量化模型与构建方式 1. **模型名称：稀疏自编码择时模型 (Sparse Auto Encoder, SAE)**[7] * **模型构建思路**：针对指数择时数据量少、噪声高、特征有效性波动大的问题，对标准自编码器进行改进，通过引入稀疏化惩罚和自回归损失，使模型能够自动进行特征筛选和信息提纯，提高鲁棒性和抗过拟合能力，以学习指数涨跌规律[2][7][11]。 * **模型具体构建过程**： 1. **模型结构**：模型分为稀疏自编码器和预测器两部分[8]。 2. **编码与解码**：输入特征 $x_i$ 通过编码器（Encoder）压缩为低维编码 $code_i$，再通过解码器（Decoder）重构为 $\hat{x}_i$[8]。 3. **预测**：将编码器输出的隐藏层特征 $res_i$ 通过预测器（Predictor）得到未来收益率的预测值 $\hat{y}_i$[8]。 4. **损失函数**：总损失函数由预测损失、自回归损失和稀疏化惩罚三部分加权构成，公式如下： $$Loss=\frac{1}{N}\sum\nolimits_{i=1}^{N}\left(\mathcal{J}(y_{i},{\hat{y}}_{i})+\lambda_{1}\mathcal{L}\left(x_{i},{\hat{x}}_{i}\right)+\lambda_{2}SparseLoss(code_{i})\right)$$ 其中，$\mathcal{J}$ 和 $\mathcal{L}$ 为距离度量函数（如MSE），$\lambda_1$ 和 $\lambda_2$ 为超参数，$SparseLoss$ 为稀疏化惩罚项[9][12]。 5. **稀疏化惩罚**：可采用KL散度形式，公式如下： $$\sum_{i}\left[\rho\mathrm{log}{\frac{\rho}{\rho_{i}}}+(1-\rho)\mathrm{log}({\frac{1-\rho}{1-\rho_{i}}})\right]$$ 其中 $\rho_i$ 为第 $i$ 个神经元在批次样本中的平均激活值，$\rho$ 为设定的稀疏化参数[12][13]。 6. **训练方式**：采用年度滚动增量训练，每次训练取五组不同随机种子（seed）的结果进行平均，以生成样本外预测信号[13][15]。 * **模型评价**：模型训练过程较为稳定，但存在一定的随机性，不过随机性对最终结果的影响可能有限[2][23][26]。 2. **预处理方法：小波变换去噪** * **构建思路**：为了降低金融量价时序数据中的噪声含量，缓解神经网络因数据量不足导致的过拟合风险，采用小波变换对数据进行分解重构，保留长期趋势、中期波动和短期震荡成分，过滤掉噪声[19]。 * **具体构建过程**： 1. 选取父小波 $\varphi$ 和母小波 $\psi$ 函数，它们彼此正交[19]。 2. 定义 $j$ 阶小波函数： $\varphi_{jk}=2^{-j/2}\varphi(2^{-j}-k)$ $\psi_{jk}=2^{-j/2}\psi(2^{-j}-k)$[19] 3. 将标准化后的时间序列 $x(t)$ 通过小波函数投影进行多级分解与重建，本算法级别 $J$ 取值为4。重建公式为： $$x(t)=\sum\nolimits_{k}s_{j,k}\varphi_{j,k}+\sum\nolimits_{k}d_{j,k}\psi_{j,k}+\ldots+\sum\nolimits_{k}d_{1,k}\psi_{1,k}$$ 其中系数通过以下公式计算： $S_{J,k}=\int\varphi_{J,k}x(s)ds$ $d_{j,k}=\int\psi_{J,k}x(s)ds$[20] 4. 将去噪后的数据作为稀疏自编码模型的输入[21]。 3. **输入特征集** * **构建思路**：使用基于指数日K线字段（高开低收、成交额、成交量）构建的常见技术特征作为模型输入，涵盖不同时间尺度信息，未进行人工筛选以避免过拟合[16][18]。 * **具体特征**：共计92个特征，分为四大类： 1. **基础K线量价字段**：如标准化价格、换手率、振幅及其滚动统计量（均值、分位数）[16]。 2. **均线及相对位置指标**：如滚动N日均线、不同周期均线相对位置[16]。 3. **波动率类指标**：如滚动N日收益率及换手率波动率[16]。 4. **基础技术指标**：如不同参数的RSI、OBV、MACD等。其中： * RSI = (N日内收盘涨幅绝对值之和) / (N日内收盘跌幅绝对值之和)[16] * OBV = N日内收盘涨跌符号乘以换手率之和[16] * MACD计算方式：DIF=12日EMA-26日EMA，DEA=DIF的9日EMA，MACD指标=DIF-DEA[16][17] 模型的回测效果 （回测区间：2020年1月1日至2025年12月31日，交易规则：根据T日收盘信号于T+1日收盘价交易，不考虑费用[27]） 1. **中证500指数择时策略 (阈值k=0.2%)** * **多空策略**：年化收益43.86%，年化波动率21.21%，夏普比率2.07，最大回撤-14.00%，Calmar比率3.13[29]。 * **只做多策略**：年化收益23.30%，年化波动率16.82%，夏普比率1.39，最大回撤-16.04%，Calmar比率1.45[33]。 * **只做空策略**：年化收益16.68%，年化波动率13.04%，夏普比率1.28，最大回撤-14.30%，Calmar比率1.17[34]。 2. **中证1000指数择时策略 (阈值k=0.2%)** * **多空策略**：年化收益50.47%，交易次数246次，胜率54.64%，最大回撤-30.03%[43]。 * **只做多策略**：年化收益26.00%，年化波动率18.49%，夏普比率1.41，最大回撤-22.08%，Calmar比率1.18[46]。 * **只做空策略**：年化收益20.01%，年化波动率15.73%，夏普比率1.27，最大回撤-19.85%，Calmar比率1.01[47]。 3. **其他宽基指数只做多策略** * **中证2000指数**：年化收益32.56%，年化波动率20.13%，夏普比率1.62，最大回撤-25.59%，Calmar比率1.27[55]。 * **中证全指**：年化收益18.83%，年化波动率14.90%，夏普比率1.26，最大回撤-16.95%，Calmar比率1.11[56]。

