量化模型与构建方式 1. 模型名称：基于特征归因的因子逐步调整策略 - **模型构建思路**：通过对多因子组合进行特征归因，动态剔除"失效"因子，并逐步调整因子组合，以优化多因子对冲策略的效果[4][40][42] - **模型具体构建过程**： 1. **因子挑选**：根据过去一年的因子IC表现，从各类因子中挑选IC大于1%且有效性最高的两个，或当IC大于5%的因子作为初始因子[3][25] 2. **特征归因**：对多因子组合进行归因，分析组合中各因子的有效性。假设组合在因子i上的平均暴露为Fi，全部个股在因子i上的暴露中，Fi位于第N档（假设全部个股的分档数量为M），则组合归因后因子i的实际分档为N/M[26][31] 3. **因子有效分档计算**：将股票根据因子排序分为N档，计算过去一年第i个分界线之前所有股票组合相对全部股票超额收益信息比IR(i)。有效分档定义为： $$ F_{i} = \text{argmax} \{ IR(i) > 0.8 \text{ 或 } IR(i) > 0.5 \times IR(1) \} $$ 其中，参数0.8和0.5为经验值，用于衡量因子有效性[27][30] 4. **动态调整策略**：定义因子有效得分$S_i = G_i / F_i$，其中$G_i$为归因后实际分档，$F_i$为因子有效分档。当$S_i \geq 1$时，因子有效；否则为无效。剔除无效因子后，逐个将剔除的因子重新纳入组合，若组合的平均因子有效得分提高，则保留该因子，反之剔除[43][44] 5. **最终优化**：循环上述步骤，直到多因子组合趋于稳定[43][49] - **模型评价**：逐步调整因子的策略能够有效改善多因子对冲策略的效果，避免因子误删或因子数量过少的问题[4][42] 2. 模型名称：主成分方法 - **模型构建思路**：通过对多个因子进行合成降维，解决因子之间可能存在的多重共线性问题[35] - **模型具体构建过程**： 1. 对因子进行主成分分析，提取主要成分 2. 合并相似因子，避免因子雷同导致的组合归因不清问题 3. 因子合并的依据可以是基于因子之间的统计结果或对因子的主观理解[35] - **模型评价**：主成分方法能够有效解决因子相关性问题，但可能弱化对单个因子特征的分析[35] 3. 模型名称：优化模型 - **模型构建思路**：通过优化模型对因子之间的相关性进行权重优化，使得组合在风险与收益之间达到平衡[36] - **模型具体构建过程**： 1. 构建优化目标函数： $$ \operatorname*{max}\{h^{\prime}X_{\alpha}-{\frac{1}{2}}\lambda h^{\prime}V h\} $$ 其中，$h$为组合权重，$X_{\alpha}$为因子收益，$V$为因子协方差矩阵，$\lambda$为风险厌恶系数[37] 2. 约束条件： $$ s.t.\quad h^{\prime}X_{\sigma}=0 $$ 其中，$X_{\sigma}$为因子风险暴露[37] 3. 求解优化问题，得到组合权重[37] - **模型评价**：优化模型注重风险控制，但相对弱化了对组合中Alpha来源的分析和识别[38] --- 模型的回测效果 1. 基于特征归因的因子逐步调整策略 - 信息比率（IR）：多-指数1.65，多空1.63[4][58] - 年化收益率：多-指数11%，多空24%[4][58] - 累计最大回撤：多-指数5.3%，多空11.8%[4][58] - 月度胜率：多-指数71.9%，多空76.6%[4][58] 2. 主成分方法 - 无具体回测结果 3. 优化模型 - 无具体回测结果 --- 量化因子与构建方式 1. 因子名称：IC动量因子 - **因子构建思路**：根据因子过去一年的IC表现，挑选IC大于1%且有效性最高的因子[3][25] - **因子具体构建过程**： 1. 计算因子IC值：$IC = corr(F_i, R_i)$，其中$F_i$为因子暴露，$R_i$为个股下期收益[22] 2. 按照IC值排序，选择IC大于1%且有效性最高的因子[25] - **因子评价**：IC动量因子能够有效刻画因子的线性单调性，适用于因子筛选[14][25] 2. 