量化模型与构建方式 1. 模型名称：行业风格轮动模型 - 模型构建思路：通过资金流、情绪类、技术面因子等多维度因子，结合行业得分环比变化，捕捉行业轮动机会[2][4][33] - 模型具体构建过程： 1. 因子选择：引入资金流、情绪类、技术面因子，创新性地使用海外ETF资金流数据作为北向因子的高频替代[4][42] 2. 因子衍生：采用1、2、3阶暴力衍生方式，丰富因子池[45] 3. 因子筛选：剥离因子轮动风险，偏好无明显牛熊特征的因子，筛选出中长期稳定有效的因子[45] 4. 逐步复合：通过逐步回归思想，精简因子名单并提升复合因子效果[45] 5. 加权及持仓：采用“大类等权、小类等权”的加权方式，持仓组合同样采用基金等权方式[45] 6. 宏观因子融合：通过时序回归方式，将宏观因子与微观因子融合在多因子打分框架内[45] 7. 轮动池构建：基于申万1.5级行业分类，确认行业映射关系，提升模型可落地性[45] - 模型评价：模型立足于稳健低敏需求，注重胜率指标，贯彻“小胜积累为大胜”的思想，具有较高的可落地性[42][45] 2. 模型名称：风格轮动模型 - 模型构建思路：通过宏观因子与微观因子的结合，捕捉市场风格轮动特征，优选宽基指数[3][37] - 模型具体构建过程： 1. 因子选择：结合宏观因子（如CPI、货币供应、固定资产投资等）与微观因子（如质量因子、动量因子）[3][37] 2. 因子融合：通过时序回归方式，将宏观因子转化为截面上具有区分度的因子，与微观因子融合[45] 3. 轮动池构建：采用灰度轮动框架，基于6个常见宽基指数（如中证1000、沪深300等），实现对市场风格的精细刻画[45] - 模型评价：模型从中小盘成长逐步转向大盘均衡风格，预测收益率与实际涨跌幅排序高度一致，具有较高的稳定性和胜率[43][45] --- 模型的回测效果 行业风格轮动模型 - 超额收益：2024年跑赢全部基准指数，相对沪深300指数超额收益为4.6%[4][43] - 胜率：月胜率为91.67%，近3年胜率为66.67%，近5年胜率为73.33%[4][43] - 换手率：受宏观因子低波性影响，整体呈现低换手特征[43] 风格轮动模型 - 超额收益：2024年相对于偏股混合基金指数超额收益为11.2%[43] - 胜率：近1年胜率为75.00%，近3年胜率为72.22%，近5年胜率为73.33%[43] - 稳定性：2024年4月后基本稳定在大盘风格，预测收益率与实际涨跌幅排序高度一致[43] --- 量化因子与构建方式 1. 因子名称：资金流因子 - 因子构建思路：通过资金流数据捕捉市场资金动向，反映市场情绪和行业热度[4][33] - 因子具体构建过程： 1. 引入海外ETF资金流数据作为北向因子的高频替代[4] 2. 结合国内ETF资金流数据，分析行业和宽基指数的资金流入/流出情况[24][30] - 因子评价：资金流因子在弱增量博弈型市场环境下显得尤为重要，与市场走势具有较高一致性[4][42] 2. 因子名称：情绪类因子 - 因子构建思路：通过市场情绪指标捕捉投资者行为特征，反映市场预期[2][33] - 因子具体构建过程： 1. 结合技术面因子，分析行业得分环比变化[2][33] 2. 通过情绪类因子贡献，捕捉超跌反弹和利空出尽的行业机会[33] - 因子评价：情绪类因子在医药行业的超跌反弹中贡献较高，表现出较强的前瞻性[33] 3. 因子名称：技术面因子 - 因子构建思路：通过技术指标捕捉市场趋势和行业动量特征[2][33] - 因子具体构建过程： 1. 结合行业得分环比变化，分析技术面因子对行业得分的贡献[2][33] 2. 通过技术面因子，筛选出技术面得分较高的行业（如科技制造）[33] - 因子评价：技术面因子在科技行业中表现亮眼，与资金流和情绪类因子共振，推动行业得分上行[33] --- 因子的回测效果 资金流因子 - 表现：海外ETF资金流出78.49亿元，主要集中在沪深300和中证A500指数，与行业轮动模型结果一致[4][30] 情绪类因子 - 表现：近三月预期类因子呈现持续性边际回暖，未来有望通过该因子把握AI板块投资机会[4][43] 技术面因子 - 表现：技术面因子在科技制造行业得分较高，推动行业得分环比提升[33]