量化模型与构建方式 1. 绩优重仓股与调研共振增强策略 - 模型名称：绩优重仓股与调研共振增强策略 - 模型构建思路：通过基金Alpha因子筛选出绩优基金，计算其穿透重仓股股池，并结合调研数据，选出过去一个季度被调研过的重仓股，构建共振股池[5][22][46] - 模型具体构建过程： 1. 通过基金Alpha因子筛选出绩优基金[22] 2. 计算绩优基金的穿透重仓股股池[22] 3. 将穿透重仓股股池与调研数据相结合，选出过去一个季度被调研过的重仓股，得到共振股池[22] 4. 在行业中性共振池中，使用20日平均成交额因子控制股票热度，构建增强策略[46] 5. 每期取因子排名最靠前的15只股票等权持仓，交易费率设置为千分之三[46] - 模型评价：策略具有良好的超额收益，综合考虑收益风险与覆盖股票数目，策略优势明显[46] 2. 自主可控概念量化优选策略 - 模型名称：自主可控概念量化优选策略 - 模型构建思路：通过对成长、质量、技术和动量大类因子进行测试，并结合基本面财务指标的逻辑筛选判断，构建增强因子[5][75] - 模型具体构建过程： 1. 对成长、质量、技术和动量大类因子进行测试[75] 2. 结合基本面财务指标的逻辑筛选判断，构建增强因子[75] 3. 每月末最后一个交易日选取排名前因子得分前20%的股票，以等权方式构建持仓组合，手续费取千分之三[5][106] 4. 将全部自主可控指数成分股等权构建基准组合，每月最后一个交易日再平衡[5][106] - 模型评价：策略相比全概念等权基准，优势非常明显，超额净值平稳增加，整体增加明显[106] 3. 国证2000指数增强策略 - 模型名称：国证2000指数增强策略 - 模型构建思路：基于大小盘选股逻辑差异，筛选出更适合微盘股的选股因子，针对国证2000指数成分股构建指数增强策略[136] - 模型具体构建过程： 1. 筛选出技术、反转、特异波动率等因子[137] 2. 将波动率因子对技术和反转因子做回归求残差，得到相对独立的波动率因子[137] 3. 将各大类因子等权合成并进行行业市值中性化，构建国证2000增强因子[137] 4. 每月月底取因子值排名前10%的股票买入调仓，以等权方式构建多头组合，手续费率假设为单边千分之二[163] - 模型评价：策略相较于基准有明显的优势，超额净值稳步向上[173] 4. 基于多目标、多模型的机器学习指数增强策略 - 模型名称：GBDT+NN机器学习指数增强策略 - 模型构建思路：选取GBDT和NN两大类结构具有一定差异的模型，选取不同的特征数据集进行分别训练，并使用多种预测标签进行对比并融合，构建选股因子[181] - 模型具体构建过程： 1. 选取GBDT和NN两大类模型[181] 2. 选取不同的特征数据集进行分别训练[181] 3. 使用多种预测标签进行对比并融合，构建选股因子[181] 4. 每月月初调仓，假定手续费率单边千二[196] - 模型评价：策略在A股各类宽基指数上表现优异，具有较强的适用性[181] 模型的回测效果 绩优重仓股与调研共振增强策略 - 年化收益率：19.88%[5][46] - 夏普比率：0.67[5][46] - 5月超额收益率：-5.50%[5][46] 自主可控概念量化优选策略 - 年化收益率：30.36%[106] - 夏普比率：1.12[106] - 5月超额收益率：-3.29%[5][106] 国证2000指数增强策略 - 年化超额收益率：15.19%[173] - 信息比率：2.11[173] - 5月超额收益率：1.75%[6][173] GBDT+NN机器学习指数增强策略 - 沪深300指数增强策略年化超额收益率：14.93%[196] - 沪深300指数增强策略信息比率：3.67[199] - 沪深300指数增强策略5月超额收益率：2.27%[6][196] - 中证500指数增强策略年化超额收益率：19.08%[210] - 中证500指数增强策略信息比率：3.68[212] - 中证500指数增强策略5月超额收益率：-0.28%[6][210] - 中证1000指数增强策略年化超额收益率：31.21%[230] - 中证1000指数增强策略信息比率：5.17[232] - 中证1000指数增强策略5月超额收益率：1.91%[6][230]