因子名称：有效分档因子 - **因子构建思路**：通过分档计算因子有效性，确定因子在组合中的有效分档范围[27] - **因子具体构建过程**： 1. 将股票根据因子排序分为N档 2. 计算过去一年第i个分界线之前所有股票组合相对全部股票超额收益信息比IR(i) 3. 定义因子有效分档为： $$ F_{i} = \text{argmax} \{ IR(i) > 0.8 \text{ 或 } IR(i) > 0.5 \times IR(1) \} $$ 4. 根据有效分档结果，剔除无效因子[27][30] - **因子评价**：有效分档因子能够动态调整因子组合，确保因子在组合中的有效性[27][30] --- 因子的回测效果 1. IC动量因子 - 无具体回测结果 2. 有效分档因子 - 无具体回测结果

量化因子与构建方式 1. **因子名称**：ROE、总资产增长率、一个月成交金额、一个月股价反转、流通市值、EP - **因子的构建思路**：通过因子的分层效应来区分不同股票的特征情景，并根据情景下因子IC的绝对值来决定其权重[1][2][3] - **因子具体构建过程**： - **分层效应分析**：通过对风格因子进行层次分解，解决因子的非线性问题。假设第i个因子作为分层因子Fi，基于Fi对每个Alpha因子fj测算其不同样本下的有效性，ICj代表Alpha因子fj因子在全样本中的有效性，ICij+代表Alpha因子fj在高Fi样本中的有效性，ICij-代表Alpha因子fj因子在低Fi样本中的有效性。以[ICj, ICj+, ICj-]的离差DEVij代表Fi对fj的分层效应强度： $$ DEV_{ij} = std([IC_{j}, IC_{ij}^{+}, IC_{ij}^{-}]) $$ DEVi表示分层因子Fi的分层强度： $$ DEV_{i} = \sum_{j=1}^{j=N} DEV_{ij} / N $$ 其中，N为alpha因子的数量[17][18][19] - **因子情景加权矩阵**：根据每个因子的分层强度，挑选分层强度最高的6个因子，并根据因子IC的绝对值对各个因子进行配权，形成因子情景加权矩阵[21][39][40] - **因子评价**：因子情景加权模型显著提高了多因子Alpha策略的收益，同时模型在各阶段的表现更加具有稳定性[4][5][6] 因子的回测效果 1. **ROE因子**，**总资产增长率因子**，**一个月成交金额因子**，**一个月股价反转因子**，**流通市值因子**，**EP因子** - **信息比率（IR）**：样本内1.60，样本外0.77[68][71] - **年化收益率**：样本内34.9%，样本外9.9%[71] - **年化波动率**：样本内21.8%，样本外12.8%[71] - **最大回撤**：样本内15.4%，样本外11.0%[71] - **年度表现**： - 2007年：年化收益率10.6%，年化波动率28.4%，IR 0.37，最大回撤15.4%[71] - 2008年：年化收益率41.8%，年化波动率23.9%，IR 1.75，最大回撤7.8%[71] - 2009年：年化收益率45.7%，年化波动率19.6%，IR 2.33，最大回撤9.9%[71] - 2010年：年化收益率35.5%，年化波动率17.3%，IR 2.05，最大回撤5.6%[71] - 2011年：年化收益率6.2%，年化波动率12.2%，IR 0.50，最大回撤8.5%[71] - 2012年（截止10月底）：年化收益率14.3%，年化波动率13.9%，IR 1.03，最大回撤4.7%[71]

量化模型与构建方式 1. 模型名称：基于因子多项式形式的Alpha模型 - **模型构建思路**：通过构造因子的多项式形式（如二阶或三阶多项式）来替代因子的线性形式，以改善因子与股票收益之间的非线性关系[3][24][25] - **模型具体构建过程**： - 因子的三次多项式模型公式为： $ r_{i}=aF^{3}+bF^{2}+cF+d $ 其中，$a$、$b$、$c$、$d$为多项式系数，通过最小二乘法拟合得到[24][25] - 对因子进行非线性转化后，重新计算因子与股票收益的关系，并验证其改善效果[27][28] - **模型评价**：该方法原理简单，操作性强，但依赖于历史数据的挖掘，缺乏严谨的经济逻辑解释[23][99] 2. 