量化模型与构建方式 1. **模型名称：DTW相似性择时模型**[7][20] * **模型构建思路**：基于技术分析中的相似性原理，通过比较当前市场行情与历史行情的相似度来预测未来走势[20]。采用动态时间规整（DTW）距离而非欧氏距离作为相似性度量标准，以解决时间序列错配问题，并引入改进的DTW算法来避免“病态匹配”[22][24]。 * **模型具体构建过程**： 1. **数据准备**：获取目标指数（如沪深300）的历史价格序列。 2. **片段截取**：将当前最新的行情片段（例如最近N个交易日）作为待匹配序列。 3. **相似性计算**：在历史数据中滑动截取相同长度的片段，使用改进的DTW算法计算当前片段与每一个历史片段之间的距离。改进算法通过增加边界限制条件（如Sakoe-Chiba或Itakura Parallelogram）来约束规整路径，防止过度弯曲[24][26][28]。 4. **片段筛选**：选取DTW距离最小的K个历史片段作为相似片段。 5. **信号生成**：计算这K个相似片段在未来特定时期（如未来5日或1日）的收益率。对这些未来收益率进行加权平均，权重为对应历史片段DTW距离的倒数[20]。同时计算这些未来收益率的加权标准差。 6. **决策规则**：根据计算出的加权平均预测涨跌幅和其方差（不确定性），结合预设的阈值（如预测涨跌幅必须大于某个值，且方差低于某个值）来生成最终的交易信号（如“多”、“空”或“无信号”）[8][20]。例如，若预测涨跌幅为正且超过阈值，同时方差低于阈值，则发出看多信号。 2. **模型名称：外资择时模型**[7][30] * **模型构建思路**：利用境外上市的、与A股相关联的金融资产（富时中国A50股指期货和南方A50ETF）的价格信息，构建择时指标，挖掘外资动向对A股的预示作用[30]。 * **模型具体构建过程**： 1. **数据源选择**：选取富时中国A50股指期货（新加坡交易所）和南方A50ETF（香港交易所）作为信息源[30]。 2. **指标构建（富时中国A50股指期货）**： * **升贴水指标**：基于期货价格与现货指数之间的升贴水关系构建。 * **价格背离指标**：基于期货价格与A股现货指数之间的走势背离关系构建。 * 将上述两个指标复合，形成**富时中国A50股指期货择时信号**[30]。 3. **指标构建（南方A50ETF）**： * **价格背离指标**：基于ETF价格与A股现货指数之间的走势背离关系构建，形成**南方A50ETF择时信号**[30]。 4. **信号复合**：将来自富时中国A50股指期货和南方A50ETF的两个择时信号进行复合，最终生成统一的**外资择时信号**[30]。 模型的回测效果 1. **DTW相似性择时模型**，样本外跟踪期间（2022年11月以来）绝对收益率35.52%[2][9]，相对沪深300指数超额收益率8.60%[9]，最大回撤率21.32%[2][9]。 2. **外资择时模型（多头策略）**，样本外跟踪期间（2024年以来）绝对收益率31.33%[2][17]，最大回撤率8.23%[2][17]。 3. **外资择时模型（全样本：2014年12月30日至2024年12月31日）**，多空策略年化收益率18.96%[13]，最大回撤率25.69%[13]；多头策略年化收益率14.19%[13]，最大回撤率17.27%[13]，日胜率近55%[13]，盈亏比超过2.5[13]。 量化因子与构建方式 1. **因子名称：大小盘轮动因子（DTW）**[3][8] * **因子构建思路**：利用DTW相似性模型，直接对大小盘风格进行择时判断[3]。 * **因子具体构建过程**：该因子是DTW相似性择时模型的一个直接应用输出。模型通过比较当前市场整体或风格指数的行情与历史行情的相似度，直接输出对于“大盘”或“小盘”风格的判断信号[3][8]。 2. **因子名称：大小盘轮动因子（估值比）**[3][8] * **因子构建思路**：基于大小盘指数之间的估值比率（如市盈率PE之比、市净率PB之比）进行风格轮动判断。 * **因子具体构建过程**：计算代表大盘的指数（如沪深300）与代表小盘的指数（如中证1000）的估值指标比率。当该比率处于历史高位时，可能预示小盘股相对估值偏高，风格可能切换至大盘；反之亦然。