量化模型与构建方式 1. **模型名称：全天候择时模型**[2][7] * **模型构建思路**：该模型旨在对市场宽基指数进行择时，通过监测多种信号，在特定条件下发出交易型风险提示，以规避市场短期风险或捕捉交易机会。 * **模型具体构建过程**：报告未详细说明该模型的具体构建过程、信号来源或合成方法。 2. **模型名称：周期分析模型**[2][7] * **模型构建思路**：该模型用于分析市场（如上证综指）的长期运行趋势，通过识别市场所处的周期阶段（如上行末端、下行阶段）来辅助判断市场的中长期方向。 * **模型具体构建过程**：报告未详细说明该模型的具体构建过程、周期划分标准或核心指标。 3. **模型名称：行业四轮驱动模型**[2][7] * **模型构建思路**：该模型用于进行行业轮动配置，通过综合多个维度的信号，筛选出具有潜在投资机会的行业。 * **模型具体构建过程**：报告未详细说明该模型四个驱动维度的具体构成、信号生成规则以及最终的行业排序合成方法。但从图表中可知，模型会输出行业排序，并标注触发信号的类型（如赚钱效应异动、弱势行业反转、牛回头）及信号日期[13]。 4. **因子名称：行业拥挤度**[2][3][7] * **因子构建思路**：该因子用于衡量某个行业或板块的交易过热程度，当拥挤度过高时，可能预示着短期调整风险。 * **因子具体构建过程**：报告未提供行业拥挤度因子的具体计算公式和构建步骤。仅提及该指标用于监测TMT板块中的通信行业，并显示其已出现一定拥挤迹象[2][7]。 5. **因子名称：行业分化度**[2][7] * **因子构建思路**：该因子用于衡量不同行业间走势的差异性或离散程度。分化度较高可能意味着市场存在结构性机会，而分化度过低可能意味着市场普涨普跌，缺乏明确主线。 * **因子具体构建过程**：报告未提供行业分化度因子的具体计算公式和构建步骤。仅提及通过观察过去一个季度的行业分化度指标来判断市场结构[2][7]。 6. **因子名称：成交金额占比**[2][7] * **因子构建思路**：该因子通过计算某个板块（如周期板块）的成交金额占市场总成交额的比例，来观察资金的流向和板块的热度变化。占比从低位回升可能意味着资金关注度重新提升。 * **因子具体构建过程**：报告未提供成交金额占比因子的具体计算公式。仅提及周期板块的该指标已回落至相对低位并出现企稳回升迹象[2][7]。 模型的回测效果 （报告未提供各模型的具体回测绩效指标，如年化收益率、夏普比率、最大回撤、信息比率IR等。） 因子的回测效果 （报告未提供各因子的具体测试结果取值，如因子收益率、IC值、IR等。仅对拥挤度和分化度指标给出了定性观察结论。）

量化模型与构建方式 1. **模型名称**：港股通互联网与科技指数轮动策略（趋势跟随策略） * **模型构建思路**：基于动量效应，在两只主题指数（中证港股通互联网指数与恒生港股通科技指数）之间进行轮动配置，以捕捉不同市场风格下的强势指数[7][80]。 * **模型具体构建过程**： 1. **投资标的**：中证港股通互联网指数（931637.CSI）和恒生港股通科技指数（HSSCITI.HI）[80]。 2. **动量信号**：计算两个指数过去20个交易日的涨跌幅，作为动量信号[7][80]。 3. **调仓规则**： * 初始调仓：回测第1天立即根据初始信号选定持仓[82]。 * 定期调仓：之后每隔5个交易日（每周）检查一次动量信号[7][80]。 * 调仓条件：若检查日计算出的动量信号（即过去20天涨跌幅更高的指数）与当前持仓指数不同，则切换至另一指数；若相同，则不换仓[82]。 4. **回测区间**：2024-01-03 至 2026-04-22（共538个交易日）[82]。 * **模型评价**：在趋势明确的年份（如2024、2025年）能有效捕捉更强的那一只指数，但在持续震荡下行的环境中优势有限[7][86]。 模型的回测效果 1. **港股通互联网与科技指数轮动策略**，总收益率72.56%[85]，年化收益率28.20%[85]，年化波动率35.94%[85]，夏普比率0.743[85]，最大回撤-32.46%[85]，卡玛比率0.869[85]，索提诺比率1.171[85]，日胜率50.00%[85]。 2. **中证港股通互联网指数（931637.CSI）**，总收益率35.26%[85]，年化收益率14.75%[85]，年化波动率35.43%[85]，夏普比率0.374[85]，最大回撤-33.77%[85]。 3. **恒生港股通科技指数（HSSCITI.HI）**，总收益率57.45%[85]，年化收益率22.96%[85]，年化波动率35.86%[85]，夏普比率0.598[85]，最大回撤-33.00%[85]。 量化因子与构建方式 1. **因子名称**：20日动量因子 * **因子构建思路**：用于衡量指数在过去一段时间内的价格趋势，作为判断市场风格偏向“软”（互联网）还是“硬”（科技）的依据[80]。 * **因子具体构建过程**：对于任一指数（记为Index），在调仓日（t日），计算其过去20个交易日的累计收益率作为动量因子值。 $$Momentum_{Index, t} = \frac{P_{Index, t}}{P_{Index, t-20}} - 1$$ 其中，\(P_{Index, t}\) 为指数在t日的收盘价（或点位），\(P_{Index, t-20}\) 为指数在t-20日的收盘价[7][80]。比较两个指数的动量因子值，数值更高者即为当期信号指向的配置标的。 因子的回测效果 *(报告未提供该动量因子作为独立因子的测试结果，仅作为轮动策略的组成部分)*

量化模型与构建方式 1. **模型名称：戴维斯双击组合**[1][4] * **模型构建思路**：以较低市盈率买入具有成长潜力的股票，待其成长性显现、市盈率提升后卖出，获取每股收益（EPS）和市盈率（PE）双重上涨带来的乘数效应收益[1][4]。 * **模型具体构建过程**：报告未详细说明该组合的具体选股和构建步骤，仅阐述了其核心逻辑。其思路是寻找业绩增速在加速增长的标的，以控制市盈率（PE）的向下空间[4]。 2. **模型名称：净利润断层组合**[1][7] * **模型构建思路**：结合基本面（业绩超预期）与技术面（股价向上跳空）的共振进行选股。“净利润”指业绩超预期，“断层”指盈余公告后首个交易日股价出现明显的向上跳空缺口[1][7]。 * **模型具体构建过程**： 1. 筛选股票样本：每期选取过去两个月内发布业绩预告或正式财报，且业绩满足超预期事件的股票[7]。 2. 排序与构建组合：根据盈余公告日股价的跳空幅度对样本股票进行排序，选取排名前50的股票，采用等权重方式构建投资组合[7]。 