量化模型与构建方式 1 模型名称：扩散指数行业轮动模型[3][23][24]；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，选择扩散指数排名靠前的行业进行配置[24][36]；模型具体构建过程：首先，计算每个中信一级行业的扩散指数，该指数反映了行业内个股价格走势的强弱程度；然后，每周或每月跟踪各行业扩散指数的数值及其变化，并选择扩散指数排名前六的行业作为当期配置建议[25][28]；模型评价：该模型在趋势性行情中表现较好，能有效捕捉行业动量，但在市场风格切换至反转行情时可能面临失效风险[24][36] 2 模型名称：GRU因子行业轮动模型[3][6][31]；模型构建思路：基于分钟频量价数据，利用GRU（门控循环单元）深度学习网络生成行业因子，以把握短期交易信息并进行行业轮动[31][37]；模型具体构建过程：首先，收集各行业的分钟频量价数据；然后，将这些数据输入到GRU深度学习网络中进行训练，以生成GRU行业因子；最后，根据GRU行业因子的数值进行排序，选择因子排名靠前的行业进行配置[6][32][34]；模型评价：该模型对短周期行情有较好的自适应能力，但在长周期表现一般，且可能因极端行情而失效[31][37] 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3.68%[3][23][28] 2 GRU因子行业轮动模型，2025年以来超额收益-7.53%[3][31][34] 量化因子与构建方式 1 因子名称：行业扩散指数[3][5][25]；因子的构建思路：通过量化行业内个股价格走势的强弱来构建一个综合指标，用以衡量行业的整体趋势强度[24][36]；因子具体构建过程：对于每个中信一级行业，计算其成分股中价格处于上涨趋势的股票比例或使用其他类似方法合成一个0到1之间的指数，数值越高代表行业趋势越强[25][26] 2 因子名称：GRU行业因子[3][6][32]；因子的构建思路：利用GRU深度学习模型处理高频量价数据，提取能够预测行业短期表现的因子[31][37]；因子具体构建过程：使用各行业的分钟频量价数据作为输入特征，通过训练好的GRU网络模型输出一个因子得分，该得分反映了模型对该行业未来表现的预测[32][37] 因子的回测效果 1 行业扩散指数因子，截至2025年9月26日，在通信行业的取值为0.949，在有色金属行业的取值为0.927，在银行业的取值为0.897，在电子行业的取值为0.864，在汽车行业的取值为0.859，在综合行业的取值为0.811[5][25] 2 GRU行业因子，截至2025年9月26日，在钢铁行业的取值为3.15，在房地产行业的取值为2.6，在建材行业的取值为2.08，在石油石化行业的取值为1.85，在交通运输行业的取值为0.81，在电力及公用事业的取值为0.01[6][32]

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[25][26] - **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，选择扩散指数排名靠前的行业进行配置[26][38] - **模型具体构建过程**： 1. 选取中信一级行业作为标的[27] 2. 计算每个行业的扩散指数，扩散指数反映了行业价格趋势的强度[27] 3. 定期（如月度）选择扩散指数排名前六的行业作为配置组合[26][30] 4. 具体配置行业根据最新扩散指数值确定，例如2025年9月配置行业为综合、有色金属、通信、银行、传媒、商贸零售[26][30] 2. GRU因子行业轮动模型 - **模型名称**：GRU因子行业轮动模型[33][34] - **模型构建思路**：基于分钟频量价数据，通过GRU（门控循环单元）深度学习网络生成行业因子，捕捉交易信息中的规律进行行业轮动[34][38] - **模型具体构建过程**： 1. 使用分钟频量价数据作为输入[38] 2. 通过GRU深度学习网络处理数据，生成每个行业的GRU因子值[34][38] 3. GRU因子值反映了行业短期的动量或交易信号[34] 4. 定期（如周度）选择GRU因子排名靠前的行业作为配置组合，例如调入煤炭、调出房地产[36] 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：2.76%[25][30] - 2025年9月以来超额收益：-1.88%[30] - 本周超额收益：-1.41%[30] 2. GRU因子行业轮动模型 - 2025年以来超额收益：-7.78%[33][36] - 2025年9月以来超额收益：-0.10%[36] - 本周超额收益：-0.38%[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[27] - **因子构建思路**：通过计算行业价格数据的扩散指数，衡量行业趋势强度[27] - **因子具体构建过程**： 1. 