量化模型与构建方式 1. **模型名称：A股景气度高频指数模型**[30] * **模型构建思路**：以上证指数归母净利润同比为Nowcasting目标，构建一个能够高频反映A股整体景气度变化的指数[30] * **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，仅提及构建目标和方法[30] 2. **模型名称：A股情绪指数系统**[35] * **模型构建思路**：基于市场波动率和成交额的变化方向来刻画市场情绪，并构建包含见底预警与见顶预警的择时系统[35] * **模型具体构建过程**： 1. 将市场状态按照波动率和成交额的变化方向划分为四个象限[35] 2. 通过历史统计发现，只有“波动率上行-成交额下行”的区间为显著负收益，其余象限均为显著正收益[35] 3. 基于此规律，分别构造了A股情绪见底预警指数和见顶预警指数[35] 4. 根据两个预警指数的信号综合判断后市观点[38][40] 3. **模型名称：主题挖掘算法**[44] * **模型构建思路**：通过处理新闻和研报文本，挖掘主题投资机会，并识别近期热度异动较高的概念[44] * **模型具体构建过程**：算法涉及多个维度，包括文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建、主题影响力因子构建等[44] 4. **模型名称：中证500增强组合模型**[44] * **模型构建思路**：构建一个旨在持续跑赢中证500指数的量化增强投资组合[44] * **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，仅展示了其持仓和表现[44][48] 5. **模型名称：沪深300增强组合模型**[50] * **模型构建思路**：构建一个旨在持续跑赢沪深300指数的量化增强投资组合[50] * **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，仅展示了其持仓和表现[50][53] 6. **模型名称：风格因子模型（参照BARRA）**[55] * **模型构建思路**：参照BARRA因子模型框架，对A股市场构建一套风格因子体系，用于解释股票收益和进行组合归因[55] * **模型具体构建过程**：报告列出了所构建的十大类风格因子，但未提供每个因子的具体计算公式[55]。十大类风格因子包括： * 市值（SIZE） * BETA * 动量（MOM） * 残差波动率（RESVOL） * 非线性市值（NLSIZE） * 估值（BTOP） * 流动性（LIQUIDITY） * 盈利（EARNINGS_YIELD） * 成长（GROWTH） * 杠杆（LVRG）[55] 模型的回测效果 1. **A股情绪指数系统择时表现**：报告通过图表展示了该系统的历史择时表现，但未给出具体的量化指标数值[43] 2. **中证500增强组合模型**：截至报告期，2020年至今，组合相对中证500指数超额收益47.54%，最大回撤-6.92%[44] 3. **沪深300增强组合模型**：截至报告期，2020年至今，组合相对沪深300指数超额收益40.14%，最大回撤-5.86%[50] 量化因子与构建方式 1. **因子体系：十大类风格因子**[55] * **因子的构建思路**：基于BARRA模型框架，识别并构建能够解释A股市场收益差异的主要风格维度[55] * **因子具体构建过程**：报告未提供每个风格因子的具体计算公式和构建细节，仅列出了因子名称[55] 因子的回测效果 1. **风格因子近期表现（近一周）**：[56] * **流动性因子**：超额收益较高[56] * **残差波动率因子**：呈较为显著的负向超额收益[56] * **Beta因子**：高Beta股表现优异[56] * **杠杆因子**：表现不佳[56] 2. **行业因子近期表现（近一周）**：[56] * **国防军工、石油石化、汽车等行业因子**：相对市场市值加权组合跑出较高超额收益[56] * **商贸零售、食品饮料、医药等行业因子**：回撤较多[56]

量化模型与构建方式 1. 三维择时框架 * **模型名称**：三维择时框架[8] * **模型构建思路**：通过监测市场分歧度、流动性和景气度三个维度的变化趋势，综合判断市场整体走势[8] * **模型具体构建过程**：模型基于三个独立的指数进行判断[12] 1. **市场分歧度指数**：衡量市场参与者观点的离散程度，下行趋势表示市场观点趋于一致[12][17] 2. **市场流动性指数**：衡量市场资金面的宽松程度，上行表示流动性改善[12][19] 3. **A股景气度指数2.0**：衡量上市公司整体盈利增长趋势，上行表示景气度提升[12][22] 当三个维度（分歧度下行、流动性上行、景气度上行）的趋势判断一致时，给出明确的看涨或看跌信号[8] 2. 热点趋势ETF策略 * **模型名称**：热点趋势ETF策略[29] * **模型构建思路**：结合价格形态（支撑阻力）与市场短期关注度（换手率变化）筛选ETF，构建组合[29] * **模型具体构建过程**： 1. **初筛形态**：根据K线的最高价与最低价的上涨或下跌形态，先选出最高价与最低价同时为上涨形态的ETF[29] 2. **计算支撑阻力因子**：根据最高价与最低价近20日回归系数的相对陡峭程度，构建支撑阻力因子[29] 3. **筛选高关注度标的**：在支撑阻力因子的多头组中，选择近5日换手率/近20日换手率最高的10只ETF，即短期市场关注度明显提升的标的[29] 4. **组合构建**：对最终选出的10只ETF构建风险平价组合[29] 3. ETF三策略融合模型 * **模型名称**：ETF三策略融合轮动模型[32] * **模型构建思路**：将基于基本面、质量低波、困境反转三种不同逻辑的行业轮动策略进行等权融合，实现因子与风格互补，降低单一策略风险[32] * **模型具体构建过程**： 1. **策略一：行业轮动策略**：核心因子包括超预期景气度、行业龙头效应、行业动量、拥挤度、通胀beta，旨在覆盖行业多维度特性，宏观适配性强[33] 2. **策略二：个股风格驱动策略**：核心因子包括个股动量、个股质量、个股波动率，聚焦个股质量与低波，防御性突出[33] 3. **策略三：困境反转策略**：核心因子包括PB_zscore、分析师长期预期、短期筹码交换，旨在捕捉估值修复与业绩反转机会[33] 4. **策略融合**：将上述三个策略的选股结果进行等权组合，形成最终的ETF轮动组合[32] 4. 资金流共振策略 * **模型名称**：融资-主动大单资金流共振策略[44] * **模型构建思路**：利用融资融券资金流与主动大单资金流两个维度，寻找资金形成共振效应的行业进行推荐[44][47] * **模型具体构建过程**： 1. **构建行业融资融券资金因子**：计算个股融资净买入-融券净卖出（即两融资金流）并在行业层面加总[41][44]。对该行业资金流进行barra市值因子中性化处理，然后计算其最近50日均值，最后计算该均值近两周的环比变化率[44] 2. **构建行业主动大单资金因子**：计算行业主动大单资金净流入，并对其进行最近一年成交量的时序中性化处理，得到排序分位值，最后取最近10日均值[44] 3. **策略逻辑**：研究发现，融资融券因子的多头端在不同市场状态下有稳定的负向超额收益，而主动大单因子剔除极端多头行业后有稳定正向超额收益[45]。