量化模型与构建方式 **注：** 本报告为指数及ETF产品投资价值分析报告，未涉及量化选股模型或量化因子的构建与测试。报告核心内容为对现有指数（中证机器人指数）的编制方法介绍，以及对跟踪该指数的ETF产品（华夏中证机器人ETF）的业绩表现分析。因此，以下总结将围绕报告中出现的**指数编制模型**和**ETF业绩评估**展开。 1. 指数编制模型 * **模型名称**：中证机器人指数编制模型[22] * **模型构建思路**：选取为机器人生产提供软件和硬件的上市公司证券作为样本，以反映A股市场机器人相关证券的整体表现[22]。 * **模型具体构建过程**： 1. **确定样本空间**：与中证全指指数的样本空间相同[23]。 2. **流动性筛选**：对样本空间内证券，按照过去一年日均成交金额由高到低排名，剔除排名后20%的证券[23]。 3. **主题筛选**：对剩余证券，选取为机器人生产提供软件和硬件的上市公司作为待选样本，包括但不限于：系统方案商、数字化车间与生产线系统集成商、自动化设备制造商、底层自动化零部件商以及其他与机器人相关的公司[23]。 4. **选样**：从待选样本中选出所有机器人主题公司的证券，并按照过去一年日均总市值由高到低排名，选取排名前100的证券作为指数样本，不足100只时全部纳入[23]。 5. **加权方式**：采用调整市值加权，且单个样本权重不超过10%[23]。 6. **定期调整**：指数样本每半年调整一次，样本调整实施时间分别为每年6月和12月的第二个星期五的下一交易日[23]。 2. ETF业绩评估模型 * **模型名称**：ETF跟踪误差与超额收益评估模型 * **模型构建思路**：通过计算ETF净值相对于其标的指数表现的偏离度，评估其跟踪效果和主动管理能力（如有）[50][52]。 * **模型具体构建过程**： 1. **计算跟踪偏离度**：通常指基金净值增长率与标的指数增长率之间的差异。报告中使用“滚动季度日均跟踪偏离度”作为监控指标[50]。 2. **计算年化跟踪误差**：跟踪偏离度序列的标准差年化值，用于衡量基金净值围绕指数波动的稳定性。公式为： $$TE = \sqrt{\frac{252}{n} \sum_{t=1}^{n}(TD_t - \overline{TD})^2}$$ 其中，\(TE\) 为年化跟踪误差，\(n\)为计算周期内的交易日数量，\(TD_t\)为第\(t\)日的跟踪偏离度，\(\overline{TD}\)为计算周期内跟踪偏离度的均值[50][52]。 3. **计算超额收益**：基金净值增长率与标的指数增长率之差，用于衡量基金是否跑赢基准。报告中使用“年化超额收益”指标[50]。 4. **计算信息比率（IR）**：单位跟踪误差所带来的超额收益，用于衡量承担主动风险所带来的回报效率。公式为： $$IR = \frac{AR}{TE}$$ 其中，\(AR\)为年化超额收益，\(TE\)为年化跟踪误差[53]。 5. **计算相对最大回撤**：基金净值相对于标的指数净值的最大下跌幅度，用于衡量超额收益的稳定性[53]。 模型的回测效果 1. 中证机器人指数风险收益特征 * **回测区间**：2010年12月31日至2025年12月19日（基期以来）[41][42] * **年化收益率**：4.76%[41][42] * **年化夏普比率**：0.30[41][42] * **年化波动率**：30.62%[42] * **最大回撤**：67.24%[42] * **最大回撤期间**：2015年6月3日至2018年10月18日[42] 2. 华夏中证机器人ETF业绩表现 * **评估区间**：2023年6月28日（基金经理华龙接管）至2025年12月19日（全样本期）[50][53] * **年化跟踪误差**：0.36%[50][53] * **年化超额收益**：0.65%[50][53] * **超额信息比率（IR）**：1.60[53] * **相对最大回撤**：0.59%[53] * **滚动季度日均跟踪偏离度**：控制在0.02%以内[50] 分年度业绩表现[53]： * **2023年（2023/6/28-2023/12/29）**： * 基金收益：-14.66% * 基准收益：-15.22% * 超额收益：0.56% * 相对最大回撤：0.07% * 超额IR：4.41 * 跟踪误差：0.29% * **2024年（2024/1/1-2024/12/31）**： * 基金收益：5.03% * 基准收益：4.34% * 超额收益：0.69% * 相对最大回撤：0.39% * 超额IR：1.44 * 跟踪误差：0.42% * **2025年（2025/1/1-2025/12/19）**： * 基金收益：20.83% * 基准收益：20.60% * 超额收益：0.24% * 相对最大回撤：0.39% * 超额IR：0.55 * 跟踪误差：0.33%

