- 本报告中提到的量化模型包括GFTD模型和LLT模型[88] - GFTD模型和LLT模型的历史择时成功率为80%左右[88] - 这些模型在市场波动不确定性下可能存在信号失效的风险[88] - 报告中提到的宏观因子包括货币政策、财政政策、流动性、通胀水平以及其他经济指标[60] - 宏观因子的变化趋势与股市、债市、大宗商品的变化趋势密切相关[60] - 报告中列出了对市场影响较大的宏观因子事件，例如PMI、CPI同比、PPI同比等[61] - 通过历史均线将宏观因子走势分为趋势上行和趋势下行，并统计其对资产未来一个月收益率的影响[63] - 当前宏观因子趋势对权益市场的影响包括：PMI 3月均线上行看多、CPI同比1月均线下行看多等[64] - 报告中提到的市场情绪指标包括新高新低比例指标、个股均线结构指标、基金仓位、ETF规模变化、期权成交量看涨看跌比、市场交易活跃度等[36][37][41][42][52][55] - 近5个交易日，ETF资金流入111.65亿元，融资盘增加约47亿元，两市日均成交11830亿元[87] - 中证全指风险溢价跟踪显示，截至2025年1月17日，风险溢价指标为3.63%，两倍标准差边界为4.65%[86] - 沪深300的PE为12.7倍，位于历史45%分位，创业板指的PE为31.9倍，位于历史12%分位[25] - 主要指数PE_TTM统计显示，沪深300、上证50、创业板指等指数的PE_TTM走势[27][29] - 主要行业指数PE_TTM统计显示，电力设备、建筑装饰、纺织服饰、美容护理、食品饮料等行业的PE_TTM距离其历史底部估值最近[29] - 主要行业指数PB_LF统计显示，不同行业的PB_LF和其分位数[33][35] - 年初至今A股个股基于收益区间的占比分布统计显示，不同收益区间的个股占比情况[67] - 年初至今A股个股收益中位数统计显示，个股收益的中位数情况[70] - 主要指数超跌指标统计显示，不同指数的超跌情况[78] - 行业指数超跌指标统计显示，不同行业指数的超跌情况[81]

量化因子与构建方式 1. **因子名称**：WTR因子 - **因子的构建思路**：基于分析师的目标价格预测，考虑报告发布时的价格而不是月末计算因子时的股票价格[79] - **因子具体构建过程**：构造加权目标收益率因子，公式如下： $$ W T R=\sum{\frac{P_{i}^{e}}{P_{i}^{0}}}={\frac{\sum P_{i}^{e}\times P/P_{i}^{0}}{P}}=\sum{\frac{P_{i}^{e}}{P}}\omega_{i}=T R\times W $$ 其中，$P_{i}^{0}$表示在第$i$家机构发布价格预测前一个交易日的收盘价；$P_{i}^{e}$为第$i$家机构发布的股票目标价格；$P$为月末计算因子时的股票收盘价；$\omega_{i}$表示在不同行情下，对不同机构预测的目标价格应赋予的系数[80][81] - **因子评价**：因子的收益大多集中在多头端，说明高预期收益率的股票要明显比低预期收益率的股票要好，分析师对于个股的价格预测存在有效的选股能力[84] 2. **因子名称**：MTR因子 - **因子的构建思路**：基于加权预期收益率因子的同比变化，反映分析师预期的变化在短期对市场的冲击影响[88] - **因子具体构建过程**：构造调整预期收益率因子，公式如下： $$ M T R=d i f f(W T R) $$ [88] - **因子评价**：MTR因子的多空收益主要贡献在空头端，分析师下调收益率的含义相对而言更加明确一些[91] 3. **因子名称**：CTR因子 - **因子的构建思路**：基于分析师预期数据中的关注度因子，反映股票热度的差异性[94] - **因子具体构建过程**：构造关注度修正因子，公式如下： $$ C T R=R a n k(W T R)*R a n k(C) $$ 具体步骤： 1. 在横截面上计算WTR因子的排序值，记为$Rank(WTR)$ 2. 在横截面上计算C因子的排序值，若是不同股票为相同值，则按照WTR因子内部排序，记为$Rank(C)$ 3. 