量化模型与构建方式 1 模型名称：均线距离择时模型 模型构建思路：通过计算wind全A指数的短期均线（20日）与长期均线（120日）的距离变化，判断市场整体环境（震荡/趋势）[2][9] 模型具体构建过程： - 计算20日均线（MA20）和120日均线（MA120）： $$ MA20 = \frac{\sum_{i=1}^{20} P_i}{20}, \quad MA120 = \frac{\sum_{i=1}^{120} P_i}{120} $$ 其中$P_i$为第i日收盘价 - 计算两线距离百分比： $$ Distance = \frac{MA20 - MA120}{MA120} \times 100\% $$ - 阈值设定：距离小于3%判定为震荡格局，大于3%为趋势格局[2][9] 2 模型名称：TWO BETA行业配置模型 模型构建思路：基于市场风险偏好和行业特性，筛选科技等具有高弹性特征的板块[3][10] 模型具体构建过程： - 通过宏观经济指标（如关税政策窗口期）评估市场风险偏好[10] - 结合行业历史Beta值（如科技板块对市场波动的敏感性）和事件驱动（国产替代/军工）进行行业筛选[3][10] 3 模型名称：仓位管理模型 模型构建思路：综合估值分位数（PE/PB）和短期趋势信号动态调整仓位[3][11] 模型具体构建过程： - 计算wind全A的PE/PB历史分位数（PE 60分位、PB 20分位）[11] - 结合均线距离模型的震荡信号（2.72%），输出仓位建议值： $$ Position = 60\% \quad \text{（当前建议值）} $$ 量化因子与构建方式 1 因子名称：成交萎缩因子 因子构建思路：通过市场成交量极端萎缩捕捉反弹机会[1][8] 因子具体构建过程： - 监测wind全A日成交额，设定阈值（如1.1万亿）[1] - 触发条件：连续3日成交额低于阈值且缩量幅度超过15%[1][8] 模型的回测效果 1 均线距离择时模型 最新距离值2.72%[2] 震荡格局判定准确率78%（历史回测）[9] 2 TWO BETA模型 科技板块周超额收益1.2%（相对沪深300）[10] 3 仓位管理模型 当前建议仓位60%[11] 历史波动率降低23%[3] 因子的回测效果 1 成交萎缩因子 触发后5日反弹概率68%[1] 平均超额收益1.8%[8]

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**：基于流动性、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，划分为"估值性价比"、"宏观基本面"、"资金&趋势"、"拥挤度&反转"四大类[1][6] - **模型具体构建过程**： 1. **流动性维度**：货币方向因子（货币政策工具利率与短端市场利率的90天平均变化方向）、货币强度因子（DR007/7年逆回购利率偏离度）、信用方向因子（中长期贷款同比变化）、信用强度因子（新增人民币贷款超预期幅度）[10][13][14][17] 2. **经济面维度**：增长方向因子（PMI同比变化）、增长强度因子（PMI超预期幅度）、通胀方向因子（CPI与PPI加权同比变化）、通胀强度因子（CPI/PPI超预期幅度）[19][21][25][26] 3. **估值面维度**：席勒ERP（6年通胀调整盈利PE的倒数减国债收益率）、PB（市净率zscore）、AIAE（全市场权益配置比例zscore）[30][32][36] 4. **资金面维度**：内资指标（两融增量、成交额趋势）、外资指标（中国主权CDS利差、海外风险厌恶指数）[40][43][47][49] 5. **技术面维度**：价格趋势（均线距离ma120/ma240-1）、新高新低数（成分股一年新高/低数）[52][55] 6. **拥挤度维度**：期权隐含升贴水、VIX、SKEW、可转债定价偏离度[58][59][63][66] 量化因子与构建方式 1. **因子名称**：货币方向因子 - **因子构建思路**：判断货币政策宽松/收紧方向[10] - **因子具体构建过程**：计算央行货币政策工具利率与短端市场利率的90天平均变化方向，>0为宽松（分数1），<0为收紧（分数-1）[10] 2. **因子名称**：货币强度因子 - **因子构建过程**： $$偏离度 = \frac{DR007}{7年逆回购利率} - 1$$ 平滑后zscore，<-1.5倍标准差为宽松（分数1），>1.5倍标准差为收紧（分数-1）[13] 3. **因子名称**：席勒ERP - **因子构建过程**： $$席勒PE = \frac{股价}{6年通胀调整平均盈利}$$ $$席勒ERP = \frac{1}{席勒PE} - 10年期国债收益率$$ 计算3年zscore并截尾至±1[30] 4. **因子名称**：可转债定价偏离度 - **因子构建过程**： $$定价偏离度 = \frac{转债价格}{模型定价} - 1$$ 计算3年zscore并取负值[66] 模型回测效果 1. **择时雷达六面图**： - 综合打分：-0.01（中性）[8] - 流动性得分：-0.75（显著看空）[8] - 估值面得分：0.17（中性偏多）[8] - 拥挤度得分：0.18（中性偏低）[8] 因子回测效果 1. **货币方向因子**：当前分数-1（看空）[10] 2. **席勒ERP**：当前分数0.66（看多）[34] 3. **价格趋势因子**：当前分数1（看多）[54] 4. **期权隐含升贴水**：当前分数1（看多）[58]

根据提供的量化市场追踪周报内容，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. **行业轮动模型** - 构建思路：基于绩优基金持仓倾向的边际变化进行行业轮动信号生成[38] - 具体构建过程： 1. 跟踪主动偏股型基金在26个中信一级行业的仓位分布变化（如电子行业仓位从16.38%升至17.32%）[34] 2. 计算绩优基金超配/低配行业的相对强度（如超配有色金属、国防军工，低配医药、食品饮料）[38] 3. 结合动量因子（图6显示动量模型多头超额曲线）和景气度因子生成综合信号[41] - 模型评价：在TMT板块波动加大的市场环境下需警惕拥挤风险，但对防御性板块（如红利/消费）有较好捕捉能力[13][14] 2. **基金仓位测算模型** - 构建思路：通过持股市值加权计算主动权益类基金仓位水平[24] - 具体构建过程： 1. 筛选成立满两季度、规模>5000万、历史平均仓位>60%的基金作为合格样本[27] 2. 分类计算普通股票型（91.25%）、偏股混合型（89.68%）、配置型（86.15%）基金的加权平均仓位[24] 3. 引入风格维度分析（如小盘成长仓位42.6%，较上周下降3.43pct）[31] 量化因子与构建方式 1. **资金流因子** - 构建思路：基于主力/主动资金净流入数据捕捉市场短期偏好[58] - 具体构建过程： 1. 按成交量划分资金类型：特大单（>100万元）、大单（30-100万元）、中小单（<30万元）[57] 2. 计算个股及行业维度净流入额（如银行行业主动资金净流入87亿元）[66] 3. 构建异常信号（如宁德时代主力净流出14.13亿元但中小单净流入18.05亿元）[63] 2. **ETF资金流因子** - 构建思路：跟踪各类ETF净流入与市场风险偏好的关联性[43] - 具体构建过程： 1. 分类统计宽基ETF（净流入57.31亿元）、行业ETF（TMT净流入32.78亿元）、商品ETF（黄金ETF净流入31.4亿元）[43][69] 2. 计算资金流与标的指数表现的背离度（如科创50ETF净流入12.7亿元但指数周跌1.7%）[67] 模型的回测效果 1. **行业轮动模型** - 多头组合超额收益：2023年以来相对基准累计超额15%（图6）[41] - 最新信号：推荐增配电力及公用事业（排名升至第1）、规避电子（排名降至第24）[42] 2. **基金仓位模型** - 仓位预警准确率：当主动权益基金仓位>88%时，后续1个月市场回调概率达68%（图3）[25] - 风格轮动效果：大盘成长仓位下降5.1pct后对应指数周跌2.32%[31][15] 因子的回测效果 1. **资金流因子** - 行业维度IC：近1年Rank IC达0.21（如银行行业资金流入与超额收益正相关）[66] - 个股维度胜率：主力净流入TOP5个股3日胜率62.3%（如中航产融净流入29.36亿元后周涨幅6.6%）[62][22] 2. **ETF资金流因子** - 商品ETF流入与金价相关性：周度r²=0.83（华安黄金ETF净流入31.4亿元对应金价周涨3.3%）[69] - 宽基ETF反向指标：沪深300ETF净流入23.8亿元但指数周跌1.37%[67][15] 注：所有测试结果均基于2025年4月3日最新数据，涉及图表引用已标注对应文档ID。

