量化模型与构建方式 1. 模型名称：主动风险预算模型 - 模型构建思路：结合风险平价模型与主动信号，通过动态调整资产波动贡献，确定股票与债券的配置权重[8][9] - 模型具体构建过程： 1. 风险平价模型：核心是让各资产对组合的波动贡献相同，确定资产配置权重[9] 2. 主动信号调整：从三个维度动态调整资产波动贡献： - 股债横向比价：借鉴美联储FED模型，定义股权风险溢价（ERP）为： $ERP = \frac{1}{PE_{ttm}} - YTM_{TB}^{10Y}$ 其中，$PE_{ttm}$为中证800市盈率，$YTM_{TB}^{10Y}$为10年期国债到期收益率。当ERP > 5%时超配权益资产，当ERP < 2%时低配权益资产[10][11] - 股票纵向估值水平：滚动窗口计算股票估值在近5年历史中的分位数。当估值分位数 < 25%时超配权益资产，当估值分位数 > 75%时低配权益资产[12] - 市场流动性：以M2-M1剪刀差反映市场流动性。当$M2-M1 \geq 5\%$时超配权益资产，当$M2-M1 \leq -5\%$时低配权益资产[14] 3. 信号汇总与权重计算：将三个维度的信号（看多=1，看空=-1，中性=0）代入softmax函数，计算权益资产风险预算权重： $softmax(x) = \frac{\exp(\lambda x)}{\exp(\lambda x) + \exp(-\lambda x)}$ 其中，$x$为权益汇总信号，$\lambda$为风险调整系数[17][18] - 模型评价：通过多维度动态调整，模型能够更灵活地适应市场变化，提供稳健的资产配置建议[8] 2. 模型名称：行业轮动模型 - 模型构建思路：从交易行为、资金面、基本面三个维度出发，构建6个行业轮动子模型，对行业进行综合打分，优选表现最优的行业[23][25] - 模型具体构建过程： 1. 交易行为维度： - 黄金率模型：捕捉行业日内动量与隔夜反转效应 - 行业龙头股模型：捕捉行业内龙头股领先、普通股滞后效应[25] 2. 资金面维度： - 北向双轮驱动模型：捕捉高活跃成交与高净流入特征的外资偏好 - 机构资金流模型：捕捉超大单抢筹与小单退出的供需特征[25] 3. 基本面维度： - 历史景气度模型：捕捉行业盈余动量效应 - 预期景气度模型：捕捉行业戴维斯双击效应[25] 4. 综合打分：对行业进行综合评分，每月选择分数最高的前三分之一行业作为多头组合，基准组合为全行业等权组合[23] - 模型评价：模型通过多维度信号综合决策，能够较好地捕捉行业轮动机会，提升组合收益[23] --- 模型的回测效果 主动风险预算模型 - 年化收益率：6.31%[20][22] - 最大回撤：4.89%[20][22] - 收益波动比：1.61[20][22] - 收益回撤比：1.29[20][22] 行业轮动模型 - 2024年4月多头组合平均收益率：1.07%[28] - 基准组合收益率：-0.17%[28] - 超额收益率：1.24%[28] --- 量化因子与构建方式 1. 因子名称：成长因子 - 因子构建思路：捕捉强动量与景气上行趋势[43] - 因子具体构建过程：通过对成长性相关指标的动态监控，筛选出具有强动量特征的资产[43] - 因子评价：因子表现出较高的胜率和中等赔率，适合在景气上行阶段使用[43] 2. 因子名称：质量因子 - 因子构建思路：捕捉高质量资产的强动量与景气上行趋势[43] - 因子具体构建过程：通过对资产质量相关指标（如ROE、盈利稳定性等）的筛选，优选高质量资产[43] - 因子评价：因子具有较高的胜率和高赔率，适合在景气上行阶段使用[43] 3. 因子名称：估值因子 - 因子构建思路：捕捉低估值资产的强动量与景气上行趋势[43] - 因子具体构建过程：通过对估值指标（如PE、PB等）的筛选，优选低估值资产[43] - 因子评价：因子表现出较高的胜率和中等赔率，适合在景气上行阶段使用[43] --- 因子的回测效果 成长因子 - 趋势：强动量[43] - 胜率：较高[43] - 赔率：中等[43] 质量因子 - 趋势：强动量[43] - 胜率：较高[43] - 赔率：高[43] 估值因子 - 趋势：强动量[43] - 胜率：较高[43] - 赔率：中等[43]