量化模型与构建方式 1. **模型名称：基于分位数随机森林（QRF）分布预测的科技类ETF轮动策略**[1] * **模型构建思路**：针对科技类指数波动大、尾部风险高的特点，采用分位数随机森林模型预测指数未来周度收益率的完整分布，以更精确地刻画短期风险[28]。基于预测分布构建多维度评价体系筛选潜力指数，并结合仓位控制与组合优化方法，构建ETF轮动策略，旨在控制下行风险的同时获取超额收益[1][68]。 * **模型具体构建过程**： * **步骤1：指数分布预测**。使用分位数随机森林模型，以Fama-French五因子的周度收益率作为自变量，预测各科技大类行业指数未来一周收益率的分位数[52]。回归窗口为近104周数据[85]。通过预测得到的一系列分位数（如以5%为间隔），采用在相邻分位数间填充均匀分布的方法，近似得到指数的完整收益率分布，并可进行模拟抽样[42][43]。 * **步骤2：指数综合评价与初选**。基于步骤1得到的预测分布（或模拟样本），为每个指数计算7个指标并标准化，然后加权复合得到综合评分[61][66][67]。7个指标及其权重为：50%分位数（1倍）、75%分位数（1倍）、平均收益率（1倍）、Sharpe比率（2倍）、Sortino比率（1倍）、Omega比率（1倍）、胜率（1倍）[68]。选取综合评分最高的5支指数，并确保所选指数覆盖的最小行业层级最多出现一次，以防止行业过度集中[85]。 * **步骤3：ETF标的选取**。为步骤2选出的每支指数，选取追踪该指数、且过去21个交易日日均成交额最大的ETF作为投资标的[85]。 * **步骤4：组合权重优化**。对步骤3选出的5支ETF，采用结合指数收益率分布预测的二阶随机占优方法进行权重优化，以控制组合尾部风险[75]。具体流程包括：利用指数近8周日频收益率序列拟合GARCH模型，得到标准化残差序列并构建协方差矩阵[75][76]；生成多维正态分布样本，并映射到由QRF预测的分位数所构建的实际边际分布中，得到预测的联合分布模拟样本[79]；以该模拟样本为基础，以二阶随机占优条件作为约束，求解ETF最优持仓权重，并约束每支ETF权重不低于科技大类持仓总权重的5%[77][78][80][82]。 * **步骤5：整体仓位控制**。在每次调仓日，计算科技大类行业指数的平均收盘价序列的MACD指标，若出现“死叉”，则将总ETF持仓权重设为50%[71][72]。若未出现“死叉”，则计算市场波动率（基于上述指数滚动标准差均值）在过去252个交易日中的分位点，若该分位点大于50%，则总ETF持仓权重设为50%，否则设为(1-分位点)[72]。此步骤用于规避系统性下行风险[68]。 * **步骤6：最终持仓确定**。将步骤4得到的5支ETF优化权重，等比例缩放至步骤5确定的总ETF持仓权重，剩余仓位全部配置华安黄金ETF（518880.SH）以进行风险对冲[85][71]。 模型的回测效果 1. **基于QRF分布预测的科技类ETF轮动策略**（回测区间：2020年1月2日至2025年12月12日）[86] * 年化收益率：24.19%[86][88] * 年化波动率：20.58%[88] * Sharpe比率：1.1560[88] * Calmar比率：0.9061[88] * 最大回撤：-26.70%[88] * 累计收益率：245.45%（相较于科创50指数超额累计156.10%）[86][89] 量化因子与构建方式 1. **因子名称：Fama-French五因子**[44] * **因子构建思路**：作为资产定价模型，用于解释股票回报率的差异，包含市场、市值、价值、盈利和投资五个维度的系统性风险因子[44][46]。在本报告中，其周度收益率被用作分位数随机森林模型的自变量，以预测指数收益率分布[52]。 * **因子具体构建过程**：采用简易计算方法，日频计算，具体如下[46][49]： * **MKT（市场因子）**：每个交易日，在A股成分股中剔除风险警示板股票及最近报告期每股净利润为负的股票，以前一交易日总市值加权计算当日市场收益率，减去当日银行间同业拆借加权利率[49]。 * **SMB（市值因子）**：以上述股票池为样本，按前一交易日总市值从小到大均分为10组，做多第1组（最小市值），做空第10组（最大市值），以前一交易日总市值加权计算当日因子收益率[49]。 * **HML（价值因子）**：以上述股票池为样本，按前一交易日最近财年市净率（PB-LF）从大到小均分为10组，做多第1组（高市净率，价值股），做空第10组（低市净率，成长股），以前一交易日总市值加权计算当日因子收益率[49]。 * **RMW（盈利因子）**：以上述股票池为样本，按最近报告期营业利润从大到小均分为10组，做多第1组（高盈利），做空第10组（低盈利），以前一交易日总市值加权计算当日因子收益率[49]。 * **CMA（投资因子）**：以上述股票池为样本，按最近报告期净资产收益率（ROE）从小到大均分为10组，做多第1组（低ROE，投资保守），做空第10组（高ROE，投资激进），以前一交易日总市值加权计算当日因子收益率[49]。 2. **因子名称：基于QRF分布预测的指数轮动复合因子**[56][66] * **因子构建思路**：从预测的指数收益率分布中提取多个有效信号，综合收益率、风险调整后收益及胜率三个维度，构建一个用于指数轮动的综合评分因子[56]。 * **因子具体构建过程**： * **步骤1：计算基础指标**。利用QRF预测的分布（或生成的模拟样本），为每个指数计算以下7个指标[61][63][64]： * **收益率指标**：50%分位数（中位数）、75%分位数、平均收益率（通过模拟样本计算）[61]。 * **风险调整后收益指标**：Sharpe比率（无风险利率设为0）、Sortino比率（下行标准差）、Omega比率[63]。 * **胜率指标**：模拟样本中收益率大于0的样本频率[64]。 * **步骤2：指标标准化**。对每个指标进行截面标准化，以消除量纲影响[66]。公式为： $$X_{i j}={\frac{x_{i j}-{\overline{{x_{i}}}}}{S_{i}}}$$ 其中，$x_{ij}$为第$j$个指数第$i$个指标的实际值，$X_{ij}$为标准化后的值，$\overline{x_i}$为第$i$个指标的截面均值，$S_i$为截面样本标准差[67]。 * **步骤3：指标复合**。将标准化后的各指标按既定方向和权重加权求和，得到每个指数的最终复合评分[67]。公式为： $$S c o r e_{j}=\sum_{i=1}^{M}D_{i}\;W_{i}X_{i}$$ 其中，$Score_j$为第$j$个指数的总复合指标值，$D_i$为第$i$个指标的方向（全部为正向），$W_i$为第$i$个指标的权重[67][68]。 因子的回测效果 1. **50%分位数因子**，平均斯皮尔曼IC值：0.0642[62] 2. **75%分位数因子**，平均斯皮尔曼IC值：0.0582[62] 3. **平均收益率因子**，平均斯皮尔曼IC值：0.0719[62] 4. **Sharpe比率因子**，平均斯皮尔曼IC值：0.0616[64] 5. **Sortino比率因子**，平均斯皮尔曼IC值：0.0581[64] 6. **Omega比率因子**，平均斯皮尔曼IC值：0.0602[64] 7. **胜率因子**，平均斯皮尔曼IC值：0.0586[64] *(注：以上IC值为各指标与对应指数下一周真实收益率的斯皮尔曼秩相关系数在2020年至2025年12月12日期间的周度平均值)[61][63][64]*

