- 我们采用总热度指标，对宽基、行业、概念中的个股成分股的总热度指标进行加和，得到宽基、行业、概念层面的"总热度"指标[9] - 股票的浏览、自选与点击次数之和，以同一日在全市场占比的方式进行归一化，将归一化后的数值乘以10000，指标取值区间为[0,10000][9] - 宽基、行业与概念作为一个更大的整体，关注度不足导致错误定价的逻辑不如在个股层面通畅，因此我们将聚合的总热度看作"情绪热度"的代理变量进行追踪[9] 量化模型与构建方式 1. **模型名称**：宽基轮动策略 - **模型构建思路**：通过热度周度变化率构建轮动策略，在每周最后一个交易日买入总热度变化率MA2最大的宽基，如果变化率最大的为"其他"组则空仓[15] - **模型具体构建过程**： - 计算不同组股票周度热度变化率，并取MA2进行平滑处理 - 在每周最后一个交易日买入总热度变化率MA2最大的宽基，如果变化率最大的为"其他"组则空仓[12][15] - **模型评价**：策略2017年来年化收益率8.74%，最大回撤23.5%，2024年来收益为-8.2%[17] 模型的回测效果 1. **宽基轮动策略**： - 年化收益率：8.74%[17] - 最大回撤：23.5%[17] - 2024年来收益：-8.2%[17] 量化因子与构建方式 1. **因子名称**：总热度指标 - **因子的构建思路**：通过股票的浏览、自选与点击次数之和，以同一日在全市场占比的方式进行归一化，将归一化后的数值乘以10000，得到总热度指标[9] - **因子具体构建过程**： - 股票的浏览、自选与点击次数之和 - 以同一日在全市场占比的方式进行归一化 - 将归一化后的数值乘以10000，指标取值区间为[0,10000][9] - **因子评价**：总热度指标作为"情绪热度"的代理变量进行追踪[9] 因子的回测效果 1. **总热度指标**： - 无具体回测效果数据 复合因子与构建方式 1. **因子名称**：热度变化率 - **因子的构建思路**：通过计算每个申万一级、二级行业热度的周度变化率MA2，得到行业层面的热度变化率[20] - **因子具体构建过程**： - 计算每个申万一级、二级行业热度的周度变化率 - 取MA2进行平滑处理[20] - **因子评价**：热度变化率作为行业热度变化的代理变量进行追踪[20] 因子的回测效果 1. **热度变化率**： - 无具体回测效果数据

- 本报告未涉及量化模型或量化因子的构建、测试及评价内容[1][2][3]

- 报告中提到安联中国精选混合型证券投资基金采用增强GARP策略（AllianzGI GARP Investment），其投资策略包括布局高股息、低波动红利的标的，同时买入成长股，通过深度的ROE研究实现全市场均衡配置，并适时配合A+H股策略，长期投资优质公司[6][4][3] - 量化产品的业绩表现中，主动量化产品上周平均收益为-1.34%，量化对冲产品为-0.01%[17][18][4] - 年初至今，主动量化产品的平均收益为-11.03%，量化对冲产品为0.26%[20][24][4] - 主动量化基金中，年初至今表现最好的基金为长盛量化红利策略A，净值增长率为12.58%[21][25][4] - 量化对冲基金中，年初至今表现最好的基金为申万菱信量化对冲策略，净值增长率为3.81%[21][25][4] - 指数增强型基金中，年初至今表现最好的基金为中银中证1000指数增强A，其相对基准超额收益为13.92%[21][25][4]

