文章核心观点 - 传统量价因子（如低波、反转、市值、低流动性）在2026年以来集体失效，其背后逻辑偏反转，在指数快速上涨行情中产生反向作用 [1][5][6] - 行业轮动模型具有强动量特征，其稳健的超额收益特性恰好符合选股因子的需求，为解决量价因子失效问题提供了场景，可将其改造为选股因子加入多因子框架以对冲风险 [1][8][17] - 改造后的行业轮动因子表现优异，月度IC达5.3%，ICIR达4.0，具备强进攻性和动量属性，加入传统多因子框架能有效提升超额收益并增强稳定性 [1][26][33] - 行业轮动因子与指数增强框架中严格的行业偏离约束存在冲突，最佳使用方案是在保持个股偏离约束0.5%的同时，将行业偏离约束从2%适度放松至4%或5%，可在提升超额的同时控制回撤和跟踪误差 [2][3][50] 1. 量价因子失效与行业轮动模型的引入 - 2026年1月底，中证500指增产品全部跑输指数，平均跑输3.46%，主动量化产品平均跑输1.96% [5] - 失效因子主要为流动性、反转、低波、市值等量价因子，其共同逻辑是偏反转，在指数快速上涨、热门板块连续驱动的行情中发生反向 [6] - 行业轮动模型（如申万金工模型）大量基于动量因子，其多头组合相对于全行业平均收益具有稳健的超额，但这种稳健性因基准（全行业平均）缺乏关注而缺少使用场景 [8][13] - 行业轮动模型在行业内部具有稳定的排序能力，这种特性更符合选股因子的需求，为将其因子化并引入多因子选股框架提供了基础 [17] 2. 行业轮动模型的因子化与特性 - 将行业轮动模型改造为选股因子的方法是将每只股票与其所属行业的模型得分进行拼接 [19] - 原始行业轮动因子与成长因子的月度IC相关性达0.44，经正交化处理后，因子表现单调性良好 [21] - 正交后的行业轮动因子在2017年至2026年1月期间，月均IC为5.3%，强于其他传统因子（成长因子3.75%，长期动量因子4.98%），ICIR为0.40，表现优异 [26][27] - 该因子的累计IC和多空表现良好，尤其在尾端快速上行，体现出牛市的强进攻特征和动量属性，能与偏反转的量价因子形成互补 [1][23] 3. 行业轮动因子在多因子框架中的应用与优化 - 在由成长、动量、低波、股息率构成的四因子等权模型中，加入行业轮动因子构成五因子模型，能大幅提升超额收益，并止住2024年下半年以来超额收益下滑的势头 [28][30][33] - 在无约束条件下，五因子等权组合在各年份均取得正超额收益，平均超额达10.52%，表现优于四因子等权（5.55%）及ICIR加权方式 [35][36] - 当加入指增框架常用的行业偏离约束（2%）和个股偏离约束（0.5%）后，五因子模型的超额收益出现下滑，2025年超额收益转负，表明行业轮动因子与严格的行业中性约束存在冲突 [2][37][38] - 尝试用行业轮动模型的打分来控制行业偏离排序，或将其作为卫星组合与主策略“拼盘”，效果均不及直接将因子加入选股模型并优化约束的方案 [40][42][44][47][49] 4. 使用行业轮动因子的最佳方案 - 最佳方案是保持个股偏离约束0.5%不变，适度放松行业偏离约束 [3] - 将行业偏离约束从2%放松至4%或5%时，组合的平均超额收益从6.97%分别提升至7.54%和7.73%，且各年份超额收益均转正 [50] - 放松行业约束后，超额收益的最大回撤在某些关键年份（如2024年）反而下降，例如行业偏离2%时2024年最大回撤为-5.52%，放松至4%时降至-4.56% [50] - 放松行业偏离约束对跟踪误差影响很小，从2%约束下的5.01%仅微升至5%约束下的5.25%，表明该方案能较好地兼顾收益与风险控制 [50][52]

报告行业投资评级 未提及 报告的核心观点 - 2026 年以来传统量价因子集体失效，行业轮动模型因子化有了应用场景，其具备良好因子特性，加入传统多因子框架可提升模型表现，但与指增框架行业偏离约束有冲突，保持个股偏离约束同时放松行业偏离是最佳方案 [2][60][61] 根据相关目录分别进行总结 为行业轮动模型寻找使用场景：从量价因子失效说起 - 2026 年以来中证 500 指数出现量化模型超额回撤，对标该指数的指增和主动量化产品大多跑输，主要失效因子是逻辑偏反转的量价因子，可引入行业轮动模型作为补充 [4][5][7] - 行业轮动模型强动量驱动，与传统量价因子互补，但缺乏使用场景，其多头组合表现不亮眼，稳健超额因基准未获大众认可而缺乏实际意义，可探索因子化引入多因子框架 [10][13][16] 行业轮动模型的因子化 - 将行业模型改为选股因子，把股票所属行业得分拼接，因行业多对因子 IC 影响有限，且需对因子正交处理 [22] - 原始行业轮动因子月度 IC 与成长因子相关性超 0.4，正交化处理后单调性好，累计 IC 和多空表现优异，月均 IC 达 5.3%，ICIR 为 0.40，特性优异 [23][25][30] 行业轮动因子的使用和比较分析 - 四因子和五因子模型比较：加入行业轮动因子的五因子模型战胜基础四因子模型，增强牛市进攻性和超额稳定性 [33][35][38] - 因子等权 vs ICIR 加权：ICIR 加权效果不如因子等权，加入行业轮动因子的五因子等权组合各年份表现最优 [39] - 向指增框架靠拢：增加行业和个股约束后，五因子模型收益部分年份提升但 2025 年超额转负，不过能控制部分年份最大回撤 [41][42] - 通过行业打分来约束行业偏离排序的方法：该方法表现弱于五因子直接约束模型，不是最佳方案 [44] - 多策略组合：行业轮动单因子组合表现与五因子优化约束组合走势相近，“拼盘组合”表现难占优，五因子加行业个股偏离约束仍是最优方案 [47][50][52] - 目前最佳方案：保持个股偏离 0.5%不变，放松行业偏离到 4%或 5%，能提升超额收益、降低最大回撤，对跟踪误差影响小 [53][56][57] 小结 - 行业轮动模型缺乏使用场景，其稳健性为选股因子化提供基础，行业轮动因子特性好，加入传统多因子框架可提升表现，但与指增框架行业偏离约束有冲突，选股有增量贡献，保持个股约束放松行业偏离是最佳方案 [60][61][62]

