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**：通过计算市场指数短期均线与长期均线的相对距离，来区分市场的整体环境，判断市场处于上行趋势、震荡市还是下行趋势。[2] * **模型具体构建过程**： 1. 选择标的指数：WIND全A指数。 2. 计算短期均线：采用20日移动平均线（20日线）。[2][6] 3. 计算长期均线：采用120日移动平均线（120日线）。[2][6] 4. 计算均线距离：计算短期均线与长期均线的差值百分比。 $$均线距离 = \frac{短期均线 - 长期均线}{长期均线} \times 100\%$$ 其中，短期均线为20日均线，长期均线为120日均线。[2][6] 5. 信号判断：当均线距离的绝对值大于3%时，市场处于趋势格局（上行或下行）；当均线距离绝对值小于3%时，市场处于震荡格局。具体到上行趋势的确认，需要短期均线位于长期均线之上，且距离大于3%。[2][6] 2. **模型名称：赚钱效应指标**[2][5][7] * **模型构建思路**：通过比较当前收盘价与趋势线的位置关系，来判断市场赚钱效应是否为正，作为上行趋势能否延续的核心观测指标。[2][5][7] * **模型具体构建过程**： 1. 确定趋势线：报告指出“当前WIND全A的趋势线位于6262点附近”，但未明确给出趋势线的具体计算方法（例如，可能是某条移动平均线或通道线）。[2][5][7] 2. 获取收盘价：获取WIND全A指数的最新收盘价。[2][5][7] 3. 判断赚钱效应：若收盘价高于趋势线，则赚钱效应为正；若收盘价低于趋势线，则赚钱效应为负。[2][5][7] 3. **模型名称：仓位管理模型**[5][7] * **模型构建思路**：综合估值水平和短期趋势判断，为绝对收益产品提供股票仓位建议。[5][7] * **模型具体构建过程**： 1. **估值评估**：评估WIND全A指数的估值水平。使用PE（市盈率）和PB（市净率）的历史分位数进行判断。例如，PE位于80分位点附近属于中等水平，PB位于50分位点属于较低水平。[5][7] 2. **趋势判断**：结合择时体系等模型对市场短期趋势进行判断。[5][7] 3. **仓位建议**：综合估值和趋势，输出具体的仓位建议比例。例如，当前建议仓位为60%。[5][7] 4. **模型名称：行业趋势配置模型**[5][7][12] * **模型构建思路**：用于识别和推荐具有上行趋势的行业板块。[5][7][12] * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤，仅展示了其输出结果，例如显示工程机械、工业金属、储能板块延续上行趋势。[5][7][12] 5. **模型名称：中期困境反转预期模型**[5][7][12] * **模型构建思路**：用于挖掘和推荐具有中期困境反转预期的行业。[5][7][12] * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤，仅展示了其输出信号，例如当前信号显示关注白酒和地产行业。[5][7][12] 6. **模型名称：TWO BETA模型**[5][7][12] * **模型构建思路**：用于推荐板块配置方向，报告显示其持续推荐科技板块。[5][7][12] * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤，仅展示了其推荐方向，例如继续推荐科技板块，并关注消费电子和国产算力。[5][7][12] 模型的回测效果 *本报告为周度市场观点报告，主要展示模型的最新信号和结论，未提供模型的历史回测效果指标（如年化收益率、夏普比率、最大回撤等）。* 量化因子与构建方式 *本报告主要涉及择时与行业配置模型，未提及具体的选股因子构建。* 因子的回测效果 *本报告未涉及量化因子，故无相关内容。*

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**[83] * **模型构建思路**：使用卷积神经网络（CNN）对个股历史价量数据形成的标准化图表进行建模，学习图表特征与未来价格走势之间的关系，并将学习到的有效特征映射到行业主题板块，以识别具有趋势性机会的板块[83]。 * **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[83][84]。 2. **模型训练**：使用卷积神经网络对上述图表化的价量数据与未来价格进行建模，学习能够预测未来价格走势的图表特征[83]。 3. **特征映射**：将训练好的模型学习到的特征映射到行业主题板块中，识别出模型认为未来具有上涨潜力的主题板块[83]。 4. **输出配置**：模型最终输出为看好的具体行业主题指数列表，作为配置建议[85]。 2. **模型名称：宏观因子事件模型**[58] * **模型构建思路**：通过跟踪一系列国内外宏观指标，定义其特定的走势事件（如短期高低点、连续涨跌等），并从历史数据中回测寻找对资产未来收益率有显著影响的“有效因子事件”，以此作为判断未来资产趋势的依据[58]。 * **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[58]。 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[58]。 3. **有效性检验**：从历史数据中回测，筛选出对资产未来收益率影响较为显著的“有效因子事件”[58]。 4. **趋势分析**：采用历史均线（如1月、3月、12月均线）将宏观因子走势分为趋势上行和趋势下行，统计在不同趋势下资产未来一个月收益率的显著差异，形成观点[60][61]。 3. **模型名称：期权成交量看涨看跌比（CPR）模型**[51] * **模型构建思路**：通过监测上证50ETF期权成交量看涨看跌比率（CPR）与其布林通道的相对位置，来判断蓝筹股是否存在短期超卖风险[51]。 * **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[51]。 2. **构建通道**：计算CPR的60日布林通道（通常包含上轨、中轨、下轨）[51]。 3. **信号生成**：当最近20个交易日的CPR低于其60日布林通道上轨时，模型认为蓝筹股短期不存在超卖风险[51]。 量化因子与构建方式 1. **因子名称：新高新低比例因子**[37] * **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[37]。 * **因子具体构建过程**： * **新高比例**：计算创近60日新高的个股数量占全部个股总数的比例[3][37]。 * **新低比例**：计算创近60日新低的个股数量占全部个股总数的比例[3][37]。 2. **因子名称：个股均线结构因子**[41] * **因子构建思路**：通过计算均线呈多头排列与空头排列的个股数量之差占全体个股的比例，来反映市场整体的技术趋势强弱[41]。 * **因子具体构建过程**： * **均线强弱指标**：计算（多头排列个股数量 - 空头排列个股数量） / 全体个股数量[41]。该指标值上升表明市场整体技术面走强，下降则表明走弱[3][4]。 3. **因子名称：长期均线以上比例因子**[44] * **因子构建思路**：通过统计股价位于长期均线（如200日）之上的个股比例，来评估市场整体的长期趋势强弱和广度[44]。 * **因子具体构建过程**：计算当前价格位于200日长期移动平均线之上的个股数量占全体个股数量的比例[44]。 4. **因子名称：风险溢价因子**[70] * **因子构建思路**：通过计算股票市场收益率（市盈率倒数）与无风险收益率（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[86]。 * **因子具体构建过程**： 1. 计算中证全指的静态市盈率（PE_TTM）的倒数，即盈利收益率（EP）[86]。 2. 从EP中减去十年期国债收益率，得到风险溢价[86]。 $$风险溢价 = \frac{1}{PE\_{TTM}} - 十年期国债收益率$$ * **因子评价**：该指标是衡量股债性价比的核心指标，值越高通常表示股票相对债券越有吸引力[86]。 5. **因子名称：指数超买超卖因子**[73] * **因子构建思路**：通过特定算法计算主要指数和行业指数的超跌或超买状态，以识别市场或板块的极端位置[73]。 * **因子具体构建过程**：报告未详细说明具体计算算法，但展示了截至特定日期（2025年12月12日）各主要宽基指数和行业指数的“超跌指标”统计值[73][74][77][78]。 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值、IR、多空收益等量化测试结果。报告主要展示了部分因子在最新一期的状态取值。） 1. **新高新低比例因子**：截至2025年12月12日当周，创近60日新高个股数占比从前一期的8.4%升至8.5%；创近60日新低个股数占比从前一期的6.9%升至20%[3][4]。 2. **个股均线结构因子**：截至2025年12月12日当周，多头排列减空头排列个股占比从前一期的-6.9%降至-15%[3][4]。 3. **风险溢价因子**：截至2025年12月12日，中证全指风险溢价为2.82%，其历史均值加减两倍标准差边界分别为4.71%和未知下限[86]。 4. **宏观因子事件模型当前观点**：根据截至2025年12月12日的宏观因子趋势分析，对权益市场未来一个月的观点为：PMI、CPI同比、社融存量同比趋势显示市场可能“震荡”；10年期国债收益率和美元指数趋势显示“看多”[61]。

