量化模型与构建方式 1. 模型名称：A股技术打分模型[2][9] * 模型构建思路：通过细分价格、量能、波动、趋势、拥挤五个维度，选取10个技术指标，将各指标的择时信号等权投票，综合成一个-1至+1的打分结果，以直观刻画市场状态并形成多空观点[9]。 * 模型具体构建过程： 1. 从五个维度选取10个技术指标：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）[10] 2. 每个指标独立发出多空择时信号 3. 将所有10个指标的信号等权加总，得到综合打分，分值在-1到+1之间 4. 根据综合打分构建多空策略：得分 > +0.33 看多，得分在-0.33至+0.33之间看平，得分 < -0.33看空[10] 2. 模型名称：红利风格择时模型[3][14] * 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个指标的趋势信号，对红利风格进行多空择时[3][14]。 * 模型具体构建过程： 1. 选取三个择时指标：①中证红利相对中证全指的动量（正向指标）；②10Y-1Y期限利差（负向指标）；③银行间质押式回购成交量（正向指标）[19] 2. 每个指标从趋势维度日频发出信号，取值为0（看平）、+1（看多）、-1（看空）[14] 3. 每日将三个维度的得分求和，根据其正负性作为最终的红利风格多空观点[14] 4. 当模型看好红利风格时，全仓持有中证红利指数；当不看好时，全仓持有中证全指[14] 3. 模型名称：大小盘风格择时模型[3][20] * 模型构建思路：基于拥挤度将市场状态分为高、低两个区间，在不同区间采用不同参数的双均线模型判断大小盘风格趋势，以应对不同市场状态下的风格驱动力变化[20][23]。 * 模型具体构建过程： 1. 计算拥挤度：以沪深300指数代表大盘，万得微盘股指数代表小盘[20]。 * 动量得分：计算小盘/大盘的10/20/30/40/50/60日动量之差，再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个窗长下分位数最高的3个取均值作为小盘动量得分，最低的3个取均值作为大盘动量得分[25]。 * 成交量得分：计算小盘/大盘的10/20/30/40/50/60日成交额之比，再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个窗长下分位数最高的3个取均值作为小盘成交量得分，最低的3个取均值作为大盘成交量得分[25]。 * 拥挤度得分：将小盘（大盘）的动量得分和成交量得分取均值，得到小盘（大盘）拥挤度得分。小盘得分>90%触发高拥挤，大盘得分<10%触发高拥挤[25]。 2. 判断拥挤区间：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[23]。 3. 趋势判断：在高拥挤区间，采用参数值较小的双均线模型以快速响应潜在反转；在低拥挤区间，采用参数值较大的双均线模型以跟随中长期趋势[23]。 4. 模型名称：行业轮动模型（遗传规划模型）[4][29] * 模型构建思路：采用多目标遗传规划技术，直接从行业指数的量价、估值等底层数据中挖掘有效的轮动因子，不再依赖人工逻辑设计规则，旨在提升因子的多样性和降低过拟合风险[29][31][32]。 * 模型具体构建过程： 1. 因子挖掘：使用多目标遗传规划（NSGA-II算法），以|IC|（分组单调性）、IC胜率（时序稳定性）、NDCG@k（多头组表现）三个指标同时评价因子，挖掘出综合表现优秀的行业轮动因子[32][34]。 2. 因子合成：对挖掘得到的备选因子，结合贪心策略和方差膨胀系数（VIF），将共线性较低的多个因子合成为行业综合得分[34]。 3. 组合构建：以33个中信行业指数为标的，每周末选出综合得分最高的五个行业进行等权配置，次周第一个交易日调仓[29]。 5. 模型名称：中国境内全天候增强组合[5][41] * 模型构建思路：采用宏观因子风险预算框架，将资产配置从分散于资产转向分散于驱动资产的底层宏观风险源（增长与通胀的超预期/不及预期），并在风险平价基础上，基于宏观预期动量主动超配看好的宏观象限，实现增强[5][41]。 * 模型具体构建过程： 1. 宏观象限划分与资产选择：根据增长和通胀是否超预期划分为四个宏观象限（增长超预期、增长不及预期、通胀超预期、通胀不及预期），并结合定量与定性方法确定各象限内适配的资产[46]。 2. 象限组合构建与风险度量：在每个象限内，将适配的资产等权构建子组合，并注重刻画象限的下行风险[46]。 3. 风险预算与主动超配：每月底，根据由“宏观预期动量”指标给出的“象限观点”，调整各象限的风险预算，从而主动超配看好的象限，实现策略增强。宏观预期动量综合考虑了资产价格交易的“买方预期动量”和经济指标预期差的“卖方预期差动量”[46]。 量化因子与构建方式 1. 因子名称：遗传规划模型最新一期权重最高的因子[38][39] * 因子的构建思路：基于量价相关性构建，通过回归分析剔除成交额对开盘价的线性影响，并对残差进行标准化和变换处理，以捕捉独特的行业轮动信息[38]。 * 因子具体构建过程： 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）进行带常数项的一元线性回归，取残差，记为变量A[38][39]。$A = \text{residual}(\text{regression}(\text{mopen\_st}, \text{mamt\_st}))$ 2. 在时序上，将变量A除以其最近60个交易日的标准差，记为变量B[40]。$B = \frac{A}{\text{std}(A, 60)}$ 3. 对变量B采用HardSigmoid变换[40]。 模型的回测效果 1. A股技术打分模型-趋势，年化收益20.37%，年化波动17.29%，最大回撤-23.74%，夏普比率1.18，Calmar比率0.86[13] 2. 红利风格择时模型（中证红利 vs. 中证全指），年化收益17.43%，最大回撤-25.52%，夏普比率0.96，Calmar比率0.68，YTD收益18.08%，上周收益-0.74%[17] 3. 大小盘风格择时模型（沪深300 vs. 万得微盘股），年化收益27.82%，最大回撤-32.05%，夏普比率1.15，Calmar比率0.87，YTD收益15.19%，上周收益-1.09%[26] 4. 行业轮动模型（遗传规划模型），年化收益28.95%，年化波动18.07%，夏普比率1.60，最大回撤-20.72%，卡玛比率1.40，上周表现-4.86%，YTD收益4.78%[30] 5. 中国境内全天候增强组合，年化收益11.74%，年化波动6.36%，夏普比率1.85，最大回撤-6.30%，卡玛比率1.86，上周表现-0.27%，YTD收益4.90%[45] 因子的回测效果 (报告中未提供具体因子的独立回测业绩指标)