根据提供的华创证券《市场情绪监控周报（20251110-20251114）》，总结如下： 量化因子与构建方式 1. **因子名称：个股总热度因子**[8] * **因子构建思路**：通过加总个股的浏览、自选与点击次数，并将其在全市场范围内进行归一化处理，以衡量市场对单只股票的关注度，作为情绪热度的代理变量[8] * **因子具体构建过程**： 1. 计算单只股票的浏览、自选与点击次数之和 2. 将上述求和结果除以同一交易日全市场所有股票的浏览、自选与点击次数总和，进行归一化处理 3. 将归一化后的数值乘以10000，使得因子取值区间为[0, 10000][8] * 公式：$$ \text{个股总热度} = \frac{\text{个股（浏览次数+自选次数+点击次数）}}{\text{全市场总（浏览次数+自选次数+点击次数）}} \times 10000 $$[8] 2. **因子名称：宽基/行业/概念总热度因子**[8][9] * **因子构建思路**：将特定分组（如宽基指数、申万行业、概念板块）内所有成分股的个股总热度因子进行加总，得到该分组层面的聚合热度指标，用于追踪市场情绪[8][9] * **因子具体构建过程**：对目标分组（如沪深300、中证500等宽基，或某个申万一级行业，或某个概念）包含的所有成分股，将其个股总热度因子值进行简单求和[8][9] 3. **因子名称：热度变化率因子**[12][14] * **因子构建思路**：计算宽基、行业或概念的总热度指标在相邻周期（如本周与上周）之间的相对变化率，以捕捉市场关注度的边际变化[12][14] * **因子具体构建过程**：计算本期总热度与上期总热度的变化率，通常还会进行移动平均（如MA2）平滑处理[12][14] * 公式：$$ \text{热度变化率} = \frac{\text{本期总热度} - \text{上期总热度}}{\text{上期总热度}} $$[12][14] * 平滑处理：$$ \text{热度变化率 MA2} = \frac{\text{本期热度变化率} + \text{上期热度变化率}}{2} $$[12][14] 量化模型与构建方式 1. **模型名称：宽基轮动策略模型**[14][16] * **模型构建思路**：基于行为金融学中的有限注意力理论，认为热度变化率异常高的资产组可能短期内存在情绪驱动的错误定价机会，通过每周选择热度变化率最高的宽基指数进行投资来实现轮动[12][14] * **模型具体构建过程**： 1. 每周计算各宽基指数组（沪深300、中证500、中证1000、中证2000以及“其他”股票组）的热度变化率MA2[14][16] 2. 在每周最后一个交易日，选择热度变化率MA2最大的宽基指数组作为投资标的[14][16] 3. 如果变化率最大的组是“其他”股票组，则当期选择空仓[14][16] 4. 等权重投资于所选宽基指数的成分股[14][16] 2. **模型名称：热门概念内低热度选股模型**[32][34] * **模型构建思路**：在短期内受行为因素影响较大、行情持续时间较短的热门概念中，选择那些概念内关注度（总热度）较低的个股，以期获得超额收益，逻辑可能是高热度概念中的低热度个股存在反应不足或补涨机会[31][32] * **模型具体构建过程**： 1. 在每周最后一个交易日，筛选出本周热度变化率最大的5个概念[32] 2. 将这5个热门概念的所有成分股作为初选股票池[32] 3. 排除股票池中流通市值最小的20%的股票[32] 4. **构建BOTTOM组合**：从每个热门概念中，选出总热度因子排名最后的10只个股，等权持有[32][34] （报告也提及了构建TOP组合的方法：从每个热门概念中选出总热度排名前10的个股，等权持有，但回测结果显示BOTTOM组合表现更优）[32][34] 模型的回测效果 1. **宽基轮动策略模型**[17] * 年化收益率：8.74%[17] * 最大回撤：23.5%[17] * 2025年收益：40.9%[17] 2. **热门概念内低热度选股模型（BOTTOM组合）**[34] * 年化收益率：15.71%[34] * 最大回撤：28.89%[34] * 2025年收益：43.9%[34] 因子的回测效果 （注：报告未单独列出因子IC、IR等传统因子测试指标，而是通过上述策略模型净值间接展示因子有效性）

由于提供的研报内容主要是市场回顾、择时信号展示和基金仓位监控，并未详细描述量化模型或量化因子的具体构建过程、公式或详细的回测指标，因此以下总结将基于报告中明确提及的模型和因子名称及其信号观点进行整理。报告未提供模型/因子的具体构建公式、详细构建过程、定性评价或统一的量化回测指标（如年化收益率、夏普比率、信息比率等）。 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**：基于成交量信息进行市场短期择时[11] * **模型具体构建过程**：报告未提供具体构建过程或公式。 * **模型评价**：报告未提供定性评价。 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进行择时[11] * **模型具体构建过程**：报告未提供具体构建过程或公式。 * **模型评价**：报告未提供定性评价。 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进行择时[11] * **模型具体构建过程**：报告未提供具体构建过程或公式。 * **模型评价**：报告未提供定性评价。 4. **模型名称**：智能算法模型（沪深300/中证500）[11] * **模型构建思路**：应用智能算法进行择时[11] * **模型具体构建过程**：报告未提供具体构建过程或公式。 * **模型评价**：报告未提供定性评价。 5. **模型名称**：涨跌停模型[12] * **模型构建思路**：基于涨跌停板情况进​​行中期择时[12] * **模型具体构建过程**：报告未提供具体构建过程或公式。 * **模型评价**：报告未提供定性评价。 6. **模型名称**：上下行收益差模型[11][12][15] * **模型构建思路**：基于上行收益与下行收益的差异进行择时[11][12][15] * **模型具体构建过程**：报告未提供具体构建过程或公式。 * **模型评价**：报告未提供定性评价。 7. **模型名称**：月历效应模型[12] * **模型构建思路**：基于月份效应进行中期择时[12] * **模型具体构建过程**：报告未提供具体构建过程或公式。 * **模型评价**：报告未提供定性评价。 8. **模型名称**：长期动量模型[13] * **模型构建思路**：基于长期动量进行择时[13] * **模型具体构建过程**：报告未提供具体构建过程或公式。 * **模型评价**：报告未提供定性评价。 9. **模型名称**：A股综合兵器V3模型[14] * **模型构建思路**：综合多种信号的A股择时模型[14] * **模型具体构建过程**：报告未提供具体构建过程或公式。 * **模型评价**：报告未提供定性评价。 10. **模型名称**：A股综合国证2000模型[14] * **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**：报告未提供具体构建过程或公式。 * **模型评价**：报告未提供定性评价。 11. **模型名称**：成交额倒波幅模型[15] * **模型构建思路**：基于成交额与波幅关系进行港股中期择时[15] * **模型具体构建过程**：报告未提供具体构建过程或公式。 * **模型评价**：报告未提供定性评价。 