量化模型与构建方式 1. **模型名称**：择时雷达六面图综合模型[1][6] **模型构建思路**：权益市场表现受多维度指标共同影响，该模型从流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取二十一个指标对市场进行刻画，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，最终生成[-1,1]之间的综合择时分数[1][6]。 **模型具体构建过程**：模型综合了六个维度（流动性、经济面、估值面、资金面、技术面、拥挤度）共21个因子的打分。每个因子根据其构建规则产生一个介于-1到1之间的分数。大类分数由其下属因子分数综合计算得出（具体综合方式未明确说明），最终的综合择时分数由四大类分数综合生成（具体综合方式未明确说明）[1][6][10]。 量化因子与构建方式 1. **因子名称**：货币方向因子[12] **因子构建思路**：判断当前货币政策的方向，通过选取央行货币政策工具利率与短端市场利率，计算其相较于90天前的平均变化方向来定义宽松或收紧[12]。 **因子具体构建过程**：选取央行货币政策工具利率与短端市场利率，计算其相较于90天前的平均变化方向。若货币方向因子>0，则判断货币政策宽松，分数为1；若货币方向因子<0，则判断货币政策收紧，分数为-1[12]。 2. **因子名称**：货币强度因子[15] **因子构建思路**：基于“利率走廊”概念，表征短端市场利率相对于政策利率的偏离幅度，用以判断货币环境的宽松程度[15]。 **因子具体构建过程**：计算偏离度=DR007/7天逆回购利率-1，并进行平滑与zscore形成货币强度因子。若货币强度因子<-1.5倍标准差，则预期未来120个交易日为宽松环境，指标分数为1；若货币强度因子>1.5倍标准差，则预期未来120个交易日指标分数为-1[15]。 3. **因子名称**：信用方向因子[18] **因子构建思路**：表征商业银行对实体经济传导的松紧程度，使用中长期贷款指标进行体现[18]。 **因子具体构建过程**：计算信用方向因子为：中长期贷款当月值->计算过去十二个月增量->计算同比。若信用方向因子相比于三个月之前上升则看多，分数为1；反之则看空，分数为-1[18]。 4. **因子名称**：信用强度因子[21] **因子构建思路**：捕捉信用指标是否大幅超预期或不及预期[21]。 **因子具体构建过程**：构建信用强度因子=(新增人民币贷款当月值–预期中位数)/预期标准差。若信用强度因子>1.5倍标准差，则定义未来60个交易日为信用显著超预期环境，分数为1；若信用强度因子<-1.5倍标准差，则未来60个交易日分数为-1[21]。 5. **因子名称**：增长方向因子[22] **因子构建思路**：基于PMI数据判断经济增长的方向[22]。 **因子具体构建过程**：基于中采制造业PMI、中采非制造业PMI、财新制造业PMI构建增长方向因子= PMI->计算过去十二月均值->计算同比。若增长方向因子相比于三个月之前上升则看多，分数为1；反之则看空，分数为-1[22]。 6. **因子名称**：增长强度因子[26] **因子构建思路**：捕捉经济增长指标是否大幅超预期或不及预期[26]。 **因子具体构建过程**：计算PMI预期差=(PMI–预期中位数)/预期标准差。若增长强度因子>1.5倍标准差，则定义未来60个交易日为增长显著超预期环境，分数为1；若增长强度因子<-1.5倍标准差，则未来60个交易日分数为-1[26]。 7. **因子名称**：通胀方向因子[27] **因子构建思路**：当前的通胀水平会对货币政策产生制约，通过判断通胀下行来预期货币宽松空间[27]。 **因子具体构建过程**：计算通胀方向因子=0.5×CPI同比平滑值+0.5×PPI同比原始值。若通胀方向因子相较于三个月之前降低，则说明是通胀下行环境，此时看多，分数为1；反之看空，分数为-1[27]。 8. **因子名称**：通胀强度因子[30] **因子构建思路**：捕捉通胀指标是否大幅超预期或不及预期[30]。 **因子具体构建过程**：分别计算CPI与PPI预期差=(披露值–预期中位数)/预期标准差，并计算通胀强度因子=CPI与PPI预期差均值。若通胀强度因子<-1.5，则定义未来60个交易日为通胀显著不及预期环境，分数为1；若通胀强度因子>1.5倍标准差，则未来60个交易日分数为-1[30]。 9. **因子名称**：席勒ERP[31] **因子构建思路**：计算经周期调整的估值水平，以消除经济周期波动对盈利的干扰[31]。 **因子具体构建过程**：计算过去6年通胀调整后的平均盈利得到席勒PE，然后计算席勒ERP=1/席勒PE-10年期国债到期收益率，并计算过去6年zscore作为分数（1.5倍标准差截尾后标准化到±1之间）[31][35]。 **公式**：$$席勒ERP = \frac{1}{席勒PE} - 10年期国债到期收益率$$ 10. **因子名称**：PB[35] **因子构建思路**：使用市净率（PB）来衡量估值水平[35]。 **因子具体构建过程**：对PB指标进行处理：PB×(-1)并计算过去6年zscore，1.5倍标准差截尾后标准化到±1之间得到分数[35]。 11. **因子名称**：AIAE（全市场权益配置比例）[37] **因子构建思路**：反映市场整体的风险偏好，基于投资者在风险资产和安全资产之间的动态配置比例[37]。 **因子具体构建过程**：构建A股的AIAE指标=中证全指总流通市值/(中证全指总流通市值+实体总债务)，将AIAE×(-1)并计算过去6年zscore得到分数（1.5倍标准差截尾后标准化到±1之间）[37]。 **公式**：$$AIAE = \frac{中证全指总流通市值}{中证全指总流通市值 + 实体总债务}$$ 12. **因子名称**：两融增量[40] **因子构建思路**：两融为市场杠杆资金的来源，其增量变化可反映市场情绪[40]。 **因子具体构建过程**：计算融资余额-融券余额，并计算其过去120日均增量与过去240日均增量。若120日均增量>过去240日均增量时杠杆资金上行并看多，分数为1；反之看空，分数为-1[40]。 13. **因子名称**：成交额趋势[43] **因子构建思路**：成交额上行代表市场成交热度与资金活跃度高[43]。 **因子具体构建过程**：对对数成交额计算其均线距离=ma120/ma240-1。当均线距离的max(10)=max(30)=max(60)时看多，分数为1。当均线距离的min(10)=min(30)=min(60)时看空，分数为-1[43]。 **公式**：$$均线距离 = \frac{ma120}{ma240} - 1$$ 14. **因子名称**：中国主权CDS利差[46] **因子构建思路**：中国主权CDS利差代表了海外投资者对中国的经济与主权信用风险的定价水平，可以作为体现外资流入的指代变量[46]。 **因子具体构建过程**：当平滑后CDS利差的20日差分<0时，说明当前CDS利差下降，海外投资者预期中国基本面转好，外资流入意愿强，此时看多，分数为1；反之看空，分数为-1[46]。 15. **因子名称**：海外风险厌恶指数[48] **因子构建思路**：花旗风险厌恶指数（Citi RAI Index）由海外期权隐波、信用利差等数据组成，能捕捉海外市场的风险偏好[48]。 **因子具体构建过程**：当平滑后风险厌恶指数的20日差分<0时，外资风险偏好上升，此时看多，分数为1；反之看空，分数为-1[48]。 16. **因子名称**：价格趋势[51] **因子构建思路**：使用均线距离衡量标的价格趋势与强度[51]。 **因子具体构建过程**：计算均线距离=（ma120/ma240 -1）。当均线距离>0时趋势方向分数=1，反之为-1。当均线距离的max(20)=max(60)时，趋势强度分数为1，当均线距离的min(20)=min(60)时，趋势强度分数为-1，趋势综合分数=(趋势方向分数+趋势强度分数)/2[51]。 **公式**：$$均线距离 = \frac{ma120}{ma240} - 1$$ $$趋势综合分数 = \frac{趋势方向分数 + 趋势强度分数}{2}$$ 17. **因子名称**：新高新低数[54] **因子构建思路**：指数成分股的新高新低个数可以作为反转信号[54]。 **因子具体构建过程**：计算中证800成分股占过去一年新低数-新低数的ma20。若该值>0时，说明最近新低较多，市场有见底预期，此时看多，分数为1；反之发出看空信号，分数为-1[54]。 18. **因子名称**：期权隐含升贴水[57] **因子构建思路**：基于看涨看跌平价关系推导出期权的隐含标的升贴水，反映期权市场对未来标的收益率均值的预期与情绪，可作为反转指标[57]。 **因子具体构建过程**：若50ETF近5日收益率<0，且指标分位数<30%，则看多持续20日，分数为1。若50ETF近5日收益率>0，且指标分位数>70%，则看空持续20日，分数为-1[57]。 19. **因子名称**：期权VIX指数[58] **因子构建思路**：反映了期权投资者对于未来标的波动率的预期与市场情绪，当VIX较高时，市场倾向于反转[58]。 **因子具体构建过程**：若50ETF近5日收益率<0，且指标分位数>70%，则看多持续20日，分数为1。若50ETF近5日收益率>0，且指标分位数>70%，则看空持续20日，分数为-1[58]。 20. **因子名称**：期权SKEW指数[62] **因子构建思路**：反映了期权投资者对于未来标的偏度的预期与市场情绪，可用作反转指标[62]。 **因子具体构建过程**：若50ETF近5日收益率<0，且指标分位数>70%，则看多持续20日，分数为1。若50ETF近5日收益率>0，且指标分位数<30%，则看空持续20日，分数为-1[62]。 21. **因子名称**：可转债定价偏离度[64] **因子构建思路**：可转债估值水平能体现出市场情绪，可用作反转指标[64]。 **因子具体构建过程**：计算可转债定价偏离度=转债价格/模型定价-1，并计算分数=定价偏离度×(-1)并计算过去3年zscore得到分数（定价偏离度越高，拥挤度越高，分数越低）[64]。 **公式**：$$可转债定价偏离度 = \frac{转债价格}{模型定价} - 1$$ 模型的回测效果 1. **择时雷达六面图综合模型**，当前综合打分为-0.06分[1][8] 因子的回测效果 1. **货币方向因子**，当前分数为1分[12][16] 2. **货币强度因子**，当前分数为-1分[15][16] 3. **信用方向因子**，当前分数为1分[18][10] 4. **信用强度因子**，当前分数为0分[21][10] 5. **增长方向因子**，当前分数为1分[22][10] 6. **增长强度因子**，当前分数为-1分[26][10] 7. **通胀方向因子**，当前分数为1分[27][10] 8. **通胀强度因子**，当前分数为0分[30][10] 9. **席勒ERP**，当前分数为0.18分[31][10] 10. **PB**，当前分数为-0.39分[35][10] 11. **AIAE**，当前分数为-0.66分[37][10] 12. **两融增量**，当前分数为-1分[40][10] 13. **成交额趋势**，当前分数为-1分[43][10] 14. **中国主权CDS利差**，当前分数为1分[46][10] 15. **海外风险厌恶指数**，当前分数为1分[48][10] 16. **价格趋势**，当前分数为0分[51][53][10] 17. **新高新低数**，当前分数为-1分[54][10] 18. **期权隐含升贴水**，当前分数为1分[57][10] 19. **期权VIX指数**，当前分数为1分[58][10] 20. **期权SKEW指数**，当前分数为-1分[62][10] 21. **可转债定价偏离度**，当前分数为-1.00分[64][10]

量化模型与构建方式 1. A股景气指数模型 **模型名称**：A股景气指数[33] **模型构建思路**：以上证指数归母净利润同比为Nowcasting目标构建高频景气指数，用于追踪A股景气周期[33] **模型具体构建过程**： 1. 选取上证指数归母净利润同比作为核心观测目标 2. 采用Nowcasting方法构建高频指数 3. 通过时间序列分析识别景气周期转折点 4. 指数数值反映景气度水平，上升表示景气改善[33] 2. A股情绪指数模型 **模型名称**：A股情绪指数[37] **模型构建思路**：基于市场波动率和成交额变化方向构造情绪指数，包含见底预警与见顶预警功能[37] **模型具体构建过程**： 1. 将市场按波动率和成交额变化方向划分为四个象限： - 波动上-成交下：显著负收益 - 其他三个象限：显著正收益 2. 根据象限划分构造情绪指数 3. 见底预警指数基于价格信号（波动率） 4. 见顶预警指数基于成交量信号（成交额） 5. 综合信号由两个子信号组合生成[37][40][42] 3. 风格因子模型 **模型名称**：BARRA风格因子模型[60] **模型构建思路**：参照BARRA因子模型框架，构建十大类风格因子描述市场风险特征[60] **模型具体构建过程**： 1. 构建十大类风格因子包括： - 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） - 杠杆（LVRG） 2. 计算各因子暴露度和纯因子收益 3. 用于组合绩效归因分析和风格暴露监控[60] 4. 指数增强模型 **模型名称**：中证500增强组合[48] **模型构建思路**：通过量化模型构建超越中证500指数的投资组合[48] **模型具体构建过程**： 1. 基于多因子模型选股 2. 优化组合权重 3. 控制跟踪误差 4. 定期调整持仓[48][50] **模型名称**：沪深300增强组合[55] **模型构建思路**：通过量化模型构建超越沪深300指数的投资组合[55] **模型具体构建过程**： 1. 基于多因子模型选股 2. 优化组合权重 3. 控制跟踪误差 4. 定期调整持仓[55][56] 模型的回测效果 1. 中证500增强组合 - 本周收益：-1.96%[48] - 本周超额收益：-0.11%（跑输基准）[48] - 2020年至今超额收益：50.56%[48] - 最大回撤：-4.99%[48] 2. 沪深300增强组合 - 本周收益：-0.38%[55] - 本周超额收益：+0.43%（跑赢基准）[55] - 2020年至今超额收益：38.85%[55] - 最大回撤：-5.86%[55] 量化因子与构建方式 1. 风格因子体系 **因子名称**：十大类风格因子[60] **因子构建思路**：基于BARRA框架构建全面描述市场风险特征的因子体系[60] **因子具体构建过程**： 1. **市值因子（SIZE）**：基于总市值的规模因子 2. **BETA因子**：衡量个股相对于市场的系统性风险 3. **动量因子（MOM）**：基于历史价格表现的动量效应 4. **残差波动率因子（RESVOL）**：剔除市场影响后的特异波动率 5. **非线性市值因子（NLSIZE）**：市值因子的非线性变换 6. **估值因子（BTOP）**：基于账面市值比的价值因子 7. **流动性因子（LIQUIDITY）**：衡量股票流动性的指标 8. **盈利因子（EARNINGS_YIELD）**：衡量公司盈利能力的指标 9. **成长因子（GROWTH）**：衡量公司成长性的指标 10. **杠杆因子（LVRG）**：衡量公司财务杠杆水平的指标[60] 2. 行业因子 **因子构建思路**：构建行业纯因子收益，衡量各行业相对市场市值加权组合的超额收益[61] **因子具体构建过程**： 1. 按行业分类计算纯因子收益 2. 相对市场市值加权组合计算超额收益 3. 监控各行业因子表现[61][66] 因子的回测效果 1. 近期风格因子表现 - **Beta因子**：超额收益较高[61] - **动量因子**：呈较为显著的负向超额收益[61] - **非线性市值因子**：呈较为显著的负向超额收益[61] - **价值因子**：表现不佳[61] - **盈利因子**：表现不佳[61] 2. 风格因子相关性 从因子暴露相关性来看（近一周）：[62] - 流动性因子与Beta、动量、残差波动率呈现明显正相关性 - 价值因子与Beta、残差波动率、流动性等因子呈现明显负相关性 - 市值因子与非线性市值因子相关性为0.515 - Beta因子与流动性因子相关性为0.523 - 动量因子与残差波动率因子相关性为0.630 - 价值因子与盈利因子相关性为0.521 3. 行业因子表现 - **表现较好行业因子**：电力设备、有色金属[61] - **回撤较多行业因子**：国防军工、保险、计算机[61]

