量化模型与构建方式 1. **模型名称：基于Gaussian分布的Black-Litterman宏观择时策略** * **模型构建思路**：将ETF作为可交易标的，构建大类资产宏观择时策略。策略根据经济周期划分，对不同类别ETF的配置权重进行限制，并基于海外指标择时信号决定是否纳入海外资产[42][44]。 * **模型具体构建过程**： 1. 选取涵盖股票、商品、债券、境外、货币等品种的ETF，分别对应大类资产配置中的不同指数[42]。 2. 以ETF在不同周期的历史均值收益作为观点矩阵，分别输入基于Gaussian分布的Black-Litterman模型与基于Copula分布的Black-Litterman模型[43]。 3. 根据经济周期（复苏、过热、滞胀、衰退）对股票ETF、债券ETF、商品ETF和货币ETF的配置权重施加不同的下限约束[45]。 4. 对于海外资产（如标普500ETF），仅当海外指标发出择时信号时才纳入股票ETF类别进行配置，否则不配置[44]。 5. 通过上述模型和约束，最终计算出各类ETF的配置权重[43]。 2. **模型名称：动量择势策略** * **模型构建思路**：结合动量和拥挤度指标构建ETF交易策略，旨在捕捉价格动量，并在动量结束时通过拥挤度指标降低损失风险[53]。 * **模型具体构建过程**： 1. **动量指标**：使用XGBoost模型预测出的ETF上涨概率作为动量指标[53]。 2. **拥挤度指标**：以基金份额的历史分位数代表拥挤度[53]。 3. **板块筛选**：首先计算板块动量（板块内ETF动量均值）和板块拥挤度（板块内ETF份额总和的历史分位数）。选择动量排名前20且（1-历史分位数）排名前20的板块[53]。 4. **板块数量调整**：若初步选中的板块数量≥5个，则从中取（1-历史分位数）排名前5的板块；若<5个，则在筛选结果中加入纯债和黄金板块，以增加组合分散度[53]。 5. **ETF选择与权重**：在最终选定的板块内，选择动量最大的ETF。根据拥挤度计算ETF的配置权重[53]。 6. **调仓与训练**：策略每周调仓。每个季度末重新训练一次XGBoost模型[53]。 3. **模型名称：低波扩散行业轮动策略** * **模型构建思路**：将行业轮动策略应用于ETF，通过行业扩散指数因子捕捉行业动量，并叠加波动率因子进行改进，构建低波动的行业轮动模型[60][61]。 * **模型具体构建过程**： 1. **因子构建**：使用行业扩散指数因子，该因子是基于指数成分股上行状态合成的动量指标，相比传统动量因子更能反映指数涨跌背后的贡献来源[60]。 2. **模型改进**：在扩散指数因子的基础上，叠加波动率因子，构造“低波扩散”行业轮动模型[60]。 3. **ETF映射**：梳理已上市ETF，构建标的池。通过计算ETF跟踪指数与行业指数的相关性，将行业与ETF进行匹配，选择相关系数较高且规模靠前的ETF作为对应行业的可投资标的[61]。 4. **组合构建**：按月调仓，在选定的行业组内对ETF进行等权配置[61]。 4. **模型名称：资金流向策略** * **模型构建思路**：利用资金流向指标和风险度量指标筛选行业和ETF，并通过二阶随机占优优化方法确定最终持仓权重[64]。 * **模型具体构建过程**： 1. **行业筛选**：利用1倍权重的资金流向指标辅以0.5倍权重的风险度量指标，筛选出排名靠前的行业[64]。 2. **ETF筛选**：在筛选出的行业中，根据换手率和折溢价率指标进一步筛选出具体的ETF[64]。 3. **权重优化**：利用历史数据生成联合分布，使用二阶随机占优（SSD）优化方法计算并确定最终的ETF持仓权重[64]。 5. **模型名称：分位数回归策略（基于分位数随机森林的科技类ETF策略）** * **模型构建思路**：基于分位数随机森林算法对科技类行业指数的未来收益率分布进行预测，筛选收益风险比最优的科技类ETF，并经过仓位调整和权重优化得出最终持仓[71]。 * **模型具体构建过程**： 1. **分布预测**：使用分位数随机森林算法对科技大类二级行业指数的未来收益率分布进行预测建模[71]。 2. **指数筛选**：利用预测结果抽样计算指数基于预测分布的复合指标，并以此作为筛选指标来选择指数[71]。 3. **ETF选择**：根据流动性和规模指标，选择追踪上述筛选出指数的对应ETF[71]。 4. **仓位调整与优化**：对选出的ETF组合，经过MACD和波动率指标进行仓位调整，再使用二阶随机占优方法优化持仓权重，得出最终配置[71]。 模型的回测效果 （以下回测结果均截至2025年12月15日，除非特别说明） 1. **基于Gaussian分布的B-L宏观择时策略**，年化收益率9.03%[45]，年化波动率0.21%[46]，夏普比率2.8899[45]，Calmar比率2.8099[45]，最大回撤-4.95%[45]。 2. **动量择势策略**，年化收益率13.89%[54]，年化波动率21.99%[55]，夏普比率0.3898[54]，Calmar比率0.8097[54]，最大回撤-23.96%[54]。 3. **低波扩散行业轮动策略**，年化收益率15.55%[61]，年化超额收益率9.19%[61]，年化波动率21.25%[62]，夏普比率0.90[62]，最大回撤-41.53%[61]，超额最大回撤-19.86%[61]。 4. **资金流向策略**，年化收益率7.16%[64]，年化波动率11.54%[67]，夏普比率0.0617[64]，Calmar比率0.1277[64]，最大回撤-59.69%[64]。 5. **分位数回归策略**，年化收益率19.25%[72]，年化波动率15.03%[73]，夏普比率1.0617[72]，Calmar比率0.5257[72]，最大回撤-19.69%[72]。

