量化专题报告总结 量化模型与构建方式 1. 模型名称：基于XGBoost的因子配置模型[4] 模型构建思路：将量化大势研判框架中的市场环境特征与Barra因子、Alpha因子结合，利用XGBoost模型捕捉非线性关系和条件依赖，以提升因子选股效果[4][82] 模型具体构建过程： * 数据准备：选取A股非新股、非ST、非一字涨停、未停牌的股票[93]。自变量包括10个Barra CNE5因子、85个Alpha因子以及10个市场环境特征[82]。因变量为股票下个月的收益率[89]。 * 数据处理：对因子进行截面zscore标准化，并用3倍标准差进行截尾处理[89]。 * 模型训练与验证：采用滚动窗口（后改为扩展窗口）训练[89][110]。初始设置为使用5年数据（前4年训练，后1年验证），预测未来1年，从2019年滚动至2025年[89]。损失函数为MSE，并设置早停机制（连续10轮验证集损失无改善即停止）[89]。 * 关键改进：发现XGBoost难以自动学习市场环境特征与Alpha因子之间的条件依赖关系后，显式构造了交互因子[105]。具体方法为：将10个市场环境特征分别与85个Alpha因子相乘，生成850个一阶交互因子[106]。随后进行筛选，仅保留在训练集和验证集上ICIR显著高于对应原始Alpha因子的交互因子，以控制维度[106]。 * 最终方案：模型最终采用扩展窗口训练，并输入Barra因子、市场环境特征、Alpha因子以及筛选后的显式交互因子[110]。 2. 模型名称：国联民生金工量化大势研判框架（行业配置策略）[70] 模型构建思路：基于产业周期与资产特征的系统性映射定义风格资产，根据市场风险偏好对风格优先级进行分层判断，用于行业配置[70][72] 模型具体构建过程：框架定义了五类风格资产：预期成长(gf)、实际成长(g)、盈利能力(ROE)、高股息(D)、破净/并购(B/P)[70]。在市场风险偏好存在 g > ROE > D > BP 的基本假设下，对市场风格的优先级进行分层判断[72]。核心是构建五个市场环境特征指标[78]： * Δgf（预期成长边际变化）：中信细分行业分析师预期增速(fttm)排序后等分五组，取Top组中位数与Bottom组中位数的差值，经平滑后再进行差分[78]。 * Δg（实际成长边际变化）：中信细分行业财报实际利润增速(ttm)排序后等分五组，取Top组中位数与Bottom组中位数的差值，经平滑后再进行差分[78]。 * ΔROE（盈利能力边际变化）：中信细分行业ROE(ttm)排序后等分五组，取Top组中位数平滑后差分[81]。 * Crowd_ROE（ROE资产拥挤度）：中信细分行业ROE(ttm)排序后等分五组，计算Top组的Beta因子暴露水平[81]。 * Crowd_DP（红利资产拥挤度）：中信细分行业股息率排序后等分五组，计算Top组近1月成交量/近3月成交量的因子暴露水平[81]。 模型的回测效果 1. 基于XGBoost的因子配置模型（最终版），样本外测试期（2019-2025年）[110]： * IC均值：0.08[110] * ICIR：0.66[110] * RankIC均值：0.11[110] * RankICIR：0.88[110] * IC>0占比：71.43%[110] * G10（多头）年化收益率：28.36%[110] 2. 国联民生金工量化大势研判框架（行业配置策略），历史回测期（2009年以来）[72]： * 年化收益：27.81%[72] 量化因子与构建方式 1. 因子类别：市场环境特征（10个）[82] 因子构建思路：部分源自量化大势研判框架，用于刻画市场整体风格与状态，作为因子择时的条件变量[78][82] 因子具体构建过程： * Δgf, Δg, ΔROE, Crowd_ROE, Crowd_DP：构建方法同上述大势研判框架[78][81]。 * Market_vol20：万得全A指数20日波动率[85]。 * Market_vol60：万得全A指数60日波动率[85]。 * Position_52w：万得全A指数价格处于过去52周的分位水平[85]。 * Market_mom：万得全A指数价格3个月动量[85]。 * Market_amt：万得全A指数成交量200日均线的趋势差分[85]。 2. 因子类别：Barra CNE5因子（10个）[82] 因子构建思路：采用经典的Barra风险模型因子，作为模型的基础输入[82] 3. 因子类别：Alpha因子（85个）[82] 因子构建思路：涵盖价格、情绪、成长、质量、价值、动量等多个维度的月频选股因子[83] 因子具体构建过程：报告列出了85个因子的名称和类型，例如价格类的clo_5d_60d、return_std_1m，情绪类的ivol、turnover_mean_1m，成长类的roe_q_report、yoy_eps_q，质量类的roe_q_adv、sp_adj，价值类的bp、ep_fttm，动量类的mom_1y、reverse_1m等[83]。具体计算方式未在报告中详细说明。 4. 因子类别：显式交互因子（最多850个，经筛选后保留）[106] 因子构建思路：为了捕捉市场环境特征对Alpha因子有效性的条件影响，显式构造两者的一阶交互项[105][106] 因子具体构建过程：将10个市场环境特征分别与85个Alpha因子逐元素相乘，生成850个交互因子[106]。公式可表示为： $交互因子_{i,j} = 市场环境特征_i \times Alpha因子_j$ 其中，i 取1到10，j 取1到85[106]。随后进行筛选，仅保留那些在训练集和验证集上ICIR显著高于对应原始Alpha因子的交互因子[106]。 因子的回测效果 注：报告未提供单个因子的独立测试结果，仅提供了整合所有因子后的模型整体表现。