量化模型与因子总结 量化模型与构建方式 1. **模型名称：商品融合策略** * **模型构建思路：** 针对商品市场常见的基本面、carry、动量等风险溢价，构建了三个子策略模拟组合，并采用等权方式融合成一个综合策略[19]。 * **模型具体构建过程：** 首先，分别构建商品期限结构、商品时序动量、商品截面仓单三个独立的模拟组合。然后，将这三个子策略的持仓或收益进行等权重合并，形成最终的“商品融合策略”[19]。 2. **模型名称：商品期限结构模拟组合** * **模型构建思路：** 基于展期收益率因子来刻画商品的升贴水状态，动态做多展期收益率高的品种，做空展期收益率低的品种，以捕捉期限结构带来的风险溢价[23]。 * **模型具体构建过程：** 报告未详细说明展期收益率的计算方法和具体的交易规则。其核心是计算每个商品的展期收益率因子，并根据该因子的排序或数值大小进行多空配置[23]。 3. **模型名称：商品时序动量模拟组合** * **模型构建思路：** 基于多个技术指标刻画境内商品的中长期趋势，动态做多趋势上涨的资产，做空趋势下跌的资产，以捕捉动量效应[23]。 * **模型具体构建过程：** 报告未详细说明所使用的具体技术指标、计算周期以及交易信号生成规则。其核心是综合多个技术指标判断商品价格趋势，并根据趋势方向进行多空配置[23]。 4. **模型名称：商品截面仓单模拟组合** * **模型构建思路：** 基于仓单因子刻画境内商品基本面的变化情况，动态做多仓单下降的资产，做空仓单增长的资产，以捕捉基本面供需变化带来的收益[23]。 * **模型具体构建过程：** 报告未详细说明仓单因子的具体计算方式（如变化率、相对水平等）和交易触发阈值。其核心是监控各商品仓单数据的变化，并根据仓单的增减方向进行多空配置[23]。 量化因子与构建方式 1. **因子名称：展期收益率因子** * **因子的构建思路：** 用于衡量商品期货合约的期限结构，即近月合约与远月合约的价格关系，反映市场的现货紧张程度和持有收益[23]。 * **因子具体构建过程：** 报告未给出具体的计算公式。通常，展期收益率（Roll Yield）可近似计算为近月合约价格与次近月合约价格的对数收益率，或通过更复杂的模型计算持有至到期的预期收益。公式示意如下： $$RollYield \approx ln(\frac{P_{near}}{P_{next}})$$ 其中，$P_{near}$ 代表近月合约价格，$P_{next}$ 代表次近月合约价格[23]。 2. **因子名称：仓单因子** * **因子的构建思路：** 用于刻画商品现货市场的基本面供需状况，仓单下降通常意味着现货需求旺盛或供给紧张，反之则相反[23]。 * **因子具体构建过程：** 报告未给出具体的计算公式。该因子通常基于交易所公布的注册仓单数量，可能计算其绝对变化量、环比变化率或与历史水平的比较[23]。 3. **因子名称：金银比价** * **因子的构建思路：** 通过计算黄金价格与白银价格的比值，来观察贵金属内部的相对强弱关系，并作为判断白银短期风险的指标[2][9]。 * **因子具体构建过程：** 使用海外市场的黄金和白银价格进行计算。具体公式为： $$金银比价 = \frac{黄金价格}{白银价格}$$ 报告指出，当该比值处于50附近时，可能预示着短期白银风险会快速上升[2][9]。 模型的回测效果 (注：以下回测结果基于报告所述特定时间窗口，如“近两周”、“今年以来”等) 1. **商品融合策略** * 近两周收益：0.09%[1][22] * 今年以来收益：0.02%[1][24] * 历史年化收益（示例）：2010年11.67%，2020年14.60%，2025年3.66%[24] 2. **商品期限结构模拟组合** * 近两周收益：-0.42%[22][25] * 今年以来收益：0.04%[25][28] * 历史年化收益（示例）：2010年8.74%，2020年10.81%，2025年9.27%[28] 3. **商品时序动量模拟组合** * 近两周收益：1.79%[1][22][30] * 今年以来收益：2.17%[1][30] * 历史年化收益（示例）：2007年13.92%，2020年15.11%，2025年-3.50%[31] 4. **商品截面仓单模拟组合** * 近两周收益：-1.11%[22][35] * 今年以来收益：-2.15%[35][38] * 历史年化收益（示例）：2010年18.18%，2020年17.72%，2025年5.51%[38] 因子的回测效果 (注：报告未提供因子在标准化测试（如IC、IR、多空收益）下的具体数值结果，仅提供了基于因子构建的策略表现和因子观察值) 1. **金银比价因子** * 截至2025-01-30最新取值：48.28[9] * 观察结论：当该因子处于50附近时，历史数据显示短期白银风险可能快速上升[2][9]。

量化模型与构建方式 1. **模型名称：价格分段体系**[7][14] * **模型构建思路**：通过技术分析方法，对指数价格走势进行不同时间周期（如日线、周线）的划分和识别，以判断当前市场所处的趋势阶段[14]。 * **模型具体构建过程**：报告未详细描述该模型的构建算法，仅展示了其应用结果。从图表来看，该模型可能涉及对指数价格序列进行分段处理，并计算类似DEA（差离值）的指标来辅助判断。图表中同时绘制了日线级别和周期级别的分段结果，以及dea指标线[17]。 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）**[7][15] * **模型构建思路**：通过分析市场微观结构数据（推测为高频或订单流数据），构建反映“知情交易者”活跃程度的指标，用于判断市场情绪和未来走势[15]。 * **模型具体构建过程**：报告未给出该指标的具体计算公式和构建步骤，仅提及该指标基于对市场微观结构的分析[15]。其数值变化被用于解读知情交易者对后市的看法[15]。 3. **模型/因子名称：风险偏好指数**[13] * **模型构建思路**：利用ETF资金流数据构建一个综合指数，用以衡量和监测市场整体的风险偏好水平[13]。 * **模型具体构建过程**：报告未提供该指数的具体构建公式和计算过程，仅说明其数据来源为ETF资金流，并提及使用“ETF资金流-涨跌幅间的滚动10日平均相关系数”作为辅助判断信号质量的指标[13]。 4. **因子列表：BARRA风格因子体系**[22] * **因子构建思路**：采用经典的BARRA多因子模型框架，从多个维度（如价值、成长、动量、市值、波动率等）刻画股票的风格特征，并计算这些因子在特定周期内的收益表现[22]。 * **因子具体构建过程**：报告未详细描述每个因子的具体计算公式。它直接引用了BARRA风格因子的分类和名称，包括：换手、财务杠杆、盈利波动、盈利质量、盈利能力、投资质量、长期反转、EP价值、BP价值、成长、动量、非线性市值、市值、波动率、股息率等[22]。报告通过跟踪这些因子在最近一周和上周的收益，来监测市场风格偏好[22]。 模型的回测效果 （报告中未提供所述模型的量化回测效果指标，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：乖离率（应用于黄金）**[12] * **因子构建思路**：衡量当前价格与其移动平均线的偏离程度，用于判断资产是否超买或超卖[12]。 * **因子具体构建过程**：以伦敦金现价格为例，计算其与60日移动平均线的乖离率。报告虽未给出通用公式，但该指标的标准计算公式可表示为： $$乖离率(BIAS) = \frac{当前价格 - N日移动平均价}{N日移动平均价} \times 100\%$$ 其中，N为周期参数，报告中提及的是60日[12]。 2. **因子名称：ETF资金流-涨跌幅滚动相关系数**[13] * **因子构建思路**：计算ETF资金流数据与市场涨跌幅之间在滚动窗口内的相关系数，用以评估配置资金动向对市场短期走势的影响程度或模型信号的干扰情况[13]。 * **因子具体构建过程**：报告未给出具体计算公式。其构建思路是在一个滚动时间窗口（报告中为10日）内，计算每日ETF资金流序列与市场指数涨跌幅序列的相关系数，并取平均值或观察其趋势[13]。 