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]。

量化模型与构建方式 1. **模型名称**：攻守兼备红利50组合[15] * **模型构建思路**：该模型属于红利系列产品，旨在构建一个兼具“稳健”与“成长”风格的红利投资组合[15]。其思路可能是在筛选高分红股票的基础上，融入对上市公司质量或成长性的考量，以实现“攻守兼备”的效果[16]。 * **模型具体构建过程**：报告未详细披露该组合的具体选股因子、权重配置及再平衡规则。 2. **模型名称**：央国企高分红30组合[15] * **模型构建思路**：该模型同样属于红利系列产品，其风格定位为“稳健+成长”，但聚焦于中央企业和国有企业[15]。其构建思路是在央国企范围内，筛选具备高分红特征的股票。 * **模型具体构建过程**：报告未详细披露该组合的具体选股因子、权重配置及再平衡规则。 3. **模型名称**：电子均衡配置增强组合[15] * **模型构建思路**：该模型属于行业增强系列产品，聚焦于电子板块[15]。其思路是在电子行业内进行均衡配置，并试图通过量化方法增强组合表现，以跑赢电子行业基准。 * **模型具体构建过程**：报告未详细披露该组合的具体选股因子、行业配置及增强方法。 4. **模型名称**：电子板块优选增强组合[15] * **模型构建思路**：该模型同样属于电子行业增强系列产品，但其选股逻辑更为聚焦[15]。它旨在筛选电子板块内迈入成熟期的细分赛道龙头企业进行投资[15]。 * **模型具体构建过程**：报告未详细披露该组合对“成熟期细分赛道龙头企业”的具体定义、筛选因子及增强方法。 模型的回测效果 （注：报告主要提供了特定时间窗口的表现数据，未提供完整的长期回测指标如年化收益、夏普比率、最大回撤等。以下为报告中提及的业绩表现。） 1. **攻守兼备红利50组合**： * 2025年初以来相对中证红利全收益超额收益：约11.13%[23] * 本周（2025年12月22日至26日）相对中证红利全收益超额收益：约0.52%[16][23] * 本周绝对收益在同类红利基金产品中的分位：约17%分位[16][23] * 2025年初以来绝对收益在同类红利基金产品中的分位：约34%分位[23] 2. **电子均衡配置增强组合**： * 本周（2025年12月22日至26日）绝对收益：约4.82%[8][33] * 本周相对电子全收益指数表现：略跑输[8][33] 3. **电子板块优选增强组合**： * 本周（2025年12月22日至26日）相对电子全收益指数表现：落后较多[8][33] 量化因子与构建方式 （注：本报告为策略跟踪周报，未详细阐述底层量化因子的构建过程。报告中提及了“红利质量”等因子类别，但未给出具体因子定义和计算公式。） 1. **因子类别名称**：红利质量[16][19] * **因子的构建思路**：该因子类别旨在结合上市公司的分红能力（红利）与基本面质量（质量）。其思路是筛选出不仅分红率高，而且盈利质量、成长性或财务稳健性更优的股票，以规避“价值陷阱”[16]。 * **因子具体构建过程**：报告未提供具体的因子计算公式。通常，“质量”维度可能涉及盈利能力（如ROE、ROA）、盈利稳定性、成长性（如净利润增长率）或财务健康度（如资产负债率）等指标。 2. **因子类别名称**：红利低波[19] * **因子的构建思路**：该因子类别旨在结合上市公司的分红特征与股价的低波动特性。其思路是筛选出分红稳定且股价波动率较低的股票，以追求更稳健的收益风险比。 * **因子具体构建过程**：报告未提供具体的因子计算公式。通常，“低波”维度可能使用历史日收益率或周收益率计算出的波动率指标。 3. **因子类别名称**：红利增长[19] * **因子的构建思路**：该因子类别旨在结合上市公司的分红特征与未来分红或盈利的增长潜力。其思路是筛选出当前有分红且未来具备持续增长能力的股票。 * **因子具体构建过程**：报告未提供具体的因子计算公式。通常，“增长”维度可能涉及分析师对未来分红或盈利的一致预期增长率。 4. **因子类别名称**：红利价值[19] * **因子的构建思路**：该因子类别旨在结合上市公司的分红特征与估值水平。其思路是筛选出分红率高且估值较低的股票，追求深度价值。 * **因子具体构建过程**：报告未提供具体的因子计算公式。通常，“价值”维度可能使用市盈率（PE）、市净率（PB）、市销率（PS）等估值指标。 因子的回测效果 （注：报告未提供上述因子类别的独立测试结果，如IC值、分组收益等。仅提供了基于这些因子类别构建的指数在特定周期的表现。） 