量化模型与因子总结 量化模型与构建方式 1. **模型名称：价格分段体系**[14] * **模型构建思路**：通过分析价格在不同时间周期（如日线、周线）上的走势，对市场趋势进行分段识别和判断[14]。 * **模型具体构建过程**：模型未在报告中详细阐述具体构建步骤和公式，但通过图表（图1）展示了其应用结果。图表显示，模型可能结合了指数点位与类似DEA（离差平均值）等技术指标，对“日线”和“周线”级别的价格趋势进行分段描绘和比较[17]。 2. **模型名称：微观市场结构择时模型（知情交易者活跃度指标）**[15] * **模型构建思路**：通过构建“知情交易者活跃度”指标，监测市场中可能拥有信息优势的交易者的行为变化，以此作为市场情绪和未来走势的择时参考[15]。 * **模型具体构建过程**：报告未提供该指标的具体计算公式和构建细节。模型通过跟踪该指标的时间序列变化（如图2所示），观察其与市场走势（权益市场震荡上涨）的同步性，并依据指标值（如回升至零线附近）和边际变化来判断知情交易者对后市的态度（如谨慎观望）[15][18]。 3. **模型名称：公募基金仓位监测模型**[3][13] * **模型构建思路**：使用数理统计方法估算公募基金（如偏股混合型产品）在不同板块（如科技、周期）的持仓比例变化，以监测机构资金的配置动向[3][13]。 * **模型具体构建过程**：报告未披露模型的具体估算方法和公式。模型通过测算，输出公募基金在特定板块的持仓比例数据（例如，科技板块持仓降至24.76%，周期板块增持至21.33%），并与市场行业基准权重（18.41%）进行比较，从而判断机构持仓逻辑的切换（如从科技AI叙事转向涨价逻辑）[3][13]。 4. **模型名称：量化指增产品小微盘敞口测算模型**[2][12] * **模型构建思路**：通过模型测算量化指数增强类产品（如500/1000指增）对小微盘股票的总体风险敞口，以评估市场的风格偏好和潜在资金流向[2][12]。 * **模型具体构建过程**：报告未给出具体的测算公式。模型通过分析私募指增产品的超额收益回撤情况，估算其当前的小微盘敞口（如收至0附近）和未来的潜在增配空间（约5-10%），并结合量化指增产品的总管理规模（接近2.1万亿），推算出可能流入微盘股的增量资金规模（或在1000亿以上）[2][12]。 5. **因子名称：分析师行业景气预期因子**[19] * **因子构建思路**：基于卖方分析师的一致预测数据，构建反映行业未来盈利能力和增长预期的因子，用于监测行业基本面的景气变化[19]。 * **因子具体构建过程**：因子计算涉及两个具体指标： 1. **一致预测滚动未来12个月ROE变化**：计算各申万一级行业分析师一致预测的ROE（未来12个月）的环比变化率[19]。 2. **一致预测净利润FTTM增速变化**：计算各行业分析师一致预测的净利润（未来12个月）增速的环比变化率[19]。 * **因子评价**：该因子能够及时捕捉分析师群体对行业盈利预期的调整，是观测行业景气度边际变化的重要前瞻性指标[19]。 6. **因子名称：行业维度融资融券净买入额因子**[21] * **因子构建思路**：通过计算各行业融资净买入与融券净卖出的差额，构建反映杠杆资金在行业层面偏好和流向的因子[21]。 * **因子具体构建过程**：因子具体计算公式为： $$行业融资融券净买入额 = 行业融资净买入额 - 行业融券净卖出额$$ 报告展示了按此公式计算出的本周各行业净买入额结果（单位：亿元），如有色金属行业净流入39.8亿元，电子行业呈净流出等[21][23]。 7. **因子名称：BARRA风格因子**[24] * **因子构建思路**：采用经典的BARRA风险模型体系中的一系列风格因子，用于描述和监测市场在不同维度上的风格收益特征[24]。 * **因子具体构建过程**：报告直接引用了BARRA风格因子的收益表现，未详述每个因子的具体构建公式。涉及的风格因子包括： * **基本面类因子**：换手、财务杠杆、盈利波动、盈利质量、盈利能力、投资质量、长期反转、EP价值、BP价值、成长[24][25]。 * **交易类因子**：动量、非线性市值、市值、波动率、流动性（近释）、股息率[24][25]。 * **因子评价**：BARRA风格因子体系是量化分析中用于解析市场收益来源和风格轮动的标准化工具，能够系统性地刻画市场在价值、成长、动量、市值、流动性等多方面的风险偏好[24]。 模型的回测效果 （报告中未提供所列量化模型的明确回测指标数值，如年化收益率、夏普比率、最大回撤等。） 因子的回测效果 1. **分析师行业景气预期因子**，本周一致预期ROE环比变化值：房地产 8.99%，通信 4.57%，社会服务 2.15%，计算机 1.35%，...，农林牧渔 -2.39%[20]；本周一致预期净利润增速环比变化值：农林牧渔 101.71%，房地产 38.87%，环保 13.11%，社会服务 11.51%，...，公用事业 -21.86%[20]。 2. **行业维度融资融券净买入额因子**，本周期间净买入额（亿元）：有色金属 39.8，非银金融 (具体数值未列出，但图示为正且较高)，银行 (具体数值未列出，但图示为正且较高)，...，电子 (具体数值未列出，但图示为负)[23]。 3. **BARRA风格因子**，本周因子收益：换手 0.3%，财务杠杆 0.2%，盈利波动 0.2%，盈利质量 0.1%，盈利能力 0.0%，投资质量 -0.1%，长期反转 0.5%，EP价值 -0.2%，BP价值 0.3%，成长 0.1%，动量 0.3%，非线性市值 0.3%，市值 -0.9%，波动率 -0.8%，流动性（近释） -0.4%，股息率 -0.1%[25]。

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**[31] * **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股整体景气度变化的指数[31] * **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，仅说明其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》[31] 2. **模型名称：A股情绪指数择时系统**[36][47] * **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，并据此构建择时信号[36] * **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[36] 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，其余三个象限均为显著正收益[36] 3. 基于此规律，构造了包含“见底预警”与“见顶预警”两个维度的A股情绪指数系统[36] 4. 根据当前波动率与成交额所处的象限生成综合择时信号[39] 3. **模型名称：主题挖掘算法**[47] * **模型构建思路**：通过处理新闻和研报文本，挖掘近期热度异动较高的投资主题及关联个股[47] * **模型具体构建过程**：算法涉及多个维度，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[47] 4. **模型名称：中证500指数增强模型**[47][50] * **模型构建思路**：通过量化策略构建投资组合，旨在持续跑赢中证500指数基准[47] * **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和权重配置方法，仅展示了其持仓明细和业绩表现[50][52][54] 5. **模型名称：沪深300指数增强模型**[55][56] * **模型构建思路**：通过量化策略构建投资组合，旨在持续跑赢沪深300指数基准[55] * **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和权重配置方法，仅展示了其持仓明细和业绩表现[55][59] 6. **模型名称：风格因子模型（参照BARRA）**[60] * **模型构建思路**：参照BARRA多因子模型框架，对A股市场构建一套风格因子体系，用于解释股票收益和进行组合归因[60] * **模型具体构建过程**：报告列出了十大类风格因子，但未给出每个因子的具体计算公式。十大类风格因子包括：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）[60] 量化因子与构建方式 1. **因子名称：十大类风格因子**[60] * **因子构建思路**：从不同维度刻画股票的特征，包括规模、风险、动量、波动、估值、流动性、基本面质量等[60] * **因子具体构建过程**：报告未提供每个风格因子的具体计算公式，仅列出了因子名称[60] * **因子评价**：该因子体系是进行风格分析、风险管理和绩效归因的基础工具[60][69] 模型的回测效果 1. **A股情绪指数择时系统**，历史择时表现参见图表17[47] 2. **中证500增强组合**，本周收益4.01%，跑输基准0.33%；2020年至今累计超额收益48.49%，最大回撤-9.51%[47][50] 3. **沪深300增强组合**，本周收益0.81%，跑赢基准1.43%；2020年至今累计超额收益45.73%，最大回撤-5.86%[55] 因子的回测效果 1. **风格因子（近一周表现）**，纯因子收益率显示：Beta因子超额收益较高，市值因子呈较为显著的负向超额收益[61][67] 2. **行业因子（近一周表现）**，纯因子收益率显示：石油石化、有色金属、建材等行业因子超额收益较高；银行、保险等行业因子回撤较多[61][65]

