量化模型与构建方式 1. **模型名称：宏观评分模型**[7][24] * **模型构建思路**：通过评估一系列宏观因子对各类资产的影响，形成对大类资产的择时观点[24]。 * **模型具体构建过程**： 1. 选取一组宏观因子，包括国内景气、国内货币、国内信用、国内通胀、全球景气、全球货币、全球通胀、美元、金融压力等[24][26]。 2. 对每个宏观因子，评估其对每类资产（如中证800、10年国债、标普500、黄金、原油、铜）的影响方向（看多、看空或中性）和强度，并给出评分（例如，1表示正面影响，-1表示负面影响，0表示中性）[24][26]。 3. 将各宏观因子对同一资产的评分进行综合，得到该资产的宏观评分[24][26]。 4. 根据综合评分的高低，形成对各类资产的择时观点（如看多、谨慎、中性）[24][26]。 2. **模型名称：美股择时模型**[7][25] * **模型构建思路**：从景气度、资金流、金融压力三个维度构建分项指标，综合判断美股中期走势[25][29]。 * **模型具体构建过程**： 1. 构建三个分项指标：景气度、资金流、金融压力[29]。 2. 将每个分项指标的历史数值转换为滚动5年分位数，以标准化处理[29]。 3. 将三个分项指标的分位数进行平均，得到美股中期择时指标[25]。 4. 根据该指标的绝对水平或变化趋势，形成对美股的看多或看空观点[25]。 3. **模型名称：黄金择时模型**[7][27] * **模型构建思路**：综合避险货币、央行态度、财政压力、金融压力等多个分项指标，构建黄金择时指标[27][32]。 * **模型具体构建过程**： 1. 选取并构建多个影响黄金价格的分项指标，包括避险货币、央行态度、财政压力、金融压力等[32]。 2. 通过一定的方法（报告中未明确具体公式）将各分项指标合成为一个综合的黄金择时指标[27][30]。 3. 根据该综合指标的数值和走势，判断黄金的投资机会[27]。 4. **模型名称：原油择时模型**[7][33] * **模型构建思路**：构建原油景气指数来反映原油市场的基本面状况，并据此进行择时[33]。 * **模型具体构建过程**： 1. 构建原油景气指数，该指数旨在综合反映原油市场的供需等基本面情况[33][34]。 2. 根据该指数的读数（例如，以0轴为界）来判断原油市场的景气程度，指数为负表示基本面趋于恶化[33]。 3. 基于景气指数的判断，形成对原油的谨慎或乐观观点[33]。 5. **模型名称：大类资产配置策略**[3][35] * **模型构建思路**：根据量化配置信号分配各类资产的风险预算，并结合宏观因子体系调整组合的宏观风险暴露，以得到最终的资产配置方案[3][35]。 * **模型具体构建过程**： 1. 生成各大类资产（如中证800、标普500、黄金、铜、原油、10年国债、短融）的量化配置信号[3]。 2. 根据这些信号为每类资产分配风险预算[3]。 3. 基于宏观因子体系（可能来自宏观评分模型），对组合的整体宏观风险暴露进行调整和优化[3][35]。 4. 通过优化过程，计算出各类资产的最优配置权重[35][37]。 量化因子与构建方式 1. **因子名称：国内景气因子**[2][23] * **因子构建思路**：构建一个用于衡量国内经济增长景气程度的指标[2]。 * **因子具体构建过程**：报告中未详细说明该因子的具体构建公式和过程，仅提及该因子用于指示国内经济增长压力[2][20][23]。 2. **因子名称：国内信用因子**[2][23] * **因子构建思路**：构建一个用于衡量国内信用周期和宽松程度的指标[2]。 * **因子具体构建过程**：报告中未详细说明该因子的具体构建公式和过程，仅提及该因子用于指示国内信用环境[2][20][23]。 模型的回测效果 1. **大类资产配置策略**，12月收益0.8%[3][35]，最近1年收益11.3%[3][35]，最大回撤2.9%[3][35] 2. **宏观评分模型**，2026年1月对中证800观点：中性[26]，对10年国债观点：看多[26]，对标普500观点：看多[26]，对黄金观点：谨慎[26]，对原油观点：看多[26]，对铜观点：看多[26] 3. **美股择时模型**，美股中期择时指标最新读数72.9[25]，模型观点：看多[25] 4. **黄金择时模型**，黄金择时指标最新值-0.51[27]，模型观点：看好[27] 5. **原油择时模型**，原油景气指数最新读数-0.05[33]，模型观点：谨慎[33] 因子的回测效果 （报告中未提供量化因子的独立测试结果指标值）

量化模型与因子总结 量化模型与构建方式 1. **模型名称：煤炭行业利润预测模型**[9][10] * **模型构建思路**：基于动力煤长协定价机制，利用价格因子和产能因子的同比变化，逐月估计煤炭行业的营收增速和利润增速，以判断行业景气度[10]。 * **模型具体构建过程**：模型的核心是利用已确定的月度动力煤销售价格（由上月价格指数决定）[10]。通过跟踪价格因子（如煤价）和产能因子的同比变化，将这些指标输入模型，以估算出煤炭行业当月的营收同比增速和利润同比增速[10]。报告未提供具体的估算公式。 2. **模型名称：生猪供需缺口测算模型**[15] * **模型构建思路**：利用生猪从出生到出栏约6个月的生长周期，建立能繁母猪存栏量与未来生猪出栏量之间的稳定比例关系，以此测算未来6个月后的生猪供需缺口，进而预判价格走势[15]。 * **模型具体构建过程**： 1. 首先计算历史出栏系数：$$出栏系数 = \frac{单季度生猪出栏}{能繁母猪存栏 lag6m}$$[15] 2. 然后，基于当前能繁母猪存栏量和上年同期的出栏系数，预测未来6个月后的单季潜在产能：$$6个月后单季潜在产能 = t月能繁母猪存栏 * (t+6月上年同期出栏系数)$$[15] 3. 接着，以预测期上年同期的单季度生猪出栏量作为潜在需求：$$6个月后生猪潜在需求 = t+6月上年同期单季度生猪出栏$$[15] 4. 最后，通过比较预测的潜在产能与潜在需求，判断供需缺口（紧平衡或宽松）[15][17]。 3. **模型名称：普钢行业利润预测模型**[18] * **模型构建思路**：通过跟踪普通钢材的综合售价，并综合考虑铁矿石、焦炭、喷吹煤、废钢等主要原材料成本指标，构建模型以预测普钢行业的月度利润增速和单吨盈利[18]。 * **模型具体构建过程**：报告未提供具体的模型公式。构建过程涉及采集普钢综合售价及各项主要成本的市场价格数据，通过模型计算得出行业单吨毛利或利润总额，进而计算同比增速[18]。 4. **模型名称：结构材料行业盈利跟踪模型**[25] * **模型构建思路**：针对玻璃、水泥等结构材料行业，通过跟踪其产品价格指标和主要成本指标（如原材料、能源价格）的变化，来测算行业盈利（毛利或利润）的变化情况[25]。 * **模型具体构建过程**：报告未提供具体的模型公式。构建过程涉及分别采集浮法玻璃、水泥的产品市场价格，以及对应的纯碱、石英砂、煤炭等成本数据，计算单位产品的毛利或利润，并进行同比分析[25][26]。 5. **模型名称：燃料型炼化行业利润预测模型**[27] * **模型构建思路**：利用成品油（燃料）价格与原油价格之间的变化关系，测算行业的利润增速和裂解价差，以评估行业景气度[27]。 * **模型具体构建过程**：报告未提供具体的模型公式。构建过程的核心是计算裂解价差（成品油价格与原油成本之差），通过跟踪价差的变化以及油价的趋势，来预测行业利润的同比变动[27][33]。 模型的回测效果 *本报告主要展示了各行业配置信号的历史回测效果图，但未在文本中提供具体的量化指标数值（如年化收益率、夏普比率、信息比率等）。报告通过图表形式（如图2、图5、图9、图10）直观展示了基于上述景气度模型产生的配置信号（如看多、中性）所对应的行业指数历史超额收益曲线[11][20][28][36]。