量化模型与构建方式 1. **模型名称：成交量模型**[9][11] * **模型构建思路：** 基于价量关系构建的短期择时模型，核心思想是成交量变化能反映市场情绪和趋势强度[9]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为短期择时模型之一，并给出了最新信号[11]。 2. **模型名称：特征龙虎榜机构模型**[11] * **模型构建思路：** 利用龙虎榜机构买卖数据构建的短期择时模型，捕捉机构资金动向对市场的影响[11]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为短期择时模型之一，并给出了最新信号[11]。 3. **模型名称：特征成交量模型**[11] * **模型构建思路：** 基于特定的成交量特征（可能与普通成交量模型不同）构建的短期择时模型[11]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为短期择时模型之一，并给出了最新信号[11]。 4. **模型名称：智能算法沪深300模型 / 智能算法中证500模型**[11] * **模型构建思路：** 应用智能算法（如机器学习）对沪深300或中证500指数进行择时判断[11]。 * **模型具体构建过程：** 报告未详细描述具体算法、因子或构建过程，仅提及其为短期择时模型之一，并给出了最新信号[11]。 5. **模型名称：涨跌停模型**[12] * **模型构建思路：** 基于市场涨跌停股票数量或相关特征构建的中期择时模型，反映市场极端情绪和赚钱效应[9][12]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为中期择时模型之一，并给出了最新信号[12]。 6. **模型名称：上下行收益差模型**[12] * **模型构建思路：** 通过比较市场上涨和下跌时的收益差异来构建择时信号，衡量市场内在动能的强弱[9][12]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为中期择时模型之一，并给出了对不同宽基指数的看多/中性信号[11][12]。 7. **模型名称：月历效应模型**[12] * **模型构建思路：** 基于历史统计中存在的特定月份或时间段的市场规律（月历效应）构建的中期择时模型[12]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为中期择时模型之一，并给出了看多信号[12]。 8. **模型名称：长期动量模型**[12] * **模型构建思路：** 基于长期价格动量趋势构建的择时模型[9][12]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为长期择时模型之一，并给出了中性信号[12]。 9. **模型名称：A股综合兵器V3模型 / A股综合国证2000模型**[13] * **模型构建思路：** 将不同周期、不同策略的多个择时模型信号进行耦合得到的综合择时模型，旨在实现攻守兼备[9][13]。 * **模型具体构建过程：** 报告未详细描述具体的耦合规则或权重分配方法，仅提及其为综合模型，并给出了中性信号[13]。 10. **模型名称：成交额倒波幅模型**[13] * **模型构建思路：** 应用于港股的中期择时模型，可能结合成交额与波动率（波幅）的倒数关系来构建信号[13]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为港股中期择时模型之一，并给出了看空信号[13]。 11. **模型名称：上下行收益差相似模型**[13] * **模型构建思路：** 应用于港股的中期择时模型，原理可能与A股的上下行收益差模型类似，用于衡量市场动能[13]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为港股中期择时模型之一，并给出了看多信号[13]。 12. **模型名称：形态学监控模型（杯柄形态、双底形态）**[43] * **模型构建思路：** 基于技术分析中的经典价格形态（杯柄形态、双底形态）识别个股买入机会，属于事件驱动型选股策略[43]。 * **模型具体构建过程：** 报告未详细描述形态识别的具体算法规则和参数，但展示了识别出的形态关键点（如A、B、C点）和突破信号[46][48][51][53][56][57][59]。 13. **模型名称：VIX指数模型**[40] * **模型构建思路：** 通过计算期权隐含波动率来构建市场恐慌/情绪指标，为判断市场提供参考，VIX通常与大盘呈负相关关系[40]。 * **模型具体构建过程：** 报告提及根据公开披露的VIX计算方法复现了指数，具体公式未列出，但指出其与中证指数公司历史VIX的相关系数达99.2%[40]。 模型的回测效果 1. **双底形态模型**，自2020年12月31日至今累计收益23.45%，同期上证综指涨幅17.06%，超额收益6.39%[43]。 2. **杯柄形态模型**，自2020年12月31日至今累计收益19.67%，同期上证综指涨幅17.06%，超额收益2.61%[43]。 量化因子与构建方式 1. **因子名称：分析师一致预期调整因子**[17][18] * **因子构建思路：** 利用卖方分析师对个股盈利预测的上调或下调比例，构建行业层面的预期情绪因子[17][18]。 * **因子具体构建过程：** 报告展示了“分析师上调个股比例”和“分析师下调个股比例”这两个数据，可能通过计算净上调比例或两者差值来构建因子，但未给出明确公式[17][18]。 2. **因子名称：基金仓位因子（绝对仓位、超低配仓位）**[21][22][26][27][30] * **因子构建思路：** 利用公募基金定期报告披露的持仓数据，计算行业配置比例，反映机构资金动向和偏好[21][22]。 * **因子具体构建过程：** * **绝对仓位：** 计算股票型或混合型基金在某行业的持仓市值占其总股票持仓市值的比例[26][27]。 * **超低配仓位：** 计算基金在某行业的持仓比例与该行业市值占全市场比例（或基准指数比例）的差值[30]。 * **超低配近两年分位数：** 将当前超低配仓位值放在近两年的历史序列中计算其分位数，以判断当前配置水平在历史上的位置[22][30]。 因子的回测效果 *(报告未提供因子的独立历史回测绩效指标，如IC、IR、多空收益等。)*

量化模型与因子总结 量化模型与构建方式 1. **模型名称：成交量模型**[9] * **模型构建思路：** 基于价量关系构建的短期择时模型，核心思想简单普世[9]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为短期择时模型之一，基于价量角度构建[9]。 2. **模型名称：特征龙虎榜机构模型**[11] * **模型构建思路：** 基于龙虎榜机构交易特征构建的短期择时模型。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为短期择时模型之一。 3. **模型名称：特征成交量模型**[11] * **模型构建思路：** 基于成交量特征构建的短期择时模型。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为短期择时模型之一。 4. **模型名称：智能算法沪深300模型 / 智能算法中证500模型**[11] * **模型构建思路：** 应用智能算法对特定宽基指数（沪深300、中证500）进行择时判断。 * **模型具体构建过程：** 报告未详细描述具体算法和构建过程，仅提及其为短期择时模型之一。 5. **模型名称：涨跌停模型**[12] * **模型构建思路：** 基于市场涨跌停板现象构建的中期择时模型，核心思想简单普世[9]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为中期择时模型之一，基于涨跌停角度构建[9]。 6. **模型名称：上下行收益差模型**[12] * **模型构建思路：** 通过比较市场上行和下行收益的差异来构建中期择时信号。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为中期择时模型之一。 7. **模型名称：月历效应模型**[12] * **模型构建思路：** 基于市场历史存在的月度周期性规律构建的中期择时模型。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为中期择时模型之一。 