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：绿色转型板块资金流向分析模型[31] **模型构建思路**：为追踪碳中和进程中的资金流向，将与绿色或转型相关的行业进行分类，并分析各类板块的资金净流入、净流入率及成交占比[31] **模型具体构建过程**： 1. 行业分类：基于各行业在碳减排链条中的功能定位，将A股市场划分为四个板块[31]： * **低碳核心板块**：涵盖电力设备、环保，以及公用事业和汽车行业的部分领域，直接贡献碳减排[33]。 * **低碳支撑板块**：包括计算机、通信、电子及机械设备的部分领域，为产业绿色转型提供数字化、自动化和智能化支撑[33]。 * **转型主体板块**：包括火电、煤炭、钢铁、有色金属、化工等多个领域，是碳减排的重点领域[33]。 * **其他板块**：除以上三类外的其余行业。 2. 指标计算：每周计算各板块的以下指标[32]： * **主力净流入额**：板块内所有个股主力资金净流入额之和。 * **主力净流入率**：主力净流入额 / 板块成交额。 * **成交额占比**：板块成交额 / 全市场成交额。 量化因子与构建方式 1. **因子名称**：ESG事件情绪因子[40] **因子构建思路**：通过统计全市场上市公司发布的ESG相关事件，并区分其正向、负向、中性属性，构建反映市场ESG整体情绪和结构的因子[40] **因子具体构建过程**： 1. 事件收集：统计全市场每周发生的所有ESG相关事件[40]。 2. 事件分类：将每个事件人工或通过自然语言处理技术判定为正向、负向或中性[40]。 3. 因子计算：每周计算以下指标[40]： * **ESG事件总数**：当周发生的所有ESG事件数量。 * **正向事件占比**：正向事件数量 / ESG事件总数。 * **负向事件占比**：负向事件数量 / ESG事件总数。 * **中性事件占比**：中性事件数量 / ESG事件总数。 2. **因子名称**：ESG事件维度分布因子[45] **因子构建思路**：将ESG事件按照环境（E）、社会（S）、治理（G）三个维度进行划分，统计各维度的事件数量，以观察市场关注点的结构[45] **因子具体构建过程**： 1. 事件维度标注：为每个ESG事件标注其所属的主要维度（E、S或G）[45]。 2. 因子计算：每周分别统计环境（E）、社会（S）、治理（G）三个维度的事件数量[45]。 3. **因子名称**：行业ESG声量因子[48] **因子构建思路**：统计各行业发生的ESG事件总数及正负向结构，以衡量各行业的ESG舆情热度及情绪倾向[48] **因子具体构建过程**： 1. 行业事件归集：将每个ESG事件归集到其对应的上市公司所属行业[48]。 2. 因子计算：每周为每个行业计算以下指标[48]： * **行业ESG事件总数**：该行业当周发生的ESG事件总数量。 * **行业正向事件占比**：该行业当周正向事件数量 / 该行业ESG事件总数。 * **行业负向事件占比**：该行业当周负向事件数量 / 该行业ESG事件总数。 模型的回测效果 1. **绿色转型板块资金流向分析模型**，本周主力净流入额：低碳核心板块144亿元，低碳支撑板块-282亿元，转型主体板块-79亿元，其他板块-533亿元[32] 2. **绿色转型板块资金流向分析模型**，本周主力净流入率：低碳核心板块1.12%，低碳支撑板块-0.91%，转型主体板块-0.49%，其他板块-1.42%[32] 3. **绿色转型板块资金流向分析模型**，本周成交额占比：低碳核心板块13.15%，低碳支撑板块31.88%，转型主体板块16.57%，其他板块38%[32] 因子的回测效果 1. **ESG事件情绪因子**，本周ESG事件总数：2151件[40] 2. **ESG事件情绪因子**，本周正向事件占比：46.6%[40] 3. **ESG事件情绪因子**，本周负向事件占比：42.3%[40] 4. **ESG事件情绪因子**，本周中性事件占比：11.1%[40] 5. **ESG事件维度分布因子**，本周环境（E）维度事件数：307件[45] 6. **ESG事件维度分布因子**，本周社会（S）维度事件数：68件[45] 7. **ESG事件维度分布因子**，本周治理（G）维度事件数：2112件[45] 8. **行业ESG声量因子**，本周汽车行业ESG事件总数：243件，正向占比约72.4%[48] 9. **行业ESG声量因子**，本周电力设备行业ESG事件总数：230件，正向占比约70.4%[48] 10. **行业ESG声量因子**，本周医药生物行业ESG事件总数：169件，正向占比32.5%[48]

量化模型与构建方式 1. **模型名称：量能择时模型**[23] * **模型构建思路**：通过分析市场成交量的变化来判断市场趋势和情绪，从而生成择时信号[23]。 * **模型具体构建过程**：报告未详细描述该模型的构建公式和具体计算步骤，仅提及其为各宽基指数生成了看多或谨慎的观点信号[23]。 2. **模型名称：沪深300上涨家数占比择时模型**[24][29] * **模型构建思路**：通过计算指数成分股中近期上涨股票的数量占比来捕捉市场情绪变化，并利用不同窗口期的移动平均线交叉来产生交易信号[24][29]。 * **模型具体构建过程**： 1. 首先计算基础指标：沪深300指数N日上涨家数占比 = 沪深300指数成分股过去N日收益大于0的个股数占比[24]。 2. 对该基础指标进行两次不同窗口期的平滑（移动平均），得到慢线（窗口期N1）和快线（窗口期N2），其中N1 > N2[29]。报告中示例参数为N=230， N1=50， N2=35[29]。 3. 生成信号：当快线大于慢线时，看多市场；当快线小于慢线时，对市场持中性或谨慎态度[29]。 3. **模型名称：均线情绪指标择时模型**[33][34] * **模型构建思路**：通过判断当前价格与一组长期均线的相对位置关系，来评估市场的趋势强度和情绪状态[33]。 * **模型具体构建过程**： 1. 计算沪深300收盘价的八条均线，均线参数为8, 13, 21, 34, 55, 89, 144, 233[33]。 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[34]。 3. 生成信号：当当前价格大于均线值的数量超过5时，看多沪深300指数[34]。 