量化模型与构建方式 1. 模型名称：右侧行业景气趋势模型 - 模型构建思路：通过景气度、趋势和拥挤度三个维度筛选行业，选择景气高、趋势强且拥挤度不高的行业，适用于右侧市场环境[8][10][81] - 模型具体构建过程： - 景气度：衡量行业基本面和盈利能力 - 趋势：基于市场动量因子，捕捉强势行业 - 拥挤度：通过资金流向和持仓集中度，规避高拥挤风险 - 结合上述指标，构建行业配置权重，并进一步叠加PB-ROE选股策略[12][81][93] - 模型评价：模型表现稳健，适用于右侧市场环境，进攻性强，样本外表现优异[8][81] 2. 模型名称：左侧行业库存景气反转模型 - 模型构建思路：基于赔率-胜率框架，结合行业库存周期，挖掘困境反转机会，适用于左侧市场环境[8][16][83] - 模型具体构建过程： - 剔除库存和资本开支历史分位数>80%、毛利率和自由现金流占比历史分位数<20%的行业 - 重点关注库存压力较小且具备补库条件的行业 - 结合分析师长期看好的行业，捕捉补库周期中的反转机会[16][83][86] - 模型评价：模型在困境反转行情中表现较好，适合捕捉左侧市场机会[16][83] 3. 模型名称：行业景气度选股模型 - 模型构建思路：基于行业景气度模型，进一步落实到个股层面，选择估值性价比高的股票[12][93] - 模型具体构建过程： - 根据行业配置模型确定行业权重 - 在行业内选取PB-ROE估值性价比排名前40%的股票 - 按流通市值和PB-ROE打分加权，构建投资组合[12][93] - 模型评价：模型样本外表现优异，超额收益显著[12][93] 4. 模型名称：行业ETF配置模型 - 模型构建思路：将行业景气度模型应用于ETF投资，便于投资者直接落地操作[89][93] - 模型具体构建过程： - 基于行业景气度模型，筛选景气度高的行业 - 配置对应的行业ETF，形成投资组合[89][93] - 模型评价：策略年化超额收益显著，信息比率较高[89][93] --- 模型的回测效果 1. 右侧行业景气趋势模型 - 年化超额收益：16.3% - 信息比率：1.74 - 超额最大回撤：-7.4% - 月度胜率：71% - 2023年超额收益：9.3% - 2024年截止7月底超额收益：8.0%[81][82] 2. 左侧行业库存景气反转模型 - 年化超额收益：16.5% - 信息比率：1.76 - 超额最大回撤：-8.7% - 2023年绝对收益：17.8%，相对行业等权超额收益：21.6% - 2024年截止7月底绝对收益：-3.4%，相对行业等权超额收益：9.6%[86][87] 3. 行业景气度选股模型 - 年化超额收益：22.9% - 信息比率：2.02 - 超额最大回撤：-8.0% - 月度胜率：74% - 2022年超额收益：10.2% - 2023年超额收益：10.4% - 2024年截止7月底绝对收益：5.5%，超额收益：13.2%[12][93][95] 4. 行业ETF配置模型 - 年化超额收益：18.2% - 信息比率：1.87 - 2023年超额收益：6.0% - 2024年截止7月底超额收益：2.2%[89][91] --- 量化因子与构建方式 1. 因子名称：PB-ROE因子 - 因子构建思路：通过PB（市净率）和ROE（净资产收益率）结合，衡量估值性价比，筛选高性价比股票[12][93] - 因子具体构建过程： - 计算PB和ROE的历史分位数 - 对行业内股票进行PB-ROE综合打分 - 选取前40%的股票构建投资组合[12][93] --- 因子的回测效果 1. PB-ROE因子 - 样本外年化超额收益：10%以上 - 2022年超额收益：10.2% - 2023年超额收益：10.4% - 2024年截止7月底超额收益：13.3%[12][93]