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]。

量化模型与构建方式 1. **模型名称：宽基轮动策略**[12] * **模型构建思路**：基于市场情绪热度指标，通过追踪不同宽基指数（如沪深300、中证500等）周度热度的边际变化，构建一个简单的择时轮动策略，每周买入热度上升最快的宽基指数[12]。 * **模型具体构建过程**： 1. 首先，将全市场股票按宽基指数成分股分组（如沪深300、中证500、中证1000、中证2000）以及“其他”组[8]。 2. 计算每个组别的“总热度”指标：对该组内所有成分股的个股总热度指标进行求和[7][8]。 3. 计算每个组别热度的周度变化率[9]。 4. 对周度变化率取2周移动平均（MA2）进行平滑处理[9]。 5. 在每周最后一个交易日，选择总热度变化率MA2最大的宽基组别进行投资。如果变化率最大的组别是“其他”组，则选择空仓[12]。 2. **模型名称：热门概念低热度选股策略**[30] * **模型构建思路**：在每周热度上升最快的热门概念板块中，逆向选择该概念内关注度（总热度）最低的个股构建投资组合，利用市场对热门板块内低关注度个股可能存在的反应不足来获取超额收益[29][30]。 * **模型具体构建过程**： 1. 每周筛选出本周热度变化率最大的5个概念[30]。 2. 将这5个热门概念的所有成分股合并，作为初选股票池[30]。 3. 从初选股票池中，剔除流通市值最小的20%的股票[30]。 4. 在剩余的股票池中，针对每个热门概念，分别选出该概念内“个股总热度”指标排名最后10位的个股[30]。 5. 将所有选出的个股等权重构建投资组合，记为“BOTTOM组合”[30]。 模型的回测效果 1. **宽基轮动策略**，年化收益率8.74%，最大回撤23.5%，2026年收益为5.2%[15]。 2. **热门概念低热度选股策略（BOTTOM组合）**，年化收益15.71%，最大回撤28.89%[32]。 量化因子与构建方式 1. **因子名称：个股总热度**[7] * **因子构建思路**：从行为金融学中的有限注意力理论出发，将个股的浏览、自选与点击次数等市场关注度数据加总，作为衡量个股情绪热度的代理变量[7]。 * **因子具体构建过程**：对于单只股票，在交易日t，计算其浏览、自选与点击次数之和。将该数值除以当日全市场所有股票的浏览、自选与点击次数之和，进行归一化处理。最后将归一化后的数值乘以10000，使得因子取值区间落在[0, 10000]之间[7]。 公式表示为： $$个股总热度_{i,t} = \frac{(浏览_{i,t} + 自选_{i,t} + 点击_{i,t})}{\sum_{j=1}^{N}(浏览_{j,t} + 自选_{j,t} + 点击_{j,t})} \times 10000$$ 其中，$i$ 代表个股，$t$ 代表交易日，$N$ 代表全市场股票总数。 2. **因子名称：聚合总热度（宽基/行业/概念）**[7] * **因子构建思路**：将个股层面的总热度指标向上聚合，得到宽基指数、行业或概念板块层面的整体情绪热度指标，用于监控更大范围的市场情绪变化[7]。 * **因子具体构建过程**：对于一个特定的宽基指数、申万行业或市场概念，将其包含的所有成分股的“个股总热度”因子值进行直接加总[7]。 公式表示为： $$聚合总热度_{G,t} = \sum_{i \in G} 个股总热度_{i,t}$$ 其中，$G$ 代表一个特定的宽基指数、行业或概念板块。 3. **因子名称：热度变化率MA2**[9][19] * **因子构建思路**：计算聚合总热度指标的周度环比变化，并采用移动平均进行平滑，以捕捉市场情绪热度的边际变化趋势，避免短期噪声干扰[9]。 * **因子具体构建过程**： 1. 对于某个标的（宽基、行业或概念），计算其本周聚合总热度与上周聚合总热度的环比变化率[9]。 2. 对该周度变化率序列计算2周移动平均值（MA2）[9]。 因子的回测效果 *（注：报告未提供单个因子的独立测试结果，如IC、IR等。所有因子均作为上述模型的输入，模型的回测效果已在前文展示。）*

量化模型与构建方式 1. **模型名称：择时雷达六面图综合择时模型**[1] * **模型构建思路**：权益市场表现受多维度指标共同影响，该模型从流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取二十一个指标刻画市场，并将其概括为“估值性价比”、“宏观基本面”、“资金&趋势”、“拥挤度&反转”四大类，最终生成一个介于[-1,1]之间的综合择时分数以指导市场观点[1][6]。 * **模型具体构建过程**： 1. **指标选取与分类**：从六个维度（流动性、经济面、估值面、资金面、技术面、拥挤度）选取二十一个具体指标[1]。 2. **单指标打分**：每个指标根据其构建规则，被转化为一个介于-1（强烈看空）到1（强烈看多）之间的分数，0代表中性[1]。具体各指标的构建和打分规则见后续因子部分。 3. **维度综合分数**：将同一维度下的各指标分数进行综合（具体综合方法未在本文中详述，但提及了各维度的当前得分），得到六个维度的分数[1][8]。 4. **大类综合分数**：将六个维度进一步概括为四大类（估值性价比、宏观基本面、资金&趋势、拥挤度&反转），并计算各大类分数[1][6]。 5. **最终综合打分**：基于所有指标或维度，生成一个位于[-1,1]之间的最终综合择时分数[1][6]。 量化因子与构建方式 1. **因子名称：货币方向因子**[10] * **因子构建思路**：判断当前货币政策的方向，通过比较货币政策工具利率与短端市场利率相对于90天前的平均变化方向来识别宽松或收紧[10]。 * **因子具体构建过程**：选取央行使用的货币政策工具利率与短端市场利率，计算其相较于90天前的平均变化方向。若因子值>0，则判断货币政策宽松；若因子值<0，则判断货币政策收紧[10]。在择时模型中，宽松对应看多信号（分数=1），收紧对应看空信号（分数=-1）[10]。 2. **因子名称：货币强度因子**[12] * **因子构建思路**：基于“利率走廊”概念，表征短端市场利率相对于政策利率的偏离幅度，以判断货币环境的松紧强度[12]。 * **因子具体构建过程**：计算偏离度 = DR007 / 7天逆回购利率 - 1，并对该偏离度进行平滑与z-score标准化，形成货币强度因子[12]。若因子值 < -1.5倍标准差，则预期未来120个交易日为宽松环境，指标分数为1；若因子值 > 1.5倍标准差，则预期未来120个交易日指标分数为-1[12]。 3. **因子名称：信用方向因子**[15] * **因子构建思路**：表征商业银行对实体经济信贷传导的松紧方向，使用中长期贷款指标来体现[15]。 * **因子具体构建过程**：计算信用方向因子为：中长期贷款当月值 -> 计算过去十二个月增量 -> 计算同比[15]。若该因子值相比于三个月之前上升则看多，分数为1；反之则看空，分数为-1[15]。 4. **因子名称：信用强度因子**[18] * **因子构建思路**：捕捉信贷指标是否大幅超预期或不及预期，反映信用扩张或收缩的强度[18]。 * **因子具体构建过程**：构建信用强度因子 = (新增人民币贷款当月值 – 预期中位数) / 预期标准差[18]。若因子值 > 1.5倍标准差，则定义未来60个交易日为信用显著超预期环境，分数为1；若因子值 < -1.5倍标准差，则未来60个交易日分数为-1[18]。 5. **因子名称：增长方向因子**[20] * **因子构建思路**：基于PMI数据判断经济增长的方向变化[20]。 * **因子具体构建过程**：基于中采制造业PMI、中采非制造业PMI、财新制造业PMI构建增长方向因子 = PMI -> 计算过去十二月均值 -> 计算同比[20]。若该因子值相比于三个月之前上升则看多，分数为1；反之则看空，分数为-1[20]。 6. **因子名称：增长强度因子**[23] * **因子构建思路**：捕捉经济增长指标是否大幅超预期或不及预期，反映经济增长的意外强度[23]。 * **因子具体构建过程**：计算PMI预期差 = (PMI – 预期中位数) / 预期标准差，以此作为增长强度因子[23]。若因子值 > 1.5倍标准差，则定义未来60个交易日为增长显著超预期环境，分数为1；若因子值 < -1.5倍标准差，则未来60个交易日分数为-1[23]。 7. **因子名称：通胀方向因子**[25] * **因子构建思路**：判断通胀水平的变化方向，通胀下行通常为未来货币宽松创造空间，利好权益[25]。 * **因子具体构建过程**：计算通胀方向因子 = 0.5 × CPI同比平滑值 + 0.5 × PPI同比原始值[25]。若该因子值相较于三个月之前降低，则说明是通胀下行环境，此时看多，分数为1；反之看空，分数为-1[25]。 8. **因子名称：通胀强度因子**[27] * **因子构建思路**：捕捉通胀指标是否大幅超预期或不及预期，反映通胀的意外强度[27]。 * **因子具体构建过程**：分别计算CPI与PPI的预期差 = (披露值 – 预期中位数) / 预期标准差，并计算通胀强度因子 = CPI与PPI预期差的均值[27]。若通胀强度因子 < -1.5倍标准差，则定义未来60个交易日为通胀显著不及预期环境，分数为1；若因子值 > 1.5倍标准差，则未来60个交易日分数为-1[27]。 9. **因子名称：席勒ERP**[28] * **因子构建思路**：使用经过周期调整的盈利来计算市盈率，再减去无风险利率，得到股权风险溢价，以衡量市场的估值性价比[28]。 * **因子具体构建过程**：计算过去6年通胀调整后的平均盈利得到席勒PE，然后计算席勒ERP = 1 / 席勒PE - 10年期国债到期收益率，并计算该ERP值在过去6年时间序列上的z-score作为分数[28]。 10. **因子名称：PB**[32] * **因子构建思路**：使用市净率的倒数并标准化，作为衡量市场估值水平的指标之一[32]。 * **因子具体构建过程**：对PB指标进行如下处理：PB × (-1) 并计算过去6年z-score，再用1.5倍标准差截尾后标准化到±1之间得到分数[32]。 11. **因子名称：AIAE (全市场权益配置比例)**[34] * **因子构建思路**：通过计算权益资产市值占金融资产总值的比例，来反映市场整体的风险偏好[34]。 * **因子具体构建过程**：构建A股的AIAE指标 = 中证全指总流通市值 / (中证全指总流通市值 + 实体总债务)[34]。将AIAE × (-1)并计算过去6年z-score得到分数[34]。 12. **因子名称：两融增量**[37] * **因子构建思路**：通过融资余额与融券余额的净增量趋势，判断市场杠杆资金的情绪和流向[37]。 * **因子具体构建过程**：计算融资余额 - 融券余额，并分别计算其过去120日均增量和过去240日均增量[37]。若120日均增量 > 240日均增量，则判断杠杆资金上行，看多，分数为1；反之看空，分数为-1[37]。 13. **因子名称：成交额趋势**[40] * **因子构建思路**：通过成交额的均线系统判断市场成交热度和资金活跃度的趋势[40]。 * **因子具体构建过程**：对对数成交额计算其均线距离 = ma120 / ma240 - 1[40]。当均线距离的max(10日) = max(30日) = max(60日)时看多，分数为1；当均线距离的min(10日) = min(30日) = min(60日)时看空，分数为-1[40]。 14. **因子名称：中国主权CDS利差**[44] * **因子构建思路**：将中国主权CDS利差作为海外投资者对中国经济与主权信用风险定价的代理变量，其变化可反映外资流入意愿[44]。 * **因子具体构建过程**：对平滑后的CDS利差计算20日差分[44]。若20日差分 < 0，说明CDS利差下降，海外投资者预期中国基本面转好，此时看多，分数为1；反之看空，分数为-1[44]。 15. **因子名称：海外风险厌恶指数 (花旗RAI指数)**[46] * **因子构建思路**：使用花旗风险厌恶指数捕捉海外市场的整体风险偏好，影响外资流向[46]。 * **因子具体构建过程**：对平滑后的风险厌恶指数计算20日差分[46]。若20日差分 < 0，说明外资风险偏好上升，此时看多，分数为1；反之看空，分数为-1[46]。 16. **因子名称：价格趋势**[49] * **因子构建思路**：结合价格均线距离的方向和强度，综合判断市场中长期运行趋势[49]。 * **因子具体构建过程**： 1. 计算均线距离 = ma120 / ma240 - 1[49]。 2. **趋势方向分数**：当均线距离 > 0 时，分数=1；反之为-1[49]。 3. **趋势强度分数**：当均线距离的max(20日) = max(60日)时，分数为1；当均线距离的min(20日) = min(60日)时，分数为-1[49]。 4. **趋势综合分数** = (趋势方向分数 + 趋势强度分数) / 2[49]。 17. **因子名称：新高新低数**[51] * **因子构建思路**：将指数成分股创一年新高与新低的个股数量差作为市场反转信号[51]。 * **因子具体构建过程**：计算中证800成分股的（过去一年新低数 - 新高数），并取20日移动平均[51]。