量化模型与因子总结 量化模型与构建方式 1. 模型名称：宏观周期识别框架 * 模型构建思路：为克服单一经济周期指标（如美林时钟）预测不稳定的问题，构建一个多维度、高维度的宏观周期识别框架，以更稳定地判断宏观状态，并分析其对大类资产价格的传导逻辑[8][9]。 * 模型具体构建过程： 1. 变量选取：同时考虑经济景气、通胀、利率、库存、信用五个维度的宏观指标[9]。 2. 宏观变量构建：将宏观指数分别对宽基指数、代理宏观变量做回归，选取t值显著的细分宏观变量，用过去一年标准差倒数加权构建宏观因子变量[2]。 3. 数据滤波：采用单边HP滤波器对宏观经济数据进行调整，消除短期波动对长期趋势判断的影响[2]。 4. 状态与趋势划分：基于滤波后的变量，分别用因子动量划分宏观趋势（上行、下行）和用时序百分位划分宏观状态（高、中、低位）[2]。 5. 升维分析：将宏观变量的边际变化（趋势）与所处状态（时序排位）结合，形成高维宏观变量，以分析其对资产价格的不同传导路径[2][8]。 2. 模型名称：中证全指择时策略 * 模型构建思路：基于宏观变量组合，构建对中证全指的择时策略，根据宏观状态预测其未来收益上涨概率，进行多空操作[31]。 * 模型具体构建过程： 1. 子策略构建：分别构建“流动性+库存”和“流动性+信用”两个子策略，统计它们对中证全指未来收益是否上涨的预测值[31]。 2. 信号生成：当任一子策略的预测值高于阈值（0.6）时，对中证全指做多，反之做空[31]。 3. 模型名称：红利指数择时策略 * 模型构建思路：基于宏观变量组合，构建对红利指数的择时策略，根据宏观状态预测其未来收益上涨概率，进行多空操作[40]。 * 模型具体构建过程： 1. 子策略构建：分别构建“通胀+库存”和“库存+信用”两个子策略，计算它们对红利指数未来收益是否上涨的预测值[40]。 2. 信号生成：对两个子策略的预测值求均值，当均值高于阈值（0.6）时，对红利指数做多，反之做空[40]。 4. 模型名称：风格轮动配置策略 * 模型构建思路：基于有效的宏观因子组合，滚动预测六大风格指数的未来收益率，每月配置预期表现最优的风格，实现风格轮动[49][54]。 * 模型具体构建过程： 1. 有效组合筛选：通过测试宏观因子两两组合对风格轮动的有效性，筛选出“通胀+库存”和“通胀+信用”两个有效的宏观组合[49]。 2. 子策略构建：对于每个有效宏观组合，滚动预测六大风格指数（大盘、小盘、成长、绩优、红利、价值）的未来远期收益率。将预测收益平滑后，在每月末选取预测收益率排名前二的风格指数，在下月进行等权配置[49]。 3. 策略综合：综合两个子策略，将“通胀+库存”和“通胀+信用”子策略对风格指数的未来收益预测值进行截面排序并求均值。每月等权配置最终预测值排名前二的风格指数[54]。 模型的回测效果 1. 中证全指择时策略（回测期：2012年1月末至2026年2月28日） * 年化收益：15.34%[34][36] * 年化波动：22.02%[36] * 夏普比率：0.74[36] * 最大回撤：-28.10%[36] * 超额收益（相对中证全指）：10.31%[34][36] * 跟踪误差：34.16%[36] * 信息比率(IR)：0.30[36] * 相对最大回撤：-50.30%[36] 2. 红利指数择时策略（回测期：2012年1月末至2026年2月28日） * 年化收益：10.32%[40][42][43] * 年化波动：13.74%[42][43] * 夏普比率：0.75[42][43] * 最大回撤：-19.92%[42][43] * 超额收益（相对红利指数）：7.97%[40][42][43] * 跟踪误差：9.23%[42][43] * 信息比率(IR)：0.86[42][43] * 相对最大回撤：-12.47%[42][43] 3. 风格轮动配置策略（回测期：2014年9月30日至2026年2月28日） * 年化收益：14.79%[54][59] * 年化波动：21.81%[59] * 夏普比率：0.64[59] * 最大回撤：-45.93%[59] * 超额收益（相对风格等权基准）：4.61%[54][59] * 跟踪误差：10.28%[59] * 信息比率(IR)：0.52[59] * 相对最大回撤：-81.71%[59] 量化因子与构建方式 1. 因子名称：宏观因子变量 * 因子构建思路：从大量细分宏观指标中，筛选出对市场（宽基指数或代理变量）有显著预测能力的变量，并合成综合性的宏观因子[2]。 * 因子具体构建过程： 1. 变量筛选：将宏观指数分别对宽基指数、代理宏观变量做回归，选取t值显著的细分宏观变量[2]。 2. 加权合成：使用过去一年标准差倒数对筛选出的显著变量进行加权，构建宏观因子变量[2]。 3. 公式：假设有N个显著变量 $X_i$，其过去一年标准差为 $\sigma_i$，则宏观因子 $F$ 可表示为： $F = \sum_{i=1}^{N} w_i X_i, \quad 其中 \quad w_i = \frac{1/\sigma_i}{\sum_{j=1}^{N} (1/\sigma_j)}$ 2. 因子名称：宏观状态与趋势因子 * 因子构建思路：对处理后的宏观数据，从“状态”（水平位置）和“趋势”（边际变化）两个维度进行刻画，形成可用于资产配置的高维信号[2]。 * 因子具体构建过程： 1. 数据预处理：使用单边HP滤波器对原始宏观因子变量进行调整，得到平滑序列 $hp\_cpt$，以消除短期波动[2][21]。 2. 趋势划分：基于滤波后变量计算因子动量，据此刻画宏观趋势为“上行”或“下行”[2]。 3. 状态划分：计算滤波后变量在历史时序上的百分位，据此刻画宏观状态为“高”、“中”或“低”位[2][21]。 因子的回测效果 （报告未提供独立因子的回测绩效指标，如IC、IR等。因子效果体现在其驱动的各类择时与轮动策略的绩效中。）