量化模型与构建方式 1.扩散指数模型 - 模型名称：扩散指数模型[3][13][15][34][35] - 模型构建思路：通过监测微盘股成分股未来价格涨跌的扩散情况，判断市场情绪和变盘临界点[34] - 模型具体构建过程： 横轴代表未来N天后股价相对现在的涨跌幅度，从1.1（涨10%）到0.9（跌10%）[34] 纵轴代表回顾过去窗口期的长度T天或未来N天（N=20-T）[34] 计算每个（涨跌幅，时间窗口）组合下的扩散指数值，例如横轴0.95和纵轴15天值为0.33，表示5天后如果所有成分股跌5%，扩散指数值为0.33[34] 通过观察扩散指数值的分布和变化趋势进行市场判断[34][35] 2.首次阈值法（左侧交易） - 模型名称：首次阈值法[3][13][15][39] - 模型构建思路：作为扩散指数模型的左侧交易方法，在特定阈值触发时给出交易信号[3][39] - 模型具体构建过程： 当扩散指数值达到预设阈值（如0.9850）时触发信号[39] 于2025年5月8日收盘收0.9850触发空仓信号[3][39] 3.延迟阈值法（右侧交易） - 模型名称：延迟阈值法[3][13][15][41][43] - 模型构建思路：作为扩散指数模型的右侧交易方法，在确认趋势后给出交易信号[3][43] - 模型具体构建过程： 当扩散指数值达到确认阈值（如0.8975）时触发信号[43] 于2025年5月15日收盘收0.8975给予空仓信号[3][43] 4.双均线法（自适应交易） - 模型名称：双均线法[3][13][15][44] - 模型构建思路：作为扩散指数模型的自适应交易方法，通过均线交叉判断交易时机[3][44] - 模型具体构建过程： 使用两条移动平均线进行趋势判断[44] 当短期均线下穿长期均线时触发空仓信号[44] 于2025年8月4日收盘再次翻空[3][44] 模型的回测效果 1. 首次阈值法，2025年5月8日触发空仓信号[3][39] 2. 延迟阈值法，2025年5月15日触发空仓信号[3][43] 3. 双均线法，2025年8月4日触发空仓信号[3][44] 量化因子与构建方式 1.过去一年波动率因子 - 因子名称：过去一年波动率因子[3][14][29] - 因子构建思路：衡量股票过去一年的价格波动情况[3][14] - 因子具体构建过程： 计算股票过去一年收益率的标准差[3][14] 本周rankIC值为0.135，历史平均值为-0.032[3][14][29] 2.残差波动率因子 - 因子名称：残差波动率因子[3][14][29] - 因子构建思路：衡量股票剔除市场风险后的特异性波动[3][14] - 因子具体构建过程： 通过回归模型剔除市场收益后计算残差波动率[3][14] 本周rankIC值为0.057，历史平均值为-0.039[3][14][29] 3.成长因子 - 因子名称：成长因子[3][14][29] - 因子构建思路：衡量公司的成长性[3][14] - 因子具体构建过程： 通常使用营收增长率、利润增长率等指标[3][14] 本周rankIC值为0.053，历史平均值为-0.004[3][14][29] 4.杠杆因子 - 因子名称：杠杆因子[3][14][29] - 因子构建思路：衡量公司的财务杠杆水平[3][14] - 因子具体构建过程： 使用资产负债率、权益乘数等指标[3][14] 本周rankIC值为0.042，历史平均值为-0.006[3][14][29] 5.非流动性因子 - 因子名称：非流动性因子[3][14][29] - 因子构建思路：衡量股票的交易流动性程度[3][14] - 因子具体构建过程： 使用Amihud非流动性指标或其他流动性度量[3][14] 本周rankIC值为0.041，历史平均值为0.04[3][14][29] 6.过去10天收益率因子 - 因子名称：过去10天收益率因子[3][14][29] - 因子构建思路：衡量股票短期价格动量[3][14] - 因子具体构建过程： 计算股票过去10天的累计收益率[3][14] 本周rankIC值为-0.131，历史平均值为-0.061[3][14][29] 7.非线性市值因子 - 因子名称：非线性市值因子[3][14][29] - 因子构建思路：捕捉市值与收益率的非线性关系[3][14] - 因子具体构建过程： 通过对数市值或其他非线性变换构建[3][14] 本周rankIC值为-0.13，历史平均值为-0.033[3][14][29] 8.