- 本报告未涉及量化模型或量化因子的内容[2][3][4]

量化模型与构建方式 1. 模型名称：美股中期择时框架 - **模型构建思路**：通过经济景气、资金流动和金融压力三个维度构建择时指标，判断美股中期趋势[67][85] - **模型具体构建过程**： 1. **经济景气维度**：选取经济景气分项指标，计算其在滚动5年内的分位值，当前分位值为67.8%，表明经济景气高于历史中枢[67][85] 2. **资金流维度**：观察海外投资者对美股的净流入趋势，历史上该指标在美股大级别调整前具有一定领先性，目前尚未观察到趋势性拐点[67][85] 3. **金融压力维度**：利用OFR金融压力指数，结合套息交易平仓比例（已平仓76%），评估金融系统性风险，当前风险较低[67][85] - **模型评价**：模型综合考虑了经济、资金和金融压力三大核心因素，能够较好地反映美股中期趋势[67][85] --- 模型的回测效果 1. 美股中期择时框架 - **最新择时指标值**：71.75[72] - **历史触发调整值**：25以下[72] --- 量化因子与构建方式 1. 因子名称：套息交易因子 - **因子的构建思路**：基于日元-美元套息交易的收益逻辑，分析利差变化对套息交易规模及其对美股的潜在影响[18][23] - **因子具体构建过程**： 1. **底层逻辑**：日本长期低利率（1995年至今），借入低息日元买入高息美元资产，形成套息交易[18] 2. **收益测算**：2012年至今，日美10年国债收益差在1%-4%区间波动，日元年均贬值5.4%，套息交易收益较为可观[18] 3. **规模测算**： - 根据国际清算银行数据，日本银行以日元计价的对外债权规模截至2024Q1约为154万亿日元（约1万亿美元）[23] - 假设15%的套息交易资金流入美股，结合标普500收益率，测算美股存量套息交易规模约为3000亿美元[31] 4. **平仓比例估算**：以CME日元兑美元期货非商业空头头寸为参考，截至2024年8月5日，平仓比例约为76%[34] 5. **潜在影响测算**：假设剩余700亿美元资金全部平仓，同时带动等量其他资金流出，标普500潜在下跌幅度约为5.5%[36] - **因子评价**：因子构建基于明确的经济逻辑和数据支持，能够较好地量化套息交易对美股的影响[18][23][31] --- 因子的回测效果 1. 套息交易因子 - **存量规模**：约3000亿美元[31] - **已平仓比例**：76%[34] - **剩余规模**：约700亿美元[34] - **潜在下跌幅度**：标普500约5.5%[36]

