量化模型与构建方式 1. 微盘股轮动与择时模型 1. **模型名称**：微盘股轮动与择时模型 2. **模型构建思路**：通过构建相对净值、动量斜率及宏观指标（M1）的复合信号，在微盘股指数与茅指数之间进行轮动配置，并结合择时风控指标控制中期风险[18][27]。 3. **模型具体构建过程**： * **轮动子策略1（相对净值与年均线）**：计算微盘股指数与茅指数的相对净值（微盘股/茅指数）。当相对净值高于其243日移动平均线时，倾向于投资微盘股；反之则投资茅指数[27]。 * **轮动子策略2（20日收盘价斜率）**：分别计算微盘股指数与茅指数的20日收盘价斜率。当二者斜率方向相反且一方为正时，选择投资斜率为正的指数[27]。 * **轮动子策略3（M1高点轮动）**：监控M1同比指标的6个月移动平均值。当该平均值下行时，中期配置从微盘股切换至茅指数[18]。 * **综合轮动信号**：综合上述两个子策略（相对净值/斜率轮动与M1轮动）的信号，决定最终的配置方向（微盘股、茅指数或均衡配置）[18]。 * **择时风控指标**：设置两个风控阈值，任一指标触发则发出平仓信号[27]。 * 十年期国债到期收益率同比：阈值设为0.3（即30%）[27]。 * 微盘股波动率拥挤度同比：阈值设为0.55（即55%）[27]。 4. **模型评价**：该模型旨在捕捉大小盘风格切换机会，并通过宏观与市场情绪指标控制下行风险[18][19]。 2. 宏观择时模型 1. **模型名称**：宏观择时模型 2. **模型构建思路**：基于经济增长和货币流动性两个宏观维度构建信号，动态调整权益资产（股票）的配置仓位[47][48]。 3. **模型具体构建过程**：模型对经济增长和货币流动性层面分别给出信号强度（百分比形式），并综合生成最终的股票仓位建议[48]。 * **经济增长信号**：截至1月31日，信号强度为40%[48]。 * **货币流动性信号**：截至1月31日，信号强度为100%[48]。 * **股票仓位**：根据上述信号综合计算，2月份推荐的股票仓位为70%[47][48]。 4. **模型评价**：该模型为中期权益配置提供量化信号，旨在根据宏观环境变化调整风险暴露[47]。 3. 可转债择券模型 1. **模型名称**：可转债择券模型 2. **模型构建思路**：从正股基本面因子和转债估值因子两个维度构建量化因子，用于可转债的筛选与配置[57]。 3. **模型具体构建过程**： * **正股因子**：从预测正股表现的因子出发，构建适用于可转债的因子，主要包括正股一致预期、正股成长、正股财务质量、正股价值等[57]。 * **转债估值因子**：选取平价底价溢价率作为衡量转债估值水平的因子[57]。 * **因子应用**：通过跟踪这些因子的IC均值和多空组合净值表现，指导可转债的择券[57][58]。 量化因子与构建方式 1. 大类选股因子（国金证券分类） 报告跟踪了八大类选股因子，其定义如下[60][62]： 1. **因子名称**：市值因子 (排序方向：↓) * **因子构建思路**：捕捉规模效应，通常小市值股票具有更高的预期收益。 * **因子具体构建过程**：使用流通市值的自然对数。 $$LN\_MktCap = ln(流通市值)$$ * **细分因子**：LN_MktCap[60]。 2. **因子名称**：价值因子 (排序方向：↑) * **因子构建思路**：寻找估值相对较低的股票。 * **因子具体构建过程**：采用多种估值比率。 $$BP\_LR = \frac{最新年报账面净资产}{最新市值}$$ $$EP\_FTTM = \frac{未来12个月一致预期净利润}{最新市值}$$ $$SP\_TTM = \frac{过去12个月营业收入}{最新市值}$$ $$EP\_FY0 = \frac{当期年报一致预期净利润}{最新市值}$$ $$Sales2EV = \frac{过去12个月营业收入}{企业价值}$$ * **细分因子**：BP_LR, EP_FTTM, SP_TTM, EP_FY0, Sales2EV[60]。 3. **因子名称**：成长因子 (排序方向：↑) * **因子构建思路**：寻找盈利或收入增长较快的公司。 * **因子具体构建过程**：采用单季度财务数据的同比增速。 $$NetIncome\_SQ\_Chg1Y = \frac{单季度净利润_{当期} - 单季度净利润_{去年同期}}{|单季度净利润_{去年同期}|}$$ （OperatingIncome_SQ_Chg1Y, Revenues_SQ_Chg1Y 构建方式类似） * **细分因子**：NetIncome_SQ_Chg1Y, OperatingIncome_SQ_Chg1Y, Revenues_SQ_Chg1Y[60]。 4. **因子名称**：质量因子 (排序方向：↑) * **因子构建思路**：寻找盈利能力、运营效率或财务稳健性高的公司。 * **因子具体构建过程**：采用多种盈利和效率指标。 $$ROE\_FTTM = \frac{未来12个月一致预期净利润}{股东权益均值}$$ $$OCF2CurrentDebt = \frac{过去12个月经营现金流净额}{流动负债均值}$$ $$GrossMargin\_TTM = \frac{过去12个月毛利润}{过去12个月营业收入}$$ $$Revenues2Asset\_TTM = \frac{过去12个月营业收入}{总资产均值}$$ * **细分因子**：ROE_FTTM, OCF2CurrentDebt, GrossMargin_TTM, Revenues2Asset_TTM[60]。 