根据研报内容，现总结如下： 量化模型与构建方式 1. **模型名称：三维择时框架**[7][11][12][16] * **模型构建思路**：通过综合评估市场分歧度、流动性和景气度三个维度的变化趋势，对市场短期走势进行判断[7][11] * **模型具体构建过程**：模型基于三个核心指标：市场分歧度指数、市场流动性指数和A股景气度指数[7][11][19][21][25] 通过观察这三个指标的趋势（如下行、扩大、回升）及其组合状态，形成对市场（如震荡下跌）的综合判断[7][11] 2. **模型名称：ETF热点趋势策略**[30][31][32] * **模型构建思路**：通过筛选价格形态呈上涨趋势且短期市场关注度提升的ETF，构建投资组合[30] * **模型具体构建过程**：首先，根据K线的最高价与最低价的上涨或下跌形态，选出最高价与最低价同时为上涨形态的ETF[30] 其次，根据最高价与最低价近20日回归系数的相对陡峭程度，构建支撑阻力因子[30] 最后，在支撑阻力因子的多头组中，选择近5日换手率/近20日换手率最高（即短期市场关注度明显提升）的10只ETF，构建风险平价组合[30] 3. **模型名称：资金流共振策略**[34][37][40] * **模型构建思路**：结合融资融券资金流和主动大单资金流，选择两类资金都看好的行业[34][37] * **模型具体构建过程**： * **行业融资融券资金因子**：定义为经Barra市值因子中性化后的（个股）融资净买入-融券净卖出，在行业层面加总，然后取最近50日均值，并计算其两周环比变化率[37] 公式为：`因子值 = (最近50日平均融资净买入额 - 最近50日平均融券净卖出额) / 上期50日平均值 * 100%`[37] * **行业主动大单资金因子**：定义为行业最近一年成交量时序中性化后的净流入排序，并取最近10日均值[37] * **策略规则**：在主动大单因子的头部打分行业内，剔除融资融券因子的头部行业（因融资融券因子多头端在某些市场状态下有稳定的负向超额收益），以提高策略稳定性[37] 进一步剔除大金融板块后，得到最终推荐的行业组合[37][40] 量化因子与构建方式 1. **因子名称：风格因子（size, beta, momentum, value, growth等）**[43][44] * **因子构建思路**：采用常见的风格因子体系，用于描述市场的风格特征[43][44] * **因子具体构建过程**：报告提及了多个风格因子，包括规模(size)、贝塔(beta)、动量(momentum)、波动率(volatility)、非线性市值(nlsize)、估值(value)、流动性(liquidity)、盈利收益率(earnings_yield)、成长(growth)、杠杆(leverage)等[44] 这些因子通常基于股价、市值、财务数据等计算，并进行了标准化处理[44] 2. **因子名称：Alpha因子（如io_to_float_a_share, top_ten_mean_stkvaluetonav等）**[47][48][49][50] * **因子构建思路**：从不同维度（如基金持仓、动量、分析师覆盖、财务质量等）构建选股因子[47][48] * **因子具体构建过程**：报告列出了多个Alpha因子及其释义： * `io_to_float_a_share`: 根据基金年报和半年报披露持股数统计，基金总持股数占个股流通股比值[48] * `top_ten_mean_stkvaluetonav`: 根据基金披露前十大重仓股，重仓股数占净值均值[48] * `mom_1y_1m`: 1年收益率减去1个月收益率[48] * `top_ten_io_to_float_a_share`: 根据基金披露前十大重仓股，重仓股数占个股流通股比值[48] * `ana_cov`: 过去90个交易日分析师预测数[48] * `tot_rd_ttm_to_sales`: 研发销售收入占比[50] * `tot_rd_ttm_to_assets`: 研发总资产占比[48][50] * `tot_rd_ttm_to_equity`: 研发净资产占比[48][50] * 其他因子如 `mom_6m`（6个月收益率）, `yoy_orps_q`（单季度每股营业收入同比增长率）等[50] 模型的回测效果 1. **三维择时框架**：模型保持对市场的震荡下跌判断[7] 2. **ETF热点趋势策略**：策略今年以来表现优于沪深300，累计超额收益为正[31] 3. **资金流共振策略**：策略2018年以来费后年化超额收益13.5%，信息比率(IR)为1.7，相对北向-大单共振策略回撤更小[37] 