量化模型与构建方式 1. **模型名称：成交量模型**[9][12] * **模型构建思路**：基于价量关系进行市场择时，认为成交量变化蕴含市场情绪和趋势信息[9]。 * **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步骤。 2. **模型名称：特征龙虎榜机构模型**[12] * **模型构建思路**：利用龙虎榜中机构投资者的买卖行为特征来构建择时信号[12]。 * **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步骤。 3. **模型名称：特征成交量模型**[12] * **模型构建思路**：基于更精细或具有特定特征的成交量数据（可能与普通成交量不同）进行择时[12]。 * **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步骤。 4. **模型名称：智能算法模型（沪深300/中证500）**[12] * **模型构建思路**：运用智能算法（如机器学习）对市场数据进行建模，以生成择时信号[12]。 * **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步骤。 5. **模型名称：涨跌停模型**[13] * **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来研判市场情绪和强度[9][13]。 * **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步骤。 6. **模型名称：上下行收益差模型**[13] * **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，来衡量市场的内在动能和趋势[9][13]。 * **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步骤。 7. **模型名称：月历效应模型**[13] * **模型构建思路**：基于历史数据中存在的特定月份或时间窗口的规律性收益模式进行择时[13]。 * **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步骤。 8. **模型名称：长期动量模型**[14] * **模型构建思路**：利用长期的价格动量效应，即过去表现较好的资产未来继续表现较好的趋势，进行择时[9][14]。 * **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步骤。 9. **模型名称：A股综合兵器V3模型**[15] * **模型构建思路**：这是一个综合性的择时模型，可能耦合了多个周期、多个策略的信号，以达到攻守兼备的效果[9][15]。 * **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步骤。 10. **模型名称：A股综合国证2000模型**[15] * **模型构建思路**：针对国证2000指数构建的综合择时模型[15]。 * **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步骤。 11. **模型名称：成交额倒波幅模型（港股）**[16] * **模型构建思路**：结合成交额和波动率（波幅）的倒数关系来对港股市场进行择时[16]。 * **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步骤。 12. **模型名称：恒生指数上下行收益差模型（港股）**[16] * **模型构建思路**：针对恒生指数，计算其上行与下行的收益差来构建择时信号[16]。 * **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步骤。 13. **模型名称：双底形态选股策略**[42][51] * **模型构建思路**：基于技术分析中的“双底”形态进行选股，该形态通常被视为看涨反转信号[42]。 * **模型具体构建过程**：识别股价走势中形成的两个近似低点（A点和C点）及之间的反弹高点（B点），当股价突破B点与A点连线构成的颈线位时，视为形态突破，产生买入信号[51]。报告展示了具体个股的A、B、C点日期及突破时点[51][54]。 14. **模型名称：杯柄形态选股策略**[42][45] * **模型构建思路**：基于技术分析中的“杯柄”形态进行选股，该形态是持续看涨的整理形态[42]。 * **模型具体构建过程**：识别股价先下跌后回升形成的“U”形杯状区域（A点到B点），随后在一段较小的回调整理（柄部，B点到C点）后，股价放量突破柄部高点，视为形态突破，产生买入信号[45]。报告展示了具体个股的A、B、C点日期及突破时点[45][55]。 15. **模型名称：倒杯子形态风险监控**[60] * **模型构建思路**：识别技术分析中的“倒杯子”形态，该形态被视为典型的负向形态，预示股价可能延续下跌趋势[60]。 * **模型具体构建过程**：在一波下跌后的反弹筑顶过程中，识别顶部形态，当股价再次下跌并实现向下突破时，确认该负面形态[60]。报告展示了具体个股的形态关键点（A、C、E点）[60]。 模型的回测效果 1. **双底形态组合**，本周收益0.13%，同期上证综指涨跌幅0.37%，本周相对收益-0.23%，自2020年12月31日至今累计收益14.14%，累计超额收益1.77%[42]。 2. **杯柄形态组合**，本周收益-0.23%，同期上证综指涨跌幅0.37%，本周相对收益-0.59%，自2020年12月31日至今累计收益10.57%，累计超额收益-1.8%[42]。 3. **上周杯柄形态突破个股**（30只），上周平均超额收益0.09%[43]。 4. **上周双底形态突破个股**（17只），上周平均超额收益1.17%[49]。 量化因子与构建方式 * 报告提及监控了33个“大师系列”量化选股策略，涉及价值型、成长型、综合型，但未详细阐述具体因子的构建方式[35]。 因子的回测效果 * 报告未提供具体因子的测试结果取值。

