- 本次提供的文档内容主要为有色金属市场的日度数据、市场回顾、交易策略以及相关资讯等内容，未涉及量化模型或量化因子的构建、测试及评价[1][3][6] - 文档中包含了大量的市场数据和价格走势分析，例如铜、铝、锌、铅、镍等有色金属的现货价格、期货价格、升贴水、库存等信息，但未涉及量化模型或因子的具体构建过程或公式[57][58][60] - 文档中提到的交易策略主要为单边、套利和期权的操作建议，未涉及量化模型或因子的测试结果或评价[9][15][20] - 文档中未提供任何量化模型或因子的名称、构建思路、构建过程、公式或测试结果[1][3][6]

量化模型与构建方式 1. 模型名称：动态跟踪误差策略 - **模型构建思路**：通过动态调整跟踪误差，根据基准指数的集中度变化优化投资策略。在基准高度集中时，降低跟踪误差以减少偏离基准的风险；在基准较分散时，提高跟踪误差以获取超额收益[9] - **模型具体构建过程**： 1. 计算基准指数的集中度，衡量其多元化程度 2. 在基准高度集中时，采用低跟踪误差策略，减少与基准的偏离 3. 在基准较分散时，采用高跟踪误差策略，增加与基准的偏离以获取超额收益 4. 动态调整跟踪误差约束，提升主动管理策略的灵活性[9] - **模型评价**：动态跟踪误差策略能够更好地适应指数多样化的变化，为投资者创造更高价值[9] 2. 模型名称：基于共现性的全面优化方法 - **模型构建思路**：引入共现性（co-occurrence）概念，替代传统相关性系数，捕捉资产间的真实动态关联，优化投资组合分散化[10] - **模型具体构建过程**： 1. 定义共现性：衡量资产累积回报的协同变动，其加权平均等于传统相关系数 2. 通过共现性反映收益分布的非对称性和时变特征 3. 基于共现性构建优化模型，无需依赖回报序列独立性和正态分布假设 4. 优化投资组合，提升分散化效果[10] - **模型评价**：共现性在复杂市场条件下表现更为直观且灵活，为构建更具实用价值的分散化投资组合提供了新的解决路径[10] 3. 模型名称：动量调整与数据挖掘置信带策略 - **模型构建思路**：在传统相对估值策略的基础上，引入动量调整和数据挖掘置信带方法，改善策略表现[11] - **模型具体构建过程**： 1. 使用相对估值信号（如市盈率、市净率等）筛选股票 2. 引入动量调整因子，结合估值信号优化选股逻辑 3. 应用数据挖掘置信带方法，增强策略的稳健性 4. 回测策略表现，验证改进效果[11] - **模型评价**：尽管传统相对估值信号的有效性有所下降，但通过动量调整和数据挖掘置信带方法，策略表现得到了显著改善[11] --- 模型的回测效果 1. 动态跟踪误差策略 - 超额收益：在基准较分散时期，高跟踪误差策略显著提升收益[9] - 风险控制：在基准高度集中时期，低跟踪误差策略有效降低偏离基准的风险[9] 2. 基于共现性的全面优化方法 - 分散化效果：相比传统相关性方法，共现性优化模型在复杂市场条件下表现更优[10] - 灵活性：无需依赖传统假设，能够捕捉资产间的真实动态关联[10] 3. 动量调整与数据挖掘置信带策略 - 回测表现：24种基于相对估值信号的策略中，动量调整与置信带方法显著改善了策略回报[11] - 长期有效性：尽管过去20年相对估值信号的有效性下降，但改进后的策略仍具可行性[11]

量化因子与构建方式 1. **因子名称：被动持股市值变化率因子（mv_passive_chg）** - **因子的构建思路**：通过计算区间内被动持股市值的变动率来衡量个股的被动资金流动情况 - **因子具体构建过程**：计算公式为 $$ mv\_passive\_chg = \frac{\Delta mv\_passive}{mv\_passive\_start} $$ 其中，$\Delta mv\_passive$为区间内被动持股市值的变动，$mv\_passive\_start$为期初被动持股市值[34][118] - **因子评价**：整体选股效果有限，多头端有一定的选股效果，但空头端基本无效[118] 2. **因子名称：被动持股占比时序变动因子（w_passvie_zs）** - **因子的构建思路**：通过z-score标准化方式衡量被动持股占比的时序变动，消除不同行业市值规模和波动性的差异 - **因子具体构建过程**：计算公式为 $$ w\_passvie\_zs = z\_score(w\_passvie) $$ 其中，$w\_passvie$为被动持股市值占比[34][118] - **因子评价**：该因子在所有年份中基本没有显著区分度，但其相对稳定的年度超额收益值得关注[118] 3. **因子名称：被动净流入占比因子（w_passive_inflow）** - **因子的构建思路**：通过计算区间内被动净流入占比来衡量个股的被动资金流动情况 - **因子具体构建过程**：计算公式为 $$ w\_passive\_inflow = \frac{被动净流入}{期末流通市值} $$ 其中，$被动净流入$为区间内ETF的申赎导致的持有市值变动[34][118] - **因子评价**：整体选股效果有限，多头端有一定的选股效果，但空头端基本无效[118] 4. **因子名称：被动资金斜率因子（passive_slope）** - **因子的构建思路**：通过计算个股被动持股市值的斜率，反映个股本身的涨跌幅和资金流入流出情况 - **因子具体构建过程**：计算公式为 $$ passive\_slope = \text{斜率}(mv\_passive, 时间) $$ 其中，$mv\_passive$为个股的日度被动持股市值[127][128] - **因子评价**：该因子更像是“多头版”反转因子，具有更强的多头选股能力和稳定性[127][128] 5. **因子名称：被动资金流Beta因子（passive_beta）** - **因子的构建思路**：衡量个股涨跌幅对资金流变动的敏感程度 - **因子具体构建过程**：计算公式为 $$ passive\_beta = \beta(\text{个股涨跌幅}, \text{资金流日变化率}) $$ 其中，$\beta$为回归系数[131][132] - **因子评价**：对被动资金流变动敏感程度较低的个股未来会有正向超额收益，属于多头因子[131][132] 因子的回测效果 1. **被动持股市值变化率因子（mv_passive_chg_20d）** - Rank IC：-2.05% - IC胜率：59.3% - 多头年化超额收益：2.2%[118][121] 2. **被动持股占比时序变动因子（w_passvie_zs_20d）** - Rank IC：-0.05% - IC胜率：62.7% - 多头年化超额收益：2.2%[118][121] 3. **被动净流入占比因子（w_passive_inflow_20d）** - Rank IC：-0.71% - IC胜率：57.6% - 多头年化超额收益：0.1%[118][121] 4. **被动资金斜率因子（passive_slope_20d）** - Rank IC：-2.01% - IC胜率：59.3% - 多头年化超额收益：2.9%[128][134] 5. **被动资金流Beta因子（passive_beta_20d）** - Rank IC：-2.22% - IC胜率：72.9% - 多头年化超额收益：4.7%[134][137]

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**：通过量化方法挑选具有长期稳定收益特征的主动权益基金，构建低波动特征的基金组合，满足在高风险市场环境下的防御需求[11][13] - **模型具体构建过程**： - 以基金历史较长时间的净值回撤和波动水平为基础，评估基金经理的投资风格和风险控制能力[13] - 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[13] - 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[13] - **模型评价**：该组合在低波动和小回撤的特性下，兼具一定的进攻性，适合风险偏好较低的投资者[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[11][14] - **模型具体构建过程**： - 对基金收益率指标进行研究，拆分基金收益来源[14] - 剔除配置行业的Beta收益后，提取剩余的Alpha收益[14] - 基于Alpha收益的显著延续性，构建股基增强基金组合策略[14] - **模型评价**：在当前市场环境下，组合策略表现与基准接近，未来市场改善后有望展现更强弹性[25] 3. 