量化模型与构建方式 1. **模型名称**：五维行业轮动模型 - **模型构建思路**：基于行业内部风格差异，通过构建行业内部离散指标与牵引指标合成五大类因子（波动率、基本面、成交量、情绪、动量），形成综合评分驱动行业轮动[6] - **模型具体构建过程**： 1. **因子划分**：按东吴金工多因子标准将微观因子分为五大类（波动率、基本面、成交量、情绪、动量）[6] 2. **风格划分**：利用风格指标对行业内部股票分类，计算离散指标（衡量行业内部因子分化程度）和牵引指标（衡量因子对行业未来收益的预测能力）[6] 3. **合成因子**：将离散指标与牵引指标加权合成五大类行业因子，最终综合评分等权或加权组合[6] - **模型评价**：综合因子表现优于单因子，稳定性与收益能力兼顾[8][9] 2. **衍生模型**：沪深300指数增强策略 - **构建思路**：基于五维模型分组结果，每月末取第一组（多头）行业增强权重，最后一组（空头）行业剔除权重，其余行业保持原权重[21] - **具体构建**： 1. **调仓规则**：月频调仓，增强行业股票权重按沪深300原权重等比例分配[21] 2. **风险控制**：保留非极端分组行业权重不变，降低换手率[21] --- 量化因子与构建方式 1. **因子名称**：波动率因子 - **构建思路**：反映行业内部股票波动率特征的离散与牵引效应[6] - **因子评价**：近期收益能力与稳定性评分最高[8][9] 2. **因子名称**：基本面因子 - **构建思路**：基于财务指标（如ROE、营收增速）的行业内部风格划分[6] 3. **因子名称**：成交量因子 - **构建思路**：捕捉行业成交量异常的微观信号[6] - **因子评价**：近期表现仅次于波动率因子[8][9] 4. **因子名称**：情绪因子 - **构建思路**：反映市场情绪指标（如换手率、资金流向）的行业分化[6] 5. **因子名称**：动量因子 - **构建思路**：追踪行业价格动量效应的持续性[6] --- 模型的回测效果 1. **五维行业轮动模型（多空对冲）**： - 年化收益率：22.01% - 年化波动率：10.78% - IR：2.04 - 月度胜率：73.55% - 最大回撤：-13.30%[11][15] 2. **五维行业轮动模型（多头超额）**： - 年化超额收益率：10.71% - 年化波动率：6.59% - IR：1.63 - 月度胜率：71.07% - 最大回撤：-9.36%[16] 3. **沪深300指数增强策略**： - 年化超额收益率：8.61% - 年化波动率：7.41% - IR：1.16 - 月度胜率：68.85% - 最大回撤：-12.65%[22] --- 因子的回测效果 1. **波动率因子（单因子多空）**： - 年化收益率：11.57% - 波动率：10.12% - IR：1.14 - 胜率：60.32% - 最大回撤：-14.27%[15] 2. **基本面因子（单因子多空）**： - 年化收益率：6.80% - 波动率：12.14% - IR：0.56 - 胜率：56.35% - 最大回撤：-26.32%[15] 3. **成交量因子（单因子多空）**： - 年化收益率：8.83% - 波动率：11.72% - IR：0.75 - 胜率：60.32% - 最大回撤：-18.40%[15] 4. **情绪因子（单因子多空）**： - 年化收益率：8.01% - 波动率：12.86% - IR：0.62 - 胜率：64.29% - 最大回撤：-14.79%[15] 5. **动量因子（单因子多空）**： - 年化收益率：11.54% - 波动率：10.67% - IR：1.08 - 胜率：60.80% - 最大回撤：-13.52%[15]