对数市值因子 - 因子名称：对数市值因子[3][14][29] - 因子构建思路：衡量公司规模效应[3][14] - 因子具体构建过程： 取公司总市值的自然对数[3][14] 本周rankIC值为-0.13，历史平均值为-0.033[3][14][29] 9.10天总市值换手率因子 - 因子名称：10天总市值换手率因子[3][14][29] - 因子构建思路：衡量股票的换手活跃度[3][14] - 因子具体构建过程： 计算过去10天总成交金额除以总市值的平均值[3][14] 本周rankIC值为-0.13，历史平均值为-0.06[3][14][29] 10.pe_ttm倒数因子 - 因子名称：pe_ttm倒数因子[3][14][29] - 因子构建思路：衡量股票的估值水平（盈利率）[3][14] - 因子具体构建过程： 取市盈率TTM的倒数（E/P）[3][14] 本周rankIC值为-0.129，历史平均值为0.017[3][14][29] 因子的回测效果 1. 过去一年波动率因子，本周rankIC值0.135，历史平均值-0.032[3][14][29] 2. 残差波动率因子，本周rankIC值0.057，历史平均值-0.039[3][14][29] 3. 成长因子，本周rankIC值0.053，历史平均值-0.004[3][14][29] 4. 杠杆因子，本周rankIC值0.042，历史平均值-0.006[3][14][29] 5. 非流动性因子，本周rankIC值0.041，历史平均值0.04[3][14][29] 6. 过去10天收益率因子，本周rankIC值-0.131，历史平均值-0.061[3][14][29] 7. 非线性市值因子，本周rankIC值-0.13，历史平均值-0.033[极3][14][29] 8. 对数市值因子，本周rankIC值-0.13，历史平均值-0.033[3][14][29] 9. 10天总市值换手率因子，本周rankIC值-极0.13，历史平均值-0.06[3][14][29] 10. pe_ttm倒数因子，本周rankIC值-0.129，历史平均值0.017[3][14][29]

根据提供的研报内容，以下是关于量化模型和因子的详细总结： 量化模型与构建方式 1. 扩散指数行业轮动模型 - **模型名称**：扩散指数行业轮动模型[3][5][23] - **模型构建思路**：基于价格动量原理，通过计算行业的扩散指数来捕捉行业趋势，选择向上趋势的行业进行配置[24][36] - **模型具体构建过程**： 1. 计算每个中信一级行业的扩散指数，该指数反映了行业价格动量的强度[25][26] 2. 扩散指数的计算涉及行业内部成分股的表现，具体公式未在报告中明确给出，但通常扩散指数可表示为： $$DI_t = \frac{N_{up,t}}{N_t}$$ 其中，$DI_t$为t时刻的扩散指数，$N_{up,t}$为t时刻行业成分股中上涨的股票数量，$N_t$为行业成分股总数[25][26] 3. 根据扩散指数排名，选择排名前六的行业作为月度配置建议[24][28] - **模型评价**：在趋势行情中表现较好，但在市场反转时可能面临失效风险[24][36] 2. GRU因子行业轮动模型 - **模型名称**：GRU因子行业轮动模型[3][6][31] - **模型构建思路**：基于分钟频量价数据，通过GRU（门控循环单元）深度学习网络生成行业因子，捕捉交易信息以进行行业轮动[31][37] - **模型具体构建过程**： 1. 使用GRU神经网络处理分钟频量价数据，提取能够预测行业表现的因子[31][37] 2. GRU因子的计算涉及深度学习网络，具体网络结构和输入输出未在报告中明确给出 3. 根据GRU因子数值排名，选择排名前六的行业作为周度配置建议[32][34] - **模型评价**：在短周期表现较好，长周期表现一般，极端行情下可能失效[31][37] 模型的回测效果 1. 扩散指数行业轮动模型 - 2025年8月平均收益：4.18%[28] - 2025年8月超额收益（相对中信一级行业等权）：0.78%[28] - 2025年8月以来累计超额收益：2.38%[28] - 2025年以来累计超额收益：2.71%[23][28] 2. GRU因子行业轮动模型 - 2025年8月平均收益：1.80%[34] - 2025年8月超额收益（相对中信一级行业等权）：-1.58%[34] - 2025年8月以来累计超额收益：-3.46%[34] - 2025年以来累计超额收益：-8.59%[31][34] 量化因子与构建方式 1. 行业扩散指数因子 - **因子名称**：行业扩散指数[25][26] - **因子构建思路**：通过计算行业内部成分股上涨比例来度量行业动量强度[25][26] - **因子具体构建过程**： 1. 