量化模型与构建方式 1. **模型名称**：择时雷达六面图 - **模型构建思路**：从流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取21个指标，综合生成[-1,1]区间的择时分数，划分为"估值性价比"、"宏观基本面"、"资金&趋势"、"拥挤度&反转"四大类[1][6] - **模型具体构建过程**： 1. **流动性维度**：货币方向因子（货币政策工具利率变化方向）、货币强度因子（DR007与逆回购利率偏离度）、信用方向因子（中长期贷款同比变化）、信用强度因子（新增人民币贷款预期差）[12][15][18][21] 2. **经济面维度**：增长方向因子（PMI同比变化）、增长强度因子（PMI预期差）、通胀方向因子（CPI与PPI加权变化）、通胀强度因子（CPI/PPI预期差均值）[22][26][27][31] 3. **估值面维度**：席勒ERP（6年通胀调整PE倒数减国债收益率）、PB（市净率Z值）、AIAE（全市场权益配置比例Z值）[32][36][39] 4. **资金面维度**：内资（两融增量、成交额趋势）、外资（中国主权CDS利差、海外风险厌恶指数）[41][44][47][49] 5. **技术面维度**：价格趋势（均线距离）、新高新低数（成分股反转信号）[51][54] 6. **拥挤度维度**：衍生品（期权隐含升贴水、VIX、SKEW）、可转债定价偏离度[57][58][62][65] 模型的回测效果 1. **择时雷达六面图模型**： - 当前综合打分：-0.10（中性）[1][8] - 细分维度得分： - 流动性：0.00（中性）[8] - 经济面：0.00（中性）[8] - 估值面：-0.11（中性偏空）[8] - 资金面：0.00（中性）[8] - 技术面：-0.50（看空）[8] - 拥挤度：-0.13（中性偏空）[8] 量化因子与构建方式 1. **因子名称**：货币方向因子 - **因子构建思路**：判断货币政策宽松/收紧方向[12] - **因子具体构建过程**：计算央行货币政策工具利率与短端市场利率90天平均变化方向，>0为宽松（分数=1），<0为收紧（分数=-1）[12] 2. **因子名称**：货币强度因子 - **因子构建过程**： $$偏离度 = \frac{DR007}{7天逆回购利率} - 1$$ 平滑后Z值<-1.5倍标准差为宽松（分数=1），>1.5倍标准差为收紧（分数=-1）[15] 3. **因子名称**：席勒ERP - **因子构建过程**： $$席勒PE = \frac{股价}{6年通胀调整平均盈利}$$ $$席勒ERP = \frac{1}{席勒PE} - 10年期国债收益率$$ 计算3年Z值并截尾至±1区间[32] 4. **因子名称**：可转债定价偏离度 - **因子构建过程**： $$偏离度 = \frac{转债价格}{模型定价} - 1$$ 取负值后计算3年Z值[65] 因子的回测效果 1. **货币方向因子**：当前分数=1（看多）[12] 2. **货币强度因子**：当前分数=-1（看空）[15] 3. **席勒ERP**：当前分数=0.16（较上周下降0.14）[10][32] 4. **可转债定价偏离度**：当前分数=-0.51（看空）[10][65]

量化模型与构建方式 1. **模型名称**：择时雷达六面图 - **模型构建思路**：基于流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取21个指标，综合生成[-1,1]区间的择时分数，划分为"估值性价比"、"宏观基本面"、"资金&趋势"、"拥挤度&反转"四大类[1][6] - **模型具体构建过程**： 1. **流动性维度**：包含货币方向、货币强度、信用方向、信用强度4个指标，通过政策利率与市场利率偏离度（货币强度因子=DR007/7天逆回购利率-1）、中长期贷款同比（信用方向因子）等计算[12][15][17][20] 2. **经济面维度**：基于PMI同比（增长方向因子）、CPI/PPI预期差（通胀强度因子）等构建[23][26][30][31] 3. **估值面维度**：席勒ERP=1/席勒PE-10年期国债收益率（6年通胀调整盈利均值），PB和AIAE（权益配置比例=流通市值/(流通市值+实体总债务)）的3年zscore标准化[35][37][41] 