量化模型与构建方式 1. 滤波方法（数据处理模型） 1. **模型名称**：HP滤波 (Hodrick-Prescott Filter)[10] * **模型构建思路**：将宏观经济时间序列分解为长期趋势成分和中期周期成分，以剔除长期趋势和短期噪声，提取周期波动[3][9]。 * **模型具体构建过程**：通过求解一个最小化问题来得到趋势成分。具体公式为： $$\operatorname*{min}\left\{\sum_{t=1}^{T}(y_{t}-g_{t})^{2}+\lambda\sum_{t=2}^{T-1}[(g_{t+1}-g_{t})-(g_{t}-g_{t-1})]^{2}\right\}$$ 其中，\(y_{t}\)为原始序列数据，\(g_{t}\)为待求解的趋势成分，\(\lambda\)为平滑参数，\(\lambda\)越大，趋势线越平滑[10]。在应用中，首先使用较大的\(\lambda\)去除长期趋势得到周期成分，再使用较小的\(\lambda\)过滤噪声，得到用于分析的中周期序列[10]。 * **模型评价**：可以直观地将时间序列分解为趋势和周期成分，符合经典宏观经济分析框架，但存在较严重的端点偏差问题，且无法识别不同频率的周期[3][42]。 2. **模型名称**：傅里叶变换[25] * **模型构建思路**：将时间序列数据分解为一系列不同频率、振幅和相位的正弦函数的叠加，以识别数据中存在的主要周期性规律[25][26]。 * **模型具体构建过程**：对时间序列进行傅里叶变换，公式为： $$F(f)=\int_{-\infty}^{\infty}f(x)e^{-i2\pi f(x)}\,\mathrm{d}x$$ 由于宏观经济数据通常非平稳，在应用傅里叶变换前，先使用HP滤波去除长周期趋势项，得到平稳序列，再进行变换以提取主要周期并拟合周期序列[26]。 * **模型评价**：适合分析历史数据的整体周期结构，尤其适用于探究经济周期的历史规律，但其假设周期结构在时间上恒定，短期内拟合度可能受到影响[3][42]。 3. **模型名称**：混合滤波[42] * **模型构建思路**：结合HP滤波和傅里叶变换两种方法的优点，以挖掘数据的周期性规律并观察短期趋势变化[3][42]。 * **模型具体构建过程**：将HP滤波与傅里叶变换叠加使用。实践中，使用傅里叶变换挖掘宏观数据的周期性规律，同时使用HP滤波观察因子短期上升或下降的趋势变化[42]。叠加使用后得到的序列既具有一定外推性，又保留了HP滤波在周期拟合上的灵活性[42]。 * **模型评价**：结合了两种方法的优势，所得序列兼具周期规律性和趋势观察的灵活性[42]。 2. 资产配置模型 1. **模型名称**：美林时钟模型[68] * **模型构建思路**：依据经济增长（以PMI同比增速代表）和通货膨胀（以PPI同比代表）两个核心指标的高低变化，将经济周期划分为四个阶段，并为每个阶段配置不同类别的大类资产[68][72]。 * **模型具体构建过程**：使用HP滤波处理后的PMI同比增速和PPI同比数据判断经济周期阶段，具体配置方案如下[68][72]： * 复苏期：PMI同比增速上行，PPI同比下行，配置60%股票、40%债券。 * 扩张期：PMI同比增速上行，PPI同比上行，配置60%商品、40%股票。 * 滞胀期：PMI同比增速下行，PPI同比上行，配置60%现金、40%商品。 * 衰退期：PMI同比增速下行，PPI同比下行，配置60%债券、40%现金。 * **模型评价**：是最著名的经济周期模型之一[68]。 2. **模型名称**：货币信用模型[76] * **模型构建思路**：作为美林时钟理论在中国市场的适应性改进，通过观察“货币”（以M2同比增速代表）和“信用”（以社会融资规模同比增速代表）两个核心驱动因素来指导大类资产配置[76]。 * **模型具体构建过程**：使用HP滤波处理后的M2同比和社会融资规模同比数据判断货币信用状态，具体配置方案如下[76]： * 宽货币宽信用：M2同比上行，社会融资规模同比上行，配置60%股票、40%商品。 * 紧货币宽信用：M2同比下行，社会融资规模同比上行，配置60%商品、40%股票。 * 紧货币紧信用：M2同比下行，社会融资规模同比下行，配置60%现金、40%债券。 * 宽货币紧信用：M2同比上行，社会融资规模同比下行，配置60%债券、40%股票。 