将两个排序值进行乘积运算，得到CTR因子[94][95] - **因子评价**：CTR因子的多头年化收益率较高，胜率同样比原始因子的表现更好[98] 4. **因子名称**：TR_ICIR因子 - **因子的构建思路**：将WTR因子、MTR因子和CTR因子等权组合，利用ICIR加权合成[99] - **因子具体构建过程**：对比原始的因子在全市场上的表现，合成因子在选股上的效果更优[100] - **因子评价**：合成因子的表现要优于原始因子，在稳定性上有明显的提升[100] 因子的回测效果 1. **WTR因子** - **ICIR**：1.52 (N=20), 1.41 (N=40), 1.346 (N=60), 1.264 (N=90)[86] - **IR**：1.265 (N=20), 1.047 (N=40), 0.996 (N=60), 0.997 (N=90)[86] - **年化收益**：0.144 (N=20), 0.142 (N=40), 0.141 (N=60), 0.147 (N=90)[86] - **夏普比率**：0.522 (N=20), 0.517 (N=40), 0.515 (N=60), 0.538 (N=90)[86] - **月度胜率**：0.696 (N=20), 0.667 (N=40), 0.667 (N=60), 0.623 (N=90)[86] 2. **MTR因子** - **ICIR**：2.022 (N=20), 1.87 (N=40), 1.808 (N=60), 1.933 (N=90)[93] - **IR**：1.772 (N=20), 1.486 (N=40), 1.537 (N=60), 1.616 (N=90)[93] - **年化收益**：0.123 (N=20), 0.117 (N=40), 0.115 (N=60), 0.117 (N=90)[93] - **夏普比率**：0.456 (N=20), 0.434 (N=40), 0.426 (N=60), 0.43 (N=90)[93] - **月度胜率**：0.703 (N=20), 0.681 (N=40), 0.681 (N=60), 0.688 (N=90)[93] 3. **CTR因子** - **ICIR**：1.061 (N=20), 0.973 (N=40), 0.919 (N=60), 0.823 (N=90)[99] - **IR**：1.233 (N=20), 1.108 (N=40), 1.124 (N=60), 0.967 (N=90)[99] - **年化收益**：0.125 (N=20), 0.135 (N=40), 0.144 (N=60), 0.144 (N=90)[99] - **夏普比率**：0.469 (N=20), 0.506 (N=40), 0.546 (N=60), 0.549 (N=90)[99] - **月度胜率**：0.623 (N=20), 0.645 (N=40), 0.674 (N=60), 0.609 (N=90)[99] 4. **TR_ICIR因子** - **ICIR**：1.533[100] - **IR**：1.401[100] - **年化收益**：0.149[100] - **夏普比率**：0.545[100] - **月度胜率**：0.674[100]

量化模型与构建方式 1. 模型名称：基于深度学习的短周期量价风险因子模型 - **模型构建思路**：通过深度学习从量价数据中提取短周期风险特征，构建8个维度的量价风险因子，剥离alpha信息后用于风险刻画[2][40][48] - **模型具体构建过程**： 1. **数据输入**：构建6个基础数据集，包括日K线、分钟K线、日内收益分布、资金流、日间技术特征和日内技术指标，数据经过标准化和滚动窗口处理[22][23][24][25][26][27][28] 2. **网络结构**：采用LSTM结合自注意力机制提取时序特征，并通过图注意力网络（GAT）捕捉股票间的截面关联，最终通过MLP输出风险因子[31][32][33][34] - LSTM用于处理时间序列信息 - 自注意力机制捕捉序列内部依赖关系 - GAT通过股票邻接矩阵捕捉股票间的复杂关系 - 输出公式： $ output = MLP(gat\_output) $ 3. **训练过程**：采用滚动训练策略，使用过去8年数据训练模型，最后10%数据作为验证集，按日拆分训练批次，并引入早停机制防止过拟合[35] 4. **损失函数**：以股票未来5日真实收益率为标签，损失函数为预测值与标签相关系数绝对值： $ Loss = -|Corr(predicted, actual)| $[37][52] 5. **因子剥离alpha信息**：通过二次训练分别提取alpha因子和风险因子，并对风险因子进行alpha中性化处理，最终得到纯粹的风险刻画[48][49] - **模型评价**：相比传统BARRA风格因子，短周期量价风险因子在单因子维度表现出更强的解释能力，尤其在市场风险放大的行情中[40][42] --- 模型的回测效果 1. 