量化模型与构建方式 1. **模型名称：成交量模型**[1][11] * **模型构建思路：** 基于市场成交量的变化进行短期择时判断[8]。 * **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过程。 2. **模型名称：特征龙虎榜机构模型**[1][11] * **模型构建思路：** 利用龙虎榜中机构资金的买卖行为特征进行市场判断[8]。 * **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过程。 3. **模型名称：特征成交量模型**[1][11] * **模型构建思路：** 基于某种特定的成交量特征进行市场判断[8]。 * **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过程。 4. **模型名称：智能算法沪深300模型 / 智能算法中证500模型**[1][11] * **模型构建思路：** 应用智能算法（如机器学习）对沪深300或中证500指数进行择时判断[8]。 * **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过程。 5. **模型名称：涨跌停模型**[1][12] * **模型构建思路：** 通过分析市场中涨停和跌停股票的数量或比例等特征进行中期择时判断[8]。 * **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过程。 6. **模型名称：上下行收益差模型**[1][11][12] * **模型构建思路：** 通过计算市场上涨阶段与下跌阶段的收益差异来判断市场趋势[8]。 * **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过程。 7. **模型名称：月历效应模型**[1][12] * **模型构建思路：** 基于历史数据中存在的特定月份或日历周期的规律性效应进行择时判断。 * **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过程。 8. **模型名称：长期动量模型**[1][13] * **模型构建思路：** 基于资产的长期价格动量（趋势）进行择时判断[8]。 * **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过程。 9. **模型名称：A股综合兵器V3模型**[1][14] * **模型构建思路：** 一个综合性的A股择时模型，可能耦合了多个周期或策略的信号[8]。 * **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过程。 10. **模型名称：A股综合国证2000模型**[1][14] * **模型构建思路：** 针对国证2000指数的综合性择时模型[8]。 * **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过程。 11. **模型名称：成交额倒波幅模型**[1][15] * **模型构建思路：** 结合成交额与波动率（波幅）的倒数关系进行港股中期择时判断。 * **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过程。 12. **模型名称：恒生指数上下行收益差模型**[1][15] * **模型构建思路：** 针对恒生指数，计算其上涨与下跌阶段的收益差异进行判断。 * **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过程。 13. **模型名称：双底形态策略**[37][45] * **模型构建思路：** 基于技术分析中的双底形态识别进行选股，该形态通常被视为看涨反转信号。 * **模型具体构建过程：** 报告未提供该策略具体的形态识别算法和买入卖出规则。 14. **模型名称：杯柄形态策略**[37][50] * **模型构建思路：** 基于技术分析中的杯柄形态识别进行选股，该形态被视为上涨中继或突破前的整理形态。 * **模型具体构建过程：** 报告未提供该策略具体的形态识别算法和买入卖出规则。 15. **模型名称：倒杯子形态风险监控**[55] * **模型构建思路：** 识别技术分析中的倒杯子形态（负向形态），作为个股下跌风险的预警信号。 * **模型具体构建过程：** 报告未提供该模型具体的形态识别算法。 16. **因子名称：分析师一致预期上调/下调比例**[19] * **因子构建思路：** 统计行业内获得分析师上调或下调盈利预测的个股比例，反映分析师对行业基本面的整体预期变化。 * **因子具体构建过程：** 对于特定行业，计算在统计期内盈利预测被上调（或下调）的上市公司家数占该行业总上市公司家数的比例。 17. **因子名称：基金仓位（绝对/超低配）**[20][21][23][26][27] * **因子构建思路：** 利用公募基金持仓数据，计算其对特定行业的配置比例（绝对仓位）以及相对于市场标准（如市值占比）的超配或低配程度，反映机构资金动向。 * **因子具体构建过程：** * **绝对仓位：** 汇总所有样本基金持有某行业股票的总市值，除以样本基金股票总持仓市值。 * **超/低配：** 基金对该行业的绝对仓位减去该行业股票在基准指数（或全市场）中的市值占比。 * **超/低配近两年分位数：** 将当前时点的超/低配值置于过去两年的历史序列中，计算其分位数位置。 18. **模型名称：华创恐慌指数（HCVIX）**[34] * **模型构建思路：** 复现并跟踪中国市场波动率指数（VIX），作为判断市场情绪和风险的参考指标。 * **模型具体构建过程：** 根据公开的VIX计算方法，基于50ETF、沪深300指数等期权数据，计算未来30天的预期波动率。报告提及复现的指数与已停发的中证VIX历史数据相关系数达99.2%[34]。 模型的回测效果 1. **双底形态策略**，本周收益-2.35%，同期上证综指涨跌幅-0.34%，本周相对收益-2.0%，2020年12月31日至今累计收益11.46%，同期上证综指累计涨幅11.99%，累计相对收益-0.52%[37]。 2. **杯柄形态策略**，本周收益-1.47%，同期上证综指涨跌幅-0.34%，本周相对收益-1.13%，2020年12月31日至今累计收益8.94%，同期上证综指累计涨幅11.99%，累计相对收益-3.04%[37]。 因子的回测效果 *(注：本报告未提供量化因子的历史IC、IR、多空收益等传统回测指标数据。)*

