量化模型与因子总结 量化模型与构建方式 1. **模型名称**：风格组相对拥挤度模型 * **模型构建思路**：通过计算不同风格指数换手率的历史标准化值差异，来衡量某一风格相对于另一风格的交易拥挤程度，从而判断其配置风险或性价比[72][122]。 * **模型具体构建过程**： 1. 分别计算风格A指数和风格B指数的近252日平均换手率。 2. 将上述换手率序列在2005年1月1日以来的历史时间序列上进行Z-score标准化，得到Z-score_A与Z-score_B[122]。 3. 计算二者差值：$$Diff = Z\_score\_A - Z\_score\_B$$[122]。 4. 计算该差值序列的滚动6年历史分位数（若历史数据不足6年，则使用全部历史数据计算），该分位数即为风格A相对于风格B的相对拥挤度[122]。 2. **模型名称**：风格指数累计超额净值模型 * **模型构建思路**：以万得全A指数为基准，计算各风格指数相对于基准的累计超额收益，用以衡量风格的长期相对表现[123]。 * **模型具体构建过程**： 1. 以2020年1月4日为基准日，将各风格指数及万得全A指数的每日收盘价除以基准日收盘价，得到各自的累计净值[123]。 2. 将各风格指数每个交易日的累计净值，除以同一交易日的万得全A指数累计净值，得到各风格指数相对于万得全A指数的累计超额净值[123]。 3. **模型名称**：机构调研活跃度模型 * **模型构建思路**：通过标准化板块（指数、行业）的日均机构调研次数，并与市场整体水平比较，来衡量机构对特定板块的关注热度[124]。 * **模型具体构建过程**： 1. 计算板块（指数、行业）近n个交易日的“日均机构调研次数”[124]。 2. 将该日均次数在滚动y年的历史时间序列上进行z-score标准化[124]。 3. 将上述标准化值与万得全A指数的同期标准化结果作差，得到“机构调研活跃度”[124]。 4. 最后计算该“机构调研活跃度”的滚动y年历史分位数[124]。 * **参数设置**： * 长期口径：n取126（近半年），滚动窗口y为6年（历史数据量满3年且不足6年时，以全部历史数据进行计算）[124]。 * 短期口径：n取63（近一季度），滚动窗口y为3年（历史数据量满1年且不足3年时，以全部历史数据进行计算）[124]。 4. **模型名称**：股债性价比（ERP）模型 * **模型构建思路**：通过计算股票指数的盈利收益率与无风险利率（10年期国债收益率）之差，来衡量投资股票相对于债券的潜在超额收益，即风险溢价[52]。 * **模型具体构建过程**： 1. 计算股票指数的盈利收益率（Earnings Yield），即市盈率（PE_TTM）的倒数[52]。 2. 减去10年期中债国债到期收益率[52]。 3. 公式为：$$erp = \frac{1}{PE\_TTM} - 10年期国债到期收益率$$[52]。 5. **模型名称**：市场情绪风险模型（滚动季度夏普率） * **模型构建思路**：使用万得全A指数的滚动季度夏普率作为衡量市场情绪风险的指标，夏普率处于历史极端高位可能预示市场情绪过热，后续存在调整风险[38]。 * **模型具体构建过程**：报告中提及使用“滚动季度夏普率”，但未给出具体计算公式。通常，滚动夏普率的计算为在滚动时间窗口（例如一个季度）内，计算资产收益率均值除以收益率标准差。 6. **因子名称**：动量因子 * **因子构建思路**：以最近一年收益率减去最近一个月收益率（剔除涨停板）作为动量指标，筛选市场中动量特征强的股票[63]。 * **因子具体构建过程**：“长江动量”指数使用该因子构建，具体为：$$Momentum = Return_{(t-252, t-1)} - Return_{(t-22, t-1)} (排除涨停板)$$，并选择综合排名靠前的100只流动性较好的股票作为成分股[63]。 7. **因子名称**：反转因子 * **因子构建思路**：以最近一个月股票收益率作为筛选指标，选择市场中反转效应强的股票[63]。 * **因子具体构建过程**：“长江反转”指数使用该因子构建，具体为：$$Reversal = -Return_{(t-22, t-1)}$$，并选择综合排名靠前的100只流动性较好的股票作为成分股，采用近三个月日均成交量加权[63]。 模型的回测效果 1. **风格拥挤度模型**，成长 vs 红利相对拥挤度历史分位：69%[72]；小盘 vs 大盘相对拥挤度历史分位：6%[72]；微盘股 vs 中证800相对拥挤度历史分位：62%[72] 2. **风格超额净值模型**，成长较红利超额收益（近一周）：-0.8%[62][66]；小盘较大盘超额收益（近一周）：-0.5%[62][66]；微盘股较基金重仓超额收益（近一周）：0.2%[62][66]；动量较反转超额收益（近一周）：3.1%[62][66] 3. **股债性价比（ERP）模型**，万得全A指数ERP历史分位：56%[52][61]；沪深300指数ERP历史分位：62%[52][61]；创业板指数ERP历史分位：87%[52][61] 4. **市场情绪风险模型**，万得全A滚动季度夏普率状态：已下降至历史低位[38] 量化因子与构建方式 1. **因子名称**：成交热度因子 * **因子构建思路**：使用“周度日均自由流通换手率历史分位”来衡量板块或行业的交易活跃度相对于自身历史的水平[27]。 * **因子具体构建过程**：计算板块或行业当周的日均自由流通换手率，然后计算该值在其历史时间序列（报告中未明确起始点，通常为较长历史区间）上的历史分位数[27]。 2. **因子名称**：估值分位因子（PE_TTM） * **因子构建思路**：使用市盈率（TTM）的历史分位数来衡量指数、板块或行业当前估值在历史中所处的位置[43][50]。 * **因子具体构建过程**：计算指数、板块或行业当前的PE_TTM值，然后计算该值在2005年1月1日至今的历史时间序列上的百分位[36][50]。 因子的回测效果 1. **成交热度因子**，电力及公用事业行业成交热度历史分位：97%[27][36]；房地产行业成交热度历史分位：38%[27][36] 2. **估值分位因子（PE_TTM）**，万得全A指数PE_TTM历史分位：79%[42][50]；消费板块PE_TTM历史分位：14%（极低）[50]；电力设备及新能源行业PE_TTM历史分位：94%（极高）[50]