量化模型与构建方式 1. **模型名称：券商金股业绩增强组合**[12][40][44] * **模型构建思路**：以券商金股股票池为选股空间和约束基准，通过多因子方式从中优选股票，旨在获得稳定战胜偏股混合型基金指数的表现[12][40][44]。 * **模型具体构建过程**：该模型采用组合优化的方式进行构建。具体步骤包括：1) 以每月汇总的券商金股作为初始股票池[12][19]。2) 以全体公募基金的行业分布作为行业配置基准[44]。3) 采用多因子选股模型（具体因子未在本文详述，但提及为多因子方式）从股票池中优选个股[12]。4) 通过组合优化控制最终组合与初始券商金股股票池在个股、风格上的偏离[44]。 * **模型评价**：历史表现稳健，能够较好地跟踪并增强偏股混合型基金指数的表现[12][44]。 模型的回测效果 1. **券商金股业绩增强组合（考虑仓位）**，年化收益21.71%[45]，相对偏股混合型基金指数年化超额收益14.18%[45]，在主动股基中排名分位点（2018-2025年基本在前30%水平）[45]。 2. **券商金股业绩增强组合（满仓）**，全样本（2018-2025）年化收益24.19%[48]，相对中证500指数年化超额收益21.86%[48]。 3. **券商金股业绩增强组合（本月）**，绝对收益11.47%[5][43]，相对偏股混合型基金指数超额收益4.15%[5][43]，在主动股基中排名16.69%分位点（621/3721）[5][43]。 4. **券商金股业绩增强组合（本年）**，绝对收益11.47%[5][43]，相对偏股混合型基金指数超额收益4.15%[5][43]。 量化因子与构建方式 1. **因子名称：总市值**[3][31] * **因子表现评价**：最近一个月及今年以来，在券商金股股票池中表现较好[3][31]。 2. **因子名称：单季度净利润增速**[3][31] * **因子表现评价**：最近一个月及今年以来，在券商金股股票池中表现较好[3][31]。 3. **因子名称：分析师净上调比例**[3][31] * **因子表现评价**：最近一个月及今年以来，在券商金股股票池中表现较好[3][31]。 4. **因子名称：盈余公告后跳空超额**[3][31] * **因子表现评价**：最近一个月及今年以来，在券商金股股票池中表现较差[3][31]。 5. **因子名称：单季度ROE**[3][31] * **因子表现评价**：最近一个月及今年以来，在券商金股股票池中表现较差[3][31]。 6. **因子名称：日内收益率**[3][31] * **因子表现评价**：最近一个月及今年以来，在券商金股股票池中表现较差[3][31]。 因子的回测效果 （报告未提供各因子的具体指标数值，仅提供了定性排序和表现评价）

量化模型与构建方式 根据提供的研报内容，报告主要对ETF市场进行数据统计和描述性分析，并未涉及具体的量化预测模型（如多因子选股模型、风险模型等）或用于预测收益的量化因子的构建。报告的核心是呈现ETF市场的各类表现、规模、估值和资金流数据。 量化因子与构建方式 报告中没有构建用于预测未来收益的量化因子。但报告在分析ETF市场时，计算和使用了多个**统计指标**来描述市场状态。这些指标可以视为市场状态的描述性因子，其构建思路和过程如下： 1. **因子名称**：ETF周度收益率[1][12] * **因子构建思路**：计算各类别ETF在指定周期内的价格变动幅度，以衡量其短期业绩表现[12]。 * **因子具体构建过程**：使用ETF的单位复权净值进行计算。对于上周（2026年01月26日至2026年01月30日），计算每只股票型ETF的周度收益率，然后统计特定类别（如宽基、板块、主题）内所有ETF收益率的中位数作为该类别的代表值[12]。公式为： $$R_{i, week} = \frac{NAV_{i, end} - NAV_{i, start}}{NAV_{i, start}}$$ 其中，\(R_{i, week}\) 代表第i只ETF的周收益率，\(NAV\) 代表单位复权净值。 2. **因子名称**：ETF净申赎规模[2][27] * **因子构建思路**：通过ETF份额的变动来估算资金的流入流出情况，反映投资者对某类ETF的申购和赎回意愿[27]。 * **因子具体构建过程**：使用ETF上市后当日的份额变动乘以收盘价来近似计算每日的净申赎规模。为了规避份额折算/拆分的影响，份额折算/拆分当日的份额变动设为0。同时，为了排除分红对基金规模的影响，在计算规模变动时剔除了分红导致的基金规模变动[27]。公式为： $$NetFlow_{t} = (Shares_{t} - Shares_{t-1}) \times Price_{t}$$ 其中，\(NetFlow_{t}\) 为第t日的净申赎资金流（正值表示净申购，负值表示净赎回），\(Shares\) 为ETF份额，\(Price\) 为收盘价。报告中对上周数据进行了加总统计[2][27]。 3. **因子名称**：ETF基准指数估值历史分位数[3][33] * **因子构建思路**：通过计算当前估值在历史序列中的位置，来判断各类别ETF估值所处的相对水平（高或低）[33]。 * **因子具体构建过程**：首先，获取每日各类别内所有ETF基准指数的市盈率（PE）或市净率（PB）。然后，计算该类指数估值的中位数作为该类ETF的当日估值代表值。接着，将该中位数与过去5年的历史数据进行比较，计算其历史分位数[33]。例如，对于市盈率分位数： $$PE\_Percentile_{category, t} = \frac{rank(PE\_median_{category, t})}{N}$$ 其中，\(rank\) 表示当前市盈率中位数在历史N个数据（过去5年）中的升序排名，N为历史数据总数。 4. **因子名称**：ETF融资融券活跃度指标[4][47][48] * **因子构建思路**：通过融资买入额和融券卖出量来观察市场对特定ETF的杠杆做多和做空活跃程度[47][48]。 * **因子具体构建过程**：统计指定周期（如上周一至周四）内，股票型ETF的日均融资买入额和日均融券卖出量。对单只ETF，其日均融资买入额为周期内每日融资买入额的平均值；日均融券卖出量为周期内每日融券卖出量的平均值[47][48]。报告列出了这些指标最高的前10只ETF。 模型的回测效果 报告未涉及量化模型，因此无模型回测效果。 因子的回测效果 报告中的描述性因子主要用于展示市场现状，并未提供其在历史样本外的预测能力测试结果（如IC、IR、多空收益等）。报告仅提供了这些因子在**最新一期**（2026年01月26日至01月30日）的具体取值，如下所示： 1. **ETF周度收益率因子**，股票型ETF周度收益率中位数：-1.20%[1][12] * 上证50ETF涨跌幅中位数：1.13%[1][12] * 沪深300ETF涨跌幅中位数：0.09%[12] * 大金融ETF涨跌幅中位数：0.06%[1][16] * 酒ETF涨跌幅中位数：2.39%[1][16] * 商品型ETF涨跌幅中位数：4.56%[12] * 债券型ETF涨跌幅中位数：0.04%[12] * 跨境型ETF涨跌幅中位数：0.04%[12] * 货币型ETF涨跌幅中位数：0.02%[12] 2. **ETF净申赎规模因子**，上周股票型ETF净赎回：3247.33亿元[2][27] * 科创板ETF净赎回：9.35亿元[2][27] * 沪深300ETF净赎回：2446.13亿元[27] * 周期ETF净申购：386.15亿元[2][30] * 芯片ETF净申购：111.56亿元[2][30] 3. **ETF基准指数估值历史分位数因子**（截至上周五） * **市盈率分位数**： * 上证50ETF：83.33%[33] * 创业板类ETF：66.75%[33] * 科创板ETF：90.26%[35] * 大金融板块ETF：23.35%[39] * 消费板块ETF：24.01%[39] * 光伏主题ETF：99.34%[42] * **市净率分位数**： * 上证50ETF：63.94%[35] * 创业板类ETF：68.15%[35] * AI主题ETF：100.00%[42] * 新能车主题ETF：估值分位数明显降低（定性描述）[3][42] 4. **ETF融资融券活跃度指标**（上周一至周四日均值） * **日均融资买入额最高**：中证500ETF（8.97亿元）、沪深300ETF（8.46亿元）[47][48] * **日均融券卖出量最高**：中证1000ETF（18.36万手）、上证50ETF（5.75万手）[48][50]

