量化模型与因子总结 量化因子与构建方式 1. **因子名称：风险溢价因子**[26] * **因子构建思路**：以十年期国债即期收益率为无风险利率的参考，计算各宽基指数相对于无风险利率的风险溢价，用以衡量其相对投资价值和偏离情况[26]。 * **因子具体构建过程**：风险溢价的计算公式为指数的预期收益率（通常用市盈率倒数或股息率等指标近似）减去无风险利率。报告中直接给出了各指数的“当前风险溢价”值，其计算逻辑为：风险溢价 = 指数收益率（或估值隐含收益率） - 十年期国债即期收益率[26][28]。具体计算中，指数收益率可能采用了基于市盈率（PE-TTM）的隐含收益率（即1/PE）或股息率。 2. **因子名称：股债性价比因子**[45] * **因子构建思路**：以各指数市盈率（PE-TTM）的倒数和十年期国债即期收益率之差作为股债性价比指标，用于比较股票资产与债券资产的相对吸引力[45]。 * **因子具体构建过程**：股债性价比 = (1 / 指数PE-TTM) - 十年期国债即期收益率[45]。该值越高，表明股票相对于债券的吸引力越强。 3. **因子名称：股息率因子**[47] * **因子构建思路**：股息率反映现金分红回报率，是红利投资风格的核心指标。在市场低迷或利率下行期，高股息资产因其稳定的现金流和较低的估值可能更具防御性或吸引力[47]。 * **因子具体构建过程**：股息率 = 年度现金分红总额 / 总市值。报告中直接列出了各宽基指数的当前股息率值[51]。 4. **因子名称：破净率因子**[52] * **因子构建思路**：破净率指的是市净率（PB）小于1的个股数量占比，用于反映市场整体的估值态度和悲观程度。破净率越高，表明市场低估的情况越普遍；反之，可能表明市场对未来发展持乐观态度[52][54]。 * **因子具体构建过程**：破净率 = (指数成分股中市净率(PB) < 1的股票数量) / 指数总成分股数量[52]。报告直接给出了各指数的当前破净率[55]。 5. **因子名称：收益分布形态因子（偏度与峰度）**[22][24] * **因子构建思路**：通过计算指数日收益率分布的偏度和峰度，来刻画收益分布的不对称性和尖峰厚尾特征，用于评估极端收益出现的可能性和分布集中程度[22]。 * **因子具体构建过程**： * **偏度 (Skewness)**：衡量收益率分布的不对称性。正偏态表示极端正收益情形增加，负偏态表示极端负收益情形增加[22]。计算公式为三阶标准化矩。 * **峰度 (Kurtosis)**：衡量收益率分布的尖峭程度。报告中指出“峰度越大，说明各区间段的收益率分布更集中”[22]。其计算中减去了3（正态分布的峰度值），因此报告中的“峰度”实为超额峰度[24]。 6. **因子名称：均线比较因子**[14] * **因子构建思路**：通过比较指数收盘价与不同周期移动平均线（MA）的位置关系，来判断指数的短期、中期趋势强弱[14]。 * **因子具体构建过程**：计算指数收盘价相对于5日、10日、20日、60日、120日、250日移动平均线的偏离百分比。公式为：偏离百分比 = (收盘价 / MA_n - 1) * 100%[14]。报告中用“vsMA5”等列直接展示了该值。 7. **因子名称：换手率因子**[16] * **因子构建思路**：换手率反映了指数的交易活跃度和流动性情况[16]。 * **因子具体构建过程**：指数换手率计算方式为：指数换手率 = Σ(成分股流通股本 * 成分股换手率) / Σ(成分股流通股本)[16]。 因子的回测效果（指标取值） **注**：本报告主要为市场数据跟踪与统计，未提供基于因子构建投资组合并进行历史回测的绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。报告中所列数值均为特定时点（2025年12月12日）的因子截面值或历史统计值，并非回测绩效指标。 1. **风险溢价因子** * 当前值：上证50 (0.58%)， 沪深300 (0.62%)， 中证500 (1.22%)， 中证1000 (0.80%)， 中证2000 (0.66%)， 中证全指 (0.74%)， 创业板指 (0.96%)[30] * 近5年分位值：上证50 (76.83%)， 沪深300 (75.56%)， 中证500 (86.75%)， 中证1000 (74.13%)， 中证2000 (65.16%)， 中证全指 (76.83%)， 创业板指 (75.63%)[30] 2. **PE-TTM（估值因子）** * 当前值：上证50 (11.73)， 沪深300 (13.92)， 中证500 (32.74)， 中证1000 (47.15)， 中证2000 (154.93)， 中证全指 (20.98)， 创业板指 (41.36)[42] * 近5年分位值：上证50 (82.48%)， 沪深300 (81.24%)， 中证500 (95.45%)， 中证1000 (96.61%)， 中证2000 (82.23%)， 中证全指 (91.32%)， 创业板指 (57.77%)[42] 3. **股息率因子** * 当前值：上证50 (3.34%)， 沪深300 (2.79%)， 中证500 (1.38%)， 中证1000 (1.13%)， 中证2000 (0.76%)， 中证全指 (2.06%)， 创业板指 (1.00%)[51] * 近5年分位值：上证50 (37.52%)， 沪深300 (39.34%)， 中证500 (15.70%)， 中证1000 (47.19%)， 中证2000 (12.56%)， 中证全指 (37.52%)， 创业板指 (66.61%)[51] 4. **破净率因子** * 当前值：上证50 (24.0%)， 沪深300 (16.67%)， 中证500 (11.8%)， 中证1000 (8.7%)， 中证2000 (3.5%)， 创业板指 (1.0%)， 中证全指 (6.55%)[55] 5. **收益分布形态因子** * 当前峰度（超额）：上证50 (-0.05)， 沪深300 (0.63)， 中证500 (0.81)， 中证1000 (1.52)， 中证2000 (1.38)， 中证全指 (0.98)， 创业板指 (1.34)[24] * 当前偏度：上证50 (1.31)， 沪深300 (1.54)， 中证500 (1.55)， 中证1000 (1.68)， 中证2000 (1.68)， 中证全指 (1.61)， 创业板指 (1.65)[24] 6. **均线比较因子** * vsMA5（收盘价较5日均线偏离）：上证50 (-0.03%)， 沪深300 (-0.2%)， 中证500 (0.4%)， 中证1000 (-0.1%)， 中证2000 (-0.5%)， 中证全指 (-0.1%)， 创业板指 (0.03%)[14] * vsMA60（收盘价较60日均线偏离）：上证50 (0.1%)， 沪深300 (-0.2%)， 中证500 (-0.4%)， 中证1000 (-0.7%)， 中证2000 (0.2%)， 中证全指 (-0.3%)， 创业板指 (2.5%)[14] 7. **换手率因子** * 当前换手率：中证2000 (4.1)， 创业板指 (2.66)， 中证1000 (2.5)， 中证全指 (1.77)， 中证500 (1.74)， 沪深300 (0.65)， 上证50 (0.34)[16]

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买卖时机，当量能指标发出看多信号时，认为市场可能上涨[23]。 * **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，仅提及其为一种择时信号[23]。 2. **模型名称：沪深300上涨家数占比择时模型**[24][27] * **模型构建思路**：通过计算沪深300指数成分股中过去一段时间内上涨股票的家数占比，来衡量市场情绪。当上涨家数占比高时，市场情绪可能过热；当上涨家数占比从低位回升时，可能预示市场底部[24]。 * **模型具体构建过程**： 1. 计算沪深300指数成分股过去N日收益大于0的个股数占比，得到原始指标[24]。 2. 对原始指标进行两次不同窗口期的移动平均平滑，得到快线（短期平滑线）和慢线（长期平滑线）[27]。 3. 生成交易信号：当快线大于慢线时，认为市场情绪上行，发出看多信号；当快线小于慢线时，认为市场情绪下行，持谨慎或中性态度[27]。 * **模型评价**：该指标可以较快捕捉上涨机会，但也会错失市场持续亢奋阶段的上涨收益，且对下跌市场的判断存在缺陷，难以有效规避下跌风险[25]。 3. **模型名称：均线情绪指标择时模型**[30][31] * **模型构建思路**：通过判断沪深300指数收盘价相对于一组长期均线的位置关系，来评估市场的趋势状态和情绪[30]。 * **模型具体构建过程**： 1. 计算沪深300收盘价的八条均线，参数分别为8, 13, 21, 34, 55, 89, 144, 233[30]。 2. 统计当日沪深300指数收盘价大于这八条均线指标值的数量[31]。 3. 生成交易信号：当收盘价大于均线的数量超过5条时，看多沪深300指数[31]。 4. **因子名称：横截面波动率**[34] * **因子构建思路**：衡量同一时间点（截面）上，某一指数（如沪深300）内所有成分股收益率之间的离散程度。波动率越高，表明个股表现分化越大，可能意味着Alpha（超额收益）机会更多[34]。 * **因子具体构建过程**：报告未给出具体的计算公式，但指出其用于观察市场赚钱效应和Alpha环境[34]。 5. **因子名称：时间序列波动率**[37] * **因子构建思路**：衡量指数成分股收益率随时间变化的波动程度。波动率上升可能意味着市场活跃度增加，Alpha环境改善[37]。 * **因子具体构建过程**：报告未给出具体的计算公式，但指出其用于观察市场赚钱效应和Alpha环境[37]。 6. **因子名称：基金抱团分离度**[81] * **因子构建思路**：通过计算抱团基金组合截面收益的标准差，来度量基金抱团的程度。标准差小表示抱团基金表现趋同，抱团程度高；标准差大表示抱团正在瓦解[81]。 * **因子具体构建过程**： 1. 构造抱团基金组合（具体构造方法未详述）[81]。 2. 计算该抱团基金组合在截面上的收益率标准差，作为分离度指标[81]。 模型的回测效果 （报告中未提供各择时模型的具体回测绩效指标数值，如年化收益率、夏普比率、最大回撤等。） 因子的回测效果 1. **横截面波动率因子** * **沪深300横截面波动率**：近两年平均值1.93%，近一年平均值1.89%，近半年平均值1.99%，近一季度平均值2.05%[37]。近一季度平均值处于近两年、近一年、近半年分位数的71.22%、73.50%、69.15%[37]。 * **中证500横截面波动率**：近两年平均值2.11%，近一年平均值2.11%，近半年平均值2.16%，近一季度平均值2.27%[37]。近一季度平均值处于近两年、近一年、近半年分位数的57.94%、65.87%、61.90%[37]。 * **中证1000横截面波动率**：近两年平均值2.31%，近一年平均值2.39%，近半年平均值2.40%，近一季度平均值2.47%[37]。近一季度平均值处于近两年、近一年、近半年分位数的73.31%、71.71%、65.74%[37]。 2. **时间序列波动率因子** * **沪深300时序波动率**：近两年平均值0.65%，近一年平均值0.61%，近半年平均值0.62%，近一季度平均值0.64%[40]。近一季度平均值处于近两年、近一年、近半年分位数的60.25%、65.84%、59.21%[40]。 * **中证500时序波动率**：近两年平均值0.47%，近一年平均值0.45%，近半年平均值0.45%，近一季度平均值0.48%[40]。近一季度平均值处于近两年、近一年、近半年分位数的65.08%、66.67%、64.29%[40]。 * **中证1000时序波动率**：近两年平均值0.26%，近一年平均值0.25%，近半年平均值0.24%，近一季度平均值0.26%[40]。近一季度平均值处于近两年、近一年、近半年分位数的69.72%、71.71%、63.75%[40]。

量化模型与因子总结 量化因子与构建方式 一、基本面因子 1. 一致预期变化率因子 * **因子名称**：预测净利润(Y1)_chg_3m、预测净利润(Y2)_chg_3m[6] * **构建思路**：分析师给出的业绩预测往往过于乐观，因此采用一致预期（如净利润）的变化率来反映分析师观点的动态调整，比绝对预测值更具预测能力[7]。 * **具体构建过程**：计算未来第1年(FY1)或第2年(FY2)的预测净利润在过去3个月（或6个月）内的变化率。公式为： $$因子值 = \frac{当前一致预期值 - N个月前一致预期值}{|N个月前一致预期值|}$$ 其中，N为时间窗口，例如3个月或6个月[6]。 * **因子评价**：净利润的一致预期变化率是预测能力较强的因子，其中FY2（未来第二年）的一致预期3个月变化率表现相对更好，多头组合的超额收益更明显[7][11]。 2. 成长基本面因子 * **因子名称**：单季度:净利润环比增速、单季度:毛利率同比增速[17] * **构建思路**：从企业成长性角度，选取能反映短期业绩边际改善的指标。 * **具体构建过程**： * **单季度:净利润环比增速**：计算最新单季度净利润相对于上一季度的增长率。 * **单季度:毛利率同比增速**：计算最新单季度毛利率相对于上年同期的增长率[17]。 * **因子评价**：成长基本面因子在多头组合的表现上领先更多，尤其在特定市场阶段表现突出[28]。 3. 质量基本面因子 * **因子名称**：现金流净利润比[20] * **构建思路**：从经营质量角度，衡量企业盈利的现金含量，现金流净利润比越高，说明利润质量越好。 * **具体构建过程**：计算经营现金流净额与净利润的比值。 $$现金流净利润比 = \frac{经营现金流净额}{净利润}$$ 通常使用TTM（滚动12个月）数据[20]。 * **因子评价**：该因子在质量维度中表现相对更好，对空头行业的筛选效果较强[22][28]。 4. 综合基本面因子 * **因子名称**：基本面因子（未明确命名）[22] * **构建思路**：综合反映行业在成长和质量维度的基本面表现。 * **具体构建过程**：将成长维度的**单季度净利润同比增速**、**单季度毛利率同比增速**与质量维度的**现金流净利润比**三个因子进行等权合成[22]。 二、资金面因子 1. 机构资金净流入 * **因子名称**：机构资金流入[37] * **构建思路**：机构投资者具有信息和分析优势，其交易行为更为理性，资金流入的行业未来表现可能更好[31][34]。 * **具体构建过程**：使用高频成交数据，将挂单金额大于100万元的主动成交行为定义为机构资金。计算过去20个交易日各行业的机构资金主动买入与主动卖出的净差额，作为该行业的机构资金净流入额[35][38]。 2. 散户资金净流入 * **因子名称**：散户资金流入[37] * **构建思路**：个人投资者易受“羊群效应”影响，其资金往往在市场泡沫期流入、底部流出，交易方向可作为负向参考指标[31][34]。 * **具体构建过程**：将挂单金额小于4万元的主动成交行为定义为散户资金。计算过去20个交易日各行业的散户资金主动买入与主动卖出的净差额，作为该行业的散户资金净流入额[35][38]。 * **因子评价**：散户资金净流入表现为明显的负向关系，其空头筛选能力相对更强[38][42]。 三、技术面（量价）因子 1. 传统动量因子 * **因子名称**：动量_504d、动量_252d[47] * **构建思路**：利用行业价格的历史趋势（动量）来预测未来走势，是行业轮动中的经典指标[46]。 * **具体构建过程**：计算行业指数在过去N个交易日（如504天或252天）的累计收益率。 $$动量_N = \frac{当前价格}{N日前价格} - 1$$ [47] 2. 动量加速度因子 * **因子名称**：动量加速度[56] * **构建思路**：在传统一阶动量的基础上，通过计算趋势的边际变化率（近似二阶导）来刻画价格趋势的强弱变化，反映投资者短期交易情绪[52]。 * **具体构建过程**：对行业的超额收益曲线进行二次函数拟合，根据所得二次项系数（切线系数）来判断价格上涨或下跌的加速度[52][53]。 * **因子评价**：动量加速度通过二阶导方式进一步挖掘趋势信息，长期具有较好的行业选择效果[53]。 3. 行业内趋同度因子 * **因子名称**：行业内涨跌幅趋同度[74] * **构建思路**：衡量同行业内个股涨跌幅的一致性。趋同度上升意味着行业上涨逻辑得到个股层面的广泛确认，可能强化趋势；反之则意味着内部分化，趋势持续性存疑[73]。 * **具体构建过程**：为避免行业结构差异带来的偏误，采用趋同度的变化率而非绝对值进行分析。例如，计算当前行业内个股收益率的离散度指标（如标准差）与过去一段时间均值的比较[74]。 4. 交易拥挤度因子 * **因子名称**：交易拥挤度[66] * **构建思路**：衡量行业交易的活跃和过热程度。在不同市场阶段，高拥挤度的含义不同，需结合其他因子（如动量）进行分域判断[64][67]。 四、复合与分域模型 1. 多因子合成模型 * **模型名称**：合成因子（传统多因子框架）[61] * **模型构建思路**：将基本面、资金面、技术面等多个维度的有效因子进行线性合成，得到对行业的综合打分[63]。 * **模型具体构建过程**：报告未详细说明各因子的具体权重分配方法，但展示了合成后的因子表现[61]。 2. 因子分域轮动模型 * **模型名称**：基于因子分域的行业轮动模型[80] * **模型构建思路**：因子的有效性并非一成不变，依赖于市场状态、行业属性等“域”条件。该模型以动量状态作为分域依据，在不同域内动态调整其他量价因子的使用逻辑，以适应结构性行情[68][75]。 * **模型具体构建过程**： 1. **动量分域**：每期将全部行业按历史动量排序，等分为高、中、低三组[83]。 2. **分组差异化处理**： * **高动量组与低动量组**：采用定向因子处理规则。例如，在低动量组，对“行业内趋同度”因子取负绝对值（即 `-|D|`），以惩罚趋同度偏高或偏低的行业[83]。 * **中动量组**：仍按照各因子传统的IC方向进行线性合成[83]。 3. **模型整合**：将上述处理结果作为量价因子的升级模块，替换原有行业轮动模型中的标准化量价部分，形成新的轮动框架[82]。 * **模型评价**：相比传统多因子线性合成，分域方法能够更灵活地应对市场波动，实现更精细化的因子配置，在行业轮动加速的环境下表现更优[68][89]。 模型的回测效果 1. 多因子合成模型（传统框架） * Rank_IC: 9.89%[61] * IC_IR: 40.07%[61] * IC>0比例: 67.26%[61] * 五分组年化收益(Q1至Q5): -4.97%， 0.04%， -2.64%， 4.34%， 7.21%[61] * 策略年化收益率: 7.71%[91] * 年化波动率: 20.38%[91] * 夏普比率: 0.38[91] * 最大回撤: 41.55%[91] 2. 