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 - **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，选择向上趋势的行业进行配置[26][37] - **模型具体构建过程**： 1. 计算每个中信一级行业的扩散指数，扩散指数反映了行业价格动量的强度[27] 2. 具体计算公式未在报告中明确给出，但扩散指数是一个介于0到1之间的数值，数值越高代表行业向上趋势越强[27] 3. 每月选择扩散指数排名前六的行业作为配置组合[26][30] - **模型评价**：在趋势行情下表现较好，但在市场反转时可能失效[26][37] 2.GRU因子行业轮动模型 - **模型名称**：GRU因子行业轮动模型 - **模型构建思路**：基于分钟频量价数据，通过GRU深度学习网络生成行业因子，捕捉短期交易信息[34][38] - **模型具体构建过程**： 1. 使用GRU深度学习网络处理分钟频量价数据[38] 2. 生成GRU行业因子，因子值反映了行业短期表现强度[34] 3. 每周根据GRU行业因子排名调仓，选择因子排名前六的行业[34][36] - **模型评价**：在短周期表现较好，但长周期表现一般，极端行情下可能失效[38] 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：4.53%[25][30] - 2025年9月以来超额收益：-0.47%[30] - 本周超额收益：0.88%[30] 2.GRU因子行业轮动模型 - 2025年以来超额收益：-7.37%[33][36] - 2025年9月以来超额收益：0.29%[36] - 本周超额收益：-0.23%[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 - **因子构建思路**：基于价格动量原理，衡量行业价格趋势的强度[27][37] - **因子具体构建过程**： 1. 计算每个中信一级行业的扩散指数[27] 2. 扩散指数是一个0到1之间的数值，越高代表行业向上趋势越强[27] 3. 具体计算公式未在报告中明确给出 2.GRU行业因子 - **因子名称**：GRU行业因子 - **因子构建思路**：基于分钟频量价数据，通过GRU深度学习网络生成，捕捉行业短期表现[34][38] - **因子具体构建过程**： 1. 使用GRU深度学习网络处理分钟频量价数据[38] 2. 输出GRU行业因子值，正值代表看多，负值代表看空[34] 因子的回测效果 1.行业扩散指数因子 - 最新排名前六行业：综合(0.99)、银行(0.969)、通信(0.951)、钢铁(0.95)、有色金属(0.947)、商贸零售(0.934)[27] - 周度环比提升前六行业：房地产(0.132)、建材(0.047)、钢铁(0.033)、银行(0.005)、建筑(0.004)、商贸零售(0.003)[29] 2.GRU行业因子 - 最新排名前六行业：综合(4.56)、建筑(3.8)、房地产(3.6)、纺织服装(0.08)、综合金融(-0.07)、家电(-0.16)[34] - 周度环比提升前六行业：综合、建筑、房地产[34]

这份研报主要跟踪和分析了各类市场指标和风格表现，并未涉及传统意义上需要构建的量化选股模型或阿尔法因子。报告的核心是对现有风格指数、估值、资金面等指标的跟踪和解读。以下是基于报告内容的总结： 量化模型与构建方式 本报告未涉及需要构建的量化选股模型或阿尔法因子。 模型的回测效果 本报告未涉及量化模型的回测效果。 量化因子与构建方式 本报告未涉及需要构建的量化选股因子。 风格指数与跟踪指标 1. 风格拥挤度 **构建思路：** 衡量不同风格（如成长/红利、小盘/大盘等）的交易热度相对于历史水平和市场整体水平的位置，用于判断风格是否过热或过冷[37][122]。 **具体构建过程：** 1. 分别计算风格指数和万得全A指数近n个交易日（n=63，即一个季度）的日均换手率。 2. 在滚动y年（y=6）的历史窗口内，对这两组换手率时间序列分别进行z-score标准化。 3. 计算风格指数标准化后的换手率与万得全A指数标准化后的换手率之差。 4. 最后计算该差值的滚动历史分位值，即为风格拥挤度分位点[122]。 2. 风格累计超额净值 **构建思路：** 计算各风格指数相对于万得全A指数的累计超额收益，用于观察风格的长期表现[37][123]。 **具体构建过程：** 1. 以2016年1月4日为基准日，计算风格指数和万得全A指数的每日累计净值（当日收盘价 / 基准日收盘价）。 2. 将风格指数的每日累计净值除以万得全A指数同日的累计净值，得到每日的相对净值。 3. 这一系列相对净值连接起来即构成该风格相对于万得全A的累计超额净值曲线[123]。 3. 机构调研活跃度 **构建思路：** 衡量不同板块或行业受到机构关注度的历史分位水平，分为长期和短期口径[104][124]。 **具体构建过程：** 1. 计算板块（或指数、行业）近n个交易日的“日均机构调研次数”。 * 长期口径：n取126（近半年）[124] * 短期口径：n取63（近一季度）[124] 2. 在滚动历史窗口（长期口径为6年，短期口径为3年）内，对该“日均机构调研次数”序列以及万得全A的对应序列分别进行z-score标准化。 3. 计算板块标准化后的数值与万得全A标准化后的数值之差，得到“机构调研活跃度”。 4. 最后计算该“机构调研活跃度”在滚动历史窗口内的历史分位数[124]。 4. 股债风险溢价（ERP） **构建思路：** 衡量股票市场相对于债券市场的估值吸引力，是常见的股债性价比指标[72]。 **具体构建过程：** $$ erp = \frac{1}{指数 PE_{TTM}} - 10年期中债国债到期收益率 $$ 其中，$PE_{TTM}$ 为指数滚动市盈率[72]。 