* 量化因子与构建方式 1. **因子名称：价格因子**[10] * **因子构建思路**：直接采用行业核心产品的市场价格作为因子，用于衡量行业收入端的变化。例如，煤炭行业中的动力煤价格[10]。 * **因子具体构建过程**：直接采集市场公开的现货或长协价格数据，计算其同比或环比变化率。 2. **因子名称：产能因子**[10] * **因子构建思路**：反映行业供给端能力的指标。例如，煤炭行业的产能利用率或产量数据[10]。 * **因子具体构建过程**：采集行业产量、开工率等数据，计算其同比变化。 3. **因子名称：出栏系数**[15] * **因子构建思路**：衡量生猪养殖效率的指标，即单位能繁母猪在滞后6个月后所能提供的出栏生猪数量[15]。 * **因子具体构建过程**：$$出栏系数 = \frac{单季度生猪出栏量}{6个月前的能繁母猪存栏量}$$[15] 4. **因子名称：裂解价差**[27] * **因子构建思路**：衡量炼化企业加工利润的核心指标，即成品油销售收入与原油采购成本之间的差额[27]。 * **因子具体构建过程**：报告未提供具体计算公式。通常为（成品油价格 - 原油价格）或经过加权计算后的价差。 5. **因子名称：PMI滚动均值**[22][26] * **因子构建思路**：采用制造业采购经理指数（PMI）的滚动平均值（如12个月滚动均值）来平滑短期波动，观察制造业景气度的中长期趋势[22][26]。 * **因子具体构建过程**：对月度PMI数据计算过去N个月（如12个月）的简单移动平均值。 因子的回测效果 *本报告未提供单个因子的独立测试结果（如IC、IR、多空收益等）。因子的有效性体现在其作为输入，用于构建上述行业景气度与配置模型，并通过模型的历史回测效果间接体现[16]。*

量化模型与构建方式 1. **模型名称：A股赔率模型**[7][9][12] * **模型构建思路**：通过计算股权风险溢价（ERP）和股息风险溢价（DRP）的标准化数值，等权合成一个衡量A股市场估值吸引力的综合赔率指标[12]。 * **模型具体构建过程**： 1. 分别计算股权风险溢价（ERP）和股息风险溢价（DRP）。ERP通常为股票市场收益率与无风险利率之差，DRP通常为股息率与无风险利率之差。 2. 对ERP和DRP的历史序列分别进行标准化处理，即计算其Z-Score：$$Z = \frac{X - \mu}{\sigma}$$，其中X为当期值，μ为历史均值，σ为历史标准差。 3. 将标准化后的ERP和DRP数值进行等权相加，得到A股综合赔率指标：$$A股赔率 = Z_{ERP} + Z_{DRP}$$[12]。 2. **模型名称：A股胜率模型**[7][10][12] * **模型构建思路**：基于货币、信用、增长、通胀与海外五个宏观因子构建评分卡，合成得到各资产的综合胜率，用以判断资产价格上涨的概率[12]。 * **模型具体构建过程**：在专题报告中，设计了宏观胜率评分卡。报告提及中国主权CDS指标下行会提升A股胜率，表明CDS是胜率模型中的一个关键因子或信号[3][12]。具体合成方法未在本文中详述。 3. **模型名称：债券赔率模型**[13][14][18] * **模型构建思路**：根据长短债预期收益差构建债券资产的赔率指标，衡量债券的相对估值吸引力[18]。 * **模型具体构建过程**：根据专题报告《利率债收益预测框架》中的收益预测模型，计算长债与短债的预期收益差，并可能对该差值进行标准化处理，以构建赔率指标[18]。具体公式未在本文中给出。 4. **模型名称：美联储流动性指数模型**[16][17][19] * **模型构建思路**：结合数量维度和价格维度，综合多个子指标来构建衡量美联储流动性状况的指数[19]。 * **模型具体构建过程**：在专题报告《美联储流动性的量价解构与资产配置应用》中构建。本文提及该指数包含净流动性、联储信用支持、预期引导、市场隐含、公告意外等子指标[17]。各子指标通过一定方法合成得到最终的流动性指数[19]。 5. **模型名称：风格因子三标尺评价模型**[20][21][22][23][25][26][27][28][29][30][34] * **模型构建思路**：从赔率（估值）、趋势（动量）和拥挤度（交易风险）三个维度对风格因子进行综合评价和排名，以指导风格配置[20][34]。 * **模型具体构建过程**： 1. **赔率**：计算因子估值，数值越大代表因子越便宜。具体方法未详述，可能基于因子估值分位数或Z-Score[21][23]。 2. **趋势**：计算因子动量，数值越大代表趋势越强。具体方法未详述[21][23]。 3. **拥挤度**：衡量因子交易过热程度，数值越大代表越拥挤。具体方法未详述[21][23]。 4. 将三个维度的指标值进行标准化（例如转化为标准差倍数），然后通过一定的加权或打分规则合成每个风格因子的综合得分，并进行排名[20][32][34]。 6. **模型名称：行业轮动三维评价模型**[36][37][38][40] * **模型构建思路**：以行业景气度、趋势（动量）和拥挤度三个维度构建评价体系，进行行业轮动配置[36][38]。 * **模型具体构建过程**： 1. **趋势**：用行业过去12个月的信息比率（IR）来刻画行业动量和趋势[36]。 2. **拥挤度**：用行业的换手率比率、波动率比率和beta比率来刻画行业的交易拥挤度[36]。 3. **景气度**：在分析图谱中，用气泡的实心/空心以及大小来代表行业景气度高低，但具体构建方法未在本文中详述[40]。 4. 综合三个维度的信息，对行业进行评价和筛选[38][41]。 7. **模型名称：赔率增强型策略**[42][43][45] * **模型构建思路**：在目标波动率约束下，根据各资产的赔率指标，持续超配高赔率资产、低配低赔率资产，构建固收+增强策略[42]。 * **模型具体构建过程**：结合各资产的赔率指标，在风险预算或目标波动率模型的框架下进行资产配置权重优化，以在控制风险的同时提升收益[42]。具体优化模型未在本文中给出。 8. **模型名称：胜率增强型策略**[44][46][47] * **模型构建思路**：从货币、信用、增长、通胀和海外五个宏观因素出发，获得各资产的宏观胜率评分，并以此为基础构建固收+增强策略[44]。 * **模型具体构建过程**：与赔率增强型策略类似，但输入信号为宏观胜率评分。在风险预算或目标波动率模型框架下，根据胜率评分调整资产配置权重[44]。 9. **模型名称：赔率+胜率增强型策略**[3][48][49][50] * **模型构建思路**：将赔率策略和胜率策略的风险预算进行结合，构建综合性的资产配置策略[3][48]。 * **模型具体构建过程**：将赔率策略计算出的风险预算和胜率策略计算出的风险预算进行简单相加，得到综合得分，据此调整各类资产（泛权益、黄金、债券）的配置权重[48]。 量化因子与构建方式 1. **因子名称：小盘因子**[20][21] * **因子构建思路**：捕捉市值较小公司的超额收益，常用中证2000与沪深300的比值来代表[21]。 * **因子评价**：当前呈现“中等赔率-中高趋势-低拥挤”的特征，配置价值有所修复[20][35]。 2. **因子名称：价值因子**[22][23] * **因子构建思路**：捕捉低估值公司的超额收益，常用国证价值指数与国证1000指数的比值来代表[23]。 * **因子评价**：当前呈现“高赔率-中等趋势-低拥挤”的特征，综合得分较高，建议重点关注[22][35]。 3. **因子名称：质量因子**[25][26][27] * **因子构建思路**：捕捉优质公司的超额收益，可能基于ROE、盈利稳定性等指标构建[27]。 * **因子评价**：当前为“高赔率-中等趋势-中等拥挤”，趋势较弱，配置价值下降，需等待右侧趋势确认[25][35]。 4. **因子名称：成长因子**[28][29][30] * **因子构建思路**：捕捉高成长性公司的超额收益，常用国证成长指数与国证1000指数的比值来代表[29]。 * **因子评价**：当前为“中低赔率-中高趋势-高拥挤”，交易风险较高，建议保持谨慎[28][35]。 5. **因子名称：低波因子**[32][34] * **因子构建思路**：捕捉低波动率公司的超额收益，报告中提到了3个月和12个月的低波因子[32]。 * **因子评价**：当前低波风格三标尺综合排名位居前列[35]。 6. **因子名称：动量因子**[32][34] * **因子构建思路**：捕捉价格趋势延续的效应[32]。 * **因子评价**：横截面来看拥挤度最高，交易风险较高[35]。 7. **因子名称：中国主权CDS指标**[3][11][12] * **因子构建思路**：信用违约互换（CDS）价格下行通常被视为信用风险降低、市场情绪向好的信号[3][11]。 * **因子具体构建过程**：直接使用市场交易的中国主权CDS价格作为指标。当其进入“下行看多区间”时，发出看多信号[11]。 * **因子评价**：是A股胜率模型的关键输入指标之一，其下行会提升A股胜率[12]。 8. **因子名称：美股AIAE指标**[15][16][19] * **因子构建思路**：该指标处于历史高位时，预示美股回撤风险较高[19]。 * **因子评价**：是判断美股赔率（估值风险）的重要指标[15][19]。 模型的回测效果 1. **行业轮动三维评价模型**[37] * 样本内年化超额收益：12.0% (2011年以来)， 11.6% (2014年以来)， 9.2% (2019年以来) * 跟踪误差：10.7% (2011年以来)， 11.5% (2014年以来)， 10.3% (2019年以来) * 最大回撤：25.4% (2011年以来)， 25.4% (2014年以来)， 12.3% (2019年以来) * 信息比率（IR）：1.12 (2011年以来)， 1.00 (2014年以来)， 0.89 (2019年以来) 2. **赔率增强型策略**[42][45] * 年化收益：6.7% (2011年以来)， 7.4% (2014年以来)， 6.8% (2019年以来) * 年化波动：2.3% (2011年以来)， 2.2% (2014年以来)， 2.2% (2019年以来) * 最大回撤：3.1% (2011年以来)， 2.8% (2014年以来)， 2.8% (2019年以来) * 夏普比率：2.87 (2011年以来)， 3.34 (2014年以来)， 3.12 (2019年以来) 3. **胜率增强型策略**[44][46] * 年化收益：7.1% (2011年以来)， 8.0% (2014年以来)， 6.8% (2019年以来) * 年化波动：2.4% (2011年以来)， 2.3% (2014年以来)， 2.2% (2019年以来) * 最大回撤：3.4% (2011年以来)， 2.2% (2014年以来)， 1.5% (2019年以来) * 夏普比率：3.01 (2011年以来)， 3.43 (2014年以来)， 3.14 (2019年以来) 4. **赔率+胜率增强型策略**[3][48][50] * 年化收益：6.7% (2011年以来)， 7.3% (2014年以来)， 6.3% (2019年以来) * 年化波动：2.3% (2011年以来)， 2.2% (2014年以来)， 2.1% (2019年以来) * 最大回撤：2.9% (2011年以来)， 2.3% (2014年以来)， 2.3% (2019年以来) * 夏普比率：2.92 (2011年以来)， 3.31 (2014年以来)， 2.98 (2019年以来) 因子的回测效果 *(注：本报告未提供因子IC、IR等传统因子测试结果数值，仅提供了截至报告期的最新状态评分)* 1. **小盘因子**[20] * 赔率（Z-Score）：0.3 * 趋势（Z-Score）：0.9 * 拥挤度（Z-Score）：-1.5 * 综合得分：3.6 2. **价值因子**[22] * 赔率（Z-Score）：1.0 * 趋势（Z-Score）：0.3 * 拥挤度（Z-Score）：-1.3 * 综合得分：3.0 3. **质量因子**[25] * 赔率（Z-Score）：1.3 * 趋势（Z-Score）：-0.2 * 拥挤度（Z-Score）：0.0 (近似) * 综合得分：0.8 4. **成长因子**[28] * 赔率（Z-Score）：-0.6 * 趋势（Z-Score）：0.7 * 拥挤度（Z-Score）：1.0 * 综合得分：-1.5

量化模型与构建方式 1. **模型名称**：封板率与连板率计算模型[17] **模型构建思路**：通过计算股票涨停的封板成功率以及连续涨停的概率，来量化市场短线炒作情绪和赚钱效应[17] **模型具体构建过程**： * **封板率**：统计在交易日中，最高价曾达到涨停价的股票中，最终收盘价仍为涨停的股票所占的比例[17] $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ * **连板率**：统计在前一交易日收盘涨停的股票中，在当日继续收盘涨停的股票所占的比例[17] $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 2. **模型名称**：大宗交易折价率计算模型[26] **模型构建思路**：通过计算大宗交易成交价相对于市价的折价幅度，来反映大资金的交易情绪和偏好[26] **模型具体构建过程**：计算单日所有大宗交易的成交总额与按当日市价计算的成交份额总市值之比，再减去1得到整体折价率[26] $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ 3. **模型名称**：股指期货年化贴水率计算模型[28] **模型构建思路**：将股指期货主力合约与现货指数之间的基差进行年化处理，以标准化衡量期货合约的升贴水程度，反映市场对未来预期及对冲成本[28] **模型具体构建过程**：计算基差（期货价格 - 现货指数价格）与现货指数价格的比值，再乘以年化因子（250天除以合约剩余交易日数）[28] $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 模型的回测效果 1. 封板率与连板率计算模型，20260105当日封板率76%[17]，20260105当日连板率30%[17] 2. 大宗交易折价率计算模型，近半年以来平均折价率6.65%[26]，20251231当日折价率9.51%[26] 3. 股指期货年化贴水率计算模型，近一年以来上证50股指期货主力合约年化贴水率中位数0.89%[28]，近一年以来沪深300股指期货主力合约年化贴水率中位数3.79%[28]，近一年以来中证500股指期货主力合约年化贴水率中位数11.22%[28]，近一年以来中证1000股指期货主力合约年化贴水率中位数13.61%[28]，20260105当日上证50股指期货主力合约年化贴水率0.16%[28]，20260105当日沪深300股指期货主力合约年化贴水率2.29%[28]，20260105当日中证500股指期货主力合约年化贴水率3.76%[28]，20260105当日中证1000股指期货主力合约年化贴水率7.72%[28] 量化因子与构建方式 1. **因子名称**：机构调研热度因子[30] **因子构建思路**：统计近期对上市公司进行调研的机构数量，作为衡量机构关注度的代理指标[30] **因子具体构建过程**：统计近7天内（即一周）对某家上市公司进行调研或参加其分析师会议的机构总数[30] 2. **因子名称**：龙虎榜机构净流入因子[36] **因子构建思路**：通过龙虎榜数据，计算机构专用席位在单只股票上的净买入金额，作为衡量机构资金主动买入意愿的指标[36] **因子具体构建过程**：对于当日登上龙虎榜的股票，汇总所有机构专用席位的买入总额与卖出总额，计算其差额得到净流入金额[36] 3. **因子名称**：龙虎榜陆股通净流入因子[37] **因子构建思路**：通过龙虎榜数据，计算陆股通资金在单只股票上的净买入金额，作为衡量北向资金流向的指标[37] **因子具体构建过程**：对于当日登上龙虎榜的股票，汇总陆股通席位的买入总额与卖出总额，计算其差额得到净流入金额[37] 因子的回测效果 1. 