中证500指数增强组合 - **超额收益**：约束量价风险和无约束情况下均为16.9% - **跟踪误差**：从5.5%下降到5.1% - **信息比率（IR）**：从2.66提高到2.86 - **超额回撤**：从7.3%下降到5.7%[70][71] 2. 中证1000指数增强组合 - **超额收益**：从23.2%下降到22.1% - **跟踪误差**：从6.1%下降到5.2% - **信息比率（IR）**：从3.22提高到3.65 - **超额回撤**：从9.0%下降到5.9%[73][76][77] 3. 沪深300指数增强组合 - **超额收益**：从12.9%下降到10.8% - **跟踪误差**：从5.2%下降到4.7% - **信息比率（IR）**：从2.23下降到2.06 - **超额回撤**：从5.4%下降到5.3%[79][80][81] --- 量化因子与构建方式 1. 因子名称：短周期量价风险因子 - **因子构建思路**：基于深度学习从量价数据中提取短周期风险特征，剥离alpha信息后用于风险刻画[2][40][48] - **因子具体构建过程**： 1. **数据输入**：6个基础数据集，包括日K线、分钟K线、日内收益分布、资金流、日间技术特征和日内技术指标，数据经过标准化和滚动窗口处理[22][23][24][25][26][27][28] 2. **网络结构**：LSTM结合自注意力机制提取时序特征，GAT捕捉股票间截面关联，最终通过MLP输出风险因子[31][32][33][34] 3. **因子剥离alpha信息**：通过二次训练分别提取alpha因子和风险因子，并对风险因子进行alpha中性化处理，最终得到纯粹的风险刻画[48][49] - **因子评价**：短周期量价风险因子在单因子维度表现出更强的解释能力，尤其在市场风险放大的行情中[40][42] --- 因子的回测效果 1. 短周期量价风险因子 - **IC均值**： - kbar：-1.1% - kbar_m4：4.4% - moneyflow：-1.7% - intra_ret：1.3% - pv_factor：1.7% - intra_factor：-3.1% - long_Kbar：-0.4% - long_Kbar_m4：2.6%[41] - **|IC|均值**： - kbar：18.7% - kbar_m4：13.3% - moneyflow：12.9% - intra_ret：17.9% - pv_factor：18.5% - intra_factor：18.9% - long_Kbar：18.5% - long_Kbar_m4：17.1%[41] - **剥离alpha后IC均值**： - kbar：0.8% - kbar_m4：1.8% - moneyflow：-0.3% - intra_ret：1.0% - pv_factor：1.1% - intra_factor：-1.1% - long_Kbar：-0.4% - long_Kbar_m4：0.7%[50] - **剥离alpha后|IC|均值**： - kbar：16.8% - kbar_m4：7.8% - moneyflow：12.1% - intra_ret：16.5% - pv_factor：17.7% - intra_factor：18.0% - long_Kbar：17.2% - long_Kbar_m4：15.6%[50]

