量化模型与构建方式 1. 全天候择时模型 - **模型名称**：全天候择时模型 - **模型构建思路**：基于多个宽基指数的技术面信号，特别是底背离迹象，来判断市场的看多信号[2][9] - **模型具体构建过程**： - 通过监测多个宽基指数的技术指标，特别是底背离现象 - 底背离现象指的是近期下跌力度减缓，反映出市场可能存在超跌反弹的机会 - 当多个指数同时出现底背离信号时，模型发出市场看多信号[2][9] - **模型评价**：该模型主要依赖技术面信号，适用于短期市场反弹的判断，但在缺乏基本面支撑的情况下，反弹力度可能有限[2][9] 2. 四轮驱动行业轮动模型 - **模型名称**：四轮驱动行业轮动模型 - **模型构建思路**：通过监测行业的技术指标和市场信号，识别潜在的投资机会，特别关注大盘价值或低位红利板块[2][9] - **模型具体构建过程**： - 监测各行业的技术指标，如金叉、死叉等信号 - 结合市场信号，识别出潜在的投资机会 - 重点关注银行、煤炭、交通运输、石油石化、建筑装饰等大盘价值或低位红利板块[2][9][15] - **模型评价**：该模型通过多维度的技术指标和市场信号，提供了较为全面的行业轮动策略，适合在市场风格转换时使用[2][9][15] 模型的回测效果 全天候择时模型 - **指标值**：未提供具体的回测指标值 四轮驱动行业轮动模型 - **指标值**： - 银行：低位金叉（潜在机会）[15] - 煤炭：低位含叉（潜在机会）[15] - 交通运输：低位金叉（潜在机会）[15] - 石油石化：恒约会又（潜在机会）[15] - 建筑装饰：弱势行业反转（潜在机会）[15] 量化因子与构建方式 本报告未涉及具体的量化因子构建内容 因子的回测效果 本报告未涉及具体的量化因子回测效果 - 全天候择时模型基于多个宽基指数的技术面信号，特别是底背离迹象，来判断市场的看多信号[2][9] - 四轮驱动行业轮动模型通过监测行业的技术指标和市场信号，识别潜在的投资机会，特别关注大盘价值或低位红利板块[2][9][15] - 四轮驱动行业轮动模型的回测效果显示，银行、煤炭、交通运输、石油石化、建筑装饰等行业在近期均出现了潜在的投资机会信号[15]

量化模型与构建方式 1. 模型名称：因果推断模型 - **模型构建思路**：通过因果推断方法对10年期国债收益率进行归因分析，识别影响收益率的关键因素[81] - **模型具体构建过程**： 1. 数据准备：收集122个自变量，包括基本面、货币政策、资金面、供求面和情绪估值面相关数据[80][81] 2. 建立因果模型：采用基于后门准则（Backdoor Criterion）和线性回归方法的因果推断框架[81][88] 3. 识别因果效应：分析不同时间维度下的因果关系，发现隐含税率、存款准备金率、核心CPI等对收益率的显著影响[84][85] 4. 验证和诊断：对因果推断结果进行验证，确保模型的科学性和稳定性[81] - **模型评价**：模型能够从量化角度揭示10年期国债收益率的驱动因素，但分析仍较为基础，需进一步完善[87] 2. 模型名称：LSTM（长短期记忆网络） - **模型构建思路**：利用LSTM神经网络预测10年期国债收益率走势，适用于时序数据的非线性建模[56][89] - **模型具体构建过程**： 1. 数据标准化：对124个自变量进行Min-Max-Scale标准化，构建神经网络输入矩阵[89] 2. 网络设计： - 每层包含124个特征值，512个隐藏层，共4层网络[91] - 输入序列为连续的60天，总数据量为1000个，训练集、测试集、验证集分别占70%、20%、10%[92] - 训练2000轮，损失在第1500轮左右收敛至0.20%[92][93] 3. 结果验证：对比模型预测与实际收益率走势，发现预测值与实际值差距约20BP[93][94] - **模型评价**：模型初步预测效果较好，但20BP的误差偏大，实战意义有限，需进一步优化模型和数据[95] 3. 模型名称：改良的转债多因子模型 - **模型构建思路**：基于传统“双低策略”改进，构建股性与债性均衡的多因子模型，优化转债择券效果[96][97] - **模型具体构建过程**： 1. 因子改造：将绝对价格替换为到期收益率（YTM），与平价溢价率匹配为“债性”与“股性”指标[97] 2. 中性化处理： - 对YTM进行中性化，剔除到期赎回价、到期期限、正股股价、信用评级等影响[98] - 对平价溢价率进行中性化，剔除平价、规模、行业、信用评级等影响[98] 3. 标准化处理：对中性化后的YTM和平价溢价率进行Z-Score标准化[97] 4. 因子合成：将中性化后的股性与债性指标相加，构建新因子[97] 5. 回测：以月度为单位，选择股债性因子最低的20支转债进行回测[97] - **模型评价**：改进后的策略表现优于传统“双低策略”，但仍存在最大回撤较大、信用风险暴露等问题[100][102] --- 模型的回测效果 1. 