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. **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的近期正收益个数判断市场情绪，正收益股票增多可能预示行情底部，大部分股票正收益则可能预示过热风险[24] - 具体构建过程： $$ N日上涨家数占比 = \frac{沪深300成分股过去N日收益>0的个股数}{成分股总数} $$ 采用双平滑线策略：短期窗口N2=35日均线 > 长期窗口N1=50日均线时看多，反之持中性态度[27] - 模型评价：能快速捕捉上涨机会但易错失持续亢奋阶段收益，对下跌市场判断存在缺陷[25] 2. **均线情绪指标** - 模型构建思路：基于八均线体系（参数为8/13/21/34/55/89/144/233）判断趋势状态，通过价格与均线关系划分情绪区间[32] - 具体构建过程： - 计算沪深300收盘价与各均线的位置关系 - 当收盘价超过5条均线时看多，否则持中性态度[33] - 模型评价：需结合其他指标验证趋势可靠性[36] 量化因子与构建方式 1. **横截面波动率因子** - 因子构建思路：衡量指数成分股间收益率的离散程度，反映Alpha策略的盈利空间[38] - 具体构建过程： $$ 横截面波动率 = \sqrt{\frac{1}{N}\sum_{i=1}^N (r_i - \bar{r})^2} $$ 其中$r_i$为个股收益率，$\bar{r}$为指数成分股平均收益率[40] - 因子评价：波动率上升预示Alpha环境改善，需结合时间序列波动率综合判断[41] 2. **时间序列波动率因子** - 因子构建思路：反映市场整体波动水平，影响策略风险调整[41] - 具体构建过程： $$ 时间序列波动率 = \sqrt{\frac{1}{T}\sum_{t=1}^T (r_t - \mu)^2} $$ 采用加权计算方式，$r_t$为指数日收益率，$\mu$为样本均值[42] 模型的回测效果 1. **沪深300上涨家数占比情绪指标** - 当前快线（35日均值）61%，慢线（50日均值）63%，处于谨慎区间[27] - 近一季度超额收益IR为0.82，最大回撤4.3%[28] 2. **均线情绪指标** - 当前仅3条均线被突破，处于非景气区间[35] - 年化超额收益9.2%，胜率58.6%[36] 因子的回测效果 1. **横截面波动率因子** - 沪深300近一季度值1.83%（近两年分位51.24%） - 中证500近一季度值2.10%（近半年分位38.89%） - 中证1000近一季度值2.48%（近一年分位64.54%）[41] 2. **时间序列波动率因子** - 沪深300近一季度值0.57%（近半年分位66.8%） - 中证500近一季度值0.43%（近一年分位39.68%） - 中证1000近一季度值0.26%（近两年分位50.2%）[43] 其他量化指标 1. **量能择时信号** - 当前所有宽基指数（上证50/沪深300/中证500/中证1000等）均发出空头信号[23] 2. **抱团基金分离度** - 计算方式：抱团基金组合截面收益标准差，数值下降表明抱团程度加剧[86] - 当前分离度0.18，环比下降5.3%[89]

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：全天候择时模型** - **模型构建思路**：用于判断市场整体趋势，发出看多或看空信号[1][2] - **模型具体构建过程**：未详细说明构建逻辑，但通过周期分析、均线系统等综合判断市场信号[6][13] - **模型评价**：具有趋势跟踪特性，但存在滞后性，需结合其他指标辅助判断[1][8] 2. **模型名称：低吸模型** - **模型构建思路**：识别超跌后的潜在反弹机会，适用于主题指数和港股市场[2][8] - **模型具体构建过程**：基于周期分析信号（如回调幅度、均线支撑）触发“低吸信号”，例如对恒生科技指数和机器人主题指数的机会提示[16] - **模型评价**：擅长捕捉短期超跌反弹机会，但需结合市场环境过滤噪音[2] 3. **模型名称：四轮驱动行业轮动模型** - **模型构建思路**：通过多维度信号（如技术面、周期分析）动态调整行业配置[16] - **模型具体构建过程**： - 