量化模型与构建方式 1. 模型名称：三维择时框架 * **模型构建思路**：通过构建分歧度、流动性、景气度三个维度的指标，综合判断市场走势，当三个维度趋势一致时给出明确的上涨或下跌判断[9]。 * **模型具体构建过程**：模型基于三个核心指标进行判断[9]。 1. **分歧度**：衡量市场参与者观点的离散程度，当前处于下行趋势[9]。 2. **流动性**：衡量市场资金面的松紧程度，当前处于下行趋势[9]。 3. **景气度**：衡量上市公司基本面的繁荣程度，当前处于上行趋势[9]。 当三个指标的趋势方向一致时，框架转为一致的上涨或下跌判断。例如，当前分歧度下行、流动性下行、景气度上行，框架转为一致上涨判断[9]。 2. 模型名称：热点趋势ETF策略 * **模型构建思路**：结合价格形态（支撑阻力）和市场短期关注度（换手率变化）来筛选ETF，构建风险平价组合[30]。 * **模型具体构建过程**： 1. **形态筛选**：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[30]。 2. **构建支撑阻力因子**：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[30]。 3. **关注度筛选**：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ETF，即短期市场关注度明显提升的品种[30]。 4. **组合构建**：最终选择10只ETF，采用风险平价方法构建组合[30]。 3. 模型名称：ETF三策略融合轮动模型 * **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，实现因子与风格的互补，降低单一策略风险[35]。 * **模型具体构建过程**： 1. **策略构成**：模型融合了三个子策略[35]。 * **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[36]。 * **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[36]。 * **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[36]。 2. **融合方式**：将三个子策略的选股结果进行等权组合[35]。 4. 模型名称：融资-主动大单资金流共振策略 * **模型构建思路**：利用融资融券资金流和主动大单资金流两个维度，通过取交集（在主动大单因子头部行业中剔除融资融券因子头部行业）的方式，筛选出具有资金共振效应的行业，以提高策略稳定性[44][45]。 * **模型具体构建过程**： 1. **构建行业融资融券资金因子**：定义为经过Barra市值因子中性化后的（融资净买入-融券净买入）个股加总值，取最近50日均值后的两周环比变化率[44]。 2. **构建行业主动大单资金因子**：定义为行业最近一年成交量时序中性化后的净流入排序，并取最近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。因此，策略在主动大单因子的头部打分行业内，剔除融资融券因子的头部行业[45]。 4. **行业剔除**：进一步剔除大金融板块[45]。 5. 因子名称：风格因子（盈利收益率、市值、价值） * **因子构建思路**：报告跟踪了多个风格因子的表现，本周市场呈现“高盈利高市值高价值”的特征[50]。 * **因子具体构建过程**：报告未详细描述具体构建公式，但提及了因子的表现方向。盈利收益率因子代表高盈利个股，市值因子代表高市值个股，价值因子代表高价值个股[50]。 6. 因子名称：Alpha因子（动量、研发收入类等） * **因子构建思路**：从多维度（时间、指数、行业）观察不同因子的表现趋势，计算其多头超额收益（前1/5组）[52]。除规模因子外，均进行了市值、行业中性化处理[52]。 * **因子具体构建过程**：报告列出了多个因子的近期表现和释义，例如： * **一年期动量因子 (pb_roe)**：近一周多头超额收益1.13%，定义为“1年-1个月的收益率”[55]。 * **研发销售收入占比因子 (safexp_operrev)**：近一周多头超额收益1.04%[55]。 * **销售费用因子 (ep_q_adv)**：近一周多头超额收益0.96%，定义为“管理费用/总销售收入”[55]。 7. 模型名称：多风格增强策略（质量增强、红利增强等） * **模型构建思路**：在多风格策略的基础上叠加增强因子，通过在其他风格端增厚收益，抑制单一风格波动，实现在不同周期下的稳定超额[58]。 * **模型具体构建过程**：报告未详细描述具体增强因子的构建方法，但展示了基于不同风格（质量、红利、长期成长、价值、低波、短期动量、长期动量）的增强策略及其绩效[62]。 模型的回测效果 1. 热点趋势ETF策略 * 今年以来收益率：34.49%[30] * 相比沪深300指数的超额收益：19.58%[30] 2. ETF三策略融合轮动模型 * 截至2025年12月12日组合收益率：12.11%[39] * 夏普率：0.73[39] * 今年以来组合收益率：25.60%[39] * 信息比率 (IR)：1.09 (All)[40] * 最大回撤：-24.55% (All)[40] * 分年度绩效详见报告表4[40] 3. 融资-主动大单资金流共振策略 * 2018年以来费后年化超额收益：14.3%[45] * 信息比率 (IR)：1.4[45] * 策略上周（截至报告期）绝对收益：-0.27%[45] * 策略上周（截至报告期）超额收益（相对行业等权）：0.37%[45] 4. 多风格增强策略（截至2025年12月12日） * **质量增强策略**：本周超额收益率2.00%，本年超额收益率-0.01%，最近一年年化收益率18.89%，夏普率1.54，区间最大回撤-5.73%[62] * **红利增强策略**：本周超额收益率0.62%，本年超额收益率13.71%，最近一年年化收益率17.45%，夏普率1.45，区间最大回撤-5.88%[62] * **长期成长增强策略**：本周超额收益率-0.97%，本年超额收益率4.29%，最近一年年化收益率24.26%，夏普率1.40，区间最大回撤-12.76%[62] * **价值增强策略**：本周超额收益率-1.97%，本年超额收益率-12.03%，最近一年年化收益率8.76%，夏普率0.54，区间最大回撤-11.34%[62] * **低波增强策略**：本周超额收益率-2.08%，本年超额收益率4.30%，最近一年年化收益率22.72%，夏普率1.73，区间最大回撤-8.73%[62] * **短期动量增强策略**：本周超额收益率-1.86%，本年超额收益率-15.35%，最近一年年化收益率6.46%，夏普率0.46，区间最大回撤-9.14%[62] * **长期动量增强策略**：本周超额收益率-1.20%，本年超额收益率-16.31%，最近一年年化收益率7.55%，夏普率0.55，区间最大回撤-9.53%[62] 量化因子与构建方式 （注：报告中提及的Alpha因子和风格因子，其具体构建方式已在上述“量化模型与构建方式”部分的第5、6点中说明，此处不再重复列出。） 因子的回测效果 1. 风格因子（本周表现） * 盈利收益率因子：正收益2.04%[50] * 市值因子：正收益1.51%[50] * 价值因子：正收益1.37%[50] 2. Alpha因子（近一周多头超额收益，截至2025年12月12日） * 一年期动量因子 (pb_roe)：1.13%[55] * 研发销售收入占比因子 (safexp_operrev)：1.04%[55] * 销售费用因子 (ep_q_adv)：0.96%[55] 3. 分指数Alpha因子表现（上周多头超额收益，截至2025年12月12日，前20因子示例） * **单季度ROA同比差值（考虑快报、预告）因子 (roa_q_delta_adv)**：在沪深300中超额收益25.52%，在中证500中10.16%，在中证800中17.88%，在中证1000中21.98%[57] * **单季度ROE同比差值（考虑快报、预告）因子 (roe_q_delta_adv)**：在沪深300中超额收益24.15%，在中证500中11.37%，在中证800中19.46%，在中证1000中20.24%[57] * **一致预期净利润变化（FY1）因子 (mom1_np_fy1)**：在沪深300中超额收益14.41%，在中证500中18.54%，**在中证800中21.49%**，在中证1000中15.27%[57] * **研发总资产占比因子 (tot_rd_ttm_to_assets)**：在沪深300中超额收益11.41%，**在中证500中20.25%**，在中证800中19.65%，在中证1000中16.88%[57] * **单季度净利润同比增速（考虑快报、预告）因子 (yoy_np_q_adv)**：在沪深300中超额收益22.25%，在中证500中9.56%，在中证800中15.85%，**在中证1000中22.74%**[57]