模型名称：引入附加因子的Alpha模型 - **模型构建思路**：通过引入附加因子（如流通市值）来解释因子的非线性特征，并构造虚拟变量以改善因子与股票收益的关系[4][75][78] - **模型具体构建过程**： - 以换手率因子为例： - 首先发现换手率因子在不同市值样本中与股票收益的关系显著不同[4][75] - 引入流通市值作为附加因子，构造虚拟变量$dhigh\_cap$，在高市值和低市值样本中分别取值为0和1[4][75] - 调整后的因子模型公式为： $ r_{i}=v_{i0}+v_{i1}F_{i}+v_{i2}dhigh\_cap \cdot F_{i}+\varepsilon_{i} $ 其中，$v_{i0}$、$v_{i1}$、$v_{i2}$为回归系数，$F_{i}$为原始因子暴露值[78] - 对其他因子（如EP、成交金额等）采用类似方法，引入附加因子并验证改善效果[82][85][88] - **模型评价**：该方法具有较强的经济解释力，改善效果显著，但需要大量因子配对比较，工作量较大[4][99] --- 模型的回测效果 1. 基于因子多项式形式的Alpha模型 - **非线性多因子策略（不考虑线性变换）**： - 样本内（2007-2011）：年化收益率12.46%，年化波动率14.44%，IR为0.86，最大回撤14.62%[63] - 样本外（2012）：年化收益率17.93%，年化波动率11.19%，IR为1.60，最大回撤2.36%[63] - **非线性多因子策略（考虑线性变换）**： - 样本内（2007-2011）：年化收益率19.36%，年化波动率13.07%，IR为1.48，最大回撤15.33%[67] - 样本外（2012）：年化收益率19.19%，年化波动率8.97%，IR为2.14，最大回撤2.26%[67] 2. 引入附加因子的Alpha模型 - **多因子策略（不考虑附加因子）**： - 样本内（2007-2011）：年化收益率28.25%，年化波动率17.16%，IR为1.65，最大回撤9.66%[97] - 样本外（2012）：年化收益率12.91%，年化波动率10.42%，IR为1.24，最大回撤1.77%[97] - **多因子策略（考虑附加因子）**： - 样本内（2007-2011）：年化收益率30.90%，年化波动率15.43%，IR为2.00，最大回撤8.23%[96] - 样本外（2012）：年化收益率17.20%，年化波动率11.01%，IR为1.56，最大回撤1.70%[96] --- 量化因子与构建方式 1. 因子名称：资产负债率因子 - **因子的构建思路**：资产负债率因子在高低两端表现较差，中间表现较好，需通过多项式调整改善其线性特征[27][28] - **因子具体构建过程**： - 对资产负债率因子进行三次多项式拟合，调整因子暴露值[24][27] - 调整后重新计算因子与股票收益的关系，并验证改善效果[27][28] - **因子评价**：调整后因子的线性特征显著改善[27] 2. 因子名称：换手率因子 - **因子的构建思路**：换手率因子在低换手率区间存在非线性特征，需通过多项式调整或引入附加因子改善[30][79] - **因子具体构建过程**： - 多项式调整：对换手率因子进行三次多项式拟合，改善其线性特征[30] - 引入附加因子：将流通市值作为附加因子，构造虚拟变量并调整因子模型[75][78] - **因子评价**：调整后因子的单调性和有效性显著提高[30][79] 3. 因子名称：EP因子 - **因子的构建思路**：EP因子在低EP区间存在非线性特征，需通过多项式调整或引入附加因子改善[34][82] - **因子具体构建过程**： - 多项式调整：对EP因子进行三次多项式拟合，改善其线性特征[34] - 引入附加因子：将流通市值作为附加因子，调整因子模型[82] - **因子评价**：调整后因子的单调性和有效性显著提高[34][82] --- 因子的回测效果 1. 资产负债率因子 - 调整前：年化收益率-0.5%[27] - 调整后：年化收益率3%[27] 2. 换手率因子 - 调整前：年化收益率21.7%[30] - 调整后：年化收益率28.4%[30] 3. EP因子 - 调整前：年化收益率11%[34] - 调整后：年化收益率13.5%[34]