指标跟踪结果 风格表现 (截至2025年9月12日) | 风格对比 | 近一周收益(%) | 近一月收益(%) | 年初至今收益(%) | | :----------------- | :------------ | :------------ | :------------- | | 成长-红利 | 1.9 | 13.9 | 22.9 | | 小盘-大盘 | 1.6 | -0.3 | 9.1 | | 微盘股-基金重仓 | 0.1 | -6.4 | 35.1 | | 动量-反转 | -1.3 | -2.0 | 24.4 | *数据来源：图表6[27]* 风格拥挤度历史分位 (截至2025年9月12日) | 风格 | 当前分位 | | :--------- | :------- | | 成长 | 14% | | 红利 | 32% | | 小盘 | 32% | | 大盘 | 76% | | 微盘股 | 15% | | 基金重仓 | 88% | *数据来源：图表11[37]* 估值水平 (PE_TTM历史分位) | 指数 | 当前分位 | 状态 | | :--------- | :------- | :--- | | 万得全A | 91% | 极高 | | 沪深300 | 80% | 极高 | | 中证500 | 73% | 较高 | | 创业板指 | 39% | 较低 | *数据来源：图表26,27,28,29,30[62][68][70]* 股债性价比 (ERP历史分位) | 指数 | 当前分位 | 状态 | | :--------- | :------- | :--- | | 万得全A | 47% | 均衡 | | 沪深300 | 48% | 均衡 | | 中证500 | 66% | 较高 | | 创业板指 | 86% | 极高 | *数据来源：图表31,32,33,34,35[72][78][80]* 机构调研活跃度历史分位 (长期口径) **前列行业:** 有色金属(97%)、房地产(94%)、石油石化(93%)[104] **后列行业:** 银行(9%)、机械(18%)、医药(23%)[104] *数据来源：图表47[105]*

量化模型与构建方式 1. 三维择时框架 - 模型名称：三维择时框架[7] - 模型构建思路：通过分歧度、流动性和景气度三个维度对市场进行择时判断[7] - 模型具体构建过程：监控市场分歧度指数、市场流动性指数和A股景气度指数2.0的变化趋势，当分歧度上行、流动性下行、景气度保持回升时，给出震荡下跌判断[7][11][23] 2. ETF热点趋势策略 - 模型名称：ETF热点趋势策略[29] - 模型构建思路：根据K线形态和换手率变化选择短期市场关注度提升的ETF构建组合[29] - 模型具体构建过程：首先选出最高价与最低价同时为上涨形态的ETF；然后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[29] 3. 资金流共振策略 - 模型名称：融资-主动大单资金流共振策略[35] - 模型构建思路：通过融资融券资金流与主动大单资金流的共振效应选择行业[35] - 模型具体构建过程： 1) 定义行业融资融券资金因子：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 2) 定义行业主动大单资金因子：行业最近一年成交量时序中性化后的净流入排序，取最近10日均值 3) 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 4) 进一步剔除大金融板块[35] 模型的回测效果 1. 三维择时框架 - 历史表现：提供市场择时判断，建议逐步谨慎[7] 2. ETF热点趋势策略 - 今年以来表现：相对沪深300累计超额收益表现良好[31] 3. 资金流共振策略 - 2018年以来费后年化超额收益：13.5%[35] - 信息比率(IR)：1.7[35] - 上周表现：实现0.9%的绝对收益与-1%的超额收益（相对行业等权）[35] 量化因子与构建方式 1. 风格因子 - 因子名称：size因子[39] - 因子构建思路：衡量市值风格的影响[39] - 因子具体构建过程：基于市值大小构建组合，大市值股票组合与小市值组合对比[39] - 因子名称：beta因子[40] - 因子构建思路：衡量贝塔风格的影响[40] - 因子具体构建过程：基于股票贝塔值构建组合，高贝塔组合与低贝塔组合对比[40] - 因子名称：growth因子[40] - 因子构建思路：衡量成长风格的影响[40] - 因子具体构建过程：基于成长性指标构建组合，高成长个股与低成长个股对比[40] 2. Alpha因子 - 因子名称：每股营业收入同比增长率(yoy_orps)[44] - 因子构建思路：衡量公司营收增长能力[44] - 因子名称：资产负债率同比变化率(debt_ratio_yoy)[44] - 因子构建思路：衡量公司负债结构变化[44] - 因子名称：总负债同比增长(tot_liab_yoy)[44] - 因子构建思路：衡量公司负债增长情况[44] - 因子名称：单季度营业收入同比增速(yoy_or_q)[44] - 因子构建思路：衡量公司单季度营收增长[44] - 因子名称：流动负债同比增长(cur_liab_yoy)[44] - 因子构建思路：衡量公司流动负债变化[44] - 因子名称：单季度ROE同比差值(roe_q_delta_report)[44] - 因子构建思路：衡量公司单季度ROE同比变化[44] - 因子名称：单季度ROE同比差值（考虑快报、预告）(roe_q_delta_adv)[47] - 因子构建思路：考虑快报预告的ROE同比变化[47] - 因子名称：分析师预测调整因子(mom3_np_fy1)[47] - 因子构建思路：衡量分析师预测净利润的变化[47] - 因子具体构建过程：$$mom3\_np\_fy1 = \frac{当前一致预测np\_FY1 - 3个月前一致预测np\_FY1}{|3个月前一致预测np\_FY1|}$$[47] 因子的回测效果 1. 