量化模型与构建方式 模型名称：考夫曼价格效率系数 - **模型构建思路**：基于市场移动方向与噪声量的关系，衡量市场趋势强度[30] - **模型具体构建过程**： 1. 假设考夫曼效率系数在0~1之间 2. 分子为一定时期内的价格变化绝对值 3. 分母为一定时期内每天价格变化绝对值总和 4. 两者相除得到考夫曼价格效率系数 5. 使用20日移动平均进行平滑 6. 计算过去三年的历史分位数，将高于80%分位数划分为高波区间，低于20%分位数划分为低波区间，其余为正常区间[30][31] - **模型评价**：考夫曼价格效率系数越高，市场趋势强度越明显；越低则市场呈现震荡走势[30] 模型名称：商品市场成交活跃度 - **模型构建思路**：通过波动率与持仓量衡量市场成交活跃度[33] - **模型具体构建过程**： 1. 采用南华商品指数波动率衡量市场成交活跃度 2. 计算波动率过去三年的历史分位数 3. 高于80%分位数为高波区间，低于20%分位数为低波区间，其余为正常区间[33] - **模型评价**：波动率较高时，量化CTA策略表现优异；波动率较低时，策略表现不佳[33] 模型名称：商品市场流动性 - **模型构建思路**：通过成交量与持仓量的比值衡量市场流动性[35] - **模型具体构建过程**： 1. 计算商品主力合约每日成交量与持仓量的比值 2. 使用20日移动平均进行平滑 3. 计算近一年的历史分位数排名 4. 高于80%分位数为高区间段，低于20%分位数为低区间段，其余为正常区间段[35] - **模型评价**：市场投机度较高时，量化CTA策略表现更优；投机度较低时，策略表现不佳[35] 模型名称：商品市场交易结构 - **模型构建思路**：通过品种与板块的成交额衡量市场成交集中情况[36] - **模型具体构建过程**： 1. 计算全市场商品每日成交前10品种占全市场交易额的占比 2. 使用20日平均进行平滑 3. 计算近一年的历史分位数排名 4. 高于80%分位数为高区间段，低于20%分位数为低区间段，其余为正常区间段[36] - **模型评价**：市场成交集中度分散时，量化CTA策略收益更高且稳定性更强；成交集中时，策略收益较低[36] 模型名称：商品市场轮动速度 - **模型构建思路**：通过品种日收益率排名变化衡量市场轮动速度[37] - **模型具体构建过程**： 1. 计算每日涨幅排名前10与跌幅排名前10品种与上一日排名的变动比例 2. 轮动速度加快时，数值为1；品种表现稳定时，数值接近0 3. 计算近一年的历史分位数排名 4. 高于80%分位数为高区间段，低于20%分位数为低区间段，其余为正常区间段[37] - **模型评价**：轮动速度较慢时，市场行情延续性较强，量化CTA策略收益更高且稳定性更强；轮动速度较快时，策略表现不佳[37] 模型名称：商品市场期限结构 - **模型构建思路**：通过基差动量衡量期限结构斜率变化[39] - **模型具体构建过程**： 1. 基差动量定义为近月合约过去一段时间的涨跌幅减去远月合约过去一段时间的涨跌幅 2. 计算每个品种的基差动量 3. 根据近20日平均成交额进行加权 4. 使用20日移动平均进行平滑 5. 计算近一年的历史分位数排名 6. 高于80%分位数为高区间段，低于20%分位数为低区间段，其余为正常区间段[39] - **模型评价**：基差动量较高时，量化CTA策略收益表现更好；基差动量较低时，策略收益表现不佳[39] --- 模型的回测效果 考夫曼价格效率系数 - 南华贵金属指数效率系数处于较低区间段 - 有色、黑色、能化板块效率系数经历快速上升后下降 - 农产品板块效率系数有所下降[31] 商品市场成交活跃度 - 农产品板块波动率维持高位 - 其余各板块波动率快速下降，进入历史低值附近[33] 商品市场流动性 - 南华商品指数各板块流动性明显下降[35] 商品市场交易结构 - 商品市场轮动速度下降，成交集中度维持高位[37] 商品市场期限结构 - 南华能化、南华农产品板块基差动量快速上行至历史高位 - 贵金属板块基差动量有所上升 - 南华黑色板块基差动量处于历史较低区间[40]

量化模型与构建方式 1. 模型名称：常青低波基金组合 - **模型构建思路**：通过量化方法优选具有低波动特征的主动权益基金，满足在高风险市场环境下的防御需求，同时适合追求稳定收益的投资者[13][15] - **模型具体构建过程**： - 以主动权益基金为基础，筛选出具有长期稳定收益特征的基金 - 通过基金的历史净值回撤和波动水平，评估基金经理的投资风格和风险控制能力 - 在因子测试中发现，基金的最大回撤和波动率指标具有显著的延续性 - 增加基金估值水平的限制，从净值表现和持仓特征两个维度优选低波基金，构建低波动特征的基金组合[15] - **模型评价**：该模型在震荡下行的市场环境中表现出较强的韧性，能够在防守特性下兼具一定的进攻性[22][23] 2. 