量化模型与构建方式 1. **模型名称**：价值50组合[3][5] **模型构建思路**：基于价值风格，以高beta弹性为投资目标构建的Smart beta组合[5] **模型具体构建过程**：报告未详细描述具体构建过程，但指出其构建基于专题报告《基于投资目标的基础 Smart beta 组合构建与配置》，并选取了历史相关性低的价值风格[5] 2. **模型名称**：价值均衡50组合[3][5] **模型构建思路**：基于价值风格，以长期稳健超额收益为投资目标构建的Smart beta组合[5] **模型具体构建过程**：报告未详细描述具体构建过程，但指出其构建基于专题报告《基于投资目标的基础 Smart beta 组合构建与配置》，并选取了历史相关性低的价值风格[5] 3. **模型名称**：成长50组合[3][5] **模型构建思路**：基于成长风格，以高beta弹性为投资目标构建的Smart beta组合[5] **模型具体构建过程**：报告未详细描述具体构建过程，但指出其构建基于专题报告《基于投资目标的基础 Smart beta 组合构建与配置》，并选取了历史相关性低的成长风格[5] 4. **模型名称**：成长均衡50组合[3][5] **模型构建思路**：基于成长风格，以长期稳健超额收益为投资目标构建的Smart beta组合[5] **模型具体构建过程**：报告未详细描述具体构建过程，但指出其构建基于专题报告《基于投资目标的基础 Smart beta 组合构建与配置》，并选取了历史相关性低的成长风格[5] 5. **模型名称**：小盘50组合[3][5] **模型构建思路**：基于小盘风格，以高beta弹性为投资目标构建的Smart beta组合[5] **模型具体构建过程**：报告未详细描述具体构建过程，但指出其构建基于专题报告《基于投资目标的基础 Smart beta 组合构建与配置》，并选取了历史相关性低的小盘风格[5] 6. **模型名称**：小盘均衡50组合[3][5] **模型构建思路**：基于小盘风格，以长期稳健超额收益为投资目标构建的Smart beta组合[5] **模型具体构建过程**：报告未详细描述具体构建过程，但指出其构建基于专题报告《基于投资目标的基础 Smart beta 组合构建与配置》，并选取了历史相关性低的小盘风格[5] 模型的回测效果 1. **价值50组合**，周收益率0.19%[3][6]，周超额收益（相对国证价值）0.72%[6]，月收益率0.19%[6]，月超额收益0.72%[6]，年收益率0.70%[3][6]，年超额收益-1.14%[6]，最大相对回撤3.17%[6] 2. **价值均衡50组合**，周收益率0.22%[3][6]，周超额收益（相对国证价值）0.75%[6]，月收益率0.22%[6]，月超额收益0.75%[6]，年收益率8.68%[3][6]，年超额收益6.84%[6]，最大相对回撤1.78%[6] 3. **成长50组合**，周收益率-2.53%[3][6]，周超额收益（相对国证成长）-0.54%[6]，月收益率-2.53%[6]，月超额收益-0.54%[6]，年收益率1.29%[3][6]，年超额收益-2.26%[6]，最大相对回撤2.62%[6] 4. **成长均衡50组合**，周收益率-1.95%[3][6]，周超额收益（相对国证成长）0.04%[6]，月收益率-1.95%[6]，月超额收益0.04%[6]，年收益率6.55%[3][6]，年超额收益3.00%[6]，最大相对回撤2.48%[6] 5. **小盘50组合**，周收益率1.71%[3][6]，周超额收益（相对国证2000）3.45%[1][6]，月收益率1.71%[6]，月超额收益3.45%[6]，年收益率11.72%[3][6]，年超额收益4.48%[6]，最大相对回撤3.08%[6] 6. **小盘均衡50组合**，周收益率-0.52%[3][6]，周超额收益（相对国证2000）1.22%[6]，月收益率-0.52%[6]，月超额收益1.22%[6]，年收益率9.49%[3][6]，年超额收益2.25%[6]，最大相对回撤2.38%[6]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：人工智能全球大类资产配置模型**[44] * **模型构建思路**：将机器学习模型应用于大类资产配置问题，基于因子投资的思路，使用模型对各类资产进行打分排序，最终构建可投资的月频量化等权配置策略[44]。 * **模型具体构建过程**：报告未详细描述具体的机器学习模型算法、因子体系及打分排序的详细计算过程。其核心流程为：1) 输入宏观、市场等因子数据；2) 通过机器学习模型处理，输出对各资产的评分；3) 根据评分结果确定资产配置权重[44]。 2. **模型名称：基于动态宏观事件因子的股债轮动配置模型**[50] * **模型构建思路**：构建一个包含经济增长和货币流动性两大维度的动态宏观事件因子体系，并以此为基础，结合风险预算模型框架，输出针对不同风险偏好（保守型、稳健型、进取型）的股债配置权重[50]。 * **模型具体构建过程**： 1. **宏观择时模块构建**：选取经济增长和货币流动性两个维度的多个细分指标作为宏观事件因子[50][58]。例如，经济增长维度包括M1同比、PPI同比、PPI-CPI剪刀差、工业增加值同比、国债期限利差(10Y-1M)、发电量环比等指标；货币流动性维度包括M1-M2剪刀差、中美国债利差、中国国债与美国TIPS利差等指标[53]。 2. **信号生成**：每个细分指标根据其数值或变化方向，生成二值化的看多(1)或看空(0)信号[53]。 3. **信号合成**：将同一维度内各指标信号进行合成，得到该维度的总体信号强度（百分比形式）[6][54]。例如，2月份经济增长维度信号强度为40%，货币流动性维度信号强度为100%[6]。 4. **权重确定**：将宏观择时模块输出的信号（如股票仓位信号）[54]，输入到风险预算模型框架中，最终计算出保守型、稳健型、进取型三种配置方案中股票和债券的具体权重[50]。 3. **模型名称：基于红利风格择时配置模型**[58] * **模型构建思路**：基于经济增长与货币流动性两大维度构建动态宏观事件因子体系，对中证红利指数进行择时配置，以捕捉其相对A股的稳定优势并在市场偏弱时控制回撤[58]。 * **模型具体构建过程**： 1. **因子体系构建**：模型共使用经济增长与货币流动性两大维度共10项指标构建动态宏观事件因子体系[58]。报告列举了部分指标，包括：制造业PMI新出口订单、PPI同比、PPI-CPI剪刀差、Shibor 2W、Shibor 1M环比等[59][60]。 