量化模型与构建方式 1. **模型名称：长期行业主题基金标签与指数模型**[39] * **模型构建思路**：为主动偏股基金构建完整的行业主题和细分赛道标签，以支持资产配置、主题投资和产品选择需求，并构建相应的行业主题基金指数作为衡量工具[39]。 * **模型具体构建过程**： 1. **数据来源**：使用基金在近四期（即最近两年）的中报和年报持仓信息[39]。 2. **标签定义**：根据基金的长期行业配置特征，将其划分为三类长期行业标签： * **行业主题基金**：长期稳定配置于特定行业的基金。 * **行业轮动基金**：在不同时期切换重点配置行业的基金。 * **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**：基于上述标签分类，构建相应的行业主题基金指数（如周期、金融地产、TMT、消费、医药、新能源、国防军工等），以及行业轮动和行业均衡基金指数，以反映各类主题基金的整体表现[39]。 * **模型评价**：该模型为投资者提供了衡量主题基金风险收益情况的工具，有助于定位细分赛道优质产品[39]。 2. **模型名称：公募REITs系列指数模型**[50] * **模型构建思路**：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、项目类型的细分指数，为资产配置提供新视角[50]。 * **模型具体构建过程**： 1. **指数类型**：构建包括REITs综合指数、底层资产指数（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）在内的完整指数系列[50]。 2. **指数特性**：考虑到REITs的高分红特性，同时提供价格指数和全收益指数[50]。 3. **计算方法**： * 采用**分级靠档**的方法确保计算指数的份额保持相对稳定[50]。 * 当样本成分名单或样本成分的调整市值出现非交易因素变动（如新发、扩募）时，采用**除数修正法**保证指数的连续性[50]。 4. **业绩指标**：指数提供包括累计收益、年化收益、最大回撤、夏普比率、年化波动率在内的多项业绩指标[55]。 量化因子与构建方式 1. **因子名称：多因子ETF分类因子群**[63] * **因子构建思路**：在ETF市场跟踪中，将股票型ETF按照其跟踪指数的编制逻辑或投资主题，细分为基于不同量化因子的类别，以分析各类因子的市场表现和资金流向[63]。 * **因子具体构建过程**：报告将国内股票ETF中的“多因子”类别进一步细分为多个具体因子类别，包括： * **现金流因子**：跟踪以自由现金流等现金流指标为核心选股因子的ETF[63]。 * **价值因子**：跟踪以估值指标为核心选股因子的ETF[63]。 * **成长因子**：跟踪以成长性指标为核心选股因子的ETF[63]。 * **质量因子**：跟踪以盈利能力、财务稳健性等质量指标为核心选股因子的ETF[63]。 * **低波因子**：跟踪以低波动率指标为核心选股因子的ETF[63]。 * **基本面因子**：跟踪以综合基本面指标为核心选股因子的ETF[63]。 * **动量因子**：跟踪以价格动量指标为核心选股因子的ETF[63]。 * **红利因子**：跟踪以股息率等红利指标为核心选股因子的ETF[63]。 模型的回测效果 1. **长期行业主题基金指数模型**，截至2026年1月30日当周，各主题基金净值涨跌幅为：周期主题3.30%，金融地产主题2.35%，TMT主题-0.25%，消费主题-0.41%，行业轮动主题-0.46%，行业均衡主题-0.53%，医药主题-3.57%，新能源主题-4.80%，国防军工主题-6.11%[2][39]。 2. **公募REITs系列指数模型**，截至2026年1月30日当周及基日以来业绩指标如下[55]： * **REITs综合指数**：本周收益0.73%，累计收益-1.84%，年化收益-0.40%，最大回撤-42.67%，夏普比率-0.18，年化波动10.45%。 * **产权类REITs指数**：本周收益0.72%，累计收益17.65%，年化收益3.59%，最大回撤-45.00%，夏普比率0.16，年化波动12.69%。 * **特许经营权类REITs指数**：本周收益0.74%，累计收益-23.87%，年化收益-5.74%，最大回撤-41.17%，夏普比率-0.79，年化波动9.14%。 * **生态环保REITs指数**：本周收益0.26%，累计收益-10.49%，年化收益-2.37%，最大回撤-55.72%，夏普比率-0.25，年化波动15.20%。 * **交通基础设施REITs指数**：本周收益0.75%，累计收益-33.68%，年化收益-8.52%，最大回撤-44.19%，夏普比率-1.11，年化波动9.00%。 * **园区基础设施REITs指数**：本周收益1.10%，累计收益-11.07%，年化收益-2.51%，最大回撤-52.07%，夏普比率-0.29，年化波动13.73%。 * **仓储物流REITs指数**：本周收益0.66%，累计收益0.68%，年化收益0.15%，最大回撤-50.32%，夏普比率-0.09，年化波动15.43%。 * **能源基础设施REITs指数**：本周收益1.44%，累计收益7.04%，年化收益1.49%，最大回撤-18.41%，夏普比率0.00，年化波动10.07%。 * **保障性租赁住房REITs指数**：本周收益0.58%，累计收益10.34%，年化收益2.15%，最大回撤-33.34%，夏普比率0.05，年化波动12.39%。 * **消费基础设施REITs指数**：本周收益0.42%，累计收益57.15%，年化收益10.29%，最大回撤-9.89%，夏普比率0.83，年化波动10.62%。 * **市政设施REITs指数**：本周收益-0.48%，累计收益19.29%，年化收益3.90%，最大回撤-20.26%，夏普比率0.12，年化波动20.31%。 * **水利设施REITs指数**：本周收益2.07%，累计收益24.33%，年化收益4.83%，最大回撤-21.47%，夏普比率0.21，年化波动16.13%。 * **新型基础设施REITs指数**：本周收益-0.47%，累计收益19.53%，年化收益3.94%，最大回撤-3.95%，夏普比率0.19，年化波动12.53%。 因子的回测效果 1. **多因子ETF分类因子群**，截至2026年1月30日当周表现如下[63]： * **现金流因子ETF**：本周回报1.81%，近1月回报8.10%，今年以来回报8.11%。 * **价值因子ETF**：本周回报0.41%，近1月回报6.00%，今年以来回报6.19%。 * **成长因子ETF**：本周回报-1.46%，近1月回报7.55%，今年以来回报8.36%。 * **质量因子ETF**：本周回报-1.11%，近1月回报9.96%，今年以来回报10.20%。 * **低波因子ETF**：本周回报-1.70%，近1月回报2.93%，今年以来回报3.66%。 * **基本面因子ETF**：本周回报-0.29%，近1月回报2.55%，今年以来回报2.87%。 * **动量因子ETF**：本周回报1.98%，近1月回报-1.72%，今年以来回报0.66%。 * **红利因子ETF**：本周回报1.56%，近1月回报1.75%，今年以来回报1.90%。