风格因子近期表现 - size因子：最近一周收益1.57%[43] - beta因子：最近一周收益1.08%[43] - growth因子：最近一周收益0.42%[43] - momentum因子：最近一周收益0.39%[43] - nlsize因子：最近一周收益1.31%[43] - value因子：最近一周收益-0.13%[43] - liquidity因子：最近一周收益0.96%[43] - earnings_yield因子：最近一周收益-0.67%[43] - leverage因子：最近一周收益0.48%[43] - volatility因子：最近一周收益0.20%[43] 2. Alpha因子近期表现 不同时间维度表现（近一周多头超额）： - 每股营业收入同比增长率(yoy_orps)：2.62%[44] - 资产负债率同比变化率(debt_ratio_yoy)：2.57%[44] - 总负债同比增长(tot_liab_yoy)：2.53%[44] - 单季度营业收入同比增速(yoy_or_q)：2.51%[44] - 流动负债同比增长(cur_liab_yoy)：2.49%[44] - 速动比率同比变化(quick_ratio_yoy)：2.25%[44] - 营业收入同比增速(yoy_or)：2.14%[44] - 总资产同比增长(yoy_total_assets)：2.12%[44] - 销售现金流变化指标(delta_cashflow_goodsales_ic)：2.03%[44] - 应付账款同比变化(yoy_accpayable)：1.94%[44] 不同指数下的表现（上周多头超额）： - 单季度ROE同比差值（考虑快报、预告）(roe_q_delta_adv)： - 沪深300：8.23% - 中证500：4.55% - 中证1000：9.38% - 国证2000：4.96%[47] - 分析师预测净利润变化(mom3_np_fy1)： - 沪深300：7.14% - 中证500：5.60% - 中证1000：9.54% - 国证2000：4.19%[47] - 评级调整因子(est_num_diff)： - 沪深300：7.73% - 中证500：4.86% - 中证1000：8.72% - 国证2000：4.60%[47]

量化模型与构建方式 1. **模型名称：中证500增强组合**[4][12][19] * **模型构建思路**：基于量化策略模型进行选股和权重配置，旨在获得超越中证500指数的超额收益[12][19][46] * **模型具体构建过程**：根据策略模型生成持仓列表，包含多只股票及其对应的持仓权重，构成投资组合[12][48][50] 2. **模型名称：沪深300增强组合**[4][14][21] * **模型构建思路**：基于量化策略模型进行选股和权重配置，旨在获得超越沪深300指数的超额收益[14][21][51] * **模型具体构建过程**：根据策略模型生成持仓列表，包含多只股票及其对应的持仓权重，构成投资组合[14][51][54] 3. **因子名称：十大类风格因子**[55] * **因子的构建思路**：参照BARRA因子模型，构建描述A股市场不同风险收益特征的风格因子[55] * **因子具体构建过程**：构建的因子包括：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）和杠杆（LVRG）[55] 4. **模型名称：A股景气度高频指数**[28][29][31] * **模型构建思路**：以上证指数归母净利润同比为Nowcasting目标构建指数，用于观察A股景气周期[28][31] * **模型具体构建过程**：详情请参考报告《视角透析：A股景气度高频指数构建与观察》[28] 5. **模型名称：A股情绪指数**[31][32][36] * **模型构建思路**：基于市场波动率和成交额的变化方向划分象限并构造情绪指数，用于市场情绪刻画和择时[31][32][34] * **模型具体构建过程**：将市场按照波动率和成交额的变化方向划分为四个象限，其中波动上-成交下的区间为显著负收益，其余都为显著正收益，据此构造了包含见底预警与见顶预警的A股情绪指数，相关研究请参考报告《视角透析：A股情绪指数构建与观察》[31][32] 模型的回测效果 1. **中证500增强组合**，本周收益1.82%，本周超额收益-1.56%，2020年至今超额收益49.43%，最大回撤-4.99%[12][19][46] 2. **沪深300增强组合**，本周收益1.40%，本周超额收益0.02%，2020年至今超额收益39.41%，最大回撤-5.86%[14][21][51] 量化因子与构建方式 1. **因子名称：行业因子**[56][59] * **因子的构建思路**：用于衡量不同行业相对于市场市值加权组合的收益表现[56][59] * **因子具体构建过程**：报告中未详细描述具体构建过程，但提及了房地产、钢铁、保险、证券、消费者服务等行业因子[56][59] 因子的回测效果 1. **Beta因子**，近一周纯因子收益率表现较高[56][59] 2. **残差波动率因子**，近一周纯因子收益率呈较为显著的负向超额收益[56][59] 3. **成长因子**，近期表现优异[56] 4. **非线性市值因子**，近期表现不佳[56] 5. **价值因子**，近期表现不佳[56] 6. **房地产行业因子**，近一周纯因子收益率相对市场市值加权组合跑出较高超额收益[56][59] 7. **钢铁行业因子**，近一周纯因子收益率相对市场市值加权组合跑出较高超额收益[56][59] 8. **保险行业因子**，近一周纯因子收益率回撤较多[56][59] 9. **证券行业因子**，近一周纯因子收益率回撤较多[56][59] 10. **消费者服务行业因子**，近一周纯因子收益率回撤较多[56][59]

