量化模型与构建方式 1. **模型名称**：钢铁相对指数趋势跟踪模型 - **模型构建思路**：基于标的价格走势的局部延续性假设，通过观察窗口内的价格变动与波动率的关系判断趋势方向[3] - **模型具体构建过程**： 1. 计算T日收盘价与T-20日收盘价的差值：$$del = P_T - P_{T-20}$$ 2. 计算T-20日至T日（不含）的波动率Vol（未明确计算方法，默认标准差或ATR） 3. 趋势信号生成规则： - 若$$|del| > N \times Vol$$（N=1），则判定为趋势形成，方向与del符号一致 - 若$$|del| \leq N \times Vol$$，则延续T-1日的趋势方向[3] - **模型评价**：在下降趋势中表现不佳，年化收益低于指数总回报，回撤持续较大，不适用于当前标的[4] 模型的回测效果 1. **钢铁相对指数趋势跟踪模型**： - 年化收益：-15.42% - 波动率（年化）：15.00% - 夏普比率：-1.03 - 最大回撤：34.62% - 指数期间总回报率：-9.08%[3] 量化因子与构建方式 （报告中未提及具体量化因子） 因子的回测效果 （报告中未提及因子测试结果） --- 注：模型效果图表（净值、回撤等）未提供具体数值，仅展示趋势[5][7][9]

量化模型与构建方式 1. **模型名称**：基础化工相对指数趋势跟踪模型 - **模型构建思路**：模型假设标的价格走势具有局部延续性，价格处于某一趋势中，反转行情持续时间较短。通过观察窗口内的价格变动方向判断趋势，排除随机波动影响[4] - **模型具体构建过程**： 1. 计算T日收盘价与T-20日收盘价的差值：$$del = P_T - P_{T-20}$$ 2. 计算T-20日至T日（不含）的波动率Vol（标准差） 3. 趋势判断规则： - 若$$|del| > N \times Vol$$，则认为形成新趋势，方向与del符号一致（N=1） - 否则延续T-1日的趋势方向[4] - **模型评价**：模型在趋势延续阶段表现良好，但在盘整或反转阶段净值下降明显，不适合直接用于基础化工指数相对值[5] 模型的回测效果 1. **基础化工相对指数趋势跟踪模型**： - 年化收益：4.65% - 年化波动率：13.39% - 夏普比率：0.35 - 最大回撤：14.51% - 指数期间总回报率：-18.74%[4] （注：报告中未提及量化因子相关内容，故跳过该部分）

量化模型与构建方式 1 模型名称：有色金属相对指数趋势跟踪模型 模型构建思路：基于价格走势的局部延续性假设，通过观察窗口内的价格变动与波动率关系判断趋势方向[3] 模型具体构建过程： - 计算T日收盘价与T-20日收盘价的差值del - 计算T-20日至T日（不含）的波动率Vol - 趋势判断规则： $$ del = Price_T - Price_{T-20} $$ $$ Vol = \sqrt{\frac{1}{19}\sum_{i=T-19}^{T-1}(Price_i - \overline{Price})^2} $$ 当|del| > 1×Vol时判定为趋势突破（N=1），方向与del符号一致；否则延续前一日趋势方向[3] 模型评价：在剧烈波动的市场环境中易产生连续错误信号，导致长时间回撤[4] 模型的回测效果 1 有色金属相对指数趋势跟踪模型： - 年化收益：-28.19% - 波动率（年化）：17.43% - 夏普率：-1.62 - 最大回撤：51.80% - 指数期间总回报率：0.99%[3] （注：报告中未涉及量化因子相关内容，故不输出该部分）

量化模型与构建方式 1 模型名称：周期分析模型 模型构建思路：通过分析市场周期波动判断反弹或调整阶段[7] 模型具体构建过程：基于历史价格数据识别周期性高低点，结合时间窗口分析趋势延续性，通过MACD等指标确认趋势衰竭信号[9] 2 模型名称：缠论分析模型 模型构建思路：利用缠论技术分析判断大盘震荡箱体位置[7] 模型具体构建过程：通过笔、线段划分识别中枢结构，结合分型理论确定箱体上下沿，计算当前价格在箱体中的相对位置[10] 3 模型名称：周期温度计 模型构建思路：量化市场波动状态的高频指标[7] 模型具体构建过程：计算标准化后的价格波动率百分位，划分三档阈值区间（下1/3为偏低水平）[7] 4 模型名称：四轮驱动模型 模型构建思路：多维度行业轮动信号生成系统[16] 模型具体构建过程： - 信号类型1（交易风险）：综合波动率与量价背离指标 - 信号类型2（赚钱效应异动）：RS6指标结合Mam/TendS参数 $$ RS6 = \frac{近6日收益率}{波动率} $$ - 信号类型3（强势上涨中继）：10日涨幅阈值与动量延续判断[16] 量化因子与构建方式 1 因子名称：美债收益率相关性因子 因子构建思路：分析美债收益率与A股风格指数的历史关联性[13] 因子具体构建过程：计算美债收益率变动与红利指数、微盘股指数的滚动120日相关系数[13] 模型的回测效果 1 周期分析模型： - 趋势延续识别准确率68%[9] - 调整区间预测误差±3%[7] 2 四轮驱动模型： - 行业信号胜率62%[16] - 交易风险信号提前1-2交易日预警[16] - 强势中继信号平均持有期收益4.2%[16] 因子的回测效果 1 美债收益率相关性因子： - 与红利指数120日相关系数0.18[13] - 与微盘股指数120日相关系数-0.12[13]