信号类型包括“交易风险”（如顶分型、均线下穿）和“潜在机会”（如周期分析低吸信号） - 示例信号逻辑： - 顶分型减仓点：短期均线向下拐头+其他确认信号[16] - 低吸信号：回调后满足周期分析支撑条件[16] 4. **因子名称：800日均线因子** - **因子构建思路**：作为美股调整的关键支撑位，反映库存周期级别的市场心理[1][7] - **因子具体构建过程**： - 计算过去800个交易日的收盘价均值： $$MA_{800} = \frac{1}{800}\sum_{i=1}^{800} Close_{t-i}$$ - 价格触及MA800时触发支撑预期[1] - **因子评价**：历史有效性较强，但需结合宏观环境判断突破风险[1] --- 模型的回测效果 （注：原文未提供具体回测指标值，故本部分省略） 因子的回测效果 1. **800日均线因子**： - 历史支撑有效性：过去10年（除2020年疫情外）美股调整均在800日均线处初步止跌[1][7] --- 其他说明 - **缠论分析模型**：提及但未描述构建细节[14] - **周期分析模型**：用于生成行业轮动信号，如机器人指数的“低吸信号”[16] 以上总结严格基于原文披露内容，未涉及风险提示等非核心信息[3][19][20][21]

根据研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **因子名称**：Trend - **构建思路**：捕捉股票价格趋势，通过不同时间窗口的指数加权移动平均比率衡量趋势强度[12] - **具体构建**： - Trend_120因子：计算20天与120天指数加权移动平均比率 $$Trend\_120 = \frac{EWMA(halflife=20)}{EWMA(halflife=120)}$$ - Trend_240因子：计算20天与240天指数加权移动平均比率 $$Trend\_240 = \frac{EWMA(halflife=20)}{EWMA(halflife=240)}$$ - **评价**：近期市场表现最佳的风格因子，反映趋势策略的有效性[9][11] 2. **因子名称**：非流动性冲击 (ILLIQ_1M) - **构建思路**：衡量股票流动性风险，通过价格冲击效应反映交易成本[16] - **具体构建**：过去20个交易日日度涨跌幅绝对值与成交额比值的均值 $$ILLIQ\_1M = \frac{1}{20}\sum_{t=1}^{20}\frac{|r_t|}{V_t}$$ - **评价**：在中证全指等样本空间中近期表现突出[6][18][42] 3. **因子名称**：UMR系列（一个月/三个月/六个月/一年UMR） - **构建思路**：风险调整后的动量因子，通过特定窗口期收益与波动率比值构建[16] - **具体构建**： - 以一个月UMR为例： $$UMR\_1M = \frac{\sum_{t=1}^{20}r_t}{\sigma_{1M}}$$ 其中$\sigma_{1M}$为过去20天收益波动率 - **评价**：在中证800等样本空间中展现稳定的多空收益[18][22][26] 4. **因子名称**：特异度 (IVR_1M) - **构建思路**：衡量个股收益脱离Fama-French三因子解释的程度[16] - **具体构建**： $$IVR\_1M = 1 - R^2_{FF3}$$ 其中$R^2_{FF3}$为过去20日三因子回归拟合优度 - **评价**：近期在中证500样本中表现较弱[22][31] 5. **因子名称**：分析师认可度 (ANA_REC) - **构建思路**：反映分析师对个股的评级倾向[16] - **具体构建**： $$ANA\_REC = \frac{N_{buy} - N_{sell}}{N_{total}}$$ - **评价**：在中证800样本中近期正向收益显著[26][31] 因子回测效果 | 因子名称 | 最近一周 | 最近一月 | 今年以来 | 近1年年化 | 历史年化 | 近一年趋势 | 近十年趋势 | |--------------------|----------|----------|----------|------------|----------|------------|------------| | Trend | 2.88% | 9.68% | -3.46% | 10.89% | 14.33% | - | - | [11] | 非流动性冲击 | 1.14% | 1.33% | 2.82% | -1.20% | -0.42% | - | - | [42] | 六个月UMR | 0.73% | 3.85% | 1.87% | 2.25% | 7.95% | - | - | [42] | 特异度 | -0.51% | -1.04% | 0.95% | 2.27% | 3.68% | - | - | [42] 模型构建方法 **MFE组合优化模型** - **构建思路**：在控制风格/行业暴露约束下最大化单因子暴露[57] - **具体构建**： $$\begin{array}{ll}max&f^{T}w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &0\leq w\leq l\\ &1^{T}w=1\\ &\Sigma|w-w_{0}|\leq to_{h}\end{array}$$ - **关键约束**：风格偏离($X$)、行业偏离($H$)、成分股权重($B_b$)、换手率($to_h$)[57][60] 指数增强产品表现 - **沪深300增强**：中位数超额收益最近一周-0.01%，近一年1.77%[48][50] - **中证500增强**：中位数超额收益最近一周0.25%，近一年0.81%[54] - **中证1000增强**：中位数超额收益最近一周0.24%，近一年5.81%[56]

量化模型与构建方式 1. **模型名称：基金仓位估计模型** - **模型构建思路**：基于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数据，结合历史非重仓股持仓比例，模拟补全基金的全部股票持仓[7][8][9] - **模型具体构建过程**： 1. 从基金季报（T期）获取前十大重仓股及行业配置比例[8] 2. 结合上市公司1/3季度十大股东数据，补充重仓股细节[7] 3. 利用最近一期（T-1期）半年报/年报披露的全部持仓，按行业比例放缩非重仓股权重： $$ w_{非重仓股,T} = w_{非重仓股,T-1} \times \frac{w_{行业,T}}{w_{行业,T-1}} $$ 其中$w$代表权重[9] 4. 将持仓拆分为大、小盘组合，通过加权最小二乘法拟合基金日收益率与大小盘指数日收益率，估计每日仓位配置[11] - **模型评价**：解决了基金持仓披露不全和滞后性问题，但依赖历史持仓比例假设可能引入误差[11] 2. **模型名称：基金风格监控模型** - **模型构建思路**：基于模拟持仓数据，从市值（大/小盘）和行业维度动态跟踪基金风格变化[11][12] - **模型具体构建过程**： 1. 使用中信一级行业分类划分股票[13] 2. 计算基金在大盘（沪深300成分股）和小盘（非成分股）组合的仓位占比[10] 3. 通过行业权重变动分析风格偏移，例如电子行业权重下降可能反映科技板块减仓[20] --- 模型的回测效果 1. **基金仓位估计模型** - 普通股票型基金仓位中位数：90.48%（周环比-1.26%）[13] - 偏股混合型基金仓位中位数：86.66%（周环比-1.78%）[13] - 大盘组合仓位变动：普通股票型+0.44%，偏股混合型+0.03%[13] - 小盘组合仓位变动：普通股票型-1.71%，偏股混合型-1.80%[13] 2. **基金风格监控模型** - 当前仓位分位点（2016年以来）：普通股票型81.00%，偏股混合型72.86%[13] - 行业配置集中度：电子（17.72%-19.49%）、电力设备（9.22%-10.48%）、医药（8.39%-10.49%）[17] --- 量化因子与构建方式 1. **因子名称：市值暴露因子** - **因子构建思路**：通过基金持仓在大/小盘组合的权重差异捕捉市值风格偏好[11] - **因子具体构建过程**： $$ 市值暴露 = \frac{w_{小盘}}{w_{大盘}} $$ 其中$w$为基金在小盘股和大盘股的配置权重[10] 2. **因子名称：行业动量因子** - **因子构建思路**：根据基金行业配置周度变动识别资金流向[20] - **因子具体构建过程**： 1. 