3. **因子名称：行业融资融券净买入额**[19][21] * **因子构建思路**：在行业维度上，计算融资净买入与融券净卖出之间的差额，用以观察杠杆资金在行业间的流向和偏好[19]。 * **因子具体构建过程**：对于每个行业，在特定周期（报告中为本周）内，计算： $$行业融资融券净买入额 = 融资净买入额 - 融券净卖出额$$ 该值为正表示融资资金净流入该行业，为负表示净流出[19][21]。 因子的回测效果 1. **BARRA风格因子**，本周收益：换手 -0.6%，财务杠杆 0.1%，盈利波动 -0.2%，盈利质量 -0.1%，盈利能力 0.8%，投资质量 -0.2%，长期反转 0.0%，EP价值 0.1%，BP价值 0.3%，成长 -0.1%，动量 0.2%，非线性市值 -0.2%，市值 -0.1%，波动率 0.4%，股息率 0.2%[22]。 2. **BARRA风格因子**，上周收益：换手 0.3%，财务杠杆 0.2%，盈利波动 0.2%，盈利质量 0.1%，盈利能力 0.0%，投资质量 -0.1%，长期反转 0.5%，EP价值 -0.2%，BP价值 0.3%，成长 0.1%，动量 0.3%，非线性市值 0.3%，市值 -0.9%，波动率 -0.8%，股息率 -0.1%[22]。

量化模型总结 量化模型与构建方式 1. **模型名称：市场趋势择时模型**[2][5][7] * **模型构建思路**：通过计算WIND全A指数的短期均线（20日）与长期均线（120日）之间的距离（百分比），来判断市场整体是处于上行趋势还是震荡格局[2][7]。 * **模型具体构建过程**： 1. 计算WIND全A指数的20日移动平均线（MA20）和120日移动平均线（MA120）。 2. 计算两条均线之间的距离（百分比差值），公式为： $$距离 = \frac{MA20 - MA120}{MA120} \times 100\%$$ 3. 根据距离绝对值设定阈值进行判断：当距离绝对值大于3%时，市场处于上行趋势；否则可能处于震荡格局[2][7]。 2. **模型名称：仓位管理模型**[2][9] * **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，为绝对收益产品提供股票仓位的配置建议[2][9]。 * **模型具体构建过程**：报告未详细描述该模型的具体计算过程和权重分配规则，仅展示了其输出结果。模型会综合估值指标（如PE位于90分位点，PB位于50分位点）和趋势判断，给出具体的仓位建议比例[9]。 3. **模型名称：行业趋势配置模型**[2][6][8] * **模型构建思路**：这是一个复合模型，整合了多个子模型的信号，用于进行行业配置方向的判断[2][6]。 * **模型具体构建过程**：该模型本身未给出具体构建公式，但其包含以下三个子模型，并综合它们的输出进行推荐： * **中期困境反转预期模型**：用于识别如白酒、地产等具有困境反转潜力的行业，当前模型显示需继续等待反转信号[2][6][8]。 * **TWO BETA模型**：用于推荐科技板块等，当前模型继续推荐科技板块，并关注商业航天的反弹机会[2][6][8]。 * **业绩趋势模型**：用于提示业绩高景气的行业方向，当前模型提示重点关注算力相关产业链，以及周期上游中的工业有色与化工等板块（需等待缩量后的机会）[2][6][8]。 模型的回测效果 （注：本报告为周度观点报告，未提供上述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。） 量化因子总结 量化因子与构建方式 1. **因子名称：均线距离因子**[2][7] * **因子构建思路**：作为趋势的度量，反映短期价格相对于长期平均成本的偏离程度，用于判断市场趋势强度[2][7]。 * **因子具体构建过程**：与市场趋势择时模型的核心计算过程一致。计算WIND全A指数的20日线与120日线的百分比距离，公式为： $$均线距离因子值 = \frac{MA20 - MA120}{MA120} \times 100\%$$ 其中，MA20代表20日移动平均价，MA120代表120日移动平均价[2][7]。 2. **因子名称：估值分位数因子（PE/PB）**[2][9][10][12] * **因子构建思路**：通过计算当前估值（PE或PB）在历史序列中所处的位置（分位数），来判断市场估值水平的高低[9][10][12]。 * **因子具体构建过程**： 1. 获取WIND全A指数历史每日的PE（或PB）数据，时间范围至少覆盖2014年10月17日至当前[11][13]。 2. 计算当前PE（或PB）值在历史全部数据中的百分位排名（分位数）。 3. 根据分位数高低进行定性判断：例如，PE位于90分位点附近属于较高水平，PB位于50分位点属于中等水平[9]。 3. **因子名称：赚钱效应因子**[2][5][8] * **因子构建思路**：在上行趋势中，将“赚钱效应是否为正”作为核心观测指标，用于判断趋势的可持续性[2][5][8]。 * **因子具体构建过程**：报告未给出该因子的明确定义和计算公式。从上下文推断，可能涉及市场指数价格与某一关键趋势线（报告中提及6800点）的相对位置，或与广泛上涨的股票数量比例相关，当因子值在零值边缘时，预示上行趋势可能中止[2][5][8]。 因子的回测效果 （注：本报告未提供上述因子的IC值、IR、多空收益等历史测试结果的具体数值。）

量化模型与构建方式 1. **模型名称：周期分析模型**[2][7] * **模型构建思路：** 通过分析市场价格的周期性波动规律，识别不同级别的趋势与转折点，以判断市场所处的阶段和潜在的企稳或转向信号[2][7]。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细步骤，仅提及了其应用结论。模型可能基于对历史价格序列进行频谱分析、周期识别等技术来划分不同时间级别的波动周期[7]。 2. **模型名称：趋势模型**[7] * **模型构建思路：** 用于判断市场或资产的中长期主要运动方向，区分多头（上涨）和空头（下跌）区间[7]。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细步骤。通常此类模型可能基于移动平均线、趋势线突破或动量指标等来定义和确认趋势状态[7]。 3. **模型名称：缠论分析模型**[6][9] * **模型构建思路：** 基于“缠中说禅”理论，通过分析价格走势中蕴含的几何结构（如笔、线段、中枢等），对市场走势进行分解和分类，以预判未来的可能路径[6][9]。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细步骤。其构建通常涉及对K线进行包含处理、划分笔和线段、识别中枢及判断走势类型等一系列规则化的流程[9]。 4. **模型名称：泛行业拥挤度分析模型**[6][10] * **模型构建思路：** 通过量化监测各行业或板块的交易活跃度、资金集中程度等指标，评估其是否处于过度拥挤（过热）或过度冷清的状态，以提示潜在的风险或机会[6][10]。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细步骤。常见的拥挤度指标可能包括换手率分位数、成交额占比、融资买入占比、分析师情绪一致性等[10]。 5. **模型名称：行业四轮驱动模型**[6][13] * **模型构建思路：** 一个综合性的行业轮动模型，旨在通过多维度信号捕捉不同行业板块的交易机会或潜在机会[6][13]。 * **模型具体构建过程：** 报告未详细说明其四个维度的具体构成和合成方法。从输出信号类型（如“交易机会”、“牛回头(潜在机会)”、“低位金叉(潜在机会)”）来看，该模型可能综合了趋势、动量、估值、资金流等多个因子或子模型的结果进行判断[13]。 模型的回测效果 *报告未提供任何量化模型的回测绩效指标（如年化收益率、夏普比率、最大回撤等）的具体数值。* 量化因子与构建方式 *报告未提及任何具体的量化因子（如估值因子、动量因子、质量因子等）的构建思路、过程和公式。* 因子的回测效果 *报告未提供任何量化因子的测试结果（如IC值、IR、多空收益等）的具体数值。*

