量化模型与因子总结 量化模型与构建方式 1. 模型名称：人工智能全球大类资产配置模型[44] * 模型构建思路：将机器学习模型应用于大类资产配置问题，基于因子投资的思路，使用模型对各类资产进行打分排序，最终构建可投资的月频量化等权配置策略[44]。 * 模型具体构建过程：报告未详细描述具体的机器学习模型算法、因子体系及打分排序的详细计算过程。其核心流程为：1) 输入宏观、市场等因子数据；2) 通过机器学习模型处理，输出对各资产的评分；3) 根据评分结果确定资产配置权重[44]。 2. 模型名称：基于动态宏观事件因子的股债轮动配置模型[50] * 模型构建思路：构建一个包含经济增长和货币流动性两大维度的动态宏观事件因子体系，并以此为基础，结合风险预算模型框架，输出针对不同风险偏好（保守型、稳健型、进取型）的股债配置权重[50]。 * 模型具体构建过程： 1. 宏观择时模块构建：选取经济增长和货币流动性两个维度的多个细分指标作为宏观事件因子[50][58]。例如，经济增长维度包括M1同比、PPI同比、PPI-CPI剪刀差、工业增加值同比、国债期限利差(10Y-1M)、发电量环比等指标；货币流动性维度包括M1-M2剪刀差、中美国债利差、中国国债与美国TIPS利差等指标[53]。 2. 信号生成：每个细分指标根据其数值或变化方向，生成二值化的看多(1)或看空(0)信号[53]。 3. 信号合成：将同一维度内各指标信号进行合成，得到该维度的总体信号强度（百分比形式）[6][54]。例如，2月份经济增长维度信号强度为40%，货币流动性维度信号强度为100%[6]。 4. 权重确定：将宏观择时模块输出的信号（如股票仓位信号）[54]，输入到风险预算模型框架中，最终计算出保守型、稳健型、进取型三种配置方案中股票和债券的具体权重[50]。 3. 模型名称：基于红利风格择时配置模型[58] * 模型构建思路：基于经济增长与货币流动性两大维度构建动态宏观事件因子体系，对中证红利指数进行择时配置，以捕捉其相对A股的稳定优势并在市场偏弱时控制回撤[58]。 * 模型具体构建过程： 1. 因子体系构建：模型共使用经济增长与货币流动性两大维度共10项指标构建动态宏观事件因子体系[58]。报告列举了部分指标，包括：制造业PMI新出口订单、PPI同比、PPI-CPI剪刀差、Shibor 2W、Shibor 1M环比等[59][60]。 2. 信号生成与合成：每个指标根据规则生成看多(1)或看空(0)信号[60]。将所有指标信号合成为一个最终的二值择时信号（1代表看多/满仓，0代表看空/空仓）[59]。例如，2月份最终合成信号为1[59]。 模型的回测效果 1. 人工智能全球大类资产配置模型[46][49] * 回测期：2021年1月至2026年1月[46] * 年化收益率：7.22%[46][49] * 年化波动率：6.74%[49] * 最大回撤：-6.66%[46][49] * 夏普比率：1.07[46][49] * 年初至今收益率（截至2026年1月）：2.37%[46][49] 2. 基于动态宏观事件因子的股债轮动配置模型（进取型）[51][57] * 回测期：2005年1月至2026年1月[51] * 年化复合收益率：20.15%[51][57] * 年化波动率：14.05%[57] * 最大回撤：-13.72%[57] * 夏普比率：1.31[57] * 收益回撤比：1.47[57] * 年初至今收益率（截至2026年1月）：3.65%[51][57] 3. 基于动态宏观事件因子的股债轮动配置模型（稳健型）[51][57] * 回测期：2005年1月至2026年1月[51] * 年化复合收益率：10.85%[51][57] * 年化波动率：8.12%[57] * 最大回撤：-6.77%[57] * 夏普比率：1.19[57] * 收益回撤比：1.60[57] * 年初至今收益率（截至2026年1月）：1.22%[51][57] 4. 基于动态宏观事件因子的股债轮动配置模型（保守型）[51][57] * 回测期：2005年1月至2026年1月[51] * 年化复合收益率：5.87%[51][57] * 年化波动率：3.20%[57] * 最大回撤：-3.55%[57] * 夏普比率：1.49[57] * 收益回撤比：1.65[57] * 年初至今收益率（截至2026年1月）：0.39%[51][57] 5. 基于红利风格择时配置模型[59][61] * 年化收益率：15.85%[59][61] * 年化波动率：17.26%[59][61] * 最大回撤：-21.22%[59][61] * 夏普比率：0.90[59][61] * 最近1个月收益率（截至2026年1月）：0.00%[59][61] 量化因子与构建方式 1. 因子名称：动态宏观事件因子（用于股债轮动及红利择时）[50][58] * 因子构建思路：从经济增长和货币流动性两个宏观维度，选取具有预测性的高频或月度指标，将其转化为标准化的择时信号[50][53][58]。 * 因子具体构建过程： 1. 指标选取：选取一系列可量化的宏观指标。报告提及的指标包括但不限于： * 经济增长维度：M1同比[53]、PPI同比[53]、PPI-CPI剪刀差[53]、工业增加值同比[53]、国债期限利差(10Y-1M)[53]、发电量当月值3个月移动平均环比[53]、制造业PMI新出口订单[60]、消费者信心指数[60]。 * 货币流动性维度：M1-M2剪刀差[53]、中美国债利差(10Y)[53]、中国国债与美国TIPS利差(10年)[53]、Shibor 2W[60]、R007 20日移动平均[60]、Shibor 1M环比[60]、逆回购R007差额[62]。 2. 信号化处理：对每个指标设定阈值或规则，将其原始数据转化为二值信号（通常1代表看多权益资产，0代表看空或中性）[53][60]。例如，当指标值高于某个临界值或环比改善时，发出看多信号(1)。 3. 因子应用：这些信号既可以直接合成为最终的择时信号（如红利择时模型）[59]，也可以先合成各维度总信号，再作为输入进入更复杂的配置模型（如股债轮动模型）[6][54]。 因子的回测效果 （报告未单独提供动态宏观事件因子的独立回测绩效指标，其效果已体现在上述各配置模型的整体回测结果中。）