量化模型与因子总结 量化因子与构建方式 1. **因子名称：融资净买入额** * **因子构建思路：** 衡量特定周期内（如一周）融资买入资金与融资偿还资金的净差额，反映市场或个股的融资资金净流入情况[2][32]。 * **因子具体构建过程：** 对于个股或行业，计算指定周期（T周）的融资净买入额。具体为周期内每日融资买入金额减去每日融资偿还金额后的累计值。 $$融资净买入额_{T} = \sum_{t=1}^{T} (融资买入金额_t - 融资偿还金额_t)$$ 其中，t代表周期内的交易日。报告中对行业和个股均计算了该因子[32][48][50]。 2. **因子名称：融券净卖出额** * **因子构建思路：** 衡量特定周期内（如一周）融券卖出数量与融券偿还数量的净差额，反映市场或个股的融券资金净流出情况[2][33]。 * **因子具体构建过程：** 对于个股或行业，计算指定周期（T周）的融券净卖出额。具体为周期内每日融券卖出金额减去每日融券偿还金额后的累计值。 $$融券净卖出额_{T} = \sum_{t=1}^{T} (融券卖出金额_t - 融券偿还金额_t)$$ 其中，t代表周期内的交易日。报告中对行业和个股均计算了该因子[33][51][52]。 3. **因子名称：融资买入额占成交额比例** * **因子构建思路：** 衡量融资买入交易在总市场成交中的活跃度与占比，用于观察杠杆资金对市场或个股交易的参与程度[2][36]。 * **因子具体构建过程：** 对于行业或个股，计算指定周期（T周）的融资买入额占其同期总成交额的比例。通常取周期内的平均值或期末值。 $$融资买入额占成交额比例_{T} = \frac{融资买入额_{T}}{成交额_{T}} \times 100\%$$ 报告中对申万一级行业和个股均计算并展示了该因子[36][38][49][50]。 4. **因子名称：融资余额占流通市值比例** * **因子构建思路：** 衡量未偿还的融资负债规模相对于公司流通市值的大小，用于评估杠杆资金在个股或行业中的存量占比和潜在风险[36]。 * **因子具体构建过程：** 对于行业或个股，在特定时点（如周末），计算其融资余额占其流通市值的比例。 $$融资余额占流通市值比例_{t} = \frac{融资余额_{t}}{流通市值_{t}} \times 100\%$$ 其中，t代表特定日期。报告中对申万一级行业计算了该因子[36][38]。 5. **因子名称：融券卖出额占成交额比例** * **因子构建思路：** 衡量融券卖出交易在总市场成交中的活跃度与占比，用于观察看空资金对市场或个股交易的参与程度[40]。 * **因子具体构建过程：** 对于行业，计算指定周期（T周）的融券卖出额占其同期总成交额的比例。通常取周期内的平均值或期末值。 $$融券卖出额占成交额比例_{T} = \frac{融券卖出额_{T}}{成交额_{T}} \times 100\%$$ 报告中对申万一级行业计算了该因子[40][41]。 6. **因子名称：融券余额占流通市值比例** * **因子构建思路：** 衡量未偿还的融券负债规模相对于公司流通市值的大小，用于评估看空资金在个股或行业中的存量占比[40]。 * **因子具体构建过程：** 对于行业，在特定时点（如周末），计算其融券余额占其流通市值的比例。 $$融券余额占流通市值比例_{t} = \frac{融券余额_{t}}{流通市值_{t}} \times 100\%$$ 其中，t代表特定日期。报告中对申万一级行业计算了该因子[40][41]。 因子的回测效果 > **注：** 本报告为周度数据统计报告，主要展示各因子在报告期（2026年3月4日至3月10日）内的截面数据排名或具体数值，并未提供基于历史数据的长期回测绩效指标（如年化收益率、夏普比率、信息比率IR等）。以下为报告期内各因子的具体取值或排序情况。 1. **融资净买入额因子** * **行业层面取值（前三位）：** 电力设备、石油石化、电子行业融资净买入额较多[2][32]。 * **个股层面取值（前五名）：** 佰维存储(187,642.87万元)、华工科技(176,271.58万元)、亨通光电(113,595.62万元)、德明利(100,458.71万元)、东山精密(96,975.06万元)[48][50]。 2. **融券净卖出额因子** * **行业层面取值（前三位）：** 电力设备、计算机、医药生物行业融券净卖出额较多[2][33]。 * **个股层面取值（前五名）：** 协创数据(1,842.66万元)、比亚迪(1,760.81万元)、万华化学(1,498.54万元)、格力电器(1,380.74万元)、海光信息(1,352.55万元)[51][52]。 3. **融资买入额占成交额比例因子** * **行业层面取值（前三名）：** 非银金融(11.11%)、通信(10.56%)、电子(9.67%)[36][38]。 * **行业层面取值（后三名）：** 轻工制造(4.01%)、纺织服饰(4.31%)、美容护理(5.57%)[36][38]。 * **个股层面取值（前五名）：** 振德医疗(28.26%)、方正证券(24.92%)、圣诺生物(24.31%)、荣昌生物(23.73%)、吉林敖东(22.01%)[49][50]。 4. **融资余额占流通市值比例因子** * **行业层面取值（前三名）：** 计算机(4.11%)、传媒(3.42%)、非银金融(3.28%)[36][38]。 * **行业层面取值（后三名）：** 石油石化(0.71%)、煤炭(0.82%)、银行(0.83%)[36][38]。 5. **融券卖出额占成交额比例因子** * **行业层面取值（前三名）：** 食品饮料(0.08%)、煤炭(0.08%)、银行(0.06%)[40][41]。 * **行业层面取值（后三名）：** 轻工制造(0.01%)、社会服务(0.02%)、环保(0.02%)[40][42]。 6. **融券余额占流通市值比例因子** * **行业层面取值（前三名）：** 传媒(0.02%)、国防军工(0.01%)、医药生物(0.01%)[40][41]。 * **行业层面取值（后三名）：** 银行(0.00%)、轻工制造(0.00%)、纺织服饰(0.00%)[40][41][42]。