1. **红利质量类别指数代表（中证红利质量指数 931468.CSI）**： * 本周（2025年12月22日至26日）绝对收益：1.62%[19] * 本周相对中证红利指数超额收益：1.07%[19] * 所属类别（红利质量）周度绝对收益均值：0.92%[19] 2. **红利低波类别指数代表（中证红利低波动指数 h30269.CSI）**： * 本周绝对收益：-0.37%[19] * 本周相对中证红利指数超额收益：-0.93%[19] * 所属类别（红利低波）周度绝对收益均值：-0.04%[19] 3. **红利增长类别指数代表（中证红利潜力指数 h30089.CSI）**： * 本周绝对收益：0.64%[19] * 本周相对中证红利指数超额收益：0.08%[19] * 所属类别（红利增长）周度绝对收益均值：0.60%[19] 4. **红利价值类别指数代表（中证红利价值指数 h30270.CSI）**： * 本周绝对收益：-0.11%[19] * 本周相对中证红利指数超额收益：-0.67%[19] * 所属类别（红利价值）周度绝对收益均值：-0.30%[19]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：风格相对拥挤度模型[71][127] * **模型构建思路**：通过计算不同风格指数换手率标准化值的差异及其历史分位，来衡量某一风格相对于另一风格的交易拥挤程度，以判断其配置风险或性价比[71][127]。 * **模型具体构建过程**： 1. 对于风格A指数和风格B指数，分别计算其近252个交易日的平均换手率[127]。 2. 将上述平均换手率值，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[127]。 3. 计算二者差值：$$Diff_{AB} = Z\text{-}score_A - Z\text{-}score_B$$[127] 4. 计算差值Diff_AB的滚动6年历史分位数（若历史数据不足6年但满1年，则使用全部历史数据计算），该分位数即为风格A相对于风格B的相对拥挤度[127]。 2. **模型名称**：风格累计超额净值模型[128] * **模型构建思路**：以万得全A指数为基准，计算各风格指数的累计超额收益，用于跟踪风格表现的相对强弱[128]。 * **模型具体构建过程**： 1. 设定基准日（报告中为2020年1月4日）[128]。 2. 将各风格指数及万得全A指数的每日收盘价除以基准日收盘价，得到各自的累计净值序列[128]。 3. 将各风格指数每日的累计净值除以同一交易日万得全A指数的累计净值，得到该风格指数相对于万得全A的累计超额净值[128]。 3. **模型名称**：机构调研活跃度模型[129] * **模型构建思路**：通过标准化并比较不同板块（指数、行业）的机构调研频率，构建活跃度指标并计算其历史分位，以衡量市场关注度的变化[129]。 * **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”[129]。 2. 将该日均值在滚动y年的历史时间序列上进行z-score标准化[129]。 3. 将上述标准化值与万得全A指数的同期标准化结果作差，得到“机构调研活跃度”[129]。 4. 计算该“机构调研活跃度”的滚动y年历史分位数（长期口径：n=126，y=6年；短期口径：n=63，y=3年。历史数据不足时使用全部可用数据计算）[129]。 模型的回测效果 *本报告为市场跟踪周报，未提供上述模型的长期历史回测绩效指标（如年化收益率、夏普比率、最大回撤等）。报告主要展示了模型在特定时点（2025年12月26日当周）的输出结果和状态判断[71][75][77][78]。* 量化因子与构建方式 1. **因子名称**：滚动季度夏普率[37][39] * **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，作为衡量市场情绪与风险的指标[37]。 * **因子具体构建过程**：报告未给出详细计算公式，但遵循夏普比率通用定义，即区间超额收益率均值除以收益率标准差。文中指出该指标上升至历史极高位置表明市场情绪达到极端高峰[37]。 2. **因子名称**：风险溢价（ERP）[51][59] * **因子构建思路**：计算股票指数市盈率倒数与无风险利率的差值，作为衡量股债相对性价比的指标[51]。 * **因子具体构建过程**：对于任一指数，其ERP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年期中国国债到期收益率[51]。 3. **因子名称**：成交热度[25][35] * **因子构建思路**：使用换手率的历史分位来度量指数、板块或行业的交易活跃程度[25]。 * **因子具体构建过程**：成交热度定义为“周度日均自由流通换手率”在设定历史区间（例如2005年1月1日至今）内的历史分位值[25][35]。 