量化模型与构建方式 1. **模型名称：宽基轮动策略**[13] * **模型构建思路**：基于市场情绪热度变化进行宽基指数轮动。每周选择市场关注度（总热度）边际提升最大的宽基指数进行投资，若热度提升最大的是非主流股票（“其他”组），则选择空仓[11][13]。 * **模型具体构建过程**： 1. 将全市场股票按宽基指数成分股分组：沪深300、中证500、中证1000、中证2000，以及不属于以上四组的“其他”组[8]。 2. 计算各组股票的“总热度”：将该组内所有成分股的个股总热度指标求和[8]。 3. 计算各组总热度的周度变化率[11]。 4. 对周度变化率取2周移动平均（MA2）进行平滑[11]。 5. 在每周最后一个交易日，买入MA2值最大的宽基指数（沪深300、中证500、中证1000、中证2000之一）。如果MA2最大的是“其他”组，则空仓[13]。 2. **模型名称：热门概念内低热度选股策略**[30] * **模型构建思路**：在短期内受市场高度关注（热度变化率大）的概念板块中，选择该概念内市场关注度（总热度）相对较低的个股，以期获得超额收益[30][32]。 * **模型具体构建过程**： 1. 每周计算所有概念板块的总热度周度变化率[28]。 2. 选出本周热度变化率最大的5个概念[30]。 3. 将这5个概念的所有成分股合并作为初选股票池[30]。 4. 从初选股票池中剔除流通市值最小的20%的股票[30]。 5. 在剩余的股票池中，针对每个热门概念，分别选出其成分股中“个股总热度”排名最低的10只股票[30]。 6. 将所有选出的股票等权重构建投资组合（BOTTOM组合）[30]。 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%，2026年收益3.6%[16]。 2. **热门概念内低热度选股策略（BOTTOM组合）**，年化收益15.71%，最大回撤28.89%[32]。 量化因子与构建方式 1. **因子名称：个股总热度**[7] * **因子构建思路**：通过加总个股的浏览、自选与点击次数，并以全市场占比进行归一化，构建一个衡量个股受市场关注程度的情绪代理指标[7]。 * **因子具体构建过程**： 1. 获取股票每日的浏览次数、加入自选次数、点击次数[7]。 2. 将上述三个次数相加，得到股票的原始热度值[7]。 3. 计算该股票原始热度值在当日全市场所有股票总原始热度值中的占比，进行归一化[7]。 4. 将归一化后的数值乘以10000，使因子取值区间落在[0, 10000]之间[7]。 $$个股总热度 = \frac{股票当日（浏览+自选+点击）次数}{全市场当日（浏览+自选+点击）总次数} \times 10000$$ 2. **因子名称：聚合总热度（宽基/行业/概念）**[7] * **因子构建思路**：将特定群体（如宽基指数、行业、概念）内所有成分股的“个股总热度”加总，得到该群体的整体情绪热度指标，用于监控市场情绪[7]。 * **因子具体构建过程**：对于目标群体（如沪深300指数），将其所有成分股在计算日的“个股总热度”因子值直接求和[7][8]。 3. **因子名称：热度变化率MA2**[11][20] * **因子构建思路**：计算聚合总热度（或个股总热度）的周度环比变化，并采用移动平均平滑，以捕捉关注度的边际变化趋势[11][20]。 * **因子具体构建过程**： 1. 计算目标对象（宽基、行业、概念或个股）本周的聚合总热度（或个股总热度）[11]。 2. 计算其相对于上周的环比变化率[11]。 3. 对该周度变化率序列计算2周移动平均值（MA2）[11][20]。 因子的回测效果 （报告中未提供单个因子的独立测试结果，如IC、IR等）

量化模型与构建方式 1. **模型名称：成交量模型**[9][12] * **模型构建思路**：属于短期择时模型，基于价量关系进行市场判断[9]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 2. **模型名称：特征龙虎榜机构模型**[12] * **模型构建思路**：属于短期择时模型，基于龙虎榜机构买卖行为特征进行判断[12]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 3. **模型名称：特征成交量模型**[12] * **模型构建思路**：属于短期择时模型，基于特殊的成交量特征进行判断[12]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 4. **模型名称：智能算法沪深300模型 / 智能算法中证500模型**[12] * **模型构建思路**：属于短期择时模型，应用智能算法对特定宽基指数（沪深300、中证500）进行择时[12]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 5. **模型名称：涨跌停模型**[13] * **模型构建思路**：属于中期择时模型，从涨跌停角度构建择时策略[9][13]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 6. **模型名称：上下行收益差模型**[13] * **模型构建思路**：属于中期择时模型，基于市场上涨和下跌收益的差异进行判断[13]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 7. **模型名称：月历效应模型**[13] * **模型构建思路**：属于中期择时模型，基于日历效应进行市场择时[13]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 8. **模型名称：长期动量模型**[14] * **模型构建思路**：属于长期择时模型，基于长期动量角度构建择时策略[9][14]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 9. **模型名称：A股综合兵器V3模型 / A股综合国证2000模型**[15] * **模型构建思路**：属于综合择时模型，通过耦合不同周期或同一周期下的多个模型信号，实现攻守兼备[9][15]。 * **模型具体构建过程**：报告未提供该模型的具体耦合方法与详细步骤。 10. **模型名称：成交额倒波幅模型**[16] * **模型构建思路**：属于港股中期择时模型[16]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 11. **模型名称：恒生指数上下行收益差模型 / 上下行收益差相似模型**[16] * **模型构建思路**：属于港股中期择时模型，基于上下行收益差或其相似逻辑进行判断[16]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 12. **模型名称：形态学监控模型（双底形态、杯柄形态）**[43] * **模型构建思路**：基于技术分析中的经典价格形态（如双底、杯柄形态）识别突破信号，构建选股组合[43]。 * **模型具体构建过程**：报告展示了形态识别的结果（如A点、B点、C点等关键时点），但未提供形态识别的具体量化规则和公式[48][49][54][55]。 13. **模型名称：大师策略监控模型**[38] * **模型构建思路**：监控经典量化选股策略（价值型、成长型、综合型），以发现当前收益靠前组合暴露的因子及因子标准[38]。 * **模型具体构建过程**：报告提及监控了33个大师系列策略，但未列出具体策略名称、构建思路及详细过程[38]。 14. **模型名称：VIX指数计算模型**[42] * **模型构建思路**：根据公开披露的VIX计算方法，复现国内市场的波动率指数，用于监控市场情绪[42]。 * **模型具体构建过程**：报告未提供具体的VIX计算公式，但提及复现的指数与中证指数公司历史发布的VIX指数相关系数达99.2%[42]。 模型的回测效果 1. **双底形态组合**，本周上涨3.75%，相对上证综指超额收益2.91%，自2020年12月31日至今累计上涨28.48%，相对上证综指累计超额收益9.38%[43]。 