根据提供的量化市场追踪周报内容，以下是关于量化模型和因子的详细总结： 量化模型与构建方式 1. **行业轮动模型** - **构建思路**：基于绩优基金持仓倾向的边际变化，捕捉行业配置迁移信号[34] - **具体构建**： 1. 筛选绩优基金（如近3月回报前20%的主动偏股型基金） 2. 计算其行业超配比例： $$超配比例 = \frac{基金行业持仓市值}{全市场行业市值} - 1$$ 3. 根据超配比例变化生成行业轮动信号（如超配比例上升且排名前五的行业）[34] - **评价**：能够有效反映机构资金动向，但对市场短期波动敏感 2. **动量模型** - **构建思路**：利用行业指数价格动量效应筛选强势行业[35] - **具体构建**： 1. 计算中信一级行业指数过去20日收益率 2. 标准化处理并加权近5日/20日动量： $$综合动量 = 0.6 \times R_{5d} + 0.4 \times R_{20d}$$ 3. 选取综合动量前30%的行业作为多头组合[35] 模型的回测效果 1. **行业轮动模型** - 年化收益率：18.7% - 最大回撤：-22.3% - IR：1.35[35] 2. **动量模型** - 年化收益率：15.2% - 最大回撤：-25.8% - IR：1.12[35] 量化因子与构建方式 1. **资金流因子** - **构建思路**：捕捉主力/主动资金净流入的个股和行业[55] - **具体构建**： 1. 划分资金类型（特大单/大单/中小单）[54] 2. 计算净流入额： $$净流入额 = \sum(主动买入成交额) - \sum(主动卖出成交额)$$ 3. 标准化处理生成因子值[55] 2. **超配比例因子** - **构建思路**：反映机构持仓偏离度[34] - **具体构建**： 1. 计算基金行业持仓占比与基准指数行业权重的差值 2. 滚动3个月窗口计算Z-score标准化值[34] 因子的回测效果 1. **资金流因子** - IC均值：0.21 - Rank IC：0.18 - 多空组合年化收益：14.3%[55] 2. **超配比例因子** - IC均值：0.15 - Rank IC：0.12 - 多空组合年化收益：9.8%[34] 其他关键数据 - 主动权益基金平均仓位84.10%（普通股票型88.41%，偏股混合型84.54%）[22] - 银行行业近3月配置比例上升至3.84%，本周主力净流入额居首[55][6] - 医药行业基金仓位12.06%，较上周提升0.45pct[32]

量化模型与构建方式 1. **三维择时框架模型** - 模型构建思路：通过分歧度、流动性、景气度三个维度构建市场择时框架，判断市场状态并调整仓位[8] - 模型具体构建过程： - 分歧度指数：衡量市场观点离散程度，下行时预示市场趋同 - 流动性指数：监测资金面变化，上行代表宽松环境 - 景气度指数2.0：综合宏观与行业数据反映经济动能[27] - 当流动性上行、分歧度下行、景气度上行且ERP脱离极值时满仓[8] - 模型评价：历史表现显示能有效捕捉市场趋势[19] 2. **资金流共振策略模型** - 模型构建思路：结合两融资金与大单资金的协同效应筛选行业[34] - 模型具体构建过程： - 两融资金因子：Barra市值中性化后的融资净买入-融券净买入，取50日均值的两周环比变化率 - 大单资金因子：成交量时序中性化后的净流入排序，取10日均值 - 策略规则：在大单因子头部行业中剔除两融因子多头行业[39] - 模型评价：2018年以来年化超额收益13.5%，IR达1.7，回撤控制优于北向-大单策略[39] 3. **指数增强组合模型** - 模型构建思路：基于研报覆盖度分域，对不同覆盖度股票采用差异化因子增强[50] - 模型具体构建过程： - 覆盖度高域：侧重盈利质量、分析师预期等因子 - 覆盖度低域：侧重量价、微观结构等因子 - 动态调整域间权重[50] 量化因子与构建方式 1. **价值类因子** - dp_historical：过去四个季度现金分红总额/市值，近一周多头超额1.65%[47] - value_residual：市值对数对账面价值/净利润/负债回归残差，超额0.97%[47] - 构建公式： $$ \text{value\_residual} = \log(MV) - (\beta_1\log(BV) + \beta_2\log(NI) + \beta_3\log(Debt)) $$ 2. **成长类因子** - peg：PE/Growth比率，近一周超额1.42%[47] - sue1：净利润同比变化标准化值，公式： $$ \text{sue1} = \frac{\Delta NI_q - \mu(\Delta NI_{8q})}{\sigma(\Delta NI_{8q})} $$ 在沪深300内超额达2.66%[49] 3. **质量类因子** - gaexp_sales：管理费用/销售收入，近一月超额3.63%[47] - noa_to_ev：经营性净资产/企业价值，近一周超额0.81%[47] 模型回测效果 1. **三维择时框架** - 2025年7月仓位：满仓[8] - 历史年化超额收益：16.8%（2018-2025）[36] 2. **资金流共振策略** - 上周绝对收益：1.4% - 上周超额收益：0.4%（vs行业等权）[39] - 本年IR：1.7[39] 3. **指数增强组合** | 组合类型 | 上周超额 | 本年超额 | 年化超额收益 | |----------------|----------|----------|--------------| | 沪深300增强 | 0.10% | 4.98% | 7.45% | | 中证500增强 | 0.02% | 2.76% | 9.45% | | 中证1000增强 | 0.24% | 5.53% | 9.19% | [52] 因子回测效果 1. **价值因子** | 因子名称 | 近一周超额 | 近一月超额 | |----------------|------------|------------| | dp_historical | 1.65% | 1.68% | | ep_fy3 | 1.32% | 3.41% | [47] 2. **成长因子** | 因子名称 | 沪深300超额 | 中证500超额 | |----------------|-------------|-------------| | pe_g | 4.84% | 2.85% | | specific_mom6 | 1.94% | 1.59% | [49] 3. **质量因子** | 因子名称 | 大市值超额 | 小市值超额 | |----------------|------------|------------| | fix_ratio | 1.61% | 1.04% | | safexp_operrev | 3.26% | 0.39% | [49]

根据提供的量化周报内容，以下是结构化整理的量化模型与因子分析： --- 量化模型与构建方式 1. **模型名称**：中证500增强组合 - **构建思路**：通过多因子选股模型构建相对基准的超额收益组合[58] - **具体构建过程**： 1. 基于BARRA风格因子框架，筛选市值、价值、盈利等因子 2. 组合权重优化采用风险模型控制跟踪误差 3. 持仓明细包含50只股票，权重分散（如国联民生4.13%、长江证券3.95%）[63] 2. **模型名称**：沪深300增强组合 - **构建思路**：类似中证500增强模型，侧重大盘股因子暴露[65] - **具体构建过程**： 1. 组合持仓包含30只成分股（如中远海控8.26%、新和成6.70%） 2. 通过行业中性化处理控制风格偏离[66] --- 模型的回测效果 1. **中证500增强组合**： - 本周超额收益1.37%[58] - 2020年至今累计超额46.94%，最大回撤-4.99%[58] 2. **沪深300增强组合**： - 本周超额收益1.25%[65] - 2020年至今累计超额31.61%，最大回撤-5.86%[65] --- 量化因子与构建方式 1. **因子名称**：BARRA十大风格因子 - **构建思路**：基于市场风险特征划分因子类别[69] - **具体构建过程**： 1. 包含市值（SIZE）、价值（BTOP）、盈利（EARNINGS_YIELD）等因子 2. 因子收益计算采用纯因子组合法[70] 2. **因子名称**：行业因子 - **构建思路**：捕捉行业轮动效应[70] - **具体构建过程**： 1. 按申万一级行业分类构建行业虚拟变量 2. 通过回归分析剥离风格影响[74] --- 因子的回测效果 1. **风格因子表现**： - 价值因子本周超额收益显著 - 非线性市值因子呈负向收益[70] 2. **行业因子表现**： - 钢铁、医药行业因子超额突出 - 证券、交通运输行业回撤较大[70] --- 其他关键指标 - **A股景气指数**：当前值21.59（较2023年底+16.16）[44] - **情绪指数信号**：综合看多（波动率下行+成交额上行）[51] 注：报告中未提供具体因子公式及更细化的模型参数[4][69]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称**：知情交易者活跃度模型 - **模型构建思路**：通过监测市场微观结构中知情交易者的行为变化来预测市场趋势[15] - **模型具体构建过程**： 1. 