4. **因子名称：横截面波动率**[37][40] * **因子构建思路**：衡量同一时间点（截面）上，同一指数内不同成分股收益率之间的离散程度，用于评估选股获取Alpha的难易环境[37]。 * **因子具体构建过程**：报告未给出具体的计算公式，但指出其用于跟踪沪深300、中证500和中证1000指数成分股的横截面波动情况[37][40]。 5. **因子名称：时间序列波动率**[41][43] * **因子构建思路**：衡量指数或个股收益率随时间变化的波动程度，用于评估市场整体的风险水平和Alpha环境[41]。 * **因子具体构建过程**：报告未给出具体的计算公式，但指出其计算了指数成分股加权的时间序列波动率，并用于跟踪沪深300、中证500和中证1000指数[41][43]。 6. **因子名称：基金抱团分离度**[83] * **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，来度量基金持仓的趋同（抱团）或分化程度[83]。 * **因子具体构建过程**： 1. 构造一个抱团基金组合[83]。 2. 计算该组合内各基金在同一时期（截面）收益率的标准差，即为分离度指标[83]。 3. 分离度值小，说明抱团基金表现趋同，抱团程度高；分离度值大，表示抱团正在瓦解[83]。 模型的回测效果 1. **量能择时模型**，截至2025年12月26日，对上证指数、沪深300、中证500、中证1000、创业板指、北证50发出“看多”信号，对上证50发出“谨慎/空”信号[23]。 2. **沪深300上涨家数占比择时模型**，截至2025年12月26日，快线位于慢线之下，模型预计对未来一段时间维持谨慎态度[29]。 3. **均线情绪指标择时模型**，截至2025年12月26日，指标显示沪深300指数处于情绪景气区间[36]。 因子的回测效果 1. **横截面波动率因子**，近一季度平均值及其分位数如下[41]： * **沪深300横截面波动率**：近一季度平均值1.99%，占近两年分位62.73%，占近一年分位70.19%，占近半年分位65.63%[41]。 * **中证500横截面波动率**：近一季度平均值2.27%，占近两年分位53.97%，占近一年分位57.94%，占近半年分位55.56%[41]。 * **中证1000横截面波动率**：近一季度平均值2.42%，占近两年分位66.14%，占近一年分位66.93%，占近半年分位61.75%[41]。 * **近期表现**：最近一周，沪深300横截面波动下降，中证500横截面波动上升，中证1000横截面波动环比变化不大[37]。 2. **时间序列波动率因子**，近一季度平均值及其分位数如下[42]： * **沪深300时序波动率**：近一季度平均值0.64%，占近两年分位56.11%，占近一年分位63.15%，占近半年分位55.28%[42]。 * **中证500时序波动率**：近一季度平均值0.51%，占近两年分位59.52%，占近一年分位61.11%，占近半年分位57.94%[42]。 * **中证1000时序波动率**：近一季度平均值0.28%，占近两年分位65.34%，占近一年分位68.53%，占近半年分位61.35%[42]。 * **近期表现**：最近一周，沪深300、中证500和中证1000指数成分股时间序列波动率均下降[41]。 3. **基金抱团分离度因子**，截至2025年12月26日，基金抱团分离度环比上周小幅上升，最近一周抱团股和抱团基金超额收益上升[83]。

量化模型与构建方式 1. **模型名称：微盘股/茅指数轮动模型**[1][19][24] * **模型构建思路**：通过比较微盘股与茅指数的相对价值和动量趋势，构建一个风格轮动策略，以捕捉市场风格切换带来的收益[19][24]。 * **模型具体构建过程**： 1. **计算相对净值**：计算微盘股指数与茅指数的相对净值（微盘股/茅指数）[24]。 2. **计算移动平均线**：计算该相对净值的243日移动平均线（年均线）[24]。 3. **计算动量斜率**：分别计算微盘股指数和茅指数过去20日收盘价的斜率[19][24]。 4. **生成轮动信号**： * 当微盘股/茅指数相对净值 **高于** 其243日均线时，模型倾向于投资微盘股[24]。 * 当微盘股/茅指数相对净值 **低于** 其243日均线时，模型倾向于投资茅指数[24]。 * 结合动量信号进行优化：当微盘股与茅指数的20日斜率方向相反，且其中一方为正时，选择投资斜率为正的指数[24]。 2. **模型名称：微盘股择时风控模型**[19][24] * **模型构建思路**：通过监控宏观和市场波动率风险指标，对微盘股投资进行中期风险控制，在风险过高时发出平仓信号[19][24]。 * **模型具体构建过程**： 1. **选取风险指标**： * 十年期国债到期收益率同比（阈值：30%）[19][24]。 * 微盘股波动率拥挤度同比（阈值：55%）[19][24]。 2. **生成风控信号**：当 **任一** 风险指标触及其对应的阈值时，模型发出平仓信号[24]。 3. **模型名称：宏观择时模型**[44][45] * **模型构建思路**：基于经济增长和货币流动性两个宏观维度的信号，动态调整股票资产的配置仓位，以进行中期权益资产配置[44][45]。 * **模型具体构建过程**： 1. **信号维度**：模型主要从“经济增长”和“货币流动性”两个层面生成信号[44][45]。 2. **信号强度**：每个维度会输出一个信号强度百分比[44][45]。 3. **合成仓位**：综合两个维度的信号强度，最终合成一个股票仓位推荐比例[44][45]。 （注：报告未提供该模型具体的指标计算公式和合成规则，仅提及了结果和应用。） 