量化模型与构建方式 1. **模型名称：AI行业轮动模型** - 模型构建思路：使用全频段量价融合因子对32个一级行业打分，构建周频调仓策略，每周选取5个行业等权配置[1][16][23] - 模型具体构建过程： 1. 行业池：32个一级行业（拆分食品饮料、有色金属等）[23] 2. 因子：全频段量价融合因子，通过行业成分股因子得分加权计算行业得分[16][23] 3. 策略规则：每周最后一个交易日选择得分最高的5个行业，以下周首个交易日收盘价买入，周频调仓[23] 2. **模型名称：AI主题指数轮动模型** - 模型构建思路：基于全频段量价融合因子对133个主题指数打分，每周选取10个指数等权配置[2][9][15] - 模型具体构建过程： 1. 指数池：Wind主题ETF跟踪的133个指数[9] 2. 因子：全频段量价融合因子，通过成分股因子得分加权计算指数得分[9][15] 3. 策略规则：每周最后一个交易日选择得分最高的10个指数，以下周首个交易日开盘价买入，交易成本双边万分之四[9] 3. **模型名称：AI概念指数轮动模型** - 模型构建思路：对72个Wind热门概念指数应用全频段量价融合因子，每周选取10个指数等权配置[11][13][15] - 模型具体构建过程： 1. 指数池：72个Wind概念指数[15] 2. 因子：全频段量价融合因子，通过成分股因子得分加权计算指数得分[15] 3. 策略规则：每周最后一个交易日选择得分最高的10个指数，交易成本双边万分之四[15] 4. **模型名称：AI中证1000增强组合** - 模型构建思路：基于全频段融合因子构建中证1000指数增强策略[28][29] - 模型具体构建过程： 1. 因子：全频段融合因子[28] 2. 组合规则：成分股权重≥80%，个股权重偏离上限0.8%，Barra暴露<0.3，周双边换手率控制30%，交易成本双边千分之四[29] 5. **模型名称：文本FADT_BERT选股组合** - 模型构建思路：基于盈利预测调整文本因子（forecast_adjust_txt_bert）构建多头选股组合[32][36] - 模型具体构建过程： 1. 因子：forecast_adjust_txt_bert因子[32] 2. 策略规则：选取因子排名前25的股票构建组合[32] --- 量化因子与构建方式 1. **因子名称：全频段量价融合因子** - 因子构建思路：结合高频深度学习因子与低频多任务因子合成[26][28] - 因子具体构建过程： 1. 高频部分：深度学习模型提取27个高频量价特征[26] 2. 低频部分：多任务学习挖掘低频量价数据[26] 3. 合成方法：高频与低频因子加权融合[26] 2. **因子名称：forecast_adjust_txt_bert** - 因子构建思路：基于BERT模型升级盈利预测调整文本因子[32] - 因子评价：在历史回测中展现较强选股能力[32] --- 模型的回测效果 1. **AI行业轮动模型** - 年化收益率：24.95%[1][22] - 年化超额收益率（vs等权基准）：20.80%[1][22] - 超额收益最大回撤：12.43%[22] - 超额夏普比率：2.00[22] - 今年以来收益率：4.88%[22] 2. **AI主题指数轮动模型** - 年化收益率：16.03%[2][8] - 年化超额收益率：13.10%[2][8] - 超额收益最大回撤：16.55%[8] - 今年以来超额收益率：10.43%[2][8] 3. **AI概念指数轮动模型** - 年化收益率：22.42%[13] - 年化超额收益率：12.68%[13] - 超额收益最大回撤：17.96%[13] 4. **全频段融合因子分层测试** - TOP层年化超额收益率（vs全A等权）：31.47%[26][28] - 5日RankIC均值：0.116[28] - 今年以来TOP层超额收益：15.04%[26][28] 5. **AI中证1000增强组合** - 年化超额收益率（vs中证1000）：22.17%[28][30] - 年化跟踪误差：6.07%[28] - IR：3.65[28] - 超额收益最大回撤：7.55%[28] 6. **文本FADT_BERT组合** - 成立以来年化收益率：39.29%[32][38] - 年化超额收益率（vs中证500）：31.74%[32][38] - 夏普比率：1.36[32] - 最大回撤：48.69%[38]