量化模型与构建方式 1. **模型/因子名称**：风险溢价模型[27][28] * **构建思路**：以十年期国债即期收益率为无风险利率的参考，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[27]。 * **具体构建过程**：风险溢价的计算公式为指数收益率减去无风险利率。报告中以各宽基指数的收益率（通常为预期收益率或历史收益率，具体未明确）减去十年期国债即期收益率得到风险溢价[27][28]。具体公式为： $$风险溢价 = 指数收益率 - 十年期国债即期收益率$$ * **模型评价**：各跟踪指数的风险溢价有明显的均值复归现象，其中中证1000和中证2000的风险溢价波动率相对较大[28]。上证50的风险溢价分布更集中，而中证1000、中证2000和创业板指的风险溢价分布较分散，不确定性相对更大[34]。 2. **模型/因子名称**：股债性价比模型[46] * **构建思路**：以各指数市盈率（PE-TTM）的倒数和十年期国债即期收益率之差构建股债性价比指标，用于观察股票与债券资产的相对吸引力[46]。 * **具体构建过程**：股债性价比的计算公式为指数市盈率（PE-TTM）的倒数减去十年期国债即期收益率[46]。具体公式为： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 3. **模型/因子名称**：破净率模型[54][56] * **构建思路**：计算指数成分股中市净率小于1的个股数量占比，用以反映市场的整体估值态度和悲观情绪[54][56]。 * **具体构建过程**：首先，计算指数内每只成分股的市净率（股价/每股净资产）。然后，统计市净率小于1的个股数量。最后，用该数量除以指数成分股总数，得到破净率[54][56]。具体公式为： $$破净率 = \frac{指数内市净率 < 1 的个股数量}{指数成分股总数量} \times 100\%$$ * **模型评价**：破净意味着股票价格跌破公司每股净资产值，破净率越高，表明市场低估的情况越普遍；破净率越低，可能表明市场对未来发展持乐观态度[54][56]。 量化因子与构建方式 1. **因子名称**：均线比较因子[15] * **构建思路**：通过比较指数当前价格与不同周期移动平均线（MA）的位置关系，判断指数的短期、中期趋势[15]。 * **具体构建过程**：计算指数收盘价的5日（MA5）、10日（MA10）、20日（MA20）、60日（MA60）、120日（MA120）、250日（MA250）简单移动平均线。将当前收盘价与各均线值进行比较，计算偏离百分比，判断指数是“突破”还是“跌破”该均线[15][16]。具体公式为： $$vsMA_N = \frac{收盘价 - MA_N}{MA_N} \times 100\%$$ 其中，N代表均线周期（如5，10，20等）。 2. **因子名称**：峰度与偏度因子[24][25] * **构建思路**：通过计算指数日收益率分布的峰度和偏度，描述收益率分布的集中程度和形态偏向，以分析市场极端收益出现的概率和分布特征的变化[24]。 * **具体构建过程**：首先，获取指数近一年及近5年（或近6年除去近一年）的日收益率序列[19][22]。然后，分别计算这两个时间窗口内收益率序列的峰度（衡量分布尖峭程度）和偏度（衡量分布对称性）。报告中峰度计算减去了3（正态分布峰度）[25]。通过比较当前值（近一年）与近5年历史值的差异（当前vs.近5年），观察分布形态的变化[24][25]。 3. **因子名称**：股息率因子[48] * **构建思路**：计算指数整体的股息率，反映其现金分红回报率，用于跟踪红利投资风格，并在市场低迷时期作为观察指标[48]。 * **具体构建过程**：指数股息率通常通过汇总成分股现金分红并除以指数总市值来计算。报告中使用该指标观察各宽基指数的股息率走势和变化趋势[48]。 模型的回测效果 1. **风险溢价模型**，当前风险溢价：上证50为-1.44%，沪深300为-1.01%，中证500为-1.74%，中证1000为-0.94%，中证2000为-0.13%，中证全指为-0.97%，创业板指为1.26%[31]；近1年分位值：上证50为3.57%，沪深300为5.95%，中证500为3.57%，中证1000为17.46%，中证2000为36.90%，中证全指为9.52%，创业板指为75.79%[31]；近5年分位值：上证50为7.14%，沪深300为13.49%，中证500为6.90%，中证1000为21.43%，中证2000为42.46%，中证全指为15.40%，创业板指为81.11%[31]。 2. **股债性价比模型**，当前状态：没有指数高于其近5年80%分位（机会值），中证500和中证全指低于其近5年20%分位（危险值）[46]。 3. **破净率模型**，当前破净率：上证50为24.0%，沪深300为16.67%，中证500为10.6%，中证1000为6.7%，中证2000为2.4%，中证全指为5.44%[57]。 因子的回测效果 1. **均线比较因子**，当前状态：创业板指突破20日均线；除创业板指外，其余指数全数跌破5日均线；除上证50和创业板指外，其余指数同时跌破10日均线；上证50和沪深300跌破20日均线[15]。 2. **峰度与偏度因子**，当前峰度vs.近5年：上证50为-1.83，沪深300为-1.81，中证500为-1.51，中证1000为-1.63，中证2000为-2.13，中证全指为-1.84，创业板指为-2.60[25]；当前偏度vs.近5年：上证50为-0.51，沪深300为-0.44，中证500为-0.40，中证1000为-0.45，中证2000为-0.51，中证全指为-0.47，创业板指为-0.62[25]。 3. **PE-TTM因子**，当前值：上证50为11.72，沪深300为14.19，中证500为38.05，中证1000为50.75，中证2000为168.71，中证全指为22.44，创业板指为43.30[43]；近5年历史分位值：上证50为83.39%，沪深300为87.77%，中证500为99.50%，中证1000为99.42%，中证2000为91.24%，中证全指为99.01%，创业板指为64.05%[42][43]。 4. **股息率因子**，当前值：上证50为3.21%，沪深300为2.72%，中证500为1.24%，中证1000为0.99%，中证2000为0.71%，中证全指为1.92%，创业板指为0.87%[53]；近5年历史分位值：上证50为31.65%，沪深300为34.88%，中证500为3.80%，中证1000为23.72%，中证2000为2.81%，中证全指为26.03%，创业板指为55.79%[51][53]。

