量化模型与构建方式 1. **财报质量因子** - 构建思路：通过财务指标衡量企业盈利质量和经营效率，采用市值加权计算方式[13] - 具体构建过程： - 核心指标包括营业总成本/营业总收入(TTM)、ROIC(TTM)、经营活动现金流净额/营业收入(TTM)等[14] - 市值加权公式： $$ \text{因子值} = \sum_{i=1}^n \left( \frac{\text{财务指标}_i \times \text{市值}_i}{\sum \text{市值}} \right) $$ - 评价：市值加权法在一季报期更有效，反映行业龙头风向标作用[13] 2. **动量反转因子** - 构建思路：捕捉短期动量与长期反转效应，防御板块表现突出[13] - 具体构建过程： - 计算近1/2/3/6/12个月收益率排名[26] - 截尾处理极端值： $$ \text{反转因子} = \text{Winsorized}(\text{收益率}, 5\%) $$ - 评价：短期动量（20%权重）对农林牧渔、食品饮料等行业有效[24] 3. **景气预期因子** - 构建思路：分长/短端刻画分析师预期变化，长端关注ROE/EPS调升比例[20] - 具体构建过程： - 短期预期：分析师上调评级占比均值差分[14] - 长期预期：ROE均值环比+营收加总环比[20] --- 量化因子回测效果 | 因子类别 | 近一周多空收益 | 近一月年化IR | 多头行业示例 | |------------------|----------------|--------------|----------------------------| | 财报质量（市值加权） | 1.58%[14] | 3.8765[14] | 食品饮料、医药、电力[13] | | 动量近1个月 | 2.935%[14] | 2.74%[14] | 农林牧渔、消费者服务[24] | | 长端景气预期 | 2.13%[14] | 19.57%[14] | 非银、钢铁、石油石化[19] | | 价值因子（PE-TTM）| 0.89%[34] | 3.25%[34] | 平安银行、万科A[59] | --- 风格因子分析 1. **质量安全因子** - 细分指标：速动比率、资产负债率、现金流动负债比率[47] - 测试结果：近一月多头超额2.54%，空头超额-1.50%[33] 2. **成长因子** - 细分指标：归母净利润同环比、ROA_TTM同比[42] - 测试结果：营收单季度同比多空收益-1.13%[34] 3. **波动率因子** - 定义：过去12个月股票波动率[37] - 测试结果：近一月多头超额-7.28%，空头超额6.82%[33] --- 复合因子配置 - **行业轮动权重**：资金流(10%)+长端景气(10%)+短端预期(30%)+动量(20%)+财报质量(30%)[2] - **推荐行业**：交运、钢铁、轻工制造、银行[30] （注：所有测试基于中信28个行业分组和中证1000/800成分股[32][33]）

量化模型与构建方式 1 模型名称：均线距离择时模型 模型构建思路：通过短期均线（20日）与长期均线（120日）的相对位置判断市场整体环境[1][9] 模型具体构建过程：计算20日均线与120日均线的绝对距离百分比，公式为 $$距离=\frac{20日均线-120日均线}{120日均线} \times 100\%$$ 当绝对距离小于3%时判定为震荡格局，大于3%时根据均线上下关系判断趋势[1][9] 2 模型名称：TWO BETA行业配置模型 模型构建思路：通过双贝塔因子筛选科技板块中具有国产替代潜力的细分领域[3][8] 模型具体构建过程：结合行业贝塔（市场敏感性）和国产化率贝塔（政策敏感性），筛选同时具备高弹性和政策红利的子行业[3][8] 3 模型名称：仓位管理模型 模型构建思路：结合估值分位数与短期趋势动态调整仓位[2][10] 模型具体构建过程：当PE处于40分位、PB处于20分位时，在震荡趋势下建议60%仓位配置[2][10] 量化因子与构建方式 1 因子名称：均线距离因子 因子构建思路：捕捉市场短期动量与长期趋势的偏离程度[1][9] 因子具体构建过程：同均线距离择时模型计算公式，输出标准化后的距离值[1][9] 2 因子名称：估值分位因子 因子构建思路：衡量当前PE/PB在历史序列中的相对位置[2][7] 因子具体构建过程： $$PE分位=\frac{当前PE排名}{历史PE总数} \times 100\%$$ 相同方法计算PB分位[2][7] 模型的回测效果 1 均线距离择时模型 最新距离值0.3%[1][9] 2 TWO BETA模型 当前推荐科技/电子/新能源车[3][8] 3 仓位管理模型 建议仓位60%[2][10] 因子的回测效果 1 均线距离因子 当前值0.3%[1][9] 2 估值分位因子 PE分位40% PB分位20%[2][7]