因果推断模型 - **关键因果性因素**： - 全部时期：隐含税率、存款准备金率、核心CPI等对10年期国债收益率有显著因果性[84] - 不同阶段： - 利率震荡期（2019年1月-2020年1月）：短期资金面因素影响增强[84] - 疫情期（2020年2月-2021年12月）：资金面影响进一步加强[84] - 利率持续下行期（2024年1月至今）：逆回购、利差影响显著[85] 2. LSTM模型 - **训练损失**：在第1500轮左右收敛至0.20%[92][93] - **预测误差**：模型预测值与实际值差距约20BP[94] 3. 改良的转债多因子模型 - **策略表现**： - 改良后的策略在2024年转债弱市中实现正回报，表现远超传统“双低策略”[100] - 最大回撤仍较为明显，难以满足稳定资金的配置需求[100][102] --- 量化因子与构建方式 1. 因子名称：中性化平价溢价率因子 - **因子构建思路**：剔除平价、余额、行业、剩余期限等对平价溢价率的影响，得到更为有效的因子[36] - **因子具体构建过程**： 1. 回归方程： $ Convprem_i = β_0 + β_1 Convv + β_2 Outstanding + β_3 Ptm + β_4 Convv^2 + β_5 Outstanding^2 + β_6 Ptm^2 + β_7 Outstanding * Convv + ∑β_n Grade + ε_i $ - 公式中，Convprem为平价溢价率，Convv为平价，Outstanding为转债余额，Ptm为剩余期限，Grade为调整后行业哑变量[37] 2. 剔除自变量影响，得到中性化平价溢价率[36] 2. 因子名称：中性化YTM因子 - **因子构建思路**：剔除到期赎回价、到期期限、正股股价、信用评级等对YTM的影响，得到更为有效的因子[98] - **因子具体构建过程**： 1. 使用到期赎回价、到期期限、正股股价、信用评级对YTM作中性化处理[98] 2. 对中性化后的YTM进行Z-Score标准化[97] --- 因子的回测效果 1. 中性化平价溢价率因子 - **回测指标**： - 年化收益率：低估值平价中性策略为15.16%，高估值平价中性策略为9.38%[42] - 夏普比率：低估值平价中性策略为1.13，高估值平价中性策略为0.75[42] - 因子IC：低估值平价中性策略为0.02，高估值平价中性策略为-0.05[42] 2. 中性化YTM因子 - **回测表现**：改良后的股债性均衡策略在2024年弱市中实现正回报，表现优于传统“双低策略”[100]

量化因子与构建方式 单因子表现 - **因子名称**：下行波动率占比 **因子的构建思路**：衡量股票收益的下行风险占比，反映市场对风险的敏感性 **因子具体构建过程**：通过计算股票收益的下行波动率占总波动率的比例，得出因子值 **因子评价**：本周在多个股票池中表现较好，具有较强的风险识别能力[8][12][15] - **因子名称**：市盈率TTM倒数 **因子的构建思路**：通过市盈率的倒数衡量股票的估值水平，市盈率越低，倒数值越高，表明估值越低 **因子具体构建过程**：计算公式为 $ \text{市盈率TTM倒数} = \frac{1}{\text{市盈率TTM}} $，其中TTM表示过去12个月的滚动市盈率 **因子评价**：估值类因子表现稳定，本周在多个股票池中表现较好[8][12][15] - **因子名称**：换手率相对波动率 **因子的构建思路**：衡量股票换手率的波动性，反映市场交易活跃度的稳定性 **因子具体构建过程**：通过计算换手率的标准差与均值的比值，得出因子值 **因子评价**：本周在沪深300股票池中表现较好[8] - **因子名称**：成交量的5日指数移动平均 **因子的构建思路**：通过短期成交量的指数移动平均值，捕捉市场交易量的短期趋势 **因子具体构建过程**：计算公式为 $ \text{EMA}_5 = \frac{\text{成交量}_t}{5} + \frac{\text{成交量}_{t-1}}{5} + \cdots $，其中t为当前交易日 **因子评价**：本周在中证500股票池中表现较好[12] - **因子名称**：总资产毛利率TTM **因子的构建思路**：衡量企业总资产的盈利能力，反映企业的经营效率 **因子具体构建过程**：计算公式为 $ \text{总资产毛利率TTM} = \frac{\text{毛利润TTM}}{\text{总资产}} $，其中TTM表示过去12个月的滚动数据 **因子评价**：本周在流动性1500股票池中表现较好[15] 大类因子表现 - **因子名称**：流动性因子 **因子的构建思路**：衡量市场流动性水平，反映市场交易的活跃程度 **因子具体构建过程**：通过成交量、换手率等指标综合计算流动性因子值 **因子评价**：本周取得明显正收益，表现优异[18] - **因子名称**：盈利因子 **因子的构建思路**：衡量企业盈利能力，反映企业的基本面质量 **因子具体构建过程**：通过净利润、ROE等指标综合计算盈利因子值 **因子评价**：本周取得明显正收益，表现优异[18] - **因子名称**：成长因子 **因子的构建思路**：衡量企业的成长性，反映企业未来增长潜力 **因子具体构建过程**：通过营业收入增长率、净利润增长率等指标综合计算成长因子值 **因子评价**：本周取得明显负收益，表现较差[18] - **因子名称**：残差波动率因子 **因子的构建思路**：衡量股票收益的残差波动率，反映市场对个股风险的定价 **因子具体构建过程**：通过回归模型计算股票收益的残差波动率，得出因子值 **因子评价**：本周取得明显负收益，表现较差[18] 行业内因子表现 - **因子名称**：净资产增长率因子 **因子的构建思路**：衡量企业净资产的增长情况，反映企业的资本积累能力 **因子具体构建过程**：通过计算净资产的同比增长率，得出因子值 **因子评价**：本周在有色金属行业表现较好[20] - **因子名称**：净利润增长率因子 **因子的构建思路**：衡量企业净利润的增长情况，反映企业的盈利增长能力 **因子具体构建过程**：通过计算净利润的同比增长率，得出因子值 **因子评价**：本周在有色金属、商业贸易行业表现较好[20] - **因子名称**：BP因子（市净率倒数） **因子的构建思路**：衡量企业的估值水平，市净率越低，BP因子值越高，表明估值越低 **因子具体构建过程**：计算公式为 $ \text{BP因子} = \frac{1}{\text{市净率}} $ **因子评价**：本周在房地产、综合行业表现较好[20] - **因子名称**：EP因子（市盈率倒数） **因子的构建思路**：衡量企业的估值水平，市盈率越低，EP因子值越高，表明估值越低 **因子具体构建过程**：计算公式为 $ \text{EP因子} = \frac{1}{\text{市盈率}} $ **因子评价**：本周在有色金属、煤炭行业表现较好[20] --- 因子的回测效果 单因子回测效果 - **下行波动率占比**：沪深300股票池1.45%，中证500股票池0.94%，流动性1500股票池1.13%[8][12][15] - **市盈率TTM倒数**：沪深300股票池1.40%，中证500股票池0.73%，流动性1500股票池1.35%[8][12][15] - **换手率相对波动率**：沪深300股票池1.24%[8] - **成交量的5日指数移动平均**：中证500股票池1.47%[12] - **总资产毛利率TTM**：流动性1500股票池1.06%[15] 大类因子回测效果 - **流动性因子**：全市场股票池0.34%[18] - **盈利因子**：全市场股票池0.33%[18] - **成长因子**：全市场股票池-0.17%[18] - **残差波动率因子**：全市场股票池-0.17%[18]

量化模型与构建方式 模型名称：封板率与连板率 - 模型构建思路：通过统计股票在盘中涨停和收盘涨停的情况，计算封板率和连板率，以此反映市场情绪 - 模型具体构建过程： - 封板率的计算方式为： $$ 封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数} $$ - 连板率的计算方式为： $$ 连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数} $$ - 今日封板率为81%，较前日提升10%，连板率为23%，较前日下降11%[16] - 模型评价：封板率和连板率能够较好地反映市场的短期情绪变化，尤其是在市场波动较大的时候[16] 模型名称：股指期货升贴水 - 模型构建思路：通过计算股指期货主力合约的年化贴水率，反映市场对未来预期的表现 - 模型具体构建过程： - 年化贴水率的计算方式为： $$ 年化贴水率 = \frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right) $$ - 近一年以来上证50股指期货主力合约年化升水率中位数为0.59%，沪深300股指期货主力合约年化贴水率中位数为-1.35%，中证500股指期货主力合约年化贴水率中位数为-6.13%，中证1000股指期货主力合约年化贴水率中位数为-11.18%[27] - 模型评价：股指期货升贴水模型能够较好地反映市场对未来的预期，尤其是在市场情绪波动较大的时候[27] 模型的回测效果 封板率与连板率 - 封板率：81%[16] - 连板率：23%[16] 股指期货升贴水 - 上证50股指期货主力合约年化贴水率：3.92%[27] - 沪深300股指期货主力合约年化贴水率：3.88%[27] - 中证500股指期货主力合约年化贴水率：8.74%[27] - 中证1000股指期货主力合约年化贴水率：15.22%[27]

