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]

量化模型与构建方式 1. 模型名称：GDPNOW模型 - **模型构建思路**：基于高频经济数据，实时预测宏观经济指标（如GDP增速），以捕捉经济运行的边际变化[22][23] - **模型具体构建过程**： 1. 收集高频经济数据（如工业企业利润、经济意外指数等）[13][22] 2. 利用统计方法对数据进行处理，剔除噪声和异常值 3. 构建动态预测模型，实时更新GDP增速预测值 4. 输出预测结果，作为宏观经济走势的参考 **公式**：未提供具体公式，但模型基于动态统计回归方法[22][23] - **模型评价**：短期内宏观经济预测边际变化趋于平稳，模型对经济走势的预测具有一定参考价值[22][23] --- 模型的回测效果 1. GDPNOW模型 - **预测GDP增速**：2024年四季度GDP增速最新预测值为4.6%（截至12月18日更新）[22][23] --- 量化因子与构建方式 1. 因子名称：风格因子 - **因子的构建思路**：通过BARRA模型提取多种风格因子（如价值、成长、动量等），分析市场风格偏好及因子收益表现[35][36] - **因子具体构建过程**： 1. 收集股票市场的基本面和交易数据（如市值、换手率、盈利能力等） 2. 利用BARRA模型对数据进行分解，提取风格因子 3. 计算各因子的收益率，分析其在不同市场环境下的表现 **公式**：未提供具体公式，但因子收益计算基于回归分析[35][36] - **因子评价**：本周市场风格偏好价值多于成长，资金偏好盈利能力强和股息率高的股票，短期动量因子表现较优[35][36] --- 因子的回测效果 1. 风格因子 - **换手因子**：本周收益-0.6%，上周收益0.5%[36] - **财务杠杆因子**：本周收益-0.2%，上周收益-0.1%[36] - **盈利波动因子**：本周收益-0.3%，上周收益-0.1%[36] - **盈利质量因子**：本周收益0.1%，上周收益0.0%[36] - **盈利能力因子**：本周收益0.2%，上周收益0.1%[36] - **投资质量因子**：本周收益-0.3%，上周收益0.1%[36] - **长期反转因子**：本周收益-0.1%，上周收益0.0%[36] - **EP价值因子**：本周收益0.2%，上周收益0.2%[36] - **BP价值因子**：本周收益-0.3%，上周收益-0.4%[36] - **成长因子**：本周收益-0.2%，上周收益-0.3%[36] - **动量因子**：本周收益0.3%，上周收益-0.8%[36] - **非线性市值因子**：本周收益0.3%，上周收益0.1%[36] - **市值因子**：本周收益0.3%，上周收益-0.5%[36] - **波动率因子**：本周收益-0.5%，上周收益-0.2%[36] - **股息率因子**：本周收益0.2%，上周收益-0.3%[36]

量化因子与构建方式 宏观因子S1策略 - **因子名称**：宏观因子S1策略 - **因子的构建思路**：基于宏观动量预测结果，结合增长、通胀、信用、利率等宏观因子，进行大类资产配置[3][13] - **因子具体构建过程**： 1. 通过高频宏观因子分组预测增长、通胀、信用、利率的动量方向[14] 2. 根据预测结果，分配股票、债券、商品的权重 - 12月配置比例：股票35.98%，债券14.39%，商品49.63%[15] - 11月配置比例：股票5.00%，债券90.00%，商品5.00%[15] - **因子评价**：通过动态调整资产权重，捕捉宏观因子变化带来的收益机会[3] 宏观因子S2策略 - **因子名称**：宏观因子S2策略 - **因子的构建思路**：基于宏观因子动量预测，进一步细化资产类别，构建多资产配置策略[3][13] - **因子具体构建过程**： 1. 结合宏观动量预测结果，分配具体资产类别的权重 - 12月配置比例：沪深300（28.32%）、中证500（7.04%）、中证1000（8.76%）、利率债（11.8%）、金融债（12.52%）、信用债（1.1%）、农产品（13.98%）、金属（3.86%）、化工（7.41%）、能源（2.35%）、黄金（2.86%）[16] 2. 