量化模型与构建方式 1. **模型名称：戴维斯双击策略** - **模型构建思路**：通过以较低市盈率买入具有成长潜力的股票，待成长性显现、市盈率提高后卖出，实现EPS和PE的乘数效应收益[7] - **模型具体构建过程**： 1. 筛选盈利增速加速增长的标的，控制PE下行风险 2. 结合PEG指标（PE/盈利增速）评估定价合理性，优先选择PEG较低的股票[7] 3. 动态调仓持有符合双击逻辑的股票组合 2. **模型名称：净利润断层策略** - **模型构建思路**：基于业绩超预期（净利润惊喜）和股价跳空（技术面断层）的双重信号选股[12] - **模型具体构建过程**： 1. 筛选过去两个月内发布业绩超预期公告的股票 2. 计算盈余公告后首个交易日的股价跳空幅度 3. 按跳空幅度排序，等权重配置前50名股票[12] 3. **模型名称：沪深300增强组合** - **模型构建思路**：基于GARP、成长型和价值型投资者偏好构建多因子增强模型[18] - **模型具体构建过程**： 1. **PBROE因子**：计算PB与ROE分位数之差，筛选低估值高盈利股票 2. **PEG因子**：计算PE与盈利增速分位数之差，挖掘成长潜力稳定的标的 3. 结合营业收入、毛利润、净利润增速筛选高成长股 4. 长期稳定高ROE股票纳入价值型组合[18] 模型的回测效果 1. **戴维斯双击策略** - 年化收益：26.45%（2010-2017）[10] - 超额基准收益：21.08%[10] - 最大相对回撤：-20.14%（全样本）[11] - 收益回撤比：1.06（全样本）[11] 2. **净利润断层策略** - 年化收益：27.72%（2010至今）[16] - 超额基准收益：26.28%[16] - 最大相对回撤：-37.12%（全样本）[14] - 收益回撤比：0.71（全样本）[14] 3. **沪深300增强组合** - 年化超额收益：8.69%（相对沪深300）[18] - 最大相对回撤：-9.18%[18] - 收益回撤比：0.95[18] 量化因子与构建方式 1. **因子名称：PBROE因子** - **因子构建思路**：衡量估值与盈利能力的匹配度，适用于GARP型投资[18] - **因子具体构建过程**： $$ PBROE = Rank(PB) - Rank(ROE) $$ 其中Rank为分位数排名，差值越小表明估值越低且盈利能力越强[18] 2. **因子名称：PEG因子** - **因子构建思路**：结合估值与成长性，识别被低估的成长股[18] - **因子具体构建过程**： $$ PEG = Rank(PE) - Rank(盈利增速) $$ 负值代表PE低于盈利增速的合理水平[18] 因子的回测效果 （注：报告中未单独列出因子回测指标，仅展示组合整体效果）

量化模型与构建方式 1. **模型名称**：择时雷达六面图 - **模型构建思路**：从流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取21个指标，综合生成[-1,1]之间的择时分数，划分为"估值性价比"、"宏观基本面"、"资金&趋势"、"拥挤度&反转"四大类[1][6] - **模型具体构建过程**： 1. **流动性维度**：包含货币方向、货币强度、信用方向、信用强度4个子因子，通过利率偏离度、贷款同比等计算信号[12][15][18][22] 2. **经济面维度**：基于PMI、CPI、PPI构建增长方向、增长强度、通胀方向、通胀强度因子，计算预期差和趋势变化[23][26][28][32] 3. **估值面维度**：使用席勒ERP、PB、AIAE指标，计算zscore并标准化到±1区间[33][37][39] - 席勒ERP公式：$$ \text{席勒ERP} = \frac{1}{\text{席勒PE}} - \text{10年期国债收益率} $$ - AIAE公式：$$ \text{AIAE} = \frac{\text{中证全指流通市值}}{\text{中证全指流通市值+实体总债务}} $$ 4. **资金面维度**：内资（两融增量、成交额趋势）和外资（CDS利差、风险厌恶指数）指标组合[43][46][49][51] 5. **技术面维度**：价格趋势（均线距离）和新高新低数捕捉趋势与反转信号[53][56] - 均线距离公式：$$ \text{ma120/ma240}-1 $$ 6. **拥挤度维度**：期权隐含升贴水、VIX、SKEW及可转债定价偏离度衡量市场情绪[59][61][65][67] 模型的回测效果 1. **择时雷达六面图**： - 综合打分0.19（中性偏多）[6] - 细分维度得分： - 流动性：-0.75（显著看空）[8] - 经济面：0.50（看多）[8] - 估值面：0.49（看多）[8] - 资金面：-0.25（看空）[8] - 技术面：0.00（无信号）[8] - 拥挤度：0.73（显著看多）[8] 量化因子与构建方式 1. **货币方向因子**： - 构建思路：比较货币政策利率与90天前变化方向[12] - 具体构建：若利率上升则看空（分数-1），反之看多（1）[12] - 当前分数：-1[10] 2. **货币强度因子**： - 构建思路：DR007与逆回购利率偏离度，计算zscore[15] - 公式：$$ \text{偏离度} = \frac{\text{DR007}}{\text{7天逆回购利率}} - 1 $$ - 当前分数：-1[10] 3. **信用方向因子**： - 构建思路：中长期贷款同比变化方向[18] - 当前分数：-1[10] 4. **增长方向因子**： - 构建思路：PMI的12月均值同比变化[23] - 当前分数：1[10] 5. **席勒ERP因子**： - 构建思路：通胀调整后的盈利与国债收益率差值[33] - 当前分数：0.94[10] 6. **期权VIX因子**： - 构建思路：50ETF期权隐含波动率分位数[61] - 当前分数：1[10] 因子的回测效果 1. **单因子当前分数**： - 两融增量：1[10] - 中国主权CDS利差：-1[10] - 价格趋势：1[10] - 可转债定价偏离度：-0.07[10] （注：其他因子当前分数详见文档[10]表格）

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：四轮驱动行业轮动模型** - **模型构建思路**：通过多维度信号捕捉行业轮动机会，结合市场情绪、技术指标和基本面数据进行综合判断[16] - **模型具体构建过程**： 1. **信号类型分类**：包括赚钱效应异动、低位金叉、弱势行业反转等6类信号[16] 2. **动态筛选逻辑**： - 对每个行业计算过去1年Sharpe比率排序 - 结合信号触发日期（如电子行业2025-03-18首次触发）和拥挤度指标（0/1二元判断）[16] 3. **止损机制**：通过“死叉出局”或“板块自身止损”动态控制风险[16] - **模型评价**：多因子动态权重设计适应市场切换，但依赖历史波动率指标可能滞后于极端行情[16] 2. **模型名称：相对温度计分析模型** - **模型构建思路**：通过超跌阈值识别短期反弹机会，类比历史波动周期[8][12] - **模型具体构建过程**： 1. 计算高频温度计指标： $$ \text{温度计值} = \frac{\text{当前价格} - \text{N日最低价}}{\text{N日最高价} - \text{N日最低价}} \times 100 $$ 2. 阈值设定：当指标跌破10时判定为超跌区域[8] 3. 结合行业横向比较（如图3中电子/计算机温度计值对比）[12] 模型的回测效果 1. **四轮驱动行业轮动模型**： - 电子行业：Sharpe排序N/A（未披露具体值），信号持续天数24天[16] - 计算机行业：Sharpe排序第1，拥挤度0[16] - 机械设备：Sharpe排序-8，信号触发当日即进入组合[16] 2. **相对温度计模型**： - 超跌信号命中率：春节前与清明节后两次触及10以下均引发反弹[8] - 行业应用：电子/计算机在超跌后5日平均反弹幅度+7.2%（未披露基准对比）[12] 量化因子与构建方式 1. **因子名称：拥挤度因子** - **构建思路**：监测行业交易过热风险[16] - **具体构建**： - 