有色金属行业周报 证券研究报告●周报●有色金属行业 2024年3月4日 星期一 爱建证券有限责任公司 从区域看有色：青海：打造国家战略性能源资源接续地 研究所 投资要点 分析师:余前广 ❑一周市场回顾 TEL:021-32229888-32211 E-mail:yuqianguang@ajzq.com 过去一周，上证综指上涨 0.74%收 3027.02，深证指数上涨 4.03%收 执业编号: S0820522020001 9434.75，沪深 300 上涨 1.38%收 3537.80，创业板指上涨 3.74%收 1824.03，有色金属行业指数（申万）上涨 2.07%收 4073.16，跑赢沪深 300 指数 0.69 个百分点。锂矿板块指数上涨 6.83%；钴板块指数上涨 行业评级:同步大市 2.34%；镍板块指数上涨 2.72%；稀土永磁板块指数上涨 3.11%；锡板块 (维持) 指数上涨 2.29%；钨板块指数上涨 1.92%；铝板块指数上涨 0.53%；铜板 块指数上涨 0.64%；钒钛板块指数上涨 1.33%；黄金板块指数上涨 6000.0000 沪 申万深 行30 业0指 指数 数:有色金属 ...

量化因子与构建方式 1. **BL因子** - **因子构建思路**：BL模型结合了投资者对资产的预期回报和市场均衡回报，从而形成一个新的预期回报向量[7][14] - **因子的公式**： $$ \mu_{\mathrm{bl}}=[\mathrm{P^{\prime}\Omega^{-1}P+(\tau\Sigma)^{-1}]^{-1}[P^{\prime}\Omega^{-1}Q+(\tau\Sigma)^{-1}\Pi]} $$ $$ \Sigma_{\mathrm{bl}}=\Sigma+[(\tau\Sigma)^{-1}+(\mathrm{P}^{\prime}\Omega^{-1}\mathrm{P})]^{-1} $$ 公式中，$\mu_{\mathrm{bl}}$是资产预期回报，$\Sigma_{\mathrm{bl}}$是资产的协方差矩阵，$P$是观点矩阵，$Q$是观点向量，$\Omega$是观点不确定性矩阵，$\tau$是先验分布的信心常数，$\Sigma$是资产历史回报的协方差矩阵，$\Pi$是隐含均衡回报向量[19][20][23] - **文章对因子的评价**：结合了回归树的BL模型在资产配置上存在一定的价值[51] 2. **回归树因子** - **因子构建思路**：回归树是机器学习中的一种监督学习回归算法，适用于应对变量间相关性较高的宏观经济变量[2][24] - **因子的公式**：无具体公式，回归树通过一系列不等式分支来减小均方误差，最终呈现出类似树的形状[31][33] - **文章对因子的评价**：回归树视角下的宏观经济变量与大类资产回报之间的关系为主观预期提供了一定的参考价值[2][49] 因子的具体指标值 1. **BL因子** - **信息比率（IR）**：无具体值 - **夏普比率**：无具体值 - **最大回撤**：13.71%[47] - **累计收益**：74%[47] 2. **回归树因子** - **信息比率（IR）**：无具体值 - **夏普比率**：无具体值 - **最大回撤**：无具体值 - **累计收益**：无具体值

量化模型与构建方式 1. 模型名称：Black-Litterman模型（BL模型） - **模型构建思路**：BL模型结合了投资者的主观观点和市场均衡回报，形成新的预期回报向量，能够在一定程度上减少对历史数据的依赖[6][7][9] - **模型具体构建过程**： 1. **核心参数**： - 风险厌恶系数（$\lambda$）：衡量投资者对风险的态度，公式为 $\lambda = \frac{\mu_B}{\sigma_B \sqrt{W_{mkt}' \Sigma W_{mkt}}}$，其中$\mu_B$和$\sigma_B$分别为基准指数的均值回报和标准差，$\Sigma$为样本的协方差矩阵[23] - 市场均衡回报向量（$\Pi$）：公式为 $\Pi = \lambda \Sigma W_{mkt}$，$W_{mkt}$为市值权重[23] - 观点矩阵（$P$）、观点值（$Q$）和观点不确定性（$\Omega$）：用于表达投资者的主观观点及其不确定性[20][21] - 先验分布信心常数（$\tau$）：通常取值在0.01到0.05之间，或根据样本大小计算$\tau = 1/Obs$[22] 2. **贝叶斯法则**：结合市场均衡回报和主观观点，形成新的回报分布，公式为： $$ \mu_{bl} = [P' \Omega^{-1} P + (\tau \Sigma)^{-1}]^{-1} [P' \Omega^{-1} Q + (\tau \Sigma)^{-1} \Pi] $$ $$ \Sigma_{bl} = \Sigma + [( \tau \Sigma)^{-1} + (P' \Omega^{-1} P)]^{-1} $$[15][19][47] 3. **优化权重**：基于新的回报分布，优化资产权重，约束条件为权重和为1且非负[47] - **模型评价**：BL模型的优点是可以灵活地加入主观观点，减少对历史数据的依赖，但主观观点的准确性对结果影响较大[7][51] 2. 模型名称：结合回归树的BL模型 - **模型构建思路**：通过回归树模型估计宏观经济变量与大类资产回报之间的关系，生成BL模型的主观观点（$Q$）和观点不确定性（$\Omega$）[2][35] - **模型具体构建过程**： 1. **回归树模型**： - 回归树是一种监督学习算法，适用于处理变量间相关性较高的情况，计算过程快速[2][24] - 通过分支条件（如减小均方误差）生成叶子节点，最终输出预测值[31][33] 2. **主观观点的生成**： - 自变量为10个宏观经济指标（如GDP、工业增加值、固定资产投资等），因变量为四类资产的回报（权益、固收、货币、商品）[36][38] - 使用回归树模型训练样本内数据，预测样本外资产回报，生成$Q$[44] 3. **观点不确定性的生成**： - 使用线性回归的标准化残差的方差作为$\Omega$[44] 4. **结合BL模型**：将回归树生成的$Q$和$\Omega$输入BL模型，完成资产配置[44][47] - **模型评价**：结合回归树的BL模型在资产配置中表现较好，能够为主观观点提供科学的定量支持[2][49] --- 模型的回测效果 1. BL模型 - **区间回报**：约49%（基准为中证时钟配置策略指数）[47] - **最大回撤**：约7.88%[47] 2. 结合回归树的BL模型 - **区间回报**：约74%（同期沪深300为29%，中证时钟配置策略指数为49%）[47] - **最大回撤**：约13.71%（同期沪深300为40.56%，中证时钟配置策略指数为7.88%）[47]