量化模型与构建方式 1. 模型名称：Alpha 动量组合 - **模型构建思路**：基于动量效应，选择近期表现较好的股票构建组合，期望其未来继续保持上涨趋势[8] - **模型具体构建过程**： 1. 选取一组股票，计算其历史收益率 2. 根据收益率排序，选择表现最好的股票构建动量组合 3. 持有期为一个月，按月滚动调整组合[25] - **模型评价**：动量组合在短期内可能表现较弱，但在长期历史数据中表现出较好的超额收益[26] 2. 模型名称：Alpha 反转组合 - **模型构建思路**：基于反转效应，选择近期表现较差的股票构建组合，期望其未来出现反弹[12] - **模型具体构建过程**： 1. 选取一组股票，计算其历史收益率 2. 根据收益率排序，选择表现最差的股票构建反转组合 3. 持有期为一个月，按月滚动调整组合[25] - **模型评价**：反转组合在短期内表现较强，尤其在市场波动较大的情况下，能够提供显著的超额收益[26] 3. 模型名称：行业 Alpha 动量组合 - **模型构建思路**：基于行业动量效应，选择历史 Alpha 值较高的行业构建组合，期望其未来延续涨势[25] - **模型具体构建过程**： 1. 对各行业的 Alpha 值进行计算和排序 2. 选择 Alpha 值排名前 5 的行业构建动量组合 3. 从每个行业中选取与行业指数相关性最大的 30 只个股构建持股组合 4. 持有期为一个月，按月滚动调整组合[25][28] - **模型评价**：行业动量组合在短期内表现尤为突出，尤其是一个月的持有期内，累计收益显著高于基准指数[26] 4. 模型名称：行业 Alpha 反转组合 - **模型构建思路**：基于行业反转效应，选择历史 Alpha 值较低的行业构建组合，期望其未来出现反弹[25] - **模型具体构建过程**： 1. 对各行业的 Alpha 值进行计算和排序 2. 选择 Alpha 值排名最后 5 的行业构建反转组合 3. 从每个行业中选取与行业指数相关性最大的 30 只个股构建持股组合 4. 持有期为一个月，按月滚动调整组合[25][28] - **模型评价**：行业反转组合在短期内表现不如动量组合，但在特定市场环境下可能提供一定的超额收益[26] --- 模型的回测效果 1. Alpha 动量组合 - **累计收益**：本周累计下跌 1.93%[8] - **超额收益**：相对于 HS300 的超额收益为 -0.37%[8] 2. Alpha 反转组合 - **累计收益**：本周累计下跌 0.82%[12] - **超额收益**：相对于 HS300 的超额收益为 0.73%[12] 3. 30 只个股 Alpha 动量组合 - **累计收益**：本周累计下跌 2.90%[17] - **超额收益**：相对于 HS300 的超额收益为 -1.34%[17] 4. 30 只个股 Alpha 反转组合 - **累计收益**：本周累计下跌 0.45%[17] - **超额收益**：相对于 HS300 的超额收益为 1.11%[17] 5. 行业 Alpha 动量组合 - **累计收益**：历史实证期间累计涨幅为 150.7%[26] - **超额收益**：相对于上证综指的累计超额收益为 163.89%[26] 6. 行业 Alpha 反转组合 - **累计收益**：历史实证期间累计收益为 328.07%[29] - **超额收益**：相对于沪深 300 的累计超额收益为 307.16%[29] 7. 行业 Alpha 组合（近期表现） - **累计收益**：2024 年 8 月 1 日至 2024 年 8 月 9 日累计下跌 2.77%[30] - **超额收益**：相对于 HS300 的超额收益为 0.44%[30] --- 量化因子与构建方式 1. 因子名称：Alpha 因子 - **因子构建思路**：通过计算股票或行业的超额收益，衡量其相对于基准的表现[25] - **因子具体构建过程**： 1. 计算股票或行业的历史收益率 2. 减去基准指数的收益率，得到超额收益 3. 将超额收益作为 Alpha 因子值，用于排序和选股[25] --- 因子的回测效果 1. Alpha 因子 - **累计收益**：历史实证期间累计收益为 328.07%[29] - **超额收益**：相对于沪深 300 的累计超额收益为 307.16%[29]