计算中信一级行业本周权重变化： $$ \Delta w_{行业} = w_{T} - w_{T-1} $$ 2. 排序得到增仓/减仓行业（如电子行业本周减仓，医药行业增仓）[20] --- 因子的回测效果 1. **市值暴露因子** - 普通股票型基金小盘仓位：45.5%（大盘45.0%）[13] - 偏股混合型基金小盘仓位：43.8%（大盘42.8%）[13] 2. **行业动量因子** - 本周增仓行业：医药（+0.5%）、银行（+0.3%）、食品饮料（+0.2%）[20] - 本周减仓行业：电子（-1.2%）、计算机（-0.8%）、传媒（-0.6%）[20]

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，判断市场整体趋势[16] - **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. 计算多空剪刀差比率： $$ \text{多空比率} = \frac{\text{看多股票数} - \text{看空股票数}}{\text{成分股总数}} $$ 3. 根据阈值（未明确具体数值）生成看多、中性或看空信号[16] - **模型评价**：策略年化收益显著跑赢基准指数（如中证500策略年化20.16% vs 指数6.28%）[13] 2. **模型名称：行业形态择时策略** - **模型构建思路**：基于中信一级行业成分股的形态信号构建多空剪刀差，判断行业趋势[16] - **模型具体构建过程**： 1. 若当日无看多/看空形态股票，则对应数量记为0 2. 多空剪刀差为0时，比率强制归零 3. 结合历史回测胜率（100%跑赢行业指数）生成信号[16][17] - **模型评价**：回溯表现优秀，尤其适用于建材、银行等行业[16] 3. **模型名称：特殊形态信号策略** - **模型构建思路**：识别六种技术形态（如金针探底、火箭发射等）的股票[23] - **模型具体构建过程**： - **金针探底形态规则**： 1. K线振幅>5%且下影线长度占比>80% 2. 出现在过去20日低位 3. 收盘价=开盘价（十字星）[23][27] - 其他形态定义详见《形态学研究之十》[23] --- 量化因子与构建方式 1. **因子名称：隐含波动率因子** - **因子构建思路**：采用Heston模型计算近月平值期权隐含波动率，反映市场恐慌情绪[8] - **因子具体构建过程**： $$ \text{IV} = \sqrt{\frac{2\pi}{T}} \cdot \frac{C}{S} $$ 其中 \( T \) 为期权期限，\( C \) 为期权价格，\( S \) 为标的现价[8] 2. **因子名称：连续看多信号因子** - **因子构建思路**：统计股票连续出现4/5根看多K线的次数[20] - **因子具体构建过程**： 1. 定义单日看多形态（如收盘价>开盘价+2%等） 2. 连续满足条件则触发信号（如山西汾酒连续5日看多）[21][22] 3. **因子名称：券商金股增强因子** - **因子构建思路**：结合券商推荐金股与形态信号，筛选基本面与技术面共振标的[28] - **因子具体构建过程**： 1. 月度金股池中识别形态买点 2. 次交易日买入并持有至月底[28] --- 模型的回测效果 | 模型名称 | 年化收益(%) | 最大回撤(%) | 基准年化收益(%) | 基准最大回撤(%) | |------------------------|-------------|-------------|------------------|------------------| | 宽基择时（中证500） | 20.16 | -41.19 | 6.28 | -65.85 | [13] | 宽基择时（沪深300） | 11.85 | -23.04 | 4.14 | -46.92 | [13] | 行业择时（建材） | 25.80 | -37.98 | 1.92 | -58.37 | [18] | 行业择时（银行） | 11.72 | -19.52 | 7.13 | -35.31 | [18] --- 因子的回测效果 | 因子名称 | 胜率(%) | 应用案例（股票） | |------------------------|-------------|-----------------------| | 连续看多信号（5日） | 未披露 | 山西汾酒 | [21] | 特殊形态（金针探底） | 正向信号70% | 中核科技、江苏雷利 | [23][26] | 券商金股增强 | 70% | 航天电器、神农集团 | [29][30] --- 注：所有公式及参数引用自原文，未对原始逻辑进行修改或补充[8][16][23]

