量化模型与构建方式 1. 模型名称：Barra 风格因子 - **模型构建思路**：通过对市值、价值/成长等风格因子的收益表现进行跟踪分析，评估其在不同维度的表现[4][12] - **模型具体构建过程**： - 市值因子：衡量大盘与小盘风格的收益差异 - 账面市值比因子：衡量价值风格的表现 - 成长因子：衡量成长风格的表现 - 盈利预期因子：衡量盈利预期对收益的影响[4][12] 2. 模型名称：开源交易行为合成因子 - **模型构建思路**：将多个交易行为因子（理想反转、聪明钱、APM、理想振幅）进行加权合成，形成综合因子以捕捉交易行为的整体特征[32] - **模型具体构建过程**： - 对各交易行为因子进行行业内去极值与标准化处理 - 滚动选取过去 12 期因子 ICIR 值作为权重 - 加权形成交易行为合成因子[32] 模型的回测效果 1. Barra 风格因子 - 市值因子：收益 1.65%[4][12] - 账面市值比因子：收益 0.15%[4][12] - 成长因子：收益 -0.03%[4][12] - 盈利预期因子：收益 0.14%[4][12] 2. 开源交易行为合成因子 - IC 均值：0.068[32] - rankIC 均值：0.091[32] - 信息比率（IR）：3.30[32] - 多空对冲月度胜率：83.2%[32] - 6 月份多空对冲收益：0.48%[32] - 近 12 个月多空对冲月度胜率：66.7%[32] --- 量化因子与构建方式 1. 因子名称：理想反转因子 - **因子构建思路**：通过每日平均单笔成交金额的大小，切割出反转属性最强的交易日，捕捉 A 股反转之力的微观来源[5][39] - **因子具体构建过程**： 1. 回溯选定股票过去 20 日的数据 2. 计算每日的平均单笔成交金额（成交金额/成交笔数） 3. 选取单笔成交金额高的 10 个交易日，涨跌幅加总，记作 M_high 4. 选取单笔成交金额低的 10 个交易日，涨跌幅加总，记作 M_low 5. 理想反转因子 M = M_high - M_low[39][41] 2. 因子名称：聪明钱因子 - **因子构建思路**：通过分钟行情数据的价量信息，识别机构参与交易的多寡，构造跟踪聪明钱的因子[5][40] - **因子具体构建过程**： 1. 回溯选定股票过去 10 日的分钟行情数据 2. 构造指标 $S_t = \frac{|R_t|}{V_t^{0.25}}$，其中 $R_t$ 为第 t 分钟涨跌幅，$V_t$ 为第 t 分钟成交量 3. 按 $S_t$ 从大到小排序，取成交量累积占比前 20% 的分钟，视为聪明钱交易 4. 计算聪明钱交易的成交量加权平均价 $VWAP_{smart}$ 5. 计算所有交易的成交量加权平均价 $VWAP_{all}$ 6. 聪明钱因子 $Q = \frac{VWAP_{smart}}{VWAP_{all}}$[40][42] 3. 因子名称：APM 因子 - **因子构建思路**：衡量股价行为上午（或隔夜）与下午的差异程度[5][41] - **因子具体构建过程**： 1. 回溯选定股票过去 20 日数据，记逐日隔夜的股票收益率为 $r_{overnight}$，下午的股票收益率为 $r_{afternoon}$ 2. 对隔夜与下午的收益率数据进行回归：$r_{overnight} = \alpha + \beta r_{afternoon} + \epsilon$，得到残差项 $\epsilon$ 3. 计算每日隔夜与下午残差的差值 $\delta_t = \epsilon_{overnight} - \epsilon_{afternoon}$ 4. 构造统计量 $stat = \frac{\mu(\delta_t)}{\sigma(\delta_t)/\sqrt{N}}$，衡量隔夜与下午残差的差异程度 5. 为消除动量因子影响，将 $stat$ 对动量因子进行横截面回归，回归残差值作为 APM 因子[41][43][44] 4. 因子名称：理想振幅因子 - **因子构建思路**：基于股价维度对振幅进行切割，衡量高价态和低价态振幅信息的差异[5][46] - **因子具体构建过程**： 1. 回溯选定股票最近 20 个交易日数据，计算每日振幅（最高价/最低价 - 1） 2. 选择收盘价较高的 25% 有效交易日，计算振幅均值，得到高价振幅因子 $V_{high}$ 3. 选择收盘价较低的 25% 有效交易日，计算振幅均值，得到低价振幅因子 $V_{low}$ 4. 理想振幅因子 $V = V_{high} - V_{low}$[46] --- 因子的回测效果 1. 