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：扩散指数行业轮动模型** - **模型构建思路**：基于价格动量原理，通过跟踪行业扩散指数来捕捉行业趋势，选择向上趋势的行业进行配置[6][26][27] - **模型具体构建过程**： 1. 计算各中信一级行业的扩散指数，反映行业价格动量强度 2. 对扩散指数进行排名，选择排名靠前的行业作为配置标的 3. 每月定期调整行业配置，根据最新扩散指数排名进行轮动 4. 2025年4月建议配置行业：银行、非银行金融、综合金融、计算机、通信、电子[26][30] - **模型评价**：在趋势行情中表现优异，但在市场反转时可能失效[26][38] 2. **模型名称：GRU因子行业轮动模型** - **模型构建思路**：基于GRU（门控循环单元）深度学习网络，利用分钟频量价数据生成行业因子，捕捉短期交易信号[7][34][38] - **模型具体构建过程**： 1. 输入分钟频量价数据到GRU网络进行训练 2. 输出各行业的GRU因子值，反映行业短期动量强度 3. 根据GRU因子排名进行行业配置，定期调整组合 4. 2025年4月配置行业：银行、交通运输、石油石化、纺织服装、钢铁、非银行金融[34][36] - **模型评价**：在短周期表现较好，但对极端行情适应性较弱[34][38] 模型的回测效果 1. **扩散指数行业轮动模型** - 2021年超额收益一度超过25%，但9月后回撤较大[26] - 2022年全年超额收益6.12%[26] - 2023年全年超额收益-4.58%[26] - 2024年全年超额收益-5.82%[26] - 2025年4月以来超额收益-1.08%，今年以来超额收益-3.16%[30] 2. **GRU因子行业轮动模型** - 本周组合收益0.9%，超额中信一级行业等权收益-0.31%[36] - 4月以来超额收益0.92%，今年以来超额收益-3.33%[36] 量化因子与构建方式 1. **因子名称：行业扩散指数** - **因子构建思路**：通过量化行业价格动量强度，生成扩散指数用于行业轮动[6][27] - **因子具体构建过程**： 1. 计算各行业价格时间序列的动量指标 2. 标准化处理得到扩散指数，范围在0-1之间 3. 截至2025年4月25日，扩散指数排名前六的行业：银行(0.986)、非银行金融(0.948)、综合金融(0.926)、计算机(0.873)、商贸零售(0.847)、通信(0.841)[27][28] 2. **因子名称：GRU行业因子** - **因子构建思路**：利用GRU深度学习网络从分钟频量价数据中提取行业特征因子[7][34] - **因子具体构建过程**： 1. 输入行业分钟频量价数据到GRU网络 2. 输出各行业的GRU因子值，反映行业短期动量特征 3. 截至2025年4月25日，GRU因子排名前六的行业：银行(3.81)、交通运输(2.77)、非银行金融(2.37)、纺织服装(2.34)、传媒(1.98)、轻工制造(1.81)[34] 因子的回测效果 1. **行业扩散指数** - 本周建筑行业扩散指数环比提升0.189，房地产提升0.187，建材提升0.136[28][29] - 本周钢铁行业扩散指数环比下降0.111，电力及公用事业下降0.038[28][29] 2. **GRU行业因子** - 本周银行GRU因子提升显著，纺织服装提升明显[34] - 本周煤炭GRU因子下降较大，汽车下降明显[34]