量化模型与构建方式 1. **主动权益型基金仓位测算模型** - 模型构建思路：通过持股市值加权方法计算主动权益型基金的平均股票仓位，以反映市场配置情绪[20][23] - 模型具体构建过程： 1. 筛选合格样本基金，需满足条件：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%[23] 2. 计算持股市值加权平均仓位： $$ \text{平均仓位} = \frac{\sum (\text{单基金持股市值} \times \text{该基金股票仓位})}{\sum \text{单基金持股市值}} $$ 3. 分类计算普通股票型、偏股混合型、配置型基金的仓位[20] - 模型评价：能够有效跟踪公募基金的整体配置情绪变化 2. **风格仓位暴露模型** - 模型构建思路：根据市值和成长/价值属性划分风格（如大盘成长、小盘价值等），计算主动偏股型基金在各风格上的仓位暴露[28] - 模型具体构建过程： 1. 定义风格分类标准（如大盘成长、大盘价值等）[28] 2. 对基金持仓股票按风格分类，并计算持股市值加权平均仓位： $$ \text{风格仓位} = \frac{\sum (\text{该风格股票持股市值})}{\sum \text{全部股票持股市值}} $$ 3. 统计各风格仓位的周度变化[28] 3. **行业仓位暴露模型** - 模型构建思路：基于中信一级行业分类，计算主动权益型基金在各行业上的仓位分布及变动[31][32] - 模型具体构建过程： 1. 按中信一级行业分类基金持仓股票[32] 2. 计算持股市值加权平均行业仓位： $$ \text{行业仓位} = \frac{\sum (\text{该行业股票持股市值})}{\sum \text{全部股票持股市值}} $$ 3. 跟踪各行业仓位的周度变化及趋势（如“连续上涨”或“连续下跌”）[32] 4. **ETF资金流向跟踪模型** - 模型构建思路：统计各类ETF（宽基、行业、主题等）的资金净流入数据，以反映市场资金偏好[35][36][37] - 模型具体构建过程： 1. 按ETF类型（宽基、行业、主题、境外等）分类[35] 2. 计算单周净流入金额： $$ \text{净流入} = \text{期间流入资金} - \text{期间流出资金} $$ 3. 汇总各类型ETF的规模及资金流向[35] 5. **主力/主动资金流统计模型** - 模型构建思路：基于同花顺对主力资金的划分标准（特大单、大单、中单、小单），统计个股和行业的资金净流入情况[50][51] - 模型具体构建过程： 1. 按成交单划分标准分类： - 特大单：成交量≥20万股或金额≥100万元 - 大单：成交量6-20万股或金额30-100万元 - 中单：成交量1-6万股或金额5-30万元 - 小单：成交量<1万股或金额<5万元[50] 2. 计算个股和行业的净流入金额： $$ \text{净流入} = \sum \text{买入金额} - \sum \text{卖出金额} $$ 3. 分别统计主力资金（特大单+大单）和主动资金（特大单）的流向[51] 模型的回测效果 （注：本篇报告未提供模型回测效果指标，如年化收益、夏普比率、信息比率（IR）等，故本节省略） 量化因子与构建方式 1. **基金净值涨跌幅因子** - 因子构建思路：计算主动权益型基金的周度净值涨跌幅，以反映基金短期表现[18][19] - 因子具体构建过程： $$ \text{净值涨跌幅} = \frac{\text{本期净值} - \text{上期净值}}{\text{上期净值}} $$ - 因子评价：可用于筛选短期表现优异的基金[19] 2. **ETF资金净流入因子** - 因子构建思路：统计单只ETF产品的资金净流入金额，反映资金对该产品的偏好[61][62] - 因子具体构建过程： $$ \text{净流入} = \text{期间申购金额} - \text{期间赎回金额} $$ - 因子评价：可用于判断资金对特定赛道或指数的偏好[35][36] 3. **行业资金主动净流入因子** - 因子构建思路：基于主力资金流向数据，计算各行业的主动资金净流入金额，反映主力资金对行业的偏好[51][60] - 因子具体构建过程： 1. 按行业分类汇总主动资金（特大单）净流入[60] 2. 计算行业净流入金额： $$ \text{行业净流入} = \sum_{\text{行业个股}} \text{主动资金净流入} $$ 因子的回测效果 （注：本篇报告未提供因子回测效果指标，如IC值、IR值、多空收益等，故本节省略）

根据提供的量化分析报告，以下是关于报告中涉及的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：择时雷达六面图模型[1][6] - **模型构建思路**：权益市场表现受多维度指标影响，该模型从流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取二十一个指标对市场进行刻画，并概括为“估值性价比”、“宏观基本面”、“资金&趋势”、“拥挤度&反转”四大类，最终生成[-1,1]之间的综合择时分数[1][6] - **模型具体构建过程**： 1. 从六个维度（流动性、经济面、估值面、资金面、技术面、拥挤度）选取共计21个底层指标[1][6] 2. 将六个维度概括为四大类：“估值性价比”（包含估值面）、“宏观基本面”（包含流动性、经济面）、“资金&趋势”（包含资金面、技术面）、“拥挤度&反转”（包含拥挤度）[1][6] 3. 每个底层指标根据其构建规则计算出一个介于[-1, 1]之间的分数，代表看空、中性或看多信号[12][15][17]等 4. 综合所有指标的分数，最终生成一个介于[-1,1]之间的综合择时分数[1][6] 量化因子与构建方式 1. 因子名称：货币方向因子[12] - **因子构建思路**：判断当前货币政策的方向，通过比较当前货币政策工具利率与短端市场利率相对于90天前的平均变化方向来识别政策宽松或收紧[12] - **因子具体构建过程**：选取央行使用的货币政策工具利率与短端市场利率，计算其相较于90天前的平均变化方向。若货币方向因子>0，则判断货币政策宽松（看多信号）；若货币方向因子<0，则判断货币政策收紧（看空信号）[12] 2. 因子名称：货币强度因子[15] - **因子构建思路**：基于“利率走廊”概念，表征短端市场利率相对于政策利率的偏离幅度，用以判断货币环境的宽松或紧张程度[15] - **因子具体构建过程**： 1. 计算偏离度：$$偏离度 = \frac{DR007}{7天逆回购利率} - 1$$[15] 2. 对偏离度进行平滑处理并计算Z-Score，得到货币强度因子[15] 3. 若货币强度因子 < -1.5倍标准差，则预期未来120个交易日为宽松环境（看多信号，分数为1）；若货币强度因子 > 1.5倍标准差，则预期未来120个交易日为紧张环境（看空信号，分数为-1）[15] 3. 因子名称：信用方向因子[17] - **因子构建思路**：表征商业银行对实体经济传导的松紧程度，使用中长期贷款指标进行体现，通过其变化趋势判断信用环境[17] - **因子具体构建过程**：计算中长期贷款当月值 -> 计算过去十二个月增量 -> 计算同比。