理想反转因子 - IC 均值：-0.051[6][14] - rankIC 均值：-0.061[6][14] - 信息比率（IR）：2.53[6][14] - 多空对冲月度胜率：77.8%[6][14] - 6 月份多空对冲收益：0.52%[7][14] - 近 12 个月多空对冲月度胜率：58.3%[7][14] 2. 聪明钱因子 - IC 均值：-0.036[6][18] - rankIC 均值：-0.058[6][18] - 信息比率（IR）：2.70[6][18] - 多空对冲月度胜率：82.7%[6][18] - 6 月份多空对冲收益：0.11%[7][18] - 近 12 个月多空对冲月度胜率：83.3%[7][18] 3. APM 因子 - IC 均值：0.030[6][22] - rankIC 均值：0.034[6][22] - 信息比率（IR）：2.36[6][22] - 多空对冲月度胜率：78.2%[6][22] - 6 月份多空对冲收益：0.30%[7][22] - 近 12 个月多空对冲月度胜率：58.3%[7][22] 4. 理想振幅因子 - IC 均值：-0.055[6][26] - rankIC 均值：-0.072[6][26] - 信息比率（IR）：3.05[6][26] - 多空对冲月度胜率：84.7%[6][26] - 6 月份多空对冲收益：0.14%[7][26] - 近 12 个月多空对冲月度胜率：75.0%[7][26]

量化模型与构建方式 1. 模型名称：基于深度学习的行业轮动策略模型 - **模型构建思路**：利用深度学习模型预测ETF的未来价格走势，并结合波段交易策略动态调整投资组合，以获取超额收益[2][9][10] - **模型具体构建过程**： 1. **数据处理**： - 数据时间范围为2015年1月1日至2024年6月14日，剔除非交易日数据，仅保留周五收盘价作为训练数据[12][15] - 输入数据矩阵 $X_t$ 的维度为 $N \times (l + m)$，其中 $l$ 为ETF市场表现因子数量，$m$ 为宏观经济因子数量，目标标签 $y_{t+1}$ 为二进制向量，表示下一周价格是否上涨[12] - 数据归一化处理，均值为零，方差为单位值[15] 2. **行业分类**： - 使用DBSCAN算法对ETF进行行业分类，自动识别数据中的噪声点并排除，避免传统k-means算法对非线性分布数据的局限性[16][17][19] 3. **模型搭建**： - 使用循环神经网络（RNN）构建模型，包含四个内部层，采用ReLU激活函数和dropout技术缓解梯度消失和过拟合问题[22] - 模型通过捕捉时间序列数据的动态变化，预测ETF下一周的价格走势，预测结果通过Sigmoid函数转化为概率值[22] - 自定义损失函数结合近期资本收益和亏损，优化动态模型[22] 4. **波段交易策略**： - 生成“买入”信号：基于深度学习模型预测结果，使用ROC曲线分析中的Youden's J指数优化门限，计算公式为： $$ J = \frac{TP}{TP+FN} + \frac{TN}{TN+FP} - 1 $$ 其中，$TP$ 为真阳性，$FN$ 为假阴性，$TN$ 为真阴性，$FP$ 为假阳性[25][26] - 清空组合：每周清算所有持仓，记录资本利得，用于后续模型迭代[26] - 使用蒙特卡罗dropout技术量化交易信号置信度，通过多次预测生成分布，分析预测值的统计分布，确保高置信度资产优先交易[29] 5. **动态权重分配**： - 根据基金的历史表现（如胜率、动量）动态调整权重，公式为： $$ w_i = 1 + \text{胜率}_i + \text{动量}_i $$ 通过动态调整权重，提升策略的灵活性和适应性[38] - **模型评价**： - 模型在2024年表现优异，主要得益于动态权重分配和能源板块的良好行情[43] - 但模型在某些行业（如医药ETF）预测表现较差，原因是宏观因子与行业相关性不足，未来可通过引入行业特定因子优化[34][36] --- 模型的回测效果 1. 基于深度学习的行业轮动策略模型 - **年化收益**： - 平均年化收益率为4.26%[40] - 2024年年化收益率为24.23%，超额收益为17.58%（相较沪深300）[41] - 2024年年化收益率为24.23%，超额收益为34.11%（相较中证500）[43] - **信息比率（IR）**： - 2024年相较沪深300的IR为1.12，相较中证500的IR为1.95[41][43] - **最大回撤**： - 2024年最大回撤为5.46%（相较沪深300），1.15%（相较中证500）[41][43] --- 量化因子与构建方式 1. 