权重动态调整以适应市场变化[16] - **因子评价**：通过更精细的资产类别分配，提升策略的灵活性和收益潜力[3] --- 因子的回测效果 宏观因子S1策略 - **股债商配置组合**： - 累计收益率：78.09% - 年化收益率：10.53% - 年化波动率：6.70% - 最大回撤率：-9.25% - 胜率（D）：60.77% - 盈亏比：0.94 - 夏普比率：1.57 - 卡玛比率：1.14[18] - **股债配置组合**： - 累计收益率：82.39% - 年化收益率：10.99% - 年化波动率：6.55% - 最大回撤率：-8.05% - 胜率（D）：63.18% - 盈亏比：1.02 - 夏普比率：1.68 - 卡玛比率：1.36[18] 宏观因子S2策略 - **稳健型策略**： - 累计收益率：56.5% - 年化收益率：8.1% - 年化波动率：4.7% - 最大回撤率：-5.0% - 胜率（D）：58.3% - 盈亏比：1.03 - 夏普比率：1.70 - 卡玛比率：1.61[20] - **平衡型策略**： - 累计收益率：64.9% - 年化收益率：9.1% - 年化波动率：5.7% - 最大回撤率：-6.6% - 胜率（D）：58.9% - 盈亏比：0.99 - 夏普比率：1.60 - 卡玛比率：1.37[20] - **进取型策略**： - 累计收益率：73.6% - 年化收益率：10.0% - 年化波动率：6.7% - 最大回撤率：-8.2% - 胜率（D）：59.7% - 盈亏比：0.96 - 夏普比率：1.49 - 卡玛比率：1.22[20]

量化模型与构建方式 1. 戴维斯双击策略 - **模型名称**：戴维斯双击策略 - **模型构建思路**：以较低的市盈率（PE）买入具有成长潜力的股票，待成长性显现、市盈率相应提高后卖出，获得EPS和PE的“双击”收益[1][7] - **模型具体构建过程**： - 筛选盈利增速加速增长的标的 - 通过PEG指标评估股票定价的合理性，PEG公式为： $ PEG = \frac{PE}{盈利增速} $ 其中，PE为市盈率，盈利增速为公司盈利的增长率[7] - 选择PE向下空间受控且盈利增速较高的股票构建组合[7] - **模型评价**：策略在回测期内表现出较高的稳定性，每个年度的超额收益均超过11%，具有良好的收益回撤比[11] 2. 净利润断层策略 - **模型名称**：净利润断层策略 - **模型构建思路**：结合基本面与技术面，通过业绩超预期（净利润）和盈余公告后股价跳空（断层）筛选股票[2][13] - **模型具体构建过程**： - 核心要素： - **净利润**：指业绩超预期的股票 - **断层**：盈余公告后首个交易日股价出现明显向上跳空，反映市场对盈余报告的认可程度[13] - 筛选规则： - 每期筛选过去两个月内业绩预告和正式财报中满足超预期事件的股票 - 按盈余公告日跳空幅度排序，选取前50只股票等权构建组合[13] 3. 沪深300增强组合 - **模型名称**：沪深300增强组合 - **模型构建思路**：基于投资者偏好因子（GARP型、成长型、价值型）构建组合，结合估值与盈利能力、成长潜力等因子筛选股票[3][19] - **模型具体构建过程**： - **GARP型因子**： - 构建PBROE因子：PB与ROE的分位数之差，公式为： $ PBROE = PB_{分位数} - ROE_{分位数} $ 其中，PB为市净率，ROE为净资产收益率[19] - 构建PEG因子：PE与增速的分位数之差，公式为： $ PEG = PE_{分位数} - 增速_{分位数} $ 其中，PE为市盈率，增速为盈利增长率[19] - **成长型因子**：通过营业收入、毛利润、净利润增速筛选高速成长的股票[19] - **价值型因子**：偏好长期稳定高ROE的公司[19] --- 模型的回测效果 1. 戴维斯双击策略 - 年化收益：26.45%[1][11] - 年化超额收益：21.08%[1][11] - 全样本超额收益：21.42%[9] - 最大相对回撤：-20.14%[9] - 收益回撤比：1.06[9] 2. 净利润断层策略 - 年化收益：28.46%[2][17] - 年化超额收益：26.60%[2][17] - 全样本超额收益：26.60%[15] - 最大相对回撤：-37.12%[15] - 收益回撤比：0.72[15] 3. 沪深300增强组合 - 年化收益：9.24%[19] - 年化超额收益：8.50%[19] - 全样本超额收益：8.50%[19] - 最大相对回撤：-9.18%[19] - 收益回撤比：0.93[19]

