量化模型与构建方式 1. 高频宏观因子模型 - **模型名称**：高频宏观因子模型 - **模型构建思路**：通过资产组合模拟构建高频宏观因子体系，用以观察市场交易的宏观预期变化[10] - **模型具体构建过程**： 1. 真实宏观指标合成低频宏观因子[10] 2. 筛选领先于低频宏观因子的资产[10] 3. 以资产同比收益率为自变量，低频宏观因子同比为因变量，通过滚动多元领先回归确定资产权重，构建投资组合模拟宏观因子走势[10] 4. 不同因子的具体构建方式： - 高频经济增长因子：以工业增加值同比、PMI同比、社会消费品零售总额同比为低频因子，滚动回归拟合恒生指数、CRB金属现货[11] - 高频通货膨胀（消费端）：以CPI同比为低频因子，滚动回归拟合食用农产品价格指数、猪肉价格指数[11] - 高频通货膨胀（生产端）：以PPI全部工业品同比为低频因子，滚动回归拟合生产资料价格指数、CRB工业现货指数、CRB综合现货指数[11] - 高频利率因子：以国债到期收益率为低频因子，做空中债-国债总净价（1-3年）指数[11] - 高频信用因子：以信用债到期收益率减去国债到期收益率为低频因子，做多中债-企业债AAA财富（总值）指数，做空中债-国债总财富（总值）指数[11] - 高频汇率因子：以人民币兑美元中间价为低频因子，做多美元指数[11] - 高频期限利差因子：以长期国债到期收益率减去中短期国债到期收益率为低频因子，做多中债-中短期债券财富（总值）指数，做空中债-长期债券财富（总值）指数[11] - **模型评价**：高频因子相比低频因子具有一定的领先性[11] 2. 债券久期择时模型 - **模型名称**：债券久期择时模型 - **模型构建思路**：利用改进的Diebold2006模型预测即期收益率曲线，并映射出不同久期债券的预期收益[19] - **模型具体构建过程**： 1. 模型分别预测水平、斜率、曲率因子[19] 2. 水平因子的预测基于宏观变量预判和政策利率跟随[19] 3. 斜率和曲率因子的预测基于AR(1)模型[19] - **模型评价**：模型能够提供短久期债券的择时建议[19] 3. 黄金预期收益模型 - **模型名称**：黄金预期收益模型 - **模型构建思路**：将黄金和美国抗通胀债券（TIPS）的远期实际回报关联，构建黄金的预期收益模型[30] - **模型具体构建过程**： 1. 模型公式： $$ E[Real\_Return^{gold}]=k\times E[Real\_Return^{TIPS}] $$ $$ E[R^{gold}]=\pi^{e}+k\times E[Real\_Return^{TIPS}] $$ 2. 通过扩展窗口OLS估计参数k[30] 3. 以美联储长期通胀目标2%作为$\pi^{e}$的代理[30] - **模型评价**：模型能够较好地预测黄金资产的未来收益[30] 4. 主动风险预算模型 - **模型名称**：主动风险预算模型 - **模型构建思路**：结合风险平价模型与主动信号，从股债横向比价、股票纵向估值水平、市场流动性三个维度动态调整资产权重[33][36] - **模型具体构建过程**： 1. 股债横向比价：借鉴美联储FED模型，定义股权风险溢价（ERP）为： $$ ERP = \frac{1}{PE_{ttm}} - YTM_{TB}^{10Y} $$ 当ERP > 5%时超配权益资产，当ERP < 2%时低配权益资产[37][38] 2. 股票纵向估值水平：滚动窗口计算股票估值在近5年历史中的分位数，当估值分位数 < 25%时超配权益资产，> 75%时低配权益资产[39] 3. 市场流动性：以M2-M1剪刀差为指标，当M2-M1 ≥ 5%时超配权益资产，当M2-M1 ≤ -5%时低配权益资产[41] 4. 将三个维度的信号代入softmax函数，计算权益资产风险预算权重： $$ softmax(x) = \frac{\exp(\lambda x)}{\exp(\lambda x) + \exp(-\lambda x)} $$ - **模型评价**：模型能够动态调整股债配置，提供稳健的资产配置建议[36][44] 5. 行业轮动模型 - **模型名称**：行业轮动模型3.0 - **模型构建思路**：从交易行为、景气度、资金面、筹码结构、宏观驱动、技术分析六个维度构建行业轮动子模型，并动态合成优选行业[51][54] - **模型具体构建过程**： 1. 