量化因子与构建方式 1 因子名称：DTW预期收益率因子 因子构建思路：通过动态时间规整（DTW）算法计算收益率序列相似度，选取相似度高的历史序列的未来收益率作为预期收益，替代传统动量因子[31][32] 因子具体构建过程： - 取当前资产过去20天的收益率序列s[33] - 在截面所有资产中，回溯5～120天的20天收益率序列，计算与s的DTW距离[33] - 选取DTW距离最小的10%序列，计算其后5天收益率均值作为因子值[33] - 回溯窗口限制为5～120天以避免市场风格切换或样本不足[33] 涉及公式： DTW距离计算： $$X=[x_{1},x_{2},\ldots,x_{n}]$$ $$Y=[y_{1},y_{2},\ldots,y_{m}]$$ $$\operatorname{cost}(i,j)=d(i,j)+\operatorname*{min}{\begin{cases}\operatorname{cost}(i-1,j)\\ \operatorname{cost}(i,j-1)\\ \operatorname{cost}(i-1,j-1)\end{cases}}$$ 因子评价：相比传统动量因子能更有效捕捉短期趋势，但需配合择时策略控制回撤[43] 因子的回测效果 1 DTW预期收益率因子 - ETF轮动组合（25个行业ETF）：IC均值0.034，ICIR 0.128，多空最大回撤16.2%，多头换手率73%[35] - 科创50成分股：IC均值0.053，ICIR 0.251，多空最大回撤51.0%，多头换手率72%[40] 其他序列相似度算法（对比基准） 1 欧氏距离： $$d(\mathbf{A},\mathbf{B})={\sqrt{\sum_{i=1}^{n}(A_{i}-B_{i})^{2}}}$$[8] 2 余弦相似度： $${\mathrm{similarity}}=\cos(\theta)={\frac{\mathbf{A}\cdot\mathbf{B}}{\|\mathbf{A}\|\|\mathbf{B}\|}}$$ $$||\mathbf{A}||={\sqrt{\sum_{i=1}^{n}A_{i}^{2}}},\quad||\mathbf{B}||={\sqrt{\sum_{i=1}^{n}B_{i}^{2}}}$$[11][12]

量化模型与构建方式 1. 高频因子 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偏度特征来捕捉市场情绪和价格波动异常[3][6] **因子具体构建过程**：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》，对常规因子进行正交化处理[11] **因子评价**：长期多空收益稳定，但5月表现较弱[3][6] 2. **因子名称**：日内下行波动占比因子 **因子构建思路**：衡量股票下跌波动在总波动中的占比，反映风险特征[3][6] **因子具体构建过程**：基于专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》方法构建[17] 3. **因子名称**：开盘后买入意愿占比因子 **因子构建思路**：通过开盘后买入交易量占比捕捉资金流向[3][6] **因子具体构建过程**：采用《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》方法[21] 4. **因子名称**：开盘后大单净买入占比因子 **因子构建思路**：分析大单资金在开盘后的净流入情况[3][6] **因子评价**：2025年月胜率达100%，稳定性突出[7] 2. 深度学习因子 1. **因子名称**：改进GRU(50,2)+NN(10)因子 **因子构建思路**：结合门控循环单元和神经网络提取高频数据时序特征[3][14] **因子评价**：多空收益持续为正但多头超额收益为负[10] 2. **因子名称**：多颗粒度模型（5日标签） **因子构建思路**：基于双向AGRU训练，融合不同时间颗粒度的市场信息[15][66] **因子评价**：2025年多空收益达28.86%，表现最佳[10] 3. AI增强组合模型 **模型名称**：中证500/1000 AI增强组合 **模型构建思路**：以多颗粒度模型因子为核心，通过优化约束条件构建增强组合[69] **模型具体构建过程**： - 目标函数：$$max\sum\mu_{i}w_{i}$$，其中μi为股票预期超额收益[70] - 风险控制模块包含个股/行业约束、市值约束、财务指标约束等[70] - 交易成本假设为双边3‰[71] 回测效果 1. 