量化模型与构建方式 1. 三维择时模型 - **模型名称**：三维择时模型 - **模型构建思路**：通过市场分歧度、流动性和景气度三个维度来判断市场走势 - **模型具体构建过程**： - **市场分歧度**：衡量市场参与者对未来走势的分歧程度 - **流动性**：衡量市场的资金流动情况 - **景气度**：衡量经济的整体健康状况 - 公式： $$ \text{择时信号} = f(\text{分歧度}, \text{流动性}, \text{景气度}) $$ - **模型评价**：在高波动环境下，流动性仍在下行趋势，模型偏向于震荡下跌[9][11][12] 2. 资金流共振策略 - **模型名称**：资金流共振策略 - **模型构建思路**：通过监控融资融券和大单资金的流动，选择资金流入共振的行业 - **模型具体构建过程**： - **融资融券资金因子**：barra市值因子中性化后的融资净买入-融券净买入，取最近10日均值后的环比变化率 - **主动大单资金因子**：行业最近一年成交量时序中性化后的净流入排序，并取最近10日均值 - 公式： $$ \text{资金流共振因子} = \text{融资融券因子} + \text{主动大单因子} $$ - **模型评价**：策略2018年以来费后年化超额收益14.5%，信息比率1.4，相对北向-大单共振策略回撤更小[21][23][25] 模型的回测效果 - **三维择时模型**： - **上周回报**：1.03%（沪深300增强组合），1.87%（中证500增强组合），2.77%（中证1000增强组合）[40][41] - **上周超额**：-0.29%（沪深300增强组合），0.10%（中证500增强组合），0.14%（中证1000增强组合）[40][41] - **本月回报**：0.84%（沪深300增强组合），-0.87%（中证500增强组合），1.98%（中证1000增强组合）[40][41] - **本月超额**：0.18%（沪深300增强组合），-0.03%（中证500增强组合），0.80%（中证1000增强组合）[40][41] - **本年回报**：20.97%（沪深300增强组合），16.42%（中证500增强组合），7.08%（中证1000增强组合）[40][41] - **本年超额**：6.82%（沪深300增强组合），8.63%（中证500增强组合），1.95%（中证1000增强组合）[40][41] - **超额年化收益率**：11.20%（沪深300增强组合），13.47%（中证500增强组合），14.36%（中证1000增强组合）[40][41] - **超额Sharpe**：1.97（沪深300增强组合），2.81（中证500增强组合），2.30（中证1000增强组合）[40][41] 量化因子与构建方式 1. 动量因子 - **因子名称**：动量因子 - **因子的构建思路**：通过股票的历史收益率来预测未来收益 - **因子具体构建过程**： - **1年收益率**：过去1年的收益率 - 公式： $$ \text{动量因子} = \text{过去1年收益率} $$ - **因子评价**：表现较好，最近一周相对于中证全指的超额收益达到2%以上[32][33][34] 2. 波动率因子 - **因子名称**：波动率因子 - **因子的构建思路**：通过股票的历史波动率来预测未来波动 - **因子具体构建过程**： - **60日上行波动率/下行波动率**：过去60天的上行波动率与下行波动率的比值 - 公式： $$ \text{波动率因子} = \frac{\text{60日上行波动率}}{\text{60日下行波动率}} $$ - **因子评价**：表现较好，最近一周相对于中证全指的超额收益达到2%以上[32][33][34] 3. 估值因子 - **因子名称**：估值因子 - **因子的构建思路**：通过股票的估值水平来预测未来收益 - **因子具体构建过程**： - **总市值的对数对账面价值对数，净利润对数以及负债合计对数做横截面回归的取残差**：估值因子的计算方法 - 公式： $$ \text{估值因子} = \text{总市值的对数} - \text{账面价值对数} - \text{净利润对数} - \text{负债合计对数} $$ - **因子评价**：表现较好，最近一周相对于中证全指的超额收益达到2%以上[32][33][34] 因子的回测效果 - **动量因子**： - **近一周多头超额**：3.00%[34] - **近一个月多头超额**：9.01%[34] - **近一年多头超额**：28.92%[34] - **波动率因子**： - **近一周多头超额**：2.50%[34] - **近一个月多头超额**：7.22%[34] - **近一年多头超额**：18.39%[34] - **估值因子**： - **近一周多头超额**：2.55%[34] - **近一个月多头超额**：8.47%[34] - **近一年多头超额**：19.44%[34]

