量化模型与构建方式 1. 模型名称：REITs随机森林模型 - 模型构建思路：通过构建多个决策树并集成其预测结果，筛选未来一周涨跌幅最高的REITs基金进行等权配置[7][15][30] - 模型具体构建过程： 1. 数据准备：样本内训练区间（2021年7月1日至2024年6月30日），样本外测试区间（2024年7月1日至2025年7月18日），覆盖68只未停牌REITs基金[39] 2. 特征处理：每周计算因子暴露度并标准化（z-score），缺失值用前值填充[39] 3. 决策树构建： - 使用信息增益选择最佳特征（如市场情绪、公司财报等），计算公式： $H(D)=-\sum\nolimits_{i=1}^{m}p_{i}l o g_{2}(p_{i})$ $H\left(D|\,\nexists\,\,\nexists_{\mathcal{D}}\,\nexists\,\,\nexists_{\mathcal{D}}^{\pm}\,\nexists_{\mathcal{D}}^{\pm}\right)=\sum_{v\in\left\{\,\nexists\,\,\,\nexists_{\mathcal{D}}^{\pm}\,\setminus\,\mathcal{D}\,\right\}}\frac{|D_{v}|}{|D|}H(D_{v})$ G a i n{\big(}D,{\vec{\mp}}^{\mathrm{\scriptsize{\scriptsize{\it~19}}}}{\vec{\gamma}}_{\vec{19}}^{\mathrm{\scriptsize{\it~18}}}{\vec{\gamma}}_{\vec{24}}^{\mathrm{\scriptsize{\it~18}}}{\vec{\gamma}}_{\vec{39}}^{\mathrm{\scriptsize{\it~18}}}{\vec{\gamma}}_{\vec{19}}^{\mathrm{\scriptsize{\it~18}}}{\vec{\gamma}}_{\vec{24}}^{\mathrm{\scriptsize{\it~18}}}\big)} [20][22][24] - 递归划分数据直至叶节点纯度达标[25][27] 4. 随机森林集成： - 通过自助采样（bootstrap sampling）生成子数据集，每棵树随机选择特征子集分裂[30][31] - 参数优化：树数量（n_estimators=100）、最大深度（max_depth=15）、叶节点最小样本数（min_samples_leaf=15）[49][51][58] - 模型评价： - 优点：泛化能力强，可处理高维/缺失数据，提供特征重要性评估[37][66][68] - 缺点：计算成本高，对收益率变化敏感度不足[71] 模型的回测效果 1. REITs随机森林模型： - 年化收益率39.76%，超额收益率40.01%，夏普比率2.82[11] - 样本外测试期（2025年）组合收益率73.81%，超额收益率60.49%，IR 6.12[65] - 样本内拟合指标：MSE=0.00044，RMSE=0.021，R²=0.501[59][61] 量化因子与构建方式 1. 因子筛选标准： - 选取IC绝对值>2.5%的因子，共27个有效因子[44][45] - 关键因子示例： - 正向影响：流通市值（IC=22.02%）、涨跌幅（IC=21.92%）、P/NAV（IC=17.21%）[45] - 负向影响：预期分派率（IC=-23.87%）、开盘价（IC=-10.81%）[45] 因子的回测效果 1. IC显著因子： - 前收盘价（IC=-9.95%）、日波动率（IC=4.14%）、净买入量占比（机构，IC=2.54%）[45] 关键图表引用 - 决策树构造示例（图表2）[28] - 随机森林参数敏感性分析（图表5-7）[50][56][57] - 策略净值与超额收益（图表9-10）[65][67]