量化因子与构建方式 1. **因子名称**：M1同比[3][9] * **因子构建思路**：作为代表货币供给量的宏观经济因子[3][9]。 * **因子具体构建过程**：报告直接采用了M1的同比增速数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 2. **因子名称**：M2同比[3][9] * **因子构建思路**：作为代表货币供给量的宏观经济因子[3][9]。 * **因子具体构建过程**：报告直接采用了M2的同比增速数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 3. **因子名称**：社会融资规模同比[3][9] * **因子构建思路**：作为代表货币供给量的宏观经济因子[3][9]。 * **因子具体构建过程**：报告直接采用了社会融资规模的同比增速数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 4. **因子名称**：1年期国债收益率同比差值[3][9] * **因子构建思路**：作为代表利率的宏观经济因子[3][9]。 * **因子具体构建过程**：报告采用了1年期国债收益率的同比差值数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 5. **因子名称**：PMI同比增速[3][9] * **因子构建思路**：作为代表经济增速的宏观经济因子[3][9]。 * **因子具体构建过程**：报告采用了PMI的同比增速数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 6. **因子名称**：PPI同比[3][9] * **因子构建思路**：作为代表通胀的宏观经济因子[3][9]。 * **因子具体构建过程**：报告直接采用了PPI的同比数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 7. **因子名称**：工业增加值同比[3][9] * **因子构建思路**：作为代表经济增速的宏观经济因子[3][9]。 * **因子具体构建过程**：报告直接采用了工业增加值的同比数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 8. **因子名称**：企业利润同比[3][9] * **因子构建思路**：作为代表经济增速的宏观经济因子[3][9]。 * **因子具体构建过程**：报告直接采用了企业利润的同比数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 模型的回测效果 （以下回测结果均基于2006年以来的数据） 1. **美林时钟模型**，累计收益807.28%，年化收益11.71%，波动率11.30%，最大回撤17.10%，夏普比率1.037，信息比率0.681，胜率56.49%[70]。 2. **货币信用模型**，累计收益558.45%，年化收益9.93%，波动率16.84%，最大回撤56.02%，夏普比率0.589，信息比率0.362，胜率56.90%[79]。 因子的回测效果 （以下回测结果均基于2006年以来的数据，使用HP滤波处理后因子进行择时） 1. 单因子股指择时表现 （策略：因子上升周期持有中证全指，下降周期空仓） 1. **M1同比因子**，累计收益971.09%，年化收益12.64%，波动率24.85%，最大回撤69.42%，夏普比率0.509，信息比率0.339，胜率57.74%[58]。 2. **M2同比因子**，累计收益100.26%，年化收益3.55%，波动率22.51%，最大回撤69.42%，夏普比率0.158，信息比率-0.237，胜率48.95%[58]。 3. **国债收益率同比差值因子**，累计收益685.90%，年化收益10.91%，波动率18.43%，最大回撤27.47%，夏普比率0.592，信息比率0.265，胜率49.79%[58]。 4. **社会融资规模同比因子**，累计收益731.39%，年化收益11.22%，波动率24.77%，最大回撤69.42%，夏普比率0.453，信息比率0.249，胜率53.56%[58]。 