量化模型与构建方式 1. **模型名称：A股景气指数模型**[30] * **模型构建思路**：以上证指数归母净利润同比为Nowcasting目标，构建一个反映A股景气度的高频指数，用于观测和预测经济景气周期[30]。 * **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步骤，仅说明其构建目标和方法。详细构建过程需参考其提及的关联报告《视角透析：A股景气度高频指数构建与观察》[30]。 2. **模型名称：A股情绪指数模型**[34] * **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，通过构建“波动-成交情绪时钟”来划分市场状态，并据此生成见底和见顶预警信号[34]。 * **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步骤。其核心逻辑是将市场状态根据波动率（上/下）和成交额（上/下）划分为四个象限，并统计各象限的历史收益特征，以此作为情绪判断和择时的依据[34]。详细构建过程需参考其提及的关联报告《视角透析：A股情绪指数构建与观察》[34]。 3. **模型名称：主题挖掘算法模型**[48] * **模型构建思路**：通过处理新闻和研报文本，提取主题关键词、挖掘主题与个股关系、构建主题活跃周期和影响力因子等多个维度，来识别和描述主题投资机会[48]。 * **模型具体构建过程**：报告未提供该算法的具体构建公式和详细步骤，仅概述了其包含的多个处理维度[48]。 4. **模型名称：中证500指数增强模型**[48] * **模型构建思路**：通过量化策略模型构建投资组合，旨在持续稳定地跑赢中证500指数基准[48]。 * **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公式，仅展示了其持仓明细和业绩表现[48][50]。 5. **模型名称：沪深300指数增强模型**[55] * **模型构建思路**：通过量化策略模型构建投资组合，旨在持续稳定地跑赢沪深300指数基准[55]。 * **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公式，仅展示了其持仓明细和业绩表现[55][56]。 6. **模型/因子框架名称：BARRA风格因子模型**[60] * **模型构建思路**：参照BARRA因子模型框架，为A股市场构建一套系统的风格因子体系，用于描述股票收益的风险来源，并进行组合绩效归因分析[60][68]。 * **模型具体构建过程**：报告列出了所构建的十大类风格因子名称，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）[60]。但未提供每个因子的具体计算公式。 量化因子与构建方式 1. **因子名称：市值因子 (SIZE)**[60] * **因子构建思路**：衡量公司规模大小的风格因子。 * **因子具体构建过程**：报告未提供具体计算公式。 2. **因子名称：BETA因子**[60] * **因子构建思路**：衡量股票相对于市场整体波动性的风格因子。 * **因子具体构建过程**：报告未提供具体计算公式。 3. **因子名称：动量因子 (MOM)**[60] * **因子构建思路**：衡量股票价格趋势延续性的风格因子。 * **因子具体构建过程**：报告未提供具体计算公式。 4. **因子名称：残差波动率因子 (RESVOL)**[60] * **因子构建思路**：衡量股票特异性风险（剔除市场风险后的波动）的风格因子。 * **因子具体构建过程**：报告未提供具体计算公式。 5. **因子名称：非线性市值因子 (NLSIZE)**[60] * **因子构建思路**：捕捉市值因子非线性效应的风格因子。 * **因子具体构建过程**：报告未提供具体计算公式。 6. **因子名称：估值因子 (BTOP， Book-to-Price)**[60] * **因子构建思路**：衡量股票估值水平的风格因子，通常为账面市值比。 * **因子具体构建过程**：报告未提供具体计算公式。 7. **因子名称：流动性因子 (LIQUIDITY)**[60] * **因子构建思路**：衡量股票交易活跃度与变现难易程度的风格因子。 * **因子具体构建过程**：报告未提供具体计算公式。 8. **因子名称：盈利因子 (EARNINGS_YIELD)**[60] * **因子构建思路**：衡量公司盈利能力的风格因子。 * **因子具体构建过程**：报告未提供具体计算公式。 * **因子评价**：报告指出，从近期因子表现来看，高盈利股表现优异[2][61]。 9. **因子名称：成长因子 (GROWTH)**[60] * **因子构建思路**：衡量公司成长能力的风格因子。 * **因子具体构建过程**：报告未提供具体计算公式。 10. **因子名称：杠杆因子 (LVRG)**[60] * **因子构建思路**：衡量公司财务杠杆水平的风格因子。 * **因子具体构建过程**：报告未提供具体计算公式。 * **因子评价**：报告指出，从近期因子表现来看，杠杆等因子表现不佳[2][61]。 模型的回测效果 1. **中证500增强模型**，本周收益0.60%，跑输基准0.34%[48]。2020年至今，累计超额收益49.21%，最大回撤-5.73%[48]。 2. **沪深300增强模型**，本周收益1.40%，跑赢基准0.12%[55]。2020年至今，累计超额收益38.20%，最大回撤-5.86%[55]。 3. **A股情绪指数系统择时模型**，报告通过图表展示了其择时表现，但未给出具体的绩效指标数值[45]。 因子的回测效果 *注：报告未提供单个因子长期回测的绩效指标（如IC、IR、多空收益等）。仅提供了近期（近一周）的风格因子纯因子收益率和相关性数据。* 1. **风格因子暴露相关性**：报告以矩阵形式展示了近一周十大类风格因子风险暴露之间的相关系数[62]。例如，流动性因子与Beta、动量、残差波动率呈现明显正相关性；价值因子与Beta、残差波动率、流动性等因子呈现明显负相关性[61][62]。 2. **风格因子纯因子收益率**：报告指出，近一周风格因子中，**盈利因子超额收益较高**，**残差波动率因子呈较为显著的负向超额收益**[2][61]。具体数值通过图表展示但未在文本中列出[70]。 3. **行业因子纯因子收益率**：报告指出，近一周有色金属、国防军工、通信等行业因子相对市场市值加权组合跑出较高超额收益，银行、传媒等行业因子回撤较多[2][61]。具体数值通过图表展示但未在文本中列出[65]。

量化模型与构建方式 1. **模型名称：行业主线模型（相对强弱RSI指标）**[1][4][9] * **模型构建思路**：通过构建行业层面的相对强弱指标，识别在每年特定时间窗口内表现强势的行业，这些行业有较大概率成为当年的市场主线[9]。 * **模型具体构建过程**： 1. 以31个申万一级行业指数为标的[9]。 2. 分别计算每个行业过去20、40、60个交易日的涨跌幅[9]。 3. 在每个时间窗口（20日、40日、60日）的横截面上，对所有行业的涨跌幅进行排名，并对排名进行归一化处理，得到三个归一化排名值：RS_20, RS_40, RS_60[9]。 4. 对三个排名值取平均，得到最终的行业相对强弱指数RS[9]。 $$ RS = (RS\_20 + RS\_40 + RS\_60) / 3 $$ * **模型评价**：该模型旨在提前识别年度领涨行业，为年度主线判断提供参考[9]。 2. **模型名称：行业景气度-趋势-拥挤度框架（右侧行业轮动模型）**[1][2][6][13] * **模型构建思路**：构建一个包含景气度、趋势、拥挤度三个维度的综合评价框架，并衍生出两种具体的行业轮动方案，以适应不同的市场环境[6][13]。 * **模型具体构建过程**： * **框架核心**：对每个行业，分别计算其**景气度**、**趋势**和**拥挤度**指标，并在三维图谱中进行可视化定位（例如，横轴为景气度，纵轴为趋势，气泡大小和颜色代表拥挤度）[6][8][17]。 * **衍生方案一：行业景气模型（高景气-强趋势）**：以景气度为核心，筛选高景气且趋势强的行业，同时利用拥挤度指标规避高拥挤的风险，该方案进攻性较强[13]。 * **衍生方案二：行业趋势模型（强趋势-低拥挤）**：以市场趋势为核心，筛选趋势强且拥挤度低的行业，同时规避低景气行业，该方案思路简单，持有体验感强[13]。 3. **模型名称：左侧库存反转模型**[4][24] * **模型构建思路**：从赔率-胜率角度出发，在处于困境或困境有所反弹的板块中，挖掘分析师长期看好且库存压力不大、具备补库条件的行业，以捕捉行业困境反转行情[24]。 * **模型具体构建过程**：报告未详细描述具体构建公式和步骤，但提及其核心逻辑是结合行业库存周期、分析师预期和赔率胜率进行筛选[24]。 4. **模型名称：行业景气趋势ETF配置模型**[18] * **模型构建思路**：将“行业景气度-趋势-拥挤度框架”应用于可交易的行业ETF上，构建具体的ETF配置组合[18]。 * **模型具体构建过程**：基于行业景气度模型得出的行业配置权重，选择对应跟踪指数的规模最大的ETF进行投资[18][20]。 5. **模型名称：行业景气度选股模型（叠加PB-ROE）**[20][21] * **模型构建思路**：在行业配置模型确定行业权重的基础上，在行业内使用PB-ROE模型进一步筛选估值性价比高的个股，构建股票投资组合[20]。 * **模型具体构建过程**： 1. 根据行业配置模型确定各行业的配置权重[20]。 2. 在每个行业内，使用PB-ROE模型筛选出估值性价比位于前40%的股票[20]。 3. 对筛选出的股票，按流通市值和PB-ROE打分进行加权，得到最终的股票组合权重[20]。 量化因子与构建方式 1. **因子名称：行业相对强弱指数（RS）**[9] * **因子构建思路**：综合多个时间窗口的行业涨跌幅排名，构建一个反映行业相对市场整体强弱程度的指标[9]。 * **因子具体构建过程**： 1. 计算行业过去N日涨跌幅（N=20, 40, 60）[9]。 2. 在每个截面上，对31个行业的涨跌幅进行排名，得到排名值 Rank_N[9]。 3. 对排名进行归一化处理，例如将排名转换为百分比排名，得到RS_N[9]。 4. 将三个时间窗口的归一化排名求平均值，得到最终RS因子值[9]。 $$ RS = (RS\_20 + RS\_40 + RS\_60) / 3 $$ 2. **因子名称：行业景气度**[13][17] * **因子构建思路**：衡量行业基本面的繁荣程度。报告未给出具体计算公式，但从图表坐标轴可知，该因子是一个标准化后的数值，用于横向比较行业间的景气水平[17]。 3. **因子名称：行业趋势**[13][17] * **因子构建思路**：衡量行业价格动量的强弱。报告未给出具体计算公式，但从图表坐标轴可知，该因子是一个标准化后的数值，用于横向比较行业间的趋势强度[17]。 4. **因子名称：行业拥挤度**[6][13][17] * **因子构建思路**：衡量行业交易的热度或风险程度，用于提示风险。拥挤度高的行业（红色气泡）应尽量规避，拥挤度低的行业（蓝色气泡）更安全[6][17]。报告未给出具体计算公式。 5. **因子名称：PB-ROE**[20] * **因子构建思路**：结合市净率（PB）和净资产收益率（ROE）来评估股票的估值性价比，低PB高ROE代表估值性价比高[20]。 * **因子具体构建过程**：报告未详细描述具体构建公式，但提及用于在行业内筛选排名前40%的股票[20]。 模型的回测效果 （基准：Wind全A指数，除非特别说明） 1. **行业景气度-趋势-拥挤度框架（行业配置模型）**，年化收益21.7%，年化超额收益13.8%，信息比率(IR)1.5，超额最大回撤-8.0%，月度胜率67%[13]。 2. **行业景气趋势ETF配置模型**（基准：中证800），年化超额收益16.2%，信息比率(IR)1.8，超额最大回撤10.8%，月度胜率66%[18]。 3. **行业景气度选股模型（叠加PB-ROE）**，年化收益26.3%，年化超额收益19.7%，信息比率(IR)1.7，超额最大回撤-15.4%，月度胜率69%[21]。 4. **左侧库存反转模型**（基准：行业等权），2025年（至11月底）绝对收益25.4%，相对行业等权超额收益5.4%[24]。 因子的回测效果 （报告未提供单个因子的独立回测指标值，如IC、IR等，仅提供了整合因子后的模型表现）

量化模型与构建方式 1. **模型名称：量能择时模型**[24][25] * **模型构建思路**：通过分析主要宽基指数的成交量变化，判断市场短期走势，给出看多或谨慎（空）的观点[24]。 * **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步骤，仅展示了其应用结果。模型对多个宽基指数（上证指数、上证50、沪深300、中证500、中证1000、创业板指、北证50）分别生成择时信号[25]。 2. **模型名称：沪深300上涨家数占比择时模型**[25][27][29] * **模型构建思路**：通过计算沪深300指数成分股中近期上涨股票的数量占比，来判断市场情绪和趋势，并利用快慢线交叉原理生成交易信号[25][27]。 * **模型具体构建过程**： 1. 首先计算基础指标：沪深300指数N日上涨家数占比 = 沪深300指数成分股过去N日收益大于0的个股数占比[25]。报告中N=230[27]。 2. 对基础指标进行平滑处理：分别计算窗口期为N1和N2的移动平均线，作为慢线和快线，其中N1>N2。报告中N1=50，N2=35[27][29]。 3. 生成信号：当快线大于慢线时，看多沪深300指数；当快线小于慢线时，对市场持中性或谨慎态度[27][29]。 3. **模型名称：均线情绪指标择时模型**[33] * **模型构建思路**：通过计算沪深300指数收盘价与一组长期均线的相对位置，判断指数的趋势状态，并据此生成看多或看空的情绪信号[33]。 * **模型具体构建过程**： 1. 计算八条均线：参数分别为8, 13, 21, 34, 55, 89, 144, 233[33]。 2. 计算当日沪深300指数收盘价大于这八条均线指标值的数量[33]。 3. 生成信号：当价格大于均线的数量超过5时，看多沪深300指数[33]。 模型的回测效果 （注：报告未提供上述择时模型具体的回测绩效指标，如年化收益率、夏普比率、最大回撤等数值结果。） 量化因子与构建方式 1. **因子名称：横截面波动率**[37][38] * **因子构建思路**：计算特定指数（如沪深300、中证500、中证1000）成分股在横截面上的收益率波动率，用以衡量市场分化程度和Alpha策略的盈利环境[37]。 * **因子具体构建过程**：报告未给出具体的计算公式，但指出该因子用于观察短期Alpha环境的好坏。横截面波动率上升通常意味着Alpha环境好转[37]。 2. **因子名称：时间序列波动率**[38][41] * **因子构建思路**：计算指数成分股加权的时间序列波动率，用以衡量市场整体波动水平和Alpha环境[38]。 * **因子具体构建过程**：报告未给出具体的计算公式，但指出该因子用于观察Alpha环境。