量化模型与构建方式 1. 模型名称：基于技术指标的指数仓位调整模型 - **模型构建思路**：以量价数据为基础，通过技术指标信号调整标的仓位，获取超额收益[6] - **模型具体构建过程**： - 构建27个技术指标信号，测试其在沪深300、中证500、中证1000及31个申万一级行业指数上的表现[6] - 通过相关性分析，设计多信号组合策略，包括5信号策略和7信号策略[6] - 信号处理方式分为两种： - **后置买卖法**：先合并信号后处理，信号稳健，适合风险偏好低的投资者，称为“滚动稳健策略”[6] - **前置买卖法**：先处理信号后合并，追涨能力强，适合风险偏好高的投资者，称为“滚动追涨策略”[6] - **模型评价**：模型表现出较强的超额收益能力，滚动稳健策略适合低风险偏好投资者，滚动追涨策略适合高风险偏好投资者[6] --- 模型的回测效果 非滚动部分 - **优选单信号**： - 沪深300：0.00%[8] - 中证500：2.50%[8] - 中证1000：-1.28%[8] - **5信号策略**： - 沪深300：0.56%[8] - 中证500：0.00%[8] - 中证1000：0.00%[8] - **7信号策略**： - 沪深300：-0.87%[8] - 中证500：0.71%[8] - 中证1000：-1.43%[8] 滚动部分 - **滚动稳健策略**： - 沪深300：-0.87%[10] - 中证500：-0.70%[10] - 中证1000：-2.36%[10] - **滚动追涨策略**： - 沪深300：-0.78%[10] - 中证500：-0.12%[10] - 中证1000：-0.77%[10] --- 量化因子与构建方式 1. 因子名称：技术指标信号因子 - **因子的构建思路**：基于量价数据，利用技术指标信号生成买卖信号，调整仓位[6] - **因子具体构建过程**： - 设计27个技术指标信号，测试其在不同指数上的表现[6] - 通过量价“背离”概念设计的技术指标，在34个指数上的平均超额年化收益率为3.75%[3][6] - 结合多个信号，构建5信号和7信号策略[6] - **因子评价**：单因子表现稳定，量价背离因子在多指数上表现出较高的超额收益能力[3][6] --- 因子的回测效果 单因子 - **量价背离因子**：在34个指数上的平均超额年化收益率为3.75%[3][6] 多信号因子 - **5信号策略**： - 中证1000：年化收益率2.54%，超额年化收益率11.27%[3] - **滚动稳健策略**： - 平均超额年化收益率3.99%[3] - **滚动追涨策略**： - 超额收益波动性略高于滚动稳健策略，适合看涨后市的投资者[3]

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），以捕捉短期内宏观经济的边际变化[25] - **模型具体构建过程**：通过收集高频经济数据（如PMI、经济意外指数等），结合统计和机器学习方法，动态更新对GDP增速的预测值[25] - **模型评价**：短期内宏观经济预测边际变化趋于平稳，略微向下，模型对经济走势的预测具有一定参考价值[25] 2. 模型名称：AI价量模型 - **模型构建思路**：从日频价量数据中提取行业指数的趋势、波动和价量形态特征，利用深度神经网络对行业配置价值进行预测[17] - **模型具体构建过程**： 1. 提取日频价量数据，计算行业指数的趋势、波动和价量形态特征 2. 使用深度神经网络对行业配置价值进行预测 3. 将预测结果标准化至[-1,1]区间，得出各行业的配置得分[17] - **模型评价**：模型能够动态反映行业配置价值的变化，提供短期行业配置建议[17] 3. 