报告核心观点 - 文献提出结合股票价格动量与高维资产组合层级聚类的投资组合构建方法，改善了Markowitz均值 - 方差投资组合权重不稳定和配置过于集中的问题，该方法在国内多个投资组合构建领域有施行空间 [2] 引言 - 高效投资组合构建是金融关键问题，Markowitz均值 - 方差方法理论好但实际操作中投资组合存在权重不稳定和配置集中问题，高维情况下问题更严重 [14] - 现有文献提出多种克服资产数量庞大时投资组合选择困难的方法，包括收缩估计、施加因子结构、施加权重约束、重采样、贝叶斯方法和利用网络模型等 [15] - 部分文献研究金融市场层级结构，如识别股票集群、提出层级风险平价和推广方法等 [16][17] - 动量策略分横截面和时间序列动量策略，大量实证表明其有效性，但也伴随高风险，将其与有效风险管理技术结合很重要 [18][21] - 文献结合动量与层级聚类构建投资组合，选择高动量股票捕捉溢价，利用层级聚类识别稀疏资产子集，构建仅做多投资组合，平衡动量策略与风险管理技术 [22] - 文献进行样本外回测，结果显示HM投资组合扣除交易成本后收益和风险调整后收益更高，能在不增加风险下捕捉动量溢价，其特性源于聚类和动量选股结合 [23] 方法 层级聚类 - 根据金融资产历史收益时间序列信息，用资产收益间pearson相关系数推导距离函数，构建N×N距离矩阵，资产相关性越高距离越小 [26][27] - 采用凝聚式层级聚类方法，自下而上递归合并元素，结果是树状图，新聚类与其他资产距离用平均算法计算，聚类过程记录在连接矩阵中 [29] HM组合 - 构建投资组合权重有两个目标，利用动量溢价提升收益，结合市场层级结构确保稀疏分散化并限制风险 [38] - 在树状图高度h处水平切割进行划分式聚类，形成n个聚类，将资产动量得分定义为过去一年累计总收益，从每个聚类选动量得分最高资产，财富在选定资产间等权分配，动量得分为负资产赋予零权重 [41] - 研究发现n选择具鲁棒性，优化可能带来微小改进且增加过拟合风险，简单等权重加权方法更合适 [42] 实证结果 数据 - 数据涵盖1997年6月至2022年8月MSCI全球所有国家指数包含股票，代表广泛资产组合，考虑资产进出指数时间点动态调整组合，限制可投资资产范围，构建无生存偏差合格资产数据集 [43] 样本外回测 - 回测将HM策略与最大动量、动量阈值、分层拉菲诺、均值方差等基于模型策略，以及等权重和市值加权无模型策略比较 [48][49] - 各策略动量得分通过计算资产过去一年本地货币计价累计总收益率得出，MV策略用过去一年周度对数总资产收益率估算均值向量，分层结构利用过去五年周度对数资产收益率，投资组合每月再平衡，交易成本20个基点 [53] - 扣除交易成本后，HM策略在纯收益、风险调整后收益和风险方面均优于其他策略，在四种基于模型策略中换手率最低，等权策略换手率低，市值加权投资组合换手率近乎为零 [55] - 基于模型策略往往优于无模型基准策略（HR策略除外），MM和TM策略有大幅回撤问题，动量与分层聚类结合缓解了该问题，降低最大回撤，改善回撤分布 [58] - 对投资策略超额收益进行时间序列回归，除HM策略外其他策略未获统计显著正Alpha，HM策略年化Alpha为1.87%，在10%显著性水平下有统计意义 [62] - 基于模型策略（HR策略除外）表现优于无模型基准策略，HM策略尤其在全球金融危机后表现优越，其优越表现得益于分层聚类降维和分散化以及基于动量的股票选择，且未增加风险 [62][67] 结论 - 稀疏分散化对构建超越市场投资组合至关重要，标准投资组合优化方法在高维度样本外表现不佳，降维方法可提供低维度表示 [68] - 文献提出投资组合构建框架，利用分层聚类恢复市场分层结构，从每个聚类选动量得分最高股票，投资组合权重在所选资产间平均分配 [68] - 样本外回测中，HM策略在累计收益和风险调整后收益方面优于基准策略，其优越表现通过投资高动量股票和分层聚类分散稳定投资组合驱动，且未增加风险 [69] - 实证表明基于相关性的距离度量含资产领域分层结构有价值信息，分层结构稳定，结合动量信息资产选择标准可构建超越市场投资组合，避免高维度协方差矩阵逆矩阵计算误差放大问题 [69][70]