量化模型与因子总结 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或择时模型，因此无量化模型相关内容。 量化因子与构建方式 报告中对多个市场指标（可视为观测因子）进行了计算和跟踪，具体如下： 1. **因子名称：连阴连阳天数** * **因子构建思路**：通过计算指数K线连续为阴线或阳线的天数，来跟踪市场的短期趋势强度和持续性[12]。 * **因子具体构建过程**：从指定起始日开始，逐日判断指数收盘价涨跌。若当日收益率为正，则连阳天数加1，连阴天数重置为0；若为负，则连阴天数加1（以负数表示），连阳天数重置为0。正数表示连阳天数，负数表示连阴天数[12]。 2. **因子名称：指数与均线比较** * **因子构建思路**：通过计算指数收盘价相对于不同周期移动平均线（MA）的偏离百分比，来判断指数短期、中期和长期的趋势位置及支撑压力情况[15]。 * **因子具体构建过程**：首先计算各宽基指数在不同周期（如5日、10日、20日、60日、120日、250日）的简单移动平均线（MA）。然后计算指数收盘价相对于各均线的偏离百分比。公式为： $$偏离百分比 = \frac{收盘价 - 移动平均线}{移动平均线} \times 100\%$$ 例如，`vsMA5` 表示收盘价相对于5日均线的偏离百分比[15]。 3. **因子名称：交易金额占比** * **因子构建思路**：计算单一宽基指数成交额占全市场（以中证全指代表）成交额的比例，用以观察资金在不同风格板块间的流动和集中度[17]。 * **因子具体构建过程**：对于特定指数，在交易日T，计算其所有成分股的成交额之和。同时计算中证全指在交易日T的成交额。该因子值为： $$交易金额占比_T = \frac{指数T日成交额}{中证全指T日成交额} \times 100\%$$ [17]。 4. **因子名称：指数换手率** * **因子构建思路**：衡量指数整体成分股的交易活跃度，采用流通市值加权的方式计算，比简单平均更能反映整体市场的换手情况[17]。 * **因子具体构建过程**：对于特定指数，在交易日T，计算其所有成分股的流通市值加权换手率。公式为： $$指数换手率_T = \frac{\sum (成分股流通股本_i \times 成分股换手率_{i,T})}{\sum (成分股流通股本_i)}$$ 其中，`i` 代表指数成分股[17]。 5. **因子名称：收益分布峰度与偏度** * **因子构建思路**：通过计算指数日收益率分布的峰度和偏度，来刻画收益分布的尖峭程度和对称性，并与历史分布进行比较，观察市场波动形态的变化[23][25]。 * **因子具体构建过程**：选取特定时间窗口（如近一年、近五年）的指数日收益率序列。计算该序列的峰度（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： $$峰度 = \frac{E[(R-\mu)^4]}{\sigma^4} - 3$$ $$偏度 = \frac{E[(R-\mu)^3]}{\sigma^3}$$ 其中，`R`为日收益率序列，`μ`为序列均值，`σ`为标准差，`E`为期望算子[25]。 6. **因子名称：风险溢价** * **因子构建思路**：以十年期国债即期收益率作为无风险利率的代理变量，计算股票指数预期收益率（常用市盈率倒数或股息率近似）与之差值，用以衡量股票市场相对于债券市场的风险补偿和投资价值[27][31]。 * **因子具体构建过程**：报告中风险溢价的计算基于股息率。对于特定指数，在交易日T，其风险溢价为： $$风险溢价_T = 指数股息率_T - 十年期国债即期收益率_T$$ 同时，计算该风险溢价在近1年、近5年时间窗口内的历史分位值，以判断当前风险溢价在历史中所处的位置[31]。 7. **因子名称：PE-TTM 分位值** * **因子构建思路**：计算指数当前滚动市盈率（PE-TTM）在其历史序列中所处的百分位位置，用以判断指数估值水平的高低[37][41]。 * **因子具体构建过程**：获取指数在特定回顾期（如近5年）内每个交易日的PE-TTM值，构成历史序列。将当前PE-TTM值与该历史序列进行比较，计算其百分位数。例如，95%的分位值表示当前估值比回顾期内95%的时间都要高[41][42]。 8. **因子名称：股债性价比** * **因子构建思路**：将股票指数市盈率的倒数（即盈利收益率）与十年期国债收益率进行比较，其差值可以衡量股票资产相对于债券资产的吸引力[44]。 * **因子具体构建过程**：对于特定指数，在交易日T，其股债性价比为： $$股债性价比_T = \frac{1}{PE-TTM_T} - 十年期国债即期收益率_T$$ 报告中将此差值的时间序列与基于历史数据计算的统计阈值（如80%分位、20%分位、均值±1倍标准差）进行对比[44]。 9. **因子名称：股息率** * **因子构建思路**：计算指数成分股的现金分红回报率，是价值投资和红利策略关注的核心指标，用于评估指数的现金回报能力和估值水平[46][51]。 * **因子具体构建过程**：指数股息率通常为其成分股过去12个月现金分红总额除以指数总市值。报告中也计算了当前股息率在近1年、近5年及全部历史数据中的分位值[51]。 10. **因子名称：破净率** * **因子构建思路**：计算指数中市净率（PB）小于1的个股数量占指数总成分股数量的比例，用以反映市场整体的悲观程度和估值底部的特征[52][55]。 * **因子具体构建过程**：对于特定指数，在交易日T，遍历其所有成分股，判断其市净率是否小于1。破净率计算公式为： $$破净率_T = \frac{市净率<1的成份股数量}{指数总成份股数量} \times 100\%$$ [55]。 因子的回测效果 本报告为市场数据跟踪报告，未提供因子在选股或择时策略中的具体回测绩效指标（如IC、IR、多空收益、夏普比率等）。报告主要呈现了各因子在特定时点（2025年12月19日）的截面取值或时间序列上的当前状态，具体数值如下： 1. **连阴连阳天数因子**：上证50、中证500、中证1000、中证2000、中证全指均为连阳3天；创业板指为连阴2天[12]。 2. **指数与均线比较因子**：以`vsMA5`为例，上证50为0.6%，沪深300为0.4%，中证500为0.9%，中证1000为0.7%，中证2000为1.2%，中证全指为0.7%，创业板指为-0.02%[15]。 3. **交易金额占比因子**：中证2000为25.62%，沪深300为21.81%，中证1000为21.27%，中证500为未明确列示但低于前述，上证50、创业板指、中证全指占比未明确列示[17]。 4. **指数换手率因子**：中证2000为4.02，中证1000为2.22，创业板指为2.05，中证全指为1.64，中证500为1.6，沪深300为0.47，上证50为0.22[17]。 5. **收益分布峰度与偏度因子**：以“当前vs近5年”变化为例，峰度变化：创业板指为-2.58，中证500为-2.23，上证50为-2.12，中证全指为-1.87，沪深300为-1.88，中证2000为-1.59，中证1000为-1.43；偏度变化：创业板指为-0.63，中证500为-0.56，上证50为-0.59，中证全指为-0.46，沪深300为-0.47，中证2000为-0.38，中证1000为-0.37[25]。 