模型名称：股基增强基金组合 - **模型构建思路**：挖掘具有更强Alpha收益能力的基金经理，构建风险波动较高且进攻性更强的基金组合，满足高风险偏好投资者的需求[13][16] - **模型具体构建过程**： - 在主动管理权益基金中，分析基金收益率指标，拆分收益来源 - 剔除配置行业的Beta收益后，提取基金的Alpha收益 - 发现Alpha收益具有显著延续性，基于此构建基金组合 - 组合在回测中表现出较高的持有期胜率，配置于强选股能力的基金经理[16] - **模型评价**：在当前市场环境下，组合表现与基准接近，未来有望在市场环境改善后展现更强弹性[25] 3. 模型名称：现金增利基金组合 - **模型构建思路**：通过多维因子筛选，优选收益表现更佳的货币基金，帮助投资者优化短期闲置资金收益[14][18] - **模型具体构建过程**： - 综合考虑管理费率、托管费率、销售服务费率、久期水平、杠杆水平等因素 - 关注机构持仓占比和偏离度等风险指标，避免收益率波动过大 - 构建货币基金优选体系，筛选出收益更高且波动风险更低的货币基金[18] - **模型评价**：该模型能够持续跑赢比较基准，为投资者提供有效的现金管理工具[27] 4. 模型名称：海外权益配置基金组合 - **模型构建思路**：基于海外市场指数的动量和反转因子，优选上涨趋势较好的指数，构建全球化投资的辅助工具[14][19] - **模型具体构建过程**： - 根据长期动量和短期反转因子，剔除涨势过高、出现超买的指数 - 选择处于上涨趋势且上升动能较好的指数作为配置标的 - 构建海外权益配置基金组合，满足投资者全球化配置需求[19] - **模型评价**：在美联储降息通道和人工智能科技带动下，该组合累积了较高水平的超额收益[28] --- 模型的回测效果 1. 常青低波基金组合 - 本周收益：-0.911%[20] - 近一个月收益：-2.595%[20] - 今年以来收益：-3.306%[20] - 策略运行以来收益：4.244%[20] 2. 股基增强基金组合 - 本周收益：-1.005%[20] - 近一个月收益：-4.722%[20] - 今年以来收益：-3.946%[20] - 策略运行以来收益：3.295%[20] 3. 现金增利基金组合 - 本周收益：0.031%[20] - 近一个月收益：0.153%[20] - 今年以来收益：0.045%[20] - 策略运行以来收益：2.921%[20] 4. 海外权益配置基金组合 - 本周收益：0.428%[20] - 近一个月收益：-2.602%[20] - 今年以来收益：-0.018%[20] - 策略运行以来收益：24.446%[20]

- 本报告未涉及具体的量化模型或因子的构建、测试及评价内容[1][2][3]

量化模型与构建方式 1. 模型名称：国证通用航空产业指数模型 - **模型构建思路**：该指数旨在反映沪深北交易所通用航空产业相关上市公司的证券价格变化情况[2][30] - **模型具体构建过程**： 1. 按照公司业务涉及航材及基础设施、飞行器制造、运营服务及场景应用等通用航空产业相关领域为标准确定样本空间[2][30] 2. 剔除最近半年日均成交金额排名后10%的证券[2][30] 3. 对剩余证券按照最近半年的日均总市值从高到低排序，选取前50只证券作为指数样本[2][30] 4. 指数采用自由流通市值加权方式，样本股每半年调整一次[32][30] - **模型评价**：该指数与低空经济概念高度相关，能够较好地代表低空经济的发展态势，是辅助投资者捕捉热点的有效工具[26][31] --- 模型的回测效果 1. 国证通用航空产业指数模型 - 年化收益率：66.98%[60][64] - 年化波动率：43.63%[64] - Sharpe比率：1.535[60][64] - 最大回撤：-25.02%[64] --- 量化因子与构建方式 1. 因子名称："产业链 Agent"因子 - **因子的构建思路**：基于大语言模型，自动化梳理低空经济与航空航天产业的产业链关系，挖掘相关概念股[14][16] - **因子具体构建过程**： 1. 利用大语言模型分析海量新闻、研报与定期报告等语料文本[14][16] 2. 通过模型的理解与推理能力，生成详细的产业链结构[14][16] 3. 对低空经济产业链的上游（通信系统、导航设备等）和下游（无人机应用、直升机等）进行拆分，提供更详细的上下游信息[18][14] - **因子评价**：相比传统人工梳理方式，该因子在效率和全面性上具有显著优势，结果更客观且不易受到主观判断的影响[16][18] --- 因子的回测效果 1. "产业链 Agent"因子 - 相关概念股数量：73只[21] - 其中航空航天行业个股数量：17只[21] - 与国证通用航空指数重合个股数量：19只，占指数权重45.03%[26][28]