模型名称：风险预算模型 - **模型构建思路**：基于风险预算的资产配置方法，结合市场信号动态调整大类资产的配置权重[13] - **模型具体构建过程**： 1. 确定基准权重，作为资产配置的初始参考 2. 根据市场信号（如宏观经济、流动性等）调整主动权重 3. 计算均衡配置比例，形成最终的资产配置方案[13] - **模型评价**：模型能够结合市场信号动态调整资产配置，适应市场变化[13] --- 模型的回测效果 1. GDPNOW模型 - **预测GDP增速**：2024年四季度预测值为5.0%，相较于上周无变化[25] 2. AI价量模型 - **行业配置得分**： - 建筑材料：0.40 - 银行：0.36 - 机械设备：0.32 - 交通运输：0.28 - 非银金融：0.23[17] 3. 风险预算模型 - **资产配置权重**： - 股票：基准权重7.2%，主动权重9.7% - 美股：基准权重7.6%，主动权重10.1% - 债券：基准权重66.5%，主动权重60.9% - CRB商品：基准权重3.8%，主动权重3.5% - 黄金：基准权重11.9%，主动权重11.2% - 原油：基准权重2.9%，主动权重4.6%[13] --- 量化因子与构建方式 1. 因子名称：BARRA风格因子 - **因子的构建思路**：通过多因子模型分解股票收益，分析不同风格因子（如价值、成长、动量等）对市场表现的影响[35] - **因子具体构建过程**： 1. 收集股票的基本面和市场数据 2. 计算各风格因子（如换手率、财务杠杆、盈利能力等）的收益表现 3. 分析因子收益的变化趋势，评估市场风格偏好[35] - **因子评价**：本周资金对价值和成长的偏好无明显差异，市场调整期间短期动量强的股票表现较好，小盘风格相对占优[35] --- 因子的回测效果 1. BARRA风格因子 - **因子收益表现**： - 换手：-0.5% - 财务杠杆：0.1% - 盈利波动：0.2% - 盈利质量：-0.2% - 盈利能力：-0.3% - 投资质量：0.1% - 长期反转：-0.1% - EP价值：0.2% - BP价值：-0.1% - 成长：0.0% - 动量：0.2% - 非线性市值：-0.6% - 市值：-1.0% - 波动率：-0.4% - 股息率：-0.1%[36]

量化模型与构建方式 1. 模型名称：风格轮动模型 - **模型构建思路**：基于东吴金工特色选股多因子体系，从微观个股层面出发，结合基础风格因子（估值、市值、波动率、动量），逐步构造风格择时与打分体系[1][8] - **模型具体构建过程**： 1. 优选80个底层因子作为原始特征[8] 2. 基于这些因子构造640个微观特征[8] 3. 使用常用指数作为风格股票池，取代风格因子的绝对比例划分，构造新的风格收益作为标签[8] 4. 通过滚动训练随机森林模型，优选特征并规避过拟合风险，得到风格推荐[8] 5. 构建从风格择时到风格评分，再到实际投资的风格轮动框架[8] - **模型评价**：通过随机森林模型的滚动训练，有效规避了过拟合风险，模型能够从风格择时到实际投资形成完整的风格轮动框架[8] --- 模型的回测效果 1. 风格轮动模型 - **年化收益率**：22.97%[9][10] - **年化波动率**：24.55%[9][10] - **信息比率（IR）**：0.94[9][10] - **月度胜率**：60.31%[9][10] - **历史最大回撤**：28.33%[10] 2. 风格轮动模型（对冲市场基准） - **年化收益率**：14.07%[9][10] - **年化波动率**：11.62%[9][10] - **信息比率（IR）**：1.21[9][10] - **月度胜率**：67.94%[9][10] - **历史最大回撤**：8.98%[10] --- 量化因子与构建方式 1. 因子名称：估值因子 - **因子的构建思路**：基于个股的估值水平，作为风格因子之一参与风格轮动模型的构建[8] - **因子具体构建过程**：通过东吴金工多因子体系，结合估值相关的底层因子，构造估值因子[8] 2. 因子名称：市值因子 - **因子的构建思路**：基于个股市值大小，作为风格因子之一参与风格轮动模型的构建[8] - **因子具体构建过程**：通过东吴金工多因子体系，结合市值相关的底层因子，构造市值因子[8] 3. 因子名称：波动率因子 - **因子的构建思路**：基于个股的波动率水平，作为风格因子之一参与风格轮动模型的构建[8] - **因子具体构建过程**：通过东吴金工多因子体系，结合波动率相关的底层因子，构造波动率因子[8] 4. 