2. **信号生成与合成**：每个指标根据规则生成看多(1)或看空(0)信号[60]。将所有指标信号合成为一个最终的二值择时信号（1代表看多/满仓，0代表看空/空仓）[59]。例如，2月份最终合成信号为1[59]。 模型的回测效果 1. **人工智能全球大类资产配置模型**[46][49] * 回测期：2021年1月至2026年1月[46] * 年化收益率：7.22%[46][49] * 年化波动率：6.74%[49] * 最大回撤：-6.66%[46][49] * 夏普比率：1.07[46][49] * 年初至今收益率（截至2026年1月）：2.37%[46][49] 2. **基于动态宏观事件因子的股债轮动配置模型（进取型）**[51][57] * 回测期：2005年1月至2026年1月[51] * 年化复合收益率：20.15%[51][57] * 年化波动率：14.05%[57] * 最大回撤：-13.72%[57] * 夏普比率：1.31[57] * 收益回撤比：1.47[57] * 年初至今收益率（截至2026年1月）：3.65%[51][57] 3. **基于动态宏观事件因子的股债轮动配置模型（稳健型）**[51][57] * 回测期：2005年1月至2026年1月[51] * 年化复合收益率：10.85%[51][57] * 年化波动率：8.12%[57] * 最大回撤：-6.77%[57] * 夏普比率：1.19[57] * 收益回撤比：1.60[57] * 年初至今收益率（截至2026年1月）：1.22%[51][57] 4. **基于动态宏观事件因子的股债轮动配置模型（保守型）**[51][57] * 回测期：2005年1月至2026年1月[51] * 年化复合收益率：5.87%[51][57] * 年化波动率：3.20%[57] * 最大回撤：-3.55%[57] * 夏普比率：1.49[57] * 收益回撤比：1.65[57] * 年初至今收益率（截至2026年1月）：0.39%[51][57] 5. **基于红利风格择时配置模型**[59][61] * 年化收益率：15.85%[59][61] * 年化波动率：17.26%[59][61] * 最大回撤：-21.22%[59][61] * 夏普比率：0.90[59][61] * 最近1个月收益率（截至2026年1月）：0.00%[59][61] 量化因子与构建方式 1. **因子名称：动态宏观事件因子（用于股债轮动及红利择时）**[50][58] * **因子构建思路**：从经济增长和货币流动性两个宏观维度，选取具有预测性的高频或月度指标，将其转化为标准化的择时信号[50][53][58]。 * **因子具体构建过程**： 1. **指标选取**：选取一系列可量化的宏观指标。报告提及的指标包括但不限于： * **经济增长维度**：M1同比[53]、PPI同比[53]、PPI-CPI剪刀差[53]、工业增加值同比[53]、国债期限利差(10Y-1M)[53]、发电量当月值3个月移动平均环比[53]、制造业PMI新出口订单[60]、消费者信心指数[60]。 * **货币流动性维度**：M1-M2剪刀差[53]、中美国债利差(10Y)[53]、中国国债与美国TIPS利差(10年)[53]、Shibor 2W[60]、R007 20日移动平均[60]、Shibor 1M环比[60]、逆回购R007差额[62]。 2. **信号化处理**：对每个指标设定阈值或规则，将其原始数据转化为二值信号（通常1代表看多权益资产，0代表看空或中性）[53][60]。例如，当指标值高于某个临界值或环比改善时，发出看多信号(1)。 3. **因子应用**：这些信号既可以直接合成为最终的择时信号（如红利择时模型）[59]，也可以先合成各维度总信号，再作为输入进入更复杂的配置模型（如股债轮动模型）[6][54]。 因子的回测效果 （报告未单独提供动态宏观事件因子的独立回测绩效指标，其效果已体现在上述各配置模型的整体回测结果中。）

量化模型与构建方式 1. **模型名称：行业主线模型（相对强弱RSI指标）**[1][4][13] * **模型构建思路**：通过构建行业层面的相对强弱指标（RS），识别在每年特定时间窗口内表现极度强势的行业，这些行业有较大概率成为当年的市场主线[13]。 * **模型具体构建过程**： 1. 以31个申万一级行业指数为标的[13]。 2. 分别计算每个行业过去20、40、60个交易日的涨跌幅[13]。 3. 将这三个时间窗口的行业涨跌幅在全市场横截面上进行排名，并对排名进行归一化处理，得到三个归一化排名值：RS_20, RS_40, RS_60[13]。 4. 对三个归一化排名值取算术平均值，得到最终的行业相对强弱指数RS[13]。 $$ RS = (RS\_20 + RS\_40 + RS\_60) / 3 $$ 其中，RS_20、RS_40、RS_60分别为过去20、40、60日行业涨跌幅的横截面归一化排名值[13]。 2. **模型名称：行业景气度-趋势-拥挤度框架（右侧行业轮动模型）**[2][6][17] * **模型构建思路**：构建一个三维评估框架，从景气度（基本面）、趋势（技术面）和拥挤度（交易面）三个维度对行业进行综合评估，并衍生出两种适用于不同市场环境的配置方案[6][17]。 * **模型具体构建过程**：报告未详细描述三个维度的具体计算方式，但明确了两种具体的配置方案： 1. **行业景气模型（高景气+强趋势，规避高拥挤）**：以景气度为核心筛选标准，要求行业同时具备高景气度和强趋势，并利用拥挤度指标规避交易过热的风险，该方案进攻性较强，偏同步指标[17]。 2. **行业趋势模型（强趋势+低拥挤，规避低景气）**：以市场趋势为核心筛选标准，要求行业同时具备强趋势和低拥挤度，并规避低景气行业，该方案思路简单，持有体验感强，偏右侧指标[17]。 3. **模型名称：左侧库存反转模型**[3][27] * **模型构建思路**：从赔率-胜率角度出发，在处于或曾处于困境的板块中，挖掘那些分析师长期看好且库存压力不大、具备补库条件的行业，以捕捉行业困境反转行情[27]。 * **模型具体构建过程**：报告未提供该模型具体的因子构建和合成公式。 4. **模型名称：行业景气度选股模型**[25] * **模型构建思路**：将行业配置模型与选股模型相结合。首先根据行业配置模型确定行业权重，然后在行业内使用PB-ROE模型筛选估值性价比高的个股，构建股票组合[25]。 * **模型具体构建过程**： 1. 使用“行业景气度-趋势-拥挤度框架”确定各行业的配置权重[25]。 2. 在每个行业内，基于PB-ROE模型选取估值性价比位于前40%的股票[25]。 3. 