因此，策略在主动大单因子的头部打分行业内，剔除融资融券因子得分也较高的行业，以提高策略稳定性[45]。进一步剔除大金融板块后构建最终组合[45] 5. 多风格增强策略 * **模型名称**：多风格增强策略[59] * **模型构建思路**：在基础的多风格策略之上，叠加额外的增强因子，以在其他风格端增厚收益，抑制单一风格波动，实现在不同市场周期下的稳定超额收益[59] * **模型具体构建过程**：报告提及了多种具体的风格增强策略，包括质量增强、红利增强、长期成长增强、价值增强、低波增强、短期动量增强、长期动量增强策略[63]。这些策略均在对应的风格基准（如中证红利全收益、中证全指等）上，通过叠加增强因子进行优化[63] 量化因子与构建方式 1. 支撑阻力因子 * **因子名称**：支撑阻力因子[29] * **因子构建思路**：根据价格高点与低点的回归趋势陡峭程度，判断价格的支撑或阻力强度[29] * **因子具体构建过程**：分别对ETF的最高价和最低价序列计算近20日的线性回归系数，根据这两个回归系数的相对陡峭程度构建因子[29] 2. 短期关注度因子 * **因子名称**：短期关注度因子（换手率变化）[29] * **因子构建思路**：用短期换手率相对于中长期换手率的提升幅度，衡量市场关注度的短期变化[29] * **因子具体构建过程**：计算ETF的近5日平均换手率与近20日平均换手率的比值[29] 3. 行业融资融券资金因子 * **因子名称**：行业融资融券资金因子[44] * **因子构建思路**：衡量经市值调整后的行业层面两融资金流的近期变化趋势[44] * **因子具体构建过程**： 1. 计算个股的两融资金流：融资净买入 - 融券净卖出[41][44] 2. 在行业层面将个股资金流加总[44] 3. 对行业资金流进行barra市值因子中性化处理[44] 4. 计算中性化后资金流的最近50日移动平均值[44] 5. 计算该50日均值近两周的环比变化率作为最终因子值[44] 4. 行业主动大单资金因子 * **因子名称**：行业主动大单资金因子[44] * **因子构建思路**：衡量经成交量调整后的行业大单资金净流入的近期强度[44] * **因子具体构建过程**： 1. 计算行业的主动大单资金净流入[44] 2. 对该净流入进行最近一年成交量序列的时序中性化处理，并转换为排序分位值[44] 3. 取该分位值的最近10日移动平均值作为最终因子值[44] 5. 风格因子 报告跟踪了多种市场风格因子，包括： * **市值因子**[51] * **贝塔因子**[50][51] * **动量因子**[51] * **波动率因子**[51] * **非线性市值因子**[51] * **价值因子**[55] * **流动性因子**[50][55] * **盈利收益率因子**[55] * **成长因子**[50][55] * **杠杆因子**[55] 6. Alpha因子（选股因子） 报告从不同维度列举了多个Alpha因子，部分因子构建过程如下： * **3个月成交量均值因子 (ln_volume_mean_3m)**：过去3个月成交量的自然对数均值[56] * **3个月成交量标准差因子 (ln_volume_std_3m)**：过去3个月成交量的自然对数的标准差[56] * **单季度净利润同比增长（考虑快报、预告）因子 (yoy_np_q_adv)**：$$ yoy\_np\_q\_adv = \frac{NP_{q} - NP_{q-4}}{|NP_{q-4}|} $$，其中NP为单季度净利润，考虑快报和预告数据[58] * **单季度ROA同比差值（考虑快报、预告）因子 (roa_q_delta_adv)**：$$ roa\_q\_delta\_adv = ROA_{q} - ROA_{q-4} $$，其中ROA为单季度总资产收益率，考虑快报和预告数据[58] * **一致预期净利润变化（FY1）因子 (mom1_np_fy1)**：$$ mom1\_np\_fy1 = \frac{NP_{FY1}^{current} - NP_{FY1}^{1m\ ago}}{|NP_{FY1}^{1m\ ago}|} $$，其中NP_FY1为未来一年一致预测净利润[58] * **研发总资产占比因子 (tot_rd_ttm_to_assets)**：$$ tot\_rd\_ttm\_to\_assets = \frac{研发支出_{TTM}}{总资产} $$[58] * **SUE因子 (sue1)**：$$ sue1 = \frac{(NI_{q} - NI_{q-4}) - mean(NI_{t} - NI_{t-4}, t=q-7:q)}{std(NI_{t} - NI_{t-4}, t=q-7:q)} $$，其中NI为净利润，计算过去八个季度的标准化未预期盈余[58] 模型的回测效果 1. 热点趋势ETF策略 * **测试周期**：2025年以来[29] * **组合收益率**：43.6%[29] * **超额收益率（相对沪深300）**：22.4%[29] 2. ETF三策略融合轮动模型 * **测试周期**：2017年4月10日至2025年12月31日[34][37] * **全周期表现**[38]： * **组合收益率**：12.18% * **基准收益率**：2.08% * **超额收益率**：10.10% * **组合波动率**：16.54% * **信息比率(IR)**：1.07 * **最大回撤**：-24.55% * **夏普比率**：0.74 * **2025年表现**[38]： * **组合收益率**：27.29% * **基准收益率**：24.60% * **超额收益率**：2.69% 3. 融资-主动大单资金流共振策略 * **测试周期**：2018年以来[45] * **年化超额收益（费后）**：14.3%[45] * **信息比率(IR)**：1.4[45] * **近期表现（上周）**[45]： * **绝对收益率**：-0.94% * **超额收益率（相对行业等权）**：-0.95% 因子的回测效果 1. 风格因子近期表现（截至2025年12月31日） * **测试周期**：最近一周[51][55] * **市值因子收益**：-0.09%[51] * **贝塔因子收益**：1.47%[51] * **动量因子收益**：0.12%[51] * **波动率因子收益**：-0.71%[51] * **非线性市值因子收益**：0.01%[51] * **价值因子收益**：-0.89%[55] * **流动性因子收益**：0.16%[55] * **盈利收益率因子收益**：-0.78%[55] * **成长因子收益**：0.26%[55] * **杠杆因子收益**：-1.30%[55] 2. Alpha因子多头超额收益（截至2025年12月31日） * **测试周期**：近一周[56] * **3个月成交量均值因子 (ln_volume_mean_3m)**：0.68%[56] * **3个月成交量标准差因子 (ln_volume_std_3m)**：0.65%[56] * **6个月成交量均值因子 (ln_volume_mean_6m)**：0.61%[56] * **1个月与12个月成交量差值因子 (volume_1m_minus_12m)**：0.57%[56] * **1个月与12个月成交量比值因子 (volume_1m_div_12m)**：0.56%[56] * **3个月动量因子 (mom_3m)**：0.56%[56] 3. 