因子名称：动量因子 - **因子的构建思路**：基于个股的动量特征，作为风格因子之一参与风格轮动模型的构建[8] - **因子具体构建过程**：通过东吴金工多因子体系，结合动量相关的底层因子，构造动量因子[8] --- 因子的回测效果 1. 估值因子 - **今年来实际收益率（多空对冲）**：约5%[14][20] - **今年来择时后收益率（多空对冲）**：显著提升，择时正确率超过70%[12][15] 2. 市值因子 - **今年来实际收益率（多空对冲）**：约10%[14][20] - **今年来择时后收益率（多空对冲）**：显著提升，择时正确率超过70%[12][15] 3. 波动率因子 - **今年来实际收益率（多空对冲）**：约20%[14][20] - **今年来择时后收益率（多空对冲）**：显著提升，择时正确率超过70%[12][15] 4. 动量因子 - **今年来实际收益率（多空对冲）**：约15%[14][20] - **今年来择时后收益率（多空对冲）**：显著提升，择时正确率超过70%[12][15]

量化模型与构建方式 1. 高频宏观因子 - **因子名称**：高频宏观因子 - **因子的构建思路**：通过资产组合模拟构建一套高频宏观因子体系，用以观察市场交易的宏观预期变化[12] - **因子具体构建过程**： 1. 真实宏观指标合成低频宏观因子 2. 筛选领先于低频宏观因子的资产 3. 以资产同比收益率为自变量，低频宏观因子同比为因变量，通过滚动多元领先回归确定资产权重，构建投资组合模拟宏观因子走势[12] - **因子评价**：高频经济增长、高频通货膨胀（消费端、生产端）相比于对应低频宏观因子有一定领先性[13][18] 2. 债券久期择时模型 - **模型名称**：债券久期择时模型 - **模型构建思路**：利用改进的Diebold2006模型预测即期收益率曲线，并映射出不同久期债券的预期收益[21] - **模型具体构建过程**： 1. 模型分别预测水平、斜率、曲率因子 2. 水平因子的预测基于宏观变量预判和政策利率跟随 3. 斜率和曲率因子的预测基于AR(1)模型[21] - **模型评价**：模型预测未来三个月水平因子下降，斜率因子陡峭化，曲率因子增凸，推荐持有1年期短久期债券[21] 3. 转债配置模型 - **模型名称**：转债配置模型 - **模型构建思路**：比较转债和正股的相对估值，比较偏债型转债与同等级期限的信用债配置价值，以及在转债内部进行风格轮动[24] - **模型具体构建过程**： 1. 构建"百元转股溢价率"指标，计算滚动历史分位数衡量转债和正股当前的相对配置价值 2. 取"修正YTM–信用债YTM"中位数衡量偏债型转债和信用债之间的相对配置价值 3. 选择转债20日动量与转债波动率偏离度作为市场情绪捕捉指标，双周频调仓构建转债风格轮动组合[24][26][28] - **模型评价**：高估值转债会系统性地带来负收益，转债风格轮动组合表现优于转债等权指数[26][28] 4. 黄金预期收益模型 - **模型名称**：黄金预期收益模型 - **模型构建思路**：将黄金和美国抗通胀债券(TIPS)的远期实际回报关联，构建黄金的预期收益模型[29] - **模型具体构建过程**： 1. 公式：$E[Real\_Return^{gold}]=k\times E[Real\_Return^{Tips}]$ 2. 公式：$E[R^{gold}]=\pi^{e}+k\times E[Real\_Return^{Tips}]$ 3. 扩展窗口OLS估计参数k，以美联储长期通胀目标2%作为π^e的代理[29] - **模型评价**：模型测算未来一年黄金的预期收益率为21.5%[29] 模型的回测效果 1. **高频宏观因子**： - 高频经济增长同比下行[12] - 高频通货膨胀（消费端）同比下行[18] - 高频通货膨胀（生产端）同比上行[18] 2. **债券久期择时模型**： - 11月回报16.7bp，等权基准收益率为94.4bp，策略超额收益-77.6bp[22] - 最近一年，零息国债久期调整策略回报4.05%，等权基准收益率为7.41%，策略超额收益-3.36%[22] 3. **转债配置模型**： - "百元转股溢价率"为19.48%[25] - "修正YTM–信用债YTM"中位数为1.16%[25] - 债风格轮动年化收益为21.79%，最大回撤15.59%，信息比率1.36，月度胜率64.2%[28] - 今年以来收益为19.94%，最大回撤为15.59%[28] 4. **黄金预期收益模型**： - 未来一年黄金的预期收益率为21.5%[29] - 基于TIPS收益率的择时模型过去一年绝对回报为36.33%[33]