一周回顾 - 经济数据验证期预期本就偏低，预期额外下修空间也有限 [3] 专题研究 - 战略机遇的预期变：25H2指数中枢抬升，2026年期待全面牛市 [7] - 美对华关税威胁可能伤害风险偏好，敏感窗口是25Q2，美国补库存对进口需求的支撑已经消退，海外衰退 + 补库存趋弱导致外需存在额外回落压力 [8] - 连跌4年的医药板块：2025年行业轮动反转策略有效概率较大，医药生物连续四年负收益，建材、轻工制造、钢铁、基础化工、有色金属、电力设备、国防军工、环保连续三年负收益 [9] 港股市场 - 短期情绪指标已到高位，但市场整体流动性指标未触及前期高点，中长期科技产业趋势兴起应给予长期展望 [11] 美股投资策略 - 2025年美股春季投资策略展望：基本面风险释放仍需等待，二季度建议保持对冲，科技股作为核心资产，AI产业进步仍是上行风险，对比1990s互联网行情寻找借鉴经验 [14] - 1990s互联网行情周期：计算机销售同比转负后估值和盈利增速大幅下行，信息技术行业在泡沫破裂阶段跌幅达61% [16] 消费行业 - 恒生消费指数聚焦港股消费领域50家高成长性龙头企业，锚定消费升级浪潮下的稀缺性资产 [17][19] 科技行业 - 二季度弱势震荡，科技仍可能有独立行情 [21]

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：信达金工行业轮动策略** - 模型构建思路：基于绩优基金持仓倾向的边际变化构建行业轮动信号，捕捉机构资金流向[33] - 模型具体构建过程： 1. 筛选绩优基金样本（近1年业绩前30%） 2. 计算行业超配比例：$$超配比例 = \frac{基金持仓行业权重 - 基准行业权重}{基准行业权重}$$ 3. 生成行业轮动信号：超配比例环比上升且排名前10的行业为推荐配置[33][37] - 模型评价：能够有效跟踪机构资金动向，但对市场风格切换敏感[33] 2. **模型名称：主力/主动资金流分析模型** - 模型构建思路：通过划分特大单、大单、中小单资金流向，识别主力与散户行为差异[50] - 模型具体构建过程： 1. 按成交量划分资金类型： - 特大单：成交量≥20万股或金额≥100万元 - 大单：6-20万股或30-100万元 - 中小单：≤6万股或≤30万元 2. 计算净流入额：$$净流入额 = 主买金额 - 主卖金额$$[50][51] 量化因子与构建方式 1. **因子名称：公募基金仓位因子** - 因子构建思路：跟踪主动权益型基金仓位变化，反映机构风险偏好[17] - 因子具体构建过程： 1. 筛选样本：成立满两季度、规模＞5000万、历史平均仓位＞60% 2. 加权计算：$$市场平均仓位 = \frac{\sum(基金持股市值 \times 基金仓位)}{\sum基金持股市值}$$[20] 2. **因子名称：ETF资金流向因子** - 因子构建思路：监测各类ETF净流入/流出情况，捕捉市场热点[38] - 因子具体构建过程： 1. 按类型分类统计（宽基/行业/跨境等） 2. 计算净流入：$$净流入 = 申购金额 - 赎回金额$$[38][61] 模型的回测效果 1. **信达金工行业轮动策略** - 年化超额收益：8.2%（vs 中信一级行业等权基准）[36] - 胜率：63.5%（2020-2025年）[36] 2. **主力资金流模型** - 主力净流入TOP5行业周收益率：平均1.9%[51][57] - 主力净流出行业后续周回调概率：72%[51] 因子的回测效果 1. **公募基金仓位因子** - 仓位＞90%时，后续1月沪深300下跌概率68%[17][22] - 仓位变动与市场波动率相关性：0.41[17] 2. **ETF资金流向因子** - TMT板块单周净流入＞50亿时，次周超额收益IR：1.25[38][61] - 跨境ETF净流入与港股科技指数相关性：0.78[61] 指标取值（统一口径） | 模型/因子 | 年化收益 | 最大回撤 | IR | 胜率 | |--------------------|----------|----------|------|-------| | 行业轮动策略 | 15.7% | 22.3% | 1.8 | 63.5% | | 主力资金流模型 | 12.1% | 18.9% | 1.2 | 58.7% | | 公募基金仓位因子 | - | - | 0.9 | 67.2% | | ETF资金流向因子 | - | - | 1.4 | 61.3% | 注：所有指标基于2020-2025年周频回测，基准为沪深300指数[36][51][61]