高频因子 | 因子名称 | 上周多空收益 | 5月多空收益 | 2025年多空收益 | IC(2025) | RankMAE(2025) | |--------------------------|--------------|-------------|-----------------|----------|---------------| | 日内高频偏度因子 | 0.18% | -1.42% | 14.35% | 0.057 | 0.331 | | 开盘后大单净买入占比因子 | 0.31% | -0.33% | 12.32% | 0.039 | 0.324 | | 大单推动涨幅因子 | 0.36% | -0.53% | 4.26% | 0.005 | 0.322 | 2. 深度学习因子 | 因子名称 | 上周多空收益 | 5月多空收益 | 2025年多空收益 | 多头超额(2025) | |--------------------------|--------------|-------------|-----------------|----------------| | GRU(50,2)+NN(10) | 0.09% | 0.11% | 16.01% | -1.81% | | 多颗粒度模型(5日标签) | 0.56% | 0.81% | 28.86% | 9.83% | 3. AI增强组合 | 组合名称 | 上周超额收益 | 5月超额收益 | 2025年超额收益 | |------------------------------|--------------|-------------|----------------| | 中证500 AI增强宽约束组合 | 1.19% | 3.50% | 7.44% | | 中证1000 AI增强严约束组合 | 0.98% | 3.33% | 11.98% |

根据提供的量化市场追踪周报内容，以下是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**：信达金工行业轮动策略 **模型构建思路**：基于绩优基金持仓倾向的边际变化构建行业轮动信号，捕捉机构资金配置迁移趋势[35] **模型具体构建过程**： - 筛选绩优基金样本（近1年业绩前30%的主动权益基金） - 计算行业超/低配比例：$$超配比例 = \frac{基金持仓行业权重 - 基准行业权重}{基准行业权重}$$ - 生成轮动信号：连续8周跟踪超配行业排名变化，选取排名上升前5的行业作为多头组合[39] **模型评价**：策略对TMT和制造板块的轮动捕捉效果显著，但对消费板块反应滞后[36] 2. **模型名称**：主力/主动资金流划分模型 **模型构建思路**：通过成交单规模划分资金类型，监测主力与散户行为差异[55] **模型具体构建过程**： - 特大单：成交量≥20万股或金额≥100万元 - 大单：6万股≤成交量<20万股或30万元≤金额<100万元 - 中单：1万股≤成交量<6万股或5万元≤金额<30万元 - 小单：成交量<1万股或金额<5万元 - 主动资金流=特大单+大单净买入额[56] --- 模型的回测效果 1. **信达金工行业轮动策略**： - 年化超额收益：18.6%（vs 中证800）[37] - 最大回撤：-12.3%[37] - IR：1.52[37] 2. **主力资金流模型**： - 家电行业主力净流入1.0亿元（同期中小单净流出）[56] - 银行行业主动资金净流入6.28亿元[64] --- 量化因子与构建方式 1. **因子名称**：基金仓位变动因子 **因子构建思路**：利用主动权益基金仓位变化捕捉市场情绪[22] **因子具体构建过程**： - 计算周度仓位变化：$$\Delta 仓位 = 本周平均仓位 - 上周平均仓位$$ - 