根据提供的量化研报，以下是其中涉及的量化模型和因子的总结。 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][5][10] * **模型构建思路**：通过构建行业层面的相对强弱指标，识别每年可能成为市场领涨主线的行业[10] * **模型具体构建过程**： 1. 以29个申万一级行业指数为配置标的[10] 2. 分别计算每个行业过去20、40、60个交易日的涨跌幅，并在所有行业中分别进行横截面排名，得到 `Rank_20`, `Rank_40`, `Rank_60`[10] 3. 对三个排名进行归一化处理，得到 `RS_20`, `RS_40`, `RS_60`[10] 4. 计算三个归一化排名的算术平均值，得到最终的行业相对强弱指数 `RS`[10] * 公式：$$ RS = \frac{RS\_20 + RS\_40 + RS\_60}{3} $$[10] * **模型评价**：该指标能有效提示年度领涨行业方向，例如2024年成功提示了高股息、资源品、出海和AI等主线[10] 2. **模型名称：行业景气度-趋势-拥挤度框架**[1][2][5][7][15] * **模型构建思路**：综合考量行业的基本面（景气度）、市场动能（趋势）和交易风险（拥挤度）三个维度，形成两种右侧行业配置方案[15] * **模型具体构建过程**：该框架包含两种具体方案： * **方案一：行业景气模型（高景气-强趋势）**：以景气度为核心，选择高景气度且趋势强劲的行业，同时利用拥挤度指标规避高拥挤风险，风格偏同步进攻[15] * **方案二：行业趋势模型（强趋势-低拥挤）**：以市场趋势为核心，选择趋势强劲且拥挤度较低的行业，同时规避低景气行业，风格偏右侧，持有体验感强[15] * 具体权重配置示例如下：基础化工18%、传媒16%、农林牧渔12%等[2][7][15] 3. **模型名称：左侧库存反转模型**[3][5][29] * **模型构建思路**：从赔率-胜率角度出发，在处于或曾处于困境但已出现反弹迹象的板块中，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，以捕捉困境反转行情[29] * **模型具体构建过程**：报告未详细描述该模型的具体计算步骤，但指出其核心逻辑是结合行业的困境反转潜力、分析师预期和库存周期进行判断[29] 4. **模型名称：行业景气度选股模型（PB-ROE）**[25][28] * **模型构建思路**：将行业配置模型的行业权重与个股选择相结合，在确定的行业内，基于PB-ROE模型筛选估值性价比高的股票[25][28] * **模型具体构建过程**： 1. 首先根据行业配置模型（如景气度-趋势-拥挤度框架）确定各行业的配置权重[25] 2. 在行业内，基于PB-ROE模型选取估值性价比高的股票（具体为排名前40%）[25][28] 3. 对选出的股票，按流通市值和PB-ROE打分进行加权，确定个股在组合内的权重[28] 模型的回测效果 1. **行业景气度-趋势-拥挤度框架（行业配置）**[15] * 基准：Wind全A指数 * 多头年化收益：21.8% * 超额年化收益：13.7% * 信息比率（IR）：1.5 * 超额最大回撤：-8.0% * 月度胜率：67% * 分年度超额：2023年超额7.3%，2024年超额5.7%，2025年以来超额2.0%[15] 2. **行业景气度-趋势-拥挤度框架（ETF配置）**[22] * 基准：中证800指数 * 年化超额收益：16.1% * 信息比率（IR）：1.8 * 超额最大回撤：10.8% * 月度胜率：65% * 分年度超额：2023年超额6.0%，2024年超额5.3%，2025年以来（截至10月底）超额14.4%[22] 3. **行业景气度选股模型（PB-ROE）**[25] * 基准：Wind全A指数 * 多头年化收益：26.5% * 超额年化收益：19.7% * 信息比率（IR）：1.7 * 超额最大回撤：-15.4% * 月度胜率：68% * 分年度表现：2022年超额10.2%，2023年超额10.4%，2024年绝对收益14.6%（超额4.6%），2025年以来超额5.5%[25] 4. **左侧库存反转模型**[29] * 基准：行业等权指数 * 分年度表现： * 2023年绝对收益13.4%，相对超额17.0% * 2024年绝对收益26.5%，相对超额15.4% * 2025年（截至10月底）绝对收益27.9%，相对超额7.5%[29] 量化因子与构建方式 1. **因子名称：相对强弱（RS）因子**[10] * **因子构建思路**：通过多期涨跌幅的横截面排名与合成，衡量行业相对于其他行业的强度[10] * **因子具体构建过程**： 1. 