增量宽松政策如期推出，对创业板50维持乐观

根据国金金融工程团队发布的《量化掘基系列之四：量化择时把握创业板50指数投资机会》,我们构建了基于动态宏观事件因子的创业板50指数择时策略。

对于创业板50指数，策略给出10月份仓位建议为50%，相较9月份仓位配置建议的50%保持不变。拆分来看，模型对于10月份经济增长信号强度为0%，上月为0%；货币流动性层面持看多观点，信号强度为100%，前值为100%。从细分指标来看，经济增长因子内部本次共有4个指标参与打分，3个指标看空（产量:发电量:当月值:MA3:同比、制造业PMI:新出口订单、新增社融:滚动12个月求和）,1个指标看空（国债利差10Y-1M），合成经济增长大类因子信号为0%；货币流动性因子内部本次共有1个指标参与打分（逆回购利率:7天-银行间质押式回购加权利率:7天），合成货币流动性大类因子信号为100%。

我们选取策略的回测时间段为2014年5月1日至2024年9月30日，并设定手续费为单边千分之三。图表4展示了在回测时间段根据大类因子信号所得到的择时仓位信号时间序列，可以看出择时策略整体的平均仓位较低，仅有约44%。

为了能够更好地评价该择时策略，我们以回测期内策略的平均权重作为固定的择时仓位，构建一个等比例基准，并将其作为评估策略的对象。

9月份配置模型月涨跌幅为20.36%，低于指数涨跌幅(40.73%)。同时，从历史表现方面来看，从2014年5月1日至2024年9月30日，策略年化收益率为15.16%、年化波动率为18.40%、最大回撤为-29.35%、夏普比率为0.82、收益回撤比为0.52，在各个维度上表现优于基准。

最后，我们统计了回测期内择时策略的逐年表现，可以发现该策略在多数年份都取得了正的超额收益，并且在等比例基准出现回撤的阶段，该策略较好地控制住了下行风险。

创业板指数容易受到中国宏观、货币流动性等多因素的影响，具有很多不确定性，盲目投资往往会带来资金的重大损失，因此投资者应当具备建立中短期择时模型的能力，利用大盘的代表性来找到系统性的机会和规避系统性的风险。

为了探索中国宏观经济对创业板上市公司整体状况和走势的影响，我们选取创业板50指数作为研究对象，尝试从动态宏观事件因子的角度构建择时策略框架。

2.1 宏观数据的选用

在构建动态事件驱动策略框架的过程中，我们首先需要确定使用什么数据去搭建什么事件因子，即去寻找与资产收益率相关的宏观数据，并构建能够刻画它们与资产关系的事件因子。

在数据方面，通过选取，我们将经济、通胀、货币和信用四大类的30余个因子，包括PMI、PPI、M1等数据，纳入测试的范围当中。

挑选好数据后，需要对数据进行预处理操作后才可以进入事件因子的构建阶段，具体流程如图表9所示，我们将在后文对每个步骤进行详细的阐述。

2.2 宏观数据的预处理

对于数据的预处理方面，我们分成了4个小步骤：

1）对齐数据频率：将指标的频率统一成月频，对于日频数据可以取每月的最后一个交易日的数据作为当月的数据，或者是取月内日频数据的均值作为当月的数据。

2）填充数据缺失值：对于缺失的数据，取数据过去12个月指标的一阶差分值的中位数叠加上一期的数值进行填充。

3）滤波处理：这个步骤需要结合数据判断，以防将数据中的重要信息过滤掉。我们尝试用量化的形式，通过同时构建数据的2种处理方式的因子，最终筛选出更适合该指标的处理方式:

a)不做处理的原始数据；b)做滤波处理的数据；

在滤波处理方面，选择使用单向HP滤波，避免数据处理过程中隐含的未来函数。

4）变化数据结构衍生因子：为了使数据更能捕捉资产收益率变动方向，我们对不同的数据使用不同的数据格式，包括数据的同比、环比、移动平均等。

2.3 宏观事件因子构建

数据预处理后，进入宏观事件因子构建阶段，我们将构建过程拆解成7个小步骤：

1）确定事件的突破方向：计算数据与资产标的下一期收益率的相关性，当相关性为正相关时，对该数据构建正向突破(变动)的事件，反之则构建反向突破(变动)的事件。

2）确定数据与资产的领先滞后性:对数据衍生出滞后0-4期的事件因子，通过筛选因子的指标衡量什么时滞期数下的事件因子更为合适，动态识别数据与资产目前的领先滞后关系。

3）生成事件因子：构建三类事件因子：数据突破数据均线，数据突破数据中位数以及数据的同向变化，对因子事件赋予不同的参数，共构建28个不同的因子事件。

生成事件因子后，就可以进入对事件因子的评价和筛选阶段，但首先需要确定下用什么衡量指标。在图表11中，我们列出了2种不同的衡量指标：收益率胜率和开仓波动调整收益率。其中收益率胜率不仅考虑了事件因子的开仓成功率，还包含了盈亏比的信息；开仓波动调整收益率综合考虑了指标成功率，收益率和波动率的信息。结合指标的不同特点，我们选取收益率胜率作为每期事件因子的筛选指标，开仓波动调整收益率作为后续确定数据滚动时间窗口的指标。