模型的回测效果 1. **微盘股/茅指数轮动模型**：截至2025年12月28日，模型发出轮动至茅指数的信号，预期中期配置茅指数能有更高相对收益[1][19]。 2. **微盘股择时风控模型**：截至2025年12月28日，波动率拥挤度同比为-17.17%，十年期国债利率同比为7.32%，均未触及各自阈值，因此中期风控信号未触发[19][22]。 3. **宏观择时模型**：截至2025年11月30日，模型对12月份经济增长信号强度为50%，货币流动性信号强度为60%，合成的股票推荐仓位为55%[44][45]。该策略2025年年初至报告期的收益率为13.57%，同期Wind全A收益率为25.65%[44]。 量化因子与构建方式 1. **因子名称：一致预期因子** (↑)[48][59][61] * **因子构建思路**：基于分析师一致预期数据，捕捉市场对未来盈利能力和回报的共识变化[59][61]。 * **因子具体构建过程**：报告列出了该大类下的三个细分因子： * `EPS_FTTM_Chg3M`: 未来12个月一致预期EPS过去3个月的变化率[61]。 * `ROE_FTTM_Chg3M`: 未来12个月一致预期ROE过去3个月的变化率[61]。 * `TargetReturn_180D`: 一致预期目标价相对于目前股价的收益率[61]。 2. **因子名称：成长因子** (↑)[48][59][61] * **因子构建思路**：衡量公司业绩的增长速度和潜力[59][61]。 * **因子具体构建过程**：报告列出了该大类下的三个细分因子： * `NetIncome_SQ_Chg1Y`: 单季度净利润同比增速[59]。 * `OperatingIncome_SQ_Chg1Y`: 单季度营业利润同比增速[59]。 * `Revenues_SQ_Chg1Y`: 单季度营业收入同比增速[61]。 3. **因子名称：价值因子** (↑)[48][59][61] * **因子构建思路**：寻找市场价格低于其内在价值的股票，常用估值比率衡量[59][61]。 * **因子具体构建过程**：报告列出了该大类下的五个细分因子： * `BP_LR`: 最新年报账面净资产/最新市值[59]。 * `EP_FTTM`: 未来12个月一致预期净利润/最新市值[59]。 * `EP_FY0`: 当期年报一致预期净利润/最新市值[59]。 * `SP_TTM`: 过去12个月营业收入/最新市值[59]。 * `Sales2EV`: 过去12个月营业收入/企业价值[59]。 4. **因子名称：质量因子** (↑)[48][59][61] * **因子构建思路**：评估公司的盈利质量、财务稳健性和运营效率[59][61]。 * **因子具体构建过程**：报告列出了该大类下的四个细分因子： * `ROE_FTTM`: 未来12个月一致预期净利润/股东权益均值[61]。 * `OCF2CurrentDebt`: 过去12个月经营现金流净额/流动负债均值[61]。 * `GrossMargin_TTM`: 过去12个月毛利率[61]。 * `Revenues2Asset_TTM`: 过去12个月营业收入/总资产均值[61]。 5. **因子名称：技术因子** (↓)[48][59][61] * **因子构建思路**：基于价量数据，捕捉市场的交易行为、趋势和情绪[59][61]。 * **因子具体构建过程**：报告列出了该大类下的四个细分因子： * `Volume_Mean_20D_240D`: 20日成交量均值/240日成交量均值[61]。 * `Skewness_240D`: 240日收益率偏度[61]。 * `Volume_CV_20D`: 20日成交量标准差/20日成交量均值[61]。 * `Turnover_Mean_20D`: 20日换手率均值[61]。 6. **因子名称：波动率因子** (↓)[48][59][61] * **因子构建思路**：衡量股票价格波动风险，通常低波动股票具有超额收益[59][61]。 * **因子具体构建过程**：报告列出了该大类下的五个细分因子： * `Volatility_60D`: 60日收益率标准差[61]。 * `IV_CAPM`: CAPM模型残差波动率[61]。 * `IV_FF`: Fama-French三因子模型残差波动率[61]。 * `IV_Carhart`: Carhart四因子模型残差波动率[61]。 7. **因子名称：反转因子** (↓)[48][59][61] * **因子构建思路**：认为过去一段时间表现较差的股票在未来短期内可能反弹，而表现过好的股票可能回调[59][61]。 * **因子具体构建过程**：报告列出了该大类下的四个细分因子： * `Price_Chg20D`: 20日收益率[61]。 * `Price_Chg40D`: 40日收益率[61]。 * `Price_Chg60D`: 60日收益率[61]。 * `Price_Chg120D`: 120日收益率[61]。 8. **因子名称：市值因子** (↓)[48][59] * **因子构建思路**：捕捉小市值公司相对于大市值公司的超额收益效应（小盘股效应）[59]。 * **因子具体构建过程**： * `LN_MktCap`: 流通市值的对数[59]。 9. **因子名称：可转债正股一致预期因子**[58][59] * **因子构建思路**：从正股与可转债的相关关系出发，将预测正股的“一致预期”因子应用于可转债择券[58]。 * **因子具体构建过程**：未详细说明，但思路是将股票因子中的一致预期类因子（如`EPS_FTTM_Chg3M`等）应用于可转债对应的正股上[58]。 