量化模型与构建方式 1. **模型名称**：基于微观的风格轮动模型 - **模型构建思路**：从基础风格因子（估值、市值、波动率、动量）出发，通过80个底层微观因子构造640个微观特征，并利用常用指数作为风格股票池替代传统因子划分，生成风格收益标签。通过随机森林模型进行风格择时与打分，最终形成月频轮动策略[9][4] - **模型具体构建过程**： 1. **特征构造**：80个底层因子（如估值、动量等）衍生出640个微观特征，通过标准化和滚动窗口处理[9] 2. **标签生成**：以指数（如ESG 300、央视50等）代表风格收益，替代传统因子分位数划分[9][21] 3. **模型训练**：滚动训练随机森林模型，优选特征并输出风格推荐得分，结合择时信号生成最终持仓[9][4] - **模型评价**：有效规避过拟合，兼顾风格择时与评分，但依赖历史数据且需结合风控管理[9][4] 模型的回测效果 1. **基于微观的风格轮动模型**（2017/01-2025/07）： - 年化收益率：16.66% - 年化波动率：19.57% - 信息比率（IR）：0.85 - 月度胜率：56.31% - 对冲基准年化收益率：11.40% - 对冲基准最大回撤：9.73%[10][11] 量化因子与构建方式 1. **因子名称**：估值因子 - **因子构建思路**：从个股层面提取估值类指标（如PE、PB等），标准化后加权合成[9] 2. **因子名称**：市值因子 - **因子构建思路**：基于个股流通市值构造，区分大/小市值风格[9][18] 3. **因子名称**：动量因子 - **因子构建思路**：计算个股过去N个月收益率，区分正/负动量[9][18] 4. **因子名称**：波动率因子 - **因子构建思路**：通过历史波动率或换手率指标衡量个股波动特征[9][18] 因子的回测效果 1. **2025年风格因子多空对冲收益**： - 动量因子：区间收益-6.00%至4.00%（2025/1-2025/5） - 波动率因子：区间收益-4.00%至6.00% - 估值因子：区间收益-2.00%至8.00% - 市值因子：区间收益0.00%至6.00%[13][20] 2. **近一年风格因子权重**： - 市值因子：占比约40% - 估值因子：占比约30% - 动量因子：占比约20% - 波动率因子：占比约10%[24]

量化因子与构建方式 1. **因子名称：理想反转因子** - **构建思路**：通过切割大单成交数据识别反转属性最强的交易日，捕捉A股反转效应的微观来源[5][15] - **具体构建过程**： 1. 回溯股票过去20日数据，计算每日平均单笔成交金额（成交金额/成交笔数）[43] 2. 选取单笔成交金额最高的10个交易日，加总其涨跌幅记为M_high[43] 3. 选取单笔成交金额最低的10个交易日，加总其涨跌幅记为M_low[43] 4. 计算因子值：$$M = M_{\text{high}} - M_{\text{low}}$$[43] - **因子评价**：通过大单成交切割有效提升了反转效应的稳定性[5][15] 2. **因子名称：聪明钱因子** - **构建思路**：从分钟级价量数据中识别机构交易痕迹，构建跟踪聪明钱的指标[5][15] - **具体构建过程**： 1. 取股票过去10日的分钟行情数据[42] 2. 计算每分钟指标：$$S_t = |R_t| / V_t^{0.25}$$（$R_t$为分钟涨跌幅，$V_t$为分钟成交量）[42] 3. 按$S_t$排序，取成交量累积占比前20%的分钟作为聪明钱交易[42][44] 4. 计算聪明钱VWAP（成交量加权均价）和全体交易VWAP[44] 5. 因子值：$$Q = \text{VWAP}_{\text{smart}} / \text{VWAP}_{\text{all}}$$[42] - **因子评价**：有效捕捉机构交易行为对价格的引导作用[5] 3. **因子名称：APM因子** - **构建思路**：利用日内不同时段交易行为差异构建反转强度指标[5][15] - **具体构建过程**： 1. 取股票过去20日的隔夜收益率$r_{\text{night}}$和下午收益率$r_{\text{afternoon}}$[43] 2. 对40组收益率数据回归：$$r = \alpha + \beta R + \epsilon$$（$R$为对应时段指数收益率）[43] 3. 计算隔夜与下午残差差异：$$\delta_t = \epsilon_{\text{night}} - \epsilon_{\text{afternoon}}$$[43] 4. 构造统计量：$$\mathrm{stat} = \frac{\mu(\delta_t)}{\sigma(\delta_t)/\sqrt{N}}$$[45] 5. 