因子分域轮动模型（改进后框架） * Rank_IC: 11.69%[85] * IC_IR: 45.96%[85] * IC>0比例: 69.16%[85] * 五分组年化收益(Q1至Q5): -8.16%， -3.64%， 0.22%， 3.70%， 8.30%[85] * 策略年化收益率: 9.41%[91] * 年化波动率: 20.90%[91] * 夏普比率: 0.45[91] * 最大回撤: 35.91%[91] 因子的回测效果 （注：以下为报告中部分代表性因子的IC表现，测试基准与窗口期一致） 1. 一致预期因子 * **预测净利润(Y2)_chg_3m**: * Rank_IC: 6.17%[6] * IC_IR: 25.22%[6] * IC>0比例: 63.03%[6] * 五分组年化收益(Q1至Q5): -4.44%， -3.83%， -2.86%， 2.56%， 2.77%[6] 2. 成长基本面因子 * **单季度:净利润环比增速**: * Rank_IC: 3.86%[17] * IC_IR: 19.07%[17] * IC>0比例: 54.96%[17] * 五分组年化收益(Q1至Q5): 0.04%， -0.29%， 0.33%， 4.21%， 4.81%[17] * **单季度:毛利率同比增速**: * Rank_IC: 3.63%[17] * IC_IR: 17.62%[17] * IC>0比例: 56.69%[17] * 五分组年化收益(Q1至Q5): -4.60%， -3.89%， -2.68%， -2.09%， 0.87%[17] 3. 质量基本面因子 * **现金流净利润比**: * Rank_IC: 4.90%[20] * IC_IR: 25.01%[20] * IC>0比例: 58.78%[20] * 五分组年化收益(Q1至Q5): -2.17%， 1.37%， 1.36%， 4.67%， 3.88%[20] 4. 资金面因子 * **机构资金流入**: * Rank_IC: 5.09%[37] * IC_IR: 18.97%[37] * IC>0比例: 59.23%[37] * **散户资金流入**: * Rank_IC: -3.79%[37] * IC_IR: -13.41%[37] * IC>0比例: 42.31%[37] 5. 技术面因子 * **动量_504d**: * Rank_IC: 4.49%[47] * IC_IR: 14.08%[47] * IC>0比例: 61.68%[47] * 五分组年化收益(Q1至Q5): -2.02%， -3.91%， 0.35%， 1.79%， 4.01%[47] * **动量加速度**: * Rank_IC: 3.80%[56] * IC_IR: 12.58%[56] * IC>0比例: 55.65%[56] * 五分组年化收益(Q1至Q5): -3.11%， -1.59%， -2.97%， 1.99%， 2.44%[56]

量化模型与构建方式 1. 恒星策略（宽基ETF配置模型） * **模型名称**：配置宽基ETF复刻偏股型基金指数模型[4][24] * **模型构建思路**：通过配置宽基ETF来复刻偏股型基金指数（930950.CSI）的收益，使持仓在风格和暴露上靠近主动权益基金[4][24] * **模型具体构建过程**： 1. **指数池构建**：每月末，仅保留宽基ETF的跟踪指数作为基础池[23] 2. **回归确定权重**：使用过去N个交易日的宽基指数日频收益率数据，对偏股型基金指数进行回归，得到各指数的配置权重[4][23][24] 3. **权重筛选**：剔除回归权重小于设定阈值（如5%）的指数[23][24][28] 4. **ETF产品优选**：对于筛选后剩余的每个指数，从跟踪该指数的所有ETF中，筛选出成本更低、流动性更强、跟踪更稳定的1-2只产品，形成最终的宽基ETF持仓池[4][24][36] 5. **持仓与换仓**：根据回归得到的权重配置对应的优选ETF，持有至下个月末，然后重复上述过程进行换仓[23] 2. 卫星策略（行业主题/策略ETF轮动模型） * **模型名称**：行业主题、策略ETF分层聚类与优选模型[4][46] * **模型构建思路**：基于价格行为对行业主题和策略指数进行聚类，并在各类别中通过多维度指标优选ETF，构建旨在获取超额收益的卫星组合[4][46] * **模型具体构建过程**： 1. **指数分层聚类**：每半年，基于行业主题和策略类指数过去半年的日收益率数据，计算年化收益、波动、夏普等特征，使用Ward方法进行层次聚类，将走势相似的指数归为一类[47][49][50] 2. **指数初筛（剔除与优选）**： * **剔除基本面景气度差的指数**：从成长、盈利、营运三个维度，使用多个财务指标（如固定资产TTM同比、净利润TTM环比差分等）计算指数基本面景气度得分。在同一聚类内部，剔除得分后20%的指数；之后在所有剩余指数中，再次剔除截面得分后20%的指数[53][55] * **优选高动量、高夏普、低拥挤度指数**：结合价格动量（如180日和240日隔夜动量等权）、中短期夏普（近半年、近一年）、以及拥挤度（成分股交易额占全市场比在过去40天的分位数）等指标进行打分，优选排名靠前的指数[56][57][58] 3. **ETF产品优选**：对初筛后每个指数保留的ETF产品，使用以下6个因子进行综合打分，优选前10名产品等权构建卫星组合[4][46][58][87] * **价格趋势强度因子**：过去20日ETF收盘价对序列[1,2,…20]进行线性回归，得到的斜率。斜率越大，表示近期上涨趋势越强[60][61] * **隔夜动量因子**：过去180日与240日的隔夜收益率（收盘价至次日开盘价的收益率）的等权组合[57][64] * **量能因子**：短期成交量均值与长期成交量均值的比值，用于刻画近期放量程度。计算公式为： $$量能 = \frac{MA(短期)}{MA(长期)}$$ 其中，$MA(短期)$为过去5日成交量均值，$MA(长期)$为过去240日成交量均值[63][64] * **价能因子**：近期价格均值与远期价格均值的比值，用于刻画价格相对强弱。计算公式为： $$价能 = \frac{MA(近期)}{MA(远期)}$$ 其中，$MA(近期)$为过去20日价格均值，$MA(远期)$为5个交易日之前的20日价格均值[63][64] * **市场关注度边际上行因子**：近期换手率相较于上一期的提升程度，例如（近5日换手率/近10日换手率）的边际变化[73] * **价涨份额升因子**：价能因子与基金份额变化的结合，优选价格上涨同时份额也增长的ETF[74][78] 4. **持仓与换仓**：每月末根据因子打分结果换仓，持有优选出的前10只ETF[87] 3. 复合轮动策略（恒星+卫星组合模型） * **模型名称**：ETF趋势轮动策略[4][89] * **模型构建思路**：将恒星策略（控制跟踪误差）和卫星策略（追求超额收益）相结合，并根据市场交易活跃度动态调整两者权重，以平衡收益与风险[4][89][98] * **模型具体构建过程**： 1. **基础组合构建**：分别构建恒星策略组合和卫星策略组合[89] 2. **权重动态调整**：根据市场交易活跃度指标，动态决定卫星策略的持仓权重$w$，恒星策略权重则为$(1-w)$[89][97][98] * **市场交易活跃度计算**：计算全市场成交量前2%的个股成交量之和占全市场总成交量的比例，将该比例转化为过去两年的历史百分位，并取过去3个月的移动平均值作为最终活跃度指标[97] * **权重映射公式**：将活跃度指标映射到卫星策略权重区间（如0.6至0.8之间）。报告给出了一个示例性公式： $$w = 0.6 + \frac{活跃度 - min_{t-24 \leq \tau \leq t}(活跃度)}{max_{t-24 \leq \tau \leq t}(活跃度) - min_{t-24 \leq \tau \leq t}(活跃度)} * 0.2$$[97] * **调整逻辑**：市场交易活跃度越高，则赋予卫星策略的权重$w$越大，以博取更高超额收益；市场活跃度越低，则赋予恒星策略的权重$(1-w)$越大，以控制跟踪误差和回撤[4][98] 3. **组合与换仓**：每月末，按照动态权重将资金分配到两个策略的最新持仓中，形成最终投资组合[89] 模型的回测效果 * **恒星策略（宽基ETF配置模型）**：测试区间为2016年1月4日至2025年11月28日，采用过去10日回归、剔除权重小于5%、同一指数保留1只ETF的参数设定[40][41] * 年化收益：7.53%[40] * 年化波动：20.61%[40] * 夏普比率：0.37[40] * 最大回撤：-38.83%[40] * 超额收益（相对偏股型基金指数）：年化3.07%[40] * 跟踪误差：6.83%[40] * 信息比率(IR)：0.45[40] * 超额最大回撤：-21.31%[40] * **卫星策略（行业主题/策略ETF轮动模型）**：测试区间为2016年1月4日至2025年11月28日[84][87] * 年化收益：12.68%[84] * 年化波动：20.19%[84] * 夏普比率：0.63[84] * 最大回撤：-35.84%[84] * 超额收益（相对偏股型基金指数）：年化8.01%[84] * 跟踪误差：11.06%[84] * 信息比率(IR)：0.72[84] * 超额最大回撤：-14.28%[84] * 超额月度胜率：59.32%[87] * 赔率：1.31倍[87] * **复合轮动策略（恒星+卫星组合模型）**： * **固定权重示例（卫星权重60%）**：测试区间为2016年1月4日至2025年11月28日[93][95] * 年化收益：10.92%[93] * 年化波动：19.59%[93] * 夏普比率：0.56[93] * 最大回撤：-35.01%[93] * 超额收益（相对偏股型基金指数）：年化6.32%[93] * 跟踪误差：8.08%[93] * 信息比率(IR)：0.78[93] * 超额最大回撤：-9.45%[93] * 超额月度胜率：56.78%[95] * 赔率：1.53倍[95] * **动态权重策略**：测试区间为2016年1月4日至2025年11月28日[4] * 年化收益：11.93%[4] * 夏普比率：0.59[4] * 超额收益（相对偏股型基金指数）：年化7.29%[4] * 信息比率(IR)：0.75[4] * 超额月度胜率：55.08%[4] * 赔率：1.62倍[4] 量化因子与构建方式 1. 