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**[29] * **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[29] * **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，仅提及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》[29] 2. **模型名称：A股情绪指数系统**[34] * **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[34] * **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[34] 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，其余象限均为显著正收益[34] 3. 基于此规律，分别构造了A股情绪见底预警指数和见顶预警指数[34] 4. 综合两个预警指数的信号（多/空）得出对后市的整体观点[37][39] 3. **模型名称：主题挖掘算法**[44] * **模型构建思路**：通过处理新闻和研报文本，挖掘主题投资机会[44] * **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[44] 4. **模型名称：中证500增强组合模型**[44] * **模型构建思路**：通过量化模型构建投资组合，旨在持续跑赢中证500指数基准[44] * **模型具体构建过程**：报告未详细描述该增强模型的具体因子构成和权重配置方法，仅展示了根据策略模型生成的持仓明细[47][48][50] 5. **模型名称：沪深300增强组合模型**[51] * **模型构建思路**：通过量化模型构建投资组合，旨在持续跑赢沪深300指数基准[51] * **模型具体构建过程**：报告未详细描述该增强模型的具体因子构成和权重配置方法，仅展示了根据策略模型生成的持仓明细[52][54] 6. **模型名称：风格因子模型（BARRA框架）**[56] * **模型构建思路**：参照BARRA因子模型框架，构建一套用于描述A股市场风格特征的因子体系，用于风格分析、收益归因和组合管理[56] * **模型具体构建过程**：报告列出了所构建的十大类风格因子，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）[56] 模型的回测效果 1. **A股情绪指数系统**，择时表现参见图表17[41] 2. **中证500增强组合模型**，本周收益-3.16%，跑输基准0.60%[44]；2020年至今，相对中证500指数超额收益45.98%，最大回撤-10.07%[44] 3. **沪深300增强组合模型**，本周收益率-0.31%，跑输基准0.39%[51]；2020年至今，相对沪深300指数超额收益45.14%，最大回撤-5.86%[51] 量化因子与构建方式 1. **因子名称：行业因子**[57] * **因子构建思路**：用于捕捉特定行业相对于市场市值加权组合的超额收益[57] * **因子具体构建过程**：报告未详细描述行业因子的具体构建方法 2. **因子名称：市值因子（SIZE）**[56] * **因子构建思路**：衡量公司规模大小的风格因子[56] * **因子具体构建过程**：报告未给出具体计算公式 3. **因子名称：BETA因子**[56] * **因子构建思路**：衡量股票相对于市场波动敏感度的风格因子[56] * **因子具体构建过程**：报告未给出具体计算公式 4. **因子名称：动量因子（MOM）**[56] * **因子构建思路**：衡量股票价格趋势强弱的风格因子[56] * **因子具体构建过程**：报告未给出具体计算公式 5. **因子名称：残差波动率因子（RESVOL）**[56] * **因子构建思路**：衡量股票特异性风险的风格因子[56] * **因子具体构建过程**：报告未给出具体计算公式 6. **因子名称：非线性市值因子（NLSIZE）**[56] * **因子构建思路**：用于捕捉市值因子中非线性部分影响的风格因子[56] * **因子具体构建过程**：报告未给出具体计算公式 7. **因子名称：估值因子（BTOP）**[56] * **因子构建思路**：通常指市净率的倒数，衡量股票价值属性的风格因子[56] * **因子具体构建过程**：报告未给出具体计算公式 8. **因子名称：流动性因子（LIQUIDITY）**[56] * **因子构建思路**：衡量股票交易活跃程度或交易成本高低的风格因子[56] * **因子具体构建过程**：报告未给出具体计算公式 9. **因子名称：盈利因子（EARNINGS_YIELD）**[56] * **因子构建思路**：衡量公司盈利能力的风格因子，如市盈率的倒数[56] * **因子具体构建过程**：报告未给出具体计算公式 10. **因子名称：成长因子（GROWTH）**[56] * **因子构建思路**：衡量公司成长性的风格因子，如营收或利润增长率[56] * **因子具体构建过程**：报告未给出具体计算公式 11. **因子名称：杠杆因子（LVRG）**[56] * **因子构建思路**：衡量公司财务杠杆水平的风格因子[56] * **因子具体构建过程**：报告未给出具体计算公式 因子的回测效果 1. **行业因子**，本周石油石化、有色金属、煤炭等行业因子跑出较高超额收益；国防军工、汽车、电力设备等行业因子回撤较多[57] 2. **风格因子**，本周动量因子超额收益较高，Beta因子呈较为显著的负向超额收益[57]；从近期表现看，高价值股（估值因子）表现优异，市值因子表现不佳[57] 3. **风格因子暴露相关性**，近一周数据显示，流动性因子分别与Beta、动量、残差波动率因子呈现明显正相关性；价值因子分别与Beta、残差波动率、流动性等因子呈现明显负相关性[57][58]