5. **PMI同比增速因子**，累计收益1436.01%，年化收益14.70%，波动率21.07%，最大回撤42.44%，夏普比率0.698，信息比率0.513，胜率54.39%[58]。 6. **PPI同比因子**，累计收益919.17%，年化收益12.36%，波动率20.58%，最大回撤42.44%，夏普比率0.601，信息比率0.355，胜率52.72%[58]。 7. **工业增加值同比因子**，累计收益124.56%，年化收益4.15%，波动率16.52%，最大回撤39.35%，夏普比率0.251，信息比率-0.226，胜率46.86%[58]。 8. **企业利润同比因子**，累计收益522.94%，年化收益9.62%，波动率18.37%，最大回撤42.44%，夏普比率0.524，信息比率0.172，胜率51.46%[58]。 2. 单因子股债择时表现 （策略：因子上升周期持有中证全指，下降周期持有国债指数；对照组为60%债券+40%股票的固定比例组合） 1. **M1同比因子**，累计收益1297.47%，年化收益14.16%，波动率24.84%，最大回撤69.42%，夏普比率0.570，信息比率0.432，胜率60.25%[61]。 2. **M2同比因子**，累计收益174.96%，年化收益5.21%，波动率22.56%，最大回撤69.42%，夏普比率0.231，信息比率-0.129，胜率53.14%[61]。 3. **国债收益率同比差值因子**，累计收益1358.04%，年化收益14.40%，波动率18.43%，最大回撤27.47%，夏普比率0.781，信息比率0.508，胜率56.07%[61]。 4. **社会融资规模同比因子**，累计收益1110.38%，年化收益13.34%，波动率24.76%，最大回撤69.42%，夏普比率0.539，信息比率0.381，胜率59.00%[61]。 5. **PMI同比增速因子**，累计收益2226.26%，年化收益17.12%，波动率21.07%，最大回撤42.44%，夏普比率0.813，信息比率0.669，胜率57.74%[61]。 6. **PPI同比因子**，累计收益1637.78%，年化收益15.41%，波动率20.59%，最大回撤42.44%，夏普比率0.749，信息比率0.558，胜率58.58%[61]。 7. **工业增加值同比因子**，累计收益274.27%，年化收益6.85%，波动率16.65%，最大回撤36.37%，夏普比率0.411，信息比率-0.026，胜率51.05%[61]。 8. **企业利润同比因子**，累计收益864.21%，年化收益12.05%，波动率18.39%，最大回撤42.44%，夏普比率0.655，信息比率0.340，胜率53.56%[61]。

核心观点 - 报告建议在10月份采取成长与价值风格均衡配置的策略，以应对市场波动并防范风格切换风险[1][6] 其核心逻辑在于宏观经济处于弱复苏、低通胀阶段，政策维持宽松，但前期热门板块拥挤度较高[5][6] 行业选择上重点关注TMT、医药和证券板块[6] 宏观环境 - 宏观经济处于弱复苏、低通胀阶段，9月制造业PMI为49.4%，较上月上升0.4个百分点，生产指数为51.9%，上升1.1个百分点[13] 8月CPI同比下降0.4%，PPI同比下降2.9%[17] - 政策层面以稳增长与防风险为主，货币财政政策维持宽松基调，流动性环境充裕[5] 9月11日国务院批复要素市场化配置改革试点方案，汽车、钢铁、建材等多个行业的稳增长工作方案出台[5][11] - 8月社会融资规模增量为2.57万亿元，同比减少4655亿元，增速为-15%，其中政府债券发行1.37万亿元，同比减少2505亿元[27][31] 社会消费品零售总额同比增长3.4%[29] 9月份市场及行业表现 - 9月权益市场成长风格占优，申万风格指数显示先进制造上涨8.99%、科技（TMT）上涨5.6%、周期上涨3.54%，而消费下跌2.4%、金融地产下跌5.12%[5][53] 中信风格指数中成长上涨6.72%，金融下跌5.21%[5][53] - 行业表现方面，电力设备上涨21.17%、有色金属上涨12.79%、电子上涨10.96%领涨，而国防军工下跌7.21%、银行下跌6.89%表现落后[58][64] 电子行业净融资额达784.24亿元[58][67] - 