10. **因子名称：可转债正股成长因子**[58][59] * **因子构建思路**：从正股与可转债的相关关系出发，将预测正股的“成长”因子应用于可转债择券[58]。 * **因子具体构建过程**：未详细说明，但思路是将股票因子中的成长类因子（如`NetIncome_SQ_Chg1Y`等）应用于可转债对应的正股上[58]。 11. **因子名称：可转债正股财务质量因子**[58][59] * **因子构建思路**：从正股与可转债的相关关系出发，将预测正股的“质量”因子应用于可转债择券[58]。 * **因子具体构建过程**：未详细说明，但思路是将股票因子中的质量类因子（如`ROE_FTTM`等）应用于可转债对应的正股上[58]。 12. **因子名称：可转债正股价值因子**[58][59] * **因子构建思路**：从正股与可转债的相关关系出发，将预测正股的“价值”因子应用于可转债择券[58]。 * **因子具体构建过程**：未详细说明，但思路是将股票因子中的价值类因子（如`BP_LR`等）应用于可转债对应的正股上[58]。 13. **因子名称：可转债估值因子**[58][59] * **因子构建思路**：直接从可转债自身的估值指标出发构建择券因子[58]。 * **因子具体构建过程**：选取了“平价底价溢价率”作为估值因子[58]。（注：报告未给出该因子的具体计算公式。） 因子的回测效果 （以下数据均来自报告中的“上周”和“今年以来”两个时间窗口，在“全部A股”股票池中的表现[49]） 1. **一致预期因子**： * 上周IC均值：7.67%[49] * 今年以来IC均值：2.04%[49] * 上周多空收益：1.07%[49] * 今年以来多空收益：15.95%[49] 2. **市值因子**： * 上周IC均值：-19.22%[49] * 今年以来IC均值：3.34%[49] * 上周多空收益：-2.68%[49] * 今年以来多空收益：11.51%[49] 3. **成长因子**： * 上周IC均值：8.12%[49] * 今年以来IC均值：1.51%[49] * 上周多空收益：1.51%[49] * 今年以来多空收益：20.54%[49] 4. **反转因子**： * 上周IC均值：-8.54%[49] * 今年以来IC均值：6.53%[49] * 上周多空收益：-3.06%[49] * 今年以来多空收益：11.04%[49] 5. **质量因子**： * 上周IC均值：-5.17%[49] * 今年以来IC均值：0.41%[49] * 上周多空收益：-0.68%[49] * 今年以来多空收益：3.63%[49] 6. **技术因子**： * 上周IC均值：-5.57%[49] * 今年以来IC均值：8.64%[49] * 上周多空收益：-1.79%[49] * 今年以来多空收益：39.42%[49] 7. **价值因子**： * 上周IC均值：-8.99%[49] * 今年以来IC均值：3.97%[49] * 上周多空收益：-1.98%[49] * 今年以来多空收益：-2.96%[49] 8. **波动率因子**： * 上周IC均值：-20.39%[49] * 今年以来IC均值：8.57%[49] * 上周多空收益：-3.12%[49] * 今年以来多空收益：26.59%[49]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：基于缠论（缠中说禅）的周线级别走势结构分析模型[9][11] * **模型构建思路**：该模型基于缠论技术分析方法，将市场走势分解为不同级别的“走势类型”（如主升/跌、中枢震荡），并通过识别这些结构来预判未来走势[9]。 * **模型具体构建过程**： 1. **级别定义**：首先定义分析的时间级别，报告主要关注“周线级别”的走势结构[9]。 2. **走势分解**：对创业板指自2012年低点以来的历史周线走势进行分解，识别出“主升/跌”段和“中枢震荡”段[9][11]。中枢震荡被定义为一段多空力量相对平衡的横盘整理区间。 3. **结构识别与推演**：识别当前市场所处的结构阶段。报告指出，创业板指于2025年10月后进入了“本轮周线级别上涨的中枢震荡阶段”[9][25]。根据模型，一个完整的上涨趋势通常包含“上涨-中枢震荡-上涨”的结构，因此推断待当前中枢震荡阶段结束后，“仍会有一笔主升冲顶”[9][25]。 4. **短期判断**：在日线级别上，模型判断创业板指已接近周线中枢的上沿，并估计本次上涨可能突破上沿形成高点，但之后仍会跌回中枢内部[13]。 模型的回测效果 *本报告未提供基于缠论模型的量化回测指标结果（如年化收益率、夏普比率、最大回撤等）。* 量化因子与构建方式 *本报告未涉及具体的量化因子（如价值、动量、质量等）的构建与测试。报告中的“风格”和“强势品种”分析主要基于行业板块的历史涨跌幅排序和定性判断，并非通过构建标准化因子进行选股。* 因子的回测效果 *本报告未提供任何量化因子的回测效果指标。*