量化因子与构建方式 动量因子 - **因子的构建思路**：动量因子通过衡量资产价格的持续上涨或下跌趋势来预测未来的价格走势[1][12] - **因子具体构建过程**：动量因子通常通过计算一段时间内的价格变化率来构建，例如过去一个月的累计收益率[1][12] - **因子评价**：动量因子在本周表现较好，显示出较强的预测能力[1][12] 期限结构因子 - **因子的构建思路**：期限结构因子通过分析期货合约的不同到期时间的价格差异来预测市场走势[1][15] - **因子具体构建过程**：期限结构因子通常通过计算近月合约和远月合约的价格差异来构建[1][15] - **因子评价**：期限结构因子在本周表现不佳，显示出较弱的预测能力[1][15] 贝塔因子 - **因子的构建思路**：贝塔因子通过衡量资产相对于市场的系统性风险来预测未来的价格走势[1][18] - **因子具体构建过程**：贝塔因子通常通过回归分析计算资产相对于市场指数的贝塔值来构建[1][18] - **因子评价**：贝塔因子在本周表现一般，显示出中等的预测能力[1][18] 波动率因子 - **因子的构建思路**：波动率因子通过衡量资产价格的波动程度来预测未来的价格走势[1][21] - **因子具体构建过程**：波动率因子通常通过计算一段时间内的价格标准差来构建[1][21] - **因子评价**：波动率因子在本周表现较差，显示出较弱的预测能力[1][21] 偏度因子 - **因子的构建思路**：偏度因子通过衡量资产收益分布的偏斜程度来预测未来的价格走势[1][24] - **因子具体构建过程**：偏度因子通常通过计算一段时间内的收益率偏度来构建[1][24] - **因子评价**：偏度因子在本周表现一般，显示出中等的预测能力[1][24] 持仓因子 - **因子的构建思路**：持仓因子通过分析市场参与者的持仓变化来预测未来的价格走势[1][27] - **因子具体构建过程**：持仓因子通常通过计算一段时间内的持仓量变化来构建[1][27] - **因子评价**：持仓因子在本周表现较差，显示出较弱的预测能力[1][27] 因子的回测效果 - **动量因子**：近一月多空对冲收益0.79%，本周多空对冲收益0.76%[1][12][31] - **期限结构因子**：近一月多空对冲收益-0.18%，本周多空对冲收益-0.32%[1][15][31] - **贝塔因子**：近一月多空对冲收益-3.40%，本周多空对冲收益0.23%[1][18][31] - **波动率因子**：近一月多空对冲收益-3.33%，本周多空对冲收益-0.06%[1][21][31] - **偏度因子**：近一月多空对冲收益0.43%，本周多空对冲收益-0.06%[1][24][31] - **持仓因子**：近一月多空对冲收益-2.00%，本周多空对冲收益-0.56%[1][27][31]

量化模型与构建方式 量化组合模型 - **模型名称**：基于研报覆盖度调整的指数增强模型 - **模型构建思路**：通过区分研报覆盖度高低的域，分别选用适合的因子进行增强，以提升选股效果[46] - **模型具体构建过程**： 1. 将沪深300、中证500和中证1000宽基指数内的股票划分为研报覆盖度高和低的两种域[46] 2. 针对不同域，选择适用性因子进行增强，优化选股策略[46] 3. 具体因子选择和增强方法参考报告《量化分析报告：寻觅无人之境：基于研报覆盖度调整的指数增强》[46] - **模型评价**：通过因子增强策略，模型在不同宽基指数内均实现了超额收益，表现稳定[46][47] --- 量化因子与构建方式 成交量因子 - **因子名称**：成交量类因子 - **因子的构建思路**：通过分析成交量的变化趋势，捕捉市场情绪和资金流动对股价的影响[39][40] - **因子具体构建过程**： 1. 计算过去1个月成交量与过去12个月成交量的差值，构造因子`volume_1m_minus_12m`[40] 2. 计算过去1个月成交量与过去12个月成交量的比值，构造因子`volume_1m_div_12m`[40] 3. 计算过去1个月成交量的标准差与过去12个月成交量的标准差的比值，构造因子`volume_std_1m_div_12m`[40] - **因子评价**：成交量因子在小市值股票中表现较好，能够有效捕捉市场情绪变化[42] 管理费用率因子 - **因子名称**：管理费用率因子 - **因子的构建思路**：通过衡量管理费用占总销售收入的比例，评估企业的成本控制能力和盈利能力[39][40] - **因子具体构建过程**： 1. 计算管理费用与总销售收入的比值，构造因子`gaexp_sales`[40] 2. 计算管理费用_TTM与营业收入_TTM的比值，构造因子`adm_exp_ratio`[43] - **因子评价**：管理费用率因子在大市值股票中表现较强，能够反映企业的经营效率[42][43] 研发类因子 - **因子名称**：研发类因子 - **因子的构建思路**：通过衡量研发投入占比，评估企业的创新能力和未来增长潜力[43] - **因子具体构建过程**： 1. 计算研发费用_TTM与总销售收入的比值，构造因子`tot_rd_ttm_to_sales`[43] 2. 计算研发费用_TTM与总资产的比值，构造因子`tot_rd_ttm_to_assets`[43] 3. 