8. **模型名称：长期动量模型**[12] * **模型构建思路：** 基于资产价格的长期趋势（动量）构建的长期择时模型，核心思想简单普世[9]。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，仅提及其为长期择时模型之一，基于动量角度构建[9]。 9. **模型名称：A股综合兵器V3模型 / A股综合国证2000模型**[13] * **模型构建思路：** 将不同周期或不同策略的择时模型信号进行耦合，形成综合择时观点，旨在攻守兼备[9]。 * **模型具体构建过程：** 报告未详细描述具体的耦合方法与权重分配。 10. **模型名称：成交额倒波幅模型**[13] * **模型构建思路：** 应用于港股的中期择时模型，可能结合成交额与波动率指标。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程。 11. **模型名称：上下行收益差相似模型**[13] * **模型构建思路：** 应用于港股的中期择时模型，是“上下行收益差模型”的相似或衍生版本。 * **模型具体构建过程：** 报告未详细描述具体构建公式和过程，及其与基础模型的区别。 12. **模型名称：形态学择时模型（杯柄形态、双底形态）**[43] * **模型构建思路：** 通过识别股价图表中的特定技术形态（如杯柄形态、双底形态）来生成交易信号。 * **模型具体构建过程：** 报告未详细描述形态识别的具体量化规则和突破确认标准。模型通过识别形态的关键点（如杯柄形态的A、B、C点，双底形态的A、B、C点）来确认形态完成和突破[46][51]。 13. **模型名称：HCVIX模型**[40] * **模型构建思路：** 复现并计算中国市场的波动率指数（VIX），作为判断市场情绪的参考指标，因其通常与大盘呈负相关关系[40]。 * **模型具体构建过程：** 根据中证指数公司曾公开披露的VIX计算方法进行复现。计算覆盖50ETF、沪深300指数、300ETF等标的。其复现指数与历史官方VIX指数的相关系数达到99.2%[40]。公式未在报告中给出。 14. **模型名称：大师策略系列**[36] * **模型构建思路：** 基于经典量化选股逻辑（价值型、成长型、综合型）构建的一系列策略组合，用于监控因子暴露和选股标准[36]。 * **模型具体构建过程：** 报告未详细描述每个策略的具体构建公式和选股流程。平台共监控33个大师系列策略[36]。 15. **模型名称：倒杯子形态风险模型**[62] * **模型构建思路：** 识别典型的负向技术形态“倒杯子形态”，用于预警个股下跌风险[62]。 * **模型具体构建过程：** 报告未详细描述形态识别的具体量化规则。该形态在一波下跌后出现筑顶，完成后再现下跌突破，预示可能延续下跌趋势[62]。 模型的回测效果 *注：报告主要提供了各模型的最新信号观点，未提供统一口径下的历史回测指标（如年化收益率、最大回撤、夏普比率、信息比率IR等）。以下为报告中提及的形态学策略部分表现数据。* 1. **双底形态组合**，自2020年12月31日至今累计上涨23.45%，同期上证综指上涨17.06%，累计超额收益6.39%[43]。本周（报告期）组合下跌-0.88%，跑赢上证综指（-1.27%）0.39%[43]。 2. **杯柄形态组合**，自2020年12月31日至今累计上涨19.67%，同期上证综指上涨17.06%，累计超额收益2.61%[43]。本周（报告期）组合下跌-0.44%，跑赢上证综指（-1.27%）0.83%[43]。 量化因子与构建方式 *注：本报告主要侧重于择时模型与技术形态，未详细阐述用于选股的底层量化因子（如价值、成长、质量等）的构建方法。报告中提及的“大师策略”暴露了某些因子，但未具体说明因子定义[36]。*

量化模型与构建方式 1. **模型名称：利率市场结构指标（水平、期限、凸性结构）**[1][7] * **模型构建思路**：将1至10年期国债的到期收益率（YTM）数据，通过数学变换分解为三个独立的维度：水平、期限和凸性结构，用以从均值回归视角评估当前利率市场的状态[1][7]。 * **模型具体构建过程**：报告未详细说明具体的数学变换公式，但指出是将1至10年期的国债YTM数据分别转化至三个结构指标[7]。构建过程涉及计算各指标的历史分位数（如3年、5年、10年滚动窗口），以判断当前点位在历史中的相对位置[7][9]。 2. **模型名称：利率价量多周期择时模型**[2][3][6][10][13][17][20] * **模型构建思路**：基于核回归算法识别利率（国债YTM）的趋势形态，刻画支撑线和阻力线，并根据长、中、短不同投资周期下利率走势的形态突破情况，进行多周期复合判断，生成看多或看空的交易信号[10][20]。 * **模型具体构建过程**： 1. **趋势识别**：使用核回归算法对利率时间序列进行平滑，以捕捉其主要趋势并生成支撑线和阻力线[10]。 2. **多周期设定**：设定长周期（平均切换频率为月度）、中周期（双周度）和短周期（周度）三种不同的时间窗口[10][20]。 3. **信号生成**：在每个周期下，判断利率是否向上突破阻力线（上行突破）或向下突破支撑线（下行突破）[10][13][17]。 4. **综合评分**：统计三个周期中“下行突破”和“上行突破”的票数。若同向突破总得票数达到2/3（即至少2票），则生成相应的看多或看空信号；否则为无明确信号[6][10][13][17]。 3. **模型名称：利率价量多周期交易策略**[4][23][24][27][28][32] * **模型构建思路**：将上述多周期择时信号转化为可交易的资产配置策略，通过在不同市场环境下动态调整短、中、长久期债券的配置比例，以获取超越等权基准的超额收益[23]。 * **模型具体构建过程**： 1. **投资标的**：根据策略久期偏好选择不同的债券指数： * 短久期：综合债1-3 (CBA00121) * 中久期：综合债3-5 (CBA00131) * 长久期：根据择时信号来源的YTM期限对应为综合债5-7 (CBA00141)、7-10 (CBA00151)或10以上 (CBA00161)[23]。 2. **交易规则**： * **看多信号（做多长久期）**：当短、中、长周期中，有至少2个周期出现利率向下突破支撑线，且利率趋势非向上时，满配长久期债券[23]。 * **看多但趋势向上**：当满足上述突破条件，但利率趋势向上时，配置1/2中久期 + 1/2长久期[23]。 * **看空信号（做多短久期）**：当短、中、长周期中，有至少2个周期出现利率向上突破阻力线，且利率趋势非向下时，满配短久期债券[28]。 * **看空但趋势向下**：当满足上述突破条件，但利率趋势向下时，配置1/2中久期 + 1/2短久期[28]。 * **其他情况**：配置1/3短久期 + 1/3中久期 + 1/3长久期[28]。 3. **业绩基准**：久期等权策略，即始终持有1/3短久期 + 1/3中久期 + 1/3长久期的组合[28]。 4. **止损规则**：当单日组合超额收益小于-0.5%时，将持仓调整为等权配置[28]。 模型的回测效果 1. **基于5年期国债YTM的多周期交易策略**[4][24][36] * **长期表现（2007.12.31以来）**：年化收益率5.46%，最大回撤2.88%，收益回撤比1.9，相对业绩基准的超额年化收益率1.06%，超额收益回撤比0.61[24]。 * **短期表现（2024年底以来）**：年化收益率2.27%，最大回撤0.59%，收益回撤比3.85，相对业绩基准的超额年化收益率0.65%，超额收益回撤比2.27[4][24]。 * **胜率**：2008年以来逐年绝对收益大于0的概率为100%，逐年超额收益大于0的概率为100%[24]。 2. **基于10年期国债YTM的多周期交易策略**[4][27][36] * **长期表现（2007.12.31以来）**：年化收益率6.03%，最大回撤2.74%，收益回撤比2.2，相对业绩基准的超额年化收益率1.62%，超额收益回撤比1.15[27]。 * **短期表现（2024年底以来）**：年化收益率2.53%，最大回撤0.58%，收益回撤比4.37，相对业绩基准的超额年化收益率1.05%，超额收益回撤比3.24[4][27]。 * **胜率**：2008年以来逐年绝对收益大于0的概率为100%，逐年超额收益大于0的概率为100%[27]。 3. **基于30年期国债YTM的多周期交易策略**[4][32][36] * **长期表现（2007.12.31以来）**：年化收益率7.28%，最大回撤4.27%，收益回撤比1.7，相对业绩基准的超额年化收益率2.37%，超额收益回撤比0.85[32]。 * **短期表现（2024年底以来）**：年化收益率2.69%，最大回撤0.92%，收益回撤比2.93，相对业绩基准的超额年化收益率1.97%，超额收益回撤比2.59[4][32]。 * **胜率**：2008年以来逐年绝对收益大于0的概率为94.44%，逐年超额收益大于0的概率为94.44%[32]。 量化因子与构建方式 （报告未涉及独立的量化因子构建，仅包含基于利率数据的模型和策略）

