量化模型与构建方式 量化因子与构建方式 1. **因子名称：中期动量因子（MOM）** **因子构建思路**：基于Jegadeesh和Titman的经典研究，通过计算股票过去一段时间（剔除最近一个月）的累计收益率来捕捉动量效应[9][11] **因子具体构建过程**：对于股票i在t月的中期动量因子，计算公式为： $$M O M_{i,t}^{M}=\prod_{k=t-12}^{t-2}\left(1+r_{i,k}\right)-1$$ 其中，$r_{i,k}$表示股票i在k月的收益率[12] 2. **因子名称：短期动量因子** **因子构建思路**：考虑到A股市场风格轮动较快，将计算窗口缩短以捕捉短期动量效应[18] **因子具体构建过程**：对于股票i在t月的短期动量因子，计算公式为： $$M O M_{i,t}^{s}=\prod_{k=t-6}^{t-2}\left(1+r_{i,k}\right)-1$$ 其中，$r_{i,k}$表示股票i在k月的收益率[18] 3. **因子名称：方向动量因子（D-MOM）** **因子构建思路**：借鉴《Directional Information in Equity Returns》一文，通过线性概率模型预测收益率的方向而非数值，以提升稳健性并抵御"动量崩溃"[10][24][25] **因子具体构建过程**：对每个股票构建线性概率模型，模型公式为： $$\begin{array}{c}{{r_{i,t}^{+}=\delta_{0}+\delta_{1}V_{i,t-1}+\delta_{2}r_{m,t-1}+\beta_{+}^{m}P_{i,t-1}^{m}+\beta_{+}^{w}P_{i,t-1}^{w}+\beta_{+}^{d}P_{i,t-1}^{d}+\beta_{-}^{m}N_{i,t-1}^{m}+\beta_{-}^{w}N_{i,t-1}^{w}}}\\ {{+\beta_{-}^{d}N_{i,t-1}^{d}+u_{i,t}}}\end{array}$$ 其中，$r_{i,t}^{+}$是哑变量（收益率大于0取1，否则取0）；$V_{i,t-1}$是滞后一期的特质方差（CAPM模型残差的方差）；$r_{m,t-1}$是滞后一期的市场收益率；$P_{i,t-1}^{m}$, $P_{i,t-1}^{w}$, $P_{i,t-1}^{d}$ 分别是月度、周度、日度的正收益持续期（最长持续期为12月/周/天）；$N_{i,t-1}^{m}$, $N_{i,t-1}^{w}$, $N_{i,t-1}^{d}$ 分别是月度、周度、日度的负收益持续期（最长持续期为12月/周/天）[25] 模型输出的预测值即为股票i在t时刻收益率大于0的概率，称为概率得分（Probability Score, PS），记作方向动量（D-MOM）因子[26] 4. **因子名称：增强方向动量因子（增强D-MOM）** **因子构建思路**：在原始方向动量因子基础上，加入个股自身的历史收益率作为自变量，以捕捉个体动量/反转特征，提升预测有效性[35] **因子具体构建过程**：线性概率模型扩展为： $$\begin{array}{c}{{r_{i,t}^{+}=\delta_{0}+\delta_{1}W_{i,t-1}+\delta_{2}r_{m,t-1}+\delta_{3}r_{i,t-1}+\beta_{4}^{m}P_{i,t-1}^{m}+\beta_{4}^{w}P_{i,t-1}^{w}+\beta_{4}^{d}P_{i,t-1}^{d}+\beta_{4}^{m}N_{i,t-1}^{m}}}\\ {{+\beta_{2}^{w}N_{i,t-1}^{w}+\beta_{4}^{d}N_{i,t-1}^{d}+u_{i,t}}}\end{array}$$ 其中，新增自变量$r_{i,t-1}$表示股票i滞后一期的收益率，其余变量定义同方向动量因子[35] 模型输出的概率得分（PS）即为增强方向动量（D-MOM）因子[35] **因子评价**：该因子有效改进了A股传统动量因子失效的困境，具备更好的收益分布特征和更低的极端风险概率，能有效抵御"动量崩溃"[36][42][49] 模型的回测效果 1. **中期动量因子（MOM）** IC均值：0.019[13] 年化ICIR：0.30[13] IC>0概率：59%[13] 多空年化收益率（等权）：-1.00%[13] 多头年化超额收益率（等权）：2.80%[13] 多空组合收益风险比：-0.10[13] 2. **短期动量因子** IC均值：0.011[35] 年化ICIR：0.20[35] IC>0概率：60%[35] 多空年化收益率（等权）：-10.80%[35] 多头年化超额收益率（等权）：-3.00%[35] 多空组合收益风险比：-0.24[35] 3. **方向动量因子（D-MOM）** IC均值：0.059[33][35] 年化ICIR：1.39[33][35] IC>0概率：86%[33][35] 多空年化收益率（等权）：21.40%[35] 多空年化收益率（市值加权）：25.10%[35] 多头年化超额收益率（等权）：11.50%[35] 多头年化超额收益率（市值加权）：12.30%[35] 多空组合收益风险比（等权）：1.66[35] 多空组合收益风险比（市值加权）：1.35[35] 4. **增强方向动量因子（增强D-MOM）** IC均值：0.064[36][41] 