计算行业成交额占比的20日Z-score： $$ \text{Crowding}_i = \frac{V_i - \mu_V}{\sigma_V} $$ 其中$V_i$为行业i的成交额占比，$\mu_V$为全市场均值[16] - 阈值设定：Z-score>2时标记为1（拥挤）[16] 2. **因子名称：Sharpe排序因子** - **构建思路**：衡量行业风险调整后收益的持续性[16] - **具体构建**：滚动计算行业过去252个交易日的日度Sharpe比率，并做全行业百分位排序[16] 因子的回测效果 1. **拥挤度因子**： - 计算机行业：最新值0（未拥挤）[16] - 机械设备：最新值-0（特殊标记含义未说明）[16] 2. **Sharpe排序因子**： - 电子行业：排序值未披露[16] - 社会服务：排序第13，信号持续14天后止损[16] （注：部分因子取值因研报未完整披露而缺失）

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称：宽基轮动策略** - **模型构建思路**：通过计算不同宽基指数（沪深300、中证500、中证1000、中证2000及"其他"组）的热度变化率，选择周度热度变化率最大的宽基进行投资，若最大变化率为"其他"组则空仓[13] - **模型具体构建过程**： 1. 对全A股票按宽基分组，计算各组成分股的总热度指标（浏览、自选、点击次数之和的归一化值乘以10000）[7] 2. 计算每周各组热度变化率，并取2周移动平均（MA2）平滑处理[11] 3. 每周最后一个交易日买入MA2变化率最大的宽基指数[13] - **模型评价**：该策略捕捉市场情绪驱动的短期资金流向，2017年以来年化收益8.74%，最大回撤23.5%[16] 2. **模型名称：概念热度组合策略** - **模型构建思路**：筛选高热度变化概念中的低关注度个股，利用市场过度反应与滞后效应获取超额收益[32] - **模型具体构建过程**： 1. 每周选出热度变化率最大的5个概念作为股票池，剔除流通市值最小的20%股票[32] 2. 对每个概念分别构建： - **TOP组合**：概念内总热度排名前10的个股等权持有 - **BOTTOM组合**：概念内总热度排名后10的个股等权持有[32] - **模型评价**：BOTTOM组合历史年化收益15.71%，2025年以来收益17%，显示低关注度个股存在滞后补涨效应[34] 量化因子与构建方式 1. **因子名称：总热度指标** - **因子构建思路**：通过个股的浏览、自选、点击行为数据合成市场情绪代理变量[7] - **因子具体构建过程**： $$ \text{总热度} = \frac{\text{浏览+自选+点击次数}}{\text{全市场当日总值}} \times 10000 $$ 其中分子为个股单日行为数据加总，分母为全市场所有股票对应数据总和[7] 2. **因子名称：热度变化率MA2** - **因子构建思路**：监测宽基/行业/概念层面的情绪波动强度[11] - **因子具体构建过程**： 1. 计算周度热度变化率：$$\frac{H_t - H_{t-1}}{H_{t-1}}$$ 2. 对变化率取2周移动平均：$$\text{MA2} = \frac{\Delta H_t + \Delta H_{t-1}}{2}$$[11] 模型的回测效果 1. **宽基轮动策略** - 年化收益率：8.74% - 最大回撤：23.5% - 2025年收益：6.4%（基准宽基等权3.1%）[16] 2. **概念热度BOTTOM组合** - 年化收益率：15.71% - 最大回撤：28.89% - 2025年收益：17%[34] 因子的回测效果 1. **本周宽基热度变化率MA2** - 沪深300：+23.25% - 中证500：未披露具体值 - 中证1000：未披露具体值 - 其他组：-7.64%[18] 2. **申万一级行业热度变化率TOP5** - 农林牧渔：+182.6% - 美容护理：未披露具体值 - 交通运输：未披露具体值 - 商贸零售：未披露具体值 - 食品饮料：未披露具体值[27] 3. **概念热度变化率TOP5** - 大豆：1363.1% - 玉米：929.9% - 转基因：680.4% - 粮食概念：422.1% - 中韩自贸区：386.3%[37]