对筛选出的股票，按流通市值和PB-ROE打分进行加权，得到最终的股票组合权重[25]。 量化因子与构建方式 1. **因子名称：相对强弱指数（RS）**[13] * **因子构建思路**：通过多期涨跌幅的横截面排名来度量行业在近期市场的相对强度[13]。 * **因子具体构建过程**：与“行业主线模型”的构建过程相同，核心是计算 $$ RS = (RS\_20 + RS\_40 + RS\_60) / 3 $$ [13]。 2. **因子名称：景气度**[17] * **因子构建思路**：用于衡量行业基本面的好坏，是行业轮动模型的核心维度之一[17]。 * **因子具体构建过程**：报告未提供具体计算方法。 3. **因子名称：趋势**[17] * **因子构建思路**：用于衡量行业价格动量的强弱，是行业轮动模型的核心维度之一[17]。 * **因子具体构建过程**：报告未提供具体计算方法。 4. **因子名称：拥挤度**[17] * **因子构建思路**：用于衡量行业交易的热度或风险，旨在规避交易过度拥挤的板块[17]。 * **因子具体构建过程**：报告未提供具体计算方法。 5. **因子名称：PB-ROE**[25] * **因子构建思路**：用于衡量股票的估值性价比，是选股模型的核心标准[25]。 * **因子具体构建过程**：报告未提供具体的因子合成公式，但表明其在行业内用于筛选估值性价比前40%的股票[25]。 模型的回测效果 （注：以下模型回测结果均基于报告所述历史数据，指标口径可能因模型而异） 1. **行业景气度-趋势-拥挤度框架（行业配置模型）**[17] * 基准：Wind全A指数[17] * 多头年化收益：22.0%[17] * 超额年化收益：13.4%[17] * 信息比率（IR）：1.5[17] * 超额最大回撤：-8.0%[17] * 月度胜率：67%[17] * 2026年1月绝对收益：6.5%[17] * 2026年1月超额收益：0.7%[17] 2. **行业景气度-趋势-拥挤度框架（ETF配置模型）**[22] * 基准：中证800指数[22] * 年化超额收益：16.6%[22] * 信息比率（IR）：1.9[22] * 超额最大回撤：10.8%[22] * 月度胜率：66%[22] * 2025年超额收益：21.4%[2][22] * 2026年1月绝对收益：9.0%[22] * 2026年1月超额收益：4.5%[2][22] 3. **行业景气度选股模型**[25] * 基准：Wind全A指数[25] * 多头年化收益：26.7%[25] * 超额年化收益：19.5%[25] * 信息比率（IR）：1.7[25] * 超额最大回撤：-15.4%[25] * 月度胜率：68%[25] * 2025年超额收益：5%[25] * 2026年1月超额收益：1.6%[2][25] 4. **左侧库存反转模型**[27] * 基准：行业等权组合[27] * 2023年绝对收益：13.4%[27] * 2023年超额收益：17.0%[27] * 2024年绝对收益：26.5%[27] * 2024年超额收益：15.4%[27] * 2025年绝对收益：28.7%[27] * 2025年超额收益：5.6%[27] * 2026年1月绝对收益：10.4%[2][27] * 2026年1月超额收益：4.8%[2][27]

量化模型与构建方式 1. **模型名称**：万得可转债双低指数模型[24][25] **模型构建思路**：该模型旨在构建一个同时考虑价格和溢价率两个维度的可转债投资组合，通常认为“双低”（低价格、低转股溢价率）的转债兼具债底保护与股性弹性[24][25]。 **模型具体构建过程**：报告未详细描述该指数的具体构建规则和选样方法，仅展示了其作为市场策略指数的历史表现[24][25]。通常，“双低”策略的构建过程涉及计算每只可转债的“双低值”，并选取该值最低的一篮子标的构成组合。常见的“双低值”计算公式为： $$双低值 = 可转债价格 + 转股溢价率 \times 系数$$ 其中，系数用于平衡价格和溢价率的量纲与影响程度，常取100。转股溢价率计算公式为： $$转股溢价率 = \frac{可转债收盘价 - 转股价值}{转股价值} \times 100\%$$ $$转股价值 = \frac{100}{转股价格} \times 正股收盘价$$ 模型评价：该模型是一种经典的可转债量化策略，通过平衡绝对价格风险和相对估值水平，寻求攻守兼备的投资机会[24][25]。 2. **模型名称**：万得可转债高价低溢价率指数模型[24][25] **模型构建思路**：该模型聚焦于高价可转债中溢价率相对较低的品种，旨在捕捉正股上涨趋势明确、转债跟涨能力强的投资机会[24][25]。 **模型具体构建过程**：报告未详细描述该指数的具体构建规则和选样方法，仅展示了其作为市场策略指数的历史表现[24][25]。通常，该策略会首先筛选价格处于高区间的可转债（例如价格大于130元），然后从中选取转股溢价率最低的一篮子标的构成组合。 模型评价：该模型是一种偏进攻型的可转债策略，适合在权益市场趋势向好时使用，对正股走势的依赖性较强[24][25]。 模型的回测效果 1. 万得可转债双低指数模型，近一年累计涨跌幅约40%-50%[24][25] 2. 万得可转债高价低溢价率指数模型，近一年累计涨跌幅约50%-60%[24][25] 量化因子与构建方式 1. **因子名称**：信用评级因子[20][21] **因子构建思路**：根据可转债发行主体的信用评级对可转债进行分类，观察不同信用资质转债的市场表现差异[20][21]。 **因子具体构建过程**：报告直接引用了万得编制的按信用评级分类的可转债指数（如AAA、AA+、AA、AA-及以下），未描述其具体构建细节。通常，该因子是基于第三方评级机构（如中诚信、联合资信等）对发行主体评定的信用等级进行划分[20][21]。 因子评价：信用评级是衡量可转债债底安全性和违约风险的核心因子，高评级转债通常波动较小，低评级转债可能弹性更大但风险也更高[20][21]。 2. **因子名称**：价格区间因子[21][22][32] **因子构建思路**：根据可转债的绝对价格水平将其划分为不同区间（如低价、中价、高价），分析不同价格区间转债的收益特征和估值水平[21][22][32]。 **因子具体构建过程**：报告展示了两种基于价格区间的分类方式。一是万得可转债价格指数，将转债划分为高价、中价、低价[21][22]。二是报告自身对全市场转债的统计分组，具体划分为：小于100元、100-110元、110-120元、120-130元、130-140元、大于140元[32]。分组依据是可转债的市价。 