4. **资金面维度**：两融增量（120日vs240日均值）、成交额趋势（对数成交额ma120/ma240-1）、外资CDS利差20日差分[45][48][51][54] 5. **技术面维度**：价格趋势（ma120/ma240-1）、新高新低数（成分股年新高-新低的20日均）[58][61] 6. **拥挤度维度**：期权隐含升贴水分位数、VIX分位数、SKEW分位数、可转债定价偏离度（模型定价偏差的3年zscore）[64][65][70][72] 量化因子与构建方式 1. **因子名称**：货币方向因子 - **构建思路**：反映货币政策宽松/收紧方向[12] - **具体构建**：央行政策利率与短端市场利率的90天平均变化方向，>0为宽松信号[12] 2. **因子名称**：货币强度因子 - **构建思路**：量化短端利率偏离政策利率的程度[15] - **具体构建**：偏离度=DR007/7天逆回购利率-1，平滑后zscore，阈值±1.5倍标准差触发120日信号[15] 3. **因子名称**：信用方向因子 - **构建思路**：捕捉中长期贷款趋势[17] - **具体构建**：中长期贷款过去12个月增量的同比，与3个月前比较判断方向[17] 4. **因子名称**：增长方向因子 - **构建思路**：跟踪PMI趋势[23] - **具体构建**：中采与财新PMI的12月均值同比，与3个月前比较[23] 5. **因子名称**：席勒ERP - **构建思路**：剔除盈利周期干扰的估值指标[35] - **具体构建**：$$席勒ERP=\frac{1}{席勒PE}-10年期国债收益率$$，席勒PE为6年通胀调整盈利均值[35] 6. **因子名称**：可转债定价偏离度 - **构建思路**：衡量转债市场情绪[72] - **具体构建**：偏离度=转债价格/模型定价-1，反向zscore标准化[72] 模型回测效果 1. **择时雷达六面图**： - 综合打分0.07（中性）[6] - 细分维度得分：流动性0.00、经济面0.00、估值面0.09、资金面0.00、技术面-0.50、拥挤度0.48[8][10] 因子回测效果 1. **货币方向因子**：当前分数1.00（看多）[10][12] 2. **货币强度因子**：当前分数-1.00（看空）[10][15] 3. **席勒ERP**：当前分数0.30（较上周下降0.08）[10][39] 4. **期权SKEW**：当前分数1.00（看多）[10][70] （注：其他因子当前分数详见文档[10]表格）

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[12] - **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[12] - **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**：跟踪龙虎榜机构买卖行为构建资金流向因子[12] - **模型评价**：对机构主导行情有效性较高 4. **模型名称**：智能沪深300/中证500模型 - **模型构建思路**：结合量价特征与机器学习算法优化宽基指数择时[12] - **模型评价**：智能化程度高，但存在过拟合风险 5. **模型名称**：涨跌停模型 - **模型构建思路**：统计涨停/跌停股票比例反映市场极端情绪[13] - **模型评价**：对市场转折点敏感 6. **模型名称**：长期动量模型 - **模型构建思路**：计算宽基指数12个月动量筛选趋势性机会[14] - **模型评价**：在单边市中表现优异 7. **模型名称**：成交额倒波幅模型（港股） - **模型构建思路**：$$ \text{信号}=\frac{\text{成交额}}{\text{波动率}} $$ 捕捉港股资金效率[16] - **模型评价**：适用于高流动性市场 模型的回测效果 1. 成交量模型：当前信号中性[12] 2. 低波动率模型：当前信号中性[12] 3. 智能沪深300模型：当前信号中性[12] 4. 智能中证500模型：当前信号看多[12] 5. 涨跌停模型：当前信号看多[13] 6. 