量化模型与构建方式 1. 可转债随机森林策略 - **模型名称**：可转债随机森林策略[16][17] - **模型构建思路**：利用随机森林这一机器学习方法，以决策树为基础筛选出每期具有超额收益潜力的可转债标的，构建高胜率可转债择券策略[17] - **模型具体构建过程**：采用随机森林算法，通过多棵决策树进行集成学习，每棵树基于不同的样本和特征子集训练，最终通过投票或平均方式得到最终预测结果，用于筛选具有超额收益潜力的可转债标的[17] 2. 多维度择时模型 - **模型名称**：多维度择时模型[18][19] - **模型构建思路**：根据宏观、微观、中观信号将A股划分为9个状态，分别对应多空信号形成三维大周期择时信号，在此基础上叠加股指期货基差产生的衍生品信号，合成四维度非线性择时模型[18] - **模型具体构建过程**： 1. 宏观维度：从短期货币流动性、长端利率、信用、经济增长以及汇率五个维度刻画宏观环境运行状态[21] 2. 中观维度：通过行业景气指数构建，基于产业链系统分析追踪上下游行业部门，对行业进行财务指标分解，重构行业景气度追踪框架[27][30] 3. 微观维度：以估值、风险溢价、波动率以及流动性四类均值回复性较强的因子刻画各宽基指数的微观结构风险[35] 4. 衍生品维度：基于股指期货基差与指数自身的相关性趋势构建日频择时信号[43] 5. 信号合成：将四个维度的信号综合，形成最终的多维度择时信号[18][19] 3. 宏观Logit模型 - **模型名称**：宏观Logit模型[24][25] - **模型构建思路**：通过Logit回归模型对宏观环境状态进行预测[24] - **模型具体构建过程**：使用短期货币流动性、长端利率、信用、经济增长以及汇率五个维度的宏观变量，经过平稳化处理后，构建Logit回归模型来预测宏观环境状态[21][24] - **模型评价**：能够有效预测宏观环境变化，为择时策略提供宏观维度的信号支持[24] 4. 中观景气度2.0模型 - **模型名称**：中观景气度2.0模型[27][28] - **模型构建思路**：通过追踪行业主营业务的营收和成本情况来监控行业整体的景气度[27] - **模型具体构建过程**： 1. 基于产业链系统分析，追踪上下游行业部门[30] 2. 对行业进行财务指标分解，挖掘可追踪的重点指标[30] 3. 重构行业的景气度追踪框架[30] 4. 计算各行业景气指数后，按上证指数每日各行业市值权重加权合成新景气指数2.0[27] - **模型评价**：能够领先预测A股盈利扩张周期，有效反映行业景气变化[28][29] 5. 微观结构风险模型 - **模型名称**：微观结构风险模型[35][36] - **模型构建思路**：以估值、风险溢价、波动率以及流动性四类均值回复性较强的因子刻画各宽基指数的微观结构风险[35] - **模型具体构建过程**： 1. 估值：市盈率与市净率在过去5年中所处分位数的均值[36] 2. 风险溢价：ERP(ep-rf:市盈率倒数减去一年期定存利率)在过去5年中所处的分位数[36] 3. 波动率：50日波动率在过去5年中所处分位数[36] 4. 流动性：自由流通市值换手率在过去5年中所处分位数[36] 5. 结构风险因子：四因子等权相加[36] - **模型评价**：能够有效刻画市场微观结构风险，为择时策略提供微观维度的信号支持[36] 6. 行业轮动策略2.0 - **模型名称**：行业轮动策略2.0[68][69] - **模型构建思路**：通过信用及企业盈利构建经济四象限，开发多维度行业风格因子，构建适用于A股市场的行业轮动策略[68][69] - **模型具体构建过程**： 1. 构建经济四象限：[企业盈利上行，信用上行]、[企业盈利上行，信用下行]、[企业盈利下行，信用上行]、[企业盈利下行，信用下行][68] 2. 开发多维度行业风格因子：包括一致预期景气、超越预期盈利、龙头效应、行业估值泡沫、反转因子、动量因子、拥挤度、通胀beta[69] 3. 在四个经济象限分别对各因子进行有效性检验[69] 4. 基于因子轮动配置相应的高预期收益行业[69] - **模型评价**：宏观适配性强，覆盖行业多维度特性，能够实现有效的行业轮动[69][78] 7. ETF轮动策略 - **模型名称**：ETF轮动策略[78][79] - **模型构建思路**：将基于基本面轮动、质量低波、困境反转三维度行业轮动策略进行等权组合，实现因子与风格的互补[78] - **模型具体构建过程**： 1. 基本面轮动策略：使用超预期景气度、行业龙头效应、行业动量、拥挤度、通胀beta等因子[78] 2. 质量低波策略：聚焦个股质量与低波，防御性突出[78] 3. 困境反转策略：使用PB_zscore、分析师长期预期、短期筹码交换等因子捕捉估值修复与业绩反转机会[78] 4. 将三个策略等权组合，形成最终的ETF轮动策略[78] - **模型评价**：能够实现因子与风格的互补，降低单一策略的风险[78] 8. 遗传规划指数增强模型 - **模型名称**：遗传规划指数增强模型[88][93][97][102] - **模型构建思路**：使用遗传规划算法挖掘选股因子，构建指数增强组合[88][93][97][102] - **模型具体构建过程**： 1. 股票池：根据不同指数选择对应的成分股[88][93][97][102] 2. 训练集：2016年1月1日-2020年12月31日[88][93][97][102] 3. 因子挖掘：由遗传规划因子挖掘模型挖掘多个初始种群，经过多代多轮得到最终因子集合[88][93][97][102] 4. 策略：每周最后一个交易日选择模型得分最高的每个行业内的前10%的股票构建多头组合，以下周第一个交易日开盘价买入，周频调仓，交易成本为双边千三[88][93][97][102] - **模型评价**：能够有效挖掘具有预测能力的选股因子，实现稳定的超额收益[88][93][97][102] 量化因子与构建方式 1. Barra CNE6风格因子 - **因子名称**：Barra CNE6风格因子[45][46] - **因子构建思路**：包括9个一级风格因子和20个二级风格因子，通过计算各个风格因子近期收益，评估不同因子在近期市场中的表现[45] - **因子具体构建过程**：规模（市值、非线性市值）、波动性（BETA、残差波动率）、流动性（流动性）、动量（短期反转、季节、行业动量、动量）、质量（杠杆、盈利变动率、盈利质量、盈利能力、投资质量）、价值（价值、盈利、长期反转）、成长（成长）、分析师预期（分析师预期）、红利（红利）[45] 2. 