根据提供的研报内容，经过全面梳理，总结如下： 量化模型与构建方式 本报告未详细阐述具体的量化模型或量化因子的构建思路、过程及公式。 模型的回测效果 本报告未提供具体量化模型的回测效果指标取值。 量化因子与构建方式 1. **因子名称**：沪深300质量指数（作为兴证全球沪深300质量ETF的跟踪标的）[11] * **因子的构建思路**：该指数旨在从沪深300指数样本股中，筛选出在盈利能力、盈利稳定性与盈利质量等维度表现较好的公司[11] * **因子具体构建过程**：报告指出，该指数从沪深300样本空间中优选50只股票，具体筛选标准涉及盈利能力、盈利稳定性与盈利质量等多个维度，但未提供详细的因子计算公式和构建步骤[11] 因子的回测效果 本报告未提供沪深300质量指数或其底层因子的具体回测效果指标（如IC值、IR等）[11]

根据研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 1. **模型名称：A股仓位择时策略**[13][14] * **模型构建思路**：该模型旨在对沪深300ETF进行多头仓位择时，通过特定的信号判断何时持有或调整仓位[13][14] * **模型具体构建过程**：报告展示了策略的历史净值曲线，并与沪深300指数的持有收益进行对比，但未详细说明其具体的信号生成逻辑和构建步骤[13][14] 2. **模型名称：A股多空择时策略**[16] * **模型构建思路**：该模型针对沪深300股指期货，进行多空双向的择时交易，旨在获取超越单纯持有的收益[16] * **模型具体构建过程**：报告展示了策略净值与基准的对比图，但未详细阐述其多空信号的具体生成方法和模型构建过程[16] 3. **模型名称：港股仓位择时策略**[15] * **模型构建思路**：该模型对港股市场进行仓位择时，以优化投资组合在港股市场的风险暴露[15] * **模型具体构建过程**：报告提及了该策略，但未提供其具体的构建过程和信号规则[15] 4. **模型名称：A股小微盘择时策略**[17][18] * **模型构建思路**：该模型专注于A股市场中小市值股票的择时策略[17][18] * **模型具体构建过程**：报告展示了该策略的图表，但未详细说明其针对小微盘股的具体择时方法[17][18] 5. **模型名称：A股红利成长择时策略**[21] * **模型构建思路**：该模型旨在在A股市场的红利风格和成长风格之间进行轮动择时[21] * **模型具体构建过程**：报告展示了策略表现图表，但未详细解释其如何定义和切换红利与成长风格的具体构建流程[21] 6. **模型名称：美股择时策略**[19][23] * **模型构建思路**：该模型对美股市场进行择时，并可能涉及杠杆ETF的使用，策略信号包括做多、做空和持仓[19][23] * **模型具体构建过程**：报告图表显示了“美股2倍开多信号”、“美股做空（空仓）信号”和“美股持仓（反弹）信号”，但未阐明这些信号的具体生成模型和规则[19][23] 7. **模型名称：黄金择时策略**[24][26] * **模型构建思路**：该模型为黄金资产提供择时交易信号[24][26] * **模型具体构建过程**：报告提及了该策略，但未提供其具体的模型构建细节[24][26] 8. **模型名称：ETF组合策略-偏股型**[27] * **模型构建思路**：该模型构建一个偏股型的ETF投资组合[27] * **模型具体构建过程**：报告展示了策略净值，但未说明其ETF选择、权重配置等具体组合构建方法[27] 9. **模型名称：ETF组合策略-偏债型**[29][31] * **模型构建思路**：该模型构建一个偏债型的ETF投资组合[29][31] * **模型具体构建过程**：报告展示了策略净值，但未详细描述其债券ETF的选择和组合管理过程[29][31] 模型的回测效果 报告中的图表展示了各策略的历史净值曲线，并与相应基准进行了对比，但未提供具体的量化指标取值（如年化收益率、夏普比率、最大回撤等）[13][14][16][17][18][21][23][24][26][27][29][31] 量化因子与构建方式 报告中未明确提及或详细描述具体的量化因子构建内容。 因子的回测效果 报告中未提供量化因子的测试结果。

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 1. **因子名称**：PB估值分化度[12] * **因子构建思路**：通过计算截面市净率（PB）的离散程度来衡量市场观点的分歧度，分歧度高时看多市场，反之则需谨慎[12] * **因子具体构建过程**：计算全市场股票的PB中位数（median）以及平均绝对偏差（mad），最终的因子值为mad与median的比值。公式为： $$ \text{PB估值分化度} = \frac{\text{mad}(PB)}{\text{median}(PB)} $$ 当该因子上行时，表明市场观点分歧大，可看多市场；下行时则需谨慎[12] 2. **因子名称**：主题投资交易情绪[13] * **因子构建思路**：通过统计每日涨幅显著的行业数量占比，来逆向衡量市场情绪的集中度与观点分化程度，情绪集中（分化度低）时看空，情绪分散（分化度高）时看多[13] * **因子具体构建过程**：首先，计算当日涨幅超过5%的申万三级行业的数量（Unique Count）。然后，计算该数量占所有申万三级行业总数量的比例。最后，用1减去该比例，得到主题投资交易情绪因子。公式为： $$ \text{主题投资交易情绪} = 1 - \frac{\text{当日涨幅} > 5\% \text{的申万三级行业数量}}{\text{申万三级行业总数量}} $$ 信号构建上，当该因子上行时，表明市场观点分化度下降，需谨慎；下行时，表明观点分化度上行，可看多[13] 因子的回测效果 1. **PB估值分化度因子**，年化收益21.07%[15]，年化超额收益率15.82%[15]，最大回撤34.24%[15]，夏普比率1.0212[15]，收益回撤比0.6154[15]，年化信息比率(IR)0.8186[15]，平均换手间隔（交易日）9[15]，胜率（按交易）56.93%[15]，择时赔率（按交易）1.4422[15] 2. **主题投资交易情绪因子**，年化收益17.21%[15]，年化超额收益率11.96%[15]，最大回撤43.73%[15]，夏普比率0.8585[15]，收益回撤比0.3936[15]，年化信息比率(IR)0.6079[15]，平均换手间隔（交易日）10[15]，胜率（按交易）50.53%[15]，择时赔率（按交易）1.7791[15] 量化模型与构建方式 