量化模型与构建方式 1. 恒星策略（宽基ETF配置模型） * **模型名称**：配置宽基ETF复刻偏股型基金指数模型[4][24] * **模型构建思路**：通过配置宽基ETF来复刻偏股型基金指数（930950.CSI）的收益，使持仓在风格和暴露上靠近主动权益基金[4][24] * **模型具体构建过程**： 1. **指数池构建**：每月末，仅保留宽基ETF的跟踪指数作为基础池[23] 2. **回归确定权重**：使用过去N个交易日的宽基指数日频收益率数据，对偏股型基金指数进行回归，得到各指数的配置权重[4][23][24] 3. **权重筛选**：剔除回归权重小于设定阈值（如5%）的指数[23][24][28] 4. **ETF产品优选**：对于筛选后剩余的每个指数，从跟踪该指数的所有ETF中，筛选出成本更低、流动性更强、跟踪更稳定的1-2只产品，形成最终的宽基ETF持仓池[4][24][36] 5. **持仓与换仓**：根据回归得到的权重配置对应的优选ETF，持有至下个月末，然后重复上述过程进行换仓[23] 2. 卫星策略（行业主题/策略ETF轮动模型） * **模型名称**：行业主题、策略ETF分层聚类与优选模型[4][46] * **模型构建思路**：基于价格行为对行业主题和策略指数进行聚类，并在各类别中通过多维度指标优选ETF，构建旨在获取超额收益的卫星组合[4][46] * **模型具体构建过程**： 1. **指数分层聚类**：每半年，基于行业主题和策略类指数过去半年的日收益率数据，计算年化收益、波动、夏普等特征，使用Ward方法进行层次聚类，将走势相似的指数归为一类[47][49][50] 2. **指数初筛（剔除与优选）**： * **剔除基本面景气度差的指数**：从成长、盈利、营运三个维度，使用多个财务指标（如固定资产TTM同比、净利润TTM环比差分等）计算指数基本面景气度得分。在同一聚类内部，剔除得分后20%的指数；之后在所有剩余指数中，再次剔除截面得分后20%的指数[53][55] * **优选高动量、高夏普、低拥挤度指数**：结合价格动量（如180日和240日隔夜动量等权）、中短期夏普（近半年、近一年）、以及拥挤度（成分股交易额占全市场比在过去40天的分位数）等指标进行打分，优选排名靠前的指数[56][57][58] 3. **ETF产品优选**：对初筛后每个指数保留的ETF产品，使用以下6个因子进行综合打分，优选前10名产品等权构建卫星组合[4][46][58][87] * **价格趋势强度因子**：过去20日ETF收盘价对序列[1,2,…20]进行线性回归，得到的斜率。斜率越大，表示近期上涨趋势越强[60][61] * **隔夜动量因子**：过去180日与240日的隔夜收益率（收盘价至次日开盘价的收益率）的等权组合[57][64] * **量能因子**：短期成交量均值与长期成交量均值的比值，用于刻画近期放量程度。计算公式为： $$量能 = \frac{MA(短期)}{MA(长期)}$$ 其中，$MA(短期)$为过去5日成交量均值，$MA(长期)$为过去240日成交量均值[63][64] * **价能因子**：近期价格均值与远期价格均值的比值，用于刻画价格相对强弱。计算公式为： $$价能 = \frac{MA(近期)}{MA(远期)}$$ 其中，$MA(近期)$为过去20日价格均值，$MA(远期)$为5个交易日之前的20日价格均值[63][64] * **市场关注度边际上行因子**：近期换手率相较于上一期的提升程度，例如（近5日换手率/近10日换手率）的边际变化[73] * **价涨份额升因子**：价能因子与基金份额变化的结合，优选价格上涨同时份额也增长的ETF[74][78] 4. **持仓与换仓**：每月末根据因子打分结果换仓，持有优选出的前10只ETF[87] 3. 复合轮动策略（恒星+卫星组合模型） * **模型名称**：ETF趋势轮动策略[4][89] * **模型构建思路**：将恒星策略（控制跟踪误差）和卫星策略（追求超额收益）相结合，并根据市场交易活跃度动态调整两者权重，以平衡收益与风险[4][89][98] * **模型具体构建过程**： 1. **基础组合构建**：分别构建恒星策略组合和卫星策略组合[89] 2. **权重动态调整**：根据市场交易活跃度指标，动态决定卫星策略的持仓权重$w$，恒星策略权重则为$(1-w)$[89][97][98] * **市场交易活跃度计算**：计算全市场成交量前2%的个股成交量之和占全市场总成交量的比例，将该比例转化为过去两年的历史百分位，并取过去3个月的移动平均值作为最终活跃度指标[97] * **权重映射公式**：将活跃度指标映射到卫星策略权重区间（如0.6至0.8之间）。