根据提供的研报内容，以下是其中涉及的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：三维择时框架**[7][12] * **模型构建思路**：通过综合评估市场的分歧度、流动性和景气度三个维度的状态，对市场整体走势进行判断[7][12] * **模型具体构建过程**：模型监控三个核心指标：1）市场分歧度指数，反映投资者观点分歧程度；2）市场流动性指数，反映资金面状况；3）A股景气度指数2.0，反映宏观经济与企业盈利景气状况（金融与工业等分项）[7][11][12][23][24] 通过观察这三个指标的趋势（上行或下行）及其组合，形成对市场（如震荡、下跌）的判断[7][12] 2. **模型名称：ETF热点趋势策略**[27][28] * **模型构建思路**：根据ETF价格的上涨形态和市场关注度的提升，筛选出具有短期趋势的ETF构建投资组合[27] * **模型具体构建过程**：1）首先筛选出最高价与最低价同时呈现上涨形态的ETF；2）计算支撑阻力因子，该因子基于最高价与最低价近20日回归系数的相对陡峭程度；3）在支撑阻力因子的多头组中，进一步选择近5日换手率与近20日换手率比值最高的ETF，即短期关注度明显提升的品种；4）最终对选出的约10只ETF采用风险平价方法构建组合[27] 3. **模型名称：资金流共振策略**[35][36] * **模型构建思路**：结合融资融券资金和主动大单资金两类资金流在行业层面的动向，寻找两者有共振效应的行业进行推荐[35][36] * **模型具体构建过程**： * **行业融资融券资金因子**：首先计算个股层面的（融资净买入-融券净卖出），在行业内加总，然后使用Barra市值因子进行中性化处理，再计算其最近50日的均值，最后取该均值的两周环比变化率[35] * **行业主动大单资金因子**：计算行业层面的净流入数据，并采用其最近一年的成交量时间序列进行中性化处理，然后对中性化后的结果进行排序，最后取最近10日的均值[35] * **策略逻辑**：研究发现融资融券因子的多头端在某些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。因此，策略在主动大单因子的头部行业（打分较高）中，剔除融资融券因子也处于头部的行业，以提高稳定性。策略通常会进一步剔除大金融板块[35] 模型的回测效果 1. **资金流共振策略**，年化超额收益13.5%[35]，信息比率(IR)1.7[35]，近期（策略上周）绝对收益1.28%[35]，超额收益（相对行业等权）0.55%[35] 量化因子与构建方式 1. **因子名称：Barra风格因子系列**[41][42] * **因子构建思路**：采用经典的Barra风险模型框架，从不同维度刻画股票的风格特征[41][42] * **因子具体构建过程**：报告中提及的Barra风格因子包括：规模(size)、贝塔(beta)、动量(momentum)、波动率(volatility)、非线性规模(nlsize)、价值(value)、流动性(liquidity)、盈利收益率(earnings_yield)、成长(growth)、杠杆(leverage)。报告未详细描述每个因子的具体计算公式，但指出其属于Barra体系[41][42] 2. **因子名称：速动比率 (quick_ratio)**[46] * **因子构建思路**：衡量企业短期偿债能力，属于流动性及质量类因子[46] * **因子具体构建过程**：$$quick\\_ratio = \\frac{速动资产}{流动负债}$$ [46] 3. **因子名称：资产负债率 (debt_asset_ratio)**[46] * **因子构建思路**：衡量企业负债水平，属于杠杆类因子[46] * **因子具体构建过程**：$$debt\\_asset\\_ratio = \\frac{总负债}{总资产}$$ [46] 报告表格中释义为“资产/负债”，但根据因子名称和常规财务定义，应为“总负债/总资产”。 4. **因子名称：产权比率 (debt_to_equity)**[46] * **因子构建思路**：反映由债权人提供的资本与股东提供的资本的相对关系，属于杠杆类因子[46] * **因子具体构建过程**：$$debt\\_to\\_equity = \\frac{total\\_liab}{book\\_value}$$ [46] 其中 total_liab 为总负债，book_value 为账面价值（股东权益） 5. **因子名称：5年盈利波动性 (earnings_variability_5y)**[46] * **因子构建思路**：衡量公司盈利的稳定性，属于盈利质量类因子[46] * **因子具体构建过程**：$$earnings\\_variability\\_5y = standard \\ deviation \\ of \\ yoy \\ eps \\ growth \\ over \\ 5y$$ [46] 计算过去5年每股收益(EPS)同比增速的标准差 6. **因子名称：单季度ROE同比差值（考虑快报、预告）(roe_q_delta_adv)**[49] * **因子构建思路**：基于业绩快报和预告信息，衡量公司最新单季度净资产收益率相对于去年同期改善程度，属于盈利动量类因子[49] * **因子具体构建过程**：报告未给出具体公式，因子释义为“单季度ROE同比差值（考虑快报、预告）”[49] 7. **因子名称：单季度ROA同比差值（考虑快报、预告）(roa_q_delta_adv)**[49] * **因子构建思路**：基于业绩快报和预告信息，衡量公司最新单季度总资产收益率相对于去年同期改善程度，属于盈利动量类因子[49] * **因子具体构建过程**：报告未给出具体公式，因子释义为“单季度ROA同比差值（考虑快报、预告）”[49] 8. **因子名称：单季度每股营业收入同比增长率 (yoy_orps_q)**[49] * **因子构建思路**：衡量公司营收增长情况，属于成长类因子[49] * **因子具体构建过程**：报告未给出具体公式，因子释义为“单季度每股营业收入同比增长率”[49] 9. **因子名称：基金持股比例 (io_to_float_a_share)**[49] * **因子构建思路**：反映机构投资者对公司的关注度和认可度，属于机构关注度类因子[49] * **因子具体构建过程**：$$io\\_to\\_float\\_a\\_share = \\frac{基金总持股数}{个股流通股数}$$ [49] 根据基金年报和半年报披露持股数统计 因子的回测效果 1. **Barra风格因子系列**，最近一周收益：价值(value)因子2.36%[42]，杠杆(leverage)因子1.08%[42]，波动率(volatility)因子0.19%[42]，规模(size)因子-3.76%[42]，贝塔(beta)因子-5.52%[42]，动量(momentum)因子-3.16%[42]，流动性(liquidity)因子-2.43%[42]，盈利收益率(earnings_yield)因子-0.08%[42]，成长(growth)因子-2.86%[42]，非线性规模(nlsize)因子-2.30%[42] 2. **速动比率 (quick_ratio)因子**，近一周多头超额收益1.32%[46]，近一月多头超额收益1.17%[46] 3. **资产负债率 (debt_asset_ratio)因子**，近一周多头超额收益1.21%[46]，近一月多头超额收益1.26%[46] 4. **产权比率 (debt_to_equity)因子**，近一周多头超额收益1.11%[46]，近一月多头超额收益1.45%[46] 5. **5年盈利波动性 (earnings_variability_5y)因子**，近一周多头超额收益1.04%[46]，近一月多头超额收益1.38%[46] 6. **单季度ROE同比差值（考虑快报、预告）(roe_q_delta_adv)因子**，在沪深300成分股中近一周多头超额收益23.45%[49]，在中证500成分股中近一周多头超额收益11.70%[49]，在中证800成分股中近一周多头超额收益18.31%[49]，在中证1000成分股中近一周多头超额收益16.31%[49] 7. **单季度ROA同比差值（考虑快报、预告）(roa_q_delta_adv)因子**，在沪深300成分股中近一周多头超额收益24.07%[49]，在中证500成分股中近一周多头超额收益10.44%[49]，在中证800成分股中近一周多头超额收益16.28%[49]，在中证1000成分股中近一周多头超额收益17.56%[49] 8. **单季度每股营业收入同比增长率 (yoy_orps_q)因子**，在沪深300成分股中近一周多头超额收益11.05%[49]，在中证500成分股中近一周多头超额收益8.25%[49]，在中证800成分股中近一周多头超额收益11.04%[49]，在中证1000成分股中近一周多头超额收益21.00%[49] 9. **基金持股比例 (io_to_float_a_share)因子**，在沪深300成分股中近一周多头超额收益10.96%[49]，在中证500成分股中近一周多头超额收益8.06%[49]，在中证800成分股中近一周多头超额收益10.94%[49]，在中证1000成分股中近一周多头超额收益18.78%[49]

