根据研报内容，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. 高频宏观因子模型 - 构建思路：通过资产组合模拟构建高频宏观因子体系，观察市场交易的宏观预期变化[12] - 具体构建过程： 1. 对利率、汇率、信用等因子直接通过相关指数多空组合构建 2. 对高频经济增长和通胀因子： - 合成低频宏观指标（如工业增加值同比、CPI同比等） - 筛选领先于低频指标的资产（如恒生指数、CRB金属现货等） - 通过滚动多元回归确定资产权重，构建投资组合模拟宏观因子走势[12][13] - 评价：高频指标对低频宏观数据具有领先性，能有效捕捉市场预期变化[13] 2. 债券久期择时模型 - 构建思路：基于改进的Diebold2006模型预测收益率曲线变化[20] - 具体构建过程： - 水平因子预测：结合宏观变量预判和政策利率跟随 - 斜率/曲率因子预测：采用AR(1)模型 - 映射不同久期债券的预期收益[20] - 评价：能动态捕捉利率曲线形态变化 3. 黄金预期收益模型 - 构建思路：将黄金与TIPS实际回报关联[32] - 具体公式： $E[Real\_Return^{gold}]=k\times E[Real\_Return^{Tips}]$ $E[R^{gold}]=\pi^{e}+k\times E[Real\_Return^{Tips}]$ 其中k通过扩展窗口OLS估计，π^e取美联储2%通胀目标[32] - 评价：模型对黄金长期趋势有较强解释力 4. 主动风险预算模型 - 构建思路：将风险平价与主动信号结合动态调整股债配置[37][38] - 具体构建过程： 1. 多维度信号生成： - 股债比价（ERP）：$ERP=\frac{1}{PE_{ttm}}-YTM_{TB}^{10Y}$[39] - 股票估值分位数 - 市场流动性（M2-M1剪刀差）[42] 2. 信号通过softmax函数转化为风险预算权重： $softmax(x)=\frac{\exp(\lambda x)}{\exp(\lambda x)+\exp(-\lambda x)}$[47] - 评价：相比传统风险平价模型具有更好的动态适应性 5. 行业轮动3.0模型 - 构建思路：从交易行为、景气度等6维度构建子模型并动态合成[53] - 具体构建过程： - 交易行为模型：捕捉日内动量+隔夜反转效应 - 景气度模型：捕捉盈余动量 - 资金流模型：识别主动抢筹行为 - 其他维度包括筹码结构、宏观驱动、技术分析[53][55] - 评价：多维度合成有效提升行业轮动胜率 量化因子与构建方式 1. 转债估值因子 - 百元转股溢价率：衡量转债与正股相对估值[25] - 修正YTM-信用债YTM：剥离转股条款影响，比较偏债转债与信用债价值[25] 2. 转债风格因子 - 转股溢价率偏离度：识别高估值转债 - 理论价值偏离度：结合定价模型识别定价偏差[27] - 20日动量+波动率偏离度：捕捉市场情绪[27] 3. 基金选基因子 - 高质量因子：基于财务质量指标 - 高成长因子：基于盈利增长指标 - 低估值因子：基于估值分位数[86] 模型回测效果 1. 高频宏观因子 - 高频经济增长因子：7月同比上行[13] - 高频消费通胀因子：7月同比下行[17] - 高频生产通胀因子：7月同比上行[17] 2. 债券久期择时 - 7月策略超额收益32.4bp[21][24] - 近一年超额收益-2.11%[21] 3. 黄金预期模型 - 未来一年预期收益率22.4%[32][33] - 过去一年策略绝对回报39.77%[34][35] 4. 主动风险预算 - 全样本年化收益6.54%，收益波动比1.64[52][54] - 8月股票仓位7.44%，债券仓位92.56%[51] 5. 行业轮动3.0 - 7月多空收益3.07%[61][64] - 动态合成模型中景气度/资金流模型权重较高[67] 6. 转债风格轮动 - 2018-2025年化收益24.54%，IR 1.47[29] - 2025年收益35.17%[29] 7. ETF轮动组合 - 7月超额收益1.83%[71][74] 8. FOF组合 - 7月收益5.45%，超额-1.81%[83][84]