获取中信一级行业的价格数据[27] 2. 计算每个行业的扩散指数值，具体计算方法未详细说明，但扩散指数值介于0到1之间，值越高表示趋势越强[27] 3. 例如，截至2025年9月19日，有色金属行业的扩散指数为0.978，银行行业为0.968[27] 2. GRU行业因子 - **因子名称**：GRU行业因子[34] - **因子构建思路**：基于GRU深度学习网络处理分钟频量价数据，生成代表行业短期动量的因子[34][38] - **因子具体构建过程**： 1. 输入分钟频量价数据到GRU网络[38] 2. 网络输出每个行业的GRU因子值，值越高表示行业动量越强[34] 3. 例如，截至2025年9月19日，有色金属行业的GRU因子值为7.4，石油石化行业为5.38[34] 因子的回测效果 （注：报告中未提供因子的独立回测指标，如IC、IR等，仅提供了基于因子构建的模型回测结果）

根据提供的研报内容，以下是量化模型和因子的详细总结： 量化模型与构建方式 1. **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，通过行业扩散指数捕捉行业趋势，选择向上趋势的行业进行配置[24] - **模型具体构建过程**： 1. 计算各中信一级行业的扩散指数，反映行业价格趋势强度 2. 选择扩散指数排名靠前的行业作为配置标的 3. 每月进行轮动调仓，配置扩散指数提升较大的行业[25][26] - **模型评价**：在趋势性行情中表现较好，但在市场反转时可能失效[24] 2. **模型名称：GRU因子行业轮动模型** - **模型构建思路**：基于GRU深度学习网络，利用分钟频量价数据生成行业因子，捕捉短期交易机会[30] - **模型具体构建过程**： 1. 使用GRU网络处理行业分钟频量价数据 2. 输出行业因子得分，反映行业短期动量特征 3. 选择GRU因子得分较高的行业进行配置[31][32] - **模型评价**：在短周期表现较好，但长周期表现一般，极端行情可能失效[30] 量化因子与构建方式 1. **因子名称：行业扩散指数** - **因子构建思路**：衡量行业价格趋势强度，反映行业动量特征[25] - **因子具体构建过程**： 1. 计算行业价格序列的扩散指标 2. 标准化处理得到扩散指数，取值范围0-1 3. 指数越高表示行业趋势越强[26] 2. **因子名称：GRU行业因子** - **因子构建思路**：通过GRU网络提取行业量价特征，反映短期交易信号[31] - **因子具体构建过程**： 1. 输入行业分钟频量价数据到GRU网络 2. 网络输出行业因子得分，得分越高表示短期动量越强[32] 模型的回测效果 1. **扩散指数行业轮动模型** - 2025年8月超额收益1.51%[28] - 2025年以来超额收益1.75%[28] 2. **GRU因子行业轮动模型** - 2025年8月超额收益-1.78%[33] - 2025年以来超额收益-6.66%[33] 因子的回测效果 1. **行业扩散指数** - 截至2025年8月15日，排名前六的行业扩散指数值： - 综合金融1.0 - 钢铁1.0 - 非银行金融0.999 - 综合0.998 - 有色金属0.997 - 通信0.997[25] 2. **GRU行业因子** - 截至2025年8月15日，排名前六的GRU因子值： - 有色金属5.67 - 非银行金融4.65 - 建材4.14 - 房地产4.08 - 钢铁3.64 - 基础化工2.71[31]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **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，通过行业扩散指数捕捉行业趋势，选择趋势向上的行业进行配置[27] - **模型具体构建过程**： 1. 计算各中信一级行业的扩散指数，反映行业价格趋势强度 2. 选择扩散指数排名靠前的行业作为配置标的 3. 每月进行轮动调仓，动态调整行业配置[27] - **模型评价**：在趋势行情中表现优异，但在市场反转时可能失效[27][37] 2. **模型名称：GRU因子行业轮动模型** - **模型构建思路**：基于GRU深度学习网络，利用分钟频量价数据生成行业因子，捕捉短期交易信号[33][38] - **模型具体构建过程**： 1. 