3. **模型名称：沪深300增强组合**[1][10] * **模型构建思路**：基于对优秀基金的归因分析，识别并综合GARP（合理价格成长）、成长型和价值型三类投资者的偏好因子，对沪深300指数成分股进行增强配置[1][10]。 * **模型具体构建过程**：报告未详细说明三类因子的具体合成与组合加权方式，但阐述了构建各偏好因子的核心逻辑： * **GARP型因子**： * **PBROE因子**：寻找估值低且盈利能力强的股票。构建思路为计算市净率（PB）与净资产收益率（ROE）的分位数之差[10]。 * **PEG因子**：寻找价值被低估且拥有可靠成长潜力的公司。构建思路为计算市盈率（PE）与盈利增速的分位数之差[10]。 * **成长型因子**：通过营业收入、毛利润、净利润等增速指标来寻找高速成长的股票[10]。 * **价值型因子**：偏好具有长期稳定高ROE的公司[10]。 模型的回测效果 1. **戴维斯双击组合** * 基准指数：中证500指数[6] * 全样本年化收益：25.93%[6] * 全样本年化超额收益：21.60%[6] * 全样本相对最大回撤：-20.14%[6] * 全样本收益回撤比：1.07[6] * 特定区间（2010-2017年）年化收益：26.45%[6] * 特定区间（2010-2017年）年化超额收益：21.08%[6] * 今年以来（至2026-04-24）累计绝对收益：19.40%[6] * 今年以来（至2026-04-24）超额收益：8.92%[6] * 本期组合（2026-02-02至2026-04-24）超额收益：11.73%[6] 2. **净利润断层组合** * 基准指数：中证500指数[8] * 全样本年化收益：31.07%[8] * 全样本年化超额收益：27.24%[8] * 全样本相对最大回撤：-37.12%[8] * 全样本收益回撤比：0.73[8] * 今年以来（至2026-04-24）累计绝对收益：25.18%[8] * 今年以来（至2026-04-24）超额收益：14.70%[8] 3. **沪深300增强组合** * 基准指数：沪深300指数[12] * 全样本年化收益：11.11%[12] * 全样本年化超额收益：9.30%[12] * 全样本相对最大回撤：-9.18%[12] * 全样本收益回撤比：1.01[12] * 今年以来（至2026-04-24）累计绝对收益：9.45%[12] * 今年以来（至2026-04-24）超额收益：6.44%[12] 量化因子与构建方式 1. **因子名称：PBROE因子**[10] * **因子构建思路**：属于GARP型投资者偏好因子，旨在寻找估值低（PB低）并且盈利能力高（ROE高）的股票[10]。 * **因子具体构建过程**：计算股票市净率（PB）分位数与净资产收益率（ROE）分位数之差。报告未给出具体计算公式，但逻辑可表示为：因子值 = Rank(ROE) - Rank(PB)，预期因子值越高代表股票性价比越高[10]。 2. **因子名称：PEG因子**[10] * **因子构建思路**：属于GARP型投资者偏好因子，旨在寻找价值被低估（PE低）且拥有可靠成长潜力（增速高）的公司[10]。 * **因子具体构建过程**：计算股票市盈率（PE）分位数与盈利增速（G）分位数之差。报告未给出具体计算公式，但逻辑可表示为：因子值 = Rank(G) - Rank(PE)，预期因子值越高代表成长性与估值匹配度越好[10]。 3. **因子名称：成长型因子**[10] * **因子构建思路**：反映成长型投资者的偏好，关注公司的成长性[10]。 * **因子具体构建过程**：通过营业收入增速、毛利润增速、净利润增速等指标来寻找高速成长的股票。报告未说明具体合成方法[10]。 4. **因子名称：价值型因子**[10] * **因子构建思路**：反映价值型投资者的偏好，认为长期持有股票的收益率大致等于公司的ROE，因此偏好具有长期稳定高ROE的公司[10]。 * **因子具体构建过程**：核心指标是净资产收益率（ROE），侧重其长期稳定性。报告未说明具体构建方法[10]。 因子的回测效果 （报告未单独提供上述因子的测试结果，仅展示了基于这些因子构建的“沪深300增强组合”的整体表现[12]）

量化模型与构建方式 1. **模型名称：基于沪深300指数的流动性冲击指标**[3] * **模型构建思路**：通过计算当前市场流动性相对于过去一年平均水平的偏离程度，来衡量市场的流动性状况[3]。 * **模型具体构建过程**：该指标是一个标准化值，具体计算过程未在报告中详细说明。其含义为，当前市场的流动性高于过去一年平均水平-0.23倍标准差[3]。 2. **模型名称：上证50ETF期权成交量PUT-CALL比率**[3] * **模型构建思路**：通过计算看跌期权（PUT）与看涨期权（CALL）成交量的比率，来反映投资者对标的资产（上证50ETF）短期走势的情绪和谨慎程度[3]。 * **模型具体构建过程**：直接计算特定时间点（如周五）看跌期权总成交量与看涨期权总成交量的比值[3]。公式为： $$PUT-CALL比率 = \frac{看跌期权成交量}{看涨期权成交量}$$ 3. **模型名称：五日平均换手率分位点模型**[3] * **模型构建思路**：计算当前市场的五日平均换手率在历史（2005年以来）数据中所处的位置（分位点），以衡量当前交易活跃度相对于历史水平的高低[3]。 * **模型具体构建过程**：首先计算上证综指和Wind全A指数的五日平均换手率，然后将该数值与2005年以来的历史数据序列进行比较，计算其历史分位点[3]。 4. **模型名称：SAR（停损转向）指标择时模型**[13] * **模型构建思路**：利用抛物线转向指标（SAR）判断市场趋势的转折点，当价格向上突破SAR时发出买入信号，向下突破时发出卖出信号[13]。 * **模型具体构建过程**：报告提及Wind全A指数于3月27日向上突破翻转指标（SAR），从而发出买入信号。具体SAR计算公式未在报告中给出[13]。 5. **模型名称：市场均线强弱指数**[13] * **模型构建思路**：通过计算Wind二级行业指数相对于其均线的强弱情况，综合评估整个市场的技术面强弱[13]。 * **模型具体构建过程**：基于Wind二级行业指数计算均线强弱得分，并转化为百分位形式。报告指出当前市场得分为136，处于2023年以来的45.1%分位点[13][16]。 6. **模型名称：涨跌停板情绪择时模型**[13] * **模型构建思路**：通过构建与涨停板、跌停板相关的多个因子，综合刻画市场的情绪强弱，并用于择时[13]。 * **模型具体构建过程**：根据国泰海通量化团队前期专题报告，构建了包括净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益在内的多个细分情绪因子[13]。