分指数Alpha因子多头超额收益（上周，截至2025年12月31日） * **单季度ROA同比差值（考虑快报、预告）因子 (roa_q_delta_adv)**[58]： * **沪深300中超额**：28.46% * **中证500中超额**：5.09% * **中证800中超额**：18.15% * **中证1000中超额**：18.69% * **单季度净利润同比增长（考虑快报、预告）因子 (yoy_np_q_adv)**[58]： * **沪深300中超额**：24.46% * **中证500中超额**：8.23% * **中证800中超额**：17.73% * **中证1000中超额**：20.81% * **一致预期净利润变化（FY1）因子 (mom1_np_fy1)**[58]： * **沪深300中超额**：13.97% * **中证500中超额**：17.03% * **中证800中超额**：21.95% * **中证1000中超额**：9.30% * **研发总资产占比因子 (tot_rd_ttm_to_assets)**[58]： * **沪深300中超额**：11.80% * **中证500中超额**：18.21% * **中证800中超额**：20.87% * **中证1000中超额**：16.47% 4. 风格增强策略绩效（截至2025年12月31日） * **红利增强策略 (GL888002)**[63]： * **本周超额收益率（相对中证红利全收益）**：0.68% * **本年超额收益率**：14.44% * **最近一年年化收益率**：22.12% * **最近一年年化超额收益**：15.35% * **夏普比率**：1.92 * **区间最大回撤**：-5.40% * **低波增强策略 (GL888005)**[63]： * **本周超额收益率（相对中证全指）**：0.65% * **本年超额收益率**：4.37% * **最近一年年化收益率**：33.57% * **最近一年年化超额收益**：2.70% * **夏普比率**：2.67 * **区间最大回撤**：-8.73% * **长期成长增强策略 (GL888003)**[63]： * **本周超额收益率（相对中证全指）**：-0.13% * **本年超额收益率**：3.47% * **最近一年年化收益率**：34.66% * **最近一年年化超额收益**：3.80% * **夏普比率**：2.09 * **区间最大回撤**：-11.44%

量化模型与构建方式 **本报告为市场数据点评，未涉及具体的量化选股模型或预测模型的构建与测试，因此无相关内容。** 量化因子与构建方式 本报告主要统计和分析了基于融资融券（两融）数据的多个市场观测指标，这些指标可作为观察市场情绪和资金流向的因子。 1. **因子名称**：行业融资余额[19] * **因子构建思路**：统计特定时点各行业的融资余额总额，用以衡量市场对各行业的看多杠杆资金存量[19]。 * **因子具体构建过程**：在给定截止日期（如2025年12月30日），对属于同一行业的所有个股的融资余额进行求和，得到该行业的融资余额。报告展示了截至2025年12月30日各行业的融资余额分布[19]。 2. **因子名称**：行业融资余额增速[21] * **因子构建思路**：计算行业融资余额在一定时间窗口内的日均增长率，用以观察杠杆资金流入某行业的趋势和速度[21]。 * **因子具体构建过程**：选取过去N个交易日（如N=20）作为窗口期。首先，计算每个交易日的行业融资余额。然后，计算该窗口期内行业融资余额的日均增长率。具体公式可表示为窗口期首尾融资余额的对数增长率除以交易日数，或计算每日环比增长率的平均值。报告展示了截至2025年12月30日，各行业近20日的融资余额平均日增速[21]。 3. **因子名称**：行业融资净买入额[6][23] * **因子构建思路**：统计特定时间段内各行业的累计融资买入额与融资偿还额的差值，直接反映该时间段内杠杆资金对行业的净流入情况[6][23]。 * **因子具体构建过程**：在给定时间段内（如近5日），对属于同一行业的所有个股，每日计算（融资买入额 - 融资偿还额），然后对该时间段内的每日净买入额进行累计求和，得到该行业在该时间段内的累计融资净买入额。报告展示了截至2025年12月30日，各行业近5日的累计融资净买入额[6][23]。 4. **因子名称**：融资买入额占成交额比例[6][27] * **因子构建思路**：计算融资买入额在总成交额中的占比，用以衡量融资交易在行业整体交易中的活跃度或贡献度[6][27]。 * **因子具体构建过程**：对于单个行业，在特定交易日，计算该行业所有个股的融资买入总额与市场成交总额的比值。对于多日窗口期（如近5日），可以计算该比值在窗口期内的平均值。报告展示了截至2025年12月30日，各行业融资买入额占成交额比例近5日的均值[6][27]。 因子的回测效果 **本报告未对上述因子进行历史回测以计算其选股有效性指标（如IC、IR、多空收益等），因此无相关量化回测结果。报告仅展示了特定截止日（2025年12月30日）的截面数据统计结果[19][21][23][27]。**

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**[77] * **模型构建思路**：使用卷积神经网络（CNN）对个股历史价量数据构建的标准化图表进行深度学习，以识别图表特征与未来价格走势之间的关系，并将学习到的特征映射到行业主题板块中，从而进行行业主题配置。[77] * **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构建标准化的图表。[77] 2. **模型训练**：使用卷积神经网络对上述图表化的价量数据与未来价格进行建模，学习能够预测未来价格走势的图表特征。[77] 3. **特征映射**：将训练好的模型学习到的特征映射到行业主题板块，识别出具有相似积极特征的板块。[77] 4. **生成配置**：根据模型识别结果，输出当前看好的行业主题及对应的具体指数。[77][79] 2. **模型名称：宏观因子事件模型**[56] * **模型构建思路**：通过跟踪一系列国内外宏观指标，定义其特定的走势事件（如短期高低点、连续涨跌等），并从历史数据中寻找那些对未来资产收益率有显著影响的“有效因子事件”，以此作为判断未来资产趋势的依据。[56] * **模型具体构建过程**： 1. **因子选择**：跟踪25个国内外宏观指标，涵盖货币政策、财政政策、流动性、通胀水平及其他经济指标。[56] 2. **事件定义**：定义四类宏观因子事件来描述指标走势：短期高低点、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**：从历史数据中回测，筛选出对资产未来收益率影响较为显著的因子事件，即“有效因子事件”。[56] 4. **趋势分析**：采用历史均线（如1月、3月、12月均线）将宏观因子走势分为趋势上行和趋势下行，统计在不同趋势下资产未来一个月的平均收益，筛选出收益存在显著差异的资产。