根据提供的研报内容，以下是量化模型和因子的详细总结： 量化模型与构建方式 1. 模型名称：黄金定价数量模型 - 模型构建思路：尝试构建黄金定价的数量模型，基于扩展模型对不同情形下的未来金价进行预测[5] - 模型具体构建过程： 1. 模型基于全球货币变局背景，考虑非经济因素（如各国信任度变化、国际秩序重构）对黄金需求的影响 2. 分三种情形预测： - 乐观情形：突破3800美元/盎司 - 中性情形：达到3200美元/盎司 - 悲观情形：回落至2600-2700美元/盎司区间 - 模型评价：该模型突破了传统美元实际利率定价框架，更适合当前非经济因素驱动的黄金牛市[20] 2. 模型名称：债券基金久期测算净值回归法 - 模型构建思路：通过基金收益率序列对债券指数收益率序列进行多元线性回归，计算组合久期[17] - 模型具体构建过程： 1. 按券种配置特点将基金分为三类：利率债基金、信用债基金、综合债基金 2. 对不同类型基金采用不同指数回归： - 信用债基金：使用不同期限的中债-信用债总财富指数 - 利率债基金：使用中债-国开行债券总财富（1年以下）指数及国债/政策性银行债指数 - 综合债基金：综合上述所有指数 3. 采用Lasso回归法减轻多重共线性影响，增强模型稳定性[18] - 模型评价：相比重仓券法和利率敏感度法，具有高频、高时效性优势，平均绝对误差0.63-0.83年[18] 3. 模型名称：ETF中低频因子周度组合策略 - 模型构建思路：基于量价因子和基本面因子构建周度调仓的ETF组合策略[29] - 模型具体构建过程： 1. 因子分类测试： - 量价因子：长动量（年度IC胜率82%）、短动量（年度IC胜率91%） - 风格因子：PB分位点因子表现稳定 - 基本面因子：稳定性优于风格因子但收益表现较弱 2. 构建两种策略： - 低频量价策略：年化超额收益12.35%（相对Wind全A） - 困境反转策略：年化超额收益17.49% 3. 最优调仓频率确定为周频（W）[30] - 模型评价：策略具有显著行业轮动特性，能灵活应对不同经济周期，全池策略抗风险能力最优[30] 量化因子与构建方式 1. 因子名称：长动量因子 - 因子构建思路：捕捉ETF中长期价格趋势[30] - 因子具体构建过程： - 计算标的过去6个月收益率排序 - 年度IC胜率达82% - 因子评价：在量价因子中预测能力最突出 2. 因子名称：短动量因子 - 因子构建思路：捕捉ETF短期价格动能[30] - 因子具体构建过程： - 计算标的过去1个月收益率排序 - 年度IC胜率达91% - 因子评价：收益稳定性最佳的量价因子 3. 因子名称：PB分位点因子 - 因子构建思路：衡量ETF估值历史分位水平[30] - 因子具体构建过程： - 计算当前PB相对于过去3年历史分位数 - 因子评价：能穿越市场周期的稳定风格因子 模型的回测效果 1. 黄金定价数量模型 - 乐观情形预测值：3800美元/盎司[5] - 中性情形预测值：3200美元/盎司[5] - 悲观情形预测值：2600-2700美元/盎司[5] 2. 债券基金久期测算模型 - 利率债基久期误差：0.83年[18] - 信用债基久期误差：0.63年[18] - 综合债基久期误差：0.80年[18] - 全市场纯债基金久期中位数：3.1年（2024年底）[19] 3. ETF组合策略 - 低频量价策略： - 年化超额收益：12.35% - 年化绝对收益：20.08%[30] - 困境反转策略： - 年化超额收益：17.49% - 年化绝对收益：25.23%[30] 因子的回测效果 1. 长动量因子 - 年度IC胜率：82%[30] 2. 短动量因子 - 年度IC胜率：91%[30] 3. PB分位点因子 - 稳定性：穿越市场周期[30]