根据研报内容，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. **Brinson分解模型** - 构建思路：用于拆解基金超额收益来源，区分行业配置收益和个股选择收益[16] - 具体构建： 1. 以中证800为基准，按半年度频率计算超额收益 2. 分解公式： $$ \text{超额收益} = \text{行业配置收益} + \text{个股选择收益} $$ 3. 采用GRAP方法调整多期合并结果[16] - 模型评价：有效识别主动基金的收益贡献结构，显示选股收益稳定性高于行业配置[22] 2. **K-Means聚类模型** - 构建思路：对绩优基金收益率进行降维分类[36] - 具体构建： 1. 提取近五年月度收益率数据 2. PCA降维后按欧式距离聚类 3. 最终划分为6类（行业分散型/小盘/价值/医药/轮动/科技）[36] - 模型评价：较好捕捉不同策略基金的收益特征差异[42] 3. **风格稳定性评估模型** - 构建思路：通过持仓数据识别基金风格标签[27] - 具体构建： 1. 半年度提取全部持仓 2. 结合个股风格分类计算风格权重 3. 取最大权重作为当期风格标签[27] 量化因子与构建方式 1. **行业配置稳定性因子** - 构建思路：衡量基金行业轮动频率[10] - 具体构建： 1. 静态分4类（高度分散/分散/集中/高度集中） 2. 动态分4类（高度稳定/稳定/轮动/高度轮动） 3. 组合形成16类特征矩阵[10] 2. **小盘错误定价因子** - 构建思路：捕捉小盘股定价效率低的超额机会[65] - 具体构建： 1. 筛选市值<100亿个股 2. 结合质量因子（ROE/现金流）过滤低质公司 3. 计算估值偏离度： $$ \text{偏离度} = \frac{\text{实际PE}}{\text{行业PE中位数}} - 1 $$ 3. **安全边际因子** - 构建思路：评估价值股的风险缓冲[67] - 具体构建： 1. 估值维度：PE_TTM历史分位数<30% 2. 质量维度：近3年ROE标准差<15% 3. 股息率加权： $$ \text{综合得分} = 0.4 \times \text{估值分} + 0.3 \times \text{质量分} + 0.3 \times \text{股息率} $$ 模型回测效果 | 模型/因子 | 年化超额收益 | IR | 胜率 | 最大回撤 | |--------------------|--------------|-------|--------|----------| | Brinson分解模型 | 5.38%[22] | 1.2[22] | 69.12%[23] | -4.2%[18] | | 行业稳定型基金 | 7.3%[12] | 1.5[14] | 73.12%[12] | -6.8%[14] | | 小盘错误定价因子 | 9.2%[65] | 1.8[65] | 65.30%[42] | -12.4%[42] | 因子回测效果 | 因子 | IC均值 | IR | 多空收益 | 分位数差 | |--------------------|--------|-------|----------|----------| | 行业配置稳定性 | 0.15[14] | 2.1[14] | 8.7%[14] | 19.3pp[12] | | 安全边际 | 0.21[69] | 2.4[69] | 11.2%[69] | 23.6pp[69] | | 医药小市值 | 0.18[74] | 1.9[74] | 7.9%[74] | 15.8pp[74] | 注：所有测试区间为2015-2025年，数据频率为月度[9]

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**：通过比较短期均线（20日）和长期均线（120日）的距离来判断市场整体环境，区分震荡与趋势格局[1][9] **模型具体构建过程**： - 计算Wind全A指数的20日均线（短期）和120日均线（长期） - 计算两线距离差值： $$距离差值 = \frac{短期均线 - 长期均线}{长期均线} \times 100\%$$ - 若距离绝对值小于3%，判定为震荡格局；否则为趋势格局[9][12] **模型评价**：简单直观，但对均线周期选择敏感，需结合其他宏观指标验证 2. **模型名称**：TWO BETA行业配置模型 **模型构建思路**：通过双贝塔因子筛选行业，侧重科技板块与消费电子的超额收益机会[2][3][8] **模型具体构建过程**： - 计算行业相对市场的贝塔值（β1）和相对无风险利率的贝塔值（β2） - 筛选高β1（市场敏感）且低β2（利率不敏感）的行业 - 