量化模型与构建方式 本报告为市场数据跟踪报告，未涉及具体的量化选股模型或策略模型，也未构建用于选股的量化因子。报告主要对宽基指数的各类市场指标进行统计、计算和对比分析[1][2][3][4][5][7][9][11][12][13][15][17][18][19][20][21][22][23][24][25][27][28][29][30][31][34][35][37][38][39][40][41][42][44][45][46][47][49][51][52][53][54][55][56][57]。 报告计算并展示了多个用于衡量市场状态和指数特征的指标，这些指标可被视为用于描述市场或指数特征的“因子”或“信号”。以下是对这些指标构建方式的总结： 1. **指标名称：连阴连阳天数**；指标构建思路：统计指数K线连续为阴线或阳线的天数，以观察市场趋势的持续性[12]；指标具体构建过程：从当前交易日开始向前回溯，若当日收益率为正则计数加1（连阳），若为负则计数减1（连阴），计数从1开始，直到趋势发生反转。报告中以正数表示连阳天数，负数表示连阴天数[12]。 2. **指标名称：指数与均线比较**；指标构建思路：计算指数收盘价相对于不同周期移动平均线（MA）的偏离度，以判断指数所处的趋势强度和位置[15]；指标具体构建过程：首先计算指数的5日、10日、20日、60日、120日、250日简单移动平均线（MA）。然后计算收盘价相对于各均线的百分比偏离。公式为： $$偏离度 = \frac{收盘价 - 移动平均线}{移动平均线} \times 100\%$$ 例如，“vsMA5”即代表收盘价相对于5日均线的百分比偏离[15]。 3. **指标名称：指数换手率**；指标构建思路：衡量指数整体交易的活跃程度[17]；指标具体构建过程：采用流通市值加权平均的方式计算指数成分股的换手率。公式为： $$指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$$ 其中，成分股换手率通常由当日成交额除以流通市值计算得到[17]。 4. **指标名称：收益分布峰度与偏度**；指标构建思路：通过统计描述方法分析指数日收益率分布的尖峭程度和对称性，以观察市场收益特征的变化[23][25]；指标具体构建过程：计算指数在特定时间窗口（如近一年）内日收益率序列的峰度（Kurtosis）和偏度（Skewness）。报告中采用的峰度为超额峰度（Excess Kurtosis），即在计算值基础上减去正态分布的峰度3。公式分别为： $$样本偏度 = \frac{\frac{1}{n} \sum_{i=1}^{n} (r_i - \bar{r})^3}{[\frac{1}{n} \sum_{i=1}^{n} (r_i - \bar{r})^2]^{3/2}}$$ $$样本峰度 = \frac{\frac{1}{n} \sum_{i=1}^{n} (r_i - \bar{r})^4}{[\frac{1}{n} \sum_{i=1}^{n} (r_i - \bar{r})^2]^{2}} - 3$$ 其中，$r_i$ 为日收益率，$\bar{r}$ 为收益率均值，$n$ 为样本数[25]。 5. **指标名称：风险溢价**；指标构建思路：计算股票指数预期收益率超过无风险利率的部分，用于衡量市场风险补偿和投资价值[27][28][29]；指标具体构建过程：使用指数市盈率倒数（E/P）作为预期收益率的代理变量，减去十年期国债即期收益率作为无风险利率。公式为： $$风险溢价 = \frac{1}{PE\_TTM} - 十年期国债即期收益率$$ 报告中对风险溢价计算了当前值、历史分位值、均值和波动率等统计量[31]。 6. **指标名称：股债性价比**；指标构建思路：比较股票市场与债券市场的相对吸引力，是风险溢价的另一种常见表达形式[44]；指标具体构建过程：与风险溢价计算方式相同，即指数市盈率倒数与十年期国债收益率之差[44]。 7. **指标名称：股息率**；指标构建思路：跟踪指数成分股的现金分红回报率，用于观察红利风格的投资价值[46][47]；指标具体构建过程：指数股息率通常为成分股过去12个月现金分红总额与指数总市值的比率。报告展示了当前值及历史分位值等[51][53]。 8. **指标名称：破净率**；指标构建思路：统计指数中市净率（PB）小于1的个股占比，反映市场整体的估值悲观程度或低估普遍性[52][54][55]；指标具体构建过程：遍历指数所有成分股，判断其市净率是否小于1，计算破净个股数量占总成分股数量的百分比。公式为： $$破净率 = \frac{破净个股数}{指数成分股总数} \times 100\%$$ 报告列出了各宽基指数的当前破净率[55]。 指标的回测效果 报告未提供基于这些指标的策略回测结果，如年化收益率、夏普比率、最大回撤等。报告主要呈现了这些指标在特定时点（2025年12月26日）的截面取值以及与历史统计区间的对比情况[12][15][17][25][31][42][51][55]。 **各宽基指数指标取值（截至2025年12月26日）** 1. **连阴连阳天数**：上证50连阳2日[12]，沪深300连阳6日[12]，中证500连阳3日[12]，中证1000连阳3日[12]，中证2000无连阳连阴记录[12]，中证全指连阳3日[12]，创业板指连阳5日[12]。 2. **指数与MA5偏离度**：上证50为0.5%[15]，沪深300为0.5%[15]，中证500为1.5%[15]，中证1000为1.4%[15]，中证2000为1.2%[15]，中证全指为1.0%[15]，创业板指为0.7%[15]。 3. **指数换手率**：中证2000为4.25[17]，中证1000为2.68[17]，创业板指为2.67[17]，中证全指为1.81[17]，中证500为1.78[17]，沪深300为0.53[17]，上证50为0.2[17]。 4. **当前收益分布峰度（vs. 近5年）**：上证50偏离-2.05[25]，沪深300偏离-1.81[25]，中证500偏离-2.26[25]，中证1000偏离-1.26[25]，中证2000偏离-1.53[25]，中证全指偏离-1.88[25]，创业板指偏离-2.68[25]。 5. **当前风险溢价近5年分位值**：中证500为72.30%[31]，上证50为69.92%[31]，沪深300为65.63%[31]，中证全指为62.70%[31]，中证1000为59.21%[31]，创业板指为55.79%[31]，中证2000为44.05%[31]。 6. **PE-TTM近5年历史分位值**：中证500为97.69%[42]，中证全指为96.20%[42]，中证1000为95.70%[42]，沪深300为86.69%[42]，中证2000为86.53%[42]，上证50为84.13%[42]，创业板指为59.67%[42]。 7. **当前股息率近5年历史分位值**：创业板指为59.75%[51][53]，沪深300为36.03%[51][53]，中证1000为35.21%[51]，中证全指为33.72%[51]，上证50为30.91%[51]，中证500为15.62%[51][49]，中证2000为12.23%[51][49]。 8. **当前破净率**：上证50为22.0%[55]，沪深300为16.0%[55]，中证500为10.6%[55]，中证1000为8.0%[55]，中证全指为6.08%[55]，中证2000为3.2%[55]。

