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ETF市场交易数据构建一个指数，用以衡量和跟踪市场整体的风险偏好情绪[11] **模型具体构建过程**：报告未详细说明该指数的具体构建公式和计算过程，仅提及其为一种市场择时或情绪监测模型[11] **模型评价**：该指数被用于判断市场风险偏好的趋势，其下行预示市场风险偏好回落[11] 2. **模型名称：五维行业配置模型**[11] **模型构建思路**：一个综合多维度指标进行行业比较和配置的模型[11] **模型具体构建过程**：报告未详细说明该模型的具体构建维度、权重和计算过程[11] **模型评价**：该模型被用于生成行业配置建议，其最新结果指向了涨价逻辑向低位板块扩散的投资机会[11] 3. **模型名称：价格分段体系**[14][17] **模型构建思路**：通过对价格序列进行分析，识别出不同时间周期（如日线、周线）下的价格趋势阶段[14][17] **模型具体构建过程**：报告未详细说明该体系的具体分段算法、规则和参数，但图表显示其输出包括“日线”、“周线”和“dea”等信号[17] 4. **模型名称：微观市场结构择时模型（知情交易者活跃度指标）**[15][18] **模型构建思路**：通过分析市场微观交易数据，构建指标以监测“知情交易者”的活跃程度，从而对市场走势进行判断[15][18] **模型具体构建过程**：报告未详细说明该指标的具体计算方法和数据来源，仅展示了其时间序列图[18] **模型评价**：该指标与市场走势同步，其回落至零下表明知情交易者对后市持谨慎观望态度[15] 5. **因子/策略名称：基于行业一致预期净利润的行业轮动策略**[13] **因子/策略构建思路**：在财报季（如4月），使用行业基本面的一致预期数据作为筛选指标，构建行业轮动策略，以捕捉基本面有效性提升带来的收益[13] **因子/策略具体构建过程**：以行业一致预期净利润FTTM（未来十二个月）的环比变化作为核心筛选指标。具体公式为： $$行业筛选指标 = \frac{行业一致预期净利润_{FTTM, t} - 行业一致预期净利润_{FTTM, t-1}}{行业一致预期净利润_{FTTM, t-1}}$$ 其中，t代表当前时点。根据该指标的排序或阈值，选择看好的行业进行超配[13] 模型的回测效果 （报告中未提供上述量化模型的详细回测绩效指标，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 1. **因子名称：BARRA风格因子集**[21][22] **因子构建思路**：采用经典的BARRA风险模型框架，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和风险收益来源[21][22] **因子具体构建过程**：报告直接引用了BARRA风格因子的收益表现，未详细阐述每个因子的具体计算公式。报告中提及的因子包括：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、股息率等[22] 因子的回测效果 1. **BARRA风格因子**，本周收益：换手 -0.3%，财务杠杆 -0.1%，盈利波动 0.0%，盈利质量 0.3%，盈利能力 -0.2%，投资质量 0.2%，长期反转 -0.4%，EP价值 0.2%，BP价值 0.2%，成长 0.0%，动量 0.7%，非线性市值 -0.5%，市值 -0.2%，波动率 -0.2%，股息率 0.0%[22] **BARRA风格因子**，上周收益：换手 0.8%，财务杠杆 0.2%，盈利波动 -0.1%，盈利质量 0.2%，盈利能力 0.0%，投资质量 0.1%，长期反转 0.1%，EP价值 0.3%，BP价值 0.2%，成长 -0.1%，动量 0.8%，非线性市值 0.4%，市值 -0.5%，波动率 -0.4%，股息率 -0.1%[22] 2. **行业轮动策略（基于行业一致预期净利润FTTM环比）**，在2019-2025年回测区间内，4月份的中位数超额收益为2.4%[13] 3. **万得微盘股指数**，在2006-2025年区间内，4月相对沪深300的超额收益中位数为-1.4%，超额收益胜率为38%[13]

量化模型与因子总结 根据所提供的金融工程周报内容，报告主要对市场、基金表现及产品动态进行了回顾与统计，并未详细阐述任何具体的量化模型或量化因子的构建思路、过程与公式。报告内容侧重于市场数据呈现、基金产品信息汇总及各类基金的业绩表现。 因此，**本报告中未涉及需要总结的量化模型或量化因子**。 报告的核心内容为对各类公募基金（包括普通主动基金、量化基金、FOF基金）在特定周期内的业绩进行统计和展示[36][39][41]。其中提到的“指数增强基金”和“量化对冲型基金”属于采用量化方法进行投资的基金类别，但报告本身并未披露其内部使用的具体模型或因子[39]。 **总结**：本篇报告为市场与基金产品周度数据汇总，不属于量化模型或因子构建与分析类研报，故无相关模型或因子内容可供总结。

量化模型与构建方式 1. **模型名称：择时体系（均线距离模型）** * **模型构建思路**：通过比较市场指数短期均线与长期均线的相对位置和距离，来判断市场的整体环境（如上涨、下跌或震荡）[3][8][10]。 * **模型具体构建过程**： 1. 选择基准指数：Wind全A指数。 2. 计算均线：计算指数的20日移动平均线（短期均线，MA20）和120日移动平均线（长期均线，MA120）[3][8][10]。 3. 计算均线距离：计算短期均线与长期均线的距离差，通常以百分比表示。公式为： $$均线距离 = \frac{MA20 - MA120}{MA120} \times 100\%$$ 其中，MA20代表20日均线值，MA120代表120日均线值[3][8][10]。 4. 设定阈值进行判断：报告指出，当均线距离的绝对值大于3%时，作为判断市场是否进入趋势行情（上涨或下跌）的阈值之一[3][6][8]。结合“赚钱效应”（推测为一定时间窗口的累计收益）和“市场趋势线”等信号，综合判断市场格局（如震荡或趋势）[3][6][8]。 2. **模型名称：仓位管理模型** * **模型构建思路**：综合市场估值水平（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[3][12]。 * **模型具体构建过程**： 1. **估值评估**：计算Wind全A指数的PE（市盈率）和PB（市净率）在历史数据（例如2014年10月17日至当前）中所处的分位数[3][12][14][16]。 