量化模型与因子总结 量化模型与构建方式 1. **模型名称**：指数增强基金模型[3][32] * **模型构建思路**：通过量化方法构建投资组合，旨在长期稳定地超越其业绩比较基准（如沪深300、中证500等宽基指数）[3][32]。 * **模型具体构建过程**：报告未详细描述具体的模型构建过程，但指出此类基金通常采用多因子选股、风险模型控制、优化算法等量化技术来构建组合。其核心是获取相对于基准指数的超额收益（Alpha）[3][32]。 2. **模型名称**：量化对冲型基金模型[3][32] * **模型构建思路**：通过同时构建股票多头和利用金融衍生工具（如股指期货）建立空头头寸，对冲市场系统性风险（Beta），以获取与市场涨跌无关的绝对收益[3][32]。 * **模型具体构建过程**：报告未详细描述具体的模型构建过程。此类模型通常包括：1）使用量化模型（如多因子模型）构建股票多头组合；2）利用股指期货等工具建立与多头组合市值或风险暴露相匹配的空头头寸，以对冲市场整体波动风险[3][32]。 模型的回测效果 1. **指数增强基金模型**，上周超额收益中位数 **-0.36%**[3][32]，今年以来超额收益中位数 **-0.36%**[3][32]。 2. **量化对冲型基金模型**，上周收益中位数 **-0.11%**[3][32]，今年以来收益中位数 **-0.11%**[3][32]。 量化因子与构建方式 1. **因子名称**：预计权益占比因子[35][38] * **因子构建思路**：用于估算FOF基金中权益类资产的配置权重，以分析其风险敞口和风格特征[35][38]。 * **因子具体构建过程**：根据FOF基金的业绩比较基准构成，将不同类型的基金指数权重按固定比例划归为权益资产。具体公式如下： $$预计权益占比 = 股票型基金指数权重 \times 85\% + 偏股型基金指数权重 \times 80\% + 债券型基金指数权重 \times 10\% + 开放式基金指数权重 \times 50\% + 中证工银财富股票混合基金指数权重 \times 80\% + 中证工银财富动态配置基金指数权重 \times 20\%$$ 其中，各项权重来源于基金业绩比较基准的构成[35][38]。 因子的回测效果 *（注：本报告未提供量化因子的独立测试结果，如IC、IR、多空收益等。报告中的“回测效果”部分主要展示基于相关模型运作的基金产品业绩。）*

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：指数增强模型[4] * **模型构建思路**：通过量化方法构建投资组合，旨在稳定地超越特定基准指数（如沪深300、中证500等）的收益[4]。 * **模型具体构建过程**：研报未详细描述具体的模型构建过程，但提及了此类模型通常涉及多因子选股、风险模型控制、组合优化等步骤。其核心是生成相对于基准指数的主动权重（即“增强”部分），以追求超额收益[4]。 2. **模型名称**：量化对冲模型[4] * **模型构建思路**：通过同时构建多头和空头头寸，剥离市场系统性风险（Beta），以获取与市场涨跌无关的绝对收益（Alpha）[4]。 * **模型具体构建过程**：研报未详细描述具体的模型构建过程。此类模型通常包括：1）使用量化模型（如多因子模型）构建股票多头组合；2）利用股指期货、融券等工具构建空头头寸，以对冲掉多头组合的市场风险暴露，使组合整体呈现市场中性状态[4]。 模型的回测效果 1. **指数增强模型**，上周超额收益中位数为 **-0.36%**，今年以来超额收益中位数为 **-0.36%**[3][34]。 2. **量化对冲模型**，上周收益中位数为 **-0.11%**，今年以来收益中位数为 **-0.11%**[3][34]。 量化因子与构建方式 *注：本篇研报为市场与基金产品周度回顾报告，未涉及具体量化因子的构建与测试细节[1][2][3][4]。* 因子的回测效果 *注：本篇研报未提供任何量化因子的测试结果。*

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相对位置[1][7]。 * **模型具体构建过程**：报告未提供具体的数学变换公式，但描述了构建逻辑。将1-10年期国债YTM曲线分解为三个正交的成分： 1. **水平结构**：代表整体利率水平的高低。 2. **期限结构**：代表长短期利差（期限利差）。 3. **凸性结构**：代表收益率曲线弯曲程度（凸性）。 通过计算当前各结构指标值在历史滚动窗口（如3年、5年、10年）内的分位数，来判断其处于“中性偏高”、“中性偏低”等状态[7]。 2. **模型名称：利率价量多周期择时模型**[2][6][10] * **模型构建思路**：采用核回归算法识别利率（国债YTM）历史走势的形态，刻画支撑线和阻力线，并根据长、中、短三种不同投资周期下价格对形态的突破情况，进行多周期信号复合，生成最终的择时观点（看空、看多、中性震荡）[10]。 * **模型具体构建过程**： 1. **数据输入**：分别输入5年期、10年期、30年期国债的到期收益率（YTM）时间序列数据[6][10][13][16]。 2. **趋势形态刻画**：使用核回归算法对利率历史数据进行平滑拟合，生成代表趋势的支撑线和阻力线。具体算法细节引用自报告《形态识别算法在利率择时中的应用》[10]。 3. **多周期信号生成**：在长周期（平均切换频率为月度）、中周期（双周度）、短周期（周度）三个时间维度上，分别判断当前利率是否向上突破阻力线或向下突破支撑线[10][19]。 4. **信号综合评分**：统计三个周期中“上行突破”和“下行突破”的票数。若某一方向的突破总票数达到或超过2/3（即至少2票），则生成对应的看多或看空信号；否则，信号为中性震荡[6][10][19]。 3. **模型名称：利率价量多周期交易策略**[4][22][27] * **模型构建思路**：将上述多周期择时信号转化为可交易的久期轮动策略。根据看空、看多等信号，在不同久期的债券指数基金间进行切换，以获取超额收益[22]。 * **模型具体构建过程**： 1. **投资标的**： * 短久期：综合债1-3指数（CBA00121） * 中久期：综合债3-5指数（CBA00131） * 长久期：根据择时信号来源的YTM期限，对应不同的指数（5Y对应CBA00141，10Y对应CBA00151，30Y对应CBA00161）[22]。 2. **交易规则**： * **看多信号（利率向下突破）**：当短、中、长周期中至少有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；若利率趋势向上，则配置1/2中久期+1/2长久期[22]。 * **看空信号（利率向上突破）**：当短、中、长周期中至少有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；若利率趋势向下，则配置1/2中久期+1/2短久期[27]。 * **其他情况**：三种久期等权配置[27]。 3. **业绩基准**：构建久期等权组合，即1/3短久期+1/3中久期+1/3长久期[27]。 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[27]。 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][23] * **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[23]。 * **短期表现（2024年底以来）**：年化收益率2.04%，最大回撤0.59%，收益回撤比3.47，相对业绩基准的超额年化收益率0.74%，超额收益回撤比2.2[4][23]。 * **胜率**：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%[23]。 2. **基于10年期国债YTM的多周期交易策略**[4][26] * **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1.63%，超额收益回撤比1.15[26]。 * **短期表现（2024年底以来）**：年化收益率2.3%，最大回撤0.58%，收益回撤比3.98，相对业绩基准的超额年化收益率1.2%，超额收益回撤比3.14[4][26]。 * **胜率**：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%[26]。 3. **基于30年期国债YTM的多周期交易策略**[4][31] * **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2.39%，超额收益回撤比0.86[31]。 * **短期表现（2024年底以来）**：年化收益率2.44%，最大回撤0.92%，收益回撤比2.66，相对业绩基准的超额年化收益率2.29%，超额收益回撤比2.59[4][31]。 * **胜率**：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%[31]。

量化模型与构建方式 根据提供的研报内容，该报告主要是一份ETF市场周度数据统计与描述性报告，并未涉及具体的量化选股模型或多因子模型的构建、测试与评价。报告内容聚焦于ETF产品的业绩表现、规模变动、估值、融资融券情况以及管理人排名等市场数据的汇总与分析[1][2][3][4][5]。 因此，报告中**没有**涉及需要总结的量化模型（如选股模型、择时模型、资产配置模型等）或量化因子（如价值因子、成长因子、动量因子等）的构建思路、具体过程、公式及评价。 模型的回测效果 报告中**没有**涉及任何量化模型的回测效果指标（如年化收益率、夏普比率、最大回撤、信息比率IR等）。 量化因子与构建方式 报告中**没有**涉及任何量化因子的构建与测试内容。 因子的回测效果 报告中**没有**涉及任何量化因子的回测效果指标（如IC值、ICIR、因子收益率、多空收益等）。

量化模型与因子总结 量化因子与构建方式 1. **因子名称：日内高频偏度因子** **因子构建思路：** 捕捉股票日内收益的分布特征，特别是偏度信息，以预测未来收益[13] **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[13]。通常，此类因子基于日内高频收益率数据计算其偏度统计量。 2. **因子名称：日内下行波动占比因子** **因子构建思路：** 分解已实现波动，关注下行波动部分在总波动中的占比，以衡量风险特征[18] **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[18]。 3. **因子名称：开盘后买入意愿占比因子** **因子构建思路：** 基于开盘后一段时间内的高频交易数据，通过直观逻辑或机器学习方法，将高频信息低频化，构建反映买入意愿的因子[23] **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[23]。 4. **因子名称：开盘后买入意愿强度因子** **因子构建思路：** 与买入意愿占比因子类似，但更侧重于衡量买入意愿的强度而非比例[27] **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[27]。 5. **因子名称：开盘后大单净买入占比因子** **因子构建思路：** 分析开盘后大单资金的净买入行为占比，捕捉主力资金动向[32] 6. **因子名称：开盘后大单净买入强度因子** **因子构建思路：** 衡量开盘后大单净买入行为的强度[36] 7. **因子名称：改进反转因子** **因子构建思路：** 对传统反转因子进行改进，以提升预测效果[41] 8. **因子名称：尾盘成交占比因子** **因子构建思路：** 利用尾盘时段成交金额在全天成交中的占比信息构建因子[46] 9. **因子名称：平均单笔流出金额占比因子** **因子构建思路：** 通过分析平均单笔流出金额的占比来构建因子[51] 10. **因子名称：大单推动涨幅因子** **因子构建思路：** 构建反映大单交易对股价上涨推动作用的因子[57] 11. **因子名称：改进 GRU(50,2)+NN(10)因子** **因子构建思路：** 使用改进的GRU（门控循环单元）神经网络与全连接神经网络（NN）相结合的深度学习模型处理高频数据，生成选股因子[62] **因子具体构建过程：** 模型结构为GRU(50,2)与NN(10)的组合，具体网络架构和训练细节未在报告中详述[62]。 12. **因子名称：残差注意力 LSTM(48,2)+NN(10)因子** **因子构建思路：** 使用结合了残差连接和注意力机制的LSTM（长短期记忆网络）与全连接神经网络相结合的深度学习模型处理高频数据，生成选股因子[64] **因子具体构建过程：** 模型结构为残差注意力LSTM(48,2)与NN(10)的组合，具体网络架构和训练细节未在报告中详述[64]。 13. **因子名称：多颗粒度模型-5日标签因子** **因子构建思路：** 使用基于双向AGRU（可能指注意力GRU）训练的多颗粒度模型，以5日收益率为预测标签，生成选股因子[67] **因子具体构建过程：** 因子基于双向AGRU训练得到，预测标签为5日收益率[67]。 