量化因子与构建方式 1. **因子名称**：日内高频偏度因子 - **构建思路**：通过捕捉股票日内收益分布的偏度特征来选股[4][10] - **具体构建过程**：计算日内收益率的三阶矩，公式为： $$Skew = \frac{E[(r-\mu)^3]}{\sigma^3}$$ 其中，\( r \)为日内收益率，\( \mu \)为均值，\( \sigma \)为标准差[10] - **评价**：历史IC为0.027，2025年IC提升至0.057，多头端稳定性较好[6] 2. **因子名称**：日内下行波动占比因子 - **构建思路**：衡量下行波动在总波动中的占比，反映风险不对称性[4][13] - **具体构建过程**：计算下行波动与总波动的比值： $$DownVolRatio = \frac{\sum_{r_t<0}(r_t-\mu)^2}{\sum(r_t-\mu)^2}$$[13] - **评价**：2025年多空收益达11.63%，但近期表现较弱[6] 3. **因子名称**：开盘后买入意愿占比因子 - **构建思路**：统计开盘后买方主动成交占比，捕捉资金流向[4][19] - **具体构建过程**：计算开盘30分钟内买方成交额占比： $$BuyRatio = \frac{V_{buy}}{V_{total}}$$[19] - **评价**：2025年周胜率达15/20，多头超额收益显著[7] 4. **因子名称**：改进GRU(50,2)+NN(10)因子 - **构建思路**：结合门控循环单元(GRU)和神经网络(NN)的深度学习模型[4][59] - **具体构建过程**：使用50天历史数据输入GRU层，2层隐藏层后接10层全连接NN[59] - **评价**：2025年多空收益17.68%，但多头超额收益为负[9] 5. **因子名称**：多颗粒度模型-5日标签因子 - **构建思路**：基于双向AGRU训练的多时间颗粒度预测模型[61][64] - **具体构建过程**：融合5日收益率标签数据训练，输出股票排序[64] - **评价**：2025年多空收益28.3%，表现最优[9] 因子回测效果 | 因子名称 | IC(2025) | 多空收益(2025YTD) | 多头超额收益(2025YTD) | 周胜率(2025) | |------------------------------|----------|-------------------|-----------------------|--------------| | 日内高频偏度因子 | 0.057 | 14.17% | 3.26% | 13/20 | | 开盘后大单净买入占比因子 | 0.034 | 12.01% | 6.26% | 16/20 | | 改进GRU(50,2)+NN(10)因子 | 0.039 | 17.68% | -2.08% | 18/20 | | 多颗粒度模型-10日标签因子 | 0.067 | 26.67% | 9.41% | 16/20 | 量化模型与构建方式 1. **模型名称**：中证500 AI增强宽约束组合 - **构建思路**：基于多颗粒度模型因子，叠加宽泛风险约束[67][68] - **具体构建过程**：目标函数为： $$max\sum\mu_{i}w_{i}$$ 约束条件包括个股权重≤1%、行业偏离≤1%、换手率约束等[68] - **评价**：严约束组合2025年超额收益3.53%，回撤控制更优[74][79] 模型回测效果 | 模型名称 | 上周收益 | 5月收益 | 2025YTD收益 | 周胜率 | |------------------------------|----------|---------|-------------|--------| | 中证1000 AI增强严约束组合 | 1.16% | 2.33% | 10.89% | 14/20 | | 中证500 AI增强宽约束组合 | 1.17% | 2.29% | 6.18% | 13/20 |

报告核心观点 - 提出基于赔率和胜率的投资期望结合方式，为价值成长风格切换问题提供定量模型解决方案，最新一期风格轮动模型推荐成长风格，2013 年至今该模型策略年化收益率 27.18%，夏普比率 0.98 [1][4] 各部分总结 前言 - 创新性提出基于赔率和胜率的投资期望结合方式，后续将持续样本外跟踪并定期汇报 [1][8] - 借用个股因子合成刻画成长和价值风格，价值用账面市值比、净利润市值比，成长用单季度净利润同比增速等，对因子做市值中性化和标准化处理后等权复合，选风格暴露前 20%个股为代表组合，周度换仓测算收益 [8] - 上周全市场成长风格组合收益 0.82%，价值风格组合收益 1.15% [1][8] 赔率 - 