量化模型与构建方式 1. **模型名称**：无 **模型构建思路**：无 **模型具体构建过程**：无 量化因子与构建方式 1. **因子名称**：封板率[17] **因子构建思路**：通过计算最高价涨停且收盘涨停的股票比例，来衡量市场涨停板的封板质量与资金追涨意愿[17] **因子具体构建过程**：统计上市满3个月以上的股票，计算当日最高价涨停且收盘涨停的股票数量，再除以当日最高价涨停的股票总数[17] **因子计算公式**： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[17] 2. **因子名称**：连板率[17] **因子构建思路**：通过计算连续两日收盘涨停的股票比例，来衡量市场涨停板的延续性和短线炒作热度[17] **因子具体构建过程**：统计上市满3个月以上的股票，计算当日收盘涨停且前一日也收盘涨停的股票数量，再除以前一日收盘涨停的股票总数[17] **因子计算公式**： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[17] 3. **因子名称**：大宗交易折价率[26] **因子构建思路**：通过计算大宗交易成交价相对于市价的折价幅度，来反映大资金的投资偏好和市场情绪[26] **因子具体构建过程**：统计每日大宗交易的总成交金额和对应成交份额按当日市价计算的总市值，计算两者的比值并减1[26] **因子计算公式**： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$[26] 4. **因子名称**：股指期货年化贴水率[28] **因子构建思路**：通过计算股指期货主力合约相对于现货指数的年化基差，来反映市场对未来预期、对冲成本及情绪[28] **因子具体构建过程**：计算股指期货主力合约价格与现货指数价格的差值（基差），除以现货指数价格，再乘以（250/合约剩余交易日数）进行年化[28] **因子计算公式**： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[28] **因子评价**：该因子受金融市场利率、股市分红、微观资金成本、套利力量、市场情绪等多重因素影响[28] 模型的回测效果 1. **无相关模型回测结果** 因子的回测效果 1. **封板率因子**，2025年12月8日取值为69%[17] 2. **连板率因子**，2025年12月8日取值为34%[17] 3. **大宗交易折价率因子**，近半年以来平均取值为6.47%，2025年12月5日当日取值为8.08%[26] 4. **股指期货年化贴水率因子**，近一年以来中位数取值：上证50为0.68%，沪深300为3.57%，中证500为11.15%，中证1000为13.61%[28]。2025年12月8日当日取值：上证50为4.01%，沪深300为5.14%，中证500为10.99%，中证1000为15.96%[28]

量化模型与构建方式 1. **模型名称**：双低策略转债指数[23][24] **模型构建思路**：基于可转债的“价格”和“转股溢价率”两个核心估值指标，构建一个综合评分（即“双低值”）较低的转债组合，以寻求兼具防守性和进攻性的投资机会[23]。 **模型具体构建过程**：该模型通过构建“万得可转债双低指数”来体现。其核心是计算每只可转债的双低值，该值通常为转债价格与转股溢价率之和（或经过标准化处理后的值）。指数成分券为双低值排名靠前的可转债，并定期调仓。公式中，转债价格即市场交易价格，转股溢价率计算公式为： $$转股溢价率 = \frac{可转债收盘价 - 转股价值}{转股价值}$$ 其中， $$转股价值 = \frac{100}{转股价格} \times 正股收盘价$$ 通过计算双低值并筛选，构建出低估值转债组合[15][23]。 2. **模型名称**：高价低溢价率策略转债指数[23][24] **模型构建思路**：专注于价格较高但转股溢价率较低的可转债，这类转债股性较强，与正股联动更紧密，旨在捕捉正股上涨带来的弹性收益[23]。 **模型具体构建过程**：该模型通过构建“万得可转债高价低溢价率指数”来体现。其构建逻辑是，在价格较高的可转债池中（例如价格大于130元），进一步筛选出转股溢价率最低的一批个券构成组合。该策略认为高价转债的债性保护较弱，其价值主要来源于转换期权，因此低溢价率意味着转债上涨能更充分地跟随正股上涨[23]。 3. **模型名称**：基于信用评级的转债分类指数[19][20] **模型构建思路**：根据可转债的信用评级（如AAA、AA+、AA、AA-及以下）对市场进行划分，构建不同信用等级的转债指数，以观察和分析不同信用资质转债的市场表现差异[19]。 **模型具体构建过程**：直接采用市场现有的分类指数，如“万得可转债AAA指数”、“万得可转债AA指数”等。这些指数由对应信用评级的可转债作为成分券编制而成，反映了特定信用等级群体的整体走势[19]。 4. **模型名称**：基于价格的转债分类指数[20][21] **模型构建思路**：根据可转债的绝对价格水平将其划分为不同区间（如高价、中价、低价），并构建相应指数，以分析不同价格区间转债的风险收益特征[20][21]。 **模型具体构建过程**：直接采用市场现有的分类指数，如“万得可转债高价指数”、“万得可转债中价指数”、“万得可转债低价指数”。这些指数依据转债价格进行分组，分别代表不同股性和债性特征的转债群体[20][21]。 5. **模型名称**：基于规模的转债分类指数[23][24] **模型构建思路**：根据可转债的发行或剩余规模大小，将其划分为大盘、中盘、小盘等类别，并构建相应指数，以观察不同规模转债的市场表现[23]。 **模型具体构建过程**：直接采用市场现有的分类指数，如“万得可转债大盘指数”、“万得可转债中盘指数”、“万得可转债小盘指数”。这些指数依据转债规模进行分组，反映了不同流动性及市场关注度转债的走势[23]。 模型的回测效果 1. 双低策略转债指数，近一年累计涨跌幅约25%-30%[23] 2. 高价低溢价率策略转债指数，近一年累计涨跌幅约30%-35%[23] 3. 万得可转债AAA指数，近一年累计涨跌幅约5%[19] 4. 万得可转债AA+指数，近一年累计涨跌幅约10%[19] 5. 万得可转债AA指数，近一年累计涨跌幅约20%-25%[19] 6. 万得可转债AA-及以下指数，近一年累计涨跌幅约25%-30%[19] 7. 