量化模型与构建方式 1. 稳健复合因子 - **模型名称**：稳健复合因子 - **模型构建思路**：基于低波动、低估值、低换手、高股息四类因子，合成稳健复合因子，用于筛选稳健股票池[3][65][67] - **模型具体构建过程**： - **样本空间**：选择中证800与中证1000成分股的并集，剔除ST股及上市不满1年的新股[67] - **因子定义**： - **低波动**：日度收益滚动240天标准差 - **低估值**：EPQ（单季度净利润/总市值）、EBIT2EV（单季度EBIT/总市值+带息债务）、SPQ（单季度营业收入/总市值） - **低换手**：日度换手率滚动240天均值 - **高股息**：最近年度报告期现金股利总和（税前）/总市值[62][68] - **因子合成**：将上述四类因子等权合成稳健复合因子[67][68] - **股票选择**：每月末在样本空间中选择稳健复合因子排名前300的股票构建稳健股票池[67] - **模型评价**：稳健复合因子能够有效捕捉低波动、高收益的股票特征，选股能力较强[65][67] 2. 增强复合因子 - **模型名称**：增强复合因子 - **模型构建思路**：在稳健股票池基础上，采用动量、成长、分析师预期、股息率、高频等因子进行复合打分，进一步精选股票[77][78] - **模型具体构建过程**： - **因子定义**： - **动量因子**：新高动量（当日收盘价/过去一年最高价-1） - **分析师预期因子**：过去3个月分析师一致预期净利润上调幅度均值 - **成长因子**：标准化预期外盈利（SUE）、单季度ROE同比增速（DeltaROE） - **股息率因子**：最近年报汇总股息率 - **高频因子**：大单及漫长订单精选复合因子[78] - **因子处理**：对选股因子进行缺失值填充、去极值、标准化处理[77] - **因子合成**：将单因子等权合成增强复合因子[79] - **股票选择**：根据增强复合因子值排序，选择排名靠前的股票[82] - **模型评价**：增强复合因子在稳健股票池中表现优异，能够进一步提升选股能力[77][79] 3. 稳健精选组合 - **模型名称**：稳健精选组合 - **模型构建思路**：基于增强复合因子对稳健股票池进行精选，同时限制行业与个股权重，构建分散化的稳健精选组合[82][84] - **模型具体构建过程**： - **样本空间**：稳健股票池（中证1800样本空间中采用稳健复合因子选取前300只股票）[82] - **选股方式**：基于增强复合因子值排序，选择排名靠前的50只股票[82] - **赋权方法**： - 对增强复合因子进行Z-Score标准化，并映射到正态分布的累积分布函数上，最终归一化得到权重[84][87][89] - 限制行业权重上限为15%，个股权重上限为3%[90][93] - **调仓频率**：月末调仓[82] - **交易设置**：调仓日涨停股票不买入、跌停股票不卖出，交易费用为双边千三[82] - **模型评价**：稳健精选组合通过分散化权重限制，进一步提升了策略的稳健性和可落地性[82][84] --- 模型的回测效果 稳健复合因子 - **年化收益**：13.81% - **相对中证800全收益指数年化超额**：7.31% - **最大回撤**：45.71% - **净值波动**：22.60% - **累计创新高天数**：191天[73][75][76] 增强复合因子 - **月度RankIC均值**：7.83% - **年化RankICIR**：1.64 - **多头月均超额收益**：0.84% - **空头月均超额收益**：-0.81%[79][80] 稳健精选组合 - **年化收益**：26.53% - **相对中证红利全收益指数年化超额**：15.14% - **相对红利低波100全收益指数年化超额**：13.17% - **相对中诚信防御100全收益指数年化超额**：9.04% - **最大回撤**：37.73% - **累计创新高天数**：338天 - **创新高率**：10.85%[97][99][107][110] --- 量化因子与构建方式 1. 