量化模型与构建方式 1. 模型名称：二维择时模型 - **模型构建思路**：融合宏观趋势洞察与板块风险控制，捕捉计算机板块的利好信号，实现“攻守兼备”的策略目标[7][37] - **模型具体构建过程**： - **宏观维度**：当10年期美债收益率近1年历史分位回落至10%时，提示积极信号，增配进攻组合至75%[42] - **风险维度**：当计算机指数近1年半衰加权波动率分位回落至20%时，提示双重积极信号，增配进攻组合至100%[42] - **反向信号**：当美债收益率分位升至60%或波动率分位升至80%时，增配防御组合以控制下行风险[43] - **加权方式**：进攻组合和防御组合内部按自由流通市值加权[43] - **调仓频率**：月度调仓[43] - **比较基准**：计算机行业指数[43] - **模型评价**：通过宏观和风险信号的结合，模型在行业上涨阶段具备更强弹性，在下行阶段具备更好的防御能力[44] 2. 模型名称：进阶风险控制下的攻守兼备策略 - **模型构建思路**：在二维择时模型的基础上引入止损机制，进一步优化风险管理[49] - **模型具体构建过程**： - **止损机制**：当个股跌幅达到或超过20%时，触发止损操作，将对应个股仓位减半[49] - **目标**：限制潜在损失，同时保留部分反弹获利机会[49] - **模型评价**：止损机制显著提升了策略的稳健性，降低了整体波动和回撤[49] --- 模型的回测效果 1. 二维择时模型 - 年化收益：14.90%[47] - 年化波动：31.30%[47] - 最大回撤：72.82%[47] - 夏普比：0.60[47] - 超额年化：7.40%[47] - 胜率：49.28%[47] 2. 进阶风险控制下的攻守兼备策略 - 年化收益：16.45%[50] - 年化波动：30.60%[50] - 最大回撤：68.71%[50] - 夏普比：0.65[50] - 超额年化：8.85%[50] - 胜率：16.45%[50] --- 量化因子与构建方式 1. 因子名称：防御属性因子 - **因子构建思路**：通过低波动、低拥挤、筹码分散和高股息等特征筛选出防御属性领先的个股[6][18][19] - **因子具体构建过程**： - **第一层筛选**：按日收益率标准差从小到大排列，选择前50%股票作为基础池[18] - **第二层筛选**：从低拥挤、筹码分散和高股息三个维度筛选得分领先的Top10%个股[19] - **因子评价**：在行业Beta下行阶段表现出较强的抗跌能力，为投资组合提供稳健支撑[19] 2. 因子名称：进攻属性因子 - **因子构建思路**：通过高波动、重创新和高成长等特征筛选出进攻属性领先的个股[6][27][29] - **因子具体构建过程**： - **第一层筛选**：按日标准差从大到小排列，选择前50%股票作为基础池[27] - **第二层筛选**：从重创新和高成长两个维度筛选得分领先的Top15%个股[29] - **因子评价**：在行业Beta上行阶段表现出较强的收益弹性，为投资组合注入短期动能[30] --- 因子的回测效果 1. 防御属性因子 - 年化收益：16.10%[26] - 年化波动：28.03%[26] - 最大回撤：67.76%[26] - 夏普比：0.68[26] - 超额年化：8.52%[26] - 胜率：52.17%[26] 2. 进攻属性因子 - 年化收益：7.25%[35] - 年化波动：38.06%[35] - 最大回撤：79.54%[35] - 夏普比：0.38[35] - 超额年化：0.25%[35] - 胜率：47.83%[35]

量化模型与构建方式 1. 模型名称：综合配置策略 - **模型构建思路**：根据各细分行业的景气度信号，结合拥挤度指标，动态调整行业配置权重，形成综合配置策略[4][66] - **模型具体构建过程**： 1. 每月调仓时，首先根据各行业的景气度信号，筛选出景气上行和景气持平的行业[66] 2. 对景气持平行业的权重设置为景气上行行业的一半，以降低风险[66] 3. 排除拥挤度较高的行业，优先配置拥挤度较低的行业[66] 4. 最终形成综合配置策略[66] - **模型评价**：通过动态调整权重，综合策略在一定程度上规避了高拥挤度行业的波动风险，同时捕捉了景气上行行业的超额收益机会[66] --- 模型的回测效果 综合配置策略 - **最近1个月（2024/7/8-2024/8/6）**：收益1.2%，相对行业等权指数和中证800的超额收益分别为2.4%和2.7%[66][70] - **最近3个月（2024/5/7-2024/8/6）**：收益-7.8%，相对行业等权指数和中证800的超额收益分别为3.6%和2.2%[70] - **最近6个月（2024/2/7-2024/8/6）**：收益8.1%，相对行业等权指数和中证800的超额收益分别为6.4%和7.7%[70] --- 量化因子与构建方式 1. 因子名称：行业景气度因子 - **因子的构建思路**：通过行业内关键指标的边际变化，评估行业景气度的变化趋势[11][28][33][38][43][48][54][58] - **因子具体构建过程**： 1. 收集各行业的核心指标数据，如出口增速、营收增速、价格差等[11][28][33][38][43][48][54][58] 2. 计算指标的边际变化率，判断行业景气度的上行、持平或下行趋势[11][28][33][38][43][48][54][58] 3. 将景气度因子分为三类：景气上行、景气持平、景气下行[11][28][33][38][43][48][54][58] - **因子评价**：景气度因子能够较好地反映行业的基本面变化趋势，为行业配置提供了有效的量化依据[11][28][33][38][43][48][54][58] 2. 因子名称：行业拥挤度因子 - **因子的构建思路**：通过监测行业内资金流入和持仓集中度，评估行业的拥挤程度[62][64] - **因子具体构建过程**： 1. 计算行业内资金流入量和持仓集中度[62][64] 2. 将拥挤度水平与历史数据进行对比，确定当前拥挤度的分位水平[62][64] 3. 标记拥挤度处于滚动3年95%分位阈值以上的行业为高拥挤度行业[62][64] - **因子评价**：拥挤度因子能够有效识别高风险行业，帮助投资者规避潜在的波动风险[62][64] --- 因子的回测效果 行业景气度因子 - **家用电器**：景气度指标边际上行[31] - **光伏**：景气度指标边际上行[35] - **农林牧渔**：景气度指标边际上行[40] - **消费电子**：景气度指标边际上行[45] - **半导体**：景气度指标边际回升[50] - **建筑材料**：水泥景气度指标边际上行[56] - **通信**：通信设备综合景气指标边际上行[60] 行业拥挤度因子 - **交通运输**：拥挤度处于滚动3年95%分位阈值以上[62][64] - **国防军工**：拥挤度处于滚动3年95%分位阈值以上[62][64] - **银行**：拥挤度处于滚动3年95%分位阈值以上[62][64]