万得可转债高价指数，近一年累计涨跌幅约25%-30%[21] 8. 万得可转债中价指数，近一年累计涨跌幅约15%-20%[21] 9. 万得可转债低价指数，近一年累计涨跌幅约-5%-0%[21] 10. 万得可转债大盘指数，近一年累计涨跌幅约15%-20%[23] 11. 万得可转债中盘指数，近一年累计涨跌幅约20%-25%[23] 12. 万得可转债小盘指数，近一年累计涨跌幅约25%-30%[23] 量化因子与构建方式 1. **因子名称**：转股溢价率[11][15] **因子构建思路**：衡量可转债价格相对于其转换价值的溢价程度，是判断转债估值高低和股性强弱的核心指标[11][15]。 **因子具体构建过程**：对于单只可转债，在特定时点（如收盘）计算其转股溢价率。计算公式为： $$转股溢价率 = \frac{可转债收盘价 - 转股价值}{转股价值}$$ 其中，转股价值计算公式为： $$转股价值 = \frac{100}{转股价格} \times 正股收盘价$$ 该因子值越高，表明转债价格相对于其转换价值越贵，股性越弱、债性越强；反之则股性越强[15]。 2. **因子名称**：转债价格[31][33] **因子构建思路**：可转债的市场交易价格，是反映其绝对价位和风险水平的直接指标[31]。 **因子具体构建过程**：直接取用可转债在二级市场的收盘价。报告中将其作为分类标准，将个券划分为小于100元、100-110元、110-120元、120-130元、130-140元、大于140元等不同区间进行分析[31][33]。 3. **因子名称**：双低值（复合因子）[23] **因子构建思路**：综合转债价格和转股溢价率两个单一因子，构建一个复合因子，用以同时衡量转债的绝对价格风险和相对估值风险，数值越低通常认为投资价值越高[23]。 **因子具体构建过程**：双低值是“转债价格”与“转股溢价率”的简单加总。对于每只可转债，计算： $$双低值 = 转债价格 + 转股溢价率$$ 通过该值对全市场可转债进行排序，值越小排名越靠前，构成双低策略的选股基础[23]。 因子的回测效果 *注：本报告未提供单个因子的独立回测指标（如IC、IR等），而是展示了基于因子构建的分类指数或策略指数的表现。因子效果间接体现在对应策略指数的收益走势中。*

量化模型与构建方式 1. **模型名称**：连阴连阳模型[12] * **模型构建思路**：通过计算指数K线连续为阴线或阳线的天数，来跟踪市场的短期趋势和情绪[12]。 * **模型具体构建过程**：从指定日期开始，逐日比较指数收盘价与前一日收盘价。若当日收盘价高于前一日收盘价，则连阳计数加1，连阴计数清零；若当日收盘价低于前一日收盘价，则连阴计数加1（以负数表示），连阳计数清零；若相等，则计数保持不变。最终输出一个数值，正数表示连阳天数，负数表示连阴天数[12]。 2. **模型名称**：指数与均线比较模型[15] * **模型构建思路**：通过比较指数当前价格与不同周期的移动平均线（MA）的位置关系，判断市场的中短期趋势强度[15]。 * **模型具体构建过程**：首先，计算指数收盘价的移动平均线，常用周期包括5日（MA5）、10日（MA10）、20日（MA20）、60日（MA60）、120日（MA120）和250日（MA250）[15]。然后，计算当前收盘价相对于各条均线的百分比偏离度，公式为： $$ vsMA = (收盘价 / MA_n - 1) \times 100\% $$ 其中，$MA_n$ 代表第n日的移动平均线[15]。根据收盘价是位于均线上方还是下方，可以判断市场是否站上或突破该均线[15]。 3. **模型名称**：风险溢价模型[27] * **模型构建思路**：以十年期国债即期收益率作为无风险利率的参考，计算股票指数收益率与之的差值，作为投资者承担市场风险所要求的额外回报，用于衡量市场的相对投资价值和风险水平[27]。 * **模型具体构建过程**：风险溢价的计算公式为： $$ 风险溢价 = 指数收益率 - 十年期国债即期收益率 $$ 报告中使用的指数收益率是市盈率倒数（1/PE-TTM），即盈利收益率[27][46]。因此，具体构建过程是：首先获取指数的PE-TTM，计算其倒数得到盈利收益率；然后获取十年期国债即期收益率；最后将两者相减得到风险溢价[27][31]。此外，还会计算该风险溢价在近1年、近5年历史数据中的分位值，以及其均值和波动率[31]。 4. **模型名称**：股债性价比模型[46] * **模型构建思路**：在风险溢价模型的基础上，通过观察风险溢价（即盈利收益率与国债收益率之差）的历史分位数，来判断股票资产相对于债券资产的吸引力[46]。 * **模型具体构建过程**：首先，如风险溢价模型所述，计算每日的股债性价比（即风险溢价）[27][46]。然后，计算该指标在近5年历史窗口内的80%分位值（机会值）和20%分位值（危险值）[46]。通过比较当前股债性价比与这两个阈值，来定性判断市场状态：若当前值高于80%分位，则认为股票资产具备较高吸引力；若低于20%分位，则认为吸引力较低[46]。 5. **模型名称**：破净率监控模型[54] * **模型构建思路**：通过统计指数成分股中市净率（PB）小于1的个股数量及其占比，来反映市场整体的估值水平和悲观情绪[54]。 * **模型具体构建过程**：对于每一个宽基指数，遍历其所有成分股。计算每只成分股的市净率（PB），公式为： $$ PB = 股价 / 每股净资产 $$ 统计满足 $PB < 1$ 的个股数量，即为破净个股数[54]。破净率（破净占比）的计算公式为： $$ 破净率 = (破净个股数 / 指数总成分股数) \times 100\% $$ 通过跟踪破净率的变化，可以观察市场估值态度的转变[54][56]。 量化因子与构建方式 1. **因子名称**：交易金额占比因子[18] * **因子构建思路**：衡量特定宽基指数成交额在全市场总成交额中的比重，反映资金对该板块的关注度和活跃度[18]。 * **因子具体构建过程**：计算因子分为两步。首先，获取目标指数（如中证2000）当日所有成分股的成交金额之和，作为该指数的交易金额。同时，获取基准指数（报告中为中证全指）当日的交易金额[18]。然后，计算占比： $$ 交易金额占比 = (目标指数交易金额 / 中证全指交易金额) \times 100\% $$ [18] 2. **因子名称**：换手率因子[18] * **因子构建思路**：衡量指数成分股的整体交易活跃程度，是反映市场流动性和情绪的重要指标[18]。 * **因子具体构建过程**：采用流通股本加权的方式计算指数整体换手率。公式为： $$ 指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)} $$ 其中，成分股换手率通常由该股当日成交股数与其流通股本计算得出[18]。 3. **因子名称**：收益分布峰度因子[24][25] * **因子构建思路**：通过计算指数日收益率分布的峰度，衡量收益率分布的尖峭或扁平程度，反映收益的集中情况和尾部风险[24][25]。 * **因子具体构建过程**：首先，选取一定时间窗口（报告中为近一年和近五年）的指数日收益率序列[19][25]。然后，计算该序列的峰度（Kurtosis）。报告中采用的峰度是超额峰度，即计算出的峰度值减去正态分布的峰度3[25]。公式为： $$ 超额峰度 = \frac{E[(R-\mu)^4]}{\sigma^4} - 3 $$ 其中，$R$为日收益率序列，$\mu$为序列均值，$\sigma$为标准差，$E$为期望算子[25]。当前峰度与历史平均峰度的差值（负偏离）用于衡量分布形态的变化[24]。 4. **因子名称**：收益分布偏度因子[24][25] * **因子构建思路**：通过计算指数日收益率分布的偏度，衡量分布的不对称性，反映正负极端收益发生的相对概率[24][25]。 * **因子具体构建过程**：与峰度因子类似，选取特定时间窗口的日收益率序列[19][25]。计算该序列的偏度（Skewness）。公式为： $$ 偏度 = \frac{E[(R-\mu)^3]}{\sigma^3} $$ 其中，$R$为日收益率序列，$\mu$为序列均值，$\sigma$为标准差，$E$为期望算子[25]。正偏态表示右尾较长，极端正收益情形更多；负偏态则表示左尾较长，极端负收益情形更多[24]。当前偏度与历史平均偏度的差值用于观察偏态变化[25]。 5. **因子名称**：PE-TTM分位值因子[39][43] * **因子构建思路**：将指数当前的滚动市盈率（PE-TTM）置于其历史时间序列中，计算其所处的百分位位置，用于判断当前估值在历史中的相对高低水平[39][43]。 * **因子具体构建过程**：首先，获取指数在指定历史窗口（如近5年）内每一个交易日的PE-TTM，形成一个时间序列[43]。然后，将当前交易日的PE-TTM值与这个历史序列进行比较，计算其分位值。例如，近5年历史分位值表示当前PE-TTM值在近5年所有历史数据中由低到高排序后所处的百分比位置[43][44]。分位值越高，说明当前估值处于历史较高水平。 6. **因子名称**：股息率因子[48][53] * **因子构建思路**：衡量指数成分股的整体现金分红回报率，是价值投资和红利策略关注的核心指标，尤其在市场波动时作为防御性参考[48]。 * **因子具体构建过程**：指数的股息率通常通过其成分股的股息率加权平均得到。具体为：计算每只成分股近12个月的现金分红总额，除以当前股价，得到个股股息率。然后，以成分股的权重（通常是自由流通市值权重）进行加权求和，得到指数的整体股息率[53]。公式可表示为： $$ 指数股息率 \approx \sum (个股股息率 \times 个股在指数中的权重) $$ 同样，可以计算该股息率在历史序列中的分位值，以判断其相对水平[53]。 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效果指标（如年化收益率、夏普比率、最大回撤等）。报告主要展示了各模型/因子在特定截止日（2025年12月5日）的截面数据或状态描述[11][12][15][31][44][53][56]。* 因子的回测效果 *本报告为市场数据跟踪报告，未提供因子的历史有效性检验结果（如IC值、IR、多空收益等）。报告主要呈现了各因子在特定截止日（2025年12月5日）的截面数据、历史分位值及统计特征[18][25][31][44][53]。*

量化模型与构建方式 1. **模型名称：扩散指数模型（首次阈值法/左侧交易）**[6][13][43] * **模型构建思路**：基于微盘股扩散指数的数值，设定一个固定的阈值（如0.925），当指数值低于该阈值时，触发空仓信号，属于左侧交易策略[6][43]。 * **模型具体构建过程**： 1. 计算微盘股扩散指数。该指数反映了在特定价格涨跌幅度和回顾窗口下，微盘股指数成分股中股价上涨的股票比例[40]。 2. 设定一个固定的看空阈值（例如0.925）[6][43]。 3. 在每日收盘后，比较当日扩散指数值与阈值。 4. 若扩散指数值低于或等于阈值，则生成空仓信号[6][43]。 2. **模型名称：扩散指数模型（延迟阈值法/右侧交易）**[6][46] * **模型构建思路**：同样是基于扩散指数设定阈值进行交易，但采用延迟确认的机制，属于右侧交易策略，旨在过滤部分噪音[6][46]。 * **模型具体构建过程**： 1. 计算微盘股扩散指数[40]。 2. 设定一个固定的看空阈值（例如0.8975）[6][46]。 3. 在每日收盘后，比较当日扩散指数值与阈值。 4. 当指数值低于或等于阈值时，触发空仓信号[6][46]。 3. **模型名称：扩散指数模型（双均线法/自适应交易）**[6][48] * **模型构建思路**：对微盘股扩散指数计算两条移动平均线，通过观察短期均线与长期均线的相对位置（金叉或死叉）来产生交易信号，是一种自适应趋势跟踪方法[6][48]。 * **模型具体构建过程**： 1. 计算微盘股扩散指数的时序数据[40]。 2. 分别计算该指数的短期移动平均线（如5日线）和长期移动平均线（如20日线）。 3. 比较短期均线与长期均线的位置关系。 4. 当短期均线下穿长期均线（形成死叉）时，产生看空信号[6][48]。 4. **模型名称：小市值低波50策略**[8][16][35] * **模型构建思路**：在万得微盘股指数成分股范围内，同时筛选市值更小、股价波动率更低的股票，构建一个包含50只股票的投资组合，以追求在微盘股内部的超额收益[8][16][35]。 * **模型具体构建过程**： 1. **股票池**：限定为万得微盘股指数(8841431.WI)的当前成分股[8][35]。 2. **因子选择**：使用“市值”因子和“波动率”因子。其中，波动率因子可能指过去一段时间的价格波动率[8][16]。 3. **排序与筛选**：对股票池内的股票，分别按照“市值”（从小到大）和“波动率”（从小到大）进行排序。将两个排序序数进行综合（例如等权相加），得到综合排名。 