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：风格拥挤度模型[73] * **模型构建思路**：通过计算不同风格指数（如成长vs红利、小盘vs大盘等）的相对换手率拥挤度，来判断该风格是否过热或过冷，从而评估其配置风险与性价比[73]。 * **模型具体构建过程**： 1. 对于风格A和风格B，分别计算其指数的近252日平均换手率[130]。 2. 将上述换手率序列在2005年1月1日以来的历史时间序列上进行Z-score标准化，得到Z-score_A与Z-score_B[130]。 3. 计算二者差值：差值 = Z-score_A - Z-score_B[130]。 4. 计算该差值的滚动6年历史分位数（历史数据量满1年且不足6年时，以全部历史数据进行计算），该分位数即为风格A相对于风格B的“相对拥挤度”[130]。 2. **模型名称**：风格超额净值模型[73] * **模型构建思路**：通过计算风格指数相对于市场基准（万得全A）的累计超额净值，来跟踪风格因子的长期表现和相对强弱[73]。 * **模型具体构建过程**： 1. 以2020年1月4日为基准日，将各风格指数及万得全A指数的每日收盘点数除以基准日收盘点数，得到各自的累计净值[131]。 2. 将各风格指数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指数的累计超额净值[131]。 3. **模型名称**：机构调研活跃度模型[132] * **模型构建思路**：通过标准化和比较不同板块（指数、行业）的机构调研频率，构建“机构调研活跃度”指标，以捕捉机构关注度的变化[132]。 * **模型具体构建过程**： 1. 对于特定板块，计算其近n个交易日的“日均机构调研次数”[132]。 2. 将该日均调研次数序列在滚动y年的历史时间序列上进行z-score标准化[132]。 3. 将上述标准化结果与万得全A的标准化结果作差，得到该板块的“机构调研活跃度”[132]。 4. 最后计算该“机构调研活跃度”的滚动y年历史分位数[132]。 * **参数设置**： * 长期口径：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，以全部历史数据进行计算）[132]。 * 短期口径：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，以全部历史数据进行计算）[132]。 4. **因子名称**：ERP（股权风险溢价）因子[52] * **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，来衡量投资股票市场相对于债券市场的风险补偿，即股债性价比[52]。 * **因子具体构建过程**： 1. 计算指数的市盈率倒数：1 / 指数PE_TTM[52]。 2. 减去当前10年期中债国债到期收益率[52]。 * **公式**： $$指数erp = 1/指数PE\_TTM – 10年期中债国债到期收益率$$[52] 5. **因子名称**：滚动季度夏普率[38] * **因子构建思路**：计算万得全A指数滚动一个季度（约63个交易日）的夏普比率，用于衡量市场在短期内的风险调整后收益，作为市场情绪风险的观测指标[38]。 * **因子评价**：该指标上升至历史极高位置表明市场情绪达到极端高峰，后续市场易进入震荡或调整状态；当其从高点回落时，市场回撤风险减弱[38]。 6. **因子名称**：成交热度因子[25] * **因子构建思路**：使用“周度日均自由流通换手率”的历史分位值来度量市场或特定板块、行业的交易活跃程度[25]。 * **因子具体构建过程**：成交热度 = 周度日均自由流通换手率的历史分位值[25]。 7. **因子名称**：动量因子[64] * **因子构建思路**：以最近一年股票收益率减去最近一个月股票收益率（剔除涨停板）作为动量指标，筛选市场中动量特征强的股票[64]。 * **因子评价**：“长江动量”指数基于此因子构建，旨在表征A股市场中最具动量特征的股票的整体走势[64]。 8. **因子名称**：反转因子[64] * **因子构建思路**：以最近一个月股票收益率作为筛选指标，选择市场中反转效应强的股票[64]。 * **因子评价**：“长江反转”指数基于此因子构建，旨在表征A股市场各阶段高反转特征个股的整体表现[64]。 模型的回测效果 *本报告为市场跟踪周报，未提供模型的历史回测绩效指标（如年化收益率、夏普比率、最大回撤等）。报告主要展示了模型或因子在特定时点（2025年12月12日当周）的输出状态和观察值。* 因子的回测效果 *本报告为市场跟踪周报，未提供因子的历史回测绩效指标（如IC、IR、多空收益等）。报告主要展示了特定风格因子在近一周、近一月和年初至今的已实现超额收益。* 1. **成长-红利因子**，近一周超额收益3.4%，近一月超额收益6.2%，年初至今超额收益31.0%[61][62] 2. **小盘-大盘因子**，近一周超额收益0.4%，近一月超额收益-0.8%，年初至今超额收益7.3%[61][62] 3. **微盘股-基金重仓因子**，近一周超额收益-5.7%，近一月超额收益-8.4%，年初至今超额收益39.3%[61][62] 4. **动量-反转因子**，近一周超额收益5.1%，近一月超额收益11.2%，年初至今超额收益31.7%[61][62]

量化模型与构建方式 1. 模型名称：三维择时框架 * **模型构建思路**：通过构建分歧度、流动性、景气度三个维度的指标，综合判断市场走势，当三个维度趋势一致时给出明确的上涨或下跌判断[9]。 * **模型具体构建过程**：模型基于三个核心指标进行判断[9]。 1. **分歧度**：衡量市场参与者观点的离散程度，当前处于下行趋势[9]。 2. **流动性**：衡量市场资金面的松紧程度，当前处于下行趋势[9]。 3. **景气度**：衡量上市公司基本面的繁荣程度，当前处于上行趋势[9]。 当三个指标的趋势方向一致时，框架转为一致的上涨或下跌判断。例如，当前分歧度下行、流动性下行、景气度上行，框架转为一致上涨判断[9]。 2. 模型名称：热点趋势ETF策略 * **模型构建思路**：结合价格形态（支撑阻力）和市场短期关注度（换手率变化）来筛选ETF，构建风险平价组合[30]。 * **模型具体构建过程**： 1. **形态筛选**：根据K线的最高价与最低价的上涨或下跌形态，先选出最高价与最低价同时为上涨形态的ETF[30]。 2. **构建支撑阻力因子**：根据最高价与最低价近20日回归系数的相对陡峭程度，构建支撑阻力因子[30]。 3. **关注度筛选**：在支撑阻力因子的多头组中，选择近5日换手率/近20日换手率最高的ETF，即短期市场关注度明显提升的品种[30]。 4. **组合构建**：最终选择10只ETF，采用风险平价方法构建组合[30]。 3. 模型名称：ETF三策略融合轮动模型 * **模型构建思路**：将基于基本面、质量低波、困境反转三种不同逻辑的行业轮动策略进行等权融合，实现因子与风格的互补，降低单一策略风险[35]。 * **模型具体构建过程**： 1. **策略构成**：模型融合了三个子策略[35]。 * **行业轮动策略**：核心因子包括超预期景气度、行业龙头效应、行业动量、拥挤度、通胀beta，旨在覆盖行业多维度特性[36]。 * **个股风格驱动策略**：核心因子包括个股动量、个股质量、个股波动率，聚焦个股质量与低波，防御性突出[36]。 * **困境反转策略**：核心因子包括PB_zscore、分析师长期预期、短期筹码交换，旨在捕捉估值修复与业绩反转机会[36]。 2. **融合方式**：将三个子策略的选股结果进行等权组合[35]。 4. 模型名称：融资-主动大单资金流共振策略 * **模型构建思路**：利用融资融券资金流和主动大单资金流两个维度，通过取交集（在主动大单因子头部行业中剔除融资融券因子头部行业）的方式，筛选出具有资金共振效应的行业，以提高策略稳定性[44][45]。 * **模型具体构建过程**： 1. **构建行业融资融券资金因子**：定义为经过Barra市值因子中性化后的（融资净买入-融券净买入）个股加总值，取最近50日均值后的两周环比变化率[44]。 2. **构建行业主动大单资金因子**：定义为行业最近一年成交量时序中性化后的净流入排序，并取最近10日均值[44]。 3. **策略逻辑**：研究发现融资融券因子的多头端在不同市场状态下有稳定的负向超额收益，而主动大单因子剔除极端多头行业后有稳定正向超额收益。因此，策略在主动大单因子的头部打分行业内，剔除融资融券因子的头部行业[45]。 4. **行业剔除**：进一步剔除大金融板块[45]。 5. 因子名称：风格因子（盈利收益率、市值、价值） * **因子构建思路**：报告跟踪了多个风格因子的表现，本周市场呈现“高盈利高市值高价值”的特征[50]。 * **因子具体构建过程**：报告未详细描述具体构建公式，但提及了因子的表现方向。盈利收益率因子代表高盈利个股，市值因子代表高市值个股，价值因子代表高价值个股[50]。 6. 因子名称：Alpha因子（动量、研发收入类等） * **因子构建思路**：从多维度（时间、指数、行业）观察不同因子的表现趋势，计算其多头超额收益（前1/5组）[52]。除规模因子外，均进行了市值、行业中性化处理[52]。 * **因子具体构建过程**：报告列出了多个因子的近期表现和释义，例如： * **一年期动量因子 (pb_roe)**：近一周多头超额收益1.13%，定义为“1年-1个月的收益率”[55]。 * **研发销售收入占比因子 (safexp_operrev)**：近一周多头超额收益1.04%[55]。 * **销售费用因子 (ep_q_adv)**：近一周多头超额收益0.96%，定义为“管理费用/总销售收入”[55]。 7. 模型名称：多风格增强策略（质量增强、红利增强等） * **模型构建思路**：在多风格策略的基础上叠加增强因子，通过在其他风格端增厚收益，抑制单一风格波动，实现在不同周期下的稳定超额[58]。 * **模型具体构建过程**：报告未详细描述具体增强因子的构建方法，但展示了基于不同风格（质量、红利、长期成长、价值、低波、短期动量、长期动量）的增强策略及其绩效[62]。 模型的回测效果 1. 热点趋势ETF策略 * 今年以来收益率：34.49%[30] * 相比沪深300指数的超额收益：19.58%[30] 2. ETF三策略融合轮动模型 * 截至2025年12月12日组合收益率：12.11%[39] * 夏普率：0.73[39] * 今年以来组合收益率：25.60%[39] * 信息比率 (IR)：1.09 (All)[40] * 最大回撤：-24.55% (All)[40] * 分年度绩效详见报告表4[40] 3. 融资-主动大单资金流共振策略 * 2018年以来费后年化超额收益：14.3%[45] * 信息比率 (IR)：1.4[45] * 策略上周（截至报告期）绝对收益：-0.27%[45] * 策略上周（截至报告期）超额收益（相对行业等权）：0.37%[45] 4. 多风格增强策略（截至2025年12月12日） * **质量增强策略**：本周超额收益率2.00%，本年超额收益率-0.01%，最近一年年化收益率18.89%，夏普率1.54，区间最大回撤-5.73%[62] * **红利增强策略**：本周超额收益率0.62%，本年超额收益率13.71%，最近一年年化收益率17.45%，夏普率1.45，区间最大回撤-5.88%[62] * **长期成长增强策略**：本周超额收益率-0.97%，本年超额收益率4.29%，最近一年年化收益率24.26%，夏普率1.40，区间最大回撤-12.76%[62] * **价值增强策略**：本周超额收益率-1.97%，本年超额收益率-12.03%，最近一年年化收益率8.76%，夏普率0.54，区间最大回撤-11.34%[62] * **低波增强策略**：本周超额收益率-2.08%，本年超额收益率4.30%，最近一年年化收益率22.72%，夏普率1.73，区间最大回撤-8.73%[62] * **短期动量增强策略**：本周超额收益率-1.86%，本年超额收益率-15.35%，最近一年年化收益率6.46%，夏普率0.46，区间最大回撤-9.14%[62] * **长期动量增强策略**：本周超额收益率-1.20%，本年超额收益率-16.31%，最近一年年化收益率7.55%，夏普率0.55，区间最大回撤-9.53%[62] 量化因子与构建方式 （注：报告中提及的Alpha因子和风格因子，其具体构建方式已在上述“量化模型与构建方式”部分的第5、6点中说明，此处不再重复列出。） 因子的回测效果 1. 风格因子（本周表现） * 盈利收益率因子：正收益2.04%[50] * 市值因子：正收益1.51%[50] * 价值因子：正收益1.37%[50] 2. Alpha因子（近一周多头超额收益，截至2025年12月12日） * 一年期动量因子 (pb_roe)：1.13%[55] * 研发销售收入占比因子 (safexp_operrev)：1.04%[55] * 销售费用因子 (ep_q_adv)：0.96%[55] 3. 分指数Alpha因子表现（上周多头超额收益，截至2025年12月12日，前20因子示例） * **单季度ROA同比差值（考虑快报、预告）因子 (roa_q_delta_adv)**：在沪深300中超额收益25.52%，在中证500中10.16%，在中证800中17.88%，在中证1000中21.98%[57] * **单季度ROE同比差值（考虑快报、预告）因子 (roe_q_delta_adv)**：在沪深300中超额收益24.15%，在中证500中11.37%，在中证800中19.46%，在中证1000中20.24%[57] * **一致预期净利润变化（FY1）因子 (mom1_np_fy1)**：在沪深300中超额收益14.41%，在中证500中18.54%，**在中证800中21.49%**，在中证1000中15.27%[57] * **研发总资产占比因子 (tot_rd_ttm_to_assets)**：在沪深300中超额收益11.41%，**在中证500中20.25%**，在中证800中19.65%，在中证1000中16.88%[57] * **单季度净利润同比增速（考虑快报、预告）因子 (yoy_np_q_adv)**：在沪深300中超额收益22.25%，在中证500中9.56%，在中证800中15.85%，**在中证1000中22.74%**[57]

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 * **模型构建思路**：从宏观基本面、估值面、情绪面、流动性四个维度构建综合择时信号，每个维度下包含若干二级指标，通过判断各指标在历史分位数上的位置来给出乐观、中性或谨慎的二级信号，最终综合形成一级择时信号[16][17][18]。 * **模型具体构建过程**： 1. **指标选取与信号生成**：模型包含四个一级维度，每个维度下包含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3年）历史数据中的分位数[16][17][18]。 2. **信号映射**：根据分位数区间，将每个二级指标映射为“乐观”、“中性”或“谨慎”的定性信号。例如，当制造业PMI小于50时，给出谨慎信号；当M1同比增速（HP滤波去趋势）分位数较高时，给出乐观信号[16][19]。 3. **维度综合**：对每个一级维度（如基本面）下的所有二级指标信号进行综合，得出该维度的总体信号（乐观/中性/谨慎）[16][17][18]。 4. **总信号生成**：综合四个维度的总体信号，形成最终的择时总仓位信号。报告中的信号以0（空仓）、0.5（半仓）、1.0（满仓）等形式表示[19][26]。 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 * **模型构建思路**：从基本面、估值面、情绪面三个维度构建风格轮动信号，判断成长与价值风格的相对强弱，以决定超配成长或价值[27]。 * **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。 * 利率综合周期水平：水平偏低时利好成长风格。 * 信贷综合周期变化：上行时利好成长风格。 根据各指标状态分别给出超配成长或价值的信号（例如，成长100%，价值0%），然后进行综合[27][29]。 2. **估值面维度**：计算成长与价值风格的估值差（如PE差、PB差）在过去5年的分位数。当估值差分位数较低，处于均值回归上行过程中时，利好成长风格[27][29]。 3. **情绪面维度**：计算成长与价值风格的换手差、波动差在过去5年的分位数。换手差偏高利好成长；波动差反弹至偏高位置则利好均衡配置[27][29]。 4. **综合决策**：结合基本面、估值面、情绪面三个维度的信号，最终给出超配成长或价值的建议[27][28]。 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（综合大小盘轮动信号） * **模型构建思路**：从流动性、交易行为、市场结构等多个角度选取11个有效轮动指标，分别生成独立的大小盘轮动信号，然后综合这些信号形成最终的轮动建议[31]。 * **模型具体构建过程**： 1. **指标池**：模型共使用11个轮动指标，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[33]。 2. **独立信号**：每个指标独立运行，根据其自身的逻辑和阈值，每日生成一个仓位信号，以“小盘仓位百分比”表示（例如0%， 100%）[33]。 3. **信号综合**：将11个指标的每日仓位信号进行综合（具体综合方法未在本文中详述，但提及“综合信号3D平滑”），得出最终的综合轮动信号，决定超配小盘（以中证1000为代表）或大盘（以沪深300为代表）[31][33]。 模型的回测效果 1. 