12. **模型名称**：恒生指数上下行收益差模型[15] * **模型构建思路**：基于恒生指数上行与下行收益差异进行择时[15] * **模型具体构建过程**：报告未提供具体构建过程或公式。 * **模型评价**：报告未提供定性评价。 13. **模型/因子名称**：形态识别（双底形态、杯柄形态）[40][41][45] * **构建思路**：基于技术分析中的特定价格形态（双底、杯柄）进行选股或择时[40][41][45] * **具体构建过程**：报告提及了形态的识别点（如A点、B点、C点、E点）和形态长度（周数），但未提供具体的形态定义公式或量化规则[44][49][51][52]。 * **评价**：报告未提供定性评价。 14. **模型/因子名称**：VIX指数（HCVIX）[38] * **构建思路**：衡量市场预期波动率的恐慌指数，与大盘呈负相关关系[38] * **具体构建过程**：报告提及该指数复现了中证指数公司的VIX计算方法，相关系数达99.2%，但未给出具体计算公式[38]。 * **评价**：报告未提供定性评价。 模型的回测效果 报告未提供上述模型的统一量化回测指标（如年化收益率、夏普比率、最大回撤等）。仅对部分形态识别策略提供了阶段性的表现描述： * 双底形态组合：自2020年12月31日至今累计上涨42.6%，跑赢上证综指28.19%[40]。 * 杯柄形态组合：自2020年12月31日至今累计上涨79.19%，跑赢上证综指64.77%[40]。 量化因子与构建方式 报告未明确列出独立的量化因子及其构建方式。提到的“大师策略”可能涉及价值、成长等因子，但未详细说明[35]。 因子的回测效果 报告未提供独立因子的回测效果指标。

根据提供的研报内容，以下是其中涉及的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：三维择时框架**[7][12] * **模型构建思路**：通过综合评估市场的分歧度、流动性和景气度三个维度的状态，对市场整体走势进行判断[7][12] * **模型具体构建过程**：模型监控三个核心指标：1）市场分歧度指数，反映投资者观点分歧程度；2）市场流动性指数，反映资金面状况；3）A股景气度指数2.0，反映宏观经济与企业盈利景气状况（金融与工业等分项）[7][11][12][23][24] 通过观察这三个指标的趋势（上行或下行）及其组合，形成对市场（如震荡、下跌）的判断[7][12] 2. **模型名称：ETF热点趋势策略**[27][28] * **模型构建思路**：根据ETF价格的上涨形态和市场关注度的提升，筛选出具有短期趋势的ETF构建投资组合[27] * **模型具体构建过程**：1）首先筛选出最高价与最低价同时呈现上涨形态的ETF；2）计算支撑阻力因子，该因子基于最高价与最低价近20日回归系数的相对陡峭程度；3）在支撑阻力因子的多头组中，进一步选择近5日换手率与近20日换手率比值最高的ETF，即短期关注度明显提升的品种；4）最终对选出的约10只ETF采用风险平价方法构建组合[27] 3. **模型名称：资金流共振策略**[35][36] * **模型构建思路**：结合融资融券资金和主动大单资金两类资金流在行业层面的动向，寻找两者有共振效应的行业进行推荐[35][36] * **模型具体构建过程**： * **行业融资融券资金因子**：首先计算个股层面的（融资净买入-融券净卖出），在行业内加总，然后使用Barra市值因子进行中性化处理，再计算其最近50日的均值，最后取该均值的两周环比变化率[35] * **行业主动大单资金因子**：计算行业层面的净流入数据，并采用其最近一年的成交量时间序列进行中性化处理，然后对中性化后的结果进行排序，最后取最近10日的均值[35] * **策略逻辑**：研究发现融资融券因子的多头端在某些市场状态下有稳定的负向超额收益，而主动大单因子（剔除极端多头行业后）有稳定正向超额收益。因此，策略在主动大单因子的头部行业（打分较高）中，剔除融资融券因子也处于头部的行业，以提高稳定性。策略通常会进一步剔除大金融板块[35] 模型的回测效果 1. **资金流共振策略**，年化超额收益13.5%[35]，信息比率(IR)1.7[35]，近期（策略上周）绝对收益1.28%[35]，超额收益（相对行业等权）0.55%[35] 量化因子与构建方式 1. **因子名称：Barra风格因子系列**[41][42] * **因子构建思路**：采用经典的Barra风险模型框架，从不同维度刻画股票的风格特征[41][42] * **因子具体构建过程**：报告中提及的Barra风格因子包括：规模(size)、贝塔(beta)、动量(momentum)、波动率(volatility)、非线性规模(nlsize)、价值(value)、流动性(liquidity)、盈利收益率(earnings_yield)、成长(growth)、杠杆(leverage)。报告未详细描述每个因子的具体计算公式，但指出其属于Barra体系[41][42] 2. **因子名称：速动比率 (quick_ratio)**[46] * **因子构建思路**：衡量企业短期偿债能力，属于流动性及质量类因子[46] * **因子具体构建过程**：$$quick\\_ratio = \\frac{速动资产}{流动负债}$$ [46] 3. **因子名称：资产负债率 (debt_asset_ratio)**[46] * **因子构建思路**：衡量企业负债水平，属于杠杆类因子[46] * **因子具体构建过程**：$$debt\\_asset\\_ratio = \\frac{总负债}{总资产}$$ [46] 报告表格中释义为“资产/负债”，但根据因子名称和常规财务定义，应为“总负债/总资产”。 4. **因子名称：产权比率 (debt_to_equity)**[46] * **因子构建思路**：反映由债权人提供的资本与股东提供的资本的相对关系，属于杠杆类因子[46] * **因子具体构建过程**：$$debt\\_to\\_equity = \\frac{total\\_liab}{book\\_value}$$ [46] 其中 total_liab 为总负债，book_value 为账面价值（股东权益） 5. **因子名称：5年盈利波动性 (earnings_variability_5y)**[46] * **因子构建思路**：衡量公司盈利的稳定性，属于盈利质量类因子[46] * **因子具体构建过程**：$$earnings\\_variability\\_5y = standard \\ deviation \\ of \\ yoy \\ eps \\ growth \\ over \\ 5y$$ [46] 计算过去5年每股收益(EPS)同比增速的标准差 6. **因子名称：单季度ROE同比差值（考虑快报、预告）(roe_q_delta_adv)**[49] * **因子构建思路**：基于业绩快报和预告信息，衡量公司最新单季度净资产收益率相对于去年同期改善程度，属于盈利动量类因子[49] * **因子具体构建过程**：报告未给出具体公式，因子释义为“单季度ROE同比差值（考虑快报、预告）”[49] 7. **因子名称：单季度ROA同比差值（考虑快报、预告）(roa_q_delta_adv)**[49] * **因子构建思路**：基于业绩快报和预告信息，衡量公司最新单季度总资产收益率相对于去年同期改善程度，属于盈利动量类因子[49] * **因子具体构建过程**：报告未给出具体公式，因子释义为“单季度ROA同比差值（考虑快报、预告）”[49] 8. **因子名称：单季度每股营业收入同比增长率 (yoy_orps_q)**[49] * **因子构建思路**：衡量公司营收增长情况，属于成长类因子[49] * **因子具体构建过程**：报告未给出具体公式，因子释义为“单季度每股营业收入同比增长率”[49] 