量化模型与构建方式 1. **模型名称**：中证机器人指数编制模型[22][23] **模型构建思路**：构建一个能够反映A股市场机器人产业链相关上市公司整体表现的指数[22] **模型具体构建过程**： * **样本空间**：同中证全指指数的样本空间[23] * **流动性筛选**：对样本空间内证券，按照过去一年日均成交金额由高到低排名，剔除排名后20%的证券[23] * **主题筛选**：对样本空间内剩余证券，选取为机器人生产提供软件和硬件的上市公司作为待选样本，包括但不限于：系统方案商、数字化车间与生产线系统集成商、自动化设备制造商、底层自动化零部件商以及其他与机器人相关的公司[23] * **选样**：从待选样本中选出所有机器人主题公司的证券，并按照过去一年日均总市值由高到低排名，选取排名前100的证券作为指数样本，不足100只时全部纳入[23] * **加权方式**：调整市值加权，且单个样本权重不超过10%[23] * **定期调整**：指数样本每半年调整一次，样本调整实施时间分别为每年6月和12月的第二个星期五的下一交易日[23] 2. **模型名称**：华夏中证机器人ETF跟踪复制模型[47][48][50] **模型构建思路**：采用完全复制策略及适当的替代性策略，以紧密跟踪中证机器人指数，追求跟踪偏离度和跟踪误差最小化[47][48][50] **模型具体构建过程**： * **投资目标**：紧密跟踪标的指数（中证机器人指数），力争日均跟踪偏离度的绝对值不超过0.2%，年跟踪误差不超过2%[48] * **核心策略**：主要采用完全复制法，即按照标的指数的成份股构成及其权重构建投资组合，并根据指数成份股及其权重的变动进行相应调整[50] * **辅助策略**：在特殊情况下（如法律法规限制、流动性不足等），可采用适当的替代性策略调整投资组合，以更好地实现跟踪目标[50] 模型的回测效果 1. **中证机器人指数编制模型**，年化收益率4.76%[41][42]，年化夏普比0.30[41][42]，年化波动率30.62%[42]，最大回撤67.24%[42] 2. **华夏中证机器人ETF跟踪复制模型**，全样本期年化超额收益0.65%[50][53]，全样本期年化跟踪误差0.36%[50][53]，全样本期超额信息比(IR)1.60[53] 量化因子与构建方式 1. **因子名称**：营收同比增长因子[18] **因子构建思路**：通过公司营业收入同比增长率来筛选机器人产业链中收入端保持较快增长的企业[18] **因子具体构建过程**：计算每只成分股在特定报告期（如2025年第三季度）的营业收入同比增长率。具体公式为： $$营收同比增长率 = \frac{本期营业收入 - 去年同期营业收入}{去年同期营业收入} \times 100\%$$ 报告中指出，2025年三季度，中证机器人指数成分股中有约2/3企业实现营收同比增长，28只成分股单季度营收同比增速超过20%[18] 2. **因子名称**：预期净利润增速因子[28] **因子构建思路**：使用市场一致预期的未来净利润增长率，作为评估指数未来盈利修复能力和成长性的前瞻性指标[28] **因子具体构建过程**：采用券商分析师对指数成分股未来净利润的预测值，汇总计算得到指数整体的预期净利润增速。报告中给出了中证机器人指数2025年、2026年的预期净利润增速分别为57.35%和31.56%[28] 3. **因子名称**：预期净资产收益率(ROE)因子[29] **因子构建思路**：通过预测未来的净资产收益率及其变化，评估指数的盈利质量和改善预期[29] **因子具体构建过程**：基于盈利预测数据，计算指数未来的净资产收益率(ROE)。报告中预计中证机器人指数2025年、2026年、2027年的ROE分别为8.23%、11.33%和11.34%，ROE分别增长2.38%、3.09%和1.34%[29] 因子的回测效果 *注：本报告未提供上述单个因子的独立回测绩效指标（如IC、IR、多空收益等），而是将这些因子作为分析指数基本面和投资价值的定性或定量依据。因此，此处无具体的因子回测效果数据。*

量化模型与构建方式 1. **模型名称**：产业链Agent[5] **模型构建思路**：利用大语言模型的生成与分析能力，结合RAG方法从海量文本知识库中检索信息，以挖掘并构建产业链图谱，并确保结果的合理性、时效性与专业性[5] **模型具体构建过程**：首先，构建一个由海量新闻、研报等文本构成的本地知识库。当需要梳理特定产业链时，利用RAG方法从该知识库中自动检索相关信息。随后，基于大语言模型对检索到的信息进行理解与推理，从中挖掘产业链上下游关系、关键节点等信息，最终生成结构化的产业链图谱并提供相关的概念股票池[5] 量化因子与构建方式 1. **因子名称**：领涨因子[2][8] **因子构建思路**：基于股票的量价数据构建，旨在捕捉在特定概念板块中表现领先、涨幅突出的股票特征[2][8] **因子具体构建过程**：报告未详细描述该因子的具体计算公式和构建步骤，仅提及它是基于量价数据构造的，并用于在“商业航天”概念股池中进行筛选[2][8] 2. **因子名称**：尖峰右偏因子[2][8] **因子构建思路**：基于股票的量价数据构建，旨在捕捉价格分布具有尖峰、右偏（即可能存在大幅上涨潜力）统计特征的股票[2][8] **因子具体构建过程**：报告未详细描述该因子的具体计算公式和构建步骤，仅提及它是基于量价数据构造的，并用于在“商业航天”概念股池中进行筛选[2][8] 3. **复合因子/增强组合构建**：商业航天概念增强组合[2][8] **构建思路**：在通过“产业链Agent”模型得到的“商业航天”概念股票池基础上，结合领涨因子和尖峰右偏因子进行综合筛选，以构建表现更优的投资组合[2][8] **具体构建过程**：首先，获取由模型生成的“商业航天”概念股票池[5][8]。然后，基于量价数据分别计算池中每只股票的领涨因子得分和尖峰右偏因子得分。最后，根据因子综合得分（报告未明确具体合成方式）筛选出排名前五的股票，构成最终的“商业航天”概念增强组合[2][8] 模型的回测效果 （报告中未提供“产业链Agent”模型的相关回测效果指标数据） 因子的回测效果 （报告中未提供“领涨因子”和“尖峰右偏因子”的独立测试结果指标数据） 增强组合的测试结果取值 1. **商业航天概念增强组合**，最终筛选出的股票为：信维通信、斯瑞新材、中国卫星、航天发展、航天电子[8]

