量化模型与构建方式 1. **模型名称：A股仓位择时策略（波段模型与短线模型）**[1] * **模型构建思路：** 综合运用波段模型和短线模型对A股市场进行择时，以判断市场整体仓位水平。波段模型用于捕捉中期趋势，短线模型用于捕捉短期信号。[1] * **模型具体构建过程：** 报告未详细描述具体构建过程，但提及模型会输出看多或看空信号，并综合考量后给出仓位建议。例如，波段模型在特定日期后首次转为较高仓位，短线模型则对不同宽基指数（如中证1000、沪深300、中证500）分别进行判断。[1] 2. **模型名称：A股多空择时策略**[11][16] * **模型构建思路：** 构建一个基于沪深300股指期货的多空策略，旨在通过择时获取超越单纯持有多头的收益。[16] * **模型具体构建过程：** 报告未详细描述具体构建过程，但从图表名称和净值曲线可知，该模型会生成做多或做空的交易信号，并据此构建投资组合。[16] 3. **模型名称：A股小微盘择时策略**[11][18] * **模型构建思路：** 对A股市场中的小微盘风格进行择时判断，以决定是否超配或低配该风格。[11][18] * **模型具体构建过程：** 报告未详细描述具体构建过程，但根据最新观点，该模型在一月份维持看多大盘的判断。[29] 4. **模型名称：A股红利成长择时策略**[11][21] * **模型构建思路：** 在红利（价值）和成长两种风格之间进行轮动择时，以捕捉不同市场环境下的风格收益。[11][21] * **模型具体构建过程：** 报告未详细描述具体构建过程，但提供了该策略与基准（等权配置创业板指和中证红利全收益指数）的历史业绩对比。策略逻辑是在创业板指和中证红利全收益指数之间进行轮动选择。[19] * **模型评价：** 从历史回测看，该轮动策略相比等权配置基准和单一风格指数，在累计收益、年化收益、风险调整后收益（Sharpe比率）等方面均有显著提升，最大回撤也得到较好控制。[19] 5. **模型名称：美股择时策略**[11][22] * **模型构建思路：** 对美股市场（以标普500指数为代表）进行择时，模型可能包含杠杆做多、做空、持仓（反弹）等多种信号。[11][22] * **模型具体构建过程：** 报告未详细描述具体构建过程，但从图表可知，模型会生成“2倍开多信号”、“做空（空仓）信号”、“持仓（反弹）信号”等，并据此构建不同杠杆或方向的头寸。[22] 6. **模型名称：黄金择时策略**[11][23] * **模型构建思路：** 对黄金价格走势进行择时，以决定黄金资产的配置仓位。[11][23] * **模型具体构建过程：** 报告未详细描述具体构建过程，但提及该策略包含长期仓位和短期交易仓位，并根据信号调整总体仓位水平。[5][29] 7. **模型名称：行业轮动策略**[6][29] * **模型构建思路：** 在一月份推荐使用行业轮动策略，根据资金面、市场情绪等因素在不同行业间进行切换，以获取超额收益。[6][29] * **模型具体构建过程：** 报告未详细描述具体构建过程，但给出了行业选择的建议方向，如半导体设备、机器人、化工等。[5][29] 模型的回测效果 1. **A股红利成长择时策略（轮动策略）**[19] * 累计收益：377.37% * 年化收益：17.54% * 最大回撤：27.08% * 年化波动率：22.95% * 年化Sharpe比率：0.76 * Calmar比率：0.65 2. **A股红利成长择时策略（基准：等权配置创业板指与中证红利）**[19] * 累计收益：60.61% * 年化收益：5.02% * 最大回撤：35.22% * 年化波动率：20.69% * 年化Sharpe比率：0.24 * Calmar比率：0.14 3. **创业板指（单一风格基准）**[19] * 累计收益：17.70% * 年化收益：1.70% * 最大回撤：57.05% * 年化波动率：28.51% * 年化Sharpe比率：0.06 * Calmar比率：0.03 4. **中证红利全收益（单一风格基准）**[19] * 累计收益：93.59% * 年化收益：7.07% * 最大回撤：27.08% * 年化波动率：17.42% * 年化Sharpe比率：0.41 * Calmar比率：0.26 量化因子与构建方式 * 本报告中未明确提及具体的量化因子构建细节。

量化模型与因子总结 量化模型与构建方式 1. **模型名称：DecompGRU多头选股模型**[7] * **模型构建思路**：基于DecompGRU深度学习模型对个股进行打分，选取得分最高的股票构建多头组合，以获取超额收益[7]。 * **模型具体构建过程**： 1. 模型基础：采用《AI+HI系列（7）：DecompGRU：基于趋势分解的时序+截面端到端模型》中提出的DecompGRU模型架构[7]。 2. 股票池：中证全指成分股[7]。 3. 组合构建：每周首个交易日，根据上周五收盘后更新的模型因子值，等权重买入集成打分最高的200只股票[7]。 4. 调仓规则：周频调仓[7]。 5. 交易限制：买入时剔除涨跌停、停牌股票，不考虑交易成本[7]。 6. 业绩基准：中证全指等权指数[7]。 2. **模型名称：DecompGRU ETF轮动模型**[10] * **模型构建思路**：将DecompGRU模型对个股的得分聚合至行业或主题ETF，构建一个ETF轮动组合[10]。 * **模型具体构建过程**： 1. ETF池：限定在行业、主题型ETF。若多个ETF跟踪同一指数，则保留5日成交额均值最大的一只[10]。 2. 流动性筛选：调仓时要求ETF最近5日的日均成交额大于2000万，最近20日日均成交额大于1000万[10]。 3. 组合构建：将个股模型得分聚合至ETF，根据得分进行轮动[10]。 4. 调仓规则：周度不定期调仓，每期持仓ETF数量在2-6只[10]。 5. 业绩基准：万得ETF指数[10]。 量化因子与构建方式 1. **因子名称：个股总热度**[14] * **因子构建思路**：从行为金融学角度，利用用户行为数据（浏览、自选、点击）构建个股层面的关注度指标，作为市场情绪的代理变量[14]。 * **因子具体构建过程**： 1. 数据来源：同花顺基于用户行为数据得到的个股热度指标[14]。 2. 计算方法：取股票的浏览、自选与点击次数之和，以同一日在全市场占比的方式进行归一化，再将归一化后的数值乘以10000[14]。 3. 公式：$$个股总热度 = \frac{个股（浏览+自选+点击）次数}{全市场（浏览+自选+点击）次数总和} \times 10000$$[14] 4. 取值范围：指标取值区间为[0, 10000][14]。 2. **衍生因子：宽基/行业/概念总热度**[14][15][26][35] * **因子构建思路**：将个股总热度指标按照所属的宽基指数、申万行业或概念板块进行聚合，得到更高层面的情绪热度代理变量[14]。 * **因子具体构建过程**： 1. **宽基热度**：将全A样本按沪深300、中证500、中证1000、中证2000及“其他”分组，对每组内所有成分股的“个股总热度”指标进行求和，得到各宽基指数的热度[15]。 2. **行业热度**：采用相同方法，对申万一级、二级行业内所有成分股的“个股总热度”指标进行求和，得到行业热度[26]。 3. **概念热度**：采用相同方法，对每个概念板块内所有成分股的“个股总热度”指标进行求和，得到概念热度[35]。 3. **衍生因子：热度变化率（MA2）**[18][20][26] * **因子构建思路**：计算宽基、行业或概念总热度的周度变化率，并取2周移动平均（MA2）进行平滑，以捕捉市场关注度的边际变化趋势[18][20][26]。 * **因子具体构建过程**： 1. 