量化模型与构建方式 1. **模型名称：热点趋势ETF轮动策略** [31] * **模型构建思路**：基于K线形态识别上涨趋势，并引入短期市场关注度指标，筛选出具有动量效应且市场热度提升的ETF构建组合[31]。 * **模型具体构建过程**： 1. **形态筛选**：筛选出最高价与最低价同时呈现上涨形态的ETF[31]。 2. **构建支撑阻力因子**：计算最高价与最低价近20日的回归系数，根据其相对陡峭程度构建因子[31]。 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10只ETF，即短期市场关注度明显提升的标的[31]。 4. **组合构建**：对选出的10只ETF采用风险平价方法构建投资组合[31]。 2. **模型名称：ETF三策略融合轮动模型** [34][35] * **模型构建思路**：将三种不同逻辑（基本面、风格、反转）的行业轮动策略等权融合，以实现因子与风格互补，降低单一策略风险[34][35]。 * **模型具体构建过程**： 1. **策略构建**：分别构建三个独立的子策略： * **行业轮动策略**：基于超预期景气度、行业龙头效应、行业动量、拥挤度、通胀beta等核心因子[35]。 * **个股风格驱动策略**：基于个股动量、个股质量、个股波动率等核心因子[35]。 * **困境反转策略**：基于PB_zscore、分析师长期预期、短期筹码交换等核心因子[35]。 2. **策略融合**：将三个子策略的选股结果进行等权组合，形成最终的ETF轮动组合[34]。 3. **模型名称：资金流共振策略** [44][46][48] * **模型构建思路**：结合融资融券资金流和主动大单资金流，寻找两种资金流产生共振效应的行业进行推荐[44][46][48]。 * **模型具体构建过程**： 1. **构建融资融券资金因子**：计算个股的融资净买入-融券净卖出，加总至行业层面。用Barra市值因子进行中性化，取最近50日均值，再计算其两周环比变化率[46]。 2. **构建主动大单资金因子**：计算行业层面的主动大单净流入，用最近一年成交量时序进行中性化，得到排序分位数，再取最近10日均值[46]。 3. **信号生成**：在主动大单因子打分较高的行业中，剔除融资融券因子打分也较高的行业（根据市场状态，融资融券因子多头端可能有稳定的负向超额收益），最终筛选出两种资金流产生正向共振的行业作为多头推荐[46][48]。 4. **模型名称：全天候配置模型** [53] * **模型构建思路**：通过分散化的资产选择和结构化的风险对冲设计，绕过宏观预测，实现长期稳健的绝对收益[53]。 * **模型具体构建过程**：模型采用循环对冲设计对冲构型，核心在于资产选择、风险调整和结构对冲[53]。报告提及两个版本： * **高波版**：采用“四层结构化-股债金风险平价”方法[55]。 * **低波版**：采用“五层结构化-风险预算”方法[57]。 模型的回测效果 1. **热点趋势ETF轮动策略**，2025年以来收益率61.41%，相比沪深300指数的超额收益为38.22%[31]。 2. **ETF三策略融合轮动模型**，自2017年4月10日至2026年1月30日，组合收益率12.24%，夏普率0.74，2026年以来收益率1.44%[39][41]。 3. **全天候配置模型（高波版）**，截至2025年，年化收益率11.8%，年平均最大回撤3.6%，夏普比率2.3；2026年以来收益率2.9%[61]。 4. **全天候配置模型（低波版）**，截至2025年，年化收益率8.8%，年平均最大回撤2.0%，夏普比率3.4；2026年以来收益率0.9%[61]。 量化因子与构建方式 1. **因子名称：支撑阻力因子** [31] * **因子构建思路**：通过K线最高价与最低价近期的回归斜率，衡量价格趋势的陡峭程度，作为支撑或阻力的度量[31]。 * **因子具体构建过程**：分别对ETF的最高价序列和最低价序列进行近20日的线性回归，根据两个回归系数的相对大小或组合来构建因子[31]。 2. **因子名称：短期关注度因子** [31] * **因子构建思路**：用短期换手率相对于中期换手率的提升幅度，捕捉市场关注度的突然变化[31]。 * **因子具体构建过程**：计算因子值 = 近5日换手率 / 近20日换手率[31]。 3. **因子名称：行业融资融券资金因子** [46] * **因子构建思路**：衡量经过市值中性化处理后的行业层面两融资金净流入的近期变化趋势[46]。 * **因子具体构建过程**： 1. 计算个股两融资金流：融资净买入 - 融券净卖出[46]。 2. 加总至行业层面[46]。 3. 使用Barra市值因子对行业资金流进行横截面中性化处理[46]。 4. 计算中性化后序列的最近50日移动平均值[46]。 5. 计算该50日均值的两周环比变化率作为最终因子值[46]。 4. **因子名称：行业主动大单资金因子** [46] * **因子构建思路**：衡量经过成交量时序中性化处理后的行业主动大单净流入强度[46]。 * **因子具体构建过程**： 1. 计算行业主动大单净流入[46]。 2. 使用行业最近一年的成交量时间序列进行回归，以消除成交量趋势的影响，得到残差作为中性化后的净流入[46]。 3. 将中性化后的净流入在横截面上转换为排序分位数[46]。 4. 取该排序分位数的最近10日移动平均值作为最终因子值[46]。 5. **风格因子组** [63][67] * **因子构建思路**：报告跟踪了一系列常见的风格因子，包括市值、贝塔、动量、波动率、非线性市值、价值、流动性、盈利收益率、成长、杠杆[67]。 * **因子具体构建过程**：报告未详细描述每个因子的具体计算公式，但提及除规模因子仅进行行业中性化外，其他因子均进行了市值和行业中性化处理[65]。 6. **Alpha因子组** [66][68][70][71] * **因子构建思路**：从不同时间维度、不同市值板块观察各类因子的选股能力，因子均进行了市值和行业中性化处理（规模因子除外）[65][66]。 * **因子具体构建过程**：报告列出了多个Alpha因子，部分示例如下： * **收益波动类**：`return_std_12m`（十二个月收益标准差）、`return_std_6m`（六个月收益标准差）[68]。 * **换手波动类**：`turnover_std_6m`（六个月换手率标准差）[68]。 * **换手率类**：`turnover_mean_6m`（六个月平均换手率）、`swap_1m`（近21交易日平均换手率的自然对数）[68]。 * **估值类**：`ep`（市盈率倒数）、`ep_de`（扣除非经常损益的净利润_TTM/总市值）、`sp`（市销率倒数）[68]。 * **质量类**：`ocfp`（经营现金流_TTM/总市值）[68]。 * **成长与预期类**：`yoy_np_q_adv`（单季度净利润同比增长（考虑快报、预告））、`roa_q_delta_adv`（单季度ROA同比差值（考虑快报、预告））、`mom1_np_fy1`（一致预期净利润变化）[71]。 * **研发类**：`tot_rd_ttm_to_equity`（研发净资产占比）[71]。 * **分析师类**：`est_num_diff`（评级上下调差/评级上下调和）[71]。 因子的回测效果 1. **风格因子（最近一周表现）**，盈利收益率因子收益3.24%，价值因子收益2.67%，杠杆因子收益1.32%，流动性因子收益-3.57%，波动率因子收益-2.35%，贝塔因子收益-2.97%[63][67]。 2. **Alpha因子（近一周多头超额收益）**，`return_std_12m`因子2.40%，`return_std_6m`因子2.37%，`turnover_std_6m`因子2.20%，`ep_de`因子1.81%，`ep`因子1.78%[68]。 3. **Alpha因子（最近一年在不同指数中的多头超额收益）** [71]： * **沪深300中**：`roa_q_delta_adv`因子31.22%，`est_num_diff`因子29.23%，`yoy_np_q_adv`因子25.97%。 * **中证500中**：`tot_rd_ttm_to_equity`因子18.26%，`tot_rd_ttm_to_sales`因子14.01%。 * **中证800中**：`mom1_np_fy1`因子28.39%，`tot_rd_ttm_to_assets`因子26.03%。 * **中证1000中**：`yoy_np_q_adv`因子21.71%，`tot_rd_ttm_to_sales`因子19.60%。