量化模型与构建方式 1. 模型名称：流通股本分布模型 - **模型构建思路**：通过流通股本分布定量刻画持股者行为变化，结合股价抛压的视角，构建行业轮动策略[6] - **模型具体构建过程**： 1. 假设增量资金对各板块均匀加仓 2. 选择抛压最小的行业作为超额收益的目标行业 3. 通过流通股本分布模型定量刻画持股者行为变化，最终生成行业筛选指标 4. 行业筛选指标由两个因子等权复合生成[6] - **模型评价**：该模型在行业轮动策略中展现出较强的风格特征，但稳定性较差。通过因子复合后，模型效果显著提升，超额收益回撤下降[6] --- 量化因子与构建方式 1. 因子名称：因子1 - **因子的构建思路**：基于持股者行为变化，选择抛压较小的行业[6] - **因子具体构建过程**： 1. 通过流通股本分布模型定量刻画持股者行为变化 2. 选择抛压最小的行业作为多头组合目标[6] - **因子评价**：多头组合年化收益率为2.2%，但多空走势展现出较强的风格特征，稳定性较差[6] 2. 因子名称：因子2 - **因子的构建思路**：基于持股者行为变化，选择抛压较小的行业[6] - **因子具体构建过程**： 1. 通过流通股本分布模型定量刻画持股者行为变化 2. 选择抛压最小的行业作为多头组合目标[6] - **因子评价**：多头组合年化收益率为11%，相比同期沪深300指数获得约13%的超额收益，多空组合收益率达到18%，但超额收益回撤较大[6] 3. 因子名称：复合因子 - **因子的构建思路**：将因子1和因子2等权复合，提升因子效果[6] - **因子具体构建过程**： 1. 将因子1和因子2等权复合 2. 生成最终的行业筛选指标[6] - **因子评价**：复合因子效果显著提升，多头组合年化收益率提升至13%，相对基准超额收益16%，空头组合收益率为-10%，超额收益回撤下降至10%附近[6] --- 模型的回测效果 1. 流通股本分布模型，多头组合年化收益率13%，相对基准超额收益16%，空头组合收益率-10%，超额收益回撤10%[6] --- 因子的回测效果 1. 因子1，多头组合年化收益率2.2%[6] 2. 因子2，多头组合年化收益率11%，多空组合收益率18%，相对基准超额收益13%，超额收益回撤较大[6] 3. 复合因子，多头组合年化收益率13%，相对基准超额收益16%，空头组合收益率-10%，超额收益回撤10%[6]

量化模型与构建方式 1. Black-Litterman模型 - **模型名称**：Black-Litterman模型 - **模型构建思路**：结合投资者的主观观点与市场均衡回报率，生成新的资产组合权重 - **模型具体构建过程**： 1. 计算市场均衡回报率 $\Pi$，公式为： $$ \Pi = \delta \Sigma w $$ 其中，$\delta$ 是风险厌恶系数，$\Sigma$ 是协方差矩阵，$w$ 是市场权重 2. 将投资者的观点整合到模型中，生成新的期望回报率 $\mu$，公式为： $$ \mu = \left( (\tau \Sigma)^{-1} + P^T \Omega^{-1} P \right)^{-1} \left( (\tau \Sigma)^{-1} \Pi + P^T \Omega^{-1} Q \right) $$ 其中，$\tau$ 是缩放因子，$P$ 是观点矩阵，$\Omega$ 是观点的不确定性矩阵，$Q$ 是观点的期望回报 3. 计算新的资产组合权重 $w^*$，公式为： $$ w^* = \frac{1}{\delta} \Sigma^{-1} \mu $$ - **模型评价**：Black-Litterman模型能够有效结合市场信息和投资者的主观观点，生成更为合理的资产配置方案[5][6] 2. 风险平价模型 - **模型名称**：风险平价模型 - **模型构建思路**：通过平衡各资产的风险贡献，达到风险分散的目的 - **模型具体构建过程**： 1. 计算每个资产的风险贡献，公式为： $$ RC_i = w_i \sigma_i $$ 其中，$RC_i$ 是资产 $i$ 的风险贡献，$w_i$ 是资产 $i$ 的权重，$\sigma_i$ 是资产 $i$ 的波动率 2. 