基本面景气度因子簇 * **因子构建思路**：从成长、盈利、营运三个维度，选取多个财务指标来刻画指数成分股基本面的景气度及其边际变化，用于在同一聚类内剔除基本面较差的指数[53][55] * **因子具体构建过程**：针对每个指数，计算其成分股在以下财务指标上的综合得分，指标方向如下表所示[54][55] | 能力维度 | 指标 | 方向 | | :--- | :--- | :--- | | 成长能力 | 固定资产TTM同比 | 正 | | 成长能力 | 固定资产TTM环比差分 | 负 | | 成长能力 | 归母净资产TTM环比差分 | 正 | | 盈利能力 | 净利润TTM环比差分 | 正 | | 盈利能力 | 单季度净利率同比 | 正 | | 盈利能力 | 净资产收益率TTM环比 | 正 | | 营运能力 | 固定资产周转率环比差分 | 正 | | 营运能力 | 营业成本TTM环比差分 | 正 | | 营运能力 | 成本费用利用率环比 | 正 | | 营运能力 | 财务费用率同比 | 负 | | 营运能力 | 财务费用TTM同比 | 负 | | 营运能力 | 营业成本率环比 | 负 | | 营运能力 | 营业成本率同比 | 负 | 2. 量价类优选因子簇（用于ETF产品优选） * **价格趋势强度因子** * **因子构建思路**：通过线性回归斜率刻画ETF价格的短期上涨趋势强度，优先选择处于明确上涨趋势的产品[60][61] * **因子具体构建过程**：取ETF过去20个交易日的收盘价$P_t$，对时间序列$[1, 2, ..., 20]$进行线性回归，回归系数（斜率）即为因子值[60][61] * **隔夜动量因子** * **因子构建思路**：使用隔夜收益率（收盘到开盘）构建动量指标，认为其更能反映交易者的真实交易动机，受日内市场噪音影响较小[57][64] * **因子具体构建过程**：分别计算过去180个交易日和240个交易日的隔夜收益率（$R_{overnight} = \frac{Open_{t+1}}{Close_t} - 1$），将两个周期的动量值等权合成作为最终因子值[57][64] * **量能因子** * **因子构建思路**：通过对比短期与长期成交量均值，刻画近期成交是否异常放量，避免追高过度拥挤的产品[63][64][71] * **因子具体构建过程**：计算过去5日成交量均值$MA_{short}$和过去240日成交量均值$MA_{long}$，因子值为$MA_{short} / MA_{long}$[63][64] * **价能因子** * **因子构建思路**：通过对比近期与远期的价格均值，刻画价格的短期相对强弱[63][64] * **因子具体构建过程**：计算过去20日价格均值$MA_{recent}$，以及5个交易日之前的20日价格均值$MA_{forward}$，因子值为$MA_{recent} / MA_{forward}$[63][64] * **市场关注度边际上行因子** * **因子构建思路**：捕捉市场关注度（以换手率为代理变量）在短期内的提升，优选热度正在上升的ETF[73] * **因子具体构建过程**：例如，计算（近5日换手率/近10日换手率）相较于上一期的变化值[73] * **价涨份额升因子** * **因子构建思路**：结合价格变化与资金流向（基金份额变化），优选“价量齐升”的ETF，认为这是更健康的上涨信号[74][78] * **因子具体构建过程**：将“价能因子”与“基金份额变化”相结合构建复合因子[74] 3. 市场交易活跃度因子 * **因子构建思路**：用于动态调整恒星与卫星策略的权重，刻画整体市场的交易活跃程度[97][98] * **因子具体构建过程**： 1. 每日计算全市场成交量前2%的个股的成交量之和，占全市场总成交量的比例。 2. 将该比例在**过去两年**的历史数据中转化为百分位数。 3. 对得到的每日百分位序列，取**过去3个月**的移动平均值，作为最终的市场交易活跃度指标[97]。 因子的回测效果 * **量能因子分组表现**：测试区间为2018年至2025年11月28日，将因子值正序排列分为5组（第1组因子值低，第5组因子值高）[65][69] * 第1组（明显放量）年度收益：2018年(-31.27%), 2019年(29.19%), 2020年(36.34%), 2021年(-10.52%), 2022年(-22.90%), 2023年(-4.44%), 2024年(12.69%), 2025年至今(26.92%)[65] * 第5组（明显缩量）年度收益：2018年(-13.96%), 2019年(42.39%), 2020年(19.84%), 2021年(20.13%), 2022年(-9.40%), 2023年(-4.28%), 2024年(14.77%), 2025年至今(28.35%)[65] * **因子评价**：因子并非完全单调，但因子值排名靠后的两组（对应明显放量的产品）收益明显较弱。即便在牛市，高量能产品面临的回撤压力也可能更大[71] * **价能因子分组表现**：测试区间为2018年至2025年11月28日，分组方式同上[65][69] * 第1组（价格涨幅相对强弱较弱）年度收益：2018年(-26.62%), 2019年(36.19%), 2020年(22.75%), 2021年(7.54%), 2022年(-10.01%), 2023年(-14.98%), 2024年(5.75%), 2025年至今(18.49%)[65] * 第5组（价格涨幅相对强弱较强）年度收益：2018年(-19.26%), 2019年(38.83%), 2020年(44.90%), 2021年(6.79%), 2022年(-26.73%), 2023年(-4.79%), 2024年(13.97%), 2025年至今(50.73%)[65] * **市场关注度因子分组表现**：测试区间为2018年至2025年11月28日[72] * 第1组年度收益：2018年(-24.92%), 2019年(31.63%), 2020年(23.74%), 2021年(5.86%), 2022年(-24.87%), 2023年(2.12%), 2024年(12.53%), 2025年至今(35.64%)[72] * 第5组年度收益：2018年(-25.20%), 2019年(34.28%), 2020年(40.03%), 2021年(-0.78%), 2022年(-19.90%), 2023年(-9.56%), 2024年(17.00%), 2025年至今(44.71%)[72] * **价涨份额升因子分组表现**：测试区间为2018年至2025年11月28日[72] * 第1组年度收益：2018年(-22.66%), 2019年(39.88%), 2020年(33.30%), 2021年(3.43%), 2022年(-21.91%), 2023年(-12.19%), 2024年(7.55%), 2025年至今(30.68%)[72] * 第5组年度收益：2018年(-18.01%), 2019年(41.03%), 2020年(18.39%), 2021年(15.95%), 2022年(-12.56%), 2023年(-8.01%), 2024年(15.28%), 2025年至今(24.95%)[72] * **因子评价**：市场关注度、价涨份额升因子的第四、第五组（因子值高）年度累计收益较其余组别优势显著。价涨份额升因子在多数年份呈现第五组收益优于第一组的特征[77] *

量化模型与因子总结 量化因子与构建方式 一、 高频量价因子系列 报告构建了11个特色量价因子，并合成为一个综合量价因子[6][41]。 **1. 因子名称：** 适度冒险因子 **因子构建思路：** 基于成交量激增时刻蕴含的alpha信息构建[41]。 **因子具体构建过程：** 报告未提供具体构建公式，仅说明该因子源自《成交量激增时刻蕴含的 alpha 信息——多因子选股系列研究之一》[41]。 **2. 因子名称：** 完整潮汐因子 **因子构建思路：** 基于个股成交量的潮汐变化构建[41]。 **因子具体构建过程：** 报告未提供具体构建公式，仅说明该因子源自《个股成交量的潮汐变化及“潮汐”因子构建——多因子选股系列研究之二》[41]。 **3. 因子名称：** 勇攀高峰因子 **因子构建思路：** 基于个股波动率的变动构建[41]。 **因子具体构建过程：** 报告未提供具体构建公式，仅说明该因子源自《个股波动率的变动及“勇攀高峰”因子构建——多因子选股系列研究之三》[41]。 **4. 因子名称：** 球队硬币因子 **因子构建思路：** 基于个股动量效应的识别构建[41]。 **因子具体构建过程：** 报告未提供具体构建公式，仅说明该因子源自《个股动量效应的识别及“球队硬币”因子构建——多因子选股系列研究之四》[41]。该因子数据源为日频数据，其余因子均根据分钟频数据计算得到[41]。 **5. 因子名称：** 云开雾散因子 **因子构建思路：** 基于波动率的波动率与投资者模糊性厌恶构建[41]。 **因子具体构建过程：** 报告未提供具体构建公式，仅说明该因子源自《波动率的波动率与投资者模糊性厌恶——多因子选股系列研究之五》[41]。 **6. 因子名称：** 飞蛾扑火因子 **因子构建思路：** 基于个股股价跳跃及其对振幅因子的改进构建[41]。 **因子具体构建过程：** 报告未提供具体构建公式，仅说明该因子源自《个股股价跳跃及其对振幅因子的改进——多因子选股系列研究之六》[41]。 **7. 因子名称：** 草木皆兵因子 **因子构建思路：** 基于显著效应、极端收益扭曲决策权重构建[41]。 **因子具体构建过程：** 报告未提供具体构建公式，仅说明该因子源自《显著效应、极端收益扭曲决策权重和“草木皆兵”因子——多因子选股系列研究之八》[41]。 **8. 因子名称：** 水中行舟因子 **因子构建思路：** 基于个股成交额的市场跟随性构建[41]。 **因子具体构建过程：** 报告未提供具体构建公式，仅说明该因子源自《个股成交额的市场跟随性与“水中行舟”因子——多因子选股系列研究之九》[41]。 **9. 因子名称：** 花隐林间因子 **因子构建思路：** 基于推动个股价格变化的因素分解构建[41]。 **因子具体构建过程：** 报告未提供具体构建公式，仅说明该因子源自《推动个股价格变化的因素分解与“花隐林间”因子——多因子选股系列研究之十》[41]。 **10. 因子名称：** 待著而救因子 **因子构建思路：** 基于大单成交后的跟随效应构建[41]。 **因子具体构建过程：** 报告未提供具体构建公式，仅说明该因子源自《大单成交后的跟随效应与“待著而救”因子——多因子选股系列研究之十一》[41]。 **11. 因子名称：** 多空博弈因子 **因子构建思路：** 报告未提供具体构建思路。 **因子具体构建过程：** 报告未提供具体构建过程。 **高频因子处理方式：** 除“球队硬币”因子外，其余所有因子均根据分钟频数据计算得到。为了降低因子换手率，对所有因子进行了月度频率的平滑处理，即高频因子低频化处理[41]。 **因子评价：** 上述因子虽然由高频数据计算得到，但是在月度频率上仍然有较为出色的选股能力[6][41]。 二、 综合量价因子 **1. 因子名称：** 综合量价因子 **因子构建思路：** 将上述11个高频量价因子正交化后简单等权合成[45]。 **因子具体构建过程：** 报告未提供正交化和合成的具体数学公式，仅说明构建方法为“正交化后简单等权合成”[45]。 **因子评价：** 其表现相较于单个因子大幅提升[45]。 三、 预期类因子系列 报告构建了2个特色预期类因子[51]。 **1. 因子名称：** 真知灼见因子 **因子构建思路：** 解析分析师预期与动量、估值之间的关系[51]。 **因子具体构建过程：** 报告未提供具体构建公式。 **2. 因子名称：** 预期惯性因子 **因子构建思路：** 解析分析师预期与动量、估值之间的关系[51]。 **因子具体构建过程：** 报告未提供具体构建公式。 **因子评价：** 预期惯性因子一直保持多空净值、多头超额净值稳定向上，无明显回撤[51]。 量化模型的回测效果 报告提及了多个指数增强组合和“预期惯性”组合，但未详细说明其模型构建过程，仅提供了绩效数据[5][36][39]。 量化因子的回测效果 一、 高频量价因子系列（长期表现） 测试数据为全市场十分组多空组合表现[43]。 1. **适度冒险因子**，Rank IC -9.42%，Rank ICIR -4.87，多空组合年化收益率 39.04%，多空组合年化波动率 9.21%，多空组合信息比率 4.24，多空组合月度胜率 90.32%，多空组合最大回撤 -5.58%[43] 2. **完整潮汐因子**，Rank IC -7.70%，Rank ICIR -4.15，多空组合年化收益率 25.63%，多空组合年化波动率 8.74%，多空组合信息比率 2.93，多空组合月度胜率 81.45%，多空组合最大回撤 -8.19%[43] 3. **勇攀高峰因子**，Rank IC 6.07%，Rank ICIR 4.89，多空组合年化收益率 21.03%，多空组合年化波动率 5.75%，多空组合信息比率 3.65，多空组合月度胜率 87.90%，多空组合最大回撤 -2.55%[43] 4. **球队硬币因子**，Rank IC -9.73%，Rank ICIR -4.62，多空组合年化收益率 39.63%，多空组合年化波动率 10.93%，多空组合信息比率 3.63，多空组合月度胜率 82.26%，多空组合最大回撤 -8.63%[43] 5. **云开雾散因子**，Rank IC -10.27%，Rank ICIR -4.72，多空组合年化收益率 30.76%，多空组合年化波动率 9.17%，多空组合信息比率 3.35，多空组合月度胜率 83.87%，多空组合最大回撤 -6.86%[43] 6. **飞蛾扑火因子**，Rank IC -9.36%，Rank ICIR -4.69，多空组合年化收益率 38.15%，多空组合年化波动率 10.10%，多空组合信息比率 3.78，多空组合月度胜率 90.32%，多空组合最大回撤 -6.19%[43] 7. **草木皆兵因子**，Rank IC -8.92%，Rank ICIR -4.49，多空组合年化收益率 32.37%，多空组合年化波动率 8.21%，多空组合信息比率 3.94，多空组合月度胜率 85.48%，多空组合最大回撤 -4.05%[43] 8. **水中行舟因子**，Rank IC -9.13%，Rank ICIR -5.00，多空组合年化收益率 34.76%，多空组合年化波动率 8.12%，多空组合信息比率 4.28，多空组合月度胜率 86.29%，多空组合最大回撤 -3.51%[43] 9. **花隐林间因子**，Rank IC -9.60%，Rank ICIR -5.67，多空组合年化收益率 34.77%，多空组合年化波动率 7.71%，多空组合信息比率 4.51，多空组合月度胜率 88.71%，多空组合最大回撤 -4.15%[43] 10. **待著而救因子**，Rank IC -9.28%，Rank ICIR -4.23，多空组合年化收益率 33.16%，多空组合年化波动率 9.45%，多空组合信息比率 3.51，多空组合月度胜率 83.87%，多空组合最大回撤 -8.09%[43] 11. **多空博弈因子**，报告未提供其长期绩效指标[43]。 二、 综合量价因子 1. **综合量价因子（长期表现）**，Rank IC -12.64%，Rank ICIR -5.48，多空组合年化收益率 49.23%，多空组合年化波动率 10.66%，多空组合信息比率 4.62，多空组合月度胜率 91.94%，多空组合最大回撤 -4.84%[45] 2. **综合量价因子（今年以来表现）**，全市场十分组多空组合相对收益 22.61%，多头组合超额收益 7.84%[6][45] 三、 高频量价因子系列（今年以来及近期表现） 测试数据为全市场十分组多空对冲收益[46]。 1. **适度冒险因子**，上周 -1.24%，12月以来 -1.60%，今年以来 12.84%[46] 2. **完整潮汐因子**，上周 -0.95%，12月以来 -0.65%，今年以来 10.93%[46] 3. **勇攀高峰因子**，上周 -0.70%，12月以来 -1.03%，今年以来 12.99%[46] 4. **球队硬币因子**，上周 -0.75%，12月以来 -1.23%，今年以来 14.33%[46] 5. **云开雾散因子**，上周 -1.01%，12月以来 -1.41%，今年以来 16.46%[46] 6. **飞蛾扑火因子**，上周 -0.47%，12月以来 -1.20%，今年以来 17.80%[46] 7. **草木皆兵因子**，上周 -1.29%，12月以来 -2.35%，今年以来 5.22%[46] 8. **水中行舟因子**，上周 -0.39%，12月以来 0.24%，今年以来 16.38%[46] 9. **花隐林间因子**，上周 -1.40%，12月以来 -0.96%，今年以来 12.51%[46] 10. **待著而救因子**，上周 0.01%，12月以来 0.72%，今年以来 9.49%[46] 11. **多空博弈因子**，上周 -1.63%，12月以来 -1.90%，今年以来 18.14%[46] 12. **综合量价因子**，上周 -1.72%，12月以来 -1.59%，今年以来 22.61%[46] 四、 主要风格因子（今年以来表现） 1. **市值因子**，多头超额收益率 17.07%[37][40] 2. **分析师预期调整因子**，多头超额收益率 8.33%[37][40] 3. **方正特色量价因子**，多头超额收益率 7.84%[37][40]