2. **杯柄形态组合**，本周上涨4.51%，相对上证综指超额收益3.67%，自2020年12月31日至今累计上涨23.66%，相对上证综指累计超额收益4.57%[43]。 3. **上周杯柄形态突破个股**（70只），上周平均相对上证综指超额收益1.11%[44]。 4. **上周双底形态突破个股**（102只），上周平均相对上证综指超额收益2.0%[51]。 量化因子与构建方式 1. **因子名称：分析师上调/下调个股比例**[20] * **因子构建思路**：从分析师一致预期角度观察行业，计算行业内获得分析师上调或下调评级的个股占比[20][21]。 * **因子具体构建过程**：对于每个行业，因子值为： * 分析师上调个股比例 = (行业内被上调评级的个股数量 / 行业内总样本股数量) * 100% * 分析师下调个股比例 = (行业内被下调评级的个股数量 / 行业内总样本股数量) * 100% 报告以表格形式展示了各行业的计算结果[20][23]。 2. **因子名称：基金仓位（绝对仓位）**[23][29] * **因子构建思路**：监控股票型基金和混合型基金在不同行业上的配置比例，反映机构资金的布局动向[23]。 * **因子具体构建过程**：基于基金持仓数据，汇总计算各类型基金在每个行业上的持仓市值占其总资产的比例，得到本周仓位及相较于上周、上月、上季的变化[29]。 3. **因子名称：基金超低配仓位**[24][32] * **因子构建思路**：衡量基金在行业上的主动配置倾向，即基金仓位与市场标准（如行业市值占比）的差异[24]。 * **因子具体构建过程**：对于每个行业和基金类型，计算： * 超/低配(%) = 基金本周仓位(%) - 行业市值占比(%) 同时，计算该超低配值在近两年历史中的分位数，以判断当前配置水平在历史上的位置[32][33]。 因子的回测效果 *(报告未提供上述因子的独立历史回测绩效指标，如IC、IR、多空收益等。)*

量化模型与构建方式 1. **模型名称：全频段量价融合因子模型**[6] * **模型构建思路**：整合不同频率（高频与低频）的量价数据，通过深度学习模型分别挖掘其蕴含的选股信息，最终融合成一个综合因子[6]。 * **模型具体构建过程**： 1. **高频因子构建**：使用深度学习模型，以分钟和Level2等高频数据为输入特征，训练得到27个高频深度学习因子[6][11]。 2. **低频因子构建**：利用多任务学习模型，对日频、周频、月频等低频量价数据进行端到端挖掘，得到低频多任务因子[6]。 3. **因子融合**：将上述得到的高频深度学习因子与低频多任务因子合成为最终的全频段融合因子[6]。 2. **模型名称：AI中证1000增强组合模型**[1][7] * **模型构建思路**：基于全频段融合因子，在跟踪中证1000指数的基础上构建增强组合，以获取稳定的超额收益[1][7]。 * **模型具体构建过程**： 1. **选股与赋权**：使用全频段融合因子作为核心选股指标[1][7]。 2. **组合约束**：组合构建时遵循以下规则：对中证1000指数成分股的权重不低于80%；个股权重相对于基准的偏离上限为0.8%；对Barra风险模型的暴露控制在0.3以内；周双边换手率目标为30%[9]。 3. **调仓与交易**：采用周频调仓，交易费用假设为双边千分之四[9]。 3. **模型名称：文本LLM-FADT选股模型**[2][14][17] * **模型构建思路**：在传统文本分析模型（BERT-FADT）基础上，引入大语言模型（LLM）对分析师研报进行多维度深度解读，生成更丰富的文本特征，以提升选股效果[2][14]。 * **模型具体构建过程**： 1. **文本增强**：对原始研报的标题和摘要，使用大语言模型从“标题新解”、“行情催化剂”、“言外之意”、“潜在风险”、“收益指引”五个额外视角进行解读和补充[14][17]。 2. **特征提取**：将原始文本及上述5个增强后的文本，共计6类文本，输入微调版的FinBERT模型，分别转化为文本特征向量[17]。 3. **预测建模**：将得到的多组文本特征向量作为输入，使用XGBoost模型进行训练，预测股票未来收益[17]。 4. **模型名称：AI行业轮动模型**[3][38][43] * **模型构建思路**：利用全频段量价融合因子，自下而上地对行业进行打分，选择得分最高的行业构建轮动策略[3][38]。 * **模型具体构建过程**： 1. **行业池**：主要覆盖32个一级行业，其中对食品饮料、有色金属进行了细分，排除了综合和综合金融[43]。 2. **行业打分**：使用行业内成分股的全频段量价融合因子得分，对每个行业进行打分[38][43]。 3. **策略规则**：每周最后一个交易日，选择模型打分最高的5个行业，于下周第一个交易日收盘价等权买入，周频调仓，策略回测中不计交易成本[3][43]。 5. **模型名称：AI主题指数轮动模型**[4][31] * **模型构建思路**：利用全频段量价融合因子，对主题指数进行打分，选择得分高的指数构建轮动策略[4][31]。 * **模型具体构建过程**： 1. **指数池**：根据Wind的ETF基金分类，选取133个有对应ETF的主题指数构成备选池[31]。 2. **指数打分**：使用指数成分股的全频段量价融合因子得分，对每个主题指数进行打分[31]。 3. **策略规则**：每周最后一个交易日，选择模型打分最高的10个主题指数，于下周第一个交易日开盘价等权买入，周频调仓，交易成本为双边万分之四[4][31]。 6. **模型名称：AI概念指数轮动模型**[4][37] * **模型构建思路**：利用全频段量价融合因子，对概念指数进行打分，选择得分高的指数构建轮动策略[4][37]。 * **模型具体构建过程**： 1. **指数池**：选取Wind热门概念指数，共72个构成备选池[37]。 2. **指数打分**：使用指数成分股的全频段量价融合因子得分，对每个概念指数进行打分[37]。 3. **策略规则**：每周最后一个交易日，选择模型打分最高的10个概念指数，于下周第一个交易日开盘价等权买入，周频调仓，交易成本为双边万分之四[4][37]。 量化因子与构建方式 1. **因子名称：全频段量价融合因子**[6] * **因子构建思路**：通过深度学习技术分别挖掘高频和低频量价数据中的有效信息，并将它们融合成一个综合性的选股因子[6]。 * **因子具体构建过程**：参见上述“全频段量价融合因子模型”的具体构建过程[6]。 * **因子评价**：该因子的主要收益贡献来源于日频、周频、月频等低频量价数据[1][11]。在2025年表现非常显著，但在2026年初经历了一定回撤[11]。相比之下，基于纯高频数据（如分钟、Level2）的深度学习因子在2026年初回撤较小，且在2024年极端市场环境中表现更优[11]。 2. **因子名称：高频深度学习因子**[6][11] * **因子构建思路**：专注于从分钟级和Level2等高频率量价数据中，通过深度学习模型提取能够预测股票收益的特征[6][11]。 * **因子具体构建过程**：使用深度学习模型，以分钟和Level2数据作为输入特征进行训练，得到27个因子[6]。 3. **因子名称：低频多任务因子**[6] * **因子构建思路**：专注于从日频、周频、月频等低频率量价数据中，通过多任务学习模型进行端到端的信息挖掘[6]。 * **因子具体构建过程**：利用多任务学习模型对低频量价数据进行端到端训练得到[6]。 模型的回测效果 1. **AI中证1000增强组合模型**[1][7][11] * 年化收益率：21.37%[11] * 年化波动率：23.27%[11] * 夏普比率：0.92[11] * 最大回撤：33.08%[11] * 年化超额收益率（相对中证1000）：21.60%[1][7][11] * 年化跟踪误差：6.06%[1][7][11] * 信息比率（IR）：3.57[1][7][11] * 超额收益最大回撤：7.55%[1][7][11] * 超额收益Calmar比率：2.86[1][7][11] * 相对基准月胜率：78.50%[11] * 年化双边换手率：32.56%[11] 2. **文本LLM-FADT选股模型（中证500增强）**[2][20][24] * 年化收益率：30.10%[2][20][24] * 年化波动率：25.57%[24] * 夏普比率：1.18[2][20][24] * 最大回撤：36.70%[24] * Calmar比率：0.82[24] * 年化超额收益率（相对中证500）：25.52%[2][20][24] * 年化跟踪误差：12.76%[24] * 信息比率（IR）：2.00[2][20][24] * 超额收益最大回撤：22.89%[24] * 超额收益Calmar比率：1.11[24] * 相对基准月胜率：75.00%[24] * 年化双边换手率：14.88%[24] 3. **AI行业轮动模型**[3][41] * 年化收益率：26.87%[3][41] * 年化超额收益率（相对行业等权基准）：19.02%[3][41] * 超额收益最大回撤：12.43%[41] * 超额夏普比率：1.85[41] * 今年以来收益率（截至2026/1/23）：4.22%[41] 4. **AI主题指数轮动模型**[4][30] * 年化收益率：16.92%[4][30] * 年化超额收益率（相对主题指数等权基准）：9.37%[4][30] * 超额收益最大回撤：20.79%[30] * 超额夏普比率：0.73[30] * 今年以来收益率（截至2026/1/23）：3.78%[30] 5. **AI概念指数轮动模型**[4][35] * 年化收益率：23.22%[4][35] * 年化超额收益率（相对概念指数等权基准）：9.74%[35] * 超额收益最大回撤：20.16%[35] * 超额夏普比率：0.82[35] * 今年以来收益率（截至2026/1/23）：4.41%[35] 因子的回测效果 1. **全频段量价融合因子**[6] * 5日RankIC均值：0.114[6][7] * TOP层年化超额收益率（相对全A等权基准）：29.38%[6] * 今年以来TOP层超额收益率（截至2026/1/23）：0.40%[6]

