量化模型与构建方式 1. **模型名称**：微观风格轮动模型 - **模型构建思路**：从基础风格因子（估值、市值、波动率、动量）出发，通过80个底层微观因子构造640个微观特征，并基于指数风格股票池生成风格收益标签，结合随机森林模型进行风格择时与打分[6] - **模型具体构建过程**： 1. **特征构造**：80个底层因子（如估值、动量等）通过组合衍生出640个微观特征[6] 2. **标签生成**：以常用指数（如中证红利）作为风格股票池，计算风格收益作为训练标签[6] 3. **模型训练**：滚动训练随机森林模型，预测风格得分并生成择时信号[6] 4. **组合构建**：根据择时结果和打分结果加权生成最终风格配置[6] - **模型评价**：通过滚动训练规避过拟合，实现风格轮动的动态优化[6] 模型的回测效果 1. **微观风格轮动模型**（2014/01-2025/04）： - 年化收益率：21.56%[7][8] - 年化波动率：24.17%[7][8] - IR：0.89[7][8] - 月度胜率：58.82%[7][8] - 超额年化收益率（vs基准）：13.45%[7][8] - 超额波动率：11.47%[7][8] - 超额IR：1.17[7][8] - 最大回撤：10.28%（超额）[7][8] 量化因子与构建方式 1. **因子类别**：估值、市值、波动率、动量[6] - **构建思路**：基于微观个股数据（如财务、量价）构造多维度特征[6] - **具体构建过程**：未披露详细公式，但通过标准化、中性化等步骤处理原始因子[6] 因子的回测效果 1. **2025年风格因子多空对冲收益**： - **动量因子**：2025年1-4月收益区间为-6%至4%[10][17] - **波动率因子**：2025年1-4月收益区间为-4%至6%[10][17] - **估值因子**：2025年1-4月收益区间为-2%至8%[10][17] - **市值因子**：2025年1-4月收益区间为-8%至2%[10][17] 2. **近一年风格权重分布**： - 市值因子权重占比约40%-60%，估值因子20%-40%，动量和波动率因子交替占优[18] 最新模型输出 - **2025年5月推荐风格**：价值（估值）、大市值、反转（动量负向）、低波[14] - **持仓指数**：中证红利[15]

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：扩散指数行业轮动模型** - **模型构建思路**：基于价格动量原理，通过跟踪行业扩散指数来捕捉行业趋势，选择向上趋势的行业进行配置[5][29] - **模型具体构建过程**： 1. 计算各中信一级行业的扩散指数，反映行业价格趋势强度 2. 扩散指数公式： $$DI_t = \frac{N_{up}}{N_{up} + N_{down}}$$ 其中$N_{up}$为行业内上涨股票数量，$N_{down}$为下跌股票数量 3. 每周跟踪行业扩散指数排名，选择排名靠前的行业构建组合[29][30] - **模型评价**：在趋势行情中表现优异，但在市场反转时可能出现较大回撤[28] 2. **模型名称：GRU因子行业轮动模型** - **模型构建思路**：基于GRU神经网络处理分钟频量价数据，捕捉短期交易信号进行行业轮动[6][35] - **模型具体构建过程**： 1. 使用GRU神经网络处理行业分钟频交易数据 2. 输出各行业的GRU因子得分，反映短期交易动能 3. 每周根据GRU因子排名调仓，选择得分最高的行业[35][37] - **模型评价**：在短周期表现较好，但对极端行情适应性有限[39] 模型的回测效果 1. **扩散指数行业轮动模型** - 2025年4月超额收益：-0.68% - 2025年以来超额收益：-2.75%[32] - 当前配置行业：银行(0.988)、非银行金融(0.94)、综合金融(0.928)、计算机(0.884)、商贸零售(0.88)、汽车(0.872)[29] 2. **GRU因子行业轮动模型** - 2025年4月超额收益：0.68% - 2025年以来超额收益：-3.54%[37] - 当前配置行业：房地产(4.62)、纺织服装(4.14)、综合金融(2.89)、交通运输(1.71)、轻工制造(1.7)、建筑(1.41)[35] 量化因子与构建方式 1. **因子名称：行业扩散指数** - **因子构建思路**：衡量行业内部股票价格上涨的扩散程度[29] - **因子具体构建过程**： 1. 