量化模型与构建方式 1. **模型名称：三维择时框架**[6][9] * **模型构建思路**：通过监测市场分歧度、流动性和景气度三个维度的趋势变化，综合判断市场整体走势（震荡上涨、震荡下跌、趋势上涨、趋势下跌）[6][9]。 * **模型具体构建过程**：报告未详细描述三个具体指数的构建公式，但明确了其构建逻辑。市场分歧度指数用于衡量投资者观点分歧程度[16]。市场流动性指数用于衡量市场资金面松紧状况[23]。A股景气度指数2.0用于衡量上市公司盈利增长趋势[19]。通过观察这三个指数的变化趋势（上行或下行），将其映射到“分歧度-流动性-景气度”三维坐标系中，从而对市场状态进行判断[9]。 2. **模型名称：ETF热点趋势策略**[27] * **模型构建思路**：结合技术形态（价格趋势）和市场情绪（换手率变化），筛选出处于强势上涨趋势且市场关注度短期显著提升的ETF构建组合[27]。 * **模型具体构建过程**： 1. **初选**：根据K线形态，筛选出最高价与最低价同时呈现上涨形态的ETF[27]。 2. **构建支撑阻力因子**：基于最高价与最低价近20日的回归系数，计算其相对陡峭程度，以此构建因子[27]。 3. **筛选关注度提升品种**：在支撑阻力因子的多头组中，选择近5日换手率与近20日换手率比值最高的ETF，即短期市场关注度明显提升的品种[27]。 4. **组合构建**：最终选择10只ETF，采用风险平价方法构建投资组合[27]。 3. **模型名称：融资-主动大单资金流共振策略**[34] * **模型构建思路**：利用融资融券资金流和主动大单资金流两种不同类型资金的共振效应，筛选出资金面共同看好的行业[34]。 * **模型具体构建过程**： 1. **构建行业融资融券资金因子**：计算行业内个股的融资净买入减去融券净卖出并加总，然后使用Barra市值因子进行中性化处理。取该中性化后序列的最近50日均值，并计算其两周环比变化率[34]。 2. **构建行业主动大单资金因子**：计算行业资金净流入，并使用行业最近一年的成交量进行时序中性化处理，然后进行排序打分。取该排序分值的最近10日均值[34]。 3. **策略逻辑**：研究发现，融资融券因子的多头端在某些市场状态下有稳定的负向超额收益，而主动大单因子（剔除极端多头行业后）有稳定的正向超额收益。因此，策略在主动大单因子的头部打分行业内，剔除融资融券因子也处于头部的行业，以提高策略稳定性。最后，再剔除大金融板块[34]。 4. **模型名称：全天候配置策略（高波版与低波版）**[38] * **模型构建思路**：通过资产选择、风险调整和结构对冲三项原则，构建分散化的投资组合，旨在不依赖宏观预测和杠杆的情况下获取稳健的绝对收益[38]。 * **模型具体构建过程**：报告未提供具体的资产配置权重计算公式，但阐述了核心设计原则。 1. **核心原则**：遵循资产选择、风险调整、结构对冲三项基本原则以实现收益稳定[38]。 2. **对冲构型**：采用循环对冲设计，直接针对资产波动进行长期收益平衡，绕过对宏观因素的刻画[38]。 3. **组合分类**：根据风险水平分为高波版和低波版。高波版采用“四层结构化-股债金风险平价”方法；低波版采用“五层结构化-风险预算”方法[38][40][42]。 4. **资产类别**：组合涵盖A股、H股、美股、债券、商品（黄金、有色金属、能源化工、豆粕）等多种资产[48]。 量化因子与构建方式 1. **因子名称：支撑阻力因子**[27] * **因子构建思路**：通过计算价格高点与低点回归线的陡峭程度，来衡量ETF价格的上涨动力或阻力强度[27]。 * **因子具体构建过程**：对于每只ETF，分别对其最高价和最低价序列进行近20日的线性回归。该因子的值即为两个回归线斜率的相对陡峭程度，具体计算公式未在报告中给出[27]。 2. **因子名称：行业融资融券资金因子**[34] * **因子构建思路**：衡量经过市值调整后的行业层面融资客资金流向的近期变化强度[34]。 * **因子具体构建过程**： 1. 计算行业内各股票的融资净买入与融券净卖出之差，并在行业内加总，得到原始行业两融资金流。 2. 使用Barra市值因子对该原始序列进行横截面中性化处理。 3. 计算中性化后序列的50日移动平均值。 4. 计算该50日均值的两周环比变化率，作为最终的因子值[34]。 3. **因子名称：行业主动大单资金因子**[34] * **因子构建思路**：衡量经过自身成交量调整后的行业层面主力资金（大单）净流入强度的近期平均水平[34]。 * **因子具体构建过程**： 1. 计算行业的主动大单资金净流入额。 