交易行为模型：捕捉行业日内动量+隔夜反转效应[54] 2. 景气度模型：捕捉行业盈余动量效应[54] 3. 资金流模型：捕捉主动抢筹+被动派发行为[54] 4. 筹码结构模型：捕捉持仓收益+阻力支撑效应[54] 5. 宏观驱动模型：捕捉高频宏观预期在行业上的映射[54] 6. 技术分析模型：捕捉行业成份股在趋势、振荡、量能指标上的交易信号[54] - **模型评价**：模型能够动态捕捉行业轮动信号，提供双周频的行业配置建议[51][54] --- 模型的回测效果 高频宏观因子模型 - 高频经济增长因子：同比较前值上行[11] - 高频通货膨胀（消费端）：同比较前值下行[16] - 高频通货膨胀（生产端）：同比较前值上行[16] 债券久期择时模型 - 2024年12月回报37.8bp，等权基准收益率为176.4bp，策略超额收益为-138.6bp[22] - 最近一年，零息国债久期调整策略回报3.10%，等权基准收益率为8.25%，策略超额收益为-5.15%[22] 黄金预期收益模型 - 未来一年黄金的预期收益率为22.0%[30] - 基于TIPS收益率的择时策略过去一年绝对回报为27.23%[32][35] 主动风险预算模型 - 2024年12月组合收益1.63%，股票仓位16.81%，债券仓位83.19%[46] - 全样本区间内，年化收益率6.67%，最大回撤4.89%，收益波动比1.67[49][50] 行业轮动模型 - 2024年12月多空收益为2.13%，多头超额收益为0.02%，空头超额收益为2.11%[60][63]

量化因子与构建方式 1. 因子名称：社融自下而上预测框架 - **因子的构建思路**：基于社融各子项的经济逻辑、高频数据和季节性特征，采用自下而上的拆分预测方法，通过对各子项的细分逻辑进行建模，既能准确预测社融总量，也能提供结构性信息[9][10] - **因子具体构建过程**： 1. **企业贷款+居民短贷**：与未来经济预期高度相关，使用PMI和唐山钢厂产能利用率作为自变量，分别对信贷大月和小月进行滚动回归预测 2. **居民中长贷**：以住房按揭贷款为主，与商品房销售数据高度相关，基于商品房销售代理指标和居民中长贷的三阶段特点进行预测 3. **企业票据融资**：与转贴现利率呈明显负相关，使用转贴现利率作为外生变量，采用5年窗口的滚动自回归进行预测 4. **政府债券**：通过高频跟踪政府债券的发行到期数据，并将月末新发政府债券计入下月数据，进行口径调整 5. **企业债券**：采用5年窗口的滚动回归对企业债券子项重新配权，以降低口径差异 6. **外币贷款**：平滑后与人民币汇率和中美国债利差相关性强，但月度间波动大，使用过去3个月均值作为预测 7. **信托贷款**：通过跟踪集合信托和单一信托的发行到期披露情况进行近似预测 8. **委托贷款**：资管新规后整体规模压降，使用过去12个月均值作为预测，部分基建相关增量额外判断 9. **未贴现银行承兑汇票**：由于票交所高频数据停止对外公布，使用过去三年同期平均值作近似估计 10. **非金融企业境内股票融资**：扣除金融企业部分后，基于股权融资（包括IPO、增发、配股、优先股）的月频净融资数据进行预测 11. **贷款核销**：集中于季末特别是年末，季节效应显著，使用去年同期值作为预测 12. **存款类金融机构资产支持证券**：从2023年12月起，改为使用信贷ABS净融资高频跟踪进行预测[10][9] 2. 因子评价 - 自下而上的拆分预测框架能够更好地刻画社融的细节，既能准确预测总量，也能提供结构性信息，具有较高的实用性和前瞻性[9][10] --- 因子的回测效果 1. 社融自下而上预测框架 - **新增社融**：2024年12月预测值为30863亿元，同比增加11537亿元[16] - **社融TTM环比**：2024年12月预测值为3.65%[16] - **社融存量同比增速**：2024年12月预测值为8.09%[9] - **人民币贷款**：2024年12月预测值为11658亿元，其中企业贷款+居民短贷为8152亿元，居民中长贷为2853亿元，企业票据融资为654亿元[16] - **政府债券净融资**：2024年12月预测值为17674亿元，同比增加9350亿元[16] - **企业债券净融资**：2024年12月预测值为361亿元，同比增加3102亿元[16] - **其他子项**：外币贷款为-553亿元，委托贷款为-50亿元，信托贷款为312亿元，未贴现银行承兑汇票为-1279亿元，非金融企业境内股票融资为418亿元，存款类金融机构资产支持证券为-25亿元，贷款核销为2347亿元[16]