机构调研热度因子，近一周内调研机构较多的股票包括广立微（96家）、天阳科技、柳工、江波龙、莱特光电、珠免集团、星宸科技、精智达等[30] 2. 龙虎榜机构净流入因子，20260105机构专用席位净流入前十的股票是蓝色光标、海科新源、东微半导、江龙船艇、航天环宇、利欧股份、普冉股份、蘅东光、通宇通讯、志特新材等[36]，净流出前十的股票是五洲新春、中超控股、盐湖股份、天际股份、华菱线缆、北斗星通、御银股份、海格通信、城建发展、合肥城建等[36] 3. 龙虎榜陆股通净流入因子，20260105陆股通净流入前十的股票是蓝色光标、利欧股份、普冉股份、道氏技术、航天机电、顺灏股份、赛诺医疗、五洲新春、江龙船艇、海南发展等[37]，净流出前十的股票是中超控股、通宇通讯、乐普医疗、翠微股份、鲁信创投、东港股份、盐湖股份、海格通信、华菱线缆、天际股份等[37]

量化模型与构建方式 1. **模型名称：长期行业主题基金标签与指数模型**[35] * **模型构建思路**：为主动偏股基金构建完整的行业主题和细分赛道标签，以支持资产配置、主题投资和产品选择的需求，并构建相应的行业主题基金指数作为衡量工具[35]。 * **模型具体构建过程**： 1. **数据来源**：使用基金近四期（中报/年报）的持仓信息[35]。 2. **标签定义**：根据基金持仓的行业特征，将其长期行业标签区分为三类： * **行业主题基金**：长期稳定集中于某一特定行业主题。 * **行业轮动基金**：在不同时期切换其重点投资的行业。 * **行业均衡基金**：行业配置较为分散均衡[35]。 3. **指数构建**：基于上述标签分类，构建相应的行业主题基金指数，以反映各类主题基金的整体风险收益表现[35]。 2. **模型名称：公募REITs系列指数模型**[47] * **模型构建思路**：构建一套完整的REITs系列指数，包括综合指数、按底层资产分类的指数和按细分项目分类的指数，以综合反映REITs市场表现，并为基于指数化思想的资产配置提供工具[47]。 * **模型具体构建过程**： 1. **指数类型**：构建REITs综合指数、产权类REITs指数、特许经营权类REITs指数，以及生态环保、交通基础设施等细分项目指数[47]。 2. **指数特性**：考虑到REITs的高分红特性，所有指数均提供价格指数和全收益指数两种形式[47]。 3. **计算方法**： * 采用**分级靠档**的方法确定成分股权重，以确保计算指数的份额保持相对稳定[47]。 * 当样本成分名单或样本成分的调整市值出现非交易因素的变动时（如新发、扩募等），采用**除数修正法**来保证指数的连续性[47]。 量化因子与构建方式 1. **因子名称：多因子ETF分类因子**[62] * **因子构建思路**：在ETF市场跟踪中，将采用特定量化选股策略的ETF归类为“多因子”类别，并进一步细分为红利、现金流、价值、基本面、质量、低波、成长、动量等子类，以分析不同因子策略ETF的资金流向和表现[62]。 * **因子具体构建过程**：报告未详细描述每个因子的具体计算方式，但明确将ETF按照其跟踪的指数或宣称的投资策略所依据的因子进行分类。例如： * **红利因子**：对应跟踪红利相关指数的ETF。 * **现金流因子**：对应跟踪自由现金流等相关指数的ETF。 * **价值因子**：对应跟踪价值风格指数的ETF。 * **质量因子**：对应跟踪质量风格指数的ETF。 * **低波因子**：对应跟踪低波动率指数的ETF。 * **成长因子**：对应跟踪成长风格指数的ETF。 * **动量因子**：对应跟踪动量策略指数的ETF[62]。 模型的回测效果 1. **长期行业主题基金指数模型**，本周（2025.12.29-12.31）收益率：国防军工主题上涨0.93%，周期主题下跌0.16%，TMT主题下跌0.29%，金融地产主题下跌0.60%，行业轮动主题下跌0.61%，行业均衡主题下跌0.69%，消费主题下跌1.14%，新能源主题下跌2.27%，医药主题下跌2.59%[2][35]。 2. **公募REITs系列指数模型**，基日以来至2025年12月31日的业绩指标（使用价格指数）： * **REITs综合指数**：累计收益-6.48%，年化收益-1.47%，最大回撤-42.67%，夏普比率-0.28，年化波动率10.49%[51]。 * **产权类REITs指数**：累计收益11.17%，年化收益2.36%，最大回撤-45.00%，夏普比率0.07，年化波动率12.74%[51]。 * **特许经营权类REITs指数**：累计收益-26.07%，年化收益-6.45%，最大回撤-41.17%，夏普比率-0.86，年化波动率9.19%[51]。 * **消费基础设施REITs指数**：累计收益45.47%，年化收益8.62%，最大回撤-9.89%，夏普比率0.67，年化波动率10.63%[51]。 * **交通基础设施REITs指数**：累计收益-35.19%，年化收益-9.13%，最大回撤-44.19%，夏普比率-1.17，年化波动率9.05%[51]。 因子的回测效果 1. **多因子ETF分类因子**，本周（2025.12.29-12.31）资金流向与表现： * **红利因子ETF**：资金净流入13.44亿元，本周回报-0.11%，近1月回报-1.13%，2025年以来回报3.46%[62]。 * **现金流因子ETF**：资金净流入5.35亿元，本周回报0.53%，近1月回报3.68%，2025年以来回报数据缺失[62]。 * **价值因子ETF**：资金净流入0.99亿元，本周回报-0.11%，近1月回报2.15%，2025年以来回报13.40%[62]。 * **质量因子ETF**：资金净流出0.07亿元，本周回报-0.34%，近1月回报6.07%，2025年以来回报32.82%[62]。 * **低波因子ETF**：资金净流出0.11亿元，本周回报-0.41%，近1月回报3.08%，2025年以来回报16.62%[62]。 * **成长因子ETF**：资金净流出1.30亿元，本周回报-0.73%，近1月回报6.15%，2025年以来回报33.98%[62]。 * **动量因子ETF**：资金净流出2.99亿元，本周回报-2.38%，近1月回报9.10%，2025年以来回报41.18%[62]。