量化模型与构建方式 1. **模型名称**：进取组合 **模型构建思路**：基于多因子模型构建的量化股票组合，追求较高风险下的超额收益[7] **模型具体构建过程**：报告未详细描述其具体因子构成和加权方式，仅说明其为多因子组合[7] 2. **模型名称**：平衡组合 **模型构建思路**：基于多因子模型构建的量化股票组合，追求风险与收益的平衡[7] **模型具体构建过程**：报告未详细描述其具体因子构成和加权方式，仅说明其为多因子组合[7] 3. **模型名称**：沪深300增强组合 **模型构建思路**：以沪深300指数为基准，通过量化模型进行增强，旨在获取稳定超额收益[5] **模型具体构建过程**：报告未详细描述其具体增强策略和因子构成[5] 4. **模型名称**：中证500增强组合 **模型构建思路**：以中证500指数为基准，通过量化模型进行增强，旨在获取稳定超额收益[5] **模型具体构建过程**：报告未详细描述其具体增强策略和因子构成[5] 5. **模型名称**：中证1000增强组合 **模型构建思路**：以中证1000指数为基准，通过量化模型进行增强，旨在获取稳定超额收益[5] **模型具体构建过程**：报告未详细描述其具体增强策略和因子构成[5] 6. **模型名称**：绩优基金的独门重仓股组合 **模型构建思路**：基于绩优基金的独门重仓股构建的组合，旨在捕捉基金经理的选股Alpha[5][7] **模型具体构建过程**：报告未详细描述其具体筛选和构建规则[5][7] 7. **模型名称**：盈利、增长、现金流三者兼优组合 **模型构建思路**：筛选在盈利、增长和现金流三个基本面维度均表现优异的股票构建的组合[7] **模型具体构建过程**：报告未详细描述其具体筛选标准和加权方式[7] 8. **模型名称**：PB-盈利优选组合 **模型构建思路**：结合低估值（PB）和高盈利能力的选股策略，寻找有基本面支撑的低估值股票[7][31] **模型具体构建过程**：报告未详细描述其具体因子合成与选股规则[7][31] 9. **模型名称**：GARP组合 **模型构建思路**：采用“合理价格成长”策略，兼顾公司的成长性与估值水平[35] **模型具体构建过程**：报告未详细描述其具体因子合成与选股规则[35] 10. **模型名称**：小盘价值优选组合1 **模型构建思路**：在小盘股中优选具备价值特征的股票构建的组合[7] **模型具体构建过程**：报告未详细描述其具体价值因子定义和选股规则[7] 11. **模型名称**：小盘价值优选组合2 **模型构建思路**：在小盘股中优选具备价值特征的股票构建的组合，可能与组合1在因子权重或筛选阈值上有所不同[7] **模型具体构建过程**：报告未详细描述其具体价值因子定义和选股规则[7] 12. **模型名称**：小盘成长组合 **模型构建思路**：在小盘股中优选具备高成长特征的股票构建的组合[7] **模型具体构建过程**：报告未详细描述其具体成长因子定义和选股规则[7] 量化因子与构建方式 1. **因子名称**：市值因子 **因子构建思路**：衡量公司规模大小的因子，通常认为小市值股票存在溢价[44] **因子具体构建过程**：报告未给出具体计算公式，通常使用总市值或流通市值作为代理变量[44] 2. **因子名称**：PB因子 **因子构建思路**：市净率因子，衡量估值水平，通常认为低估值股票存在溢价[44] **因子具体构建过程**：报告未给出具体计算公式，通常为股票价格除以每股净资产[44] 3. **因子名称**：PE_TTM因子 **因子构建思路**：滚动市盈率因子，衡量估值水平，通常认为低估值股票存在溢价[44] **因子具体构建过程**：报告未给出具体计算公式，通常为股票价格除以过去十二个月每股收益[44] 4. **因子名称**：反转因子 **因子构建思路**：技术类因子，认为过去一段时间跌幅较大的股票未来可能反弹，涨幅较大的股票未来可能回调[49] **因子具体构建过程**：报告未给出具体计算公式，通常基于过去一段时间的收益率构建[49] 5. **因子名称**：换手率因子 **因子构建思路**：技术类因子，衡量股票流动性，通常认为低换手率股票存在溢价[49] **因子具体构建过程**：报告未给出具体计算公式，通常基于过去一段时间的平均换手率构建[49] 6. **因子名称**：波动率因子 **因子构建思路**：技术类因子，衡量股票价格波动风险，通常认为低波动率股票存在溢价[49] **因子具体构建过程**：报告未给出具体计算公式，通常基于过去一段时间收益率的标准差构建[49] 7. **因子名称**：ROE因子 **因子构建思路**：净资产收益率因子，衡量公司盈利能力，通常认为高盈利能力股票存在溢价[52] **因子具体构建过程**：报告未给出具体计算公式，通常为净利润除以净资产[52] 8. **因子名称**：SUE因子 **因子构建思路**：标准化未预期盈余因子，衡量盈利增长超预期的程度，通常认为超预期增长的股票存在溢价[52] **因子具体构建过程**：报告未给出具体计算公式，通常为（当期实际EPS - 预期EPS）除以历史盈利波动[52] 9. **因子名称**：预期净利润调整因子 **因子构建思路**：基于分析师对净利润预测的调整构建的因子，通常认为上调盈利预测的股票存在溢价[52] **因子具体构建过程**：报告未给出具体计算公式，通常基于分析师一致预期净利润的变化率构建[52] 模型的回测效果 （数据统计区间：2025年12月31日至2026年1月30日）[9] 1. 进取组合，绝对收益13.78%，超额收益1.66%，跟踪误差20.60%，最大相对回撤12.81%[9] 2. 平衡组合，绝对收益12.77%，超额收益0.65%，跟踪误差17.86%，最大相对回撤11.94%[9] 3. 沪深300增强组合，绝对收益6.85%，超额收益5.20%，跟踪误差4.86%，最大相对回撤1.21%[9] 4. 中证500增强组合，绝对收益11.11%，超额收益-1.01%，跟踪误差6.16%，最大相对回撤4.77%[9] 5. 中证1000增强组合，绝对收益11.99%，超额收益3.31%，跟踪误差7.70%，最大相对回撤2.78%[9] 6. 绩优基金的独门重仓股组合，绝对收益6.03%，超额收益-1.06%，跟踪误差21.80%，最大相对回撤5.18%[9] 7. 盈利、增长、现金流三者兼优组合，绝对收益0.20%，超额收益-1.45%，跟踪误差13.12%，最大相对回撤4.52%[9] 8. PB-盈利优选组合，绝对收益6.17%，超额收益4.52%，跟踪误差13.11%，最大相对回撤4.47%[9] 9. GARP组合，绝对收益11.43%，超额收益9.78%，跟踪误差13.38%，最大相对回撤2.90%[9] 10. 小盘价值优选组合1，绝对收益7.89%，超额收益-2.83%，跟踪误差9.39%，最大相对回撤5.33%[9] 11. 