量化模型与构建方式 1. 模型名称：DTW择时模型 - 模型构建思路：基于相似性思路，考察当下指数行情与历史行情的相似度，筛选出相似度较高的若干历史行情片段作为参照，计算这些片段的未来加权平均涨跌幅和加权标准差，依据结果生成交易信号[6][12] - 模型具体构建过程： 1. 使用DTW（动态时间弯曲）算法作为相似性度量标准，替代传统的欧氏距离。DTW算法能够解决时间序列间的错配问题，更适用于时间序列分析[14] 2. 筛选出与当前行情相似度较高的历史行情片段 3. 计算这些片段未来5日或1日的加权平均涨跌幅和加权标准差，权重为距离的倒数 4. 根据未来涨跌幅的平均值和标准差生成交易信号[12][14] - 模型评价：DTW算法相比欧氏距离更适合时间序列分析，能够有效解决时间序列错配问题，模型效果优于其他方法[14] 2. 模型名称：外资择时模型 - 模型构建思路：基于4个反映外资动向的指标，构建对A股整体的择时信号[6] - 模型具体构建过程：具体细节未在本报告中披露，可参考相关研究报告[6] 3. 模型名称：鳄鱼线择时模型 - 模型构建思路：基于海外经典的鳄鱼线指标，构建择时信号[6] - 模型具体构建过程：具体细节未在本报告中披露，可参考相关研究报告[6] --- 模型的回测效果 1. DTW择时模型 - 绝对收益：11.49%（2022年11月以来样本外表现）[6][11] - 相对沪深300超额收益：23.05%（2022年11月以来样本外表现）[6][11] - 最大回撤：20.07%（2022年11月以来样本外表现）[6][11] - 样本外胜率：超过60%（2022年11月以来）；今年以来胜率接近80%[6] - 模型稳定性：在一般市场环境下，超额收益较为稳定，但在2023年三季度因宏观政策突发性变化（如降印花税、降准降息等）导致一定回撤[11] --- 量化因子与构建方式 本报告未涉及具体量化因子的构建内容 --- 因子的回测效果 本报告未涉及具体量化因子的回测效果