这些因子被合成为一个综合情绪模型，报告期模型得分为1分（满分5分）[13]。趋势模型和加权模型信号为负向[13]。 7. **模型名称：高频资金流择时模型**[13] * **模型构建思路**：通过分析高频资金流的走势，对主要宽基指数发出买入或卖出信号[13]。 * **模型具体构建过程**：根据国泰海通量化团队前期专题报告，构建了针对不同风险偏好的策略信号，包括“激进多头”、“激进多空”、“稳健多头”、“稳健多空”[18]。报告期对沪深300、中证500、中证1000、中证2000指数均发出了正向买入信号（信号值为1代表正向）[13][18]。 8. **模型/因子名称：因子拥挤度复合指标**[19][20] * **构建思路**：通过多个维度指标综合度量某一因子的资金拥挤程度，作为因子可能失效的预警指标[19]。 * **具体构建过程**：根据国泰海通量化团队前期专题报告，使用四个分项指标度量因子拥挤度，并合成为一个综合打分[19]。四个分项指标为： 1. 估值价差 2. 配对相关性 3. （长期）收益反转 4. 因子波动率（报告中“市场波动”可能为笔误，根据上下文应为“因子波动率”）[20] 综合打分由各分项得分合成，具体合成方法未在报告中给出[20]。 9. **模型/因子名称：行业拥挤度指标**[23] * **构建思路**：度量某一行业板块的资金拥挤程度[23]。 * **具体构建过程**：根据国泰海通量化团队前期专题报告构建，具体计算方法未在报告中详细说明[23]。 模型的回测效果 1. **基于沪深300指数的流动性冲击指标**，2026年4月24日（周五）指标值为 **-0.23**[3]。 2. **上证50ETF期权成交量PUT-CALL比率**，2026年4月24日（周五）指标值为 **0.81**[3]。 3. **五日平均换手率分位点模型**，截至2026年4月24日，上证综指五日平均换手率处于2005年以来 **74.39%** 分位点；Wind全A五日平均换手率处于 **78.99%** 分位点[3]。 4. **市场均线强弱指数**，截至2026年4月24日，市场得分为 **136**，处于2023年以来的 **45.1%** 分位点[13][16]。 5. **涨跌停板情绪择时模型**，截至2026年4月24日，情绪模型得分为 **1分**（满分5分）；趋势模型信号为 **负向**；加权模型信号为 **负向**[13]。 6. **高频资金流择时模型**，截至2026年4月24日，对主要宽基指数的信号如下[18]： * **沪深300指数**：激进多头信号 **1**，激进多空信号 **1**，稳健多头信号 **1**，稳健多空信号 **1**。 * **中证500指数**：激进多头信号 **1**，激进多空信号 **1**，稳健多头信号 **1**，稳健多空信号 **1**。 * **中证1000指数**：激进多头信号 **1**，激进多空信号 **1**，稳健多头信号 **0**，稳健多空信号 **0**。 * **中证2000指数**：激进多头信号 **1**，激进多空信号 **1**，稳健多头信号 **1**，稳健多空信号 **1**。 量化因子与构建方式 1. **因子名称：小市值因子**[19][20] * **构建思路**：基于市值规模选股的因子，通常认为小市值公司具有更高的成长性和弹性。 * **具体构建过程**：报告未详细说明其具体计算方法，但将其作为因子拥挤度分析的对象之一[19][20]。 2. **因子名称：低估值因子**[19][20] * **构建思路**：基于估值水平（如市盈率PE、市净率PB等）选股的因子，通常认为估值较低的股票具有安全边际。 * **具体构建过程**：报告未详细说明其具体计算方法，但将其作为因子拥挤度分析的对象之一[19][20]。 3. **因子名称：高盈利因子**[19][20] * **构建思路**：基于盈利能力（如ROE、ROA等）选股的因子，通常认为盈利质量高、盈利能力强的公司更具投资价值。 * **具体构建过程**：报告未详细说明其具体计算方法，但将其作为因子拥挤度分析的对象之一[19][20]。 4. **因子名称：高盈利增长因子（高增长）**[19][20] * **构建思路**：基于盈利增长能力（如净利润增长率、营收增长率等）选股的因子，通常认为高增长的公司能带来更高回报。 * **具体构建过程**：报告未详细说明其具体计算方法，但将其作为因子拥挤度分析的对象之一[19][20]。 5. **因子名称：涨跌停板情绪细分因子**[13] * **构建思路**：用于构建情绪择时模型的底层因子，从不同角度刻画市场涨停、跌停相关的情绪[13]。 * **具体构建过程**：包括净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益等，具体计算公式参考国泰海通量化团队前期专题报告[13]。 因子的回测效果 1. **因子拥挤度复合指标**，截至2026年4月24日，各因子的综合拥挤度打分如下[20]： * **小市值因子**：**-0.09** * **低估值因子**：**-0.95** * **高盈利因子**：**0.05** * **高盈利增长因子**：**0.25** 2. **涨跌停板情绪细分因子**，截至2026年4月24日，各细分因子信号如下：净涨停占比 **0**，跌停次日收益 **0**，涨停板占比 **0**，跌停板占比 **0**，高频打板收益 **1**[18]。 3. **行业拥挤度指标**，截至2026年4月24日，部分行业拥挤度及变化如下[24][25]： * **通信**：拥挤度 **1.93**，较上月变化 **0.32** * **综合**：拥挤度 **1.87**，较上月变化 **-0.15** * **有色金属**：拥挤度 **1.40**，较上月变化 **-0.05** * **电子**：拥挤度 **1.27**，较上月变化 **0.28** * **基础化工**：拥挤度 **1.06**，较上月变化 **-0.24** * **房地产**：拥挤度 **-0.74**，较上月变化 **0.46** * **计算机**：拥挤度 **-0.33**，较上月变化 **0.45**

