量化模型与构建方式 1. **模型名称**：基于动态宏观事件因子的中证港股通大消费指数择时策略[3][4] **模型构建思路**：探索中国宏观经济对香港大消费主题上市公司整体状况和走势的影响，从动态宏观事件因子的角度构建择时策略框架[4][19] **模型具体构建过程**： * **宏观数据选用**：选取经济、通胀、货币和信用四大类的20余个宏观数据指标，包括PMI、PPI、M1等[4][20][24][25] * **宏观数据预处理**： 1. 对齐数据频率：将日频数据统一为月频，取每月最后一个交易日数据或月内均值[29] 2. 填充数据缺失值：使用过去12个月指标一阶差分值的中位数叠加上一期数值进行填充[29] $$X_{t}=X_{t-1}+Median_{diff12}$$ 3. 滤波处理：尝试使用原始数据或单向HP滤波处理后的数据，通过后续因子筛选确定更适合的处理方式[30] $${\hat{t}}_{t|t,\lambda}=\sum^{t}_{s=1}\omega_{t|t,s,\lambda}\cdot y_{s}=W_{t|t,\lambda}(L)\;.\;y_{t}$$ 4. 变化数据结构衍生因子：对数据使用同比、环比、移动平均等不同格式进行衍生[31] * **宏观事件因子构建**： 1. 确定事件突破方向：计算数据与资产下一期收益率的相关性，正相关则构建正向突破事件，反之构建反向突破事件[32] 2. 确定领先滞后性：对数据衍生滞后0-4期的事件因子，通过筛选确定最优滞后期[32] 3. 生成事件因子：构建三类事件因子（数据突破数据均线、突破数据中位数、数据同向变动），并赋予不同参数，共生成28个不同因子事件[32][33] 4. 因子事件初筛选：筛选标准为：a) t检验在95%置信区间内拒绝原假设；b) 事件收益率胜率>55%；c) 事件发生次数>滚动窗口期数/6[34] 5. 叠加事件因子：选择收益率胜率最高的事件作为基础因子，再从剩余因子中选出与基础因子相关性低于0.85的次高胜率因子进行叠加。若叠加后胜率更高则选用叠加事件，否则仅用最高胜率事件[35] 6. 动态剔除：若当期无事件因子通过筛选，则该宏观指标标记为空仓，不参与当期大类因子打分[35] 7. 确定最优滚动窗口：基于事件因子历史净值表现，计算开仓波动调整收益率，在48、60、72、84、96个月等时间窗口中选出最优参数[35] * **最终因子筛选**：在测试区间内计算所有事件因子的开仓波动调整收益率，筛选出表现较好的5个宏观因子[36][37] * **择时策略构建**：使用筛选出的宏观事件因子搭建策略。每期，当发出看多信号的因子比例大于2/3时，大类因子信号标记为1；当比例小于1/3时，标记为0；若比例介于两者之间，则标记为对应的具体比例。将该得分作为当期的择时仓位信号[4][37] 量化因子与构建方式 1. **因子名称**：PMI:原材料价格事件因子[37] **因子构建思路**：作为最终筛选出的5个宏观因子之一，用于构建择时策略[37] **因子具体构建过程**：该因子使用原始数据，最优滚动窗口为96个月[37] 2. **因子名称**：中美国债利差10Y事件因子[37] **因子构建思路**：作为最终筛选出的5个宏观因子之一，用于构建择时策略[37] **因子具体构建过程**：该因子使用原始数据，最优滚动窗口为72个月[37] 3. **因子名称**：金融机构:中长期贷款余额:当月新增:滚动12M求和:同比事件因子[37] **因子构建思路**：作为最终筛选出的5个宏观因子之一，用于构建择时策略[37] **因子具体构建过程**：该因子使用原始数据，最优滚动窗口为48个月[37] 4. **因子名称**：M1:同比事件因子[37] **因子构建思路**：作为最终筛选出的5个宏观因子之一，用于构建择时策略[37] **因子具体构建过程**：该因子使用原始数据，最优滚动窗口为48个月[37] 5. **因子名称**：新增社融:滚动12个月求和:同比事件因子[37] **因子构建思路**：作为最终筛选出的5个宏观因子之一，用于构建择时策略[37] **因子具体构建过程**：该因子使用原始数据，最优滚动窗口为96个月[37] 模型的回测效果 1. **基于动态宏观事件因子的中证港股通大消费指数择时策略**，年化收益率8.59%，年化波动率18.62%，最大回撤-29.72%，夏普比率0.50，收益回撤比0.29[12][21] 2. **等比例基准**，年化收益率8.00%，年化波动率18.64%，最大回撤-30.82%，夏普比率0.47，收益回撤比0.26[21] 3. **中证港股通大消费指数**，年化收益率2.99%，年化波动率29.80%，最大回撤-65.11%，夏普比率0.22，收益回撤比0.05[21]