赔率指亏损为 1 时盈利的数值，一段收益率序列的赔率等于平均正收益/平均负收益的绝对值 [9] - 采用估值差的历史分位数法刻画市场风格相对估值水平，经计算初始估值差、除以全市场估值平均数、计算历史排位次序百分比等步骤，且估值差历史分位数高代表相对低估值 [11][12][13] - 市场风格相对估值水平与预期赔率负相关，根据最新估值差分位数，当下成长风格赔率估计为 1.09，价值风格为 1.08 [2][14] 胜率 - 梳理五个宏观指标和三个微观指标判断胜率，包括十年中债国债到期收益率、美国 6 个月国债收益率、PMI 等 [18] - 七个胜率指标中 4 个指向成长，3 个指向价值，当下成长风格胜率为 46.13%，价值风格胜率为 53.87% [3][18][19] 投资期望及策略收益 - 根据公式投资期望=胜率*赔率 -（1 - 胜率），计算得成长风格投资期望为 0.22，价值风格为 -0.13，推荐成长风格 [4][19] - 2013 年至今，基于投资期望的风格轮动模型策略年化收益率 27.18%，夏普比率 0.98，总收益 1754.20%等 [4][20]

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**：分红预测模型 - **模型构建思路**：基于上市公司分红公告、历史分红率及盈利预测数据，预测指数成分股分红对股指期货合约的影响[9][11][12] - **模型具体构建过程**： 1. **净利润预估**：优先采用年报、快报、预警及分析师预测数据，未公布数据则使用TTM或历史分红率推算[26][27][31] 2. **分红总额计算**： - 已公布预案的公司直接采用税前分红总额 - 未公布预案的公司按历史分红率推算：$$\text{预估分红总额} = \text{预估净利润} \times \text{历史分红率}$$[31] 3. **指数影响计算**： - 股息率 = 税后分红总额 / 最新市值 - 股息点 = 股票权重 × 股息率，权重通过动态调整公式计算： $$\mathrm{w_{it}={\frac{w_{i0}\times\mathrm{\scriptsize{\boldmath~(~1+R~)}~}}{\sum_{1}^{n}w_{i0}\times\mathrm{\scriptsize{\boldmath~(~1+R~)}~}}}}$$[29] 4. **合约影响值预测**：根据除权除息日历史规律，叠加分红时间分布计算各合约交割前的累计影响[30][32][33] - **模型评价**：依赖历史分红率和盈利预测假设，对市场环境变化敏感[6][35] 2. **模型名称**：股指期货定价模型 - **模型构建思路**：基于无套利原理，考虑分红现值和无风险利率对期货定价的影响[35][36] - **模型具体构建过程**： - **离散红利模型**： $$\mathbf{F_t} = (\mathbf{S_t} - \mathbf{D})(1 + r)$$ 其中，$\mathbf{D}$为红利现值，$r$为无风险利率[35] - **连续红利模型**： $$\mathbf{F_t} = \mathbf{S_t} e^{(r-d)(T-t)}$$ 其中，$d$为年化红利率[36] --- 模型的回测效果 1. **分红预测模型** - **上证50期货**： - IH2505合约：分红点数0.27，年化对冲成本0.27%（365天）[13] - IH2509合约：含分红价差7.91，剩余影响2.23%[13] - **沪深300期货**： - IF2505合约：分红点数0.74，年化对冲成本7.07%[14] - IF2512合约：含分红价差-69.86，剩余影响1.81%[14] - **中证500期货**： - IC2505合约：分红点数2.21，年化对冲成本15.59%[15] - **中证1000期货**： - IM2505合约：分红点数3.86，年化对冲成本18.88%[16] 2. **股指期货定价模型** - 理论价差与实际价差对比显示，IH2506合约含分红价差0.16，接近无套利均衡[13] --- 关键因子与构建方式 1. **因子名称**：分红点数因子 - **因子构建思路**：反映分红对期货合约价格的直接影响[12][13][14] - **因子具体构建过程**： - 单合约分红点数 = 各成分股分红点数的交割前累计和[33] 2. **因子名称**：年化对冲成本因子 - **因子构建思路**：衡量剔除分红后的持有成本[12][13][14] - **因子具体构建过程**： - 年化对冲成本 = （实际价差 - 分红点数） / 合约价格 × 年化天数[13][14] --- 因子的回测效果 1. **分红点数因子**： - IH2509合约：59.91点[13] - IC2512合约：75.31点[15] 2. **年化对冲成本因子**： - IF2506合约：3.05%（365天）[14] - IM2509合约：11.84%（365天）[16] --- 以上内容严格依据研报中的模型、因子及测试结果整理，未包含免责声明等无关信息。