量化模型与构建方式 1. **模型名称：量能择时模型**[7][12][24] * **模型构建思路**：通过分析主要宽基指数的成交量能变化，判断市场短期走势，给出看多或看空的择时信号[12]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建公式和计算步骤，仅提及根据“量能择时指标”生成信号。截至报告期末，各主要宽基指数的该指标均发出“空”/“谨慎”信号[24]。 2. **模型名称：沪深300上涨家数占比择时模型（动量情绪指标）**[24][26][28] * **模型构建思路**：通过计算沪深300指数成分股中近期上涨股票的家数占比，并对其进行平滑处理，利用快慢线的交叉来捕捉市场情绪拐点，进行择时[24][26]。 * **模型具体构建过程**： 1. 首先，计算沪深300指数N日上涨家数占比。公式定义为： $$沪深300指数 N 日上涨家数占比 = \frac{沪深300指数成分股过去 N 日收益大于 0 的个股数}{沪深300指数成分股总数}$$[24] 2. 然后，对该指标值进行两次移动平均平滑。设长期窗口期为N1，短期窗口期为N2，且N1 > N2。报告示例中参数为N1=50，N2=35[26]。 $$慢线 = MA(上涨家数占比, N1)$$ $$快线 = MA(上涨家数占比, N2)$$ 3. 生成交易信号：当快线大于慢线时，看多沪深300指数；当快线小于等于慢线时，对市场持中性态度[28]。 3. **模型名称：均线情绪指标择时模型**[32][35] * **模型构建思路**：基于沪深300指数收盘价与一组均线（八均线体系）的相对位置关系，构建情绪指标，用于判断市场趋势状态并进行择时[32]。 * **模型具体构建过程**： 1. 计算沪深300指数的八条均线，均线参数为：8, 13, 21, 34, 55, 89, 144, 233[32]。 2. 计算当日沪深300指数收盘价大于这八条均线数值的数量[35]。 3. 生成交易信号：当收盘价大于均线值的数量超过5条时，看多沪深300指数[35]。报告将八均线区间值映射为-1, 0, 1三种状态来辅助判断[32]。 4. **因子名称：横截面波动率**[2][36][37] * **因子构建思路**：计算特定指数（如沪深300、中证500、中证1000）成分股收益率在横截面上的标准差，用以衡量市场分化程度和选股Alpha机会的强弱[2][36]。 * **因子具体构建过程**：报告未给出具体计算公式，但根据通用定义，横截面波动率通常是指在某个特定时间点（如日度），计算指数内所有成分股当日收益率的截面标准差。较高的横截面波动率意味着个股表现差异大，选股策略更容易获取超额收益[36]。 5. **因子名称：时间序列波动率**[2][37][40] * **因子构建思路**：计算指数成分股收益率在时间序列上的波动率（通常为标准差），用以衡量市场整体波动水平和风险环境，影响Alpha策略的表现[2][37]。 * **因子具体构建过程**：报告未给出具体计算公式。通常指计算指数或个股在过去一段时间（如20日或60日）内收益率的标准差，作为其波动率的度量。报告展示的是指数成分股的加权时间序列波动率[37][40]。 6. **因子名称：抱团基金分离度**[80] * **因子构建思路**：通过计算“抱团基金”组合截面收益率的标准差，作为衡量基金抱团程度的代理变量。分离度小表明抱团紧密，分离度大表明抱团瓦解[80]。 * **因子具体构建过程**： 1. 首先构造一个“抱团基金组合”[80]。 2. 计算该组合内各基金在特定时期（如日度或周度）的截面收益率的标准差，即为分离度指标[80]。 $$分离度 = Std(抱团基金组合截面收益率)$$ 模型的回测效果 *报告未提供上述择时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）的具体数值。* 因子的回测效果 1. **横截面波动率因子**，近两年平均值：沪深300为2.02%，中证500为2.26%，中证1000为2.51%[37]。近一年平均值：沪深300为2.01%，中证500为2.29%，中证1000为2.53%[37]。近半年平均值：沪深300为2.06%，中证500为2.44%，中证1000为2.60%[37]。近一季度平均值：沪深300为2.17%，中证500为2.48%，中证1000为2.63%[37]。近一季度平均值占近半年分位：沪深300为65.64%，中证500为56.35%，中证1000为66.14%[37]。 2. **时间序列波动率因子**，近两年平均值：沪深300为1.00%，中证500为1.35%，中证1000为1.52%[40]。近一年平均值：沪深300为0.89%，中证500为1.16%，中证1000为1.22%[40]。近半年平均值：沪深300为0.81%，中证500为1.20%，中证1000为1.15%[40]。近一季度平均值：沪深300为0.96%，中证500为1.27%，中证1000为1.22%[40]。近一季度平均值占近半年分位：沪深300为47.94%，中证500为60.32%，中证1000为66.93%[40]。 3. **抱团基金分离度因子**，报告未提供该因子的具体历史数值序列或统计值。

量化模型与因子总结 量化模型与构建方式 1. **模型名称：多资产基金投顾筛选模型** [2][18] * **模型构建思路**：为了从众多基金投顾产品中筛选出真正实现跨市场、跨类别多元化配置的产品，避免将“A股+债券”的简单组合误判为多元配置[2][18]。 * **模型具体构建过程**： 1. 将基金投顾的持仓拆解为11类大类资产，包括：A股、国内债、货币及现金、港股、美股、海外债券、黄金、新兴市场、其他发达市场、其他商品、REITs[18]。 2. 计算非传统资产的合计权重。非传统资产定义为：从总资产中扣除“A股、债券、货币及现金、港股”这四类传统主流资产后的其余资产[2][18]。 3. 设定阈值：若非传统资产的合计权重超过20%，则将该基金投顾归类为“多资产基金投顾”[2][18]。 2. **模型名称：多资产基金投顾三维标签分类模型** [3][32][34] * **模型构建思路**：为精准刻画多资产基金投顾的风险收益特征与策略风格，构建一个包含风险偏好、资产配置集中度、大类资产换手率三个维度的分类体系[3][32]。 * **模型具体构建过程**： 1. **风险偏好标签**：依据组合中生息资产与增值资产的配置比例划分。若生息资产权重超过70%，归类为**偏债型**；若增值资产权重超过70%，归类为**偏股型**；其余情形归为**平衡型**[34]。 2. **集中度标签**：采用赫芬达尔-赫希曼指数（HHI）衡量组合在大类资产上的配置集中度。计算公式为： $$HHI = \sum w_i^2$$ 其中，$w_i$ 为第 $i$ 类大类资产的配置权重[34]。 设定阈值：HHI > 0.5 为**高集中度**，HHI < 0.25 为**低集中度**，介于两者之间为**中集中度**[34]。 3. **换手率标签**：以近两年大类资产维度的年化单边换手率为计算口径，衡量投顾在大类资产层面的择时调整频率[34]。 设定阈值：换手率 > 2倍 定义为**高换手率**，< 1倍 定义为**低换手率**，其余区间为**中换手率**[34]。 3. **模型名称：多资产基金投顾Brinson业绩归因模型** [42][45][46] * **模型构建思路**：为评估多资产基金投顾超额收益的来源，将总超额收益分解为资产配置收益（反映大类资产择时能力）和选基收益（反映底层基金优选能力）两部分[42]。 * **模型具体构建过程**： 1. **资产配置收益**：衡量投顾主理人对大类资产的择时配置能力。计算公式为： $$R_{allocation} = \sum_i (w_i^{actual} - w_i^{benchmark}) \times r_i^{asset}$$ 其中，$w_i^{actual}$ 为第 $i$ 类大类资产的实际配置权重，$w_i^{benchmark}$ 为第 $i$ 类大类资产在同类风险偏好（偏股型/偏债型/平衡型）下的战略基准配置权重，$r_i^{asset}$ 为第 $i$ 类大类资产的区间收益率[42]。 