量化模型与构建方式 1. 模型名称：央国企高分红30组合 模型构建思路：聚焦央国企高分红股票，构建稳健+成长风格的投资组合[15] 模型具体构建过程：从央国企股票池中筛选高分红标的，结合分红率、企业性质等指标，最终选定30只股票构成组合[15] 模型评价：防御属性较强，在震荡市中表现相对稳健[5][16] 2. 模型名称：攻守兼备红利50组合 模型构建思路：构建兼具防御和进攻性的红利策略组合[15] 模型具体构建过程：从红利股票池中选取50只标的，综合考虑分红稳定性、成长性和估值等因素[15] 3. 模型名称：电子均衡配置增强组合 模型构建思路：通过均衡配置电子行业个股实现超越行业指数的收益[6][15] 模型具体构建过程：在电子行业内进行多维度选股，均衡配置各细分领域标的，构建增强组合[6][15] 模型评价：防御属性较强，在行业回调时表现相对稳健[6][35] 4. 模型名称：电子板块优选增强组合 模型构建思路：聚焦电子行业成熟期细分赛道龙头企业[15] 模型具体构建过程：筛选电子行业中进入成熟期的细分领域，选择龙头企业构建优选组合[15] 模型评价：防御属性较强，在行业分化时能跑出超额收益[6][35] 模型的回测效果 1. 央国企高分红30组合，周度超额收益0.01%[25] 2. 攻守兼备红利50组合，周度未能跑赢基准[25] 3. 电子均衡配置增强组合，周度超额收益0.81%[35] 4. 电子板块优选增强组合，周度超额收益1.48%[35] 量化因子与构建方式 1. 因子名称：分红率因子 因子构建思路：基于上市公司现金分红比例的估值因子[13] 因子具体构建过程：计算公司年度现金分红总额与市值的比值，筛选高分红标的[13] 2. 因子名称：红利低波因子 因子构建思路：结合分红特征和波动率控制的复合因子[22] 因子具体构建过程：在红利因子的基础上，加入波动率筛选条件，选择低波动高分红标的[22] 3. 因子名称：红利增长因子 因子构建思路：关注具有分红增长潜力的成长性因子[22] 因子具体构建过程：分析公司分红历史增长情况，结合盈利增长预期，筛选具有分红增长潜力的标的[22] 4. 因子名称：红利价值因子 因子构建思路：结合分红特征和价值评估的复合因子[22] 因子具体构建过程：在红利因子的基础上，加入估值指标如PE、PB等，筛选具有价值属性的高分红标的[22] 因子的回测效果 1. 中证红利低波动100指数，周度超额收益0.14%[22] 2. 中证红利潜力指数，周度超额收益0.42%[22] 3. 中证红利价值指数，周度超额收益-0.12%[22] 4. 深证红利指数，周度超额收益0.45%[22]

量化模型与构建方式 1. 宽基形态择时策略模型 - **模型名称**：宽基形态择时策略模型 - **模型构建思路**：基于宽基指数成分股的形态信号（看多/看空）构建多空比率剪刀差，用于判断宽基指数的择时信号[16] - **模型具体构建过程**： 1. 对宽基指数成分股每日计算形态信号（正面或负面信号）[13] 2. 计算每日看多形态成分股数量（$N_{\text{bull}}$）和看空形态成分股数量（$N_{\text{bear}}$）[16] 3. 如果当日没有看多形态成分股，则$N_{\text{bull}}=0$；如果当日没有看空形态成分股，则$N_{\text{bear}}=0$[16] 4. 计算多空形态剪刀差： $$\text{ScissorDiff} = N_{\text{bull}} - N_{\text{bear}}$$ 5. 计算多空形态剪刀差比率： $$\text{ScissorRatio} = \frac{N_{\text{bull}} - N_{\text{bear}}}{N_{\text{bull}} + N_{\text{bear}}}$$ 如果$N_{\text{bull}} + N_{\text{bear}} = 0$，则$\text{ScissorRatio} = 0$[16] 6. 根据剪刀差比率数值判断择时信号（看多、中性或看空）[14][15] 2. 行业形态择时策略模型 - **模型名称**：行业形态择时策略模型 - **模型构建思路**：基于行业指数成分股的形态信号构建多空比率剪刀差，用于判断行业指数的择时信号[16] - **模型具体构建过程**： 1. 对行业指数成分股每日计算形态信号（正面或负面信号）[13] 2. 计算每日看多形态成分股数量（$N_{\text{bull}}$）和看空形态成分股数量（$N_{\text{bear}}$）[16] 3. 如果当日没有看多形态成分股，则$N_{\text{bull}}=0$；如果当日没有看空形态成分股，则$N_{\text{bear}}=0$[16] 4. 计算多空形态剪刀差： $$\text{ScissorDiff} = N_{\text{bull}} - N_{\text{bear}}$$ 5. 