量化模型与构建方式 1. 模型名称：中国经济六周期模型 - **模型构建思路**：基于货币传导流程，选取货币、信用、增长三因素，定义中国经济六周期，旨在通过真实宏观状态的周期轮动规律，分析经济运行的内在逻辑和动力机制[1][24][26] - **模型具体构建过程**： 1. **货币因子**：以政策利率为核心，结合市场利率变化，计算扩散指数 - 数据选取：逆回购利率、SLF、MLF、存款准备金率、贷款利率、存款利率、DR007等[31][36] - 计算方法： $$ 货币方向因子 = \frac{(政策工具打分 + 市场利率打分)}{8} $$ 其中，政策工具打分基于90天内政策宽松或收紧事件(+1/-1)，市场利率打分基于DR007平滑后90天变化方向(+1/-1)[39] 2. **信用因子**：基于中长期贷款脉冲，反映实体经济融资需求 - 数据处理：中长期贷款当月值→滚动12个月求和→同比处理 - 计算方法： $$ 信用方向因子 = 中长期贷款脉冲3个月环比方向打分 $$ 若脉冲值较三个月前抬升，则定义为信用宽松，反之为信用收紧[42][50] 3. **增长因子**：采用PMI脉冲衡量经济增长状态 - 数据选取：中采制造业PMI、中采非制造业PMI、财新制造业PMI - 计算方法： $$ 增长方向因子 = \text{三个PMI脉冲环比方向打分的加总} $$ PMI脉冲=原始PMI→滚动12个月平均→同比处理[49][59] 4. **六周期划分**：根据货币、信用、增长三因素的扩张/收缩状态，划分为六个阶段：信用扩张、经济复苏、货币退潮、信用退潮、经济放缓、货币扩张[30][60] - **模型评价**：模型基于真实宏观状态，逻辑清晰，能够较好地捕捉经济周期轮动规律，且与资产表现的映射关系明确[19][24][30] --- 模型的回测效果 1. 中国经济六周期模型 - **年化收益**：2010年以来基于六周期的大类资产配置策略年化收益为12.8%[69] - **年化波动**：12.9%[69] - **最大回撤**：16.8%[69] - **夏普比率**：0.99[69] - **超额收益**：相较等权基准和A股分别有7.2%和8.8%的年化超额收益[69] --- 量化因子与构建方式 1. 因子名称：货币因子 - **因子的构建思路**：以政策利率为核心，结合市场利率变化，捕捉货币政策松紧状态[31][36] - **因子具体构建过程**： 1. 数据选取：逆回购利率、SLF、MLF、存款准备金率、贷款利率、存款利率、DR007等[31][36] 2. 计算方法： $$ 货币方向因子 = \frac{(政策工具打分 + 市场利率打分)}{8} $$ - 政策工具打分：90天内政策宽松事件(+1)，收紧事件(-1) - 市场利率打分：DR007平滑后90天变化方向(+1/-1)[39] - **因子评价**：政策利率与市场利率结合，能够较全面地反映货币政策的松紧状态[36][39] 2. 因子名称：信用因子 - **因子的构建思路**：基于中长期贷款脉冲，反映实体经济融资需求[42][50] - **因子具体构建过程**： 1. 数据处理：中长期贷款当月值→滚动12个月求和→同比处理[50] 2. 计算方法： $$ 信用方向因子 = 中长期贷款脉冲3个月环比方向打分 $$ 若脉冲值较三个月前抬升，则定义为信用宽松，反之为信用收紧[50] - **因子评价**：中长期贷款指标能够更好地反映实体融资需求，且对资产区分效果显著[42][50] 3. 因子名称：增长因子 - **因子的构建思路**：采用PMI脉冲衡量经济增长状态[49][59] - **因子具体构建过程**： 1. 数据选取：中采制造业PMI、中采非制造业PMI、财新制造业PMI[59] 2. 计算方法： $$ 增长方向因子 = \text{三个PMI脉冲环比方向打分的加总} $$ PMI脉冲=原始PMI→滚动12个月平均→同比处理[59] - **因子评价**：PMI指标综合性强、时效性高，能够较全面地刻画经济增长状态[49][59] --- 因子的回测效果 1. 货币因子 - **扩张状态下万得全A年化收益**：20%[45] - **收缩状态下万得全A年化收益**：-10%[45] - **超额收益**：30%[45] 2. 信用因子 - **扩张状态下万得全A年化收益**：50%[45] - **收缩状态下万得全A年化收益**：-20%[45] - **超额收益**：70%[45] 3. 增长因子 - **扩张状态下万得全A年化收益**：40%[57] - **收缩状态下万得全A年化收益**：-30%[57] - **超额收益**：70%[57]