[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，来判断蓝筹股是否存在短期超卖风险。[49] * **模型具体构建过程**： 1. **计算指标**：计算上证50ETF期权成交量的看涨看跌比率（CPR）。[49] 2. **构建通道**：计算CPR的60日布林通道（通常包含上轨、中轨、下轨）。[49] 3. **信号生成**：观察最近20个交易日的CPR是否低于60日布林通道的上轨。若低于上轨，则认为蓝筹股短期不存在超卖风险。[49] 4. **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，来度量市场的极端情绪和内部结构强度。[34] * **因子具体构建过程**：分别计算创近60日新高的个股数占总个股数的比例（60日新高比例），以及创近60日新低的个股数占总个股数的比例（60日新低比例）。[34] 5. **因子名称：个股均线结构因子**[38] * **因子构建思路**：通过计算呈现特定均线多头排列与空头排列的个股数量之差占总体本的比例，来反映市场整体的技术趋势强弱。[38] * **因子具体构建过程**：计算呈现多头排列的个股数量与呈现空头排列的个股数量之差，再除以总个股数，得到“均线强弱指标”或“多头排列减空头排列个股占比”。[38] 6. **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日线）之上的个股比例，用以衡量市场整体的长期趋势强弱和广度。[41] * **因子具体构建过程**：计算当前价格位于200日移动平均线之上的个股数量，再除以总个股数，得到“长期均线以上比例”。[41] 7. **因子名称：风险溢价因子**[66] * **因子构建思路**：通过计算股票市场收益率（市盈率倒数）与无风险收益率（十年期国债收益率）之差，来衡量股票资产相对于债券资产的吸引力。[66][80] * **因子具体构建过程**：采用中证全指静态市盈率（PE_TTM）的倒数作为盈利收益率（EP），减去十年期国债收益率，得到风险溢价。 $$风险溢价 = \frac{1}{PE\_{TTM}} - 十年期国债收益率$$[80] 模型的回测效果 （报告中未提供各模型的详细历史回测绩效指标，如年化收益率、夏普比率、最大回撤等具体数值。） 量化因子的回测效果 （报告中未提供各因子的详细历史回测绩效指标，如IC值、IR、多空收益等具体数值。仅提供了部分因子在最新一期的观察值。） 1. **新高新低比例因子**：截至报告期末，创近60日新高个股数占比从前一期的9.5%升至9.6%；创近60日新低个股数占比从前一期的6.4%升至10.7%。[34] 2. **个股均线结构因子**：截至报告期末，多头排列减空头排列个股占比从前一期的-22%降至-29%。[38] 3. **风险溢价因子**：截至2025年12月31日，中证全指风险溢价为2.69%，其历史均值（avg）及两倍标准差边界（avg+2*sigma, avg-2*sigma）在图表中显示。[67][80]

量化模型与构建方式 1. **模型名称：市场整体环境择时体系（均线距离模型）**[2][6] * **模型构建思路**：通过比较WIND全A指数的短期均线与长期均线的相对位置和距离，来判断市场整体是处于上行趋势还是震荡/下行趋势。[2][6] * **模型具体构建过程**： 1. 计算WIND全A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）。[2][6] 2. 计算两条均线的距离，公式为： $$均线距离 = (短期均线 - 长期均线) / 长期均线 \times 100\%$$ 其中，短期均线为20日均线，长期均线为120日均线。[2][6] 3. 根据距离绝对值进行趋势判断：当距离绝对值大于3%时，市场处于上行趋势；否则市场可能处于震荡或下行格局。[2][6] 2. **模型名称：赚钱效应指标**[2][7][11] * **模型构建思路**：在市场被判定为上行趋势后，通过计算当前价格相对于“市场趋势线”的涨幅，来度量市场的赚钱效应，作为趋势能否延续的观测指标。[2][7][11] * **模型具体构建过程**： 1. 确定一个“市场趋势线”的参考点位（报告中未明确其计算方法，仅给出当前数值）。[2][7][11] 2. 计算赚钱效应，公式为： $$赚钱效应 = (当前指数点位 - 市场趋势线) / 市场趋势线 \times 100\%$$ 例如，当WIND全A指数点位为未知，市场趋势线位于6262点时，赚钱效应为2.71%。[2][7][11] 3. 判断标准：赚钱效应为正，则上行趋势有望延续。[2][7][11] 3. **模型名称：仓位管理模型**[7] * **模型构建思路**：综合市场的估值水平（PE、PB分位数）和短期趋势判断（来自择时体系），为绝对收益产品提供股票仓位建议。[7] * **模型具体构建过程**： 1. 评估估值水平：计算WIND全A指数的PE和PB在其历史数据中的分位数。[7] 2. 获取趋势信号：从市场整体环境择时体系获取当前市场趋势状态（上行/震荡/下行）。[7] 3. 结合估值与趋势进行综合判断，输出建议仓位。例如，当PE位于90分位点（偏高水平），PB位于50分位点（中等水平），且市场处于上行趋势时，建议仓位为80%。[7] 4. **模型名称：行业趋势配置模型**[2][5][7][11] * **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价值的行业板块。[2][5][7][11] * **模型具体构建过程**：报告未详细描述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**：信号显示关注旅游、传媒等服务型消费行业。[2][5][7][11] * **TWO BETA模型**：信号继续推荐科技板块，并特别关注AI应用和商业航天领域。[2][5][7][11] * **行业趋势模型**：信号显示通信、工业金属、储能板块延续上行趋势。[2][5][7][11] 模型的回测效果 *报告为周度观点报告，主要展示模型的最新信号和结论，未提供历史回测的详细绩效指标（如年化收益率、夏普比率、最大回撤等）。因此，本部分无具体指标取值。* 量化因子与构建方式 *本报告主要涉及择时与行业配置模型，未提及具体的个股选股因子（如价值、成长、动量、质量等因子）的构建。因此，本部分无相关内容。* 因子的回测效果 *本报告未涉及量化因子，因此本部分无相关内容。*