使用高频订单流数据识别知情交易（如大单交易、异常报价） 2. 计算知情交易占比的滚动标准差作为活跃度指标： $$ \text{活跃度}_t = \sqrt{\frac{1}{n}\sum_{i=t-n+1}^t (x_i - \bar{x})^2} $$ 其中$x_i$为第$i$期知情交易占比，$n$为20日滚动窗口[17] - **模型评价**：对市场情绪转折点敏感，但需结合宏观信号过滤噪音[15] 2. **模型名称**：分析师景气预期模型 - **模型构建思路**：基于分析师一致预测的ROE和净利润增速变化构建行业景气度指标[18] - **模型具体构建过程**： 1. 计算申万一级行业未来12个月ROE(FY1)的环比变化 2. 同步计算净利润增速(FY1)的环比变化 3. 对两项指标进行Z-score标准化后等权合成[19] 量化因子与构建方式 1. **因子名称**：BARRA风格因子体系 - **因子构建思路**：采用多维度风格因子解析市场收益来源[23] - **因子具体构建过程**： - **价值因子**：BP(账面市值比) = $$ \frac{\text{净资产}}{\text{总市值}} $$ - **动量因子**：20日收益率标准化值[24] - **波动率因子**：60日收益波动率倒数标准化[24] - **因子评价**：价值因子近期表现突出，市值风格出现反转信号[23] 2. **因子名称**：微观结构反转因子 - **因子构建思路**：捕捉小盘股因流动性溢出产生的反转效应[12] - **因子具体构建过程**： 1. 筛选市值后30%个股 2. 计算前一日跌幅排名前20%个股的次日平均收益[12] - **因子评价**：7月流动性环境继续强化该因子有效性[12] 模型的回测效果 1. **知情交易者活跃度模型**： - 本周指标值：-0.0012（较上周下降0.0008）[17] - 近一月胜率：68%[15] 2. **分析师景气预期模型**： - 房地产行业净利润增速预测变化：+1.43%[19] - TMT行业ROE预测变化：电子+0.15%，通信-0.09%[19] 因子的回测效果 1. **BARRA风格因子**： - BP价值因子收益：+0.2%（本周）[24] - 市值因子收益：+0.1%（风格反转）[24] - 波动率因子收益：-0.3%[24] 2. **微观结构反转因子**： - 7月日均超额收益：0.18%[12] - 年化IR：2.1[12]

量化模型与构建方式 1. **模型名称：A股行业轮动模型** - **模型构建思路**：通过资金、估值、情绪、动量、超买超卖和盈利6个因子构建打分体系，综合评估行业表现[17] - **模型具体构建过程**： 1. **资金因子**：以行业主力资金净流入率计算 2. **估值因子**：行业当前估值在过去1年的分位数 3. **情绪因子**：行业成分股上涨比例 4. **动量因子**：MACD指标 5. **超买超卖因子**：RSI指标 6. **盈利因子**：行业一致预测EPS在过去1年的分位数 各因子标准化后加权求和得到综合评分[17] - **模型评价**：多维度捕捉行业轮动特征，但需注意因子权重设置的合理性[17] 2. **模型名称：共识度选股模型** - **模型构建思路**：结合行业动量、估值、高频资金流与价格走势相似度筛选个股[20] - **模型具体构建过程**： 1. 筛选过去30天涨幅前三的申万二级行业 2. 计算个股的月度动量因子、估值因子和上涨频率 3. 通过高频分钟数据计算资金流变化 4. 计算资金流与价格走势的相似度（具体算法未披露） 5. 按相似度排名选出各二级行业前5名股票[20] - **模型评价**：兼顾基本面与市场行为，但高频数据处理复杂度较高[20] --- 量化因子与构建方式 1. **因子名称：主力资金净流入率（资金因子）** - **因子构建思路**：统计大额交易单反映主力资金动向[12] - **因子具体构建过程**： 1. 定义主力资金单笔成交：≥10万股或≥20万元 2. 按申万一级行业汇总每日净流入额 3. 计算标准化净流入率： $$ \text{净流入率} = \frac{\text{行业净流入额}}{\text{行业总成交额}} $$ [12] 2. **因子名称：估值分位数（估值因子）** - **因子构建思路**：衡量行业当前估值的历史位置[17] - **因子具体构建过程**： 1. 