量化模型与因子总结 量化模型与构建方式 1. 模型名称：五维成长价值轮动模型 * 模型构建思路：从动态宏观、估值回归、短期动量、风格广度和风格拥挤度五个维度构建综合信号，用于判断成长与价值风格的轮动时机[18]。 * 模型具体构建过程： 1. 动态宏观信号：基于多个宏观经济指标（如中长期信贷脉冲、M0/M1增速、通胀剪刀差、财政支出、美国利率等）的历史胜率，判断当前宏观环境对成长或价值风格更有利[18]。 2. 估值回归信号：比较成长与价值风格的PE和PB估值比，判断其相对估值水平是否偏离历史中枢，从而产生均值回归信号[20]。 3. 短期动量信号：分析成长与价值风格的价格趋势、量能趋势和内部估值分布，判断其中短期动量强弱[19]。 4. 风格广度信号：观察成长与价值风格内部个股的上涨广度，判断趋势的可持续性。 5. 风格拥挤信号：通过比较成长与价值风格指数成交额占A股比重的短期分位数，判断交易拥挤度[19]。 6. 综合信号生成：将上述五个维度的信号进行综合，生成最终的风格配置建议（如100%价值或100%成长仓位）[21]。 2. 模型名称：行业中周期轮动模型 * 模型构建思路：通过傅里叶变换刻画行业的价格、营收周期，构建行业中周期因子，并结合相同宏观周期状态下的行业动量因子，进行二维筛选以构建行业轮动策略[30]。 * 模型具体构建过程： 1. 周期刻画：使用与行业相关的高频数据，通过傅里叶变换确定行业的周期长度，刻画行业所处的价格或营收周期[30]。 2. 因子构建：为每个行业构建“行业中周期因子”，该因子值反映了行业当前所处的周期强度（排名越小，周期越强）[30][33]。 3. 宏观状态匹配：根据历史宏观周期的强弱划分，确定当前所处的宏观周期状态[30]。 4. 动量因子叠加：在相同的宏观周期状态下，计算行业的动量因子[30]。 5. 行业筛选：结合行业中周期因子和动量因子，每个月对行业进行二维筛选，优选周期强且动量佳的行业，构建轮动组合[30]。 3. 模型名称：利率ROIC定价模型 * 模型构建思路：从资本回报率（ROIC）视角出发，通过结合权益市场的盈利预期，来间接推断债券市场的利率中枢点位[36]。 * 模型具体构建过程： 1. 计算权益ROIC：在A股上市公司（除金融）口径下，根据个股的利润和总资产数据，自下而上汇总计算全市场权益ROIC值。或在规模以上工业企业口径下进行计算[36][38]。 2. 计算债市隐含ROIC：根据公式计算债市隐含的ROIC水平。公式为： $ROIC = (无风险利率 + 股票风险溢价) \times 股权比例 + (无风险利率 + 信用风险溢价) \times 债权比例$ 其中，无风险利率为30年国债到期收益率，信用风险溢价为AAA级企业债信用利差，股权占比参考A股（除金融）数据进行合成[36]。 3. 推导利率中枢：结合对A股未来盈利增速的预测，调整权益ROIC预期，进而通过股债ROIC的均衡关系，推导出10年期国债等利率品种的预期中枢及上下界（利率走廊）[40][41][43]。 4. 模型名称：利率短期价量趋势模型 * 模型构建思路：从日度价量数据所形成的利率形态入手，捕捉市场短期交易情绪的趋势突破信号，用于利率债的短期择时[45]。 * 模型具体构建过程： 1. 形态识别：对5年、10年、30年期国债到期收益率（YTM）的时序数据，应用形态识别算法[45]。 2. 多周期分析：分别在长、中、短三个不同周期视野下，识别利率走势的向上或向下突破信号[45][46]。 3. 综合评分：汇总不同期限、不同周期下的突破信号票数，形成综合评分结果（如中性震荡、中性偏空等），作为短期交易观点[45]。 5. 模型名称：利率宏观基本面择时模型 * 模型构建思路：围绕经济增速预期、通胀预期、流动性变化和风险偏好四大类核心驱动因素，构建领先指标，并利用“三分位点算法”检验指标对利率变化的预测能力，进而构建择时策略[50][56]。 * 模型具体构建过程： 1. 指标筛选与处理：为四类驱动因素筛选代表性宏观指标（如PMI、固定资产投资、PPI、M2-M1剪刀差、国债收益率曲线、标普500指数等）。对原始数据进行差分处理以关注边际变化，对多指标类别进行主成分分析（PCA）降维，并对部分存在披露滞后的指标进行滞后处理[53][56]。 