量化模型与因子总结 根据所提供的融资融券月报，报告内容主要为市场数据统计与描述，并未涉及用于预测或选股的量化模型（如多因子模型、机器学习模型等）或传统意义上的量化因子（如价值、动量、质量因子）的构建与测试[1][2][4][8][57][58]。 报告的核心是展示融资融券业务的市场特征指标。这些指标可以被视为描述市场状态或投资者情绪的“特征”或“指标”，但并非用于构建投资组合的预测性因子或模型。以下是报告中出现的相关指标及其计算方式的总结： 量化指标与构建方式 1. **指标名称**：融资买入额占成交额比例[31][38] * **构建思路**：衡量融资买入交易的活跃度，反映投资者使用杠杆资金进行买入的意愿强度[38]。 * **具体构建过程**：计算特定范围（如行业、个股）内，融资买入金额与总成交金额的比值。 $$融资买入额占成交额比例 = \frac{融资买入额}{成交额} \times 100\%$$ 公式中，融资买入额为通过融资方式买入股票的金额，成交额为对应股票或板块的总成交金额[38][39]。 2. **指标名称**：融资余额占流通市值比例[38] * **构建思路**：衡量杠杆资金在流通盘中的占比，反映市场的整体杠杆水平或特定板块的融资盘压力[38]。 * **具体构建过程**：计算特定范围（如行业、指数）内，融资余额与流通市值的比值。 $$融资余额占流通市值比例 = \frac{融资余额}{流通市值} \times 100\%$$ 公式中，融资余额为未偿还的融资负债金额，流通市值为对应股票或板块的流通市值[38][39]。 3. **指标名称**：融券卖出额占成交额比例[42] * **构建思路**：衡量融券卖出交易的活跃度，反映投资者进行卖空操作的意愿强度[42]。 * **具体构建过程**：计算特定范围（如行业）内，融券卖出金额与总成交金额的比值。 $$融券卖出额占成交额比例 = \frac{融券卖出额}{成交额} \times 100\%$$ 公式中，融券卖出额为通过融券方式卖出股票的金额[42][43]。 4. **指标名称**：融券余额占流通市值比例[42] * **构建思路**：衡量卖空头寸在流通盘中的占比，反映市场的卖空压力或看空情绪[42]。 * **具体构建过程**：计算特定范围（如行业）内，融券余额与流通市值的比值。 $$融券余额占流通市值比例 = \frac{融券余额}{流通市值} \times 100\%$$ 公式中，融券余额为未偿还的融券负债金额[42][43]。 5. **指标名称**：融资净买入额[32][34] * **构建思路**：反映一段时间内融资资金的净流入情况，净买入额为正值表示融资资金净流入，为负值表示净流出[32]。 * **具体构建过程**：计算特定范围（如行业、个股）内，融资买入额与融资偿还额的差额。 $$融资净买入额 = 融资买入额 - 融资偿还额$$ 公式中，融资买入额为期间融资买入的总金额，融资偿还额为期间偿还融资负债的总金额[32][52][54]。 6. **指标名称**：融券净卖出额[35][36] * **构建思路**：反映一段时间内融券业务的净卖出情况，净卖出额为正值表示融券卖出力量较强，为负值表示偿还力量较强[35]。 * **具体构建过程**：计算特定范围（如行业、个股）内，融券卖出额与融券偿还额（买券还券）的差额。报告中的“融券净卖出额”通常指此差额为正值的情况[35]。 $$融券净卖出额 = 融券卖出额 - 融券偿还额$$ 公式中，融券卖出额为期间融券卖出的总金额，融券偿还额为期间买入证券归还融券负债的总金额[35][56]。 指标的具体取值（2024年3月） 以下为报告中所列2024年3月部分指标在行业层面的具体取值示例： 1. **融资买入额占成交额比例**：[39] * 非银金融行业：11.12% * 通信行业：10.25% * 电子行业：9.60% * 纺织服饰行业：3.82% * 轻工制造行业：4.09% 2. **融资余额占流通市值比例**：[39] * 计算机行业：4.49% * 非银金融行业：3.59% * 传媒行业：3.55% * 石油石化行业：0.67% * 银行行业：0.77% 3. **融券卖出额占成交额比例**：[43] * 食品饮料行业：0.10% * 银行行业：0.08% * 煤炭行业：0.07% * 轻工制造行业：0.01% * 社会服务行业：0.02% 4. **融券余额占流通市值比例**：[43] * 传媒行业：0.02% * 家用电器行业：0.02% * 国防军工行业：0.02% * 银行行业：0.00% * 石油石化行业：0.00% 5. **行业融资净买入额（示例）**：[32] * 基础化工行业：净买入额较多 * 石油石化行业：净买入额较多 * 计算机行业：净买入额较少 * 电子行业：净买入额较少 6. **行业融券净卖出额（示例）**：[35] * 电力设备行业：净卖出额较多 * 电子行业：净卖出额较多 * 综合行业：净卖出额较少 * 食品饮料行业：净卖出额较少 **注**：本报告为市场数据统计月报，未对上述指标进行历史回测以评估其预测能力（如IC、IR、多空收益等），也未构建基于这些指标的量化策略[1][57][58]。报告内容主要服务于描述市场现状与结构特征。