14. **因子名称：多颗粒度模型-10日标签因子** **因子构建思路：** 使用基于双向AGRU训练的多颗粒度模型，以10日收益率为预测标签，生成选股因子[68] **因子具体构建过程：** 因子基于双向AGRU训练得到，预测标签为10日收益率[68]。 量化模型与构建方式 1. **模型名称：周度调仓的中证500 AI增强宽约束组合** **模型构建思路：** 基于“多颗粒度模型-10日标签”因子构建中证500指数增强组合，在较宽松的风险约束下最大化预期收益[72] **模型具体构建过程：** * **核心信号：** 使用“多颗粒度模型-10日标签”因子作为股票的预期超额收益（μi）来源[72]。 * **优化目标：** 最大化组合预期收益，目标函数为： $$max\sum\mu_{i}w_{i}$$ 其中，wi为股票i的权重，μi为股票i的预期超额收益[73]。 * **风险约束：** 包括个股权重约束（1%）、行业偏离约束（1%）、市值因子暴露约束（0.3）、市值3次方因子暴露约束（0.3）、PB因子暴露约束（0.3）以及换手率约束（0.3）等“宽约束”条件[73]。 * **交易设置：** 周度调仓，假设以次日均价成交，并扣除双边3‰的交易成本[74]。 2. **模型名称：周度调仓的中证500 AI增强严约束组合** **模型构建思路：** 基于“多颗粒度模型-10日标签”因子构建中证500指数增强组合，在更严格的风险约束下控制组合风险[72] **模型具体构建过程：** * **核心信号：** 使用“多颗粒度模型-10日标签”因子作为股票的预期超额收益（μi）来源[72]。 * **优化目标：** 最大化组合预期收益，目标函数同上[73]。 * **风险约束：** 在宽约束基础上增加了更严格的约束，包括更严格的市值暴露约束（0.1）、市值2次方因子暴露约束（0.1），并新增了ROE因子暴露约束（0.3）、SUE因子暴露约束（0.3）、波动率因子暴露约束（0.3）以及成份股权重约束（0.8）等“严约束”条件[73]。 * **交易设置：** 周度调仓，假设以次日均价成交，并扣除双边3‰的交易成本[74]。 3. **模型名称：周度调仓的中证1000 AI增强宽约束组合** **模型构建思路：** 基于“多颗粒度模型-10日标签”因子构建中证1000指数增强组合，在较宽松的风险约束下最大化预期收益[72] **模型具体构建过程：** 与中证500 AI增强宽约束组合类似，但基准指数和对应的约束条件数值针对中证1000指数设定[73]。 4. **模型名称：周度调仓的中证1000 AI增强严约束组合** **模型构建思路：** 基于“多颗粒度模型-10日标签”因子构建中证1000指数增强组合，在更严格的风险约束下控制组合风险[72] **模型具体构建过程：** 与中证500 AI增强严约束组合类似，但基准指数和对应的约束条件数值针对中证1000指数设定[73]。 因子的回测效果 （数据来源：表2，统计周期为上周、1月、2026年至今（YTD），以及2026年周胜率）[10][12] 1. **日内高频偏度因子**，IC（历史/2026年）: 0.019/-0.007，e^(-rank mae)（历史/2026年）: 0.324/0.312，多空收益（上周/1月/2026YTD）: 0.29%/0.29%/0.29%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.99%/0.99%/0.99%，2026年周胜率: 1/1[10] 2. **日内下行波动占比因子**，IC（历史/2026年）: 0.016/-0.001，e^(-rank mae)（历史/2026年）: 0.323/0.313，多空收益（上周/1月/2026YTD）: 0.22%/0.22%/0.22%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.95%/0.95%/0.95%，2026年周胜率: 1/1[10] 3. **开盘后买入意愿占比因子**，IC（历史/2026年）: 0.025/0.032，e^(-rank mae)（历史/2026年）: 0.321/0.324，多空收益（上周/1月/2026YTD）: 1.04%/1.04%/1.04%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: -0.41%/-0.41%/-0.41%，2026年周胜率: 0/1[10] 4. **开盘后买入意愿强度因子**，IC（历史/2026年）: 0.030/0.027，e^(-rank mae)（历史/2026年）: 0.326/0.323，多空收益（上周/1月/2026YTD）: 0.65%/0.65%/0.65%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.62%/0.62%/0.62%，2026年周胜率: 1/1[10] 5. **开盘后大单净买入占比因子**，IC（历史/2026年）: 0.035/-0.006，e^(-rank mae)（历史/2026年）: 0.322/0.306，多空收益（上周/1月/2026YTD）: -0.52%/-0.52%/-0.52%，2026年周胜率: 0/1，多头超额（上周/1月/2026YTD）: -0.53%/-0.53%/-0.53%，2026年周胜率: 0/1[10] 6. **开盘后大单净买入强度因子**，IC（历史/2026年）: 0.024/0.004，e^(-rank mae)（历史/2026年）: 0.320/0.308，多空收益（上周/1月/2026YTD）: -0.07%/-0.07%/-0.07%，2026年周胜率: 0/1，多头超额（上周/1月/2026YTD）: -0.66%/-0.66%/-0.66%，2026年周胜率: 0/1[10] 7. **改进反转因子**，IC（历史/2026年）: 0.030/0.037，e^(-rank mae)（历史/2026年）: 0.330/0.328，多空收益（上周/1月/2026YTD）: 1.77%/1.77%/1.77%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 1.89%/1.89%/1.89%，2026年周胜率: 1/1[10] 8. **尾盘成交占比因子**，IC（历史/2026年）: 0.026/0.084，e^(-rank mae)（历史/2026年）: 0.322/0.334，多空收益（上周/1月/2026YTD）: 2.67%/2.67%/2.67%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 