5. **因子名称**：一致预期因子 (排序方向：↑) * **因子构建思路**：捕捉分析师预期上调带来的正向股价反应。 * **因子具体构建过程**：衡量一致预期的变化幅度或潜在上涨空间。 $$EPS\_FTTM\_Chg3M = \frac{EPS_{一致预期, 当前} - EPS_{一致预期, 3个月前}}{|EPS_{一致预期, 3个月前}|}$$ （ROE_FTTM_Chg3M构建方式类似） $$TargetReturn\_180D = \frac{一致预期目标价 - 当前股价}{当前股价}$$ * **细分因子**：EPS_FTTM_Chg3M, ROE_FTTM_Chg3M, TargetReturn_180D[60]。 6. **因子名称**：技术因子 (排序方向：↓) * **因子构建思路**：捕捉量价行为中的特定模式，如成交量活跃度、分布特征等。 * **因子具体构建过程**： $$Volume\_Mean\_20D\_240D = \frac{20日成交量均值}{240日成交量均值}$$ $$Skewness\_240D = 240日收益率分布的偏度$$ $$Volume\_CV\_20D = \frac{20日成交量标准差}{20日成交量均值}$$ $$Turnover\_Mean\_20D = 20日换手率均值$$ * **细分因子**：Volume_Mean_20D_240D, Skewness_240D, Volume_CV_20D, Turnover_Mean_20D[60]。 7. **因子名称**：波动率因子 (排序方向：↓) * **因子构建思路**：寻找股价波动率较低（低波）的股票，这类股票可能风险调整后收益更佳。 * **因子具体构建过程**：采用历史收益率标准差或因子模型残差波动率。 $$Volatility\_60D = 60日收益率的标准差$$ $$IV\_CAPM = CAPM模型残差的标准差$$ （IV_FF, IV_Carhart 构建方式类似，分别基于Fama-French三因子和Carhart四因子模型） * **细分因子**：Volatility_60D, IV_CAPM, IV_FF, IV_Carhart[60]。 8. **因子名称**：反转因子 (排序方向：↓) * **因子构建思路**：捕捉股价短期反转效应，即过去一段时间跌幅较大的股票未来可能反弹，涨幅较大的可能回调。 * **因子具体构建过程**：直接使用过去一段时间的收益率。 $$Price\_Chg20D = \frac{收盘价_{当前} - 收盘价_{20个交易日前}}{收盘价_{20个交易日前}}$$ （Price_Chg40D, Price_Chg60D, Price_Chg120D 构建方式类似） * **细分因子**：Price_Chg20D, Price_Chg40D, Price_Chg60D, Price_Chg120D[62]。 2. 可转债择券因子 1. **因子名称**：正股一致预期因子 * **因子构建思路**：将适用于股票的一致预期因子迁移至可转债择券，通过正股基本面预测转债表现[57]。 2. **因子名称**：正股成长因子 * **因子构建思路**：将适用于股票的成长因子迁移至可转债择券[57]。 3. **因子名称**：正股财务质量因子 * **因子构建思路**：将适用于股票的质量因子迁移至可转债择券[57]。 4. **因子名称**：正股价值因子 * **因子构建思路**：将适用于股票的价值因子迁移至可转债择券[57]。 5. **因子名称**：转债估值因子（平价底价溢价率） * **因子构建思路**：直接衡量可转债自身的估值水平，溢价率越低可能投资价值越高[57]。 模型的回测效果 1. **宏观择时模型**：2025年年初至今收益率为14.59%，同期Wind全A收益率为26.87%[47]。 因子的回测效果 (全部A股，近期表现) 1. **反转因子**，IC均值 18.93%[52] 2. **市值因子**，IC均值 14.79%[52] 3. **价值因子**，近期表现强劲[5][52] 4. **技术因子**，近期表现强劲[5][52] 5. **波动率因子**，近期表现强劲[5][52] 6. **成长因子**，近期表现相对较弱，有所回调[5][52] 7. **一致预期因子**，近期表现相对较弱，有所回调[5][52] 可转债择券因子的回测效果 (近期表现) 1. **正股价值因子**，取得了较高的IC均值[57] 2. **转债估值因子**，取得了较高的IC均值[57]

量化模型与构建方式 1. **模型/因子名称**：风险溢价模型[28] **模型/因子构建思路**：以十年期国债即期收益率为无风险利率参考，计算各宽基指数相对于无风险利率的风险溢价，用以衡量其相对投资价值和偏离情况[28] **模型/因子具体构建过程**：计算指数收益率与无风险收益率之差。具体公式为： $$风险溢价 = 指数收益率 - 十年期国债即期收益率$$ 报告中展示了各指数的当前风险溢价、历史分位值、均值及波动率等统计指标[32] 2. **模型/因子名称**：股债性价比模型[47] **模型/因子构建思路**：以各指数PE-TTM的倒数代表股票预期收益率，减去十年期国债即期收益率，其差值作为股债性价比指标，用于观察股票相对债券的吸引力[47] **模型/因子具体构建过程**：计算公式为： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 报告中通过绘制该指标的历史走势，并叠加其近5年的80分位值（机会值）、20分位值（危险值）、均值及±1倍标准差线进行分析[47] 3. **模型/因子名称**：破净率因子[56] **因子构建思路**：计算指数成分股中市净率小于1的个股占比，用以反映市场整体的估值态度和低估的普遍程度[56][58] **因子具体构建过程**：对于每个宽基指数，统计其成分股中满足“市净率(PB) < 1”条件的股票数量，然后计算该数量占指数总成分股数量的比例。 $$破净率 = \frac{指数中市净率小于1的成份股数量}{指数总成份股数量} \times 100\%$$ 报告跟踪了各指数破净率的历史走势和当前值[59] 4. **模型/因子名称**：指数换手率因子[19] **因子构建思路**：计算宽基指数的整体换手率，反映该指数所代表市场的整体交易活跃度[19] **因子具体构建过程**：采用流通市值加权平均的方式计算指数换手率。具体公式为： $$指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$$ 报告计算并列出了各宽基指数的当前换手率[19] 5. **模型/因子名称**：收益分布形态指标（偏度与峰度）[25][26] **因子构建思路**：通过计算指数日收益率序列的偏度和峰度，分析其收益分布的特征，例如极端收益出现的可能性和分布集中程度[25] **因子具体构建过程**： * **偏度**：衡量收益率分布的不对称性。正偏态表示极端正收益情形增加[25]。 * **峰度**：衡量收益率分布的陡峭或扁平程度。报告中计算的是超额峰度（减去了正态分布的峰度值3），峰度越大，说明收益率分布更集中[23][25][26]。 报告对比了各指数当前与近5年的偏度和峰度值[26]。 模型的回测效果 *本报告为市场数据跟踪报告，未提供基于历史数据的模型策略回测结果，如年化收益率、夏普比率、最大回撤等量化指标。报告主要呈现了各类指标在特定时点（2026年2月6日）的截面数据、历史分位值及统计特征。* 量化因子与构建方式 *（注：本报告中的“因子”多体现为可直接观测或计算的市场指标，而非用于选股的多因子模型中的阿尔法因子。相关构建方式已在“量化模型与构建方式”部分列出。）* 因子的回测效果 *报告未提供因子在历史样本内的IC值、IR值、多空收益等传统因子测试结果。* 报告主要展示了各指标在**当前时点（2026年2月6日）** 的取值及其相对于自身历史的统计位置，具体如下： 1. **风险溢价因子**[32] * 当前值：上证50(-0.70%)、沪深300(-0.58%)、中证500(-0.004%)、中证1000(-0.21%)、中证2000(0.42%)、中证全指(-0.24%)、创业板指(-0.74%) * 近5年历史分位值：上证50(20.95%)、沪深300(25.95%)、中证500(48.41%)、中证1000(39.92%)、中证2000(57.14%)、中证全指(38.17%)、创业板指(31.35%) 2. **PE-TTM因子**[44] * 当前值：上证50(11.59)、沪深300(14.05)、中证500(37.02)、中证1000(49.57)、中证2000(168.23)、中证全指(22.15)、创业板指(42.21) * 近5年历史分位值：上证50(81.90%)、沪深300(84.63%)、中证500(98.51%)、中证1000(98.43%)、中证2000(90.66%)、中证全指(98.26%)、创业板指(60.83%) 3. **股息率因子**[55] * 当前值：上证50(3.29%)、沪深300(2.77%)、中证500(1.27%)、中证1000(1.02%)、中证2000(0.71%)、中证全指(1.96%)、创业板指(0.89%) * 近5年历史分位值：上证50(34.21%)、沪深300(38.76%)、中证500(7.36%)、中证1000(24.38%)、中证2000(3.88%)、中证全指(28.43%)、创业板指(56.36%) 4. **破净率因子**[59] * 当前值：上证50(24.0%)、沪深300(16.67%)、中证500(10.6%)、中证1000(7.0%)、中证2000(2.45%)、中证全指(5.5%) 5. **指数换手率因子**[19] * 当前值：中证2000(3.96%)、创业板指(3.26%)、中证1000(2.83%)、中证500(1.96%)、中证全指(1.79%)、沪深300(0.62%)、上证50(0.28%) 6. **收益分布形态指标**[26] * **当前峰度（超额）**：上证50(-0.23)、沪深300(0.55)、中证500(0.87)、中证1000(0.76)、中证2000(0.99)、中证全指(0.66)、创业板指(1.21) * **当前偏度**：上证50(1.26)、沪深300(1.53)、中证500(1.55)、中证1000(1.46)、中证2000(1.56)、中证全指(1.51)、创业板指(1.62)