使用GRU网络处理高频量价数据，提取行业特征 2. 生成GRU行业因子，反映行业短期动量 3. 选择因子排名靠前的行业进行配置，每周调仓[33][36] - **模型评价**：擅长把握短期交易机会，但长周期表现一般，极端行情下可能失效[33][38] 量化因子与构建方式 1. **因子名称：行业扩散指数** - **因子构建思路**：衡量行业价格趋势的强度，用于识别动量较强的行业[27][28] - **因子具体构建过程**： 1. 计算行业价格序列的扩散指标 2. 标准化处理得到扩散指数，范围在0到1之间 3. 指数越接近1，表示行业趋势越强[28][29] 2. **因子名称：GRU行业因子** - **因子构建思路**：通过GRU网络提取行业量价特征，生成因子得分[33][34] - **因子具体构建过程**： 1. 输入行业分钟频量价数据到GRU网络 2. 输出行业因子得分，正得分表示看涨，负得分表示看跌[34][36] 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：-0.41%[26][31] - 2024年超额收益：-5.82%[27] - 2023年超额收益：-4.58%[27] - 2022年超额收益：6.12%[27] 2. **GRU因子行业轮动模型** - 2025年以来超额收益：-4.35%[33][36] - 本周超额收益：0.65%[36] - 8月以来超额收益：0.32%[36] 因子的回测效果 1. **行业扩散指数** - 最新排名靠前的行业：综合金融(1.0)、钢铁(1.0)、建材(1.0)[28][29] - 环比提升较大的行业：煤炭(+0.683)、石油石化(+0.396)[29][30] 2. **GRU行业因子** - 最新排名靠前的行业：钢铁(2.82)、建材(1.72)、交通运输(1.3)[34][36] - 环比提升较大的行业：钢铁、建材、交通运输[34][36]

根据提供的证券研究报告内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **扩散指数行业轮动模型** - 模型构建思路：基于价格动量原理，通过跟踪行业扩散指数捕捉行业趋势[24] - 具体构建过程： 1. 计算各中信一级行业的扩散指数，数值范围0-1，反映行业趋势强度 2. 每周跟踪指数排名，选择扩散指数最高的6个行业作为配置标的[25] 3. 指数计算公式： $$ DI_{i,t} = \frac{Rank(EMA(P_{i,t}, n))}{N} $$ 其中$P_{i,t}$为行业i在t时刻的价格，n为平滑周期，N为行业总数[26] - 模型评价：在趋势行情中表现优异，但反转行情易失效[24] 2. **GRU因子行业轮动模型** - 模型构建思路：基于GRU神经网络处理分钟频量价数据，生成行业因子[31] - 具体构建过程： 1. 输入层：行业分钟级成交价、成交量、买卖盘数据 2. 隐藏层：3层GRU网络结构，每层128个神经元 3. 输出层：生成30维行业因子向量，数值越大表示看涨概率越高[32] 4. 每周选择因子排名前6的行业配置[34] - 模型评价：短周期预测能力强，但对政策变化敏感[37] 模型的回测效果 1. **扩散指数模型** - 2025年累计超额收益：-0.45%[23] - 周度超额收益：-1.78%（2025/7/25当周）[28] - 月度超额收益：-3.47%（2025/7月）[28] 2. **GRU因子模型** - 2025年累计超额收益：-4.25%[31] - 周度超额收益：1.61%（2025/7/25当周）[35] - 月度超额收益：1.34%（2025/7月）[35] 量化因子与构建方式 1. **行业扩散因子** - 构建思路：反映行业价格趋势强度的标准化指标[25] - 具体构建： - 取行业指数20日EMA - 在全行业范围内进行百分位排名 - 标准化至0-1区间[26] 2. **GRU行业因子** - 构建思路：通过深度学习提取的量价特征[32] - 具体构建： - 输入5日分钟级量价序列 - 经GRU网络提取128维特征 - 全连接层输出单因子值[34] 因子的回测效果 1. **行业扩散因子** - 头部行业取值：综合金融(1.0)、钢铁(1.0)[25] - 尾部行业取值：电力及公用事业(0.534)、石油石化(0.692)[25] - 周度变化最大：煤炭(+0.49)、交通运输(+0.218)[27] 2. **GRU行业因子** - 头部行业取值：银行(3.3)、房地产(0.58)[32] - 尾部行业取值：综合金融(-48.92)、食品饮料(-42.89)[32] - 周度变化最大：医药(+18位)、电力及公用事业(+17位)[32]