量化因子与构建方式 高频价量相关性因子 1. **因子名称**：CPV - **因子的构建思路**：基于价格和成交量的相关性，价量配合同向变动时相关系数为正，价量背离反向变动时相关系数为负[4][5] - **因子具体构建过程**：计算每只股票过去20个交易日的分钟收盘价与分钟成交量的相关系数，取20日相关系数的平均值和标准差，分别做横截面市值中性化处理，得到价量相关性平均数因子PV_corr_avg和价量相关性标准差因子PV_corr_std[6][7] - 公式： $$ \mathrm{PV\_corr\_avg}={\frac{1}{20}}\sum_{i=1}^{20}\mathrm{Corr}(P_{i},V_{i}) $$ $$ \mathrm{PV\_corr\_std}=\frac{1}{20}\sum_{i=1}^{20}(\mathrm{Corr}(P_{i},V_{i})-\mathrm{PV\_corr\_avg})^{2} $$ 其中，Corr(P, V)表示第i天分钟收盘价序列与分钟成交量序列的相关系数[7] - **因子评价**：PV_corr_avg因子在样本外失效，而PV_corr_std因子在样本内外均有效[8][9] 2. **因子名称**：PV_corr_trend - **因子的构建思路**：基于价量相关性的趋势，通过回归分析得到趋势因子[10] - **因子具体构建过程**：计算每只股票过去20个交易日的价量相关性，将20个相关系数对时间t回归，回归系数记为β，对所有股票的回归系数β在横截面上对市值及传统价量类因子进行正交，得到趋势因子PV_corr_trend[10][11] - 公式： $$ \rho_{\mathrm{t}}=\beta\times\mathrm{t}+\varepsilon_{\mathrm{t}} $$ 其中t = 1,2, ⋯ ,20[10] - **因子评价**：PV_corr_trend因子在样本内外均有效，但效果不如PV_corr_std因子[11] CPV分时版因子 1. **因子名称**：PV_corr_std_1430 - **因子的构建思路**：基于最后30分钟的价量相关性标准差，作为CPV分时版的代理变量[1][2] - **因子具体构建过程**：将日内交易时段等分为8份，计算每个30分钟的分钟收盘价与分钟成交量相关系数，取20日相关系数的平均值和标准差，分别做横截面市值中性化处理，得到价量相关性标准差因子PV_corr_std，选择最后30分钟价量相关性的标准差PV_corr_std_1430作为CPV分时版的代理变量[16][17][35] - 公式： $$ \mathrm{PV\_corr\_a\_b}\,=\,\mathrm{Corr}(P_{a\_b},V_{a\_b}) $$ 其中a和b分别代表时间段的起始和结束时间[16] - **因子评价**：PV_corr_std_1430因子在样本内外均表现优异，且与Barra风格因子相关性较低，具有良好的选股表现[35][44][45] 因子的回测效果 1. **PV_corr_avg因子** - 年化收益率：12.61% - 年化波动率：11.15% - 信息比率：1.13 - 月度胜率：62.81% - 最大回撤率：18.17%[8] 2. **PV_corr_std因子** - 年化收益率：19.98% - 年化波动率：11.12% - 信息比率：1.80 - 月度胜率：69.42% - 最大回撤率：10.15%[9] 3. **PV_corr_trend因子** - 年化收益率：10.15% - 年化波动率：8.63% - 信息比率：1.18 - 月度胜率：66.94% - 最大回撤率：30.19%[11] 4. **PV_corr_std_1430因子** - 年化收益率：27.71% - 年化波动率：10.85% - 信息比率：2.55 - 月度胜率：75.63% - 最大回撤率：9.46%[38] 5. **纯净PV_corr_std_1430因子** - 年化收益率：13.66% - 年化波动率：5.62% - 信息比率：2.43 - 月度胜率：72.27% - 最大回撤率：4.91%[45]