量化因子与构建方式 1. **因子名称：估值偏离EPD因子** - **构建思路**：结合布林带均值回复策略与基本面估值修复逻辑，利用PE指标的均值回复特性构建[7] - **具体构建过程**： 1. 计算个股PE的Z-score，衡量其与历史均值的偏离程度： $$EPD = \frac{PE_t - \mu_{PE}}{\sigma_{PE}}$$ 其中$\mu_{PE}$为滚动窗口内PE均值，$\sigma_{PE}$为标准差[7] 2. 通过Z-score识别估值异常（高估或低估）的股票[7] - **因子评价**：捕捉短期估值偏离后的均值回复效应，但易受个股估值逻辑突变影响[7] 2. **因子名称：缓慢偏离EPDS因子** - **构建思路**：在EPD基础上剔除估值逻辑可能发生变化的个股（通过信息比率筛选）[7] - **具体构建过程**： 1. 计算个股信息比率IR，衡量其估值逻辑稳定性[7] 2. 对EPD因子进行截面调整： $$EPDS = EPD \times (1 - P_{change})$$ 其中$P_{change}$为估值逻辑改变概率（由IR代理）[7] - **因子评价**：降低"伪异常"干扰，提升因子稳健性[7] 3. **因子名称：估值异常EPA因子** - **构建思路**：在EPDS基础上进一步剥离Beta、成长与价值风格的影响[7] - **具体构建过程**： 1. 对EPDS因子进行多因子正交化处理： $$EPA = EPDS - \beta_1 \cdot MKT - \beta_2 \cdot HML - \beta_3 \cdot SMB$$ 其中MKT、HML、SMB分别代表市场、价值、规模因子[7] 2. 保留纯估值异常效应[7] - **因子评价**：逻辑纯净度高，兼具收益性与稳定性[7] 因子的回测效果 1. **EPD因子**（2010/02-2025/04） - 年化收益率：17.65% - 年化波动率：10.02% - 信息比率（IR）：1.76 - 月度胜率：71.04% - 最大回撤率：8.93%[8][10] 2. **EPDS因子**（2010/02-2025/04） - 年化收益率：16.31% - 年化波动率：5.73% - 信息比率（IR）：2.85 - 月度胜率：79.23% - 最大回撤率：3.10%[8][10] 3. **EPA因子**（2010/02-2025/04） - 年化收益率：17.30% - 年化波动率：5.12% - 信息比率（IR）：3.38 - 月度胜率：80.87% - 最大回撤率：3.12%[8][10] - **2025年4月表现**： - 多头组合收益率：-3.30% - 空头组合收益率：-3.02% - 多空对冲收益率：-0.28%[13]

量化因子与构建方式 1. **因子名称**：新价量相关性RPV因子 - **构建思路**：通过划分价量四象限，利用月度IC均值甄别价量相关性因子的反转效应和动量效应，结合日内与隔夜信息叠加，加入成交量信息构建因子[6] - **具体构建过程**： 1. 日内价量相关性：使用CCOIV（日内收盘价与成交量相关性）代表，公式为 $$ \text{CCOIV} = \text{Corr}(\Delta \text{Close}_{\text{intraday}}, \text{Volume}_{\text{intraday}}) $$ 2. 隔夜价量相关性：使用COV（隔夜收益与昨日成交量相关性）代表，公式为 $$ \text{COV} = \text{Corr}(\Delta \text{Close}_{\text{overnight}}, \text{Volume}_{\text{previous day}}) $$ 3. 