4. **组合构建**：选取综合排名最靠前的50只股票，等权构建投资组合[8][35]。 5. **调仓周期**：每双周调仓一次[8][16][35]。 模型的回测效果 1. **扩散指数模型（首次阈值法）**，于2025年11月14日收盘触发空仓信号[6][43] 2. **扩散指数模型（延迟阈值法）**，于2025年11月17日收盘触发空仓信号[6][46] 3. **扩散指数模型（双均线法）**，于2025年11月25日收盘触发看空信号[6][48] 4. **小市值低波50策略**，基准为万得微盘股指数，2024年收益7.07%，超额收益-2.93%；2025年YTD收益72.07%，本周超额0.001%（费用双边千三）[8][16][35] 量化因子与构建方式 1. **因子名称：pe_ttm倒数因子**[5][16][33] * **因子构建思路**：使用市盈率（TTM）的倒数，作为估值因子的一个变体，通常认为该值越高代表股票越便宜[5][16]。 * **因子具体构建过程**：对于股票i，在时间t，因子值为其市盈率（TTM）的倒数。 $$因子值_{i,t} = \frac{1}{PE(TTM)_{i,t}}$$ 2. **因子名称：pb倒数因子**[5][16][33] * **因子构建思路**：使用市净率的倒数，作为另一个估值因子，该值越高通常表示股票估值越低[5][16]。 * **因子具体构建过程**：对于股票i，在时间t，因子值为其市净率的倒数。 $$因子值_{i,t} = \frac{1}{PB_{i,t}}$$ 3. **因子名称：盈利因子**[5][16][33] * **因子构建思路**：衡量公司的盈利能力，具体构建方式未在报告中明确给出，可能涉及净利润、ROE等财务指标[5][16]。 4. **因子名称：股息率因子**[5][16][33] * **因子构建思路**：衡量公司现金分红回报的指标，股息率越高对投资者吸引力可能越大[5][16]。 * **因子具体构建过程**：对于股票i，在时间t，因子值为其股息率。 $$因子值_{i,t} = \frac{每股股息_{i,t}}{股价_{i,t}}$$ 5. **因子名称：单季度净资产收益率因子**[5][16][33] * **因子构建思路**：使用最近一个季度的净资产收益率（ROE）来衡量公司当期的盈利效率[5][16]。 * **因子具体构建过程**：对于股票i，在时间t，因子值为其最新报告期的单季度ROE。 6. **因子名称：过去一年波动率因子**[5][16][33] * **因子构建思路**：计算股票过去一年的价格波动率，作为风险或反转因子的代理指标[5][16]。 * **因子具体构建过程**：对于股票i，在时间t，因子值为其过去252个交易日（或类似年度交易日）收益率的标准差。 7. **因子名称：残差波动率因子**[5][16][33] * **因子构建思路**：衡量股票价格中不能被市场因子解释的 idiosyncratic 风险，即回归残差的波动率[5][16]。 8. **因子名称：杠杆因子**[5][16][33] * **因子构建思路**：衡量公司的财务杠杆水平，通常使用资产负债率等指标[5][16]。 9. **因子名称：自由流通比例因子**[5][16][33] * **因子构建思路**：使用公司自由流通股本占总股本的比例，作为流动性或股权结构因子[5][16]。 10. **因子名称：10天自由流通市值换手率因子**[5][16][33] * **因子构建思路**：计算过去10天基于自由流通市值的换手率，作为短期流动性的度量[5][16]。 * **因子具体构建过程**：对于股票i，在时间t，因子值为其过去10个交易日的日均成交额与自由流通市值的比率。 11. **因子名称：对数市值因子**[34] * **因子构建思路**：使用公司总市值的自然对数，作为规模因子的常见表达形式[34]。 12. **因子名称：非线性市值因子**[34] * **因子构建思路**：可能是对市值因子进行非线性变换（如平方、分段）后的因子，旨在捕捉市值与收益间的非线性关系[34]。 13. **因子名称：动量因子**[34] * **因子构建思路**：通常指股票过去一段时间的收益率，作为动量效应的代理指标[34]。 14. **因子名称：单季度净利润增速因子**[34] * **因子构建思路**：衡量公司最新季报的净利润同比增长率，作为成长因子的一个维度[34]。 15. **因子名称：标准化预期盈利因子**[34] * **因子构建思路**：可能指分析师一致预期盈利经过标准化（如除以市值或股价）处理后的因子[34]。 16. **因子名称：非流动性因子**[34] * **因子构建思路**：衡量股票的交易非流动性，通常与Amihud指标相关，即收益率绝对值与成交额的比率[34]。 17. **因子名称：过去10天收益率因子**[34] * **因子构建思路**：计算股票过去10个交易日的累计收益率，作为短期动量或反转因子[34]。 18. **因子名称：未复权股价因子**[34] * **因子构建思路**：直接使用股票的未复权价格，可能作为低价股或心理价位因子的代理[34]。 19. **因子名称：成长因子**[34] * **因子构建思路**：综合衡量公司成长性的因子，可能由多个成长类指标合成[34]。 20. **因子名称：贝塔因子**[34] * **因子构建思路**：衡量股票相对于市场指数（如沪深300）的系统性风险，即CAPM模型中的Beta系数[34]。 21. **因子名称：流动性因子**[34] * **因子构建思路**：与“非流动性因子”相反，衡量股票的交易便利程度，可能使用日均成交额、换手率等指标[34]。 22. **因子名称：10天总市值换手率因子**[34] * **因子构建思路**：计算过去10天基于总市值的换手率，作为另一种流动性度量[34]。 23. **因子名称：成交额因子**[34] * **因子构建思路**：直接使用股票的日均成交额，作为流动性或关注度的代理指标[34]。 因子的回测效果 （注：报告仅提供了部分因子在微盘股成分股内截至本周的Rank IC值及其历史均值，未提供完整的多期回测指标如年化收益、夏普比率等。以下按报告给出的本周IC值及历史平均IC值列出。） 