若信用方向因子相比于三个月之前上升则看多（分数为1）；反之则看空（分数为-1）[17] 4. 因子名称：信用强度因子[20] - **因子构建思路**：捕捉信用指标是否大幅超预期或不及预期，反映信用的强度变化[20] - **因子具体构建过程**：计算信用强度因子 = (新增人民币贷款当月值 – 预期中位数) / 预期标准差。若信用强度因子 > 1.5倍标准差，则定义未来60个交易日为信用显著超预期环境（分数为1）；若信用强度因子 < -1.5倍标准差，则未来60个交易日分数为-1[20] 5. 因子名称：增长方向因子[24] - **因子构建思路**：基于PMI数据判断经济增长的方向变化[24] - **因子具体构建过程**：基于中采制造业PMI、中采非制造业PMI、财新制造业PMI数据，构建增长方向因子 = PMI -> 计算过去十二月均值 -> 计算同比。若增长方向因子相比于三个月之前上升则看多（分数为1）；反之则看空（分数为-1）[24] 6. 因子名称：增长强度因子[27] - **因子构建思路**：捕捉经济增长指标是否大幅超预期或不及预期[27] - **因子具体构建过程**：计算PMI预期差 = (PMI – 预期中位数) / 预期标准差。若增长强度因子 > 1.5倍标准差，则定义未来60个交易日为增长显著超预期环境（分数为1）；若增长强度因子 < -1.5倍标准差，则未来60个交易日分数为-1[27] 7. 因子名称：通胀方向因子[31] - **因子构建思路**：通过当前通胀水平判断其对货币政策的制约，以及未来货币政策空间，进而影响权益资产[31] - **因子具体构建过程**：计算通胀方向因子 = 0.5 × CPI同比平滑值 + 0.5 × PPI同比原始值。若通胀方向因子相较于三个月之前降低，则说明是通胀下行环境，此时看多（分数为1）；反之看空（分数为-1）[31] 8. 因子名称：通胀强度因子[32] - **因子构建思路**：捕捉通胀指标是否大幅超预期或不及预期[32] - **因子具体构建过程**：分别计算CPI与PPI预期差 = (披露值 – 预期中位数) / 预期标准差，并计算通胀强度因子 = CPI与PPI预期差均值。若通胀强度因子 < -1.5倍标准差，则定义未来60个交易日为通胀显著不及预期环境（分数为1）；若通胀强度因子 > 1.5倍标准差，则未来60个交易日分数为-1[32] 9. 因子名称：席勒ERP[36] - **因子构建思路**：通过计算经过通胀调整的长期平均盈利的市盈率倒数与无风险收益率的差值，来衡量市场的估值性价比，避免短期盈利波动干扰[36] - **因子具体构建过程**： 1. 计算过去6年通胀调整后的平均盈利，得到席勒PE[36] 2. 计算席勒ERP = 1 / 席勒PE - 10年期国债到期收益率[36] 3. 计算席勒ERP过去6年的Z-Score作为分数[36] 10. 因子名称：PB[38] - **因子构建思路**：使用市净率（PB）来衡量市场估值水平[38] - **因子具体构建过程**：对PB指标乘以-1，然后计算过去6年的Z-Score，并进行1.5倍标准差截尾处理后标准化到±1之间得到分数[38] 11. 因子名称：AIAE[42] - **因子构建思路**：全市场权益配置比例（Aggregate Investor Allocation to Equities），反映市场整体的风险偏好，基于投资者在风险资产和安全资产之间的动态配置平衡[42] - **因子具体构建过程**： 1. 构建A股的AIAE指标 = 中证全指总流通市值 / (中证全指总流通市值 + 实体总债务)[42] 2. 将AIAE乘以-1，然后计算过去6年的Z-Score得到分数[42] 12. 因子名称：两融增量[45] - **因子构建思路**：通过融资余额与融券余额的差值变化趋势，判断市场杠杆资金情绪[45] - **因子具体构建过程**：计算融资余额-融券余额，并计算其过去120日均增量与过去240日均增量。若120日均增量 > 过去240日均增量，则判断杠杆资金上行（看多，分数为1）；反之看空（分数为-1）[45] 13. 因子名称：成交额趋势[48] - **因子构建思路**：通过成交额的变化趋势判断市场成交热度和资金活跃度[48] - **因子具体构建过程**：对对数成交额计算其均线距离 = MA120 / MA240 - 1。当均线距离的max(10) = max(30) = max(60)时看多（分数为1）；当均线距离的min(10) = min(30) = min(60)时看空（分数为-1）[48] 14. 因子名称：中国主权CDS利差[52] - **因子构建思路**：中国主权CDS利差反映了海外投资者对中国经济与主权信用风险的定价，与PMI负相关，可作为外资流入意愿的指代变量[52] - **因子具体构建过程**：对平滑后的CDS利差计算其20日差分。若20日差分 < 0，说明CDS利差下降，海外投资者预期中国基本面转好，外资流入意愿强（看多，分数为1）；反之看空（分数为-1）[52] 15. 因子名称：海外风险厌恶指数[55] - **因子构建思路**：花旗风险厌恶指数（Citi RAI Index）由海外期权隐波、信用利差等数据组成，捕捉海外市场的风险偏好，影响外资流向[55] - **因子具体构建过程**：对平滑后的风险厌恶指数计算其20日差分。若20日差分 < 0，表明外资风险偏好上升（看多，分数为1）；反之看空（分数为-1）[55] 16. 因子名称：价格趋势[58] - **因子构建思路**：使用均线距离衡量标的价格的中长期趋势与强度[58] - **因子具体构建过程**： 1. 计算均线距离 = MA120 / MA240 - 1[58] 2. 趋势方向分数：若均线距离 > 0，则分数=1；反之为-1[58] 3. 趋势强度分数：若均线距离的max(20) = max(60)，则分数=1；若均线距离的min(20) = min(60)，则分数=-1[58] 4. 趋势综合分数 = (趋势方向分数 + 趋势强度分数) / 2[58] 17. 