计算行业内每日上涨股票比例 2. 采用20日移动平均平滑处理 3. 标准化为0-1区间[30] 2. **因子名称：GRU行业因子** - **因子构建思路**：通过GRU神经网络提取行业量价特征[35] - **因子具体构建过程**： 1. 输入行业分钟频成交量和价格变化数据 2. 通过3层GRU网络提取时序特征 3. 输出层生成行业因子得分[36] 因子的回测效果 1. **行业扩散指数** - 周度Rank IC：0.17(钢铁)、0.095(综合)、0.065(汽车)[30] - 月度IC：-0.4至0.6区间波动[36] 2. **GRU行业因子** - 周度Rank IC：0.6峰值[36] - 累计Rank IC：1.8[36]

量化模型与构建方式 1. **模型名称**：五维行业轮动模型 - **模型构建思路**：基于行业内部风格差异，通过划分行业内部股票风格并构建离散指标与牵引指标，合成五大类行业因子（波动率、基本面、成交量、情绪、动量），形成行业轮动策略[6] - **模型具体构建过程**： 1. **因子分类**：按东吴金工多因子体系将微观因子划分为五大类（波动率、基本面、成交量、情绪、动量）[6] 2. **行业内部指标构建**： - **离散指标**：衡量行业内部个股因子值的离散程度 - **牵引指标**：反映行业内部高因子值股票对整体行业的带动作用 3. **合成因子**：结合离散指标与牵引指标生成五类行业因子，最终加权合成综合评分[6] - **模型评价**：模型通过多维度因子捕捉行业轮动规律，历史表现稳定且超额收益显著[11][16] 2. **模型名称**：沪深300指数增强策略 - **模型构建思路**：基于五维行业轮动模型，每月调整沪深300成分股权重，增强高评分行业、剔除低评分行业[21] - **模型具体构建过程**： 1. **行业分组**：每月末将申万一级行业按五维评分分为六组，取第一组（多头）和第六组（空头）[21] 2. **权重调整**： - 剔除空头组行业成分股 - 将剔除的权重等比例分配给多头组行业成分股[21] 3. **月频调仓**：动态维持增强组合与基准的偏离[21] --- 量化因子与构建方式 1. **因子名称**：波动率因子 - **因子构建思路**：反映行业内部个股波动率的离散与牵引效应[6] - **因子具体构建过程**：通过计算行业内部个股波动率的标准差（离散指标）与高波动率股票对行业收益的贡献（牵引指标）合成[6] 2. **因子名称**：基本面因子 - **因子构建思路**：捕捉行业内部财务指标的差异性[6] 3. **因子名称**：成交量因子 - **因子构建思路**：衡量行业内部成交活跃度的分化[6] 4. **因子名称**：情绪因子 - **因子构建思路**：反映市场情绪对行业内部股票的驱动[6] 5. **因子名称**：动量因子 - **因子构建思路**：跟踪行业内部价格趋势的持续性[6] --- 模型的回测效果 1. **五维行业轮动模型（多空对冲）**： - 年化收益率：21.86% - 年化波动率：10.86% - IR：2.01 - 月度胜率：72.88% - 最大回撤：13.30%[11][14] 2. **五维行业轮动模型（多头超额）**： - 年化收益率：10.57% - 年化波动率：6.64% - IR：1.59 - 月度胜率：70.34% - 最大回撤：9.36%[16] 3. **沪深300指数增强策略**： - 超额年化收益率：8.88% - 超额波动率：7.55% - IR：1.18 - 月胜率：69.75% - 最大回撤：12.74%[22] --- 因子的回测效果 1. **波动率因子**： - 年化收益率：11.59% - 波动率：10.23% - IR：1.13 - 胜率：59.35% - 最大回撤：14.27%[14] 2. **基本面因子**： - 年化收益率：6.18% - 波动率：9.95% - IR：0.62 - 胜率：56.10% - 最大回撤：21.50%[14] 3. **成交量因子**： - 年化收益率：7.90% - 波动率：12.22% - IR：0.65 - 胜率：58.54% - 最大回撤：18.51%[14] 4. **情绪因子**： - 年化收益率：7.56% - 波动率：12.93% - IR：0.58 - 胜率：64.23% - 最大回撤：14.16%[14] 5. **动量因子**： - 年化收益率：11.75% - 波动率：10.79% - IR：1.09 - 胜率：61.48% - 最大回撤：13.52%[14]

