市场核心观点 - 当前市场资金分歧较大，处于存量博弈状态，短期内出现趋势上行的概率较小 [1] - 基于沪深300的流动性冲击指标为-0.49，意味着当前市场流动性高于过去一年平均水平-0.49倍标准差 [1] - 上证50ETF期权PUT-CALL比率升至0.83，显示投资者对短期走势的谨慎程度上升 [1] - 上证综指和Wind全A五日平均换手率分别为1.38%和1.94%，处于2005年以来78.04%和81.46%的高分位点，交易活跃度有所下降 [1] 市场回顾与估值 - 上周（20260323-20260327）主要宽基指数普跌：上证50指数下跌1.61%，沪深300指数下跌1.41%，中证500指数下跌0.29%，创业板指下跌1.68% [2] - 当前全市场PE（TTM）为22.5倍，处于2005年以来77.5%的高分位点 [2] - 从日历效应看，2005年以来各大宽基指数在4月上半月均表现较好 [2] 宏观与事件驱动 - 人民币汇率上周震荡，在岸和离岸汇率周涨幅分别为-0.42%和-0.2% [1] - 美股市场震荡下行，道琼斯工业指数、标普500指数和纳斯达克指数周收益率分别为-0.9%、-2.12%和-3.23% [1] - 地缘局势紧张，美以对伊朗设施发动空袭，伊朗进行还击并警告报复，压制短期市场风险偏好 [1] - 2026年1-2月全国规模以上工业企业实现利润总额1.02万亿元，同比增长15.2%，增速较上年全年加快14.6个百分点 [1] - 其中，规模以上高技术制造业利润同比增长58.7% [1] 因子与行业拥挤度 - 小市值因子拥挤度为-0.11，低估值因子拥挤度为-0.54，高盈利因子拥挤度为-0.13，高盈利增长因子拥挤度为0.13 [2] - 小市值因子拥挤度再度下行 [2] - 行业拥挤度方面，综合、通信、有色金属、基础化工和石油石化的拥挤度相对较高 [2] - 石油石化和公用事业的行业拥挤度上升幅度相对较大 [2]

量化择时周报：继续等缩量 - 模型与因子总结 量化模型与构建方式 1. **模型名称：市场环境择时体系（均线距离模型）**[3][7][12] * **模型构建思路**：通过计算Wind全A指数的短期均线与长期均线的距离差，来划分市场的整体环境（如上涨、下跌或震荡格局）[3][7]。 * **模型具体构建过程**： 1. 计算Wind全A指数的20日移动平均线（短期均线，MA20）和120日移动平均线（长期均线，MA120）[3][7]。 2. 计算两条均线之间的距离差，公式为： $$距离差 = (MA20 - MA120) / MA120 * 100\%$$ 其中，MA20代表短期趋势，MA120代表长期趋势[3][7]。 3. 根据距离差的绝对值设定阈值来判断市场状态。报告指出，当距离绝对值低于3%时，市场进入典型的震荡格局[3][7][12]。 2. **模型名称：仓位管理模型**[3][8] * **模型构建思路**：结合市场的估值水平和短期趋势判断，为绝对收益产品提供股票仓位的配置建议[3][8]。 * **模型具体构建过程**： 1. 评估市场估值水平：计算Wind全A指数的市盈率（PE）和市净率（PB）在其自身历史数据中所处的分位数位置[3][8]。 2. 结合趋势判断：参考上述“市场环境择时体系”对短期市场格局（如震荡）的判断[3][8]。 3. 综合输出仓位建议：例如，当PE处于历史高位（90分位点），PB处于中等水平（50分位点），且市场处于震荡格局时，模型建议仓位为50%[3][8]。 3. **模型名称：中期行业配置模型**[3][6][8] * **模型构建思路**：通过子模型（如业绩趋势模型）筛选出未来具有较强业绩趋势或配置机会的行业板块[3][6][8]。 * **模型具体构建过程**： 1. **业绩趋势模型**：作为该配置模型的核心组成部分，用于识别业绩趋势向好的行业。具体构建细节未在报告中详细披露，但其输出结果用于指导行业配置[3][6][8]。 2. 模型会结合市场状态（如是否出现“缩量信号”）动态调整关注重点。例如，在等待缩量信号时，模型提示关注有色金属及军工；在未出现该信号时，则重点关注算力产业链、周期与新能源板块[3][6][8]。 4. **模型/信号名称：缩量信号**[3][6][8][12] * **模型/信号构建思路**：将市场成交额的萎缩程度作为一个关键的择时或行业切换观测变量，认为成交额萎缩至特定阈值以下是市场可能迎来反弹的信号[3][6][8]。 * **模型/信号具体构建过程**：报告明确指出，需要“等待成交萎缩至1.7万亿之下”。因此，该信号的构建是基于对Wind全A（或类似宽基指数）日度成交额的观测，当成交额持续低于1.7万亿元的临界值时，触发“缩量信号”[3][6][8][12]。 模型的回测效果 （注：本篇报告为周度市场观点，主要展示模型的最新信号和结论，未提供历史回测的绩效指标（如年化收益率、夏普比率、最大回撤等）的具体数值[1][2][3][4][6]。） 量化因子与构建方式 1. **因子名称：估值因子（PE/PB分位数）**[3][8][9][11] * **因子构建思路**：通过计算指数或个股的估值指标（PE、PB）在其历史序列中所处的相对位置（分位数），来判断当前估值水平的高低[3][8][10][12]。 * **因子具体构建过程**： 1. 获取Wind全A指数历史的市盈率（PE）和市净率（PB）时间序列数据[10][12]。 2. 计算当前PE和PB值在历史数据（例如，报告提及数据区间为2014年10月17日至2026年3月27日）中的分位数[10][12]。 3. 分位数越高，代表当前估值相对自身历史水平越高[10][12]。例如，PE位于90分位点附近属于偏高水平，PB位于50分位点属于中等水平[3][8]。 因子的回测效果 （注：报告仅展示了估值因子（PE/PB分位数）在最新时点的取值和定性评价，未提供该因子在选股或择时中的历史有效性检验指标（如IC值、IR、多空收益等）[3][8][9][11]。）