量化模型与构建方式 1. **模型名称：时间序列PB-ROE模型[1][8]** * **模型构建思路：** 基于Wilcox & Philips(2005)的时间序列PB-ROE模型，用于分析指数的时间序列回报。该模型旨在通过基本面变量（ROE、实际利率、通胀）解释市场估值（PB），其回归残差代表了市场实际估值相对于基本面合理估值的偏离，即估值情绪部分[8][14][15]。 * **模型具体构建过程：** 1. 模型设定：使用对数市净率（Ln(P/B)）作为被解释变量，以净资产收益率（ROE）、实际利率（RealInterest）和通货膨胀率（Inflation）作为解释变量，构建线性回归模型[8][15]。 2. 模型公式： $$Ln(P/B)=a+b\cdot ROE+C\cdot RealInterest+d\cdot Inflation$$[8][15] 其中，`a`为截距项，`b`、`c`、`d`分别为对应变量的回归系数。 3. 计算残差：使用历史数据（报告中为A股市场周度数据）对上述模型进行回归，得到拟合的合理估值。将实际观测到的`Ln(P/B)`值减去模型拟合值，所得残差即为“PB-ROE估值偏离度”[1][8][15]。 4. 信号定义：根据估值偏离度的历史均值（`μ`）和标准差（`σ`）设定仓位信号阈值[2][10]。 * 当 `偏离度 > μ + 1σ` 时，为高仓位信号。 * 当 `μ < 偏离度 < μ + 1σ` 时，为低仓位信号。 * 当 `μ - 1σ < 偏离度 < μ` 时，为中等仓位信号。 * 当 `偏离度 < μ - 1σ` 时，为中高仓位信号[19]。 2. **模型名称：横截面PB-ROE模型[14]** * **模型构建思路：** 基于Wilcox (1984)的横截面模型，在公司无分红和干净盈余假设前提下，认为对数市净率（Ln(P/B)）与净资产收益率（ROE）之间存在线性关系，用于横截面（跨公司）的比较[14]。 * **模型具体构建过程：** 1. 模型假设：公司无分红，且满足干净盈余假设（即除与所有者交易外，所有者权益的所有变动均计入利润）[14]。 2. 模型公式： $$Ln(P/B)=-k\cdot T+T\cdot ROE$$[14] 其中，`T`代表公司保持异常利润的时间窗口，`k`代表股东要求回报率[14]。 模型的回测效果 1. 时间序列PB-ROE模型（估值偏离度），与未来第1周指数涨幅正相关，且具有统计显著性[9][15]。 2. 时间序列PB-ROE模型（估值偏离度），按偏离度升序分为4组，其中估值偏离度最高的组未来涨幅显著最高[18]。 3. 基于时间序列PB-ROE模型构建的仓位择时策略，历史回测显示能够有效降低回撤、提高收益[19]。 量化因子与构建方式 1. **因子名称：PB-ROE估值偏离度[1][8]** * **因子的构建思路：** 该因子是时间序列PB-ROE模型的回归残差，代表了市场整体估值中无法被基本面（ROE、利率、通胀）解释的部分，即市场情绪或估值偏离度[1][8][15]。 * **因子具体构建过程：** 1. 采用时间序列PB-ROE模型：$$Ln(P/B)=a+b\cdot ROE+C\cdot RealInterest+d\cdot Inflation$$[8][15]。 2. 使用历史数据对模型进行回归，得到每个时间点（报告中为每周）的回归残差。 3. 该残差即为PB-ROE估值偏离度因子值。计算公式为：`估值偏离度 = 实际 Ln(P/B) - 模型预测的 Ln(P/B)`[1][8]。 * **因子评价：** 当偏离度大于0时，表明实际估值高于基本面合理值，市场情绪高涨；小于0时，表明实际估值低于基本面合理值，市场情绪低迷[1][9][15]。该因子与未来短期市场收益存在正相关性，但关系非线性，在极高和极低值时均可能预示投资机会[18]。 因子的回测效果 1. PB-ROE估值偏离度因子，截至2026年4月3日，取值为0.0807[3][11]。 2. PB-ROE估值偏离度因子，截至2026年4月3日，其标准差倍数（即（当前值-历史均值）/历史标准差）为-0.2549[3][11]。

量化模型与构建方式 1. **模型名称：四轮驱动行业轮动模型** [14] **模型构建思路：** 通过综合多种技术信号对行业进行排序，以捕捉行业轮动机会[14] **模型具体构建过程：** 1. 对每个行业，监测多种预设的技术信号，例如“赚钱效应异动”、“牛回头”、“弱势行业反转”、“弱势行业反弹”、“低值金叉”、“任位金叉”等[14]。 2. 记录每个行业最近一次出现上述信号的日期（最新信号日期）以及该信号首次出现的日期（近期最早信号日期）[14]。 3. 根据“组合日期”当天各行业的技术信号状态，对所有行业进行综合排序，生成“行业排序”列表[14]。 4. 模型输出结果为按“行业排序”从高到低排列的行业列表，并附上对应的信号类型、是否拥挤（0代表否）以及过去1年的夏普比率排序等辅助信息[14]。 量化因子与构建方式 1. **因子名称：赚钱效应异动（潜在机会）因子** [14] **因子构建思路：** 识别行业可能出现的赚钱效应变化迹象，作为潜在机会的信号[14]。 **因子具体构建过程：** 报告中未详细说明该因子的具体计算规则，仅将其作为“四轮驱动”模型所使用的一个定性信号类型[14]。 2. **因子名称：牛回头（潜在机会）因子** [14] **因子构建思路：** 捕捉强势行业在短暂回调后可能再次启动的机会[14]。 **因子具体构建过程：** 报告中未详细说明该因子的具体计算规则，仅将其作为“四轮驱动”模型所使用的一个定性信号类型[14]。 3. **因子名称：弱势行业反转（潜在机会）因子** [14] **因子构建思路：** 识别长期弱势行业可能出现的趋势反转迹象[14]。 **因子具体构建过程：** 报告中未详细说明该因子的具体计算规则，仅将其作为“四轮驱动”模型所使用的一个定性信号类型[14]。 