对动量因子横截面回归取残差作为最终因子值[46] - **因子评价**：通过时段切割挖掘反转效应的结构性差异[15] 4. **因子名称：理想振幅因子** - **构建思路**：基于股价维度切割振幅信息，区分高价态与低价态的结构性差异[5][15] - **具体构建过程**： 1. 计算股票过去20个交易日的每日振幅（最高价/最低价-1）[48] 2. 选取收盘价最高的25%交易日，计算振幅均值V_high[48] 3. 选取收盘价最低的25%交易日，计算振幅均值V_low[48] 4. 因子值：$$V = V_{\text{high}} - V_{\text{low}}$$[48] - **因子评价**：价态切割显著提升振幅因子的信息含量[5] 5. **因子名称：交易行为合成因子** - **构建思路**：加权整合四个交易行为因子形成复合因子[30] - **具体构建过程**： 1. 对单因子进行行业内去极值与标准化处理[30] 2. 滚动12期ICIR计算动态权重[30] - **因子评价**：通过动态加权实现因子间的优势互补[30] --- 因子回测效果 1. **理想反转因子** - 全历史IC均值：-0.050[16] - 全历史rankIC均值：-0.061[16] - 信息比率(IR)：2.52[16] - 多空对冲月度胜率：78.3%[16] - 2025年7月收益：0.47%[7][16] - 近12月胜率：66.7%[7][18] 2. **聪明钱因子** - 全历史IC均值：-0.037[16] - 全历史rankIC均值：-0.061[16] - 信息比率(IR)：2.76[16] - 多空对冲月度胜率：82.2%[16] - 2025年7月收益：1.78%[7][19] - 近12月胜率：91.7%[7][22] 3. **APM因子** - 全历史IC均值：0.029[16] - 全历史rankIC均值：0.034[16] - 信息比率(IR)：2.30[16] - 多空对冲月度胜率：77.4%[16] - 2025年7月收益：1.42%[7][23] - 近12月胜率：58.3%[7][27] 4. **理想振幅因子** - 全历史IC均值：-0.054[16] - 全历史rankIC均值：-0.073[16] - 信息比率(IR)：3.03[16] - 多空对冲月度胜率：83.6%[16] - 2025年7月收益：3.86%[7][28] - 近12月胜率：75.0%[7][31] 5. **交易行为合成因子** - 全历史IC均值：0.067[30] - 全历史rankIC均值：0.092[30] - 信息比率(IR)：3.30[30] - 多空对冲月度胜率：82.6%[30] - 2025年7月收益：2.13%[7][30] - 近12月胜率：83.3%[7][36] - 中小盘表现：国证2000 IR=2.87，中证1000 IR=2.77[32][37] --- Barra风格因子表现（2025年7月） - 市值因子收益：0.64%[4][14] - 账面市值比因子收益：0.59%[4][14] - 成长因子收益：0.16%[4][14] - 盈利预期因子收益：-0.32%[4][14]

根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **封板率模型** - 模型构建思路：通过统计最高价涨停且收盘涨停的股票数与最高价涨停的股票数的比值，反映市场涨停股的封板情况[16] - 模型具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月以上的股票，计算当日封板率[16] - 模型评价：封板率下降可能反映市场情绪转弱 2. **连板率模型** - 模型构建思路：通过统计连续两日收盘涨停的股票数与昨日收盘涨停的股票数的比值，反映涨停股的持续性[16] - 模型具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 统计上市满3个月以上的股票，计算当日连板率[16] - 模型评价：连板率下降可能反映市场追涨意愿降低 3. **年化贴水率模型** - 