因子名称：新高新低数[61] - **因子构建思路**：通过指数成分股创一年新高与新低的个股数量差，作为市场反转信号[61] - **因子具体构建过程**：计算中证800成分股的（过去一年新高数 - 过去一年新低数）的20日移动平均（MA20）。若该值 > 0，说明近期新低较多，市场有见底预期（看多，分数为1）；反之说明有见顶可能（看空，分数为-1）[61] 18. 因子名称：期权隐含升贴水[64] - **因子构建思路**：基于看涨看跌平价关系推导期权隐含的标的升贴水，反映期权市场对未来标的收益率的预期与情绪，作为反转指标衡量市场拥挤度[64] - **因子具体构建过程**：若50ETF近5日收益率 < 0，且该指标分位数 < 30%，则看多持续20日（分数为1）；若50ETF近5日收益率 > 0，且指标分位数 > 70%，则看空持续20日（分数为-1）[64] 19. 因子名称：期权VIX指数[65] - **因子构建思路**：期权隐含波动率指数，反映投资者对未来波动率的预期与市场情绪，较高时市场倾向于反转[65] - **因子具体构建过程**：若50ETF近5日收益率 < 0，且该指标分位数 > 70%，则看多持续20日（分数为1）；若50ETF近5日收益率 > 0，且指标分位数 > 70%，则看空持续20日（分数为-1）[65] 20. 因子名称：期权SKEW指数[70] - **因子构建思路**：期权隐含偏度指数，反映投资者对未来标的偏度的预期与市场情绪，作为反转指标[70] - **因子具体构建过程**：若50ETF近5日收益率 < 0，且该指标分位数 > 70%，则看多持续20日（分数为1）；若50ETF近5日收益率 > 0，且指标分位数 < 30%，则看空持续20日（分数为-1）[70] 21. 因子名称：可转债定价偏离度[73] - **因子构建思路**：可转债估值水平能体现市场情绪，其定价偏离度可作为反转指标[73] - **因子具体构建过程**： 1. 计算可转债定价偏离度 = 转债价格 / 模型定价 - 1[73] 2. 计算分数 = 定价偏离度 × (-1) 然后计算过去3年的Z-Score[73] 3. 定价偏离度越高，拥挤度越高，分数越低[73] 模型的回测效果 1. **择时雷达六面图模型**，当前综合打分为-0.15分[1][6][8] 因子的回测效果 1. **货币方向因子**，当前分数为1分[10][12] 2. **货币强度因子**，当前分数为-1分[10][15] 3. **信用方向因子**，当前分数为1分[10][17] 4. **信用强度因子**，当前分数为0分[10][20][21] 5. **增长方向因子**，当前分数为1分[10][24][25] 6. **增长强度因子**，当前分数为-1分[10][27][28] 7. **通胀方向因子**，当前分数为-1分[10][31] 8. **通胀强度因子**，当前分数为0分[10][32][33] 9. **席勒ERP**，当前分数为0.08分[10][36][40] 10. **PB**，当前分数为-0.48分[10][38][39] 11. **AIAE**，当前分数为-0.80分[10][42] 12. **两融增量**，当前分数为-1分[10][45] 13. **成交额趋势**，当前分数为-1分[10][48][49] 14. **中国主权CDS利差**，当前分数为1分[10][52][53] 15. **海外风险厌恶指数**，当前分数为1分[10][55] 16. **价格趋势**，当前分数为0分[10][58][60] 17. **新高新低数**，当前分数为-1分[10][61] 18. **期权隐含升贴水**，当前分数为1分[10][64] 19. **期权VIX指数**，当前分数为1分[10][65][66] 20. **期权SKEW指数**，当前分数为-1分[10][70] 21. **可转债定价偏离度**，当前分数为-1分[10][73][74]

量化模型与构建方式 1. 成交量模型 - 模型构建思路：基于市场成交量数据判断市场短期走势[8] - 模型具体构建过程：通过分析宽基指数的成交量变化情况，设定阈值判断市场中性信号[11] - 模型评价：短期有效的市场情绪指标 2. 低波动率模型 - 模型构建思路：利用市场波动率指标进行择时判断[11] - 模型具体构建过程：计算市场波动率指标，设定中性信号阈值[11] - 模型评价：风险控制型择时模型 3. 特征龙虎榜机构模型 - 模型构建思路：基于龙虎榜机构数据构建特征指标[11] - 模型具体构建过程：分析机构资金流向和交易行为，生成看多信号[11] - 模型评价：反映机构投资者情绪 4. 特征成交量模型 - 模型构建思路：构建特殊的成交量特征指标[11] - 模型具体构建过程：通过成交量异常变化模式识别，生成看空信号[11] - 模型评价：捕捉市场异常交易行为 5. 智能算法沪深300模型 - 模型构建思路：应用智能算法对沪深300指数进行择时[11] - 模型具体构建过程：采用机器学习算法分析多维度市场数据，输出中性信号[11] - 模型评价：基于人工智能的量化择时模型 6. 智能算法中证500模型 - 模型构建思路：应用智能算法对中证500指数进行择时[11] - 模型具体构建过程：采用机器学习算法分析多维度市场数据，输出看空信号[11] - 模型评价：基于人工智能的量化择时模型 7. 涨跌停模型 - 模型构建思路：通过涨跌停板数量分析市场情绪[12] - 模型具体构建过程：统计市场涨跌停股票数量及比例，判断中性信号[12] - 模型评价：反映市场极端情绪 8. 月历效应模型 - 模型构建思路：基于历史月历效应进行择时[12] - 模型具体构建过程：分析历史月份效应规律，输出中性信号[12] - 模型评价：基于季节性效应的择时模型 9. 长期动量模型 - 模型构建思路：利用长期动量效应进行市场判断[13] - 模型具体构建过程：计算长期价格动量指标，生成看多信号[13] - 模型评价：捕捉长期趋势的动量模型 10. A股综合兵器V3模型 - 模型构建思路：综合多因子进行市场综合判断[14] - 模型具体构建过程：整合多个择时模型信号，输出看空结论[14] - 模型评价：多因子综合择时体系 11. A股综合国证2000模型 - 模型构建思路：针对国证2000指数的综合择时模型[14] - 模型具体构建过程：结合多种技术指标，输出看空信号[14] - 模型评价：小盘股综合择时模型 12. 