量化模型与构建方式 1 景气动量模型 1) 模型名称：景气动量模型 2) 模型构建思路：自上而下行业轮动模型，基于行业盈利能力g和盈利能力边际变化Δg构建，从宏观、中观、微观三个视角对行业Δg开展建模[2] 3) 模型具体构建过程： - 宏观视角：将增长、通胀等宏观因子与行业整体ROE变化、估值变化映射，构建宏观戴维斯双击因子 - 中观视角：用产业链数据对行业财务状况进行Nowcast，计算中观景气度因子 - 微观视角：使用卖方分析师一致预期数据补充财报数据，计算微观景气度因子 - 加权组合三个视角的因子得到景气动量因子[16] 4) 模型评价：表现对市场风格依赖度高，尤其与成长因子显著正相关，是一个名副其实的Smart Beta[2][23] 2 遗传规划模型 1) 模型名称：遗传规划模型 2) 模型构建思路：自下而上行业轮动模型，采用"生物育种"原理直接挖掘行业量价、估值等数据[3] 3) 模型具体构建过程： - 将单目标遗传规划改造为双目标遗传规划，同时评价因子分组单调性和多头组表现 - 使用NSGA-II算法挖掘兼具分组表现单调、多头表现优秀的因子 - 采用贪心策略和方差膨胀系数合成行业得分[18] - 最新一期权重最高的因子计算过程： $ts_covariance_torch(ts_grouping_deczscorecut_torch(ts_decsortcut_torch(daily_exc,60,9,2),ts_decsortcut_torch(daily_exc,30,8,2),15,2.0,1),exp_torch(low_st),55)$ 1) 计算60日和30日超额收益变量A和B 2) 对B进行zscore标准化提取特定日期集合T 3) 计算T中A之和变量C 4) 计算标准化收盘价的自然指数变量D 5) 计算C和D的55日协方差[35] 4) 模型评价：对市场风格依赖度低，超额收益来自对行业机会的把握[3][32] 模型的回测效果 1 景气动量模型 1) 回测区间：20160430-20250131 2) 年化收益：9.61% 3) 年化波动：22.51% 4) 夏普比率：0.43 5) 最大回撤：-44.84% 6) 卡玛比率：0.21[25] 7) BARRA因子暴露：Growth(0.32)[25] 2 遗传规划模型 1) 回测区间：20220930-20250214 2) 年化收益：32.57% 3) 年化波动：18.17% 4) 夏普比率：1.79 5) 最大回撤：-19.63% 6) 卡玛比率：1.66[34] 7) 年化超额收益：28%[3] 量化因子与构建方式 1 宏观戴维斯双击因子 1) 因子构建思路：基于宏观因子与行业ROE变化、估值变化的映射关系构建[16] 2 中观景气度因子 1) 因子构建思路：用产业链数据对行业财务状况进行Nowcast[16] 3 微观景气度因子 1) 因子构建思路：使用卖方分析师一致预期数据补充财报数据[16] 因子的回测效果 1 最新一期遗传规划因子 1) 训练集IC：0.042 2) 训练集NDCG@5：0.362 3) 因子权重：40.7%[35]