2. **趋势判断**：结合择时体系等模型对市场短期趋势的判断（如震荡格局）[3][12]。 3. **仓位决策**：根据估值分位数（例如PE位于90分位点属于较高水平，PB位于50分位点属于中等水平）和短期趋势，通过模型规则输出建议仓位。例如，当前建议仓位为60%[3][12]。 3. **模型名称：TWO BETA 模型** * **模型构建思路**：作为中期行业配置模型的一部分，用于识别和推荐具有特定风险暴露（Beta）的板块，报告中提及继续推荐科技板块[3][7][9][11]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建公式和步骤，仅提及其为行业配置模型并给出推荐结论[3][7][9][11]。 4. **模型名称：业绩趋势模型** * **模型构建思路**：作为中期行业配置模型的一部分，通过分析行业的业绩趋势来提示重点关注的产业链或板块[3][7][9][11]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建公式和步骤，仅提及其提示关注算力产业链、周期与农业板块[3][7][9][11]。 模型的回测效果 （注：本篇周报主要为当前市场观点和模型信号展示，未提供各个模型完整的历史回测绩效指标，如年化收益率、夏普比率、最大回撤等。因此，本部分仅列出报告中给出的当前时点模型信号或结果取值。） 1. **择时体系（均线距离模型）**， 均线距离：5.47%[3][6][8][10]， 市场趋势线位置：6790点附近[3][6][8][10]， 赚钱效应：-0.1%[3][6][8][10]， 市场格局判断：震荡格局[3][6][8][10] 2. **仓位管理模型**， 建议仓位：60%[3][6][12] 3. **TWO BETA 模型**， 当期推荐板块：科技板块[3][7][9][11] 4. **业绩趋势模型**， 当期提示关注板块：算力相关产业链（半导体设备、通信）、周期板块（油气、能源化工）、农业板块[3][7][9][11] 量化因子与构建方式 （注：本篇报告未涉及针对个股的量化因子（如价值、动量、质量等因子）的构建与测试，主要描述的是市场择时和行业配置模型。因此，本部分无相关内容。） 因子的回测效果 （注：本篇报告未涉及量化因子的测试，因此本部分无相关内容。）

量化模型与构建方式 1. 三维择时框架模型 * **模型名称**：三维择时框架[4][13] * **模型构建思路**：通过市场分歧度、流动性和景气度三个维度的趋势变化，综合判断市场整体走势[4][7]。 * **模型具体构建过程**：模型分别构建三个指数，并根据其趋势方向进行综合判断[4][7]。 1. **市场分歧度指数**：衡量市场参与者观点的离散程度，上行趋势表示市场分歧加大[4][19]。 2. **市场流动性指数**：衡量市场资金面的松紧程度[4][20]。 3. **A股景气度指数2.0**：衡量上市公司整体经营状况和盈利趋势[4][23]。 4. 将三个指数的趋势（上行或下行）进行组合，形成对市场（如上涨、下跌、震荡）的综合判断[4][7][13]。 2. 热点趋势ETF策略模型 * **模型名称**：热点趋势ETF策略[30] * **模型构建思路**：结合价格形态、技术支撑阻力以及市场短期关注度（换手率）来筛选ETF，构建风险平价组合[30]。 * **模型具体构建过程**： 1. **初筛**：根据K线形态，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因子[30]。 3. **筛选关注度**：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品种[30]。 4. **组合构建**：对最终选出的10只ETF构建风险平价组合[30]。 3. ETF三策略融合模型 * **模型名称**：ETF三策略融合轮动模型[34][36] * **模型构建思路**：将基于基本面、质量低波、困境反转三个不同维度的行业轮动策略进行等权融合，实现因子与风格互补，降低单一策略风险[34]。 * **模型具体构建过程**： 1. **策略一：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，旨在宏观适配性强，覆盖行业多维度特性[35]。 2. **策略二：质量低波风格驱动策略**。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[35]。 3. **策略三：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[35]。 4. **策略融合**：将上述三个策略的输出进行等权组合，形成最终的行业/ETF推荐[34][36]。 4. 资金流共振策略模型 * **模型名称**：融资-主动大单资金流共振策略[46][49] * **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，寻找资金共振流入的行业，通过合理的因子构建和筛选提高策略稳定性[46]。 * **模型具体构建过程**： 1. **构建行业融资融券资金因子**：个股层面计算融资净买入-融券净卖出，加总到行业，再经过barra市值因子中性化，取最近50日均值后的两周环比变化率[46]。 2. **构建行业主动大单资金因子**：计算行业净流入，经过最近一年成交量时序中性化后排序，取最近10日均值[46]。 3. **策略构建**：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（研究发现其有稳定的负向超额收益），以提升策略稳定性。进一步剔除大金融板块[46]。 4. **行业推荐**：每周选择两种资金流有共振效应的行业作为多头推荐[49]。 5. 全天候配置模型 * **模型名称**：全天候配置策略[53] * **模型构建思路**：通过循环对冲设计对冲构型，绕过宏观因素预测，直击资产波动进行长期收益平衡，无需杠杆、预测或宏观假设即可获取稳健绝对收益[53]。 * **模型具体构建过程**：策略遵循资产选择、风险调整、结构对冲三项基本原则[53]。按风险水平分为两个版本： 1. **高波版**：采用“四层结构化-股债金风险平价”构型[57][58]。 2. **低波版**：采用“五层结构化-风险预算”构型[59][63]。 