模型名称：现金增利基金组合 - **模型构建思路**：基于货币基金的多维特征因子，优选收益表现更优秀的货币基金，优化现金管理[12][16] - **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[16] - 关注机构持仓占比和偏离度等风险指标，减少收益波动风险[16] - 构建货币基金优选体系，帮助投资者获取更高收益水平[16] - **模型评价**：通过风险剔除和打分优选，组合持续跑赢比较基准，超额收益显著[26] 4. 模型名称：海外权益配置基金组合 - **模型构建思路**：基于海外国家或地区的权益市场指数，结合长期动量和短期反转因子，优选上涨趋势且动能较好的指数，构建全球化投资组合[12][17] - **模型具体构建过程**： - 剔除涨势过高、出现超买的指数[17] - 选择处于上涨趋势且上升动能较好的指数作为配置标的[17] - 构建海外权益配置基金组合，满足全球化投资需求[17] - **模型评价**：组合在全球化配置中展现了较强的收益增厚能力，适合长期投资者[29] --- 模型的回测效果 1. 常青低波基金组合 - 本周收益：-0.427%[18] - 近一个月收益：0.583%[21] - 今年以来收益：12.311%[21] - 策略运行以来收益：7.079%[21] 2. 股基增强基金组合 - 本周收益：-0.820%[18] - 近一个月收益：-0.169%[21] - 今年以来收益：7.606%[21] - 策略运行以来收益：7.606%[21] 3. 现金增利基金组合 - 本周收益：0.034%[18] - 近一个月收益：0.150%[21] - 今年以来收益：1.912%[21] - 策略运行以来收益：2.819%[21] 4. 海外权益配置基金组合 - 本周收益：-2.949%[19] - 近一个月收益：1.494%[21] - 今年以来收益：17.731%[21] - 策略运行以来收益：23.902%[21]

- 本报告未涉及量化模型或量化因子的具体构建内容[5][7][8] - 报告中提到量化产品的收益表现，其中主动量化产品上周平均收益为-0.66%，量化对冲产品为-0.03%[18][19] - 年初至今，主动量化产品平均收益为6.56%，量化对冲产品为-1.85%[21][22]

- 模型名称：TWOBETA模型；模型构建思路：基于行业配置推荐；模型具体构建过程：通过分析市场趋势和行业表现，推荐科技板块和机器人主题；模型评价：模型在12月继续推荐科技板块，中期建议关注机器人主题[2][3][9] - 模型名称：仓位管理模型；模型构建思路：基于估值指标和市场趋势判断；模型具体构建过程：结合wind全A指数的PE和PB估值水平，当前建议仓位至70%；模型评价：模型建议以wind全A为股票配置主体的绝对收益产品仓位至70%[3][9] - 模型名称：行业配置模型；模型构建思路：基于困境反转型板块推荐；模型具体构建过程：推荐地产/新能源等相关行业；模型评价：当前行业配置继续推荐困境反转型板块，推荐地产/新能源等相关行业[2][3][9] - 模型名称：择时体系；模型构建思路：基于均线距离和市场趋势判断；模型具体构建过程：通过分析wind全A指数的长期均线（120日）和短期均线（20日）的距离，判断市场趋势；模型评价：当前均线距离13.7%，绝对距离继续大于3%，短期市场或将进行方向选择[2][3][8] - TWOBETA模型，推荐科技板块和机器人主题[2][3][9] - 仓位管理模型，建议仓位至70%[3][9] - 行业配置模型，推荐地产/新能源等相关行业[2][3][9] - 择时体系，均线距离13.7%，绝对距离继续大于3%[2][3][8]