量化因子与构建方式 估值类因子 1. **因子名称**：bp - **构建思路**：衡量净资产与市值的相对关系[13] - **构建过程**：$$ bp = \frac{当前净资产}{当前总市值} $$[13] 2. **因子名称**：bp三年分位数 - **构建思路**：反映当前bp在近三年的分位水平[13] - **构建过程**：计算股票当前bp在最近三年的分位数[13] 3. **因子名称**：季度ep - **构建思路**：衡量季度净利润与净资产的关系[13] - **构建过程**：$$ 季度ep = \frac{季度净利润}{净资产} $$[13] 4. **因子名称**：季度sp - **构建思路**：衡量季度营收与净资产的关系[13] - **构建过程**：$$ 季度sp = \frac{季度营业收入}{净资产} $$[13] 盈利类因子 5. **因子名称**：季度roa - **构建思路**：反映净利润与总资产的效率关系[13] - **构建过程**：$$ 季度roa = \frac{季度净利润}{总资产} $$[13] 6. **因子名称**：季度roe - **构建思路**：衡量净利润与净资产的效率关系[13] - **构建过程**：$$ 季度roe = \frac{季度净利润}{净资产} $$[13] 成长类因子 7. **因子名称**：标准化预期外盈利 - **构建思路**：量化实际盈利与预期盈利的偏离程度[13] - **构建过程**：$$ \frac{当前季度净利润 - (去年同期单季净利润 + 过去8个季度单季净利润同比增长均值)}{过去8个季度单季净利润同比增长值的标准差} $$[13] 换手率类因子 8. **因子名称**：1个月非流动性冲击 - **构建思路**：衡量收益率绝对值与成交量的关系[13] - **构建过程**：过去20个交易日日收益率绝对值与日成交量之比的均值[13] 9. **因子名称**：1个月换手率波动 - **构建思路**：反映换手率的波动性[13] - **构建过程**：过去20个交易日换手率的标准差[13] 波动率类因子 10. **因子名称**：Fama-French三因子1月残差波动率 - **构建思路**：衡量个股收益对三因子模型残差的波动[13] - **构建过程**：过去20个交易日日收益对Fama-French三因子回归的残差标准差[13] 动量与反转类因子 11. **因子名称**：1个月反转 - **构建思路**：捕捉短期反转效应[13] - **构建过程**：过去20个交易日收益率累加[13] 因子回测效果 IC表现 1. **bp因子**：最近一周IC 0.60%，最近一月IC均值-0.14%，最近一年IC均值1.68%[9] 2. **1个月非流动性冲击因子**：最近一周IC 8.83%，最近一月IC均值4.44%，最近一年IC均值0.85%[9] 3. **小市值因子**：最近一月IC均值10.11%，最近一年IC均值3.66%[9] 多头组合表现 1. **1个月非流动性冲击因子**：最近一周超额收益显著[10] 2. **小市值因子**：最近一月超额收益10.11%[10] 3. **1个月换手率波动因子**：最近一年超额收益2.77%[10] 因子评价 - **小市值因子**：长期表现稳定，但易受市场风格切换影响[9][10] - **换手率类因子**：短期有效性高，但需注意流动性风险[9][10] - **标准化预期外盈利因子**：对盈利惊喜敏感，但受分析师预期分歧干扰[13] （注：部分因子未提及具体评价，故未列出）

