量化模型与构建方式 1. 模型名称：五维行业轮动模型 - **模型构建思路**：基于行业内部普遍存在的风格差异，利用风格指标对行业内部股票进行划分，通过构建行业内部离散指标与行业内部牵引指标，最终合成行业因子[8] - **模型具体构建过程**： 1. 以东吴金工特色多因子体系为基础，将微观因子划分为五大类：波动率、基本面、成交量、情绪、动量[8] 2. 以大类选股因子的风格偏好为参照，构建行业内部离散指标与行业内部牵引指标[8] 3. 最终合成五类行业因子，构建包含波动率、基本面、成交量、情绪、动量的五维行业轮动模型[8] - **模型评价**：情绪因子近期表现最为优秀[11] 2. 模型名称：五维行业轮动模型的指数增强策略 - **模型构建思路**：通过对沪深300指数的行业权重进行调整，增强指数表现[25] - **模型具体构建过程**： 1. 每个月月末取五维行业轮动模型评分最高的五个行业为增强行业，评分最低的五个行业为剔除行业，其余行业保持不变[25] 2. 根据月末各个股票在沪深300的权重，将属于剔除行业的股票剔除[25] 3. 将被剔除行业的股票权重等比例赋予增强行业的股票，构成新的沪深300增强组合[25] 4. 按月频调仓[25] --- 模型的回测效果 1. 五维行业轮动模型 - **年化收益率**：21.78%[13][14] - **年化波动率**：11.00%[13][14] - **信息比率（IR）**：1.98[13][14] - **月度胜率**：73.28%[13][14] - **历史最大回撤**：13.30%[13][14] 2. 五维行业轮动模型多头对冲全市场行业等权组合 - **年化收益率**：10.60%[17][18] - **年化波动率**：6.73%[17][18] - **信息比率（IR）**：1.57[17][18] - **月度胜率**：70.69%[17][18] - **历史最大回撤**：9.36%[17][18] 3. 五维行业轮动模型的指数增强策略 - **年化收益率**：8.80%[27] - **年化波动率**：7.72%[27] - **信息比率（IR）**：1.14[27] - **月度胜率**：70.09%[27] - **历史最大回撤**：13.63%[27] --- 量化因子与构建方式 1. 因子名称：波动率因子 - **因子构建思路**：基于股票价格波动的特性，衡量行业内部的波动分布[8] - **因子具体构建过程**：通过行业内部股票的波动率计算，提取行业内的离散性特征[8] 2. 因子名称：基本面因子 - **因子构建思路**：基于企业财务数据，衡量行业内部的基本面差异[8] - **因子具体构建过程**：通过行业内部股票的财务指标（如盈利能力、资产负债率等）计算，提取行业内的基本面特征[8] 3. 因子名称：成交量因子 - **因子构建思路**：基于股票交易活跃度，衡量行业内部的成交量分布[8] - **因子具体构建过程**：通过行业内部股票的成交量数据计算，提取行业内的交易活跃性特征[8] 4. 因子名称：情绪因子 - **因子构建思路**：基于市场情绪指标，衡量行业内部的情绪波动[8] - **因子具体构建过程**：通过行业内部股票的市场情绪数据（如资金流向、投资者情绪指数等）计算，提取行业内的情绪特征[8] 5. 因子名称：动量因子 - **因子构建思路**：基于股票价格的趋势性，衡量行业内部的动量效应[8] - **因子具体构建过程**：通过行业内部股票的价格动量数据计算，提取行业内的趋势性特征[8] --- 因子的回测效果 1. 波动率因子 - **年化收益率**：11.33%[14] - **年化波动率**：10.35%[14] - **信息比率（IR）**：1.09[14] - **胜率**：59.50%[14] - **历史最大回撤**：14.27%[14] 2. 