9. **因子名称：基金持股比例 (io_to_float_a_share)**[49] * **因子构建思路**：反映机构投资者对公司的关注度和认可度，属于机构关注度类因子[49] * **因子具体构建过程**：$$io\\_to\\_float\\_a\\_share = \\frac{基金总持股数}{个股流通股数}$$ [49] 根据基金年报和半年报披露持股数统计 因子的回测效果 1. **Barra风格因子系列**，最近一周收益：价值(value)因子2.36%[42]，杠杆(leverage)因子1.08%[42]，波动率(volatility)因子0.19%[42]，规模(size)因子-3.76%[42]，贝塔(beta)因子-5.52%[42]，动量(momentum)因子-3.16%[42]，流动性(liquidity)因子-2.43%[42]，盈利收益率(earnings_yield)因子-0.08%[42]，成长(growth)因子-2.86%[42]，非线性规模(nlsize)因子-2.30%[42] 2. **速动比率 (quick_ratio)因子**，近一周多头超额收益1.32%[46]，近一月多头超额收益1.17%[46] 3. **资产负债率 (debt_asset_ratio)因子**，近一周多头超额收益1.21%[46]，近一月多头超额收益1.26%[46] 4. **产权比率 (debt_to_equity)因子**，近一周多头超额收益1.11%[46]，近一月多头超额收益1.45%[46] 5. **5年盈利波动性 (earnings_variability_5y)因子**，近一周多头超额收益1.04%[46]，近一月多头超额收益1.38%[46] 6. **单季度ROE同比差值（考虑快报、预告）(roe_q_delta_adv)因子**，在沪深300成分股中近一周多头超额收益23.45%[49]，在中证500成分股中近一周多头超额收益11.70%[49]，在中证800成分股中近一周多头超额收益18.31%[49]，在中证1000成分股中近一周多头超额收益16.31%[49] 7. **单季度ROA同比差值（考虑快报、预告）(roa_q_delta_adv)因子**，在沪深300成分股中近一周多头超额收益24.07%[49]，在中证500成分股中近一周多头超额收益10.44%[49]，在中证800成分股中近一周多头超额收益16.28%[49]，在中证1000成分股中近一周多头超额收益17.56%[49] 8. **单季度每股营业收入同比增长率 (yoy_orps_q)因子**，在沪深300成分股中近一周多头超额收益11.05%[49]，在中证500成分股中近一周多头超额收益8.25%[49]，在中证800成分股中近一周多头超额收益11.04%[49]，在中证1000成分股中近一周多头超额收益21.00%[49] 9. **基金持股比例 (io_to_float_a_share)因子**，在沪深300成分股中近一周多头超额收益10.96%[49]，在中证500成分股中近一周多头超额收益8.06%[49]，在中证800成分股中近一周多头超额收益10.94%[49]，在中证1000成分股中近一周多头超额收益18.78%[49]

根据提供的周报内容，以下是关于量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：红利风格择时模型**[1][4][6] * **模型构建思路：** 该模型旨在对红利风格进行择时判断，通过综合多个分项因子的信息，生成一个综合因子值。当综合因子值大于0时，产生正向信号，表明看好红利风格；小于0时，则未出正向信号[1][4][6]。 * **模型具体构建过程：** 模型通过综合多个分项因子来构建。每周计算各分项因子的因子值，并汇总得到综合因子值，以此作为择时信号的主要依据[1][4][6][7][11]。 量化因子与构建方式 1. **因子名称：综合因子**[1][4][6] * **因子构建思路：** 作为红利风格择时模型的核心输出，该因子由多个分项因子综合计算得出，用以整体判断红利风格的强弱[1][4][6]。 * **因子具体构建过程：** 报告未详细说明各分项因子具体如何加权或合成以得到综合因子值。构建过程主要体现为每周更新并汇总各分项因子的最新数值[1][6][11]。 2. **因子名称：市场情绪趋势因子**[4][7] * **因子构建思路：** 用于捕捉市场情绪的变化趋势，并将其应用于红利风格的择时判断[4][7]。 3. **因子名称：红利动量因子**[4][7] * **因子构建思路：** 用于衡量红利风格自身的动量效应，即近期表现对未来表现的延续性[4][7]。 4. **因子名称：美债利率因子**[4][7] * **因子构建思路：** 使用美国10年期国债收益率作为参考指标，评估利率环境对红利资产吸引力的影响[4][7][11]。 5. **因子名称：分析师行业景气度因子**[4][7] * **因子构建思路：** 基于分析师的行业景气度判断，评估宏观行业层面因素对红利风格的影响[4][7][11]。 6. **因子名称：中国非制造业PMI:服务业因子**[11] * **因子构建思路：** 使用中国服务业采购经理人指数（PMI）作为经济景气的衡量指标之一[11]。 7. **因子名称：中国M2:同比因子**[11] * **因子构建思路：** 使用中国广义货币供应量（M2）的同比增速作为流动性环境的衡量指标之一[11]。 8. **因子名称：红利相对净值自身因子**[11] * **因子构建思路：** 可能涉及红利指数与其自身历史净值或相对表现的比较，用于衡量其相对强弱[11]。 9. **因子名称：中证红利股息率-10年期中债收益率因子**[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，用以衡量红利资产的相对吸引力（股权风险溢价的一种形式）[11]。 10. **因子名称：融资净买入因子**[11] * **因子构建思路：** 使用市场的融资净买入数据作为投资者杠杆情绪和资金流向的代理变量[11]。 模型的回测效果 1. **红利风格择时模型** * **综合因子值（2025.11.14）：** -0.88[1][4][6][11] * **综合因子值（2025.11.07）：** -1.06[1][4][6][11] * **综合因子值（2025.10.31）：** 报告中未直接给出10月31日的综合因子值，但给出了部分分项因子在该日的数值作为参考[11] 因子的回测效果 1. **中国非制造业PMI:服务业因子** * **因子值（2025.11.14）：** -0.12[11] * **因子值（2025.11.07）：** -0.12[11] * **因子值（2025.10.31）：** -0.12[11] 2. **中国M2:同比因子** * **因子值（2025.11.14）：** 0.83[11] * **因子值（2025.11.07）：** 0.83[11] * **因子值（2025.10.31）：** 0.83[11] 3. **美债利率因子（美国:国债收益率:10年）** * **因子值（2025.11.14）：** -1.51[11] * **因子值（2025.11.07）：** -1.55[11] * **因子值（2025.10.31）：** -1.40[11] 4. **红利动量因子（红利相对净值自身）** * **因子值（2025.11.14）：** 0.17[11] * **因子值（2025.11.07）：** -0.37[11] * **因子值（2025.10.31）：** -0.27[11] 5. **中证红利股息率-10年期中债收益率因子** * **因子值（2025.11.14）：** -0.40[11] * **因子值（2025.11.07）：** -0.33[11] * **因子值（2025.10.31）：** -0.15[11] 6. **融资净买入因子** * **因子值（2025.11.14）：** -0.25[11] * **因子值（2025.11.07）：** 0.85[11] * **因子值（2025.10.31）：** -0.80[11] 7. **分析师行业景气度因子（行业平均景气度）** * **因子值（2025.11.14）：** 2.14[11] * **因子值（2025.11.07）：** 2.23[11] * **因子值（2025.10.31）：** 2.35[11]