因子评价：价格是反映可转债股性和债性强弱最直观的指标，不同价格区间的转债具有不同的风险收益属性和驱动逻辑[21][22][32]。 3. **因子名称**：规模因子[24] **因子构建思路**：根据可转债的发行规模或存量规模将其划分为大盘、中盘、小盘，观察不同规模转债的市场表现差异[24]。 **因子具体构建过程**：报告直接引用了万得编制的按规模分类的可转债指数（大盘、中盘、小盘），未描述其具体划分的规模阈值[24]。 因子评价：规模因子可能影响转债的流动性、波动性以及受市场资金关注的程度[24]。 4. **因子名称**：转股溢价率因子[15][32][37] **因子构建思路**：转股溢价率衡量可转债价格相对于其转股价值的溢价程度，是评估转债估值高低和股性强弱的关键指标[15][32][37]。 **因子具体构建过程**：报告给出了转股溢价率的定义和计算公式[15]。对于个券，计算公式为： $$转股溢价率 = \frac{可转债收盘价 - 转股价值}{转股价值}$$ 其中， $$转股价值 = \frac{100}{转股价格} \times 正股收盘价$$ 在分析中，报告计算了不同价格区间内个券转股溢价率的中位数，并跟踪其周度变化[32][37][38]。 因子评价：转股溢价率是连接转债与正股的关键桥梁，低溢价率意味着转债跟涨正股的能力强，高溢价率则可能包含了对正股未来上涨的预期或债底价值的支撑[15][32][37]。 因子的回测效果 1. 信用评级因子，近一年累计涨跌幅：AA-及以下指数约35%，AA指数约25%，AA+指数约20%，AAA指数约5%[20][21] 2. 价格区间因子（万得指数），近一年累计涨跌幅：低价指数约-5%，中价指数约15%，高价指数约40%[21][22] 3. 规模因子，近一年累计涨跌幅：小盘指数约35%，中盘指数约25%，大盘指数约15%[24] 4. 转股溢价率因子，截至2026-02-06，不同价格区间转债的转股溢价率中位数分别为：>140元区间28.17%，130-140元区间37.74%，120-130元区间78.54%，110-120元区间37.86%，100-110元区间61.76%，<100元区间0.00%[32]

量化模型与构建方式 1. 微盘股轮动与择时模型 1. **模型名称**：微盘股轮动与择时模型 2. **模型构建思路**：通过构建相对净值、动量斜率及宏观指标（M1）的复合信号，在微盘股指数与茅指数之间进行轮动配置，并结合择时风控指标控制中期风险[18][27]。 3. **模型具体构建过程**： * **轮动子策略1（相对净值与年均线）**：计算微盘股指数与茅指数的相对净值（微盘股/茅指数）。当相对净值高于其243日移动平均线时，倾向于投资微盘股；反之则投资茅指数[27]。 * **轮动子策略2（20日收盘价斜率）**：分别计算微盘股指数与茅指数的20日收盘价斜率。当二者斜率方向相反且一方为正时，选择投资斜率为正的指数[27]。 * **轮动子策略3（M1高点轮动）**：监控M1同比指标的6个月移动平均值。当该平均值下行时，中期配置从微盘股切换至茅指数[18]。 * **综合轮动信号**：综合上述两个子策略（相对净值/斜率轮动与M1轮动）的信号，决定最终的配置方向（微盘股、茅指数或均衡配置）[18]。 * **择时风控指标**：设置两个风控阈值，任一指标触发则发出平仓信号[27]。 * 十年期国债到期收益率同比：阈值设为0.3（即30%）[27]。 * 微盘股波动率拥挤度同比：阈值设为0.55（即55%）[27]。 4. **模型评价**：该模型旨在捕捉大小盘风格切换机会，并通过宏观与市场情绪指标控制下行风险[18][19]。 2. 宏观择时模型 1. **模型名称**：宏观择时模型 2. **模型构建思路**：基于经济增长和货币流动性两个宏观维度构建信号，动态调整权益资产（股票）的配置仓位[47][48]。 3. **模型具体构建过程**：模型对经济增长和货币流动性层面分别给出信号强度（百分比形式），并综合生成最终的股票仓位建议[48]。 * **经济增长信号**：截至1月31日，信号强度为40%[48]。 * **货币流动性信号**：截至1月31日，信号强度为100%[48]。 * **股票仓位**：根据上述信号综合计算，2月份推荐的股票仓位为70%[47][48]。 4. **模型评价**：该模型为中期权益配置提供量化信号，旨在根据宏观环境变化调整风险暴露[47]。 3. 可转债择券模型 1. **模型名称**：可转债择券模型 2. **模型构建思路**：从正股基本面因子和转债估值因子两个维度构建量化因子，用于可转债的筛选与配置[57]。 3. **模型具体构建过程**： * **正股因子**：从预测正股表现的因子出发，构建适用于可转债的因子，主要包括正股一致预期、正股成长、正股财务质量、正股价值等[57]。 * **转债估值因子**：选取平价底价溢价率作为衡量转债估值水平的因子[57]。 * **因子应用**：通过跟踪这些因子的IC均值和多空组合净值表现，指导可转债的择券[57][58]。 量化因子与构建方式 1. 大类选股因子（国金证券分类） 报告跟踪了八大类选股因子，其定义如下[60][62]： 1. **因子名称**：市值因子 (排序方向：↓) * **因子构建思路**：捕捉规模效应，通常小市值股票具有更高的预期收益。 * **因子具体构建过程**：使用流通市值的自然对数。 $$LN\_MktCap = ln(流通市值)$$ * **细分因子**：LN_MktCap[60]。 2. **因子名称**：价值因子 (排序方向：↑) * **因子构建思路**：寻找估值相对较低的股票。 * **因子具体构建过程**：采用多种估值比率。 $$BP\_LR = \frac{最新年报账面净资产}{最新市值}$$ $$EP\_FTTM = \frac{未来12个月一致预期净利润}{最新市值}$$ $$SP\_TTM = \frac{过去12个月营业收入}{最新市值}$$ $$EP\_FY0 = \frac{当期年报一致预期净利润}{最新市值}$$ $$Sales2EV = \frac{过去12个月营业收入}{企业价值}$$ * **细分因子**：BP_LR, EP_FTTM, SP_TTM, EP_FY0, Sales2EV[60]。 3. **因子名称**：成长因子 (排序方向：↑) * **因子构建思路**：寻找盈利或收入增长较快的公司。 * **因子具体构建过程**：采用单季度财务数据的同比增速。 $$NetIncome\_SQ\_Chg1Y = \frac{单季度净利润_{当期} - 单季度净利润_{去年同期}}{|单季度净利润_{去年同期}|}$$ （OperatingIncome_SQ_Chg1Y, Revenues_SQ_Chg1Y 构建方式类似） * **细分因子**：NetIncome_SQ_Chg1Y, OperatingIncome_SQ_Chg1Y, Revenues_SQ_Chg1Y[60]。 