计算每周的总热度值。 2. 计算周度热度变化率：$$热度变化率_t = \frac{总热度_t - 总热度_{t-1}}{总热度_{t-1}}$$ 3. 对计算出的周度变化率序列取2周移动平均（MA2）进行平滑[18][20][26]。 模型的回测效果 （数据统计区间：2025年3月31日至2025年12月31日[9]） 1. **DecompGRU多头选股模型**，累计绝对收益60.48%，相对全指等权超额收益34.62%，最大回撤10.08%，周度胜率67.50%，月度胜率100%[9]。2025年12月单月绝对收益7.57%，超额收益5.46%[9]。 2. **DecompGRU ETF轮动模型**，累计绝对收益26.23%，相对基准（万得ETF指数）超额收益1.56%，最大回撤7.82%，周度胜率60.98%，月度胜率66.67%[12][13]。2025年12月单月绝对收益2.35%，超额收益-1.51%[13]。 因子的回测效果 1. **宽基热度动量组合**（基于热度变化率MA2的轮动策略）：策略自2017年以来年化收益率8.74%，最大回撤23.5%[23]。2025年累计收益为36.8%，同期基准（宽基等权组合）收益为35%[23]。 2. **高热度概念+低热度个股组合**（BOTTOM组）：历史回测年化收益15.71%，最大回撤28.89%[41]。2025年以来累计收益41.8%[41]。

量化模型与构建方式 1. **模型名称：利率价量多周期择时模型**[9] * **模型构建思路**：使用核回归算法捕捉不同投资周期下的利率趋势形态，识别支撑线和阻力线，并根据利率走势对这两条线的突破情况，生成多周期复合择时信号[9]。 * **模型具体构建过程**： 1. 对特定期限（如5年、10年、30年）的国债到期收益率（YTM）时间序列数据，分别应用核回归算法，以拟合出代表长期、中期、短期趋势的平滑曲线[9]。 2. 在每条趋势线（支撑线或阻力线）的上下方，根据历史波动率设定一个阈值通道[9]。 3. 当利率走势向上突破阻力线通道时，生成“向上突破”信号；当利率走势向下突破支撑线通道时，生成“向下突破”信号；若未发生突破，则为“无信号”[9][12][14]。 4. 对长、中、短三个周期分别独立判断突破信号[9]。 5. 综合三个周期的信号进行投票：统计“向上突破”和“向下突破”的总票数[5][9]。 6. 生成最终综合信号：若某一方向的突破总票数达到或超过2票（即总周期数2/3），则生成明确的看多或看空信号；否则，信号为“中性震荡”[5][9]。在特定情况下（如信号由看多转为中性但看多与看空票数未发生反转），结果可表述为“中性偏多”[14]。 2. **因子名称：利率水平结构因子**[6] * **因子构建思路**：将1至10年期的国债到期收益率序列，通过变换提取出代表整体利率水平的结构性指标，用于从均值回归视角判断市场位置[6]。 * **因子具体构建过程**：报告未提供具体的数学变换公式，但指出该因子是由1-10年期国债YTM数据转化而来[6]。其数值代表利率的绝对水平（例如1.58%）[6]。 3. **因子名称：利率期限结构因子**[6] * **因子构建思路**：从1至10年期的国债到期收益率序列中，提取出代表收益率曲线斜率（期限利差）的结构性指标[6]。 * **因子具体构建过程**：报告未提供具体的数学变换公式，但指出该因子是由1-10年期国债YTM数据转化而来[6]。其数值代表长短期利差（例如0.55%）[6]。 4. **因子名称：利率凸性结构因子**[6] * **因子构建思路**：从1至10年期的国债到期收益率序列中，提取出代表收益率曲线弯曲程度（凸性）的结构性指标[6]。 * **因子具体构建过程**：报告未提供具体的数学变换公式，但指出该因子是由1-10年期国债YTM数据转化而来[6]。其数值代表曲线的凸性程度（例如0.06%）[6]。 模型的回测效果 1. **基于5年期国债YTM的多周期交易策略** * 长期表现（2007.12.31至今）：年化收益率5.47%，最大回撤2.88%，收益回撤比1.9，超额收益率（相对久期等权基准）1.06%，超额收益回撤比0.61[22]。 * 短期表现（2024年底以来）：年化收益率2.1%，最大回撤0.59%，收益回撤比3.57，超额收益率0.77%，超额收益回撤比2.27[22]。 * 逐年胜率（2008年以来）：绝对收益大于0的概率100%，超额收益大于0的概率100%[22]。 2. **基于10年期国债YTM的多周期交易策略** * 长期表现（2007.12.31至今）：年化收益率6.04%，最大回撤2.74%，收益回撤比2.21，超额收益率1.63%，超额收益回撤比1.15[25]。 * 短期表现（2024年底以来）：年化收益率2.33%，最大回撤0.58%，收益回撤比4.03，超额收益率1.19%，超额收益回撤比3.16[25]。 * 逐年胜率（2008年以来）：绝对收益大于0的概率100%，超额收益大于0的概率100%[25]。 3. **基于30年期国债YTM的多周期交易策略** * 长期表现（2007.12.31至今）：年化收益率7.32%，最大回撤4.27%，收益回撤比1.71，超额收益率2.42%，超额收益回撤比0.86[30]。 * 短期表现（2024年底以来）：年化收益率2.95%，最大回撤0.92%，收益回撤比3.22，超额收益率2.65%，超额收益回撤比3.08[30]。 * 逐年胜率（2008年以来）：绝对收益大于0的概率94.44%，超额收益大于0的概率94.44%[30]。 因子的回测效果 （报告未提供利率水平、期限、凸性结构因子的独立回测效果指标）

量化模型与构建方式 1. **模型名称：择时雷达六面图综合择时模型** * **模型构建思路**：权益市场表现受多维度因素影响，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刻画市场，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，最终生成一个综合择时分数[1][6]。 * **模型具体构建过程**： 1. **单指标打分**：对每个底层指标，根据其构建规则计算出一个介于-1到1之间的分数，代表看空、中性或看多信号[9]。 2. **维度综合**：将同一维度（如流动性）下的多个指标分数进行综合（具体综合方法未在本文中详述），得到该维度的综合得分[1][8]。 3. **大类综合**：将六个维度进一步归类为四大类（估值性价比、宏观基本面、资金&趋势、拥挤度&反转），并计算各大类的综合分数[1][7]。 4. **最终综合打分**：基于四大类分数，最终生成一个介于[-1,1]之间的综合择时分数[1][6]。 量化因子与构建方式 1. **因子名称：货币方向因子** * **因子构建思路**：判断当前货币政策的方向，通过比较货币政策工具利率与短端市场利率相对于过去一段时期的变化方向来实现[10]。 * **因子具体构建过程**：选取央行使用的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[10]。 * 若货币方向因子 > 0，则判断货币政策宽松，发出看多信号，分数为1。 * 若货币方向因子 < 0，则判断货币政策收紧，发出看空信号，分数为-1[10]。 2. **因子名称：货币强度因子** * **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，以判断货币环境的松紧强度[12]。 * **因子具体构建过程**： 1. 计算偏离度：$$偏离度 = DR007 / 7天逆回购利率 - 1$$[12]。 2. 