根据比率在历史分位数上的位置生成信号[3][8]。 3. **因子名称：成长价值轮动因子（估值比）**[3][8] * **因子构建思路**：基于成长与价值风格指数之间的估值比率进行风格轮动判断。 * **因子具体构建过程**：计算代表成长风格的指数与代表价值风格的指数的估值指标比率。通过分析该比率的历史分位数或变化趋势，来判断市场风格是偏向成长还是价值[3][8]。 4. **因子名称：AH轮动因子**[3][8] * **因子构建思路**：针对同时在A股和港股上市的公司或板块，通过模型判断投资A股还是港股更具优势。 * **因子具体构建过程**：该因子是DTW相似性择时模型在跨市场比较上的应用。模型分别对A股和港股对应板块或指数的未来走势进行预测，并比较其预测涨跌幅及确定性，从而给出“A股”、“港股”或“均衡”的信号[8]。例如，对于“科技”板块，模型给出A股权重83%、港股权重17%的判断，最终信号为“A股”[8]。 5. **因子名称：富时中国A50股指期货升贴水指标**[30] * **因子构建思路**：期货价格与现货指数价格的差异（升水或贴水）反映了市场情绪和资金预期。 * **因子具体构建过程**：计算富时中国A50股指期货价格与其标的现货指数价格之间的比率或差值。持续升水可能代表外资看好后市，贴水则可能代表看空或套保需求旺盛。该指标作为外资择时模型的子指标之一[30]。 6. **因子名称：价格背离指标**[30] * **因子构建思路**：境外资产（A50期货或ETF）价格走势与境内A股现货指数走势出现背离时，可能蕴含先行信息。 * **因子具体构建过程**：分别计算富时中国A50股指期货、南方A50ETF的价格序列与A股核心现货指数（如沪深300）价格序列之间的相关性、相对强弱或走势差异。当出现显著背离时，将其作为择时信号的一个来源。该指标应用于外资择时模型中的两个资产[30]。 因子的回测效果 （报告中未提供单个因子的独立回测业绩指标，仅展示了整合这些因子的模型的整体表现。）

根据研报内容，现总结如下： 量化模型与构建方式 1. 模型名称：DTW相似性择时策略 **模型构建思路**：基于相似性思路，通过比较当前指数行情与历史行情的相似度，筛选出相似的历史片段，并依据这些片段未来的加权平均涨跌幅来生成交易信号[26] **模型具体构建过程**： 1. 使用动态时间规整（DTW）距离算法，而非欧氏距离，作为衡量当前行情与历史行情相似度的标准，因为DTW作为一种弹性度量方法，能更好地解决时间序列间的错配问题[28] 2. 为解决传统DTW算法可能存在的“过度弯曲”导致的错误匹配（即“病态匹配”问题），模型引入了改进的DTW算法，例如增加了Sakoe-Chiba边界限制条件或Itakura Parallelogram边界限制条件[30][36] 3. 在历史数据中筛选出与当前行情DTW距离最近（即最相似）的若干历史行情片段 4. 计算这些被筛选出的历史行情片段在未来一期（例如5日或1日）的加权平均涨跌幅和加权标准差，权重取为DTW距离的倒数[26] 5. 根据计算得到的未来涨跌幅的平均值和标准差，结合预设的阈值，生成“看多”、“看空”或“无信号”的交易指令[26][16] **模型评价**：在一般市场环境下，择时模型超额收益较为稳定；但在宏观和资本市场突发政策较多时，作为技术面模型无法把握政策的突然变化，可能遭遇回撤[17] 2. 模型名称：外资择时策略 **模型构建思路**：基于两种境外上市且与A股相关联的资产（富时中国A50股指期货和南方A50ETF），挖掘其价格变化中蕴含的信息，通过构建多个指标并复合信号来对A股进行择时[35] **模型具体构建过程**： 1. 选取富时中国A50股指期货（新加坡市场）和南方A50ETF（香港市场）作为信息源[35] 2. 对于富时中国A50股指期货，构建两个指标： * 升贴水指标 * 价格背离指标 将这两个指标复合，形成富时中国A50股指期货的择时信号[35] 3. 对于南方A50ETF，构建价格背离指标，形成南方A50ETF的择时信号[35] 4. 最后，将来自上述两个资产的择时信号进行复合，形成最终的外资择时信号[35] 模型的回测效果 1. DTW相似性择时策略 **样本外表现（2022年11月以来）**：绝对收益率38.56%，最大回撤率21.32%[4][17] **样本外表现（2024年以来，在沪深300指数上）**：绝对收益率36.58%，最大回撤率21.36%，交易胜率50.00%，交易盈亏比3.39[19] 2. 