1.35%/1.35%/1.35%，2026年周胜率: 1/1[10] 9. **平均单笔流出金额占比因子**，IC（历史/2026年）: 0.008/0.013，e^(-rank mae)（历史/2026年）: 0.317/0.319，多空收益（上周/1月/2026YTD）: 0.45%/0.45%/0.45%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.14%/0.14%/0.14%，2026年周胜率: 1/1[12] 10. **大单推动涨幅因子**，IC（历史/2026年）: 0.018/-0.007，e^(-rank mae)（历史/2026年）: 0.325/0.327，多空收益（上周/1月/2026YTD）: 0.22%/0.22%/0.22%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.43%/0.43%/0.43%，2026年周胜率: 1/1[12] 11. **改进 GRU(50,2)+NN(10)因子**，IC（历史/2026年）: 0.065/0.001，e^(-rank mae)（历史/2026年）: 0.336/0.324，多空收益（上周/1月/2026YTD）: 0.16%/0.16%/0.16%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.26%/0.26%/0.26%，2026年周胜率: 1/1[12] 12. **残差注意力 LSTM(48,2)+NN(10)因子**，IC（历史/2026年）: 0.062/-0.016，e^(-rank mae)（历史/2026年）: 0.334/0.324，多空收益（上周/1月/2026YTD）: -0.26%/-0.26%/-0.26%，2026年周胜率: 0/1，多头超额（上周/1月/2026YTD）: 0.86%/0.86%/0.86%，2026年周胜率: 1/1[12] 13. **多颗粒度模型-5日标签因子**，IC（历史/2026年）: 0.079/-0.007，e^(-rank mae)（历史/2026年）: 0.343/0.322，多空收益（上周/1月/2026YTD）: 0.25%/0.25%/0.25%，2026年周胜率: 1/1，多头超额（上周/1月/2026YTD）: 0.68%/0.68%/0.68%，2026年周胜率: 1/1[12] 14. **多颗粒度模型-10日标签因子**，IC（历史/2026年）: 0.073/-0.030，e^(-rank mae)（历史/2026年）: 0.342/0.313，多空收益（上周/1月/2026YTD）: -0.78%/-0.78%/-0.78%，2026年周胜率: 0/1，多头超额（上周/1月/2026YTD）: -0.05%/-0.05%/-0.05%，2026年周胜率: 0/1[12] 模型的回测效果 （数据来源：表3，统计周期为上周、1月、2026年至今（YTD），以及2026年周胜率）[13] 1. **周度调仓的中证500 AI增强宽约束组合**，超额收益（上周/1月/2026YTD）: -2.61%/-2.61%/-2.61%，2026年周胜率: 0/2[13] 2. **周度调仓的中证500 AI增强严约束组合**，超额收益（上周/1月/2026YTD）: -1.84%/-1.84%/-1.84%，2026年周胜率: 0/2[13] 3. **周度调仓的中证1000 AI增强宽约束组合**，超额收益（上周/1月/2026YTD）: -2.10%/-2.10%/-2.10%，2026年周胜率: 0/2[13] 4. **周度调仓的中证1000 AI增强严约束组合**，超额收益（上周/1月/2026YTD）: -1.63%/-1.63%/-1.63%，2026年周胜率: 0/2[13]

量化模型与构建方式 1. **模型名称：进取组合与平衡组合**[7] * **模型构建思路：** 基于多因子模型构建的股票组合，旨在获取超越基准指数的收益。进取组合和平衡组合可能代表了不同的风险收益特征或因子暴露程度。[10] * **模型具体构建过程：** 报告未详细描述具体的因子构成、权重分配及组合构建步骤。仅提及其为国泰海通证券金融工程团队构建的量化股票组合。[8] 2. **模型名称：沪深300/中证500/中证1000指数增强组合**[7] * **模型构建思路：** 在跟踪沪深300、中证500、中证1000指数的基础上，通过量化模型进行主动管理，旨在获取稳定的超额收益。[5] * **模型具体构建过程：** 报告未详细描述具体的增强策略、因子模型及权重优化过程。仅提及其为指数增强组合。[8] 3. **模型名称：绩优基金的独门重仓股组合**[7] * **模型构建思路：** 通过分析绩优基金的持仓数据，筛选其独有的重仓股构建组合，旨在捕捉优秀基金经理的选股能力。[5] * **模型具体构建过程：** 报告未详细描述绩优基金的筛选标准、独门重仓股的定义及组合构建的具体规则。[25] 4. **模型名称：盈利、增长、现金流三者兼优组合**[7] * **模型构建思路：** 从盈利、增长和现金流三个基本面维度，筛选出各方面表现均优异的公司构建投资组合。[27] * **模型具体构建过程：** 报告未详细描述具体的筛选指标（如ROE、营收增长率、经营性现金流等）、阈值设定及综合评分方法。[27] 5. **模型名称：PB-盈利优选组合**[7] * **模型构建思路：** 结合低估值（市净率PB）和高盈利能力的标准，筛选具有基本面支撑的低估值股票。[29] * **模型具体构建过程：** 报告未详细描述PB与盈利指标（如ROE、净利润率等）的具体结合方式（如排序、打分或构建复合因子）以及选股规则。[29] 6. **模型名称：GARP组合**[7] * **模型构建思路：** 采用“合理价格成长”策略，寻找具有稳定增长潜力且估值相对合理的公司。[32] * **模型具体构建过程：** 报告未详细描述用于衡量成长性和估值合理性的具体指标及模型构建方法。[32] 7. **模型名称：小盘价值优选组合1/2**[7] * **模型构建思路：** 在小盘股范围内，运用价值因子进行优选，构建投资组合。[34][36] * **模型具体构建过程：** 报告未详细描述小盘股的定义范围、价值因子的具体构成（如PB、PE、股息率等）以及两个组合之间的具体差异。[34][36] 8. **模型名称：小盘成长组合**[7] * **模型构建思路：** 在小盘股范围内，筛选具有高成长特征的股票构建投资组合。