纪要涉及的行业和公司 - **行业**：量化投资、ETF、金融、科技、消费、医药、新能源、地产、传媒、通信、半导体、计算机软件、信创、云计算、债券基金等 - **公司**：申万宏源、华安基金、工银、景顺长城、国投、国联安、招商银行、易方达、富国、汇添富、兴全、交银、国泰君安、西部利德、财通、文心、千问、DeepMind、ChatGPT、阿里巴巴、小米、腾讯、美团、理想汽车、康冠科技、三大运营商等 纪要提到的核心观点和论据 量化投资与AI应用 - **AI提升传统多因子处理能力**：传统多因子方法处理因子数量有限，AI算法如树模型、遗传算法等可同时处理数千甚至更多因子，提升信息聚合能力，且能更有效整合利用财务、宏观等数据实现优质投资决策[4]。 - **基本面量化与人工智能策略联系**：两者通过不同路径解决原有简单算法无法处理大量信息问题，基本面量化结合主观判断和宏观或行业模型分析，人工智能策略依赖强大算法处理复杂信息[5]。 - **AI在金融工程设计优势**：AI策略能深度整合财务、宏观经济等信息，提供更精准高效数据分析结果，优化投资组合设计，提高收益率并降低风险[7]。 - **量价因子在算法应用地位**：量价因子数据量大且结构性好，最早被算法应用，传统多因子处理能力有限，AI策略显著提升处理能力，大模型可覆盖更多信息[8]。 - **人工智能策略与传统多因子比较**：AI算法可处理更多特征，能更有效聚合信息和全局分析，在超额收益方面表现优异，不同思维模式下应用AI方法有差异[9]。 - **大模型在金融投资应用前景**：大模型如DeepSeek和ChatGPT有一定主观分析能力，为“主观 + 量化”新范式提供可能，通用能力可涵盖更多数据类型，组合优化可控制市值风险，但能否达专家级水准需验证[11]。 - **AI策略与统计模型区别**：AI策略来自人工智能领域用于特定任务，不限于量价数据，信息聚合和市场全局分析能力更强，小市值股票入选概率问题可通过组合优化控制[12]。 - **资管行业对AI策略接受程度**：基于统计模型的AI策略业绩表现好，已被资管行业逐渐接受并广泛应用于私募基金，推理型大语言模型能否达专家级水平需进一步观察验证[13][14]。 - **推理模型在投资领域应用前景**：推理模型能否在投资领域达专家级水平并降本增效需未来验证，可能改变现有投资方法论，但资管行业接受新方法论需较长时间[15]。 - **统计模型与推理模型区别**：统计模型可回撤但不可解释，推理模型有可解释性但不可直接回撤，涉及使用未来数据问题，还存在AI幻觉和随机数问题需验证[16]。 - **AI对量化投资流程影响**：传统量化方法存在幸存者偏差和过拟合，统计AI阶段大部分探索迭代工作由AI承担，大模型阶段AI能生成代码且达助理级别质量，人力和算力是关键要素[21]。 ETF市场与华安基金策略 - **ETF市场发展现状及趋势**：ETF市场规模突破3.8万亿元，权益ETF达3万亿元，产品超千只，华安基金提供ETF产品及解决方案，关注smart beta策略，提供专业化服务和多种策略组合[22][23]。 - **华安基金资产配置策略**：目标是实现稳健收益，波动小，类似固收加策略，主要投资债券，占比50% - 60%，对标万得偏债混合主动基金指数，历史收益表现好[27]。 - **华安基金行业轮动策略**：根据每月行业变化调整，结合宏观、中观及微观因子，通过AI识别和定性分析选择标的，三月份看好科技、消费及医药领域[3][31]。 - **两会对市场影响分析**：回顾历史两会热点和市场表现，结合择时指标和A股市场温度计模型判断市场位置，目前A股处于温和区间[32]。 