根据研报内容，现总结如下： 量化模型与构建方式 1. **模型名称：三维择时框架**[7][12] * **模型构建思路**：通过监控市场分歧度、流动性和景气度三个维度的变化趋势，对市场整体走势进行判断[7] * **模型具体构建过程**：模型基于三个核心指标： * 市场分歧度指数：反映市场参与者观点的差异程度[11][16] * 市场流动性指数：反映市场资金面的宽松程度[17] * A股景气度指数2.0：反映上市公司基本面的景气状况[7][19] 通过观察这三个指标的趋势（上升或下降）组合，形成对市场状态的综合判断[7][12] 2. **模型名称：ETF热点趋势策略**[25] * **模型构建思路**：根据ETF价格的上涨形态和短期市场关注度的提升，筛选出具有趋势性机会的ETF构建投资组合[25] * **模型具体构建过程**： * 第一步：筛选出最高价与最低价同时呈现上涨形态的ETF[25] * 第二步：计算支撑阻力因子，该因子基于最高价与最低价近20日的回归系数的相对陡峭程度[25] * 第三步：在支撑阻力因子的多头组中，选择近5日换手率与近20日换手率比值最高的ETF，即短期关注度明显提升的品种[25] * 第四步：最终选取10只ETF，采用风险平价方法构建组合[25] 3. **模型名称：资金流共振策略**[32][33] * **模型构建思路**：结合融资融券资金流和主动大单资金流，寻找两类资金共同看好的行业进行配置[32][33] * **模型具体构建过程**： * **行业融资融券资金因子构建**： 1. 计算个股的融资净买入减去融券净卖出值[29][33] 2. 对该值进行Barra市值因子中性化处理[33] 3. 在行业层面将中性化后的个股值加总[33] 4. 取最近50日的均值，然后计算其两周环比变化率作为最终因子值[33] * **行业主动大单资金因子构建**： 1. 计算行业的主动大单净流入[33] 2. 对该净流入值进行最近一年成交量的时序中性化处理[33] 3. 取最近10日的均值，并进行排序打分[33] * **策略逻辑**：在主动大单因子打分头部（剔除极端行业）的行业中，剔除融资融券因子同样处于头部的行业（因研究发现其有稳定的负向超额），以提高策略稳定性，最终选出共振行业[33][36] 模型的回测效果 1. **三维择时框架**：模型历史表现展示于图表中，但未提供具体的量化指标数值[14] 2. **ETF热点趋势策略**：策略今年以来表现展示于图表中，但未提供具体的量化指标数值[26] 3. **资金流共振策略**：该策略自2018年以来，费后年化超额收益为13.5%，信息比率（IR）为1.7，相对于北向-大单共振策略回撤更小[33]；策略上周实现2.86%的绝对收益和0.19%的超额收益（相对行业等权）[33] 量化因子与构建方式 1. **因子名称：风格因子（Barra系列）**[39][40] * **因子构建思路**：采用Barra框架下的经典风格因子，用于描述股票在不同维度上的风险收益特征[39][40] * **因子具体构建过程**：报告提及了多个Barra风格因子，包括： * Size（规模） * Beta（贝塔） * Momentum（动量） * Volatility（波动率） * Non-Linear Size（非线性规模） * Value（价值） * Liquidity（流动性） * Earnings Yield（盈利收益率） * Growth（成长） * Leverage（杠杆） 报告未详细描述每个因子的具体计算方法，但指出其遵循Barra标准体系[40] 2. **因子名称：Alpha因子**[43][44][45] * **因子构建思路**：构建多样化的选股因子，从不同维度捕捉个股的超额收益来源[43][44][45] * **因子具体构建过程**：报告列举了多个Alpha因子及其简要说明： * `illia`：每天一个亿成交量能推动的股价涨幅[45] * `In volume mean 1m`：近1个月成交量的自然对数均值[45] * `In volume mean 3m`：近3个月成交量的自然对数均值[45] * `In volume std 1m`：近1个月成交量的自然对数标准差[45] * `specific mom1`：一个月残差动量[45] * `stk quantity q`：根据基金年报和半年报披露持股数统计，基金总持股数环比增速[45] * `spread bias`：`-(ln(个股净值) - ln(特征组合净值))`，过去60日标准化，特征组合由过去252日收益率相关系数最高的10只股票等权构成[45] * `reverse 1m`：1个月的收益率（反转因子）[45] * `tot rd ttm to sales`：研发销售收入占比[45] * `rate up 30d`：过去30天上调评级家数[45] * `duvol`：60日上行波动率/下行波动率[45] * `roa q delta report`：单季度ROA同比差值（考虑快报、预估）[45] * 