量化模型与构建方式 1. **模型名称**：大额买入与资金流向跟踪模型[7] **模型构建思路**：使用交易明细数据构建指标，以跟踪市场中的大额买入行为和主动资金流向[1][7]。 **模型具体构建过程**：该模型包含两个核心跟踪指标。 * **大买单成交金额占比**：首先，根据逐笔成交数据中的叫买和叫卖序号，将数据还原为买卖单数据[7]。然后，按照每单的成交量筛选得到大单[7]。最后，计算大买单的成交金额占当日总成交金额的比例[7]。 * **净主动买入金额占比**：首先，根据逐笔成交数据中的买卖标志，界定每笔成交属于主动买入还是主动卖出[7]。然后，将主动买入成交金额与主动卖出成交金额相减，得到净主动买入金额[7]。最后，计算净主动买入金额占当日总成交金额的比例[7]。 量化因子与构建方式 1. **因子名称**：大买单成交金额占比[7] **因子构建思路**：通过逐笔成交数据还原买卖单并筛选大单，计算大买单金额占总成交额的比例，以刻画大资金的买入行为[7]。 **因子具体构建过程**： 1. 数据准备：获取股票的逐笔成交数据，数据中需包含叫买序号和叫卖序号[7]。 2. 还原买卖单：利用叫买和叫卖序号，将逐笔成交数据还原为原始的买卖单数据[7]。 3. 筛选大单：对还原后的买卖单，按照每单的成交量设定阈值，筛选出符合条件的大单[7]。 4. 计算因子值：对于每个交易日，计算所有大买单的成交金额总和，再除以该股票当日的总成交金额。公式为： $$大买单成交金额占比_t = \frac{\sum 大买单成交金额_t}{当日总成交金额_t}$$ 其中，t代表交易日。 **因子评价**：该因子直接反映了大额资金的买入强度，是监测主力资金动向的高频指标。 2. **因子名称**：净主动买入金额占比[7] **因子构建思路**：根据逐笔成交的买卖标志区分主动买入和主动卖出，计算其净额占总成交额的比例，以刻画投资者的主动买入意愿[7]。 **因子具体构建过程**： 1. 数据准备：获取股票的逐笔成交数据，数据中需包含买卖标志（如B表示主动买入，S表示主动卖出）[7]。 2. 分类汇总：根据买卖标志，将每笔成交金额归类为主动买入成交金额或主动卖出成交金额[7]。 3. 计算净额：将当日所有主动买入成交金额求和，减去所有主动卖出成交金额求和，得到净主动买入金额[7]。 4. 计算因子值：将净主动买入金额除以该股票当日的总成交金额。公式为： $$净主动买入金额占比_t = \frac{\sum 主动买入成交金额_t - \sum 主动卖出成交金额_t}{当日总成交金额_t}$$ 其中，t代表交易日。 **因子评价**：该因子反映了市场交易中主动买入力量的净强度，是衡量资金流向和投资者情绪的重要指标。 模型的回测效果 （注：本报告为跟踪周报，展示的是特定时间窗口的指标截面排名和数值，而非长期历史回测结果。因此，此处展示模型跟踪指标在报告期内的具体取值。） 1. **大额买入与资金流向跟踪模型**，在报告期内（20260316-20260320）跟踪了**个股**的大买单成交金额占比，排名前5的个股及其5日平均指标值为：韶能股份 (86.7%)[9]、鞍钢股份 (85.7%)[9]、中利集团 (85.5%)[9]、华电辽能 (85.5%)[9]、文投控股 (85.3%)[9]。 2. **大额买入与资金流向跟踪模型**，在报告期内（20260316-20260320）跟踪了**个股**的净主动买入金额占比，排名前5的个股及其5日平均指标值为：云南白药 (15.5%)[10]、苏泊尔 (14.9%)[10]、泽璟制药-U (14.5%)[10]、工商银行 (13.9%)[10]、富临精工 (13.6%)[10]。 3. **大额买入与资金流向跟踪模型**，在报告期内（20260316-20260320）跟踪了**宽基指数**的指标，其5日平均大买单成交金额占比和净主动买入金额占比分别为：上证指数 (72.3%, -4.6%)[12]、上证50 (71.3%, -4.3%)[12]、沪深300 (73.4%, -2.3%)[12]、中证500 (71.3%, -3.9%)[12]、创业板指 (72.4%, 0.7%)[12]。 4. **大额买入与资金流向跟踪模型**，在报告期内（20260316-20260320）跟踪了**中信一级行业**的指标，大买单成交金额占比排名前5的行业及其5日平均值为：银行 (80.0%)[13]、钢铁 (78.3%)[13]、交通运输 (78.3%)[13]、电力及公用事业 (77.5%)[13]、煤炭 (77.5%)[13]；净主动买入金额占比排名前5的行业及其5日平均值为：通信 (1.2%)[13]、煤炭 (0.5%)[13]、电力设备及新能源 (-0.1%)[13]、电力及公用事业 (-1.0%)[13]、银行 (-2.2%)[13]。 