1. **pe_ttm倒数因子**，本周Rank IC 0.237，历史平均Rank IC 0.016[5][16][33] 2. **pb倒数因子**，本周Rank IC 0.213，历史平均Rank IC 0.034[5][16][33] 3. **盈利因子**，本周Rank IC 0.185，历史平均Rank IC 0.022[5][16][33] 4. **股息率因子**，本周Rank IC 0.179，历史平均Rank IC 0.022[5][16][33] 5. **单季度净资产收益率因子**，本周Rank IC 0.163，历史平均Rank IC 0.021[5][16][33] 6. **过去一年波动率因子**，本周Rank IC -0.178，历史平均Rank IC -0.033[5][16][33] 7. **残差波动率因子**，本周Rank IC -0.156，历史平均Rank IC -0.04[5][16][33] 8. **杠杆因子**，本周Rank IC -0.129，历史平均Rank IC -0.006[5][16][33] 9. **自由流通比例因子**，本周Rank IC -0.084，历史平均Rank IC -0.012[5][16][33] 10. **10天自由流通市值换手率因子**，本周Rank IC -0.073，历史平均Rank IC -0.06[5][16][33]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：高维宏观周期识别框架**[2][8][9] * **模型构建思路**：为解决单一经济周期划分不稳定、对股市预测效用差的问题，报告构建了一个多维度宏观周期识别框架[8][9]。该框架的核心在于对宏观变量进行“升维”，即同时考虑其边际变化趋势和所处的时序状态，以更精确地刻画宏观环境并预测资产价格[2][8]。 * **模型具体构建过程**： 1. **选取宏观变量**：同时考虑经济景气、通胀、利率、库存、信用五个维度的宏观指标[9]。 2. **构建宏观因子变量**：将宏观指数分别对宽基指数、代理宏观变量做回归，选取t值显著的细分宏观变量，用过去一年标准差倒数加权构建宏观因子变量[2]。 3. **数据滤波处理**：采用单边HP滤波器对宏观经济数据进行调整，以消除短期波动对长期趋势判断的影响[2]。 4. **变量升维（划分状态与趋势）**： * **划分宏观趋势（上行/下行）**：基于滤波后的变量，使用因子动量进行划分[2]。 * **划分宏观状态（高/中/低位）**：基于滤波后的变量，使用时序百分位进行划分[2]。 5. **综合应用**：将宏观变量的边际变化（趋势）与其所处的时序排位（状态）结合，形成高维的宏观周期判断，用于驱动宽基择时、风格轮动等策略[2]。 2. **模型名称：中证全指择时策略**[3][26][29] * **模型构建思路**：基于宏观变量组合（流动性、库存、信用）的状态与变化，构建对中证全指未来收益是否上涨的预测模型，并据此进行多空择时[26][29]。 * **模型具体构建过程**： 1. 构建“流动性+库存”和“流动性+信用”两个子策略，分别计算其对中证全指未来收益是否上涨的预测值[29]。 2. 当任一子策略的预测值高于阈值（0.6）时，对中证全指做多，反之做空[29]。 3. **模型名称：红利指数择时策略**[3][35] * **模型构建思路**：基于宏观变量组合（通胀、库存、信用）的状态与变化，构建对红利指数未来收益是否上涨的预测模型，并据此进行多空择时[35]。 * **模型具体构建过程**： 1. 构建“通胀+库存”和“库存+信用”两个子策略，分别计算其对红利指数未来收益是否上涨的预测值[35]。 2. 对两个子策略的预测值求均值，当均值高于阈值（0.6）时，对红利指数做多，反之做空[35]。 4. **模型名称：风格轮动配置策略**[3][43][47][50] * **模型构建思路**：利用有效的宏观因子两两组合，滚动预测六大风格指数的远期收益率，每月选择预测排名靠前的风格进行等权配置，以实现风格轮动[43][47]。 * **模型具体构建过程**： 1. **筛选有效宏观组合**：通过测试，筛选出“通胀+库存”和“通胀+信用”两个对风格轮动预测有效性较强的宏观因子组合[43]。 2. **构建子策略**：每个宏观组合独立滚动预测六大风格指数（大盘、小盘、成长、申万绩优、红利、价值）的未来远期收益率，将预测收益平滑后，在每月末选取预测收益率排名前二的风格指数，在下月进行等权配置[43]。 3. **综合策略**：将“通胀+库存”和“通胀+信用”两个子策略对风格指数的未来收益预测值进行截面排序并求均值，每月等权配置预测值排名前二的风格指数[47]。 模型的回测效果 1. **中证全指择时策略**[3][30][31] * 回测期：2012年1月末至2025年11月30日[3][29] * 年化收益：14.71%[3][30][31] * 年化波动：20.89%[30][31] * 夏普比率：70.43%[30][31] * 最大回撤：-28.10%[30][31] * 超额收益（相对中证全指）：10.50%[3][30][31] * 跟踪误差：34.46%[30][31] * 信息比率(IR)：30.46%[30][31] * 相对最大回撤：-50.30%[30][31] 2. **红利指数择时策略**[3][35][39] * 回测期：2012年1月末至2025年11月30日[3][35] * 年化收益：10.64%[3][35][39] * 年化波动：13.84%[39] * 夏普比率：0.77[39] * 最大回撤：-19.92%[39] * 超额收益（相对红利指数）：8.41%[3][39] * 跟踪误差：9.27%[39] * 信息比率(IR)：0.91[39] * 相对最大回撤：-12.47%[39] 3. **风格轮动配置策略**[3][50][53] * 回测期：2014年9月30日至2025年11月30日[3][50] * 年化收益：12.64%[3][50][53] * 年化波动：21.87%[53] * 夏普比率：0.58[53] * 最大回撤：-45.93%[53] * 超额收益（相对风格等权）：5.49%[3][50][53] * 跟踪误差：10.33%[53] * 信息比率(IR)：0.53[53] * 相对最大回撤：-25.31%[53] 量化因子与构建方式 1. **因子名称：宏观因子变量**[2] * **因子构建思路**：从宏观指数中提取对宽基指数或代理宏观变量有显著解释力的细分变量，构建合成宏观因子[2]。 * **因子具体构建过程**： 1. 将宏观指数分别对宽基指数、代理宏观变量做回归[2]。 2. 选取回归结果中t值显著的细分宏观变量[2]。 3. 使用这些显著变量过去一年的标准差倒数进行加权，合成最终的宏观因子变量[2]。 因子的回测效果 （报告中未提供独立因子的回测绩效指标，如IC、IR等，仅展示了基于因子构建的模型的整体表现。）