模型的回测效果 1. **热点趋势ETF策略模型**[30] * 2025年以来收益率：61.57% * 2025年以来相对沪深300超额收益率：39.58% 2. **ETF三策略融合模型**[39][40] * 总周期（2017/4/10 - 2026/3/6）组合收益率：12.06% * 总周期夏普率：0.73 * 总周期超额收益率（相对基准）：9.39% * 总周期信息比率(IR)：0.97 * 总周期最大回撤：-24.55% * 2026年以来收益率：0.91% 3. **资金流共振策略模型**[46][47] * 2018年以来费后年化超额收益：14.3% * 2018年以来信息比率(IR)：1.4 * 上周（报告期）绝对收益：-3.98% * 上周（报告期）超额收益（相对行业等权）：-2.12% 4. **全天候配置模型**[64][65] * **高波版**： * 截至2025年年化收益率：11.8% * 截至2025年年平均最大回撤：3.6% * 截至2025年夏普比率：2.3 * 2026年以来收益率：3.1% * **低波版**： * 截至2025年年化收益率：8.8% * 截至2025年年平均最大回撤：2.0% * 截至2025年夏普比率：3.4 * 2026年以来收益率：1.3% 量化因子与构建方式 1. 风格因子 * **因子名称**：贝塔因子、动量因子、流动性因子[67] * **因子构建思路**：用于刻画市场当前呈现的风格特征[67]。 * **因子具体构建过程**：报告未详细描述具体计算过程，但指出本周市场呈现“高贝塔高动量高流动性”风格，即高贝塔、高动量、高流动性个股表现占优[67]。 2. Alpha因子（通用构建说明） * **因子构建思路**：从多维度观察因子表现，包括不同时间窗口、宽基指数和行业板块[68]。 * **因子具体构建过程**：因子收益测算采用流通市值加权，计算因子多头（前1/5组）收益。除规模因子外，均进行了市值、行业中性化处理；规模因子仅进行行业中性化处理[68]。 2.1 时间维度表现突出的因子 * **因子名称**：1年-1个月的收益率因子 (mom 1y 1m)[69][71] * **因子构建思路**：衡量过去1年剔除最近1个月后的收益率，属于动量因子的一种变体[71]。 * **因子具体构建过程**：报告未给出具体公式，但根据名称推断为过去250个交易日收益率减去过去20个交易日收益率。 * **因子名称**：营业利润占销售费用比因子 (oper salesexp)[69][71] * **因子构建思路**：衡量企业营业利润相对于销售费用的效率，属于盈利质量因子[71]。 * **因子具体构建过程**：$$营业利润TTM / 销售费用TTM$$[71] 2.2 指数维度表现突出的因子 * **因子名称**：营业利润销售费用比因子 (oper salesexp)[73][74] * **因子构建思路**：同2.1中所述[74]。 * **因子名称**：单季度ROA同比差值（考虑快报、预告）因子 (roa q delta adv)[73][74] * **因子构建思路**：衡量单季度资产回报率相对于去年同期的变化，考虑了业绩快报和预告信息，属于盈利增长因子[74]。 * **因子名称**：一致预测营业收入变化占比因子 (mom3 rev fy1)[73][74] * **因子构建思路**：衡量分析师对未来一年营业收入一致预测在近3个月内的变化幅度，属于预期修正因子[74]。 * **因子具体构建过程**：$$(当前一致预测营业收入FY1 - 3个月前一致预测营业收入FY1) / |3个月前一致预测营业收入FY1|$$[74] * **因子名称**：十二个月残差动量因子 (specific mom12)[73][74] * **因子构建思路**：剔除市场、行业等共同因素影响后的过去12个月特异性收益动量[74]。 * **因子名称**：单季度净利润同比增长（考虑快报、预告）因子 (yoy np q adv)[73][74] * **因子构建思路**：衡量单季度净利润相对于去年同期的增长率，考虑了业绩快报和预告信息[74]。 因子的回测效果 （注：报告中对因子的测试结果主要为近期表现和近一年在不同指数内的多头超额收益，以下按此口径分组列出） 1. 近期（近一周及近一月）表现 1. **1年-1个月的收益率因子 (mom 1y 1m)**[71] * 近一周多头超额收益：1.18% * 近一个月多头超额收益：-0.32% 2. **营业利润占销售费用比因子 (oper salesexp)**[71] * 近一周多头超额收益：1.13% * 近一个月多头超额收益：3.37% 2. 近一年在不同指数内的表现（多头超额收益） 1. **营业利润销售费用比因子 (oper salesexp)**[74] * 沪深300中：35.65% * 中证500中：-1.17% * 中证800中：25.76% * 中证1000中：15.02% 2. **单季度ROA同比差值（考虑快报、预告）因子 (roa q delta adv)**[74] * 沪深300中：34.46% * 中证500中：3.13% * 中证800中：25.81% * 中证1000中：17.31% 3. **一致预测营业收入变化占比因子 (mom3 rev fy1)**[74] * 沪深300中：26.47% * 中证500中：12.61% * 中证800中：26.99% * 中证1000中：17.94% 4. **十二个月残差动量因子 (specific mom12)**[74] * 沪深300中：33.80% * 中证500中：11.30% * 中证800中：29.57% * 中证1000中：15.44% 5. **单季度净利润同比增长（考虑快报、预告）因子 (yoy np q adv)**[74] * 沪深300中：29.31% * 中证500中：8.84% * 中证800中：28.15% * 中证1000中：22.86%

量化模型与构建方式 根据提供的研报内容，未发现涉及具体的量化模型或量化因子的构建思路、过程及公式。 模型的回测效果 根据提供的研报内容，未发现对量化模型的回测效果进行测试和展示。 量化因子与构建方式 根据提供的研报内容，未发现涉及具体的量化因子及其构建方式。 因子的回测效果 根据提供的研报内容，未发现对量化因子的回测效果进行测试和展示。