结合动量因子确认趋势延续性[8][10] 3. **模型名称**：仓位管理模型 **模型构建思路**：综合估值分位数与趋势信号动态调整仓位[2][10] **模型具体构建过程**： - 计算Wind全A的PE（60分位）、PB（20分位）估值水平 - 结合均线距离模型信号：震荡格局下，估值中等时建议50%仓位[10][12] --- 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**：通过历史分位数定位当前估值水平[7][11] **因子具体构建过程**： - 计算Wind全A指数PE/PB在过去10年（2014-2025）的滚动分位数 - 标准化处理： $$PE分位数 = \frac{当前PE - 历史最小PE}{历史最大PE - 历史最小PE}$$ PB分位数同理[11][15] 2. **因子名称**：困境反转因子 **因子构建思路**：识别低估值且基本面改善的行业[3][8] **因子具体构建过程**： - 筛选PB分位数低于30%的行业 - 叠加近3个月营收增速环比改善指标[8][10] --- 模型的回测效果 1. **均线距离择时模型** - 当前均线差值：0.68%（20日均线5115 vs 120日均线5081）[9][12] - 市场状态：震荡格局（距离<3%）[12] 2. **TWO BETA模型** - 推荐行业：科技板块（消费电子）、银行、黄金股[8][10] 3. **仓位管理模型** - 建议仓位：50%（Wind全A估值PE60分位/PB20分位）[10][12] --- 因子的回测效果 1. **估值分位数因子** - 当前PE分位数：60%（中等水平）[7][11] - 当前PB分位数：20%（较低水平）[11][15] 2. **困境反转因子** - 推荐行业：港股创新药、港股汽车、新消费[3][8]

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**：均线择时模型[2][8] **模型构建思路**：通过比较Wind全A指数的短期均线与长期均线的相对位置和距离，来判断市场整体环境并识别震荡格局[2][8] **模型具体构建过程**： - 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） - 计算两条均线的距离，公式为： $$均线距离 = \frac{短期均线 - 长期均线}{长期均线} \times 100\%$$ - 根据距离绝对值判断市场状态：若距离绝对值小于3%，则市场处于震荡格局[2][8] 2 **模型名称**：仓位管理模型[3][9] **模型构建思路**：结合估值指标和短期趋势判断，为绝对收益产品提供股票仓位建议[3][9] **模型具体构建过程**： - 评估Wind全A指数的PE和PB在其历史数据中的分位点水平 - 结合均线择时模型输出的市场状态（如震荡格局） - 综合以上信息生成仓位建议，例如当前建议仓位为50%[3][9] 3 **模型名称**：TWO BETA模型[2][7][9] **模型构建思路**：基于板块的Beta特性进行行业配置推荐，侧重科技板块[2][7][9] **模型具体构建过程**：报告中未提供具体构建细节，仅提及推荐科技板块，关注信创和通信[2][7][9] 4 **模型名称**：行业配置模型[2][7][9] **模型构建思路**：中期角度推荐困境反转型板块[2][7][9] **模型具体构建过程**：报告中未提供具体构建细节，仅提及推荐恒生医疗、港股汽车及新消费行业[2][7][9] 模型的回测效果 （报告中未提供任何模型的回测效果指标取值） 量化因子与构建方式 （报告中未提及任何量化因子） 因子的回测效果 （报告中未提及任何量化因子）

量化模型与构建方式 1. 模型名称：择时体系模型 - 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[2][9] - 模型具体构建过程：计算20日均线与120日均线的差值，公式为： $$\text{均线距离} = \frac{\text{20日均线值} - \text{120日均线值}}{\text{120日均线值}} \times 100\%$$ 当距离绝对值小于3%时，市场定义为震荡格局[2][9] 2. 模型名称：仓位管理模型 - 模型构建思路：结合wind全A指数的估值水平（PE、PB分位数）和短期趋势判断，给出仓位建议[3][10] - 模型具体构建过程： - PE分位数位于50%附近为中等水平，PB分位数位于10%附近为较低水平[3][10] - 根据估值与趋势综合判断，当前建议仓位为60%[3][10] 3. 