量化模型与构建方式 1. **模型名称：A股技术打分模型**[2][9] * **模型构建思路**：通过挖掘技术面信息来刻画市场状态，并基于对当前状态的理解形成对未来走势的打分观点[2][9] * **模型具体构建过程**： 1. 将“市场状态”细分为价格、量能、波动、趋势和拥挤五个维度[9] 2. 在每个维度内筛选出有效的市场观测指标，共10个[9] 3. 每个指标独立发出多空择时信号[9] 4. 将10个指标的择时信号进行等权投票，综合形成一个介于-1至+1之间的打分结果[9] 5. 根据打分结果制定多空策略：得分 > +0.33时看多，得分在-0.33至+0.33之间时看平，得分 < -0.33时看空[11] 2. **模型名称：红利风格择时模型**[3][16] * **模型构建思路**：结合多个维度的趋势指标，对红利风格（以中证红利指数相对中证全指的收益率衡量）进行多空择时[3][16] * **模型具体构建过程**： 1. 选取三个择时指标： * 中证红利相对中证全指的动量（正向指标）[19] * 10Y-1Y期限利差（负向指标）[19] * 银行间质押式回购成交量（正向指标）[19] 2. 每个指标从趋势维度日频发出信号，取值为0（看平）、+1（看多）、-1（看空）[16] 3. 将三个维度的得分求和，根据其正负性作为最终多空观点[16] 4. 当模型看好红利风格时，全仓持有中证红利指数；不看好时，全仓持有中证全指[16] 3. **模型名称：大小盘风格择时模型**[3][20] * **模型构建思路**：采用基于拥挤度分域的趋势模型进行择时，在不同拥挤度区间采用不同参数的趋势跟踪策略[3][20] * **模型具体构建过程**： 1. **计算拥挤度**：以沪深300指数代表大盘，万得微盘股指数代表小盘[20] * **动量得分**：计算小盘与大盘的10/20/30/40/50/60日动量之差，再计算各窗长动量之差在3.0/3.5/4.0/4.5/5.0年历史分位数的均值。对6个窗长下分位数最高的3个结果取均值作为小盘动量得分，分位数最低的3个结果取均值作为大盘动量得分[25] * **成交量得分**：计算小盘与大盘的10/20/30/40/50/60日成交额之比，再计算各窗长成交额之比在3.0/3.5/4.0/4.5/5.0年历史分位数的均值。对6个窗长下分位数最高的3个结果取均值作为小盘成交量得分，分位数最低的3个结果取均值作为大盘成交量得分[25] * **拥挤度得分**：将小盘（大盘）的动量得分和成交量得分取均值，得到小盘（大盘）拥挤度得分。小盘拥挤度得分大于90%视为触发高拥挤，大盘拥挤度得分小于10%视为触发高拥挤[25] 2. **判断运行区间**：若最近20个交易日中，小盘或大盘风格曾触发过高拥挤，则模型运行在高拥挤区间，否则运行在低拥挤区间[22] 3. **趋势择时**：在高拥挤区间，采用参数较小的双均线模型以应对可能的风格反转；在低拥挤区间，采用参数较大的双均线模型以跟踪中长期趋势[22] 4. **模型名称：遗传规划行业轮动模型**[4][28] * **模型构建思路**：采用遗传规划技术，直接对行业指数的量价、估值等特征进行因子挖掘，不再依赖人工设计打分规则，以构建行业轮动策略[4][32] * **模型具体构建过程**： 1. **因子挖掘**：使用双目标遗传规划（NSGA-II算法）对底层输入变量进行挖掘[32]。底层变量包括收盘价、开盘价、最高价、最低价、成交额、换手率、市净率等原始值、标准化值及分位数[37] 2. **因子评价**：同时使用|IC|（信息系数绝对值）和NDCG@5两个目标来评价因子的分组单调性和多头组表现，旨在挖掘出兼具单调性和优秀多头表现的因子[32] 3. **因子合成**：对挖掘得到的备选因子，结合贪心策略和方差膨胀系数（VIF），将共线性较弱的多个因子合成为行业综合得分[34] 4. **组合构建**：模型周频调仓，每周末选出多因子综合得分最高的五个行业进行等权配置[4][28] 5. **模型名称：中国境内全天候增强组合**[5][39] * **模型构建思路**：采用宏观因子风险预算框架，在四象限风险平价的基础上，基于宏观预期动量的观点主动超配看好的象限，以实现风险分散下的收益增强[5][39] * **模型具体构建过程**： 1. **宏观象限划分与资产选择**：选择增长和通胀两个宏观维度，根据是否超预期划分为四个象限（增长超预期、增长不及预期、通胀超预期、通胀不及预期）。结合定量与定性方式确定各象限适配的资产[42] 2. **象限组合构建与风险度量**：在每个象限内，将适配的资产等权构建子组合，并注重刻画象限的下行风险[42] 3. **风险预算与主动超配**：每月底，根据由“宏观预期动量指标”给出的“象限观点”来调整各象限的风险预算，从而主动超配看好的象限，实现策略增强[42] 量化因子与构建方式 1. **因子名称：技术面观测指标（10个）**[9][14] * **因子构建思路**：从价格、量能、波动、趋势、拥挤五个维度选取有效的技术指标，用于刻画市场状态[9] * **因子具体构建过程**：报告中列出了10个具体指标，包括： * **价格维度**：20日布林带、20日价格乖离率[14] * **量能维度**：20日换手乖离率、60日换手乖离率[14] * **趋势维度**：20日ADX、20日新高天数占比[14] * **波动维度**：60日换手率波动、期权隐含波动率[14] * **拥挤维度**：成分股涨停家数占比5日平均、期权持仓量PCR-5日平均[14] 2. **因子名称：遗传规划挖掘的权重最高因子**[37][38] * **因子构建思路**：通过双目标遗传规划算法从量价数据中自动挖掘出的有效行业轮动因子[37] * **因子具体构建过程**： 1. 在截面上，用全体行业标准化日度成交额对当日跳空缺口开展带有常数项的一元线性回归，取残差，记作变量A[38] 2. 在过去9个交易日中，取标准化日度成交额最大的交易日索引，记作变量B[38] 3. 在过去50个交易日中，将变量A和B开展时序回归取截距项，记作变量C[38] 4. 计算过去45个交易日变量C和标准化月度开盘价的协方差，作为因子值[38] * **因子表达式**：`ts_covariance_torch(ts_regalpha_torch(xs_regres_torch(volume_st, jump_gap), ts_argmax_torch(volume_st, 9), 50), mopen_st, 45)`[37] 模型的回测效果 （回测区间：2010-01-04 至 2026-01-23，除非特别说明） 1. **A股技术打分模型**，年化收益20.78%，年化波动17.32%，最大回撤-23.74%，夏普比率1.20，Calmar比率0.88[15] 2. **红利风格择时模型**（回测区间：2017-01-03 至 2026-01-23），年化收益16.82%，最大回撤-25.52%，夏普比率0.92，Calmar比率0.66，YTD收益7.46%，上周收益1.77%[17] 3. **大小盘风格择时模型**（回测区间：2017-01-03 至 2026-01-23），年化收益28.46%，最大回撤-32.05%，夏普比率1.19，Calmar比率0.89，YTD收益11.85%，上周收益5.25%[26] 4. **遗传规划行业轮动模型**（回测区间：2022-09-30 至 2026-01-23），年化收益32.92%，年化波动17.43%，夏普比率1.89，最大回撤-19.63%，卡玛比率1.68，上周表现3.37%，YTD收益6.80%[31] 5. **中国境内全天候增强组合**（回测区间：2013-12-31 至 2026-01-23），年化收益11.93%，年化波动6.20%，夏普比率1.92，最大回撤-6.30%，卡玛比率1.89，上周表现1.54%，YTD收益3.59%[43] 