量化模型与因子总结 量化模型与构建方式 1. **模型名称：动态油价预测模型**[1][11] * **模型构建思路**：通过分析原油的供需关系来预测未来油价的走势，核心是测算供需缺口[1][11]。 * **模型具体构建过程**：模型基于对原油市场供需状况的分析。具体构建过程未详细说明，但报告指出，该模型用于测算在海峡持续封锁或放开等不同情景下，原油市场的供需缺口[1][11]。例如，在海峡持续封锁的情景下，模型测算出供需缺口的中枢约为3%-5%[11]。 2. **模型名称：行业成本冲击量化测算模型**[3][27] * **模型构建思路**：基于投入产出表，量化测算上游原材料（如原油）价格上涨对下游各行业生产成本的冲击程度[27]。 * **模型具体构建过程**：报告未给出具体的计算公式和详细构建步骤，但说明了其核心方法：利用投入产出表，分析各行业对原油的直接和间接消耗关系，从而模拟当油价上涨（例如上涨50%）时，对各行业成本造成的冲击幅度[27]。测算结果显示，化工行业（如化学原料及化学制品制造业、化学纤维制造业）由于直接以原油为原料，成本受冲击幅度较大[27][29]。 3. **模型/因子名称：库存缓冲与价格滞后关系模型**[3][26] * **模型构建思路**：通过统计方法，发现并量化行业库存水平（以库存周转月数衡量）与行业产品价格滞后于成本上涨时间（价格变动滞后月数）之间的正相关关系[26]。 * **模型具体构建过程**：报告通过历史数据统计归纳出这一规律。具体过程未详细描述，但给出了统计结果表格，列示了多个行业的“平均库存周转月数”和对应的“价格变动滞后月数”[26]。例如，皮革、毛皮、羽毛及其制品和制鞋业的库存周转月数为1.24个月，其价格变动滞后月数长达10个月；而化学原料及化学制品制造业库存周转月数为1.20个月，价格变动滞后月数为0个月[26]。这揭示了库存作为需求“缓冲垫”的作用机制。 模型的回测效果 （注：报告中未提供上述量化模型的具体回测绩效指标，如年化收益率、夏普比率、最大回撤等数值。报告主要展示了模型的分析结论和部分中间测算结果。） 量化因子与构建方式 1. **因子名称：市场集中度因子**[16] * **因子构建思路**：衡量市场资金或行情在少数板块或个股上的集中程度，用于解释和预测量化指增产品的超额收益表现[16]。 * **因子具体构建过程**：报告未明确给出该因子的具体计算公式。但通过分析指出，市场行情集中度与指数增强策略的超额收益呈现显著的负相关关系[16]。当市场主线明确、资金集中于少数热点时（集中度高），量化超额收益往往承压；当主线扩散、集中度下降时，量化超额收益则容易修复[16]。报告中的图4展示了“集中度_分位数”与“500指增_超额回撤”之间的正相关关系，作为该因子有效性的图示证明[19]。 2. **因子名称：微盘股敞口因子**[2][20] * **因子构建思路**：追踪量化产品（特别是私募指增产品）在小微盘股上的配置偏好或暴露程度，用于判断微盘股市场的流动性状况[2][20]。 * **因子具体构建过程**：报告通过观察量化私募产品的市值风格敞口变化来构建该因子的逻辑。具体通过计算私募指增产品净值与微盘股指数（如中证2000）之间的滚动相关系数来观察敞口变化[23][24]。例如，“滚动60日相关系数：500指增-2000 vs 微盘-2000”这一指标，反映了500指增产品相对于中证2000指数，在微盘股上的暴露程度[24]。当该相关系数上升时，表明量化产品放开了对微盘股的敞口。 因子的回测效果 （注：报告中未提供上述量化因子在选股或预测方面的具体回测绩效指标，如IC、IR、多空收益等数值。报告主要基于因子逻辑进行市场分析和推断。）

量化模型与构建方式 量化模型 1. **模型名称**：PB-ROE-50组合[7][23] * **模型构建思路**：该模型基于PB（市净率）和ROE（净资产收益率）两个核心指标进行选股，旨在寻找估值合理且盈利能力强的公司[23]。 * **模型具体构建过程**：报告未详细描述该组合的具体构建公式和步骤，仅提及了其核心选股逻辑[23]。 2. **模型名称**：机构调研组合[7][25] * **模型构建思路**：该模型基于机构调研活动构建选股策略，分为公募调研选股策略和私募调研跟踪策略[3][25]。 * **模型具体构建过程**：报告未详细描述该组合的具体构建公式和步骤，仅提及了其策略类型[25]。 3. **模型名称**：大宗交易组合[7][29] * **模型构建思路**：基于“高成交、低波动”原则，从发生大宗交易的股票中筛选后续表现更佳的标的[29]。 * **模型具体构建过程**：报告提及了构建该组合的两个关键因子：“大宗交易成交金额比率”和“6日成交金额波动率”[29]。具体构建公式和步骤未在本文中详述，可参考其提及的过往报告[29]。 4. **模型名称**：定向增发组合[7][35] * **模型构建思路**：以定向增发的股东大会公告日为事件节点，构建事件驱动选股组合[35]。 * **模型具体构建过程**：报告提及构建时综合考虑了市值因素、调仓周期及仓位控制，但未给出具体构建公式和步骤，可参考其提及的过往报告[35]。 量化因子 1. **因子名称**：动量弹簧因子[1][12] * **因子构建思路**：未在报告中明确阐述。 * **因子具体构建过程**：报告未提供具体构建过程。 2. **因子名称**：早盘收益因子[1][12] * **因子构建思路**：未在报告中明确阐述。 * **因子具体构建过程**：报告未提供具体构建过程。 3. **因子名称**：毛利率TTM[1][12] * **因子构建思路**：使用过去十二个月（TTM）的毛利率作为基本面因子。 * **因子具体构建过程**：报告未提供具体计算公式。通常，毛利率TTM = (过去12个月营业收入 - 过去12个月营业成本) / 过去12个月营业收入。 4. **因子名称**：ROIC增强因子[1][12] * **因子构建思路**：未在报告中明确阐述。 * **因子具体构建过程**：报告未提供具体构建过程。 5. **因子名称**：市净率因子[1][12] * **因子构建思路**：使用市净率（PB）作为估值因子。 * **因子具体构建过程**：报告未提供具体计算公式。通常，市净率 = 市值 / 净资产。 6. **因子名称**：标准化预期外盈利[1][14] * **因子构建思路**：未在报告中明确阐述。 * **因子具体构建过程**：报告未提供具体构建过程。 7. **因子名称**：净利润断层[1][14] * **因子构建思路**：未在报告中明确阐述。 * **因子具体构建过程**：报告未提供具体构建过程。 8. **因子名称**：单季度ROE同比[1][14] * **因子构建思路**：使用单季度ROE的同比增长率作为成长性因子。 * **因子具体构建过程**：报告未提供具体计算公式。通常，单季度ROE同比 = (本期单季度ROE / 上年同期单季度ROE - 1)。 9. **因子名称**：单季度净利润同比增长率[2][16] * **因子构建思路**：使用单季度净利润的同比增长率作为成长性因子。 * **因子具体构建过程**：报告未提供具体计算公式。通常，单季度净利润同比增长率 = (本期单季度净利润 / 上年同期单季度净利润 - 1)。 10. **因子名称**：市销率TTM倒数[2][16] * **因子构建思路**：使用市销率（PS）的倒数作为估值因子。 * **因子具体构建过程**：报告未提供具体计算公式。通常，市销率TTM倒数 = 1 / (市值 / 过去12个月营业收入)。 11. **因子名称**：单季度EPS[2][16] * **因子构建思路**：使用单季度每股收益（EPS）作为盈利因子。 * **因子具体构建过程**：报告未提供具体计算公式。通常，单季度EPS = 单季度归属于母公司股东的净利润 / 期末总股本。 12. **因子名称**：对数市值因子[2][16] * **因子构建思路**：使用市值的自然对数作为规模因子。 * **因子具体构建过程**：报告未提供具体计算公式。通常，对数市值因子 = ln(市值)。 13. **因子名称**：6日成交金额的标准差[2][16] * **因子构建思路**：计算过去6个交易日成交金额的标准差，作为流动性或波动性因子。 * **因子具体构建过程**：报告未提供具体计算公式。 14. **因子名称**：下行波动率占比[2][16] * **因子构建思路**：未在报告中明确阐述。 * **因子具体构建过程**：报告未提供具体构建过程。 15. **因子名称**：动量因子[1][18] * **因子构建思路**：未在报告中明确阐述，通常指股票价格的中期趋势。 * **因子具体构建过程**：报告未提供具体构建过程。 16. **因子名称**：Beta因子[1][18] * **因子构建思路**：衡量股票相对于市场基准的系统性风险。 * **因子具体构建过程**：报告未提供具体构建过程。 17. **因子名称**：残差波动率因子[1][18] * **因子构建思路**：衡量剔除市场风险后的特异性波动率。 * **因子具体构建过程**：报告未提供具体构建过程。 18. **因子名称**：非线性市值因子[1][18] * **因子构建思路**：未在报告中明确阐述。 * **因子具体构建过程**：报告未提供具体构建过程。 19. **因子名称**：每股净资产因子[21] * **因子构建思路**：使用每股净资产（BVPS）作为基本面因子。 * **因子具体构建过程**：报告未提供具体计算公式。通常，每股净资产 = 净资产 / 总股本。 20. **因子名称**：每股经营利润TTM因子[21] * **因子构建思路**：使用过去十二个月（TTM）的每股经营利润作为基本面因子。 * **因子具体构建过程**：报告未提供具体计算公式。 21. **因子名称**：BP因子[21] * **因子构建思路**：即市净率（PB）的倒数，也称为账面市值比。 * **因子具体构建过程**：报告未提供具体计算公式。通常，BP因子 = 1 / PB = 净资产 / 市值。 22. **因子名称**：EP因子[21] * **因子构建思路**：即市盈率（PE）的倒数，也称为盈余收益率。 * **因子具体构建过程**：报告未提供具体计算公式。通常，EP因子 = 1 / PE = 每股收益 / 股价。 23. **因子名称**：流动性因子[21] * **因子构建思路**：未在报告中明确阐述，通常指与股票交易活跃度相关的因子。 * **因子具体构建过程**：报告未提供具体构建过程。 24. **因子名称**：大宗交易成交金额比率[29] * **因子构建思路**：用于大宗交易组合构建的关键因子，比率越高可能预示后续表现更佳[29]。 * **因子具体构建过程**：报告未提供具体计算公式。 25. **因子名称**：6日成交金额波动率[29] * **因子构建思路**：用于大宗交易组合构建的关键因子，波动率越低可能预示后续表现更佳[29]。 * **因子具体构建过程**：报告未提供具体计算公式。 模型的回测效果 1. **PB-ROE-50组合**，本周超越基准收益率（中证500）为-1.43%[23][24]，本周超越基准收益率（中证800）为-0.02%[23][24]，本周超越基准收益率（全市场）为-0.39%[23][24]，今年以来超额收益率（中证500）为0.15%[24]，今年以来超额收益率（中证800）为8.08%[24]，今年以来超额收益率（全市场）为8.59%[24]，本周绝对收益率为-1.03%（中证500）[24]、0.71%（中证800）[24]、-0.12%（全市场）[24]，今年以来绝对收益率为10.64%（中证500）[24]、13.52%（中证800）[24]、15.05%（全市场）[24] 2. **机构调研组合（公募调研选股）**，本周超越基准收益率（中证800）为-0.78%[25][26]，今年以来超额收益率（中证800）为-3.92%[26]，本周绝对收益率为-0.06%[26]，今年以来绝对收益率为0.91%[26] 3. **机构调研组合（私募调研跟踪）**，本周超越基准收益率（中证800）为-0.85%[25][26]，今年以来超额收益率（中证800）为6.14%[26]，本周绝对收益率为-0.13%[26]，今年以来绝对收益率为11.49%[26] 4. **大宗交易组合**，本周超越基准收益率（中证全指）为-0.65%[29][30]，今年以来超额收益率（中证全指）为6.20%[30]，本周绝对收益率为-0.38%[30]，今年以来绝对收益率为12.51%[30] 5. **定向增发组合**，本周超越基准收益率（中证全指）为-0.86%[35][36]，今年以来超额收益率（中证全指）为2.03%[36]，本周绝对收益率为-0.58%[36]，今年以来绝对收益率为8.09%[36] 因子的回测效果 *注：以下因子表现数据均为“最近1周”的收益，为剔除行业与市值影响后多头组合相对于基准指数的超额收益[12]。* 1. **动量弹簧因子**，最近1周收益为1.57%（沪深300）[12][13]、-0.24%（中证500）[14][15]、-0.03%（流动性1500）[16][17] 2. **早盘收益因子**，最近1周收益为1.47%（沪深300）[12][13]、-0.92%（中证500）[14][15]、-0.58%（流动性1500）[16][17] 3. **毛利率TTM**，最近1周收益为1.20%（沪深300）[12][13]、-2.17%（中证500）[14][15]、-0.59%（流动性1500）[16][17] 4. **ROIC增强因子**，最近1周收益为-2.10%（沪深300）[12][13]、-0.88%（中证500）[14][15]、-0.37%（流动性1500）[16][17] 5. **市净率因子**，最近1周收益为-2.07%（沪深300）[12][13]、-0.70%（中证500）[14][15]、-0.18%（流动性1500）[16][17] 6. **标准化预期外盈利**，最近1周收益为-0.88%（沪深300）[12][13]、0.54%（中证500）[14][15]、-0.19%（流动性1500）[16][17] 