报告给出了一个示例性公式： $$w = 0.6 + \frac{活跃度 - min_{t-24 \leq \tau \leq t}(活跃度)}{max_{t-24 \leq \tau \leq t}(活跃度) - min_{t-24 \leq \tau \leq t}(活跃度)} * 0.2$$[97] * **调整逻辑**：市场交易活跃度越高，则赋予卫星策略的权重$w$越大，以博取更高超额收益；市场活跃度越低，则赋予恒星策略的权重$(1-w)$越大，以控制跟踪误差和回撤[4][98] 3. **组合与换仓**：每月末，按照动态权重将资金分配到两个策略的最新持仓中，形成最终投资组合[89] 模型的回测效果 * **恒星策略（宽基ETF配置模型）**：测试区间为2016年1月4日至2025年11月28日，采用过去10日回归、剔除权重小于5%、同一指数保留1只ETF的参数设定[40][41] * 年化收益：7.53%[40] * 年化波动：20.61%[40] * 夏普比率：0.37[40] * 最大回撤：-38.83%[40] * 超额收益（相对偏股型基金指数）：年化3.07%[40] * 跟踪误差：6.83%[40] * 信息比率(IR)：0.45[40] * 超额最大回撤：-21.31%[40] * **卫星策略（行业主题/策略ETF轮动模型）**：测试区间为2016年1月4日至2025年11月28日[84][87] * 年化收益：12.68%[84] * 年化波动：20.19%[84] * 夏普比率：0.63[84] * 最大回撤：-35.84%[84] * 超额收益（相对偏股型基金指数）：年化8.01%[84] * 跟踪误差：11.06%[84] * 信息比率(IR)：0.72[84] * 超额最大回撤：-14.28%[84] * 超额月度胜率：59.32%[87] * 赔率：1.31倍[87] * **复合轮动策略（恒星+卫星组合模型）**： * **固定权重示例（卫星权重60%）**：测试区间为2016年1月4日至2025年11月28日[93][95] * 年化收益：10.92%[93] * 年化波动：19.59%[93] * 夏普比率：0.56[93] * 最大回撤：-35.01%[93] * 超额收益（相对偏股型基金指数）：年化6.32%[93] * 跟踪误差：8.08%[93] * 信息比率(IR)：0.78[93] * 超额最大回撤：-9.45%[93] * 超额月度胜率：56.78%[95] * 赔率：1.53倍[95] * **动态权重策略**：测试区间为2016年1月4日至2025年11月28日[4] * 年化收益：11.93%[4] * 夏普比率：0.59[4] * 超额收益（相对偏股型基金指数）：年化7.29%[4] * 信息比率(IR)：0.75[4] * 超额月度胜率：55.08%[4] * 赔率：1.62倍[4] 量化因子与构建方式 1. 基本面景气度因子簇 * **因子构建思路**：从成长、盈利、营运三个维度，选取多个财务指标来刻画指数成分股基本面的景气度及其边际变化，用于在同一聚类内剔除基本面较差的指数[53][55] * **因子具体构建过程**：针对每个指数，计算其成分股在以下财务指标上的综合得分，指标方向如下表所示[54][55] | 能力维度 | 指标 | 方向 | | :--- | :--- | :--- | | 成长能力 | 固定资产TTM同比 | 正 | | 成长能力 | 固定资产TTM环比差分 | 负 | | 成长能力 | 归母净资产TTM环比差分 | 正 | | 盈利能力 | 净利润TTM环比差分 | 正 | | 盈利能力 | 单季度净利率同比 | 正 | | 盈利能力 | 净资产收益率TTM环比 | 正 | | 营运能力 | 固定资产周转率环比差分 | 正 | | 营运能力 | 营业成本TTM环比差分 | 正 | | 营运能力 | 成本费用利用率环比 | 正 | | 营运能力 | 财务费用率同比 | 负 | | 营运能力 | 财务费用TTM同比 | 负 | | 营运能力 | 营业成本率环比 | 负 | | 营运能力 | 营业成本率同比 | 负 | 2. 量价类优选因子簇（用于ETF产品优选） * **价格趋势强度因子** * **因子构建思路**：通过线性回归斜率刻画ETF价格的短期上涨趋势强度，优先选择处于明确上涨趋势的产品[60][61] * **因子具体构建过程**：取ETF过去20个交易日的收盘价$P_t$，对时间序列$[1, 2, ..., 20]$进行线性回归，回归系数（斜率）即为因子值[60][61] * **隔夜动量因子** * **因子构建思路**：使用隔夜收益率（收盘到开盘）构建动量指标，认为其更能反映交易者的真实交易动机，受日内市场噪音影响较小[57][64] * **因子具体构建过程**：分别计算过去180个交易日和240个交易日的隔夜收益率（$R_{overnight} = \frac{Open_{t+1}}{Close_t} - 