量化模型与构建方式 1. 模型名称：行业主线模型（相对强弱RSI指标） - 构建思路：通过计算行业指数的相对强弱指标，识别年度领涨行业[12] - 具体构建过程： 1. 选取29个一级行业指数作为标的 2. 计算过去20、40、60个交易日的行业涨跌幅横截面排名，归一化得到RS_20、RS_40、RS_60 3. 计算综合相对强弱指数： $RS = \frac{RS_{20} + RS_{40} + RS_{60}}{3}$ 4. 设定阈值RS>90%作为年度主线信号[12] - 评价：历史验证有效捕捉高股息、资源品等主线，但2025年信号分散性增加[14][15] 2. 模型名称：行业景气度-趋势-拥挤度框架 - 构建思路：结合景气度（同步）、趋势（右侧）和拥挤度（风险）三维指标进行行业轮动[16] - 具体构建过程： - 景气度：行业财务指标（如ROE、营收增速）标准化 - 趋势：动量指标（如60日涨幅Z-score） - 拥挤度：换手率分位数与估值偏离度复合指标 - 筛选条件： - 景气模型：高景气+强趋势且拥挤度<阈值 - 趋势模型：强趋势+低拥挤且景气度>阈值[16][20] - 评价：互补性强，历史年化超额14.1%，IR达1.54[16][17] 3. 模型名称：左侧库存反转模型 - 构建思路：挖掘库存周期底部且分析师预期改善的行业[27] - 具体构建过程： 1. 计算行业库存周转天数同比变化率 2. 结合卖方推荐比例变化构建胜率-赔率矩阵 3. 筛选：库存压力<历史25%分位+分析师上调评级占比>30%[27][29] - 评价：2024年超额14.8%，适应因子失效环境[27][28] --- 模型的回测效果 1. 行业主线模型 - 2024年信号行业平均绝对收益：12.8%（汽车）至32.1%（银行）[13] - 2025年信号行业超额收益：7.4%（有色金属）至18.1%（通信）[15] 2. 行业景气度-趋势-拥挤度框架 - 年化超额：14.1%（基准Wind全A） - IR：1.54，最大回撤-8.0%[16] - 2025年ETF组合超额中证800：8.1%[21][26] 3. 左侧库存反转模型 - 2024年绝对收益：25.9%（超额行业等权14.8%）[27] - 2025年绝对收益：13.6%（超额3.5%）[27][28] --- 量化因子与构建方式 1. 因子名称：相对强弱因子（RS） - 构建过程：同行业主线模型[12] 2. 因子名称：景气度因子 - 构建过程：行业ROE、营收增速等财务指标标准化后加权[16][20] 3. 因子名称：拥挤度因子 - 构建过程： $Crowding = 0.5 \times \text{换手率分位数} + 0.5 \times \frac{\text{当前PE}}{\text{行业历史PE中位数}}$ 阈值设定为80%分位以上视为高风险[20] --- 因子的回测效果 1. 相对强弱因子 - 信号行业相对Wind全A胜率：68%（2024年）[13] 2. 景气度因子 - 高景气行业年化超额：9.2%（2013-2025）[16][17] 3. 拥挤度因子 - 高拥挤行业后续60日跑输基准概率：72%[20]