量化模型与构建方式 1. 模型名称：CTA策略模型 - **模型构建思路**：CTA策略的表现与市场的趋势性和波动率密切相关，适用于大波动、强趋势市场[21] - **模型具体构建过程**：CTA策略分为多种子策略，包括量价类、基本面类、截面类、趋势类等。量价类策略通过盘面波动获利，基本面策略基于商品单品种逻辑和数据分析，截面类策略则依赖于板块分化和截面波动率[22][25] - **模型评价**：CTA策略在大波动、强趋势市场中表现优异，但在震荡市中难以发挥最大优势[21] 2. 模型名称：复合CTA策略 - **模型构建思路**：通过将截面、趋势、套利等多种子策略进行组合，以平滑收益并提升安全边际[24][39] - **模型具体构建过程**：复合策略以趋势策略为主，辅以截面和套利策略。截面策略通过板块分化和波动率提升盈利环境，套利策略则利用市场价差机会[24][39] - **模型评价**：复合策略的配置得当可平滑收益，但过于平均的配置可能导致收益相互抵消[39] 3. 模型名称：股指CTA策略 - **模型构建思路**：基于股指波动率的变化，利用短周期或日内策略捕捉市场机会[33] - **模型具体构建过程**：股指CTA策略以量价为主，持仓周期从3天以内到日内不等，主要依赖于市场活跃度和成交量的支持[33] - **模型评价**：股指CTA策略在市场活跃时表现较好，但需警惕市场降温导致策略拥挤度提升的风险[33] --- 模型的回测效果 1. CTA策略模型 - 年化收益率：2024年为9.53%，2023年为5.09%[22] - 年化波动率：2024年为4.56%，2023年为5.02%[22] - 最大回撤：2024年为2.83%，2023年为3.18%[22] - 夏普比率：2024年为1.62，2023年为1.01[22] - 卡玛比率：2024年为3.66，2023年为1.6[22] --- 量化因子与构建方式 1. 因子名称：短期时序动量因子 - **因子构建思路**：通过捕捉短期价格趋势的延续性来获取收益[25] - **因子具体构建过程**：基于短期价格数据计算动量信号，筛选出趋势延续性较强的标的进行交易[25] - **因子评价**：短期时序动量因子在震荡行情中表现较差，容易受到市场反转的影响[25] 2. 因子名称：长期时序动量因子 - **因子构建思路**：通过捕捉长期价格趋势的延续性来获取收益[25] - **因子具体构建过程**：基于长期价格数据计算动量信号，筛选出趋势延续性较强的标的进行交易[25] - **因子评价**：长期时序动量因子在今年的有色和贵金属行情中表现较好[25] 3. 因子名称：短期截面动量因子 - **因子构建思路**：通过捕捉短期截面波动中的相对强弱关系来获取收益[25] - **因子具体构建过程**：基于短期截面数据计算动量信号，筛选出相对强势的标的进行交易[25] - **因子评价**：短期截面动量因子因截面波动率较低，盈利环境不佳[25] 4. 因子名称：长期截面动量因子 - **因子构建思路**：通过捕捉长期截面波动中的相对强弱关系来获取收益[25] - **因子具体构建过程**：基于长期截面数据计算动量信号，筛选出相对强势的标的进行交易[25] - **因子评价**：长期截面动量因子因市场震荡和分化表现不佳[25] 5. 因子名称：期限结构因子 - **因子构建思路**：通过捕捉期货市场远期和近月合约的价差关系来获取收益[25] - **因子具体构建过程**：基于期货市场的期限结构数据，筛选出远期贴水或升水显著的标的进行交易[25] - **因子评价**：今年黑色板块远期贴水状态导致因子表现微亏[25] 6. 因子名称：基本面因子（仓单、库存） - **因子构建思路**：通过分析商品的基本面数据（如仓单、库存）来获取收益[25] - **因子具体构建过程**：基于商品的仓单和库存数据，结合产业链逻辑筛选出具有基本面优势的标的进行交易[25] - **因子评价**：基本面因子在宏观逻辑清晰时表现较好，但在基本面与价格背离时回撤明显[25] --- 因子的回测效果 1. 短期时序动量因子 - 总收益：-2.02% - 年化收益：-2.07% - 年化波动：4.21% - 最大回撤：-4.08% - 夏普比率：-0.9 - 卡玛比率：-0.93[29] 2. 短期截面动量因子 - 总收益：-8.28% - 年化收益：-9.02% - 年化波动：7.41% - 最大回撤：-11.06% - 夏普比率：-1.49 - 卡玛比率：-1[29] 3. 长期时序动量因子 - 总收益：5.75% - 年化收益：6.02% - 年化波动：2.51% - 最大回撤：-1.31% - 夏普比率：1.64 - 卡玛比率：3.13[29] 4. 