长期动量模型：全宽基中性[14] 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**：识别杯柄形态突破个股，计算形态长度与突破幅度[44][45] - **因子具体构建**： - A点（左杯沿）、B点（杯底）、C点（右杯沿）价格序列 - 突破条件：$$ P_{\text{break}} > \max(P_A, P_C) \times (1+\theta) $$ - **因子评价**：对成长股趋势延续性捕捉较好 2. **因子名称**：双底形态因子 - **因子构建思路**：捕捉W底形态突破个股[49][51] - **因子具体构建**： - A点（左底）、B点（颈线）、C点（右底）价格序列 - 突破条件：$$ P_{\text{break}} > P_B \times (1+\lambda) $$ - **因子评价**：在反弹市中表现突出 因子的回测效果 1. 杯柄形态因子：本周组合超额收益1.16%，年内累计超额40.69%[43] 2. 双底形态因子：本周组合超额收益2.29%，年内累计超额30.19%[43] 特殊指标监控 1. VIX指数：当前值14.78，较上周下降[41] 2. 基金仓位：股票型基金仓位90.12%（-71bps），混合型75.70%（+203bps）[23][29]

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. **模型名称**：成交量模型 - **构建思路**：基于市场成交量变化判断短期市场趋势[12] - **具体构建**：监测宽基指数成交量周环比变化，结合历史分位数阈值划分多空信号。当成交量突破80分位数且持续放量时触发看多，跌破20分位数时触发看空[12] - **评价**：对市场流动性变化敏感，但易受极端值干扰 2. **模型名称**：低波动率模型 - **构建思路**：利用波动率均值回归特性捕捉市场反转信号[12] - **具体构建**：计算指数20日波动率标准差，当波动率低于历史10%分位时看多，高于90%分位时看空[12] 3. **模型名称**：特征龙虎榜机构模型 - **构建思路**：跟踪机构席位净买入行为预测资金流向[12] - **具体构建**：$$ S_{net} = \sum_{i=1}^n (B_i - S_i) $$ 其中$B_i$为机构买入金额，$S_i$为卖出金额，当$S_{net}$连续3日为正时触发看多信号[12] 4. **模型名称**：智能沪深300模型 - **构建思路**：结合量价与基本面因子的多因子择时模型[12] - **具体构建**：动态加权PE、动量、换手率等因子，采用XGBoost算法生成信号[12] 5. **模型名称**：涨跌停模型 - **构建思路**：通过涨停/跌停家数比判断市场情绪[13] - **具体构建**：计算全市场涨停率$R_{up} = N_{up}/N_{total}$，当$R_{up}>15\%$看多，$R_{up}<5\%$看空[13] 6. **模型名称**：成交额倒波幅模型（港股） - **构建思路**：量价背离策略，成交额与波动率反向时预示变盘[16] - **具体构建**：$$ R = \frac{VOL_{5d}}{HV_{20d}} $$ 当$R>2$标准差时看空[16] 模型的回测效果 1. **成交量模型**：本周上证指数信号中性，年化IR 0.82[12] 2. **低波动率模型**：上证50信号中性，年化胜率58%[12] 3. **智能沪深300模型**：本周看空，近三月超额-1.2%[12] 4. **涨跌停模型**：全A信号中性，年化IR 1.05[13] 5. **成交额倒波幅模型**：恒生指数看空，近20日胜率63%[16] 量化因子与构建方式 1. **因子名称**：动量因子 - **构建思路**：价格趋势延续效应[14] - **具体构建**：$$ MOM_{21d} = \frac{P_t}{P_{t-21}} - 1 $$ 取行业标准化Z值[14] 2. **因子名称**：月历效应因子 - **构建思路**：捕捉月度周期规律[13] - **具体构建**：统计2005-2025年各月收益率均值，当本月历史胜率>60%时触发信号[13] 因子的回测效果 1. **动量因子**：国证2000指数年化IC 0.15[14] 2. **月历效应因子**：5月历史胜率53%，本周信号中性[13] 形态学模型 1. **杯柄形态** - **构建规则**：A点（左杯高点）-B点（杯底）-C点（右杯高点）突破形态，要求形态长度≥6周[44] - **测试结果**：2020年来累计超额39.09%，本周超额0.29%[40] 2. **双底形态** - **构建规则**：A点（第一底）-B点（颈线）-C点（第二底）突破，成交量需在突破时放大[49] - **测试结果**：本周超额1.68%，年化夏普1.72[40][49] 注：所有模型信号可通过http://t.hcquant.com实时查询[11]

