量化因子与构建方式 1. 因子名称：宏观敏感性因子（MacroBeta） - **因子的构建思路**：通过宏观敏感性因子（MacroBeta）刻画股票与宏观经济指标之间的关系，包括方向与程度[10][13][63] - **因子具体构建过程**： 1. **原始模型**：计算股票对宏观经济指标的暴露系数（MacroBeta），公式为： $$ Return_{i,t} = \alpha_{i,t} + \beta_{i,t}^{F} \cdot F_{t} + \varepsilon_{i,t} $$ 其中，$F$ 表示宏观经济指标第 $t$ 期的取值，$Return$ 表示第 $t$ 期的股票绝对收益[13] 2. **控制风格因子**：为剥离市值等风格因子的影响，加入Fama-French三因子模型，公式为： $$ Return_{i,t} = \alpha_{i,t} + \beta_{i,t}^{F} \cdot F_{t} + \beta_{i,t}^{MKT} \cdot MKT_{t} + \beta_{i,t}^{SMB} \cdot SMB_{t} + \beta_{i,t}^{HML} \cdot HML_{t} + \varepsilon_{i,t} $$ 其中，$MKT$ 表示市场因子，$SMB$ 表示市值因子，$HML$ 表示估值因子[14] 3. **数据处理**：以月度差分的方式计算宏观经济指标 $F$，以获得平稳的数据序列[15] 4. **选股逻辑**：基于T值筛选股票，设定两种筛选标准： - T值绝对值≥1.96（95%显著性水平） - T值绝对值≥1.65（90%显著性水平）[15][63] - **因子评价**：宏观敏感性因子在选股的收益预测模型中应用价值有限，但在风控模型中具有一定的应用价值，可用于约束股票权重以规避宏观经济变化的风险[66] 2. 因子名称：价格类因子（CPI同比、PPI同比） - **因子的构建思路**：通过股票对价格类指标（如CPI同比、PPI同比）的敏感性，捕捉其与股票收益之间的关系[5][16] - **因子具体构建过程**： 1. **CPI同比**： - 正敏感组合：选择MacroBeta系数T值大于1.65的股票（90%显著性水平） - 负敏感组合：选择MacroBeta系数T值小于-1.96的股票（95%显著性水平）[22] 2. **PPI同比**： - 正敏感组合：选择MacroBeta系数T值大于1.96的股票（95%显著性水平） - 负敏感组合：选择MacroBeta系数T值小于-1.96的股票（95%显著性水平）[17] - **因子评价**： - PPI同比：正敏感组合和负敏感组合均存在明显的选股效应[20] - CPI同比：选股效应在2015年后逐渐消失，可能与CPI波动趋于平稳有关[25] 3. 因子名称：利率类因子（利率水平、期限利差、信用利差） - **因子的构建思路**：通过股票对利率类指标（如利率水平、期限利差、信用利差）的敏感性，捕捉其与股票收益之间的关系[5][34] - **因子具体构建过程**： 1. **利率水平**： - 正敏感组合：选择MacroBeta系数T值大于1.65的股票（90%显著性水平） - 负敏感组合：选择MacroBeta系数T值小于-1.96的股票（95%显著性水平）[34] 2. **期限利差**： - 正敏感组合：选择MacroBeta系数T值大于1.96的股票（95%显著性水平） - 负敏感组合：选择MacroBeta系数T值小于-1.96的股票（95%显著性水平）[41] 3. **信用利差**： - 正敏感组合：选择MacroBeta系数T值大于1.96的股票（95%显著性水平） - 负敏感组合：选择MacroBeta系数T值小于-1.96的股票（95%显著性水平）[47] - **因子评价**： - 利率水平和信用利差：正敏感组合和负敏感组合均存在明显的选股效应[38][49] - 期限利差：仅正敏感组合存在选股效应[46] 4. 因子名称：股市波动率因子 - **因子的构建思路**：通过股票对股市波动率的敏感性，捕捉其与股票收益之间的关系[5][53] - **因子具体构建过程**： - 正敏感组合：选择MacroBeta系数T值大于1.96的股票（95%显著性水平） - 负敏感组合：选择MacroBeta系数T值小于-1.96的股票（95%显著性水平）[53] - **因子评价**：仅正敏感组合存在选股效应[56] 5. 因子名称：金价因子 - **因子的构建思路**：通过股票对金价的敏感性，捕捉其与股票收益之间的关系[57] - **因子具体构建过程**： - 正敏感组合：选择MacroBeta系数T值大于1.96的股票（95%显著性水平） - 负敏感组合：选择MacroBeta系数T值小于-1.96的股票（95%显著性水平）[57] - **因子评价**：仅正敏感组合存在选股效应[62] --- 因子的回测效果 1. 宏观敏感性因子 - 年化收益率：11.9%（基于当期指标方向预测）[20] - 年化收益率：18.9%（基于下期指标方向预测）[20] - 夏普比率：0.44（当期预测）/ 0.83（下期预测）[20] 2. CPI同比因子 - 2015年以前：选股策略有效，净值震荡上行[25] - 2015年以后：选股策略失效[25] 3. 利率水平因子 - 年化收益率：2.8%（当期预测）/ 20.0%（下期预测）[40] - 夏普比率：0.08（当期预测）/ 1.18（下期预测）[40] 4. 信用利差因子 - 年化收益率：4.2%（当期预测）/ 21.7%（下期预测）[52] - 夏普比率：0.23（当期预测）/ 1.38（下期预测）[52]