短期择时模型 * **回测区间**：2012年底至今（全区间）及2024年以来[18][22][25]。 * **基准策略**：月度中性持仓再平衡[18]。 * **全区间（2012年底至今）表现**： * 年化收益率：16.40%[18][22] * 年化超额收益率：11.63%[18] * 年化波动率：14.80%[22] * 最大回撤：14.07%[18][22] * 夏普比率：0.9651[22] * 收益回撤比：1.1655[22] * 月度胜率：66.24%[22] * 季度胜率：60.38%[22] * 年度胜率：78.57%[22] * **2024年以来表现**： * 年化收益率：28.87%[25] * 年化超额收益率：10.11%（2025年以来）[18][22] * 年化波动率：16.80%[25] * 最大回撤：11.04%[18][25] * 夏普比率：1.4752[25] * 收益回撤比：2.6150[25] * 月度胜率：72.00%[25] 2. 成长价值风格轮动模型 * **回测区间**：2012年底至今[28]。 * **基准策略**：月度成长与价值风格均衡配置[28]。 * **全区间表现**： * 年化收益率：12.74%[28][30] * 年化超额收益率：4.77%[28] * 年化波动率：20.80%[30] * 最大回撤：43.07%[30] * 夏普比率：0.5853[30] * 收益回撤比：0.2958[30] * 月度胜率：58.33%[30] * 季度胜率：59.62%[30] * **2025年以来表现**： * 策略收益率：25.13%[28][30] * 基准收益率：25.96%[28][30] * 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年以来[32]。 * **基准**：沪深300与中证1000全收益指数等权配置[32]。 * **综合策略全区间表现**： * 年化收益率：19.73%（综合信号3D平滑）[33] * 年化超额收益率：12.67%（综合信号3D平滑）[33] * 最大回撤：40.70%（综合信号3D平滑）[33] * 胜率（按交易）：50.00%（综合信号3D平滑）[33] * **分年度超额收益**：自2014年以来，策略每年均产生正向超额收益[32]。2025年以来的超额收益率为11.30%[32][33]。 * **各独立指标表现示例**：报告列出了11个独立指标的历史回测表现，例如： * 融资买入余额变化：年化超额收益率5.76%，最大回撤44.32%[33]。 * 中证1000交易量能：年化超额收益率9.64%，最大回撤39.27%[33]。 * A股龙虎榜买入强度：年化超额收益率5.69%，最大回撤54.66%[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 * **因子构建思路**：用于衡量市场交易活跃度的相对强度，通过将当前交易量能与历史水平进行比较，判断其是否处于强势区间[15]。 * **因子具体构建过程**：文中未给出具体计算公式，但指出该指标是“标准化”的，并且其当前值处于过去5年中位数水平之下[15]。 2. 估值分位数因子群 * **因子构建思路**：通过计算各类指数估值（PE、PB）在特定历史窗口内的分位数，来衡量当前估值的相对高低和历史位置，用于均值回归判断[8][11]。 * **因子具体构建过程**： 1. 选取估值指标，如PE_TTM中位数或PB_LF中位数[12][13]。 2. 确定历史窗口期，常见的有滚动1年、3年、5年以及指数成立以来[12][13]。 3. 计算当前估值在该窗口期历史数据中的分位数。公式可表示为： $$分位数 = \frac{排名(当前估值, 历史序列)}{历史数据总数}$$ 其中“排名”指当前估值在历史序列中从小到大排序的位置[12][13]。 4. 应用：例如，报告中计算万得全A的PE中位数滚动5年分位数为93.38%，表明当前估值高于过去5年中93.38%的时间，处于较高位置[8][11]。 3. 成长价值估值差因子 * **因子名称**：成长价值PE/PB估值差 * **因子构建思路**：计算成长风格与价值风格估值（PE或PB）的差值，并通过其历史分位数判断风格间估值差的收敛或发散趋势，用于风格轮动[27]。 * **因子具体构建过程**： 1. 分别计算成长风格指数和价值风格指数的估值（如PE中位数）[27]。 2. 计算两者的差值：$$估值差 = 成长风格估值 - 价值风格估值$$ 3. 计算该差值在过去5年（或3年）历史序列中的分位数[27][29]。 4. 应用：当估值差分位数较低时，意味着估值差处于历史较低水平，未来均值回归上行（即成长风格估值相对上升）的概率较大，从而利好成长风格[27]。 4. 市场情绪与结构因子群 * **因子构建思路**：从不同角度捕捉市场情绪、资金流向和交易结构的变化，用于择时或风格判断[17][31]。 * **因子具体构建过程**（报告中提及了多个因子，构建过程未完全展开）： * **Beta离散度**：衡量市场个股Beta值的分散程度，反映市场共识度[17]。 * **量能情绪得分**：综合量价信息的情绪指标，分位数低表明情绪偏弱[17]。 * **波动率**：市场波动水平，通常以年化标准差表示[17]。 * **货币利率指标**：反映银行间市场流动性松紧[18]。 * **汇率预期指标**：反映人民币汇率强弱预期[18]。 * **融资买入余额变化**：反映杠杆资金的入场意愿和力度[31][33]。 * **龙虎榜买入强度**：反映机构或游资等活跃资金的买入力度[31][33]。 * **主题投资交易情绪**：反映市场主题炒作的热度与集中度[31][33]。 * **PB分化度**：可能指市场个股PB估值分布的离散程度，反映结构性分化[33]。

量化模型与构建方式 1. **模型名称**：基于杠反ETF份额变化的港股择时策略[4] **模型构建思路**：利用杠杆反向ETF（杠反ETF）份额的日度变化作为散户情绪的代理变量，基于散户“追涨杀跌”的反向交易行为构建择时策略[3][4][26] **模型具体构建过程**： 1. **数据准备**：每日收盘后，获取目标指数（如恒生科技指数、恒生指数）对应的两倍做多和两倍做空ETF的份额数据[35]。 2. **计算份额变化率**：计算做多份额变化率ΔL和做空份额变化率ΔS。公式为： $$ΔL_t = \frac{L_t - L_{t-1}}{L_{t-1}}$$ $$ΔS_t = \frac{S_t - S_{t-1}}{S_{t-1}}$$ 其中，L_t和S_t分别代表第t日做多ETF和做空ETF的份额[35]。 3. **信号生成**：设置回看天数N和情绪阈值θ1、θ2（均为正值）[37]。当满足以下任一条件时触发信号： * **看多信号**：ΔL < -θ1（散户多头离场）或 ΔS > θ1（散户空头进场），则在下一个交易日收盘价建仓[4][35]。 * **看空信号**：ΔL > θ2（散户多头进场）或 ΔS < -θ2（散户空头离场），则在下一个交易日收盘价清仓[4][42]。 * **无信号**：延续上期持仓状态[4][42]。 4. **参数优化**：参数集(N, θ1, θ2)通过网格搜索进行优化[37][45]。 **模型评价**：该模型指标具有实时性（日度更新）和行为穿透性（直接捕捉散户交易行为）两大优势，相较于依赖宏观或财报数据的传统择时框架更为灵敏[4][46]。 模型的回测效果 1. **恒生科技指数择时策略**（参数：N=20, θ1=1.2%, θ2=1.0%）[38] * 全区间年化超额收益率：22.27%[38][44] * 全区间年化超额波动率：31.89%[44] * 全区间年化超额夏普比率：0.54[44] * 全区间最大回撤：-27.20%[40][44] * 全区间月度胜率：63.33%[44] * 总交易次数：48次[39] * 平均持仓时长：33天[39] 2. **恒生指数择时策略**（参数：N=20, θ1=1.0%, θ2=1.0%）[38] * 全区间年化超额收益率：10.41%[38][44] * 全区间年化超额波动率：19.72%[44] * 全区间年化超额夏普比率：0.45[44] * 全区间最大回撤：-21.19%[44] * 全区间月度胜率：55.56%[44] * 总交易次数：79次[39] * 平均持仓时长：16天[39] 量化因子与构建方式 1. **因子名称**：杠反ETF份额变化率[35] **因子构建思路**：杠反ETF具有高换手、高散户参与度的特征，其份额的剧烈变化反映了散户在极端市场情绪下的“羊群交易”行为，可作为市场情绪的反向指标[3][15][26] **因子具体构建过程**：对于特定的杠反ETF（如南方东英2倍做多恒生科技ETF），计算其份额的日度变化率。