模型构建思路：通过计算股指期货主力合约与现货指数的基差年化值，反映市场预期和套利成本[28] - 模型具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 分别计算上证50、沪深300、中证500和中证1000股指期货主力合约的年化贴水率[28] - 模型评价：贴水率分位数可反映当前市场情绪相对于历史水平的位置 量化因子与构建方式 1. **大宗交易折价率因子** - 因子构建思路：通过大宗交易成交价与市场价的偏离程度，反映大资金的投资偏好[26] - 因子具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计近半年大宗交易的日均折价率[26] - 因子评价：折价率扩大可能反映机构减持意愿增强 2. **ETF折溢价因子** - 因子构建思路：通过ETF场内交易价格与场外净值的偏离程度，反映投资者情绪[23] - 因子具体构建过程： 筛选日成交额超过100万的股票型ETF，计算(场内价格-场外净值)/场外净值[23] - 因子评价：溢价较多的ETF可能反映资金短期追捧 模型的回测效果 1. 封板率模型，当日封板率59%，较前日下降13%[16] 2. 连板率模型，当日连板率25%，较前日下降2%[16] 3. 年化贴水率模型，当日上证50年化升水率0.25%(61%分位)，沪深300年化贴水率3.17%(46%分位)，中证500年化贴水率11.41%(37%分位)，中证1000年化贴水率12.84%(44%分位)[28] 因子的回测效果 1. 大宗交易折价率因子，近半年平均折价率5.82%，当日折价率8.01%[26] 2. ETF折溢价因子，当日新能源车电池ETF溢价1.77%，中证2000ETF基金折价0.95%[23]

根据提供的文档内容，未发现涉及量化模型或量化因子的具体构建方法、测试结果或评价相关内容。文档主要展示以下信息： 1 市场数据图表类 - 北证50与沪深300指数涨跌幅对比图[2] - 北证与A股各行业当日涨跌幅对比图[5][6] - 北交所成交额与换手率趋势图[8] - 北交所公司分行业市盈率分布图[12][13] - 北证与双创板块估值变化趋势图[15] 2 个股数据表格类 - 北交所涨幅前十股票财务数据（含市值/营收/PE等指标）[9] - 北交所跌幅前十股票财务数据（含市值/营收/PE等指标）[10] 3 其他说明类 - 分析师声明[17] - 免责声明[18][19] - 评级标准说明[20] 注：所有图表数据均来源于iFinD及中国银河证券研究院[7][11][14]

根据研报内容，以下是量化模型与因子的详细总结： --- 量化模型与构建方式 1. **模型名称：行业拥挤度监测模型** - **模型构建思路**：通过监测申万一级行业指数的拥挤度，识别行业过热或过冷状态[4] - **模型具体构建过程**： 1. 计算行业指数的滚动历史分位数（如30日窗口） 2. 结合主力资金流动数据（净流入/流出）辅助判断 3. 输出拥挤度排名及变动方向（如医药、钢铁、建材拥挤度靠前，汽车、家电较低）[4][14] - **模型评价**：能够动态捕捉行业资金博弈状态，但对极端市场事件的适应性未明确说明 2. **模型名称：溢价率 Z-score 模型** - **模型构建思路**：通过滚动计算ETF溢价率的Z-score，筛选存在套利机会的标的[5] - **模型具体构建过程**： 1. 计算标的ETF的溢价率：$$ \text{溢价率} = \frac{\text{ETF市价} - \text{净值}}{\text{净值}} \times 100\% $$ 2. 滚动计算溢价率的均值（μ）和标准差（σ） 3. 标准化为Z-score：$$ Z = \frac{\text{当前溢价率} - μ}{σ} $$ 4. 设定阈值触发关注信号（如Z-score超过±2）[5][15] - **模型评价**：依赖历史统计规律，需警惕市场流动性不足导致的模型失效 --- 模型的回测效果 1. **行业拥挤度监测模型**： - 拥挤度高位行业：医药、钢铁、建材（具体数值未披露）[4] - 拥挤度低位行业：汽车、家电（具体数值未披露）[4] - 主力资金流向验证：计算机、电子、电力设备持续流出，银行增配[14] 2. **溢价率 Z-score 模型**： - 触发关注信号标的：智能消费ETF（515920）、生物科技ETF（516500）等[15] - 未披露IR或胜率等指标 --- 量化因子与构建方式 1. **因子名称：主力资金净流动因子** - **因子构建思路**：通过主力资金净流入/流出金额衡量行业或ETF的资金动向[4][14] - **因子具体构建过程**： 1. 