量化模型与构建方式 1. 模型名称：隐马尔可夫模型（HMM） - 模型构建思路：基于隐马尔可夫模型，通过识别当前行业所处状态，计算当前行业状态序列与历史中显著上涨或下跌状态序列的平均相似度，预测行业未来上涨概率，进而构建行业轮动策略[2][9][33] - 模型具体构建过程： 1. 模型定义：隐马尔可夫模型由初始状态概率向量、状态转移概率矩阵和观测概率矩阵决定，表示为三元组 $\lambda=(A,B,\pi)$[23] - 初始状态概率向量 $\pi=[\pi_{i}]$，表示初始时刻处于某状态的概率[22][23] - 状态转移概率矩阵 $A=[a_{i,j}]$，表示从状态 $q_i$ 转移到状态 $q_j$ 的概率[19][20] - 观测概率矩阵 $B=[b_{j,k}]$，表示在状态 $q_j$ 下生成观测 $v_k$ 的概率[20][21] 2. 状态序列生成：基于行业量价数据，利用隐马尔可夫模型生成状态序列[35] 3. 状态匹配：通过滚动采样历史状态序列，计算当前行业状态序列与历史显著上涨、显著下跌状态序列的相似度[36][37] - 相似度计算公式： $S_{i}=\begin{cases}1.0&\text{if}\ W_{i}^{\text{Now}}=W_{i}^{\text{Part}}\\ 0.5&\text{if}\ W_{i}^{\text{Now}}=W_{i-1}^{\text{Part}}\ \text{or}\ W_{i}^{\text{Now}}=W_{i+1}^{\text{Part}}\\ 0&\text{otherwise}\end{cases}$ $S=\sum_{i=1}^{K}S_{i}$ 其中 $W_{i}^{\text{Now}}$ 和 $W_{i}^{\text{Part}}$ 分别为观察窗口和待比较窗口的状态序列[54] 4. 行业优选：选择预测上涨概率较高的前五分之一行业（六个）等权配置[43] 5. 参数优化：通过样本内回测，选择涨跌阈值为3.5%、观察窗口长度为5作为最优参数[64] - 模型评价：隐马尔可夫模型能够有效提取多维特征的抽象状态，降低噪声，提升预测能力[89] --- 模型的回测效果 样本内表现 - 累计超额收益：2022年为7.02%，2023年为9.03%[71][73] - 最大回撤：2022年为3.50%，2023年为3.40%[71][73] - 月度胜率：2022年为66.67%，2023年为91.67%[71][73] - 年化波动率：2022年为5.91%，2023年为5.33%[71][73] - 月盈亏比：2022年为1.76，2023年为0.48[71][73] 样本外表现 - 累计超额收益：2024年前8个月为10.75%[74][75] - 最大回撤：2024年前8个月为2.80%[74][75] - 月度胜率：2024年前8个月为75.00%[74][75] - 年化波动率：2024年前8个月为6.77%[74][75] - 月盈亏比：2024年前8个月为1.91[74][75] 样本外行业表现 - Top行业收益排名：2024年前8个月中，第1名出现4次，前3名共计8次，前5名共计13次，前10名共计20次，前15名共计28次，占比58%[83] - 月度换手率：2024年前8个月平均月度换手率为53%[83] --- 量化因子与构建方式 1. 因子名称：日收益率、20日波动率、20日波动率差分、日换手率、日换手率差分 - 因子的构建思路：通过多维特征代理变量描述行业状态，提取与市场波动相关的关键信息[40][48] - 因子具体构建过程： 1. 特征选择：剔除收盘价因子，最终选择5个因子[48] 2. 标准化处理：采用Z-Score标准化方法，公式为： $X'=\frac{X-\text{Mean}(X)}{\text{Std}(X)}$ 其中 $\text{Mean}(X)$ 为均值，$\text{Std}(X)$ 为标准差[49][50] 3. 特征矩阵生成：基于行业量价数据，生成训练特征矩阵和预测特征矩阵[35] - 因子评价：因子选择合理，能够有效反映市场状态，提升模型预测能力[40][48] --- 因子的回测效果 样本内表现 - 累计超额收益：在涨跌阈值3.5%、观察窗口长度5的情况下，累计超额收益为16.7%[64] - 最大回撤：3.50%[64] - 月度胜率：79%[64] - 信息比率（IR）：1.40[63] 样本外表现 - 累计超额收益：10.75%[74][75] - 最大回撤：2.80%[74][75] - 月度胜率：75.00%[74][75] - 信息比率（IR）：未明确提及