量化模型与构建方式 1. **模型名称：宏观资金面信号择时策略**[70] * **模型构建思路**：通过监测外部宏观利率环境（美债收益率）和汇率资金面（人民币汇率）的变化，构建一个综合信号来对A股市场进行择时判断[70]。 * **模型具体构建过程**： 1. **美债信号（长期宏观信号）**：计算10年期美债收益率的18个月移动平均值。当最新收益率低于该均值时，发出偏多信号（+1）；当最新收益率高于该均值时，发出偏空信号（-1）[74][75]。 * 公式：$$Signal_{bond} = \begin{cases} +1, & \text{if } Y_{10Y\_UST} < MA(Y_{10Y\_UST}, 18M) \\ -1, & \text{if } Y_{10Y\_UST} > MA(Y_{10Y\_UST}, 18M) \end{cases}$$ * 其中，$Y_{10Y\_UST}$ 为10年期美债收益率，$MA(\cdot, 18M)$ 表示18个月移动平均。 2. **汇率信号（短期资金信号）**：观察美元兑人民币汇率（USDCNY）的月度变化。若月度涨跌幅为负（人民币升值），则发出偏多信号（+1）；若月度涨跌幅为正（人民币贬值），则发出偏空信号（-1）[76]。 * 公式：$$Signal_{fx} = \begin{cases} +1, & \text{if } \Delta USDCNY_{monthly} < 0 \\ -1, & \text{if } \Delta USDCNY_{monthly} > 0 \end{cases}$$ * 其中，$\Delta USDCNY_{monthly}$ 为USDCNY汇率的月度涨跌幅。 3. **综合信号**：将美债信号与汇率信号结合，形成最终的宏观资金面择时信号。当两者均发出偏多信号时，综合信号为偏多[77]。 量化因子与构建方式 1. **因子名称：股指期货基差比例**[16][22] * **因子构建思路**：通过计算股指期货价格相对于其标的指数现货价格的溢价或折价比例（基差），来反映市场情绪和套利力量[16][24]。 * **因子具体构建过程**：使用股指期货次月合约的结算价与对应标的指数收盘价进行计算[16][22]。 * 公式：$$Basis\ Ratio = \frac{Futures\ Price}{Underlying\ Index\ Price} - 1$$ * 其中，$Futures\ Price$ 为股指期货次月合约价格，$Underlying\ Index\ Price$ 为对应的标的指数价格。结果为正表示升水（期货价格高于现货），为负表示贴水（期货价格低于现货）[22]。 * **因子评价**：该因子是衡量市场情绪、流动性预期和套利成本的重要指标。升水通常表示市场看涨情绪或存在正向套利空间，贴水则可能反映看跌情绪或流动性紧张[24]。 2. **因子名称：国债期货隐含收益率**[41][43] * **因子构建思路**：通过国债期货价格反推出的债券到期收益率，反映期货市场参与者对未来利率水平的预期[33]。 * **因子具体构建过程**：基于国债期货合约的价格，使用债券定价模型反算出的对应期限国债的到期收益率[41][43]。 * 公式：由国债期货价格 $P_{futures}$ 通过债券定价公式反解出到期收益率 $y$，满足 $$P_{futures} = \sum_{i=1}^{n} \frac{CF_i}{(1+y/f)^{t_i}}$$ * 其中，$CF_i$ 为第 $i$ 期现金流，$f$ 为年付息频率，$t_i$ 为第 $i$ 期现金流的时间（年）。 * **因子评价**：该因子是连接期货市场与现货市场利率预期的桥梁。与现货收益率比较，可以反映市场对未来利率走势的乐观或悲观情绪[41]。 3. **因子名称：期权波动率指数（VIX）**[54][56] * **因子构建思路**：通过期权市场价格计算得出的波动率指数，反映市场对未来30天标的资产价格波动率的预期[54]。 * **因子具体构建过程**：通常采用CBOE的VIX计算方法，利用近月和次近月一系列看涨、看跌期权的价格，通过模型计算得出隐含波动率，并加权合成未来30天的预期波动率[56]。 * （报告未给出具体计算公式，仅说明其为反映未来30天波动率预期的指数[54]） * **因子评价**：被称为“恐慌指数”，是衡量市场风险情绪和不确定性程度的关键指标。VIX上升通常伴随市场担忧加剧，下降则反映市场情绪趋于平稳[54][57]。 4. **因子名称：期权持仓量PCR（Put/Call Ratio）**[60] * **因子构建思路**：计算看跌期权（Put）与看涨期权（Call）的持仓量比值，用以衡量市场多空情绪和风险偏好[60]。 * **因子具体构建过程**：选取特定标的（如50ETF、300ETF）的期权合约，统计所有上市合约的看跌期权总持仓量与看涨期权总持仓量，并计算其比值[62][65]。 * 公式：$$PCR_{OI} = \frac{Total\ Put\ Open\ Interest}{Total\ Call\ Open\ Interest}$$ * **因子评价**：PCR上升可能意味着市场避险情绪升温（买入看跌期权保护增多），下降则可能反映市场投机或看涨情绪占优。是观测市场情绪变化的常用指标[60][66]。 模型的回测效果 1. **宏观资金面信号择时策略**[80][83] * 年化收益率：**16.7%**[83] * 年化波动率：**19.2%**[83] * 夏普比率：**0.87**[83] * 最大回撤：**-25.1%**[83] * 信息比率（IR）：**1.21**[83] 因子的回测效果 （注：报告未提供单个因子的独立回测绩效指标，如IC、IR、多空收益等。报告主要展示了各因子在特定时间窗口的观测值，用于定性判断市场状态。）

量化模型与构建方式 1. **模型/因子名称：封板率** [16] * **构建思路：** 用于衡量市场涨停股票的“封板”强度，即那些在盘中触及涨停的股票，最终能够维持涨停至收盘的比例 [16]。 * **具体构建过程：** 1. 筛选上市满3个月以上的股票 [13]。 2. 在指定交易日，统计所有股票中“最高价涨停”的股票数量 [16]。 3. 在步骤2的股票中，统计“收盘价也涨停”的股票数量 [16]。 4. 计算封板率，公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ [16] 2. **模型/因子名称：连板率** [16] * **构建思路：** 用于衡量市场涨停效应的持续性，即前一日涨停的股票，在下一交易日继续涨停的比例 [16]。 * **具体构建过程：** 1. 筛选上市满3个月以上的股票 [16]。 2. 在指定交易日（T日），统计“昨日（T-1日）收盘涨停”的股票数量 [16]。 3. 在步骤2的股票中，统计“今日（T日）收盘也涨停”的股票数量 [16]。 4. 计算连板率，公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ [16] 3. **模型/因子名称：大宗交易折价率** [25] * **构建思路：** 通过计算大宗交易成交价相对于市场价格的折价幅度，来反映大资金的交易情绪和偏好 [25]。 * **具体构建过程：** 1. 获取指定交易日所有大宗交易的“总成交金额” [25]。 2. 计算这些大宗交易“成交份额”按当日市场价格计算的总市值 [25]。 3. 计算折价率，公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ [25] * **公式说明：** 该值为负表示折价交易，绝对值越大表示折价幅度越大 [25]。 