长期截面动量因子 - 总收益：-1.86% - 年化收益：-1.93% - 年化波动：3.82% - 最大回撤：-4.49% - 夏普比率：-0.96 - 卡玛比率：-0.82[29] 5. 期限结构因子 - 总收益：-3.39% - 年化收益：-3.85% - 年化波动：2.62% - 最大回撤：-5.40% - 夏普比率：-2.18 - 卡玛比率：-1.06[29] 6. 偏度因子 - 总收益：0.24% - 年化收益：0.20% - 年化波动：3.83% - 最大回撤：-5.33% - 夏普比率：-0.4 - 卡玛比率：-0.29[29] 7. 仓单因子 - 总收益：-2.74% - 年化收益：-3.04% - 年化波动：2.92% - 最大回撤：-5.27% - 夏普比率：-1.66 - 卡玛比率：-0.92[29] 8. 库存因子 - 总收益：-0.73% - 年化收益：-0.39% - 年化波动：3.82% - 最大回撤：-4.40% - 夏普比率：-0.56 - 卡玛比率：-0.48[29]

- 本次提供的文档内容主要为有色金属市场的日度数据、市场回顾、交易策略以及相关资讯等内容，未涉及量化模型或量化因子的构建、测试及评价[1][3][6] - 文档中包含了大量的市场数据和价格走势分析，例如铜、铝、锌、铅、镍等有色金属的现货价格、期货价格、升贴水、库存等信息，但未涉及量化模型或因子的具体构建过程或公式[57][58][60] - 文档中提到的交易策略主要为单边、套利和期权的操作建议，未涉及量化模型或因子的测试结果或评价[9][15][20] - 文档中未提供任何量化模型或因子的名称、构建思路、构建过程、公式或测试结果[1][3][6]

量化模型与构建方式 1. 模型名称：动态跟踪误差策略 - **模型构建思路**：通过动态调整跟踪误差，根据基准指数的集中度变化优化投资策略。在基准高度集中时，降低跟踪误差以减少偏离基准的风险；在基准较分散时，提高跟踪误差以获取超额收益[9] - **模型具体构建过程**： 1. 计算基准指数的集中度，衡量其多元化程度 2. 在基准高度集中时，采用低跟踪误差策略，减少与基准的偏离 3. 在基准较分散时，采用高跟踪误差策略，增加与基准的偏离以获取超额收益 4. 动态调整跟踪误差约束，提升主动管理策略的灵活性[9] - **模型评价**：动态跟踪误差策略能够更好地适应指数多样化的变化，为投资者创造更高价值[9] 2. 模型名称：基于共现性的全面优化方法 - **模型构建思路**：引入共现性（co-occurrence）概念，替代传统相关性系数，捕捉资产间的真实动态关联，优化投资组合分散化[10] - **模型具体构建过程**： 1. 定义共现性：衡量资产累积回报的协同变动，其加权平均等于传统相关系数 2. 通过共现性反映收益分布的非对称性和时变特征 3. 基于共现性构建优化模型，无需依赖回报序列独立性和正态分布假设 4. 优化投资组合，提升分散化效果[10] - **模型评价**：共现性在复杂市场条件下表现更为直观且灵活，为构建更具实用价值的分散化投资组合提供了新的解决路径[10] 3. 模型名称：动量调整与数据挖掘置信带策略 - **模型构建思路**：在传统相对估值策略的基础上，引入动量调整和数据挖掘置信带方法，改善策略表现[11] - **模型具体构建过程**： 1. 使用相对估值信号（如市盈率、市净率等）筛选股票 2. 引入动量调整因子，结合估值信号优化选股逻辑 3. 应用数据挖掘置信带方法，增强策略的稳健性 4. 回测策略表现，验证改进效果[11] - **模型评价**：尽管传统相对估值信号的有效性有所下降，但通过动量调整和数据挖掘置信带方法，策略表现得到了显著改善[11] --- 模型的回测效果 1. 动态跟踪误差策略 - 超额收益：在基准较分散时期，高跟踪误差策略显著提升收益[9] - 风险控制：在基准高度集中时期，低跟踪误差策略有效降低偏离基准的风险[9] 2. 基于共现性的全面优化方法 - 分散化效果：相比传统相关性方法，共现性优化模型在复杂市场条件下表现更优[10] - 灵活性：无需依赖传统假设，能够捕捉资产间的真实动态关联[10] 3. 动量调整与数据挖掘置信带策略 - 回测表现：24种基于相对估值信号的策略中，动量调整与置信带方法显著改善了策略回报[11] - 长期有效性：尽管过去20年相对估值信号的有效性下降，但改进后的策略仍具可行性[11]