量化模型与构建方式 **注：** 本报告为指数及ETF产品投资价值分析报告，未涉及量化选股模型或量化因子的构建与测试。报告核心内容为对现有指数（中证机器人指数）的编制方法介绍，以及对跟踪该指数的ETF产品（华夏中证机器人ETF）的业绩表现分析。因此，以下总结将围绕报告中出现的**指数编制模型**和**ETF业绩评估**展开。 1. 指数编制模型 * **模型名称**：中证机器人指数编制模型[22] * **模型构建思路**：选取为机器人生产提供软件和硬件的上市公司证券作为样本，以反映A股市场机器人相关证券的整体表现[22]。 * **模型具体构建过程**： 1. **确定样本空间**：与中证全指指数的样本空间相同[23]。 2. **流动性筛选**：对样本空间内证券，按照过去一年日均成交金额由高到低排名，剔除排名后20%的证券[23]。 3. **主题筛选**：对剩余证券，选取为机器人生产提供软件和硬件的上市公司作为待选样本，包括但不限于：系统方案商、数字化车间与生产线系统集成商、自动化设备制造商、底层自动化零部件商以及其他与机器人相关的公司[23]。 4. **选样**：从待选样本中选出所有机器人主题公司的证券，并按照过去一年日均总市值由高到低排名，选取排名前100的证券作为指数样本，不足100只时全部纳入[23]。 5. **加权方式**：采用调整市值加权，且单个样本权重不超过10%[23]。 6. **定期调整**：指数样本每半年调整一次，样本调整实施时间分别为每年6月和12月的第二个星期五的下一交易日[23]。 2. ETF业绩评估模型 * **模型名称**：ETF跟踪误差与超额收益评估模型 * **模型构建思路**：通过计算ETF净值相对于其标的指数表现的偏离度，评估其跟踪效果和主动管理能力（如有）[50][52]。 * **模型具体构建过程**： 1. **计算跟踪偏离度**：通常指基金净值增长率与标的指数增长率之间的差异。报告中使用“滚动季度日均跟踪偏离度”作为监控指标[50]。 2. **计算年化跟踪误差**：跟踪偏离度序列的标准差年化值，用于衡量基金净值围绕指数波动的稳定性。公式为： $$TE = \sqrt{\frac{252}{n} \sum_{t=1}^{n}(TD_t - \overline{TD})^2}$$ 其中，\(TE\) 为年化跟踪误差，\(n\)为计算周期内的交易日数量，\(TD_t\)为第\(t\)日的跟踪偏离度，\(\overline{TD}\)为计算周期内跟踪偏离度的均值[50][52]。 3. **计算超额收益**：基金净值增长率与标的指数增长率之差，用于衡量基金是否跑赢基准。报告中使用“年化超额收益”指标[50]。 4. **计算信息比率（IR）**：单位跟踪误差所带来的超额收益，用于衡量承担主动风险所带来的回报效率。公式为： $$IR = \frac{AR}{TE}$$ 其中，\(AR\)为年化超额收益，\(TE\)为年化跟踪误差[53]。 5. **计算相对最大回撤**：基金净值相对于标的指数净值的最大下跌幅度，用于衡量超额收益的稳定性[53]。 模型的回测效果 1. 中证机器人指数风险收益特征 * **回测区间**：2010年12月31日至2025年12月19日（基期以来）[41][42] * **年化收益率**：4.76%[41][42] * **年化夏普比率**：0.30[41][42] * **年化波动率**：30.62%[42] * **最大回撤**：67.24%[42] * **最大回撤期间**：2015年6月3日至2018年10月18日[42] 2. 华夏中证机器人ETF业绩表现 * **评估区间**：2023年6月28日（基金经理华龙接管）至2025年12月19日（全样本期）[50][53] * **年化跟踪误差**：0.36%[50][53] * **年化超额收益**：0.65%[50][53] * **超额信息比率（IR）**：1.60[53] * **相对最大回撤**：0.59%[53] * **滚动季度日均跟踪偏离度**：控制在0.02%以内[50] 分年度业绩表现[53]： * **2023年（2023/6/28-2023/12/29）**： * 基金收益：-14.66% * 基准收益：-15.22% * 超额收益：0.56% * 相对最大回撤：0.07% * 超额IR：4.41 * 跟踪误差：0.29% * **2024年（2024/1/1-2024/12/31）**： * 基金收益：5.03% * 基准收益：4.34% * 超额收益：0.69% * 相对最大回撤：0.39% * 超额IR：1.44 * 跟踪误差：0.42% * **2025年（2025/1/1-2025/12/19）**： * 基金收益：20.83% * 基准收益：20.60% * 超额收益：0.24% * 相对最大回撤：0.39% * 超额IR：0.55 * 跟踪误差：0.33%