1. **模型名称**：短期量化择时模型[16][17][18][19] * **模型构建思路**：从宏观基本面、估值面、情绪面、流动性四个维度选取多个指标，通过各指标在历史分位上的表现综合判断，生成看多或看空的择时信号[16][17][18][20] * **模型具体构建过程**： * **基本面**：综合制造业PMI（>50为乐观）、信贷脉冲环比变化分位数（高分位数乐观）、M1同比增速（HP滤波去趋势）分位数（高分位数乐观）三个二级指标的信号，得出基本面总信号[16] * **估值面**：综合A股整体PE分位数（高分位数谨慎）、A股整体PB分位数（高分位数谨慎）两个二级指标的信号，得出估值面总信号[17] * **情绪面**：综合A股整体Beta离散度分位数（高分位数谨慎）、A股整体量能情绪分位数（高分位数乐观）、A股整体波动率分位数（中性）三个二级指标的信号，得出情绪面总信号[17] * **流动性**：综合货币利率指标分位数（低分位数乐观）、汇率预期指标分位数（低分位数乐观）、沪深净融资额5日均值分位数（高分位数谨慎）三个二级指标的信号，得出流动性总信号[18] * 最终的总仓位信号由上述四个维度的总信号综合判断得出[20] 2. **模型名称**：成长价值风格轮动模型[25][26] * **模型构建思路**：从基本面、估值面、情绪面三个维度选取特定指标，判断当前环境下应超配成长风格还是价值风格[25] * **模型具体构建过程**： * **基本面**：综合盈利斜率周期水平（斜率大利好成长）、利率综合周期水平（水平高利好价值）、信贷综合周期变化（走强利好成长）三个二级指标的信号，得出基本面总信号（例如，超配成长或价值）[25] * **估值面**：综合成长价值PE差分位数（低分位数利好成长）、成长价值PB差分位数（低分位数利好成长）两个二级指标的信号，得出估值面总信号[25] * **情绪面**：综合成长价值换手差分位数（低分位数利好价值）、成长价值波动差分位数（高分位数利好均衡）两个二级指标的信号，得出情绪面总信号[25] * 最终结合三个维度的总信号，给出超配成长或超配价值的建议[25] 3. **模型名称**：小盘大盘风格轮动模型[29][30] * **模型构建思路**：基于11个有效指标构建综合信号，判断应超配小盘风格还是大盘风格[29][30] * **模型具体构建过程**：报告提及该模型基于11个指标构建，但未详细列出所有指标的具体构建公式。明确提到的指标包括：主题投资交易情绪[30]、Beta离散度[30]、R007[30]、PB分化度[30]等。模型通过综合这些指标的信号（例如，指标利空小盘或利好大盘），最终生成看多小盘或看多大盘的综合信号[29][30] 模型的回测效果 1. **短期量化择时模型**，年化收益率17.13%[19]，年化波动率14.84%[19]，最大回撤15.49%[19]，夏普比率1.0052[19]，收益回撤比1.1057[19]，月度胜率66.23%[19]，季度胜率61.54%[19]，年度胜率78.57%[19] * **2024年以来表现**：年化收益率34.75%[23]，年化波动率16.88%[23]，最大回撤11.04%[23]，夏普比率1.7345[23]，收益回撤比3.1478[23]，月度胜率77.27%[23] 2. **成长价值风格轮动模型**，年化收益率13.41%[26]，年化波动率20.79%[28]，最大回撤43.07%[28]，夏普比率0.6136[28]，收益回撤比0.3112[28]，月度胜率58.82%[28] * **2025年以来表现**：策略收益率32.00%[26]，基准收益率21.89%[26]，超额收益率10.11%[26] 3. **小盘大盘风格轮动模型**，综合信号年化收益20.49%[33]，年化超额收益率13.34%[33]，最大回撤40.70%[33]，平均换手间隔（交易日）21[33]，胜率（按交易）50.65%[33] * **2025年以来表现**：超额收益率6.60%[30]

经过仔细阅读研报内容，发现该报告主要侧重于市场行情回顾、技术走势分析和行业轮动观察，并未涉及具体的量化模型或量化因子的构建、测试及评价过程[7][10][13][36][45]。报告内容以描述性分析和统计展示为主，不包含模型或因子构建的公式、步骤及回测指标[8][11][47][49]。 因此，根据任务要求，本次总结无相关量化模型或因子内容可进行提取和展示。

根据提供的金融工程市场跟踪周报内容，以下是总结的量化模型与因子详情： 量化模型与构建方式 1. 量能择时模型 - **模型名称**：量能择时模型 - **模型构建思路**：通过分析市场交易量能变化来判断市场趋势和情绪，为宽基指数提供择时信号[23] - **模型具体构建过程**：基于主要宽基指数（上证指数、上证50、沪深300等）的量能指标进行计算和信号生成，具体方法未在报告中详细披露，但涉及对交易量数据的监测和阈值判断[23] 2. 沪深300上涨家数占比情绪指标 - **因子名称**：沪深300上涨家数占比 - **因子构建思路**：通过计算指数成分股中近期收益为正的股票数量占比，来捕捉市场情绪和行情拐点[24] - **因子具体构建过程**： 计算沪深300指数成分股过去N日收益大于0的个股数占比，公式为： $$ \text{上涨家数占比} = \frac{\text{过去N日收益大于0的个股数}}{\text{沪深300成分股总数}} $$ 其中N为参数，报告中未明确具体取值[24] 3. 动量情绪指标（基于上涨家数占比） - **模型名称**：动量情绪指标择时策略 - **模型构建思路**：通过对上涨家数占比指标进行不同窗口期的移动平均，捕捉情绪变动趋势并生成交易信号[28] - **模型具体构建过程**： 对沪深300上涨家数占比序列进行两次平滑计算： - 快线 = 移动平均(上涨家数占比, N2) - 慢线 = 移动平均(上涨家数占比, N1) 其中N1=230（长期窗口），N2=35（短期窗口），N=50（计算上涨家数占比的窗口）[28] 交易规则：当快线 > 慢线时，看多市场；当快线 < 慢线时，对市场持中性态度[28] 4. 均线情绪指标 - **模型名称**：八均线情绪指标 - **模型构建思路**：通过判断价格与多条移动平均线的位置关系来评估市场趋势状态和情绪[31] - **模型具体构建过程**： 1. 计算沪深300收盘价的8条移动平均线，参数分别为：8, 13, 21, 34, 55, 89, 144, 233[31] 2. 统计当日收盘价大于各均线值的数量[32] 3. 信号生成规则：当超过5条均线被价格突破时，看多沪深300指数[32] 5. 横截面波动率因子 - **因子名称**：横截面波动率 - **因子构建思路**：通过计算指数成分股收益率的截面标准差，来衡量市场分化程度和Alpha环境[36] - **因子具体构建过程**： 对于每个宽基指数（沪深300、中证500、中证1000），每日计算成分股收益率的横截面标准差： $$ \sigma_{cross} = \sqrt{\frac{1}{N-1} \sum_{i=1}^{N} (r_i - \bar{r})^2} $$ 其中$r_i$为个股收益率，$\bar{r}$为成分股平均收益率，N为成分股数量[36] 6. 