量化模型与构建方式 根据您提供的研报内容，报告主要对基金投顾产品进行分类统计和调仓行为分析，并未涉及传统意义上的量化模型（如多因子选股模型、风险模型等）或量化因子（如价值、动量、质量等）的构建与测试[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44][45][46]。 报告的核心是**基金投顾产品的分类体系**，这可以视为一种基于规则的产品分类模型。 1. **模型名称：基金投顾产品分类模型** * **模型构建思路：** 根据基金投顾产品的业绩基准和实际资产配置，将其划分为不同的风险收益类型，以便进行业绩比较和分析[11]。 * **模型具体构建过程：** 1. 数据来源：天天基金、且慢及雪球平台上的总计650只基金投顾产品[11]。 2. 分类标准：主要依据“业绩基准中权益部分的指数权重和资产配置分布”[11]。 3. 具体类别与定义： * **纯债型：** 权益资产配置中枢为0%[11][15]。 * **固收+型：** 权益资产配置中枢为0%~20%[11][15]。 * **股债混合型：** 权益资产配置中枢为20%~70%[11][15]。 * **股票型：** 权益资产配置中枢为70%以上[11][15]。该类别进一步细分为： * QDII型 * 行业主题型 * 普通股票型（再根据策略细分为行业轮动、指数驱动、主动优选）[11]。 * **多元配置型：** 进行多元资产的分散投资，具体定义为扣除货币基金、境内债券、A股、港股后，剩余大类资产的平均仓位需超过20%[11][15]。 * **模型评价：** 该分类体系为系统性地比较和分析不同风险偏好、不同策略的基金投顾产品提供了清晰的框架，有助于投资者和研究者进行业绩归因和产品筛选[11]。 模型的回测效果 本报告未对上述分类模型进行历史回溯测试以提供如信息比率(IR)、夏普比率、最大回撤等量化指标。报告主要展示了基于该分类模型，在特定时间窗口内（2026年3月及2026年初以来）各类别产品的平均业绩表现[2][3][12]。 1. **基金投顾产品分类模型，** 2026年3月各类型平均收益率：纯债型(0.2%)、固收+(-1.3%)、股债混合(-4.3%)、多元配置型(-4.7%)、股票型(-7.3%)[2][12]。 2. **基金投顾产品分类模型，** 2026年初以来各类型平均收益率：固收+(0.6%)、纯债型(0.4%)、股债混合(0.1%)、多元配置型(-0.6%)、股票型(-0.9%)[2][12]。 3. **基金投顾产品分类模型（股票型细分策略），** 2026年3月各策略平均收益率：主动优选(-7.1%)、指数驱动(-7.7%)、行业轮动(-8.3%)[3][12]。 4. **基金投顾产品分类模型（股票型细分策略），** 2026年初以来各策略平均收益率：主动优选(-0.4%)、指数驱动(-1.1%)、行业轮动(-1.3%)[3][12]。 量化因子与构建方式 本报告未涉及任何量化因子的构建。 因子的回测效果 本报告未涉及任何量化因子的测试，因此无相关指标取值。

量化模型与因子总结 量化模型与构建方式 1. **模型名称：封板率计算模型**[17] * **模型构建思路**：通过计算当日最高价涨停且收盘涨停的股票数量与当日最高价涨停的股票总数之比，来衡量涨停板的封板质量或市场追涨资金的坚定程度[17]。 * **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[17]。 2. 在每个交易日，识别出盘中最高价达到涨停价的股票集合[17]。 3. 在上述股票集合中，进一步识别出收盘价仍为涨停价的股票[17]。 4. 计算封板率，公式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[17] 2. **模型名称：连板率计算模型**[17] * **模型构建思路**：通过计算连续两个交易日收盘涨停的股票数量与前一日收盘涨停的股票总数之比，来衡量市场涨停效应的持续性[17]。 * **模型具体构建过程**： 1. 筛选上市满3个月以上的股票[17]。 2. 在每个交易日，识别出前一日（T-1日）收盘涨停的股票集合[17]。 3. 在上述股票集合中，进一步识别出当日（T日）收盘也涨停的股票[17]。 4. 计算连板率，公式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[17] 3. **模型名称：大宗交易折价率计算模型**[26] * **模型构建思路**：通过比较大宗交易成交总额与按当日市价计算的对应份额总市值，计算折价率，以反映大资金交易的溢价或折价情况，可作为市场情绪或大资金偏好的观察指标[26]。 * **模型具体构建过程**： 1. 获取当日所有大宗交易的成交数据，包括每笔交易的成交价格和成交数量[26]。 2. 计算大宗交易总成交金额（成交价×成交数量之和）[26]。 3. 计算大宗交易对应份额按当日收盘价（或成交均价）计算的总市值[26]。 4. 计算折价率，公式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[26] 当结果为负时表示折价交易，为正时表示溢价交易[26]。 4. **模型名称：股指期货年化贴水率计算模型**[28] * **模型构建思路**：将股指期货主力合约与现货指数之间的基差（期货价格-现货价格），进行年化处理，得到年化贴水率，用于标准化衡量不同期限合约的升贴水程度，反映市场对未来预期、对冲成本等[28]。 * **模型具体构建过程**： 1. 确定股指期货主力合约（如IH、IF、IC、IM）及其对应的现货指数（如上证50、沪深300、中证500、中证1000）[28]。 2. 计算基差：基差 = 期货价格 - 现货指数价格[28]。 3. 获取该主力合约的剩余交易日数[28]。 4. 计算年化贴水率，公式为： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[28] 公式中，250为一年中近似的大盘交易日数量[28]。结果为负表示期货贴水，为正表示期货升水[28]。 模型的回测效果 *本报告为市场监测日报，未提供上述量化模型的历史回测绩效指标（如年化收益率、夏普比率、最大回撤、信息比率IR等）。报告主要展示了这些模型在特定交易日（2026年4月2日及前后）的计算结果和近期统计特征[17][26][28]。* 量化因子与构建方式 *本报告未涉及用于选股或资产定价的量化因子（如价值、动量、质量等因子）的构建与测试。报告内容侧重于市场表现、情绪、资金流向等宏观或中观监测指标的构建与展示[1][2][3][4]。* 因子的回测效果 *本报告未涉及量化因子的回测效果。*

量化模型与构建方式 1. **模型名称：宏观评分模型**[24] * **模型构建思路**：通过构建一套涵盖国内与全球多个维度的宏观因子评分体系，对各类大类资产进行评分，以判断其宏观层面的多空观点[24][26]。 * **模型具体构建过程**： 1. 选取多个宏观因子，包括：国内景气、国内货币、国内信用、国内通胀、全球景气、全球货币、全球通胀、美元、金融压力[26]。 2. 对每个宏观因子，根据其当前状态（如上月值、本月值）进行评分，评分值通常为-1、0、1，代表对资产的影响为负面、中性或正面[26]。 3. 为每类资产（如中证800、10年国债、标普500、黄金、原油、铜）预设每个宏观因子的影响系数（评分），构成一个评分矩阵[26]。 4. 将每个资产对应的各宏观因子评分与当前因子状态评分相乘并求和，得到该资产当月的宏观总评分[26]。 5. 根据总评分的高低，形成对各类资产的择时观点（如看多、谨慎）[26]。 * **模型评价**：该模型提供了一个系统性的宏观视角，用于评估各类资产面临的整体宏观环境，并识别如金融压力等尾部风险信号[24]。 2. **模型名称：美股择时模型**[29] * **模型构建思路**：通过构建一个多因子监测体系，综合评估美股的基本面（景气度）、资金流和市场风险（金融压力），以判断美股的中期走势[29][32]。 * **模型具体构建过程**： 1. 构建三个分项指标：景气度、资金流、金融压力[32]。 2. 将各分项指标的历史数据计算其滚动5年分位数，以标准化指标值，范围在0到100之间[32]。 3. 综合三个分项指标的分位数情况，形成对美股的整体择时观点。