量化模型与构建方式 1. 模型名称：A股多维打分模型_A[3][10] * 模型构建思路：通过涵盖估值、情绪、资金、技术四大类的26个底层因子，合成12个子维度，再基于子维度的多空择时信号合成为对宽基指数的综合打分[3][10] * 模型具体构建过程： 1. 构建涵盖估值、情绪、资金、技术四大类的26个底层因子[3][10] 2. 通过投票法将底层因子合成为12个子维度[3][10] 3. 每个子维度分别发出多空择时信号[10] 4. 将12个子维度的择时信号进行等权投票合成，形成在[-1, 1]区间内的综合打分结果[10] * 模型评价：帮助投资者直观、及时地观测和理解市场[10] 2. 模型名称：A股多维打分模型_B[10][15] * 模型构建思路：在基准版模型基础上，引入不同路径下的指标优选规则，仅在特定场景下使用表现优异的子维度，以提升择时稳定性[10] * 模型具体构建过程： 1. 与模型_A共享相同的26个底层因子和12个子维度[10] 2. 根据市场状态（追高、抄底、追空、逃顶四条路径），仅选取在该路径下夏普比率排名前8的子维度参与投票[10] 3. 将选中的子维度信号进行合成，形成综合打分结果[10] * 模型评价：通过限制指标仅在其擅长场景发挥作用，显著提升了择时稳定性，但需关注过拟合风险[10] 3. 模型名称：红利风格择时模型[4][18] * 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择时[4][18] * 模型具体构建过程： 1. 使用三个指标：中证红利相对中证全指的动量（正向指标）、10Y-1Y期限利差（负向指标）、银行间质押式回购成交量（正向指标）[4][21] 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）[18] 3. 以三个维度得分之和的正负性作为最终多空观点[18] 4. 当看好红利风格时，全仓持有中证红利指数；当不看好时，全仓持有中证全指[18] 4. 模型名称：大小盘风格择时模型[4][22] * 模型构建思路：采用基于拥挤度分域的趋势模型进行择时，在不同拥挤度区间采用不同参数的趋势跟踪策略[4][22] * 模型具体构建过程： 1. 计算拥挤度得分： * 动量得分：计算万得微盘股指数与沪深300指数在6个不同窗口（10/20/30/40/50/60日）的动量之差，并计算各窗口动量之差的3.0/3.5/4.0/4.5/5.0年分位数的均值。对6个窗口下分位数最高的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[26] * 成交量得分：计算万得微盘股指数与沪深300指数在6个不同窗口（10/20/30/40/50/60日）的成交额之比，并计算各窗口成交额之比的3.0/3.5/4.0/4.5/5.0年分位数的均值。对6个窗口下分位数最高的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[26] * 将小盘（大盘）风格的动量得分和成交量得分取均值，得到小盘（大盘）风格的拥挤度得分。小盘风格得分大于90%视为触发高拥挤，大盘风格得分小于10%视为触发高拥挤[26] 2. 判断运行区间：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，否则运行在低拥挤区间[22] 3. 趋势择时：在高拥挤区间，采用参数值较小的双均线模型；在低拥挤区间，采用参数值较大的双均线模型[22] 5. 模型名称：遗传规划行业轮动模型[5][33] * 模型构建思路：采用遗传规划技术（多目标进化算法NSGA-II）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[5][33][38] * 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|、IC胜率、NDCG@k三个指标同时评价因子的分组单调性、时序稳定性和多头组表现，挖掘行业轮动因子[38] 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[39] 3. 组合构建：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，次周第一个交易日调仓[5][33] * 模型评价：不再依托逻辑设计打分规则，而是采用“生物育种”原理直接从数据中挖掘规律[37] 6. 因子名称：遗传规划模型权重最高的因子[42][43] * 因子构建思路：基于量价相关性构建，捕捉成交额与开盘价之间残差的标准化波动特征[42] * 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对标准化月度开盘价开展带常数项的一元线性回归，取残差，记作变量A[42] 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[42] 3. 对变量B采用HardSigmoid变换[42] 公式表示为：ts_hardsigmoid_torch(ts_regres_torch(mamt_st, mopen_st, 45), 60)[43] 7. 模型名称：中国境内全天候增强组合[6][44] * 模型构建思路：采用宏观因子风险预算框架，选取增长和通胀的预期差作为风险源进行风险平价配置，并基于宏观预期动量主动超配看好的宏观象限，实现增强[6][44][48] * 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），为每个象限选择适配的资产[44][48] 2. 象限组合构建与风险度量：在每个象限内，资产等权构建子组合，并注重刻画象限的下行风险[48] 3. 风险预算与主动增强：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，主动超配看好的象限[44][48] 模型的回测效果 1. A股多维打分模型_A[15][16] * 对万得全A多空择时收益（今年以来）：8.93%[15] * 对万得全A多空择时收益（上周）：-1.17%[15] * 年化收益（2010/1/5 至 2026/6/5）：31.98%[16] * 年化波动：22.11%[16] * 最大回撤：-28.46%[16] * 夏普比率：1.45[16] * Calmar比率：1.12[16] 2. A股多维打分模型_B[15][16] * 对万得全A多空择时收益（今年以来）：11.67%[15] * 对万得全A多空择时收益（上周）：-1.17%[15] * 年化收益（2010/1/5 至 2026/6/5）：36.72%[16] * 年化波动：22.42%[16] * 最大回撤：-31.40%[16] * 夏普比率：1.64[16] * Calmar比率：1.17[16] 3. 红利风格择时模型[18][19] * 策略收益（今年以来）：14.85%[18] * 基准收益（今年以来）：5.72%[18] * 超额收益（今年以来）：9.13%[18] * 上周收益：-1.14%[19] * 年化收益（2017-01-03 至 2026-06-05）：16.99%[19] * 最大回撤：-25.52%[19] * 夏普比率：0.93[19] * Calmar比率：0.67[19] 4. 大小盘风格择时模型[23][31] * 策略收益（今年以来）：7.86%[23] * 基准收益（今年以来）：4.35%[23] * 超额收益（今年以来）：3.50%[23] * 上周收益：-1.54%[31] * 年化收益（2017-01-03 至 2026-06-05）：26.76%[31] * 最大回撤：-32.05%[31] * 夏普比率：1.11[31] * Calmar比率：0.84[31] 5. 遗传规划行业轮动模型[33][36] * 绝对收益（今年以来）：0.31%[33] * 上周表现：-1.32%[36] * 年化收益（回测区间20220930-20260605）：26.72%[36] * 年化波动：17.80%[36] * 夏普比率：1.50[36] * 最大回撤：-20.72%[36] * 卡玛比率：1.29[36] 6. 中国境内全天候增强组合[6][46] * 绝对收益（今年以来）：4.37%[6] * 上周表现：-0.03%[46] * 年化收益（回测区间20131231-20260605）：11.74%[46] * 年化波动：6.36%[46] * 夏普比率：1.83[46] * 最大回撤：-6.30%[46] * 卡玛比率：1.85[46]