按日统计申万行业或ETF的主力资金净额（买入-卖出） 2. 滚动计算3日/5日累计净流动（如近3日银行净流入10.96亿元）[14] - **因子评价**：高频数据敏感性高，但易受短期噪音干扰 --- 因子的回测效果 1. **主力资金净流动因子**： - 近3日净流入TOP1行业：银行（+10.96亿元）[14] - 近3日净流出TOP1行业：计算机（-188.00亿元）[14] --- 注：报告中未涉及复合模型或衍生因子，测试结果的指标口径（如年化收益率、IR）未明确披露[4][5][14][15]

根据研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **高频宏观因子模型** - 构建思路：通过资产组合模拟构建高频宏观因子体系，观察市场交易的宏观预期变化[12] - 具体构建过程： 1. 对利率、汇率、信用等因子直接通过相关指数多空组合构建 2. 对高频经济增长和通胀因子： - 合成低频宏观指标（如工业增加值同比、CPI同比等） - 筛选领先于低频指标的资产（如恒生指数、CRB金属现货等） - 通过滚动多元回归确定资产权重，构建投资组合模拟宏观因子走势[12][13] - 评价：高频指标对低频宏观数据具有领先性，能有效捕捉市场预期变化[13] 2. **债券久期择时模型** - 构建思路：基于改进的Diebold2006模型预测收益率曲线变化[20] - 具体构建过程： - 水平因子预测：结合宏观变量预判和政策利率跟随 - 斜率/曲率因子预测：采用AR(1)模型 - 映射不同久期债券的预期收益[20] - 评价：能动态捕捉利率曲线形态变化 3. **黄金预期收益模型** - 构建思路：将黄金与TIPS实际回报关联[32] - 具体公式： $$E[Real\_Return^{gold}]=k\times E[Real\_Return^{Tips}]$$ $$E[R^{gold}]=\pi^{e}+k\times E[Real\_Return^{Tips}]$$ 其中k通过扩展窗口OLS估计，π^e取美联储2%通胀目标[32] - 评价：模型对黄金长期趋势有较强解释力 4. **主动风险预算模型** - 构建思路：将风险平价与主动信号结合动态调整股债配置[37][38] - 具体构建过程： 1. 多维度信号生成： - 股债比价（ERP）：$$ERP=\frac{1}{PE_{ttm}}-YTM_{TB}^{10Y}$$[39] - 股票估值分位数 - 市场流动性（M2-M1剪刀差）[42] 2. 信号通过softmax函数转化为风险预算权重： $$softmax(x)=\frac{\exp(\lambda x)}{\exp(\lambda x)+\exp(-\lambda x)}$$[47] - 评价：相比传统风险平价模型具有更好的动态适应性 5. **行业轮动3.0模型** - 构建思路：从交易行为、景气度等6维度构建子模型并动态合成[53] - 具体构建过程： - 交易行为模型：捕捉日内动量+隔夜反转效应 - 景气度模型：捕捉盈余动量 - 资金流模型：识别主动抢筹行为 - 其他维度包括筹码结构、宏观驱动、技术分析[53][55] - 评价：多维度合成有效提升行业轮动胜率 量化因子与构建方式 1. **转债估值因子** - 百元转股溢价率：衡量转债与正股相对估值[25] - 修正YTM-信用债YTM：剥离转股条款影响，比较偏债转债与信用债价值[25] 2. **转债风格因子** - 转股溢价率偏离度：识别高估值转债 - 理论价值偏离度：结合定价模型识别定价偏差[27] - 20日动量+波动率偏离度：捕捉市场情绪[27] 3. **基金选基因子** - 高质量因子：基于财务质量指标 - 高成长因子：基于盈利增长指标 - 低估值因子：基于估值分位数[86] 模型回测效果 1. **高频宏观因子** - 