对于每个中信一级行业，计算t时刻行业成分股中上涨股票数量与总股票数量的比值[25][26] 2. 因子计算公式为： $$DI_{i,t} = \frac{N_{up,i,t}}{N_{i,t}}$$ 其中，$DI_{i,t}$为行业i在t时刻的扩散指数，$N_{up,i,t}$为行业i在t时刻上涨的股票数量，$N_{i,t}$为行业i的成分股总数[25][26] 3. 因子值范围在0到1之间，值越大表示行业动量越强[25][26] 2. GRU行业因子 - **因子名称**：GRU行业因子[6][32] - **因子构建思路**：基于分钟频量价数据，通过GRU深度学习网络生成预测行业表现的因子[31][37] - **因子具体构建过程**： 1. 使用GRU神经网络处理历史分钟频量价数据[31][37] 2. 网络输出为每个行业的因子值，具体网络架构和训练过程未在报告中明确给出 3. 因子值可正可负，值越大表示行业预期表现越好[32] 因子的回测效果 1. 行业扩散指数因子 - 截至2025年8月22日，排名前六的行业因子值： - 综合金融：1.0[25] - 综合：1.0[25] - 钢铁：1.0[25] - 非银行金融：0.999[25] - 有色金属：0.997[25] - 通信：0.995[25] 2. GRU行业因子 - 截至2025年8月22日，排名前六的行业因子值： - 建材：3.32[6][32] - 电子：2.36[6][32] - 非银行金融：1.97[6][32] - 综合：-0.28[6][32] - 建筑：-1.49[6][32] - 通信：-3.22[6][32]

根据提供的研报内容，这是一份关于AI行业动态的周报，主要汇总了多家科技公司在人工智能领域的最新技术发布和产品动态。经过全面审阅，**该报告未涉及任何量化模型或量化因子的构建、测试与分析内容**。报告的核心是AI技术进展的行业资讯，而非金融工程领域的量化投资研究。 因此，**本次任务无法提取并总结任何量化模型或量化因子的相关信息**。报告内容聚焦于AI模型的技术架构、性能对比和应用场景，与量化投资中的因子挖掘、模型回测等主题无关。

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 1. 模型名称：网下打新收益测算模型 - **模型构建思路**：通过假设参与所有新股网下申购、以特定价格卖出，来测算不同规模账户在不同市场板块下的理论打新收益率[11][36][37] - **模型具体构建过程**： 1. 假设条件：所有主板、科创板、创业板股票都打中；上市首日以市场均价卖出；忽略锁定期卖出限制；科创板和创业板报价全部入围；资金配置一半沪市一半深市且股票满仓；90%资金使用效率[11][36][37] 2. 计算单只股票满中数量：$$类满中数量 = 可申购上限额度 \times 网下类平均中签率$$[33] 3. 计算单只股票满中收益：$$满中收益 = (首次开板价 - 首发价格) \times 满中数量$$[36] 4. 计算账户打新收益率：将指定时间段内所有新股的网下打新收益相加，除以账户规模，得到打新收益率[41][45] 2. 模型名称：滚动打新市场表现跟踪模型 - **模型构建思路**：通过滚动跟踪近期新股的表现来监控打新市场情况[2][16][19] - **模型具体构建过程**： 1. 选取近期20只新股作为样本[2][16][19] 2. 计算科创板个股上市首日平均涨幅和创业板个股上市首日平均涨幅[2][16] 3. 统计有效报价账户数量中位数，包括科创板A类/B类有效报价账户数量、创业板A类/B类有效报价账户数量、主板A类/B类有效报价账户数量[2][19][23] 模型的回测效果 1. 网下打新收益测算模型 - A类2亿规模账户2025年初至2025/8/22打新收益率：2.07%[11] - B类2亿规模账户2025年初至2025/8/22打新收益率：1.87%[11] - A类10亿规模账户2025年初至2025/8/22打新收益率：0.65%[11] - B类10亿规模账户2025年初至2025/8/22打新收益率：0.59%[11] - A类2亿规模账户2024年至今打新收益率：5.80%[41] - B类2亿规模账户2024年至今打新收益率：4.79%[45] 2. 