量化模型与构建方式 1. 模型名称：基金仓位监测模型 - **模型构建思路**：通过数理统计方法估算主动权益基金在各行业的配置比例，分析基金仓位的变化趋势[3][11][35] - **模型具体构建过程**： 1. 收集主动权益基金的持仓数据，结合Wind全A指数的行业配置比例进行对比[11] 2. 通过统计方法估算各行业的配置比例，计算主动权益基金在各行业的超配或低配情况[11] 3. 监测基金仓位的周度变化，分析增减持幅度[35] - **模型评价**：该模型能够较为直观地反映机构资金的行业配置偏好，为投资者提供配置方向的参考[11][35] 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，利用深度神经网络预测行业的配置价值[16][18][19] - **模型具体构建过程**： 1. 提取行业指数的日频价量数据，包括价格趋势、波动率和成交量等特征[16] 2. 使用深度神经网络对行业配置价值进行预测，将得分标准化至[-1,1]区间[16][19] 3. 根据得分排名，构建短期看好的行业组合[18] - **模型评价**：该模型结合了AI技术和量化分析，能够动态捕捉行业配置机会，但对数据质量和模型参数的依赖较高[16][19] 3. 模型名称：GDPNOW模型 - **模型构建思路**：基于高频经济数据，实时预测季度GDP增速，提供宏观经济的短期变化趋势[25][26] - **模型具体构建过程**： 1. 收集高频经济数据，如零售销售、新屋开工等指标[25] 2. 使用动态因子模型对数据进行处理，实时更新GDP增速预测值[25] 3. 输出最新的季度GDP增速预测结果[26] - **模型评价**：该模型能够快速反映宏观经济的边际变化，为投资决策提供及时的参考[25][26] 4. 模型名称：知情交易者活跃度指标 - **模型构建思路**：通过分析市场交易数据，评估知情交易者的活跃程度，判断市场情绪和短期走势[27][28] - **模型具体构建过程**： 1. 收集市场交易数据，包括成交量、换手率等[27] 2. 计算知情交易者活跃度指标，分析其变化趋势[27] 3. 将指标与市场行情走势进行对比，评估市场情绪[28] - **模型评价**：该指标能够捕捉市场中潜在的知情交易行为，为短期择时提供参考[27][28] --- 模型的回测效果 1. 基金仓位监测模型 - **主动权益基金在食品饮料行业的配置比例**：5.1%，低于Wind全A的5.5%[11] - **主动权益基金对TMT板块的周度增持幅度**：0.22%[35] - **主动权益基金对商贸零售行业的周度减持幅度**：0.32%[35] 2. AI价量模型 - **近期行业配置组合**：汽车、机械设备、交通运输、传媒、银行[18] - **汽车行业配置得分**：0.42，较1周前上升0.12，较2周前上升0.24[19] - **机械设备行业配置得分**：0.40，较1周前下降0.05，较2周前上升0.08[19] 3. GDPNOW模型 - **2024年四季度GDP增速预测值**：4.6%，相较于上周无变化[26] 4. 知情交易者活跃度指标 - **指标变化趋势**：本周小幅下跌后反弹，表明知情交易者对后市持乐观态度[27][28] --- 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，分析不同风格因子的表现[37][38] - **因子具体构建过程**： 1. 收集股票的基本面和市场数据，如市值、换手率、盈利能力等[37] 2. 构建多因子模型，分解股票收益为风格因子收益[37] 3. 计算各风格因子的周度收益，分析其变化趋势[38] - **因子评价**：该因子体系能够全面反映市场风格变化，为投资者提供多维度的选股依据[37][38] --- 因子的回测效果 1. BARRA风格因子 - **换手因子收益**：本周-0.6%，上周0.5%[38] - **盈利能力因子收益**：本周0.2%，上周0.1%[38] - **动量因子收益**：本周0.3%，上周-0.8%[38] - **市值因子收益**：本周0.3%，上周-0.5%[38] - **股息率因子收益**：本周0.2%，上周-0.3%[38]

