量化因子与构建方式 1. BL因子 - 因子构建思路：BL模型结合了投资者对资产的预期回报和市场均衡回报，从而形成一个新的预期回报向量[7][14] - 因子的公式： $\mu_{\mathrm{bl}}=[\mathrm{P^{\prime}\Omega^{-1}P+(\tau\Sigma)^{-1}]^{-1}[P^{\prime}\Omega^{-1}Q+(\tau\Sigma)^{-1}\Pi]}$ $\Sigma_{\mathrm{bl}}=\Sigma+[(\tau\Sigma)^{-1}+(\mathrm{P}^{\prime}\Omega^{-1}\mathrm{P})]^{-1}$ 公式中，$\mu_{\mathrm{bl}}$是资产预期回报，$\Sigma_{\mathrm{bl}}$是资产的协方差矩阵，$P$是观点矩阵，$Q$是观点向量，$\Omega$是观点不确定性矩阵，$\tau$是先验分布的信心常数，$\Sigma$是资产历史回报的协方差矩阵，$\Pi$是隐含均衡回报向量[19][20][23] - 文章对因子的评价：结合了回归树的BL模型在资产配置上存在一定的价值[51] 2. 回归树因子 - 因子构建思路：回归树是机器学习中的一种监督学习回归算法，适用于应对变量间相关性较高的宏观经济变量[2][24] - 因子的公式：无具体公式，回归树通过一系列不等式分支来减小均方误差，最终呈现出类似树的形状[31][33] - 文章对因子的评价：回归树视角下的宏观经济变量与大类资产回报之间的关系为主观预期提供了一定的参考价值[2][49] 因子的具体指标值 1. BL因子 - 信息比率（IR）：无具体值 - 夏普比率：无具体值 - 最大回撤：13.71%[47] - 累计收益：74%[47] 2. 回归树因子 - 信息比率（IR）：无具体值 - 夏普比率：无具体值 - 最大回撤：无具体值 - 累计收益：无具体值