计算特定行业在过去20、40、60个交易日的涨跌幅[10] 2. 在每个时间截面上，计算该行业涨跌幅在所有行业中的排名 `Rank_20`, `Rank_40`, `Rank_60`[10] 3. 对排名进行归一化处理，得到 `RS_20`, `RS_40`, `RS_60`[10] 4. 计算三个归一化值的算术平均值作为最终因子值[10] * 公式：$$ RS = \frac{RS\_20 + RS\_40 + RS\_60}{3} $$[10] 2. **因子名称：景气度因子**[15] * **因子构建思路**：衡量行业的基本面好坏[15] * **因子具体构建过程**：报告未详细描述该因子的具体计算方法和数据来源，但明确指出其在模型中是核心维度之一，横轴代表景气度高低[15] 3. **因子名称：趋势因子**[15] * **因子构建思路**：衡量行业价格走势的强弱[15] * **因子具体构建过程**：报告未详细描述该因子的具体计算方法和数据来源，但明确指出其在模型中是核心维度之一，纵轴代表趋势强弱[15] 4. **因子名称：拥挤度因子**[15] * **因子构建思路**：衡量行业的交易风险，避免过度拥挤[15] * **因子具体构建过程**：报告未详细描述该因子的具体计算方法和数据来源，但明确指出其在模型中用于风险提示，通过气泡颜色（蓝色低拥挤，红色高拥挤）和大小来表征[15] 5. **因子名称：PB-ROE因子**[25][28] * **因子构建思路**：结合估值（市净率PB）和盈利能力（净资产收益率ROE），筛选具有估值性价比的股票[25][28] * **因子具体构建过程**：在确定行业内，基于PB和ROE指标对股票进行打分，选取排名前40%的股票，并综合流通市值进行加权[25][28]

根据研报内容，现总结如下： 量化模型与构建方式 1. 行业主线模型：相对强弱RSI指标[10] - **模型构建思路**：通过计算行业在不同时间窗口的涨跌幅排名，构建一个综合的相对强弱指标，用于识别年度可能领涨的行业主线[10] - **模型具体构建过程**： 1. 配置标的为29个申万一级行业[10] 2. 分别计算每个行业过去20、40、60个交易日的涨跌幅[10] 3. 对这三个时间窗口的行业涨跌幅进行横截面排名，并对排名做归一化处理，得到RS_20, RS_40, RS_60[10] 4. 计算三个归一化排名的算术平均值，得到最终的行业相对强弱指数RS[10] 公式为：$$ RS = (RS\_20 + RS\_40 + RS\_60)/3 $$[10] 2. 行业轮动模型：景气度-趋势-拥挤度框架[14] - **模型构建思路**：结合行业的景气度、价格趋势和交易拥挤度三个维度，形成两种适用于不同市场环境的右侧行业配置方案[14][16] - **模型具体构建过程**：该框架包含两种具体方案： 1. **行业景气模型**：筛选具有高景气度和强趋势的行业，但同时需要规避交易拥挤度过高的行业，属于进攻性较强的同步策略[14] 2. **行业趋势模型**：筛选具有强趋势和低拥挤度的行业，规避低景气行业，属于思路简单、持有体验感强的右侧策略[14] 模型最新配置权重为：电新19%、传媒16%、计算机12%、化工11%、地产9%、家电7%、通信7%、农业7%、轻工7%、商贸零售6%[6][14] 3. 左侧库存反转模型[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] - **模型评价**：该模型旨在弥补景气和动量因子在近两年效果衰退时可能出现的阶段性失效问题[24] 模型的回测效果 1. **行业景气度-趋势-拥挤度框架**[14][19][20] - 多头年化收益：22.1%[14] - 超额年化收益（基准：Wind全A）：13.8%[14] - 信息比率（IR）：1.51[14] - 超额最大回撤：-8.0%[14] - 月度胜率：68%[14] - 2023年超额收益（Wind全A）：7.3%[14] - 2024年超额收益（Wind全A）：5.7%[14] - 2025年以来超额收益（Wind全A）：2.8%[14] - ETF组合年化超额收益（基准：中证800）：16.1%[19] - ETF组合信息比率（IR）：1.8[19] - ETF组合超额最大回撤：10.8%[19] - ETF组合月度胜率：66%[19] - ETF组合2025年以来超额收益（中证800）：15.4%[2][19] 2. **行业景气度选股模型**（行业配置叠加PB-ROE选股）[20] - 