- 一致预测和评级变化因子在最近一周表现较好，超额收益达到0.5%以上[2][35] - 具体表现较好的因子包括评级上下调差/评级上下调和、(当前一致预测roe_FY1-3个月前一致预测roe_FY1)/3个月前一致预测roe_FY1绝对值等[35] - 在不同宽基指数（沪深300、中证500、中证1000和国证2000）内表现均较好的因子有过去30天上调评级家数、过去90天综合评级3个月动量等[38] - 整体来看，小市值下因子表现更好[38] - 行为因子在金融、消费、科技、制造、周期和公用事业板块中表现较好，部分行业中盈利因子胜率较佳[40] - 基于研报覆盖度调整的沪深300增强组合、中证500和中证1000增强组合上周分别实现绝对收益0.28%、-1.26%和-1.34%，分别实现超额收益0.42%、-0.07%和-0.03%[2][43] - 12月超额收益分别为1.15%、0.87%和0.26%，本年超额收益分别为7.24%、10.41%和4.37%[43] - 资金流共振策略表现稳定，2018年以来费后年化超额收益14.5%，信息比率1.4[29] - 资金流共振策略上周录得正向超额收益，实现-1.8%的绝对收益与0.3%的超额收益[29]

量化模型与构建方式 1. 模型名称：戴维斯双击策略 - **模型构建思路**：以较低的市盈率（PE）买入具有成长潜力的股票，待成长性显现、市盈率相应提高后卖出，获得EPS和PE的“双击”收益[1][7] - **模型具体构建过程**： 1. 选取盈利持续增长的股票，重点关注业绩增速加速增长的标的 2. 使用PEG指标评估股票定价的合理性，确保盈利增速较高的公司享受更高估值 3. 在低PE时买入，待成长性显现后卖出[7] - **模型评价**：策略在回测期内表现出较高的稳定性，7个完整年度的超额收益均超过11%[11] 2. 模型名称：净利润断层策略 - **模型构建思路**：结合基本面和技术面，通过业绩超预期和盈余公告后股价跳空的共振，筛选出市场认可度高的股票[2][13] - **模型具体构建过程**： 1. 每期筛选过去两个月内业绩预告和正式财报中满足超预期事件的股票 2. 按照盈余公告日跳空幅度排序，选取前50只股票等权构建组合[13] - **模型评价**：策略表现出较高的收益能力，年化收益率和超额收益率均较为突出[16] 3. 模型名称：沪深300增强组合 - **模型构建思路**：基于投资者偏好（GARP型、成长型、价值型）构建因子，筛选出估值低、盈利能力强或成长潜力稳定的股票[3][18] - **模型具体构建过程**： 1. **GARP型因子**： - 构建PBROE因子：PB与ROE的分位数之差 - 构建PEG因子：PE与增速的分位数之差 2. **成长型因子**：通过营业收入、毛利润、净利润增速筛选高速成长的股票 3. **价值型因子**：关注长期稳定高ROE的公司，适合长期持有[18] - **模型评价**：历史回测显示超额收益稳定，适合增强型投资策略[18] --- 模型的回测效果 1. 戴维斯双击策略 - 年化收益率：26.45%[11] - 年化超额收益率：21.08%[11] - 全样本超额收益率：21.36%[9] - 最大相对回撤：-20.14%[9] - 收益回撤比：1.06[9] 2. 净利润断层策略 - 年化收益率：28.69%[16] - 年化超额收益率：26.80%[16] - 全样本超额收益率：26.80%[15] - 最大相对回撤：-37.12%[15] - 收益回撤比：0.72[15] 3. 沪深300增强组合 - 年化收益率：9.10%[18] - 年化超额收益率：8.46%[18] - 全样本超额收益率：8.46%[18] - 最大相对回撤：-9.18%[18] - 收益回撤比：0.92[18]

- 宏观因子S1策略本月配置比例为：股票(5.0%)，债券(90.0%)，商品(5.0%)[5] - 宏观因子S2策略配置比例为：沪深300(28.32%)，中证500(7.04%)，中证1000(8.76%)，利率债(11.8%)，金融债(12.52%)，信用债(1.1%)，农产品(13.98%)，金属(3.86%)，化工(7.41%)，能源(2.35%)，黄金(2.86%)[5] - S1策略大类资产配置比例：12月配置比例为股票(35.98%)，债券(14.39%)，商品(49.63%)；11月配置比例为股票(5.00%)，债券(90.00%)，商品(5.00%)[14] - S2策略平衡型大类资产配置比例：12月配置比例为沪深300(28.32%)，中证500(7.04%)，中证1000(8.76%)，利率债(11.80%)，金融债(12.52%)，信用债(1.10%)，农产品(13.98%)，金属(3.86%)，化工(7.41%)，能源(2.35%)，黄金(2.86%)[16] - S1策略历史表现：股债商配置组合累计收益率77.46%，年化收益率10.50%，年化波动率6.71%，最大回撤率-9.25%，胜率60.84%，盈亏比0.94，夏普比率1.57，卡玛比率1.13[26] - S2策略历史表现：平衡型策略累计收益率65.4%，年化收益率9.2%，年化波动率5.7%，最大回撤率-6.6%，胜率59.1%，盈亏比0.99，夏普比率1.61，卡玛比率1.39[30] - 