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：绿色转型板块资金流向分析模型[32] **模型构建思路**：为了追踪与碳中和进程相关的资金流向，将市场行业划分为三个功能性板块，以便分析不同板块在绿色转型中的资金流动与市场结构趋势[32] **模型具体构建过程**： 1. 基于各行业在碳减排链条中的功能定位，将与绿色或转型相关的行业划分为三类：低碳核心、低碳支撑、转型主体[32] 2. **低碳核心板块**：涵盖直接贡献碳减排的行业，包括电力设备、环保，以及公用事业和汽车行业的部分领域，是新能源发电、绿色出行及减污降碳的核心环节[32] 3. **低碳支撑板块**：包括为产业绿色转型提供数字化、自动化和智能化支撑的行业，如计算机、通信、电子及机械设备的部分领域，是提升社会整体能效与资源利用效率的关键赋能方[32][33] 4. **转型主体板块**：包括能源消耗强度高、排放基数大的重点减排领域，如火电、煤炭、钢铁、有色金属、化工等多个行业，是转型金融政策优先关注的对象[33] 5. 计算各板块的“主力净流入额”和“净流入率”等指标，以追踪资金动向[33][34] 2. **模型名称**：ESG事件关注度追踪模型[42] **模型构建思路**：通过收集和分析全市场的ESG相关事件，从数量、情绪和结构维度追踪市场ESG舆情热度与情绪变化[42] **模型具体构建过程**： 1. 收集全市场ESG事件，并统计周度事件总数[42] 2. 对事件进行情绪分类：分为正向事件、负向事件和中性事件[42] 3. 计算各类事件的占比，例如：正向事件占比 = 正向事件数量 / 事件总数[42] 4. 将事件按E（环境）、S（社会）、G（治理）三个维度进行划分，并统计各维度的事件数量[45] 5. 在每个维度下，识别并统计最受关注的热点议题（如治理维度的“战略合作”、“减持”、“股份回购”）[45] 6. 按行业统计ESG事件数量及正向事件占比，分析不同行业的ESG舆情表现差异[48][50] 模型的回测效果 1. 绿色转型板块资金流向分析模型，本周主力净流入额：低碳核心板块-151亿元，低碳支撑板块-278亿元，转型主体板块-166亿元[33] 2. 绿色转型板块资金流向分析模型，本周主力净流入率：低碳核心板块-1.59%，低碳支撑板块-0.96%，转型主体板块-1.18%[33] 3. 绿色转型板块资金流向分析模型，本周成交额占比：低碳核心板块11.33%，低碳支撑板块34.40%，转型主体板块16.65%[34] 4. ESG事件关注度追踪模型，本周ESG事件总数：2509件[42] 5. ESG事件关注度追踪模型，本周事件情绪分布：正向事件1354件（占比54.0%），负向事件945件（占比37.7%），中性事件210件（占比8.4%）[42] 6. ESG事件关注度追踪模型，本周事件维度分布：环境（E）维度357件，社会（S）维度190件，治理（G）维度2421件[45] 7. ESG事件关注度追踪模型，本周行业事件数量前三：电力设备行业309件，电子行业260件，医药生物行业244件[48][50] 8. ESG事件关注度追踪模型，本周行业正向事件占比示例：电力设备行业63.1%，汽车行业72.2%，医药生物行业41.4%[48][50] 量化因子与构建方式 1. **因子名称**：代表性ESG指数涨跌幅因子[19][20] **因子构建思路**：通过跟踪国内外具有代表性的ESG主题指数及其基准指数的价格表现，衡量不同ESG投资主题的市场表现和相对收益[19][20] **因子具体构建过程**： 1. 选取国内外的代表性ESG指数及对应的市场基准指数[19][20] 2. 计算各指数在不同时间窗口（如本周、近三个月、今年以来、近一年、近两年）的涨跌幅[20] 3. 国内选取的指数包括：上证指数（基准）、300 ESG指数（纯ESG）、SEEE碳中和指数（环境保护）、上证社会责任指数（社会责任）、180治理指数（公司治理）[20] 4. 国际选取的指数包括：标普500指数（基准）、标普500ESG指数（纯ESG）、标普Kensho清洁电力指数（环境保护）、标普全球基础设施指数（社会责任）[20] 5. 通过对比ESG主题指数与基准指数、以及不同ESG主题指数之间的涨跌幅，分析市场热点与表现分化[19] 2. **因子名称**：碳价价差因子[27] **因子构建思路**：通过计算欧盟碳排放配额（EUA）与国内碳排放配额（CEA）之间的价格差异，追踪国内外碳市场的相对价格水平和变化趋势[27] **因子具体构建过程**： 1. 获取国内CEA的周收盘价（人民币元/吨）和欧盟EUA的周收盘价（欧元/吨）[27] 2. 将EUA价格按汇率换算为人民币计价 3. 计算价差：EUA与CEA价差 = EUA人民币价格 - CEA人民币价格[27] 4. 监测该价差的周度变化，例如本周价差扩大至615元/吨[27] 3. **因子名称**：绿色电力相对表现因子[30] **因子构建思路**：通过对比绿色电力板块与火电板块的股价指数表现，分析能源结构转型背景下不同电力类型的市场关注度与相对强度[30] **因子具体构建过程**： 1. 选取代表板块的指数：中证绿色电力指数代表绿电板块，万得火电指数代表火电板块[30] 2. 计算两个指数在不同时间窗口（如本周、近三个月、今年以来）的涨跌幅[30] 3. 比较两者走势，例如本周绿电指数上涨0.20%，火电指数下跌0.33%[30] 4. 观察中长期表现差异，例如今年以来火电指数涨幅（14.03%）明显高于绿电指数（2.04%）[30] 因子的回测效果 1. 代表性ESG指数涨跌幅因子，本周涨跌幅：上证指数0.37%，300 ESG指数1.07%，SEEE碳中和指数2.21%，上证社会责任指数1.57%，180治理指数1.23%[19][20] 2. 代表性ESG指数涨跌幅因子，近三个月涨跌幅：上证指数2.37%，300 ESG指数2.85%，SEEE碳中和指数10.42%，上证社会责任指数0.65%，180治理指数1.77%[20] 3. 代表性ESG指数涨跌幅因子，今年以来涨跌幅：上证指数16.44%，300 ESG指数13.12%，SEEE碳中和指数31.73%，上证社会责任指数3.67%，180治理指数7.93%[20] 4. 