量化模型与构建方式 1. 模型名称：风格轮动型基金优选组合 模型构建思路：基于成长价值与大小盘两个维度，通过基金在两个报告期的股票持仓构建绝对主动轮动指标，识别风格轮动型基金，并利用主动轮动收益因子优选基金[3] 模型具体构建过程： - 计算基金持仓的风格暴露变化，剔除被动调整部分，保留主动调整部分 - 构建绝对主动轮动指标： $主动轮动指标 = \sum_{i=1}^{n} |w_{i,t} - w_{i,t-1}|$ 其中$w_{i,t}$为第$i$只股票在$t$期的权重 - 根据主动轮动收益因子（风格轮动带来的超额收益）筛选基金[3] 模型评价：能够有效捕捉基金经理主动调整风格的能力 2. 模型名称：基于基金特征和基金能力的综合选基策略 模型构建思路：从基金规模、持有人结构、业绩动量、选股能力等维度构建选基因子，等权重合成[4] 模型具体构建过程： - 基金规模类因子：合并口径的基金规模、份额 - 持有人结构类因子：员工持有份额占比 - 业绩动量类因子：由4因子模型alpha、夏普比率、区间胜率、HM择时能力系数等权合成 - 选股能力因子：基于Brinson模型计算选股胜率和超额收益 - 隐形交易能力因子：结合收益和风险贡献 - 含金量因子：考察重仓股中券商金股占比[4] 3. 模型名称：基于交易动机因子及股票价差收益因子的选基策略 模型构建思路：结合交易动机（估值/流动性动机、业绩粉饰动机）与股票价差收益筛选基金[5] 模型具体构建过程： - 交易动机因子： - 估值/流动性动机：根据资金流与股票买卖金额、大额成交占比计算 - 业绩粉饰动机：通过特定交易行为识别 - 股票价差收益因子：从基金利润表股票投资收益科目提取[5] 4. 模型名称：基金经理持股网络交易独特性选基策略 模型构建思路：基于基金经理持股交易数据构建网络，计算交易独特性指标[6] 模型具体构建过程： - 构建基金经理关联网络 - 计算每位基金经理与关联基金经理的交易差异度 - 生成交易独特性因子[6] 模型的回测效果 1. 风格轮动型基金优选组合 - 6月收益率：4.45% - 年化收益率：9.05% - 年化波动率：19.67% - Sharpe比率：0.46 - 最大回撤：37.30% - 年化超额收益：3.43% - IR：0.46[3] 2. 基于基金特征和基金能力的综合选基策略 - 6月收益率：4.26% - 年化收益率：13.09% - 年化波动率：22.51% - Sharpe比率：0.58 - 最大回撤：44.27% - 年化超额收益：4.92% - IR：0.61[4] 3. 基于交易动机因子及股票价差收益因子的选基策略 - 6月收益率：6.47% - 年化收益率：9.03% - 年化波动率：21.66% - Sharpe比率：0.42 - 最大回撤：48.39% - 年化超额收益：3.09% - IR：0.53[5] 4. 基金经理持股网络交易独特性选基策略 - 6月收益率：5.38% - 年化收益率：9.86% - 年化波动率：19.51% - Sharpe比率：0.51 - 最大回撤：37.26% - 年化超额收益：4.30% - IR：0.85[6] 量化因子与构建方式 1. 因子名称：绝对主动轮动指标 因子构建思路：衡量基金风格主动调整程度[3] 因子具体构建过程： $指标值 = \sum_{i=1}^{n} |w_{i,t} - w_{i,t-1}|$ 其中$w_{i,t}$为股票$i$在$t$期持仓权重[3] 2. 因子名称：主动轮动收益因子 因子构建思路：量化风格轮动带来的超额收益[3] 因子具体构建过程： - 计算基金风格暴露变化 - 结合同期风格因子收益计算贡献[3] 3. 因子名称：交易独特性因子 因子构建思路：衡量基金经理交易行为差异化程度[6] 因子具体构建过程： - 构建基金经理交易相似度矩阵 - 计算个体与网络平均交易的偏离度[6] 因子的回测效果 （注：报告中未单独披露因子IC、IR等具体数值）