量化模型与构建方式 1. **模型名称：成交量模型** [1][10] * 模型构建思路：基于市场成交量的变化来判断市场短期情绪和趋势。 * 模型具体构建过程：报告未详细描述具体构建过程，仅提及其为短期择时模型，并给出了对多个宽基指数的看多、看空或中性信号[1][10]。 2. **模型名称：特征龙虎榜机构模型** [1][10] * 模型构建思路：利用龙虎榜中机构资金的买卖行为特征来构建择时信号。 * 模型具体构建过程：报告未详细描述具体构建过程，仅提及其为短期择时模型，并给出了对沪深300等指数的看空信号[1][10]。 3. **模型名称：特征成交量模型** [1][10] * 模型构建思路：基于成交量的某些特定特征（如放量、缩量模式等）来构建择时信号。 * 模型具体构建过程：报告未详细描述具体构建过程，仅提及其为短期择时模型，并给出了对全A等指数的看空信号[1][10]。 4. **模型名称：智能算法沪深300模型/智能算法中证500模型** [1][10] * 模型构建思路：运用智能算法（如机器学习等）对沪深300或中证500指数进行择时判断。 * 模型具体构建过程：报告未详细描述具体算法和构建过程，仅提及其为短期择时模型，并给出了中性信号[1][10]。 5. **模型名称：涨跌停模型** [1][11] * 模型构建思路：通过分析市场涨跌停股票的数量、比例等特征来判断市场中期情绪。 * 模型具体构建过程：报告未详细描述具体构建过程，仅提及其为中期择时模型，并给出了中性信号[1][11]。 6. **模型名称：上下行收益差模型** [1][11][14] * 模型构建思路：通过计算市场上涨和下跌时收益率的差异，来衡量市场动能的强弱和方向。 * 模型具体构建过程：报告未详细描述具体构建过程，仅提及其为中期择时模型，对A股大部分宽基指数看多，对港股恒生指数给出中性信号[1][11][14]。 7. **模型名称：上下行收益差相似模型** [14] * 模型构建思路：与“上下行收益差模型”思路相似，可能是在计算或应用层面有所区别的衍生模型。 * 模型具体构建过程：报告未详细描述具体构建过程，仅提及其为港股中期择时模型，并给出了中性信号[14]。 8. **模型名称：月历效应模型** [1][11] * 模型构建思路：基于历史数据中存在的特定月份或日期（如月初、月末、节假日前后）的规律性收益模式进行择时。 * 模型具体构建过程：报告未详细描述具体构建过程，仅提及其为中期择时模型，并给出了中性信号[1][11]。 9. **模型名称：长期动量模型** [1][12] * 模型构建思路：基于资产价格的长期趋势（动量效应）进行择时判断，认为过去表现好的资产未来会继续表现好。 * 模型具体构建过程：报告未详细描述具体构建过程，仅提及其为长期择时模型，并给出了中性信号[1][12]。 10. **模型名称：成交额倒波幅模型** [1][14] * 模型构建思路：结合成交额和波动率（倒波幅）指标来判断市场情绪，可能用于识别市场是否过热或过冷。 * 模型具体构建过程：报告未详细描述具体构建过程，仅提及其为港股中期择时模型，并给出了看空信号[1][14]。 11. **模型名称：A股综合兵器V3模型** [1][13] * 模型构建思路：一个综合性的A股择时模型，可能耦合了短、中、长期等多个单一模型的信号，形成最终的复合判断[8]。 * 模型具体构建过程：报告未详细描述具体耦合方式和权重分配，仅提及其为综合择时模型，并给出了看空信号[1][13]。 12. **模型名称：A股综合国证2000模型** [1][13] * 模型构建思路：针对国证2000指数的综合性择时模型，同样可能是多模型信号的耦合[8]。 * 模型具体构建过程：报告未详细描述具体构建过程，仅提及其为综合择时模型，并给出了看空信号[1][13]。 13. **模型名称：形态识别模型（杯柄形态、双底形态）** [41][42][49] * 模型构建思路：基于技术分析中的经典价格形态（如杯柄形态、双底形态）来识别个股的潜在买入机会。 * 模型具体构建过程：通过识别股价走势中的特定拐点（如杯柄形态的A、B、C点，双底形态的A、B、C点）来定义形态，当股价突破形态颈线位时产生买入信号[45][47][50][52]。报告展示了具体识别出的个股及其形态关键日期[47][52][54][55]。 14. **模型名称：倒杯子形态模型** [60] * 模型构建思路：基于技术分析中的负面价格形态（倒杯子形态）来识别个股的潜在下跌风险。 * 模型具体构建过程：在一波下跌后的反弹筑顶完成后，股价再次下跌并突破前低，形成看跌信号[60]。报告列出了识别出的具有该形态的个股[60][61]。 15. **因子/模型名称：大师策略因子** [36] * 构建思路：基于经典的价值型、成长型和综合型投资大师的投资理念，构建相应的量化选股策略，以暴露特定因子。 * 具体构建过程：报告提及共监控33个大师系列策略，用于发现当前收益靠前组合暴露的因子，以及设置因子暴露标准的方法[36]。具体因子构成和构建过程未详细说明。 16. **指标名称：华创恐慌指数（HCVIX）** [40] * 构建思路：复现并跟踪中国市场的波动率指数（VIX），该指数通常与大盘呈现负相关关系，被称为“恐慌指数”。 * 具体构建过程：根据公开的VIX计算方法，对50ETF期权等进行计算，复现了中证指数公司曾发布的VIX指数，相关系数达99.2%[40]。计算公式未在报告中给出。 * 指标评价：为判断市场情绪提供了一个参考角度[40]。 模型的回测效果 1. **杯柄形态模型**，自2020年12月31日至今，累计上涨21.94%，同期上证综指累计涨幅18.75%，相对超额收益3.19%[41]。 2. **双底形态模型**，自2020年12月31日至今，累计上涨24.42%，同期上证综指累计涨幅18.75%，相对超额收益5.67%[41]。 3. **上周杯柄形态突破个股组合**，上周平均超额收益（相对上证综指）1.36%[42]。 4. **上周双底形态突破个股组合**，上周平均超额收益（相对上证综指）0.68%[49]。 量化因子与构建方式 （报告未详细描述独立于模型的量化因子构建细节，相关因子思想蕴含在上述“大师策略”等模型中[36]。） 因子的回测效果 （报告未提供独立因子的历史测试结果数据。）

