根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. AI行业轮动模型 - 模型构建思路：通过AI算法筛选具有避险特征的行业，结合市场动态调整持仓[3][12] - 具体构建过程： 1) 基于行业景气度和市场情绪数据生成初始候选池 2) 使用机器学习模型对行业得分排序（如银行得分1.39，交通运输0.97）[13] 3) 每月调仓，选取得分前5的行业等权配置 - 模型评价：在震荡市中表现稳健，但易受单一行业大幅回调拖累[4][12] 2. AI主题轮动模型 - 模型构建思路：聚焦金融、国企等主题ETF，通过动量与风险预算控制组合波动[3][12] - 具体构建过程： 1) 计算主题指数动量得分（如上证金融得分0.58，中证畜牧0.52）[14] 2) 结合波动率调整权重，配置10个主题ETF - 模型评价：超额收益稳定性优于行业轮动，但容量受限[13] 3. 月频行业轮动模型 - 模型构建思路：综合景气度与残差动量生成月度信号[4][17] - 具体构建过程： 1) 计算行业景气度指标：$景气度 = \frac{营收增长率 + ROE变化}{波动率}$ 2) 叠加残差动量因子：$残差动量 = 过去6个月超额收益 - 市场beta×基准收益$ 3) 每月选取综合得分前5行业（如8月持仓工业金属、贵金属等）[17][19] - 模型评价：长周期表现优异，但对贵金属等周期性行业敏感[16][18] 4. 绝对收益ETF组合 - 模型构建思路：大类资产趋势跟踪+行业轮动子策略[21][23] - 具体构建过程： 1) 股票权重由月频行业模型决定（最新3.95%） 2) 债券权重根据利率趋势动态调整（当前87.30%） 3) 商品配置采用动量过滤（如黄金ETF权重6.48%）[24] 5. 全球资产配置模型 - 模型构建思路：周期三因子定价+风险预算框架[26][28] - 具体构建过程： 1) 预测资产收益率：$E(R_i) = \alpha + \beta_1×经济增长因子 + \beta_2×通胀因子 + \beta_3×流动性因子$ 2) 动态风险预算分配（当前超配股票6.28%、商品6.41%）[28] 模型回测效果 | 模型名称 | 年化收益率 | 年化超额收益 | 最大回撤 | IR | 2024年收益 | |------------------------|------------|--------------|----------|-------|------------| | AI行业轮动 | 24.18% | 23.24% | -12.43% | 2.31 | 21.01%[13] | | AI主题轮动 | 13.59% | 14.40% | -14.39% | 1.18 | -8.14%[13] | | 月频行业轮动 | 14.77% | 13.82% | -18.90% | 1.27 | -7.78%[18] | | 绝对收益ETF组合 | 6.12% | - | -4.65% | 1.59 | 3.20%[23] | | 全球资产配置 | 7.58% | - | -6.44% | 1.56 | 5.22%[28] | 因子回测效果 1. 综合景气度因子 - 月频行业模型中年化IC 0.35，月度胜率68%[17][19] 2. 残差动量因子 - 6个月窗口ICIR 1.8，在电子、机械行业表现突出[19] （注：部分因子细节未在研报中完整披露）