计算多空形态剪刀差比率： $$\text{ScissorRatio} = \frac{N_{\text{bull}} - N_{\text{bear}}}{N_{\text{bull}} + N_{\text{bear}}}$$ 如果$N_{\text{bull}} + N_{\text{bear}} = 0$，则$\text{ScissorRatio} = 0$[16] 6. 根据剪刀差比率数值判断行业择时信号（看多、中性或看空）[17][18] - **模型评价**：中信一级行业的多空形态剪刀差择时模型中，择时模型跑赢各自行业指数比率为100%，模型的历史回溯表现非常优秀[16] 3. 隐含波动率模型 - **模型名称**：隐含波动率模型 - **模型构建思路**：采用Heston模型计算近月平值期权的隐含波动率作为市场的恐慌指数，反映市场参与者对未来波动性的预期[9] - **模型具体构建过程**： 1. 使用Heston模型计算近月平值期权的隐含波动率[9] 2. 隐含波动率计算公式基于Heston随机波动率模型： $$dS_t = \mu S_t dt + \sqrt{v_t} S_t dW_t^1$$ $$dv_t = \kappa (\theta - v_t) dt + \sigma \sqrt{v_t} dW_t^2$$ 其中$S_t$为资产价格，$v_t$为波动率，$\mu$为资产收益率，$\kappa$为波动率回归速度，$\theta$为长期波动率，$\sigma$为波动率波动率，$dW_t^1$和$dW_t^2$为相关布朗运动[9] 3. 通过市场期权价格反推隐含波动率[9][10] 4. 特殊K线形态识别模型 - **模型名称**：特殊K线形态识别模型 - **模型构建思路**：识别六种特殊K线形态（金针探底、火箭发射、满江红、上吊线、天堂线和乌云线）作为择时信号[23] - **模型具体构建过程**： 1. **金针探底形态**： - 出现在下跌趋势中，有一根较长下影线的K线[25] - 振幅要求：该K线的振幅需要大于5%[25] - 位置要求：该K线需要出现在过去20个交易日的低位[25] - 下影线长度：K线的下影线长度超过80%[25] - 开盘价和收盘价：该K线的收盘价和开盘价相同（十字星）[25] 2. **火箭发射形态**：具体定义未在报告中详细说明[23] 3. **满江红形态**：具体定义未在报告中详细说明[23] 4. **上吊线形态**：具体定义未在报告中详细说明[23] 5. **天堂线形态**：具体定义未在报告中详细说明[23] 6. **乌云线形态**：具体定义未在报告中详细说明[23] - **模型评价**：金针探底、火箭发射、满江红有较好的正向提醒效果[23] 5. 券商金股形态策略模型 - **模型名称**：券商金股形态策略模型 - **模型构建思路**：结合券商月度金股推荐和形态学信号，在券商推荐后出现形态学买点时买入，持有到当月月底[28] - **模型具体构建过程**： 1. 获取券商月度金股推荐列表[28] 2. 监控金股是否出现形态学买点信号[28] 3. 在出现买点信号的第二个交易日买入[28] 4. 持有组合到当月月底[28] 5. 计算组合收益和风险指标[28] 模型的回测效果 1. 宽基形态择时策略模型 - **上证50(000016.SH)**：策略年化收益11.8%，策略最大回撤-21.81%，指数年化收益3.67%，指数最大回撤-50.77%[14] - **恒生等权重(HSEWI.HI)**：策略年化收益7.55%，策略最大回撤-36.04%，指数年化收益0.68%，指数最大回撤-54.52%[14] - **恒生指数(HSI.HI)**：策略年化收益9.12%，策略最大回撤-43.97%，指数年化收益0.76%，指数最大回撤-55.51%[14] - **恒生可持续发展企业指数(HSSUS.HI)**：策略年化收益8.01%，策略最大回撤-35.34%，指数年化收益1.79%，指数最大回撤-50.95%[15] - **恒生香港35(HSHK35.HI)**：策略年化收益10.63%，策略最大回撤-38.69%，指数年化收益1.29%，指数最大回撤-46.28%[15] 2. 行业形态择时策略模型 - **电力设备及新能源(CI005011.WI)**：策略年化收益23.14%，策略最大回撤-41.7%，指数年化收益5.23%，指数最大回撤-70.51%[17] - **纺织服装(CI005017.WI)**：策略年化收益16.61%，策略最大回撤-42.64%，指数年化收益0.79%，指数最大回撤-74.22%[18] - **消费者服务(CI005015.WI)**：策略年化收益15.42%，策略最大回撤-53.53%，指数年化收益6.13%，指数最大回撤-73.29%[18] 量化因子与构建方式 1. 形态信号因子 - **因子名称**：形态信号因子 - **因子构建思路**：基于K线形态识别技术，生成正面（看多）或负面（看空）信号[13] - **因子具体构建过程**： 1. 对每只股票每日计算K线形态[13] 2. 根据预设的形态规则判断是否为正面信号或负面信号[13] 3. 统计每日正面信号和负面信号的出现次数[13] 4. 计算未来高点胜率和未来低点胜率[13] 2. 连续看多信号因子 - **因子名称**：连续看多信号因子 - **因子构建思路**：识别连续出现多日看多信号的股票[19] - **因子具体构建过程**： 1. 对每只股票每日计算形态信号[13] 2. 统计连续出现看多信号的天数[19] 3. 