量化模型与构建方式 模型名称：净流入比率策略 - **模型构建思路**：通过资金流偏好度的横向对比，找到资金流入最强的风格因子，并根据训练机制进行配置[71] - **模型具体构建过程**： - 样本来源：全市场非停牌且上市满1年的股票[71] - 样本区间：2010年5月7日-2018年6月29日，其中2010年5月7日-2018年4月20日为样本内训练，其余为样本外数据[71] - 行业分类：申万一级行业分类，共28个行业[71] - 策略设置：每周末根据风格因子上的净流入比率判断资金流偏好度最高的风格因子，并根据训练机制配置下一周的风格[71] - 策略基准：上证综指对冲[71] - 交易费率：0.2%[71] - **模型评价**：除了2017年超额收益率为负，其余年份均为正，策略在市场剧烈波动时仍能捕获收益[74] 模型名称：融资余额增量占比策略 - **模型构建思路**：通过资金流偏好度的横向对比，分析融资余额增量占比对风格因子的影响[76] - **模型具体构建过程**： - 样本来源、样本区间、行业分类、策略设置、策略基准、交易费率与净流入比率策略相同[76] - 策略回测：每周末根据融资余额增量占比判断资金流偏好度最高的风格因子，并配置下一周的风格[76] - **模型评价**：策略善于捕捉牛市中的小市值行情，但难以把握大盘蓝筹行情，近两年表现不佳[79] 模型名称：沪深股通资金流入交易额占比策略 - **模型构建思路**：通过资金流偏好度的横向对比，分析沪深股通资金流入交易额占比对风格因子的影响[81] - **模型具体构建过程**： - 样本区间：2017年3月17日-2018年6月29日，其中2017年3月17日-2018年4月20日为样本内训练，其余为样本外数据[81] - 策略回测：每周末根据沪深股通资金流入交易额占比判断资金流偏好度最高的风格因子，并配置下一周的风格[81] - **模型评价**：策略表现出色，显著跑赢基准，偏好盈利和大市值股票，但训练时间较短[84] 模型名称：主动流入资金环比增长策略 - **模型构建思路**：通过资金流偏好度的纵向变化对比，分析主动流入资金环比增长对风格因子的影响[86] - **模型具体构建过程**： - 样本来源、样本区间、行业分类、策略设置、策略基准、交易费率与净流入比率策略相同[86] - 策略回测：每周末根据主动流入资金环比增长判断资金流偏好度最高的风格因子，并配置下一周的风格[86] - **模型评价**：策略在牛市和大盘蓝筹行情中表现较好，但近两年表现不佳[88] 模型名称：融资增量环比增长策略 - **模型构建思路**：通过资金流偏好度的纵向变化对比，分析融资增量环比增长对风格因子的影响[90] - **模型具体构建过程**： - 样本来源、样本区间、行业分类、策略设置、策略基准、交易费率与净流入比率策略相同[90] - 策略回测：每周末根据融资增量环比增长判断资金流偏好度最高的风格因子，并配置下一周的风格[90] - **模型评价**：策略在所有年份超额收益率均为正，能较好捕捉牛市和大盘蓝筹行情，但在熊市中回撤较高[92] 模型名称：沪深股通环比增长策略 - **模型构建思路**：通过资金流偏好度的纵向变化对比，分析沪深股通环比增长对风格因子的影响[93] - **模型具体构建过程**： - 样本区间：2017年3月17日-2018年6月29日，其中2017年3月17日-2018年4月20日为样本内训练，其余为样本外数据[93] - 策略回测：每周末根据沪深股通环比增长判断资金流偏好度最高的风格因子，并配置下一周的风格[93] - **模型评价**：策略表现较好，但不如沪深股通资金流入交易额占比策略，偏好杠杆类因子[94] 模型名称：综合策略 - **模型构建思路**：综合4个资金流偏好度的配置方案，构成最终的综合配置方案[95] - **模型具体构建过程**： - 每期监测4个资金流偏好度的最强风格因子，记录推荐配置方案及权重，最终等权配置归一化后得到综合策略[95] - **模型评价**：相比单一策略，综合策略表现更加稳定，超额收益率提高，最大回撤改善[103] --- 模型的回测效果 净流入比率策略 - **超额收益率**：全样本428%，2010年27%，2011年1%，2012年1%，2013年38%，2014年11%，2015年127%，2016年21%，2017年-6%，2018年2%[74] - **胜率**：全样本64%，2010年62%，2011年59%，2012年56%，2013年71%，2014年64%，2015年81%，2016年68%，2017年51%，2018年56%[74] - **最大回撤**：全样本-20%，2010年-7%，2011年-11%，2012年-8%，2013年-3%，2014年-20%，2015年-10%，2016年-7%，2017年-13%，2018年-7%[74] 融资余额增量占比策略 - **超额收益率**：全样本546%，2010年33%，2011年2%，2012年15%，2013年43%，2014年4%，2015年159%，2016年24%，2017年-10%，2018年-3%[79] - **胜率**：全样本65%，2010年65%，2011年53%，2012年58%，2013年75%，2014年68%，2015年83%，2016年64%，2017年53%，2018年60%[79] - **最大回撤**：全样本-27%，2010年-5%，2011年-8%，2012年-6%，2013年-3%，2014年-27%，2015年-14%，2016年-6%，2017年-12%，2018年-9%[79] 沪深股通资金流入交易额占比策略 - **超额收益率**：全样本26%，2017年10%，2018年14%[84] - **胜率**：全样本71%，2017年69%，2018年75%[84] - **最大回撤**：全样本-4%，2017年-4%，2018年-1%[84] 主动流入资金环比增长策略 - **超额收益率**：全样本686%，2010年22%，2011年8%，2012年8%，2013年32%，2014年26%，2015年150%，2016年36%，2017年-2%，2018年0%[88] - **胜率**：全样本66%，2010年68%，2011年59%，2012年52%，2013年76%，2014年68%，2015年83%，2016年70%，2017年55%，2018年56%[88] - **最大回撤**：全样本-18%，2010年-3%，2011年-9%，2012年-7%，2013年-3%，2014年-10%，2015年-18%，2016年-2%，2017年-6%，2018年-9%[88] 融资增量环比增长策略 - **超额收益