低波动因子（Vol240） - **因子构建思路**：衡量股票价格的波动性 - **因子具体构建过程**：日度收益滚动240天标准差[62] - **因子评价**：RankIC均值为5.89%，年化ICIR为1.05，表现较好[63] 2. 低估值因子（EPQ、EBIT2EV、SPQ） - **因子构建思路**：衡量股票的估值水平 - **因子具体构建过程**： - EPQ：单季度净利润/总市值 - EBIT2EV：单季度EBIT/(总市值+带息债务) - SPQ：单季度营业收入/总市值[62] - **因子评价**：EPQ表现最佳，RankIC均值为5.14%，年化ICIR为1.41[63] 3. 低换手因子（Turn240） - **因子构建思路**：衡量股票的交易活跃度 - **因子具体构建过程**：日度换手率滚动240天均值[62] - **因子评价**：RankIC均值为3.63%，年化ICIR为0.70，表现一般[63] 4. 高股息因子（DivLYR） - **因子构建思路**：衡量股票的分红能力 - **因子具体构建过程**：最近年度报告期现金股利总和（税前）/总市值[62] - **因子评价**：RankIC均值为2.76%，年化ICIR为0.83，表现一般[63] --- 因子的回测效果 低波动因子（Vol240） - **RankIC均值**：5.89% - **年化ICIR**：1.05 - **RankIC胜率**：62.36% - **多头月均超额收益**：0.04% - **空头月均超额收益**：-0.56%[63] 低估值因子（EPQ） - **RankIC均值**：5.14% - **年化ICIR**：1.41 - **RankIC胜率**：64.04% - **多头月均超额收益**：0.49% - **空头月均超额收益**：-0.45%[63] 低换手因子（Turn240） - **RankIC均值**：3.63% - **年化ICIR**：0.70 - **RankIC胜率**：61.24% - **多头月均超额收益**：0.08% - **空头月均超额收益**：-0.27%[63] 高股息因子（DivLYR） - **RankIC均值**：2.76% - **年化ICIR**：0.83 - **RankIC胜率**：58.99% - **多头月均超额收益**：0.14% - **空头月均超额收益**：0.01%[63]

- 本报告未涉及量化模型或量化因子的构建、测试及相关内容[3][4][8]

量化模型与构建方式 低价增强策略 1. **模型名称**：低价增强策略 2. **模型构建思路**：利用低价因子在转债市场中的长期有效性，通过放松行业限制来增厚策略收益[2] 3. **模型具体构建过程**： - **正股基本面维度**：净利润率、净利润同比 > 0，经营活动现金流 > 0，现金到期债务比 > 0[3] - **转债特征维度**：强赎条款未公告/未满足条件，上市日期 > 30 天，剩余期限 > 360 天，信用评级 > AA-，债券余额 > 1 亿[3] - **转债交易维度**：正股成交活跃度前 75%，正股市值 ≥ 30 亿元，转股溢价率 < 80%，转债价格 ≥ 80 元[3] - **策略执行**：根据调仓日转债标的池中个券的收盘价从低到高的次序，选取最多前 20 支符合条件的转债，与上一期持仓进行对比，调出不符合条件的标的，调入符合条件的转债个券[3] 4. **模型评价**：低价增强策略在政策支持和交易逻辑变化下，放松了对行业的限制，以增厚低价策略收益[2] 低价大市值增强策略 1. **模型名称**：低价大市值增强策略 2. **模型构建思路**：结合低价和大市值因子，以机构主要增量资金的转债偏好进行策略增强[15] 3. **模型具体构建过程**： - **正股基本面维度**：净利润率、净利润同比 > 0，经营活动现金流 > 0，现金到期债务比 > 0[17] - **转债特征维度**：强赎条款未公告/未满足条件，上市日期 > 30 天，剩余期限 > 360 天，信用评级 > AA-，债券余额 > 1 亿[17] - **转债交易维度**：正股成交活跃度前 75%，正股市值 ≥ 80 亿元，转股溢价率 < 80%，转债价格 ≥ 80 