量化模型与构建方式 1. 宏观择时策略模型 - 模型名称：宏观择时策略模型 - 模型构建思路：基于宏观事件因子进行股债轮动策略，通过规避宏观下行风险来获取超额收益 - 模型具体构建过程： - 使用景气度指标（如中采制造业PMI）和PPI同比+工业增加值同比来判断经济环境阶段 - 通过调整因子打分方式，提升持仓权重，适配上涨行情 - 增加市场情绪类指标，及时反映非宏观驱动的指数行情 - 公式：择时信号 = max(经济增长信号, 流动性信号) > 30% ? 1 : 0 - 模型评价：在市场上行阶段表现较好，通过调整规则提升持仓权重和时长，避免错过上涨行情[89][90][91] 2. AI选股模型 - 模型名称：AI选股模型 - 模型构建思路：基于决策树的集成算法GBDT和神经网络类模型，针对不同特征数据集进行训练 - 模型具体构建过程： - 使用量价数据进行模型训练，模型天然向低波、非流动性等因子学习 - 通过回归剥离Barra风格因子后的表现，发现在不同股票池中因子表现有差异 - 公式：AI因子 = GBDT模型(量价数据) + 神经网络模型(特征数据) - 模型评价：整体表现优异，但在特定月份回撤明显，需结合市场环境进行调整[140][143][144] 模型的回测效果 宏观择时策略模型 - 年化超额收益：12.05%[67] - 最大回撤：17.31%[67] - 信息比率（IR）：0.68[67] AI选股模型 - 沪深300股票池：剥离Barra后因子多头超额收益走平[147] - 中证500股票池：剥离Barra后因子多头超额收益走平[147] - 中证1000股票池：剥离Barra后因子多头超额收益保持向上稳定走势[147] 量化因子与构建方式 1. 分析师预期因子 - 因子名称：分析师预期因子 - 因子的构建思路：通过分析师对行业的预期来判断高景气度的行业 - 因子具体构建过程： - 收集分析师对各行业的预期数据 - 计算各行业的景气度指标 - 公式：分析师预期因子 = Σ(分析师预期 * 行业景气度) - 因子评价：在市场下行阶段表现较差，但在市场回暖阶段表现回升[118][119] 2. 超预期因子 - 因子名称：超预期因子 - 因子的构建思路：通过实际业绩超出预期的情况来判断行业表现 - 因子具体构建过程： - 收集各行业的实际业绩数据 - 计算实际业绩与预期的差值 - 公式：超预期因子 = Σ(实际业绩 - 预期业绩) - 因子评价：整体表现稳健，建议持续配置[118][119] 因子的回测效果 分析师预期因子 - IC均值：1.4%[111] - 多空收益：0.7%[111] - 多头超额收益：3.6%[111] - 多头收益：8.1%[111] 超预期因子 - IC均值：5.8%[111] - 多空收益：7.1%[111] - 多头超额收益：4.3%[111] - 多头收益：8.8%[111]