时间序列波动率上升通常意味着Alpha环境好转[38]。 3. **因子名称：抱团基金分离度**[77] * **因子构建思路**：通过计算抱团基金组合截面收益的标准差，作为基金抱团程度的代理变量。标准差小表示抱团程度高，标准差大表示抱团正在瓦解[77]。 * **因子具体构建过程**：具体计算方式为抱团基金截面收益的标准差[77]。 因子的回测效果 1. **横截面波动率因子**，近两年平均值：沪深300为1.92%，中证500为2.11%，中证1000为2.31%[38]。近一年平均值：沪深300为1.88%，中证500为2.12%，中证1000为2.39%[38]。近半年平均值：沪深300为1.98%，中证500为2.15%，中证1000为2.39%[38]。近一季度平均值：沪深300为2.14%，中证500为2.33%，中证1000为2.52%[38]。 2. **时间序列波动率因子**，近两年平均值：沪深300为0.65%，中证500为0.47%，中证1000为0.26%[41]。近一年平均值：沪深300为0.61%，中证500为0.45%，中证1000为0.25%[41]。近半年平均值：沪深300为0.62%，中证500为0.45%，中证1000为0.24%[41]。近一季度平均值：沪深300为0.67%，中证500为0.50%，中证1000为0.27%[41]。

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进行宽基指数轮动。认为不同宽基指数（如沪深300、中证500等）成分股的总热度周度变化率（经平滑处理）可以反映资金流向和市场情绪，选择热度上升最快的宽基进行投资，若热度上升最快的是非主流股票（“其他”组），则空仓以规避风险[11][13]。 * **模型具体构建过程**： 1. **数据准备**：将全A股按沪深300、中证500、中证1000、中证2000以及“其他”进行分组[8]。 2. **计算组内总热度**：对每个组内的所有成分股，计算其“个股总热度指标”的加和，得到该宽基（或“其他”组）的“总热度”指标[7][8]。 3. **计算热度变化率**：计算每个宽基（及“其他”组）总热度的周度变化率[11]。 4. **平滑处理**：对周度变化率取2周移动平均（MA2）进行平滑[11]。 5. **交易信号**：在每周最后一个交易日，买入总热度变化率MA2最大的宽基指数。如果变化率最大的为“其他”组，则选择空仓[13]。 6. **执行**：按信号等权买入对应宽基指数。 2. **模型名称：热门概念内低热度选股策略**[29] * **模型构建思路**：在短期受行为因素影响较大的热门概念板块中，选择板块内关注度（热度）最低的个股。逻辑在于热门概念中最高关注度的个股可能已充分定价，而低关注度个股存在反应不足或补涨机会[29]。 * **模型具体构建过程**： 1. **筛选热门概念**：在每周最后一个交易日，选出本周总热度变化率最大的5个概念[29]。 2. **构建备选股票池**：将这5个热门概念对应的所有成分股作为初始股票池，并排除其中流通市值最小的20%的股票[29]。 3. **构建TOP组合**：从每个热门概念的备选股票池中，选出“个股总热度指标”排名前10的个股，等权构建“热度TOP组合”[29]。 4. **构建BOTTOM组合**：从每个热门概念的备选股票池中，选出“个股总热度指标”排名最后10的个股，等权构建“热度BOTTOM组合”[29]。 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31.4%[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40.2%[31]。 量化因子与构建方式 1. **因子名称：个股总热度指标**[7] * **因子构建思路**：通过加总个股的浏览、自选与点击次数，并做归一化处理，构建一个衡量市场对单只股票关注度（情绪热度）的代理指标[7]。 * **因子具体构建过程**： 1. 获取股票i在交易日t的浏览次数、加入自选次数、点击次数。 2. 将上述三个次数相加，得到原始热度值。 3. 计算该原始热度值在当日全市场所有股票总原始热度值中的占比，进行归一化。 4. 将归一化后的数值乘以10000，使因子取值区间落在[0, 10000]。 $$个股总热度指标_{i,t} = \frac{(浏览_{i,t} + 自选_{i,t} + 点击_{i,t})}{\sum_{j=1}^{N}(浏览_{j,t} + 自选_{j,t} + 点击_{j,t})} \times 10000$$ 其中，分母为当日全市场所有股票（共N只）的原始热度值总和[7]。 2. **因子名称：宽基/行业/概念总热度**[7] * **因子构建思路**：将属于同一宽基指数、同一行业或同一概念的所有成分股的“个股总热度指标”进行加总，得到更高层面的情绪热度代理变量，用于追踪市场对特定板块的整体关注度[7]。 * **因子具体构建过程**：对于给定的宽基指数G（或行业、概念），在交易日t，将其所有成分股的“个股总热度指标”进行求和。 $$总热度_{G,t} = \sum_{i \in G} 个股总热度指标_{i,t}$$ 其中，i为属于组G的成分股[7][8]。 3. **因子名称：热度周度变化率MA2**[11][20][27] * **因子构建思路**：计算宽基、行业或概念“总热度”指标的周度环比变化率，并采用2周移动平均进行平滑，以捕捉热度边际变化的趋势，减少噪声[11][20]。 * **因子具体构建过程**： 1. 计算对象（宽基、行业或概念）在第w周的“总热度”均值（或周末值）。 2. 计算周度变化率：$$变化率_w = \frac{总热度_w - 总热度_{w-1}}{总热度_{w-1}}$$ 3. 对变化率序列取2周移动平均（MA2）：$$变化率MA2_w = \frac{变化率_w + 变化率_{w-1}}{2}$$[11] 4. **因子名称：估值历史分位数**[38][41] * **因子构建思路**：计算宽基指数或行业当前估值（如PE）在历史序列中所处的位置（分位数），以判断其相对历史水平的估值高低[38][41]。 * **因子具体构建过程**： 1. **确定估值指标与回溯窗口**：例如，对宽基指数采用滚动5年窗口计算PE_TTM的历史分位数[38]；对行业采用从2015年起始的固定窗口[41]。 2. **计算历史分位数**：将当前估值指标值（如PE_TTM）放入历史时间序列中，计算其百分位排名。 $$估值历史分位数_t = \frac{历史序列中小于等于当前估值值的样本数}{历史序列总样本数} \times 100\%$$ 用于监控市场估值状态[38][41]。 因子的回测效果 （报告中未提供单个因子的独立测试结果，如IC、IR等，仅展示了基于因子构建的策略组合表现）