量化模型与构建方式 1. **模型名称：择时体系（均线距离模型）**[2][6] * **模型构建思路**：通过计算市场指数短期均线与长期均线的相对距离，来区分市场的整体环境，判断市场处于上行趋势、震荡市还是下行趋势。[2] * **模型具体构建过程**： 1. 选择标的指数：WIND全A指数。 2. 计算短期均线：采用20日移动平均线（20日线）。[2][6] 3. 计算长期均线：采用120日移动平均线（120日线）。[2][6] 4. 计算均线距离：计算短期均线与长期均线的差值百分比。 $$均线距离 = \frac{短期均线 - 长期均线}{长期均线} \times 100\%$$ 其中，短期均线为20日均线，长期均线为120日均线。[2][6] 5. 信号判断：当均线距离的绝对值大于3%时，市场处于趋势格局（上行或下行）；当均线距离绝对值小于3%时，市场处于震荡格局。具体到上行趋势的确认，需要短期均线位于长期均线之上，且距离大于3%。[2][6] 2. **模型名称：赚钱效应指标**[2][5][7] * **模型构建思路**：通过比较当前收盘价与趋势线的位置关系，来判断市场赚钱效应是否为正，作为上行趋势能否延续的核心观测指标。[2][5][7] * **模型具体构建过程**： 1. 确定趋势线：报告指出“当前WIND全A的趋势线位于6262点附近”，但未明确给出趋势线的具体计算方法（例如，可能是某条移动平均线或通道线）。[2][5][7] 2. 获取收盘价：获取WIND全A指数的最新收盘价。[2][5][7] 3. 判断赚钱效应：若收盘价高于趋势线，则赚钱效应为正；若收盘价低于趋势线，则赚钱效应为负。[2][5][7] 3. **模型名称：仓位管理模型**[5][7] * **模型构建思路**：综合估值水平和短期趋势判断，为绝对收益产品提供股票仓位建议。[5][7] * **模型具体构建过程**： 1. **估值评估**：评估WIND全A指数的估值水平。使用PE（市盈率）和PB（市净率）的历史分位数进行判断。例如，PE位于80分位点附近属于中等水平，PB位于50分位点属于较低水平。[5][7] 2. **趋势判断**：结合择时体系等模型对市场短期趋势进行判断。[5][7] 3. **仓位建议**：综合估值和趋势，输出具体的仓位建议比例。例如，当前建议仓位为60%。[5][7] 4. **模型名称：行业趋势配置模型**[5][7][12] * **模型构建思路**：用于识别和推荐具有上行趋势的行业板块。[5][7][12] * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤，仅展示了其输出结果，例如显示工程机械、工业金属、储能板块延续上行趋势。[5][7][12] 5. **模型名称：中期困境反转预期模型**[5][7][12] * **模型构建思路**：用于挖掘和推荐具有中期困境反转预期的行业。[5][7][12] * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤，仅展示了其输出信号，例如当前信号显示关注白酒和地产行业。[5][7][12] 6. **模型名称：TWO BETA模型**[5][7][12] * **模型构建思路**：用于推荐板块配置方向，报告显示其持续推荐科技板块。[5][7][12] * **模型具体构建过程**：报告未详细说明该模型的具体构建步骤，仅展示了其推荐方向，例如继续推荐科技板块，并关注消费电子和国产算力。[5][7][12] 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，未提供模型的历史回测效果指标（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，故无相关内容。*

量化模型与构建方式 1. **模型名称：卷积神经网络趋势观察模型**[83] * **模型构建思路**：使用卷积神经网络（CNN）对个股历史价量数据形成的标准化图表进行建模，学习图表特征与未来价格走势之间的关系，并将学习到的有效特征映射到行业主题板块，以识别具有趋势性机会的板块[83]。 * **模型具体构建过程**： 1. **数据准备**：为每个个股在特定窗口期内的价量数据构建标准化的图表[83][84]。 2. **模型训练**：使用卷积神经网络对上述图表化的价量数据与未来价格进行建模，学习能够预测未来价格走势的图表特征[83]。 3. **特征映射**：将训练好的模型学习到的特征映射到行业主题板块中，识别出模型认为未来具有上涨潜力的主题板块[83]。 4. **输出配置**：模型最终输出为看好的具体行业主题指数列表，作为配置建议[85]。 2. **模型名称：宏观因子事件模型**[58] * **模型构建思路**：通过跟踪一系列国内外宏观指标，定义其特定的走势事件（如短期高低点、连续涨跌等），并从历史数据中回测寻找对资产未来收益率有显著影响的“有效因子事件”，以此作为判断未来资产趋势的依据[58]。 * **模型具体构建过程**： 1. **因子选择**：跟踪25个国内外宏观指标，涵盖货币政策、财政政策、流动性、通胀水平及其他经济指标等多个维度[58]。 2. **事件定义**：定义四类宏观因子走势事件：短期高低点、连续上涨/下跌、创历史新高/新低、因子走势反转[58]。 3. **有效性检验**：从历史数据中回测，筛选出对资产未来收益率影响较为显著的“有效因子事件”[58]。 4. **趋势分析**：采用历史均线（如1月、3月、12月均线）将宏观因子走势分为趋势上行和趋势下行，统计在不同趋势下资产未来一个月收益率的显著差异，形成观点[60][61]。 3. **模型名称：期权成交量看涨看跌比（CPR）模型**[51] * **模型构建思路**：通过监测上证50ETF期权成交量看涨看跌比率（CPR）与其布林通道的相对位置，来判断蓝筹股是否存在短期超卖风险[51]。 * **模型具体构建过程**： 1. **计算CPR**：计算上证50ETF期权成交量的看涨看跌比率[51]。 2. **构建通道**：计算CPR的60日布林通道（通常包含上轨、中轨、下轨）[51]。 3. **信号生成**：当最近20个交易日的CPR低于其60日布林通道上轨时，模型认为蓝筹股短期不存在超卖风险[51]。 量化因子与构建方式 1. **因子名称：新高新低比例因子**[37] * **因子构建思路**：通过统计市场中创近期新高与新低的个股数量占比，来度量市场的极端情绪和趋势强度[37]。 * **因子具体构建过程**： * **新高比例**：计算创近60日新高的个股数量占全部个股总数的比例[3][37]。 * **新低比例**：计算创近60日新低的个股数量占全部个股总数的比例[3][37]。 2. **因子名称：个股均线结构因子**[41] * **因子构建思路**：通过计算均线呈多头排列与空头排列的个股数量之差占全体个股的比例，来反映市场整体的技术趋势强弱[41]。 * **因子具体构建过程**： * **均线强弱指标**：计算（多头排列个股数量 - 空头排列个股数量） / 全体个股数量[41]。该指标值上升表明市场整体技术面走强，下降则表明走弱[3][4]。 3. **因子名称：长期均线以上比例因子**[44] * **因子构建思路**：通过统计股价位于长期均线（如200日）之上的个股比例，来评估市场整体的长期趋势强弱和广度[44]。 * **因子具体构建过程**：计算当前价格位于200日长期移动平均线之上的个股数量占全体个股数量的比例[44]。 4. **因子名称：风险溢价因子**[70] * **因子构建思路**：通过计算股票市场收益率（市盈率倒数）与无风险收益率（十年期国债收益率）的差值，来衡量股票资产相对于债券资产的吸引力[86]。 * **因子具体构建过程**： 1. 计算中证全指的静态市盈率（PE_TTM）的倒数，即盈利收益率（EP）[86]。 2. 从EP中减去十年期国债收益率，得到风险溢价[86]。 $$风险溢价 = \frac{1}{PE\_{TTM}} - 十年期国债收益率$$ * **因子评价**：该指标是衡量股债性价比的核心指标，值越高通常表示股票相对债券越有吸引力[86]。 5. **因子名称：指数超买超卖因子**[73] * **因子构建思路**：通过特定算法计算主要指数和行业指数的超跌或超买状态，以识别市场或板块的极端位置[73]。 * **因子具体构建过程**：报告未详细说明具体计算算法，但展示了截至特定日期（2025年12月12日）各主要宽基指数和行业指数的“超跌指标”统计值[73][74][77][78]。 模型的回测效果 （报告中未提供具体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。） 因子的回测效果 （报告中未提供具体因子的IC值、IR、多空收益等量化测试结果。报告主要展示了部分因子在最新一期的状态取值。） 1. **新高新低比例因子**：截至2025年12月12日当周，创近60日新高个股数占比从前一期的8.4%升至8.5%；创近60日新低个股数占比从前一期的6.9%升至20%[3][4]。 2. **个股均线结构因子**：截至2025年12月12日当周，多头排列减空头排列个股占比从前一期的-6.9%降至-15%[3][4]。 3. **风险溢价因子**：截至2025年12月12日，中证全指风险溢价为2.82%，其历史均值加减两倍标准差边界分别为4.71%和未知下限[86]。 4. **宏观因子事件模型当前观点**：根据截至2025年12月12日的宏观因子趋势分析，对权益市场未来一个月的观点为：PMI、CPI同比、社融存量同比趋势显示市场可能“震荡”；10年期国债收益率和美元指数趋势显示“看多”[61]。