标记连续4根或5根看多信号的股票[19][20][21] 3. 特殊形态信号因子 - **因子名称**：特殊形态信号因子 - **因子构建思路**：识别六种特殊K线形态（金针探底、火箭发射、满江红、上吊线、天堂线和乌云线）作为信号[23] - **因子具体构建过程**： 1. 对每只股票每日计算K线形态[23] 2. 根据每种特殊形态的定义规则进行匹配[23][25] 3. 标记出现特殊形态信号的股票[23][27] 因子的回测效果 1. 形态信号因子 - **正面信号**：2025年8月25日到2025年8月29日共出现2442次，未来高点平均胜率为28.76%[13] - **负面信号**：2025年8月25日到2025年8月29日共出现3750次，未来低点平均胜率为70.79%[13] 2. 特殊形态信号因子 - **火箭发射形态**：优德精密(300549.SZ)于20250902出现该信号[27] - **箭在弦上形态**：汇成真空(301392.SZ)于20250903出现该信号[27] - **凤还巢形态**：明志科技(688355.SH)于20250905出现该信号[27] 3. 券商金股形态信号因子 - **仙琚制药(002332.SZ)**：长蜡烛形态，20250901出现信号[29] - **捷捷微电(300623.SZ)**：母子线形态，20250905出现信号[29] - **宁德时代(300750.SZ)**：短蜡烛形态，20250903出现信号[29] - **协创数据(300857.SZ)**：长蜡烛形态，20250905出现信号[29] - **复星医药(600196.SH)**：风高浪大线形态，20250903出现信号[29]

这是一份关于量化市场追踪周报的总结，报告主要描述了市场状况和资金流向，但并未详细阐述具体的量化模型或量化因子的构建过程、公式及回测效果。报告内容侧重于市场数据统计和描述性分析，而非模型或因子本身的构建与测试。因此，以下总结将主要基于报告中的描述性内容进行归纳。 量化模型与构建方式 1. **模型名称**：主动权益基金仓位测算模型[22][25] **模型构建思路**：通过分析公募基金的持仓数据，估算其股票仓位水平，以反映市场情绪和配置动向。 **模型具体构建过程**：模型筛选合格样本基金（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%），并采用持股市值加权的方法计算平均仓位。其核心计算公式为估算的仓位水平，但报告中未提供具体的数学公式。 **模型评价**：该模型是监测公募基金市场行为和市场情绪的重要工具。 2. **模型名称**：主力/主动资金流划分模型[51] **模型构建思路**：根据同花顺的资金划分标准，将市场资金按成交单的大小和金额进行分类，以分析不同资金类型的流向。 **模型具体构建过程**：模型依据成交量和成交金额对资金进行划分： - 特大单：成交量 ≥ 20万股 或 成交金额 ≥ 100万元 - 大单：6万股 ≤ 成交量 < 20万股 或 30万元 ≤ 成交金额 < 100万元 或 成交量占流通盘 ≥ 0.1% - 中单：1万股 ≤ 成交量 < 6万股 或 5万元 ≤ 成交金额 < 30万元 - 小单：成交量 < 1万股 或 成交金额 < 5万元 **模型评价**：该模型提供了分析市场资金结构和主力动向的框架。 模型的回测效果 （报告中未提供相关模型的回测绩效指标，如年化收益率、夏普比率、最大回撤等。） 量化因子与构建方式 （报告中未涉及基于个股或组合特征构建的量化因子，如价值、动量、质量等因子。） 因子的回测效果 （报告中未提供任何量化因子的回测绩效指标，如IC值、IR值、因子收益率等。）

根据提供的研报内容，总结其中涉及的量化模型与因子如下： 量化模型与构建方式 1. **模型名称**：行业拥挤度监测模型[3] * **模型构建思路**：对申万一级行业指数的拥挤度进行每日监测，以识别市场过热或过冷的行业[3] * **模型具体构建过程**：报告未提供该模型具体的构建公式和详细计算步骤，仅提及其输出结果为行业拥挤度水平[3] * **模型评价**：报告未提供明确的定性评价 2. **模型名称**：溢价率 Z-score 模型[4] * **模型构建思路**：通过滚动测算ETF产品的溢价率Z-score，来筛选存在潜在套利机会的标的[4] * **模型具体构建过程**：报告未提供该模型具体的构建公式和详细计算步骤，仅提及其核心是计算溢价率的Z-score[4] * **模型评价**：报告未提供明确的定性评价 模型的回测效果 （报告中未提供相关模型的量化回测指标结果） 量化因子与构建方式 1. **因子名称**：行业拥挤度[3] * **因子构建思路**：通过模型计算得到，用于衡量申万一级行业的交易拥挤程度[3] * **因子具体构建过程**：作为行业拥挤度监测模型的输出结果，但具体计算过程未在报告中披露[3] * **因子评价**：报告未提供明确的定性评价 2. **因子名称**：溢价率 Z-score[4] * **因子构建思路**：用于衡量ETF价格相对于其净值（IOPV）的偏离程度，并经过标准化处理[4] * **因子具体构建过程**：作为溢价率 Z-score 模型的核心输入，但具体计算公式未在报告中披露[4] * **因子评价**：报告未提供明确的定性评价 因子的回测效果 （报告中未提供相关因子的IC、IR等量化有效性指标结果） 其他相关数据与指标 （以下为报告中展示的监测结果数据，非模型或因子本身的回测表现） * **行业拥挤度监测结果 (数据截止: 2025/9/4)**[3][10] * 拥挤度较高行业：有色金属、电力设备 * 拥挤度较低行业：交通运输、煤炭、建筑装饰 * 拥挤度变动较大行业：国防军工、汽车 * **主力资金流向 (近3个交易日合计, 数据截止: 2025/9/4)**[2][11] * 主力资金净流出前三大行业：电子(-441.99亿元)、计算机(-423.01亿元)、通信(-286.02亿元) * 主力资金净流入行业：商贸零售(+2.74亿元) * **ETF产品关注信号 (基于溢价率 Z-score 模型, 数据截止: 2025/9/4)**[4][12] * 建议关注标的：生物医药ETF(159859.SZ)、传媒ETF(159805.SZ)、上证50ETF博时(510710.SH)、国防军工ETF(512810.SH)、集成电路ETF(562820.SH)

量化模型与因子总结 量化因子与构建方式 1. **因子名称**：250日新高距离 **因子构建思路**：通过计算当前收盘价与过去250日最高价的相对距离，来衡量股票或指数接近历史高点的程度，用于捕捉趋势强度和动量效应[11] **因子具体构建过程**： 对于给定时间点t，计算： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中， - \(Closet\) 为最新收盘价 - \(ts\_max(Close, 250)\) 为过去250个交易日收盘价的最大值 若最新收盘价创出新高，则该值为0；若较新高回落，则为正值，表示回落幅度[11] 2. **因子名称**：平稳创新高股票筛选因子 **因子构建思路**：综合多项指标，从创新高股票中筛选出具有平稳动量特征的股票，结合分析师关注度、股价强弱、路径平滑性等多维度[24][26] **因子具体构建过程**： 筛选条件包括： - 分析师关注度：过去3个月买入或增持评级的分析师研报不少于5份[26] - 股价相对强弱：过去250日涨跌幅位于全市场前20%[26] - 股价平稳性：在满足上述条件的股票池内，用以下两个指标综合打分，取排名在前50%的股票[26] - 价格路径平滑性：股价位移路程比，计算公式为： $$\frac{过去120日涨跌幅的绝对值}{过去120日日涨跌幅绝对值加总}$$[24] - 创新高持续性：过去120日的250日新高距离在时间序列上的均值[26] - 趋势延续性：过去5日的250日新高距离在时间序列上的均值，取排序靠前的50只[26] 因子回测效果 1. **250日新高距离因子**，在主要指数中的应用效果（截至2025年9月5日）： - 上证指数：1.83% - 深证成指：1.86% - 沪深300：1.40% - 中证500：2.76% - 中证1000：3.41% - 中证2000：3.64% - 创业板指：0.00% - 科创50：7.04%[12] 2. **平稳创新高股票筛选因子**，筛选出的股票表现（截至2025年9月5日）： - 筛选出50只平稳创新高股票，包括胜宏科技、生益电子、工业富联等[27] - 科技板块入选19只，周期板块入选13只[27] - 电子行业在科技板块中创新高最多，基础化工行业在周期板块中创新高最多[27]

量化模型与构建方式 本报告未涉及具体的量化模型或量化因子的构建、测试及评价内容[1][2][3][4][6][7][8][9][10][11][12][13][14][15][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44][45][46][47][48][49][50][51][52][54][55][56][57][58][59][60][61][62][63][64][65][66][67][68][69][70][71][72] 模型的回测效果 本报告未涉及任何量化模型的回测效果指标[1][2][3][4][6][7][8][9][10][11][12][13][14][15][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44][45][46][47][48][49][50][51][52][54][55][56][57][58][59][60][61][62][63][64][65][66][67][68][69][70][71][72] 量化因子与构建方式 本报告未涉及具体的量化因子构建、测试及评价内容[1][2][3][4][6][7][8][9][10][11][12][13][14][15][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44][45][46][47][48][49][50][51][52][54][55][56][57][58][59][60][61][62][63][64][65][66][67][68][69][70][71][72] 因子的回测效果 本报告未涉及任何量化因子的回测效果指标[1][2][3][4][6][7][8][9][10][11][12][13][14][15][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44][45][46][47][48][49][50][51][52][54][55][56][57][58][59][60][61][62][63][64][65][66][67][68][69][70][71][72]