量化模型与构建方式 1. **模型名称**：主力资金因子模型 - **模型构建思路**：通过监测主力资金流向识别市场热点行业，作为行业轮动的参考指标[13] - **模型具体构建过程**： 1. 计算主力资金近1周/1个月净流入额 2. 对中信一级行业（除综合金融）分组，按资金流方向排序 3. 多头组选择资金流入前4行业（如计算机、传媒、电子、通信），空头组选择后4行业（如汽车、食品饮料）[13][15] - **模型评价**：缩量市场中表现不稳定，需结合大盘放量信号确认有效性[13] 2. **模型名称**：长端景气预期模型 - **模型构建思路**：以分析师预期ROE/EPS等指标的长期差分和环比变化捕捉行业景气度[17] - **模型具体构建过程**： 1. 计算长期预期ROE均值差分因子：$$ \Delta ROE_{long} = ROE_{t12} - ROE_{t0} $$ 2. 计算长期预期EPS调升比例同比因子：$$ EPS_{growth} = \frac{EPS_{t12} - EPS_{t0}}{EPS_{t0}} $$ 3. 对行业分组后选择多头（非银、石油石化等）[17][19] - **模型评价**：因子有效性处于复苏早期，需结合短期信号验证[17] 3. **模型名称**：财报质量因子模型 - **模型构建思路**：通过财务安全性和盈利质量指标筛选防御性行业[12] - **模型具体构建过程**： 1. 构建质量安全细分因子： - 资产负债率：$$ \frac{总负债}{总资产} $$ - 速动比率：$$ \frac{流动资产-存货}{流动负债} $$ 2. 构建质量盈利细分因子： - 净资产收益率：$$ ROE = \frac{净利润}{净资产} $$ - 总资产毛利率：$$ \frac{毛利}{总资产} $$ 3. 采用市值加权法聚合因子[12][32] - **模型评价**：一季度财报季表现突出，龙头股效应显著[12] --- 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**：衡量股票过去12个月价格波动率作为风险代理变量[37] - **因子具体构建过程**： $$ \sigma_{12m} = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(r_i - \bar{r})^2} $$ 其中$r_i$为月度收益率，$n=12$[37] 2. **因子名称**：成长因子组 - **因子构建思路**：通过16个细分指标多维度刻画成长性[40] - **因子具体构建过程**： - 归母净利润单季度同比：$$ \frac{NI_{q} - NI_{q-4}}{NI_{q-4}} $$ - 营收TTM环比：$$ \frac{Revenue_{TTM} - Revenue_{TTM-1}}{Revenue_{TTM-1}} $$ - ROE_TTM同比：$$ \frac{ROE_{t} - ROE_{t-4}}{ROE_{t-4}} $$[40][42] 3. **因子名称**：价值因子组 - **因子构建思路**：结合股息率、市盈率等传统价值指标[55] - **因子具体构建过程**： - 股息率TTM：$$ \frac{DPS}{Price} $$ - 市盈率PE：$$ \frac{Price}{EPS} $$[55][56] --- 模型回测效果 1. **主力资金因子模型**： - 近一周多空收益率：-4.52%[33] - 近一月多头超额收益：-7.73%[33] 2. **长端景气预期模型**： - 近一月多空收益率：5.67%[33] - 年化IR：1.27[28] 3. **质量盈利因子**： - 近一周多空收益率：1.52%[33] - 近一月多头超额收益：3.06%[33] --- 因子回测效果 1. **波动率因子**： - 近一月多空收益：-14.37%[34] - 年化波动率：17.29%[28] 2. **成长因子（归母净利润单季度同比）**： - 近一月多空收益：0.96%[40] 3. **价值因子（股息率TTM）**： - 近一月多空收益：10.79%[34]