若该均值 > 0，说明近期新低较多，市场有见底预期，看多，分数为1；反之看空，分数为-1[51]。 18. **因子名称：期权隐含升贴水**[55] * **因子构建思路**：基于期权平价关系推导出的隐含升贴水，反映期权市场对未来标的收益率的预期与情绪，作为反转指标衡量拥挤度[55]。 * **因子具体构建过程**：若50ETF近5日收益率 < 0，且该指标的历史分位数 < 30%，则发出看多信号，持续20日；若50ETF近5日收益率 > 0，且该指标的历史分位数 > 70%，则发出看空信号，持续20日[55]。 19. **因子名称：期权VIX指数**[56] * **因子构建思路**：期权隐含波动率指数，反映市场对未来波动率的预期与情绪，较高时市场倾向于反转[56]。 * **因子具体构建过程**：若50ETF近5日收益率 < 0，且该指标的历史分位数 > 70%，则发出看多信号，持续20日；若50ETF近5日收益率 > 0，且该指标的历史分位数 > 70%，则发出看空信号，持续20日[56]。 20. **因子名称：期权SKEW指数**[60] * **因子构建思路**：期权隐含偏度指数，反映市场对未来收益分布偏度的预期与情绪，用作反转指标[60]。 * **因子具体构建过程**：若50ETF近5日收益率 < 0，且该指标的历史分位数 > 70%，则发出看多信号，持续20日；若50ETF近5日收益率 > 0，且该指标的历史分位数 < 30%，则发出看空信号，持续20日[60]。 21. **因子名称：可转债定价偏离度**[63] * **因子构建思路**：可转债估值水平能体现市场情绪，其定价偏离度可用作反转指标[63]。 * **因子具体构建过程**：计算可转债定价偏离度 = 转债价格 / 模型定价 - 1[63]。计算分数 = 定价偏离度 × (-1) 并计算过去3年z-score得到最终分数[63]。定价偏离度越高，拥挤度越高，分数越低[63]。 模型的回测效果 *（注：本报告为周度观点报告，主要展示模型及因子在特定时点（本周）的输出结果和观点，未提供历史回测的统计指标（如年化收益率、夏普比率、最大回撤等）。因此，本部分仅汇总报告给出的最新分数和观点。）* 1. **择时雷达六面图综合择时模型**，当前综合打分为 **-0.30** 分，整体为中性偏空观点[1][6]。 2. **择时雷达六面图综合择时模型**，流动性维度得分为 **0.25** 分，信号中性偏多[1][8]。 3. **择时雷达六面图综合择时模型**，经济面维度得分为 **-0.75** 分，信号偏空[1][8]。 4. **择时雷达六面图综合择时模型**，估值面维度得分为 **-0.57** 分，信号中性偏空[1][8]。 5. **择时雷达六面图综合择时模型**，资金面维度得分为 **0.00** 分，信号中性[1][8]。 6. **择时雷达六面图综合择时模型**，技术面维度得分为 **0.00** 分，信号中性[1][8]。 7. **择时雷达六面图综合择时模型**，拥挤度维度得分为 **-0.50** 分，信号中性偏空[1][8]。 因子的回测效果 *（注：同模型部分，本报告未提供因子的历史IC、IR等统计指标，仅给出各因子在报告当周的具体分数和信号观点。）* 1. **货币方向因子**，当前分数为 **1.00** 分，发出看多信号[9][10]。 2. **货币强度因子**，当前分数为 **0.00** 分，信号中性[9][12]。 3. **信用方向因子**，当前分数为 **1.00** 分，发出看多信号[9][15]。 4. **信用强度因子**，当前分数为 **-1.00** 分，发出看空信号[9][18]。 5. **增长方向因子**，当前分数为 **-1.00** 分，发出看空信号[9][20]。 6. **增长强度因子**，当前分数为 **-1.00** 分，发出看空信号[9][23]。 7. **通胀方向因子**，当前分数为 **-1.00** 分，发出看空信号[9][25]。 8. **通胀强度因子**，当前分数为 **0.00** 分，信号中性[9][27]。 9. **席勒ERP因子**，当前分数为 **-0.04** 分[9][28]。 10. **PB因子**，当前分数为 **-0.66** 分[9][32]。 11. **AIAE因子**，当前分数为 **-1.00** 分[9][34]。 12. **两融增量因子**，当前分数为 **1.00** 分，发出看多信号[9][37]。 13. **成交额趋势因子**，当前分数为 **1.00** 分，发出看多信号[9][40][41]。 14. **中国主权CDS利差因子**，当前分数为 **-1.00** 分，发出看空信号[9][44]。 15. **海外风险厌恶指数因子**，当前分数为 **-1.00** 分，发出看空信号[9][46]。 16. **价格趋势因子**，当前综合分数为 **1.00** 分，发出看多信号[9][49]。 17. **新高新低数因子**，当前分数为 **-1.00** 分，发出看空信号[9][51][52]。 18. **期权隐含升贴水因子**，当前分数为 **-1.00** 分，发出看空信号[9][55]。 19. **期权VIX指数因子**，当前分数为 **1.00** 分，发出看多信号[9][56]。 20. **期权SKEW指数因子**，当前分数为 **-1.00** 分，发出看空信号[9][60][61]。 21. **可转债定价偏离度因子**，当前分数为 **-1.00** 分，发出看空信号[9][63]。

量化模型与构建方式 1. **模型名称：成交量模型**[9][11] * **模型构建思路：** 基于价量关系构建的短期择时模型，核心思想是成交量变化能反映市场情绪和趋势强度[9]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为短期择时模型之一，并给出了最新信号[11]。 2. **模型名称：特征龙虎榜机构模型**[11] * **模型构建思路：** 利用龙虎榜机构买卖数据构建的短期择时模型，捕捉机构资金动向对市场的影响[11]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为短期择时模型之一，并给出了最新信号[11]。 3. **模型名称：特征成交量模型**[11] * **模型构建思路：** 基于特定的成交量特征（可能与普通成交量模型不同）构建的短期择时模型[11]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为短期择时模型之一，并给出了最新信号[11]。 