年化ICIR：1.40[41] IC>0概率：86%[36][41] 多空年化收益率（等权）：25.40%[41] 多空年化收益率（市值加权）：26.40%[41] 多头年化超额收益率（等权）：15.10%[41] 多头年化超额收益率（市值加权）：12.80%[41] 多空组合收益风险比（等权）：1.84[41] 多空组合收益风险比（市值加权）：1.58[41] 月收益率偏度：0.72[43] 月收益率<-10%的概率：0.5%[43]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：Barra风格因子** [14][15]；**因子构建思路**：基于股票的不同特征维度构建系统化的风格因子体系，用于描述和解释股票收益的差异性[15]；**因子具体构建过程**：共包含10个风格因子，具体构建公式如下： * **Beta因子**：计算股票的历史Beta值。$$ Beta $$ * **市值因子**：取总市值的自然对数。$$ 市值 = \ln(总市值) $$ * **动量因子**：计算历史超额收益率序列的均值。$$ 动量 $$ * **波动因子**：由历史超额收益率序列波动率、累积超额收益率离差和历史残差收益率序列波动率加权合成。$$ 波动 = 0.74 \times \sigma_{超额收益} + 0.16 \times D_{累积超额收益} + 0.1 \times \sigma_{残差收益} $$ * **非线性市值因子**：取市值风格的三次方。$$ 非线性市值 = (市值风格)^3 $$ * **估值因子**：取市净率的倒数。$$ 估值 = \frac{1}{市净率} $$ * **流动性因子**：由月换手率、季换手率和年换手率加权合成。$$ 流动性 = 0.35 \times Turnover_{月} + 0.35 \times Turnover_{季} + 0.3 \times Turnover_{年} $$ * **盈利因子**：由分析师预测盈利价格比、市现率倒数和市盈率TTM倒数加权合成。$$ 盈利 = 0.68 \times \frac{E_{预测}}{P} + 0.21 \times \frac{1}{P/CF} + 0.11 \times \frac{1}{PE_{TTM}} $$ * **成长因子**：由分析师预测长期盈利增长率、分析师预测短期盈利增长率、盈利增长率和营业收入增长率加权合成。$$ 成长 = 0.18 \times G_{长期预测} + 0.11 \times G_{短期预测} + 0.24 \times G_{盈利} + 0.47 \times G_{营收} $$ * **杠杆因子**：由市场杠杆率、账面杠杆率和资产负债率加权合成。$$ 杠杆 = 0.38 \times Leverage_{市场} + 0.35 \times Leverage_{账面} + 0.27 \times 资产负债率 $$ 2. **因子名称：GRU因子** [18][20][24][26]；**因子构建思路**：使用门控循环单元（GRU）神经网络模型捕捉股票价格的时序特征以预测收益[18][20][24][26]；**因子具体构建过程**：报告提及了多个基于GRU的模型，区别在于输入数据和预测目标的不同，具体有： * **barra1d模型**：使用Barra风险模型数据作为输入，预测1天收益[18][20][24][26] * **barra5d模型**：使用Barra风险模型数据作为输入，预测5天收益[20][24][26] * **open1d模型**：以开盘价相关数据作为输入，预测1天收益[32] * **close1d模型**：以收盘价相关数据作为输入，预测1天收益[20][32] 3. **因子名称：多因子组合** [32]；**因子构建思路**：将多个因子信号组合成一个综合信号进行投资[32]；**因子具体构建过程**：报告中未详细说明具体组合的因子和权重方法[32] 4. **因子名称：基本面因子** [18][20][23][26]；**因子构建思路**：基于公司财务报表数据构建因子，评估公司的盈利能力、成长性、估值等基本面状况[18][20][23][26]；**因子具体构建过程**：报告中列举了多类基本面因子，财务指标均采用TTM方式计算，并在测试前进行了行业中性化处理[17]。具体因子包括： * **超预期增长类**：如roa超预期增长、营业利润率超预期增长、净利润超预期增长、roc超预期增长[18][21][27] * **增长类**：如roa增长、营业利润率增长、roc增长[18][21][27] * **静态财务类**：如roa、roc、营业利润率、市销率、营业周转率、市盈率、EOI[21][27] * **估值类**：如市净率倒数（见Barra估值因子）[20][26] 5. **因子名称：技术类因子** [18][20][23][26]；**因子构建思路**：基于股票的交易价格和成交量数据构建因子，捕捉市场的交易行为特征[18][20][23][26]；**因子具体构建过程**：报告中提及的技术因子在测试前进行了行业中性化处理[17]。具体因子包括： * **动量因子**：如20日动量、60日动量、120日动量[25][30] * **波动因子**：如20日波动、60日波动、120日波动、长期波动[18][25][30] * **其他**：中位数离差因子[25][30] 因子回测效果 回测设置通用参数：选股范围为万得全A，剔除ST、*ST、停牌不可交易及上市不满120日的股票[16][17]。