细分类型：普通股票型（权重89.65%）、偏股混合型（87.25%）、配置型（84.74%）[22] 2. **因子名称**：风格配置因子 **因子构建思路**：跟踪公募基金大盘/小盘成长价值风格切换[30] **因子具体构建过程**： - 按市值-成长性六分位划分风格箱 - 计算风格仓位占比：$$小盘成长占比 = \frac{小盘成长持仓市值}{总持仓市值}$$[30] --- 因子的回测效果 1. **基金仓位变动因子**： - 普通股票型仓位周环比+0.20pct[22] - 偏股混合型仓位周环比+0.39pct[22] 2. **风格配置因子**： - 小盘成长仓位48.73%（周环比-0.37pct）[30] - 大盘价值仓位11.16%（周环比+0.23pct）[30] --- 其他关键指标 - **ETF资金流**：宽基ETF周净流出114.7亿元，科创50ETF净流入9.95亿元（华夏588000）[65] - **行业轮动信号**：当前超配有色金属（排名第3）、国防军工（第7），低配医药（第26）[39] （注：原文未提供部分模型的完整公式和因子IC测试结果，故未包含相关细节）

根据提供的研报内容，以下是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：宽基形态择时策略** - 模型构建思路：基于宽基指数成分股的形态信号构建多空比率剪刀差，判断市场趋势[15] - 模型具体构建过程： 1) 统计成分股中每日出现看多/看空形态的股票数量 2) 计算多空比率剪刀差：若当日无信号则记为0 3) 根据剪刀差方向生成择时信号（看多/中性）[15] - 模型评价：策略年化收益显著跑赢基准指数，最大回撤控制优于指数[13] 2. **模型名称：行业形态择时策略** - 模型构建思路：在中信一级行业层面，通过成分股形态信号的多空比率剪刀差进行行业轮动[15] - 模型具体构建过程： 1) 对每个行业指数成分股统计形态信号 2) 计算行业多空比率：$$ \text{剪刀差} = \frac{\text{看多数量} - \text{看空数量}}{\text{成分股总数}} $$ 3) 设定阈值触发行业看多信号[15] - 模型评价：历史回测中100%行业组合跑赢基准，表现优秀[15] 模型的回测效果 1. **宽基形态择时策略** - 上证50：年化收益11.67%，最大回撤-21.81%[13] - 中证1000：年化收益26.18%，最大回撤-37.89%[13] - 恒生可持续发展指数：年化收益7.64%，最大回撤-35.34%[14] 2. **行业形态择时策略** - 商贸零售：年化收益19.50%，最大回撤-43.39%[16] - 电力及公用事业：年化收益17.46%，最大回撤-41.46%[18] - 交通运输：年化收益18.44%，最大回撤-32.45%[18] 量化因子与构建方式 1. **因子名称：特殊K线形态因子** - 因子构建思路：识别6种特定K线形态（如金针探底、火箭发射等）作为价格行为信号[24] - 因子具体构建过程： 1) **金针探底**：长下影线（>80%K线长度）+收盘价≈开盘价+振幅>5%+处于20日低位[24] 2) **火箭发射**：大阳线（开盘价=最低价）+成交量放大[24] 3) **满江红**：连续三日阳线且每日收盘价>前日最高价[24] 2. **因子名称：连续看多信号因子** - 因子构建思路：捕捉连续4-5个交易日出现看多形态的股票[19] - 因子具体构建过程： 1) 每日检测个股形态信号 2) 累计连续出现次数≥4时触发因子信号[19][21] 因子的回测效果 1. **特殊K线形态因子** - 金针探底：历史胜率52.18%（正面信号）[12] - 火箭发射：单次信号平均持有收益9%[24] 2. **连续看多信号因子** - 连续5日信号：组合胜率70%（券商金股）[29] - 连续4日信号：最大持有收益率49%（如伟明环保）[23] 其他量化指标 - **隐含波动率因子**：采用Heston模型计算近月平值期权IV，作为市场恐慌指标[7] - 当前值：中证1000为21.37%，沪深300为13.25%[9]

