量化模型与构建方式 1. A股技术打分模型 * 模型名称：A股技术打分模型[2][9] * 模型构建思路：通过挖掘技术面信息来刻画市场状态，并基于当前状态对未来进行打分预测[2][9] * 模型具体构建过程： 1. 将市场状态细分为价格、量能、波动、趋势、拥挤五个维度[9] 2. 在每个维度内筛选出有效的市场观测指标，共10个[9][14] 3. 每个指标独立发出多空择时信号[9] 4. 将10个指标的择时信号进行等权投票，综合形成一个介于-1至+1之间的打分结果[9] 5. 根据综合得分制定交易规则：得分>+0.33时看多，得分在-0.33至+0.33之间看平，得分<-0.33时看空[11] 2. 风格择时模型 * 模型名称：红利风格择时模型[3][16] * 模型构建思路：结合相对动量、期限利差和银行间市场成交量三个指标的趋势，对红利与成长风格进行择时[3][16] * 模型具体构建过程： 1. 择时标的：中证红利指数相对于中证全指的收益率[16] 2. 构建三个择时指标： * 相对动量：中证红利相对中证全指的动量，为红利风格正向指标[19] * 期限利差：10年期与1年期国债的利差，为红利风格负向指标[19] * 银行间质押式回购成交量：为红利风格正向指标[19] 3. 每个指标从趋势维度日频发出信号，取值为0（看平）、+1（看多）、-1（看空）[16] 4. 以三个指标得分之和的正负性作为最终多空观点依据[16] 5. 交易规则：看好红利时全仓持有中证红利，不看好时全仓持有中证全指；基准为两者等权配置[16] * 模型名称：大小盘风格择时模型[3][20] * 模型构建思路：根据市场拥挤度状态（高/低），采用不同参数的双均线模型对大小盘风格进行择时[3][20][22] * 模型具体构建过程： 1. 择时标的：以沪深300指数代表大盘风格，万得微盘股指数代表小盘风格[20] 2. 计算拥挤度得分： * 动量得分：计算小盘与大盘指数多个时间窗口（10/20/30/40/50/60日）的动量之差，并计算各窗口动量差在多个历史长度（3.0/3.5/4.0/4.5/5.0年）下的分位数均值。取分位数最高的3个窗口结果均值作为小盘动量得分，取分位数最低的3个窗口结果均值作为大盘动量得分[24] * 成交量得分：计算小盘与大盘指数多个时间窗口（10/20/30/40/50/60日）的成交额之比，并计算各窗口比值在多个历史长度下的分位数均值。取分位数最高的3个窗口结果均值作为小盘成交量得分，取分位数最低的3个窗口结果均值作为大盘成交量得分[24] * 综合得分：将小盘（大盘）的动量得分与成交量得分取均值，得到小盘（大盘）风格的拥挤度得分[24] 3. 判断拥挤区间：若最近20个交易日中，小盘风格拥挤度得分>90%或大盘风格拥挤度得分<10%曾触发，则模型运行在高拥挤区间，否则运行在低拥挤区间[22] 4. 趋势判断：在高拥挤区间采用参数较小的双均线模型，在低拥挤区间采用参数较大的双均线模型来判断趋势[22] 3. 行业轮动模型 * 模型名称：遗传规划行业轮动模型[4][27] * 模型构建思路：采用双目标遗传规划技术，直接对行业指数的量价、估值等数据进行因子挖掘，不再依赖人工设计规则，以提升因子多样性和降低过拟合风险[27][31][32] * 模型具体构建过程： 1. 底层资产：32个中信行业指数[27] 2. 因子挖掘：使用双目标遗传规划（NSGA-II算法），同时以因子IC的绝对值（|IC|）和NDCG@5两个目标来评价因子的分组单调性和多头组表现，挖掘行业轮动因子[31] 3. 因子合成：对挖掘得到的备选因子，结合贪心策略和方差膨胀系数（VIF），将共线性较弱的多个因子合成为行业综合得分[33] 4. 调仓规则：因子库每季度末更新，模型周频调仓。每周末选出多因子综合得分最高的五个行业进行等权配置，次周第一个交易日按均价调仓[4][27] * 因子名称：最新一期权重最高的量价相关性因子[36] * 因子构建思路：基于标准化成交额与跳空缺口的关系，以及成交额最大时点与标准化开盘价的协方差来构建因子[36] * 因子具体构建过程： 1. 