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. **沪深300上涨家数占比情绪指标** - 模型构建思路：通过计算指数成分股的近期正收益个数判断市场情绪，正收益股票增多可能预示行情底部，大部分股票正收益则可能预示过热风险[24] - 具体构建过程： $$ N日上涨家数占比 = \frac{沪深300成分股过去N日收益>0的个股数}{成分股总数} $$ 采用双平滑线策略：短期窗口N2=35日均线 > 长期窗口N1=50日均线时看多，反之持中性态度[27] - 模型评价：能快速捕捉上涨机会但易错失持续亢奋阶段收益，对下跌市场判断存在缺陷[25] 2. **均线情绪指标** - 模型构建思路：基于八均线体系（参数为8/13/21/34/55/89/144/233）判断趋势状态，通过价格与均线关系划分情绪区间[32] - 具体构建过程： - 计算沪深300收盘价与各均线的位置关系 - 当收盘价超过5条均线时看多，否则持中性态度[33] - 模型评价：需结合其他指标验证趋势可靠性[36] 量化因子与构建方式 1. **横截面波动率因子** - 因子构建思路：衡量指数成分股间收益率的离散程度，反映Alpha策略的盈利空间[38] - 具体构建过程： $$ 横截面波动率 = \sqrt{\frac{1}{N}\sum_{i=1}^N (r_i - \bar{r})^2} $$ 其中$r_i$为个股收益率，$\bar{r}$为指数成分股平均收益率[40] - 因子评价：波动率上升预示Alpha环境改善，需结合时间序列波动率综合判断[41] 2. **时间序列波动率因子** - 因子构建思路：反映市场整体波动水平，影响策略风险调整[41] - 具体构建过程： $$ 时间序列波动率 = \sqrt{\frac{1}{T}\sum_{t=1}^T (r_t - \mu)^2} $$ 采用加权计算方式，$r_t$为指数日收益率，$\mu$为样本均值[42] 模型的回测效果 1. **沪深300上涨家数占比情绪指标** - 当前快线（35日均值）61%，慢线（50日均值）63%，处于谨慎区间[27] - 近一季度超额收益IR为0.82，最大回撤4.3%[28] 2. **均线情绪指标** - 当前仅3条均线被突破，处于非景气区间[35] - 年化超额收益9.2%，胜率58.6%[36] 因子的回测效果 1. **横截面波动率因子** - 沪深300近一季度值1.83%（近两年分位51.24%） - 中证500近一季度值2.10%（近半年分位38.89%） - 中证1000近一季度值2.48%（近一年分位64.54%）[41] 2. **时间序列波动率因子** - 沪深300近一季度值0.57%（近半年分位66.8%） - 中证500近一季度值0.43%（近一年分位39.68%） - 中证1000近一季度值0.26%（近两年分位50.2%）[43] 其他量化指标 1. **量能择时信号** - 当前所有宽基指数（上证50/沪深300/中证500/中证1000等）均发出空头信号[23] 2. **抱团基金分离度** - 计算方式：抱团基金组合截面收益标准差，数值下降表明抱团程度加剧[86] - 当前分离度0.18，环比下降5.3%[89]

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：全天候择时模型** - **模型构建思路**：用于判断市场整体趋势，发出看多或看空信号[1][2] - **模型具体构建过程**：未详细说明构建逻辑，但通过周期分析、均线系统等综合判断市场信号[6][13] - **模型评价**：具有趋势跟踪特性，但存在滞后性，需结合其他指标辅助判断[1][8] 2. **模型名称：低吸模型** - **模型构建思路**：识别超跌后的潜在反弹机会，适用于主题指数和港股市场[2][8] - **模型具体构建过程**：基于周期分析信号（如回调幅度、均线支撑）触发“低吸信号”，例如对恒生科技指数和机器人主题指数的机会提示[16] - **模型评价**：擅长捕捉短期超跌反弹机会，但需结合市场环境过滤噪音[2] 3. **模型名称：四轮驱动行业轮动模型** - **模型构建思路**：通过多维度信号（如技术面、周期分析）动态调整行业配置[16] - **模型具体构建过程**： - 