滚动打新市场表现跟踪模型 - 科创板个股上市首日平均涨幅：218.45%[2][16] - 创业板个股上市首日平均涨幅：222.39%[2][16] - 科创板A类有效报价账户数量：3062左右[2][19] - 科创板B类有效报价账户数量：1602左右[2][19] - 创业板A类有效报价账户数量：3664左右[2][19] - 创业板B类有效报价账户数量：2086左右[2][19] - 主板A类有效报价账户数量：3866左右[2][23] - 主板B类有效报价账户数量：2290左右[2][23] 量化因子与构建方式 1. 因子名称：上市首日涨幅因子 - **因子构建思路**：通过计算新股上市首日价格相对于发行价的涨幅，反映新股上市初期的市场表现[2][16] - **因子具体构建过程**：$$上市首日涨幅 = \frac{上市首日均价 - 发行价格}{发行价格} \times 100\%$$[2][16] 2. 因子名称：有效报价账户数量因子 - **因子构建思路**：通过统计各类账户有效报价数量，反映打新市场的参与热度和竞争程度[2][19][23] - **因子具体构建过程**：直接统计科创板、创业板、主板的新股A类和B类有效报价账户数量，取中位数作为因子值[2][19][23] 因子的回测效果 1. 上市首日涨幅因子 - 科创板近期20只新股上市首日平均涨幅：218.45%[2][16] - 创业板近期20只新股上市首日平均涨幅：222.39%[2][16] 2. 有效报价账户数量因子 - 科创板A类有效报价账户数量中位数：3062左右[2][19] - 科创板B类有效报价账户数量中位数：1602左右[2][19] - 创业板A类有效报价账户数量中位数：3664左右[2][19] - 创业板B类有效报价账户数量中位数：2086左右[2][19] - 主板A类有效报价账户数量中位数：3866左右[2][23] - 主板B类有效报价账户数量中位数：2290左右[2][23]

根据提供的研报内容，报告主要涉及基金市场表现、产品发行、ETF资金流向、ESG产品及REITs指数等内容的跟踪与描述，并未涉及具体的量化模型或量化因子的构建、测试及评价。报告内容以市场数据统计、产品表现跟踪和资金流向分析为主，属于市场周报性质，未包含量化模型或因子构建的详细过程、公式及回测结果。 因此，本总结中无相关内容可提取。

量化模型与构建方式 1. **模型名称**：央国企高分红30组合[13] **模型构建思路**：聚焦于具有稳健成长风格的央国企高分红股票，通过量化方法筛选出30只标的构建投资组合[13] **模型具体构建过程**：从央国企股票池中，选取高分红特征的股票，具体筛选逻辑未详细说明，最终构建包含30只股票的组合[13] 2. **模型名称**：攻守兼备红利50组合[13] **模型构建思路**：结合防御与增长特性，在红利资产中精选50只个股，追求相对纯粹红利资产的超额收益[5][13] **模型具体构建过程**：从红利资产中，通过量化方法筛选出兼具防守和增长特性的50只股票构建组合，具体筛选因子和权重分配未详细说明[5][13] 3. **模型名称**：电子均衡配置增强组合[13] **模型构建思路**：在电子行业进行均衡配置，通过量化方法增强组合表现，旨在跑赢电子行业指数[5][13] **模型具体构建过程**：在电子行业内，进行均衡的行业配置和个股选择，使用量化模型增强组合，具体模型细节未详细说明[5][13] 4. **模型名称**：电子板块优选增强组合[13] **模型构建思路**：聚焦电子板块中迈入成熟期的细分赛道龙头企业，通过优选策略进行增强配置[13] **模型具体构建过程**：在电子板块中，筛选处于成熟期的细分行业龙头企业，使用量化方法进行优选和增强配置，具体选股因子和模型未详细说明[13] 模型的回测效果 1. **央国企高分红30组合**，周度绝对收益未提供，周度超额收益（相对于中证红利全收益）0.76%[5][23] 2. **攻守兼备红利50组合**，周度绝对收益未提供，周度超额收益（相对于中证红利全收益）0.99%[5][23]，2025年初以来超额收益（相对于中证红利全收益）6.04%[23] 3. **电子均衡配置增强组合**，周度绝对收益5.01%[5][31]，周度超额收益（相对于电子行业指数）未提供（报告指出未跑赢）[5][31] 4. **电子板块优选增强组合**，周度绝对收益3.91%[5][31]，周度超额收益（相对于电子行业指数）未提供（报告指出未跑赢）[5][31] 量化因子与构建方式 1. **因子名称**：红利因子[20] **因子构建思路**：基于公司的分红行为，识别具有稳定和高分红特征的股票[20] **因子具体构建过程**：通常使用股息率（D/P）或过去若干年的累计分红等指标来衡量，具体公式未在提供内容中详细说明[20] 