量化模型与构建方式 1. **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，选择趋势向上的行业进行配置[25] - **模型具体构建过程**： 1. 计算各中信一级行业的扩散指数，反映行业价格趋势强度 2. 扩散指数公式： $$ DI_t = \frac{N_{up}}{N_{up} + N_{down}} $$ 其中，\( N_{up} \)为行业成分股中价格上涨的股票数量，\( N_{down} \)为价格下跌的股票数量[26] 3. 选择扩散指数排名前六的行业作为配置标的[26] - **模型评价**：在趋势性行情中表现优异，但在市场反转时可能失效[25] 2. **模型名称：GRU因子行业轮动模型** - **模型构建思路**：基于GRU（门控循环单元）深度学习网络，利用分钟频量价数据生成行业因子，捕捉短期交易信号[33] - **模型具体构建过程**： 1. 输入分钟级行业量价数据（如成交量、收益率等） 2. 通过GRU网络提取时序特征，输出行业因子得分 3. 根据因子得分排名选择前六的行业配置（如银行、交通运输等）[34] - **模型评价**：短周期自适应能力强，但长周期表现不稳定，极端行情可能失效[38] --- 量化因子与构建方式 1. **因子名称：行业扩散指数因子** - **因子构建思路**：通过统计行业内个股价格变动方向的比例，量化行业趋势强度[26] - **因子具体构建过程**： 1. 对每个中信一级行业，计算当日上涨股票数量占比 2. 标准化为0-1区间，1表示全部成分股上涨，0表示全部下跌[26] 2. **因子名称：GRU行业因子** - **因子构建思路**：利用GRU网络从高频量价数据中提取行业动量特征[34] - **因子具体构建过程**： 1. 对行业分钟频数据（如收益率、波动率）进行归一化 2. 输入GRU网络训练，输出因子得分（如银行因子得分为2.68）[34] --- 模型的回测效果 1. **扩散指数行业轮动模型** - 2025年累计超额收益：1.48%[25] - 周度超额收益（2025/7/18）：-1.61%[29] - 7月以来超额收益：-1.62%[29] 2. **GRU因子行业轮动模型** - 2025年累计超额收益：-5.75%[33] - 周度超额收益（2025/7/18）：-1.27%[36] - 7月以来超额收益：-0.30%[36] --- 因子的回测效果 1. **行业扩散指数因子** - 当前排名前六行业得分：综合金融(1.0)、综合(0.998)、非银行金融(0.996)[26] - 周度环比提升最大行业：消费者服务(+0.224)、食品饮料(+0.208)[28] 2. **GRU行业因子** - 当前排名前六行业得分：银行(2.68)、交通运输(2.42)、有色金属(-0.87)[34] - 周度环比提升最大行业：建材、银行、综合金融[34]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **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，捕捉行业趋势变化，选择向上趋势的行业进行配置[26] - **模型具体构建过程**： 1. 计算各中信一级行业的扩散指数，反映行业价格趋势强度 2. 选择扩散指数排名靠前的行业作为配置标的 3. 每月进行轮动调整，配置前六名行业[26][27] - **模型评价**：在趋势行情中表现优异，但在市场反转时可能失效[26][38] 2. **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，捕捉短期交易信号[33][39] - **模型具体构建过程**： 1. 使用GRU网络处理行业量价数据 2. 输出行业因子得分，反映行业短期动量 3. 每周调整配置，选择因子得分最高的行业[33][36] - **模型评价**：短周期表现较好，长周期稳定性一般，极端行情可能失效[33][39] 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：2.05%[26] - 本周超额收益：-0.81%[30] - 7月以来超额收益：-1.00%[30] 2. **GRU因子行业轮动模型** - 2025年以来超额收益：-4.52%[33] - 本周超额收益：0.29%[37] - 7月以来超额收益：0.77%[37] 量化因子与构建方式 1. **因子名称：扩散指数** - **因子构建思路**：衡量行业价格趋势强度，反映行业动量[26][27] - **因子具体构建过程**： 1. 