1$），将两个周期的动量值等权合成作为最终因子值[57][64] * **量能因子** * **因子构建思路**：通过对比短期与长期成交量均值，刻画近期成交是否异常放量，避免追高过度拥挤的产品[63][64][71] * **因子具体构建过程**：计算过去5日成交量均值$MA_{short}$和过去240日成交量均值$MA_{long}$，因子值为$MA_{short} / MA_{long}$[63][64] * **价能因子** * **因子构建思路**：通过对比近期与远期的价格均值，刻画价格的短期相对强弱[63][64] * **因子具体构建过程**：计算过去20日价格均值$MA_{recent}$，以及5个交易日之前的20日价格均值$MA_{forward}$，因子值为$MA_{recent} / MA_{forward}$[63][64] * **市场关注度边际上行因子** * **因子构建思路**：捕捉市场关注度（以换手率为代理变量）在短期内的提升，优选热度正在上升的ETF[73] * **因子具体构建过程**：例如，计算（近5日换手率/近10日换手率）相较于上一期的变化值[73] * **价涨份额升因子** * **因子构建思路**：结合价格变化与资金流向（基金份额变化），优选“价量齐升”的ETF，认为这是更健康的上涨信号[74][78] * **因子具体构建过程**：将“价能因子”与“基金份额变化”相结合构建复合因子[74] 3. 市场交易活跃度因子 * **因子构建思路**：用于动态调整恒星与卫星策略的权重，刻画整体市场的交易活跃程度[97][98] * **因子具体构建过程**： 1. 每日计算全市场成交量前2%的个股的成交量之和，占全市场总成交量的比例。 2. 将该比例在**过去两年**的历史数据中转化为百分位数。 3. 对得到的每日百分位序列，取**过去3个月**的移动平均值，作为最终的市场交易活跃度指标[97]。 因子的回测效果 * **量能因子分组表现**：测试区间为2018年至2025年11月28日，将因子值正序排列分为5组（第1组因子值低，第5组因子值高）[65][69] * 第1组（明显放量）年度收益：2018年(-31.27%), 2019年(29.19%), 2020年(36.34%), 2021年(-10.52%), 2022年(-22.90%), 2023年(-4.44%), 2024年(12.69%), 2025年至今(26.92%)[65] * 第5组（明显缩量）年度收益：2018年(-13.96%), 2019年(42.39%), 2020年(19.84%), 2021年(20.13%), 2022年(-9.40%), 2023年(-4.28%), 2024年(14.77%), 2025年至今(28.35%)[65] * **因子评价**：因子并非完全单调，但因子值排名靠后的两组（对应明显放量的产品）收益明显较弱。即便在牛市，高量能产品面临的回撤压力也可能更大[71] * **价能因子分组表现**：测试区间为2018年至2025年11月28日，分组方式同上[65][69] * 第1组（价格涨幅相对强弱较弱）年度收益：2018年(-26.62%), 2019年(36.19%), 2020年(22.75%), 2021年(7.54%), 2022年(-10.01%), 2023年(-14.98%), 2024年(5.75%), 2025年至今(18.49%)[65] * 第5组（价格涨幅相对强弱较强）年度收益：2018年(-19.26%), 2019年(38.83%), 2020年(44.90%), 2021年(6.79%), 2022年(-26.73%), 2023年(-4.79%), 2024年(13.97%), 2025年至今(50.73%)[65] * **市场关注度因子分组表现**：测试区间为2018年至2025年11月28日[72] * 第1组年度收益：2018年(-24.92%), 2019年(31.63%), 2020年(23.74%), 2021年(5.86%), 2022年(-24.87%), 2023年(2.12%), 2024年(12.53%), 2025年至今(35.64%)[72] * 第5组年度收益：2018年(-25.20%), 2019年(34.28%), 2020年(40.03%), 2021年(-0.78%), 2022年(-19.90%), 2023年(-9.56%), 2024年(17.00%), 2025年至今(44.71%)[72] * **价涨份额升因子分组表现**：测试区间为2018年至2025年11月28日[72] * 第1组年度收益：2018年(-22.66%), 2019年(39.88%), 2020年(33.30%), 2021年(3.43%), 2022年(-21.91%), 2023年(-12.19%), 2024年(7.55%), 2025年至今(30.68%)[72] * 第5组年度收益：2018年(-18.01%), 2019年(41.03%), 2020年(18.39%), 2021年(15.95%), 2022年(-12.56%), 2023年(-8.01%), 2024年(15.28%), 2025年至今(24.95%)[72] * **因子评价**：市场关注度、价涨份额升因子的第四、第五组（因子值高）年度累计收益较其余组别优势显著。价涨份额升因子在多数年份呈现第五组收益优于第一组的特征[77] *