因子名称：ETF市场表现因子 - **因子构建思路**：通过价格、成交量、价格波动等指标反映ETF的市场表现[11] - **因子具体构建过程**： - 提取每只ETF的价格、成交量、每日价格波动等数据[11] - 数据在离散时间点采样，仅保留周五收盘价，剔除非交易日数据[12][15] - 数据归一化处理，确保均值为零，方差为单位值[15] 2. 因子名称：宏观经济因子 - **因子构建思路**：通过国债收益率、人民币货币指数、存款利率等宏观经济指标反映市场环境[11] - **因子具体构建过程**： - 提取10年期国债收益率、人民币货币指数、存款利率等数据[11] - 对因子进行T检验，评估其对行业预测的显著性[36][37] - 动力煤价格因子在能源行业中表现显著，但未被纳入框架以避免增加运行时间[38] - **因子评价**： - 宏观因子对部分行业（如能源）预测效果较差，未来可引入更多行业特定因子优化模型[36][38] --- 因子的回测效果 1. ETF市场表现因子 - **T检验结果**：未提供具体数值 2. 宏观经济因子 - **国债利率因子**： - 2017-2019年间对能源行业预测有一定帮助，T检验值分别为2.68、4.16、-1.76，P值分别为0.71、0.00、0.08[37] - 其他年份无显著性[37] - **存款利率因子**： - 所有年份均无显著性，P值均大于0.5[37] - **动力煤价格因子**： - 对能源行业预测显著，2017年T检验值为-1.99，P值为0.046；2023年T检验值为2.06，P值为0.040[38]

量化模型与构建方式 跨期套利策略 - **模型名称**：动量因子 **模型构建思路**：基于过去k个交易日跨期反套组合的收益率，构建多周期动量策略[33] **模型具体构建过程**： 1. IH使用一年动量，IF、IC等权配置10、20、30、40、60、80、120、250个交易日的动量因子 2. 收盘价调仓，交易成本按单边万0.5考虑[33] **模型评价**：动量因子在长期回测中表现出一定的盈利能力，但不同品种的收益率差异较大[34] - **模型名称**：年化基差率因子 **模型构建思路**：通过比较各期限合约剔除分红后的年化基差率，选择最低和最高的合约进行多空操作[39] **模型具体构建过程**： 1. 根据当日14:45各期限合约剔除分红的年化基差率进行日度调仓 2. 做多年化基差率最低的合约，做空年化基差率最高的合约 3. 距离到期日小于10天的合约不在选择范围内 4. 收盘价调仓，交易成本按单边万0.5考虑[39] 跨品种套利策略 - **模型名称**：线性组合 **模型构建思路**：通过线性组合构建跨品种套利策略，捕捉品种间价差变化[46] **模型具体构建过程**： 1. 选择IF-IH、IC-IF、IC-IH等品种组合 2. 根据历史价差和信号方向进行多空操作[46] - **模型名称**：非线性组合 **模型构建思路**：通过非线性模型捕捉品种间复杂的非线性关系，进行套利操作[52] **模型具体构建过程**： 1. 使用非线性模型生成信号 2. 根据信号方向进行多空操作[52] 日内择时策略 - **模型名称**：线性组合 **模型构建思路**：基于线性因子构建日内择时策略[58] **模型具体构建过程**： 1. 使用线性因子生成信号 2. 根据信号方向进行日内交易[58] - **模型名称**：非线性组合 **模型构建思路**：基于非线性因子构建日内择时策略[63] **模型具体构建过程**： 1. 使用非线性因子生成信号 2. 根据信号方向进行日内交易[63] --- 模型的回测效果 跨期套利策略 - **动量因子**： - IH：累计收益率21.0%，年化收益率5.9%，年化波动率7.6%，夏普比0.77，最大回撤-7.6%[34] - IF：累计收益率8.8%，年化收益率2.6%，年化波动率5.5%，夏普比0.46，最大回撤-7.0%[34] - IC：累计收益率7.9%，年化收益率2.3%，年化波动率9.6%，夏普比0.24，最大回撤-15.2%[34] - **年化基差率因子**： - IH：累计收益率2.4%，年化收益率1.7%，年化波动率4.8%，夏普比0.36，最大回撤-2.8%[40] - IF：累计收益率10.9%，年化收益率7.8%，年化波动率5.7%，夏普比1.37，最大回撤-2.9%[40] - IC：累计收益率15.1%，年化收益率10.7%，年化波动率8.5%，夏普比1.26，最大回撤-8.8%[40] - IM：累计收益率11.8%，年化收益率8.4%，年化波动率8.7%，夏普比0.97，最大回撤-7.9%[40] 