计算行业价格序列的扩散指标 2. 标准化处理得到0-1之间的扩散指数 3. 指数越高代表趋势越强[27][28] 2. **因子名称：GRU行业因子** - **因子构建思路**：通过GRU网络提取行业量价特征，生成因子得分[33][36] - **因子具体构建过程**： 1. 输入行业分钟频量价数据 2. 通过GRU网络进行特征提取 3. 输出行业因子得分，得分越高代表短期动量越强[36] 因子的回测效果 1. **扩散指数** - 最新排名前六行业：综合金融(1.0)、综合(0.998)、通信(0.995)、非银行金融(0.987)、传媒(0.975)、计算机(0.973)[27] - 环比提升前六行业：煤炭(0.318)、石油石化(0.297)、钢铁(0.278)、家电(0.099)、电力及公用事业(0.091)、电力设备及新能源(0.073)[29] 2. **GRU行业因子** - 最新排名前六行业：煤炭(1.77)、钢铁(1.08)、建筑(0.72)、银行(0.19)、交通运输(0.18)、电力及公用事业(0.14)[36] - 环比提升较大行业：煤炭、钢铁、建筑[33]

量化模型与构建方式 1. **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，通过行业扩散指数捕捉行业趋势[28] - 模型具体构建过程： 1. 计算中信一级行业的扩散指数，反映行业价格趋势强度 2. 选择扩散指数排名靠前的行业作为配置标的 3. 每月进行行业轮动调整[31] - 模型评价：在趋势性行情中表现优异，但在市场反转时可能失效[37] 2. **模型名称：GRU因子行业轮动模型** - 模型构建思路：基于GRU深度学习网络，利用分钟频量价数据生成行业因子[34] - 模型具体构建过程： 1. 使用GRU网络处理高频量价数据 2. 输出行业因子得分，反映行业短期动量 3. 每周进行行业轮动调整[36] - 模型评价：擅长捕捉短期交易机会，但对政策变化不敏感[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：0.37%[26] - 6月以来超额收益：4.59%[31] - 本周超额收益：2.48%[31] 2. **GRU因子行业轮动模型** - 2025年以来超额收益：-4.76%[34] - 6月以来超额收益：-0.55%[36] - 本周超额收益：-0.82%[36] 量化因子与构建方式 1. **因子名称：行业扩散指数** - 因子构建思路：通过价格动量衡量行业趋势强度[28] - 因子具体构建过程： 1. 计算各行业价格序列的扩散指标 2. 标准化处理得到0-1区间的扩散指数[29] 2. **因子名称：GRU行业因子** - 因子构建思路：利用深度学习提取量价特征[34] - 因子具体构建过程： 1. GRU网络处理分钟级量价数据 2. 输出行业因子得分，数值范围无固定上下限[35] 因子的回测效果 1. **行业扩散指数** - 当前最高值：非银行金融(1.0)、综合金融(1.0)[28] - 当前最低值：煤炭(0.214)[29] - 周环比最大提升：食品饮料(+0.453)[30] 2. **GRU行业因子** - 当前最高值：纺织服装(3.7)[34] - 当前最低值：汽车(-16.31)[34] - 周环比最大提升：纺织服装[34]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **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，通过行业扩散指数捕捉行业趋势，选择向上趋势的行业进行配置[27] - **模型具体构建过程**： 1. 计算各中信一级行业的扩散指数，反映行业价格动量强度 2. 选择扩散指数排名靠前的行业作为配置标的 3. 每月进行轮动调仓，2025年6月建议配置非银行金融、银行等6个行业[31] - **模型评价**：在趋势行情中表现优异，但在反转行情中可能失效[28] 2. **模型名称：GRU因子行业轮动模型** - **模型构建思路**：基于GRU深度学习网络，利用分钟频量价数据生成行业因子，捕捉短期交易机会[34] - **模型具体构建过程**： 1. 通过GRU网络处理历史量价数据 2. 输出各行业的GRU因子得分，反映短期交易信号 3. 