根据研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称**：ADWM（基于门控机制的自适应动态因子加权模型） - **构建思路**：通过门控机制动态调整因子权重，提升模型对不同市场环境的适应性[5] - **具体构建过程**： 1. 输入层接收多因子暴露矩阵 2. 门控单元计算动态权重：$$w_t = \sigma(W_g \cdot [f_{t-1}, x_t] + b_g)$$ 3. 加权输出：$$y_t = w_t \odot (W_f \cdot x_t)$$ 4. 损失函数采用夏普比率最大化 - **模型评价**：有效解决因子权重固化问题，但需警惕过拟合风险 2. **模型名称**：DFQ-FactorVAE-pro - **构建思路**：在FactorVAE基础上加入特征选择与环境变量模块，提升因子鲁棒性[5] - **具体构建过程**： 1. 通过变分自编码器提取潜在因子 2. 环境感知模块：$$z_e = MLP(concat(macro_t, sector_t))$$ 3. 动态特征选择：$$attn = softmax(MLP(z_e \odot z_{latent}))$$ 风格因子构建 1. **因子名称**：Certainty - **构建思路**：衡量股票确定性程度[9][12] - **具体构建**： - 公募持仓比例（Instholder Pct） - 分析师覆盖度（Cov）：对市值正交化 - 上市天数（Listdays） - **评价**：防御性因子，熊市表现突出 2. **因子名称**：Cubic Size - **构建思路**：捕捉市值非线性效应[12] - **具体构建**：$$(log(mktcap))^3$$ 3. **因子名称**：Trend - **构建思路**：量价趋势强度[12] - **具体构建**： - Trend_120：$$EWMA(20)/EWMA(120)$$ - Trend_240：$$EWMA(20)/EWMA(240)$$ 量化因子库（部分） | 类别 | 典型因子 | 构建方式 | |------------|--------------------------|--------------------------------------------------------------------------| | 估值 | BP | 净资产/总市值[16] | | 成长 | SUE | （实际净利-预期净利）/预期净利标准差[16] | | 流动性 | 非流动性冲击 | 过去20日涨跌幅绝对值/成交额的均值[16] | | 动量 | UMR | 风险调整后的动量（1/3/6/12个月窗口）[16] | | 机构行为 | 公募持股市值 | 半年报/年报中主动股基持仓市值[16] | 回测效果 风格因子表现 | 因子 | 近一周 | 近一月 | 年化IR | |-------------|----------|----------|---------| | Certainty | 2.52%[11]| 4.48%[11]| 3.39%[11]| | Liquidity | 2.02%[11]| -8.96%[11]| -3.68%[11]| | Cubic Size | -3.29%[11]| -3.88%[11]| -26.31%[11]| 选股因子表现（中证800） | 因子 | 近一周 | 近一月 | 年化IR | |---------------------|----------|----------|---------| | 非流动性冲击 | 1.68%[26]| 3.29%[26]| -0.01%[26]| | 三个月反转 | 0.76%[26]| 0.74%[26]| 0.11%[26]| | 预期EPTTM | -1.62%[26]| -0.79%[26]| 4.06%[26]| 指数增强产品表现 | 指数 | 超额收益中位数（近一周） | 头部产品案例 | |------------|--------------------------|-----------------------------| | 沪深300 | -0.39%[45] | 国金沪深300增强A(1.18%)[47]| | 中证500 | -0.38%[49] | 汇添富中证500增强A(1.08%)[51]| | 中证1000 | 0.05%[53] | 博道中证1000增强A(1.51%)[53]| 组合构建方法 **MFE组合优化模型**： $$\begin{array}{ll}max&f^{T}w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\end{array}$$ - 控制行业暴露为0，市值暴露为0[58] - 个股权重偏离限制1%[58] - 换手率约束通过线性规划实现[54]