时间序列波动率因子 - **因子名称**：时间序列波动率 - **因子构建思路**：通过计算指数成分股加权时间序列波动率，评估市场波动环境和Alpha机会[38] - **因子具体构建过程**： 计算各宽基指数成分股的加权时间序列波动率，具体方法未详细披露，但涉及对个股收益率时间序列的标准差计算和市值加权[38] 7. 基金抱团分离度指标 - **因子名称**：基金抱团分离度 - **因子构建思路**：通过计算抱团基金截面收益的标准差来衡量基金抱团程度，标准差小表示抱团程度高[84] - **因子具体构建过程**： 构建抱团基金组合，计算该组合截面收益率的标准差： $$ \text{分离度} = \sqrt{\frac{1}{M-1} \sum_{j=1}^{M} (R_j - \bar{R})^2} $$ 其中$R_j$为单只抱团基金收益率，$\bar{R}$为抱团基金平均收益率，M为抱团基金数量[84] 模型的回测效果 量能择时模型 - 上证指数：看空信号[24] - 上证50：看空信号[24] - 沪深300：看空信号[24] - 中证500：看空信号[24] - 中证1000：看空信号[24] - 创业板指：看空信号[24] - 北证50：看空信号[24] 动量情绪指标 - 快线开始拐头向下、慢线向上，快线位于慢线之上，预计维持乐观态度[28] 均线情绪指标 - 短期内沪深300指数处于情绪景气区间[34] 因子的回测效果 横截面波动率因子 - 沪深300近一季度平均值：2.04%，占近两年分位：73.50%[38] - 中证500近一季度平均值：2.19%，占近两年分位：67.46%[38] - 中证1000近一季度平均值：2.40%，占近两年分位：66.14%[38] 时间序列波动率因子 - 沪深300近一季度平均值：0.63%，占近两年分位：61.70%[41] - 中证500近一季度平均值：0.45%，占近两年分位：74.60%[41] - 中证1000近一季度平均值：0.24%，占近两年分位：59.76%[41] 基金抱团分离度指标 - 基金抱团分离度环比上周下降[84] - 最近一周抱团股和抱团基金超额收益小幅上升[84]

根据研报内容，以下是关于量化因子和模型的总结： 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：基于股票日内高频收益的分布特征构建，捕捉收益分布的非对称性[13] - 因子具体构建过程：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] **2 因子名称：日内下行波动占比因子** - 因子构建思路：通过分解已实现波动，衡量下行波动在总波动中的占比[18] - 因子具体构建过程：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：基于开盘后的交易行为数据，衡量买入意愿的强度[22] - 因子具体构建过程：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》[22] **4 因子名称：开盘后买入意愿强度因子** - 因子构建思路：进一步量化开盘后买入意愿的强度水平[26] - 因子具体构建过程：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》[26] **5 因子名称：开盘后大单净买入占比因子** - 因子构建思路：分析开盘后大单净买入在总交易中的占比[30] **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的强度水平[35] **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优化[40] **8 因子名称：尾盘成交占比因子** - 因子构建思路：分析尾盘成交在当日总成交中的占比[45] **9 因子名称：平均单笔流出金额占比因子** - 因子构建思路：衡量平均单笔流出金额的相对占比[51] **10 因子名称：大单推动涨幅因子** - 因子构建思路：分析大单交易对股价涨幅的推动作用[56] **11 因子名称：改进GRU(50,2)+NN(10)因子** - 因子构建思路：基于门控循环单元(GRU)和神经网络(NN)的深度学习模型[61] **12 因子名称：残差注意力LSTM(48,2)+NN(10)因子** - 因子构建思路：结合残差注意力机制的长短期记忆网络(LSTM)模型[62] **13 因子名称：多颗粒度模型-5日标签因子** - 因子构建思路：基于多时间颗粒度数据，使用5日收益标签训练[67] - 因子具体构建过程：因子基于双向AGRU训练得到[67] **14 因子名称：多颗粒度模型-10日标签因子** - 因子构建思路：基于多时间颗粒度数据，使用10日收益标签训练[68] - 因子具体构建过程：因子基于双向AGRU训练得到[68] 量化模型与构建方式 **1 模型名称：中证500 AI增强宽约束组合** - 模型构建思路：基于深度学习因子构建指数增强组合，采用相对宽松的约束条件[72] - 模型具体构建过程：优化目标为最大化预期收益，目标函数为$$max\sum\mu_{i}w_{i}$$，其中$w_i$为股票权重，$\mu_i$为预期超额收益[73] **2 模型名称：中证500 AI增强严约束组合** - 模型构建思路：基于深度学习因子构建指数增强组合，采用严格的约束条件[72] **3 模型名称：中证1000 AI增强宽约束组合** - 模型构建思路：基于深度学习因子构建指数增强组合，采用相对宽松的约束条件[72] **4 模型名称：中证1000 AI增强严约束组合** - 模型构建思路：基于深度学习因子构建指数增强组合，采用严格的约束条件[72] 因子的回测效果 **1 日内高频偏度因子**：历史IC 0.027，2025年IC 0.042，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.329，9月多空收益3.82%，2025YTD多空收益16.22%，2025年月胜率6/9，9月多头超额1.74%，2025YTD多头超额5.14%[9] **2 日内下行波动占比因子**：历史IC 0.025，2025年IC 0.036，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.326，9月多空收益2.86%，2025YTD多空收益13.58%，2025年月胜率7/9，9月多头超额0.55%，2025YTD多头超额1.41%[9] **3 开盘后买入意愿占比因子**：历史IC 