例如，景气度分项维持在滚动5年的50分位以上，表明基本面尚未受到显著冲击[29]。 3. **模型名称：黄金择时模型**[30] * **模型构建思路**：构建量化指标以捕捉黄金价格的中期驱动逻辑，综合考量资金面、美元信用和宏观经济预期（如衰退交易）等因素[30][33]。 * **模型具体构建过程**：报告未详细描述具体指标构建公式，但提及模型关注资金面扰动（如COMEX黄金期货非商业及非报告头寸净持仓）、美元信用风险以及市场交易范式（通胀交易 vs 衰退交易）的切换[22][30]。 4. **模型名称：原油择时模型**[31] * **模型构建思路**：通过构建“原油景气指数”来量化原油市场的基本面状况，以判断油价走势[31][34]。 * **模型具体构建过程**：报告未给出“原油景气指数”的具体计算公式，但指出该指数的读数（如-0.20）用于判断市场景气程度，当指数维持在0轴以下时，模型观点偏向谨慎[31][34]。 5. **模型名称：大类资产配置策略**[4][35] * **模型构建思路**：采用风险预算与宏观风险暴露调整相结合的方法，每月生成一次大类资产的配置方案[4][35]。 * **模型具体构建过程**： 1. **风险预算分配**：根据各资产的量化配置信号（未具体说明）分配其风险预算[4][35]。 2. **宏观风险暴露调整**：基于前述的宏观因子体系，对组合的整体宏观风险暴露进行调整[4][35]。 3. **优化求解**：通过模型优化，得到最终的各资产配置比例，使得组合在满足风险预算和宏观风险暴露目标的前提下，追求最优风险收益比[37]。 6. **因子名称：金融压力因子**[24][28] * **因子构建思路**：构建一个用于监测市场尾部风险或流动性压力的指标，该指标触发时往往预示着风险资产调整和避险资产走强[24]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算方式，但展示了其应用效果。该因子被划分为“下行”、“震荡”、“上行”等不同状态，并统计了在不同状态下各类大类资产的年化收益率，以验证其对资产收益的区分能力[28]。 模型的回测效果 1. **大类资产配置策略**[4][35] * 3月收益：-0.6%[4][35] * 最近1年收益：10.8%[4][35] * 最大回撤：2.1%[4][35] 因子的回测效果 1. **金融压力因子**[28] * 该因子在不同状态下，对大类资产的年化收益展现出明显的区分效果[28]。例如，在因子处于“上行”状态时，中证800、标普500、原油等风险资产的年化收益为负或较低；而10年国债、黄金等避险资产的年化收益为正且较高[27][28]。

量化模型与构建方式 1. **模型名称**：未明确命名的多资产择时模型[2][3][6][7] **模型构建思路**：该模型通过计算各资产的“原始信号”百分比，并对其进行5日移动平均平滑处理，根据信号值所处的阈值区间，将资产未来走势观点划分为“看多”、“调整”或“震荡”三类[2][3][6][7]。 **模型具体构建过程**： * **步骤1：生成原始信号**：模型为每个标的资产计算一个“原始信号”，该信号是一个百分比数值，代表模型看多该资产未来走势的概率或强度。报告未披露该原始信号的具体计算方法和所使用的因子[3][6][7]。 * **步骤2：信号平滑**：对原始信号进行5日移动平均（MA5）计算，以平滑短期波动，得到更稳定的趋势信号。计算公式为： $$MA5_t = \frac{Signal_{t} + Signal_{t-1} + Signal_{t-2} + Signal_{t-3} + Signal_{t-4}}{5}$$ 其中，\(MA5_t\) 代表第t日的5日移动平均信号值，\(Signal_{t}\) 代表第t日的原始信号值[3][6][7]。 * **步骤3：生成观点**：根据平滑后的信号值（MA5）落入的预设阈值区间，输出最终的择时观点。报告未明确给出具体的阈值划分标准，但根据结果可推断存在“看多”、“调整”、“震荡”三个区间[2][3][6][7]。 模型的回测效果 （注：报告为日度观点输出，未提供历史回测的统计指标（如年化收益率、夏普比率、胜率等）。以下为报告发布日当天模型对各资产的具体信号输出值及观点。）[3][6][7] 1. **30年国债模型**，原始信号值84.45%，MA5信号值80.32%，模型观点为【调整】 2. **3年AAA中短票模型**，原始信号值34.38%，MA5信号值44.07%，模型观点为【震荡】 3. **10年国债模型**，原始信号值88.61%，MA5信号值61.74%，模型观点为【调整】 4. **2年国债模型**，原始信号值23.39%，MA5信号值15.78%，模型观点为【看多】 5. **万得全A指数模型**，原始信号值61.06%，MA5信号值78.14%，模型观点为【调整】 6. **中证红利全收益指数模型**，原始信号值73.84%，MA5信号值76.35%，模型观点为【调整】 7. **恒生科技指数模型**，原始信号值71.16%，MA5信号值82.22%，模型观点为【调整】 8. **科创50指数模型**，原始信号值65.54%，MA5信号值79.92%，模型观点为【调整】 9. **万得微盘指数模型**，原始信号值70.92%，MA5信号值77.46%，模型观点为【调整】 10. **国证2000指数模型**，原始信号值68.48%，MA5信号值82.68%，模型观点为【调整】 11. **COMEX黄金模型**，原始信号值26.01%，MA5信号值41.24%，模型观点为【震荡】 12. **IPE布油模型**，原始信号值70.49%，MA5信号值43.19%，模型观点为【震荡】 量化因子与构建方式 （注：报告中未提及任何具体的量化因子构建细节。）[1][2][3][4][5][6][7][8][9][10][11][12][13][14] 因子的回测效果 （注：报告中未提及任何具体的量化因子及其测试结果。）[1][2][3][4][5][6][7][8][9][10][11][12][13][14]

量化模型与构建方式 1. **模型/工具名称**：AI知识库（基于检索增强生成RAG）[8][9][11] * **构建思路**：构建一个能够理解语义、基于用户私有文档进行智能问答的系统，其核心是将传统的关键词搜索升级为语义检索，并将检索结果交由大语言模型生成连贯答案，从而提升信息获取效率[8][11]。 * **具体构建过程**：系统构建分为三个核心步骤： 1. **文档向量化**：将用户上传的文档（如PDF、Word）按语义边界进行分块（chunking），然后通过嵌入模型（embedding model）将每个文本块转换为高维向量，并存储于本地向量数据库中[9]。 2. **语义检索**：当用户提问时，将问题通过同一个嵌入模型转换为向量，然后在向量数据库中进行相似度搜索（如计算余弦相似度或欧氏距离），找出与问题向量最相似的若干文档片段[10]。 3. **答案生成**：将检索到的相关文档片段作为上下文（context），与用户问题一同构建提示词（prompt），输入到大语言模型（LLM）中，由模型基于给定的上下文生成自然语言答案，此过程称为检索增强生成（RAG）[11]。 2. **模型/工具名称**：AnythingLLM方案[12][13] * **构建思路**：使用开箱即用的All-in-One AI应用快速搭建私有知识库，专注于实现RAG功能，让用户能够直接上传文档并与AI进行基于文档内容的对话[48]。 * **具体构建过程**： 1. 下载并安装AnythingLLM桌面应用[13]。 2. 在设置中配置本地大语言模型提供者（如已部署的LM Studio）和向量数据库（默认LanceDB）[18]。 3. 在工作区通过上传功能导入文档（支持文本、CSV、音频等多种格式），系统会自动将文档分块、向量化并存入知识库[22]。 4. 知识库建立后，可在工作区内选择“聊天”或“查询”模式进行提问，AI将基于上传的文档生成答案[25][28]。 5. 如需被其他工具（如OpenClaw）调用，可开启AnythingLLM的API功能，通过API接口提供服务[27][29][30]。 3. **模型/工具名称**：OpenClaw原生知识库方案[32][34] * **构建思路**：利用OpenClaw作为AI智能体（Agent）框架的行动和记忆能力，通过编写规则和配置文件，使其能够管理和检索本地知识库，并与其他自动化任务结合[32][33][48]。 * **具体构建过程**： 1. 在OpenClaw的工作空间（workspace）中创建专用的知识库文件夹（如`KB`），并可按需建立子文件夹（如`stocks/`， `company/`）进行分类[34][35][36]。 2. 将需要入库的文档转换为Markdown格式（可使用OpenClaw自带功能或Pandoc等第三方工具）[37]。 3. 在知识库根目录下编写索引文件（`INDEX.md`），说明文档结构和路径[35]。 4. 编辑OpenClaw的核心配置文件`AGENTS.md`，在其中强制注入规则，指明知识库文件夹的路径（例如：`- **KB文件夹**：\`/Users/xiaochuan/KB/\``），从而“驯化”AI优先查询自有知识库[32][33][34]。 4. **模型/工具名称**：Obsidian与OpenClaw联动方案[38][41] * **构建思路**：结合Obsidian本地优先、双向链接的知识管理优势，与OpenClaw的自动化信息收集和处理能力，构建一个从信息自动收集、智能整理到高效复用的闭环个人知识管理系统[38][41]。 * **具体构建过程**： 1. 下载安装Obsidian，并创建一个采用结构化目录的Vault（知识库），例如包含`收件箱`、`日记`、`项目`、`研究`、`知识库`等分类的五级目录[38][41][43]。 2. 在OpenClaw中安装必要的协同Skills，例如`obsidian-sync`（同步）、`obsidian-parser`（解析）、`markdown-formatter`（格式化）和`second-brain`（第二大脑）等，以实现两者间的通信[42]。 3. 配置完成后，OpenClaw可以自动从微信、网页等多渠道抓取信息，转为Markdown格式并存入Obsidian的相应目录；同时，OpenClaw也能直接检索Obsidian知识库中的内容来回答问题或生成内容[41][44]。 模型/工具的评价 1. **AI知识库（RAG）模型评价**：该模型将检索与生成结合，显著提升了从私有文档中获取信息的效率和体验，答案更具针对性和连贯性，并降低了大型语言模型产生“幻觉”的风险[8][11]。 2. **AnythingLLM方案评价**：成熟、开箱即用，适合希望快速搭建私有知识库进行文档问答的用户或团队，部署灵活且数据完全本地保存[48][49]。 3. **OpenClaw原生方案评价**：不仅具备知识库问答能力，更拥有强大的行动力，可以执行复杂任务，代表了自动化AI应用的方向，但学习门槛和配置复杂度较高[48][50]。 4. **Obsidian联动方案评价**：充分发挥了Obsidian在知识长期构建、链接和数据绝对掌控方面的优势，结合OpenClaw后实现了自动化闭环，适合注重知识体系深度管理和隐私的用户[48][50]。 模型/工具方案对比结果 | 对比维度 | AnythingLLM方案 | OpenClaw原生方案 | Obsidian联动方案 | | :--- | :--- | :--- | :--- | | **核心定位** | 专注RAG的All-in-One AI工作空间[48] | 具备行动力的AI智能体框架[48] | 本地优先的知识管理与AI赋能结合[48] | | **适用人群** | 学生、研究者、企业团队[49] | 追求自动化的开发者/技术团队[48] | 研究者、作家、开发者等重度笔记用户[48][50] | | **核心优势** | 开箱即用、部署灵活、模型选择自由[48] | 强大的行动力、多通道交互、持久记忆[48] | 数据绝对掌控、双向链接、高度可定制[48] | | **主要局限** | RAG效果需调试、行动能力弱[48] | 学习门槛高、存在安全自控风险[48] | 缺乏原生AI能力、协作功能弱[48] | | **数据隐私** | 极高（可完全本地部署）[49] | 高（核心程序与数据在本地）[49] | 极高（笔记为本地纯文本文件）[48][49] | | **成本** | 开源免费（自托管）[49] | 开源免费（需自备LLM资源）[49] | 个人免费（部分高级服务需付费）[49] |

量化模型与构建方式 1. **模型/因子名称：RSI相对强弱指标**[2] * **构建思路：** 通过计算一定周期内平均涨幅与平均跌幅的比值，来衡量市场的超买或超卖状态[2]。 * **具体构建过程：** 1. 计算一定周期（报告中为12天）内每日上涨幅度的平均值（AvgGain）和每日下跌幅度（取正值）的平均值（AvgLoss）[2]。 2. 计算相对强度（RS），公式为：$$RS = \frac{AvgGain}{AvgLoss}$$[2] 3. 将RS代入公式计算RSI值：$$RSI = 100 - \frac{100}{1 + RS}$$[2] * **模型/因子评价：** RSI>70表示市场可能处于超买状态，RSI<30表示市场可能处于超卖状态[2]。 2. **模型/因子名称：净申购（亿元）**[2] * **构建思路：** 通过比较ETF当日净值与根据前日净值及指数收益率推算的理论净值之间的差异，估算当日的资金净流入/流出金额[2]。 * **具体构建过程：** 1. 获取当日ETF净值（NAV(T)）和前一交易日ETF净值（NAV(T-1)）[2]。 2. 获取ETF跟踪指数在当日的收益率（R(T)）[2]。 3. 计算理论净值：NAV(T-1) * (1 + R(T))[2]。 4. 计算净申购金额（NETBUY(T)），公式为：$$NETBUY(T) = NAV(T) - NAV(T-1) * (1 + R(T))$$[2] 模型的回测效果 （报告中未提供针对量化模型的统一回测结果，如年化收益率、夏普比率、最大回撤等指标，因此此部分跳过。） 量化因子与构建方式 （报告中提及的RSI和净申购，在内容上更偏向于对单只ETF的日频状态指标描述，而非用于横截面选股的Alpha因子。报告未提供基于这些指标构建多空组合或进行因子测试的内容。因此，此部分仅将上述两者作为指标列出，其构建方式已在“量化模型与构建方式”部分说明。） 因子的回测效果 （报告中未提供针对量化因子的IC、IR、多空收益、分组收益等回测测试结果，因此此部分跳过。） 