根据提供的研报内容，以下是关于量化模型和因子的详细总结。 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**[2][3] * **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的影响，从经济、通胀、货币和信用四个维度选取宏观数据，构建事件因子，并基于因子看多信号的比例来确定择时仓位[3][20][21] * **模型具体构建过程**： * **宏观数据选用与预处理**：从经济、通胀、货币和信用四大类中初选20余个宏观指标[21][23]。预处理步骤包括： * **频率对齐**：将日频数据统一为月频（取月末值或月均值）[27] * **缺失值填充**：对于缺失数据，使用过去12个月一阶差分值的中位数加上一期数值进行填充。公式为：$$X_{t}=X_{t-1}+Median_{diff12}$$[27] * **滤波处理**：对比原始数据和使用单向HP滤波处理后的数据，避免未来函数。单向HP滤波公式为：$${\hat{t}}_{t|t,\lambda}=\sum_{s=1}^{t}\omega_{t|t,s,\lambda}\cdot y_{s}=W_{t|t,\lambda}(L)\cdot y_{t}$$[28] * **数据结构变化**：对数据衍生出同比、环比、移动平均等格式[29] * **宏观事件因子构建**： * **确定事件方向**：计算宏观数据与下一期指数收益率的相关性，正相关则构建正向突破事件，负相关则构建反向突破事件[30] * **确定领先滞后性**：测试数据滞后0-4期，动态识别与资产的最佳领先滞后关系[30] * **生成事件因子**：构建三类事件因子（数据突破均线、突破中位数、同向变动），并设置不同参数，共生成28个因子事件[30][32] * **因子筛选指标**：主要使用收益率胜率（综合成功率与盈亏比）和开仓波动调整收益率（综合成功率、收益率和波动率）作为衡量指标[31][32]。收益率胜率公式为：$$\frac{N_{\sum r_i > 0}}{N}， N 为总开仓次数$$，开仓波动调整收益率公式为：$$\frac{\sum r_i / N}{\sqrt{\frac{1}{N-1} \sum (r_i - \bar{r})^2}}$$[32] * **因子事件初筛选**：筛选标准包括：通过t检验（95%置信区间）、收益率胜率>55%、事件发生次数>滚动窗口期数/6[32][33] * **因子叠加优化**：选择胜率最高的事件因子作为基础，再选择与基础因子相关性低于0.85的次高胜率因子进行叠加，若叠加后胜率提升则采用叠加因子[33] * **动态剔除**：若某期无因子通过筛选，则该宏观指标当期标记为空仓，不参与大类因子打分[33] * **确定最优滚动窗口**：在48, 60, 72, 84, 96个月等不同窗口下测试，根据开仓波动调整收益率选择每个宏观数据的最优参数[33][34] * **最终因子筛选**：在测试区间内，根据开仓波动调整收益率，最终筛选出5个表现最优的宏观事件因子[12][34][35] * **择时策略构建**：将最终选定的5个宏观事件因子的看多信号进行综合。当看多因子比例大于2/3时，大类因子信号标记为1（满仓）；当看多因子比例小于1/3时，信号标记为0（空仓）；比例介于两者之间时，信号标记为具体比例值（如66.7%）。该信号直接作为当期的择时仓位[3][35][37] 量化因子与构建方式 1. **因子名称：PMI:原材料价格**[35] * **因子构建思路**：作为通胀维度的指标，用于预测中证港股通大消费主题指数的走势[21][35] * **因子具体构建过程**：使用原始数据，最优滚动窗口为96个月[35] 2. **因子名称：中美国债利差10Y**[35] * **因子构建思路**：作为货币维度的指标，反映中美货币政策和流动性差异对港股市场的影响[21][23][35] * **因子具体构建过程**：使用原始数据，最优滚动窗口为72个月[35] 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**[35] * **因子构建思路**：作为信用维度的指标，反映中长期信贷投放情况，体现经济活力[23][35] * **因子具体构建过程**：使用原始数据，最优滚动窗口为48个月[35] 4. **因子名称：M1:同比**[35] * **因子构建思路**：作为货币维度的指标，反映企业活期存款和现金状况，是经济活跃度的晴雨表[23][35] * **因子具体构建过程**：使用原始数据，最优滚动窗口为48个月[35] 