深度专题130：大类资产轮动量化策略体系——宏观基本面 & 动量视角

文章预览

核心结论 核心观点     本文基于宏观和动量两个维度构造完全量化可回测的大类资产轮动策略。宏观模块创新性地引入Listwise排序学习算法ListMLE，从截面维度构造简单稳健的宏观周期查询字典，同时引入动量模块，利用其与宏观的互补性构造复合轮动策略，2017年以来复合策略绝对收益年化17.8%，夏普1.48，最大回撤9.1%，月度胜率71%，其中2019年以来策略年化收益22.3%，2024年以来每月均能事前选到当月表现最优的大类资产。 基于ListMLE的宏观基本面策略     基于基础数据构建完全可得宏观趋势数据库，将其作为自变量解释大类资产截面收益率差异。本文创新性地引入ListMLE这一排序学习模型，在宏观策略这样的小样本数据上有良好的预测能力和可解释性。基于ListMLE的宏观基本面策略17年以来绝对收益年化14.52%，最大回撤11.8%，月度胜率72.5%，除2022年 ………………………………