小盘价值优选组合2，绝对收益12.37%，超额收益1.66%，跟踪误差10.30%，最大相对回撤3.05%[9] 12. 小盘成长组合，绝对收益9.13%，超额收益-1.59%，跟踪误差10.53%，最大相对回撤3.01%[9] 因子的回测效果 （数据统计区间：2025年12月31日至2026年1月30日）[44][45][50][52][53] 1. 市值因子，全市场多空收益3.34%，沪深300多空收益5.78%，中证500多空收益-10.16%，中证1000多空收益-2.32%[44][45] 2. PB因子，全市场多空收益-1.40%，沪深300多空收益-7.98%，中证500多空收益-3.81%，中证1000多空收益-3.18%[44][45] 3. PE_TTM因子，全市场多空收益0.28%，沪深300多空收益-7.61%，中证500多空收益-7.92%，中证1000多空收益-2.38%[44][45] 4. 反转因子，全市场多空收益-3.86%，沪深300多空收益-5.13%，中证500多空收益-13.20%，中证1000多空收益0.01%[50] 5. 换手率因子，全市场多空收益2.68%，沪深300多空收益-6.99%，中证500多空收益-13.52%，中证1000多空收益-1.58%[50] 6. 波动率因子，全市场多空收益-0.38%，沪深300多空收益-8.96%，中证500多空收益-17.87%，中证1000多空收益-2.42%[50] 7. ROE因子，全市场多空收益2.84%，沪深300多空收益-0.92%，中证500多空收益-0.30%，中证1000多空收益6.47%[52][53] 8. SUE因子，全市场多空收益1.74%，沪深300多空收益2.54%，中证500多空收益-2.39%，中证1000多空收益2.95%[52][53] 9. 预期净利润调整因子，全市场多空收益0.72%，沪深300多空收益1.92%，中证500多空收益2.04%，中证1000多空收益-1.51%[52][53]

中证500指数2026年初表现与市场结构特征 - 2026年初至1月23日，中证500指数上涨15.06%，表现显著优于同期沪深300、中证1000及中证2000指数，打破了近年来主要宽基指数表现与市值大小单调相关的规律[1] - 历史数据显示，A股市场大部分年份存在单调性：小市值因子强时，中证2000表现优于中证1000，再优于中证500和沪深300；大市值因子强时则反之[1] - 2026年市场单调性被打破，为观察未来市场结构特征及市值因子规律提供了新窗口，但行情能否持续仍需观察[2] 中证500指数表现突出的驱动因素 - 指数表现突出主要源于其权重行业集中于2026年以来表现较好的板块，如电子、有色金属（权重7.148%）和国防军工（权重6.364%）[5] - 指数涨幅由少数个股集中贡献：前5名股票贡献1.47%的涨幅，前10名贡献2.41%，前40名（占成分股不到10%）贡献了近一半的涨幅[6] - 个股贡献集中度高是2026年行情特征，也是选股策略容易跑输中证500指数的原因[6] 量化策略与指数增强基金面临的挑战 - 2026年以来，中证500指数增强基金全部跑输基准指数，平均跑输2.5%，表现最好的产品跑输0.12%，最差跑输7.93%[10] - 持仓更灵活的主动量化类指增产品（类指增）跑输幅度更大，平均跑输3.91%，表现最好的跑输2.07%，最差跑输7.61%[12] - 在强势的中证500行情下，量化策略面临失效和超额收益回撤的问题[12] 中证500指数内因子表现的变化与失效 - 自2017年以来，沪深300、中证500和中证1000内的市值因子均出现持续反向和回撤，但中证1000回撤幅度最小，并在2021年后出现强劲反弹，而中证500与沪深300的反弹微弱[13] - 2026年以来，中证500内多个因子表现出现较大异常：盈利、股息率、估值等基本面因子IC为负；流动性、反转、市值、波动率四个量价因子不仅方向相反，且IC值变大[15] - 量价因子反向是2026年以来量化策略跑输指数的根源，源于短期市场快速上涨和过热行情，导致短期涨得快、换手高、高波动的题材股继续上涨[15] - 与2025年相比，2026年流动性、反转、市值、低波四个量价因子呈现不同特征，是策略集体跑输的重要原因[16] 量价因子的不稳定性与历史表现 - 长期来看，估值、动量、反转、市值、流动性等因子的月度胜率不佳，在50%附近或更低，而低波因子长期胜率较高[18] - 2026年1月，长期胜率较高的低波因子也出现了反向[18] - 量价因子的不稳定性源于行情极致性：当行情集中于能持续上涨的热门股票时，量价因子集体出现反向的可能性很大[20] - 观察四个量价因子近一年IC值：低流动性因子表现平庸；反转因子在2025年4月后走平，并于同年11月起连续三个月为正；市值因子在2025年8月后走平，并在三季度频繁表现出大市值好的特征；低波因子稳定性较强，但在2025年10月后走平且几乎不贡献收益[21][23] - 这些量价因子的整体变化始于2025年三季度，并非2026年1月突然出现的新现象[25] - 2026年以来涨幅靠前的10只股票，在多个量价因子（如低流动性、反转、市值、低波）上的综合排序靠后，传统遵循固定方向的多因子框架基本不可能选中这些股票[25] 当前行情在因子表现上的极端性评估 - 2026年1月，没有任何单一因子出现历史最差IC值，说明情况并非由单个因子大幅拖累导致[28] - 但将低波、低流动性、反转、市值四个量价因子综合来看，2026年1月是自2011年以来181个月中，四因子综合IC表现最差的一个月[29] - 若结合所有九大类因子，当前是历史上第二差的时间，仅次于2022年6月，几乎可以认定当前是因子表现上的极端行情[29] 历史相似行情复盘与规律总结 - 复盘历史上因子整体表现较差的时期（如2018年6月、2020年2月、2020年6月、2022年6月、2025年8月等），这些月份往往伴随指数大幅波动，涨跌幅显著[31] - 关键规律：市场行情是否继续大幅波动是因子是否持续失效的重要环境；市场波动变小往往是因子逻辑回归的环境[32][36] - 从历史看，因子的持续失效时间一般不会超过2个月[38][40] - 事件驱动的行情（如2025年4月受关税影响）也是导致因子反向的重要原因[42] 对未来的展望与策略建议 - 当前极致行情的延续时间决定了因子逻辑回归的时间，随着市场波动的下降，因子逻辑必然会回归，这一时间一般不会超过2个月[45] - 首先，因子失效或反转的情况不会持续太久，当前不宜对模型进行大幅度调整，应等待市场波动减小后模型表现回归[46] - 其次，中证500指数增强策略需要建立更细致的风险控制框架，因为指数内因子有效性整体下降，超额特征向沪深300靠拢[46] - 建议引入对不同超额波动个股的差异约束控制，以及基于行业打分模型的行业约束框架[46] - 第三，需要进一步优化量价因子的构建，剥离其非线性特征，以提升因子的胜率[47]