报告中的其他指标取值（日频跟踪数据） 1. **RSI相对强弱指标**：报告列出了各只ETF在计算日的RSI具体数值，例如华泰柏瑞沪深300ETF为44.62[4]，南方中证500ETF为42.50[4]，华夏恒生科技ETF为39.29[4]等。 2. **净申购（亿元）**：报告列出了各只ETF在计算日的净申购金额，例如华泰柏瑞沪深300ETF为1.53亿元[4]，南方中证500ETF为14.14亿元[4]，华夏上证科创板50ETF为-16.84亿元[4]等。 3. **涨跌幅（%）**：报告列出了各只ETF在计算日的涨跌幅，例如华泰柏瑞沪深300ETF为1.59%[4]，南方中证500ETF为1.64%[4]，华夏上证科创板50ETF为3.40%[4]等。 4. **成交额（亿元）**：报告列出了各只ETF在计算日的成交额，例如华泰柏瑞沪深300ETF为22.67亿元[4]，南方中证500ETF为27.81亿元[4]，华夏上证科创板50ETF为41.02亿元[4]等。 5. **流通市值（亿元）**：报告列出了各只ETF在计算日的流通市值，例如华泰柏瑞沪深300ETF为2031.79亿元[4]，南方中证500ETF为750.21亿元[4]，华夏上证科创板50ETF为692.64亿元[4]等。 6. **机构持仓占比（%）**：报告列出了各只ETF最近一期披露的机构持仓占比（预估值），例如部分行业主题ETF如汇添富中证上海国企ETF为97.53%[6]，博时央企创新驱动ETF为96.02%[6]等。 7. **管理费率（%）**：报告列出了各只ETF的管理费率，例如华泰柏瑞沪深300ETF为0.15%[4]，天弘沪深300ETF为0.50%[4]等。 8. **跟踪指数**：报告列出了各只ETF所跟踪的指数名称，例如沪深300[4]、中证500[4]、科创50[4]等。 9. **T+0**：报告标明了各只ETF是否支持T+0交易，例如宽基ETF通常为“否”[4]，部分跨境ETF（如恒生科技、纳斯达克100等）为“是”[4]。

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：格兰杰因果检验模型 **模型构建思路**：用于检验主动基金业绩与份额变动之间的因果关系和滞后规律，判断投资者行为是否滞后于业绩变化[29]。 **模型具体构建过程**： 1. 数据准备：选取2013年第四季度至2025年第四季度的主动基金业绩（定义为万得偏股混合型基金指数与股票指数型基金指数的季度收益率差值）和份额变动（所有主动权益基金每个季度内总份额的变动，包括新发基金）数据[29]。 2. 平稳性检验：对时间序列数据进行ADF检验，确保数据平稳，避免伪回归[29]。 3. 模型构建：对于给定的时间序列X（业绩）和Y（份额变动），检验X的过去值是否对Y的当前值有预测能力。构建包含滞后项的回归模型进行检验[29]。 4. 结果解读：根据F统计量和p值判断因果关系及滞后期数。报告显示，业绩对份额变动的格兰杰因果关系从滞后2个季度开始显著，并在滞后5个季度时影响力达到峰值，表明投资者对业绩的反应存在明显的滞后性和持续性[29]。 2. **模型名称**：理柏基金奖评选模型（效用函数模型） **模型构建思路**：基于客观量化指标，通过效用函数计算基金在特定投资期限内的有效回报，旨在评选出在业绩持续性和风险调整后收益方面表现显著优于同类的基金[55]。 **模型具体构建过程**： 1. 计算有效回报：使用效用函数计算基金在三年、五年、十年投资期限内的有效回报。该函数对跑输同业的时期进行惩罚，并对超额损失赋予更大的权重[55]。 2. 比较与评选：将基金计算得到的有效回报与同类基金进行比较，表现显著优异者获奖[55]。 **模型评价**：该模型被认为是全球基金行业最具权威性和影响力的奖项评选基础，其标准完全客观量化，强调业绩的持续性和风险调整后的收益[55]。 量化因子与构建方式 1. **因子名称**：Artisan International Value 基金选股因子 **因子构建思路**：采用深度价值投资策略，通过严苛的选股标准构建投资组合，核心是寻找估值显著低于内在价值、业务回报高、财务健康且管理层可靠的上市公司[59]。 **因子具体构建过程**：基金经理要求投资标的必须同时满足以下四个定性/定量标准： * **估值因子**：要求买入价格比估算的公司真实价值至少低30%，提供安全边际[61]。 * **质量因子（资本回报率）**：投资能持续创造高资本回报率的公司，规避强周期、资本密集型行业[61]。 * **质量因子（财务健康）**：要求被投资公司拥有健康的财务状况和低杠杆的资产负债表[61]。 * **质量因子（管理层）**：寻找具备价值创造能力的高素质管理层，甚至会在公司偏离轨道时深度介入[61]。 2. **因子名称**：Hartford International Value 基金选股因子 **因子构建思路**：采用逆向选股价值投资策略，自下而上筛选因低价、低估值和/或低市场预期而具有吸引力的公司，相信市场的过度悲观会带来错误定价机会[64]。 **因子具体构建过程**：运用深入的基本面分析，寻找被市场低估的优质公司。该策略的特殊之处在于持仓极为分散，通常持有约250只股票，前十大持仓占比较低[64]。 3. **因子名称**：Vanguard International Growth 基金选股因子（混合策略） **因子构建思路**：采用双顾问管理模式，结合了激进成长策略和GARP（合理价格成长）策略，以平衡成长性与估值[68][73]。 **因子具体构建过程**： * **Baillie Gifford 部分（约2/3资产）**：采用极致的长期高成长策略，投资周期在10年以上，专注于识别新兴的长期趋势（如亚洲消费主义、健康创新、数字化消费、人工智能等）[73]。 * **Schroders 部分（约1/3资产）**：采用GARP策略，专注于发掘根基稳固但增长前景被低估的公司，对估值保持谨慎[73]。 4. **因子名称**：WCM Focused International Growth 基金选股因子 **因子构建思路**：专注于优质成长型公司，将定量筛选与定性文化评估系统性融合，投资理念围绕持久竞争优势、企业文化、集中持仓和组合稳健性四大原则[74][78]。 **因子具体构建过程**： * **定量筛选部分**：关注较高或正在上升的资本回报率（ROIC）、较低的负债或无负债、较高或正在上升的利润率、可持续的增长历史[78]。 * **定性判断部分**：评估公司是否身处强大增长赛道、是否具备且不断扩大护城河（竞争优势）、企业文化是否优秀且管理层有远见领导力，以及是否有吸引力的估值[78]。 * **风险控制部分**：通过估值纪律与地区、板块的多元化投资来实现[78]。 模型的回测效果 1. **格兰杰因果检验模型**，检验结果显示，主动基金业绩是份额变动的格兰杰原因，且存在显著滞后。滞后期为2-7季度时预测关系高度稳健（F统计量6.7-9.0，p值显著），滞后5季度时影响力达到峰值（F统计量9.036），表明投资者最关注近1-1.5年的业绩表现[29]。 因子的回测效果 1. **Artisan International Value 基金选股因子**，年化收益率10.21%，年化波动率14.77%，最大回撤27.46%，夏普比率0.692，Calmar比率0.372（基准：MSCI EAFE指数，2009.12.31-2026.2.28）[59]。 2. **Hartford International Value 基金选股因子**，年化收益率10.49%，年化波动率16.55%，最大回撤40.02%，夏普比率0.634，Calmar比率0.262（基准：MSCI EAFE Value Net指数，2010.6.30-2026.2.28）[66]。 3. **Vanguard International Growth 基金选股因子**，年化收益率8.81%，年化波动率18.35%，最大回撤43.71%，夏普比率0.480，Calmar比率0.201（基准：MSCI AC WORLD ex USA NR指数，2009.12.31-2026.2.28）[71]。 4. **WCM Focused International Growth 基金选股因子**，年化收益率9.50%，年化波动率15.85%，最大回撤37.51%，夏普比率0.599，Calmar比率0.253（基准：MSCI ACWI ex USA指数，2011.5.31-2026.2.28）[78]。