6. **风险溢价因子**：当前值：中证2000为1.46%，中证500为0.96%，中证1000为0.78%，中证全指为0.76%，创业板指为0.48%，沪深300为0.33%，上证50为0.19%。近5年分位值：中证2000为86.03%，中证500为81.83%，中证全指为77.86%，中证1000为73.65%，沪深300为66.27%，创业板指为64.13%，上证50为60.00%[31]。 7. **PE-TTM 分位值因子**：近5年历史分位值：中证500为95.21%，中证1000为93.88%，中证全指为91.82%，沪深300为83.14%，上证50为82.56%，中证2000为81.07%，创业板指为56.78%[41][42]。 8. **股债性价比因子**：报告未给出具体数值，仅给出定性结论：没有指数高于其80%分位（机会值），中证500低于其20%分位（危险值）[44]。 9. **股息率因子**：当前值：上证50为3.17%，沪深300为2.76%，中证全指为2.05%，中证500为1.45%，中证1000为1.14%，创业板指为0.99%，中证2000为0.79%。近5年历史分位值：创业板指为65.37%，中证1000为49.09%，沪深300为38.18%，中证全指为36.69%，上证50为31.32%，中证2000为24.55%，中证500为24.38%[49][51]。 10. **破净率因子**：上证50为22.0%，沪深300为16.0%，中证500为11.0%，中证1000为8.0%，中证全指为6.1%，中证2000为3.25%，创业板指未提供[55]。

量化模型与构建方式 1. **模型名称：A股景气度高频指数模型**[28] * **模型构建思路**：以上证指数归母净利润同比为Nowcasting目标，构建一个能够高频反映A股景气度变化的指数[28]。 * **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》[28]。 2. **模型名称：A股情绪指数模型**[31] * **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，并据此构建包含见底预警与见顶预警的情绪指数[31]。 * **模型具体构建过程**：将市场按照波动率和成交额的变化方向划分为四个象限。其中，“波动上-成交下”的区间为显著负收益，其余象限为显著正收益。基于此规律构造情绪指数[31]。具体构建详情需参考报告《视角透析：A股情绪指数构建与观察》[31]。 3. **模型名称：主题挖掘算法模型**[44] * **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[44]。 * **模型具体构建过程**：算法涉及文本处理、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多个维度[44]。报告未提供具体的数学公式或更详细的步骤。 4. **模型名称：中证500指数增强模型**[44] * **模型构建思路**：构建一个旨在持续跑赢中证500基准指数的投资组合[44]。 * **模型具体构建过程**：报告未披露该增强模型的具体因子构成、权重配置或优化方法，仅展示了其持仓明细和业绩表现[44][48]。 5. **模型名称：沪深300指数增强模型**[51] * **模型构建思路**：构建一个旨在持续跑赢沪深300基准指数的投资组合[51]。 * **模型具体构建过程**：报告未披露该增强模型的具体因子构成、权重配置或优化方法，仅展示了其持仓明细和业绩表现[51][54]。 6. **模型/因子框架：BARRA风格因子模型**[56] * **构建思路**：参照BARRA因子模型框架，对A股市场构建一套系统的风格因子体系，用于风险管理和收益归因[56]。 * **具体构建过程**：报告列出了所构建的十大类风格因子名称，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）[56]。未提供各因子的具体计算公式。 模型的回测效果 1. **A股情绪指数系统择时表现**：报告通过图表展示了该系统的择时表现，但未给出具体的量化指标数值[41]。 2. **中证500增强组合**：截至本周，2020年至今相对中证500指数的累计超额收益为48.25%，历史最大回撤为-5.89%[44]。 3. **沪深300增强组合**：截至本周，2020年至今相对沪深300指数的累计超额收益为39.40%，历史最大回撤为-5.86%[51]。 量化因子与构建方式 1. **因子名称：市值（SIZE）**[56] * **因子构建思路**：衡量公司规模大小的风格因子[56]。 2. **因子名称：BETA**[56] * **因子构建思路**：衡量股票相对于市场整体波动性的风格因子[56]。 3. **因子名称：动量（MOM）**[56] * **因子构建思路**：衡量股票价格趋势强弱的风格因子[56]。 4. **因子名称：残差波动率（RESVOL）**[56] * **因子构建思路**：衡量股票特异性风险（非系统性风险）的风格因子[56]。 5. **因子名称：非线性市值（NLSIZE）**[56] * **因子构建思路**：捕捉市值因子非线性效应的风格因子[56]。 6. **因子名称：估值（BTOP）**[56] * **因子构建思路**：衡量股票估值水平的风格因子，通常与账面市值比相关[56]。 7. **因子名称：流动性（LIQUIDITY）**[56] * **因子构建思路**：衡量股票交易活跃度与变现难易程度的风格因子[56]。 8. **因子名称：盈利（EARNINGS_YIELD）**[56] * **因子构建思路**：衡量公司盈利能力的风格因子[56]。 9. **因子名称：成长（GROWTH）**[56] * **因子构建思路**：衡量公司成长能力的风格因子[56]。 10. **因子名称：杠杆（LVRG）**[56] * **因子构建思路**：衡量公司财务杠杆水平的风格因子[56]。 因子的回测效果 * **近期表现评价**：本周风格因子中，盈利因子超额收益较高，残差波动率、非线性市值因子呈现较为显著的负向超额收益。从近期表现看，高Beta因子表现优异，杠杆、流动性等因子表现不佳[57]。 * **因子暴露相关性**：近一周数据显示，流动性因子分别与Beta、动量、残差波动率因子呈现明显正相关性；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[57][58]。

量化模型与构建方式 **注：** 根据提供的研报内容，报告主要涉及市场动态、政策梳理和事件追踪，并未详细阐述任何具体的量化模型或量化因子的构建思路、过程及公式。因此，本部分无相关内容可总结。 量化因子与构建方式 **注：** 根据提供的研报内容，报告主要涉及市场动态、政策梳理和事件追踪，并未详细阐述任何具体的量化模型或量化因子的构建思路、过程及公式。因此，本部分无相关内容可总结。 模型的回测效果 **注：** 报告未提供任何量化模型的回测效果指标数据。 因子的回测效果 **注：** 报告未提供任何量化因子的回测效果指标数据。