5. **因子名称：新增社融:滚动12个月求和:同比**[35] * **因子构建思路**：作为信用维度的指标，全面反映金融体系对实体经济的资金支持[23][35] * **因子具体构建过程**：使用原始数据，最优滚动窗口为96个月[35] 模型的回测效果 * **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**[2][11][22] * **回测期**：2018年11月至2025年10月[2][11] * **年化收益率**：10.44%[2][11][22] * **年化波动率**：18.47%[22] * **最大回撤**：-29.72%[2][11][22] * **夏普比率**：0.59[2][11][22] * **收益回撤比**：0.35[2][11][22] * **平均仓位**：约46%[10] * **2025年9月收益率**：8.40%[11][12] 因子的回测效果 （报告中未单独列出上述5个因子的回测指标值，此部分略）

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 模型构建思路：通过经济、通胀、货币和信用四维度的20余个宏观数据指标构建事件因子，筛选出对指数择时效果较好的5个宏观因子，根据因子信号确定仓位[4][21] 模型具体构建过程： - 宏观数据预处理： - 对齐数据频率至月频 - 缺失值填充公式：$$X_{t}=X_{t-1}+Median_{diff12}$$[28] - 滤波处理使用单向HP滤波公式：$${\hat{t}}_{t|t,\lambda}=\sum\nolimits_{s=1}^{t}\omega_{t|t,s,\lambda}\cdot y_{s}=W_{t|t,\lambda}(L)\cdot y_{t}$$[29] - 衍生数据结构（同比/环比/移动平均）[30] - 事件因子构建： - 确定突破方向（与收益率相关性）[31] - 确定领先滞后性（测试0-4期）[31] - 生成三类事件因子（突破均线/中位数/同向变化）[31][33] - 筛选标准：t检验显著、收益率胜率>55%、发生次数>窗口期/6[33] - 因子叠加优化（相关系数<0.85）[34] - 动态确定最优滚动窗口（48-96个月）[34] - 仓位确定规则： - 看多信号>2/3则仓位100% - 看多信号<1/3则仓位0% - 中间比例则按比例确定仓位[36] 模型评价：在基准回撤阶段能有效控制下行风险，多数年份取得正超额收益[12] 量化因子与构建方式 1. 因子名称：PMI原材料价格因子 因子构建思路：使用原始PMI原材料价格数据，构建突破类事件因子[36] 因子具体构建过程： - 数据处理：原始数据直接使用 - 滚动窗口：96个月 - 事件类型：突破均线/中位数/同向变化[33] 2. 因子名称：中美国债利差10Y因子 因子构建思路：利用中美10年期国债利差原始数据构建事件因子[36] 因子具体构建过程： - 数据处理：原始数据直接使用 - 滚动窗口：72个月 3. 因子名称：金融机构中长期贷款余额因子 因子构建思路：基于12个月滚动求和同比数据构建信用类事件因子[36] 因子具体构建过程： - 数据处理：原始数据直接使用 - 滚动窗口：48个月 4. 因子名称：M1同比因子 因子构建思路：利用货币供应量M1同比数据构建货币类事件因子[36] 因子具体构建过程： - 数据处理：原始数据直接使用 - 滚动窗口：48个月 5. 因子名称：新增社融滚动求和同比因子 因子构建思路：基于12个月滚动求和同比数据构建信用类事件因子[36] 因子具体构建过程： - 数据处理：原始数据直接使用 - 滚动窗口：96个月 模型的回测效果 1. 基于动态宏观事件因子的择时策略（2018/11-2025/7）： - 年化收益率：9.31% - 最大回撤：-29.72% - 夏普比率：0.54 - 收益回撤比：0.31[3][11] - 2025年7月收益率：2.79%（基准2.48%）[11] - 平均仓位：约43%[11] 2. 细分因子信号表现（2025年2-7月）： - PMI原材料价格因子：连续6个月发出信号（5次看多）[14] - 新增社融因子：2025年6月看多信号[14] 因子的回测效果 1. 最终筛选的5个宏观因子（2014/11起测试）： - PMI原材料价格因子：开仓波动调整收益率最优（96个月窗口）[36] - 中美国债利差10Y因子：开仓波动调整收益率次优（72个月窗口）[36] - 其他三个因子均通过55%胜率筛选标准[34]