信号类型包括“交易风险”（如顶分型、均线下穿）和“潜在机会”（如周期分析低吸信号） - 示例信号逻辑： - 顶分型减仓点：短期均线向下拐头+其他确认信号[16] - 低吸信号：回调后满足周期分析支撑条件[16] 4. **因子名称：800日均线因子** - **因子构建思路**：作为美股调整的关键支撑位，反映库存周期级别的市场心理[1][7] - **因子具体构建过程**： - 计算过去800个交易日的收盘价均值： $$MA_{800} = \frac{1}{800}\sum_{i=1}^{800} Close_{t-i}$$ - 价格触及MA800时触发支撑预期[1] - **因子评价**：历史有效性较强，但需结合宏观环境判断突破风险[1] --- 模型的回测效果 （注：原文未提供具体回测指标值，故本部分省略） 因子的回测效果 1. **800日均线因子**： - 历史支撑有效性：过去10年（除2020年疫情外）美股调整均在800日均线处初步止跌[1][7] --- 其他说明 - **缠论分析模型**：提及但未描述构建细节[14] - **周期分析模型**：用于生成行业轮动信号，如机器人指数的“低吸信号”[16] 以上总结严格基于原文披露内容，未涉及风险提示等非核心信息[3][19][20][21]

根据研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **因子名称**：Trend - **构建思路**：捕捉股票价格趋势，通过不同时间窗口的指数加权移动平均比率衡量趋势强度[12] - **具体构建**： - Trend_120因子：计算20天与120天指数加权移动平均比率 $$Trend\_120 = \frac{EWMA(halflife=20)}{EWMA(halflife=120)}$$ - Trend_240因子：计算20天与240天指数加权移动平均比率 $$Trend\_240 = \frac{EWMA(halflife=20)}{EWMA(halflife=240)}$$ - **评价**：近期市场表现最佳的风格因子，反映趋势策略的有效性[9][11] 2. **因子名称**：非流动性冲击 (ILLIQ_1M) - **构建思路**：衡量股票流动性风险，通过价格冲击效应反映交易成本[16] - **具体构建**：过去20个交易日日度涨跌幅绝对值与成交额比值的均值 $$ILLIQ\_1M = \frac{1}{20}\sum_{t=1}^{20}\frac{|r_t|}{V_t}$$ - **评价**：在中证全指等样本空间中近期表现突出[6][18][42] 3. **因子名称**：UMR系列（一个月/三个月/六个月/一年UMR） - **构建思路**：风险调整后的动量因子，通过特定窗口期收益与波动率比值构建[16] - **具体构建**： - 以一个月UMR为例： $$UMR\_1M = \frac{\sum_{t=1}^{20}r_t}{\sigma_{1M}}$$ 其中$\sigma_{1M}$为过去20天收益波动率 - **评价**：在中证800等样本空间中展现稳定的多空收益[18][22][26] 4. **因子名称**：特异度 (IVR_1M) - **构建思路**：衡量个股收益脱离Fama-French三因子解释的程度[16] - **具体构建**： $$IVR\_1M = 1 - R^2_{FF3}$$ 其中$R^2_{FF3}$为过去20日三因子回归拟合优度 - **评价**：近期在中证500样本中表现较弱[22][31] 5. **因子名称**：分析师认可度 (ANA_REC) - **构建思路**：反映分析师对个股的评级倾向[16] - **具体构建**： $$ANA\_REC = \frac{N_{buy} - N_{sell}}{N_{total}}$$ - **评价**：在中证800样本中近期正向收益显著[26][31] 因子回测效果 | 因子名称 | 最近一周 | 最近一月 | 今年以来 | 近1年年化 | 历史年化 | 近一年趋势 | 近十年趋势 | |--------------------|----------|----------|----------|------------|----------|------------|------------| | Trend | 