报告行业投资评级 报告未提及行业投资评级相关内容 报告的核心观点 - 2026 年以来中证 500 指数表现突出，指数增强基金全部跑输，平均跑输 2.5% [1][13] - 中证 500 指数集中热门行业且少数股票贡献主要收益，使战胜指数变难 [1] - 短期市场行情致量价类因子反向失效，当前是因子表现极端行情 [1] - 参考历史，市场大幅波动会致因子失效，极致行情延续时间决定因子逻辑回归时间，一般不超 2 个月 [1] - 未来因子失效或反转情况不会持续太久，不宜大幅调模型，需建立风控框架并优化量价因子构建 [1] 各目录内容总结 2026 年以来中证 500 指数表现突出 - 2026 年开始以来，中证 500 指数表现突出，截至 1 月 23 日已上涨 15.06%，打破主要宽基指数表现单调性，是否持续待观察 [4] - 中证 500 指数集中电子、有色金属、国防军工等 2026 年以来表现较好行业 [7] - 少数股票贡献指数主要涨幅，前 5 名股票贡献 1.47%，前 40 名贡献近一半，个股贡献集中度高使选股策略易跑输 [11] 因子视角：战胜中证 500 指数为何变难？ 指数增强基金集体跑输指数 - 2026 年以来，中证 500 指数增强基金全部跑输，平均跑输 2.5%，最好跑输 0.12%，最多跑输 7.93% [1][13] - 主动量化类指增产品跑输幅度更大，平均 3.91%，最好跑输 2.07%，最多跑输 7.61% [15] 中证 500 指数内的因子变化 - 2017 年以来，沪深 300、中证 500 和中证 1000 内市值因子持续反向回撤，2021 年后中证 1000 市值因子反弹明显，中证 500 与沪深 300 仅微弱反弹 [16] - 2026 年以来，中证 500 内不少因子表现异常，盈利、股息率、估值等基本面因子反向为负，流动性、反转、市值、波动率等量价因子反向且 IC 变大，致量化策略跑输 [19] - 短期市场快速上涨和过热行情，使方向偏向反转的量价类因子反向失效 [20] - 估值、动量、反转、市值、流动性等因子长期胜率不佳，2026 年以来量价因子集中反向，长期胜率较高的低波因子 1 月也反向 [26] - 四个量价因子从 2025 年三季度开始走平或反向，26 年 1 月集体失效影响更明显 [29][32][35] - 26 年以来涨幅靠前的热门股在量价因子上排名靠后，传统多因子框架难选到 [35] 历史相似情况复盘与未来展望 当前行情属于因子表现上的极端情况？ - 1 月无单因子出现历史最差 IC，四个量价因子综合是历史上 IC 综合表现最差月，结合九因子是历史第二差，仅次于 2022 年 6 月 [39][40] 历史上中证 500 类似情况出现过哪些，后续如何演绎？ - 历史上 2018 年 6 月、2020 年 2 月、2022 年 6 月、2025 年 8 月等出现因子整体表现较差情况，部分月份行情大幅波动 [42] - 行情大幅波动是因子持续失效重要环境，市场波动变小往往是因子逻辑回归环境，因子持续失效一般不超 2 个月 [46][52][69] 未来展望 - 因子失效或反转情况不会持续太久，当前不宜大幅调模型，应等待表现回归 [70] - 中证 500 指数增强需建立细致风控框架，引入对不同超额波动个股的差异约束控制和基于行业打分模型的行业约束框架 [70] - 需进一步优化量价因子构建，剥离非线性特征，提升胜率 [71]

量化因子总结 量化因子与构建方式 1. **因子名称**：价格稳定大类因子[13] * **因子构建思路**：衡量股票价格相对于市场系统性风险的稳定程度，通常价格越稳定，未来表现可能越好[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **残差波动率**：Fama-French三因子模型回归残差的标准差[13]。 * **特异率**：1减去Fama-French三因子模型回归的拟合优度（R²）[13]。公式为：$$特异率 = 1 - R^2$$ * **残差峰度**：Fama-French三因子模型回归残差的峰度[13]。 * **高价振幅**：价格处于最高20%区间的平均振幅[13]。 2. **因子名称**：成交稳定大类因子[13] * **因子构建思路**：衡量股票成交的稳定性和有序程度，成交越稳定，可能预示未来表现越好[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **换手率变异系数**：换手率的标准差除以平均值[13]。 * **成交占比熵**：以成交量占比作为概率p，代入熵公式计算[13]。 * **量大单买入强度**：过去n个交易日，大买单成交额的标准差除以平均值[13]。 * **波峰**：使用日内1分钟成交量K线数据，以均值加1倍标准差为阈值筛选，计算局部峰值K线数量的20日移动平均[13]。 3. **因子名称**：流动性大类因子[13] * **因子构建思路**：衡量股票的流动性，流动性过高或过低可能对未来收益有不同影响[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **换手率**：成交量除以总股本[13]。 * **非流动性**：收益率绝对值除以总成交额[13]。 * **一致买入占比**：一致买入区间内的买入成交额除以总成交额[13]。 4. **因子名称**：拥挤度大类因子[13] * **因子构建思路**：衡量交易行为的拥挤程度，过度拥挤可能预示反转风险[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **量价相关性**：成交量和复权收盘价的秩相关系数[13]。 * **加权偏度**：以成交量加权的收盘价偏度[13]。 * **时量价比**：时间加权价格除以成交量加权价格[13]。 * **高量交易成本**：价格处于最高20%区间的成交量除以全区间总成交量[13]。 5. **因子名称**：成交笔数大类因子[13] * **因子构建思路**：从每笔成交的微观结构角度挖掘信息，例如大单行为或反转信号[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **每笔成交额**：总成交额除以成交笔数[13]。 * **高量每笔成交**：以5分钟成交量为划分，筛选成交量最高的20%数据计算每笔成交额，再除以全时间段每笔成交额[13]。 * **每笔流出额占比**：以成交量为划分，计算每笔流出额占全区间每笔流出额的比例[13]。 * **短期反转**：以5分钟成交量除以成交笔数为划分，筛选该比值最低的20%数据，计算其对数收益率之和[13]。 6. **因子名称**：反转大类因子[13] * **因子构建思路**：捕捉价格的短期反转效应[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **收益偏度**：收益率的偏度[13]。 * **半衰残差动量**：过去240个交易日，使用Fama-French三因子模型计算的日度残差收益率，从第240日到第20日进行累积[13]。 * **长期动量**：过去240个交易日（剔除最近20个交易日）的收益率[13]。 * **排序动量**：对日度收益率做截面排序，对过去240个交易日（剔除最近20日）的排序值求和[13]。 7. **因子名称**：成长大类因子[13] * **因子构建思路**：衡量公司的成长性，成长性高的公司可能获得溢价[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **ROE增长**：过去8个季度的ROE对时间进行线性回归的斜率项[13]。 * **总资产周转率增长**：过去8个季度的总资产周转率对时间进行线性回归的斜率项[13]。 * **归母净利润同比**：(本期季度归母净利润 - 去年同期季度归母净利润) / |去年同期季度归母净利润|[13]。 * **营业收入同比**：(本期季度营业收入 - 去年同期季度营业收入) / |去年同期季度营业收入|[13]。 * **ROE同比**：本期季度ROE减去去年同期季度ROE[13]。 * **总资产周转率同比**：本期季度总资产周转率减去去年同期季度总资产周转率[13]。 8. **因子名称**：SUE（标准化意外盈余）大类因子[13] * **因子构建思路**：衡量公司盈利超出市场预期的程度[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **ROE 2年SUE**：单季度扣非净利润归一化后对时间进行回归的斜率[13]。 * **总资产周转率2年SUE**：单季度扣非净利润对时间回归的斜率除以平均净资产[13]。 * **净利率2年SUE**：(归母净利润 - 过去8个季度均值) / 过去8个季度标准差[13]。 * **现金总资产比率2年SUE**：(GPOA - 过去8个季度均值) / 过去8个季度标准差[13]。 * **现金营业收入比率2年SUE**：(销售毛利率 - 过去8个季度均值) / 过去8个季度标准差[13]。 9. **因子名称**：质量大类因子[13] * **因子构建思路**：衡量公司的盈利质量和财务稳健性[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **ROE**：净利润除以净资产[13]。 * **总资产周转率**：营业收入除以总资产[13]。 * **净利率**：净利润除以营业收入[13]。 * **现金总资产比率**：经营活动现金流净额除以总资产[13]。 * **现金营业收入比率**：经营活动现金流净额除以营业收入[13]。 10. **因子名称**：价值大类因子[13] * **因子构建思路**：衡量股票的估值水平，估值越低可能未来收益越高[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **BP**：净资产除以总市值[13]。 * **SALES2EV**：营业收入除以企业价值[13]。 * **DP**：近12个月分红除以总市值[13]。 * **EP**：归母净利润TTM除以总市值[13]。 11. **因子名称**：分析师大类因子[13] * **因子构建思路**：基于分析师预期数据，捕捉市场一致预期的变化[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **预期增长**：分析师一致预期EPS近两个月的平均值除以较远两个月的平均值[13]。 12. **因子名称**：动量大类因子[13] * **因子构建思路**：捕捉价格的趋势延续效应[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。 因子的回测效果 *测试时间段：2025年1月2日至2025年12月12日[16]* 大类因子表现 1. **成交笔数因子**，IC 9.15%， ICIR 1.08， 超额收益 5.48%， 超额最大回撤 3.59%， 信息比 0.90， 多空收益 20.03%， 多空最大回撤 9.46%， 多空夏普比 1.32[16] 2. **流动性因子**，IC 9.72%， ICIR 1.08， 超额收益 23.67%， 超额最大回撤 3.80%， 信息比 3.43， 多空收益 43.64%， 多空最大回撤 5.42%， 多空夏普比 2.84[16] 3. **成交稳定因子**，IC 8.55%， ICIR 1.18， 超额收益 1.33%， 超额最大回撤 6.59%， 信息比 0.18， 多空收益 21.20%， 多空最大回撤 3.85%， 多空夏普比 1.78[16] 4. **拥挤度因子**，IC 7.53%， ICIR 1.19， 超额收益 10.36%， 超额最大回撤 2.07%， 信息比 2.23， 多空收益 21.02%， 多空最大回撤 3.31%， 多空夏普比 2.26[16] 5. **价格稳定因子**，IC 9.41%， ICIR 1.23， 超额收益 6.86%， 超额最大回撤 5.47%， 信息比 1.25， 多空收益 15.26%， 多空最大回撤 7.43%， 多空夏普比 1.07[16] 6. **反转因子**，IC 7.13%， ICIR 1.39， 超额收益 7.00%， 超额最大回撤 3.03%， 信息比 1.67， 多空收益 17.58%， 多空最大回撤 5.60%， 多空夏普比 1.20[16] 7. **SUE因子**，IC 2.47%， ICIR 0.54， 超额收益 4.83%， 超额最大回撤 3.92%， 信息比 1.07， 多空收益 11.64%， 