0.032，2025年IC 0.030，历史e^(-rank mae) 0.322，2025年e^(-rank mae) 0.324，9月多空收益0.68%，2025YTD多空收益10.39%，2025年月胜率6/9，9月多头超额0.54%，2025YTD多头超额4.07%[9] **4 开盘后买入意愿强度因子**：历史IC 0.035，2025年IC 0.030，历史e^(-rank mae) 0.326，2025年e^(-rank mae) 0.329，9月多空收益0.65%，2025YTD多空收益11.29%，2025年月胜率7/9，9月多头超额0.60%，2025YTD多头超额4.52%[9] **5 开盘后大单净买入占比因子**：历史IC 0.041，2025年IC 0.035，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.324，9月多空收益1.49%，2025YTD多空收益15.60%，2025年月胜率8/9，9月多头超额0.35%，2025YTD多头超额7.93%[9] **6 开盘后大单净买入强度因子**：历史IC 0.033，2025年IC 0.028，历史e^(-rank mae) 0.323，2025年e^(-rank mae) 0.322，9月多空收益0.88%，2025YTD多空收益11.30%，2025年月胜率8/9，9月多头超额0.80%，2025YTD多头超额6.14%[9] **7 改进反转因子**：历史IC 0.032，2025年IC 0.016，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.331，9月多空收益-0.81%，2025YTD多空收益4.07%，2025年月胜率5/9，9月多头超额-0.63%，2025YTD多头超额3.61%[9] **8 尾盘成交占比因子**：历史IC 0.049，2025年IC 0.030，历史e^(-rank mae) 0.332，2025年e^(-rank mae) 0.323，9月多空收益2.13%，2025YTD多空收益14.11%，2025年月胜率7/9，9月多头超额0.58%，2025YTD多头超额6.10%[9] **9 平均单笔流出金额占比因子**：历史IC 0.020，2025年IC 0.009，历史e^(-rank mae) 0.317，2025年e^(-rank mae) 0.318，9月多空收益-0.48%，2025YTD多空收益3.59%，2025年月胜率5/9，9月多头超额0.80%，2025YTD多头超额3.67%[9] **10 大单推动涨幅因子**：历史IC 0.016，2025年IC 0.010，历史e^(-rank mae) 0.322，2025年e^(-rank mae) 0.327，9月多空收益2.23%，2025YTD多空收益7.36%，2025年月胜率7/9，9月多头超额1.19%，2025YTD多头超额3.34%[9] 模型的回测效果 **1 中证500 AI增强宽约束组合**：上周超额收益-1.36%，9月超额收益-3.85%，2025YTD超额收益0.94%，2025年周胜率23/39[13] **2 中证500 AI增强严约束组合**：上周超额收益-1.35%，9月超额收益-1.33%，2025YTD超额收益3.70%，2025年周胜率24/39[13] **3 中证1000 AI增强宽约束组合**：上周超额收益0.40%，9月超额收益0.42%，2025YTD超额收益9.15%，2025年周胜率26/39[13] **4 中证1000 AI增强严约束组合**：上周超额收益-0.19%，9月超额收益0.67%，2025YTD超额收益14.01%，2025年周胜率25/39[13]

根据提供的金融工程周报，以下是报告中涉及的量化模型和因子的总结： 量化模型与构建方式 1. 流动性冲击指标 **模型构建思路**：通过计算当前市场流动性相对于历史水平的偏离程度，来评估市场流动性状况[2] **模型具体构建过程**：基于沪深300指数构建，计算当前流动性相对于过去一年平均水平的标准化偏差[2] **模型评价**：该指标越高表明市场流动性越好，高于历史平均水平[2] 2. PUT-CALL比率模型 **模型构建思路**：通过上证50ETF期权成交量中认沽期权与认购期权的比率来反映市场情绪[2] **模型具体构建过程**：计算认沽期权成交量与认购期权成交量的比值[2] **模型评价**：比率下降表明投资者对短期走势的谨慎程度降低[2] 3. 换手率指标模型 **模型构建思路**：使用五日平均换手率来度量市场交易活跃度[2] **模型具体构建过程**：分别计算上证综指和Wind全A的五日平均换手率，并与历史分位点进行比较[2] **模型评价**：换手率分位点较高时表明交易活跃度相对历史水平有所下降[2] 4. SAR指标模型 **模型构建思路**：抛物线转向指标，用于识别市场趋势的转折点[10] **模型具体构建过程**：Wind全A指数于9月11日向上突破翻转指标，产生买入信号[10][12] **模型评价**：该指标继续维持正向信号，表明趋势向好[10] 5. 均线强弱指数模型 **模型构建思路**：通过Wind二级行业指数计算市场整体技术面强弱程度[10] **模型具体构建过程**：基于均线系统构建综合得分，当前市场得分为150，处于2023年以来的53.3%分位点[10][16] **模型评价**：指数下降至近50%分位点，出现震荡趋势[10] 6. 情绪择时模型 **模型构建思路**：基于涨跌停板相关因子构建的情绪择时指标[10] **模型具体构建过程**：包含趋势模型和加权模型两个子模型，当前情绪模型得分为1分（满分5分）[10][13] **模型评价**：情绪模型较上周有所降低，趋势模型信号为正向，加权模型信号为负向[10] 7. 情绪因子细分模型 **模型构建思路**：通过多个细分情绪因子综合刻画市场情绪强弱[14] **模型具体构建过程**：包含净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益等五个细分因子[14] **模型具体构建过程**：各因子信号分别为：净涨停占比0、跌停次日收益0、涨停板占比0、跌停板占比0、高频打板收益1[14] 8. 因子拥挤度模型 **模型构建思路**：度量因子投资资金过度集中导致的收益稳定性下降现象[15] **模型具体构建过程**：使用估值价差、配对相关性、长期收益反转、因子波动率四个指标综合度量因子拥挤程度[15] **模型具体构建过程**：综合打分公式为四个分项指标的综合评估[15][18] 9. 