量化模型与构建方式 1. 模型名称：大小盘轮动模型 - 模型构建思路：基于宏观经济、市场状态和微观特征三个维度构建多层次的风格轮动框架，通过事件驱动法和统计后验筛选宏观因子，结合市场情绪和微观交易信号判断大小盘风格偏好[33][36] - 模型具体构建过程： 1. 宏观经济维度：从经济增长、消费、货币、利率、汇率和地产六个维度选取宏观因子（如固定资产投资完成额累计同比、PMI、信用利差等），定义5种事件模式（历史高低位、边际变化、超预期、创新高/新低），通过事件研究法筛选有效信号[36] 2. 市场状态维度：计算中证全指的月涨跌幅、换手率、波动率、ERP/BP/DRP等指标，结合中证红利月超额收益，分析市场情绪与风格关系[36] 3. 微观特征维度：从业绩变化（如未预期毛利）、资金趋向（大单买入强度）和交易情绪（改进反转、换手率）构建动量类因子，通过相对位置比较生成信号[36] - 模型评价：逻辑清晰且可量化，历史表现稳定，但需警惕市场风格突变风险[36] 2. 模型名称：价值成长轮动模型 - 模型构建思路：与大小盘模型框架一致，但在因子选取上侧重价值/成长风格的分化驱动因素（如PPI-CPI剪刀差、M1/M2同比、国债收益率等）[32][36] - 模型具体构建过程： 1. 宏观经济维度：选取PPI-CPI剪刀差、M1/M2同比、国债收益率等指标，通过事件模式判断价值/成长偏好（如PPI-CPI低位指向成长风格）[32] 2. 市场状态维度：使用中证全指换手率、波动率及中证红利超额收益等指标，结合均衡估值信号判断风格切换[32] 3. 微观特征维度：通过换手率标准差、月涨跌幅等交易类因子捕捉资金流向[32] --- 模型的回测效果 1. 大小盘轮动模型 - 年化超额收益：11.08%（汇总）[18] - IR：1.40（汇总）[18] - 超额月胜率：64.43%（汇总）[18] - 分年度表现（示例）： - 2015年超额收益62.95%，IR 4.60[18] - 2024年超额收益-20.37%，IR -1.60[18] 2. 价值成长轮动模型 - 年化超额收益：18.73%（汇总）[23] - IR：2.02（汇总）[23] - 超额月胜率：70.47%（汇总）[23] - 分年度表现（示例）： - 2021年超额收益47.65%，IR 3.96[23] - 2018年超额收益18.34%，IR 2.51[23] --- 量化因子与构建方式 1. 因子名称：宏观经济事件因子（如PPI-CPI剪刀差） - 因子构建思路：通过宏观指标的事件模式（如创新低、边际改善）生成风格信号[36] - 因子具体构建过程： - 定义事件阈值（如历史分位数、环比变化），触发事件后统计未来一个月风格收益显著性[36] 2. 因子名称：市场状态因子（如中证全指月换手率） - 因子构建思路：捕捉市场情绪对风格的短期影响[36] - 因子具体构建过程： - 计算标准化换手率$\text{Turnover}_t = \frac{\text{Volume}_t}{\text{MarketCap}_t}$，结合历史分位数判断交易热度[36] 3. 因子名称：微观动量因子（如20日改进反转） - 因子构建思路：利用价格和交易量动量效应预测风格延续性[29][36] - 因子具体构建过程： - 改进反转公式：$R_{t-20,t} = \frac{P_t}{P_{t-20}} - 1$，结合波动率调整权重[29] --- 因子的回测效果 （注：报告中未单独列出因子级回测指标，仅展示模型综合效果）