量化模型与构建方式 1. **模型名称**：风险中性的深度学习选股模型 **模型构建思路**：通过对股票样本进行风险中性化处理，减小风险因子轮动和行业轮动对模型训练和预测的影响[3] **模型具体构建过程**： - 首先，对股票样本进行风险中性化处理，通过截面回归剥离风险因子影响，寻找在相同行业和相似市值区间内的强势股票和弱势股票进行样本标注[3] - 使用传统选股因子和技术指标作为输入特征，训练深度学习预测模型，对股票未来走势进行预测打分和选股交易[4] - 模型采用7层深层神经网络，输入层包含156个特征，输出层为3个节点，分别表示股票未来走势的三种可能性：上涨、平盘、下跌[23][24] - 隐含层激活函数采用ReLU，输出层激活函数采用softmax[33][66] - 模型训练时采用Dropout和Batch Normalization技术提高泛化能力和训练效率[38] 2. **模型名称**：普通深度学习选股模型 **模型构建思路**：通过历史数据训练深度学习模型，预测股票未来走势，未进行风险中性化处理[39] **模型具体构建过程**： - 对股票样本进行标注，根据未来10个交易日的涨跌幅将股票分为上涨、平盘、下跌三类[39] - 使用传统选股因子和技术指标作为输入特征，训练深度学习预测模型[4] - 模型结构与风险中性模型相同，均为7层深层神经网络[23][24] 模型的回测效果 1. **风险中性的深度学习选股模型** - 年化收益率：21.95%[4] - 最大回撤：-5.03%[4] - 胜率：74.6%[4] - 信息比率（IR）：2.92[4] 2. **普通深度学习选股模型** - 年化收益率：19.71%[77] - 最大回撤：-5.35%[77] - 胜率：69.5%[77] - 信息比率（IR）：2.47[77] 量化因子与构建方式 1. **因子名称**：行业中性因子 **因子构建思路**：通过将股票按行业划分，在同一行业内进行收益率排序，选出每个行业内跑赢和跑输的股票，避免行业轮动的影响[43] **因子具体构建过程**： - 将全市场股票按申万一级行业划分[43] - 在同一时间截面对不同行业内的股票进行收益率排序，选出每个行业内跑赢和跑输的股票[43] 2. **因子名称**：市值风格中性因子 **因子构建思路**：通过将股票按市值区间划分，在同一市值区间内进行收益率排序，选出每个市值区间内跑赢和跑输的股票，避免市值风格切换的影响[46] **因子具体构建过程**： - 将全市场股票按不同市值区间划分[46] - 在同一时间截面对不同市值区间内的股票进行收益率排序，选出每个市值区间内跑赢和跑输的股票[46] 3. **因子名称**：风险中性因子 **因子构建思路**：通过回归方法剥离多个风险因子的影响，选出剥离风险因子后收益率在前10%的股票[48] **因子具体构建过程**： - 假设考虑K个风险因子，通过回归方法对风险因子进行剥离[48] - 回归公式为： $$r_{i}^{t+1}=X_{i1}^{t}f_{1}^{t}+X_{i2}^{t}f_{2}^{t}+\cdots+X_{i K}^{t}f_{K}^{t}+\epsilon_{i}^{t}$$ - 按照回归残差在同一时间截面进行排序，选出剥离风险因子后收益率在前10%的股票[48] 因子的回测效果 1. **行业中性因子** - 因子IC：0.082[68] - 因子IC标准差：0.108[68] 2. **市值风格中性因子** - 因子IC：0.082[68] - 因子IC标准差：0.108[68] 3. **风险中性因子** - 因子IC：0.082[68] - 因子IC标准差：0.108[68]

量化因子与构建方式 宏观敏感性因子（MacroBeta） - **因子名称**：宏观敏感性因子（MacroBeta）[3][17] - **因子的构建思路**：通过回归模型刻画股票收益与宏观经济指标之间的关系，量化股票对宏观经济指标的敏感性[17] - **因子具体构建过程**： 1. 使用模型一：将股票的历史超额收益对宏观经济变量进行回归，回归系数即为MacroBeta，公式如下： $$ ExcessReturn_{i,t} = \alpha_{i,t} + MacroBeta_{i,t} \cdot F_t + \varepsilon_{i,t} $$ 其中，$F_t$表示宏观经济指标的取值，$ExcessReturn$为股票的超额收益[17] 2. 使用模型二：在模型一的基础上加入Fama-French三因子，控制市值、估值等风格因子的影响，公式如下： $$ Return_{i,t} = \alpha_{i,t} + MacroBeta_{i,t} \cdot F_t + \beta_{i,t}^{MKT} \cdot MKT_t + \beta_{i,t}^{SMB} \cdot SMB_t + \beta_{i,t}^{HML} \cdot HML_t + \varepsilon_{i,t} $$ 其中，$MKT$为市场因子，$SMB$为市值因子，$HML$为估值因子[17] 3. 数据清洗：对宏观经济数据进行差分法、Surprise替代法或资产组合模拟法处理，以解决数据滞后、不平稳等问题[22][24][27] 4. 回归计算：将个股过去60个月的超额收益对同期的模拟组合收益进行回归，获得MacroBeta[41] - **因子评价**：该因子能够刻画股票与宏观经济指标的关系，但其选股效果依赖于宏观经济指标的变化方向和因子稳定性[3][104] 基于宏观得分的因子 - **因子名称**：宏观得分因子[80] - **因子的构建思路**：结合股票的宏观敏感性与预期宏观经济走势，计算每只股票的宏观得分，用于选股[80] - **因子具体构建过程**： 1. 定义宏观得分公式： $$ Score = MacroBeta \times 预期宏观经济走势 $$ [80] 2. 在选股时，根据$t$期个股的宏观敏感性和对$t+1$期宏观经济的预判，计算每只股票的得分： $$ Score_{t+1} = MacroBeta_t \times P_{t+1} $$ 其中，$P_{t+1}$为预测的宏观经济指标变化值[81] 3. 根据得分排序，选择得分最高的若干股票形成组合[81] - **因子评价**：该因子在理论上可行，但实际效果依赖于对未来宏观经济走势的准确预测以及敏感性因子的跨期稳定性[84][105] --- 因子的回测效果 宏观敏感性因子 - **多空收益差**： - 工业增加值当月同比：-0.004[68] - PPI同比：-0.004[68] - CPI同比：-0.003[68] - **IC均值**： - 工业增加值当月同比：-0.010[68] - PPI同比：-0.014[68] - CPI同比：-0.014[68] - **胜率**： - 工业增加值当月同比：44.8%[68] - PPI同比：45.8%[68] - CPI同比：45.8%[68] 基于宏观得分的因子 - **PPI敏感性因子**： - 宏观得分多空净值曲线在2015年后依然稳定向上，表明基于宏观得分的选股逻辑存在可行性[84] - **油价敏感性因子**： - 宏观得分选股后，不论油价上涨还是下跌，因子均展现出较好的选股效果[88][93] --- 其他关键点 - **宏观敏感性因子的跨期稳定性**： - PPI同比和油价涨跌幅的跨期稳定性较高，适合构建宏观得分并应用于选股[99][102] - 外汇储备敏感性因子的跨期稳定性较低，选股效果不佳[99][102] - **宏观敏感性因子的选股陷阱**： - 选股效果依赖于宏观经济指标的变化方向，忽视这一点可能导致错误的选股结果[71][75]