5. **大额买入与资金流向跟踪模型**，在报告期内（20260316-20260320）跟踪了**ETF**的大买单成交金额占比，排名前5的ETF及其5日平均指标值为：华泰柏瑞中证A500ETF (93.6%)[15]、汇添富MSCI中国A50互联互通ETF (93.5%)[15]、国泰中证A500ETF (93.4%)[15]、海富通上证城投债ETF (92.0%)[15]、华夏中证A500ETF (91.5%)[15]。 6. **大额买入与资金流向跟踪模型**，在报告期内（20260316-20260320）跟踪了**ETF**的净主动买入金额占比，排名前5的ETF及其5日平均指标值为：天弘中证工业有色金属主题ETF (18.3%)[16]、嘉实国证绿色电力ETF (14.0%)[16]、华夏中证细分有色金属产业ETF (13.9%)[16]、景顺长城中证红利低波动100ETF (13.2%)[16]、华夏中证半导体材料设备主题ETF (12.2%)[16]。 因子的回测效果 （注：本报告为跟踪周报，未提供因子在长期回测中的IC、IR、多空收益等传统因子测试指标。此处列出报告期内部分股票和ETF的因子具体数值作为示例。） 1. **大买单成交金额占比因子**，在报告期内（20260316-20260320），部分股票的5日平均因子值为：韶能股份 86.7%[9]，鞍钢股份 85.7%[9]，中利集团 85.5%[9]。 2. **净主动买入金额占比因子**，在报告期内（20260316-20260320），部分股票的5日平均因子值为：云南白药 15.5%[10]，苏泊尔 14.9%[10]，泽璟制药-U 14.5%[10]。

量化模型与构建方式 1. **模型名称：卷积神经网络趋势观察模型**[76] * **模型构建思路**：利用卷积神经网络（CNN）对个股历史价量数据形成的标准化图表进行深度学习，识别图表中的特征模式，并将这些学习到的特征映射到行业主题板块，以预测未来价格走势或进行主题配置[76]。 * **模型具体构建过程**： 1. **数据准备**：为每个个股在特定窗口期内的价量数据构建标准化的图表[76]。价量数据通常包括价格、成交量等时间序列。 2. **图表化**：将标准化的价量数据转换为图像格式，作为CNN的输入[76]。图23展示了标准化数据价量图表的示例[77]。 3. **模型训练**：使用卷积神经网络对图表化的价量数据与未来价格（或收益率）进行建模[76]。模型学习从价量图表中提取有效特征，并建立这些特征与未来价格变动之间的映射关系。 4. **特征映射**：将训练好的CNN模型学习到的特征，应用于行业或主题板块的分析，识别出具有相似特征模式的板块[76]。 5. **输出配置**：模型最终输出看好的行业主题配置列表。例如，在报告期内，模型配置的主题为红利低波、银行、地产，具体指向中证红利低波动指数、中证银行指数、中证800银行指数、中证内地地产主题指数、中证800地产指数等细分指数[78]。 2. **模型名称：宏观因子事件模型**[52] * **模型构建思路**：通过跟踪一系列国内外宏观指标，定义并识别出有效的宏观因子事件，利用这些事件的历史规律来预判未来资产价格的趋势[52]。 * **模型具体构建过程**： 1. **因子选择**：从货币政策、财政政策、流动性、通胀水平及其他经济指标等多个角度，选取对市场影响较大的宏观因子进行跟踪，共计25个国内外宏观指标[52]。 2. **事件定义**：定义四类宏观因子事件来描述宏观因子的走势：短期高低点、连续上涨/下跌、创历史新高/新低、因子走势反转[52]。 3. **事件有效性检验**：从历史数据中寻找“有效因子事件”，即那些对资产未来收益率影响较为显著的因子事件[52]。例如，报告中列举了部分有效因子事件：PMI短期高点对中小盘股票有正向影响；CPI同比连续下跌对全市场股票有正向影响等[52]。 4. **趋势判断**：采用历史均线（如1月、3月、12月均线）将宏观因子走势分为趋势上行和趋势下行[54]。统计历史上宏观指标处于不同趋势时，各类资产未来一个月的平均收益，筛选出收益存在显著差异的资产[54]。 5. **观点生成**：根据当前宏观因子的趋势状态，给出对大类资产的看多、看空或震荡观点[55]。例如，当前PMI处于3月均线趋势上行，模型对股票资产持“看多”观点；而社融存量同比、10年期国债收益率、美元指数等因子则提示市场可能“震荡”[55]。 3. **模型名称：GFTD模型与LLT模型**[80] * **模型构建思路**：报告在风险提示部分提及了GFTD模型和LLT模型，指出其历史择时成功率约为80%。这两个模型应是用于市场择时判断的量化模型[80]。 模型的回测效果 1. **卷积神经网络趋势观察模型**，最新配置主题：红利低波、银行、地产[78] 2. **宏观因子事件模型**，当前对权益市场观点：PMI趋势看多，社融、国债收益率、美元指数趋势震荡[55] 3. **GFTD模型与LLT模型**，历史择时成功率：约80%[80] 量化因子与构建方式 1. **因子名称：新高比例因子**[33] * **因子构建思路**：通过统计市场中创近期新高的个股数量占比，来度量市场的强势程度和上涨动能[33]。 * **因子具体构建过程**：计算创近60日新高的个股数占全部个股总数的比例。报告显示，该指标从前一期的12.0%降至8.1%[33]。 2. **因子名称：新低比例因子**[33] * **因子构建思路**：通过统计市场中创近期新低的个股数量占比，来度量市场的弱势程度和下跌压力[33]。 * **因子具体构建过程**：计算创近60日新低的个股数占全部个股总数的比例。报告显示，该指标从前一期的11.2%升至37.4%[33]。 3. **因子名称：均线结构因子（均线强弱指标）**[37] * **因子构建思路**：通过计算呈现多头排列与空头排列的个股数量之差占全部个股的比例，来反映市场整体的技术面强弱结构[37]。 * **因子具体构建过程**：首先判断个股的均线排列状态（如多头排列、空头排列），然后计算（多头排列个股数 - 空头排列个股数）/ 总个股数。报告显示，该指标从前一期的14%降至7.3%[37]。 4. **因子名称：长期均线以上比例因子**[40] * **因子构建思路**：统计股价位于长期移动平均线（如200日线）之上的个股比例，用以衡量市场长期趋势的强弱[40]。 * **因子具体构建过程**：计算股价位于200日移动平均线之上的个股数占总个股数的比例。该因子通过图表进行跟踪展示[40]。 5. **因子名称：风险溢价因子**[63] * **因子构建思路**：计算股票市场隐含收益率与无风险收益率（通常为十年期国债收益率）的差值，用以衡量股票资产相对于债券资产的吸引力[63][79]。 * **因子具体构建过程**：采用中证全指静态市盈率（PE_TTM）的倒数作为权益资产的隐含收益率（EP），减去十年期国债收益率。 $$风险溢价 = \frac{1}{PE_{TTM}} - R_{10Y国债}$$ 报告显示，截至2026年3月20日，该指标值为2.63%[79]。 6. **因子名称：估值分位数因子**[79] * **因子构建思路**：计算当前指数或行业的估值（PE或PB）在其历史序列中所处的位置百分比，用以判断估值相对水平的高低[79]。 * **因子具体构建过程**：将当前估值与历史估值（自2005年1月7日起）进行比较，计算其历史分位数。例如，报告指出中证全指PE_TTM分位数为82%，创业板指接近63%[79]。 7. **因子名称：超跌指标因子**[66] * **因子构建思路**：用于度量市场或行业指数短期内下跌的幅度和广度，识别超卖状态[66]。 * **因子具体构建过程**：报告展示了主要指数和行业指数的超跌指标统计图，该指标具体计算方法未详细说明，但通常基于价格偏离均线的程度或下跌个股比例等构建[66][70]。 8. **复合因子名称：宏观因子（如PMI、CPI同比、社融存量同比等）**[52][55] * **因子构建思路**：选取对金融市场有显著影响的宏观经济指标作为因子，观察其变化趋势和事件来预判市场方向[52]。 * **因子具体构建过程**：直接跟踪宏观指标的实际发布值。模型进一步处理其走势，例如判断其相对于某期均线（如1月、3月、12月均线）是处于上行还是下行趋势[54][55]。 因子的回测效果 （注：报告未提供各因子独立的、系统性的回测绩效指标（如IC、IR、多空收益等）。以下为报告期内的因子观测值。） 1. **新高比例因子**，当前值：8.1%[33] 2. **新低比例因子**，当前值：37.4%[33] 3. **均线结构因子**，当前值：7.3%[37] 4. **风险溢价因子**，当前值：2.63%[79] 5. **中证全指PE_TTM分位数因子**，当前值：82%[79] 6. **PMI宏观因子**，当前趋势：3月均线上行，观点：看多[55] 7. **社融存量同比宏观因子**，当前趋势：1月均线，观点：震荡[55] 8. **10年期国债收益率宏观因子**，当前趋势：12月均线，观点：震荡[55] 9. **美元指数宏观因子**，当前趋势：1月均线，观点：震荡[55]

量化模型与构建方式 1. **模型名称：卷积神经网络趋势观察模型**[74] * **模型构建思路**：使用卷积神经网络（CNN）对个股历史价量数据形成的标准化图表进行建模，学习图表特征与未来价格走势之间的关系，并将学习到的特征映射到行业主题板块，以识别具有趋势性机会的板块[74]。 * **模型具体构建过程**： 1. **数据准备**：为每个个股在特定窗口期内的价量数据构建标准化的图表[74]。研报中未详细说明具体使用的价量指标和图表标准化方法。 2. **模型训练**：基于历史数据，使用卷积神经网络对上述图表化的价量数据与未来价格进行建模[74]。研报中未提供具体的网络结构、损失函数和训练参数。 3. **特征映射**：将训练好的CNN模型学习到的特征映射到行业主题板块中，以判断哪些板块在未来可能具有趋势性机会[74]。 4. **输出配置**：模型最终输出为看好的行业主题板块及其对应的具体指数[75]。 2. **模型名称：宏观因子事件模型**[50][52] * **模型构建思路**：通过跟踪一系列国内外宏观指标，定义其走势变化事件，并从历史数据中寻找对资产未来收益率有显著影响的“有效因子事件”，以此作为判断未来资产趋势的依据[50]。 * **模型具体构建过程**： 1. **因子选择**：跟踪25个国内外宏观指标，涵盖货币政策、财政政策、流动性、通胀水平及其他经济指标[50]。 