因子的回测效果 （回测区间：2010-01-04 至 2026-01-23，起始日期不同者已标注） 1. **20日价格乖离率**，年化收益13.24%，年化波动23.52%，最大回撤-42.04%，夏普比率0.56，Calmar比率0.32[15] 2. **布林带**（回测起始：2015-04-09），年化收益14.82%，年化波动24.68%，最大回撤-31.45%，夏普比率0.60，Calmar比率0.47[15] 3. **20日换手率乖离率**，年化收益13.06%，年化波动23.53%，最大回撤-38.79%，夏普比率0.56，Calmar比率0.34[15] 4. **60日换手率乖离率**，年化收益17.89%，年化波动23.52%，最大回撤-29.57%，夏普比率0.76，Calmar比率0.61[15] 5. **20日ADX**，年化收益15.33%，年化波动23.52%，最大回撤-52.27%，夏普比率0.65，Calmar比率0.29[15] 6. **20日创新高占比**，年化收益8.75%，年化波动16.11%，最大回撤-32.44%，夏普比率0.54，Calmar比率0.27[15] 7. **期权隐含波动率**（回测起始：2015-03-30），年化收益11.91%，年化波动24.69%，最大回撤-50.95%，夏普比率0.48，Calmar比率0.23[15] 8. **60日换手率波动**，年化收益11.58%，年化波动14.27%，最大回撤-20.60%，夏普比率0.81，Calmar比率0.56[15] 9. **5日涨停占比平均**，年化收益14.15%，年化波动23.52%，最大回撤-34.98%，夏普比率0.60，Calmar比率0.40[15] 10. **5日持仓量PCR平均**，年化收益4.55%，年化波动23.55%，最大回撤-55.73%，夏普比率0.19，Calmar比率0.08[15]

量化模型与构建方式 1. **模型名称：量能择时模型**[31] * **模型构建思路**：通过分析主要宽基指数的量能（成交量或成交额）表现，判断市场短期走势，生成看多或看空的择时信号[31]。 * **模型具体构建过程**：报告未详细说明该模型的具体计算规则和信号生成阈值，仅展示了其应用结果。根据文本，该模型会对上证指数、上证50、沪深300、中证500、中证1000、创业板指、北证50等宽基指数分别生成独立的择时观点[31]。 2. **模型名称：沪深300上涨家数占比择时模型**[34][36] * **模型构建思路**：通过计算沪深300指数成分股中过去一段时间内收益为正的股票家数占比，来衡量市场情绪。当情绪由弱转强时看多市场，由强转弱时持中性态度[34][36]。 * **模型具体构建过程**： 1. 首先，计算沪深300指数N日上涨家数占比。具体公式为： $$沪深300指数N日上涨家数占比 = \frac{沪深300指数成分股过去N日收益大于0的个股数}{沪深300指数成分股总数}$$[32] 2. 然后，对该指标值进行两次不同窗口期的移动平均平滑，得到快线（短期平滑线）和慢线（长期平滑线），其中慢线窗口期N1大于快线窗口期N2[34][36]。报告中示例参数为N=230，N1=50，N2=35[34]。 3. 生成交易信号：当快线上穿慢线（即快线 > 慢线）时，看多沪深300指数；当快线下穿慢线时，对市场持中性态度[36]。 3. **模型名称：均线情绪指标择时模型**[40][44] * **模型构建思路**：基于沪深300指数收盘价与一组长期均线（八均线体系）的相对位置关系，构建情绪指标，用于判断市场趋势状态并生成择时信号[40][44]。 * **模型具体构建过程**： 1. 计算沪深300收盘价的八条均线，均线参数分别为8, 13, 21, 34, 55, 89, 144, 233[40]。 2. 计算当日沪深300指数收盘价大于这八条均线指标值的数量[44]。 3. 生成交易信号：当当前价格大于均线指标值的数量超过5条时，看多沪深300指数[44]。 4. **因子名称：横截面波动率**[45] * **因子构建思路**：计算特定指数（如沪深300、中证500、中证1000）成分股在横截面上的收益率波动率，用以衡量市场分化程度和Alpha策略的盈利环境。波动率上升通常意味着Alpha环境好转[45]。 * **因子具体构建过程**：报告未给出具体的计算公式，但根据常规理解，横截面波动率通常是指在一个特定时间点（如日度），计算指数内所有成分股当日收益率的截面标准差。 5. **因子名称：时间序列波动率**[46] * **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率，用以衡量市场的整体波动水平，其变化也会影响Alpha环境[46]。 * **因子具体构建过程**：报告未给出具体的计算公式，但根据常规理解，时间序列波动率通常是指计算指数内成分股在过去一段时间（如20日或60日）收益率的标准差，然后可能按市值或其他方式进行加权平均。 6. **因子名称：抱团基金分离度**[87] * **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，来度量基金抱团的程度。标准差越小，说明抱团基金表现越趋同，抱团程度越高；反之则表示抱团正在瓦解[87]。 * **因子具体构建过程**： 1. 首先构造一个“抱团基金组合”，但报告未详细说明其具体筛选规则[87]。 2. 计算该抱团基金组合在截面上的收益率标准差，即为分离度指标[87]。 模型的回测效果 1. **沪深300上涨家数占比择时模型**，策略净值表现见历史回测图，在所示区间内策略净值显著跑赢沪深300指数[37][38] 2. **均线情绪指标择时模型**，策略净值表现见历史回测图，在所示区间内策略净值显著跑赢沪深300指数[41][42] 量化因子的回测效果 1. **横截面波动率因子**，近两年平均值：沪深300为2.00%，中证500为2.25%，中证1000为2.49%[46] **横截面波动率因子**，近一年平均值：沪深300为1.98%，中证500为2.26%，中证1000为2.51%[46] **横截面波动率因子**，近半年平均值：沪深300为1.97%，中证500为2.35%，中证1000为2.53%[46] **横截面波动率因子**，近一季度平均值：沪深300为2.12%，中证500为2.42%，中证1000为2.58%[46] 2. **时间序列波动率因子**，近两年平均值：沪深300为1.03%，中证500为1.37%，中证1000为1.55%[49] **时间序列波动率因子**，近一年平均值：沪深300为0.91%，中证500为1.14%，中证1000为1.21%[49] **时间序列波动率因子**，近半年平均值：沪深300为0.87%，中证500为1.12%，中证1000为1.08%[49] **时间序列波动率因子**，近一季度平均值：沪深300为0.97%，中证500为1.20%，中证1000为1.16%[49]

量化模型与因子构建方式 基本面因子 市值因子 1. **因子名称**：对数总市值 (ln_mv) * **构建思路**：反映上市公司的规模特征，是基础的风格因子之一[38]。 * **具体构建过程**：使用Wind字段`S_VAL_MV`（当日总市值），计算其自然对数[39]。 $$ln\_mv = \ln(S\_VAL\_MV)$$ * **因子评价**：在港股通股票池中表现出一定的正向效应，但稳定性较弱[39]。 2. **因子名称**：对数流通市值 (ln_float_mv) * **构建思路**：反映上市公司的流通规模特征[38]。 * **具体构建过程**：使用Wind字段`S_DQ_MV`（当日流通市值），计算其自然对数[39]。 $$ln\_float\_mv = \ln(S\_DQ\_MV)$$ * **因子评价**：在两个股票池中均表现出一定的正向效应，即流通市值较大的股票长期收益略高，但稳定性较弱[39]。 3. **因子名称**：非线性市值 (nlsize) * **构建思路**：捕捉市值维度的非线性收益驱动逻辑[38]。 * **具体构建过程**：使用Wind字段`S_VAL_MV`（当日总市值），计算总市值对数的三次方对总市值对数的正交增量[39]。 * **因子评价**：在两类选股池中的有效性差异较大，在港股通中有效性较强[39]。 成长因子 1. **因子名称**：经营活动产生的现金流净额（ttm）同比增长率 (ocf_ttm_yoy) * **构建思路**：反映上市公司现金流维度的增长能力，衡量企业未来发展的持续性与确定性[42]。 * **具体构建过程**：使用Wind字段`NET_CASH_FLOWS_OPER_ACT`（经营活动产生的现金流量净额），计算其TTM值相对于去年同期的增长率[43]。 $$ocf\_ttm\_yoy = \frac{NET\_CASH\_FLOWS\_OPER\_ACT_{TTM, t}}{NET\_CASH\_FLOWS\_OPER\_ACT_{TTM, t-12m}} - 1$$ * **因子评价**：在港股市场整体具备正向选股能力，该指标表现尤为突出，符合机构投资者看重现金流支撑的真实成长的逻辑[44]。 2. **因子名称**：归母公司净利润（扣非，ttm）同比增长率 (np_deducted_yoy) * **构建思路**：反映上市公司扣除非经常性损益后的净利润增长能力[42]。 * **具体构建过程**：使用Wind字段`NONCONTINUOUS_NET_OP - MINORITY_INT_INC`（归母公司净利润（扣非）），计算其TTM值相对于去年同期的增长率[43]。 $$np\_deducted\_yoy = \frac{(NONCONTINUOUS\_NET\_OP - MINORITY\_INT\_INC)_{TTM, t}}{(NONCONTINUOUS\_NET\_OP - MINORITY\_INT\_INC)_{TTM, t-12m}} - 1$$ * **因子评价**：在港股市场整体具备正向选股能力，该指标表现突出[44]。 3. **因子名称**：归母公司净利润（ttm）同比增长率 (np_ttm_yoy) * **构建思路**：反映上市公司净利润的增长能力[42]。 * **具体构建过程**：使用Wind字段`NET_PROFIT_CS`（归母公司净利润），计算其TTM值相对于去年同期的增长率[43]。 $$np\_ttm\_yoy = \frac{NET\_PROFIT\_CS_{TTM, t}}{NET\_PROFIT\_CS_{TTM, t-12m}} - 1$$ 4. **因子名称**：利润总额（ttm）同比增长率 (ebt_ttm_yoy) * **构建思路**：反映上市公司利润总额的增长能力[42]。 * **具体构建过程**：使用Wind字段`INC_PRETAX`（利润总额），计算其TTM值相对于去年同期的增长率[43]。 $$ebt\_ttm\_yoy = \frac{INC\_PRETAX_{TTM, t}}{INC\_PRETAX_{TTM, t-12m}} - 1$$ 5. **因子名称**：净资产收益率（TTM）同比增长率 (roe_ttm_yoy) * **构建思路**：反映上市公司净资产收益率指标的增长情况[42]。 * **具体构建过程**：先计算`roe_ttm`（归母公司净利润TTM / 净资产过去一年均值），再计算该值相对于去年同期的增长率[43]。 $$roe\_ttm\_yoy = \frac{roe\_ttm_{t}}{roe\_ttm_{t-12m}} - 1$$ 6. **因子名称**：营业总收入（ttm）同比增长率 (tot_rev_ttm_yoy) * **构建思路**：反映上市公司营业总收入的增长能力[42]。 * **具体构建过程**：使用Wind字段`TOT_OPER_REV`（营业总收入），计算其TTM值相对于去年同期的增长率[43]。 $$tot\_rev\_ttm\_yoy = \frac{TOT\_OPER\_REV_{TTM, t}}{TOT\_OPER\_REV_{TTM, t-12m}} - 1$$ 7. **因子名称**：营业收入（ttm）同比增长率 (rev_ttm_yoy) * **构建思路**：反映上市公司营业收入的增长能力[42]。 * **具体构建过程**：使用Wind字段`BUS_INC`（营业收入），计算其TTM值相对于去年同期的增长率[43]。 $$rev\_ttm\_yoy = \frac{BUS\_INC_{TTM, t}}{BUS\_INC_{TTM, t-12m}} - 1$$ 8. **因子名称**：营业利润（ttm）同比增长率 (op_ttm_yoy) * **构建思路**：反映上市公司营业利润的增长能力[42]。 * **具体构建过程**：使用Wind字段`OPPROFIT`（营业利润），计算其TTM值相对于去年同期的增长率[43]。 $$op\_ttm\_yoy = \frac{OPPROFIT_{TTM, t}}{OPPROFIT_{TTM, t-12m}} - 1$$ 9. **因子名称**：基本每股收益（ttm）同比增长率 (eps_ttm_yoy) * **构建思路**：反映上市公司每股收益的增长能力[42]。 * **具体构建过程**：先计算基本每股收益（归母公司净利润TTM / 加权平均总股本），再计算该值相对于去年同期的增长率[43]。 $$eps\_ttm\_yoy = \frac{eps\_ttm_{t}}{eps\_ttm_{t-12m}} - 1$$ 10. **因子名称**：每股经营活动产生的现金流净额（ttm）同比增长率 (ocfps_ttm_yoy) * **构建思路**：反映上市公司每股现金流的增长能力[42]。 * **具体构建过程**：先计算每股经营活动现金流净额TTM（经营活动现金流净额TTM / 最新总股本），再计算该值相对于去年同期的增长率[43]。 $$ocfps\_ttm\_yoy = \frac{ocfps\_ttm_{t}}{ocfps\_ttm_{t-12m}} - 1$$ 11. **因子名称**：每股营业收入（ttm）同比增长率 (orps_ttm_yoy) * **构建思路**：反映上市公司每股营业收入的增长能力[42]。 * **具体构建过程**：先计算每股营业收入TTM（营业总收入TTM / 最新总股本），再计算该值相对于去年同期的增长率[43]。 $$orps\_ttm\_yoy = \frac{orps\_ttm_{t}}{orps\_ttm_{t-12m}} - 1$$ 12. **因子名称**：资产总计同比增长率 (tot_assets_yoy) * **构建思路**：反映上市公司资产规模的扩张能力[42]。 * **具体构建过程**：使用Wind字段`TOT_ASSETS`（资产总计），计算其期末值相对于去年同期的增长率[43]。 $$tot\_assets\_yoy = \frac{TOT\_ASSETS_{t}}{TOT\_ASSETS_{t-12m}} - 1$$ 13. **因子名称**：归母公司股东权益总计同比增长率 (tot_equity_yoy) * **构建思路**：反映上市公司股东权益的增长能力[42]。 * **具体构建过程**：使用Wind字段`PARSH_INT`（归母公司股东权益），计算其期末值相对于去年同期的增长率[43]。 $$tot\_equity\_yoy = \frac{PARSH\_INT_{t}}{PARSH\_INT_{t-12m}} - 1$$ 14. **因子名称**：每股净资产同比增长率 (bps_yoy) * **构建思路**：反映上市公司每股净资产的增长能力[42]。 * **具体构建过程**：先计算每股净资产（归母公司股东权益期末值 / 最新总股本），再计算该值相对于去年同期的增长率[43]。 $$bps\_yoy = \frac{bps_{t}}{bps_{t-12m}} - 1$$ 15. **因子名称**：归母公司净利润（ttm)过去三年复合增速 (np_ttm_cagr_3y) * **构建思路**：反映上市公司净利润的长期复合增长能力[42]。 * **具体构建过程**：使用Wind字段`NET_PROFIT_CS`（归母公司净利润），计算其TTM值过去三年的复合增长率[43]。 16. **因子名称**：总资产净利率（ROA1，TTM）同比增长率 (roa1_ttm_yoy) * **构建思路**：反映上市公司总资产净利率指标的增长情况[42]。 * **具体构建过程**：先计算`roa1_ttm`（净利润(含少数股东损益)TTM / 总资产过去一年均值），再计算该值相对于去年同期的增长率[43]。 $$roa1\_ttm\_yoy = \frac{roa1\_ttm_{t}}{roa1\_ttm_{t-12m}} - 1$$ 17. **因子名称**：总资产收益率（ROA2，TTM）同比增长率 (roa2_ttm_yoy) * **构建思路**：反映上市公司总资产收益率指标的增长情况[42]。 * **具体构建过程**：先计算`roa2_ttm`（EBIT / 总资产），再计算该值相对于去年同期的增长率[43]。 $$roa2\_ttm\_yoy = \frac{roa2\_ttm_{t}}{roa2\_ttm_{t-12m}} - 1$$ 18. **因子名称**：投入资本回报率（TTM）同比增长率 (roic_ttm_yoy) * **构建思路**：反映上市公司投入资本回报率指标的增长情况[42]。 * **具体构建过程**：先计算`roic_ttm`，再计算该值相对于去年同期的增长率[43]。 $$roic\_ttm\_yoy = \frac{roic\_ttm_{t}}{roic\_ttm_{t-12m}} - 1$$ 价值因子 1. **因子名称**：市净率倒数 (bp) * **构建思路**：反映上市公司股价与净资产（账面价值）的相对关系，是价值投资的核心指标之一[48]。 * **具体构建过程**：使用Wind字段`PARSH_INT`（归母公司股东权益）和`S_VAL_MV`（总市值），计算最新财报净资产与总市值的比值[49]。 $$bp = \frac{PARSH\_INT}{S\_VAL\_MV}$$ * **因子评价**：在两个选股池中均具有一定的有效性，选股能力较好[49]。 2. **因子名称**：市盈率倒数(TTM) (ep_ttm) * **构建思路**：反映上市公司股价与过去十二个月净利润的相对关系[48]。 * **具体构建过程**：使用Wind字段`NET_PROFIT_CS`（归母公司净利润）和`S_VAL_MV`（总市值），计算归母公司净利润TTM与总市值的比值[49]。 $$ep\_ttm = \frac{NET\_PROFIT\_CS_{TTM}}{S\_VAL\_MV}$$ * **因子评价**：在两个选股池中均具有一定的有效性，选股能力较好[49]。 3. **因子名称**：市销率倒数(TTM) (sp_ttm) * **构建思路**：反映上市公司股价与营业收入的相对关系[48]。 * **具体构建过程**：使用Wind字段`TOT_OPER_REV`（营业总收入）和`S_VAL_MV`（总市值），计算营业总收入TTM与总市值的比值[49]。 $$sp\_ttm = \frac{TOT\_OPER\_REV_{TTM}}{S\_VAL\_MV}$$ 4. **因子名称**：市盈率倒数 2(TTM) (opp_ttm) * **构建思路**：反映上市公司股价与营业利润的相对关系[48]。 * **具体构建过程**：使用Wind字段`OPPROFIT`（营业利润）和`S_VAL_MV`（总市值），计算营业利润TTM与总市值的比值[49]。 $$opp\_ttm = \frac{OPPROFIT_{TTM}}{S\_VAL\_MV}$$ 5. **因子名称**：市现率 1(TTM) (pocf_ttm) * **构建思路**：反映上市公司股价与经营性现金流的相对关系[48]。 * **具体构建过程**：使用Wind字段`NET_CASH_FLOWS_OPER_ACT`（经营活动产生的现金流量净额）和`S_VAL_MV`（总市值），计算经营性现金流净额TTM与总市值的比值[49]。 $$pocf\_ttm = \frac{NET\_CASH\_FLOWS\_OPER\_ACT_{TTM}}{S\_VAL\_MV}$$ * **因子评价**：选股能力较好[49]。 6. **因子名称**：市现率 2(TTM) (pncf_ttm) * **构建思路**：反映上市公司股价与现金净流量的相对关系[48]。 * **具体构建过程**：使用Wind字段`NET_INCR_CASH_CASH_EQU`（现金及现金等价物净增加额）和`S_VAL_MV`（总市值），计算现金净流量TTM与总市值的比值[49]。 $$pncf\_ttm = \frac{NET\_INCR\_CASH\_CASH\_EQU_{TTM}}{S\_VAL\_MV}$$ 7. **因子名称**：市盈率倒数(LYR) (ep_lyr) * **构建思路**：反映上市公司股价与上一完整会计年度净利润的相对关系[48]。 * **具体构建过程**：使用Wind字段`NET_PROFIT_CS`（归母公司净利润）和`S_VAL_MV`（总市值），计算归母公司净利润（上一完整会计年度）与总市值的比值[49]。 $$ep\_lyr = \frac{NET\_PROFIT\_CS_{LYR}}{S\_VAL\_MV}$$ 8. **因子名称**：市销率倒数(LYR) (sp_lyr) * **构建思路**：反映上市公司股价与上一完整会计年度营业收入的相对关系[48]。 * **具体构建过程**：使用Wind字段`TOT_OPER_REV`（营业总收入）和`S_VAL_MV`（总市值），计算营业总收入（上一完整会计年度）与总市值的比值[49]。 $$sp\_lyr = \frac{TOT\_OPER\_REV_{LYR}}{S\_VAL\_MV}$$ 9. **因子名称**：市盈率倒数 2(LYR) (opp_lyr) * **构建思路**：反映上市公司股价与上一完整会计年度营业利润的相对关系[48]。 * **具体构建过程**：使用Wind字段`OPPROFIT`（营业利润）和`S_VAL_MV`（总市值），计算营业利润（上一完整会计年度）与总市值的比值[49]。 $$opp\_lyr = \frac{OPPROFIT_{LYR}}{S\_VAL\_MV}$$ 10. **因子名称**：市现率 1(LYR) (pocf_lyr) * **构建思路**：反映上市公司股价与上一完整会计年度经营性现金流的相对关系[48]。 * **具体构建过程**：使用Wind字段`NET_CASH_FLOWS_OPER_ACT`（经营活动产生的现金流量净额）和`S_VAL_MV`（总市值），计算经营性现金流净额（上一完整会计年度）与总市值的比值[49]。 $$pocf\_lyr = \frac{NET\_CASH\_FLOWS\_OPER\_ACT_{LYR}}{S\_VAL\_MV}$$ 11. **因子名称**：市现率 2(LYR) (pncf_lyr) * **构建思路**：反映上市公司股价与上一完整会计年度现金净流量的相对关系[48]。 * **具体构建过程**：使用Wind字段`NET_INCR_CASH_CASH_EQU`（现金及现金等价物净增加额）和`S_VAL_MV`（总市值），计算现金净流量（上一完整会计年度）与总市值的比值[49]。 $$pncf\_lyr = \frac{NET\_INCR\_CASH\_C

量化模型与因子总结 量化因子与构建方式 1. **因子名称**：风格相对拥挤度[70][128] * **因子构建思路**：通过计算不同风格指数（如成长vs红利、小盘vs大盘等）的换手率标准化值之差的历史分位，来衡量某一风格相对于另一风格的交易拥挤程度，用于判断风格的配置风险与性价比[70][128] * **因子具体构建过程**： 1. 对于风格A和风格B的指数，分别计算其近252日的平均换手率[128] 2. 将计算出的平均换手率值，置于从2005年1月1日至今的历史时间序列中进行Z-score标准化，得到Z-score_A和Z-score_B[128] 3. 计算两个标准化值的差值：Z-score_A - Z-score_B[128] 4. 计算该差值的滚动6年历史分位数（若历史数据量满1年但不足6年，则使用全部历史数据计算），该分位数即为风格A相对于风格B的相对拥挤度[128] 2. **因子名称**：风格累计超额净值[70][129] * **因子构建思路**：以万得全A指数为基准，计算各风格指数相对于基准的累计超额收益，用于跟踪风格表现的强弱[70][129] * **因子具体构建过程**： 1. 设定基准日（报告中为2020年1月4日）[129] 2. 将各风格指数及万得全A指数的每日收盘点数除以各自在基准日的收盘点数，得到各自的累计净值[129] 3. 将各风格指数在每个交易日的累计净值，除以同一交易日的万得全A指数累计净值，得到该风格指数相对于万得全A的累计超额净值[129] 3. **因子名称**：机构调研活跃度[130] * **因子构建思路**：通过计算板块、指数或行业在特定周期内日均机构调研次数的标准化活跃度及其历史分位，来衡量市场关注度的变化[130] * **因子具体构建过程**： 1. 对于目标板块（指数、行业），计算其近n个交易日的“日均机构调研次数”[130] 2. 将该值在滚动y年的历史时间序列上进行z-score标准化[130] 3. 将上述标准化结果与万得全A指数的同期标准化结果作差，得到“机构调研活跃度”[130] 4. 最后计算该“机构调研活跃度”的滚动y年历史分位数[130] * **长期口径参数**：n取126（近半年），滚动窗口y为6年（历史数据量满3年且不足6年时，以全部历史数据计算）[130] * **短期口径参数**：n取63（近一季度），滚动窗口y为3年（历史数据量满1年且不足3年时，以全部历史数据计算）[130] 4. **因子名称**：股债风险溢价（ERP）[51] * **因子构建思路**：通过计算股票指数市盈率倒数与无风险利率（10年期国债收益率）的差值，来衡量投资股票相对于债券的额外收益补偿，即股债性价比[51] * **因子具体构建过程**： 1. 计算股票指数的市盈率倒数：1 / 指数PE_TTM[51] 2. 