量化模型与构建方式 1. 模型名称：DTW相似性择时模型[7] * 模型构建思路：基于技术分析中的“历史会重演”假设，通过计算当前市场行情与历史行情的相似度，寻找相似的历史片段，并根据这些历史片段后续的走势来预测未来并生成交易信号[22]。 * 模型具体构建过程： 1. 相似性度量：采用动态时间规整（DTW）距离而非欧氏距离作为衡量两个时间序列相似度的标准，以解决时间序列间可能存在的相位错配问题[24]。 2. 算法改进：为避免传统DTW算法的“过度弯曲”和“病态匹配”问题，引入了增加边界限制条件的改进DTW算法（报告中提及了Sakoe-Chiba和Itakura Parallelogram两种方法）[26][28][30]。 3. 信号生成：对于当前行情，在历史数据中筛选出DTW距离最小的若干个（即最相似的）历史行情片段。计算这些历史片段在未来特定周期（如5日或1日）的收益率，并以距离倒数为权重计算加权平均未来涨跌幅和加权标准差。最后，根据预测涨跌幅及其方差（波动率）与预设阈值的比较，生成“多”、“空”或“无信号”的交易决策[22]。 2. 模型名称：外资择时模型[7] * 模型构建思路：利用境外上市的、与A股相关的金融资产（富时中国A50股指期货和南方A50ETF）的价格信息，构建择时指标，捕捉外资动向对A股市场的预示作用[32]。 * 模型具体构建过程： 1. 数据源：选取富时中国A50股指期货（新加坡市场）和南方A50ETF（香港市场）作为信息源[32]。 2. 指标构建： * 在富时中国A50股指期货上，构建“升贴水”和“价格背离”两个指标，并复合形成该资产的择时信号[32]。 * 在南方A50ETF上，构建“价格背离”指标，形成该资产的择时信号[32]。 3. 信号复合：将来自富时中国A50股指期货和南方A50ETF的两个择时信号进行复合，最终形成统一的外资择时信号[32]。 模型的回测效果 1. DTW相似性择时模型： * 样本外表现（2022年11月以来）：绝对收益率34.75%[9]。 * 样本外表现（2022年11月以来）：最大回撤率21.36%[4]。 * 2024年以来信号切换次数：15次[12]。 2. 外资择时模型： * 全样本表现（2014年12月30日至2024年12月31日）： * 多空策略年化收益：18.96%[15]。 * 多头策略年化收益：14.19%[15]。 * 多空策略最大回撤：25.69%[15]。 * 多头策略最大回撤：17.27%[15]。 * 日胜率：近55%[15]。 * 盈亏比：均超过2.5[15]。 * 样本外表现（2024年以来）： * 多头策略绝对收益：31.33%[4][18]。 * 多头策略最大回撤：8.23%[4][18]。 量化因子与构建方式 1. 因子名称：DTW距离 * 因子构建思路：作为DTW择时模型的核心，用于弹性度量两个时间序列的相似性，克服了欧氏距离在时间序列比对上的局限性[24]。 * 因子具体构建过程：该因子是模型的内核算法，报告未给出具体的计算公式，但详细说明了其原理：通过动态规划寻找两个序列之间的最优非线性对齐路径，使得沿该路径的累积距离最小，这个最小累积距离即为DTW距离[24][26]。 2. 因子名称：富时中国A50股指期货升贴水 * 因子构建思路：通过计算富时中国A50股指期货价格与其标的指数净值之间的差异，反映境外投资者对A股市场的情绪和预期[32]。 * 因子具体构建过程：报告未给出具体计算公式。通常，升贴水 = （期货价格 - 标的指数价格） / 标的指数价格。 3. 因子名称：价格背离（富时中国A50股指期货/南方A50ETF） * 因子构建思路：捕捉境外A股相关资产价格走势与境内A股基准指数（如沪深300）走势之间的差异，这种差异可能蕴含额外的信息[32]。 * 因子具体构建过程：报告未给出具体计算公式。通常通过比较两类资产收益率序列的相关性或计算其价差来构建。 因子的回测效果 （报告中未单独提供上述因子的IC、IR等独立测试结果，所有效果均已体现在对应模型的回测业绩中。）