公式为： $$Δ_t = \frac{Share_t - Share_{t-1}}{Share_{t-1}}$$ 其中，Share_t代表第t日该ETF的总份额[35]。报告中分别计算了做多ETF份额变化率ΔL和做空ETF份额变化率ΔS[35]。 **因子评价**：该因子与标的指数走势呈现显著的负相关性，例如两倍做多恒生科技ETF份额与指数的相关系数达-0.67，两倍做多恒生指数ETF更达-0.92，表明散户集中进场（份额激增）往往对应市场顶部，集中离场（份额锐减）则暗示底部区域[3][26][29]。 2. **因子名称**：经纪商持仓复制因子[12] **因子构建思路**：将港交所CCASS系统中记录的每家经纪商视为独立的投资决策主体，通过复制其持仓来构建跟踪组合，以评估其选股能力[12] **因子具体构建过程**：对于CCASS系统中的每一家经纪商，在每月末复制其持有的全部港股通标的股票的仓位，构建一个“经纪商跟踪组合”，并计算该组合相对于基准（如恒生指数）的超额收益和风险指标[12]。例如，报告统计了持仓市值前20大经纪商的超额夏普比率排名和年化双边换手率[12][14]。 3. **因子名称**：富途证券持仓占比[17] **因子构建思路**：富途证券是典型的互联网券商，其客户以个人散户为主，通过计算其在特定证券（尤其是杠反ETF）中的持仓占比，可以度量散户的参与集中度[13][17][25] **因子具体构建过程**：对于目标证券（如某只ETF），从CCASS数据中提取富途证券的持股数量，除以该证券的总发行份额，得到富途证券的持仓占比[17]。报告对比了杠反ETF与普通ETF中富途证券的平均持仓占比（15.4% vs 1.8%）和平均排名（第2 vs 第8）[17][22][24]。

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股整体景气状况的指数[28]。 * **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，仅提及构建详情可参考另一篇报告《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**[32] * **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[32]。 * **模型具体构建过程**：首先，将市场按照波动率和成交额的变化方向划分为四个象限。研究发现，只有“波动上-成交下”的区间为显著负收益，其余象限都为显著正收益[32]。基于此规律，构建了A股情绪指数系统。具体算法和公式未在本报告中详述，相关研究请参考报告《视角透析：A股情绪指数构建与观察》[32]。 3. **模型名称：主题挖掘算法模型**[43] * **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[43]。 * **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[43]。报告未提供具体的数学模型或计算公式。 4. **模型名称：中证500指数增强模型**[44] * **模型构建思路**：通过量化策略构建投资组合，旨在持续稳定地跑赢中证500指数基准[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、权重配置或组合优化公式，仅展示了其历史表现和当期持仓[44][45]。 5. **模型名称：沪深300指数增强模型**[50] * **模型构建思路**：通过量化策略构建投资组合，旨在持续稳定地跑赢沪深300指数基准[49]。 * **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、权重配置或组合优化公式，仅展示了其历史表现和当期持仓[49][52]。 6. **模型名称：风格因子模型（BARRA框架）**[54] * **模型构建思路**：参照BARRA因子模型框架，对A股市场构建一套风格因子体系，用于解释股票收益差异并进行组合归因[54]。 * **模型具体构建过程**：报告列出了十大类风格因子，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）[54]。报告未提供每个因子的具体计算公式。 模型的回测效果 1. **A股情绪指数模型**，择时表现参见图表17[41]。 2. **中证500指数增强模型**，截至本周收益-0.25%，跑输基准1.27%[44]。2020年至今，相对中证500指数超额收益47.37%，最大回撤-5.89%[44]。 3. **沪深300指数增强模型**，截至本周收益率0.57%，跑赢基准0.65%[49]。2020年至今，相对沪深300指数超额收益39.15%，最大回撤-5.86%[49]。 量化因子与构建方式 1. **因子名称：市值（SIZE）**[54] * **因子构建思路**：衡量公司规模大小的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 2. **因子名称：BETA**[54] * **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[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 3. **因子名称：动量（MOM）**[54] * **因子构建思路**：衡量股票价格趋势强弱的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 4. **因子名称：残差波动率（RESVOL）**[54] * **因子构建思路**：衡量股票特异性风险（剔除市场风险后）的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 5. **因子名称：非线性市值（NLSIZE）**[54] * **因子构建思路**：捕捉市值因子非线性效应的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 6. **因子名称：估值（BTOP，Book-to-Price）**[54] * **因子构建思路**：通常指市净率（PB）的倒数，衡量股票估值高低的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 7. **因子名称：流动性（LIQUIDITY）**[54] * **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[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 8. **因子名称：盈利（EARNINGS_YIELD）**[54] * **因子构建思路**：衡量公司盈利能力的风格因子，通常为市盈率（PE）的倒数[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 9. **因子名称：成长（GROWTH）**[54] * **因子构建思路**：衡量公司成长性的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 10. **因子名称：杠杆（LVRG）**[54] * **因子构建思路**：衡量公司财务杠杆水平的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 因子的回测效果 1. **风格因子（近一周纯因子收益率）**，表现参见图表24[58]。其中，非线性市值因子超额收益较高，价值、流动性因子呈较为显著的负向超额收益[55]。 2. **风格因子（近期表现）**，高Beta股表现优异，杠杆、价值、流动性等因子表现不佳[55]。 3. **行业因子（近一周纯因子收益率）**，表现参见图表25[58]。其中，国防军工、通信等行业因子跑出较高超额收益，石油石化、煤炭等行业因子回撤较多[55]。