量化模型与构建方式 1. **模型名称**：XGBoost模型 **模型构建思路**：通过机器学习方法，基于历史数据提炼因子风格轮动的规律，预测因子未来的IC值，动态调整因子权重[2] **模型具体构建过程**： - 选择7个风格因子，包括盈利、质量、成长、估值、规模、流动性、技术因子[31] - 提取因子历史IC序列、宏观经济变量、市场变量作为特征，共34个特征[59] - 使用XGBoost模型对每个因子未来一期的IC值进行预测，预测周期为5个交易日[59] - 根据预测的IC值对因子进行动态加权，正向因子IC>0时赋予权重，负向因子IC<0时赋予权重，否则剔除[82] - 对权重进行归一化处理，确保权重总和为1[82] **模型评价**：XGBoost模型能够有效捕捉因子风格轮动的规律，预测效果优于基于动量效应的模型[76] 2. **模型名称**：滚动训练XGBoost模型 **模型构建思路**：通过滚动训练方式，每个季度更新模型，以更好地追踪市场风格的变化[113] **模型具体构建过程**： - 每个季度采用最新数据更新模型，保持训练集样本数量一致[113] - 根据滚动训练的模型预测因子未来一期的IC值，动态调整因子权重[113] **模型评价**：滚动训练模型能够更好地适应市场风格的变化，提升策略表现[113] 模型的回测效果 1. **XGBoost模型** - 年化收益率：17.12%[94] - 年化波动率：13.22%[94] - 信息比（IR）：1.30[94] - 最大回撤：-15.36%[94] - 累积收益率：88.18%[94] - 周度胜率：55.96%[94] 2. **滚动训练XGBoost模型** - 年化收益率：20.08%[120] - 年化波动率：11.51%[120] - 信息比（IR）：1.74[120] - 最大回撤：-7.68%[120] - 累积收益率：107.89%[120] - 周度胜率：63.21%[120] 量化因子与构建方式 1. **因子名称**：ROE、速动比率、ROE同比、EP、流通市值、月成交金额、一个月动量 **因子构建思路**：从盈利、质量、成长、估值、规模、流动性、技术等7大类因子中各选取一个典型因子[31] **因子具体构建过程**： - 每个因子采用分位数变换进行标准化，保留因子排名信息[31] - 标准化公式为： $$Score(stock_i, factor_j) = \frac{Rank(stock_i, factor_j)}{N}$$ 其中，N为参与排名的股票总数[31] **因子评价**：因子风格轮动现象与宏观经济和市场变量密切相关，因子有效性随时间变化[18] 因子的回测效果 1. **ROE因子** - 近1年平均IC：3.83[22] - 近11年平均IC：0.72[22] - ICIR：0.06[22] 2. **速动比率因子** - 近1年平均IC：-0.62[22] - 近11年平均IC：0.68[22] - ICIR：0.06[22] 3. **ROE同比因子** - 近1年平均IC：3.28[22] - 近11年平均IC：0.88[22] - ICIR：0.12[22] 4. **EP因子** - 近1年平均IC：4.95[22] - 近11年平均IC：3.01[22] - ICIR：0.25[22] 5. **流通市值因子** - 近1年平均IC：-2.83[22] - 近11年平均IC：2.87[22] - ICIR：0.29[22] 6. **月成交金额因子** - 近1年平均IC：2.41[22] - 近11年平均IC：5.87[22] - ICIR：0.43[22] 7. **一个月动量因子** - 近1年平均IC：1.93[22] - 近11年平均IC：6.44[22] - ICIR：0.40[22]

量化模型与构建方式 宏观事件驱动策略 - **模型名称**：宏观事件驱动策略 - **模型构建思路**：通过为各个风格因子找到能够使其表现凸显的宏观事件，根据宏观事件是否触发来选择本期应当配置的风格因子[2][58] - **模型具体构建过程**： 1. 确定样本训练时间区间（2005年1月至2017年12月）[34] 2. 设定训练参数 $K=6, 9, 12$ 个月（若为季度数据则为 $K=4, 6, 8$ 个季度）[34] 3. 根据参数计算宏观事件的触发时间点[34] 4. 计算触发事件后风格的表现，包括触发次数、平均收益率、IR、胜率等指标[34] 5. 筛选有效事件：触发次数超过15次，平均收益率为正，胜率超过50%，并且IR、IC、胜率高于全样本表现[34] 6. 若多个参数满足条件，按胜率排序，保留胜率最高的参数作为最佳参数[34] 7. 策略运行时，每月末判断宏观事件是否触发，选择触发的风格因子进行等权配置[58] - **模型评价**：该策略能够显著提升超额收益，但在极端环境下可能产生较大回撤[60][99] 宏观趋势匹配策略 - **模型名称**：宏观趋势匹配策略 - **模型构建思路**：通过比较当前宏观因子走势与历史上某一时期的宏观因子走势的相似性，利用历史相似时期的未来风格表现来指导当前风格配置[75][76] - **模型具体构建过程**： 1. 确定样本训练时间区间（2009年2月至2017年12月）[77] 2. 将宏观因子分为8大类，从每类中选出一个因子构成宏观因子组合[77] 3. 每月末利用最近12个月的宏观因子数据与历史数据计算匹配度，匹配度公式为：两个时间点宏观因子相关系数的均值[81] 4. 找到匹配度最高的历史时间点，利用该时间点未来6个月的风格因子表现作为当前风格配置依据[77][81] 5. 筛选出IR表现最高的10个风格因子，并根据过去12期和匹配时间点未来6期的IR表现之和进行权重配置[77][86] - **模型评价**：该策略回撤较小，稳定性较高，但测算时间避开了2008年金融危机[87] 综合策略 - **模型名称**：综合策略 - **模型构建思路**：结合宏观事件驱动策略和宏观趋势匹配策略，利用宏观事件驱动策略选择风格因子，通过宏观趋势匹配策略为风格因子提供权重配置建议[92] - **模型具体构建过程**： 1. 每月末根据宏观事件驱动策略找到触发的风格因子[93] 2. 