在截面上，用全体行业标准化日度成交额对当日跳空缺口开展带常数项的一元线性回归，取残差，记作变量A[37] 2. 在过去9个交易日中，取标准化日度成交额最大的交易日索引，记作变量B[37] 3. 在过去50个交易日中，将变量A和B开展时序回归取截距项，记作变量C[37] 4. 计算过去45个交易日变量C和标准化月度开盘价的协方差，作为因子值[37] * 因子表达式：ts_covariance_torch(ts_regalpha_torch(xs_regres_torch(volume_st, jump_gap), ts_argmax_torch(volume_st, 9), 50), mopen_st, 45)[36] 4. 宏观配置模型 * 模型名称：中国境内全天候增强组合[5][38] * 模型构建思路：采用宏观因子风险预算框架，分散于增长和通胀的宏观风险源，并基于宏观预期动量观点主动超配看好的象限，实现全天候基础上的增强[5][38][41] * 模型具体构建过程： 1. 宏观象限划分：选择增长和通胀两个维度，根据是否超预期划分为四个宏观风险象限：增长超预期、增长不及预期、通胀超预期、通胀不及预期[41] 2. 资产选择与子组合构建：结合定量与定性方式确定各象限适配的资产，并在象限内等权构建子组合，注重刻画象限的下行风险[41] 3. 风险预算与主动增强：每月底，根据由“买方预期动量”和“卖方预期差动量”综合得出的宏观预期动量指标，形成“象限观点”，并据此调整各象限的风险预算，主动超配看好的象限，实现策略增强[41] 4. 调仓规则：模型月频调仓，月末发出信号后，采用次月第一个交易日收盘价调仓[40] 模型的回测效果 1. A股技术打分模型 * 回测区间：2010-01-04 至 2026-01-16[15] * 年化收益：20.67%[15] * 年化波动：17.33%[15] * 最大回撤：-23.74%[15] * 夏普比率：1.19[15] * Calmar比率：0.87[15] * 今年以来（YTD）超额收益：-5.70%（截至报告时点）[2][11] * 上周超额收益：-0.57%[2][11] 2. 红利风格择时模型 * 回测区间：2017-01-03 至 2026-01-16[17] * 年化收益：16.65%[17] * 最大回撤：-25.52%[17] * 夏普比率：0.91[17] * Calmar比率：0.65[17] * 今年以来（YTD）收益：5.78%[16][17] * 上周收益：0.69%[17] 3. 大小盘风格择时模型 * 回测区间：2017-01-03 至 2026-01-16[25] * 年化收益：27.79%[25] * 最大回撤：-32.05%[25] * 夏普比率：1.16[25] * Calmar比率：0.87[25] * 今年以来（YTD）收益：6.27%[22][25] * 上周收益：1.70%[25] 4. 遗传规划行业轮动模型 * 回测区间：2022-09-30 至 2026-01-16[30] * 年化收益：31.95%[30] * 年化波动：17.44%[30] * 夏普比率：1.83[30] * 最大回撤：-19.62%[30] * 卡玛比率：1.63[30] * 今年以来（YTD）收益：3.31%[4][27][30] * 上周收益：0.14%[30] 5. 中国境内全天候增强组合 * 回测区间：2013-12-31 至 2026-01-16[42] * 年化收益：11.82%[42] * 年化波动：6.20%[42] * 夏普比率：1.91[42] * 最大回撤：-6.30%[42] * 卡玛比率：1.88[42] * 今年以来（YTD）收益：2.02%[5][39][42] * 上周收益：0.06%[5][39][42]