量化模型与构建方式 1. **模型名称**：行业景气度-趋势-拥挤度框架 **模型构建思路**：通过结合行业景气度、趋势强度和拥挤度三个维度，筛选出高景气、强趋势且拥挤度适中的行业进行配置[1][9] **模型具体构建过程**： - **景气度**：基于分析师盈利预测数据构建FAPI指数（Financial Analyst Pros Index），计算行业景气度z-score[89] - **趋势**：采用动量指标衡量行业价格趋势强度，公式为： $$趋势得分 = \frac{当前价格 - N日前价格}{N日前价格}$$ - **拥挤度**：通过换手率、波动率等指标计算行业交易拥挤程度，规避高拥挤行业[89] **模型评价**：进攻性强，需依赖拥挤度指标控制风险，适合同步市场行情[91] 2. **模型名称**：行业库存景气反转模型 **模型构建思路**：在困境行业中筛选库存压力小、具备补库条件的板块，捕捉反转机会[17][93] **模型具体构建过程**： - 剔除库存历史分位数>80%或资本开支>80%的行业[17] - 筛选毛利率和自由现金流占比历史分位数>20%的行业[17] - 结合分析师长期景气预期进行加权[93] **模型评价**：左侧布局型策略，对库存周期拐点敏感[93] 3. **模型名称**：PB-ROE选股模型 **模型构建思路**：在行业配置基础上，选择估值性价比高的个股[102] **模型具体构建过程**： - 按行业权重初筛股票池 - 计算个股PB-ROE分位数： $$PB-ROE得分 = \frac{ROE - 行业ROE中位数}{行业ROE标准差} - \frac{PB - 行业PB中位数}{行业PB标准差}$$ - 选取前40%个股按流通市值和PB-ROE打分加权[102] 模型的回测效果 1. **行业景气度-趋势-拥挤度模型**： - 年化超额收益16.3%（基准wind全A）[91] - IR 1.74，最大回撤-7.4%[91] - 2025年超额2.7%[1][9] 2. **行业库存景气反转模型**： - 年化超额收益16.5%（基准行业等权）[95] - IR 1.76，最大回撤-8.7%[95] - 2024年绝对收益25.6%[95] 3. **PB-ROE选股组合**： - 年化超额收益22.9%（基准wind全A）[101] - IR 2.02，最大回撤-8.0%[101] - 2025年超额3.3%[12] 量化因子与构建方式 1. **因子名称**：分析师景气指数（FAPI） **因子构建思路**：整合分析师盈利预测变化反映行业景气度[89] **因子具体构建过程**： - 收集各行业分析师EPS预测调整数据 - 计算标准化z-score： $$FAPI = \frac{上调EPS预测数 - 下调EPS预测数}{总覆盖分析师数}$$ - 滚动3个月平滑处理[89] 2. **因子名称**：库存周期因子 **因子构建思路**：通过库存同比变化判断行业所处库存阶段[23][26] **因子具体构建过程**： - 计算库存同比： $$库存同比 = \frac{当期库存 - 去年同期库存}{去年同期库存}$$ - 结合营收同比判断主动/被动补去库存状态[25][27] 3. **因子名称**：自由现金流因子 **因子构建思路**：衡量行业补库能力[33][35] **因子具体构建过程**： - 计算自由现金流占比： $$FCF/TA = \frac{自由现金流}{总资产}$$ - 取历史分位数避免绝对值偏差[35] 因子的回测效果 1. **FAPI因子**： - 在电子、新能源等行业中IC均值0.15[89] - 月度胜率63%[89] 2. **库存周期因子**： - 在有色、汽车等行业中IC均值0.12[26] - 触底信号后6个月超额收益8.2%[23] 3. **自由现金流因子**： - 在家电、汽车等行业中IC均值0.18[35] - 分位数>20%组合年化超额9.7%[35]