跨品种套利策略 - **线性组合**： - IF-IH：累计收益率7.8%，年化收益率5.3%，年化波动率5.1%，夏普比1.06，最大回撤-6.5%[46] - IC-IF：累计收益率-1.8%，年化收益率-1.3%，年化波动率10.7%，夏普比-0.12，最大回撤-10.7%[46] - IC-IH：累计收益率-1.2%，年化收益率-0.8%，年化波动率9.2%，夏普比-0.09，最大回撤-10.9%[46] - **非线性组合**： - IF-IH：累计收益率8.6%，年化收益率5.9%，年化波动率7.5%，夏普比0.79，最大回撤-4.8%[52] - IC-IF：累计收益率22.5%，年化收益率15.2%，年化波动率13.8%，夏普比1.10，最大回撤-5.5%[52] - IC-IH：累计收益率-18.7%，年化收益率-13.4%，年化波动率10.6%，夏普比-1.26，最大回撤-22.7%[52] 日内择时策略 - **线性组合**： - IH：年化收益率5.2%，年化波动率7.9%，最大回撤-4.3%，夏普比0.66[58] - IF：年化收益率8.8%，年化波动率8.5%，最大回撤-4.3%，夏普比1.02[58] - IC：年化收益率24.7%，年化波动率11.1%，最大回撤-4.7%，夏普比2.22[58] - **非线性组合**： - IH：年化收益率8.3%，年化波动率7.0%，最大回撤-3.2%，夏普比1.18[63] - IF：年化收益率3.6%，年化波动率7.2%，最大回撤-5.4%，夏普比0.50[63] - IC：年化收益率10.5%，年化波动率12.0%，最大回撤-13.2%，夏普比0.87[63]

- 宏观因子S1策略的构建思路是基于宏观动量预测结果进行资产配置[3] - 宏观因子S1策略的具体构建过程包括：根据宏观动量预测结果，7月配置比例为股票2.63%，债券94.74%，商品2.63%[3][17] - 宏观因子S2策略的构建思路是基于宏观动量预测结果进行更为细化的资产配置[3] - 宏观因子S2策略的具体构建过程包括：根据宏观动量预测结果，7月配置比例为沪深300(16.62%)，中证500(0.0%)，中证1000(0.56%)，利率债(14.19%)，金融债(22.17%)，信用债(40.07%)，农产品(4.75%)，黄金(1.64%)[3][18] 模型的回测效果 - S1策略，累计收益率61.78%，年化收益率9.54%，年化波动率6.08%，最大回撤率-9.25%，胜率（D）61.01%，盈亏比0.92，夏普比率1.57，卡玛比率1.03[19] - S2策略，稳健型策略累计收益率44.1%，年化收益率7.2%，年化波动率3.9%，最大回撤率-5.0%，胜率（D）59.1%，盈亏比0.99，夏普比率1.85，卡玛比率1.43[21] - S2策略，平衡型策略累计收益率50.3%，年化收益率8.0%，年化波动率4.9%，最大回撤率-6.6%，胜率（D）59.7%，盈亏比0.95，夏普比率1.63，卡玛比率1.21[21] - S2策略，进取型策略累计收益率56.7%，年化收益率8.9%，年化波动率6.0%，最大回撤率-8.2%，胜率（D）60.4%，盈亏比0.91，夏普比率1.47，卡玛比率1.08[21]

量化模型与构建方式 1. 模型名称：开源金工优选金股组合 - **模型构建思路**：基于新进金股和业绩超预期因子（SUE因子）构建优选金股组合[23] - **模型具体构建过程**： - 选择新进金股作为样本 - 选择业绩超预期的前30只金股 - 按照券商推荐数量加权构建优选金股组合[23] - **模型评价**：优选金股组合收益表现优于全部金股组合[23] 模型的回测效果 1. 开源金工优选金股组合 - **6月收益率**：-5.3%[26] - **2024年收益率**：2.0%[26] - **年化收益率**：19.4%[26] - **年化波动率**：23.2%[26] - **收益波动比**：0.84[26] - **最大回撤**：24.6%[26] 2. 全部金股组合 - **6月收益率**：-4.8%[21] - **2024年收益率**：-5.1%[21] - **年化收益率**：9.9%[21] - **年化波动率**：21.2%[21] - **收益波动比**：0.47[21] - **最大回撤**：42.6%[21] 3. 