4. **因子名称：弱势行业反弹（潜在机会）因子** [14] **因子构建思路：** 识别弱势行业可能出现的短期反弹机会[14]。 **因子具体构建过程：** 报告中未详细说明该因子的具体计算规则，仅将其作为“四轮驱动”模型所使用的一个定性信号类型[14]。 5. **因子名称：低值金叉（潜在机会）因子** [14] **因子构建思路：** 基于技术指标（如均线）在低位的黄金交叉现象，寻找买入机会[14]。 **因子具体构建过程：** 报告中未详细说明该因子的具体计算规则，仅将其作为“四轮驱动”模型所使用的一个定性信号类型[14]。 6. **因子名称：任位金叉（潜在机会）因子** [14] **因子构建思路：** 基于技术指标在特定位置（任位）的黄金交叉现象，寻找买入机会[14]。 **因子具体构建过程：** 报告中未详细说明该因子的具体计算规则，仅将其作为“四轮驱动”模型所使用的一个定性信号类型[14]。 模型的回测效果 （报告中未提供“四轮驱动行业轮动模型”的具体量化回测绩效指标，如年化收益率、夏普比率、最大回撤等。） 因子的回测效果 （报告中未提供各技术信号因子的具体量化回测绩效指标，如IC、IR、多空收益等。报告中“过去1年Sharpe排序”是行业自身的绩效指标，并非因子测试结果。）[14]

量化主题研报内容总结 量化模型与构建方式 根据提供的报告内容，未发现明确命名的量化模型或具体的量化因子构建方法、公式及详细构建过程[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18]。报告主要围绕市场观点、宏观分析和资产配置建议展开，提及了基于经验的测算和判断，但未详细阐述用于生成这些结论的底层量化模型或因子[5][7][9][10][12][13]。 模型的回测效果 报告中未提供任何量化模型的回测效果指标数据，如年化收益率、夏普比率、最大回撤、信息比率(IR)等[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18]。 量化因子与构建方式 报告中未定义或描述任何具体的量化因子（如价值因子、动量因子等）及其构建思路、过程和公式[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18]。 因子的回测效果 报告中未提供任何量化因子的回测效果指标数据，如因子收益率、IC值、IR等[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18]。

量化模型与构建方式 1. **模型名称：三维择时框架**[8][12] * **模型构建思路**：通过构建市场分歧度、流动性、景气度三个维度的指标，综合判断市场整体趋势，进行择时判断[8][11]。 * **模型具体构建过程**：报告未详细描述三个具体指标的构建公式，但明确了其构成和判断逻辑。模型通过监测这三个指标的变化趋势（上行或下行）来形成综合判断。例如，当前流动性下行、分歧度上行、景气度下行，则框架判断市场为“震荡下跌”[8][11]。 2. **模型名称：ETF热点趋势策略**[29] * **模型构建思路**：结合价格形态、技术指标和市场关注度（换手率）来筛选短期内具有上涨趋势和资金关注度的ETF，构建投资组合[29]。 * **模型具体构建过程**： 1. **形态筛选**：首先筛选出K线最高价与最低价同时呈现上涨形态的ETF[29]。 2. **构建支撑阻力因子**：根据最高价与最低价近20日回归系数的相对陡峭程度，构建一个支撑阻力因子[29]。 3. **关注度筛选**：在支撑阻力因子的多头组中，选择近5日换手率与近20日换手率比值最高的10只ETF，即短期市场关注度明显提升的标的[29]。 4. **组合构建**：对上述筛选出的10只ETF采用风险平价方法构建最终投资组合[29]。 3. **模型名称：融资-主动大单资金流共振策略**[35] * **模型构建思路**：结合融资融券资金流和主动大单资金流两种资金流向，寻找两种资金流产生共振（同时看好）的行业进行配置，以提高策略的稳定性[35]。 * **模型具体构建过程**： 1. **构建融资融券资金因子**：计算行业融资净买入与融券净卖出之差（代表两融资金流），然后使用Barra市值因子进行中性化处理。对中性化后的序列取最近50日均值，并计算其两周环比变化率[35]。 2. **构建主动大单资金因子**：计算行业主动大单净流入，并使用该行业最近一年的成交量进行时序中性化处理。对处理后的序列进行排序，并取最近10日均值[35]。 3. **信号合成**：研究发现融资融券因子的多头端在某些市场状态下有稳定的负向超额收益，而主动大单因子（剔除极端多头行业后）有稳定正向超额收益。因此，策略在主动大单因子的头部打分行业内，剔除融资融券因子也处于头部的行业[35]。 4. **行业剔除**：进一步剔除大金融板块[35]。 4. **模型名称：全天候配置策略（高波版/低波版）**[42][46][48][52] * **模型构建思路**：通过资产选择、风险调整和结构对冲三项原则，构建一个不依赖宏观预测、追求长期收益平衡和风险分散的稳健绝对收益组合[42]。 * **模型具体构建过程**：报告未给出具体资产配置权重的计算公式，但阐述了核心构建哲学和具体实现版本。 1. **核心原则**：遵循资产选择、风险调整、结构对冲三项基本原则进行平衡配置，以熨平波动率[42]。 2. **对冲构型**：采用循环对冲设计对冲构型，绕过宏观因素刻画，直击资产波动进行长期收益平衡[42]。 3. **版本区分**：按风险水平分为高波版和低波版两种组合[42]。 * **高波版**：采用“四层结构化-股债金风险平价”构型[46][47]。 * **低波版**：采用“五层结构化-风险预算”构型[48][52]。 模型的回测效果 1. **三维择时框架**：报告未提供具体的量化回测指标，仅给出定性判断：当前保持“震荡下跌”判断[8]。 2. **ETF热点趋势策略**：2025年以来收益率为53.22%，相比沪深300指数的超额收益为36.99%[29]。 3. **融资-主动大单资金流共振策略**： * 2018年以来费后年化超额收益：12.6%[35] * 信息比率（IR）：1.2[35] * 上周（报告期）绝对收益：-2.41%[35] * 上周（报告期）超额收益（相对行业等权）：-0.02%[35] 4. **全天候配置策略**： * **高波版**（截至2025年）： * 年化收益率：11.8%[52] * 年平均最大回撤：3.6%[52] * 夏普比率：1.9[52] * 2026年以来收益率：2.2%[52] * **低波版**（截至2025年）： * 年化收益率：6.7%[52] * 年平均最大回撤：2.0%[52] * 夏普比率：2.4[52] * 2026年以来收益率：1.4%[52] 量化因子与构建方式 1. **因子名称：风格因子（市值、贝塔、成长）**[55] * **因子构建思路**：报告未详细描述构建过程，但将其作为描述市场风格特征的分析维度。本周市场呈现“高市值高贝塔高成长”特征[55]。 * **因子具体构建过程**：未提供。 2. **因子名称：行业融资融券资金因子**[35] * **因子构建思路**：衡量行业层面融资客的资金流向变化[35]。 * **因子具体构建过程**： 1. 计算行业融资净买入与融券净卖出之差（个股加总）。 2. 使用Barra市值因子对该差值进行中性化处理。 3. 对中性化后的序列计算最近50日的均值。 4. 计算该50日均值的两周环比变化率作为最终因子值[35]。 3. **因子名称：行业主动大单资金因子**[35] * **因子构建思路**：衡量行业层面主动大单资金的净流入强度，并考虑其历史成交活跃度[35]。 * **因子具体构建过程**： 1. 计算行业主动大单净流入。 2. 使用该行业最近一年的成交量进行时序中性化处理。 3. 对处理后的序列进行排序。 4. 取排序后序列的最近10日均值作为最终因子值[35]。 4. **因子名称：近21交易日平均换手率的自然对数**[58][60] * **因子构建思路**：使用换手率的对数形式来度量股票的流动性或交易活跃度，可能用于捕捉流动性溢价或反转效应[58]。 * **因子具体构建过程**：报告未提供详细公式，但根据名称可推断为：$$factor = ln(mean(turnover, 21))$$ 其中，`mean(turnover, 21)` 为近21交易日的平均换手率。 5. **因子名称：近21交易日平均换手率**[58][60] * **因子构建思路**：直接使用换手率均值度量股票的交易活跃度[58]。 * **因子具体构建过程**：$$factor = mean(turnover, 21)$$ 6. **因子名称：单季度ROA**[58][60] * **因子构建思路**：衡量公司单季度的资产盈利能力[58]。 * **因子具体构建过程**：报告未提供详细公式，通常为：$$ROA_q = \frac{单季度净利润}{单季度平均总资产}$$ 7. **因子名称：十二个月残差动量 (specific mom12)**[62] * **因子构建思路**：剥离市场风险后的纯Alpha动量，衡量股票自身特质收益的延续性[62]。 * **因子具体构建过程**：报告未提供详细公式，通常通过回归剥离市场收益后，计算过去12个月的特质收益累积。 8. **因子名称：评级上下调差/评级上下调和 (est num diff)**[62] * **因子构建思路**：通过分析师评级上调与下调的家数差异，标准化后反映市场一致预期情绪的变化[62]。 * **因子具体构建过程**：$$factor = \frac{评级上调家数 - 评级下调家数}{评级上调家数 + 评级下调家数}$$ 9. **因子名称：近一个月一致预测净利润变化（FY1）占比 (mom1 np fy1)**[62] * **因子构建思路**：衡量未来一年（FY1）一致预测净利润在过去一个月内的相对变化幅度，反映预期修正强度[62]。 * **因子具体构建过程**：$$factor = \frac{当前一致预测NP_{FY1} - 1个月前一致预测NP_{FY1}}{|1个月前一致预测NP_{FY1}|}$$ 10. **因子名称：近三个月一致预测营业收入预期变化占比（FY1） (mom3 rev fy1)**[62] * **因子构建思路**：衡量未来一年（FY1）一致预测营业收入在过去三个月内的相对变化幅度[62]。 * **因子具体构建过程**：$$factor = \frac{当前一致预测Rev_{FY1} - 3个月前一致预测Rev_{FY1}}{|3个月前一致预测Rev_{FY1}|}$$ 因子的回测效果 （注：报告中Alpha因子的测试均基于流通市值加权，除规模因子外均进行了市值、行业中性化处理，规模因子进行行业中性化处理[57]。因子表现以多头组（前1/5）超额收益衡量。） 1. **风格因子（本周收益）**： * 市值因子：1.90%[55] * 贝塔因子：1.78%[55] * 成长因子：0.95%[55] 2. **分时间维度因子（近一周多头超额收益）**： * 近21交易日平均换手率的自然对数：1.24%[58][60] * 近21交易日平均换手率：1.24%[58][60] * 单季度ROA：1.22%[58][60] 3. **分指数因子（最近一年多头超额收益）**： * **沪深300中表现最佳**：十二个月残差动量 (specific mom12)，超额收益35.57%[62] * **中证500中表现最佳**：近一个月一致预测净利润变化（FY1）占比 (mom1 np fy1)，超额收益18.15%[62] * **中证800中表现最佳**：近三个月一致预测净利润预期变化占比（FY1） (mom3 np fy1)，超额收益25.71%[62] * **中证1000中表现最佳**：近三个月一致预测营业收入预期变化占比（FY1） (mom3 rev fy1)，超额收益20.01%[62]