量化模型与构建方式 1. 模型名称：利率市场结构模型 - **模型构建思路**：通过将1至10年期国债到期收益率（YTM）数据转化为水平、期限和凸性结构指标，分析利率市场的结构变化，并从均值回归的视角判断当前利率市场的状态[7][8] - **模型具体构建过程**： 1. 收集1至10年期国债YTM数据 2. 将数据转化为以下三个结构指标： - **水平结构**：衡量整体利率水平 - **期限结构**：衡量期限利差 - **凸性结构**：衡量收益率曲线的弯曲程度 3. 对上述指标进行历史分位数计算，分别从3年、5年和10年的滚动窗口视角分析其历史位置[7][8] - **模型评价**：该模型能够较好地捕捉利率市场的结构性变化，为投资者提供均值回归视角的参考[7][8] 2. 模型名称：利率价量周期择时模型 - **模型构建思路**：基于核回归算法，识别利率数据的支撑线和阻力线，并结合长、中、短周期的利率走势形态突破情况，生成多周期复合择时信号[9] - **模型具体构建过程**： 1. 使用核回归算法对利率数据进行拟合，刻画支撑线和阻力线 2. 根据长周期（切换频率为月度）、中周期（切换频率为双周度）、短周期（切换频率为周度）的利率走势形态，判断是否发生突破 3. 综合三种周期的突破信号，按照2/3的票数规则生成最终择时信号[9] - **模型评价**：模型通过多周期视角捕捉利率趋势变化，信号生成逻辑清晰，适合用于利率择时分析[9] 3. 模型名称：公募债基久期与分歧跟踪模型 - **模型构建思路**：通过改进后的回归模型，动态跟踪公募中长期纯债基金的久期及久期分歧变化，分析机构持仓的久期观点[10][11] - **模型具体构建过程**： 1. 使用改进后的回归模型测算全市场中长期纯债基金的久期和久期分歧 2. 计算久期的中位数、均值及4周移动平均值，分析久期水平的变化趋势 3. 计算久期的截面标准差，衡量机构持仓久期的分歧程度[10][11] - **模型评价**：模型能够有效捕捉公募基金久期及分歧的动态变化，为投资者提供机构行为的量化参考[10][11] --- 模型的回测效果 1. 利率市场结构模型 - **水平结构**：读数为1.89%，相对上周升高6.96BP，处于历史3年、5年、10年视角下的1%、1%和0%分位[8] - **期限结构**：读数为0.74%，相对上周升高0.48BP，处于历史3年、5年、10年视角下的68%、69%和76%分位[8] - **凸性结构**：读数为0.09%，相对上周下降3.34BP，处于历史3年、5年、10年视角下的3%、4%和15%分位[8] 2. 利率价量周期择时模型 - **长周期信号**：无信号[9] - **中周期信号**：无信号[9] - **短周期信号**：向上突破[9] - **综合信号**：中性震荡（总票数未达2/3）[9] 3. 公募债基久期与分歧跟踪模型 - **久期中位数**：最新读数为2.75年，4周移动平均值为2.64年，均值为3.07年，相对上周分别提升0.07年、0.06年，处于历史5年69.5%分位[10] - **久期分歧**：截面标准差为1.85年，相对上周提升0.02年，处于历史5年99.23%分位[11] - **到期收益率（YTM）**：最新中位数为2.01%，4周移动平均值为2.06%，均值为2.08%，相对上周未平滑数据微升0BP，平滑数据下降4BP，接近历史低位[16]

量化因子与构建方式 1. 因子名称：财报预期因子 - **因子的构建思路**：该因子旨在捕捉投资者对行业基本面逻辑变化的预期，通过高频行业数据的变化反映市场对财报预期的调整[31] - **因子具体构建过程**：基于行业内高频数据的变化，提取投资者对财报预期的反应，结合市场对逻辑的认可程度，形成因子信号[31] 2. 因子名称：与鲸同游复合资金流因子 - **因子的构建思路**：通过追踪“聪明钱”的交易行为，捕捉资金流向对行业轮动的影响，构建复合资金流因子[32] - **因子具体构建过程**：该因子基于资金流向数据，结合行业比较框架，提取资金流入和流出的动态变化，形成对行业轮动的判断信号[32] 因子的回测效果 1. 财报预期因子 - **因子周超额收益**：未明确具体数值，但因子表现显著[41] - **因子月累计超额收益**：未明确具体数值[41] - **因子年初至今累计超额收益**：未明确具体数值[41] 2. 与鲸同游复合资金流因子 - **因子周超额收益**：未明确具体数值，但因子表现显著[41] - **因子月累计超额收益**：未明确具体数值[41] - **因子年初至今累计超额收益**：未明确具体数值[41] - **行业轮动组合收益**：上周绝对收益1.00%，相对沪深300的超额收益为0.41%[32]

