量化模型与构建方式 1. 模型名称：宏观因子优选风格配置策略 - **模型构建思路**：基于经济增长、通货膨胀、货币信贷三大维度的宏观经济指标，构建宏观单因子库，通过“分组构建法”分别研判“大/小市值”和“高/低估值”两组风格的轮动信号，再动态优选并复合有效因子，最终形成对四个宽基指数（中证红利、创业板指、上证50、中证1000）的配置权重[1][13]。 - **模型具体构建过程**： 1. **宏观单因子构建**：从三大维度（经济增长、通货膨胀、货币信贷）选取宏观指标（如PMI、CPI、M2等）[25]。对每个指标，从四个方向进行衍生：[26] - **指标原值**：使用指标的原始值（如同比、环比）。 - **趋势动量**：计算指标在特定周期（如3、6、9、12、18、24个月）内的变化率。$$趋势动量 = \frac{当前值 - N个月前值}{N个月前值}$$[28] - **均线斜率**：计算指标在特定周期（如3、6、9、12、24个月）移动平均线的斜率。 - **均线偏离度**：计算指标当前值与其特定周期（如3、6、9、12、24个月）移动平均线的偏离程度。 最终构建包含429个单因子的因子库[29]。 2. **单因子逻辑净值化（分组构建法）**：对每个宏观单因子，分别针对“大/小市值”和“高/低估值”两组风格独立生成交易信号和策略净值[43]。 - **信号逻辑**：根据预设的经济学逻辑（如图表8）将因子值转化为风格占优判断[30]。例如，CPI同比>0时，判断为利好大盘风格（上证50）和低估值风格（中证红利）[33][51]。 - **换仓机制**：在宏观数据披露日（PIT）实时建模并交易。若数据在14:00前发布，则当日收盘价交易；若在14:00后发布，则次日收盘价交易[17][35][36]。 - **业绩基准**： - 大小市值组合基准：上证50与中证1000的日度等权收益率[43]。 - 高低估值组合基准：中证红利与创业板指的日度等权收益率[43]。 每个单因子会生成两条独立的策略净值（分别对应两组风格），共得到918条单因子策略净值[46]。 3. **因子动态优选与复合**： - **Step1 单因子策略打分**：每月末，计算每条单因子策略净值的长期动量（近1年超额收益率）和短期动量（近2周超额收益率）[66]。对全部918条净值的长、短期动量值分别进行排序（Rank），然后将两个Rank值等权相加得到综合得分[68][69]。 - **Step2 单因子策略优选**：采用“不分层”模式，直接从全部单因子策略池中选取综合得分排名最高的10个策略，构成当期优选因子池[74][79]。 - **Step3 优选因子复合**：将优选出的10个策略按其对应的风格（大小市值或高低估值）分组。对每组内的因子信号，采用“等权投票器”方式进行复合，即统计看多某风格（如大盘）的因子数量占比，得到两组风格的复合信号（数值在-1到1之间）[87][88][89]。 - **Step4 确定目标持仓**：根据复合信号确定占优的风格指数（如大盘信号为1则选中证50，为-1则选中证1000）。两组风格指数间的配置权重（w_scale : w_value）不采用等权，而是根据优选池中两组风格因子的数量占比（N1:N2）进行加权，认为因子数量越多，信号“可信度”越高[92][93][94][98]。 - **模型评价**：该方法较传统宏观建模方法效率更高，对市场状态变化的滞后性更低，且能通过分组建模清晰刻画不同宏观因子对各类风格定价的有效性差异[61]。 模型的回测效果 - **宏观因子优选风格配置策略**，年化收益率17.3%，超额收益最大回撤15.6%，超额卡玛比率1.17[2][99]。 - **宏观因子优选风格配置策略（按可信度加权方案）**，平均年化超额收益17.3%，超额净值最大回撤15.6%，超额卡玛比率1.11[97]。 - **宏观因子优选风格配置策略（等权方案）**，平均年化超额收益12.6%，超额净值最大回撤15.6%，超额卡玛比率0.81[97]。 量化因子与构建方式 （注：本报告中的“因子”主要指从宏观指标衍生出的、用于风格研判的信号，其构建过程已包含在上述模型的“宏观单因子构建”与“单因子逻辑净值化”部分，未单独列出具有阿尔法预测能力的传统量化因子。因此，此处不重复列出因子构建方式。） 因子的回测效果 （注：报告未提供单个宏观因子的具体回测指标（如IC、IR等），仅展示了单因子策略净值的整体有效性。因此，此处无具体因子指标取值。）