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：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的思路，对各资产进行打分排序，构建月频量化等权配置策略[30] - 模型具体构建过程： 1. 使用历史数据统计和建模，生成资产打分 2. 根据打分结果分配权重，形成可投资组合 3. 每月动态调整权重[30] - 模型评价：在各维度上表现优于基准，具有较好的超额收益能力[30] 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：基于宏观择时模块和风险预算模型框架，构建不同风险偏好的配置策略[37] - 模型具体构建过程： 1. 使用经济增长和货币流动性指标生成信号 2. 根据信号强度分配股票和债券权重 3. 输出进取型、稳健型和保守型三种配置方案[37][38] - 模型评价：长期表现优于基准，风险调整后收益较好[37] 3. 模型名称：红利风格择时策略 - 模型构建思路：使用经济增长和货币流动性指标构建动态事件因子体系，对红利指数进行择时[45] - 模型具体构建过程： 1. 选取10个宏观经济指标 2. 通过因子体系合成最终信号 3. 根据信号决定仓位[45][48] - 模型评价：相较于基准指数有显著稳定性提升[45] 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：13.76% - 年化波动率：18.28% - 最大回撤：16.53% - 夏普比率：0.75 - 超额年化收益率：9.02%[30][36] 2. 动态宏观事件因子的股债轮动策略 - 进取型年化收益率：19.93% - 稳健型年化收益率：11.00% - 保守型年化收益率：6.06% - 进取型最大回撤：-13.72% - 稳健型夏普比率：1.18[37][44] 3. 红利风格择时策略 - 年化收益率：15.84% - 年化波动率：17.68% - 最大回撤：-21.70% - 夏普比率：0.89[45][49] 量化因子与构建方式 1. 因子名称：经济增长因子 - 因子构建思路：通过工业增加值、PMI等指标衡量经济增长状况[37][40] - 因子具体构建过程： 1. 收集工业增加值同比、PMI新订单等数据 2. 标准化处理后加权合成[40] 2. 因子名称：货币流动性因子 - 因子构建思路：通过国债利率、银行间利率等指标衡量流动性状况[37][40] - 因子具体构建过程： 1. 收集DR007、M1-M2剪刀差等数据 2. 标准化处理后加权合成[40] 3. 因子名称：红利风格因子 - 因子构建思路：通过消费者信心指数、PPI等指标判断红利风格机会[48] - 因子具体构建过程： 1. 选取10个宏观经济指标 2. 通过动态事件因子体系合成信号[48] 因子的回测效果 1. 经济增长因子 - 4月份信号强度：50%[38] - 对配置权重影响显著[37] 2. 货币流动性因子 - 4月份信号强度：40%[38] - 对短期配置调整有指导作用[37] 3. 红利风格因子 - 4月份合成信号：0%[48] - 有效控制回撤[45]