多空组合每月末调仓，做多因子值前10%的股票，做空后10%的股票，等权配置[16][17]。基本面因子均使用TTM财务数据并经过行业中性化处理[17]。 1. **风格因子（全市场）** [16] * 近期表现：市值、非线性市值、流动性因子的多头表现强势；盈利、估值、成长因子的空头表现较好[2][16] 2. **全市场股池因子** [18] * **基本面因子**：本周多空收益多数为正；超预期增长类因子表现较强，增长类因子次之；静态财务因子多头收益不显著[3][18] * **技术类因子**：多空收益多数为正，仅长期波动因子为负[3][18] * **GRU因子**：多空表现较弱，仅barra1d模型取得正向多空收益[3][18] 3. **沪深300股池因子** [20] * **基本面因子**：本周多空收益表现多数为正；估值类因子多头收益显著；静态财务因子多空收益表现较强，增长类财务因子次之[4][20] * **技术面因子**：多空收益均为正向，动量因子表现较强[4][20] * **GRU因子**：多空收益表现分化；close1d和barra5d模型多空收益回撤较多；barra1d模型表现较强[4][20] 4. **中证500股池因子** [23][24] * **基本面因子**：多空收益表现分化；静态财务因子多空收益显著偏负；增长类和超预期增长类因子多空表现为正向[5][23] * **技术面因子**：多空表现均为正向[5][24] * **GRU因子**：多空收益表现较弱；仅barra1d模型多空表现强势[5][24] 5. **中证1000股池因子** [26] * **基本面因子**：多空收益表现分化；估值类因子多空收益显著为正；静态财务因子多数表现为正向；增长类和超预期增长类财务因子均为负向[6][26] * **技术因子**：多空表现多数为正，仅长期动量和中位数离差因子为负且不显著[6][26] * **GRU因子**：多空收益表现较弱；仅barra1d模型取得微弱的多空收益[6][26] 模型回测效果 回测设置参数：选股池为万得全A，剔除ST、*ST、停牌不可交易及上市不满180日的股票；业绩基准为中证1000指数；月度调仓；双边千3手续费；个股权重上限千2；风格偏离0.5标准差；行业偏离0.01[31]。 1. **open1d模型** [32][33] * 近一周超额收益: 0.22% * 近一月超额收益: -1.23% * 近三月超额收益: -1.56% * 近六月超额收益: 4.68% * 今年以来超额收益: 5.45% 2. **close1d模型** [32][33] * 近一周超额收益: -0.20% * 近一月超额收益: -2.64% * 近三月超额收益: -3.36% * 近六月超额收益: 2.44% * 今年以来超额收益: 2.92% 3. **barra1d模型** [32][33] * 近一周超额收益: 0.14% * 近一月超额收益: 1.20% * 近三月超额收益: 0.28% * 近六月超额收益: 2.54% * 今年以来超额收益: 4.77% 4. **barra5d模型** [32][33] * 近一周超额收益: -0.59% * 近一月超额收益: -2.84% * 近三月超额收益: -2.81% * 近六月超额收益: 3.35% * 今年以来超额收益: 5.03% 5. **多因子组合** [32][33] * 近一周超额收益: -0.50% * 近一月超额收益: -1.67% * 近三月超额收益: -2.37% * 近六月超额收益: 2.28% * 今年以来超额收益: -0.10%

量化模型与构建方式 1.扩散指数行业轮动模型 - **模型名称**：扩散指数行业轮动模型 - **模型构建思路**：基于价格动量原理，通过计算行业扩散指数来捕捉行业趋势，选择向上趋势的行业进行配置[26][37] - **模型具体构建过程**： 1. 计算每个中信一级行业的扩散指数，扩散指数反映了行业价格动量的强度[27] 2. 具体计算公式未在报告中明确给出，但扩散指数是一个介于0到1之间的数值，数值越高代表行业向上趋势越强[27] 3. 每月选择扩散指数排名前六的行业作为配置组合[26][30] - **模型评价**：在趋势行情下表现较好，但在市场反转时可能失效[26][37] 2.GRU因子行业轮动模型 - **模型名称**：GRU因子行业轮动模型 - **模型构建思路**：基于分钟频量价数据，通过GRU深度学习网络生成行业因子，捕捉短期交易信息[34][38] - **模型具体构建过程**： 1. 使用GRU深度学习网络处理分钟频量价数据[38] 2. 生成GRU行业因子，因子值反映了行业短期表现强度[34] 3. 每周根据GRU行业因子排名调仓，选择因子排名前六的行业[34][36] - **模型评价**：在短周期表现较好，但长周期表现一般，极端行情下可能失效[38] 模型的回测效果 1.扩散指数行业轮动模型 - 2025年以来超额收益：4.53%[25][30] - 2025年9月以来超额收益：-0.47%[30] - 本周超额收益：0.88%[30] 2.GRU因子行业轮动模型 - 2025年以来超额收益：-7.37%[33][36] - 2025年9月以来超额收益：0.29%[36] - 本周超额收益：-0.23%[36] 量化因子与构建方式 1.