债市呈现期限分化，10年期国债期货微涨0.02%，30年期大幅下跌2.28%[48] 权益市场强势表现分流债市资金，叠加机构行为扰动，市场尚未确认反弹信号[48][51] 月度配置建议 - 美联储启动降息周期推动全球流动性宽松，拓宽国内货币政策空间，市场对央行宽松措施预期升温，有望提振风险偏好[6] 但需警惕中游制造板块拥挤度提升加剧的短期波动风险[6] - 配置思路上建议兼顾成长与价值风格均衡，行业选择重点关注TMT、医药、证券板块[6][69] 当前市场呈现结构性分化，上游周期品及中游制造业景气度回升，下游消费业绩承压[69] 微观情绪指标与风格切换 - 通过Spearman相关系数计算的市场拥挤度与上证指数呈负相关，但指标短期波动较大[72] 引入HP滤波技术划分周期后发现，指标下行时成长风格走势总体优于稳定风格[76][78] - 换手率指标对风格切换有一定指示作用，当换手率20日均线趋势向上时，科技成长风格占优概率达81.25%[89][90] 但参数设置过小易受噪音干扰，过大则导致反应滞后[89] - 综合量价角度分析，当Spearman指标低点与换手率均线偏离度较大时，市场风格更容易发生切换[85][87] 9月初Spearman指标出现拐点上行，而换手率在9月中旬下行，预示10月风格切换概率加大[90]

核心观点 - 应用小波分析技术对宽基指数成分股收盘价进行三级分解，有效分离趋势成分（cA3）与波动成分（cD1），并分别采用ARIMA模型预测长期趋势和AR-GARCH模型预测短期波动，最终基于预测夏普值筛选成分股构建投资组合 [4][7] - 该策略在沪深300、中证500和中证800成分股上均能稳定获取超额收益，回测显示中证800策略期末净值达基准指数的3.05倍，夏普值为基准的5.74倍，最大回撤仅为基准的55% [4][7][99] 主流趋势模型分析 - HP滤波通过最小化波动成分分离趋势与周期成分，计算简便且趋势提取直观，但分解维度单一且对非平稳序列适应性差 [13][17][18] - 傅立叶变换通过正弦/余弦基函数将时域信号转换为频域信号，周期识别精准且频域分析全面，但缺乏时频局部化能力且要求数据平稳 [19][20][24] - 小波分析通过缩放和平移母小波函数实现多尺度分解，具备时频局部化能力和非平稳序列适应性，能精准捕捉局部突变特征 [25][30][31] 小波分析技术细节 - 小波基函数通过缩放参数a控制频率（a越小频率越高），平移参数b控制时域位置，形成兼具时域和频域分析能力的规范正交基 [25][34][37] - 多分辨率分析（MRA）通过逐步逼近将信号分解为不同分辨率的近似分量（低频趋势）和细节分量（高频波动），为金融时间序列分层建模提供支撑 [53][56][60] - 研究采用db6小波基进行三级分解，仅保留cA3（长期趋势）和cD1（短期波动），剔除cD2和cD3以提升模型效率 [64][72] 预测模型构建 - ARIMA(3,1,1)模型用于预测cA3分量，通过差分处理非平稳性，自回归阶数p=3捕捉滞后依赖，移动平均阶数q=1捕捉随机扰动 [74][76][78] - AR(1)-GARCH(1,1)模型用于预测cD1分量，均值方程中的AR(1)捕捉短期波动延续性，方差方程中的ARCH项和GARCH项分别刻画冲击影响和波动聚集性 [79][83][86] - 分量合成通过逆小波变换重构预测股价，依次将cA3与空值cD3合成cA2，cA2与空值cD2合成cA1，最终与cD1合成标准化股价 [88][89] 策略回测表现 - 回测覆盖2019年1月至2025年7月共1600个交易日，周度调仓，选取预测夏普值前20的成分股等权重构建高度分散化组合 [94][96] - 中证800策略年化收益率达26.28%（基准4.06%），年化波动率21.27%（基准18.85%），索提诺比率183.12%（基准30.54%） [99][103][104] - 行业配置呈现核心聚焦特征，电子（10.74%）、医药（8.71%）和非银金融（7.90%）为前三大持仓行业，且持仓比例与行业走势呈现正相关性 [109][110][112] - 沪深300策略年化收益率22.05%（基准3.44%），中证500策略年化收益率18.43%（基准6.57%），风险调整后收益均显著优于基准 [115][128][131]