高频经济增长因子：7月同比上行[13] - 高频消费通胀因子：7月同比下行[17] - 高频生产通胀因子：7月同比上行[17] 2. **债券久期择时** - 7月策略超额收益32.4bp[21][24] - 近一年超额收益-2.11%[21] 3. **黄金预期模型** - 未来一年预期收益率22.4%[32][33] - 过去一年策略绝对回报39.77%[34][35] 4. **主动风险预算** - 全样本年化收益6.54%，收益波动比1.64[52][54] - 8月股票仓位7.44%，债券仓位92.56%[51] 5. **行业轮动3.0** - 7月多空收益3.07%[61][64] - 动态合成模型中景气度/资金流模型权重较高[67] 6. **转债风格轮动** - 2018-2025年化收益24.54%，IR 1.47[29] - 2025年收益35.17%[29] 7. **ETF轮动组合** - 7月超额收益1.83%[71][74] 8. **FOF组合** - 7月收益5.45%，超额-1.81%[83][84]

量化模型与构建方式 1. **模型名称：国内资产BL模型1** - 模型构建思路：BL模型是均值-方差模型的改进，通过贝叶斯理论将主观观点与量化模型结合，优化资产配置权重[14] - 模型具体构建过程： 1) 选择国内资产标的（沪深300、中证1000、国债总财富指数等）[15] 2) 计算资产预期收益与协方差矩阵 3) 结合投资者主观观点调整收益预期 4) 通过优化算法求解最优权重 - 模型评价：有效解决均值-方差模型对预期收益敏感的问题，兼具主观投资的灵活性和量化模型的稳定性[14] 2. **模型名称：全球资产BL模型2** - 模型构建思路：同国内资产BL模型1，但覆盖全球资产（标普500、COMEX黄金等）[15] - 模型具体构建过程： 1) 选择全球资产标的（标普500、企业债指数等）[15] 2) 其余步骤与国内BL模型1一致 3. **模型名称：国内资产风险平价模型** - 模型构建思路：使每类资产对组合风险的贡献相等，穿越经济周期[19] - 模型具体构建过程： 1) 选择8类国内资产（沪深300、中证转债等）[21] 2) 计算资产波动率与相关性矩阵 3) 优化权重使各资产风险贡献均衡 公式： $$ w_i = \frac{1/\sigma_i}{\sum_{j=1}^n 1/\sigma_j} $$ 其中$\sigma_i$为资产i的年化波动率[20] 4. **模型名称：基于宏观因子的资产配置模型** - 模型构建思路：通过增长、通胀等6大宏观因子构建配置框架[23] - 模型具体构建过程： 1) 构造宏观因子Mimicking Portfolio[24] 2) 计算资产因子暴露水平 3) 结合主观宏观判断调整因子暴露目标 4) 反解得到资产配置权重[24] 模型的回测效果 1. **国内资产BL模型1** - 上周收益：0.02% - 7月收益：0.61% - 2025年收益：2.46% - 年化波动：2.16% - 最大回撤：1.31%[17][18] 2. **全球资产BL模型2** - 上周收益：-0.07% - 7月收益：0.51% - 2025年收益：1.59% - 年化波动：1.70% - 最大回撤：1.28%[17][18] 3. **国内资产风险平价模型** - 上周收益：-0.02% - 7月收益：0.36% - 2025年收益：2.70% - 年化波动：1.46% - 最大回撤：0.76%[22][29] 4. **基于宏观因子的资产配置模型** - 上周收益：-0.03% - 7月收益：0.38% - 2025年收益：2.76% - 年化波动：1.36% - 最大回撤：0.64%[28][29] 当前持仓分布（2025年7月） - **国内资产BL模型1**：中证1000(10.51%)、国债(65.14%)、企业债(19.13%)、商品(5.22%)[13] - **全球资产风险平价模型**：标普500(1.54%)、企业债(93.11%)、黄金(2.13%)[13]