[37] * **模型具体构建过程：** 报告未详细描述小盘股的定义范围以及成长因子的具体构成（如营收增长率、净利润增长率等）。[37] 量化因子与构建方式 1. **因子名称：市值因子**[42] * **因子构建思路：** 衡量公司规模大小，通常认为小市值公司存在溢价效应。[42] * **因子具体构建过程：** 报告未给出具体计算公式。通常为股票的总市值。$$市值 = 股价 \times 总股本$$ * **因子评价：** 上周全市场范围内，大市值股票表现优于小市值股票。[42] 2. **因子名称：PB因子**[42] * **因子构建思路：** 市净率，衡量股票估值水平，低PB通常被视为价值型股票。[42] * **因子具体构建过程：** 报告未给出具体计算公式。通常为股价与每股净资产的比值。$$PB = \frac{股价}{每股净资产}$$ * **因子评价：** 上周全市场范围内，高估值（高PB）股票表现优于低估值股票。[42] 3. **因子名称：PE_TTM因子**[42] * **因子构建思路：** 滚动市盈率，衡量股票估值水平，低PE通常被视为价值型或盈利能力强。[42] * **因子具体构建过程：** 报告未给出具体计算公式。通常为股价与最近四个季度每股收益之和的比值。$$PE\_TTM = \frac{股价}{最近四个季度每股收益之和}$$ * **因子评价：** 上周全市场范围内，高估值（高PE_TTM）股票表现优于低估值股票。[42] 4. **因子名称：反转因子**[45] * **因子构建思路：** 基于股价短期反转效应，认为过去一段时间跌幅较大的股票未来可能反弹。[45] * **因子具体构建过程：** 报告未给出具体计算公式。通常计算股票过去一段时间的收益率并取负值。$$反转因子 = -过去N期收益率$$ * **因子评价：** 上周全市场范围内，该因子贡献负收益，即低涨幅股票表现不佳。[5][45] 5. **因子名称：换手率因子**[45] * **因子构建思路：** 衡量股票流动性或交易活跃度，低换手率可能预示关注度低或存在流动性折价。[45] * **因子具体构建过程：** 报告未给出具体计算公式。通常为一段时间内的成交股数除以流通股本。$$换手率 = \frac{期间成交股数}{流通股本}$$ * **因子评价：** 上周全市场范围内，该因子贡献负收益，即低换手率股票表现不佳。[5][45] 6. **因子名称：波动率因子**[45] * **因子构建思路：** 衡量股票价格波动风险，低波动率股票通常被认为风险较低。[45] * **因子具体构建过程：** 报告未给出具体计算公式。通常计算股票过去一段时间收益率的标准差。$$波动率 = \sqrt{\frac{1}{N-1} \sum_{t=1}^{N}(r_t - \bar{r})^2}$$ * **因子评价：** 上周全市场范围内，该因子贡献负收益，即低波动率股票表现不佳。[5][45] 7. **因子名称：ROE因子**[53] * **因子构建思路：** 净资产收益率，衡量公司利用股东权益创造利润的能力。[53] * **因子具体构建过程：** 报告未给出具体计算公式。通常为净利润与净资产的比值。$$ROE = \frac{净利润}{净资产}$$ * **因子评价：** 上周全市场范围内，该因子贡献负收益。[53] 8. **因子名称：SUE因子**[53] * **因子构建思路：** 标准化未预期盈余，衡量公司盈利超出市场预期的程度。[53] * **因子具体构建过程：** 报告未给出具体计算公式。通常为（实际公告的每股收益 - 分析师预测的每股收益均值）/ 预测的标准差。 * **因子评价：** 上周全市场范围内，该因子贡献负收益。[53] 9. **因子名称：预期净利润调整因子**[53] * **因子构建思路：** 基于分析师对净利润预测的调整，捕捉盈利预期变化带来的投资机会。[53] * **因子具体构建过程：** 报告未给出具体计算公式。通常计算一段时间内分析师对未来净利润预测均值的调整幅度。 * **因子评价：** 上周全市场范围内，该因子贡献正收益，即高预期净利润调整股票表现更优。[5][53] 模型的回测效果 （数据期间：2025年12月31日至2026年1月9日）[9] 1. **进取组合**，周收益率4.26%，超额收益（相对中证500）-3.65%，年收益率4.26%，跟踪误差23.46%，最大相对回撤15.40%[9] 2. **平衡组合**，周收益率5.29%，超额收益（相对中证500）-2.63%，年收益率5.29%，跟踪误差20.71%，最大相对回撤12.97%[9] 3. **沪深300增强组合**，周收益率4.69%，超额收益（相对沪深300）1.90%，年收益率4.69%，跟踪误差4.71%，最大相对回撤1.68%[9] 4. **中证500增强组合**，周收益率6.34%，超额收益（相对中证500）-1.58%，年收益率6.34%，跟踪误差4.07%，最大相对回撤3.11%[9] 5. **中证1000增强组合**，周收益率6.17%，超额收益（相对中证1000）-0.86%，年收益率6.17%，跟踪误差5.31%，最大相对回撤4.45%[9] 6. **绩优基金的独门重仓股组合**，周收益率5.19%，超额收益（相对股票型基金总指数）0.23%，年收益率5.19%，跟踪误差23.29%，最大相对回撤12.90%[9] 7. **盈利、增长、现金流三者兼优组合**，周收益率2.87%，超额收益（相对沪深300）0.08%，年收益率2.87%，跟踪误差12.23%，最大相对回撤9.74%[9] 8. **PB-盈利优选组合**，周收益率2.02%，超额收益（相对沪深300）-0.76%，年收益率2.02%，跟踪误差15.62%，最大相对回撤7.31%[9] 9. **GARP组合**，周收益率3.62%，超额收益（相对沪深300）0.84%，年收益率3.62%，跟踪误差13.93%，最大相对回撤4.04%[9] 10. **小盘价值优选组合1**，周收益率5.24%，超额收益（相对微盘股指数）0.77%，年收益率5.24%，跟踪误差10.17%，最大相对回撤10.69%[9] 11. **小盘价值优选组合2**，周收益率4.94%，超额收益（相对微盘股指数）0.47%，年收益率4.94%，跟踪误差8.89%，最大相对回撤8.70%[9] 12. **小盘成长组合**，周收益率4.95%，超额收益（相对微盘股指数）0.49%，年收益率4.95%，跟踪误差11.60%，最大相对回撤9.76%[9] 因子的回测效果 （数据期间：2025年12月31日至2026年1月9日，多空收益）[42][45][53] 1. **市值因子**，全市场多空收益-0.79%，沪深300多空收益4.83%，中证500多空收益-5.59%，中证1000多空收益-2.47%[42][48] 