对偏离度进行平滑与z-score标准化，形成货币强度因子[12]。 3. 设定阈值进行打分： * 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[12]。 3. **因子名称：信用方向因子** * **因子构建思路**：表征商业银行对实体经济的信贷传导松紧，使用中长期贷款指标的变化趋势来判断[15]。 * **因子具体构建过程**： 1. 取中长期贷款当月值。 2. 计算过去十二个月的增量。 3. 计算该增量的同比值，得到信用方向因子[15]。 4. 判断趋势：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[15]。 4. **因子名称：信用强度因子** * **因子构建思路**：捕捉信贷指标是否大幅超预期或不及预期，反映信用环境的强度变化[19]。 * **因子具体构建过程**： 1. 计算信用强度因子：$$信用强度因子 = (新增人民币贷款当月值 – 预期中位数) / 预期标准差$$[19]。 2. 设定阈值进行打分： * 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[19]。 5. **因子名称：增长方向因子** * **因子构建思路**：基于PMI数据判断经济增长的方向趋势[23]。 * **因子具体构建过程**： 1. 选取中采制造业PMI、中采非制造业PMI、财新制造业PMI。 2. 计算这三个PMI指标过去十二个月的均值。 3. 计算该均值的同比值，得到增长方向因子[23]。 4. 判断趋势：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[23]。 6. **因子名称：增长强度因子** * **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**： 1. 计算PMI预期差：$$PMI预期差 = (PMI – 预期中位数) / 预期标准差$$[26]。 2. 设定阈值进行打分： * 若增长强度因子（即PMI预期差）> 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** * **因子构建思路**：通过CPI和PPI的综合变化判断通胀方向，通胀下行通常意味着未来货币政策宽松空间较大，利好权益[29]。 * **因子具体构建过程**： 1. 计算通胀方向因子：$$通胀方向因子 = 0.5 × CPI同比平滑值 + 0.5 × PPI同比原始值$$[29]。 2. 判断趋势：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[29]。 8. **因子名称：通胀强度因子** * **因子构建思路**：捕捉通胀指标是否大幅超预期或不及预期[32]。 * **因子具体构建过程**： 1. 分别计算CPI与PPI的预期差：$$预期差 = (披露值 – 预期中位数) / 预期标准差$$[32]。 2. 计算CPI与PPI预期差的均值，得到通胀强度因子[32]。 3. 设定阈值进行打分： * 若通胀强度因子 < -1.5倍标准差，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[32]。 9. **因子名称：席勒ERP** * **因子构建思路**：使用经过周期平滑的盈利计算市盈率，再减去无风险利率，得到股权风险溢价，以衡量经过周期调整后的估值性价比[35]。 * **因子具体构建过程**： 1. 计算过去6年通胀调整后的平均盈利。 2. 用该平均盈利计算席勒PE。 3. 计算席勒ERP：$$席勒ERP = 1 / 席勒PE - 10年期国债到期收益率$$[35]。 4. 对席勒ERP计算过去6年的z-score作为分数[35]。 10. **因子名称：PB** * **因子构建思路**：使用市净率的倒数并标准化，作为估值衡量指标[38]。 * **因子具体构建过程**：对PB取负数（-PB），计算过去6年的z-score，再用1.5倍标准差截尾后标准化到±1之间得到分数[38]。 11. **因子名称：AIAE (全市场权益配置比例)** * **因子构建思路**：反映市场整体的风险偏好，逻辑是投资者会根据风险资产和安全资产的供应量动态调整两者价格以达到市场均衡[41]。 * **因子具体构建过程**： 1. 构建A股的AIAE指标：$$AIAE = 中证全指总流通市值 / (中证全指总流通市值 + 实体总债务)$$[41]。 2. 将AIAE取负数（-AIAE），并计算过去6年的z-score得到分数[41]。 12. **因子名称：两融增量** * **因子构建思路**：两融余额变化代表市场杠杆资金情绪，其上行通常伴随较好的市场表现[44]。 * **因子具体构建过程**： 1. 计算融资余额与融券余额的差值。 2. 计算该差值过去120日的日均增量和过去240日的日均增量。 3. 判断：若120日均增量 > 240日均增量，则看多，分数为1；反之看空，分数为-1[44]。 13. **因子名称：成交额趋势** * **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[47]。 * **因子具体构建过程**： 1. 计算对数成交额的均线距离：$$均线距离 = ma120 / ma240 - 1$$[47]。 2. 判断趋势强度： * 当均线距离的max(10日)=max(30日)=max(60日)时看多，分数为1。 * 当均线距离的min(10日)=min(30日)=min(60日)时看空，分数为-1[47]。 14. **因子名称：中国主权CDS利差** * **因子构建思路**：该利差代表海外投资者对中国经济与主权信用风险的定价，与中国PMI负相关，可作为外资流入的指代变量[50]。 * **因子具体构建过程**：对平滑后的CDS利差计算20日差分。若20日差分 < 0，说明CDS利差下降，海外投资者预期中国基本面转好，此时看多，分数为1；反之看空，分数为-1[50]。 15. **因子名称：海外风险厌恶指数 (花旗RAI指数)** * **因子构建思路**：该指数由海外期权隐波、信用利差等数据组成，能捕捉海外市场的风险偏好[53]。 * **因子具体构建过程**：对平滑后的风险厌恶指数计算20日差分。若20日差分 < 0，说明外资风险偏好上升，此时看多，分数为1；反之看空，分数为-1[53]。 16. **因子名称：价格趋势** * **因子构建思路**：使用均线距离衡量标的价格的中长期趋势方向与强度[56]。 * **因子具体构建过程**： 1. 计算均线距离：$$均线距离 = ma120 / ma240 - 1$$[56]。 2. **趋势方向分数**：当均线距离 > 0时，分数=1；反之为-1。 3. **趋势强度分数**：当均线距离的max(20日)=max(60日)时，分数为1；当min(20日)=min(60日)时，分数为-1。 4. **趋势综合分数**：$$综合分数 = (趋势方向分数 + 趋势强度分数) / 2$$[56]。 17. **因子名称：新高新低数** * **因子构建思路**：指数成分股的新高与新低个数之差可作为市场反转信号[59]。 * **因子具体构建过程**：计算中证800成分股中，过去一年新低数减去新高数，再取20日移动平均。若该值 > 0，说明近期新低较多，市场有见底预期，此时看多，分数为1；反之看空，分数为-1[59]。 18. **因子名称：期权隐含升贴水** * **因子构建思路**：基于看涨看跌平价关系推导，反映期权市场对未来标的收益率均值的预期与情绪，作为反转指标衡量市场拥挤度[63]。 * **因子具体构建过程**：设定规则进行打分： * 若50ETF近5日收益率 < 0，且该指标分位数 < 30%，则看多持续20日，分数为1。 * 若50ETF近5日收益率 > 0，且该指标分位数 > 70%，则看空持续20日，分数为-1[63]。 19. **因子名称：期权隐含波动率VIX** * **因子构建思路**：反映期权投资者对未来标的波动率的预期与市场情绪，较高时市场倾向于反转[64]。 * **因子具体构建过程**：设定规则进行打分： * 若50ETF近5日收益率 < 0，且该指标分位数 > 70%，则看多持续20日，分数为1。 * 若50ETF近5日收益率 > 0，且该指标分位数 > 70%，则看空持续20日，分数为-1[64]。 20. **因子名称：期权隐含偏度SKEW** * **因子构建思路**：反映期权投资者对未来标的偏度的预期与市场情绪，用作反转指标[69]。 * **因子具体构建过程**：设定规则进行打分： * 若50ETF近5日收益率 < 0，且该指标分位数 > 70%，则看多持续20日，分数为1。 * 若50ETF近5日收益率 > 0，且该指标分位数 < 30%，则看空持续20日，分数为-1[69]。 21. **因子名称：可转债定价偏离度** * **因子构建思路**：可转债估值水平能体现市场情绪，用作反转指标[71]。 * **因子具体构建过程**： 1. 计算可转债定价偏离度：$$定价偏离度 = 转债价格 / 模型定价 - 1$$[71]。 2. 计算分数：将定价偏离度取负数，并计算过去3年的z-score得到分数[71]。 模型的回测效果 *注：本报告未提供择时雷达六面图综合择时模型的历史回测绩效指标（如年化收益率、夏普比率、最大回撤等）。报告仅展示了截至报告发布当周（“本周”）模型及各维度、各因子的最新打分情况[6][8][9]。* 因子的回测效果 *注：本报告未提供各量化因子独立的历史回测绩效指标（如IC、IR、多空收益等）。报告仅展示了截至报告发布当周（“本周”）各因子的最新打分及信号观点[9]。* **各因子本周（报告期）打分如下：** 1. 货币方向因子， 分数：1.00[9][10] 2. 货币强度因子， 分数：0.00[9][12] 3. 信用方向因子， 分数：1.00[9][15] 4. 信用强度因子， 分数：-1.00[9][19] 5. 增长方向因子， 分数：1.00[9][23][25] 6. 增长强度因子， 分数：-1.00[9][26] 7. 通胀方向因子， 分数：-1.00[9][29] 8. 通胀强度因子， 分数：-1.00[9][32] 9. 席勒ERP， 分数：-0.05[9][37] 10. PB， 分数：-0.58[9][39] 11. AIAE， 分数：-0.91[9][41] 12. 两融增量， 分数：1.00[9][44] 13. 成交额趋势， 分数：1.00[9][47] 14. 中国主权CDS利差， 分数：1.00[9][50][51] 15. 海外风险厌恶指数， 分数：1.00[9][53] 16. 价格趋势， 分数：1.00[9][56][57] 17. 新高新低数， 分数：-1.00[9][59][60] 18. 期权隐含升贴水， 分数：-1.00[9][63] 19. 期权隐含波动率VIX， 分数：0.00[9][64] 20. 期权隐含偏度SKEW， 分数：-1.00[9][69] 21. 可转债定价偏离度， 分数：-1.00[9][71]

量化模型与构建方式 1. **模型名称：A股景气度高频指数模型**[30] * **模型构建思路**：以上证指数归母净利润同比为Nowcasting目标，构建一个能够高频反映A股整体景气度变化的指数[30] * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅提及构建目标和方法[30] 2. **模型名称：A股情绪指数系统**[35] * **模型构建思路**：基于市场波动率和成交额的变化方向来刻画市场情绪，并构建包含见底预警与见顶预警的择时系统[35] * **模型具体构建过程**： 1. 将市场状态按照波动率和成交额的变化方向划分为四个象限[35] 2. 通过历史统计发现，只有“波动率上行-成交额下行”的区间为显著负收益，其余象限均为显著正收益[35] 3. 基于此规律，分别构造了A股情绪见底预警指数和见顶预警指数[35] 4. 根据两个预警指数的信号综合判断后市观点[38][40] 3. **模型名称：主题挖掘算法**[44] * **模型构建思路**：通过处理新闻和研报文本，挖掘主题投资机会，并识别近期热度异动较高的概念[44] * **模型具体构建过程**：算法涉及多个维度，包括文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建、主题影响力因子构建等[44] 4. **模型名称：中证500增强组合模型**[44] * **模型构建思路**：构建一个旨在持续跑赢中证500指数的量化增强投资组合[44] * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅展示了其持仓和表现[44][48] 5. **模型名称：沪深300增强组合模型**[50] * **模型构建思路**：构建一个旨在持续跑赢沪深300指数的量化增强投资组合[50] * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅展示了其持仓和表现[50][53] 6. **模型名称：风格因子模型（参照BARRA）**[55] * **模型构建思路**：参照BARRA因子模型框架，对A股市场构建一套风格因子体系，用于解释股票收益和进行组合归因[55] * **模型具体构建过程**：报告列出了所构建的十大类风格因子，但未提供每个因子的具体计算公式[55]。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）[55] 模型的回测效果 1. **A股情绪指数系统择时表现**：报告通过图表展示了该系统的历史择时表现，但未给出具体的量化指标数值[43] 2. **中证500增强组合模型**：截至报告期，2020年至今，组合相对中证500指数超额收益47.54%，最大回撤-6.92%[44] 3. **沪深300增强组合模型**：截至报告期，2020年至今，组合相对沪深300指数超额收益40.14%，最大回撤-5.86%[50] 量化因子与构建方式 1. **因子体系：十大类风格因子**[55] * **因子的构建思路**：基于BARRA模型框架，识别并构建能够解释A股市场收益差异的主要风格维度[55] * **因子具体构建过程**：报告未提供每个风格因子的具体计算公式和构建细节，仅列出了因子名称[55] 因子的回测效果 1. **风格因子近期表现（近一周）**：[56] * **流动性因子**：超额收益较高[56] * **残差波动率因子**：呈较为显著的负向超额收益[56] * **Beta因子**：高Beta股表现优异[56] * **杠杆因子**：表现不佳[56] 2. **行业因子近期表现（近一周）**：[56] * **国防军工、石油石化、汽车等行业因子**：相对市场市值加权组合跑出较高超额收益[56] * **商贸零售、食品饮料、医药等行业因子**：回撤较多[56]