多空最大回撤 4.32%， 多空夏普比 1.84[16] 8. **成长因子**，IC 2.85%， ICIR 0.36， 超额收益 6.90%， 超额最大回撤 5.45%， 信息比 1.19， 多空收益 16.12%， 多空最大回撤 7.52%， 多空夏普比 1.76[16] 9. **分析师因子**，IC 0.65%， ICIR 0.14， 超额收益 7.23%， 超额最大回撤 5.95%， 信息比 0.86， 多空收益 6.38%， 多空最大回撤 6.42%， 多空夏普比 0.78[16] 10. **质量因子**，IC 2.47%， ICIR 0.23， 超额收益 -1.15%， 超额最大回撤 4.77%， 信息比 -0.35， 多空收益 2.38%， 多空最大回撤 8.99%， 多空夏普比 0.12[16] 11. **价值因子**，IC 4.38%， ICIR 0.42， 超额收益 -9.47%， 超额最大回撤 12.46%， 信息比 -1.07， 多空收益 -6.17%， 多空最大回撤 12.64%， 多空夏普比 -0.70[16] 12. **动量因子**，IC 0.02%， ICIR 0.00， 超额收益 -2.61%， 超额最大回撤 9.08%， 信息比 -0.17， 多空收益 -1.55%， 多空最大回撤 11.65%， 多空夏普比 0.00[16] 有效子类因子表现 1. **短期反转因子**，IC 6.27%， ICIR 1.21， 超额收益 4.86%， 超额最大回撤 4.04%， 信息比 1.04， 多空收益 21.09%， 多空最大回撤 4.61%， 多空夏普比 1.77[17] 2. **短期动量因子**，IC 3.18%， ICIR 1.10， 超额收益 6.68%， 超额最大回撤 5.81%， 信息比 1.22， 多空收益 16.08%， 多空最大回撤 3.02%， 多空夏普比 1.80[17] 3. **残差波动率因子**，IC 9.42%， ICIR 1.22， 超额收益 1.53%， 超额最大回撤 6.78%， 信息比 0.33， 多空收益 11.18%， 多空最大回撤 8.61%， 多空夏普比 0.68[17] 4. **特异率因子**，IC 7.18%， ICIR 1.26， 超额收益 6.94%， 超额最大回撤 3.91%， 信息比 1.17， 多空收益 15.81%， 多空最大回撤 5.09%， 多空夏普比 1.76[17] 5. **量价相关性因子**，IC 6.50%， ICIR 1.51， 超额收益 9.55%， 超额最大回撤 2.59%， 信息比 1.64， 多空收益 13.23%， 多空最大回撤 4.73%， 多空夏普比 1.53[17] 6. **时量价比因子**，IC 8.26%， ICIR 1.30， 超额收益 14.69%， 超额最大回撤 2.66%， 信息比 2.74， 多空收益 16.58%， 多空最大回撤 4.28%， 多空夏普比 1.67[17] 7. **换手率因子**，IC 10.75%， ICIR 1.29， 超额收益 17.46%， 超额最大回撤 5.21%， 信息比 2.75， 多空收益 35.69%， 多空最大回撤 7.72%， 多空夏普比 2.13[17] 8. **非流动性因子**，IC 7.38%， ICIR 0.93， 超额收益 28.21%， 超额最大回撤 4.10%， 信息比 3.68， 多空收益 37.47%， 多空最大回撤 3.52%， 多空夏普比 3.31[17] 9. **每笔流出额占比因子**，IC 6.71%， ICIR 1.43， 超额收益 -2.51%， 超额最大回撤 7.21%， 信息比 -0.43， 多空收益 5.43%， 多空最大回撤 6.51%， 多空夏普比 0.39[17] 10. **高量每笔成交因子**，IC 9.76%， ICIR 1.22， 超额收益 13.99%， 超额最大回撤 2.40%， 信息比 2.62， 多空收益 51.79%， 多空最大回撤 5.23%， 多空夏普比 3.45[17]

量化模型与因子总结 量化因子与构建方式 1. 因子名称：ROE稳定性筛选因子 - **因子构建思路**：通过综合盈利、成长、杠杆三个维度的历史波动水平，提升高ROE组合未来维持高ROE水平的概率[27][28] - **因子具体构建过程**： 1. 计算三个子因子： - 成长稳定性：营收环比增速的波动 - 杠杆稳定性：有息债务比总资产的比率波动 - ROE稳定性：ROE本身的波动 2. 将三个子因子标准化后等权求和[27] - **因子评价**：能有效降低高ROE股票ROE下滑的概率，提升未来维持高ROE水平的占比[28][38] 2. 因子名称：红利增长筛选因子 - **因子构建思路**：通过多视角预测分红金额增长，构建对分红增长有预测性的因子[49][51] - **因子具体构建过程**： 1. 构建两个视角的子因子： - 视角1：红利支付偏离、卖方预测家数、预期净利润增长、最新财报数据增长，标准化并求和 - 视角2：分红金额增长、卖方预测家数、预期净利润增长、最新财报数据增长，标准化并求和 2. 取两个视角子因子的最大值[51] - **因子评价**：相比单纯的红利因子拼盘成长因子更好，对股息率的提升较为稳定[54] 3. 因子名称：低估值筛选因子 - **因子构建思路**：通过估值因子对未来股息率的预测能力，改进红利因子[55][57] - **因子具体构建过程**： 1. 检测各因子对未来股息率的预测能力，发现历史股息率和估值因子预测效果较好 2. 将股息率与低估值相结合，从高股息率股票中筛选出估值水平相对较低的个股[56][57] - **因子评价**：相比红利增长方法没有参杂成长因子，改进幅度不大但在逻辑上合理[60] 4. 因子名称：净利润增长筛选因子 - **因子构建思路**：通过反向剔除未来可能难以实现净利润增长或分析师预期下调的股票，改进成长因子[70] - **因子具体构建过程**： 1. 在每期入选的100只高成长因子股票中，剔除触发以下任一条件的股票： - 一致预期FY1小于等于0 - FY1为空值 - 近4周出现一致预期下调 - 近13周出现一致预期下调 - 近26周出现一致预期下调 2. 筛选出FY1>0，且近4周、13周和26周FY1变化均未下降的股票[70] - **因子评价**：在保留成长因子高进攻性的同时，实现了长期收益的进一步提升[73] 5. 因子名称：量价因子组合 - **因子构建思路**：选取表现最佳的低波动、低流动性和动量三个量价因子进行组合[95][100] - **因子具体构建过程**： 1. 