新进金股组合 - **6月收益率**：-6.5%[21] - **2024年收益率**：-9.6%[21] - **年化收益率**：12.4%[21] - **年化波动率**：21.6%[21] - **收益波动比**：0.57[21] - **最大回撤**：38.5%[21] 4. 重复金股组合 - **6月收益率**：-3.5%[21] - **2024年收益率**：-1.5%[21] - **年化收益率**：7.5%[21] - **年化波动率**：21.4%[21] - **收益波动比**：0.35[21] - **最大回撤**：45.0%[21] 5. 沪深300指数 - **6月收益率**：-3.3%[21] - **2024年收益率**：0.9%[21] - **年化收益率**：0.2%[21] - **年化波动率**：18.0%[21] - **收益波动比**：0.01[21] - **最大回撤**：40.6%[21] 6. 中证500指数 - **6月收益率**：-6.9%[21] - **2024年收益率**：-9.0%[21] - **年化收益率**：-3.1%[21] - **年化波动率**：20.4%[21] - **收益波动比**：-0.15[21] - **最大回撤**：37.5%[21]

量化模型与构建方式 预期高股息组合 - **模型名称**：预期高股息组合 - **模型构建思路**：东吴金工团队采用两阶段构建预期股息率指标，第一阶段根据年报公告利润分配情况计算股息率，第二阶段利用历史分红与基本面指标预测并计算股息率。进一步用两个短期影响股息率的重要因素——反转因子与盈利因子辅助筛选，利用在沪深300成份股中优选，构建预期高股息组合[4][11] - **模型具体构建过程**： 1. 剔除停牌及涨停的沪深300成份股作为待选股票池[16] 2. 剔除股票池中短期动量最高的20%股票（即21日累计涨幅最高的20%个股）[16] 3. 剔除股票池中盈利下滑的个股（即单季度净利润同比增长率小于0的股票）[16] 4. 在股票池股剩余个股中，按预期股息率排序，选取预期股息率最高的30只个股等权构建组合[12] - **模型评价**：预期高股息组合的历史绩效表现亮眼，相对于沪深300全收益指数，预期高股息组合累计收益为358.90%，累计超额收益为107.44%，年化超额收益为8.87%，超额收益的滚动一年最大回撤仅为12.26%，月度超额胜率为60.19%[13] 模型的回测效果 - **预期高股息组合**： - 平均收益：-1.28%[4][17] - 基准沪深300指数6月涨跌幅：-3.30%[4][17] - 组合跑赢沪深300指数：2.02%[4][17] - 累计收益：358.90%[13] - 累计超额收益：107.44%[13] - 年化超额收益：8.87%[13] - 超额收益的滚动一年最大回撤：12.26%[13] - 月度超额胜率：60.19%[13] 量化因子与构建方式 预期股息率因子 - **因子名称**：预期股息率因子 - **因子的构建思路**：利用股息分配的方式、结合基本面指标对股息分配进行预测，以此构建预期股息率因子[17] - **因子具体构建过程**：东吴金工团队采用两阶段构建预期股息率指标，第一阶段根据年报公告利润分配情况计算股息率，第二阶段利用历史分红与基本面指标预测并计算股息率[4][11] 反转因子 - **因子名称**：反转因子 - **因子的构建思路**：短期影响股息率的重要因素之一，用于辅助筛选[4][11] - **因子具体构建过程**：未详细描述 盈利因子 - **因子名称**：盈利因子 - **因子的构建思路**：短期影响股息率的重要因素之一，用于辅助筛选[4][11] - **因子具体构建过程**：未详细描述

- 量化情绪跟踪中，量能择时信号显示截至6月28日，上证50和沪深300指数择时观点为看多，其余指数择时观点保持谨慎[31][32] - 沪深300上涨家数占比情绪指标通过计算指数成分股的近期正收益个数来判断市场情绪，最近一周环比前一周下降，上涨家数占比低于50%，市场情绪处于修复阶段[32][33][34] - 动量情绪指标通过快线和慢线的同步向上走势，预计未来一段时间内将维持看多观点[35][36][37] - 均线情绪指标通过计算沪深300收盘价八均线数值，短期内沪深300指数处于情绪非景气区间[41][42][43] - 横截面波动率最近一周沪深300、中证500和中证1000横截面波动率上行，短期Alpha环境环比上周变好[45][47][49] - 时间序列波动率最近一周沪深300、中证500、中证1000成分股时间序列波动率上行，短期Alpha环境环比上周变好[49][50][53] - 