演化过程，通过连续时间序列的隐状态更新捕捉因子非线性变化。公式为： $$ \frac{dh(t)}{dt} = f_\theta(h(t), t) $$ 其中 $h(t)$ 为隐状态，$f_\theta$ 为神经网络参数化的动力系统。 --- 量化因子与构建方式 1. **因子名称**：标准化预期外收入（SUR） **因子构建思路**：衡量营收超预期程度，反映公司基本面意外变化[20] **因子具体构建过程**： $$ SUR = \frac{\text{单季实际营收} - \text{预期营收}}{\text{预期营收标准差}} $$ **因子评价**：在中证500、中证800等样本空间中近期表现突出[26][30] 2. **因子名称**：DELTAROA **因子构建思路**：单季总资产收益率同比变化，捕捉盈利能力改善[20] **因子具体构建过程**： $$ DELTAROA = ROA_{t} - ROA_{t-4} $$ **因子评价**：在国证2000样本中近期多空收益达1.90%[38] 3. **因子名称**：特异度（IVR_1M） **因子构建思路**：Fama-French三因子模型残差，反映个股特异性风险[20] **因子具体构建过程**： $$ IVR = 1 - R^2 \quad \text{(FF3回归拟合度)} $$ 4. **因子名称**：MFE组合构建 **因子构建思路**：最大化单因子暴露的组合优化方法[62] **因子具体构建过程**：通过线性规划求解以下约束优化问题： $$ \begin{array}{ll} \max & f^{T}w \\ s.t. & X(w-w_{b}) \in [s_l, s_h] \\ & H(w-w_{b}) \in [h_l, h_h] \end{array} $$ --- 模型的回测效果 1. **DFQ-FactorGCL模型**：未披露具体指标[7] 2. **Neural ODE模型**：未披露具体指标[7] --- 因子的回测效果 1. **标准化预期外收入（SUR）**： - 中证500：近一周收益1.43%，近一年年化12.83%[27] - 中证800：近一周收益1.36%，历史年化4.46%[31] 2. **DELTAROA**： - 国证2000：近一周收益1.90%，近一年年化27.67%[39] 3. **特异度（IVR_1M）**： - 沪深300：近一周收益-0.85%，历史年化0.32%[23] 4. **单季ROA**： - 沪深300：近一周收益1.12%，历史年化3.53%[23] 5. **三个月波动**： - 中证1000：近一周收益-1.05%，近一年年化-5.02%[35] --- 风格因子表现 1. **Beta风格**：近一周收益2.29%，历史年化0.89%[13] 2. **Value风格**：近一周收益-2.47%，历史年化6.96%[13] 3. **Trend风格**：近一周收益1.12%，历史年化14.31%[13] --- 指数增强产品表现 1. **沪深300增强**： - 近一周超额收益中位数0.21%，头部产品易方达沪深300增强A（1.67%）[52] 2. **中证500增强**： - 近一周超额收益中位数0.24%，头部产品华泰柏瑞中证500增强A（1.13%）[56] 3. **中证1000增强**： - 近一周超额收益中位数0.24%，头部产品国联安中证1000增强A（1.11%）[59]