选择低波动性、动量和流动性三个量价因子 2. 进行等权构建[100] - **因子评价**：在分组收益的单调性和多空差异上表现较好[95] 量化模型与构建方式 1. 模型名称：层层递进选股模型 - **模型构建思路**：先根据基本面因子构建初始股票池，再在该股票池内进一步进行筛选与选股[38] - **模型具体构建过程**： 1. 根据ROE_ttm在股票池中筛选出前100只股票 2. 根据财务稳定性选择因子得分靠前的50只股票构建组合 3. 组合内个股等权[38] 2. 模型名称：改进三因子拼盘模型 - **模型构建思路**：将改进后的红利、盈利和成长因子组合进行并集处理，整合三个基本面方向的因子改进成果[81] - **模型具体构建过程**： 1. 对现有红利、盈利和成长因子在层层递进改进筛选后的组合进行并集处理 2. 经过三种改进因子组合取并集后，在沪深300和中证500中的整体股票数量平均约为120只[81] 3. 模型名称：基本面+量价层层递进选股模型 - **模型构建思路**：在三因子拼盘股票池基础上，进一步通过量价因子选取因子值领先的股票[100] - **模型具体构建过程**： 1. 以三因子拼盘股票池为基础 2. 在每期拼盘因子股票中，通过量价因子月频选取因子值领先的75只股票[100] 4. 模型名称：75+25基本面量化拼盘模型 - **模型构建思路**：在全市场范围内按量价因子优选股票，再与基本面筛选股票拼合[109][112] - **模型具体构建过程**： 1. 在全市场范围内按量价因子优选25只股票 2. 与当前的75只基本面筛选股票拼合，构建一个由100只股票组成的增强组合[109][112] 模型的回测效果 1. 改进三基本面因子选股拼盘模型 - 收益率：135.16%（沪深300），97.38%（中证500） - 年化收益率：9.34%（沪深300），7.36%（中证500） - 年化波动率：19.25%（沪深300），21.37%（中证500） - 夏普比率：0.49（沪深300），0.34（中证500） - 最大回撤：33.00%（沪深300），30.86%（中证500）[86] 2. 三因子拼盘+量价选股75只模型 - 收益率：184.91%（沪深300），131.22%（中证500） - 年化收益率：11.55%（沪深300），9.15%（中证500） - 年化波动率：18.67%（沪深300），20.50%（中证500） - 夏普比率：0.62（沪深300），0.45（中证500） - 最大回撤：30.24%（沪深300），30.61%（中证500） - 年化跟踪误差：5.09%（沪深300），7.24%（中证500）[128] 3. 75+25基本面量化拼盘模型 - 收益率：267.51%（沪深300），227.24%（中证500） - 年化收益率：14.56%（沪深300），13.18%（中证500） - 年化波动率：19.31%（沪深300），21.42%（中证500） - 夏普比率：0.75（沪深300），0.62（中证500） - 最大回撤：29.43%（沪深300），31.32%（中证500） - 年化跟踪误差：6.77%（沪深300），6.84%（中证500）[128] 因子的回测效果 1. ROE稳定性筛选因子 - 基本面预测胜率改进效果：从78.03%提升到86.28%（沪深300），从78.72%提升到86.55%（中证500）[37] 2. 红利增长筛选因子 - 基本面预测胜率改进效果：从54.90%提升到73.24%（沪深300），从40.14%提升到54.28%（中证500）[51] 3. 净利润增长筛选因子 - 基本面预测胜率改进效果：从83.38%提升到92.88%（沪深300），从80.21%提升到90.13%（中证500）[69]

报告行业投资评级 未提及 报告的核心观点 - 构建沪铜择时因子框架，涵盖基本面与宏观量化、量价因子，可助投资者捕捉超额收益 [3] - 基本面多因子组合自2016年年化收益率33.5%，量价多因子组合自2010年年化收益率13.5%，综合模型自2010年年化收益率18.1% [4] - 基本面与量价因子相关性低，可按需构造仅做多和仅做空模型，投资者可调整因子比例，综合模型能提升择时效果并降低过拟合风险 [4] 各部分总结 沪铜单商品择时因子框架 - 沪铜交易活跃产业链清晰，模型分基本面与宏观量化、量价因子两大类，从多维度构造因子 [6] - 模型含14个基本面与宏观量化因子、7个量价因子，回测筛选因子有多项设定，如回测时间、手续费、杠杆等 [8][9] 沪铜基本面量化因子介绍及回测结果 - 加工利润低影响企业生产积极性，自2020年起回测年化收益率23.9% [17] - 下游加工费涨跌影响企业扩产减产，自2021年起回测年化收益率10.5% [19] - 阴极铜等库存上升可能带来供应过剩信号，各库存因子回测年化收益率不同 [21][25] - 基差反映市场供需情况，自2016年起回测年化收益率17.4% [23] - 精废价差影响企业原料选择，自2016年起回测年化收益率7.9% [34] - 进口铜精矿指数影响冶炼厂产量，自2020年起回测年化收益率18.8% [36] - CFTC非商业持仓净多头对后市价格有正向预测作用，自2016年起回测年化收益率11.0% [38] - 美元指数上行对铜价有压制，自2016年起回测年化收益率8.0% [40] - VIX指数与铜价多呈负相关，自2016年起回测年化收益率11.4% [42] - 美国制造业PMI影响铜价，自2016年起回测年化收益率15.3% [44] - 基本面多因子组合2016年起回测年化收益率33.5% [46] 沪铜量价因子介绍及回测结果 - 日内动量反映价格上涨趋势，自2010年起回测年化收益率8.9% [48] - 中值双均线短长均线交叉产生多空信号，自2010年起回测年化收益率10.1% [50] - 考夫曼均线按特定步骤计算，自2010年起回测年化收益率7.2% [52][53] - 能量潮OBV按收盘价与成交量关系计算，自2010年起回测年化收益率8.9% [55][56] - 价量相关性强易形成趋势行情，自2010年起回测年化收益率7.3% [59][61] - 反弹动量预示后市反弹大小，自2010年起年化收益率11.1% [61] - TRIX按特定定义构造双均线策略，自2010年起回测年化收益率12.4% [63][66] - 量价多因子组合2010年起回测年化收益率13.5% [68] 基本面量化和量价多因子综合模型 - 全因子组合多空模型2010年起回测年化收益率18.1% [70] - 仅做多模型分基本面、量价、全因子综合，回测年化收益率分别为8.0%、7.4%、10.1% [72][73][76] - 仅做空模型分基本面、量价、全因子综合，回测年化收益率分别为7.1%、5.1%、7.7% [77][79][81] - 仅做多和仅做空模型对企业择时套保有帮助，增厚年化收益，基本面与量价因子相关性低，可调整因子比例 [85]