基本面因子 - **年化收益率**：5.87%[14] - **年化波动率**：10.02%[14] - **信息比率（IR）**：0.59[14] - **胜率**：55.37%[14] - **历史最大回撤**：21.50%[14] 3. 成交量因子 - **年化收益率**：6.93%[14] - **年化波动率**：12.37%[14] - **信息比率（IR）**：0.56[14] - **胜率**：57.85%[14] - **历史最大回撤**：21.00%[14] 4. 情绪因子 - **年化收益率**：8.16%[14] - **年化波动率**：12.97%[14] - **信息比率（IR）**：0.63[14] - **胜率**：65.29%[14] - **历史最大回撤**：13.56%[14] 5. 动量因子 - **年化收益率**：12.07%[14] - **年化波动率**：10.84%[14] - **信息比率（IR）**：1.11[14] - **胜率**：61.67%[14] - **历史最大回撤**：13.52%[14]

量化模型与构建方式 1. 模型名称：量化大势研判框架 - **模型构建思路**：通过自下而上的量化分析方法，基于资产的内在属性和产业生命周期的变化，识别未来市场的主流风格[5][6] - **模型具体构建过程**： 1. 将股票资产划分为五种风格阶段：外延成长、质量成长、质量红利、价值红利、破产价值[5] 2. 采用资产比较框架，优先级为主流资产（实际增速资产、预期增速资产、盈利资产）优于次级资产（质量红利、价值红利、破产价值）[7] 3. 通过g>ROE>D的优先级，分析资产的“有没有（好资产）”和“（好资产）贵不贵”，最终聚焦优势资产[5][6] 4. 结合因子择时中的Spread方法，计算资产优势差（如净利润增速、预期增速、ROE等），以刻画头部资产的趋势变化[18][21][22] 5. 策略行业选择基于等权重配置[14] - **模型评价**：框架自2009年以来年化收益率达26.85%，对A股风格轮动具有较好的解释能力，但在部分年份（如2011、2012、2014、2016）效果有限[14] --- 量化因子与构建方式 1. 因子名称：预期成长因子 - **因子的构建思路**：基于分析师预期增速，选择预期增速最高的行业进行配置[6][27] - **因子具体构建过程**： 1. 计算分析师预期净利润增速（g_fttm）[6] 2. 对行业进行排名并筛选出预期增速最高的行业[27] - **因子评价**：策略在2019年以来超额显著，2014-2015年期间同样表现较好[27] 2. 因子名称：实际成长因子 - **因子的构建思路**：基于超预期/△g，选择业绩动量最高的行业进行配置[6][28] - **因子具体构建过程**： 1. 计算行业的超预期因子（sue、sur、jor）[28] 2. 对行业进行排名并筛选出业绩动量最高的行业[28] - **因子评价**：策略长期超额显著，尤其在成长风格占优的环境下表现突出[28] 3. 因子名称：盈利能力因子 - **因子的构建思路**：基于PB-ROE框架，选择高ROE且估值较低的行业进行配置[6][30] - **因子具体构建过程**： 1. 计算PB-ROE回归残差[30] 2. 对行业进行排名并筛选出高ROE且估值较低的行业[30] - **因子评价**：策略在2016-2020年超额显著，但2021年以来表现较弱[30] 4. 因子名称：质量红利因子 - **因子的构建思路**：基于DP+ROE打分，选择得分最高的行业进行配置[6][33] - **因子具体构建过程**： 1. 计算行业的股息率（dp）和ROE[33] 2. 综合打分后筛选出得分最高的行业[33] - **因子评价**：策略在2016年、2017年、2023年超额显著[33] 5. 因子名称：价值红利因子 - **因子的构建思路**：基于DP+BP打分，选择得分最高的行业进行配置[6][36] - **因子具体构建过程**： 1. 