2. **PB因子**，全市场多空收益-4.01%，沪深300多空收益-5.52%，中证500多空收益-6.06%，中证1000多空收益-5.68%[42][48] 3. **PE_TTM因子**，全市场多空收益-4.02%，沪深300多空收益-6.02%，中证500多空收益-8.61%，中证1000多空收益-6.97%[42][48] 4. **反转因子**，全市场多空收益-3.60%，沪深300多空收益0.42%，中证500多空收益-9.48%，中证1000多空收益-2.04%[49][51] 5. **换手率因子**，全市场多空收益-4.82%，沪深300多空收益-3.43%，中证500多空收益-11.17%，中证1000多空收益-6.36%[49][51] 6. **波动率因子**，全市场多空收益-5.08%，沪深300多空收益-3.14%，中证500多空收益-10.96%，中证1000多空收益-5.86%[49][51] 7. **ROE因子**，全市场多空收益-1.50%，沪深300多空收益-0.74%，中证500多空收益-3.84%，中证1000多空收益-2.41%[53][55] 8. **SUE因子**，全市场多空收益-0.11%，沪深300多空收益-1.13%，中证500多空收益-0.89%，中证1000多空收益0.63%[53][55] 9. **预期净利润调整因子**，全市场多空收益0.57%，沪深300多空收益0.86%，中证500多空收益1.89%，中证1000多空收益-0.58%[53][55]

量化模型与构建方式 1. **模型名称：市场趋势择时模型**[2][5][6] * **模型构建思路**：通过比较市场指数的短期均线与长期均线的相对位置和距离，来判断市场整体处于上行趋势还是下行趋势，并据此进行择时判断[2][6]。 * **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：计算基准指数的20日移动平均线（短期均线）和120日移动平均线（长期均线）。 3. 计算均线距离：计算短期均线与长期均线的差值百分比。 $$均线距离 = \frac{短期均线 - 长期均线}{长期均线} \times 100\%$$ 4. 趋势判断规则：当均线距离的绝对值大于3%时，认为市场处于明确的趋势中。具体为：若短期均线位于长期均线之上（即均线距离为正），则判断市场处于上行趋势；若短期均线位于长期均线之下（即均线距离为负），则判断市场处于下行趋势[2][6]。 2. **模型名称：赚钱效应指标**[2][5][6] * **模型构建思路**：在判断市场处于上行趋势后，通过计算当前价格相对于市场趋势线的涨幅（即赚钱效应）来观测趋势的强度和持续性，作为上行趋势能否延续的核心观测指标[2][6]。 * **模型具体构建过程**： 1. 确定市场趋势线：根据择时模型或其他方法确定一个代表市场趋势的参考点位（例如，报告中提及的6400点附近）[2][6]。 2. 计算赚钱效应：计算当前指数价格相对于该趋势线的涨幅百分比。 $$赚钱效应 = \frac{当前价格 - 趋势线价格}{趋势线价格} \times 100\%$$ 3. 信号解读：当赚钱效应为正时，表明市场处于盈利状态，有助于吸引增量资金，上行趋势有望延续[2][6]。 3. **模型名称：仓位管理模型**[2][7] * **模型构建思路**：结合市场的估值水平和短期趋势判断，为绝对收益产品提供股票仓位的配置建议[2][7]。 * **模型具体构建过程**： 1. 估值评估：评估市场整体估值水平。例如，计算WIND全A指数的PE（市盈率）和PB（市净率）在其历史数据中的分位数位置（如90分位点、50分位点），以此判断估值处于偏高水平、中等水平或偏低水平[2][7]。 2. 趋势判断：利用市场趋势择时模型判断市场处于上行或下行趋势[2]。 3. 仓位建议：综合估值水平（判断市场风险）和短期趋势（判断市场机会），给出具体的仓位建议比例。例如，在估值中等、市场处于上行趋势时，建议80%的仓位[7]。 4. **模型名称：行业趋势配置模型**[2][5][6] * **模型构建思路**：该模型是一个综合框架，内部包含多个子模型，用于识别和推荐具有上行趋势或配置机会的行业板块[2][5][6]。 * **模型具体构建过程**：报告未详细说明该综合模型的具体构建算法，但列举了其包含的子模型及其当前信号： * **中期困境反转预期模型**：信号显示关注传媒和创新医疗行业[2][5][6]。 * **TWO BETA模型**：继续推荐科技板块，关注AI应用和商业航天领域[2][5][6]。 * **行业趋势模型**：显示算力、工业金属、储能板块延续上行趋势[2][5][6]。 模型的回测效果 （报告中未提供各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 （报告中未涉及具体的量化因子构建。） 因子的回测效果 （报告中未涉及具体的量化因子测试结果。）

量化模型与构建方式 1. **模型名称：宽基轮动策略**[13] * **模型构建思路**：基于市场情绪热度变化，构建一个简单的宽基指数轮动策略。每周选择市场关注度（热度）提升最显著的宽基指数进行投资，若热度提升最大的是非主流股票（“其他”组），则选择空仓[11][13]。 * **模型具体构建过程**： 1. 将全市场股票按宽基指数成分股分组，包括沪深300、中证500、中证1000、中证2000以及不属于以上四组的“其他”股票[8]。 2. 计算每个分组（宽基指数）的“总热度”指标，即对组内所有成分股的个股总热度进行求和[7][8]。 3. 计算每个宽基指数热度的周度变化率，并取2周移动平均（MA2）进行平滑处理[11]。 4. 在每周最后一个交易日，买入总热度变化率MA2最大的宽基指数。如果变化率最大的是“其他”组，则空仓[13]。 2. **模型名称：热门概念内低热度选股策略**[30][32] * **模型构建思路**：在短期内受市场情绪驱动、热度飙升的概念板块中，逆向选择该概念内关注度（热度）最低的个股，以期获得超额收益[29][32]。 * **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[32]。 2. 将这5个热门概念的所有成分股合并，作为初始选股股票池[32]。 3. 从股票池中剔除流通市值最小的20%的股票[32]。 4. 对于每个热门概念，分别选出其成分股中“总热度”指标排名最后10名的个股[32]。 5. 将所有选出的低热度个股等权构建投资组合（BOTTOM组合）[32]。 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7.9%[16]。 