量化模型与构建方式 1. **模型名称：主动偏股基金行业主题标签模型**[39] * **模型构建思路**：为满足投资者在资产配置、主题投资、产品选择上的多样化需求，构建主动偏股基金完整的行业主题和细分赛道标签，并构建行业主题基金指数，作为衡量主题基金风险收益情况的工具[39]。 * **模型具体构建过程**： 1. **数据基础**：使用基金在近四期（中报/年报）的持仓信息来判断其长期的行业主题标签[39]。 2. **标签定义与分类**：根据基金持仓所呈现的行业特征，将其长期行业标签区分为三类： * **行业主题基金**：长期聚焦于特定行业的基金。 * **行业轮动基金**：在不同时期切换行业配置的基金。 * **行业均衡基金**：行业配置较为分散均衡的基金[39]。 3. **指数构建**：基于上述分类，构建相应的行业主题基金指数，以反映各类主题基金的整体表现[39]。 2. **模型名称：公募REITs系列指数模型**[50] * **模型构建思路**：为投资者提供基于指数化投资思想、利用REITs指数进行资产配置的新视角，构建完整的REITs系列指数以综合反映REITs市场表现，并提供不同底层资产、项目类型的细分REITs指数[50]。 * **模型具体构建过程**： 1. **指数类型**：考虑到REITs的高分红特性，为所有指数同时提供**价格指数**和**全收益指数**[50]。 2. **权重计算方法**：采用**分级靠档**的方法，以确保计算指数的份额保持相对稳定[50]。 3. **指数维护与调整**：当样本成分名单或样本成分的调整市值出现非交易因素的变动时（如新发、扩募等），采用**除数修正法**来保证指数的连续性[50]。 4. **指数体系**：构建了涵盖综合指数、底层资产指数（如产权类、特许经营权类）和细分项目指数（如生态环保、交通基础设施、园区基础设施等）的完整REITs指数系列[50][55]。 量化因子与构建方式 1. **因子名称：ESG基金主题分类因子**[71] * **因子构建思路**：根据基金投资策略对ESG（环境、社会、治理）三个维度的覆盖程度和侧重点，将市场上的ESG相关基金进行系统性的分类，以区分不同的投资策略和主题[71]。 * **因子具体构建过程**： 1. **一级分类**：首先将ESG相关基金分为两大类： * **ESG主题基金**：在投资策略中综合考量环境、社会、治理三方面因素，通常使用ESG整合、负面筛选、正面筛选等方法进行投资标的选择[71]。 * **泛ESG基金**：投资策略仅覆盖ESG中一到两个方面因素，通常进行主题投资[71]。 2. **二级分类（细分主题）**：在两大类下，根据基金名称和投资策略中的关键词进一步细分为不同主题： * **ESG主题基金**：包括“ESG”、“可持续”、“责任投资”主题[71]。 * **环境主题泛ESG基金**：包括“低碳”、“碳中和”、“绿色”、“环境”、“环保”、“气候”、“生态”、“长江保护”等主题[71]。 * **社会主题泛ESG基金**：包括“社会责任”、“扶贫”、“乡村振兴”、“一带一路”、“丝路”、“区域发展”等主题[71]。 * **治理主题泛ESG基金**：包括“公司治理”、“治理”主题[71]。 模型的回测效果 1. **长期行业主题基金指数（截至2026年2月6日当周）**[39] * 消费主题基金，本周净值涨跌幅0.94% * 新能源主题基金，本周净值涨跌幅0.38% * 金融地产主题基金，本周净值涨跌幅-0.03% * 医药主题基金，本周净值涨跌幅-0.61% * 国防军工主题基金，本周净值涨跌幅-1.37% * 行业轮动基金，本周净值涨跌幅-2.23% * 行业均衡基金，本周净值涨跌幅-2.56% * 周期主题基金，本周净值涨跌幅-4.60% * TMT主题基金，本周净值涨跌幅-5.74% 2. **REITs指数系列（基日以来业绩，截至2026年2月6日）**[55] * REITs综合指数，累计收益-2.89%，年化收益-0.63%，最大回撤-42.67%，夏普比率-0.20，年化波动10.43% * 产权类REITs指数，累计收益16.07%，年化收益3.27%，最大回撤-45.00%，夏普比率0.14，年化波动12.67% * 特许经营权类REITs指数，累计收益-24.19%，年化收益-5.80%，最大回撤-41.17%，夏普比率-0.80，年化波动9.12% * 生态环保REITs指数，累计收益-11.07%，年化收益-2.50%，最大回撤-55.72%，夏普比率-0.26，年化波动15.17% * 交通基础设施REITs指数，累计收益-33.88%，年化收益-8.54%，最大回撤-44.19%，夏普比率-1.12，年化波动8.98% * 园区基础设施REITs指数，累计收益-12.24%，年化收益-2.78%，最大回撤-52.07%，夏普比率-0.31，年化波动13.71% * 仓储物流REITs指数，累计收益-0.48%，年化收益-0.10%，最大回撤-50.32%，夏普比率-0.10，年化波动15.41% * 能源基础设施REITs指数，累计收益6.59%，年化收益1.39%，最大回撤-18.41%，夏普比率-0.01，年化波动10.05% * 保障性租赁住房REITs指数，累计收益9.05%，年化收益1.89%，最大回撤-33.34%，夏普比率0.03，年化波动12.36% * 消费基础设施REITs指数，累计收益54.19%，年化收益9.80%，最大回撤-9.89%，夏普比率0.78，年化波动10.69% * 市政设施REITs指数，累计收益16.81%，年化收益3.41%，最大回撤-20.26%，夏普比率0.09，年化波动20.26% * 水利设施REITs指数，累计收益23.61%，年化收益4.68%，最大回撤-21.47%，夏普比率0.20，年化波动16.04% * 新型基础设施REITs指数，累计收益17.85%，年化收益3.61%，最大回撤-3.95%，夏普比率0.17，年化波动12.36% 因子的回测效果 （报告未提供基于ESG基金主题分类因子的量化回测绩效指标，如多空组合收益、IC值、IR等。）