选取行业PE/PB等指标 2. 计算过去1年滚动分位数 $$ \text{分位数} = \frac{\text{当前值 - 最小值}}{\text{最大值 - 最小值}} $$ [17] 3. **因子名称：MACD（动量因子）** - **因子构建过程**： 1. 计算行业指数12日/26日EMA $$ EMA_{12} = \text{前日EMA}_{12} \times \frac{11}{13} + \text{当日收盘价} \times \frac{2}{13} $$ $$ EMA_{26} = \text{前日EMA}_{26} \times \frac{25}{27} + \text{当日收盘价} \times \frac{2}{27} $$ 2. 计算DIF与DEA： $$ DIF = EMA_{12} - EMA_{26} $$ $$ DEA = \text{DIF的9日EMA} $$ 3. MACD柱 = (DIF - DEA) × 2[17] 4. **因子名称：RSI（超买超卖因子）** - **因子构建过程**： 1. 计算行业指数14日平均涨幅/跌幅 $$ RS = \frac{\text{平均涨幅}}{\text{平均跌幅}} $$ 2. 标准化： $$ RSI = 100 - \frac{100}{1+RS} $$ [17] --- 模型的回测效果 1. **A股行业轮动模型** - 综合评分最高行业：综合（10分）、有色金属（10分）[19] - 综合评分最低行业：银行（-15分）、石油石化（-9分）[19] - 因子贡献分布： - 综合行业：资金（++）、估值（+++）、动量（+++）[19] - 银行行业：资金（---）、情绪（--）、盈利（---）[19] 2. **共识度选股模型** - 本期选股行业：通信设备、地面兵装Ⅱ、元件[21] - 选股结果示例： - 通信设备：新易盛、移远通信[21] - 地面兵装Ⅱ：长城军工、光电股份[21] --- 因子的回测效果 1. **主力资金净流入因子** - 5日净流入前五行业：非银金融（94.57亿元）、建筑装饰（4.85亿元）[13] - 30日净流入前五行业：煤炭（-8.82亿元）、综合（-16.5亿元）[14] 2. **估值分位数因子** - 高分位行业：综合（+++）、有色金属（++）[19] - 低分位行业：银行（---）、石油石化（---）[19] 3. **动量因子（MACD）** - 强势行业：电子（+++）、综合（+++）[19] - 弱势行业：交通运输（---）、银行（--）[19] 4. **超买超卖因子（RSI）** - 超买行业：电子（+++）、通信（+++）[19] - 超卖行业：医药生物（---）、传媒（---）[19]

根据研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称**：恒生港股通科技主题指数 **模型构建思路**：聚焦TMT板块，剔除医药、家电、汽车等行业，确保科技主题投资的纯度[28][29] **模型具体构建过程**： - 选股范围：具备港股通南向交易资格且恒生行业分类属于资讯科技类、电子零件、互动媒体及服务、线上零售商、支付服务的股票[34] - 筛选条件：最近6个月日均总市值排名前30的股票[34] - 加权方式：流通市值加权，个股权重上限10%[34] - 调整频率：每半年调整一次成分股[34] **模型评价**：行业分布集中，科技属性纯粹，避免了不同行业逻辑差异对收益的稀释[28][29] 2. **模型名称**：恒生科技指数 **模型构建思路**：覆盖与科技主题高度相关的行业，包括网络、金融科技、云端、电子商务等[34] **模型具体构建过程**： - 选股范围：恒生行业分类属于工业、非必需性消费、医疗保健、金融、资讯科技业的股票[34] - 筛选条件：满足科技平台运营、研发支出占比≥5%或收入同比增长≥10%之一，并选取市值最大的30只股票[34] - 加权方式：流通市值加权，个股权重上限8%[34] - 调整频率：每季度调整一次成分股[34] 3. **模型名称**：中证港股通科技指数 **模型构建思路**：覆盖通信、互联网、医药生物、电子、半导体等科技相关行业[34] **模型具体构建过程**： - 选股范围：中证港股通综合指数样本中科技相关行业的股票[34] - 筛选条件：剔除过去两年营收增速连续为负且研发投入占比<3%的股票（中证二级行业前三豁免），选取最近一年日均总市值前50的股票[34] - 加权方式：市值加权，个股权重上限10%[34] - 