行业轮动因子 - **因子名称**：行业轮动因子[55][57] - **因子构建思路**：通过多维度行业风格因子构建行业轮动策略[55][57] - **因子具体构建过程**：包括一致预期行业景气度、超越预期盈利、龙头效应、北向资金、估值beta、动量因子、反转因子、拥挤度等因子[57] 模型的回测效果 1. 可转债随机森林策略 - 本周超额收益：0.64%[16] 2. 多维度择时模型 - 最新信号：多头（1）[19] 3. 宏观Logit模型 - 最新预测值：0.919[24][25] 4. 中观景气度2.0模型 - 当前景气指数：0.913[28][31] - 剔除大金融板块景气指数：1.288[28][31] 5. 行业轮动策略2.0 - 无剔除版年化超额收益：9.44%[71] - 双剔除版年化超额收益：10.14%[71] 6. ETF轮动策略 - 年化超额收益率：12.84%[82] - 夏普率：0.89[82] - 今年以来超额收益率：14.34%[82] 7. 遗传规划指数增强模型 沪深300指数增强 - 年化超额收益率：17.91%[91][92] - 夏普率：1.05[91][92] - 今年以来超额收益率：-4.35%[91][92] - 本周收益率：-1.14%[91] - 本周超额收益率：-0.70%[91] 中证500指数增强 - 年化超额收益率：11.78%[95] - 夏普率：0.85[95] - 今年以来超额收益率：-2.92%[95] - 本周收益率：-0.41%[95] - 本周超额收益率：-0.73%[95] 中证1000指数增强 - 年化超额收益率：17.97%[98][99] - 夏普率：0.93[98][99] - 今年以来超额收益率：-1.80%[98][99] - 本周收益率：-1.01%[98] - 本周超额收益率：-1.22%[98] 中证全指指数增强 - 年化超额收益率：24.84%[103] - 夏普率：1.33[103] - 今年以来超额收益率：11.36%[103] - 本周收益率：-0.27%[103] - 本周超额收益率：-0.09%[103] 因子的回测效果 1. Barra CNE6风格因子 - 2025年9月15日至2025年9月19日：规模因子表现较好，波动性因子表现较差[46] - 本月（9月以来）：波动性因子表现较好[46] - 最近一年：动量（反转）因子和波动性因子表现较好[46] 2. 行业轮动因子 - 一致预期行业景气度月收益率：0.40%[57] - 超越预期盈利月收益率：-0.21%[57] - 龙头效应月收益率：-1.18%[57] - 北向资金月收益率：0.63%[57] - 估值beta月收益率：2.37%[57] - 动量因子月收益率：-0.95%[57] - 反转因子月收益率：0.95%[57] - 拥挤度月收益率：0.15%[57]

量化模型与构建方式 1. 扩散指数行业轮动模型 - **模型名称**：扩散指数行业轮动模型[25][26] - **模型构建思路**：基于价格动量原理，通过计算行业扩散指数来捕捉行业趋势，选择扩散指数排名靠前的行业进行配置[26][38] - **模型具体构建过程**： 1. 选取中信一级行业作为标的[27] 2. 计算每个行业的扩散指数，扩散指数反映了行业价格趋势的强度[27] 3. 定期（如月度）选择扩散指数排名前六的行业作为配置组合[26][30] 4. 具体配置行业根据最新扩散指数值确定，例如2025年9月配置行业为综合、有色金属、通信、银行、传媒、商贸零售[26][30] 2. GRU因子行业轮动模型 - **模型名称**：GRU因子行业轮动模型[33][34] - **模型构建思路**：基于分钟频量价数据，通过GRU（门控循环单元）深度学习网络生成行业因子，捕捉交易信息中的规律进行行业轮动[34][38] - **模型具体构建过程**： 1. 使用分钟频量价数据作为输入[38] 2. 通过GRU深度学习网络处理数据，生成每个行业的GRU因子值[34][38] 3. GRU因子值反映了行业短期的动量或交易信号[34] 4. 定期（如周度）选择GRU因子排名靠前的行业作为配置组合，例如调入煤炭、调出房地产[36] 模型的回测效果 1. 扩散指数行业轮动模型 - 2025年以来超额收益：2.76%[25][30] - 2025年9月以来超额收益：-1.88%[30] - 本周超额收益：-1.41%[30] 2. GRU因子行业轮动模型 - 2025年以来超额收益：-7.78%[33][36] - 2025年9月以来超额收益：-0.10%[36] - 本周超额收益：-0.38%[36] 量化因子与构建方式 1. 行业扩散指数因子 - **因子名称**：行业扩散指数[27] - **因子构建思路**：通过计算行业价格数据的扩散指数，衡量行业趋势强度[27] - **因子具体构建过程**： 1. 获取中信一级行业的价格数据[27] 2. 计算每个行业的扩散指数值，具体计算方法未详细说明，但扩散指数值介于0到1之间，值越高表示趋势越强[27] 3. 例如，截至2025年9月19日，有色金属行业的扩散指数为0.978，银行行业为0.968[27] 2. GRU行业因子 - **因子名称**：GRU行业因子[34] - **因子构建思路**：基于GRU深度学习网络处理分钟频量价数据，生成代表行业短期动量的因子[34][38] - **因子具体构建过程**： 1. 输入分钟频量价数据到GRU网络[38] 2. 网络输出每个行业的GRU因子值，值越高表示行业动量越强[34] 3. 例如，截至2025年9月19日，有色金属行业的GRU因子值为7.4，石油石化行业为5.38[34] 因子的回测效果 （注：报告中未提供因子的独立回测指标，如IC、IR等，仅提供了基于因子构建的模型回测结果）

量化因子与构建方式 1. 因子名称：成长风格因子；因子构建思路：通过国证成长指数与万得全A指数的相对表现来捕捉成长风格相对于市场的超额收益[25][26]；因子具体构建过程：以2016年1月4日为基准日，计算国证成长指数的每日收盘点数除以基准日收盘点数得到累计净值，再将此累计净值除以同一交易日的万得全A指数累计净值，得到成长风格相对于万得全A的累计超额净值[122]；因子评价：成长风格拥挤度及超额净值持续处于历史低位[2][35] 2. 因子名称：红利风格因子；因子构建思路：通过中证红利指数与万得全A指数的相对表现来捕捉红利风格相对于市场的超额收益[25][26]；因子具体构建过程：以2016年1月4日为基准日，计算中证红利指数的每日收盘点数除以基准日收盘点数得到累计净值，再将此累计净值除以同一交易日的万得全A指数累计净值，得到红利风格相对于万得全A的累计超额净值[122]；因子评价：红利风格拥挤度近期处于历史较低位置[2][35] 3. 