量化模型与构建方式 1. 模型名称：AI看图的卷积神经网络模型 - **模型构建思路**：基于价量数据图表，通过卷积神经网络（CNN）对股价未来走势进行预测[17][21] - **模型具体构建过程**： - **输入**：标准化价量数据图表，包含60个交易日窗口期的价量数据，分为三部分：K线图（开、高、低、收价格）、成交量、MACD信息[17] - **网络结构**：采用经典的ResNet残差卷积结构，输入为标准化价量数据图表，输出为未来股价涨跌[21] - **优化方法**：使用Adam优化器对模型进行训练，并通过验证集确定最优的早停（Early Stopping）时点[21] - **卷积运算公式**： $$ \mathrm{OH}={\frac{\mathrm{H}+2\mathrm{P}-\mathrm{FH}}{\mathrm{S}}}+1, \quad \mathrm{OW}={\frac{\mathrm{W}+2\mathrm{P}-\mathrm{FW}}{\mathrm{S}}}+1 $$ 其中，H和W为输入大小，FH和FW为卷积核大小，P为填充大小，S为步幅[47] - **模型评价**：通过卷积神经网络，能够有效识别价量数据图表中价格和交易量的走势形态，并与未来股价进行建模[50] 2. 模型名称：循环神经网络（RNN） - **模型构建思路**：基于价量数据的时间序列特性，使用RNN捕捉序列数据的演进关系[24][26] - **模型具体构建过程**： - **输入**：包含价格和交易量的二维序列数据[26] - **网络结构**：通过递归方式处理序列数据，隐藏层状态（Hidden State）在时间步之间传递，最终输出最后一个隐藏层状态$h_n$，并通过前馈神经网络降维后与未来股价走势建模[26] - **模型评价**：能够捕捉价量序列中的高维信息，但对价格和交易量的形态变化识别能力有限[24] 3. 模型名称：Transformer模型 - **模型构建思路**：通过多头注意力机制（Multi-Head Attention）捕捉输入时序数据中的前后关系，适合建模超长序列数据[28] - **模型具体构建过程**： - **输入**：价量数据的时序特征[28] - **网络结构**：包括多头注意力机制、前馈网络、位置编码等模块，能够并行化处理数据，提升运算速度[28][31] - **模型评价**：克服了传统RNN的短期记忆缺点，适合处理超长序列数据[28] --- 模型的回测效果 1. AI看图的卷积神经网络模型 - **累计收益率**：244.56%（2020~2024年）[69][73] - **年化收益率**：29.42%（2020~2024年），40.88%（2024年）[69][73] - **最大回撤率**：19.80%（2020~2024年），8.82%（2024年）[69][73] - **年化波动率**：18.24%（2020~2024年），20.47%（2024年）[69][73] - **信息比率（IR）**：1.61（2020~2024年），2.00（2024年）[69][73] --- 量化因子与构建方式 1. 因子名称：AI看图因子 - **因子的构建思路**：基于价量数据图表，通过图像识别技术提取股价走势特征[17][52] - **因子具体构建过程**： - **输入数据**：标准化价量数据图表，包含K线图、成交量、MACD信息[17] - **因子分档**：将全市场股票按因子值分为50档，分档组合展现出良好的区分度和单调性[52][54] - **因子评价**：分档表现良好，多头、空头收益显著[52] --- 因子的回测效果 1. AI看图因子 - **分档表现**：因子分档展现出显著的区分度和单调性[52][54]