4. **模型/因子名称：股指期货年化贴水率** [28] * **构建思路：** 将股指期货主力合约与现货指数之间的基差进行年化处理，以标准化衡量股指期货的升贴水程度，反映市场对未来走势的预期和对冲成本 [28]。 * **具体构建过程：** 1. 计算基差：股指期货价格 - 现货指数价格 [28]。 2. 计算年化贴水率，公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ [28] * **公式说明：** 结果为正表示期货升水，为负表示期货贴水；通过乘以(250/合约剩余交易日数)将日度基差率年化 [28]。 模型的回测效果 *本报告为市场监测日报，未提供量化模型或因子在历史样本外的长期回测绩效指标（如年化收益率、夏普比率、最大回撤、信息比率IR等）。报告主要展示了所构建指标在特定日期的截面或时间序列取值 [2][3][6][7][10][13][16][18][21][22][25][28][30][35][36]。* 量化因子与构建方式 *本报告未涉及用于选股或资产定价的Alpha因子（如价值、动量、质量等）的构建与测试。报告中的“封板率”、“连板率”等更偏向于市场情绪或资金面指标。* 因子的回测效果 *本报告未提供量化因子的IC值、IR、多空收益、分组收益等传统因子测试结果。*

好的，作为一名熟练的金融工程分析师，我将对您提供的研报内容进行分析，总结其中涉及的量化模型与因子。根据我的审阅，这份报告主要是一份市场行情与公司公告的汇总，并未详细阐述任何具体的量化模型或量化因子的构建过程、评价及测试结果[1][3][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36]。 报告内容侧重于： 1. **市场数据**：提供了全球主要股指、商品、汇率、经济数据的表现[1][5][6][17]。 2. **公司动态**：包括IPO进展、财报摘要、股息派发信息等[10][14][15][16]。 3. **个股行情**：列出了港股、A股、美股部分股票的股价、涨跌幅、市盈率（P/E）、市净率（P/B）等基础财务与市场指标[18][20][23][24][25][26][28][29][30][31][33][35]。 4. **价差列表**：展示了A/H股之间的价格差异[33][35]。 **总结如下：** 量化模型与构建方式 报告中未明确描述或构建任何具体的量化投资模型。 模型的回测效果 报告中未提供任何量化模型的回测效果数据。 量化因子与构建方式 报告中未详细阐述任何量化因子的构建思路、具体过程或公式。报告表格中出现的市盈率（P/E）、市净率（P/B）等是通用的估值指标，但报告并未将其作为量化因子进行构建、测试或分析[18][20][23][26]。 因子的回测效果 报告中未提供任何量化因子的测试结果（如IC值、IR、多空收益等）。

量化模型与构建方式 1. **模型名称：优质CoT联合投票策略** [4] * **模型构建思路**：基于从研报中动态提取并验证有效的“投资思维链”，构建多专家投票机制。每条有效的思维链被视为一个“投资专家”，各自对个股进行判断，通过汇总投票结果来筛选最终持仓股票[4][37]。 * **模型具体构建过程**： 1. **思维链提取与验证**：使用大模型从历史研报中提取“驱动因素→推理链条→投资结论”的完整思维链，并进行滚动回测，筛选出信息比率（IR）表现最优的前1/3（最多约7条）作为当期“优质思维链”[4][24][33][34]。 2. **个股符合度判断**：每条优质思维链根据当前截面的个股信息（研报+实时新闻），判断其与自身逻辑的“符合程度”（不符合/较符合/完全符合）并给出置信度打分[4][33][41]。 3. **投票与持仓构建**：每条思维链判断为“完全符合”的个股记为一票。每月初，汇总所有优质思维链的投票，将获得至少3票的股票纳入持仓。若当月无符合持仓条件的股票，则维持上期持仓不变[4][46]。 2. **模型名称：优质CoT加权选股策略** [4] * **模型构建思路**：在联合投票策略的基础上进行优化，根据每条优质思维链的历史表现（信息比率）赋予其不同的权重，表现越好的思维链，其选中的股票得分越高，以此提升策略的风险控制能力[4][58]。 * **模型具体构建过程**： 1. **优质思维链筛选**：与投票策略相同，筛选出信息比率表现最优的前1/3思维链[4][58]。 2. **权重赋值**：根据每条思维链在检验期间的信息比率分位数构建权重，表现越优异，权重越高[58]。 3. **个股得分计算**：每条优质思维链对其判断为“完全符合”的个股，赋予该链对应的权重分数。每月初，汇总每只股票获得的所有权重分数，得到累计得分[58]。 4. **持仓构建**：将累计得分高于设定阈值（报告中为3.5分）的股票纳入持仓。若当月无股票得分超过阈值，则维持上期持仓不变[58]。 模型的回测效果 *测试基准：分析师等权基准，回测区间：2021年1月-2026年1月，费率：千分之三[4][46]* 1. **优质CoT联合投票策略**，年化超额收益率17.16%，年化波动率35.87%，最大回撤43.99%，信息比率（IR）0.48[4][57]。 2. **优质CoT加权选股策略**，年化超额收益率16.21%，年化波动率31.94%，最大回撤44.17%，信息比率（IR）0.51[4][61]。 量化因子与构建方式 *注：本报告的核心是构建基于“思维链”的选股模型，并未构建传统的量化因子。报告将每条“投资思维链”本身视为一种动态的、非结构化的选股逻辑单元，并通过模型化的方式（投票、加权）进行应用。因此，以下总结的是构成模型的底层“思维链”的构建与验证过程。* 1. **因子/逻辑单元名称：主观投资思维链（CoT）** [3][19] * **构建思路**：利用大语言模型（LLM）的思维链（Chain of Thought, CoT）技术，从海量的非结构化卖方研报文本中，自动化提取分析师完整的投资推理逻辑，形成“核心驱动要素→传导路径→投资结论”的逻辑链条[2][3][19]。 * **具体构建过程**： 1. **数据准备与筛选**：收集特定行业（如医药生物）的卖方研报，通过研报筛选器进行行业分类和质量加权（如研报长度、分析师权威性）[24]。 2. **思维链生成**：设计提示词引导大模型（如DeepSeek-R1）阅读研报，要求其识别核心驱动因素（trigger），推导出从驱动因素到投资结论的严密传导路径（CoT），并给出信号强度（signal）打分，生成不少于15条投资推理链条[24][26][29]。 3. **时序处理与更新**：以半年为频率，对思维链组进行合并、补缺和迭代更新。确保每个时间截面的思维链组仅包含该时点及之前的所有信息，避免未来信息泄露，并根据新信息对旧逻辑的信号强度进行自适应衰减[24][26]。 * **因子评价**：该方法能够穿透文本，提取复杂的因果推演逻辑，将非结构化的主观投资框架转化为可量化、可验证的策略信号[2][13][68]。 2. **因子/逻辑单元验证机制：滚动单链回测** [3][33] * **构建思路**：对提取出的每一条投资思维链进行独立的历史回测，定量验证其在不同市场环境下的选股有效性，并动态筛选出当前有效的“优质思维链”[3][33]。 * **具体构建过程**： 1. **信息输入**：对于每个回测截面，为每只个股汇总该时间点的研报信息和实时新闻数据[33]。 2. **符合度判断**：每条思维链基于汇总信息，判断每只个股是否符合自身逻辑，给出“不符合/较符合/完全符合”的定性判断及0%-100%的置信度打分[33][34]。 3. **持仓与绩效计算**：根据阈值（如只持仓“完全符合”的个股）构建该思维链的模拟持仓组合（0-12只），计算其相对于行业基准（如医药全指）的年化超额收益率、跟踪误差和信息比率（IR）[34]。 4. **动态筛选**：根据回测结果（主要是信息比率IR），在每个周期（如半年）筛选出表现最优的思维链组，用于下一周期的选股策略[4][45]。 因子的回测效果 *测试基准：医药全指，测试结果为2025H2截面示例[35]* 1. **新产品研发与商业化进展思维链**，年化超额收益率26.32%，跟踪误差14.33%，信息比率（IR）1.84[35]。 2. **产品结构优化与高端转型思维链**，年化超额收益率22.26%，跟踪误差18.07%，信息比率（IR）1.23[35]。 3. **刚性需求增长与基本面稳固思维链**，年化超额收益率9.78%，跟踪误差11.07%，信息比率（IR）0.88[35]。 4. **产能建设与供应链强化思维链**，年化超额收益率9.35%，跟踪误差20.04%，信息比率（IR）0.47[35]。 5. **销售渠道深化与市场渗透率提升思维链**，年化超额收益率8.40%，跟踪误差18.44%，信息比率（IR）0.46[35]。 *（注：报告中列出了共17条思维链的回测结果，此处仅列举IR较高的前5条作为示例）*

量化模型与构建方式 本报告为市场监测日报，未涉及具体的量化选股模型或多因子模型。报告主要定义并计算了多个用于刻画市场情绪、资金流向及折溢价状态的量化指标（因子）[16][21][25][28]。 1. **因子名称：封板率** [16] * **因子构建思路：** 通过计算盘中触及涨停且最终成功封住涨停的股票比例，来度量市场追涨情绪和涨停板的可靠性[16]。 * **因子具体构建过程：** 1. 选定样本：上市满3个月以上的股票[16]。 2. 计算指标：在交易日T，统计所有样本股中，当日最高价曾达到涨停价且收盘价也为涨停价的股票数量，记为A；统计当日最高价曾达到涨停价的股票总数，记为B[16]。 3. 计算公式： $$封板率 = \frac{A}{B}$$ [16] 其中，A代表最高价涨停且收盘涨停的股票数，B代表最高价涨停的股票数[16]。 2. **因子名称：连板率** [16] * **因子构建思路：** 通过计算连续涨停股票的比例，来度量市场投机情绪的强度和持续性[16]。 * **因子具体构建过程：** 1. 选定样本：上市满3个月以上的股票[16]。 2. 计算指标：在交易日T，统计所有样本股中，在T-1日和T日收盘价均涨停的股票数量，记为C；统计在T-1日收盘涨停的股票总数，记为D[16]。 3. 计算公式： $$连板率 = \frac{C}{D}$$ [16] 其中，C代表连续两日收盘涨停的股票数，D代表昨日收盘涨停的股票数[16]。 3. **因子名称：两融余额占比** [21] * **因子构建思路：** 通过计算融资融券余额占市场总流通市值的比重，来度量杠杆资金在市场中的总体规模和参与度[21]。 * **因子具体构建过程：** 1. 获取数据：截至交易日T的两融余额（融资余额+融券余额），以及同日A股市场的总流通市值[21]。 2. 计算公式： $$两融余额占比 = \frac{两融余额}{总流通市值}$$ [21] 4. **因子名称：两融交易占比** [21] * **因子构建思路：** 通过计算融资买入与融券卖出总额占市场总成交额的比例，来度量杠杆资金交易的活跃程度[21]。 * **因子具体构建过程：** 1. 获取数据：交易日T的融资买入额、融券卖出额以及市场总成交额[21]。 2. 计算公式： $$两融交易占比 = \frac{融资买入额 + 融券卖出额}{市场总成交额}$$ [21] 5. **因子名称：大宗交易折价率** [25] * **因子构建思路：** 通过计算大宗交易成交价相对于市价的折价幅度，来观察大资金的交易意愿和情绪，折价率高可能意味着大股东或机构减持意愿强或急于成交[25]。 * **因子具体构建过程：** 1. 获取数据：交易日T发生的所有大宗交易，记录每笔的成交金额和成交数量，以及对应股票当日的收盘价[25]。 2. 计算总成交金额：汇总当日所有大宗交易的成交金额[25]。 3. 计算按市价计的总市值：对每笔大宗交易，用其成交数量乘以当日该股票收盘价，得到该笔交易按市价计算的价值，然后汇总所有交易[25]。 4. 计算公式： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ [25] 该值为负表示折价交易，绝对值越大表示折价越深[25]。 6. **因子名称：股指期货年化贴水率** [28] * **因子构建思路：** 通过计算股指期货价格相对现货指数的年化基差，来反映市场对未来走势的预期、对冲成本以及市场情绪。贴水（负基差）通常意味着市场情绪偏谨慎或对冲需求旺盛[28]。 * **因子具体构建过程：** 1. 选定合约：选取各股指期货品种的主力合约[28]。 2. 计算基差：基差 = 股指期货价格 - 现货指数价格[28]。 3. 计算公式： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ [28] 其中，“基差/指数价格”为实际基差率，乘以“250/合约剩余交易日数”将其年化，以便于不同期限合约间的比较[28]。结果为负表示贴水，为正表示升水[28]。 因子的回测效果 本报告为日度市场数据跟踪，未提供上述因子的历史回测表现（如IC、IR、多空收益等）。报告仅展示了特定日期（2026年3月10日及前后）相关因子的具体取值或状态[13][16][18][21][22][25][28]。 1. **封板率因子**，2026年3月10日取值：**65%** [13][16] 2. **连板率因子**，2026年3月10日取值：**20%** [13][16] 3. **两融余额占比因子**，截至2026年3月9日取值：**2.6%** [21] 4. **两融交易占比因子**，截至2026年3月9日取值：**9.0%** [21] 5. **大宗交易折价率因子**，2026年3月9日取值：**6.75%** [25]；近半年以来平均值：**7.10%** [25] 6. **股指期货年化贴水率因子** * **上证50**，2026年3月10日取值：**0.46%** [28]；近一年中位数：**0.70%** [28] * **沪深300**，2026年3月10日取值：**7.19%** [28]；近一年中位数：**3.96%** [28] * **中证500**，2026年3月10日取值：**6.21%** [28]；近一年中位数：**10.99%** [28] * **中证1000**，2026年3月10日取值：**13.66%** [28]；近一年中位数：**13.37%** [28]