因子名称：小盘风格因子；因子构建思路：通过巨潮小盘指数与万得全A指数的相对表现来捕捉小盘风格相对于市场的超额收益[25][26]；因子具体构建过程：以2016年1月4日为基准日，计算巨潮小盘指数的每日收盘点数除以基准日收盘点数得到累计净值，再将此累计净值除以同一交易日的万得全A指数累计净值，得到小盘风格相对于万得全A的累计超额净值[122]；因子评价：小盘风格超额净值及拥挤度均处于历史低位[2][39] 4. 因子名称：大盘风格因子；因子构建思路：通过巨潮大盘指数与万得全A指数的相对表现来捕捉大盘风格相对于市场的超额收益[25][26]；因子具体构建过程：以2016年1月4日为基准日，计算巨潮大盘指数的每日收盘点数除以基准日收盘点数得到累计净值，再将此累计净值除以同一交易日的万得全A指数累计净值，得到大盘风格相对于万得全A的累计超额净值[122]；因子评价：大盘风格拥挤度近期上升至历史高位[2][39] 5. 因子名称：微盘股因子；因子构建思路：通过万得微盘股指数与万得全A指数的相对表现来捕捉微盘股风格相对于市场的超额收益[25][26]；因子具体构建过程：以2016年1月4日为基准日，计算万得微盘股指数的每日收盘点数除以基准日收盘点数得到累计净值，再将此累计净值除以同一交易日的万得全A指数累计净值，得到微盘股风格相对于万得全A的累计超额净值[122]；因子评价：微盘股拥挤度下降至历史低位[2][41] 6. 因子名称：基金重仓因子；因子构建思路：通过基金重仓指数与万得全A指数的相对表现来捕捉基金重仓风格相对于市场的超额收益[25][26]；因子具体构建过程：以2016年1月4日为基准日，计算基金重仓指数的每日收盘点数除以基准日收盘点数得到累计净值，再将此累计净值除以同一交易日的万得全A指数累计净值，得到基金重仓风格相对于万得全A的累计超额净值[122]；因子评价：基金重仓超额累计净值持续处于历史低位，拥挤度近期上行至历史高位[2][41] 7. 因子名称：动量因子；因子构建思路：以最近一年股票收益率减去最近一个月股票收益率（剔除涨停板）作为动量指标，综合选择A股市场中动量特征强且流动性相对较高的股票[28]；因子具体构建过程：使用长江动量指数，该指数选取动量特征强且流动性高的前100只股票作为成分股[28] 8. 因子名称：反转因子；因子构建思路：以最近一个月股票收益率作为筛选指标，综合选择A股市场中反转效应强、流动性较好的股票[28]；因子具体构建过程：使用长江反转指数，该指数选取反转效应强且流动性好的前100只股票作为成分股，并采用成分股近三个月日均成交量进行加权[28] 9. 因子名称：风格拥挤度因子；因子构建思路：衡量各风格指数的交易活跃度相对于历史水平的位置[35][121]；因子具体构建过程：将各风格指数的近63个交易日（近一个季度）的日均换手率在历史时间序列上进行z-score标准化并与万得全A的结果作差，最后计算该差值的滚动6年分位值（历史数据量满1年且不足6年时，以全部历史数据进行计算）[121]；计算公式：$$拥挤度分位值 = Percentile_{6y}(Z(风格指数换手率_{63d}) - Z(万得全A换手率_{63d}))$$ 10. 因子名称：机构调研活跃度因子；因子构建思路：衡量各板块、指数、行业的机构调研活跃程度相对于历史水平的位置[103][123]；因子具体构建过程：分为长期和短期两个口径。长期口径：将板块（指数、行业）的近126个交易日（近半年）的"日均机构调研次数"在滚动6年的历史时间序列上进行z-score标准化并与万得全A的结果作差得到"机构调研活跃度"，最后计算其滚动6年历史分位数（历史数据量满3年且不足6年时，以全部历史数据进行计算）。短期口径：将板块（指数、行业）的近63个交易日（近一季度）的"日均机构调研次数"在滚动3年的历史时间序列上进行z-score标准化并与万得全A的结果作差得到"机构调研活跃度"，最后计算其滚动3年历史分位数（历史数据量满1年且不足3年时，以全部历史数据进行计算）[123]；计算公式：$$机构调研活跃度 = Z(日均机构调研次数_{n}) - Z(万得全A日均机构调研次数_{n})$$，其中n取126（长期）或63（短期） 11. 因子名称：估值因子（PE_TTM）；因子构建思路：使用市盈率（TTM）衡量股票估值水平[60][67]；因子具体构建过程：计算指数或行业的市盈率（TTM），并计算其在2010年1月1日至今时间区间内的历史分位值[60][69] 12. 因子名称：股债性价比因子（erp）；因子构建思路：通过风险溢价指标erp衡量配置权益资产的相对性价比[71][80]；因子具体构建过程：计算指数erp = 1/指数PE_TTM – 10年期中债国债到期收益率，并计算其在2010年1月1日至今时间区间内的历史分位值[71][80]；计算公式：$$erp = \frac{1}{PE\_TTM} - R_{10y国债}$$ 因子的回测效果 1. 成长风格因子，近一周超额收益2.6%[25]，近一月超额收益12.4%[25]，年初至今超额收益25.8%[25]，拥挤度历史分位15%[35] 2. 红利风格因子，近一周超额收益-1.1%[26]，近一月超额收益-2.3%[26]，年初至今超额收益-2.0%[26]，拥挤度历史分位30%[35] 3. 小盘风格因子，近一周超额收益0.6%[26]，近一月超额收益4.1%[26]，年初至今超额收益24.8%[26]，拥挤度历史分位41%[35] 4. 大盘风格因子，近一周超额收益-0.5%[26]，近一月超额收益2.7%[26]，年初至今超额收益14.3%[26]，拥挤度历史分位88%[35] 5. 微盘股因子，近一周超额收益-1.4%[26]，近一月超额收益-2.4%[26]，年初至今超额收益56.5%[26]，拥挤度历史分位10%[35] 6. 基金重仓因子，近一周超额收益0.6%[26]，近一月超额收益4.2%[26]，年初至今超额收益24.3%[26]，拥挤度历史分位90%[35] 7. 动量因子，近一周超额收益0.9%[26]，近一月超额收益-1.3%[26]，年初至今超额收益37.1%[26] 8. 反转因子，近一周超额收益1.6%[26]，近一月超额收益2.3%[26]，年初至今超额收益13.1%[26] 9. 成长较红利因子，近一周超额收益2.6%[25]，近一月超额收益12.4%[25]，年初至今超额收益25.8%[25] 10. 小盘较大盘因子，近一周超额收益1.1%[25]，近一月超额收益1.4%[25]，年初至今超额收益10.5%[25] 11. 微盘股较基金重仓因子，近一周超额收益-2.0%[25]，近一月超额收益-6.6%[25]，年初至今超额收益32.2%[25] 12. 动量较反转因子，近一周超额收益-0.6%[25]，近一月超额收益-3.6%[25]，年初至今超额收益24.0%[25]