2. **选基收益**：剔除资产配置收益后剩余的收益部分，反映主理人在各资产类别内部优选基金的能力。计算公式为： $$R_{selection} = R_{excess} - R_{allocation}$$ 其中，$R_{excess}$ 为基金投顾产品相对于其风险偏好基准的总超额收益[45][46]。 模型的回测效果 1. **多资产基金投顾三维标签分类模型** [37][38][39] * **风险偏好维度（2023-2025年化收益率）**： * 偏债型：2025年 7.4%，2024年 5.9%，2023年 3.9%[39] * 平衡型：2025年 15.7%，2024年 8.8%，2023年 -4.7%[39] * 偏股型：2025年 18.5%，2024年 10.5%，2023年 -1.0%[39] * **集中度维度（2023-2025年化收益率）**： * 低集中度 (HHI<0.25)：2025年 17.7%，2024年 8.2%，2023年 0.4%[39] * 中集中度：2025年 13.0%，2024年 6.9%，2023年 -4.0%[39] * 高集中度 (HHI>0.5)：2025年 7.8%，2024年 6.9%，2023年 3.9%[39] * **换手率维度（2023-2025年化收益率）**： * 低换手率 (<1倍)：2025年 15.6%，2024年 8.8%，2023年 1.7%[39] * 中换手率：2025年 10.6%，2024年 7.3%，2023年 0.5%[39] * 高换手率 (>2倍)：2025年 11.2%，2024年 7.6%，2023年 -5.4%[39] 2. **绩优偏股型多资产基金投顾（近两年年化收益率前五）** [47][49] * **国泰进取全球配置**：2026年以来区间收益率10.3%，2025年年化收益率37.3%，2024年年化收益率25.0%，2023年年化收益率-2.6%；2025年年化夏普比率1.4；2025年超额年化配置收益10.5%，超额年化选基收益6.3%[49] * **富贵闲人**：2026年以来区间收益率7.9%，2025年年化收益率28.7%，2024年年化收益率12.5%，2023年年化收益率-1.5%；2025年年化夏普比率1.7；2025年超额年化配置收益3.6%，超额年化选基收益5.5%[49] * **全球精选**：2026年以来区间收益率6.3%，2025年年化收益率28.6%，2024年年化收益率12.5%，2023年年化收益率-1.2%；2025年年化夏普比率2.1；2025年超额年化配置收益2.7%，超额年化选基收益4.5%[49] * **环球日积月累**：2026年以来区间收益率6.5%，2025年年化收益率26.8%，2024年年化收益率9.5%，2023年年化收益率-5.5%；2025年年化夏普比率1.6；2025年超额年化配置收益6.6%，超额年化选基收益1.8%[49] * **招商海外掘金**：2026年以来区间收益率3.8%，2025年年化收益率34.2%，2024年年化收益率9.4%，2023年年化收益率4.0%；2025年年化夏普比率3.2；2025年超额年化配置收益-0.8%，超额年化选基收益14.5%[49] 3. **绩优偏债型多资产基金投顾（近两年年化收益率前五）** [55][58] * **全球固收+**：2026年以来区间收益率2.0%，2025年年化收益率9.6%，2024年年化收益率9.4%，2023年年化收益率0.5%；2025年年化夏普比率2.3；2025年超额年化配置收益2.6%，超额年化选基收益1.3%[58] * **嘉实百灵全天候策略**：2026年以来区间收益率1.0%，2025年年化收益率8.9%，2024年年化收益率9.7%，2023年年化收益率3.7%；2025年年化夏普比率3.1；2025年超额年化配置收益3.8%，超额年化选基收益0.5%[58] * **省心投配置宝**：2026年以来区间收益率1.3%，2025年年化收益率10.8%，2024年年化收益率5.0%；2025年年化夏普比率3.1；2025年超额年化配置收益2.3%，超额年化选基收益1.0%[58] * **老有所依**：2026年以来区间收益率2.3%，2025年年化收益率7.6%，2024年年化收益率8.1%，2023年年化收益率1.0%；2025年年化夏普比率2.8；2025年超额年化配置收益-3.1%，超额年化选基收益4.3%[58] * **兴全多元收益**：2026年以来区间收益率1.0%，2025年年化收益率8.6%，2024年年化收益率5.2%；2025年年化夏普比率2.1；2025年超额年化配置收益2.0%，超额年化选基收益-0.6%[58] 4. **绩优平衡型多资产基金投顾（近两年年化收益率前五）** [64][68] * **天马进取**：2026年以来区间收益率3.4%，2025年年化收益率21.4%，2024年年化收益率15.2%，2023年年化收益率-18.4%；2025年年化夏普比率1.1；2025年超额年化配置收益-0.9%，超额年化选基收益13.6%[68] * **时光旅行者**：2026年以来区间收益率2.5%，2025年年化收益率21.3%，2024年年化收益率22.4%，2023年年化收益率3.1%；2025年年化夏普比率2.4；2025年超额年化配置收益15.6%，超额年化选基收益-10.3%[68] * **思远定投全球好资产**：2026年以来区间收益率4.5%，2025年年化收益率23.4%，2024年年化收益率11.0%，2023年年化收益率5.5%；2025年年化夏普比率2.1；2025年超额年化配置收益-3.8%，超额年化选基收益8.4%[68] * **月食计划**：2026年以来区间收益率3.2%，2025年年化收益率17.4%，2024年年化收益率7.3%，2023年年化收益率-12.1%；2025年年化夏普比率1.5；2025年超额年化配置收益2.8%，超额年化选基收益-0.6%[68] * **绘盈长投计划**：2026年以来区间收益率1.5%，2025年年化收益率15.5%，2024年年化收益率15.2%，2023年年化收益率11.1%；2025年年化夏普比率1.9；2025年超额年化配置收益3.6%，超额年化选基收益-4.4%[68] 量化因子与构建方式 1. **因子名称：集中度因子（HHI）** [34] * **因子构建思路**：量化多资产基金投顾组合在大类资产配置上的分散程度，高HHI值代表配置集中于少数资产，低HHI值代表配置分散[34]。 * **因子具体构建过程**： 1. 获取基金投顾在11类大类资产上的配置权重 $w_i$[34]。 2. 计算赫芬达尔-赫希曼指数（HHI）： $$HHI = \sum_{i=1}^{11} w_i^2$$ 其中，$w_i$ 为第 $i$ 类大类资产的配置权重[34]。 2. **因子名称：大类资产换手率因子** [34] * **因子构建思路**：衡量多资产基金投顾在大类资产层面的择时调整频率，高换手率代表频繁进行大类资产轮动，低换手率代表坚持战略配置、调仓频率低[34]。 * **因子具体构建过程**： 1. 基于基金投顾的定期持仓报告，计算相邻两期在大类资产维度上的单边调仓比例[34]。 2. 计算近两年的年化单边换手率作为因子值[34]。 对模型或因子的评价 1. **多资产基金投顾三维标签分类模型**：该模型有效揭示了不同策略风格的风险收益特征，数据验证表明，低集中度（分散配置）和低换手率（低频择时）的产品整体长期业绩更佳，而高频择时策略可能因交易成本和踏空风险效果欠佳[3][37][38]。 2. **Brinson业绩归因模型**：该模型成功将多资产基金投顾的超额收益分解为配置收益和选基收益，揭示了不同绩优产品的主要收益来源存在显著差异，例如有的产品主要依靠大类资产择时，有的则依靠底层基金优选[42][48][56][65]。 3. **集中度因子（HHI）**：是一个有效衡量资产配置分散度的指标，回测结果显示，低集中度（高分散）策略在结构性行情中表现更优，但过度分散可能削弱收益弹性[34][37][47]。 4. **大类资产换手率因子**：该因子表明，在大类资产层面进行频繁择时（高换手率）与收益呈现负相关关系，坚持战略资产配置、降低交易频率的策略更有可能在波动中获取稳定收益[3][34][38]。