模型名称：TWO BETA模型 - 模型构建思路：通过行业Beta分析推荐科技板块[2][8] - 模型具体构建过程：未披露具体计算过程，输出结果为推荐信创、通信/固态电池等科技子行业[2][8] 4. 模型名称：行业配置模型 - 模型构建思路：中期角度推荐困境反转型板块[2][8] - 模型具体构建过程：未披露具体因子，输出结果为推荐恒生医疗、轻工/家电等出口链行业[2][8] 模型的回测效果 1. 择时体系模型：最新均线距离为-2.80%，市场判定为震荡格局[2][9] 2. 仓位管理模型：当前建议仓位60%，基于PE分位数50%、PB分位数10%[3][10] 量化因子与构建方式 1. 因子名称：均线距离因子 - 因子构建思路：通过20日与120日均线差值捕捉市场趋势变化[2][9] - 因子具体构建过程：同择时体系模型的均线距离公式[2][9] - 因子评价：对震荡市和趋势市有区分能力[2][9] 2. 因子名称：估值分位数因子 - 因子构建思路：利用PE/PB历史分位数判断估值高低[3][10] - 因子具体构建过程： - PE分位数计算周期：2014年10月17日至2025年5月9日[12] - PB分位数计算周期：同上[16] 因子的回测效果 1. 均线距离因子：最新值为-2.80%，触发震荡市阈值（<3%）[2][9] 2. 估值分位数因子： - PE分位数50%（中等水平）[3][10] - PB分位数10%（较低水平）[3][10]

市场表现与情绪修复 - 特朗普宣布"对等关税"后全球市场剧烈波动，港股4月7日单日跌幅基本回吐年内全部涨幅，但随后逐步企稳，恒生科技累计反弹19.1%，MSCI中国、恒生指数、恒生国企分别反弹13.6%、13.5%和13.3%，上证指数和沪深300小幅反弹5.9%和5.0% [1] - 板块层面，信息技术（+29.0%）、医疗保健（+19.2%）、可选消费（+14.3%）等板块涨幅领先，银行（+4.9%）、公用事业（+5.6%）、能源（+5.9%）等板块相对落后 [1] - 当前投资者情绪对关税本身已逐渐"脱敏"，关注重点转移到对实际增长和企业盈利的影响 [3] 关税影响的行业分析框架 - 从需求来源视角将行业分为三类：主要需求来自美国、来自其他市场、来自国内 [4] - 主要需求来自美国的行业需关注转口渠道与议价能力：传媒、软件服务、纺织服装、轻工制造等板块龙头影响小，集运和航空货运、轻工和纺织制造的中小企业、医用耗材等影响大 [6][10] - 主要需求来自美国以外其他市场的行业需关注出口目的地的竞争关系：科技硬件、家电、机械、家庭用品或逐步显现结构性机会 [11] - 主要需求来自国内的行业受关税影响最小，但与国内政策刺激力度紧密相关，消费和地产基建相关板块收入主要来自国内，后续若有政策支持将有效对冲外部冲击 [18][20] 2018年贸易摩擦的经验与差异 - 2018年市场走势分为三阶段：下跌阶段红利和防御板块提供避险价值；反弹阶段消费成长板块修复更快；震荡阶段结构性行情突出，国产替代支持高端制造为代表的成长板块走强 [25] - 当前与2018年的差异：国内环境不同，当前基本处于"稳杠杆"阶段；关税程度和范围不同，本轮对等关税影响转口贸易 [28][30] - 2018-2019年中美贸易摩擦后期，关税冲击逐步抹平，但本轮对等关税涉及广、幅度高，对所有贸易伙伴均加征10%的基线关税，并对越南、墨西哥等转口枢纽国实施针对性高关税 [31] 政策对冲与市场展望 - 极限假设下关税或拖累港股盈利下滑10个百分点至低个位数，补足出口拖累的GDP需要额外5万亿元财政刺激 [35][36] - 指数空间测算：基准情形对应恒指20,500点左右；积极情形恒指重回23,000-24,000点；悲观情形对应恒指18,000-19,000点左右 [37] - 行业配置建议：短期以红利和科技成长轮动；中长期关注科技互联网、新消费、国产替代等国内需求方向，以及科技硬件、家电、机械等海外市场结构性机会 [37]

根据提供的证券研究报告内容，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**：主动权益基金仓位模型 **模型构建思路**：通过统计Wind二级分类中普通股票型和偏股混合型基金的仓位变化，反映市场主动权益类基金的整体配置情况[27] **模型具体构建过程**： - 数据来源：Wind二级分类基金持仓数据 - 计算方式： $$仓位 = \frac{股票市值}{基金净值} \times 100\%$$ 其中股票市值包含A股、港股等权益类资产[26][27] **模型评价**：该模型能有效跟踪机构投资者风险偏好变化，但存在季度调仓滞后性[27] 2. **模型名称**：行业轮动监测模型 **模型构建思路**：基于申万一级行业分类，通过公募基金重仓股配置变化捕捉行业资金流向[31][34] **模型具体构建过程**： - 计算各行业持仓占比： $$行业占比_i = \frac{行业i持仓市值}{全部股票持仓市值} \times 100\%$$ - 计算环比变化： $$\Delta 行业占比_i = 当期占比_i - 上期占比_i$$[34][37] 模型的回测效果 1. 