利用宏观趋势匹配策略找到最佳历史匹配时点[93] 3. 结合触发因子在当前最近12期的IR表现和匹配时点未来6期的IR表现，计算权重并进行配置[93] - **模型评价**：综合策略相比前两种策略表现更加稳定，超额回报更高[96][99] --- 模型的回测效果 宏观事件驱动策略 - **累计超额收益率**：346.59%[60] - **胜率**：66.44%[60] - **最大回撤**：51.79%[60] 宏观趋势匹配策略 - **累计超额收益率**：183.66%[87] - **胜率**：65.14%[87] - **最大回撤**：19.42%[87] 综合策略 - **累计超额收益率**：270.88%[96] - **胜率**：71.56%[96] - **最大回撤**：22.08%[96] --- 量化因子与构建方式 流通市值（小盘） - **因子构建思路**：通过观察PPI同比突破布林带上轨，捕捉小市值风格的显著表现[39] - **因子具体构建过程**： 1. 计算PPI同比的布林带上轨（过去6个月均值+2倍标准差）[39] 2. 当PPI同比突破布林带上轨时，触发小市值风格因子[39] - **因子评价**：物价上涨改善中小企业营业能力，小市值风格表现显著[39] 流通市值（大盘） - **因子构建思路**：通过观察波罗的海干散货指数突破布林带上轨，捕捉大市值风格的显著表现[42] - **因子具体构建过程**： 1. 计算波罗的海干散货指数的布林带上轨（过去12个月均值+2倍标准差）[42] 2. 当波罗的海干散货指数突破布林带上轨时，触发大市值风格因子[42] - **因子评价**：原材料运费上涨，大公司更能抵御成本上升风险[42] 毛利率 - **因子构建思路**：通过观察OECD综合领先指标连续上涨，捕捉毛利率风格的显著表现[46] - **因子具体构建过程**： 1. 计算OECD综合领先指标的连续上涨期数（9期）[46] 2. 当指标连续上涨9期时，触发毛利率风格因子[46] - **因子评价**：市场过热阶段企业盈利能力增强，毛利率风格表现显著[46] EP（估值因子） - **因子构建思路**：通过观察1年期国债利率创下最近6期新高，捕捉EP风格的显著表现[49] - **因子具体构建过程**： 1. 计算1年期国债利率的最近6期新高[49] 2. 当利率创下新高时，触发EP风格因子[49] - **因子评价**：货币流动性下降，价值股更受青睐[49] 一个月股价反转 - **因子构建思路**：通过观察全市场PE值创下最近6期新低，捕捉股价反转风格的显著表现[53] - **因子具体构建过程**： 1. 计算全市场PE值的最近6期新低[53] 2. 当PE值创下新低时，触发股价反转风格因子[53] - **因子评价**：市场触底反弹或盈利改善，投机热情提升[53] 一年股价动量 - **因子构建思路**：通过观察消费者信心指数突破布林带上轨，捕捉股价动量风格的显著表现[57] - **因子具体构建过程**： 1. 计算消费者信心指数的布林带上轨（过去6个月均值+2倍标准差）[57] 2. 当指数突破布林带上轨时，触发股价动量风格因子[57] - **因子评价**：投资者预期向好，倾向于持有股票[57] --- 因子的回测效果 流通市值（小盘） - **胜率**：82.61%[39] - **年化IR**：3.97[39] 流通市值（大盘） - **胜率**：60%[42] - **年化IR**：1.09[42] 毛利率 - **胜率**：77.78%[46] - **年化IR**：1.63[46] EP - **胜率**：76.47%[49] - **年化IR**：2.07[50] 一个月股价反转 - **胜率**：86.11%[53] - **年化IR**：3.22[53] 一年股价动量 - **胜率**：68.75%[57] - **年化IR**：

量化模型与构建方式 1. 模型名称：回归法下的因子择时模型 - **模型构建思路**：将因子择时模型视为因子收益的预测模型，通过因子收益与外生变量的稳定相关性，预测因子未来收益[11] - **模型具体构建过程**： 1. 模型公式为： $$ \beta_{j,t}=\alpha+C_{1,t}X_{1,t}+C_{2,t}X_{2,t}+\cdots+C_{N,t}X_{N,t}+\varepsilon_{t} $$ 其中，$\beta_{j,t}$为因子收益，$X_{1,t}, X_{2,t}, \dots, X_{N,t}$为外生变量，$C_{1,t}, C_{2,t}, \dots, C_{N,t}$为回归系数[11] 2. 使用宏观经济、金融市场及因子历史表现构建因子择时变量库[11] 3. 通过回归方法筛选适合当前市场环境的择时变量[12] - **模型评价**：模型易于理解且具有较强的扩展性，能够动态筛选变量以适应市场环境[11][12] 2. 模型名称：套索回归法下的因子择时模型 - **模型构建思路**：通过L1正则化实现变量选择，剔除冗余变量，同时对参数估计进行收缩[13] - **模型具体构建过程**： 1. 模型公式为： $$ \operatorname*{min}_{\beta_{0},\beta}(\frac{1}{2N}{\sum_{i=1}^{N}}(y_{i}-\beta_{0}-x_{i}^{T}\beta)^{2}+\lambda\sum_{j=1}^{p}|\beta_{j}|) $$ 其中，$\lambda$为正则化参数，控制变量选择的强度[14] 2. 使用2009年至2017年的数据进行回测，剔除次新股与ST股[13] 3. 使用规模因子、中盘因子、流动性因子等构建收益预测模型，并对因子间进行正交处理[13] 4. 基准模型与因子择时模型均采用最大化单期复合因子IC法进行因子加权[13] - **模型评价**：模型在因子权重分配上具有极强的灵活性，年度收益更加稳定，适合因子波动较大的市场环境[15][19] 3. 模型名称：弹性网回归法下的因子择时模型 - **模型构建思路**：结合岭回归（L2正则化）和套索回归（L1正则化）的优点，平衡变量选择与参数收缩[22] - **模型具体构建过程**： 1. 模型公式为： $$ \operatorname*{min}_{\beta_{0},\beta}(\frac{1}{2N}{\sum_{i=1}^{N}}(y_{i}-\beta_{0}-x_{i}^{T}\beta)^{2}+\lambda(\alpha{\sum_{j=1}^{p}}|\beta_{j}|+(\frac{1-\alpha}{2}){\sum_{j=1}^{p}}\beta_{j}^{2})) $$ 其中，$\alpha$为控制L1和L2正则化权重的参数[22] 2. 