量化模型与构建方式 1. **模型名称：成交量模型** [8][10] * **模型构建思路**：基于价量关系进行短期市场择时，认为成交量变化能反映市场情绪和趋势强度[8]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 2. **模型名称：特征龙虎榜机构模型** [1][10] * **模型构建思路**：利用龙虎榜中机构资金的买卖行为作为特征，进行短期市场择时判断[1]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 3. **模型名称：特征成交量模型** [1][10] * **模型构建思路**：基于特定的成交量特征（非简单成交量）进行短期市场择时判断[1]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 4. **模型名称：智能算法沪深300/中证500模型** [1][10] * **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指数进行短期择时[1]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 5. **模型名称：涨跌停模型** [1][11] * **模型构建思路**：通过分析市场涨跌停股票的数量或比例等特征，进行中期市场情绪和趋势判断[1][8]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 6. **模型名称：上下行收益差模型** [1][10][11] * **模型构建思路**：通过计算市场上行收益与下行收益的差值，来衡量市场动能的强弱，用于中期择时[1]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 7. **模型名称：上下行收益差相似模型** [10][14] * **模型构建思路**：该模型是“上下行收益差模型”的变体或应用于特定市场（如港股）的相似逻辑模型，用于中期择时[10][14]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 8. **模型名称：月历效应模型** [1][11] * **模型构建思路**：基于历史数据中存在的特定月份或时间段的规律性表现（月历效应）进行中期择时[1]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 9. **模型名称：长期动量模型** [1][12] * **模型构建思路**：依据资产的长期价格动量（趋势）进行长期择时判断[1]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 10. **模型名称：A股综合兵器V3模型** [1][13] * **模型构建思路**：一个综合性的A股择时模型，可能耦合了短、中、长期多个子模型的信号，形成最终观点[8][13]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 11. **模型名称：A股综合国证2000模型** [1][13] * **模型构建思路**：专门针对国证2000指数的综合性择时模型[1][13]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 12. **模型名称：成交额倒波幅模型** [10][14] * **模型构建思路**：应用于港股的中期择时模型，结合成交额与波动率（倒波幅）指标进行判断[10][14]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 13. **策略名称：大师策略** [35] * **策略构建思路**：基于经典量化选股逻辑构建的策略系列，涵盖价值型、成长型和综合型，用于监控市场因子暴露和选股标准[35]。 * **策略具体构建过程**：报告未提供具体策略的构建公式和详细步骤。 14. **模型名称：形态识别模型（杯柄形态）** [42][43] * **模型构建思路**：通过识别股价走势中的“杯柄”形态（Cup with Handle）来捕捉突破上涨机会的技术分析模型[42]。 * **模型具体构建过程**：报告未提供形态识别的具体量化规则和公式，但展示了识别出的个股及其关键时点（A点：杯左起点，B点：杯底，C点：柄部结束/突破点）[45][47]。 15. **模型名称：形态识别模型（双底形态）** [42][49] * **模型构建思路**：通过识别股价走势中的“双底”形态（W底）来捕捉趋势反转上涨机会的技术分析模型[42]。 * **模型具体构建过程**：报告未提供形态识别的具体量化规则和公式，但展示了识别出的个股及其关键时点（A点：第一底，B点：中间反弹高点，C点：第二底/突破点）[50][52]。 模型的回测效果 1. **杯柄形态模型**，本周组合收益-2.79%，同期上证综指收益-0.44%，本周超额收益-2.35%；自2020年12月31日至今，累计收益20.21%，累计超额收益1.64%[42]。 2. **双底形态模型**，本周组合收益-3.06%，同期上证综指收益-0.44%，本周超额收益-2.62%；自2020年12月31日至今，累计收益24.55%，累计超额收益5.98%[42]。 量化因子与构建方式 *报告未详细阐述用于选股或阿尔法模型的单一量化因子的构建思路、过程和评价，仅提及“大师策略”暴露的因子，但未具体说明是哪些因子[35]。* 因子的回测效果 *报告未提供具体量化因子的测试结果取值。*

量化模型与因子总结 量化因子与构建方式 1. **因子名称**：风格组相对拥挤度[70][125] * **因子构建思路**：通过计算两种风格指数换手率标准化值的差值，来衡量一种风格相对于另一种风格的交易拥挤程度，以判断其配置风险或性价比[70][125] * **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日平均换手率[125] 2. 将上述换手率数据在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[125] 3. 计算二者差值：$$Diff = Z\_score\_A - Z\_score\_B$$[125] 4. 计算该差值Diff在滚动6年窗口内的历史分位数（若历史数据量满1年但不足6年，则使用全部历史数据计算）[125] 5. 最终得到的分位数即为风格A相对于风格B的相对拥挤度指标[70][125] 2. **因子名称**：风格指数累计超额净值[61][126] * **因子构建思路**：以万得全A指数为基准，计算各风格指数的累计超额收益，用于衡量风格的相对表现[61][126] * **因子具体构建过程**： 1. 以2020年1月4日为基准日，将各风格指数及万得全A指数的每日收盘点数除以基准日的收盘点数，分别得到各自的累计净值[126] 2. 将各风格指数在每个交易日的累计净值，除以同一交易日的万得全A指数累计净值[126] 3. 得到的比值即为该风格指数相对于万得全A指数的累计超额净值[126] 3. **因子名称**：机构调研活跃度[127] * **因子构建思路**：通过计算板块、指数或行业在特定周期内日均机构调研次数的标准化活跃度，来衡量机构关注度的变化[127] * **因子具体构建过程**： 1. 计算目标板块（指数、行业）在近n个交易日内的“日均机构调研次数”[127] 2. 将该数据在滚动y年的历史时间序列上进行z-score标准化[127] 3. 将上述标准化结果与万得全A指数的标准化结果作差，得到“机构调研活跃度”[127] 4. 最后计算该“机构调研活跃度”在滚动y年窗口内的历史分位数[127] * **长期口径参数**：n取126（近半年），滚动窗口y为6年（历史数据量满3年且不足6年时，使用全部历史数据计算）[127] * **短期口径参数**：n取63（近一季度），滚动窗口y为3年（历史数据量满1年且不足3年时，使用全部历史数据计算）[127] 4. **因子名称**：股债性价比（ERP）[52][60] * **因子构建思路**：使用风险溢价指标来衡量当前配置权益资产相对于债券的性价比[52][60] * **因子具体构建过程**： 1. 