量化模型与构建方式 1. **模型名称：情绪模型**[4][14] * **模型构建思路**：通过构建与涨跌停板相关的因子来刻画市场的情绪强弱，并综合多个因子信号生成情绪得分和择时信号[4][14]。 * **模型具体构建过程**：模型包含五个细分情绪因子，每个因子根据其计算规则生成0或1的信号，最后汇总得到总分（满分5分）[18]。具体因子及信号规则如下： 1. **净涨停占比因子**：计算规则未在报告中详述，当期信号为0[18]。 2. **跌停次日收益因子**：计算规则未在报告中详述，当期信号为0[18]。 3. **涨停板占比因子**：计算规则未在报告中详述，当期信号为0[18]。 4. **跌停板占比因子**：计算规则未在报告中详述，当期信号为0[18]。 5. **高频打板收益因子**：计算规则未在报告中详述，当期信号为0[18]。 * **模型评价**：该模型用于判断市场情绪的高低，情绪得分低（如0分）表明市场情绪低迷[4][7][14]。 2. **模型名称：高频资金流模型**[4][14] * **模型构建思路**：通过分析高频资金流的走势，对主要宽基指数发出买入或卖出信号，以辅助择时决策[4][14]。 * **模型具体构建过程**：模型针对不同宽基指数（沪深300、中证500、中证1000、中证2000）生成四种策略信号：激进多头、激进多空、稳健多头、稳健多空[18]。信号取值为1（正向/买入）、0（中性）或-1（负向/卖出）。具体构建方法参考专题报告，本报告未详述[14]。 3. **指标名称：均线强弱指数**[4][14] * **构建思路**：通过计算Wind二级行业指数的均线排列情况，来综合判断市场的整体技术强弱[4][14]。 * **具体构建过程**：报告未详细说明具体计算步骤，仅提及该指数基于Wind二级行业指数算出。当期市场得分为181分，并给出了其在2023年以来的历史分位点（62.50%）[4][14]。 4. **指标名称：流动性冲击指标**[4][8] * **构建思路**：基于沪深300指数构建，用于衡量当前市场流动性相对于其历史平均水平的偏离程度[4][8]。 * **具体构建过程**：报告未给出具体计算公式。指标数值表示当前市场的流动性高于过去一年平均水平的标准差倍数。例如，数值6.21表示高于过去一年均值6.21倍标准差[4][8]。 5. **因子名称：因子拥挤度（复合指标）**[19] * **因子构建思路**：因子拥挤是指跟踪某一因子的资金过多导致其收益稳定性下降的现象。该复合指标通过综合多个子指标来度量因子的拥挤程度，作为因子失效的预警[19]。 * **因子具体构建过程**：使用四个子指标度量因子拥挤程度，并综合打分[19]。具体子指标包括： 1. **估值价差**：计算规则详见对应专题报告，本报告未详述[19]。 2. **配对相关性**：计算规则详见对应专题报告，本报告未详述[19]。 3. **长期收益反转**：计算规则详见对应专题报告，本报告未详述[19]。 4. **因子波动率**：计算规则详见对应专题报告，本报告未详述[19]。 * **因子评价**：该指标可用于预警因子失效风险，当拥挤度过高时，提示该因子的收益或收益稳定性可能下降[19]。 6. **指标名称：行业拥挤度**[23] * **构建思路**：参考专题报告构建，用于度量各行业板块的拥挤程度[23]。 * **具体构建过程**：报告未给出具体计算公式，计算方法详见对应专题报告[23]。 模型的回测效果 1. **情绪模型**，情绪得分0分（满分5分）[4][14]，趋势模型信号为负向[4][14]，加权模型信号为负向[4][14] 2. **高频资金流模型**，沪深300指数信号：激进多头1，激进多空0，稳健多头0，稳健多空0[18]；中证500指数信号：激进多头1，激进多空0，稳健多头0，稳健多空0[18]；中证1000指数信号：激进多头0，激进多空-1，稳健多头0，稳健多空0[18]；中证2000指数信号：激进多头0，激进多空-1，稳健多头0，稳健多空-1[18] 3. **均线强弱指数**，当前得分181[4][14]，2023年以来历史分位点62.50%[4][14] 4. **流动性冲击指标**，当期数值6.21[4][8] 量化因子与构建方式 1. **因子名称：小市值因子拥挤度**[20] * **因子构建思路**：作为复合因子拥挤度的一个应用，专门度量小市值因子的拥挤情况[20]。 * **因子具体构建过程**：其值为复合因子拥挤度模型对小市值因子的综合打分结果[20]。 2. **因子名称：低估值因子拥挤度**[20] * **因子构建思路**：作为复合因子拥挤度的一个应用，专门度量低估值因子的拥挤情况[20]。 * **因子具体构建过程**：其值为复合因子拥挤度模型对低估值因子的综合打分结果[20]。 3. **因子名称：高盈利因子拥挤度**[20] * **因子构建思路**：作为复合因子拥挤度的一个应用，专门度量高盈利因子的拥挤情况[20]。 * **因子具体构建过程**：其值为复合因子拥挤度模型对高盈利因子的综合打分结果[20]。 4. **因子名称：高盈利增长因子拥挤度**[20] * **因子构建思路**：作为复合因子拥挤度的一个应用，专门度量高盈利增长（高增长）因子的拥挤情况[20]。 * **因子具体构建过程**：其值为复合因子拥挤度模型对高盈利增长因子的综合打分结果[20]。 因子的回测效果 1. **小市值因子拥挤度**，综合打分0.06[20]，估值价差0.60[20]，配对相关性-0.32[20]，市场波动-0.62[20]，收益反转0.58[20] 2. **低估值因子拥挤度**，综合打分-0.31[20]，估值价差-0.47[20]，配对相关性-0.44[20]，市场波动1.21[20]，收益反转-1.55[20] 3. **高盈利因子拥挤度**，综合打分-0.01[20]，估值价差-0.72[20]，配对相关性-0.45[20]，市场波动-0.42[20]，收益反转1.56[20] 4. **高盈利增长因子拥挤度**，综合打分0.28[20]，估值价差1.02[20]，配对相关性-0.53[20]，市场波动-0.61[20]，收益反转1.22[20] 5. **行业拥挤度**，综合行业2.40[27]，基础化工行业2.10[27]，通信行业2.08[27]，有色金属行业2.07[27]，电子行业1.67[27]，国防军工行业1.36[27]，电力设备行业1.04[27]，机械设备行业0.95[27]，商贸零售行业0.38[27]，计算机行业0.00[27]，社会服务行业-0.02[27]，建筑材料行业-0.02[27]，钢铁行业-0.06[27]，银行行业-0.25[27]，交通运输行业-0.28[27]，传媒行业-0.29[27]，石油石化行业-0.32[27]，纺织服饰行业-0.44[27]，汽车行业-0.54[27]，轻工制造行业-0.61[27]，农林牧渔行业-0.77[27]，非银金融行业-0.79[27]，医药生物行业-0.85[27]，煤炭行业-0.86[27]，食品饮料行业-1.00[27]，家用电器行业-1.10[27]，房地产行业-1.10[27]，美容护理行业-1.14[27]，环保行业-1.18[27]，公用事业行业-1.31[27]，建筑装饰行业-1.51[27]

量化模型与构建方式 1. **模型名称：流动性冲击指标**[4] * **模型构建思路**：通过计算当前市场流动性相对于其历史均值的偏离程度（以标准差倍数衡量），来评估市场流动性的异常水平[4]。 * **模型具体构建过程**：该指标基于沪深300指数计算。具体计算过程未在报告中详细说明，但核心逻辑是计算当前流动性指标值（如成交额）相对于过去一年（约250个交易日）该指标均值的标准差倍数[4]。公式可理解为： $$流动性冲击指标_t = \frac{L_t - \mu_{L, t-250:t-1}}{\sigma_{L, t-250:t-1}}$$ 其中，$L_t$ 代表第t日的流动性指标（如成交额），$\mu_{L, t-250:t-1}$ 和 $\sigma_{L, t-250:t-1}$ 分别代表截至前一日过去一年流动性指标的均值和标准差。 2. **模型名称：PUT-CALL比率**[4] * **模型构建思路**：通过计算上证50ETF期权看跌合约（PUT）与看涨合约（CALL）的成交量比率，来反映市场投资者对标的资产短期走势的谨慎或乐观情绪[4]。 * **模型具体构建过程**：直接计算看跌期权总成交量与看涨期权总成交量的比值。 $$PUT-CALL比率_t = \frac{\sum 看跌期权成交量_t}{\sum 看涨期权成交量_t}$$ 3. **模型名称：SAR指标（停损转向指标）**[14] * **模型构建思路**：一种趋势跟踪指标，用于判断市场趋势的转折点。当价格线从下方突破SAR线时，发出买入信号；当价格线从上方跌破SAR线时，发出卖出信号[14]。 * **模型具体构建过程**：报告未给出具体计算公式。SAR指标的计算涉及加速因子（AF）和极值点（EP）的迭代更新，其通用公式为： $$SAR_t = SAR_{t-1} + AF \times (EP - SAR_{t-1})$$ 其中，AF初始值通常为0.02，随着趋势延续每次增加0.02，上限为0.2；EP为当前上涨趋势中的最高价或下跌趋势中的最低价。当价格趋势反转时，SAR值重置。 4. **模型名称：均线强弱指数**[4][14] * **模型构建思路**：通过统计全市场（或行业指数）中价格位于其长期均线之上的股票（或指数）数量或比例，来量化市场的整体技术强度[4][14]。 * **模型具体构建过程**：报告未给出具体计算公式。构建思路是基于Wind二级行业指数，计算每个行业指数价格与其长期移动平均线（如200日均线）的相对位置，然后对所有行业进行打分或加权，汇总得到全市场的均线强弱指数得分[14]。 5. **模型名称：情绪模型**[4][14] * **模型构建思路**：通过构建多个与涨跌停板相关的微观因子，综合刻画市场的投机情绪和赚钱效应强弱[4][14]。 * **模型具体构建过程**：报告参考了专题报告《从涨停板、打板策略到赚钱效应引发的情绪择时指标》[14]。模型包含多个细分情绪因子，如净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益等[18]。这些因子通过一定的规则（如阈值比较）转化为0或1的信号，最后可能通过等权或加权方式汇总成一个综合情绪得分（0-5分）[14][18]。 6. **模型名称：高频资金流模型**[4][14] * **模型构建思路**：利用高频资金流（可能指主力资金净流入、大单资金流向等）的走势和特征，对主要宽基指数生成择时交易信号[4][14]。 * **模型具体构建过程**：报告参考了专题报告《高频资金流如何辅助宽基择时决策》[14]。模型针对不同指数（如沪深300、中证500等）和不同风险偏好（激进、稳健）以及策略类型（多头、多空），生成了独立的信号[18]。具体构建细节未说明，但核心是利用资金流数据判断趋势的强弱和持续性。 7. **模型/因子名称：因子拥挤度模型**[19] * **模型构建思路**：使用多个维度的指标来度量跟踪或投资某一因子的资金是否过多，从而预警因子可能失效的风险[19]。 * **模型具体构建过程**：报告参考了专题报告《选股因子系列（四十二）——因子失效预警：因子拥挤》[19]。模型使用四个指标度量因子拥挤程度[19]： 1. **估值价差**：因子多空组合两端股票的估值差异。 2. **配对相关性**：因子多空组合两端股票收益的相关性。 3. **长期收益反转**：因子长期收益的动量或反转效应。 4. **因子波动率**：因子收益序列的波动情况。 每个指标计算后都进行标准化（Z-Score）处理，然后通过一定的规则（如等权平均）合成一个综合拥挤度得分[20]。 8. **模型名称：行业拥挤度模型**[23] * **模型构建思路**：类似于因子拥挤度，但应用于行业层面，用于评估某个行业交易是否过热或过冷[23]。 * **模型具体构建过程**：报告参考了专题报告《行业轮动系列研究 15——行业板块拥挤度》[23]。具体计算指标未详细说明，但最终结果是一个标准化的拥挤度分数[26][27]。 模型的回测效果 1. **流动性冲击指标**， 基于沪深300指数的指标值为6.21（2026年2月6日）[4] 2. **PUT-CALL比率**， 上证50ETF期权成交量比率为0.96（2026年2月6日）[4] 3. **均线强弱指数**， 当前市场得分为181，处于2023年以来62.50%分位点[14] 4. **情绪模型**， 综合得分为0分（满分5分）[14] 5. **高频资金流模型**， 沪深300指数：激进多头信号为1，激进多空为0，稳健多头为0，稳健多空为0[18]；中证500指数：激进多头信号为1，激进多空为0，稳健多头为0，稳健多空为0[18]；中证1000指数：激进多头信号为0，激进多空为-1，稳健多头为0，稳健多空为0[18]；中证2000指数：激进多头信号为0，激进多空为-1，稳健多头为0，稳健多空为-1[18] 量化因子与构建方式 1. **因子名称：小市值因子**[20] * **因子构建思路**：选择市值较小的股票，基于小市值公司可能具有更高成长性或溢价的理论。 * **因子具体构建过程**：报告未给出具体构建公式。通常使用总市值或流通市值进行排序或标准化，构建多空组合。 2. **因子名称：低估值因子**[20] * **因子构建思路**：选择估值指标（如市盈率PE、市净率PB）较低的股票，基于价值投资理论。 * **因子具体构建过程**：报告未给出具体构建公式。通常使用PE或PB等估值指标进行排序或标准化，构建多空组合。 3. **因子名称：高盈利因子**[20] * **因子构建思路**：选择盈利能力（如净资产收益率ROE、总资产收益率ROA）较强的股票。 * **因子具体构建过程**：报告未给出具体构建公式。通常使用ROE或ROA等盈利指标进行排序或标准化，构建多空组合。 4. **因子名称：高盈利增长因子（高增长因子）**[20] * **因子构建思路**：选择盈利增长（如净利润增长率、营业收入增长率）较快的股票。 * **因子具体构建过程**：报告未给出具体构建公式。通常使用盈利增长率指标进行排序或标准化，构建多空组合。 5. **因子名称：情绪细分因子**[18] * **因子构建思路**：从不同角度刻画市场涨停板相关的投机情绪[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、高频打板收益等细分因子[18]。具体计算方式未说明。 因子的回测效果 1. **小市值因子拥挤度**， 综合打分0.06，估值价差0.60，配对相关性-0.32，市场波动-0.62，收益反转0.58（2026年2月6日）[20] 2. **低估值因子拥挤度**， 综合打分-0.31，估值价差-0.47，配对相关性-0.44，市场波动1.21，收益反转-1.55（2026年2月6日）[20] 3. **高盈利因子拥挤度**， 综合打分-0.01，估值价差-0.72，配对相关性-0.45，市场波动-0.42，收益反转1.56（2026年2月6日）[20] 4. **高盈利增长因子拥挤度**， 综合打分0.28，估值价差1.02，配对相关性-0.53，市场波动-0.61，收益反转1.22（2026年2月6日）[20] 5. **情绪细分因子信号**， 净涨停占比信号0，跌停次日收益信号0，涨停板占比信号0，跌停板占比信号0，高频打板收益信号0（截至报告时点）[18]

量化模型与构建方式 1. **模型名称：红利风格择时模型**[1][6] * **模型构建思路：** 构建一个多因子综合打分模型，用于判断市场风格是否有利于红利风格，从而进行择时[1][4][6]。 * **模型具体构建过程：** 模型通过综合多个因子的信号来生成一个综合因子值，以判断市场风格[1][6]。具体构建过程在报告提及的早期报告《红利风格的择时方案》中有详细说明，本报告未详细阐述具体加权或合成公式[6]。但从本报告内容可知，模型至少包含以下7个分项因子，每个因子会生成一个因子值，并据此形成“最新观点”（信号为1或0）[11]。综合因子值由这些分项因子值合成得到，当综合因子值为正时，发出看多红利风格的正向信号[1][4][6]。 2. **因子名称：中国:非制造业 PMI:服务业**[11] * **因子构建思路：** 使用中国服务业PMI作为宏观经济景气度的衡量指标之一，影响市场风格偏好[11]。 * **因子具体构建过程：** 报告未详细说明该因子的具体计算和标准化过程，仅给出了最新一期的因子值[11]。 3. **因子名称：中国:M2:同比**[11] * **因子构建思路：** 使用中国M2货币供应量同比增速作为流动性环境的衡量指标，影响市场风格[11]。 * **因子具体构建过程：** 报告未详细说明该因子的具体计算和标准化过程，仅给出了最新一期的因子值[11]。 4. **因子名称：美国:国债收益率:10年**[7][11] * **因子构建思路：** 使用美国10年期国债收益率作为全球无风险利率和资金成本的锚，其变化会影响红利资产的相对吸引力[7][11]。 * **因子具体构建过程：** 报告未详细说明该因子的具体计算和标准化过程，仅给出了最新一期的因子值[11]。 5. **因子名称：红利相对净值自身**[11] * **因子构建思路：** 可能指红利指数或其相对表现的动量因子，用于捕捉趋势延续的信号[4][7][11]。 * **因子具体构建过程：** 报告未详细说明该因子的具体计算和标准化过程，仅给出了最新一期的因子值[11]。 