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：** 通过构建分歧度、流动性、景气度三个维度的指标，综合判断市场状态，进行择时判断[8]。 * **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、A股景气度指数2.0[13][26][24]。通过观察这三个指标的趋势（上行或下行）及其组合状态，形成对市场走势（如震荡下跌）的判断[8]。例如，当流动性保持下行趋势、分歧度保持上行趋势、景气度保持下行趋势时，框架判断市场为震荡下跌[8]。 2. **模型名称：热点趋势ETF策略** * **模型构建思路：** 结合价格形态（支撑阻力）和市场关注度（换手率变化），筛选出具有短期趋势和热度的ETF构建组合[32]。 * **模型具体构建过程：** 首先，根据K线形态，筛选出最高价与最低价同时呈现上涨形态的ETF[32]。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，并选择该因子得分处于多头组的ETF[32]。最后，在多头组中，选择近5日换手率与近20日换手率比值最高的10只ETF，即短期市场关注度明显提升的品种，构建风险平价组合[32]。 3. **模型名称：融资-主动大单资金流共振策略** * **模型构建思路：** 结合融资融券资金流和主动大单资金流两种数据，寻找两种资金流产生共振效应的行业进行配置，以提高策略稳定性[40]。 * **模型具体构建过程：** 1. **构建行业融资融券资金因子：** 对个股的（融资净买入-融券净卖出）进行行业加总，然后进行Barra市值因子中性化处理，再计算其最近50日均值，最后计算该均值的两周环比变化率[40]。 2. **构建行业主动大单资金因子：** 对行业的主动大单净流入数据进行最近一年成交量时序中性化处理，然后进行排序并计算最近10日均值[40]。 3. **策略逻辑：** 研究发现，融资融券因子的多头端在不同市场状态下有稳定的负向超额收益，而主动大单因子（剔除极端多头行业后）有稳定的正向超额收益[40]。因此，策略在主动大单因子的头部打分行业内，剔除融资融券因子得分也处于头部的行业，以提高策略稳定性[40]。最后，再剔除大金融板块[40]。 4. **模型名称：全天候配置策略（高波版与低波版）** * **模型构建思路：** 通过循环对冲设计对冲构型，绕过对宏观因素的直接预测，直接针对资产波动进行长期收益平衡，旨在获取稳健的绝对收益，不依赖杠杆、预测或宏观假设[44]。 * **模型具体构建过程：** 策略遵循资产选择、风险调整、结构对冲三项基本原则[44]。具体采用循环对冲设计对冲构型[44]。根据风险水平不同，分为两个版本： * **高波版：** 采用四层结构化-股债金风险平价模型[44][48]。 * **低波版：** 采用五层结构化-风险预算模型[49][53]。 模型的回测效果 1. **三维择时框架**，模型评价：用于判断市场整体状态，本周保持震荡下跌判断[8]。 2. **热点趋势ETF策略**，2025年以来收益58.34%，相比沪深300指数的超额收益为38.80%[32]。 3. **融资-主动大单资金流共振策略**，2018年以来费后年化超额收益14.3%，信息比率（IR）1.4[40]；策略上周实现-2.53%的绝对收益与1.88%的超额收益（相对行业等权）[40]；模型评价：相对北向-大单共振策略回撤更小[40]。 4. **全天候配置策略（高波版）**，截至2025年年化收益率11.8%，年平均最大回撤3.6%，夏普比率1.9[53]；2026年以来收益率1.9%[53]。 5. **全天候配置策略（低波版）**，截至2025年年化收益率6.7%，年平均最大回撤2.0%，夏普比率2.4[53]；2026年以来收益率1.1%[53]。 量化因子与构建方式 1. **因子名称：支撑阻力因子（属于热点趋势ETF策略）** * **因子构建思路：** 根据ETF价格最高价和最低价近期的回归趋势陡峭程度，判断其支撑或阻力强度[32]。 * **因子具体构建过程：** 分别对ETF的最高价和最低价进行近20日的线性回归，根据回归系数的相对陡峭程度构建因子[32]。 2. **因子名称：行业融资融券资金因子** * **因子构建思路：** 衡量经过市值调整后的行业层面融资资金净流入的近期变化趋势[40]。 * **因子具体构建过程：** 因子 = 两周环比变化率( 最近50日均值( Barra市值中性化后的(行业∑(个股融资净买入-融券净卖出) ) ) )[40]。 3. **因子名称：行业主动大单资金因子** * **因子构建思路：** 衡量经过成交量调整后的行业主动大单资金净流入的近期强度[40]。 * **因子具体构建过程：** 因子 = 最近10日均值( 排序( 最近一年成交量时序中性化后的行业主动大单净流入 ) )[40]。 4. **风格因子组**：报告跟踪了市值、贝塔、动量、波动率、非线性市值、价值、流动性、盈利收益率、成长、杠杆等风格因子[57]。 5. **Alpha因子组**：报告从多维度观察了不同Alpha因子的表现，包括过去1个月的收益率标准差(`return std 1m`)、近63交易日平均换手率的自然对数(`swap 3m`)、过去1个月的平均换手率(`turnover mean 1m`)等[61][62]。除规模因子仅进行行业中性化外，其他因子均进行了市值和行业中性化处理[60]。 因子的回测效果 1. **风格因子近期表现**： * **市值因子**，本周收益1.59%，最近一月收益2.88%，本年收益-2.92%[57]。 * **盈利收益率因子**，本周收益0.76%，最近一月收益1.18%，本年收益-0.41%[57]。 * **成长因子**，本周收益0.42%，最近一月收益1.18%，本年收益1.95%[57]。 * **贝塔因子**，本周收益-2.34%，最近一月收益3.90%，本年收益7.91%[57]。 * **动量因子**，本周收益-2.20%，最近一月收益0.37%，本年收益1.51%[57]。 * **波动率因子**，本周收益-0.79%，最近一月收益-3.21%，本年收益-3.62%[57]。 * **流动性因子**，本周收益-1.87%，最近一月收益0.36%，本年收益0.38%[57]。 2. **Alpha因子近期表现（近一周多头超额）**： * **过去1个月的收益率标准差(`return std 1m`)**，近一周多头超额1.27%，近一个月多头超额1.14%[62]。 * **近63交易日平均换手率的自然对数(`swap 3m`)**，近一周多头超额1.26%，近一个月多头超额0.83%[62]。 * **过去1个月的平均换手率(`turnover mean 1m`)**，近一周多头超额1.26%，近一个月多头超额1.12%[62]。 3. **Alpha因子分指数表现（最近一年多头超额）**： * **评级上下调差/评级上下调和(`est num diff`)**，在沪深300中多头超额33.24%，在中证500中多头超额6.99%，在中证800中多头超额22.93%，在中证1000中多头超额6.15%[64]。 * **十二个月残差动量(`specific mom12`)**，在沪深300中多头超额32.93%，在中证500中多头超额10.27%，在中证800中多头超额24.75%，在中证1000中多头超额10.99%[64]。 * **单季度净利润同比增长 (`yoy np q adv`)**，在沪深300中多头超额24.01%，在中证500中多头超额12.78%，在中证800中多头超额25.76%，在中证1000中多头超额22.83%[64]。 * **近一个月一致预期净利润变化（FY1）占比(`mom1 np fy1`)**，在沪深300中多头超额16.99%，**在中证500中多头超额16.98%**，在中证800中多头超额25.58%，在中证1000中多头超额9.70%[64]。

择时观点 - 三维择时框架（流动性下行、分歧度上行、景气度上行）发出市场震荡下跌判断[5][8] - 沪深300指数近期市场缩量明显，中期上涨节奏可能进一步放慢[5][8] 板块与资金流 - 近1周通信设备指数ETF份额流入208%，科创信息流入156%[5][27] - 近1周细分有色指数ETF份额流出17%，智选沪深港科技50流出17%[5][27] - 两融资金上周在有色金属行业净流入0.51亿元，大单资金在机械行业净流入9.62亿元[5][40] - 基于资金流共振，本周推荐食品饮料与纺织服装行业[5][44] 策略表现 - ETF热点趋势策略2025年以来收益54.82%，超额收益33.27%[5][28] - 三策略融合ETF轮动策略自2017年4月10日至2026年2月6日累计收益率12.22%，夏普率0.74[5][36][38] - 全天候配置高波版截至2025年年化收益率11.8%，夏普比率2.3；2026年以来收益率2.3%[5][59] 因子与风格 - 本周市场呈现“高价值高杠杆高波动”风格，价值因子收益1.48%，杠杆因子收益0.70%[5][61] - 近一周流动性冲击因子多头超额收益最佳，达1.56%[5][64][66] - 大市值股票中，单季度ROA同比差值因子在沪深300内超额收益达28.25%[5][67][68]

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]