计算指数的ERP（Equity Risk Premium），公式为：$$指数erp = \frac{1}{指数PE\_TTM} – 10年期中债国债到期收益率$$[52] 2. 将计算出的ERP值，置于2005年1月1日至今的历史时间序列中计算其历史分位值，以判断当前性价比的高低状态[60] 5. **因子名称**：成交热度[26][36] * **因子构建思路**：使用换手率的历史分位来度量市场或板块、行业的交易活跃程度[26][36] * **因子具体构建过程**： 1. 计算核心指数、板块或行业的周度日均自由流通换手率[26][36] 2. 将该换手率数据置于历史时间序列（例如2005年1月1日至今）中，计算其当前值所对应的历史分位值[36] 3. 该历史分位值即为成交热度指标，分位越高代表成交越活跃、热度越高[26] 6. **因子名称**：滚动季度夏普率[38][40] * **因子构建思路**：计算万得全A指数滚动一个季度的夏普比率，用于衡量市场风险调整后的收益，并作为市场情绪风险的预警指标[38][40] * **因子具体构建过程**：报告未详细描述具体计算过程，但指出该指标用于监测市场情绪。当万得全A指数的滚动季度夏普率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[38] 因子的回测效果 （注：本报告为市场跟踪周报，主要展示各因子或指标的当前状态和近期表现，而非长期历史回测结果。以下为报告所述相关因子的近期取值。） 1. **风格组相对拥挤度因子**[70] * 成长 vs 红利：当前历史分位为75%，处于较高位置[70] * 小盘 vs 大盘：当前历史分位为31%，处于较低位置[70] * 微盘股 vs 中证800：当前历史分位为80%，处于较高位置[70] 2. **风格指数累计超额净值因子**[61][67] * 成长较红利超额：近一周为-2.2%，近一月为2.1%，年初至今为2.1%[61][67] * 小盘较大盘超额：近一周为-2.8%，近一月为10.3%，年初至今为10.3%[61][67] * 微盘股较基金重仓超额：近一周为0.8%，近一月为3.9%，年初至今为3.9%[61][67] * 动量较反转超额：近一周为-0.7%，近一月为-2.1%，年初至今为-2.1%[61][67] 3. **股债性价比（ERP）因子**[52][60] * 万得全A指数ERP：当前为2.4%，历史分位54%，处于均衡状态[60] * 沪深300指数ERP：当前为5.2%，历史分位59%，处于均衡状态[60] * 中证500指数ERP：当前为0.8%，历史分位65%，处于较高状态[60] * 创业板指数ERP：当前为0.5%，历史分位85%，处于极高状态[60] 4. **成交热度因子**[26][36] * 万得全A：当前成交热度历史分位为95%[36] * 上游周期板块：当前成交热度历史分位为99%[26] * 有色金属行业：当前成交热度历史分位为100%[26] 5. **滚动季度夏普率因子**[38] * 万得全A滚动季度夏普率：当前已从历史低位反弹，但尚未触及预警位置[38]

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[11][12][13][15] * **模型构建思路**：从宏观基本面、估值面、情绪面和流动性四个维度选取多个二级指标，通过判断各指标在历史分位数上的位置来生成看多或看空的信号，最后综合四个维度的信号得出总体的择时观点[11][12][13][15]。 * **模型具体构建过程**： 1. **指标选取与信号生成**：模型包含四个一级指标（基本面、估值面、情绪面、流动性），每个一级指标下包含若干二级指标。每周计算每个二级指标的最新值在过去5年历史数据中的分位数，并根据预设的阈值规则将其转化为“乐观”、“谨慎”或“中性”的二级择时信号[11][12][13][15]。 2. **一级信号综合**：根据各二级指标信号，综合判断其对应的一级指标信号（乐观/谨慎/中性）[11][12][13][15]。 3. **总仓位信号生成**：综合四个一级指标的信号，最终生成整体的“乐观”或“谨慎”的总仓位信号，用于指导仓位配置[4][11][15]。 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[22][23][24] * **模型构建思路**：从动态宏观、估值回归、短期动量、风格广度和风格拥挤度五个维度构建信号，综合判断并推荐超配成长风格或价值风格[23][24]。 * **模型具体构建过程**： 1. **多维度信号构建**：模型包含五个维度的独立信号：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。每个信号独立计算，并输出0%（看空）或100%（看多）的仓位建议[24]。 2. **信号综合**：对上述五个维度的信号进行综合（报告中展示了两种综合方式：“无中性仓位”和“5日平均仓位”），得到最终的成长风格配置仓位建议[24]。 3. **轮动建议**：根据最终的综合信号，给出超配成长或超配价值的建议[4][22]。 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[22][27][28] * **模型构建思路**：从流动性、交易情绪、估值分化、技术指标等多个角度选取11个有效轮动指标，构建综合的大小盘轮动信号[27][28]。 * **模型具体构建过程**： 1. **多指标信号构建**：模型包含11个轮动指标，例如：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、中证1000交易量能。每个指标独立生成看多大盘(0%)或看多小盘(100%)的信号[28]。 2. **信号综合**：将所有指标的信号进行综合（报告中采用了“3日平滑”的综合方式），生成最终的综合轮动信号，判断当前应超配大盘还是小盘[27][28]。 模型的回测效果 1. 短期择时模型 * **回测区间**：2012年底至今（全区间）及2024年以来[14][18][20] * **基准策略**：月度中性持仓再平衡[14][18] * **全区间表现（2012年底至今）**：年化收益率16.61%，年化超额收益率11.58%，最大回撤15.05%，夏普比率0.9788，收益回撤比1.1042，月度胜率66.46%[14][18] * **近期表现（2024年以来）**：年化收益率30.23%，年化超额收益率（相对基准）未明确给出具体数值但净值表现显著优于基准，最大回撤11.04%，夏普比率1.5665，收益回撤比2.7388，月度胜率73.08%[20] 2. 成长价值风格轮动模型 * **回测区间**：2011年至今[23][24] * **基准策略**：月度风格均衡配置（国证成长价值等权）[23][24] * **综合信号2（5日平均仓位）表现**：累计收益758.23%，年化收益率14.64%，年化超额收益率7.98%，最大回撤40.08%，夏普比率0.65，年化信息比率(IR)1.36，月度超额胜率66.49%[23][24] * **2026年以来表现**：超额收益率1.50%[23][24] 3. 小盘大盘风格轮动模型 * **回测区间**：2014年以来[28] * **基准**：沪深300与中证1000全收益指数等权配置[28] * **综合信号（3日平滑）表现**：年化收益率20.82%，年化超额收益率13.20%，最大回撤40.70%，胜率（按交易）50.32%[28] * **分年度表现**：2014年至2026年（截至报告期）每年均产生正向超额收益[28] * **2026年以来表现**：超额收益率1.23%[28] 量化因子与构建方式 1. 