报告核心观点 - 报告通过将订单按金额拆分为小单（4万元以下）、中单（4-20万元）、大单（20-100万元）和超大单（100万元以上）四类，以分别刻画散户、中户、大户及机构投资者的行为差异 [2][6] - 研究发现，大单及超大单（机构）资金在累计净流入维度上呈现长期净流出趋势，而小单资金则持续净流入，这种分化可能源于交易行为的结构性偏差或不同投资者的长期收益差异 [2][8] - 机构资金（超大单）在市场运行中表现出更强的前瞻性和择时能力，其净流入阶段往往对应市场底部及主升浪，净流出阶段则多出现在主升浪后期及横盘震荡期，可被视为“聪明资金” [2][10] - 基于“聪明资金”行为构建的指数择时模型（识别“机构买入散户卖出”特征后满仓，反转后空仓）在2016-2025年回测期间累计收益达163.24%，年化收益10.16%，显著优于单纯持有万得全A指数 [2][20] - 将“聪明资金”思路拓展至行业配置，构建基于机构资金净流入横向比较的策略，回测显示最高组年化收益率可达9.15%，而未进行标准化处理的策略年化收益可达13% [2][30][33] 方法构建：基于订单拆分的资金行为刻画 - 报告采用基于订单规模的资金拆分方法，利用万得数据将订单划分为小单、中单、大单与超大单四类，以近似对应散户、中户、大户及机构投资者 [2][6] - 该方法承认将订单规模等同于投资者类型是一种近似假设，机构可能通过拆单策略将大额订单拆分为小额成交，但此行为具有单向性和稳定性，不会系统性扭曲不同规模资金的相对行为特征 [6] - 分析主要观察资金的累计净流入特征，以克服单日资金流向的随机性，并采用HP滤波方法剔除累计净流入序列的趋势项，以更清晰地刻画不同规模资金在特定阶段的边际变化 [2][8] 历史复盘：资金结构变化如何指引牛熊周期 - 历史复盘显示，基于订单拆分的资金行为在多轮牛熊转换中具有领先性，例如2018年熊市下半场，超大单资金已开始持续净流入，而小单资金净流出，市场呈现“机构承接、散户出清”特征，领先于2019年初的指数上涨 [10] - 在2020年疫情冲击后的市场修复中，大单资金自2020年4月起重新转为明显净流入，但在2020年7月指数加速上涨时已开始阶段性流出，显示出在趋势加速阶段提前兑现收益的前瞻性 [12] - 2024年上半年至三季度市场调整期间，大单资金持续净流入而小单资金持续流出，形成“机构吸筹、散户出清”格局，随后在2024年9月后市场反弹中得到验证 [12][13] - 2025年以来，在对等关税等外部冲击下，中央汇金等长期资金通过增持ETF带动机构资金重新净流入，随后市场进入新一轮上行阶段 [16] 指数择时：基于“聪明资金”的定量策略验证 - 构建的定量择时模型以剔除趋势后的机构资金（超大单）累计净流入为基础，经MA5平滑处理，当趋势向上时次一交易日满仓万得全A指数，趋势向下时则空仓 [19] - 回测结果显示，该策略能较好地捕捉市场主要上行区间，并在震荡及阴跌阶段保持低仓位，从而显著改善收益风险比，尽管在牛市后期存在“右侧偏早”可能错过尾部加速上涨的问题 [20] 行业复盘：“聪明资金”在结构行情中的指引能力 - 在周期板块（如煤炭）中，机构资金表现出较强的“逆周期配置”特征，倾向于在行业景气下行与估值低位阶段持续布局，并在估值明显修复后逐步兑现收益，体现出较强的估值约束 [22] - 在消费板块（如食品饮料）中，大资金行为与行情走势同步性较强，更多表现为“趋势跟随中的边际调节”，在顶部阶段的领先性相对有限 [24] - 在成长板块（如电力设备）中，大资金行为更为复杂，虽在2019-2021年上行周期中表现出较优的择时效果，但在2022年调整初期也出现过错误“抄底”行为 [26] - 总体而言，大资金在行业层面的前瞻性有效性弱于指数层面，因其更容易受到产业趋势、政策预期及资金轮动等多重因素扰动 [28] 行业配置：基于“聪明资金”的横向比较策略 - 策略构建方法：计算31个申万一级行业剔除趋势后的机构资金累计净流入边际变化，并进行120个交易日滚动分位数处理以实现跨行业可比性，在每个调仓时点优选资金净流入居前的行业配置 [29] - 回测设置：以过去10个交易日机构资金累计净流入（剔除趋势）为排序依据，进行周度调仓，将行业分为5组 [29] - 回测结果：经分位数标准化处理的策略中，最高组年化收益率达9.15%，最低组年化收益为-1.39%，多空组合差异显著 [2][30] - 对比未进行分位数处理的策略：其年化收益更高，可达13%，但多空组合收益的稳定性相对较弱，分位数处理在牺牲部分收益弹性的同时提升了策略稳健性与可比性 [33] 投资建议 - 近期资金流向显示，自2026年3月底美伊冲突缓和后，市场呈现机构资金（大资金）净流入抢筹的特征，机构做多意愿较强 [37] - 结构上，最近两周机构资金整体流入主要集中在TMT板块，与创业板AI上游板块领跑特征相对应 [37] - 投资建议一：持续关注AI涨价情况以及一季报相关板块披露进度，全球及国内云厂商涨价潮及部分企业财报超预期显示AI板块需求强劲，若一季报指引持续超预期，硬科技板块或仍有空间 [42] - 投资建议二：关注非银金融板块，其2025年业绩增速较高且当前估值处于低位，近期机构资金呈现流入趋势，后续估值或有较强修复空间 [42]

量化模型与构建方式 1. 成交量模型 - 模型构建思路：基于市场成交量数据判断市场短期走势[8] - 模型具体构建过程：通过分析宽基指数的成交量变化情况，设定阈值判断市场中性信号[11] - 模型评价：短期有效的市场情绪指标 2. 低波动率模型 - 模型构建思路：利用市场波动率指标进行择时判断[11] - 模型具体构建过程：计算市场波动率指标，设定中性信号阈值[11] - 模型评价：风险控制型择时模型 3. 特征龙虎榜机构模型 - 模型构建思路：基于龙虎榜机构数据构建特征指标[11] - 模型具体构建过程：分析机构资金流向和交易行为，生成看多信号[11] - 模型评价：反映机构投资者情绪 4. 特征成交量模型 - 模型构建思路：构建特殊的成交量特征指标[11] - 模型具体构建过程：通过成交量异常变化模式识别，生成看空信号[11] - 模型评价：捕捉市场异常交易行为 5. 智能算法沪深300模型 - 模型构建思路：应用智能算法对沪深300指数进行择时[11] - 模型具体构建过程：采用机器学习算法分析多维度市场数据，输出中性信号[11] - 模型评价：基于人工智能的量化择时模型 6. 智能算法中证500模型 - 模型构建思路：应用智能算法对中证500指数进行择时[11] - 模型具体构建过程：采用机器学习算法分析多维度市场数据，输出看空信号[11] - 模型评价：基于人工智能的量化择时模型 7. 涨跌停模型 - 模型构建思路：通过涨跌停板数量分析市场情绪[12] - 模型具体构建过程：统计市场涨跌停股票数量及比例，判断中性信号[12] - 模型评价：反映市场极端情绪 8. 月历效应模型 - 模型构建思路：基于历史月历效应进行择时[12] - 模型具体构建过程：分析历史月份效应规律，输出中性信号[12] - 模型评价：基于季节性效应的择时模型 9. 长期动量模型 - 模型构建思路：利用长期动量效应进行市场判断[13] - 模型具体构建过程：计算长期价格动量指标，生成看多信号[13] - 模型评价：捕捉长期趋势的动量模型 10. A股综合兵器V3模型 - 模型构建思路：综合多因子进行市场综合判断[14] - 模型具体构建过程：整合多个择时模型信号，输出看空结论[14] - 模型评价：多因子综合择时体系 11. A股综合国证2000模型 - 模型构建思路：针对国证2000指数的综合择时模型[14] - 模型具体构建过程：结合多种技术指标，输出看空信号[14] - 模型评价：小盘股综合择时模型 12. 成交额倒波幅模型 - 模型构建思路：通过成交额与波动率关系进行港股择时[15] - 模型具体构建过程：分析成交额与波动率的倒置关系，生成看多信号[15] - 模型评价：港股市场特色择时指标 模型的回测效果 1. 成交量模型 - 信号状态：中性[11] - 覆盖指数：所有宽基指数[11] 2. 