行业扩散指数因子 - **因子名称**：行业扩散指数 - **因子构建思路**：基于价格动量原理，衡量行业价格趋势的强度[27][37] - **因子具体构建过程**： 1. 计算每个中信一级行业的扩散指数[27] 2. 扩散指数是一个0到1之间的数值，越高代表行业向上趋势越强[27] 3. 具体计算公式未在报告中明确给出 2.GRU行业因子 - **因子名称**：GRU行业因子 - **因子构建思路**：基于分钟频量价数据，通过GRU深度学习网络生成，捕捉行业短期表现[34][38] - **因子具体构建过程**： 1. 使用GRU深度学习网络处理分钟频量价数据[38] 2. 输出GRU行业因子值，正值代表看多，负值代表看空[34] 因子的回测效果 1.行业扩散指数因子 - 最新排名前六行业：综合(0.99)、银行(0.969)、通信(0.951)、钢铁(0.95)、有色金属(0.947)、商贸零售(0.934)[27] - 周度环比提升前六行业：房地产(0.132)、建材(0.047)、钢铁(0.033)、银行(0.005)、建筑(0.004)、商贸零售(0.003)[29] 2.GRU行业因子 - 最新排名前六行业：综合(4.56)、建筑(3.8)、房地产(3.6)、纺织服装(0.08)、综合金融(-0.07)、家电(-0.16)[34] - 周度环比提升前六行业：综合、建筑、房地产[34]

这份研报主要跟踪和分析了各类市场指标和风格表现，并未涉及传统意义上需要构建的量化选股模型或阿尔法因子。报告的核心是对现有风格指数、估值、资金面等指标的跟踪和解读。以下是基于报告内容的总结： 量化模型与构建方式 本报告未涉及需要构建的量化选股模型或阿尔法因子。 模型的回测效果 本报告未涉及量化模型的回测效果。 量化因子与构建方式 本报告未涉及需要构建的量化选股因子。 风格指数与跟踪指标 1. 风格拥挤度 **构建思路：** 衡量不同风格（如成长/红利、小盘/大盘等）的交易热度相对于历史水平和市场整体水平的位置，用于判断风格是否过热或过冷[37][122]。 **具体构建过程：** 1. 分别计算风格指数和万得全A指数近n个交易日（n=63，即一个季度）的日均换手率。 2. 在滚动y年（y=6）的历史窗口内，对这两组换手率时间序列分别进行z-score标准化。 3. 计算风格指数标准化后的换手率与万得全A指数标准化后的换手率之差。 4. 最后计算该差值的滚动历史分位值，即为风格拥挤度分位点[122]。 2. 风格累计超额净值 **构建思路：** 计算各风格指数相对于万得全A指数的累计超额收益，用于观察风格的长期表现[37][123]。 **具体构建过程：** 1. 以2016年1月4日为基准日，计算风格指数和万得全A指数的每日累计净值（当日收盘价 / 基准日收盘价）。 2. 将风格指数的每日累计净值除以万得全A指数同日的累计净值，得到每日的相对净值。 3. 这一系列相对净值连接起来即构成该风格相对于万得全A的累计超额净值曲线[123]。 3. 机构调研活跃度 **构建思路：** 衡量不同板块或行业受到机构关注度的历史分位水平，分为长期和短期口径[104][124]。 **具体构建过程：** 1. 计算板块（或指数、行业）近n个交易日的“日均机构调研次数”。 * 长期口径：n取126（近半年）[124] * 短期口径：n取63（近一季度）[124] 2. 在滚动历史窗口（长期口径为6年，短期口径为3年）内，对该“日均机构调研次数”序列以及万得全A的对应序列分别进行z-score标准化。 3. 计算板块标准化后的数值与万得全A标准化后的数值之差，得到“机构调研活跃度”。 4. 最后计算该“机构调研活跃度”在滚动历史窗口内的历史分位数[124]。 4. 股债风险溢价（ERP） **构建思路：** 衡量股票市场相对于债券市场的估值吸引力，是常见的股债性价比指标[72]。 **具体构建过程：** $$ erp = \frac{1}{指数 PE_{TTM}} - 10年期中债国债到期收益率 $$ 其中，$PE_{TTM}$ 为指数滚动市盈率[72]。 指标跟踪结果 风格表现 (截至2025年9月12日) | 风格对比 | 近一周收益(%) | 近一月收益(%) | 年初至今收益(%) | | :----------------- | :------------ | :------------ | :------------- | | 成长-红利 | 1.9 | 13.9 | 22.9 | | 小盘-大盘 | 1.6 | -0.3 | 9.1 | | 微盘股-基金重仓 | 0.1 | -6.4 | 35.1 | | 动量-反转 | -1.3 | -2.0 | 24.4 | *数据来源：图表6[27]* 风格拥挤度历史分位 (截至2025年9月12日) | 风格 | 当前分位 | | :--------- | :------- | | 成长 | 14% | | 红利 | 32% | | 小盘 | 32% | | 大盘 | 76% | | 微盘股 | 15% | | 基金重仓 | 88% | *数据来源：图表11[37]* 估值水平 (PE_TTM历史分位) | 指数 | 当前分位 | 状态 | | :--------- | :------- | :--- | | 万得全A | 91% | 极高 | | 沪深300 | 80% | 极高 | | 中证500 | 73% | 较高 | | 创业板指 | 39% | 较低 | *数据来源：图表26,27,28,29,30[62][68][70]* 股债性价比 (ERP历史分位) | 指数 | 当前分位 | 状态 | | :--------- | :------- | :--- | | 万得全A | 47% | 均衡 | | 沪深300 | 48% | 均衡 | | 中证500 | 66% | 较高 | | 创业板指 | 86% | 极高 | *数据来源：图表31,32,33,34,35[72][78][80]* 机构调研活跃度历史分位 (长期口径) **前列行业:** 有色金属(97%)、房地产(94%)、石油石化(93%)[104] **后列行业:** 银行(9%)、机械(18%)、医药(23%)[104] *数据来源：图表47[105]*