使用不同$\alpha$值进行测试，分析其对因子择时表现的影响[23][30] - **模型评价**：模型在因子权重分配上同样具有灵活性，但需深入了解参数设置对模型表现的影响[26][29] 4. 模型名称：衰减加权的因子择时模型 - **模型构建思路**：通过对因子历史收益进行衰减加权，赋予近期收益更高权重，以提高预测准确性[32] - **模型具体构建过程**： 1. 使用因子历史收益窗口为48个月，设定半衰期为12个月进行衰减加权[32] 2. 基于衰减加权的因子收益，构建套索回归模型进行因子择时[32] - **模型评价**：在因子收益波动较大的时间段中，模型表现出较强的因子权重分配能力，增强了基准模型的表现[34][36] 5. 模型名称：因子择时模型与风控模型结合 - **模型构建思路**：将因子择时模型与风险控制模型结合，构建指数增强组合[37] - **模型具体构建过程**： 1. 基于因子择时模型和基准模型分别构建收益预测模型[37] 2. 结合相同的风控措施，构建沪深300增强组合[37] - **模型评价**：模型增强了收益预测的灵活性，但指数增强组合的收益风险特征会因风控措施的不同而变化[40][41] 6. 模型名称：因子择时模型与风格概率模型 - **模型构建思路**：通过Logistic回归，将因子收益预测值转化为概率预测值，以协助风格轮动[42] - **模型具体构建过程**： 1. 模型公式为： $$ log{\frac{P_{t}}{1-P_{t}}}=\alpha+C_{1,t}X_{1,t}+C_{2,t}X_{2,t}+\cdots+C_{N,t}X_{N,t}+\varepsilon_{t} $$ 其中，$P_{t}$为因子收益为正的概率[42] 2. 以大小盘风格为例，使用市值因子TOP BOTTOM 10%多空收益构建Logistic回归模型[42] 3. 基于概率预测值，构建风格轮动策略[43] - **模型评价**：概率预测值更加直观，便于应用于风格轮动策略[42][43] --- 模型的回测效果 1. 回归法下的因子择时模型 - 年化收益：44.2%（2008.12.31-2017.12.29）[17] - 收益：12.3%（2016.12.30-2017.12.29）[17] 2. 套索回归法下的因子择时模型 - 年化收益：44.2%（2008.12.31-2017.12.29）[17] - 收益：12.3%（2016.12.30-2017.12.29）[17] 3. 弹性网回归法下的因子择时模型 - 年化收益：44.3%（2008.12.31-2017.12.29）[24] - 收益：11.4%（2016.12.30-2017.12.29）[24] 4. 衰减加权的因子择时模型 - 年化收益：33.9%（2010.12.31-2017.12.29）[33] - 收益：15.4%（2016.12.30-2017.12.29）[33] 5. 因子择时模型与风控模型结合 - 年化收益：16.9%（2008.12.31-2017.12.29）[40] - 收益：30.6%（2016.12.30-2017.12.29）[40]

量化模型与构建方式 条件期望因子择时模型 - **模型名称**：条件期望因子择时模型 - **模型构建思路**：通过条件期望的方式调整因子收益预测值，以提升因子收益预测的灵活性[12][14] - **模型具体构建过程**： 1. 构建因子择时组合与基准组合，使用相同的因子和加权方法，唯一不同点在于因子收益预测方法 2. 因子择时组合使用条件期望调整因子收益预测值，基准组合仅使用因子历史24个月收益均值作为预测值 3. 公式如下： $$ r_{t}=\alpha+\beta_{1,t}f_{1,t}+\beta_{2,t}f_{2,t}+\cdots+\beta_{k,t}f_{k,t}+\varepsilon_{t} $$ $$ \beta_{j,t}=\frac{1}{T}\sum_{m=1}^{T}\beta_{j,t-m} $$ 其中，$r_t$为股票收益，$\beta_{j,t}$为因子暴露，$f_{j,t}$为因子收益[12][17] - **模型评价**：模型在风格多变的市场环境中表现出较好的灵活性，但存在择时指标范围窄、筛选流程复杂等问题[5][15][16] 回归法因子择时模型 - **模型名称**：回归法因子择时模型 - **模型构建思路**：通过回归模型分解因子收益，利用外生变量的稳定相关性预测因子未来收益[5][17] - **模型具体构建过程**： 1. 假设因子收益与外生变量之间存在稳定相关性 2. 使用回归模型预测因子未来收益，公式如下： $$ \beta_{j,t}=\alpha+C_{1,t}X_{1,t}+C_{2,t}X_{2,t}+\cdots+C_{N,t}X_{N,t}+\varepsilon_{t} $$ 其中，$X_{n,t}$为外生变量，$C_{n,t}$为回归系数[17] 3. 通过动态调整外生变量，提升模型的扩展性和易用性[17][18] - **模型评价**：相比条件期望模型，回归法模型更易理解、实现且具有更强的扩展性[5][17] --- 模型的回测效果 - **条件期望因子择时模型**： - 2017年因子择时组合收益约为11%，不择时组合收益约为-20%，超额收益约为31%[5][14] - 在规模因子、反转因子、估值因子和盈利因子上的配置灵活性较强[14] --- 量化因子与构建方式 规模因子 - **因子名称**：规模因子 - **因子构建思路**：通过股票对数总市值计算，因子IC越高，市场越偏好大盘股；因子IC越低，市场越偏好小盘股[23] - **因子具体构建过程**： 1. 使用股票对数总市值计算规模因子 2. 剔除行业影响后，分析因子IC与宏观经济、债券市场、股票市场指标的跨期相关性[23][24] - **因子评价**：规模因子与多种宏观和市场指标具有显著相关性，能够较好地反映市场风格偏好[24][27] 中盘因子 - **因子名称**：中盘因子 - **因子构建思路**：通过对数总市值平方计算，因子值越小，股票越偏向中盘；因子IC越高，市场风格越偏向大盘或小盘[38] - **因子具体构建过程**： 1. 使用对数总市值平方计算中盘因子 2. 