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：绿色转型板块资金流向分析模型[31] **模型构建思路**：为追踪碳中和进程中的资金流向，将与绿色或转型相关的行业进行分类，并分析各类板块的资金净流入、净流入率及成交占比[31] **模型具体构建过程**： 1. 行业分类：基于各行业在碳减排链条中的功能定位，将A股市场划分为四个板块[31]： * **低碳核心板块**：涵盖电力设备、环保，以及公用事业和汽车行业的部分领域，直接贡献碳减排[33]。 * **低碳支撑板块**：包括计算机、通信、电子及机械设备的部分领域，为产业绿色转型提供数字化、自动化和智能化支撑[33]。 * **转型主体板块**：包括火电、煤炭、钢铁、有色金属、化工等多个领域，是碳减排的重点领域[33]。 * **其他板块**：除以上三类外的其余行业。 2. 指标计算：每周计算各板块的以下指标[32]： * **主力净流入额**：板块内所有个股主力资金净流入额之和。 * **主力净流入率**：主力净流入额 / 板块成交额。 * **成交额占比**：板块成交额 / 全市场成交额。 量化因子与构建方式 1. **因子名称**：ESG事件情绪因子[40] **因子构建思路**：通过统计全市场上市公司发布的ESG相关事件，并区分其正向、负向、中性属性，构建反映市场ESG整体情绪和结构的因子[40] **因子具体构建过程**： 1. 事件收集：统计全市场每周发生的所有ESG相关事件[40]。 2. 事件分类：将每个事件人工或通过自然语言处理技术判定为正向、负向或中性[40]。 3. 因子计算：每周计算以下指标[40]： * **ESG事件总数**：当周发生的所有ESG事件数量。 * **正向事件占比**：正向事件数量 / ESG事件总数。 * **负向事件占比**：负向事件数量 / ESG事件总数。 * **中性事件占比**：中性事件数量 / ESG事件总数。 2. **因子名称**：ESG事件维度分布因子[45] **因子构建思路**：将ESG事件按照环境（E）、社会（S）、治理（G）三个维度进行划分，统计各维度的事件数量，以观察市场关注点的结构[45] **因子具体构建过程**： 1. 事件维度标注：为每个ESG事件标注其所属的主要维度（E、S或G）[45]。 2. 因子计算：每周分别统计环境（E）、社会（S）、治理（G）三个维度的事件数量[45]。 3. **因子名称**：行业ESG声量因子[48] **因子构建思路**：统计各行业发生的ESG事件总数及正负向结构，以衡量各行业的ESG舆情热度及情绪倾向[48] **因子具体构建过程**： 1. 行业事件归集：将每个ESG事件归集到其对应的上市公司所属行业[48]。 2. 因子计算：每周为每个行业计算以下指标[48]： * **行业ESG事件总数**：该行业当周发生的ESG事件总数量。 * **行业正向事件占比**：该行业当周正向事件数量 / 该行业ESG事件总数。 * **行业负向事件占比**：该行业当周负向事件数量 / 该行业ESG事件总数。 模型的回测效果 1. **绿色转型板块资金流向分析模型**，本周主力净流入额：低碳核心板块144亿元，低碳支撑板块-282亿元，转型主体板块-79亿元，其他板块-533亿元[32] 2. **绿色转型板块资金流向分析模型**，本周主力净流入率：低碳核心板块1.12%，低碳支撑板块-0.91%，转型主体板块-0.49%，其他板块-1.42%[32] 3. **绿色转型板块资金流向分析模型**，本周成交额占比：低碳核心板块13.15%，低碳支撑板块31.88%，转型主体板块16.57%，其他板块38%[32] 因子的回测效果 1. **ESG事件情绪因子**，本周ESG事件总数：2151件[40] 2. **ESG事件情绪因子**，本周正向事件占比：46.6%[40] 3. **ESG事件情绪因子**，本周负向事件占比：42.3%[40] 4. **ESG事件情绪因子**，本周中性事件占比：11.1%[40] 5. **ESG事件维度分布因子**，本周环境（E）维度事件数：307件[45] 6. **ESG事件维度分布因子**，本周社会（S）维度事件数：68件[45] 7. **ESG事件维度分布因子**，本周治理（G）维度事件数：2112件[45] 8. **行业ESG声量因子**，本周汽车行业ESG事件总数：243件，正向占比约72.4%[48] 9. **行业ESG声量因子**，本周电力设备行业ESG事件总数：230件，正向占比约70.4%[48] 10. **行业ESG声量因子**，本周医药生物行业ESG事件总数：169件，正向占比32.5%[48]

量化模型与构建方式 1. **模型名称：量能择时模型**[23] * **模型构建思路**：通过分析市场成交量的变化来判断市场趋势和情绪，从而生成择时信号[23]。 * **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计算步骤，仅提及其为各宽基指数生成了看多或谨慎的观点信号[23]。 2. **模型名称：沪深300上涨家数占比择时模型**[24][29] * **模型构建思路**：通过计算指数成分股中近期上涨股票的数量占比来捕捉市场情绪变化，并利用不同窗口期的移动平均线交叉来产生交易信号[24][29]。 * **模型具体构建过程**： 1. 首先计算基础指标：沪深300指数N日上涨家数占比 = 沪深300指数成分股过去N日收益大于0的个股数占比[24]。 2. 对该基础指标进行两次不同窗口期的平滑（移动平均），得到慢线（窗口期N1）和快线（窗口期N2），其中N1 > N2[29]。报告中示例参数为N=230， N1=50， N2=35[29]。 3. 生成信号：当快线大于慢线时，看多市场；当快线小于慢线时，对市场持中性或谨慎态度[29]。 3. **模型名称：均线情绪指标择时模型**[33][34] * **模型构建思路**：通过判断当前价格与一组长期均线的相对位置关系，来评估市场的趋势强度和情绪状态[33]。 * **模型具体构建过程**： 1. 计算沪深300收盘价的八条均线，均线参数为8, 13, 21, 34, 55, 89, 144, 233[33]。 2. 计算当日沪深300指数收盘价大于这八条均线数值的数量[34]。 3. 生成信号：当当前价格大于均线值的数量超过5时，看多沪深300指数[34]。 4. **因子名称：横截面波动率**[37][40] * **因子构建思路**：衡量同一时间点（截面）上，同一指数内不同成分股收益率之间的离散程度，用于评估选股获取Alpha的难易环境[37]。 * **因子具体构建过程**：报告未给出具体的计算公式，但指出其用于跟踪沪深300、中证500和中证1000指数成分股的横截面波动情况[37][40]。 