基本面择时因子 * **因子群名称**：基本面择时因子[11][15] * **因子构建思路**：选取反映经济景气度、信贷环境与货币供应的宏观指标，通过其在历史分位数上的位置来判断对股市的利好或利空影响[11][15]。 * **因子具体构建过程**： * **制造业PMI因子**：直接使用最新制造业PMI数值，与50的临界值比较，判断景气度强弱[11][15]。 * **信贷脉冲因子**：计算“人民币中长期贷款脉冲同比增速”，并求其过去5年分位数，用以衡量信贷增速的强弱[11][15]。 * **M1增速因子**：对M1同比增速进行HP滤波去趋势处理，计算处理后的数据在过去5年的分位数，用以衡量货币供应增速的强弱[11][15]。 2. 估值面择时因子 * **因子群名称**：估值面择时因子[12][15] * **因子构建思路**：使用市场整体估值水平的历史分位数，基于均值回归原理判断估值上行或下行的压力[12][15]。 * **因子具体构建过程**： * **PE分位数因子**：计算全A股PE中位数在过去5年的滚动分位数[12][15]。 * **PB分位数因子**：计算全A股PB中位数在过去5年的滚动分位数[12][15]。 3. 情绪面择时因子 * **因子群名称**：情绪面择时因子[13][15] * **因子构建思路**：选取反映市场内部结构、交易活跃度和波动风险的指标，用以度量市场情绪[13][15]。 * **因子具体构建过程**： * **Beta离散度因子**：计算A股整体Beta离散度，并求其过去5年分位数，衡量市场分化程度[13][15]。 * **量能情绪因子**：计算A股整体量能情绪得分，并求其过去5年分位数，衡量基于成交量的市场情绪强弱[13][15]。 * **波动率因子**：计算A股整体年化波动率，并求其过去5年分位数，衡量市场风险水平[13][15]。 4. 流动性择时因子 * **因子群名称**：流动性择时因子[13][15] * **因子构建思路**：从货币市场利率、汇率预期和场内杠杆资金变化三个层面评估市场流动性环境[13][15]。 * **因子具体构建过程**： * **货币利率指标因子**：计算特定货币利率指标在过去5年的分位数[13][15]。 * **汇率预期指标因子**：计算汇率预期指标在过去5年的分位数，反映人民币汇率强弱预期[13][15]。 * **融资额变化因子**：计算两市5日平均新增融资额，并求其过去5年分位数，反映杠杆资金入场意愿[13][15]。 5. 小盘大盘轮动因子 * **因子群名称**：小盘大盘轮动因子[28] * **因子构建思路**：从资金流向、流动性环境、主题热度、信用利差、期权市场、市场结构、估值分化、技术指标等多个角度构建11个用于判断大小盘风格的因子[27][28]。 * **因子具体构建过程**：报告列出了11个因子的名称及其独立测试表现，但未详细描述每个因子的具体计算公式。这些因子包括：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1000MACD(10,20,10)、中证1000交易量能[28]。 因子的回测效果 （注：报告中对单个因子的回测效果仅在小盘大盘轮动部分有详细列示） 1. 小盘大盘轮动因子 * **测试基准**：沪深300与中证1000全收益指数等权配置[28] * **各因子独立表现（年化超额收益率）**： * 融资买入余额变化：5.72%[28] * 大宗交易折溢价率：9.45%[28] * A股龙虎榜买入强度：5.27%[28] * R007：4.53%[28] * 主题投资交易情绪：5.66%[28] * 等级利差：5.07%[28] * 期权波动率风险溢价：5.41%[28] * beta离散度：3.42%[28] * pb分化度：9.53%[28] * 中证1000MACD(10,20,10)：8.89%[28] * 中证1000交易量能：9.90%[28]

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][6] * **模型构建思路**：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对市场进行综合刻画，并概括为“估值性价比”、“宏观基本面”、“资金&趋势”、“拥挤度&反转”四大类，最终生成一个综合择时分数以指导市场观点[1][6]。 * **模型具体构建过程**： 1. 从六个维度（流动性、经济面、估值面、资金面、技术面、拥挤度）选取二十一个底层指标[1][6]。 2. 将每个底层指标通过特定的规则或标准化方法（如z-score、阈值判断等）转化为在[-1, 1]区间内的单指标分数，其中1代表强烈看多，-1代表强烈看空，0代表中性[10][12][15][18][22][26][29][32][35][38][40][43][46][49][52][55][57][60][64][65][69][71]。 3. 将六个维度的单指标分数进行汇总（具体汇总方式未在报告中明确给出），得到六个维度的综合分数[1][6][9]。 4. 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. 最终生成一个位于[-1, 1]之间的综合择时分数，代表整体市场观点[1][6]。 量化因子与构建方式 1. **因子名称：货币方向因子**[12] * **因子构建思路**：通过比较货币政策工具利率与短端市场利率相对于过去的变化方向，来判断当前货币政策的方向是宽松还是收紧[12]。 * **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[12]。 2. **因子名称：货币强度因子**[15] * **因子构建思路**：基于“利率走廊”概念，通过计算短端市场利率相对于政策利率的偏离幅度，来表征货币环境的松紧强度[15]。 * **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。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；若因子值 > 1.5倍标准差，则预期未来120个交易日为收紧环境[15]。 3. **因子名称：信用方向因子**[18] * **因子构建思路**：通过观察中长期贷款同比增速的变化方向，来判断商业银行对实体经济的信贷传导是趋于宽松还是收紧[18]。 * **因子具体构建过程**：使用中长期贷款当月值，计算过去十二个月的增量，再计算同比增速，得到信用方向因子。若该因子相比于三个月之前上升则看多；反之则看空[18]。 4. **因子名称：信用强度因子**[22] * **因子构建思路**：通过衡量新增人民币贷款数据是否大幅超预期或不及预期，来捕捉信用的强度变化[22]。 * **因子具体构建过程**：计算信用强度因子 = (新增人民币贷款当月值 – 预期中位数) / 预期标准差。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；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不及预期环境[22]。 5. **因子名称：增长方向因子**[26] * **因子构建思路**：基于PMI数据的同比变化方向，来判断经济增长的趋势是向上还是向下[26]。 * **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数据，计算过去十二个月均值的同比值，得到增长方向因子。若该因子相比于三个月之前上升则看多；反之则看空[26]。 6. **因子名称：增长强度因子**[29] * **因子构建思路**：通过衡量PMI数据是否大幅超预期或不及预期，来捕捉经济增长的强度变化[29]。 * **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，得到增长强度因子。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；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不及预期环境[29]。 