根据提供的研报内容，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：宏观择时策略** - **构建思路**：基于经济增长和货币流动性两大维度的动态信号，生成权益资产配置建议[7][28] - **具体构建过程**： 1. **经济增长信号**：综合PMI、工业增加值等指标，当前信号强度50% 2. **货币流动性信号**：结合SHIBOR、国债收益率等，当前信号强度40% 3. **仓位计算**：加权平均信号生成推荐仓位（6月为45%）[28] - **模型评价**：中期配置工具，2025年初至今收益率1.06%，略低于Wind全A（1.90%）[27] 2. **模型名称：微盘股择时模型** - **构建思路**：通过波动率拥挤度和利率同比指标监控微盘股风险[30][31] - **具体构建过程**： 1. **波动率拥挤度阈值**：-50.09%（需低于0.55触发预警） 2. **十年国债利率同比阈值**：-28.69%（需高于0.3触发预警）[31] - **模型评价**：当前未触发风控信号，适合长期持有微盘风格[30] --- 量化因子与构建方式 选股因子（八大类）[34][43] 1. **价值因子** - **构建公式**： $$ BP\_LR = \frac{账面净资产}{市值} $$ $$ EP\_FTTM = \frac{未来12月预期净利润}{市值} $$ - **测试结果**：沪深300池IC均值0.23，多空收益1.75%[36] 2. **成长因子** - **构建公式**： $$ NetIncome\_SQ\_Chg1Y = \frac{单季度净利润同比增速}{标准化处理} $$ - **测试结果**：中证500池IC均值0.11，多空收益0.95%[36] 3. **质量因子** - **构建公式**： $$ ROE\_FTTM = \frac{预期净利润}{股东权益均值} $$ - **测试结果**：全A股池多空收益1.45%，中证500池IC均值0.0702[36] 4. **技术因子** - **构建公式**： $$ Volume\_Mean\_20D\_240D = \frac{20日成交量均值}{240日成交量均值} $$ - **测试结果**：全A股池多空收益-1.08%[36] 5. **波动率因子** - **构建公式**： $$ Volatility\_60D = \sqrt{\frac{\sum_{i=1}^{60}(r_i - \bar{r})^2}{59}} $$ - **测试结果**：全A股池多空收益-1.40%[36] 转债因子[39][41] 1. **正股一致预期因子**：上周多空收益0.14% 2. **转债估值因子**（平价底价溢价率）：上周多空收益0.97% --- 模型与因子的回测效果 | 名称 | IC均值 | 多空收益（上周） | 股票池 | |--------------------|-------------|----------------|-------------| | 宏观择时模型 | - | 年化收益率1.06% | 全市场 | | 价值因子 | 0.23 | 1.75% | 沪深300 | | 成长因子 | 0.11 | 0.95% | 中证500 | | 质量因子 | 0.0702 | 1.45% | 全A股 | | 转债估值因子 | - | 0.97% | 可转债市场 | --- 关键结论 - **当前推荐**：价值/质量因子为核心配置，成长因子在中证500池表现突出[35] - **风格延续**：市场风险偏好回落利好量价因子（技术/低波）[35]

报告核心观点 - 对于中美关税博弈等重大事件，准确预测结果较难，需考虑市场预期与风险收益比做出应对，可通过观测国债期货技术指标捕捉市场对政策结果的预判，把握机构投资者对风险与收益的再平衡逻辑，复盘显示KUP1、5cors、HIGH0以及KSFT2在关键节点前能及时发出信号，当下海外环境动荡国内债市窄幅震荡，应关注量价因子把握主力资金动向 [3][5][15] 分组1：4月3日关税落地之前多头力量的逐渐聚集 - 2025年3月下旬至4月初行情分“震荡蓄势”与“突破性上涨”两阶段，3月28日 - 4月2日震荡蓄势与多头试探，T2506在107.3 - 108.0区间震荡，量能未显著放大；4月3日突破性上涨与多头主导，T2506合约跳空高开超3毛，突破3月以来高点 [6] - HIGH0指标率先发出多头信号，3月26日T2506收大阳线，HIGH0指标跌破下方阈值，指向多头资金主动承接 [7] - 国债期货震荡偏弱同时量价相关性上升，cors指标随后发出多头信号，3月27日后国债期货震荡偏弱，T2506收盘价下挫但成交量下降，cors指标于4月1日触发多头信号 [7] - KUP1指标与KSFT1指标同步发出多头信号，完成对多头拐点的最终确认，3月28日开始KUP1指标连续下降，4月2日KSFT1指标突破上方阈值，二者同步发出多头信号 [8] 分组2：5月12日中美关税谈判结果落地前投机资金边际离场 - 2025年5月初国债期货行情“价升量缩”，5月8日T合约30分钟级别MACD形成金叉，但成交量持续低迷，反映市场情绪谨慎，多空力量均有所退场 [11] - 5月7日，KUP1、HIGH0以及KSFT1同步提示多头动能的边际收缩，KUP1指标连续上升，HIGH0指标突破上方阈值，KSFT1指标突破下方阈值，三个指标同时发出空头信号 [11] - 5月9日，多头力量的收缩通过cors得到进一步确认，5月7日止盈需求释放后，国债期货震荡偏强但成交量连续收缩，cors指标持续下降，提示多头力量离场和下跌风险 [12] 分组3：这些技术指标当前表现 - 5月末美国关税政策反复，6月初俄乌对抗加剧叠加中东风险外溢，海外环境动荡，国内债市窄幅震荡，需及时观测市场动向 [15] - KSFT1已发出偏多信号，指示空头情绪有所释放，其余因子未发出信号，多空力量相对变化未进一步确认，建议关注量价因子把握主力资金动向 [15]