量化模型与构建方式 1. **模型名称：短期成交量模型**[9][11] * **模型构建思路**：基于价量关系进行短期市场择时，核心思想简单普世[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，仅提及其为八大择时模型之一，属于短期周期模型，利用了价量角度[9][11]。 2. **模型名称：特征龙虎榜机构模型**[11] * **模型构建思路**：利用龙虎榜中的机构买卖行为特征进行市场择时判断。 * **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，仅提及其为短期择时模型之一[11]。 3. **模型名称：特征成交量模型**[11] * **模型构建思路**：基于成交量的某些特征进行市场择时判断。 * **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，仅提及其为短期择时模型之一[11]。 4. **模型名称：智能算法沪深300模型**[11] * **模型构建思路**：应用智能算法对沪深300指数进行择时判断。 * **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，仅提及其为短期择时模型之一[11]。 5. **模型名称：智能算法中证500模型**[11] * **模型构建思路**：应用智能算法对中证500指数进行择时判断。 * **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，仅提及其为短期择时模型之一[11]。 6. **模型名称：中期涨跌停模型**[9][12] * **模型构建思路**：基于市场中涨跌停股票的数量或比例等特征进行中期市场择时，核心思想简单普世[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，仅提及其为八大择时模型之一，属于中期周期模型[9][12]。 7. **模型名称：上下行收益差模型**[9][11][12][14] * **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进行市场择时判断，可能用于衡量市场动能或情绪。 * **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，仅提及其为八大择时模型之一，应用于A股和港股的中期择时[9][11][12][14]。 8. **模型名称：月历效应模型**[12] * **模型构建思路**：基于历史月份、星期等时间规律进行中期市场择时。 * **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，仅提及其为中期择时模型之一[12]。 9. **模型名称：长期动量模型**[9][13] * **模型构建思路**：基于价格加速度与趋势进行长期市场择时，核心思想简单普世[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，仅提及其为八大择时模型之一，属于长期周期模型[9][13]。 10. **模型名称：A股综合兵器V3模型**[13] * **模型构建思路**：将同一周期或不同周期下的多个择时模型信号进行耦合，结合偏防御和偏进攻的模型，以达到攻守兼备的效果[9]。 * **模型具体构建过程**：报告未提供该复合模型的具体耦合方法与权重分配细节，仅说明其为综合模型[9][13]。 11. **模型名称：A股综合国证2000模型**[13] * **模型构建思路**：将同一周期或不同周期下的多个择时模型信号进行耦合，结合偏防御和偏进攻的模型，以达到攻守兼备的效果[9]。 * **模型具体构建过程**：报告未提供该复合模型的具体耦合方法与权重分配细节，仅说明其为综合模型[9][13]。 12. **模型名称：港股成交额倒波幅模型**[14] * **模型构建思路**：结合成交额与波动率（波幅）进行港股市场的中期择时判断。 * **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，仅提及其为港股中期择时模型之一[14]。 13. **模型名称：形态识别模型（杯柄形态、双底形态）**[44] * **模型构建思路**：通过识别股价走势图表中的特定技术形态（如杯柄形态、双底形态）来构建股票组合，进行趋势跟踪或突破交易。 * **模型具体构建过程**：报告未提供形态识别的具体算法规则和量化定义，但展示了基于形态突破信号构建的组合及其表现[44][47][54]。 14. **模型名称：大师系列策略模型**[40] * **模型构建思路**：基于经典的价值型、成长型、综合型大师投资理念，构建量化选股策略，用于监控因子暴露和选股标准[40]。 * **模型具体构建过程**：报告未提供具体策略的构建公式和步骤，仅说明该系列包含33个策略，用于监控因子暴露[40]。 15. **模型名称：华创VIX指数模型**[42] * **模型构建思路**：复现并计算市场的波动率指数（VIX），作为判断市场情绪的参考指标，与大盘常呈负相关关系[42]。 * **模型具体构建过程**：报告提及该模型根据公开披露的VIX计算方法复现，并提供了50ETF期权、沪深300指数、300ETF的VIX计算结果，但未给出具体计算公式[42][43]。 模型的回测效果 1. **杯柄形态模型**，本周组合收益-0.19%，相对上证综指超额收益-0.32%；自2020年12月31日至今，累计收益12.55%，相对上证综指超额收益-1.73%[44]。 2. **双底形态模型**，本周组合收益-0.17%，相对上证综指超额收益-0.30%；自2020年12月31日至今，累计收益13.01%，相对上证综指超额收益-1.27%[44]。 量化因子与构建方式 * 报告主要介绍了多种择时模型和形态策略，未详细阐述用于选股的底层量化因子（如价值、成长、动量等）的具体构建方式。报告中提到的“大师策略”暴露的因子[40]，以及行业分析中涉及的“分析师上调/下调个股比例”[19][20]等可视为因子或信号，但未给出其量化定义和构建过程。 因子的回测效果 * 报告未提供具体量化因子的独立测试结果（如IC、IR、多空收益等）。

量化模型与构建方式 1. **模型名称**：沪深300增强组合[5][9] * **模型构建思路**：基于多因子模型构建的沪深300指数增强策略，旨在获取超越基准指数的超额收益[5]。 * **模型具体构建过程**：报告未详细说明具体因子构成和权重配置方法，仅展示了组合的业绩表现。通常此类增强组合会综合运用风格、技术、基本面等多类因子进行选股和权重优化。 2. **模型名称**：中证500增强组合[5][9] * **模型构建思路**：基于多因子模型构建的中证500指数增强策略，旨在获取超越基准指数的超额收益[5]。 * **模型具体构建过程**：报告未详细说明具体因子构成和权重配置方法，仅展示了组合的业绩表现。 3. **模型名称**：中证1000增强组合[5][9] * **模型构建思路**：基于多因子模型构建的中证1000指数增强策略，旨在获取超越基准指数的超额收益[5]。 * **模型具体构建过程**：报告未详细说明具体因子构成和权重配置方法，仅展示了组合的业绩表现。 4. **模型名称**：进取组合[9][10] * **模型构建思路**：以中证500为基准的量化股票组合，风格可能更为积极[9]。 * **模型具体构建过程**：报告未详细说明具体构建过程。 5. **模型名称**：平衡组合[9][10] * **模型构建思路**：以中证500为基准的量化股票组合，风格可能相对稳健[9]。 * **模型具体构建过程**：报告未详细说明具体构建过程。 6. **模型名称**：绩优基金的独门重仓股组合[5][9] * **模型构建思路**：通过筛选绩优基金（报告未明确筛选标准）的独门重仓股来构建组合，旨在获取基金选股能力的Alpha[5]。 * **模型具体构建过程**：报告未详细说明具体构建过程。 