根据研报内容，以下是关于量化因子和模型的总结。 量化因子与构建方式 1. **因子名称：日内高频偏度因子** 因子构建思路：通过分析股票日内收益的分布特征，捕捉其偏度信息以预测未来表现[12] 因子具体构建过程：具体计算方式请参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[12] 2. **因子名称：日内下行波动占比因子** 因子构建思路：将已实现波动率分解，计算下行波动部分在总波动中的占比[17] 因子具体构建过程：具体计算方式请参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[17] 3. **因子名称：开盘后买入意愿占比因子** 因子构建思路：基于开盘后一段时间内的高频交易数据，衡量买入意愿的相对强度[22] 因子具体构建过程：具体计算方式请参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[22] 4. **因子名称：开盘后买入意愿强度因子** 因子构建思路：在买入意愿占比的基础上，进一步衡量买入意愿的绝对强度[25] 因子具体构建过程：具体计算方式请参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[25] 5. **因子名称：开盘后大单净买入占比因子** 因子构建思路：分析开盘后大单净买入金额在总成交额中的占比，捕捉大资金动向[30] 6. **因子名称：开盘后大单净买入强度因子** 因子构建思路：衡量开盘后大单净买入的绝对强度[34] 7. **因子名称：改进反转因子** 因子构建思路：对传统反转因子进行改进，以更好地捕捉价格反转效应[40] 8. **因子名称：尾盘成交占比因子** 因子构建思路：通过分析尾盘成交额在日总成交额中的占比，捕捉资金在尾盘的动向[44] 9. **因子名称：平均单笔流出金额占比因子** 因子构建思路：计算平均单笔流出金额在总流出金额中的占比，分析资金流出特征[49] 10. **因子名称：大单推动涨幅因子** 因子构建思路：衡量由大单交易推动的股价上涨幅度[54] 11. **因子名称：改进 GRU(50,2)+NN(10)因子** 因子构建思路：使用改进的门控循环单元（GRU）神经网络结合全连接网络（NN）从高频数据中提取预测信号[58] 12. **因子名称：残差注意力 LSTM(48,2)+NN(10)因子** 因子构建思路：使用结合了残差连接和注意力机制的长短期记忆网络（LSTM）结合全连接网络（NN）进行深度学习因子构建[59] 13. **因子名称：多颗粒度模型-5日标签因子** 因子构建思路：基于双向A-GRU网络，使用5日收益作为预测标签进行训练，从多时间颗粒度数据中学习[64] 14. **因子名称：多颗粒度模型-10日标签因子** 因子构建思路：基于双向A-GRU网络，使用10日收益作为预测标签进行训练[65] 因子的回测效果 1. **日内高频偏度因子**，历史IC 0.019[9]，2025年IC 0.023[9]，历史 e^(-rank mae) 0.324[9]，2025年 e^(-rank mae) 0.327[9]，上周多空收益 -0.26%[9]，11月多空收益 0.49%[9]，2025YTD多空收益 22.76%[9]，2025年周胜率 30/46[9]，上周多头超额收益 0.42%[9]，11月多头超额收益 1.46%[9]，2025YTD多头超额收益 6.14%[9]，2025年多头周胜率 25/46[9] 2. **日内下行波动占比因子**，历史IC 0.016[9]，2025年IC 0.020[9]，历史 e^(-rank mae) 0.323[9]，2025年 e^(-rank mae) 0.325[9]，上周多空收益 0.38%[9]，11月多空收益 1.35%[9]，2025YTD多空收益 20.32%[9]，2025年周胜率 32/46[9]，上周多头超额收益 0.41%[9]，11月多头超额收益 1.08%[9]，2025YTD多头超额收益 3.54%[9]，2025年多头周胜率 26/46[9] 3. **开盘后买入意愿占比因子**，历史IC 0.025[9]，2025年IC 0.024[9]，历史 e^(-rank mae) 0.321[9]，2025年 e^(-rank mae) 0.321[9]，上周多空收益 0.28%[9]，11月多空收益 -0.01%[9]，2025YTD多空收益 19.33%[9]，2025年周胜率 36/46[9]，上周多头超额收益 0.47%[9]，11月多头超额收益 0.28%[9]，2025YTD多头超额收益 8.78%[9]，2025年多头周胜率 29/46[9] 4. **开盘后买入意愿强度因子**，历史IC 0.030[9]，2025年IC 0.027[9]，历史 e^(-rank mae) 0.326[9]，2025年 e^(-rank mae) 0.326[9]，上周多空收益 0.27%[9]，11月多空收益 0.57%[9]，2025YTD多空收益 26.36%[9]，2025年周胜率 35/46[9]，上周多头超额收益 -0.22%[9]，11月多头超额收益 -0.55%[9]，2025YTD多头超额收益 10.06%[9]，2025年多头周胜率 33/46[9] 5. **开盘后大单净买入占比因子**，历史IC 0.035[9]，2025年IC 0.020[9]，历史 e^(-rank mae) 0.322[9]，2025年 e^(-rank mae) 0.317[9]，上周多空收益 -0.20%[9]，11月多空收益 -0.44%[9]，2025YTD多空收益 20.50%[9]，2025年周胜率 32/46[9]，上周多头超额收益 -0.21%[9]，11月多头超额收益 -0.63%[9]，2025YTD多头超额收益 9.22%[9]，2025年多头周胜率 29/46[9] 6. **开盘后大单净买入强度因子**，历史IC 0.024[9]，2025年IC 0.014[9]，历史 e^(-rank mae) 0.320[9]，2025年 e^(-rank mae) 0.316[9]，上周多空收益 -0.88%[9]，11月多空收益 -1.89%[9]，2025YTD多空收益 10.71%[9]，2025年周胜率 27/46[9]，上周多头超额收益 -0.66%[9]，11月多头超额收益 -1.23%[9]，2025YTD多头超额收益 7.50%[9]，2025年多头周胜率 31/46[9] 7. **改进反转因子**，历史IC 0.031[9]，2025年IC 0.022[9]，历史 e^(-rank mae) 0.330[9]，2025年 e^(-rank mae) 