量化模型与构建方式 1. 可转债随机森林策略 - 模型名称：可转债随机森林策略[16][17] - 模型构建思路：利用随机森林这一机器学习方法，以决策树为基础筛选出每期具有超额收益潜力的可转债标的，构建高胜率可转债择券策略[17] - 模型具体构建过程：采用随机森林算法，通过多棵决策树进行集成学习，每棵树基于不同的样本和特征子集训练，最终通过投票或平均方式得到最终预测结果，用于筛选具有超额收益潜力的可转债标的[17] 2. 多维度择时模型 - 模型名称：多维度择时模型[18][19] - 模型构建思路：根据宏观、微观、中观信号将A股划分为9个状态，分别对应多空信号形成三维大周期择时信号，在此基础上叠加股指期货基差产生的衍生品信号，合成四维度非线性择时模型[18] - 模型具体构建过程： 1. 宏观维度：从短期货币流动性、长端利率、信用、经济增长以及汇率五个维度刻画宏观环境运行状态[21] 2. 中观维度：通过行业景气指数构建，基于产业链系统分析追踪上下游行业部门，对行业进行财务指标分解，重构行业景气度追踪框架[27][30] 3. 微观维度：以估值、风险溢价、波动率以及流动性四类均值回复性较强的因子刻画各宽基指数的微观结构风险[35] 4. 衍生品维度：基于股指期货基差与指数自身的相关性趋势构建日频择时信号[43] 5. 信号合成：将四个维度的信号综合，形成最终的多维度择时信号[18][19] 3. 宏观Logit模型 - 模型名称：宏观Logit模型[24][25] - 模型构建思路：通过Logit回归模型对宏观环境状态进行预测[24] - 模型具体构建过程：使用短期货币流动性、长端利率、信用、经济增长以及汇率五个维度的宏观变量，经过平稳化处理后，构建Logit回归模型来预测宏观环境状态[21][24] - 模型评价：能够有效预测宏观环境变化，为择时策略提供宏观维度的信号支持[24] 4. 中观景气度2.0模型 - 模型名称：中观景气度2.0模型[27][28] - 模型构建思路：通过追踪行业主营业务的营收和成本情况来监控行业整体的景气度[27] - 模型具体构建过程： 1. 基于产业链系统分析，追踪上下游行业部门[30] 2. 对行业进行财务指标分解，挖掘可追踪的重点指标[30] 3. 重构行业的景气度追踪框架[30] 4. 计算各行业景气指数后，按上证指数每日各行业市值权重加权合成新景气指数2.0[27] - 模型评价：能够领先预测A股盈利扩张周期，有效反映行业景气变化[28][29] 5. 微观结构风险模型 - 模型名称：微观结构风险模型[35][36] - 模型构建思路：以估值、风险溢价、波动率以及流动性四类均值回复性较强的因子刻画各宽基指数的微观结构风险[35] - 模型具体构建过程： 1. 估值：市盈率与市净率在过去5年中所处分位数的均值[36] 2. 风险溢价：ERP(ep-rf:市盈率倒数减去一年期定存利率)在过去5年中所处的分位数[36] 3. 波动率：50日波动率在过去5年中所处分位数[36] 4. 流动性：自由流通市值换手率在过去5年中所处分位数[36] 5. 结构风险因子：四因子等权相加[36] - 模型评价：能够有效刻画市场微观结构风险，为择时策略提供微观维度的信号支持[36] 6. 行业轮动策略2.0 - 模型名称：行业轮动策略2.0[68][69] - 模型构建思路：通过信用及企业盈利构建经济四象限，开发多维度行业风格因子，构建适用于A股市场的行业轮动策略[68][69] - 模型具体构建过程： 1. 构建经济四象限：[企业盈利上行，信用上行]、[企业盈利上行，信用下行]、[企业盈利下行，信用上行]、[企业盈利下行，信用下行][68] 2. 开发多维度行业风格因子：包括一致预期景气、超越预期盈利、龙头效应、行业估值泡沫、反转因子、动量因子、拥挤度、通胀beta[69] 3. 在四个经济象限分别对各因子进行有效性检验[69] 4. 基于因子轮动配置相应的高预期收益行业[69] - 模型评价：宏观适配性强，覆盖行业多维度特性，能够实现有效的行业轮动[69][78] 7. ETF轮动策略 - 模型名称：ETF轮动策略[78][79] - 模型构建思路：将基于基本面轮动、质量低波、困境反转三维度行业轮动策略进行等权组合，实现因子与风格的互补[78] - 模型具体构建过程： 1. 基本面轮动策略：使用超预期景气度、行业龙头效应、行业动量、拥挤度、通胀beta等因子[78] 2. 质量低波策略：聚焦个股质量与低波，防御性突出[78] 3. 困境反转策略：使用PB_zscore、分析师长期预期、短期筹码交换等因子捕捉估值修复与业绩反转机会[78] 4. 