策略上周实现-1.5%的绝对收益与-0.7%的超额收益（相对行业等权）[37] 因子的回测效果 1. **风格因子近期表现**[43][44]： * **beta因子**：最近一周收益率为2.19%，本年收益率为26.61%[44] * **growth因子**：最近一周收益率为1.51%，近一月收益率为4.74%[43][44] * **value因子**：最近一周收益率为-1.42%，近一月收益率为-1.32%[43][44] * **size因子**：最近一周收益率为1.46%，本年收益率为-23.35%[44] * **momentum因子**：最近一周收益率为0.27%，本年收益率为-3.31%[44] 2. **Alpha因子多头超额表现**[47][48][49][50]： * **近期表现较好因子（近一周多头超额）**： * `io_to_float_a_share`: 1.32%[48] * `top_ten_mean_stkvaluetonav`: 1.00%[48] * `mom_1y_1m`: 0.94%[48] * `top_ten_io_to_float_a_share`: 0.92%[48] * **分指数表现（上周多头超额）**： * `tot_rd_ttm_to_sales`因子在沪深300中超额36.52%，在中证500中超额29.00%，在中证800中超额37.34%，在中证1000中超额39.13%[50] * `tot_rd_ttm_to_assets`因子在沪深300中超额37.87%，在中证500中超额25.27%，在中证800中超额37.86%，在中证1000中超额36.26%[50] * 整体看，小市值指数（如中证1000）下部分因子表现更好[49]

量化模型与构建方式 1. 三维择时框架 - 模型名称：三维择时框架[7] - 模型构建思路：通过分歧度、流动性和景气度三个维度对市场进行择时判断[7] - 模型具体构建过程：监控市场分歧度指数、市场流动性指数和A股景气度指数2.0的变化趋势，当分歧度上行、流动性下行、景气度保持回升时，给出震荡下跌判断[7][11][23] 2. ETF热点趋势策略 - 模型名称：ETF热点趋势策略[29] - 模型构建思路：根据K线形态和换手率变化选择短期市场关注度提升的ETF构建组合[29] - 模型具体构建过程：首先选出最高价与最低价同时为上涨形态的ETF；然后根据最高价与最低价近20日回归系数的相对陡峭程度构建支撑阻力因子；最后选择因子多头组中近5日换手率/近20日换手率最高的10只ETF构建风险平价组合[29] 3. 资金流共振策略 - 模型名称：融资-主动大单资金流共振策略[35] - 模型构建思路：通过融资融券资金流与主动大单资金流的共振效应选择行业[35] - 模型具体构建过程： 1) 定义行业融资融券资金因子：barra市值因子中性化后的融资净买入-融券净买入（个股加总），取最近50日均值后的两周环比变化率 2) 定义行业主动大单资金因子：行业最近一年成交量时序中性化后的净流入排序，取最近10日均值 3) 在主动大单因子的头部打分内做融资融券因子的剔除，提高策略稳定性 4) 进一步剔除大金融板块[35] 模型的回测效果 1. 三维择时框架 - 历史表现：提供市场择时判断，建议逐步谨慎[7] 2. ETF热点趋势策略 - 今年以来表现：相对沪深300累计超额收益表现良好[31] 3. 资金流共振策略 - 2018年以来费后年化超额收益：13.5%[35] - 信息比率(IR)：1.7[35] - 上周表现：实现0.9%的绝对收益与-1%的超额收益（相对行业等权）[35] 量化因子与构建方式 1. 风格因子 - 因子名称：size因子[39] - 因子构建思路：衡量市值风格的影响[39] - 因子具体构建过程：基于市值大小构建组合，大市值股票组合与小市值组合对比[39] - 因子名称：beta因子[40] - 因子构建思路：衡量贝塔风格的影响[40] - 因子具体构建过程：基于股票贝塔值构建组合，高贝塔组合与低贝塔组合对比[40] - 因子名称：growth因子[40] - 因子构建思路：衡量成长风格的影响[40] - 因子具体构建过程：基于成长性指标构建组合，高成长个股与低成长个股对比[40] 2. Alpha因子 - 因子名称：每股营业收入同比增长率(yoy_orps)[44] - 因子构建思路：衡量公司营收增长能力[44] - 因子名称：资产负债率同比变化率(debt_ratio_yoy)[44] - 因子构建思路：衡量公司负债结构变化[44] - 