量化模型与构建方式 1. **模型名称：多资产择时模型**[1][2][5] * **模型构建思路**：该模型是一个基于量化信号的择时模型，旨在预测多种资产（包括国债、股指、商品等）在未来短期内的价格走势方向（看多、调整/看空、震荡）[1][2][5]。 * **模型具体构建过程**： 1. **生成原始信号**：模型首先为每个标的资产计算一个“原始信号”，该信号是一个百分比数值，代表模型对未来短期内资产价格上行的概率估计[5][6]。具体计算方法和所用因子未在报告中详细说明。 2. **计算平滑信号**：对原始信号进行平滑处理，计算其5日移动平均值（MA5），记为“择时信号MA5”[2][5]。 3. **生成交易观点**：根据资产类型和原始信号（或MA5信号）与预设阈值的比较，生成最终的“模型多空观点”[5][6]。 * 对于利率类资产（如国债）：当信号大于60%时，观点为“看空”（报告中表述为“调整”）；当信号小于40%时，观点为“看多”；信号在40%-60%之间时，观点为“震荡”[6]。 * 对于股指类资产：当信号大于60%时，观点为“看多”；当信号小于40%时，观点为“看空”（报告中表述为“调整”）；信号在40%-60%之间时，观点为“震荡”[6]。 * 注：报告中对商品（黄金、原油）的阈值规则未明确说明，但处理逻辑类似。 模型的回测效果 （注：报告未提供模型在历史样本外的综合回测绩效指标，如年化收益率、夏普比率、最大回撤等。仅提供了截至报告日，模型对各个标的资产的最新信号及近期信号序列。） 1. **多资产择时模型**，最新信号及观点如下（数据截至2026-03-10或2026-03-09）[2][5][6]： * **30年国债**：原始信号70.41%，MA5信号57.28%，模型观点为【震荡】。 * **3年AAA中短票**：原始信号43.81%，MA5信号45.71%，模型观点为【震荡】。 * **10年国债**：原始信号16.18%，MA5信号31.73%，模型观点为【看多】。 * **2年国债**：原始信号7.97%，MA5信号14.52%，模型观点为【看多】。 * **万得全A指数**：原始信号86.53%，MA5信号49.03%，模型观点为【震荡】。 * **中证红利全收益指数**：原始信号20.09%，MA5信号20.87%，模型观点为【看多】。 * **恒生科技指数**：原始信号31.25%，MA5信号69.62%，模型观点为【调整】。 * **科创50指数**：原始信号48.43%，MA5信号67.37%，模型观点为【调整】。 * **万得微盘指数**：原始信号23.44%，MA5信号43.76%，模型观点为【震荡】。 * **国证2000指数**：原始信号23.29%，MA5信号52.67%，模型观点为【震荡】。 * **COMEX黄金**：原始信号9.39%，MA5信号8.98%，模型观点为【看多】。 * **IPE布油**：原始信号48.32%，MA5信号22.54%，模型观点为【看多】。

量化模型与构建方式 1. 复合行业轮动因子模型 1.1 基本面景气度复合因子 * **模型名称**：基本面景气度复合行业轮动因子[4][8][14] * **模型构建思路**：从基本面景气度维度，选取资产质量、成长能力、营运能力、盈利水平、议价力等方向的多个有效财务指标，构建复合因子以预测行业未来表现[4][8][14][15]。 * **模型具体构建过程**： 1. **基础数据处理**：以申万一级行业为分类标准，基于行业内个股的财务数据，采用整体法计算行业指标[9][15]。 2. **单因子构建**：构建了12个有效财务指标因子，具体如下[15]： * **TTM应收账款周转率环比增长**：采用近4个季度（TTM）数据计算行业应收账款周转率，再计算环比增长（当季-上季）[17]。 $$行业应收账款周转率 = \frac{\sum 个股营业收入\_TTM}{\sum 个股应收账款\_TTM}$$ * **报告期末流动资产比例同比增长**：采用报告期末数据计算行业流动资产比例，再计算同比增长（当季-上年同季）[18]。 $$行业流动资产比例 = \frac{\sum 个股流动资产\_报告期末}{\sum 个股总资产\_报告期末}$$ * **报告期末速动比率同比增长**：采用报告期末数据计算行业速动比率，再计算同比增长[19]。 $$行业速动比率 = \frac{\sum 个股速动资产\_报告期末}{\sum 个股流动负债\_报告期末}$$ * **TTM存货周转率同比增长**：采用TTM数据计算行业存货周转率，再计算同比增长[20]。 $$行业存货周转率 = \frac{\sum 个股营业成本\_TTM}{\sum 个股库存\_TTM}$$ * **报告期末客户议价力同比增长率**：将应收账款定义为客户议价力，采用报告期末数据计算，再计算同比增长率（当季/上年同季-1）[21]。 * **报告期末供应商议价力环比增长**：将应付账款定义为供应商议价力，采用报告期末数据计算，再计算环比增长[22][23]。 * **TTM营业利润环比增长率**：采用TTM数据计算行业营业利润，再计算环比增长率（当季/上季-1）[24]。 $$行业营业利润 = \sum 个股营业利润\_TTM$$ * **季度营业利润率同比增长**：采用当季数据计算行业营业利润率，再计算同比增长[25]。 * **TTM核心利润环比增长率**：采用TTM数据计算行业核心利润，再计算环比增长率[26]。 * **季度核心利润率同比增长**：采用当季数据计算行业核心利润率，再计算同比增长[27]。 $$行业核心利润率 = \frac{\sum 个股营业收入\_季度 - \sum 个股营业成本\_季度 - \sum 个股其他成本项\_季度}{\sum 个股营业收入\_季度}$$ * **TTM归母扣非净利润环比增长率**：采用TTM数据计算行业归母扣非净利润，再计算环比增长率[28]。 * **TTM净资产收益率（ROE）环比增长**：采用TTM数据计算行业净资产收益率，再计算环比增长[29]。 $$行业净资产收益率 = \frac{\sum 个股扣非归母净利润\_TTM}{\sum 个股净资产\_TTM}$$ * **年内累计销售毛利率同比增长**：采用年内累计数据计算行业销售毛利率，再计算同比增长[30]。 $$行业销售毛利率 = \frac{\sum 个股营业总收入\_年内累计 - \sum 个股营业总成本\_年内累计}{\sum 个股营业总收入\_年内累计}$$ 3. **因子标准化与合成**：对上述有效单因子进行标准化处理，然后以各因子在样本内的IC胜率为权重，加权合成基本面景气度复合因子[13]。 * **模型评价**：该复合因子在全区间内积累了显著的超额收益，但在2024年9月A股反弹后出现短期“低景气反转”特征，随后有效性再次提升[31]。 1.2 超预期水平复合因子 * **模型名称**：超预期水平复合行业轮动因子[4][8][33] * **模型构建思路**：从超预期水平维度，涵盖基于公告的市场预期变化和分析师预期变化两个方面，构建复合因子[4][8][33]。 * **模型具体构建过程**： 1. **基础数据处理**：基于个股公告（正式报告、业绩预告、业绩快报）日期前后的收益变化，以及分析师预期数据，在调仓日按个股流通市值加权得到行业单因子水平[33][35]。 2. **单因子构建**：构建了5个有效因子，具体如下[35]： * **公告前后异常收益**：计算个股盈余公告T日的前n日至后m日的每日超额收益（以中证800为基准）之和。最终选定参数为m=2，n=0，即公告后2日的超额收益之和[36]。 * **净利润预期变动得分**：在个股报告发布日，若未来一年净利润预期较同一分析师上次预期变动超1%计+1分，低于-1%计-1分。在调仓日对个股得分进行60日滚动累计，再以流通市值加权得到行业得分[37]。 * **主营业务收入预期变动得分**：逻辑同净利润预期变动得分，针对主营业务收入预期，滚动累计窗口为20日[38]。 * **报告评级换算**：对行业内所有个股在过去180日内，分析师公开报告的平均评级得分取均值。个股评级得分由研报评级（如买入、卖出）按预设规则换算得出[39]。 * **上调减下调报告评级比例**：计算行业过去180日内，评级上调的研报数量减去评级下调的研报数量，再除以存在前期评级得分的研报总数量[40]。 3. **因子标准化与合成**：对有效单因子标准化后，以各因子IC胜率为权重，加权合成超预期水平复合因子[13]。 * **模型评价**：该复合因子对低景气行业的预判准确性较高。样本外在2022年8月至2023年12月期间有效性降低，但自2024年开始有效性显著提升并持续[41]。 1.3 量价水平复合因子 * **模型名称**：量价水平复合行业轮动因子[4][8][44] * **模型构建思路**：从量价水平维度，基于行业指数的日度数据，构建动量、成交波动和量价背离等因子，侧重行业中长期的动量效应[4][8][44]。 * **模型具体构建过程**： 1. **基础数据**：直接使用申万一级行业指数的日收益、成交量、成交额、换手率等数据[44]。 2. **单因子构建**：构建了7个有效因子，具体如下[44]： * **日内动量**：计算每日收盘价/开盘价作为日内动量指标，对各行业指标值进行10日滚动累计[45]。 * **隔夜动量**：计算每日开盘价/前一日收盘价作为隔夜动量指标，进行40日滚动累计后，对因子值取反（因隔夜涨幅呈反转效应）[46]。 * **移动平均趋势变化**：首先计算行业指数当前收盘价减去过去10日均价，定义为短期动量水平；然后计算该短期动量水平减去其10日前的值[47]。 * **动量期限差**：计算行业指数近10日收益率减去近5日收益率，因子值越高代表长期趋势明确且短期交易不拥挤[48][49]。 * **成交量波动**：计算行业指数过去20日成交量波动率，并取负值。因子值越高代表行业情绪越稳定[50]。 * **成交额波动**：计算行业指数过去20日成交额波动率，并取负值。因子值越高代表行业情绪越稳定[51]。 * **一阶量价背离**：计算成交量一阶变化（今日成交量/昨日成交量-1）与价格一阶变化（日涨跌幅）在40个交易日内Spearman相关系数的负值[52][53]。 $$一阶量价背离因子 = -corr\left(rank\left(\frac{Volume_i}{Volume_{i-1}}-1\right), rank\left(\frac{Close_i}{Open_i}-1\right), 40\right)$$ 3. **因子标准化与合成**：对有效单因子标准化后，以各因子IC胜率为权重，加权合成量价水平复合因子[13]。 * **模型评价**：该复合因子更注重中长期量价延续性。样本外在2024年9月A股反弹后，高景气组上涨弹性不及低景气组，可能与短期动量效应更显著有关[54]。 1.4 资金流强度复合因子 * **模型名称**：资金流强度复合行业轮动因子[4][8][57] * **模型构建思路**：从资金流强度维度，根据行业内个股的资金流入流出数据（按挂单金额分类），汇总得到行业整体资金流强度，以分析不同类型投资者的行为[4][8][57]。 * **模型具体构建过程**： 1. **基础数据**：使用个股资金流向数据，按Wind标准分类（如超大单>100万）[57]。 2. **单因子构建**：构建了3个有效因子，具体如下[57]： * **主动超大单资金流强度**：计算过去10日，行业内所有个股的每日平均主动超大单净流入金额，除以个股平均合计流通市值[58]。 * **主动超大单资金流极端突破**：首先计算行业当日主动超大单净流入金额减去其过去120日均值，再除以其过去120日标准差，得到当日强度；然后计算过去10日该强度的均值[59]。 * **小单资金流稳定性**：首先计算行业当日小单净流入金额减去其过去120日均值，再除以其过去120日标准差，得到当日强度；然后计算过去5日该强度的均值；对所有行业该值进行截面标准化后，取绝对值并取相反数[60][61]。 3. **因子标准化与合成**：对有效单因子标准化后，以各因子IC胜率为权重，加权合成资金流强度复合因子[13]。 * **模型评价**：该因子在2024年9月市场反弹后有效性显著提升，可能与资金流在反弹行情中对行业轮动的主导作用强化有关[62]。 1.5 综合行业轮动因子模型 * **模型名称**：综合行业轮动因子模型[4][13][65] * **模型构建思路**：将上述四个维度的单一视角复合因子（基本面景气度、超预期水平、量价水平、资金流强度）进行等权合成，构建最终的综合行业轮动因子，以提升模型有效性和稳定性[4][13][65]。 * **模型具体构建过程**： 1. **输入因子**：将经过再次标准化处理的四个单一视角复合因子作为输入[13][65]。 2. **合成方法**：对四个输入因子采用等权方式加权，合成最终的综合行业轮动因子[13][65]。 2. ETF行业轮动投资组合模型 * **模型名称**：ETF行业轮动投资组合[4][69] * **模型构建思路**：以前文构建的综合行业轮动模型选出的高景气行业为基础，通过一套ETF产品选定框架，构建可实际交易的ETF投资组合[4][69][70]。 * **模型具体构建过程**： 1. **高景气行业选择**：在每月调仓日，选取综合行业轮动因子排名前6的行业（高景气组）作为下月持仓行业[70][72]。 2. **标的指数筛选**： * 在调仓日，仅纳入存续期满1个月的股票型ETF所跟踪的指数作为备选池[72]。 * 对于每个高景气行业，保留成分股在该行业比例≥50%的指数作为备选指数[70]。 * 计算各备选指数与目标行业过去244个交易日的Spearman相关系数。若存在备选指数，保留相关系数≥80%的指数；若不存在，则保留相关系数排名前5且≥60%的指数[70]。 3. **ETF标的选定**： * 对于每个筛选出的标的指数，保留对应的ETF产品作为备选池[70]。 * 在每个调仓日，计算备选ETF过去1个月的日均成交额和日均流通规模[70]。 * 保留存续≥1个月、日均流通规模≥2亿、且日均成交额最高的ETF产品[70]。 * 若无满足条件的ETF，则用申万一级行业指数替代[71]。 4. **三种选定模式**：针对同一行业可能对应多个ETF的情况，定义了三种产品选定模式[70]： * **相关性优先模式**：选择相关系数最高的标的指数对应的ETF。 * **流动性优先模式**：选择过去1个月日均成交额最高的ETF。 * **收益弹性优先模式**：选择过去1个月收益表现最佳的ETF。 模型的回测效果 1. 单一视角复合因子回测效果（全区间） * **基本面景气度复合因子**：IC均值5.75%， ICIR 24.81%， 高景气组年化收益9.56%， 低景气组年化收益-1.74%[31] * **超预期水平复合因子**：IC均值7.31%， ICIR 28.99%， 高景气组年化收益10.93%， 低景气组年化收益-2.87%[41] * **量价水平复合因子**：IC均值7.16%， ICIR 32.98%， 高景气组年化收益8.65%， 低景气组年化收益-1.22%[54] * **资金流强度复合因子**：IC均值7.18%， ICIR 32.10%， 高景气组年化收益13.79%， 低景气组年化收益1.43%[62] 2. 综合行业轮动因子回测效果（全区间） * **综合行业轮动因子**：IC均值12.54%， ICIR 50.92%， 高景气组年化收益17.84%， 相对中证800指数的多空组合累计年化超额收益14.44%[65] 3. ETF行业轮动投资组合回测效果（2020/01/01 - 2026/02/28） * **ETF轮动组合（相关性优先）**：年化收益率18.78%， 年化波动率22.10%， 最大回撤-39.87%， 夏普比率0.85， 收益回撤比0.47[81] * **ETF轮动组合（流动性优先）**：年化收益率18.57%， 年化波动率23.10%， 最大回撤-40.38%， 夏普比率0.80， 收益回撤比0.46[81] * **ETF轮动组合（收益弹性优先）**：年化收益率21.20%， 年化波动率23.22%， 最大回撤-40.95%， 夏普比率0.91， 收益回撤比0.52[81]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：综合优选策略** * **模型构建思路**：结合基本面与价量要素，在泛科技板块内进行选股。通过双重剔除规避风险，基本面端筛选高质量资产，价量端挖掘“价强量弱”的优质标的[4]。 * **模型具体构建过程**： 1. **建池与剔除**：在泛科技股票池中，首先剔除市值后20%的股票以规避流动性风险，再剔除动量前20%的股票以规避拥挤与反转风险[4]。 2. **基本面因子打分**：聚焦偿债能力、成长能力、营运能力与现金状况四大维度，选取其中表现最优的因子进行综合打分，以寻找高质量资产[4]。 3. **价量因子设计**：基于市场情绪快速轮动的逻辑，采用“隔夜做多+同周期日内做空”的价差策略，并对高成交换手进行负向打分，旨在挖掘上涨阻力较小的“价强量弱”标的[4]。 4. **综合评分**：将基本面因子得分与价量因子得分进行综合，形成最终的选股评分[4]。 模型的回测效果 1. **综合优选策略**，年化收益率29.31%，相对科技100指数年化超额收益率9.94%，夏普比率1.14，相对中证全指年化超额收益率20.63%，信息比率(IR)1.82[4]。 量化因子与构建方式 1. **因子名称：资本收益率** * **因子构建思路**：衡量企业资本投入所产生的收益水平，反映资本利用效率和盈利能力[80]。 * **因子具体构建过程**：报告未给出具体计算公式，但通常为净利润与总资本的比率。 2. **因子名称：营业外收支净额/利润总额** * **因子构建思路**：反映企业利润中非主营业务贡献的程度，用于评估盈利质量[80]。 * **因子具体构建过程**：报告未给出具体计算公式，因子为营业外收支净额除以利润总额。 3. **因子名称：应收账款周转率** * **因子构建思路**：反映企业销售回款效率，是衡量营运能力的重要指标[85]。 * **因子具体构建过程**：报告未给出具体计算公式，通常为营业收入除以平均应收账款余额。 4. **因子名称：现金满足投资比率** * **因子构建思路**：衡量企业经营活动现金流满足投资需求的能力[91]。 * **因子具体构建过程**：报告未给出具体计算公式。 5. **因子名称：全部资产现金回收率** * **因子构建思路**：反映企业全部资产产生现金的能力[91]。 * **因子具体构建过程**：报告未给出具体计算公式。 6. **因子名称：非筹资性现金净流量与负债总额的比率** * **因子构建思路**：衡量企业通过经营活动产生的现金流覆盖总负债的能力，是偿债能力指标[98]。 * **因子具体构建过程**：报告未给出具体计算公式。 7. **因子名称：经营活动产生现金流量净额/负债合计** * **因子构建思路**：衡量企业经营活动现金流对总负债的覆盖程度，是偿债能力指标[98]。 * **因子具体构建过程**：报告未给出具体计算公式。 8. **因子名称：每股收益同比增长** * **因子构建思路**：反映企业每股收益的成长性[104]。 * **因子具体构建过程**：报告未给出具体计算公式。 9. **因子名称：营业总收入同比增长率** * **因子构建思路**：反映企业营业总收入的成长性[104]。 * **因子具体构建过程**：报告未给出具体计算公式。 10. **因子名称：残差波动率 (DASTD)** * **因子构建思路**：衡量股票价格中剔除市场风险（Beta）影响后的特异性波动，低残差波动股票通常被认为风险更小[109]。 * **因子具体构建过程**：报告未给出具体计算公式。通常通过对股票收益率与市场收益率进行回归，取其残差的标准差来计算。 * **因子评价**：该因子在泛科技板块中负向显著，低波动组合持续占优，分组单调性强，具备明显的区分度且低残差波动组合有系统防御优势[4][109]。 