量化模型与构建方式 宏观状态事件预测模型 - 模型名称：宏观状态事件预测模型 - 模型构建思路：通过Logit模型预测宏观环境状态，基于多维度宏观变量的变化进行建模[9][27] - 模型具体构建过程： - 选取短期货币流动性、长端利率、信用、经济增长以及汇率五个维度的宏观变量[21] - 对变量进行平稳化处理，计算变化值及影响系数[24] - 使用Logit模型进行预测，公式为： $Logit = \frac{1}{1 + e^{-z}}$ 其中，$z$ 为变量的线性组合[27] - 模型评价：模型预测值持续下降，已处于历史低位，反映当前宏观环境较弱[9][27] 行业轮动策略模型 - 模型名称：国联行业轮动策略2.0 - 模型构建思路：基于经济四象限理论，结合多维度行业风格因子进行行业轮动配置[69][71] - 模型具体构建过程： - 构建经济四象限：[企业盈利上行，信用上行]、[企业盈利上行，信用下行]、[企业盈利下行，信用上行]、[企业盈利下行，信用下行][69] - 选取行业风格因子，包括一致预期景气、超越预期盈利、龙头效应、行业估值泡沫、反转因子、动量因子、拥挤度、通胀beta等[69] - 在四个象限中对因子进行有效性检验，最终配置高预期收益行业[71] - 模型评价：策略框架清晰，能够有效捕捉行业轮动机会[71][72] 遗传规划选股模型 - 模型名称：遗传规划选股模型 - 模型构建思路：通过遗传规划算法挖掘因子，构建指数增强组合[83][86][93][98] - 模型具体构建过程： - 股票池：分别选取沪深300、中证500、中证1000和中证全指成分股[83][86][93][98] - 训练集：样本内数据为2016年1月1日至2020年12月31日[83][86][93][98] - 因子挖掘：通过遗传规划算法，设置初始种群、代数和轮数，最终得到多个因子加权复合组成[83][86][93][98] - 策略：每周选择模型得分最高的每个行业内前10%的股票构建多头组合，周频调仓，交易成本为双边千三[83][86][93][98] - 模型评价：因子挖掘过程复杂，能够有效提升选股能力[83][86][93][98] --- 模型的回测效果 宏观状态事件预测模型 - Logit预测值：2024年8月9日为0.109，上月末值为0.131[27][28] 行业轮动策略模型 - 无剔除版年化超额收益：9.21%[72][77] - 双剔除版年化超额收益：11.43%[72][81] 遗传规划选股模型 - 沪深300选股因子： - 年化超额收益率：19.34% - 夏普率：1.02 - 今年以来超额收益率：7.60% - 本周超额收益率：1.49%[85][88] - 中证500选股因子： - 年化超额收益率：12.25% - 夏普率：0.65 - 今年以来超额收益率：8.06% - 本周超额收益率：0.88%[87][90] - 中证1000选股因子： - 年化超额收益率：19.34% - 夏普率：0.75 - 今年以来超额收益率：6.69% - 本周超额收益率：1.32%[96][97] - 中证全指选股因子： - 年化超额收益率：24.14% - 夏普率：1.12 - 今年以来超额收益率：9.00% - 本周超额收益率：1.22%[99][101] --- 量化因子与构建方式 微观结构风险因子 - 因子名称：微观结构风险因子 - 因子构建思路：通过估值、风险溢价、波动率和流动性四类因子刻画宽基指数的微观结构风险[33] - 因子具体构建过程： - 估值：市盈率与市净率在过去5年中所处分位数的均值 - 风险溢价：ERP(ep-rf:市盈率倒数减去一年期定存利率)在过去5年中所处分位数 - 波动率：50日波动率在过去5年中所处分位数 - 流动性：自由流通市值换手率在过去5年中所处分位数 - 综合因子：四因子等权相加[34] - 因子评价：因子具有均值回复特性，能够有效刻画结构性风险[33][34] 行业轮动因子 - 因子名称：行业轮动因子 - 因子构建思路：基于多维度行业风格因子进行轮动配置[69][71] - 因子具体构建过程： - 包括一致预期景气、超越预期盈利、龙头效应、行业估值泡沫、反转因子、动量因子、拥挤度、通胀beta等[69] - 在经济四象限中对因子进行有效性检验，最终配置高预期收益行业[71] - 因子评价：因子表现稳定，能够捕捉行业轮动机会[71][72] --- 因子的回测效果 微观结构风险因子 - 中证全指结构风险：0.219 - 沪深300结构风险：0.218 - 中证500结构风险：0.254 - 中证1000结构风险：0.276[35] 行业轮动因子 - 历史年化收益率：一致预期行业景气因子表现较好，北向资金因子近期收益率有所回落[59][61]