量化模型与构建方式 1. **模型名称：量能择时模型**[23][24] * **模型构建思路**：通过监测市场成交量的变化来判断市场情绪和趋势，从而给出看多或看空的择时信号。 * **模型具体构建过程**：报告未详细描述该模型的具体构建公式和计算过程，仅给出了基于该模型对各宽基指数的最终择时观点[24]。 2. **模型名称：沪深300上涨家数占比择时模型**[24][26][28] * **模型构建思路**：通过计算沪深300指数成分股中过去一段时间内取得正收益的股票数量占比，来衡量市场情绪。认为该指标可以较快捕捉上涨机会，并在市场过热时提前预警[24][25]。 * **模型具体构建过程**： 1. 计算沪深300指数N日上涨家数占比：统计沪深300指数成分股中，过去N日收益率大于0的个股数量，并计算其占总成分股数的比例[24]。 $$沪深300指数N日上涨家数占比 = \frac{过去N日收益大于0的个股数}{沪深300指数成分股总数}$$ 2. 对上述指标进行两次不同窗口期的移动平均平滑，生成快线和慢线。设长期平滑窗口为N1，短期平滑窗口为N2，且N1 > N2[26][28]。 3. 生成交易信号：当快线大于慢线时，看多沪深300指数；当快线小于慢线时，对市场持中性态度[26][28]。报告中示例参数为N=230，N1=50，N2=35[26]。 3. **模型名称：均线情绪指标择时模型**[32][36] * **模型构建思路**：基于技术分析中的均线系统，通过判断股价与多条均线的相对位置关系来评估市场趋势和情绪状态[32]。 * **模型具体构建过程**： 1. 计算沪深300收盘价的八条均线，参数分别为8, 13, 21, 34, 55, 89, 144, 233[32][36]。 2. 统计当日沪深300指数收盘价大于这八条均线数值的数量[36]。 3. 生成交易信号：当收盘价大于均线值的数量超过5条时，看多沪深300指数[36]。 4. **因子名称：横截面波动率**[37][38] * **因子构建思路**：计算同一时间点（截面）上，某个指数内所有成分股收益率的离散程度（标准差），用以衡量市场分化程度和选股（Alpha）环境的优劣[37]。 * **因子具体构建过程**：报告未给出具体的计算公式，但明确指出该指标用于衡量沪深300、中证500、中证1000等指数成分股收益率在横截面上的波动情况[37][38]。 5. **因子名称：时间序列波动率**[38][41] * **因子构建思路**：计算指数成分股收益率在时间序列上的波动率，用以衡量市场整体波动水平和风险环境，同样影响Alpha策略的表现[38]。 * **因子具体构建过程**：报告未给出具体的计算公式，但明确指出该指标用于衡量沪深300、中证500、中证1000等指数成分股在时间序列上的波动率，并进行了加权计算[38][40][41]。 6. **因子名称：抱团基金分离度**[81] * **因子构建思路**：通过计算抱团基金组合截面收益率的标准差，来度量基金抱团的程度。标准差越小，说明基金表现越趋同，抱团程度越高；反之则表示抱团正在瓦解[81]。 * **因子具体构建过程**： 1. 构造一个抱团基金组合[81]。 2. 计算该组合在某个截面期（如每日或每周）所有基金收益率的截面标准差，该值即为“分离度”[81]。 $$分离度_t = Std( R_{1,t}, R_{2,t}, ..., R_{n,t} )$$ 其中，$R_{i,t}$ 代表抱团基金组合中第 $i$ 只基金在 $t$ 时期的收益率，$Std$ 代表标准差计算。 模型的回测效果 1. **量能择时模型**，截至2026年3月6日，对上证指数、上证50、沪深300、中证500、中证1000、创业板指、北证50的量能择时观点均为“空”（谨慎）[24]。 2. **沪深300上涨家数占比择时模型**，模型评价：该指标可以较快捕捉上涨机会，但会在市场过热阶段提前止盈而错失后续上涨，且对下跌市场的判断存在缺陷[25]。截至2026年3月6日，指标快线处于慢线上方，模型维持看多观点[26]。 3. **均线情绪指标择时模型**，截至2026年3月6日，近期沪深300指数处于情绪非景气区间[32]。 因子的回测效果 1. **横截面波动率因子**，截至2026年3月6日统计结果[38]： * 近两年平均值：沪深300为2.01%，中证500为2.27%，中证1000为2.51% * 近一年平均值：沪深300为2.01%，中证500为2.28%，中证1000为2.51% * 近半年平均值：沪深300为2.21%，中证500为2.61%，中证1000为2.71% * 近一季度平均值：沪深300为2.18%，中证500为2.51%，中证1000为2.63% * 近一季度平均值占近半年分位：沪深300为65.57%（中上），中证500为55.56%（中等），中证1000为68.13%（中上） 2. **时间序列波动率因子**，截至2026年3月6日统计结果[41]： * 近两年平均值：沪深300为0.99%，中证500为1.32%，中证1000为1.46% * 近一年平均值：沪深300为0.89%，中证500为1.18%，中证1000为1.21% * 近半年平均值：沪深300为0.78%，中证500为1.30%，中证1000为1.25% * 近一季度平均值：沪深300为0.96%，中证500为1.33%，中证1000为1.25% * 近一季度平均值占近半年分位：沪深300为50.31%（中等），中证500为57.94%（中等），中证1000为68.53%（中上） 3. **抱团基金分离度因子**，截至2026年3月6日，基金抱团分离度环比前一交易周小幅下行[81]。

量化因子与构建方式 1. **因子类别：风格因子** * **因子名称：估值因子**[18] * **因子构建思路：** 参考BARRA模型，通过单一细分因子合成，用于衡量股票的估值水平[18]。 * **因子具体构建过程：** 估值因子直接由BP（账面市值比）细分因子构成。BP的计算公式为：$$BP = \frac{归母股东权益}{总市值}$$[18] * **因子名称：成长因子**[18] * **因子构建思路：** 参考BARRA模型，通过合成两个反映公司增长能力的细分因子，用于衡量公司的成长性[18]。 * **因子具体构建过程：** 成长因子由SGRO（营业收入增长率）和EGRO（归母净利润增长率）两个细分因子等权平均合成。$$成长因子 = \frac{SGRO + EGRO}{2}$$[18] * SGRO：使用过去五个财年年报的每股营业收入数据，对时间进行回归，将回归系数（斜率）除以每股营业收入的平均值得到。 * EGRO：使用过去五个财年年报的每股归母净利润数据，对时间进行回归，将回归系数（斜率）除以每股归母净利润的平均值得到[18]。 * **因子名称：盈利因子**[18] * **因子构建思路：** 参考BARRA模型，通过合成两个反映公司盈利能力的细分因子，用于衡量公司的盈利质量[18]。 * **因子具体构建过程：** 盈利因子由ETOP（盈利价格比）和CETOP（现金盈利价格比）两个细分因子等权平均合成。$$盈利因子 = \frac{ETOP + CETOP}{2}$$[18] * ETOP：归母净利润TTM / 总市值。 * CETOP：经营活动产生的现金流量净额TTM / 总资产[18]。 * **因子名称：规模因子**[18] * **因子构建思路：** 参考BARRA模型，通过单一细分因子合成，用于衡量公司规模[18]。 * **因子具体构建过程：** 规模因子直接由LNCAP（对数市值）细分因子构成。LNCAP的计算公式为：$$LNCAP = ln(总市值)$$[18] * **因子名称：Beta因子**[18] * **因子构建思路：** 参考BARRA模型，通过单一细分因子合成，用于衡量股票的系统性风险[18]。 * **因子具体构建过程：** Beta因子直接由BETA细分因子构成。BETA的计算方法为：将个股过去252个交易日的日收益率与中证全指日收益率进行半衰指数加权回归（半衰期为63个交易日），取回归系数作为BETA值[18]。 * **因子名称：动量因子**[18] * **因子构建思路：** 参考BARRA模型，通过单一细分因子合成，用于衡量股票的动量效应[18]。 * **因子具体构建过程：** 动量因子直接由RSTR（相对强度）细分因子构成。RSTR的计算方法为：计算个股过去504个交易日（不含最近21个交易日）的半衰指数加权累计收益率，半衰期为126个交易日[18]。 * **因子名称：流动性因子**[18] * **因子构建思路：** 参考BARRA模型，通过合成三个不同时间维度的换手率细分因子，用于衡量股票的流动性[18]。 * **因子具体构建过程：** 流动性因子由STOM（1个月换手率）、STOQ（过去3个月STOM均值）和STOA（过去12个月STOM均值）三个细分因子等权平均合成。$$流动性因子 = \frac{STOM + STOQ + STOA}{3}$$[18] * STOM：个股过去1个月的换手率加总后取对数。 * **因子名称：波动性因子**[18] * **因子构建思路：** 参考BARRA模型，通过合成三个反映不同维度波动风险的细分因子，用于衡量股票的波动性[18]。 * **因子具体构建过程：** 波动性因子由DASTD（日收益率标准差）、CMRA（累计收益范围）和HSIGMA（历史残差波动率）三个细分因子等权平均合成。$$波动性因子 = \frac{DASTD + CMRA + HSIGMA}{3}$$[18] * DASTD：计算过去250个交易日个股相对于所有股票等权指数的超额收益率的标准差，计算时使用半衰指数加权（半衰期40日）。 * CMRA：计算个股过去12个月内的累计对数收益率，将累计最高收益与累计最低收益做差得到。 * HSIGMA：计算BETA因子时回归残差的标准差[18]。 * **因子名称：非线性市值因子**[18] * **因子构建思路：** 参考BARRA模型，通过单一细分因子合成，用于捕捉市值因子的非线性效应[18]。 * **因子具体构建过程：** 非线性市值因子直接由NLSIZE细分因子构成。NLSIZE的计算方法为：将股票总市值对数的三次方与对数市值进行加权最小二乘回归（权重为对数市值的平方根），取回归残差作为NLSIZE。总市值越大或越小的股票NLSIZE越大，中市值股票NLSIZE小[18]。 * **因子名称：杠杆因子**[18] * **因子构建思路：** 参考BARRA模型，通过合成三个反映不同维度杠杆水平的细分因子，用于衡量公司的财务杠杆[18]。 * **因子具体构建过程：** 杠杆因子由MLEV（市场杠杆）、DTOA（资产负债率）和BLEV（账面杠杆）三个细分因子等权平均合成。$$杠杆因子 = \frac{MLEV + DTOA + BLEV}{3}$$[18] * MLEV：非流动负债 / 总市值。 * DTOA：总负债 / 总资产。 * BLEV：非流动负债 / 归属母公司股东权益[18]。 2. **因子类别：选股因子（共53个）**[23] * **构建思路：** 构建了涵盖估值、成长、质量、规模、反转、动量、流动性、波动性、分红、公司治理以及技术等多个方面的常用选股因子[23]。 * **具体因子列表与构建过程：** 所有因子的名称、构造方式和参考方向详见表5[24]。 * **估值类（8个）：** BP、单季度EP、EP_TTM、单季度SP、SP_TTM、单季度CFEV、CFEV_TTM[24]。 * **成长类（8个）：** 单季度净利润同比增速、单季度营业收入同比增速、单季度营业利润同比增速、标准化预期外盈利、标准化预期外收入、单季度ROE同比、单季度ROA同比[24]。 * **质量类（8个）：** 单季度ROE、单季度ROA、单季度毛利率、单季度营业利润率、单季度净利润率、盈余质量、流动比率[24]。 * **规模类（1个）：** 对数市值[24]。 * **反转类（2个）：** 20日反转、60日反转[24]。 * **动量类（4个）：** 60日动量、240日动量、盈余公告前隔夜动量、盈余公告次日开盘跳空超额[24]。 * **流动性类（7个）：** 20日换手率、60日换手率、20日换手率波动、60日换手率波动、20日非流动性冲击、60日非流动性冲击[24]。 * **波动性类（7个）：** 20日收益率标准差、60日收益率标准差、20日特异度、60日特异度、20日三因子模型残差波动率、120日三因子模型残差波动率、240日三因子模型残差波动率[24]。 * **分红类（1个）：** 股息率[24]。 * **公司治理类（2个）：** 前五大股东持股比例、前十大股东持股比例[24]。 * **技术类（5个）：** 20日成交额、60日成交额、60日偏度、240日偏度、20日成交量变异系数、60日成交量变异系数、20日成交量比率、60日成交量比率、120日成交量比率[24]。 量化模型与构建方式 1. **模型名称：中性约束条件下最大化因子暴露组合**[25] * **模型构建思路：** 在构建单因子投资组合时，采用优化方法，在确保投资组合相对基准指数在行业和风格暴露保持中性的基础上，最大化目标因子在组合中的暴露[25]。 * **模型具体构建过程：** 报告指出具体构建方法参考附录，但附录内容未在提供的文本中。根据描述，该模型是一个带约束的优化问题，目标函数是最大化组合对目标因子的暴露，约束条件包括对基准指数在行业和风格因子上的暴露中性，可能还包括权重约束等[25]。 