4. **因子名称**：质量因子 (排序方向：↑) * **因子构建思路**：寻找盈利能力、运营效率或财务稳健性高的公司。 * **因子具体构建过程**：采用多种盈利和效率指标。 $$ROE\_FTTM = \frac{未来12个月一致预期净利润}{股东权益均值}$$ $$OCF2CurrentDebt = \frac{过去12个月经营现金流净额}{流动负债均值}$$ $$GrossMargin\_TTM = \frac{过去12个月毛利润}{过去12个月营业收入}$$ $$Revenues2Asset\_TTM = \frac{过去12个月营业收入}{总资产均值}$$ * **细分因子**：ROE_FTTM, OCF2CurrentDebt, GrossMargin_TTM, Revenues2Asset_TTM[60]。 5. **因子名称**：一致预期因子 (排序方向：↑) * **因子构建思路**：捕捉分析师预期上调带来的正向股价反应。 * **因子具体构建过程**：衡量一致预期的变化幅度或潜在上涨空间。 $$EPS\_FTTM\_Chg3M = \frac{EPS_{一致预期, 当前} - EPS_{一致预期, 3个月前}}{|EPS_{一致预期, 3个月前}|}$$ （ROE_FTTM_Chg3M构建方式类似） $$TargetReturn\_180D = \frac{一致预期目标价 - 当前股价}{当前股价}$$ * **细分因子**：EPS_FTTM_Chg3M, ROE_FTTM_Chg3M, TargetReturn_180D[60]。 6. **因子名称**：技术因子 (排序方向：↓) * **因子构建思路**：捕捉量价行为中的特定模式，如成交量活跃度、分布特征等。 * **因子具体构建过程**： $$Volume\_Mean\_20D\_240D = \frac{20日成交量均值}{240日成交量均值}$$ $$Skewness\_240D = 240日收益率分布的偏度$$ $$Volume\_CV\_20D = \frac{20日成交量标准差}{20日成交量均值}$$ $$Turnover\_Mean\_20D = 20日换手率均值$$ * **细分因子**：Volume_Mean_20D_240D, Skewness_240D, Volume_CV_20D, Turnover_Mean_20D[60]。 7. **因子名称**：波动率因子 (排序方向：↓) * **因子构建思路**：寻找股价波动率较低（低波）的股票，这类股票可能风险调整后收益更佳。 * **因子具体构建过程**：采用历史收益率标准差或因子模型残差波动率。 $$Volatility\_60D = 60日收益率的标准差$$ $$IV\_CAPM = CAPM模型残差的标准差$$ （IV_FF, IV_Carhart 构建方式类似，分别基于Fama-French三因子和Carhart四因子模型） * **细分因子**：Volatility_60D, IV_CAPM, IV_FF, IV_Carhart[60]。 8. **因子名称**：反转因子 (排序方向：↓) * **因子构建思路**：捕捉股价短期反转效应，即过去一段时间跌幅较大的股票未来可能反弹，涨幅较大的可能回调。 * **因子具体构建过程**：直接使用过去一段时间的收益率。 $$Price\_Chg20D = \frac{收盘价_{当前} - 收盘价_{20个交易日前}}{收盘价_{20个交易日前}}$$ （Price_Chg40D, Price_Chg60D, Price_Chg120D 构建方式类似） * **细分因子**：Price_Chg20D, Price_Chg40D, Price_Chg60D, Price_Chg120D[62]。 2. 可转债择券因子 1. **因子名称**：正股一致预期因子 * **因子构建思路**：将适用于股票的一致预期因子迁移至可转债择券，通过正股基本面预测转债表现[57]。 2. **因子名称**：正股成长因子 * **因子构建思路**：将适用于股票的成长因子迁移至可转债择券[57]。 3. **因子名称**：正股财务质量因子 * **因子构建思路**：将适用于股票的质量因子迁移至可转债择券[57]。 4. **因子名称**：正股价值因子 * **因子构建思路**：将适用于股票的价值因子迁移至可转债择券[57]。 5. **因子名称**：转债估值因子（平价底价溢价率） * **因子构建思路**：直接衡量可转债自身的估值水平，溢价率越低可能投资价值越高[57]。 模型的回测效果 1. **宏观择时模型**：2025年年初至今收益率为14.59%，同期Wind全A收益率为26.87%[47]。 因子的回测效果 (全部A股，近期表现) 1. **反转因子**，IC均值 18.93%[52] 2. **市值因子**，IC均值 14.79%[52] 3. **价值因子**，近期表现强劲[5][52] 4. **技术因子**，近期表现强劲[5][52] 5. **波动率因子**，近期表现强劲[5][52] 6. **成长因子**，近期表现相对较弱，有所回调[5][52] 7. **一致预期因子**，近期表现相对较弱，有所回调[5][52] 可转债择券因子的回测效果 (近期表现) 1. **正股价值因子**，取得了较高的IC均值[57] 2. **转债估值因子**，取得了较高的IC均值[57]

量化模型与构建方式 1. **模型/因子名称**：风险溢价模型[28] **模型/因子构建思路**：以十年期国债即期收益率为无风险利率参考，计算各宽基指数相对于无风险利率的风险溢价，用以衡量其相对投资价值和偏离情况[28] **模型/因子具体构建过程**：计算指数收益率与无风险收益率之差。具体公式为： $$风险溢价 = 指数收益率 - 十年期国债即期收益率$$ 报告中展示了各指数的当前风险溢价、历史分位值、均值及波动率等统计指标[32] 2. **模型/因子名称**：股债性价比模型[47] **模型/因子构建思路**：以各指数PE-TTM的倒数代表股票预期收益率，减去十年期国债即期收益率，其差值作为股债性价比指标，用于观察股票相对债券的吸引力[47] **模型/因子具体构建过程**：计算公式为： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 报告中通过绘制该指标的历史走势，并叠加其近5年的80分位值（机会值）、20分位值（危险值）、均值及±1倍标准差线进行分析[47] 3. **模型/因子名称**：破净率因子[56] **因子构建思路**：计算指数成分股中市净率小于1的个股占比，用以反映市场整体的估值态度和低估的普遍程度[56][58] **因子具体构建过程**：对于每个宽基指数，统计其成分股中满足“市净率(PB) < 1”条件的股票数量，然后计算该数量占指数总成分股数量的比例。 $$破净率 = \frac{指数中市净率小于1的成份股数量}{指数总成份股数量} \times 100\%$$ 报告跟踪了各指数破净率的历史走势和当前值[59] 4. **模型/因子名称**：指数换手率因子[19] **因子构建思路**：计算宽基指数的整体换手率，反映该指数所代表市场的整体交易活跃度[19] **因子具体构建过程**：采用流通市值加权平均的方式计算指数换手率。具体公式为： $$指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$$ 报告计算并列出了各宽基指数的当前换手率[19] 5. **模型/因子名称**：收益分布形态指标（偏度与峰度）[25][26] **因子构建思路**：通过计算指数日收益率序列的偏度和峰度，分析其收益分布的特征，例如极端收益出现的可能性和分布集中程度[25] **因子具体构建过程**： * **偏度**：衡量收益率分布的不对称性。正偏态表示极端正收益情形增加[25]。 * **峰度**：衡量收益率分布的陡峭或扁平程度。报告中计算的是超额峰度（减去了正态分布的峰度值3），峰度越大，说明收益率分布更集中[23][25][26]。 报告对比了各指数当前与近5年的偏度和峰度值[26]。 模型的回测效果 *本报告为市场数据跟踪报告，未提供基于历史数据的模型策略回测结果，如年化收益率、夏普比率、最大回撤等量化指标。报告主要呈现了各类指标在特定时点（2026年2月6日）的截面数据、历史分位值及统计特征。* 量化因子与构建方式 *（注：本报告中的“因子”多体现为可直接观测或计算的市场指标，而非用于选股的多因子模型中的阿尔法因子。相关构建方式已在“量化模型与构建方式”部分列出。）* 因子的回测效果 *报告未提供因子在历史样本内的IC值、IR值、多空收益等传统因子测试结果。* 报告主要展示了各指标在**当前时点（2026年2月6日）** 的取值及其相对于自身历史的统计位置，具体如下： 1. **风险溢价因子**[32] * 当前值：上证50(-0.70%)、沪深300(-0.58%)、中证500(-0.004%)、中证1000(-0.21%)、中证2000(0.42%)、中证全指(-0.24%)、创业板指(-0.74%) * 近5年历史分位值：上证50(20.95%)、沪深300(25.95%)、中证500(48.41%)、中证1000(39.92%)、中证2000(57.14%)、中证全指(38.17%)、创业板指(31.35%) 2. **PE-TTM因子**[44] * 当前值：上证50(11.59)、沪深300(14.05)、中证500(37.02)、中证1000(49.57)、中证2000(168.23)、中证全指(22.15)、创业板指(42.21) * 近5年历史分位值：上证50(81.90%)、沪深300(84.63%)、中证500(98.51%)、中证1000(98.43%)、中证2000(90.66%)、中证全指(98.26%)、创业板指(60.83%) 3. **股息率因子**[55] * 当前值：上证50(3.29%)、沪深300(2.77%)、中证500(1.27%)、中证1000(1.02%)、中证2000(0.71%)、中证全指(1.96%)、创业板指(0.89%) * 近5年历史分位值：上证50(34.21%)、沪深300(38.76%)、中证500(7.36%)、中证1000(24.38%)、中证2000(3.88%)、中证全指(28.43%)、创业板指(56.36%) 4. **破净率因子**[59] * 当前值：上证50(24.0%)、沪深300(16.67%)、中证500(10.6%)、中证1000(7.0%)、中证2000(2.45%)、中证全指(5.5%) 5. **指数换手率因子**[19] * 当前值：中证2000(3.96%)、创业板指(3.26%)、中证1000(2.83%)、中证500(1.96%)、中证全指(1.79%)、沪深300(0.62%)、上证50(0.28%) 6. **收益分布形态指标**[26] * **当前峰度（超额）**：上证50(-0.23)、沪深300(0.55)、中证500(0.87)、中证1000(0.76)、中证2000(0.99)、中证全指(0.66)、创业板指(1.21) * **当前偏度**：上证50(1.26)、沪深300(1.53)、中证500(1.55)、中证1000(1.46)、中证2000(1.56)、中证全指(1.51)、创业板指(1.62)

量化模型与构建方式 1. **模型名称：主动偏股基金行业主题标签模型**[39] * **模型构建思路**：为满足投资者在资产配置、主题投资、产品选择上的多样化需求，构建主动偏股基金完整的行业主题和细分赛道标签，并构建行业主题基金指数，作为衡量主题基金风险收益情况的工具[39]。 * **模型具体构建过程**： 1. **数据基础**：使用基金在近四期（中报/年报）的持仓信息来判断其长期的行业主题标签[39]。 2. **标签定义与分类**：根据基金持仓所呈现的行业特征，将其长期行业标签区分为三类： * **行业主题基金**：长期聚焦于特定行业的基金。 * **行业轮动基金**：在不同时期切换行业配置的基金。 * **行业均衡基金**：行业配置较为分散均衡的基金[39]。 3. **指数构建**：基于上述分类，构建相应的行业主题基金指数，以反映各类主题基金的整体表现[39]。 2. **模型名称：公募REITs系列指数模型**[50] * **模型构建思路**：为投资者提供基于指数化投资思想、利用REITs指数进行资产配置的新视角，构建完整的REITs系列指数以综合反映REITs市场表现，并提供不同底层资产、项目类型的细分REITs指数[50]。 * **模型具体构建过程**： 1. **指数类型**：考虑到REITs的高分红特性，为所有指数同时提供**价格指数**和**全收益指数**[50]。 2. **权重计算方法**：采用**分级靠档**的方法，以确保计算指数的份额保持相对稳定[50]。 3. **指数维护与调整**：当样本成分名单或样本成分的调整市值出现非交易因素的变动时（如新发、扩募等），采用**除数修正法**来保证指数的连续性[50]。 