量化模型与构建方式 增强策略ETF模型 - **模型名称**：增强策略ETF模型 - **模型构建思路**：通过历史数据统计、建模和测算，构建增强策略ETF，旨在超越业绩比较基准的收益表现[4][18] - **模型具体构建过程**： 1. 选取特定指数（如沪深300、中证500、中证1000等）作为基准指数[18] 2. 通过量化模型对成分股进行优化配置，构建增强策略ETF[18] 3. 对模型进行回测和超额收益率测算，验证其有效性[18] - **模型评价**：增强策略ETF在近一年和2024年以来的表现显示出一定的超额收益能力，部分产品表现优异[18][19] 增强指数型基金模型 - **模型名称**：增强指数型基金模型 - **模型构建思路**：通过量化选股和优化配置，增强指数型基金的收益表现，目标是实现超额收益[27][28] - **模型具体构建过程**： 1. 选取特定指数（如沪深300、中证500、中证1000等）作为基准指数[27][28] 2. 运用量化模型对成分股进行筛选和权重调整[27][28] 3. 对基金的超额收益率进行回测和排名[27][28] - **模型评价**：部分增强指数型基金在近一年和2024年以来的超额收益率表现较好，显示出模型的有效性[27][28] --- 模型的回测效果 增强策略ETF模型 1. 招商中证500增强策略ETF，近一年超额收益率10.88%，2024年以来超额收益率7.63%[18][19] 2. 招商中证1000增强策略ETF，近一年超额收益率8.89%，2024年以来超额收益率5.69%[19] 3. 南方中证500增强策略ETF，近一年超额收益率8.09%，2024年以来超额收益率4.43%[19] 4. 鹏华上证科创板50增强策略ETF，近一年超额收益率8.08%，2024年以来超额收益率5.40%[19] 5. 博时中证500增强策略ETF，近一年超额收益率8.41%，2024年以来超额收益率6.08%[19] 增强指数型基金模型 1. 沪深300增强指数型基金中，大成沪深300增强A，近一年超额收益率7.69%[28] 2. 中证500增强指数型基金中，汇添富中证500指数增强A，近一年超额收益率9.25%[28] 3. 中证1000增强指数型基金中，农银中证1000指数增强A，近一年超额收益率10.01%[28] 4. 国证2000增强指数型基金中，招商国证2000指数增强A，近一年超额收益率11.86%[28]

- 国泰君安量化配置团队开发了Black-Litterman、风险平价、宏观因子3个基础资产配置模型[14] - 使用上述模型在国内股票、债券、商品、黄金4大类资产上开发了大类资产配置策略，并进行样本外跟踪[14] - 2024年以来，国内资产BL策略1收益为5.1%，7月收益为0.84%，最大回撤为0.78%，年化波动为1.25%[15] - 国内资产BL策略2收益为4.72%，7月收益为0.73%，最大回撤为0.65%，年化波动为1.12%[15] - 国内资产风险平价策略收益为4.55%，7月收益为0.46%，最大回撤为0.23%，年化波动为0.89%[15] - 基于宏观因子的资产配置策略收益为3.76%，7月收益为0.44%，最大回撤为0.27%，年化波动为0.92%[15]