计算行业的股息率（dp）和账面市值比（bp）[36] 2. 综合打分后筛选出得分最高的行业[36] - **因子评价**：策略在2009年、2017年、2021-2023年超额显著[36] 6. 因子名称：破产价值因子 - **因子的构建思路**：基于PB+SIZE打分，选择得分最低的行业进行配置[6][38] - **因子具体构建过程**： 1. 计算行业的市净率（pb）和市值（size）[38] 2. 综合打分后筛选出得分最低的行业[38] - **因子评价**：策略在2015-2016年、2021-2023年超额显著[38] --- 模型的回测效果 - **量化大势研判框架**： - 年化收益率：26.85%[14] - 各年超额收益：如2009年51%、2013年36%、2020年44%、2022年62%等[15] --- 因子的回测效果 - **预期成长因子**： - 近3月表现：如产业互联网-4.90%、玻璃纤维1.92%、有机硅-4.91%等[27] - **实际成长因子**： - 近3月表现：如车用电机电控21.21%、工业机器人及工控系统23.42%、锂电设备0.25%等[29] - **盈利能力因子**： - 近3月表现：如非乳饮料1.17%、白酒-3.26%、畜牧养殖-8.41%等[30] - **质量红利因子**： - 近3月表现：如服务机器人13.34%、黑色家电Ⅲ8.53%、公交-8.31%等[33] - **价值红利因子**： - 近3月表现：如宠物食品20.52%、客车12.65%、安防6.09%等[36] - **破产价值因子**： - 近3月表现：如其他电子零组件Ⅲ11.12%、资产管理Ⅱ-19.38%、动物疫苗及兽药-10.93%等[38]

- 基于技术指标的指数仓位调整模型：本报告以量价数据为基础，寻找合适的策略，通过适时调整一支标的的仓位获取超额收益。技术指标基于量价数据产生，有丰富多样的指标，可以产生不同的买卖信号。因此，以技术指标信号为基础，测试单个技术指标信号的仓位调整效果，并通过直接信号合成法和滚动搜索法将多个技术指标结合使用[6] - 单信号：共构建了27个技术指标，在指定的回测条件下测试了这些指标在沪深300、中证500和中证1000三个宽基指数，以及31个申万一级行业指数上的表现。27个技术指标信号中，通过量价"背离"概念设计的技术指标，在34个指数上的平均超额年化收益率达3.75%[3] - 多信号：通过相关性分析，构建了5信号与7信号策略。5信号策略在宽基指数上表现良好，在中证1000指数上获得2.54%的年化收益率，超额年化收益率达11.27%[3] - 滚动合成信号：回测结果表明，后置买卖方法所得信号较为稳健，若适当降低调仓频率至T+10，策略平均超额年化收益率可达3.99%，适合风险偏好低的投资者，称此策略为滚动稳健策略；前置买卖方法所得信号则有更强的追涨能力，能有效减少踏空的情况，策略波动性略高于先合并后处理方法，适合风险偏好更高，看涨后市的投资者，称此策略为滚动追涨策略[3][6] - 模型最新绩效统计：滚动稳健策略2月分别在沪深300取得了-0.11%、中证500取得了-0.59%、中证1000取得了-0.02%的超额收益，在所有指数平均获得了-0.45%的超额收益[7] - 模型最新持仓、信号判断：3月初，模型在沪深300上的持仓、信号判断：13指标发出看多信号，11指标发出减仓信号；最优单指标发出维持信号；滚动追涨、滚动稳健策略均发出减仓信号。模型在中证500上的持仓、信号判断：13指标发出看多信号，11指标发出减仓信号；最优单指标发出买入信号；滚动追涨、滚动稳健策略均发出减仓信号。模型在中证1000上的持仓、信号判断：14指标发出看多信号，10指标发出减仓信号；最优单指标发出买入信号；滚动追涨、滚动稳健策略均发出维持信号[18] - 模型的回测效果： - 优选单信号：沪深300 0.00%，中证500 -2.48%，中证1000 -3.33%[8] - 5信号结合：沪深300 -2.44%，中证500 -5.23%，中证1000 -6.57%[8] - 7信号结合（买卖区分）：沪深300 -1.17%，中证500 -3.70%，中证1000 -7.23%[8] - 滚动稳健策略：沪深300 -0.59%，中证500 -4.10%，中证1000 -5.90%[10] - 滚动追涨策略：沪深300 -0.11%，中证500 -0.59%，中证1000 -0.02%[10]