计算研发费用_TTM与净资产的比值，构造因子`tot_rd_ttm_to_equity`[43] - **因子评价**：研发类因子在大市值股票中表现较好，能够捕捉企业的长期成长性[43] --- 模型的回测效果 - **沪深300增强组合**： - 上周绝对收益：-2.05% - 上周超额收益：0.18% - 本月超额收益：-0.69% - 本年超额收益：5.94% - 超额年化收益率：11.50% - 超额Sharpe：2.03[46][47] - **中证500增强组合**： - 上周绝对收益：-2.20% - 上周超额收益：-0.30% - 本月超额收益：-0.09% - 本年超额收益：6.19% - 超额年化收益率：13.73% - 超额Sharpe：2.89[46][47] - **中证1000增强组合**： - 上周绝对收益：-1.41% - 上周超额收益：0.70% - 本月超额收益：1.08% - 本年超额收益：5.66% - 超额年化收益率：15.37% - 超额Sharpe：2.51[46][47] --- 因子的回测效果 - **成交量因子**： - 近一周多头超额收益：`volume_1m_minus_12m`为1.10%，`volume_1m_div_12m`为1.05%，`volume_std_1m_div_12m`为1.05%[40][41] - 近一年多头超额收益：`volume_1m_minus_12m`为7.62%，`volume_1m_div_12m`为7.33%，`volume_std_1m_div_12m`为7.45%[41] - **管理费用率因子**： - 近一周多头超额收益：`gaexp_sales`为1.21%，`adm_exp_ratio`为0.60%[40][43] - 近一年多头超额收益：`gaexp_sales`为4.38%，`adm_exp_ratio`为1.12%[41][43] - **研发类因子**： - 近一周多头超额收益：`tot_rd_ttm_to_sales`为1.50%，`tot_rd_ttm_to_assets`为1.22%，`tot_rd_ttm_to_equity`为0.85%[43] - 近一年多头超额收益：`tot_rd_ttm_to_sales`为7.62%，`tot_rd_ttm_to_assets`为3.68%，`tot_rd_ttm_to_equity`为2.20%[41][43]

量化模型与构建方式 1. **行业轮动策略模型** - 模型构建思路：基于绩优基金持仓倾向的边际变化构建行业轮动信号，捕捉市场风格切换机会[34] - 模型具体构建过程： 1. 筛选绩优基金样本（如近1年收益排名前30%的主动权益基金） 2. 计算行业超配比例变化： $$超配比例_{t} = \frac{基金持仓行业市值}{基金总市值} - \frac{行业基准市值}{全市场总市值}$$ 3. 生成行业轮动信号：超配比例环比上升且绝对值高于历史中位数的行业为推荐配置方向[34] - 模型评价：在存量市场中表现优于传统动量策略，但对基金持仓数据时效性要求较高[34] 2. **景气度行业轮动模型** - 模型构建思路：结合行业基本面景气度指标（如盈利增速、ROE变化）构建多头组合[34] - 模型具体构建过程： 1. 选取5个核心景气度指标（营收增速、利润增速、毛利率、资本开支、分析师预期上调比例） 2. 计算行业综合得分： $$景气度得分 = \sum_{i=1}^{5} w_i \times 标准化(指标_i)$$ 3. 选择得分前30%的行业作为多头组合[34] 模型的回测效果 1. **绩优基金行业轮动模型** - 年化超额收益：8.2%（vs 中证全指）[36] - 最大回撤：-15.3%[36] - IR：1.35[36] 2. **景气度行业轮动模型** - 年化超额收益：6.7%（vs 中证全指）[36] - 胜率：58%[36] 量化因子与构建方式 1. **ESG筛选因子** - 因子构建思路：基于中证A500指数的成分股筛选条件，评估企业在环境、社会和治理维度的表现[8] - 因子具体构建过程： 1. 环境维度（E）：碳排放强度、能源使用效率、污染排放量 2. 社会维度（S）：员工福利、供应链管理、社区关系 3. 治理维度（G）：董事会独立性、反腐败政策、股东权利 4. 综合评分： $$ESG得分 = 0.4 \times E + 0.3 \times S + 0.3 \times G$$[8] 2. **行业龙头因子** - 因子构建思路：识别三级细分行业中市值和流动性领先的上市公司[8] - 因子具体构建过程： 1. 计算行业相对市值： $$相对市值 = \frac{个股市值}{行业中位数市值}$$ 2. 计算流动性指标： $$流动性得分 = 20\% \times 换手率 + 80\% \times 日均成交额$$ 3. 综合排名前20%的个股赋予龙头因子暴露[8] 因子的回测效果 1. **ESG筛选因子** - 多空收益差（年化）：4.8%[8] - IC均值：0.12[8] 2. **行业龙头因子** - 多头组合年化超额：5.3%（vs 行业平均）[8] - 月度胜率：63%[8]

