量化模型与构建方式 1. 模型名称：A股技术打分模型[1][2][9] * 模型构建思路：旨在充分挖掘技术面信息以刻画市场状态，基于对当前市场状态的理解，从价格、量能、波动、趋势、拥挤等多维度形成对未来的打分观点[2][9]。 * 模型具体构建过程：将市场状态细分为价格、量能、波动、趋势和拥挤五个维度，在每个维度内部筛选出有效的市场观测指标（共10个）[9]。基于每个单指标分别发出多空择时信号，然后将10个指标的择时信号等权投票，形成-1至+1之间的综合打分结果[9]。具体指标包括：价格维度（20日布林带、20日价格乖离率）、量能维度（20日换手乖离率、60日换手乖离率）、趋势维度（20日ADX、20日新高天数占比）、波动维度（60日换手率波动、期权隐含波动率）、拥挤维度（成分股涨停家数占比5日平均、期权持仓量PCR-5日平均）[12]。基于综合打分构建择时策略：得分大于+0.33看多，得分处于-0.33至+0.33之间看平，得分小于-0.33看空[11]。 2. 模型名称：风格择时模型（红利风格）[3][15] * 模型构建思路：结合中证红利相对中证全指的动量、10Y-1Y期限利差和银行间质押式回购成交量三者的趋势进行红利风格择时[3]。 * 模型具体构建过程：模型包含三个指标：1) 中证红利相对中证全指的动量（红利风格正向指标）；2) 10Y-1Y期限利差（红利风格负向指标）；3) 银行间质押式回购成交量（红利风格正向指标）[18]。三个指标从趋势维度日频发出信号，每日信号取值为0、+1、-1，分别代表看平、看多、看空[15]。以各维度得分之和的正负性，作为红利风格多空观点的依据[15]。当模型看好红利风格时，全仓持有中证红利；当模型不看好红利风格时，全仓持有中证全指[15]。 3. 模型名称：风格择时模型（大小盘风格）[3][19] * 模型构建思路：采用基于拥挤度分域的趋势模型进行大小盘风格择时，其中拥挤度采用小盘和大盘的动量之差和成交额之比刻画[3]。 * 模型具体构建过程：以沪深300指数和万得微盘股指数为大小盘风格的代表[19]。首先计算大小盘风格拥挤度得分：1) 动量之差：计算万得微盘股指数与沪深300指数的10/20/30/40/50/60日动量之差，进一步计算各窗长动量之差的3.0/3.5/4.0/4.5/5.0年分位数的均值，对6个计算窗长下分位数最高的3个结果取均值，作为小盘风格的动量得分；对分位数最低的3个结果取均值，作为大盘风格的动量得分[23]。2) 成交额之比：计算万得微盘股指数与沪深300指数的10/20/30/40/50/60日成交额之比，进一步计算各窗长成交额之比的3.0/3.5/4.0/4.5/5.0年分位数的均值，对6个计算窗长下分位数最高的3个结果取均值，作为小盘风格的成交量得分；对分位数最低的3个结果取均值，作为大盘风格的成交量得分[23]。3) 将小盘风格的动量得分和成交量得分取均值，得到小盘风格的拥挤度得分，大于90%视为触发高拥挤；将大盘风格的动量得分和成交量得分取均值，得到大盘风格的拥挤度得分，小于10%视为触发高拥挤[23]。若最近20个交易日中，小盘或大盘风格曾触发过高拥挤，则模型运行在高拥挤区间，否则在低拥挤区间[21]。在高拥挤区间，采用参数值较小的双均线模型来应对风格反转；在低拥挤区间，采用参数值较大的双均线模型来跟踪中长期趋势[21]。 4. 模型名称：行业轮动模型（遗传规划模型）[4][26] * 模型构建思路：采用遗传规划技术直接对行业指数的量价、估值等特征进行因子挖掘，每季度末更新因子库，周频调仓，每周末选出多因子综合得分最高的五个行业进行等权配置[4][26]。 * 模型具体构建过程：底层资产为33个中信行业指数[26]。模型采用多目标遗传规划，使用|IC|、IC胜率、NDCG@k三个指标来同时评价因子的分组单调性、时序稳定性和多头组表现[31]。在NSGA-II算法加持下，挖掘出兼具上述优点的行业轮动因子[31]。对于挖掘得到的备选因子，结合贪心策略和方差膨胀系数，将共线性较低的多个因子合成为行业得分[32]。因子挖掘的底层输入变量包括量价原始值、标准化值、分位数以及估值等数据[35]。在最新一期挖掘的因子中，权重最大的因子基于量价相关性构建，具体计算过程如下：1) 在时序上，针对单个行业，用其最近45个交易日的标准化月度成交额对标准化月度开盘价开展带有常数项的一元线性回归，取残差，记作变量A；2) 在时序上，将变量A除以其最近60个交易日的标准差，记作变量B；3) 对变量B采用HardSigmoid变换[35]。该因子表达式为：ts_hardsigmoid_torch(ts_regres_torch(mamt_st, mopen_st, 45), 60)[36]。 5. 模型名称：中国境内全天候增强组合[5][37] * 模型构建思路：采用宏观因子风险预算框架，选取增长超预期/不及预期、通胀超预期/不及预期四种宏观风险源作为平价对象；在四象限风险平价的基础上，基于宏观预期动量的观点主动超配看好象限，实现全天候增强[5][37]。 * 模型具体构建过程：策略构建分为三步：1) 宏观象限划分与资产选择：选择增长和通胀维度，根据是否超预期划分为四象限（增长超预期、增长不及预期、通胀超预期、通胀不及预期），并结合“定量+定性”的方式确定各象限适配的资产[41]。2) 象限组合构建与风险度量：象限内资产等权构建子组合，注重刻画象限的下行风险[41]。3) 风险预算模型确定象限权重：每月底，根据“象限观点”调整象限风险预算，从而进行主动超配[41]。