6. **因子名称：中证红利股息率-10年期中债收益率**[11] * **因子构建思路：** 计算中证红利指数的股息率与10年期中国国债收益率的差值（即股权风险溢价或股息利差），该值越大表明红利资产的相对价值越高[11]。 * **因子具体构建过程：** 报告未详细说明该因子的具体计算和标准化过程，仅给出了最新一期的因子值[11]。 7. **因子名称：融资净买入**[11] * **因子构建思路：** 使用市场的融资净买入数据作为衡量市场情绪和风险偏好的指标，情绪过热可能不利于防御性的红利风格[4][11]。 * **因子具体构建过程：** 报告未详细说明该因子的具体计算和标准化过程，仅给出了最新一期的因子值[11]。 8. **因子名称：行业平均景气度**[11] * **因子构建思路：** 使用行业平均景气度指标，可能反映整体经济的增长动能，影响成长与价值风格的相对表现[11]。 * **因子具体构建过程：** 报告未详细说明该因子的具体计算和标准化过程，仅给出了最新一期的因子值[11]。 模型的回测效果 1. **红利风格择时模型**，综合因子值（2026.02.02至2026.02.06）为 **0.09**[1][4][6] 2. **红利风格择时模型**，综合因子值（2026.01.26至2026.01.30）为 **-0.08**[1][4][6] 3. **红利风格择时模型**，综合因子值（2025.12.31）未明确周度区间，表中列示值为 **未提供具体数值，仅显示各分项因子值**[11] 因子的回测效果 *注：本报告未提供各因子独立的历史回测绩效指标（如IC、IR、多空收益等），仅提供了特定时点的因子数值及观点信号。以下为各因子在报告指定日期的取值及信号。* 1. **中国:非制造业 PMI:服务业**，因子值（2026.02.06）为 **-0.13**，最新观点为 **1**[11] 2. **中国:M2:同比**，因子值（2026.02.06）为 **0.21**，最新观点为 **0**[11] 3. **美国:国债收益率:10年**，因子值（2026.02.06）为 **-0.24**，最新观点为 **0**[11] 4. **红利相对净值自身**，因子值（2026.02.06）为 **0.92**，最新观点为 **1**[11] 5. **中证红利股息率-10年期中债收益率**，因子值（2026.02.06）为 **0.22**，最新观点为 **1**[11] 6. **融资净买入**，因子值（2026.02.06）为 **-1.62**，最新观点为 **1**[11] 7. **行业平均景气度**，因子值（2026.02.06）为 **0.77**，最新观点为 **0**[11]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：国信金工指数增强组合模型[11][12] * **模型构建思路**：以多因子选股为主体，构建对标不同宽基指数的增强组合，力求稳定战胜各自基准[11] * **模型具体构建过程**：构建流程主要包括收益预测、风险控制和组合优化三部分[12]。具体步骤未在报告中详细展开。 2. **模型名称**：单因子MFE组合模型[15][42] * **模型构建思路**：为了在更贴近实际投资约束的条件下检验单因子的有效性，采用组合优化的方式，在控制行业暴露、风格暴露等约束下，构建最大化单因子暴露的组合[42] * **模型具体构建过程**：采用组合优化模型构建最大化单因子暴露组合[42]。具体步骤如下： 1. 设定约束条件，包括风格暴露、行业暴露、个股权重偏离、成分股内权重占比、个股权重上下限等[46]。例如，对于沪深300和中证500指数，控制MFE组合相对于基准在中信一级行业和市值风格因子上的相对暴露为0，个股相对于成分股最大偏离权重1%，成分股内权重占比100%[46] 2. 在每个月末，根据约束条件构建每个单因子的MFE组合[46] 3. 在回测期内根据各期MFE组合换仓，计算历史收益并按双边0.3%扣除交易费用，计算相对于基准的收益风险统计指标[46] * **模型评价**：该方法能更真实地反映因子在实际投资约束下的有效性，检验后认为“有效”的因子更可能在最终组合中发挥真实的收益预测作用[42] 量化因子与构建方式 报告从估值、反转、成长、盈利、流动性、公司治理、分析师等维度出发，构造了30余个因子[16]。具体因子名称及计算方式如下[17]： 1. **因子名称**：BP * **因子构建思路**：估值类因子 * **因子具体构建过程**：净资产 / 总市值[17] 2. **因子名称**：单季EP * **因子构建思路**：估值类因子 * **因子具体构建过程**：单季度归母净利润 / 总市值[17] 3. **因子名称**：单季SP * **因子构建思路**：估值类因子 * **因子具体构建过程**：单季度营业收入 / 总市值[17] 4. **因子名称**：EPTTM * **因子构建思路**：估值类因子 * **因子具体构建过程**：归母净利润TTM / 总市值[17] 5. **因子名称**：SPTTM * **因子构建思路**：估值类因子 * **因子具体构建过程**：营业收入TTM / 总市值[17] 6. **因子名称**：EPTTM分位点 * **因子构建思路**：估值类因子 * **因子具体构建过程**：EPTTM在过去一年中的分位点[17] 7. **因子名称**：股息率 * **因子构建思路**：估值类因子 * **因子具体构建过程**：最近四个季度预案分红金额 / 总市值[17] 8. **因子名称**：一个月反转 * **因子构建思路**：反转类因子 * **因子具体构建过程**：过去20个交易日涨跌幅[17] 9. **因子名称**：三个月反转 * **因子构建思路**：反转类因子 * **因子具体构建过程**：过去60个交易日涨跌幅[17] 10. **因子名称**：一年动量 * **因子构建思路**：反转/动量类因子 * **因子具体构建过程**：近一年除近一月后动量[17] 11. **因子名称**：单季净利同比增速 * **因子构建思路**：成长类因子 * **因子具体构建过程**：单季度净利润同比增长率[17] 12. **因子名称**：单季营收同比增速 * **因子构建思路**：成长类因子 * **因子具体构建过程**：单季度营业收入同比增长率[17] 13. **因子名称**：单季营利同比增速 * **因子构建思路**：成长类因子 * **因子具体构建过程**：单季度营业利润同比增长率[17] 14. **因子名称**：SUE (标准化预期外盈利) * **因子构建思路**：成长类因子 * **因子具体构建过程**：(单季度实际净利润 - 预期净利润) / 预期净利润标准差[17] 15. **因子名称**：SUR (标准化预期外收入) * **因子构建思路**：成长类因子 * **因子具体构建过程**：(单季度实际营业收入 - 预期营业收入) / 预期营业收入标准差[17] 16. **因子名称**：单季超预期幅度 * **因子构建思路**：成长类因子 * **因子具体构建过程**：预期单季度净利润 / 财报单季度净利润[17] 17. **因子名称**：单季ROE * **因子构建思路**：盈利类因子 * **因子具体构建过程**：单季度归母净利润 * 2 / (期初归母净资产 + 期末归母净资产)[17] 18. **因子名称**：单季ROA * **因子构建思路**：盈利类因子 * **因子具体构建过程**：单季度归母净利润 * 2 / (期初归母总资产 + 期末归母总资产)[17] 19. **因子名称**：DELTAROE * **因子构建思路**：盈利类因子 * **因子具体构建过程**：单季度净资产收益率 - 去年同期单季度净资产收益率[17] 20. **因子名称**：DELTAROA * **因子构建思路**：盈利类因子 * **因子具体构建过程**：单季度总资产收益率 - 去年同期单季度总资产收益率[17] 21. **因子名称**：非流动性冲击 * **因子构建思路**：流动性类因子 * **因子具体构建过程**：过去20个交易日的日涨跌幅绝对值 / 成交额的均值[17] 22. **因子名称**：一个月换手 * **因子构建思路**：流动性类因子 * **因子具体构建过程**：过去20个交易日换手率均值[17] 23. **因子名称**：三个月换手 * **因子构建思路**：流动性类因子 * **因子具体构建过程**：过去60个交易日换手率均值[17] 24. **因子名称**：特异度 * **因子构建思路**：波动类因子 * **因子具体构建过程**：1 - 过去20个交易日Fama-French三因子回归的拟合度[17] 25. **因子名称**：一个月波动 * **因子构建思路**：波动类因子 * **因子具体构建过程**：过去20个交易日日内真实波幅均值[17] 26. **因子名称**：三个月波动 * **因子构建思路**：波动类因子 * **因子具体构建过程**：过去60个交易日日内真实波幅均值[17] 27. **因子名称**：高管薪酬 * **因子构建思路**：公司治理类因子 * **因子具体构建过程**：前三高管报酬总额取对数[17] 28. **因子名称**：预期EPTTM * **因子构建思路**：分析师类因子 * **因子具体构建过程**：一致预期滚动EP[17] 29. **因子名称**：预期BP * **因子构建思路**：分析师类因子 * **因子具体构建过程**：一致预期滚动PB[17] 30. **因子名称**：预期PEG * **因子构建思路**：分析师类因子 * **因子具体构建过程**：一致预期PEG[17] 31. **因子名称**：预期净利润环比 * **因子构建思路**：分析师类因子 * **因子具体构建过程**：一致预期净利润 / 3个月前一致预期净利润[17] 32. **因子名称**：3个月盈利上下调 * **因子构建思路**：分析师类因子 * **因子具体构建过程**：过去3个月内分析师(上调家数 - 下调家数) / 总家数[17] 33. **因子名称**：三个月机构覆盖 * **因子构建思路**：分析师类因子 * **因子具体构建过程**：过去3个月内机构覆盖数量[17] 模型的回测效果 1. **国信金工沪深300指数增强组合**，本周超额收益0.24%，本年超额收益3.21%[5][14] 2. **国信金工中证500指数增强组合**，本周超额收益0.53%，本年超额收益-0.27%[5][14] 3. **国信金工中证1000指数增强组合**，本周超额收益1.63%，本年超额收益3.92%[5][14] 4. **国信金工中证A500指数增强组合**，本周超额收益0.40%，本年超额收益3.28%[5][14] 因子的回测效果 (基于单因子MFE组合) 报告分别以沪深300、中证500、中证1000、中证A500及公募重仓指数为选股空间，展示了各因子MFE组合在最近一周、最近一月、今年以来及历史年化等不同时间窗口的超额收益表现[18][21][23][25][27]。以下为各样本空间中部分因子的近期表现示例： **沪深300样本空间**[18]： 1. **单季SP因子**，最近一周超额收益1.33%，最近一月超额收益0.89%，今年以来超额收益0.63%，历史年化超额收益2.80% 2. **SPTTM因子**，最近一周超额收益1.11%，最近一月超额收益0.81%，今年以来超额收益0.60%，历史年化超额收益2.03% 3. **单季EP因子**，最近一周超额收益0.99%，最近一月超额收益1.48%，今年以来超额收益1.55%，历史年化超额收益5.37% **中证500样本空间**[21]： 1. **一个月波动因子**，最近一周超额收益1.57%，最近一月超额收益1.49%，今年以来超额收益-0.37%，历史年化超额收益0.80% 2. **三个月反转因子**，最近一周超额收益1.42%，最近一月超额收益-3.14%，今年以来超额收益-3.40%，历史年化超额收益-2.38% 3. **一个月反转因子**，最近一周超额收益1.19%，最近一月超额收益-0.32%，今年以来超额收益-1.67%，历史年化超额收益-1.60% **中证1000样本空间**[23]： 1. **一个月反转因子**，最近一周超额收益1.77%，最近一月超额收益-0.37%，今年以来超额收益-0.40%，历史年化超额收益-4.29% 2. **三个月反转因子**，最近一周超额收益1.56%，最近一月超额收益0.76%，今年以来超额收益1.70%，历史年化超额收益-1.95% 3. **非流动性冲击因子**，最近一周超额收益1.52%，最近一月超额收益2.73%，今年以来超额收益3.06%，历史年化超额收益2.48% **中证A500样本空间**[25]： 1. **一个月波动因子**，最近一周超额收益1.46%，最近一月超额收益1.50%，今年以来超额收益0.51%，历史年化超额收益0.95% 2. **单季EP因子**，最近一周超额收益1.29%，最近一月超额收益1.59%，今年以来超额收益0.63%，历史年化超额收益5.16% 3. **三个月换手因子**，最近一周超额收益1.21%，最近一月超额收益0.61%，今年以来超额收益0.49%，历史年化超额收益2.81% **公募重仓指数样本空间**[27]： 1. **一个月波动因子**，最近一周超额收益1.61%，最近一月超额收益1.18%，今年以来超额收益-0.43%，历史年化超额收益0.03% 2. **单季SP因子**，最近一周超额收益1.45%，最近一月超额收益1.56%，今年以来超额收益0.50%，历史年化超额收益1.98% 3. **SPTTM因子**，最近一周超额收益1.44%，最近一月超额收益1.09%，今年以来超额收益0.08%，历史年化超额收益0.76%

量化模型与构建方式 1. **模型名称：港股精选组合模型**[14][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[14][15]。 * **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[15]。 2. **基本面与技术面双层筛选**：对分析师推荐股票池中的股票，同时进行基本面和技术面两个维度的精选，具体筛选标准未在本文中详述，可参考其专题报告《基于分析师推荐视角的港股投资策略》[14][15]。 2. **因子名称：250日新高距离**[22] * **因子构建思路**：用于量化股票价格接近其历史最高价的程度，是识别创新高股票的基础指标[20][22]。 * **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，$Close_t$为股票的最新收盘价，$ts\_max(Close, 250)$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，则该因子值为0；若最新收盘价较新高回落，则该因子为正值，表示回落幅度[22]。 3. **模型名称：平稳创新高股票筛选模型**[22][23] * **模型构建思路**：在近期创过新高的股票池中，根据分析师关注度、股价相对强弱、股价路径平稳性、创新高连续性等多个角度，筛选出趋势更为健康、平稳的创新高股票[3][22]。 * **模型具体构建过程**：采用多步骤分层筛选法。 1. **样本池**：全部港股，但剔除成立时间不超过15个月的股票[23]。 2. **分析师关注度筛选**：要求过去6个月内，获得买入或增持评级的分析师研报不少于5份[23]。 3. **股价相对强弱筛选**：要求过去250日涨跌幅位于全样本池的前20%[23]。 4. **股价平稳性综合打分**：在满足上述条件的股票池内，使用以下两个指标进行综合打分，并取排名在前50%的股票（最少取50只）[23]。 * **价格路径平滑性**：使用“股价位移路程比”指标，具体计算公式为：$$股价位移路程比 = \frac{|过去120日涨跌幅|}{过去120日日涨跌幅绝对值加总}$$[22][23] * **创新高持续性**：计算过去120日内的“250日新高距离”在时间序列上的均值[23]。 5. **趋势延续性筛选**：计算过去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只股票作为最终的“平稳创新高股票”[23]。 模型的回测效果 1. **港股精选组合模型**，全样本回测区间（20100101-20251231）年化收益**19.08%**，相对恒生指数年化超额收益**18.06%**，信息比(IR)**1.19**，相对最大回撤**23.73%**，跟踪误差**14.60%**，收益回撤比**0.76**[15][19]。 * 分年度绩效详见报告表1，例如：2019年绝对收益**42.85%**，超额收益**33.78%**，信息比(IR)**2.23**；2020年绝对收益**66.59%**，超额收益**70.00%**，信息比(IR)**2.60**[19]。 量化因子与构建方式 *(本报告中未对单个因子的IC、IR等独立表现进行详细测试与评价，仅将其作为模型构建的组成部分)* 因子的回测效果 *(本报告中未提供独立因子的回测效果指标)*