量化因子总结 量化因子与构建方式 1. **因子名称**：价格稳定大类因子[13] * **因子构建思路**：衡量股票价格相对于市场系统性风险的稳定程度，通常价格越稳定，未来表现可能越好[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **残差波动率**：Fama-French三因子模型回归残差的标准差[13]。 * **特异率**：1减去Fama-French三因子模型回归的拟合优度（R²）[13]。公式为：$$特异率 = 1 - R^2$$ * **残差峰度**：Fama-French三因子模型回归残差的峰度[13]。 * **高价振幅**：价格处于最高20%区间的平均振幅[13]。 2. **因子名称**：成交稳定大类因子[13] * **因子构建思路**：衡量股票成交的稳定性和有序程度，成交越稳定，可能预示未来表现越好[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **换手率变异系数**：换手率的标准差除以平均值[13]。 * **成交占比熵**：以成交量占比作为概率p，代入熵公式计算[13]。 * **量大单买入强度**：过去n个交易日，大买单成交额的标准差除以平均值[13]。 * **波峰**：使用日内1分钟成交量K线数据，以均值加1倍标准差为阈值筛选，计算局部峰值K线数量的20日移动平均[13]。 3. **因子名称**：流动性大类因子[13] * **因子构建思路**：衡量股票的流动性，流动性过高或过低可能对未来收益有不同影响[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **换手率**：成交量除以总股本[13]。 * **非流动性**：收益率绝对值除以总成交额[13]。 * **一致买入占比**：一致买入区间内的买入成交额除以总成交额[13]。 4. **因子名称**：拥挤度大类因子[13] * **因子构建思路**：衡量交易行为的拥挤程度，过度拥挤可能预示反转风险[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **量价相关性**：成交量和复权收盘价的秩相关系数[13]。 * **加权偏度**：以成交量加权的收盘价偏度[13]。 * **时量价比**：时间加权价格除以成交量加权价格[13]。 * **高量交易成本**：价格处于最高20%区间的成交量除以全区间总成交量[13]。 5. **因子名称**：成交笔数大类因子[13] * **因子构建思路**：从每笔成交的微观结构角度挖掘信息，例如大单行为或反转信号[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **每笔成交额**：总成交额除以成交笔数[13]。 * **高量每笔成交**：以5分钟成交量为划分，筛选成交量最高的20%数据计算每笔成交额，再除以全时间段每笔成交额[13]。 * **每笔流出额占比**：以成交量为划分，计算每笔流出额占全区间每笔流出额的比例[13]。 * **短期反转**：以5分钟成交量除以成交笔数为划分，筛选该比值最低的20%数据，计算其对数收益率之和[13]。 6. **因子名称**：反转大类因子[13] * **因子构建思路**：捕捉价格的短期反转效应[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **收益偏度**：收益率的偏度[13]。 * **半衰残差动量**：过去240个交易日，使用Fama-French三因子模型计算的日度残差收益率，从第240日到第20日进行累积[13]。 * **长期动量**：过去240个交易日（剔除最近20个交易日）的收益率[13]。 * **排序动量**：对日度收益率做截面排序，对过去240个交易日（剔除最近20日）的排序值求和[13]。 7. **因子名称**：成长大类因子[13] * **因子构建思路**：衡量公司的成长性，成长性高的公司可能获得溢价[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **ROE增长**：过去8个季度的ROE对时间进行线性回归的斜率项[13]。 * **总资产周转率增长**：过去8个季度的总资产周转率对时间进行线性回归的斜率项[13]。 * **归母净利润同比**：(本期季度归母净利润 - 去年同期季度归母净利润) / |去年同期季度归母净利润|[13]。 * **营业收入同比**：(本期季度营业收入 - 去年同期季度营业收入) / |去年同期季度营业收入|[13]。 * **ROE同比**：本期季度ROE减去去年同期季度ROE[13]。 * **总资产周转率同比**：本期季度总资产周转率减去去年同期季度总资产周转率[13]。 8. **因子名称**：SUE（标准化意外盈余）大类因子[13] * **因子构建思路**：衡量公司盈利超出市场预期的程度[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **ROE 2年SUE**：单季度扣非净利润归一化后对时间进行回归的斜率[13]。 * **总资产周转率2年SUE**：单季度扣非净利润对时间回归的斜率除以平均净资产[13]。 * **净利率2年SUE**：(归母净利润 - 过去8个季度均值) / 过去8个季度标准差[13]。 * **现金总资产比率2年SUE**：(GPOA - 过去8个季度均值) / 过去8个季度标准差[13]。 * **现金营业收入比率2年SUE**：(销售毛利率 - 过去8个季度均值) / 过去8个季度标准差[13]。 9. **因子名称**：质量大类因子[13] * **因子构建思路**：衡量公司的盈利质量和财务稳健性[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **ROE**：净利润除以净资产[13]。 * **总资产周转率**：营业收入除以总资产[13]。 * **净利率**：净利润除以营业收入[13]。 * **现金总资产比率**：经营活动现金流净额除以总资产[13]。 * **现金营业收入比率**：经营活动现金流净额除以营业收入[13]。 10. **因子名称**：价值大类因子[13] * **因子构建思路**：衡量股票的估值水平，估值越低可能未来收益越高[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **BP**：净资产除以总市值[13]。 * **SALES2EV**：营业收入除以企业价值[13]。 * **DP**：近12个月分红除以总市值[13]。 * **EP**：归母净利润TTM除以总市值[13]。 11. **因子名称**：分析师大类因子[13] * **因子构建思路**：基于分析师预期数据，捕捉市场一致预期的变化[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **预期增长**：分析师一致预期EPS近两个月的平均值除以较远两个月的平均值[13]。 12. **因子名称**：动量大类因子[13] * **因子构建思路**：捕捉价格的趋势延续效应[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。 