2. **因子名称**：红利低波因子[20] **因子构建思路**：结合高分红和低波动特性，寻找收益稳定且风险较低的股票[20] **因子具体构建过程**：通常是在红利因子的基础上，引入波动率指标（如历史价格波动率）进行筛选或加权，具体公式未在提供内容中详细说明[20] 3. **因子名称**：央国企红利因子[20] **因子构建思路**：在央国企范畴内应用红利因子，捕捉特定所有制结构下的高分红机会[20] **因子具体构建过程**：在央国企股票池中，运用红利因子的构建方法，具体公式未在提供内容中详细说明[20] 4. **因子名称**：红利质量因子[20] **因子构建思路**：将分红能力与公司的质量（如盈利能力、财务稳健性）相结合[20] **因子具体构建过程**：通常是在红利因子的基础上，引入质量类指标（如ROE、盈利增长率、负债率等）进行综合评估，具体公式未在提供内容中详细说明[20] 5. **因子名称**：红利增长因子[20] **因子构建思路**：关注那些不仅有分红，而且分红有增长潜力的公司[20] **因子具体构建过程**：通常涉及历史分红增长率、或预期未来分红增长的指标，具体公式未在提供内容中详细说明[20] 6. **因子名称**：红利价值因子[20] **因子构建思路**：结合分红与估值水平，寻找高分红且被低估的股票[20] **因子具体构建过程**：在红利因子的基础上，引入估值类指标（如市盈率P/E、市净率P/B等）进行筛选，具体公式未在提供内容中详细说明[20] 因子的回测效果 *(注：报告未提供这些因子独立的回测指标（如IC、IR等），仅展示了基于这些因子概念构建的指数表现)* 1. **中证红利指数**，周度绝对收益0.83%[20] 2. **上证红利指数**，周度绝对收益0.90%[20]，周度超额收益（相对于中证红利指数）0.08%[20] 3. **中证红利低波动100指数**，周度绝对收益1.67%[20]，周度超额收益（相对于中证红利指数）0.84%[20] 4. **中证中央企业红利指数**，周度绝对收益2.15%[20]，周度超额收益（相对于中证红利指数）1.32%[20] 5. **中证红利质量指数**，周度绝对收益3.05%[20]，周度超额收益（相对于中证红利指数）2.22%[20] 6. **中证红利潜力指数**，周度绝对收益2.31%[20]，周度超额收益（相对于中证红利指数）1.48%[20] 7. **中证红利价值指数**，周度绝对收益1.00%[20]，周度超额收益（相对于中证红利指数）0.17%[20]

根据提供的华创证券金工周报内容，以下是关于报告中涉及的量化模型与因子的总结： 量化模型与构建方式 1. 模型名称：形态学宽基择时策略 - **模型构建思路**：基于宽基指数成分股出现的特定K线形态信号（看多或看空）来构建择时策略，判断市场整体走势[13][14] - **模型具体构建过程**：通过统计各宽基指数成分股中出现的看多和看空形态信号数量，计算多空力量对比，从而生成对宽基指数的看多、看空或中性观点[13][14] - **模型评价**：从回测结果来看，该模型在多数宽基指数上取得了显著超越基准的年化收益，表明形态学信号在宽基指数择时方面具有一定的有效性[13][14] 2. 模型名称：形态学行业择时策略 - **模型构建思路**：基于中信一级行业指数成分股出现的特定K线形态信号来构建行业择时策略[15][16][17] - **模型具体构建过程**： 1. 统计行业指数成分股中每日出现看多形态和看空形态的股票数量 2. 计算多空形态剪刀差：$$多空剪刀差 = 看多形态股票数量 - 看空形态股票数量$$ 3. 计算多空形态剪刀差比率：$$多空剪刀差比率 = \frac{看多形态股票数量 - 看空形态股票数量}{成分股总数}$$ 4. 如果当日没有看多形态的成分股，则看多形态数量为0；如果没有看空形态的成分股，则看空形态数量为0；如果两者都为0，则多空剪刀差和比率为0[15] 5. 根据多空剪刀差比率构建行业择时信号 - **模型评价**：研报中提到该模型在所有中信一级行业的回测中均跑赢了各自的行业指数，胜率达到100%，表明显著的有效性[15] 3. 模型名称：特殊K线形态识别模型 - **模型构建思路**：识别六种特定的K线形态信号，包括三种正面形态（金针探底、火箭发射、满江红）和三种负面形态（上吊线、天堂线、乌云线）[22][23] - **模型具体构建过程**：报告中提到了"满江红"形态的具体识别规则： 1. 振幅要求：K线振幅需要大于5%，表明当天交易波动性较大 2. 位置要求：该K线需要出现在过去20个交易日的低位 3. 