量化模型与构建方式 模型名称：单一统计模型 - 模型构建思路：基于历史数据的统计分析，预测未来的气候变化趋势 - 模型具体构建过程：通过对历史气候数据进行统计分析，建立回归模型，预测未来的气候变化趋势 - 模型评价：该模型简单易用，但可能无法捕捉复杂的气候变化模式[308] 模型名称：动力模型 - 模型构建思路：基于物理过程的模拟，预测未来的气候变化趋势 - 模型具体构建过程：通过模拟大气和海洋的物理过程，预测未来的气候变化趋势 - 模型评价：该模型能够更准确地捕捉气候变化的复杂性，但计算量较大[308] 模型名称：混合模型 - 模型构建思路：结合统计模型和动力模型的优点，预测未来的气候变化趋势 - 模型具体构建过程：将统计模型和动力模型的预测结果进行加权平均，得到最终的预测结果 - 模型评价：该模型综合了两种模型的优点，能够提供更准确的预测结果[308] 模型的回测效果 - 单一统计模型，ONI指数预测值：0.4[308] - 动力模型，ONI指数预测值：0.4[308] - 混合模型，ONI指数预测值：0.4[308] 量化因子与构建方式 因子名称：ONI指数 - 因子的构建思路：基于海洋表面温度的变化，衡量厄尔尼诺和拉尼娜现象的强度 - 因子具体构建过程：通过对海洋表面温度进行测量和计算，得到ONI指数 - 因子评价：该因子能够较好地反映厄尔尼诺和拉尼娜现象的强度，对气候预测具有重要意义[297][298] 因子的回测效果 - ONI指数，2024年5月值：+0.4[296] - ONI指数，2024年6月值：+0.4[296] - ONI指数，2024年7月值：+0.4[296]