行业拥挤度模型 **模型构建思路**：评估各行业板块的资金拥挤程度[21] **模型具体构建过程**：基于多维指标构建行业拥挤度评分体系[21] **模型评价**：拥挤度较高的行业可能存在回调风险[21] 模型的回测效果 流动性冲击指标 - 当前值：1.86[2] - 前一周值：1.33[2] PUT-CALL比率模型 - 当前值：0.91[2] - 前一周值：1.14[2] 换手率指标模型 - 上证综指五日平均换手率：1.27%，处于2005年以来75.73%分位点[2] - Wind全A五日平均换手率：1.91%，处于2005年以来81.47%分位点[2] 均线强弱指数模型 - 当前得分：150[10] - 历史分位点：53.3%（2023年以来）[10] 情绪择时模型 - 情绪模型得分：1分（满分5分）[10] - 趋势模型信号：正向[10] - 加权模型信号：负向[10] 量化因子与构建方式 1. 小市值因子 **因子构建思路**：基于市值规模选股的有效因子[18] **因子具体构建过程**：作为常见选股因子之一，其拥挤度通过复合指标评估[18] 2. 低估值因子 **因子构建思路**：基于估值水平选股的有效因子[18] **因子具体构建过程**：作为常见选股因子之一，其拥挤度通过复合指标评估[18] 3. 高盈利因子 **因子构建思路**：基于盈利能力选股的有效因子[18] **因子具体构建过程**：作为常见选股因子之一，其拥挤度通过复合指标评估[18] 4. 高盈利增长因子 **因子构建思路**：基于盈利增长能力选股的有效因子[18] **因子具体构建过程**：作为常见选股因子之一，其拥挤度通过复合指标评估[18] 5. 情绪细分因子 **因子构建思路**：通过市场微观结构数据构建情绪监测因子[14] **因子具体构建过程**：包含净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益等五个细分因子[14] 因子的回测效果 因子拥挤度指标（2025年9月26日） 小市值因子 - 估值价差：1.08[18] - 配对相关性：0.06[18] - 市场波动：-0.42[18] - 收益反转：0.85[18] - 综合打分：0.40[18] 低估值因子 - 估值价差：-1.25[18] - 配对相关性：-0.03[18] - 市场波动：-0.09[18] - 收益反转：-1.32[18] - 综合打分：-0.67[18] 高盈利因子 - 估值价差：-0.17[18] - 配对相关性：0.14[18] - 市场波动：-0.84[18] - 收益反转：0.48[18] - 综合打分：-0.10[18] 高盈利增长因子 - 估值价差：1.91[18] - 配对相关性：0.46[18] - 市场波动：-0.94[18] - 收益反转：-0.82[18] - 综合打分：0.15[18] 行业拥挤度指标（2025年9月26日） 高拥挤度行业 - 有色金属：1.58[18][23] - 通信：1.40[18][23] - 综合：1.38[18][23] - 电力设备：1.19[18][23] - 电子：0.97[18][23] 拥挤度变化较大行业 - 电力设备：从-0.06上升至1.19，变化1.25[24] - 国防军工：从0.35下降至-0.77，变化-1.12[24] - 传媒：从-1.00上升至-0.66，变化0.34[24] - 电子：从0.65上升至0.97，变化0.32[24]

根据研报内容，现总结如下： 量化模型与构建方式 1. **模型名称：三维择时框架**[7][11][12][16] * **模型构建思路**：通过综合评估市场分歧度、流动性和景气度三个维度的变化趋势，对市场短期走势进行判断[7][11] * **模型具体构建过程**：模型基于三个核心指标：市场分歧度指数、市场流动性指数和A股景气度指数[7][11][19][21][25] 通过观察这三个指标的趋势（如下行、扩大、回升）及其组合状态，形成对市场（如震荡下跌）的综合判断[7][11] 2. **模型名称：ETF热点趋势策略**[30][31][32] * **模型构建思路**：通过筛选价格形态呈上涨趋势且短期市场关注度提升的ETF，构建投资组合[30] * **模型具体构建过程**：首先，根据K线的最高价与最低价的上涨或下跌形态，选出最高价与最低价同时为上涨形态的ETF[30] 其次，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[30] 最后，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（即短期市场关注度明显提升）的10只ETF，构建风险平价组合[30] 3. **模型名称：资金流共振策略**[34][37][40] * **模型构建思路**：结合融资融券资金流和主动大单资金流，选择两类资金都看好的行业[34][37] * **模型具体构建过程**： * **行业融资融券资金因子**：定义为经Barra市值因子中性化后的（个股）融资净买入-融券净卖出，在行业层面加总，然后取最近50日均值，并计算其两周环比变化率[37] 公式为：`因子值 = (最近50日平均融资净买入额 - 最近50日平均融券净卖出额) / 上期50日平均值 * 100%`[37] * **行业主动大单资金因子**：定义为行业最近一年成交量时序中性化后的净流入排序，并取最近10日均值[37] * **策略规则**：在主动大单因子的头部打分行业内，剔除融资融券因子的头部行业（因融资融券因子多头端在某些市场状态下有稳定的负向超额收益），以提高策略稳定性[37] 进一步剔除大金融板块后，得到最终推荐的行业组合[37][40] 量化因子与构建方式 1. **因子名称：风格因子（size, beta, momentum, value, growth等）**[43][44] * **因子构建思路**：采用常见的风格因子体系，用于描述市场的风格特征[43][44] * **因子具体构建过程**：报告提及了多个风格因子，包括规模(size)、贝塔(beta)、动量(momentum)、波动率(volatility)、非线性市值(nlsize)、估值(value)、流动性(liquidity)、盈利收益率(earnings_yield)、成长(growth)、杠杆(leverage)等[44] 这些因子通常基于股价、市值、财务数据等计算，并进行了标准化处理[44] 2. **因子名称：Alpha因子（如io_to_float_a_share, top_ten_mean_stkvaluetonav等）**[47][48][49][50] * **因子构建思路**：从不同维度（如基金持仓、动量、分析师覆盖、财务质量等）构建选股因子[47][48] * **因子具体构建过程**：报告列出了多个Alpha因子及其释义： * `io_to_float_a_share`: 根据基金年报和半年报披露持股数统计，基金总持股数占个股流通股比值[48] * `top_ten_mean_stkvaluetonav`: 