量化模型与因子总结 量化模型与构建方式 **注：** 报告主要对各类量化因子进行了测试和分析，未详细阐述具体的量化模型构建过程。报告内容集中于因子库的构成和单因子的表现[1][5][11]。 量化因子与构建方式 报告涵盖了深度学习因子、Level-2高频因子、分钟频因子和传统风格因子四大类[5][11][59]。以下为部分重点因子的构建思路与过程。 1. 深度学习因子 1. **因子名称**：`agru_dailyquote`[5][59] * **因子构建思路**：基于日度行情数据，使用注意力门控循环单元（Attention GRU）等深度学习模型提取能够预测未来收益的序列特征。 2. **因子名称**：`DL_1`[2][59] * **因子构建思路**：使用深度学习模型（具体网络结构未说明）从多维度数据中挖掘有效的Alpha信号。 3. **因子名称**：`fimage`[2][59] * **因子构建思路**：可能基于图像识别类深度学习模型，从金融图表（如K线图）中提取特征。 2. Level-2高频因子 (1) 重点时段因子 1. **因子名称**：`keyperiod_amount_top30pct`[59] * **因子构建思路**：捕捉在关键交易时段（如开盘、收盘）内，成交金额处于市场前30%的股票的强势特征。 2. **因子名称**：`keyperiod_amount_low50pct`[59] * **因子构建思路**：捕捉在关键交易时段内，成交金额处于市场后50%的股票的弱势特征，通常为负向因子。 (2) 大小单因子 1. **因子名称**：`integrated_bigsmall`[59] * **因子构建思路**：综合大小单买卖信息构建的复合因子，用以衡量大单与小单行为的净效应。 2. **因子名称**：`bigbuy_bigsell`[59] * **因子构建思路**：通过大单买入与大单卖出的对比关系来构建因子，反映大资金的主攻方向。 (3) 长短单因子 1. **因子名称**：`integrated_longshort`[59] * **因子构建思路**：综合长单（可能指挂单时间较长）和短单（可能指即时成交单）信息构建的复合因子。 2. **因子名称**：`longbuy_shortsell`[59] * **因子构建思路**：通过长单买入与短单卖出的对比关系构建因子。 (4) 大小长短单复合因子 1. **因子名称**：`integrated_bigsmall_longshort`[6][59] * **因子构建思路**：综合了**大小单**和**长短单**两类信息的复合因子，旨在更全面捕捉不同维度订单流的Alpha信号。 (5) 集合竞价因子 1. **因子名称**：`transaction_order_ratio_oa`[59] * **因子构建思路**：通过分析开盘集合竞价阶段的成交订单比例来构建因子。 (6) 市价单因子 1. **因子名称**：`marketorder_ratio`[59] * **因子构建思路**：衡量市价单在总订单中的比例，反映交易的急切程度。 3. 分钟频因子 (1) 日内价格相关因子 1. **因子名称**：`Amihud_illiq`[6][61] * **因子构建思路**：衡量股票的流动性，即单位成交金额引起的价格冲击。构建过程通常为： * **具体构建过程**：计算每日收益率绝对值与成交金额的比值，再在一段时间内取平均。 * **公式**：$$Illiq_{i,t} = \frac{1}{D_{i,t}} \sum_{d=1}^{D_{i,t}} \frac{|R_{i,d}|}{VOLD_{i,d}}$$ * **公式说明**：其中，$R_{i,d}$ 是股票 $i$ 在第 $d$ 日的收益率，$VOLD_{i,d}$ 是股票 $i$ 在第 $d$ 日的成交金额（通常以百万元计），$D_{i,t}$ 是股票 $i$ 在 $t$ 月内的有效交易日数。 2. **因子名称**：`real_var`[59] * **因子构建思路**：基于日内分钟收益率计算的已实现方差，衡量日内波动率。 3. **因子名称**：`ratio_realupvar`[59] * **因子构建思路**：可能为上行已实现方差与总已实现方差的比率，衡量波动的不对称性。 (2) 成交量相关因子 1. **因子名称**：`ratio_volumeH1`[61] * **因子构建思路**：衡量开盘后第一个小时（H1）的成交量与全天总成交量的比例，反映开盘时段的市场活跃度。 2. **因子名称**：`ratio_volumeH8`[61] * **因子构建思路**：衡量收盘前最后一个小时（H8）的成交量与全天总成交量的比例，反映收盘时段的市场活跃度。 (3) 盘前/开盘后/收盘前相关因子 1. **因子名称**：`ret_overnight`[61] * **因子构建思路**：隔夜收益率，即前一日收盘价至当日开盘价的收益率。 2. **因子名称**：`ret_open2AH1`[61] * **因子构建思路**：从开盘价到开盘后第一个小时内最高价的收益率。 3. **因子名称**：`ret_H1`[61] * **因子构建思路**：开盘后第一个小时的收益率。 4. 风格因子 报告测试了45个风格因子，覆盖盈利、成长、杠杆、流动、技术、规模、质量、估值八个大类[6][62][63]。 1. **盈利类因子**：如销售净利率、毛利率、ROE、ROA[62]。 2. **成长类因子**：如股东权益增长率、净利润增长率、主营业务收入增长率[62]。 3. **杠杆类因子**：如资产负债率、长期负债比率[62]。 4. **流动类因子**：如1个月成交金额、换手率[62]。 5. **技术类因子**：如一个月股价反转、三个月股价反转、最高点距离[62][63]。 6. **规模类因子**：如流通市值、总资产[63]。 7. **质量类因子**：如存货周转率、流动比率、净利润现金占比[63]。 8. **估值类因子**：如市销率（SP）、市净率（BP）、市盈率（EP），包括行业相对值和绝对值[63]。 因子的回测效果 **测试设置概述**：因子表现分析分别在**全市场**、**沪深300**、**中证A500**、**中证500**、**中证1000**、**创业板**等板块进行，并区分了**月度换仓**和**周度换仓**条件[5][8]。核心表现指标包括不同时间窗口的RankIC均值、历史胜率等[59]。指数增强测试在控制行业、市值等偏离，并考虑交易成本（双边千三）的条件下进行[13]。 