量化模型与构建方式 1. 模型名称：风格轮动模型 - **模型构建思路**： 本模型从基础风格因子（估值、市值、波动率、动量）出发，逐步构造风格择时和打分体系。通过滚动训练随机森林模型，优选特征并规避过拟合风险，最终形成从风格择时到风格评分，再到实际投资的风格轮动框架[1][8] - **模型具体构建过程**： 1. 基于东吴金工特色多因子体系，优选80个底层因子作为原始特征[8] 2. 构造640个微观特征[8] 3. 使用常用指数作为风格股票池，取代风格因子的绝对比例划分，构造新的风格收益作为标签[1][8] 4. 通过随机森林模型对单个风格进行择时，得到每种风格的当期得分[1][8] 5. 综合择时结果与打分结果，构造月频风格轮动模型[1][8] --- 模型的回测效果 1. 风格轮动模型 - **年化收益率**：22.31%[9][10] - **年化波动率**：24.33%[9][10] - **信息比率（IR）**：0.92[9][10] - **月度胜率**：59.70%[9][10] - **历史最大回撤**：28.33%[10] - **策略对冲市场基准的年化收益率**：13.40%[9][10] - **策略对冲市场基准的年化波动率**：11.55%[9][10] - **策略对冲市场基准的IR**：1.16[9][10] - **策略对冲市场基准的月度胜率**：66.42%[9][10] - **策略对冲市场基准的历史最大回撤**：10.31%[10] --- 量化因子与构建方式 1. 因子名称：估值因子 - **因子的构建思路**：基于个股的估值水平，衡量其相对吸引力[8] - **因子具体构建过程**：通过东吴金工多因子体系中的估值相关指标，提取估值因子并纳入风格轮动模型[8] 2. 因子名称：市值因子 - **因子的构建思路**：基于个股市值大小，捕捉小市值股票的潜在超额收益[8] - **因子具体构建过程**：通过东吴金工多因子体系中的市值相关指标，提取市值因子并纳入风格轮动模型[8] 3. 因子名称：波动率因子 - **因子的构建思路**：基于个股的历史波动率，衡量其风险水平[8] - **因子具体构建过程**：通过东吴金工多因子体系中的波动率相关指标，提取波动率因子并纳入风格轮动模型[8] 4. 因子名称：动量因子 - **因子的构建思路**：基于个股的历史收益率，捕捉趋势性收益[8] - **因子具体构建过程**：通过东吴金工多因子体系中的动量相关指标，提取动量因子并纳入风格轮动模型[8] --- 因子的回测效果 1. 估值因子 - **2025年1月收益率（多空对冲）**：约-5%[13][14] - **2025年2月收益率（多空对冲）**：约-10%[13][14] 2. 市值因子 - **2025年1月收益率（多空对冲）**：约5%[13][14] - **2025年2月收益率（多空对冲）**：约10%[13][14] 3. 波动率因子 - **2025年1月收益率（多空对冲）**：约10%[13][14] - **2025年2月收益率（多空对冲）**：约15%[13][14] 4. 动量因子 - **2025年1月收益率（多空对冲）**：约0%[13][14] - **2025年2月收益率（多空对冲）**：约5%[13][14]