因子的回测效果 1. **风格因子多空收益表现（近一周/近一月）**[21] * 盈利因子：2.47% / 0.93% * 估值因子：2.01% / -1.29% * 杠杆因子：1.71% / 1.85% * 成长因子：1.25% / 1.37% * 非线性市值因子：0.53% / 1.28% * 市值因子：-0.31% / 1.55% * 动量因子：-1.12% / 5.20% * 流动性因子：-2.22% / 1.74% * 波动性因子：-2.97% / 1.29% * Beta因子：-4.39% / 4.68% 2. **选股因子在“中性约束条件下最大化因子暴露组合”中的超额收益表现（最近一周）** * **沪深300股票池表现最佳因子：**[27] * EP_TTM：1.11% * 单季度ROE：0.94% * 240日偏度：0.88% * **中证500股票池表现最佳因子：**[30] * 120日三因子模型残差波动率：1.84% * 240日三因子模型残差波动率：1.22% * 60日收益率标准差：1.20% * **中证800股票池表现最佳因子：**[33] * 单季度ROA：1.78% * EP_TTM：1.49% * 20日换手率：1.35% * **中证1000股票池表现最佳因子：**[36] * 60日非流动性冲击：1.68% * BP：1.55% * 20日非流动性冲击：1.35% * **沪深300ESG股票池表现最佳因子：**[40] * CFEV_TTM：1.09% * EP_TTM：1.04% * 20日换手率：0.97% 3. **选股因子在全市场股票池中的Rank IC表现（近一周）**[44] * BP：14.24% * 120日三因子模型残差波动率：9.37% * 60日非流动性冲击：9.14% * 20日非流动性冲击：8.09% * 60日收益率标准差：7.82% * 对数市值：7.55% * 前五大股东持股比例：7.01% * 240日三因子模型残差波动率：6.79% * 前十大股东持股比例：6.57% * 60日换手率：5.56%

量化模型与构建方式 1. 短期择时模型 1. **模型名称**：短期择时模型[4][14] 2. **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指标，生成每周的择时信号，以判断市场整体风险并调整权益仓位[4][14]。 3. **模型具体构建过程**： * **一级指标**：模型包含四个一级指标，分别是基本面、估值面、情绪面、流动性[14]。 * **二级指标与信号生成**：每个一级指标下包含若干二级指标，每个二级指标根据其当前值在过去5年的分位数，被赋予“乐观”、“中性”或“谨慎”的信号[14][16]。 * **基本面**：包含制造业PMI、信贷脉冲同比增速分位数、M1同比增速（HP滤波去趋势）分位数三个二级指标[14]。 * **估值面**：包含A股整体PE分位数、A股整体PB分位数两个二级指标[14]。 * **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三个二级指标[15]。 * **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日均值分位数三个二级指标[16]。 * **综合信号**：每个一级指标的最终信号由其下属二级指标信号综合得出（例如，基本面为“中性”）。最终的总仓位信号由四个一级指标信号综合决定，例如“中性”对应0.5仓位[14][18][21]。 2. 成长价值风格轮动模型 1. **模型名称**：成长价值风格轮动模型[4][22] 2. **模型构建思路**：通过动态宏观、估值回归、短期动量、风格广度、风格拥挤等多个维度的信号，判断成长与价值风格的相对强弱，进行轮动配置[22][23]。 3. **模型具体构建过程**： * **信号维度**：模型包含动态宏观信号、估值回归信号、短期动量信号、风格广度信号、风格拥挤信号等多个子信号[23]。 * **信号合成**：每日根据各子信号生成对成长风格的配置仓位百分比（例如，0%表示全配价值，100%表示全配成长）。报告展示了两种综合信号方式：“无中性仓位”和“5日平均仓位”[23]。 * **最终建议**：根据综合信号，给出超配成长或超配价值的建议。例如，当前模型建议超配价值风格[4][22]。 3. 小盘大盘风格轮动模型 1. **模型名称**：小盘大盘风格轮动模型[4][25] 2. **模型构建思路**：从流动性、价量、情绪等角度选取11个有效轮动指标，构建综合信号，在大小盘风格（以沪深300和中证1000为代表）之间进行轮动[25][27]。 3. **模型具体构建过程**： * **指标池**：模型包含11个指标，分别为：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[27]。 * **信号生成**：每个指标独立生成每日信号，0%代表看多大盘（看空小盘），100%代表看多小盘（看空大盘）[27]。 * **信号综合**：将所有指标的信号综合，生成每日的综合小盘/大盘仓位信号。报告提及使用“3D平滑”和“综合信号”两种处理方式[27]。 * **最终建议**：根据综合信号给出配置建议，例如当前模型建议超配大盘风格[4][25]。 模型的回测效果 1. 短期择时模型 1. **回测区间**：2012年底至今（全区间）[17][19]；2024年以来[20]。 2. **基准**：月度中性持仓再平衡策略[17]。 3. **全区间表现**（2012年底至2026年3月）： * 年化收益率：16.37%[17][19] * 年化超额收益率：11.36%[17] * 年化波动率：14.79%[19] * 最大回撤：15.05%[17][19] * 夏普比率：0.9640[19] * 收益回撤比：1.0880[19] * 月度胜率：65.63%[19] * 季度胜率：61.11%[19] * 年度胜率：80.00%[19] 4. **近期表现**（2024年以来）： * 年化收益率：28.07%[20] * 年化超额收益率：17.89%（根据基准10.18%计算） * 年化波动率：16.47%[20] * 最大回撤：11.04%[20] * 夏普比率：1.4643[20] * 收益回撤比：2.5432[20] * 月度胜率：67.86%[20] 2. 成长价值风格轮动模型 1. **回测区间**：2011年至今[22]。 2. **基准**：国证成长与国证价值的月度等权配置[22][23]。 3. **综合信号2（5日平均仓位）表现**： * 累计收益：765.66%[23] * 年化收益率：14.62%[22][23] * 年化超额收益率：7.98%[22][23] * 年化波动率：21.41%[23] * 最大回撤：40.08%[23] * 夏普比率：0.65[23] * 收益回撤比：0.36[23] * 年化跟踪误差：5.88%[23] * 年化信息比率（IR）：1.36[23] * 月度超额胜率：66.32%[23] 4. **今年以来表现**（至2026年3月6日）：超额收益率为2.08%[22][23]。 3. 小盘大盘风格轮动模型 1. **回测区间**：2014年以来[26][27]。 2. **基准**：沪深300与中证1000全收益指数的等权组合[26][27]。 3. **综合信号（3D平滑）表现**： * 年化收益率：20.35%[27] * 年化超额收益率：12.83%[27] * 最大回撤：40.70%[27] * 平均换手间隔：19个交易日[27] * 胜率（按交易）：50.21%[27] 4. **分年度表现**：自2014年至2026年（截至报告期），策略每年均产生正向超额收益[26][27]。例如，2026年以来超额收益率为3.32%[26][27]。 5. **各子指标表现**：报告列出了11个子指标各自的年化收益、年化超额收益率、最大回撤等数据[27]。