量化模型与构建方式 1. 模型名称：A股收益预测模型 - **模型构建思路**：通过对宽基指数的未来一年预期收益进行预测，判断不同指数的相对收益能力[5][12] - **模型具体构建过程**： 1. 使用ERP（股权风险溢价）作为估值预测的核心指标，结合盈利增速、股息率和估值变化等因素，计算各宽基指数的未来一年预期收益[12][8] 2. 公式： $ \text{预期收益} = \text{预期盈利增速} + \text{预期股息率} + \text{预期估值变化} - \text{预期股本稀释率} $ 其中，预期盈利增速基于宏观和微观方法综合预测，股息率和估值变化通过历史数据回归估算[12][9] - **模型评价**：模型在长周期内显示出较强的预测准确性，尤其在估值扩张的判断上具有一定的前瞻性[12] 2. 模型名称：赔率+胜率策略 - **模型构建思路**：结合赔率和胜率两个维度，通过风险预算模型优化资产配置[56][62] - **模型具体构建过程**： 1. 赔率维度：基于各资产的赔率指标（如股债风险溢价、CCB模型定价误差等）进行高赔率资产的超配[56][24] 2. 胜率维度：通过宏观胜率评分卡（货币、信用、增长、通胀、海外五因子）计算各资产的胜率[56][59] 3. 综合得分：将赔率和胜率的风险预算简单相加，构建综合策略[62] - **模型评价**：策略在不同时间窗口下均表现出较低的回撤和较高的夏普比率，具有较好的风险收益特性[62] --- 模型的回测效果 1. A股收益预测模型 - 沪深300未来一年预期收益：14.2%[5][9] - 中证500未来一年预期收益：-28.2%[5][9] - 上证50未来一年预期收益：9.2%[5][9] 2. 赔率+胜率策略 - **2011年以来**：年化收益7.0%，最大回撤2.8%，夏普比率3.07[62][64] - **2014年以来**：年化收益7.7%，最大回撤2.6%，夏普比率3.55[62][64] - **2019年以来**：年化收益6.7%，最大回撤2.6%，夏普比率3.09[62][64] --- 量化因子与构建方式 1. 因子名称：质量因子 - **因子的构建思路**：通过ROE（净资产收益率）衡量企业质量，结合赔率、趋势和拥挤度三维指标进行综合评价[31][33] - **因子具体构建过程**： 1. 赔率：基于ROE的历史分位数计算，当前值为1.3倍标准差[31] 2. 趋势：通过因子超额收益的时间序列分析，判断趋势信号，当前趋势由负转正[31] 3. 拥挤度：通过因子持仓集中度和交易活跃度计算，当前值为-1.1倍标准差[31] - **因子评价**：质量因子当前综合评分最高，左侧和右侧信号共振，具备较高的配置价值[31] 2. 因子名称：成长因子 - **因子的构建思路**：通过盈利增长能力衡量成长性，结合赔率、趋势和拥挤度三维指标进行综合评价[34][36] - **因子具体构建过程**： 1. 赔率：基于盈利增速的历史分位数计算，当前值为-0.1倍标准差[34] 2. 趋势：通过因子超额收益的时间序列分析，当前趋势为0.8倍标准差[34] 3. 拥挤度：通过因子持仓集中度和交易活跃度计算，当前值为-0.3倍标准差[34] - **因子评价**：成长因子趋势突破，右侧信号确认，建议长期关注[34] 3. 因子名称：红利因子 - **因子的构建思路**：通过股息率衡量红利水平，结合赔率、趋势和拥挤度三维指标进行综合评价[38][39] - **因子具体构建过程**： 1. 赔率：基于股息率的历史分位数计算，当前值为-0.8倍标准差[38] 2. 趋势：通过因子超额收益的时间序列分析，当前趋势为-0.4倍标准差[38] 3. 拥挤度：通过因子持仓集中度和交易活跃度计算，当前值为-0.6倍标准差[38] - **因子评价**：红利因子综合得分较低，配置价值下降[38] 4. 因子名称：小盘因子 - **因子的构建思路**：通过市值规模衡量小盘股特性，结合赔率、趋势和拥挤度三维指标进行综合评价[41][43] - **因子具体构建过程**： 1. 赔率：基于市值分位数计算，当前值为0.02倍标准差[41] 2. 趋势：通过因子超额收益的时间序列分析，当前趋势为-1.0倍标准差[41] 3. 拥挤度：通过因子持仓集中度和交易活跃度计算，当前值为0.1倍标准差[41] - **因子评价**：小盘因子不确定性较强，建议保持谨慎[41] --- 因子的回测效果 1. 质量因子 - 赔率：1.3倍标准差[31] - 趋势：由负转正[31] - 拥挤度：-1.1倍标准差[31] 2. 成长因子 - 赔率：-0.1倍标准差[34] - 趋势：0.8倍标准差[34] - 拥挤度：-0.3倍标准差[34] 3. 红利因子 - 赔率：-0.8倍标准差[38] - 趋势：-0.4倍标准差[38] - 拥挤度：-0.6倍标准差[38] 4. 小盘因子 - 赔率：0.02倍标准差[41] - 趋势：-1.0倍标准差[41] - 拥挤度：0.1倍标准差[41]