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**：基于市场成交量变化判断短期市场情绪[11] - **模型评价**：对市场流动性敏感，但易受异常交易干扰 2. **模型名称**：低波动率模型 - **模型构建思路**：通过计算标的指数波动率分位数判断市场风险偏好[11] - **模型评价**：防御性较强，适用于震荡市 3. **模型名称**：特征龙虎榜机构模型 - **模型构建思路**：跟踪龙虎榜机构席位净买入金额构建多空信号[11] - **模型评价**：反映主力资金动向，但存在滞后性 4. **模型名称**：智能沪深300/中证500模型 - **模型构建思路**：结合量价趋势与机器学习算法生成择时信号[11] - **模型评价**：适应性强，但需高频调参 5. **模型名称**：涨跌停模型 - **模型构建思路**：统计涨停/跌停股比例反映市场极端情绪[12] - **模型评价**：对市场转折点捕捉效果显著 6. **模型名称**：长期动量模型 - **模型构建思路**：计算宽基指数250日收益率判断趋势延续性[13] - **模型评价**：长周期下稳定性高 7. **模型名称**：A股综合兵器V3模型 - **模型构建思路**：耦合短期价量、中期情绪与长期动量信号[14] - **模型评价**：多维度验证，信号可靠性强 8. **模型名称**：成交额倒波幅模型（港股） - **模型构建思路**：利用成交额与波动率负相关性捕捉港股机会[15] - **模型评价**：对港股流动性变化敏感 --- 模型的回测效果 1. **成交量模型**：中性信号[11] 2. **低波动率模型**：中性信号[11] 3. **特征龙虎榜机构模型**：看多信号[11] 4. **智能沪深300模型**：中性信号[11] 5. **智能中证500模型**：中性信号[11] 6. **涨跌停模型**：中性信号[12] 7. **长期动量模型**：全宽基中性信号[13] 8. **A股综合兵器V3模型**：看空信号[14] 9. **成交额倒波幅模型**：恒生指数看多信号[15] --- 量化因子与构建方式 1. **因子名称**：杯柄形态因子 - **因子构建思路**：识别股价杯柄形态突破（A-B-C点结构）[41][43] - **因子具体构建**： - A点：左杯底最低价 - B点：杯柄回撤最高价 - C点：突破前高确认点 - 形态长度：15-25周[43] - **因子评价**：对成长股趋势延续性预测力强 2. **因子名称**：双底形态因子 - **因子构建思路**：捕捉W形底部突破信号（A-B-C点结构）[47][49] - **因子具体构建**： - A点：第一底部低点 - B点：颈线反弹高点 - C点：第二底部低点 - 突破阈值：收盘价超过B点5%[49] - **因子评价**：适用于周期股反转行情 --- 因子的回测效果 1. **杯柄形态因子**： - 本周超额收益：+0.67%（相对上证综指）[41] - 2020年至今累计超额：+41.51%[41] 2. **双底形态因子**： - 本周超额收益：+0.50%（相对上证综指）[47] - 2020年至今累计超额：+27.71%[47] 3. **倒杯子形态因子**： - 负向预警准确率：78%（历史回测）[59] --- 其他量化指标 1. **VIX指数**：当前值14.99（50ETF期权）[39] 2. **基金仓位**： - 股票型基金仓位93.18%（周环比-1.59bps）[21] - 超配行业：电子（+15.86%）、计算机（+3.62%）[22]

根据提供的研报内容，以下是量化模型和因子的详细总结： 量化模型与构建方式 1. **短期量化择时模型** - **构建思路**：通过基本面、估值面、情绪面、流动性四个维度的指标综合判断市场短期走势[25][26][27] - **具体构建过程**： 1. **基本面指标**：制造业PMI分位数（中性信号）、中长期贷款余额同比增速分位数（谨慎信号）、M1同比增速分位数（中性信号）[26] 2. **估值面指标**：A股整体PE分位数（中性信号）、PB分位数（乐观信号）[26] 3. **情绪面指标**：Beta离散度分位数（乐观信号）、量能情绪分位数（谨慎信号）、波动率分位数（中性信号）[27] 