量化模型与构建方式 1. **模型名称：民生金工深度学习股票收益预测模型** - **模型构建思路**：基于民生金工历史研究框架，结合日频和分钟频输入数据，通过深度学习预测股票收益，并利用滚动阈值生成交易信号[1][10]。 - **模型具体构建过程**： 1. **输入端**： - 日频特征：51个技术面/情绪面日频特征 + 7个日频基础量价指标 + 10个强化风格因子（通过PPO强化学习生成）[12][22]。 - 分钟频特征：52个分钟频特征（合成至日频）[22]。 2. **基分类器**： - 使用2个GRU分别对日频和分钟频特征解码[22]。 3. **市场信息嵌入**： - 指数量价数据 + 强化风格偏好生成权重嵌入[22]。 4. **损失函数**： - 多期股票收益作为预测目标，多期MSE均值作为损失函数： $$ \text{MSE} = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2 $$ 其中，\( y_i \)为实际收益，\( \hat{y}_i \)为预测收益[22][26]。 5. **信号生成**： - 预测值滚动阈值：过去一年预测值的70%分位数作为买入信号，30%分位数作为卖出信号，至少持有10个交易日[30]。 - **模型评价**：模型信号分布集中于0轴附近，右偏且尾部极窄，适合波段择时[27][29]。 2. **模型名称：SimStock股票相似度模型** - **模型构建思路**：通过自监督学习预测股票相似度，结合静态（行业/风格）和动态（量价规律）相关性，生成股票属性向量[47][52]。 - **模型具体构建过程**： 1. **输入数据**： - 个股过去40日量价数据 + Barra风格因子 + 资金流指标（形状为\( N \times 40 \times 20 \)）[52]。 2. **样本构建**： - 正样本：\( X_{\text{正}} = 0.75X + 0.25X_{\text{随机}} \) - 负样本：随机抽取不相关特征[52]。 3. **训练目标**： - 最大化正样本相似度，最小化负样本相似度，使用余弦相似度衡量： $$ \text{相似度} = \frac{\mathbf{v}_i \cdot \mathbf{v}_j}{\|\mathbf{v}_i\| \|\mathbf{v}_j\|} $$ 其中，\( \mathbf{v}_i \)为股票属性向量[52][53]。 4. **输出**：个股属性向量用于初始化GRU隐状态，提升收益预测稳定性[57][59]。 - **模型评价**：相似度预测更关注行业而非市值，动态性更强[56]。 3. **复合模型：改进后的收益预测模型** - **构建思路**：将SimStock输出的股票属性向量初始化GRU隐状态，结合原有日频和分钟频输入[57][59]。 - **评价**：改进后模型显著提升预测稳定性，尤其在高波行业中效果突出[60][64]。 --- 模型的回测效果 1. **民生金工深度学习模型**： - 全A股平均年化收益：27%，累积超额收益77%（2019-2025）[33]。 - 沪深300成分股：年化收益17.2%，夏普比率1.24，最大回撤8%[38][41]。 - 中证500成分股：年化收益18.8%，夏普比率1.58，最大回撤10.3%[41][43]。 - 中证1000成分股：年化收益18.1%，夏普比率1.24，最大回撤21.3%[43][46]。 2. **改进后模型（加入SimStock）**： - 全A股平均年化收益：30%，累积超额收益109%[60]。 - 沪深300成分股：年化收益20.7%，夏普比率1.88，最大回撤8.5%[64][67]。 - 中证500成分股：年化收益23.4%，夏普比率1.97，最大回撤10.8%[68][71]。 - 中证1000成分股：年化收益22.5%，夏普比率1.56，最大回撤20.5%[71][73]。 3. **指数择时效果**： - 沪深300：年化收益5.1%，超额收益5.6%[79]。 - 中证500：年化收益12.4%，超额收益12.2%[82]。 - 中证1000：年化收益15.1%，超额收益14.9%[84]。 - 电力设备及新能源行业：年化收益36%，超额收益31.1%[101][103]。 --- 量化因子与构建方式 1. **因子名称：分钟频因子** - **构建思路**：从日内分钟级数据中提取量价相关性、波动率、动量等特征[109]。 - **具体因子示例**： - 分钟收益率与成交量相关系数 - 尾盘半小时动量 - 下行波动率占比 - 开盘成交占比[109]。 --- 因子的回测效果 1. **择时因子RankIC**：周度平均RankIC 4.5%，双周调仓多头年化收益23.2%（费后）[36]。 2. **改进后因子RankIC**：周度平均RankIC 4.2%，年化收益21.7%[74][75]。