因子的回测效果 *测试时间段：2025年1月2日至2025年12月12日[16]* 大类因子表现 1. **成交笔数因子**，IC 9.15%， ICIR 1.08， 超额收益 5.48%， 超额最大回撤 3.59%， 信息比 0.90， 多空收益 20.03%， 多空最大回撤 9.46%， 多空夏普比 1.32[16] 2. **流动性因子**，IC 9.72%， ICIR 1.08， 超额收益 23.67%， 超额最大回撤 3.80%， 信息比 3.43， 多空收益 43.64%， 多空最大回撤 5.42%， 多空夏普比 2.84[16] 3. **成交稳定因子**，IC 8.55%， ICIR 1.18， 超额收益 1.33%， 超额最大回撤 6.59%， 信息比 0.18， 多空收益 21.20%， 多空最大回撤 3.85%， 多空夏普比 1.78[16] 4. **拥挤度因子**，IC 7.53%， ICIR 1.19， 超额收益 10.36%， 超额最大回撤 2.07%， 信息比 2.23， 多空收益 21.02%， 多空最大回撤 3.31%， 多空夏普比 2.26[16] 5. **价格稳定因子**，IC 9.41%， ICIR 1.23， 超额收益 6.86%， 超额最大回撤 5.47%， 信息比 1.25， 多空收益 15.26%， 多空最大回撤 7.43%， 多空夏普比 1.07[16] 6. **反转因子**，IC 7.13%， ICIR 1.39， 超额收益 7.00%， 超额最大回撤 3.03%， 信息比 1.67， 多空收益 17.58%， 多空最大回撤 5.60%， 多空夏普比 1.20[16] 7. **SUE因子**，IC 2.47%， ICIR 0.54， 超额收益 4.83%， 超额最大回撤 3.92%， 信息比 1.07， 多空收益 11.64%， 多空最大回撤 4.32%， 多空夏普比 1.84[16] 8. **成长因子**，IC 2.85%， ICIR 0.36， 超额收益 6.90%， 超额最大回撤 5.45%， 信息比 1.19， 多空收益 16.12%， 多空最大回撤 7.52%， 多空夏普比 1.76[16] 9. **分析师因子**，IC 0.65%， ICIR 0.14， 超额收益 7.23%， 超额最大回撤 5.95%， 信息比 0.86， 多空收益 6.38%， 多空最大回撤 6.42%， 多空夏普比 0.78[16] 10. **质量因子**，IC 2.47%， ICIR 0.23， 超额收益 -1.15%， 超额最大回撤 4.77%， 信息比 -0.35， 多空收益 2.38%， 多空最大回撤 8.99%， 多空夏普比 0.12[16] 11. **价值因子**，IC 4.38%， ICIR 0.42， 超额收益 -9.47%， 超额最大回撤 12.46%， 信息比 -1.07， 多空收益 -6.17%， 多空最大回撤 12.64%， 多空夏普比 -0.70[16] 12. **动量因子**，IC 0.02%， ICIR 0.00， 超额收益 -2.61%， 超额最大回撤 9.08%， 信息比 -0.17， 多空收益 -1.55%， 多空最大回撤 11.65%， 多空夏普比 0.00[16] 有效子类因子表现 1. **短期反转因子**，IC 6.27%， ICIR 1.21， 超额收益 4.86%， 超额最大回撤 4.04%， 信息比 1.04， 多空收益 21.09%， 多空最大回撤 4.61%， 多空夏普比 1.77[17] 2. **短期动量因子**，IC 3.18%， ICIR 1.10， 超额收益 6.68%， 超额最大回撤 5.81%， 信息比 1.22， 多空收益 16.08%， 多空最大回撤 3.02%， 多空夏普比 1.80[17] 3. **残差波动率因子**，IC 9.42%， ICIR 1.22， 超额收益 1.53%， 超额最大回撤 6.78%， 信息比 0.33， 多空收益 11.18%， 多空最大回撤 8.61%， 多空夏普比 0.68[17] 4. **特异率因子**，IC 7.18%， ICIR 1.26， 超额收益 6.94%， 超额最大回撤 3.91%， 信息比 1.17， 多空收益 15.81%， 多空最大回撤 5.09%， 多空夏普比 1.76[17] 5. **量价相关性因子**，IC 6.50%， ICIR 1.51， 超额收益 9.55%， 超额最大回撤 2.59%， 信息比 1.64， 多空收益 13.23%， 多空最大回撤 4.73%， 多空夏普比 1.53[17] 6. **时量价比因子**，IC 8.26%， ICIR 1.30， 超额收益 14.69%， 超额最大回撤 2.66%， 信息比 2.74， 多空收益 16.58%， 多空最大回撤 4.28%， 多空夏普比 1.67[17] 7. **换手率因子**，IC 10.75%， ICIR 1.29， 超额收益 17.46%， 超额最大回撤 5.21%， 信息比 2.75， 多空收益 35.69%， 多空最大回撤 7.72%， 多空夏普比 2.13[17] 8. **非流动性因子**，IC 7.38%， ICIR 0.93， 超额收益 28.21%， 超额最大回撤 4.10%， 信息比 3.68， 多空收益 37.47%， 多空最大回撤 3.52%， 多空夏普比 3.31[17] 9. **每笔流出额占比因子**，IC 6.71%， ICIR 1.43， 超额收益 -2.51%， 超额最大回撤 7.21%， 信息比 -0.43， 多空收益 5.43%， 多空最大回撤 6.51%， 多空夏普比 0.39[17] 10. **高量每笔成交因子**，IC 9.76%， ICIR 1.22， 超额收益 13.99%， 超额最大回撤 2.40%， 信息比 2.62， 多空收益 51.79%， 多空最大回撤 5.23%， 多空夏普比 3.45[17]

量化模型与构建方式 1. **模型名称：利率市场结构指标模型**[1][7] * **模型构建思路**：将1至10年期国债的到期收益率（YTM）数据，通过数学变换分解为三个独立的维度：水平、期限和凸性结构，用以从均值回归视角评估当前利率市场的相对位置[1][7]。 * **模型具体构建过程**：将1至10年期国债YTM数据拟合为一个关于期限t的二次多项式，通过回归系数来定义三个结构指标[7]。 1. 假设利率期限结构曲线为：$$YTM(t) = a + b \cdot t + c \cdot t^2$$，其中t为期限。 2. 通过回归得到系数a, b, c。 3. **水平结构**：由常数项a代表，反映整体利率水平。报告中的读数约为1.6%[1][7]。 4. **期限结构**：由一次项系数b代表，反映利率曲线的斜率（期限利差）。报告中的读数约为0.48%[1][7]。 5. **凸性结构**：由二次项系数c代表，反映利率曲线的弯曲程度。报告中的读数约为0.02%[1][7]。 6. 将当前的结构指标值与过去3年、5年、10年的历史数据进行比较，计算其历史分位数，以判断当前点位的高低[7][9]。 2. **模型名称：利率价量多周期择时模型**[2][6][10] * **模型构建思路**：基于核回归算法识别利率（YTM）历史走势的形态，刻画不同时间周期下的支撑线与阻力线，并根据利率走势对这些形态线的突破情况，生成多周期复合的择时信号[10]。 * **模型具体构建过程**： 1. **数据**：分别使用5年期、10年期、30年期国债的YTM数据作为输入[6][10][13][16]。 