4. **指数体系**：构建了涵盖综合指数、底层资产指数（如产权类、特许经营权类）和细分项目指数（如生态环保、交通基础设施、园区基础设施等）的完整REITs指数系列[50][55]。 量化因子与构建方式 1. **因子名称：ESG基金主题分类因子**[71] * **因子构建思路**：根据基金投资策略对ESG（环境、社会、治理）三个维度的覆盖程度和侧重点，将市场上的ESG相关基金进行系统性的分类，以区分不同的投资策略和主题[71]。 * **因子具体构建过程**： 1. **一级分类**：首先将ESG相关基金分为两大类： * **ESG主题基金**：在投资策略中综合考量环境、社会、治理三方面因素，通常使用ESG整合、负面筛选、正面筛选等方法进行投资标的选择[71]。 * **泛ESG基金**：投资策略仅覆盖ESG中一到两个方面因素，通常进行主题投资[71]。 2. **二级分类（细分主题）**：在两大类下，根据基金名称和投资策略中的关键词进一步细分为不同主题： * **ESG主题基金**：包括“ESG”、“可持续”、“责任投资”主题[71]。 * **环境主题泛ESG基金**：包括“低碳”、“碳中和”、“绿色”、“环境”、“环保”、“气候”、“生态”、“长江保护”等主题[71]。 * **社会主题泛ESG基金**：包括“社会责任”、“扶贫”、“乡村振兴”、“一带一路”、“丝路”、“区域发展”等主题[71]。 * **治理主题泛ESG基金**：包括“公司治理”、“治理”主题[71]。 模型的回测效果 1. **长期行业主题基金指数（截至2026年2月6日当周）**[39] * 消费主题基金，本周净值涨跌幅0.94% * 新能源主题基金，本周净值涨跌幅0.38% * 金融地产主题基金，本周净值涨跌幅-0.03% * 医药主题基金，本周净值涨跌幅-0.61% * 国防军工主题基金，本周净值涨跌幅-1.37% * 行业轮动基金，本周净值涨跌幅-2.23% * 行业均衡基金，本周净值涨跌幅-2.56% * 周期主题基金，本周净值涨跌幅-4.60% * TMT主题基金，本周净值涨跌幅-5.74% 2. **REITs指数系列（基日以来业绩，截至2026年2月6日）**[55] * REITs综合指数，累计收益-2.89%，年化收益-0.63%，最大回撤-42.67%，夏普比率-0.20，年化波动10.43% * 产权类REITs指数，累计收益16.07%，年化收益3.27%，最大回撤-45.00%，夏普比率0.14，年化波动12.67% * 特许经营权类REITs指数，累计收益-24.19%，年化收益-5.80%，最大回撤-41.17%，夏普比率-0.80，年化波动9.12% * 生态环保REITs指数，累计收益-11.07%，年化收益-2.50%，最大回撤-55.72%，夏普比率-0.26，年化波动15.17% * 交通基础设施REITs指数，累计收益-33.88%，年化收益-8.54%，最大回撤-44.19%，夏普比率-1.12，年化波动8.98% * 园区基础设施REITs指数，累计收益-12.24%，年化收益-2.78%，最大回撤-52.07%，夏普比率-0.31，年化波动13.71% * 仓储物流REITs指数，累计收益-0.48%，年化收益-0.10%，最大回撤-50.32%，夏普比率-0.10，年化波动15.41% * 能源基础设施REITs指数，累计收益6.59%，年化收益1.39%，最大回撤-18.41%，夏普比率-0.01，年化波动10.05% * 保障性租赁住房REITs指数，累计收益9.05%，年化收益1.89%，最大回撤-33.34%，夏普比率0.03，年化波动12.36% * 消费基础设施REITs指数，累计收益54.19%，年化收益9.80%，最大回撤-9.89%，夏普比率0.78，年化波动10.69% * 市政设施REITs指数，累计收益16.81%，年化收益3.41%，最大回撤-20.26%，夏普比率0.09，年化波动20.26% * 水利设施REITs指数，累计收益23.61%，年化收益4.68%，最大回撤-21.47%，夏普比率0.20，年化波动16.04% * 新型基础设施REITs指数，累计收益17.85%，年化收益3.61%，最大回撤-3.95%，夏普比率0.17，年化波动12.36% 因子的回测效果 （报告未提供基于ESG基金主题分类因子的量化回测绩效指标，如多空组合收益、IC值、IR等。）

量化模型与构建方式 1. **模型名称：价格分段体系**[8][15] * **模型构建思路**：通过分析价格走势在不同时间周期（如日线、周线）上的形态和趋势，对市场状态进行划分和识别[15]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤和公式，仅展示了其应用结果。从图表[18]来看，该模型可能涉及对指数价格序列进行技术分析，以识别“日线”和“周线”级别的趋势，并与一个名为“dea”的指标进行对比。 2. **模型名称：微观市场结构择时模型（知情交易者活跃度指标）**[8][16] * **模型构建思路**：通过监测市场中知情交易者（通常指掌握非公开信息或具有信息优势的交易者）的活跃程度，来判断市场情绪和未来走势[16]。 * **模型具体构建过程**：报告未详细说明该指标的具体构建步骤和公式，仅展示了其时间序列变化图[19]。该指标可能基于订单流、大单交易或特定价量数据构建，用以捕捉知情交易行为。 3. **模型名称：基金仓位监测模型**[6][25] * **模型构建思路**：使用数理统计方法估算公募基金等机构的整体持仓比例，以监测市场主力资金的动向[6][25]。 * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤和公式。 量化因子与构建方式 1. **因子名称：BARRA风格因子体系**[23] * **因子构建思路**：采用经典的BARRA风险模型框架，从多个维度（基本面、市场、技术等）刻画股票的风格特征，并计算各风格因子在特定周期内的收益表现[23]。 * **因子具体构建过程**：报告未详细说明每个因子的具体构建公式，但列出了因子名称及其本周收益。涉及的因子包括：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、贝塔、股息率[23]。这些因子通常基于财务报表数据、市场价格和交易量数据计算得到。 模型的回测效果 （报告中未提供相关量化模型的回测效果指标数据） 因子的回测效果 1. **BARRA风格因子**，本周收益：换手因子0.3%，财务杠杆因子0.2%，盈利波动因子0.1%，盈利质量因子-0.1%，盈利能力因子-0.5%，投资质量因子0.3%，长期反转因子0.3%，EP价值因子-0.2%，BP价值因子-0.4%，成长因子0.2%，动量因子-0.6%，非线性市值因子-0.3%，市值因子-0.2%，波动率因子-0.1%，贝塔因子-0.7%，股息率因子0.5%[23]。