基金经理制度与产品分析 - **国内外基金经理制度趋势**：海外富达重视单一明星基金经理，资本集团倾向多基金经理制度；国内多数主动权益基金以单一明星基金经理为主，开始探索多基金经理制度，实现风格互补[38]。 - **多基金经理制度对基金管理效果**：可带来显著效果，有效区分需观察共同管理与单独管理产品相似度及基金经理风格差异，互补形式占比不到三分之一[44][45]。 - **固收加模式与多因子模型**：固收加模式多采用多因子模型，但并非都成功，总结成功模式需考虑资产配置、风险控制和团队协作等因素[47]。 - **权益与固收基金经理互补形式**：体现在对不同类型资产的专业知识和投资策略上，如景顺长城景盈双利项目中董涵和林英杰的分工[48][49]。 - **量化策略在固收加产品应用**：通过多种手段实现不同投资目标，如招商银行量化基金经理使用增强型指数和Alpha Beta策略[51]。 - **指数增强型与主动权益指增型差异**：指数增强型跟踪误差小，主动权益指增型跟踪误差大，加大跟踪误差不一定提高超额收益[54]。 AI科技板块与投资机会 - **AI科技板块对主动权益基金影响**：2025年以来主动权益基金因AI板块高配置战胜基准指数，但2月下旬AI板块回撤，与交易拥挤度高有关[60][61]。 - **AI相关行业投资热度及估值**：投资热度处于历史高位，成交活跃度达2014年以来最高，电子计算机与机械设备估值偏高，传媒与通信相对较低，持仓比例达历史高位[62]。 - **AI相关ETF产品情况**：资金流入和成交活跃程度达相对高位置，仅次于2020年牛市和公募行业大发展时期[65]。 - **AI赛道指数产品选择**：涵盖宽科技、硬件与算力、软件及其他受益产业等细分领域，不同细分赛道表现差异明显，指数产品在估值水平和成分股共振性上有区别[66][67][68]。 - **主动权益基金经理在AI板块表现**：分为均衡稳定配置型、细分赛道专注型以及灵活调整型，均衡稳定配置型选基空间大，有望带来正向投资效应[73]。 - **行业主题轮动策略**：通过行业调整捕捉投资机会，评价参考胜率和每一期行业变化带来的收益表现[76]。 - **机器人板块超额收益原因**：涵盖标的广泛，主动权益布局更纯粹，表现出更高弹性[81]。 全球市场与科技投资 - **科技投资指数选择**：复盘AI发展历程，关注具有自主创新能力且在算力芯片方面有突破性的企业，兼顾上下游产业链新兴标的[82][83]。 - **港股和海外科技大厂竞争情况**：港股竞争集中在互联网头部大厂，海外ChatGPT领先，国内开源特征利于AI研发[85]。 - **海外云厂商增长预期**：2024年KPXLS增速达55%，2025年预期在3000 - 3300亿美元之间，增速约30%[86]。 - **国内与海外市场AI应用优势**：海外有更好的To B端软件付费生态，国内有更强的To C端市场和完整制造产业链优势[87]。 - **AI应用未来发展方向**：AI agent及多模态是重要发展方向，投资需覆盖面广并接受较高波动性[88]。 - **人工智能相关投资标的选择**：关注A股人工智能指数筛选概念及实际含有的公司，从全球视角可关注港股大型互联网巨头和消费电子到造车生态良好的公司、美股M7巨头等[89][92]。 债券市场与基金发展 - **美国债券基金发展路径**：2000年以来经历三次利率环境变化，低利率时期货币基金规模增长，多德弗兰克法案后债券型基金规模翻倍，固收类产品多元化发展[110][111]。 - **美国固收类产品发展情况**：经济复苏和加息通道中，债券基金规模占比相对平稳但绝对数值下降，指数型产品受关注，资管行业向ETF格局转变[112]。 - **后疫情时代美国固收市场变化**：通胀保护类债券基金和浮息债券基金规模显著提高，固收市场指数化进程快且多元化新形态涌现[113]。 - **日本公募债券型基金市场发展历程**：经历快速下降、零利率及负利率阶段，公募债基占比仅6.62%，多数为货币储备基金，曾经辉煌但因低利率走向没落[114][115]。 - **日本与美国债券市场发展差异**：美国债券市场复杂多元化，日本以国债为主，市场格局单一限制产品创新，美国经济增长支持多样化产品发展，日本经济低迷抑制投资者需求[119]。 - **日本投资者海外资产配置**：负利率时代，日本公募市场外币资产配置比例超50%，出海寻求替代资产配置是有效策略[120]。 - **日本权益类资产发展情况**：自2000年以来发展迅速，规模达15万亿日元，得益于高股息、高流动性及税收优惠[121][122]。 - **美国指数型产品对我国借鉴意义**：美国指数型产品成功推动公募市场降费，我国应加紧布局指数型产品，构建多资配置框架，升级固收加策略[123]。 其他重要但是可能被忽略的内容 - **超额收益与风险因子**：超额收益在Kama体系下主要包括PO阿尔法，无法定量解释，通过风险因子贡献可预判策略选择，需区分策略失效与周期变化[19]。 - **量化投资策略数据平衡**：追求最新数据和长期超额收益存在冲突，应关注周期性因素，交易成本可分解[20]。 - **基金名称与投资风格**：很多基金名称不能准确反映实际投资风格，选择投资标的需审查实际持仓情况[55]。 - **主动权益基金表现分析**：跟踪基准并逐步增厚阿尔法，主动权益基金长期表现出色，未来应更重视基准和组合管理策略[59]。 - **ETF交易注意因素**：交易中需注意补券时间差异及汇率因素，对QDII产品成本有影响[105]。 - **全球资金资产配置趋势**：2025年大模型进步使全球资金重新关注国内市场，更倾向估值低且基本面稳健的资产，如香港市场头部互联网企业，南下资金流入港股速度加快[106][108]。 - **公司产品布局特点**：公司在各类产品有布局，提供多种低费率产品，有多种场外产品如云计算指数场外产品[109]。

报告核心观点 - 电力设备、房地产、银行等行业风险收益性价比较高，2025年3月量能买入信号行业为电力设备、房地产、美容护理、农林牧渔、医药生物、银行，量能卖出信号行业为电子、计算机、家用电器、汽车，拥挤度方面机械设备、计算机、家用电器存在成交集中度风险提示 [1][4][10][11][13] 行业轮动配置 行业轮动视角1：换手率的量能提示 - 核心逻辑为成交量放大代表市场观点分歧扩大，成交量中枢上移预示供需关系变化，可能代表原有趋势转折，运用换手率斜率监测“放量”提示行情机会 [4][9] - 去年12月和今年1月大部分行业换手率斜率为负，今年2月大部分为正，计算机和电力设备行业量能更突出 [4][10] - 2025年3月量能买入信号行业为电力设备、房地产、美容护理、农林牧渔、医药生物、银行，卖出信号行业为电子、计算机、家用电器、汽车 [4][10][11] 行业轮动视角2：拥挤度的风险提示 - 核心逻辑是拥挤度指标反映交易活动过热程度，起潜在风险警示作用，根据拥挤表现制定跟踪指标，结合行业走势信号给出综合卖出指令 [5][13] - 2025年3月行业成交集中度风险提示行业为机械设备、计算机、家用电器，行业内部关联度和价格乖离率无风险提示行业 [5][13][14][15] 量能买入信号行业指标详情及ETF 电力设备 - 量能在全行业表现突出，有较强市场吸引力，拥挤度尚可，行业内部分化，量能由部分公司带动，需关注2月利好事件能否扩散至全行业 [19] - 主题ETF包含跟踪光伏龙头30、CS电池、光伏产业等指数的ETF [20] 房地产 - 量能在全行业排名中部，拥挤度尚可，2月行业内部情绪浓度下行，悲观情绪消化，成交集中度和价格乖离率低位，收益风险性价比高 [23][24] - 主题ETF包含跟踪内地地产、800地产、中证全指房地产指数的ETF [26] 美容护理 - 量能在全行业排名中部，拥挤度尚可，2月行业内部情绪浓度维持高位，成交集中度和价格乖离率低位，收益风险性价比高，暂无相关主题ETF [29][30] 农林牧渔 - 量能在全行业排名靠前，拥挤度尚可，2月行业内部情绪浓度维持高位，成交集中度和价格乖离率低位，收益风险性价比高 [32] - 主题ETF包含跟踪CS现代农、中证畜牧、中证农业指数的ETF [33] 医药生物 - 量能在全行业排名靠前，拥挤度尚可，2月行业内部情绪浓度下行，行业分化，需关注利好能否扩散，成交集中度和价格乖离率低位，收益风险性价比高 [35][36] - 主题ETF包含跟踪300医药、800医药、CS创新药等众多指数的ETF [38][39] 银行 - 量能在全行业排名靠后，拥挤度尚可，近两月行业内部情绪浓度持续上行，成交集中度低位，价格乖离率不高，收益风险性价比高 [43] - 主题ETF包含跟踪中证银行、800银行、银行AH指数的ETF [45]

文章核心观点 - 文章从量化策略角度探讨大模型如何助力投资，测试大模型在行业轮动、风格轮动和市场择时三大任务中的表现，并讨论大模型在量化策略开发中存在的局限性 [1] 大模型助力投资 结合量化投资 - 大语言模型可帮助量化分析师高效实现代码构建，缩短策略开发周期；可通过检索论文网站帮助分析师快速查找研究、提炼观点或形成专家知识库；在策略开发层面，与新闻、研报这类另类数据结合能发挥更大作用 [3] 结合主动投资 - 非量化客户用好大语言模型关键在于明确其长处与局限性，当前大模型在金融领域应用空间大，但只能作为协助者，存在对数字准确度把握不足、知识库滞后、易出现知识幻觉等局限性 [3] 671b标准版DeepSeek - R1在行业轮动任务表现 模型亮点 - DeepSeek - R1基于MoE架构，通过大规模强化学习直接训练基座模型（V3）突破推理能力，在数学、代码、自然语言推理等任务上性能比肩OpenAI o1正式版，验证了强化学习在提升推理能力方面的可能性 [4][11] 测试结果 - 测试发现671b参数版的DS - R1在多项任务中优势明显，后续量化策略任务采用该版本测试；在行业轮动任务上表现更佳，2024年以来行业多头组合相对全行业等权收益率超额22.3%，效果稳定；大小盘轮动策略胜率54.33%，相对等权超额收益超12%；市场择时方面2024年以来超额约18%，稳定性稍弱 [5] 推荐持仓 - 截至2025年2月20日，DS - R1对2025年3月最新推荐持仓为传媒、计算机、电新、汽车、消费者服务、通信；大语言模型在行业配置任务上相对于选股和市场择时任务有独特优势，能更好发挥处理宏观中观信息和逻辑推理的优势 [6] 大模型结合新闻数据在量化策略任务的优势 模型创新点技术细节 - DeepSeek - V3在仅消耗Llama3 405B模型10%计算资源的条件下，实现相当运算效能，源于三项架构革新：多头潜在注意力机制、动态路由混合专家系统及多粒度令牌预测 [10] 使用DeepSeek构造量化模型的流程 - 调用方式有调用官方API、第三方平台API和本地部署三种；不同参数版本模型表现有差异，671b版在逻辑推理、常识问题及脑筋急转弯任务中表现更好，模型处理数字相关计算分析任务能力弱于文本类数据处理能力 [12][15] - 采用数库新闻数据作为提示词信息源，筛选新闻数据以降低数量并保证完整性和有效性；打磨提示词可提升输出质量、降低幻觉概率，还可借助辅助工具生成提示词；设置API接口参数，采用单轮对话方式调用API，对输出结果进行查验 [17][18][19] 回测效果展示 - 设计行业轮动、大小盘轮动和市场择时三个量化策略测试模型表现，行业轮动任务表现亮眼，样本外超额收益超22%，信息比率超1.8，多头组合超额收益回撤小、较稳定，24年10月后明显增长；持仓换手率偏低，为38.5%，多次看好电新、计算机等行业 [21][24][26] 大模型的局限性 幻觉 - 幻觉指模型生成内容无意义或不忠实于源内容，可能源于缺乏对事实的深刻理解，影响模型可靠性；主流AI模型在文本摘要任务中幻觉产生概率在0.7% - 3%之间，DeepSeek早期发布的V2.5幻觉产生概率为2.4%，与OpenAI - o1模型水平大致相同 [32] 随机性 - 