4. **因子名称**：动量因子（基于长江动量指数）[61] * **因子构建思路**：以最近一年收益率减去最近一个月收益率（剔除涨停板）作为动量指标，筛选动量特征强的股票[61]。 * **因子具体构建过程**：报告未给出具体加权和调仓细节。长江动量指数综合选择A股市场中动量特征强且流动性相对较高的前100只股票作为成分股，以表征动量风格的整体走势[61]。 5. **因子名称**：反转因子（基于长江反转指数）[61] * **因子构建思路**：以最近一个月收益率作为筛选指标，筛选反转效应强的股票[61]。 * **因子具体构建过程**：报告未给出具体加权和调仓细节。长江反转指数综合选择A股市场中反转效应强、流动性较好的前100只股票作为成分股，并采用近三个月日均成交量进行加权，以表征反转风格的整体表现[61]。 因子的回测效果 *本报告未提供上述因子的IC、IR、多空收益等传统因子测试结果。报告主要展示了这些因子或基于其构建的指数在特定时期（近一周、近一月、年初至今）的表现，以及相关指标（如PE分位、ERP分位）在当周末的截面或时间序列值[17][35][49][59][66]。*

量化模型与构建方式 1. **模型名称：成交量模型**[8][11] * **模型构建思路：** 属于短期择时模型，基于市场价量关系构建，核心思想简单普世[8]。 * **模型具体构建过程：** 报告未详细说明具体构建公式和过程，仅提及其为基于价量角度构建的模型之一[8]。 2. **模型名称：特征龙虎榜机构模型**[11] * **模型构建思路：** 属于短期择时模型，基于龙虎榜中的机构交易行为特征构建。 * **模型具体构建过程：** 报告未详细说明具体构建公式和过程。 3. **模型名称：特征成交量模型**[11] * **模型构建思路：** 属于短期择时模型，基于特殊的成交量特征构建。 * **模型具体构建过程：** 报告未详细说明具体构建公式和过程。 4. **模型名称：智能算法沪深300模型**[11] * **模型构建思路：** 属于短期择时模型，应用智能算法对沪深300指数进行择时。 * **模型具体构建过程：** 报告未详细说明具体构建公式和过程。 5. **模型名称：智能算法中证500模型**[11] * **模型构建思路：** 属于短期择时模型，应用智能算法对中证500指数进行择时。 * **模型具体构建过程：** 报告未详细说明具体构建公式和过程。 6. **模型名称：涨跌停模型**[8][12] * **模型构建思路：** 属于中期择时模型，基于市场涨跌停股票的数量、分布等特征构建[8]。 * **模型具体构建过程：** 报告未详细说明具体构建公式和过程。 7. **模型名称：上下行收益差模型**[8][12] * **模型构建思路：** 属于中期择时模型，通过计算市场上行收益与下行收益的差值来捕捉市场动能或情绪[8]。 * **模型具体构建过程：** 报告未详细说明具体构建公式和过程。 8. **模型名称：月历效应模型**[12] * **模型构建思路：** 属于中期择时模型，基于历史数据中存在的特定月份或时间段的规律性收益模式构建。 * **模型具体构建过程：** 报告未详细说明具体构建公式和过程。 9. **模型名称：长期动量模型**[8][13] * **模型构建思路：** 属于长期择时模型，基于资产的长期价格趋势（动量）进行择时[8]。 * **模型具体构建过程：** 报告未详细说明具体构建公式和过程。 10. **模型名称：A股综合兵器V3模型**[14] * **模型构建思路：** 属于综合择时模型，通过耦合不同周期（短、中、长）或不同策略的择时模型信号，形成攻守兼备的综合观点[8]。 * **模型具体构建过程：** 报告未详细说明具体耦合规则和权重分配。 11. **模型名称：A股综合国证2000模型**[14] * **模型构建思路：** 属于综合择时模型，专门针对国证2000指数，通过耦合相关择时模型信号形成综合观点。 * **模型具体构建过程：** 报告未详细说明具体构建公式和过程。 12. **模型名称：成交额倒波幅模型**[15] * **模型构建思路：** 属于港股中期择时模型，结合成交额与波动率（倒波幅）指标来判断市场状态。 * **模型具体构建过程：** 报告未详细说明具体构建公式和过程。 13. **模型名称：恒生指数上下行收益差模型**[15] * **模型构建思路：** 属于港股中期择时模型，原理与A股的上下行收益差模型类似，应用于恒生指数。 * **模型具体构建过程：** 报告未详细说明具体构建公式和过程。 14. **模型名称：形态学监控模型（杯柄形态、双底形态）**[38] * **模型构建思路：** 基于技术分析中的经典价格形态（如杯柄形态、双底形态）进行选股或择时，认为形态突破后价格会延续原有趋势。 * **模型具体构建过程：** 报告展示了形态识别出的具体个股及其关键点位（如A点、B点、C点），但未给出形态识别的量化算法和突破判断的具体阈值[42][46][50][52]。 15. **模型名称：VIX指数模型**[35] * **模型构建思路：** 通过计算期权的隐含波动率来反映市场对未来波动率的预期，常作为市场情绪或恐慌程度的指标。 * **模型具体构建过程：** 报告提及根据公开披露的VIX计算方法复现了VIX指数，并与历史官方数据相关性达99.2%，但未列出具体计算公式[35]。 模型的回测效果 *本报告为周度观点报告，主要展示模型的最新信号，未提供历史回测的量化指标（如年化收益率、夏普比率、最大回撤等）。* 量化因子与构建方式 *本报告未涉及具体的量化因子构建。* 因子的回测效果 *本报告未涉及具体的量化因子测试。*

量化模型与构建方式 1. **模型名称：宽基轮动策略**[13] * **模型构建思路**：基于市场情绪热度变化，构建一个简单的宽基指数轮动策略。每周选择市场关注度（总热度）提升最显著的宽基指数进行投资，若关注度提升最大的是非主流股票（“其他”组），则选择空仓[11][13]。 * **模型具体构建过程**： 1. 将全市场股票按宽基指数成分股（沪深300、中证500、中证1000、中证2000）以及不属于这些指数的“其他”股票进行分组[8]。 2. 计算每个组别（宽基指数或“其他”组）的“总热度”指标，即组内所有成分股“个股总热度”的加和[7]。 3. 计算每个组别总热度的周度变化率，并取2周移动平均（MA2）进行平滑处理[11]。 4. 在每周最后一个交易日，比较各宽基指数组（不包括“其他”组）的周度热度变化率MA2，买入该值最大的宽基指数。如果变化率最大的组是“其他”组，则本周不持仓（空仓）[13]。 2. **模型名称：热门概念内低热度选股策略**[30][32] * **模型构建思路**：在短期内受市场情绪驱动、热度快速上升的概念板块中，逆向选择该概念内关注度（总热度）最低的个股，以期获得超额收益[29][30]。 * **模型具体构建过程**： 1. 每周计算所有概念板块的“总热度”变化率[28]。 2. 选出本周热度变化率最大的5个概念板块，将其所有成分股作为备选股票池[32]。 3. 从备选股票池中剔除流通市值最小的20%的股票[32]。 4. 对于每个选出的热门概念，分别构建两个组合： * **热度TOP组合**：选取该概念内“个股总热度”排名前10的股票，等权持有[32]。 * **热度BOTTOM组合**：选取该概念内“个股总热度”排名后10的股票，等权持有[32]。 模型的回测效果 1. **宽基轮动策略**，年化收益率8.74%，最大回撤23.5%，2025年收益36.71%[16]。 2. **热门概念内低热度选股策略（BOTTOM组合）**，年化收益15.71%，最大回撤28.89%，2025年收益42.4%[34]。 量化因子与构建方式 1. **因子名称：个股总热度**[7] * **因子构建思路**：通过加总反映投资者关注度的行为数据（浏览、自选、点击），构建一个衡量个股受市场关注程度的代理指标[7]。 * **因子具体构建过程**：对于单只股票，计算其日度的浏览、自选与点击次数之和。将该数值除以当日全市场所有股票的浏览、自选与点击次数之和，进行归一化处理。最后将归一化后的数值乘以10000，得到取值区间为[0, 10000]的“个股总热度”指标[7]。 公式为： $$个股总热度 = \frac{股票日度（浏览+自选+点击）次数}{全市场日度（浏览+自选+点击）总次数} \times 10000$$ 2. **因子名称：宽基/行业/概念总热度**[7] * **因子构建思路**：将“个股总热度”因子在宽基指数、行业或概念板块层面进行聚合，得到更高维度的市场情绪热度指标[7]。 * **因子具体构建过程**：对于一个特定的宽基指数、申万行业或概念板块，将其包含的所有成分股的“个股总热度”指标进行简单加和，得到该板块的“总热度”指标[7]。 3. **因子名称：热度变化率MA2**[11][20] * **因子构建思路**：计算板块“总热度”的周度环比变化，并采用移动平均平滑，以捕捉市场关注度的边际变化趋势[11][20]。 * **因子具体构建过程**：对于宽基、行业或概念板块，计算其本周“总热度”相对于上周“总热度”的变化率。然后对该周度变化率序列取2期移动平均（MA2），得到平滑后的热度变化率指标[11][20]。 4. **因子名称：估值历史分位数**[39][40] * **因子构建思路**：计算宽基指数或行业板块当前估值（如PE）在历史序列中所处的位置，以判断其相对估值水平的高低[39][40]。 * **因子具体构建过程**：对于宽基指数（如沪深300），计算其当前估值（如PETTM）在最近5年滚动窗口内的历史分位数[39]。对于行业板块，计算其当前估值自2015年起的历史分位数[40]。