量化模型与构建方式 1. 模型名称：基准指数增强组合模型 * 模型构建思路：构建一个标准的多因子指数增强策略，在约束行业、风格及个股偏离等风险敞口的前提下，最大化组合的阿尔法信号得分，以获取超越基准的超额收益[14][43]。 * 模型具体构建过程： 1. 信号来源：使用“量价+高频”因子或“低波因子”作为阿尔法信号[55][62]。 2. 优化目标：在风险约束下最大化组合信号得分。其数学表达可简化为一个带约束的优化问题[45]。 3. 风险约束： * 个股权重相对基准的偏离约束为 ±0.5%[55][62]。 * 行业权重相对基准的偏离约束为 ±1%[55][62]。 * 对市值、中盘、贝塔、波动率等风格因子的敞口暴露约束为 ±0.3[55][62]。 4. 组合构建：通过求解优化问题得到最终持仓权重。 2. 模型名称：波动率分域优化指数增强模型 * 模型构建思路：在基准指数增强模型的基础上，根据个股的残差波动率对股票进行分域，并对不同波动率域的个股施加差异化的权重偏离约束，旨在收紧高波动股票的敞口以控制回撤，同时放宽低波动股票的约束以保留收益能力[3][11][62]。 * 模型具体构建过程： 1. 计算残差波动率：对于每只股票，基于风险模型计算其残差收益的波动率[34][36]。 2. 股票分域：每月末，将所有股票按残差波动率升序排列，以30%和70%分位点为界，划分为低波、中波、高波三个股票池[62]。 3. 差异化约束：对三个股票池的个股权重偏离设置不同的上下限： * 低波股票池：[-0.2%， 0.4%] * 中波股票池：[-0.2%， 0.3%] * 高波股票池：[-0.1%， 0.2%][62] 4. 组合优化：保持基准模型的其他约束（行业偏离、风格敞口）和信号不变，使用上述分域约束替代原有的统一个股偏离约束，进行组合优化，得到最终持仓[62]。 模型的回测效果 （注：报告未提供完整的回测指标列表，仅提供了部分对比数据。以下为报告中明确给出的优化模型与基准模型的对比结果。） 1. 基准指数增强组合模型，年化超额收益4.30%，超额最大回撤-10.47%，信息比率(IR) 0.82[67]。 2. 波动率分域优化指数增强模型，年化超额收益4.66%，超额最大回撤-6.78%，信息比率(IR) 1.15[67]。 量化因子与构建方式 1. 因子名称：残差波动率 (Residual Volatility) * 因子构建思路：衡量个股收益中无法被风险模型（风格、行业因子）解释的部分（即残差）的波动大小，用于识别个股的特质性风险水平[34][37]。 * 因子具体构建过程： 1. 使用风险模型对每只股票的超额收益进行分解。风险模型的基本公式为： $r_{n}=f_{c}+\sum_{i}X_{n i}f_{i}+\sum_{s}X_{n s}f_{s}+u_{n}$ 其中，$r_n$为股票n的超额收益，$f_c$为国家因子，$f_i$为行业因子，$f_s$为风格因子，$X_{ni}$和$X_{ns}$为股票n在对应因子上的暴露，$u_n$为残差项[34]。 2. 计算股票n的残差波动率，即残差序列$u_n$的历史波动率（例如，过去一段时间的标准差）[49]。 * 因子评价：该因子具有较高的时序可预测性（历史波动率对未来有指示作用），是进行风险分域管理的可靠指标[49][61]。 2. 因子名称：低波因子 * 因子构建思路：作为构建基准组合的示例阿尔法信号，其逻辑可能与偏好低波动率股票相关[62]。 * 因子具体构建过程：报告未详细说明该因子的具体计算方法，仅提及在构建基准组合时使用了“低波因子”作为信号源[62]。 3. 复合因子/信号：风险调整因子信号 * 因子构建思路：在简化版的组合优化理论框架下，推导出的最优权重与两个变量相关：一是经过风险模型调整后的综合信号，二是个股的残差波动率[45]。 * 因子具体构建过程： 1. 在仅约束风险因子敞口中性化的简化优化问题下，求解得到个股的最优主动权重为： $w_{i}=\lambda^{-1}F_{i}\,/\,\sigma_{i}$ 其中，$w_i$是股票i的主动权重（相对基准的偏离），$\lambda$是风险厌恶系数，$F_i$是经过风险模型调整后的因子信号，$\sigma_i$是股票i的残差波动率[45]。 2. 此公式表明，在信号得分$F_i$相近的情况下，模型会倾向于低配($w_i$更小)残差波动率$\sigma_i$更高的股票[46]。 因子的回测效果 （注：报告未提供单个因子的IC、IR等传统因子测试结果。报告的核心测试对象是整合了因子的组合模型，其效果已在“模型的回测效果”部分呈现。）