4. **流动性指标**：货币利率分位数（乐观信号）、汇率预期分位数（谨慎信号）、融资额分位数（中性信号）[27] 各指标信号加权合成总仓位信号（0/0.5/1分别对应空仓/半仓/满仓）[25] - **模型评价**：多维度动态加权框架能有效捕捉市场拐点 2. **成长价值轮动模型** - **构建思路**：基于经济周期（盈利、利率、信贷）、估值差、情绪指标判断风格偏好[39][40][41] - **具体构建过程**： 1. **基本面指标**：盈利斜率周期（成长100%）、利率周期水平（成长100%）、信贷周期变化（价值100%）[41] 2. **估值面指标**：成长价值PE差分位数（成长100%）、PB差分位数（成长100%）[41] 3. **情绪面指标**：换手差分位数（价值100%）、波动差分位数（均衡50%）[41] 信号加权后输出成长/价值配置比例[40] 3. **小盘大盘轮动模型** - **构建过程**： 1. 与成长价值模型类似框架，指标替换为小盘大盘维度： - PE/PB估值差分位数（大盘100%） - 换手差分位数（小盘100%） - 波动差分位数（大盘100%）[45][46] 4. **四风格轮动模型** - **构建过程**：结合成长价值和小盘大盘模型的输出，计算小盘成长/小盘价值/大盘成长/大盘价值的配置比例（如37.5%小盘成长）[48][49] 模型的回测效果 1. **短期择时模型** - 年化收益率16.39%（基准4.15%） - 最大回撤27.70%（基准31.41%） - 夏普比率0.9675（基准0.2354）[32] - 2024年超额收益1.23%[28] 2. **成长价值轮动模型** - 年化收益率11.44%（基准6.59%） - 超额收益4.85%（2012-2025）[43] - 2025年超额收益-1.97%[44] 3. **小盘大盘轮动模型** - 年化收益率12.32%（基准6.74%） - 2025年超额收益-3.11%[47] 4. **四风格轮动模型** - 年化收益率13.10%（基准7.15%） - 2025年超额收益-2.00%[49] 量化因子与构建方式 1. **量能情绪因子** - **构建过程**： 1. 计算成交量与换手率的60日布林带指标（均值±2σ） 2. 线性映射到[-1,1]区间： $$得分 = \begin{cases} +1 & \text{当值 > 均值+2σ} \\ -1 & \text{当值 < 均值-2σ} \\ \frac{值-均值}{2σ} & \text{其他} \end{cases}$$ 3. 合成成交量与换手率得分等权均值[21] - **因子评价**：对短期市场情绪有显著指示作用 2. **Beta离散度因子** - **构建过程**：计算全市场个股Beta值的90%分位数与10%分位数之差[22][23] - **因子评价**：反映市场结构性风险，离散度高预示未来收益下行 因子的回测效果 1. **量能情绪因子** - 分位数<40%时：未来1周平均收益-0.09%（胜率50.91%）[22] - 分位数>60%时：未来1周平均收益0.46%（胜率56.08%）[22] 2. **Beta离散度因子** - 分位数<20%时：未来1月平均收益3.58%（胜率73.53%）[24] - 分位数>80%时：未来1月平均收益-1.57%（胜率35.14%）[24]

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. **宽基轮动策略模型** - 构建思路：基于不同宽基指数（沪深300、中证500、中证1000、中证2000及"其他"组）的热度变化率进行轮动选基[7][8] - 具体构建过程： 1. 计算各宽基组成分股的总热度指标（个股浏览、自选与点击次数之和的归一化值×10000）[7] 2. 计算周度热度变化率并取MA2平滑处理[11] 3. 每周买入热度变化率MA2最大的宽基，若为"其他"组则空仓[13] - 模型评价：通过捕捉市场情绪异常变化实现超额收益 2. **概念热度组合模型** - 构建思路：利用热门概念中低关注度个股的反转效应构建对冲组合[31] - 具体构建过程： 1. 筛选本周热度变化率最大的5个概念作为股票池 2. 排除流通市值最小的20%股票 3. 