量化模型与构建方式 1 **模型名称**：攻守兼备红利50组合[15] **模型构建思路**：结合红利与质量因子，在红利策略基础上融入质量维度，追求防御性与成长性的平衡[13][15] **模型具体构建过程**： - 选股逻辑：自上而下筛选行业与主题核心逻辑，从基本面因子库中筛选有效选股因子[13] - 因子选择：结合红利因子（如股息率）和质量因子（如盈利能力、财务稳健性）[16][19] - 组合构建：最终选定50只股票，风格偏向攻守兼备[15] 2 **模型名称**：央国企高分红30组合[15] **模型构建思路**：聚焦央国企高分红个股，强调稳健性与股息收益[15] **模型具体构建过程**： - 选股范围：中央企业与国有企业[19] - 核心因子：股息率、分红稳定性[19] - 组合构建：最终选定30只股票，风格偏向稳健+成长[15] 3 **模型名称**：电子均衡配置增强组合[15] **模型构建思路**：在电子板块内进行均衡配置，分散细分赛道风险[15] **模型具体构建过程**： - 选股范围：电子行业全赛道[25] - 配置方式：均衡分配权重，避免过度集中[33] - 调仓频率：月度调仓[37] 4 **模型名称**：电子板块优选增强组合[15] **模型构建思路**：聚焦电子板块成熟期细分赛道的龙头企业[15] **模型具体构建过程**： - 选股范围：电子行业中迈入成熟期的细分赛道[15] - 选股标准：龙头企业，具备行业地位与稳定盈利能力[15] - 调仓频率：月度调仓[37] 模型的回测效果 1 **攻守兼备红利50组合**，周度收益未披露，年初至今超额收益4.00%[7][22] 2 **央国企高分红30组合**，周度收益未披露，年初至今收益未披露[7] 3 **电子均衡配置增强组合**，周度收益未披露，跑输电子行业指数[7][33] 4 **电子板块优选增强组合**，周度收益未披露，跑输电子行业指数[7][33] 量化因子与构建方式 1 **因子名称**：红利因子[16][19] **因子构建思路**：基于股息率与分红稳定性，筛选高分红个股[16][19] **因子具体构建过程**： - 核心指标：股息率、分红历史[19] - 应用方式：在红利策略中作为基础选股标准[16] 2 **因子名称**：质量因子[16][19] **因子构建思路**：引入盈利能力、财务稳健性等指标，提升组合质量[16][19] **因子具体构建过程**： - 核心指标：ROE、资产负债率、盈利稳定性[19] - 应用方式：在红利策略中作为增强选股标准[16] 因子的回测效果 1 **红利因子**，周度收益-1.11%（中证红利指数）[19] 2 **质量因子**，周度收益0.88%（中证红利质量指数）[19]

根据提供的量化市场追踪周报，以下是关于报告中涉及的量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：主动权益型基金仓位测算模型**[23][24] * **模型构建思路**：通过分析基金的持仓数据，估算主动权益型基金的整体仓位水平，以反映市场情绪和资金配置动向[23]。 * **模型具体构建过程**： 1. **样本筛选**：首先确定合格样本基金，筛选门槛包括：成立期满两个季度、未到期、规模大于5000万元、过去四期平均仓位大于60%[24]。 2. **加权计算**：对合格样本，根据其持股市值进行加权，计算市场平均仓位[24]。 3. **分类计算**：分别计算普通股票型、偏股混合型、配置型（灵活配置型与平衡混合型合并）基金的平均仓位[23][24]。 4. **数据清理**：以上测算均剔除不完全投资于A股的基金[25]。 * **模型评价**：该模型是市场监控的常用工具，能较好地反映公募基金整体的风险偏好和操作方向。 2. **模型名称：固收+基金仓位测算模型**[23][24] * **模型构建思路**：估算以债券等固收资产为基础，同时配置部分权益资产的“固收+”基金的平均仓位，以观察其风险资产暴露程度[23]。 * **模型具体构建过程**： 1. **样本筛选**：合格样本筛选门槛包括：成立期满两个季度、未到期、规模大于5000万元、过去四期平均仓位在10%-30%[24]。 2. **加权计算**：对合格样本，根据持股市值加权计算平均仓位[24]。 3. **数据清理**：剔除不完全投资于A股的基金[25]。 * **模型评价**：有助于跟踪低风险偏好资金的权益市场参与度。 3. **模型名称：主动权益产品风格仓位测算模型**[30] * **模型构建思路**：将主动偏股型基金的仓位按市值规模（大盘、中盘、小盘）和风格（成长、价值）进行划分，以分析其风格配置偏好[30]。 * **模型具体构建过程**：报告未详细描述具体构建过程，但展示了测算结果，包括大盘成长、大盘价值、中盘成长、中盘价值、小盘成长、小盘价值等六个维度的仓位百分比[30]。 * **模型评价**：用于追踪市场风格轮动和基金经理想法的变化。 4. **模型名称：主动权益产品行业仓位测算模型**[34][35] * **模型构建思路**：测算主动权益型基金在中信一级行业上的配置比例，以观察其行业偏好和调仓动向[34]。 * **模型具体构建过程**：报告未详细描述具体构建过程，但展示了基于持股市值加权平均的各行业仓位分布及环比变化[34][35]。 * **模型评价**：是分析板块资金流向和行业景气度的重要参考。 5. **模型/因子名称：主力/主动资金流划分标准**[52] * **构建思路**：基于同花顺对成交单的分类标准，将市场资金流按成交规模和性质划分为特大单、大单、中单、小单，用以分析不同资金主体的行为[52]。 * **具体构建过程**：划分标准如下： * 特大单：成交量在20万股以上，或成交金额在100万元以上的成交单[52]。 * 大单：成交量在6万股到20万股之间，或成交金额在30万到100万之间，或成交量占流通盘0.1%的成交单[52]。 * 中单：成交量在1万股与6万股之间，或成交金额在5万到30万之间的成交单[52]。 * 小单：成交量在1万股以下，或成交金额在5万元以下的成交单[52]。 * **评价**：此分类是市场资金面分析的基础框架，有助于理解不同类型投资者的交易行为。 模型的回测效果 *本报告为市场动态追踪周报，主要展示当前市场数据和模型测算结果，未提供模型的历史回测绩效指标（如年化收益率、夏普比率、最大回撤等）。* 量化因子与构建方式 *本报告未涉及传统意义上的量化因子（如价值、动量、质量等）的构建与测试。* 因子的回测效果 *本报告未涉及量化因子的回测效果。*