量化模型与构建方式 1. **模型名称：择时雷达六面图综合择时模型**[1][6] * **模型构建思路**：权益市场表现受多维度因素影响，该模型从流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取二十一个指标刻画市场，并将其概括为“估值性价比”、“宏观基本面”、“资金&趋势”、“拥挤度&反转”四大类，最终生成一个综合择时分数[1][6]。 * **模型具体构建过程**： 1. 构建六个维度的子分数：每个维度包含若干具体指标，每个指标根据其构建规则生成一个介于-1（看空）到1（看多）之间的信号分数[1][9]。 2. 汇总维度分数：将每个维度内所有指标的分数进行汇总（具体汇总方式如等权平均或加权平均，报告未明确说明），得到该维度的综合得分，范围同样在[-1, 1]之间[1][9]。 3. 生成综合择时分数：将六个维度的分数（或四大类的分数）进一步综合，最终生成一个位于[-1, 1]之间的综合择时分数，用以判断市场整体观点[1][6]。 量化因子与构建方式 1. **因子名称：货币方向因子**[11] * **因子构建思路**：判断当前货币政策的方向，通过比较当前利率与历史利率的变化来确定宽松或收紧[11]。 * **因子具体构建过程**：选取央行货币政策工具利率与短端市场利率，计算其相较于90天前的平均变化方向。若因子值>0，则判断货币政策宽松；若因子值<0，则判断货币政策收紧[11]。 2. **因子名称：货币强度因子**[14] * **因子构建思路**：表征短端市场利率相对于政策利率的偏离幅度，基于“利率走廊”概念构建[14]。 * **因子具体构建过程**：计算偏离度 = DR007 / 7天逆回购利率 - 1，并对该偏离度进行平滑与z-score标准化，形成货币强度因子。若因子值 < -1.5倍标准差，则预期未来120个交易日为宽松环境；若因子值 > 1.5倍标准差，则预期未来120个交易日为收紧环境[14]。 3. **因子名称：信用方向因子**[17] * **因子构建思路**：表征商业银行对实体经济的信贷松紧程度，使用中长期贷款指标进行体现[17]。 * **因子具体构建过程**：计算中长期贷款当月值 -> 计算过去十二个月增量 -> 计算同比，得到信用方向因子。若该因子值相比于三个月之前上升则看多；反之则看空[17]。 4. **因子名称：信用强度因子**[20] * **因子构建思路**：捕捉信用指标是否大幅超预期或不及预期[20]。 * **因子具体构建过程**：构建信用强度因子 = (新增人民币贷款当月值 – 预期中位数) / 预期标准差。若因子值 > 1.5倍标准差，则定义未来60个交易日为信用显著超预期环境；若因子值 < -1.5倍标准差，则未来60个交易日为信用显著不及预期环境[20]。 5. **因子名称：增长方向因子**[22] * **因子构建思路**：基于PMI数据判断经济增长的方向[22]。 * **因子具体构建过程**：基于中采制造业PMI、中采非制造业PMI、财新制造业PMI，构建增长方向因子 = PMI -> 计算过去十二月均值 -> 计算同比。若该因子值相比于三个月之前上升则看多；反之则看空[22]。 6. **因子名称：增长强度因子**[25] * **因子构建思路**：捕捉经济增长指标是否大幅超预期或不及预期[25]。 * **因子具体构建过程**：计算PMI预期差 = (PMI – 预期中位数) / 预期标准差，得到增长强度因子。若因子值 > 1.5倍标准差，则定义未来60个交易日为增长显著超预期环境；若因子值 < -1.5倍标准差，则未来60个交易日为增长显著不及预期环境[25]。 7. **因子名称：通胀方向因子**[27] * **因子构建思路**：判断通胀水平的变化方向，通胀下行可能为未来货币宽松提供空间，利好权益资产[27]。 * **因子具体构建过程**：计算通胀方向因子 = 0.5 × CPI同比平滑值 + 0.5 × PPI同比原始值。若该因子值相较于三个月之前降低，则看多；反之看空[27]。 8. **因子名称：通胀强度因子**[29] * **因子构建思路**：捕捉通胀指标是否大幅超预期或不及预期[29]。 * **因子具体构建过程**：分别计算CPI与PPI的预期差 = (披露值 – 预期中位数) / 预期标准差，并计算通胀强度因子 = CPI与PPI预期差的均值。若因子值 < -1.5倍标准差，则定义未来60个交易日为通胀显著不及预期环境；若因子值 > 1.5倍标准差，则未来60个交易日为通胀显著超预期环境[29]。 9. **因子名称：席勒ERP**[30] * **因子构建思路**：使用经过周期平滑的盈利计算市盈率，再与无风险利率比较，得到股权风险溢价，以更稳定地衡量估值水平[30]。 * **因子具体构建过程**：计算过去6年通胀调整后的平均盈利，得到席勒PE。再计算席勒ERP = 1 / 席勒PE - 10年期国债到期收益率。最后计算该ERP过去6年的z-score作为分数[30]。 10. **因子名称：PB**[34] * **因子构建思路**：使用市净率的倒数并标准化，来衡量估值水平[34]。 * **因子具体构建过程**：将PB乘以(-1)，并计算过去6年的z-score，再用1.5倍标准差进行截尾后，标准化到±1之间得到分数[34]。 11. **因子名称：AIAE (全市场权益配置比例)**[36] * **因子构建思路**：反映市场整体的风险偏好，逻辑是投资者会根据风险资产和安全资产的供应量动态调整两者价格以达到市场均衡[36]。 * **因子具体构建过程**：构建A股的AIAE指标 = 中证全指总流通市值 / (中证全指总流通市值 + 实体总债务)。将该指标乘以(-1)并计算过去6年的z-score得到分数[36]。 12. **因子名称：两融增量**[38] * **因子构建思路**：两融余额变化反映市场杠杆资金情绪，上行时市场情绪较好[38]。 * **因子具体构建过程**：计算融资余额-融券余额，并计算其过去120日均增量与过去240日均增量。若120日均增量 > 240日均增量，则看多；反之看空[38]。 13. **因子名称：成交额趋势**[41] * **因子构建思路**：成交额上行代表市场成交热度与资金活跃度高[41]。 * **因子具体构建过程**：对对数成交额计算其均线距离 = ma120 / ma240 - 1。当均线距离的max(10日) = max(30日) = max(60日)时看多；当均线距离的min(10日) = min(30日) = min(60日)时看空[41]。 14. **因子名称：中国主权CDS利差**[45] * **因子构建思路**：该利差代表海外投资者对中国主权信用风险的定价，与外资流入意愿相关[45]。 * **因子具体构建过程**：对平滑后的CDS利差计算20日差分。若差分 < 0，说明利差下降，海外投资者预期中国基本面转好，此时看多；反之看空[45]。 15. **因子名称：海外风险厌恶指数 (花旗RAI指数)**[47] * **因子构建思路**：该指数由海外期权隐波、信用利差等数据组成，能捕捉海外市场的风险偏好[47]。 * **因子具体构建过程**：对平滑后的风险厌恶指数计算20日差分。若差分 < 0，说明外资风险偏好上升，此时看多；反之看空[47]。 16. **因子名称：价格趋势**[49] * **因子构建思路**：使用均线距离衡量标的价格的中长期趋势与强度[49]。 * **因子具体构建过程**： 1. 计算均线距离 = ma120 / ma240 - 1。 2. **趋势方向分数**：当均线距离 > 0时为1，反之为-1。 3. **趋势强度分数**：当均线距离的max(20日) = max(60日)时为1；当min(20日) = min(60日)时为-1。 4. **趋势综合分数** = (趋势方向分数 + 趋势强度分数) / 2[49]。 17. **因子名称：新高新低数**[51] * **因子构建思路**：指数成分股的新高与新低个数可以作为市场反转信号[51]。 * **因子具体构建过程**：计算中证800成分股（过去一年新低数 - 新高数）的20日移动平均。若该值 > 0，说明近期新低较多，市场有见底预期，此时看多；反之看空[51]。 18. **因子名称：期权隐含升贴水**[55] * **因子构建思路**：基于看涨看跌平价关系推导出期权隐含的标的升贴水，反映期权市场对未来标的收益率的预期与情绪，作为反转指标[55]。 * **因子具体构建过程**：若50ETF近5日收益率 < 0，且该指标分位数 < 30%，则看多持续20日。若50ETF近5日收益率 > 0，且该指标分位数 > 70%，则看空持续20日[55]。 19. **因子名称：期权隐含波动率VIX**[57] * **因子构建思路**：反映期权投资者对未来标的波动率的预期与市场情绪，较高时市场倾向于反转[57]。 * **因子具体构建过程**：若50ETF近5日收益率 < 0，且该指标分位数 > 70%，则看多持续20日。