根据基金披露前十大重仓股，重仓股数占净值均值[48] * `mom_1y_1m`: 1年收益率减去1个月收益率[48] * `top_ten_io_to_float_a_share`: 根据基金披露前十大重仓股，重仓股数占个股流通股比值[48] * `ana_cov`: 过去90个交易日分析师预测数[48] * `tot_rd_ttm_to_sales`: 研发销售收入占比[50] * `tot_rd_ttm_to_assets`: 研发总资产占比[48][50] * `tot_rd_ttm_to_equity`: 研发净资产占比[48][50] * 其他因子如 `mom_6m`（6个月收益率）, `yoy_orps_q`（单季度每股营业收入同比增长率）等[50] 模型的回测效果 1. **三维择时框架**：模型保持对市场的震荡下跌判断[7] 2. **ETF热点趋势策略**：策略今年以来表现优于沪深300，累计超额收益为正[31] 3. **资金流共振策略**：策略2018年以来费后年化超额收益13.5%，信息比率(IR)为1.7，相对北向-大单共振策略回撤更小[37] 策略上周实现-1.5%的绝对收益与-0.7%的超额收益（相对行业等权）[37] 因子的回测效果 1. **风格因子近期表现**[43][44]： * **beta因子**：最近一周收益率为2.19%，本年收益率为26.61%[44] * **growth因子**：最近一周收益率为1.51%，近一月收益率为4.74%[43][44] * **value因子**：最近一周收益率为-1.42%，近一月收益率为-1.32%[43][44] * **size因子**：最近一周收益率为1.46%，本年收益率为-23.35%[44] * **momentum因子**：最近一周收益率为0.27%，本年收益率为-3.31%[44] 2. **Alpha因子多头超额表现**[47][48][49][50]： * **近期表现较好因子（近一周多头超额）**： * `io_to_float_a_share`: 1.32%[48] * `top_ten_mean_stkvaluetonav`: 1.00%[48] * `mom_1y_1m`: 0.94%[48] * `top_ten_io_to_float_a_share`: 0.92%[48] * **分指数表现（上周多头超额）**： * `tot_rd_ttm_to_sales`因子在沪深300中超额36.52%，在中证500中超额29.00%，在中证800中超额37.34%，在中证1000中超额39.13%[50] * `tot_rd_ttm_to_assets`因子在沪深300中超额37.87%，在中证500中超额25.27%，在中证800中超额37.86%，在中证1000中超额36.26%[50] * 整体看，小市值指数（如中证1000）下部分因子表现更好[49]

量化因子与构建方式 1 因子名称：估值因子[10]；因子构建思路：基于公司估值水平构建的因子，衡量股票价格相对于其基本面价值的偏离程度[10]；因子具体构建过程：包含多个细分因子，包括估值-EP（市盈率倒数）、估值-BP（市净率倒数）、估值-SP（市销率倒数）和股息率因子[11][12][13][14] 2 因子名称：成长因子[10]；因子构建思路：基于公司成长性指标构建的因子，衡量公司业务和盈利的增长能力[10]；因子具体构建过程：包含多个细分因子，包括营业收入增长率、净利润增长率和ROE增长率[11][12][13][14] 3 因子名称：盈利因子[10]；因子构建思路：基于公司盈利能力指标构建的因子，衡量公司创造利润的效率[10]；因子具体构建过程：包含多个细分因子，包括ROE（净资产收益率）、ROA（总资产收益率）、毛利率和净利率[11][12][13][14] 4 因子名称：小市值因子[10]；因子构建思路：基于公司市值规模构建的因子，衡量小市值股票的溢价效应[10]；因子具体构建过程：直接使用公司市值作为因子指标[11][12][13][14] 5 因子名称：反转因子[10]；因子构建思路：基于股票价格反转效应构建的因子，衡量过去表现差的股票未来可能出现的反弹[10]；因子具体构建过程：包含多个细分因子，包括1个月反转、3个月反转、衰减换手率加权3个月反转和衰减换手率加权6个月反转[11][12][13][14] 6 因子名称：波动率因子[10]；因子构建思路：基于股票价格波动性构建的因子，衡量股票风险水平[10]；因子具体构建过程：包含多个细分因子，包括1个月波动率、3个月波动率、FF三因子残差1个月波动率和FF三因子残差3个月波动率[11][12][13][14] 7 因子名称：换手率因子[10]；因子构建思路：基于股票交易活跃度构建的因子，衡量市场关注度和流动性[10]；因子具体构建过程：包含多个细分因子，包括1个月日均换手率、3个月日均换手率和近1个月/近2年的日均换手率[11][12][13][14] 8 因子名称：超预期因子[10]；因子构建思路：基于公司业绩超预期程度构建的因子，衡量市场预期与实际业绩的差异[10]；因子具体构建过程：包含多个细分因子，包括SUR（收入超预期）和SUE（盈利超预期）[11][12][13][14] 9 因子名称：预期估值因子[10]；因子构建思路：基于分析师一致预期构建的估值因子，衡量未来预期估值水平[10]；因子具体构建过程：包含多个细分因子，包括预期EP_FY1（预期市盈率倒数）、预期PEG倒数_FY1和预期BP_FY1（预期市净率倒数）[11][12][13][14] 10 因子名称：预期净利润复合增速FY1[10]；因子构建思路：基于分析师一致预期构建的成长因子，衡量未来预期盈利增长能力[10]；因子具体构建过程：使用分析师预测的未来一年净利润复合增长率作为因子指标[11][12][13][14] 因子的回测效果 1 估值因子，本月以来Rank IC均值：沪深300为-11.02%[11]，中证500为6.54%[12]，中证1000为3.07%[13]，全A股为6.04%[14]；近一季度Rank IC均值：沪深300为-3.96%[11]，中证500为0.40%[12]，中证1000为-0.39%[13]，全A股为3.08%[14]；今年以来Rank IC均值：沪深300为-1.07%[11]，中证500为-0.51%[12]，中证1000为0.19%[13]，全A股为2.85%[14]；2015年以来Rank IC均值：沪深300为4.40%[11]，中证500为4.96%[12]，中证1000为4.88%[13]，全A股为6.24%[14] 2 成长因子，本月以来Rank IC均值：沪深300为9.19%[11]，中证500为4.10%[12]，中证1000为-0.22%[13]，全A股为-1.70%[14]；近一季度Rank