报告行业投资评级 未提及 报告的核心观点 - 该模型不适合直接用于申万一级农林牧渔指数相对值 [4] 根据相关目录分别进行总结 模型概述 - 设计原理：假定标的价格走势有局部延续性，永远处于某一趋势中，反转行情持续时间小于趋势延续时间，窄幅盘整时延续之前趋势；大级别趋势中，给定短观察窗口走势延续局部趋势；趋势反转时，观察窗口始末价格变动方向超出随机波动造成的趋势背离范围以排除随机波动影响；为严谨评估模型效果默认可对标的进行多空操作 [3] - 作用标的：申万一级农林牧渔指数相对值（相对沪深 300） [3] - 标的的数据预处理规则：相对值 [3] - 模型信号维度：多空 [3] - 具体算法：计算 T 日收盘价与 T - 20 日收盘价的差 del，计算 T - 20 日至 T 日（不含）时间段的波动率 Vol；若 del 绝对值大于 N 倍的 Vol，认为当前价格脱离原有振荡区间形成趋势，趋势多空方向与 del 正负对应；若小于等于 N 倍的 Vol，认为当前走势延续，趋势方向同 T - 1 日；取 N = 1 进行跟踪；农林牧渔考虑多空两个方向的回报，将合并结果作为最终评估依据 [3] - 跟踪区间：2023 年 3 月 7 日 - 2025 年 3 月 18 日 [3] 结果评估 - 区间年化收益：-14.11% [3] - 波动率（年化）：16.16% [3] - 夏普率：-0.87 [3] - 最大回撤：31.26% [3] - 指数期间总回报率：-22.65% [3] 模型策略适用情况总结 - 2023 年 3 月 7 日至 2023 年 11 月 8 日，模型表现不佳，净值呈下降趋势，无法取得较好累计收益 [4] - 2023 年 11 月 8 日至 2024 年 3 月 18 日，模型处于正收益通道，净值达到历史最高点 [4] - 此后行情里，模型净值下行，陷入长时间回撤；模型年化收益回撤比较低，整个跟踪区间基本处于回撤中 [4]

量化模型与构建方式 1 **模型名称**：环保指数趋势跟踪模型 - **模型构建思路**：基于价格走势的局部延续性假设，通过观察窗口内的价格变动与波动率的关系判断趋势方向[3] - **模型具体构建过程**： 1. 计算T日收盘价与T-20日收盘价的差值： $$del = P_T - P_{T-20}$$ 2. 计算T-20日至T日（不含）的波动率Vol（标准差） 3. 趋势判断规则： - 若|del| > N×Vol（N=1），则认为价格脱离震荡区间，趋势方向与del符号一致（正为多头，负为空头） - 若|del| ≤ N×Vol，则延续T-1日的趋势方向[3] - **模型评价**：在趋势明显阶段表现较好，但盘整期收益平庸且回撤较大，不适合直接用于申万环保指数[4] 模型的回测效果 1 **环保指数趋势跟踪模型**： - 年化收益：16.82% - 年化波动率：24.07% - 夏普比率：0.70 - 最大回撤：27.18% - 指数同期总回报：-4.63%（2023/3/7-2025/3/18）[3] 量化因子与构建方式 （报告中未提及独立因子构建） 因子的回测效果 （报告中未涉及因子测试） 其他关键信息 - **数据预处理**：标的指数（申万一级环保指数）保留原始价格数据[3] - **信号维度**：多空双向操作（理论测试假设）[3] - **参数设置**：观察窗口20日，波动率倍数N=1（针对股票市场波动特性调整）[3]

报告核心观点 - 沪深300指数成分股呈大市值、高盈利特征，在估值、成长上的暴露较为均衡 [2] - 采用风格均衡、策略构建均衡、增加风控模块三种方式构建的组合，全区间信息比都大于1，且每年相对沪深300指数超额收益均为正 [3] - 增加风控模块方式风控最直接，组合跟踪误差最小；风格均衡、策略构建均衡两种方式，超额收益相对较高，2016年以来，滚动3年累计绝对收益率、超额收益率均为正 [4] 沪深300指数的风格特征 - 沪深300指数风格特征为偏大市值，注重公司基本面，在估值和成长上较为均衡 [16] 跑赢沪深300指数的3种组合构建方法尝试 风格均衡组合 - 价值、成长均衡组合年化超额收益13.1%，信息比1.23，除2020年与基准持平外，其余年份年化超额收益均在4%以上 [27] - 可在风格均衡组合基础上增加弹性较大的卫星组合，如健康小市值策略，构建方式为全A剔除估值最高20%的股票，在剩余股票中用9个因子多因子打分，小市值因子权重20%，其余因子权重10%，季度调仓 [30] - 配置卫星组合后，超额收益、信息比均有所提升 [32] 构建过程中的均衡 - PB - ROE组合综合估值水平和盈利能力选股，GARP组合综合估值水平和增长水平选股，两个组合构建过程保持价值和成长的均衡性，单个组合相对沪深300指数超额收益较稳定，月胜率在60%以上，复合之后分年度超额收益分布更均匀，月胜率更高 [34][37] 增加风控模块，定量约束风险 - 无约束组合超额收益波动大，约束相对基准指数的风格、行业、个股偏离可降低收益波动，风格偏离0.3、行业偏离3%、个股偏离1%的组合，相对沪深300指数年化超额9.0% [43]