根据提供的量化周报内容，以下是总结的量化模型和因子相关内容： 量化模型与构建方式 1. **模型名称**：中证500增强组合 **模型构建思路**：通过量化选股策略构建相对于中证500指数的增强组合[62] **模型具体构建过程**： - 采用多因子选股框架，结合风格因子和行业因子进行股票筛选 - 组合持仓包含长江证券(4.41%)、甘李药业(3.22%)等100只成分股，权重分散[66] **模型评价**：长期超额收益显著但近期表现不佳 2. **模型名称**：沪深300增强组合 **模型构建思路**：通过量化方法构建相对于沪深300指数的增强组合[69] **模型具体构建过程**： - 采用风险控制模型优化组合暴露 - 持仓包含中远海控(8.13%)、新和成(6.38%)等70只成分股[72] 3. **模型名称**：A股情绪指数系统 **模型构建思路**：基于波动率和成交额变化方向构建市场情绪指标[49] **模型具体构建过程**： - 将市场划分为四个象限：波动上-成交下（显著负收益）、其他象限（显著正收益） - 综合见底预警（价）和见顶预警（量）信号生成综合情绪判断[52] 模型的回测效果 1. 中证500增强组合： - 本周收益率-1.20%，跑输基准1.28%[62] - 2020年至今超额收益40.42%，最大回撤-4.99%[62] 2. 沪深300增强组合： - 本周收益率-0.63%，跑输基准0.20%[69] - 2020年至今超额收益23.96%，最大回撤-5.86%[69] 3. A股情绪指数系统： - 当前综合信号为"空"[54] - 历史择时表现显示有效识别市场转折点[60] 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**：参照BARRA模型构建十大类风格因子[74] **因子具体构建过程**： - 包含市值(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)[74] 2. **因子名称**：行业因子 **因子构建思路**：捕捉行业相对市场市值加权组合的超额收益[75] **因子具体构建过程**： - 通过行业中性化处理构建纯行业因子 - 包含汽车、农林牧渔、传媒等28个中信一级行业因子[75] 因子的回测效果 1. BARRA风格因子： - 本周动量因子超额收益最高，残差波动率呈显著负收益[75] - 流动性因子与Beta、动量因子相关性达0.431-0.602[76] 2. 行业因子： - 本周汽车、农林牧渔、传媒行业因子超额收益显著[75] - 保险、消费者服务、商贸零售行业因子回撤较多[75] 3. 近期因子表现： - 高动量股持续优异，盈利、流动性因子表现不佳[75] - 价值因子与动量、残差波动率呈负相关(-0.341至-0.429)[76]

量化模型与构建方式 1. **模型名称**：择时雷达六面图 - **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21个指标，综合生成[-1,1]区间的择时分数，反映市场中性偏多或偏空信号[1][6] - **模型具体构建过程**： 1. **指标分类**：将指标概括为四大类——"估值性价比"（如席勒ERP、PB）、"宏观基本面"（如PMI、通胀）、"资金&趋势"（如两融增量、外资CDS利差）、"拥挤度&反转"（如期权VIX、可转债偏离度）[1][6] 2. **分数标准化**：对单指标计算zscore或分位数，截尾后标准化到±1区间，例如： - 估值类指标：$$ \text{席勒ERP分数} = \frac{\text{ERP} - \mu_{3年}}{\sigma_{3年}} $$，截尾1.5倍标准差[31][32] - 技术面指标：价格趋势分数=0.5×(方向分数+强度分数)，方向分数由均线距离(ma120/ma240-1)符号决定[53][54] 3. **综合打分**：加权汇总各维度分数，生成最终择时信号[6][8] 2. **因子名称**：货币方向因子 - **因子构建思路**：通过货币政策利率与短端市场利率的变化方向判断货币宽松/收紧[10] - **因子具体构建过程**：计算央行政策利率与短端利率（如DR007）90天平均变化方向，若>0为宽松（分数=1），<0为收紧（分数=-1）[10] 3. **因子名称**：货币强度因子 - **因子构建思路**：量化短端利率偏离政策利率的程度[13] - **因子具体构建过程**： $$ \text{偏离度} = \frac{\text{DR007}}{7\text{天逆回购利率}} - 1 $$ 平滑后计算zscore，若<-1.5σ则未来120日分数=1，>1.5σ则=-1[13][16] 4. **因子名称**：信用强度因子 - **因子构建思路**：捕捉信贷数据超预期程度[18] - **因子具体构建过程**： $$ \text{信用强度因子} = \frac{\text{新增人民币贷款} - \text{预期中位数}}{\text{预期标准差}} $$ 若>1.5σ则未来60日分数=1，<-1.5σ则=-1[18][19] 5. **因子名称**：新高新低因子 - **因子构建思路**：通过成分股价格极值捕捉反转信号[56] - **因子具体构建过程**：计算中证800成分股过去一年新高数-新低数的20日均值，若>0则分数=1，<0则=-1[56][57] 模型的回测效果 1. **择时雷达六面图模型**： - 当前综合打分：0.23（中性偏多）[6][8] - 分维度打分： - 流动性：-0.50（看空）[8][10] - 经济面：0.75（看多）[8][20] - 估值面：0.46（看多）[8][37] - 资金面：-0.75（看空）[8][48] - 技术面：0.75（看多）[8][55] - 拥挤度：0.78（看多）[8][59] 量化因子与构建方式 （部分因子已合并至模型部分，以下补充其他关键因子） 6. **因子名称**：期权隐含升贴水因子 - **因子构建思路**：通过期权定价反推市场情绪[59] - **因子具体构建过程**：若50ETF近5日收益率<0且分位数<30%，则未来20日分数=1；若收益率>0且分位数>70%，则=-1[59][63] 7. **因子名称**：可转债定价偏离度因子 - **因子构建思路**：衡量可转债估值泡沫[66] - **因子具体构建过程**： $$ \text{偏离度} = \frac{\text{转债价格}}{\text{模型定价}} - 1 $$ 计算过去3年zscore并取负值，分数范围±1[66][67] 因子的回测效果 1. **货币方向因子**：当前分数=-1[10][12] 2. **货币强度因子**：当前分数=-1[13][16] 3. **信用强度因子**：当前分数=1[18][19] 4. **新高新低因子**：当前分数=1[56][58] 5. **期权VIX因子**：当前分数=1[60][62] 6. **可转债偏离度因子**：当前分数=0.12[66][67]

量化模型与构建方式 1. 模型名称：基于技术指标的指数仓位调整模型；模型构建思路：以量价数据为基础，通过技术指标信号进行仓位调整获取超额收益[8]；模型具体构建过程：构建了27个技术指标，测试在沪深300、中证500和中证1000等指数上的表现，采用直接信号合成法和滚动搜索法将多个技术指标结合使用[8] 2. 模型名称：滚动稳健策略；模型构建思路：采用后置买卖(先合并后处理)方法，适合风险偏好低的投资者[8]；模型具体构建过程：通过降低调仓频率至T+10，使策略平均超额年化收益率达3.99%[3] 3. 模型名称：滚动追涨策略；模型构建思路：采用前置买卖(先处理后合并)方法，具有更强的追涨能力，适合风险偏好高的投资者[8]；模型具体构建过程：策略波动性略高于稳健策略，能有效减少踏空情况[3] 量化因子与构建方式 1. 因子名称：量价背离技术指标；因子构建思路：基于量价"背离"概念设计的技术指标[3]；因子评价：在34个指数上的平均超额年化收益率达3.75%，表现优异[3] 模型的回测效果 1. 滚动追涨策略，沪深300超额收益3.23%，中证500超额收益1.90%，中证1000超额收益0.00%[9] 2. 滚动稳健策略，沪深300超额收益3.49%，中证500超额收益4.25%，中证1000超额收益5.11%[14] 3. 优选单信号策略，沪深300超额收益3.01%，中证500超额收益4.27%，中证1000超额收益4.81%[10] 4. 5信号结合策略，沪深300超额收益3.24%，中证500超额收益1.61%，中证1000超额收益-4.20%[10] 5. 7信号结合策略，沪深300超额收益3.24%，中证500超额收益4.25%，中证1000超额收益-1.76%[10] 因子的回测效果 1. 量价背离技术指标，34个指数平均超额年化收益率3.75%[3]