2. **热门概念内低热度选股策略（BOTTOM组合）**，年化收益15.71%，最大回撤28.89%，2026年收益6.4%[34]。 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**：通过聚合投资者对个股的浏览、自选与点击行为数据，构建一个衡量市场对单只股票关注度（情绪热度）的代理指标[7]。 * **因子具体构建过程**： 1. 获取股票每日的浏览次数、加入自选次数和点击次数[7]。 2. 将这三项数据求和，得到股票的原始热度值[7]。 3. 将该原始热度值除以当日全市场所有股票的原始热度值之和，进行归一化处理[7]。 4. 将归一化后的数值乘以10000，使因子取值区间落在[0, 10000]之间[7]。 * **公式**： $$个股总热度 = \frac{股票当日（浏览+自选+点击）次数}{全市场当日（浏览+自选+点击）总次数} \times 10000$$ 2. **因子名称：宽基/行业/概念总热度**[7] * **因子构建思路**：将个股层面的关注度指标聚合到宽基指数、行业或概念板块层面，用于追踪更大范围的市场情绪热度[7]。 * **因子具体构建过程**：对目标宽基指数、申万行业或概念板块内的所有成分股的“个股总热度”因子值进行求和[7]。 3. **因子名称：热度变化率MA2**[11][20] * **因子构建思路**：计算宽基、行业或概念“总热度”指标的周度环比变化，并采用移动平均平滑，以捕捉关注度的边际变化趋势[11][20]。 * **因子具体构建过程**： 1. 计算宽基、行业或概念的“总热度”指标本周数值相对于上周数值的变化率[11][20]。 2. 对该周度变化率序列取2期移动平均（MA2），得到平滑后的热度变化率指标[11][20]。 因子的回测效果 *（注：报告中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，其效果已体现在模型的回测结果中。）*

量化模型与构建方式 1. **模型名称：DTW相似性择时模型**[7][20] * **模型构建思路**：基于技术分析中的相似性原理，通过比较当前市场行情与历史行情的相似度来预测未来走势[20]。采用动态时间规整（DTW）距离而非欧氏距离作为相似性度量标准，以解决时间序列错配问题，并引入改进的DTW算法来避免“病态匹配”[22][24]。 * **模型具体构建过程**： 1. **数据准备**：获取目标指数（如沪深300）的历史价格序列。 2. **片段截取**：将当前最新的行情片段（例如最近N个交易日）作为待匹配序列。 3. **相似性计算**：在历史数据中滑动截取相同长度的片段，使用改进的DTW算法计算当前片段与每一个历史片段之间的距离。改进算法通过增加边界限制条件（如Sakoe-Chiba或Itakura Parallelogram）来约束规整路径，防止过度弯曲[24][26][28]。 4. **片段筛选**：选取DTW距离最小的K个历史片段作为相似片段。 5. **信号生成**：计算这K个相似片段在未来特定时期（如未来5日或1日）的收益率。对这些未来收益率进行加权平均，权重为对应历史片段DTW距离的倒数[20]。同时计算这些未来收益率的加权标准差。 6. **决策规则**：根据计算出的加权平均预测涨跌幅和其方差（不确定性），结合预设的阈值（如预测涨跌幅必须大于某个值，且方差低于某个值）来生成最终的交易信号（如“多”、“空”或“无信号”）[8][20]。例如，若预测涨跌幅为正且超过阈值，同时方差低于阈值，则发出看多信号。 2. **模型名称：外资择时模型**[7][30] * **模型构建思路**：利用境外上市的、与A股相关联的金融资产（富时中国A50股指期货和南方A50ETF）的价格信息，构建择时指标，挖掘外资动向对A股的预示作用[30]。 * **模型具体构建过程**： 1. **数据源选择**：选取富时中国A50股指期货（新加坡交易所）和南方A50ETF（香港交易所）作为信息源[30]。 2. **指标构建（富时中国A50股指期货）**： * **升贴水指标**：基于期货价格与现货指数之间的升贴水关系构建。 * **价格背离指标**：基于期货价格与A股现货指数之间的走势背离关系构建。 * 将上述两个指标复合，形成**富时中国A50股指期货择时信号**[30]。 3. **指标构建（南方A50ETF）**： * **价格背离指标**：基于ETF价格与A股现货指数之间的走势背离关系构建，形成**南方A50ETF择时信号**[30]。 4. **信号复合**：将来自富时中国A50股指期货和南方A50ETF的两个择时信号进行复合，最终生成统一的**外资择时信号**[30]。 模型的回测效果 1. **DTW相似性择时模型**，样本外跟踪期间（2022年11月以来）绝对收益率35.52%[2][9]，相对沪深300指数超额收益率8.60%[9]，最大回撤率21.32%[2][9]。 2. **外资择时模型（多头策略）**，样本外跟踪期间（2024年以来）绝对收益率31.33%[2][17]，最大回撤率8.23%[2][17]。 3. **外资择时模型（全样本：2014年12月30日至2024年12月31日）**，多空策略年化收益率18.96%[13]，最大回撤率25.69%[13]；多头策略年化收益率14.19%[13]，最大回撤率17.27%[13]，日胜率近55%[13]，盈亏比超过2.5[13]。 量化因子与构建方式 1. **因子名称：大小盘轮动因子（DTW）**[3][8] * **因子构建思路**：利用DTW相似性模型，直接对大小盘风格进行择时判断[3]。 * **因子具体构建过程**：该因子是DTW相似性择时模型的一个直接应用输出。模型通过比较当前市场整体或风格指数的行情与历史行情的相似度，直接输出对于“大盘”或“小盘”风格的判断信号[3][8]。 2. **因子名称：大小盘轮动因子（估值比）**[3][8] * **因子构建思路**：基于大小盘指数之间的估值比率（如市盈率PE之比、市净率PB之比）进行风格轮动判断。 * **因子具体构建过程**：计算代表大盘的指数（如沪深300）与代表小盘的指数（如中证1000）的估值指标比率。当该比率处于历史高位时，可能预示小盘股相对估值偏高，风格可能切换至大盘；反之亦然。根据比率在历史分位数上的位置生成信号[3][8]。 3. **因子名称：成长价值轮动因子（估值比）**[3][8] * **因子构建思路**：基于成长与价值风格指数之间的估值比率进行风格轮动判断。 * **因子具体构建过程**：计算代表成长风格的指数与代表价值风格的指数的估值指标比率。通过分析该比率的历史分位数或变化趋势，来判断市场风格是偏向成长还是价值[3][8]。 