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：均线距离择时模型** - **模型构建思路**：通过比较Wind全A指数的长期均线（120日）和短期均线（20日）的距离来判断市场整体环境（震荡或趋势）[2][8] - **模型具体构建过程**： 1. 计算Wind全A指数的20日均线（短期）和120日均线（长期） 2. 计算两均线的距离差值： $$\text{均线距离} = \frac{\text{20日均线} - \text{120日均线}}{\text{120日均线}} \times 100\%$$ 3. 根据距离绝对值划分市场状态： - 绝对值<3%为震荡格局 - 绝对值≥3%为趋势格局[2][8][13] 2. **模型名称：TWO BETA行业配置模型** - **模型构建思路**：通过双贝塔因子（宏观贝塔和行业贝塔）筛选具有超额收益潜力的行业板块[3][9][13] - **模型评价**：侧重科技成长板块的周期性机会捕捉 3. **模型名称：仓位管理模型** - **模型构建思路**：结合估值分位数（PE/PB）和市场趋势动态调整绝对收益产品的股票仓位[3][9] - **模型具体构建过程**： 1. 计算Wind全A的PE/PB历史分位数（PE 60分位、PB 10分位） 2. 根据估值分位区间匹配建议仓位（当前输出50%）[3][9] 量化因子与构建方式 1. **因子名称：估值分位数因子** - **因子构建思路**：通过PE/PB在历史序列中的分位水平判断市场估值状态[3][6][9] - **因子具体构建过程**： 1. 计算Wind全A指数过去10年（2014-2025）的PE/PB滚动分位数 2. 划分估值区间： - PE 60分位→中等水平 - PB 10分位→较低水平[3][6][9] 模型的回测效果 1. **均线距离择时模型** - 当前均线距离：-0.32%（震荡格局）[2][8][13] 2. **仓位管理模型** - 当前建议仓位：50%[3][9] 因子的回测效果 1. **估值分位数因子** - 当前PE分位数：60% - 当前PB分位数：10%[3][6][9]

量化模型与构建方式 1. **模型名称：短期量化择时模型** - **模型构建思路**：基于估值面、流动性、基本面、情绪面四个维度的指标综合判断市场短期走势[15][16][17] - **模型具体构建过程**： 1. **基本面指标**： - 制造业PMI分位数（5年窗口）低于阈值时触发谨慎信号 - 人民币中长期贷款余额同比增速分位数（5年窗口）低于阈值时触发谨慎信号 - M1同比增速（HP滤波去趋势）分位数高于阈值时触发乐观信号 $$ \text{HP滤波}：y_t = \tau_t + c_t \quad \text{其中} \quad \tau_t \text{为趋势项}, c_t \text{为周期项} $$ 2. **估值面指标**： - A股整体PE中位数分位数（5年窗口）高于阈值时触发中性信号 - A股整体PB中位数分位数（5年窗口）低于阈值时触发乐观信号 3. **情绪面指标**： - Beta离散度分位数（5年窗口）中性 - 量能情绪得分（60日成交量与换手率布林带合成指标）分位数低于阈值时触发谨慎信号 $$ \text{布林带}：\text{上轨}=MA_{20} + 2\sigma_{20}, \text{下轨}=MA_{20} - 2\sigma_{20} $$ 4. **流动性指标**： - 货币利率指标分位数（5年窗口）低于阈值时触发乐观信号 - 汇率预期指标分位数（5年窗口）高于阈值时触发谨慎信号 - 沪深净融资额5日均值分位数中性[15][16][17] 2. **模型名称：成长价值轮动模型** - **模型构建思路**：结合盈利周期、利率周期、信贷周期及估值/情绪差判断成长与价值风格占优区间[29] - **模型具体构建过程**： 1. **基本面信号**： - 盈利周期斜率（量化经济中周期框架）大于阈值时利好成长 - 利率综合周期水平高于阈值时利好价值 - 信贷综合周期变化低于阈值时利好价值 2. **估值面信号**： - 成长价值PE差分位数（5年窗口）均值回归上行时利好成长 - 成长价值PB差分位数（5年窗口）均值回归上行时利好成长 3. **情绪面信号**： - 换手差分位数（5年窗口）低于阈值时利好价值 - 