量化模型与构建方式 1. 模型名称：大票30组合 - **模型构建思路**：将选股范围限定在上证50与深证100指数成分股（共150只），通过长端动量因子筛选出动量效应最强的30只股票，构建组合，持仓1个月[2][11][14] - **模型具体构建过程**： 1. 每月末在150只大票中，计算每只股票的长端动量因子值[11] 2. 选取长端动量因子值最高的30只股票，作为次月的大票30组合[11] 3. 持仓周期为1个月，月末进行再平衡[11] - **模型评价**：该模型弥补了量价因子在大市值股票池上的应用空白，同时满足了投资者对少而精的投资需求[2][11] 2. 因子名称：长端动量因子 - **因子的构建思路**：基于涨跌幅因子的内在结构，利用振幅切割方法，区分动量效应与反转效应，构造出能够捕捉低振幅下动量效应的因子[67][68] - **因子具体构建过程**： 1. 对选定股票，回溯取其最近160个交易日的数据[68] 2. 计算股票每日的振幅（公式：$ 振幅 = \text{最高价} / \text{最低价} - 1 $）[68] 3. 选择振幅较低的70%交易日，将这些交易日的涨跌幅加总，得到长端动量因子值[68] - **因子评价**：长端动量因子在全市场样本空间内表现稳健，具有显著的动量效应，选股能力强[68] --- 模型的回测效果 1. 大票30组合 - 年化收益率：13.57%[11][18] - 年化超额收益：13.54%（相对沪深300）[11][18] - 样本外4年均跑赢沪深300，2024年累计超额收益13%[2][14] - 风险收益比：0.57（2023年至今）[18] - 年化IR：2.79（2023年至今）[18] - 相对大票150等权基准的超额年化收益：20.69%[19] - 相对偏股混合型基金指数的超额年化收益：23.4%[19] 2. 长端动量因子 - RankIC均值：4.4%[68] - RankICIR值：1.76[68] - 多空对冲年化收益率：11.1%[68] --- 因子的回测效果 1. 长端动量因子 - RankIC均值：4.4%[68] - RankICIR值：1.76[68] - 多空对冲年化收益率：11.1%[68]

- 本报告未涉及量化模型或量化因子的构建、测试及评价内容[1][2][3]

- 宏观因子S1策略的配置比例为：股票2.63%，债券94.74%，商品2.63%[3][17] - 宏观因子S2策略的配置比例为：沪深300(16.29%)，中证500(0.0%)，中证1000(0.79%)，利率债(15.35%)，金融债(14.34%)，信用债(46.79%)，农产品(4.84%)，金属(0.0%)，化工(0.0%)，能源(0.0%)，黄金(1.6%)[3][17] - 宏观因子S1策略的7月回报为0.66%，股债策略回报为0.8%[3] - 宏观因子S2策略的7月回报为0.53%[3] - 宏观因子S1策略的表现指标包括：累计收益率63.09%，年化收益率9.52%，年化波动率6.02%，最大回撤率-9.25%，胜率（D）61.21%，盈亏比0.91，夏普比率1.58，卡玛比率1.03[18] - 宏观因子S2策略的表现指标包括：累计收益率44.4%（稳健型），50.9%（平衡型），57.5%（进取型）；年化收益率7.1%（稳健型），7.9%（平衡型），8.8%（进取型）；年化波动率3.9%（稳健型），4.9%（平衡型），6.0%（进取型）；最大回撤率-5.0%（稳健型），-6.6%（平衡型），-8.2%（进取型）；胜率（D）58.9%（稳健型），59.5%（平衡型），60.3%（进取型）；盈亏比0.99（稳健型），0.96（平衡型），0.92（进取型）；夏普比率1.83（稳健型），1.63（平衡型），1.48（进取型）；卡玛比率1.41（稳健型），1.20（平衡型），1.07（进取型）[19]