量化因子与构建方式 1. **因子名称：一个月成交金额** - **因子的构建思路**：通过分析一个月内的成交金额来衡量市场的流动性[10] - **因子具体构建过程**：计算一个月内的成交金额，并通过IC和ICIR来评估因子的有效性。公式如下： $$ r_{k}=\frac{\sum_{t=k+1}^{T}(x_{t}-\bar{x})(x_{t-k}-\bar{x})}{Tx^{2}} $$ 其中，$r_k$为样本的自相关函数，$T$为样本数量，$x_t$为IC时间序列的变量值，$\bar{x}$为均值[12][13] - **因子评价**：该因子在8个月内的ICIR与当期IC具有显著的负相关关系[31] 2. **因子名称：换手率** - **因子的构建思路**：通过分析换手率来衡量市场的活跃度[10] - **因子具体构建过程**：计算换手率，并通过IC和ICIR来评估因子的有效性。公式如下： $$ IC_{t}=\varphi_{1}IC_{t-1}+\varphi_{1}IC_{t-2}+\cdots+\varphi_{n}IC_{t-n}+a_{t}-\theta_{1}a_{t-1}-\theta_{1}a_{t-1}-\cdots-\theta_{m}a_{t-m} $$ 其中，$IC_t$为因子有效性，$\varphi$和$\theta$为模型参数，$a_t$为扰动项[14] - **因子评价**：该因子在10个月内的ICIR与当期IC存在显著的负相关关系[32] 3. **因子名称：一个月股价反转** - **因子的构建思路**：通过分析一个月内的股价反转情况来捕捉市场的短期波动[10] - **因子具体构建过程**：计算一个月内的股价反转，并通过IC和ICIR来评估因子的有效性[36] - **因子评价**：该因子在10个月内的ICIR与当期IC存在显著的负相关关系[36] 4. **因子名称：三个月股价反转** - **因子的构建思路**：通过分析三个月内的股价反转情况来捕捉市场的中期波动[10] - **因子具体构建过程**：计算三个月内的股价反转，并通过IC和ICIR来评估因子的有效性[39] - **因子评价**：该因子在8个月内的ICIR与当期IC存在显著的负相关关系[39] 5. **因子名称：六个月股价反转** - **因子的构建思路**：通过分析六个月内的股价反转情况来捕捉市场的长期波动[10] - **因子具体构建过程**：计算六个月内的股价反转，并通过IC和ICIR来评估因子的有效性[42] - **因子评价**：该因子在8个月内的ICIR与当期IC存在显著的负相关关系[42] 6. **因子名称：流通市值** - **因子的构建思路**：通过分析流通市值来衡量公司的市场规模[10] - **因子具体构建过程**：计算流通市值，并通过IC和ICIR来评估因子的有效性[45] - **因子评价**：该因子在8个月内的ICIR与当期IC存在显著的负相关关系[45] 7. **因子名称：EP（盈利收益率）** - **因子的构建思路**：通过分析盈利收益率来衡量公司的盈利能力[10] - **因子具体构建过程**：计算EP，并通过IC和ICIR来评估因子的有效性[48] - **因子评价**：该因子在6个月内的ICIR与当期IC存在显著的负相关关系[48] 8. **因子名称：SP（销售收益率）** - **因子的构建思路**：通过分析销售收益率来衡量公司的销售效率[10] - **因子具体构建过程**：计算SP，并通过IC和ICIR来评估因子的有效性[51] - **因子评价**：该因子在6个月内的ICIR与当期IC存在显著的负相关关系[51] 9. **因子名称：BP（账面市值比）** - **因子的构建思路**：通过分析账面市值比来衡量公司的账面价值[10] - **因子具体构建过程**：计算BP，并通过IC和ICIR来评估因子的有效性[55] - **因子评价**：该因子在8个月内的ICIR与当期IC存在显著的负相关关系[55] 因子的回测效果 1. **一个月成交金额因子** - **IC**：-5.50% - **ICIR**：-1.09[11] 2. **换手率因子** - **IC**：-6.13% - **ICIR**：-1.57[11] 