- 本报告未涉及量化模型或量化因子的具体内容，仅提及量化产品的收益表现[5][20][24] - 上周量化产品中，主动量化产品平均收益为0.04%，量化对冲产品为0.11%[20][22] - 年初至今，主动量化产品平均收益为6.59%，量化对冲产品为-1.74%[24][25] - 年初至今，主动量化基金中同泰金融精选A收益最高，为43.74%；量化对冲基金中光大阳光对冲策略6个月持有A收益最高，为3.89%[24][26]

量化因子与构建方式 1. 因子名称：股息率因子 - **因子的构建思路**：股息率因子是通过上市公司过去1年的现金分红金额除以其总市值，作为股票股息率的代理变量，用于衡量股票的分红收益能力[11] - **因子具体构建过程**： 1. 计算公式： $ 股息率 = \frac{过去一年现金分红金额}{总市值} $ 其中，分子为过去一年公司分红的现金总额，分母为公司总市值[11] 2. 将港股市场股票按照股息率因子值分为五档分组，测试其在港股市场的表现[11] - **因子评价**：股息率因子在港股市场长期有效，五档分组表现单调，多头年化超额收益达到5.21%，说明高股息组合能够显著战胜低股息组合[11] 2. 因子名称：红利因子 - **因子的构建思路**：红利因子通过持续、稳定的分红政策，反映公司经营的稳定性和增长能力，增强投资者信心[11] - **因子具体构建过程**： 1. 以公司分红政策为基础，筛选出分红水平稳定且股息率较高的公司 2. 通过多因子模型，将红利因子作为选股因子之一，构建多因子组合[11] - **因子评价**：红利因子在港股市场长期有效，能够显著提升投资组合的收益能力[11] --- 因子的回测效果 1. 股息率因子 - **年化超额收益**：5.21%[11] - **RankIC走势**：整体表现较为单调，长期来看高股息组合显著优于低股息组合[11] 2. 红利因子 - **长期有效性**：红利因子在港股市场表现优异，能够显著提升投资组合的收益能力[11] --- 量化模型与构建方式 1. 模型名称：中证国新港股通央企红利指数（931722.CSI） - **模型构建思路**：该指数从港股通范围内选取国务院国资委央企名录中分红水平稳定且股息率较高的上市公司证券，反映港股通范围内高股息央企的整体表现[4][32] - **模型具体构建过程**： 1. **样本空间**：从中证港股通综合指数样本中筛选[33] 2. **流动性筛选**：剔除过去12个月或3个月平均月换手率不足0.1%的证券，除非该证券过去一年日均成交金额大于5000万港元[33] 3. **选样方法**： - 符合国务院国资委央企名录的上市公司 - 过去三年连续分红，且股利支付率均值和过去一年股利支付率均大于0 - 按过去三年平均股息率由高到低排名，选取前50只证券作为指数样本[33] 4. **加权方式**：采用股息率调整后的自由流通市值加权，单个样本权重不超过10%，金融、房地产行业单个样本权重不超过2%[33] 5. **定期调整**：每年调整一次，调整实施时间为每年12月的第二个星期五的下一交易日[33] - **模型评价**：该指数市值偏向中大盘，行业集中于石油石化、通信、煤炭等，长期表现优于港股宽基指数，防御属性明显[4][32] --- 模型的回测效果 1. 中证国新港股通央企红利指数（931722.CSI） - **年化收益率**：8.83%[49] - **年化波动率**：20.23%[49] - **夏普比率**：0.44[49] - **最大回撤**：-42.72%[49] - **股息率**：6.59%（截至2024年12月20日）[42] - **市盈率（PE）**：7.33（截至2024年12月20日）[38] - **市净率（PB）**：0.75（截至2024年12月20日）[38] - **分年度收益**： - 2021年：28.87% - 2022年：7.66% - 2023年：17.08% - 2024年（截至12月24日）：30.42%[50] --- 总结 - 股息率因子和红利因子在港股市场长期有效，能够显著提升投资组合的收益能力[11] - 中证国新港股通央企红利指数通过筛选高股息率央企，构建了一个防御属性较强、长期表现优于港股宽基指数的量化模型[4][32][33] - 回测结果显示，该指数在收益、波动率、夏普比率等方面均表现优异，具有较高的投资价值[49][50]