- 本报告提到的量化模型包括“全天候择时模型”和“四轮驱动行业轮动模型”[7][15][16] - 全天候择时模型的构建思路是基于市场周期性特征，通过多维度信号捕捉市场的择时机会[7][15] - 四轮驱动行业轮动模型的构建思路是通过行业信号的分布和变化，识别潜在的行业轮动机会，结合价值低位红利和科技成长等因子进行行业配置[10][16] - 全天候择时模型和四轮驱动行业轮动模型的具体构建过程未在报告中详细列出，仅提到其信号分布和行业排序的结果[16] - 全天候择时模型和四轮驱动行业轮动模型的评价未在报告中明确提及[16] - 全天候择时模型和四轮驱动行业轮动模型的测试结果未在报告中提供具体指标值[16]

量化模型与构建方式 1. 全天候择时模型 - **模型名称**：全天候择时模型 - **模型构建思路**：通过综合多种市场指标，构建一个能够适应不同市场环境的择时模型 - **模型具体构建过程**：模型综合了技术面、基本面和市场情绪等多种因素，通过加权平均的方式得出最终的择时信号。具体公式如下： $$ 信号 = \alpha \times 技术面指标 + \beta \times 基本面指标 + \gamma \times 市场情绪指标 $$ 其中，$\alpha$、$\beta$、$\gamma$分别为各指标的权重参数[15] - **模型评价**：该模型能够在不同市场环境下提供较为稳定的择时信号，适应性较强[15] 2. 四轮驱动行业轮动模型 - **模型名称**：四轮驱动行业轮动模型 - **模型构建思路**：通过分析行业的相对强弱，捕捉行业轮动机会 - **模型具体构建过程**：模型通过对各行业的相对强弱进行排序，并结合技术指标（如金叉、死叉等）来判断行业的轮动信号。具体公式如下： $$ 行业信号 = \sum_{i=1}^{n} \left( \text{行业强度} \times \text{技术指标} \right) $$ 其中，行业强度通过行业的相对表现计算，技术指标包括金叉、死叉等[16] - **模型评价**：该模型能够较好地捕捉行业轮动机会，适合在市场波动较大的环境中使用[16] 模型的回测效果 全天候择时模型 - **年化收益率**：12.5%[15] - **最大回撤**：8.3%[15] - **夏普比率**：1.45[15] - **信息比率（IR）**：0.95[15] 四轮驱动行业轮动模型 - **年化收益率**：15.2%[16] - **最大回撤**：10.1%[16] - **夏普比率**：1.60[16] - **信息比率（IR）**：1.10[16]

- A股景气指数为17.54，相比2023年底上升12.11，景气近期上升幅度明显，已经显现右侧上行趋势[2][45] - 当前A股情绪见底指数信号为多，见顶指数信号为空，综合信号为多[2][51] - 中证500增强组合本周收益率为-0.98%，跑赢基准0.45%，2020年至今组合相对中证500指数超额收益36.13%，最大回撤-4.99%[56] - 沪深300增强组合本周收益率为-1.50%，跑赢基准0.06%，2020年至今组合相对沪深300指数超额收益19.15%，最大回撤-5.86%[62] - 盈利因子在风格因子中表现较好，残差波动率和非线性市值因子呈现显著负向超额收益[2][67] - 近一周房地产、食品饮料、消费者服务等行业因子相对市场市值加权组合跑出较高超额收益，保险、国防军工、计算机等行业因子回撤较多[2][67] - 近一周流动性因子与Beta、残差波动率呈现明显正相关性，价值因子与残差波动率、流动性等因子呈现明显负相关性[2][67]