根据提供的研报内容，总结如下： 量化模型与构建方式 1. **模型名称**：DeepSeek-V3-0324大模型 **模型构建思路**：利用大模型的总结能力对分析师行业报告进行智能总结和整合，提炼核心观点和关键信息[5] **模型具体构建过程**： - 从Wind数据库获取行业研报，入库时间截至2025年5月5日24点，共计517篇报告[5] - 将同一个一级行业内的所有摘要合并，与提示词拼接后调用DeepSeek-V3大模型[5] - 提示词要求总结为不超过200个汉字的简明摘要，需准确反映研报的主要事实、观点和结论，避免包含风险提示和个人意见[6] **模型评价**：该模型能够高效处理大量研报，提炼核心信息，但可能存在模型的误读或对信息的二次加工，导致信息失真[6] 2. **模型名称**：行业景气度衡量模型 **模型构建思路**：利用大模型对行业研报进行打分，衡量行业景气度和超预期程度[14] **模型具体构建过程**： - 构造提示词提取行业研报所涉中信一级、二级行业名称及对应行业景气度和超预期程度[14] - 使用DeepSeek-V3模型，将提示词和摘要拼接作为输入，得到每篇报告涉及的行业及景气度、超预期程度[20] - 按照中信二级行业计算“景气度”、“超预期程度”的均值，并保留报告数目大于2的行业[20] 模型的回测效果 1. **DeepSeek-V3-0324大模型**：总结结果如表1至表4所示，涵盖石油石化、煤炭、有色金属、电力及公用事业等多个行业的核心观点[7][8][9][10][11][12][13] 2. **行业景气度衡量模型**： - 通信设备行业景气度为8.75，超预期程度为7.50，报告数目为4.00[21] - 发电及电网行业景气度为8.50，超预期程度为7.38，报告数目为16.00[21] - 半导体行业景气度为8.50，超预期程度为7.63，报告数目为24.00[21] - 房地产服务行业景气度为5.50，超预期程度为4.40，报告数目为10.00[22] - 结构材料行业景气度为5.00，超预期程度为4.00，报告数目为3.00[22] 量化因子与构建方式 1. **因子名称**：行业景气度 **因子构建思路**：通过大模型对行业研报进行打分，衡量行业的景气程度[14] **因子具体构建过程**： - 使用DeepSeek-V3模型，将提示词和摘要拼接作为输入，得到每篇报告的行业景气度[20] - 按照中信二级行业计算景气度的均值[20] 2. **因子名称**：超预期程度 **因子构建思路**：通过大模型对行业研报进行打分，衡量行业的超预期程度[14] **因子具体构建过程**： - 使用DeepSeek-V3模型，将提示词和摘要拼接作为输入，得到每篇报告的超预期程度[20] - 按照中信二级行业计算超预期程度的均值[20] 因子的回测效果 1. **行业景气度因子**： - 通信设备行业景气度为8.75[21] - 发电及电网行业景气度为8.50[21] - 半导体行业景气度为8.50[21] - 房地产服务行业景气度为5.50[22] - 结构材料行业景气度为5.00[22] 2. **超预期程度因子**： - 通信设备行业超预期程度为7.50[21] - 发电及电网行业超预期程度为7.38[21] - 半导体行业超预期程度为7.63[21] - 房地产服务行业超预期程度为4.40[22] - 结构材料行业超预期程度为4.00[22] 其他说明 - 最新结果显示，通信设备、发电及电网行业景气度较高，且边际变化明显提升；房地产服务、结构材料行业景气度较低[23] - 模型和因子的测试结果基于2025年4月28日至2025年5月5日的行业研报计算[21][22]

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. **鑫选ETF绝对收益策略** - 模型构建思路：通过"抽屉法"在场内权益ETF池中进行测试，目标是跑出绝对收益和相对A股权益的长周期相对收益[11] - 模型具体构建过程： - 选择ETF池包括黄金ETF、食品饮料ETF、医疗ETF等8只标的 - 采用等权重配置（每只10%）[12] - 结合技术面量化指标进行动态调整 - 模型评价：样本外表现优异，风险收益比突出 2. **全天候多资产多策略ETF风险平价策略** - 模型构建思路：结合行业轮动、风格轮动等权益策略，使用风险平价策略降低组合波动[16] - 模型具体构建过程： - 资产类别配置：商品（黄金ETF）、美股（标普500ETF）、国内权益（行业/风格轮动）、国内债（国债ETF） - 风险平价权重分配：10年期国债ETF（21.42%）、30年期国债ETF（17.25%）等[17] 