量化模型与构建方式 1. 模型名称：多资产时序收益率联合重新排列（非参数蒙特卡洛模拟）[13] * 模型构建思路：通过随机抽取历史交易日，并将该日所有资产的收益率作为一个整体数据块进行重排，来生成模拟价格路径[13]。 * 模型具体构建过程： 1. 获取多资产的历史日收益率序列[18]。 2. 随机抽取一个交易日，将该日所有资产的收益率作为一个“数据块”完整取出[18]。 3. 将抽取的“数据块”按顺序拼接，形成一条新的模拟路径[18]。 4. 重复此过程，直至生成所需时间长度的模拟序列[18]。 * 模型评价：优点是完全依赖历史数据，无需对收益率分布做参数假设，且能自然保持抽取当日所有资产间的截面相关性[14]。局限是破坏了原始数据的时间序列结构（如波动率聚集性、自相关性），且对收益率均值的估计可能因样本的牛熊市主体而有偏[14]。适用于对均值不敏感的策略，如最小方差组合、风险平价组合优化[15]。 2. 模型名称：多资产时序收益率分块 Bootstrap（非参数蒙特卡洛模拟）[19] * 模型构建思路：将历史收益率序列划分为固定长度的时间块，并随机抽取整个时间块进行重排，以生成模拟路径[19]。 * 模型具体构建过程： 1. 将多资产的历史收益率序列划分为固定长度（如20个交易日）的重叠或非重叠时间块[19]。 2. 随机抽取一个时间块，将该时间段内所有资产的收益率序列整体取出[19]。 3. 将抽取的时间块按顺序拼接，形成模拟路径[19]。 * 模型评价：优点是在时间块内部，保留了资产间的截面相关性以及一定程度的短期时间序列特性（如波动率聚集和自相关性）[20]。局限是时间块边界处可能存在不连续性，且块长度的选择具有主观性，会影响对长周期依赖关系的捕捉[20]。适用于依赖于市场短期记忆效应的交易策略，如趋势跟踪、波动率目标、均值回归策略[21]。 3. 模型名称：残差 Bootstrap（因子模型法）[23] * 模型构建思路：基于多因子模型分离资产的系统性风险和特质性风险，通过对模型残差进行重抽样，并结合真实因子路径来重建资产价格路径[23]。 * 模型具体构建过程： 1. 风险因子构建与收益计算：选取并计算市场、市值、价值、动量等风格因子的历史日收益率序列[23]。 2. 多因子回归与残差提取：将每个资产的收益率对所选因子进行截面回归，估计其因子暴露（β）。资产收益率中无法被多因子模型解释的部分即为残差收益率[23]。 3. 残差的重抽样：对残差矩阵进行跨时间的全局随机重排。此举彻底破坏了残差中可能存在的任何时间序列依赖，但严格保留了资产残差之间的横截面相关性结构[23]。 4. 路径重建：使用历史的风险因子真实路径与估计的β相乘，再加上打乱后的残差，生成模拟价格路径[23]。 * 模型评价：优点是清晰分离收益来源，是分析策略特质性Alpha和风险敞口的工具[24]。局限是条件于历史系统性风险情景的模拟，无法评估策略在未经历过的宏观环境或因子范式切换下的表现[24]。适用于资产有强有力的收益解释模型（因子模型解释力R²较高）的场景[25]。 4. 模型名称：基于几何布朗运动（GBM）的恒定协方差模拟[28] * 模型构建思路：假设资产价格服从几何布朗运动，通过估计历史收益率均值和协方差矩阵，并利用Cholesky分解生成相关的随机路径[28]。 * 模型具体构建过程： 假设有n个相关资产，每个资产价格$S_i(t)$遵循几何布朗运动： $d S_{i}(t)=\mu_{i}S_{i}(t)d t+\sigma_{i}S_{i}(t)d W_{i}(t),i=1,\ldots,n$ 其中，$\mu_i$是资产i的漂移率（预期收益率）；$\sigma_i$是资产i的波动率；$W_i(t)$是标准布朗运动[28]。 经价格对数化和协方差矩阵Cholesky分解后，得到资产的离散化价格路径： $S_{i}^{(j)}(t_{k})=X_{i}(0)\,e x p[(\,k\Delta t+\sum_{l=1}^{k}\sum_{p=1}^{n}L_{i p}Z_{l,p}^{(j)}\,]$ 其中，$X_i(0) = \ln (S_i(0))$，$\Delta t$为时间步长，$L$为协方差矩阵进行Cholesky分解后得到的下三角矩阵，$Z_{l,p}^{(j)}$是第j条路径第l步第p个独立标准正态随机变量[28]。 * 模型评价：优点在于模型仅需均值和协方差矩阵两个参数，即可快速生成大量相关资产路径，特别适合需要进行大量模拟的蒙特卡洛回测；且收益率是随机生成的，而非采样于历史样本[28]。局限在于正态性假设与“尖峰厚尾”现实不符，无法刻画现实中资产收益率分布的“尖峰厚尾”特征，因此严重低估极尾部风险发生的概率；且GBM路径是连续的，无法模拟由突发事件引起的价格跳跃[28]。适用于非尾部市场状态下的风险价值（VaR）、条件风险价值（CVaR）及最大回撤分布研究，以及多资产组合的分散化效果研究[29]。 5. 模型名称：A股风格轮动策略（截面动量与波动率双因子打分模型）[35] * 模型构建思路：使用经典的截面动量和波动率双因子，对风格ETF进行标准化打分，并持有得分最高的风格，以构建轮动策略[35]。 * 模型具体构建过程： 1. 选择A股四种风格（红利、成长、大盘、中小盘）及其代表ETF作为轮动候选池[34]。 2. 计算每个风格ETF的动量因子和波动率因子。因子的计算涉及回望窗口长度N（参数，文中测试N ∈ [15, 20, 40]个交易日）[35]。 3. 对单个因子在截面上（即四个风格间）进行ZScore标准化[35]。 4. 将标准化后的动量因子得分和波动率因子得分进行等权加总，得到每个风格的综合得分[35]。 $S c o r e_{i}=0.5*Z S c o r e_{i,m o m}+0.5*Z S c o r e_{i,v o l}$ 5. 每日调仓，持有得分最高的风格ETF[35]。 模型的回测效果 （注：以下回测效果主要基于风格轮动策略模型在不同价格路径和参数下的测试结果） 1. A股风格轮动策略模型，在历史真实价格路径上，不同回望窗口（N）对应的夏普比率分别为：N=15日: 0.84， N=25日: 0.96， N=40日: 0.66[45]。 2. A股风格轮动策略模型，在收益率联合重排模拟路径上，不同回望窗口（N）对应的夏普比率分别为：N=15日: 0.22， N=25日: 0.19， N=40日: 0.16[45]。 3. A股风格轮动策略模型，在GBM模拟路径上，不同回望窗口（N）对应的夏普比率分别为：N=15日: 0.19， N=25日: 0.17， N=40日: 0.19[45]。