量化模型与构建方式 1. 模型名称：市场环境择时体系（均线距离模型）[2][6] 模型构建思路：通过计算Wind全A指数的短期均线与长期均线的距离差，来划分市场的整体环境（如上涨、下跌、震荡）[2][6] 模型具体构建过程：首先，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）。然后，计算两条均线之间的距离差（以百分比表示）。根据距离差的绝对值大小来定义市场状态，例如，报告指出距离绝对值低于3%时，市场进入典型的震荡格局[2][6]。公式为： $$市场状态信号 = \frac{短期均线(20日) - 长期均线(120日)}{长期均线(120日)} \times 100\%$$ 其中，公式结果代表短期均线相对于长期均线的偏离百分比，其绝对值用于判断市场格局。 2. 模型名称：成交量阈值模型[2][5][7] 模型构建思路：通过监测市场整体成交量是否萎缩至一个特定的临界值（阈值）来判断市场是否接近“地量”水平，从而为短期交易提供信号[2][5][7] 模型具体构建过程：模型设定一个成交量的目标阈值（例如1.7万亿元）。当市场成交量（报告中指Wind全A的成交量）萎缩至该阈值之下时，模型发出市场可能即将迎来反弹或已接近调整底部的信号。报告中提到，在北向资金缺席的情况下，成交量缩量至1.67万亿，达到了模型的临界值[2][7]。 3. 模型名称：仓位管理模型[2][7] 模型构建思路：结合市场的估值水平和短期趋势判断，为绝对收益产品提供股票仓位的配置建议[2][7] 模型具体构建过程：首先，评估市场估值水平（如PE、PB的历史分位数）。然后，结合其他择时信号（如上述均线距离模型和成交量模型对短期趋势的判断），综合得出一个建议的股票仓位比例。报告示例中，Wind全A的PE位于80分位点（中等偏高水平），PB位于50分位点（较低水平），结合市场处于震荡格局的判断，模型给出的建议仓位为60%[2][7]。 4. 模型名称：中期行业配置模型（业绩趋势模型）[2][5][7] 模型构建思路：基于业绩趋势来筛选未来一段时间内值得重点关注的行业或产业链[2][5][7] 模型具体构建过程：报告未详细描述该模型的具体因子和计算过程，仅提及了其输出结果。该模型会提示业绩趋势向好的行业方向，例如报告指出模型提示重点关注电池、算力相关产业链以及周期板块[2][5][7]。 模型的回测效果 1. 市场环境择时体系（均线距离模型），最新均线距离差值0.71%[2][6] 2. 成交量阈值模型，最新成交量阈值参考值1.7万亿元，当前观测值1.67万亿元[2][7] 3. 仓位管理模型，当前建议仓位60%[2][7] 量化因子与构建方式 1. 因子名称：估值因子（PE分位数）[2][7][8] 因子构建思路：使用市盈率（PE）的历史分位数来衡量市场当前的估值水平高低[2][7][8] 因子具体构建过程：计算Wind全A指数当前的市盈率（PE）。在历史时间序列（例如报告提及数据自2014年10月17日至2026年4月3日）中，计算当前PE值所处的百分位位置（分位数）。分位数越高，代表当前估值相对于自身历史水平越高[7][9]。 2. 因子名称：估值因子（PB分位数）[2][7][10] 因子构建思路：使用市净率（PB）的历史分位数作为另一项衡量市场估值水平的指标[2][7][10] 因子具体构建过程：计算Wind全A指数当前的市净率（PB）。在历史时间序列中，计算当前PB值所处的百分位位置（分位数）。分位数越高，代表当前估值相对于自身历史水平越高[7][11]。 因子的回测效果 1. 估值因子（PE分位数），当前取值位于约80分位点[2][7] 2. 估值因子（PB分位数），当前取值位于50分位点[2][7]

量化模型与构建方式 1. **模型名称：A股景气指数模型**[41] * **模型构建思路**：以上证指数归母净利润同比作为Nowcasting目标，构建一个能够高频反映A股景气度的指数，用于观测景气周期的变化[41]。 * **模型具体构建过程**：报告未提供该指数的具体构建公式和详细步骤，仅提及构建详情需参考另一篇报告《视角透析：A股景气度高频指数构建与观察》[41]。 2. **模型名称：A股情绪指数模型**[46] * **模型构建思路**：通过刻画市场波动率和成交额的变化方向来构建情绪指数，以判断市场见底和见顶的信号[46]。 * **模型具体构建过程**：将市场状态根据波动率和成交额的变化方向划分为四个象限。其中，“波动上行-成交下行”的区间被识别为显著负收益区间，其余三个象限为显著正收益区间。基于此规律，构造了包含见底预警与见顶预警的A股情绪指数[46]。 3. **模型名称：主题挖掘算法模型**[59] * **模型构建思路**：通过处理新闻和研报文本，提取主题、挖掘主题与个股关系，并构建主题活跃周期和影响力因子，以识别和推荐主题投资机会[59]。 * **模型具体构建过程**：报告未提供该算法的具体构建公式和详细步骤，仅描述了其包含的多个处理维度：文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建、主题影响力因子构建[59]。 4. **模型名称：中证500指数增强模型**[59] * **模型构建思路**：通过量化策略模型构建投资组合，旨在持续跑赢中证500指数基准[59]。 * **模型具体构建过程**：报告未提供该增强模型的具体因子构成、权重配置或优化算法等构建细节，仅展示了其持仓组合和业绩表现[59][62][64]。 5. **模型名称：沪深300指数增强模型**[65] * **模型构建思路**：通过量化策略模型构建投资组合，旨在持续跑赢沪深300指数基准[65]。 * **模型具体构建过程**：报告未提供该增强模型的具体因子构成、权重配置或优化算法等构建细节，仅展示了其持仓组合和业绩表现[65][70]。 量化因子与构建方式 1. **因子体系：BARRA风格因子体系**[71] * **因子构建思路**：参照国际通用的BARRA因子模型框架，对A股市场构建一套全面的风格因子体系，用于解释股票收益和进行组合分析[71]。 * **因子具体构建过程**：报告列出了十大类风格因子的名称，但未提供每个因子的具体计算公式。这十大类因子包括：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）和杠杆（LVRG）[71]。 模型的回测效果 1. **A股情绪指数系统择时模型**，报告展示了其择时表现图表，但未提供具体的量化指标值[56]。 2. **中证500增强组合**，截至报告期（2026年4月初），2020年至今累计超额收益51.84%，最大回撤-10.90%[59]。 3. **沪深300增强组合**，截至报告期（2026年4月初），2020年至今累计超额收益44.04%，最大回撤-5.86%[65]。 因子的回测效果 *注：报告提供了近期（近一周）风格因子的表现分析，但未提供长期回测的量化指标（如IC、IR等）。以下为定性描述和近期纯因子收益表现。* 1. **动量（MOM）因子**，近期表现占优，纯因子收益率较高[2][72]。 2. **流动性（LIQUIDITY）因子**，近期呈较为显著的负向超额收益，表现不佳[2][72]。 3. **价值（BTOP）因子**，近期表现不佳[2][72]。 4. **行业因子**：近期医药、通信、银行等行业因子跑出较高超额收益；电力及公用事业、电力设备、煤炭等行业因子回撤较多[2][72]。

量化模型与构建方式 1. **模型名称：A股景气度高频指数[41]** * **模型构建思路：** 以上证指数归母净利润同比为Nowcasting（即时预测）目标，构建一个能够高频追踪A股景气度的指数[41]。 * **模型具体构建过程：** 报告未详细描述该指数的具体构建公式和步骤，仅提及构建目标。详细构建方法需参考其提及的报告《视角透析：A股景气度高频指数构建与观察》[41]。 2. **模型名称：A股情绪指数系统[46][49]** * **模型构建思路：** 基于市场波动率和成交额的变化方向来刻画市场情绪，并构建用于择时的预警信号[46]。 * **模型具体构建过程：** 1. 将市场状态根据波动率和成交额的变化方向划分为四个象限[46]。 2. 通过历史统计发现，只有“波动率上行-成交额下行”的区间为显著负收益，其余象限均为显著正收益[46]。 3. 基于此规律，构造了包含“见底预警”与“见顶预警”的A股情绪指数[46]。 4. **信号生成规则：** 当市场波动率处于上行区间时，见底信号指向“空”；当成交额处于下行区间时，见顶信号指向“空”[49]。综合两个信号得出对后市的整体观点[49]。 3. **模型名称：主题挖掘算法[59]** * **模型构建思路：** 通过处理新闻和研报文本，从多个维度挖掘和描述主题投资机会[59]。 * **模型具体构建过程：** 报告概述了算法的主要步骤，包括：文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建、主题影响力因子构建等[59]。算法最终会推荐近期概念热度异动较高的主题[59]。 4. **模型名称：中证500增强组合模型[59][60]** * **模型构建思路：** 通过量化策略模型构建投资组合，旨在持续跑赢中证500指数基准[59]。 * **模型具体构建过程：** 报告未披露具体的模型公式和选股细节，仅展示了根据该策略模型生成的当前持仓组合[60]。 5. **模型名称：沪深300增强组合模型[65][68]** * **模型构建思路：** 通过量化策略模型构建投资组合，旨在持续跑赢沪深300指数基准[65]。 * **模型具体构建过程：** 报告未披露具体的模型公式和选股细节，仅展示了根据该策略模型生成的当前持仓组合[68]。 模型的回测效果 1. **A股情绪指数系统择时表现**：报告提供了该系统的择时表现图表，但未给出具体的量化指标数值[56]。 2. **中证500增强组合模型**：截至报告期（2026年4月初），本周收益-2.05%，跑赢基准0.57%[59]。2020年至今，累计超额收益51.84%，最大回撤-10.90%[59]。 3. **沪深300增强组合模型**：截至报告期（2026年4月初），本周收益-1.61%，跑输基准0.24%[65]。2020年至今，累计超额收益44.04%，最大回撤-5.86%[65]。 