量化模型与构建方式 1. 短期择时模型 1. **模型名称**：短期择时模型[7][16] 2. **模型构建思路**：通过综合评估基本面、估值面、情绪面和流动性四个维度的多个指标，生成对A股市场的整体择时信号[7][16] 3. **模型具体构建过程**： * 模型包含四个一级指标：基本面、估值面、情绪面、流动性[16] * 每个一级指标下包含若干二级指标，每个二级指标根据其当前值在过去5年的分位数位置，被赋予“乐观”、“谨慎”或“中性”的定性信号[16][19] * 二级指标信号汇总后，形成对应一级指标的定性信号（乐观/谨慎/中性）[16][19] * 最终的总仓位信号由四个一级指标信号综合决定[7][16] * 报告中提及的部分二级指标及其信号生成规则如下[16][17][19]： * **基本面指标**： * 制造业PMI是否>50：若PMI ≤ 50，给出谨慎信号[16][19] * 信贷脉冲环比变化分位数：分位数高（如67.80%）给出乐观信号[16][19] * M1同比增速（HP滤波去趋势）分位数：分位数高（如91.53%）给出乐观信号[16][19] * **估值面指标**： * A股整体PE分位数：分位数高（如94.21%）给出谨慎信号[16][19] * A股整体PB分位数：分位数高（如91.15%）给出谨慎信号[16][19] * **情绪面指标**： * A股整体Beta离散度分位数：分位数中性（如44.07%）给出中性信号[17][19] * A股整体量能情绪分位数：分位数低（如9.59%）给出谨慎信号[17][19] * A股整体波动率分位数：分位数中性（如58.40%）给出中性信号[17][19] * **流动性指标**： * 货币利率指标分位数：分位数低（如30.51%）给出乐观信号[17][19] * 汇率预期指标分位数：分位数低（如30.51%）给出乐观信号[17][19] * 沪深净融资额5日均值分位数：分位数极低（如0.00%）给出乐观信号[17][19] 2. 成长价值风格轮动模型 1. **模型名称**：成长价值风格轮动模型[7][26] 2. **模型构建思路**：从基本面、估值面、情绪面三个维度选取指标，判断成长与价值风格的相对强弱，给出超配建议[26][28] 3. **模型具体构建过程**： * 模型包含三个一级指标：基本面、估值面、情绪面[26][28] * 每个一级指标下包含若干二级指标，每个二级指标根据其当前状态，被赋予利好成长或利好价值的信号，并据此计算出建议的成长/价值配置仓位百分比[26][28] * 最终的综合信号由各维度信号汇总得出[26] * 报告中提及的部分二级指标及其信号生成规则如下[26][28]： * **基本面指标**： * 盈利周期斜率水平：斜率大时利好成长[26][28] * 利率综合周期水平：水平偏高时利好价值[26][28] * 信贷综合周期变化：走强时利好成长[26][28] * **估值面指标**： * 成长价值PE差分位数：估值差均值回归上行中（分位数如34.76%）利好成长[26][28] * 成长价值PB差分位数：估值差均值回归上行中（分位数如41.12%）利好成长[26][28] * **情绪面指标**： * 成长价值换手差分位数：换手差偏高（分位数如75.52%）利好成长[26][28] * 成长价值波动差分位数：波动差反弹至偏高位置（分位数如67.92%）利好均衡（成长价值各50%）[26][28] 3. 小盘大盘风格轮动模型 1. **模型名称**：小盘大盘风格轮动模型[7][30] 2. **模型构建思路**：从流动性等视角选取11个有效轮动指标，构建综合信号来判断小盘与大盘风格的相对强弱[30][32] 3. **模型具体构建过程**： * 模型基于《流动性视角下的市值风格轮动和择时策略》专题报告构建[30] * 共使用11个轮动指标，每个指标独立生成对小盘仓位的建议（0%或100%）[32] * 将11个指标的建议仓位综合，得到最终的小盘/大盘配置信号[30][32] * 报告中列出的11个轮动指标包括：A股龙虎榜买入强度、R007、融资买入余额变化、主题投资交易情绪、等级利差、期权波动率风险溢价、Beta离散度、PB分化度、大宗交易折溢价率、中证1000 MACD(10,20,10)、中证1000交易量能[32] 模型的回测效果 1. 短期择时模型 * **回测区间**：2012年底至今[18] * **年化收益率**：16.41%[18][21] * **基准年化收益率**：4.77%[18][21] * **年化超额收益率**：11.65%[18] * **年化波动率**：14.81%[21] * **最大回撤**：14.07%[18][21] * **夏普比率**：0.9655[21] * **收益回撤比**：1.1667[21] * **月度胜率**：66.24%[21] * **季度胜率**：60.38%[21] * **年度胜率**：78.57%[21] * **2024年以来年化收益率**：29.13%[24] * **2024年以来基准年化收益率**：9.12%[24] * **2024年以来最大回撤**：11.04%[24] * **2024年以来夏普比率**：1.4813[24] * **2024年以来收益回撤比**：2.6388[24] * **2024年以来月度胜率**：72.00%[24] * **2025年以来收益率**：23.44%[18][22] * **2025年以来基准收益率**：13.34%[18][22] * **2025年以来超额收益率**：10.09%[18][22] 2. 成长价值风格轮动模型 * **回测区间**：2012年底至今[27] * **年化收益率**：12.74%[27][29] * **基准年化收益率**：7.97%[27][29] * **年化超额收益率**：4.77%[27] * **年化波动率**：20.80%[29] * **最大回撤**：43.07%[29] * **夏普比率**：0.5853[29] * **收益回撤比**：0.2958[29] * **月度胜率**：58.33%[29] * **季度胜率**：59.62%[29] * **2025年以来收益率**：25.13%[27][29] * **2025年以来基准收益率**：25.96%[27][29] * **2025年以来超额收益率**：-0.84%[27][29] 3. 小盘大盘风格轮动模型 * **综合信号年化收益率**：19.73%[32] * **综合信号年化超额收益率**：12.67%[32] * **综合信号最大回撤**：40.70%[32] * **综合信号胜率（按交易）**：49.57%[32] * **2025年以来超额收益率**：11.66%[31][32] * **各独立指标年化超额收益率范围**：3.65% 至 9.68%[32]（指标包括：融资买入余额变化、大宗交易折溢价率、A股龙虎榜买入强度、R007、主题投资交易情绪、等级利差、期权波动率风险溢价、Beta离散度、PB分化度、中证1000 MACD、中证1000交易量能）