股指期货跨期套利策略：年化基差率因子IC、IM盈利，IH、IF小幅回撤[37] - 股指期货日度择时策略：等权单因子看空各品种；OLS和Xgboost模型最近信号看多IH、IF看空IC、IM[38] - 股指期货日内择时策略：近一周收跌，信号方面日内倾向于给出做空信号[39] - 国债期货策略：期债量化模型建议单边策略中性，本周IRR小幅回落但仍处于较高区间，套保策略与正套策略可继续关注[103] - 国债期货基差与期现套利：30年主力合约基差位于3.64，10年期主力合约基差位于0.15，5年期主力合约基差位于0.07，2年期国债期货基差位于-0.12[104] - LSTM高频量价日度择时策略：国债期货日度择时策略净值（T）累计收益率24.0%，年化收益率5.8%，年化波动率2.9%，最大回撤率-2.7%，胜率57.2%，盈亏比1.2，夏普比率2.0，Calmar比2.1[109] - 三十年国债期货策略：基于债券净价加基差预测的三十年国债期货策略信号偏多[114] - 久期中性跨品种套利策略：仓位调整后的跨品种策略因carry因子未超出阈值当期信号为观望[118] - 信用债久期轮动中性策略：基于远季合约的国债期货对冲压力指数本周低位震荡，当前信用债久期轮动加对冲策略持有3-5年指数并进行国债期货对冲[123] - 商品因子表现：最近一周商品各类因子的表现整体来看平稳震荡，仅有期限结构类因子出现小幅上涨，下跌因子中仓单类和期现基差类因子跌幅相对较大[130] - CWFT策略年化收益10.2%，夏普比率1.69，Calmar1.16，最大回撤-8.81%，最近一周收益-0.16%，今年以来收益3.98%[130] - C_frontnext & Short Trend策略年化收益13.0%，夏普比率1.95，Calmar1.94，最大回撤-6.72%，最近一周收益0.09%，今年以来收益3.48%[130] - Long CWFT & Short CWFT策略年化收益14.5%，夏普比率1.54，Calmar1.11，最大回撤-13.07%，最近一周收益-1.19%，今年以来收益-1.09%[130] - CS XGBoost策略年化收益9.6%，夏普比率1.63，Calmar1.31，最大回撤-7.34%，最近一周收益-0.49%，今年以来收益-3.05%[130] - RuleBased TS Sharp-combine策略年化收益12.3%，夏普比率1.54，Calmar1.49，最大回撤-8.26%，最近一周收益0.28%，今年以来收益4.84%[130] - RuleBased TS XGB-combine策略年化收益12.8%，夏普比率2.11，Calmar2.84，最大回撤-4.49%，最近一周收益0.68%，今年以来收益8.36%[130] - CS strategies, EW combine策略年化收益15.9%，夏普比率2.15，Calmar2.15，最大回撤-7.38%，最近一周收益-0.83%，今年以来收益-0.23%[130] - 基本面量化策略：以2015至2020为第一个训练集，五年滚动训练OLS、XGBoost和合成模型(权重各一半)，基于三个模型结果，分别构建市场中性和多空策略，共六个策略[158] - OLS模型表现：样本外的2020-2023年多空整体收益更高，夏普比更稳健，但今年以来多空的收益弱于市场中性策略[159] - XGB模型表现：样本外的2020-2023年两种策略构建方式整体收益均高且稳定，今年以来市场中性的年化收益和夏普比为-7.74%和-1.25，多空策略的分别为-5.36%和-0.41[166] - 合成模型表现：样本外表现以多空策略为佳，但今年以来市场中性的表现更好，年化收益和夏普比分别为3.08%和0.44，而多空策略为0.59%和0.07[167]