根据提供的研报内容，经全面梳理后未发现涉及量化模型或量化因子的具体构建方法、测试结果等核心要素。该报告主要聚焦于市场行情分析（如北证50、中证2000等指数涨跌幅统计[12]）和宏观趋势判断（如超跌反弹逻辑[12]、黄金走势[14]），属于市场评论类内容，未包含可提取的量化模型/因子相关信息。建议提供包含量化建模细节的研报以进行结构化总结。

量化模型与构建方式 1. **模型名称：短期量化择时模型** - **模型构建思路**：基于基本面、估值面、情绪面、流动性四个维度的指标进行综合判断，生成周度择时信号[17][18][19] - **模型具体构建过程**： 1. **基本面指标**： - 制造业PMI分位数（中性信号阈值59.32%） - 中长期贷款余额同比增速分位数（谨慎信号阈值0%） - M1同比增速HP滤波分位数（中性信号阈值42.37%） 2. **估值面指标**： - A股整体PE分位数（中性信号阈值76.26%） - PB分位数（乐观信号阈值17.62%） 3. **情绪面指标**： - Beta离散度分位数（乐观信号阈值35.59%） - 量能情绪分位数（60日成交量与换手率布林带合成，乐观信号阈值81.80%） - 波动率分位数（中性信号阈值97.68%） 4. **流动性指标**： - 货币利率分位数（乐观信号阈值15.25%） - 汇率预期分位数（谨慎信号阈值70.34%） - 融资额分位数（中性信号阈值1.57%） - **模型评价**：多维度动态加权，历史回测显示对市场拐点敏感[19] 2. **模型名称：成长价值轮动模型** - **模型构建思路**：通过盈利周期、利率周期、信贷周期判断基本面，结合估值差（PE/PB）和情绪指标（换手率、波动率）进行风格配置[27][28][29] - **模型具体构建过程**： 1. **基本面信号**： - 盈利斜率周期水平（>0利好成长） - 利率综合周期水平（<0利好成长） - 信贷综合周期变化（<0利好价值） 2. **估值信号**： - 成长价值PE差分位数（均值回归策略，11.94%分位时超配成长） - PB差分位数（7.63%分位时超配成长） 3. **情绪信号**： - 换手差分位数（23.49%分位时超配价值） - 波动差分位数（67.76%分位时均衡配置） - **模型评价**：周期敏感性较强，但需警惕信贷数据滞后性[29] 3. **模型名称：小盘大盘轮动模型** - **模型构建思路**：与成长价值模型类似，但指标替换为小盘大盘相对指标[33][34] - **模型具体构建过程**： 1. **基本面信号**：盈利斜率、利率水平、信贷周期方向判断（逻辑同成长价值模型） 2. **估值信号**： - 小盘大盘PE差分位数（65.76%分位时超配大盘） - PB差分位数（95.15%分位时超配大盘） 3. **情绪信号**： - 换手差分位数（77.09%分位时超配小盘） - 波动差分位数（94.24%分位时超配大盘） 4. **模型名称：四风格轮动模型** - **模型构建思路**：整合成长价值和小盘大盘模型输出，生成小盘成长/价值、大盘成长/价值的四象限配置比例[38][39] - **模型具体构建过程**： - 将成长价值和小盘大盘模型的仓位信号等权合成，例如： $$小盘成长仓位 = 小盘信号权重 \times 成长信号权重$$ - **模型评价**：分散化效果显著，但组合波动率较高[39] --- 量化因子与构建方式 1. **因子名称：量能情绪因子** - **因子构建思路**：通过成交量与换手率的布林带指标合成市场情绪代理变量[11][12] - **因子具体构建过程**： 1. 计算60日成交量与换手率的均值($$\mu$$)和标准差($$\sigma$$) 2. 对当前值进行标准化： $$得分 = \frac{当前值 - \mu}{2\sigma}$$ 3. 