报告还提到其他因子如单季度净利润同比增长（考虑快报、预估）、研发总投入占资产比、`(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|`等[46] 因子的回测效果 1. **风格因子近期表现（最近一周）**[39][40]： * Size: -2.86% * Beta: 3.05% * Momentum: 1.28% * Volatility: -0.03% * Non-Linear Size: -2.62% * Value: -1.90% * Liquidity: 2.06% * Earnings Yield: -2.08% * Growth: -0.12% * Leverage: -0.74% 2. **Alpha因子多头超额收益（近一周）**[44][45]： * `illia`: 1.48% * `In volume mean 1m`: 0.99% * `In volume mean 3m`: 0.94% * `In volume std 1m`: 0.92% * `In volume mean 6m`: 0.91% * `specific mom1`: 0.91% * `In volume std 3m`: 0.90% * `In volume mean 12m`: 0.77% * `In volume std 6m`: 0.77% * `stk quantity q`: 0.71% * `spread bias`: 0.68% * `reverse 1m`: 0.62% * `tot rd ttm to sales`: 0.59% * `volume 1m div 12m`: 0.53% * `rate up 30d`: 0.52% * `specific mom6`: 0.52% * `volume std 1m div 12m`: 0.48% * `duvol`: 0.46% * `roa q delta report`: 0.44%

根据研报内容，总结如下： 量化模型与构建方式 1. **模型名称：三维择时框架**[7][11][12] * **模型构建思路**：通过综合评估市场分歧度、流动性和景气度三个维度的状态，对市场整体走势进行判断[7][11][12] * **模型具体构建过程**：模型基于三个核心指标： 1. 市场分歧度指数：衡量市场参与者观点的差异程度[11][16] 2. 市场流动性指数：衡量市场的资金充裕程度[11][18] 3. A股景气度指数2.0：衡量上市公司整体的经营景气状况[11][20] 通过观察这三个指标的趋势和组合状态（例如，流动性下行、分歧度扩大、景气度稳中有升），形成对市场（如震荡下跌）的判断[7][11][12] 2. **模型名称：热点趋势ETF策略**[25][26][27] * **模型构建思路**：结合价格形态、技术指标和市场关注度，筛选出具有短期上涨趋势的ETF构建投资组合[25][28] * **模型具体构建过程**：过程分为三步： 1. **形态筛选**：首先筛选出最高价与最低价同时呈现上涨形态的ETF[25] 2. **构建支撑阻力因子**：基于最高价与最低价近20日的回归系数，构建衡量趋势陡峭程度的支撑阻力因子[25] 3. **关注度筛选与组合构建**：在支撑阻力因子的多头组中，选择近5日换手率与近20日换手率比值最高（即短期关注度提升最明显）的10只ETF，最终采用风险平价方法构建组合[25][29] 3. **模型名称：资金流共振策略**[33][34][36] * **模型构建思路**：结合融资融券资金和主动大单资金两类资金流的动向，选择两类资金共同看好的行业[2][33] * **模型具体构建过程**： 1. **因子构建**： * **行业融资融券资金因子**：计算行业内个股的（融资净买入-融券净卖出）并加总，然后对Barra市值因子进行中性化处理，再取最近50日均值，并计算其两周环比变化率[33] * **行业主动大单资金因子**：计算行业的净流入数据，并对其进行最近一年成交量的时序中性化处理，然后进行排序，最后取最近10日均值[33] 2. **策略规则**：在主动大单因子的头部打分行业内，剔除融资融券因子也处于头部的行业（研究发现融资融券因子多头端在某些市场状态下有负向超额），以提升策略稳定性，并进一步剔除大金融板块[33] 3. **行业推荐**：每周选择经过上述处理后有资金共振效应的行业作为推荐[33][36] 模型的回测效果 1. **资金流共振策略**，年化超额收益13.5%[33]，信息比率(IR)1.7[33]，上周绝对收益0.98%[33]，上周超额收益（相对行业等权）-0.54%[33] 量化因子与构建方式 