量化模型与构建方式 1. 模型名称：连续对冲策略 - **模型构建思路**：通过持有现货ETF多头和做空股指期货合约的方式，利用基差收敛的特性实现对冲收益[38] - **模型具体构建过程**： - **回测区间**：2018年1月2日至2024年9月13日（IM合约从上市日开始）[39] - **现货端**：持有与标的指数对应的ETF（如510500ETF、510300ETF等）多头[39] - **期货端**：做空与现货端金额相同名义本金的股指期货合约[39] - **调仓规则**：连续持有季月/当月合约，直至该合约离到期不足2日，在当日以收盘价平仓，同时以当日收盘价卖空下一季月/当月合约[39] - **备注**：不考虑手续费、冲击成本及期货合约不可无限细分的性质[39] 2. 模型名称：最低贴水策略 - **模型构建思路**：通过选择基差贴水幅度最小的期货合约进行开仓，优化对冲收益[40] - **模型具体构建过程**： - **回测区间**：2018年1月2日至2024年9月13日（IM合约从上市日开始）[40] - **现货端**：持有与标的指数对应的ETF（如510500ETF、510300ETF等）多头[40] - **期货端**：做空与现货端金额相同名义本金的股指期货合约[40] - **调仓规则**：调仓时计算所有可交易期货合约的年化基差，选择贴水幅度最小的合约开仓。同一合约持有8个交易日或到期不足2日时，重新选择新合约[40] - **备注**：不考虑手续费、冲击成本及期货合约不可无限细分的性质[40] 3. 模型名称：跨期套利策略 - **模型构建思路**：通过同时持有基差贴水幅度最小的期货空单和基差贴水幅度最大的期货多单，利用基差变化实现套利收益[41] - **模型具体构建过程**： - **回测区间**：2018年1月2日至2024年9月13日（IM合约从上市日开始）[41] - **期货多头**：选择基差贴水幅度最大的期货合约开多仓[41] - **期货空头**：选择基差贴水幅度最小的期货合约开空仓[41] - **账户总金额**：1手股指期货名义本金[41] - **调仓规则**：同一合约持有8个交易日或到期不足2日时，重新选择新合约[41] - **备注**：不考虑手续费、冲击成本及期货合约不可无限细分的性质[41] --- 模型的回测效果 1. 基于中证500股指期货的策略表现 - **当月连续对冲**： - 年化收益：-2.98%[46] - 波动率：1.74%[46] - 最大回撤：-18.49%[46] - 净值：0.8173[46] - 年换手次数：12[46] - 2024年以来收益：-1.66%[46] - **季月连续对冲**： - 年化收益：-2.45%[46] - 波动率：2.26%[46] - 最大回撤：-16.21%[46] - 净值：0.8470[46] - 年换手次数：4[46] - 2024年以来收益：-0.65%[46] - **最低贴水策略**： - 年化收益：-1.55%[46] - 波动率：2.21%[46] - 最大回撤：-10.67%[46] - 净值：0.9010[46] - 年换手次数：16.17[46] - 2024年以来收益：-1.13%[46] - **跨期套利策略**： - 年化收益：3.44%[46] - 波动率：2.25%[46] - 最大回撤：-2.26%[46] - 净值：1.2537[46] - 年换手次数：35.78[46] - 2024年以来收益：-0.07%[46] 2. 基于沪深300股指期货的策略表现 - **当月连续对冲**： - 年化收益：-0.71%[48] - 波动率：1.48%[48] - 最大回撤：-6.75%[48] - 净值：0.9534[48] - 年换手次数：12[48] - 2024年以来收益：-0.22%[48] - **季月连续对冲**： - 年化收益：-0.19%[48] - 波动率：1.90%[48] - 最大回撤：-4.78%[48] - 净值：0.9875[48] - 年换手次数：4[48] - 2024年以来收益：0.69%[48] - **最低贴水策略**： - 年化收益：0.41%[48] - 波动率：1.89%[48] - 最大回撤：-2.55%[48] - 净值：1.0274[48] - 年换手次数：15.87[48] - 2024年以来收益：0.50%[48] - **跨期套利策略**： - 年化收益：2.59%[48] - 波动率：1.92%[48] - 最大回撤：-1.98%[48] - 净值：1.1864[48] - 年换手次数：33.68[48] - 2024年以来收益：-0.40%[48] 3. 