代表性ESG指数涨跌幅因子，本周涨跌幅：标普500指数0.31%，标普500ESG指数0.46%，标普Kensho清洁电力指数0.31%，标普全球基础设施指数-1.57%[20] 5. 代表性ESG指数涨跌幅因子，近三个月涨跌幅：标普500指数6.00%，标普500ESG指数7.45%，标普Kensho清洁电力指数27.35%，标普全球基础设施指数2.84%[20] 6. 代表性ESG指数涨跌幅因子，今年以来涨跌幅：标普500指数16.81%，标普500ESG指数16.91%，标普Kensho清洁电力指数58.69%，标普全球基础设施指数16.98%[20] 7. 碳价价差因子，本周价差：EUA与CEA价差为615元/吨[27] 8. 绿色电力相对表现因子，本周涨跌幅：万得火电指数-0.33%，中证绿色电力指数0.20%[30] 9. 绿色电力相对表现因子，近三个月涨跌幅：万得火电指数3.36%，中证绿色电力指数0.49%[30] 10. 绿色电力相对表现因子，今年以来涨跌幅：万得火电指数14.03%，中证绿色电力指数2.04%[30]

量化模型与构建方式 根据提供的研报内容，未发现涉及具体的量化选股模型或多因子模型的构建与测试。报告主要内容为ETF市场的业绩、规模、估值、资金流向等数据的统计与描述，属于市场数据跟踪周报，而非量化模型或因子研究。 量化因子与构建方式 根据提供的研报内容，未发现涉及具体的量化因子（如价值、成长、动量等）的构建、测试与评价。报告中的“估值分位数”是基于市场数据的直接统计，并非用于选股的量化因子。 模型的回测效果 无相关内容。 因子的回测效果 无相关内容。

量化模型与构建方式 **本报告为市场周报，未涉及具体的量化模型或量化因子的构建与测试。** 量化因子与构建方式 **本报告为市场周报，未涉及具体的量化模型或量化因子的构建与测试。** 模型的回测效果 **本报告为市场周报，未涉及具体的量化模型或量化因子的回测效果。** 因子的回测效果 **本报告为市场周报，未涉及具体的量化模型或量化因子的回测效果。**

好的，作为一名熟练的金融工程分析师，我已仔细阅读并分析了您提供的这份金融工程周报。根据我的专业判断，这份报告的核心内容是市场数据回顾与基金产品动态，**并未涉及任何具体的量化模型或量化因子的构建、测试与分析**。报告内容主要包括市场指数表现、行业涨跌、基金业绩统计、产品发行情况等描述性信息[1][2][3][4][6][7][8][9][10][11][12][13][14][15][16][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][34][35][36][37][38][39][40][41][42][43][44][46][47][48][49][50][51][52][53][54][55][56][57][58][59]。 因此，按照任务要求，我无法从报告中总结出关于“量化模型”或“量化因子”的名称、构建思路、具体过程、评价及测试结果。报告中没有相关内容可供提取。

量化模型与构建方式 1. 模型名称：物理增强型样本熵择时模型 (Phys-Enhanced SampEn) * **模型构建思路**：将非线性动力学的样本熵理论与物理学的推重比概念深度融合，构建一个一体化择时模型。其核心创新在于将“流动性调整推重比序列”作为样本熵的输入，使得计算出的熵值能够同时量化“价格波动的随机性”与“驱动力-风险平衡的规律性”，从而输出择时信号[4][78]。 * **模型具体构建过程**： 1. **构建输入序列**：首先计算流动性调整推重比序列 $$Z_{t}=[T W R_{t}]$$，该序列融合了价格、成交量、波动率和流动性信息，作为后续样本熵计算的输入[79][80]。 2. **设定模型参数**：嵌入维度 $$m = 2$$，延迟时间 $$\tau = 1$$，相似性阈值 $$r = ETF_{std} \times \sigma_{std}$$，其中 $$\sigma_{std}$$ 为序列的标准差[82]。 3. **重构嵌入向量**：在序列 $$Z_t$$ 上构建延迟坐标嵌入，形成 $$m$$ 维嵌入向量序列：$$V_{i}^{(m)}=\left[Z_{i},Z_{i+\tau},\cdots,Z_{i+(m-1)\tau}\right],i=1,2,\cdots,N$$，其中 $$N = T - \tau + 1$$ 为有效样本数[83][84]。 4. **计算向量间相似性**：采用最大范数（Chebyshev距离）计算两个嵌入向量间的距离：$$d\left(V_{i}^{(m)},V_{j}^{(m)}\right)=\operatorname*{max}_{0\leq k\leq m-1,1\leq s\leq2}\left|Z_{i+k\tau(s)},Z_{j+k\tau(s)}\right|$$[86]。 5. **计算条件概率**：对每个嵌入向量 $$V_i^{(m)}$$，统计其与其他向量（排除自身）的相似性比例：$$C_{i}^{m}(r)=\frac{1}{N-1}\times\\left\{j\!:\!d\left(V_{i}^{(m)},V_{j}^{(m)}\right)<r,j\neq i\right\}$$[87]。进而计算全局平均相似概率：$$B^{m}(r)=\frac{1}{N}\sum_{i=1}^{N}C_{i}^{m}(r)$$[88]。 6. **计算物理增强型样本熵**：类似地构建 $$B^{m+1}(r)$$，最终定义物理增强型样本熵为：$$P h y s-S a m p E n(m,r,\tau)=-l n\left(\frac{B^{m+1}(r)}{B^{m}(r)}\right)$$。当 $$B^m(r)=0$$ 或 $$B^{m+1}(r)=0$$ 时，加正则化常数 $$10^{-6}$$ 避免对数发散[91][92]。 7. **生成择时信号**： * 基于滚动窗口 $$W$$ 个交易日的融合熵序列，定义经验分位数阈值：低熵阈值 $$S_{low}=Q_{0.4}(Phys-SampEn_t)$$，高熵阈值 $$S_{high}=Q_{0.6}(Phys-SampEn_t)$$[94][95]。 * 结合当前熵值 $$Phys-SampEn_t$$ 和推重比 $$TWR_t$$ 的方向，应用一套规则判断输出上涨、下跌或平盘信号。