量化模型与构建方式 量化组合 - **模型名称**：基于研报覆盖度调整的指数增强组合 - **模型构建思路**：在不同宽基指数（沪深300、中证500、中证1000）内，根据研报覆盖度区分两种域，并运用各自适用性因子进行增强[38][38] - **模型具体构建过程**： 1. 将宽基指数内的股票根据研报覆盖度划分为高覆盖度域和低覆盖度域 2. 针对不同域分别选用适用性因子进行增强 3. 通过优化组合权重，构建增强组合[38] - **模型评价**：该模型在不同宽基指数内均实现了显著的超额收益，且表现稳定[38] 资金流共振策略 - **模型名称**：融资-主动大单资金流取交集策略 - **模型构建思路**：通过结合融资融券资金因子和主动大单资金因子，剔除极端行业后构建稳定的资金流共振策略[24][25] - **模型具体构建过程**： 1. 定义融资融券资金因子：对融资净买入-融券净买入进行Barra市值因子中性化处理，取最近10日均值后的环比变化率 2. 定义主动大单资金因子：对行业最近一年成交量时序中性化后的净流入排序，取最近10日均值 3. 剔除融资融券因子中负向超额收益的多头端，并在主动大单因子头部打分中剔除极端多头行业 4. 进一步剔除大金融板块，优化策略稳定性[25] - **模型评价**：策略表现稳定，2018年以来费后年化超额收益14.5%，信息比率1.4，相较于北向-大单共振策略回撤更小[25] --- 模型的回测效果 基于研报覆盖度调整的指数增强组合 - 沪深300增强组合：上周绝对收益1.85%，超额收益0.49%；12月超额收益1.66%；本年超额收益7.94%[38] - 中证500增强组合：上周绝对收益0.69%，超额收益0.99%；12月超额收益1.88%；本年超额收益11.56%[38] - 中证1000增强组合：上周绝对收益-0.47%，超额收益1.13%；12月超额收益1.40%；本年超额收益5.55%[38] 融资-主动大单资金流取交集策略 - 费后年化超额收益：14.5% - 信息比率：1.4 - 上周绝对收益：-0.5% - 上周超额收益：0.7%[25] --- 量化因子与构建方式 一致预测因子 - **因子名称**：一致预测因子 - **因子的构建思路**：基于一致预期数据（如市盈率倒数、一致预期目标价格等）构建因子，捕捉市场对未来盈利的预期[31][32] - **因子具体构建过程**： 1. 收集一致预期相关数据（如目标价格、盈利预测等） 2. 计算相关指标，如一致预期市盈率倒数（est_ep）、一致预期目标价格/收盘价-1（target_return_180d）等 3. 对因子进行市值、行业中性化处理[31][32] - **因子评价**：一致预测因子在不同时间维度、宽基指数和板块中表现较好，尤其在小市值股票中超额收益更高[31][33] 盈利因子 - **因子名称**：盈利因子 - **因子的构建思路**：基于企业盈利能力（如市盈率倒数、扣非净利润/市值等）构建因子，反映企业的基本面价值[31][32] - **因子具体构建过程**： 1. 收集企业盈利相关数据（如市盈率、净利润等） 2. 计算相关指标，如市盈率倒数（ep_fttm）、扣非净利润/市值（ep_de）等 3. 对因子进行市值、行业中性化处理[31][32] - **因子评价**：盈利因子在不同宽基指数和板块中表现较好，尤其在小市值股票中超额收益更高[31][33] 行为因子 - **因子名称**：行为因子 - **因子的构建思路**：基于市场行为数据（如成交量、波动率等）构建因子，捕捉市场情绪和交易行为[35] - **因子具体构建过程**： 1. 收集市场行为相关数据（如成交量、波动率等） 2. 