量化因子与构建方式 1. **因子名称：Barra风格因子** - **因子构建思路**：Barra风格因子是基于多因子模型构建的，用于捕捉股票的不同风格特征，如动量、价值、杠杆等[12] - **因子具体构建过程**：Barra风格因子包括BETA、动量、大小盘、盈利、成长、价值、杠杆、流动性、中盘等因子。每个因子通过特定的财务指标或市场数据进行计算，例如动量因子通过过去一段时间的股票收益率计算，价值因子通过市盈率、市净率等指标计算[12] - **因子评价**：Barra风格因子能够有效捕捉市场风格变化，适用于多因子模型的构建[12] 2. **因子名称：巨潮股票风格因子** - **因子构建思路**：巨潮股票风格因子是基于市值和风格特征构建的，用于区分大盘、中盘、小盘以及价值、成长等风格[32] - **因子具体构建过程**：巨潮股票风格因子包括大盘价值、大盘成长、中盘价值、中盘成长、小盘价值、小盘成长等因子。每个因子通过市值和财务指标进行划分，例如大盘价值因子通过市值和市盈率等指标计算[32] - **因子评价**：巨潮股票风格因子能够有效区分不同市值和风格的市场表现，适用于风格轮动策略[32] 因子的回测效果 1. **Barra风格因子** - 周收益率：杠杆因子0.62%，价值因子0.18%，动量因子0.13%[12] - 近1年夏普比：中盘因子-6.89，残差波动率因子-4.14，动量因子3.58[30] 2. **巨潮股票风格因子** - 周收益率：大盘价值-0.65%，小盘价值-0.90%，中盘成长-1.50%[35] - 近1年夏普比：大盘价值0.61，大盘成长0.33，小盘成长0.30[34] 量化模型与构建方式 1. **模型名称：日内Alpha模型** - **模型构建思路**：日内Alpha模型通过捕捉股票日内流动性、波动率和投资者交易行为来积累Alpha[48] - **模型具体构建过程**：模型通过分析日内成交额、日内振幅截面波动率、超大户、大户、中户、散户的净买入金额等指标，构建日内Alpha信号[49][52] - **模型评价**：日内Alpha模型在市场流动性较高时表现较好，能够有效捕捉日内交易机会[48] 2. **模型名称：交易型Alpha模型** - **模型构建思路**：交易型Alpha模型通过捕捉股票流动性、换手率和分化度来积累Alpha[54] - **模型具体构建过程**：模型通过分析周成交额、周换手率、周截面波动率等指标，构建交易型Alpha信号[55][58] - **模型评价**：交易型Alpha模型在市场成交额和换手率较高时表现较好，适用于高流动性市场环境[54] 3. **模型名称：持有型Alpha模型** - **模型构建思路**：持有型Alpha模型通过捕捉股票风格因子、行业轮动和流动性来积累Alpha[67] - **模型具体构建过程**：模型通过分析Barra因子轮动速度、行业轮动速度、个股截面波动率等指标，构建持有型Alpha信号[71][75] - **模型评价**：持有型Alpha模型在风格因子轮动速度较快时表现较好，适用于风格轮动策略[67] 模型的回测效果 1. **日内Alpha模型** - 周成交额：1.95万亿元[55] - 周换手率：1.20[55] 2. **交易型Alpha模型** - 周截面波动率：6.9%[58] - 周换手率：1.20[55] 3. **持有型Alpha模型** - Barra因子轮动速度：0.98[86] - 行业轮动速度：1.98[86]

- 2月份券商金股组合整体收益率为4.5%，2025年以来收益率为5.5%，全历史区间年化收益率为11.5%，显著优于沪深300指数和中证500指数[18][21][20] - 新进金股组合收益表现优于重复金股组合，2月份新进金股组合收益率为7.9%，重复金股组合收益率为2.1%，2025年以来收益率分别为11.1%和1.4%[18][21][20] - 开源金工优选金股组合以新进金股为样本，选择业绩超预期的前30只金股，按照券商推荐数量加权构建，2月份收益率为2.7%，2025年以来收益率为11.4%，全历史区间年化收益率为21.5%，显著优于全部金股组合[24][27][26]