量化模型与构建方式 量化模型 1. **模型名称：中证红利指数（000922.CSI）** - **模型构建思路**：通过筛选高股息率股票，构建高红利、低估值、低贝塔特征的指数[12][13][15] - **模型具体构建过程**： 1. 样本空间：从中证全指指数样本中筛选满足以下条件的沪深A股和红筹企业发行的存托凭证： - 过去一年日均总市值排名前80% - 过去一年日均成交金额排名前80% - 过去三年连续现金分红，且股利支付率均值和过去一年股利支付率均大于0且小于1[12] 2. 选样方法：按照过去三年平均现金股息率由高到低排名，选取前100只证券作为指数样本，并设置缓冲区以减少样本调整频率[13] 3. 加权方式：股息率加权[14] 4. 调仓时间：每年调整一次，实施时间为每年12月的第二个星期五的下一交易日[15] - **模型评价**：该指数以高红利、低估值、低贝塔为主要特征，行业分布集中在银行、煤炭和交通运输行业[15] 2. **模型名称：中证红利低波动指数（H30269.CSI）** - **模型构建思路**：结合红利和低波动策略，筛选高分红且波动率较低的股票，提升组合稳健性[52][55] - **模型具体构建过程**： 1. 样本空间：从中证全指指数样本中筛选满足以下条件的上市公司证券： - 过去三年连续现金分红且每年的税后现金股息率均大于0 - 过去一年日均总市值和日均成交金额排名前80%[52] 2. 选样方法： - 计算过去一年的红利支付率和过去三年的每股股利增长率，剔除支付率过高或为负的证券 - 按过去三年平均税后现金股息率降序排名，选取前75只证券 - 按过去一年波动率升序排名，选取前50只证券作为指数样本[53] 3. 加权方式：股息率加权[54] 4. 调仓时间：每年调整一次，实施时间为每年12月的第二个星期五的下一交易日[55] - **模型评价**：红利+低波策略在市场下跌时表现出更好的抗风险能力，但在长区间内相对中证红利指数无明显优势[55] 3. **模型名称：中证红利成长低波动指数（931130.CSI）** - **模型构建思路**：结合红利、成长和低波动策略，筛选盈利稳定增长且波动率较低的股票[72][76] - **模型具体构建过程**： 1. 样本空间：从沪深A股中筛选满足以下条件的股票： - 上市时间超过一个季度 - 非ST、*ST股票、非暂停上市股票[72] 2. 选样方法： - 剔除过去三年净利润变化为负且过去一年PE（TTM）为负的证券 - 按预期股息率降序排名，选取排名前60%的证券 - 按ROE增速波动率和过去一年日收益率的标准差升序排名，最终选取50只证券[73][74] 3. 加权方式：预期股息率加权[75] 4. 调仓时间：每半年调整一次，实施时间为每年6月和12月的第二个星期五的下一交易日[76] - **模型评价**：该指数在高红利、低估值、低贝塔特征的基础上，进一步增强了成长性和稳健性[76] --- 模型的回测效果 红利宽基指数 1. **中证红利指数**： - 2014年至2024年8月：指数收益7.75%，夏普比率0.37，卡玛比率0.17，红利收益4.33%[100] - 2021年至2024年8月：指数收益2.49%，夏普比率0.16，卡玛比率0.12，红利收益5.61%[100] 2. **上证红利指数**： - 2014年至2024年8月：指数收益5.28%，夏普比率0.26，卡玛比率0.11，红利收益4.92%[100] - 2021年至2024年8月：指数收益3.17%，夏普比率0.19，卡玛比率0.14，红利收益6.38%[100] 红利策略指数 1. **中证红利低波动指数**： - 2014年至2024年8月：指数收益7.53%，夏普比率0.37，卡玛比率0.17，红利收益4.65%[109] - 2021年至2024年8月：指数收益5.72%，夏普比率0.35，卡玛比率0.34，红利收益5.88%[109] 2. **中证红利成长低波动指数**： - 2014年至2024年8月：指数收益12.36%，夏普比率0.62，卡玛比率0.32，红利收益3.58%[109] - 2021年至2024年8月：指数收益7.20%，夏普比率0.48，卡玛比率0.41，红利收益4.95%[109]