选择因子得分高的行业进行配置，2025年6月调入非银行金融等6个行业[35] - **模型评价**：短周期表现较好，但对极端行情适应性有限[39] 模型的回测效果 1. **扩散指数行业轮动模型** - 2025年6月超额收益：1.99%（月度）[31] - 2025年以来超额收益：0.37%[31] - 本周超额收益：0.79%[31] 2. **GRU因子行业轮动模型** - 2025年6月超额收益：0.25%[37] - 2025年以来超额收益：-3.83%[37] - 本周超额收益：0.25%[37] 量化因子与构建方式 1. **因子名称：行业扩散指数** - **因子构建思路**：通过标准化处理行业价格动量指标，生成0-1区间的扩散指数[28] - **因子具体构建过程**： 1. 计算各行业价格动量指标（如相对强度） 2. 进行标准化处理：$$ DI_i = \frac{x_i - min(x)}{max(x) - min(x)} $$ 3. 截至2025/6/20，综合金融扩散指数为1.0（最高），煤炭为0.174（最低）[28] 2. **因子名称：GRU行业因子** - **因子构建思路**：通过GRU网络提取量价特征，生成行业排序因子[35] - **因子具体构建过程**： 1. 输入分钟频量价数据至GRU网络 2. 输出行业因子得分，截至2025/6/20，煤炭得分3.48（最高），通信得分-17.95（最低）[35] 因子的回测效果 1. **行业扩散因子** - 周度Rank IC：石油石化环比提升0.09（最高），农林牧渔下降0.229（最低）[30] 2. **GRU行业因子** - 周度Rank IC：非银行金融环比提升显著，通信因子下降幅度最大[36]

根据研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **扩散指数模型** - **模型构建思路**：通过监测微盘股指数成分股未来N天股价涨跌幅的临界点，判断市场变盘时机[6][17][18] - **具体构建过程**： - 横轴设定未来N天股价涨跌幅范围（从+10%到-10%） - 纵轴设定回顾窗口期长度T（20天至10天），N=20-T - 计算扩散指数值（如横轴0.95与纵轴15天对应值0.07，表示未来5天若成分股跌5%则扩散指数为0.07）[6][17] - **模型评价**：适用于监测市场调整深度，但需注意成分股每日更新带来的指数天然下行趋势[6][17] 2. **小市值低波50策略** - **模型构建思路**：在微盘股成分股中筛选小市值且低波动的50只股票，双周调仓[16][36] - **具体构建过程**： - 筛选标准：市值排名后50%且历史波动率最低的50只股票 - 基准：万得微盘股指数（8841431.WI），费用双边千三[16][36] - **模型评价**：策略在2024年收益7.07%（超额-2.93%），2025年YTD收益43.44%，本周超额-0.53%[16][36] --- 模型的回测效果 1. **扩散指数模型** - 当前扩散指数值：0.34（横轴20，纵轴1.00）[6][17] - 信号触发： - 首次阈值法（左侧交易）：2025年5月8日触发空仓信号[6][18] - 延迟阈值法（右侧交易）：2025年5月15日触发空仓信号（阈值0.8975）[6][18] - 双均线法（自适应交易）：2025年6月11日触发空仓信号[6][18] 2. **小市值低波50策略** - 2024年收益：7.07%（超额-2.93%）[16] - 2025年YTD收益：43.44%（本周超额-0.53%）[16] --- 量化因子与构建方式 1. **微盘股成分股因子** - **因子列表及本周rankIC**： - 过去一年波动率因子：0.171（历史平均-0.033） - 贝塔因子：0.145（历史平均0.004） - 对数市值因子：0.138（历史平均-0.033） - 非线性市值因子：0.138（历史平均-0.033） - 非流动性因子：0.125（历史平均0.038） - 动量因子：-0.241（历史平均-0.005） - 10天自由流通市值换手率因子：-0.175（历史平均-0.06）[5][16][33] --- 因子的回测效果 1. **微盘股因子表现** - 正向RankIC因子：波动率、贝塔、市值类因子本周显著正向选股[5][33] - 负向RankIC因子：动量、换手率、盈利类因子本周负向选股[5][33] --- 其他关键指标 1. **市场宽度监控** - 全市场宽度值：0.514（定义为全市场个股过去20日跑赢沪深300的比例）[76] 2. **风险指标** - 微盘股成分股市值中位数：20.54亿元（历史分位数69.89%）[63][64] - PB中位数：2.27（历史分位数23.51%）[65][66] （注：部分内容如日历效应、基金表现等未涉及模型/因子，故未纳入总结）