量化模型与构建方式 1. **模型名称**：信达金工行业轮动策略 **模型构建思路**：基于绩优基金的持仓倾向，通过分析其超配和低配行业的变化，构建行业轮动模型，捕捉市场风格的变化[30] **模型具体构建过程**：模型通过跟踪绩优基金的持仓数据，计算其在不同行业的超配和低配比例，结合市场风格的变化，生成行业轮动信号。具体步骤包括： 1. 收集绩优基金的持仓数据 2. 计算各行业的超配和低配比例 3. 结合市场风格变化，生成行业轮动信号 **模型评价**：该模型能够有效捕捉市场风格的变化，尤其在红利风格上表现较好[30] 模型的回测效果 1. **信达金工行业轮动策略**，多头超额收益表现稳定，尤其在2020年至2025年期间，超额收益显著[32] 量化因子与构建方式 1. **因子名称**：主力资金流因子 **因子构建思路**：通过分析主力资金的净流入和净流出情况，构建反映市场资金流向的因子[53] **因子具体构建过程**： 1. 根据同花顺对主力资金的划分标准，计算特大单、大单、中单和小单的净流入金额 2. 将净流入金额标准化，生成主力资金流因子 **因子评价**：该因子能够有效反映市场资金的流向，尤其在TMT板块的资金流出中表现显著[54] 2. **因子名称**：主动资金流因子 **因子构建思路**：通过分析主动资金的净流入和净流出情况，构建反映市场主动资金流向的因子[54] **因子具体构建过程**： 1. 计算主动资金的净流入金额 2. 将净流入金额标准化，生成主动资金流因子 **因子评价**：该因子能够有效捕捉市场主动资金的流向，尤其在TMT板块的资金流出中表现显著[54] 因子的回测效果 1. **主力资金流因子**，本周主力资金净流出TMT板块，净流出金额为-5111.67亿元[54] 2. **主动资金流因子**，本周主动资金净流出TMT板块，净流出金额为-5111.67亿元[54]

量化模型与构建方式 1. 模型名称：GDPNOW模型 - **模型构建思路**：基于高频经济数据对宏观经济增长进行实时预测，旨在捕捉短期内经济增速的边际变化[19] - **模型具体构建过程**：通过整合多种高频经济指标（如消费者信心指数、制造业PMI等），利用统计回归方法对GDP增速进行动态预测。模型的核心是将高频数据与季度GDP增速挂钩，实时更新预测值[19] - **模型评价**：该模型能够快速反映经济增长的短期变化趋势，适合用于宏观经济的动态监测[19] --- 模型的回测效果 1. GDPNOW模型 - **最新预测值**：2025年一季度GDP增速预测为4.1%（截至2月14日更新）[19] --- 量化因子与构建方式 1. 因子名称：风格因子 - **因子的构建思路**：通过BARRA模型框架，提取多种风格因子（如换手率、财务杠杆、盈利能力等），分析其对股票收益的解释能力[32] - **因子具体构建过程**： 1. **换手率因子**：基于个股的日均换手率计算，公式为： $ 换手率因子 = \frac{\text{个股日均成交量}}{\text{流通股本}} $ 2. **财务杠杆因子**：通过资产负债率衡量，公式为： $ 财务杠杆因子 = \frac{\text{总负债}}{\text{总资产}} $ 3. **盈利能力因子**：基于ROE（净资产收益率）计算，公式为： $ 盈利能力因子 = \frac{\text{净利润}}{\text{股东权益}} $ 4. **动量因子**：基于过去一段时间的股价涨跌幅计算，公式为： $ 动量因子 = \frac{\text{当前股价} - \text{过去N日股价}}{\text{过去N日股价}} $ 5. **估值因子**：包括EP（市盈率倒数）和BP（市净率倒数），公式分别为： $ EP = \frac{\text{每股收益}}{\text{股价}} $ $ BP = \frac{\text{每股净资产}}{\text{股价}} $ 6. **波动率因子**：基于个股收益率的标准差计算，公式为： $ 波动率因子 = \sqrt{\frac{\sum_{i=1}^{N} (R_i - \bar{R})^2}{N-1}} $ 其中，$ R_i $为个股每日收益率，$ \bar{R} $为平均收益率[32][33] --- 因子的回测效果 1. 