量化模型与构建方式 1 模型名称：多元线性回归模型(加入量价因子) 模型构建思路：在传统宏观基本面因子基础上加入量价因子，提升对黄金价格的预测效果[4] 模型具体构建过程： - 基础模型包含4个宏观因子：美联储资产负债表总资产、美债10年期收益率、通胀预期(十年期盈亏平衡通胀率)、美国失业率[23] - 加入量价因子：250日动量因子和DT策略信号(0/1/-1)[27] - 最终模型公式： $Y = -6492.97 - 11.776 X1 + 55.694 X2 + 0.00003005 X3 + 0.2596 X4 + 246800 X5 - 49.237 X6$ 其中：Y=伦敦金价，X1=美元指数，X2=美国国债实际收益率，X3=美联储资产负债表总资产，X4=全球黄金储备当月值，X5=伦敦金120日价格动量，X6=DT策略择时信号[51] 模型评价：加入量价因子后修正R方从0.80提升至0.828，能捕捉非基本面驱动因素[30] 2 模型名称：Dual Thrust(DT)择时策略 模型构建思路：基于价格突破机制生成交易信号[19] 模型具体构建过程： ①计算N日内的HH(最高价最高值)、LC(收盘价最低值)、HC(收盘价最高值)、LL(最低价最低值) ②计算上下轨： 上轨 = open + K1max(HH-LC, HC-LL) 下轨 = open - K2max(HH-LC, HC-LL) ③突破上轨开多仓，突破下轨开空仓[19] 模型评价：日频策略2010年起夏普比率0.61，年化收益6%[20] 量化因子与构建方式 1 因子名称：时序动量因子 因子构建思路：计算不同周期价格收益率衡量趋势强度[9] 因子具体构建过程： - 定义第i日对数收益： $r_i = ln(P_i) - ln(P_{i-1})$ - T日动量=前T日对数收益率加和： $Momentum_T = \sum_{i=t-T+1}^t r_i$[12] 因子评价：长周期动量适合捕捉长期趋势，短周期对短期变化更敏感[39] 2 因子名称：全球黄金储备因子 因子构建思路：用90国央行黄金储备量替代传统宏观因子[31] 因子具体构建过程： - 采用90个国家央行自行公布的黄金储备量加总 - 数据频率更高且可追溯性更强[31] 因子评价：相比失业率因子具有更高频特征[31] 模型的回测效果 1 多元线性回归模型(基础版)： - R-squared: 0.800 - Adj R-squared: 0.799 - F-statistic: 1119[23] 2 多元线性回归模型(加入量价因子)： - R-squared: 0.829 - Adj R-squared: 0.828 - F-statistic: 901.5[28] 3 多元线性回归模型(2018-2024年)： - R-squared: 0.910 - Adj R-squared: 0.909 - F-statistic: 563.1[35] 因子的回测效果 1 250日动量因子： - 在模型中t值为11.690 - 系数1.418e+05[28] 2 DT策略信号： - 夏普比率: 0.61 - 卡玛比率: 0.26 - 年化收益: 6%[20] 3 120日动量因子： - 在模型中t值为15.792 - 系数1.221e+05[35]