量化模型与构建方式 1. **模型名称：A股波段择时模型**[1][29] * **模型构建思路：** 用于判断A股市场中期走势，生成仓位建议，以捕捉波段行情。 * **模型具体构建过程：** 报告未详细描述该模型的构建过程和具体公式。 2. **模型名称：A股短线择时模型**[1][29] * **模型构建思路：** 用于判断A股市场短期走势，对主要宽基指数和板块进行择时，生成交易信号。 * **模型具体构建过程：** 报告未详细描述该模型的构建过程和具体公式。 3. **模型名称：A股小微盘择时策略**[10][18] * **模型构建思路：** 用于在小微盘风格（如创业板指）与大盘风格之间进行轮动择时。 * **模型具体构建过程：** 报告未详细描述该模型的构建过程和具体公式。 4. **模型名称：A股红利成长择时策略**[10][21] * **模型构建思路：** 用于在红利风格（如中证红利）与成长风格之间进行轮动择时。 * **模型具体构建过程：** 报告未详细描述该模型的构建过程和具体公式。该策略在特定时期（如一月）会给出明确的风格偏向建议，例如“看多成长”[29]。 5. **模型名称：美股择时模型**[1][10] * **模型构建思路：** 用于判断美股市场走势，可能生成多空或杠杆交易信号。 * **模型具体构建过程：** 报告未详细描述该模型的构建过程和具体公式。模型信号包括“2倍开多信号”、“做空（空仓）信号”和“持仓（反弹）信号”[25]。 6. **模型名称：黄金择时策略**[10][22] * **模型构建思路：** 用于判断黄金资产的交易时机。 * **模型具体构建过程：** 报告未详细描述该模型的构建过程和具体公式。 7. **模型名称：ETF组合策略-偏股型**[10][24] * **模型构建思路：** 构建以股票型ETF为主的资产组合策略。 * **模型具体构建过程：** 报告未详细描述该模型的构建过程和具体公式。 8. **模型名称：ETF组合策略-偏债型**[10][26] * **模型构建思路：** 构建以债券型ETF为主的资产组合策略。 * **模型具体构建过程：** 报告未详细描述该模型的构建过程和具体公式。 模型的回测效果 1. **A股红利成长择时策略**[19] * **累计收益：** 377.37% * **年化收益：** 17.54% * **最大回撤：** 27.08% * **年化波动率：** 22.95% * **年化Sharpe：** 0.76 * **Calmar：** 0.65 2. **基准：等权配置（红利与成长）**[19] * **累计收益：** 60.61% * **年化收益：** 5.02% * **最大回撤：** 35.22% * **年化波动率：** 20.69% * **年化Sharpe：** 0.24 * **Calmar：** 0.14 量化因子与构建方式 *（报告未提及具体的量化因子构建内容）* 因子的回测效果 *（报告未提及具体的量化因子测试结果）*

量化模型与构建方式 本报告为ETF市场周度数据统计报告，未涉及具体的量化选股模型或多因子模型。报告内容主要为对各类ETF的业绩、规模、估值、资金流向等市场表现指标进行统计和描述，未构建用于预测或选股的量化模型或因子。 量化因子与构建方式 本报告未涉及用于选股或预测的量化因子构建。 模型的回测效果 本报告未涉及量化模型，因此无模型回测效果。 因子的回测效果 本报告未涉及量化因子，因此无因子测试结果。 报告中的数据处理与统计方法 报告在统计ETF相关数据时，采用了一些具体的计算和处理方法，可视为数据预处理或指标计算规则。 1. **ETF业绩计算方法** * **构建思路**：统一使用ETF的单位复权净值计算其上市后的业绩表现，以消除分红、拆分等因素对净值的影响，保证业绩的可比性[14]。 * **具体构建过程**： * 将ETF成立日至上市日之间视为建仓期，不纳入业绩统计[14]。 * 统计时点（上周）为2025年12月22日至2025年12月26日[2][14]。 * 对于部分无法及时获取上周五单位复权净值的跨境ETF，使用其上周一至周四的收益进行统计[16][18]。 2. **ETF净申赎规模计算方法** * **构建思路**：通过ETF份额的日度变动和收盘价来近似计算每日的资金净流入流出情况，并规避特殊事件对计算的干扰[31]。 * **具体构建过程**： * 使用上市后ETF当日的份额变动乘以当日收盘价来近似计算每日净申赎规模[31]。 * 为了规避份额折算或拆分的影响，在份额折算/拆分当日，将份额变动设为0[31]。 * 为了排除分红对基金规模的影响，在计算规模变动时剔除了分红导致的基金规模变动[31]。 * 由于部分ETF上周五份额数据无法及时获取，其上周五数据未参与相关统计[33]。 3. **ETF估值分位数计算方法** * **构建思路**：使用各类别ETF基准指数估值的中位数代表该类ETF的整体估值水平，并通过计算该中位数在历史区间内的位置来评估其相对高低[38]。 * **具体构建过程**： * 计算每日各类别内所有ETF基准指数（如市盈率PE、市净率PB）的估值中位数[38]。 * 计算该中位数在过去5年（对于科创板ETF，自2019年12月31日起计算）历史数据中的分位数[38][39]。 * 分位数水平用于判断当前估值处于历史区间的相对位置（例如，97.86%的分位数表示当前估值比过去5年中97.86%的时间都要高）[38]。 4. **基金管理人非货币ETF规模统计方法** * **构建思路**：统计各基金公司已上市的非货币ETF总管理规模，并进行排名[54]。 * **具体构建过程**： * ETF在上市之后才参与规模和规模变动统计，ETF成立时的募集规模不计入规模变动中[58]。 * 由于不能及时获取部分跨境ETF上周五的单位净值，因而使用其上周四的单位净值进行填充计算[58]。 * 对于华夏中小板ETF（159902）等季度汇报份额的ETF，在计算时使用其份额前值进行填充[58]。 * 对ETF进行了二级分类（如规模指数、行业指数、主题指数等），特别地将华安创业板50ETF由策略指数ETF调整为规模指数ETF进行统计[58]。