量化模型与构建方式 1. **模型名称**：煤炭指数趋势跟踪模型 - **模型构建思路**：基于标的价格走势的局部延续性假设，通过观察窗口内的价格变动与波动率关系判断趋势方向[3] - **模型具体构建过程**： 1. 计算T日收盘价与T-20日收盘价的差值： $$ del = P_T - P_{T-20} $$ 2. 计算T-20日至T日（不含）的波动率（Vol），采用标准差或ATR等指标[3] 3. 趋势判断规则： - 若$|del| > N \times Vol$，则趋势方向为del的正负符号（N=1）[3] - 否则延续T-1日的趋势方向[3] - **模型评价**：在窄幅盘整或剧烈反转行情中表现较差，年化收益为负且回撤较大[4] --- 模型的回测效果 1. **煤炭指数趋势跟踪模型**： - 区间年化收益：-8.01%[3] - 波动率（年化）：22.67%[3] - 夏普比率：-0.35[3] - 最大回撤：22.79%[3] - 指数期间总回报率：-8.75%[3] --- 量化因子与构建方式 （报告中未提及独立因子构建） --- 因子的回测效果 （报告中未提及独立因子测试结果） --- 其他关键信息 - **作用标的**：申万一级煤炭指数[3] - **数据预处理**：保留原值[3] - **跟踪区间**：2023年3月7日-2025年3月18日[3] - **策略适用性**：不适用于煤炭指数直接交易，因净值下降期占比高且回撤显著[4]

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：全天候模型** - **模型构建思路**：通过技术面信号识别市场风险，预测震荡整理期[7] - **模型具体构建过程**：未披露具体公式，但基于多维度技术指标（如趋势线、波动率等）综合判断市场状态[7] - **模型评价**：对短期市场调整的预警效果较好，历史回测符合预期[7] 2. **模型名称：周期分析模型** - **模型构建思路**：监控不同级别趋势（如周线、日线）以区分短期调整与中长期趋势[7] - **模型具体构建过程**：未披露具体公式，但通过分解价格序列的周期成分（如傅里叶变换或小波分析）判断趋势持续性[7][8] - **模型评价**：有效区分短期波动与趋势反转，辅助判断市场蓄势阶段[7] 3. **模型名称：四轮驱动行业轮动模型** - **模型构建思路**：结合行业动量、拥挤度、止损信号等动态筛选优势行业[7][16] - **模型具体构建过程**： - **信号类型**：包括“强势上涨中继”“赚钱效应异动”等，触发条件未公开[16] - **止损规则**：基于顶背驰、死叉等技术信号动态出局[16] - **排序逻辑**：综合过去1年Sharpe比率、拥挤度等指标排序行业[16] - **模型评价**：多因子复合框架，兼顾进攻与防御性[16] --- 模型的回测效果 1. **全天候模型**：未披露具体指标值[7] 2. **周期分析模型**：未披露具体指标值[7][8] 3. **四轮驱动行业轮动模型**： - **行业推荐结果**：军工（Sharpe排序10）、家电（-12）、农林牧渔（28）等[16] --- 量化因子与构建方式 1. **因子名称：行业动量因子** - **因子构建思路**：捕捉行业短期赚钱效应异动信号[16] - **因子具体构建过程**：未披露公式，但涉及价格突破、成交量配合等条件[16] 2. **因子名称：拥挤度因子** - **因子构建思路**：监测行业交易过热风险（如0表示未拥挤）[16] - **因子具体构建过程**：可能基于换手率、资金流入等标准化指标[16] 3. **因子名称：Sharpe比率排序因子** - **因子构建思路**：按过去1年风险调整收益（Sharpe）排名行业[16] - **因子具体构建过程**： $$Sharpe = \frac{E[R_p - R_f]}{\sigma_p}$$ 其中 \(R_p\) 为行业收益，\(R_f\) 为无风险利率，\(\sigma_p\) 为收益波动率[16] --- 因子的回测效果 1. **行业动量因子**：未披露独立指标值[16] 2. **拥挤度因子**：家电、农林牧渔等拥挤度为0[16] 3. **Sharpe比率排序因子**：军工（10）、电子（3）、传媒（无数据）等[16] --- 注：未提及的模型/因子细节（如公式、指标口径）均因原文未披露而省略[7][16]