下影线长度：K线的下影线长度超过80%，表示股价一度下探但最终收回大部分跌幅 4. 开盘价和收盘价：该K线的收盘价和开盘价相同，形成"十字星"，表示多空力量平衡[22][23] - **模型评价**：金针探底、火箭发射、满江红等正面形态有较好的正向提醒效果[23] 4. 模型名称：券商金股形态增强策略 - **模型构建思路**：结合券商推荐的基本面较好的月度金股，等待形态学买点信号出现后买入，探索组合的持仓特点和收益增强效果[27][28] - **模型具体构建过程**： 1. 选取券商推荐的月度金股作为基础股票池 2. 监控这些金股何时出现形态学买点信号 3. 于信号出现后的第二个交易日买入 4. 构建组合持有到当月月底[27] - **模型评价**：形态学信号可以明显提升金股组合的收益率，同时降低最大回撤[27] 5. 因子名称：隐含波动率（恐慌指数） - **因子构建思路**：采用Heston模型计算近月平值期权的隐含波动率作为市场恐慌指数，反映市场参与者对未来波动性的预期[8][10] - **因子具体构建过程**：使用Heston随机波动率模型计算期权隐含波动率，具体公式为：$$IV = Heston(S, K, T, r, \sigma, \kappa, \theta, \nu, \rho)$$其中S为标的资产价格，K为行权价，T为到期时间，r为无风险利率，σ为波动率，κ为均值回归速率，θ为长期波动率，ν为波动率的波动率，ρ为资产价格与波动率的相关系数[8] - **因子评价**：隐含波动率是衡量市场情绪和风险预期的重要指标 模型的回测效果 1. 形态学宽基择时策略回测结果[13][14] | 指数名称 | 策略年化收益(%) | 策略最大回撤(%) | 指数年化收益(%) | 指数最大回撤(%) | |---------|----------------|----------------|----------------|----------------| | 沪深300 | 11.85 | -24.25 | 4.76 | -46.92 | | 上证综指 | 12.49 | -34.47 | 4.06 | -52.73 | | 万得微盘股指数 | 47.69 | -34.85 | 37.9 | -51.8 | | 中证2000 | 34.58 | -19.1 | 14.66 | -37.79 | | 中证1000 | 25.72 | -37.89 | 1.58 | -72.89 | | 国证2000 | 29.06 | -38.76 | 8.23 | -67.35 | | 中证800 | 18.61 | -23.04 | 5.28 | -51.5 | | Wind全A | 18.19 | -41.52 | 8.55 | -56.68 | | 中证500 | 19.88 | -41.19 | 7.04 | -65.85 | | 上证50 | 11.73 | -21.81 | 3.58 | -50.77 | | 创业板指 | 27.97 | -39.95 | 6.68 | -70.3 | 2. 形态学行业择时策略回测结果[16][17] | 行业名称 | 策略年化收益(%) | 策略最大回撤(%) | 指数年化收益(%) | 指数最大回撤(%) | |---------|----------------|----------------|----------------|----------------| | 机械 | 19.72 | -42.41 | 4.63 | -72.59 | | 商贸零售 | 19.75 | -43.39 | -0.9 | -77.37 | | 建材 | 25.39 | -37.98 | 2.84 | -58.37 | | 轻工制造 | 22.02 | -37.91 | 3.19 | -67.79 | | 汽车 | 27.18 | -38.62 | 7.64 | -58.31 | | 电子 | 22.54 | -44.99 | 11.13 | -58.54 | | 家电 | 16.11 | -38.25 | 11.07 | -48.96 | | 综合 | 24.94 | -40.81 | 1.15 | -81.18 | | 通信 | 32.83 | -43.37 | 7.32 | -66.74 | | 电力设备及新能源 | 22.93 | -41.7 | 4.91 | -70.51 | | 纺织服装 | 16.89 | -42.64 | 1.0 | -74.22 | | 有色金属 | 31.13 | -40.52 | 3.16 | -65.28 | | 电力及公用事业 | 17.3 | -41.46 | 2.54 | -67.22 | | 食品饮料 | 19.81 | -32.88 | 10.13 | -55.12 | | 消费者服务 | 15.43 | -53.53 | 6.12 | -73.29 | | 交通运输 | 18.2 | -32.45 | 0.75 | -65.47 | | 传媒 | 22.55 | -49.29 | 3.01 | -85.09 | | 煤炭 | 29.24 | -24.76 | 0.4 | -69.7 | | 农林牧渔 | 23.93 | -37.75 | 3.36 | -62.15 | 3. 形态信号表现统计[12] | 日期 | 正面信号次数 | 未来出现高价次数 | 未来高点胜率(%) | 负面信号次数 | 未来出现低价次数 | 未来低点胜率(%) | |------|-------------|-----------------|----------------|-------------|-----------------|----------------| | 2025-08-11 | 879 | 528 | 60.07 | 388 | 174 | 44.85 | | 2025-08-12 | 479 | 298 | 62.21 | 819 | 226 | 27.59 | | 2025-08-13 | 625 | 441 | 70.56 | 719 | 174 | 24.2 | | 2025-08-14 | 202 | 157 | 77.72 | 1099 | 103 | 9.37 | | 2025-08-15 | 1180 | 957 | 81.1 | 142 | 47 | 33.1 | 2025年8月11日到2025年8月15日期间，正面信号共出现了3365次，未来高点平均胜率为70.33%，负面信号出现3167次，未来低点平均胜率为27.82%[12] 4. 隐含波动率数据[10] | 指数 | 隐含波动率(%) | 周变化(%) | |------|--------------|-----------| | 上证50 | 20.3 | +2.93 | | 上证500 | 22.36 | +2.82 | | 中证1000 | 25.91 | +4.86 | | 沪深300 | 19.21 | +1.12 |

量化模型与构建方式 本报告未涉及具体的量化模型或因子构建内容，主要为大类资产与基金市场表现的数据统计与描述[1][5][10][11][27][28][34][41][44][46][51] 量化因子与构建方式 本报告未涉及具体的量化因子构建内容，主要为大类资产与基金市场表现的数据统计与描述[1][5][10][11][27][28][34][41][44][46][51] 模型的回测效果 本报告未涉及量化模型的回测效果测试[1][5][10][11][27][28][34][41][44][46][51] 因子的回测效果 本报告未涉及量化因子的回测效果测试[1][5][10][11][27][28][34][41][44][46][51]

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 1. **因子名称：行业拥挤度因子**[3][17] * **因子构建思路**：通过计算行业指数价格变动与成交金额变动的马氏距离，来衡量市场交易行为的异常集中程度，即拥挤度[3][17] * **因子具体构建过程**： 1. 选取各行业指数最近一周的价格变动数据和成交金额变动数据[3][17] 2. 计算这两个维度数据向量的马氏距离（Mahalanobis Distance）[3][17] 3. 马氏距离的计算公式为： $$D_M(x) = \sqrt{(x - \mu)^T \Sigma^{-1} (x - \mu)}$$ 其中，$x$ 代表由行业价格变动和成交金额变动组成的二维向量，$\mu$ 是各维度数据的均值向量，$\Sigma$ 是协方差矩阵，$\Sigma^{-1}$ 是协方差矩阵的逆[3][17] 4. 根据马氏距离的统计分布特性，将置信水平超过99%（即落在椭圆区域外）的行业识别为出现短期显著拥挤的行业[17] * **因子评价**：该因子能有效捕捉市场短期交易过热或过冷的异常状态，是一个有效的市场情绪监测指标[17] 因子的回测效果 1. **行业拥挤度因子**，上周出现显著拥挤的行业有：家用电器、有色金属[4][17]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：成交量模型[12] **模型构建思路**：基于价量关系构建短期择时信号[10] **模型具体构建过程**：通过分析宽基指数的成交量变化与价格变动的关系，判断市场短期走势。