量化模型与构建方式 1. **模型名称**：港股CCASS优选20组合[4] **模型构建思路**：利用港交所CCASS（中央结算系统）数据，通过“先选经纪商，再选个股”的两步法，构建月度调仓的股票组合[34] **模型具体构建过程**： 1. **数据基础**：使用港交所CCASS数据，对单一经纪商在港股上的持仓进行月度持仓复制跟踪[34] 2. **筛选绩优经纪商**：以月末为截面，对全部经纪商按两个指标分别进行标准化处理：超额夏普比率和月度胜率。将标准化后的两个指标等权合成综合得分，取综合分数靠前的N名经纪商构成绩优经纪商池[34] 3. **构建股票组合**：将资金等权分配至筛选出的N个经纪商，汇总这些经纪商的最新持仓。按汇总后的持仓权重由高到低排序，保留前M只股票，并对这M只股票进行等权配置，形成最终的股票组合[34] 4. **参数设定**：在报告中，设定经纪商数量N=10，股票数量M=20。即每期选取综合得分最高的10家经纪商，汇总其持仓后保留权重前20的股票进行等权配置[34] **模型评价**：该模型基于历史数据回测，旨在复制和跟踪绩优经纪商的持仓，以期获得超越基准的超额收益[34] 模型的回测效果 1. **港股CCASS优选20组合**，年化超额收益率20.0%[36]，超额夏普比率2.52[36]，最大回撤-8.0%[37]，月度胜率76.4%[37] 2. **港股CCASS优选20组合（分年度）**： * **2020年**：年化超额收益率34.0%[37]，夏普比率3.34[37]，最大回撤-4.9%[37]，月度胜率75.0%[37] * **2021年**：年化超额收益率11.6%[37]，夏普比率1.44[37]，最大回撤-5.1%[37]，月度胜率66.7%[37] * **2022年**：年化超额收益率12.5%[37]，夏普比率1.46[37]，最大回撤-6.4%[37]，月度胜率66.7%[37] * **2023年**：年化超额收益率22.3%[37]，夏普比率3.16[37]，最大回撤-3.3%[37]，月度胜率75.0%[37] * **2024年**：年化超额收益率23.1%[37]，夏普比率3.09[37]，最大回撤-4.2%[37]，月度胜率91.7%[37] * **2025年**：年化超额收益率17.8%[36]，夏普比率3.34[37]，最大回撤-2.6%[37]，月度胜率83.3%[37] 量化因子与构建方式 1. **因子名称**：经纪商综合得分[34] **因子构建思路**：为了筛选出历史表现优异的经纪商，将反映其持仓复制策略风险调整后收益和稳定性的两个指标进行标准化并合成一个综合分数[34] **因子具体构建过程**： 1. 计算每个经纪商的两个基础指标：**超额夏普比率**和**月度胜率**[34] 2. 在月末截面上，对所有经纪商的**超额夏普比率**和**月度胜率**分别进行标准化处理[34] 3. 将标准化后的两个指标进行等权相加，得到每个经纪商的综合得分[34] 公式为：经纪商综合得分 = Z-Score(超额夏普比率) + Z-Score(月度胜率)[34] 其中，Z-Score代表标准化处理。 因子的回测效果 （报告中未单独列出该因子的测试结果，其效果体现在基于该因子筛选出的经纪商池所构建的组合绩效中）

量化模型与构建方式 1. **模型名称**：理论打新收益率测算模型[1][10] **模型构建思路**：通过假设性条件，测算不同类别和规模的账户在理想情况下参与网下新股申购所能获得的年化收益率[10]。 **模型具体构建过程**： * **核心假设**：账户参与所有新股（主板、科创板、创业板）的网下打新，且报价全部入围（即中签），上市首日以市场均价（首次开板日均价）卖出，忽略锁定期限制[10][45]。 * **资金效率**：在90%的资金使用效率下进行测算[45][48]。 * **账户分类与规模**：分为A类（公募、社保等）和B类（保险、年金等）账户，并分别测试1.5亿、2亿、3亿、5亿、10亿等不同规模下的表现[45][48]。 * **收益计算**：对于每只新股，首先计算账户在该股上的“满中数量”，然后计算“满中收益”[38][41]。 * 满中数量计算公式： $$满中数量 = 可申购上限额度 × 网下A类（或B类）平均中签率$$ * 满中收益计算公式： $$满中收益 = (首次开板价 − 首发价格) × 满中数量$$ * **收益率计算**：将测算周期内（如2025年全年）所有新股的网下打新收益相加，除以账户规模，得到累计打新收益率[10][48]。 2. **模型名称**：近一个月打新收益测算模型[38] **模型构建思路**：测算A类机构对近期上市新股全部顶格申购并打满时，每只股票可获得的绝对收益[38]。 **模型具体构建过程**： * **范围**：针对近一个月内（例如2025年12月1日至12月31日）新上市的股票[38][45]。 * **计算方法**：使用“理论打新收益率测算模型”中相同的“满中数量”和“满中收益”公式进行计算，但此处是针对单只股票，且假设顶格打满（即使用“可申购上限额度”）[38][41]。 * **数据呈现**：列出每只新股的名称、上市日期及计算出的满中收益（单位：万元）[41][44]。 模型的回测效果 1. **理论打新收益率测算模型（A类账户，2025年全年）**[10][48][50] * 2亿规模账户打新收益率：3.80% * 10亿规模账户打新收益率：1.74% * 1.5亿规模账户累计打新收益（所有板块）：4.08% * 2亿规模账户累计打新收益（所有板块）：3.80% * 3亿规模账户累计打新收益（所有板块）：3.20% * 5亿规模账户累计打新收益（所有板块）：2.48% * 10亿规模账户累计打新收益（所有板块）：1.74% 2. **理论打新收益率测算模型（B类账户，2025年全年）**[10][53][54] * 2亿规模账户打新收益率：2.88% * 10亿规模账户打新收益率：1.03% * 1.5亿规模账户累计打新收益（所有板块）：3.12% * 2亿规模账户累计打新收益（所有板块）：2.88% * 3亿规模账户累计打新收益（所有板块）：2.34% * 5亿规模账户累计打新收益（所有板块）：1.69% * 10亿规模账户累计打新收益（所有板块）：1.03% 3. **近一个月打新收益测算模型（A类账户，2025年12月）**[45][47] * 中国铀业(001280.SZ) 满中收益：36.49万元（10亿规模） * 摩尔线程-U(688795.SH) 满中收益：240.43万元（10亿规模） * 百奥赛图(688796.SH) 满中收益：14.67万元（10亿规模） * 昂瑞微-UW(688790.SH) 满中收益：42.24万元（10亿规模） * 沐曦股份-U(688802.SH) 满中收益：246.33万元（10亿规模） * 优迅股份(688807.SH) 满中收益：24.68万元（10亿规模） * 天溯计量(301449.SZ) 满中收益：5.54万元（10亿规模） * 纳百川(301667.SZ) 满中收益：7.86万元（10亿规模） * 锡华科技(603248.SH) 满中收益：4.51万元（10亿规模） * 健信超导(688805.SH) 满中收益：12.53万元（10亿规模） * C双欣(001369.SZ) 满中收益：12.56万元（10亿规模） * C誉帆(001396.SZ) 满中收益：2.35万元（10亿规模） * C强一(688809.SH) 满中收益：40.15万元（10亿规模） * C新广益(301687.SZ) 满中收益：9.93万元（10亿规模） 量化因子与构建方式 1. **因子名称**：新股上市首日涨幅[2][20] **因子构建思路**：通过滚动统计近期上市新股首日的价格涨幅，来观察打新市场的短期盈利效应和热度[2]。 **因子具体构建过程**：选取近期上市的一批新股（例如最近20只），计算每只新股上市首日收盘价（或均价）相对于发行价格的涨幅，然后计算这批新股的平均涨幅[2][20]。报告分别对科创板个股和创业板个股进行了统计。 2. **因子名称**：有效报价账户数[2][21] **因子构建思路**：通过跟踪近期新股网下询价阶段的有效报价账户数量，来反映机构投资者参与打新的积极性和竞争程度[2]。 **因子具体构建过程**：提取最近上市的科创板、创业板、沪市主板、深市主板新股在询价环节最终的有效报价账户数量，并分别统计A类（公募、社保等）和B类（保险、年金等）账户的数量[2][21][26]。 因子的回测效果 1. **新股上市首日涨幅因子（滚动近期20只新股）**[2][20] * 科创板个股上市首日平均涨幅：258.09% * 创业板个股上市首日平均涨幅：231.27% 2. **有效报价账户数因子（最近一只新股）**[2][21][26] * 科创板新股： * A类有效报价账户数量：4687 * B类有效报价账户数量：2065 * 创业板新股： * A类有效报价账户数量：3879 * B类有效报价账户数量：2610 * 沪市主板新股： * A类有效报价账户数量：5200 * B类有效报价账户数量：2944 * 深市主板新股： * A类有效报价账户数量：4683 * B类有效报价账户数量：2918