量化模型与构建方式 1 模型名称：三维择时框架[8][12][13][17]；模型构建思路：基于市场分歧度、流动性和景气度三个维度构建择时模型，判断市场整体走势[8][12]；模型具体构建过程：首先分别构建分歧度指数、流动性指数和景气度指数，然后综合三个指数的趋势变化进行择时判断，当流动性处于下行趋势、分歧度扩大、景气度回升时判断为震荡下跌[8][12][13][17] 2 模型名称：ETF热点趋势策略[28][29][30]；模型构建思路：根据ETF价格形态和市场关注度筛选热点ETF构建投资组合[28]；模型具体构建过程：先选出最高价与最低价同时为上涨形态的ETF，再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，最后选择因子多头组中近5日换手率/近20日换手率最高的10只ETF构建风险平价组合[28] 3 模型名称：资金流共振策略[32][35][38]；模型构建思路：监控融资融券与大单资金的共振效应，选择两类资金都看好的行业[32][35]；模型具体构建过程：定义行业融资融券资金因子为barra市值因子中性化后的融资净买入-融券净买入（个股加总），取最近50日均值后的两周环比变化率；定义行业主动大单资金因子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；在主动大单因子的头部打分内做融资融券因子的剔除，提高策略稳定性[35] 模型的回测效果 1 三维择时框架，无具体指标值提供[8][12][13][17] 2 ETF热点趋势策略，无具体指标值提供[28][29][30] 3 资金流共振策略，年化超额收益13.5%，信息比率1.7[35] 量化因子与构建方式 1 因子名称：风格因子系列[40][41]；因子构建思路：从多个维度刻画股票市场风格特征[40]；因子具体构建过程：包括size（市值）、beta（贝塔）、momentum（动量）、volatility（波动率）、nlsize（非线性市值）、value（估值）、liquidity（流动性）、earnings_yield（盈利收益率）、growth（成长性）、leverage（杠杆）等因子，均采用标准化的因子构建方法[40][41] 2 因子名称：Alpha因子系列[44][46]；因子构建思路：从多维度观察不同因子的表现趋势[43]；因子具体构建过程：包括io_to_float_a_share（基金总持股数占个股流通股比值）、top_ten_mean_stkvaluetonav（重仓股数占净值均值）、mom_1y_1m（1年-1个月的收益率）、top_ten_io_to_float_a_share（重仓股数占个股流通股比值）等因子，除规模因子外均进行市值、行业中性化处理，规模因子进行行业中性化处理[43][44][46] 3 因子名称：研发类因子[46][47][48]；因子构建思路：衡量公司在研发投入方面的强度[46][48]；因子具体构建过程：包括tot_rd_ttm_to_sales（研发销售收入占比）$$tot\_rd\_ttm\_to\_sales = \frac{研发支出_{TTM}}{营业收入_{TTM}}$$、tot_rd_ttm_to_assets（研发总资产占比）$$tot\_rd\_ttm\_to\_assets = \frac{研发支出_{TTM}}{总资产}$$、tot_rd_ttm_to_equity（研发净资产占比）$$tot\_rd\_ttm\_to\_equity = \frac{研发支出_{TTM}}{净资产}$$[46][48] 因子的回测效果 1 风格因子系列，最近一周收益：size 1.46%、beta 2.19%、momentum 0.27%、volatility 0.50%、nlsize 1.02%、value -1.42%、liquidity 1.32%、earnings_yield -0.60%、growth 1.51%、leverage -0.64%[41] 2 Alpha因子系列，最近一周多头超额：io_to_float_a_share 1.32%、top_ten_mean_stkvaluetonav 1.00%、mom_1y_1m 0.94%、top_ten_io_to_float_a_share 0.92%[46] 3 研发类因子，最近一周不同指数下的多头超额：沪深300中 tot_rd_ttm_to_sales 36.52%、tot_rd_ttm_to_assets 37.87%、tot_rd_ttm_to_equity 22.20%；中证500中 tot_rd_ttm_to_sales 29.00%、tot_rd_ttm_to_assets 25.27%、tot_rd_ttm_to_equity 27.87%；中证1000中 tot_rd_ttm_to_sales 39.13%、tot_rd_ttm_to_assets 36.26%、tot_rd_ttm_to_equity 27.81%[48]

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 1. **模型名称**：中证5G通信主题指数[3][59][62] * **模型构建思路**：该指数旨在反映沪深市场中业务与5G建设或应用相关的上市公司证券的整体表现[3][59] * **模型具体构建过程**： 1. **样本空间**：同中证全指指数的样本空间，由满足以下条件的沪深A股组成：上市时间超过一个季度（除非该股票自上市以来的日均A股总市值在全部沪深A股中排在前30位）；非ST、*ST股票、非暂停上市股票[60] 2. **选样方法**： * 对样本空间内证券分别按照过去一年的日均总市值和日均成交金额由高到低排名，并剔除任一排名后20%的证券[61] * 选取业务与5G建设或应用相关的上市公司证券作为待选样本，相关领域包括：5G基础建设（设备与材料、网络建设与运维以及配套基础设施）；5G终端设备（智能终端及相关零部件）；5G应用场景（智能网联汽车、工业互联网、VR/AR、超高清视频、云游戏、智慧城市等）[61][63] * 在上述待选样本中，按照过去一年日均总市值由高到低排名，选取排名前50的证券作为指数样本[61] * **模型评价**：该指数紧扣5G主题，科技龙头属性高，成分股在TMT、科技龙头、5G等概念上的暴露较高，主题特征鲜明，同时具备较好的流动性[3][62][73] 模型的回测效果 1. **中证5G通信主题指数**，预期2025年营业收入22154亿元，同比增速23.87%[77] 2. **中证5G通信主题指数**，预期2026年营业收入27421亿元，同比增速23.78%[77] 3. **中证5G通信主题指数**，预期2027年营业收入32484亿元，同比增速18.46%[77] 4. **中证5G通信主题指数**，预期2025年归母净利润1332亿元，同比增速40.02%[77] 5. **中证5G通信主题指数**，预期2026年归母净利润1737亿元，同比增速30.44%[77] 6. **中证5G通信主题指数**，预期2027年归母净利润2105亿元，同比增速21.22%[77] 量化因子与构建方式 （报告中未明确提及除指数编制规则外的独立量化因子及其构建过程） 因子的回测效果 （报告中未提供独立量化因子的具体测试结果和指标取值）