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：风格组相对拥挤度模型[72] * **模型构建思路**：通过计算不同风格指数换手率的历史标准化值差异，来衡量两种风格之间的相对交易热度或拥挤程度，以判断风格配置的风险与性价比[72] * **模型具体构建过程**： 1. 对于风格A和风格B的指数，分别计算其近252日的平均换手率[127] 2. 将计算出的平均换手率序列，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[127] 3. 计算两个标准化值的差值：差值 = Z-score_A - Z-score_B[127] 4. 计算该差值序列的滚动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**：风格指数累计超额净值模型[128] * **模型构建思路**：以万得全A指数为基准，计算各风格指数相对于基准的累计超额收益，用于跟踪和比较不同风格的长期表现[128] * **模型具体构建过程**： 1. 设定基准日（例如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**：机构调研活跃度分位数模型[129] * **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，构建一个衡量机构关注度相对强度的指标，并计算其历史分位以判断当前热度[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. 将板块的标准化值与万得全A的标准化值作差，得到“机构调研活跃度”[129] 4. 计算该“机构调研活跃度”值的滚动y年历史分位数[129] * **长期口径参数**：n取126（近半年），滚动窗口y为6年（历史数据满3年不足6年时用全部数据）[129] * **短期口径参数**：n取63（近一季度），滚动窗口y为3年（历史数据满1年不足3年时用全部数据）[129] 量化因子与构建方式 1. **因子名称**：滚动季度夏普率[37] * **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[37] * **因子评价**：该因子上升至历史极高位置通常表明市场情绪达到极端高峰，后续情绪平复时市场易进入震荡或调整，可用于预警回撤风险[37] 2. **因子名称**：股债风险溢价（ERP）[51] * **因子构建思路**：计算股票市场市盈率倒数与无风险利率（10年期国债收益率）的差值，用于衡量股票资产相对于债券资产的超额收益预期，即配置性价比[51] * **因子具体构建过程**：对于任一指数，其ERP计算公式为： $$ERP = \frac{1}{PE\_TTM} - 10年期国债到期收益率$$[51] 其中，$PE\_TTM$为指数的滚动市盈率。 3. **因子名称**：成交热度[26] * **因子构建思路**：使用“周度日均自由流通换手率”的历史分位值来衡量指数、板块或行业当前的交易活跃度相对于其自身历史的水平[26] * **因子具体构建过程**：计算指定指数、板块或行业在本周的日均自由流通换手率，然后计算该值在“2005年1月1日至今”历史区间内的百分位值，即为成交热度[26][32] 4. **因子名称**：长江动量因子[63] * **因子构建思路**：以最近一年收益率减去最近一个月收益率（剔除涨停板影响）作为动量指标，旨在捕捉中长期持续性的价格趋势[63] * **因子评价**：该因子用于构建“长江动量”指数，表征A股市场中动量特征强的股票整体走势[63] 5. **因子名称**：长江反转因子[63] * **因子构建思路**：以最近一个月股票收益率作为筛选指标，旨在捕捉短期价格的反转效应[63] * **因子评价**：该因子用于构建“长江反转”指数，表征A股市场中高反转特征个股的整体表现[63] 模型的回测效果 1. **风格组相对拥挤度模型**，成长vs红利相对拥挤度历史分位：66%（本周末）[72]，小盘vs大盘相对拥挤度历史分位：41%（本周末）[72]，微盘股vs中证800相对拥挤度历史分位：91%（本周末）[72] 2. **风格指数累计超额净值模型**，成长较红利累计超额净值：处于历史较高位置[72]，小盘较大盘累计超额净值：处于历史均衡位置[72]，微盘股较中证800累计超额净值：处于历史极高位置[72][78] 因子的回测效果 1. **滚动季度夏普率因子**，万得全A滚动季度夏普率：从历史极高点回落[37] 2. **股债风险溢价（ERP）因子**，万得全A指数ERP百分位：62%（本周末）[59]，沪深300指数ERP百分位：63%（本周末）[59]，创业板指数ERP百分位：87%（本周末）[59] 3. **成交热度因子**，万得全A成交热度（换手率分位）：82%（本周末）[32]，电力设备及新能源行业成交热度：97%（本周末）[26]，建材行业成交热度：94%（本周末）[26] 4. **长江动量因子**，动量较反转超额收益（近一周）：0.1%[60]，动量较反转超额收益（近一月）：3.5%[60]，动量较反转超额收益（年初至今）：25.1%[60] 5. **长江反转因子**，动量较反转超额收益（近一周）：0.1%[60]，动量较反转超额收益（近一月）：3.5%[60]，动量较反转超额收益（年初至今）：25.1%[60]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：主动权益型基金仓位测算模型**[24][27] * **模型构建思路**：通过分析公募基金的公开数据（如净值、持仓等），使用量化模型估算其股票资产的平均仓位水平，以监控市场主力资金的动向和风险偏好。 * **模型具体构建过程**： 1. **样本筛选**：从主动权益型基金（包括普通股票型、偏股混合型、灵活配置型、平衡混合型）中筛选合格样本。筛选门槛包括：成立期满两个季度、未到期、规模大于5000万元、过去四期平均仓位大于60%[27]。 2. **数据加权**：对合格样本的仓位进行持股市值加权计算，得到市场平均仓位[27]。 3. **剔除处理**：以上测算均剔除不完全投资于A股的基金[28]。 * **模型评价**：该模型是市场常用的监测公募基金仓位变化的工具，能够反映机构投资者的整体仓位水平和调仓趋势，为判断市场情绪和资金流向提供参考。 2. **模型名称：“固收+”基金仓位测算模型**[24][27] * **模型构建思路**：专门针对“固收+”基金（包括偏债混合型、混合债券型二级基金、灵活配置型基金）构建仓位测算模型，以监控这类风险偏好相对较低的资金的权益资产暴露情况。 * **模型具体构建过程**： 1. **样本筛选**：从“固收+”基金中筛选合格样本。筛选门槛包括：成立期满两个季度、未到期、规模大于5000万元、过去四期平均仓位在10%-30%之间[27]。 2. **数据加权**：对合格样本的仓位进行持股市值加权计算，得到市场平均仓位[27]。 3. **剔除处理**：以上测算均剔除不完全投资于A股的基金[28]。 3. **模型名称：公募基金风格仓位分析模型**[31] * **模型构建思路**：将公募基金的持仓股票按市值和成长/价值风格进行分类，计算基金在不同风格板块上的仓位分布，以分析其风格偏好和切换情况。 * **模型具体构建过程**： 1. **风格划分**：将股票划分为大盘成长、大盘价值、中盘成长、中盘价值、小盘成长、小盘价值六个风格板块。 2. **仓位计算**：基于主动偏股型基金的持仓数据，计算其资产配置在以上六个风格板块中的比例[31]。 