1. **因子名称：风格因子（Barra系列）**[39][40][43] * **因子构建思路**：采用经典的Barra风险模型框架中的风格因子，从不同维度刻画股票特征[39][40][43] * **因子具体构建过程**：报告提及了多个Barra风格因子，包括： * **规模因子(size)**：进行行业中性化处理[41] * **贝塔因子(beta)**：进行市值、行业中性化处理[41] * **成长因子(growth)**：进行市值、行业中性化处理[41] * 其他因子如动量(momentum)、波动率(volatility)、非线性规模(nlsize)、价值(value)、流动性(liquidity)、盈利收益率(earnings_yield)、杠杆(leverage)等，大部分进行了市值和行业中性化处理[41][43] 2. **因子名称：Alpha因子**[42][44][46] * **因子构建思路**：构建多种基于基本面、分析师预测、市场交易数据的因子，以捕捉超额收益[42][44][46] * **因子具体构建过程**：报告列举了大量具体因子及其计算方法，例如： * **成长类因子**：如每股营业收入同比增长率(yoy_orps)、资产负债率同比变化率(debt_ratio_yoy)、总负债同比增长(tot_liab_yoy)、单季度营业收入同比增速(yoy_or_q)等[42][44] * **动量类因子**：如1年-1个月的收益率(mom_1y_1m)、十二个月残差动量(specific_mom12)等[44] * **盈利质量类因子**：如单季度ROE同比差值(roe_q_delta_report)、单季度ROE(roe_q_report)等[44][46] * **分析师预测类因子**：如(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绝对值(mom3_np_fy1)、评级上下调差/评级上下调和(est_num_diff)等[46] 因子的回测效果 1. **风格因子（最近一周收益）**，规模因子(size)1.57%[39][43]，贝塔因子(beta)1.08%[40][43]，成长因子(growth)0.42%[40][43]，动量因子(momentum)0.39%[43]，波动率因子(volatility)0.20%[43]，非线性规模因子(nlsize)1.31%[43]，价值因子(value)-0.13%[43]，流动性因子(liquidity)0.96%[43]，盈利收益率因子(earnings_yield)-0.67%[43]，杠杆因子(leverage)0.48%[43] 2. **Alpha因子（近一周多头超额收益）**，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]，(当期总资产-去年同期总资产)/去年同期总资产绝对值(yoy_total_assets)2.12%[44]，销售商品提供劳务收到的现金流变化/投入资本(delta_cashflow_goodsales_ic)2.03%[44]，应付账款同比变化(yoy_accpayable)1.94%[44]，1年-1个月的收益率(mom_1y_1m)1.76%[44]，十二个月残差动量(specific_mom12)1.74%[44]，营业利润_TTM/销售费用_TTM(oper_salesexp)1.67%[44]，单季度ROE同比差值(roe_q_delta_report)1.61%[44]，单季度ROE同比差值（考虑快报、预告）(roe_q_delta_adv)1.61%[44]，经营活动现金流入变化/投入资本(delta_cashinflow_ic)1.61%[44]，(净利润ttm-过去八个季度的净利润ttm均值)/过去八个季度的净利润ttm标准差(np_ttm_growth_std)1.61%[44]，流动比率同比变化率(cur_ratio_yoy)1.57%[44]，earnings_fttm 1.56%[44]，单季度每股收益同比增速(yoy_eps_q)1.56%[44] 