低波动率模型 - 信号状态：中性[11] 3. 特征龙虎榜机构模型 - 信号状态：看多[11] 4. 特征成交量模型 - 信号状态：看空[11] 5. 智能算法沪深300模型 - 信号状态：中性[11] 6. 智能算法中证500模型 - 信号状态：看空[11] 7. 涨跌停模型 - 信号状态：中性[12] 8. 月历效应模型 - 信号状态：中性[12] 9. 长期动量模型 - 信号状态：看多[13] 10. A股综合兵器V3模型 - 信号状态：看空[14] 11. A股综合国证2000模型 - 信号状态：看空[14] 12. 成交额倒波幅模型 - 信号状态：看多[15] 量化因子与构建方式 1. 形态学因子（杯柄形态） - 因子构建思路：基于技术分析中的杯柄形态识别[42] - 因子具体构建过程：识别价格走势中的杯柄形态模式，A点为起点，B点为杯底，C点为柄部突破点[46] - 因子评价：经典的技术分析形态因子 2. 形态学因子（双底形态） - 因子构建思路：基于技术分析中的双底形态识别[42] - 因子具体构建过程：识别W底形态，A点为左底，B点为中间高点，C点为右底突破点[50] - 因子评价：反转形态技术因子 3. 形态学因子（倒杯子形态） - 因子构建思路：基于技术分析中的倒杯子形态识别[59] - 因子具体构建过程：识别倒置的杯柄形态，A点为起点，C点为杯顶，E点为向下突破点[60] - 因子评价：负面技术形态预警因子 因子的回测效果 1. 杯柄形态因子 - 本周收益：-3.4%[42] - 相对上证综指超额收益：-2.22%[42] - 累计收益（2020年12月31日至今）：57.8%[42] - 相对上证综指累计超额收益：48.02%[42] 2. 双底形态因子 - 本周收益：1.94%[42] - 相对上证综指超额收益：0.41%[42] - 累计收益（2020年12月31日至今）：48.04%[42] - 相对上证综指累计超额收益：36.6%[42]

量化模型与构建方式 1. 跳跃不平衡指标模型 1.1 模型名称：跳跃不平衡指标模型 **模型构建思路**：通过识别个股股价跳跃行为，构建衡量股票价格向上跳跃与向下跳跃力量差的指标，用于指数择时[1][2] **模型具体构建过程**： 1. 使用Jiang and Oomen(2008)的跳跃统计量识别股价跳跃： $$JS=N\frac{\hat{V}_{(0,1)}}{\sqrt{\hat{\Omega}_{SW}}}(1-\frac{RV_{N}}{SWV_{N}})\sim N(0,1)$$ $$RV_{N}=\sum_{k=1}^{N}r_{k}^{2}\;;\;SW_{N}=2\sum_{k=1}^{N}(R_{k}-r_{k})$$ $$\hat{V}_{(0,1)}=\frac{1}{\mu_{1}^{2}}\sum_{k=1}^{N-1}|r_{k+1}||r_{k}|$$ $$\mu_{p}=2^{p/2}\,\Gamma\left(\frac{p+1}{2}\right)/\sqrt{\pi}$$[9] 2. 构建三种跳跃不平衡指标： - 跳跃不平衡指标： $$D_{i,t}^{N J}=\frac{\mathrm{No.of~Pjumps}_{i}^{d}\mathrm{\-~No.of~Njumps}_{i}^{d}}{\mathrm{No.of~Tjumps}_{i}^{d}}$$ - 跳跃数量不平衡指标： $$J D_{i,t}^{N J}={\frac{\mathrm{No.of~Pjumps}_{i}\,\mathrm{-~No.of~Njumps}_{i}}{\mathrm{No.of~Tjumps}_{i}}}$$ - 跳跃幅度不平衡指标： $$J R_{i,t}^{N J}={\frac{\mathrm{R.of~Pijumps}_{i}\ -\ R.\mathrm{of~Njumps}_{i}}{R.\mathrm{of~Tijumps}_{i}}}$$[15] 3. 