0.330[9]，上周多空收益 0.27%[9]，11月多空收益 -0.09%[9]，2025YTD多空收益 21.93%[9]，2025年周胜率 35/46[9]，上周多头超额收益 -0.43%[9]，11月多头超额收益 -0.68%[9]，2025YTD多头超额收益 7.79%[9]，2025年多头周胜率 26/46[9] 8. **尾盘成交占比因子**，历史IC 0.026[9]，2025年IC 0.016[9]，历史 e^(-rank mae) 0.322[9]，2025年 e^(-rank mae) 0.319[9]，上周多空收益 0.81%[9]，11月多空收益 0.25%[9]，2025YTD多空收益 16.02%[9]，2025年周胜率 30/46[9]，上周多头超额收益 0.77%[9]，11月多头超额收益 0.31%[9]，2025YTD多头超额收益 5.33%[9]，2025年多头周胜率 25/46[9] 9. **平均单笔流出金额占比因子**，历史IC 0.008[11]，2025年IC -0.005[11]，历史 e^(-rank mae) 0.317[11]，2025年 e^(-rank mae) 0.315[11]，上周多空收益 -1.33%[11]，11月多空收益 -2.74%[11]，2025YTD多空收益 -5.80%[11]，2025年周胜率 21/46[11]，上周多头超额收益 -0.07%[11]，11月多头超额收益 -0.48%[11]，2025YTD多头超额收益 -1.93%[11]，2025年多头周胜率 18/46[11] 10. **大单推动涨幅因子**，历史IC 0.018[11]，2025年IC 0.010[11]，历史 e^(-rank mae) 0.325[11]，2025年 e^(-rank mae) 0.326[11]，上周多空收益 0.36%[11]，11月多空收益 0.71%[11]，2025YTD多空收益 9.32%[11]，2025年周胜率 30/46[11]，上周多头超额收益 -0.17%[11]，11月多头超额收益 -0.43%[11]，2025YTD多头超额收益 2.17%[11]，2025年多头周胜率 25/46[11] 11. **改进 GRU(50,2)+NN(10)因子**，历史IC 0.066[11]，2025年IC 0.047[11]，历史 e^(-rank mae) 0.336[11]，2025年 e^(-rank mae) 0.333[11]，上周多空收益 -1.32%[11]，11月多空收益 -0.71%[11]，2025YTD多空收益 44.83%[11]，2025年周胜率 38/46[11]，上周多头超额收益 -0.77%[11]，11月多头超额收益 -1.01%[11]，2025YTD多头超额收益 7.21%[11]，2025年多头周胜率 26/46[11] 12. **残差注意力 LSTM(48,2)+NN(10)因子**，历史IC 0.063[11]，2025年IC 0.046[11]，历史 e^(-rank mae) 0.334[11]，2025年 e^(-rank mae) 0.331[11]，上周多空收益 -1.50%[11]，11月多空收益 -1.23%[11]，2025YTD多空收益 44.56%[11]，2025年周胜率 42/46[11]，上周多头超额收益 -0.83%[11]，11月多头超额收益 -0.92%[11]，2025YTD多头超额收益 7.90%[11]，2025年多头周胜率 27/46[11] 13. **多颗粒度模型-5日标签因子**，历史IC 0.080[11]，2025年IC 0.068[11]，历史 e^(-rank mae) 0.344[11]，2025年 e^(-rank mae) 0.341[11]，上周多空收益 0.75%[11]，11月多空收益 2.56%[11]，2025YTD多空收益 63.15%[11]，2025年周胜率 42/46[11]，上周多头超额收益 1.07%[11]，11月多头超额收益 2.36%[11]，2025YTD多头超额收益 24.44%[11]，2025年多头周胜率 38/46[11] 14. **多颗粒度模型-10日标签因子**，历史IC 0.074[11]，2025年IC 0.062[11]，历史 e^(-rank mae) 0.342[11]，2025年 e^(-rank mae) 0.342[11]，上周多空收益 0.91%[11]，11月多空收益 2.55%[11]，2025YTD多空收益 57.70%[11]，2025年周胜率 41/46[11]，上周多头超额收益 0.98%[11]，11月多头超额收益 2.27%[11]，2025YTD多头超额收益 24.14%[11]，2025年多头周胜率 36/46[11] 量化模型与构建方式 1. **模型名称：中证500 AI增强宽约束组合** 模型构建思路：基于深度学习因子（多颗粒度模型-10日标签）构建中证500指数增强组合，采用较宽的约束条件控制风险[69] 模型具体构建过程：组合优化目标为最大化预期收益，目标函数为 $$max\sum\mu_{i}w_{i}$$，其中 $$w_i$$ 为股票i的权重，$$\mu_i$$ 为股票i的预期超额收益[70] 风险控制约束包括：个股权重偏离1%，行业偏离1%，市值因子暴露0.3，市净率（PB）因子暴露0.3，市值三次方因子暴露0.3，换手率约束0.3[70] 测试中假定以次日均价成交，并扣除双边3‰的交易成本[71] 2. **模型名称：中证500 AI增强严约束组合** 模型构建思路：基于深度学习因子（多颗粒度模型-10日标签）构建中证500指数增强组合，采用更严格的约束条件控制风险[69] 模型具体构建过程：组合优化目标为最大化预期收益，目标函数为 $$max\sum\mu_{i}w_{i}$$[70] 风险控制约束包括：个股权重偏离1%，行业偏离1%，市值因子暴露0.1，市净率（PB）因子暴露0.3，市值二次方因子暴露0.1，ROE因子暴露0.3，SUE因子暴露0.3，波动率因子暴露0.3，成份股权重约束0.8，换手率约束0.3[70] 测试中假定以次日均价成交，并扣除双边3‰的交易成本[71] 3. **模型名称：中证1000 AI增强宽约束组合** 模型构建思路：基于深度学习因子（多颗粒度模型-10日标签）构建中证1000指数增强组合，采用较宽的约束条件控制风险[69] 模型具体构建过程：组合优化目标为最大化预期收益，目标函数为 $$max\sum\mu_{i}w_{i}$$[70] 风险控制约束包括：个股权重偏离1%，行业偏离1%，市值因子暴露0.3，市净率（PB）因子暴露0.3，市值三次方因子暴露0.3，换手率约束0.3[70] 测试中假定以次日均价成交，并扣除双边3‰的交易成本[71] 4. **模型名称：中证1000 AI增强严约束组合** 模型构建思路：基于深度学习因子（多颗粒度模型-10日标签）构建中证1000指数增强组合，采用更严格的约束条件控制风险[69] 模型具体构建过程：组合优化目标为最大化预期收益，目标函数为 $$max\sum\mu_{i}w_{i}$$[70] 风险控制约束包括：个股权重偏离1%，行业偏离1%，市值因子暴露0.1，市净率（PB）因子暴露0.3，市值二次方因子暴露0.1，ROE因子暴露0.3，SUE因子暴露0.3，波动率因子暴露0.3，成份股权重约束0.8，换手率约束0.3[70] 测试中假定以次日均价成交，并扣除双边3‰的交易成本[71] 模型的回测效果 1. **中证500 AI增强宽约束组合**，上周超额收益 2.02%[12]，11月超额收益 3.38%[12]，2025YTD超额收益 7.31%[12]，2025年周胜率 27/46[12] 2. **中证500 AI增强严约束组合**，上周超额收益 0.73%[12]，11月超额收益 2.35%[12]，2025YTD超额收益 10.58%[12]，2025年周胜率 30/46[12] 3. **中证1000 AI增强宽约束组合**，上周超额收益 2.41%[12]，11月超额收益 4.46%[12]，2025YTD超额收益 18.45%[12]，2025年周胜率 31/46[12] 4. **中证1000 AI增强严约束组合**，上周超额收益 1.00%[12]，11月超额收益 1.83%[12]，2025YTD超额收益 20.66%[12]，