市场表现回顾 - 2024年全年累计收益53.69%，2025年至5月5日累计收益8.26% [1] - 上周沪深300指数周涨幅-0.43%，上证综指周涨幅-0.49%，中证500指数周涨幅0.08% [2] - 中小市值板块受一季报业绩走强但持续性存疑 [2] 本周投资建议 - 主板建议低仓位 [1] - 中小市值板块建议低仓位 [1] - 风格判断建议均衡 [1] - 短期动量模型建议关注汽车、家电行业 [3] 基本面分析 - 中国一季报业绩整体平稳，银行板块增速显著低于预期 [2] - 中小市值板块业绩增速反弹但持续性存疑 [2] - 4月官方PMI显著转弱，显示中国经济将直面关税战第一波冲击 [2] - 美国一季度GDP转为负增长，显示经济实质性衰退即将到来 [2] - 美国国内需求抬升但净出口大幅负向贡献GDP [2] 技术面分析 - 银行板块趋势反转，显示"战术定力"减退 [3] - 中小市值板块机构资金持续流出 [3] - 技术面总体偏谨慎 [3] 市场展望 - 一季度经济及A股季报利好已落地 [3] - 二季度美国关税战对两国经济冲击正在发酵 [3] - 财政货币政策尚未发力，建议维持低仓位避险 [3] - 中小市值板块基本面回升持续性存疑，建议维持低仓位 [3]

市场表现与收益回顾 - 2024年全年累计收益53.69%，2025年至4月27日累计收益7.79% [1] 本周仓位建议 - 主板建议低仓位 [3] - 中小市值板块建议低仓位 [3] - 风格判断建议均衡 [3] 市场走势分析 - 上周沪深300指数周涨幅0.38%，上证综指周涨幅0.56%，中证500指数周涨幅1.20% [4] - 市场维持窄幅震荡状态，资金期待重要会议方向指引 [4] - 技术面显示市场波动率进一步降低，需留意变盘风险 [4] - 个股活跃度虽有提升但总体仍处于谨慎状态 [4] 基本面分析 国内经济 - 央行MLF超额续作，但4月政治局会议未明确财政与货币刺激政策时间表 [4] - 中国外交部两次发声明确与美国贸易谈判尚未展开 [4] 美国经济 - 美国经济数据呈现高度分化：成屋销售低迷但新房销售重回高位，就业PMI弱势但失业人数平稳 [4] - 消费同比保持高增但消费者信心与投资者信心跌至过去4年新低 [4] - 推测数据分化的两个原因：关税战前突击消费或美国政府统计数据公允性下降 [4] 投资建议 - 主板择时观点建议在4月政治局会议后适度再降仓至低仓位 [4] - 中小市值板块建议跟随主板进一步降仓至低仓位 [5] - 短期动量模型建议关注石油石化行业 [5]

市场表现回顾 - 2024年全年累计收益53.69%，2025年至3月16日累计收益7.79% [1] - 上周沪深300指数涨幅1.59%，上证综指周涨幅1.39%，中证500指数周涨幅1.43% [4] - 市场如期上行创出本轮新高，上周五大涨催化因素为央行关于降准降息的最新强调表态 [4] 本周投资建议 - 主板建议中仓位，中小市值板块建议中仓位，风格判断为均衡 [3] - 短期动量（趋势）模型建议关注行业：无 [5] 基本面分析 - 中国经济温和企稳，2月货币供应数据喜忧参半：社融同比回升，M1同比回落，显示经济处于底部夯实状态 [4] - 需留意三月美国全球关税加征对中国外需的冲击，央行重提"年内择机降准降息"以对冲预期 [4] - 美国2月财政赤字维持高位，特朗普2.0时代企业税减免利好政策预期逐渐被现实扭转，美股美债走势反映定价退出现象 [4] 技术面分析 - 市场强势突破兑现但结构隐忧，板块轮动使突破实质作用待观察，不建议盲目加仓追涨 [4] 政策与市场预期 - 两会结束但政策窗口期未关闭，需警惕市场对降准降息高度亢奋时的博弈风险 [4] - 自1月翻多后首次建议A股适度控制仓位到中等，中小市值板块同步开启谨慎博弈策略 [4][5] 海外动态 - 俄乌停战谈判第二轮推进中，三方分歧不减反增，反映美国军事、政治全球影响力边际下滑 [4] - 美国政府缺钱问题即将显著冲击美国经济，重申美股重大回避 [4]

