根据提供的研报内容，总结其中涉及的量化模型与因子如下。 量化模型与构建方式 1. **模型名称：人工智能全球大类资产配置模型**[38] * **模型构建思路**：将机器学习模型应用到大类资产配置问题上，基于因子投资的思路使用模型给出各资产的打分排序，并最终构建可投资的大类资产月频量化等权配置策略[38] * **模型具体构建过程**：报告未详细说明具体的机器学习模型算法、因子构成及打分排序方法，仅提及最终策略采用等权配置[38] 2. **模型名称：基于动态宏观事件因子的股债轮动配置模型**[43] * **模型构建思路**：构建基于动态宏观事件因子的三个不同风险偏好（保守、稳健和进取型）的股债配置策略，模型框架结合了宏观择时模块和风险预算模型[43] * **模型具体构建过程**： * **宏观择时模块**：使用经济增长和货币流动性两个维度的多个宏观指标作为动态事件因子，生成择时信号[43][46] * **风险预算模型**：根据宏观择时模块输出的综合信号强度，结合不同的风险预算目标，计算三种风险偏好配置模型（保守型、稳健型、进取型）的股票和债券权重[43][45] 3. **模型名称：红利风格择时配置模型**[51] * **模型构建思路**：使用经济增长和货币流动性共10个指标，通过动态事件因子的体系构建中证红利指数的择时策略[51] * **模型具体构建过程**：报告未详细说明具体的信号合成规则和仓位管理方法，仅提及根据经济增长和货币流动性维度的指标信号合成最终看多/看空信号，并据此决定中证红利的配置仓位（0%或100%）[51][55] 模型的回测效果 1. **人工智能全球大类资产配置模型**[39][42] * 回测期：2021年1月至2025年10月 * 年化收益率：38.76% * 年化波动率：7.01% * 最大回撤：-6.56% * 夏普比率：1.07 * 年初至今收益率：6.66%（截至2025年10月） 2. **基于动态宏观事件因子的股债轮动配置模型（进取型）**[43][49] * 回测期：2005年1月至2025年10月 * 年化复合收益率：20.14% * 年化波动率：14.12% * 最大回撤：-13.72% * 夏普比率：1.30 * 收益回撤比：1.47 * 年初至今收益率：14.42%（截至2025年10月） 3. **基于动态宏观事件因子的股债轮动配置模型（稳健型）**[43][49] * 回测期：2005年1月至2025年10月 * 年化复合收益率：10.92% * 年化波动率：8.17% * 最大回撤：-6.77% * 夏普比率：1.19 * 收益回撤比：1.61 * 年初至今收益率：4.13%（截至2025年10月） 4. **基于动态宏观事件因子的股债轮动配置模型（保守型）**[43][49] * 回测期：2005年1月至2025年10月 * 年化复合收益率：5.94% * 年化波动率：3.21% * 最大回撤：-3.55% * 夏普比率：1.50 * 收益回撤比：1.67 * 年初至今收益率：0.97%（截至2025年10月） 5. **红利风格择时配置模型**[51][54] * 年化复合收益率：16.52% * 年化波动率：14.35% * 最大回撤：-13.77% * 夏普比率：1.07 * 最近1个月收益率：0%（截至报告期末） 量化因子与构建方式 1. **因子类别：动态宏观事件因子**[43][46][55] * **因子的构建思路**：从经济增长和货币流动性两个维度选取具有经济含义的宏观指标，将其转化为二值化（0或1）的择时信号，作为股债配置和风格择时的输入因子[43][46][55] * **因子具体构建过程**：报告列出了部分用于构建动态宏观事件因子的具体指标，但未提供每个指标具体的信号生成阈值或规则[46][55] * **经济增长维度指标示例**：M1同比、PPI同比、PPI-CPI剪刀差、工业增加值同比、国债利差(10Y-1M)、产量:发电量:当月值_MA3:环比、中采制造业PMI_新出口订单等[46][55] * **货币流动性维度指标示例**：M1-M2剪刀差、中美国债利差(10Y)、中国国债美国TIPs利差(10年)、银行间质押利率(7天)、逆回购(7天)-银行间质押利率(7天)_MA20、Shibor2W、R007_MA20、Shibor1M_MoM、逆回购R007差额等[46][55] 因子的回测效果 （报告未提供单个因子的独立测试结果，如IC值、IR等）

根据研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称**：人工智能全球大类资产配置模型 - **模型构建思路**：基于机器学习模型和因子投资思路，对全球大类资产进行打分排序，构建月频量化等权配置策略[34] - **模型具体构建过程**： 1. 使用历史数据训练机器学习模型，提取资产特征因子 2. 模型输出各资产的综合打分 3. 根据打分结果分配权重，构建等权组合 4. 每月定期调整组合权重[34] - **模型评价**：该模型在长期表现上优于基准，具有较好的风险调整收益[34] 2. **模型名称**：动态宏观事件因子的股债轮动策略 - **模型构建思路**：基于宏观择时模块和风险预算模型框架，构建不同风险偏好的股债配置策略[40] - **模型具体构建过程**： 1. 选取经济增长和货币流动性维度的宏观指标作为输入因子 2. 通过动态事件因子体系计算信号强度 3. 根据信号强度调整股票和债券的配置比例 4. 输出保守型、稳健型和进取型三种配置方案[40] - **模型评价**：该策略在长期历史回测中表现优异，各风险等级策略均优于基准[40] 3. **模型名称**：红利风格择时配置策略 - **模型构建思路**：基于经济增长和货币流动性指标构建中证红利的择时策略[48] - **模型具体构建过程**： 1. 选取10个宏观经济指标作为输入因子 2. 通过动态事件因子体系计算合成信号 3. 根据信号强度调整中证红利的配置仓位[48] - **模型评价**：该策略相较于中证红利指数有显著的稳定性提升[48] 模型的回测效果 1. **人工智能全球大类资产配置模型** - 年化收益率：6.77% - 年化波动率：6.64% - 最大回撤：-6.66% - 夏普比率：1.02 - 年初至今收益率：3.87%[34] 2. **动态宏观事件因子的股债轮动策略** - 进取型年化收益率：20.00% - 稳健型年化收益率：10.97% - 保守型年化收益率：6.01% - 进取型最大回撤：-13.72% - 稳健型最大回撤：-6.77% - 保守型最大回撤：-3.55%[40] 3. **红利风格择时配置策略** - 年化收益率：16.62% - 年化波动率：17.47% - 最大回撤：-21.22% - 夏普比率：0.94[48] 量化因子与构建方式 1. **因子名称**：经济增长维度因子 - **因子构建思路**：反映宏观经济景气度的指标[40] - **因子具体构建过程**： 1. 选取工业增加值同比、PPI同比等指标 2. 对指标进行标准化处理 3. 计算各指标的信号强度[40] 2. **因子名称**：货币流动性维度因子 - **因子构建思路**：反映市场流动性状况的指标[40] - **因子具体构建过程**： 1. 选取M1-M2剪刀差、国债利差等指标 2. 对指标进行标准化处理 3. 计算各指标的信号强度[40] 因子的回测效果 1. **经济增长维度因子** - 8月份信号强度：100%[40] 2. **货币流动性维度因子** - 8月份信号强度：0%[40]