计算指数层面跳跃不平衡指标变化值∆D、∆JD和∆JR[16] **模型评价**：跳跃不平衡指标对指数未来收益有一定预测能力，但解释能力不算高[17] 1.2 模型名称：隐含/暴露跳跃不平衡指标模型 **模型构建思路**：将个股跳跃分为受市场跳跃影响的暴露跳跃和不受市场跳跃影响的隐含跳跃，分别构建不平衡指标[23] **模型具体构建过程**： 1. 暴露跳跃不平衡指标： $$D_{i,t}^{EJ}=\frac{\text{No.of Pjumps}_{i}|\text{Market Jump-No.of Njumps}_{i}|\text{Market Jump}}{\text{No.of Tjumps}_{i}|\text{Market Jump}}$$ 2. 隐含跳跃不平衡指标： $$D_{i,t}^{IJ}=\frac{\text{No.of Pumps}_{i}|\text{No Market Jump-No.of Numps}_{i}|\text{No Market Jump}}{\text{No.of Tumps}_{i}|\text{No Market Jump}}$$ 3. 同样构建数量不平衡和幅度不平衡指标[27] 4. 计算指数层面指标变化值∆D、∆JD和∆JR[28] **模型评价**： - 隐含跳跃不平衡指标与未来指数收益正相关，可能反映市场参与者预期 - 暴露跳跃不平衡指标与未来指数收益负相关，可能反映市场情绪过热[28] 1.3 模型名称：跳跃不平衡离散度指标模型 **模型构建思路**：通过个股隐含跳跃不平衡指标的标准差衡量市场跳跃不平衡离散度，反映市场情绪分化程度[38] **模型具体构建过程**： 1. 计算个股当月的隐含跳跃不平衡指标标准差_ 2. 计算变化值∆_ 3. 当离散度收敛(∆_<0)时看多市场[39] **模型评价**：离散度指标能有效反映市场情绪分化程度，对指数择时有较好效果[39] 1.4 模型名称：复合指标择时模型 **模型构建思路**：结合隐含跳跃幅度不平衡指标和跳跃不平衡离散度指标构建复合择时模型[42] **模型具体构建过程**： 1. 当∆JR>0且∆JR_Std<0时持有上证指数 2. 当∆JR<0且∆JR_Std>0时空仓 3. 其他情况空仓[42] **模型评价**：复合指标择时效果显著优于单一指标[42] 2. 成长-价值风格轮动模型 2.1 模型名称：国证成长指数择时模型 **模型构建思路**：将跳跃不平衡指标应用于国证成长指数择时[51] **模型具体构建过程**： 1. 识别国证成长指数股价跳跃 2. 计算成分股隐含跳跃收益等权平均 3. 根据隐含跳跃收益变化值∆JR判断持仓[51] 2.2 模型名称：成长-价值风格轮动模型 **模型构建思路**：基于国证成长指数隐含跳跃收益变化构建成长-价值风格轮动策略[55] **模型具体构建过程**： 1. 当国证成长指数隐含跳跃收益增加超过阈值时持有国证成长指数 2. 当隐含跳跃收益减少超过阈值时空仓 3. 其他情况半仓持有国证价值指数[55] 模型的回测效果 1. 跳跃不平衡指标模型 - ∆JD_NJ模型：年化收益6.23%，夏普比0.57，盈亏比1.46，年化超额4.48%[20] - ∆JR_IJ模型：年化收益9.93%，夏普比0.82，卡玛比0.75，盈亏比2.05，年化超额8.46%[32] - ∆JR_Std_IJ模型：年化收益9.41%，夏普比0.74，卡玛比0.70，盈亏比1.50，年化超额7.91%[39] - 复合指标模型：年化收益16.5%，夏普比1.28，卡玛比2.41，年化超额15.49%[45] 2. 上证综指ETF择时策略 - 年化收益12.10%，夏普比0.89，卡玛比1.49，年化超额9.78%，最大回撤6.32%[47] 3. 国证成长指数择时 - 正向策略：年化收益12.94%，夏普比0.75，卡玛比0.69，盈亏比1.43[54] - 负向策略：年化收益-9.92%，盈亏比1.36[54] 4. 成长-价值风格轮动 - 年化收益11.34%，夏普比0.64，卡玛比0.77，年化超额10.53%[62]