量化模型与因子总结 量化模型与构建方式 1. **模型名称：商品融合策略** * **模型构建思路：** 针对商品市场常见的基本面、carry、动量等风险溢价，构建了三个子策略模拟组合，并采用等权方式融合成一个综合策略[19]。 * **模型具体构建过程：** 首先，分别构建商品期限结构、商品时序动量、商品截面仓单三个独立的模拟组合。然后，将这三个子策略的持仓或收益进行等权重合并，形成最终的“商品融合策略”[19]。 2. **模型名称：商品期限结构模拟组合** * **模型构建思路：** 基于展期收益率因子来刻画商品的升贴水状态，动态做多展期收益率高的品种，做空展期收益率低的品种，以捕捉期限结构带来的风险溢价[23]。 * **模型具体构建过程：** 报告未详细说明展期收益率的计算方法和具体的交易规则。其核心是计算每个商品的展期收益率因子，并根据该因子的排序或数值大小进行多空配置[23]。 3. **模型名称：商品时序动量模拟组合** * **模型构建思路：** 基于多个技术指标刻画境内商品的中长期趋势，动态做多趋势上涨的资产，做空趋势下跌的资产，以捕捉动量效应[23]。 * **模型具体构建过程：** 报告未详细说明所使用的具体技术指标、计算周期以及交易信号生成规则。其核心是综合多个技术指标判断商品价格趋势，并根据趋势方向进行多空配置[23]。 4. **模型名称：商品截面仓单模拟组合** * **模型构建思路：** 基于仓单因子刻画境内商品基本面的变化情况，动态做多仓单下降的资产，做空仓单增长的资产，以捕捉基本面供需变化带来的收益[23]。 * **模型具体构建过程：** 报告未详细说明仓单因子的具体计算方式（如变化率、相对水平等）和交易触发阈值。其核心是监控各商品仓单数据的变化，并根据仓单的增减方向进行多空配置[23]。 量化因子与构建方式 1. **因子名称：展期收益率因子** * **因子的构建思路：** 用于衡量商品期货合约的期限结构，即近月合约与远月合约的价格关系，反映市场的现货紧张程度和持有收益[23]。 * **因子具体构建过程：** 报告未给出具体的计算公式。通常，展期收益率（Roll Yield）可近似计算为近月合约价格与次近月合约价格的对数收益率，或通过更复杂的模型计算持有至到期的预期收益。公式示意如下： $$RollYield \approx ln(\frac{P_{near}}{P_{next}})$$ 其中，$P_{near}$ 代表近月合约价格，$P_{next}$ 代表次近月合约价格[23]。 2. **因子名称：仓单因子** * **因子的构建思路：** 用于刻画商品现货市场的基本面供需状况，仓单下降通常意味着现货需求旺盛或供给紧张，反之则相反[23]。 * **因子具体构建过程：** 报告未给出具体的计算公式。该因子通常基于交易所公布的注册仓单数量，可能计算其绝对变化量、环比变化率或与历史水平的比较[23]。 3. **因子名称：金银比价** * **因子的构建思路：** 通过计算黄金价格与白银价格的比值，来观察贵金属内部的相对强弱关系，并作为判断白银短期风险的指标[2][9]。 * **因子具体构建过程：** 使用海外市场的黄金和白银价格进行计算。具体公式为： $$金银比价 = \frac{黄金价格}{白银价格}$$ 报告指出，当该比值处于50附近时，可能预示着短期白银风险会快速上升[2][9]。 模型的回测效果 (注：以下回测结果基于报告所述特定时间窗口，如“近两周”、“今年以来”等) 1. **商品融合策略** * 近两周收益：0.09%[1][22] * 今年以来收益：0.02%[1][24] * 历史年化收益（示例）：2010年11.67%，2020年14.60%，2025年3.66%[24] 2. **商品期限结构模拟组合** * 近两周收益：-0.42%[22][25] * 今年以来收益：0.04%[25][28] * 历史年化收益（示例）：2010年8.74%，2020年10.81%，2025年9.27%[28] 3. **商品时序动量模拟组合** * 近两周收益：1.79%[1][22][30] * 今年以来收益：2.17%[1][30] * 历史年化收益（示例）：2007年13.92%，2020年15.11%，2025年-3.50%[31] 4. **商品截面仓单模拟组合** * 近两周收益：-1.11%[22][35] * 今年以来收益：-2.15%[35][38] * 历史年化收益（示例）：2010年18.18%，2020年17.72%，2025年5.51%[38] 因子的回测效果 (注：报告未提供因子在标准化测试（如IC、IR、多空收益）下的具体数值结果，仅提供了基于因子构建的策略表现和因子观察值) 1. **金银比价因子** * 截至2025-01-30最新取值：48.28[9] * 观察结论：当该因子处于50附近时，历史数据显示短期白银风险可能快速上升[2][9]。

量化模型与构建方式 1. **模型名称：价格分段体系**[7][14] * **模型构建思路**：通过技术分析方法，对指数价格走势进行不同时间周期（如日线、周线）的划分和识别，以判断当前市场所处的趋势阶段[14]。 * **模型具体构建过程**：报告未详细描述该模型的构建算法，仅展示了其应用结果。从图表来看，该模型可能涉及对指数价格序列进行分段处理，并计算类似DEA（差离值）的指标来辅助判断。图表中同时绘制了日线级别和周期级别的分段结果，以及dea指标线[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）**[7][15] * **模型构建思路**：通过分析市场微观结构数据（推测为高频或订单流数据），构建反映“知情交易者”活跃程度的指标，用于判断市场情绪和未来走势[15]。 * **模型具体构建过程**：报告未给出该指标的具体计算公式和构建步骤，仅提及该指标基于对市场微观结构的分析[15]。其数值变化被用于解读知情交易者对后市的看法[15]。 3. **模型/因子名称：风险偏好指数**[13] * **模型构建思路**：利用ETF资金流数据构建一个综合指数，用以衡量和监测市场整体的风险偏好水平[13]。 * **模型具体构建过程**：报告未提供该指数的具体构建公式和计算过程，仅说明其数据来源为ETF资金流，并提及使用“ETF资金流-涨跌幅间的滚动10日平均相关系数”作为辅助判断信号质量的指标[13]。 4. **因子列表：BARRA风格因子体系**[22] * **因子构建思路**：采用经典的BARRA多因子模型框架，从多个维度（如价值、成长、动量、市值、波动率等）刻画股票的风格特征，并计算这些因子在特定周期内的收益表现[22]。 * **因子具体构建过程**：报告未详细描述每个因子的具体计算公式。它直接引用了BARRA风格因子的分类和名称，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、股息率等[22]。报告通过跟踪这些因子在最近一周和上周的收益，来监测市场风格偏好[22]。 模型的回测效果 （报告中未提供所述模型的量化回测效果指标，如年化收益率、夏普比率、最大回撤等。） 量化因子与构建方式 1. **因子名称：乖离率（应用于黄金）**[12] * **因子构建思路**：衡量当前价格与其移动平均线的偏离程度，用于判断资产是否超买或超卖[12]。 * **因子具体构建过程**：以伦敦金现价格为例，计算其与60日移动平均线的乖离率。报告虽未给出通用公式，但该指标的标准计算公式可表示为： $$乖离率(BIAS) = \frac{当前价格 - N日移动平均价}{N日移动平均价} \times 100\%$$ 其中，N为周期参数，报告中提及的是60日[12]。 2. **因子名称：ETF资金流-涨跌幅滚动相关系数**[13] * **因子构建思路**：计算ETF资金流数据与市场涨跌幅之间在滚动窗口内的相关系数，用以评估配置资金动向对市场短期走势的影响程度或模型信号的干扰情况[13]。 * **因子具体构建过程**：报告未给出具体计算公式。其构建思路是在一个滚动时间窗口（报告中为10日）内，计算每日ETF资金流序列与市场指数涨跌幅序列的相关系数，并取平均值或观察其趋势[13]。 3. **因子名称：行业融资融券净买入额**[19][21] * **因子构建思路**：在行业维度上，计算融资净买入与融券净卖出之间的差额，用以观察杠杆资金在行业间的流向和偏好[19]。 * **因子具体构建过程**：对于每个行业，在特定周期（报告中为本周）内，计算： $$行业融资融券净买入额 = 融资净买入额 - 融券净卖出额$$ 该值为正表示融资资金净流入该行业，为负表示净流出[19][21]。 因子的回测效果 1. **BARRA风格因子**，本周收益：换手 -0.6%，财务杠杆 0.1%，盈利波动 -0.2%，盈利质量 -0.1%，盈利能力 0.8%，投资质量 -0.2%，长期反转 0.0%，EP价值 0.1%，BP价值 0.3%，成长 -0.1%，动量 0.2%，非线性市值 -0.2%，市值 -0.1%，波动率 0.4%，股息率 0.2%[22]。 2. **BARRA风格因子**，上周收益：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%，股息率 -0.1%[22]。

量化模型总结 量化模型与构建方式 1. **模型名称：市场趋势择时模型**[2][5][7] * **模型构建思路**：通过计算WIND全A指数的短期均线（20日）与长期均线（120日）之间的距离（百分比），来判断市场整体是处于上行趋势还是震荡格局[2][7]。 * **模型具体构建过程**： 1. 计算WIND全A指数的20日移动平均线（MA20）和120日移动平均线（MA120）。 2. 计算两条均线之间的距离（百分比差值），公式为： $$距离 = \frac{MA20 - MA120}{MA120} \times 100\%$$ 3. 根据距离绝对值设定阈值进行判断：当距离绝对值大于3%时，市场处于上行趋势；否则可能处于震荡格局[2][7]。 2. **模型名称：仓位管理模型**[2][9] * **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，为绝对收益产品提供股票仓位的配置建议[2][9]。 * **模型具体构建过程**：报告未详细描述该模型的具体计算过程和权重分配规则，仅展示了其输出结果。模型会综合估值指标（如PE位于90分位点，PB位于50分位点）和趋势判断，给出具体的仓位建议比例[9]。 3. **模型名称：行业趋势配置模型**[2][6][8] * **模型构建思路**：这是一个复合模型，整合了多个子模型的信号，用于进行行业配置方向的判断[2][6]。 * **模型具体构建过程**：该模型本身未给出具体构建公式，但其包含以下三个子模型，并综合它们的输出进行推荐： * **中期困境反转预期模型**：用于识别如白酒、地产等具有困境反转潜力的行业，当前模型显示需继续等待反转信号[2][6][8]。 * **TWO BETA模型**：用于推荐科技板块等，当前模型继续推荐科技板块，并关注商业航天的反弹机会[2][6][8]。 * **业绩趋势模型**：用于提示业绩高景气的行业方向，当前模型提示重点关注算力相关产业链，以及周期上游中的工业有色与化工等板块（需等待缩量后的机会）[2][6][8]。 模型的回测效果 （注：本报告为周度观点报告，未提供上述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。） 量化因子总结 量化因子与构建方式 1. **因子名称：均线距离因子**[2][7] * **因子构建思路**：作为趋势的度量，反映短期价格相对于长期平均成本的偏离程度，用于判断市场趋势强度[2][7]。 * **因子具体构建过程**：与市场趋势择时模型的核心计算过程一致。计算WIND全A指数的20日线与120日线的百分比距离，公式为： $$均线距离因子值 = \frac{MA20 - MA120}{MA120} \times 100\%$$ 其中，MA20代表20日移动平均价，MA120代表120日移动平均价[2][7]。 2. **因子名称：估值分位数因子（PE/PB）**[2][9][10][12] * **因子构建思路**：通过计算当前估值（PE或PB）在历史序列中所处的位置（分位数），来判断市场估值水平的高低[9][10][12]。 * **因子具体构建过程**： 1. 获取WIND全A指数历史每日的PE（或PB）数据，时间范围至少覆盖2014年10月17日至当前[11][13]。 2. 计算当前PE（或PB）值在历史全部数据中的百分位排名（分位数）。 3. 根据分位数高低进行定性判断：例如，PE位于90分位点附近属于较高水平，PB位于50分位点属于中等水平[9]。 3. **因子名称：赚钱效应因子**[2][5][8] * **因子构建思路**：在上行趋势中，将“赚钱效应是否为正”作为核心观测指标，用于判断趋势的可持续性[2][5][8]。 * **因子具体构建过程**：报告未给出该因子的明确定义和计算公式。从上下文推断，可能涉及市场指数价格与某一关键趋势线（报告中提及6800点）的相对位置，或与广泛上涨的股票数量比例相关，当因子值在零值边缘时，预示上行趋势可能中止[2][5][8]。 因子的回测效果 （注：本报告未提供上述因子的IC值、IR、多空收益等历史测试结果的具体数值。）