量化模型与因子总结 量化模型与构建方式 1. 模型名称：风格指数相对拥挤度模型[123] * 模型构建思路：通过计算不同风格指数换手率Z-score的差值及其历史分位，来度量某一风格相对于另一风格的交易拥挤程度，从而判断其配置风险或性价比[123]。 * 模型具体构建过程： 1. 分别计算风格A指数和风格B指数在过去252个交易日的平均换手率[123]。 2. 将这两个平均换手率值，分别置于自2005年1月1日以来的历史时间序列中进行Z-score标准化，得到Z-score_A与Z-score_B[123]。 3. 计算两者差值：Diff = Z-score_A - Z-score_B[123]。 4. 计算该差值Diff在滚动6年窗口内的历史分位数（若历史数据不足6年但满1年，则使用全部历史数据计算）[123]。此分位数即为“风格A vs 风格B”的相对拥挤度。 2. 模型名称：风格指数累计超额净值模型[124] * 模型构建思路：以万得全A指数为基准，计算各风格指数相对于基准的累计超额收益，用以衡量风格的长期表现[124]。 * 模型具体构建过程： 1. 以2020年1月4日为基准日，计算各风格指数及万得全A指数每日的累计净值：累计净值_t = 收盘价_t / 基准日收盘价[124]。 2. 对于每个交易日，将风格指数的累计净值除以万得全A指数的累计净值，得到该风格指数相对于万得全A的累计超额净值[124]。 3. 模型名称：机构调研活跃度分位数模型[125] * 模型构建思路：通过计算板块或行业在特定周期内机构调研次数的活跃程度，并与其历史水平及市场整体水平比较，以判断市场关注度的变化[125]。 * 模型具体构建过程： 1. 对于特定板块（指数、行业），计算其近n个交易日的“日均机构调研次数”[125]。 2. 在滚动y年的历史时间序列中，对该“日均机构调研次数”进行z-score标准化[125]。 3. 同时，对万得全A指数进行相同的计算，得到其z-score值[125]。 4. 将板块的z-score值与万得全A的z-score值作差，得到“机构调研活跃度”[125]。 5. 最后，计算该“机构调研活跃度”在滚动y年窗口内的历史分位数[125]。 6. 参数设置： * 长期口径：n取126（近半年），滚动窗口y为6年（历史数据满3年不足6年时用全部数据）[125]。 * 短期口径：n取63（近一季度），滚动窗口y为3年（历史数据满1年不足3年时用全部数据）[125]。 4. 模型名称：股债性价比（ERP）模型[50] * 模型构建思路：通过计算股票指数的盈利收益率与无风险利率（10年期国债收益率）之差，来衡量配置股票资产相对于债券资产的预期超额回报，即风险溢价[50]。 * 模型具体构建过程： 1. 计算股票指数的盈利收益率：Earnings Yield = 1 / 指数PE_TTM[50]。 2. 获取当前10年期中债国债到期收益率作为无风险利率[50]。 3. 计算指数ERP（股权风险溢价）：$ERP = \frac{1}{PE\_TTM} - 10年期国债到期收益率$[50]。 4. 将该ERP值置于历史序列中计算其百分位，以判断当前性价比的高低[50][59]。 5. 因子名称：动量因子[61] * 因子构建思路：捕捉股票价格延续前期趋势的效应，即过去表现好的股票在未来一段时间内继续表现好，过去表现差的股票继续表现差[61]。 * 因子具体构建过程：报告引用了“长江动量”指数的构建方法。该指数以最近一年股票收益率减去最近一个月股票收益率（剔除涨停板）作为动量指标，综合选择A股市场中动量特征强且流动性相对较高的前100只股票作为指数成分股[61]。 6. 因子名称：反转因子[61] * 因子构建思路：捕捉股票价格出现方向性反转的效应，即过去短期内涨幅过大的股票在未来可能出现下跌，而跌幅过大的股票可能出现反弹[61]。 * 因子具体构建过程：报告引用了“长江反转”指数的构建方法。该指数以最近一个月股票收益率作为筛选指标，综合选择A股市场中反转效应强、流动性较好的前100只股票作为指数成分股，并采用成分股近三个月日均成交量进行加权[61]。 模型的回测效果 1. 风格指数相对拥挤度模型，成长 vs 红利相对拥挤度历史分位为69%[70]，小盘 vs 大盘相对拥挤度历史分位为7%[70][74]，微盘股 vs 中证800相对拥挤度历史分位为65%[70][77] 2. 风格指数累计超额净值模型，成长较红利累计超额净值处于历史较高位置[70]，小盘较大盘累计超额净值处于历史较高位置[74]，微盘股较中证800累计超额净值处于历史极高位置[77] 3. 股债性价比（ERP）模型，万得全A指数ERP历史分位为58%[59]，沪深300指数ERP历史分位为66%[59]，中证500指数ERP历史分位为69%[59]，创业板指数ERP历史分位为86%[59] 量化因子与构建方式 1. 因子名称：成交热度[25] * 因子构建思路：通过计算行业或指数的换手率在其历史序列中的分位值，来衡量当前交易的活跃程度[25]。 * 因子具体构建过程：成交热度 = 行业或指数的周度日均自由流通换手率在历史时间区间（例如2005年1月1日至今）内的历史分位值[25][34]。 2. 因子名称：滚动季度夏普率[36] * 因子构建思路：用于衡量市场情绪风险，当夏普率升至历史极高位置表明市场情绪过热，后续可能调整；降至低位则相反[36]。 * 因子具体构建过程：计算万得全A指数滚动季度（约63个交易日）的夏普比率（超额收益与波动率的比值），并观察其在历史序列中的位置[36][38]。 因子的回测效果 1. 成交热度因子，电力及公用事业行业成交热度为99%[25][34]，机械行业成交热度为99%[25][34]，煤炭行业成交热度为98%[25][34]，房地产行业成交热度为59%[25][34]，消费者服务行业成交热度为62%[25][34]，食品饮料行业成交热度为66%[25][34] 2. 滚动季度夏普率因子，近期万得全A滚动季度夏普率下降至历史低位[36]