北向资金净流入-117.62亿元，其中沪股通净流入-28.31亿元，深股通净流入-89.3亿元[80][81][84] - 交易盘和配置盘行业配置思路分歧显著，配置盘加仓银行、电子和电力及公用事业，净卖出食品饮料、家电和传媒；交易盘加仓有色金属、食品饮料和纺织服装，净卖出电子、银行和医药[91][92][93] - 基于北向资金超额净流入构建阈值择时策略，交易盘和配置盘择时策略当前均为看多信号[100][101][102] - 行业轮动策略在ETF基金上的表现显示，交易盘双周TOP-5组合最新一期行业配置为：通信、有色金属、建筑、轻工制造、消费者服务；配置盘6周TOP-5组合最新一期行业配置为：有色金属、轻工制造、银行、家电、房地产[104][106][107]

量化模型与构建方式 1. 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**：将风险平价模型与主动信号结合，通过股债横向比价、股票纵向估值水平、市场流动性三个维度构建主动风险预算指标，计算出股票与债券的配置权重[2][10] - **模型具体构建过程**： 1. **股债横向比价维度**：借鉴美联储FED模型，将股权风险溢价定义为： $$ ERP = \frac{1}{PE_{ttm}} - YTM_{TB}^{10Y} $$ 其中，$PE_{ttm}$为中证800市盈率ttm，$YTM_{TB}^{10Y}$为10年期国债到期收益率。当股权风险溢价 > 5%时超配权益资产，当 < 2%时低配权益资产[12][13] 2. **股票纵向估值水平维度**：滚动窗口计算股票估值在近5年历史中的分位数，当估值分位数位于25%之下时超配权益资产，反之当估值分位数位于75%之上时低配权益资产[14] 3. **市场流动性维度**：M2与M1的差额为准货币，包括单位定期存款、个人存款、证券保证金等；M2-M1剪刀差反映了可随时兑换成货币的资金边际变化。当$M2 - M1 \geq 5%$时，市场流动性宽松，超配权益资产；当$M2 - M1 \leq -5%$时，市场流动性收紧，低配权益资产[16] 4. **信号汇总**：将三个维度的信号汇总，代入softmax函数，计算权益资产风险预算权重： $$ softmax(x) = \frac{\exp(\lambda x)}{\exp(\lambda x) + \exp(-\lambda x)} $$ 其中，$x$为权益汇总信号，$\lambda$为风险调整系数[19] - **模型评价**：通过多维度动态调整资产波动贡献，提供稳健的资产配置建议[10] 2. 行业轮动模型 - **模型名称**：行业轮动模型 - **模型构建思路**：从交易行为、资金面、基本面三个维度出发，分别构建6个行业轮动子模型，对一级行业指数进行打分，每月选择分数最高的前三分之一行业作为多头组合[24] - **模型具体构建过程**： 1. **交易行为维度**：由黄金率模型和龙头股模型组成。黄金率模型捕捉行业日内动量+隔夜反转效应；行业龙头股模型捕捉行业内龙头股领先、普通股滞后效应[26] 2. **资金面维度**：由北向双轮驱动模型和机构资金流模型组成。北向双轮驱动模型捕捉高活跃成交+高净流入特征的外资偏好；机构资金流模型捕捉超大单抢筹+小单退出的供需特征[26] 3. **基本面维度**：由历史景气度模型与预期景气度模型组成。历史景气度模型核心捕捉行业上的盈余动量效应；预期景气度模型核心是捕捉行业的戴维斯双击效应[26] - **模型评价**：通过多维度综合打分优选行业，提供行业轮动配置建议[24] 模型的回测效果 主动风险预算模型 - **年化收益率**：6.27%[2] - **最大回撤**：4.89%[2] - **收益波动比**：1.61[2] - **收益回撤比**：1.28[2] 行业轮动模型 - **6月组合平均收益率**：-7.63%[29] - **基准组合收益率**：-7.14%[29] - **超额收益率**：-0.48%[29] 因子的回测效果 主动风险预算模型因子 - **ERP信号**：5.57%（截至2024/6/28）[15] - **PE_ttm估值分位点**：21.4%（截至2024/6/28）[17] - **M2-M1剪刀差**：11.2%（截至2024/05）[18] 行业轮动模型因子 - **6月三分组多空收益率**：0.02%[27] - **6月行业ETF组合收益率**：-5.56%[36] - **有ETF跟踪的行业平均收益率**：-5.89%[36] - **超额收益率**：0.33%[36]