大语言模型中temperature等参数控制输出随机程度，取值接近0输出更确定，接近1输出更随机；在行业轮动任务中，temperature = 0.6时，随机性对预测值有影响，但策略均能战胜等权基准；temperature取值干扰模型预测结果构建行业轮动策略的性能，但无直接相关性 [35] 上下文长度限制 - 大语言模型在长文本处理中存在系统性瓶颈，输入序列超过阈值时，对远端信息记忆和调用能力衰减，语义整合误差率非线性上升；DeepSeek - R1上下文长度为64k，限制了可接收新闻数量，影响推理效果 [37][38] 样本内数据泄露的可能性 - 大语言模型处理学术文献存在隐私泄露风险，在量化领域构建策略时，难以保证样本内不出现数据泄露问题，如出现“偷看”问题答案的情况，因此仅测试2024年以来策略表现 [39]

量化模型与构建方式 1 景气动量模型 1) 模型名称：景气动量模型 2) 模型构建思路：自上而下行业轮动模型，基于行业盈利能力g和盈利能力边际变化Δg构建，从宏观、中观、微观三个视角对行业Δg开展建模[2] 3) 模型具体构建过程： - 宏观视角：将增长、通胀等宏观因子与行业整体ROE变化、估值变化映射，构建宏观戴维斯双击因子 - 中观视角：用产业链数据对行业财务状况进行Nowcast，计算中观景气度因子 - 微观视角：使用卖方分析师一致预期数据补充财报数据，计算微观景气度因子 - 加权组合三个视角的因子得到景气动量因子[16] 4) 模型评价：表现对市场风格依赖度高，尤其与成长因子显著正相关，是一个名副其实的Smart Beta[2][23] 2 遗传规划模型 1) 模型名称：遗传规划模型 2) 模型构建思路：自下而上行业轮动模型，采用"生物育种"原理直接挖掘行业量价、估值等数据[3] 3) 模型具体构建过程： - 将单目标遗传规划改造为双目标遗传规划，同时评价因子分组单调性和多头组表现 - 使用NSGA-II算法挖掘兼具分组表现单调、多头表现优秀的因子 - 采用贪心策略和方差膨胀系数合成行业得分[18] - 最新一期权重最高的因子计算过程： $$ts_covariance_torch(ts_grouping_deczscorecut_torch(ts_decsortcut_torch(daily_exc,60,9,2),ts_decsortcut_torch(daily_exc,30,8,2),15,2.0,1),exp_torch(low_st),55)$$ 1) 计算60日和30日超额收益变量A和B 2) 对B进行zscore标准化提取特定日期集合T 3) 计算T中A之和变量C 4) 计算标准化收盘价的自然指数变量D 5) 计算C和D的55日协方差[35] 4) 模型评价：对市场风格依赖度低，超额收益来自对行业机会的把握[3][32] 模型的回测效果 1 景气动量模型 1) 回测区间：20160430-20250131 2) 年化收益：9.61% 3) 年化波动：22.51% 4) 夏普比率：0.43 5) 最大回撤：-44.84% 6) 卡玛比率：0.21[25] 7) BARRA因子暴露：Growth(0.32)[25] 2 遗传规划模型 1) 回测区间：20220930-20250214 2) 年化收益：32.57% 3) 年化波动：18.17% 4) 夏普比率：1.79 5) 最大回撤：-19.63% 6) 卡玛比率：1.66[34] 7) 年化超额收益：28%[3] 量化因子与构建方式 1 宏观戴维斯双击因子 1) 因子构建思路：基于宏观因子与行业ROE变化、估值变化的映射关系构建[16] 2 中观景气度因子 1) 因子构建思路：用产业链数据对行业财务状况进行Nowcast[16] 3 微观景气度因子 1) 因子构建思路：使用卖方分析师一致预期数据补充财报数据[16] 因子的回测效果 1 最新一期遗传规划因子 1) 训练集IC：0.042 2) 训练集NDCG@5：0.362 3) 因子权重：40.7%[35]