调整频率：每半年调整一次成分股[34] 4. **模型名称**：国证港股通科技指数 **模型构建思路**：聚焦互联网、电子、通信设备、生物科技等科技领域[34] **模型具体构建过程**： - 选股范围：具备互联互通标的资格且主营业务属于科技相关领域的股票[34] - 筛选条件：近两年营收复合增长率>10%或近一年研发费用占比>5%，剔除流动性后10%的股票，选取最近一年日均总市值前30的股票[34] - 加权方式：流通市值加权，个股权重上限15%（前五大合计≤60%）[34] - 调整频率：每半年调整一次成分股[34] 模型的回测效果 1. **恒生港股通科技主题指数**： - 近一年年化收益率55.90%，近三年年化收益率8.83%[43] - 2025年上半年涨跌幅超18%，年内最高收益达30%以上[23][24] - 当前PE-TTM约20倍，低于2020年7月以来9%分位数[6][8] 2. **恒生科技指数**： - 当前PE-TTM约20倍，PB-LF 2.89倍，分别处于历史8.5%和58%分位数[8][9][11] - 2025年上半年涨跌幅与恒生港股通科技主题指数接近[24] 3. **中证港股通科技指数**： - 行业分布包含20.94%的汽车与零配件和11.31%的医药生物[36] 4. **国证港股通科技指数**： - 行业分布包含12.14%的汽车与零配件和10.40%的医药生物[36] 量化因子与构建方式 （注：研报中未明确提及独立因子的构建，主要围绕指数编制规则展开，故本部分暂缺） 因子的回测效果 （注：研报中未提供独立因子的测试结果，故本部分暂缺） 补充说明 - **行业分布对比**：恒生港股通科技主题指数在信息技术（66.55%）、可选消费（18.25%）、通讯服务（15.20%）的分布更集中，而其他指数包含医药、汽车等非核心科技行业[33][36] - **市值分布**：恒生港股通科技主题指数成分股中市值≥1000亿港元的占比26.67%，流动性较好[40][42]

量化模型与构建方式 1. **模型名称**：风格轮动型基金优选组合 **模型构建思路**：基于成长价值与大小盘两个维度，通过基金在两个报告期的股票持仓构建绝对主动轮动指标，识别风格轮动型基金，并利用主动轮动收益因子优选基金[3] **模型具体构建过程**： - 计算基金持仓的风格暴露变化，剔除被动调整部分，保留主动调整部分 - 构建绝对主动轮动指标： $$主动轮动指标 = \sum_{i=1}^{n} |w_{i,t} - w_{i,t-1}|$$ 其中$w_{i,t}$为第$i$只股票在$t$期的权重 - 根据主动轮动收益因子（风格轮动带来的超额收益）筛选基金[3] **模型评价**：能够有效捕捉基金经理主动调整风格的能力 2. **模型名称**：基于基金特征和基金能力的综合选基策略 **模型构建思路**：从基金规模、持有人结构、业绩动量、选股能力等维度构建选基因子，等权重合成[4] **模型具体构建过程**： - 基金规模类因子：合并口径的基金规模、份额 - 持有人结构类因子：员工持有份额占比 - 业绩动量类因子：由4因子模型alpha、夏普比率、区间胜率、HM择时能力系数等权合成 - 选股能力因子：基于Brinson模型计算选股胜率和超额收益 - 隐形交易能力因子：结合收益和风险贡献 - 含金量因子：考察重仓股中券商金股占比[4] 3. **模型名称**：基于交易动机因子及股票价差收益因子的选基策略 **模型构建思路**：结合交易动机（估值/流动性动机、业绩粉饰动机）与股票价差收益筛选基金[5] **模型具体构建过程**： - 交易动机因子： - 估值/流动性动机：根据资金流与股票买卖金额、大额成交占比计算 - 业绩粉饰动机：通过特定交易行为识别 - 股票价差收益因子：从基金利润表股票投资收益科目提取[5] 4. **模型名称**：基金经理持股网络交易独特性选基策略 **模型构建思路**：基于基金经理持股交易数据构建网络，计算交易独特性指标[6] **模型具体构建过程**： - 构建基金经理关联网络 - 计算每位基金经理与关联基金经理的交易差异度 - 生成交易独特性因子[6] 模型的回测效果 1. **风格轮动型基金优选组合** - 6月收益率：4.45% - 年化收益率：9.05% - 年化波动率：19.67% - Sharpe比率：0.46 - 最大回撤：37.30% - 年化超额收益：3.43% - IR：0.46[3] 2. **基于基金特征和基金能力的综合选基策略** - 6月收益率：4.26% - 年化收益率：13.09% - 年化波动率：22.51% - Sharpe比率：0.58 - 最大回撤：44.27% - 