通过优化算法调整资产权重，使得所有资产的风险贡献相等，公式为： $$ w_i = \frac{1}{\sigma_i} $$ - **模型评价**：风险平价模型能够有效分散风险，适用于多资产配置策略[5][6] 3. 宏观因子模型 - **模型名称**：宏观因子模型 - **模型构建思路**：通过宏观经济因子预测资产回报率，进行资产配置 - **模型具体构建过程**： 1. 选择宏观经济因子，如增长、通胀、利率、信用、汇率和流动性 2. 对每个因子进行打分，形成因子得分矩阵 3. 根据因子得分矩阵调整资产权重，公式为： $$ w_i = f(\text{因子得分}) $$ - **模型评价**：宏观因子模型能够结合宏观经济环境进行资产配置，具有较强的前瞻性[5][6][7] 模型的回测效果 1. **Black-Litterman模型** - 收益：9.97%[6] - 12月收益：1.4%[6] - 最大回撤：1.35%[6] - 年化波动：2.54%[6] 2. **风险平价模型** - 收益：7.93%[6] - 12月收益：1.15%[6] - 最大回撤：0.47%[6] - 年化波动：1.36%[6] 3. **宏观因子模型** - 收益：6.82%[6] - 12月收益：1.08%[6] - 最大回撤：0.63%[6] - 年化波动：1.52%[6]

量化模型与构建方式 1. 模型名称：股东回报组合 - **模型构建思路**：通过净回购率、债务偿还等指标筛选股票，并最终根据股息率构建组合[5] - **模型具体构建过程**： 1. 在全体A股中筛选满足以下条件的股票，构成股票域： - 过去1年日均总市值排名前80% - 过去1年日均成交金额排名前80% - 过去三年连续现金分红 - 过去三年平均股利支付率和过去一年股利支付率大于0且小于1[5] 2. 在股票域中，根据以下条件筛选股票，构成待选池： - 净回购率因子值小于0 - 或过去1年带息负债净偿还[5] 3. 将待选池中所有股票按照股息率大小由高到低排序，选择股息率最高的30只股票，按照股息率加权构建股东回报组合[5] - **模型评价**：该模型通过引入净回购率和债务偿还指标，能够有效剔除可能落入价值陷阱的个股[19] 2. 模型名称：加入银行股的股东回报组合 - **模型构建思路**：在股东回报组合的基础上，主动调整银行股的权重以贴合中证红利指数的行业暴露[8] - **模型具体构建过程**： 1. 每季度末调仓时，根据中证红利银行股的权重，选择银行股中股息率最高的5只股票，按照股息率加权配置[8] 2. 剩余权重按照原方案选择股息率最高的25只股票构建组合[8] - **模型评价**：加入银行股后，组合表现更为稳健，跟踪误差更小，且全年绝大多数时间贡献正向超额收益，持有体验更佳[13] --- 模型的回测效果 1. 股东回报组合 - 年化收益：19.4%[6] - 夏普比率：0.91[6] - 2024年绝对收益：21.1%[6] - 2024年年化超额收益：2.4%[7] - 2024年超额信息比率（IR）：0.32[7] 2. 加入银行股的股东回报组合 - 年化收益：20.4%[9] - 夏普比率：1.05[9] - 2024年绝对收益：24.3%[9] - 2024年年化超额收益：5.5%[12] - 2024年超额信息比率（IR）：1.18[12] --- 量化因子与构建方式 1. 因子名称：净回购率因子 - **因子的构建思路**：通过净回购率筛选出具有较高资本回报能力的股票[5] - **因子具体构建过程**：筛选净回购率因子值小于0的股票进入待选池[5] 2. 因子名称：带息负债变动因子 - **因子的构建思路**：通过带息负债的净偿还情况筛选出财务健康的股票[5] - **因子具体构建过程**：筛选过去1年带息负债净偿还的股票进入待选池[5] 3. 因子名称：股息率因子 - **因子的构建思路**：通过股息率筛选出高分红的股票[5] - **因子具体构建过程**：将待选池中股票按照股息率由高到低排序，选择股息率最高的股票[5] --- 因子的回测效果 1. 净回购率因子 - 无具体指标值 2. 带息负债变动因子 - 无具体指标值 3. 股息率因子 - 股东回报组合成份股平均股息率：6.02%[22] - 加入银行股的股东回报组合成份股平均股息率：6.36%[22] - 中证红利指数成份股平均股息率：5.93%[22]