量化模型与构建方式 1. 三维择时框架 - 模型名称：三维择时框架[7] - 模型构建思路：通过分歧度、流动性和景气度三个维度对市场进行择时判断[7] - 模型具体构建过程：监控市场分歧度指数、市场流动性指数和A股景气度指数2.0的变化趋势，当分歧度上行、流动性下行、景气度保持回升时，给出震荡下跌判断[7][11][23] 2. ETF热点趋势策略 - 模型名称：ETF热点趋势策略[29] - 模型构建思路：根据K线形态和换手率变化选择短期市场关注度提升的ETF构建组合[29] - 模型具体构建过程：首先选出最高价与最低价同时为上涨形态的ETF；然后根据最高价与最低价近20日回归系数的相对陡峭程度构建支撑阻力因子；最后选择因子多头组中近5日换手率/近20日换手率最高的10只ETF构建风险平价组合[29] 3. 资金流共振策略 - 模型名称：融资-主动大单资金流共振策略[35] - 模型构建思路：通过融资融券资金流与主动大单资金流的共振效应选择行业[35] - 模型具体构建过程： 1) 定义行业融资融券资金因子：barra市值因子中性化后的融资净买入-融券净买入（个股加总），取最近50日均值后的两周环比变化率 2) 定义行业主动大单资金因子：行业最近一年成交量时序中性化后的净流入排序，取最近10日均值 3) 在主动大单因子的头部打分内做融资融券因子的剔除，提高策略稳定性 4) 进一步剔除大金融板块[35] 模型的回测效果 1. 三维择时框架 - 历史表现：提供市场择时判断，建议逐步谨慎[7] 2. ETF热点趋势策略 - 今年以来表现：相对沪深300累计超额收益表现良好[31] 3. 资金流共振策略 - 2018年以来费后年化超额收益：13.5%[35] - 信息比率(IR)：1.7[35] - 上周表现：实现0.9%的绝对收益与-1%的超额收益（相对行业等权）[35] 量化因子与构建方式 1. 风格因子 - 因子名称：size因子[39] - 因子构建思路：衡量市值风格的影响[39] - 因子具体构建过程：基于市值大小构建组合，大市值股票组合与小市值组合对比[39] - 因子名称：beta因子[40] - 因子构建思路：衡量贝塔风格的影响[40] - 因子具体构建过程：基于股票贝塔值构建组合，高贝塔组合与低贝塔组合对比[40] - 因子名称：growth因子[40] - 因子构建思路：衡量成长风格的影响[40] - 因子具体构建过程：基于成长性指标构建组合，高成长个股与低成长个股对比[40] 2. Alpha因子 - 因子名称：每股营业收入同比增长率(yoy_orps)[44] - 因子构建思路：衡量公司营收增长能力[44] - 因子名称：资产负债率同比变化率(debt_ratio_yoy)[44] - 因子构建思路：衡量公司负债结构变化[44] - 因子名称：总负债同比增长(tot_liab_yoy)[44] - 因子构建思路：衡量公司负债增长情况[44] - 因子名称：单季度营业收入同比增速(yoy_or_q)[44] - 因子构建思路：衡量公司单季度营收增长[44] - 因子名称：流动负债同比增长(cur_liab_yoy)[44] - 因子构建思路：衡量公司流动负债变化[44] - 因子名称：单季度ROE同比差值(roe_q_delta_report)[44] - 因子构建思路：衡量公司单季度ROE同比变化[44] - 因子名称：单季度ROE同比差值（考虑快报、预告）(roe_q_delta_adv)[47] - 因子构建思路：考虑快报预告的ROE同比变化[47] - 因子名称：分析师预测调整因子(mom3_np_fy1)[47] - 因子构建思路：衡量分析师预测净利润的变化[47] - 因子具体构建过程：$$mom3\_np\_fy1 = \frac{当前一致预测np\_FY1 - 3个月前一致预测np\_FY1}{|3个月前一致预测np\_FY1|}$$[47] 因子的回测效果 1. 