量化模型与构建方式 短期量化择时模型 1. **模型名称**：短期量化择时模型[12][13][16] **模型构建思路**：从宏观基本面、估值面、情绪面和流动性四个维度，综合多个二级指标信号，生成对A股市场的整体看多看空判断[12][13][16] **模型具体构建过程**： - 将择时信号分为四个一级指标：基本面、估值面、情绪面、流动性[12][13][16] - 每个一级指标下包含若干二级指标，每个二级指标根据其当前值在过去5年中的分位数位置，独立生成“乐观”、“谨慎”或“中性”信号[12][13][16] - 汇总每个一级指标下所有二级指标的信号，得到该一级指标的最终信号[12][13][16] - 综合所有四个一级指标的信号，生成最终的总仓位信号（看多或看空）[12][13][16] **模型评价**：该模型是一个多因子综合判断模型，通过不同维度的指标捕捉市场状态，逻辑清晰，覆盖面广 2. **模型名称**：成长价值风格轮动模型[24][26] **模型构建思路**：从基本面、估值面和情绪面三个维度分析，判断当前应超配成长风格还是价值风格[24][26] **模型具体构建过程**： - **基本面**：分析盈利周期斜率、利率综合周期水平、信贷综合周期变化三个指标。例如，盈利周期斜率大时利好成长，利率周期水平偏高时利好价值，信贷周期走强时利好成长[24][26] - **估值面**：分析成长与价值指数的PE估值差和PB估值差在过去5年的分位数。估值差均值回归上行时，利好成长风格[24][26] - **情绪面**：分析成长价值换手差和波动差的5年分位数。换手差偏低利好价值，波动差反弹至偏高位置利好均衡[24][26] - 综合三个维度的信号，给出最终的超配建议（如100%成长或100%价值）[24][26] 3. **模型名称**：小盘大盘风格轮动模型[28][29][31] **模型构建思路**：从流动性视角出发，综合11个有效轮动指标，构建判断超配小盘或大盘的综合信号[28][29][31] **模型具体构建过程**： - 模型基于11个指标，包括：A股龙虎榜买入强度、R007、融资买入余额变化、小盘主题投资交易情绪、等级利差、期权波动率风险溢价、beta离散度、pb分化度、大宗交易折溢价率、中证1000MACD(10,20,10)、中证1000交易量能[31] - 每个指标独立生成看多小盘（100%）或看多大盘（0%）的信号[31] - 综合所有指标的信号，生成最终的综合配置建议[31] 模型的回测效果 1. **短期量化择时模型**，年化收益率17.99%，年化波动率15.87%，最大回撤22.44%，夏普比率0.9959，收益回撤比0.8014，月度胜率63.64%，季度胜率61.54%，年度胜率71.43%[14][19] 2. **成长价值风格轮动模型**，年化收益率13.22%，年化波动率20.80%，最大回撤43.07%，夏普比率0.6056，收益回撤比0.3069，月度胜率58.82%，季度胜率60.78%[25][28] 3. **小盘大盘风格轮动模型**，年化收益率19.10%（综合信号3D平滑），年化超额收益率11.96%，最大回撤39.71%，胜率（按交易）50.00%[31] 量化因子与构建方式 1. **因子名称**：制造业PMI因子[12][16] **因子构建思路**：作为基本面维度的景气度观察指标[12][16] **因子具体构建过程**：直接采用国家统计局发布的制造业采购经理指数（PMI）最新值，判断其是否大于50的荣枯线[12][16] 2. **因子名称**：信贷脉冲因子[12][16] **因子构建思路**：作为基本面维度的信贷增速观察指标[12][16] **因子具体构建过程**：计算人民币中长期贷款脉冲同比增速，并计算其在过去5年的分位数[12][16] 3. **因子名称**：M1同比增速（HP滤波）因子[12][16] **因子构建思路**：作为基本面维度的货币供应观察指标[12][16] **因子具体构建过程**：对M1同比增速进行HP滤波去趋势处理，并计算处理后的数据在过去5年的分位数[12][16] 4. **因子名称**：整体PE分位数因子[12][16] **因子构建思路**：作为估值面维度的估值水平观察指标[12][16] **因子具体构建过程**：计算A股整体PE中位数，并计算其在过去5年的分位数[12][16] 5. **因子名称**：整体PB分位数因子[12][16] **因子构建思路**：作为估值面维度的估值水平观察指标[12][16] **因子具体构建过程**：计算A股整体PB中位数，并计算其在过去5年的分位数[12][16] 6. **因子名称**：Beta离散度因子[13][16] **因子构建思路**：作为情绪面维度的市场分歧观察指标[13][16] **因子具体构建过程**：计算A股整体Beta离散度，并计算其在过去5年的分位数[13][16] 7. **因子名称**：量能情绪因子[13][16] **因子构建思路**：作为情绪面维度的市场交易热度观察指标[13][16] **因子具体构建过程**：计算A股整体量能情绪得分，并计算其在过去5年的分位数[13][16] 8. **因子名称**：波动率因子[13][16] **因子构建思路**：作为情绪面维度的市场波动观察指标[13][16] **因子具体构建过程**：计算A股整体年化波动率，并计算其在过去5年的分位数[13][16] 9. **因子名称**：货币利率指标因子[13][16] **因子构建思路**：作为流动性维度的货币市场流动性观察指标[13][16] **因子具体构建过程**：计算货币利率指标，并计算其在过去5年的分位数[13][16] 10. **因子名称**：汇率预期指标因子[13][16] **因子构建思路**：作为流动性维度的人民币汇率预期观察指标[13][16] **因子具体构建过程**：计算汇率预期指标，并计算其在过去5年的分位数[13][16] 11. **因子名称**：融资额因子[13][16] **因子构建思路**：作为流动性维度的杠杆资金观察指标[13][16] **因子具体构建过程**：计算两市5日平均新增融资额，并计算其在过去5年的分位数[13][16] 12. **因子名称**：盈利斜率周期水平因子[24][26] **因子构建思路**：作为成长价值轮动中基本面维度的盈利周期观察指标[24][26] **因子具体构建过程**：基于量化经济中周期分析框架，计算盈利周期的斜率水平[24][26] 