5. **因子名称：时间序列波动率**[41][43] * **因子构建思路**：衡量指数或个股收益率随时间变化的波动程度，用于评估市场整体的风险水平和Alpha环境[41]。 * **因子具体构建过程**：报告未给出具体的计算公式，但指出其计算了指数成分股加权的时间序列波动率，并用于跟踪沪深300、中证500和中证1000指数[41][43]。 6. **因子名称：基金抱团分离度**[83] * **因子构建思路**：通过计算抱团基金组合截面收益率的标准差，来度量基金持仓的趋同（抱团）或分化程度[83]。 * **因子具体构建过程**： 1. 构造一个抱团基金组合[83]。 2. 计算该组合内各基金在同一时期（截面）收益率的标准差，即为分离度指标[83]。 3. 分离度值小，说明抱团基金表现趋同，抱团程度高；分离度值大，表示抱团正在瓦解[83]。 模型的回测效果 1. **量能择时模型**，截至2025年12月26日，对上证指数、沪深300、中证500、中证1000、创业板指、北证50发出“看多”信号，对上证50发出“谨慎/空”信号[23]。 2. **沪深300上涨家数占比择时模型**，截至2025年12月26日，快线位于慢线之下，模型预计对未来一段时间维持谨慎态度[29]。 3. **均线情绪指标择时模型**，截至2025年12月26日，指标显示沪深300指数处于情绪景气区间[36]。 因子的回测效果 1. **横截面波动率因子**，近一季度平均值及其分位数如下[41]： * **沪深300横截面波动率**：近一季度平均值1.99%，占近两年分位62.73%，占近一年分位70.19%，占近半年分位65.63%[41]。 * **中证500横截面波动率**：近一季度平均值2.27%，占近两年分位53.97%，占近一年分位57.94%，占近半年分位55.56%[41]。 * **中证1000横截面波动率**：近一季度平均值2.42%，占近两年分位66.14%，占近一年分位66.93%，占近半年分位61.75%[41]。 * **近期表现**：最近一周，沪深300横截面波动下降，中证500横截面波动上升，中证1000横截面波动环比变化不大[37]。 2. **时间序列波动率因子**，近一季度平均值及其分位数如下[42]： * **沪深300时序波动率**：近一季度平均值0.64%，占近两年分位56.11%，占近一年分位63.15%，占近半年分位55.28%[42]。 * **中证500时序波动率**：近一季度平均值0.51%，占近两年分位59.52%，占近一年分位61.11%，占近半年分位57.94%[42]。 * **中证1000时序波动率**：近一季度平均值0.28%，占近两年分位65.34%，占近一年分位68.53%，占近半年分位61.35%[42]。 * **近期表现**：最近一周，沪深300、中证500和中证1000指数成分股时间序列波动率均下降[41]。 3. **基金抱团分离度因子**，截至2025年12月26日，基金抱团分离度环比上周小幅上升，最近一周抱团股和抱团基金超额收益上升[83]。

量化模型与构建方式 1. **模型名称：微盘股/茅指数轮动模型**[1][19][24] * **模型构建思路**：通过比较微盘股与茅指数的相对价值和动量趋势，构建一个风格轮动策略，以捕捉市场风格切换带来的收益[19][24]。 * **模型具体构建过程**： 1. **计算相对净值**：计算微盘股指数与茅指数的相对净值（微盘股/茅指数）[24]。 2. **计算移动平均线**：计算该相对净值的243日移动平均线（年均线）[24]。 3. **计算动量斜率**：分别计算微盘股指数和茅指数过去20日收盘价的斜率[19][24]。 4. **生成轮动信号**： * 当微盘股/茅指数相对净值 **高于** 其243日均线时，模型倾向于投资微盘股[24]。 * 当微盘股/茅指数相对净值 **低于** 其243日均线时，模型倾向于投资茅指数[24]。 * 结合动量信号进行优化：当微盘股与茅指数的20日斜率方向相反，且其中一方为正时，选择投资斜率为正的指数[24]。 2. **模型名称：微盘股择时风控模型**[19][24] * **模型构建思路**：通过监控宏观和市场波动率风险指标，对微盘股投资进行中期风险控制，在风险过高时发出平仓信号[19][24]。 * **模型具体构建过程**： 1. **选取风险指标**： * 十年期国债到期收益率同比（阈值：30%）[19][24]。 * 微盘股波动率拥挤度同比（阈值：55%）[19][24]。 2. **生成风控信号**：当 **任一** 风险指标触及其对应的阈值时，模型发出平仓信号[24]。 3. **模型名称：宏观择时模型**[44][45] * **模型构建思路**：基于经济增长和货币流动性两个宏观维度的信号，动态调整股票资产的配置仓位，以进行中期权益资产配置[44][45]。 * **模型具体构建过程**： 1. **信号维度**：模型主要从“经济增长”和“货币流动性”两个层面生成信号[44][45]。 2. **信号强度**：每个维度会输出一个信号强度百分比[44][45]。 3. **合成仓位**：综合两个维度的信号强度，最终合成一个股票仓位推荐比例[44][45]。 （注：报告未提供该模型具体的指标计算公式和合成规则，仅提及了结果和应用。） 模型的回测效果 1. **微盘股/茅指数轮动模型**：截至2025年12月28日，模型发出轮动至茅指数的信号，预期中期配置茅指数能有更高相对收益[1][19]。 2. **微盘股择时风控模型**：截至2025年12月28日，波动率拥挤度同比为-17.17%，十年期国债利率同比为7.32%，均未触及各自阈值，因此中期风控信号未触发[19][22]。 3. **宏观择时模型**：截至2025年11月30日，模型对12月份经济增长信号强度为50%，货币流动性信号强度为60%，合成的股票推荐仓位为55%[44][45]。该策略2025年年初至报告期的收益率为13.57%，同期Wind全A收益率为25.65%[44]。 量化因子与构建方式 1. **因子名称：一致预期因子** (↑)[48][59][61] * **因子构建思路**：基于分析师一致预期数据，捕捉市场对未来盈利能力和回报的共识变化[59][61]。 * **因子具体构建过程**：报告列出了该大类下的三个细分因子： * `EPS_FTTM_Chg3M`: 未来12个月一致预期EPS过去3个月的变化率[61]。 * `ROE_FTTM_Chg3M`: 未来12个月一致预期ROE过去3个月的变化率[61]。 * `TargetReturn_180D`: 一致预期目标价相对于目前股价的收益率[61]。 2. **因子名称：成长因子** (↑)[48][59][61] * **因子构建思路**：衡量公司业绩的增长速度和潜力[59][61]。 * **因子具体构建过程**：报告列出了该大类下的三个细分因子： * `NetIncome_SQ_Chg1Y`: 单季度净利润同比增速[59]。 * `OperatingIncome_SQ_Chg1Y`: 单季度营业利润同比增速[59]。 * `Revenues_SQ_Chg1Y`: 单季度营业收入同比增速[61]。 3. **因子名称：价值因子** (↑)[48][59][61] * **因子构建思路**：寻找市场价格低于其内在价值的股票，常用估值比率衡量[59][61]。 * **因子具体构建过程**：报告列出了该大类下的五个细分因子： * `BP_LR`: 最新年报账面净资产/最新市值[59]。 * `EP_FTTM`: 未来12个月一致预期净利润/最新市值[59]。 * `EP_FY0`: 当期年报一致预期净利润/最新市值[59]。 * `SP_TTM`: 过去12个月营业收入/最新市值[59]。 * `Sales2EV`: 过去12个月营业收入/企业价值[59]。 4. **因子名称：质量因子** (↑)[48][59][61] * **因子构建思路**：评估公司的盈利质量、财务稳健性和运营效率[59][61]。 * **因子具体构建过程**：报告列出了该大类下的四个细分因子： * `ROE_FTTM`: 未来12个月一致预期净利润/股东权益均值[61]。 * `OCF2CurrentDebt`: 过去12个月经营现金流净额/流动负债均值[61]。 * `GrossMargin_TTM`: 过去12个月毛利率[61]。 * `Revenues2Asset_TTM`: 过去12个月营业收入/总资产均值[61]。 5. **因子名称：技术因子** (↓)[48][59][61] * **因子构建思路**：基于价量数据，捕捉市场的交易行为、趋势和情绪[59][61]。 * **因子具体构建过程**：报告列出了该大类下的四个细分因子： * `Volume_Mean_20D_240D`: 20日成交量均值/240日成交量均值[61]。 * `Skewness_240D`: 240日收益率偏度[61]。 * `Volume_CV_20D`: 20日成交量标准差/20日成交量均值[61]。 * `Turnover_Mean_20D`: 20日换手率均值[61]。 6. **因子名称：波动率因子** (↓)[48][59][61] * **因子构建思路**：衡量股票价格波动风险，通常低波动股票具有超额收益[59][61]。 * **因子具体构建过程**：报告列出了该大类下的五个细分因子： * `Volatility_60D`: 60日收益率标准差[61]。 * `IV_CAPM`: CAPM模型残差波动率[61]。 * `IV_FF`: Fama-French三因子模型残差波动率[61]。 * `IV_Carhart`: Carhart四因子模型残差波动率[61]。 7. **因子名称：反转因子** (↓)[48][59][61] * **因子构建思路**：认为过去一段时间表现较差的股票在未来短期内可能反弹，而表现过好的股票可能回调[59][61]。 * **因子具体构建过程**：报告列出了该大类下的四个细分因子： * `Price_Chg20D`: 20日收益率[61]。 * `Price_Chg40D`: 40日收益率[61]。 * `Price_Chg60D`: 60日收益率[61]。 * `Price_Chg120D`: 120日收益率[61]。 8. **因子名称：市值因子** (↓)[48][59] * **因子构建思路**：捕捉小市值公司相对于大市值公司的超额收益效应（小盘股效应）[59]。 * **因子具体构建过程**： * `LN_MktCap`: 流通市值的对数[59]。 9. **因子名称：可转债正股一致预期因子**[58][59] * **因子构建思路**：从正股与可转债的相关关系出发，将预测正股的“一致预期”因子应用于可转债择券[58]。 * **因子具体构建过程**：未详细说明，但思路是将股票因子中的一致预期类因子（如`EPS_FTTM_Chg3M`等）应用于可转债对应的正股上[58]。 10. **因子名称：可转债正股成长因子**[58][59] * **因子构建思路**：从正股与可转债的相关关系出发，将预测正股的“成长”因子应用于可转债择券[58]。 * **因子具体构建过程**：未详细说明，但思路是将股票因子中的成长类因子（如`NetIncome_SQ_Chg1Y`等）应用于可转债对应的正股上[58]。 11. **因子名称：可转债正股财务质量因子**[58][59] * **因子构建思路**：从正股与可转债的相关关系出发，将预测正股的“质量”因子应用于可转债择券[58]。 * **因子具体构建过程**：未详细说明，但思路是将股票因子中的质量类因子（如`ROE_FTTM`等）应用于可转债对应的正股上[58]。 12. **因子名称：可转债正股价值因子**[58][59] * **因子构建思路**：从正股与可转债的相关关系出发，将预测正股的“价值”因子应用于可转债择券[58]。 * **因子具体构建过程**：未详细说明，但思路是将股票因子中的价值类因子（如`BP_LR`等）应用于可转债对应的正股上[58]。 13. **因子名称：可转债估值因子**[58][59] * **因子构建思路**：直接从可转债自身的估值指标出发构建择券因子[58]。 * **因子具体构建过程**：选取了“平价底价溢价率”作为估值因子[58]。（注：报告未给出该因子的具体计算公式。） 