根据提供的研报内容，以下是关于量化模型和因子的总结。报告主要涉及风格因子和风险溢价模型，未涉及复杂的多因子模型。 量化因子与构建方式 1. **因子名称：动量因子**[62] * **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，旨在捕捉股票的持续上涨趋势[62]。 * **因子具体构建过程**：该因子由“长江动量指数”表征。具体构建过程为，首先计算每只股票的动量指标（最近一年收益率 - 最近一个月收益率），然后在整个A股市场中，选取动量特征强且流动性相对较高的前100只股票作为指数成分股，以反映最具动量特征的股票整体走势[62]。 2. **因子名称：反转因子**[62] * **因子构建思路**：以最近一个月股票收益率作为筛选指标，旨在捕捉股票的短期反转效应[62]。 * **因子具体构建过程**：该因子由“长江反转指数”表征。具体构建过程为，在整个A股市场中，选取反转效应强、流动性较好的前100只股票作为指数成分股，并采用成分股近三个月日均成交量进行加权，以准确表征高反转特征个股的整体表现[62]。 3. **因子名称：风格拥挤度因子**[120] * **因子构建思路**：通过计算不同风格指数换手率的相对Z-score值及其历史分位数，来衡量某一风格交易的拥挤程度，以提示配置风险[120]。 * **因子具体构建过程**：对于特定的风格对比（如成长vs红利），分别计算风格A和风格B指数的近252日平均换手率，并在2005年1月1日以来的历史时间序列上进行Z-score标准化，得到Z-score_A与Z-score_B。然后计算二者差值（Z-score_A - Z-score_B）的滚动6年历史分位数。若历史数据量满1年但不足6年，则以全部历史数据进行计算[120]。公式如下： * 计算Z-score: $$Z = \frac{X - \mu}{\sigma}$$ * 相对拥挤度 = $$历史分位数(Z_{score\_A} - Z_{score\_B})$$ 4. **模型名称：风险溢价模型**[51] * **模型构建思路**：通过比较股票市场盈利收益率与无风险利率（通常为国债收益率）的差异，即风险溢价，来衡量配置股票的相对性价比[51]。 * **模型具体构建过程**：对于特定指数，其风险溢价的计算公式为： $$ERP = \frac{1}{PE_{TTM}} - R_{f}$$ 其中，$$PE_{TTM}$$ 为指数的滚动市盈率，$$R_{f}$$ 为10年期中债国债到期收益率[51]。 模型的回测效果 *本报告未提供量化模型的回测绩效指标，如年化收益率、夏普比率、最大回撤等。* 因子的回测效果 1. **动量因子** * 近一周相对收益：-2.3%[59] * 近一月相对收益：-0.1%[59] * 年初至今相对收益：17.8%[59] 2. **反转因子** * 近一周相对收益：与动量因子相对计算，结果为2.3%[59] * 近一月相对收益：与动量因子相对计算，结果为0.1%[59] * 年初至今相对收益：与动量因子相对计算，结果为-17.8%[59] 3. **成长因子** * 近一周相对收益（较红利）：-1.6%[59] * 近一月相对收益（较红利）：1.0%[59] * 年初至今相对收益（较红利）：24.5%[59] 4. **红利因子** * 近一周相对收益（较成长）：与成长因子相对计算，结果为1.6%[59] * 近一月相对收益（较成长）：与成长因子相对计算，结果为-1.0%[59] * 年初至今相对收益（较成长）：与成长因子相对计算，结果为-24.5%[59] 5. **小盘因子** * 近一周相对收益（较大盘）：0.3%[59] * 近一月相对收益（较大盘）：1.2%[59] * 年初至今相对收益（较大盘）：8.4%[59] 6. **大盘因子** * 近一周相对收益（较小盘）：与小盘因子相对计算，结果为-0.3%[59] * 近一月相对收益（较小盘）：与小盘因子相对计算，结果为-1.2%[59] * 年初至今相对收益（较小盘）：与小盘因子相对计算，结果为-8.4%[59] 7. **微盘股因子** * 近一周相对收益（较基金重仓）：5.3%[59] * 近一月相对收益（较基金重仓）：13.4%[59] * 年初至今相对收益（较基金重仓）：54.6%[59] 8. **风格拥挤度因子** * 成长vs红利相对拥挤度历史分位：68%[70] * 小盘vs大盘相对拥挤度历史分位：37%[70] * 微盘股vs中证800相对拥挤度历史分位：86%[70]

根据提供的研报内容，以下是其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：价格分段体系**[15] * **模型构建思路**：该模型用于对市场价格走势进行分段识别，以判断不同时间周期（如日线、周线）下的趋势状态[15] * **模型具体构建过程**：模型通过计算价格序列的指标来划分走势段，报告中提及了dea指标，该指标常用于趋势分析，是价格分段的重要依据[15][18] 2. **模型名称：微观市场结构择时模型**[16] * **模型构建思路**：通过监测市场中知情交易者的活跃度来对市场走势进行择时判断[16] * **模型具体构建过程**：模型构建了一个“知情交易者活跃度”指标，该指标的变化反映了知情交易者对后市的态度，当指标为负值时表明市场情绪偏谨慎，边际变化则指示情绪的转向[16][19] 3. **因子名称：分析师行业景气预期因子**[20] * **因子构建思路**：利用分析师对上市公司未来财务表现的一致预测数据来构建行业景气度因子，以捕捉基于分析师预期的行业轮动机会[20] * **因子具体构建过程**：因子计算涉及两个核心指标：1）申万一级行业对应的分析师一致预测滚动未来12个月ROE（ROEFTTM）的环比变化；2）行业一致预期净利润滚动未来12个月（FTTM）增速的环比变化[20][21] 通过跟踪这些预期数据的变化来评估行业景气度的边际改善或恶化 4. **因子名称：BARRA风格因子**[23] * **因子构建思路**：采用经典的BARRA风险模型框架，从多个维度刻画股票的风格特征，并分析这些风格因子在近期的收益表现[23] * **因子具体构建过程**：报告列出了多个BARRA风格因子，包括但不限于：价值类（EP价值、BP价值）、成长类、动量类、质量类（盈利质量、盈利能力、投资质量）、规模类（市值、非线性市值）、交易行为类（换手、波动率、流动性、长期反转、财务杠杆、盈利波动）以及股息率因子[23][24] 这些因子共同构成了对市场风格的多维度刻画 模型的回测效果 （报告中未提供具体量化模型的回测效果指标取值） 因子的回测效果 1. **BARRA风格因子**[23][24] * **本周收益**：换手因子 -0.5%，财务杠杆因子 0.1%，盈利波动因子 0.0%，盈利质量因子 0.3%，盈利能力因子 0.3%，投资质量因子 0.4%，长期反转因子 -0.5%，EP价值因子 -0.3%，BP价值因子 0.2%，成长因子 0.1%，动量因子 1.2%，非线性市值因子 -0.6%，市值因子 -0.3%，波动率因子 -0.5%，流动性因子 1.3%，股息率因子 -0.1%[24] * **上周收益**：换手因子 -0.6%，财务杠杆因子 -0.1%，盈利波动因子 0.2%，盈利质量因子 -0.1%，盈利能力因子 -0.5%，投资质量因子 0.2%，长期反转因子 0.0%，EP价值因子 0.0%，BP价值因子 -0.1%，成长因子 0.0%，动量因子 -0.4%，非线性市值因子 -0.6%，市值因子 -0.5%，波动率因子 0.7%，流动性因子 -1.0%，股息率因子 0.3%[24] * **近一季趋势**：报告中以图表形式展示趋势，未提供具体数值[24]

