量化模型与构建方式 1. 模型名称：三维择时框架 - 模型构建思路：通过分歧度、流动性、景气度三个维度综合判断市场趋势，动态调整仓位[7][11][12] - 模型具体构建过程： 1. 分歧度指标：计算市场观点分歧指数（如卖方分析师预测离散度）[16] 2. 流动性指标：跟踪市场成交额、资金净流入等数据构建指数[19] 3. 景气度指标：结合行业盈利增速、宏观经济数据合成A股景气度指数2.0[23] 4. 综合三项指标方向（上行/下行）决定仓位，三项均上行时满仓[7] - 模型评价：历史回测显示对市场拐点捕捉能力较强，但需警惕极端市场环境下的失效风险[14] 2. 模型名称：资金流共振策略 - 模型构建思路：结合融资融券资金与主动大单资金流向，筛选两类资金共同看好的行业[31] - 模型具体构建过程： 1. 融资融券因子： $\text{融资因子} = \text{Barra市值中性化后的（融资净买入-融券净卖出）}$ 取50日均值后计算两周环比变化率[31] 2. 主动大单因子： 对行业年成交量时序中性化后的净流入排序，取10日均值[31] 3. 策略组合：在主动大单因子头部行业中剔除融资因子多头极端行业[31] - 模型评价：相比单一资金流策略回撤更小，2018年以来年化超额收益13.5%，IR 1.7[31] --- 量化因子与构建方式 1. 因子名称：风格因子（Barra体系） - 因子构建思路：通过市值、波动率、流动性等风格维度解释股票收益差异[35][36] - 因子具体构建过程： - Size因子：$\ln(\text{市值})$ 行业中性化处理[37] - Volatility因子：过去252日收益波动率[36] - Liquidity因子：换手率标准差[36] 2. 因子名称：Alpha因子 - 因子构建思路：通过多维度因子挖掘超额收益来源[38][40] - 代表性因子构建过程： - mom_1y：$\text{1年收益率} = \frac{P_t}{P_{t-252}} - 1$ [40] - turnover_stdrate_3m：3个月换手率标准差变化率[40] - pe_g：市盈率排名与预期净利润增长排名的差值[42] --- 模型的回测效果 1. 三维择时框架： - 历史年化超额收益：未披露具体数值（图表显示显著跑赢基准）[14] - 当前信号：满仓（分歧度↓、流动性↑、景气度↑）[7] 2. 资金流共振策略： - 年化超额收益：13.5% - 信息比率（IR）：1.7 - 上周超额收益：0.2%（相对行业等权）[31] --- 因子的回测效果 1. 风格因子（近一周）： - Size因子收益：-0.21% - Volatility因子收益：-2.38% - Liquidity因子收益：-2.23% - Value因子收益：+0.92% [36] 2. Alpha因子（近一周多头超额）： - mom_1y：+1.58% - turnover_stdrate_3m：+1.56% - pe_g（沪深300内）：+4.97% - sue1（沪深300内）：+4.09% [40][42] 3. 分指数因子表现： - 沪深300最佳因子：turnover_stdrate_1m（+6.99%） - 中证500最佳因子：pe_g（+5.60%） - 国证2000最佳因子：gaexp_sales（+2.35%）[42]