2.88% | 9.68% | -3.46% | 10.89% | 14.33% | - | - | [11] | 非流动性冲击 | 1.14% | 1.33% | 2.82% | -1.20% | -0.42% | - | - | [42] | 六个月UMR | 0.73% | 3.85% | 1.87% | 2.25% | 7.95% | - | - | [42] | 特异度 | -0.51% | -1.04% | 0.95% | 2.27% | 3.68% | - | - | [42] 模型构建方法 **MFE组合优化模型** - **构建思路**：在控制风格/行业暴露约束下最大化单因子暴露[57] - **具体构建**： $$\begin{array}{ll}max&f^{T}w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &0\leq w\leq l\\ &1^{T}w=1\\ &\Sigma|w-w_{0}|\leq to_{h}\end{array}$$ - **关键约束**：风格偏离($X$)、行业偏离($H$)、成分股权重($B_b$)、换手率($to_h$)[57][60] 指数增强产品表现 - **沪深300增强**：中位数超额收益最近一周-0.01%，近一年1.77%[48][50] - **中证500增强**：中位数超额收益最近一周0.25%，近一年0.81%[54] - **中证1000增强**：中位数超额收益最近一周0.24%，近一年5.81%[56]

量化模型与构建方式 1. **模型名称：基金仓位估计模型** - **模型构建思路**：基于基金季报披露的前十大重仓股、上市公司十大股东信息及行业配置数据，结合历史非重仓股持仓比例，模拟补全基金的全部股票持仓[7][8][9] - **模型具体构建过程**： 1. 从基金季报（T期）获取前十大重仓股及行业配置比例[8] 2. 结合上市公司1/3季度十大股东数据，补充重仓股细节[7] 3. 利用最近一期（T-1期）半年报/年报披露的全部持仓，按行业比例放缩非重仓股权重： $$ w_{非重仓股,T} = w_{非重仓股,T-1} \times \frac{w_{行业,T}}{w_{行业,T-1}} $$ 其中$w$代表权重[9] 4. 将持仓拆分为大、小盘组合，通过加权最小二乘法拟合基金日收益率与大小盘指数日收益率，估计每日仓位配置[11] - **模型评价**：解决了基金持仓披露不全和滞后性问题，但依赖历史持仓比例假设可能引入误差[11] 2. **模型名称：基金风格监控模型** - **模型构建思路**：基于模拟持仓数据，从市值（大/小盘）和行业维度动态跟踪基金风格变化[11][12] - **模型具体构建过程**： 1. 使用中信一级行业分类划分股票[13] 2. 计算基金在大盘（沪深300成分股）和小盘（非成分股）组合的仓位占比[10] 3. 通过行业权重变动分析风格偏移，例如电子行业权重下降可能反映科技板块减仓[20] --- 模型的回测效果 1. **基金仓位估计模型** - 普通股票型基金仓位中位数：90.48%（周环比-1.26%）[13] - 偏股混合型基金仓位中位数：86.66%（周环比-1.78%）[13] - 大盘组合仓位变动：普通股票型+0.44%，偏股混合型+0.03%[13] - 小盘组合仓位变动：普通股票型-1.71%，偏股混合型-1.80%[13] 2. **基金风格监控模型** - 当前仓位分位点（2016年以来）：普通股票型81.00%，偏股混合型72.86%[13] - 行业配置集中度：电子（17.72%-19.49%）、电力设备（9.22%-10.48%）、医药（8.39%-10.49%）[17] --- 量化因子与构建方式 1. **因子名称：市值暴露因子** - **因子构建思路**：通过基金持仓在大/小盘组合的权重差异捕捉市值风格偏好[11] - **因子具体构建过程**： $$ 市值暴露 = \frac{w_{小盘}}{w_{大盘}} $$ 其中$w$为基金在小盘股和大盘股的配置权重[10] 2. **因子名称：行业动量因子** - **因子构建思路**：根据基金行业配置周度变动识别资金流向[20] - **因子具体构建过程**： 1. 计算中信一级行业本周权重变化： $$ \Delta w_{行业} = w_{T} - w_{T-1} $$ 2. 排序得到增仓/减仓行业（如电子行业本周减仓，医药行业增仓）[20] --- 因子的回测效果 1. **市值暴露因子** - 普通股票型基金小盘仓位：45.5%（大盘45.0%）[13] - 偏股混合型基金小盘仓位：43.8%（大盘42.8%）[13] 2. **行业动量因子** - 本周增仓行业：医药（+0.5%）、银行（+0.3%）、食品饮料（+0.2%）[20] - 本周减仓行业：电子（-1.2%）、计算机（-0.8%）、传媒（-0.6%）[20]