主动权益基金仓位模型：2025Q1仓位88.41%，环比上升29bp[27][29] 2. 行业轮动监测模型： - 全部基金加仓前五行业：有色金属(+1.52%)、汽车(+1.6%)、商贸零售(+239亿)、传媒(+235亿)、计算机(+0.42%)[34][48] - 减仓前五行业：电力设备(-1.47%)、通信(-1.04%)、非银金融(-0.88%)[34][48] 量化因子与构建方式 1. **因子名称**：基金加仓强度因子 **因子构建思路**：通过个股被基金增持的绝对金额和流通市值占比变化反映机构认可度[54][57] **因子具体构建过程**： - 计算加仓金额： $$加仓金额 = 当期持仓市值 - 上期持仓市值$$ - 计算流通市值占比变化： $$\Delta 占比 = \frac{当期持仓}{流通市值} - \frac{上期持仓}{流通市值}$$[54][57] 2. **因子名称**：行业集中度因子 **因子构建思路**：衡量基金在特定行业的配置集中程度[31][37] **因子具体构建过程**： - 计算赫芬达尔指数： $$HHI = \sum_{i=1}^n (行业占比_i)^2 \times 10000$$ 其中n为申万一级行业数量[31] 因子的回测效果 1. 基金加仓强度因子： - 比亚迪加仓246亿（流通市值占比+5.66%）[54] - 阿里巴巴-W加仓219亿（占比+0.98%）[54] 2. 行业集中度因子： - 电子行业占比17.05%（全部基金）、19.28%（主动基金）[31][37] - 电力设备行业占比10.63%（全部基金）、11.28%（主动基金）[31][37]

量化模型与构建方式 1. **模型名称：均线择时模型** - 模型构建思路：通过比较Wind全A指数的短期均线（20日）与长期均线（120日）的距离，判断市场整体环境（上行、震荡或下行）[2][4][11] - 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. 计算两线距离百分比： $$\text{均线距离} = \frac{\text{20日均线值} - \text{120日均线值}}{\text{120日均线值}} \times 100\%$$ 3. 根据距离阈值划分市场状态： - 距离>3%：上行趋势 - 距离≤3%：震荡或下行趋势[2][11] - 模型评价：简单直观，但对均线周期选择和阈值敏感 2. **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）和市场趋势信号动态调整绝对收益产品的股票仓位[3][12] - 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 20分位） 2. 若均线模型显示震荡趋势且估值中等偏低（PB≤20分位），建议仓位50%[12] 3. **模型名称：TWO BETA行业配置模型** - 模型构建思路：通过双贝塔因子筛选科技板块中的高弹性行业[4][12] - 模型具体构建过程：未披露具体公式，但输出推荐通信设备/军工行业[12] 4. **模型名称：困境反转行业模型** - 模型构建思路：识别基本面触底但估值较低的行业（如新能源）[4][12] --- 量化因子与构建方式 1. **因子名称：均线距离因子** - 因子构建思路：量化短期与长期均线的偏离程度[2][11] - 因子具体构建过程：同均线择时模型中的距离计算公式 2. **因子名称：成交缩量因子** - 因子构建思路：监测市场成交额萎缩至阈值（1.1万亿）作为反弹信号[4][11] 3. **因子名称：PE/PB分位数因子** - 因子构建思路：计算当前估值在历史序列中的相对位置[3][12] --- 模型的回测效果 1. **均线择时模型** - 当前均线距离：3.28%（上行趋势破坏）[11] - 趋势线均线位置：5250点，5日均线位置：5195点（低于趋势线）[11] 2. **仓位管理模型** - 建议仓位：50%（Wind全A PB分位数20%）[12] --- 因子的回测效果 1. **成交缩量因子** - 触发阈值：成交额<1.1万亿[11] 2. **PE/PB分位数因子** - 当前PE分位数：60%（中等水平） - 当前PB分位数：20%（较低水平）[12] --- 注：行业模型（TWO BETA、困境反转）未披露具体测试指标[4][12]