风格因子近期表现 - size因子：最近一周收益1.57%[43] - beta因子：最近一周收益1.08%[43] - growth因子：最近一周收益0.42%[43] - momentum因子：最近一周收益0.39%[43] - nlsize因子：最近一周收益1.31%[43] - value因子：最近一周收益-0.13%[43] - liquidity因子：最近一周收益0.96%[43] - earnings_yield因子：最近一周收益-0.67%[43] - leverage因子：最近一周收益0.48%[43] - volatility因子：最近一周收益0.20%[43] 2. Alpha因子近期表现 不同时间维度表现（近一周多头超额）： - 每股营业收入同比增长率(yoy_orps)：2.62%[44] - 资产负债率同比变化率(debt_ratio_yoy)：2.57%[44] - 总负债同比增长(tot_liab_yoy)：2.53%[44] - 单季度营业收入同比增速(yoy_or_q)：2.51%[44] - 流动负债同比增长(cur_liab_yoy)：2.49%[44] - 速动比率同比变化(quick_ratio_yoy)：2.25%[44] - 营业收入同比增速(yoy_or)：2.14%[44] - 总资产同比增长(yoy_total_assets)：2.12%[44] - 销售现金流变化指标(delta_cashflow_goodsales_ic)：2.03%[44] - 应付账款同比变化(yoy_accpayable)：1.94%[44] 不同指数下的表现（上周多头超额）： - 单季度ROE同比差值（考虑快报、预告）(roe_q_delta_adv)： - 沪深300：8.23% - 中证500：4.55% - 中证1000：9.38% - 国证2000：4.96%[47] - 分析师预测净利润变化(mom3_np_fy1)： - 沪深300：7.14% - 中证500：5.60% - 中证1000：9.54% - 国证2000：4.19%[47] - 评级调整因子(est_num_diff)： - 沪深300：7.73% - 中证500：4.86% - 中证1000：8.72% - 国证2000：4.60%[47]

量化模型与构建方式 1. **模型名称：中证500增强组合**[4][12][19] * **模型构建思路**：基于量化策略模型进行选股和权重配置，旨在获得超越中证500指数的超额收益[12][19][46] * **模型具体构建过程**：根据策略模型生成持仓列表，包含多只股票及其对应的持仓权重，构成投资组合[12][48][50] 2. **模型名称：沪深300增强组合**[4][14][21] * **模型构建思路**：基于量化策略模型进行选股和权重配置，旨在获得超越沪深300指数的超额收益[14][21][51] * **模型具体构建过程**：根据策略模型生成持仓列表，包含多只股票及其对应的持仓权重，构成投资组合[14][51][54] 3. **因子名称：十大类风格因子**[55] * **因子的构建思路**：参照BARRA因子模型，构建描述A股市场不同风险收益特征的风格因子[55] * **因子具体构建过程**：构建的因子包括：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）和杠杆（LVRG）[55] 4. **模型名称：A股景气度高频指数**[28][29][31] * **模型构建思路**：以上证指数归母净利润同比为Nowcasting目标构建指数，用于观察A股景气周期[28][31] * **模型具体构建过程**：详情请参考报告《视角透析：A股景气度高频指数构建与观察》[28] 5. **模型名称：A股情绪指数**[31][32][36] * **模型构建思路**：基于市场波动率和成交额的变化方向划分象限并构造情绪指数，用于市场情绪刻画和择时[31][32][34] * **模型具体构建过程**：将市场按照波动率和成交额的变化方向划分为四个象限，其中波动上-成交下的区间为显著负收益，其余都为显著正收益，据此构造了包含见底预警与见顶预警的A股情绪指数，相关研究请参考报告《视角透析：A股情绪指数构建与观察》[31][32] 模型的回测效果 1. **中证500增强组合**，本周收益1.82%，本周超额收益-1.56%，2020年至今超额收益49.43%，最大回撤-4.99%[12][19][46] 2. **沪深300增强组合**，本周收益1.40%，本周超额收益0.02%，2020年至今超额收益39.41%，最大回撤-5.86%[14][21][51] 量化因子与构建方式 1. **因子名称：行业因子**[56][59] * **因子的构建思路**：用于衡量不同行业相对于市场市值加权组合的收益表现[56][59] * **因子具体构建过程**：报告中未详细描述具体构建过程，但提及了房地产、钢铁、保险、证券、消费者服务等行业因子[56][59] 因子的回测效果 1. **Beta因子**，近一周纯因子收益率表现较高[56][59] 2. **残差波动率因子**，近一周纯因子收益率呈较为显著的负向超额收益[56][59] 3. **成长因子**，近期表现优异[56] 4. **非线性市值因子**，近期表现不佳[56] 5. **价值因子**，近期表现不佳[56] 6. **房地产行业因子**，近一周纯因子收益率相对市场市值加权组合跑出较高超额收益[56][59] 7. **钢铁行业因子**，近一周纯因子收益率相对市场市值加权组合跑出较高超额收益[56][59] 8. **保险行业因子**，近一周纯因子收益率回撤较多[56][59] 9. **证券行业因子**，近一周纯因子收益率回撤较多[56][59] 10. **消费者服务行业因子**，近一周纯因子收益率回撤较多[56][59]