多头年化收益：26.7%[20] - 超额年化收益（基准：Wind全A）：19.9%[20] - 信息比率（IR）：1.7[20] - 超额最大回撤：-15.4%[20] - 月度胜率：68%[20] - 2025年以来超额收益（Wind全A）：5.5%[2][20] 3. **左侧库存反转模型**[24] - 基准：行业等权指数[24] - 2023年绝对收益：13.4%[24] - 2023年超额收益（行业等权）：17.0%[24] - 2024年绝对收益：26.5%[24] - 2024年超额收益（行业等权）：15.4%[24] - 2025年至今绝对收益：26.4%[2][24] - 2025年至今超额收益（行业等权）：7.8%[2][24] 量化因子与构建方式 1. PB-ROE估值性价比因子[20] - **因子构建思路**：用于行业内选股，筛选估值与盈利匹配度高的股票，即寻找具有高性价比的投资标的[20] - **因子具体构建过程**：在行业景气度模型确定的行业内，选取PB-ROE指标排名前40%的股票，再结合流通市值和PB-ROE打分进行加权[20]

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）** - **构建思路**：通过计算行业指数的相对强弱指标，识别年度领涨行业[12] - **具体构建过程**： 1. 选取29个一级行业指数作为标的 2. 计算过去20、40、60个交易日的行业涨跌幅横截面排名，归一化得到RS_20、RS_40、RS_60 3. 计算综合相对强弱指数： $$ RS = \frac{RS_{20} + RS_{40} + RS_{60}}{3} $$ 4. 设定阈值RS>90%作为年度主线信号[12] - **评价**：历史验证有效捕捉高股息、资源品等主线，但2025年信号分散性增加[14][15] 2. **模型名称：行业景气度-趋势-拥挤度框架** - **构建思路**：结合景气度（同步）、趋势（右侧）和拥挤度（风险）三维指标进行行业轮动[16] - **具体构建过程**： - **景气度**：行业财务指标（如ROE、营收增速）标准化 - **趋势**：动量指标（如60日涨幅Z-score） - **拥挤度**：换手率分位数与估值偏离度复合指标 - 筛选条件： - 景气模型：高景气+强趋势且拥挤度<阈值 - 趋势模型：强趋势+低拥挤且景气度>阈值[16][20] - **评价**：互补性强，历史年化超额14.1%，IR达1.54[16][17] 3. **模型名称：左侧库存反转模型** - **构建思路**：挖掘库存周期底部且分析师预期改善的行业[27] - **具体构建过程**： 1. 计算行业库存周转天数同比变化率 2. 结合卖方推荐比例变化构建胜率-赔率矩阵 3. 筛选：库存压力<历史25%分位+分析师上调评级占比>30%[27][29] - **评价**：2024年超额14.8%，适应因子失效环境[27][28] --- 模型的回测效果 1. **行业主线模型** - 2024年信号行业平均绝对收益：12.8%（汽车）至32.1%（银行）[13] - 2025年信号行业超额收益：7.4%（有色金属）至18.1%（通信）[15] 2. **行业景气度-趋势-拥挤度框架** - 年化超额：14.1%（基准Wind全A） - IR：1.54，最大回撤-8.0%[16] - 2025年ETF组合超额中证800：8.1%[21][26] 3. **左侧库存反转模型** - 2024年绝对收益：25.9%（超额行业等权14.8%）[27] - 2025年绝对收益：13.6%（超额3.5%）[27][28] --- 量化因子与构建方式 1. **因子名称：相对强弱因子（RS）** - **构建过程**：同行业主线模型[12] 2. **因子名称：景气度因子** - **构建过程**：行业ROE、营收增速等财务指标标准化后加权[16][20] 3. **因子名称：拥挤度因子** - **构建过程**： $$ Crowding = 0.5 \times \text{换手率分位数} + 0.5 \times \frac{\text{当前PE}}{\text{行业历史PE中位数}} $$ 阈值设定为80%分位以上视为高风险[20] --- 因子的回测效果 1. **相对强弱因子** - 信号行业相对Wind全A胜率：68%（2024年）[13] 2. **景气度因子** - 高景气行业年化超额：9.2%（2013-2025）[16][17] 3. **拥挤度因子** - 高拥挤行业后续60日跑输基准概率：72%[20]