限制得分在[-1,1]区间，极值取-1或+1 4. 将成交量与换手率得分等权合成最终指标 - **因子评价**：对短期市场反转有较强预测力[12] 2. **因子名称：估值差分因子** - **因子构建思路**：计算成长价值或小盘大盘风格的PE/PB差值分位数，用于均值回归策略[27][33] - **因子具体构建过程**： - 计算风格间估值差： $$PE_{差} = PE_{成长} - PE_{价值}$$ - 计算当前差值在5年历史分位数 --- 模型的回测效果 1. **短期量化择时模型** - 年化收益率16.16%（基准3.96%） - 最大回撤27.70%（基准31.41%） - 夏普比率0.9509（基准0.2191）[19][22] 2. **成长价值轮动模型** - 年化收益率11.06%（基准6.25%） - 年化超额收益4.81% - 月度胜率57.43%[29][31] 3. **小盘大盘轮动模型** - 年化收益率11.84%（基准6.39%） - 收益回撤比0.2338（基准0.1190）[34][35] 4. **四风格轮动模型** - 年化收益率12.65%（基准6.78%） - 年度胜率61.54%[39] --- 因子的回测效果 1. **量能情绪因子** - 分位数>60%时，未来1周平均收益率0.46%（基准0.09%） - 周度胜率56.08%（基准50.91%）[12] 2. **估值差分因子** - PE差分位数<20%时超配成长，历史年化超额收益7.68%[27][29]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称**：沪深300上涨家数占比情绪指标 - **模型构建思路**：通过计算指数成分股的近期正收益个数来判断市场情绪，正收益股票增多可能预示行情底部，大部分股票正收益则可能预示过热风险[23] - **模型具体构建过程**： 计算沪深300指数N日上涨家数占比： $$ \text{上涨家数占比} = \frac{\text{过去N日收益>0的个股数}}{\text{沪深300成分股总数}} $$ 采用两次不同窗口期平滑（短期N2=35，长期N1=50）捕捉趋势，快线>慢线时看多[27] - **模型评价**：能快速捕捉上涨机会但易错失持续亢奋阶段收益，对下跌市场判断存在缺陷[25] 2. **模型名称**：均线情绪指标 - **模型构建思路**：通过八均线体系判断指数趋势状态，将均线区间值转换为-1/0/1三类信号[32] - **模型具体构建过程**： 计算沪深300收盘价的8条均线（参数：8/13/21/34/55/89/144/233），统计收盘价大于均线的数量，超过5条时看多[33] 量化因子与构建方式 1. **因子名称**：横截面波动率因子 - **因子构建思路**：衡量指数成分股间收益离散程度，波动率上升预示Alpha机会增加[37] - **因子具体构建过程**： 计算指数成分股日收益率的截面标准差，统计不同时间窗口（季度/半年/年）的分位数[41] 2. **因子名称**：时间序列波动率因子 - **因子构建思路**：反映指数成分股自身收益波动水平，波动率与Alpha环境正相关[41] - **因子具体构建过程**： 计算指数成分股加权日收益率的标准差，统计近两年/一年/半年的分位点[44] 模型的回测效果 1. **沪深300上涨家数占比模型**： - 近一年胜率：73.44%（沪深300横截面波动率）[41] - 当前信号：快线回落至慢线之下，维持谨慎态度[27] 2. **均线情绪指标模型**： - 当前信号：处于非景气区间（收盘价>均线数量≤5）[35] 因子的回测效果 1. **横截面波动率因子**： - 沪深300近半年平均值：2.00%（近一季度分位点77.80%）[41] - 中证1000近半年平均值：2.65%（近一季度分位点64.54%）[41] 2. **时间序列波动率因子**： - 沪深300近半年平均值：0.68%（近一季度分位点78.84%）[44] - 中证500近半年平均值：0.51%（近一季度分位点55.56%）[44] 其他量化指标 1. **量能择时信号**： - 北证50看多，其他宽基指数均为谨慎观点[23][24] 2. **抱团基金分离度**： - 计算方式：抱团基金截面收益标准差，分离度上升预示抱团瓦解[82] - 当前状态：环比上升，抱团股超额收益同步上升[82]