量化模型与构建方式 1. **主动权益型基金仓位测算模型** - 模型构建思路：通过持股市值加权方法计算主动权益型基金的平均股票仓位，以反映市场配置情绪[20][23] - 模型具体构建过程： 1. 筛选合格样本基金，需满足条件：成立期满两个季度、未到期、规模大于5000万元、过去四期平均仓位大于60%[23] 2. 计算持股市值加权平均仓位： $$ \text{平均仓位} = \frac{\sum (\text{单基金持股市值} \times \text{该基金股票仓位})}{\sum \text{单基金持股市值}} $$ 3. 分类计算普通股票型、偏股混合型、配置型基金的仓位[20] - 模型评价：能够有效跟踪公募基金的整体配置情绪变化 2. **风格仓位暴露模型** - 模型构建思路：根据市值和成长/价值属性划分风格（如大盘成长、小盘价值等），计算主动偏股型基金在各风格上的仓位暴露[28] - 模型具体构建过程： 1. 定义风格分类标准（如大盘成长、大盘价值等）[28] 2. 对基金持仓股票按风格分类，并计算持股市值加权平均仓位： $$ \text{风格仓位} = \frac{\sum (\text{该风格股票持股市值})}{\sum \text{全部股票持股市值}} $$ 3. 统计各风格仓位的周度变化[28] 3. **行业仓位暴露模型** - 模型构建思路：基于中信一级行业分类，计算主动权益型基金在各行业上的仓位分布及变动[31][32] - 模型具体构建过程： 1. 按中信一级行业分类基金持仓股票[32] 2. 计算持股市值加权平均行业仓位： $$ \text{行业仓位} = \frac{\sum (\text{该行业股票持股市值})}{\sum \text{全部股票持股市值}} $$ 3. 跟踪各行业仓位的周度变化及趋势（如“连续上涨”或“连续下跌”）[32] 4. **ETF资金流向跟踪模型** - 模型构建思路：统计各类ETF（宽基、行业、主题等）的资金净流入数据，以反映市场资金偏好[35][36][37] - 模型具体构建过程： 1. 按ETF类型（宽基、行业、主题、境外等）分类[35] 2. 计算单周净流入金额： $$ \text{净流入} = \text{期间流入资金} - \text{期间流出资金} $$ 3. 汇总各类型ETF的规模及资金流向[35] 5. **主力/主动资金流统计模型** - 模型构建思路：基于同花顺对主力资金的划分标准（特大单、大单、中单、小单），统计个股和行业的资金净流入情况[50][51] - 模型具体构建过程： 1. 按成交单划分标准分类： - 特大单：成交量≥20万股或金额≥100万元 - 大单：成交量6-20万股或金额30-100万元 - 中单：成交量1-6万股或金额5-30万元 - 小单：成交量<1万股或金额<5万元[50] 2. 计算个股和行业的净流入金额： $$ \text{净流入} = \sum \text{买入金额} - \sum \text{卖出金额} $$ 3. 分别统计主力资金（特大单+大单）和主动资金（特大单）的流向[51] 模型的回测效果 （注：本篇报告未提供模型回测效果指标，如年化收益、夏普比率、信息比率（IR）等，故本节省略） 量化因子与构建方式 1. **基金净值涨跌幅因子** - 因子构建思路：计算主动权益型基金的周度净值涨跌幅，以反映基金短期表现[18][19] - 因子具体构建过程： $$ \text{净值涨跌幅} = \frac{\text{本期净值} - \text{上期净值}}{\text{上期净值}} $$ - 因子评价：可用于筛选短期表现优异的基金[19] 2. **ETF资金净流入因子** - 因子构建思路：统计单只ETF产品的资金净流入金额，反映资金对该产品的偏好[61][62] - 因子具体构建过程： $$ \text{净流入} = \text{期间申购金额} - \text{期间赎回金额} $$ - 因子评价：可用于判断资金对特定赛道或指数的偏好[35][36] 3. **行业资金主动净流入因子** - 因子构建思路：基于主力资金流向数据，计算各行业的主动资金净流入金额，反映主力资金对行业的偏好[51][60] - 因子具体构建过程： 1. 按行业分类汇总主动资金（特大单）净流入[60] 2. 计算行业净流入金额： $$ \text{行业净流入} = \sum_{\text{行业个股}} \text{主动资金净流入} $$ 因子的回测效果 （注：本篇报告未提供因子回测效果指标，如IC值、IR值、多空收益等，故本节省略）

量化分析报告 证券研究报告 | 金融工程 、 gszqdatemark 2025 09 13 年 月 日 择时雷达六面图：本周基本面与估值分数下行 择时雷达六面图：基于多维视角的择时框架。权益市场的表现受到多维度 指标因素的共同影响，我们尝试从流动性、经济面、估值面、资金面、技 术面、拥挤度选取二十一个指标对市场刻画，并将其概括为"估值性价比"、 "宏观基本面"、"资金&趋势"、"拥挤度&反转"四大类，从而生成[-1,1] 之间的综合择时分数。 本周综合打分。本周市场的估值性价比与宏观基本面分数下行，资金&趋 势与拥挤度&反转分数变化不大，综合打分位于[-1,1]之间，当前的综合打 分为-0.15 分，整体为中性观点。当前六面图各个维度的观点如下： 流动性。本周货币强度发出看空信号，货币方向、信用方向发出看多信 号，当前流动性得分为 0.25 分，综合来看信号中性偏多信号。 经济面。本周增长方向指标发出看多信号，增长强度、通胀方向发出看 空信号，当前经济面得分为-0.25 分，综合来看发出中性偏空信号。 估值面。本周席勒 ERP、PB 与 AIAE 指标分数下降，当前市场的估值 面得分为-0.40 分，综合来 ...