4）因子事件初筛选:每期生成因子的初步筛选为：a)满足t检验，能在95%的置信区间内拒绝事件信号发出之后，下一期资产收益为0的原假设；b)事件收益率胜率>55%; c)该事件的发生次数>滚动窗口的时间期数/6。

5）叠加事件因子:选择收益率胜率最高的事件因子作为当期的基础事件因子。从剩余通过初筛选的事件因子中，选出与基础事件因子低于0.85的次高收益率胜率事件因子，将其与基础事件因子进行叠加。若叠加因子事件的胜率高于基础因子事件，则选用叠加事件作为当期的事件因子，反之则仅用最高胜率事件作为当期的事件因子。

6）若经历了步骤4和5，当期没有能通过筛选的事件因子，则本期该宏观指标标记为空仓，且当期不加入其归属的大类因子打分当中，本质上这步实现了动态剔除低胜率的事件因子。

7）确定评判事件的最优滚动窗口：在通过前6个步骤计算之后，我们可以获得该宏观数据每期动态选出的事件因子，并且基于每期事件因子给出的择时信号，获得该宏观数据的历史净值表现。然后我们对样本内时间段(2014年5月-2020年12月)的数据计算开仓波动调整收益率寻找对于不同宏观数据最合适的滚动时间窗口。对于滚动时间窗口的参数，我们测试了48，60，72，84，96个月时间维度。每个宏观数据都通过对比不同时间窗口的开仓波动调整收益率来选出最优参数。

最后我们通过计算样本内时间段（2014年5月-2020年12月）30余个宏观数据构建的事件因子的开仓波动调整收益率，挑选出了样本内表现较好的11个因子，我们将其列在了图表12当中，并且说明了每个数据的数据格式、数据处理方法和对应的滚动窗口期。我们将这11个因子分成了两大类:经济增长和货币流动性。经济增长：包含经济、通胀和信用，三者都是不同维度描述经济的运行情况；另外将货币类的指标单独划分成一类，用来刻画市场的流动性。

2.4 择时策略构建

在选定了最终使用的宏观指标之后，我们使用这些宏观数据构建的宏观事件因子来搭建择时策略。我们定义：当大类因子内部的细分因子不少于2/3的因子发出看多信号，则当期该大类因子的信号标记为1；当大类因子内部的细分因子少于1/3的因子发出看多信号时，则当期大类因子信号标记为0；若当大类因子内部的细分因子发出看多信号的比例处于两个区间之后，则大类因子标记为对应具体的比例。最后我们将两个大类因子的得分取平均值，合成最终当期的择时仓位信号。

为了将创业板50指数的择时策略配置落地到投资配置上，我们从目前市场上跟踪创业板50指数的10个场外基金当中进行了筛选。其中交银创业板50指数A（007464.OF）是我们认为值得关注的标的。其基金规模较大(24年半年报披露规模为32.02亿元)且跟踪误差偏小(截止2024年9月30日滚动1年跟踪误差为0.1516%)。该基金采用指数化投资策略，紧密跟踪创业板50指数，追求跟踪偏离度与跟踪误差最小化。

3.1 基金简介

交银施罗德创业板50指数型证券投资基金成立于2019年11月20日，目前由交银施罗德基金的基金经理邵文婷管理。现任基金经理任职以来，基金份额稳步增长，截至2024年6月末，该基金总管理规模达到32.02亿元。

3.2 基金经理介绍

基金经理邵文婷，2016年加入交银施罗德基金管理有限公司，曾任量化投资部研究员、投资经理，现任量化投资部基金经理。目前邵文婷共管理9只基金，以被动指数型基金为主，还管理了QDII基金及混合债券型二级基金，目前总管理规模为135.16亿元（剔除ETF联接基金）。

1、以上结果通过历史数据统计、建模和测算完成，历史规律未来可能存在失效的风险；

2、各类事件因子可能会受到政策、市场环境发生变化的影响，出现阶段性失效的风险；

3、市场可能出现超出模型预期的变化，导致策略出现超出模型估计的波动和回撤；

4、基金相关信息及数据仅作为基金研究使用，不作为募集材料或者宣传材料；

5、本文涉及所有基金历史业绩均不代表未来表现。

Alpha掘金系列

1. 《Alpha掘金系列之十二：排序学习对GRU选股模型的增强》

2. 《Alpha掘金系列之十一：基于BERT-TextCNN的中证1000舆情增强策略》
   

3. 《Alpha掘金系列之十：细节决定成败：人工智能选股全流程重构》
   

4. 《Alpha掘金系列之九：基于多目标、多模型的机器学习指数增强策略》

5. 《Alpha掘金系列之八：FinGPT对金融论坛数据情感的精准识别——沪深300另类舆情增强因子》

6. 《Alpha掘金系列之七：ChatGLM医药行业舆情精选策略——大模型微调指南》
   

7. 《Alpha掘金系列之六：弹性与投资者耐心——基于高频订单簿的的斜率凸性因子》
   

8. 《Alpha掘金系列之五：如何利用ChatGPT挖掘高频选股因子？》
   

9. 《Alpha掘金系列之四：基于逐笔成交数据的遗憾规避因子》

10. 《Alpha掘金系列之三：高频非线性选股因子的线性化与失效因子的动态纠正》

11. 《Alpha掘金系列之二：基于高频快照数据的量价背离因子》

12. 《Alpha掘金系列：多维度卖方分析师预测能力评价——券商金股组合增强策略》

＋