以下为**全市场、月度换仓**条件下，部分重点因子的表现摘要[59][61][62][63]： | 因子类型 | 因子名称 | 近一周RankIC | 近一月RankIC | 近一年RankIC | 历史以来RankIC | 历史胜率 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | **深度学习因子** | `agru_dailyquote` | 22.13% | 17.67% | 12.08% | 13.71% | 91.07% | | | `DL_1` | 20.50% | 18.19% | 15.35% | 13.80% | 87.11% | | | `fimage` | 8.31% | 9.08% | 3.90% | 5.14% | 77.99% | | **Level-2因子** | `integrated_bigsmall_longshort` | 23.09% | 18.63% | 10.22% | 10.79% | 74.90% | | | `keyperiod_amount_top30pct` | 12.67% | 12.55% | 12.53% | 11.09% | 86.11% | | | `longbuy_shortsell` | 24.36% | 15.91% | 8.49% | 9.09% | 70.07% | | **分钟频因子** | `Amihud_illiq` | 23.21% | 14.68% | 12.26% | 10.86% | 74.23% | | | `intraday_maxdrawdown` | 18.64% | 10.87% | 9.06% | 9.42% | 69.40% | | | `ratio_volumeH7` | 10.27% | 5.30% | 5.40% | 4.89% | 76.38% | | **风格因子** | `BP` (市净率) | 18.82% | 15.69% | 6.97% | 6.77% | 63.76% | | | `SP` (市销率) | 12.51% | 13.10% | 4.47% | 5.06% | 62.48% | | | `换手率` | -25.08% | -15.05% | -7.95% | -8.09% | 67.72% | | | `一个月股价反转` | 4.27% | 4.48% | -7.51% | -6.92% | 67.72% | **指数增强表现（2026年以来）**：在沪深300等板块，`DL_1`和`fimage`因子取得了正向超额收益。例如，`DL_1`因子在沪深300、中证A500、中证500、中证800、中证1000、创业板指的指数增强超额收益率分别为3.55%、2.51%、0.63%、3.90%、1.54%、1.06%[2]。

量化模型与构建方式 1. 技术指标利率择时模型 * **模型名称**：技术指标利率择时模型[10] * **模型构建思路**：从微观市场行为出发，利用历史价格数据本身所蕴含的信息来预测未来利率走势[10] * **模型具体构建过程**： 1. 以中债-国债总净价（7-10年）指数为标的[10] 2. 筛选了45个仅需收盘价即可计算的技术指标[10] 3. 通过指标信号集成进行多空择时[10] 4. 将择时信号应用于久期轮动策略：看多时持有长久期（7-10年）财富指数，看空时换持短久期（1-3年）财富指数[10] 2. 宏观因子利率择时模型 * **模型名称**：宏观因子利率择时模型[14] * **模型构建思路**：从宏观经济基本面入手，着眼于利率变化的根本驱动因素[14] * **模型具体构建过程**： 1. 构建包含八大类、98个初始因子的宏观数据库[14] 2. 通过领先滞后关系检验与共线性筛选，最终确定20个对债券净价指数具备领先预测能力的宏观因子[14] 3. 建立宏观因子变化值与利率指数月度涨跌幅的线性回归模型进行择时[14] 4. 采用动态调整因子组合、滚动多因子回归的策略提升模型适应性与稳健性[14] 5. 将宏观择时信号应用于久期轮动框架[14] 3. 资金面单因子利率择时模型 * **模型名称**：资金面单因子利率择时模型[38] * **模型构建思路**：选取资金面日频因子，通过滚动窗口回归预测利率指数涨跌方向，进行多头择时[38] * **模型具体构建过程**： 1. 选取49个日频资金面因子，以中债-国债总净价7-10年指数（CBA00652.CB）为标的[38] 2. 以20日为滚动窗口，对每个交易日构建单因子差分序列对净价指数涨跌幅序列的线性回归模型[38] 3. 回归方程如下，其中 $R_t$ 为t日的国债净价指数涨跌幅，$\Delta F_{t-k-1}$ 是t-k-1日的因子差分值，k为因子发布延迟，$\epsilon_t$ 为估计误差，$\alpha$、$\beta$ 为估计系数[38]： $$R_{t}=\alpha+\beta\Delta F_{t-k-1}+\epsilon_{t}\,,t\in[T-20,T-1]$$ 4. 使用训练得到的估计系数 $\widehat{\alpha_T}$、$\widehat{\beta_T}$ 和T日的因子差分值 $\Delta F_{T-k}$ 对T+1日的涨跌幅进行预测[38]： $$\widehat{R_{T+1}}=\widehat{\alpha_{T}}+\widehat{\beta_{T}}\Delta F_{T-k}$$ 5. 根据预测方向决定T+1日仓位，采用多头择时策略，看多时买入持有净价指数，看空时空仓[38]： $$c_{T+1}=Signal_{T}=max\{sign(\widehat{R_{T+1}}),0\}=\begin{cases}1,\widehat{R_{T+1}}>0\\ 0,\widehat{R_{T+1}}\leq0\end{cases}$$ 4. 资金面多因子利率择时模型 * **模型名称**：资金面多因子利率择时模型[53] * **模型构建思路**：将单因子信号进行合成，构建动态因子选取与多因子投票模型，以生成最终择时信号[53] * **模型具体构建过程**： 1. **动态因子排序与筛选**： * 在每个交易日T，基于过去20个交易日的单因子择时累积收益率表现，对各因子进行降序排名[53]。排名公式如下，其中 $Rank_{i,T}$ 代表因子i在交易日T的排名，$Rank_{desc}$ 表示降序排列函数，$R_k$ 为k日的净价指数涨跌幅，$Signal_{i,k-1}$ 为因子i在交易日k-1生成的单因子择时信号[53]： $$R a n k_{i,T}=R a n k_{d e s c}(\prod_{k=T-20}^{T-1}(1+R_{k}S i g n a l_{i,k-1})-1)$$ * 设候选因子集 $F_T = \{f_1 ... f_M\}$，目标选取N个因子。初始化目标因子组合 $FS_T$ 为空集，按排名顺序逐一检验 $F_T$ 中的因子 $f_k$[53]。 * 仅当 $FS_T$ 未满且 $f_k$ 加入后对 $FS_T$ 中其他因子回归的方差膨胀因子（VIF）均不大于10时，将 $f_k$ 加入 $FS_T$[53]。 * 若遍历完 $F_T$ 后 $FS_T$ 数量仍不足N，则令新的候选集 $F_T = \{f_2 ... f_M\}$ 继续筛选，最多重复10次或达到目标数量。