13. **因子名称**：利率综合周期水平因子[24][26] **因子构建思路**：作为成长价值轮动中基本面维度的利率周期观察指标[24][26] **因子具体构建过程**：基于量化经济中周期分析框架，计算利率的综合周期水平[24][26] 14. **因子名称**：信贷综合周期变化因子[24][26] **因子构建思路**：作为成长价值轮动中基本面维度的信贷周期观察指标[24][26] **因子具体构建过程**：基于量化经济中周期分析框架，计算信贷的综合周期变化[24][26] 15. **因子名称**：成长价值PE差分位数因子[24][26] **因子构建思路**：作为成长价值轮动中估值面维度的估值差观察指标[24][26] **因子具体构建过程**：计算成长指数与价值指数PE中位数之差，并计算该差值在过去5年的分位数[24][26] 16. **因子名称**：成长价值PB差分位数因子[24][26] **因子构建思路**：作为成长价值轮动中估值面维度的估值差观察指标[24][26] **因子具体构建过程**：计算成长指数与价值指数PB中位数之差，并计算该差值在过去5年的分位数[24][26] 17. **因子名称**：成长价值换手差分位数因子[24][26] **因子构建思路**：作为成长价值轮动中情绪面维度的交易热度差观察指标[24][26] **因子具体构建过程**：计算成长指数与价值指数换手率之差，并计算该差值在过去5年的分位数[24][26] 18. **因子名称**：成长价值波动差分位数因子[24][26] **因子构建思路**：作为成长价值轮动中情绪面维度的波动差观察指标[24][26] **因子具体构建过程**：计算成长指数与价值指数波动率之差，并计算该差值在过去5年的分位数[24][26] 因子的回测效果 1. **融资买入余额变化因子**，年化收益率12.91%，年化超额收益率5.78%，最大回撤44.32%，胜率（按交易）49.44%[31] 2. **大宗交易折溢价率因子**，年化收益率16.47%，年化超额收益率9.33%，最大回撤40.67%，胜率（按交易）56.71%[31] 3. **A股龙虎榜买入强度因子**，年化收益率13.09%，年化超额收益率5.95%，最大回撤54.66%，胜率（按交易）47.89%[31] 4. **R007因子**，年化收益率12.05%，年化超额收益率4.91%，最大回撤57.98%，胜率（按交易）50.30%[31] 5. **小盘主题投资交易情绪因子**，年化收益率15.85%，年化超额收益率8.71%，最大回撤34.42%，胜率（按交易）50.53%[31] 6. **等级利差因子**，年化收益率12.37%，年化超额收益率5.24%，最大回撤46.47%，胜率（按交易）53.50%[31] 7. **期权波动率风险溢价因子**，年化收益率12.98%，年化超额收益率5.84%，最大回撤63.43%，胜率（按交易）47.37%[31] 8. **beta离散度因子**，年化收益率10.81%，年化超额收益率3.68%，最大回撤53.65%，胜率（按交易）44.62%[31] 9. **pb分化度因子**，年化收益率16.45%，年化超额收益率9.31%，最大回撤45.00%，胜率（按交易）47.88%[31] 10. **中证1000MACD(10,20,10)因子**，年化收益率15.26%，年化超额收益率8.13%，最大回撤37.87%，胜率（按交易）50.00%[31] 11. **中证1000交易量能因子**，年化收益率16.64%，年化超额收益率9.50%，最大回撤39.27%，胜率（按交易）52.93%[31]

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：成交量模型**[11] * **模型构建思路**：基于市场成交量的变化来判断短期市场趋势[11] * **模型具体构建过程**：研报未提供具体构建过程和公式 2. **模型名称：低波动率模型**[11] * **模型构建思路**：利用市场波动率的高低来判断市场状态[11] * **模型具体构建过程**：研报未提供具体构建过程和公式 3. **模型名称：特征龙虎榜机构模型**[11] * **模型构建思路**：通过分析龙虎榜上机构的买卖行为特征来预测市场动向[11] * **模型具体构建过程**：研报未提供具体构建过程和公式 4. **模型名称：特征成交量模型**[11] * **模型构建思路**：基于具有特定特征的成交量数据来构建择时信号[11] * **模型具体构建过程**：研报未提供具体构建过程和公式 5. **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[11] * **模型具体构建过程**：研报未提供具体构建过程和公式 6. **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[11] * **模型具体构建过程**：研报未提供具体构建过程和公式 7. **模型名称：涨跌停模型**[12] * **模型构建思路**：通过分析市场中涨跌停股票的数量或比例来判断中期市场情绪[12] * **模型具体构建过程**：研报未提供具体构建过程和公式 8. **模型名称：月历效应模型**[12] * **模型构建思路**：基于历史数据中存在的特定月份或时期的规律性效应进行择时[12] * **模型具体构建过程**：研报未提供具体构建过程和公式 9. **模型名称：长期动量模型**[13] * **模型构建思路**：根据资产的长期价格动量趋势来判断未来走势[13] * **模型具体构建过程**：研报未提供具体构建过程和公式 10. **模型名称：A股综合兵器V3模型**[14] * **模型构建思路**：综合多种择时信号或因子，形成对A股市场的综合判断[14] * **模型具体构建过程**：研报未提供具体构建过程和公式 11. **模型名称：A股综合国证2000模型**[14] * **模型构建思路**：综合多种择时信号或因子，形成对国证2000指数的综合判断[14] * **模型具体构建过程**：研报未提供具体构建过程和公式 12. **模型名称：成交额倒波幅模型**[15] * **模型构建思路**：结合成交额和波动率（波幅）的倒数关系来构建港股择时模型[15] * **模型具体构建过程**：研报未提供具体构建过程和公式 