量化模型与构建方式 1. 模型名称：k-means++聚类模型 模型构建思路：通过概率化选择初始质心，确保质心之间尽量分散，覆盖不同数据分布区域，从而优化聚类效果[38]。 模型具体构建过程： - 随机选择一个数据点作为第一个质心[39]。 - 对每个新质心的选择，计算所有数据点到已有质心的最短距离，以这些距离的平方值作为权重按概率分布选择下一个质心，距离越远的点被选中的概率越高[39]。 - 重复上述操作，直到选出k个质心，后续流程与传统k-means一致，即迭代更新质心并分配数据点[39]。 模型评价：k-means++通过优化初始质心选择，减少了局部最优风险，加速了收敛，效果优于传统k-means[38]。 2. 模型名称：支撑阻力因子模型 模型构建思路：通过最高价与最低价的形态变化，判断ETF的趋势强度，构建支撑阻力因子，选择趋势更强的ETF[59]。 模型具体构建过程： - 计算最近20个交易日ETF最高价的斜率ℎ和最低价的斜率[62]。 - 支撑阻力因子= abs(ℎ/)[62]。 - 选择最高价和最低价均上涨的ETF，根据支撑阻力因子排序，取因子值最高的前20%[63]。 模型评价：该模型能够有效捕捉ETF的趋势变化，支撑阻力因子的构建有助于识别上行空间较大的ETF[59]。 模型的回测效果 1. k-means++聚类模型：聚类结果基本符合投资概念或板块的相似度要求，能够有效降低ETF选择的复杂度[42]。 2. 支撑阻力因子模型：2016年以来年化收益14.46%，年化波动14.44%，年化夏普1.0，相对于沪深300指数的年化超额12.56%[63]。 量化因子与构建方式 1. 因子名称：支撑阻力因子 因子的构建思路：通过最高价与最低价的斜率变化，判断ETF的支撑与阻力强度，选择趋势更强的ETF[62]。 因子具体构建过程： - 计算最近20个交易日ETF最高价的斜率ℎ和最低价的斜率[62]。 - 支撑阻力因子= abs(ℎ/)[62]。 因子评价：该因子能够有效识别ETF的趋势强度，支撑阻力因子的构建有助于选择上行空间较大的ETF[62]。 2. 因子名称：换手率因子 因子的构建思路：通过近5日换手率与近20日换手率的比值，判断ETF的短期市场关注度[63]。 因子具体构建过程： - 计算近5日换手率与近20日换手率的比值[63]。 - 选择比值最高的ETF，构建组合[63]。 因子评价：该因子能够有效捕捉ETF的短期市场关注度，有助于选择短期内市场热度较高的ETF[63]。 因子的回测效果 1. 支撑阻力因子：2016年以来年化收益14.46%，年化波动14.44%，年化夏普1.0，相对于沪深300指数的年化超额12.56%[63]。 2. 换手率因子：2016年以来年化收益14.46%，年化波动14.44%，年化夏普1.0，相对于沪深300指数的年化超额12.56%[63]。