波动差分位数（5年窗口）中性时均衡配置[29] 3. **模型名称：小盘大盘轮动模型** - **模型构建思路**：与成长价值轮动逻辑类似，但针对市值风格差异调整阈值[33][34] - **模型具体构建过程**： 1. **基本面信号**：盈利周期斜率利好小盘，利率/信贷周期利好大盘 2. **估值面信号**：小盘大盘PE/PB差分位数（5年窗口）均值回归下行时利好大盘 3. **情绪面信号**：换手差中性时均衡配置，波动差下行时利好大盘[33][34] 4. **模型名称：四风格轮动模型** - **模型构建思路**：整合成长价值与小盘大盘模型输出，生成四风格配置比例[37][38] - **模型具体构建过程**： - 小盘成长/价值与大盘成长/价值的权重由前两模型信号加权合成[37][38] --- 模型的回测效果 1. **短期量化择时模型** - 年化收益率：16.25%（基准4.09%） - 年化超额收益率：12.16% - 最大回撤：27.70%（基准31.41%） - 夏普比率：0.9595（基准0.2299）[18][23] 2. **成长价值轮动模型** - 年化收益率：11.33%（基准6.53%） - 年化超额收益率：4.80% - 最大回撤：43.07%（基准44.13%）[30][32] 3. **小盘大盘轮动模型** - 年化收益率：12.05%（基准6.54%） - 年化超额收益率：5.51% - 最大回撤：50.65%（基准53.70%）[34][36] 4. **四风格轮动模型** - 年化收益率：12.93%（基准7.00%） - 年化超额收益率：5.94% - 最大回撤：47.91%（基准49.07%）[38][39] --- 量化因子与构建方式 1. **因子名称：量能情绪因子** - **因子构建思路**：结合成交量和换手率的布林带指标合成市场情绪指标[12][17] - **因子具体构建过程**： 1. 计算60日成交量与换手率的布林带上下轨 2. 标准化后等权合成综合得分 3. 取5年分位数作为择时信号阈值[12][17] 2. **因子名称：盈利周期斜率因子** - **因子构建思路**：量化经济中周期框架下的盈利增长加速度[29][33] - **因子具体构建过程**： - 基于宏观数据拟合二阶导数，斜率大于阈值时标记为上行周期[29][33] --- 因子的回测效果 1. **量能情绪因子** - 分位数低于23.41%时对应市场情绪偏弱[12][17] 2. **盈利周期斜率因子** - 当前斜率8.33，处于利好成长风格区间[29][33]

量化模型与构建方式 1. **模型名称：利率价量多周期择时策略** - **模型构建思路**：通过核回归算法捕捉利率趋势形态，识别支撑线和阻力线，结合长、中、短周期下的突破信号生成综合择时观点[10] - **模型具体构建过程**： 1. **周期划分**：长周期（月度切换）、中周期（双周度切换）、短周期（周度切换）[10] 2. **信号生成规则**： - 若至少2个周期出现向下突破支撑线且趋势非向上，则满配长久期债券 - 若至少2个周期出现向下突破但趋势向上，则配置50%中久期+50%长久期 - 若至少2个周期出现向上突破阻力线且趋势非向下，则满配短久期债券 - 若至少2个周期出现向上突破但趋势向下，则配置50%中久期+50%短久期 - 其他情况等权配置短、中、长久期债券[23] 3. **止损机制**：单日超额收益<-0.5%时切换为等权配置[23] - **模型评价**：策略通过多周期共振增强信号稳定性，结合趋势过滤降低误判风险 2. **模型名称：公募债基久期测算模型** - **模型构建思路**：基于改进的回归模型动态跟踪中长期纯债基金的久期及分歧水平[13] - **模型具体构建过程**： 1. **数据输入**：全市场纯债基金持仓数据（含杠杆调整） 2. **核心指标**： - 久期中位数：$$ \text{Median}(D_i) $$，其中$D_i$为第$i$只基金久期 - 久期分歧：截面标准差$$ \sigma_D = \sqrt{\frac{1}{N}\sum_{i=1}^N (D_i - \bar{D})^2} $$ - 4周移动平均：对中位数和均值进行平滑处理[13][14] 3. **历史分位数计算**：基于5年滚动窗口标准化[14] --- 量化因子与构建方式 1. **因子名称：利率水平结构因子** - **因子构建思路**：提取1-10年期国债YTM的水平项成分，反映利率绝对高低[7][9] - **因子具体构建过程**： 1. 