2. **周期设定**：设定长、中、短三个投资周期，其择时信号的平均切换频率分别为月度、双周度和周度[10][18]。 3. **形态识别**：应用核回归算法对各个周期的利率历史数据进行平滑拟合，生成表征趋势的支撑线和阻力线[10]。 4. **信号生成（单个周期）**：在每个周期内，判断当前利率是否向上突破阻力线（生成“向上突破”信号）或向下突破支撑线（生成“向下突破”信号），若无突破则“无信号”[10][11][15][17]。 5. **信号综合（多周期投票）**：综合三个周期的信号进行投票[6][10]。 * 统计“下行突破”总票数和“上行突破”总票数。 * **看多信号**：当“下行突破”票数达到总周期数（3个）的2/3及以上时（即≥2票），综合评分结果为“看多”[6][13]。 * **看空信号**：当“上行突破”票数达到总周期数（3个）的2/3及以上时（即≥2票），综合评分结果为“看空”（规则对称，报告中未出现实例）[10]。 * **中性信号**：若同向突破票数未达2/3，则结果为“中性震荡”[6][10]。对于美债模型，在“中性震荡”基础上，若近期曾发出看多信号且看多与看空总票数未发生反转，则最终研判为“中性偏多”[18]。 模型的回测效果 （注：以下回测结果均基于“利率价量多周期择时策略”，该策略以同名择时模型的信号进行久期轮动交易[21]） 1. **基于5年期国债YTM的择时策略** * **长期表现（2007.12.31至今）**：年化收益率5.48%，最大回撤2.88%，收益回撤比1.9，相对业绩基准的超额年化收益率1.07%，超额收益回撤比0.62[22][34]。 * **短期表现（2024年底以来）**：年化收益率2.15%，最大回撤0.59%，收益回撤比3.64，相对业绩基准的超额年化收益率0.8%，超额收益回撤比2.32[4][22]。 * **胜率**：逐年绝对收益大于0的胜率为100%，逐年超额收益大于0的胜率为100%[22]。 2. **基于10年期国债YTM的择时策略** * **长期表现（2007.12.31至今）**：年化收益率6.05%，最大回撤2.74%，收益回撤比2.21，相对业绩基准的超额年化收益率1.64%，超额收益回撤比1.16[25][34]。 * **短期表现（2024年底以来）**：年化收益率2.47%，最大回撤0.58%，收益回撤比4.28，相对业绩基准的超额年化收益率1.32%，超额收益回撤比3.39[4][25]。 * **胜率**：逐年绝对收益大于0的胜率为100%，逐年超额收益大于0的胜率为100%[25]。 3. **基于30年期国债YTM的择时策略** * **长期表现（2007.12.31至今）**：年化收益率7.33%，最大回撤4.27%，收益回撤比1.72，相对业绩基准的超额年化收益率2.42%，超额收益回撤比0.87[30][34]。 * **短期表现（2024年底以来）**：年化收益率3.07%，最大回撤0.92%，收益回撤比3.35，相对业绩基准的超额年化收益率2.78%，超额收益回撤比3.21[4][30]。 * **胜率**：逐年绝对收益大于0的胜率为94.44%，逐年超额收益大于0的胜率为94.44%[30]。

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：FOF基金权益占比估算模型[40][43] * **模型构建思路**：为了分析不同类型FOF基金的资产配置情况，依据其业绩比较基准中的各类基金指数权重，估算其权益类资产的配置比例[40]。 * **模型具体构建过程**： 1. 获取FOF基金的业绩比较基准，该基准通常由多个基金指数（如股票型基金指数、偏股型基金指数、债券型基金指数等）按一定权重构成[40]。 2. 为每个基金指数设定一个“预计权益占比”，即该指数所代表资产中权益部分的估算权重。具体设定如下[43]： * 股票型基金指数权重：85%划归为权益。 * 偏股型基金指数权重：80%划归为权益。 * 债券型基金指数权重：10%划归为权益。 * 开放式基金指数权重：50%划归为权益。 * 中证工银财富股票混合基金指数权重：80%划归为权益。 * 中证工银财富动态配置基金指数权重：20%划归为权益。 3. 计算FOF基金的总体预计权益占比。公式为： $$预计权益占比 = \sum (基金指数在基准中的权重 \times 该指数的预计权益占比)$$ 其中，基金指数在基准中的权重之和为100%[40][43]。 模型的回测效果 * 本报告未提供该FOF基金权益占比估算模型的量化回测效果指标（如预测准确率、误差等）[40][43]。 量化因子与构建方式 1. **因子名称**：自由现金流指数（作为基准或主题）[50][52] * **因子构建思路**：该因子并非传统意义上的选股因子，而是作为指数编制的核心逻辑或主题投资依据，聚焦于能够产生稳定且充沛自由现金流的上市公司[50][52]。 * **因子具体构建过程**：报告未详细描述该指数的具体编制方案和自由现金流的计算细则。通常，此类指数会基于上市公司财务报表，计算自由现金流（如经营现金流净额减去资本支出），并以此作为筛选或加权成分股的核心指标[50][52]。 因子的回测效果 * 本报告未提供“自由现金流”因子的独立测试结果（如IC值、多空收益等）[50][52]。报告中提及的相关产品（如长城沪深300自由现金流指数基金）是跟踪该指数的被动产品，其表现反映的是指数整体表现，而非因子选股能力的单独验证[50]。

量化模型与构建方式 1. **模型名称：择时体系（均线距离模型）**[2][6] * **模型构建思路**：通过比较市场指数（WIND全A）的短期均线与长期均线的相对位置和距离，来区分市场的整体环境（如上行趋势、震荡格局等），为仓位决策提供依据。[2][6] * **模型具体构建过程**： 1. 计算WIND全A指数的20日移动平均线（短期均线，MA20）和120日移动平均线（长期均线，MA120）。[2][6] 2. 计算两条均线之间的距离，通常以百分比差值表示。公式为： $$均线距离 = \frac{MA20 - MA120}{MA120} \times 100\%$$ 其中，MA20代表短期均线值，MA120代表长期均线值。[2][6] 3. 根据均线距离的绝对值大小及其方向（MA20在MA120之上或之下）来判断市场状态。例如，报告中提到“距离绝对值继续大于3%”作为判断市场未进入窄幅震荡的一个阈值。[2][6] 2. **模型名称：仓位管理模型**[2][7] * **模型构建思路**：综合市场估值水平（PE/PB分位数）和短期趋势判断（如择时体系信号），为绝对收益产品提供具体的股票仓位建议。[2][7] * **模型具体构建过程**：报告未详细描述该模型的具体构建公式和步骤，仅提及了其决策逻辑。即结合WIND全A指数的PE分位数（报告中为80分位点）、PB分位数（报告中为50分位点）以及短期趋势判断（择时体系显示为震荡格局），输出建议仓位（报告中为50%）。[2][7] 3. **模型名称：行业趋势配置模型**[2][5][7] * **模型构建思路**：识别并推荐处于上行趋势的行业板块，用于行业配置指导。[2][5][7] * **模型具体构建过程**：报告未详细描述该模型的具体构建公式和步骤。模型输出结果显示关注“通信/工业金属/储能”等延续上行趋势的板块。[2][5][7] 4. **模型名称：中期困境反转预期模型**[2][5][7] * **模型构建思路**：寻找具有中期困境反转预期的行业，即当前可能面临困难但未来有望改善的领域。[2][5][7] * **模型具体构建过程**：报告未详细描述该模型的具体构建公式和步骤。模型输出信号显示关注“零售旅游等服务型消费”。[2][5][7] 5. **模型名称：TWO BETA模型**[2][5][7] * **模型构建思路**：基于特定的Beta逻辑（可能指宏观Beta、行业Beta等）进行板块推荐。[2][5][7] * **模型具体构建过程**：报告未详细描述该模型的具体构建公式和步骤。模型继续推荐“科技板块”，并具体关注“国产算力和商业航天”。[2][5][7] 模型的回测效果 （报告中未提供各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、信息比率（IR）等具体数值。） 量化因子与构建方式 （报告中未提及具体的量化因子构建。） 因子的回测效果 （报告中未提及具体的量化因子及其测试结果。）