2. **事件定义**：定义四类宏观因子事件来描述指标走势：短期高低点、连续上涨/下跌、创历史新高/新低、因子走势反转[50]。 3. **有效性检验**：从历史数据中回测，筛选出对资产未来收益率影响较为显著的“有效因子事件”[50]。 4. **趋势判断**：采用历史均线（如1月、3月、12月均线）将宏观因子走势分为趋势上行和趋势下行，并统计在不同趋势下资产未来一个月收益率的平均表现，以形成对大类资产的观点[52][53]。 模型的回测效果 *本报告未提供上述量化模型的具体回测效果指标（如年化收益率、夏普比率、最大回撤等）。报告仅展示了卷积神经网络模型在特定时点（2026年3月20日）的输出结果[75]，以及宏观因子模型对当前市场（截至报告期）的观点[53]。* 量化因子与构建方式 1. **因子名称：风险溢价因子**[61][76] * **因子构建思路**：通过计算股票市场隐含收益率（市盈率倒数）与无风险利率（十年期国债收益率）的差值，来衡量权益资产相对于债券资产的吸引力[76]。 * **因子具体构建过程**： 1. 计算权益资产的隐含收益率（Earnings Yield, EY），通常为市盈率（PE）的倒数。 $$ EY = \frac{1}{PE} $$ 2. 计算风险溢价（Risk Premium, RP），即权益隐含收益率减去十年期国债收益率。 $$ RP = EY - R_{10Y} $$ 报告中以中证全指为例，其风险溢价为中证全指静态PE的倒数（EP）减去十年期国债收益率[76]。 2. **因子名称：估值分位数因子**[21][27][76] * **因子构建思路**：计算指数或行业的当前估值（PE或PB）在其历史序列中所处的分位数位置，以判断其估值相对历史水平的高低[21][27]。 * **因子具体构建过程**： 1. 确定估值指标，如市盈率（PE_TTM）或市净率（PB_LF）[21][27]。 2. 获取该指标在特定历史时间段（例如，报告中使用2005年1月7日作为起点）内的所有历史数据[22]。 3. 计算当前估值在历史数据中的百分位排名（分位数）。 $$ 分位数 = \frac{小于或等于当前值的样本数}{总样本数} \times 100\% $$ 报告中展示了主要宽基指数和行业指数的PE_TTM分位数及PB_LF分位数[21][27]。 3. **因子名称：市场情绪因子（新高新低比例）**[31] * **因子构建思路**：通过统计市场中创近期新高与新低的个股数量占比，来度量市场的整体情绪强弱和广度[31]。 * **因子具体构建过程**： 1. 设定观察窗口期，报告中为近60日[31]。 2. 每日计算两个指标： * **60日新高比例**：股价创近60日新高的个股数量 / 总股票数量[31]。 * **60日新低比例**：股价创近60日新低的个股数量 / 总股票数量[31]。 4. **因子名称：市场情绪因子（均线结构指标）**[35] * **因子构建思路**：通过计算呈现多头排列与空头排列的个股数量占比差值，来反映市场整体的技术趋势强弱[35]。 * **因子具体构建过程**： 1. 对每只个股判断其均线排列状态（例如，多头排列、空头排列）[35]。 2. 计算**均线强弱指标**：呈现多头排列的个股占比减去呈现空头排列的个股占比[35]。报告提到该指标从前一期的14%降至7.3%[1]。 5. **因子名称：超买超卖指标**[64] * **因子构建思路**：用于衡量指数或行业是否处于极端交易状态（超买或超卖），可能预示着短期反转[64]。 * **因子具体构建过程**：报告中未详细说明该指标的具体计算方法，仅展示了截至报告期主要指数和行业指数的“超跌指标统计”结果[64][68]。 因子的回测效果 *本报告未提供上述量化因子在选股或择时策略中的具体回测效果指标（如IC值、IR、多空收益等）。报告仅展示了这些因子在报告时点的具体数值或状态，例如：* * **风险溢价因子**：截至2026年3月20日，中证全指风险溢价为2.63%[76]。 * **估值分位数因子**：截至2026年3月20日，中证全指PE_TTM分位数为82%，创业板指接近63%[76]。 * **市场情绪因子（新高新低比例）**：创近60日新高个股数占比从前一期的12.0%降至8.1%；创近60日新低个股数占比从前一期的11.2%升至37.4%[1]。 * **市场情绪因子（均线结构指标）**：多头排列减空头排列个股占比从前一期的14%降至7.3%[1]。

市场整体情绪与择时模型观点 - 截至3月20日，市场情绪指标数值为1.7，较上周五的1.55有所上升，但周内以震荡为主，模型观点偏中性[1][4] - 多项细分情绪指标与上周相比有所下降，受外部政治风险持续影响，需关注市场情绪进一步回落[1][4] - 市场情绪结构指标通过10个分项指标合成，最终指标为各指标分数等权求和后的20日均线，在近5年围绕0轴于[-6,6]范围内波动，2024年10月市场情绪得分突破2[3] 情绪分项指标详细表现 - **价量一致性**：指标快速下降，表明市场价量匹配水平下降，价格上涨与市场关注关联性减弱，反映情绪整体偏空[7][9] - **成交活跃度**：本周全A成交额环比下降12.49%，平均日成交额为14,098.98亿元，市场成交活跃度进一步下降[7][11] - **风险偏好**：科创50相对万得全A成交占比周内持续小幅降低，说明当前市场风险偏好继续降低[7][15] - **行业轮动**：行业间交易波动率周内震荡上行，已处于2023年以来历史高位，表明资金在不同行业间切换频繁，行业轮动剧烈[7][16] - **行业趋势**：行业涨跌趋势性指标本周初快速上升回归正值，但后续震荡下行，表明市场对行业短期价值判断一致性略微升高，板块β效应较上周加强[7][18] - **杠杆情绪**：融资余额占比本周依旧小幅下降，市场杠杆资金回调表明市场情绪出现一定程度下降，融资市场交易活跃度相对下降[7][19] - **买卖动能**：本周RSI指标回落穿透下轨，市场短期下行动能加强，买盘力量减弱，情绪整体回落[7][20] - **主力资金**：主力资金净流入指标以震荡下行为主，主力买入力量较上周减弱，机构资金主动配置积极性减少，市场做多动能减弱[7][24] 行业趋势与拥挤度分析 - **短期趋势领先行业**：根据均线排列模型，截至3月20日，煤炭、公用事业、电力设备、通信和建筑装饰的短期趋势得分排名前列，其中煤炭得分为93.22，为短期得分最高行业[25] - **短期得分上升行业**：食品饮料、银行、通信、煤炭、公用事业等行业短期得分上升幅度靠前，食品饮料短期得分从25.42上升至28.81，上升10.98%[25][28] - **高拥挤度行业**：截至3月20日，平均拥挤度最高的行业分别为公用事业(0.983)、基础化工(0.973)、电力设备(0.973)、建筑装饰(0.963)、环保(0.947)[30][31] - **低拥挤度行业**：平均拥挤度最低的行业分别为汽车(0.03)、国防军工(0.033)、社会服务(0.033)、商贸零售(0.05)和纺织服饰(0.057)[30][31] - **拥挤度与涨跌幅关系**：本周行业拥挤度与周内涨跌幅相关系数为-0.02，相关性趋于0。多数行业收益较差，仅银行和通信保持正向收益[32] 市场风格判断 - **大盘风格占优**：RSI风格择时模型维持提示大盘风格占优信号，当前信号提示强度较强。申万小盘/申万大盘指数的20日RSI为35.5546，低于60日RSI的57.5975[34][35] - **成长与价值风格**：模型对成长和价值的判断存在分歧，整体以成长占优为主，但信号提示强度偏弱。300成长/300价值的20日RSI为53.3868，略高于60日RSI的52.4451[34][35]

核心观点 - A股市场短期内预计仍将以震荡格局为主 [2] 市场量化指标分析 - 基于沪深300的流动性冲击指标为0.49，高于前一周的0.41，表明当前市场流动性高于过去一年平均水平0.49倍标准差 [2] - 上证50ETF期权成交量PUT-CALL比率周五为0.67，低于前一周的0.94，显示投资者对短期走势的乐观程度有所上升 [2] - 上证综指和Wind全A五日平均换手率分别为1.39%和1.94%，分别处于2005年以来78.35%和81.64%的分位点，交易活跃度下降 [2] - Wind全A指数于3月3日向下突破SAR翻转指标 [2] - 基于Wind二级行业指数的均线强弱指数当前得分为63，处于2023年以来15.91%的较低分位点，且较上周有所下行，但下行趋势偏缓 [2] - 情绪模型得分为0分（满分5分），趋势模型和高频资金流模型（对沪深300、中证500、中证1000、中证2000指数）均发出负向信号 [2] 市场表现回顾 - 上周（20260316-20260320），主要指数表现分化：上证50指数下跌2.47%，沪深300指数下跌2.19%，中证500指数下跌5.82%，创业板指上涨1.26% [3] - 全市场PE（TTM）为22.6倍，处于2005年以来78.3%的分位点 [3] - 日历效应显示，2005年以来中证500指数在3月下半月的表现通常较好 [3] 因子与行业拥挤度观察 - 小市值因子拥挤度出现上行，当前值为0.09，其他因子拥挤度为：低估值因子-0.31，高盈利因子0.24，高盈利增长因子0.25 [3] - 行业拥挤度方面，综合、通信、有色金属、钢铁和电子行业的拥挤度相对较高 [4] - 石油石化和农林牧渔行业的拥挤度上升幅度相对较大 [4]

核心观点 市场情绪指标在周内震荡后转弱，模型观点偏中性[2][9] 多项细分指标显示市场情绪出现回落，价量一致性指标快速下降，市场成交活跃度降低，风险偏好下降，主力资金和杠杆资金进场意愿减弱[3][13] 从风格和行业角度看，模型提示大盘风格占优信号较强，成长风格占优信号偏弱但有待加强[3][55] 行业层面，煤炭、公用事业等行业短期趋势得分领先，食品饮料、银行等行业短期得分上升幅度靠前[3][45] 1. 