量化模型与构建方式 1. 模型名称：信达金工行业轮动策略 模型构建思路：基于绩优基金的持仓倾向变化，构建行业轮动模型，捕捉行业轮动信号[33] 模型具体构建过程：通过分析绩优基金的超配和低配行业，识别行业轮动的边际变化。具体步骤包括： - 收集绩优基金的持仓数据 - 计算各行业的超配和低配比例 - 根据超配和低配比例的变化，生成行业轮动信号 模型评价：该模型能够有效捕捉行业轮动的边际变化，具有较强的市场适应性[33] 模型的回测效果 1. 信达金工行业轮动策略，多头超额收益为1.75[35] 量化因子与构建方式 1. 因子名称：动量模型多头超额 因子构建思路：基于动量效应，捕捉市场趋势[35] 因子具体构建过程：通过计算过去一段时间内的价格变化，识别市场趋势。具体步骤包括： - 选择时间窗口（如过去6个月） - 计算资产在该窗口内的收益率 - 根据收益率排序，选择表现最好的资产作为多头组合 因子评价：该因子能够有效捕捉市场趋势，具有较强的预测能力[35] 2. 因子名称：绩优基金模型多头超额 因子构建思路：基于绩优基金的持仓变化，捕捉行业轮动信号[35] 因子具体构建过程：通过分析绩优基金的超配和低配行业，识别行业轮动的边际变化。具体步骤包括： - 收集绩优基金的持仓数据 - 计算各行业的超配和低配比例 - 根据超配和低配比例的变化，生成行业轮动信号 因子评价：该因子能够有效捕捉行业轮动的边际变化，具有较强的市场适应性[35] 3. 因子名称：景气度模型多头超额 因子构建思路：基于行业景气度，捕捉行业轮动信号[35] 因子具体构建过程：通过分析行业的景气度指标，识别行业轮动的边际变化。具体步骤包括： - 选择景气度指标（如PMI、营收增长率等） - 计算各行业的景气度得分 - 根据景气度得分的变化，生成行业轮动信号 因子评价：该因子能够有效捕捉行业轮动的边际变化，具有较强的预测能力[35] 因子的回测效果 1. 动量模型多头超额，多头超额收益为1.75[35] 2. 绩优基金模型多头超额，多头超额收益为1.75[35] 3. 景气度模型多头超额，多头超额收益为1.75[35]