IC均值：沪深300为4.73%[11]，中证500为2.79%[12]，中证1000为5.34%[13]，全A股为3.95%[14]；今年以来Rank IC均值：沪深300为6.31%[11]，中证500为3.59%[12]，中证1000为3.49%[13]，全A股为4.49%[14]；2015年以来Rank IC均值：沪深300为1.31%[11]，中证500为3.92%[12]，中证1000为3.81%[13]，全A股为2.96%[14] 3 盈利因子，本月以来Rank IC均值：沪深300为10.78%[11]，中证500为4.79%[12]，中证1000为3.27%[13]，全A股为0.25%[14]；近一季度Rank IC均值：沪深300为5.04%[11]，中证500为-1.37%[12]，中证1000为2.22%[13]，全A股为2.28%[14]；今年以来Rank IC均值：沪深300为5.45%[11]，中证500为1.99%[12]，中证1000为0.84%[13]，全A股为3.83%[14]；2015年以来Rank IC均值：沪深300为1.73%[11]，中证500为3.46%[12]，中证1000为3.55%[13]，全A股为3.13%[14] 4 小市值因子，本月以来Rank IC均值：沪深300为4.17%[11]，中证500为-6.83%[12]，中证1000为3.48%[13]，全A股为-4.98%[14]；近一季度Rank IC均值：沪深300为3.04%[11]，中证500为-8.50%[12]，中证1000为-1.55%[13]，全A股为-7.88%[14]；今年以来Rank IC均值：沪深300为1.39%[11]，中证500为3.01%[12]，中证1000为5.76%[13]，全A股为9.04%[14]；2015年以来Rank IC均值：沪深300为-1.84%[11]，中证500为1.12%[12]，中证1000为4.92%[13]，全A股为4.36%[14] 5 反转因子，本月以来Rank IC均值：沪深300为-9.98%[11]，中证500为4.28%[12]，中证1000为2.81%[13]，全A股为8.41%[14]；近一季度Rank IC均值：沪深300为-3.64%[11]，中证500为3.02%[12]，中证1000为5.33%[13]，全A股为9.00%[14]；今年以来Rank IC均值：沪深300为4.57%[11]，中证500为6.05%[12]，中证1000为7.87%[13]，全A股为9.77%[14]；2015年以来Rank IC均值：沪深300为4.06%[11]，中证500为4.97%[12]，中证1000为7.82%[13]，全A股为8.90%[14] 6 波动率因子，本月以来Rank IC均值：沪深300为-2.63%[11]，中证500为2.97%[12]，中证1000为9.77%[13]，全A股为12.12%[14]；近一季度Rank IC均值：沪深300为-4.45%[11]，中证500为1.60%[12]，中证1000为5.79%[13]，全A股为9.97%[14]；今年以来Rank IC均值：沪深300为0.36%[11]，中证500为1.84%[12]，中证1000为6.07%[13]，全A股为8.30%[14]；2015年以来Rank IC均值：沪深300为4.68%[11]，中证500为6.81%[12]，中证1000为8.22%[13]，全A股为9.22%[14] 7 换手率因子，本月以来Rank IC均值：沪深300为1.30%[11]，中证500为5.45%[12]，中证1000为16.37%[13]，全A股为16.55%[14]；近一季度Rank IC均值：沪深300为-4.42%[11]，中证500为0.99%[12]，中证1000为8.49%[13]，全A股为12.22%[14]；今年以来Rank IC均值：沪深300为-0.68%[11]，中证500为3.23%[12]，中证1000为8.04%[13]，全A股为10.33%[14]；2015年以来Rank IC均值：沪深300为3.84%[11]，中证500为6.98%[12]，中证1000为9.17%[13]，全A股为9.55%[14] 8 超预期因子，本月以来Rank IC均值：沪深300为6.11%[11]，中证500为-6.38%[12]，中证1000为-3.40%[13]，全A股为-4.17%[14]；近一季度Rank IC均值：沪深300为6.11%[11]，中证500为2.28%[12]，中证1000为2.63%[13]，全A股为1.95%[14]；今年以来Rank IC均值：沪深300为6.14%[11]，中证500为3.21%[12]，中证1000为3.25%[13]，全A股为2.94%[14]；2015年以来Rank IC均值：沪深300为2.69%[11]，中证500为2.58%[12]，中证1000为2.90%[13]，全A股为2.58%[14] 9 预期估值因子，本月以来Rank IC均值：沪深300为-12.20%[11]，中证500为1.83%[12]，中证1000为1.27%[13]，全A股为-3.28%[14]；近一季度Rank IC均值：沪深300为-3.75%[11]，中证500为-1.35%[12]，中证1000为-4.51%[13]，全A股为-2.78%[14]；今年以来Rank IC均值：沪深300为-2.62%[11]，中证500为0.16%[12]，中证1000为-1.23%[13]，全A股为-1.25%[14]；2015年以来Rank IC均值：沪深300为-0.80%[11]，中证500为0.42%[12]，中证1000为-0.28%[13]，全A股为0.42%[14] 10 预期净利润复合增速FY1因子，本月以来Rank IC均值：沪深300为4.61%[11]，中证500为-0.66%[12]，中证1000为3.40%[13]，全A股为0.97%[14]；近一季度Rank IC均值：沪深300为-2.29%[11]，中证500为1.08%[12]，中证1000为2.14%[13]，全A股为4.16%[14]；今年以来Rank IC均值：沪深300为1.09%[11]，中证500为1.38%[12]，中证1000为1.80%[13]，全A股为1.33%[14]；2015年以来Rank IC均值：沪深300为-0.27%[11]，中证500为0.58%[12]，中证1000为1.36%[13]，全A股为1.16%[14]