基于上证50股指期货的策略表现 - **当月连续对冲**： - 年化收益：-0.20%[53] - 波动率：1.45%[53] - 最大回撤：-4.64%[53] - 净值：0.9868[53] - 年换手次数：12[53] - 2024年以来收益：-0.52%[53] - **季月连续对冲**： - 年化收益：0.37%[53] - 波动率：1.88%[53] - 最大回撤：-3.85%[53] - 净值：1.0248[53] - 年换手次数：4[53] - 2024年以来收益：0.69%[53] - **最低贴水策略**： - 年化收益：0.69%[53] - 波动率：1.84%[53] - 最大回撤：-2.50%[53] - 净值：1.0469[53] - 年换手次数：16.47[53] - 2024年以来收益：0.23%[53] - **跨期套利策略**： - 年化收益：1.68%[53] - 波动率：2.08%[53] - 最大回撤：-1.87%[53] - 净值：1.1180[53] - 年换手次数：34.43[53] - 2024年以来收益：-0.26%[53] 4. 基于中证1000股指期货的策略表现 - **当月连续对冲**： - 年化收益：-2.94%[56] - 波动率：1.73%[56] - 最大回撤：-6.24%[56] - 净值：0.9379[56] - 年换手次数：12[56] - 2024年以来收益：-3.47%[56] - **季月连续对冲**： - 年化收益：-2.71%[56] - 波动率：2.55%[56] - 最大回撤：-5.76%[56] - 净值

量化模型与构建方式 1. 模型名称：利率风格组合与信用风格组合 - **模型构建思路**：通过不同债券品种的配置比例，构建利率风格和信用风格的模拟组合，分析其收益表现 - **模型具体构建过程**： 1. **利率风格组合**：按照80%利率债和20%信用债的比例配置，其中利率债部分采用10年期国债，信用债部分配置20%的超长债，选择10年期AA+产业债品种[11] 2. **信用风格组合**：反向配置，即20%利率债和80%信用债，信用债部分包括多种策略组合，如子弹型、下沉型、久期型和超长型等[11][51] 3. **收益计算**：年度累计收益通过周度综合收益（票息+资本利得）加总得到，票息收益按照期初估值收益×持有时长计算[11] - **模型评价**：利率风格组合在本周表现优于信用风格组合，尤其是二级超长型和产业超长型策略收益较高[13][16] 2. 模型名称：模拟组合配置方法 - **模型构建思路**：通过不同债券品种的期限、评级和配置比例，构建多种模拟组合策略，分析其收益来源和超额收益表现 - **模型具体构建过程**： 1. **子弹型策略**：如存单子弹型配置1年期AAA同业存单，城投子弹型配置3年期AA+城投债，二级债子弹型配置3年期AAA-二级资本债[51] 2. **下沉策略**：如存单下沉型配置1年期AA+同业存单，城投短端下沉配置1年期AA-城投债，二级债下沉配置3年期AA+二级资本债[51] 3. **久期策略**：如城投拉久期配置4年期AA+城投债，二级债拉久期配置4年期AAA-二级资本债[51] 4. **超长策略**：如城投超长型配置10年期AA+城投债，产业超长型配置10年期AA+产业债，二级超长型配置10年期AAA-二级资本债[51] 5. **哑铃型策略**：如城投哑铃型按照1:1配置1年期AA+城投债和10年期AA+城投债，混合哑铃型配置1年期AA+城投债和10年期AAA-二级资本债[51] - **模型评价**：模拟组合策略覆盖多种债券品种和期限，能够有效捕捉不同市场环境下的收益特征[51] --- 模型的回测效果 1. 利率风格组合 - **二级超长型策略**：本周综合收益为0.6%[13][16] - **产业超长型策略**：本周综合收益为0.57%[13][16] 2. 信用风格组合 - **二级超长型策略**：本周综合收益为0.52%[13][16] - **产业超长型策略**：本周综合收益为0.39%[13][16] 3. 重仓券种策略 - **存单重仓组合**：周度收益均值为0.22%，环比上行4.1bp[16] - **城投重仓组合**：周度收益均值为0.2%，较上周回落[16] - **二级资本债重仓组合**：周度收益均值为0.29%，环比基本持平[16] - **超长债重仓组合**：周度收益均值为0.4%[16] --- 量化因子与构建方式 1. 因子名称：票息收益贡献因子 - **因子构建思路**：分析票息收益对各类策略组合综合收益的贡献比例 - **因子具体构建过程**： 1. 计算票息收益贡献 = （期初估值收益 × 持有时长） / 综合收益 2. 对不同策略组合的票息收益贡献进行分布统计[26] - **因子评价**：票息收益贡献在本周处于偏低水平，主要策略中混合哑铃型和二级久期策略的票息贡献分别为12%和14.4%，资本利得对综合收益的贡献更强[26] 2. 因子名称：超额收益因子 - **因子构建思路**：通过与基准组合收益的差异，衡量各策略组合的超额收益表现 - **因子具体构建过程**： 1. 基准组合配置：如短端基准组合配置1年期AA+城投债，中长端基准组合配置3年期AA+城投债，超长债基准组合配置7年期AA+城投债[36][39][48] 2. 计算超额收益 = 策略组合收益 - 基准组合收益 3. 