7. **模型名称**：盈利、增长、现金流三者兼优组合[5][9] * **模型构建思路**：通过筛选在盈利、增长和现金流三个基本面维度均表现优异的股票来构建组合[5]。 * **模型具体构建过程**：报告未详细说明具体筛选标准和权重方法。 8. **模型名称**：PB-盈利优选组合[5][9] * **模型构建思路**：结合低市净率（PB）和高盈利能力的选股策略，属于有基本面支撑的低估值策略[5][29]。 * **模型具体构建过程**：报告未详细说明具体构建过程。 9. **模型名称**：GARP组合[9][32] * **模型构建思路**：GARP（Growth at a Reasonable Price）策略，旨在以合理的价格投资于成长性股票[32]。 * **模型具体构建过程**：报告未详细说明具体构建过程。 10. **模型名称**：小盘价值优选组合1[9][34] * **模型构建思路**：在小盘股中优选价值型股票的投资组合[34]。 * **模型具体构建过程**：报告未详细说明具体构建过程。 11. **模型名称**：小盘价值优选组合2[9][36] * **模型构建思路**：在小盘股中优选价值型股票的投资组合（可能与组合1的筛选标准或权重不同）[36]。 * **模型具体构建过程**：报告未详细说明具体构建过程。 12. **模型名称**：小盘成长组合[5][9] * **模型构建思路**：专注于小盘股中具有高成长性股票的投资组合[5][39]。 * **模型具体构建过程**：报告未详细说明具体构建过程。 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**：衡量公司规模大小的风格因子[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。 2. **因子名称**：PB因子[42] * **因子构建思路**：市净率，衡量估值水平的风格因子[42]。 * **因子具体构建过程**：报告未给出具体计算公式。通常为股价除以每股净资产。 3. **因子名称**：PE_TTM因子[42] * **因子构建思路**：滚动市盈率，衡量估值水平的风格因子[42]。 * **因子具体构建过程**：报告未给出具体计算公式。通常为股价除以最近十二个月每股收益。 4. **因子名称**：反转因子[46] * **因子构建思路**：技术类因子，认为过去一段时间跌幅较大的股票未来可能反弹，涨幅较大的股票未来可能回调[46]。 * **因子具体构建过程**：报告未给出具体计算公式。通常基于过去一段时间的收益率构建。 5. **因子名称**：换手率因子[46] * **因子构建思路**：技术类因子，衡量股票交易活跃程度[46]。 * **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数。 6. **因子名称**：波动率因子[46] * **因子构建思路**：技术类因子，衡量股票价格波动风险[46]。 * **因子具体构建过程**：报告未给出具体计算公式。通常基于过去一段时间收益率的标准差计算。 7. **因子名称**：ROE因子[53] * **因子构建思路**：净资产收益率，衡量公司盈利能力的核心基本面因子[53]。 * **因子具体构建过程**：报告未给出具体计算公式。通常为净利润除以净资产。 8. **因子名称**：SUE因子[53] * **因子构建思路**：标准化未预期盈余，衡量盈利增长超预期程度的基本面因子[53]。 * **因子具体构建过程**：报告未给出具体计算公式。通常为（当期实际EPS - 预期EPS）除以历史盈余波动的标准差。 9. **因子名称**：预期净利润调整因子[53] * **因子构建思路**：基本面因子，反映分析师对公司未来净利润预期的调整方向（上调或下调）[53]。 * **因子具体构建过程**：报告未给出具体计算公式。 模型的回测效果 （数据时间范围：2025年以来，即2024年12月31日至2025年12月31日[9]） 1. 沪深300增强组合，绝对收益26.49%，超额收益8.82%，跟踪误差4.73%，最大相对回撤3.44%[9] 2. 中证500增强组合，绝对收益35.11%，超额收益4.72%，跟踪误差4.47%，最大相对回撤3.75%[9] 3. 中证1000增强组合，绝对收益32.16%，超额收益4.67%，跟踪误差4.84%，最大相对回撤5.42%[9] 4. 进取组合，绝对收益78.35%，超额收益47.97%，跟踪误差22.63%，最大相对回撤13.41%[9] 5. 平衡组合，绝对收益61.25%，超额收益30.87%，跟踪误差18.98%，最大相对回撤17.22%[9] 6. 绩优基金的独门重仓股组合，绝对收益54.47%，超额收益25.00%，跟踪误差22.48%，最大相对回撤14.64%[9] 7. 盈利、增长、现金流三者兼优组合，绝对收益91.84%，超额收益74.18%，跟踪误差18.23%，最大相对回撤11.55%[9] 8. PB-盈利优选组合，绝对收益23.80%，超额收益6.14%，跟踪误差12.62%，最大相对回撤14.55%[9] 9. GARP组合，绝对收益41.17%，超额收益23.51%，跟踪误差12.47%，最大相对回撤9.92%[9] 10. 小盘价值优选组合1，绝对收益51.07%，超额收益-30.58%，跟踪误差9.95%，最大相对回撤36.71%[9] 11. 小盘价值优选组合2，绝对收益60.33%，超额收益-21.31%，跟踪误差8.80%，最大相对回撤32.77%[9] 12. 小盘成长组合，绝对收益75.28%，超额收益-6.37%，跟踪误差12.35%，最大相对回撤28.00%[9] 因子的回测效果 （数据时间范围：2025年以来，即2024年12月31日至2025年12月31日[43][48][54]） 1. 市值因子，全市场多空收益45.24%，沪深300多空收益3.29%，中证500多空收益-6.19%，中证1000多空收益12.09%[43] 2. PB因子，全市场多空收益-12.78%，沪深300多空收益-33.06%，中证500多空收益-41.63%，中证1000多空收益-15.97%[43] 3. PE_TTM因子，全市场多空收益11.50%，沪深300多空收益-8.56%，中证500多空收益-23.58%，中证1000多空收益-9.82%[43] 4. 反转因子，全市场多空收益5.47%，沪深300多空收益-51.31%，中证500多空收益-8.74%，中证1000多空收益-1.28%[48] 5. 换手率因子，全市场多空收益31.00%，沪深300多空收益-49.68%，中证500多空收益-31.71%，中证1000多空收益-0.37%[48] 6. 波动率因子，全市场多空收益7.82%，沪深300多空收益-45.34%，中证500多空收益-33.22%，中证1000多空收益-9.32%[48] 7. ROE因子，全市场多空收益2.82%，沪深300多空收益38.99%，中证500多空收益-5.83%，中证1000多空收益-10.07%[54] 8. SUE因子，全市场多空收益24.62%，沪深300多空收益64.12%，中证500多空收益18.09%，中证1000多空收益23.50%[54] 9. 预期净利润调整因子，全市场多空收益17.09%，沪深300多空收益24.10%，中证500多空收益19.11%，中证1000多空收益-2.85%[54]