2. 使用该行业自身最近一年的成交量时间序列，对资金净流入序列进行时序中性化处理。 3. 将中性化后的序列在全市场行业内进行排序并转化为分位数打分。 4. 取该排序分值的10日移动平均值，作为最终的因子值[34]。 4. **风格因子组**：报告提及了价值因子、盈利收益率因子、杠杆因子，并指出本周市场呈现“高价值高盈利收益率高杠杆”的风格特征，但未提供这些因子的具体构建公式[49]。 5. **Alpha因子组**：报告列出了大量Alpha因子及其近期表现，但未提供具体构建公式。这些因子主要包括： * **估值类**：未来三年一致预期市盈率倒数（ep_fy3）、市盈率倒数fttm（ep_fttm）、一致预期市盈率倒数（est_ep）、市销率倒数（sp）、股息率（dividend_yield_ratio）等[54]。 * **盈利与质量类**：营业收入TTM（or_ttm）、经营现金流TTM/总市值（ocfp）、单季度ROA同比差值（roa_q_delta_adv）、营业利润TTM/销售费用TTM（oper_salesexp）等[54][57]。 * **成长与预期类**：一致预期净利润（FY1）变化占比（mom1_np_fy1）、一致预期营收（FY1）变化占比（mom3_rev_fy1）、一致预期EPS变化占比（mom3_eps_fy1）、PEG（peg）等[56][57]。 * **动量与波动类**：一周收益标准差（return_std_1w）、十二个月收益标准差（return_std_12m）、3月最高价/3月最低价（close_max_div_min_3m）、2年的收益率（mom_2y）、十二个月残差动量（specific_mom12）等[54][57]。 * **情绪与交易类**：近252交易日平均换手率的自然对数（swap_1y）、换手率波动（turnover_std_3m）等[54]。 * **分析师预期类**：评级上下调差/评级上下调和（est_num_diff）、est eps刷量（mom_est_eps）等[57]。 模型的回测效果 1. **三维择时框架**：报告展示了该框架的历史状态划分图（图3、图4），但未提供具体的量化回测指标（如年化收益率、夏普比率等）[9][12]。 2. **ETF热点趋势策略**：2025年以来，策略收益为65.46%，相比沪深300指数的超额收益为43.25%[27]。 3. **融资-主动大单资金流共振策略**： * 2018年以来费后年化超额收益为14.3%，信息比率（IR）为1.3[34]。 * 策略上周（报告期）绝对收益为-1.51%，相对行业等权基准的超额收益为-0.91%[34]。 4. **全天候配置策略**： * **高波版**：截至2025年，年化收益率11.8%，年平均最大回撤3.6%，夏普比率1.9。2026年以来收益率2.9%[46]。 * **低波版**：截至2025年，年化收益率6.7%，年平均最大回撤2.0%，夏普比率2.4。2026年以来收益率1.3%[46]。 因子的回测效果 1. **风格因子（本周表现）**： * 价值因子周收益：3.08%[49] * 盈利收益率因子周收益：2.10%[49] * 杠杆因子周收益：1.93%[49] 2. **Alpha因子（近一周多头超额收益）**：报告以表格形式列出了近一周和近一个月表现最好的20个因子及其多头超额收益[54]。部分关键因子近一周表现如下： * 未来三年一致预期市盈率倒数（ep_fy3）：1.13%[54] * 一周收益标准差（return_std_1w）：1.07%[54] * 十二个月收益标准差（return_std_12m）：1.00%[54] * 市盈率倒数fttm（ep_fttm）：0.99%[54] * 一致预期市盈率倒数（est_ep）：0.99%[54] 3. **Alpha因子（分指数最近一年多头超额收益）**：报告展示了在不同宽基指数（沪深300、中证500、中证800、中证1000）中，最近一年表现最佳的因子及其超额收益[57]。部分代表性因子表现如下： * **沪深300中表现最佳**：评级上下调差/评级上下调和（est_num_diff），超额收益34.58%[57] * **中证500中表现最佳**：一致预期净利润（FY1）变化占比（mom1_np_fy1），超额收益15.80%[57] * **中证800中表现最佳**：一致预期净利润（FY1）变化占比（mom3_np_fy1），超额收益28.07%[57] * **中证1000中表现最佳**：单季度净利润同比增长(考虑快报、预告)（yoy_np_q_adv），超额收益23.09%[57]