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：宽基形态择时策略** - **模型构建思路**：基于宽基指数成分股的形态信号构建多空比率剪刀差，判断市场整体趋势[16] - **模型具体构建过程**： 1. 统计成分股中每日出现看多/看空形态的股票数量 2. 计算多空剪刀差比率： $$ \text{多空比率} = \frac{\text{看多股票数} - \text{看空股票数}}{\text{成分股总数}} $$ 3. 根据阈值（未明确具体数值）生成看多、中性或看空信号[16] - **模型评价**：策略年化收益显著跑赢基准指数（如中证500策略年化20.16% vs 指数6.28%）[13] 2. **模型名称：行业形态择时策略** - **模型构建思路**：基于中信一级行业成分股的形态信号构建多空剪刀差，判断行业趋势[16] - **模型具体构建过程**： 1. 若当日无看多/看空形态股票，则对应数量记为0 2. 多空剪刀差为0时，比率强制归零 3. 结合历史回测胜率（100%跑赢行业指数）生成信号[16][17] - **模型评价**：回溯表现优秀，尤其适用于建材、银行等行业[16] 3. **模型名称：特殊形态信号策略** - **模型构建思路**：识别六种技术形态（如金针探底、火箭发射等）的股票[23] - **模型具体构建过程**： - **金针探底形态规则**： 1. K线振幅>5%且下影线长度占比>80% 2. 出现在过去20日低位 3. 收盘价=开盘价（十字星）[23][27] - 其他形态定义详见《形态学研究之十》[23] --- 量化因子与构建方式 1. **因子名称：隐含波动率因子** - **因子构建思路**：采用Heston模型计算近月平值期权隐含波动率，反映市场恐慌情绪[8] - **因子具体构建过程**： $$ \text{IV} = \sqrt{\frac{2\pi}{T}} \cdot \frac{C}{S} $$ 其中 \( T \) 为期权期限，\( C \) 为期权价格，\( S \) 为标的现价[8] 2. **因子名称：连续看多信号因子** - **因子构建思路**：统计股票连续出现4/5根看多K线的次数[20] - **因子具体构建过程**： 1. 定义单日看多形态（如收盘价>开盘价+2%等） 2. 连续满足条件则触发信号（如山西汾酒连续5日看多）[21][22] 3. **因子名称：券商金股增强因子** - **因子构建思路**：结合券商推荐金股与形态信号，筛选基本面与技术面共振标的[28] - **因子具体构建过程**： 1. 月度金股池中识别形态买点 2. 次交易日买入并持有至月底[28] --- 模型的回测效果 | 模型名称 | 年化收益(%) | 最大回撤(%) | 基准年化收益(%) | 基准最大回撤(%) | |------------------------|-------------|-------------|------------------|------------------| | 宽基择时（中证500） | 20.16 | -41.19 | 6.28 | -65.85 | [13] | 宽基择时（沪深300） | 11.85 | -23.04 | 4.14 | -46.92 | [13] | 行业择时（建材） | 25.80 | -37.98 | 1.92 | -58.37 | [18] | 行业择时（银行） | 11.72 | -19.52 | 7.13 | -35.31 | [18] --- 因子的回测效果 | 因子名称 | 胜率(%) | 应用案例（股票） | |------------------------|-------------|-----------------------| | 连续看多信号（5日） | 未披露 | 山西汾酒 | [21] | 特殊形态（金针探底） | 正向信号70% | 中核科技、江苏雷利 | [23][26] | 券商金股增强 | 70% | 航天电器、神农集团 | [29][30] --- 注：所有公式及参数引用自原文，未对原始逻辑进行修改或补充[8][16][23]

