量化模型与构建方式 1. 模型名称：超跌反弹信号 - 模型构建思路：通过识别市场中超跌的股票，捕捉其反弹机会[11] - 模型具体构建过程： - 选取样本内数据（2017年至2024年）进行回测 - 计算超跌反弹信号出现后的持有表现，包括后5日和后10日的平均收益率、持有胜率和盈亏比等指标[11][12] - 模型评价：该模型在识别超跌反弹机会方面表现较好，具有较高的胜率和盈亏比[12] 2. 模型名称：平台突破信号 - 模型构建思路：通过识别股票价格突破平台的信号，捕捉其上涨机会[13] - 模型具体构建过程： - 选取样本内数据（2017年至2024年）进行回测 - 计算平台突破信号出现后的持有表现，包括后5日和后10日的平均收益率、持有胜率和盈亏比等指标[13][14] - 模型评价：该模型在识别平台突破机会方面表现较好，具有较高的胜率和盈亏比[14] 模型的回测效果 1. 超跌反弹信号 - 后5日平均收益率：4.56%[12] - 持有5日胜率：71%[12] - 盈亏比：1.87[12] - 后10日平均收益率：7.2296%[12] - 持有10日胜率：62%[12] - 盈亏比：1.66[12] - 平均持有交易日：5.2[12] - 平均持有收益：6.30%[12] - 胜率：76%[12] - 盈亏比：2.3[12] 2. 平台突破信号 - 后5日平均收益率：3.30%[14] - 持有5日胜率：62%[14] - 盈亏比：1.45[14] - 后10日平均收益率：5.10%[14] - 持有10日胜率：61%[14] - 盈亏比：1.70[14] - 平均持有交易日：9[14] - 平均持有收益：6.7796%[14] - 胜率：60%[14] - 盈亏比：2.15[14] 量化因子与构建方式 1. 因子名称：流通股本收益率 - 因子的构建思路：通过衡量各行业的流通股本收益率，评估投资者的平均赚钱效应[7] - 因子具体构建过程： - 计算各行业的流通股本收益率 - 统计各行业的历史分位数，评估当前收益率在历史中的位置[8] - 因子评价：该因子能够有效反映各行业的赚钱效应，具有较高的参考价值[7][8] 2. 因子名称：获利盘比率 - 因子的构建思路：通过计算各行业的获利盘比率，评估市场中获利盘的分布情况[10] - 因子具体构建过程： - 计算各行业的获利盘比率 - 统计各行业的获利盘比率，评估其在市场中的分布情况[10] - 因子评价：该因子能够有效反映市场中获利盘的分布情况，具有较高的参考价值[10] 因子的回测效果 1. 流通股本收益率 - 银行板块：72%分位水平[7] - 家电板块：69%分位水平[8] - 非银行金融板块：75%分位水平[8] 2. 获利盘比率 - 银行板块：最高水平[10] - 家电板块：较高水平[10] - 非银行金融板块：较高水平[10]