分析因子IC与消费、信用利差、指数涨幅等指标的跨期相关性[38][39] - **因子评价**：中盘因子能够捕捉市场风格在大盘、小盘和中盘之间的切换[45][48] 流动性因子 - **因子名称**：流动性因子 - **因子构建思路**：通过股票过去1个月日均换手率计算，因子IC越高，市场越偏好高换手股票；因子IC越低，市场越偏好低换手股票[49] - **因子具体构建过程**： 1. 使用股票过去1个月日均换手率计算流动性因子 2. 分析因子IC与指数涨幅、波动差值等指标的跨期相关性[49][51] - **因子评价**：流动性因子能够反映市场对高换手和低换手股票的偏好变化[54][56] 反转因子 - **因子名称**：反转因子 - **因子构建思路**：通过股票过去1个月收益率计算，因子IC越高，市场动量效应越强；因子IC越低，市场反转效应越强[59] - **因子具体构建过程**： 1. 使用股票过去1个月收益率计算反转因子 2. 分析因子IC与信用利差、指数波动等指标的跨期相关性[59][60] - **因子评价**：反转因子能够捕捉市场动量与反转效应的切换[64][67] 波动率因子 - **因子名称**：波动率因子 - **因子构建思路**：通过股票过去1个月收益率的FF3回归R方计算，因子IC越高，市场越偏好高系统波动占比股票；因子IC越低，市场越偏好高特质波动占比股票[68] - **因子具体构建过程**： 1. 使用FF3回归R方计算波动率因子 2. 分析因子IC与指数波动等指标的跨期相关性[68][69] - **因子评价**：波动率因子能够反映市场对系统性风险和特质风险的偏好变化[73] 估值因子 - **因子名称**：估值因子 - **因子构建思路**：通过股票对数PB计算，因子IC越高，市场越偏好高估值股票；因子IC越低，市场越偏好低估值股票[74] - **因子具体构建过程**： 1. 使用股票对数PB计算估值因子 2. 分析因子IC与进出口增速、TED利差等指标的跨期相关性[74][75] - **因子评价**：估值因子能够捕捉市场在成长与价值风格之间的切换[78][85] 盈利因子 - **因子名称**：盈利因子 - **因子构建思路**：通过股票单季度ROE计算，因子IC越高，市场越偏好高盈利股票；因子IC越低，市场越偏好低盈利股票[89] - **因子具体构建过程**： 1. 使用股票单季度ROE计算盈利因子 2. 分析因子IC与TED利差、利率变动等指标的跨期相关性[89][91] - **因子评价**：盈利因子能够反映市场对高盈利和低盈利股票的偏好变化[94][99] 盈利成长因子 - **因子名称**：盈利成长因子 - **因子构建思路**：通过股票单季度ROE同比变化计算，因子IC越高，市场越偏好高盈利成长股票；因子IC越低，市场越偏好低盈利成长股票[103] - **因子具体构建过程**： 1. 使用股票单季度ROE同比变化计算盈利成长因子 2. 分析因子IC与CPI增速、指数估值等指标的跨期相关性[103][106] - **因子评价**：盈利成长因子能够捕捉市场对成长性股票的偏好变化[109][110] --- 因子的回测效果 - **规模因子**：与PPI同比增速、短期利率变动、宽

量化模型与构建方式 模型名称：循环神经网络（RNN）增强的趋势策略 - **模型构建思路**：利用循环神经网络模型预测每日趋势策略的盈利能力，判断是否进行趋势交易[3][22] - **模型具体构建过程**： 1. **数据选取**：使用沪深300股指期货（IF）主力合约的1分钟价格数据，2010年4月16日至2013年12月31日的数据为样本内数据，2014年1月1日至2017年7月31日为样本外数据[66] 2. **特征数据序列**：包括开盘价、收盘价、最高价、最低价、成交量、主买量、主卖量、收盘价变化率、收盘价序列的二阶差分、主买主卖量之比、成交量变化率、主买量变化率、主卖量变化率，并对特征数据进行标准化[66] 3. **机器学习模型**：采用13（输入层）-200（LSTM层）-1（输出层）的RNN模型，激活函数为Sigmoid函数，优化目标函数为最小化交叉熵[66] 4. **交易策略**：在每天开盘后T分钟，用模型预测当日的趋势策略盈利指标R，计算过去120个交易日里T时刻概率p的均值MA120(p)，若p > MA120(p)，则进行趋势交易，否则不开仓交易[63] 5. **止损设置**：按照固定比例的方式止损，开仓交易后持有头寸至当日收盘前平仓，若盘中触发止损则立即平仓[63] - **模型评价**：通过RNN模型对交易信号的筛选，过滤掉趋势策略盈利期望不高的交易机会，有效提高了策略的收益率[61][85] 模型的回测效果 - **全样本表现**： - 年化收益率：18.01%[68] - 累积收益率：223.46%[68] - 最大回撤：-8.63%[68] - 交易次数：707次[68] - 胜率：40.74%[68] - 盈亏比：2.17[68] - 单次交易收益率：0.17%[68] - **样本外表现**： - 年化收益率：18.47%[71][72] - 累积收益率：80.72%[71][72] - 最大回撤：-8.63%[71][72] - 交易次数：372次[71][72] - 胜率：39.52%[71][72] - 盈亏比：2.27[71][72] - 单次交易收益率：0.17%[71][72] 量化因子与构建方式 因子名称：成份股一致性指标R - **因子的构建思路**：通过计算市场成份股的一致性强弱，预判市场指数未来的趋势强弱[14] - **因子具体构建过程**： 1. **定义**：成份股一致性指标R表示市场成份股走势是否同涨同跌[14] 2. **公式**： $$R={\frac{\lambda_{1}}{\sum_{i=1}^{300}\lambda_{i}}}\times100\%={\frac{\lambda_{1}}{\lambda_{1}+\lambda_{2}+\cdots+\lambda_{300}}}\times100\%$$ 其中，$\lambda_{1}, \lambda_{2}, \ldots, \lambda_{300}$是成份股走势的协方差矩阵的所有特征值，一致性指标R是主成分分析中，第一个主成分的方差贡献率[14] - **因子评价**：成份股一致性指标R能够有效衡量市场的趋势强弱，适合进行趋势交易的市场一致性较强，不适合进行趋势交易的市场一致性较弱[14][21] 因子的回测效果 - **成份股一致性指标R**： - 强一致性市场（R=86.4%）[16] - 弱一致性市场（R=45.2%）[19]