量化模型与构建方式 1. **模型名称**：风格组相对拥挤度模型[130] * **模型构建思路**：通过计算不同风格指数换手率Z-score的差值及其历史分位，来度量某一风格相对于另一风格的交易拥挤程度[130]。 * **模型具体构建过程**： 1. 分别计算风格A指数和风格B指数在过去252个交易日的平均换手率[130]。 2. 将上述平均换手率序列，在自2005年1月1日起的历史时间序列上进行Z-score标准化，得到Z-score_A和Z-score_B[130]。 3. 计算二者差值：$$Diff = Z\_score\_A - Z\_score\_B$$ [130] 4. 计算该差值序列在过去6年滚动窗口内的历史分位数（若历史数据不足6年但满1年，则使用全部历史数据计算）[130]。该分位数即为风格A相对于风格B的“相对拥挤度”。 2. **模型名称**：风格指数累计超额净值模型[131] * **模型构建思路**：通过计算风格指数相对于市场基准指数（万得全A）的累计净值比，来衡量该风格的长期超额收益表现[131]。 * **模型具体构建过程**： 1. 以2020年1月4日为基准日，计算风格指数和万得全A指数的每日累计净值：$$Cumulative\_Net\_Value_{t} = \frac{Close\_Price_{t}}{Close\_Price_{基准日}}$$ [131] 2. 计算风格指数相对于万得全A指数的累计超额净值：$$Cumulative\_Excess\_Net\_Value_{t} = \frac{Cumulative\_Net\_Value_{风格,t}}{Cumulative\_Net\_Value_{万得全A,t}}$$ [131] 3. **模型名称**：机构调研活跃度分位数模型[132] * **模型构建思路**：通过计算板块或行业相对于全市场机构调研活跃度的标准化差值及其历史分位，来评估其受机构关注度的相对水平[132]。 * **模型具体构建过程**： 1. 计算板块（或指数、行业）在过去n个交易日的“日均机构调研次数”[132]。 2. 将上述序列在滚动y年的历史时间序列上进行Z-score标准化，得到该板块的Z-score值[132]。 3. 对万得全A指数进行同样的计算，得到市场基准的Z-score值[132]。 4. 计算“机构调研活跃度”：$$Survey\_Activity = Z\_score_{板块} - Z\_score_{万得全A}$$ [132] 5. 计算该“机构调研活跃度”序列在滚动y年窗口内的历史分位数（长期口径：n=126，y=6年；短期口径：n=63，y=3年。历史数据不足时使用全部可用数据）[132]。 4. **因子名称**：风险溢价因子 (ERP)[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，来衡量投资权益资产相对于债券资产的超额回报补偿，即股债性价比[52]。 * **因子具体构建过程**：对于任一股票指数，其ERP计算公式为：$$ERP = \frac{1}{PE\_TTM} - 10年期国债到期收益率$$ [52] 其中，PE_TTM为指数的滚动市盈率。 5. **因子名称**：长江动量因子[64] * **因子构建思路**：以过去一年（剔除最近一个月）的股票收益率作为动量指标，筛选市场中动量特征强的股票构建指数[64]。 * **因子具体构建过程**：“长江动量”指数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，综合选择A股市场中动量特征强且流动性相对较高的前100只股票作为指数成分股[64]。 6. **因子名称**：长江反转因子[64] * **因子构建思路**：以最近一个月的股票收益率作为反转指标，筛选市场中反转效应强的股票构建指数[64]。 * **因子具体构建过程**：“长江反转”指数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只股票作为指数成分股，并采用成分股近三个月日均成交量进行加权[64]。 模型的回测效果 （本报告未提供量化模型在历史回测中的具体绩效指标，如年化收益率、夏普比率、最大回撤等数值结果。报告主要展示了模型在特定时点的输出状态，例如拥挤度分位、超额净值走势等。） 1. **风格组相对拥挤度模型**，成长 vs 红利相对拥挤度历史分位为73%[72]，小盘 vs 大盘相对拥挤度历史分位为20%[77]，微盘股 vs 中证800相对拥挤度历史分位为76%[80] 2. **风格指数累计超额净值模型**，成长较红利累计超额净值处于历史较高位置[72]，小盘较大盘累计超额净值处于历史较高位置[77]，微盘股较中证800累计超额净值处于历史极高位置[80] 量化因子与构建方式 （报告中提及的动量、反转、成长、红利、大小盘等均为市场常见风格因子，其具体构建已在对应的指数编制方法中说明，详见“量化模型与构建方式”第5、6点及报告对风格指数的描述。） 因子的回测效果 （本报告未提供单因子测试的绩效指标，如因子IC、IR、多空组合收益等。报告主要展示了基于这些因子构建的风格指数在特定时期的表现。） 1. **成长 vs 红利因子**，近一周相对收益为-2.6%，近一月为-3.8%，年初至今为-1.9%[61] 2. **小盘 vs 大盘因子**，近一周相对收益为-2.7%，近一月为1.1%，年初至今为11.2%[61] 3. **动量 vs 反转因子**，近一周相对收益为-2.0%，近一月为-2.3%，年初至今为-4.5%[61] 4. **微盘股 vs 基金重仓因子**，近一周相对收益为1.2%，近一月为4.1%，年初至今为8.5%[61]