量化模型与构建方式 1. **模型名称：价格分段体系**[8][15] * **模型构建思路**：通过分析价格走势在不同时间周期（如日线、周线）上的形态和趋势，对市场状态进行划分和识别[15]。 * **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和公式，仅展示了其应用结果。从图表[18]来看，该模型可能涉及对指数价格序列进行技术分析，以识别“日线”和“周线”级别的趋势，并与一个名为“dea”的指标进行对比。 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）**[8][16] * **模型构建思路**：通过监测市场中知情交易者（通常指掌握非公开信息或具有信息优势的交易者）的活跃程度，来判断市场情绪和未来走势[16]。 * **模型具体构建过程**：报告未详细说明该指标的具体构建步骤和公式，仅展示了其时间序列变化图[19]。该指标可能基于订单流、大单交易或特定价量数据构建，用以捕捉知情交易行为。 3. **模型名称：基金仓位监测模型**[6][25] * **模型构建思路**：使用数理统计方法估算公募基金等机构的整体持仓比例，以监测市场主力资金的动向[6][25]。 * **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和公式。 量化因子与构建方式 1. **因子名称：BARRA风格因子体系**[23] * **因子构建思路**：采用经典的BARRA风险模型框架，从多个维度（基本面、市场、技术等）刻画股票的风格特征，并计算各风格因子在特定周期内的收益表现[23]。 * **因子具体构建过程**：报告未详细说明每个因子的具体构建公式，但列出了因子名称及其本周收益。涉及的因子包括：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、动量、非线性市值、市值、波动率、贝塔、股息率[23]。这些因子通常基于财务报表数据、市场价格和交易量数据计算得到。 模型的回测效果 （报告中未提供相关量化模型的回测效果指标数据） 因子的回测效果 1. **BARRA风格因子**，本周收益：换手因子0.3%，财务杠杆因子0.2%，盈利波动因子0.1%，盈利质量因子-0.1%，盈利能力因子-0.5%，投资质量因子0.3%，长期反转因子0.3%，EP价值因子-0.2%，BP价值因子-0.4%，成长因子0.2%，动量因子-0.6%，非线性市值因子-0.3%，市值因子-0.2%，波动率因子-0.1%，贝塔因子-0.7%，股息率因子0.5%[23]。

量化模型与因子总结 量化模型与构建方式 1. **模型名称：周期分析模型**[2] * **模型构建思路：** 通过分析经济或市场周期的长度规律，对市场状态进行推断和预测[2] * **模型具体构建过程：** 报告未详细描述该模型的构建过程，但提及了其应用逻辑。模型可能基于历史数据识别市场周期的长度规律，并将当前市场的上涨时间与历史牛市周期进行对比参照，从而推断当前市场所处的周期阶段[2] 2. **模型名称：缠论及趋势分析模型**[13] * **模型构建思路：** 结合缠论技术分析方法和趋势分析，对市场走势进行研判[13] * **模型具体构建过程：** 报告未详细描述该模型的构建过程，仅提及了其分析结果以图表形式展示[13] 量化因子与构建方式 1. **因子名称：综合趋势因子**[2] * **因子构建思路：** 综合多项技术指标或市场信息，用以衡量市场的整体趋势强度[2] * **因子具体构建过程：** 报告未详细描述该因子的具体构建公式和过程，仅提及该因子是周期分析模型的组成部分，其表现被用来评估市场趋势的稳健性[2] 模型的回测效果 *报告未提供任何量化模型或量化因子的具体回测效果指标取值（如年化收益率、夏普比率、最大回撤、信息比率IR等）。* 因子的回测效果 *报告未提供任何量化模型或量化因子的具体回测效果指标取值（如IC值、IR、多空收益等）。*

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[4][16] * **模型构建思路**：通过综合评估宏观基本面、估值面、情绪面和流动性四个维度的多个指标，生成对A股市场的短期（周度）择时信号[14][16]。 * **模型具体构建过程**： 1. **指标选取与信号生成**：选取四个一级维度下的多个二级指标，每个指标根据其当前值在过去5年历史数据中的分位数，被赋予“乐观”、“中性”或“谨慎”的定性信号[14][15][16]。 * **基本面**：包含制造业PMI是否大于50、信贷脉冲环比变化分位数、M1同比增速（HP滤波去趋势）分位数[14][17]。 * **估值面**：包含A股整体PE分位数、A股整体PB分位数[15][17]。 * **情绪面**：包含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[15][17]。 * **流动性**：包含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[16][17]。 2. **维度综合**：将每个一级维度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）[14][15][16]。 3. **总仓位信号生成**：将四个一级维度的总体信号进一步综合，生成最终的总仓位信号（例如，以0.5为中性，1.0为乐观，0.0为谨慎）[17][21]。 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[4][22] * **模型构建思路**：通过动态宏观信号、估值回归信号、短期动量信号、风格广度信号和风格拥挤信号等多个维度的信号，综合判断并轮动配置成长与价值风格[22][23]。 * **模型具体构建过程**： 1. **信号维度**：模型包含五个信号维度，每个维度独立生成对成长风格的配置建议（仓位百分比）[23]。 * 动态宏观信号 * 估值回归信号 * 短期动量信号 * 风格广度信号 * 风格拥挤信号 2. **信号综合**：将上述五个维度的信号进行综合，生成最终的成长风格配置仓位。报告中展示了两种综合方式：“无中性仓位”和“5日平均仓位”[23]。 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[4][25] * **模型构建思路**：从流动性、资金面、市场情绪、技术趋势等多个角度选取11个有效轮动指标，构建综合信号来轮动配置大盘与小盘风格[25][27]。 * **模型具体构建过程**： 1. **指标选取**：根据专题报告，选取了11个有效的大小盘轮动指标[25][27]。报告中列举的指标包括： * 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 2. **信号生成与综合**：每个指标独立生成对小盘风格的配置建议（0%或100%）。将所有指标信号进行综合，得到最终的小盘/大盘配置仓位。报告中采用了“综合信号3D平滑”的方式进行综合[27]。 模型的回测效果 1. 短期择时模型 * **回测区间**：2012年底至2026年2月8日[16][18] * **年化收益率**：16.45%[16][18] * **年化波动率**：14.81%[18] * **最大回撤**：15.05%[16][18] * **夏普比率**：0.9681[18] * **收益回撤比**：1.0935[18] * **月度胜率**：66.04%[18] * **基准年化收益率**：4.97%[16][18] * **年化超额收益率**：11.48%[16] 2. 成长价值风格轮动模型 * **回测区间**：2011年至2026年2月6日[22][23] * **模型版本**：综合信号2_5D平均仓位_国证成长价值[23] * **累计收益**：741.18%[23] * **年化收益**：14.47%[22][23] * **年化波动率**：21.44%[23] * **最大回撤**：40.08%[23] * **夏普比率**：0.64[23] * **收益回撤比**：0.36[23] * **基准年化收益**：6.57%[22][23] * **年化超额收益率**：7.90%[22][23] * **月度超额胜率**：66.14%[23] * **年化跟踪误差**：5.89%[23] * **年化信息比率(IR)**：1.34[23] 3. 小盘大盘风格轮动模型 * **回测区间**：2014年至2026年[26][27] * **模型版本**：综合信号3D平滑[27] * **年化收益**：20.61%[27] * **年化超额收益率**：13.18%[27] * **最大回撤**：40.70%[27] * **平均换手间隔（交易日）**：20[27] * **胜率（按交易）**：50.00%[27] 量化因子与构建方式 （报告中未详细描述独立因子的构建过程，主要介绍了用于模型决策的各类指标。） 因子的回测效果 （报告中未提供独立因子的测试结果。）

量化模型与构建方式 **本报告未涉及具体的量化模型或量化因子的构建、测试与评价。** 报告内容主要为市场回顾、技术分析及未来走势推演，未提供任何量化模型或量化因子的名称、构建思路、具体构建过程、公式、定性评价或回测效果数据[1][2][3][4][5][6][7][8][9][10][11][12][13][14][16][17][18][19][21][22][23][24][25][26][27][29][30][31][32][33][34]。 模型的回测效果 **本报告未涉及任何量化模型的回测效果指标。** 量化因子与构建方式 **本报告未涉及任何量化因子的构建与测试。** 因子的回测效果 **本报告未涉及任何量化因子的回测效果指标。**

量化模型与构建方式 1. **模型名称**：风格相对拥挤度模型[127] * **模型构建思路**：通过计算不同风格指数换手率标准化值的差异，来衡量一种风格相对于另一种风格的交易拥挤程度，从而判断其配置风险或性价比[127]。 * **模型具体构建过程**： 1. 分别计算风格A指数和风格B指数的近252日平均换手率[127]。 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[127]。 3. 计算二者差值：差值 = Z-score_A - Z-score_B[127]。 4. 计算该差值序列的滚动6年历史分位数（若历史数据不足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”[127]。 2. **模型名称**：风格累计超额净值模型[128] * **模型构建思路**：以万得全A指数为基准，计算各风格指数的累计超额收益，用以观察风格的长期相对表现[128]。 * **模型具体构建过程**： 1. 设定基准日（例如2020年1月4日）[128]。 2. 将各风格指数及万得全A指数的每日收盘价除以基准日收盘价，得到各自的累计净值[128]。 3. 将各风格指数每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指数的累计超额净值[128]。 3. **模型名称**：机构调研活跃度模型[129] * **模型构建思路**：通过计算板块或行业相对于全市场的机构调研热度分位数，来捕捉市场关注度的变化[129]。 * **模型具体构建过程**： 1. 计算板块（或指数、行业）近n个交易日的“日均机构调研次数”[129]。 2. 将该序列在滚动y年的历史时间序列上进行z-score标准化，并与万得全A指数的标准化结果作差，得到“机构调研活跃度”[129]。 3. 计算“机构调研活跃度”的滚动y年历史分位数[129]。 * **长期口径参数**：n取126（近半年），滚动窗口y为6年（历史数据满3年不足6年时，使用全部历史数据）[129]。 * **短期口径参数**：n取63（近一季度），滚动窗口y为3年（历史数据满1年不足3年时，使用全部历史数据）[129]。 4. **因子名称**：ERP（股权风险溢价）因子[51] * **因子构建思路**：衡量股票市场相对于无风险资产的超额回报预期，用于评估权益资产的配置性价比[51]。 * **因子具体构建过程**：对于特定指数，其ERP计算公式为： $$指数erp = 1 / 指数PE\_TTM – 10年期中债国债到期收益率$$[51] * **因子评价**：ERP越高，代表投资股票的预期超额回报越高，即权益资产的配置性价比越高[51]。 5. **因子名称**：长江动量因子[63] * **因子构建思路**：以过去一年剔除最近一个月的收益率作为动量指标，筛选市场中动量效应强的股票[63]。 * **因子具体构建过程**：首先计算每只股票最近一年的收益率减去最近一个月（剔除涨停板影响）的收益率，以此作为动量指标。然后综合选择A股市场中该动量指标强且流动性相对较高的前100只股票作为成分股，构建指数以表征动量风格[63]。 6. **因子名称**：长江反转因子[63] * **因子构建思路**：以最近一个月的收益率作为筛选指标，捕捉市场中短期反转效应强的股票[63]。 * **因子具体构建过程**：以最近一个月股票收益率作为筛选指标，综合选择A股市场中反转效应强、流动性较好的前100只股票作为成分股，并采用成分股近三个月日均成交量进行加权，构建指数以表征反转风格[63]。 模型的回测效果 （本报告未提供量化模型的历史回测绩效指标，如年化收益率、夏普比率、最大回撤等具体数值。） 量化因子与构建方式 （因子部分已在上方“量化模型与构建方式”中列出。） 因子的回测效果 （本报告未提供单因子测试的绩效指标，如IC、IR、多空收益等具体数值。）

量化模型与构建方式 1. **模型名称：择时体系模型** [5][8][9] * **模型构建思路**：通过计算市场指数（WIND全A）的短期均线与长期均线的相对距离，来判断市场整体所处的趋势环境（上行、下行或震荡）[5][9]。 * **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）和120日移动平均线（长期均线）。 2. 计算两条均线之间的距离（差值），并以百分比形式表示。公式定义为： $$均线距离 = \frac{短期均线值 - 长期均线值}{长期均线值} \times 100\%$$ 3. 设定阈值进行判断：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等于3%时，市场处于震荡格局[5][9]。 2. **模型名称：仓位管理模型** [5][10] * **模型构建思路**：结合市场的估值水平（PE、PB分位数）和短期趋势判断（来自择时体系模型），为绝对收益产品提供股票仓位的配置建议[5][10]。 3. **模型名称：行业趋势配置模型** [5][8][10] * **模型构建思路**：该模型是一个复合模型，包含多个子模型，分别从不同维度（如困境反转、宏观Beta、业绩趋势）对行业进行研判，以提供综合的行业配置方向[5][8][10]。 * **模型具体构建过程**：该模型由三个子模型构成： 1. **中期困境反转预期模型**：用于识别当前处于困境但未来有反转预期的行业（如报告提及的白酒与地产），并等待其反转信号的出现[5][8][10]。 2. **TWO BETA模型**：基于宏观风险因子（贝塔）分析，推荐与特定宏观环境（如科技产业周期）相匹配的板块（如科技板块）[5][8][10]。 3. **业绩趋势模型**：基于行业或产业链的业绩增长趋势进行筛选，提示重点关注高景气或业绩有望改善的方向（如算力产业链、超跌的有色与化工板块）[5][8][10]。 模型的回测效果 （报告中未提供各模型具体的历史回测指标数值，如年化收益率、夏普比率、最大回撤等。） 量化因子与构建方式 1. **因子名称：均线距离因子** [5][9] * **因子构建思路**：作为择时体系模型的核心输入，该因子衡量市场短期动量与长期趋势的偏离程度[5][9]。 * **因子具体构建过程**： 1. 取标的指数（WIND全A）的每日收盘价。 2. 分别计算其20日简单移动平均（MA20）和120日简单移动平均（MA120）。 3. 计算均线距离因子值，公式为： $$均线距离因子值 = \frac{MA20 - MA120}{MA120} \times 100\%$$ 2. **因子名称：估值分位数因子（PE、PB）** [5][10][11][13] * **因子构建思路**：用于评估市场或指数的估值水平，通过计算当前估值指标（PE或PB）在其自身历史数据中所处的位置（分位数），来判断估值的高低[5][10]。 * **因子具体构建过程**： 1. 选取标的指数（如WIND全A）。 2. 计算其历史每日的市盈率（PE）和市净率（PB）。 3. 对于当前时点的PE（或PB）值，计算其在过去一段历史时期（例如报告中数据自2014年10月17日起）所有PE（或PB）值序列中的分位数。 