减去当前10年期中债国债到期收益率[51] * **公式**：$$指数 erp = 1/指数 PE\_TTM – 10 年期国债到期收益率$$[51] 5. **因子名称**：滚动季度夏普率[37][39] * **因子构建思路**：计算指数滚动季度周期的夏普比率，用于衡量经风险调整后的收益，并作为市场情绪风险的观测指标[37][39] * **因子具体构建过程**：报告中未给出详细计算过程，但提及使用万得全A指数的滚动季度夏普率来观察市场情绪是否达到极端位置[37][39] 6. **因子名称**：成交热度[26] * **因子构建思路**：使用周度日均自由流通换手率的历史分位值，来衡量指数、板块或行业的交易活跃程度[26] * **因子具体构建过程**：成交热度 = 指数（或板块、行业）的周度日均自由流通换手率在历史时间区间（如2005年1月1日至今）内的历史分位值[26][35] 因子的回测效果 *注：本报告为市场跟踪周报，主要展示各因子或风格在特定时间窗口（近一周、近一月、年初至今）的表现状态或具体数值，而非长期历史回测结果。以下为报告截至2026年1月23日当周的数据汇总。* 1. **风格相对拥挤度因子**，成长vs红利相对拥挤度历史分位：75%[70]；小盘vs大盘相对拥挤度历史分位：37%[70]；微盘股vs中证800相对拥挤度历史分位：0%[70] 2. **风格累计超额净值因子**，成长较红利超额收益：近一周 -1.4%，近一月 3.6%，年初至今 4.3%[61][64]；小盘较大盘超额收益：近一周 4.8%，近一月 14.5%，年初至今 13.4%[61][64]；微盘股较基金重仓超额收益：近一周 3.5%，近一月 3.4%，年初至今 3.1%[61][64]；动量较反转超额收益：近一周 -1.2%，近一月 2.7%，年初至今 -1.4%[61][64] 3. **股债风险溢价（ERP）因子**，万得全A指数ERP百分位：54%[58][60]；沪深300指数ERP百分位：61%[58][60]；中证500指数ERP百分位：65%[60]；创业板指数ERP百分位：85%[52][60] 4. **滚动季度夏普率因子**，万得全A指数滚动季度夏普率状态：从历史低位反弹，尚未触及预警位置[37] 5. **成交热度因子**，万得全A指数成交热度历史分位：92%[35]；沪深300指数成交热度历史分位：88%[35]；中证1000指数成交热度历史分位：93%[35]；创业板指数成交热度历史分位：97%[35]

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**[2][78] * **模型构建思路**：使用卷积神经网络（CNN）对个股历史价量数据生成的标准化图表进行深度学习，以识别图表中的特征模式，并预测未来价格走势。最终将学习到的特征映射到行业主题板块，生成行业配置建议。[2][78] * **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。价量数据通常包括价格、成交量等时间序列。[78] 2. **图表化**：将标准化后的价量数据转换为图像格式，作为CNN的输入。图表示例可参考报告中的“标准化数据价量图表”。[79] 3. **模型训练**：使用卷积神经网络对大量的历史价量图表进行训练，学习图表特征与未来一段时间（如下一期）价格变动之间的映射关系。[2][78] 4. **特征映射**：将训练好的CNN模型学习到的有效特征，应用于行业或主题板块层面的分析，识别出当前具有相似积极特征的板块。[2][78] 5. **生成信号**：根据模型对各个板块的分析，输出看好的行业主题配置列表。[80] 2. **模型名称：宏观因子事件模型**[55][57] * **模型构建思路**：跟踪一系列关键的国内外宏观指标，通过定义和识别这些指标在特定时间窗口内的走势事件（如短期高点、连续下跌等），并基于历史回测筛选出对资产未来收益率有显著影响的“有效因子事件”，从而对权益市场未来走势进行判断。[55] * **模型具体构建过程**： 1. **因子选择**：跟踪25个国内外宏观指标，涵盖货币政策、财政政策、流动性、通胀水平及其他经济指标等多个维度。[55] 2. **事件定义**：定义四类宏观因子走势事件：短期高低点、连续上涨/下跌、创历史新高/新低、因子走势反转。[55] 3. **有效性检验**：从历史数据中回测，寻找那些对资产（如股票指数）未来收益率影响较为显著的因子事件，即“有效因子事件”。[55] 4. **趋势判断**：对于部分因子，采用历史均线（如1月、3月、12月均线）将其走势划分为趋势上行或趋势下行。[57] 5. **信号生成**：统计历史上在宏观指标处于不同趋势下，对应资产的未来平均收益，筛选出存在显著差异的情况，形成当前宏观因子趋势对权益市场的观点（如看多、震荡）。[57][58] 3. **模型名称：期权成交量看涨看跌比（CPR）模型**[48] * **模型构建思路**：通过监测上证50ETF期权成交量的看涨看跌比率（CPR），并将其与布林通道结合，判断蓝筹股是否存在短期超买或超卖风险。[48] * **模型具体构建过程**： 1. **计算CPR**：计算上证50ETF期权成交量的看涨看跌比率。[48] 2. **计算滚动指标**：计算滚动20个交易日的CPR。[50] 3. **构建通道**：计算该滚动20日CPR的60日布林通道上轨。[48] 4. **生成信号**：当滚动20日CPR高于其60日布林通道上轨时，模型认为蓝筹股短期存在超卖风险。[48] 4. **模型名称：GFTD模型**[82] * **模型评价**：报告中提及该模型历史择时成功率约为80%，但市场波动不确定性下模型信号存在失效可能。[82] 5. **模型名称：LLT模型**[82] * **模型评价**：报告中提及该模型历史择时成功率约为80%，但市场波动不确定性下模型信号存在失效可能。[82] 量化因子与构建方式 1. **因子名称：新高新低比例因子**[33] * **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，来度量市场的极端情绪和趋势强度。[33] * **因子具体构建过程**： 1. 每日计算全市场个股中，收盘价创近60日新高的个股数量。 2. 每日计算全市场个股中，收盘价创近60日新低的个股数量。 3. 分别计算新高个股数占总股票数的比例（60日新高比例），以及新低个股数占总股票数的比例（60日新低比例）。[33][34] 2. **因子名称：个股均线结构因子**[37] * **因子构建思路**：通过计算呈现特定均线多头排列形态的个股占比，来反映市场整体的技术趋势强弱。[37] * **因子具体构建过程**： 1. 对每只个股，判断其短期、中期、长期均线（如5日、20日、60日均线）是否呈多头排列（短期>中期>长期）。 2. 判断其是否呈空头排列（短期<中期<长期）。 3. 计算当日呈多头排列的个股数量与呈空头排列的个股数量之差，再除以总股票数，得到“均线强弱指标”或“多头排列减空头排列个股占比”。[37][38] 3. **因子名称：长期均线以上比例因子**[40] * **因子构建思路**：通过统计股价位于长期均线之上的个股比例，来衡量市场整体的牛市广度。[40] * **因子具体构建过程**： 1. 对每只个股，判断其当日收盘价是否位于200日长期移动平均线之上。 2. 计算股价位于200日长期均线之上的个股数量占总股票数的比例。[40] 4. **因子名称：风险溢价因子**[66][81] * **因子构建思路**：通过计算股票市场隐含收益率（市盈率倒数）与无风险利率（十年期国债收益率）的差值，来衡量股票资产相对于债券资产的吸引力。[66][81] * **因子具体构建过程**： 1. 计算中证全指（或其它宽基指数）的静态市盈率（PE_TTM）。 2. 计算其倒数，即盈利收益率（EP）。 3. 从盈利收益率（EP）中减去十年期国债收益率，得到风险溢价。 $$风险溢价 = \frac{1}{PE\_{TTM}} - 十年期国债收益率$$[81] 5. **因子名称：指数超买超卖因子**[69][73] * **因子构建思路**：通过特定方法计算各主要宽基指数和行业指数的超跌或超买程度，用于识别市场或板块的极端状态。[69][73] * **因子具体构建过程**：报告中未详细描述具体计算公式，但展示了截至报告日（NEW）和历史上另一个时点（20181228）各指数的“超跌指标”统计结果，用于对比。[70][71][74][75] 6. **因子名称：融资余额因子**[76] * **因子构建思路**：跟踪市场融资余额的绝对规模及其占流通市值的比例，作为衡量市场杠杆资金情绪和力量的指标。[76] * **因子具体构建过程**： 1. 获取每日市场融资买入的总余额。 2. 计算融资余额占A股流通市值的百分比。[77] 7. **因子名称：市场真实换手率因子**[51] * **因子构建思路**：考虑自由流通股本后计算市场换手率，以更真实地反映市场的交易活跃程度。[51] * **因子具体构建过程**：报告中未给出具体公式，但指出其计算考虑了自由流通股本，并以中证全指和创业板指为例展示了该因子的时间序列。[51][53] 模型的回测效果 （报告中未提供具体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。） 因子的回测效果 （报告中未提供具体因子的IC、IR、多空收益等量化检验结果。）