3. **趋势分析**：通过比较不同时点的风格仓位，分析公募基金整体的风格动向。 4. **模型名称：公募基金行业仓位分析模型**[34] * **模型构建思路**：基于公募基金的持仓数据，计算其在不同行业（中信一级行业）上的配置比例，以监控主力资金在行业层面的流入流出和偏好变化。 * **模型具体构建过程**： 1. **行业分类**：采用中信一级行业分类标准。 2. **仓位计算**：从持股市值加权平均值来看，计算主动权益型基金在每个行业上的配置比例[34]。 3. **变化分析**：通过比较本周与上周的行业仓位，识别配置比例上调或下调较多的行业[34]。 5. **因子名称：主力/主动资金流因子**[49][50] * **因子构建思路**：根据同花顺对成交单的划分标准，将市场资金流分为特大单、大单、中单、小单，通过计算不同类别资金的净流入/流出额，构建反映主力资金和散户资金动向的因子。 * **因子具体构建过程**： 1. **资金划分标准**： * 特大单：成交量在20万股以上，或成交金额在100万元以上的成交单。 * 大单：成交量在6万股到20万股之间，或成交金额在30万到100万之间，或成交量占流通盘0.1%的成交单。 * 中单：成交量在1万股与6万股之间，或成交金额在5万到30万之间的成交单。 * 小单：成交量在1万股以下，或成交金额在5万元以下的成交单[49]。 2. **因子计算**：对于个股或行业，分别计算其特大单净流入额、大单净流入额、中单净流入额、小单净流入额。其中，主力资金流通常指特大单与大单的净流入之和；主动资金流（主买净额）是基于更细分的算法计算的主动买入净额[50]。 3. **衍生因子**：可进一步构建如“主力净流入&中小单净流出”、“主力净流出&中小单净流入”等复合因子，用于识别资金博弈的典型模式[50]。 模型的回测效果 *注：本报告为市场追踪周报，主要展示截至报告期（2025/12/5）的最新测算结果和近期变化，未提供长期历史回测的绩效指标（如年化收益率、夏普比率、最大回撤等）。以下为模型的最新输出值。* 1. **主动权益型基金仓位测算模型**，截至2025/12/5，主动权益型基金平均仓位约为88.59%。其中，普通股票型基金平均仓位约为91.61%（较上周下降0.21pct），偏股混合型基金平均仓位约为89.77%（较上周下降0.16pct），配置型基金平均仓位约为85.52%（较上周下降0.41pct）[24]。 2. **“固收+”基金仓位测算模型**，截至2025/12/5，“固收+”基金平均仓位约为23.16%，较上周下降0.20pct[24]。 3. **公募基金风格仓位分析模型**，截至2025/12/5，主动偏股型基金大盘成长仓位42.89%（较上周下降0.58pct），大盘价值仓位6.84%（较上周上升0.05pct），中盘成长仓位7.58%（较上周下降0.18pct），中盘价值仓位6%（较上周上升1.23pct），小盘成长仓位27.68%（较上周下降0.26pct），小盘价值仓位9.01%（较上周下降0.26pct）[31]。 因子的回测效果 *注：本报告展示了主力/主动资金流因子在报告期（2025/12/1-2025/12/5）内的具体数值，但未提供该因子在选股或择时上的长期有效性检验指标（如IC、IR、多空收益等）。以下为因子在当周的具体表现。* 1. **主力/主动资金流因子（个股层面）**： * **主力净流入&中小单净流出**的代表个股：天孚通信、京东方A、新易盛、宁德时代、TCL科技等[50]。 * **主力净流出&中小单净流入**的代表个股：香农芯创、蓝色光标、中兴通讯、东方财富、和而泰等[50]。 * **主动资金净买入**的代表个股：京东方A、天孚通信、紫金矿业、新易盛、TCL科技等[50]。 * **主动资金净卖出**的代表个股：贵州茅台、蓝色光标、三六零、多氟多、杰瑞股份等[50]。 * 具体各档资金净流入额TOP5及BTM5个股详见报告表3、表5[54][56]。 2. **主力/主动资金流因子（行业层面）**： * **主力净流入&中小单净流出**的代表行业：有色金属、煤炭、建材等[50]。 * **主力净流出&中小单净流入**的代表行业：计算机、基础化工、电子、传媒、医药等[50]。 * **主动资金净流入**居前的行业：通信、非银行金融、有色金属、家电、国防军工等[50]。 * **主动资金净流出**较多的行业：计算机、基础化工、传媒、医药、电力设备及新能源等[50]。 * 具体各档资金净流入额TOP5及BTM5行业详见报告表4、表6[55][57]。

量化模型与构建方式 1. **模型名称：周期分析模型**[1][6] * **模型构建思路**：通过分析市场指数的历史价格数据，识别并划分不同时间周期（如月线级别）的波动规律和趋势，以判断当前市场所处的周期阶段和未来可能的趋势方向[1][6]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建过程和数学公式，主要将其作为一种分析框架使用。其核心在于识别价格图表中的周期性波动特征，并结合其他技术分析方法进行综合判断[1][6]。 2. **模型名称：缠论及趋势分析模型**[1][6] * **模型构建思路**：基于缠论（一种技术分析理论）对市场走势进行形态划分和对比，识别类似的历史走势模式（如将2025年12月走势与2017年12月类比），并结合趋势分析来评估当前市场走势的强弱[1][6]。 * **模型具体构建过程**：报告未详细描述该模型的具体构建过程和数学公式。其应用主要涉及对K线走势进行笔、线段、中枢等缠论元素的划分，并进行跨时间段的形态相似性比较，以辅助市场判断[1][6]。 3. **因子名称：趋势强度因子**[1][6] * **因子构建思路**：通过观察市场指数多条移动平均线（MA）的排列关系（如多头排列）及其变化，来量化市场向上或向下趋势的强度[1][6]。 * **因子具体构建过程**：报告未给出该因子的具体计算公式。其构建逻辑通常涉及计算短期、中期、长期等多条移动平均线，并观察它们是否呈现短期均线在上、长期均线在下的有序排列（多头排列），以及这种排列状态的改善或恶化程度，以此作为趋势强弱的度量[1][6]。 * **因子评价**：该因子能有效捕捉市场趋势的延续和转折信号，为判断市场整体格局提供量化依据[1][6]。 4. **指标名称：行业分歧度指标**[1][6] * **指标构建思路**：衡量不同行业板块在同一时期表现差异（涨跌同步性）的指标。当行业表现趋同（同涨同跌）时，分歧度低；当行业表现分化（涨跌互现）时，分歧度高[1][6]。 * **指标具体构建过程**：报告未给出该指标的具体计算公式。其常见构建方法可能基于各行业指数收益率的相关性矩阵、收益率截面标准差或特定熵模型来计算[1][6]。 * **指标评价**：历史经验表明，在牛市或上行格局中，行业分歧度处于低位往往对应市场的局部低点或重要底部，可作为判断市场情绪和阶段的重要逆向参考指标[1][6]。 5. **模型名称：行业四轮驱动模型**[1][6] * **模型构建思路**：一个用于捕捉行业轮动交易机会的量化模型，旨在识别短期内具有上涨潜力的行业或板块[1][6]。 * **模型具体构建过程**：报告未详细披露该模型的具体构建逻辑、因子构成和信号生成算法。从输出结果看，该模型会定期（如每日）生成包含“行业代码”、“行业简称”、“信号类型”（如“交易机会”）等信息的信号列表[15]。 模型的回测效果 （报告中未提供各模型或因子具体的历史回测绩效指标，如年化收益率、夏普比率、最大回撤、信息比率（IR）等数值结果。） 量化因子与构建方式 （因子与指标已在“量化模型与构建方式”部分列出，此处不再重复。） 因子的回测效果 （报告中未提供各因子具体的历史回测绩效指标，如IC值、ICIR、多空收益、因子收益率等数值结果。）