若10次后仍不足，则选取因子数量最多的组合作为最终 $FS_T$[53]。 $$F S_{T}=\bigcup_{k=1}^{M}\{f_{k}|\ \left|F S_{T}^{(k-1)}\right|<N\wedge V I F\left(f_{k},F S_{T}^{(k-1)}\right)\leq10\},T>20$$ 2. **多因子投票决策**： * 在交易日T选取的因子组合 $FS_T$ 中，设看多因子数为 $L_T$，看空因子数为 $S_T$[53]。 * T+1日的仓位（T日的信号）由看多和看空因子投票决定，并引入上一期信号 $Signal_{T-1}$ 作为平票时的延续[53]： $$c_{T+1}=S i g n a l_{T}=m a x\{s i g n(L_{T}-S_{T}+S i g n a l_{T-1}),0\}=\left\{\begin{array}{l}{{1,L_{T}-S_{T}>0}}\\ {{0,L_{T}-S_{T}<0}}\\ {{S i g n a l_{T-1},e l s e}}\end{array}\right.$$ 5. 资金面月频多因子利率择时模型 * **模型名称**：资金面月频多因子利率择时模型[67] * **模型构建思路**：沿用日频择时逻辑，调整至月频尺度，在每个自然月第一个交易日调仓[67] * **模型具体构建过程**： 1. **数据预处理**：对日频因子进行滞后和降频处理（取前值），与经滞后的月频因子合并，得到月初首个交易日收盘前可获取的最新因子数据集[67] 2. **月频单因子模型**：在每个调仓日（月初首个交易日），基于过去20个月的因子月度差分数据与指数月度收益率数据，构建线性回归模型，预测当月指数涨跌幅方向，生成信号[67] 3. **多因子合成**：复用日频多因子择时中的动态因子选取与等权投票逻辑，生成合成信号以指导当月决策[67] 6. 利率债久期轮动策略模型 * **模型名称**：利率债久期轮动策略模型[76] * **模型构建思路**：将资金面择时信号应用于利率债久期轮动，在看多时持有长久期债券以获取更高收益，看空时持有短久期债券或现金以规避风险[76] * **模型具体构建过程**： 1. 采用前述资金面动态多因子（11因子）日频择时信号[76] 2. 设置双边万分之二的交易成本[76] 3. **长短债轮动**：看多时持有中债-国债总财富（7-10年）指数，看空时持有中债-国债总财富（1-3年）指数[76] 4. **长债-货基轮动**：看多时持有中债-国债总财富（7-10年）指数，看空时持有中证货币基金指数[76] 量化因子与构建方式 1. 资金面因子库 * **因子构建思路**：系统构建反映金融市场短期流动性状况、资金供需关系的中观指标因子库，用于预判市场利率短期波动[18][19] * **因子具体构建过程**： 1. **指标收集**：收集涵盖财政政策、参考利率、拆借利率、回购利率、央行操作、银行存单、利率互换、海外利率、宏观经济、表内业务等12大类、共104个候选资金面指标[19][23][24][26][27][30] 2. **指标筛选**：在样本区间内，剔除缺失值超过10%的日频或月频指标[31] 3. **因子构建与组合**：使用留存指标构建有经济意义的组合因子（如期限利差、中美利差等），与原始指标共同形成因子库[32][33]。因子库共74个细分指标，部分示例如下[34][36]： * **原始指标**：中债国债到期收益率:10年、Shibor:隔夜、DR007、利率互换:FR007:1年、美国国债收益率曲线:10年、中债商业银行同业存单到期收益率(AAA):1年、社会融资规模增量:当月值、M2同比等[34][36] * **组合指标**： * 10Y-1Y利差：`L001619604-L001618296`[34] * 中美利差：`L001619604-L015211687`[36] * 1年期NCD收益率-3月期NCD收益率：`L004428055-L004428052`[36] * R001占比：`M005880925/M004369945`[34] * R007-DR007：`L004109430-L001619493`[34] * 社融同比增速 - M2同比增速：`M004891021-M001625222`[36] 4. **数据处理**：对各个因子序列进行前向填充以填补缺失值，按其发布延迟时间进行滞后，并作一阶差分，形成最终研究变量[33] 模型的回测效果 1. **技术指标利率择时模型**，年化收益3.91%，收益风险比2.32，最大回撤-3.55%[12] 2. **宏观因子利率择时模型**，年化收益4.54%，收益风险比2.35，最大回撤-4.01%[15] 3. **资金面日频多因子利率择时模型（11因子）**，累积收益率19.78%，年化收益率1.92%，波动率0.0162，最大回撤-1.75%，择时胜率49.30%[56][64] 4. **资金面月频多因子利率择时模型（13因子）**，累积收益率10.72%，年化收益率1.30%，波动率0.0191，最大回撤-4.77%，择时胜率58.33%[71] 5. **利率债久期轮动策略（长短债轮动）**，累积收益45.74%，年化收益4.06%，波动率0.0166，最大回撤-2.63%，收益风险比2.4458[80] 6. **利率债久期轮动策略（长债-货基轮动）**，累积收益50.19%，年化收益4.52%，波动率0.0162，最大回撤-1.31%，收益风险比2.7901[83] 因子的回测效果 1. **资金面日频单因子（表现最佳前十）**，累积收益率20.48% ~ 19.40%，年化收益率1.97% ~ 1.87%，波动率0.0162 ~ 0.0159，最大回撤-1.76% ~ -2.05%，择时胜率45.89% ~ 51.59%[39][43] * 具体因子包括：固定利率同业存单:发行利率:3个月、中债国开债到期收益率:1年、中债国债到期收益率:10年、GC001(加权平均)、固定利率地方政府债:发行利率:5年、中债国债到期收益率:1年、利率互换:FR007:5年、利率互换:3M SHIBOR:5年、固定利率同业存单:发行利率:6个月、美国国债收益率曲线:30年[39][43] 模型与因子评价 * **技术指标利率择时模型**：优势在于反应敏捷、规则客观，能更好地捕捉中短期市场情绪与资金流向带来的波动机会[15] * **宏观因子利率择时模型**：优势在于逻辑清晰、稳健性强，立足于经济周期、货币政策等基本面逻辑，试图捕捉利率变化的中长期驱动力量，适合低频配置型决策[15] * **资金面因子**：是介于宏观因子和微观价量之间的中观指标，直接反映流动性松紧，对短期利率波动具有预测能力[5][18][46]。单因子择时表现最优的因子可归为三类：1)同业存单发行利率（银行负债端刚性成本，对资金面敏感）；2)关键期限债券收益率（短端反映流动性预期，长端对利率变动敏感）；3)资金与衍生品利率（敏锐反映流动性边际变化与市场预期）[50][52] * **资金面多因子日频择时模型**：通过动态因子筛选与投票机制，综合了多个有效因子信息，表现优于单因子，其中11个因子的组合表现较好[5][56][64] * **资金面月频择时模型**：表现平平，未显著优于基准。可能原因是日频信号降频后严重滞后与信息丢失，且月初资金面状态难以预测全月走势[5][74] * **资金面因子整体**：更适用于高频择时[5]