量化模型与构建方式 1. 模型名称：中性约束条件下最大化因子暴露组合 - **模型构建思路**：在行业和风格暴露保持中性的基础上，最大化目标因子在组合中的暴露[17][20] - **模型具体构建过程**： 1. 确定个股权重向量 $w$ 和基准组合权重向量 $w_b$[20][21] 2. 目标函数：$Max \ w^{\prime} X_{target}$，其中 $X_{target}$ 为目标因子载荷矩阵[20] 3. 约束条件： - 行业中性：$(w-w_b)^{\prime} X_{ind} = 0$，$X_{ind}$ 为行业暴露矩阵[20] - 风格中性：$(w-w_b)^{\prime} X_{Beta} = 0$，$X_{Beta}$ 为风格因子载荷矩阵[20] - 个股权重偏离限制：$|w-w_b| \leq 1\%$[20] - 组合权重总和为 1：$w^{\prime} 1 = 1$[20] - 组合仓位为 100%：$w^{\prime} B = 1$，其中 $B$ 用于判断个股是否属于基准指数成分股[21] 4. 每月月末依据上述限制条件构建组合[21] - **模型评价**：通过严格的中性化约束，确保组合在行业和风格上的暴露中性化，提升因子暴露的纯度[20][21] 2. 模型名称：指数增强组合 - **模型构建思路**：通过复合因子优化组合权重，在严格中性化约束下实现对基准指数的增强[45][46] - **模型具体构建过程**： 1. 确定影响显著的因子，并通过因子滚动 1 年的 Rank ICIR 加权构建复合因子[45] 2. 若因子权重方向与预期因子收益方向相反，则进行权重反向归零[45] 3. 采用严格中性配置策略： - 行业暴露为 0：$(w-w_b)^{\prime} X_{ind} = 0$[45] - 风格暴露为 0：$(w-w_b)^{\prime} X_{Beta} = 0$[45] - 个股权重偏离限制：$|w-w_b| \leq 1\%$[45] 4. 最大化复合因子暴露，最终构建指数增强组合[45] - **模型评价**：通过复合因子优化和中性化处理，指数增强组合能够稳定战胜基准指数[46][53][59] --- 模型的回测效果 1. 中性约束条件下最大化因子暴露组合 - **沪深300股票池**： - 最近1周：单季度净利润同比因子超额收益率为0.91%，240日动量因子为0.87%，标准化预期外收入因子为0.85%[22][26] - 最近1月：240日动量因子超额收益率为2.74%，盈余质量因子为2.09%，60日动量因子为2.01%[23][26] - 最近1年：240日动量因子超额收益率为8.37%，股息率因子为11.43%，前十大股东持股比例因子为6.05%[23][26] - **中证500股票池**： - 最近1周：BP因子超额收益率为1.54%，120日三因子模型残差波动率因子为1.54%，240日三因子模型残差波动率因子为1.45%[27][29] - 最近1月：240日动量因子超额收益率为2.79%，标准化预期外收入因子为1.92%，单季度净利润同比因子为2.44%[29] - 最近1年：240日动量因子超额收益率为6.53%，股息率因子为6.96%，标准化预期外收入因子为7.13%[29] - **中证1000股票池**： - 最近1周：240日三因子模型残差波动率因子超额收益率为1.96%，BP因子为1.70%，60日收益率标准差因子为1.58%[31][34] - 最近1月：240日动量因子超额收益率为2.95%，标准化预期外收入因子为3.36%，单季度净利润同比因子为2.46%[34] - 最近1年：240日动量因子超额收益率为9.84%，单季度毛利率因子为14.07%，单季度ROA因子为13.77%[34] 2. 指数增强组合 - **沪深300指数增强组合**： - 最近1周超额收益：0.74%[46] - 最近1月超额收益：1.71%[46] - 最近1年超额收益：7.97%[46] - 全样本期（2010年至今）：年化超额收益为7.09%，信息比为2.53，月度胜率为73.56%[52] - **中证500指数增强组合**： - 最近1周超额收益：0.91%[53] - 最近1月超额收益：1.73%[53] - 最近1年超额收益：9.11%[53] - 全样本期（2010年至今）：年化超额收益为12.56%，信息比为3.09，月度胜率为80.46%[58] - **中证1000指数增强组合**： - 最近1周超额收益：1.09%[59] - 最近1月超额收益：2.93%[59] - 最近1年超额收益：15.79%[59] - 全样本期（2014年至今）：年化超额收益为17.28%，信息比为3.30，月度胜率为84.62%[64] - **沪深300ESG指数增强组合**： - 最近1周超额收益：0.76%[65] - 最近1月超额收益：1.78%[65] - 最近1年超额收益：7.90%[65] - 全样本期（2020年至今）：年化超额收益为7.62%，信息比为2.27，月度胜率为72.55%[68]