量化模型与构建方式 1. 模型名称：基于多期限均线的因子模型 - **模型构建思路**：通过分析不同期限的均线数据，捕捉短期反转、中期动量和长期反转等价格趋势[2][14] - **模型具体构建过程**： 1. 选取不同期限的均线数据（如3、5、10、20、30、60、90、120、180、240、270、300天）[21] 2. 计算均线因子： $$A_{j t,L}={\frac{P_{j,\,d-L+1}^{t}+\cdots+P_{j,d}^{t}}{L}}$$ 其中，$P_{j,d}$为股票$j$在第$d$天的价格，$L$为均线周期[21] 3. 标准化均线因子： $$\tilde{A}_{j t,\,L}=\frac{A_{j t,\,L}}{P_{j}^{t}}$$ 其中，$P_{j}^{t}$为股票$j$在$t$时刻的价格[22] 4. 对股票收益率与前一周的均线因子进行回归，得到回归系数： $$r_{j,t}=\beta_{0,t}+\Sigma_{i}\beta_{i,t}\tilde{A}_{j t-1,L_{i}}+\epsilon_{j,t}$$[23] 5. 计算近25周回归系数的均值，作为下周回归系数预测值： $$E\left[\beta_{i,\,t+1}\right]=\frac{1}{25}\,\sum_{m=1}^{25}\,\beta_{i,t+1-m}$$[24] 6. 用预测的回归系数与新一周的因子值计算股票的下周预期收益率： $$E\left[r_{j,t+1}\right]=\Sigma_{i}\,E\left[\beta_{i,\,t+1}\right]\tilde{A}_{j t,\,L_{i}}$$[25] 7. 根据预期收益率降序排列，选择收益率最高的一档股票作为多头组合，最低的一档股票作为空头组合[26] - **模型评价**：该模型能够有效捕捉不同期限下的动量和反转效应，对股票收益率具有较好的区分能力[3][32] 2. 模型名称：基于LLT（低延迟趋势线）的因子模型 - **模型构建思路**：针对传统均线对价格趋势敏感性差、延迟性高的缺点，引入LLT低延迟趋势线替代均线，构造改进后的因子[4][76] - **模型具体构建过程**： 1. LLT趋势线的递推公式： $$L L T=\begin{cases}&P(T),\quad T=1,2\\ &(2-2\alpha)L L T(T-1)-(1-\alpha)^{2}L L T(T-2)+\left(\alpha-\frac{\alpha^{2}}{4}\right)P(T)\\ &+\left(\frac{\alpha^{2}}{2}\right)P(T-1)-\left(\alpha-\frac{3}{4}\alpha^{2}\right)P(T-2)\;,\quad\quad e l s e\end{cases}$$ 其中，$\alpha = \frac{2}{1+L}$，$L$为平滑参数[76] 2. 用LLT趋势线替代均线，重复基于多期限均线因子模型的构建步骤[76] - **模型评价**：LLT因子模型在捕捉价格趋势方面更敏感，能够更好地刻画动量和反转效应，且在收益率、信息比率等指标上优于传统均线因子模型[4][82][112] --- 模型的回测效果 1. 基于多期限均线的因子模型 - **全市场多空对冲**：年化收益率25.58%，年化波动率14.12%，最大回撤13.31%，信息比率1.81[48][52] - **中证500指数对冲**：年化收益率25.40%，年化波动率10.42%，最大回撤9.11%，信息比率2.44[3][59][62] - **中证500行业中性策略**：年化收益率26.01%，年化波动率12.66%，最大回撤10.37%，信息比率2.51[64][66] 2. 基于LLT的因子模型 - **全市场多空对冲**：年化收益率35.83%，年化波动率14.11%，最大回撤15.64%，信息比率2.54[85][87] - **中证500指数对冲**：年化收益率29.58%，年化波动率10.46%，最大回撤11.57%，信息比率2.83[4][103][106] - **中证500行业中性策略**：年化收益率29.42%，年化波动率10.60%，最大回撤12.78%，信息比率2.78[107][110][112] --- 量化因子与构建方式 1. 因子名称：多期限均线因子 - **因子构建思路**：通过不同期限的均线数据，捕捉短期反转、中期动量和长期反转效应[2][14] - **因子具体构建过程**： 1. 计算均线因子： $$A_{j t,L}={\frac{P_{j,\,d-L+1}^{t}+\cdots+P_{j,d}^{t}}{L}}$$[21] 2. 标准化均线因子： $$\tilde{A}_{j t,\,L}=\frac{A_{j t,\,L}}{P_{j}^{t}}$$[22] 3. 回归分析与收益率预测，详见模型构建过程[23][24][25] - **因子评价**：因子对股票收益率的区分能力较强，IC值以正为主，且在不同指数成分股中表现稳定[3][32][35] 2. 因子名称：LLT因子 - **因子构建思路**：用LLT低延迟趋势线替代传统均线，提升对价格趋势的敏感性[4][76] - **因子具体构建过程**： 1. LLT趋势线的递推公式： $$L L T=\begin{cases}&P(T),\quad T=1,2\\ &(2-2\alpha)L L T(T-1)-(1-\alpha)^{2}L L T(T-2)+\left(\alpha-\frac{\alpha^{2}}{4}\right)P(T)\\ &+\left(\frac{\alpha^{2}}{2}\right)P(T-1)-\left(\alpha-\frac{3}{4}\alpha^{2}\right)P(T-2)\;,\quad\quad e l s e\end{cases}$$[76] 2. 用LLT替代均线，重复多期限均线因子的构建步骤[76] - **因子评价**：LLT因子在收益率、信息比率等指标上优于传统均线因子，且对股票收益率的区分能力更强[82][84][112] --- 因子的回测效果 1. 多期限均线因子 - **IC均值**：全市场0.026，中证500指数0.037，中证800指数0.030[31][32] - **正IC占比**：全市场61.46%，中证500指数61.98%，中证800指数60.68%[31][32] 2. LLT因子 - **IC均值**：全市场0.036，高于多期限均线因子[83] - **正IC占比**：全市场66.93%，高于多期限均线因子[83]