年化超额收益：4.92% - IR：0.61[4] 3. **基于交易动机因子及股票价差收益因子的选基策略** - 6月收益率：6.47% - 年化收益率：9.03% - 年化波动率：21.66% - Sharpe比率：0.42 - 最大回撤：48.39% - 年化超额收益：3.09% - IR：0.53[5] 4. **基金经理持股网络交易独特性选基策略** - 6月收益率：5.38% - 年化收益率：9.86% - 年化波动率：19.51% - Sharpe比率：0.51 - 最大回撤：37.26% - 年化超额收益：4.30% - IR：0.85[6] 量化因子与构建方式 1. **因子名称**：绝对主动轮动指标 **因子构建思路**：衡量基金风格主动调整程度[3] **因子具体构建过程**： $$指标值 = \sum_{i=1}^{n} |w_{i,t} - w_{i,t-1}|$$ 其中$w_{i,t}$为股票$i$在$t$期持仓权重[3] 2. **因子名称**：主动轮动收益因子 **因子构建思路**：量化风格轮动带来的超额收益[3] **因子具体构建过程**： - 计算基金风格暴露变化 - 结合同期风格因子收益计算贡献[3] 3. **因子名称**：交易独特性因子 **因子构建思路**：衡量基金经理交易行为差异化程度[6] **因子具体构建过程**： - 构建基金经理交易相似度矩阵 - 计算个体与网络平均交易的偏离度[6] 因子的回测效果 （注：报告中未单独披露因子IC、IR等具体数值）

根据提供的证券研究报告内容，以下是量化模型与因子的详细总结： --- 量化模型与构建方式 1. 短期量化择时模型 - **模型构建思路**：通过基本面、估值面、情绪面、流动性四个维度的指标综合判断市场短期走势[17][20][22] - **具体构建过程**： 1. **基本面指标**：制造业PMI分位数（44.92%）、中长期贷款余额同比增速分位数（0.00%）、M1同比增速分位数（77.97%）[17] 2. **估值面指标**：A股整体PE分位数（92.80%）、PB分位数（71.05%）[18] 3. **情绪面指标**：Beta离散度分位数（40.68%）、量能情绪分位数（72.70%）、波动率分位数（12.99%）[20] 4. **流动性指标**：货币利率指标分位数（33.90%）、汇率预期指标分位数（40.68%）、融资额分位数（80.81%）[20] 5. 采用加权打分机制，各维度信号权重均衡，最终输出乐观/中性/谨慎信号[22] 2. 成长价值轮动模型 - **模型构建思路**：基于盈利周期、利率周期、信贷周期构建基本面信号，结合估值差和情绪指标进行风格判断[32][34] - **具体构建过程**： 1. **基本面信号**： - 盈利周期斜率=4.17（利好成长） - 利率综合周期水平=9.17（利好价值） - 信贷综合周期变化=-3.33（利好价值）[32] 2. **估值信号**： - 成长价值PE差分位数=15.19% - PB差分位数=34.08%（均利好成长）[32] 3. **情绪信号**： - 换手差分位数=21.01%（利好价值） - 波动差分位数=20.58%（均衡）[32] 4. 采用三级信号加权体系，最终输出成长/价值配置比例[34] 3. 小盘大盘轮动模型 - **模型构建思路**：与成长价值模型类似，但指标调整为小盘大盘特异性指标[36][38] - **具体构建过程**： 1. **基本面信号**： - 盈利周期斜率=4.17（利好小盘） - 利率综合周期水平=9.17（利好大盘） - 信贷综合周期变化=-3.33（利好大盘）[36] 2. **估值信号**： - 小盘大盘PE差分位数=80.60% - PB差分位数=99.59%（均利好大盘）[36] 3. **情绪信号**： - 换手差分位数=54.26%（均衡） - 波动差分位数=83.71%（利好大盘）[36] 4. 采用相同加权机制输出配置建议[38] 4. 四风格轮动模型 - **模型构建思路**：整合成长价值和小盘大盘模型的输出，形成四象限配置建议[31][43] - **具体构建过程**： 1. 接收成长价值模型输出（当前成长0%/价值100%）[32] 2. 接收小盘大盘模型输出（当前小盘50%/大盘50%）[36] 3. 按交叉组合计算配置比例： $$配置比例 = 成长价值权重 \times 小盘大盘权重$$[43] 4. 当前输出：小盘成长12.5%、小盘价值37.5%、大盘成长12.5%、大盘价值37.5%[31] --- 模型的回测效果 1. 