量化模型与构建方式 1. 模型名称:风格组相对拥挤度模型[69][125] * 模型构建思路:通过计算两个风格指数换手率Z-score的差值,并取其历史分位数,来衡量一种风格相对于另一种风格的交易拥挤程度[125]。 * 模型具体构建过程: 1. 对于风格A和风格B,分别计算其指数的近252日平均换手率[125]。 2. 将上述换手率序列在2005年1月1日以来的历史时间序列上进行Z-score标准化,得到Z-score_A与Z-score_B[125]。 3. 计算二者差值:[125]。 4. 计算Z_score_diff的滚动6年历史分位数(若历史数据不足6年,则使用全部历史数据计算),该分位数即为风格A相对于风格B的“相对拥挤度”[125]。 2. 模型名称:风格指数累计超额净值模型[126] * 模型构建思路:以万得全A指数为基准,计算各风格指数的累计超额收益,用于衡量风格的长期相对表现[126]。 * 模型具体构建过程: 1. 设定基准日(报告中为2020年1月4日)[126]。 2. 将各风格指数及万得全A指数的每日收盘价除以基准日收盘价,得到各自的累计净值[126]。 3. 将各风格指数的累计净值除以同一交易日的万得全A指数累计净值,得到该风格指数相对于万得全A指数的累计超额净值[126]。 3. 模型名称:机构调研活跃度模型[127] * 模型构建思路:通过计算板块或行业相对于全市场的机构调研热度历史分位数,来评估其受机构关注的程度[127]。 * 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”[127]。 2. 将该日均调研次数在滚动y年的历史时间序列上进行Z-score标准化[127]。 3. 将上述标准化值与万得全A指数的标准化结果作差,得到“机构调研活跃度”[127]。 4. 计算“机构调研活跃度”的滚动y年历史分位数(若历史数据不足y年,则使用全部历史数据计算)[127]。 5. 报告中使用两种参数设置:长期口径(n=126日,y=6年)和短期口径(n=63日,y=3年)[127]。 4. 因子名称:股债性价比因子(ERP)[51] * 因子构建思路:通过计算股票指数市盈率倒数与无风险利率(10年期国债收益率)的差值,来衡量投资股票相对于债券的风险溢价水平[51]。 * 因子具体构建过程: 1. 计算股票指数的市盈率倒数:[51]。 2. 减去10年期国债到期收益率:[51]。 5. 因子名称:成交热度因子[25] * 因子构建思路:使用周度日均自由流通换手率的历史分位数来衡量市场或板块的交易活跃度[25]。 * 因子具体构建过程: 1. 计算指数或行业的周度日均自由流通换手率[25]。 2. 计算该换手率在历史时间区间(例如2005年1月1日至今)内的分位值,即为“成交热度”[25][33]。 6. 因子名称:动量因子[62] * 因子构建思路:以过去一年收益率减去过去一个月收益率(剔除涨停板)作为动量指标,筛选出动量特征强的股票[62]。 * 因子评价:该因子能够较好地表征A股市场中最具动量特征的股票的整体走势[62]。 7. 因子名称:反转因子[62] * 因子构建思路:以最近一个月股票收益率作为筛选指标,选择反转效应强的股票[62]。 * 因子评价:该因子旨在准确表征A股市场各阶段高反转特征个股的整体表现[62]。 模型的回测效果 1. 风格组相对拥挤度模型,成长vs红利相对拥挤度历史分位:72%[69];小盘vs大盘相对拥挤度历史分位:6%[69];微盘股vs中证800相对拥挤度历史分位:59%[69] 2. 风格指数累计超额净值模型,成长较红利累计超额净值(截至2026年4月16日):约2.2[70];小盘较大盘累计超额净值(截至2026年4月16日):约1.8[74];微盘股较中证800累计超额净值(截至2026年4月16日):约5.8[77] 因子的回测效果 1. 股债性价比因子(ERP),万得全A指数ERP:2.5%[60];万得全A指数ERP历史分位:55%[60];沪深300指数ERP:5.2%[60];沪深300指数ERP历史分位:59%[60];创业板指数ERP:0.5%[60];创业板指数ERP历史分位:85%[60] 2. 成交热度因子,万得全A指数成交热度历史分位:83%[33];创业板指数成交热度历史分位:92%[33];机械行业成交热度历史分位:92%[33];银行行业成交热度历史分位:49%[33] 3. 动量因子,长江动量指数近一周收益率:5.8%[64];近一月收益率:12.6%[64];年初至今收益率:12.2%[64] 4. 反转因子,长江反转指数近一周收益率:2.5%[64];近一月收益率:-4.5%[64];年初至今收益率:1.6%[64]
中银量化大类资产跟踪:风险资产延续修复趋势