4. 分位数越高，代表当前估值相对自身历史水平越高[12][14]。 3. **因子名称：赚钱效应因子** [5][8][9] * **因子构建思路**：反映市场近期的盈利状况，是判断市场趋势的辅助指标[5][9]。 * **因子具体构建过程**：（报告未详细说明其计算方式，仅提及该因子的当前数值。通常可定义为一定周期内上涨股票数量占比或指数累计涨幅等。） 4. **因子名称：成交量触底信号因子** [5][8][10] * **因子构建思路**：将市场成交量与一个预设的极值阈值（如2万亿元）进行比较，以判断市场情绪是否达到短期冰点，可能预示着反弹机会[5][8][10]。 * **因子具体构建过程**：监测市场（如沪深两市）的每日总成交金额，当成交金额接近或低于预设的阈值（报告中为2万亿）时，触发“触底信号”[5][8][10]。 因子的回测效果 （报告中未提供各因子具体的历史测试指标数值，如IC值、IR、多空收益等。）

量化模型与构建方式 1. **模型名称：时间序列PB-ROE模型[1][8][14]** * **模型构建思路：** 基于Wilcox & Philips(2005)提出的时间序列PB-ROE模型，用于分析指数（市场整体）的估值与基本面关系[8][14]。该模型认为，市场指数的合理估值（对数市净率）应与其净资产收益率（ROE）、实际利率和通货膨胀率等基本面因素呈线性关系[14]。 * **模型具体构建过程：** 使用市场整体的周度数据，对以下模型进行回归，以估计基本面合理估值[8][14]。 * 模型公式为： $$Ln(P/B)=a+b\cdot ROE+C\cdot RealInterest+d\cdot Inflation$$[8][14] * 其中，`Ln(P/B)` 是市场整体市净率（P/B）的自然对数，`ROE` 是市场整体的净资产收益率，`RealInterest` 是实际利率，`Inflation` 是通货膨胀率[14]。`a, b, c, d` 为模型回归系数[14]。 * 通过回归得到拟合值后，计算残差（Residual），即实际观测到的 `Ln(P/B)` 与模型拟合的合理值之间的差值[1][8]。 * **模型评价：** 该模型将估值分解为基本面驱动部分和情绪驱动部分，为市场情绪和风险偏好的度量提供了一个量化框架[1]。 2. **因子名称：PB-ROE估值偏离度[1][8][15]** * **因子构建思路：** 将时间序列PB-ROE模型的回归残差定义为“PB-ROE估值偏离度”，用以衡量市场实际估值相对于基本面合理估值的偏离程度，反映市场情绪[1][8][15]。 * **因子具体构建过程：** * 首先，如上述模型构建过程所述，通过回归得到残差（Residual）[1][8]。 * 将该残差直接定义为 **PB-ROE估值偏离度** [1][8]。 * 当偏离度 > 0 时，表示实际PB高于基本面合理值，市场情绪高涨，风险偏好提升[1][9][15]。 * 当偏离度 < 0 时，表示实际PB低于基本面合理值，市场情绪低迷，风险偏好下降[1][9][15]。 * **因子评价：** 该因子是模型的核心输出，将抽象的“市场情绪”和“估值泡沫/洼地”概念进行了量化，并验证了与未来短期市场收益的相关性[9][15][18]。 模型的回测效果 （注：报告未提供具体模型（如回归模型本身）的统计拟合优度、显著性等回测指标，故本部分省略。） 因子的回测效果 1. **PB-ROE估值偏离度因子** * **与未来收益的相关性：** 在A股市场的历史数据检验中，PB-ROE估值偏离度与未来第1周（下周）的指数涨幅总体呈显著正相关[2][9][15]。 * **分组收益表现：** 将估值偏离度升序分为4组，估值偏离度最高的第4组未来第1周涨幅显著最高，体现了正相关性（动量效应）；估值偏离度较低的组也有正收益，表明低估值时存在安全边际和投资机会[18][21]。 * **仓位择时效果：** 基于该因子构建的周度仓位择时策略（以因子历史均值±1倍标准差为信号阈值），历史回测显示能够有效降低回撤、提高收益[19][22]。 基于因子构建的仓位配置规则 1. **规则名称：基于PB-ROE估值偏离度的四档仓位规则[2][10][19]** * **规则构建思路：** 利用PB-ROE估值偏离度因子的历史统计分布（均值和标准差），设定明确的阈值来划分不同的市场情绪和估值状态，并对应建议不同的仓位水平[2][10][19]。 * **规则具体构建过程：** * 计算PB-ROE估值偏离度因子的历史均值（`mean`）和标准差（`std`）[10]。 * 设定以下仓位信号规则[19]： * **高仓位 (80%-100%)：** 当 `估值偏离度 > mean + 1 * std` 时[3][11][19]。 * **低仓位：** 当 `mean < 估值偏离度 < mean + 1 * std` 时[19]。 * **中等仓位：** 当 `mean - 1 * std < 估值偏离度 < mean` 时[19]。 * **中高仓位：** 当 `估值偏离度 < mean - 1 * std` 时[19]。 * **规则评价：** 该规则将连续的因子信号转化为离散的、可操作的战术仓位建议，逻辑清晰，旨在市场情绪极度高涨时保持高仓位享受动量，在估值明显偏低时增加仓位以利用安全边际[2][9][19]。 * **规则应用示例：** 截至2026/2/6，市场整体PB-ROE估值偏离度为0.159，超过历史均值+1倍标准差，故模型建议当周(2026/2/9-2026/2/13)采用高仓位(80%-100%)[3][11]。