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]

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 1. **因子名称：总热度指标**[7] * **因子构建思路**：通过加总个股的浏览、自选与点击次数，并将其在全市场占比进行归一化，以此作为市场情绪热度的代理变量进行追踪[7]。 * **因子具体构建过程**： 1. 获取个股的浏览、自选与点击次数。 2. 计算这些次数之和。 3. 将此和值除以同一日全市场的总浏览、自选与点击次数之和，得到占比。 4. 将归一化后的数值乘以10000，使得指标取值区间为[0,10000]。 公式为： $$\text{总热度} = \frac{\text{个股浏览+自选+点击次数}}{\text{全市场浏览+自选+点击次数总和}} \times 10000$$ * **因子评价**：该因子被用作衡量市场“情绪热度”的代理变量。 2. **因子名称：宽基/行业/概念总热度**[7][8][19][26][27] * **因子构建思路**：将宽基指数、申万行业或概念板块内的所有成分股的总热度指标进行加和，得到该板块层面的聚合热度指标，用于追踪板块情绪[7][8][19]。 * **因子具体构建过程**：对于特定的股票分组（如沪深300、电力设备行业、赛马概念），将其包含的所有个股的总热度指标值直接求和。 公式为： $$\text{板块总热度} = \sum_{i \in \text{板块}} \text{总热度}_i$$ 其中，总热度_i 是上述“总热度指标”因子对于股票i的计算结果。 3. **因子名称：热度变化率**[9][15][19][26] * **因子构建思路**：计算宽基、行业或概念的总热度指标的周度变化率，以捕捉市场关注度的边际变化[9][15]。 * **因子具体构建过程**： 1. 计算当前周的板块总热度。 2. 计算上一周的板块总热度。 3. 计算周度变化率：$$\text{热度变化率} = \frac{\text{本周总热度} - \text{上周总热度}}{\text{上周总热度}}$$ 4. （可选）对周度变化率取2周移动平均（MA2）进行平滑处理[9][15][19][26]。 4. **因子名称：估值历史分位数**[3][37][38][40][41] * **因子构建思路**：计算宽基指数或行业当前的估值（如PETTM）在其自身历史序列中的分位数，用以判断当前估值水平在历史上的位置[3][37]。 * **因子具体构建过程**： 1. 选定估值指标（如滚动市盈率PETTM）和回溯期（如滚动5年或从2015年起）。 2. 获取标的（宽基或行业）在回溯期内每个历史时点的估值数据。 3. 将当前估值与历史估值序列进行比较，计算其分位数。 公式为：$$\text{历史分位数} = \frac{\text{历史序列中低于当前值的数量}}{\text{历史序列总数量}} \times 100\%$$ 报告中提及了两种回溯窗口：滚动5年[3][37]和从2015年开始至当前[38][40][41]。 模型的回测效果 1. **宽基轮动策略**[12][15] * **策略构建**：每周最后一个交易日买入总热度变化率MA2最大的宽基指数（如果是“其他”组则空仓）[12]。 * **年化收益率**: 8.74%[15] * **最大回撤**: 23.5%[15] * **2025年收益**: 32.7%[15] 2. **热门概念内选股策略（BOTTOM组合）**[30][32] * **策略构建**：每周选出热度变化最大的5个概念，排除概念成分股中流通市值最小的20%股票后，从每个概念中选出总热度排名最后的10只个股，等权构建组合[30]。 * **年化收益率**: 15.71%[32] * **最大回撤**: 28.89%[32] * **2025年收益**: 44.2%[32] 因子的回测效果 *(注：本报告未提供单一因子的独立回测指标（如IC、IR等），仅提供了基于因子构建的策略回测结果。)*