量化模型与构建方式 1. 模型名称：回归法下的因子择时模型 - 模型构建思路：将因子择时模型视为因子收益的预测模型，通过因子收益与外生变量的稳定相关性，预测因子未来收益[11] - 模型具体构建过程： 1. 模型公式为： $\beta_{j,t}=\alpha+C_{1,t}X_{1,t}+C_{2,t}X_{2,t}+\cdots+C_{N,t}X_{N,t}+\varepsilon_{t}$ 其中，$\beta_{j,t}$为因子收益，$X_{1,t}, X_{2,t}, \dots, X_{N,t}$为外生变量，$C_{1,t}, C_{2,t}, \dots, C_{N,t}$为回归系数[11] 2. 使用宏观经济、金融市场及因子历史表现构建因子择时变量库[11] 3. 通过回归方法筛选适合当前市场环境的择时变量[12] - 模型评价：模型易于理解且具有较强的扩展性，能够动态筛选变量以适应市场环境[11][12] 2. 模型名称：套索回归法下的因子择时模型 - 模型构建思路：通过L1正则化实现变量选择，剔除冗余变量，同时对参数估计进行收缩[13] - 模型具体构建过程： 1. 模型公式为： $\operatorname*{min}_{\beta_{0},\beta}(\frac{1}{2N}{\sum_{i=1}^{N}}(y_{i}-\beta_{0}-x_{i}^{T}\beta)^{2}+\lambda\sum_{j=1}^{p}|\beta_{j}|)$ 其中，$\lambda$为正则化参数，控制变量选择的强度[14] 2. 使用2009年至2017年的数据进行回测，剔除次新股与ST股[13] 3. 使用规模因子、中盘因子、流动性因子等构建收益预测模型，并对因子间进行正交处理[13] 4. 基准模型与因子择时模型均采用最大化单期复合因子IC法进行因子加权[13] - 模型评价：模型在因子权重分配上具有极强的灵活性，年度收益更加稳定，适合因子波动较大的市场环境[15][19] 3. 模型名称：弹性网回归法下的因子择时模型 - 模型构建思路：结合岭回归（L2正则化）和套索回归（L1正则化）的优点，平衡变量选择与参数收缩[22] - 模型具体构建过程： 1. 模型公式为： $\operatorname*{min}_{\beta_{0},\beta}(\frac{1}{2N}{\sum_{i=1}^{N}}(y_{i}-\beta_{0}-x_{i}^{T}\beta)^{2}+\lambda(\alpha{\sum_{j=1}^{p}}|\beta_{j}|+(\frac{1-\alpha}{2}){\sum_{j=1}^{p}}\beta_{j}^{2}))$ 其中，$\alpha$为控制L1和L2正则化权重的参数[22] 2. 使用不同$\alpha$值进行测试，分析其对因子择时表现的影响[23][30] - 模型评价：模型在因子权重分配上同样具有灵活性，但需深入了解参数设置对模型表现的影响[26][29] 4. 模型名称：衰减加权的因子择时模型 - 模型构建思路：通过对因子历史收益进行衰减加权，赋予近期收益更高权重，以提高预测准确性[32] - 模型具体构建过程： 1. 使用因子历史收益窗口为48个月，设定半衰期为12个月进行衰减加权[32] 2. 基于衰减加权的因子收益，构建套索回归模型进行因子择时[32] - 模型评价：在因子收益波动较大的时间段中，模型表现出较强的因子权重分配能力，增强了基准模型的表现[34][36] 5. 模型名称：因子择时模型与风控模型结合 - 模型构建思路：将因子择时模型与风险控制模型结合，构建指数增强组合[37] - 模型具体构建过程： 1. 基于因子择时模型和基准模型分别构建收益预测模型[37] 2. 结合相同的风控措施，构建沪深300增强组合[37] - 模型评价：模型增强了收益预测的灵活性，但指数增强组合的收益风险特征会因风控措施的不同而变化[40][41] 6. 模型名称：因子择时模型与风格概率模型 - 模型构建思路：通过Logistic回归，将因子收益预测值转化为概率预测值，以协助风格轮动[42] - 模型具体构建过程： 1. 模型公式为： $log{\frac{P_{t}}{1-P_{t}}}=\alpha+C_{1,t}X_{1,t}+C_{2,t}X_{2,t}+\cdots+C_{N,t}X_{N,t}+\varepsilon_{t}$ 其中，$P_{t}$为因子收益为正的概率[42] 2. 以大小盘风格为例，使用市值因子TOP BOTTOM 10%多空收益构建Logistic回归模型[42] 3. 基于概率预测值，构建风格轮动策略[43] - 模型评价：概率预测值更加直观，便于应用于风格轮动策略[42][43] --- 模型的回测效果 1. 回归法下的因子择时模型 - 年化收益：44.2%（2008.12.31-2017.12.29）[17] - 收益：12.3%（2016.12.30-2017.12.29）[17] 2. 套索回归法下的因子择时模型 - 年化收益：44.2%（2008.12.31-2017.12.29）[17] - 收益：12.3%（2016.12.30-2017.12.29）[17] 3. 弹性网回归法下的因子择时模型 - 年化收益：44.3%（2008.12.31-2017.12.29）[24] - 收益：11.4%（2016.12.30-2017.12.29）[24] 4. 衰减加权的因子择时模型 - 年化收益：33.9%（2010.12.31-2017.12.29）[33] - 收益：15.4%（2016.12.30-2017.12.29）[33] 5. 因子择时模型与风控模型结合 - 年化收益：16.9%（2008.12.31-2017.12.29）[40] - 收益：30.6%（2016.12.30-2017.12.29）[40]