计算相关指标，如过去1个月日均成交额/过去3个月日均成交额（amt_1m_3m）、波动率（ivol）等 3. 对因子进行市值、行业中性化处理[35] - **因子评价**：行为因子在多个板块中胜率较高，尤其在消费、公用事业等板块表现优异[35][36] --- 因子的回测效果 一致预测因子 - earnings_fttm：近一周多头超额1.49%，近一个月0.23%，近一年-9.51%[33] - est_ep：近一周多头超额1.16%，近一个月0.72%，近一年-2.37%[33] - target_return_180d：沪深300中多头超额1.00%，中证500中1.31%，中证1000中2.23%，国证2000中2.97%[34] 盈利因子 - ep_fttm：近一周多头超额1.14%，近一个月0.83%，近一年-2.48%[33] - ep_de：沪深300中多头超额1.76%，中证500中1.65%，中证1000中2.82%，国证2000中2.74%[34] 行为因子 - amt_1m_3m：沪深300中多头超额1.34%，中证500中1.69%，中证1000中2.63%，国证2000中5.32%[34] - ivol：沪深300中多头超额1.61%，中证500中0.64%，中证1000中3.52%，国证2000中4.27%[34]

根据提供的文档内容，没有涉及到量化模型或量化因子的构建、测试或评价内容，因此无法总结相关内容

量化模型与构建方式 1. 模型名称：行业配置模型 - **模型构建思路**：通过分析行业的困境反转特性以及市场趋势，结合估值水平和历史表现，推荐具有潜在超额收益的行业[3][9][12] - **模型具体构建过程**： 1. 选取困境反转型板块作为重点关注对象 2. 结合估值指标（如PE、PB）和市场趋势信号，筛选出消费、新能源等相关行业 3. 进一步结合科技板块的特性，推荐消费电子、AI应用、机器人等细分领域[3][9][12] - **模型评价**：模型能够结合市场趋势和估值水平，提供较为明确的行业配置方向，具有一定的前瞻性[3][9][12] 2. 模型名称：TWOBETA模型 - **模型构建思路**：基于双贝塔因子的行业配置模型，重点推荐科技板块，挖掘具有高成长性和技术驱动的行业[3][9][12] - **模型具体构建过程**： 1. 通过双贝塔因子分析行业的波动性和市场敏感性 2. 结合市场趋势和估值水平，筛选出科技板块中的消费电子、AI应用、机器人等细分领域 3. 根据模型输出，提供12月的行业配置建议[3][9][12] - **模型评价**：模型能够较好地捕捉科技板块的成长性机会，适合在市场波动中寻找高弹性行业[3][9][12] --- 模型的回测效果 1. 行业配置模型 - **推荐行业**：消费、新能源、消费电子、AI应用、机器人[3][9][12] 2. TWOBETA模型 - **推荐行业**：科技板块（消费电子、AI应用、机器人）[3][9][12] --- 量化因子与构建方式 1. 因子名称：均线距离因子 - **因子的构建思路**：通过分析短期均线与长期均线的距离，判断市场趋势和震荡格局[2][4][11] - **因子具体构建过程**： 1. 计算Wind全A指数的短期均线（20日）和长期均线（120日） 2. 计算均线距离公式： $ 距离 = \frac{\text{短期均线值} - \text{长期均线值}}{\text{长期均线值}} \times 100\% $ 其中，短期均线值为5186，长期均线值为4585[2][4][11] 3. 根据均线距离的变化趋势，判断市场是否处于震荡或反弹区间[2][4][11] - **因子评价**：因子能够较好地反映市场趋势变化，但对短期波动的敏感性较高[2][4][11] --- 因子的回测效果 1. 均线距离因子 - **当前均线距离**：13.1%（较上周的13.7%有所收窄）[2][4][11] - **绝对距离**：大于3%[2][4][11]