量化因子与构建方式 1. **因子体系：BARRA风格因子体系[71]** * **因子构建思路：** 参照BARRA因子模型，为A股市场构建一套全面的风格因子体系，用于解释股票收益和进行组合归因[71]。 * **因子具体构建过程：** 报告列出了十大类风格因子，但未提供每个因子的具体计算公式。这十类因子包括：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）和杠杆（LVRG）[71]。 因子的回测效果 1. **风格因子近期表现（纯因子收益）**：报告指出，在风格因子中，动量因子超额收益较高，流动性因子呈现较为显著的负向超额收益[72]。高动量股表现优异，流动性、价值等因子表现不佳[72]。 2. **风格因子暴露相关性**：报告提供了近一周十大类风格因子暴露的相关性矩阵图表[73]。例如，流动性因子分别与Beta、动量、残差波动率呈现明显正相关性；价值因子分别与Beta、残差波动率、流动性等因子呈现明显负相关性[72]。

量化模型与因子总结 量化模型与构建方式 1. **模型名称：卷积神经网络趋势观察模型**[74] * **模型构建思路**：使用卷积神经网络（CNN）对图表化的个股价量数据进行建模，学习其与未来价格走势之间的关系，并将学习到的特征映射到行业主题板块中，以识别具有趋势性机会的板块[74]。 * **模型具体构建过程**： 1. **数据准备**：为每个个股在特定窗口期内的价量数据构建标准化的图表[74]。研报中提及了“标准化数据价量图表”，但未给出具体标准化方法和图表生成细节[76]。 2. **模型训练**：基于历史数据，使用卷积神经网络对上述生成的价量图表与未来的价格表现（如涨跌、收益率等）进行建模，训练网络识别对预测未来价格有效的图表特征[74]。 3. **特征映射**：将训练好的CNN模型学习到的特征，应用于行业或主题板块层面的分析，从而判断哪些板块整体上呈现出模型识别的看涨或看跌特征[74]。 4. **输出配置**：模型最终输出当前看好的具体行业主题及对应的细分指数[74][75]。 2. **模型名称：GFTD模型**[78] * **模型构建思路**：报告中仅提及该模型名称及历史择时成功率，未详细说明其构建思路。 3. **模型名称：LLT模型**[78] * **模型构建思路**：报告中仅提及该模型名称及历史择时成功率，未详细说明其构建思路。 量化因子与构建方式 1. **因子名称：新高新低比例因子**[31] * **因子构建思路**：通过统计市场中创近期新高与新低的个股数量占比，来衡量市场的整体强弱和情绪极端程度[31]。 * **因子具体构建过程**： * **新高比例**：计算当日收盘价创近60日新高的个股数量，除以当日总上市个股数量（或样本空间内个股数量）[31]。 * **新低比例**：计算当日收盘价创近60日新低的个股数量，除以当日总上市个股数量（或样本空间内个股数量）[31]。 2. **因子名称：个股均线结构因子**[35] * **因子构建思路**：通过计算处于不同均线排列状态（如多头排列、空头排列）的个股占比，来度量市场整体的技术趋势强度[35]。 * **因子具体构建过程**： * 报告中展示了“均线强弱指标”，其定义为：**多头排列个股占比 减去 空头排列个股占比**[35][36]。 * 具体均线组合（如是否使用5日、10日、20日、60日等均线）及多头、空头排列的定义未在提供内容中详述。 3. **因子名称：宏观因子事件**[49] * **因子构建思路**：选取对市场影响较大的宏观经济指标，将其在最近一段时间内的特定走势模式（如创短期高点、连续下跌等）定义为“事件”，并利用历史数据验证这些事件对未来资产收益率的显著影响，从而作为市场判断的依据[49][50]。 * **因子具体构建过程**： 1. **指标选择**：跟踪25个国内外宏观指标，涵盖货币政策、财政政策、流动性、通胀水平等[49][50]。 2. **事件定义**：定义四类宏观因子事件：短期高低点、连续上涨下跌、创历史新高新低、因子走势反转[50]。 3. **有效性筛选**：从历史数据中回测，筛选出对资产未来收益率影响较为显著的因子事件，即“有效因子事件”[50]。 4. **趋势判断**：采用历史均线（如1月、3月、12月均线）将宏观因子走势分为趋势上行和趋势下行，统计在不同趋势下资产的平均收益，以判断当前宏观因子趋势对权益市场的观点（看多或看空）[52][53]。 4. **因子名称：风险溢价因子**[61] * **因子构建思路**：计算股票市场隐含收益率与无风险利率（十年期国债收益率）的差值，用以衡量股票资产相对于债券资产的吸引力[77]。 * **因子具体构建过程**： * 以中证全指为例，风险溢价 = 中证全指静态市盈率（PE_TTM）的倒数（即盈利收益率，EP） - 十年期国债收益率[77]。 * 公式可表示为：$$风险溢价 = \frac{1}{PE_{TTM}} - R_{国债10Y}$$ 5. **因子名称：指数超买超卖因子**[64] * **因子构建思路**：通过特定技术指标（报告中未明确具体是RSI、乖离率或其他）计算主要指数和行业指数的超跌或超买状态，以识别市场短期极端位置[64][68]。 * **因子具体构建过程**：报告中仅展示了“超跌指标统计”图表，未给出该因子的具体计算公式和构建步骤[65][69]。 模型的回测效果 1. **卷积神经网络趋势观察模型**：报告未提供该模型的历史回测绩效指标，如年化收益率、夏普比率、最大回撤等。 2. **GFTD模型**：历史择时成功率约为80%[78]。 