量化模型与构建方式 1. **模型名称：成交量模型**[1][11] * **模型构建思路：** 基于市场成交量的变化进行短期择时判断[8]。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程。 2. **模型名称：特征龙虎榜机构模型**[1][11] * **模型构建思路：** 利用龙虎榜中机构资金的买卖行为特征进行市场判断[8]。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程。 3. **模型名称：特征成交量模型**[1][11] * **模型构建思路：** 基于某种特定的成交量特征进行市场判断[8]。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程。 4. **模型名称：智能算法沪深300模型 / 智能算法中证500模型**[1][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[8]。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程。 5. **模型名称：涨跌停模型**[1][12] * **模型构建思路：** 通过分析市场中涨停和跌停股票的数量或比例等特征进行中期择时判断[8]。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程。 6. **模型名称：上下行收益差模型**[1][11][12] * **模型构建思路：** 通过计算市场上涨阶段与下跌阶段的收益差异来判断市场趋势[8]。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程。 7. **模型名称：月历效应模型**[1][12] * **模型构建思路：** 基于历史数据中存在的特定月份或日历周期的规律性效应进行择时判断。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程。 8. **模型名称：长期动量模型**[1][13] * **模型构建思路：** 基于资产的长期价格动量（趋势）进行择时判断[8]。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程。 9. **模型名称：A股综合兵器V3模型**[1][14] * **模型构建思路：** 一个综合性的A股择时模型，可能耦合了多个周期或策略的信号[8]。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程。 10. **模型名称：A股综合国证2000模型**[1][14] * **模型构建思路：** 针对国证2000指数的综合性择时模型[8]。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程。 11. **模型名称：成交额倒波幅模型**[1][15] * **模型构建思路：** 结合成交额与波动率（波幅）的倒数关系进行港股中期择时判断。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程。 12. **模型名称：恒生指数上下行收益差模型**[1][15] * **模型构建思路：** 针对恒生指数，计算其上涨与下跌阶段的收益差异进行判断。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程。 13. **模型名称：双底形态策略**[37][45] * **模型构建思路：** 基于技术分析中的双底形态识别进行选股，该形态通常被视为看涨反转信号。 * **模型具体构建过程：** 报告未提供该策略具体的形态识别算法和买入卖出规则。 14. **模型名称：杯柄形态策略**[37][50] * **模型构建思路：** 基于技术分析中的杯柄形态识别进行选股，该形态被视为上涨中继或突破前的整理形态。 * **模型具体构建过程：** 报告未提供该策略具体的形态识别算法和买入卖出规则。 15. **模型名称：倒杯子形态风险监控**[55] * **模型构建思路：** 识别技术分析中的倒杯子形态（负向形态），作为个股下跌风险的预警信号。 * **模型具体构建过程：** 报告未提供该模型具体的形态识别算法。 16. **因子名称：分析师一致预期上调/下调比例**[19] * **因子构建思路：** 统计行业内获得分析师上调或下调盈利预测的个股比例，反映分析师对行业基本面的整体预期变化。 * **因子具体构建过程：** 对于特定行业，计算在统计期内盈利预测被上调（或下调）的上市公司家数占该行业总上市公司家数的比例。 17. **因子名称：基金仓位（绝对/超低配）**[20][21][23][26][27] * **因子构建思路：** 利用公募基金持仓数据，计算其对特定行业的配置比例（绝对仓位）以及相对于市场标准（如市值占比）的超配或低配程度，反映机构资金动向。 * **因子具体构建过程：** * **绝对仓位：** 汇总所有样本基金持有某行业股票的总市值，除以样本基金股票总持仓市值。 * **超/低配：** 基金对该行业的绝对仓位减去该行业股票在基准指数（或全市场）中的市值占比。 * **超/低配近两年分位数：** 将当前时点的超/低配值置于过去两年的历史序列中，计算其分位数位置。 18. **模型名称：华创恐慌指数（HCVIX）**[34] * **模型构建思路：** 复现并跟踪中国市场波动率指数（VIX），作为判断市场情绪和风险的参考指标。 * **模型具体构建过程：** 根据公开的VIX计算方法，基于50ETF、沪深300指数等期权数据，计算未来30天的预期波动率。报告提及复现的指数与已停发的中证VIX历史数据相关系数达99.2%[34]。 模型的回测效果 1. **双底形态策略**，本周收益-2.35%，同期上证综指涨跌幅-0.34%，本周相对收益-2.0%，2020年12月31日至今累计收益11.46%，同期上证综指累计涨幅11.99%，累计相对收益-0.52%[37]。 2. **杯柄形态策略**，本周收益-1.47%，同期上证综指涨跌幅-0.34%，本周相对收益-1.13%，2020年12月31日至今累计收益8.94%，同期上证综指累计涨幅11.99%，累计相对收益-3.04%[37]。 因子的回测效果 *(注：本报告未提供量化因子的历史IC、IR、多空收益等传统回测指标数据。)*

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：风格拥挤度模型[73] * **模型构建思路**：通过计算不同风格指数（如成长vs红利、小盘vs大盘等）的相对换手率拥挤度，来判断该风格是否过热或过冷，从而评估其配置风险与性价比[73]。 * **模型具体构建过程**： 1. 对于风格A和风格B，分别计算其指数的近252日平均换手率[130]。 2. 将上述换手率序列在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[130]。 3. 计算二者差值：差值 = Z-score_A - Z-score_B[130]。 4. 计算该差值的滚动6年历史分位数（历史数据量满1年且不足6年时，以全部历史数据进行计算），该分位数即为风格A相对于风格B的“相对拥挤度”[130]。 2. **模型名称**：风格超额净值模型[73] * **模型构建思路**：通过计算风格指数相对于市场基准（万得全A）的累计超额净值，来跟踪风格因子的长期表现和相对强弱[73]。 * **模型具体构建过程**： 1. 以2020年1月4日为基准日，将各风格指数及万得全A指数的每日收盘点数除以基准日收盘点数，得到各自的累计净值[131]。 2. 将各风格指数的累计净值除以同一交易日的万得全A指数累计净值，得到该风格指数相对于万得全A指数的累计超额净值[131]。 3. **模型名称**：机构调研活跃度模型[132] * **模型构建思路**：通过标准化和比较不同板块（指数、行业）的机构调研频率，构建“机构调研活跃度”指标，以捕捉机构关注度的变化[132]。 * **模型具体构建过程**： 1. 对于特定板块，计算其近n个交易日的“日均机构调研次数”[132]。 2. 将该日均调研次数序列在滚动y年的历史时间序列上进行z-score标准化[132]。 3. 将上述标准化结果与万得全A的标准化结果作差，得到该板块的“机构调研活跃度”[132]。 4. 最后计算该“机构调研活跃度”的滚动y年历史分位数[132]。 * **参数设置**： * 长期口径：n取126（近半年），滚动窗口y为6年（历史数据量满3年且不足6年时，以全部历史数据进行计算）[132]。 * 短期口径：n取63（近一季度），滚动窗口y为3年（历史数据量满1年且不足3年时，以全部历史数据进行计算）[132]。 4. **因子名称**：ERP（股权风险溢价）因子[52] * **因子构建思路**：通过计算股票指数市盈率倒数与无风险利率（10年期国债收益率）的差值，来衡量投资股票市场相对于债券市场的风险补偿，即股债性价比[52]。 * **因子具体构建过程**： 1. 计算指数的市盈率倒数：1 / 指数PE_TTM[52]。 2. 减去当前10年期中债国债到期收益率[52]。 * **公式**： $$指数erp = 1/指数PE\_TTM – 10年期中债国债到期收益率$$[52] 5. **因子名称**：滚动季度夏普率[38] * **因子构建思路**：计算万得全A指数滚动一个季度（约63个交易日）的夏普比率，用于衡量市场在短期内的风险调整后收益，作为市场情绪风险的观测指标[38]。 * **因子评价**：该指标上升至历史极高位置表明市场情绪达到极端高峰，后续市场易进入震荡或调整状态；当其从高点回落时，市场回撤风险减弱[38]。 6. **因子名称**：成交热度因子[25] * **因子构建思路**：使用“周度日均自由流通换手率”的历史分位值来度量市场或特定板块、行业的交易活跃程度[25]。 * **因子具体构建过程**：成交热度 = 周度日均自由流通换手率的历史分位值[25]。 7. **因子名称**：动量因子[64] * **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，筛选市场中动量特征强的股票[64]。 * **因子评价**：“长江动量”指数基于此因子构建，旨在表征A股市场中最具动量特征的股票的整体走势[64]。 8. **因子名称**：反转因子[64] * **因子构建思路**：以最近一个月股票收益率作为筛选指标，选择市场中反转效应强的股票[64]。 * **因子评价**：“长江反转”指数基于此因子构建，旨在表征A股市场各阶段高反转特征个股的整体表现[64]。 模型的回测效果 *本报告为市场跟踪周报，未提供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）。报告主要展示了模型或因子在特定时点（2025年12月12日当周）的输出状态和观察值。* 因子的回测效果 *本报告为市场跟踪周报，未提供因子的历史回测绩效指标（如IC、IR、多空收益等）。报告主要展示了特定风格因子在近一周、近一月和年初至今的已实现超额收益。* 1. **成长-红利因子**，近一周超额收益3.4%，近一月超额收益6.2%，年初至今超额收益31.0%[61][62] 2. **小盘-大盘因子**，近一周超额收益0.4%，近一月超额收益-0.8%，年初至今超额收益7.3%[61][62] 3. **微盘股-基金重仓因子**，近一周超额收益-5.7%，近一月超额收益-8.4%，年初至今超额收益39.3%[61][62] 4. **动量-反转因子**，近一周超额收益5.1%，近一月超额收益11.2%，年初至今超额收益31.7%[61][62]

