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 - 构建思路：应用机器学习模型进行大类资产配置，基于因子投资思路对各资产进行打分排序，构建月频量化等权配置策略[35] - 具体构建过程： 1. 输入层：整合经济增长、通胀、货币政策等宏观指标作为特征变量 2. 模型层：采用监督学习算法（未明确具体算法）对历史资产表现与宏观因子关系进行训练 3. 输出层：生成资产打分排序并分配权重，6月配置建议为国债指数(68.18%)、ICE布油(13.35%)、日经225(11.60%)、纳斯达克指数(6.87%)[35][38] - 模型评价：在控制回撤方面表现优异，超额收益稳定性强[35] 2. 模型名称：动态宏观事件因子的股债轮动策略 - 构建思路：通过宏观择时模块（经济增长/货币流动性维度）结合风险预算模型，输出不同风险偏好配置方案[40] - 具体构建过程： 1. 信号生成：10个细分指标（如PPI同比、M1-M2剪刀差等）通过动态事件因子体系合成信号强度[43] 2. 权重分配：6月进取型/稳健型/保守型股票权重分别为45%/13.92%/0%[40][42] 3. 风险预算：根据波动率约束调整股债配置比例[40] - 模型评价：长期显著跑赢股债64基准，风险调整收益优异[47] 3. 模型名称：红利风格择时配置模型 - 构建思路：基于经济增长和货币流动性10个指标构建动态事件因子体系，对中证红利指数进行仓位择时[48] - 具体构建过程： 1. 指标标准化：包括PPI同比、国债利差10Y-3M等指标归一化处理[52] 2. 信号合成：5月经济增长维度信号强度50%，货币流动性40%，最终合成100%仓位信号[48] 3. 仓位控制：全仓/半仓/空仓三档阈值控制[48] 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6.54% vs 基准5.05% - 最大回撤-6.66% vs 基准-12.67% - 夏普比率0.75 vs 基准0.54[35][39] 2. 动态宏观事件因子股债轮动策略 - 进取型年化收益率19.90%（夏普1.28） - 稳健型年化收益率10.97%（夏普1.18） - 保守型年化收益率6.04%（夏普1.51）[47] 3. 红利风格择时模型 - 年化收益率15.74% vs 中证红利11.26% - 最大回撤-21.70% vs 基准-36.80% - 夏普比率0.89 vs 基准0.56[51] 量化因子与构建方式 1. 因子名称：经济增长维度因子 - 构建思路：反映实体经济景气度的领先指标组合[43] - 具体构建过程： - 包含工业增加值同比、PPI同比等指标 - 采用3个月移动平均处理季节性波动 - 信号阈值：$Signal_{growth} = \sum_{i=1}^{n} w_i \cdot I(Indicator_i > Threshold_i)$[43] 2. 因子名称：货币流动性因子 - 构建思路：刻画市场资金面松紧程度[43] - 具体构建过程： - 包含M1-M2剪刀差、R007_MA20等指标 - 动态权重调整：$w_t = \frac{1}{\sigma_t} \cdot e^{-\lambda t}$[43] 因子的回测效果 1. 经济增长维度因子 - 5月信号强度50%（工业增加值同比发出看多信号）[42] - 近12个月IC均值0.32[43] 2. 货币流动性因子 - 5月信号强度40%（中美国债利差10Y发出看多信号）[42] - 近12个月IC均值0.25[43]