3. **LLT模型**：历史择时成功率约为80%[78]。 因子的回测效果 1. **新高新低比例因子**：报告未提供该因子的IC值、IR、多空收益等具体测试结果。 2. **个股均线结构因子**：报告未提供该因子的IC值、IR、多空收益等具体测试结果。 3. **宏观因子事件**：报告以表格形式列出了当前部分宏观因子趋势对权益市场未来一个月的影响观点（看多或看空），例如：PMI（3月均线趋势）看多、CPI同比（1月均线趋势）看多、社融存量同比（1月均线趋势）看多、10年期国债收益率（12月均线趋势）看多、美元指数（1月均线趋势）看多[53]。但未提供这些事件因子的历史多空收益或预测胜率等量化回测结果。 4. **风险溢价因子**：报告给出了截至2026年4月3日的具体数值：中证全指风险溢价为2.80%，其历史均值加减两倍标准差的边界分别为4.59%和另一个未明确数值的负向边界[77]。 5. **指数超买超卖因子**：报告未提供该因子的具体数值化测试结果。

量化模型与构建方式 1. **模型名称：量能择时模型**[24][25] * **模型构建思路**：通过监测主要宽基指数的成交量能变化来判断市场短期情绪，为交易提供择时信号[24]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建公式和计算过程，仅给出了基于该模型产生的择时观点[24][25]。 2. **模型名称：沪深300上涨家数占比择时模型**[25][26][27][29] * **模型构建思路**：通过计算沪深300指数成分股中近期取得正收益的股票数量占比，来判断市场情绪和趋势，并基于此构建择时策略[25][26]。 * **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。公式为： $$沪深300指数 N 日上涨家数占比 = \frac{沪深300指数成分股过去 N 日收益大于 0 的个股数}{沪深300指数成分股总数}$$[25] 2. 然后，对基础指标进行平滑处理以生成交易信号。取N=230，对基础指标进行窗口期N1=50和N2=35（N1>N2）的移动平均，分别得到慢线和快线[27][29]。 3. 生成交易信号：当快线大于慢线时，看多沪深300指数；当快线小于慢线时，对市场持中性或谨慎态度[27][29]。 3. **模型名称：均线情绪指标择时模型**[34][35][39] * **模型构建思路**：基于沪深300指数收盘价与一组均线（八均线体系）的相对位置关系，构建一个反映市场趋势状态的综合情绪指标，并用于择时[34]。 * **模型具体构建过程**： 1. 首先，计算沪深300指数的八条均线，参数分别为8, 13, 21, 34, 55, 89, 144, 233[35]。 2. 然后，计算当日收盘价大于这八条均线中每一条均线的数量[39]。 3. 生成交易信号：当收盘价大于均线的数量超过5条时，看多沪深300指数[39]。 模型的回测效果 1. 动量情绪指标择时策略（基于沪深300上涨家数占比），策略净值表现见附图[30][31] 2. 均线情绪指标择时策略，策略净值表现见附图[36][37] 量化因子与构建方式 1. **因子名称：横截面波动率**[40][41] * **因子构建思路**：计算特定指数（如沪深300、中证500、中证1000）成分股收益率在截面的离散程度，用于衡量市场分化程度和Alpha策略的潜在盈利环境[40]。 * **因子具体构建过程**：报告未给出该因子的具体计算公式，但指出其用于衡量指数成分股间的收益率离散程度，数值上涨通常意味着短期Alpha环境好转[40]。 2. **因子名称：时间序列波动率**[41][44] * **因子构建思路**：计算特定指数成分股收益率在时间序列上的波动程度，用于衡量市场整体波动风险和Alpha策略环境[41]。 * **因子具体构建过程**：报告未给出该因子的具体计算公式，但指出其用于衡量指数成分股的时序波动，并给出了加权时间序列波动率的结果[41][44]。 3. **因子名称：分离度**[86] * **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，来度量基金抱团行为的集中或瓦解程度。标准差小表示抱团程度高，标准差大表示抱团正在瓦解[86]。 * **因子具体构建过程**：报告未给出“抱团基金”组合的具体构建方法和分离度因子的详细计算公式，仅说明了其代理变量为抱团基金截面收益的标准差[86]。 因子的回测效果 1. **横截面波动率因子** * 沪深300横截面波动率：近两年平均值2.02%，近一年平均值2.05%，近半年平均值2.34%，近一季度平均值2.15%[41]。 * 中证500横截面波动率：近两年平均值2.29%，近一年平均值2.32%，近半年平均值2.73%，近一季度平均值2.49%[41]。 * 中证1000横截面波动率：近两年平均值2.51%，近一年平均值2.52%，近半年平均值2.78%，近一季度平均值2.61%[41]。 2. **时间序列波动率因子** * 沪深300时序波动率：近两年平均值0.99%，近一年平均值0.91%，近半年平均值0.91%，近一季度平均值0.95%[44]。 * 中证500时序波动率：近两年平均值1.32%，近一年平均值1.23%，近半年平均值1.48%，近一季度平均值1.36%[44]。 * 中证1000时序波动率：近两年平均值1.47%，近一年平均值1.28%，近半年平均值1.48%，近一季度平均值1.32%[44]。