量化模型与因子总结 量化模型与构建方式 1. **模型名称：高维宏观周期识别框架**[2][8][9] * **模型构建思路**：为解决单一经济周期划分不稳定、对股市预测效用差的问题，报告构建了一个多维度宏观周期识别框架[8][9]。该框架的核心在于对宏观变量进行“升维”，即同时考虑其边际变化趋势和所处的时序状态，以更精确地刻画宏观环境并预测资产价格[2][8]。 * **模型具体构建过程**： 1. **选取宏观变量**：同时考虑经济景气、通胀、利率、库存、信用五个维度的宏观指标[9]。 2. **构建宏观因子变量**：将宏观指数分别对宽基指数、代理宏观变量做回归，选取t值显著的细分宏观变量，用过去一年标准差倒数加权构建宏观因子变量[2]。 3. **数据滤波处理**：采用单边HP滤波器对宏观经济数据进行调整，以消除短期波动对长期趋势判断的影响[2]。 4. **变量升维（划分状态与趋势）**： * **划分宏观趋势（上行/下行）**：基于滤波后的变量，使用因子动量进行划分[2]。 * **划分宏观状态（高/中/低位）**：基于滤波后的变量，使用时序百分位进行划分[2]。 5. **综合应用**：将宏观变量的边际变化（趋势）与其所处的时序排位（状态）结合，形成高维的宏观周期判断，用于驱动宽基择时、风格轮动等策略[2]。 2. **模型名称：中证全指择时策略**[3][26][29] * **模型构建思路**：基于宏观变量组合（流动性、库存、信用）的状态与变化，构建对中证全指未来收益是否上涨的预测模型，并据此进行多空择时[26][29]。 * **模型具体构建过程**： 1. 构建“流动性+库存”和“流动性+信用”两个子策略，分别计算其对中证全指未来收益是否上涨的预测值[29]。 2. 当任一子策略的预测值高于阈值（0.6）时，对中证全指做多，反之做空[29]。 3. **模型名称：红利指数择时策略**[3][35] * **模型构建思路**：基于宏观变量组合（通胀、库存、信用）的状态与变化，构建对红利指数未来收益是否上涨的预测模型，并据此进行多空择时[35]。 * **模型具体构建过程**： 1. 构建“通胀+库存”和“库存+信用”两个子策略，分别计算其对红利指数未来收益是否上涨的预测值[35]。 2. 对两个子策略的预测值求均值，当均值高于阈值（0.6）时，对红利指数做多，反之做空[35]。 4. **模型名称：风格轮动配置策略**[3][43][47][50] * **模型构建思路**：利用有效的宏观因子两两组合，滚动预测六大风格指数的远期收益率，每月选择预测排名靠前的风格进行等权配置，以实现风格轮动[43][47]。 * **模型具体构建过程**： 1. **筛选有效宏观组合**：通过测试，筛选出“通胀+库存”和“通胀+信用”两个对风格轮动预测有效性较强的宏观因子组合[43]。 2. **构建子策略**：每个宏观组合独立滚动预测六大风格指数（大盘、小盘、成长、申万绩优、红利、价值）的未来远期收益率，将预测收益平滑后，在每月末选取预测收益率排名前二的风格指数，在下月进行等权配置[43]。 3. **综合策略**：将“通胀+库存”和“通胀+信用”两个子策略对风格指数的未来收益预测值进行截面排序并求均值，每月等权配置预测值排名前二的风格指数[47]。 模型的回测效果 1. **中证全指择时策略**[3][30][31] * 回测期：2012年1月末至2025年11月30日[3][29] * 年化收益：14.71%[3][30][31] * 年化波动：20.89%[30][31] * 夏普比率：70.43%[30][31] * 最大回撤：-28.10%[30][31] * 超额收益（相对中证全指）：10.50%[3][30][31] * 跟踪误差：34.46%[30][31] * 信息比率(IR)：30.46%[30][31] * 相对最大回撤：-50.30%[30][31] 2. **红利指数择时策略**[3][35][39] * 回测期：2012年1月末至2025年11月30日[3][35] * 年化收益：10.64%[3][35][39] * 年化波动：13.84%[39] * 夏普比率：0.77[39] * 最大回撤：-19.92%[39] * 超额收益（相对红利指数）：8.41%[3][39] * 跟踪误差：9.27%[39] * 信息比率(IR)：0.91[39] * 相对最大回撤：-12.47%[39] 3. **风格轮动配置策略**[3][50][53] * 回测期：2014年9月30日至2025年11月30日[3][50] * 年化收益：12.64%[3][50][53] * 年化波动：21.87%[53] * 夏普比率：0.58[53] * 最大回撤：-45.93%[53] * 超额收益（相对风格等权）：5.49%[3][50][53] * 跟踪误差：10.33%[53] * 信息比率(IR)：0.53[53] * 相对最大回撤：-25.31%[53] 量化因子与构建方式 1. **因子名称：宏观因子变量**[2] * **因子构建思路**：从宏观指数中提取对宽基指数或代理宏观变量有显著解释力的细分变量，构建合成宏观因子[2]。 * **因子具体构建过程**： 1. 将宏观指数分别对宽基指数、代理宏观变量做回归[2]。 2. 选取回归结果中t值显著的细分宏观变量[2]。 3. 使用这些显著变量过去一年的标准差倒数进行加权，合成最终的宏观因子变量[2]。 因子的回测效果 （报告中未提供独立因子的回测绩效指标，如IC、IR等，仅展示了基于因子构建的模型的整体表现。）