量化模型与构建方式 短周期利率择时模型 - 模型名称:短周期利率择时模型 - 模型构建思路:结合价量形态和利率趋势状态,通过两步进行择时判断,一方面通过价量形态特征进行短期波动预测,另一方面通过识别利率变化趋势所处的状态优化模型决策[1][3][33] - 模型具体构建过程: 1. 短期波动预测:使用趋势模型代替传统技术分析指标,通过时序网络处理国债期货的趋势、波动和形态特征,捕捉特征间的非线性关系进行短期波动预测[3][40] - 价量特征包括:收盘价、成交量、向上振幅、向下振幅、调整后过去1个月收益率、调整后过去3个月收益率、调整后过去1年收益率、短期波动率、中长期波动率、K线形态[41][42] 2. 利率运行趋势状态识别:从国债利率的期限结构出发,构建利率变化趋势的状态变量,通过平移趋势强度、扭曲程度和形变幅度三个方面刻画国债收益率曲线的形变[3][48][50] - 平移趋势强度公式:[50] - 扭曲程度公式:[50] 3. 合成择时信号:将价量特征和利率变化趋势的状态特征拼接后输入时序网络(biLSTM-attn),得到最终的择时信号,信号值大于零时为看多,信号值小于等于零则为看空[59][60] - 模型评价:优化后的短周期择时模型在风险收益和择时胜率方面都有明显提升,主要得益于输入端使用日频价量数据和模型学习了指标/特征间的非线性关系[3][43][60] 模型的回测效果 - 短周期利率择时模型 - 策略年化收益:6.63%[61] - 年化超额收益:3.93%[61] - 年化波动率:0.0252[61] - 择时胜率:58.68%[61] - 平均盈亏比:1.02[61] - 策略年化夏普比率:2.56[61] - 基准年化夏普比率:0.71[61] 量化因子与构建方式 价量特征因子 - 因子名称:价量特征因子 - 因子的构建思路:通过日频价量数据提取短期价格波动相关的特征[3][40] - 因子具体构建过程: - 收盘价:时序z-score标准化[41] - 成交量:时序z-score标准化[41] - 向上振幅:[41] - 向下振幅:[41] - 调整后过去1个月收益率:[42] - 调整后过去3个月收益率:[42] - 调整后过去1年收益率:[42] - 短期波动率:[42] - 中长期波动率:[42] - K线形态:回看窗口10天[42] - 因子评价:价量特征因子提供了更加丰富的有效信息,有助于模型捕捉特征间的非线性关系[3][43] 利率趋势状态因子 - 因子名称:利率趋势状态因子 - 因子的构建思路:通过国债收益率曲线的形变来识别利率变化趋势的状态[3][48] - 因子具体构建过程: - 平移程度:[52] - 扭曲程度:[52] - 形变幅度:,[52] - 因子评价:利率趋势状态因子通过平移、扭转、形变幅度三个方面刻画国债收益率曲线的形变,能够有效识别利率变化状态[3][48][52] 因子的回测效果 - 价量特征因子 - 策略年化收益:4.68%[46] - 年化超额收益:2.03%[46] - 年化波动率:0.0249[46] - 择时胜率:55.29%[46] - 平均盈亏比:1.03[46] - 策略年化夏普比率:1.85[46] - 基准年化夏普比率:0.71[46] - 利率趋势状态因子 - 策略年化收益:6.63%[61] - 年化超额收益:3.93%[61] - 年化波动率:0.0252[61] - 择时胜率:58.68%[61] - 平均盈亏比:1.02[61] - 策略年化夏普比率:2.56[61] - 基准年化夏普比率:0.71[61]