风格因子 - **换手因子**：本周收益为0.4%，上周为0.0%[33] - **财务杠杆因子**：本周收益为-0.3%，上周为0.0%[33] - **盈利波动因子**：本周收益为-0.2%，上周为-0.2%[33] - **盈利质量因子**：本周收益为-0.1%，上周为0.2%[33] - **盈利能力因子**：本周收益为0.0%，上周为-0.3%[33] - **投资质量因子**：本周收益为-0.6%，上周为0.1%[33] - **长期反转因子**：本周收益为-0.3%，上周为0.1%[33] - **EP价值因子**：本周收益为-0.4%，上周为0.3%[33] - **BP价值因子**：本周收益为-0.2%，上周为-0.1%[33] - **成长因子**：本周收益为0.2%，上周为-0.4%[33] - **动量因子**：本周收益为1.1%，上周为-1.2%[33] - **非线性市值因子**：本周收益为-0.1%，上周为0.2%[33] - **市值因子**：本周收益为-0.1%，上周为0.2%[33] - **波动率因子**：本周收益为-0.6%，上周为1.0%[33] - **近释因子**：本周收益为1.1%，上周为0.5%[33] - **股息率因子**：本周收益为-0.1%，上周为-0.2%[33]

量化模型与构建方式 1. **模型名称**：三维择时框架 **模型构建思路**：通过流动性、分歧度和景气度三个维度进行市场择时判断[7] **模型具体构建过程**：流动性保持上行状态但有见顶迹象，分歧度处于下行趋势，景气度保持下行状态，ERP保持极值状态，综合判断市场处于盘整状态下的上涨波段，但价格在上周遇到阻力线后未能实现有效突破[7] **模型评价**：该框架在市场盘整状态下表现较为稳定，但需谨慎对待阻力线的突破情况[7] 2. **模型名称**：资金流共振策略 **模型构建思路**：通过监控两融资金与大单资金的共振情绪，选择两类资金都看好的行业[22] **模型具体构建过程**：定义行业融资融券资金因子为Barra市值因子中性化后的融资净买入-融券净买入，取最近50日均值后的两周环比变化率；定义行业主动大单资金因子为行业最近一年成交量时序中性化后的净流入排序，并取最近10日均值。在主动大单因子的头部打分内做融资融券因子的剔除，以提高策略稳定性[27] **模型评价**：该策略在2018年以来表现稳定，年化超额收益13.5%，信息比率1.7，回撤较小[27] 模型的回测效果 1. **三维择时框架**，上周市场处于盘整状态，未能突破阻力线[7] 2. **资金流共振策略**，上周实现绝对收益-2.4%，超额收益-0.7%[27] 量化因子与构建方式 1. **因子名称**：估值因子 **因子构建思路**：通过市盈率倒数、经营性净资产/EV等指标构建估值因子[34] **因子具体构建过程**：使用市盈率倒数fy3、经营性净资产/EV等指标，进行市值、行业中性化处理，计算因子多头超额收益[34] **因子评价**：估值因子在最近一周表现较好，超额收益达到2%以上[34] 2. **因子名称**：一致预测目标价因子 **因子构建思路**：通过30天一致预期目标价格/收盘价-1构建因子[36] **因子具体构建过程**：计算30天一致预期目标价格/收盘价-1，并在不同宽基指数内进行测试[36] **因子评价**：该因子在不同宽基指数内表现均较好，尤其在大市值下超额更高[36] 因子的回测效果 1. **估值因子**，最近一周多头超额收益2.84%[34] 