7. **因子名称：通胀方向因子**[32] * **因子构建思路**：通过观察通胀水平（CPI和PPI）的变化方向，来判断其对货币政策空间的制约程度，进而影响权益资产表现[32]。 * **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。若该因子相较于三个月之前降低，则说明是通胀下行环境，此时看多；反之看空[32]。 8. **因子名称：通胀强度因子**[35] * **因子构建思路**：通过衡量CPI与PPI数据是否大幅超预期或不及预期，来捕捉通胀的强度变化[35]。 * **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，然后计算两者的均值作为通胀强度因子。若因子值 < -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；若因子值 > 1.5倍标准差，则定义未来60个交易日为通胀显著超预期环境[35]。 9. **因子名称：席勒ERP因子**[38] * **因子构建思路**：使用经过周期平滑的盈利（席勒PE）来计算股权风险溢价，以衡量股票市场相对于无风险资产的长期估值吸引力[38]。 * **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，最后计算该ERP在过去6年时间窗口内的z-score作为因子分数[38]。 10. **因子名称：PB因子**[40] * **因子构建思路**：将市净率（PB）进行逆向处理和标准化，以衡量市场的估值水平，值越低代表估值越有吸引力[40]。 * **因子具体构建过程**：对PB取负值（-PB），然后计算其在过去6年时间窗口内的z-score，再用1.5倍标准差进行截尾处理，最后标准化到±1之间得到因子分数[40]。 11. **因子名称：AIAE因子**[43] * **因子构建思路**：通过计算全市场权益资产（股票）占总金融资产（股票+债务）的比例，来反映市场整体的风险偏好水平[43]。 * **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)。将该指标取负值（-AIAE）后，计算其在过去6年时间窗口内的z-score得到因子分数[43]。 12. **因子名称：两融增量因子**[46] * **因子构建思路**：通过比较融资净余额短期与长期均线增量的关系，来判断杠杆资金的情绪和趋势[46]。 * **因子具体构建过程**：计算融资余额-融券余额，然后分别计算其过去120日均增量和过去240日均增量。若120日均增量 > 240日均增量，则判断杠杆资金上行；反之则判断下行[46]。 13. **因子名称：成交额趋势因子**[49] * **因子构建思路**：通过对数成交额的长期均线距离关系，来判断市场成交热度和资金活跃度的趋势[49]。 * **因子具体构建过程**：计算对数成交额的均线距离 = ma120 / ma240 - 1。当该均线距离在最近10日、30日、60日的最大值同时达到近期高点时看多；当其在最近10日、30日、60日的最小值同时达到近期低点时看空[49]。 14. **因子名称：中国主权CDS利差因子**[52] * **因子构建思路**：通过观察中国主权CDS利差的变化方向，来推断海外投资者对中国经济基本面的预期和外资流入意愿[52]。 * **因子具体构建过程**：对平滑后的CDS利差计算其20日差分。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；反之看空[52]。 15. **因子名称：海外风险厌恶指数因子**[55] * **因子构建思路**：通过观察花旗风险厌恶指数（Citi RAI Index）的变化方向，来捕捉海外市场的整体风险偏好变化[55]。 * **因子具体构建过程**：对平滑后的风险厌恶指数计算其20日差分。若20日差分 < 0，说明外资风险偏好上升，此时看多；反之看空[55]。 16. **因子名称：价格趋势因子**[57] * **因子构建思路**：结合价格均线距离的方向和强度，综合判断市场的技术趋势[57]。 * **因子具体构建过程**： 1. 计算价格均线距离 = ma120 / ma240 - 1。 2. **趋势方向分数**：若均线距离 > 0，则得1分；反之为-1分。 3. **趋势强度分数**：若均线距离在最近20日和60日的最大值同时达到近期高点，则得1分；若在最近20日和60日的最小值同时达到近期低点，则得-1分。 4. **趋势综合分数** = (趋势方向分数 + 趋势强度分数) / 2[57]。 17. **因子名称：新高新低数因子**[60] * **因子构建思路**：将中证800成分股中创一年新高与新低的股票数量差作为市场情绪的反转信号[60]。 * **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），并取其20日移动平均。若该值 > 0，说明近期新低较多，市场有见底预期，此时看多；反之看空[60]。 18. **因子名称：期权隐含升贴水因子**[64] * **因子构建思路**：将期权市场隐含的标的未来升贴水作为情绪指标，用于判断市场是否过度拥挤并可能发生反转[64]。 * **因子具体构建过程**：基于看涨看跌平价关系推导期权隐含的标的升贴水。若50ETF近5日收益率 < 0，且该指标的历史分位数 < 30%，则看多并持续20日；若50ETF近5日收益率 > 0，且该指标的历史分位数 > 70%，则看空并持续20日[64]。 19. **因子名称：期权VIX因子**[65] * **因子构建思路**：将期权隐含波动率（VIX）作为市场恐慌和情绪指标，用于判断市场是否过度拥挤并可能发生反转[65]。 * **因子具体构建过程**：若50ETF近5日收益率 < 0，且VIX的历史分位数 > 70%，则看多并持续20日；若50ETF近5日收益率 > 0，且VIX的历史分位数 > 70%，则看空并持续20日[65]。 20. **因子名称：期权SKEW因子**[69] * **因子构建思路**：将期权隐含偏度（SKEW）作为市场对尾部风险预期的指标，用于判断市场情绪是否过度并可能反转[69]。 * **因子具体构建过程**：若50ETF近5日收益率 < 0，且SKEW的历史分位数 > 70%，则看多并持续20日；若50ETF近5日收益率 > 0，且SKEW的历史分位数 < 30%，则看空并持续20日[69]。 21. **因子名称：可转债定价偏离度因子**[71] * **因子构建思路**：将可转债实际价格相对于模型理论价格的偏离度作为市场情绪的度量，偏离度越高代表情绪越拥挤，可能发生反转[71]。 * **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。将该偏离度取负值后，计算其在过去3年时间窗口内的z-score得到因子分数[71]。 模型的回测效果 *本报告未提供择时雷达六面图综合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、信息比率IR等）。报告仅提供了截至报告发布当周（“本周”）模型及各维度、各因子的最新信号分数和观点摘要[1][6][9][10]。* 因子的回测效果 *本报告未提供二十一个底层因子的历史回测绩效指标（如IC、IR、多空收益等）。报告仅提供了截至报告发布当周（“本周”）各因子的最新信号分数[10]。* 1. **货币方向因子**，当前分数：1.00[10][12] 2. **货币强度因子**，当前分数：0.00[10][15] 3. **信用方向因子**，当前分数：1.00[10][18] 4. **信用强度因子**，当前分数：-1.00[10][22] 5. **增长方向因子**，当前分数：-1.00[10][26][28] 6. **增长强度因子**，当前分数：1.00[10][29] 7. **通胀方向因子**，当前分数：-1.00[10][32] 8. **通胀强度因子**，当前分数：-1.00[10][35] 9. **席勒ERP因子**，当前分数：-0.10[10][38][42] 10. **PB因子**，当前分数：-0.75[10][40] 11. **AIAE因子**，当前分数：-1.00[10][43] 12. **两融增量因子**，当前分数：1.00[10][46] 13. **成交额趋势因子**，当前分数：1.00[10][49] 14. **中国主权CDS利差因子**，当前分数：1.00[10][52][53] 15. **海外风险厌恶指数因子**，当前分数：-1.00[10][55] 16. **价格趋势因子**，当前分数：1.00[10][57][58] 17. **新高新低数因子**，当前分数：-1.00[10][60][61] 18. **期权隐含升贴水因子**，当前分数：-1.00[10][64] 19. **期权VIX因子**，当前分数：-1.00[10][65] 20. **期权SKEW因子**，当前分数：-1.00[10][69] 21. **可转债定价偏离度因子**，当前分数：-1.00[10][71]