量化模型与构建方式 1. A股大盘择时模型 - **模型名称**：A股多维择时模型[2][9] - **模型构建思路**：从估值、情绪、资金、技术四个维度对万得全A指数进行整体方向性判断，左侧指标（估值、情绪）采用反转逻辑规避风险，右侧指标（资金、技术）采用趋势逻辑捕捉机会[9] - **模型具体构建过程**： - 选取四个维度的具体指标： - 估值维度：股权风险溢价（ERP）[9][15] - 情绪维度：期权沽购比、期权隐含波动率、期货会员持仓比[9][15] - 资金维度：融资买入额[9][15] - 技术维度：布林带、个股涨跌成交额占比差[9][15] - 各维度日频发出信号，每日信号取值为0（看平）、+1（看多）、-1（看空）[9] - 以各维度得分之和的正负性作为大盘多空观点的依据[9] 2. 红利风格择时模型 - **模型名称**：红利风格择时模型[3][17] - **模型构建思路**：结合中证红利相对中证全指的动量、10Y-1Y期限利差和银行间质押式回购成交量三者的趋势进行择时[3][17] - **模型具体构建过程**： - 选取三个维度的指标： - 中证红利相对中证全指的动量：红利风格正向指标[21] - 10Y-1Y期限利差：红利风格负向指标[21] - 银行间质押式回购成交量：红利风格正向指标[21] - 三个指标从趋势维度日频发出信号，每日信号取值为0（看平）、+1（看多）、-1（看空）[17] - 以各维度得分之和的正负性作为红利风格多空观点的依据[17] - 当模型看好红利风格时全仓持有中证红利，不看好时全仓持有中证全指[17] 3. 大小盘风格择时模型 - **模型名称**：大小盘风格择时模型[3][22] - **模型构建思路**：采用基于拥挤度分域的趋势模型进行择时，在不同拥挤度区间采用不同参数的双均线模型判断趋势[3][22][24] - **模型具体构建过程**： - 以沪深300指数和万得微盘股指数为大小盘风格代表[22] - 从动量视角和成交视角计算大小盘风格拥挤度得分[22][26]： - 动量之差：计算万得微盘股指数与沪深300指数的多窗长（10/20/30/40/50/60日）动量之差，进一步计算各窗长动量之分的3.0/3.5/4.0/4.5/5.0年分位数的均值，对6个计算窗长下分位数最高的3个结果取均值作为小盘风格的动量得分，最低的3个结果取均值作为大盘风格的动量得分[26] - 成交额之比：计算万得微盘股指数与沪深300指数的多窗长（10/20/30/40/50/60日）成交额之比，进一步计算各窗长成交额之比的3.0/3.5/4.0/4.5/5.0年分位数的均值，对6个计算窗长下分位数最高的3个结果取均值作为小盘风格的成交量得分，最低的3个结果取均值作为大盘风格的成交量得分[26] - 将小盘风格的动量得分和成交量得分取均值得到小盘风格的拥挤度得分，大于90%视为触发高拥挤；将大盘风格的动量得分和成交量得分取均值得到大盘风格的拥挤度得分，小于10%视为触发高拥挤[26] - 若最近20个交易日中曾触发过高拥挤，视为运行在高拥挤区间，否则为低拥挤区间[24] - 在高拥挤区间采用小参数双均线模型应对风格反转，在低拥挤区间采用大参数双均线模型跟踪中长期趋势[24] 4. 行业轮动模型 - **模型名称**：遗传规划行业轮动模型[4][29][32] - **模型构建思路**：采用双目标遗传规划技术直接对行业指数的量价、估值等特征进行因子挖掘，每季度末更新因子库，周频调仓[4][29][32] - **模型具体构建过程**： - 底层资产为32个中信行业指数[29] - 使用双目标遗传规划，以|IC|和NDCG@5两个指标同时评价因子的分组单调性和多头组表现[32] - 采用NSGA-II算法提升因子多样性、降低过拟合风险[33] - 结合贪心策略和方差膨胀系数，将共线性较弱的多个因子合成为行业得分[33] - 每周末选出多因子综合得分最高的五个行业进行等权配置[4][29] - 最新一期权重最大的因子基于单行业流动性中性化后的估值水平构建[36]： - 在截面上，用全体行业市净率滚动4年分位数对标准化月度成交额开展带有常数项的一元线性回归，取残差，记作变量A[37] - 在过去15个交易日中，取A最小的9个交易日，取其之和，记作变量B[37] - 在过去15个交易日中，对B开展zscore标准化；对于大于2.5的数值，进行反转即乘以-1；最后计算这15个交易日之和[37] 5. 中国境内全天候增强组合 - **模型名称**：中国境内全天候增强组合[5][38] - **模型构建思路**：采用宏观因子风险预算框架，选取增长超预期/不及预期、通胀超预期/不及预期四种宏观风险源作为平价对象，在四象限风险平价的基础上基于宏观预期动量的观点主动偏配看好象限[5][38] - **模型具体构建过程**： - 宏观象限划分与资产选择：选择增长和通胀维度，根据是否超预期划分为四象限，结合"定量+定性"的方式确定各象限适配的资产[41] - 象限组合构建与风险度量：象限内资产等权构建子组合，注重刻画象限的下行风险[41] - 风险预算模型确定象限权重：每月底根据"象限观点"调整象限风险预算，进行主动偏配[41] - "象限观点"由宏观预期动量指标给出，该指标综合考虑资产价格交易的"买方预期动量"和经济指标预期差体现的"卖方预期差动量"[41] - 模型月频调仓，9月配置观点为超配"增长超预期"象限和"通胀超预期"象限[5] 模型的回测效果 1. A股多维择时模型 - 回测区间：2010-01-05至2025-09-26[14] - 年化收益：25.23%[14] - 最大回撤：-28.46%[14] - 夏普比率：1.17[14] - Calmar比率：0.89[14] - YTD收益：40.98%[14] - 上周收益：0.15%[14] 2. 红利风格择时模型 - 回测区间：2017-01-03至2025-09-26[20] - 年化收益：16.04%[20] - 最大回撤：-25.52%[20] - 夏普比率：0.87[20] - Calmar比率：0.63[20] - YTD收益：21.75%[20] - 上周收益：0.23%[20] 3. 大小盘风格择时模型 - 回测区间：2017-01-03至2025-09-26[27] - 年化收益：26.25%[27] - 最大回撤：-30.86%[27] - 夏普比率：1.09[27] - Calmar比率：0.85[27] - YTD收益：65.89%[27] - 上周收益：1.07%[27] 4. 遗传规划行业轮动模型 - 回测区间：2022-09-30至2025-09-26[32] - 年化收益：32.60%[32] - 年化波动：17.95%[32] - 夏普比率：1.82[32] - 最大回撤：-19.63%[32] - 卡玛比率：1.66[32] - 上周表现：0.27%[32] - YTD收益：36.44%[32] 5. 中国境内全天候增强组合 - 回测区间：2013-12-31至2025-09-26[42] - 年化收益：11.53%[42] - 年化波动：6.16%[42] - 夏普比率：1.87[42] - 最大回撤：-6.30%[42] - 卡玛比率：1.83[42] - 上周表现：0.66%[42] - YTD收益：9.02%[42]