3. **一个月股价反转因子** - **IC**：-4.67% - **ICIR**：-0.93[11] 4. **三个月股价反转因子** - **IC**：-3.85% - **ICIR**：-0.67[11] 5. **六个月股价反转因子** - **IC**：-2.24% - **ICIR**：-0.37[11] 6. **流通市值因子** - **IC**：-3.16% - **ICIR**：-0.43[11] 7. **EP因子** - **IC**：4.21% - **ICIR**：1.37[11] 8. **SP因子** - **IC**：2.97% - **ICIR**：1.37[11] 9. **BP因子** - **IC**：4.36% - **ICIR**：1.27[11]

量化因子与构建方式 1. **因子名称：一个月成交金额** - **因子的构建思路**：通过观察因子有效性随着因子滞后时间的延长而出现的变化，发现大部分Alpha因子的有效性均存在明显的衰竭现象，且存在相对稳定的"半衰期"[1][2] - **因子具体构建过程**：在2个月的半衰期内，随着因子权重w0和w1由(1,0)逐步变为(0.5,0.5)，因子自相关系数由0.69增加至0.86，换手率迅速下降至原来的69%，而IC_IR的下降则相对缓慢，在半衰期内下降至83%[17][19][49] - **因子评价**：该因子在短期内有效性迅速下降，但通过平滑处理可以有效控制换手率，同时保持较高的信息比率[17][19][49] 2. **因子名称：换手率** - **因子的构建思路**：通过对因子换手率的控制，实现对组合换手率的控制，同时使得因子的IC_IR最大化[2][20] - **因子具体构建过程**：在2个月的半衰期内，随着因子权重w0和w1由(1,0)逐步变为(0.5,0.5)，因子自相关系数由0.49增加至0.74，换手率迅速下降至原来的70%，而IC_IR的下降则相对缓慢，在半衰期内下降至85%[20][23][50] - **因子评价**：该因子在短期内有效性迅速下降，但通过平滑处理可以有效控制换手率，同时保持较高的信息比率[20][23][50] 3. **因子名称：一个月股价反转** - **因子的构建思路**：通过对因子换手率的控制，实现对组合换手率的控制，同时使得因子的IC_IR最大化[2][21] - **因子具体构建过程**：在2个月的半衰期内，随着因子权重w0和w1由(1,0)逐步变为(0.5,0.5)，因子自相关系数由0.02增加至0.51，换手率迅速下降至原来的71%，而IC_IR的下降则相对缓慢，在半衰期内下降至74%[21][24][54] - **因子评价**：该因子在短期内有效性迅速下降，但通过平滑处理可以有效控制换手率，同时保持较高的信息比率[21][24][54] 4. **因子名称：三个月股价反转** - **因子的构建思路**：通过对因子换手率的控制，实现对组合换手率的控制，同时使得因子的IC_IR最大化[2][25] - **因子具体构建过程**：在2个月的半衰期内，随着因子权重w0和w1由(1,0)逐步变为(0.5,0.5)，因子自相关系数由0.02增加至0.51，换手率下降至原来的75%，而由于该因子在半衰期内有效性较低且下降速度快，导致随着权重的调整，IC_IR的下降速度快于换手率的下降幅度，在半衰期内IC_IR下降至65%[25][28][55] - **因子评价**：该因子在短期内有效性迅速下降，但通过平滑处理可以有效控制换手率，同时保持较高的信息比率[25][28][55] 5. **因子名称：六个月股价反转** - **因子的构建思路**：通过对因子换手率的控制，实现对组合换手率的控制，同时使得因子的IC_IR最大化[2][26] - **因子具体构建过程**：在2个月的半衰期内，IC_IR的下降速度同样快于换手率的下降幅度，在半衰期内IC_IR下降至53%[26][29][59] - **因子评价**：该因子在短期内有效性迅速下降，但通过平滑处理可以有效控制换手率，同时保持较高的信息比率[26][29][59] 