量化模型与构建方式 1. 模型名称：宽基指数择时模型（通用框架）[2][3][6] 模型构建思路：将前期应用于债券和商品的择时框架，扩展至权益宽基指数，以覆盖大类资产配置。针对权益指数波动大、趋势变化快的特点，对模型因子和结构进行了针对性优化[3][6]。 模型具体构建过程： * 因子集构建：分为两部分。 1. 共性因子集：适用于所有指数，包括资金、利率、商品期货及现货价格、高频日度指数（如BDI）、高频基本面（日度的消费及生产数据）、海外因子（美国股债价格、波动率等）以及描述国内权益市场的共性因子（如两融余额、股票回购金额）[7]。 2. 指数因子集：针对每个宽基指数构建，包含两部分：a) 指数自身的成交量、成交金额、市盈率、市净率、换手率、资金净买入；b) 基于该指数计算的技术指标，如随机指标、标准差、相对强弱指标、能量潮等[7]。 * 因子调整： * 减少低频因子：选择性保留10-20个月频因子（主要由通胀、出口、金融数据等构成），剔除其余月频及更低频率因子，以避免滞后指标对高波资产择时产生负面影响[8]。 * 丰富高频因子：针对宽基指数等高波动资产，使用不同参数构建技术指标（例如不同区间长度的均线或动量指标），使模型能学习到不同市场环境下的信息[8]。 * 模型结构：采用神经网络模型，并针对权益指数进行调整[3][10]。 * 类别平衡机制：根据不同指数的走势特性（如是否存在单边形态）决定是否应用类别平衡[10]。 * 隐藏单元维度：通过增加隐藏单元维度（而非层数）来提升模型复杂度，以避免过拟合[10]。 * 超参数调整：包括窗口长度、正则化系数、学习率。例如，通过lambda函数设置学习率递减进行调优[11]。 2. 模型名称：万得全A指数择时模型[3][6][12] 模型构建思路：基于通用宽基指数择时框架，针对代表A股整体市场的万得全A指数进行择时[3][6]。 3. 模型名称：中证红利全收益指数择时模型[3][15] 模型构建思路：基于通用宽基指数择时框架，针对中证红利全收益指数进行择时。选择全收益指数是因红利指数本身波动率高、走势高频震荡，难以形成明显趋势[15]。 4. 模型名称：恒生科技指数择时模型[3][22] 模型构建思路：基于通用宽基指数择时框架，针对港股恒生科技指数进行择时。因子构建上更多考虑港股量价及全球流动性，并需处理港股与内地交易日不对齐的问题[22]。 5. 模型名称：科创50指数择时模型[3][28] 模型构建思路：基于通用宽基指数择时框架，针对代表内地“创新资产”的科创50指数进行择时。因子方面偏重于内地股票的量价数据[28]。 6. 模型名称：万得微盘指数择时模型[3][34] 模型构建思路：基于通用宽基指数择时框架，针对衡量小微盘市场情况的万得微盘指数进行择时。该指数走势偏单边，其翻转拐点可能更具指导意义[34]。 7. 模型名称：国证2000指数择时模型[3][41] 模型构建思路：基于通用宽基指数择时框架，针对国证2000指数进行择时。选择该指数是为了与万得微盘指数结合以更好覆盖小微盘市场，因中证2000指数数据量较少[41]。 模型的回测效果 （注：所有模型回测区间均为2023年6月至今的样本外区间，指标“区间胜率”定义为正确区间数/(正确区间数+错误区间数)） 1. 万得全A指数择时模型，区间胜率71.88%[3][12] 2. 中证红利全收益指数择时模型，区间胜率84.62%[3][15] 3. 恒生科技指数择时模型，区间胜率79.31%[3][22] 4. 科创50指数择时模型，区间胜率82.61%[3][28] 5. 万得微盘指数择时模型，区间胜率80.77%[3][34] 6. 国证2000指数择时模型，区间胜率71.43%[3][41] 量化因子与构建方式 （注：报告未详细列出单个因子的具体计算公式，主要阐述了因子集的构建逻辑和调整方向。） 1. 因子类别：共性因子集[7] 因子的构建思路：构建适用于所有宽基指数的、描述资本市场整体方向的因子[7]。 因子具体构建过程：包含资金、利率、商品期货及现货价格、高频日度指数（如BDI）、高频基本面（日度的消费及生产数据）、海外因子（美国股债价格、波动率等）以及国内权益市场共性因子（如两融余额、股票回购金额）[7]。 2. 因子类别：指数特异性因子集[7] 因子的构建思路：构建针对每个具体宽基指数、衡量其自身高频量价和交易情绪的因子[7]。 因子具体构建过程：包含两部分：a) 对应指数的成交量、成交金额、市盈率、市净率、换手率、资金净买入；b) 基于该指数计算的技术指标，如随机指标、标准差、相对强弱指标、能量潮等[7]。 3. 因子调整方向：低频因子精简[8] 调整思路：由于高波资产的波段较短，价格转向更多受高频交易因素影响，低频因子指导意义不强且可能滞后，因此大幅减少基本面因子[3][6][8]。 调整过程：选择性保留10-20个月频因子（主要由通胀、出口、金融数据等构成），剔除其余的月频及更低频率因子[8]。 4. 因子调整方向：高频因子丰富与参数优化[8] 调整思路：针对宽基指数等高波动资产，通过不同参数的技术指标使模型学习到更多市场信息[3][8]。 调整过程：对技术指标（如均线类、动量类）使用不同的参数设置，以捕捉不同区间长度和不同市场环境下的走势[8]。