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称：普通风险平价模型** - 模型构建思路：通过使组合中每个资产的风险贡献相等来实现风险分散[18] - 模型具体构建过程： 1. 计算资产协方差矩阵 $$\Sigma$$ 2. 求解权重向量 $$w$$ 满足 $$w_i \cdot (\Sigma w)_i = w_j \cdot (\Sigma w)_j$$ 对所有资产 $$i,j$$[14] 3. 当资产不相关时，权重与波动率倒数成正比[18] - 模型评价：适用于低相关资产，但对中国股债等属性差异大的资产需调整权重[21][23] 2. **模型名称：调整风险预算的风险平价模型** - 模型构建思路：通过动态调整不同资产的风险预算倍数来优化配置[27][36] - 模型具体构建过程： 1. 静态调整：权益风险预算设为25，商品/黄金设为36（资产数量开方倍数）[29][36] 2. 动态调整：基于过去6个月夏普比，最高预算为静态值的1.5倍[36] 3. 权重计算：$$w_i = \frac{b_i/\sigma_i}{\sum_j b_j/\sigma_j}$$，其中 $$b_i$$ 为风险预算[28] 3. **模型名称：宏观风险平价模型** - 模型构建思路：引入宏观因子分解资产收益，调整风险预算[38][42] - 模型具体构建过程： 1. 资产收益分解：$$r_{t,i} = \beta_i \cdot F_t + \epsilon_{t,i}$$，其中 $$F_t$$ 为宏观因子[39] 2. 计算宏观因子相关性矩阵 $$\rho_{macro}$$[38] 3. 结合微观风险预算：$$b_i' = b_i \cdot (1 + \frac{Sharpe_i}{max(Sharpe)})$$[38][42] 模型的回测效果 1. **普通风险平价模型** - 年化收益：6.47% | 最大回撤：-2.84% | 波动率：2.79% | 夏普比：2.25 | 月度胜率：74.76%[55] 2. **宏观风险平价模型** - 年化收益：7.99% | 最大回撤：-4.01% | 波动率：3.79% | 夏普比：2.03 | 月度胜率：71.84%[55] 3. **调整风险预算的宏观风险平价模型** - 年化收益：9.11% | 最大回撤：-3.64% | 波动率：3.62% | 夏普比：2.41 | 月度胜率：71.84%[61] 量化因子与构建方式 1. **因子名称：夏普比动态调整因子** - 因子构建思路：根据资产近期夏普比动态调整风险预算[36][59] - 因子具体构建过程： 1. 权益资产：比较1个月夏普比与阈值0.5，高于则预算设为64[59] 2. 可转债资产：比较1个月夏普比与阈值0.6，高于则预算设为36[59] 2. **因子名称：宏观状态权益择时因子** - 因子构建思路：基于宏观信号放大/缩小权益风险预算[59][60] - 因子具体构建过程： 1. 配置信号：权益预算乘以4 2. 非配置信号：权益预算除以4[59] 因子的回测效果 1. **夏普比动态调整因子** - 年化收益提升：+1.12%（宏观模型） | 最大回撤改善：-0.37%[61] 2. **宏观状态权益择时因子** - 年化收益提升：+2.45%（普通模型） | 月度胜率提升：+4.85%[60][61] ETF资产配置实施 - **子类资产调整规则**： 1. 债券：根据10年期国债收益率与20日均线关系切换久期[67] 2. 权益：价值风格时配置70%红利ETF，否则50%；大盘风格时配置80%沪深300ETF[67] - **回测结果**： 年化收益9.43% | 最大回撤-4.16% | 夏普比2.36 | 月度胜率72.15%[69]