对期限结构曲线进行三次样条插值 2. 分解为水平、斜率、曲率三因子： $$ \text{YTM}(t) = L_t + S_t \cdot \frac{t}{\tau} + C_t \cdot \left(\frac{t^2}{\tau^2} - \frac{t}{\tau}\right) $$ 其中$L_t$为水平因子，$\tau$为期限标准化参数[7] 3. 计算历史分位数（3/5/10年滚动窗口）[9] 2. **因子名称：利率期限利差因子** - **因子构建思路**：捕捉长短端利差变化，反映市场对远期经济的预期[7][9] - **因子具体构建过程**： 1. 计算10年期与1年期国债YTM差值： $$ \text{TS}_t = \text{YTM}_{10Y} - \text{YTM}_{1Y} $$ 2. 标准化处理并计算分位数[9] 3. **因子名称：利率凸性结构因子** - **因子构建思路**：量化收益率曲线曲率变化，识别凸性交易机会[7][9] - **因子具体构建过程**： 1. 计算2×5年期与(1年期+10年期)利差： $$ \text{CS}_t = 2 \cdot \text{YTM}_{5Y} - (\text{YTM}_{1Y} + \text{YTM}_{10Y}) $$ 2. 负值表示曲线凹陷，正值表示凸起[9] --- 模型的回测效果 1. **利率价量多周期择时策略** - 长期年化收益率：6.19% - 最大回撤：1.53% - 收益回撤比：2.26 - 超额收益率（vs久期等权基准）：1.67% - 逐年胜率（绝对收益>0）：100%[24][27] - 短期表现（2023年底起）： - 年化收益率：7.5% - 最大回撤：1.61% - 收益回撤比：6.43[4] 2. **公募债基久期测算模型** - 当前久期中位数：3.09年（历史5年分位数82.24%）[6][13] - 久期分歧：1.56年（历史5年分位数62.93%）[14] --- 因子的回测效果 1. **利率水平结构因子** - 当前值：1.58% - 分位数：3年10%/5年6%/10年3%[9] 2. **利率期限利差因子** - 当前值：0.27% - 分位数：3年7%/5年4%/10年8%[9] 3. **利率凸性结构因子** - 当前值：-0.04% - 分位数：3年8%/5年5%/10年5%[9]

根据提供的研报内容，以下是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**：沪深300上涨家数占比情绪指标 **模型构建思路**：通过计算指数成分股近期正收益的个数来判断市场情绪，正收益股票增多可能预示行情底部，大部分股票正收益可能预示过热风险[23] **模型具体构建过程**： - 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 - 公式：$$ \text{上涨家数占比} = \frac{\sum_{i=1}^{300} I(r_i > 0)}{300} $$ 其中$r_i$为第i只成分股N日收益率，$I(\cdot)$为指示函数[23] **模型评价**：能较快捕捉上涨机会，但对下跌市场判断存在缺陷[24] 2. **模型名称**：动量情绪指标择时策略 **模型构建思路**：通过对上涨家数占比指标进行不同窗口期的平滑处理来捕捉情绪变动趋势[26] **模型具体构建过程**： - 对上涨家数占比进行N1=50和N2=35日的移动平均（慢线和快线） - 当快线>慢线时看多市场，反之持中性态度[26] 3. **模型名称**：均线情绪指标 **模型构建思路**：利用八均线体系判断指数趋势状态，通过价格与均线的关系划分情绪区间[31][32] **模型具体构建过程**： - 计算沪深300收盘价的8条均线（参数：8,13,21,34,55,89,144,233） - 统计收盘价大于各均线的数量，超过5时看多[31][32] 