量化模型与因子总结 量化模型与构建方式 1. **模型名称：周期分析模型**[2] * **模型构建思路：** 通过分析经济或市场周期的长度规律，对市场状态进行推断和预测[2] * **模型具体构建过程：** 报告未详细描述该模型的构建过程，但提及了其应用逻辑。模型可能基于历史数据识别市场周期的长度规律，并将当前市场的上涨时间与历史牛市周期进行对比参照，从而推断当前市场所处的周期阶段[2] 2. **模型名称：缠论及趋势分析模型**[13] * **模型构建思路：** 结合缠论技术分析方法和趋势分析，对市场走势进行研判[13] * **模型具体构建过程：** 报告未详细描述该模型的构建过程，仅提及了其分析结果以图表形式展示[13] 量化因子与构建方式 1. **因子名称：综合趋势因子**[2] * **因子构建思路：** 综合多项技术指标或市场信息，用以衡量市场的整体趋势强度[2] * **因子具体构建过程：** 报告未详细描述该因子的具体构建公式和过程，仅提及该因子是周期分析模型的组成部分，其表现被用来评估市场趋势的稳健性[2] 模型的回测效果 *报告未提供任何量化模型或量化因子的具体回测效果指标取值（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 *报告未提供任何量化模型或量化因子的具体回测效果指标取值（如IC值、IR、多空收益等）。*

量化模型与构建方式 1. 短期择时模型 * **模型名称**：短期择时模型[4][16] * **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多个指标，生成对A股市场的短期（周度）择时信号[14][16]。 * **模型具体构建过程**： 1. **指标选取与信号生成**：选取四个一级维度下的多个二级指标，每个指标根据其当前值在过去5年历史数据中的分位数，被赋予“乐观”、“中性”或“谨慎”的定性信号[14][15][16]。 * **基本面**：包含制造业PMI是否大于50、信贷脉冲环比变化分位数、M1同比增速（HP滤波去趋势）分位数[14][17]。 * **估值面**：包含A股整体PE分位数、A股整体PB分位数[15][17]。 * **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[15][17]。 * **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[16][17]。 2. **维度综合**：将每个一级维度下的所有二级指标信号进行综合，得出该维度的总体信号（乐观/中性/谨慎）[14][15][16]。 3. **总仓位信号生成**：将四个一级维度的总体信号进一步综合，生成最终的总仓位信号（例如，以0.5为中性，1.0为乐观，0.0为谨慎）[17][21]。 2. 成长价值风格轮动模型 * **模型名称**：成长价值风格轮动模型[4][22] * **模型构建思路**：通过动态宏观信号、估值回归信号、短期动量信号、风格广度信号和风格拥挤信号等多个维度的信号，综合判断并轮动配置成长与价值风格[22][23]。 * **模型具体构建过程**： 1. **信号维度**：模型包含五个信号维度，每个维度独立生成对成长风格的配置建议（仓位百分比）[23]。 * 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 2. **信号综合**：将上述五个维度的信号进行综合，生成最终的成长风格配置仓位。报告中展示了两种综合方式：“无中性仓位”和“5日平均仓位”[23]。 3. 小盘大盘风格轮动模型 * **模型名称**：小盘大盘风格轮动模型[4][25] * **模型构建思路**：从流动性、资金面、市场情绪、技术趋势等多个角度选取11个有效轮动指标，构建综合信号来轮动配置大盘与小盘风格[25][27]。 * **模型具体构建过程**： 1. **指标选取**：根据专题报告，选取了11个有效的大小盘轮动指标[25][27]。报告中列举的指标包括： * 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 2. **信号生成与综合**：每个指标独立生成对小盘风格的配置建议（0%或100%）。将所有指标信号进行综合，得到最终的小盘/大盘配置仓位。报告中采用了“综合信号3D平滑”的方式进行综合[27]。 模型的回测效果 1. 短期择时模型 * **回测区间**：2012年底至2026年2月8日[16][18] * **年化收益率**：16.45%[16][18] * **年化波动率**：14.81%[18] * **最大回撤**：15.05%[16][18] * **夏普比率**：0.9681[18] * **收益回撤比**：1.0935[18] * **月度胜率**：66.04%[18] * **基准年化收益率**：4.97%[16][18] * **年化超额收益率**：11.48%[16] 2. 成长价值风格轮动模型 * **回测区间**：2011年至2026年2月6日[22][23] * **模型版本**：综合信号2_5D平均仓位_国证成长价值[23] * **累计收益**：741.18%[23] * **年化收益**：14.47%[22][23] * **年化波动率**：21.44%[23] * **最大回撤**：40.08%[23] * **夏普比率**：0.64[23] * **收益回撤比**：0.36[23] * **基准年化收益**：6.57%[22][23] * **年化超额收益率**：7.90%[22][23] * **月度超额胜率**：66.14%[23] * **年化跟踪误差**：5.89%[23] * **年化信息比率(IR)**：1.34[23] 3. 小盘大盘风格轮动模型 * **回测区间**：2014年至2026年[26][27] * **模型版本**：综合信号3D平滑[27] * **年化收益**：20.61%[27] * **年化超额收益率**：13.18%[27] * **最大回撤**：40.70%[27] * **平均换手间隔（交易日）**：20[27] * **胜率（按交易）**：50.00%[27] 量化因子与构建方式 （报告中未详细描述独立因子的构建过程，主要介绍了用于模型决策的各类指标。） 因子的回测效果 （报告中未提供独立因子的测试结果。）