元[17] - **策略执行**：根据调仓日转债标的池中个券的收盘价从低到高的次序，选取最多前 20 支符合条件的转债，与上一期持仓进行对比，调出不符合条件的标的，调入符合条件的转债个券[17] 4. **模型评价**：低价大市值增强策略在政策支持和交易逻辑变化下，放松了对行业的限制，以增厚低价策略收益[15] 改良双低策略 1. **模型名称**：改良双低策略 2. **模型构建思路**：选取转债价格和转股溢价率综合较低的标的进行组合持有，兼顾价格与价值进行动态调整与轮动[28] 3. **模型具体构建过程**： - **正股基本面维度**：净利润、净利率 > 0，经营活动现金流 > 0，现金到期债务比 > 0[30] - **转债特征维度**：强赎条款未公告/未满足条件，上市日期 > 30 天，剩余期限 > 360 天，信用评级 > A+，债券余额 > 1 亿[30] - **转债交易维度**：正股成交活跃度前 75%，转债价格 ≥ 80 元[30] - **策略执行**：根据调仓日转债标的池中个券前双低值从低到高的次序，选取最多前 10 支符合条件的转债，与上一期持仓进行对比，调出不符合条件的标的，调入符合条件的转债个券[31] 4. **模型评价**：改良双低策略在一定安全垫的基础上寻找具有较大上涨空间和潜在回报的投资标的[28] 模型的回测效果 低价增强策略 - 区间回报：6.74%[9] - Sharpe：0.48[9] - Alpha：2.67%[9] - 最大回撤：-10.81%[9] - 日胜率：54.11%[9] - 周胜率：52.17%[9] - 月胜率：44.44%[9] - 盈亏比：1.22[9] 低价大市值增强策略 - 区间回报：6.08%[22] - Sharpe：0.44[22] - Alpha：2.04%[22] - 最大回撤：-11.51%[22] - 日胜率：58.44%[22] - 周胜率：50.00%[22] - 月胜率：55.56%[22] - 盈亏比：1.04[22] 改良双低策略 - 区间回报：11.61%[34] - Sharpe：0.80[34] - Alpha：7.83%[34] - 最大回撤：-11.19%[34] - 日胜率：53.25%[34] - 周胜率：52.17%[34] - 月胜率：66.67%[34] - 盈亏比：0.97[34]

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[10][12] - **模型具体构建过程**： - 以基金的历史净值回撤和波动水平为核心指标，评估基金经理的投资风格和风险控制能力[12] - 结合因子测试结果，验证最大回撤和波动率的延续性[12] - 增加基金估值水平限制，从净值表现和持仓特征两个维度优选低波基金[12] - **模型评价**：该模型在减小净值波动的同时，保持了较好的收益水平，适合风险偏好较低的投资者[22] 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[10][13] - **模型具体构建过程**： - 对基金收益率指标进行研究，拆分收益来源[13] - 剔除配置行业的Beta收益，提取剩余的Alpha收益[13] - 基于Alpha收益的显著延续性，筛选强选股能力的基金经理，构建组合[13] - **模型评价**：该模型在持有期内表现出较高胜率，适合风险偏好较高的投资者[13][24] 3. 模型名称：现金增利基金组合 - **模型构建思路**：基于货币基金的多维特征因子，优选收益表现更佳的货币基金，优化现金管理收益[11][15] - **模型具体构建过程**： - 综合管理费率、托管费率、销售服务费率、久期水平、杠杆水平等指标[15] - 考虑机构持仓占比和偏离度等风险指标，减少收益波动风险[15] - 构建货币基金优选体系，筛选出收益率更高的货币基金[15] - **模型评价**：该模型能够有效帮助投资者在现金管理中获取更高收益，同时降低收益波动风险[25] 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长期动量和短期反转因子，优选上涨趋势较好的指数，构建全球化投资组合[11][16] - **模型具体构建过程**： - 剔除涨势过高、出现超买的指数[16] - 选择处于上涨趋势且动能较好的指数作为配置标的[16] - 构建海外权益配置基金组合，满足全球化投资需求[16] - **模型评价**：该模型在全球化配置中表现出较强的分散化价值，适合拓展权益投资收益的投资者[28] --- 模型的回测效果 1. 