量化因子与构建方式 1. **因子名称**：横截面波动率 **因子构建思路**：衡量指数成分股间收益离散程度，反映Alpha机会丰富程度[35] **因子具体构建过程**： - 计算指数成分股日收益率的横截面标准差 - 公式：$$ \sigma_{cross} = \sqrt{\frac{1}{N}\sum_{i=1}^{N}(r_i - \bar{r})^2} $$ 其中$r_i$为个股日收益率，$\bar{r}$为截面均值[35] 2. **因子名称**：时间序列波动率 **因子构建思路**：衡量个股收益波动幅度，反映市场风险水平[38] **因子具体构建过程**： - 计算个股滚动N日收益率的标准差 - 对指数成分股进行市值加权平均[38] 模型的回测效果 1. **动量情绪指标**： - 当前快线回落至慢线之下，维持谨慎态度[26] - 近期上涨家数占比震荡在56%水平[24] 2. **均线情绪指标**： - 短期内沪深300处于情绪景气区间[34] 因子的回测效果 1. **横截面波动率**： - 沪深300近一季度值1.75%，处于近两年46.27%分位[38] - 中证1000近一季度值2.41%，处于近半年63.75%分位[38] 2. **时间序列波动率**： - 沪深300近一季度值0.56%，年化波动率54.15%分位[41] - 中证500近一季度值0.44%，年化波动率57.94%分位[41] 3. **抱团基金分离度**： - 近期分离度环比下降，抱团程度上升[78] - 抱团组合超额收益近期回升[78]

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**：通过分析市场成交量变化判断短期市场情绪[11] - **模型具体构建过程**：监测宽基指数成交量与历史均值的偏离度，结合波动率阈值生成信号。当成交量突破上轨且波动率低于阈值时看多，反之看空[11] 2. **模型名称**：低波动率模型 - **模型构建思路**：利用市场波动率均值回归特性捕捉反转机会[11] - **模型具体构建过程**：计算指数20日波动率，当波动率低于历史25%分位数且价格处于均线上方时看多，高于75%分位数时看空[11] 3. **模型名称**：特征龙虎榜机构模型 - **模型构建思路**：跟踪机构席位买卖净额判断资金动向[11] - **模型具体构建过程**：统计龙虎榜机构净买入金额占流通市值比例，结合行业资金流生成综合评分[11] 4. **模型名称**：智能沪深300模型 - **模型构建思路**：融合量价与基本面因子的多因子择时模型[11] - **模型具体构建过程**： $$ Score = 0.3 \times Momentum_{20} + 0.2 \times Volume\_Ratio + 0.5 \times PE\_Zscore $$ 其中动量因子取20日收益率，成交量比率为当日/5日均值，PE_Zscore为估值偏离度[11] 5. **模型名称**：成交额倒波幅模型（港股） - **模型构建思路**：结合成交额与波动率捕捉港股中期趋势[15] - **模型具体构建过程**：计算恒指成交额10日均值与波动率倒数的乘积，突破布林带上轨看多[15] 模型的回测效果 1. 成交量模型：上证50信号中性，沪深300信号中性[11] 2. 低波动率模型：全A指数信号中性[11] 3. 智能沪深300模型：看多信号，本周超额收益0.18%[11] 4. 成交额倒波幅模型：恒生指数看多信号，本周超额收益1.10%[15] 量化因子与构建方式 1. **因子名称**：动量因子 - **因子构建思路**：捕捉资产价格趋势延续性[13] - **因子具体构建过程**：计算标的指数20日/60日收益率，标准化后分层回测[13] 2. **因子名称**：涨跌停因子 - **因子构建思路**：通过极端价格行为反映市场情绪[12] - **因子具体构建过程**：统计全市场涨停板数量占比，5日均线上穿20日均线看多[12] 因子的回测效果 1. 动量因子：宽基指数中性信号，年化IC 0.12[13] 2. 