因子名称：总负债同比增长(tot_liab_yoy)[44] - 因子构建思路：衡量公司负债增长情况[44] - 因子名称：单季度营业收入同比增速(yoy_or_q)[44] - 因子构建思路：衡量公司单季度营收增长[44] - 因子名称：流动负债同比增长(cur_liab_yoy)[44] - 因子构建思路：衡量公司流动负债变化[44] - 因子名称：单季度ROE同比差值(roe_q_delta_report)[44] - 因子构建思路：衡量公司单季度ROE同比变化[44] - 因子名称：单季度ROE同比差值（考虑快报、预告）(roe_q_delta_adv)[47] - 因子构建思路：考虑快报预告的ROE同比变化[47] - 因子名称：分析师预测调整因子(mom3_np_fy1)[47] - 因子构建思路：衡量分析师预测净利润的变化[47] - 因子具体构建过程：$$mom3\_np\_fy1 = \frac{当前一致预测np\_FY1 - 3个月前一致预测np\_FY1}{|3个月前一致预测np\_FY1|}$$[47] 因子的回测效果 1. 风格因子近期表现 - size因子：最近一周收益1.57%[43] - beta因子：最近一周收益1.08%[43] - growth因子：最近一周收益0.42%[43] - momentum因子：最近一周收益0.39%[43] - nlsize因子：最近一周收益1.31%[43] - value因子：最近一周收益-0.13%[43] - liquidity因子：最近一周收益0.96%[43] - earnings_yield因子：最近一周收益-0.67%[43] - leverage因子：最近一周收益0.48%[43] - volatility因子：最近一周收益0.20%[43] 2. Alpha因子近期表现 不同时间维度表现（近一周多头超额）： - 每股营业收入同比增长率(yoy_orps)：2.62%[44] - 资产负债率同比变化率(debt_ratio_yoy)：2.57%[44] - 总负债同比增长(tot_liab_yoy)：2.53%[44] - 单季度营业收入同比增速(yoy_or_q)：2.51%[44] - 流动负债同比增长(cur_liab_yoy)：2.49%[44] - 速动比率同比变化(quick_ratio_yoy)：2.25%[44] - 营业收入同比增速(yoy_or)：2.14%[44] - 总资产同比增长(yoy_total_assets)：2.12%[44] - 销售现金流变化指标(delta_cashflow_goodsales_ic)：2.03%[44] - 应付账款同比变化(yoy_accpayable)：1.94%[44] 不同指数下的表现（上周多头超额）： - 单季度ROE同比差值（考虑快报、预告）(roe_q_delta_adv)： - 沪深300：8.23% - 中证500：4.55% - 中证1000：9.38% - 国证2000：4.96%[47] - 分析师预测净利润变化(mom3_np_fy1)： - 沪深300：7.14% - 中证500：5.60% - 中证1000：9.54% - 国证2000：4.19%[47] - 评级调整因子(est_num_diff)： - 沪深300：7.73% - 中证500：4.86% - 中证1000：8.72% - 国证2000：4.60%[47]

量化模型与构建方式 1. **模型名称：三维择时框架** - **模型构建思路**：通过分歧度、流动性、景气度三个维度综合判断市场趋势，动态调整仓位[7][11][12] - **模型具体构建过程**： 1. **分歧度指标**：计算市场观点分歧指数（如卖方分析师预测离散度）[16] 2. **流动性指标**：跟踪市场成交额、资金净流入等数据构建指数[19] 3. **景气度指标**：结合行业盈利增速、宏观经济数据合成A股景气度指数2.0[23] 4. 综合三项指标方向（上行/下行）决定仓位，三项均上行时满仓[7] - **模型评价**：历史回测显示对市场拐点捕捉能力较强，但需警惕极端市场环境下的失效风险[14] 2. **模型名称：资金流共振策略** - **模型构建思路**：结合融资融券资金与主动大单资金流向，筛选两类资金共同看好的行业[31] - **模型具体构建过程**： 1. **融资融券因子**： $$ \text{融资因子} = \text{Barra市值中性化后的（融资净买入-融券净卖出）} $$ 取50日均值后计算两周环比变化率[31] 2. **主动大单因子**： 对行业年成交量时序中性化后的净流入排序，取10日均值[31] 3. 