量化模型与构建方式 1. 短期择时模型 * **模型名称**：短期择时模型[7][16] * **模型构建思路**：从宏观基本面、估值面、情绪面和流动性四个维度构建综合择时信号，每个维度下包含若干具体指标，通过判断各指标在历史分位数上的位置来给出看多、中性或看空的信号，最终综合形成总仓位建议[7][16][17]。 * **模型具体构建过程**： 1. **指标选取与信号生成**：模型包含四个一级指标（基本面、估值面、情绪面、流动性），每个一级指标下包含2-3个二级指标。每周计算每个二级指标的当前值在过去5年（部分为滚动5年）的历史分位数[16][17]。 2. **信号映射规则**：根据各二级指标的分位数区间，将其映射为“乐观”（看多）、“中性”或“谨慎”（看空）的定性信号。例如，当“A股整体PE分位数”处于高位（如93.55%）时，给出“谨慎”信号，意味着估值偏高，有均值回归下行压力[16][19]。 3. **综合判断**：汇总每个一级指标下所有二级指标的信号，综合判断该维度的总体信号（乐观、中性或谨慎）[16][17]。 4. **仓位决策**：最终，综合四个维度的总体信号，形成总的仓位配置建议（例如，总仓位信号为0.00代表空仓，1.00代表满仓）[19][25]。 2. 成长价值风格轮动模型 * **模型名称**：成长价值风格轮动模型[7][26][27] * **模型构建思路**：从基本面、估值面和情绪面三个维度构建轮动信号，判断当前市场环境下成长风格与价值风格的相对强弱，从而给出超配成长、超配价值或均衡配置的建议[27][28]。 * **模型具体构建过程**： 1. **基本面维度**：基于量化经济中周期分析框架，考察三个周期指标： * 盈利周期斜率：斜率大时利好成长风格[27][29]。 * 利率综合周期水平：水平偏低时利好成长风格[27][29]。 * 信贷综合周期变化：上行时利好成长风格[27][29]。 根据各指标当前状态判断其对成长或价值的利好方向，并综合给出基本面维度的仓位信号（如“成长100%，价值0%”代表超配成长）[29]。 2. **估值面维度**：计算成长与价值风格的估值差（PE差和PB差）在过去5年的分位数。当估值差分位数较低时，认为估值差有均值回归上行的动力，利好成长风格；反之则利好价值风格[27][29]。 3. **情绪面维度**：计算成长与价值风格的换手差和波动差在过去5年的分位数。换手差和波动差分位数处于中性区间时，建议均衡配置；偏离中性区间时，则对某一风格有利[27][28][29]。 4. **综合决策**：结合基本面、估值面和情绪面三个维度的信号，最终给出成长与价值风格的配置比例建议[27][29]。 3. 小盘大盘风格轮动模型 * **模型名称**：小盘大盘风格轮动模型[7][26][31] * **模型构建思路**：从流动性、交易行为、市场结构等多个视角，选取11个有效轮动指标，构建综合的大小盘轮动信号，以判断小盘风格与大盘风格的相对强弱[31]。 * **模型具体构建过程**： 1. **多指标框架**：模型共采用11个指标，包括：A股龙虎榜买入强度、R007、融资买入余额变化、主题投资交易情绪、等级利差、期权波动率风险溢价、Beta离散度、PB分化度、大宗交易折溢价率、中证1000 MACD(10,20,10)、中证1000交易量能[31][33]。 2. **日内信号生成**：每个交易日，根据各指标的预设规则独立生成看多小盘（仓位100%）或看空小盘（仓位0%）的信号[33]。 3. **信号综合**：将11个指标的信号进行综合（例如，加权平均或投票机制），得到每日的综合小盘仓位信号，其补集即为大盘仓位信号[31][33]。 4. **策略执行**：根据综合信号，在代表大盘的沪深300全收益指数和代表小盘的中证1000全收益指数之间进行轮动配置[32][33]。 模型的回测效果 1. 短期择时模型 * **回测区间**：2012年底至2025年12月21日[18][21] * **年化收益率**：16.37%[18][21] * **年化波动率**：14.79%[21] * **最大回撤**：14.07%[18][21] * **夏普比率**：0.9641[21] * **收益回撤比**：1.1635[21] * **月度胜率**：66.24%[21] * **季度胜率**：60.38%[21] * **年度胜率**：78.57%[21] * **基准年化收益率**：4.76%[18][21] * **年化超额收益率**：11.61%[18][21] * **2024年以来年化收益率**：28.52%[24] * **2024年以来最大回撤**：11.04%[18][24] * **2024年以来夏普比率**：1.4662[24] * **2024年以来收益回撤比**：2.5841[24] * **2024年以来月度胜率**：72.00%[24] * **2024年以来基准年化收益率**：8.95%[24] * **2024年以来年化超额收益率**：19.57%（计算得出：28.52%-8.95%）[24] 2. 成长价值风格轮动模型 * **回测区间**：2012年底至2025年12月21日[28][30] * **年化收益率**：12.71%[28][30] * **年化波动率**：20.79%[30] * **最大回撤**：43.07%[30] * **夏普比率**：0.5842[30] * **收益回撤比**：0.2952[30] * **月度胜率**：58.33%[30] * **季度胜率**：59.62%[30] * **基准年化收益率**：7.96%[28][30] * **年化超额收益率**：4.75%[28][30] * **2025年以来收益率**：25.36%[28][30] * **2025年以来基准收益率**：26.19%[28][30] * **2025年以来超额收益率**：-0.84%[28][30] 3. 小盘大盘风格轮动模型 * **回测区间**：2014年至2025年[32][33] * **年化收益率**：19.67%（综合信号3D平滑）[33] * **年化超额收益率**：12.66%（综合信号3D平滑）[33] * **最大回撤**：40.70%（综合信号3D平滑）[33] * **2025年以来收益率**：33.64%[33] * **2025年以来基准收益率**：22.11%[33] * **2025年以来超额收益率**：11.53%[32][33] * **各独立指标年化超额收益率范围**：3.64% 至 9.61%[33] 量化因子与构建方式 1. 