信息叠加：将CCOIV（反转效应）与COV（动量效应）结合，形成RPV因子[6] - **因子评价**：因子通过价量配合增强选股效果，兼具反转与动量特性[6] 2. **因子名称**：聪明版日频价量相关性SRV因子 - **构建思路**：改进RPV因子，通过拆分日内涨跌时段并识别"聪明"交易时段（知情交易集中时段），优化价量相关性计算[6][12] - **具体构建过程**： 1. 日内部分：将下午涨跌与"聪明"换手率（知情交易比例高的时段换手率）计算相关性 $$ \text{SRV}_{\text{intraday}} = \text{Corr}(\Delta \text{Close}_{\text{afternoon}}, \text{Smart Turnover}_{\text{afternoon}}) $$ 2. 隔夜部分：将隔夜收益与昨日最后半小时换手率计算相关性 $$ \text{SRV}_{\text{overnight}} = \text{Corr}(\Delta \text{Close}_{\text{overnight}}, \text{Turnover}_{\text{last 30min}}) $$ 3. 合成因子：结合效果更优的日内与隔夜部分[12] - **因子评价**：通过识别知情交易时段提升因子稳定性，效果优于RPV因子[12] --- 因子的回测效果 1. **RPV因子**（2014/01-2025/04全市场回测）[7][10] - 年化收益率：14.97% - 年化波动率：7.72% - 信息比率（IR）：1.94 - 月度胜率：73.33% - 最大回撤：10.63% 2. **SRV因子**（2014/01-2025/04全市场回测）[7][10] - 年化收益率：17.84% - 年化波动率：6.44% - 信息比率（IR）：2.77 - 月度胜率：76.30% - 最大回撤：3.74% 3. **2025年4月单月表现**（全市场）[10] - RPV因子：多头收益-0.67%，空头收益-3.38%，多空对冲收益2.70% - SRV因子：多头收益-2.10%，空头收益-3.26%，多空对冲收益1.16% --- 补充说明 - RPV因子在2014/01-2023/08回测期内年化收益16.29%，IR 2.41[6] - SRV因子在相同回测期内RankICIR为-4.26，年化收益18.91%，IR 3.07，月度胜率80%[12]

量化因子与构建方式 1 **因子名称**：盈利预期期限结构因子 **因子构建思路**：通过分析未来多年盈利预测的趋势（斜率）反映分析师对公司的乐观、中性或悲观预期[7] **因子具体构建过程**： - 以未来年度为X轴，盈利预测为Y轴，拟合线性趋势 - 斜率分为三类：向上倾斜（乐观）、水平（中性）、向下倾斜（悲观） - 斜率计算公式： $$ \text{斜率} = \frac{n\sum{(x_i y_i)} - \sum{x_i}\sum{y_i}}{n\sum{x_i^2} - (\sum{x_i})^2} $$ 其中$x_i$为年度变量（如1/2/3年），$y_i$为对应盈利预测值 **因子评价**：历史表现稳定，能有效捕捉预期变化[9] 2 **因子名称**：合成动量 ff 因子 **因子构建思路**：将盈利预期期限结构"动量 ff"因子与传统分析师预期调升因子（如一致预期净利润3个月变化率）合成，提升稳定性和收益能力[11] **因子具体构建过程**： - 原始因子标准化处理： $$ z_{\text{动量}} = \frac{\text{盈利预期斜率} - \mu_{\text{斜率}}}{\sigma_{\text{斜率}}} $$ $$ z_{\text{调升}} = \frac{\text{净利润3个月变化率} - \mu_{\text{调升}}}{\sigma_{\text{调升}}} $$ - 等权合成： $$ \text{合成动量 ff} = 0.5 \times z_{\text{动量}} + 0.5 \times z_{\text{调升}} $$ **因子评价**：兼具高收益与稳定性，改善传统因子的回撤问题[11] --- 因子回测效果 1 **盈利预期期限结构因子**：累计IC显著（图示趋势，未提供具体数值）[8] 2 **合成动量 ff 因子**：累计IC优于单一因子（图示合成后曲线更平滑）[13] --- 选股组合表现 （基于合成动量 ff 因子构建） 1 **沪深300组合**： - 2025年4月超额收益：-0.57% - 2025年前4月累计超额收益：1.21%[14] 2 **中证500组合**： - 2025年4月超额收益：0.73% - 2025年前4月累计超额收益：0.76%[14] 3 **中证800组合**： - 2025年4月超额收益：-0.02% - 2025年前4月累计超额收益：2.07%[14] 4 **中证1000组合**： - 2025年4月超额收益：1.13% - 2025年前4月累计超额收益：2.59%[14]