6. **因子名称：流通市值** - **因子的构建思路**：通过对因子换手率的控制，实现对组合换手率的控制，同时使得因子的IC_IR最大化[2][27] - **因子具体构建过程**：在2个月的半衰期内，随着因子权重w0和w1由(1,0)逐步变为(0.5,0.5)，因子自相关系数由0.85增加至0.92，换手率下降至原来的70%，随着滞后一期因子权重的增加，IC_IR的下降速度逐渐快于换手率的下降幅度，在半衰期内IC_IR下降至61%[27][30][63] - **因子评价**：该因子在短期内有效性迅速下降，但通过平滑处理可以有效控制换手率，同时保持较高的信息比率[27][30][63] 7. **因子名称：每股派息/股价** - **因子的构建思路**：通过对因子换手率的控制，实现对组合换手率的控制，同时使得因子的IC_IR最大化[2][30] - **因子具体构建过程**：在9个月的半衰期内，随着因子权重w0-w9的调整，因子自相关系数由0.7增加至0.92，换手率迅速下降至原来的53%，IC_IR的下降速度则相对缓慢，在半衰期内下降至85%[30][32][64] - **因子评价**：该因子在长期内有效性较为稳定，通过平滑处理可以有效控制换手率，同时保持较高的信息比率[30][32][64] 8. **因子名称：EP** - **因子的构建思路**：通过对因子换手率的控制，实现对组合换手率的控制，同时使得因子的IC_IR最大化[2][33] - **因子具体构建过程**：在3个月的半衰期内，随着因子权重w0-w9的调整，因子自相关系数由0.76增加至0.90，换手率迅速下降至原来的65%，IC_IR的下降速度则相对缓慢，在半衰期内下降至90%[33][37][65] - **因子评价**：该因子在短期内有效性迅速下降，但通过平滑处理可以有效控制换手率，同时保持较高的信息比率[33][37][65] 9. **因子名称：SP** - **因子的构建思路**：通过对因子换手率的控制，实现对组合换手率的控制，同时使得因子的IC_IR最大化[2][34] - **因子具体构建过程**：在3个月的半衰期内，随着因子权重w0-w9的调整，因子自相关系数由0.77增加至0.92，换手率迅速下降至原来的63%，IC_IR的下降速度则相对缓慢，在半衰期内下降至92%[34][38][69] - **因子评价**：该因子在短期内有效性迅速下降，但通过平滑处理可以有效控制换手率，同时保持较高的信息比率[34][38][69] 10. **因子名称：BP** - **因子的构建思路**：通过对因子换手率的控制，实现对组合换手率的控制，同时使得因子的IC_IR最大化[2][39] - **因子具体构建过程**：在3个月的半衰期内，随着因子权重w0-w9的调整，因子自相关系数由0.76增加至0.91，换手率迅速下降至原来的62%，IC_IR的下降速度则相对缓慢，在半衰期内下降至93%[39][35][70] - **因子评价**：该因子在短期内有效性迅速下降，但通过平滑处理可以有效控制换手率，同时保持较高的信息比率[39][35][70] 因子的回测效果 1. **一个月成交金额**，IC_IR值83%，换手率69%[17][19][49] 2. **换手率**，IC_IR值85%，换手率70%

量化模型与构建方式 1. 模型名称：原始BL模型 - **模型构建思路**：基于传统马科维茨模型，引入投资者的主观观点，通过历史信息和先验观点结合，得到后验市场预期回报，从而优化资产配臵[3][14][17] - **模型具体构建过程**： - 优化目标函数为： $$ \operatorname*{max}w^{T}\cdot E_{B L}(r)-{\frac{\delta}{2}}\cdot w^{T}\cdot\Sigma_{B L}\cdot w $$ 约束条件： $$ \left\{\begin{array}{l l}{w\geq0}\\ {\sum w=1}\end{array}\right. $$ 其中，$w$为资产配臵权重，$\delta$为风险厌恶系数，$E_{BL}(r)$和$\Sigma_{BL}$分别为后验收益率和后验协方差矩阵[17][47] - 后验收益率计算公式： $$ E_{B L}(r)=[(\tau\Sigma)^{-1}+P^{T}\Omega^{-1}P]^{-1}[(\tau\Sigma)^{-1}\Pi+P^{T}\Omega^{-1}Q] $$ 