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[8] * **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变化趋势，综合判断市场整体走势[8] * **模型具体构建过程**：模型基于三个独立的指数进行判断[12] 1. **市场分歧度指数**：衡量市场参与者观点的离散程度，下行趋势表示市场观点趋于一致[12][17] 2. **市场流动性指数**：衡量市场资金面的宽松程度，上行表示流动性改善[12][19] 3. **A股景气度指数2.0**：衡量上市公司整体盈利增长趋势，上行表示景气度提升[12][22] 当三个维度（分歧度下行、流动性上行、景气度上行）的趋势判断一致时，给出明确的看涨或看跌信号[8] 2. 热点趋势ETF策略 * **模型名称**：热点趋势ETF策略[29] * **模型构建思路**：结合价格形态（支撑阻力）与市场短期关注度（换手率变化）筛选ETF，构建组合[29] * **模型具体构建过程**： 1. **初筛形态**：根据K线的最高价与最低价的上涨或下跌形态，先选出最高价与最低价同时为上涨形态的ETF[29] 2. **计算支撑阻力因子**：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[29] 3. **筛选高关注度标的**：在支撑阻力因子的多头组中，选择近5日换手率/近20日换手率最高的10只ETF，即短期市场关注度明显提升的标的[29] 4. **组合构建**：对最终选出的10只ETF构建风险平价组合[29] 3. ETF三策略融合模型 * **模型名称**：ETF三策略融合轮动模型[32] * **模型构建思路**：将基于基本面、质量低波、困境反转三种不同逻辑的行业轮动策略进行等权融合，实现因子与风格互补，降低单一策略风险[32] * **模型具体构建过程**： 1. **策略一：行业轮动策略**：核心因子包括超预期景气度、行业龙头效应、行业动量、拥挤度、通胀beta，旨在覆盖行业多维度特性，宏观适配性强[33] 2. **策略二：个股风格驱动策略**：核心因子包括个股动量、个股质量、个股波动率，聚焦个股质量与低波，防御性突出[33] 3. **策略三：困境反转策略**：核心因子包括PB_zscore、分析师长期预期、短期筹码交换，旨在捕捉估值修复与业绩反转机会[33] 4. **策略融合**：将上述三个策略的选股结果进行等权组合，形成最终的ETF轮动组合[32] 4. 资金流共振策略 * **模型名称**：融资-主动大单资金流共振策略[44] * **模型构建思路**：利用融资融券资金流与主动大单资金流两个维度，寻找资金形成共振效应的行业进行推荐[44][47] * **模型具体构建过程**： 1. **构建行业融资融券资金因子**：计算个股融资净买入-融券净卖出（即两融资金流）并在行业层面加总[41][44]。对该行业资金流进行barra市值因子中性化处理，然后计算其最近50日均值，最后计算该均值近两周的环比变化率[44] 2. **构建行业主动大单资金因子**：计算行业主动大单资金净流入，并对其进行最近一年成交量的时序中性化处理，得到排序分位值，最后取最近10日均值[44] 3. **策略逻辑**：研究发现，融资融券因子的多头端在不同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正向超额收益[45]。因此，策略在主动大单因子的头部打分行业内，剔除融资融券因子得分也较高的行业，以提高策略稳定性[45]。进一步剔除大金融板块后构建最终组合[45] 5. 多风格增强策略 * **模型名称**：多风格增强策略[59] * **模型构建思路**：在基础的多风格策略之上，叠加额外的增强因子，以在其他风格端增厚收益，抑制单一风格波动，实现在不同市场周期下的稳定超额收益[59] * **模型具体构建过程**：报告提及了多种具体的风格增强策略，包括质量增强、红利增强、长期成长增强、价值增强、低波增强、短期动量增强、长期动量增强策略[63]。这些策略均在对应的风格基准（如中证红利全收益、中证全指等）上，通过叠加增强因子进行优化[63] 量化因子与构建方式 1. 支撑阻力因子 * **因子名称**：支撑阻力因子[29] * **因子构建思路**：根据价格高点与低点的回归趋势陡峭程度，判断价格的支撑或阻力强度[29] * **因子具体构建过程**：分别对ETF的最高价和最低价序列计算近20日的线性回归系数，根据这两个回归系数的相对陡峭程度构建因子[29] 2. 短期关注度因子 * **因子名称**：短期关注度因子（换手率变化）[29] * **因子构建思路**：用短期换手率相对于中长期换手率的提升幅度，衡量市场关注度的短期变化[29] * **因子具体构建过程**：计算ETF的近5日平均换手率与近20日平均换手率的比值[29] 3. 行业融资融券资金因子 * **因子名称**：行业融资融券资金因子[44] * **因子构建思路**：衡量经市值调整后的行业层面两融资金流的近期变化趋势[44] * **因子具体构建过程**： 1. 计算个股的两融资金流：融资净买入 - 融券净卖出[41][44] 2. 在行业层面将个股资金流加总[44] 3. 对行业资金流进行barra市值因子中性化处理[44] 4. 计算中性化后资金流的最近50日移动平均值[44] 5. 计算该50日均值近两周的环比变化率作为最终因子值[44] 4. 行业主动大单资金因子 * **因子名称**：行业主动大单资金因子[44] * **因子构建思路**：衡量经成交量调整后的行业大单资金净流入的近期强度[44] * **因子具体构建过程**： 1. 计算行业的主动大单资金净流入[44] 2. 对该净流入进行最近一年成交量序列的时序中性化处理，并转换为排序分位值[44] 3. 取该分位值的最近10日移动平均值作为最终因子值[44] 5. 风格因子 报告跟踪了多种市场风格因子，包括： * **市值因子**[51] * **贝塔因子**[50][51] * **动量因子**[51] * **波动率因子**[51] * **非线性市值因子**[51] * **价值因子**[55] * **流动性因子**[50][55] * **盈利收益率因子**[55] * **成长因子**[50][55] * **杠杆因子**[55] 6. Alpha因子（选股因子） 报告从不同维度列举了多个Alpha因子，部分因子构建过程如下： * **3个月成交量均值因子 (ln_volume_mean_3m)**：过去3个月成交量的自然对数均值[56] * **3个月成交量标准差因子 (ln_volume_std_3m)**：过去3个月成交量的自然对数的标准差[56] * **单季度净利润同比增长（考虑快报、预告）因子 (yoy_np_q_adv)**：$$ yoy\_np\_q\_adv = \frac{NP_{q} - NP_{q-4}}{|NP_{q-4}|} $$，其中NP为单季度净利润，考虑快报和预告数据[58] * **单季度ROA同比差值（考虑快报、预告）因子 (roa_q_delta_adv)**：$$ roa\_q\_delta\_adv = ROA_{q} - ROA_{q-4} $$，其中ROA为单季度总资产收益率，考虑快报和预告数据[58] * **一致预期净利润变化（FY1）因子 (mom1_np_fy1)**：$$ mom1\_np\_fy1 = \frac{NP_{FY1}^{current} - NP_{FY1}^{1m\ ago}}{|NP_{FY1}^{1m\ ago}|} $$，其中NP_FY1为未来一年一致预测净利润[58] * **研发总资产占比因子 (tot_rd_ttm_to_assets)**：$$ tot\_rd\_ttm\_to\_assets = \frac{研发支出_{TTM}}{总资产} $$[58] * **SUE因子 (sue1)**：$$ sue1 = \frac{(NI_{q} - NI_{q-4}) - mean(NI_{t} - NI_{t-4}, t=q-7:q)}{std(NI_{t} - NI_{t-4}, t=q-7:q)} $$，其中NI为净利润，计算过去八个季度的标准化未预期盈余[58] 模型的回测效果 1. 