量化模型与构建方式 1. **模型名称：卷积神经网络趋势观察模型**[79] * **模型构建思路**：利用卷积神经网络（CNN）对个股历史价量数据生成的标准化图表进行深度学习，识别图表中的特征模式，并建立这些模式与未来价格走势之间的映射关系。最终将学习到的有效特征应用于行业主题板块，生成配置建议。[79] * **模型具体构建过程**： 1. **数据准备**：为每个个股在特定窗口期内的价量数据（如价格、成交量）构建标准化的图表。这个过程可能包括数据归一化、时间序列到图像的转换等步骤，以生成CNN可处理的输入格式。[79] 2. **模型训练**：使用卷积神经网络对上述生成的图表化数据进行建模。模型的学习目标是建立图表特征与未来一段时间（报告中未明确具体期限）价格变动之间的关联。[79] 3. **特征映射与应用**：将训练好的CNN模型学习到的有效特征，从个股层面映射到更广泛的行业主题板块中，从而判断哪些行业主题在未来可能具有趋势性机会。[79] * **模型评价**：该模型属于利用深度学习技术进行市场趋势观察和行业配置的前沿方法，能够从复杂的价量图表中提取非线性特征。[79] 2. **模型名称：宏观因子事件模型**[56] * **模型构建思路**：通过跟踪一系列关键的国内外宏观指标，定义并识别其走势中的特定事件（如短期高低点、连续涨跌等），并从历史数据中筛选出对未来资产收益率有显著预测作用的“有效因子事件”，以此作为判断市场趋势的依据。[56] * **模型具体构建过程**： 1. **因子选择**：从货币政策、财政政策、流动性、通胀水平等多个角度，选取对市场影响较大的宏观因子，例如PMI、CPI同比、社融存量同比、10年期国债收益率、美元指数等。[56][59] 2. **事件定义**：针对每个宏观因子，定义四类走势事件：短期高点/低点、连续上涨/下跌、创历史新高/新低、因子走势反转。[56] 3. **有效性检验**：在历史数据中回溯，统计各类宏观因子事件发生后，相关资产（如股票、债券）在未来一段时间（例如一个月）的平均收益率，筛选出导致资产收益存在显著差异的事件，标记为“有效因子事件”。[56] 4. **趋势判断**：对于连续型指标，采用历史均线（如1月、3月、12月均线）将其走势划分为“上行”或“下行”趋势，并统计在该趋势下资产未来的平均表现，形成观点（如看多、震荡）。[58][59] 3. **模型名称：期权成交量看涨看跌比（CPR）模型**[49] * **模型构建思路**：通过监测上证50ETF期权成交量的看涨看跌比率（CPR）与其布林通道的相对位置，来判断蓝筹股市场的短期情绪和超买超卖风险。[49] * **模型具体构建过程**： 1. **计算CPR**：计算上证50ETF期权成交量的看涨看跌比率。具体公式未在报告中给出，通常为看涨期权成交量与看跌期权成交量之比。 2. **构建布林通道**：计算CPR的60日移动平均线作为中轨，并计算其标准差，以此构建布林通道的上轨和下轨。[49] 3. **生成信号**：当滚动20日的CPR值高于60日布林通道的上轨时，模型认为市场情绪过于乐观，蓝筹股短期存在超卖风险。[49] 4. **模型名称：GFTD模型**[83] * **模型构建思路**：报告中仅提及该模型名称及历史择时成功率，未详细说明其构建思路和过程。[83] 5. **模型名称：LLT模型**[83] * **模型构建思路**：报告中仅提及该模型名称及历史择时成功率，未详细说明其构建思路和过程。[83] 量化因子与构建方式 1. **因子名称：新高新低比例因子**[34] * **因子构建思路**：通过统计市场中创近期新高与新低的个股数量占比，来度量市场的整体强度与广度，是常用的市场情绪跟踪指标。[34] * **因子具体构建过程**： 1. **新高比例**：计算当日收盘价创近60日新高的个股数量，除以当日总上市个股数量（或样本空间内个股数量），得到百分比。公式为： $$新高比例 = \frac{创近60日新高个股数}{总个股数} \times 100\%$$ 2. **新低比例**：计算当日收盘价创近60日新低的个股数量，除以当日总上市个股数量（或样本空间内个股数量），得到百分比。公式为： $$新低比例 = \frac{创近60日新低个股数}{总个股数} \times 100\%$$ [34] 2. **因子名称：个股均线结构因子（均线强弱指标）**[38] * **因子构建思路**：通过计算市场中呈现特定均线多头排列与空头排列的个股数量差异占比，来反映市场整体的技术趋势强弱。[38] * **因子具体构建过程**： 1. **个股判断**：对于每只个股，判断其短期、中期、长期均线（如5日、20日、60日均线）是否呈多头排列（短期>中期>长期）或空头排列（短期<中期<长期）。[38] 2. **市场汇总**：统计全市场（或样本空间内）呈多头排列的个股数量（$N_{多头}$）和呈空头排列的个股数量（$N_{空头}$）。[38] 3. **计算指标**：计算多头排列个股数量与空头排列个股数量之差，再除以总个股数（或两者之和），得到百分比。报告中展示的指标可能为： $$均线强弱指标 = \frac{N_{多头} - N_{空头}}{总个股数} \times 100\%$$ 或类似形式。[38] 3. **因子名称：长期均线以上比例因子**[41] * **因子构建思路**：统计股价位于长期移动平均线（如200日均线）之上的个股比例，用以衡量市场长期趋势的强弱和广度。[41] * **因子具体构建过程**：计算当日收盘价位于其200日移动平均线之上的个股数量，除以总个股数（或样本空间内个股数量），得到百分比。[41] 4. **因子名称：风险溢价因子**[67] * **因子构建思路**：用股票市场的隐含收益率（市盈率倒数）减去无风险收益率（十年期国债收益率），衡量股票资产相对于债券资产的超额收益吸引力。[67][82] * **因子具体构建过程**：以中证全指为例，计算公式为： $$风险溢价 = \frac{1}{PE_{TTM}} - 十年期国债收益率$$ 其中，$PE_{TTM}$ 为中证全指的滚动市盈率。[67][82] 5. **因子名称：指数超买超卖因子**[70] * **因子构建思路**：通过某种量化方法计算主要指数和行业指数的超跌或超买程度，通常是一个百分比指标，用于识别市场极端状态。[70][71][74] * **因子具体构建过程**：报告中未给出该因子的具体计算公式，仅展示了统计结果。该因子可能基于价格偏离均线的幅度、RSI等震荡指标，或是创特定周期新低个股占比等方法构建。[70] 6. **因子名称：融资余额因子**[77] * **因子构建思路**：跟踪市场融资余额的绝对规模及其占流通市值的比例，作为衡量市场杠杆水平和投资者风险偏好的指标。[77] * **因子具体构建过程**： 1. **融资余额**：直接获取市场的总融资买入未偿还金额。[77] 2. **融资余额占比**：计算融资余额占A股流通市值的百分比。公式为： $$融资余额占比 = \frac{融资余额}{流通市值} \times 100\%$$ [77][78] 7. **因子名称：市场真实换手率因子**[52] * **因子构建思路**：考虑自由流通股本后计算的市场换手率，以更真实地反映市场的交易活跃度和资金流动情况。[52] * **因子具体构建过程**：计算市场总成交金额与自由流通市值的比率。以中证全指为例，公式可能为： $$真实换手率 = \frac{总成交金额}{自由流通市值} \times 100\%$$ [52] 8. **因子名称：基金仓位因子**[43] * **因子构建思路**：通过回归等方法估算普通股票型、偏股混合型等权益类公募基金的整体仓位水平，反映机构投资者的仓位变动。[43] * **因子具体构建过程**：选取普通股票、偏股混合、平衡混合、灵活配置等类型的基金（剔除联接基金），将其净值表现与中证800指数进行回归，估算其权益仓位，再按基金规模进行加权，得到整体权益基金仓位估计值。[43] 模型的回测效果 1. **GFTD模型**，历史择时成功率约80%[83] 2. **LLT模型**，历史择时成功率约80%[83] 因子的回测效果 *(注：本报告未提供各因子的具体回测指标（如IC、IR、多空收益等）数值，仅展示了部分因子在最新一期的状态或历史走势图。因此，本部分无法列出具体的指标取值。)*