文章核心观点 - 文章从量化策略角度探讨大模型如何助力投资，测试大模型在行业轮动、风格轮动和市场择时三大任务中的表现，并讨论大模型在量化策略开发中存在的局限性 [1] 大模型助力投资 结合量化投资 - 大语言模型可帮助量化分析师高效实现代码构建，缩短策略开发周期；可通过检索论文网站帮助分析师快速查找研究、提炼观点或形成专家知识库；在策略开发层面，与新闻、研报这类另类数据结合能发挥更大作用 [3] 结合主动投资 - 非量化客户用好大语言模型关键在于明确其长处与局限性，当前大模型在金融领域应用空间大，但只能作为协助者，存在对数字准确度把握不足、知识库滞后、易出现知识幻觉等局限性 [3] 671b标准版DeepSeek - R1在行业轮动任务表现 模型亮点 - DeepSeek - R1基于MoE架构，通过大规模强化学习直接训练基座模型（V3）突破推理能力，在数学、代码、自然语言推理等任务上性能比肩OpenAI o1正式版，验证了强化学习在提升推理能力方面的可能性 [4][11] 测试结果 - 测试发现671b参数版的DS - R1在多项任务中优势明显，后续量化策略任务采用该版本测试；在行业轮动任务上表现更佳，2024年以来行业多头组合相对全行业等权收益率超额22.3%，效果稳定；大小盘轮动策略胜率54.33%，相对等权超额收益超12%；市场择时方面2024年以来超额约18%，稳定性稍弱 [5] 推荐持仓 - 截至2025年2月20日，DS - R1对2025年3月最新推荐持仓为传媒、计算机、电新、汽车、消费者服务、通信；大语言模型在行业配置任务上相对于选股和市场择时任务有独特优势，能更好发挥处理宏观中观信息和逻辑推理的优势 [6] 大模型结合新闻数据在量化策略任务的优势 模型创新点技术细节 - DeepSeek - V3在仅消耗Llama3 405B模型10%计算资源的条件下，实现相当运算效能，源于三项架构革新：多头潜在注意力机制、动态路由混合专家系统及多粒度令牌预测 [10] 使用DeepSeek构造量化模型的流程 - 调用方式有调用官方API、第三方平台API和本地部署三种；不同参数版本模型表现有差异，671b版在逻辑推理、常识问题及脑筋急转弯任务中表现更好，模型处理数字相关计算分析任务能力弱于文本类数据处理能力 [12][15] - 采用数库新闻数据作为提示词信息源，筛选新闻数据以降低数量并保证完整性和有效性；打磨提示词可提升输出质量、降低幻觉概率，还可借助辅助工具生成提示词；设置API接口参数，采用单轮对话方式调用API，对输出结果进行查验 [17][18][19] 回测效果展示 - 设计行业轮动、大小盘轮动和市场择时三个量化策略测试模型表现，行业轮动任务表现亮眼，样本外超额收益超22%，信息比率超1.8，多头组合超额收益回撤小、较稳定，24年10月后明显增长；持仓换手率偏低，为38.5%，多次看好电新、计算机等行业 [21][24][26] 大模型的局限性 幻觉 - 幻觉指模型生成内容无意义或不忠实于源内容，可能源于缺乏对事实的深刻理解，影响模型可靠性；主流AI模型在文本摘要任务中幻觉产生概率在0.7% - 3%之间，DeepSeek早期发布的V2.5幻觉产生概率为2.4%，与OpenAI - o1模型水平大致相同 [32] 随机性 - 大语言模型中temperature等参数控制输出随机程度，取值接近0输出更确定，接近1输出更随机；在行业轮动任务中，temperature = 0.6时，随机性对预测值有影响，但策略均能战胜等权基准；temperature取值干扰模型预测结果构建行业轮动策略的性能，但无直接相关性 [35] 上下文长度限制 - 大语言模型在长文本处理中存在系统性瓶颈，输入序列超过阈值时，对远端信息记忆和调用能力衰减，语义整合误差率非线性上升；DeepSeek - R1上下文长度为64k，限制了可接收新闻数量，影响推理效果 [37][38] 样本内数据泄露的可能性 - 大语言模型处理学术文献存在隐私泄露风险，在量化领域构建策略时，难以保证样本内不出现数据泄露问题，如出现“偷看”问题答案的情况，因此仅测试2024年以来策略表现 [39]