外资择时策略 **全样本历史表现（2014年12月30日至2024年12月31日）**： * **多空策略**：年化收益率18.96%，最大回撤率25.69%，日胜率近55%，盈亏比超过2.5[21] * **多头策略**：年化收益率14.19%，最大回撤率17.27%，日胜率近55%，盈亏比超过2.5[21] **样本外表现（2024年以来，多头策略）**：绝对收益率35.42%，最大回撤率8.23%[4][24]

量化模型与构建方式 1. **模型名称：DTW择时模型** - **模型构建思路**：基于相似性原理和DTW（动态时间弯曲）算法，通过比较当前指数行情与历史行情的相似度，筛选相似片段并预测未来涨跌幅，生成交易信号[27][28] - **模型具体构建过程**： 1. 计算当前行情与历史片段的DTW距离（弹性度量），筛选相似度高的片段[29] 2. 对筛选片段未来5日或1日涨跌幅加权平均（权重为距离倒数），公式： $$\text{预测涨跌幅} = \frac{\sum_{i=1}^n w_i \cdot r_i}{\sum_{i=1}^n w_i}$$ 其中$w_i$为距离倒数，$r_i$为历史片段未来涨跌幅[27] 3. 结合预测涨跌幅及其方差生成信号（如超过阈值则触发多空信号）[15] 4. 采用改进的DTW算法（如Itakura Parallelogram边界限制）避免传统DTW的"病态匹配"问题[31][37] - **模型评价**：在非宏观突变市场环境下超额收益稳定，但对政策突发变化敏感[16] 2. **模型名称：外资择时模型** - **模型构建思路**：基于外资关联资产（富时中国A50期货、南方A50ETF）的价格背离和升贴水指标，复合生成A股择时信号[36] - **模型具体构建过程**： 1. 从A50期货提取升贴水指标和价格背离指标，复合生成期货择时信号[36] 2. 从南方A50ETF提取价格背离指标，生成ETF择时信号[36] 3. 将期货与ETF信号加权复合，形成最终外资择时信号[36] - **模型评价**：样本外表现优异，2024年多头策略回撤控制较好[23] --- 模型的回测效果 1. **DTW择时模型** - 样本外（2022年11月以来）：绝对收益17.39%，超额沪深300收益17.83%，最大回撤21.32%，周胜率超60%[16] - 2024年以来：绝对收益15.68%（沪深300基准），超额4.93%，最大回撤21.36%，交易胜率63.64%，盈亏比2.64[18] 2. **外资择时模型** - 全样本（2014-2024）：多空年化收益18.96%，多头年化14.19%，最大回撤25.69%（多空）/17.27%（多头），日胜率55%[20] - 2024年样本外：多头绝对收益28.83%，最大回撤8.32%[23] --- 量化因子与构建方式 1. **因子名称：DTW距离因子** - **因子构建思路**：通过动态时间弯曲算法度量时间序列相似性，替代传统欧氏距离[29] - **因子具体构建过程**： 1. 对两条时间序列$Q$和$C$，计算累积距离矩阵$D(i,j)$： $$D(i,j) = \text{dist}(q_i,c_j) + \min(D(i-1,j), D(i,j-1), D(i-1,j-1))$$ 其中$\text{dist}$为局部距离（如欧氏距离）[29][31] 2. 引入Itakura Parallelogram边界限制，约束路径搜索范围以减少错误匹配[37] 2. **因子名称：外资背离因子** - **因子构建思路**：基于境外A股关联资产价格与境内指数的偏离程度构建[36] - **因子具体构建过程**： 1. 计算富时中国A50期货价格与沪深300指数的日内偏离率[36] 2. 计算南方A50ETF溢价率与A股指数的相关性[36] --- 因子的回测效果 （报告中未提供因子独立测试结果，仅作为模型输入组件） --- 关键指标说明 - **DTW距离**：弹性度量时间序列相似性，解决欧氏距离的"锁步"匹配问题[29] - **Itakura边界限制**：通过平行四边形约束路径搜索，提升匹配合理性[37]