11. **因子名称：动量因子（区间收益、区间夏普、隔夜收益、隔夜夏普、日内收益、日内夏普）** * **因子构建思路**：从不同时间维度（如区间、隔夜、日内）捕捉股票的动量效应，使用收益率或夏普比率作为度量[112]。 * **因子具体构建过程**：报告未给出具体计算公式。通常计算特定时间窗口内的收益率或经波动调整后的收益率（夏普比率）。 * **因子评价**：动量效应层面，隔夜收益率及夏普比率正向有效，日内指标稳定性最优，区间表现相对平庸[4]。 12. **因子名称：流动性因子** * **因子构建思路**：衡量股票的流动性，通常与未来收益呈负相关[4]。 * **因子具体构建过程**：报告未明确具体指标，可能包含换手率、Amihud指标等。 * **因子评价**：流动性因子整体负向有效，但2025-2026年组间区分度下降[4]。 13. **因子名称：成交量因子** * **因子构建思路**：使用成交量相关指标进行选股[4]。 * **因子具体构建过程**：报告未给出具体计算公式。 * **因子评价**：成交量因子单调性显著，但与市值因子相关性达60.52%，存在共线性风险[4]。 14. **因子名称：价量共振因子** * **因子构建思路**：结合价格与成交量信息的复合因子[4]。 * **因子具体构建过程**：报告未给出具体构建过程。 * **因子评价**：呈负向选股特征，“量弱”组别长期占优[4]。 因子的回测效果 *注：以下因子回测结果统计区间为2023年1月31日至2025年12月31日（IC值）及2023年1月31日至2026年1月30日（分组收益），基准为泛科技板块[80]。* 1. **资本收益率因子**，月度IC均值0.46%，IC正值占比55.56%[80]。 2. **营业外收支净额/利润总额因子**，月度IC均值1.06%，IC正值占比69.4%[80]。 3. **应收账款周转率因子**，月度IC均值0.75%，IC正值占比58.3%[85]。 4. **现金满足投资比率因子**，月度IC均值0.36%，IC正值占比52.78%[91]。 5. **全部资产现金回收率因子**，月度IC均值0.14%，IC正值占比47.22%[91]。 6. **非筹资性现金净流量与负债总额的比率因子**，月度IC均值3.66%，IC正值占比66.67%[98]。 7. **经营活动产生现金流量净额/负债合计因子**，月度IC均值3.38%，IC正值占比66.67%[98]。 8. **每股收益同比增长因子**，月度IC均值0.27%，IC正值占比61.11%[104]。 9. **营业总收入同比增长率因子**，月度IC均值0.20%，IC正值占比58.33%[104]。 10. **残差波动率 (DASTD) 因子**，月度IC均值-3.99%，IC负值占比63.16%[109]。

量化模型与构建方式 1. **模型/架构名称**：OpenClaw 多 Agent 协同架构[1][7] **模型/架构构建思路**：摒弃传统的单一“全能 Bot”理念，通过构建多个各具专长、物理隔离的智能体（Agent）组成一个协同工作的“AI 团队”，以解决单一 Agent 的固有缺陷[1][7][9] **模型/架构具体构建过程**： * **核心逻辑**：针对单一 Agent 的三大痛点（记忆臃肿、上下文污染、Token成本高昂），通过赋予每个 Agent 三大独立属性实现物理隔离与精准协作[7][8][9][10] * **三大独立属性**： 1. **独立 Workspace（专属工作区）**：每个 Agent 拥有独立的物理工作区，仅存放其核心定义文件（SOUL.md）、提示词模板（PROMPT.md）和工具配置（TOOLS.md），确保“职业人格”纯粹[10][13] 2. **独立 AgentDir（状态目录）**：每个 Agent 拥有独立的状态目录，可绑定最适合其任务类型的大语言模型（如创意策划绑定 GLM-4.7，科技写作绑定 DeepSeek），并实现运行状态和上下文的物理隔离[11][12] 3. **独立 Sessions（会话存储）**：每个 Agent 的聊天历史被独立保存和管理，消除交叉干扰，并实现 Token 成本的极致优化[14] * **协作机制**：通过一个智能中枢（如调度 Agent）使用 `sessions_send` 与 `sessions_spawn` 等工具，对各个专业 Agent 进行任务调度、结果整合，实现复杂任务闭环[15][42] **模型/架构评价**：该架构通过物理隔离实现极致的专业性与纯净度，再通过精准协作释放群体智慧，能从根本上解决单一 Agent 的效率瓶颈与成本问题，为复杂任务处理提供更稳健、高效、经济的新范式[9][15][52] 2. **模型/架构名称**：分身流（单 Bot 多群）部署模式[16][17] **模型/架构构建思路**：将同一个飞书机器人（Bot）拉入不同的群聊，并通过配置文件中的路由绑定（bindings），将不同群聊的消息路由至不同的 Agent[16][17] **模型/架构具体构建过程**： * 创建多个独立的 Agent（如 main, brainstorm, writer, coder）[17][18] * 将同一个飞书 Bot 拉入多个不同的群聊，并获取每个群聊的会话 ID（格式为 `oc_xxx`）[31] * 在 `openclaw.json` 配置文件的 `bindings` 数组中，为每个 Agent 指定其匹配的飞书群聊 ID[31][32] * 配置示例如下： ```json { "bindings": [ { "AgentId": "main", "match": { "channel": "feishu", "peer": { "kind": "group", "id": "oc_xxxx" } } }, // ... 其他 Agent 绑定配置 ] } ``` **模型/架构评价**：配置难度较低，适合个人用户、小型团队进行个人办公、内容创作等场景[17] 3. **模型/架构名称**：独立团（多 Bot 多群）部署模式[16][17] **模型/架构构建思路**：为每个 Agent 创建独立的飞书机器人，每个 Bot 拥有固定的头像和名称，并加入对应的群聊，角色感极强[16][17] **模型/架构具体构建过程**： * 为每个计划创建的 Agent 在飞书平台上申请一个独立的机器人应用，并设置专属的头像和名称[17] * 将每个独立的 Bot 拉入为其设定的专属工作群聊[17] * 在 OpenClaw 中配置每个 Agent 与其对应的飞书 Bot 凭证进行绑定 **模型/架构评价**：角色感强，配置难度中等，适合专业开发者、企业用户进行复杂项目开发和团队协作[17] 量化因子与构建方式 **（注：本篇报告核心内容为介绍多智能体（Agent）系统架构的构建与配置方法，并未涉及传统金融量化分析中用于选股或择时的量化因子（如价值、动量、质量等因子）的构建、测试与评价。报告内容聚焦于 AI 工程实践，而非量化因子研究。）**