热点趋势ETF策略 * **测试周期**：2025年以来[29] * **组合收益率**：43.6%[29] * **超额收益率（相对沪深300）**：22.4%[29] 2. ETF三策略融合轮动模型 * **测试周期**：2017年4月10日至2025年12月31日[34][37] * **全周期表现**[38]： * **组合收益率**：12.18% * **基准收益率**：2.08% * **超额收益率**：10.10% * **组合波动率**：16.54% * **信息比率(IR)**：1.07 * **最大回撤**：-24.55% * **夏普比率**：0.74 * **2025年表现**[38]： * **组合收益率**：27.29% * **基准收益率**：24.60% * **超额收益率**：2.69% 3. 融资-主动大单资金流共振策略 * **测试周期**：2018年以来[45] * **年化超额收益（费后）**：14.3%[45] * **信息比率(IR)**：1.4[45] * **近期表现（上周）**[45]： * **绝对收益率**：-0.94% * **超额收益率（相对行业等权）**：-0.95% 因子的回测效果 1. 风格因子近期表现（截至2025年12月31日） * **测试周期**：最近一周[51][55] * **市值因子收益**：-0.09%[51] * **贝塔因子收益**：1.47%[51] * **动量因子收益**：0.12%[51] * **波动率因子收益**：-0.71%[51] * **非线性市值因子收益**：0.01%[51] * **价值因子收益**：-0.89%[55] * **流动性因子收益**：0.16%[55] * **盈利收益率因子收益**：-0.78%[55] * **成长因子收益**：0.26%[55] * **杠杆因子收益**：-1.30%[55] 2. Alpha因子多头超额收益（截至2025年12月31日） * **测试周期**：近一周[56] * **3个月成交量均值因子 (ln_volume_mean_3m)**：0.68%[56] * **3个月成交量标准差因子 (ln_volume_std_3m)**：0.65%[56] * **6个月成交量均值因子 (ln_volume_mean_6m)**：0.61%[56] * **1个月与12个月成交量差值因子 (volume_1m_minus_12m)**：0.57%[56] * **1个月与12个月成交量比值因子 (volume_1m_div_12m)**：0.56%[56] * **3个月动量因子 (mom_3m)**：0.56%[56] 3. 分指数Alpha因子多头超额收益（上周，截至2025年12月31日） * **单季度ROA同比差值（考虑快报、预告）因子 (roa_q_delta_adv)**[58]： * **沪深300中超额**：28.46% * **中证500中超额**：5.09% * **中证800中超额**：18.15% * **中证1000中超额**：18.69% * **单季度净利润同比增长（考虑快报、预告）因子 (yoy_np_q_adv)**[58]： * **沪深300中超额**：24.46% * **中证500中超额**：8.23% * **中证800中超额**：17.73% * **中证1000中超额**：20.81% * **一致预期净利润变化（FY1）因子 (mom1_np_fy1)**[58]： * **沪深300中超额**：13.97% * **中证500中超额**：17.03% * **中证800中超额**：21.95% * **中证1000中超额**：9.30% * **研发总资产占比因子 (tot_rd_ttm_to_assets)**[58]： * **沪深300中超额**：11.80% * **中证500中超额**：18.21% * **中证800中超额**：20.87% * **中证1000中超额**：16.47% 4. 风格增强策略绩效（截至2025年12月31日） * **红利增强策略 (GL888002)**[63]： * **本周超额收益率（相对中证红利全收益）**：0.68% * **本年超额收益率**：14.44% * **最近一年年化收益率**：22.12% * **最近一年年化超额收益**：15.35% * **夏普比率**：1.92 * **区间最大回撤**：-5.40% * **低波增强策略 (GL888005)**[63]： * **本周超额收益率（相对中证全指）**：0.65% * **本年超额收益率**：4.37% * **最近一年年化收益率**：33.57% * **最近一年年化超额收益**：2.70% * **夏普比率**：2.67 * **区间最大回撤**：-8.73% * **长期成长增强策略 (GL888003)**[63]： * **本周超额收益率（相对中证全指）**：-0.13% * **本年超额收益率**：3.47% * **最近一年年化收益率**：34.66% * **最近一年年化超额收益**：3.80% * **夏普比率**：2.09 * **区间最大回撤**：-11.44%

量化模型与构建方式 **本报告为市场数据点评，未涉及具体的量化选股模型或预测模型的构建与测试，因此无相关内容。** 量化因子与构建方式 本报告主要统计和分析了基于融资融券（两融）数据的多个市场观测指标，这些指标可作为观察市场情绪和资金流向的因子。 1. **因子名称**：行业融资余额[19] * **因子构建思路**：统计特定时点各行业的融资余额总额，用以衡量市场对各行业的看多杠杆资金存量[19]。 * **因子具体构建过程**：在给定截止日期（如2025年12月30日），对属于同一行业的所有个股的融资余额进行求和，得到该行业的融资余额。报告展示了截至2025年12月30日各行业的融资余额分布[19]。 2. **因子名称**：行业融资余额增速[21] * **因子构建思路**：计算行业融资余额在一定时间窗口内的日均增长率，用以观察杠杆资金流入某行业的趋势和速度[21]。 * **因子具体构建过程**：选取过去N个交易日（如N=20）作为窗口期。首先，计算每个交易日的行业融资余额。然后，计算该窗口期内行业融资余额的日均增长率。具体公式可表示为窗口期首尾融资余额的对数增长率除以交易日数，或计算每日环比增长率的平均值。报告展示了截至2025年12月30日，各行业近20日的融资余额平均日增速[21]。 3. **因子名称**：行业融资净买入额[6][23] * **因子构建思路**：统计特定时间段内各行业的累计融资买入额与融资偿还额的差值，直接反映该时间段内杠杆资金对行业的净流入情况[6][23]。 * **因子具体构建过程**：在给定时间段内（如近5日），对属于同一行业的所有个股，每日计算（融资买入额 - 融资偿还额），然后对该时间段内的每日净买入额进行累计求和，得到该行业在该时间段内的累计融资净买入额。报告展示了截至2025年12月30日，各行业近5日的累计融资净买入额[6][23]。 4. **因子名称**：融资买入额占成交额比例[6][27] * **因子构建思路**：计算融资买入额在总成交额中的占比，用以衡量融资交易在行业整体交易中的活跃度或贡献度[6][27]。 * **因子具体构建过程**：对于单个行业，在特定交易日，计算该行业所有个股的融资买入总额与市场成交总额的比值。对于多日窗口期（如近5日），可以计算该比值在窗口期内的平均值。报告展示了截至2025年12月30日，各行业融资买入额占成交额比例近5日的均值[6][27]。 因子的回测效果 **本报告未对上述因子进行历史回测以计算其选股有效性指标（如IC、IR、多空收益等），因此无相关量化回测结果。报告仅展示了特定截止日（2025年12月30日）的截面数据统计结果[19][21][23][27]。**

