模型构建背景与目标 - 报告旨在重新构建基于因子分组筛选与多模型聚合的国债期货量价因子择时模型 [1] - 模型优化重点围绕解决有效性不稳定、信号波动大、单一信号可靠性不足三大问题展开 [1][2] - 此前以“分场景作战”方式构建的择时模型在2025年表现一般，故进行模型重构 [2] 因子筛选方法 - 采用分组IC与阈值设定的双重标准进行因子筛选，以破解因子有效性不稳定的难题 [2] - 对因子在排序后的分组IC值进行穿透检验，并设定严格阈值 [2] - 筛选标准旨在找出在高低值区间下均能稳定发挥预测作用的因子，从源头保障模型信息的有效性 [2] 模型训练与信号生成机制 - 采用“随机分组 + 独立训练”的因子处理策略，将有效因子随机分组并独立训练子模型，以破解单一因子噪声干扰 [3] - 信号生成通过“滚动平滑 + 多组投票”流程实现，对不同周期预测概率适配性平滑后以多数共识确定方向 [3] - 该方法旨在分散噪声并聚合有效信息，确保择时信号精准且稳健 [3] 模型参数配置 - 模型参数基于2019年至2025年9月间的回测表现稳健性进行筛选 [3] - 1日信号采用300日训练窗口、15组分组与每组15个因子，以适配超短期噪声过滤需求 [3] - 5日信号选择250日训练窗口、5组分组与每组10个因子，以兼顾中期趋势捕捉与信号灵敏度 [3] - 综合信号以250日训练窗口、15组分组与每组20个因子为最优配置 [3] 模型回测表现 - 样本内回测显示，1日信号年化收益3.61%、夏普比率1.12，全面领先基准 [3] - 样本内回测显示，5日信号年化收益2.63%、综合信号年化收益2.20%，整体模型在收益与风险维度均跑赢基准 [3] - 样本外回测显示，1日信号累计收益0.99%，相较基准优势明显，体现出较强的稳健择时能力 [3] - 样本外回测显示，5日信号的适应性有所下降 [3]