4. **模型名称：智能算法沪深300模型 / 智能算法中证500模型**[11] * **模型构建思路：** 应用智能算法（如机器学习）对沪深300或中证500指数进行择时判断[11]。 * **模型具体构建过程：** 报告未详细描述具体算法、因子或构建过程，仅提及其为短期择时模型之一，并给出了最新信号[11]。 5. **模型名称：涨跌停模型**[12] * **模型构建思路：** 基于市场涨跌停股票数量或相关特征构建的中期择时模型，反映市场极端情绪和赚钱效应[9][12]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为中期择时模型之一，并给出了最新信号[12]。 6. **模型名称：上下行收益差模型**[12] * **模型构建思路：** 通过比较市场上涨和下跌时的收益差异来构建择时信号，衡量市场内在动能的强弱[9][12]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为中期择时模型之一，并给出了对不同宽基指数的看多/中性信号[11][12]。 7. **模型名称：月历效应模型**[12] * **模型构建思路：** 基于历史统计中存在的特定月份或时间段的市场规律（月历效应）构建的中期择时模型[12]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为中期择时模型之一，并给出了看多信号[12]。 8. **模型名称：长期动量模型**[12] * **模型构建思路：** 基于长期价格动量趋势构建的择时模型[9][12]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为长期择时模型之一，并给出了中性信号[12]。 9. **模型名称：A股综合兵器V3模型 / A股综合国证2000模型**[13] * **模型构建思路：** 将不同周期、不同策略的多个择时模型信号进行耦合得到的综合择时模型，旨在实现攻守兼备[9][13]。 * **模型具体构建过程：** 报告未详细描述具体的耦合规则或权重分配方法，仅提及其为综合模型，并给出了中性信号[13]。 10. **模型名称：成交额倒波幅模型**[13] * **模型构建思路：** 应用于港股的中期择时模型，可能结合成交额与波动率（波幅）的倒数关系来构建信号[13]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为港股中期择时模型之一，并给出了看空信号[13]。 11. **模型名称：上下行收益差相似模型**[13] * **模型构建思路：** 应用于港股的中期择时模型，原理可能与A股的上下行收益差模型类似，用于衡量市场动能[13]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为港股中期择时模型之一，并给出了看多信号[13]。 12. **模型名称：形态学监控模型（杯柄形态、双底形态）**[43] * **模型构建思路：** 基于技术分析中的经典价格形态（杯柄形态、双底形态）识别个股买入机会，属于事件驱动型选股策略[43]。 * **模型具体构建过程：** 报告未详细描述形态识别的具体算法规则和参数，但展示了识别出的形态关键点（如A、B、C点）和突破信号[46][48][51][53][56][57][59]。 13. **模型名称：VIX指数模型**[40] * **模型构建思路：** 通过计算期权隐含波动率来构建市场恐慌/情绪指标，为判断市场提供参考，VIX通常与大盘呈负相关关系[40]。 * **模型具体构建过程：** 报告提及根据公开披露的VIX计算方法复现了指数，具体公式未列出，但指出其与中证指数公司历史VIX的相关系数达99.2%[40]。 模型的回测效果 1. **双底形态模型**，自2020年12月31日至今累计收益23.45%，同期上证综指涨幅17.06%，超额收益6.39%[43]。 2. **杯柄形态模型**，自2020年12月31日至今累计收益19.67%，同期上证综指涨幅17.06%，超额收益2.61%[43]。 量化因子与构建方式 1. **因子名称：分析师一致预期调整因子**[17][18] * **因子构建思路：** 利用卖方分析师对个股盈利预测的上调或下调比例，构建行业层面的预期情绪因子[17][18]。 * **因子具体构建过程：** 报告展示了“分析师上调个股比例”和“分析师下调个股比例”这两个数据，可能通过计算净上调比例或两者差值来构建因子，但未给出明确公式[17][18]。 2. **因子名称：基金仓位因子（绝对仓位、超低配仓位）**[21][22][26][27][30] * **因子构建思路：** 利用公募基金定期报告披露的持仓数据，计算行业配置比例，反映机构资金动向和偏好[21][22]。 * **因子具体构建过程：** * **绝对仓位：** 计算股票型或混合型基金在某行业的持仓市值占其总股票持仓市值的比例[26][27]。 * **超低配仓位：** 计算基金在某行业的持仓比例与该行业市值占全市场比例（或基准指数比例）的差值[30]。 * **超低配近两年分位数：** 将当前超低配仓位值放在近两年的历史序列中计算其分位数，以判断当前配置水平在历史上的位置[22][30]。 因子的回测效果 *(报告未提供因子的独立历史回测绩效指标，如IC、IR、多空收益等。)*

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**[9] * **模型构建思路：** 基于价量关系构建的短期择时模型，核心思想简单普世[9]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为短期择时模型之一，基于价量角度构建[9]。 2. **模型名称：特征龙虎榜机构模型**[11] * **模型构建思路：** 基于龙虎榜机构交易特征构建的短期择时模型。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为短期择时模型之一。 3. **模型名称：特征成交量模型**[11] * **模型构建思路：** 基于成交量特征构建的短期择时模型。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为短期择时模型之一。 4. **模型名称：智能算法沪深300模型 / 智能算法中证500模型**[11] * **模型构建思路：** 应用智能算法对特定宽基指数（沪深300、中证500）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之一。 