其中，$\tau$为无量纲参数，$\Sigma$为历史协方差矩阵，$P$为观点矩阵，$Q$为观点收益，$\Omega$为观点误差矩阵，$\Pi$为市场隐含均衡收益[17][18][24] - 后验协方差矩阵计算公式： $$ \Sigma_{BL}=\Sigma+[(\tau\Sigma)^{-1}+P^{T}\Omega^{-1}P]^{-1} $$[17][18] - 市场隐含均衡收益计算公式： $$ \Pi=\delta\cdot\Sigma\cdot w_{mkt} $$ 其中，$w_{mkt}$为资产市值权重[17][93] - **模型评价**：原始BL模型在A股市场验证有效，但存在参数不稳定、权重两极化等问题[5][72] 2. 模型名称：修正BL模型 - **模型构建思路**：为解决原始BL模型中参数不稳定和权重两极化问题，改用超额收益协方差矩阵，剔除系统性风险的影响[5][74] - **模型具体构建过程**： - 超额收益计算公式： $$ R_{i,t}=\alpha_{i}+\beta_{i}R_{m,t}+\varepsilon_{i} $$ 其中，$R_{i,t}$为第$i$只资产的收益率，$R_{m,t}$为基准收益率，$\alpha_{i}$为超额收益，$\beta_{i}$为市场敏感度[74][75] - 协方差矩阵改为基于超额收益计算，剔除系统性风险[74][75] - **模型评价**：修正后的模型在震荡和下跌市场中表现更优，参数更加稳定，但在上涨市场中收益略低[78][82] --- 模型的回测效果 原始BL模型 - **正确观点下**： - **收益率**：2007年日线收益率为182.24%，2008年为-60.04%，2009年为115.58%，2010年为1.33%[52][53] - **绩效指标**： - 夏普比率：2007年为0.2052，2008年为-0.1969，2009年为0.2282，2010年为-0.0087 - 信息比率：2007年为0.1663，2008年为0.1532，2009年为0.1977，2010年为0.1989 - 跟踪误差：2007年为0.8622，2008年为0.1743，2009年为0.4009，2010年为0.4245 - β系数：2007年为1.1104，2008年为0.9703，2009年为1.0560，2010年为0.7997[56] - **一致预期观点下**： - **收益率**：2007年季度配臵收益率为194.05%，2008年为-61.70%，2009年为124.97%，2010年为0.07%[60][66] - **绩效指标**： - 夏普比率：2007年为0.2023，2008年为-0.0629，2009年为0.1988，2010年为0.0032 - 信息比率：2007年为0.2182，2008年为0.0734，2009年为0.1954，2010年为0.2225 - 跟踪误差：2007年为1.2884，2008年为0.1355，2009年为0.9774，2010年为0.3621 - β系数：2007年为0.9907，2008年为0.9952，2009年为1.0298，2010年为1.0477[60][66] 修正BL模型 - **收益率**：2007年为177.30%，2008年为-61.48%，2009年为105.42%，2010年为4.24%[80][81] - **绩效指标**： - 夏普比率：2007年为0.2101，2008年为-0.0671，2009年为0.2256，2010年为0.0056 - 信息比率：2007年为0.1222，2008年为0.0883，2009年为0.0101，2010年为0.2104 - 跟踪误差：2007年为0.8084，2008年为0.1335，2009年为0.6002，2010年为0.4110 - β系数：2007年为1.0140，2008年为0.9850，2009年为1.0045，2010年为1.0580[80][81] 2011年配臵效果 - **原始BL模型**：累计收益率为1.86%，跑输HS300（2.22%）和中证800（2.14%）[70][86] - **修正BL模型**：累计收益率为2.07%，基本与HS300和中证800持平[86]