量化模型与构建方式 本报告为ESG动态跟踪月报，主要关注监管动态、市场趋势与产品发行情况，未涉及具体的量化模型或因子构建细节[2][3][4][5]。因此，本部分无相关内容。 模型的回测效果 本报告未涉及任何量化模型的回测测试及效果展示[2][3][4][5]。因此，本部分无相关内容。 量化因子与构建方式 本报告为ESG动态跟踪月报，主要关注监管动态、市场趋势与产品发行情况，未涉及具体的量化因子构建细节[2][3][4][5]。因此，本部分无相关内容。 因子的回测效果 本报告未涉及任何量化因子的回测测试及效果展示[2][3][4][5]。因此，本部分无相关内容。

根据您提供的研报内容，经过全面梳理，总结如下： 量化模型与构建方式 1. **模型名称**：理想打新收益测算模型[3][15][18] * **模型构建思路**：在“单项目打满、100%入围”的理想假设前提下，测算不同类型投资者（A类/B类）在特定时间段内（月度/季度/年度）通过参与网下新股申购所能获得的总收益[3][15][18]。 * **模型具体构建过程**： 1. **确定研究对象**：筛选出在测算期间内所有进行了网下发行的新股[8][18]。 2. **分类处理**：将新股按其上市板块（主板、科创板、创业板）进行分类[8][18]。 3. **计算单项目收益**：对于每只新股，根据其网下发行规模、各类投资者的获配比例、上市首日涨幅等数据，计算单个账户“打满”该新股所能获得的收益[18][20]。公式可抽象为： $$单项目收益 = 网下发行规模 \times 获配比例 \times 首日涨幅$$ 4. **汇总收益**：将测算期间内所有新股的“单项目打满”收益按投资者类型（A类/B类）和板块进行加总，得到各类账户在相应时间段内的总打新收益[16][17][18]。 * **模型评价**：该模型提供了一个在完美执行策略下的理论收益上限，用于横向比较不同时期、不同板块的新股申购收益贡献度，对打新策略的收益预期具有重要参考价值[3][15][18]。 模型的回测效果 1. **理想打新收益测算模型**（2025年8月）[16][17][18] * A类账户总收益：38.96 万元 * B类账户总收益：37.55 万元 * 主板贡献收益（A类/B类）：6.42 / 6.10 万元 * 创业板贡献收益（A类/B类）：32.53 / 31.44 万元 * 科创板贡献收益（A类/B类）：0 / 0 万元 2. **理想打新收益测算模型**（2025年1月至8月累计）[17] * A类账户总收益：669.42 万元 * B类账户总收益：611.59 万元 量化因子与构建方式 1. **因子名称**：发行价让价因子[3][14][20] * **因子构建思路**：通过比较新股的发行价格与一个参考价值（“四数孰低值”）的差异，来衡量发行定价的保守或激进程度，发行价低于参考值越多，则让价幅度越大，预期上市后涨幅可能更高[3][14][20]。 * **因子具体构建过程**： 1. 获取新股的发行价格（$P_{issue}$）[20]。 2. 获取承销商投资价值研究报告等材料中确定的“四数孰低值”（$V_{reference}$），即剔除最高报价后网下投资者报价的中位数和平均数，以及公募基金、社保基金、养老金报价的中位数和平均数中的最低值[3][14]。 3. 计算让价幅度因子： $$让价幅度 = \frac{V_{reference} - P_{issue}}{V_{reference}} \times 100\%$$ 因子值越大，表明发行定价越保守，让利幅度越大。 2. **因子名称**：低股价因子[3][19][22] * **因子构建思路**：直接采用新股的发行绝对价格作为因子，认为发行价较低的股票更受散户投资者青睐，上市首日涨幅可能更高[3][14][22]。 * **因子具体构建过程**：直接使用新股的发行价格（单位：元）作为因子值[20]。 3. **因子名称**：小流通盘因子[3][19][22] * **因子构建思路**：采用新股的网下发行规模或募资总额作为因子，衡量新股的流通盘大小，认为流通盘较小的股票更容易在上市初期被资金推动，涨幅可能更大[3][18][22]。 * **因子具体构建过程**：直接使用新股的网下发行规模（单位：亿元）或募资总额（单位：亿元）作为因子值，值越小代表流通盘越小[18][20]。 因子的回测效果 *（注：本研报未提供上述单个因子的分层回测表现、IC序列、多空收益等量化指标值。报告主要通过案例分析和历史统计数据来定性说明因子的有效性。）* 1. **案例佐证**（2025年8月）： * **广东建科**：发行价6.56元（低股价因子）[20]，发行价较“四数孰低值”让价超10%（发行价让价因子）[3][14]，网下发行规模1.97亿元（小流通盘因子）[20]，最终上市首日涨幅达409.80%[14][20]。 * **汉桑科技**：网下发行规模2.60亿元（小流通盘因子）[20]，上市首日涨幅220.36%[14][20]。 * **天富龙**：网下发行规模2.97亿元[20]，上市首日涨幅188.12%[14][20]。 2. **历史统计佐证**： * 2024年10月新股首日涨幅一度超10倍，2025年以来主板新股平均首日涨幅维持100%以上[22]。 * 2025年8月，低股价、小流通盘新股表现亮眼，带动当月上市新股平均首日涨幅达272.76%[3][14]。