根据提供的量化市场追踪周报（2025W46），报告主要内容为市场表现回顾、公募基金仓位及资金流分析，并未涉及具体的量化模型或量化因子的构建、测试与评价。报告的核心是对市场状况、基金仓位、行业配置及资金流向的描述性统计和解读[1][2][3][4][5][6][7][8][10][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44][45][46][47][48][49][50][51][52][53][54][55][56][57][58][59][60][61][62][63][64][65][66][67][68][69][70][71][72][73][74]。 因此，本次总结将不包含“量化模型与构建方式”、“模型的回测效果”、“量化因子与构建方式”及“因子的回测效果”等部分。

根据提供的研报内容，报告主要侧重于市场技术分析，并未详细阐述具体的量化模型或量化因子的构建过程、公式及回测效果。报告内容多为基于波浪理论、均线系统、量能分析等技术分析方法的定性判断。因此，以下总结将主要基于报告中提及的分析方法进行归纳。 **量化模型与构建方式** 1. **模型/分析方法名称**：波浪理论分析[7][12] * **构建思路**：通过识别股价走势的特定波浪形态（如A浪、B浪、C浪）来预判未来市场的反弹或调整阶段[7][12] * **具体构建过程**：报告中将科创板前期的下跌走势识别为ABC浪形，并将其合并视作大A浪调整，进而预判可能开启大B浪反弹；对于中证TMT板块，报告指出其经历了“两轮较为清晰的调整”，并关注“C浪超跌之后出现了企稳迹象”作为反弹信号[7][12][14] 2. **模型/分析方法名称**：均线系统分析[7][14] * **构建思路**：通过观察不同周期移动平均线的排列关系（如多头排列）来判断市场趋势的强弱[7][14] * **具体构建过程**：报告指出上证综指均线系统“仍呈多头排列”，同时将“开始放量上涨上穿多根均线”作为部分行业或主题（如小盘成长、茅指数）的看涨交易机会信号[7][14] 3. **模型/分析方法名称**：量能分析[7][12][14] * **构建思路**：通过分析成交金额（量能）的变化（如缩量、放量）来辅助判断市场情绪和趋势的可持续性[7][12][14] * **具体构建过程**：报告中关注中证TMT板块成交金额占比较高点“萎缩约65%”以及“明显缩量”的现象，并将其与波浪结构结合，判断技术上的修复条件；同时将“放量上涨”作为积极的交易信号[7][12][14] 4. **模型/分析方法名称**：缠论结构分析[7][14] * **构建思路**：运用缠论中的概念（如买点）来识别潜在的趋势转折位置[7][14] * **具体构建过程**：报告从上证综指的“缠论结构”角度观察，认为当前位置积累了一定调整压力；同时将“缠论中比较强势的第三类买点”作为基金重仓股指数的交易机会信号[7][14] 5. **模型/分析方法名称**：行业轮动信号模型[14] * **构建思路**：综合多种技术指标（如趋势因子、温度计、超跌迹象、均线突破、量价关系等）生成针对特定行业或主题的交易机会信号[14] * **具体构建过程**：报告以表格形式展示了特定日期对各类行业或风格指数发出的“交易机会”信号，并附有简要的“信号说明”，这些说明融合了趋势、动量、超跌、量能等多种技术分析方法[14] **模型的回测效果** （报告中未提供相关量化模型的具体回测指标数值） **量化因子与构建方式** （报告中未明确提及独立于上述分析方法的特定量化因子及其构建细节） **因子的回测效果** （报告中未提供相关量化因子的具体回测指标数值）

根据提供的量化分析报告，以下是关于其中涉及的量化模型和因子的总结。 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**：该模型是一个综合择时框架，认为权益市场表现受多维度指标共同影响。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，并将其概括为“估值性价比”、“宏观基本面”、“资金&趋势”、“拥挤度&反转”四大类，最终生成一个介于[-1,1]之间的综合择时分数，用以判断市场整体观点[1][6]。 * **模型具体构建过程**：模型构建过程分为几个步骤。首先，从六个维度选取共计21个底层指标。其次，对每个底层指标根据其构建规则计算出一个初始的择时信号分数（通常为1，0，-1或经过标准化处理的值）。然后，将六个维度的分数进行综合（具体综合方法未在提供内容中详细说明，但结果是得到四大类分数和最终的综合分数）。最终，模型输出综合择时分数以及各维度的分数，分数区间为[-1,1]，分数为正代表看多或中性偏多，为负代表看空或中性偏空，接近零代表中性[1][6][7][8]。 量化因子与构建方式 1. **因子名称：货币方向因子**[10] * **因子构建思路**：该因子旨在判断当前货币政策的方向，通过比较政策利率与市场利率相对于历史水平的变化来确定货币环境的宽松或收紧[10]。 * **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；若<0，则判断货币政策收紧。在模型中，宽松对应看多信号（分数为1），收紧对应看空信号（分数为-1）[10]。 2. **因子名称：货币强度因子**[12] * **因子构建思路**：该因子基于“利率走廊”概念，通过衡量短端市场利率相对于政策利率的偏离幅度来表征货币政策的强度[12]。 * **因子具体构建过程**：计算偏离度 = DR007 / 7天逆回购利率 - 1。对该偏离度进行平滑处理并计算Z-Score，得到货币强度因子。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，指标分数为1；若 > 1.5倍标准差，则预期未来120个交易日指标分数为-1[12]。 3. **因子名称：信用方向因子**[15] * **因子构建思路**：该因子用于表征商业银行对实体经济信贷传导的松紧程度，使用中长期贷款指标的变化趋势来判断[15]。 * **因子具体构建过程**：计算中长期贷款当月值，然后计算过去十二个月的增量，再计算该增量的同比。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[15]。 4. **因子名称：信用强度因子**[18] * **因子构建思路**：该因子旨在捕捉信贷指标是否大幅超预期或不及预期，反映信用的强度[18]。 * **因子具体构建过程**：构建信用强度因子 = (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；反之若 < -1.5倍标准差，则未来60个交易日分数为-1[18]。 5. **因子名称：增长方向因子**[20] * **因子构建思路**：该因子基于PMI数据构建，用于判断经济增长的方向[20]。 * **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，计算增长方向因子 = 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[20]。 6. **因子名称：增长强度因子**[23] * **因子构建思路**：该因子用于捕捉经济增长指标是否大幅超预期或不及预期[23]。 * **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；反之若 < -1.5倍标准差，则未来60个交易日分数为-1[23]。 7. **因子名称：通胀方向因子**[25] * **因子构建思路**：该因子通过当前通胀水平的变化来判断对未来货币政策空间的预期，进而影响权益资产[25]。 * **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[25]。 8. **因子名称：通胀强度因子**[27] * **因子构建思路**：该因子用于捕捉通胀指标是否大幅超预期或不及预期[27]。 * **因子具体构建过程**：分别计算CPI与PPI的预期差 = (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，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；反之若 > 1.5倍标准差，则未来60个交易日分数为-1[27]。 9. **因子名称：席勒ERP**[28] * **因子构建思路**：该因子通过计算经周期调整的估值水平与无风险收益率的差值，来衡量权益资产的性价比[28]。 * **因子具体构建过程**：计算过去6年通胀调整后的平均盈利，得到席勒PE。然后计算席勒ERP = 1 / 席勒PE - 10年期国债到期收益率。最后，计算该ERP过去6年的Z-Score作为分数[28]。 10. **因子名称：PB**[31] * **因子构建思路**：该因子是传统的估值指标，通过市净率的相对历史位置来判断市场估值水平[31]。 * **因子具体构建过程**：对PB乘以-1，然后计算过去6年的Z-Score，再用1.5倍标准差进行截尾处理，最后标准化到±1之间得到分数[31]。 11. **因子名称：AIAE**[33] * **因子构建思路**：该因子全称为 Aggregate Investor Allocation to Equities（全市场权益配置比例），用于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配置均衡逻辑[33]。 * **因子具体构建过程**：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)。将AIAE乘以-1后，计算过去6年的Z-Score得到分数[33]。 12. **因子名称：两融增量**[36] * **因子构建思路**：该因子通过杠杆资金（融资融券）的增量变化来捕捉市场情绪[36]。 * **因子具体构建过程**：计算融资余额 - 融券余额，然后计算其过去120日的均增量与过去240日的均增量。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[36]。 13. **因子名称：成交额趋势**[39] * **因子构建思路**：该因子通过成交额的活跃度趋势来捕捉市场资金热度[39]。 * **因子具体构建过程**：对成交额取对数，然后计算其均线距离 = 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[39]。 14. **因子名称：中国主权CDS利差**[43] * **因子构建思路**：该因子通过海外投资者对中国主权信用风险的定价变化来推断外资流入意愿[43]。 * **因子具体构建过程**：对中国主权CDS利差进行平滑处理，然后计算其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，此时看多，分数为1；反之看空，分数为-1[43]。 15. **因子名称：海外风险厌恶指数**[45] * **因子构建思路**：该因子使用花旗风险厌恶指数（Citi RAI Index）来捕捉海外市场的整体风险偏好，从而影响外资流向[45]。 * **因子具体构建过程**：对海外风险厌恶指数进行平滑处理，然后计算其20日差分。若20日差分 < 0，表明外资风险偏好上升，此时看多，分数为1；反之看空，分数为-1[45]。 16. **因子名称：价格趋势**[47] * **因子构建思路**：该因子结合价格趋势的方向和强度，通过均线系统来捕捉市场中长期动量[47]。 * **因子具体构建过程**：计算价格均线距离 = MA120 / MA240 - 1。趋势方向分数：若均线距离 > 0，则为1，反之为-1。趋势强度分数：若均线距离的max(20) = max(60)，则为1；若min(20) = min(60)，则为-1。趋势综合分数 = (趋势方向分数 + 趋势强度分数) / 2[47]。 17. **因子名称：新高新低数**[49] * **因子构建思路**：该因子作为市场反转信号，通过成分股创年内新高与新低的数量差来判断市场可能的顶部或底部[49]。 * **因子具体构建过程**：计算中证800成分股中，过去一年新低数 - 新高数，然后取20日移动平均（MA20）。若该MA20值 > 0，说明近期新低较多，市场有见底预期，此时看多，分数为1；反之发出看空信号，分数为-1[49][50]。 18. **因子名称：期权隐含升贴水**[53] * **因子构建思路**：该因子基于期权市场隐含的标的未来收益率预期，作为反转指标来衡量市场拥挤度[53]。 * **因子具体构建过程**：基于看涨看跌平价关系推导出期权的隐含升贴水。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[53]。 19. **因子名称：期权VIX指数**[54] * **因子构建思路**：该因子使用期权隐含波动率来反映市场对未来波动率的预期和情绪，作为反转指标[54]。 * **因子具体构建过程**：若50ETF近5日收益率 < 0，且VIX指数分位数 > 70%，则看多持续20日。若50ETF近5日收益率 > 0，且VIX指数分位数 > 70%，则看空持续20日[54][55]。 20. **因子名称：期权SKEW指数**[59] * **因子构建思路**：该因子使用期权隐含偏度来反映市场对未来价格分布偏度的预期和情绪，作为反转指标[59]。 * **因子具体构建过程**：若50ETF近5日收益率 < 0，且SKEW指数分位数 > 70%，则看多持续20日，分数为1。若50ETF近5日收益率 > 0，且SKEW指数分位数 < 30%，则看空持续20日，分数为-1[59][60]。 21. **因子名称：可转债定价偏离度**[63] * **因子构建思路**：该因子通过可转债的市场价格与其模型理论价格的偏离度来捕捉市场情绪和拥挤度，作为反转指标[63]。 * **因子具体构建过程**：计算可转债定价偏离度 = 转债价格 / 模型定价 - 1。然后计算因子分数 = 定价偏离度 × (-1)，再计算过去3年的Z-Score得到最终分数。定价偏离度越高，拥挤度越高，分数越低[63]。 模型的回测效果 （报告中未提供择时雷达六面图模型的具体回测指标数值，如年化收益率、夏普比率、最大回撤等。） 因子的回测效果 （报告中未提供各个因子独立测试的具体IC值、IR、多空收益等量化指标数值。报告主要展示了各因子在特定时间点（本周）的信号分数和观点。）