量化模型与构建方式 1. **模型名称：市场整体环境择时体系（均线距离模型）**[2][6] * **模型构建思路**：通过计算WIND全A指数的短期均线与长期均线的距离（差值百分比），来界定市场整体环境是处于上行趋势还是震荡/下行趋势[2][6]。 * **模型具体构建过程**： 1. 计算WIND全A指数的20日移动平均线（短期均线）和120日移动平均线（长期均线）[2][6]。 2. 计算两条均线的距离，公式为： $$均线距离 = \frac{短期均线 - 长期均线}{长期均线} \times 100\%$$ 其中，短期均线为20日均线，长期均线为120日均线[2][6]。 3. 设定阈值进行判断：当均线距离的绝对值大于3%时，市场处于上行趋势（短期均线位于长期均线之上）[2][6]。 2. **模型名称：上行趋势赚钱效应监测模型**[2][7] * **模型构建思路**：在市场被判定为上行趋势后，通过计算当前价格相对于“市场趋势线”的涨幅（即赚钱效应）来判断上行趋势的强度和持续性[2][7]。 * **模型具体构建过程**： 1. 确定“市场趋势线”。报告中提及当前市场趋势线位于6237点附近，但未明确其具体计算方法（可能为某一关键均线或支撑线）[2][7]。 2. 计算赚钱效应，公式为： $$赚钱效应 = \frac{当前指数点位 - 市场趋势线}{市场趋势线} \times 100\%$$ 其中，当前指数点位为WIND全A指数最新点位[2][7]。 3. 判断标准：赚钱效应显著为正，则上行趋势有望延续[2][7]。 3. **模型名称：仓位管理模型**[7] * **模型构建思路**：结合市场的估值水平（PE、PB分位数）和短期趋势判断，为以WIND全A为配置主体的绝对收益产品提供仓位建议[7]。 * **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参数权重，仅展示了应用逻辑：当WIND全A的PE位于85分位点（偏高水平）、PB位于50分位点（中等水平），并结合短期上行趋势判断，模型给出80%的仓位建议[7]。 4. **模型名称：行业趋势配置模型**[2][5][7] * **模型构建思路**：用于识别和推荐处于上行趋势的行业板块，作为配置方向[2][5][7]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建方法，仅提及模型结果显示通信、工业金属、储能板块延续上行趋势[2][5][7]。 5. **模型名称：中期困境反转预期模型**[2][5][7] * **模型构建思路**：用于挖掘具有中期困境反转预期的行业或板块[2][5][7]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建方法，仅提及模型信号显示关注零售、旅游等服务型消费[2][5][7]。 6. **模型名称：TWO BETA模型**[2][5][7] * **模型构建思路**：一种行业配置模型，继续推荐科技板块[2][5][7]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建方法，仅提及模型继续推荐科技板块，并关注国产算力和商业航天等细分方向[2][5][7]。 模型的回测效果 *本报告为周度市场观点报告，主要展示模型的最新信号和结论，未提供历史回测的定量指标（如年化收益率、夏普比率、最大回撤等）。* 量化因子与构建方式 *本报告主要涉及择时与行业配置模型，未提及具体的选股因子构建。* 因子的回测效果 *本报告未涉及量化因子，故无此项内容。*

量化模型与构建方式 1. **模型名称：A股景气度高频指数模型**[26] * **模型构建思路**：通过高频数据对A股整体景气度进行Nowcasting（即时预测），以跟踪宏观经济和企业盈利的实时变化趋势[26]。 * **模型具体构建过程**：该模型以上证指数归母净利润同比作为Nowcasting目标进行构建。报告未详细披露具体构建步骤和公式，仅提及构建详情可参考其历史报告《视角透析：A股景气度高频指数构建与观察》[26]。 2. **模型名称：A股情绪指数系统**[33] * **模型构建思路**：基于市场波动率和成交额的变化方向来刻画市场情绪，并构建择时信号[33]。 * **模型具体构建过程**： 1. 将市场状态根据波动率和成交额的变化方向划分为四个象限[33]。 2. 通过历史统计发现，只有“波动率上行-成交额下行”的区间表现为显著负收益，其余三个象限均为显著正收益[33]。 3. 基于此规律，构建了包含“见底预警”与“见顶预警”两个子指数的A股情绪指数系统，用于生成综合择时信号[33]。 3. **模型名称：主题挖掘算法**[43] * **模型构建思路**：通过对新闻和研报文本进行多维度处理，挖掘主题投资机会并识别相关概念股[43]。 * **模型具体构建过程**：算法涉及多个维度，包括文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建以及主题影响力因子构建[43]。报告未提供具体公式。 4. **模型名称：中证500增强组合模型**[43][47] * **模型构建思路**：构建一个旨在持续跑赢中证500基准指数的量化投资组合[43]。 * **模型具体构建过程**：报告未披露该增强模型的具体因子构成、权重配置及组合优化过程，仅展示了其持仓明细和业绩表现[47]。 5. **模型名称：沪深300增强组合模型**[50][52] * **模型构建思路**：构建一个旨在持续跑赢沪深300基准指数的量化投资组合[50]。 * **模型具体构建过程**：报告未披露该增强模型的具体因子构成、权重配置及组合优化过程，仅展示了其持仓明细和业绩表现[52]。 6. **模型名称：风格因子模型（基于BARRA框架）**[53] * **模型构建思路**：参照BARRA因子模型框架，构建一套用于描述A股市场收益来源的十大类风格因子体系，用于风格分析、风险管理和绩效归因[53]。 * **模型具体构建过程**：报告列出了十大类风格因子的名称，但未提供每个因子的具体计算公式。十大类风格因子包括：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）[53]。 模型的回测效果 1. **A股情绪指数系统择时表现**：报告包含“A股情绪指数系统择时表现”图表，但未在文本中给出具体的量化指标数值[41]。 2. **中证500增强组合模型**：截至报告本周（2025年12月22日-26日），组合相对中证500指数超额收益为-1.24%[43]。自2020年至今，累计超额收益为47.91%，最大回撤为-6.60%[43]。 3. **沪深300增强组合模型**：截至报告本周（2025年12月22日-26日），组合相对沪深300指数超额收益为0.54%[50]。自2020年至今，累计超额收益为40.99%，最大回撤为-5.86%[50]。 量化因子与构建方式 1. **因子名称：十大类风格因子（整体）**[53] * **因子构建思路**：系统性地刻画影响股票收益的不同风险来源和风格特征[53]。 * **因子具体构建过程**：报告未提供每个风格因子的详细计算公式，仅说明是参照BARRA模型构建，并给出了因子列表：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）[53]。 2. **因子名称：行业因子**[54] * **因子构建思路**：捕捉不同行业板块相对于市场的超额收益特征[54]。 * **因子具体构建过程**：报告未提供行业因子的具体构建方法。 因子的回测效果 *报告未提供各个因子（如十大类风格因子、行业因子）独立的历史回测指标（如IC、IR、多空收益等）。仅提供了近期（近一周）的因子表现描述和纯因子收益率分析[54]。* 1. **近期风格因子表现（近一周）**： * **Beta因子**：超额收益较高，表现优异[54]。 * **成长因子**：呈较为显著的负向超额收益[54]。 * **杠杆因子、残差波动率因子**：表现不佳[54]。 2. **近期行业因子表现（近一周）**： * 石油石化、国防军工、建材等行业因子相对市场市值加权组合跑出较高超额收益[54]。 * 商贸零售、传媒等行业因子回撤较多[54]。

量化模型与构建方式 1. **模型名称：价格分段体系**[7][14] * **模型构建思路**：通过分析指数价格在不同时间周期（如日线、周线）上的走势，对市场状态进行分段识别，以判断趋势方向[14]。 * **模型具体构建过程**：报告未详细描述该模型的构建过程和具体公式，仅展示了其应用结果。从图表看，该模型可能涉及对指数价格序列进行技术分析，以划分出不同的趋势段[17]。 2. **模型名称：微观市场结构择时模型**[7][15] * **模型构建思路**：通过监测“知情交易者”的活跃度变化，来捕捉市场微观结构中的信息，并用于判断市场后市走向[15]。 * **模型具体构建过程**：报告未详细描述该模型的构建过程和具体公式。模型核心是构建“知情交易者活跃度”指标，该指标的变化与市场走势同步，其快速升温被视为对后市乐观的信号[15][18]。 3. **模型名称：分析师行业景气预期模型**[7][19] * **模型构建思路**：基于卖方分析师对上市公司的一致预测数据，计算各行业未来盈利预期的变化，以监测行业景气度的边际变化[19]。 * **模型具体构建过程**：模型计算两个核心指标： 1. 一致预测滚动未来12个月ROE（ROE FTTM）的环比变化。 2. 一致预测滚动未来12个月净利润增速（净利润增速 FTTM）的环比变化。 通过跟踪这些指标每周的变化，来观察哪些行业的盈利预期在改善或恶化[19][20]。 4. **模型名称：ETF资金流多空信号模型**[3][13] * **模型构建思路**：根据ETF的资金流入流出情况，构建多头和空头ETF组合，并穿透至底层行业，形成对行业板块的看好或看空信号，用于指导行业轮动[3][13]。 * **模型具体构建过程**：报告未给出具体的筛选规则和构建公式。其过程大致为：首先根据ETF资金流数据筛选出资金流入（多头）和流出（空头）的ETF；然后，将这些ETF的持仓穿透汇总到申万一级行业，得到模型相对看好或谨慎的行业板块[3][13]。 模型的回测效果 （报告中未提供上述量化模型的具体回测效果指标值，如年化收益率、夏普比率等。） 量化因子与构建方式 1. **因子名称：BARRA风格因子体系**[24][25] * **因子构建思路**：采用经典的BARRA风险模型框架，从多个维度（基本面、交易、市值等）刻画股票的风格特征，并计算这些风格因子在特定周期内的收益表现[24][25]。 * **因子具体构建过程**：报告未详细描述每个因子的具体计算公式。它直接引用了BARRA风格因子的收益表现。报告中提及的因子包括： * **基本面类因子**：换手、财务杠杆、盈利波动、盈利质量、盈利能力、投资质量、长期反转、EP价值、BP价值、成长。 * **交易类因子**：动量、非线性市值、市值、波动率、贝塔、股息率。 这些因子通常经过标准化、中性化等处理，以代表纯粹的风格暴露[24][25]。 因子的回测效果 1. **BARRA风格因子**，本周收益：换手因子0.9%，财务杠杆因子0.1%，盈利波动因子0.1%，盈利质量因子-0.1%，盈利能力因子+0.2%，投资质量因子-0.3%，长期反转因子0.4%，EP价值因子-0.1%，BP价值因子+0.2%，成长因子0.2%，动量因子0.7%，非线性市值因子0.7%，市值因子0.6%，波动率因子-0.2%，贝塔因子1.7%，股息率因子0.1%[25]。