短期择时模型 - 年化收益率：16.58%（基准4.26%）[21] - 年化超额收益率：12.32%[21] - 最大回撤：27.70%（基准31.41%）[21] - 夏普比率：0.9889（基准0.2440）[26] - 2024年以来年化收益率：27.68%（基准5.99%）[28] 2. 成长价值轮动模型 - 年化收益率：11.67%（基准6.77%）[33] - 年化超额收益率：4.90%[33] - 最大回撤：43.07%（基准44.13%）[35] - 夏普比率：0.5387（基准0.3231）[35] 3. 小盘大盘轮动模型 - 年化收益率：12.21%（基准6.85%）[37] - 年化超额收益率：5.36%[37] - 最大回撤：50.65%（基准53.70%）[40] - 夏普比率：0.5336（基准0.3210）[40] 4. 四风格轮动模型 - 年化收益率：13.17%（基准7.27%）[43] - 年化超额收益率：5.90%[43] - 最大回撤：47.91%（基准49.07%）[43] - 夏普比率：0.5895（基准0.3432）[43] --- 量化因子与构建方式 1. Beta离散度因子 - **构建思路**：衡量市场局部过热风险[2][20] - **计算方法**： $$Beta离散度 = \frac{1}{n}\sum_{i=1}^n (\beta_i - \bar{\beta})^2$$ 其中$\beta_i$为个股Beta值，$\bar{\beta}$为市场平均Beta[20] - **当前值**：-0.59%（过去5年40.68%分位数）[20] 2. 量能情绪因子 - **构建思路**：结合60日成交量与换手率布林带指标[20] - **计算方法**： $$量能情绪 = \frac{成交量 - 下轨}{上轨 - 下轨} \times 换手率Z值$$[20] - **当前值**：0.30（过去5年72.70%分位数）[20] 3. 估值差分位数因子 - **构建思路**：计算风格间PE/PB估值差的历史分位数[32][36] - **计算方法**： $$估值差分位数 = Percentile(\frac{PE_{风格A}}{PE_{风格B}})[32]$$ - **当前值**： - 成长价值PE差分位数=15.19%[32] - 小盘大盘PE差分位数=80.60%[36] --- 因子的回测效果 （注：报告中未单独披露因子级回测结果） --- 模型评价 1. **短期择时模型**：在多周期测试中表现稳健，尤其在波动控制方面显著优于基准[21][26] 2. **风格轮动模型**：基本面驱动逻辑明确，但2025年出现小幅超额收益回撤[33][37][43] 3. **因子设计**：Beta离散度因子能有效捕捉市场过热风险，量能情绪因子对短期趋势敏感[2][20]

量化模型与构建方式 1 模型名称：均线距离择时模型 模型构建思路：通过计算短期均线（20日）与长期均线（120日）的距离差异来判断市场整体环境（震荡或趋势）[1][10] 模型具体构建过程： - 计算Wind全A指数的20日均线（$$MA_{20}$$）和120日均线（$$MA_{120}$$） - 计算均线距离百分比： $$Distance = \frac{MA_{20} - MA_{120}}{MA_{120}} \times 100\%$$ - 设定阈值3%：若距离绝对值≥3%则触发趋势格局信号，否则为震荡格局[1][10] 模型评价：简单直观，但依赖历史均线数据，对市场突变反应可能滞后 2 模型名称：TWO BETA行业配置模型 模型构建思路：基于市场风险偏好和行业Beta特性筛选科技等高弹性板块[2][11] 模型具体构建过程： - 计算行业相对市场的Beta系数（如军工、通信等） - 结合宏观风险偏好变化（如业绩披露期、关税谈判）调整配置权重[2][11] 模型评价：适应性强，但对宏观事件敏感 3 模型名称：仓位管理模型 模型构建思路：结合估值分位数（PE/PB）和趋势信号动态调整仓位[3][12] 模型具体构建过程： - 计算Wind全A的PE（70分位）、PB（30分位）历史分位数 - 当PE分位数中等（70）、PB分位数较低（30）且趋势未突破时，建议仓位60%[3][12] 量化因子与构建方式 1 因子名称：均线距离因子 因子构建思路：反映短期与长期趋势偏离程度[1][10] 因子具体构建过程：同均线距离择时模型计算公式 因子评价：对市场格局切换有预警作用 2 因子名称：估值分位数因子 因子构建思路：通过PE/PB历史分位数判断市场估值水平[3][12] 因子具体构建过程： - 计算当前PE/PB在2014-2025年历史数据中的百分位排名[13][15] 模型的回测效果 1 均线距离择时模型： - 当前均线距离2.52%（未达3%阈值）[1][10] - 震荡格局判断准确率（未提供具体值） 2 仓位管理模型： - 当前建议仓位60%[3][12] 因子的回测效果 1 均线距离因子： - 最新值2.52%（20日均线5218，120日均线5090）[1][10] 2 估值分位数因子： - PE分位数70%，PB分位数30%[3][12]