3. **中美核心资产组合** - 模型构建思路：纳入白酒、红利、黄金、纳指四种强趋势标的，结合RSRS择时策略与技术面反转策略[20] - 模型评价：长期年化回报优异，最大回撤控制良好 4. **高景气/红利轮动策略** - 模型构建思路：构建高景气成长与红利策略的轮动模型[23] - 模型具体构建过程： - 高景气信号时配置创业板ETF和科创50ETF（各50%） - 红利信号时配置红利低波ETF与央企红利50ETF - 模型评价：风格切换效果显著 5. **双债LOF增强策略** - 模型构建思路：通过波动率倒数归一化调整债券与其他资产的配置权重[26] - 模型具体构建过程： $$ w_i = \frac{1/\sigma_i}{\sum_{j=1}^n 1/\sigma_j} $$ 其中$\sigma_i$为资产组波动率 6. **结构化风险平价策略(QDII)** - 模型构建思路：以国内债券ETF为主，QDII权益产品增强[27][29] - 资产配置：黄金ETF（4.52%）、纳指ETF（3.59%）、H股ETF等 模型的回测效果 | 策略名称 | 总收益率 | 年化收益率 | 最大回撤 | 波动率 | 夏普比率 | |---------|---------|------------|---------|--------|----------| | 鑫选技术面量化策略 | 31.19% | 23.63% | -6.30% | 17.90% | 1.16 | | 高景气红利轮动策略 | 43.68% | 32.73% | -22.04% | 35.50% | 0.91 | | 中美核心资产组合 | 55.80% | 41.40% | -10.86% | 17.39% | 1.96 | | 双债增强 | 8.54% | 6.61% | -2.26% | 3.47% | 1.29 | | 结构化风险平价策略(QDII) | 23.41% | 17.86% | -2.38% | 4.92% | 2.96 | | 全天候多资产风险平价策略 | 18.89% | 14.47% | -3.62% | 4.49% | 2.59 | [32] 量化因子与构建方式 （注：报告中未明确提及独立因子构建，主要为复合策略模型） 因子回测效果 （注：报告中未提供独立因子测试数据） 关键公式说明 风险平价权重计算公式： $$ w_i = \frac{1/\sigma_i}{\sum_{j=1}^n 1/\sigma_j} $$ 其中$\sigma_i$代表第i类资产的波动率[26]

根据提供的研报内容，以下是量化模型与因子的总结： 资金流向分析模型 1. **模型名称**：主动权益基金资金流向监测模型 **构建思路**：通过跟踪主动权益基金的规模、份额变化及净申购数据，分析市场资金偏好与基金经理行为[7][9][11][16] **具体构建过程**： - 计算加权份额变化：$$\Delta S = \frac{S_{t}-S_{t-1}}{S_{t-1}}$$，其中$S_t$为当期份额[7] - 净申购规模计算：$$NetInflow = AUM_t - AUM_{t-1} \times (1+R_t)$$，$R_t$为基金收益率[11][18] - 分类统计普通股票型、偏股混合型等细分类型的份额变动[9] **评价**：能有效捕捉市场热点与资金轮动，但对北交所等新兴板块覆盖不足[14][33] **测试结果**： - 2025Q1加权份额减少1.93%，规模回升至3.47万亿元[9] - 收益前10基金净申购233亿元，头部基金占比77.6%[11][14] --- 行业配置因子 1. **因子名称**：行业主动调仓因子 **构建思路**：基于基金重仓行业占比变化识别主动加减仓行为[26][27] **具体构建过程**： - 计算行业配置偏离度：$$ActiveWeight_{i,t} = W_{i,t} - W_{i,t-1} \times \frac{1+R_{i,t}}{1+R_{m,t}}$$ 其中$W_{i,t}$为行业i在t期配置权重，$R_{i,t}$为行业收益率[26] - 机械/金属/汽车行业加仓幅度最大（+0.70%/+0.69%/+0.62%）[27] **评价**：对周期板块轮动敏感，但需结合行业基本面验证[27] **测试结果**： - 电新/电信业务减仓最显著（-1.35%/-1.19%）[27] --- 港股持仓因子 1. **因子名称**：港股板块暴露因子 **构建思路**：通过恒生指数成分股持仓分析跨境配置偏好[35][36] **具体构建过程**： - 定义子板块权重：$$W_{HSIII} = \frac{\sum H_{tech}}{\sum H_{total}}$$，$H_{tech}$为恒生互联网科技持仓[36] - 历史回溯采用当前成分股静态测算[32][36] **评价**：能反映机构对港股弹性板块的博弈行为[35] **测试结果**： - 恒生互联网科技持仓从3.65%升至5.67%[36] - 港股总持仓占比创14.63%新高[36][40] --- 热点板块因子 1. **因子名称**：主题投资集中度因子 **构建思路**：统计人形机器人/创新药等主题在重仓股中的占比[32][33] **具体构建过程**： - 计算主题暴露度：$$ThematicExposure = \frac{\sum P_{theme}}{\sum P_{top10}}$$ $P_{theme}$为属于该主题的重仓股市值[33] **评价**：对短期主题炒作捕捉能力有限[33] **测试结果**： - 人形机器人持仓占比1.37%，较上期下降0.17pp[33] - 北交所持仓占比0.22%[33]

根据提供的量化择时周报内容，以下是量化模型和因子的详细总结： 量化模型与构建方式 1. **模型名称：市场情绪结构指标模型** - **模型构建思路**：通过多个细分指标综合评估市场情绪，采用打分法合成整体情绪指标[7][8] - **具体构建过程**： 1. 选取9个分项指标（如行业间交易波动率、主力买入力量等），每个指标根据布林轨道位置打分（-1/0/1）[8] 2. 指标方向定义：正向指标（如价量一致性）得分越高情绪越乐观，负向指标（如行业交易拥挤度）反之[8] 3. 合成公式：对全部分项指标等权求和后取20日均线，最终指标范围[-6,6][8] - **模型评价**：能有效捕捉历史情绪拐点，如2024年10月突破2分后市场回暖[9] 2. **模型名称：MASS均线排列打分模型** - **模型构建思路**：通过均线排列关系判断行业趋势强弱[18] - **具体构建过程**： 1. 对N日均线（长期N=360，短期N=60）计算相邻均线相对位置得分：短均线在上得1分，否则0分[18] 2. 标准化得分至0-100区间并求平均，得到趋势得分[18] 3. 通过长短趋势得分均线的交叉信号（100/20日均线）生成多空观点[18] 3. **模型名称：RSI风格择时模型** - **模型构建思路**：利用相对强弱指标判断风格轮动[22] - **具体构建过程**： 1. 计算风格指数净值比值的RSI： $$RSI = 100 - \frac{100}{1 + \frac{Gain}{Loss}}$$ 其中Gain为N日内上涨日均值，Loss为下跌日均值[22] 2. 通过20日与60日RSI的相对位置判断风格占优方向（20日>60日则分子端风格占优）[22] 量化因子与构建方式 1. **因子名称：主力买入力量** - **构建思路**：反映主力资金净流入水平[8] - **具体构建**：通过主力资金净流入数据标准化后结合布林轨道位置打分[8] 2. **因子名称：科创50成交占比** - **构建思路**：衡量资金风险偏好[8] - **具体构建**：计算科创50成交量占全A比例，突破布林上轨得1分，跌破下轨得-1分[8][14] 3. **因子名称：价量一致性** - **构建思路**：评估资金情绪稳定性[8] - **具体构建**：结合价格趋势与成交量变化方向的一致性程度打分[8] 模型的回测效果 1. **市场情绪结构指标模型** - 当前数值：0.8（2025/4/30）[9] - 分项指标得分变化：主力买入力量从4/18的-1升至4/30的+1[12] 2. **MASS均线排列模型** - 看多行业得分：美容护理（72.88）、银行（74.58）[19] - 看空行业得分：房地产（20.34）、商贸零售（27.12）[19] 3. **RSI风格模型** - 价值风格占优：国证成长/价值RSI=51.60（20日）vs 48.92（60日）[25] - 大盘风格占优：申万小盘/大盘RSI=48.84（20日）[25] 因子的回测效果 1. **主力买入力量因子** - 4月30日得分：+1（较4/18低点显著回升）[12] 2. **科创50成交占比因子** - 4月30日得分：-1（持续低于布林下轨）[12][14] 3. **价量一致性因子** - 4月30日得分：0（从前期-1回升至中性）[12]