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**[77] * **模型构建思路**：使用卷积神经网络（CNN）对个股历史价量数据构建的标准化图表进行深度学习，以识别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中，从而进行行业主题配置。[77] * **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。[77] 2. **模型训练**：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，学习能够预测未来价格走势的图表特征。[77] 3. **特征映射**：将训练好的模型学习到的特征映射到行业主题板块，识别出具有相似积极特征的板块。[77] 4. **生成配置**：根据模型识别结果，输出当前看好的行业主题及对应的具体指数。[77][79] 2. **模型名称：宏观因子事件模型**[56] * **模型构建思路**：通过跟踪一系列国内外宏观指标，定义其特定的走势事件（如短期高低点、连续涨跌等），并从历史数据中寻找那些对未来资产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。[56] * **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。[56] 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。[56] 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因子事件，即“有效因子事件”。[56] 4. **趋势分析**：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，统计在不同趋势下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。[58][59] 3. **模型名称：期权成交量看涨看跌比（CPR）模型**[49] * **模型构建思路**：通过监测上证50ETF期权成交量的看涨看跌比率（CPR）与其布林通道的相对位置，来判断蓝筹股是否存在短期超卖风险。[49] * **模型具体构建过程**： 1. **计算指标**：计算上证50ETF期权成交量的看涨看跌比率（CPR）。[49] 2. **构建通道**：计算CPR的60日布林通道（通常包含上轨、中轨、下轨）。[49] 3. **信号生成**：观察最近20个交易日的CPR是否低于60日布林通道的上轨。若低于上轨，则认为蓝筹股短期不存在超卖风险。[49] 4. **因子名称：新高新低比例因子**[34] * **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，来度量市场的极端情绪和内部结构强度。[34] * **因子具体构建过程**：分别计算创近60日新高的个股数占总个股数的比例（60日新高比例），以及创近60日新低的个股数占总个股数的比例（60日新低比例）。[34] 5. **因子名称：个股均线结构因子**[38] * **因子构建思路**：通过计算呈现特定均线多头排列与空头排列的个股数量之差占总体本的比例，来反映市场整体的技术趋势强弱。[38] * **因子具体构建过程**：计算呈现多头排列的个股数量与呈现空头排列的个股数量之差，再除以总个股数，得到“均线强弱指标”或“多头排列减空头排列个股占比”。[38] 6. **因子名称：长期均线以上比例因子**[41] * **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，用以衡量市场整体的长期趋势强弱和广度。[41] * **因子具体构建过程**：计算当前价格位于200日移动平均线之上的个股数量，再除以总个股数，得到“长期均线以上比例”。[41] 7. **因子名称：风险溢价因子**[66] * **因子构建思路**：通过计算股票市场收益率（市盈率倒数）与无风险收益率（十年期国债收益率）之差，来衡量股票资产相对于债券资产的吸引力。[66][80] * **因子具体构建过程**：采用中证全指静态市盈率（PE_TTM）的倒数作为盈利收益率（EP），减去十年期国债收益率，得到风险溢价。 $$风险溢价 = \frac{1}{PE\_{TTM}} - 十年期国债收益率$$[80] 模型的回测效果 （报告中未提供各模型的详细历史回测绩效指标，如年化收益率、夏普比率、最大回撤等具体数值。） 量化因子的回测效果 （报告中未提供各因子的详细历史回测绩效指标，如IC值、IR、多空收益等具体数值。仅提供了部分因子在最新一期的观察值。） 1. **新高新低比例因子**：截至报告期末，创近60日新高个股数占比从前一期的9.5%升至9.6%；创近60日新低个股数占比从前一期的6.4%升至10.7%。[34] 2. **个股均线结构因子**：截至报告期末，多头排列减空头排列个股占比从前一期的-22%降至-29%。[38] 3. **风险溢价因子**：截至2025年12月31日，中证全指风险溢价为2.69%，其历史均值（avg）及两倍标准差边界（avg+2*sigma, avg-2*sigma）在图表中显示。[67][80]

量化模型与构建方式 1. **模型名称：市场整体环境择时体系（均线距离模型）**[2][6] * **模型构建思路**：通过比较WIND全A指数的短期均线与长期均线的相对位置和距离，来判断市场整体是处于上行趋势还是震荡/下行趋势。[2][6] * **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）和120日移动平均线（长期均线）。[2][6] 2. 计算两条均线的距离，公式为： $$均线距离 = (短期均线 - 长期均线) / 长期均线 \times 100\%$$ 其中，短期均线为20日均线，长期均线为120日均线。[2][6] 3. 根据距离绝对值进行趋势判断：当距离绝对值大于3%时，市场处于上行趋势；否则市场可能处于震荡或下行格局。[2][6] 2. **模型名称：赚钱效应指标**[2][7][11] * **模型构建思路**：在市场被判定为上行趋势后，通过计算当前价格相对于“市场趋势线”的涨幅，来度量市场的赚钱效应，作为趋势能否延续的观测指标。[2][7][11] * **模型具体构建过程**： 1. 确定一个“市场趋势线”的参考点位（报告中未明确其计算方法，仅给出当前数值）。[2][7][11] 2. 计算赚钱效应，公式为： $$赚钱效应 = (当前指数点位 - 市场趋势线) / 市场趋势线 \times 100\%$$ 例如，当WIND全A指数点位为未知，市场趋势线位于6262点时，赚钱效应为2.71%。[2][7][11] 3. 判断标准：赚钱效应为正，则上行趋势有望延续。[2][7][11] 3. **模型名称：仓位管理模型**[7] * **模型构建思路**：综合市场的估值水平（PE、PB分位数）和短期趋势判断（来自择时体系），为绝对收益产品提供股票仓位建议。[7] * **模型具体构建过程**： 1. 