量化模型与构建方式 1. **模型名称：量化大势研判行业配置策略**[1][6] * **模型构建思路**：该模型是一个自下而上的风格轮动与行业配置框架。其核心思想是，风格是资产的内在属性，通过全局比较不同风格资产的优势，可以判断未来市场的主流风格，并据此选择最具优势的细分行业进行配置[1][6]。 * **模型具体构建过程**： 1. **风格定义与分类**：根据产业生命周期理论，将股票资产划分为五种风格阶段：外延成长、质量成长、质量红利、价值红利、破产价值[6]。 2. **资产比较框架**：建立“主流资产”与“次级资产”的比较优先级。主流资产包括实际增速资产（g）、预期增速资产（gf）、盈利资产（ROE），三者中只要有一个具备优势，市场资金就会主要配置。只有当主流资产均无机会时，市场才会转向次级资产（质量红利、价值红利、破产价值），次级资产的优先级由拥挤度等因素决定[10]。 3. **优势判断逻辑**： * 对于**预期成长（gf）**，主要看分析师预期增速的高低[7]。 * 对于**实际成长（g）**，主要看业绩动量（Δg）的高低，适用于转型期和成长期[7]。 * 对于**盈利能力（ROE）**，主要看PB-ROE框架下的估值水平高低，适用于成熟期[7]。 * 对于**质量红利**，核心看股息率（DP）和盈利能力（ROE）的综合打分[45]。 * 对于**价值红利**，核心看股息率（DP）和市净率（BP）的综合打分[48]。 * 对于**破产价值**，核心看市净率（PB）和规模（SIZE）的综合打分，选取打分最低的[52]。 4. **优势差计算**：采用类似于因子择时中的Spread方法，计算各风格头部资产的优势差（如Δgf, Δg, ΔROE），用以刻画头部资产的趋势变化。优势差扩张表明该风格资产趋势转好[23]。 5. **行业选择与配置**：以中信二三级行业（整理合并后为202个）为标的，每月根据上述框架判断占优风格，并在该风格下选取排名靠前的细分行业（每期每个策略选5个行业）进行等权重配置[17]。 2. **因子名称：预期净利润增速（gf）**[7][25] * **因子构建思路**：基于分析师对未来盈利的一致预期，衡量资产的预期成长性[7]。 * **因子具体构建过程**：使用行业的预期净利润增速（g_fttm）作为因子值。通过计算该因子值的优势差（Δgf）来观察预期成长风格的趋势变化[25]。 3. **因子名称：净利润增速（g）**[7][28] * **因子构建思路**：基于历史财务数据，衡量资产的实际成长性[7]。 * **因子具体构建过程**：使用行业的净利润增速（g_ttm）作为因子值。通过计算该因子值的优势差（Δg）来观察实际成长风格的趋势变化[28]。 4. **因子名称：盈利能力（ROE）**[7][31] * **因子构建思路**：衡量资产的盈利能力和资本运用效率[7]。 * **因子具体构建过程**：使用行业的净资产收益率（ROE）作为因子值。通过计算该因子值的优势差（ΔROE）来观察盈利能力风格的趋势变化[31]。 5. **因子名称：股息率（DP）**[35][45][48] * **因子构建思路**：衡量资产的现金分红回报率，是高股息策略的核心[7]。 * **因子具体构建过程**：使用行业的股息率（DP）作为因子值。报告中也通过观察DP资产的拥挤度变化来判断高股息策略的配置时机[35]。 6. **因子名称：市净率（PB/BP）**[42][48][52] * **因子构建思路**：衡量资产价格相对于其净资产的估值水平[42][48][52]。 * **因子具体构建过程**：在盈利能力策略中，使用PB-ROE回归残差作为估值因子[42]。在价值红利策略中，直接使用市净率（BP）作为打分因子之一[48]。在破产价值策略中，使用市净率（PB）作为打分因子之一[52]。 7. **因子名称：规模（SIZE）**[52] * **因子构建思路**：衡量公司的市值大小，在破产价值策略中通常与小市值特征相关联[52]。 * **因子具体构建过程**：在破产价值策略中，使用规模（SIZE）作为打分因子之一，通常选取打分最低（即市值较小）的行业[52]。 8. **因子名称：超预期因子（sue, sur, jor）**[39] * **因子构建思路**：衡量公司业绩超出市场预期的程度，是实际成长策略的核心[39]。 * **因子具体构建过程**：在实际成长策略中，具体采用行业的标准化未预期盈余（sue）、盈余惊喜（sur）和业绩超预期（jor）等因子来筛选行业[39]。 9. **因子名称：PB-ROE回归残差**[42] * **因子构建思路**：在PB-ROE估值框架下，寻找盈利能力（ROE）较高但估值（PB）相对较低的资产，即“性价比”高的资产[42]。 * **因子具体构建过程**：对行业进行PB对ROE的横截面回归，取回归残差作为因子值。残差为负表示相对于其ROE水平，该行业的PB估值较低[42]。 模型的回测效果 1. **量化大势研判行业配置策略**，年化收益27.45%（2009年以来）[17]，2009年超额收益51%[20]，2010年超额收益14%[20]，2011年超额收益-11%[20]，2012年超额收益0%[20]，2013年超额收益36%[20]，2014年超额收益-4%[20]，2015年超额收益16%[20]，2016年超额收益-1%[20]，2017年超额收益27%[20]，2018年超额收益7%[20]，2019年超额收益8%[20]，2020年超额收益44%[20]，2021年超额收益38%[20]，2022年超额收益62%[20]，2023年超额收益10%[20]，2024年超额收益52%[20]，2025年超额收益14%[20] 因子的回测效果 *注：报告中未提供各因子的独立回测指标（如IC、IR等），而是展示了基于各因子构建的六类策略的历史表现概览。因此，此处总结各策略的整体表现特征。* 1. **预期成长策略**，在2019年以来以及2014-2015年期间超额收益显著[37] 2. **实际成长策略**，长期超额收益较为显著，在成长风格占优环境下表现尤佳[39] 3. **盈利能力策略**，在2016年-2020年期间超额收益较为显著，2021年以来持续较弱[42] 4. **质量红利策略**，在2016年、2017年、2023年超额收益较为显著[45] 5. **价值红利策略**，在2009年、2017年、2021-2023年超额收益较为显著[48] 6. **破产价值策略**，在2015-2016年、2021-2023年超额收益较为显著[52]