对不同策略组合的超额收益进行分策略统计[36][39][48] - **因子评价**：商金债子弹型、银行永续债久期策略等中长端金融债策略表现较优，二级超长型策略的超额收益达到25.1bp，为7月以来最高点[33][36] --- 因子的回测效果 1. 票息收益贡献因子 - **混合哑铃型策略**：票息收益贡献为12%[26] - **二级久期策略**：票息收益贡献为14.4%[26] 2. 超额收益因子 - **商金债子弹型策略**：近四周累计超额收益为16.2bp[33] - **二级债久期策略**：近四周累计超额收益为13.6bp[33] - **二级债子弹型策略**：近四周累计超额收益为9.5bp[33] - **存单子弹型策略**：本周超额收益为1.9bp[36] - **二级超长型策略**：本周超额收益为25.1bp[36]

量化模型与构建方式 1. 模型名称：Black-Litterman模型（BL模型） - **模型构建思路**：BL模型是对传统均值-方差模型（MVO）的改进，采用贝叶斯理论将主观观点与量化配置模型结合，通过投资者对市场的分析预测资产收益，优化资产配置权重[14] - **模型具体构建过程**： 1. 选择投资标的：针对全球资产，选取沪深300、恒生指数、标普500、中债-国债总财富指数、中债-企业债总财富指数和南华商品指数；针对国内资产，选取沪深300、中证1000、恒生指数、中债-国债总财富指数、中债-企业债总财富指数、中证转债、南华商品指数和SHFE黄金[15] 2. 结合主观观点与市场数据，利用贝叶斯方法调整资产的预期收益 3. 通过优化算法计算资产配置权重，解决均值-方差模型对预期收益敏感的问题[14][15] - **模型评价**：BL模型有效解决了均值-方差模型对预期收益敏感的问题，同时相较于纯主观投资具有更高的容错性，为投资者提供高效的资产配置方案[14] 2. 模型名称：风险平价模型 - **模型构建思路**：风险平价模型的核心思想是将投资组合的整体风险分摊到每类资产中，使得每类资产对投资组合整体风险的贡献相等[19] - **模型具体构建过程**： 1. 选择底层资产：针对全球资产，选取沪深300、标普500、恒生指数、中债-企业债总财富指数、南华商品指数和COMEX黄金；针对国内资产，选取沪深300、中证1000、恒生指数、中债-国债总财富指数、中债-企业债总财富指数、中证转债、南华商品指数和SHFE黄金[20] 2. 计算资产对组合的风险贡献：基于资产的预期波动率及相关性，计算初始资产配置权重下的风险贡献 3. 优化资产配置权重：对各资产实际风险贡献与预期风险贡献的偏离度进行优化，得到最终权重[19][20] - **模型评价**：风险平价模型通过均衡风险分布，构建了在经济周期不同阶段都能获得稳定收益的策略[18][19] 3. 模型名称：基于宏观因子的资产配置模型 - **模型构建思路**：基于增长、通胀、利率、信用、汇率和流动性六大宏观风险因子，构建资产配置框架，将宏观研究与资产配置研究相结合[23][24] - **模型具体构建过程**： 1. 构造高频宏观因子：通过Factor Mimicking Portfolio方法构造增长、通胀等六大宏观风险因子[24] 2. 计算因子暴露：每月末计算资产的因子暴露水平，并以风险平价组合为基准，计算基准因子暴露[24] 3. 主观调整因子偏离值：根据对未来宏观环境的判断，给定主观因子偏离值，结合基准因子暴露，得到资产组合的因子暴露目标[24][26] 4. 反解资产权重：将因子暴露目标带入模型，反解得到下个月的资产配置权重[24] - **模型评价**：该模型通过主观调整因子偏离值，灵活反映投资者对宏观环境的判断，增强了资产配置的适应性[24] --- 模型的回测效果 1. Black-Litterman模型 - 国内资产BL模型1：本周收益0.41%，9月份收益0.63%，2024年收益5.98%，年化波动1.69%，最大回撤0.78%[16][18] - 国内资产BL模型2：本周收益0.27%，9月份收益0.50%，2024年收益5.40%，年化波动1.47%，最大回撤0.65%[16][18] - 全球资产BL模型1：本周收益0.81%，9月份收益0.76%，2024年收益6.62%，年化波动1.97%，最大回撤0.95%[16][18] - 全球资产BL模型2：本周收益0.62%，9月份收益0.52%，2024年收益5.48%，年化波动1.48%，最大回撤0.64%[16][18] 2. 风险平价模型 - 国内资产风险平价模型：本周收益0.08%，9月份收益0.07%，2024年收益4.46%，年化波动1.15%，最大回撤0.37%[22][23] - 全球资产风险平价模型：本周收益0.13%，9月份收益-0.07%，2024年收益4.90%，年化波动1.03%，最大回撤0.31%[22][23] 3. 基于宏观因子的资产配置模型 - 基于宏观因子的资产配置模型：本周收益0.04%，9月份收益0.06%，2024年收益3.87%，年化波动1.24%，最大回撤0.45%[28][29]