成交额倒波幅模型 - 模型构建思路：通过成交额与波动率关系进行港股择时[15] - 模型具体构建过程：分析成交额与波动率的倒置关系，生成看多信号[15] - 模型评价：港股市场特色择时指标 模型的回测效果 1. 成交量模型 - 信号状态：中性[11] - 覆盖指数：所有宽基指数[11] 2. 低波动率模型 - 信号状态：中性[11] 3. 特征龙虎榜机构模型 - 信号状态：看多[11] 4. 特征成交量模型 - 信号状态：看空[11] 5. 智能算法沪深300模型 - 信号状态：中性[11] 6. 智能算法中证500模型 - 信号状态：看空[11] 7. 涨跌停模型 - 信号状态：中性[12] 8. 月历效应模型 - 信号状态：中性[12] 9. 长期动量模型 - 信号状态：看多[13] 10. A股综合兵器V3模型 - 信号状态：看空[14] 11. A股综合国证2000模型 - 信号状态：看空[14] 12. 成交额倒波幅模型 - 信号状态：看多[15] 量化因子与构建方式 1. 形态学因子（杯柄形态） - 因子构建思路：基于技术分析中的杯柄形态识别[42] - 因子具体构建过程：识别价格走势中的杯柄形态模式，A点为起点，B点为杯底，C点为柄部突破点[46] - 因子评价：经典的技术分析形态因子 2. 形态学因子（双底形态） - 因子构建思路：基于技术分析中的双底形态识别[42] - 因子具体构建过程：识别W底形态，A点为左底，B点为中间高点，C点为右底突破点[50] - 因子评价：反转形态技术因子 3. 形态学因子（倒杯子形态） - 因子构建思路：基于技术分析中的倒杯子形态识别[59] - 因子具体构建过程：识别倒置的杯柄形态，A点为起点，C点为杯顶，E点为向下突破点[60] - 因子评价：负面技术形态预警因子 因子的回测效果 1. 杯柄形态因子 - 本周收益：-3.4%[42] - 相对上证综指超额收益：-2.22%[42] - 累计收益（2020年12月31日至今）：57.8%[42] - 相对上证综指累计超额收益：48.02%[42] 2. 双底形态因子 - 本周收益：1.94%[42] - 相对上证综指超额收益：0.41%[42] - 累计收益（2020年12月31日至今）：48.04%[42] - 相对上证综指累计超额收益：36.6%[42]

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：总热度指标**[7] * **因子构建思路**：通过加总个股的浏览、自选与点击次数，并将其在全市场占比进行归一化，以此作为市场情绪热度的代理变量进行追踪[7]。 * **因子具体构建过程**： 1. 获取个股的浏览、自选与点击次数。 2. 计算这些次数之和。 3. 将此和值除以同一日全市场的总浏览、自选与点击次数之和，得到占比。 4. 将归一化后的数值乘以10000，使得指标取值区间为[0,10000]。 公式为： $$\text{总热度} = \frac{\text{个股浏览+自选+点击次数}}{\text{全市场浏览+自选+点击次数总和}} \times 10000$$ * **因子评价**：该因子被用作衡量市场“情绪热度”的代理变量。 2. **因子名称：宽基/行业/概念总热度**[7][8][19][26][27] * **因子构建思路**：将宽基指数、申万行业或概念板块内的所有成分股的总热度指标进行加和，得到该板块层面的聚合热度指标，用于追踪板块情绪[7][8][19]。 * **因子具体构建过程**：对于特定的股票分组（如沪深300、电力设备行业、赛马概念），将其包含的所有个股的总热度指标值直接求和。 公式为： $$\text{板块总热度} = \sum_{i \in \text{板块}} \text{总热度}_i$$ 其中，总热度_i 是上述“总热度指标”因子对于股票i的计算结果。 3. **因子名称：热度变化率**[9][15][19][26] * **因子构建思路**：计算宽基、行业或概念的总热度指标的周度变化率，以捕捉市场关注度的边际变化[9][15]。 * **因子具体构建过程**： 1. 计算当前周的板块总热度。 2. 计算上一周的板块总热度。 3. 计算周度变化率：$$\text{热度变化率} = \frac{\text{本周总热度} - \text{上周总热度}}{\text{上周总热度}}$$ 4. （可选）对周度变化率取2周移动平均（MA2）进行平滑处理[9][15][19][26]。 4. **因子名称：估值历史分位数**[3][37][38][40][41] * **因子构建思路**：计算宽基指数或行业当前的估值（如PETTM）在其自身历史序列中的分位数，用以判断当前估值水平在历史上的位置[3][37]。 * **因子具体构建过程**： 1. 选定估值指标（如滚动市盈率PETTM）和回溯期（如滚动5年或从2015年起）。 2. 获取标的（宽基或行业）在回溯期内每个历史时点的估值数据。 3. 将当前估值与历史估值序列进行比较，计算其分位数。 公式为：$$\text{历史分位数} = \frac{\text{历史序列中低于当前值的数量}}{\text{历史序列总数量}} \times 100\%$$ 报告中提及了两种回溯窗口：滚动5年[3][37]和从2015年开始至当前[38][40][41]。 模型的回测效果 1. **宽基轮动策略**[12][15] * **策略构建**：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（如果是“其他”组则空仓）[12]。 * **年化收益率**: 8.74%[15] * **最大回撤**: 23.5%[15] * **2025年收益**: 32.7%[15] 2. **热门概念内选股策略（BOTTOM组合）**[30][32] * **策略构建**：每周选出热度变化最大的5个概念，排除概念成分股中流通市值最小的20%股票后，从每个概念中选出总热度排名最后的10只个股，等权构建组合[30]。 * **年化收益率**: 15.71%[32] * **最大回撤**: 28.89%[32] * **2025年收益**: 44.2%[32] 因子的回测效果 *(注：本报告未提供单一因子的独立回测指标（如IC、IR等），仅提供了基于因子构建的策略回测结果。)*

