量化模型与构建方式 1. 隐性风险模型 - 模型名称：隐性风险模型 - 模型构建思路：通过基金净值相关性识别同类基金，剥离显性和隐性风险[3] - 模型具体构建过程： 1) 计算基金间过去一年日收益率相关性，选取相关性最高的20只作为同类基金[3] 2) 构建同类基金相关性加权收益率序列SimiRet 3) 将基金收益率对SimiRet进行时序回归： $$R_{p}=\alpha+\beta\cdot SimiRet+\varepsilon_{p}$$ 截距项α即为Alpha_Simi因子[3] - 模型评价：相比传统多因子模型能更动态捕捉隐性风险，解释力更强[3] 2. Fama五因子模型 - 模型名称：Fama五因子模型 - 模型构建思路：通过市场、规模、价值、盈利、投资五个显性风险因子解释基金收益[3] - 模型具体构建过程： $$R_{p}=\alpha+\beta_{1}\cdot MKT+\beta_{2}\cdot SMB+\beta_{3}\cdot HML+\beta_{4}\cdot RMW+\beta_{5}\cdot CMA+\varepsilon_{p}$$ 其中： MKT=中证全指日收益率 SMB=小市值组合收益-大市值组合收益 HML=高账面市值比组合收益-低账面市值比组合收益 RMW=高盈利组合收益-低盈利组合收益 CMA=保守投资组合收益-激进投资组合收益[3] 量化因子与构建方式 1. 隐性基准识别因子 - 因子名称：隐性基准跟踪误差 - 因子构建思路：通过最小化跟踪误差匹配基金真实投资风格[1] - 因子具体构建过程： 1) 计算基金相对备选基准指数的超额收益： $$Ex_{i,t}=R_{f,t}-R_{i,t}*0.9$$ 2) 计算年化跟踪误差： $$TE_{i}=\sqrt{240*\frac{1}{T}\sum_{t=1}^{T}(Ex_{i,t}-\overline{Ex_{i}})^{2}}$$ 3) 选择跟踪误差最小的基准作为隐性基准： $$REE^{*}=argmin_{i}TE_{i}$$[1][18][19] 2. 隐性风险调整因子 - 因子名称：隐性风险调整综合选基因子 - 因子构建思路：通过截面回归剥离同类基金风险暴露[3] - 因子具体构建过程： 1) 计算同类基金相关性加权因子值SimiFactor 2) 原始因子对SimiFactor进行截面回归： $$Factor=\alpha+\beta\cdot SimiFactor+\varepsilon$$ 3) 取残差项ε作为调整后因子[3][91][92] - 因子评价：显著提升因子稳定性，尤其对收益类因子改进明显[3] 3. 具体子因子 - 夏普比隐性风险调整因子： $$Sharpe=\alpha+\beta\cdot SimiSharpe+\varepsilon$$[94] - 隐形交易能力隐性风险调整因子[102] - 持仓收益隐性风险调整因子[113] - 波段交易能力隐性风险调整因子[113] 模型回测效果 1. 隐性风险模型 - R²均值：92.32%[3] - 解释力提升：较Fama五因子模型(84.94%)提高7.38个百分点[3] 2. Fama五因子模型 - R²均值：84.94%[3] - 解释力趋势：2019年以来显著下降至79.67%[3] 因子回测效果 1. 隐性风险调整综合选基因子 - RankIC均值：13.99% - 年化RankICIR：3.18 - RankIC胜率：93.01% - 多头年化超额信息比：2.4[3][122] 2. 原始综合选基因子 - RankIC均值：14.64% - 年化RankICIR：2.22 - RankIC胜率：85.31%[122] 3. 单因子表现对比 | 因子类型 | RankIC均值 | RankICIR | 多头季均超额 | |---------|-----------|---------|-------------| | 夏普比原始因子 | 7.76% | 0.77 | 0.58% | | 夏普比调整后 | 7.70% | 1.99 | 0.86% | | 隐形交易原始 | 8.21% | 1.68 | 0.95% | | 隐形交易调整 | 7.21% | 2.23 | 0.92% |[97][102] 4. FOF组合表现 - 年化超额收益：8.86% - 年化跟踪误差：3.52% - 信息比率：2.31 - 最大回撤：3.40%[4]