情绪模型观点：投资者情绪本周震荡转弱 - **市场情绪指标数值为1.7，较上周五的1.55有所上升，但周内震荡为主，模型观点偏中性**[3][9] - **价量一致性指标快速下降**：该指标在震荡中回落，表明市场当前价量匹配水平下降，价格上涨与市场关注匹配程度关联较弱且减少，反映市场情绪整体偏空[3][13][16] - **全A成交额环比下降12.49%**：平均日成交额为14,098.98亿元，市场成交活跃度较上周进一步下降，其中3月16日成交额为周内最高15,417.99亿元[3][13][19] - **市场风险偏好降低**：科创50相对万得全A成交占比周内持续小幅降低[3][13][22] - **行业轮动剧烈**：行业间交易波动率周内以震荡上行为主，当前已处于2023年以来的历史高位[13][26] - **行业观点分歧转弱**：行业涨跌趋势性指标周初快速上升回归正值后震荡下行，表明资金行业观点分歧转弱，市场板块β效应较上周加强[3][13][29] - **杠杆资金情绪下降**：融资余额占比本周依旧小幅下降，市场杠杆资金小幅回调表明市场情绪出现一定程度下降[3][13][33] - **短期下行动能加剧**：RSI指标回落穿透下轨，市场短期下行动能加剧，买盘力量减少[3][13][36] - **主力资金配置积极性降低**：主力资金净流入指标以震荡下行为主，主力买入力量较上周减弱，机构资金主动配置积极性降低，市场做多动能减弱[3][13][40] 2. 其他择时模型观点：食品饮料短期得分上升幅度领先，成长风格与大盘风格占优 - **行业趋势得分排名**：截至2026/3/20，根据行业短期得分数值，煤炭(93.22分)、公用事业(91.53分)、电力设备、通信和建筑装饰趋势得分排名前列[3][45] - **短期得分上升幅度靠前的行业**：食品饮料、银行、通信、煤炭、公用事业等行业短期得分上升幅度靠前，上涨趋势有待进一步关注[3][45] - **行业拥挤度分析**：本周拥挤度与周内涨跌幅相关系数为-0.02，相关性趋于0[3][48] 本周多数行业收益较差，仅银行和通信保持正向收益[3][48] 建筑装饰、环保等拥挤度较高但涨跌幅较低，若有资金面催化或仍具备上涨潜力[3][48] 国防军工、机械设备和纺织服饰等低拥挤度板块涨幅相对落后，资金压力小、估值安全边际高，中长期配置价值突出，若市场情绪回暖有望率先企稳反弹[3][48] - **风格判断**：当前模型维持提示大盘风格占优信号，信号提示强度较强，且5日RSI相对20日RSI明显下降，未来信号存在增强可能[3][55] 模型对成长和价值的判断有分歧，当前观点整体以成长占优为主，但信号提示强度偏弱，指数5日RSI相对20日RSI表现出上升趋势，因此信号有待进一步加强[3][55]

核心观点 - 市场整体（wind全A指数）处于震荡格局，短期调整或仍未结束，建议耐心防御，等待市场成交额萎缩至1.7万亿元以下，届时有望迎来反弹 [2][5][7] - 根据量化择时体系，均线距离为4.33%，绝对值大于3%的阈值，同时市场赚钱效应为-4.35%，确认市场处于震荡格局 [2][5][6] - 核心观测变量是风险偏好，短期受美联储降息预期变化和中东地缘冲突推高油价等因素压制 [2][5][7] - 市场在逐渐缩量，但成交缩小幅度仍低于模型临界值，存在下跌中继的可能 [2][5][7] 市场回顾与表现 - 前周wind全A指数全周大跌4.13% [2][6] - 市值维度上，上周中证1000下跌5.25%，中证500下跌5.82%，沪深300下跌2.19%，上证50下跌2.47% [2][6] - 行业表现上，通信行业上涨1.71%，银行也录得涨幅；而有色金属行业下跌11.91%，钢铁表现较弱 [2][6] - 成交活跃度上，非银金融与房地产行业资金流入明显 [2][6] 量化择时信号 - Wind全A指数的20日均线收于6761点，120日均线收于6481点，短期均线位于长期均线之上，两线距离差为4.33% [2][6] - 市场趋势线位于6766点附近 [2][5][6] - 市场赚钱效应显著为负，为-4.35% [2][5][6] - 均线距离绝对值继续大于3%的模型阈值，市场被判定为震荡格局 [2][5][6] 估值与仓位建议 - Wind全A指数市盈率（PE）位于85分位点附近，属于中等偏高水平 [2][7] - Wind全A指数市净率（PB）位于50分位点，属于中等水平 [2][7] - 根据仓位管理模型，当前以wind全A为配置主体的绝对收益产品建议仓位为50% [2][5][7] 行业配置方向 - 中期行业配置模型显示，业绩趋势模型提示重点关注算力相关的产业链，具体标的包括半导体设备ETF（159516.SZ）和通信ETF（515880.SH） [2][5][12] - 同时关注周期板块，具体标的包括油气ETF汇添富（159309.SZ）和能源化工ETF建信（159981.SH），以及与新能源板块 [2][5][12] - 在防御思路下，短期可关注银行ETF与旅游ETF [2][5][12]

量化择时和拥挤度预警周报（20260320）内容总结 量化模型与构建方式 1. **模型名称：情绪择时模型**[13] * **模型构建思路**：通过构建涨跌停板相关因子来刻画市场的情绪强弱[13] * **模型具体构建过程**：模型包含多个细分情绪因子，包括净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益[17]。每个因子给出一个信号（0或1），综合这些信号得出一个总得分（满分5分）[13][17]。具体计算过程参考了专题报告《从涨停板、打板策略到赚钱效应引发的情绪择时指标》[13]。 2. **模型名称：趋势模型**[13] * **模型构建思路**：未明确说明，但从上下文看，是基于技术分析判断市场趋势的模型。 * **模型具体构建过程**：未详细说明。 