量化模型与构建方式 1. **模型名称：股指期货期现对冲策略（连续对冲）**[46][47] * **模型构建思路**：通过做空股指期货合约，对冲持有标的指数现货（全收益指数）的市场风险，旨在获取相对稳定的收益或降低组合波动[46]。 * **模型具体构建过程**： 1. **资金分配**：总资金的70%用于持有现货（标的指数的全收益指数），剩余30%作为期货保证金[47]。 2. **期货端操作**：做空与现货端名义本金相等的股指期货合约（IC/IF/IH/IM）[47]。 3. **调仓规则**：连续持有季月或当月合约。当所持合约距离到期日不足2天时，在当日收盘价平仓，并同时以收盘价卖空下一季月或当月合约[47]。 4. **动态调整**：每次调仓后，根据产品净值重新计算现货及期货端的持仓数量[47]。 2. **模型名称：股指期货期现对冲策略（最低贴水策略）**[46][48] * **模型构建思路**：在连续对冲策略的基础上进行优化，通过动态选择年化基差贴水幅度最小的合约进行对冲，旨在降低对冲成本或获取基差收敛收益[46][48]。 * **模型具体构建过程**： 1. **资金分配**：与连续对冲策略相同，现货端70%，期货保证金占用30%[48]。 2. **合约选择规则**：在调仓日，计算所有可交易期货合约的分红调整后年化基差，选择其中年化基差贴水幅度最小的合约进行开仓[48]。 3. **调仓规则**： * 同一合约至少持有8个交易日[48]。 * 若合约距离到期日不足2天，则必须调仓[48]。 * 排除剩余到期日不足8日的期货合约[48]。 * 每次选择后，无论是否更换合约，都继续持有8个交易日[48]。 4. **动态调整**：每次调仓后，根据产品净值重新计算现货及期货端的持仓数量[48]。 3. **因子名称：分红调整年化基差**[20] * **因子构建思路**：股指期货的实际基差受到指数成分股分红的影响，为准确分析期货合约的定价和情绪，需要剔除分红影响，计算经预期分红调整并年化后的基差[20]。 * **因子具体构建过程**： 1. 计算实际基差：$$基差 = 期货合约收盘价 - 标的指数收盘价$$[20] 2. 计算预期分红调整后的基差：$$预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红$$[20] 3. 将调整后的基差进行年化处理：$$年化基差 = \frac{实际基差 + (预期)分红点位}{指数价格} \times \frac{360}{合约剩余天数}$$[20] * 公式说明：`分红点位`为合约存续期内预估的指数分红点数[20]。 4. **因子名称：信达波动率指数 (Cinda-VIX)**[64] * **因子构建思路**：借鉴海外VIX指数编制方法，并结合中国场内期权市场实际情况进行调整，旨在反映期权市场投资者对标的资产未来波动率的预期[64]。 * **因子具体构建过程**：报告指出具体算法基于其系列研究报告，未在本文中详细展开，但给出了不同期限（如30日）的VIX计算结果[64]。 5. **因子名称：信达波动率偏斜指数 (Cinda-SKEW)**[74] * **因子构建思路**：通过捕捉不同行权价格期权隐含波动率（IV）的偏斜特征，来衡量市场对标的资产未来收益分布（特别是尾部风险）的预期，常被称为“黑天鹅指数”[74]。 * **因子具体构建过程**：报告指出具体算法基于其系列研究报告，未在本文中详细展开，但给出了SKEW指数的计算结果[74]。当SKEW指数超过100时，通常意味着市场对大幅下跌风险的担忧加剧[75]。 模型的回测效果 *回测区间：2022年7月22日至2025年12月5日[47][48]* 1. **IC当月连续对冲模型**，年化收益-3.38%，波动率3.81%，最大回撤-11.02%，净值0.8911，年换手次数12，2025年以来收益-6.35%[50] 2. **IC季月连续对冲模型**，年化收益-2.38%，波动率4.71%，最大回撤-8.34%，净值0.9223，年换手次数4，2025年以来收益-3.18%[50] 3. **IC最低贴水策略模型**，年化收益-1.89%，波动率4.52%，最大回撤-8.53%，净值0.9378，年换手次数16.68，2025年以来收益-4.10%[50] 4. **IF当月连续对冲模型**，年化收益0.37%，波动率2.90%，最大回撤-3.95%，净值1.0124，年换手次数12，2025年以来收益-1.09%[55] 5. **IF季月连续对冲模型**，年化收益0.70%，波动率3.25%，最大回撤-4.03%，净值1.0236，年换手次数4，2025年以来收益0.38%[55] 6. **IF最低贴水策略模型**，年化收益1.10%，波动率3.02%，最大回撤-4.06%，净值1.0374，年换手次数14.90，2025年以来收益0.38%[55] 7. **IH当月连续对冲模型**，年化收益1.06%，波动率2.97%，最大回撤-4.22%，净值1.0360，年换手次数12，2025年以来收益0.52%[59] 8. **IH季月连续对冲模型**，年化收益2.02%，波动率3.37%，最大回撤-3.75%，净值1.0696，年换手次数4，2025年以来收益2.02%[59] 9. **IH最低贴水策略模型**，年化收益1.67%，波动率2.99%，最大回撤-3.91%，净值1.0573，年换手次数15.49，2025年以来收益1.61%[59] 10. **IM当月连续对冲模型**，年化收益-6.42%，波动率4.74%，最大回撤-14.00%，净值0.8327，年换手次数12，2025年以来收益-12.55%[61] 11. **IM季月连续对冲模型**，年化收益-4.71%，波动率5.76%，最大回撤-12.63%，净值0.8506，年换手次数4，2025年以来收益-7.22%[61] 12. **IM最低贴水策略模型**，年化收益-4.37%，波动率5.51%，最大回撤-11.11%，净值0.8700，年换手次数15.67，2025年以来收益-7.81%[61] 因子的回测效果 *数据日期：2025年12月5日[64][75]* 1. **Cinda-VIX因子 (30日)**，上证50VIX取值15.95，沪深300VIX取值16.61，中证500VIX取值23.09，中证1000VIX取值20.50[64] 2. **Cinda-SKEW因子 (30日)**，上证50SKEW取值104.35，沪深300SKEW取值106.49，中证500SKEW取值101.91，中证1000SKEW取值106.75[75]