量化模型与构建方式 1. **模型名称：微盘股/茅指数轮动模型**[2][17][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，进行大小盘风格轮动配置[17][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（微盘股指数净值 / 茅指数净值）[17]。 2. **计算年均线**：计算该相对净值的243日移动平均线（年均线）[17]。 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[17]。 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，初始倾向投资微盘股；反之则倾向投资茅指数[24]。 * 结合动量斜率进行最终判断：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**[17][24] * **模型构建思路**：通过监控宏观利率和波动率拥挤度指标，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[17]。 * **模型具体构建过程**： 1. **计算风险指标**： * 计算十年期国债到期收益率的同比变化率（YoY）[17]。 * 计算微盘股波动率拥挤度的同比变化率（YoY）[17]。 2. **设置风险阈值**：十年期国债利率同比的阈值为30%，波动率拥挤度同比的阈值为55%[17][24]。 3. **生成风控信号**：当 **任一指标** 触及或超过其对应阈值时，模型发出平仓信号[24]。 3. **模型名称：宏观择时模型**[39][40] * **模型构建思路**：基于经济增长和货币流动性等多个宏观维度的信号，综合判断中期权益资产（股票）的推荐配置仓位[39][40]。 * **模型具体构建过程**：模型细节请参阅专题报告。本报告展示了其输出结果：模型分别对经济增长和货币流动性维度给出信号强度（百分比），并综合生成股票仓位建议[39][40]。例如，截至11月30日，经济增长信号强度为50%，货币流动性信号强度为60%，综合推荐的股票仓位为55%[40]。 模型的回测效果 1. **宏观择时模型**，2025年年初至今收益率13.57%[39]，同期Wind全A收益率25.65%[39]，超额收益表现参见图表[42][43]。 2. **微盘股/茅指数轮动模型**，截至2025年12月31日，微盘股对茅指数的相对净值为2.08[17]，高于其243日均线1.81[17]，但微盘股20日斜率0.01%等于茅指数20日斜率0.01%[17]，模型发出轮动至茅指数的信号[2][17]。 3. **微盘股择时风控模型**，截至2025年12月31日，十年期国债利率同比为10.27%[17]，未触及30%阈值；波动率拥挤度同比为-9.22%[17]，未触及55%阈值；因此中期风控信号未触发[2][17]。 量化因子与构建方式 1. **因子名称：一致预期因子**[44][56] * **因子构建思路**：使用分析师一致预期数据，捕捉市场对未来盈利预期的变化[56]。 * **因子具体构建过程**：包含多个细分因子，例如： * `EPS_FTTM_Chg3M`：未来12个月一致预期EPS过去3个月的变化率[58]。 * `ROE_FTTM_Chg3M`：未来12个月一致预期ROE过去3个月的变化率[58]。 * `TargetReturn_180D`：一致预期目标价相对于目前股价的收益率[58]。 2. **因子名称：市值因子**[44][56] * **因子构建思路**：捕捉规模效应，通常小市值股票长期表现可能优于大市值股票[56]。 * **因子具体构建过程**： * `LN_MktCap`：流通市值的自然对数[56]。 3. **因子名称：成长因子**[44][56] * **因子构建思路**：衡量公司的成长性，营收或利润增长更快的公司可能获得溢价[56]。 * **因子具体构建过程**：包含多个细分因子，例如： * `NetIncome_SQ_Chg1Y`：单季度净利润同比增速[56]。 * `OperatingIncome_SQ_Chg1Y`：单季度营业利润同比增速[56]。 * `Revenues_SQ_Chg1Y`：单季度营业收入同比增速[58]。 4. **因子名称：反转因子**[44][58] * **因子构建思路**：捕捉股价的均值回复现象，过去一段时间跌幅较大的股票未来可能反弹，涨幅过大的股票可能回调[58]。 * **因子具体构建过程**：包含多个不同时间窗口的收益率，例如： * `Price_Chg20D`：20日收益率[58]。 * `Price_Chg60D`：60日收益率[58]。 * `Price_Chg120D`：120日收益率[58]。 5. **因子名称：质量因子**[44][58] * **因子构建思路**：衡量公司的盈利能力和财务稳健性[58]。 * **因子具体构建过程**：包含多个细分因子，例如： * `ROE_FTTM`：未来12个月一致预期净利润/股东权益均值[58]。 * `GrossMargin_TTM`：过去12个月毛利率[58]。 * `Revenues2Asset_TTM`：过去12个月营业收入/总资产均值[58]。 6. **因子名称：技术因子**[44][58] * **因子构建思路**：基于价量数据，捕捉市场交易行为和技术形态[58]。 * **因子具体构建过程**：包含多个细分因子，例如： * `Volume_Mean_20D_240D`：20日成交量均值/240日成交量均值[58]。 * `Turnover_Mean_20D`：20日换手率均值[58]。 * `Skewness_240D`：240日收益率偏度[58]。 7. **因子名称：价值因子**[44][56] * **因子构建思路**：寻找价格低于其内在价值的股票，常用估值指标衡量[56]。 * **因子具体构建过程**：包含多个细分因子，例如： * `BP_LR`：最新年报账面净资产/最新市值[56]。 * `EP_FTTM`：未来12个月一致预期净利润/最新市值[56]。 * `SP_TTM`：过去12个月营业收入/最新市值[56]。 8. **因子名称：波动率因子**[44][58] * **因子构建思路**：捕捉波动率效应，低波动股票长期风险调整后收益可能更优[58]。 * **因子具体构建过程**：包含多个细分因子，例如： * `Volatility_60D`：60日收益率标准差[58]。 * `IV_CAPM`：CAPM模型残差波动率[58]。 * `IV_FF`：Fama-French三因子模型残差波动率[58]。 9. **因子名称：可转债正股成长因子**[53][54] * **因子构建思路**：从可转债对应的正股出发，使用预测正股成长的因子来构建可转债择券因子[53]。 * **因子具体构建过程**：报告未给出具体公式，但指出其构建逻辑是从预测正股的因子衍生而来[53]。 10. **因子名称：可转债正股财务质量因子**[53][54] * **因子构建思路**：从可转债对应的正股出发，使用衡量正股财务质量的因子来构建可转债择券因子[53]。 * **因子具体构建过程**：报告未给出具体公式，但指出其构建逻辑是从预测正股的因子衍生而来[53]。 11. **因子名称：可转债正股一致预期因子**[54] * **因子构建思路**：从可转债对应的正股出发，使用正股的一致预期因子来构建可转债择券因子[53]。 * **因子具体构建过程**：报告未给出具体公式。 12. **因子名称：可转债正股价值因子**[54] * **因子构建思路**：从可转债对应的正股出发，使用正股的价值因子来构建可转债择券因子[53]。 * **因子具体构建过程**：报告未给出具体公式。 13. **因子名称：可转债估值因子**[53][54] * **因子构建思路**：直接基于可转债自身的估值指标进行择券[53]。 * **因子具体构建过程**：选取了平价底价溢价率作为因子[53]。 因子的回测效果 （以下结果基于“今年以来”时间区间，股票池为“全部A股”，指标为IC均值）[45] 1. **一致预期因子**，IC均值1.97%[45] 2. **市值因子**，IC均值3.25%[45] 3. **成长因子**，IC均值1.54%[45] 4. **反转因子**，IC均值6.56%[45] 5. **质量因子**，IC均值0.52%[45] 6. **技术因子**，IC均值8.84%[45] 7. **价值因子**，IC均值3.99%[45] 8. **波动率因子**，IC均值8.76%[45] （以下结果为上周表现，股票池为“全部A股”，指标为IC均值）[45] 9. **一致预期因子**，IC均值-2.10%[45] 10. **市值因子**，IC均值-1.84%[45] 11. **成长因子**，IC均值2.87%[45] 12. **反转因子**，IC均值7.96%[45] 13. **质量因子**，IC均值5.87%[45] 14. **技术因子**，IC均值19.20%[45] 15. **价值因子**，IC均值5.04%[45] 16. **波动率因子**，IC均值18.68%[45]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：宏观指标趋势分析模型**[10] * **模型构建思路**：通过统计检验方法，判断单个宏观指标的趋势（上行或下行）是否对特定大类资产的未来收益率有显著影响，并据此形成资产配置观点[10]。 * **模型具体构建过程**： 1. 对每个宏观指标，使用历史均线法判断其在每个时点的趋势方向（上行或下行）[11]。 2. 分别统计宏观指标处于上行趋势和下行趋势时，对应大类资产未来1个月的月度收益率序列[10]。 3. 使用T检验判断两个收益率序列的均值是否存在显著差异。T值计算公式如下： $$t={\frac{\overline{{R_{1}}}-\overline{{R_{2}}}}{\sqrt{\frac{(n_{1}-1){S_{1}}^{2}+(n_{2}-1){S_{2}}^{2}}{n_{1}+n_{2}-2}}({\frac{1}{n_{1}}}+{\frac{1}{n_{2}}})}}\sim t_{n_{1}+n_{2}-2}$$ 其中，$\overline{R_1}$、$\overline{R_2}$ 分别代表宏观指标在上行和下行情况下，某大类资产的平均月度收益率；$S_1$、$S_2$ 代表对应情况下的月度收益率标准差；$n_1$、$n_2$ 分别代表宏观指标处于上行或下行的月份数量[10]。 4. 若t值显著，则认为该宏观指标趋势对该资产收益率有显著影响。根据指标最新趋势方向，给出“利多”（得分+1）或“利空”（得分-1）的观点[15]。 2. **模型名称：技术分析趋势判断模型**[16] * **模型构建思路**：根据不同大类资产的价格特性，构建差异化的趋势指标，以判断资产价格的短期趋势方向[16]。 * **模型具体构建过程**：针对不同资产类别采用不同的计算方法： * **权益资产**：趋势指标 = (历史2个月LLT平均月度涨跌幅) - (历史(T-12至T-2)个月LLT平均月度涨跌幅)。若结果为正，则趋势向上，得分+1；反之则趋势向下，得分-1[16][21]。 * **债券资产**：趋势指标 = (历史2个月收盘价平均月度涨跌幅) - (历史(T-12至T-2)个月收盘价平均月度涨跌幅)。若结果为正，则趋势向上，得分+1；反之则趋势向下，得分-1[16][21]。 * **黄金资产**：趋势指标 = 历史6个月收盘价平均月度涨跌幅。若结果为正，则趋势向上，得分+1；反之则趋势向下，得分-1[16][21]。 * **工业品资产**：趋势指标 = 历史2个月收盘价平均月度涨跌幅。若结果为正，则趋势向上，得分+1；反之则趋势向下，得分-1[16][21]。 3. **模型名称：权益资产估值指标模型**[21] * **模型构建思路**：使用股权风险溢价（ERP）的历史分位数来衡量权益资产的估值水平，分位数越高代表估值越低，越具投资价值[21]。 * **模型具体构建过程**： 1. 计算中证800指数的股权风险溢价（ERP）：ERP = 1 / PE(TTM) - 10年期国债到期收益率[21]。 2. 计算当前ERP在历史5年（滚动窗口）中的分位数： 分位数 = (当前ERP值 - 历史5年ERP最低值) / (历史5年ERP最高值 - 历史5年ERP最低值)[21]。 3. 根据分位数区间给出估值得分：分位数 > 90%得+2分；70%-90%得+1分；30%-70%得0分；10%-30%得-1分；<10%得-2分[22]。 4. **模型名称：权益资产资金流指标模型**[27] * **模型构建思路**：通过计算指数月度主动净流入额的短期变化，来判断资金流向是处于流入还是流出状态[27]。 * **模型具体构建过程**： 1. 获取中证800指数的月度主动净流入额数据[27]。 2. 计算资金流指标：资金流指标 = (历史1个月主动净流入额) - (历史6个月平均月度主动净流入额)[27]。 3. 若该指标值为正，则认为处于资金流入状态，得分+1；若为负，则为资金流出状态，得分-1[27]。 5. **模型名称：固定比例+宏观指标+技术指标配置模型**[35] * **模型构建思路**：在固定比例（基准）资产配置的基础上，根据宏观指标和技术指标产生的月度信号，动态调整各类资产的配置权重[35]。 * **模型具体构建过程**： 1. 选定7类基础资产（权益、债券、黄金、工业品、货币等）并设定固定的基准配置权重[35][37]。 2. 每月末，汇总各资产的宏观指标得分和技术指标得分，得到总得分[34]。 3. 根据总得分方向（正或负），对非货币资产在基准权重上进行一定比例（如5%）的权重增减调整，并相应反向调整货币资产的配置比例，以保持总权重为100%[35]。 6. **模型名称：经典资产配置模型+宏观指标+技术指标**[43] * **模型构建思路**：以控制波动率模型或风险平价模型生成的权重作为基准组合，再叠加宏观与技术信号进行权重调整，并在换手率和权重上限方面施加约束以提高可行性[43]。 * **模型具体构建过程**： 1. 选择与固定比例模型相同的7类基础资产[43]。 2. 构建两个经典配置基准组合： * **控制波动率组合**：以控制年化波动率不超过6%为目标优化权重[43]。 * **风险平价组合**：以风险贡献度均衡为目标优化权重[43]。 3. 每月末，根据宏观与技术指标的总得分，对非货币资产的基准权重进行动态调整，并相应调整货币资产权重[43]。 4. 施加约束条件：权益资产总权重不超过30%，商品资产总权重不超过20%；单一资产月度换手率不超过20%，总月度换手率不超过30%[43]。 量化因子与构建方式 1. **因子名称：宏观指标趋势因子**[10] * **因子构建思路**：将宏观指标的历史均线方向（上行/下行）转化为对特定资产的看多（+1）或看空（-1）信号[10][15]。 * **因子具体构建过程**：对于每个宏观指标-资产对，根据T检验结果，若指标趋势对资产收益影响显著，则当最新均线方向为上行时，因子取值为+1（利多），下行时取值为-1（利空）；若不显著，则可能不产生信号或取值为0[10][15]。 2. **因子名称：资产价格趋势因子**[16] * **因子构建思路**：通过计算特定资产价格（或LLT指标）的短期与长期平均涨跌幅之差，或直接使用短期平均涨跌幅，来判断价格趋势方向[16]。 * **因子具体构建过程**：如模型部分所述，针对四类资产（权益、债券、黄金、工业品）分别计算其特定的趋势指标值。根据该值的正负，因子取值为+1（趋势向上）或-1（趋势向下）[16][21]。 3. **因子名称：股权风险溢价（ERP）分位数因子**[21] * **因子构建思路**：将权益资产的估值水平（ERP历史分位数）转化为多档得分因子，用于评估其估值吸引力[21][22]。 * **因子具体构建过程**：计算当前ERP的5年历史分位数，并根据预设阈值映射为离散得分：分位数>90%得+2，70%-90%得+1，30%-70%得0，10%-30%得-1，<10%得-2[21][22]。 4. **因子名称：资金流变化因子**[27] * **因子构建思路**：通过比较近期与中期资金净流入的差异，捕捉资金流向的边际变化，作为市场情绪的代理指标[27]。 * **因子具体构建过程**：计算“历史1个月主动净流入额”与“历史6个月平均月度主动净流入额”的差值。若差值为正，因子取值为+1（资金流入）；若为负，取值为-1（资金流出）[27]。 模型的回测效果 （数据区间：2006年4月 至 2025年12月31日） 1. **固定比例+宏观指标组合**，年化收益率9.46%，最大回撤11.30%，年化波动率6.03%[40] 2. **固定比例+技术指标组合**，年化收益率8.29%，最大回撤12.65%，年化波动率6.17%[40] 3. **固定比例+宏观指标+技术指标组合**，年化收益率10.22%，最大回撤9.34%，年化波动率6.24%[40] 4. **固定比例基准组合**，年化收益率6.43%，最大回撤18.63%，年化波动率5.84%[40] 5. **控制年化波动率6%+宏观指标+技术指标组合**，年化收益率9.10%，最大回撤5.06%，年化波动率4.94%[47] 6. **风险平价+宏观指标+技术指标组合**，年化收益率8.28%，最大回撤4.47%，年化波动率3.40%[47] 因子的回测效果 （注：报告中未提供单个因子的独立回测绩效指标，如IC、IR等。因子效果体现在其集成到配置模型后，模型整体表现的提升上。）

量化模型与构建方式 1. Barra机器学习因子模型 * **模型名称**：Barra MLP因子模型[30] * **模型构建思路**：突破传统线性多因子模型的限制，利用多层感知机（MLP）强大的非线性拟合能力，深度挖掘Barra风格因子与个股未来残差收益之间复杂、非线性的映射关系，以捕捉线性模型无法触及的高阶Alpha信息[30][31]。 * **模型具体构建过程**： 1. **长期风险模型构建与残差收益剥离**：以Barra CNE6框架为蓝本，构建包含1个国家因子、31个一级行业因子和15个长期风格因子的风险模型[36]。通过横截面回归将个股收益分解为共同因子解释部分和特质收益部分，回归残差即为剔除了市场、行业及主流风格影响后的特质收益，作为机器学习模型的预测目标[40]。 2. **机器学习模型滚动训练**：特征集为15个长期风格因子的当期暴露度，标签为下一期的个股残差收益率[41]。采用多周期滚动训练，窗口长度分别为72个月、36个月和24个月，每月月末利用最新数据对三个模型进行全量参数更新[41]。 3. **多周期预测信号合成**：每月末，三个独立训练的MLP模型分别输出预测值。对三个预测向量分别进行截面Z-Score标准化，然后采用等权平均或基于历史IC的加权平均，合成单一的初步机器学习因子[42][43]。 4. **因子正交化处理**：将合成因子作为因变量，对15个长期风格因子进行横截面回归，提取回归残差。此步骤确保新因子与现有Barra风格因子体系保持正交，提供纯粹的增量信息[44]。 5. **纯因子收益率计算与检验**：将正交化后的机器学习因子纳入增强的Barra风险模型（包含国家、行业、长期及短期风格因子）进行横截面回归，其回归系数即为“纯因子收益率”，用于量化该因子的实际贡献[45]。 2. mHC-MLP改进模型 * **模型名称**：mHC-MLP模型（流形约束超连接多层感知机）[4] * **模型构建思路**：针对金融数据低信噪比、非平稳的特性，在传统MLP基础上引入流形约束超连接（mHC）结构，从模型拓扑与几何约束两方面提升数值稳定性与抗外推能力，以抑制对噪声的过拟合，获得更稳健的因子信号[1][13]。 * **模型具体构建过程**： 1. **核心架构替换**：在Barra机器学习因子构建流程中，将步骤3.2的核心计算模块（传统MLP）替换为mHC架构，保持输入特征、目标变量及训练框架完全一致[48]。 2. **动态路由机制**：mHC层将单一特征流扩展为n个并行的子流（Sub-streams）。设输入特征维度为C，扩展率为n，则每一层l的状态更新公式为： $$X_{l+1} = H_{res} * X_l + H_{post}^T * F(H_{pre} * X_l, W_l)$$ 其中，`H_res`为残差连接矩阵，负责在n个子流间进行线性信息交换；`H_pre`为扇入映射，将n个子流信息压缩聚合；`F`为标准MLP块（Linear -> ReLU -> Linear），负责非线性特征提取；`H_post`为扇出映射，将提取的特征广播回n个子流[49][50]。 3. **流形约束**：对残差连接矩阵`H_res`施加双随机矩阵（Doubly Stochastic Matrix）约束，即要求矩阵元素非负，且每一行和与每一列和均为1[22][53]。此约束通过Sinkhorn-Knopp迭代算法在训练过程中实时投影实现[23][54]。该约束限制了矩阵的谱范数（≤1），保证了信号传播的非扩张性，提升了数值稳定性[23][55]。 4. **非负映射**：要求扇入映射`H_pre`和扇出映射`H_post`的参数保持非负，通常使用Sigmoid函数映射到(0,1)区间，确保特征聚合是基于“加权累加”而非“差分抵消”，使输出位于输入凸包内，抑制过度外推[24]。 5. **参数初始化与深度堆叠**：采用冷启动策略，将门控因子α初始化为0.01，使网络初期接近恒等映射[25][26]。得益于流形约束带来的稳定性，网络深度可从传统Barra MLP的3层扩展至6层，以学习更高阶的因子交互关系[56][57]。 * **模型评价**：mHC结构有效抑制了因子输出的尖峰-肥尾特性，使分布更接近正态，并表现出更高的长期稳定性[2]。其平滑与守恒特性有助于降低换手率、提升稳健性，但在由短期资金面博弈驱动的行情中，可能弱化对瞬时套利信号的响应，表现可能落后于更激进的无约束模型[2][75]。 模型的回测效果 1. **Barra MLP因子模型**，纯因子累计收益率超过15%[46]，t统计量达到2.8[46]，IC_IR指标为0.45[46]。 2. **mHC-MLP改进模型**，纯因子累计收益率为49%[75]（对比基准Barra MLP的56%[75]）。 量化因子与构建方式 1. Barra长期风格因子集 * **因子名称**：Size（规模）、Beta（贝塔）、Momentum（动量）、Residual Volatility（残差波动）、Non-linear Size（非线性规模）、Value（估值）、Growth（成长）、Liquidity（流动性）、Leverage（杠杆）、DivYild（股息率）、Profit（盈利）、EarnVar（盈利波动）、InvSqlty（投资质量）、EarnQlty（盈利质量）、LTRevrsl（长期反转）[38][40]。 * **因子构建思路**：涵盖市值、风险、动量、估值、成长性、流动性、财务质量等多个核心维度，用于构建长期风险模型并解释股票收益[36][40]。 * **因子具体构建过程**：作为Barra CNE6风险模型的标准组成部分，具体构建方法遵循MSCI Barra的规范[36][40]。 因子的回测效果 *注：报告未提供Barra单个长期风格因子的独立测试结果取值。*