量化因子与构建方式 1. 因子名称：盈利预期调整因子（Earnings Consensus Adjustment Factor, ECA） - **因子的构建思路**：通过对EPS预期数据在时序上进行Z-Score标准化处理，平滑因子波动，避免简单差值或百分比变动的局限性[55] - **因子具体构建过程**： 1. 使用过去12期的EPS预期数据进行时序标准化处理 2. 对财报真空期的数据采用前值填充，填充跨度不超过4个月 3. 计算得到因子值[55][56] - **因子评价**：因子在2021年后表现减弱，与A股市场成长风格退潮具有较高同步性[56][57] 2. 因子名称：目标价收益率因子（Target Price Return Factor, TPR） - **因子的构建思路**：基于分析师一致预期的目标价与当前实际价格的比值，衡量个股未来收益率空间[59] - **因子具体构建过程**： 1. 目标价收益率因子计算公式： $$ factor_{t} = \frac{tp_{t}}{ap_{t}} - 1 $$ 其中，$tp_{t}$为当前时刻分析师一致预期的目标价，$ap_{t}$为当前时刻上市公司的实际价格 2. 对股价进行复权调整以消除股本变动的影响[59][60] - **因子评价**：因子在回测前期表现优异，但中期波动较大，胜率下降，近期表现有所转弱[60][63] 3. 因子名称：投资评级因子（Recommendation Type Factor, RT） - **因子的构建思路**：将分析师对个股的投资评级离散化为数值，并通过时序标准化处理生成因子值[71] - **因子具体构建过程**： 1. 投资评级从高到低赋分：买入（5分）、增持（4分）、持有（3分）、减持（2分）、卖出（1分），无意见赋为空值 2. 根据分析师推荐数量加权计算个股的投资评级得分 3. 对得分进行时序标准化处理，窗口期为12期，缺失值前向填充，跨度不超过4个月[71][76] - **因子评价**：因子表现严格单调，空头端区分度更强，市场对评级下调个股的敏感度显著高于评级上调个股[77][79] 4. 因子名称：复合分析师因子（Merged Analyst Factor, MA） - **因子的构建思路**：将盈利预期调整、目标价收益率和投资评级变动三个因子等权合成，衡量分析师多维度观点的综合变化[82] - **因子具体构建过程**： 1. 对ECA、TPR、RT三个因子进行等权合成 2. 测试期内对因子表现进行回测[82][85] - **因子评价**：复合因子在预测显著性和稳定性上均有所提升，但近一年仍无法完全规避超额收益的回撤[85][89] --- 因子的回测效果 1. 盈利预期调整因子（ECA） - **RankIC均值**：2.14% - **年化RankICIR**：1.11[55][57] 2. 目标价收益率因子（TPR） - **RankIC均值**：2.27% - **年化RankICIR**：1.09[60][61] 3. 投资评级因子（RT） - **RankIC均值**：1.72% - **年化RankICIR**：1.34[76][77] 4. 复合分析师因子（MA） - **RankIC均值**：2.36% - **年化RankICIR**：1.65 - **多头端年化收益率**：9.24% - **多空超额年化收益率**：7.11% - **最大回撤**：-7.84% - **月度胜率**：约70%[85][87][90] --- 因子在宽基指数增强中的表现 1. 沪深300指数 - **增强组合年化收益率**：9.22% - **超额收益率波动比**：1.09 - **超额收益率最大回撤**：-8.92%[94][102] 2. 中证500指数 - **增强组合年化收益率**：10.53% - **超额收益率波动比**：1.59 - **超额收益率最大回撤**：-10.46%[95][102] 3. 中证1000指数 - **增强组合年化收益率**：8.16% - **超额收益率波动比**：1.46 - **超额收益率最大回撤**：-8.66%[97][102]