若50ETF近5日收益率 > 0，且该指标分位数 > 70%，则看空持续20日[57]。 20. **因子名称：期权隐含偏度SKEW**[62] * **因子构建思路**：反映期权投资者对未来标的偏度的预期与市场情绪，用作反转指标[62]。 * **因子具体构建过程**：若50ETF近5日收益率 < 0，且该指标分位数 > 70%，则看多持续20日。若50ETF近5日收益率 > 0，且该指标分位数 < 30%，则看空持续20日[62]。 21. **因子名称：可转债定价偏离度**[65] * **因子构建思路**：可转债估值水平能体现市场情绪，可用作反转指标[65]。 * **因子具体构建过程**：计算可转债定价偏离度 = 转债价格 / 模型定价 - 1。计算分数 = 定价偏离度 × (-1) 并计算过去3年的z-score。定价偏离度越高，拥挤度越高，分数越低[65]。 模型的回测效果 * **择时雷达六面图综合择时模型**，当前综合打分为0.08分[1][6][9]，流动性维度得分为0.25分[1][9]，经济面维度得分为-0.50分[1][9]，估值面维度得分为-0.35分[2][9]，资金面维度得分为0.50分[2][9]，技术面维度得分为1.00分[2][9]，拥挤度维度得分为0.00分[2][9] 因子的回测效果 * **货币方向因子**，当前分数为1分[11] * **货币强度因子**，当前分数为0分[14] * **信用方向因子**，当前分数为1分[17] * **信用强度因子**，当前分数为-1分[20] * **增长方向因子**，当前分数为1分[22] * **增长强度因子**，当前分数为-1分[25] * **通胀方向因子**，当前分数为-1分[27] * **通胀强度因子**，当前分数为-1分[29] * **席勒ERP**，当前分数为0.06分[30] * **PB**，当前分数为-0.38分[34] * **AIAE**，当前分数为-0.72分[36] * **两融增量**，当前分数为1分[38] * **成交额趋势**，当前分数为1分[41][42] * **中国主权CDS利差**，当前分数为-1分[45] * **海外风险厌恶指数**，当前分数为1分[47] * **价格趋势**，当前综合分数为1分[49] * **新高新低数**，当前分数为1分[51][52] * **期权隐含升贴水**，当前分数为-1分[55][56] * **期权隐含波动率VIX**，当前分数为1分[57][58] * **期权隐含偏度SKEW**，当前分数为1分[62][63] * **可转债定价偏离度**，当前分数为-1分[65]

量化模型与构建方式 1. **模型名称：ETF风险偏好指数模型**[11] * **模型构建思路**：通过监测ETF资金流向，构建一个反映市场整体风险偏好的指数。当指数上升时，表明市场风险偏好提升；当指数下降时，表明市场风险偏好收缩[11]。 * **模型具体构建过程**：报告未提供该指数的具体计算公式和构建细节，仅提及了其应用逻辑。模型通过跟踪ETF的资金流入流出情况，特别是不同风格（如科技成长 vs. 红利防御）ETF的资金流向对比，来综合判断市场风险偏好的变化方向[11]。 2. **模型名称：游资活跃度指标模型**[11] * **模型构建思路**：构建一个指标来监测市场中游资（活跃短线资金）的交易活跃程度，作为市场情绪的一个侧面观察[11]。 * **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。该模型通过分析市场交易数据（可能涉及成交额、涨停板数量、特定股票或板块的资金流向等）来量化游资的活跃水平[11]。 3. **模型名称：知情交易者活跃度指标模型**[15][18] * **模型构建思路**：构建一个指标来监测市场中“知情交易者”（可能指机构、大资金等拥有信息优势的交易者）的交易活跃程度，用于微观市场结构择时[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。该模型通过分析高频或特定维度的交易数据，来捕捉知情交易者的行为变化，其数值高低和方向变化被用于判断市场短期走势的边际变化[15][18]。 4. **模型名称：价格分段体系模型**[14][17] * **模型构建思路**：对指数价格走势进行多时间周期（如日线、周线）的技术分析，通过观察不同周期价格趋势线的位置关系（如重合、背离）来判断市场所处的趋势阶段[14]。 * **模型具体构建过程**：报告未提供该模型的具体算法细节。从描述和图表看，该模型可能涉及对指数价格进行平滑处理（例如使用移动平均线或类似“dea”的指标），并分别绘制日线级别和周线级别的趋势线，通过比较两者的相对位置（如“基本重合”、“边际上行”）来进行分析[14][17]。 5. **因子名称：分析师一致预期景气因子**[19][20] * **因子构建思路**：利用分析师对上市公司未来财务指标的一致预测数据，构建行业层面的景气度监测因子，以反映市场对行业基本面的预期变化[19]。 * **因子具体构建过程**：对于每个申万一级行业，计算两个核心指标： 1. **一致预期ROE环比变化**：计算行业成分股未来12个月滚动预测ROE（ROEFTTM）的一致预期值，并观察其本周相较于上周的环比变化率[19][20]。 2. **一致预期净利润增速环比变化**：计算行业成分股未来12个月滚动预测净利润（FTTM）增速的一致预期值，并观察其本周相较于上周的环比变化率[19][20]。 * **因子评价**：该因子能够及时捕捉市场对行业盈利能力和成长性的预期调整，是进行行业景气比较和监测的有效工具[19]。 6. **因子名称：行业融资融券净流入因子**[21][23] * **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间偏好和流向的因子[21]。 * **因子具体构建过程**：对于每个行业，计算指定周期（本周）内的净买入额。 $$期间净买入额 = 融资净买入额 - 融券净卖出额$$ 其中，融资净买入额代表看多资金的流入，融券净卖出额代表看空资金的流出。两者之差即为杠杆资金对该行业的净流入金额[21][23]。 7. **因子名称：BARRA风格因子体系**[24][25] * **因子构建思路**：采用经典的BARRA风险模型框架，计算一系列风格因子的收益，以监测市场在不同风格维度上的暴露和偏好变化[24]。 * **因子具体构建过程**：报告直接引用了BARRA风格因子的收益结果，未详述每个因子的具体计算公式。涉及的风格因子包括： * **基本面与价值类**：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、股息率。 * **交易与技术类**：动量、波动率、贝塔（报告中“近释”可能指短期贝塔）。 * **市值类**：市值、非线性市值。 这些因子的收益通常是通过对股票收益率进行横截面回归，或将股票按因子值分组后计算多空组合收益等方式得到[24][25]。 模型的回测效果 *报告未提供上述量化模型的历史回测绩效指标（如年化收益率、夏普比率、最大回撤等）。报告中对模型的讨论集中于当前市场状态下的信号解读和逻辑分析[11][14][15]。* 因子的回测效果 1. **分析师一致预期景气因子**，本周ROE环比变化值：房地产 8.99%，通信 4.57%，社会服务 2.15%...[20]；本周净利润增速环比变化值：农林牧渔 101.71%，环保 13.11%，房地产 38.87%...[20] 2. **行业融资融券净流入因子**，本周净买入额：电子 70.6亿元，通信 (具体数值未列出，从图表看约为40-50亿元)，国防军工 (具体数值未列出，从图表看约为30-40亿元)...[21][23]；净流出额：计算机 (具体数值未列出，从图表看约为-15至-20亿元)，汽车 (具体数值未列出，从图表看约为-10至-15亿元)...[21][23] 3. **BARRA风格因子**，本周收益：波动率 0.8%，非线性市值 0.8%，成长 0.3%，市值 0.3%，EP价值 0.2%，动量 0.1%，换手 -0.1%，财务杠杆 -0.1%，盈利质量 -0.1%，长期反转 -0.1%，盈利波动 -0.2%，BP价值 -0.3%，投资质量 -0.4%[25]；上周收益：动量 0.7%，盈利能力 0.4%，EP价值 0.3%，BP价值 0.2%，投资质量 0.2%，换手 0.1%，财务杠杆 0.1%，盈利质量 0.0%，非线性市值 0.1%，市值 -0.1%，成长 -0.2%，股息率 -0.3%，长期反转 -0.6%，波动率 -1.0%[25]