将三个策略等权组合，形成最终的ETF轮动策略[78] - 模型评价：能够实现因子与风格的互补，降低单一策略的风险[78] 8. 遗传规划指数增强模型 - 模型名称：遗传规划指数增强模型[88][93][97][102] - 模型构建思路：使用遗传规划算法挖掘选股因子，构建指数增强组合[88][93][97][102] - 模型具体构建过程： 1. 股票池：根据不同指数选择对应的成分股[88][93][97][102] 2. 训练集：2016年1月1日-2020年12月31日[88][93][97][102] 3. 因子挖掘：由遗传规划因子挖掘模型挖掘多个初始种群，经过多代多轮得到最终因子集合[88][93][97][102] 4. 策略：每周最后一个交易日选择模型得分最高的每个行业内的前10%的股票构建多头组合，以下周第一个交易日开盘价买入，周频调仓，交易成本为双边千三[88][93][97][102] - 模型评价：能够有效挖掘具有预测能力的选股因子，实现稳定的超额收益[88][93][97][102] 量化因子与构建方式 1. Barra CNE6风格因子 - 因子名称：Barra CNE6风格因子[45][46] - 因子构建思路：包括9个一级风格因子和20个二级风格因子，通过计算各个风格因子近期收益，评估不同因子在近期市场中的表现[45] - 因子具体构建过程：规模（市值、非线性市值）、波动性（BETA、残差波动率）、流动性（流动性）、动量（短期反转、季节、行业动量、动量）、质量（杠杆、盈利变动率、盈利质量、盈利能力、投资质量）、价值（价值、盈利、长期反转）、成长（成长）、分析师预期（分析师预期）、红利（红利）[45] 2. 行业轮动因子 - 因子名称：行业轮动因子[55][57] - 因子构建思路：通过多维度行业风格因子构建行业轮动策略[55][57] - 因子具体构建过程：包括一致预期行业景气度、超越预期盈利、龙头效应、北向资金、估值beta、动量因子、反转因子、拥挤度等因子[57] 模型的回测效果 1. 可转债随机森林策略 - 本周超额收益：0.64%[16] 2. 多维度择时模型 - 最新信号：多头（1）[19] 3. 宏观Logit模型 - 最新预测值：0.919[24][25] 4. 中观景气度2.0模型 - 当前景气指数：0.913[28][31] - 剔除大金融板块景气指数：1.288[28][31] 5. 行业轮动策略2.0 - 无剔除版年化超额收益：9.44%[71] - 双剔除版年化超额收益：10.14%[71] 6. ETF轮动策略 - 年化超额收益率：12.84%[82] - 夏普率：0.89[82] - 今年以来超额收益率：14.34%[82] 7. 遗传规划指数增强模型 沪深300指数增强 - 年化超额收益率：17.91%[91][92] - 夏普率：1.05[91][92] - 今年以来超额收益率：-4.35%[91][92] - 本周收益率：-1.14%[91] - 本周超额收益率：-0.70%[91] 中证500指数增强 - 年化超额收益率：11.78%[95] - 夏普率：0.85[95] - 今年以来超额收益率：-2.92%[95] - 本周收益率：-0.41%[95] - 本周超额收益率：-0.73%[95] 中证1000指数增强 - 年化超额收益率：17.97%[98][99] - 夏普率：0.93[98][99] - 今年以来超额收益率：-1.80%[98][99] - 本周收益率：-1.01%[98] - 本周超额收益率：-1.22%[98] 中证全指指数增强 - 年化超额收益率：24.84%[103] - 夏普率：1.33[103] - 今年以来超额收益率：11.36%[103] - 本周收益率：-0.27%[103] - 本周超额收益率：-0.09%[103] 因子的回测效果 1. Barra CNE6风格因子 - 2025年9月15日至2025年9月19日：规模因子表现较好，波动性因子表现较差[46] - 本月（9月以来）：波动性因子表现较好[46] - 最近一年：动量（反转）因子和波动性因子表现较好[46] 2. 行业轮动因子 - 一致预期行业景气度月收益率：0.40%[57] - 超越预期盈利月收益率：-0.21%[57] - 龙头效应月收益率：-1.18%[57] - 北向资金月收益率：0.63%[57] - 估值beta月收益率：2.37%[57] - 动量因子月收益率：-0.95%[57] - 反转因子月收益率：0.95%[57] - 拥挤度月收益率：0.15%[57]