量化模型与构建方式 1. **模型名称**：分红预测模型 - **模型构建思路**：基于上市公司年报、分红预案及历史分红数据，预测指数成分股分红对股指期货合约的影响[9][20][23] - **模型具体构建过程**： 1. **预估成分股净利润**：以年报公布的净利润为准，未公布的公司结合快报、预警及分析师预测综合估算[21][23] 2. **计算税前分红总额**： - 已公布分红预案的公司直接采用税前分红总额[27] - A股分红总额 = 分红总额 × A股股本/总股本[27] 3. **计算分红对指数的影响**： - 股息率 = 税后分红总额 / 最新市值[24] - 股息点 = 股票权重 × 股息率[24] - 权重调整公式： $$\mathrm{w_{it}={\frac{w_{i0}\times\mathrm{\(\1+R\)}}{\sum_{1}^{n}w_{i0}\times\mathrm{\(\1+R\)}}}}$$ 其中 \(w_{i0}\) 为初始权重，\(R\) 为涨跌幅[24] 4. **预测分红对各合约的影响值**： - 除权除息日预测：参考过去三年股东大会与除息日时间差的中位数[26] - 合约影响值 = 交割日前所有分红点数之和[26] - **模型评价**：依赖历史分红率假设，若市场分红率突变则预测偏差可能增大[29] 2. **模型名称**：股指期货定价模型（离散红利） - **模型构建思路**：基于无套利原理，考虑离散红利分配下的期货理论价格[29] - **模型具体构建过程**： - 期货定价公式： $$F_t = (S_t - D)(1 + r)$$ 其中 \(S_t\) 为现货价格，\(D\) 为红利现值，\(r\) 为无风险利率[29] - 红利现值计算： $$\mathbf{D}=\sum_{\mathrm{i=1}}^{\mathrm{m}}\mathbf{D}_{\mathrm{i}}\,/(1+\phi)$$ \(\phi\) 为相邻红利发放期间的无风险利率[29] 3. **模型名称**：股指期货定价模型（连续红利） - **模型构建思路**：将密集分红视为连续红利分配，简化定价计算[30] - **模型具体构建过程**： - 期货定价公式： $$F_t = S_t e^{(r-d)(T-t)}$$ 其中 \(d\) 为年化红利率，\(r\) 为无风险利率[30] --- 模型的回测效果 1. **分红预测模型**： - 上证50（IH2507）：年化对冲成本-4.89%（365天）[11] - 沪深300（IF2507）：年化对冲成本-2.72%（365天）[12] - 中证500（IC2507）：年化对冲成本12.34%（365天）[13] - 中证1000（IM2507）：年化对冲成本16.97%（365天）[14] 2. **股指期货定价模型**： - 理论价差与实际价差对比显示IH/IF升水、IC/IM贴水，与模型预测一致[11][12][13][14] --- 量化因子与构建方式 1. **因子名称**：分红剩余影响因子 - **因子构建思路**：反映分红对期货合约的剩余影响比例[15] - **因子具体构建过程**： - 计算合约剩余期限内未实施的分红点数[15] - 剩余影响比例 = 剩余分红点数 / 期货收盘价[11][12][13][14] 2. **因子名称**：年化对冲成本因子 - **因子构建思路**：衡量持有期货至到期的对冲成本[6] - **因子具体构建过程**： - 年化对冲成本 = (实际价差 - 分红点数) / 期货收盘价 × (365/剩余天数)[11][12][13][14] --- 因子的回测效果 1. **分红剩余影响因子**： - IH2507：0.82%[11] - IF2507：0.57%[12] - IC2507：0.16%[13] - IM2507：0.14%[14] 2. **年化对冲成本因子**： - IH2507：-4.89%（365天）[11] - IF2507：-2.72%（365天）[12] - IC2507：12.34%（365天）[13] - IM2507：16.97%（365天）[14]