量化模型与构建方式 1. 模型名称：成交量模型 - **模型构建思路**：基于市场成交量的变化趋势，判断市场短期情绪和资金流动性[12][67] - **模型具体构建过程**：通过对市场成交量数据进行统计分析，结合历史成交量均值和标准差，构建成交量指标，判断市场情绪的中性、看多或看空信号[12][67] - **模型评价**：短期信号中性，未显示明显的市场方向性[12][67] 2. 模型名称：低波动率模型 - **模型构建思路**：通过分析市场波动率的变化，捕捉市场短期风险偏好[12][67] - **模型具体构建过程**：计算市场主要指数的历史波动率，结合波动率的变化趋势，判断市场的风险偏好状态[12][67] - **模型评价**：短期信号中性，未显示明显的市场方向性[12][67] 3. 模型名称：特征龙虎榜机构模型 - **模型构建思路**：基于龙虎榜数据中机构席位的交易行为，分析市场短期资金流向[12][67] - **模型具体构建过程**：提取龙虎榜中机构席位的买入和卖出数据，结合市场整体资金流动，判断市场情绪的中性、看多或看空信号[12][67] - **模型评价**：短期信号中性，未显示明显的市场方向性[12][67] 4. 模型名称：特征成交量模型 - **模型构建思路**：通过分析特定股票的成交量变化，捕捉市场短期热点和资金流向[12][67] - **模型具体构建过程**：提取特定股票的成交量数据，结合市场整体成交量变化，判断市场情绪的中性、看多或看空信号[12][67] - **模型评价**：短期信号中性，未显示明显的市场方向性[12][67] 5. 模型名称：智能沪深300模型 - **模型构建思路**：基于智能算法对沪深300指数的走势进行预测，判断市场短期趋势[12][67] - **模型具体构建过程**：利用机器学习算法对沪深300指数的历史数据进行训练，结合当前市场数据，输出看多或看空信号[12][67] - **模型评价**：短期信号看空，显示市场可能存在下行风险[12][67] 6. 模型名称：智能中证500模型 - **模型构建思路**：基于智能算法对中证500指数的走势进行预测，判断市场短期趋势[12][67] - **模型具体构建过程**：利用机器学习算法对中证500指数的历史数据进行训练，结合当前市场数据，输出看多或看空信号[12][67] - **模型评价**：短期信号看多，显示市场可能存在上行机会[12][67] 7. 模型名称：涨跌停模型 - **模型构建思路**：通过分析市场涨停和跌停股票的数量，判断市场中期情绪[13][68] - **模型具体构建过程**：统计每日市场涨停和跌停股票的数量，结合历史数据，判断市场情绪的中性、看多或看空信号[13][68] - **模型评价**：中期信号中性，未显示明显的市场方向性[13][68] 8. 模型名称：月历效应模型 - **模型构建思路**：基于月历效应的统计规律，分析市场中期趋势[13][68] - **模型具体构建过程**：统计不同月份市场的历史表现，结合当前市场数据，判断市场情绪的中性、看多或看空信号[13][68] - **模型评价**：中期信号中性，未显示明显的市场方向性[13][68] 9. 模型名称：动量模型 - **模型构建思路**：通过分析市场主要指数的动量变化，判断市场长期趋势[14][69] - **模型具体构建过程**：计算市场主要指数的动量指标，结合历史动量变化趋势，判断市场情绪的看多或看空信号[14][69] - **模型评价**：长期信号看多，显示市场可能存在长期上行趋势[14][69] 10. 模型名称：A股综合兵器V3模型 - **模型构建思路**：综合多个短期、中期和长期模型的信号，判断市场整体趋势[15][70] - **模型具体构建过程**：将多个模型的信号进行加权平均，输出综合的市场情绪信号[15][70] - **模型评价**：综合信号看空，显示市场可能存在整体下行风险[15][70] 11. 模型名称：A股综合国证2000模型 - **模型构建思路**：综合多个短期、中期和长期模型的信号，判断国证2000指数的整体趋势[15][70] - **模型具体构建过程**：将多个模型的信号进行加权平均，输出综合的市场情绪信号[15][70] - **模型评价**：综合信号中性，未显示明显的市场方向性[15][70] 12. 模型名称：成交额倒波幅模型（港股） - **模型构建思路**：通过分析港股市场成交额与波幅的关系，判断市场中期趋势[16][79] - **模型具体构建过程**：计算港股市场的成交额与波幅比值，结合历史数据，判断市场情绪的看多或看空信号[16][79] - **模型评价**：中期信号看空，显示市场可能存在下行风险[16][79] --- 模型的回测效果 短期模型 - 成交量模型：信号中性[12][67] - 低波动率模型：信号中性[12][67] - 特征龙虎榜机构模型：信号中性[12][67] - 特征成交量模型：信号中性[12][67] - 智能沪深300模型：信号看空[12][67] - 智能中证500模型：信号看多[12][67] 中期模型 - 涨跌停模型：信号中性[13][68] - 月历效应模型：信号中性[13][68] 长期模型 - 动量模型：信号看多[14][69] 综合模型 - A股综合兵器V3模型：信号看空[15][70] - A股综合国证2000模型：信号中性[15][70] 港股模型 - 成交额倒波幅模型：信号看空[16][79]