因子的回测效果 （以下数据均来自报告中的“上周”和“今年以来”两个时间窗口，在“全部A股”股票池中的表现[49]） 1. **一致预期因子**： * 上周IC均值：7.67%[49] * 今年以来IC均值：2.04%[49] * 上周多空收益：1.07%[49] * 今年以来多空收益：15.95%[49] 2. **市值因子**： * 上周IC均值：-19.22%[49] * 今年以来IC均值：3.34%[49] * 上周多空收益：-2.68%[49] * 今年以来多空收益：11.51%[49] 3. **成长因子**： * 上周IC均值：8.12%[49] * 今年以来IC均值：1.51%[49] * 上周多空收益：1.51%[49] * 今年以来多空收益：20.54%[49] 4. **反转因子**： * 上周IC均值：-8.54%[49] * 今年以来IC均值：6.53%[49] * 上周多空收益：-3.06%[49] * 今年以来多空收益：11.04%[49] 5. **质量因子**： * 上周IC均值：-5.17%[49] * 今年以来IC均值：0.41%[49] * 上周多空收益：-0.68%[49] * 今年以来多空收益：3.63%[49] 6. **技术因子**： * 上周IC均值：-5.57%[49] * 今年以来IC均值：8.64%[49] * 上周多空收益：-1.79%[49] * 今年以来多空收益：39.42%[49] 7. **价值因子**： * 上周IC均值：-8.99%[49] * 今年以来IC均值：3.97%[49] * 上周多空收益：-1.98%[49] * 今年以来多空收益：-2.96%[49] 8. **波动率因子**： * 上周IC均值：-20.39%[49] * 今年以来IC均值：8.57%[49] * 上周多空收益：-3.12%[49] * 今年以来多空收益：26.59%[49]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：基于缠论（缠中说禅）的周线级别走势结构分析模型[9][11] * **模型构建思路**：该模型基于缠论技术分析方法，将市场走势分解为不同级别的“走势类型”（如主升/跌、中枢震荡），并通过识别这些结构来预判未来走势[9]。 * **模型具体构建过程**： 1. **级别定义**：首先定义分析的时间级别，报告主要关注“周线级别”的走势结构[9]。 2. **走势分解**：对创业板指自2012年低点以来的历史周线走势进行分解，识别出“主升/跌”段和“中枢震荡”段[9][11]。中枢震荡被定义为一段多空力量相对平衡的横盘整理区间。 3. **结构识别与推演**：识别当前市场所处的结构阶段。报告指出，创业板指于2025年10月后进入了“本轮周线级别上涨的中枢震荡阶段”[9][25]。根据模型，一个完整的上涨趋势通常包含“上涨-中枢震荡-上涨”的结构，因此推断待当前中枢震荡阶段结束后，“仍会有一笔主升冲顶”[9][25]。 4. **短期判断**：在日线级别上，模型判断创业板指已接近周线中枢的上沿，并估计本次上涨可能突破上沿形成高点，但之后仍会跌回中枢内部[13]。 模型的回测效果 *本报告未提供基于缠论模型的量化回测指标结果（如年化收益率、夏普比率、最大回撤等）。* 量化因子与构建方式 *本报告未涉及具体的量化因子（如价值、动量、质量等）的构建与测试。报告中的“风格”和“强势品种”分析主要基于行业板块的历史涨跌幅排序和定性判断，并非通过构建标准化因子进行选股。* 因子的回测效果 *本报告未提供任何量化因子的回测效果指标。*

量化模型与构建方式 1. **模型名称：A股波段择时模型**[1][29] * **模型构建思路：** 用于判断A股市场中期走势，生成仓位建议，以捕捉波段行情。 * **模型具体构建过程：** 报告未详细描述该模型的构建过程和具体公式。 2. **模型名称：A股短线择时模型**[1][29] * **模型构建思路：** 用于判断A股市场短期走势，对主要宽基指数和板块进行择时，生成交易信号。 * **模型具体构建过程：** 报告未详细描述该模型的构建过程和具体公式。 3. **模型名称：A股小微盘择时策略**[10][18] * **模型构建思路：** 用于在小微盘风格（如创业板指）与大盘风格之间进行轮动择时。 * **模型具体构建过程：** 报告未详细描述该模型的构建过程和具体公式。 4. **模型名称：A股红利成长择时策略**[10][21] * **模型构建思路：** 用于在红利风格（如中证红利）与成长风格之间进行轮动择时。 * **模型具体构建过程：** 报告未详细描述该模型的构建过程和具体公式。该策略在特定时期（如一月）会给出明确的风格偏向建议，例如“看多成长”[29]。 5. **模型名称：美股择时模型**[1][10] * **模型构建思路：** 用于判断美股市场走势，可能生成多空或杠杆交易信号。 * **模型具体构建过程：** 报告未详细描述该模型的构建过程和具体公式。模型信号包括“2倍开多信号”、“做空（空仓）信号”和“持仓（反弹）信号”[25]。 6. **模型名称：黄金择时策略**[10][22] * **模型构建思路：** 用于判断黄金资产的交易时机。 * **模型具体构建过程：** 报告未详细描述该模型的构建过程和具体公式。 7. **模型名称：ETF组合策略-偏股型**[10][24] * **模型构建思路：** 构建以股票型ETF为主的资产组合策略。 * **模型具体构建过程：** 报告未详细描述该模型的构建过程和具体公式。 8. **模型名称：ETF组合策略-偏债型**[10][26] * **模型构建思路：** 构建以债券型ETF为主的资产组合策略。 * **模型具体构建过程：** 报告未详细描述该模型的构建过程和具体公式。 模型的回测效果 1. **A股红利成长择时策略**[19] * **累计收益：** 377.37% * **年化收益：** 17.54% * **最大回撤：** 27.08% * **年化波动率：** 22.95% * **年化Sharpe：** 0.76 * **Calmar：** 0.65 2. **基准：等权配置（红利与成长）**[19] * **累计收益：** 60.61% * **年化收益：** 5.02% * **最大回撤：** 35.22% * **年化波动率：** 20.69% * **年化Sharpe：** 0.24 * **Calmar：** 0.14 量化因子与构建方式 *（报告未提及具体的量化因子构建内容）* 因子的回测效果 *（报告未提及具体的量化因子测试结果）*