量化模型与构建方式 风险平价模型 - **模型名称**：风险平价模型 - **模型构建思路**：通过将投资组合的风险平均分配到各资产中，追求各资产风险贡献相同，从而降低风险集中度，实现更稳定的投资表现[124][126] - **模型具体构建过程**： 1. 定义资产的边际风险贡献（MRC）和风险贡献（RC）： $$MRC = \frac{\partial \sigma_p}{\partial w_i}, \quad RC = w_i \cdot MRC$$ 2. 投资组合的总风险为： $$\sigma_p = \sqrt{w^T \Sigma w}$$ 3. 优化目标是使每个资产的风险贡献相等： $$\operatorname*{min}_{w}\sum_{i,j}(RC_i - RC_j)^2$$ 4. 约束条件为： $$\sum w_i = 1, \quad w_i \geq 0$$[124][126][127] - **模型评价**：风险平价模型强调基于风险分配权重，适合追求稳定投资表现的策略，但在高相关性资产中可能导致风险分散效果降低[30][124] 风险预算模型 - **模型名称**：风险预算模型 - **模型构建思路**：基于风险贡献的优化目标，允许投资者根据风险偏好设定每种资产的风险贡献比例，增强灵活性[31][128] - **模型具体构建过程**： 1. 定义资产的风险贡献为： $$RC_i = w_i \cdot \frac{\partial \sigma_p}{\partial w_i}$$ 2. 优化目标是使风险贡献按预算比例分配： $$\operatorname*{min}_{w}\sum_{i,j}\left(\frac{RC_i}{b_i} - \frac{RC_j}{b_j}\right)^2$$ 3. 约束条件为： $$\sum w_i = 1, \quad w_i \geq 0$$ 4. 当资产间相关性为0时，风险预算比例为资产夏普率的平方之比： $$\frac{b_i}{b_j} = \frac{SR_i^2}{SR_j^2}$$[128][129][157] - **模型评价**：相比风险平价模型，风险预算模型更灵活，能够动态调整资产权重以适应市场变化[31][131] 商品期货多空风险预算策略 - **模型名称**：商品期货多空风险预算策略 - **模型构建思路**：通过风险预算模型对商品期货进行多空配置，利用夏普率和相关性筛选商品，优化组合表现[46][70] - **模型具体构建过程**： 1. 使用过去一个月的夏普率作为预测信号，计算协方差矩阵[46] 2. 对预测夏普率大于0的资产做多，小于0的资产做空，权重按夏普率平方之比分配[46][70] 3. 筛选商品时，按“低相关性低夏普率”等规则选取商品组合[70][72] - **模型评价**：筛选后的策略在年化收益和夏普比率上表现优异，但在部分年份回撤较大[73][79] 华鑫量化全天候策略 - **模型名称**：华鑫量化全天候策略 - **模型构建思路**：基于风险平价模型，将商品、权益、固收等大类资产进行动态配置，构建全天候组合[3][110] - **模型具体构建过程**： 1. 商品部分：对16种商品逐年筛选，结合黄金择时策略，构建“商品大类净值指数”[110] 2. 权益部分：使用系统化定量轮动策略的净值作为“权益类净值指数”[110] 3. 固收部分：对10年期和30年期国债期货进行风险平价分配权重，构建“固收类净值指数”[110] 4. 最终将以上三类指数进行风险平价分配，构建国内版全天候策略；国际版加入标普500指数[110] - **模型评价**：策略在收益率、最大回撤和稳定性方面均优于同类产品，尤其在市场冲击下表现出色[113][120] --- 模型的回测效果 风险平价模型 - 年化收益率：5.84% - 夏普比率：1.88 - 最大回撤：11.92% - 年化波动率：6.40%[104][106] 风险预算模型 - 年化收益率：9.61% - 夏普比率：0.83 - 最大回撤：27.78% - 年化波动率：11.57%[78][79] 商品期货多空风险预算策略 - 年化收益率：9.61% - 夏普比率：0.83 - 最大回撤：27.78% - 年化波动率：11.57%[78][79] 华鑫量化全天候策略 - **国内版**： - 年化收益率：7.80% - 夏普比率：2.43 - 最大回撤：2.61% - 年化波动率：3.36%[113][114] - **国际版**： - 年化收益率：8.29% - 夏普比率：2.54 - 最大回撤：3.39% - 年化波动率：3.76%[118][122]