报告核心观点 报告介绍戴维斯双击、净利润断层、沪深300增强三种投资策略，阐述策略原理、构建方法，展示历史回测和近期表现数据，体现策略收益和稳定性 [1][2][3] 各策略要点总结 戴维斯双击组合 - 策略简述：以低市盈率买入成长潜力股，待成长性显现、市盈率提高后卖出获乘数效应收益，即EPS和PE“双击”；盈利持续增长时，业绩增速加速增长标的PE向下空间能有效控制 [7] - 历史表现：2010 - 2017回测期内年化收益26.45%，超额基准21.08%，7个完整年度超额收益均超11%；全样本绝对收益23.53%，基准收益2.01%，超额收益21.52% [9] - 近期表现：今年以来累计绝对收益6.18%，超额中证500指数7.90%，本周超额中证500指数2.27%；2025 - 01 - 27开盘调仓，截至2025 - 04 - 25，本期组合超额基准指数2.16% [10] 净利润断层组合 - 策略简述：基本面与技术面共振双击选股模式，“净利润”指业绩超预期，“断层”指盈余公告后首个交易日股价向上跳空；每期筛过去两个月业绩预告和正式财报超预期股票样本，按盈余公告日跳空幅度排序前50股票等权构建组合 [2][12] - 历史表现：2010年至今年化收益28.17%，年化超额基准26.67%；全样本绝对收益28.17%，基准收益1.50%，超额收益26.67% [15] - 近期表现：本年组合累计绝对收益8.31%，超额基准指10.03%，本周超额收益4.31% [2][15] 沪深300增强组合 - 策略简述：投资者偏好分GARP型、成长型、价值型；GARP型用PB与ROE分位数之差构建PBROE因子、PE与增速分位数之差构建PEG因子选股；成长型关注公司成长性，通过营收、毛利、净利润增速选高速成长股；价值型偏好长期稳定高ROE公司；基于投资者偏好因子构建增强沪深300组合 [3][17] - 历史表现：历史回测超额收益稳定；全样本绝对收益9.23%，基准收益0.39%，超额收益8.84% [17] - 近期表现：本年组合相对沪深300指数超额收益7.41%，本周超额收益1.33%，本月超额收益4.08% [3][17]

市场表现与指数动态 - 最近5个交易日科创50指数跌1.29%，创业板指跌1.12%，大盘价值涨0.28%，大盘成长涨0.04%，上证50涨0.16%，国证2000代表的小盘跌2.98% [1] - 医药生物、农林牧渔市场表现靠前，计算机、国防军工表现靠后 [1] - 中证全指风险溢价指标在2024/01/19达到4.11%，为2016年以来第五次超过4%，截至2025/03/28回落至3.69%，两倍标准差边界为4.72% [1] 估值水平与技术分析 - 截至2025/03/28，中证全指PETTM分位数53%，上证50与沪深300分别为58%、48%，创业板指接近14%，中证500与中证1000分别为33%、38% [2] - 深100指数技术面呈现3年周期规律，2012/2015/2018/2021年熊市下行幅度40%-45%，2021年一季度开始的调整时间与空间已较充分 [2] - 卷积神经网络模型当前配置主题为建筑材料、红利低波等板块 [2][9] 资金交易数据 - 最近5个交易日ETF资金流入162亿元，融资盘减少约248亿元，两市日均成交12346亿元 [3] 量化模型应用 - 卷积神经网络通过标准化价量图表建模，将学习特征映射至行业主题板块，如中证全指建筑材料指数、中证红利低波动指数等 [8][9] 指数与板块跟踪 - 重点跟踪指数包括中证全指建筑材料指数(931009.CSI)、中证红利低波动指数(h30269.CSI)、中证钢铁指数(930606.CSI)等 [9]