常青低波基金组合 - 本周收益：-1.340%[17] - 超额收益：0.711%[17] - 策略运行以来收益：4.667%[20] 2. 股基增强基金组合 - 本周收益：-1.696%[17] - 超额收益：0.355%[17] - 策略运行以来收益：5.475%[20] 3. 现金增利基金组合 - 本周收益：0.033%[18] - 超额收益：0.004%[18] - 策略运行以来收益：2.680%[20] 4. 海外权益配置基金组合 - 本周收益：-0.701%[18] - 超额收益：1.388%[18] - 策略运行以来收益：22.409%[20]

- 微盘股茅指数轮动信号方面，微盘股茅指数相对净值在10月14日触发上穿年线的信号[5] - 微盘股与茅指数的20日收盘价斜率均为正值，整体来看目前轮动策略后续更看好微盘指数的相对表现[5] - 在微盘择时模型中，10月15日，偏体现市场交易情绪的波动率拥挤度指标已经回落到阈值以下，触波动率拥挤度风险预警信号已经解除[5] - 偏基本面的利率同比指标数值为-20.45%未触发利率风控阈值0.3[5] - 目前微盘择时模型未触发风控，对于希望长期持有微盘股风格的投资者，建议继续持有[5] - 过去一周市场震荡回落，市场资金回流低估值的板块，使得价值因子表现良好[5] - 由于市场的回落，资金风险偏好回落，量价类因子，包括技术和低波因子表现如期回升[5] - 未来一周，由于没有太多潜在事件催化，预期本周的市场风格会继续延续，建议投资者关注价值以及量价类因子[5] - 选股因子方面，八个大类选股因子在不同的股票池中的表现进行跟踪（全部A股、沪深300、中证500和中证1000）[41] - 从IC结果可以得出，上周技术、波动率因子在全部4个股票池中表现较好，而其他因子表现比较一般[41] - 过去一周市场震荡回落，市场资金回流低估值的板块，使得价值因子表现良好[41] - 由于市场的回落，资金风险偏好回落，量价类因子，包括技术和低波因子表现如期回升[41] - 未来一周，由于没有太多潜在事件催化，预期本周的市场风格会继续延续，建议投资者关注价值以及量价类因子[41] - 可转债因子方面，针对可转债构建了量化择券因子，并定期对五个择券因子的表现进行跟踪[48] - 正股因子主要从正股与可转债的相关关系出发，从预测正股的因子来构建可转债因子[48] - 转债估值因子选取了平价底价溢价率[48] - 从IC结果可以看出正股价值、转债估值因子上周表现较为不错[48] - 从择券因子多空组合净值来看，上周正股成长、正股价值、转债估值因子取得了正的多空收益[48] 模型的回测效果 - 微盘股茅指数轮动信号方面，微盘股茅指数相对净值在10月14日触发上穿年线的信号[5] - 微盘股与茅指数的20日收盘价斜率均为正值，整体来看目前轮动策略后续更看好微盘指数的相对表现[5] - 在微盘择时模型中，10月15日，偏体现市场交易情绪的波动率拥挤度指标已经回落到阈值以下，触波动率拥挤度风险预警信号已经解除[5] - 偏基本面的利率同比指标数值为-20.45%未触发利率风控阈值0.3[5] - 目前微盘择时模型未触发风控，对于希望长期持有微盘股风格的投资者，建议继续持有[5] 因子的回测效果 - 选股因子方面，八个大类选股因子在不同的股票池中的表现进行跟踪（全部A股、沪深300、中证500和中证1000）[41] - 从IC结果可以得出，上周技术、波动率因子在全部4个股票池中表现较好，而其他因子表现比较一般[41] - 过去一周市场震荡回落，市场资金回流低估值的板块，使得价值因子表现良好[41] - 由于市场的回落，资金风险偏好回落，量价类因子，包括技术和低波因子表现如期回升[41] - 未来一周，由于没有太多潜在事件催化，预期本周的市场风格会继续延续，建议投资者关注价值以及量价类因子[41] - 可转债因子方面，针对可转债构建了量化择券因子，并定期对五个择券因子的表现进行跟踪[48] - 正股因子主要从正股与可转债的相关关系出发，从预测正股的因子来构建可转债因子[48] - 转债估值因子选取了平价底价溢价率[48] - 从IC结果可以看出正股价值、转债估值因子上周表现较为不错[48] - 从择券因子多空组合净值来看，上周正股成长、正股价值、转债估值因子取得了正的多空收益[48]