量化模型与构建方式 1. 模型名称：Alpha 动量组合 - 模型构建思路：基于动量效应，选择近期表现较好的股票构建组合，期望其未来继续保持上涨趋势[8] - 模型具体构建过程： 1. 选取一组股票，计算其历史收益率 2. 根据收益率排序，选择表现最好的股票构建动量组合 3. 持有期为一个月，按月滚动调整组合[25] - 模型评价：动量组合在短期内可能表现较弱，但在长期历史数据中表现出较好的超额收益[26] 2. 模型名称：Alpha 反转组合 - 模型构建思路：基于反转效应，选择近期表现较差的股票构建组合，期望其未来出现反弹[12] - 模型具体构建过程： 1. 选取一组股票，计算其历史收益率 2. 根据收益率排序，选择表现最差的股票构建反转组合 3. 持有期为一个月，按月滚动调整组合[25] - 模型评价：反转组合在短期内表现较强，尤其在市场波动较大的情况下，能够提供显著的超额收益[26] 3. 模型名称：行业 Alpha 动量组合 - 模型构建思路：基于行业动量效应，选择历史 Alpha 值较高的行业构建组合，期望其未来延续涨势[25] - 模型具体构建过程： 1. 对各行业的 Alpha 值进行计算和排序 2. 选择 Alpha 值排名前 5 的行业构建动量组合 3. 从每个行业中选取与行业指数相关性最大的 30 只个股构建持股组合 4. 持有期为一个月，按月滚动调整组合[25][28] - 模型评价：行业动量组合在短期内表现尤为突出，尤其是一个月的持有期内，累计收益显著高于基准指数[26] 4. 模型名称：行业 Alpha 反转组合 - 模型构建思路：基于行业反转效应，选择历史 Alpha 值较低的行业构建组合，期望其未来出现反弹[25] - 模型具体构建过程： 1. 对各行业的 Alpha 值进行计算和排序 2. 选择 Alpha 值排名最后 5 的行业构建反转组合 3. 从每个行业中选取与行业指数相关性最大的 30 只个股构建持股组合 4. 持有期为一个月，按月滚动调整组合[25][28] - 模型评价：行业反转组合在短期内表现不如动量组合，但在特定市场环境下可能提供一定的超额收益[26] --- 模型的回测效果 1. Alpha 动量组合 - 累计收益：本周累计下跌 1.93%[8] - 超额收益：相对于 HS300 的超额收益为 -0.37%[8] 2. Alpha 反转组合 - 累计收益：本周累计下跌 0.82%[12] - 超额收益：相对于 HS300 的超额收益为 0.73%[12] 3. 30 只个股 Alpha 动量组合 - 累计收益：本周累计下跌 2.90%[17] - 超额收益：相对于 HS300 的超额收益为 -1.34%[17] 4. 30 只个股 Alpha 反转组合 - 累计收益：本周累计下跌 0.45%[17] - 超额收益：相对于 HS300 的超额收益为 1.11%[17] 5. 行业 Alpha 动量组合 - 累计收益：历史实证期间累计涨幅为 150.7%[26] - 超额收益：相对于上证综指的累计超额收益为 163.89%[26] 6. 行业 Alpha 反转组合 - 累计收益：历史实证期间累计收益为 328.07%[29] - 超额收益：相对于沪深 300 的累计超额收益为 307.16%[29] 7. 行业 Alpha 组合（近期表现） - 累计收益：2024 年 8 月 1 日至 2024 年 8 月 9 日累计下跌 2.77%[30] - 超额收益：相对于 HS300 的超额收益为 0.44%[30] --- 量化因子与构建方式 1. 因子名称：Alpha 因子 - 因子构建思路：通过计算股票或行业的超额收益，衡量其相对于基准的表现[25] - 因子具体构建过程： 1. 计算股票或行业的历史收益率 2. 减去基准指数的收益率，得到超额收益 3. 将超额收益作为 Alpha 因子值，用于排序和选股[25] --- 因子的回测效果 1. Alpha 因子 - 累计收益：历史实证期间累计收益为 328.07%[29] - 超额收益：相对于沪深 300 的累计超额收益为 307.16%[29]