标准化交易量能指标 * **因子名称**：标准化交易量能指标[3][14] * **因子构建思路**：用于衡量市场整体交易活跃度的强弱，通过将当前交易量能与历史水平进行比较，判断市场量能是否处于强势区间[3][14]。 * **因子具体构建过程**：报告未给出该因子的具体计算公式，但提及其构建逻辑。该指标 likely 通过计算当前全A日均成交额（或其他成交量指标）在过去一定周期（如5年）内的分位数，或与其移动平均值（如60日均值）进行比较并标准化，从而生成一个度量交易活跃度相对位置的指标[3][9][14]。 2. 大小盘轮动交易信号框架指标 * **因子构建思路**：为构建小盘大盘轮动模型，从多个维度选取了11个有效指标，这些指标共同构成了大小盘轮动的信号框架[15][31]。 * **因子具体构建过程**：报告列出了11个指标的名称，但未详细阐述每个因子的具体计算公式。这些指标涵盖了流动性、资金面、市场情绪、技术分析等多个方面[31][33]。 * **流动性/资金面指标**：R007、等级利差、融资买入余额变化[31][33]。 * **交易行为/情绪指标**：A股龙虎榜买入强度、主题投资交易情绪、大宗交易折溢价率、期权波动率风险溢价[31][33]。 * **市场结构/技术指标**：Beta离散度、PB分化度、中证1000 MACD(10,20,10)、中证1000交易量能[31][33]。 3. 量化择时模型细分指标 * **因子构建思路**：短期择时模型所依赖的四个维度（基本面、估值面、情绪面、流动性）均由若干二级指标构成，这些二级指标是生成择时信号的基础因子[16][17][19]。 * **因子具体构建过程**：报告列出了各二级指标的名称及其信号判断逻辑，但未提供全部因子的精确计算公式。构建过程通常涉及计算指标的当前值，并求其在指定历史窗口（多为过去5年）的分位数[16][17][19]。 * **基本面指标**：制造业PMI、人民币中长期贷款脉冲同比增速、M1同比增速（HP滤波去趋势）[16][19]。 * **估值面指标**：A股整体PE中位数分位数、A股整体PB中位数分位数[16][19]。 * **情绪面指标**：A股整体Beta离散度分位数、A股整体量能情绪分位数、A股整体波动率分位数[17][19]。 * **流动性指标**：货币利率指标分位数、汇率预期指标分位数、沪深净融资额5日均值分位数[17][19]。 4. 成长价值风格轮动模型细分指标 * **因子构建思路**：成长价值风格轮动模型所依赖的三个维度（基本面、估值面、情绪面）均由若干细分指标构成，这些指标用于判断成长与价值风格的相对强弱[27][29]。 * **因子具体构建过程**：报告列出了各细分指标的名称及其对风格的影响逻辑，但未提供全部因子的精确计算公式[27][29]。 * **基本面周期指标**：盈利斜率周期水平、利率综合周期水平、信贷综合周期变化[27][29]。 * **估值面指标**：成长价值PE差分位数、成长价值PB差分位数[27][29]。 * **情绪面指标**：成长价值换手差分位数、成长价值波动差分位数[27][28][29]。 因子的回测效果 （注：报告未提供单个因子的独立测试结果，仅提供了由它们构成的综合模型的回测表现。各独立因子的年化超额收益率仅在小盘大盘轮动模型部分有简要列出[33]。）

量化模型与构建方式 **本报告为市场跟踪周报，未涉及具体的量化模型或量化因子的构建思路、过程及评价。** 模型的回测效果 **本报告未涉及具体量化模型的回测效果指标。** 量化因子与构建方式 **本报告未涉及具体量化因子的构建思路、过程及评价。** 因子的回测效果 **本报告未涉及具体量化因子的回测效果指标。** 市场表现与数据跟踪 1. **各类量化策略收益表现**：报告跟踪了样本量化私募在主要指数增强及市场中性策略上的近期收益与超额收益[1] * 300增强策略：周/月/年初以来平均收益分别为+0.3%/-0.6%/+24.6%，平均超额分别为+0.4%/+0.3%/+6.2%[1] * 500增强策略：周/月/年初以来平均收益分别为+0.3%/-1.3%/+36.5%，平均超额分别为-0.7%/-0.4%/+12.7%[1] * A500增强策略：周/月/年初以来平均收益分别为+0.1%/-0.8%/+29.7%，平均超额分别为-0.2%/-0.2%/+7.2%[1] * 1000增强策略：周/月/年初以来平均收益分别为-0.3%/-2.1%/+39.6%，平均超额分别为-0.7%/-0.3%/+16.6%[1] * 空气指增策略：周/月/年初以来平均收益分别为-0.9%/-2.4%/+35.6%[1] * 市场中性策略：周/月/年初以来平均收益分别为-0.4%/-0.9%/+10.1%[1] 2. **风格指数相对收益**：报告展示了不同风格指数相对于中证500指数的超额收益[2] * 沪深300相对中证500：周/月/年初以来超额收益分别为-0.2%/-1.3%/-7.9%[2] * 中证1000相对中证500：周/月/年初以来超额收益分别为-0.6%/-1.7%/-2.7%[2] * 中证2000相对中证500：周/月/年初以来超额收益分别为+0.3%/-0.1%/+6.4%[2] * 微盘股相对中证500：周/月/年初以来超额收益分别为+3%/-4.4%/+42.5%[2] 3. **市场交投活跃度**：报告统计了主要宽基指数及微盘股的日均成交额及其环比变化[3] * 沪深300：周/月/年初以来日均成交额分别为4042/4187/3998亿元，环比-12.4%/-48.8%/+0.6%[3] * 中证500：周/月/年初以来日均成交额分别为2913/2855/2802亿元，环比-9.4%/-48%/+0.8%[3] * 中证1000：周/月/年初以来日均成交额分别为3624/3692/3579亿元，环比-8.3%/-44.3%/+0.5%[3] * 中证2000：周/月/年初以来日均成交额分别为4227/4385/4347亿元，环比-10.6%/-42.4%/+0.3%[3] * 微盘股：周/月/年初以来日均成交额分别为253/345/306亿元，环比-29.2%/-45.8%/+0.7%[3] 4. **行业表现**：报告列出了不同时间窗口内涨幅居前和靠后的行业[4] * 本周涨幅前三行业：日常消费零售+10.6%、可选消费零售+6.5%、消费者服务+4.8%[4] * 本周涨幅后三行业：电气设备-3.4%、半导体-3.3%、硬件设备-1.8%[4] * 本月涨幅前三行业：国防军工+9.6%、日常消费零售+6.6%、硬件设备+5.4%[4] * 本月涨幅后三行业：煤炭-7.5%、房地产-7.3%、工业贸易与综合-5.5%[4] * 年初以来涨幅前三行业：有色金属+75.5%、硬件设备+49.9%、工业贸易与综合+45.7%[4] * 年初以来涨幅后三行业：电信服务-3.3%、房地产-0.5%、食品饮料-0.4%[4] 5. **股指期货基差情况**：报告跟踪了IF、IC、IM合约的年化贴水率及其历史分位数[4] * 当月合约年化贴水：IF/IC/IM均为+0%，近一年分位数分别为21.3%/9.9%/7.3%[4] * 下季合约年化贴水：IF为+3.9%（分位数64.6%），IC为+8.5%（分位数32.8%），IM为+11.6%（分位数47.1%）[4]