策略组合：在主动大单因子头部行业中剔除融资因子多头极端行业[31] - **模型评价**：相比单一资金流策略回撤更小，2018年以来年化超额收益13.5%，IR 1.7[31] --- 量化因子与构建方式 1. **因子名称：风格因子（Barra体系）** - **因子构建思路**：通过市值、波动率、流动性等风格维度解释股票收益差异[35][36] - **因子具体构建过程**： - **Size因子**：$$ \ln(\text{市值}) $$ 行业中性化处理[37] - **Volatility因子**：过去252日收益波动率[36] - **Liquidity因子**：换手率标准差[36] 2. **因子名称：Alpha因子** - **因子构建思路**：通过多维度因子挖掘超额收益来源[38][40] - **代表性因子构建过程**： - **mom_1y**：$$ \text{1年收益率} = \frac{P_t}{P_{t-252}} - 1 $$ [40] - **turnover_stdrate_3m**：3个月换手率标准差变化率[40] - **pe_g**：市盈率排名与预期净利润增长排名的差值[42] --- 模型的回测效果 1. **三维择时框架**： - 历史年化超额收益：未披露具体数值（图表显示显著跑赢基准）[14] - 当前信号：满仓（分歧度↓、流动性↑、景气度↑）[7] 2. **资金流共振策略**： - 年化超额收益：13.5% - 信息比率（IR）：1.7 - 上周超额收益：0.2%（相对行业等权）[31] --- 因子的回测效果 1. **风格因子（近一周）**： - Size因子收益：-0.21% - Volatility因子收益：-2.38% - Liquidity因子收益：-2.23% - Value因子收益：+0.92% [36] 2. **Alpha因子（近一周多头超额）**： - mom_1y：+1.58% - turnover_stdrate_3m：+1.56% - pe_g（沪深300内）：+4.97% - sue1（沪深300内）：+4.09% [40][42] 3. **分指数因子表现**： - **沪深300最佳因子**：turnover_stdrate_1m（+6.99%） - **中证500最佳因子**：pe_g（+5.60%） - **国证2000最佳因子**：gaexp_sales（+2.35%）[42]

量化因子与构建方式 估值类因子 1. **因子名称**：bp - **构建思路**：衡量股票当前净资产与总市值的比值，反映估值水平[13] - **具体构建**：$$ bp = \frac{当前净资产}{当前总市值} $$ 2. **因子名称**：bp三年分位数 - **构建思路**：计算当前bp在近三年的分位数，反映估值历史分位[13] - **具体构建**：对每只股票计算其bp在滚动三年窗口内的分位数 3. **因子名称**：季度ep - **构建思路**：衡量季度净利润与净资产的比值[13] - **具体构建**：$$ 季度ep = \frac{季度净利润}{净资产} $$ 4. **因子名称**：季度ep一年分位数 - **构建思路**：计算当前季度ep在近一年的分位数[13] - **具体构建**：对每只股票计算其季度ep在滚动一年窗口内的分位数 5. **因子名称**：季度sp - **构建思路**：衡量季度营业收入与净资产的比值[13] - **具体构建**：$$ 季度sp = \frac{季度营业收入}{净资产} $$ 6. **因子名称**：季度sp一年分位数 - **构建思路**：计算当前季度sp在近一年的分位数[13] - **具体构建**：对每只股票计算其季度sp在滚动一年窗口内的分位数 盈利类因子 7. **因子名称**：季度资产周转率 - **构建思路**：衡量营业收入与总资产的比值，反映资产利用效率[13] - **具体构建**：$$ 季度资产周转率 = \frac{季度营业收入}{总资产} $$ 8. **因子名称**：季度毛利率 - **构建思路**：衡量毛利润与销售收入的比值[13] - **具体构建**：$$ 季度毛利率 = \frac{季度毛利润}{季度销售收入} $$ 9. **因子名称**：季度roa - **构建思路**：衡量净利润与总资产的比值[13] - **具体构建**：$$ 季度roa = \frac{季度净利润}{总资产} $$ 10. **因子名称**：季度roe - **构建思路**：衡量净利润与净资产的比值[13] - **具体构建**：$$ 季度roe = \frac{季度净利润}{净资产} $$ 成长类因子 11. **因子名称**：季度净利润同比增长 - **构建思路**：衡量季度净利润同比增长率[13] - **具体构建**：$$ 季度净利润同比增长 = \frac{当期季度净利润 - 去年同期季度净利润}{去年同期季度净利润} $$ 12. **因子名称**：季度营收同比增长 - **构建思路**：衡量季度营收同比增长率[13] - **具体构建**：$$ 季度营收同比增长 = \frac{当期季度营收 - 去年同期季度营收}{去年同期季度营收} $$ 13. **因子名称**：季度roe同比 - **构建思路**：衡量季度roe同比增长率[13] - **具体构建**：$$ 季度roe同比 = \frac{当期季度roe - 去年同期季度roe}{去年同期季度roe} $$ 14. **因子名称**：标准化预期外盈利 - **构建思路**：衡量实际盈利与预期盈利的偏离程度[13] - **具体构建**：$$ 标准化预期外盈利 = \frac{当前季度净利润 - (去年同期单季净利润 + 过去8个季度单季净利润同比增长均值)}{过去8个季度单季度净利润同比增长值的标准差} $$ 15. **因子名称**：标准化预期外收入 - **构建思路**：衡量实际收入与预期收入的偏离程度[13] - **具体构建**：$$ 标准化预期外收入 = \frac{当前季度营收 - (去年同期单季营收 + 过去8个季度单季营收同比增长均值)}{过去8个季度单季度营收同比增长值的标准差} $$ 分红类因子 16. **因子名称**：股息率 - **构建思路**：衡量最近年度分红与当前市值的比值[13] - **具体构建**：$$ 股息率 = \frac{最近年度分红}{当前市值} $$ 波动率类因子 17. **因子名称**：Fama-French三因子1月残差波动率 - **构建思路**：衡量股票收益对Fama-French三因子回归残差的波动率[13] - **具体构建**：对过去20个交易日的日收益进行Fama-French三因子回归，计算残差的标准差 18. **因子名称**：1月特异度 - **构建思路**：衡量股票收益中未被Fama-French三因子解释的部分[13] - **具体构建**：$$ 1月特异度 = 1 - R^2 $$，其中R²为Fama-French三因子回归的拟合优度 19. **因子名称**：1个月超额收益率波动 - **构建思路**：衡量超额收益的波动率[13] - **具体构建**：计算过去20个交易日超额收益率的标准差 动量与反转类因子 20. **因子名称**：一年动量 - **构建思路**：衡量过去一年（剔除最近一个月）的累计收益[13] - **具体构建**：$$ 一年动量 = \sum_{t=12}^{2} r_t $$，其中r_t为第t月的收益率 21. **因子名称**：1个月反转 - **构建思路**：衡量过去20个交易日的累计收益[13] - **具体构建**：$$ 1个月反转 = \sum_{t=1}^{20} r_t $$，其中r_t为第t日的收益率 规模类因子 22. **因子名称**：小市值 - **构建思路**：衡量股票市值的对数[13] - **具体构建**：$$ 小市值 = \log(市值) $$ Beta类因子 23. **因子名称**：Beta - **构建思路**：衡量个股收益与市场收益的相关性[13] - **具体构建**：对最近490个交易日的个股收益与市场收益进行加权回归，取回归系数 因子回测效果 IC表现 1. **bp因子**：最近一周IC 4.87%，最近一月IC均值5.04%，最近一年IC均值1.64%[9] 2. **bp三年分位数因子**：最近一周IC 7.55%，最近一月IC均值3.83%，最近一年IC均值2.38%[9] 3. **Fama-French三因子1月残差波动率因子**：最近一周IC 7.04%，最近一月IC均值5.54%，最近一年IC均值3.21%[9] 4. **1月特异度因子**：最近一周IC 9.36%，最近一月IC均值6.41%，最近一年IC均值3.20%[9] 5. **小市值因子**：最近一年IC均值3.63%[9] 多头组合表现 1. **Beta因子**：最近一周超额0.91%，最近一月超额2.46%，最近一年超额9.69%[11] 2. **小市值因子**：最近一年超额16.68%[11] 3. **1个月换手率波动因子**：最近一年超额14.46%[11] 4. **Fama-French三因子1月残差波动率因子**：最近一年超额9.05%[11]