量化模型与构建方式 1. 模型名称：全频段融合因子模型 模型构建思路：通过深度学习模型训练高频因子，并结合多任务学习挖掘低频量价数据，最终合成全频段融合因子[25] 模型具体构建过程： - 高频部分：训练27个高频因子，生成高频深度学习因子 - 低频部分：利用多任务学习对低频量价数据进行端到端挖掘，生成低频多任务因子 - 合成：将高频与低频因子融合为全频段融合因子[25] 模型评价：因子具有稳定的RankIC和分层超额收益表现[25] 2. 模型名称：AI中证1000增强组合 模型构建思路：基于全频段融合因子构建指数增强策略，控制跟踪误差和换手率[28] 模型具体构建过程： - 成分股权重≥80%，个股权重偏离上限0.8% - Barra暴露<0.3，周双边换手率控制30% - 周频调仓，交易费用双边千分之四[28] 3. 模型名称：AI行业轮动模型 模型构建思路：利用全频段量价因子对行业打分，选择得分最高的5个行业等权配置[10] 模型具体构建过程： - 行业池：32个中信一级行业（拆分食品饮料、有色金属等） - 因子：行业成分股的全频段量价因子得分均值作为行业得分 - 调仓规则：周频调仓，选TOP5行业等权配置[10] 模型评价：与自上而下策略形成互补，能挖掘多频段量价规律[6] 4. 模型名称：AI概念指数轮动模型 模型构建思路：对72个Wind概念指数使用全频段量价因子打分，选TOP10等权配置[17] 模型具体构建过程： - 每周末选择得分最高的10个概念指数 - 以下周首个交易日开盘价买入，交易成本双边万分之四[17] 5. 模型名称：AI主题指数轮动模型 模型构建思路：基于133个主题ETF跟踪指数，使用全频段量价因子打分选TOP10配置[24] 模型具体构建过程： - 调仓频率：周频 - 交易成本：双边万分之四[24] 6. 模型名称：文本FADT_BERT选股组合 模型构建思路：基于盈利预测调整文本因子构建多头组合[33] 模型具体构建过程： - 因子：forecast_adjust_txt_bert因子 - 组合构建：选取因子多头端前25%股票[33] --- 模型的回测效果 1. 全频段融合因子模型 - 5日RankIC均值：0.116（2017-2024）[27] - TOP层年化超额收益率：32.19%[27] - 2024年RankIC均值：0.131[27] - 2024年TOP层超额收益：15.79%[27] 2. AI中证1000增强组合 - 年化超额收益率：23.57%（2017-2024）[31] - 年化跟踪误差：6.04%[31] - IR：3.90[31] - 最大回撤：7.55%[31] - 2024年超额收益：4.21%[1] 3. AI行业轮动模型 - 年化收益率：24.18%（2017-2024）[10] - 年化超额收益率：23.24%[10] - 最大回撤：12.43%[10] - 2024年超额收益：29.87%[2] 4. AI概念指数轮动模型 - 年化收益率：20.48%（2018-2024）[15] - 年化超额收益率：15.47%[15] - 2024年超额收益：16.62%[15] 5. AI主题指数轮动模型 - 年化超额收益率：14.40%（2018-2024）[23] - 2024年超额收益：3.58%[23] 6. 文本FADT_BERT组合 - 年化收益率：38.96%（2009-2024）[36] - 年化超额收益：32.56%[36] - 夏普比率：1.37[36] - 2024年超额收益：4.31%[4] --- 量化因子与构建方式 1. 因子名称：全频段量价融合因子 因子构建思路：融合高频与低频量价数据特征[25] 因子具体构建过程： - 高频部分：通过深度学习提取27个高频特征 - 低频部分：多任务学习挖掘端到端特征 - 合成方法：未披露具体公式[25] 2. 因子名称：forecast_adjust_txt_bert 因子构建思路：基于盈利预测调整文本的BERT升级版因子[33] 因子具体构建过程：未披露技术细节[33] --- 因子的回测效果 1. 全频段量价融合因子 - 分层超额收益：TOP层年化超额32.19%[27] - RankIC稳定性：长期均值0.116[27] 2. forecast_adjust_txt_bert因子 - 组合年化超额：32.56%（2009-2024）[36] - 分层超额净值：TOP层显著跑赢基准[34]