4. **因子名称：AH轮动因子**[3][8] * **因子构建思路**：针对同时在A股和港股上市的公司或板块，通过模型判断投资A股还是港股更具优势。 * **因子具体构建过程**：该因子是DTW相似性择时模型在跨市场比较上的应用。模型分别对A股和港股对应板块或指数的未来走势进行预测，并比较其预测涨跌幅及确定性，从而给出“A股”、“港股”或“均衡”的信号[8]。例如，对于“科技”板块，模型给出A股权重83%、港股权重17%的判断，最终信号为“A股”[8]。 5. **因子名称：富时中国A50股指期货升贴水指标**[30] * **因子构建思路**：期货价格与现货指数价格的差异（升水或贴水）反映了市场情绪和资金预期。 * **因子具体构建过程**：计算富时中国A50股指期货价格与其标的现货指数价格之间的比率或差值。持续升水可能代表外资看好后市，贴水则可能代表看空或套保需求旺盛。该指标作为外资择时模型的子指标之一[30]。 6. **因子名称：价格背离指标**[30] * **因子构建思路**：境外资产（A50期货或ETF）价格走势与境内A股现货指数走势出现背离时，可能蕴含先行信息。 * **因子具体构建过程**：分别计算富时中国A50股指期货、南方A50ETF的价格序列与A股核心现货指数（如沪深300）价格序列之间的相关性、相对强弱或走势差异。当出现显著背离时，将其作为择时信号的一个来源。该指标应用于外资择时模型中的两个资产[30]。 因子的回测效果 （报告中未提供单个因子的独立回测业绩指标，仅展示了整合这些因子的模型的整体表现。）

量化模型与因子总结 量化因子与构建方式 1. **因子名称：风格相对拥挤度**[67][122] * **因子构建思路**：通过比较两种风格指数（如成长与红利）的换手率活跃度差异，来衡量某一风格相对于另一风格的交易拥挤程度，从而判断其配置风险或性价比[67][122] * **因子具体构建过程**： 1. 对于风格A指数和风格B指数，分别计算其近252个交易日的平均换手率[122] 2. 将每个指数的平均换手率序列，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和Z-score_B[122] 3. 计算两个标准化值的差值：差值 = Z-score_A - Z-score_B[122] 4. 计算该差值在滚动6年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）[122] 5. 最终得到的分位数（百分比形式）即为风格A相对于风格B的相对拥挤度指标[67][122] 2. **因子名称：风格累计超额净值**[61][123] * **因子构建思路**：通过计算特定风格指数相对于市场基准（万得全A）的累计净值表现，来衡量该风格的长期超额收益能力[61][123] * **因子具体构建过程**： 1. 设定基准日（报告中为2020年1月4日）[123] 2. 将风格指数和万得全A指数每日的收盘点数，分别除以其在基准日的收盘点数，得到各自的累计净值序列[123] 3. 将风格指数的累计净值，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的累计超额净值[123] 3. **因子名称：机构调研活跃度**[124] * **因子构建思路**：通过计算板块、指数或行业在特定周期内机构调研次数的活跃程度，并将其与市场整体活跃度进行比较，以衡量市场关注度的相对变化[124] * **因子具体构建过程**： 1. 对于目标板块（指数、行业），计算其近n个交易日的“日均机构调研次数”[124] 2. 将该日均值在滚动y年的历史时间序列上进行z-score标准化[124] 3. 对万得全A进行同样的计算，得到其标准化值[124] 4. 将目标板块的标准化值与万得全A的标准化值作差，得到“机构调研活跃度”[124] 5. 计算该“机构调研活跃度”在滚动y年窗口内的历史分位数（若历史数据不足y年，则按规则使用全部历史数据计算）[124] * **参数设置**： * **长期口径**：n取126（近半年），滚动窗口y为6年（历史数据满3年不足6年时用全部数据）[124] * **短期口径**：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年时用全部数据）[124] 4. **因子名称：股债性价比（ERP）**[50] * **因子构建思路**：通过计算股票指数的盈利收益率与无风险利率（国债收益率）的差值，来衡量当前配置权益资产相对于债券的潜在超额收益，即风险溢价[50] * **因子具体构建过程**： 1. 计算股票指数的盈利收益率，即其市盈率（PE_TTM）的倒数[50] 2. 减去当前10年期中国国债到期收益率[50] 3. 公式为： $$指数ERP = \frac{1}{指数PE\_TTM} - 10年期国债到期收益率$$[50] 4. 同时，计算该ERP值在历史序列（2005年1月1日至今）中的百分位，以判断其相对水平[50][58] 5. **因子名称：滚动季度夏普率**[35] * **因子构建思路**：通过计算万得全A指数在滚动季度窗口内的风险调整后收益（夏普率），来评估市场情绪风险和潜在的回撤风险[35] * **因子具体构建过程**：报告中未给出详细计算过程，但提及该指标用于衡量市场情绪，当其上升至历史极高位置时，表明市场情绪达到极端高峰，后续市场易进入震荡或调整状态[35] 因子的回测效果 1. **风格相对拥挤度因子** * 成长 vs 红利：本周末历史分位值为72%，上周末为70%，上年末为70%[67] * 小盘 vs 大盘：本周末历史分位值为39%，上周末为39%，上年末为39%[67] * 微盘股 vs 中证800：本周末历史分位值为89%，上周末为90%，上年末为90%[67] 2. **风格累计超额净值因子** * 成长较红利超额：近一周为2.5%，近一月为2.5%，年初至今为2.5%[59] * 小盘较大盘超额：近一周为5.0%，近一月为8.6%，年初至今为5.0%[59] * 微盘股较基金重仓超额：近一周为-1.2%，近一月为-0.2%，年初至今为-1.2%[59] * 动量较反转超额：近一周为-0.6%，近一月为2.1%，年初至今为-0.6%[59] 3. **股债性价比（ERP）因子** * 万得全A ERP：本周末为2.5%，百分位为54%，当前状态为“均衡”[58] * 沪深300 ERP：本周末为5.1%，百分位为57%，当前状态为“均衡”[58] * 中证500 ERP：本周末为0.9%，百分位为67%，当前状态为“较高”[58] * 创业板指 ERP：本周末为0.5%，百分位为85%，当前状态为“极高”[58]