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**：通过分析上证综指在不同时间尺度（如日线、周线）上的价格走势，识别其边际变化和趋势结构，以判断市场状态[15]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建步骤和数学公式，仅展示了其应用结果。从图表描述来看，该模型可能涉及对指数价格序列进行多周期分析，并计算类似移动平均线（如dea）等技术指标来划分价格阶段[18]。 2. **模型名称：微观市场结构择时模型**[8][16] * **模型构建思路**：通过构建“知情交易者活跃度”指标，监测市场中掌握信息优势的交易者的行为变化，以此作为市场情绪和未来走势的择时信号[16]。 * **模型具体构建过程**：报告未详细披露“知情交易者活跃度”指标的具体计算方法和构建公式。其构建思路是基于市场微观结构理论，从交易数据中提取能够反映知情交易行为的特征[16]。 3. **模型名称：分析师行业景气预期监测模型**[8][20] * **模型构建思路**：通过跟踪和分析师对申万各一级行业的财务预测（如ROE、净利润增速）的一致预期及其变化，来监测各行业的景气度变动趋势[20]。 * **模型具体构建过程**：具体构建过程未详细说明。模型核心是计算两个关键指标： 1. 一致预期ROE（滚动未来12个月）的环比变化。 2. 一致预期净利润（滚动未来12个月）增速的环比变化。 通过计算这些指标在“本周”相对于前一周的变化百分比，来评估行业景气预期的边际改善或恶化[21]。 4. **模型名称：融资融券资金流向监测模型**[8][22] * **模型构建思路**：通过统计各行业融资净买入与融券净卖出的差额，监测杠杆资金在行业间的流向和偏好，以此作为观察市场资金面和行业热度的指标[22]。 * **模型具体构建过程**：对于每个申万一级行业，计算指定周期（本周）内的净买入额。公式为： $$期间净买入额 = 融资净买入额 - 融券净卖出额$$ 其中，融资净买入额代表看多资金的流入，融券净卖出额代表看空资金的流出。两者的差额反映了杠杆资金对该行业的净流入（正值）或净流出（负值）情况[22][24]。 量化因子与构建方式 1. **因子名称：BARRA风格因子（系列）**[25] * **因子构建思路**：采用经典的BARRA风险模型框架，从市值、估值、盈利、成长、交易行为等多个维度构建一系列风格因子，用以解析市场收益的来源和风格偏好[25]。 * **因子具体构建过程**：报告未详细列出每个BARRA风格因子的具体计算公式。文中提及的因子包括： * **基本面类因子**：如价值因子、成长因子、盈利因子。 * **交易相关因子**：如换手率因子、短期动量因子、贝塔系数因子。 * **市值类因子**：如市值因子、非线性市值因子。 这些因子通常通过对股票的基础特征（如市盈率、市净率、净利润增长率、换手率、历史收益率、总市值等）进行标准化、中性化等处理得到[25]。 模型与因子的回测效果 **注**：本报告主要为市场监测与观点阐述，未提供量化模型或因子在历史回溯测试中的具体绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。报告中对模型或因子效果的描述均为定性评价[25]。 1. **价格分段体系**：模型结果显示，上证综指在元旦节前（2025年12月29日至31日）日线级别维持边际上行，周线级别基本与日线重合[15]。 2. **微观市场结构择时模型**：模型结果显示，本周（报告期）知情交易者活跃度指标高位小幅回落，但仍保持零上高位，知情交易者对后市态度较为乐观[16]。 3. **分析师行业景气预期监测模型**：模型结果显示，本周房地产、通信、社会服务行业的ROE预期环比增长靠前；农林牧渔、房地产、环保等行业净利润增速预期环比增长靠前，其中农林牧渔行业净利润增速预期环比上涨约一倍[20][21]。 4. **融资融券资金流向监测模型**：模型结果显示，本周国防军工、机械设备、公用事业行业获得两融资金较高净流入，其中国防军工净流入44.0亿元；非银金融、电子、医药生物等行业出现较高净流出[22][24]。 5. **BARRA风格因子**：因子收益监测结果显示，本周（报告期）成长因子表现优于价值因子，盈利类因子普遍回撤。高换手率、短期动量强、贝塔系数高的个股提供正向超额收益。市值因子与非市值因子均有正超额，且非市值因子优势更明显，显示中盘风格相对占优[25]。

量化模型与构建方式 1. **模型名称：港股精选组合模型**[15] * **模型构建思路**：该模型旨在对分析师推荐股票池进行基本面和技术面的双层优选，挑选出同时具备基本面支撑和技术面共振的超预期股票，构建港股精选股票组合[15][17]。 * **模型具体构建过程**： 1. **构建分析师推荐股票池**：以分析师上调盈利预测、分析师首次关注、分析师研报标题超预期事件作为分析师推荐事件，构建初始股票池[17]。 2. **双层筛选**：对分析师推荐股票池中的股票进行基本面和技术面两个维度的精选[15][17]。 * **模型评价**：该模型在港股市场回测区间（20100101-20250630）内表现优异，年化收益和超额收益显著[17]。 2. **因子名称：250日新高距离**[23] * **因子构建思路**：该因子用于量化股票价格接近其历史最高价的程度，数值越小表示越接近新高，常用于捕捉动量效应和趋势[21][23]。 * **因子具体构建过程**：计算最新收盘价与过去250个交易日最高收盘价的相对距离。 * **公式**：$$250日新高距离 = 1 - \frac{Close_t}{ts\_max(Close, 250)}$$ * **公式说明**：其中，$Close_t$为最新收盘价，$ts\_max(Close, 250)$为过去250个交易日收盘价的最大值。若最新收盘价创出新高，则因子值为0；若最新收盘价较新高回落，则因子值为正，表示回落幅度[23]。 3. **模型名称：平稳创新高股票筛选模型**[23][24] * **模型构建思路**：该模型旨在从近期创出新高的股票中，进一步筛选出分析师关注度高、股价走势相对强劲且路径平稳的股票，以捕捉更高质量的趋势机会[3][23]。 * **模型具体构建过程**：在过去20个交易日创出过250日新高的股票池中，按以下步骤进行筛选[23]： 1. **样本池**：全部港股，剔除成立时间不超过15个月的股票[24]。 2. **分析师关注度筛选**：过去6个月买入或增持评级的分析师研报不少于5份[24]。 3. **股价相对强弱筛选**：过去250日涨跌幅位于样本池前20%[24]。 4. **股价平稳性筛选**：在满足上述条件的股票池内，使用以下两个指标综合打分，取排名在前50%的股票（最少取50只）[24]： * **价格路径平滑性**：股价位移路程比。计算公式为：$$\text{股价位移路程比} = \frac{\text{过去120日涨跌幅绝对值}}{\text{过去120日日涨跌幅绝对值加总}}$$[23] * **创新高持续性**：过去120日的250日新高距离在时间序列上的均值[24]。 5. **趋势延续性筛选**：对经过上述筛选的股票，计算其过去5日的250日新高距离在时间序列上的均值，并取排序靠前的50只股票作为最终组合[24]。 模型的回测效果 1. **港股精选组合模型**[20] * 全样本（2010-2025）年化收益：19.08%[20] * 全样本（2010-2025）年化超额收益（相对恒生指数）：18.06%[20] * 全样本（2010-2025）信息比率（IR）：1.19[20] * 全样本（2010-2025）跟踪误差：14.60%[20] * 全样本（2010-2025）最大回撤：23.73%[20] * 全样本（2010-2025）收益回撤比：0.76[20] * 2025年绝对收益：53.23%[18][20] * 2025年超额收益（相对恒生指数）：25.46%[18][20] * 2025年信息比率（IR）：1.19[20] * 2025年跟踪误差：16.65%[20] * 2025年最大回撤：13.06%[20] * 2025年收益回撤比：1.95[20]