7. **净利润断层**，最近1周收益为-0.56%（沪深300）[12][13]、0.39%（中证500）[14][15]、0.27%（流动性1500）[16][17] 8. **单季度ROE同比**，最近1周收益为-1.33%（沪深300）[12][13]、0.38%（中证500）[14][15]、-0.06%（流动性1500）[16][17] 9. **单季度净利润同比增长率**，最近1周收益为-0.69%（沪深300）[12][13]、0.00%（中证500）[14][15]、0.79%（流动性1500）[16][17] 10. **市销率TTM倒数**，最近1周收益为0.08%（沪深300）[12][13]、-0.06%（中证500）[14][15]、0.61%（流动性1500）[16][17] 11. **单季度EPS**，最近1周收益为0.80%（沪深300）[12][13]、-0.25%（中证500）[14][15]、0.56%（流动性1500）[16][17] 12. **对数市值因子**，最近1周收益为0.17%（沪深300）[12][13]、-0.27%（中证500）[14][15]、-1.69%（流动性1500）[16][17] 13. **6日成交金额的标准差**，最近1周收益为-0.14%（沪深300）[12][13]、-1.48%（中证500）[14][15]、-1.59%（流动性1500）[16][17] 14. **下行波动率占比**，最近1周收益为-1.22%（沪深300）[12][13]、-1.53%（中证500）[14][15]、-1.51%（流动性1500）[16][17] 15. **动量因子**，最近1周收益为0.84%（全市场）[1][18] 16. **Beta因子**，最近1周收益为-0.47%（全市场）[1][18] 17. **残差波动率因子**，最近1周收益为-0.43%（全市场）[1][18] 18. **非线性市值因子**，最近1周收益为-0.31%（全市场）[1][18]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：三维择时框架** * **模型构建思路：** 通过构建分歧度、流动性、景气度三个维度的指标，综合判断市场整体状态和趋势，为择时提供参考[8]。 * **模型具体构建过程：** 模型包含三个核心指标：1) 市场分歧度指数，用于衡量市场参与者观点的离散程度[20]。2) 市场流动性指数，用于衡量市场资金面的宽松程度[25]。3) A股景气度指数2.0，用于衡量宏观经济和上市公司基本面的景气状况，该指数包含工业、金融等分项[23][25]。通过观察这三个指标的变化趋势（上行或下行）及其组合状态，形成对市场偏多、偏中或偏空的判断[8][12][14]。 2. **模型名称：热点趋势ETF策略** * **模型构建思路：** 结合技术形态（价格高低点）和市场关注度（换手率变化），筛选出处于上涨趋势且近期市场热度提升的ETF构建投资组合[30]。 * **模型具体构建过程：** 首先，根据K线的最高价与最低价的上涨或下跌形态，筛选出最高价与最低价同时呈现上涨形态的ETF。其次，根据最高价与最低价近20日回归系数的相对陡峭程度，构建支撑阻力因子。然后，在支撑阻力因子的多头组中，选择近5日换手率与近20日换手率比值最高的ETF，即短期市场关注度明显提升的品种。最后，选取排名靠前的10只ETF，采用风险平价方法构建投资组合[30]。 3. **模型名称：资金流共振策略** * **模型构建思路：** 结合融资融券资金流和主动大单资金流两种不同类型的资金流向，寻找两种资金流产生共振（同时看好）的行业进行配置，以提高策略的稳定性[36][37]。 * **模型具体构建过程：** 1. **构建行业融资融券资金因子：** 对个股的（融资净买入-融券净卖出）在行业内加总，然后进行Barra市值因子中性化处理。取该中性化后值的最近50日均值，并计算其两周环比变化率[37]。 2. **构建行业主动大单资金因子：** 计算行业的主动大单净流入，并进行最近一年成交量时序中性化处理。将处理后的行业净流入值进行排序（分位化），并取最近10日均值作为因子值[37]。 3. **策略合成：** 研究发现，融资融券因子的多头端在某些市场状态下有稳定的负向超额收益，而主动大单因子（剔除极端多头行业后）有稳定的正向超额收益。因此，策略在主动大单因子的头部打分行业内，剔除融资融券因子得分也处于头部的行业，以提高策略稳定性。最后，再剔除大金融板块，得到最终推荐的行业[37][40]。 4. **模型名称：全天候配置策略** * **模型构建思路：** 通过选择多元资产、进行风险调整和结构化对冲，绕过对宏观因子的预测，直接针对资产波动进行配置，以实现长期稳健的绝对收益，并根据风险偏好分为高波和低波两个版本[43]。 * **模型具体构建过程：** 策略遵循三项基本原则：1) 资产选择：涵盖A股、H股、美股、债券、商品等多类资产。2) 风险调整：采用风险平价或风险预算方法调整资产权重。3) 结构对冲：采用循环对冲设计对冲构型，以熨平波动。具体分为两个版本： * **高波版：** 采用“四层结构化-股债金风险平价”方法构建组合[47]。 * **低波版：** 采用“五层结构化-风险预算”方法构建组合[48]。 5. **模型名称：经典线性多因子选股模型（指数增强策略核心）** * **模型构建思路：** 以多因子模型为核心，通过筛选有效因子、合成复合Alpha得分，并在基准指数约束下进行组合优化，力求获得稳定的超额收益[65]。 * **模型具体构建过程：** 1. **因子筛选：** 每年末，基于因子值之间的相关系数以及Rank ICIR指标，优选有效因子[65]。 2. **因子加权：** 每月末，对入选的因子进行正交化处理，并采用Rank ICIR加权的方式合成复合因子，将其作为个股的Alpha得分[65]。 3. **组合优化：** 在给定跟踪误差、行业中性、市值中性等风险约束条件下，以最大化复合因子暴露为目标，求解股票的最优权重。分别构建以沪深300、中证500和中证1000为基准的增强组合[65]。 量化因子与构建方式 1. **因子名称：支撑阻力因子（属于热点趋势ETF策略）** * **因子构建思路：** 通过分析ETF价格高点与低点的回归趋势，判断其上涨动能的强弱[30]。 * **因子具体构建过程：** 根据ETF的最高价与最低价近20日回归系数的相对陡峭程度来构建。具体公式未在报告中明确给出，但思路是衡量价格通道的斜率[30]。 2. **因子名称：行业融资融券资金因子** * **因子构建思路：** 衡量杠杆资金在行业层面的净流入强度及其近期变化[37]。 * **因子具体构建过程：** 首先，计算每个行业的融资融券资金流：行业内个股的（融资净买入-融券净卖出）之和。然后，对该资金流进行Barra市值因子中性化处理。接着，计算该中性化后序列的最近50日移动平均值。最后，计算该50日均值的两周环比变化率作为最终因子值[37]。 3. **因子名称：行业主动大单资金因子** * **因子构建思路：** 衡量机构或大资金在行业层面的主动买入强度[37]。 * **因子具体构建过程：** 首先，计算每个行业的主动大单净流入金额。然后，对该净流入进行最近一年成交量时序中性化处理（以消除市场整体成交活跃度的影响）。接着，将处理后的行业净流入值在全行业范围内进行排序并转化为分位数（例如0%-100%）。最后，取该分位数序列的最近10日移动平均值作为最终因子值[37]。 4. **风格因子：流动性因子、贝塔因子、波动率因子** * **因子构建思路：** 用于刻画市场当前呈现的风格特征，例如市场是偏好高流动性股票还是高波动性股票[55]。 * **因子具体构建过程：** 报告未详细描述具体计算方法，但指出这些因子用于描述“高流动性高贝塔高波动率”等市场风格特征[55]。 5. **Alpha因子（列举部分）：** * **因子名称：1年-1个月的收益率 (mom 1y 1m)** * **因子构建思路：** 动量因子，计算过去1年剔除最近1个月后的收益率，捕捉中长期动量效应[58][60]。 * **因子名称：单季度营业收入同比增速 (yoy or q)** * **因子构建思路：** 成长因子，衡量公司最新单季度营业收入的同比增长情况[58][60]。 * **因子名称：营业收入同比增速 (yoy or)** * **因子构建思路：** 成长因子，衡量公司营业收入的同比增长情况[60]。 * **因子名称：十二个月残差动量 (specific mom12)** * **因子构建思路：** 残差动量因子，剥离市场风险后的过去12个月收益率动量，常用在沪深300等大市值股票中[61]。 * **因子名称：评级上下调差/评级上下调和 (est num diff)** * **因子构建思路：** 分析师情绪因子，通过券商评级上调与下调的家数差异来衡量市场对股票的预期变化，在大市值股票中表现突出[61]。 * **因子名称：一致预测净利润变化（FY1）占比 (mom1 np fy1, mom3 np fy1等)** * **因子构建思路：** 预期修正因子，衡量未来1年（FY1）一致预测净利润相对于1个月前或3个月前的变化幅度，在小市值指数中表现更佳[61]。 * **因子具体构建过程（以mom3 np fy1为例）：** $$mom3\ np\ fy1 = \frac{(当前一致预测np\ FY1 - 3个月前一致预测np\ FY1)}{|3个月前一致预测np\ FY1|}$$ [61] * **因子名称：单季度净利润同比增长(考虑快报、预告) (yoy np q adv)** * **因子构建思路：** 成长与事件驱动结合因子，利用业绩快报或预告信息更早地捕捉净利润增长信号[61]。 * **其他Alpha因子：** 报告还列出了大量其他Alpha因子，如每股营业收入同比增长率(yoy orps)、流动负债同比增长(cur liab yoy)、SUE因子(sue1)、研发销售收入占比(tot rd ttm to sales)等，均进行了市值和行业中性化处理（规模因子仅进行行业中性化）[57][60]。 模型的回测效果 1. **热点趋势ETF策略：** 2025年以来收益61.81%，相比沪深300指数的超额收益为36.97%[30]。 2. **资金流共振策略：** 2018年以来费后年化超额收益12.3%，IR 1.2，相对北向-大单共振策略回撤更小。策略上周绝对收益0.2%，相对行业等权超额收益0.4%[37]。 3. **全天候配置策略（截至2025年）：** * **高波版：** 年化收益率11.8%，年平均最大回撤3.6%，夏普比率1.9[52]。 * **低波版：** 年化收益率6.7%，年平均最大回撤2.0%，夏普比率2.4[52]。 * **2026年以来：** 高波版收益率6.2%，低波版收益率1.9%[52]。 4. **指数增强策略：** * **沪深300增强组合：** 本周超额收益0.3%，本月超额收益3.1%，本年超额收益7.2%[62]。 * **中证500增强组合：** 本周超额收益0.3%，本月超额收益0.8%，本年超额收益5.2%[62]。自2016年1月1日以来，年化超额收益13.3%，年化IR 2.78[70]。 * **中证1000增强组合：** 本周超额收益-0.4%，本月超额收益-2.4%，本年超额收益0.8%[62]。自2016年1月1日以来，年化超额收益16.4%，年化IR 3.45[74]。 因子的回测效果 *注：因子表现数据分为近期（周/月）表现和长期（近一年）在不同指数中的表现。* 1. **风格因子近期表现（截至2026年4月24日当周）：** * **流动性因子：** 正收益4.05%[55]。 * **贝塔因子：** 正收益3.85%[55]。 * **波动率因子：** 正收益3.59%[55]。 2. **Alpha因子近期表现（截至2026年4月24日）：** * **近一周多头超额收益前列因子：** * **1年-1个月的收益率 (mom 1y 1m):** 2.55%[58][60]。 * **单季度营业收入同比增速 (yoy or q):** 1.27%[58][60]。 * **营业收入同比增速 (yoy or):** 1.22%[60]。 * **近一个月多头超额收益前列因子：** * **1年-1个月的收益率 (mom 1y 1m):** 4.47%[60]。 * **营业收入同比增速 (yoy or):** 2.49%[60]。 * **单季度营业收入同比增速 (yoy or q):** 2.33%[60]。 3. **Alpha因子长期表现（最近一年，截至2026年4月24日，在不同宽基指数中的多头超额收益）：** * **在沪深300指数中表现突出的因子：** * **十二个月残差动量 (specific mom12):** 40.52%[61]。 * **评级上下调差/评级上下调和 (est num diff):** 35.46%[61]。 * **mom3 np fy1:** 34.07%[61]。 * **在中证500指数中表现突出的因子：** * **近一个月一致预测净利润变化（FY1）占比 (mom1 np fy1):** 22.57%[61]。 * **mom3 rev fy1:** 18.67%[61]。 * **mom3 np fy1:** 18.11%[61]。 * **在中证800指数中表现突出的因子：** * **mom3 np fy1:** 33.56%[61]。 * **1年-1个月的收益率 (mom 1y 1m):** 31.47%[61]。 * **十二个月残差动量 (specific mom12):** 31.30%[61]。 * **在中证1000指数中表现突出的因子：** * **mom3 rev fy1:** 22.14%[61]。 * **1年-1个月的收益率 (mom 1y 1m):** 20.99%[61]。 * **单季度净利润同比增长(考虑快报、预告) (yoy np q adv):** 20.84%[61]。