“象限观点”由宏观预期动量指标给出，该指标综合考虑资产价格交易的“买方预期动量”和经济指标预期差体现的“卖方预期差动量”[41]。 模型的回测效果 1. A股技术打分模型[14] * 回测区间：2010-01-04 至 2026-04-17 * 年化收益：20.58% * 年化波动：17.30% * 最大回撤：-23.74% * 夏普比率：1.19 * Calmar比率：0.87 2. 风格择时模型（红利风格）[16] * 回测区间：2017-01-03 至 2026-04-17 * 年化收益：17.14% * 最大回撤：-25.52% * 夏普比率：0.94 * Calmar比率：0.17 * YTD收益：13.82% * 上周收益：2.70% 3. 风格择时模型（大小盘风格）[24] * 回测区间：2017-01-03 至 2026-04-17 * 年化收益：27.40% * 最大回撤：-32.05% * 夏普比率：0.27 * Calmar比率：0.27 * YTD收益：9.48% * 上周收益：0.59% 4. 行业轮动模型（遗传规划模型）[29] * 回测区间：2022-09-30 至 2026-04-17 * 年化收益：31.56% * 年化波动：17.93% * 夏普比率：1.76 * 最大回撤：-20.72% * 卡玛比率：1.52 * 上周表现：1.27% * YTD收益：9.63% 5. 中国境内全天候增强组合[39] * 回测区间：2013-12-31 至 2026-04-17 * 年化收益：11.96% * 年化波动：6.35% * 夏普比率：1.88 * 最大回撤：-6.30% * 卡玛比率：1.90 * 上周表现：1.20% * YTD收益：6.39% 量化因子与构建方式 1. 因子名称：红利风格择时模型中的三个子因子[18] * 因子构建思路：分别从动量、利率环境和资金面三个角度刻画红利风格的吸引力[18]。 * 因子具体构建过程： * 相对动量因子：计算中证红利指数相对中证全指的收益率动量，作为红利风格的正向指标[18]。 * 期限利差因子：计算10年期与1年期国债收益率之差（10Y-1Y期限利差），作为红利风格的负向指标[18]。 * 银行间成交量因子：采用银行间质押式回购成交量，作为红利风格的正向指标[18]。 2. 因子名称：大小盘风格拥挤度得分因子[23] * 因子构建思路：从动量差异和成交活跃度差异两个视角，综合计算大小盘风格的拥挤程度[19][23]。 * 因子具体构建过程： * 动量得分：分别计算小盘指数（万得微盘股）与大盘指数（沪深300）在不同时间窗口（10/20/30/40/50/60日）的动量之差，并计算各窗口动量之差在长周期（3.0/3.5/4.0/4.5/5.0年）的历史分位数均值[23]。对小盘风格，取6个窗口中分位数最高的3个结果计算均值作为其动量得分；对大盘风格，取分位数最低的3个结果计算均值作为其动量得分[23]。 * 成交量得分：分别计算小盘指数与大盘指数在不同时间窗口（10/20/30/40/50/60日）的成交额之比，并计算各窗口成交额之比在长周期（3.0/3.5/4.0/4.5/5.0年）的历史分位数均值[23]。对小盘风格，取6个窗口中分位数最高的3个结果计算均值作为其成交量得分；对大盘风格，取分位数最低的3个结果计算均值作为其成交量得分[23]。 * 综合拥挤度得分：将小盘（或大盘）风格的动量得分和成交量得分取均值，得到其最终的拥挤度得分[23]。小盘风格得分大于90%触发高拥挤，大盘风格得分小于10%触发高拥挤[23]。 3. 因子名称：遗传规划挖掘的行业轮动因子（示例）[35][36] * 因子构建思路：通过遗传规划算法自动挖掘行业量价数据中的有效规律，构建预测行业未来表现的因子[26][35]。 * 因子具体构建过程（以最新一期权重最高的因子为例）： 1. 在时序上，针对单个行业，用其最近45个交易日的标准化月度成交额（mamt_st）对标准化月度开盘价（mopen_st）开展带有常数项的一元线性回归，取残差，记作变量A[35]。 2. 在时序上，将变量A除以其最近60个交易日的标准差，记作变量B[35]。 3. 对变量B采用HardSigmoid变换[35]。 * 因子表达式：ts_hardsigmoid_torch(ts_regres_torch(mamt_st, mopen_st, 45), 60)[36]。 因子的回测效果 1. A股技术打分模型子因子[14] * 回测区间：2010-01-04 至 2026-04-17 (部分因子起始日期不同) * 20日价格乖离率：年化收益12.35%，夏普比率0.53 * 5日持仓量PCR平均：年化收益15.41%，夏普比率0.63 * 20日换手率乖离率：年化收益12.46%，夏普比率0.53 * 60日换手率乖离率：年化收益17.23%，夏普比率0.73 * 20日ADX：年化收益15.82%，夏普比率0.67 * 20日创新高占比：年化收益8.13%，夏普比率0.50 * 1个月90%价值状态隐含波动率：年化收益12.91%，夏普比率0.52 * 60日换手率波动：年化收益11.30%，夏普比率0.78 * 5日涨停占比平均：年化收益13.34%，夏普比率0.57 * 布林带：年化收益4.22%，夏普比率0.18 2. 遗传规划行业轮动因子（示例）[36] * 训练集表现： * IC：0.066 * IC胜率：59.7% * NDCG@k：0.336 * 因子权重：9.3%