量化模型与构建方式 1. 模型名称：三维择时框架 * **模型构建思路**：通过构建分歧度、流动性、景气度三个维度的指标，综合判断市场走势，当三个维度趋势一致时给出明确的上涨或下跌判断[9]。 * **模型具体构建过程**：模型基于三个核心指标进行判断[9]。 1. **分歧度**：衡量市场参与者观点的离散程度，当前处于下行趋势[9]。 2. **流动性**：衡量市场资金面的松紧程度，当前处于下行趋势[9]。 3. **景气度**：衡量上市公司基本面的繁荣程度，当前处于上行趋势[9]。 当三个指标的趋势方向一致时，框架转为一致的上涨或下跌判断。例如，当前分歧度下行、流动性下行、景气度上行，框架转为一致上涨判断[9]。 2. 模型名称：热点趋势ETF策略 * **模型构建思路**：结合价格形态（支撑阻力）和市场短期关注度（换手率变化）来筛选ETF，构建风险平价组合[30]。 * **模型具体构建过程**： 1. **形态筛选**：根据K线的最高价与最低价的上涨或下跌形态，先选出最高价与最低价同时为上涨形态的ETF[30]。 2. **构建支撑阻力因子**：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[30]。 3. **关注度筛选**：在支撑阻力因子的多头组中，选择近5日换手率/近20日换手率最高的ETF，即短期市场关注度明显提升的品种[30]。 4. **组合构建**：最终选择10只ETF，采用风险平价方法构建组合[30]。 3. 模型名称：ETF三策略融合轮动模型 * **模型构建思路**：将基于基本面、质量低波、困境反转三种不同逻辑的行业轮动策略进行等权融合，实现因子与风格的互补，降低单一策略风险[35]。 * **模型具体构建过程**： 1. **策略构成**：模型融合了三个子策略[35]。 * **行业轮动策略**：核心因子包括超预期景气度、行业龙头效应、行业动量、拥挤度、通胀beta，旨在覆盖行业多维度特性[36]。 * **个股风格驱动策略**：核心因子包括个股动量、个股质量、个股波动率，聚焦个股质量与低波，防御性突出[36]。 * **困境反转策略**：核心因子包括PB_zscore、分析师长期预期、短期筹码交换，旨在捕捉估值修复与业绩反转机会[36]。 2. **融合方式**：将三个子策略的选股结果进行等权组合[35]。 4. 模型名称：融资-主动大单资金流共振策略 * **模型构建思路**：利用融资融券资金流和主动大单资金流两个维度，通过取交集（在主动大单因子头部行业中剔除融资融券因子头部行业）的方式，筛选出具有资金共振效应的行业，以提高策略稳定性[44][45]。 * **模型具体构建过程**： 1. **构建行业融资融券资金因子**：定义为经过Barra市值因子中性化后的（融资净买入-融券净买入）个股加总值，取最近50日均值后的两周环比变化率[44]。 2. **构建行业主动大单资金因子**：定义为行业最近一年成交量时序中性化后的净流入排序，并取最近10日均值[44]。 3. **策略逻辑**：研究发现融资融券因子的多头端在不同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打分行业内，剔除融资融券因子的头部行业[45]。 4. **行业剔除**：进一步剔除大金融板块[45]。 5. 因子名称：风格因子（盈利收益率、市值、价值） * **因子构建思路**：报告跟踪了多个风格因子的表现，本周市场呈现“高盈利高市值高价值”的特征[50]。 * **因子具体构建过程**：报告未详细描述具体构建公式，但提及了因子的表现方向。盈利收益率因子代表高盈利个股，市值因子代表高市值个股，价值因子代表高价值个股[50]。 6. 因子名称：Alpha因子（动量、研发收入类等） * **因子构建思路**：从多维度（时间、指数、行业）观察不同因子的表现趋势，计算其多头超额收益（前1/5组）[52]。除规模因子外，均进行了市值、行业中性化处理[52]。 * **因子具体构建过程**：报告列出了多个因子的近期表现和释义，例如： * **一年期动量因子 (pb_roe)**：近一周多头超额收益1.13%，定义为“1年-1个月的收益率”[55]。 * **研发销售收入占比因子 (safexp_operrev)**：近一周多头超额收益1.04%[55]。 * **销售费用因子 (ep_q_adv)**：近一周多头超额收益0.96%，定义为“管理费用/总销售收入”[55]。 7. 模型名称：多风格增强策略（质量增强、红利增强等） * **模型构建思路**：在多风格策略的基础上叠加增强因子，通过在其他风格端增厚收益，抑制单一风格波动，实现在不同周期下的稳定超额[58]。 * **模型具体构建过程**：报告未详细描述具体增强因子的构建方法，但展示了基于不同风格（质量、红利、长期成长、价值、低波、短期动量、长期动量）的增强策略及其绩效[62]。 模型的回测效果 1. 热点趋势ETF策略 * 今年以来收益率：34.49%[30] * 相比沪深300指数的超额收益：19.58%[30] 2. ETF三策略融合轮动模型 * 截至2025年12月12日组合收益率：12.11%[39] * 夏普率：0.73[39] * 今年以来组合收益率：25.60%[39] * 信息比率 (IR)：1.09 (All)[40] * 最大回撤：-24.55% (All)[40] * 分年度绩效详见报告表4[40] 3. 融资-主动大单资金流共振策略 * 2018年以来费后年化超额收益：14.3%[45] * 信息比率 (IR)：1.4[45] * 策略上周（截至报告期）绝对收益：-0.27%[45] * 策略上周（截至报告期）超额收益（相对行业等权）：0.37%[45] 4. 多风格增强策略（截至2025年12月12日） * **质量增强策略**：本周超额收益率2.00%，本年超额收益率-0.01%，最近一年年化收益率18.89%，夏普率1.54，区间最大回撤-5.73%[62] * **红利增强策略**：本周超额收益率0.62%，本年超额收益率13.71%，最近一年年化收益率17.45%，夏普率1.45，区间最大回撤-5.88%[62] * **长期成长增强策略**：本周超额收益率-0.97%，本年超额收益率4.29%，最近一年年化收益率24.26%，夏普率1.40，区间最大回撤-12.76%[62] * **价值增强策略**：本周超额收益率-1.97%，本年超额收益率-12.03%，最近一年年化收益率8.76%，夏普率0.54，区间最大回撤-11.34%[62] * **低波增强策略**：本周超额收益率-2.08%，本年超额收益率4.30%，最近一年年化收益率22.72%，夏普率1.73，区间最大回撤-8.73%[62] * **短期动量增强策略**：本周超额收益率-1.86%，本年超额收益率-15.35%，最近一年年化收益率6.46%，夏普率0.46，区间最大回撤-9.14%[62] * **长期动量增强策略**：本周超额收益率-1.20%，本年超额收益率-16.31%，最近一年年化收益率7.55%，夏普率0.55，区间最大回撤-9.53%[62] 量化因子与构建方式 （注：报告中提及的Alpha因子和风格因子，其具体构建方式已在上述“量化模型与构建方式”部分的第5、6点中说明，此处不再重复列出。） 因子的回测效果 1. 风格因子（本周表现） * 盈利收益率因子：正收益2.04%[50] * 市值因子：正收益1.51%[50] * 价值因子：正收益1.37%[50] 2. Alpha因子（近一周多头超额收益，截至2025年12月12日） * 一年期动量因子 (pb_roe)：1.13%[55] * 研发销售收入占比因子 (safexp_operrev)：1.04%[55] * 销售费用因子 (ep_q_adv)：0.96%[55] 3. 分指数Alpha因子表现（上周多头超额收益，截至2025年12月12日，前20因子示例） * **单季度ROA同比差值（考虑快报、预告）因子 (roa_q_delta_adv)**：在沪深300中超额收益25.52%，在中证500中10.16%，在中证800中17.88%，在中证1000中21.98%[57] * **单季度ROE同比差值（考虑快报、预告）因子 (roe_q_delta_adv)**：在沪深300中超额收益24.15%，在中证500中11.37%，在中证800中19.46%，在中证1000中20.24%[57] * **一致预期净利润变化（FY1）因子 (mom1_np_fy1)**：在沪深300中超额收益14.41%，在中证500中18.54%，**在中证800中21.49%**，在中证1000中15.27%[57] * **研发总资产占比因子 (tot_rd_ttm_to_assets)**：在沪深300中超额收益11.41%，**在中证500中20.25%**，在中证800中19.65%，在中证1000中16.88%[57] * **单季度净利润同比增速（考虑快报、预告）因子 (yoy_np_q_adv)**：在沪深300中超额收益22.25%，在中证500中9.56%，在中证800中15.85%，**在中证1000中22.74%**[57]