量化模型与构建方式 1. **模型名称：成交量模型**[11] * **模型构建思路**：基于市场成交量信息进行短期择时判断[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[11]。 2. **模型名称：特征龙虎榜机构模型**[11] * **模型构建思路**：利用龙虎榜中的机构买卖行为特征进行短期择时[9][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[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进行短期择时[9][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[11]。 4. **模型名称：智能算法沪深300/中证500模型**[11] * **模型构建思路**：应用智能算法对沪深300或中证500指数进行短期择时判断[9][11]。 * **模型具体构建过程**：报告未详细描述具体算法、公式和过程，仅提及其为智能算法择时模型[11]。 5. **模型名称：涨跌停模型**[12] * **模型构建思路**：利用市场涨跌停股票数量或相关特征进行中期择时[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[12]。 6. **模型名称：上下行收益差模型**[12] * **模型构建思路**：通过计算市场上行收益与下行收益的差值，或分析其分布特征，进行中期择时判断[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[12]。 7. **模型名称：月历效应模型**[12] * **模型构建思路**：基于历史月份、星期等时间周期上的规律性效应进行中期择时[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[12]。 8. **模型名称：长期动量模型**[13] * **模型构建思路**：基于资产的长期价格动量（趋势）进行长期择时判断[9][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，仅提及其为长期择时模型之一[13]。 9. **模型名称：A股综合兵器V3模型**[14] * **模型构建思路**：将短期、中期、长期等多个周期的择时模型信号进行耦合，形成综合择时观点，该模型偏防御或进攻[9][14]。 * **模型具体构建过程**：报告未详细描述各模型信号的具体耦合规则与权重分配[14]。 10. **模型名称：A股综合国证2000模型**[14] * **模型构建思路**：针对国证2000指数，将多周期择时模型信号进行耦合，形成综合择时观点[14]。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程[14]。 11. **模型名称：成交额倒波幅模型**[15] * **模型构建思路**：结合成交额与波动率（波幅）的倒置关系进行港股中期择时[15]。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程[15]。 12. **模型名称：上下行收益差相似多空模型**[15] * **模型构建思路**：在上下行收益差模型的基础上，结合相似性分析或多空对比逻辑，应用于港股（恒生指数、恒生国企指数）的择时[15]。 * **模型具体构建过程**：报告未详细描述具体构建公式和过程[15]。 13. **模型名称：形态识别模型（杯柄形态、双底形态）**[42] * **模型构建思路**：通过识别股票价格走势中特定的技术形态（如杯柄形态、双底形态），在形态突破时进行交易[42]。 * **模型具体构建过程**： * **杯柄形态**：识别一段“U”型回调（杯身）和一段小幅回调或整理（杯柄），当价格放量突破杯柄上沿时视为买入信号[45]。 * **双底形态**：识别价格形成两个相近低点（W底），当价格放量突破颈线位时视为买入信号[51]。 * **模型评价**：作为经典的技术分析选股策略，能够捕捉趋势启动的节点[36][42]。 14. **模型名称：倒杯子形态风险模型**[61] * **模型构建思路**：识别股价在下跌趋势中反弹筑顶后再次破位下行的“倒杯子”形态，作为风险预警信号[61]。 * **模型具体构建过程**：报告未详细描述具体识别算法和阈值[61]。 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24.5%，相对上证综指超额收益7.03%[42]。 2. **杯柄形态模型**，自2020年12月31日至今累计收益23.73%，相对上证综指超额收益6.25%[42]。 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**[19] * **因子构建思路**：基于分析师对个股盈利预测的上调或下调比例，汇总到行业层面，反映市场对行业基本面的预期变化[19]。 * **因子具体构建过程**：计算行业内，被分析师上调盈利预测的个股数量占比，以及被下调盈利预测的个股数量占比[19]。 2. **因子名称：基金仓位因子**[22] * **因子构建思路**：利用公募基金定期报告或估算数据，计算其对各行业的持仓比例，反映机构资金动向[22]。 * **因子具体构建过程**： * **绝对仓位**：股票型基金或混合型基金在某个行业的持仓市值占其总股票市值的比例[28]。 * **超低配仓位**：基金在某个行业的持仓比例减去该行业市值占全市场（或基准）的比例。正值为超配，负值为低配[30]。 3. **因子名称：形态长度因子**[45][51] * **因子构建思路**：衡量技术形态（如杯柄、双底）从开始到突破所经历的时间周期，可能作为形态强度的辅助指标[45][51]。 * **因子具体构建过程**：形态识别点A到形态突破点C（或E）之间所跨越的周数[45][51]。 因子的回测效果 （报告中未提供单个因子的独立回测绩效指标，如IC、IR等）