量化模型与构建方式 1. **模型名称：择时雷达六面图** - **模型构建思路**：从流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取21个指标，综合生成[-1,1]之间的择时分数，反映市场中性或偏多/偏空信号[1][5]。 - **模型具体构建过程**： 1. **指标分类**：将指标分为四大类——"估值性价比"、"宏观基本面"、"资金&趋势"、"拥挤度&反转"。 2. **标准化处理**：对单指标计算zscore或分位数，截尾后标准化到±1区间。 3. **综合打分**：加权汇总各维度得分，生成综合择时分数[1][5][6]。 - **模型评价**：多维视角覆盖市场关键驱动因素，但依赖历史数据假设，需动态调整参数[1][5]。 2. **因子名称：货币方向因子** - **因子构建思路**：通过货币政策利率与短端市场利率的变化方向判断货币宽松/收紧[11]。 - **因子具体构建过程**：计算央行政策利率与市场利率（如DR007）90天前的平均变化方向，若>0为宽松（分数=1），<0为收紧（分数=-1）[11][13]。 3. **因子名称：货币强度因子** - **因子构建思路**：衡量短端利率偏离政策利率的程度，反映货币环境松紧[14][16]。 - **因子具体构建过程**： $$偏离度 = \frac{DR007}{7天逆回购利率} - 1$$ 平滑后计算zscore，若<-1.5倍标准差则未来120日分数=1，>1.5倍标准差则分数=-1[14][16]。 4. **因子名称：信用方向因子** - **因子构建思路**：基于中长期贷款同比变化判断信用扩张/收缩[17][19]。 - **因子具体构建过程**：计算中长期贷款过去12个月增量的同比，若较三个月前上升则分数=1，反之=-1[17][19]。 5. **因子名称：信用强度因子** - **因子构建思路**：捕捉信贷数据超预期程度[20][22]。 - **因子具体构建过程**： $$信用强度因子 = \frac{新增人民币贷款 - 预期中位数}{预期标准差}$$ 若>1.5倍标准差则未来60日分数=1，<-1.5倍标准差则=-1[20][22]。 6. **因子名称：增长方向因子** - **因子构建思路**：通过PMI同比变化判断经济增长趋势[23][25]。 - **因子具体构建过程**：计算中采与财新PMI的12月均值同比，较三个月前上升则分数=1，反之=-1[23][25]。 7. **因子名称：通胀方向因子** - **因子构建思路**：结合CPI与PPI判断通胀下行/上行环境[28][30]。 - **因子具体构建过程**： $$通胀方向因子 = 0.5 \times CPI平滑同比 + 0.5 \times PPI原始同比$$ 若较三个月前下降则分数=1，反之=-1[28][30]。 8. **因子名称：席勒ERP** - **因子构建思路**：调整盈利波动后的股权风险溢价[34][36]。 - **因子具体构建过程**： $$席勒PE = \frac{股价}{过去6年通胀调整平均盈利}$$ $$席勒ERP = \frac{1}{席勒PE} - 10年期国债收益率$$ 计算3年zscore并截尾标准化[34][36]。 9. **因子名称：可转债定价偏离度** - **因子构建思路**：通过转债估值偏离度捕捉市场情绪[67][69]。 - **因子具体构建过程**： $$定价偏离度 = \frac{转债价格}{模型定价} - 1$$ 取负值后计算3年zscore[67][69]。 --- 模型的回测效果 1. **择时雷达六面图** - 综合打分：-0.21（中性偏空）[5][7] - 流动性得分：-1.00（显著看空）[7][9] - 经济面得分：0.00（无显著信号）[7][9] - 估值面得分：-0.17（中性）[7][9] - 资金面得分：0.50（显著看多）[7][9] - 技术面得分：0.00（无显著信号）[7][9] - 拥挤度得分：-0.69（显著看空）[7][9] 2. **货币方向因子**：当前分数=-1[11][13] 3. **货币强度因子**：当前分数=-1[14][16] 4. **信用方向因子**：当前分数=-1[17][19] 5. **信用强度因子**：当前分数=-1[20][22] 6. **增长方向因子**：当前分数=1[23][25] 7. **通胀方向因子**：当前分数=-1[28][30] 8. **席勒ERP**：当前分数=0.39[36][38] 9. **可转债定价偏离度**：当前分数=-0.75[67][69] --- 量化因子与构建方式 （注：因子构建过程已整合至模型部分，此处不再重复） --- 因子的回测效果 （注：因子当前分数已整合至模型回测部分）