量化模型与构建方式 1. 模型名称：择时信号模型[7] 模型构建思路： 基于特定模型和历史数据，计算资产在未来短期内价格上行的概率估计，并以此生成多空观点[7]。 模型具体构建过程： 1. 模型输入历史数据，通过特定算法（报告中未明确具体算法，如逻辑回归、机器学习模型等）计算出一个“原始信号”值，该值代表模型对资产未来短期内价格上行的概率估计，以百分比形式表示[7]。公式为： $原始信号 = f(历史数据)$ 其中，f 代表未公开的模型算法，历史数据 为模型输入的特征变量。 2. 对原始信号进行5日移动平均（MA5）平滑处理，以降低信号的短期波动[3][6]。 $MA5 = \frac{1}{5} \sum_{i=0}^{4} 原始信号_{t-i}$ 3. 根据资产类型（利率债/股指/商品）和预设的阈值，将平滑后的信号（MA5）转化为具体的多空观点[7]。 * 对于利率债（如国债、中短票）：当 MA5 > 60% 时，观点为“看空”（报告中表述为“调整”）；当 MA5 < 40% 时，观点为“看多”；在40%至60%之间时，观点为“震荡”[7]。 * 对于股指和商品（如黄金、原油）：当 MA5 > 60% 时，观点为“看多”；当 MA5 < 40% 时，观点为“看空”（报告中表述为“调整”）；在40%至60%之间时，观点为“震荡”[7]。 量化因子与构建方式 （注：本报告主要展示模型的应用结果，未详细阐述或构建具体的量化因子。报告内容集中于模型输出的择时信号及其应用，未涉及如价值、动量、波动率等传统量化因子的构建与分析。） 模型的回测效果 （注：本报告为日常跟踪报告，展示了模型在多个资产上的最新信号输出，但未提供历史回测的统计指标，如年化收益率、夏普比率、最大回撤、信息比率（IR）等。因此，此处无法列出模型在统一口径下的量化回测指标取值。） 因子的回测效果 （注：本报告未涉及具体量化因子的测试，因此无相关回测效果数据。）