具体构建过程未详细说明。 2. **模型名称**：低波动率模型[12] **模型构建思路**：利用波动率指标构建择时信号[10] **模型具体构建过程**：通过计算宽基指数的波动率，判断市场状态。具体构建过程未详细说明。 3. **模型名称**：特征龙虎榜机构模型[12] **模型构建思路**：基于龙虎榜机构数据构建择时信号[10] **模型具体构建过程**：通过分析龙虎榜中机构投资者的买卖行为，构建择时信号。具体构建过程未详细说明。 4. **模型名称**：特征成交量模型[12] **模型构建思路**：基于成交量特征构建择时信号[10] **模型具体构建过程**：通过分析成交量的变化特征，构建择时信号。具体构建过程未详细说明。 5. **模型名称**：智能算法沪深300模型[12] **模型构建思路**：应用智能算法对沪深300指数进行择时[10] **模型具体构建过程**：使用智能算法（如机器学习）分析沪深300指数的相关数据，生成择时信号。具体构建过程未详细说明。 6. **模型名称**：智能算法中证500模型[12] **模型构建思路**：应用智能算法对中证500指数进行择时[10] **模型具体构建过程**：使用智能算法（如机器学习）分析中证500指数的相关数据，生成择时信号。具体构建过程未详细说明。 7. **模型名称**：涨跌停模型[13] **模型构建思路**：基于涨跌停板现象构建中期择时信号[10] **模型具体构建过程**：通过分析市场中涨跌停股票的数量和分布，判断市场中期趋势。具体构建过程未详细说明。 8. **模型名称**：月历效应模型[13] **模型构建思路**：利用月历效应（如月初、月末效应）构建择时信号[10] **模型具体构建过程**：通过统计历史数据中特定时间段的市场表现，生成择时信号。具体构建过程未详细说明。 9. **模型名称**：长期动量模型[14] **模型构建思路**：基于动量效应构建长期择时信号[10] **模型具体构建过程**：通过计算宽基指数的长期收益率，判断市场长期趋势。具体构建过程未详细说明。 10. **模型名称**：A股综合兵器V3模型[15] **模型构建思路**：综合多周期多策略的A股择时模型[10] **模型具体构建过程**：耦合短期、中期、长期的不同模型信号，进行综合判断。具体构建过程未详细说明。 11. **模型名称**：A股综合国证2000模型[15] **模型构建思路**：针对国证2000指数的综合择时模型[10] **模型具体构建过程**：耦合适用于国证2000指数的多模型信号，进行综合判断。具体构建过程未详细说明。 12. **模型名称**：成交额倒波幅模型[16] **模型构建思路**：基于成交额与波幅的关系构建港股择时信号[10] **模型具体构建过程**：通过分析港股指数的成交额与价格波幅的关系，生成择时信号。具体构建过程未详细说明。 13. **模型名称**：杯柄形态模型[44][45] **模型构建思路**：识别杯柄形态技术图形以捕捉上涨突破机会[44] **模型具体构建过程**：识别股价走势中形成的“杯状”和“柄状”结构，在柄部调整结束后价格突破杯沿时产生买入信号。具体步骤包括识别A点（杯左起点）、B点（杯底）、C点（杯右终点/柄部起点），当价格突破C点水平时确认信号。 14. **模型名称**：双底形态模型[44][52] **模型构建思路**：识别双底形态技术图形以捕捉上涨突破机会[44] **模型具体构建过程**：识别股价走势中形成的两个低点（A点和C点）及之间的反弹高点（B点），当价格突破B点（颈线）时产生买入信号。具体步骤包括识别A点（第一个底）、B点（颈线）、C点（第二个底），当价格突破B点水平时确认信号。 模型的回测效果 1. **杯柄形态模型**，本周收益2.83%[44]，同期上证综指收益3.49%[44]，本周超额收益-0.66%[44]，2020年12月31日至今累计收益64.88%[44]，累计超额收益54.73%[44] 2. **双底形态模型**，本周收益2.52%[44]，同期上证综指收益3.49%[44]，本周超额收益-0.97%[44]，2020年12月31日至今累计收益49.3%[44]，累计超额收益39.14%[44] 量化因子与构建方式 *(注：本报告中未明确提及量化因子的具体构建细节。)* 因子的回测效果 *(注：本报告中未提供量化因子的测试结果取值。)*