量化模型与构建方式 1 周期分析模型 - 模型名称：周期分析模型[8] - 模型构建思路：基于技术分析，通过分析市场周期波动来判断趋势状态[8] - 模型具体构建过程：该模型通过识别市场价格的周期性波动特征，结合时间序列分析来判定市场趋势。具体构建时，会计算价格在不同周期窗口下的波动特征，并结合滤波技术提取周期成分，最终通过模式识别方法判断当前市场所处的周期阶段及趋势强度[8] 2 行业四轮驱动模型 - 模型名称：行业四轮驱动模型[2][9][15] - 模型构建思路：通过多维度指标进行行业轮动，捕捉板块内轮动机会[2][9] - 模型具体构建过程：模型从四个维度（驱动轮）对行业进行评估和筛选。具体构建过程包括： 1) 赚钱效应异动信号捕捉：监测行业价格和成交量的异常变动，识别潜在机会 2) 行业拥挤度分析：计算行业成交金额占比及其历史分位数 3) 行业分化程度跟踪：衡量板块间涨跌分化程度 4) 基本面与技术面结合：综合行业近期表现与历史Sharpe比率进行排序 模型最终输出建议关注的行业组合，如表中所列传媒、商贸零售、农林牧渔等行业[2][9][15] 量化因子与构建方式 1 股债收益差因子 - 因子名称：股债收益差[8] - 因子构建思路：通过比较股票与债券收益率差异来判断市场估值水平[8] - 因子具体构建过程：计算股票市场收益率与债券市场收益率的差值，并进行标准化处理。具体公式为： $$股债收益差 = \frac{股票收益率 - 债券收益率}{\sigma}$$ 其中$\sigma$为历史波动率。当该值处于2倍标准差之下时，表明市场可能接近阶段性高点[8] 2 行业分化程度因子 - 因子名称：行业分化程度[2][9][11] - 因子构建思路：衡量不同行业板块之间涨跌差异程度的指标[2][9] - 因子具体构建过程：计算各行业指数收益率的截面标准差，或者使用其他离散度度量指标来衡量行业间的分化程度。当分化程度达到历史高点附近时，可能预示市场需要高低切换[2][9][11] 3 行业拥挤度因子 - 因子名称：行业拥挤度[9][12] - 因子构建思路：通过成交金额占比来评估行业热度拥挤情况[9][12] - 因子具体构建过程：计算特定行业（如TMT板块）成交金额占市场总成交金额的比例，并计算其历史分位数。当该比例接近历史高点时，表明行业可能过于拥挤，需要警惕回调风险[9][12] 4 赚钱效应异动因子 - 因子名称：赚钱效应异动[15] - 因子构建思路：捕捉行业价格和成交量异常变动带来的赚钱效应变化[15] - 因子具体构建过程：监测行业指数的价格突破和成交量放大现象，当出现异常变动时生成信号。具体通过计算行业指数的短期收益率与成交量比值的异常值来识别潜在机会[15] 模型的回测效果 （报告中未提供具体的模型回测指标数值） 因子的回测效果 （报告中未提供具体的因子回测指标数值）

量化模型与构建方式 1. **模型名称**：250日新高距离模型[11] **模型构建思路**：通过计算当前价格与过去250日最高价的相对距离，来衡量股票或指数接近历史高点的程度，以此捕捉趋势强度和市场动量[11] **模型具体构建过程**：对于给定的标的（股票或指数），首先获取其最新收盘价 \( Closet \) 和过去250个交易日的收盘价时间序列，计算该时间序列的最大值 \( ts\_max(Close, 250) \)。然后，应用以下公式计算250日新高距离： $$ 250 \text{ 日新高距离 } = 1 - \frac{Closet}{ts\_max(Close, 250)} $$ 若最新收盘价创出新高，则分母等于分子，结果为0；若最新收盘价从高点回落，则结果为正值，表示回落的幅度[11] 量化因子与构建方式 1. **因子名称**：平稳创新高股票筛选因子[25][27] **因子构建思路**：在创250日新高的股票池中，结合分析师关注度、股价相对强弱、趋势延续性、股价路径平稳性及创新高持续性等多个维度，筛选出趋势更为稳健、动量效应可能更强的股票[25][27] **因子具体构建过程**：筛选过程分为多个步骤： a. 初筛股票池：筛选出过去20个交易日内曾创出250日新高的股票[19] b. 分析师关注度：要求股票在过去3个月内，获得“买入”或“增持”评级的分析师研报数量不少于5份[27] c. 股价相对强弱：要求股票过去250日的涨跌幅位于全市场所有股票的前20%[27] d. 股价平稳性与创新高持续性：在满足上述条件的股票池内，使用两个指标进行综合打分，并选取排名在前50%的股票。这两个指标是： - 价格路径平滑性（股价位移路程比）： $$ \text{平滑性} = \frac{\text{过去120日涨跌幅的绝对值}}{\text{过去120日日涨跌幅绝对值之和}} $$ 该比值越低，表明价格路径越平滑，趋势越稳定[25][27] - 创新高持续性：过去120日的250日新高距离在时间序列上的均值。该值越低，表明股票维持在历史高点附近的时间越长，创新高更具持续性[27] e. 趋势延续性：计算过去5日的250日新高距离在时间序列上的均值，并选取该值排序最靠前的50只股票作为最终的“平稳创新高股票”[27] 模型的回测效果 1. **250日新高距离模型**，截至2025年9月12日的具体取值： - 上证指数：0.33%[12] - 深证成指：0.43%[12] - 沪深300指数：0.57%[12] - 中证500指数：0.00%[12] - 中证1000指数：1.04%[12] - 中证2000指数：1.56%[12] - 创业板指：1.09%[12] - 科创50指数：1.95%[12] 因子的回测效果 1. **平稳创新高股票筛选因子**，截至2025年9月12日的应用结果： - 全市场初步筛选出的创新高股票数量：1620只[19] - 最终筛选出的平稳创新高股票数量：50只[27][28] - 这些股票在板块上的分布：周期板块17只，科技板块17只，制造板块、医药板块、消费板块、大金融板块共16只[28] - 这些股票在行业上的分布：基础化工行业（周期板块）和电子行业（科技板块）入选数量最多[28]