13. **模型/因子名称：杯柄形态**[40][43][44] * **构建思路**：识别价格图表中类似“杯子和杯柄”的特定看涨形态，预期形态突破后价格将继续上涨[40][43][44] * **具体构建过程**：形态识别涉及寻找价格走势中的特定阶段： * **A点（杯底）**：下跌趋势的末期或阶段性低点[44] * **B点（杯沿）**：价格从A点反弹至前期高点附近[44] * **C点（柄部）**：价格从B点小幅回调形成柄部，通常成交量萎缩[44] * **突破点**：价格放量突破B点与C点连线（柄部上沿）时视为买入信号[44] * **模型/因子评价**：是一种经典的技术分析形态，用于捕捉趋势延续的机会[40] 14. **模型/因子名称：双底形态**[40][47][49] * **构建思路**：识别价格图表中形成两个近似低点（W底）的看涨反转形态，预期形态突破颈线后价格将上涨[40][47][49] * **具体构建过程**：形态识别涉及寻找价格走势中的特定阶段： * **A点（第一个底）**：第一次下跌的低点[49] * **B点（反弹高点/颈线位）**：从A点反弹后遇阻回落的点[49] * **C点（第二个底）**：价格再次下跌，但在A点附近获得支撑形成第二个底，且低点不低于或略低于A点[49] * **突破点**：价格放量突破B点（颈线）时视为买入信号[49] * **模型/因子评价**：是一种常见的技术分析反转形态，用于判断趋势可能发生转变[40] 15. **模型/因子名称：倒杯子形态**[55] * **构建思路**：识别价格图表中类似倒置杯子的特定看跌形态，属于负向形态，预期形态突破后股价可能延续下跌趋势[55] * **具体构建过程**：形态识别涉及寻找价格走势中的特定阶段： * **A点（顶部）**：一波下跌后的反弹高点[55] * **C点（筑顶完成点）**：反弹后形成的顶部区域[55] * **E点（突破点）**：价格向下跌破关键支撑位（如A-C区间下沿）[55] * **模型/因子评价**：是典型的负向形态，用于提示潜在的下行风险[55] 模型的回测效果 1. **杯柄形态模型**，截至2020年12月31日至今，组合累计上涨70.2%，跑赢上证综指指数58.38%[40] 2. **双底形态模型**，截至2020年12月31日至今，组合累计上涨34.23%，跑赢上证综指指数22.41%[40] 量化因子与构建方式 （研报中未明确列出独立于上述模型的量化因子构建细节） 因子的回测效果 （研报中未提供独立因子的具体测试结果取值）

量化模型与构建方式 1. 宽基轮动策略模型 - **模型名称**：宽基轮动策略[12] - **模型构建思路**：基于不同宽基指数（沪深300、中证500、中证1000、中证2000及"其他"组）的热度变化率，选择市场情绪关注度最高的宽基进行投资，若最高为"其他"组则空仓[8][9][12] - **模型具体构建过程**： 1. 将全A股票按宽基成分分组（沪深300、中证500、中证1000、中证2000、其他）[8] 2. 计算每组成分股的总热度指标（个股浏览、自选与点击次数之和，以同一日全市场占比方式归一化后乘以10000）[7] 3. 计算每组股票周度热度变化率，并取MA2（2期移动平均）进行平滑处理[9] 4. 每周最后一个交易日买入总热度变化率MA2最大的宽基指数成分股，若变化率最大的为"其他"组则空仓[12] - **模型评价**：通过捕捉市场情绪热度变化进行宽基轮动，能够获取一定的超额收益[12] 2. 概念热度组合策略模型 - **模型名称**：概念热度TOP/BOTTOM组合策略[29] - **模型构建思路**：在热门概念中选取关注度最高和最低的个股构建组合，利用市场过度反应和关注度不足带来的定价偏差获取收益[29][31] - **模型具体构建过程**： 1. 每周选出本周热度变化最大的5个概念[29] 2. 将概念对应成分股作为选股股票池，排除流通市值最小的20%股票[29] 3. 从每个热门概念中选出总热度排名前10的个股，等权构建热度TOP组合[29] 4. 从每个热门概念中选出总热度排名最后的10只个股，等权构建BOTTOM组合[29] - **模型评价**：利用行为金融学中的有限注意力理论，低热度个股组合长期能取得一定的超额收益[29][31] 模型的回测效果 1. 宽基轮动策略模型 - 年化收益率：8.74%[15] - 最大回撤：23.5%[15] - 2025年收益：32.7%[15] 2. 概念热度BOTTOM组合 - 年化收益率：15.71%[31] - 最大回撤：28.89%[31] - 2025年收益：40.9%[31] 量化因子与构建方式 1. 个股总热度因子 - **因子名称**：个股总热度[7] - **因子构建思路**：通过个股的浏览、自选与点击行为数据衡量市场关注度[7] - **因子具体构建过程**： 个股总热度 = (个股浏览次数 + 自选次数 + 点击次数) / 全市场总次数 × 10000[7] 其中：个股浏览、自选与点击次数为原始行为数据，通过除以全市场总次数进行归一化处理[7] 2. 宽基热度变化率因子 - **因子名称**：宽基热度变化率MA2[9][12] - **因子构建思路**：衡量宽基指数关注度的短期变化趋势[9][12] - **因子具体构建过程**： 1. 计算每个宽基组（沪深300、中证500、中证1000、中证2000、其他）的周度总热度[8][9] 2. 计算周度热度变化率：当期热度/上期热度 - 1[9] 3. 对变化率取2期移动平均：MA2 = (当期变化率 + 上期变化率) / 2[9] 3. 行业热度变化率因子 - **因子名称**：申万行业热度变化率MA2[19] - **因子构建思路**：衡量行业层面关注度的短期变化趋势[19] - **因子具体构建过程**： 1. 计算每个申万一级、二级行业的周度总热度（成分股热度加总）[19] 2. 计算行业周度热度变化率：当期热度/上期热度 - 1[19] 3. 对变化率取2期移动平均：MA2 = (当期变化率 + 上期变化率) / 2[19] 4. 概念热度变化率因子 - **因子名称**：概念热度变化率[27][29] - **因子构建思路**：衡量概念板块关注度的短期变化[27][29] - **因子具体构建过程**： 1. 计算每个概念的周度总热度（成分股热度加总）[27][29] 2. 计算概念周度热度变化率：当期热度/上期热度 - 1[27][29] 5. 估值历史分位数因子 - **因子名称**：估值历史分位数[36][37][39] - **因子构建思路**：衡量宽基指数或行业在当前时点的估值水平相对于历史水平的位置[36][37][39] - **因子具体构建过程**： 1. 对宽基指数采用滚动5年窗口计算历史分位数[36] 2. 对行业采用从2015年开始的完整历史区间计算历史分位数[37][39] 3. 分位数计算公式：当前估值在历史序列中的排名百分比[36][37][39] 因子的回测效果 （注：报告中未提供各因子的具体测试结果取值，如IC值、IR值等量化指标）