5. **模型名称：涨跌停模型**[12] * **模型构建思路：** 基于市场涨跌停板现象构建的中期择时模型，核心思想简单普世[9]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为中期择时模型之一，基于涨跌停角度构建[9]。 6. **模型名称：上下行收益差模型**[12] * **模型构建思路：** 通过比较市场上行和下行收益的差异来构建中期择时信号。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为中期择时模型之一。 7. **模型名称：月历效应模型**[12] * **模型构建思路：** 基于市场历史存在的月度周期性规律构建的中期择时模型。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为中期择时模型之一。 8. **模型名称：长期动量模型**[12] * **模型构建思路：** 基于资产价格的长期趋势（动量）构建的长期择时模型，核心思想简单普世[9]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为长期择时模型之一，基于动量角度构建[9]。 9. **模型名称：A股综合兵器V3模型 / A股综合国证2000模型**[13] * **模型构建思路：** 将不同周期或不同策略的择时模型信号进行耦合，形成综合择时观点，旨在攻守兼备[9]。 * **模型具体构建过程：** 报告未详细描述具体的耦合方法与权重分配。 10. **模型名称：成交额倒波幅模型**[13] * **模型构建思路：** 应用于港股的中期择时模型，可能结合成交额与波动率指标。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程。 11. **模型名称：上下行收益差相似模型**[13] * **模型构建思路：** 应用于港股的中期择时模型，是“上下行收益差模型”的相似或衍生版本。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，及其与基础模型的区别。 12. **模型名称：形态学择时模型（杯柄形态、双底形态）**[43] * **模型构建思路：** 通过识别股价图表中的特定技术形态（如杯柄形态、双底形态）来生成交易信号。 * **模型具体构建过程：** 报告未详细描述形态识别的具体量化规则和突破确认标准。模型通过识别形态的关键点（如杯柄形态的A、B、C点，双底形态的A、B、C点）来确认形态完成和突破[46][51]。 13. **模型名称：HCVIX模型**[40] * **模型构建思路：** 复现并计算中国市场的波动率指数（VIX），作为判断市场情绪的参考指标，因其通常与大盘呈负相关关系[40]。 * **模型具体构建过程：** 根据中证指数公司曾公开披露的VIX计算方法进行复现。计算覆盖50ETF、沪深300指数、300ETF等标的。其复现指数与历史官方VIX指数的相关系数达到99.2%[40]。公式未在报告中给出。 14. **模型名称：大师策略系列**[36] * **模型构建思路：** 基于经典量化选股逻辑（价值型、成长型、综合型）构建的一系列策略组合，用于监控因子暴露和选股标准[36]。 * **模型具体构建过程：** 报告未详细描述每个策略的具体构建公式和选股流程。平台共监控33个大师系列策略[36]。 15. **模型名称：倒杯子形态风险模型**[62] * **模型构建思路：** 识别典型的负向技术形态“倒杯子形态”，用于预警个股下跌风险[62]。 * **模型具体构建过程：** 报告未详细描述形态识别的具体量化规则。该形态在一波下跌后出现筑顶，完成后再现下跌突破，预示可能延续下跌趋势[62]。 模型的回测效果 *注：报告主要提供了各模型的最新信号观点，未提供统一口径下的历史回测指标（如年化收益率、最大回撤、夏普比率、信息比率IR等）。以下为报告中提及的形态学策略部分表现数据。* 1. **双底形态组合**，自2020年12月31日至今累计上涨23.45%，同期上证综指上涨17.06%，累计超额收益6.39%[43]。本周（报告期）组合下跌-0.88%，跑赢上证综指（-1.27%）0.39%[43]。 2. **杯柄形态组合**，自2020年12月31日至今累计上涨19.67%，同期上证综指上涨17.06%，累计超额收益2.61%[43]。本周（报告期）组合下跌-0.44%，跑赢上证综指（-1.27%）0.83%[43]。 量化因子与构建方式 *注：本报告主要侧重于择时模型与技术形态，未详细阐述用于选股的底层量化因子（如价值、成长、质量等）的构建方法。报告中提及的“大师策略”暴露了某些因子，但未具体说明因子定义[36]。*

量化模型与构建方式 1. **模型名称：利率市场结构指标（水平、期限、凸性结构）**[1][7] * **模型构建思路**：将1至10年期国债的到期收益率（YTM）数据，通过数学变换分解为三个独立的维度：水平、期限和凸性结构，用以从均值回归视角评估当前利率市场的状态[1][7]。 * **模型具体构建过程**：报告未详细说明具体的数学变换公式，但指出是将1至10年期的国债YTM数据分别转化至三个结构指标[7]。构建过程涉及计算各指标的历史分位数（如3年、5年、10年滚动窗口），以判断当前点位在历史中的相对位置[7][9]。 2. **模型名称：利率价量多周期择时模型**[2][3][6][10][13][17][20] * **模型构建思路**：基于核回归算法识别利率（国债YTM）的趋势形态，刻画支撑线和阻力线，并根据长、中、短不同投资周期下利率走势的形态突破情况，进行多周期复合判断，生成看多或看空的交易信号[10][20]。 * **模型具体构建过程**： 1. **趋势识别**：使用核回归算法对利率时间序列进行平滑，以捕捉其主要趋势并生成支撑线和阻力线[10]。 2. **多周期设定**：设定长周期（平均切换频率为月度）、中周期（双周度）和短周期（周度）三种不同的时间窗口[10][20]。 3. **信号生成**：在每个周期下，判断利率是否向上突破阻力线（上行突破）或向下突破支撑线（下行突破）[10][13][17]。 4. **综合评分**：统计三个周期中“下行突破”和“上行突破”的票数。若同向突破总得票数达到2/3（即至少2票），则生成相应的看多或看空信号；否则为无明确信号[6][10][13][17]。 3. **模型名称：利率价量多周期交易策略**[4][23][24][27][28][32] * **模型构建思路**：将上述多周期择时信号转化为可交易的资产配置策略，通过在不同市场环境下动态调整短、中、长久期债券的配置比例，以获取超越等权基准的超额收益[23]。 * **模型具体构建过程**： 1. **投资标的**：根据策略久期偏好选择不同的债券指数： * 短久期：综合债1-3 (CBA00121) * 中久期：综合债3-5 (CBA00131) * 长久期：根据择时信号来源的YTM期限对应为综合债5-7 (CBA00141)、7-10 (CBA00151)或10以上 (CBA00161)[23]。 2. **交易规则**： * **看多信号（做多长久期）**：当短、中、长周期中，有至少2个周期出现利率向下突破支撑线，且利率趋势非向上时，满配长久期债券[23]。 * **看多但趋势向上**：当满足上述突破条件，但利率趋势向上时，配置1/2中久期 + 1/2长久期[23]。 * **看空信号（做多短久期）**：当短、中、长周期中，有至少2个周期出现利率向上突破阻力线，且利率趋势非向下时，满配短久期债券[28]。 * **看空但趋势向下**：当满足上述突破条件，但利率趋势向下时，配置1/2中久期 + 1/2短久期[28]。 * **其他情况**：配置1/3短久期 + 1/3中久期 + 1/3长久期[28]。 3. **业绩基准**：久期等权策略，即始终持有1/3短久期 + 1/3中久期 + 1/3长久期的组合[28]。 4. **止损规则**：当单日组合超额收益小于-0.5%时，将持仓调整为等权配置[28]。 模型的回测效果 1. **基于5年期国债YTM的多周期交易策略**[4][24][36] * **长期表现（2007.12.31以来）**：年化收益率5.46%，最大回撤2.88%，收益回撤比1.9，相对业绩基准的超额年化收益率1.06%，超额收益回撤比0.61[24]。 * **短期表现（2024年底以来）**：年化收益率2.27%，最大回撤0.59%，收益回撤比3.85，相对业绩基准的超额年化收益率0.65%，超额收益回撤比2.27[4][24]。 * **胜率**：2008年以来逐年绝对收益大于0的概率为100%，逐年超额收益大于0的概率为100%[24]。 2. **基于10年期国债YTM的多周期交易策略**[4][27][36] * **长期表现（2007.12.31以来）**：年化收益率6.03%，最大回撤2.74%，收益回撤比2.2，相对业绩基准的超额年化收益率1.62%，超额收益回撤比1.15[27]。 * **短期表现（2024年底以来）**：年化收益率2.53%，最大回撤0.58%，收益回撤比4.37，相对业绩基准的超额年化收益率1.05%，超额收益回撤比3.24[4][27]。 * **胜率**：2008年以来逐年绝对收益大于0的概率为100%，逐年超额收益大于0的概率为100%[27]。 3. **基于30年期国债YTM的多周期交易策略**[4][32][36] * **长期表现（2007.12.31以来）**：年化收益率7.28%，最大回撤4.27%，收益回撤比1.7，相对业绩基准的超额年化收益率2.37%，超额收益回撤比0.85[32]。 * **短期表现（2024年底以来）**：年化收益率2.69%，最大回撤0.92%，收益回撤比2.93，相对业绩基准的超额年化收益率1.97%，超额收益回撤比2.59[4][32]。 * **胜率**：2008年以来逐年绝对收益大于0的概率为94.44%，逐年超额收益大于0的概率为94.44%[32]。 量化因子与构建方式 （报告未涉及独立的量化因子构建，仅包含基于利率数据的模型和策略）

量化模型与构建方式 1. **模型名称：量能择时模型**[7][12][24] * **模型构建思路**：通过分析主要宽基指数的成交量能变化，判断市场短期走势，给出看多或看空的择时信号[12]。 * **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步骤，仅提及根据“量能择时指标”生成信号。截至报告期末，各主要宽基指数的该指标均发出“空”/“谨慎”信号[24]。 2. **模型名称：沪深300上涨家数占比择时模型（动量情绪指标）**[24][26][28] * **模型构建思路**：通过计算沪深300指数成分股中近期上涨股票的家数占比，并对其进行平滑处理，利用快慢线的交叉来捕捉市场情绪拐点，进行择时[24][26]。 * **模型具体构建过程**： 1. 首先，计算沪深300指数N日上涨家数占比。公式定义为： $$沪深300指数 N 日上涨家数占比 = \frac{沪深300指数成分股过去 N 日收益大于 0 的个股数}{沪深300指数成分股总数}$$[24] 2. 然后，对该指标值进行两次移动平均平滑。设长期窗口期为N1，短期窗口期为N2，且N1 > N2。报告示例中参数为N1=50，N2=35[26]。 $$慢线 = MA(上涨家数占比, N1)$$ $$快线 = MA(上涨家数占比, N2)$$ 3. 生成交易信号：当快线大于慢线时，看多沪深300指数；当快线小于等于慢线时，对市场持中性态度[28]。 3. **模型名称：均线情绪指标择时模型**[32][35] * **模型构建思路**：基于沪深300指数收盘价与一组均线（八均线体系）的相对位置关系，构建情绪指标，用于判断市场趋势状态并进行择时[32]。 * **模型具体构建过程**： 1. 计算沪深300指数的八条均线，均线参数为：8, 13, 21, 34, 55, 89, 144, 233[32]。 2. 计算当日沪深300指数收盘价大于这八条均线数值的数量[35]。 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[35]。报告将八均线区间值映射为-1, 0, 1三种状态来辅助判断[32]。 4. **因子名称：横截面波动率**[2][36][37] * **因子构建思路**：计算特定指数（如沪深300、中证500、中证1000）成分股收益率在横截面上的标准差，用以衡量市场分化程度和选股Alpha机会的强弱[2][36]。 * **因子具体构建过程**：报告未给出具体计算公式，但根据通用定义，横截面波动率通常是指在某个特定时间点（如日度），计算指数内所有成分股当日收益率的截面标准差。较高的横截面波动率意味着个股表现差异大，选股策略更容易获取超额收益[36]。 5. **因子名称：时间序列波动率**[2][37][40] * **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（通常为标准差），用以衡量市场整体波动水平和风险环境，影响Alpha策略的表现[2][37]。 * **因子具体构建过程**：报告未给出具体计算公式。通常指计算指数或个股在过去一段时间（如20日或60日）内收益率的标准差，作为其波动率的度量。报告展示的是指数成分股的加权时间序列波动率[37][40]。 