量化模型与构建方式 1. 模型名称：基于动态宏观事件因子的中证港股通大消费指数择时策略 模型构建思路：通过经济、通胀、货币和信用四维度的20余个宏观数据指标构建事件因子，筛选出对指数择时效果较好的5个宏观因子，根据因子信号确定仓位[4][21] 模型具体构建过程： - 宏观数据预处理： - 对齐数据频率至月频 - 缺失值填充公式：$$X_{t}=X_{t-1}+Median_{diff12}$$[28] - 滤波处理使用单向HP滤波公式：$${\hat{t}}_{t|t,\lambda}=\sum\nolimits_{s=1}^{t}\omega_{t|t,s,\lambda}\cdot y_{s}=W_{t|t,\lambda}(L)\cdot y_{t}$$[29] - 衍生数据结构（同比/环比/移动平均）[30] - 事件因子构建： - 确定突破方向（与收益率相关性）[31] - 确定领先滞后性（测试0-4期）[31] - 生成三类事件因子（突破均线/中位数/同向变化）[31][33] - 筛选标准：t检验显著、收益率胜率>55%、发生次数>窗口期/6[33] - 因子叠加优化（相关系数<0.85）[34] - 动态确定最优滚动窗口（48-96个月）[34] - 仓位确定规则： - 看多信号>2/3则仓位100% - 看多信号<1/3则仓位0% - 中间比例则按比例确定仓位[36] 模型评价：在基准回撤阶段能有效控制下行风险，多数年份取得正超额收益[12] 量化因子与构建方式 1. 因子名称：PMI原材料价格因子 因子构建思路：使用原始PMI原材料价格数据，构建突破类事件因子[36] 因子具体构建过程： - 数据处理：原始数据直接使用 - 滚动窗口：96个月 - 事件类型：突破均线/中位数/同向变化[33] 2. 因子名称：中美国债利差10Y因子 因子构建思路：利用中美10年期国债利差原始数据构建事件因子[36] 因子具体构建过程： - 数据处理：原始数据直接使用 - 滚动窗口：72个月 3. 因子名称：金融机构中长期贷款余额因子 因子构建思路：基于12个月滚动求和同比数据构建信用类事件因子[36] 因子具体构建过程： - 数据处理：原始数据直接使用 - 滚动窗口：48个月 4. 因子名称：M1同比因子 因子构建思路：利用货币供应量M1同比数据构建货币类事件因子[36] 因子具体构建过程： - 数据处理：原始数据直接使用 - 滚动窗口：48个月 5. 因子名称：新增社融滚动求和同比因子 因子构建思路：基于12个月滚动求和同比数据构建信用类事件因子[36] 因子具体构建过程： - 数据处理：原始数据直接使用 - 滚动窗口：96个月 模型的回测效果 1. 基于动态宏观事件因子的择时策略（2018/11-2025/7）： - 年化收益率：9.31% - 最大回撤：-29.72% - 夏普比率：0.54 - 收益回撤比：0.31[3][11] - 2025年7月收益率：2.79%（基准2.48%）[11] - 平均仓位：约43%[11] 2. 细分因子信号表现（2025年2-7月）： - PMI原材料价格因子：连续6个月发出信号（5次看多）[14] - 新增社融因子：2025年6月看多信号[14] 因子的回测效果 1. 最终筛选的5个宏观因子（2014/11起测试）： - PMI原材料价格因子：开仓波动调整收益率最优（96个月窗口）[36] - 中美国债利差10Y因子：开仓波动调整收益率次优（72个月窗口）[36] - 其他三个因子均通过55%胜率筛选标准[34]

月度择时模型表现 - 2025年4月配置模型收益率为-1.66%，优于等比例基准（-2.21%）及中证港股通大消费指数 [1] - 2018年11月至2025年4月策略年化收益率达9.25%，最大回撤-29.72%，夏普比率0.52，收益回撤比0.31，全面跑赢基准 [1] - 策略在多数年份实现正超额收益，并在基准回撤阶段有效控制下行风险 [1] 动态宏观事件因子策略构建 - 选取中证港股通大消费主题指数，通过经济、通胀、货币、信用四维度20余个宏观指标筛选出5个有效择时因子 [2] - 因子信号规则：当>2/3因子看多时标记为1，<1/3看多时标记为0，中间状态按比例标记 [2] - 大类因子得分直接转化为仓位信号，形成量化择时框架 [2]