涨跌停因子：全A指数中性信号，月胜率58%[12] 复合模型与衍生模型 1. **模型名称**：A股综合兵器V3模型 - **模型构建思路**：集成短期量价与中期基本面信号的复合模型[14] - **模型具体构建过程**：对成交量、波动率、动量等6个子模型等权加权，阈值触发看空信号[14] 2. **模型名称**：杯柄形态识别模型 - **模型构建思路**：技术形态突破策略[43] - **模型具体构建过程**： - 定义杯体部分回撤幅度30-50% - 柄部回撤幅度8-12% - 突破颈线位时触发买入信号[43] - **模型评价**：2020年以来累计超额收益39.13%[43] 形态学模型测试结果 1. 杯柄形态组合：本周超额收益0.19%，累计超额39.13%[43] 2. 双底形态组合：本周跑输基准0.83%，累计超额22.48%[43]

量化模型与构建方式 1. **模型名称：公募基金仓位估计模型** - **模型构建思路**：基于公募基金季报披露的前十大重仓股、上市公司十大股东信息及行业配置信息，模拟补全基金的全部股票持仓，并通过加权最小二乘法估计基金在大、小盘组合上的配置仓位[9][11][13] - **模型具体构建过程**： 1. **非重仓股模拟**：假设基金非重仓股持仓在行业层面持股种类不变，仅持股权重按比例变化，利用T-1期（半年报/年报）非重仓股持仓按比例放缩得到T期模拟持仓[11] 2. **仓位估计**：将基金持仓拆分为大、小盘两部分，使用基金日收益率与对应指数收益率，通过加权最小二乘法求解仓位权重。公式为： $$ R_{fund,t} = w_{large} \cdot R_{large,t} + w_{small} \cdot R_{small,t} + \epsilon_t $$ 其中，$w_{large}$和$w_{small}$分别代表大盘和小盘仓位权重[13] - **模型评价**：实现了对基金仓位的日度监控，但依赖历史持仓假设，可能存在行业配置变化时的估计偏差[13] 2. **模型名称：基金风格配置监控模型** - **模型构建思路**：基于仓位估计结果，从大小盘配置、市值暴露、行业配置三个维度分析基金风格变化[13] - **模型具体构建过程**： 1. **大小盘配置**：直接使用仓位估计模型输出的大、小盘权重[13] 2. **行业配置**：根据中信一级行业分类，统计基金在各行业的权重分布及历史分位点[19][20] --- 模型的回测效果 1. **公募基金仓位估计模型** - 普通股票型基金仓位中位数：87.29%（周环比+0.98%）[15] - 偏股混合型基金仓位中位数：83.94%（周环比+1.46%）[15] - 大盘仓位周变动：普通股票型+1.39%，偏股混合型+2.86%[15] - 小盘仓位周变动：普通股票型-0.42%，偏股混合型-1.40%[15] - 历史分位点：普通股票型32.30%，偏股混合型37.24%（2016年以来）[15] 2. **基金风格配置监控模型** - 行业配置权重：电子（13.88%）、医药（10.98%）、电力设备（9.36%）为普通股票型基金前三大行业[19] - 行业分位点：汽车行业配置分位点最高（普通股票型98.16%，偏股混合型99.63%）[20] --- 量化因子与构建方式 1. **因子名称：基金行业配置因子** - **因子构建思路**：统计基金在中信一级行业的持仓权重，反映机构资金偏好[19][20] - **因子具体构建过程**： 1. 根据模拟持仓计算各行业持仓占比 2. 标准化为历史分位点（2016年以来）[20] 2. **因子名称：大小盘仓位变动因子** - **因子构建思路**：捕捉基金在大、小盘风格上的动态调整[13][15] - **因子具体构建过程**： 1. 计算基金大盘仓位与小盘仓位的差值或比率 2. 统计周度变动幅度[15][17] --- 因子的回测效果 1. **基金行业配置因子** - 电子行业权重：普通股票型13.88%（分位点63.24%），偏股混合型16.13%（分位点77.94%）[19][20] - 医药行业权重：普通股票型10.98%（分位点13.60%），偏股混合型9.25%（分位点23.16%）[19][20] 2. **大小盘仓位变动因子** - 本周大盘仓位增幅：偏股混合型+2.86%（显著高于普通股票型+1.39%）[15] - 小盘仓位降幅：偏股混合型-1.40%（高于普通股票型-0.42%）[15]