评估估值水平：计算WIND全A指数的PE和PB在其历史数据中的分位数。[7] 2. 获取趋势信号：从市场整体环境择时体系获取当前市场趋势状态（上行/震荡/下行）。[7] 3. 结合估值与趋势进行综合判断，输出建议仓位。例如，当PE位于90分位点（偏高水平），PB位于50分位点（中等水平），且市场处于上行趋势时，建议仓位为80%。[7] 4. **模型名称：行业趋势配置模型**[2][5][7][11] * **模型构建思路**：该模型是一个综合框架，内部包含多个子模型，用于识别和推荐具有上行趋势或配置价值的行业板块。[2][5][7][11] * **模型具体构建过程**：报告未详细描述该综合模型的具体构建算法，但列举了其包含的子模型及其当前信号： * **中期困境反转预期模型**：信号显示关注旅游、传媒等服务型消费行业。[2][5][7][11] * **TWO BETA模型**：信号继续推荐科技板块，并特别关注AI应用和商业航天领域。[2][5][7][11] * **行业趋势模型**：信号显示通信、工业金属、储能板块延续上行趋势。[2][5][7][11] 模型的回测效果 *报告为周度观点报告，主要展示模型的最新信号和结论，未提供历史回测的详细绩效指标（如年化收益率、夏普比率、最大回撤等）。因此，本部分无具体指标取值。* 量化因子与构建方式 *本报告主要涉及择时与行业配置模型，未提及具体的个股选股因子（如价值、成长、动量、质量等因子）的构建。因此，本部分无相关内容。* 因子的回测效果 *本报告未涉及量化因子，因此本部分无相关内容。*

量化模型与构建方式 1. **模型名称：短期成交量模型**[9][11] * **模型构建思路**：基于价量关系进行短期市场择时，核心思想简单普世[9]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅提及其为八大择时模型之一，属于短期周期模型，利用了价量角度[9][11]。 2. **模型名称：特征龙虎榜机构模型**[11] * **模型构建思路**：利用龙虎榜中的机构买卖行为特征进行市场择时判断。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅提及其为短期择时模型之一[11]。 3. **模型名称：特征成交量模型**[11] * **模型构建思路**：基于成交量的某些特征进行市场择时判断。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅提及其为短期择时模型之一[11]。 4. **模型名称：智能算法沪深300模型**[11] * **模型构建思路**：应用智能算法对沪深300指数进行择时判断。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅提及其为短期择时模型之一[11]。 5. **模型名称：智能算法中证500模型**[11] * **模型构建思路**：应用智能算法对中证500指数进行择时判断。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅提及其为短期择时模型之一[11]。 6. **模型名称：中期涨跌停模型**[9][12] * **模型构建思路**：基于市场中涨跌停股票的数量或比例等特征进行中期市场择时，核心思想简单普世[9]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅提及其为八大择时模型之一，属于中期周期模型[9][12]。 7. **模型名称：上下行收益差模型**[9][11][12][14] * **模型构建思路**：通过计算市场上行收益与下行收益的差值来进行市场择时判断，可能用于衡量市场动能或情绪。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅提及其为八大择时模型之一，应用于A股和港股的中期择时[9][11][12][14]。 8. **模型名称：月历效应模型**[12] * **模型构建思路**：基于历史月份、星期等时间规律进行中期市场择时。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅提及其为中期择时模型之一[12]。 9. **模型名称：长期动量模型**[9][13] * **模型构建思路**：基于价格加速度与趋势进行长期市场择时，核心思想简单普世[9]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅提及其为八大择时模型之一，属于长期周期模型[9][13]。 10. **模型名称：A股综合兵器V3模型**[13] * **模型构建思路**：将同一周期或不同周期下的多个择时模型信号进行耦合，结合偏防御和偏进攻的模型，以达到攻守兼备的效果[9]。 * **模型具体构建过程**：报告未提供该复合模型的具体耦合方法与权重分配细节，仅说明其为综合模型[9][13]。 11. **模型名称：A股综合国证2000模型**[13] * **模型构建思路**：将同一周期或不同周期下的多个择时模型信号进行耦合，结合偏防御和偏进攻的模型，以达到攻守兼备的效果[9]。 * **模型具体构建过程**：报告未提供该复合模型的具体耦合方法与权重分配细节，仅说明其为综合模型[9][13]。 12. **模型名称：港股成交额倒波幅模型**[14] * **模型构建思路**：结合成交额与波动率（波幅）进行港股市场的中期择时判断。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅提及其为港股中期择时模型之一[14]。 13. **模型名称：形态识别模型（杯柄形态、双底形态）**[44] * **模型构建思路**：通过识别股价走势图表中的特定技术形态（如杯柄形态、双底形态）来构建股票组合，进行趋势跟踪或突破交易。 * **模型具体构建过程**：报告未提供形态识别的具体算法规则和量化定义，但展示了基于形态突破信号构建的组合及其表现[44][47][54]。 14. **模型名称：大师系列策略模型**[40] * **模型构建思路**：基于经典的价值型、成长型、综合型大师投资理念，构建量化选股策略，用于监控因子暴露和选股标准[40]。 * **模型具体构建过程**：报告未提供具体策略的构建公式和步骤，仅说明该系列包含33个策略，用于监控因子暴露[40]。 15. **模型名称：华创VIX指数模型**[42] * **模型构建思路**：复现并计算市场的波动率指数（VIX），作为判断市场情绪的参考指标，与大盘常呈负相关关系[42]。 * **模型具体构建过程**：报告提及该模型根据公开披露的VIX计算方法复现，并提供了50ETF期权、沪深300指数、300ETF的VIX计算结果，但未给出具体计算公式[42][43]。 模型的回测效果 1. **杯柄形态模型**，本周组合收益-0.19%，相对上证综指超额收益-0.32%；自2020年12月31日至今，累计收益12.55%，相对上证综指超额收益-1.73%[44]。 2. **双底形态模型**，本周组合收益-0.17%，相对上证综指超额收益-0.30%；自2020年12月31日至今，累计收益13.01%，相对上证综指超额收益-1.27%[44]。 量化因子与构建方式 * 报告主要介绍了多种择时模型和形态策略，未详细阐述用于选股的底层量化因子（如价值、成长、动量等）的具体构建方式。报告中提到的“大师策略”暴露的因子[40]，以及行业分析中涉及的“分析师上调/下调个股比例”[19][20]等可视为因子或信号，但未给出其量化定义和构建过程。 因子的回测效果 * 报告未提供具体量化因子的独立测试结果（如IC、IR、多空收益等）。