3. **模型名称：加权模型**[13] * **模型构建思路**：未明确说明，可能是对多个模型信号进行加权综合的模型。 * **模型具体构建过程**：未详细说明。 4. **模型名称：高频资金流择时模型**[13] * **模型构建思路**：通过分析高频资金流的走势，对主要宽基指数发出买入或卖出信号[13]。 * **模型具体构建过程**：模型针对不同风险偏好的投资者，输出“激进多头”、“激进多空”、“稳健多头”、“稳健多空”四种信号[17]。具体计算过程参考了专题报告《高频资金流如何辅助宽基择时决策》[13]。 5. **模型/指标名称：均线强弱指数**[13] * **构建思路**：通过计算Wind二级行业指数的均线情况，来评估市场的整体强弱[13]。 * **具体构建过程**：未详细说明，但最终输出一个市场得分，并计算其在特定历史时期（如2023年以来）的百分位点[13]。 6. **模型/指标名称：SAR指标**[13] * **构建思路**：使用抛物线转向指标（SAR）来判断市场趋势的翻转点[13]。 * **具体构建过程**：未详细说明，但用于判断指数是否向下突破翻转指标[13]。 7. **模型/指标名称：因子拥挤度模型**[18] * **模型构建思路**：使用多个指标度量因子的拥挤程度，作为因子可能失效的预警[18]。 * **模型具体构建过程**：使用四个指标来度量因子拥挤度：估值价差、配对相关性、长期收益反转、因子波动率[18]。将这四个指标得分综合成一个复合拥挤度打分[18][19]。具体计算方法参考了专题报告《选股因子系列（四十二）——因子失效预警：因子拥挤》[18]。 8. **模型/指标名称：行业拥挤度模型**[22] * **模型构建思路**：评估各行业的拥挤程度，以识别过热或关注度过高的行业[22]。 * **模型具体构建过程**：未详细说明，但最终输出各行业的拥挤度数值及相对变化[22][23][24]。具体计算方法参考了专题报告《行业轮动系列研究 15——行业板块拥挤度》[22]。 量化因子与构建方式 1. **因子名称：流动性冲击指标**[4] * **因子构建思路**：基于沪深300指数构建，衡量当前市场流动性相对于过去一年平均水平的偏离程度[4]。 * **因子具体构建过程**：未详细说明，但指标数值表示当前流动性高于过去一年平均水平的标准差倍数[4]。 2. **因子名称：PUT-CALL比率**[4] * **因子构建思路**：使用上证50ETF期权成交量的认沽/认购比率，来观察投资者对短期走势的乐观或悲观情绪[4]。 * **因子具体构建过程**：未详细说明。 3. **因子名称：五日平均换手率**[4] * **因子构建思路**：计算上证综指和Wind全A指数的五日平均换手率，并观察其在历史（2005年以来）的分位点，以衡量交易活跃度[4]。 * **因子具体构建过程**：未详细说明。 4. **因子名称：情绪模型细分因子**[17] * **因子列表**：净涨停占比、跌停次日收益、涨停板占比、跌停板占比、高频打板收益[17]。 * **因子构建思路**：通过涨跌停板相关的数据构建，用于综合评估市场情绪[13][17]。 * **因子具体构建过程**：未详细说明。 5. **因子名称：常见选股因子**[18] * **因子列表**：小市值因子、低估值因子、高盈利因子、高盈利增长因子[18][19]。 * **因子构建思路**：这些是常见的量化选股因子，用于构建股票组合。 * **因子具体构建过程**：未在本报告中详细说明。 模型的回测效果/信号 1. **情绪模型**：当前得分为0分（满分5分）[13] 2. **趋势模型**：当前信号为负向[13] 3. **加权模型**：当前信号为负向[13] 4. **高频资金流模型**（截至报告时点）[17]： * 沪深300指数：激进多头0，激进多空-1，稳健多头0，稳健多空-1 * 中证500指数：激进多头0，激进多空-1，稳健多头0，稳健多空-1 * 中证1000指数：激进多头0，激进多空-1，稳健多头0，稳健多空-1 * 中证2000指数：激进多头0，激进多空-1，稳健多头0，稳健多空-1 5. **均线强弱指数**：当前市场得分为63，处于2023年以来的15.91%分位点[13] 6. **SAR指标**：Wind全A指数于3月3日向下突破翻转指标[13] 因子的回测效果/数值 1. **流动性冲击指标**（基于沪深300，周五值）：0.49[4] 2. **PUT-CALL比率**（上证50ETF期权，周五值）：0.67[4] 3. **五日平均换手率**（截至报告时点）[4]： * 上证综指：1.39%（处于2005年以来78.35%分位点） * Wind全A：1.94%（处于2005年以来81.64%分位点） 4. **因子拥挤度**（截至2026.03.20）[19]： * 小市值因子综合拥挤度：0.09 * 低估值因子综合拥挤度：-0.31 * 高盈利因子综合拥挤度：0.24 * 高盈利增长因子综合拥挤度：0.25 5. **行业拥挤度**（截至2026.03.20）[22][23][24]： * 拥挤度相对较高的行业：综合（2.10）、通信（1.76）、有色金属（1.45）、钢铁（1.19）、电子（1.18） * 拥挤度上升幅度较大的行业：石油石化（变化+1.53）、煤炭（变化+0.71）、公用事业（变化+0.63）、农林牧渔（变化+0.54）