根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. 模型名称：人工智能全球大类资产配置模型 - 模型构建思路：基于机器学习模型和因子投资思路，对大类资产进行打分排序，构建月频量化等权配置策略[39] - 模型具体构建过程： 1. 使用历史数据统计和建模，提取多维度因子（如经济增长、通胀、信用等宏观指标） 2. 通过机器学习模型对资产打分，生成配置权重 3. 输出可投资的等权组合，覆盖国债、股票、商品等资产类别 - 模型评价：策略在年化收益率、夏普比率和最大回撤上均优于基准，表现稳定[39][44] 2. 模型名称：动态宏观事件因子的股债轮动策略 - 模型构建思路：基于经济增长和货币流动性信号，构建不同风险偏好的股债配置策略（进取/稳健/保守型）[45] - 模型具体构建过程： 1. 动态监测宏观事件因子（如PMI、PPI、M1-M2剪刀差等）[48] 2. 通过风险预算模型分配股债权重，信号强度决定仓位调整 3. 输出三类策略的差异化配置比例（如4月进取型股票权重25%）[45][47] - 模型评价：长期年化收益率显著高于基准（进取型20.02%），且回撤控制更优[51] 3. 模型名称：红利风格择时模型 - 模型构建思路：结合经济增长和货币流动性指标，对中证红利指数进行动态仓位调整[53] - 模型具体构建过程： 1. 选取10个宏观指标（如PPI同比、国债利差、Shibor等）构建信号体系[54] 2. 通过合成信号生成仓位建议（如4月推荐仓位100%） 3. 对比中证红利全收益指数优化稳定性[53] - 模型评价：年化收益率（16.86%）和夏普比率（0.95）显著提升，最大回撤降低至-21.22%[54] --- 模型的回测效果 1. 人工智能全球大类资产配置模型 - 年化收益率：6.45% - 夏普比率：1.01 - 最大回撤：6.66% - 超额年化收益率：1.28%（基准4.75%）[44] 2. 动态宏观事件因子股债轮动策略 - 进取型年化收益率：20.02% - 稳健型年化收益率：11.02% - 保守型年化收益率：6.03% - 最大回撤（进取型）：-13.72%（基准-46.24%）[51] 3. 红利风格择时模型 - 年化收益率：16.86%（中证红利基准11.30%） - 夏普比率：0.95 - 最大回撤：-21.22%（基准-36.80%）[54] --- 量化因子与构建方式 1. 经济增长维度因子 - 因子构建思路：反映宏观经济景气度，包括生产、需求、工业活动等指标[19][23] - 具体因子： - 中采制造业PMI及细分项（生产52.6%、新订单51.8%）[19] - 工业增加值同比、PPI同比（-2.2%）、M1-M2剪刀差（-6.9%）[26][29] 2. 货币流动性维度因子 - 因子构建思路：监测市场流动性松紧程度[31][36] - 具体因子： - 国债利率期限结构（10年国债利率上升9.77BP）[31] - DR007移动平均值、逆回购利率差额[36][38] 3. 信用维度因子 - 因子构建思路：跟踪社会融资规模和货币供应量变化[29] - 具体因子： - 社融存量同比（8.2%）、新增社融（22333亿元）[29] --- 因子的回测效果 （注：报告中未单独列出因子层面的回测指标，仅体现为模型合成信号强度） 例如： - 4月经济增长信号强度：0%（上月60%）[46] - 货币流动性信号强度：50%（上月0%）[46]