核心逻辑是：低熵态下系统规律性强，推重比数值指示趋势方向；高熵态下系统失序，规避方向性暴露或抓住反转趋势[95][97]。 2. 因子名称：流动性调整推重比 (TWR) * **因子构建思路**：在传统推重比（累计收益率/波动率）的基础上进行优化，将驱动力项从“累计收益”升级为“量价共振收益”，并将风险项从“单一波动率”扩展为“波动率×流动性阻力”，从而构建一个同时评估趋势有效性和交易可操作性的综合指标[54][72]。 * **因子具体构建过程**： 1. **计算驱动力 (Thrust)**：驱动力项定义为量价共振动量：$$T h r u s t_{v o l p,t}=\left(\sum_{k=t-L+1}^{t}r_{k}\right)\times\left(\frac{V o l_{t}}{V o l_{a v g,t}}\right)$$。其中，$$\sum r_k$$ 为过去 $$L$$ 日累计收益率，$$Vol_t$$ 为当日成交量，$$Vol_{avg,t}$$ 为过去 $$L$$ 日平均成交量[56][58]。 2. **计算风险项 (Weight)**：风险项综合了价格波动风险和流动性阻力：$$W e i g h t_{l i q\ ,t}=\sigma_{t}\times\left(\frac{V o l_{a v g,t}}{V o l_{t}}\right)+10^{-6}$$[64]。 * 价格波动风险 $$\sigma_t$$ 为过去 $$L$$ 日的年化波动率：$$\sigma_{t}=\sqrt{\frac{252}{L-1}\sum_{k=t-L+1}^{t}\left(r_{k}-\bar{r}_{t,L}\right)^{2}}$$，其中 $$\bar{r}_{t,L}$$ 为过去 $$L$$ 日的平均收益率[65][66]。 * 流动性阻力通过比较当日成交量与近期平均成交量的比值来构建，比值大于1表示流动性差、阻力放大[68]。 3. **计算原始推重比**：原始推重比为驱动力与风险项的比值：$$R a w T W R_{l i q,t}=\frac{T h r u s t_{v o l p,t}}{W e i g h t_{l i q,t}}$$[69]。 4. **标准化**：为消除跨ETF的量纲差异，对原始推重比进行Z-Score标准化：$$T W R_{l i q,t}=\frac{R a w T W R_{i i q,t}-\mu_{R a w T W R},\;\;W}{\sigma_{R a w T W R},\;\;w+10^{-6}}$$。其中，$$\mu_{RawTWR,W}$$ 和 $$\sigma_{RawTWR,W}$$ 分别为过去 $$W$$ 个交易日原始推重比的均值与标准差，$$10^{-6}$$ 为平滑项[70][71][72]。 3. 因子名称：样本熵 (SampEn) * **因子构建思路**：样本熵是用于量化时间序列复杂性和规律性的指标。它通过计算“数据片段延长后，还能保持相似”的概率，来衡量序列的“混乱度”或不确定性。相比近似熵，样本熵通过排除自匹配，提高了在短序列下的无偏性和统计一致性[20][21][44]。 * **因子具体构建过程**： 1. **重构嵌入向量**：对长度为 $$N$$ 的序列 $$x$$，设定嵌入维度 $$m$$ 和延迟时间 $$\tau$$，为每个时间点 $$i$$ 构造 $$m$$ 维嵌入向量：$$X_{i}^{m}=[x(i),x(i+\tau),x(i+2\tau),\cdots,x(i+(m-1)\tau)],\mathrm{i=1,2,\cdots,N_{m}}$$[25][26]。 2. **定义相似性度量**：采用Chebyshev距离（最大范数）计算两个嵌入向量间的距离：$$d\left(X_{i}^{m},X_{j}^{m}\right)=m a x_{k=0,1,\cdots,m-1}|x(i+k\tau)-x(j+k\tau)|$$。若距离小于阈值 $$r$$，则判定两个向量相似[28][29]。 3. **计算相似概率**： * 对于每个嵌入向量 $$X_i^m$$，计算其与其他向量（$$j \neq i$$）相似的比例：$$B_{i}^{m}(r)=\;\frac{1}{N_{m}-1}\sum_{j=1,j\neq i}^{N_{m}}I\big(d\big(X_{i}^{m},X_{j}^{m}\big)<r\big)\;.$$，其中 $$I(\cdot)$$ 为指示函数[31][33]。 * 对所有向量求平均，得到 $$m$$ 维整体相似概率：$$B^{m}(r)=\ \frac{1}{N_{m}}\sum_{i=1}^{N_{m}}B_{i}^{m}(r)$$[32]。 4. **计算样本熵**：将嵌入维度增加到 $$m+1$$，重复上述步骤得到 $$B^{m+1}(r)$$。样本熵最终定义为：$$S a m p E n(m,r,N)=-l n\left(\frac{B^{m+1}(r)}{B^{m}(r)}\right)$$[36]。概率衰减越慢（序列越规律），熵值越低；概率衰减越快（序列越随机），熵值越高[37]。 模型的回测效果 * **物理增强型样本熵择时模型 (单标的)**：回测期2017年1月至2025年11月，覆盖38只不同板块的ETF[7][101]。 * **宽基指数 (8只)**：策略年化收益率16.19%-41.67%，夏普比率1.04-1.69，最大回撤-14.32%至-25.48%，显著优于买入持有策略[106][108]。 * **周期资源型ETF (示例4只)**：策略年化收益率15.85%-44.81%，夏普比率0.77-1.89，最大回撤-13.25%至-29.61%，较买入持有大幅改善[116][118]。 * **新能源与科技型ETF (示例4只)**：策略年化收益率27.52%-33.45%，夏普比率1.27-1.51，最大回撤-21.14%至-31.31%，表现卓越[124][125]。 * **消费、医疗与金融型ETF (示例4只)**：策略年化收益率18.83%-30.28%，夏普比率0.98-1.37，最大回撤-14.43%至-29.45%，实现显著超额收益[130][132]。 * **物理增强型样本熵择时模型 (等权组合)**：基于38只ETF的择时信号动态构建等权组合。回测期内年化收益率37.20%，夏普比率1.76，索提诺比率251.62%，最大回撤-20.72%[137][140]。