量化模型与构建方式 1. **模型名称：情绪择时模型**[14] * **模型构建思路**：通过构建与涨跌停板相关的因子来刻画市场的情绪强弱，并综合多个情绪因子信号生成择时信号。[14] * **模型具体构建过程**：模型包含五个细分情绪因子：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。每个因子独立计算并生成信号（例如，0分或1分），最终将所有因子信号汇总，得到一个总分（满分5分）。[14][17] * **模型评价**：该模型用于判断市场情绪的强弱和方向。[14] 2. **模型名称：高频资金流择时模型**[14] * **模型构建思路**：通过分析高频资金流的走势，对主要宽基指数生成买入或卖出信号。[14] * **模型具体构建过程**：模型针对不同宽基指数（如沪深300、中证500等）分别构建。根据高频资金流数据，模型会生成四种不同风险偏好的信号：激进多头、激进多空、稳健多头、稳健多空。信号“1”代表正向（做多），“0”代表负向（不做多或做空）。[14][17][20] 3. **模型名称：因子拥挤度模型**[18] * **模型构建思路**：使用多个指标度量因子的拥挤程度，以预警因子可能因资金过度追逐而失效的风险。[18] * **模型具体构建过程**：对于每个待评估的因子（如小市值、低估值等），计算四个分项拥挤度指标： 1. **估值价差**：衡量因子多空组合的估值差异。 2. **配对相关性**：衡量因子内股票收益的相关性。 3. **长期收益反转**：可能指因子动量或反转效应。 4. **因子波动率**：衡量因子收益的波动情况。 将这四个分项指标得分标准化后，综合计算得到一个复合拥挤度分数。[18][19] 4. **模型名称：行业拥挤度模型**[23] * **模型构建思路**：构建指标度量不同行业的拥挤程度，以识别交易过热或关注度过高的行业。[23] * **模型具体构建过程**：报告提及该模型参考了专题报告《行业轮动系列研究 15——行业板块拥挤度》，但未在本周报中详述具体构建公式。模型输出结果为各行业的拥挤度数值。[23][25] 模型的回测效果 1. **情绪择时模型**，当前模型得分为0分（满分5分），趋势模型信号为负向，加权模型信号为负向。[14] 2. **高频资金流择时模型**，截至2026年1月30日，对主要宽基指数的信号为：沪深300指数（正向）、中证500指数（正向）、中证1000指数（负向）、中证2000指数（负向）。[14][17][20] 3. **因子拥挤度模型**，截至2026年1月30日，复合拥挤度分数为：小市值因子0.05，低估值因子-0.28，高盈利因子0.20，高盈利增长因子0.53。[19] 4. **行业拥挤度模型**，截至2026年1月30日，行业拥挤度较高的有：通信(2.46)、有色金属(2.28)、综合(1.82)、电子(1.71)、基础化工(1.59)；拥挤度上升幅度较大的有：电子(+1.11)、国防军工(+1.08)。[23][25][26] 量化因子与构建方式 1. **因子名称：流动性冲击指标**[2][8] * **因子构建思路**：基于沪深300指数构建，用于衡量当前市场流动性相对于历史水平的偏离程度。[2][8] * **因子具体构建过程**：报告未给出具体计算公式，但指出该指标数值代表“当前市场的流动性高于过去一年平均水平X倍标准差”。例如，数值5.07意味着流动性高于过去一年均值5.07个标准差。[8] 2. **因子名称：PUT-CALL比率**[2][8] * **因子构建思路**：使用上证50ETF期权的成交量数据计算，反映投资者对标的指数短期走势的乐观或谨慎情绪。[2][8] * **因子具体构建过程**：计算公式为PUT合约成交量除以CALL合约成交量。比率下降通常表示谨慎情绪下降或乐观情绪上升。[8] 3. **因子名称：五日平均换手率**[2][8] * **因子构建思路**：通过计算市场指数的近期平均换手率，来度量市场的交易活跃度。[2][8] * **因子具体构建过程**：计算上证综指或Wind全A指数最近五个交易日的换手率平均值。[8] 4. **因子名称：均线强弱指数**[14] * **因子构建思路**：通过Wind二级行业指数的均线情况来综合判断市场的整体技术强弱。[14] * **因子具体构建过程**：报告未给出具体计算公式，但指出该指数得分为172，处于2023年以来的59.50%分位点。[14] 5. **因子名称：估值价差（因子拥挤度分项）**[18][19] * **因子构建思路**：作为因子拥挤度的度量指标之一，用于衡量因子多空组合的估值差异。[18] * **因子具体构建过程**：报告未给出具体计算公式，但在因子拥挤度模型中以分项得分形式出现。[19] 6. **因子名称：配对相关性（因子拥挤度分项）**[18][19] * **因子构建思路**：作为因子拥挤度的度量指标之一，用于衡量因子内股票收益的相关性。[18] * **因子具体构建过程**：报告未给出具体计算公式，但在因子拥挤度模型中以分项得分形式出现。[19] 7. **因子名称：长期收益反转（因子拥挤度分项）**[18][19] * **因子构建思路**：作为因子拥挤度的度量指标之一，可能用于度量因子的动量或反转效应。[18] * **因子具体构建过程**：报告未给出具体计算公式，但在因子拥挤度模型中以分项得分形式出现。[19] 8. **因子名称：因子波动率（因子拥挤度分项）**[18][19] * **因子构建思路**：作为因子拥挤度的度量指标之一，用于衡量因子收益的波动情况。[18] * **因子具体构建过程**：报告未给出具体计算公式，但在因子拥挤度模型中以分项得分形式出现。[19] 因子的回测效果 1. **流动性冲击指标**，2026年1月30日数值为5.07。[8] 2. **PUT-CALL比率**，2026年1月30日数值为0.89。[8] 3. **五日平均换手率**，2026年1月30日，上证综指为1.75%（处于2005年以来84.56%分位点），Wind全A为2.49%（处于2005年以来89.72%分位点）。[8] 4. **均线强弱指数**，当前市场得分为172，处于2023年以来的59.50%分位点。[14] 5. **估值价差（因子拥挤度分项）**，截至2026年1月30日，小市值因子得分0.55，低估值因子得分-1.14，高盈利因子得分-0.48，高增长因子得分1.35。[19] 6. **配对相关性（因子拥挤度分项）**，截至2026年1月30日，小市值因子得分-0.46，低估值因子得分-0.57，高盈利因子得分-0.32，高增长因子得分-0.23。[19] 7. **长期收益反转（因子拥挤度分项）**，截至2026年1月30日，小市值因子得分0.54，低估值因子得分-1.63，高盈利因子得分1.61，高增长因子得分1.21。[19] 8. **因子波动率（因子拥挤度分项）**，截至2026年1月30日，小市值因子得分-0.45，低估值因子得分2.24，高盈利因子得分-0.02，高增长因子得分-0.24。[19]