2. 预测能力检验：使用“三分位点算法”定量评价指标对下一期利率变化的预测能力。将全样本按指标值分为三组，计算前1/3组与后1/3组下一期利率变化均值的T统计值，公式为： $T = \frac{\bar{F}_1 - \bar{F}_3}{\sqrt{\frac{(n_1 - 1)S_1^2 + (n_3 - 1)S_3^2}{n_1 + n_3 - 2}(\frac{1}{n_1} + \frac{1}{n_3})}}$ 其中，$\bar{F}_i$和$S_i$代表分组i下利率下一期变化的均值和标准差，$n_i$代表分组i的样本数量[57][58]。 3. 策略构建：对于每个通过检验的指标，当其处于历史前1/3分位时，若指标与利率同向变动则配置短久期债，若反向则配置长久期债；处于后1/3分位时则反向操作；处于中间1/3时则配置50%短久期债+50%长久期债。月度调仓[59][60]。 6. 模型名称：可转债定价与估值模型 * 模型构建思路：以期权二叉树定价法为基础，结合转债条款、正股退市风险等因素对可转债进行理论定价，并与市场价格比较以评估估值高低；同时合成全市场正股PB中位数以判断股底估值周期[76][81]。 * 模型具体构建过程： 1. 期权定价：使用二叉树模型为每只可转债进行理论定价，充分考虑转股、赎回、回售、下修等条款[76]。 2. 计算定价偏离度：计算转债市场价格相对理论定价的折溢价率，即“定价偏离度”。公式为：定价偏离度 = 转债二叉树定价 / 转债市价 - 1。该值中位数或余额加权值可代表市场整体估值水平[76]。 3. 正股估值合成：自下而上计算全市场可转债对应正股的PB中位数，作为转债市场股底估值的代理指标[81]。 7. 模型名称：固收多资产配置模型 * 模型构建思路：结合可转债和利率债的择时指标，在保持长期结构与基准接近的基础上，动态调整可转债、长久期利率债、中短久期利率债和信用债的配置比例，以获取稳定超额收益[84]。 * 模型具体构建过程： 1. 可转债仓位分配：根据“可转债正股PB中位数”指标所处的运行周期（通过其5年分位数判断），分配0%、2.5%或5%三档转债仓位[84][85]。同时，根据“转债定价偏离度”指标的运动周期，分配另一组0%、2.5%或5%的转债仓位，两组权重相加为最终转债仓位[85]。 2. 利率债仓位分配：剩余仓位配置纯债。首先根据债券市场利率债占比分配利率债总仓位。然后，参考“利率债长周期价量择时指标”，在利率债内部分配0%、50%或100%三档长久期利率债仓位，其余配置中短久期利率债[85]。 3. 信用债仓位填充：所有剩余仓位配置信用债[85]。 4. 调仓：基础频率为月度，利率债仓位可根据实时监控调整[84]。 模型的回测效果 1. 五维成长价值轮动模型（综合信号2_5D平均仓位_国证成长价值，回测期2010/05/31-2026/02/27）[21]： * 累计收益：584.11% * 年化收益：14.62% * 年化波动率：40.08% * 最大回撤：44.11% * 夏普比率：0.36 * 年化超额收益（相对国证成长价值等权）：7.91% * 月度超额胜率：66.14% * 年化跟踪误差：5.88% * 年化信息比率（IR）：1.34 2. 利率宏观基本面单因子择时模型（各指标策略回测，截至2026/02/27）[71]： * pmi_prin策略（2011/01/31起）：年化收益5.07%，年化波动率1.35%，最大回撤2.67%，夏普比率3.74，超额收益（相对等权基准）1.15%。 * inv_prin策略（2011/03/31起）：年化收益4.60%，年化波动率1.28%，最大回撤2.53%，夏普比率3.60，超额收益0.66%。 * real_prin策略（2016/08/31起）：年化收益4.23%，年化波动率1.13%，最大回撤3.18%，夏普比率3.75，超额收益0.77%。 * commodity_global策略（2003/12/31起）：年化收益4.46%，年化波动率2.74%，最大回撤5.52%，夏普比率1.63，超额收益0.81%。 * ppcp_prin策略（2003/12/31起）：年化收益4.25%，年化波动率1.95%，最大回撤3.66%，夏普比率2.18，超额收益0.60%。 * m2_m1策略（2003/12/31起）：年化收益4.67%，年化波动率1.89%，最大回撤3.40%，夏普比率2.47，超额收益1.03%。 * cgb_level策略（2007/12/28起）：年化收益5.24%，年化波动率1.63%，最大回撤2.45%，夏普比率3.21，超额收益1.26%。 * stock_global策略（2003/12/31起）：年化收益4.05%，年化波动率2.16%，最大回撤6.98%，夏普比率1.88，超额收益0.41%。 * 等权基准（2003/12/31起）：年化收益3.65%，年化波动率1.70%，最大回撤3.40%，夏普比率2.14。 3. 固收多资产配置模型（回测期2016/12/31-至今）[88]： * 年化收益率：5.28% * 最大回撤：2.21% * 收益回撤比：2.39 * 持有1年滚动收益率均值：约6% * 持有满1年绝对收益胜率：100% * 近年表现：2024年收益8.49%（超额0.86%），2025年收益2.05%（超额1.40%），2026年初至今收益0.57%（超额0.01%）[88]。 量化因子与构建方式 1. 因子名称：行业中周期因子 * 因子构建思路：通过傅里叶变换分析行业高频数据，识别行业所处的价格或营收周期位置，构建反映行业周期强度的因子[30]。 * 因子具体构建过程：收集与行业相关的高频数据（如价格、营收等），运用傅里叶变换方法确定数据序列的主要周期长度，进而刻画当前时点行业在周期中所处的相位和强度，最终合成一个表征行业周期强弱的因子值，值越小表示周期越强[30][33]。 2. 因子名称：通胀剪刀差 (CPI-PPI) * 因子构建思路：作为宏观分析因子，用于观察下游需求与上游价格之间的关系，历史上被用于分析对周期风格的影响[27]。 * 因子具体构建过程：直接计算消费者价格指数（CPI）同比增速与生产者价格指数（PPI）同比增速的差值[27]。 3. 因子名称：PPI同比增速 * 因子构建思路：作为核心宏观因子，用于预判周期风格的走势，历史数据显示其上行对周期股超额收益有正面影响[29]。 * 因子具体构建过程：直接采用国家统计局发布的PPI全部工业品同比增速数据[29]。 4. 因子名称：美元指数 * 因子构建思路：作为影响国际大宗商品定价的宏观因子，其变化对有色金属等周期行业有一定前瞻性指引作用[29]。 * 因子具体构建过程：直接采用美元指数数据[29]。 5. 因子名称：定价偏离度 (转债) * 因子构建思路：衡量可转债市场定价偏离理论价值的程度，作为判断转债估值高低（ALPHA机会）的因子[76]。 * 因子具体构建过程：首先利用二叉树模型计算每只可转债的理论价格，然后计算其市场价格与理论价格的比率减1，即：定价偏离度 = 理论价格 / 市价 - 1。取全市场该值的中位数或余额加权值作为市场整体因子值[76]。 6. 因子名称：正股PB中位数 (转债) * 因子构建思路：合成反映可转债市场整体股底估值水平的因子，用于判断转债的BETA机会和估值周期[81]。 * 因子具体构建过程：计算全市场所有可转债对应正股的市净率（PB），然后取这些PB值的中位数，作为该因子的取值[81]。 因子的回测效果 1. PPI同比增速因子（用于预判周期风格未来3个月超额收益，统计期2005年至今）[29]： * 当上月PPI增速上行时，未来3个月周期风格平均超额收益（较中证800）：1.17%。 * 当上月PPI增速下行时，未来3个月周期风格平均超额收益（较中证800）：-0.06%。 2. CPI-PPI剪刀差因子（用于预判周期风格未来3个月超额收益，统计期2005年至今）[30]： * 当剪刀差上行时，未来3个月周期风格平均超额收益（较中证800）：0.61%。 * 当剪刀差下行时，未来3个月周期风格平均超额收益（较中证800）：0.57%。 3. 美元指数因子（用于预判周期风格未来3个月超额收益，统计期2005年至今）[30]： * 当美元指数上行时，未来3个月周期风格平均超额收益（较中证800）：0.41%。 * 当美元指数下行时，未来3个月周期风格平均超额收益（较中证800）：0.81%。