量化模型与构建方式 1. **模型名称**：行业景气度-趋势-拥挤度框架 **模型构建思路**：通过结合行业景气度、趋势强度和拥挤度三个维度，筛选出高景气、强趋势且拥挤度适中的行业进行配置[1][9] **模型具体构建过程**： - **景气度**：基于分析师盈利预测数据构建FAPI指数（Financial Analyst Pros Index），计算行业景气度z-score[89] - **趋势**：采用动量指标衡量行业价格趋势强度，公式为： $$趋势得分 = \frac{当前价格 - N日前价格}{N日前价格}$$ - **拥挤度**：通过换手率、波动率等指标计算行业交易拥挤程度，规避高拥挤行业[89] **模型评价**：进攻性强，需依赖拥挤度指标控制风险，适合同步市场行情[91] 2. **模型名称**：行业库存景气反转模型 **模型构建思路**：在困境行业中筛选库存压力小、具备补库条件的板块，捕捉反转机会[17][93] **模型具体构建过程**： - 剔除库存历史分位数>80%或资本开支>80%的行业[17] - 筛选毛利率和自由现金流占比历史分位数>20%的行业[17] - 结合分析师长期景气预期进行加权[93] **模型评价**：左侧布局型策略，对库存周期拐点敏感[93] 3. **模型名称**：PB-ROE选股模型 **模型构建思路**：在行业配置基础上，选择估值性价比高的个股[102] **模型具体构建过程**： - 按行业权重初筛股票池 - 计算个股PB-ROE分位数： $$PB-ROE得分 = \frac{ROE - 行业ROE中位数}{行业ROE标准差} - \frac{PB - 行业PB中位数}{行业PB标准差}$$ - 选取前40%个股按流通市值和PB-ROE打分加权[102] 模型的回测效果 1. **行业景气度-趋势-拥挤度模型**： - 年化超额收益16.3%（基准wind全A）[91] - IR 1.74，最大回撤-7.4%[91] - 2025年超额2.7%[1][9] 2. **行业库存景气反转模型**： - 年化超额收益16.5%（基准行业等权）[95] - IR 1.76，最大回撤-8.7%[95] - 2024年绝对收益25.6%[95] 3. **PB-ROE选股组合**： - 年化超额收益22.9%（基准wind全A）[101] - IR 2.02，最大回撤-8.0%[101] - 2025年超额3.3%[12] 量化因子与构建方式 1. **因子名称**：分析师景气指数（FAPI） **因子构建思路**：整合分析师盈利预测变化反映行业景气度[89] **因子具体构建过程**： - 收集各行业分析师EPS预测调整数据 - 计算标准化z-score： $$FAPI = \frac{上调EPS预测数 - 下调EPS预测数}{总覆盖分析师数}$$ - 滚动3个月平滑处理[89] 2. **因子名称**：库存周期因子 **因子构建思路**：通过库存同比变化判断行业所处库存阶段[23][26] **因子具体构建过程**： - 计算库存同比： $$库存同比 = \frac{当期库存 - 去年同期库存}{去年同期库存}$$ - 结合营收同比判断主动/被动补去库存状态[25][27] 3. **因子名称**：自由现金流因子 **因子构建思路**：衡量行业补库能力[33][35] **因子具体构建过程**： - 计算自由现金流占比： $$FCF/TA = \frac{自由现金流}{总资产}$$ - 取历史分位数避免绝对值偏差[35] 因子的回测效果 1. **FAPI因子**： - 在电子、新能源等行业中IC均值0.15[89] - 月度胜率63%[89] 2. **库存周期因子**： - 在有色、汽车等行业中IC均值0.12[26] - 触底信号后6个月超额收益8.2%[23] 3. **自由现金流因子**： - 在家电、汽车等行业中IC均值0.18[35] - 分位数>20%组合年化超额9.7%[35]