2. **一致预测目标价因子**，沪深300中多头超额收益0.19%，中证1000中多头超额收益3.27%[36] 量化组合与构建方式 1. **组合名称**：沪深300增强组合 **组合构建思路**：基于研报覆盖度调整，选用适用性因子进行增强[37] **组合具体构建过程**：在沪深300宽基指数内，基于研报覆盖度区分两种域，并运用各自适用性因子进行增强[37] **组合评价**：该组合在2015年以来年化超额收益11.23%，Sharpe比率1.99[38] 2. **组合名称**：中证500增强组合 **组合构建思路**：基于研报覆盖度调整，选用适用性因子进行增强[37] **组合具体构建过程**：在中证500宽基指数内，基于研报覆盖度区分两种域，并运用各自适用性因子进行增强[37] **组合评价**：该组合在2015年以来年化超额收益12.93%，Sharpe比率2.70[38] 组合的回测效果 1. **沪深300增强组合**，上周绝对收益-2.69%，超额收益-0.47%[37] 2. **中证500增强组合**，上周绝对收益-2.84%，超额收益0.42%[37]

量化模型与构建方式 1. 模型名称：戴维斯双击策略 - **模型构建思路**：以较低的市盈率（PE）买入具有成长潜力的股票，待成长性显现、市盈率相应提高后卖出，获得EPS和PE的“双击”收益[1][7] - **模型具体构建过程**：通过PEG指标评估股票定价的合理性，筛选盈利增速加速增长的标的，理论上这些标的的PE向下空间能得到有效控制[7] - **模型评价**：策略在2010-2017年回测期内表现稳定，7个完整年度的超额收益均超过11%，具有较好的稳定性[8] 2. 模型名称：净利润断层策略 - **模型构建思路**：结合基本面与技术面，通过“净利润惊喜”和“盈余公告后股价跳空”两个核心点，筛选出市场认可度高的股票[2][11] - **模型具体构建过程**：每期筛选过去两个月内业绩预告和正式财报中满足超预期事件的股票样本，按照盈余公告日跳空幅度排序，选取前50只股票等权构建组合[11] - **模型评价**：策略在2010年至今表现优异，年化收益率和超额收益率均较高，且收益回撤比表现良好[14] 3. 模型名称：沪深300增强组合 - **模型构建思路**：基于投资者偏好因子（GARP型、成长型、价值型）构建组合，分别通过PBROE因子和PEG因子筛选估值低且盈利能力强或成长潜力稳定的股票[3][16] - **模型具体构建过程**： - **PBROE因子**：以PB与ROE的分位数之差构建，筛选估值低且盈利能力强的股票[16] - **PEG因子**：以PE与增速的分位数之差构建，筛选价值被低估且成长潜力可靠的股票[16] - **成长型因子**：通过营业收入、毛利润、净利润增速筛选高速成长的股票[16] - **价值型因子**：筛选具有长期稳定高ROE的公司[16] - **模型评价**：历史回测显示超额收益稳定，适合长期投资[20] --- 模型的回测效果 1. 戴维斯双击策略 - 年化收益率：26.45%[8] - 年化超额收益率：21.08%[8] - 2025年累计绝对收益：7.15%[8] - 2025年累计超额收益：4.80%[8] - 全样本超额收益：21.57%[10] - 收益回撤比：1.07[10] 2. 净利润断层策略 - 年化收益率：28.60%[14] - 年化超额收益率：26.80%[14] - 2025年累计绝对收益：9.39%[14] - 2025年累计超额收益：7.05%[14] - 全样本超额收益：26.80%[13] - 收益回撤比：0.72[13] 3. 沪深300增强组合 - 年化收益率：8.99%[18] - 年化超额收益率：8.42%[18] - 2025年累计绝对收益：-0.98%[18] - 2025年累计超额收益：0.16%[20] - 全样本超额收益：8.42%[18] - 收益回撤比：0.92[18]