6. **因子名称：抱团基金分离度**[80] * **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，作为衡量基金抱团程度的代理变量。分离度小表明抱团紧密，分离度大表明抱团瓦解[80]。 * **因子具体构建过程**： 1. 首先构造一个“抱团基金组合”[80]。 2. 计算该组合内各基金在特定时期（如日度或周度）的截面收益率的标准差，即为分离度指标[80]。 $$分离度 = Std(抱团基金组合截面收益率)$$ 模型的回测效果 *报告未提供上述择时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）的具体数值。* 因子的回测效果 1. **横截面波动率因子**，近两年平均值：沪深300为2.02%，中证500为2.26%，中证1000为2.51%[37]。近一年平均值：沪深300为2.01%，中证500为2.29%，中证1000为2.53%[37]。近半年平均值：沪深300为2.06%，中证500为2.44%，中证1000为2.60%[37]。近一季度平均值：沪深300为2.17%，中证500为2.48%，中证1000为2.63%[37]。近一季度平均值占近半年分位：沪深300为65.64%，中证500为56.35%，中证1000为66.14%[37]。 2. **时间序列波动率因子**，近两年平均值：沪深300为1.00%，中证500为1.35%，中证1000为1.52%[40]。近一年平均值：沪深300为0.89%，中证500为1.16%，中证1000为1.22%[40]。近半年平均值：沪深300为0.81%，中证500为1.20%，中证1000为1.15%[40]。近一季度平均值：沪深300为0.96%，中证500为1.27%，中证1000为1.22%[40]。近一季度平均值占近半年分位：沪深300为47.94%，中证500为60.32%，中证1000为66.93%[40]。 3. **抱团基金分离度因子**，报告未提供该因子的具体历史数值序列或统计值。

量化模型与因子总结 量化模型与构建方式 1. **模型名称：多资产基金投顾筛选模型** [2][18] * **模型构建思路**：为了从众多基金投顾产品中筛选出真正实现跨市场、跨类别多元化配置的产品，避免将“A股+债券”的简单组合误判为多元配置[2][18]。 * **模型具体构建过程**： 1. 将基金投顾的持仓拆解为11类大类资产，包括：A股、国内债、货币及现金、港股、美股、海外债券、黄金、新兴市场、其他发达市场、其他商品、REITs[18]。 2. 计算非传统资产的合计权重。非传统资产定义为：从总资产中扣除“A股、债券、货币及现金、港股”这四类传统主流资产后的其余资产[2][18]。 3. 设定阈值：若非传统资产的合计权重超过20%，则将该基金投顾归类为“多资产基金投顾”[2][18]。 2. **模型名称：多资产基金投顾三维标签分类模型** [3][32][34] * **模型构建思路**：为精准刻画多资产基金投顾的风险收益特征与策略风格，构建一个包含风险偏好、资产配置集中度、大类资产换手率三个维度的分类体系[3][32]。 * **模型具体构建过程**： 1. **风险偏好标签**：依据组合中生息资产与增值资产的配置比例划分。若生息资产权重超过70%，归类为**偏债型**；若增值资产权重超过70%，归类为**偏股型**；其余情形归为**平衡型**[34]。 2. **集中度标签**：采用赫芬达尔-赫希曼指数（HHI）衡量组合在大类资产上的配置集中度。计算公式为： $$HHI = \sum w_i^2$$ 其中，$w_i$ 为第 $i$ 类大类资产的配置权重[34]。 设定阈值：HHI > 0.5 为**高集中度**，HHI < 0.25 为**低集中度**，介于两者之间为**中集中度**[34]。 3. **换手率标签**：以近两年大类资产维度的年化单边换手率为计算口径，衡量投顾在大类资产层面的择时调整频率[34]。 设定阈值：换手率 > 2倍 定义为**高换手率**，< 1倍 定义为**低换手率**，其余区间为**中换手率**[34]。 3. **模型名称：多资产基金投顾Brinson业绩归因模型** [42][45][46] * **模型构建思路**：为评估多资产基金投顾超额收益的来源，将总超额收益分解为资产配置收益（反映大类资产择时能力）和选基收益（反映底层基金优选能力）两部分[42]。 * **模型具体构建过程**： 1. **资产配置收益**：衡量投顾主理人对大类资产的择时配置能力。计算公式为： $$R_{allocation} = \sum_i (w_i^{actual} - w_i^{benchmark}) \times r_i^{asset}$$ 其中，$w_i^{actual}$ 为第 $i$ 类大类资产的实际配置权重，$w_i^{benchmark}$ 为第 $i$ 类大类资产在同类风险偏好（偏股型/偏债型/平衡型）下的战略基准配置权重，$r_i^{asset}$ 为第 $i$ 类大类资产的区间收益率[42]。 2. **选基收益**：剔除资产配置收益后剩余的收益部分，反映主理人在各资产类别内部优选基金的能力。计算公式为： $$R_{selection} = R_{excess} - R_{allocation}$$ 其中，$R_{excess}$ 为基金投顾产品相对于其风险偏好基准的总超额收益[45][46]。 模型的回测效果 1. **多资产基金投顾三维标签分类模型** [37][38][39] * **风险偏好维度（2023-2025年化收益率）**： * 偏债型：2025年 7.4%，2024年 5.9%，2023年 3.9%[39] * 平衡型：2025年 15.7%，2024年 8.8%，2023年 -4.7%[39] * 偏股型：2025年 18.5%，2024年 10.5%，2023年 -1.0%[39] * **集中度维度（2023-2025年化收益率）**： * 低集中度 (HHI<0.25)：2025年 17.7%，2024年 8.2%，2023年 0.4%[39] * 中集中度：2025年 13.0%，2024年 6.9%，2023年 -4.0%[39] * 高集中度 (HHI>0.5)：2025年 7.8%，2024年 6.9%，2023年 3.9%[39] * **换手率维度（2023-2025年化收益率）**： * 低换手率 (<1倍)：2025年 15.6%，2024年 8.8%，2023年 1.7%[39] * 中换手率：2025年 10.6%，2024年 7.3%，2023年 0.5%[39] * 高换手率 (>2倍)：2025年 11.2%，2024年 7.6%，2023年 -5.4%[39] 2. **绩优偏股型多资产基金投顾（近两年年化收益率前五）** [47][49] * **国泰进取全球配置**：2026年以来区间收益率10.3%，2025年年化收益率37.3%，2024年年化收益率25.0%，2023年年化收益率-2.6%；2025年年化夏普比率1.4；2025年超额年化配置收益10.5%，超额年化选基收益6.3%[49] * **富贵闲人**：2026年以来区间收益率7.9%，2025年年化收益率28.7%，2024年年化收益率12.5%，2023年年化收益率-1.5%；2025年年化夏普比率1.7；2025年超额年化配置收益3.6%，超额年化选基收益5.5%[49] * **全球精选**：2026年以来区间收益率6.3%，2025年年化收益率28.6%，2024年年化收益率12.5%，2023年年化收益率-1.2%；2025年年化夏普比率2.1；2025年超额年化配置收益2.7%，超额年化选基收益4.5%[49] * **环球日积月累**：2026年以来区间收益率6.5%，2025年年化收益率26.8%，2024年年化收益率9.5%，2023年年化收益率-5.5%；2025年年化夏普比率1.6；2025年超额年化配置收益6.6%，超额年化选基收益1.8%[49] * **招商海外掘金**：2026年以来区间收益率3.8%，2025年年化收益率34.2%，2024年年化收益率9.4%，2023年年化收益率4.0%；2025年年化夏普比率3.2；2025年超额年化配置收益-0.8%，超额年化选基收益14.5%[49] 3. **绩优偏债型多资产基金投顾（近两年年化收益率前五）** [55][58] * **全球固收+**：2026年以来区间收益率2.0%，2025年年化收益率9.6%，2024年年化收益率9.4%，2023年年化收益率0.5%；2025年年化夏普比率2.3；2025年超额年化配置收益2.6%，超额年化选基收益1.3%[58] * **嘉实百灵全天候策略**：2026年以来区间收益率1.0%，2025年年化收益率8.9%，2024年年化收益率9.7%，2023年年化收益率3.7%；2025年年化夏普比率3.1；2025年超额年化配置收益3.8%，超额年化选基收益0.5%[58] * **省心投配置宝**：2026年以来区间收益率1.3%，2025年年化收益率10.8%，2024年年化收益率5.0%；2025年年化夏普比率3.1；2025年超额年化配置收益2.3%，超额年化选基收益1.0%[58] * **老有所依**：2026年以来区间收益率2.3%，2025年年化收益率7.6%，2024年年化收益率8.1%，2023年年化收益率1.0%；2025年年化夏普比率2.8；2025年超额年化配置收益-3.1%，超额年化选基收益4.3%[58] * **兴全多元收益**：2026年以来区间收益率1.0%，2025年年化收益率8.6%，2024年年化收益率5.2%；2025年年化夏普比率2.1；2025年超额年化配置收益2.0%，超额年化选基收益-0.6%[58] 4. **绩优平衡型多资产基金投顾（近两年年化收益率前五）** [64][68] * **天马进取**：2026年以来区间收益率3.4%，2025年年化收益率21.4%，2024年年化收益率15.2%，2023年年化收益率-18.4%；2025年年化夏普比率1.1；2025年超额年化配置收益-0.9%，超额年化选基收益13.6%[68] * **时光旅行者**：2026年以来区间收益率2.5%，2025年年化收益率21.3%，2024年年化收益率22.4%，2023年年化收益率3.1%；2025年年化夏普比率2.4；2025年超额年化配置收益15.6%，超额年化选基收益-10.3%[68] * **思远定投全球好资产**：2026年以来区间收益率4.5%，2025年年化收益率23.4%，2024年年化收益率11.0%，2023年年化收益率5.5%；2025年年化夏普比率2.1；2025年超额年化配置收益-3.8%，超额年化选基收益8.4%[68] * **月食计划**：2026年以来区间收益率3.2%，2025年年化收益率17.4%，2024年年化收益率7.3%，2023年年化收益率-12.1%；2025年年化夏普比率1.5；2025年超额年化配置收益2.8%，超额年化选基收益-0.6%[68] * **绘盈长投计划**：2026年以来区间收益率1.5%，2025年年化收益率15.5%，2024年年化收益率15.2%，2023年年化收益率11.1%；2025年年化夏普比率1.9；2025年超额年化配置收益3.6%，超额年化选基收益-4.4%[68] 量化因子与构建方式 1. **因子名称：集中度因子（HHI）** [34] * **因子构建思路**：量化多资产基金投顾组合在大类资产配置上的分散程度，高HHI值代表配置集中于少数资产，低HHI值代表配置分散[34]。 * **因子具体构建过程**： 1. 获取基金投顾在11类大类资产上的配置权重 $w_i$[34]。 2. 计算赫芬达尔-赫希曼指数（HHI）： $$HHI = \sum_{i=1}^{11} w_i^2$$ 其中，$w_i$ 为第 $i$ 类大类资产的配置权重[34]。 2. **因子名称：大类资产换手率因子** [34] * **因子构建思路**：衡量多资产基金投顾在大类资产层面的择时调整频率，高换手率代表频繁进行大类资产轮动，低换手率代表坚持战略配置、调仓频率低[34]。 * **因子具体构建过程**： 1. 基于基金投顾的定期持仓报告，计算相邻两期在大类资产维度上的单边调仓比例[34]。 2. 计算近两年的年化单边换手率作为因子值[34]。 对模型或因子的评价 1. **多资产基金投顾三维标签分类模型**：该模型有效揭示了不同策略风格的风险收益特征，数据验证表明，低集中度（分散配置）和低换手率（低频择时）的产品整体长期业绩更佳，而高频择时策略可能因交易成本和踏空风险效果欠佳[3][37][38]。 2. **Brinson业绩归因模型**：该模型成功将多资产基金投顾的超额收益分解为配置收益和选基收益，揭示了不同绩优产品的主要收益来源存在显著差异，例如有的产品主要依靠大类资产择时，有的则依靠底层基金优选[42][48][56][65]。 3. **集中度因子（HHI）**：是一个有效衡量资产配置分散度的指标，回测结果显示，低集中度（高分散）策略在结构性行情中表现更优，但过度分散可能削弱收益弹性[34][37][47]。 4. **大类资产换手率因子**：该因子表明，在大类资产层面进行频繁择时（高换手率）与收益呈现负相关关系，坚持战略资产配置、降低交易频率的策略更有可能在波动中获取稳定收益[3][34][38]。