等权持有概念内热度排名前10（TOP组合）与后10（BOTTOM组合）的个股[31] - 模型评价：BOTTOM组合长期表现优于高热度个股 模型的回测效果 1. **宽基轮动策略模型** - 年化收益率：8.74% - 最大回撤：23.5% - 2025年收益：9.6%（基准等权8.4%）[16] 2. **概念热度BOTTOM组合** - 年化收益率：15.71% - 最大回撤：28.89% - 2025年收益：20%[33] 量化因子与构建方式 1. **总热度因子** - 构建思路：通过归一化处理市场关注度数据衡量个股情绪[7] - 具体构建过程： $$总热度 = \frac{浏览+自选+点击次数}{全市场总和} \times 10000$$ 聚合为宽基/行业/概念层面时对成分股热度求和[7] 2. **热度变化率因子** - 构建思路：捕捉市场关注度的边际变化[11] - 具体构建过程： 计算周度热度环比变化率并采用MA2平滑： $$变化率_{MA2} = \frac{热度_t - 热度_{t-1}}{热度_{t-1}}的2期移动平均$$[11] 3. **估值分位数因子** - 构建思路：监控行业估值相对历史水平的位置[38] - 具体构建过程： 计算当前估值在2015年以来或滚动5年历史分位数[40][41] 因子的回测效果 1. **宽基热度变化率因子** - 本周最优宽基：沪深300（+5.07%） - 最差宽基："其他"组（-2.71%）[18] 2. **行业热度变化率因子** - 正向TOP5行业：基础化工（+66.0%）、公用事业、银行、综合、医药生物 - 负向TOP5行业：纺织服饰（-18.0%）、食品饮料、国防军工、通信、计算机[27] 3. **概念热度变化率因子** - 本周TOP5概念：青蒿素（+286.7%）、光刻机（+214.8%）、信托概念（+141.2%）、中韩自贸区（+135.6%）、动物疫苗（+121.6%）[36]

量化模型与构建方式 1. 模型名称：市场情绪结构指标模型；模型构建思路：通过多个细分指标综合评估市场情绪状态，采用打分法合成最终指标[5][6]；模型具体构建过程： - 选取9个分项指标（行业间交易波动率、行业交易拥挤度、价量一致性等），每个指标根据布林轨道位置和情绪方向进行-1/0/1三档打分 - 对全部分项指标分数等权求和，取20日均线作为最终情绪指标 - 指标波动范围为[-6,6]，突破2为情绪转强信号[6] 模型评价：能有效捕捉市场情绪转折点，但需结合其他模型验证[7] 2. 模型名称：MASS均线排列模型；模型构建思路：通过多周期均线排列关系判断趋势强弱[22]；模型具体构建过程： - 对N条均线（长期N=360，短期N=60）计算相邻均线排列得分 - 若短均线在长均线之上得1分，否则0分 - 标准化得分后计算100/20日均线，形成长短期信号[22] 3. 模型名称：RSI风格择时模型；模型构建思路：利用相对强弱指标判断风格切换[25]；模型具体构建过程： - 计算风格指数净值比值序列（如成长/价值） - RSI公式：$$RSI = 100 - 100 / (1 + Gain / Loss)$$ - 通过20日与60日RSI相对位置判断风格观点（20日>60日则分子端风格占优）[25] 模型的回测效果 1. 市场情绪结构指标模型，最新数值1（较上周下降0.6），维持看空信号[7] 2. MASS均线排列模型，公用事业短期得分79.66（较上期+11.9%），煤炭短期得分44.07（较上期+18.18%）[23] 3. RSI风格择时模型，国证成长/价值20日RSI 25.76（60日RSI 50.43），信号强度-48.91%[26] 量化因子与构建方式 1. 因子名称：行业交易波动率；因子构建思路：衡量资金在板块间的活跃度；因子具体构建过程：通过行业间成交量变异系数计算[6] 2. 因子名称：价量一致性；因子构建思路：评估资金情绪稳定性；因子具体构建过程：结合价格趋势与成交量变化方向计算匹配度[6] 3. 因子名称：科创50成交占比；因子构建思路：监测资金风险偏好；因子具体构建过程：科创50成交量/全市场成交量[6] 因子的回测效果 1. 行业交易波动率因子，最新得分0（3月多数时间为-1）[11] 2. 价量一致性因子，最新得分-1（连续15个交易日为负）[15] 3. 科创50成交占比因子，最新得分1（但接近上轨临界值）[15]