3. **Alpha因子（在不同宽基指数内的近一周多头超额收益）** * **单季度ROE同比差值（考虑快报、预告）(roe_q_delta_adv)**，在沪深300中8.23%[46]，在中证500中4.55%[46]，在中证1000中9.38%[46]，在国证2000中4.96%[46] * **(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绝对值(mom3_np_fy1)**，在沪深300中7.14%[46]，在中证500中5.60%[46]，在中证1000中9.54%[46]，在国证2000中4.19%[46] * **评级上下调差/评级上下调和(est_num_diff)**，在沪深300中7.73%[46]，在中证500中4.86%[46]，在中证1000中8.72%[46]，在国证2000中4.60%[46] * **(当前一致预测eps_FY1-3个月前一致预测eps_FY1)/3个月前一致预测eps_FY1绝对值(mom3_eps_fy1)**，在沪深300中7.70%[46]，在中证500中4.88%[46]，在中证1000中8.28%[46]，在国证2000中5.18%[46] * **单季度ROE同比差值(roe_q_delta_report)**，在沪深300中7.47%[46]，在中证500中3.84%[46]，在中证1000中8.11%[46]，在国证2000中3.09%[46]

量化模型与构建方式 1. **模型名称：三维择时框架** - **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**： 1. **分歧度指数**：衡量市场参与者观点的离散程度，反映市场情绪分化[12] 2. **流动性指数**：跟踪市场资金面松紧程度[22] 3. **景气度指数**：监测宏观经济和企业盈利状况[26] 将三个指标综合判断，当三者同步上行时给出看涨信号[14] - **模型评价**：历史表现显示该框架能有效捕捉市场趋势转折点[19] 2. **模型名称：ETF热点趋势策略** - **模型构建思路**：通过技术形态和资金流筛选短期热点ETF[31] - **模型具体构建过程**： 1. 筛选最高价与最低价同时呈上涨形态的ETF 2. 计算支撑阻力因子：$$ \text{斜率} = \frac{\text{最高价}_{20日回归系数}}{\text{最低价}_{20日回归系数}} $$ 3. 选择换手率提升明显的ETF：$$ \text{换手率比} = \frac{\text{近5日换手率}}{\text{近20日换手率}} $$ 4. 对筛选出的10只ETF构建风险平价组合[31] 3. **模型名称：资金流共振策略** - **模型构建思路**：结合两融资金与大单资金流向寻找行业配置机会[35] - **模型具体构建过程**： 1. 构建行业融资融券资金因子： $$ \text{融资因子} = \text{Barra市值中性化}(\text{融资净买入-融券净卖出})_{50日均值环比} $$ 2. 构建行业主动大单资金因子： $$ \text{大单因子} = \frac{\text{行业净流入}}{\text{年成交量时序中性化}} $$ 3. 在主动大单因子头部行业中剔除融资因子极端多头行业[35] - **模型评价**：2018年以来年化超额收益13.5%，IR达1.7[35] 模型的回测效果 1. **三维择时框架**： - 2025年8月给出震荡上涨信号[7] - 历史回测显示信号胜率68%[19] 2. **ETF热点趋势策略**： - 本周组合含金融(32.69%)、创新药(5.67%)等ETF[32] - 近一月资金净流入194.56亿元[32] 3. **资金流共振策略**： - 本周超额收益-1.7%(相对行业等权)[35] - 年化换手率450%[35] 量化因子与构建方式 1. **因子名称：风格因子群** - **因子构建思路**：采用Barra框架体系监测市场风格特征[43] - **因子具体构建过程**： - 动量因子：过去12个月收益率[43] - 流动性因子：$$ \text{Amihud非流动性指标} $$ - 估值因子：EP、BP等传统价值指标[43] 2. **因子名称：Alpha因子群** - **因子构建思路**：通过财务指标挖掘超额收益来源[45] - **因子具体构建过程**： - yoy_accpayable：$$ \frac{\text{应付账款}_t - \text{应付账款}_{t-12}}{\text{应付账款}_{t-12}} $$ - roe_q_delta_adv：$$ \text{ROE}_q - \text{ROE}_{q-4} $$ (含预告调整)[47] - cur_liab_yoy：流动负债同比增长率[47] 因子的回测效果 1. **风格因子**： - 动量因子周收益+2.05%[43] - 流动性因子周收益+3.38%[43] - 估值因子周收益-2.41%[43] 2. **Alpha因子**： - yoy_accpayable周超额3.51%[47] - roe_q_delta_adv在沪深300中超额8.58%[49] - cur_liab_yoy周超额3.37%[47]